本發(fā)明涉及心臟性疾病風險預警系統(tǒng)及方法，尤其涉及一種基于深度學習算法的心臟性疾病風險預警系統(tǒng)及方法。

背景技術：

心臟作為全身血液工作的重要器官，對于我們身體狀態(tài)的維持有重要的作用。人體心臟的活動過程可以在體表以電流的方式反映出來，采用一定的檢測儀器將這種心電信號記錄下來即為心電圖(electrocardiogram，ecg)。醫(yī)院普通的心電檢查僅能紀錄受檢者處于靜態(tài)的且為時甚短的心電信號，這種檢查不易發(fā)現隱藏著的心臟性疾病，因此，長時心電監(jiān)護成為發(fā)現隱藏著的心臟性疾病的重要手段。

長時心電監(jiān)護帶來巨大的心電數據量，由于醫(yī)院的資源有限，無法做到對眾多可疑的心臟病人或用戶同時實行有效的監(jiān)護，因此，利用相關算法進行心電數據分析，對用戶進行心臟性疾病風險性預警，可大大節(jié)約社會資源，從而達到保健和預防疾病的目的。

心臟性疾病的風險預警在于對心電信號實時分析識別，傳統(tǒng)的識別算法在對特征提取的過程中往往需要人為設計，易發(fā)生漏檢、誤判等常見弊病。深度學習與傳統(tǒng)模式識別方法的最大不同在于它是從大數據中自動學習特征，而非采用手工設計的特征。深度學習能夠非常有效地從大量有標簽數據中深度提取數據的特征信息，充分挖掘數據的內在屬性和有價值的表征數據，然后組合低層特征為更加抽象的高層特征，而高級特征則是數據更高級、更本質的描述，由此可以在分類問題上得到更優(yōu)的結果。

中國專利申請201510522644.1提出了“一種實時心臟監(jiān)控、報警及救援系統(tǒng)及方法”，算法的好壞是該系統(tǒng)實現監(jiān)控、報警及救援的決定性因素。雖然該系統(tǒng)及方法具有完整系統(tǒng)流程，但在具體實施算法—智能專家算法上存在較大的不足。具體為：一是知識獲取困難，人類專家不能明確的將他所用到的規(guī)則羅列出來，也很難確切的表達出他們用到的真正有效的知識，從而導致系統(tǒng)預警的不準確；二是專家系統(tǒng)是基于規(guī)則的系統(tǒng)，不具備記憶功能，且無法記憶本身的錯誤，因此注定在今后要犯同樣的錯誤，從而導致系統(tǒng)預警效率的低下、人工維護成本高；三是專家系統(tǒng)不是魯棒系統(tǒng)，如果專家系統(tǒng)對于一個問題找不到任何匹配的規(guī)則，系統(tǒng)無法給出任何結論，從而導致系統(tǒng)預警的不穩(wěn)定性。

綜上所述，如何克服現有技術的不足已成為心臟性疾病風險預警技術領域中亟待解決的重大難題之一。

技術實現要素：

本發(fā)明針對現有心臟性疾病預警方法中存在的虛警率高、效率低以及穩(wěn)定性差的缺陷，提出了一種基于深度學習算法的心臟性疾病風險預警系統(tǒng)及方法。

本發(fā)明公開了一種基于深度學習算法的心臟性疾病風險預警系統(tǒng)，包括臨床、深度學習框架一至n、深度學習模型一至n、服務器、心電采集裝置；

臨床上獲取正常心電信號和各類心臟性疾病的心電信號，將信號分割成每段10秒的心電信號，并利用小波分析算法提取信號頻率節(jié)律信息，并將獲取到的頻率節(jié)律信息分類送入深度學習框架一至n進行訓練，相應的得到各類訓練完的深度學習模型一至n，并存儲于服務器中，其中n≥4；

用戶佩戴可進行數據傳輸的心電采集裝置，將采集到的心電信號通過移動通訊網絡或者wifi上傳到服務器，服務器將采集到的原始心電數據利用小波分析算法提取信號頻率節(jié)律信息，原始心電信號及頻率節(jié)律信息均存儲于服務器中；

