[发明专利]一种基于确定学习与深度学习的心肌缺血危险分层方法

说明书

本发明公开了一种基于确定学习与深度学习的心肌缺血危险分层方法。本发明采集常规12导联心电图信号，基于确定学习理论对浅层心电信号蕴含的内在心电动力学特征进行神经网络建模、辨识，得到心电信号内在动态特征，运用深度学习框架下的卷积神经网络实现对心肌缺血的危险分层。本发明方法首次联合使用了确定学习动态建模方法与深度学习分类方法，并应用于心肌缺血的早期危险分层，基于常规12导联心电信号，不需附加新的检测设备，简单方便、容易操作。确定学习方法提取到对缺血状态更敏感的动态特征，而深度神经网络能够自主学习数据特征，不用进行进一步数据刻画，降低了系统的复杂度。

技术领域

本发明属于模式识别技术领域，具体涉及一种基于确定学习与深度学习的心肌缺血危险分层方法。

背景技术

心肌缺血是常见的心血管疾病，严重威胁人类的生命健康。心肌缺血的危险分层对病情的诊断、治疗和预后有重要意义，与人类健康密切相关。近半个世纪来医学影像学技术逐渐成熟，成为了心肌缺血、冠心病的诊断与治疗的主流方向。而在临床实践中，部分患者临床表现为无症状的心肌缺血，虽然有明显的冠脉改变和心肌缺血的客观依据，却不伴有心绞痛，非常容易受到患者自身和医生的忽视，也成为心肌梗死以及猝死的重要危险因素之一。影像检查也由于自身价格的原因和患者心理的因素，没法在一般人群筛查中广泛使用，单凭影像检查有时无法最大限度发挥诊断效能。相比之下，无创性心电学检测技术，特别是常规的12导联心电图技术，简单实用，受众更广，作为医学影像学的重要补充部分，在心肌缺血诊断和危险分层上起到重要作用。合理、有序的选择无创心电学检查可以提供不同于影像信息的心电信息，实现心肌缺血的早期检测，与影像学检查的优势互补，进一步提高临床诊断的准确率和检出率。

针对上述背景和存在的问题，在中国发明专利申请：一种基于确定学习理论的心肌缺血辅助检测方法(申请号：201310496628.0)中提出了一个确定学习动态理论的心肌缺血早期诊断的新方法，使得本来难以发现的微小病态信息得以充分表示。然而，该方法仅给出了依靠图形散乱与否的定性主观结果，无法采用量化手段对其进行标准规划。在中国发明专利申请：一种心电动力学数据量化分析方法(申请号：201710587538.0)中提出了一种心电动力学数据图量化分析方法，对上述结果进行量化指标的提取，但在指标提取环节仍存在相当大的主观性，没法给出确切的指标提取数量，以及指标数量与最终诊断正确率之间的关联。

发明内容

本发明的目的是克服现有技术存在的问题，提供一种基于确定学习与深度学习的心肌缺血危险分层方法，一种更为简单准确自动的，适合临床使用的基于确定学习与深度学习的心肌缺血危险分层方法。

本发明的具体技术方案通过如下步骤实现：

步骤1、获取心电信号动力学动态特征：对采集得到的12导联心电数据进行确定学习动态建模，从而获得心电动力学特征数据。

步骤2、数据预处理：对获得的心电动力学特征数据进行归一化处理。

步骤3、构建卷积神经网络模型：构建的卷积神经网络的结构为输入层-卷积层-池化层-卷积层-池化层-全连接层-输出层。

步骤4、训练卷积神经网络：将步骤2归一化处理好的训练集中的数据输入到步骤3构建的卷积神经网络中进行训练，训练的过程包括前向训练和反向优化。

步骤5、分类识别：将步骤2归一化处理好的测试集中的心电动力学特征数据输入到训练好的卷积神经网络模型中，预测测试数据集中心肌缺血的高危个体与低危个体。

上述方法中，步骤1所述的进行确定学习动力学建模是指通过既定的公认有效的一种基于确定学习理论的心肌缺血辅助检测方法把原始的心电数据转化成心电动力学特征数据。在心电信号动态建模环节，通过确定学习理论，利用RBF神经网络实现对心电非线性系统动态的局部准确的辨识，并将学习到的知识以常值RBF神经网络权值的形式保存起来。时变的心电动态模式就可以由系统动态的局部准确的神经网络逼近来表示。