基于CNN的个体心肺功能评估系统及其处理方法

基于cnn的个体心肺功能评估系统及其处理方法
技术领域
1.本发明属于心肺功能评估和康复技术领域，特别是涉及一种基于卷积神经网络cnn的个体心肺功能评估系统及其处理方法。


背景技术：

2.随着生活水平的不断提高，越来越多的人开始关注自身健康问题。心肺功能是人体健康的重要指标之一，评估心肺功能对于预防疾病和提高生活质量具有重要意义。传统的心肺功能评估方法包括6分钟步行测试(6mwt)、运动耐力测试(vo2max)、心率变异性(hrv)，但这些方法需要人工记录和分析数据，耗时耗力且存在误差。
3.目前现有技术主要采用呼吸和心率参数相结合的综合评价的模型(例如：一种心肺功能评估系统cn115153465a)。模型工作方案如下：先由呼吸参数采集装置和心电信号采集装置进行呼吸参数和心电信号采集并发送至终端设备，终端设备再通过采集的数据进行综合评估，从而对心肺功能进行评估。现有技术的缺陷在于：一方面，数据处理方式较为简单，无法充分挖掘数据的潜在特征；另一方面，只采集了呼吸参数和心电信号这两种数据，而没有考虑其他可能与心肺功能相关的因素。
4.深度学习技术能够自动学习特征和模式，从而实现对复杂数据的高效处理和分析。因此，本发明提出了一种基于深度学习方法的心肺功能评估模型，该模型能够基于身高、年龄、体重和时间序列数据如心率和运动强度等，对个体的心肺功能进行快速准确的评估。


技术实现要素：

5.本发明目的在于解决传统的心肺功能评估系统存在操作繁琐、准确度不高等问题，提供了一种基于深度学习的心肺功能评估系统，可对个体的心肺功能进行准确的评估和分级，以帮助医疗工作者快速准确地评估个体的心肺功能水平，指导临床治疗和康复训练。
6.为了实现本发明目的，本发明公开了一种基于cnn的个体心肺功能评估系统，包括数据采集模块、预处理模块、卷积神经网络模型和训练模块；数据采集模块用于收集个体心肺功能数据，并将数据传输至预处理模块；预处理模块对数据进行预处理，随后将数据输入卷积神经网络模块进行特征提取；卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层；其中，输入层将收集的心率、运动强度等时间序列数据进行输入；卷积层将对数据进行特征提取，池化层将对数据进行降维处理；全连接层将个体静态数据和处理后的动态数据进行加权求和处理，输出层将输出个体基于最大摄氧量vo2max测试心肺功能评估结果；训练模块使用收集的数据对卷积神经网络模型进行训练。
7.进一步地，数据采集模块收集个体静态数据和动态数据和经过最大摄氧量vo2max测试的心肺功能等级；静态数据包括年龄、身高和体重；动态数据包括个体的心率和运动强度数据。
8.进一步地，预处理模块中，数据采集后进行预处理；预处理是指数据归一化操作，设定心率检测数据为x2＝{x1,x2,x3
…
xt},xt代表t时刻采集到的数据；将数据映射到0～1范围，提升收敛速度和精度，转化函数如下
[0009][0010]
其中max为样本数据最大值，min为样本数据最小值，x为采集到的原始数据，x*为归一化后的结果。
[0011]
进一步地，输入动态和静态数据进入卷积神经网络模型；其中，动态数据经过预处理后进入cnn网络，通过卷积层和池化层进行数据的卷积和池化操作；经过特征提取后的数据与静态数据进行特征融合进入全连接层，再通过softmax层输出心肺功能等级的概率分布；卷积神经网络模型采用交叉熵损失函数作为代价函数，由此计算得到误差后进行反向传播权重训练。
[0012]
进一步地，输入动态和静态数据过程中，采集n位不同个体的数据作为训练样本,样本集记为s＝{(x1,x2,x3,y)1,(x1,x2,x3,y)2,(x1,x2,x3,y)3……
(x1,x2,x3,y)n}；其中，x1,x2,x3分别为个体静态参数，心率数据和运动强度数据；y表示个体由专业医生进行vo2max测试后的心肺功能评估结果，y∈{i,ii,iii,iv,v,vi}，即分类类别数c＝6。
[0013]
进一步地，卷积和池化过程中，经预处理后的x2数据{x
21
,x
22
,x
23
…
x
2t
}，和x3数据{x
31
,x
32
,x
33
…
x
3t
