[发明专利]一种使用卷积神经网络DenseNet检测早期心力衰竭的方法和装置

说明书

本申请提供了一种使用卷积神经网络DenseNet检测早期心力衰竭的方法，包括：采集心电信号；对所述心电信号进行预处理；采用最大熵模型对经预处理的心电信号进行分类处理，得到分类信息；将所述分类信息输入卷积神经网络DenseNet中训练；输出卷积神经网络DenseNet训练的结果。本申请使用卷积神经网络DenseNet进行早期心力衰竭的检测，首先对获取到的心电信号进行预处理，然后使用最大熵模型来分析生理时间序列，最后利用获得的数据集去训练卷积神经网络，以达到自动诊断心电信号，为心力衰竭早期的检测提供了一种新的有效方法。

技术领域

本发明涉及早期心力衰竭的检测领域，特别地，涉及一种使用卷积神经网络DenseNet检测早期心力衰竭的方法和装置。

背景技术

心力衰竭(HF)通常简称心衰，是指由于心脏的收缩和舒张功能发生了障碍从而引发出的一组复杂的临床综合症状。近年来，心力衰竭成为逐渐导致全球发病率和死亡率的重要疾病。因此，在面对心力衰竭这种可以致死的疾病时，就需要可以早期准确地检测病情，从而评估病情并及时恰当地予以治疗。

深度学习以人工神经网络为框架，是一种对数据进行表征学习的算法,深度学习从2006年起在各行各业中掀起了大浪潮，即深度学习被人们广泛地运用于各个领域。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，在深度学习中是一个极具代表性的网络。近年来，深度学习在医学研究的作用发挥地越来越广泛，利用计算机辅助检测诊断早期心力衰竭对于医学研究具有重要的意义和价值。

发明内容

本申请的目的在于，提供一种使用卷积神经网络DenseNet检测早期心力衰竭的方法和装置，其使用卷积神经网络DenseNet进行早期心力衰竭的检测，首先对获取到的心电信号进行预处理，然后使用最大熵模型来分析生理时间序列，最后利用获得的数据集去训练卷积神经网络，以达到自动诊断心电信号，为心力衰竭早期的检测提供了一种新的有效方法。

本申请提供一种使用卷积神经网络DenseNet检测早期心力衰竭的方法，包括：采集心电信号；对所述心电信号进行预处理；采用最大熵模型对经预处理的心电信号进行分类处理，得到分类信息；将所述分类信息输入卷积神经网络DenseNet中训练；输出卷积神经网络DenseNet训练的结果。

进一步地，对所述心电信号进行预处理包括：使用小波变换对所述心电信号进行降噪处理；使用滤波器去除P波、T波及QRS波中的杂波；找到心电图每一部分中的最大R波，将心电信号划分为多个RR间隔，得到经预处理的信号。

进一步地，最大熵模型公式如下所示：

其中，P_w(y|x)表示最大熵模型，Z_w(x)表示规范化因子，w_i表示特征的权值，f_i(x，y)表示特征函数，w是最大熵模型中的参数向量。

进一步地，在所述卷积神经网络DenseNet中，前面所有层网络的输出都包含在了下一层网络的输入中。

进一步地，所述DenseNet包括3个Dense Block。

进一步地，所述Dense Block之间由过渡层连接。

进一步地，所述过渡层包括卷积层和池化层。

本申请提供一种使用卷积神经网络DenseNet进行早期心力衰竭的检测装置，包括：存储器；以及处理器，所述处理器被配置为执行前述方法。

本申请提供一种非暂时性存储介质，其上存储有指令，所述指令被处理器执行时，使所述处理器执行前述方法。