一种无症状冠状动脉重度狭窄的心电图筛查方法和系统

1.本发明涉及网络通信技术领域，尤其涉及一种无症状冠状动脉重度狭窄的心电图筛查方法和系统。


背景技术：

2.冠状动脉是供给心脏血液的动脉血管，直接决定心脏的供血功能。若出现重度的冠状动脉狭窄，即动脉管腔直径狭窄≥90%，则会严重威胁人类的生命健康，一旦发现冠状动脉重度狭窄，就必须及时进行血运重建，开通重度狭窄的血管，恢复正常的血流灌注。
3.通常情况下由于心脏冠状动脉供血系统的代偿机制，即使存在冠状动脉重度狭窄，冠状动脉仍能通过建立侧支循环等方式维持心脏供血，患者也可能缺乏冠状动脉狭窄典型的心绞痛症状，这就导致患者不会主动就医；另外在例行体检心电图中也难以明确冠状动脉的异常，导致心电图阴性的高危冠心病患者极易被漏诊，错过诊疗的最佳时期。
4.现有的科研团队利用深度学习模型匹配12导联标准心电图和冠状动脉造影的结果，能够对冠状动脉狭窄程度和位置进行判断，但是上述方法并不能够专门针对心电图阴性的冠状动脉重度狭窄的患者进行筛查，不具有严格意义上冠状动脉重度狭窄判定的专一性和准确性；此外上述模型需要大量的冠状动脉造影结果，而由于冠状动脉造影是有创检查，其造影结果并不容易获得，所以上述方法并不具有普适性。


技术实现要素：

5.本发明提供一种无症状冠状动脉重度狭窄的心电图筛查方案，旨在解决现有技术提供的冠状动脉造影结果不具备心电图阴性的冠状动脉狭窄判定的专一性和准确性，并且是有创检查，造影结果不容易获取，不具有普适性的问题。
6.为实现上述目的，根据本发明的第一方面，本发明提出了一种无症状冠状动脉重度狭窄的心电图筛查方法，包括：构建冠状动脉数据集，其中，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，标记心电图分别为重度狭窄标签和非重度狭窄标签；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；拼接心电图向量特征表示和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重度狭窄标签或非重度狭窄标签；使用心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图。
7.优选的，上述心电图筛查方法，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心电图神经网络模型，得到对应的心电图向量
特征表示；对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。
8.优选的，上述心电图筛查方法，拼接心电图向量特征表示和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：对冠心病危险因素进行分类标记和归一化处理，得到危险因素向量特征表示；拼接同一冠状动脉狭窄患者的心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量。
9.优选的，上述心电图筛查方法中，使用非深度神经网络分类算法不断计算冠状动脉拼接向量，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，建立冠状动脉拼接向量的逻辑回归公式，其中，逻辑回归公式包括冠状动脉的矩阵模型、矩阵模型初始化的参数和损失函数；根据逻辑回归公式预测得到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重度狭窄标签或非重度狭窄标签验证狭窄标签分类结果；根据梯度下降算法更新逻辑回归公式的参数，重新计算狭窄标签分类结果，直至损失函数小于或等于预定损失阈值。
10.优选的，上述心电图筛查方法中，使用心电图神经网络模型和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：将心电图输入至心电图神经网络模型，得到心电图向量特征表示；建立心电图对应冠心病危险因素的危险因素向量特征表示；拼接心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量；将冠状动脉拼接向量输入至非深度神经网络分类算法，计算得到狭窄标签分类结果。
