一种基于确定学习和心电图的心肌缺血检测方法及系统

1.本发明属于医学检测技术领域，尤其涉及一种基于确定学习和心电图的心肌缺血检测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.目前临床上有多种手段可以检测或诊断心肌缺血，比如冠脉ct血管造影和冠脉造影，可以检测评估生理结构上冠状动脉发生病变的程度；比如核素心肌灌注显像、心脏磁共振成像和冠脉血流储备分数等方法可用于检测评估心肌供血的功能是否正常。心肌缺血的诊断技术不断发展，但是诸如上述方法，存在成本高或有创的缺点。
4.心电图记录了心脏电活动传递到体表的电信号，是评估心脏功能和诊断各种心脏疾病时的重要依据。心电图获取容易、成本低廉且无创，并且有研究指出心电图中包含大量反映心肌缺血的信息。
5.基于心电图，人们提出了大量心肌缺血检测技术，如基于时域、频域和时频域分析技术从心电图提取各种变换域特征，然后结合机器学习方法实现对心肌缺血的检测和分类。随着深度学习在越来越多的领域得以应用并取得成功，国内外许多研究也将深度学习方法用于对心肌缺血进行检测。此外，近年来，心电信号的动力学分析方法也被应用于检测心肌缺血中，如确定学习算法，可对心电信号等时间序列内在的非线性动力学进行局部准确建模或学习，提供了一种从动力学角度更好地理解和分析心肌缺血心电信号的途径。
6.尽管上述方法在心肌缺血检测方面取得了不错的进展，但仍存在局限性。基于机器学习的方法通过人工特征工程从心电信号中提取有效的时域、时频域特征，这些特征较容易解释，易于被医生理解和应用；但有效的特征提取通常依赖对心电信号中p波、qrs波、st段和t波的准确定位，这通常是困难的。基于深度学习的方法可从大量数据中自动学习心电特征来提高心肌缺血检测准确率，但是目前难以解释其检测心肌缺血的依据；且该方法往往需要大规模数据集，而现实中获取大规模医学数据成本昂贵且耗时长。基于确定学习的方法首先从包含深层次缺血信息的心电动力学图提取有效特征，其次结合机器学习方法建立心肌缺血检测模型；已有研究表明，通过对心电数据的st-t段建模，提取其时间离散度和空间离散度特征，可以在心电图无特异性改变即仅通过目测心电图无法对心肌缺血做出明确诊断时准确检测心肌缺血。目前从心电动力学图中提取的特征较少，即对心电动力学图的信息利用程度有限。为了提高基于心电动力学图的心肌缺血检测的性能和拓展心电动力学图的应用范围，因而需要进一步挖掘其潜力。


技术实现要素：

7.为克服上述现有技术的不足，本发明提供了一种基于确定学习和心电图的心肌缺血检测方法及系统，基于确定学习算法和心电图，从动力学角度，提取新的能够有效反映心
肌缺血的特征并训练分类器以获得更好的心肌缺血检测性能。
8.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：一种基于确定学习和心电图的心肌缺血检测方法，包括以下步骤：
9.分别获取正常个体和心肌缺血患者的心电图数据，将所获取的心电图数据分为测试集和训练集；
10.对所述训练集中的心电图进行预处理并转换为三维心电矢量图，利用离散确定算法对三维心电矢量图进行建模，得到增强心电动力学图；
11.基于完整心拍在所述增强心电动力学图上呈环形提取环特征，将多个心拍提取的环特征进行处理后作为最终特征值，将最终特征值输入至分类模型中进行训练，得到训练好的分类模型；
12.将测试集中的心电图进行处理后输入至训练好的分类模型中，输出分类结果。
13.本发明的第二个方面提供一种基于确定学习和心电图的心肌缺血检测系统，其特征在于，包括：
14.数据获取模块，用于分别获取正常个体和心肌缺血患者的心电图数据，将所获取心电图数据分为测试集和训练集；
15.数据处理模块，用于对所述训练集中的心电图进行预处理并转换为三维心电矢量图，利用离散确定算法对三维心电矢量图进行建模，得到增强心电动力学图；
16.模型训练模块，用于基于完整心拍在所述增强心电动力学图上呈环形提取环特征，将多个心拍提取的环特征进行处理后作为最终特征值，将最终特征值输入至分类模型中进行训练，得到训练好的分类模型；
