[发明专利]一种基于确定学习和心电图的心肌缺血检测方法及系统

说明书

本发明提出了一种基于确定学习和心电图的心肌缺血检测方法及系统，分别获取正常个体和心肌缺血患者的心电图数据，将所获取的心电图数据分为测试集和训练集；对所述训练集中的心电图进行预处理并转换为三维心电矢量图，利用离散确定算法对三维心电矢量图进行建模，得到增强心电动力学图；基于完整心拍在所述增强心电动力学图上呈环形提取环特征，将多个心拍提取的环特征进行处理后作为最终特征值，将最终特征值输入至分类模型中进行训练，得到训练好的分类模型；将测试集中的心电图进行处理后输入至训练好的分类模型中，输出分类结果。提取能够有效反映心肌缺血的特征并训练分类器以获得更好的心肌缺血检测性能。

技术领域

本发明属于医学检测技术领域，尤其涉及一种基于确定学习和心电图的心肌缺血检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前临床上有多种手段可以检测或诊断心肌缺血，比如冠脉CT血管造影和冠脉造影，可以检测评估生理结构上冠状动脉发生病变的程度；比如核素心肌灌注显像、心脏磁共振成像和冠脉血流储备分数等方法可用于检测评估心肌供血的功能是否正常。心肌缺血的诊断技术不断发展，但是诸如上述方法，存在成本高或有创的缺点。

心电图记录了心脏电活动传递到体表的电信号，是评估心脏功能和诊断各种心脏疾病时的重要依据。心电图获取容易、成本低廉且无创，并且有研究指出心电图中包含大量反映心肌缺血的信息。

基于心电图，人们提出了大量心肌缺血检测技术，如基于时域、频域和时频域分析技术从心电图提取各种变换域特征，然后结合机器学习方法实现对心肌缺血的检测和分类。随着深度学习在越来越多的领域得以应用并取得成功，国内外许多研究也将深度学习方法用于对心肌缺血进行检测。此外，近年来，心电信号的动力学分析方法也被应用于检测心肌缺血中，如确定学习算法，可对心电信号等时间序列内在的非线性动力学进行局部准确建模或学习，提供了一种从动力学角度更好地理解和分析心肌缺血心电信号的途径。

尽管上述方法在心肌缺血检测方面取得了不错的进展，但仍存在局限性。基于机器学习的方法通过人工特征工程从心电信号中提取有效的时域、时频域特征，这些特征较容易解释，易于被医生理解和应用；但有效的特征提取通常依赖对心电信号中P波、QRS波、ST段和T波的准确定位，这通常是困难的。基于深度学习的方法可从大量数据中自动学习心电特征来提高心肌缺血检测准确率，但是目前难以解释其检测心肌缺血的依据；且该方法往往需要大规模数据集，而现实中获取大规模医学数据成本昂贵且耗时长。基于确定学习的方法首先从包含深层次缺血信息的心电动力学图提取有效特征，其次结合机器学习方法建立心肌缺血检测模型；已有研究表明，通过对心电数据的ST-T段建模，提取其时间离散度和空间离散度特征，可以在心电图无特异性改变即仅通过目测心电图无法对心肌缺血做出明确诊断时准确检测心肌缺血。目前从心电动力学图中提取的特征较少，即对心电动力学图的信息利用程度有限。为了提高基于心电动力学图的心肌缺血检测的性能和拓展心电动力学图的应用范围，因而需要进一步挖掘其潜力。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于确定学习和心电图的心肌缺血检测方法及系统，基于确定学习算法和心电图，从动力学角度，提取新的能够有效反映心肌缺血的特征并训练分类器以获得更好的心肌缺血检测性能。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：一种基于确定学习和心电图的心肌缺血检测方法，包括以下步骤：

分别获取正常个体和心肌缺血患者的心电图数据，将所获取的心电图数据分为测试集和训练集；

对所述训练集中的心电图进行预处理并转换为三维心电矢量图，利用离散确定算法对三维心电矢量图进行建模，得到增强心电动力学图；

基于完整心拍在所述增强心电动力学图上呈环形提取环特征，将多个心拍提取的环特征进行处理后作为最终特征值，将最终特征值输入至分类模型中进行训练，得到训练好的分类模型；