一种基于神经网络的驾驶员心脏健康状态分类诊断方法与流程

1.本发明属于健康监测领域，具体涉及一种基于神经网络的驾驶员心脏健康状态分类诊断方法。


背景技术：

2.传统的心脏健康监测方式，例如十二导联心电监测等无法有效实时、日常对驾驶员心脏健康状态进行监测。同时，采集得到的心电数据需要经由专业医务人员诊断分析，所以心脏健康检测过程需要脱离日常驾驶场景，并且出于实际情况，无法在检测频次上保证，在检测成本费用上对驾驶员也是一种负担。如此一来，低频率、不易实施的心脏健康检测增加了驾驶员突发健康问题的风险，往往会造成对驾驶员健康状态的忽视。
3.利用基于车载心电监测设备的驾驶员日常心脏健康状态分类诊断方法对驾驶员的日常健康状态进行监测，是降低驾驶员健康风险最有效的方式之一，持续检测解决方案能够有效的避免日常驾驶过程中突发健康问题。


技术实现要素：

4.本发明提供了一种基于神经网络的驾驶员心脏健康状态分类诊断方法，用以解决驾驶员日常驾驶过程中心电数据无法实时、自动分类诊断的问题。
5.为解决上述问题，本发明具体提供的技术方案为：一种基于神经网络的驾驶员心脏健康状态分类诊断方法，包括如下步骤：当云端算法服务器获取到心电监测数据后，
6.首先云端服务器会先调用预处理算法对心电监测数据进行滤波进而提升心电监测数据的质量；
7.再者以信噪比为标准自行选取心电监测数据中信噪比最大的心电信号片段；
8.最后利用统计学习方法以及信号时频域的相关方法对预处理后的心电信号片段计算相关专家特征供后续深度学习模型诊断使用；
9.云端服务器完成预处理算法后，会调用基于深度学习的分析诊断算法来检测驾驶员的心脏健康水平。
10.进一步，所述深度学习模型中深度学习分析诊断算法由三部分组成：
11.第一部分由前馈神经网络对之前提取的专家特征做进一步地特征融合；
12.第二部分由改进的一维resnet对预处理的心电信号进行端到端地特征提取，之所以采用一维神经网络是因为心电信号本质为一维时序数据，采用一维神经网络能够较好地捕捉心电信号中的时序特征，这类时序特征对于诊断房颤以及早搏有很大的作用，同时在一维神经网络中每层网络设计不同尺度的卷积核来端到端地提取心电信号中的不同的特征，再者在一维神经网络架构中嵌入resnet的跳接结构，使得一维神经网络能够避免梯度衰减的问题进而整体提升算法的诊断精度；
13.第三部分综合前面两者所得到的融合特征进行决策分析，将不同特征的心电信号以概率的形式映射至驾驶员心脏健康状态，给出“正常”、“竖支阻塞”、“窦性心律”、“房颤”、“心梗”分类诊断结果。
14.进一步，所述深度学习模型中产生数据通过以下步骤处理：云端算法服务器搭载两部分的处理算法，预处理算法首先对原始心电数据进行滤波清洗进而较大程度地提升心电信号的质量，对信号f(t)，进行如下的变换：
[0015][0016]
式中，ξ(ξ》0)、分别是对于母小波的缩放、平移因子。
[0017]
进一步，心电信号中选取信噪比最大的心电片段，将高信噪比的心电片段作为深度学习模型的输入进而分析诊断。
[0018]
进一步，输入的心电片段经由深度学习模型进行分析诊断的具体过程如下：
[0019]
s31:心电片段首先输入到卷积层进行卷积操作，实现心电数据的压缩和特征提取，卷积层的计算如下：
[0020][0021]
其中，ψ
jl
是第l层的第j个特征映射的激活值，γj是该层的特征图谱的数量，ψ
il-1
是第l层的第j个特征映射，φ
ijl
为权重矩阵，q
jl
是偏置项，“*”为卷积算子，y(
·
)为非线性激活函数。
[0022]
进一步，通过卷积层计算得到的特征通过最大池化层进行特征尺寸的压缩，得到特征fm，旨在降低模型需要训练的参数量，避免过拟合现象的发生，最大池化层计算过程如下：
[0023][0024]
其中，为下采样函数，为最大池化操作后的特征值。
[0025]
进一步，特征fm通过双重残差模块作进一步特征提取，双重残差模块的具体过程如下：
[0026]
特征fm首先经过残差块进行特征提取，并将提取的特征与fm进行特征对应位置元素相加计算，得到特征
[0027][0028]
随后输入到残差块中作进一步特征提取，得到特征并采用跳连接的方式将得到的特征与fm进行特征对应位置元素相加计算，得到特征
[0029][0030]
其中，表示矩阵对应位置元素相加计算。
[0031]