17.分类模块，用于将测试集中的心电图进行处理后输入至训练好的分类模型中，输出分类结果。
18.本发明的第三个方面提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
19.本发明的第四个方面提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
20.以上一个或多个技术方案存在以下有益效果：
21.本发明基于确定学习算法和心电图，一方面从动力学角度，提取能够有效反映心肌缺血的特征，这些特征可以反映更深层次的心肌缺血引起的心电信号的变化，有助于获取更好的心肌缺血检测性能；另一方面，与冠脉造影和核素心肌灌注显像等方法相比，其使用的数据简单易获得，获取过程中对病人无创。
22.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
23.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
24.图1是本发明实施例一中的流程图；
25.图2是本发明实施例一中去除噪声后的ecg；
26.图3是本发明实施例一中根据心电图数据计算生成的增强cdg；
27.图4是本发明实施例一中特征1的可视化图；
28.图5是本发明实施例一中特征2计算过程中的凸包可视化图；
29.图6是本发明实施例一中特征3、5和6计算过程中的投影的可视化图；
30.图7是本发明实施例一中特征4的可视化图。
具体实施方式
31.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
33.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
34.实施例一
35.如图1所示，本实施例公开了一种基于确定学习和心电图的心肌缺血检测方法，包括以下步骤：
36.步骤1：分别获取正常个体和心肌缺血患者的心电图数据，将所获取的心电图数据分为测试集和训练集；
37.步骤2：对所述训练集中的心电图进行预处理并转换为三维心电矢量图，利用离散确定算法对三维心电矢量图进行建模，得到增强心电动力学图；
38.步骤3：基于完整心拍在所述增强心电动力学图上呈环形提取环特征，将多个心拍提取的环特征进行处理后作为最终特征值，将最终特征值输入至分类模型中进行训练，得到训练好的分类模型；
39.步骤4：将测试集中的心电图进行处理后输入至训练好的分类模型中，输出分类结果。
40.在本实施例步骤1中，采用的心电图数据来自山东齐鲁医院和山东省立医院，共收集333例心电图记录，其中包含齐鲁医院141例心肌缺血患者的常规12导联心电图记录、143例正常个体的常规12导联心电图记录和省立医院49例正常个体的常规12导联心电图记录。本实施例收集的心电图数据长度为10秒，采样率为1000hz。
41.常规12导联心电图指ⅰ、ⅱ、ⅲ、avr、avl、avf、v1、v2、v3、v4、v5和v6的数值形式数据。
42.在本实施例步骤2中，使用截止频率为0.5hz的3阶高通巴特沃斯滤波器来去除的心电图数据中的基线漂移，并使用50hz陷波滤波器来去除工频干扰。
43.如图2所示为去除噪声后的ecg，将12导联ecg(其中8个独立的导联ⅰ、ⅱ、v1、v2、v3、v4、v5和v6)基于kors矩阵转换为3导联vcg，其中kors矩阵如下：
[0044][0045]
然后基于确定学习对vcg进行建模，得到增强心电动力学图。心电信号可以看作是非线性系统产生的周期或类周期信号，因此确定学习算法可以对心电图数据进行动力学建模而得到增强心电动力学图。可以通过对ecg降维或挑选ecg中的部分导联信号来探索更好的用于动力学建模的信号组合。
[0046]
具体的，利用确定学习建模的具体方法为：
[0047]
第一步，将ecg看作是由复杂非线性动态系统产生的周期性非平稳信号：
[0048][0049]
其中：x(t)＝[x1(t),x2(t),
…
,x
12
(t)]
t
是系统状态，即人体标准12导联心电信号；p为系统参数，f(x(t))＝[f1(x(t)),f2(x(t)),
…
,f
12