}将通过卷积层进行特征提取，使用tanh作为卷积层的非线性激活函数提高神经网络的非线性拟合能力；第k层的卷积运算计算公式如下：
[0014][0015]
其中，为k-1层的第i个结果，为k层第j个卷积核，b为偏置，n为卷积核个数；
[0016]
tanh激活函数计算公式如下：
[0017][0018]
池化采用最大池化，操作是输出池化区域内的最大值，公式如下
[0019][0020]
其中p为填充大小，d为膨胀系数，s为步长，k为卷积核大小,l
in
为输入维度，l
out
为输出维度。
[0021]
进一步地，在全连接层和softmax层中，卷积和池化已经对时间序列数据x2，x3进行了抽象化的提取和表示，设定处理后的数据为z2＝{z1,z2…
zm},z3＝{z1,z2…zn
}(m,n分别为x2,x3经过处理后的数据总长度)，经预处理后的x1为z1；将z＝{z1,z2,z3}作为全连接层的输入；全连接层后进入softmax层，softmax层将全连接层输出的分类结果变成一个概率分布，softmax计算公式如下：
[0022][0023]
其中zi为第i个结点的输出值，最终输出的结果为对应vo2max测试的心肺功能等级的概率。
[0024]
进一步地，代价函数和反向传播过程中，模型分类结果使用交叉熵损失函数计算分类误差，交叉熵损失函数计算公式如下：
[0025][0026]
其中，b表示批量样本数，oy(n)表示模型在真实所属类别上的概率输出；由此计算得到误差后进行反向传播权重训练，使用批量随机梯度下降法实现网络中参数的迭代，在完成对模型的训练后对网络的结构和参数进行保存。
[0027]
进一步地，训练模块使用收集的数据对模型进行训练，并根据最终的验证集表现进行调整和优化，直至达到预设的准确率和泛化能力；训练数据使用大规模的公共数据集或使用自己收集的数据进行训练；为了提高模型的鲁棒性和泛化能力，采用交叉验证、数据增强方法进行训练。
[0028]
为了实现本发明的目的，本发明还公开了一种基于cnn的个体心肺功能评估系统处理方法，包括以下步骤：
[0029]
步骤1、数据收集，收集个体静态数据和动态数据和经过最大摄氧量vo2max测试的心肺功能等级；其中静态数据包括年龄、身高和体重；动态数据包括个体的心率和运动强度数据；
[0030]
步骤2、预处理，预处理是指数据归一化操作，设定心率检测数据为x2＝{x1,x2,x3
…
xt},xt代表t时刻采集到的数据；将数据映射到0～1范围，提升收敛速度和精度；
[0031]
步骤3、模型搭建，所搭建的cnn模型包括卷积层，池化层，全连接层，softmax层和输出层；
[0032]
步骤3-1、输入数据，将采集的动态数据和静态数据输入模型，其中动态数据经过卷积和池化操作进行特征提取；
[0033]
步骤3-2、经过特征提取后的动态数据与静态数据进行特征融合后输入全连接层进行分类；
[0034]
步骤4、使用收集的数据对模型进行训练，并根据最终的验证集表现进行调整和优化，直至达到预设的准确率和泛化能力；为了提高模型的鲁棒性和泛化能力，采用交叉验证或数据增强方法进行训练。
[0035]
与现有技术相比，本发明的显著进步在于：1)采用深度学习方法，对心肺功能进行评估，避免了传统方法的操作繁琐、准确度不高等问题；2)模型具有一定的通用性和泛化能力，可以适用于不同人群和不同场景的心肺功能评估；3)模型准确度高，可对心肺功能进行准确的评估和分级，为个体制定科学的运动计划和康复方案提供参考。
[0036]
为更清楚说明本发明的功能特性以及结构参数，下面结合附图及具体实施方式进一步说明。
附图说明
[0037]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0038]
图1是基于cnn的多特征融合心肺功能评估模型示意图；
[0039]
图2是基于cnn的个体心肺功能评估系统处理方法流程示意图。
具体实施方式
[0040]
下面将结合本发明实施例s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。
[0041]
