基于多特征融合的冠心病智能辅助验证方法及系统

本发明涉及冠心病病症研究领域，尤其涉及一种基于多特征融合的冠心病智能辅助验证方法及系统。

背景技术：

1、冠心病表现出隐蔽性和突发性等特点。而心电图检查是诊断冠心病最简单和快速的方法，在不同的发病时期，冠心病患者心电图qrs波、st段和t波呈现动态变化，且不同病变部位对应心电图不同导联的形态变化。其中，病理性q波呈现从无到有；st段呈现压低、正常、抬高等形态，对应幅值亦发生变化；t波呈现直立、倒置和高耸等形态，对应幅值亦发生变化。现有冠心病智能辅助验证系统主要采用人工设计特征和基于深度学习的深层网络特征对患者心电图的特异波形变化进行表征。如申请号为202310109923.x，名称为《基于卷积神经网络的冠心病患者心电图检测方法及系统》的发明专利，公开了一种基于卷积神经网络的冠心病患者心电图检测方法，具体包括以下步骤：步骤一、获取冠心病患者的ecg图像以及患者冠脉造影数据；步骤二、对获取的图像数据进行匹配筛选、预处理；步骤三、将预处理后的图像分为训练集、测试集以及验证集，并将其输入构建的卷积神经网络进行训练、验证；步骤四、基于验证结果对训练的卷积神经网络参数进行优化；步骤五、利用测试集数据对优化后的卷积神经网络进行预测，检测卷积神经网络的准确度；步骤六、利用经过检测的卷积神经网络进行ecg的智能检测；该发明采用计算机智能判读ecg，较传统方式客观，使冠心病心电图诊断趋于同质化，阅片快速高效，且降低了心电图假阴性概率。但上述方法存在泛化能力差、单一维度特征表达不全面、可解释性弱等问题。

技术实现思路

1、本发明的目的是提供一种基于多特征融合的冠心病智能辅助验证方法及系统，能够有效解决现有基于心电图的冠心病筛查方法特征提取泛化能力差、单一维度特征表达不全面和可解释性弱的问题，为医生提供临床辅助数据，对诊断结果进行辅助验证。

2、本发明采用下述技术方案：

3、一种基于多特征融合的冠心病智能辅助验证方法，依次包括以下步骤：

4、a：利用心电信号采集模块采集患者的12导联心电信号，并将采集到的12导联心电信号转换为12个单导联心电信号后，输入至心电信号预处理模块；

5、b：利用心电信号预处理模块，分别对输入的12个单导联心电信号进行预处理，得到去除基线干扰和噪声干扰的心电信号；获得预处理后的12个单导联心电信号；

6、c：通过心电信号多特征融合模块，首先获取每个单导联心电信号的qrs波、st段和t波的形态特征；然后通过计算每个单导联心电信号的qrs波和st-t段的面积、峰度系数及偏度系数，分别得到每个单导联心电信号的qrs波、st段和t波的关键静态要素特征；再对12个单导联心电信号的形态特征和关键静态要素特征分别进行融合，得到融合后的12导联心电图形态特征矩阵和关键静态要素特征矩阵，最后将12导联心电图形态特征矩阵和关键静态要素特征矩阵进行融合，得到12导联心电图融合特征矩阵；

7、d：将步骤c中得到的12导联心电图融合特征矩阵m中的特征，输入冠心病辅助筛查模型，输出预测结果。上述方法能够有效解决现有基于心电图的冠心病筛查方法特征提取泛化能力差、单一维度特征表达不全面和可解释性弱的问题，为医生提供临床辅助数据，对诊断结果进行辅助验证。

8、进一步的，心电信号多特征融合模块包括单导联心电信号形态特征提取模型、单导联心电信号关键静态要素特征提取模块以及形态特征和关键静态要素特征融合模块；

9、进一步的，步骤c包括以下具体步骤：

10、c1：通过单导联心电信号形态特征提取模型，分别获取每个单导联心电信号的qrs波、st段和t波的形态特征；

11、c2：通过单导联心电信号关键静态要素特征提取模块，分别计算每个单导联心电信号的qrs波和st-t段的面积、峰度系数及偏度系数，作为每个单导联心电信号的qrs波和st-t段的关键静态要素特征；

