基于心电信号评估左心室质量指数的方法、系统及介质与流程
本发明涉及人工智能医疗,具体地,涉及一种基于心电信号评估左心室质量指数的方法、系统及介质。
背景技术:
1、左心室肥厚(lvh)是心脏为应对压力或容量负荷增加而发生的一种适应性结构改变,也是心血管疾病发生和死亡的独立危险因素。临床上,准确评估左心室质量对于左心室肥厚(lvh)的相关医学研究和参数量化具有重要意义。左心室质量指数(lvmi)是量化左心室重构程度的指标,通常通过超声心动图等影像学检查获得。然而,影像学检查成本较高、操作复杂且依赖专业医师。
2、心电图(ecg)作为一种无创、廉价且广泛普及的检查手段,为筛查左心室肥厚(lvh)提供了可能。传统的ecg诊断方法主要依赖于人工设定的电压标准,例如sokolow-lyon标准或cornell电压标准。这类方法仅利用了12导联心电信号中有限的幅值信息,忽略了波形中蕴含的丰富时序动态、形态学变化以及导联间的复杂空间关系,因此其诊断的灵敏度和特异性均不理想,且无法提供左心室质量指数(lvmi)这样的连续量化指标。
3、随着人工智能技术的发展,深度学习模型被应用于从心电信号中自动识别左心室肥厚(lvh)。这些方法能够从原始ecg波形中学习高维度的复杂特征,在一定程度上提升了诊断性能。然而,现有的人工智能方法大多将左心室肥厚(lvh)评估简化为一个二分类问题,即判断左心室肥厚(lvh)存在或不存在,这种处理方式忽略了左心室质量指数作为一个连续变量所能提供的精细化重构程度信息,导致信息粒度粗糙。
4、此外,现有的一些模型在架构设计和训练策略上也存在局限。例如,采用单一编码器结构的方案可能难以同时兼顾心电信号的全局时空分布特征和特定导联的局部形态细节。同时,依赖单个模型进行预测,容易受训练数据随机性的影响,导致模型方差较大,预测结果不够稳定。这些因素共同限制了现有技术在不同人群和不同采集设备间的泛化能力和临床应用的可靠性.
5、因此,亟待开发一种能够准确、稳定地从心电信号中评估连续左心室质量指数,并具备良好泛化性的新技术。
技术实现思路
1、针对现有技术中的缺陷,本发明的目的是提供一种基于心电信号评估左心室质量指数的方法、系统及介质。
2、根据本发明提供的一种基于心电信号评估左心室质量指数的方法,包括:
3、将多导联心电信号作为一个整体联合输入至第一特征编码路径,以提取所述多导联心电信号的全局特征;
4、将所述多导联心电信号的各导联信号分别输入至第二特征编码路径,以提取各导联的局部特征;
5、通过特征融合模块,对所述第一特征编码路径输出的全局特征和所述第二特征编码路径输出的局部特征进行交互式融合,以生成融合特征表示;
6、基于所述融合特征表示,通过一个异构模型集进行预测,并对所述异构模型集中各模型的回归输出进行聚合,以生成最终的左心室质量指数预测值。
7、优选地,所述异构模型集包括至少一个左心室质量指数回归模型和至少一个分类-回归混合模型;
8、所述至少一个左心室质量指数回归模型采用加权损失函数训练得到,所述加权损失函数对基于与心电信号配对的超声心动图数据计算获得的连续值的左心室质量指数超过预设阈值的样本赋予比未超标样本更高的损失权重;
9、所述至少一个分类-回归混合模型采用包含左心室肥厚二分类损失和左心室质量指数回归损失的联合损失函数训练得到,所述训练使用所述连续值的左心室质量指数作为回归监督目标。
10、优选地,所述特征融合模块为基于transformer的注意力模块,通过所述特征融合模块进行交互式融合的步骤包括:
11、将所述第一特征编码路径输出的全局特征和所述第二特征编码路径输出的局部特征,作为键和值输入至所述基于transformer的注意力模块;
12、所述注意力模块利用预设的任务查询向量,对所述全局特征和所述局部特征执行交叉注意力计算,以生成所述融合特征表示。
13、优选地,所述异构模型集包括四个预测模型,所述四个预测模型均接收所述融合特征表示作为输入;其中,三个预测模型为左心室质量指数回归模型,专门用于预测连续的左心室质量指数值;另一个预测模型为分类-回归混合模型,其被配置为同时执行左心室肥厚二分类预测和左心室质量指数回归预测;
14、所述三个左心室质量指数回归模型通过采用不同的随机种子进行初始化训练,具体包括:
15、为每一个左心室质量指数回归模型的训练过程分配一个唯一的随机种子;所述随机种子用于控制所述回归模型训练过程中的随机性操作,所述随机性操作至少包括模型网络权重的随机初始化和训练数据批次的随机划分与排序;
16、通过使用不同的随机种子,使得所述三个左心室质量指数回归模型在相同的模型架构和训练数据下,学习得到不同的模型参数。
17、优选地,所述对所述异构模型集中各模型的回归输出进行聚合,具体包括:
18、分别获取所述异构模型集中每一个预测模型的回归输出,所述回归输出为所述模型预测的左心室质量指数值;
19、将所述至少一个左心室质量指数回归模型输出的左心室质量指数值和所述至少一个分类-回归混合模型输出的左心室质量指数值进行收集;
