一种利用窦性心律心电图预测阵发性室上性心动过速的方法

1.本发明涉及人工智能医疗技术领域，具体为一种利用窦性心律心电图预测阵发性室上性心动过速的方法。


背景技术：

2.阵发性室上性心动过速是一种在窦性心律期间无症状且不易检测到的常见疾病，它具有突发突止、未发病时心电图可能接近正常等特点，其诊断依赖于发病时心电图检查或者电生理检查术。因其突发突止的特点，阵发性室上性心动过速时常难以捕捉，许多患者至医院就诊时已恢复正常，心电图等常规检查技术不能依据病人窦性心律期间的心电图做出诊断或者排除阵发性室上性心动过速，从而延误患者诊治，影响患者生活质量。电生理检查术是一种有创和有风险的检查方式，且需要住院占用大量医疗资源。针对目前尚无一种有效的利用未发病时心电图进行预测和诊断阵发性室上性心动过速的方法，提出一种利用正常窦性心律心电图预测或诊断阵发性室上性心动过速的方法。


技术实现要素：

3.本发明的目的在于提供一种针对阵发性室上性心动过速的窦性心律心电图预测法，以解决上述背景技术中提出的目前没有一种通过窦性心律心电图就能准确预测阵发性室上性心动过速的问题。
4.为实现上述目的，本发明提供如下技术方案：
5.一种针对阵发性室上性心动过速的窦性心律心电图预测法，其步骤包括：
6.步骤1：筛选窦性心律心电图
7.选取采样频率为500hz的心电图机所制作的标准10秒12导联的数字心电图；明确窦性心律心电图排除范围；
8.步骤2：建立心电图数据集
9.获取心电图数据后，根据文本识别技术对心电图上的文本信息进行识别，按照步骤1所述的窦性心律心电图排除范围实现对所述窦性心律心电图的排除筛选；选取病患术前窦性心律心电图作为阳性病例，同时选取未有该病症及确诊情况的病人的窦性心律心电图为阴性病例；在满足所述选取条件时，建立的心电图数据集按比例划分为训练集、验证集和测试集；
10.步骤3：心电图预处理
11.对心电图数据集中的心电图进行裁剪，裁剪心电图上文本信息，仅保留心电图波段信息，同时对裁剪后的心电图进行二次线性插值处理，统一心电图图片像素；
12.步骤4：搭建阵发性室上性心动过速预测模型，依次由下采样模块、六个引入注意力机制的残差模块、池化分类模块三部分构成；
13.下采样模块由三个下采样操作配合使用激活函数relu与最大池化层构成，其中每一个下采样操作由卷积与归一化操作搭配完成；采用六个引入注意力机制的残差模块，划
分为四个阶段，每个阶段包含的模块数量依次为2,1,1,2；池化分类模块先设置全局平均池化层和丢包层，接着进入全连接层，将全连接后得到的特征送入softmax分类器，进行二分类，预测输入图片为阴性病例或是阵发性室上性心动过速病例；
14.步骤5：设计阵发性室上性心动过速预测模型评价指标：准确度accuracy、精度precision、灵敏度sensitivity、特异性specificity和f1分数f1-score指标：
[0015][0016][0017][0018][0019][0020]
其中，tp表示真阳性，tn表示真阴性，fp表示假阳性，fn表示假阴性；
[0021]
同时，通过建立受试者操作曲线并测量曲线下面积以评估阵发性室上性心动过速预测模型的性能；
[0022]
步骤6：设置学习率与优化器
[0023]
设定初始学习率，在迭代过程中，学习率采用余弦退火策略，优化器选择梯度下降算法，采用adam优化函数；
[0024]
步骤7：阵发性室上性心动过速预测模型的训练、验证及测试
[0025]
训练集送入阵发性室上性心动过速预测模型进行训练，若是出现训练不充分或者训练过拟合的情况，需要及时调整网络参数，主要通过验证集对模型调参，最终将测试集送入调试好的模型中测试，直观反应模型的预测性能；
[0026]
步骤8：阵发性室上性心动过速预测模型满足精度后部署到设备
[0027]
获取心电图数据：患者将心电图平摊在ai智能识别扫描仪指定位置，按启动按钮，计算机获取心电图数据，通过步骤2所述方法判断该份心电图是否为窦性心律心电图，若不符合则不予预测，若符合则通过步骤3所述方法对心电图进行预处理；