12、c3：利用形态特征和关键静态要素特征融合模块，对12个单导联心电信号的形态特征和关键静态要素特征分别进行融合，得到融合后的12导联心电图形态特征矩阵和关键静态要素特征矩阵，最后再将12导联心电图形态特征矩阵和关键静态要素特征矩阵进行融合，得到12导联心电图融合特征矩阵。

13、进一步的，单导联心电信号形态特征提取模型采用基于多层resnet的单导联心电信号形态特征提取模型，由输入层、三个残差网络块、全局平均池化层、dropout层、平化层和softmax层组成；

14、其中，输入层的维度为800×1，经过第一个残差网络块后输出维度为160×16，经过第二个残差网络块后输出维度变为32×32，经过第三个残差网络块后输出维度为6×64；经过全局平均池化层后维度变为1×64；将全局平均池化层的输出输入至dropou层，然后通过平化层进行维度变换，并结合softmax层获取单导联心电信号的qrs波、st段和t波形态；

15、残差网络块由卷积层、bn层、relu层和p层组成；每个残差块均包括四个卷积层、三个bn层、两个relu层、一个p层和一个跳层连接；其中，前三个卷积层包含n个卷积核，每个卷积核的长度为r×1；每个残差网络块中第一个卷积层r取值为17，第二个卷积层r取值为11，第三个卷积层r取值为5；第一个残差网络块的卷积核数量n取值为16，第二个残差网络块的卷积核数量n取值为32，第三个残差网络块的卷积核数量n取值为64；第四个卷积层使用1×1的卷积核增加特征图的个数；跳层连接用于学习各导联心电信号不同尺度的特征和融合底层和高层的特征。

16、进一步的，在提取每个单导联心电信号的qrs波、st段和t波的形态特征时，提取五类包含qrs波和st-t段的心电信号形态；第一心电信号形态为无病理性q波、st段压低和t波倒置；第二心电信号形态为无病理性q波、st段非典型抬高和t波高耸；第三心电信号形态为有病理性q波、st段典型抬高以及t波直立或倒置；第四心电信号形态为有病理性q波、st段正常或压低以及t波直立或倒置；第五心电信号形态为不属于上述四种形态的信号。

17、单导联心电信号的关键静态要素特征，包括心电信号qrs波和st-t段的面积、峰度系数和偏度系数；步骤c2包括以下具体步骤：

18、c21：针对单导联心电信号x(t)的某一心拍，根据心电图特征点提取方法，定位qrs波的起始点(u,x(u))、终止点(v,x(v))和t波终止点(w,x(w))，则qrs波段和st-t段可分别表示为a1和b1；其中，a1＝{x(t),t＝u,…,v}，b1＝{x(t),t＝v,…,w}；然后分别计算单导联心电信号的qrs波的面积c1、峰度系数c2和偏度系数c3：

19、

20、

21、

22、其中，a表示a1的均值，b表示a1的方差，e表示期望；

23、c22：分别计算单导联心电信号的st-t段的面积c4、峰度系数c5和偏度系数c6，计算表达式如下：

24、

25、

26、

27、其中，c表示b1的均值，d表示b1的方差；

28、c23：将步骤c21和步骤c22中得到的关键静态要素特征进行融合，获得对应单导联心电信号qrs波和st-t段的关键静态要素特征z1，z1表示为：

29、z1＝[c1,c2,c3,c4,c5,c6]。

30、步骤c3包括以下具体步骤：

31、c31：通过基于多层resnet的单导联心电信号形态特征提取模型中的softmax层，分别计算每个单导联心电信号的五类心电信号形态的概率值，然后取最大的4个概率值所对应的心电信号形态，作为对应的单导联心电信号的心电图形态特征；最后将12个单导联心电信号的心电图形态特征进行融合，得到12导联心电图形态特征矩阵y，y＝[y1,y2,…,y48]；

32、c32：将步骤c2中得到每个单导联心电信号的关键静态要素特征进行融合，得到融合后的12导联心电图关键静态要素特征矩阵z，z＝[z1,z2,…,z12]；

33、c33：将步骤c31中得到的12导联心电图形态特征矩阵y，与步骤c32中得到的12导联心电图关键静态要素特征矩阵z进行融合，得到12导联心电图融合特征矩阵m，m＝[y,z]。

