[发明专利]一种基于深度学习算法的心脏性疾病风险预警系统及方法

说明书

技术领域

本发明涉及心脏性疾病风险预警系统及方法，尤其涉及一种基于深度学习算法的心脏性疾病风险预警系统及方法。

背景技术

心脏作为全身血液工作的重要器官，对于我们身体状态的维持有重要的作用。人体心脏的活动过程可以在体表以电流的方式反映出来，采用一定的检测仪器将这种心电信号记录下来即为心电图(electrocardiogram，ECG)。医院普通的心电检查仅能纪录受检者处于静态的且为时甚短的心电信号，这种检查不易发现隐藏着的心脏性疾病，因此，长时心电监护成为发现隐藏着的心脏性疾病的重要手段。

长时心电监护带来巨大的心电数据量，由于医院的资源有限，无法做到对众多可疑的心脏病人或用户同时实行有效的监护，因此，利用相关算法进行心电数据分析，对用户进行心脏性疾病风险性预警，可大大节约社会资源，从而达到保健和预防疾病的目的。

心脏性疾病的风险预警在于对心电信号实时分析识别，传统的识别算法在对特征提取的过程中往往需要人为设计，易发生漏检、误判等常见弊病。深度学习与传统模式识别方法的最大不同在于它是从大数据中自动学习特征，而非采用手工设计的特征。深度学习能够非常有效地从大量有标签数据中深度提取数据的特征信息，充分挖掘数据的内在属性和有价值的表征数据，然后组合低层特征为更加抽象的高层特征，而高级特征则是数据更高级、更本质的描述，由此可以在分类问题上得到更优的结果。

中国专利申请201510522644.1提出了“一种实时心脏监控、报警及救援系统及方法”，算法的好坏是该系统实现监控、报警及救援的决定性因素。虽然该系统及方法具有完整系统流程，但在具体实施算法—智能专家算法上存在较大的不足。具体为：一是知识获取困难，人类专家不能明确的将他所用到的规则罗列出来，也很难确切的表达出他们用到的真正有效的知识，从而导致系统预警的不准确；二是专家系统是基于规则的系统，不具备记忆功能，且无法记忆本身的错误，因此注定在今后要犯同样的错误，从而导致系统预警效率的低下、人工维护成本高；三是专家系统不是鲁棒系统，如果专家系统对于一个问题找不到任何匹配的规则，系统无法给出任何结论，从而导致系统预警的不稳定性。

综上所述，如何克服现有技术的不足已成为心脏性疾病风险预警技术领域中亟待解决的重大难题之一。

发明内容

本发明针对现有心脏性疾病预警方法中存在的虚警率高、效率低以及稳定性差的缺陷，提出了一种基于深度学习算法的心脏性疾病风险预警系统及方法。

本发明公开了一种基于深度学习算法的心脏性疾病风险预警系统，包括临床、深度学习框架一至N、深度学习模型一至N、服务器、心电采集装置；

临床上获取正常心电信号和各类心脏性疾病的心电信号，将信号分割成每段10秒的心电信号，并利用小波分析算法提取信号频率节律信息，并将获取到的频率节律信息分类送入深度学习框架一至N进行训练，相应的得到各类训练完的深度学习模型一至N，并存储于服务器中，其中N≥4；

用户佩戴可进行数据传输的心电采集装置，将采集到的心电信号通过移动通讯网络或者Wifi上传到服务器，服务器将采集到的原始心电数据利用小波分析算法提取信号频率节律信息，原始心电信号及频率节律信息均存储于服务器中；

服务器中存有训练完成后的深度学习模型一，并具有信息交互的功能，将频率节律信息首先送入到训练完的正常心电频率节律的深度学习模型一进行判别，判断是否存在心脏性疾病的征兆；

服务器中存有训练完成后的深度学习模型二至N，并具有信息交互的功能，若存在心脏性疾病的征兆，将心电频率节律信息依次送入到训练好的各类心脏性疾病的深度学习模型中，返回给用户具体类别心脏性疾病风险的报告单，指导用户及时就医；

服务器存储的深度学习模型一至N具有再训练的功能，每隔一段时间，对收集到的心电数据送入深度学习模型进行再训练。

本发明公开了一种基于深度学习算法的心脏性疾病风险预警系统及方法，包括以下步骤：

步骤一，临床上获取正常心电信号和各类心脏性疾病的心电信号，将信号分割成每段10秒的心电信号，并利用小波分析算法提取信号频率节律信息，并将获取到的频率节律信息分类送入深度学习框架一至N(N≥4)进行训练，相应的得到各类训练完的深度学习模型一至N。并存储于服务器中。

步骤二，用户佩戴可进行数据传输的心电采集装置，将采集到的心电信号通过移动通讯网络或者Wifi上传到服务器，服务器将采集到的原始心电数据利用小波分析算法提取信号频率节律信息。原始心电信号及频率节律信息均存储于服务器中。