基于深度卷积神经网络的脑血流异常分类方法及其系统

本发明涉及计算机生物医学，更具体的，涉及基于深度卷积神经网络的脑血流异常分类方法及其系统。

背景技术：

1、健康人群的脑血流自动调节功能健全，使得即使剧烈运动致脑灌注压增加，脑循环灌注量也不会增加；但脑功能障碍患者脑血流自动调节功能受损，使得灌注压增加时，脑循环的灌注量也相应增加；加剧了脑血流调节功能的异常。

2、高强度主动运动中，由于颈动脉血流量的重新分配，颈总、颈外动脉血流量增加，然而颈内动脉血流量减少、与其呈负相关，并且椎动脉血流量也增加；以此可以改善脑血流的灌注。

3、增强型体外反搏干预能够引起缺血性脑血管疾病患者和健康对照者明显不同的脑血流动力学反应，经研究发现其潜在机制可能是颈动脉分叉处不同的血流分配，同时表明增强型体外反搏提升了颈内动脉的血流量从而作用于缺血性脑血管疾病患者。

4、使用超声体外反搏装置对个体施加两次不同力度的体外反搏操作，监测反搏下脑血流速度变化值和血压数据变化值，可通过脑血流速度变化值和血压数据变化值的关系评估所述个体的脑血流自动调节能力。

5、现有的对于脑血流异常分类的方法有全血细胞计数、化学检查、尿检、凝血酶原时间和活化部分凝血活酶时间；这些检查并不有助于确定缺血性脑血管疾病本身的存在，但它们有助于确定相关条件，如贫血、肝脏疾病、肾脏疾病和炎症；还有影像学检查，但是其介入风险大，成本高，且ct对机体产生一定程度的辐射危害，并且在mri诊断中，脑部血管较为脆弱易受其影响，诊断时间较长需半个小时甚至更长，而对于颅内超声数据分析；基于tcd只能测量大脑动脉环的中动脉或前动脉的某些部位，并不能整体衡量脑血流状况。

技术实现思路

1、本发明为了解决现有技术中无法精确分类患者的脑血流异常情况的问题，提出了基于深度卷积神经网络的脑血流异常分类方法及其系统，通过深度卷积神经网络脑血流异常分类模型对脑血流频谱信号的提取分类，精确分类患者的脑血流异常情况并进行评估。

2、为解决上述技术问题，本发明采用的技术方案是：

3、本发明一方面公开了基于深度卷积神经网络的脑血流异常分类方法，包括以下步骤：

4、对患者进行体外反搏干预，获取脑动脉血流频谱数据，对获取的脑动脉血流频谱数据进行数据预处理，得到脑血流频谱信号；

5、将脑血流频谱信号输入深度卷积神经网络脑血流异常分类模型中进行提取分类，得到脑血流频谱数据的预测分类概率值；

6、根据脑血流频谱数据的预测分类概率值对患者的脑血流情况进行评估，得到评估报告。

7、优选地，所述的获取脑动脉血流频谱数据的具体步骤如下：

8、对患者进行体外反搏干预前和体外反搏干预期间，通过彩色多普勒超声仪对患者的颈总动脉、颈内动脉、椎动脉的血流状态进行监测，采集得到反搏前、反搏期间的超声彩色多普勒影像数据。

9、对患者进行体外反搏干预前和体外反搏干预期间，通过心电信号检测装置对患者的左侧锁骨、v3-v6之间、右侧乳房下的心电状态进行监测，采集反搏前、反搏期间的心电信号r波。