11.优选的，上述心电图筛查方法，在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之前还包括：使用冠状动脉数据集的心电图训练心电图神经网络模型，得到标签鉴别结果；使用重度狭窄标签和非重度狭窄标签验证心电图神经网络模型的标签鉴别结果；当标签鉴别结果鉴定失败时，重复使用冠状动脉数据集训练心电图神经网络模型；对冠状动脉数据集中的所有心电图重复上述步骤，直至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。
12.优选的，上述心电图筛查方法中，构建冠状动脉数据集的步骤包括：将冠状动脉狭窄患者的真冠状动脉狭窄心电图输入至生成对抗网络；使用生成对抗网络中的生成器，根据真冠状动脉心电图中的冠状动脉狭窄特征生成伪冠状动脉狭窄心电图；将伪冠状动脉狭窄心电图和真冠状动脉狭窄心电图输入至生成对抗网络的鉴别器进行分类鉴别；
按照鉴别器的分类鉴别结果训练生成器；当生成器训练完成时，使用生成器生成的伪冠状动脉狭窄心电图和真冠状动脉狭窄心电图构建冠状动脉数据集。
13.根据本发明的第二方面，本发明还提供了一种无症状冠状动脉重度狭窄的心电图筛查系统，包括：数据集构建模块，用于构建冠状动脉数据集，其中，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；标签标记模块，用于根据冠状动脉狭窄程度，标记心电图分别为重度狭窄标签和非重度狭窄标签；数据集输入模块，用于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；向量拼接模块，用于拼接心电图向量特征表示和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；向量计算模块，用于使用非深度神经网络分类算法不断计算冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的重度狭窄标签或非重度狭窄标签；心电图筛查模块，用于使用心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图。
14.优选的，上述心电图筛查系统中，向量计算模块包括：公式建立子模块，用于使用逻辑回归算法，建立冠状动脉拼接向量的逻辑回归公式，其中，逻辑回归公式包括冠状动脉的矩阵模型、矩阵模型初始化的参数和损失函数；分类预测子模块，用于根据逻辑回归公式预测得到冠状动脉拼接向量的狭窄标签分类结果；分类验证子模块，用于使用同一冠状动脉狭窄患者的重度狭窄标签或非重度狭窄标签验证狭窄标签分类结果；分类计算子模块，用于根据梯度下降算法更新逻辑回归公式的参数，重新计算狭窄标签分类结果，直至损失函数小于或等于预定损失阈值。
15.优选的，上述心电图筛查系统中，心电图筛查模块包括：心电图输入子模块，用于将心电图输入至心电图神经网络模型，得到心电图向量特征表示；向量特征建立子模块，用于建立心电图对应冠心病危险因素的危险因素向量特征表示；向量特征拼接子模块，用于拼接心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量；分类结果计算子模块，用于将冠状动脉拼接向量输入至非深度神经网络分类算法，计算得到狭窄标签分类结果。
16.综上，本发明提供的技术方案，通过构建冠状动脉数据集，该数据集选取冠状动脉狭窄患者的心电图和冠心病危险因素，通过心电图神经网络模型得到心电图向量特征表示并与危险因素向量特征表示拼接，得到冠状动脉拼接向量，使用该冠状动脉拼接向量输入至非深度神经网络分类算法进行计算，得到狭窄标签分类结果；经过已经标记的重度狭窄
标签和非重度狭窄标签对该狭窄标签分类结果进行验证，从而训练该非深度神经网络分类算法，使用上述训练后的心电图神经网络模型和非深度神经网络分类算法验证算法输出的狭窄标签分类结果，从而达到训练非深度神经网络分类算法的目的。
17.然后使用上述心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图，从而判断受试者是否存在冠状动脉重度狭窄的问题。
18.通过上述方法能够使用心电图神经网络模型获取心电图的心电图向量特征表示，不会造成患者的损伤；并且该心电图向量特征表示提取的是冠状动脉的图像特征，能够提高判断冠状动脉狭窄的准确性，再经过非深度神经网络分类算法对冠状动脉拼接向量进行是否存在冠状动脉重度狭窄的判定，能够准确得到狭窄标签分类结果，从而对受试者的冠状动脉狭窄程度进行专业的可靠的判定，其分类结果容易获取，因此降低患者花费，有利于无症状冠状动脉重度狭窄的快速筛查，具有普适性。
