CN114159071A - 一种基于心电图像的帕金森预测智能化方法及*** - Google Patents
一种基于心电图像的帕金森预测智能化方法及*** Download PDFInfo
- Publication number
- CN114159071A CN114159071A CN202111580521.5A CN202111580521A CN114159071A CN 114159071 A CN114159071 A CN 114159071A CN 202111580521 A CN202111580521 A CN 202111580521A CN 114159071 A CN114159071 A CN 114159071A
- Authority
- CN
- China
- Prior art keywords
- parkinson
- neural network
- convolutional neural
- data
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Software Systems (AREA)
- Neurosurgery (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Developmental Disabilities (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于心电图像的帕金森预测智能化方法及***。该方法主要步骤:第一步,获取心电图图像以及其相关资料数据;第二步,对获取图像进行筛选、预处理;第三步,将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;第四步,对训练的卷积神经网络的参数进行优化,对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;最后,利用经过检测的卷积神经网络模型对帕金森进行预测。本发明采用人工智能判读心电图,可快速而准确地提取超出人类医生眼力极限的心电图隐藏信息并进行分类,迅速无创地筛查帕金森病,提高帕金森诊断的效率和准确率,降低医疗成本,易于向基层推广。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于心电图像的帕金森预测智能化方法及***。
背景技术
帕金森病是影响老年人健康的最常见的进行性神经退行性疾病之一,在50-59岁人群中,发病率为17.4人/每10万人,在70-79岁人群中,发病率为93.1人/每10万人,终身患病风险在1.5%左右,据统计,中国有将近300万的帕金森病患者,占全球帕金森病患者的一半,是世界上该病患者最多的国家。随着我国逐渐步入老龄化社会,帕金森的发病率将进一步呈上升的趋势,同时帕金森致残率也很高,给患者、患者家庭以及社会都带来了沉重的负担。
目前,帕金森病没有彻底治愈的办法,但如果早期发现、***治疗,可以控制病情并延缓进程进而改善患者生活质量。因此,为了减少帕金森对家庭和社会造成的巨大经济负担、提高患者生活质量,对帕金森进行早期诊断和有效治疗势在必行。帕金森的诊断和治疗方法的改进与创新一直以来是该领域研究的难点和热点。传统帕金森的诊断多数需要医生对病人的临床症状进行临床诊断才能确诊,其诊断结果同质性欠佳。诊断过程效率较低、疾病的早期症状不明显时容易导致遗漏。
卷积神经网络(CNN)是具有卷积计算的前馈神经网络,是深度学习中最具代表性的算法之一。它于1989年首次提出,是最基本且最常用的深度学习方法,最早应用在语音识别上。随着大数据时代的到来,卷积神经网络近年来在图像识别、车牌识别方面都有较好的应用。在人工智能理论体系日趋完善的今天,卷积神经网络被应用于医学各个领域已成为新的发展趋势,例如利用CNN对糖尿病性视网膜病变、卵巢癌肺结核的检测和分类已经显示出非常高的准确性和效率。
目前,研发智能化的早期筛查方案,不仅可以作为一种帕金森早筛的手段从而提高其诊断的准确率,将诊断趋于同质化,让专科医生及基层医生方便、快捷的掌握帕金森的诊断手段,易于推广。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统检查帕金森患者的病情方法是测定统一帕金森病评定量表(UnifiedParkinson’s Disease Rating Scale,UPDRS),诊断过程需要医生和患者共同完成,其诊断结果具有一定的主观性且同质性欠佳;
(2)由于帕金森患者行动不便,这不仅耗费患者的时间和精力,也一定程度上占用了日益紧张的医疗资源。
(3)现有技术没有利用卷积神经网络进行帕金森预测的相关技术。
解决以上问题及缺陷的难度为:
人工智能应用于帕金森预测方面的相关技术缺乏,需要大量的图像数据支持,并且整个训练过程需要神经内科专家指导。
发明内容
针对现有技术存在的问题,本发明提供了一种基于心电图像的帕金森预测智能化方法及***。
本发明是这样实现的,一种基于心电图像的帕金森预测智能化方法,主要包括以下几个步骤:
步骤一,获取帕金森组和正常对照组心电图图像以及其相关资料数据;并对获取的图像数据进行筛选;
步骤二,对筛选后的图像数据进行预处理;
步骤三,将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
步骤四,基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
