CN116869542A - 一种基于12导联ecg的心肌缺血分类模型、构建方法和应用 - Google Patents
一种基于12导联ecg的心肌缺血分类模型、构建方法和应用 Download PDFInfo
- Publication number
- CN116869542A CN116869542A CN202210311769.XA CN202210311769A CN116869542A CN 116869542 A CN116869542 A CN 116869542A CN 202210311769 A CN202210311769 A CN 202210311769A CN 116869542 A CN116869542 A CN 116869542A
- Authority
- CN
- China
- Prior art keywords
- lead
- myocardial ischemia
- ecg
- calculating
- sub
- 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.)
- Pending
Links
- 208000031225 myocardial ischemia Diseases 0.000 title claims abstract description 102
- 238000013145 classification model Methods 0.000 title claims abstract description 22
- 238000010276 construction Methods 0.000 title abstract description 5
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 26
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 238000010854 vegetative compatibility group Methods 0.000 description 55
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/358—Detecting ST segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提出了一种基于12导联ECG的心肌缺血分类模型、构建方法及应用，通过熵域、频域和李雅普诺夫域分析方法检测ST‑T段逐心拍变化情况从而获得与心肌缺血相关的心电图时空特征参数，建立心肌缺血预测机器学习模型，最终实现心肌缺血相关的最佳ECG特征选择，用以解决常规12导联心电图检测心肌缺血相关的ST段或T波特征不明显，严重影响了心肌缺血诊断敏感度和准确性的问题。该方法包括：测量设备采集12导联心电图；计算12导联心电图ST‑T段样本熵；将12导联心电图转换为3导联心电向量图，截取3导联心电向量图ST‑T段并计算其空间特征值和时间特征值；利用网格搜索方法选择反映心肌缺血的最佳心电图特征。因此，提高了心肌缺血诊断敏感度和准确性。
Description
技术领域
本申请涉及心电信号处理领域，特别涉及一种基于12导联ECG的心肌缺血分类模型、构建方法及应用。
背景技术
心肌缺血是一种较为常见的心血管疾病，严重威胁着人民的生命健康。心肌缺血是一种隐性发作的疾病，即在发作之前患者并未意识到自己患有心肌缺血类疾病，导致心肌缺血的死亡率非常高。因此，早发现、早治疗、早干预是减少心肌缺血致死率最有效的方法。
心电图(electrocardiogram,ECG)作为心脏电活动的体表记录,蕴涵着丰富的生理和病理信息,且检测价格低廉、无创、方便易行,目前是心肌缺血临床检测中最先采用和最基本的方法。然而，心肌缺血引起的心电图T波或ST段幅度、相位随心跳周期的变化是微伏级别的，不容易被肉眼所观察到，因而基于12导联心电图心肌缺血人工检测敏感度和准确性较低。
当然，也有相关研究报道提出利用人工视觉检查方法来协助进行心电异常的检测，中国专利CN201910364522.2提出了一种基于心电熵值图的心电异常评估方法，该方案将12导联ECG转换为三维心电信号，并将其转换为心电熵值图直观地估计患者心电信号，但是该方案未明确检测的是哪种类型的心电异常，仅能起到初步的心电异常判断，而无法解决准确灵敏识别心肌缺血的问题。也就是说，目前并无可准确灵敏识别心肌缺血的技术方案。
