【技術實現步驟摘要】
本專利技術涉及醫學，尤其涉及一種基于心電圖信號輔助識別注意缺陷多動障礙的方法、裝置及系統。
技術介紹
1、注意力缺陷多動障礙（adhd）是一種常見的兒童神經發育障礙，其主要表現為注意力不集中、沖動及過度活躍。adhd影響約5%至7%的兒童及青少年，其病因涉及遺傳、神經生理和環境等多種因素。這種疾病不僅對患者的日常生活、學習及社會交往產生顯著影響，還可能延續至成年階段，導致工作效率降低及社會功能受損。同時，adhd常伴隨焦慮癥、品行障礙和對立違抗性障礙等共病現象，進一步加重患者的身心負擔。
2、目前，adhd的診斷主要依賴臨床問卷（如dsm-5評估標準）和行為觀察。然而，這些方法主觀性較強，診斷結果易受到評估者經驗和患者表現波動的影響。此外，傳統方法耗時且成本較高，難以滿足大規模篩查和早期干預的臨床需求。尤其在醫療資源有限的地區，診斷延遲或誤診的情況時有發生。因此，亟需開發一種高效、客觀的輔助診斷工具，以提高診斷準確性并縮短診斷時間。
3、近年來，心電圖（ecg）信號因其與自主神經系統活動密切相關，逐漸成為研究adhd生理特征的熱點。已有研究表明，adhd患者的ecg信號表現出明顯的異常特征，如心率變異性（hrv）的整體降低和信號節律的不規則。然而，大部分現有研究主要基于線性時域和頻域分析方法，難以捕捉信號中的復雜非線性特征。同時，這些方法的分類精度有限，且在面對大規模數據時表現出魯棒性不足。
4、此外，機器學習和深度學習技術近年來在醫學診斷中的應用逐步深入，但在adhd的研究中仍處于初步探索階
5、因此，如何結合深度學習與機器學習技術，在提升模型分類性能的同時增強其臨床可解釋性，成為當前adhd研究中的重要技術挑戰。
技術實現思路
1、本專利技術提供了一種基于心電圖信號輔助識別注意缺陷多動障礙的裝置，將深度學習與多種機器學習方法相結合，不僅提高了分類性能，還提供了豐富的特征解釋性。
2、本專利技術的技術方案如下：
3、一種基于心電圖信號輔助識別注意缺陷多動障礙的方法，包括：
4、（1）采集需要評估患注意缺陷多動障礙風險高低的被測者的心電圖數據并進行處理；
5、（2）采用一維卷積神經網絡對待測者的處理后的心電圖數據進行深度特征提取；通過score-cam對卷積神經網絡的特征圖生成分類熱力圖，從生成的分類熱力圖中提取時間域、頻域及局部統計特征；
6、（3）將時間域、頻域及局部統計特征輸入至機器學習分類器中進行分類，獲得對待測者患注意缺陷多動障礙風險的評估結果。
7、步驟（1）中，對心電圖數據進行處理包括：截圖心電圖數據中ii導聯第3秒至第9秒的信號片段，作為處理后的心電圖數據。
8、步驟（2）中，一維卷積神經網絡包括依次連接的四層卷積層和全連接層，每層卷積后接批量歸一化（batchnorm）和relu激活函數以及最大池化層。
9、第一層卷積層使用3個濾波器的卷積核，核大小為27，用于捕捉ecg信號的基礎局部特征；
10、第二層卷積層使用10個濾波器的卷積核，核大小為15，用于提取ecg信號的時間域相關特征；
11、第三層卷積層使用10個濾波器的卷積核，核大小為3，進一步提取信號的中階特征；
12、第四層卷積層使用10個濾波器的卷積核，核大小為3，負責捕捉ecg信號的高階非線性特征；
13、每層卷積后接批量歸一化（batchnorm）和relu激活函數，并通過最大池化層降低特征維度，最終特征通過全連接層進行展平，形成深度特征。
14、一維卷積神經網絡的訓練過程包括：采集若干健康對照兒童（hc）和注意缺陷多動障礙兒童（adhd）的心電圖數據并進行處理，構建訓練數據集；采用訓練數據集對一維卷積神經網絡進行訓練。
15、構建訓練數據集包括：從真實臨床環境中采集了6至12歲健康對照兒童和注意缺陷多動障礙兒童的12導聯ecg信號數據，排除藥物干預及其他疾病干擾因素；截取ii導聯的特定時間段（第3秒至第9秒）信號片段，構建訓練數據集。
16、進一步的，一維卷積神經網絡訓練采用adam優化器，學習率為0.0002。
17、進一步的，一維卷積神經網絡訓練過程中結合l2正則化與dropout技術以提升模型的泛化性能。
18、步驟（2）中，score-cam通過對一維卷積神經網絡各卷積層激活圖的加權，生成分類熱力圖。
19、所述的時間域特征包括全局激活均值、激活值標準差、最大激活值。
20、全局激活均值反映熱力圖整體激活值的平均水平，用于衡量信號的總體活躍度。adhd組的激活均值通常高于健康對照組，說明其信號波動更大。激活值標準差表示熱力圖激活值的分布范圍，adhd組的標準差顯著高于hc組，揭示其信號特性的不穩定性。最大激活值，熱力圖中最強的激活值位置反映了模型最關注的區域，通常集中在qrs復合波和t波附近。
21、所述的頻域特征包括傅里葉變換均值、頻譜峰值、功率峰值。
