[发明专利]一种无症状冠状动脉重度狭窄的心电图筛查方法和系统

权利要求书

1.一种无症状冠状动脉重度狭窄的心电图筛查方法，其特征在于，包括：

构建冠状动脉数据集，其中，所述冠状动脉数据集包括冠状动脉狭窄患者的心电图和冠心病危险因素；

根据冠状动脉狭窄程度，标记所述心电图分别为重度狭窄标签和非重度狭窄标签；

将所述冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示；

拼接所述心电图向量特征表示和所述冠心病危险因素对应的危险因素向量特征表示，得到冠状动脉拼接向量；

使用非深度神经网络分类算法不断计算所述冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的所述重度狭窄标签或所述非重度狭窄标签；

使用所述心电图神经网络模型和所述非深度神经网络分类算法筛查受试者的心电图。

2.根据权利要求1所述的心电图筛查方法，其特征在于，所述将冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示的步骤，包括：

将标记后的所有心电图分别输入至所述心电图神经网络模型，得到对应的心电图向量特征表示；

对所述心电图向量特征表示中的各元素进行归一化处理，得到归一化处理后的心电图向量特征表示。

3.根据权利要求1或2所述的心电图筛查方法，其特征在于，所述拼接所述心电图向量特征表示和所述冠心病危险因素对应的危险因素向量特征表示，得到冠状动脉拼接向量的步骤，包括：

对所述冠心病危险因素进行分类标记和归一化处理，得到所述危险因素向量特征表示；

拼接同一冠状动脉狭窄患者的所述心电图向量特征表示和所述危险因素向量特征表示，得到所述冠状动脉拼接向量。

4.根据权利要求3所述的心电图筛查方法，其特征在于，所述使用非深度神经网络分类算法不断计算所述冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的所述重度狭窄标签或非重度狭窄标签的步骤，包括：

使用逻辑回归算法，建立所述冠状动脉拼接向量的逻辑回归公式，其中，所述逻辑回归公式包括所述冠状动脉的矩阵模型、所述矩阵模型初始化的参数和损失函数；

根据所述逻辑回归公式预测得到所述冠状动脉拼接向量的狭窄标签分类结果；

使用同一冠状动脉狭窄患者的所述重度狭窄标签或非重度狭窄标签验证所述狭窄标签分类结果；

根据梯度下降算法更新所述逻辑回归公式的参数，重新计算所述狭窄标签分类结果，直至所述损失函数小于或等于预定损失阈值。

5.根据权利要求4所述的心电图筛查方法，其特征在于，所述使用所述心电图神经网络模型和所述非深度神经网络分类算法筛查受试者的心电图的步骤，包括：

将所述心电图输入至所述心电图神经网络模型，得到心电图向量特征表示；

建立所述心电图对应冠心病危险因素的危险因素向量特征表示；

拼接所述心电图向量特征表示和所述危险因素向量特征表示，得到所述冠状动脉拼接向量；

将所述冠状动脉拼接向量输入至所述非深度神经网络分类算法，计算得到所述狭窄标签分类结果。

6.根据权利要求5所述的心电图筛查方法，其特征在于，所述将所述冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示的步骤之前，所述方法还包括：

使用所述冠状动脉数据集的心电图训练所述心电图神经网络模型，得到标签鉴别结果；

使用所述重度狭窄标签和非重度狭窄标签验证所述心电图神经网络模型的标签鉴别结果；

当所述标签鉴别结果鉴定失败时，重复使用所述冠状动脉数据集训练所述心电图神经网络模型；

对所述冠状动脉数据集中的所有心电图重复上述步骤，直至所述心电图神经网络模型的标签鉴别成功率大于或等于预定阈值。