(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210948571.2 (22)申请日 2022.08.09 (71)申请人 复旦大学 地址 200433 上海市杨 浦区邯郸路2 20号 (72)发明人 张立华　钟楚轶　王顺利　杨鼎康　 黄帅　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 陈金星 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/70(2022.01) G06V 40/20(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络和迁移学习的心脏 病发作检测系统 (57)摘要 本发明涉及一种基于卷积神经网络和迁移 学习的心脏病发作检测系统， 输入由图像获取装 置获取的视觉图像或视频帧， 对图片进行统一尺 寸、 背景去除以及数据增广等预处理， 使其构成 数量大、 精度高的图片数据集， 并采用该数据集 在卷积神经网络模型上进行训练， 训练过程中应 用迁移学习的方法提升训练效率以及效果。 训练 好的模型可以对后续的输入图片进行检测， 迅速 精准地输 出心脏病发作或无异常的标签， 并在输 出心脏病发作的异常标签时， 利用通讯设备向预 设的紧急联系人发送预警或呼叫医疗急救电话。 与现有技术相比， 本发明具有无应用场景限制、 快速高效和使用便捷等优点。 权利要求书2页 说明书5页 附图3页 CN 115272977 A 2022.11.01 CN 115272977 A 1.一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 包括图像 获取装置和检测装置； 其中， 检测装置中包含基于卷积神经网络和迁移学习构建的心脏病 发作检测模型； 所述图像获取装置负责获取包含人物姿态的输入图像， 并将该输入图像上传到检测装 置； 检测装置通过心脏病发作检测模型对所述输入图像进行检测判断， 若检测到异常， 则 输出心脏病发作的标签， 并发出 预警， 若检测无异常， 则输出 无异常标签； 其中， 所述的心脏病发作检测模型通过以下步骤构建： 获取图像数据集； 对图像数据集进行增广操作， 获得增广数据集； 构建卷积神经网络模型； 基于增广数据集， 使用迁移学习的方法对卷积神经网络模型进行训练； 输出训练好的心脏病发作检测模型。 2.根据权利要求1所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 所述的图像数据集中图像的人物姿势特征包括心脏病发作和无异常两类， 且 图像数据集中包括多角度、 不同人物和多种人物姿势的图像。 3.根据权利要求1所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 对输入图像及图像数据集中的图像进行 预处理操作， 包括以下步骤： 采用深度神经网络 Mask R‑CNN提取每张图像中的人物轮廓区域； 将所述人物轮廓区域外的图像背景替换为统一的固定像素； 将背景替换后的图像尺寸设置为固定值。 4.根据权利要求1所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 所述的增广操作为使用Keras库中的ImageDataGenerator模块， 对图像数据集 中的图像进行变换， 使每张图像生成多张新图像。 5.根据权利要求4所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 所述的变换包括旋转、 缩放、 高度移动、 宽度移动、 亮度调整或水平翻转。 6.根据权利要求1所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 所述卷积神经网络模 型为VGG‑16模型， 包括 五个依次连接的模块， 每个模块包 括相应的卷积层， 卷积层后连接最大池化层； 五个模块后连接三个全连接层， 依次为两个 FC‑4096和一个FC ‑1000； 最后连接一个soft ‑max池化层。 7.根据权利要求1所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 所述迁移学习包括以下步骤： 导入在Ima geNet上预训练好的标准VG G‑16模型， 并下 载预训练的权 重； 更改所述标准VG G‑16模型的结构， 包括： 1.保留标准VG G‑16网络中前五个模块的卷积层以及参数； 2.在第五个模块后连接全局平均池化层； 3.在第一个全连接层后接入一个Dropout层； 4.在Dropout层后依次接入两个全连接层以及包 含两个分类标签的soft ‑max池化层； 基于增广数据集对更改后的VG G‑16模型重新进行训练。权　利　要　求　书 1/2 页 2 CN 115272977 A 28.根据权利要求1所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 发出 预警的方式包括 通知预设的紧急联系人或呼叫医疗急救电话。 9.根据权利要求1所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 对卷积神经网络模型训练过程中， 使用测试数据集对训练后的模型进 行测试， 若训练后的模型在测试 数据集上的准确率 不满足预设的精度要求， 则重新进行训练。 10.根据权利要求9所述的一种基于卷积神经网络和迁移学习的心脏病发作检测系统， 其特征在于， 测试数据集的构建方法为提取图像数据集中的部分图像， 对该部分图像进行 增广操作， 得到测试 数据集。权　利　要　求　书 2/2 页 3 CN 115272977 A 3