进一步，通过双重残差模块得到的特征依次流经最大池化层和全连接层，得到最终的诊断结果。
[0032]
本发明涉及一种基于神经网络的驾驶员心脏健康状态分类诊断方法，特别适用于驾驶过程中驾驶员日常健康状态分类诊断。本发明针对驾驶员日常驾驶过程中突发心脏健康问题以及长期日常心脏健康问题无法诊断监测，提出了一套切实可行的技术解决方案。
附图说明
[0033]
图1为本发明流程结构示意图。
具体实施方式
[0034]
如图1所示，一种基于神经网络的驾驶员心脏健康状态分类诊断方法，方法过程包括如下步骤：
[0035]
当云端算法服务器获取到心电监测数据后，首先云端服务器会先调用预处理算法对心电监测数据进行滤波进而较大程度地提升心电监测数据的质量，再者以信噪比为标准自行选取心电监测数据中信噪比最大的心电信号片段，最后利用统计学习方法以及信号时频域的相关方法对预处理后的心电信号片段计算相关专家特征(例如心电信号的rr间隔，qrs复合体的宽度等)供后续深度学习模型诊断使用。云端服务器完成预处理算法后，会调用基于深度学习的分析诊断算法来检测驾驶员的心脏健康水平。
[0036]
深度学习分析诊断算法由三部分组成：
[0037]
第一部分由前馈神经网络对之前提取的专家特征做进一步地特征融合；
[0038]
第二部分由改进的一维resnet对预处理的心电信号进行端到端地特征提取，之所以采用一维神经网络是因为心电信号本质为一维时序数据，采用一维神经网络能够较好地捕捉心电信号中的时序特征，这类时序特征对于诊断房颤以及早搏有很大的作用，同时在一维神经网络中每层网络设计不同尺度的卷积核来端到端地提取心电信号中的不同的特征，再者在一维神经网络架构中嵌入resnet的跳接结构，使得一维神经网络能够避免梯度衰减的问题进而整体提升算法的诊断精度；
[0039]
第三部分综合前面两者所得到的融合特征进行决策分析，将不同特征的心电信号以概率的形式映射至驾驶员心脏健康状态，给出“正常”、“竖支阻塞”、“窦性心律”、“房颤”、“心梗”分类诊断结果。
[0040]
在具体实施时，在执行本发明提供的上述数据处理方法中的步骤。
[0041]
步骤一：云端算法服务器搭载两部分的处理算法，预处理算法首先对原始心电数据进行滤波清洗进而较大程度地提升心电信号的质量，对信号f(t)，进行如下的变换：
[0042][0043]
式中，ξ(ξ》0)、分别是对于母小波的缩放、平移因子。
[0044]
步骤二：其次在心电信号中选取信噪比最大的心电片段，最后将高信噪比的心电片段作为深度学习模型的输入进而分析诊断。云端服务器搭载的深度学习算法能够端到端地提取原始心电信号中的表征，同时也利用部分专家特征进行辅助诊断，最后根据神经网络所学习的特征以及专家特征进行分析诊断进而解析出驾驶员心脏健康状态，云端服务器模型的最终诊断结果被下发至智能无线通信终端(app端)。
[0045]
所述的基于车载心电监测设备的驾驶员日常心脏健康状态分类诊断方法，其特征在于所述步骤s3中，输入的心电片段经由深度学习模型进行分析诊断的具体过程如下：
[0046]
s31:心电片段首先输入到卷积层进行卷积操作，实现心电数据的压缩和特征提取，卷积层的计算如下：
[0047][0048]
其中，ψ
jl
是第l层的第j个特征映射的激活值，γj是该层的特征图谱的数量，ψ
il-1
是第l层的第j个特征映射，φ
ijl
为权重矩阵，q
jl
是偏置项，“*”为卷积算子，y(
·
)为非线性激活函数。
[0049]
s32：将通过卷积层计算得到的特征通过最大池化层进行特征尺寸的压缩，得到特征fm，旨在降低模型需要训练的参数量，避免过拟合现象的发生，最大池化层计算过程如下：
[0050][0051]
其中，为下采样函数，为最大池化操作后的特征值；
[0052]
s33：特征fm通过双重残差模块作进一步特征提取，双重残差模块的具体过程如下：
[0053]
s331：特征fm首先经过残差块进行特征提取，并将提取的特征与fm进行特征对应位置元素相加计算，得到特征
[0054][0055]
s332：随后输入到残差块中作进一步特征提取，得到特征并采用跳连接的方式将得到的特征与fm进行特征对应位置元素相加计算，得到特征
[0056][0057]
其中，表示矩阵对应位置元素相加计算；
[0058]
s34：将通过双重残差模块得到的特征依次流经最大池化层和全连接层，得到最终的诊断结果。