[0028]
预测阵发性室上性心动过速系统：阵发性室上性心动过速预测模型读入经过图像预处理的心电图，通过虚拟机运算，提取心电特征对该份心电图进行预测判断是否为阵发性室上性心动过速，预测结果在人机交互界面显示；
[0029]
优选的：ai智能识别扫描仪分辨率大于1280万像素；
[0030]
优选的：虚拟机选择windows server 2012r2操作系统，gpu选用nvidia tesla v100；
[0031]
步骤9：阵发性室上性心动过速模型定期训练，提高模型泛化能力。与现有技术相比，本发明的有益效果：
[0032]
利用窦性心律心电图针对阵发性室上性心动过速的预测法，将通过预测模型自动
提取心电特征以此辅助区分该患者是否患有阵发性室上性心动过速。本方法是一种无创、安全、快速且成本低的方法。采用的预测模型结构简单，泛化能力强，通过对正常患者和阵发性室上性心动过速患者窦性心律心电图进行学习、训练，提取阵发性室上性心动过速患者窦性心律心电图特征，能够实现快速利用此特征对可疑患者心电图进行识别分类。三甲医院心内科门诊每年至少有1000例心悸待查患者，其中20-30％患者可能患有阵发性室上性心动过速但不能明确诊断，需要电生理检查术，为有创检查且需住院花费5000-10000元，而使用本方法在一分钟内即可对上述心悸待查患者进行较准确的预判，从而对可疑阵发性室上性心动过速患者进行及时的诊断，建议进一步开展电生理检查术及射频消融术；对非阵发性室上性心动过速患者排除其对患阵发性室上性心动过速的担忧，避免不必要的电生理检查术，减少患者的痛苦，并节约医疗资源。
[0033]
本发明与现有技术的区别技术特征是本发明能够通过预测模型自动且快速高效地提取窦性心律心电图中肉眼无法识别的特征，从中识别出阵发性室上性心动过速病例。
附图说明
[0034]
图1为本发明的针对阵发性室上性心动过速的窦性心律心电图预测法的方法流程图；
[0035]
图2为本发明的预测模型架构图；
[0036]
图3为本发明的整体结构示意图。
具体实施方式
[0037]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0039]
参照附图1，一种基于窦性心律心电图的阵发性室上心动过速的预测方法，包含以下步骤：
[0040]
步骤1，筛选窦性心律心电图：
[0041]
选取采样频率为500hz的mac 800或1200st心电图机(ge医疗)所制作的标准10秒12导联的数字心电图；
[0042]
明确窦性心律心电图需排除：患者年龄小于14岁、心率小于45次/分钟或大于130次/分钟以及预激综合征、严重的房室传导阻滞、急性心肌梗死心电图；
[0043]
同时，根据光学字符识别技术(ocr技术，optical character recognition)对心电图上的文本信息进行识别，实现对所述窦性心律心电图的排除筛选。
[0044]
步骤2，建立心电图数据集：
[0045]
由医院提供心电图数据，共获取407份阵发性室上性心动过速患者术前窦性心律心电图作为阳性病例，同时获取1794份未有该病症及确诊情况病人的窦性心律心电图为阴性病例；
[0046]
建立的数据集按7:1:2的比例划分为训练集、验证集和测试集。
[0047]
步骤3，心电图预处理：
[0048]
对心电图数据集中的心电图进行裁剪，裁剪心电图上文本信息，仅保留心电图波段信息，同时对裁剪后的心电图进行二次线性插值处理，统一心电图片像素为(1600,800)。
[0049]
步骤4，搭建阵发性室上性心动过速预测模型：
[0050]
整个网络模型依次由下采样模块、六个引入注意力机制的残差模块、池化分类模块三部分构成。整体的网络结构参照附图2。
[0051]
下采样模块设置三个下采样操作，每一个下采样操作由卷积(convolution,conv)与归一化(batch normalization,bn)操作搭配完成，三个卷积层的卷积核(kernel,k)依次设为7
