基于确定学习理论的心肌缺血辅助检测方法
【专利摘要】本发明公开了一种基于确定学习理论的心肌缺血辅助检测方法，该方法包括如下步骤：数据预处理，获取心电图ST-T环数据；采用确定学习算法对ST-T环的内在系统动态进行局部准确建模，将所建模的系统动态进行三维可视化显示得到CDVG；根据CDVG形态并结合高危因素与临床信息进行分析，得到辅助检测结果。该方法的技术要点是基于确定学习算法的CDVG的获得与分析。本发明方法适用于心电图尚未发生明显改变时的心肌缺血检测，可有效提示心血管疾病的发生，还可用于心血管疾病治疗效果的评估，具有检测过程简单、经济、无创，减轻了患者负担等优点。
【专利说明】基于确定学习理论的心肌缺血辅助检测方法
【技术领域】
[0001]本发明属于医学检测【技术领域】，具体涉及一种基于确定学习理论的心肌缺血辅助检测方法，该方法是一种针对心电图的ST-T段或者心向量图的ST-T环的内在系统动态信息提取和检测方法。
【背景技术】
[0002]长期以来，心血管疾病己被公认为是危害人类生命健康最严重的疾病之一，其中由于心肌缺血导致的心肌梗塞(MI)的发病率和死亡率更是高居各类疾病之首。由于部分心肌缺血患者在发病早期并没有明显的临床症状或者病症轻微，使得病情十分容易被忽视。如果在日常保健检查中采用对心肌缺血更为敏感的检测手段，就可以密切关注其先兆症状，能在心电图尚未发生显著变化时察觉到心肌缺血病症，使得这类病人在症状早期阶段得到更积极的干预治疗，从而挽救患者生命。
[0003]心肌缺血在理论上有一定的可预测性，体表心电图(ECG)是临床上常用的心脏特征观察与检测手段，临床上认为心电信号中的ST-T段的偏移反应心脏冠脉机能的异常，对心肌缺血的诊断有重要的参考价值。对许多患者而言，特别是ECG的ST-T段无明显改变的心肌缺血患者，现有心电图检测技术的准确率确实不高，并且难以对ST-T段的微小改变敏感，进而难以把握心血管的器质性变化。实际上，至今的ST-T段检测方法对微小改变不敏感和准确率不高的原因有:信号本身微弱，存在各种干扰；以ST-T段对比等电位值的偏移量作为特征参数的选择依据，灵敏性和准确性并不能令人满意；对ST-T段没有统一的测试标准和公认的测试数据库，甚至其形态的起始点没有严格统一的定量规定；大多数病患病情不稳定，使得检测信号呈现出明显的动态变化，不便于检测判定。对于心肌缺血的诊断，心电向量图(VCG)是另一个工具，它包含了丰富的动态信息，对了解心脏电激动的顺序及各瞬间电位的改变方面比ECG更为优越。采用ECG和VCG联合诊断心肌缺血能有效的提高诊断率，但在临床中由于分析难 度相对较大使得VCG的应用并不广泛。其它广泛应用于临床的检查方法包括平板运动试验、冠脉CTA、核素心肌灌注显像和冠脉造影等。
[0004]本发明方法与传统ECG、VCG和平板运动试验相比，对心肌缺血/心肌梗塞具有更为敏感的检测能力；与冠脉CTA、核素心肌灌注显像和冠脉造影等检查方法相比，更加简单、经济，无创。本发明方法更适用于心电图尚未发生明显改变时的心肌缺血检测，可有效提示心血管疾病的发生，还可用于心血管疾病治疗效果的评估，为心肌缺血/心肌梗塞的准确诊断提供一种新方法。
【发明内容】
[0005]本发明的目的是为了克服现有技术的缺点与不足，提供一种基于确定学习理论的心肌缺血辅助检测方法。
[0006]基于ECG或者VCG进行心肌缺血检测，本质上可以看作是一个动态模式的辨识与识别问题，而动态模式问题本身就是模式识别领域的一个难题。在对径向基函数(RBF)神经网络的持续激励特性研究的基础上，c.Wang等提出了确定学习理论，其中包括对由非线性动力学系统产生的动态模式的辨识、表达和快速识别方法，即通过确定学习获得的动态模式内在系统动态的局部准确神经网络建模，把随时间变化的动态模式以时不变且空间分布的方式有效地表达，进一步利用动态模式内在的动力学拓扑相似给出动态模式之间相似性定义，并提出了对动态模式进行快速识别的一套新方法。在实际工程应用中的系统具有离散时间特性，所以需要对确定学习理论进行扩展以满足实际工程需求。在中国发明专利申请:一种基于确定学习理论的海量时态数据建模方法(申请号:201210560790.X)中，王聪等提出了一种针对离散非线性系统产生的海量时态数据建模的确定学习算法，将确定学习理论在时态数据建模领域进行了拓展。
[0007]本发明将确定学习理论应用于对ECG的ST-T段和VCG的ST-T环的内在系统动态的局部准确建模和全息特征提取，并将所学习到的系统动态知识进行三维可视化显示得到心电动力学向量图(Cardiodynamics vectorgram,简称:Q)VG),根据⑶VG形态，并结合高危因素与临床信息进行心肌缺血检测分析。本发明方法适用于心肌缺血早期检测和冠脉健康监测，为日常心脏保健提供新的依据。
[0008]本发明的目的通过如下技术方案实现:一种基于确定学习理论的心肌缺血辅助检测方法，包含如下步骤:
[0009](I)ST-T环数据获取:对12导联心电图ECG数值数据进行预处理之后，通过变换法则将ECG数据转换为三维的VCG数据，再截取三维数据中的ST-T段，从而获取VCG的ST-T环，并在空间中进行归一化处理；
[0010](2)建模并显示⑶VG:采用确定学习算法对ST-T环的内在系统动态进行局部准确RBF神经网络建模，将所建模的系统动态进行三维可视化显示得到心电动力学向量图CDVG ；
[0011](3)检测分析:根`据⑶VG形态，并结合年龄、病史和血压这些高危因素与临床症状等信息进行分析，得到辅助检测结果。