附图说明
19.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
20.图1是本发明实施例提供的第一种无症状冠状动脉重度狭窄的心电图筛查方法的流程示意图；图2是图1所示实施例提供的一种冠状动脉数据集的构建方法的流程示意图；图3是图1所示实施例提供的一种心电图神经网络模型的生成方法的流程示意图；图4是图1所示实施例提供的一种冠状动脉拼接向量的拼接方法的流程示意图；图5是图1所示实施例提供的一种冠状动脉拼接向量的计算方法的流程示意图；图6是图1所示实施例提供的一种心电图的筛查方法的流程示意图；图7是本发明实施例提供的第二种无症状冠状动脉重度狭窄的心电图筛查方法的流程示意图；图8是本发明实施例提供的一种无症状冠状动脉重度狭窄的心电图筛查系统的结构示意图；图9是图8所示实施例提供的一种向量计算模块的结构示意图；图10是图8所示实施例提供的一种心电图筛查模块的结构示意图。
21.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
22.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
23.本发明实施例的主要解决的技术问题是：现有技术利用深度学习模型匹配12导联标准心电图和冠状动脉造影的结果，能够对管状动脉狭窄程度和位置进行判断，但是上述方法并不能够专门针对无症状冠状动脉的重度狭窄患者进行筛查，不具有严格意义上冠状动脉重度狭窄判定的专一性和准确性；此外上述模型需要大量的冠状动脉造影结果，而由于冠状动脉造影是有创检查，其造影结果
并不容易获得，所以上述方法并不具有普适性。
24.为了解决上述问题，本发明下述实施例提供了无症状冠状动脉重度狭窄的心电图筛查方案，通过构建冠状动脉数据集，该数据集选取冠状动脉狭窄患者的心电图和冠心病危险因素，通过心电图神经网络模型得到心电图向量特征表示并与危险因素向量特征表示拼接，得到冠状动脉拼接向量，使用该冠状动脉拼接向量输入至非深度神经网络分类算法进行计算，得到狭窄标签分类结果；经过已经标记的重度狭窄标签和非重度狭窄标签对该狭窄标签分类结果进行验证，从而训练该非深度神经网络分类算法，使用上述训练后的心电图神经网络模型和非深度神经网络分类算法验证算法输出的狭窄标签分类结果，从而达到训练非深度神经网络分类算法的目的。
25.然后使用上述心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图，从而判断受试者是否存在冠状动脉重度狭窄的问题。其中，上述“无症状”是指心电图阴性。
26.具体参见图1，图1是本发明实施例提供的一种无症状冠状动脉重度狭窄的心电图筛查方法，包括：s110：构建冠状动脉数据集，其中，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。
27.通过构建冠状动脉数据集，使用该冠状动脉数据集能够训练神经网络，由于冠状动脉数据集包括真实冠状动脉狭窄患者的心电图，因此通过训练神经网络得到可靠的冠状动脉狭窄的图像特征。另外，该冠状动脉数据集包括真实冠状动脉狭窄患者的心电图和冠心病危险因素，因此能够结合患者的实际冠心病危险因素结合筛查冠状动脉重度狭窄问题，提高筛查的准确性和可靠性。其中，上述冠心病危险因素包括冠状动脉狭窄患者的年龄、性别、是否患有高血压、是否患有糖尿病、是否患有高血脂症以及是否吸烟等因素。
28.s120：根据冠状动脉狭窄程度，标记心电图分别为重度狭窄标签和非重度狭窄标签。
29.上述冠状动脉狭窄程度可根据患者的冠状动脉造影结果获取；或者通过对抗网络生成具有冠状动脉狭窄特征的心电图得到。例如：冠状动脉造影显示冠状动脉狭窄大于或等于90%，其心电图标记为重度狭窄标签，标签记为1；若显示冠状动脉狭窄小于90%，则标记该心电图为非重度狭窄标签，标记为0。其中，假设存在m个心电图样本，则可设置对应的m个标签，每个标签记为t
(m) ，其中m=1
…
m。
30.s130：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。选取心电图深度神经网络模型（例如多任务的心电图诊断模型），通过该心电图神经网络模型能够得到心电图向量特征表示d ，其中，d∈rn；r为向量，n为所得向量维度。该心电图向量特征表示d为神经网络的最后一层向量结果或者神经网络的倒数第二层向量结果。