步骤五,利用测试集数据对优化后的卷积神经网络进行测试,检测卷积神经网络的准确度;
步骤六,利用经过检测的卷积神经网络模型对帕金森进行预测。
进一步,在步骤一中,所述对获取的图像数据进行筛选包括:
结合获取的相关资料,排除死亡心电图(各导联中没有连续出现P-QRS-T波组的心电图)、排除心脏病患者的心电图、排除已进行心脏治疗患者的心电图、排除严重噪音或模糊或肢体导联干扰大的心电图;同时3名经过认证的神经内科专家对所有的临床资料进行评估,将患者分为帕金森组及正常对照组,排除3名专家诊断不完全一致的患者。
进一步,步骤二中,所述对筛选后的图像数据进行预处理包括:
利用PIL图像处理库切除图像边缘无效的文本信息,仅保留图像信息。
进一步,所述卷积神经网络结构包括:
第一层:输入数据为400×400×1,填充值是4,100个卷积核,卷积核大小为11×11,步长为3,得到[(400-11+2×2)/3]+1=132个特征,输出特征为132×132×100,然后进行ReLU激活函数1处理,得到132×132×100数据;
第二层:经池化层1最大池化5×5的核,步长为3,得到[(132-5+2×1)/3+1]=44个特征,得到44×44×100数据;
第三层:输入数据为44×44×100,填充值是0,150个卷积核,卷积核大小为5×5,步长为3,得到[(44-5+2×0)/3]+1=14个特征,输出特征为14×14×150,然后进行ReLU激活函2处理,得到14×14×150数据;
第四层:经池化层2最大池化3×3的核,步长为2,得到[(14-3)/2+1]=7个特征,得到7×7×150数据;
第五层:输入数据7×7×150,L2正则化后全连接,得到100个特征,然后进行ReLU激活函数5处理,再经过dropout1处理,得到150数据;
第六层:输入数据100,L2正则化后全连接,得到50个特征,然后进行ReLU激活函数6处理,再经过dropout2处理,最后得到50个特征数据。
本发明的另一目的在于提供一种实施所述基于心电图像的帕金森预测智能化方法的基于心电图像的帕金森预测智能化***。所述基于心电图像的帕金森预测智能化***包括:
心电图图像数据处理模块,用于获取帕金森组和正常组心电图图像以及其相关资料数据;对获取的图像数据进行筛选;对筛选后的图像数据进行预处理;
图像训练验证模块,用于将预处理后的图像分为训练集、测试集和验证集,并输入构建的卷积神经网络进行训练、验证;
卷积神经网络参数优化模块,用于基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
卷积神经网络准确度检测模块,用于利用测试集数据对优化后的卷积神经网络模型进行测试,检测卷积神经网络模型的准确度;
帕金森预测模块,用于利用经过检测的卷积神经网络模型对帕金森进行预测。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存储指令,所述处理器用于根据所述指令进行操作以执行上述基于心电图像的帕金森预测智能化方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被设置为运行时执行上述基于心电图像的帕金森预测智能化方法的步骤。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明公开了一种基于心电图像的帕金森预测智能化方法及***,将所有心电图图像分为训练集、验证集、测试集,对训练集进行CNN训练,并优化模型。使用验证集反馈模型检测准确度,改变网络相关参数对模型进行优化,使模型达到最优。最后将测试集数据输入模型中,获得预测评分,用以检测模型准确度。该模型实现了对帕金森的智能识别。
本发明较传统方式创新性地采用计算机智能判读心电图,使帕金森诊断趋于同质化;本发明解读心电图快速,高效;本发明通过计算机快速而准确地提取超出人类医生眼力极限的心电图隐藏信息并进行分类,迅速无创地预测帕金森,提高帕金森诊断的效率和准确率,降低医疗成本,易于向基层推广。
对比的技术效果或者实验效果。包括:
目前帕金森诊断都是依靠临床检查,临床医生的工作量巨大且同质性差,对帕金森的检测和诊断的研究有限,尚无相关医院通过计算机自动辅助诊断的方法进行帕金森的诊断。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于卷积神经网络的帕金森预测方法原理图。
图2是本发明实施例提供的基于卷积神经网络的帕金森预测方法流程图。
图3是本发明实施例提供的标准神经网络结构以及Dropout网络结构示意图。
图4是本发明实施例提供的心电图准确度评估指标-ROC曲线图。
图5是本发明实施例提供的心电图准确度评估指标-混淆矩阵。
图6是本发明实施例提供的帕金森的严重程度与评分示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于心电图像的帕金森预测智能化方法及***,下面结合附图对本发明作详细的描述。
如图1-图2所示,本发明实施例提供的基于心电图像的帕金森预测智能化方法包括以下步骤:
S101,获取帕金森组和正常对照组心电图图像以及其相关资料数据;并对获取的图像数据进行筛选;
S102,对筛选后的图像数据进行预处理;
S103,将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
S104,基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