(x(t))]
t
是未知非线性动态。
[0050]
第二步，将12导联心电信号转换为3导联心电向量信号(vcg)，基于确定学习对完整心电周期数据建模。已有研究表明，3导联vcg是测量心脏时空电活动的一组紧凑正交测量，能够在保留心电动力学信息的情况下克服12导联心电信号所带来的维数问题。通过kors矩阵将12导联ecg(8个独立的导联ⅰ、ⅱ、v1、v2、v3、v4、v5和v6)转换为3导联vcg。
[0051]
这时考虑以下三维动态系统：
[0052][0053]
其中，fv(v(t))＝[f
v1
(v(t)),f
v2
(v(t)),f
v3
(v(t))]是非线性系统动态，即为vcg内在的动力学规律，v(t)＝[v1(t),v2(t),v3(t)]
t
∈r3是vcg。由12导联心电信号计算得到离散心电向量信号v(k)。
[0054]
第三步，对vcg采样数据进行动力学建模。系统(3)的离散采样模型可用如下欧拉模型近似表示：
[0055]
v(k 1)＝v(k) tsf(v(k)；p) ε(k；ts),v(0)＝v0
ꢀꢀ
(4)
[0056]
其中，ts是采样周期，ε(k；ts)表示欧拉采样模型的建模误差，v(0)是初始采样点，v(k)表示在tk＝t0 kts时刻的采样数据，即从初始采样点开始经过k(1≤k≤n-1，n为采样数据长度)个采样周期后得到的采样点。
[0057]
采用神经网络辨识器来学习其中的动力学规律：
[0058][0059]
其中，是用于辨识动力学系统的rbf神经网络，s(v(k))是输入为v(k)时得到的rbf神经网络的回归向量，是神经网络辨识器的状态，vi(k)是系统真实状态，表示rbf神经网络权值的估计，s:rn→rm
为rbf神经网络的回归向量，αi表示辨
识器参数满足其中ωi为无源参数估计误差系统的收敛速度。
[0060]
基于李亚普诺夫理论设计得到的自适应更新律：
[0061][0062]
其中，是状态估计误差，γ为学习增益参数满足其中‖s‖
2max
为rbf神经网络回归向量的2范数的上界。
[0063]
根据确定学习理论，上述rbf神经网络中沿着周期性采样数据序列的神经元函数构成的子向量满足部分持续激励条件，可以对心电动力学系统f(v(k)；p)进行局部准确建模，最终得到的是心电向量信号的动力学规律fv(v(k))：
[0064][0065]
最后，输出在三维空间可视化，即得到增强心电动力学图。
[0066]
在本实施步骤3中，使用pan-tompkins法定位vcg中r点位置，进行心拍的划分。单个完整心拍在增强心电动力学图中呈现为一个环或近似环形，对单个心拍的增强心电动力学图提取6个特征，其中包括环最大向量模值、环凸包体积、环在最佳投影面的面积、环上的点到环质心的最大距离、环的最佳投影面与xy平面的夹角和环在最佳投影面上的周长。
[0067]
具体的，如图4所示，对于特征1环最大向量模值特征的提取：计算增强心电动力学图中环上所有向量的模值，即环上的点到三维坐标系原点的欧式距离，取最大值即为环最大向量模值。
[0068]
对于特征2环凸包体积的提取：由于增强心电动力学图中环上的点可以看作三维空间中的点集，因此可以量化其中单个环的体积，并且一定程度反映了环的平整性。
[0069]
如图5所示，在本实施例中通过凸包算法计算出点集中的凸包点，通过表面建模得到的三维凸多面体，点集中所有的点都会被包络在该多面体中，最终计算该三维凸多面体的体积可以得到点集的最小凸包体积。
[0070]
在本实施例中，通过quickhull算法计算出点集中的凸包点，通过表面建模得到的三维凸多面体，点集中所有的点都会被包络在该多面体中，最终计算该三维凸多面体的体积可以得到点集的凸包体积。已知凸多面体a，可认为其由三角面s1,s2,
…
,sm围成，设三角面si的顶点为ai,bi,ci(从外部看，三个顶点呈逆时针排布)，其坐标值可组成行列式如下：
[0071][0072]
则凸多面体的体积为：
[0073][0074]
需要说明的，凸包是指在空间几何上,包含一系列已知顶点的最小凸多面体。
[0075]