20、将收集到的所有左心室质量指数值相加后,除以所述异构模型集中的模型总数,从而计算得到算术平均值,并将该算术平均值作为最终的左心室质量指数预测值。
21、优选地,所述方法还包括:在将所述多导联心电信号输入至所述第一特征编码路径和所述第二特征编码路径之前,对所述多导联心电信号进行预处理,所述预处理具体包括:
22、将所述多导联心电信号的各导联信号的长度通过插值或抽取的方式统一重采样至预设的长度;
23、对重采样后的各导联信号的幅值进行归一化或限幅处理,以使其数值范围落入预设区间;
24、将预处理后的各导联信号按照固定的导联顺序排列,以组成一个标准化的多导联矩阵作为后续编码路径的输入。
25、优选地,所述第一特征编码路径和所述第二特征编码路径在进行训练前,其网络参数被初始化为一组预训练权重;所述预训练权重是通过在一个大规模心电数据库上,采用自监督学习或其它预训练任务对一个基础编码器模型进行训练而获得的;
26、所述加载过程具体为,将所述预训练权重作为所述第一特征编码路径和所述第二特征编码路径中对应网络层的初始参数,之后再利用所述连续值的左心室质量指数作为监督目标进行微调训练。
27、优选地,所述方法还包括:在模型部署后,持续记录与每次预测相关联的元数据,所述元数据包括采集心电信号的设备域信息、输入信号质量、输出的左心室质量指数预测值和/或左心室肥厚风险概率;通过统计分析所述元数据,监测模型在不同设备域上的性能指标,所述性能指标包括概率分布或阳性率;当监测到所述性能指标与预设的基线值发生偏离时,判定为发生性能漂移,并触发对模型的重新校准流程。
28、优选地,所述方法还包括:
29、将12导联心电图机获得的多导联心电信号作为一个整体联合输入至第一特征编码路径,以提取所述多导联心电信号的全局特征;
30、将所述多导联心电信号的各导联分别输入至第二特征编码路径,以提取各导联的局部特征;
31、通过特征融合模块,对所述第一特征编码路径输出的全局特征和所述第二特征编码路径输出的局部特征进行交互式融合,以生成融合特征表示;
32、基于所述融合特征表示,通过一个异构模型集进行预测,并对所述异构模型集中各模型的回归输出进行聚合,以生成最终的左心室质量指数预测值。
33、根据本发明提供的一种基于心电信号评估左心室质量指数的系统,包括:
34、全局特征提取模块,用于将多导联心电信号作为一个整体联合输入至第一特征编码路径,以提取所述多导联心电信号的全局特征;
35、局部特征提取模块,用于将所述多导联心电信号的各导联信号分别输入至第二特征编码路径,以提取各导联的局部特征;
36、特征融合模块,用于对所述全局特征和所述局部特征进行交互式融合,以生成融合特征表示;
37、预测模块,用于基于所述融合特征表示,通过一个异构模型集进行预测;
38、输出聚合模块,用于对所述异构模型集中各模型的回归输出进行聚合,以生成最终的左心室质量指数预测值;
39、其中,所述异构模型集包括至少一个左心室质量指数回归模型和至少一个分类-回归混合模型,所述至少一个左心室质量指数回归模型采用加权损失函数训练得到,所述加权损失函数对基于与心电信号配对的超声心动图数据计算获得的连续值的左心室质量指数左心室质量指数超过预设阈值的样本赋予比未超标样本更高的损失权重;所述至少一个分类-回归混合模型采用包含左心室肥厚左心室肥厚二分类损失和左心室质量指数回归损失的联合损失函数训练得到,所述训练使用所述连续值的左心室质量指数作为回归监督目标。
40、根据本发明提供的一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于心电信号评估左心室质量指数的方法。
41、与现有技术相比,本发明具有如下的有益效果:
42、1、本发明通过直接以连续值的左心室质量指数(lvmi)作为监督目标进行回归预测,克服了传统二分类方法信息粒度粗的缺陷,能够输出反映左心室质量具体数值的连续估计值,为疾病的动态变化监测提供了更丰富、更精确的信息。
43、2、本发明采用第一特征编码路径和第二特征编码路径并行的双流架构,能够同时捕获心电信号的整体时空分布、导联间关系等全局特征,以及qrs波群、st-t段形态等单导联的局部细粒度特征,并通过基于注意力机制的特征融合模块进行有效整合,获得了更全面的任务感知特征表示。
44、3、本发明通过构建包含多个模型的异构模型集,并结合对异常样本加权的加权损失函数和分类-回归联合优化的损失函数,有效降低了单一模型的预测方差,增强了模型对关键样本的学习能力,从而提高了最终左心室质量指数(lvmi)预测值的稳定性和准确度。
45、4、本发明不仅提出了核心的预测模型,还涵盖了从预训练权重迁移、输出概率校准、决策阈值配置到部署后性能漂移监测的全流程,形成了一套可落地、可维护、可信赖的解决方案,有效提升了模型在不同医疗设备和人群中的泛化能力和长期应用的可靠性。
46、5、本发明能够让传统12导联心电图机在获得心电信号的同时,能够输出对左心室肥厚的筛查结果,达到心超机器的效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com