发明内容
本申请实施例提供了一种基于12导联ECG的心肌缺血分类模型、构建方法及应用，构建一种可早期检测心肌缺血的心肌缺血分类模型，通过ECG和 VCG信号的三个特征输入到心肌缺血分类模型中即可准确分类心肌缺血，可解决常规12导联心电图检测心肌缺血相关的ST段或T波特征不明显，严重影响了心肌缺血诊断敏感度和准确性的问题。
第一方面，本申请实施例提供了一种基于12导联ECG的心肌缺血预测方法，包括以下步骤：
采集受试者的12导联ECG信号，计算ECG I导联ST-T段的样本熵；
将所述12导联ECG信号转换为3导联VCG信号，计算3导联VCG信号的时间特征值TFV以及空间特征值SFV；
将所述ECG I导联ST-T段的样本熵、所述时间特征值TFV以及所述空间特征值SFV输入经训练得到的心肌缺血分类模型中得到输出值，基于所述输出值预测所述受试者是否患有心肌缺血。
第二方面，本申请实施例提供了一种心肌缺血分类模型的构建方法，包括：建立训练集：选择健康人群和心肌缺血患者的ECG I导联ST-T段的样本熵、三导联VCG时间特征值TFV以及三导联VCG的空间特征值SFV作为训练集；将所述训练集输入到支持向量机模型中进行训练得到，训练得到的心肌缺血分类模型可用于预测是否发生心肌缺血。
第三方面，本申请实施例提供了一种基于12导联ECG的心肌缺血预测方法的应用，包括：12导联心电图(ECG)设备、电子数据处理设备和显示部件，所述电子数据处理设备内容执行所述的基于12导联ECG的心肌缺血预测方法。
第四方面，本申请实施例提供了一种基于12导联ECG的心肌缺血预测装置，包括：
ECG信号采集单元，用于采集受试者的12导联ECG信号，计算ECG I导联ST-T段的样本熵；
VCG信号采集单元，用于将所述12导联ECG信号转换为3导联VCG信号，计算3导联VCG信号的时间特征值TFV以及空间特征值SFV；
分类检测单元，用于将所述ECG I导联ST-T段的样本熵、所述时间特征值 TFV以及所述空间特征值SFV输入经训练得到的心肌缺血分类模型中得到输出值，基于所述输出值预测所述受试者是否患有心肌缺血。
本发明的主要贡献和创新点如下：
本方案通过熵域、频域和李雅普诺夫分析方法从时间和空间两个维度来检测肌缺血诱导的ST-T段随心拍的微弱变化情况，进而应用于心肌缺血的早期检测，其中时间特征包括12导联ECG ST-T样本熵，VCG ST-T样本熵和时间特征 TFV，空间特征：利用李雅普诺夫指数计算的VCG空间特征SFV来检测由于心肌缺血会导致VCG空间变化，如ST向量和T波空间变化，使用ECG和VCG 相结合的方法，提取ECG和VCG与心肌缺血相关的时间-空间特征，进而获得与心肌缺血相关的心电图时空特征参数，选择心肌缺血预测的最佳ECG特征，最终建立心肌缺血预测机器学习模型，且在模型的搭建时利用网格搜索方法选择最佳分类性能的特征组合，简化了计算量。本方案搭建的心肌缺血预测机器学习模型以及对应的心肌缺血预测设备可用于早期检测心肌缺血，进而给医护诊断提高极大的便利。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于12导联ECG的心肌缺血预测方法的流程图；
图2为本发明用于基于12导联ECG的心肌缺血预测的医疗设备心电信号处理方法的流程图；
图3为本发明实施例中健康人和心肌缺血患者不同导联ST-T样本熵均值；
图4为本发明实施例中3导联VCG的ST-T段序列三维可视化后的图像；
图5为本发明实施例中ECG+VCG模型和ECG-only，VCG-only模型分类指标对比图；
图6是根据本申请实施例的基于12导联ECG的心肌缺血预测装置的结构框图；
图7是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请实施例提供了一种基于12导联ECG的心肌缺血预测方法，具体地，参考图1，所述方法包括：
采集受试者的12导联ECG信号，计算ECG I导联ST-T段的样本熵；
将所述12导联ECG信号转换为3导联VCG信号，计算3导联VCG信号的时间特征值TFV以及空间特征值SFV；
将所述ECG I导联ST-T段的样本熵、所述时间特征值TFV以及所述空间特征值SFV输入经训练得到的心肌缺血分类模型中得到输出值，基于所述输出值预测所述受试者是否患有心肌缺血。