如图6所示，特征3环在最佳投影面的面积特征的提取：首先利用最小二乘法求得点集的最佳拟合平面作为其最佳投影面，如式(2)所示：
[0076]
ax by gz d＝0
ꢀꢀ
(2)
[0077]
根据公式(3)将环上的点投影到最佳投影面，然后根据公式(4)将投影点的三维坐标转换为二维坐标，最后通过凸包算法计算二维点集的凸包面积。
[0078][0079]
其中，a,b,c,d为最佳投影面参数，(x0,y0,z0)为三维空间中环上的点，(x,y,z)为环上的点投影到最佳投影面的点。
[0080]
增强心电动力学图中环上的点构成点集v＝[v1,v2,
…
,vm]，其中m为环上点的个数，取其中一点为原点o，首先计算点集中除原点的任意一点到原点的向量的单位向量然后求得投影面中与向量垂直的单位向量根据公式(4)即可求得投影面中三维点对应的二维坐标。
[0081][0082]
其中，(a,b)为转换后的二维坐标。
[0083]
如图7所示，特征4环上的点到环质心的最大距离特征的提取：计算增强心电动力学图中环上的点到该环质心的欧式距离，取其最大值即为环上的点到环质心的最大距离。
[0084]
其中，质心计算如公式(5)所示，其中密度ρi＝1，m为环上点的个数，(xi,yi,zi)为环上的点的三维坐标，(xc,yc,zc)为环质心的三维坐标。
[0085][0086]
如图6所示，特征5环的最佳投影面与xy平面的夹角特征的提取：计算公式如公式(6)所示，向量和分别为环最佳投影面和xy平面的法向量。
[0087][0088]
如图6所示，特征6环在最佳投影面上的周长特征的提取：针对增强心电动力学图中环上的点构成的点集v＝[v1,v2,
…
,vm]，根据公式(3)求得投影面上的对应投影点，计算每相邻投影点之间的欧式距离，将所计算得到的欧式距离求和得到环在最佳投影面上的周
长。
[0089]
基于上述的方案，对单个心拍的增强心电动力学图提取了6个特征，并对多个心拍的增强心电动力学图重复上述的操作，获取多组特征数据，将所获得的多组特征数据计算其平均值和方差，将平均值和方差值作为最终的特征值。
[0090]
将所得到的12个特征值输入至支持向量机模型中进行训练，采用10次5折交叉验证，训练后的支持向量机的平均准确率为88.83％，敏感度为86.80％，特异度为90.30％。
[0091]
将测试集中的心电图数据进行同样的处理后，得到12个特征值输入至训练好的支持向量机模型中，输出分类结果，其检测结果可以作为临床诊断心肌缺血时的参考或用于初步筛查心肌缺血患者。
[0092]
实施例二
[0093]
本实施例的目的是提供一种基于确定学习和心电图的心肌缺血检测系统，包括：
[0094]
数据获取模块，用于分别获取正常个体和心肌缺血患者的心电图数据，将所获取心电图数据分为测试集和训练集；
[0095]
数据处理模块，用于对所述训练集中的心电图进行预处理并转换为三维心电矢量图，利用离散确定算法对三维心电矢量图进行建模，得到增强心电动力学图；
[0096]
模型训练模块，用于基于完整心拍在所述增强心电动力学图上呈环形提取环特征，将多个心拍提取的环特征进行处理后作为最终特征值，将最终特征值输入至分类模型中进行训练，得到训练好的分类模型；
[0097]
分类模块，用于将测试集中的心电图进行处理后输入至训练好的分类模型中，输出分类结果。
[0098]
实施例三
[0099]
本实施例的目的是提供一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
[0100]
实施例四
[0101]
本实施例的目的是提供一种计算机可读存储介质。
[0102]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
[0103]
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0104]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0105]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。