如图1所示，图中网络模型包括cnn特征提取网络和全连接网络两个部分组成，其中cnn特征提取网络包括卷积层和池化层。采集的动态数据经过预处理之后进入cnn网络进行特征提取，提取后的特征会和经预处理后的静态数据进行特征融合。经过特征融合后的数据作为全连接层的输入，并通过softmax进行数据的分类，最后模型的输出层的输出值即为对应数据的心肺功能等级。
[0042]
数据采集模块用于收集个体心肺功能数据，并将数据传输至预处理模块；预处理模块对数据进行预处理，随后将数据输入卷积神经网络模块进行特征提取；卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层；其中，输入层将收集的心率、运动强度等时间序列数据进行输入；卷积层将对数据进行特征提取，池化层将对数据进行降维处理；全连接层将个体静态数据和处理后的动态数据进行加权求和处理，输出层将输出个体基于最大摄氧量vo2max测试心肺功能评估结果；使用收集的数据对卷积神经网络模型进行训练。
[0043]
具体地，在本实施例中，数据采集模块收集个体静态数据和动态数据和经过最大摄氧量vo2max测试的心肺功能等级；静态数据包括年龄、身高和体重；动态数据包括个体的心率和运动强度数据。
[0044]
具体地，在本实施例中，预处理模块中，数据采集后进行预处理；预处理是指数据归一化操作，设定心率检测数据为x2＝{x1,x2,x3
…
xt},xt代表t时刻采集到的数据；将数据映射到0～1范围，提升收敛速度和精度，转化函数如下
[0045][0046]
其中max为样本数据最大值，min为样本数据最小值，x为采集到的原始数据，x*为归一化后的结果。
[0047]
具体地，在本实施例中，输入动态和静态数据进入卷积神经网络模型；其中，动态数据经过预处理后进入cnn网络，通过卷积层和池化层进行数据的卷积和池化操作；经过特征提取后的数据与静态数据进行特征融合进入全连接层，再通过softmax层输出心肺功能等级的概率分布；卷积神经网络模型采用交叉熵损失函数作为代价函数，由此计算得到误差后进行反向传播权重训练。
[0048]
具体地，在本实施例中，输入动态和静态数据过程中，采集n位不同个体的数据作
为训练样本,样本集记为s＝{(x1,x2,x3,y)1,(x1,x2,x3,y)2,(x1,x2,x3,y)3……
(x1，x2,x3,y)n}；其中，x1,x2,x3分别为个体静态参数，心率数据和运动强度数据；y表示个体由专业医生进行vo2max测试后的心肺功能评估结果，y∈{i,ii,iii,iv,v,vi}，即分类类别数c＝6。
[0049]
具体地，在本实施例中，卷积和池化过程中，经预处理后的x2数据{x
21
,x
22
,x
23
…
x
2t
}，和x3数据{x
31
,x
32
,x
33
…
x
3t
}将通过卷积层进行特征提取，使用tanh作为卷积层的非线性激活函数提高神经网络的非线性拟合能力；第k层的卷积运算计算公式如下：
[0050][0051]
其中，为k-1层的第i个结果，为k层第j个卷积核，b为偏置，n为卷积核个数；
[0052]
tanh激活函数计算公式如下：
[0053][0054]
池化采用最大池化，操作是输出池化区域内的最大值，公式如下
[0055][0056]
其中p为填充大小，d为膨胀系数，s为步长，k为卷积核大小,l
in
为输入维度，l
out
为输出维度。
[0057]
具体地，在本实施例中，在全连接层和softmax层中，卷积和池化已经对时间序列数据x2，x3进行了抽象化的提取和表示，设定处理后的数据为z2＝{z1,z2…
zm},z3＝{z1,z2…zn
}(m,n分别为x2,x3经过处理后的数据总长度)，经预处理后的x1为z1；将z＝{z1,z2,z3}作为全连接层的输入；全连接层后进入softmax层，softmax层将全连接层输出的分类结果变成一个概率分布，softmax计算公式如下：
[0058][0059]
其中zi为第i个结点的输出值，最终输出的结果为对应vo2max测试的心肺功能等级的概率。
[0060]
具体地，在本实施例中，代价函数和反向传播过程中，模型分类结果使用交叉熵损失函数计算分类误差，交叉熵损失函数计算公式如下：
[0061][0062]
