基于连续T波面积与深度特征的心肌缺血模型建模方法

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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、本发明采用的技术方案是：

3、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：

4、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。

5、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。

6、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。

7、4)首先，构建心肌缺血检测模型，具体过程如下：通过卷积神经网络模型提取每个ecg记录片段的深度特征向量并处理为一维特征向量，与该ecg记录片段对应的变异系数特征向量融合为混合特征向量，再对混合特征向量线性变换后使用sigmoid激活函数转换为概率值，最后使用多层感知机根据概率值将每个ecg记录片段分类为正常ecg片段或心肌缺血ecg片段。构建心肌缺血检测模型后，选取ecg记录片段中的部分心肌缺血ecg片段和正常ecg片段作为训练集，剩余心肌缺血ecg片段和正常ecg片段作为测试集，对心肌缺血检测模型进行训练与测试，且测试时根据各ecg记录片段的模型分类结果，结合各ecg记录片段的真实分类，计算评价指标，对心肌缺血检测模型进行评价，若评价指标满足要求，得到心肌缺血检测模型中卷积神经网络模型和多层感知机的最优参数，否则调整卷积神经网络模型和多层感知机的参数，重新对心肌缺血检测模型进行训练与测试。

8、优选地，对原始ecg数据进行预处理的过程如下：

9、a1)选取daubechies6小波函数作为母小波来过滤原始ecg数据的信号噪声，得到降噪后心电信号；其中，信号噪声包含肌电干扰、基线漂移和工频噪声；

10、a2)对降噪后心电信号，截取多个ecg记录片段，包括心肌缺血ecg片段和正常ecg片段；其中，心肌缺血ecg片段和正常ecg片段的数目差别小于200。

11、优选地，确定ecg记录片段中除最后一个t波外其余t波起止点的过程具体如下：

12、b1)采用pan-tompkins算法定位ecg记录片段中各t波前的r峰位置；

13、b2)根据qt数据库中标注的qrs波群索引位置以及t波和p波的起止点索引位置，提取qt数据库中多个心跳信号的rr间期、rton间期、rtend间期，对rr和rton、rr和rtend做k-means算法聚类分析，从而确定在不同rr间期下t波起点和终点的搜索范围[t1,t2]和[t3,t4]。

14、b3)首先根据各相邻两个r峰位置计算得到的rr间期确定ecg记录片段中除最后一个t波外其余t波的起点搜索范围，然后采用滑动窗口定位ecg记录片段中除最后一个t波外其余t波的起点；定位t波起点的过程具体如下：将滑动窗口放在搜索左边界t1处，然后将滑动窗口向右移动，当滑动窗口的积分面积取到最大时，滑动窗口左端点t的取值就是t波起点的位置。

15、b4)首先根据各相邻两个r峰位置计算得到的rr间期确定ecg记录片段中除最后一个t波外其余t波的终点搜索范围，然后采用滑动窗口定位ecg记录片段中除最后一个t波外其余t波的终点位置，定位t波终点的过程具体如下：将滑动窗口定义为[t′-w,t′]，将滑动窗口从t3处开始向t4处滑动，当滑动窗口积分面积最大时，t′的取值就是t波终点的位置。

16、更优选地，定位t波起点的滑动窗口积分面积公式如下：

17、

18、其中sj表示滑动窗口中第j个采样点的信号幅值，表示滑动窗口左端点t的邻域p内信号幅值的平均值，的公式为：

19、

20、更优选地，定位t波终点的滑动窗口积分面积公式为：

21、

22、其中表示滑动窗口右端点t′的邻域p内信号幅值的平均值。

23、优选地，步骤3)具体包含以下步骤：

24、c1)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，t波面积用t波的积分面积表达；t波积分面积表示为：

25、

26、其中st代表t波中第t个采样点的幅值大小，ton与toff分别表示t波起点与终点，表示ton的邻域p内信号幅值的平均值；

27、c2)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；变异系数表示为cv＝σ/μ，σ表示每根导联中除最后一个t波外其余所有t波面积的标准差，μ表示每根导联中除最后一个t波外其余所有t波面积的均值。

28、c3)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。

29、优选地，通过卷积神经网络模型提取每个ecg记录片段的深度特征向量并处理为一维特征向量的过程具体如下：

30、使用8层卷积单元提取每个ecg记录片段的深度特征向量；在8层卷积单元之后使用自适应最大池化层降低特征维度，得到每个ecg记录片段对应的二维特征向量；自适应最大池化层之后使用展平层将每个ecg记录片段对应的二维特征向量压平为一维特征向量。

31、优选地，混合特征向量的融合以及线性变换的过程具体如下：

32、首先将经过全连接层后的每个ecg记录片段对应的变异系数特征向量和深度神经网络提取的该ecg记录片段对应的一维特征向量进行concat类型的特征融合，将特征融合后的混合特征向量作为输入，经过两层隐藏层单元线性变换，再通过输出层输出。

33、优选地，在训练和测试过程中将所有心肌缺血ecg片段分为五堆，所有正常ecg片段也分为五堆，训练和测试过程重复5次，每次训练过程选取不同的四堆心肌缺血ecg片段和四堆正常ecg片段作为训练集，对应的测试过程则选取剩余的一堆心肌缺血ecg片段和一堆正常ecg片段作为测试集，且每次测试时对每一折交叉验证均计算评价指标，心肌缺血检测模型最终的评价指标为每一折交叉验证评价指标的平均值。

34、相比于现有技术，本发明具有的有益效果为：

35、首先，以往的心肌缺血心电图的识别方案都是以心拍为主，但是这些方案都易受到单个异常心拍的影响导致检测准确率不高，本发明通过截取ecg信号片段，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。其次，使用8层卷积单元提取ecg信号的深度特征，使用自适应最大池化层加快网络的收敛速度。最后将连续t波面积特征与深度特征融合为混合特征，使用多层感知机(mlp)分类心肌缺血心电图与正常心电图，能够有效提高识别心肌缺血的准确率、高效性和实用性。