一种基于知识图谱的心肌梗死智能辅助验证方法及系统

1.本发明涉及心肌梗死诊断结果的辅助验证领域，尤其涉及一种基于知识图谱的心肌梗死智能辅助验证方法及系统。


背景技术：

2.从2005年开始，急性心肌梗死死亡率呈快速上升趋势，心肌梗死的发生具有隐蔽性、突发性等特点。现有心肌梗死辅助诊断系统中主要采用基于深度学习方法的深层网络特征，包含一维卷积神经网络、二维卷积神经网络、长短期记忆网络、自编码网络、人工设计特征与深层网络特征融合等。这种方法虽然具有能够自动提取特征、特征表达能力强、准确率较高的优点，但其缺乏可解释性，当发生漏诊和误诊时，不给解释出错原因，不能被临床医生信任。


技术实现要素：

3.本发明的目的是提供一种基于知识图谱的心肌梗死智能辅助验证方法及系统，能够基于心拍识别构建的知识图谱，并基于产生式规则对心肌梗死的诊断结果进行辅助验证，提高诊断结果的准确性和可解释性。
4.本发明采用下述技术方案：
5.一种基于知识图谱的心肌梗死智能辅助验证方法，依次包括以下具体步骤：
6.a：获取多导联心电信号数据；
7.b：利用获取的多导联心电信号数据，建立并通过心电信号特征点提取网络模型对特征点进行提取，得到多导联心电信号数据中的特征点；然后利用得到的多导联心电信号数据中的特征点，通过心拍形态识别网络模型进行心拍形态识别，最终得到多导联心电信号数据的实体属性值；
8.其中，多导联心电信号数据中的特征点包括qrs波起止点、qrs波峰值点、t波峰值点和t波终止点；心拍形态包括q波形态、st段形态和t波形态；实体属性值即心拍形态，同样包括q波形态、st段形态和t波形态，q波形态包含有病理性q波和无病理性q波；st段形态包含st段典型抬高、st段非典型抬高和st段不抬高；t波形态包含高耸、倒置和直立；
9.c：将步骤b中获得的多导联心电信号数据的实体属性值，链接到心梗辅助诊断领域知识图谱的本体结构上，生成对应实体的知识图谱；
10.d：利用步骤c中得到的知识图谱，并基于产生式规则，对心肌梗死的诊断结果进行辅助验证。
11.所述的步骤b包括以下具体步骤：
12.b11：将得到的导联信号，输入到心电信号特征点提取网络；
13.b12：建立并通过心电信号特征点提取网络模型，获取每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率，并基于固定阈值法提取特征点；
14.步骤b12包括以下具体步骤：
15.b121：进行数据预处理；将多导联心电数据分别通过基于db6小波的离散小波变换去除基线干扰和0.5～40hz的三阶巴特沃斯带通滤波器去除高频和低频噪声，截取各导联心电数据长度为n，80％的数据为训练集，20％的数据为测试集；待检测点若是qrs波起始点，则标签为(1,0,0,0,0)；若是qrs波峰值点，则标签为(0,1,0,0,0)；若是qrs波终止点，则标签为(0,0,1,0,0)；则标签为(0,0,1,0,0)；若是t波峰值点，则标签为(0,0,0,1,0)；若是t波终止点，则标签为(0,0,0,0,1)；输入数据维度为n
×
1，数据标签维度为n
×
5；
16.b122：进行标签扩展；若某个采样点被标记为qrs波起始点，则认为采样点的前0.075s和后0.075s的采样点也为qrs波起止点，即具有相同的标签；
17.b123：建立并训练基于u-net框架的卷积神经网络模型和基于u-net框架的长短期记忆网络模型，分别得到训练后的基于u-net框架的卷积神经网络模型和基于u-net框架的长短期记忆网络模型；其中，基于u-net框架的卷积神经网络模型共19层，包含编码模块、底层模块、解码模块和softmax层；基于u-net框架的长短期记忆网络模型共19层，包含编码模块、底层模块、解码模块和softmax层；
18.所述的步骤b123中，在分别对基于u-net框架的卷积神经网络模型和基于u-net框架的长短期记忆网络模型进行训练时，使用的损失函数为：
[0019][0020]
其中，n为每次输入网络的批次样本的个数，j为类别的个数，z表示t采样时刻属于类别k的概率，k＝{1,2
…
j}，k∈k,t＝{0,1,2，
…
，n}，t∈t,y为样本标签值，采用随机梯度下降优化器对上述模型进行训练，通过逐步迭代使模型损失函数最小；动量、学习率和批量大小的超参数分别为0.9、0.005和64；当基于u-net框架的卷积神经网络和基于u-net框架的长短期记忆网络分别连续训练20轮后损失函数值均不降低，则停止训练并分别保存训练后的基于u-net框架的卷积神经网络模型和基于u-net框架的长短期记忆网络模型；
[0021]
b13：基于动态阈值自适应调整策略和基于电生理知识的多导联互参方法进一步修正qrs波起止点、qrs波峰值点、t波峰值点和t波终止点的位置；
[0022]
b14：通过心拍形态识别网络模型进行心拍形态识别。
[0023]
所述的步骤b124中，固定阈值法提取特征点的方法包括下述具体步骤：
[0024]
b1241：将输入信号{x(t),t＝1,2,
…
n}输入训练后的基于u-net框架的卷积神经网络模型和基于u-net框架的长短期记忆网络模型中，分别得到每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率矩阵p和q，其表达式分别为：
[0025][0026]
其中，p
n1
，p
n2
，p
n3
，p
n4
和p
n5
分别表示在基于u-net框架的卷积神经网络模型中，第n
个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率；q
n1
，q
n2
，q
n3
，q
n4
和q
n5
分别表示在基于u-net-ecglstm模型中，第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率；
[0027]
b1242：生成集成学习获取每个时刻采样点是相应特征点的概率矩阵v，其表达式为：
[0028][0029]
其中，表示基于集成学习获取第n个采样点是qrs波起始点的概率，将概率矩阵v，转换为由0和1组成的矩阵x，矩阵x的表达式为：
[0030][0031]
转换过程中，若概率值v
j1
大于固定阈值thr1，则x
j1
等于1，否则x
j1
等于0，thr1为0.5；
[0032]
以qrs波起始点的检测为例，每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn]，转换后由0和1组成的矩阵为x1＝[x1,x2,
…
xn]；
[0033]
寻找qrs波起始点的位置的步骤如下：
[0034]
首先，找到x1中第一个等于1的位置，记所在位置为x1，从x1所在位置搜索直到找到下一个x2，x2满足条件：x2等于1且x2+1等于0，记下此时的位置x2，则x1到x2的中间位置即为第一个qrs波的起始点p1；
[0035]
然后，按照上述方法，从位置x2+1开始继续向后搜索，记下所有的qrs波起始点的位置；
[0036]
最后，得到qrs起止点的位置p＝[p1,p2,
…
,pj,
…
py]，其中，y表示基于固定阈值方法qrs波起始点的个数；j表示索引值。
[0037]
所述的步骤b13包括以下具体步骤：
[0038]
b131：基于电生理知识的多导联互参方法修正特征点的位置，其具体步骤如下：