34、进一步的，冠心病辅助筛查模型采用基于xgboost的冠心病辅助筛查模型；步骤d包括以下具体步骤：

35、d1：采用主成分分析方法对12导联心电图融合特征矩阵m中的特征进行降维，保留对整体数据有90％以上贡献值的特征信息，并对降维特征进行规范化处理；

36、d2：以决策树为基分类器，并根据分类效果调整原始样本的权值分布，增加错误识别心梗的样本权重，同时减少正确识别心梗样本的权重，最终建立并训练基于xgboost的冠心病辅助筛查模型，然后根据输入的规范化处理后的降维特征输出预测结果。

37、进一步的，采用离散小波变换和三阶巴特沃斯带通滤波器去除基线干扰和噪声干扰；在对输入的单导联心电信号进行预处理时，利用基于db6小波的离散小波变换去除基线干扰，并利用0.5hz～40hz的三阶巴特沃斯带通滤波器去除高频和低频噪声，最终得到去除基线干扰和噪声干扰的心电信号。依次对输入的12个单导联心电信号按上述步骤进行预处理，获取预处理后的12个单导联心电信号。

38、本发明中，基于多特征融合的冠心病智能辅助验证系统，包括心电信号采集模块、心电信号预处理模块、心电信号多特征融合模块和冠心病辅助筛查模块；

39、心电信号采集模块，用于采集患者的12导联心电信号，并将采集到的12导联心电信号转换为12个单导联心电信号后，输入至心电信号预处理模块；

40、心电信号预处理模块，用于对输入的12个单导联心电信号进行去除基线干扰和噪声干扰的预处理，获得预处理后的12个单导联心电信号；

41、心电信号多特征融合模块，用于获取每个单导联心电信号的qrs波、st段和t波的形态特征；然后通过计算每个单导联心电信号的qrs波和st-t段的面积、峰度系数及偏度系数，对应得到每个单导联心电信号的qrs波、st段和t波的关键静态要素特征；再对12个单导联心电信号的形态特征和关键静态要素特征分别进行融合，得到融合后的12导联心电图形态特征矩阵和关键静态要素特征矩阵，最后将12导联心电图形态特征矩阵和关键静态要素特征矩阵进行融合，得到12导联心电图融合特征矩阵；

42、冠心病辅助筛查模块，用于根据12导联心电图融合特征矩阵中的特征，利用已训练的基于xgboost的冠心病辅助筛查模型，输出预测结果。

43、所述的心电信号多特征融合模块，包括单导联心电信号形态特征提取模型、单导联心电信号关键静态要素特征提取模块以及形态特征和关键静态要素特征融合模块；

44、单导联心电信号形态特征提取模型，用于获取每个单导联心电信号的qrs波、st段和t波的形态特征；

45、单导联心电信号关键静态要素特征提取模块，用于分别计算每个单导联心电信号的qrs波和st-t段的面积、峰度系数及偏度系数，作为每个单导联心电信号的qrs波和st-t段的关键静态要素特征；

46、形态特征和关键静态要素特征融合模块，用于对12个单导联心电信号的形态特征和关键静态要素特征分别进行融合，得到融合后的12导联心电图形态特征矩阵和关键静态要素特征矩阵，最后再将12导联心电图形态特征矩阵和关键静态要素特征矩阵进行融合，得到12导联心电图融合特征矩阵。

47、本发明能够将采集到的多导联心电信号数据，建立并通过基于多层resnet的单导联心电信号形态特征提取模型提取单导联心电信号的qrs波、st段和t波的形态特征；建立并通过单导联心电信号关键静态要素特征提取模块确定qrs波和st-t段的关键静态要素特征；然后利用形态特征和关键静态要素特征融合模块对上述特征进行融合；最后基于xgboost的冠心病辅助筛查模型对冠心病的诊断结果进行辅助验证，这种多特征融合方法能够提高冠心病诊断结果的准确性和可解释性，有效解决现有基于心电图的冠心病筛查方法特征提取泛化能力差、单一维度特征表达不全面和可解释性弱的问题，为医生提供临床辅助数据。