一种基于深度特征的脉搏波冠心病风险预测系统的制作方法
本发明涉及冠心病预测,更具体地说,涉及一种基于深度特征的脉搏波冠心病风险预测系统。
背景技术:
1、冠心病特点是“有明确诱因、症状典型、高危人群集中、能诊断能控制但需长期管理”,关键在于“早发现、早干预”,避免拖到心梗。光电容积图是基于光电转换测量血液容积变化的技术。
2、目前冠心病的诊断和预测主要依赖临床检测手段:心电图、血液检查,冠状动脉cta或冠状动脉造影等;针对冠心病计算机辅助诊断和预测的检测算法均是对临床检测图像进行深一步的计算机分析,其主要缺点在于具有检查成本高昂、流程繁琐、使用单一算法预测精度有限,难以进行简单、快速、大面积的早期筛查、诊断以及预后评估随访等。ppg信号的心血管检测技术具有无创、便携、低成本但现有技术存在不足之处。首先,特征提取方式单一且依赖人工先验知识。仅对ppg信号做一维时域处理,或进一步提取心率变异性(hrv)、功率谱密度等手工设计的统计特征。这些特征高度依赖临床医生的先验知识,开发周期长,难以全面捕捉波峰切迹、重搏波消失等非线性的、高维的、隐匿的病理细节,本质上是一种“浅层”的信号分析方式。此外,这类方法通常采用单一回归模型(如随机森林回归),其预测精度受限于手工特征的质量和完备性。其次,一些多传感器融合方案增加了系统复杂性与使用成本。要同时依赖于ecg传感器、ppg传感器等。这增加了硬件成本和功耗,专业要求度高,限制了其在大规模、日常场景下的应用普及。最后,缺乏一体化、高精度的端到端预测流程,仅进行二分类风险判断(有病/无病),无法提供细粒度的风险等级(低/中/高);难以在低功耗的便携设备上实现实时预测;丢失了ppg信号中宝贵的频域相位信息,导致对早期、轻微的血流动力学异常不敏感。总之,对ppg做一维时域处理,易丢失波峰切迹、重搏波消失等关键病理细节;采用单一深度学习模型或传统机器学习模型,预测精度与鲁棒性不足;缺乏高精度采集,抗干扰去噪,时频特征增强,集成采集决策的一体化系统等。
3、为解决上述问题,本发明提出一种基于深度特征的脉搏波冠心病风险预测方法与系统,其核心为避免手工设计特征,转而利用深度卷积神经网络从二维时频图谱中自动挖掘深度病理特征,并构建深度特征提取器+传统机器学习分类器的异构串行架构,以实现简单、准确、快速、低成本的冠心病大规模筛查。
技术实现思路
1、有鉴于此,本发明目的是提供一种基于深度特征的脉搏波冠心病风险预测系统。为了解决上述技术问题,本发明的技术方案是:一种基于深度特征的脉搏波冠心病风险预测系统,包括:
2、接触式脉搏采集器,用于采集目标的脉搏波光电容积图;
3、预处理模块,用于处理脉搏波光电容积图以获得一维表征时序矩阵;
4、映射转换模块,根据预先构建的二维时频映射关系将一维表征时序矩阵映射为二维表征时频矩阵;
5、特征提取模块,根据预设的二维卷积神经网络提取二维表征时频矩阵中的冠心病特征;
6、模型分析模块,配置有病情分析模型,所述病情分析模型用于根据冠心病特征生成对应的诊断结果信息。
7、进一步地:所述预处理模块配置有带通滤波处理单元,所述带通滤波处理单元用于处理脉搏波光电容积图中的噪声数据,所述带通滤波处理单元配置有巴特沃斯带通滤波器。
8、进一步地:所述映射转换模块配置有时频变换算法,所述时频变换算法配置为使用使用sym2小波基进行3层小波分解算法。
9、进一步地:所述二维卷积神经网络的特征提取层包括三层执行子层与一层capm模块,每一执行子层包括有卷积模块、批量归一化模块、relu激活模块、最大池化模块,capm模块由时频形态卷积分支与心动周期感知的时频注意力分支组成。
10、进一步地:所述卷积模块配置有执行表达式,所述执行表达式为:;
11、其中,为输入的二维时频特征图谱;为卷积核权重矩阵;(i, j)为输出特征图的坐标位置;(m,n)为卷积核内部的遍历索引;ii+m,j+n为输入特征图在对应位置的像素值;km,n为卷积核在对应位置的权重值;∗表示二维卷积运算。
12、进一步地:所述时频形态卷积分支包含沿时间轴的主峰圆钝卷积核、上升支速率卷积核、重搏波微结构卷积核及频带能量衰减卷积核。
13、进一步地:心动周期感知时频注意力分支包括时间门控与频率注意力;时间门控由沿频率轴全局池化+时序cnn+sigmoid生成时间权重;频率注意力由沿时间轴全局池化+两层全连接+sigmoid生成频率权重;两权重外积形成注意力掩模以增强关键时频区域特征。