22、傅里葉變換均值用于分析熱力圖對應信號的頻譜分布，adhd組通常表現出較高的頻譜均值，表明信號頻率分量的復雜性。頻譜峰值是捕捉信號中最顯著的頻率分量，adhd組在該特征上較hc組表現出更大的波動。功率峰值表示信號能量在頻域的集中程度，adhd組的功率峰值高于hc組，反映了其信號的能量波動更為劇烈。
23、局部統計特征特征包括滑動窗口均值、滑動窗口標準差、局部最大值。
24、滑動窗口均值是通過滑動窗口計算局部激活值的平均水平，adhd組的滑動均值波動范圍更大，反映了信號在不同時間段的強烈變化。滑動窗口標準差用于量化局部激活值的波動性，adhd組顯著高于hc組，說明其信號在小時間尺度上的不穩定性。局部最大值是滑動窗口內的最大激活值，標識了局部信號的關鍵區域，adhd組通常具有更高的局部最大值。
25、通過對熱力圖特征的統計分析，發現adhd組與hc組在信號特性上存在顯著差異：時間域分析表明，adhd組信號的整體激活水平和波動性較高，體現了患者自主神經系統活動的紊亂特征。頻域分析揭示了adhd組在頻譜成分中的多樣性和復雜性，表明其信號具有更強的不規則性。本文檔來自技高網...
【技術保護點】
1.一種基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，包括：
2.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，步驟（1）中，對心電圖數據進行處理包括：截圖心電圖數據中II導聯第3秒至第9秒的信號片段，作為處理后的心電圖數據。
3.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，步驟（2）中，一維卷積神經網絡包括依次連接的四層卷積層和全連接層，每層卷積后接批量歸一化和ReLU激活函數以及最大池化層。
4.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，一維卷積神經網絡的訓練過程包括：采集若干健康對照兒童和注意缺陷多動障礙兒童的心電圖數據并進行處理，構建訓練數據集；采用訓練數據集對一維卷積神經網絡進行訓練。
5.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，步驟（2）中，Score-CAM通過對一維卷積神經網絡各卷積層激活圖的加權，生成分類熱力圖。
6.根據權利要求1所述的基于心電圖信號輔
7.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，步驟（3）中，所述的機器學習分類器為支持向量機、隨機森林、邏輯回歸、K近鄰算法、決策樹或XGBoost。
8.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，對機器學習分類器的訓練包括：
9.一種基于心電圖信號輔助識別注意缺陷多動障礙的裝置，包括：
10.一種基于心電圖信號輔助識別注意缺陷多動障礙的系統，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上執行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-8任一項所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法的步驟。
...【技術特征摘要】
1.一種基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，包括：
2.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，步驟（1）中，對心電圖數據進行處理包括：截圖心電圖數據中ii導聯第3秒至第9秒的信號片段，作為處理后的心電圖數據。
3.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，步驟（2）中，一維卷積神經網絡包括依次連接的四層卷積層和全連接層，每層卷積后接批量歸一化和relu激活函數以及最大池化層。
4.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，一維卷積神經網絡的訓練過程包括：采集若干健康對照兒童和注意缺陷多動障礙兒童的心電圖數據并進行處理，構建訓練數據集；采用訓練數據集對一維卷積神經網絡進行訓練。
5.根據權利要求1所述的基于心電圖信號輔助識別注意缺陷多動障礙的方法，其特征在于，步驟（2）中，score-cam通過對一維...
【專利技術屬性】
技術研發人員：李昊旻，曹雨，李小寒，段會龍，徐海燕，汪偉，舒強，
申請(專利權)人：浙江大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。