10、整合反搏前、反搏期间的超声彩色多普勒影像数据和反搏前、反搏期间的心电信号r波，得到脑动脉血流频谱数据。

11、优选地，所述的数据预处理的具体步骤如下：

12、通过像素分割法对脑动脉血流频谱数据进行截取处理，得到脑动脉血流频谱数据的目标数据；

13、通过像素提炼法对脑动脉血流频谱数据的目标数据进行像素值提炼处理，得到脑血流频谱信号。

14、优选地，所述的像素分割法的具体步骤如下：

15、确定脑动脉血流频谱数据的图像中感兴趣区域，根据像素坐标，截取目标区域，消除其他因素干扰；

16、所述的像素提炼法的具体步骤如下：

17、获取目标频谱曲线的像素值，以消除其他干扰因素的像素值，获取准确的血流速度频谱曲线。

18、优选地，所述的深度卷积神经网络脑血流异常分类模型包括卷积模块、分类模块；

19、所述的卷积模块对脑血流频谱信号进行特征提取，得到脑血流频谱信号的特征值；

20、所述的分类模块对脑血流频谱信号的特征值进行分类，得到脑血流频谱数据的预测分类概率值。

21、进一步地，所述的卷积模块包括第一卷积子模块、第二卷积子模块、第三卷积子模块、第四卷积子模块、第五卷积子模块、第六卷积子模块；

22、所述的第一卷积子模块、第三卷积子模块、第五卷积子模块均包括依次连接的第一卷积层、第一激活层、第一批标准化层；

23、所述的第二卷积子模块、第四卷积子模块、第六卷积子模块均包括依次连接的第二卷积层、第二激活层、第二批标准化层、最大池化层；

24、所述的第一卷积子模块、第三卷积子模块、第五卷积子模块用于提取脑血流频谱信号中的频谱数据特征；所述的第二卷积子模块、第四卷积子模块、第六卷积子模块分别用于对第一卷积子模块、第三卷积子模块、第五卷积子模块提取的频谱数据特征进行压缩，得到脑血流频谱信号的特征值。

25、进一步地，所述的分类模块包括依次连接的dense层、第三激活层、第三批标准化层、dropout层和softmax层；

26、所述的dense层对脑血流频谱信号的特征值进行非线性变换与映射处理，得到具有关联的脑血流频谱信号的特征值；

27、所述的第三激活层对具有关联的脑血流频谱信号的特征值进行激活处理，得到激活后的脑血流频谱信号的特征值；

28、所述的第三批标准化层对激活后的脑血流频谱信号的特征值进行标准化处理，得到统一的脑血流频谱信号的特征值；

29、所述的dropout层对统一的脑血流频谱信号的特征值进行随机失活处理，得到失活后的脑血流频谱信号的特征值；

30、所述的softmax层对失活后的脑血流频谱信号的特征值进行归一化处理，得到脑血流频谱数据的预测分类概率值。

31、进一步地，所述的脑血流频谱数据的预测分类概率值包括患者准确率评价指标、患者敏感性评价指标、患者特异性评价指标、患者roc评估曲线、患者auc评价指标。

32、更进一步地，通过二分类混淆矩阵m表示预测类别，包括以下四种情况：

33、真阳性的数量tp、假阳性的数量fn、假阴性的数量fp、真阴性的数量tn；真阳性的数量tp和真阴性的数量tn的占比越高，表示深度卷积神经网络脑血流异常分类模型分类的精度越高；

34、所述的患者准确率评价指标表示预测正确的样本总数占总样本数的比例，表达式如下：

35、

36、所述的患者敏感性评价指标表示在模型预测阳性类别总量中，其预测正确的比例；表达式如下：

37、

38、所述的患者特异性评价指标表示在模型预测阴性类别总量中，其预测正确的比例；表达式如下：

39、

40、所述的患者roc评估曲线是由假阳性率fpr和真阳性率tpr之间的点连成的曲线，其横轴为假阳性率，纵轴为真阳性率，横纵坐标的取值范围为0～1；

41、所述的患者auc评价指标的面积为0.5时，代表深度卷积神经网络脑血流异常分类模型无任何识别能力；患者auc评价指标的面积越接近于1，代表深度卷积神经网络脑血流异常分类模型的识别能力越强；当等于1时，代表深度卷积神经网络脑血流异常分类模型能完全识别所有阳性样本。

42、本发明另一方面公开了基于深度卷积神经网络的脑血流异常分类系统，采用所述的基于深度卷积神经网络的脑血流异常分类方法，包括：

43、数据获取模块、数据提取分类模块、评估模块；

44、所述的数据获取模块用于获取脑动脉血流频谱数据，对获取的脑动脉血流频谱数据进行数据预处理，得到脑血流频谱信号；

45、所述的数据提取分类模块用于将脑血流频谱信号输入深度卷积神经网络脑血流异常分类模型中进行提取分类，得到脑血流频谱数据的预测分类概率值；

46、所述的评估模块用于根据脑血流频谱数据的预测分类概率值对患者的脑血流情况进行评估，得到评估报告。

47、与现有技术相比，本发明的有益效果是：

48、1.通过深度卷积神经网络脑血流异常分类模型对脑血流频谱信号进行提取识别，自动识别出异常频谱数据，提高分类的精度和准确度。

49、2.通过生成的评估报告，针对其中的数据进一步分析患者的脑神经系统功能状况。