[0039]
根据电生理学知识：各个导联对应的qrs波起始点、qrs波终止点和t波终止点的位置基本相同，结合各导联的信息可以进一步提升特征点检测的准确率；其中，设m导联心电信号的某个单导联信号x(t)，首先基于步骤b12的方法确定其每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn]，然后同样利用采用步骤b12的方法应用于m导联心电信号的剩余所有导联，则m导联心电信号每个采样点属于qrs波起始点的总概率矩阵为：
[0040][0041]
其中，w
in
表示第i个导联上第n个采样点属于qrs起始点的概率，i为导联索引值，基于电生理学知识的多导联互参法计算采样点在各个导联属于qrs波起始点的概率均值，并将其作为该导联上采样点属于qrs起始点的概率，应用于n个采样点后，每个采样点属于qrs波起始点的概率矩阵为：
[0042]
w＝[w1,w2,w3,....,wi,..wn]；
[0043]
其中，表示第n个采样点属于qrs起始点的概率；
[0044]
b132：基于动态阈值自适应调整策略修正特征点的位置；包括以下具体步骤：
[0045]
b1321：对步骤b12中通过固定阈值方法得到的qrs波起始点位置p＝[p1,p2,
…
,pj,
…
py]；如果p[1]≥fs，表示有一个或多个qrs波起始点被遗漏，则使用新的概率矩阵y＝[w1,w2,...,w
p[0]+1/5*fs
]，使用步骤b12中的固定阈值法检测此范围内的qrs波起始点，阈值thr2＝thr1-0.1，然后检测结果保存到矩阵qrs中；如果qrs为空，则降低阈值为thr3＝thr2-0.1，直到qrs不为空；如果qrs不为空，则保存qrs并进入步骤b1322；
[0046]
如果p[1]＜fs，将p[1]记为第一个qrs波的起始点，并将p[1]保存到矩阵qrs中，然后进入步骤b1322；
[0047]
b1322：逐个检测矩阵p中p[2]到p[y-1]间的所有元素，检测该元素是否为qrs波起始点，记p[j]为待检测的第j-1个点；
[0048]
如果(p[j]-qrs[-1])≥1.2
×
fs，则p[j]和qrs[-1]之间漏检qrs波起始点；使用新的概率矩阵z＝[w
qrs[-1]+1/5*fs
,...,w
p[j]-1/5*fs
]，通过固定阈值法检测p[j]至qrs[-1]范围内的qrs波起始点，且此时阈值thr3＝thr1-0.1，将检测结果保存到矩阵qrs中；如果qrs为空，则降低阈值为thr4＝thr3-0.1，直到qrs不为空；如果qrs不为空，则保存qrs并进入步骤b1323；
[0049]
如果(p[j]-qrs[-1])＜1.2
×
fs，则p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中，然后进入步骤b1323；
[0050]
步骤b1323：如果p[-1]≤n-fs，则p[-1]和n之间漏检qrs波起始点，使用新的概率矩阵t＝[w
p[-1]+1/5*fs
,...,wn]，通过固定阈值法检测p[-1]至n范围内的qrs波起始点，且此时阈值thr5＝thr1-0.1，将检测结果保存到向矩阵qrs中；如果qrs为空，则降低阈值为thr6＝thr5-0.1，直到qrs不为空，如果qrs不为空，则保存qrs；
[0051]
如果p[-1]＞n-fs，则p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中；最后得到qrs＝[qrs1,qrs2,...,qrsj,...,qrsz]，其中z表示基于动态阈值自适应调整方法qrs波起始点的个数；j表示索引值；
[0052]
按照上述方法，分别提取qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的位置。
[0053]
所述的步骤b14包括以下具体步骤：
[0054]
b141：提取预处理后的心电信号的qrs波起止点和t波终止点，确定待检测心拍y(t)＝{y(t),t＝1,2,
…
m}，其中m表示心拍采用点个数，不同类别的心拍形态如下所述：
[0055]
第一类异常心拍，具体表现为无病理q波、st段典型抬高和t波高耸；
[0056]
第二类异常心拍，具体表现为有病理q波和st段典型抬高；
[0057]
第三类异常心拍，具体表现为有病理q波和st段不抬高；
[0058]
正常心拍，具体表现为无病理q波和st段不抬高；
[0059]
b142：通过m个基于densenet的深度神经网络，分别对应生成待检测心拍中不同类别的心拍概率，即正常心拍的概率、第一类异常心拍的概率、第二类异常心拍的概率和第三类异常心拍的概率；其中，m个基于densenet的深度神经网络的卷积核长度均不相同；
[0060]
b143：根据步骤b142中得到的每个基于densenet的深度神经网络生成不同类别的心拍概率，通过融合决策的方法确定各个类别心拍概率的最终概率；
[0061]
融合决策的方法是计算m个基于densenet的深度神经网络输出概率值的均值z，使用z矩阵的最大值做为所属心拍类别k的最终概率zk；z＝[z1,z2,z3,z4]；
[0062]
正常心拍的最终概率
[0063]
第一类异常心拍的最终概率
[0064]
第二类异常心拍的最终概率
[0065]
第三类异常心拍的最终概率
[0066]
b144：根据步骤b143中得到的各个类别的心拍概率的最终概率，结合设定的概率阈值，判断待检测心拍所属的心拍类别；并利用下述诊断规则条件进一步校验待检测心拍的类别，最终得到多导联心电信号数据的实体属性值；
[0067]
条件1：待检测心拍有无q波；
[0068]
条件2：待检测心拍的q波间期数值；
[0069]
条件3：待检测心拍的q波幅值；
[0070]
条件4：待检测心拍的st段抬高幅度数值；
[0071]
条件5：待检测心拍的的t波幅值；
[0072]
通过得到的待检测心拍在对应心拍类别下的最终概率，与设定的该心拍类别下的概率阈值进行大小判断，若待检测心拍在该心拍类别下的最终概率大于概率阈值thr，则判定待检测心拍属于对应的心拍类别。
[0073]
在对待检测心拍的类别进行判别后，再根据下述判断条件对判别结果进一步校验：
[0074]
分别计算待检测心拍的q波间期、q波幅值、st段抬高幅度，并设定q波间期阈值、q波幅值阈值、st段抬高幅度阈值和t波幅值阈值；
[0075]
(1)如果心拍有q波，且同时满足q波间期小于等于q波间期阈值、st段抬高幅度高于st段抬高幅度阈值和t波的幅值大于t波幅值阈值；
[0076]
或者心拍无q波，且st段抬高幅度高于st段抬高幅度阈值，同时t波的幅值大于t波幅值阈值；
[0077]
则上述两种情况均属于第一类异常心拍；
[0078]
(2)如果心拍有q波，且同时满足q波间期大于q波间期阈值、q波幅值大于q波幅值阈值和st段抬高幅度高于st段抬高幅度阈值，则属于第二类异常心拍；
[0079]
(3)如果心拍有q波，且同时满足q波间期大于q波间期阈值、q波幅值大于q波幅值阈值和st段抬高幅度低于st段抬高幅度阈值，则属于第三类异常心拍；
[0080]
(4)如果心拍有q波，且q波间期小于等于q波间期阈值，同时st段抬高幅度不高于st段抬高幅度阈值；
