[发明专利]一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法

权利要求书

1.一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法，其特征在于：包括以下步骤：

步骤1：对同步实测的ECG信号、BCG信号及现房颤疾病数据库中的ECG信号进行预处理，并针对房颤疾病的特点，设定所有信号数据的分帧长度为24秒，作为神经网络的输入向量；

步骤1.1：采集同一受试者的同步ECG信号、BCG信号，并分别对其信号进行归一化处理，以获取实测数据；

步骤1.2：从现有的房颤疾病数据库中获取房颤ECG信号，并根据实测ECG信号的采样频率，对数据库中获取的ECG信号进行重采样处理，使其与步骤1.1中的实测数据采样频率一致；

步骤1.3：针对房颤疾病的特点，设定所有信号数据的分帧长度为24秒，作为神经网络的输入向量；

步骤1.4：应用实测ECG信号作为诊断标准，将每一帧实测同步BCG信号标记为房颤和非房颤二类，其中，房颤标定为1，非房颤标定为0；

步骤1.5：将70％的实测BCG数据作为训练集、20％的实测BCG数据作为验证集、10％的实测BCG数据作为测试集；

步骤2：构建进行房颤辅助检测的卷积神经网络；所述卷积神经网络包括4层卷积层、6层池化层和1层Flatten层以及3层全连接层，具体设计方法为：

步骤2.1：以分帧长度为24秒的数据库中获取的ECG信号作为输入向量，确定输入层的神经元数目；

步骤2.2：构建两个特征提取模块和一个降维模块；其中，第一个特征提取模块包括两层卷积层和两层池化层，第二个特征提取模块包括四层卷积层与四层池化层；降维模块包括一层Flatten层及三层全连接层；

步骤2.3：设计输出层为2个神经元，0-1组合判定为非房颤，1-0组合判定为房颤，0-0及1-1组合则需要进行二次判定；

步骤3：训练所构建的卷积神经网络并进参数更新：应用从数据库中获取的房颤ECG数据对卷积神经网络进行逐层预训练并更新网络参数；然后固定第一层卷积层和第二层卷积层的网络参数，以实测BCG信号作为输入向量，建立新型交叉熵损失函数更新网络参数，获取迁移学习后的卷积神经网络模型，具体方法为：

步骤3.1：应用从数据库中获取的ECG信号对所设计的卷积神经网络进行预训练并更新网络参数；

步骤3.2：应用实测BCG信号训练集对预训练后的卷积神经网络进行监督二次训练，获取迁移学习后的卷积神经网络模型，即BCG信号迁移学习模型；

步骤4：提取实测BCG信号的迁移学习特征向量并构建随机森林分类器：将迁移学习后的CNN全连接层的输出作为BCG信号迁移学习模型特征参数，设计并优化随机森林分类器，使其性能最优；

步骤4.1：应用实测BCG信号验证集作为二次训练后CNN网络的输入，提取降维模块所生成信号的高维特征作为BCG信号迁移学习特征参数；

步骤4.2：构建随机森林分类器，设定分类器的参数，并设定分类器输出结果为0或1，其中，0为非房颤，1为非房颤；

步骤4.3：将BCG信号迁移学习特征参数作为随机森林分类器的输入，进行十折交叉验证，将随机森林分类器的输出结果转化为混淆矩阵，并对随机森林分类器参数进行二次调试，以获取最优特异性、敏感性、准确度和精度的性能参数；

步骤5、将测试集中BCG信号作为卷积神经网络的输入，获取迁移学习模型特征参数并输入到随机森林分类器，通过随机森林分类器的输出结果判断该BCG信号是否为房颤疾病类型。

2.根据权利要求1所述的一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法，其特征在于：所述步骤3.2的具体方法为：

首先固定预训练后的第一层卷积层和第二层卷积层参数，然后以损失函数不再减小为基准，获取最优化网络参数；其中：卷积层与池化层的激活函数选用Relu函数，全连接层选用softmax函数，损失函数针对CNN输出层的特点，设计为采用如下公式：

其中，C为新型交叉熵损失函数，y为期望的输出向量，x为神经元个数：非房颤为0-1，房颤为1-0；a为CNN输出层的实际输出向量。