一种心脏异常预警方法

技术领域

本发明涉及一种预警方法，具体是一种心脏异常预警方法。

背景技术

随着年龄增大，心脏病发病率逐渐升高。特别是对于70岁以上的老年人，由于其心脑系统的脆弱性，尤其容易发生心脏病。为了预防心脏病，在心脏出现异常时及时预警，定期的心脏检测是必不可少的，常见的心脏检测方式是通过超声图像技术采集心脏医疗影像。

在医疗影像中，心脏超声图像技术可以直观地得到人体大致的心脏轮廓图像，但由于得到的心脏区域图像容易受到肺部干扰音与心脏回音的干扰，导致最终的预测结果精准度不高，使得预警准确度下降。为此，如何减小肺部干扰音与心脏回音的干扰，提高预测结果精准度成为了目前急需解决的难题。

因此，本领域技术人员提供了一种心脏异常预警方法，以解决上述背景技术中提出的问题。

发明内容

本发明的目的在于提供一种心脏异常预警方法，能够有效减小肺部干扰音与心脏回音的干扰，提高预测结果精准度，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种心脏异常预警方法，应用于心脏预警系统，所述心脏预警系统包括空间标注模块、空间变换编码器、时间变换编码器、视频变换编码器，所述心脏异常预警方法包括以下步骤：

采集各个时刻的心脏超声图像帧，通过空间标注模块将心脏超声图像帧划分为网格单元(P*P)，每个单元都被分配一个坐标，即线性映射嵌入；

基于空间变换编码器，通过线性映射嵌入的的坐标计算第一变换矩阵，第一变换矩阵将输入图像帧转换为一个新的空间表示，将图像中的对象与它们在空间中的位置相关联；

通过时间变换编码器将输入的空间表示划分为时间片段，为每个时间片段都分配一个时间戳，所有时间戳用于计算第二变换矩阵，第二变换矩阵将输入文本转换为一个新的时间表示，捕捉输入空间表示的时间关系；

视频变换编码器通过第三变换矩阵对从时间变换编码器输入进行汇总并将每个帧转换为一个向量表示；所有向量表示被馈送到转换器中，转换器将向量表示转换为一个新的表示，该表示捕捉视频中的空间和时间关系用于将心脏超声视频进行分类；

通过空间变化编码器、时间变换编码器、视频变换编码器以及分类诊断网络自身的损失函数对整个模型中的第一变换矩阵、第二变换矩阵、第三变换矩阵以及分类网络参数进行训练和调整获得最佳预测结果。

作为本发明进一步的方案：所述心脏超声视频进行分类的具体过程为：

将超声传导头采集的原始信号输入到超声模拟前端模块；

超声模拟前端模块对输入的信号进行处理后输出给可编程逻辑器件；

可编程逻辑器件按照预设的数字电路和算法对输入的信号进行处理；

经过可编程逻辑器件处理的信号通过非负矩阵分解算法分离出心脏回音与肺部干扰。

作为本发明再进一步的方案：所述超声模拟前端模块包括：

低噪声放大器，用于放大输入的信号，提高信号质量，降低噪声系数并抑制噪声干扰；

高通滤波器，用于去除低频干扰，只保留高频信号；

可编程增益放大器，用于根据输入信号的强度自动调整输出信号的增益；

低通滤波器，用于滤除信号中的高频噪声，同时恢复受损的信号，滤除不必要的高频噪声和失真；

模数转换器；用于将模拟信号转换成数字信号。

作为本发明再进一步的方案：所述超声传导头与超声模拟前端模块之间连接有高压脉冲传输器，且高压脉冲传输器与可编程逻辑器件连接，所述可编程逻辑器件向高压脉冲传输器输入脉冲控制逻辑。

