[发明专利]基于连续T波面积与深度特征的心肌缺血模型建模方法

说明书

本发明公开了基于连续T波面积与深度特征的心肌缺血模型建模方法，具体为：对原始ECG数据进行降噪后截取多个ECG记录片段；确定每个ECG记录片段中除最后一个T波外其余T波的起止点；根据每个ECG记录片段的连续T波面积变异系数得到一个变异系数特征向量；使用8层卷积模块提取ECG的深度特征；将两个方面的特征融合为混合特征，得到的混合特征向量输入到多层感知机中；根据以上步骤构建心肌缺血检测模型，并进行训练与测试。本发明关注心肌缺血发生时多个T波形态的变化，提出使用变异系数定量评估连续T波面积的波动程度，并结合ECG的深度特征，能够有效提高识别心肌缺血的准确率、高效性和实用性。

技术领域

本发明属于计算机信号处理领域，具体涉及一种基于连续T波面积特征与深度特征的心肌缺血模型建模方法。

背景技术

近些年来心血管疾病的发病率在不断攀升，在心血管疾病患者中，心肌缺血是主要的死亡原因之一。心肌缺血是由于冠状动脉闭塞导致心肌供血不足甚至心肌坏死引起的心血管疾病，在该病早期，患者常出现胸闷、胸痛等症状，但部分患者仍无明显症状，难以及时治疗，严重的将危及生命。因此，如何实现心肌缺血的早期诊断具有重要的临床价值，也是一项十分有意义的研究课题。

相比于医学影像检查，患者对于无创性心电检测技术更加青睐，其价格较低、实用性强且受众广泛。标准12导联的心电图(ECG)是心肌缺血的无创性常规检查方法之一，这些不同导联会反映心脏不同部位的电位活动，通过心电信号的某些特征能够区分健康人和心肌缺血患者，因此良好的检测结果有助于判断患者是否存在心肌缺血病症。

目前随着人工智能的发展，机器学习的方法大量应用在心电信号上。在使用心电信号检测患者心肌缺血时，以往的方法主要是提取心电信号的频域、时域、小波变换等特征。近年来随着深度学习的发展，神经网络在分类效果上有了较大幅度的提升。一维卷积神经网络可以实现对心电图特征的自动提取，在不考虑算法复杂度的情况下，一维卷积神经网络表现优于传统机器学习算法。在上述两种主流人工智能检测心肌缺血的方法中，前者能够提取的特征有限，后者虽检测能力上稍优于前者，但无法将更多的目光聚焦于心肌缺血发生时T波的形态改变上。

发明内容

本发明的目的是为克服上现有技术存在的缺陷，提出一种基于连续T波面积特征与深度特征的心肌缺血模型建模方法，该方法采用T波检测算法检测T波，提取心电信号的连续T波面积特征(变异系数)，然后使用卷积神经网络提取心电信号的深度特征，最后融合为混合特征后通过多层感知机检测分类为正常ECG或心肌缺血ECG，该方法在心电信号深度特征的基础上更多关注心肌缺血发生时T波的形态变化，具有良好的检测准确率、高效性和实用性。

本发明采用的技术方案是：

本发明基于连续T波面积特征与深度特征的心肌缺血模型建模方法，包括以下步骤：

1)对原始ECG数据进行预处理，预处理包含降噪和对降噪后心电信号截取多个ECG记录片段。

2)采用基于区域滑动窗口的方法确定每个ECG记录片段中除最后一个T波外其余T波的起止点。

3)对每个ECG记录片段中每根导联除最后一个心拍外其余每个心拍计算T波面积，然后计算每个ECG记录片段中每根导联的连续T波面积变异系数，最后根据每个ECG记录片段的所有变异系数得到一个变异系数特征向量。