本发明涉及医学诊断，尤其涉及基于深度学习的新生儿脑病诊断系统。
背景技术：
1、医学诊断技术领域涉及使用各种方法和工具来识别疾病和健康问题。在近年来，随着人工智能和机器学习技术的飞速发展，医学诊断领域得到了显著的技术革新。特别是深度学习技术，在图像识别、生物标志物检测和遗传数据分析等方面展现出巨大潜力。这些高级计算模型能够从大量的医学数据中学习复杂的模式，提供比传统方法更快、更准确的诊断结果。此外，这些技术的应用也极大地提高了预测治疗效果的准确性，优化了治疗方案，从而在提高病人治愈率和生活质量方面发挥着重要作用。
2、其中，新生儿脑病诊断系统是一种专门设计用来诊断和评估新生儿大脑健康状况的医疗技术工具。该系统主要用途在于早期检测和诊断新生儿可能遇到的神经系统相关疾病，如缺氧缺血性脑病(hie)、脑发育异常等。通过使用先进的影像技术和深度学习算法，这类诊断系统可以分析脑部影像数据，快速准确地识别异常信号，从而帮助医生在病情进一步恶化前进行干预。这种技术的使用可以显著提高治疗的时效性和精确性，对提升新生儿生存率和未来生活质量具有极其重要的意义。
3、现有医学诊断技术在处理新生儿神经疾病时，常见的问题包括对细微异常信号的识别不足，这可能导致错失早期干预的最佳时机。传统技术通常依赖单一类型的数据源，例如只使用影像技术或只依赖生物标志物检测，缺乏数据的综合分析能力。这种信息孤岛现象限制了多源数据的综合利用，难以提供全面的疾病画像，影响诊断的全面性和治疗的针对性。此外，传统方法在数据标准化和整合方面表现不佳，不同设备或测试产生的数据往往难以在分析中直接对比或融合，这增加了诊断过程的复杂性，降低了处理效率和准确性。这些局限性导致诊断结果可能存在偏差，治疗方案可能不够精确，从而影响患者的治疗效果和生活质量。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的基于深度学习的新生儿脑病诊断系统。
2、为了实现上述目的，本发明采用了如下技术方案：基于深度学习的新生儿脑病诊断系统包括：
3、数据收集与预处理模块收集新生儿脑电图分析数据，结合脑血流动态数据，同步时间序列，计算数据点分布，并对数据点进行标准化处理，得到标准化数据集；
4、特征提取与网络调整模块基于所述标准化数据集，利用预训练的神经网络，提取脑电图分析数据的关键特征，比较特征差异，得到异常特征映射，针对新生儿脑血流动态调整神经网络权重，生成调整后的网络模型；
5、动态因果关系建模模块利用所述调整后的网络模型，分析新生儿脑血流动态数据，计算多脑区间的连接强度，得到连接强度映射，通过因果建模推断差异化脑区间的因果关系，构建因果关系图；
6、诊断结果运算模块基于所述因果关系图，整合所述连接强度映射与所述异常特征映射，进行影响分析，并对病情进行分类，得到病情推论结果。
7、作为本发明的进一步方案，所述标准化数据集的获取步骤具体为：
8、收集新生儿脑电图分析数据与脑血流动态数据，并进行时间戳标准化，采用公式：
9、
10、计算时间点t的数据同步指标，生成时间同步数据集；
11、其中，t(t)为时间同步数据集，a(t)、b(t)是脑电图和脑血流在时间t的数据，a′(t)、b′(t)表示数据的导数，显示变化率，σa、σb为数据的标准差，α、β为调整系数；
12、对所述时间同步数据集进行统计分析，计算数据点的统计分布，采用公式：
13、
14、得到数据分布集合；
15、其中，di为数据分布集合，τ为调整参数，n为数据点总数，γ为权重参数；
16、使用所述数据分布集合进行标准化处理，计算每个数据点的标准化得分，采用公式：
17、
18、生成标准化数据集；
19、其中，si是标准化后的得分，μd、σd为所述数据分布集合的平均值和标准差，λ为调整参数。
20、作为本发明的进一步方案，所述异常特征映射的获取步骤具体为：
21、预训练神经网络应用于所述标准化数据集处理输入数据，采用公式：
22、
23、计算每个神经元的加权输入和激活前的总和，生成神经元激活前的特征映射；
24、其中，fk代表第k个神经元的输出，xi是第i个输入特征，wi是对应的权重，αi是输入特征的非线性调节参数，∈是规避除零错误的小量，σi是特征i的标准差，ci是每个特征的常数偏移，b是偏置项；
25、对所述神经元激活前的特征映射进行处理，提取关键特征，采用公式：
26、
27、生成关键特征分布图；
28、其中，f′k是归一化后的关键特征重要性，t是温度参数，m是特征的总数；
29、通过比较所述关键特征分布图中的差异，采用公式：
30、
31、计算多特征与平均重要性的偏差的平方和，生成异常特征映射；
32、其中，δf表示多特征偏离平均重要性的程度，σf′是关键特征重要性的标准差。
33、作为本发明的进一步方案，所述调整后的网络模型的获取步骤具体为：
34、根据所述异常特征映射结果调整神经网络权重，采用公式：
35、
