[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

说明书

本发明属于医疗领域，具体提供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，包括：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]，否则心电标签向量为[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。该方案在尽可能不影响正确率的情况下，提升心电分类的卷积神经网络的鲁棒性。

技术领域

本发明涉及医疗领域，更具体地，涉及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。

背景技术

左心室是心脏重要组成部分之一，其在机体内主要功能为接收含氧血并将其泵入至主动脉，以完成全身供血。随着高血压等病程的延长，左心室肌壁会逐渐变厚，左心室肌壁厚度或容积超过正常范围，其不仅可能加重心肌缺血，严重时还可直接导致患者死亡。过往，由于左心室肥大不容易发现，因此常常需要通过长时间的监护及人工看心电图去实现，这种方式耗时耗力。因此开发出左心室肥大辅助诊断算法尤为重要。

传统上基于模式识别对左心室肥大进行筛查。这种方式需要算法工程师决定特征，对工程师的数学知识、医学知识都有较高要求。近年来得益于深度学习算法的发展，深度神经网络在左心室肥大分类任务表现出巨大应用潜力。采用大量数据训练深度学习网络，网络泛化能力得到明显增强，使得深度学习算法具有了潜在的实际应用价值。但是，在当前深度神经网络在左心室肥大分类中，一般早停法来提升鲁棒性的方案结果不理想，分类效果不稳定。目前现有使用的神经网络鲁棒性不够强，从而具有在测试样本、特别是与训练样本数据分布不同时的测试样本上分类效果不佳的缺点。

发明内容

本发明针对现有技术中存在的现有使用的神经网络鲁棒性不够强，从而具有在测试样本、特别是与训练样本数据分布不同时的测试样本上分类效果不佳的缺点的技术问题。

本发明提供了一种基于深度学习早停机制的左心室肥大检测方法，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。

可选地，所述S1具体包括：采集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。

可选地，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。

可选地，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。

可选地，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；