其中，b表示批量样本数，oy(n)表示模型在真实所属类别上的概率输出；由此计算得到误差后进行反向传播权重训练，使用批量随机梯度下降法实现网络中参数的迭代，在完成对模型的训练后对网络的结构和参数进行保存。
[0063]
具体地，在本实施例中，训练模块使用收集的数据对模型进行训练，并根据最终的验证集表现进行调整和优化，直至达到预设的准确率和泛化能力；训练数据使用大规模的
公共数据集或使用自己收集的数据进行训练；为了提高模型的鲁棒性和泛化能力，采用交叉验证、数据增强方法进行训练。
[0064]
如图2所示，一种基于cnn的个体心肺功能评估系统处理方法，包括以下步骤：
[0065]
步骤1、数据收集，收集个体静态数据和动态数据和经过最大摄氧量vo2max测试的心肺功能等级；其中静态数据包括年龄、身高和体重；动态数据包括个体的心率和运动强度数据；
[0066]
步骤2、预处理，预处理是指数据归一化操作，设定心率检测数据为x2＝{x1,x2,x3
…
xt},xt代表t时刻采集到的数据；将数据映射到0～1范围，提升收敛速度和精度；
[0067]
步骤3、模型搭建，所搭建的cnn模型包括卷积层，池化层，全连接层，softmax层和输出层；
[0068]
步骤4、使用收集的数据对模型进行训练，并根据最终的验证集表现进行调整和优化，直至达到预设的准确率和泛化能力；为了提高模型的鲁棒性和泛化能力，采用交叉验证或数据增强方法进行训练。
[0069]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0070]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种基于cnn的个体心肺功能评估系统，其特征在于，包括数据采集模块、预处理模块、卷积神经网络模型和训练模块；所述数据采集模块用于收集个体心肺功能数据，并将数据传输至预处理模块；所述预处理模块对数据进行预处理，随后将数据输入卷积神经网络模块进行特征提取；所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层；其中，输入层将收集的心率、运动强度的时间序列数据进行输入；卷积层将对数据进行特征提取，池化层将对数据进行降维处理；全连接层将个体静态数据和处理后的动态数据进行加权求和处理，输出层将输出个体基于最大摄氧量vo2max测试心肺功能评估结果；训练模块使用收集的数据对卷积神经网络模型进行训练。2.根据权利要求1所述的一种基于cnn的个体心肺功能评估系统，其特征在于，所述数据采集模块收集个体静态数据和动态数据和经过最大摄氧量vo2max测试的心肺功能等级；静态数据包括年龄、身高和体重；动态数据包括个体的心率和运动强度数据。3.根据权利要求1所述的一种基于cnn的个体心肺功能评估系统，其特征在于，所述预处理模块中，数据采集后进行预处理；所述预处理是指数据归一化操作，设定心率检测数据为x2＝{x1,x2,x3
…
xt},xt代表t时刻采集到的数据；将数据映射到0～1范围，提升收敛速度和精度，转化函数如下：其中max为样本数据最大值，min为样本数据最小值，x为采集到的原始数据，x*为归一化后的结果。4.根据权利要求1所述的一种基于cnn的个体心肺功能评估系统，其特征在于，输入动态和静态数据进入卷积神经网络模型；其中，动态数据经过预处理后进入cnn网络，通过卷积层和池化层进行数据的卷积和池化操作；经过特征提取后的数据与静态数据进行特征融合进入全连接层，再通过softmax层输出心肺功能等级的概率分布；卷积神经网络模型采用交叉熵损失函数作为代价函数，由此计算得到误差后进行反向传播权重训练。5.根据权利要求4所述的一种基于cnn的个体心肺功能评估系统，其特征在于，输入动态和静态数据过程中，采集n位不同个体的数据作为训练样本,样本集记为s＝{(x1,x2,x3,y)1,(x1,x2,x3,y)2,(x1,x2,x3,y)3……
(x1,x2,x3,y)
n
}；其中，x1,x2,x3分别为个体静态参数，心率数据和运动强度数据；y表示个体由专业医生进行vo2max测试后的心肺功能评估结果，y∈{i,ii,iii,iv,v,vi}，即分类类别数c＝6。6.根据权利要求5所述的一种基于cnn的个体心肺功能评估系统，其特征在于，卷积和池化过程中，经预处理后的x2数据{x
