[发明专利]一种基于深度学习早停机制的左心室肥大检测方法及系统

权利要求书

1.一种基于深度学习早停机制的左心室肥大检测方法，其特征在于，包括以下步骤：

S1，采集病人处于静息状态下的12导联心电信号得到训练集；

S2，判断每条心电信号，若为非左心室肥大，则心电标签向量为[0]，若心电信号为左心室肥大，则心电标签向量为[1]，每条心电信号分别对应一个心电标签向量后形成标签集；

S3，利用卷积神经网络模型对所述标签集进行训练得到训练模型；

S4，依次输入12个导联的心电信号到训练好的训练模型，训练模型根据该心电信号预测出心电标签向量；若输出大于0.5，则判定该心电信号为左心室肥大；若输出不大于0.5，则判定该心电信号为非左心室肥大。

2.根据权利要求1所述的基于深度学习早停机制的左心室肥大检测方法，其特征在于，所述S1具体包括：采集不少于22000条处于静息状态下病人的12导联心电信号，采样频率为500hz，每条心电信号的长度为10s，将这些数据作为数据集。

3.根据权利要求1所述的基于深度学习早停机制的左心室肥大检测方法，其特征在于，在所述S1之后且在S2之前还包括：对训练集中的每一条心电信号进行预处理，进行小波函数去噪声，其次将滤完波后的每一条心电信号按照导联顺序重新拼接到一起。

4.根据权利要求1所述的基于深度学习早停机制的左心室肥大检测方法，其特征在于，所述S2具体包括：每条心电信号都经过至少两名专业的心内科医生确定心电标签，若是两名心内科医生的意见不一致，则通过第三名心内科医生确定该心电数据的心电标签。

5.根据权利要求1所述的基于深度学习早停机制的左心室肥大检测方法，其特征在于，所述卷积神经网络模型为：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层，第一全连接层，第二全连接层；

其中，第一卷积层为16个步长为1大小均为8的一维卷积核，第二卷积层为32个步长为1大小均为8的一维卷积核，第三卷积层为64个步长为1大小均为4的一维卷积核，第四卷积层为128个步长为1大小均为2的一维卷积核。第一池化层，第二池化层，第三池化层，第四池化层都采用最大池化，核的大小和步长均为2。

将第四池化层输出的结果通过第一层神经元个数为128全连接层，激活函数为ReLU函数；将第一全连接层的输出的结果，输入神经元个数为1的第二层全连接层，激活函数设定为Sigmoid函数，卷积神经网络输出为一个预测的心电标签向量[h_w]。

6.根据权利要求1所述的基于深度学习早停机制的左心室肥大检测方法，其特征在于，所述S3中训练步骤为：

(1)初始化卷积神经网络权重和偏移；

(2)更新权重和偏移；

(3)判断当前状态满足以下条件时则停止：(a)达到已经设定的一个很大的循环次数；(b)准确率连续10次循环未上升。

7.根据权利要求6所述的基于深度学习早停机制的左心室肥大检测方法，其特征在于，所述更新权重和偏移的算法为随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法或Adamax算法。