作为本发明再进一步的方案：所述非负矩阵分解算法的具体计算过程为：

将可编程逻辑器件输入的混合信号进行仿射变换：λ

将仿射变换后的信号通过多层非负矩阵分解算法提取隐含特征，多层非负矩阵分解算法为：Y＝A

将提取的隐含特征基于周期的并行分析，输出信号。

作为本发明再进一步的方案：所述空间标注模块在进行线性映射嵌入的过程中采用分块扁平化处理。

与现有技术相比，本发明的有益效果是：

本申请通过采集超声图像并分离肺部噪音，然后对心脏回音进行分类判断，能够有效减小肺部干扰音与心脏回音的干扰，提高预测结果精准度。此外，在非负矩阵分解过程中，分层多级非负矩阵分解程序通过以分层方式优化每层的参数，进一步提高了多层非负矩阵分解模型的性能，并通过以分层方式优化参数，分层多阶段非负矩阵分解程序能够找到更好的解决方案并降低向局部最小值收敛的风险。

附图说明

图1为一种心脏异常预警方法的流程图；

图2为一种心脏异常预警方法中心脏超声视频进行分类的流程图；

图3为一种心脏异常预警方法中超声模拟前端模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

正如本申请的背景技术中提及的，发明人经研究发现，现有心脏区域图像容易受到肺部干扰音与心脏回音的干扰，导致最终的预测结果精准度不高，使得预警准确度下降，存在一定的缺陷。

为了解决上述缺陷，本申请公开了一种心脏异常预警方法，通过采集超声图像并分离肺部噪音，然后对心脏回音进行分类判断，能够有效减小肺部干扰音与心脏回音的干扰，提高预测结果精准度。

以下将结合附图对本申请的方案如何解决上述技术问题详细介绍。

请参阅图1，本发明实施例中，一种心脏异常预警方法，应用于心脏预警系统，所述心脏预警系统包括空间标注模块、空间变换编码器、时间变换编码器、视频变换编码器，所述心脏异常预警方法包括以下步骤：采集各个时刻的心脏超声图像帧，通过空间标注模块将心脏超声图像帧划分为网格单元(P*P)，每个单元都被分配一个坐标，即线性映射嵌入；基于空间变换编码器，通过线性映射嵌入的的坐标计算第一变换矩阵，第一变换矩阵将输入图像帧转换为一个新的空间表示，将图像中的对象与它们在空间中的位置相关联；通过时间变换编码器将输入的空间表示划分为时间片段，为每个时间片段都分配一个时间戳，所有时间戳用于计算第二变换矩阵，第二变换矩阵将输入文本转换为一个新的时间表示，捕捉输入空间表示的时间关系；视频变换编码器通过第三变换矩阵对从时间变换编码器输入进行汇总并将每个帧转换为一个向量表示；所有向量表示被馈送到转换器中，转换器将向量表示转换为一个新的表示，该表示捕捉视频中的空间和时间关系用于将心脏超声视频进行分类；通过空间变化编码器、时间变换编码器、视频变换编码器以及分类诊断网络自身的损失函数对整个模型中的第一变换矩阵、第二变换矩阵、第三变换矩阵以及分类网络参数进行训练和调整获得最佳预测结果。本申请能够有效减小肺部干扰音与心脏回音的干扰，提高预测结果精准度。需要说明的是，网格单元是指在有限元分析中，将连续的求解域离散化为由有限个网格节点连接的单元集合，这些单元通过节点相互连接，形成了一个整体的计算模型。在有限元分析中，网格单元的种类和设置需要根据具体的分析问题和模型来确定，以保证计算的准确性和稳定性。线性映射嵌入是一种线性变换，它将一个向量空间V中的元素x映射到另一个向量空间W中的元素y。变换矩阵是线性代数中的一个矩阵，它可以通过旋转、缩放、平移等方式，将一个向量空间中的元素映射到另一个向量空间中。变换矩阵可以表示为多个矩阵的乘积，例如缩放矩阵、旋转矩阵和平移矩阵等。空间表示是指将三维空间中的信息以一种适合于深度学习模型处理的方式进行编码和存储。常见的空间表示方法有体素(voxel)、点云(point cloud)、网格(mesh)、隐函数(implicit function)等。分类诊断网络自身的损失函数是交叉熵损失函数，交叉熵损失函数用于度量预测概率与实际标签之间的差异，常用于多分类问题中，在训练过程中，模型会根据损失函数的反馈不断调整参数，使得预测结果越来越接近实际标签。