服務器中存有訓練完成后的深度學習模型一，并具有信息交互的功能，將頻率節(jié)律信息首先送入到訓練完的正常心電頻率節(jié)律的深度學習模型一進行判別，判斷是否存在心臟性疾病的征兆；

服務器中存有訓練完成后的深度學習模型二至n，并具有信息交互的功能，若存在心臟性疾病的征兆，將心電頻率節(jié)律信息依次送入到訓練好的各類心臟性疾病的深度學習模型中，返回給用戶具體類別心臟性疾病風險的報告單，指導用戶及時就醫(yī)；

服務器存儲的深度學習模型一至n具有再訓練的功能，每隔一段時間，對收集到的心電數據送入深度學習模型進行再訓練。

本發(fā)明公開了一種基于深度學習算法的心臟性疾病風險預警系統(tǒng)及方法，包括以下步驟：

步驟一，臨床上獲取正常心電信號和各類心臟性疾病的心電信號，將信號分割成每段10秒的心電信號，并利用小波分析算法提取信號頻率節(jié)律信息，并將獲取到的頻率節(jié)律信息分類送入深度學習框架一至n(n≥4)進行訓練，相應的得到各類訓練完的深度學習模型一至n。并存儲于服務器中。

步驟二，用戶佩戴可進行數據傳輸的心電采集裝置，將采集到的心電信號通過移動通訊網絡或者wifi上傳到服務器，服務器將采集到的原始心電數據利用小波分析算法提取信號頻率節(jié)律信息。原始心電信號及頻率節(jié)律信息均存儲于服務器中。

步驟三，服務器中存有訓練完成后的深度學習模型一，并具有信息交互的功能。將頻率節(jié)律信息首先送入到訓練完的正常心電頻率節(jié)律的深度學習模型一進行判別，判斷是否存在心臟性疾病的征兆。

步驟四，服務器中存有訓練完成后的深度學習模型二至n，并具有信息交互的功能。若存在心臟性疾病的征兆，將心電頻率節(jié)律信息依次送入到訓練好的各類心臟性疾病(心律不齊、心動過速、心室纖顫等)的深度學習模型中進行篩選評價，返回給用戶具體類別心臟性疾病風險的報告單，指導用戶及時就醫(yī)。

步驟五，服務器存儲的深度學習模型一至n具有再訓練的功能，每隔一段時間，對收集到的心電數據送入深度學習模型進行再訓練，不斷提高心電分類診斷的準確性。

本發(fā)明中，步驟一所述將正常心電信號和各類心臟性疾病的心電信號，分割成每段10秒的心電信號，具體為采用滑動時間窗的方法將信號數據進行分段，滑動時間窗長度為10秒，滑動步長為2.5秒。(滑動步長小于滑動時間窗長度一方面可以防止數據間不連貫性，另一方面可以增加數據段樣本量。)

本發(fā)明中，步驟一所述利用小波分析算法提取心電信號頻率節(jié)律信息，具體為使用daubechies正交小波基，對采集到的心電信號進行多尺度分解，實現對心電頻率節(jié)律(0～4hz、4～8hz、8～16hz、16～32hz、32～64hz、64～128hz)的提取。

本發(fā)明中，步驟一所述將獲取到的正常心電信號及各類心臟性疾病心電信號的頻率節(jié)律信息送入深度學習框架進行訓練，深度學習框架采用tensorflow，得到訓練完的深度學習模型一至n，具體為：

1)將采集并進行小波分析得到的正常心電信號及各類心臟性疾病心電信號的頻率節(jié)律信號作為訓練數據存儲于服務器中；

2)前向傳播，將心電數據直接輸入網絡的第1層即輸入層，經過中間各隱層，逐層變換，逐層映射，直到輸出層；第l層的第j個特征矩陣xi，j如式(1)所示：

式中：mj表示作為輸入的前一層特征矩陣xl-1，j集合，bl.j表示特征矩陣xl，j的偏置，wl，j表示特征矩陣xl，j的一個權值。

3)反向傳播，用有標簽的心電數據(標簽指已標明心電數據所屬的心臟性疾病的類型)，進一步對整個多層網絡模型的參數進行有監(jiān)督調優(yōu),即在反向傳播學習過程中進行權值wl，j更新。

