[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

说明书

本发明提供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，涉及计算机辅助诊断技术领域。该方法首先对同步实测的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，并设定所有信号数据的分帧长度为24秒；然后构建进行房颤辅助检测的卷积神经网络；训练所构建的卷积神经网络并进参数更新；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。本发明方法，有利于扩展BCG信号的日常应用领域，且为BCG开展心脏相关疾病辅助诊断及预测提供可行方案。

技术领域

本发明涉及计算机辅助诊断技术领域，尤其涉及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。

背景技术

随着穿戴式设备的日益盛行，无创式心脏功能评估领域成为当今研究热点。常规的心脏功能检测手段，包括心电图(Electrocardiogram，即ECG)、心磁图、心音、心阻抗图等，均需在人体体表附着电极等检测设备，对监测环境、条件及操作人员具有一定的要求，且给受试者的日常生活造成极大的不便。尤其阵发性房颤具有发作时间不确定，发作突然且临床表现不明显等特点，因此迫切需要一种非接触式实时监测心脏功能的的方法。

心冲击信号(Ballistocardiogram，即BCG)通过检测心脏搏动传导至体表的微弱振动，间接反映心脏的工作状态，是一种无感评估人体心脏动力学性能的先进检测手段。但BCG信号存在幅值微弱、易受干扰等特点且缺少较为完善的数据库，卷积神经网络(Convolutional Neural Networks，CNN)等深度学习常见模型，对输入数据量具有一定的要求，通常需要大批量的数据来进行网络的训练及调试，因此不适合应用于BCG信号的分析；传统的机器学习方法虽适用于小批量数据的训练及调试，但其通常需要提取信号的波形特征，而BCG信号的波形随检测设备的不同有着较大的差异，具有较高的时间复杂度，因此机器学习方法不适合应用于日常BCG信号的处理。综上，需要一种适用于BCG信号日常监护的房颤疾病计算机辅助诊断方法，以满足心血管疾病家庭非接触检测的需求。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供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，实现对心冲击信号阵发性房颤的辅助检测。

为解决上述技术问题，本发明所采取的技术方案是：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，包括以下步骤：

步骤1：对同步实测的ECG信号、BCG信号及现有的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；