CN116189902A - 基于心磁图视频数据的心肌缺血预测模型及其构建方法 - Google Patents
基于心磁图视频数据的心肌缺血预测模型及其构建方法 Download PDFInfo
- Publication number
- CN116189902A CN116189902A CN202310060663.1A CN202310060663A CN116189902A CN 116189902 A CN116189902 A CN 116189902A CN 202310060663 A CN202310060663 A CN 202310060663A CN 116189902 A CN116189902 A CN 116189902A
- Authority
- CN
- China
- Prior art keywords
- magnetocardiogram
- video data
- classification network
- dimensional
- video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000031225 myocardial ischemia Diseases 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/243—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetocardiographic [MCG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于心磁图视频数据的心肌缺血预测模型的构建方法,包括:采集病人的原始心磁信号和诊断信息;根据诊断信息,对原始心磁信号进行标记,得心磁信号标签;将原始心磁信号进行空间重建,得心磁图视频数据;提取心磁图视频数据的视频特征;将心磁图视频数据输入四维时序分类网络,以心磁信号标签作为输出进行训练,得训练好的四维时序分类网络;将心磁图视频数据进行降维处理,并输入三维空间分类网络,以心磁信号标签作为输出进行训练,得到训练好的三维空间分类网络;将视频特征、训练好的四维时序分类网络和训练好的三维空间分类网络进行融合,即得。本发明构建的心肌缺血预测模型大幅提升了心肌缺血诊断预测的分类准确度。
Description
技术领域
本发明涉及心磁图数据分析领域。更具体地说,本发明涉及一种基于心磁图视频数据的心肌缺血预测模型及其构建方法。
背景技术
心磁图是一种通过检测人体心脏电活动产生的磁场而进行成像分析的新型心脏疾病诊断方法,在冠心病、心肌缺血等方面具有良好的应用潜力。心磁图对心肌缺血等疾病预测的灵敏度和准确度接依赖于数据解读。现有的心磁图解读方法主要依靠专业医生进行人工分类,不仅人力成本高、效率低、时间长,同时准确度也极大地受医生经验影响,导致心磁图的心肌缺血临床诊断准确度不高。采用机器学习方法对病例的心磁图特征数据进行挖掘,构建心肌缺血预测模型,可极大提高基于心磁图的心肌缺血分类效率及准确率,同时节约医生这一稀缺人力资源。但是,现有的机器学习方法只是对一维的心磁信号数据进行构建自动分类模型,这些模型大多是基于单一模型如支持向量机,直接核法或神经网络等方法实现分类功能,分类准确度还有很大提升空间。基于心磁图视频数据构建心肌缺血预测分类模型,目前还未见报道。
发明内容
本发明的一个目的是提供一种基于心磁图视频数据的心肌缺血预测模型及其构建方法,以解决现有人工分类方法及机器学习方法准确率低的问题,本发明所述方法分类准确度得到了大幅提升和改善。
为了实现本发明的目的和其它优点,提供了一种基于心磁图视频数据的心肌缺血预测模型的构建方法,包括:
采集病人的原始心磁信号和诊断信息;
根据所述诊断信息,对所述原始心磁信号进行标记,得心磁信号标签;
将所述原始心磁信号进行空间重建,得心磁图视频数据;
提取所述心磁图视频数据的视频特征;
将所述心磁图视频数据输入四维时序分类网络,以所述心磁信号标签作为输出,对所述四维时序分类网络进行训练,得训练好的四维时序分类网络;
将所述心磁图视频数据进行降维处理,然后将降维后的心磁视频输入三维空间分类网络,以所述心磁信号标签作为输出,对所述三维空间分类网络进行训练,得训练好的三维空间分类网络;
将所述视频特征、训练好的四维时序分类网络和训练好的三维空间分类网络进行融合,得所述基于心磁图视频数据的心肌缺血预测模型。
优选的是,所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,所述四维时序分类网络为基于TimeSformer的无卷积时序视频分类网络模型。
优选的是,所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,所述三维空间分类网络为基于Resnet3D改良的三维卷积神经网络模型。
优选的是,所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,所述降维处理,具体为,所述降维处理,具体为,采用公式1对所述心磁图视频数据中图像颜色通道RGB的红色通道和蓝色通道赋值,根据红蓝两色在图像中的正负极含义分别乘以正负相反的常数n,实现对心磁图视频数据的图像含义层面的人为特征增强以及进行了视频的降维处理,得到三维RGB矩阵数据;采用公式2对所述三维RGB矩阵数据进行归一化处理,得到归一化处理后的三维归一化矩阵数据;其中,公式1为output=R*n+G+B*(-n),式中,R,G,B分别是红色、绿色和蓝色三个颜色通道上的0-255的数值,n为一常数;公式2为式中,x为公式1中的output值。
优选的是,所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,还包括:对采集到的所述原始心磁信号进行预处理,所述预处理包括去除噪声和片段分割。
优选的是,所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,所述视频特征包括T峰的磁场角度,T峰的电流角度,R峰的磁场角度,R-T峰之间的磁场角度变化,QRS波的磁场角度变化。
