基于深度学习的迷走性神经晕厥VVS预警方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116158767A(43)申请公布日2023.05.26(21)申请号202211500915.XG06N3/0455(2023.01)(22)申请日2022.11.28G06N3/0464(2023.01)G06N3/08(2023.01)(71)申请人华中科技大学地址430074湖北省武汉市洪山区珞喻路1037号(72)发明人袁烨章龙鉴杰杨晓云程骋张润花江一诺冯宽陆思天(74)专利代理机构华中科技大学专利中心42201专利代理师尹丽媛(51)Int.Cl.A61B5/318(2021.01)A61B5/346(2021.01)A61B5/352(2021.01)A61B5/00(2006.01)权利要求书3页说明书9页附图8页(54)发明名称基于深度学习的迷走性神经晕厥VVS预警方法和系统(57)摘要本发明公开了一种基于深度学习的迷走性神经晕厥VVS预警方法和系统，属于深度学习网络技术领域，所述方法包括：对患者心电图中的原始RR间隙数据进行预处理；利用A期检测模型检测RR间隙下降期中异常下降并进行第一阶段预警，利用B期检测模型检测RR间隙上升期中异常上升并进行第二阶段预警，以确定异常位置对应的预警点；将预警点到RR间隙序列的最小值点构成的RR间隙序列输入训练好的时序预测网络预测间隙变化量从而生成预警信息，以表征晕厥发生时刻距离预警点的心跳周期数。本发明基于深度学习搭建迷走性神经晕厥的预测框架，接收RR间隙流数据进行检测能够在疾病发生前提前示警，解决了迷走性神经晕厥的预测精度低问题。CN116158767ACN116158767A权利要求书1/3页1.一种基于深度学习的迷走性神经晕厥VVS预警方法，其特征在于，包括：S1：对患者心电图中提取出的原始RR间隙数据进行降噪预处理，得到RR间隙序列；S2：以最优窗口长度在所述RR间隙序列上滑动，得到多个截取片段；利用A期检测模型检测RR间隙下降期中异常下降并进行第一阶段预警，利用B期检测模型检测RR间隙上升期中异常上升并进行第二阶段预警，以确定异常位置对应的预警点；S3：利用所述预警点到所述RR间隙序列上最小值点构成上升初期的RR间隙序列；将所述上升初期的RR间隙序列输入训练好的时序预测网络，得到RR间隙预测变化量；利用所述RR间隙预测变化量生成预警信息，以表征晕厥发生时刻距离预警点的心跳周期数。2.如权利要求1所述的基于深度学习的迷走性神经晕厥VVS预警方法，其特征在于，所述A期检测模型包括依次连接的第一编码器、重参数计算层和第二解码器；所述第一编码器包括一维卷积层和全连接层，所述第一编码器用于将输入的长数据片段X经逐层一维卷积提取局部特征，通过多通道卷积实现不同细节特征的提取，最后通过全连接层得到多维正态分布参数和所述重参数计算层用于接收所述多维正态分布参数和并随机重采样一个潜变量所述第一解码器包括多个与所述一维卷积层对应的一维反卷积层，所述编码器用于接收所述潜变量并通过所述一维反卷积层进行数据恢复，以输出所述长数据片段X重建后的正态分布参数和所述重建后的正态分布参数用于计算所述长数据片段服从重建分布的似然分数当作为量化指标的所述似然分数作小于给定阈值时，判定输入的所述长数据片段X存在RR间隙下降异常。3.如权利要求2所述的基于深度学习的迷走性神经晕厥VVS预警方法，其特征在于，所述A期检测模型包括依次连接的第二编码器、重参数计算层和第二解码器；所述第二编码层包括全连接层，用于输入短数据片段；所述第二解码器包括全连接层。4.如权利要求1所述的基于深度学习的迷走性神经晕厥VVS预警方法，其特征在于，所述S2之前还包括：对所述A期检测模型和所述B期检测模型进行训练，具体包括：利用正常RR间隙数据构建训练样本；所述训练样本包括：阳性样本和阴性样本；且根据VVS发病机理进行阶段性划分为：O期、A期、B期和C期；利用所有阳性样本和阴性样本中O期数据对应的滑窗截取片段，对所述A期检测模型进行重建训练；利用所述阳性样本中O期数据对应的滑窗截取片段和A期数据对应的滑窗截取片段，对所述A期检测模型进行重建训练。5.如权利要求4所述的基于深度学习的迷走性神经晕厥VVS预警方法，其特征在于，所述A期检测模型为卷积神经网络‑变分自编码器CNN‑VAE，所述B期检测模型为全连接神经网络‑变分自编码器DNN‑VAE；采用较长的滑窗长度截取全部样本的O期数据中RR间隙数据片段，再将截取片段输入CNN‑VAE进行重建训练；2CN116158767A权利要求书2/3页采用较短的滑窗长度截取阳性样本的O期数据和A期数据中RR间隙数据片段，再将截取片段输入DNN‑VAE进行重建训练。6.如权利要求1所述的基于深度学习的迷走性神经晕厥VVS预警方法，其