31.s140：拼接心电图向量特征表示和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。首先要对冠心病危险因素中的各因素进行数字化表示，例如上述冠心病危险因素中的年龄进行归一化处理，其他因素，例如性别、是否患有高血压、是否患有糖尿病、是否患有高血脂症以及是否吸烟等因素标记为0或1（性别女为0，男为1，其他0表示没有，1表示有）。因为上述心电图向量特征表示和危险因素向量特征表示均进行归一
化处理，所以可以将心电图向量特征表示和危险因素向量特征表示进行拼接，得到冠状动脉拼接向量，从而综合考虑患者的患病风险和冠状动脉狭窄程度，训练相关算法模型，以提高模型对冠状动脉狭窄程度的判断准确性。
32.s150：使用非深度神经网络分类算法不断计算冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的重度狭窄标签或非重度狭窄标签。通过使用非深度神经网络分类算法训练冠状动脉拼接向量，然后使用上述重度狭窄标签或非重度狭窄标签验证该非深度神经网络分类算法得到的狭窄标签分类结果，能够不断对非深度神经网络分类算法进行参数优化，提高非深度神经网络分类算法的分类成功率。其中，使用非深度神经网络分类算法能够减少神经网络模型多次卷积带来的特征过拟合问题，因此本技术实施例能够根据更多的心电图特征识别无症状冠状动脉重度狭窄的患者，降低病症漏检的概率。
33.s160：使用心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图。
34.在心电图神经网络模型和非深度神经网络分类算法训练成功后，使用上述模型和算法筛查受试者的心电图，能够对受试者的冠状动脉狭窄程度进行专业可靠的鉴定，其分类结果更容易获取，并不需要对患者进行有创检查，从而降低患者花费，有利于无症状冠状动脉重度狭窄的快速筛查，具有普适性。
35.综上，本发明实施例提供的技术方法，通过构建冠状动脉数据集，该数据集选取冠状动脉狭窄患者的心电图和冠心病危险因素，通过心电图神经网络模型得到心电图向量特征表示并与危险因素向量特征表示拼接，得到冠状动脉拼接向量，使用该冠状动脉拼接向量输入至非深度神经网络分类算法进行计算，得到狭窄标签分类结果，经过已经标记的重度狭窄标签和非重度狭窄标签对该狭窄标签分类结果进行验证，从而训练该非深度神经网络分类算法；使用上述训练后的心电图神经网络模型和非深度神经网络分类算法验证算法输出的狭窄标签分类结果，从而达到训练非深度神经网络分类算法的目的。
36.然后使用上述心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图，从而判断受试者算法存在冠状动脉重度狭窄的问题。
37.通过上述方法能够使用心电图神经网络模型获取心电图的心电图向量特征表示，不会造成患者的损伤；并且该心电图向量特征表示提取的是冠状动脉的图像特征，能够提高判断冠状动脉狭窄的准确性，再经过非深度神经网络分类算法对冠状动脉拼接向量进行是否存在冠状动脉重度狭窄的判定，能够准确得到狭窄标签分类结果，从而对受试者的冠状动脉狭窄程度进行专业的可靠的判定，其分类结果容易获取，因此降低患者花费，有利于无症状冠状动脉重度狭窄的快速筛查，具有普适性。
38.作为一种优选的实施例，如图2所示，上述心电图筛查方法中，构建冠状动脉数据集的步骤具体包括：s111：将冠状动脉狭窄患者的真冠状动脉狭窄心电图输入至生成对抗网络。
39.s112：使用生成对抗网络中的生成器，根据真冠状动脉心电图中的冠状动脉狭窄特征生成伪冠状动脉狭窄心电图。
40.s113：将伪冠状动脉狭窄心电图和真冠状动脉狭窄心电图输入至生成对抗网络的鉴别器进行分类鉴别。
41.s114：按照鉴别器的分类鉴别结果训练生成器。
42.s115：当生成器训练完成时，使用生成器生成的伪冠状动脉狭窄心电图和真冠状动脉狭窄心电图构建冠状动脉数据集。