本方案从时间和空间两个维度进行心肌缺血预测，再结合频率分析和样本熵分析检测由于心肌缺血诱导引起的ST-T段随时间的微弱变化，且仅需三个特征向量即可实现准确的心肌缺血的早期检测，可被加载于心电图机中用于临床应用，也可嵌入到可穿戴设备中用于养老院，健康机构及家庭的日常监护中，具有检测灵敏度高、检测准确度高的效果。
在本方案中可用常规的心电采集设备采集受试者的12导联ECG信号。为了便于后续ECG信号的处理，在一些实施例中，本方案采用巴特沃斯高通滤波器和小波滤波器对所有ECG信号进行降噪滤波滤除工频干扰、肌电干扰和基线漂移。在小波滤波中使用Coifiet小波系中的Coif4作为小波基，对ECG信号进行4级Coif4分解，使用stein的无偏似然估计原理所得到的自适应阈值，再对小波系数进行软阈值滤波，之后利用小波逆变换进行心电信号的重构，即可滤除工频和肌电干扰。将所有ECG信号按照25mm/s和10mm/mV标准进行标准化处理。
在“计算ECGI导联ST-T段的样本熵”步骤中，首先提取ECG信号的I导联ST-T段，将I导联ECG ST-T段逐心拍组成组成标准时间序列，从所述标准时间序列抽取嵌入维度为m的子向量并组成第一子向量序列，计算所述第一子向量序列内任一子向量和其他所有子向量的相似概率，并统计所有所述子向量的相似概率得到其平均概率；从所述I导联ECG ST-T段按照逐心拍组成标准时间序列，从所述标准时间序列抽取嵌入维度为m+1的向量并组成第二子向量序列，计算所述第二子向量序列内任一子向量和其他所有在向量的相似概率，并统计所有所述子向量的相似概率得到其平均概率，基于所述第一子向量序列的平均概率和所述第二子向量序列的平均概率获取所述ECG I导联ST-T段的样本熵。
具体的，在“从所述I导联ST-T段逐心拍组成标准时间序列，从所述标准时间序列抽取嵌入维度为m的子向量并组成第一子向量序列”以及“从所述I 导联ECG ST-T段按照逐心拍组成标准时间序列，从所述标准时间序列抽取嵌入维度为m+1的向量并组成第二子向量序列”步骤中，可依据所述I导联ST-T 段按照逐心拍组成标准时间序列内，依据子向量的排列顺序顺次抽取所述第一子向量序列或所述第二子向量序列。
示例性的，若I导联ST-T段逐心拍组成标准时间序列为{x(j)；1≤j≤N}，其中N为I导联ST-T段逐心拍所组成的标准时间序列的序列长度：
此时从I导联ECG ST-T段按照逐心拍组成组成标准时间序列中抽取嵌入维度为m的子向量组成第一子向量序列为Xm(1)，...，Xm(N-m+1)，其中任一子向量为：Xm(i)＝{x(i)，x(i+1)，...，x(i+m-1)}，1≤i≤N-m+1，其中 N-m+1表示向量个数，m表示抽取的序列长度。
相类似的，若需要抽取嵌入维度为m+1的第二子向量序列为 Xm+1(1)，...，Xm+1(N-m)，其中任一子向量为：Xm+1(i)＝{x(i)，x(i+ 1)，...，x(i+m)}，1≤i≤N-m。
在“计算所述第一子向量序列内任一子向量和其他所有子向量的相似概率”步骤中，计算所述第一子向量序列内任一子向量的和其他所有子向量的距离，统计所述距离小于距离阈值的子向量的数量，所述子向量数量和所有向量个数的倒数的乘积值作为所述相似概率。
示例性的，计算任一子向量Xm(i)和其他任一子向量Xm(j)的距离为：
计算任意子向量Xi和任意子向量Xj的相似概率：
式中，ni(m，T)是向量Xi和子向量Xj相似的子向量数目。相似定义为 d(Xi，Xj)＜T，T为距离阈值，即为相似区域的误差容忍范围。
计算平均概率：
在“基于所述第一平均概率和所述第二平均概率获取所述ECGI导联ST-T 段的样本熵”步骤中，取所述第二平均概率和所述第一平均概率的商值的自然对数的负值，作为所述ECG I导联ST-T段的样本熵。
示例性的，
其中m为待比较的序列长度，对应的是样本嵌入维度；T为距离阈值，对应的是相似区域的误差容忍范围，N为I导联标准时间序列的序列长度。
在“将所述12导联ECG信号转换为3导联VCG信号”步骤中，使用下述公式将所述12导联ECG信号转换为3导联VCG信号：
其中，I，II，V1，V2，V3，V4，V4，V5，V6分别代表ECG信号的导联；X，Y，Z分别代表VCG的导联。
在“计算3导联VCG信号的空间特征值SFV”步骤中，截取所述3导联 VCG信号的VCGST-T段并形成三维时间序列，计算所述三维时间序列各数据点的指数变化率，以所述指数变化率为基础计算所述指数变化率。
具体的，本方案计算所述三维时间序列中各点的各点李雅普诺夫指数，得到各点数据的指数变化率。