在本实施例中：如图2所示，所述心脏超声视频进行分类的具体过程为：将超声传导头采集的原始信号输入到超声模拟前端模块；超声模拟前端模块对输入的信号进行处理后输出给可编程逻辑器件(FPGA)；可编程逻辑器件按照预设的数字电路和算法对输入的信号进行处理；经过可编程逻辑器件处理的信号通过非负矩阵分解算法分离出心脏回音与肺部干扰。非负矩阵分解算法(Non-negative Matrix Factorization，NMF)是一种在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。对于任意给定的一个非负矩阵V，其能够寻找到一个非负矩阵W和一个非负矩阵H，满足条件V＝W*H，将一个非负的矩阵分解为左右两个非负矩阵的乘积。用系数矩阵H代替原始矩阵，就可以实现对原始矩阵进行降维，得到数据特征的降维矩阵，从而减少存储空间。

在本实施例中：如图3所示，所述超声模拟前端模块包括：低噪声放大器(LNA)，用于放大输入的信号，提高信号质量，降低噪声系数并抑制噪声干扰；高通滤波器(HPF)，用于去除低频干扰，只保留高频信号；可编程增益放大器(PGA)，用于根据输入信号的强度自动调整输出信号的增益；低通滤波器(LPF)，用于滤除信号中的高频噪声，同时恢复受损的信号，滤除不必要的高频噪声和失真；模数转换器(ADC)，用于将模拟信号转换成数字信号。

在本实施例中：如图3所示，所述超声传导头与超声模拟前端模块之间连接有高压脉冲传输器，且高压脉冲传输器与可编程逻辑器件连接，所述可编程逻辑器件向高压脉冲传输器输入脉冲控制逻辑。高压脉冲传输器是一种能产生和传输高压脉冲信号的装置。它的主要功能是将输入的信号进行放大和整形，然后输出高压脉冲信号。这种设备广泛应用于雷达、电子战、通信等领域。高压脉冲传输器的主要组成部分包括：输入端、放大器、脉冲发生器和输出端。输入端接收来自外部的信号，经过放大器和脉冲发生器的处理后，输出高压脉冲信号到输出端。高压脉冲传输器的性能取决于其设计和制造工艺。它的性能指标包括：输出电压、脉冲宽度、脉冲重复频率、传输效率等。脉冲控制逻辑是一种控制方式，它通过发送短暂的脉冲来控制目标设备的运动或功能。

在本实施例中：如图2所示，所述非负矩阵分解算法的具体计算过程为：将可编程逻辑器件输入的混合信号进行仿射变换：λ

在本实施例中：如图1所示，所述空间标注模块在进行线性映射嵌入的过程中采用分块扁平化处理。分块扁平化是指将文本分块，并扁平化过滤文本数据。分块扁平化是文本处理中的一种常见方法，可以将文本数据分为若干个块，并对每个块进行扁平化处理，以适应模型训练和特征提取的需求。这种方法可以有效地处理大规模的文本数据，并减少计算量和内存占用。

本发明通过采集超声图像并分离肺部噪音，然后对心脏回音进行分类判断，能够有效减小肺部干扰音与心脏回音的干扰，提高预测结果精准度。此外，在非负矩阵分解过程中，分层多级非负矩阵分解程序通过以分层方式优化每层的参数，进一步提高了多层非负矩阵分解模型的性能，并通过以分层方式优化参数，分层多阶段非负矩阵分解程序能够找到更好的解决方案并降低向局部最小值收敛的风险。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

以上所述的，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。