4)得到訓練完成后深度訓練模型一至n，作為心電特征信號識別判斷的依據存儲于服務器中。

本發(fā)明中，步驟二所述帶有數據傳輸功能的心電采集裝置，使用目前市場上能獲得的，滿足信號采集質量要求，能使用移動通訊網絡或wifi進行數據傳輸的裝置。傳輸的數據經小波分析提取其頻率節(jié)律信息，原始信號及頻率節(jié)律信息均存儲于服務器中。

本發(fā)明中，步驟三所述心臟性疾病征兆有無的判別，服務器中已存儲有訓練完成后的深度學習模型一，利用深度學習模型一具有的信號分類功能，對心電頻率節(jié)律信息進行判別，分類的結果分為兩類。一類是無心臟性疾病患病征兆，另一類是有心臟性疾病患病征兆。

本發(fā)明中，步驟四所述當初步判斷為有心臟性疾病患病征兆時，服務器將心電頻率節(jié)律信息從存儲單元中讀取出來，送入到深度學習模型二至n進行篩選評價，返回給用戶具體類別心臟性疾病風險的報告單，指導用戶及時就醫(yī)。

本發(fā)明中，服務器中存儲的數據有深度學習模型一至n，上傳的原始心電信號，小波分析后心電頻率節(jié)律信息，用戶上傳的個人信息及聯(lián)系方式。

本發(fā)明中，服務器具有對深度學習模型一至n再訓練的功能。

本發(fā)明中，服務器具有信息交互的功能。

本發(fā)明中，服務器存儲的心電數據可以在線查看，幫助醫(yī)生對心臟性疾病的進一步確診。

本發(fā)明的有益效果是，深度學習算法能夠非常有效地從大量有標簽數據中深度提取數據的特征信息，使得數據表達出自身更高級、更本質的描述，用于識別隱性心臟性疾病的特征，實現心臟性疾病風險性預警的高準確性；采集的心電數據上傳到服務器，利用服務器強大的運算能力，分類對不同心臟性疾病進行識別判斷，實現心臟性疾病具體類別的預警；深度學習模型一至n再訓練的功能，能夠不斷提高心臟性疾病識別預警的準確性。

附圖說明

圖1為本發(fā)明基于深度學習算法的心臟性疾病風險預警系統(tǒng)及方法結構框圖；

圖2-1為正常心電信號ecg；

圖2-2為正常心電信號經小波分析算法提取的0～4hz頻率節(jié)律信息；

圖2-3為正常心電信號經小波分析算法提取的4～8hz頻率節(jié)律信息；

圖2-4為正常心電信號經小波分析算法提取的8～16hz頻率節(jié)律信息；

圖2-5為正常心電信號經小波分析算法提取的16～32hz頻率節(jié)律信息；

圖2-6為正常心電信號經小波分析算法提取的32～64hz頻率節(jié)律信息；

圖2-7為正常心電信號經小波分析算法提取的64～128hz頻率節(jié)律信息；

圖3為深度學習模型示意圖。

具體實施方式

下面結合附圖對本發(fā)明作進一步詳細說明。

如圖1所示，本發(fā)明提供了一種基于深度學習算法的心臟性疾病風險預警系統(tǒng)，包括臨床、深度學習框架一至n、深度學習模型一至n、服務器、心電采集裝置。

具體的實施步驟為：

步驟一，臨床上獲取正常心電信號和各類心臟性疾病的心電信號，將信號分割成每段10秒的心電信號，并利用小波分析算法提取信號頻率節(jié)律信息，并將獲取到的頻率節(jié)律信息分類送入深度學習框架一至n進行訓練，相應的得到各類訓練完的深度學習模型一至n，并存儲于服務器中，其中n≥4；