[0081]
或者心拍无q波，同时st段抬高幅度不高于st段抬高幅度阈值；
[0082]
则上述两种情况均属于正常心拍；
[0083]
对于t波幅值阈值u根据待检测心拍所属不同导联取值不同，其中v2、v3、v4和v5导联的t波，t波幅值阈值增加20％-50％；对于i、ii、avf、v1和v6导联的t波，t波幅值阈值不变；对于iii和avl导联的t波，t波幅值阈值减少50％-70％；
[0084]
对于st段抬高幅度阈值v根据患者性别和待检测心拍所属不同导联取值不同，对于v2和v3导联st段抬高幅度，如果患者为女性则st段抬高幅度阈值减少15％-40％，如果患者为大于等于40岁的男性则st段抬高幅度阈值不变，如果患者为小于40岁的男性则st段抬高幅度阈值减少15％-40％，其它导联st段抬高幅度阈值减少40％-60％。
[0085]
所述的步骤b142中，基于densenet的深度神经网络包含三个稠密连接块、两个过渡连接块、一个全局平均池化块、一个平化块和一个输出块；
[0086]
其中，每个稠密连接块均包含两个一维卷积层、两个归一化层、两个线性修正单元层和两个跳层连接层；
[0087]
每个过渡连接块均包含一个一维卷积层、一个一维平均池化层、一个归一化层和一个线性修正单元层；
[0088]
在进行基于densenet的深度神经网络的生成时：
[0089]
(1)第一稠密连接块通过第一稠密连接块内的第一一维卷积层、第一归一化层和第一线性修正单元层，对待检测心拍进行卷积，得到第一卷积特征；
[0090]
(2)第一稠密连接块通过第一稠密连接块内的第一跳层连接层，对第一稠密连接块的输入和第一卷积特征进行融合，得到第一融合特征；
[0091]
(3)第一稠密连接块通过第一稠密连接块内的第二一维卷积层、第二归一化层和第二线性修正单元层，对第一融合特征进行卷积，得到第二卷积特征；
[0092]
(4)第一稠密连接块通过第一稠密连接块内的第二跳层连接层，对第一稠密连接块的输入、第一融合特征和第二卷积特征进行融合，得到第二融合特征；
[0093]
(5)第一过渡连接块通过第一过渡连接块内的一维卷积层、归一化层和线性修正单元层，对第二融合特征进行卷积得到第三卷积特征；
[0094]
(6)第一过渡连接块通过第一过渡连接块内的一维平均池化层，对第三卷积特征进行降维，得到第一去冗余降维特征；
[0095]
(7)第二稠密连接块通过第二稠密连接块内的第一一维卷积层、第一归一化层和第一线性修正单元层，对第一去冗余降维特征进行卷积，得到第四卷积特征；
[0096]
(8)第二稠密连接块通过第二稠密连接块内的第一跳层连接层，对第一去冗余降维特征和第四卷积特征进行融合，得到第三融合特征；
[0097]
(9)第二稠密连接块通过第二个稠密连接块内的第二一维卷积层、第二归一化层和第二线性修正单元层，对第三融合特征进行卷积，得到第五卷积特征；
[0098]
(10)第二稠密连接块通过第二个稠密连接块内的第二跳层连接层，对第一去冗余降维特征、第三融合特征和第五卷积特征进行融合，得到第四融合特征；
[0099]
(11)第二过渡连接块通过第二过渡连接块内的一维卷积层、归一化层和线性修正单元层，对第四融合特征进行卷积，得到第六卷积特征；
[0100]
(12)第二过渡连接块通过第二过渡连接块内的一维平均池化层，对第六卷积特征进行降维，得到第二去冗余降维特征；
[0101]
(13)第三稠密连接块通过第三稠密连接块内的第一一维卷积层、第一归一化层和第一线性修正单元层，对第二去冗余降维特征进行卷积，得到第七卷积特征；
[0102]
(14)第三稠密连接块通过第三稠密连接块内的第一跳层连接层，对第二去冗余降维特征和第七卷积特征进行融合，得到第五融合特征；
[0103]
(15)第三稠密连接块通过第三稠密连接块内的第二一维卷积层、第二归一化层和第二线性修正单元层，对第五融合特征进行卷积，得到第八卷积特征；
[0104]
(16)第三稠密连接块通过第三稠密连接块内的跳层连接层，对第二去冗余降维特征、第五融合特征和第八卷积特征进行融合，得到第六融合特征；
[0105]
(17)全局平均池化块对第六融合特征进行全局平均池化，即计算第六融合特征在每个特征映射上特征的平均值，得到全局平均池化特征；
[0106]
(18)平化层将全局平均池化特征进行平化，获得平化特征；
[0107]
(19)输出层将平化特征输入至以softmax作为激活函数的神经网络层，输出心拍属于正常心拍的概率p
11
、第一类异常心拍的概率p
12
、第二类异常心拍的概率p
13
和第三类异常心拍的概率p
14
；
[0108]
基于densenet的深度神经网络的损失函数采用基于加权平均的交叉熵损失函数；基于加权平均的交叉熵损失函数l为：
[0109][0110]
其中，n表示心拍形态类别总数，n表示心拍形态类别的索引值，q为样本总量，i为样本的索引值，y是模型实际输出，1[
·
]为判断函数，若中括号内成立输出1，否则为0；wi和bi分别表示对应异常心拍类别的权重矩阵和偏置，x表示平化特征，kn为不同形态心拍样本的惩罚系数，表示为：
[0111]
其中，an表示不同形态的心拍数量；
[0112]
将m个基于densenet的深度神经网络输出不同类别的心拍概率记为矩阵p，
[0113][0114]
其中，p
11
至p
m1
、p
12
至p
m2
、p
13
至p
m3
和p
14
至p
m4
，分别表示第1个至第m个基于densenet的深度神经网络输出的正常心拍的概率、第一类异常心拍的概率、第二类异常心拍的概率和第三类异常心拍的概率。
[0115]
所述的步骤c中，心梗辅助诊断领域知识图谱的本体结构，数学定义为五元组o＝{c,r,f,a,i}，c表示属性的集合；r表示属性之间语义关系的集合；f表示函数关系；a表示知识体系中的公理；i表示具体的实例个体；
[0116]
其中，c定义了9不同种属性类型的概念，对应35个属性，分别为心肌梗死、心电图、1至12导联、qrs波、st段、t波、无病理性q波、有病理性q波、典型抬高、非典型抬高、不抬高、高耸、倒置、直立、超急性期心梗、急性期心梗、陈旧期心梗、下壁心梗、前间壁心梗、前壁心梗、广泛前壁心梗、前侧壁心梗、高侧壁心梗、心尖部心梗；r定义了5种类型的边，对应144个关系对，5种类型的边分别为检测、导联、波段、类型和对应改变，对应的语义关系为心梗由心电图检测得到，心电图的导联体系包含i导联、ii导联、iii导联、avr导联、avl导联、avf导联和v1-v6导联，每个导联的波段包含qrs波、st段和t波，qrs波的类型分为有病理性q波和无病理性q波，st段的类型分为典型抬高、非典型抬高和不抬高，t波的类型分为高耸、倒置和直立，超急性期心梗对应无病理性q波、st段非典型抬高和t波高耸，急性期心梗对应有病理性q波、st段典型抬高、t波直立或倒置，陈旧期心梗对应无病理性q波、st段不抬高、t波直立或倒置。
[0117]
所述的步骤d中，产生式规则包含：
[0118]
(1)如果ii导联、iii导联、avf导联中至少两个导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期下壁心梗；
[0119]
(2)如果ii导联、iii导联、avf导联中至少两个导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期下壁心梗；