S105,利用测试集数据对优化后的卷积神经网络进行测试,检测卷积神经网络的准确度;
S106,利用经过检测的卷积神经网络进行帕金森预测。
步骤S101中,本发明实施例提供的对获取的图像数据进行筛选包括:
结合获取的相关资料,排除死亡心电图(各导联中没有连续出现P-QRS-T波组的心电图)、排除心脏病患者的心电图、排除已进行心脏治疗患者的心电图、排除严重噪音或模糊或肢体导联干扰大的心电图;同时3名经过认证的神经内科专家对所有的临床资料进行评估,将患者分为帕金森组及正常对照组,排除3名专家诊断不完全一致的患者。
步骤S102中,本发明实施例提供的对筛选后的图像数据进行预处理包括:
利用PIL图像处理库切除图像边缘无效的文本信息,仅保留图像信息。
本发明实施例提供的卷积神经网络结构包括:
第一层:输入数据为400×400×1,填充值是4,100个卷积核,卷积核大小为11×11,步长为3,得到[(400-11+2×2)/3]+1=132个特征,输出特征为132×132×100,然后进行ReLU激活函数1处理,得到132×132×100数据;
第二层:经池化层1最大池化5×5的核,步长为3,得到[(132-5+2×1)/3+1]=44个特征,得到44×44×100数据;
第三层:输入数据为44×44×100,填充值是0,150个卷积核,卷积核大小为5×5,步长为3,得到[(44-5+2×0)/3]+1=14个特征,输出特征为14×14×150,然后进行ReLU激活函2处理,得到14×14×150数据;
第四层:经池化层2最大池化3×3的核,步长为2,得到[(14-3)/2+1]=7个特征,得到7×7×150数据;
第五层:输入数据7×7×150,L2正则化后全连接,得到100个特征,然后进行ReLU激活函数5处理,再经过dropout1处理,得到150数据;
第六层:输入数据100,L2正则化后全连接,得到50个特征,然后进行ReLU激活函数6处理,再经过dropout2处理,最后得到50个特征数据。
本发明提供一种实施所述基于心电图像的帕金森预测智能化方法的基于心电图像的帕金森预测智能化***。所述基于心电图像的帕金森预测智能化***包括:
心电图图像数据处理模块,用于获取帕金森组和正常对照组的心电图图像以及其相关资料数据;对获取的图像数据进行筛选;对筛选后的图像数据进行预处理;
图像训练验证模块,用于将预处理后的图像分为训练集、测试集和验证集,并输入构建的卷积神经网络进行训练、验证;
卷积神经网络参数优化模块,用于基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
卷积神经网络准确度检测模块,用于利用测试集数据对优化后的卷积神经网络模型进行测试,检测卷积神经网络模型的准确度
帕金森预测模块,用于利用经过检测的卷积神经网络模型对帕金森进行预测。
下面结合具体实施例对本发明的技术效果作进一步描述。
实施例:
数据集收集
收集2017年1月1日至2019年12月31日在南昌大学第二附属医院所记录到的静息卧位标准十二导联心电图。并对所有心电图进行了筛选,排除死亡心电图(各导联中没有连续出现P-QRS-T波组的心电图)、排除心脏病患者的心电图、排除已进行心脏治疗患者的心电图、排除严重噪音或模糊或肢体导联干扰大的心电图,并获取研究对象的相关资料。
帕金森诊断:
3名经过认证的神经内科专家对所有的临床资料进行评估,将患者分为帕金森组及正常对照组,排除3名专家诊断不完全一致的患者。本发明共纳入心电图图片共1318张,其中患帕金森患者图片518,非帕金森患者图片800。将数据集分为训练集(64%),验证集(16%),测试集(20%)。
图片预处理
利用PIL图像处理库切除图像边缘无效的文本信息,仅保留图像信息,将处理后的图像输入网络进行训练或测试。
卷积神经网络结构:
第一层:输入数据为400×400×1,填充值是4,100个卷积核,卷积核大小为11×11,步长为3,得到[(400-11+2×2)/3]+1=132个特征,输出特征为132×132×100,然后进行ReLU激活函数1处理,得到132×132×100数据;
第二层:经池化层1最大池化5×5的核,步长为3,得到[(132-5+2×1)/3+1]=44个特征,得到44×44×100数据;
第三层:输入数据为44×44×100,填充值是0,150个卷积核,卷积核大小为5×5,步长为3,得到[(44-5+2×0)/3]+1=14个特征,输出特征为14×14×150,然后进行ReLU激活函2处理,得到14×14×150数据;
第四层:经池化层2最大池化3×3的核,步长为2,得到[(14-3)/2+1]=7个特征,得到7×7×150数据;
第五层:输入数据7×7×150,L2正则化后全连接,得到100个特征,然后进行ReLU激活函数5处理,再经过dropout1处理,得到150数据;
第六层:输入数据100,L2正则化后全连接,得到50个特征,然后进行ReLU激活函数6处理,再经过dropout2处理,最后得到50个特征数据。
Dropout是在模型训练时随机地使网络中某些隐含层节点的权重不工作,这些节点虽然权重不工作,但是它们仍然存在于网络之中,只是暂时不更新它的权重,在下一次更新的时候,这些权重又可以再次工作。如图3所示。
下面结合实验对本发明的技术效果作进一步说明。
针对心电图预测帕金森的准确度分析
对测试集进行测试,其效果如图4-图5所示:
ROC曲线下面积(AUC)为0.920(0.880,0.950),灵敏度为0.969,特异度为0.808;
