[发明专利]一种基于确定学习与深度学习的心肌缺血危险分层方法

摘要

本发明公开了一种基于确定学习与深度学习的心肌缺血危险分层方法。本发明采集常规12导联心电图信号，基于确定学习理论对浅层心电信号蕴含的内在心电动力学特征进行神经网络建模、辨识，得到心电信号内在动态特征，运用深度学习框架下的卷积神经网络实现对心肌缺血的危险分层。本发明方法首次联合使用了确定学习动态建模方法与深度学习分类方法，并应用于心肌缺血的早期危险分层，基于常规12导联心电信号，不需附加新的检测设备，简单方便、容易操作。确定学习方法提取到对缺血状态更敏感的动态特征，而深度神经网络能够自主学习数据特征，不用进行进一步数据刻画，降低了系统的复杂度。

主权项

1.一种基于确定学习与深度学习的心肌缺血危险分层方法，其特征在于，包含如下步骤：步骤1、获取心电信号动力学动态特征：对采集得到的12导联心电数据进行确定学习动态建模，从而获得心电动力学特征数据；步骤2、数据预处理：对获得的心电动力学特征数据进行归一化处理；步骤3、构建卷积神经网络模型：构建的卷积神经网络的结构为输入层‑卷积层‑池化层‑卷积层‑池化层‑全连接层‑输出层；步骤4、训练卷积神经网络：将步骤2归一化处理好的训练集中的数据输入到步骤3构建的卷积神经网络中进行训练，训练的过程包括前向训练和反向优化；步骤5、分类识别：将步骤2归一化处理好的测试集中的心电动力学特征数据输入到训练好的卷积神经网络模型中，预测测试数据集中心肌缺血的高危个体与低危个体。