[发明专利]一种基于人工智能的心脏疾病辅助检测方法

说明书

本发明提供一种基于人工智能的心脏疾病辅助检测方法，其通过对心电动力学图等三维图像的卷积神经网络识别模型的训练，然后采用迁移学习和蒙特卡洛树搜索算法等方法对卷积神经网络识别模型参数进行调整，并融合特定心脏疾病的熵的检测信息，获得心脏疾病检测的综合判定结果，从而解决心脏电活动连续的动态信号图像的模型处理方法及不同输出结果融合判定的技术难题。本发明所述基于人工智能的心脏疾病辅助检测方法，完成了对心脏疾病病理特征的自动提取和智能诊断，具备较高的准确性和检测效率。

技术领域

本发明涉及心脏疾病的检测领域，特别是涉及基于人工智能的心脏疾病辅助检测方法。

背景技术

心脏疾病是一类比较常见的有关心脏、血管和调节血液循环的神经体液组织的疾病，能显著地影响患者的生活质量。随着国内经济的不断发展，社会居民饮食习惯发生变化，脑力工作者的人数不断增多，国内心血管疾病的发病率在持续上升；因此，对于心脏疾病患者进行准确的医学筛查和检测变得至关重要。然而，现有心脏疾病监测和检测手段繁琐复杂，且对于微弱症状的早期心脏疾病不能及时有效地进行识别，严重地危害了心脏疾病患者的生命安全。因此，亟需开发一种心脏疾病识别方法，既能充分有效地利用现有的病理数据，又能改善心脏疾病监测的准确性和敏感性，帮助医生后期对待测人员的心脏疾病病情进行早期干预以及精准治疗。

鉴于当前市场的需求，申请人前期开发了一种心电动力学数据量化分析方法（CN201710587538.0），其包括以下操作步骤：（1）采集得到心电数据；（2）根据采集到的心电数据获取对应的心电动力学数据；（3）提取所述心电动力学数据的空间离散量化特征，以及提取所述心电动力学数据的时间离散量化特征；（4）根据所述空间离散量化特征和所述时间离散量化特征形成所述心电动力学数据的量化信息，并根据该量化信息对所述心电动力学数据进行量化分析。尽管在心电动力学数据的研究上已经取得一些进步，但是申请人挖掘了国内医院的心电数据时，发现国内市场仍急缺检测效率和准确率都比较高的心脏疾病检测产品。

因此，有必要提供改进的技术方案以克服现有技术中存在的技术问题。

发明内容

为解决上述问题，本发明提供一种基于人工智能的心脏疾病辅助检测方法，通过对心电动力学图等的卷积神经网络识别模型的训练，然后采用迁移学习等方法对卷积神经网络识别模型参数进行调整，融合特定心脏疾病的熵的检测信息，最终获得心脏疾病检测的综合判定结果，从而解决心脏电活动连续的动态信号图像的模型处理方法及不同输出结果融合判定的技术难题。

为了实现前述目的，本发明一方面提供了一种基于人工智能的心脏疾病辅助检测方法，包括以下步骤：

步骤1. 获取样本数据，所述样本数据包括特定心脏疾病的病理特征数据，所述特定心脏疾病的病理特征数据包括心电动力学图；

步骤2. 对步骤1获取的样本数据进行机器学习，获得特定心脏疾病的卷积神经网络模型，所述特定心脏疾病的卷积神经网络识别模型包括至少一个输入层、至少一个隐含层和至少一个输出层组成；

步骤3. 对步骤2所述特定心脏疾病的卷积神经网络模型进行迁移学习训练，获得特定心脏疾病的卷积神经网络识别模型。

可选地，在如前所述的基于人工智能的心脏疾病辅助检测方法中，步骤1还包括对所述心电动力学图进行预处理的步骤，预处理后的心电动力学图的长度、宽度和高度都为18~46像素之间的同一像素值。

可选地，在如前所述的基于人工智能的心脏疾病辅助检测方法中，所述特定心脏疾病的卷积神经网络识别模型还包含了蒙特卡洛树搜索算法。

可选地，在如前所述的基于人工智能的心脏疾病辅助检测方法中，步骤1中所述特定心脏疾病的病理特征数据还包括心电向量图、心电向量图的二维平面投影图和心电动力学图的二维平面投影图中的一种或几种。