在“计算所述三维时间序列各点的指数变化率”步骤中，计算所述三维时间序列中与当前计算数据点空间距离最近数据点之间的距离，得到初始距离集合；将所述当前计算数据点和对应的所述最近数据点均增加步数后，得到结束距离集合；计算所述初始距离集合和所述结束距离集合中对应每个数据点的对数，得到每个数据点的指数变化率。
在“以所述指数变化率为基础计算所述空间特征值”步骤中，选取每一数据点所有非负的指数变化率得到非负指数变化率集合，计算所述非负指数变化率集合的平均值得到每一数据点的指数平均值，取所有所述数据点的所述指数平均值得到所述空间特征值。
示例性的：
截取所述3导联VCG信号的VCG ST-T段并形成三维时间序列： Vi(t)，i＝Vx，Vy，Vz，计算指数变化率的计算公式如下：
(1)计算VCG ST-T序列组成的三维序列中与当前第k个数据点空间距离最近的点之间的距离，此为初始距离集集合
其中，表示vk和/>的距离，vk表示当前K个数据点，/>为与vk的距离最近的数据点集合。
(2)计算将当前数据点vk和均增加s步之后的距离，此为结束距离集合
其中，表示vk+s和/>的距离，vk+s用于表示当前vk的时间增加s步之后得到的数据点，/>用于表示当前/>的时间增加s步之后得到的数据集合。
(3)将初始距离集合和结束距离集合中的对应的每一项计算其对数，获得每个数据点的指数变化率
(4)选取所有非负的指数变化率为λk形成集合其中把zmax代表所有非负的指数变化率的个数。
(5)计算非负的指数变化率的平均值
(6)对求平均，获得空间特征值SFV
在“计算3导联VCG信号的时间特征值TFV”步骤中，获取每一导联VCG 信号的ST-T段序列的傅里叶幅度谱，将三个导联的所述傅里叶幅度谱整合成时间特征值TFV。
在“将三个导联的所述傅里叶幅度谱整合成时间特征值TFV”中，将每一导联的傅里叶幅度谱拟合为指数函数，进而拟合得到所用的时间特征参数，整合三各导联的时间特征参数得到时间特征值TFV。
示例性的：
截取所述3导联VCG信号的VCG ST-T段并形成三维时间序列： Vi(t)，i＝Vx，Vy，Vz，计算时间特征值TFV的公式如下：
(1)VCG每个导联的ST-T段形成一维数组Vi(t)，i＝Vx，Vy，Vz，将每个一维信号进行傅里叶变换并获得傅里叶幅度谱
fi(w)＝abs(F(Xi))，i＝1，2，3；
(2)将fi(w)拟合为以λ为指数的指数函数进而获得拟合所用的最后特征参数γi将其作为时间特征参数
(3)计算得到时间特征值TFV
本方案的心肌缺血分类模型采用支持向量机模型，所述心肌缺血分类模型的训练方法如下：
建立训练集：选择健康人群和心肌缺血患者的ECG I导联ST-T段的样本熵、三导联VCG时间特征值TFV以及三导联VCG的空间特征值SFV作为训练集；
具体的，建立训练集，T＝(x1，y1)，...，(xn，yn)，yn∈{1，-1}，其中N代表训练样本量，特征向量被定义为xn；yn∈{1，-1}对应的是标签数据，其中1代表该样本属于心肌缺血，-1代表该样本属于健康人。在高维特征空间中建立线性回归函数，即绘制公式y(x)＝wTx+b所描绘的超平面，同时最大化线性决策边界之间的边界。
对于输入到支持向量机模型中的每个特征向量，支持向量机建立超平面来实现二分类问题的线性分割，
wT.xn+β≥1 ifyn＝1
wT.xn+β＜-1 ifyn＝-1
其中w代表权重向量，β代表偏移量。
为了解决数据线性不可分的问题，本发明采用如下述约束来建立二分类问题的最优分离超平面和二次优化问题求解方法：
该公式必须满足：
其中，C表示超参数惩罚因子，ξ是松弛变量。
支持向量机将输入空间转换为高维空间，利用K(xi，xj)＝φ(xi)Tφ(xj)定义的核函数来建立可分离超平面。
本发明选择广泛使用的高斯径向基函数作为核函数，其计算方法为
其中，σ是参数宽度。
最终，支持向量机的输出为是具有相应权值向量的支持向量，以及与到超平面原点距离的参数偏差。
本方案提供一种根据上述方法训练得到的心肌缺血分类模型。
实施例二
ECG ST-T段样本熵、时间特征值TFV以及空间特征值SFV这三个维度向量的选择。
值得一提是，本方案的ECG ST-T段样本熵、时间特征值TFV以及空间特征值SFV这三个维度向量并不是任意选择的，而是通过模型选择得到的。
如图2所示，以下介绍本方案的ECG ST-T段样本熵、时间特征值TFV以及空间特征值SFV这三个维度向量的选择方法，包括以下步骤：
采集受试者的12导联ECG信号，计算12导联ECG信号的ECG ST-T段样本熵；