14、进一步地:还包括模型训练模块,所述模型训练模块用于训练所述病情分析模型,所述模型训练模块配置有训练策略,所述训练策略包括交叉验证子策略。
15、进一步地:所述病情分析模型配置有非线性的随机森林分类器。
16、本发明技术效果主要体现在以下方面:(1)通过使用接触式脉搏波光电容积图可以做到无创、简单、大面积的冠心病预警筛查以及预后评估;提高了患者的接受度,减轻了医疗资源的负担,同时避免了传统方法检测成本高、不及时的缺点。通过本发明提出的检测系统,利用简单易采集的脉搏波获取二维时频矩阵,构建了融合capm的二维卷积神经网络结合机器学习分类器的模型,提高了冠心病的早期筛查的灵敏度与精度,在患者没有明显的身体症状时,实现冠心病的预测,进而干预保护患者的生命健康。(2)本技术方案中,采用时频变换的方法将脉搏波一维时序矩阵转换为二维时频矩阵,时频变换可以将原始时序脉搏波的数据扩展到时频域,增加不同尺度下的特征信息,通过融合capm二维卷积神经网络可以同时关注时域与频域之间的特征关系,细节捕捉冠心病在ppg上表现的病理特点,由此提高神经网络对脉搏波数据中的冠心病特征的提取精度。(3)通过将二维时频矩阵输入至融合capm的二维卷积神经网络进行特征提取后,将神经网络提取的特征输入至机器学习模型,进一步提高模型的预测精度与预测效率,实现了不同角度下的综合预测。相比单一一维时域矩阵或者进以来深度学习模型,本技术方案大大提高了模型在冠心病预测方面的准确度与灵敏度。同时轻量分类器可以适配嵌入式设备,实现秒级预测。基于接触式脉搏波光电容积图进行冠心病的发病风险预测,将一维脉搏波光电容积数据转换为二维时频矩阵,融合深度学习与机器学习提高预测精度。将冠心病的预防时间前移,可以实现简单、快速、经济、大范围的冠心病筛查与预警,大幅度提高冠心病筛查的普及率,保护人体生命健康。
1.一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于:包括:
2.如权利要求1所述的一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于:所述预处理模块配置有带通滤波处理单元,所述带通滤波处理单元用于处理脉搏波光电容积图中的噪声数据,所述带通滤波处理单元配置有巴特沃斯带通滤波器。
3.如权利要求1所述的一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于:所述映射转换模块配置有时频变换算法,所述时频变换算法配置为使用使用sym2小波基进行3层小波分解算法。
4.如权利要求1所述的一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于:所述二维卷积神经网络的特征提取层包括三层执行子层与一层capm模块,每一执行子层包括有卷积模块、批量归一化模块、relu激活模块、最大池化模块,capm模块由时频形态卷积分支与心动周期感知的时频注意力分支组成。
5.如权利要求4所述的一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于:所述卷积模块配置有执行表达式,所述执行表达式为:;
6.如权利要求4所述的一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于,所述时频形态卷积分支包含沿时间轴的主峰圆钝卷积核、上升支速率卷积核、重搏波微结构卷积核及频带能量衰减卷积核。
7.如权利要求4所述的一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于,心动周期感知时频注意力分支包括时间门控与频率注意力;时间门控由沿频率轴全局池化+时序cnn+sigmoid生成时间权重;频率注意力由沿时间轴全局池化+两层全连接+sigmoid生成频率权重;两权重外积形成注意力掩模以增强关键时频区域特征。
8.如权利要求1所述的一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于:还包括模型训练模块,所述模型训练模块用于训练所述病情分析模型,所述模型训练模块配置有训练策略,所述训练策略包括交叉验证子策略。
9.如权利要求8所述的一种基于深度特征的脉搏波冠心病风险预测系统,其特征在于:所述病情分析模型配置有非线性的随机森林分类器。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com