[发明专利]一种基于深度学习的胎儿心电图个性化诊断方法

说明书

本发明提出一种基于深度学习的胎儿心电图个性化诊断方法，主要涉及人工智能、智慧医疗领域。主要步骤包含：根据心电图物理形态，设计多视角编码器充分提取样本特征；针对胎儿心电图诊断实际情况，分别设计源任务、辅助任务、目标任务；在元迁移学习框架中设计动态自学习权重融合策略，使模型学习有用的迁移知识；模拟实际诊断环境，设计跨受试者和跨疾病两种案例，模拟对实时心电图的监测和诊断。本发明针对受试胎儿的心电数据有限，难以快速、有效地对其进行个性化诊断的难题，通过优化元迁移学习，实现了对实时胎儿心电图的监测及个性化诊断。

技术领域

本发明涉及深度学习、智慧医疗领域，具体涉及到一种基于深度学习的胎儿心电图个性化诊断方法。

背景技术

计算机辅助医疗有效地减轻了劳动成本，提高了诊断效率。心电图是临床诊断中最常用的工具之一，通常用于诊断心律失常和胎儿心脏疾病。患者的心电图信号通常在医院收集，并通过机器学习来辅助诊断。将心电图诊断的功能嵌入到智能移动设备中进行健康监测是非常有潜力的。

机器学习一直是医疗卫生领域常见的有效工具，尤其是心电图诊断。这种方法通常需要足够的标记样本来训练一个准确的模型。然而，在缺乏专业知识的情况下，很难收集有监督的心电图信号，这导致了待诊断患者的心电数据是典型的小样本数据，难以针对每个患者进行个性化诊断。迁移学习能够利用现有的良好标记数据来对目标受试者的心电信号进行诊断。然而，将源域的知识进行不加区分的学习，再迁移到目标领域并不总是有效的，不可避免地会造成负向迁移。此外，模型在迁移过程中，经过多步微调后，在一定程度会忘记在源域学习的知识。因此，急需设计出一种有效的方法来实现基于有限受试者心电图数据的个性化诊断。

发明内容

为解决现有技术中的缺点和不足，本发明目的为提出了一种基于深度学习的胎儿心电图个性化诊断方法；

本发明为实现上述的技术目的，采用如下的技术方案：

S1、根据心电图物理形态，设计多视角编码器充分提取样本特征；

S2、针对胎儿心电图诊断实际情况，分别设计源任务、辅助任务、目标任务；

S3、在元迁移学习框架中设计动态自学习权重融合策略，使模型学习有用的迁移知识；

S4、模拟实际诊断环境，设计跨受试者和跨疾病两种案例，模拟对实时心电图的监测和诊断。

上述步骤S1中，根据心电图物理形态，设计多视角编码器充分提取样本特征，具体包括：

S11、使用基于三层Transformer编码器作为特征提取器，然后接入最大池化层，来充分提取心电数据的前景特征；

S12、同样使用Transformer编码器进行特征提取，然后接入平均池化层，以提取心电数据的背景特征；

S13、将提取的前景特征与背景特征拼接，然后通过softmax识别疾病类别。

上述步骤S2中，针对胎儿心电图诊断实际情况，分别设计源任务、辅助任务、目标任务，具体包括：

胎儿心电数据往往将仪器设备放在母亲胸腔或腹腔等多个部位进行采集，在实验设计中，将医院已有的在母亲胸腔采集的其他胎儿心电数据作为源任务，将在母亲腹腔采集的其他胎儿心电数据作为辅助任务，一个新的、待测试的胎儿心电数据(腹腔采集)为目标任务。设置辅助任务，以避免在少步微调模型后造成的知识遗忘，提高迁移学习的效果，从而解决尽管只有少量的新的胎儿数据，模型仍然可以快速适应目标任务，实现心电图个性化诊断。

上述步骤S3中，设计元迁移学习策略，在元迁移学习框架中设计动态自学习权重融合策略，使模型学习有用的迁移知识，具体包括：