步驟二，用戶佩戴可進行數據傳輸的心電采集裝置，將采集到的心電信號通過移動通訊網絡或者wifi上傳到服務器，服務器將采集到的原始心電數據利用小波分析算法提取信號頻率節(jié)律信息，原始心電信號及頻率節(jié)律信息均存儲于服務器中；

步驟三，服務器中存有訓練完成后的深度學習模型一，并具有信息交互的功能，將頻率節(jié)律信息首先送入到訓練完的正常心電頻率節(jié)律的深度學習模型一進行判別，分類的結果分為兩類。一類是無心臟性疾病患病征兆，另一類是有心臟性疾病患病征兆。當初步判斷為有心臟性疾病患病征兆時，服務器將心電頻率節(jié)律信息從存儲單元中讀取出來，送入到深度學習模型二至n進行篩選評價，即執(zhí)行步驟四。

步驟四，服務器中存有訓練完成后的深度學習模型二至n，并具有信息交互的功能，若存在心臟性疾病的征兆，將心電頻率節(jié)律信息依次送入到訓練好的各類心臟性疾病的深度學習模型中，返回給用戶具體類別心臟性疾病風險的報告單，指導用戶及時就醫(yī)；

步驟五，服務器存儲的深度學習模型一至n具有再訓練的功能，每隔一段時間，對收集到的心電數據送入深度學習模型進行再訓練。

步驟一所述將正常心電信號和各類心臟性疾病的心電信號，分割成每段10秒的心電信號，具體為采用滑動時間窗的方法將信號數據進行分段，滑動時間窗長度為10秒，滑動步長為2.5秒。

進一步的利用小波分析算法提取心電信號頻率節(jié)律信息，具體為使用daubechies正交小波基，對采集到的心電信號進行多尺度分解，實現對心電頻率節(jié)律(0～4hz、4～8hz、8～16hz、16～32hz、32～64hz、64～128hz)的提取。

daubeehies構造緊支集標準正交小波基的方法依賴于下述方程，如(2)所示：

p(y)＝pn(y)+yⁿr(y)(2)

其中n為自然數，是y的奇次多項式。在daubeehies的構造中，選取r≡0，此時p(y)＝pn(y)。

進一步的將獲取到的正常心電信號及各類心臟性疾病心電信號的頻率節(jié)律信息送入深度學習框架一至n進行訓練，深度學習框架一至n采用tensorflow，相應的得到訓練完的深度學習模型一至n，其中n≥4，具體為：

1)將采集并進行預處理得到的正常心電信號及各類心臟性疾病心電信號的頻率節(jié)律信號作為訓練數據存儲于計算機中；

2)前向傳播，將樣本數據直接輸入網絡的第1層即輸入層，經過中間各隱層，逐層變換，逐層映射，直到輸出層；第l層的第j個特征矩陣xi，j如式(1)所示：

式中：mj表示作為輸入的前一層特征矩陣xl-1，j集合，bl，j表示特征矩陣xl，j的偏置，wl，j表示特征矩陣xl，j的一個權值。

3)反向傳播，用有標簽的原始數據，進一步對整個多層網絡模型的參數進行有監(jiān)督調優(yōu),即在反向傳播學習過程中進行權值wl，j更新。

4)得到訓練完成后深度訓練模型一至n，作為心電特征信號識別判斷的依據存儲于服務器中。

患者通過佩戴帶有數據傳輸功能的心電采集裝置，使用目前市場上能獲得的，滿足信號采集質量要求，能使用移動通訊網絡或wifi進行數據傳輸的裝置。

進一步的傳輸的數據經小波分析提取其頻率節(jié)律信息，原始信號及頻率節(jié)律信息均存儲于服務器中。通過移動通訊網絡或者wifi上傳到服務器，服務器將采集到的原始心電數據利用小波分析算法提取其頻率節(jié)律信息。

服務器存儲的心電數據可以在線查看，幫助醫(yī)生對心臟性疾病的進一步確診。

以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不限制于本發(fā)明，對于本領域的技術人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的權利要求范圍之內。