[0120]
(3)如果ii导联、iii导联、avf导联中至少两个导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期下壁心梗；
[0121]
(4)如果v1导联、v2导联、v3导联中至少两个导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期前间壁心梗；
[0122]
(5)如果v1导联、v2导联、v3导联中至少两个导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期前间壁心梗；
[0123]
(6)如果v1导联、v2导联、v3导联中至少两个导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期前间壁心梗；
[0124]
(7)如果v1导联、v2导联、v3导联、v4导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期前壁心梗；
[0125]
(8)如果v1导联、v2导联、v3导联、v4导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期前壁心梗；
[0126]
(9)如果v1导联、v2导联、v3导联、v4导联心电图的心拍形态表现为有病理性q波、
st段不抬高、t波直立或倒置，则心电图表现为陈旧期前壁心梗；
[0127]
(10)如果v1导联、v2导联、v3导联、v4导联、v5导联、v6导联、i导联和avl导联中至少五个导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期广泛前壁心梗；
[0128]
(11)如果v1导联、v2导联、v3导联、v4导联、v5导联、v6导联、i导联和avl导联中至少五个导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期广泛前壁心梗；
[0129]
(12)如果v1导联、v2导联、v3导联、v4导联、v5导联、v6导联、i导联和avl导联中至少五个导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期广泛前壁心梗；
[0130]
(13)如果i导联和avl导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期高侧壁心梗；
[0131]
(14)如果i导联和avl导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期高侧壁心梗；
[0132]
(15)如果i导联和avl导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期高侧壁心梗；
[0133]
(16)如果v5导联和v6导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期前侧壁心梗；
[0134]
(17)如果v5导联和v6导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期前侧壁心梗；
[0135]
(18)如果v5导联和v6导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期前侧壁心梗；
[0136]
(19)如果v4导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期心尖部梗死；
[0137]
(20)如果v4导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期心尖部梗死；
[0138]
(21)如果v4导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期前心尖部梗死；
[0139]
(22)产生式规则(1)到产生式规则(21)中任意两条或两条以上产生式规则的组合。
[0140]
所述的步骤b122中：在基于u-net框架的卷积神经网络模型中，
[0141]
编码模块共6层，记为第一层到第六层，第一层包含一个一维卷积层，第二层包含一个一维卷积层、一个批量归一化层、一个relu层和一个一维下采样层，第三层包含一个一维卷积层，第四层包含一个一维卷积层、一个批量归一化层、一个relu层和一个一维下采样层，第五层包含一个一维卷积层，第六层包含一个一维卷积层、一个批量归一化层、一个relu层和一个一维下采样层；其中，第一层和第二层卷积核的长度为31，卷积核的个数为16；第三层和第四层卷积核的长度为25，卷积核的个数为32；第五层和第六层卷积核的长度为19，卷积核的个数为64；第二层、第四层和第六层中一维下采样层的下采样因子均为2；
[0142]
底层模块共2层，记为第七层到第八层，第七层包含一个一维卷积层，第八层包含
一个一维卷积层、一个批量归一化层、一个relu层和一个一维下采样层，第七层和第八层卷积核的长度为和个数均为13和128；
[0143]
解码模块共10层，记为第九层到第十八层，第九层包含一个一维上采样层和一个一维卷积层，第十层包含一个一维卷积层、一个批量归一化层、一个relu层和一个跳层连接层，第十一层包含一个一维卷积层、一个批量归一化层和一个relu层，第十二层包含一个一维上采样层和一个一维卷积层，第十三层包含一个一维卷积层、一个批量归一化层、一个relu层和一个跳层连接层，第十四层包含一个一维卷积层、一个批量归一化层和一个relu层，第十五层包含一个一维上采样层和一个一维卷积层，第十六层包含一个一维卷积层、一个批量归一化层、一个relu层和一个跳层连接层，第十七层包含一个一维卷积层、一个批量归一化层和一个relu层，第十八层包含一个一维卷积层；其中，第九层、第十层和第十一层卷积核的长度为19，卷积核的个数为64；第十二层、第十三层和第十四层卷积核的长度为25，卷积核的个数为32；第十五层、第十六层和第十七层卷积核的长度为31，卷积核的个数为16；第十八层卷积核的长度为1，卷积核的个数为6，第九层、第十二层和第十五层中一维上采样层的下采样因子均为2；
[0144]
第十九层为softmax层，用于输出每个采样点分别属于qrs波起始点、峰值点、终止点和t波峰值点和终止点的概率；
[0145]
基于u-net框架的长短期记忆网络模型中，编码模块、解码模块和softmax层和基于u-net框架的卷积神经网络模型完全相同，底层模块为两个lstm层，两个lstm层中隐层节点个数均为128。
[0146]
一种基于知识图谱的心肌梗死智能辅助验证方法的验证系统，包括多导联心电信号数据采集模块、实体属性值获取模块和知识图谱模块；其中，
[0147]
多导联心电信号数据采集模块，用于通过多导联心电信号并进行信号调理、转换和分离，将多导联心电信号分离为十二导联信号；
[0148]
实体属性值获取模块，利用获取的多导联心电信号数据，建立并通过心电信号特征点提取网络模型对特征点进行提取，得到多导联心电信号数据中的特征点；然后利用得到的多导联心电信号数据中的特征点，通过心拍形态识别网络模型进行心拍形态识别，最终得到多导联心电信号数据的实体属性值；