本发明还提供了一种基于心磁图视频数据的心肌缺血预测模型,其由上述构建方法构建得到。
本发明还提供了一种存储介质,其中存储有计算机程序,所述计算机程序被处理器加载执行时,实现上述构建方法。
本发明还提供了一种电子设备,包括:处理器、及存储器;其中,所述存储器用于存储计算机程序;所述处理器用于加载执行所述计算机程序,以使所述电子设备执行上述构建方法。
本发明至少包括以下有益效果:
第一、本发明同时使用空间分类网络和时序分类网络共同提取心磁图视频数据的时序特征和空间特征,对心磁图视频数据进行分类,并融合心磁图视频数据的视频特征,构建基于心磁图视频数据的心肌缺血预测模型,有效提高了预测模型的灵敏度和分类准确度。
第二、本发明针对目前患有心血管疾病的心磁图数据,在目标模型的构建过程中,结合心磁图视频数据的深度学习特征以及其传统统计学特征:一方面使用深度学习网络自动学习给定抽象特征,另一方面使用传统统计学人为构造数字特征,并将两种数值特征的高效融合,实现对心磁图特征的深度学习网络特征挖掘。
第三、本发明基于心磁图视频数据仅有红、绿、蓝三种有限颜色显示的特殊性,通过整合RGB通道对心磁图视频数据进行了特征增强,加深了红色和蓝色正负极之间的关系,同时,将心磁图视频数据由四维数组(Time,Width,Height,RGB)降维成三维数组(Time,Width,Height),以便使用三维卷积神经网络来更加有效的提取心磁图视频数据的时空特征,得到更高的分类准确度。
第四、采用本发明构建的基于心磁图视频数据的心肌缺血预测模型,针对心磁图中心肌缺血的异常分类,在现有的测试集上,模型训练结果与现有的基于一维的心磁信号数据的机器学习方法相比,可以得到大幅提升,证实本发明的预测模型对于心磁图心肌缺血异常分类的应用具有极大帮助。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1是本发明一个实施例的构建方法的整体流程图;
图2是本发明一个实施例的视频分类网络的整体框图。
具体实施方式
下面结合实施例和附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
需要说明的是,下述实施方案中所述实验方法,如无特殊说明,均为常规方法,所述材料,如无特殊说明,均可从商业途径获得。
如图1、图2所示,本发明提供一种基于心磁图视频数据的心肌缺血预测模型的构建方法,包括:
(1)通过心磁图仪采集病人原始心磁信号和诊断信息;
(2)对采集到的原始心磁信号进行预处理,包括去除噪声和片段分割,片段分割是把去噪后的心磁图信号按照QRS段前,QRS段,ST段,T-T段,T-T段后切分,提取出5个片段,得到多通道的心磁图信号数据;再经过医学专家观察分析、结合诊断信息,把对应心磁图信号的QRS段和T-T段数据分成正常的心磁数据和异常的心磁数据,并进行标记。
(3)将心磁图信号数据根据磁场强度使用二维图像插值重建算法进行空间重建,得到连续90秒的心磁图视频数据,心磁图视频数据可以直观的显示出36个通道的位置信息,以及磁场的变化趋势,同时可以通过电磁场理论反解得到伪电流密度图。
(4)针对心磁图视频数据,首先,通过统计学方法提取心磁图视频数据的特征,整合多个通道的心磁信号,计算得到多个通道的平均片段并进行对准,得到T峰的磁场角度,T峰的电流角度,R峰的磁场角度,R-T峰之间的磁场角度变化,QRS波的磁场角度变化等视频特征。视频特征提取方法为现有技术,这里不再赘述。其次,构建针对心磁图视频数据的模型网络,一是,采用针对视频的无卷积视频分类模型,基于TimeSformer(Time-SpaceTransformer)使用ViT网络结构作为模型主干网络(backbone),提出时空自注意力机制代替传统的卷积网络,对一系列帧极图像块进行时空特征提取,适配视频任务。TimeSformer的输入为心磁视频数据片段,该片段由F个从视频中采样的大小为W*H的图片帧组成。将每一帧的图像分割成N个不重叠的图像块,每个图像块的大小为P*P。因为要确保每一帧被划分为N个不重叠的图像块,因此N的计算方式为:N=W*H/P2。将每一个图像块通过一个线性嵌入层转化为向量,对每个图像块的位置信息进行编码。以两个图像块的步长对整个视频片段沿时间维度和空间维度计算稀疏全局注意力。最终经过多层感知机层(MLP)处理后得到视频数据分类模块的预测结果。二是,心磁图视频数据是图像叠加时间段的四维数组(Time,Width,Height,RGB),针对心磁视频图像的特殊性,红色和蓝色在图像上分别表示正负相反两个极性的含义,所以通过融合颜色RGB通道,赋值红色通道和蓝色通道,给红蓝两个通道分别乘以正负相反的常数n,进行了图像含义层面的人为特征增强,同时实现了对心磁视频数据的降维处理,其次对降维处理后得到的三维矩阵进行归一化处理。具体的,采用公式1对心磁图视频数据中的红色通道和蓝色通道赋值,加深红色和蓝色正负极之间的关系,进行特征增强以及降维处理,得到三维RGB矩阵数据(Time,Width,Height),再采用公式2对所述三维RGB矩阵数据进行归一化处理,得到归一化处理后的三维归一化矩阵数据,其中,公式1为output=R*n+G+B*(-n),式中,R,G,B分别是红色、绿色和蓝色三个颜色通道上的0-255的数值,n为一常数;公式2为式中,x为公式1中的output值。再将归一化处理后的三维归一化矩阵数据输入基于Resnet3D改良的三维卷积神经网络模型(采用二元交叉熵损失,添加L2正则化,使用Adam/SGD的优化器),以及将原始心磁图视频数据输入视频时序分类网络模型TimeSformer中,以该心磁图视频数据对应的标记结果(正常的心磁数据和异常的心磁数据)作为输出,分别对两个模型进行调参和优化,筛选出心磁图视频数据训练得到的最优模型。
(5)将提取到的视频特征,以及训练好的基于TimeSformer的无卷积时序视频分类网络模型和基于Resnet3D改良的三维卷积神经网络的最优模型,采用Ridge或Xgboost的机器学习方法,这些方法为现有方法,这里不再赘述,进行融合即得到最终基于心磁图视频数据的心肌缺血预测模型。
本发明还提供了一种基于心磁图视频数据的心肌缺血预测模型,其由上述构建方法构建得到,这里不再赘述。