[0012]上述方法中，步骤(1)中所述12导联心电图ECG数值数据是指传统12导联1、I1、II1、aVR、aVL、aVF、V1、V2、V3、V4、V5 和 V6 的数值形式数据。
[0013]上述方法中，步骤(1)中所述的预处理是指常规滤波操作，以使随后的操作充分稳定和可靠，使用何种滤波方法并不影响本发明方法的有效性。
[0014]上述方法中，步骤(1)中所述的通过变换法则将ECG数据转化为三维的VCG数据是指将12导联心电图(ECG)数据通过既定的公认有效的变换法则转换为三维的心电向量图(VCG)数据，记为:
[0015]V (k) = [vx (k)，vy (k), vz (k) ]T e R3，
[0016]式中，k=l，…，m为采样时亥lj。其中的变换法则根据研究重点不同存在多种方法，使用何种变换法则并不影响本发明方法的有效性。
[0017]上述方法中，步骤(1)中所述的截取三维数据中的ST-T段是为了获得VCG数据中的ST-T环，所截取的ST-T段的三维数据可表述为:
【权利要求】
1.一种基于确定学习理论的心肌缺血辅助检测方法，其特征在于，包含如下步骤: (1)ST-T环数据获取:对12导联心电图ECG数值数据进行预处理之后，通过变换法则将ECG数据转换为三维的VCG数据，再截取三维数据中的ST-T段，从而获取VCG的ST-T环，并在空间中进行归一化处理； (2)建模并显示CDVG:采用确定学习算法对ST-T环的内在系统动态进行局部准确RBF神经网络建模，将所建模的系统动态进行三维可视化显示得到CDVG ； (3)检测分析:根据CDVG形态，并结合年龄、病史和血压这些高危因素与临床症状等信息进行分析，得到辅助检测结果。
2.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(1)中所述的12导联心电图ECG数值数据是指传统12导联1、I1、II1、aVR、aVL、aVF、V1、V2、V3、V4、V5和V6的数值形式数据。
3.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(1)中所述的预处理是指常规滤波操作。
4.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(1)中所述的通过变换法则将ECG数据转化为三维的VCG数据是指将12导联心电图ECG数据通过既定的公认有效的变换法则转换为三维的心电向量图VCG数据，记为:
V(k) = [vx (k)，vy (k), vz (k) ]T e R3, 式中，k=l, "'m为采样时刻。
5.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(1)所述截取三维数据中的ST-T段是为了获得VCG数据中的ST-T环，所截取的ST-T段的三维数据表述为: m 叫 Sr， 式中，ks和kTE分别代表心电图ST-T段的起始点和结束点。
6.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(1)中所述的归一化是指对VCG的ST-T环三维数据进行单位球内的归一化处理，具体操作是:计算VCG截取出的ST-T环的三维数据Vst的范数:
IlF(^)Ii=^(k)+v；(k)W:(k)， 式中，k e [ks，kTE]，找到其中的最大范数I |V(k) I Imax，将整个ST-T环上所有数据点坐标除以该最大范数，获得新的数据点位置，即将ST-T环归一化到一个以原点为球心的单位球内。
7.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(2)中所述的对ST-T环的内在系统动态进行局部准确建模是指对VCG的ST-T环的内在系统动态利用确定学习算法进行局部准确RBF神经网络逼近；由于: (i)心脏系统可以被建模为复杂的高维连续非线性动力学系统，并可进一步被一个三维非线性动力学系统P = F(K(/))近似表达，其中: V(t) = [vx (t)，vy (t)，Vz (t) ]τ e R3是系统状态，代表产生的三维VCG信号， F(V(t)) = Lf1 (V(t)),f2(V(t)),f3(V(t))]T 是未知的非线性函数向量；(ii)当采用计算机进行心电图分析时，该系统可以通过采样变换为近似的离散非线性动力学系统:
8.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(2)中所述的CDVG是对VCG的ST-T环的内在系统动态Fst = (Λ(V(k)\ f2(V(k)),/3(V(k))) Ir(,)eJ,r 的近似准确 RBF 神经网络建模结果
9.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(3)中所述的⑶VG形态是指三维空间中显示出的图像形态，对正常心电数据的⑶VG形态为规整环形或略散环形，心肌缺血患者的心电数据的CDVG形态为散乱环形或无环形。
10.根据权利要求1所述的基于确定学习理论的心肌缺血辅助检测方法，其特征在于，步骤(3)中所述的分析是指将经本发明方法获得的CDVG进行形态判断，再结合患者临床信息进行综合分析诊断；所述临床信息指患者的年龄、病史、血压以及生活习惯这些高危因素与就诊时的症状信息。
【文档编号】A61B5/0452GK103549949SQ201310496628
【公开日】2014年2月5日 申请日期:2013年10月21日 优先权日:2013年10月21日
【发明者】王聪, 胡俊敏, 董训德, 欧陕兴 申请人:华南理工大学