[0149]
知识图谱模块，包括知识图谱本体结构构建模块和基于知识图谱的推理诊断模块；知识图谱模块用于根据获得的多导联心电信号数据的实体属性值，链接到心梗辅助诊断领域知识图谱的本体结构上，生成对应实体的知识图谱；并基于产生式规则，对心肌梗死的诊断结果进行辅助验证。
[0150]
本发明能够将采集到的多导联心电信号数据，建立并通过心电信号特征点提取网络模型对特征点进行提取，得到多导联心电信号数据中的特征点；然后利用得到的多导联心电信号数据中的特征点，通过心拍形态识别网络模型进行心拍形态识别，最后基于心拍识别构建的知识图谱，并基于产生式规则对心肌梗死的诊断结果进行辅助验证，提高诊断结果的准确性和可解释性。
附图说明
[0151]
图1为本发明中基于知识图谱的心肌梗死智能辅助验证方法的流程示意图；
[0152]
图2为本发明中基于知识图谱的心肌梗死智能辅助验证方法的验证系统的原理框图。
具体实施方式
[0153]
以下结合附图和实施例对本发明作以详细的描述：
[0154]
如图1所示，本发明所述的基于知识图谱的心肌梗死智能辅助验证方法，依次包括以下具体步骤：
[0155]
a：获取多导联心电信号数据；
[0156]
所述的步骤a中，通过多导联心电信号数据采集模块，利用信号采集传感器采集多导联心电信号，将采集到的多导联心电信号经隔离电路、放大电路和滤波电路完成调理后，通过信号转换电路即模/数转换电路将模拟信号转换为数字信号，再将转换后的数字信号通过输入信号分离模块，将多导联心电信号分离为十二导联信号。
[0157]
b：利用获取的多导联心电信号数据，建立并通过心电信号特征点提取网络模型对特征点进行提取，得到多导联心电信号数据中的特征点；然后利用得到的多导联心电信号数据中的特征点，通过心拍形态识别网络模型进行心拍形态识别，最终得到多导联心电信号数据的实体属性值；
[0158]
其中，多导联心电信号数据中的特征点包括qrs波起止点、qrs波峰值点、t波峰值点和t波终止点；心拍形态包括q波形态、st段形态和t波形态；实体属性值即心拍形态，同样包括q波形态、st段形态和t波形态，q波形态包含有病理性q波和无病理性q波；st段形态包含st段典型抬高、st段非典型抬高和st段不抬高；t波形态包含高耸、倒置和直立；
[0159]
本发明中，在利用心电信号特征点提取网络对特征点进行提取时，按照下述方法进行：
[0160]
b11：将得到的十二导联信号，输入到心电信号特征点提取网络；
[0161]
b12：建立并通过心电信号特征点提取网络模型，获取每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率，并基于固定阈值法提取特征点；
[0162]
所述的步骤b12包括以下具体步骤：
[0163]
b121：进行数据预处理；
[0164]
将多导联心电数据分别通过基于db6小波的离散小波变换去除基线干扰和0.5～40hz的三阶巴特沃斯带通滤波器去除高频和低频噪声，截取各导联心电数据长度为n，80％的数据为训练集，20％的数据为测试集；待检测点若是qrs波起始点，则标签为(1,0,0,0,0)；若是qrs波峰值点，则标签为(0,1,0,0,0)；若是qrs波终止点，则标签为(0,0,1,0,0)；则标签为(0,0,1,0,0)；若是t波峰值点，则标签为(0,0,0,1,0)；若是t波终止点，则标签为(0,0,0,0,1)。输入数据维度为n
×
1，数据标签维度为n
×
5；
[0165]
b122：进行标签扩展；
[0166]
若某个采样点被标记为qrs波起始点，则认为采样点的前0.075s和后0.075s的采样点也为qrs波起止点，即具有相同的标签；
[0167]
b123：建立并训练基于u-net框架的卷积神经网络模型(u-net-ecgcnn)和基于u-net框架的长短期记忆网络模型(u-net-ecglstm)，分别得到训练后的基于u-net框架的卷
积神经网络模型和基于u-net框架的长短期记忆网络模型；
[0168]
其中，基于u-net框架的卷积神经网络模型共19层，包含编码模块、底层模块、解码模块和softmax层；
[0169]
其中，编码模块共6层，记为第一层到第六层，第一层包含一个一维卷积层，第二层包含一个一维卷积层、一个批量归一化层、一个relu层和一个一维下采样层，第三层包含一个一维卷积层，第四层包含一个一维卷积层、一个批量归一化层、一个relu层和一个一维下采样层，第五层包含一个一维卷积层，第六层包含一个一维卷积层、一个批量归一化层、一个relu层和一个一维下采样层。其中第一层和第二层卷积核的长度为31，卷积核的个数为16；第三层和第四层卷积核的长度为25，卷积核的个数为32；第五层和第六层卷积核的长度为19，卷积核的个数为64；第二层、第四层和第六层中一维下采样层的下采样因子均为2。
[0170]
底层模块共2层，记为第七层到第八层，第七层包含一个一维卷积层，第八层包含一个一维卷积层、一个批量归一化层、一个relu层和一个一维下采样层，第七层和第八层卷积核的长度为和个数均为13和128；
[0171]
解码模块共10层，记为第九层到第十八层，第九层包含一个一维上采样层和一个一维卷积层，第十层包含一个一维卷积层、一个批量归一化层、一个relu层和一个跳层连接层，第十一层包含一个一维卷积层、一个批量归一化层和一个relu层，第十二层包含一个一维上采样层和一个一维卷积层，第十三层包含一个一维卷积层、一个批量归一化层、一个relu层和一个跳层连接层，第十四层包含一个一维卷积层、一个批量归一化层和一个relu层，第十五层包含一个一维上采样层和一个一维卷积层，第十六层包含一个一维卷积层、一个批量归一化层、一个relu层和一个跳层连接层，第十七层包含一个一维卷积层、一个批量归一化层和一个relu层，第十八层包含一个一维卷积层。其中第九层、第十层和第十一层卷积核的长度为19，卷积核的个数为64；第十二层、第十三层和第十四层卷积核的长度为25，卷积核的个数为32；第十五层、第十六层和第十七层卷积核的长度为31，卷积核的个数为16；第十八层卷积核的长度为1，卷积核的个数为6，第九层、第十二层和第十五层中一维上采样层的下采样因子均为2。
[0172]
第十九层为softmax层，用于输出每个采样点分别属于qrs波起始点、峰值点、终止点和t波峰值点和终止点的概率。
[0173]
基于u-net框架的长短期记忆网络模型共19层，包含编码模块、底层模块、解码模块和softmax层；其中编码模块、解码模块和softmax层和基于u-net框架的卷积神经网络模型完全相同，底层模块为两个lstm层，两个lstm层中隐层节点个数均为128。
[0174]
在分别对网络模型进行训练时，使用的损失函数为:
[0175][0176]
其中，n为每次输入网络的批次样本的个数，j为类别的个数，z表示t采样时刻属于类别k的概率，k＝{1,2
…
j}，k∈k,t＝{0,1,2，
…
，n}，t∈t,y为样本标签值，采用随机梯度下降(sgd)优化器对上述模型进行训练，通过逐步迭代使模型损失函数最小。其中动量、学习率和批量大小的超参数分别为0.9、0.005和64。当基于u-net框架的卷积神经网络和基于u-net框架的长短期记忆网络分别连续训练20轮后损失函数值均不降低，则停止训练并分别保存训练后的基于u-net框架的卷积神经网络模型和基于u-net框架的长短期记忆网络