本发明还提供了一种存储介质,所述存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质,其中存储有计算机程序,该计算机程序在被处理器加载执行时,实现上述基于心磁图视频数据的心肌缺血预测模型的构建方法的全部或部分步骤。
本发明还提供了一种电子设备,所述电子设备为包括处理器(CPU/MCU/SOC)、存储器(ROM/RAM)的设备,例如:台式机、便携式电脑、智能手机等。特别的,该存储器中存储有计算机程序,该处理器在加载执行所述计算机程序时,实现上述基于心磁图视频数据的心肌缺血预测模型的构建方法的全部或部分步骤。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.基于心磁图视频数据的心肌缺血预测模型的构建方法,其特征在于,包括:
采集病人的原始心磁信号和诊断信息;
根据所述诊断信息,对所述原始心磁信号进行标记,得心磁信号标签;
将所述原始心磁信号进行空间重建,得心磁图视频数据;
提取所述心磁图视频数据的视频特征;
将所述心磁图视频数据输入四维时序分类网络,以所述心磁信号标签作为输出,对所述四维时序分类网络进行训练,得训练好的四维时序分类网络;
将所述心磁图视频数据进行降维处理,然后将降维后的心磁视频输入三维空间分类网络,以所述心磁信号标签作为输出,对所述三维空间分类网络进行训练,得训练好的三维空间分类网络;
将所述视频特征、训练好的四维时序分类网络和训练好的三维空间分类网络进行融合,得所述基于心磁图视频数据的心肌缺血预测模型。
2.如权利要求1所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,其特征在于,所述四维时序分类网络为基于TimeSformer的无卷积时序视频分类网络模型。
3.如权利要求1所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,其特征在于,所述三维空间分类网络为基于Resnet3D改良的三维卷积神经网络模型。
4.如权利要求1所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,其特征在于,所述降维处理,具体为,采用公式1对所述心磁图视频数据中图像颜色通道RGB的红色通道和蓝色通道赋值,根据红蓝两色在图像中的正负极含义分别乘以正负相反的常数n,实现对心磁图视频数据的图像含义层面的人为特征增强以及进行了视频的降维处理,得到三维RGB矩阵数据;采用公式2对所述三维RGB矩阵数据进行归一化处理,得到归一化处理后的三维归一化矩阵数据;其中,公式1为output=R*n+G+B*(-n),式中,R,G,B分别是红色、绿色和蓝色三个颜色通道上的0-255的数值,n为一常数;公式2为式中,x为公式1中的output值。
5.如权利要求1所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,其特征在于,还包括:对采集到的所述原始心磁信号进行预处理,所述预处理包括去除噪声和片段分割。
6.如权利要求1所述的基于心磁图视频数据的心肌缺血预测模型的构建方法,其特征在于,所述视频特征包括T峰的磁场角度,T峰的电流角度,R峰的磁场角度,R-T峰之间的磁场角度变化,QRS波的磁场角度变化。
7.基于心磁图视频数据的心肌缺血预测模型,其特征在于,其由如权利要求1-6任一所述的构建方法构建得到。
8.存储介质,其中存储有计算机程序,其特征在于,所述计算机程序被处理器加载执行时,实现如权利要求1-6任一所述的构建方法。
9.电子设备,其特征在于,包括:处理器、及存储器;其中,所述存储器用于存储计算机程序;所述处理器用于加载执行所述计算机程序,以使所述电子设备执行如权利要求1-6任一所述的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310060663.1A CN116189902B (zh) | 2023-01-19 | 2023-01-19 | 基于心磁图视频数据的心肌缺血预测模型及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310060663.1A CN116189902B (zh) | 2023-01-19 | 2023-01-19 | 基于心磁图视频数据的心肌缺血预测模型及其构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116189902A true CN116189902A (zh) | 2023-05-30 |
CN116189902B CN116189902B (zh) | 2024-01-02 |
Family
ID=86439729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310060663.1A Active CN116189902B (zh) | 2023-01-19 | 2023-01-19 | 基于心磁图视频数据的心肌缺血预测模型及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116189902B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292243A (zh) * | 2023-11-24 | 2023-12-26 | 合肥工业大学 | 基于深度学习的心磁信号时空图像预测方法、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001020477A2 (de) * | 1999-08-28 | 2001-03-22 | Squid Ag | Computerbasiertes verfahren zur automatischen aufbereitung von daten biomagnetischer felder, insbesondere von magnetokardiographischen daten |
