[发明专利]一种基于神经网络的驾驶员心脏健康状态分类诊断方法

说明书

本发明涉及一种基于神经网络的驾驶员心脏健康状态分类诊断方法，包括如下步骤：当云端算法服务器获取到心电监测数据后，首先云端服务器会先调用预处理算法对心电监测数据进行滤波进而提升心电监测数据的质量；再者以信噪比为标准自行选取心电监测数据中信噪比最大的心电信号片段；最后利用统计学习方法以及信号时频域的相关方法对预处理后的心电信号片段计算相关专家特征供后续深度学习模型诊断使用；调用基于深度学习的分析诊断算法来检测驾驶员的心脏健康水平。本发明针对驾驶员日常驾驶过程中突发心脏健康问题以及长期日常心脏健康问题无法诊断监测，提出了一套切实可行的技术解决方案。

技术领域

本发明属于健康监测领域，具体涉及一种基于神经网络的驾驶员心脏健康状态分类诊断方法。

背景技术

传统的心脏健康监测方式，例如十二导联心电监测等无法有效实时、日常对驾驶员心脏健康状态进行监测。同时，采集得到的心电数据需要经由专业医务人员诊断分析，所以心脏健康检测过程需要脱离日常驾驶场景，并且出于实际情况，无法在检测频次上保证，在检测成本费用上对驾驶员也是一种负担。如此一来，低频率、不易实施的心脏健康检测增加了驾驶员突发健康问题的风险，往往会造成对驾驶员健康状态的忽视。

利用基于车载心电监测设备的驾驶员日常心脏健康状态分类诊断方法对驾驶员的日常健康状态进行监测，是降低驾驶员健康风险最有效的方式之一，持续检测解决方案能够有效的避免日常驾驶过程中突发健康问题。

发明内容

本发明提供了一种基于神经网络的驾驶员心脏健康状态分类诊断方法，用以解决驾驶员日常驾驶过程中心电数据无法实时、自动分类诊断的问题。

为解决上述问题，本发明具体提供的技术方案为：一种基于神经网络的驾驶员心脏健康状态分类诊断方法，包括如下步骤：当云端算法服务器获取到心电监测数据后，

首先云端服务器会先调用预处理算法对心电监测数据进行滤波进而提升心电监测数据的质量；

再者以信噪比为标准自行选取心电监测数据中信噪比最大的心电信号片段；

最后利用统计学习方法以及信号时频域的相关方法对预处理后的心电信号片段计算相关专家特征供后续深度学习模型诊断使用；

云端服务器完成预处理算法后，会调用基于深度学习的分析诊断算法来检测驾驶员的心脏健康水平。

进一步，所述深度学习模型中深度学习分析诊断算法由三部分组成：

第一部分由前馈神经网络对之前提取的专家特征做进一步地特征融合；

第二部分由改进的一维ResNet对预处理的心电信号进行端到端地特征提取，之所以采用一维神经网络是因为心电信号本质为一维时序数据，采用一维神经网络能够较好地捕捉心电信号中的时序特征，这类时序特征对于诊断房颤以及早搏有很大的作用，同时在一维神经网络中每层网络设计不同尺度的卷积核来端到端地提取心电信号中的不同的特征，再者在一维神经网络架构中嵌入ResNet的跳接结构，使得一维神经网络能够避免梯度衰减的问题进而整体提升算法的诊断精度；

第三部分综合前面两者所得到的融合特征进行决策分析，将不同特征的心电信号以概率的形式映射至驾驶员心脏健康状态，给出“正常”、“竖支阻塞”、“窦性心律”、“房颤”、“心梗”分类诊断结果。

进一步，所述深度学习模型中产生数据通过以下步骤处理：云端算法服务器搭载两部分的处理算法，预处理算法首先对原始心电数据进行滤波清洗进而较大程度地提升心电信号的质量，对信号f(t)，进行如下的变换：

式中，ξ(ξ0)、分别是对于母小波的缩放、平移因子。

进一步，心电信号中选取信噪比最大的心电片段，将高信噪比的心电片段作为深度学习模型的输入进而分析诊断。