43.本技术实施例提供的技术方案，通过设计生成对抗网络，使用生成对抗网络中的生成器，生成器能够以最小化分类精度蒙混鉴别器，生成具有高精度特征的伪冠状动脉狭窄心电图；鉴别器能够学习冠状动脉特征，根据冠状动脉特征对上述伪冠状动脉狭窄心电图和原有的真冠状动脉狭窄心电图进行分类和鉴别，确定哪些是真正的冠状动脉狭窄心电图；这样按照鉴别器的分类鉴别结果训练生成器，直到预定比例的生成器生产的伪冠状动脉狭窄心电图被鉴别器鉴别通过，这样就能够确定生成器训练完成，使用训练完成的生成器生成的伪冠状动脉狭窄心电图和原有的真冠状动脉狭窄心电图就能够一起构建冠状动脉数据集，避免现有的心电图数量难以满足神经网络模型训练的问题。
44.另外，作为一种优选的实施例，如图3所示，上述心电图筛查方法，步骤s130：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：s131：将标记后的所有心电图分别输入至心电图神经网络模型，得到对应的心电图向量特征表示。
45.s132：对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。
46.本技术实施例提供的技术方案，通过选取心电图深度神经网络模型（例如多任务的心电图诊断模型），通过使用该心电图神经网络模型能够得到心电图向量特征表示d ，其中，d∈rn；r为向量，n为所得向量维度。
47.该心电图向量特征表示d为神经网络的最后一层向量结果或者神经网络的倒数第二层向量结果。如果该心电图向量特征表示不是归一化的表示，则对向量中各元素进行归一化处理。具体地，获取所有样本的心电图向量特征表示，假设有m个心电图样本，则可获得m个心电图向量特征表示d
(m) ，(m=1
…
m)。对向量特征表示d
(m)
中每一个元素d
(m)
i，（i=1
…
n），分别计算所有深度网络向量对应元素的均值，以及标准差。通过将标记后的心电图分别输入至心电图神经网络模型，得到对应的心电图向量特征表示，能够使用心电图神经网络模型通过多层卷积提取上述标记后的心电图的冠状动脉狭窄特征，通过该冠状动脉狭窄特征能够用于训练相关的模型，以使模型根据该特征高效准确地判断患者是否存在冠状动脉重度狭窄。
48.另外，作为一种优选的实施例，如图4所示，上述心电图筛查方法中，拼接心电图向量特征表示和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：s141：对冠心病危险因素进行分类标记和归一化处理，得到危险因素向量特征表示。冠心病相关的冠心病危险因素包括多种，本技术实施例分别对上述多种因素进行分类标记和归一化处理，例如针对上述冠心病危险因素中的年龄进行归一化处理，其他因素由0或1（性别女为0，男为1；其它0代表没有，1代表有）表示。
49.s142：拼接同一冠状动脉狭窄患者的心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量。拼接同一患者的心电图向量特征表示d
(m)
以及危险因素向量特征表示f
(m)
；其中，(f
(m)
ꢀꢀ
r6) ，(f
(m) 1
归一化年龄、f
(m) 2
性别、f
(m) 3
是否患有高血压、f
(m) 4
是否患有糖尿病、f
(m) 5
是否患有高血脂症以及f
(m) 6
是否吸烟)，从而得到冠状动脉拼接向量c
(m) ；其中(c
(m) ꢀrn 6
)，这样就能够综合考虑患者的冠状动脉狭窄的相关图像特征以及患者的患病风险，准确筛查病人患有冠状动脉严重狭窄的风险。
50.本技术实施例通过对冠心病危险因素进行分类标记和归一化处理，得到危险因素向量特征表示；然后拼接同一冠状动脉狭窄患者的上述心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量，这样相关算法模型就能够结合患者的冠心病的危险因素和心电图中的冠状动脉狭窄问题综合判断受试者患有冠状动脉严重狭窄的概率，提高检测准确率，降低病患因无症状而导致的冠状动脉严重狭窄忽视风险。
51.另外，非深度神经网络分类算法，可选用逻辑回归算法、支持向量机分类器、朴素贝叶斯算法和决策树分类等算法，从而实现上述冠状动脉拼接向量中标签的分类和鉴别。作为一种优选的实施例，如图5所示，上述心电图筛查方法中，步骤s150：使用非深度神经网络分类算法不断计算冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的重度狭窄标签或非重度狭窄标签的步骤包括：s151：使用逻辑回归算法，建立冠状动脉拼接向量的逻辑回归公式，其中，逻辑回归公式包括冠状动脉的矩阵模型、矩阵模型初始化的参数和损失函数。
52.s152：根据逻辑回归公式预测得到冠状动脉拼接向量的狭窄标签分类结果。