US8527435B1 (en) * | 2003-07-01 | 2013-09-03 | Cardiomag Imaging, Inc. | Sigma tuning of gaussian kernels: detection of ischemia from magnetocardiograms |
CN103810381A (zh) * | 2014-01-26 | 2014-05-21 | 同济大学 | 一种基于多通道心磁图的冠心病特征参数提取方法 |
CN107361760A (zh) * | 2017-07-12 | 2017-11-21 | 中国科学院上海微系统与信息技术研究所 | 心磁图仪诊断系统及应用该系统的心磁图仪 |
CN108245152A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血特征参数提取方法及系统、存储介质及终端 |
CN108281184A (zh) * | 2018-02-01 | 2018-07-13 | 中国科学院上海微系统与信息技术研究所 | 基于机器学习的心肌缺血预诊方法、存储介质及电子设备 |
US20190350474A1 (en) * | 2016-02-18 | 2019-11-21 | Biomagnetik Park Gmbh | Vector magnetocardiography method and vector magnetocardiographic system |
CN110942825A (zh) * | 2019-11-26 | 2020-03-31 | 北京华医共享医疗科技有限公司 | 基于卷积神经网络和循环神经网络结合的心电诊断方法 |
JP2020141911A (ja) * | 2019-03-07 | 2020-09-10 | 株式会社日立ハイテク | 心磁計 |
CN113317793A (zh) * | 2021-06-11 | 2021-08-31 | 宁波大学 | 心磁高频信号分析方法、存储介质及电子设备 |
CN113499075A (zh) * | 2021-06-08 | 2021-10-15 | 苏州卡迪默克医疗器械有限公司 | 一种基于心磁信号的心肌缺血评估方法和装置 |
-
2023
- 2023-01-19 CN CN202310060663.1A patent/CN116189902B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001020477A2 (de) * | 1999-08-28 | 2001-03-22 | Squid Ag | Computerbasiertes verfahren zur automatischen aufbereitung von daten biomagnetischer felder, insbesondere von magnetokardiographischen daten |
US8527435B1 (en) * | 2003-07-01 | 2013-09-03 | Cardiomag Imaging, Inc. | Sigma tuning of gaussian kernels: detection of ischemia from magnetocardiograms |
CN103810381A (zh) * | 2014-01-26 | 2014-05-21 | 同济大学 | 一种基于多通道心磁图的冠心病特征参数提取方法 |
US20190350474A1 (en) * | 2016-02-18 | 2019-11-21 | Biomagnetik Park Gmbh | Vector magnetocardiography method and vector magnetocardiographic system |
CN107361760A (zh) * | 2017-07-12 | 2017-11-21 | 中国科学院上海微系统与信息技术研究所 | 心磁图仪诊断系统及应用该系统的心磁图仪 |
CN108245152A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血特征参数提取方法及系统、存储介质及终端 |
CN108281184A (zh) * | 2018-02-01 | 2018-07-13 | 中国科学院上海微系统与信息技术研究所 | 基于机器学习的心肌缺血预诊方法、存储介质及电子设备 |
JP2020141911A (ja) * | 2019-03-07 | 2020-09-10 | 株式会社日立ハイテク | 心磁計 |
CN110942825A (zh) * | 2019-11-26 | 2020-03-31 | 北京华医共享医疗科技有限公司 | 基于卷积神经网络和循环神经网络结合的心电诊断方法 |
CN113499075A (zh) * | 2021-06-08 | 2021-10-15 | 苏州卡迪默克医疗器械有限公司 | 一种基于心磁信号的心肌缺血评估方法和装置 |
CN113317793A (zh) * | 2021-06-11 | 2021-08-31 | 宁波大学 | 心磁高频信号分析方法、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
TAO, R 等: "MCG-Net: End-to-End Fine-Grained Delineation and Diagnostic Classification of Cardiac Events From Magnetocardiographs", IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, vol. 26, no. 3, pages 1057 - 1067 * |
