一种COVID-19后心肌缺血的早期筛查方法

一种covid-19后心肌缺血的早期筛查方法
技术领域
1.本发明属于医学电子技术领域，尤其涉及一种covid-19后心肌缺血的早期筛查方法。


背景技术：

2.covid-19爆发以来，部分患者可能因为缺氧、电解质紊乱出现心肌缺血，进而引起心肌损伤，出现典型心绞痛、急性心肌梗死、冠状动脉血栓形成等并发症。因此，在covid-19期间，特别需要加强对心血管的监测和干预。
3.目前临床诊断心肌缺血的方法多种多样，包含冠状动脉造影、核素心肌显像以及超声心动图等方法，但上述方法由于其侵入性或放射性，以及成本问题，难以在心肌缺血筛查过程中得到广泛使用。心电图作为临床上是一种简便、快速、无创的诊断手段，可以通过记录心脏电活动来显示心肌缺血所引起的心电图变化，如st段下移、t波倒置等，这些变化可在临床上提示医生心肌缺血的存在，从而及早采取相应的诊疗措施。因此，心电图对于心肌缺血的早期诊断具有重要价值。
4.体表立体心电图又称为三维心电图，它既可以观察经传导束传导的时序性，以说明心跳的频率和节律，又可以观察经心肌电-化学扩布的矢量在空间的铺展过程，以说明p、qrs、t波变化的特征。该项技术了弥补常规心电图的不足，提供更为精细的心电图形态信息，方便医生进行诊断和鉴别。
5.目前体表心电的特征提取方法主要有时域特征提取、频域特征提取以及时频域特征提取，这些特征可以被用来建立分类模型，帮助医生进行心脏疾病的诊断和预测。然而，有效的特征提取依赖于对心电信号中p波、qrs波、st段和t波的准确定位。这通常是一个困难的任务，因为信号受到噪声和干扰的影响，可能会出现形态变化或缺失等情况，从而导致特征提取的错误。
6.近年来，随着机器学习和深度学习技术的发展，基于三维卷积神经网络的立体心电图分析系统逐渐成为研究的热点。该系统可以从不同方向获取心电信号并通过三维卷积神经网络对信号进行处理，提取出心电信号中的三维空间特征，精确地反映心脏电活动的三维分布，从而提高了诊断的准确率和效率。


