[发明专利]一种基于深度学习的心脏性猝死辅助预警装置

说明书

本发明涉及一种基于深度学习的心脏性猝死辅助预警装置，包括心电采集模块、图像预处理模块、模型判断模块和异常报警模块，所述的心电采集模块通过图像预处理模块与模型判断模块连接，所述的模型判断模块与异常报警模块连接；所述的心电采集模块实时采集心电图并发送给图像预处理模块，所述的图像预处理模块利用滑动窗口取ROI区域，并将ROI区域输入到模型判断模块，所述的模型判断模块内嵌的基于深度学习的卷积神经网络模型对输入数据进行判断，如果判定为异常心电，异常心电数目ycount增加1，当ycount数量为3时，所述的模型判断模块控制异常报警模块进行及时报警。与现有技术相比，本发明具有准确率和灵敏度高等优点。

技术领域

本发明涉及一种医疗器械设备，尤其是涉及一种基于深度学习的心脏性猝死辅助预警装置。

背景技术

心脏性猝死(Sudden Cardiac Death，SCD)是一种严重危害人类健康的疾病，世界每年因此病猝死的患者约有1200万，其中SCD占75％。在发展中国家的心脏疾病导致的死亡事件中，心脏性猝死所占的比例约为50％。在我国每年死于心脏性猝死的总人数更是高达50余万人，平均每分钟就有3人因心脏原因发病死亡。我国心脏性猝死的现状严峻而不容乐观，这不仅因每年猝死总人数居世界之首，而且引发猝死的多种因素如社会人口的老龄化、各种心血管病发病率未被有效控制并有加重趋势，心脏性猝死对我国公众健康和经济发展具有很大的危害性。

由荷兰生理学家Einthoven首次应用于临床心脏病诊断的人体心电图(ECG)是心脏电活动在体表的综合表现，其中蕴涵着的生理和病理信息能反映出心脏节律和电传导情况，通过监测患者的心电图可以发现当出现心脏不适时的心电异常表现。它与血糖、血压一起被列为心脑血管疾病监测和诊断的最重要三个指标，在临床上广泛使用。

卷积神经网络的研究历史可以追溯到上个世纪60年代，它采用了三种基本概念来帮助改进机器学习系统：局部感受野(local receptive fields)、共享权重(sharedweights)和池化降维(pooling)，由于以上的特点，卷积神经网络对平移、比例缩放等变换可以保持高度不变性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的心脏性猝死辅助预警装置。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的心脏性猝死辅助预警装置，包括心电采集模块、图像预处理模块、模型判断模块和异常报警模块，所述的心电采集模块通过图像预处理模块与模型判断模块连接，所述的模型判断模块与异常报警模块连接；

所述的心电采集模块实时采集心电图并发送给图像预处理模块，所述的图像预处理模块利用滑动窗口取ROI区域，并将ROI区域输入到模型判断模块，所述的模型判断模块内嵌的基于深度学习的卷积神经网络模型对输入数据进行判断，如果判定为异常心电，异常心电数目ycount增加1，当ycount数量为3时，所述的模型判断模块控制异常报警模块进行及时报警。

优选地，所述的基于深度学习的卷积神经网络模型构建为：利用深度学习技术设计了一个应用于心脏性猝死辅助预警的卷积神经网络架构，并在正常窦性心律数据库nsrdb和突发心脏病死亡数据库sddb的基础上对心电波形进行处理归纳，通过数据增强建立了训练测试集，从而来训练卷积神经网络模型，利用训练的卷积神经网络模型对测试数据进行测试。

优选地，所述的卷积神经网络模型输入图像为32×32。

优选地，所述的卷积神经网络模型共有4组网络块组成，前3组采用5×5的卷积核，第4组采用3×3的卷积核。