将所述12导联ECG信号转换为3导联VCG信号，提取所述3导联VCG 信号的ST-T段，计算VCG ST-T段的时间特征值TFV以及空间特征值SFV；
将12导联的ECG ST-T段作为输入特征向量输入支持向量机模型中进行训练，对心肌缺血患者和健康人进行分类，利用网格搜索方法选择实现最佳分类性能的4个ECG特征；
将3导联心电向量图ST-T段的样本熵、空间特征值和时间特征值作为输入特征向量输入支持向量机模型进行训练，对心肌缺血患者和健康人进行分类，利用网格搜索方法选择实现最佳分类性能的2个VCG特征；
将所述4个所述ECG特征和2个VCG作为输入特征向量输入支持向量机模型进行训练，对心肌缺血患者和健康人进行分类，利用网格搜索方法选择实现最佳分类性能的3个特征。
关于样本熵、空间特征值和时间特征值的获取方式如前所述，在此不进行累赘说明。
为了区分不同的支持向量机模型，本方案将训练12导联的ECG ST-T段的支持向量机模型定义为ECG-only模型，将训练3导联的VCG ST-T段的支持向量机模型定义为VCG-only模型，将同时训练ECG和VCG的支持向量机模型定义为ECG+VCG模型。
本方案使用网络搜索的方式从所有的特征中获取每个模型的最佳输入向量，并将最佳输入向量分类效果和主成分分析算法获得的输入特征向量分类效果进行比对。经过对比，(SI,SII,SAVF,SV6)作为输入获得了最佳的分类性能，因此该特征组合为ECG-only模型的最佳输入特征，如表1所示。同理，(TFV,SFV)为 VCG-only模型的最佳输入特征，如表2所示。(SI,TFV,SFV)为ECG+VCG-模型的最佳输入特征，如表3所示。
表1 对比ECG-only模型中不同输入向量的分类效果
表2 对比VCG-only模型中不同输入向量的分类效果
表3 对比ECG+VCG-模型中不同输入向量的分类效果
分析过程中得到的数据图如图3-5所示，图3是心肌缺血患者和健康人的12导联ECG ST-T样本熵均值的差别，可见心肌缺血患者的12导联ECG ST-T 样本熵比健康人高；图4是3导联VCG的ST-T段序列三维可视化后的图像；图5为本发明实施例中ECG+VCG模型和ECG-only，VCG-only模型分类指标对比图。
实施例三
本方案提供一种基于12导联ECG的心肌缺血预测方法的应用，在一些实施例中可将该方法应用于基于12导联ECG的心肌缺血预测设备中，此时，所述心肌缺血预测设备包括12导联心电图(ECG)设备、电子数据处理设备和显示部件，所述电子数据处理设备内容执行以下步骤：
获取受试者的12导联ECG信号，计算ECG I导联ST-T段的样本熵；
将所述12导联ECG信号转换为3导联VCG信号，计算3导联VCG信号的时间特征值TFV以及空间特征值SFV；
将所述ECG I导联ST-T段的样本熵、所述时间特征值TFV以及所述空间特征值SFV输入经训练得到的心肌缺血分类模型中得到输出值，基于所述输出值预测所述受试者是否患有心肌缺血。
所述显示部件被配置为在所述判定是由所述12导联ECG设备采集的所述 12导联ECG数据指示心肌缺血的情况下显示心肌缺血警报或警告。
关于电子数据处理设备执行的方法的技术内容同于实施例一的技术内容，重复内容在此不进行累赘说明。
实施例四
基于相同的构思，参考图6，本申请还提出了一种基于12导联ECG的心肌缺血预测装置，包括：
ECG信号采集单元301，用于采集受试者的12导联ECG信号，计算ECG I 导联ST-T段的样本熵；
VCG信号采集单元302，用于将所述12导联ECG信号转换为3导联VCG 信号，计算3导联VCG信号的时间特征值TFV以及空间特征值SFV；
分类检测单元303，用于将ECG I导联ST-T段的样本熵、所述时间特征值 TFV以及所述空间特征值SFV输入经训练得到的心肌缺血分类模型中得到输出值，基于所述输出值预测所述受试者是否患有心肌缺血。
关于该实施例四中和实施例一相同的技术内容同于实施例一的描述，重复内容在此不做重复累赘说明。
实施例五
本实施例还提供了一种电子装置，参考图7，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项基于12导联ECG的心肌缺血预测方法的实施例中的步骤。