模型。
[0177]
b124：利用训练后的基于u-net框架的卷积神经网络模型和基于u-net框架的长短期记忆网络模型，获取每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率，并基于固定阈值法提取特征点；
[0178]
固定阈值法提取特征点的方法包括下述具体步骤：
[0179]
b1241：将输入信号{x(t),t＝1,2,
…
n}输入训练后的基于u-net框架的卷积神经网络模型和基于u-net框架的长短期记忆网络模型中，分别得到每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率矩阵p和q，其表达式分别为：
[0180][0181][0182]
其中，p
n1
，p
n2
，p
n3
，p
n4
和p
n5
分别表示在基于u-net框架的卷积神经网络模型中，第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率；q
n1
，q
n2
，q
n3
，q
n4
和q
n5
分别表示在基于u-net-ecglstm模型中，第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率。
[0183]
b1242：生成集成学习获取每个时刻采样点是相应特征点的概率矩阵v，其表达式为：
[0184][0185]
其中，表示基于集成学习获取第n个采样点是qrs波起始点的概率，将概率矩阵v，转换为由0和1组成的矩阵x，矩阵x的表达式为：
[0186][0187]
转换过程中，若概率值v
j1
大于固定阈值thr1，则x
j1
等于1，否则x
j1
等于0，thr1为0.5。
[0188]
以qrs波起始点的检测为例，每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn]，转换后由0和1组成的矩阵为x1＝[x1,x2,
…
xn]；
[0189]
寻找qrs波起始点的位置的步骤如下：
[0190]
首先，找到x1中第一个等于1的位置，记所在位置为x1，从x1所在位置搜索直到找到下一个x2，x2满足条件：x2等于1且x2+1等于0，记下此时的位置x2，则x1到x2的中间位置即为第一个qrs波的起始点p1；
[0191]
然后，按照上述方法，从位置x2+1开始继续向后搜索，记下所有的qrs波起始点的位置；
[0192]
最后，得到qrs起止点的位置p＝[p1,p2,
…
,pj,
…
py]，其中，y表示基于固定阈值方法qrs波起始点的个数；j表示索引值。
[0193]
b13：基于动态阈值自适应调整策略和基于电生理知识的多导联互参方法进一步修正qrs波起止点、qrs波峰值点、t波峰值点和t波终止点的位置；
[0194]
所述的步骤b13包括以下具体步骤：
[0195]
b131：基于电生理知识的多导联互参方法修正特征点的位置，其具体步骤如下：
[0196]
根据电生理学知识：各个导联对应的qrs波起始点、qrs波终止点和t波终止点的位置基本相同，结合各导联的信息可以进一步提升特征点检测的准确率。其中设m导联心电信号的某个单导联信号x(t)，首先基于步骤b12的方法确定其每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn]，然后同样利用采用步骤b12的方法应用于m导联心电信号的剩余所有导联，则m导联心电信号每个采样点属于qrs波起始点的总概率矩阵为：
[0197][0198]
其中，w
in
表示第i个导联上第n个采样点属于qrs起始点的概率，i为导联索引值，基于电生理学知识的多导联互参法计算采样点在各个导联属于qrs波起始点的概率均值，并将其作为该导联上采样点属于qrs起始点的概率，应用于n个采样点后，每个采样点属于qrs波起始点的概率矩阵为：
[0199]
w＝[w1,w2,w3,....,wi,..wn]
[0200]
其中，表示第n个采样点属于qrs起始点的概率。
[0201]
b132：基于动态阈值自适应调整策略修正特征点的位置，其具体步骤如下：
[0202]
b1321：对b12中通过固定阈值方法得到的qrs波起始点位置p＝[p1,p2,
…
,pj,
…
py]；
[0203]
如果p[1]≥fs，表示有一个或多个qrs波起始点被遗漏，则使用新的概率矩阵y＝[w1,w2,...,w
p[0]+1/5*fs
]，使用步骤b12中的固定阈值法检测此范围内的qrs波起始点，阈值thr2＝thr1-0.1，然后检测结果保存到矩阵qrs中；如果qrs为空，则降低阈值为thr3＝thr2-0.1，直到qrs不为空；如果qrs不为空，则保存qrs并进入步骤b1322；
[0204]
如果p[1]＜fs，将p[1]记为第一个qrs波的起始点，并将p[1]保存到矩阵qrs中，然后进入步骤b1322；
[0205]
b1322：逐个检测矩阵p中p[2]到p[y-1]间的所有元素，检测该元素是否为qrs波起始点，记p[j]为待检测的第j-1个点；
[0206]
如果(p[j]-qrs[-1])≥1.2
×
fs，则p[j]和qrs[-1]之间漏检qrs波起始点；使用新的概率矩阵z＝[w
qrs[-1]+1/5*fs
,...,w
p[j]-1/5*fs
]，，通过固定阈值法检测p[j]至qrs[-1]范围内的qrs波起始点，且此时阈值thr3＝thr1-0.1，将检测结果保存到矩阵qrs中；如果qrs为空，则降低阈值为thr4＝thr3-0.1，直到qrs不为空；如果qrs不为空，则保存qrs并进入步骤b1323；
[0207]
如果(p[j]-qrs[-1])＜1.2
×
fs，则p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中，然后进入步骤b1323；
[0208]
步骤b1323：如果p[-1]≤n-fs，则p[-1]和n之间漏检qrs波起始点，使用新的概率矩阵t＝[w
p[-1]+1/5*fs,...,wn]，通过固定阈值法检测p[-1]至n范围内的qrs波起始点，且此时阈值thr5＝thr1-0.1，将检测结果保存到向矩阵qrs中；如果qrs为空，则降低阈值为thr6＝thr5-0.1，直到qrs不为空，如果qrs不为空，则保存qrs；
[0209]
如果p[-1]＞n-fs，则p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中；最后得到qrs＝[qrs1,qrs2,...,qrsj,...,qrsz]，其中z表示基于动态阈值自适应调整方法qrs波起始点的个数；j表示索引值。
[0210]
按照上述方法，分别提取qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的位置。
[0211]
b14：通过心拍形态识别网络模型进行心拍形态识别；
[0212]
所述的步骤b14包括以下具体步骤：
[0213]
b141：提取预处理后的心电信号的qrs波起止点和t波终止点，确定待检测心拍y(t)＝{y(t),t＝1,2,
…
m}，其中m表示心拍采用点个数，本实施例中，m可为256；
