[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

摘要

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。

主权项

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。