[发明专利]一种基于心脏功能动态监控的人工智能算法模型系统及方法

权利要求书

1.一种基于心脏功能动态监测与分析的人工智能算法系统，其特征在于，所述人工智能算法系统，包括，

数据采集装置，用于采集来源于心脏振波传感器的信号，包括3轴加速度计和3轴陀螺仪的信号，共6个数据通道；

压缩感知装置，用于对采集装置的原始信号进行压缩；

压缩域计算装置，用于直接在压缩信号上进行计算，而无须数据重建；

预处理装置，用于对信号进行数字滤波和小波变换，得到二维时间-频率图；

卷积神经网络装置，用于对小波变换得到的二维时间-频率图进行自动特征提取及分类，推断出预警事件；

嵌入式人工智能算法装置，采取压缩感知的采样方式，直接在压缩信号上进行数据处理操作；数字滤波和小波变换等预处理和特征提取技术可以转换为矩阵变换；原始信号为列向量x，变换矩阵为H，提取的特征向量为y，则有：；

当嵌入式人工智能算法装置采取压缩感知+压缩域计算方式时，基于心脏振动信号在小波变换基下的稀疏状态，可采用压缩感知对数据进行压缩，过程如下：

步骤一：采集长度为N的原始信号，作为列向量xN×1，即：

；

步骤二：构造观测矩阵ΦM×N (MN) ，采用二元置换块对角矩阵，该矩阵有2M个1元素，其余元素均为0，

；

步骤三：计算压缩信号Φx：

。

2.根据权利要求1所述基于心脏功能动态监测与分析的人工智能算法系统，其特征在于，所述嵌入式人工智能算法装置采取压缩信号上直接进行滤波和特征提取操作，无需进行数据重建，此时的变换矩阵可以由变换得到：

其中S和V为奇异值分解得到的矩阵：

。

3.根据权利要求1所述基于心脏功能动态监测与分析的人工智能算法系统，其特征在于，所述预处理装置，首先对压缩域振动信号进行数字带通滤波，去除呼吸、人体活动及仪器噪音等的影响；然后采用连续小波变换，选取morlet小波基，有利于多尺度、多分辨率地提取信号的时间-频域特征，真实反映原始信号的时频特征，形成二维的时间-频率图，便于后续的卷积神经网络的特征提取。

4.根据权利要求1所述基于心脏功能动态监测与分析的人工智能算法系统，其特征在于，所述卷积神经网络装置，基于残差网络ResNet建立一个至少10层的卷积神经网络，每个卷积层后面连接一个批量归一化层BN，然后采用线性整流单元ReLu进行非线性变换。

5.根据权利要求1所述基于心脏功能动态监测与分析的人工智能算法系统，其特征在于，所述卷积神经网络装置为14层的卷积神经网络，该网络包含6个残差块，每个块有2个卷积层；卷积核大小固定为3×3，卷积核个数为8k，其中k初始值为1，以后每增加一个残差块k增加1，即第1个残差块的卷积核个数为8，第6个残差块的卷积核个数为48；每一个残差块会对输入进行2倍下采样，同时旁路的残差连接也通过最大值池化max-pool的方法进行2倍下采样，保证维度一致，然后将对应元素相加，作为下一层的输入；经过6个残差块后，网络输出维度将减小为输入图像的1/26；最后一个卷积层输出的特征图会被重整为1维向量，经过一个全连接层，最后通过归一化指数函数Softmax函数输出各个诊断分类的归一化概率值，取概率最大值所对应的诊断为网络的最终输出结果。

6.一种根据权利要求1~5中任一所述基于心脏功能动态监测与分析的人工智能算法系统的应用装置，其特征在于，通过所述人工智能算法装置对来自传感器的信号进行计算、分析、特征提取、模式识别与分类，给出诊断结果，包括下列配置：

（1）通过数据采集装置，采集来源于心脏振波传感器的信号，包括3轴加速度计和3轴陀螺仪的信号，共6个数据通道；

（2）通过所述压缩感知装置，对采集装置的信号进行压缩；

（3）通过压缩域计算装置，直接在压缩信号上进行计算，而无须数据重建；

（4）通过所述预处理装置，对信号进行数字滤波和小波变换，得到信号的二维时间-频率图，数字滤波如采用带通巴特沃斯滤波器，通带频率1~45Hz；

（5）通过所述卷积神经网络装置，自动对二维时间-频率图像进行特征提取和识别，推断出预警事件。