[0214]
不同类别的心拍形态如下所述：
[0215]
第一类异常心拍，具体表现为无病理q波、st段典型抬高和t波高耸；
[0216]
第二类异常心拍，具体表现为有病理q波和st段典型抬高；
[0217]
第三类异常心拍，具体表现为有病理q波和st段不抬高；
[0218]
正常心拍，具体表现为无病理q波和st段不抬高。
[0219]
b142：通过m个基于densenet的深度神经网络，分别对应生成待检测心拍中不同类
别的心拍概率，即正常心拍的概率、第一类异常心拍的概率、第二类异常心拍的概率和第三类异常心拍的概率；其中，m个基于densenet的深度神经网络的卷积核长度均不相同；
[0220]
本实施例中，基于densenet的深度神经网络包含三个稠密连接块、两个过渡连接块、一个全局平均池化块、一个平化块和一个输出块；
[0221]
其中，每个稠密连接块均包含两个一维卷积层(1d-c)、两个归一化层(bn)、两个线性修正单元层(relu)和两个跳层连接层(skip connection)；
[0222]
每个过渡连接块均包含一个一维卷积层、一个一维平均池化层(1d-p)、一个归一化层和一个线性修正单元层。
[0223]
在进行基于densenet的深度神经网络的生成时：
[0224]
(1)第一稠密连接块通过第一稠密连接块内的第一一维卷积层、第一归一化层和第一线性修正单元层，对待检测心拍进行卷积，得到第一卷积特征；
[0225]
(2)第一稠密连接块通过第一稠密连接块内的第一跳层连接层，对第一稠密连接块的输入和第一卷积特征进行融合，得到第一融合特征；
[0226]
(3)第一稠密连接块通过第一稠密连接块内的第二一维卷积层、第二归一化层和第二线性修正单元层，对第一融合特征进行卷积，得到第二卷积特征；
[0227]
(4)第一稠密连接块通过第一稠密连接块内的第二跳层连接层，对第一稠密连接块的输入、第一融合特征和第二卷积特征进行融合，得到第二融合特征；
[0228]
(5)第一过渡连接块通过第一过渡连接块内的一维卷积层、归一化层和线性修正单元层，对第二融合特征进行卷积得到第三卷积特征；
[0229]
(6)第一过渡连接块通过第一过渡连接块内的一维平均池化层，对第三卷积特征进行降维，得到第一去冗余降维特征；
[0230]
(7)第二稠密连接块通过第二稠密连接块内的第一一维卷积层、第一归一化层和第一线性修正单元层，对第一去冗余降维特征进行卷积，得到第四卷积特征；
[0231]
(8)第二稠密连接块通过第二稠密连接块内的第一跳层连接层，对第一去冗余降维特征和第四卷积特征进行融合，得到第三融合特征；
[0232]
(9)第二稠密连接块通过第二个稠密连接块内的第二一维卷积层、第二归一化层和第二线性修正单元层，对第三融合特征进行卷积，得到第五卷积特征；
[0233]
(10)第二稠密连接块通过第二个稠密连接块内的第二跳层连接层，对第一去冗余降维特征、第三融合特征和第五卷积特征进行融合，得到第四融合特征；
[0234]
(11)第二过渡连接块通过第二过渡连接块内的一维卷积层、归一化层和线性修正单元层，对第四融合特征进行卷积，得到第六卷积特征；
[0235]
(12)第二过渡连接块通过第二过渡连接块内的一维平均池化层，对第六卷积特征进行降维，得到第二去冗余降维特征；
[0236]
(13)第三稠密连接块通过第三稠密连接块内的第一一维卷积层、第一归一化层和第一线性修正单元层，对第二去冗余降维特征进行卷积，得到第七卷积特征；
[0237]
(14)第三稠密连接块通过第三稠密连接块内的第一跳层连接层，对第二去冗余降维特征和第七卷积特征进行融合，得到第五融合特征；
[0238]
(15)第三稠密连接块通过第三稠密连接块内的第二一维卷积层、第二归一化层和第二线性修正单元层，对第五融合特征进行卷积，得到第八卷积特征；
[0239]
(16)第三稠密连接块通过第三稠密连接块内的跳层连接层，对第二去冗余降维特征、第五融合特征和第八卷积特征进行融合，得到第六融合特征；
[0240]
(17)全局平均池化块对第六融合特征进行全局平均池化，即计算第六融合特征在每个特征映射上特征的平均值，得到全局平均池化特征；
[0241]
(18)平化层将全局平均池化特征进行平化，获得平化特征；
[0242]
(19)输出层将平化特征输入至以softmax作为激活函数的神经网络层，输出心拍属于正常心拍的概率p
11
、第一类异常心拍的概率p
12
、第二类异常心拍的概率p
13
和第三类异常心拍的概率p
14
。
[0243]
本发明中，基于densenet的深度神经网络的损失函数采用基于加权平均的交叉熵损失函数；基于加权平均的交叉熵损失函数l为：
[0244][0245]
其中，n表示心拍形态类别总数，n表示心拍形态类别的索引值，q为样本总量，i为样本的索引值，y是模型实际输出，1[
·
]为判断函数，若中括号内成立输出1，否则为0；wi和bi分别表示对应异常心拍类别的权重矩阵和偏置，x表示平化特征，kn为不同形态心拍样本的惩罚系数，可表示为：
[0246]
其中，an表示不同形态的心拍数量；
[0247]
将m个基于densenet的深度神经网络输出不同类别的心拍概率记为矩阵p，
[0248][0249]
其中，p
11
至p
m1
、p
12
至p
m2
、p
13
至p
m3
和p
14
至p
m4
，分别表示第1个至第m个基于densenet的深度神经网络输出的正常心拍的概率、第一类异常心拍的概率、第二类异常心拍的概率和第三类异常心拍的概率；
[0250]
实施例中，可采用3个基于densenet的深度神经网络，卷积核的长度分别为7、11和15，模型生长率均为32。
[0251]
b143：根据步骤b142中得到的每个基于densenet的深度神经网络生成不同类别的心拍概率，通过融合决策的方法确定各个类别心拍概率的最终概率；
[0252]
本发明中，融合决策的方法是计算m个基于densenet的深度神经网络输出概率值的均值z，使用z矩阵的最大值做为所属心拍类别k的最终概率zk；
[0253]
z＝[z1,z2,z3,z4]；
[0254]
正常心拍的最终概率
[0255]
第一类异常心拍的最终概率
70％，本实施例中减少至u＝0.2mv。
[0278]
对于st段抬高幅度阈值v根据患者性别和待检测心拍所属不同导联取值不同，对于v2和v3导联st段抬高幅度，如果患者为女性则st段抬高幅度阈值减少15％-40％，本实施例中减少至v＝0.15mv，如果患者为大于等于40岁的男性则st段抬高幅度阈值不变，v＝0.2mv，如果患者为小于40岁的男性则st段抬高幅度阈值减少15％-40％，本实施例中减少至v＝0.15mv，其它导联st段抬高幅度阈值减少40％-60％，本实施例中减少至v＝0.1mv。
[0279]
c：将步骤b中获得的多导联心电信号数据的实体属性值，链接到心梗辅助诊断领域知识图谱的本体结构上，生成对应实体的知识图谱；
[0280]
本发明中，心梗辅助诊断领域知识图谱的本体结构，数学定义为五元组o＝{c,r,f,a,i}，c表示属性的集合；r表示属性之间语义关系的集合；f表示函数关系，用于定义某个元素的值由多个元素定义的函数关系；a表示知识体系中的公理，用于进行逻辑推理；i表示具体的实例个体，是对本体中的属性例化。
[0281]
