首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

自动判断正异常心电模型及选择训练数据的方法及装置 

申请/专利权人:上海数创医疗科技有限公司

申请日:2024-04-08

公开(公告)日:2024-07-05

公开(公告)号:CN118285810A

主分类号:A61B5/346

分类号:A61B5/346;G06N3/0464;G06F18/23213;G06F18/241;G06N3/088

优先权:

专利状态码:在审-实质审查的生效

法律状态:2024.07.23#实质审查的生效;2024.07.05#公开

摘要:本发明涉及一种自动判断正异常心电模型及选择训练数据的方法,通过对CNN提取特征的贡献度进行无监督分类,然后将分类结果作为判断依据。本发明可以根据数据的分布判断出模型是否失效,不会被当前数据波动导致的准确率下降所影响,因此本方案的模型更新能够让系统更加稳定。而且传统上挑选数据是人为挑选错误的数据,本发明的数据挑选方式是根据CNN提取特征的贡献度进行无监督分类结果挑选,挑选出来的数据更能反映是样本分布发生变化的数据,让模型的泛化性更强。

主权项:1.一种自动判断正异常心电模型及选择训练数据的方法,其特征在于,包括如下步骤:步骤S1,获取已经初步训练完成的CNN心电模型,以及初步训练CNN心电模型所使用的训练数据X1={x11,x12,…x1N}和标签数据Y1={y11,y12,…y1N},x1i表示一条十二导联静息心电图的一个采样数据,x1i为12*S的矩阵,S表示对一条十二导联静息心电图采样的个数,y1i是x1i的标签,y1i为0或1,y1i=0表示x1i是正常心电图,y1i=1表示x1i是异常心电图;获取初步检测CNN心电模型所使用的检测数据中检测错误的数据X2={x21,x22,…x2M}和其对应的标签数据Y2={y21,y22,…y2M},y2i=0表示x2i是正常心电图,y2i=1表示x2i是异常心电图,x2i表示一条十二导联静息心电图的一个采样数据,x2i为12*S的矩阵,S表示对一条十二导联静息心电图采样的个数,y2i是x2i的标签,y2i为0或1,y2i=0表示x2i是正常心电图,y2i=1表示x2i是异常心电图;步骤S2,通过CNN心电模型的训练数据X1和标签数据Y1,对CNN心电模型的多个卷积层进行夏普利排序,获得每个卷积层输出特征的贡献度,贡献度排序在预定范围的卷积层所在位置的集合记为loc={c1,c2…cK};步骤S3,将X1中标签为0的数据输入到CNN心电模型的卷积层中,计算出loc={c1,c2…cK}位置的输出组成序列Fx1p,将X1中标签为1的数据输入到CNN心电模型的卷积层中,计算出loc={c1,c2…cK}位置的输出组成序列Fx1n,将X2中标签为0的数据输入到CNN心电模型的卷积层中,计算出loc={c1,c2…cK}位置的输出组成序列Fx2p,将X2中标签为1的数据输入到CNN心电模型的卷积层中,计算出loc={c1,c2…cK}位置的输出组成序列Fx2n;步骤S4,将Fx1p和Fx2p混合组成Fxp,将Fx1n和Fx2n混合组成Fxn,通过k-means分类法将Fxp分为两类,其中Fx1p被分到第一类的个数和第二类的个数分别记为v11p与v12p,令通过k-means分类法将Fxn分为两类,其中Fx1n被分到第一类的个数和第二类的个数分别记为v11n与v12n,令步骤S5,判断是否需要更新模型,如果vp与vn都大于预定值,则通过Fxp及Fxn中数据所对应的训练数据及标签数据对CNN心电模型进行更新训练。

全文数据:

权利要求:

百度查询: 上海数创医疗科技有限公司 自动判断正异常心电模型及选择训练数据的方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。