一种基于心电向量图融合的室性异位心律智能定位方法及系统

摘要: 本发明涉及心电信号智能诊断与医工交叉人工智能,特别涉及一种基于心电向量图融合的室性异位心律智能定位方法及系统。背景技术:1、心室异位心律失常(包括频发室性早搏、...
一种基于心电向量图融合的室性异位心律智能定位方法及系统

本发明涉及心电信号智能诊断与医工交叉人工智能,特别涉及一种基于心电向量图融合的室性异位心律智能定位方法及系统。

背景技术:

1、心室异位心律失常(包括频发室性早搏、特发性室性心动过速等)在临床中发病率较高,对于药物治疗效果不佳的患者,需通过心腔内电生理射频消融术进行根治。术前精准预判异位起搏灶的解剖起源位置,是缩短手术时长、降低患者辐射暴露与心肌损伤的关键环节。

2、目前,临床主要依靠单一12导联体表心电图进行人工判读定位,存在以下固有缺陷:第一,单一心电图仅能反映心脏电活动在体表的二维投影,缺少空间立体传导信息,对于起源于左室summit区、乳头肌、希氏束旁等特殊解剖区域的复杂、重叠异位波形辨识度低;第二,人工判读高度依赖医师从业经验,缺乏定量化、标准化的客观评估手段,不同年资医师之间判读结果差异大,定位误差显著;第三,术前无法精准圈定消融靶区,导致术中需依赖三维电解剖标测系统进行大范围逐点标测,手术时间长,x射线暴露量和心肌导管损伤风险高。

3、心电向量图能够记录心脏电活动在三维空间中的向量环轨迹,可从额面、横面、侧面三个平面展示心脏除极与复极过程的空间传导特征,理论上可弥补单一心电图空间维度信息缺失的不足。然而,现有技术仅将心电图与心电向量图作为两种独立的诊断工具分别使用,未实现二者在时序维度与空间维度上的高精度同步配准与特征融合。同时,现有技术缺少以术中电生理成功消融靶点作为金标准标签的标准化数据集,难以训练出具有临床实用价值的自动化、定量化智能预测模型。

技术实现思路

1、本发明的目的是克服现有技术存在的不足,为实现以上目的,采用一种基于心电向量图融合的室性异位心律智能定位方法及系统,以解决上述背景技术中提出的问题。

2、本发明提供一种基于心电向量图融合的室性异位心律智能定位方法,包括:

3、同步采集同一患者的12导联体表心电图原始信号和frank体系心电向量图原始信号;对采集的原始信号进行预处理降噪、基线校正,并自动分割心室异位搏动的qrs特征点。

4、在此基础上,执行时空精准配准步骤:以心室异位qrs波为锚点,将心电图时序信号与心电向量图三维向量环进行点对点同步对齐,并结合胸前解剖定位标记将配准后的电信号映射至心脏三维解剖空间坐标。

5、执行多模态特征融合步骤:分别提取心电图12导联的时序波形特征和心电向量图三面空间向量特征,采用中期特征融合策略将所述时序波形特征与空间向量特征融合,生成统一的时空融合特征向量。

6、执行分级ai预测步骤:将所述时空融合特征向量输入至预训练的深度学习模型,分级输出异位起搏灶的解剖预估位置。

7、执行可视化展示步骤:同步展示ai预判的靶区位置与对应的关键心电图导联和特征向量环,生成射频消融术前定位参考报告。

8、进一步地,所述时空精准配准步骤具体包括:以每个心室异位搏动的qrs波起点作为时序对齐锚点,将同一心动周期内心电图时序波形上的qrs起点、峰值、终点与心电向量图三维向量环上的对应转向节点进行点对点匹配,并结合同步采集的胸前解剖定位标记,将配准后的双模态电信号映射至标准心脏三维解剖空间坐标系。

9、进一步地,所述多模态特征融合步骤具体包括:从心电图12导联中提取qrs波宽度、振幅、移行导联在内的时序形态特征;从心电向量图的额面、横面、侧面三平面向量环中提取环体转向方向、环体面积、最大向量角度在内的空间传导特征;采用卷积拼接方式将所述时序形态特征与空间传导特征进行中期融合,并过滤冗余高维特征,生成与异位病灶强关联的统一时空融合特征向量。