21
,x
22
,x
23
…
x
2t
}，和x3数据{x
31
,x
32
,x
33
…
x
3t
}将通过卷积层进行特征提取，使用tanh作为卷积层的非线性激活函数提高神经网络的非线性拟合能力；第k层的卷积运算计算公式如下：其中，为k-1层的第i个结果，为k层第j个卷积核，b为偏置，n为卷积核个数；tanh激活函数计算公式如下：
池化采用最大池化，操作是输出池化区域内的最大值，公式如下其中p为填充大小，d为膨胀系数，s为步长，k为卷积核大小,l
in
为输入维度，l
out
为输出维度。7.根据权利要求6所述的一种基于cnn的个体心肺功能评估系统，其特征在于，在全连接层和softmax层中，卷积和池化已经对时间序列数据x2，x3进行了抽象化的提取和表示，设定处理后的数据为z2＝{z1,z2…
z
m
},z3＝{z1,z2…
z
n
}(m,n分别为x2,x3经过处理后的数据总长度)，经预处理后的x1为z1；将z＝{z1,z2,z3}作为全连接层的输入；全连接层后进入softmax层，softmax层将全连接层输出的分类结果变成一个概率分布，softmax计算公式如下：其中z
i
为第i个结点的输出值，最终输出的结果为对应vo2max测试的心肺功能等级的概率。8.根据权利要求7所述的一种基于cnn的个体心肺功能评估系统，其特征在于，代价函数和反向传播过程中，模型分类结果使用交叉熵损失函数计算分类误差，交叉熵损失函数计算公式如下：其中，b表示批量样本数，o
y
(n)表示模型在真实所属类别上的概率输出；由此计算得到误差后进行反向传播权重训练，使用批量随机梯度下降法实现网络中参数的迭代，在完成对模型的训练后对网络的结构和参数进行保存。9.根据权利要求1所述的一种基于cnn的个体心肺功能评估系统，其特征在于，所述训练模块使用收集的数据对模型进行训练，并根据最终的验证集表现进行调整和优化，直至达到预设的准确率和泛化能力；训练数据使用大规模的公共数据集或使用自己收集的数据进行训练；为了提高模型的鲁棒性和泛化能力，采用交叉验证、数据增强方法进行训练。10.一种基于cnn的个体心肺功能评估系统处理方法，所述方法基于权利要求1-9中任一所述的一种基于cnn的个体心肺功能评估系统，其特征在于，包括以下步骤：步骤1、数据收集，收集个体静态数据和动态数据和经过最大摄氧量vo2max测试的心肺功能等级；其中静态数据包括年龄、身高和体重；动态数据包括个体的心率和运动强度数据；步骤2、预处理，所述预处理是指数据归一化操作，设定心率检测数据为x2＝{x1,x2,x3
…
xt},xt代表t时刻采集到的数据；将数据映射到0～1范围，提升收敛速度和精度；步骤3、模型搭建，所搭建的cnn模型包括卷积层，池化层，全连接层，softmax层和输出
层；步骤3-1、输入数据，将采集的动态数据和静态数据输入模型，其中动态数据经过卷积和池化操作进行特征提取；步骤3-2、经过特征提取后的动态数据与静态数据进行特征融合后输入全连接层进行分类；步骤4、使用收集的数据对模型进行训练，并根据最终的验证集表现进行调整和优化，直至达到预设的准确率和泛化能力；为了提高模型的鲁棒性和泛化能力，采用交叉验证或数据增强方法进行训练。

技术总结
本申请公开了一种基于CNN的个体心肺功能评估系统及其处理方法；数据采集模块收集个体心肺功能数据，并将数据传输至预处理模块；预处理模块对数据进行预处理，随后将数据输入卷积神经网络模块进行特征提取；卷积神经网络模型输入层将收集的数据进行输入；卷积层将对数据进行特征提取，池化层将对数据进行降维处理；将个体静态数据和处理后的动态数据进行特征融合后输入全连接层，输出层输出心肺功能评估结果；训练模块对模型进行训练。本申请采用深度学习方法，解决了传统方法操作繁琐、准确度不高等问题；模型具有通用性和泛化能力，可适用于不同人群和场景；准确度高，可对心肺功能进行准确评估和分级，为个体制定科学的运动计划和康复方案提供参考。计划和康复方案提供参考。计划和康复方案提供参考。


技术研发人员：成于思 吴渊 吴鹏 杨龙飞 王驭陌
受保护的技术使用者：南京理工大学
技术研发日：2023.04.24
技术公布日：2023/7/12