具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除 (或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM) 和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM (ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，简称为DRAM)，其中， DRAM可以是快速页模式动态随机存取存储器404 (FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种基于12导联ECG的心肌缺血预测方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(RadioFrequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是采集到的ECG信号和VCG信号等，输出的信息可以是ST-T段样本熵、时间特征值TFV、空间特征值SFV和心肌缺血分类结果等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
S101、采集受试者的12导联ECG信号，计算ECG I导联ST-T段的样本熵；
S102、将所述12导联ECG信号转换为3导联VCG信号，计算3导联VCG 信号的时间特征值TFV以及空间特征值SFV；
S103、将所述ECG I导联ST-T段的样本熵、所述时间特征值TFV以及所述空间特征值SFV输入经训练得到的心肌缺血分类模型中得到输出值，基于所述输出值预测所述受试者是否患有心肌缺血。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于12导联ECG的心肌缺血预测方法，其特征在于，包括以下步骤：
采集受试者的12导联ECG信号，计算ECGI导联ST-T段的样本熵；
将所述12导联ECG信号转换为3导联VCG信号，计算3导联VCG信号的时间特征值TFV以及空间特征值SFV；
将所述计算ECGI导联ST-T段的样本熵、所述时间特征值TFV以及所述空间特征值SFV输入经训练得到的心肌缺血分类模型中得到输出值，基于所述输出值预测所述受试者是否患有心肌缺血。
2.根据权利要求1所述的基于12导联ECG的心肌缺血预测方法，其特征在于，在“计算ECGI导联ST-T段的样本熵”步骤中，提取ECG信号的I导联ST-T段，将I导联ECG ST-T段逐心拍组成组成标准时间序列，从所述标准时间序列抽取嵌入维度为m的子向量并组成第一子向量序列，计算所述第一子向量序列内任一子向量和其他所有子向量的相似概率，并统计所有所述子向量的相似概率得到其平均概率；从所述I导联ECG ST-T段按照逐心拍组成标准时间序列，从所述标准时间序列抽取嵌入维度为m+1的向量并组成第二子向量序列，计算所述第二子向量序列内任一子向量和其他所有在向量的相似概率，并统计所有所述子向量的相似概率得到其平均概率，基于所述第一子向量序列的平均概率和所述第二子向量序列的平均概率获取所述ECG I导联ST-T段的样本熵。
3.根据权利要求2所述的基于12导联ECG的心肌缺血预测方法，其特征在于，在“基于所述第一平均概率和所述第二平均概率获取所述ECGI导联ST-T段的样本熵”步骤中，取所述第二平均概率和所述第一平均概率的商值的自然对数的负值，作为所述ECGI导联ST-T段的样本熵。
4.根据权利要求1所述的基于12导联ECG的心肌缺血预测方法，其特征在于，在“计算3导联VCG信号的空间特征值SFV”步骤中，截取所述3导联VCG信号的VCG ST-T段并形成三维时间序列，计算所述三维时间序列各数据点的指数变化率，以所述指数变化率为基础计算所述指数变化率。
5.根据权利要求4所述的基于12导联ECG的心肌缺血预测方法，其特征在于，在“计算所述三维时间序列各点的指数变化率”步骤中，计算所述三维时间序列中与当前计算数据点空间距离最近数据点之间的距离，得到初始距离集合；将所述当前计算数据点和对应的所述最近数据点均增加步数后，得到结束距离集合；计算所述初始距离集合和所述结束距离集合中对应每个数据点的对数，得到每个数据点的指数变化率。
6.根据权利要求4所述的基于12导联ECG的心肌缺血预测方法，其特征在于，在“以所述指数变化率为基础计算所述空间特征值”步骤中，选取每一数据点所有非负的指数变化率得到非负指数变化率集合，计算所述非负指数变化率集合的平均值得到每一数据点的指数平均值，取所有所述数据点的所述指数平均值得到所述空间特征值。