同时发现帕金森的严重程度与评分相关,如图6所示。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于心电图像的帕金森预测智能化方法,其特征在于:采用心电图自动预测帕金森患病风险,包括以下步骤:
步骤1,获取帕金森组和正常对照组心电图图像以及其相关资料数据;并对获取的图像数据进行筛选;对筛选后的图像数据进行预处理;
步骤2,将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
步骤3,基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;利用测试集数据对优化后的卷积神经网络进行测试,检测卷积神经网络的准确度;利用经过检测的卷积神经网络模型对帕金森进行预测。
2.如权利要求1所述基于心电图像的帕金森预测智能化方法,其特征在于:步骤1所述对获取的图像数据进行筛选包括:
结合获取的相关资料,排除死亡心电图、排除心脏病患者的心电图、排除已进行心脏治疗患者的心电图、排除严重噪音或模糊或肢体导联干扰大的心电图;同时3名经过认证的神经内科专家对所有的临床资料进行评估,将患者分为帕金森组及正常对照组,排除3名专家诊断不完全一致的患者。
3.如权利要求1所述基于心电图像的帕金森预测智能化方法,其特征在于:步骤1所述对筛选后的图像数据进行预处理包括:
利用PIL图像处理库切除图像边缘无效的文本信息,仅保留图像信息。
4.如权利要求1所述基于心电图像的帕金森预测智能化方法,其特征在于:步骤2所述卷积神经网络结构包括:
第一层:输入数据为400×400×1,填充值是4,100个卷积核,卷积核大小为11×11,步长为3,得到[(400-11+2×2)/3]+1=132个特征,输出特征为132×132×100,然后进行ReLU激活函数1处理,得到132×132×100数据;
第二层:经池化层1最大池化5×5的核,步长为3,得到[(132-5+2×1)/3+1]=44个特征,得到44×44×100数据;
第三层:输入数据为44×44×100,填充值是0,150个卷积核,卷积核大小为5×5,步长为3,得到[(44-5+2×0)/3]+1=14个特征,输出特征为14×14×150,然后进行ReLU激活函2处理,得到14×14×150数据;
第四层:经池化层2最大池化3×3的核,步长为2,得到[(14-3)/2+1]=7个特征,得到7×7×150数据;
第五层:输入数据7×7×150,L2正则化后全连接,得到100个特征,然后进行ReLU激活函数5处理,再经过dropout1处理,得到150数据;
第六层:输入数据100,L2正则化后全连接,得到50个特征,然后进行ReLU激活函数6处理,再经过dropout2处理,最后得到50个特征数据。
5.一种实施权利要求1~4任意一项所述基于心电图像的帕金森预测智能化方法的基于心电图像的帕金森预测智能化***,其特征在于:所述基于心电图像的帕金森预测智能化***主要包括:
心电图图像数据处理模块,用于获取帕金森组和正常组心电图图像以及其相关资料数据;对获取的图像数据进行筛选;对筛选后的图像数据进行预处理;
图像训练验证模块,用于将预处理后的图像分为训练集、测试集和验证集,并输入构建的卷积神经网络进行训练、验证;
卷积神经网络参数优化模块,用于基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
卷积神经网络准确度检测模块,用于利用测试集数据对优化后的卷积神经网络模型进行测试,检测卷积神经网络模型的准确度;
帕金森预测模块,用于利用经过检测的卷积神经网络模型对帕金森进行预测。
6.一种计算机设备,其特征在于:所述计算机设备包括存储器和处理器,所述存储器用于存储指令,所述处理器用于根据所述指令进行操作以执行权利要求1~4任一项所述基于心电图像的帕金森预测智能化方法的步骤。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于:所述计算机程序被设置为运行时执行权利要求1~4任一项所述基于心电图像的帕金森预测智能化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580521.5A CN114159071A (zh) | 2021-12-22 | 2021-12-22 | 一种基于心电图像的帕金森预测智能化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580521.5A CN114159071A (zh) | 2021-12-22 | 2021-12-22 | 一种基于心电图像的帕金森预测智能化方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114159071A true CN114159071A (zh) | 2022-03-11 |
Family
ID=80487760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111580521.5A Pending CN114159071A (zh) | 2021-12-22 | 2021-12-22 | 一种基于心电图像的帕金森预测智能化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114159071A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114927216A (zh) * | 2022-04-29 | 2022-08-19 | 中南大学湘雅医院 | 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040225202A1 (en) * | 2003-01-29 | 2004-11-11 | James Skinner | Method and system for detecting and/or predicting cerebral disorders |