×
7,5
×
5,3
×
3，通道(channel,ch)数都设置为64，其中，第一个下采样操作步长(stride,s)设置为2，卷积填充(padding,p)设置为3，第二、第三个下采样操作步长设置为1，无卷积填充，完成三个下采样操作后，配合使用了激活函数relu与最大池化层(max pooling)组成整个下采样过程，最大池化层窗口为3
×
3。
[0052]
引入注意力机制的残差模块(se-resnet bottleneck)由squeeze-and-excitation networks(senet)提出，是在原有的残差模块中引入注意力机制的一种模型，共计采用六个引入注意力机制的残差模块，划分为四个阶段，每个阶段包含的模块数量依次为2,1,1,2，每个阶段的通道数依次为64,128,256,512。
[0053]
池化分类模块由全局平均池化层(global average pooling)，丢包层(dropout)、全连接层(fully connected)和分类器组成，其中全局平均池化窗口为7
×
7，丢包层丢包率为0.5，采用softmax分类器，进行二分类，预测输入图片为阴性病例(normal)或是阵发性室上性心动过速病例(paroxysmal supraventricular tachycardia,psvt).
[0054]
预测阵发性室上性心动过速系统自带预测模型，患者将心电图平摊在ai智能识别扫描仪指定位置，按下启动按钮获取心电图数据，通过文本识别(ocr)技术判断该份心电图是否为窦性心律心电图，若不符合则不予预测，若符合则读入经过图像预处理的心电图，通过虚拟机运算，提取心电特征对该份心电图进行预测判断是否为阵发性室上性心动过速，预测结果在人机交互界面显示。参考图3，其示出了本技术的整体结构示意图。
[0055]
步骤5，设计模型评价指标：
[0056]
目标函数优化得到的模型需要进行预测效果的评价，达到指标的模型才能够投入使用。因此，对预测分类输出设计相应的评价指标，主要有准确度(accuracy,acc)，精度(precision,pre)，灵敏度(sensitivity,sen)，特异性(specificity,spe)和f1分数(f1-score,f1)指标：
[0057][0058]
[0059][0060][0061][0062]
其中，tp(true positive)表示真阳性，tn(true negative)表示真阴性，fp(false positive)表示假阳性，fn(false negative)表示假阴性。
[0063]
同时，通过建立受试者操作曲线(receiver operating characteristic,roc)并测量曲线下面积(area under curve,auc)以评价分类器的性能。
[0064]
步骤6，设置学习率和优化器：
[0065]
初始学习率设为10-4
，在迭代过程中，学习率采用余弦退火策略；优化器选择梯度下降算法，不断更新网络模型中的参数，直到寻找到最优解，采用adam优化函数。
[0066]
步骤7，训练、验证与测试模型：
[0067]
将训练集中心电图数据送入模型进行训练，若是出现训练不充分或者训练过拟合的情况，及时调整模型参数，主要通过验证集对模型调参，直至验证集结果良好，冻结最终模型训练完善的各个结点参数，保存模型，最终将测试集送入调试好的模型中测试，直观反应模型的预测性能。
[0068]
本发明提出的利用窦性心律心电图预测阵发性室上性心动过速的方法，最终在测试集上，在各类指标上都达到了良好的效果。具体来说，通过建立roc并测量auc以评估网络，冻结验证集auc是0.956时的模型结点参数，并将测试集送入模型，得到f1-score指标为92.6％，灵敏度为90.2％，特异性为96.6％，精度为86.0％和准确度为95.5％，auc值为0.975。
[0069]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。