10、进一步地,所述预训练的深度学习模型采用resnet与transformer混合架构,内置四级递进分类器用于预测,其中,第一级用于区分左心室与右心室起源,第二级用于区分大解剖分区,第三级用于细化亚区,第四级用于精准输出最早起搏靶点的预估位置。

11、进一步地,所述预训练的深度学习模型还内置注意力机制,用于在分级预测过程中同步计算各心电图导联与各心电向量图特征向量环对预测结果的贡献权重;所述可视化展示步骤还包括将贡献权重最高的关键心电图导联和关键特征向量环作为模型判定依据进行高亮展示。

12、进一步地,所述方法还包括数据回流迭代步骤:采集术中电生理成功消融靶点作为金标准数据,将所述金标准数据与对应的双模态心电数据关联标注后回流至标准化数据库,采用交叉验证方式定期利用扩充后的数据库对所述预训练的深度学习模型进行重训练和权重微调。

13、进一步地,所述同步采集步骤中,通过硬件统一采样时钟确保心电图信号与心电向量图信号之间的时序误差小于或等于1毫秒。

14、进一步地,所述预处理降噪包括自动滤除肌电噪声和工频噪声,所述基线校正包括校正呼吸基线偏移,所述自动分割心室异位搏动的qrs特征点包括自动识别qrs波的起点、峰值、终点以及心电向量环的转向节点。

15、本发明还提供一种采用如上述任一项所述一种基于心电向量图融合的室性异位心律智能定位方法的定位系统,包括:

16、同步采集模块,用于同步采集同一患者的12导联体表心电图原始信号和frank体系心电向量图原始信号;信号预处理模块,用于对采集的原始信号进行预处理降噪、基线校正,并自动分割心室异位搏动的qrs特征点;时空配准模块,用于以心室异位qrs波为锚点,将心电图时序信号与心电向量图三维向量环进行点对点同步对齐,并结合胸前解剖定位标记将配准后的电信号映射至心脏三维解剖空间坐标;多模态特征融合模块,用于分别提取心电图12导联的时序波形特征和心电向量图三面空间向量特征,采用中期特征融合策略将所述时序波形特征与空间向量特征融合,生成统一的时空融合特征向量;分级ai预测模型模块,用于将所述时空融合特征向量输入至预训练的深度学习模型,分级输出异位起搏灶的解剖预估位置;可视化输出模块,用于同步展示ai预判的靶区位置与对应的关键心电图导联和特征向量环,生成射频消融术前定位参考报告。

17、进一步地,所述系统还包括模型迭代更新模块,用于采集术中电生理成功消融靶点作为金标准数据,将所述金标准数据与对应的双模态心电数据关联标注后回流至标准化数据库,采用交叉验证方式定期利用扩充后的数据库对所述预训练的深度学习模型进行重训练和权重微调。

18、与现有技术相比,本发明存在以下技术效果:

19、通过采用上述的技术方案,通过同步采集心电图与心电向量图双模态信号,并以心室异位qrs波为锚点进行点对点时空精准配准,将电信号映射至心脏三维解剖空间坐标系,补齐了单一心电图空间信息不足的短板,大幅提升了复杂重叠异位波形的分辨能力。

20、通过提取心电图时序形态特征与心电向量图空间传导特征,并采用中期特征融合策略进行卷积拼接融合,过滤冗余高维特征,生成了与异位病灶强关联的统一时空融合特征向量,为后续精准定位提供了高质量的特征输入。

21、采用以术中电生理成功消融靶点为金标准标签训练的resnet与transformer混合架构深度学习模型,通过四级递进分类器分级输出异位起搏灶的解剖预估位置,摆脱了对医师人工经验的依赖,对左室summit区、乳头肌等特殊高危区域的定位准确率显著提升。

22、通过在模型中内置注意力机制,能够在输出定位结果的同时同步展示关键心电图导联和关键心电向量图特征向量环,增强了ai预测结果的可解释性和临床可信度。

23、通过构建数据回流迭代闭环,将术中金标准数据持续回流至标准化数据库并定期重训练模型,使模型泛化能力随临床样本积累而持续提升,可适配多中心、基层医院等不同应用场景的规模化推广需求。

24、通过术前精准圈定消融靶区并生成可视化参考报告,可有效缩短术中三维标测时长,减少无效消融、x射线辐射暴露与心肌导管损伤,具有明确的临床转化价值。