US20100217144A1 (en) * | 2007-06-28 | 2010-08-26 | Arenare Brian | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores |
US20110160603A1 (en) * | 2008-06-13 | 2011-06-30 | The Parkinson's Institute | Diagnosis of neurogenerative disorders |
US20140289172A1 (en) * | 2012-01-18 | 2014-09-25 | Brainscope Company, Inc. | Method and device for multimodal neurological evaluation |
CN104902806A (zh) * | 2012-11-10 | 2015-09-09 | 加利福尼亚大学董事会 | 神经病理的评估***及方法 |
CN109222902A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 基于核磁共振的帕金森预测方法、***、存储介质及设备 |
US20190223791A1 (en) * | 2017-12-28 | 2019-07-25 | Saleem Sayani | Wearable diagnostic device |
CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
US20210241908A1 (en) * | 2018-04-26 | 2021-08-05 | Mindmaze Holding Sa | Multi-sensor based hmi/ai-based system for diagnosis and therapeutic treatment of patients with neurological disease |
-
2021
- 2021-12-22 CN CN202111580521.5A patent/CN114159071A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040225202A1 (en) * | 2003-01-29 | 2004-11-11 | James Skinner | Method and system for detecting and/or predicting cerebral disorders |
US20100217144A1 (en) * | 2007-06-28 | 2010-08-26 | Arenare Brian | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores |
US20110160603A1 (en) * | 2008-06-13 | 2011-06-30 | The Parkinson's Institute | Diagnosis of neurogenerative disorders |
US20140289172A1 (en) * | 2012-01-18 | 2014-09-25 | Brainscope Company, Inc. | Method and device for multimodal neurological evaluation |
CN104902806A (zh) * | 2012-11-10 | 2015-09-09 | 加利福尼亚大学董事会 | 神经病理的评估***及方法 |
US20190223791A1 (en) * | 2017-12-28 | 2019-07-25 | Saleem Sayani | Wearable diagnostic device |
US20210241908A1 (en) * | 2018-04-26 | 2021-08-05 | Mindmaze Holding Sa | Multi-sensor based hmi/ai-based system for diagnosis and therapeutic treatment of patients with neurological disease |
CN109222902A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 基于核磁共振的帕金森预测方法、***、存储介质及设备 |
CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
Non-Patent Citations (2)
Title |
---|