技术实现要素：

7.针对背景技术所存在的问题，本发明的目的在于提供一种covid-19后心肌缺血的早期筛查方法，一种更为精确且适合临床使用的基于三维卷积神经网络和立体心电图的心肌缺血早期筛查方法。
8.为实现上述目的，本发明的技术方案通过如下步骤实现：
9.s1.收集covid-19愈后患者的心电图数据，将收集到的12导联心电数据按照7：3的比例分为训练集和测试集；
10.s2.将训练集和测试集中的的心电数据进行预处理，包括噪声滤波、基线漂移校
正、qrst波检测和心拍分割等处理，并将其转换为立体心电图。
11.s3.构建三维卷积神经网络模型，其中包括三个卷积层，三个池化层和一个全连接层。
12.s4.利用三维卷积神经网络对训练集中的立体心电信号进行高阶特征提取，提取出能够精确反映心脏电活动的三维空间特征，并使用特征可视化技术得到心电动力学图。
13.s5.将提取到的三维空间特征作为分类模型的输入，对模型进行训练，得到训练好的分类模型。
14.s6.将测试集中处理好的立体心电信号输入至分类模型中进行心肌缺血识别，并输出分类结果。
15.上述s1的特征在于，s1所述的收集covid-19后患者的心电数据应在平静状态下进行，并根据一定的比例(7：3)划分为训练集和测试集，以便后续的模型构建评估。
16.上述s2的特征在于，s2所述的预处理过程包括：通过数字滤波器去除心电图信号中的高频噪声和低频漂移等干扰信号，消除心电图信号中由呼吸和肌肉运动等引起的基线漂移，以便于后续的qrst波检测和心跳分割，采用一定的阈值和滑动窗口等方式，检测出心电图信号中qrst波的位置，从而获取心跳信息，将心电信号分割成一段段等长的心拍，方便后续的立体心电图构建。
17.上述s3的特征在于，s3所述的卷积层采用3d卷积核进行卷积操作，提取原始心电信号中的时空特征；池化层根据设置的采样策略对卷积层输出的特征进行下采样操作，减少数据维度和计算量；全连接层将池化层输出的三维特征数据展开成一维向量，并进行分类预测。
18.上述s4的特征在于，s4所述的高阶特征提取过程是将生成的心电动力学图输入到构建好的三维卷积神经网络模型中。经过模型的卷积、池化等操作，得到多层特征图(feature map)，这些特征图每一层都包含了原始心电信号在不同抽象程度下的特征信息。进一步对多个特征图进行组合和抽取，提取出反映心肌缺血症状的高层次特征，并将其表示为三维空间特征，最终得到训练集的高阶特征表示，作为分类模型的输入以进行心肌缺血识别。
19.上述s5及s6的特征在于，s5或s6所述的训练和分类过程是利用训练集中的已知标签信息对分类模型进行训练和调优，使其能够对心肌缺血进行准确识别。通过交叉验证等方法评估分类器的性能，包括准确率、灵敏度、特异性等指标。
20.进一步依据本发明技术，可提供一种covid-19后心肌缺血早期筛查方法，其特征在于包括以下步骤：
21.数据收集，用于收集covid-19后心肌缺血患者和健康受试者的心电图数据，将收集到的心电数据按照一定的比例分为训练集和测试集；
22.数据处理，用于对所述训练集和测试集中的的心电数据进行预处理，并将其转换为立体心电图；
23.特征提取，用于从立体心电信号中提取出能够精确反映心脏电活动三维空间特征，并将其可视化；
24.模型训练，用于分类模型的训练，将提取的三维空间特征输入至分类模型，得到训练好的分类模型；
25.模型分类，用于将测试集中处理后的立体心电信息输入至训练好的分类模型中，输出心肌缺血分类结果。
26.本发明采用三维卷积神经网络模型对立体心电图信号进行分析，能够更充分地考虑立体心电图数据在三维空间中的分布特征，从而提高了对心肌缺血的诊断精度。同时，该系统还支持患者立体心电图数据的可视化，为医生提供更加强大的定量分析工具。
27.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
28.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。
29.图1是本发明实施例一种的技术流程图；
30.图2是本发明实施例一种去除掉噪声后的一维心电图；
31.图3是本发明实施例一种三维卷积神经网络模型的结构示意图；
32.图4是本发明实施例一种模型的分类识别结果。
具体实施方式
33.本实施例是基于python的一种可能的实现，下面结合实施例及附图对本发明的具体实施方式做进一步详细的描述。
34.实施例一
35.如图1所示，本实施例公开了一种covid-19后心肌缺血的早期筛查方法，包括以下几个步骤：
36.s1.收集covid-19愈后患者的心电图数据，将收集的一维心电数据分为训练集和测试集；
37.s2.将训练集和测试集中的心电数据进行预处理，包括噪声滤波、基线漂移校正、qrst波检测和心拍分割等处理，并将其转换为立体心电图，如图2所示。
38.s3.构建三维卷积神经网络模型，其中包括三个卷积层，三个池化层和一个全连接层，如图3所示。
39.s4.利用三维卷积神经网络对训练集中的立体心电信号进行高阶特征提取，提取出能够精确反映心脏电活动的三维空间特征，并利用特征可视化技术得到心电动力学图。
40.s5.将提取到的三维空间特征作为分类模型的输入，对模型进行训练，得到训练好的分类模型。
41.s6.将测试集中的处理好的心电信号输入至分类模型中进行心肌缺血识别，并输出covid-19后心肌缺血分类结果。
42.为了验证本发明的有效性，使用准确率、灵敏度和特异性评估模型性能。其中，准确率是指模型所有分类结果中正确预测的比例，灵敏度是指模型正确识别出心肌梗死的比例，特异性是指模型正确识别出健康的比例。
43.[0044][0045][0046]
其中，tp分别代表心肌缺血被正确识别的数量、tn代表健康记录被正确识别的数量、fp代表心肌缺血被错误识别的数量、fn代表健康记录被错误识别的数量。
[0047]
在本实施例一s1中，采用的心电数据来自于四川省人民医院，共收集100例covid-19后心肌缺血患者和100例正常个体的常规12导联心电图记录，本实施例一中收集的心电图数据的长度为3秒，采样率为1000hz。
[0048]
在本实施例一s2中，使用通带截至频率为0.5hz的3阶巴特沃兹滤波器去除心电数据中的基线漂移，使用中值滤波器去除心电数据中的肌电干扰，使用50hz陷波滤波器去除工频干扰。
[0049]
在本实施例一s3中，构建的三维卷积神经网络模型总共层数为8层，包括三个卷积层、三个池化层、一个全连接层以及一个softmax分类器。其中，三维卷积层作为特征提取器，三位卷积操作定义为：
[0050][0051]
在本实施例一s4中利用三维卷积神经网络进行高阶特征提取。其中，第i层中第j个特征图上的位置为：
[0052][0053]
其中，ri是三维核的大小，是连接到上一层第m个特征图的核(p，q，r)权重值。然后，使用特征可视化技术，得到三维心电动力学图热力图。
[0054]
在本实施例一s5中，将所得到的三维空间特征作为输入，对卷积神经网络进行训练。采用交叉熵损失函数作为模型的损失函数，并利用随机梯度下降(sgd)算法进行训练。在训练过程中，每次随机从训练集中选择一个小批量数据进行训练，并根据计算出的梯度更新模型的参数。
[0055]
在本实施例一s6中，将测试集中处理好的立体心电信号输入至分类模型，输出covid-19后心肌缺血分类结果，如图4所示。