7.根据权利要求1所述的基于12导联ECG的心肌缺血预测方法，其特征在于，在“计算3导联VCG信号的时间特征值TFV”步骤中，获取每一导联VCG信号的ST-T段序列的傅里叶幅度谱，将三个导联的所述傅里叶幅度谱整合成时间特征值TFV。
8.一种心肌缺血分类模型的构建方法，其特征在于，包括：
建立训练集：选择健康人群和心肌缺血患者的ECGI导联ST-T段的样本熵、三导联VCG时间特征值TFV以及三导联VCG的空间特征值SFV作为训练集；将所述训练集输入到支持向量机模型中进行训练得到，训练得到的心肌缺血分类模型可用于预测是否发生心肌缺血。
9.一种基于12导联ECG的心肌缺血预测方法的应用，其特征在于，包括：12导联心电图(ECG)设备、电子数据处理设备和显示部件，所述电子数据处理设备内容执行权利要求1到7任一所述的基于12导联ECG的心肌缺血预测方法。
10.一种基于12导联ECG的心肌缺血预测装置，其特征在于，包括：
ECG信号采集单元，用于采集受试者的12导联ECG信号，计算ECG I导联ST-T段的样本熵；
VCG信号采集单元，用于将所述12导联ECG信号转换为3导联VCG信号，计算3导联VCG信号的时间特征值TFV以及空间特征值SFV；
分类检测单元，用于将所述ECGI导联ST-T段的样本熵、所述时间特征值TFV以及所述空间特征值SFV输入经训练得到的心肌缺血分类模型中得到输出值，基于所述输出值预测所述受试者是否患有心肌缺血。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210311769.XA CN116869542A (zh) | 2022-03-28 | 2022-03-28 | 一种基于12导联ecg的心肌缺血分类模型、构建方法和应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210311769.XA CN116869542A (zh) | 2022-03-28 | 2022-03-28 | 一种基于12导联ecg的心肌缺血分类模型、构建方法和应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116869542A true CN116869542A (zh) | 2023-10-13 |
Family
ID=88270418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210311769.XA Pending CN116869542A (zh) | 2022-03-28 | 2022-03-28 | 一种基于12导联ecg的心肌缺血分类模型、构建方法和应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116869542A (zh) |
-
2022
- 2022-03-28 CN CN202210311769.XA patent/CN116869542A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gupta et al. | QRS complex detection using STFT, chaos analysis, and PCA in standard and real-time ECG databases | |
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| He et al. | A framework for cardiac arrhythmia detection from IoT-based ECGs | |
| Wang et al. | An improved convolutional neural network based approach for automated heartbeat classification | |
| Gupta et al. | Chaos theory and ARTFA: emerging tools for interpreting ECG signals to diagnose cardiac arrhythmias | |
| CN110393519B (zh) | 心电信号的分析方法、装置、存储介质和处理器 | |