J WESTON HUGHES ET AL: "Performance of a Convolutional Neural Network and Explainability Technique for 12-Lead Electrocardiogram Interpretation", 《JAMA CARDIOL . 》, vol. 6, no. 11 * |
王广志,张立群,杨福生,丁海曙: "人工神经网络在肌肉痉挛分类中的应用", 《中国康复医学杂志》, vol. 15, no. 3 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114927216A (zh) * | 2022-04-29 | 2022-08-19 | 中南大学湘雅医院 | 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112037913B (zh) | 一种基于卷积神经网络的牙周炎智能检测*** | |
CN109948719B (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
CN111598867A (zh) | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 | |
CN111785363A (zh) | 一种基于ai引导的慢性病辅助诊断*** | |
Shaban | Automated screening of Parkinson's disease using deep learning based electroencephalography | |
CN110674773A (zh) | 一种痴呆症的识别***、装置及存储介质 | |
CN112932408A (zh) | 基于分析绘画行为变化来筛查认知障碍的方法 | |
CN112101424A (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
Sharma et al. | SzHNN: a novel and scalable deep convolution hybrid neural network framework for schizophrenia detection using multichannel EEG | |
Basnin et al. | Early detection of Parkinson’s disease from micrographic static hand drawings | |
CN114159071A (zh) | 一种基于心电图像的帕金森预测智能化方法及*** | |
Tian et al. | ResNet-50 based technique for EEG image characterization due to varying environmental stimuli | |
Saifan et al. | Six skin diseases classification using deep convolutional neural network | |
Choudhry et al. | DarkNet-19 Based Intelligent Diagnostic System for Ocular Diseases | |
CN113362944A (zh) | 一种基于机器学习的功能性消化不良和针刺疗效的预测 | |
CN116386845A (zh) | 基于卷积神经网络和面部动态视频的精神***症诊断*** | |
CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
CN115527670A (zh) | 多模态融合驱动的职业性尘肺病智能筛查方法 | |
KR102340670B1 (ko) | 딥러닝 기반의 심리생리검사 시스템 및 방법 | |
CN114820458A (zh) | 一种基于深度学习的轻度认知障碍图像分割方法 | |
Shaikh et al. | Automated classification of pneumonia from chest x-ray images using deep transfer learning efficientnet-b0 model | |
Li et al. | An Assisted Diagnosis of Alzheimer's Disease Incorporating Attention Mechanisms Med-3D Transfer Modeling. | |
Suganthi et al. | Pattern recognition for EMG based forearm orientation and contraction in myoelectric prosthetic hand | |
Aswathy et al. | An Efficient Deep Learning Framework FPR Detecting and Classifying Depression Using Electroencephalogram Signals | |
Krishnapriya | EEG-Based Identification of Schizophrenia Using Deep Learning Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |