[发明专利]基于残差神经网络的冠心病心电图筛查系统及方法

说明书

本发明提供了一种基于残差神经网络的冠心病心电图筛查系统，包括：心电信号处理模块：提取心电图机产生心电信号，使用symlets4小波对心电信号进行多层分解去噪，寻找心电信号转换的心电序列数据中R波的位置，并以其为基准进行心拍分割；深度特征提取模块：针对经过心电信号处理模块处理过的数据进行平移和缩放来数据增强，并使用包含挤压和激励网络模块的ResneXt50网络提取十二导联心电图的深度特征。树形模型预测模块：将深度特征提取模块提取的深度特征与心电图机数据进行结合，输入训练好的XGBoost模型得到心电图中出现冠心病心电特征的预测概率。本发明安装使用成本低，能够自动筛查，准确性相对心电图机的诊断更高，能够减少误判或者漏判，降低医生工作量。

技术领域

本发明涉及心血管疾病诊断技术领域，具体地，涉及一种基于残差神经网络的冠心病心电图筛查系统及方法。

背景技术

冠状动脉粥样硬化性心脏病，简称冠心病，是指由于冠状动脉粥样硬化、冠状动脉狭窄引起的缺血、缺氧性心脏病，心律失常是其常见并发症。冠心病是引起老年人的重要死因之一，发病率和年龄成正比例关系。临床上表现为心绞痛、心肌梗死等状况，更有甚者因心律失常、心力衰竭而死亡。目前诊断冠心病的金标准是冠状动脉造影，但因其成本高且具有一定的风险，因此无法普及。目前利用十二导联心电图检测冠心病是十分重要的辅助检查手段，目前心电图筛查主要是通过医生观察心电图然后给出心电图相关的诊断，然后根据诊断判断是否可能患有冠心病。

心电图各波及波段的组成依次为P波、PR间期、QRS波群、J点、ST段、T波、U波、QT间期。冠心病主要分为慢性的心肌缺血和机型的心肌缺血，慢性的心肌缺血主要表现为ST段的抬高、ST段的压低、T波的低平、T波的倒置，而急性的心肌缺血最主要的表现是ST段的抬高、病理性Q波、T波的倒置或者明显的高尖。

ST段代表心室肌全部除极完成复极尚未开始的一段时间。此时各部位的心室肌都处于除极状态，细胞之间并没有电位差，因此正常情况下ST段应处于等电位线上。当某部位的心肌出现缺血或坏死的表现，心室在除极完毕后仍存在电位差，此时表现为心电图上ST段发生偏移。之后的T波代表了心室的复极，在QRS波主波向上的导联，T波应与QRS主波方向相同。心电图上T波的改变受多种因素的影响。Q波是室间隔除极产生右前方的向量形成的，正常情况下，时限不超过0.03s(III、avR导联除外)，深度不会超过同导联R波的1/4。

随着人工智能技术的快速发展，深度学习作为一种基于对数据进行表征学习的方法，迅速兴起。在近年来，深度学习已经成为一种重要的方法论，成功应用于计算机视觉、模式识别和生物信息学等方向。不少学者已经尝试将神经网络技术用于心血管疾病诊断。Mathews等人将玻尔兹曼机和深信念网络结合，对心室和室上心跳进行分类，并取得较高准确率。Acharya等人则提出了十一层的卷积神经网络模型，来对心律失常疾病的四种类型进行分类。Sannino设计了一个深度神经网络模型来对心电信号进行自动分类。Andrew Ng博士领衔的团队在2019年在Nature Medicine上发表论文，开发了一个1D卷积神经网络，可基于任意长度心电序列数据检测心率不齐。但由于数据均是基于单导联心电图，获得有效的心脏电生理信息量不足和并且有大量干扰信号，而无法判断心脏激动、传导阻滞、心肌损伤和坏死程度。O.Yildirim团队提出了一个以标准12导联心电图讯号为基础的端到端结构的深度学习模式，以诊断心肌梗塞，并取得了不错的效果。

然而目前进行的心电图研究大部分使用的是国际上公认的心率失常标准数据库，包含美国麻省理工学院提供的MIT-BIH数据库、美国心脏学会提供的AHA数据库、欧共体CSE数据库，集中在心率失常分类上，相对来说，心肌缺血和心肌梗死研究较少，主要是数据较难获取。但心肌缺血与心梗发病率很高，其代表疾病冠心病更是致死率极高的疾病，有很高的研究价值。同时病人心电检测时，心电图机也会产出一些心电图的医学特征，这些特征也可以用于诊断参考，但是单一的深度学习系统不能有效利用这些信息。