| Llamedo et al. | Heartbeat classification using feature selection driven by database generalization criteria | |
| Gupta et al. | Efficient R-peak detection in electrocardiogram signal based on features extracted using Hilbert transform and Burg method | |
| KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
| Xu et al. | Rule-based method for morphological classification of ST segment in ECG signals | |
| CN207084814U (zh) | 用于检测异常搏动的设备和系统 | |
| KR101910982B1 (ko) | 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치 | |
| Banerjee et al. | PhotoECG: Photoplethysmographyto estimate ECG parameters | |
| Bulusu et al. | Transient ST-segment episode detection for ECG beat classification | |
| CN107072550A (zh) | 体动记录方法和装置 | |
| Gupta | Wavelet transform and vector machines as emerging tools for computational medicine | |
| Xiong et al. | A real-time QRS detection algorithm based on energy segmentation for exercise electrocardiogram | |
| US10687723B2 (en) | Method and a system for automatic labeling of activity on ECG data | |
| Rangappa et al. | Classification of cardiac arrhythmia stages using hybrid features extraction with k-nearest neighbour classifier of ecg signals | |
| Kashif et al. | Deterioration of R-wave detection in pathology and noise: a comprehensive analysis using simultaneous truth and performance level estimation | |
| Keskes et al. | Representativeness consideration in the selection of classification algorithms for the ECG signal quality assessment | |
| Keshtkar et al. | Discriminant analysis between myocardial infarction patients and healthy subjects using Wavelet Transformed signal averaged electrocardiogram and probabilistic neural network | |
| CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
| Lombardi et al. | Detecting sepsis from photoplethysmography: strategies for dataset preparation | |
| CN116869542A (zh) | 一种基于12导联ecg的心肌缺血分类模型、构建方法和应用 |
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 |