艾海明 等: "基于心磁信号的电流密度分析方法研究", 中国生物医学工程学报, no. 02, pages 170 - 179 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292243A (zh) * | 2023-11-24 | 2023-12-26 | 合肥工业大学 | 基于深度学习的心磁信号时空图像预测方法、设备及介质 |
CN117292243B (zh) * | 2023-11-24 | 2024-02-20 | 合肥工业大学 | 基于深度学习的心磁信号时空图像预测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116189902B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kesav et al. | Efficient and low complex architecture for detection and classification of Brain Tumor using RCNN with Two Channel CNN | |
Shin et al. | Comparison of hand-craft feature based SVM and CNN based deep learning framework for automatic polyp classification | |
Yu et al. | Corn leaf diseases diagnosis based on K-means clustering and deep learning | |
Li et al. | Accurate retinal vessel segmentation in color fundus images via fully attention-based networks | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
Klibisz et al. | Fast, simple calcium imaging segmentation with fully convolutional networks | |
CN110226920B (zh) | 心电信号识别方法、装置、计算机设备和存储介质 | |
CN110889448A (zh) | 一种基于卷积神经网络的心电分类方法 | |
CN115985505B (zh) | 多维度融合的心肌缺血辅助诊断模型及其构建方法 | |
CN116189902B (zh) | 基于心磁图视频数据的心肌缺血预测模型及其构建方法 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
CN110942825A (zh) | 基于卷积神经网络和循环神经网络结合的心电诊断方法 | |
CN110176002A (zh) | 一种x射线图像的病灶检测方法及终端设备 | |
Ansari et al. | Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network | |
Guo et al. | Multi-scale multi-attention network for moiré document image binarization | |
Zhu et al. | CEFusion: Multi‐Modal medical image fusion via cross encoder | |
CN114663421B (zh) | 基于信息迁移和有序分类的视网膜图像分析系统及方法 | |
Singh et al. | Mesh-free technique for enhancement of the lung CT image | |
Liu et al. | Learning an optical filter for green pepper automatic picking in agriculture | |
Krishna et al. | MLRNet: Skin lesion segmentation using hybrid Gaussian guided filter with CNN | |
Mishra et al. | Convolutional neural network method for effective plant disease prediction | |
CN114241376A (zh) | 行为识别模型训练和行为识别方法、装置、系统及介质 | |
Satapathy et al. | Optimized shannon and fuzzy entropy based machine learning model for brain MRI image segmentation | |
Maheswaran et al. | Efficient plant leaf disease identification Material Fabrication using lightweight device | |
CN116304558B (zh) | 癫痫脑磁图棘波检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230530 Assignee: Beijing Weici Medical Technology Co.,Ltd. Assignor: Beijing Weici Technology Co.,Ltd. Contract record no.: X2023990000766 Denomination of invention: A Myocardial Ischemia Prediction Model Based on Magnetic Cardiogram Video Data and Its Construction Method License type: Common License Record date: 20230822 |
|
GR01 | Patent grant | ||
GR01 | Patent grant |