36、生成初步调整的网络模型；
37、其中，w′ij是调整后的权重，wij是原始权重，δfj表示第j个特征的异常指数，η、λ、ρ分别为调节权重调整的速率；
38、对所述初步调整的网络模型进行再训练，优化性能，采用公式：
39、
40、最小化加权误差，生成优化后的网络模型；
41、其中，e是网络性能的加权均方误差，yk是目标输出，是调整后权重的预测输出，σk是每个样本的误差变异性，n是训练集中的样本数；
42、验证优化后的网络模型的效果，保证模型优化达到预期，采用公式：
43、
44、评估模型的拟合度和性能，生成调整后的网络模型；
45、其中，v是确定系数，衡量模型拟合实际数据的能力，yk、分别是实际输出和调整后的预测输出，是输出的平均值，n是样本数。
46、作为本发明的进一步方案，所述连接强度映射的获取步骤具体为：
47、利用所述调整后的网络模型分析新生儿脑血流动态数据，采用公式：
48、
49、计算脑区间的连接强度，得到初步的连接强度映射；
50、其中，cij代表脑区i和j之间的连接强度，xi,t和xj,t是时间点t的脑区活动数据，t是总时间点数，α和β是用于数值稳定性的调节参数，∈是稳定常数；
51、对所述初步连接强度映射进行归一化处理，采用公式：
52、
53、生成归一化的连接强度映射；
54、其中，c′ij是归一化后的连接强度，min(cij)、max(cij)分别为连接强度的最小值和最大值，γ是保证数学运算稳定性的小量；
55、利用所述归一化的连接强度映射，采用公式：
56、
57、计算脑区间的平均连接强度，分析和确定关键连接区域，生成连接强度映射；
58、其中，m是脑区间平均连接强度的度量，n是参照的脑区对总数，δ是保证数学运算稳定性的小量。
59、作为本发明的进一步方案，所述因果关系图的获取步骤具体为：
60、使用所述归一化的连接强度映射作为基础，采用因果建模技术推断脑区间的因果关系，采用公式：
61、
62、计算脑区i对脑区j的因果影响，生成初步的因果关系映射；
63、其中，rij代表脑区i对脑区j的因果关系强度，是时间点t的因果偏导，是方差参数，λ是正则化参数；
64、对所述初步因果关系映射进行标准化处理，采用公式：
65、
66、进行标准化处理，生成标准化的因果关系图；
67、其中，sij是标准化后的因果关系强度，min(rij)、max(rij)分别是因果关系强度的最小和最大值，μ、∈是用于保证数学运算稳定性的小量；
68、利用所述标准化的因果关系图，采用公式：
69、g＝∑i≠jsij
70、计算脑区间的总因果影响力，生成因果关系图；
71、其中，g是脑区间总因果关系强度的度量。
72、作为本发明的进一步方案，所述病情推论结果的获取步骤具体为：
73、综合所述因果关系图与所述连接强度映射，采用公式：
74、
75、分析影响力，生成影响映射；
76、其中，iij为影响映射，α是因果关系强度的平方系数，β调整连接强度的直接贡献，γ调节因果关系与连接强度的交互作用影响；
77、利用所述影响映射和所述异常特征映射，采用公式：
78、
79、分析每个脑区的异常特征影响，生成初步的病情分类；
80、其中，di表示脑区i的病情影响度，ej是脑区j的异常特征度，max(i)为影响力中的最大值；根据所述初步的病情分类和脑区的病情影响度，采用公式：
81、
82、进行病情推论，生成病情推论结果；
83、其中，pi是脑区i的病情概率，θ是逻辑回归中的偏置项。
84、与现有技术相比，本发明的优点和积极效果在于：
85、本发明中，整合新生儿脑电图与脑血流动态数据，并同步时间序列处理，为深度学习算法提供了更加精确的数据输入基础。通过数据点的标准化处理，新方案保证了来自不同检测设备的数据在分析时的一致性。关键特征的精准提取和异常特征的映射加速了潜在健康风险的识别，促进了早期干预。个性化调整神经网络权重以适应新生儿特定的脑血流情况，增强了模型的应用灵活性和疾病预测的准确性。多脑区间连接强度的计算及因果关系图的构建揭示了复杂脑区交互作用，提供了疾病机理的深入洞察，为制定精确治疗策略提供了支持。
1.基于深度学习的新生儿脑病诊断系统，其特征在于，所述系统包括：
2.根据权利要求1所述的基于深度学习的新生儿脑病诊断系统，其特征在于，所述标准化数据集的获取步骤具体为：
3.根据权利要求2所述的基于深度学习的新生儿脑病诊断系统，其特征在于，所述异常特征映射的获取步骤具体为：
4.根据权利要求3所述的基于深度学习的新生儿脑病诊断系统，其特征在于，所述调整后的网络模型的获取步骤具体为：
5.根据权利要求4所述的基于深度学习的新生儿脑病诊断系统，其特征在于，所述连接强度映射的获取步骤具体为：
6.根据权利要求5所述的基于深度学习的新生儿脑病诊断系统，其特征在于，所述因果关系图的获取步骤具体为：
7.根据权利要求6所述的基于深度学习的新生儿脑病诊断系统，其特征在于，所述病情推论结果的获取步骤具体为：
