[发明专利]一种基于无监督领域自适应的心梗定位方法

说明书

本发明公开了基于无监督领域自适应的针对12导联心电图的心梗定位系统及方法，首先对12导联ECG信号应用小波去噪、自适应滑窗定位R峰、心拍分割等预处理，将预处理后的ECG信号作为一个整体送入DA‑MBN模型，先用基础的注意力机制(SE)模块对每个导联的信号特征进行加权，之后送入由多分支1D‑CNN搭建而成的特征提取网络提取特征，最后输入线性层和SoftMax层进行分类，其次使用领域自适应的方法利用无标签的ECG数据计算特征距离度量，将其作为正则项并入损失函数，用于微调模型，使模型能够提取更多的域不变特征。本发明通过多个不同尺度的分支进行特征提取，结合自注意力模块以及通道注意力机制对不同尺度不同导联的特征加权处理，最后用无监督领域自适应方法微调模型，为解决患者间情况下的心梗定位提供了一种有效的技术手段。

技术领域

本发明涉及心电图的自动诊断技术领域，具体涉及一种基于无监督领域自适应的心梗定位方法。

背景技术

心血管疾病一直以来居死亡率居首位，占疾病死亡人数的40％。而心血管疾病中最常见也是影响最为严重的疾病就是心肌梗死(Myocardial Infarction,MI)。心肌梗死是由冠状动脉粥样硬化引起管腔狭窄、斑块脱落、血栓形成而导致某一支冠状动脉发生严重而持久痉挛性闭塞，从而引起心肌细胞急性缺血、损伤直至坏死的急性缺血性心脏病。该病发病急促、病情凶险、极易诱发恶性心律失常、心源性休克、等危及生命的并发症，尽早确诊对于心肌梗死的治疗及预后至关重要。如果能及时精确地对心梗部位定位，采取相应地的治疗措施，可以有效地减少并发症，大大降低患者的死亡率。

心电图(Electrocardiogram,ECG)检查是诊断心肌梗死最有效的手段对早期诊断心肌梗死具有重要的临床意义。它通常由12个导联组成，包括3个标准肢体导联(I、II、III)，3个加宽肢体导联(AVR、AVL、AVF)和6个胸前导联(V1～V6)。心肌梗死可表现为心电信号中的异常波形，通常根据梗死部位与冠状动脉分支的损伤程度和位置的不同，会产生比较直观的变化，如缺血型T波倒置、损伤型ST段抬高、坏死型Q波等特征性的波形变化。特别是不同的梗死位置的特征，往往可以从特定的导联中更加直观地分析出。根据患者的心电图各个导联演变情况往往可以快速有效的诊断心肌梗死，判断梗死部位，还对于心肌梗死患者的病情救治及预后评估，具有重要临床指导价值。

临床中，心肌梗死诊断主要依据医生对患者产生的心电图进行的主观判断，随着计算机技术的飞速发展，尤其是近几年大数据以及人工智能技术的迅猛发展，诞生了一系列心梗检测的算法。传统方法一般使用机器学习的方法来诊断心肌梗死，它往往需要复杂的特征选择与提取以及分类器的确定，为了克服这一局限性，深度学习模型被引入到基于心电的心肌梗死诊断中，它可以从数据中学习关键特征，而不需要过多的人工干预。在实际应用中因患者间的差异,以及同一患者不同时段的ECG信号也存在着差异.从而使常规训练模型的心梗分类定位性能大幅下滑。

发明内容

1、本发明的目的

本发明的目的在于针对患者间的差异致使常规训练模型的心梗分类定位性能大幅下滑问题，提出一种基于无监督领域自适应的心梗定位方法，该方法利用无监督的ECG数据，就能有效地提升患者间模型的心梗分类性能。

2、为了实现上述目的，本发明通过以下技术方案实现：

本发明提供的一种基于无监督领域自适应的心梗定位方法，具体步骤包括：

步骤一：将12导联ECG数据进行数据清洗、去除基线漂移和噪声以及心拍分割等数据预处理操作；

步骤二：DA-MBN模型的设计，包括用于提取心梗特征的特征提取器和根据提取到的特征进行分类的分类器，以及网络的训练；

步骤三：无监督领域自适应微调网络方法，包括对无标签的数据的伪标签标定和对使用有监督数据训练出的模型进行自适应微调。

进一步地，所述步骤一具体实现方法为：