53.s153：使用同一冠状动脉狭窄患者的重度狭窄标签或非重度狭窄标签验证狭窄标签分类结果。
54.s154：根据梯度下降算法更新逻辑回归公式的参数，重新计算狭窄标签分类结果，直至损失函数小于或等于预定损失阈值。
55.其中，以上述心电图向量特征表示和各冠心病危险因素对应的危险因素向量特征表示为例，说明逻辑回归算法如下，冠状动脉的矩阵模型包括：；矩阵模型的初始化参数如下：；其中，初始化参数 w (w∈r
n 6
) 向量中每个元素为接近0的浮点数，初始化参数b为0；标签分类结果的计算公式如下：其中，；该函数为中间过程关系式，无特殊含义；定义损失函数如下：
其中，代表第m个样本的模型预测结果，代表第m个样本的真实结果。
56.这样在使用同一冠状动脉狭窄患者的重度狭窄标签或非重度狭窄标签验证狭窄标签分类结果后，若逻辑回归算法得到的狭窄标签分类结果验证错误，则能够根据梯度下降算法更新上述权重系数w和偏置系数b；其中，更新的算法如下：；；其中，为学习率，为更新后的权重系数，代表更新后的偏置系数。
57.这样重复上述步骤，就能够使得损失函数满足要求，得到足够准确的逻辑回归算法，使用该逻辑回归算法能够计算得到准确的狭窄标签分类结果。
58.本技术实施例提供的技术方案，通过使用逻辑回归算法建立冠状动脉拼接向量的逻辑回归公式，然后得到狭窄标签分类结果，使用同一患者的重度狭窄标签或非重度狭窄标签验证上述狭窄标签分类结果，并且调整损失函数重新算上述狭窄标签分类结果，能够快速准确地训练逻辑回归算法的相关模型，进而得到准确的狭窄标签分类结果。
59.另外，作为一种优选的实施例，如图6所示，上述心电图筛查方法中，步骤s160：使用心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图，包括：s161：将心电图输入至心电图神经网络模型，得到心电图向量特征表示。
60.s162：建立心电图对应冠心病危险因素的危险因素向量特征表示。
61.s163：拼接心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量。
62.s164：将冠状动脉拼接向量输入至非深度神经网络分类算法，计算得到狭窄标签分类结果。
63.本技术实施例提供的技术方案中，在应用阶段只需采集受试者的心电图和危险因素向量，这些危险因素向量包括年龄、性别、是否患有高血压、是否患有糖尿病以及是否患有高血脂症以及是否吸烟等；不再需要上述冠状动脉的造影。
64.这样受试者使用上述心电图输入至心电图神经网络模型，得到心电图向量特征表示，并且将危险因素向量特征表示一起输入至非深度神经网络分类算法，就能够得到准确的狭窄标签分类结果。具体地，将心电图输入至心电图神经网络模型，得到心电图向量特征表示，如果没有归一化则对向量特征表示中的各元素实行归一化处理。然后将冠心病的危险因素中的年龄进行归一化处理，其他因素由0或1表示；拼接心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量；输入至非深度神经网络分类算法中，得到狭窄标签分类结果，该狭窄标签分类结果包括冠脉严重狭窄重度狭窄或者非冠脉严重狭窄重度狭窄。
65.另外，作为一种优选的实施例，如图7所示，上述心电图筛查方法，在步骤s130：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之前还包括：s210：使用冠状动脉数据集的心电图训练心电图神经网络模型，得到标签鉴别结果。
66.s220：使用重度狭窄标签和非重度狭窄标签验证心电图神经网络模型的标签鉴别结果。
67.s230：当标签鉴别结果鉴定失败时，重复使用冠状动脉数据集训练心电图神经网络模型。
68.s240：对冠状动脉数据集中的所有心电图重复上述步骤，直至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。
69.本技术实施例提供的技术方案，通过使用真实患者的心电图训练神经网络模型，从而得到是否存在冠状动脉严重狭窄的标签鉴别结果，然后使用已经标记的重度狭窄标签和非重度狭窄标签验证上述标签鉴别结果，从而重复训练上述心电图神经网络模型，在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时，确定心电图神经网络模型训练成功，此时将冠状动脉数据集输入至心电图神经网络模型，能够得到准确的且多样的心电图向量特征表示，为后续非深度神经网络分类算法计算得到准确的狭窄标签分类结果提供准确的图像特征的支持。