技术特征：
1.一种covid-19后心肌缺血的早期筛查方法，其特征在于：使用三维卷积神经网络对立体心电图进行三维空间特征提取，将能够精确反映心脏电活动的三维空间特征输入至全连接网络，对covid-19后患者是否发生心肌缺血进行预测，主要步骤如下：s1.收集covid-19后患者的心电图数据，将收集到的数据分为训练集和测试集；s2.将训练集和测试集中的心电数据进行预处理，包括噪声滤波、基线漂移校正、qrst波检测和心拍分割等处理，并将其转换为立体心电图。s3.构建三维卷积神经网络模型，包括卷积层，池化层和全连接层。s4.利用三维卷积神经网络对训练集中的心电动力学图进行高阶特征提取，提取出能够反映心脏电活动的三维空间特征。s5.将提取到的三维空间特征输入至卷积神经网络模型，将模型进行训练，得到训练好的分类模型。s6.将测试集中的处理好的立体心电信号输入至分类模型中进行心肌缺血识别，并输出分类结果。2.如权利要求1所述的covid-19后心肌缺血的早期筛查方法，其特征在于，s1所述的收集covid-19后患者的心电数据应在平静状态下进行，并根据一定的比例(7：3)划分为训练集和测试集，以便后续的模型构建评估。3.如权利要求1或2所述的covid-19后心肌缺血的早期筛查方法，其特征在于，s2所述的预处理过程包括：通过数字滤波器去除心电图信号中的高频噪声和低频漂移等干扰信号，消除心电图信号中由呼吸和肌肉运动等引起的基线漂移，以便后续的qrst波检测和心跳分割，采用一定的阈值和滑动窗口等方式，检测出心电图信号中qrst波的位置，从而获取心跳信息，将心电信号分割成一段段等长的心拍，方便后续的立体心电图构建。4.如权利要求1所述的covid-19后心肌缺血的早期筛查方法，其特征在于，s3所述的卷积层采用3d卷积核进行卷积操作，提取原始心电信号中的时空特征；池化层根据设置的采样策略对卷积层输出的特征进行下采样操作，减少数据维度和计算量；全连接层将池化层输出的三维特征数据展开成一维向量，并进行分类预测。5.如权利要求4所述的covid-19后心肌缺血的早期筛查方法，其特征在于，s4所述的高阶特征提取过程是将生成的心电动力学图输入到构建好的三维卷积神经网络模型中。经过模型的卷积、池化等操作，得到多层特征图(feature map)，这些特征图每一层都包含了原始心电信号在不同抽象程度下的特征信息。进一步对多个特征图进行组合和抽取，提取出反映心肌缺血症状的高层次特征，并将其表示为三维空间特征，最终得到训练集的高阶特征表示，作为分类模型的输入以进行心肌缺血识别。6.如权利要求5所述的covid-19后心肌缺血的早期筛查方法，其特征在于，s5及s6所述的训练和分类过程是利用训练集中的已知标签信息对分类模型进行训练和调优，使其能够对心肌缺血进行准确识别。通过交叉验证等方法评估分类器的性能，包括准确率、灵敏度、特异性三个指标。7.如权利要求1所述的covid-19后心肌缺血的早期筛查方法，其特征在于：covid-19后患者是否发生心肌缺血进行预测的主要步骤如下：数据收集：收集covid-19愈后患者的心电图数据，并按照7：3的比例将其分为训练集和测试集；
数据处理：对心电数据进行预处理，并转换为三维立体心电图；特征提取：从立体心电信号中提取出能够精确反映心脏电活动三维空间特征，并将其可视化；模型训练：将提取到的三维空间特征作为卷积神经网络模型的输入，对模型进行训练，得到训练好的分类模型；分类识别：将处理后的测试集数据输入至训练好的分类模型中，对covid-19后患者的心肌缺血状态进行识别和筛查。

技术总结
本发明提供了一种COVID-19后心肌缺血的早期筛查方法，用于计算机辅助诊断设计。该方法首先收集COVID-19后患者的一维心电数据并进行预处理，将其转换为立体心电图。其次，采用三维卷积神经网络模型对训练集中的立体心电信号进行高阶特征提取，得到三维空间特征，将其输入至分类模型进行训练。最后，将处理好的测试集中的立体心电信号输入至分类模型，以进行心肌缺血识别，引入准确率(Acc)、灵敏度(Se)和特异性(Sp)三个指标评估模型性能。本发明将三维卷积神经网络与立体心电图相结合，提取更为准确的三维空间特征，对COVID-19后患者是否发生心肌缺血进行早期筛查。此外，本发明可以对患者立体心电图的进行可视化操作，从而为医生提供更加精准的心肌缺血临床诊断和治疗建议。议。议。


技术研发人员：赖大坤 张月 姜宇琛
受保护的技术使用者：电子科技大学
技术研发日：2023.04.19
技术公布日：2023/7/25