其中，c定义了9不同种属性类型的概念，对应35个属性，分别为心肌梗死、心电图、1至12导联、qrs波、st段、t波、无病理性q波、有病理性q波、典型抬高、非典型抬高、不抬高、高耸、倒置、直立、超急性期心梗、急性期心梗、陈旧期心梗、下壁心梗、前间壁心梗、前壁心梗、广泛前壁心梗、前侧壁心梗、高侧壁心梗、心尖部心梗；r定义了5种类型的边，对应144个关系对，5种类型的边分别为检测、导联、波段、类型和对应改变，对应的语义关系为心梗由心电图检测得到，心电图的导联体系包含i导联、ii导联、iii导联、avr导联、avl导联、avf导联和v1-v6导联，每个导联的波段包含qrs波、st段和t波，qrs波的类型分为有病理性q波和无病理性q波，st段的类型分为典型抬高、非典型抬高和不抬高，t波的类型分为高耸、倒置和直立，超急性期心梗对应无病理性q波、st段非典型抬高和t波高耸，急性期心梗对应有病理性q波、st段典型抬高、t波直立或倒置，陈旧期心梗对应无病理性q波、st段不抬高、t波直立或倒置；
[0282]
d：利用步骤c中得到的知识图谱，并基于产生式规则，对心肌梗死的诊断结果进行辅助验证。
[0283]
本发明中，产生式规则包含：
[0284]
(1)如果ii导联、iii导联、avf导联中至少两个导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期下壁心梗。
[0285]
(2)如果ii导联、iii导联、avf导联中至少两个导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期下壁心梗。
[0286]
(3)如果ii导联、iii导联、avf导联中至少两个导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期下壁心梗。
[0287]
(4)如果v1导联、v2导联、v3导联中至少两个导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期前间壁心梗。
[0288]
(5)如果v1导联、v2导联、v3导联中至少两个导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期前间壁心梗。
[0289]
(6)如果v1导联、v2导联、v3导联中至少两个导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期前间壁心梗。
[0290]
(7)如果v1导联、v2导联、v3导联、v4导联心电图的心拍形态表现为无病理性q波、
st段非典型抬高、t波高耸，则心电图表现为超急性期前壁心梗。
[0291]
(8)如果v1导联、v2导联、v3导联、v4导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期前壁心梗。
[0292]
(9)如果v1导联、v2导联、v3导联、v4导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期前壁心梗。
[0293]
(10)如果v1导联、v2导联、v3导联、v4导联、v5导联、v6导联、i导联和avl导联中至少五个导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期广泛前壁心梗。
[0294]
(11)如果v1导联、v2导联、v3导联、v4导联、v5导联、v6导联、i导联和avl导联中至少五个导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期广泛前壁心梗。
[0295]
(12)如果v1导联、v2导联、v3导联、v4导联、v5导联、v6导联、i导联和avl导联中至少五个导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期广泛前壁心梗。
[0296]
(13)如果i导联和avl导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期高侧壁心梗。
[0297]
(14)如果i导联和avl导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期高侧壁心梗。
[0298]
(15)如果i导联和avl导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期高侧壁心梗。
[0299]
(16)如果v5导联和v6导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期前侧壁心梗。
[0300]
(17)如果v5导联和v6导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期前侧壁心梗。
[0301]
(18)如果v5导联和v6导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期前侧壁心梗。
[0302]
(19)如果v4导联心电图的心拍形态表现为无病理性q波、st段非典型抬高、t波高耸，则心电图表现为超急性期心尖部梗死。
[0303]
(20)如果v4导联心电图的心拍形态表现为有病理性q波、st段典型抬高、t波直立或倒置，则心电图表现为急性期心尖部梗死。
[0304]
(21)如果v4导联心电图的心拍形态表现为有病理性q波、st段不抬高、t波直立或倒置，则心电图表现为陈旧期前心尖部梗死。
[0305]
(22)产生式规则(1)到产生式规则(21)中任意两条或两条以上产生式规则的组合。
[0306]
如图2所示，本发明所述的基于知识图谱的心肌梗死智能辅助验证方法的验证系统，包括多导联心电信号数据采集模块、实体属性值获取模块和知识图谱模块；其中，
[0307]
多导联心电信号数据采集模块，用于通过多导联心电信号并进行信号调理、转换和分离，将多导联心电信号分离为十二导联信号；
[0308]
实体属性值获取模块，利用获取的多导联心电信号数据，建立并通过心电信号特
征点提取网络模型对特征点进行提取，得到多导联心电信号数据中的特征点；然后利用得到的多导联心电信号数据中的特征点，通过心拍形态识别网络模型进行心拍形态识别，最终得到多导联心电信号数据的实体属性值；
[0309]
知识图谱模块，包括知识图谱本体结构构建模块和基于知识图谱的推理诊断模块；知识图谱模块用于根据获得的多导联心电信号数据的实体属性值，链接到心梗辅助诊断领域知识图谱的本体结构上，生成对应实体的知识图谱；并基于产生式规则，对心肌梗死的诊断结果进行辅助验证。
[0310]
本发明中，多导联心电信号数据采集模块按照上文中步骤a中的方法进行信号的采集、调理、转换和分离；
[0311]
实体属性值获取模块，按照步骤b中所述的方法最终获得多导联心电信号数据的实体属性值。其中，基于心电信号特征点提取网络模型执行步骤b11至b13；基于心拍形态识别网络模型执行步骤b14；
[0312]
知识图谱模块中的知识图谱本体结构构建模块，利用步骤c中所述的方法进行知识图谱本体结构构建；知识图谱模块中的基于知识图谱的推理诊断模块，利用步骤d中所述的方法进行心肌梗死的诊断结果的辅助验证。
[0313]
上述具体步骤在此不再赘述。