70.基于上述方法实施例的同一构思，本发明实施例还提供了无症状冠状动脉重度狭窄的心电图筛查系统，用于实现本发明的上述方法，由于该系统实施例解决问题的原理与方法相似，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
71.参见图8，图8为本发明实施例提供的一种无症状冠状动脉重度狭窄的心电图筛查系统的结构示意图。如图8所示，无症状冠状动脉重度狭窄的心电图筛查系统包括：数据集构建模块110，用于构建冠状动脉数据集，其中，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；标签标记模块120，用于根据冠状动脉狭窄程度，标记心电图分别为重度狭窄标签和非重度狭窄标签；数据集输入模块130，用于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；向量拼接模块140，用于拼接心电图向量特征表示和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；向量计算模块150，用于使用非深度神经网络分类算法不断计算冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的重度狭窄标签或非重度狭窄标签；心电图筛查模块160，用于使用心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图。
72.作为一种优选的实施例，如图9所示，上述心电图筛查系统中，向量计算模块150包括：公式建立子模块151，用于使用逻辑回归算法，建立冠状动脉拼接向量的逻辑回归公式，其中，逻辑回归公式包括冠状动脉的矩阵模型、矩阵模型初始化的参数和损失函数；
分类预测子模块152，用于根据逻辑回归公式预测得到冠状动脉拼接向量的狭窄标签分类结果；分类验证子模块153，用于使用同一冠状动脉狭窄患者的重度狭窄标签或非重度狭窄标签验证狭窄标签分类结果；分类计算子模块154，用于根据梯度下降算法更新逻辑回归公式的参数，重新计算狭窄标签分类结果，直至损失函数小于或等于预定损失阈值。
73.作为一种优选的实施例，如图10所示，上述心电图筛查系统中，心电图筛查模块160包括：心电图输入子模块161，用于将心电图输入至心电图神经网络模型，得到心电图向量特征表示；向量特征建立子模块162，用于建立心电图对应冠心病危险因素的危险因素向量特征表示；向量特征拼接子模块163，用于拼接心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量；分类结果计算子模块164，用于将冠状动脉拼接向量输入至非深度神经网络分类算法，计算得到狭窄标签分类结果。
74.综上，本发明上述实施例通过心电图结合冠心病危险因素实现对无明显症状的冠脉严重狭窄重度狭窄的识别。此方法可用于冠脉严重狭窄重度狭窄的早期筛查，即在没有明显症状的情况下及时发现冠脉严重狭窄重度狭窄情况，实现早发现早治疗，防止严重后果。另外，此方法不依赖于大量冠脉造影数据，易于实现。经实验验证，其中心电图神经网络模型采用多任务心电诊断模型，非深度神经网络分类算法采用逻辑回归算法，可达到0.847的roc曲线下面积，0.848 /-0.122的敏感度，以及0.704 /-0.106的特异度。
75.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
76.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
77.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
78.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
79.应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
80.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
81.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。