一种远程心脏介入手术中的心梗定位系统及方法技术方案

本发明专利技术公开了一种远程心脏介入手术中的心梗定位系统及方法，首先利用ECG信号采集装置采集心脏介入手术过程中12导联ECG信号并通过Wi

【技术实现步骤摘要】
一种远程心脏介入手术中的心梗定位系统及方法


[0001]本专利技术属于图片识别分类
，涉及一种心电图(ECG)信号采集、传输、预处理、自动分类系统及方法，具体涉及一种远程心脏介入手术中的心梗定位系统及方法。

技术介绍

[0002]介入手术作为一种新兴的治疗方式，以其适应症广、微创、疗效确切、并发症小等特点，相较于传统内科药物治疗和外科手术治疗都具有无可比拟的优势。并且随着5G通信技术的高速发展使得远程介入手术成为可能，ECG是用于心梗诊断的一种主要工具，并且具有非侵入性和经济实惠等优点([文献1])，由于心梗按照发生位置可以划分为前壁心梗(AMI)，前间壁心梗(ASMI)，前侧壁心梗(ALMI)，心尖部心梗(APMI)，侧壁心梗(LMI)，下壁心梗(IMI)，下侧壁心梗(ILMI)等种类([文献2])，利用12导联ECG能够区分这些类别从而能够为心脏介入手术确定病灶位置，有利于提前进行介入式导管在人体血管内的路径规划。同时12导联ECG能够监护病人在心脏介入手术中的身体状况以及梗死部位是否疏通，从而有利于医生把握手术进度，因此在心脏介入手术中实时ECG监护是十分有必要的。
[0003]以往的12导联ECG需要有经验的医生人工确定心梗的位置类别，但这一方法很难适用于类似心脏介入手术中长时间的ECG实时监护。对于类似于心脏介入手术过程中的长时间的ECG监护，连续的计算机辅助12导联ECG记录是一种更加可靠的手段([文献3])。此前有许多学者对计算机辅助心梗位置的自动分类进行过研究，并提出了许多的方法，这些方法大致分为两类，第一类是需要进行ECG波形特征定位和特征提取的传统机器学习方法，另外一类则是可以自动提取ECG特征的深度学习方法。对于传统的机器学习方法，例如Arif等人提出了一种使用KNN分类器进行心梗的自动检测和定位的算法([文献4])，使用小波变换提取了Q波振幅、ST水平偏差和T波振幅等特征作为KNN分类器的输入，实现了98.8％的总体分类准确率。但是心梗检测和定位在很大程度上取决于对时域特征的正确提取，并且文中的ST段特征提取使用的是根据经验确定的J点后的时间段，但是这个时间段是会随着心率改变而发生变化的。总而言之，这些传统的机器学习方法通常都需要作者按照自身经验进行手工的特征选择和提取，这些作者自己的特征提取算法可能会因为患者的性别和年龄的因素的不同而产生不同的提取性能，而特征提取的性能将极大地影响分类器的分类性能。
[0004]近年来随着深度学习方法的兴起许多学者将诸如CNN、RNN等在图像分类和机器翻译等领域取得很好性能的深度学习方法应用于ECG信号的分类领域，相较于传统的机器学习方法，这些深度方法具备自动学习输入数据的特征的能力，从而省去了繁琐的特征提取过程，并且具有比传统机器学习算法更好的泛化能力。Natesan等人在2020年提出了一种多层深度卷积神经网络结构用于多导联ECG信号的心梗分类([文献5])。这种多层卷积堆叠的方法能够提取ECG图中的局部特征，但是不能很好地建模ECG信号中各区域之间的相对关系。Prabhakararao等人提出了一种用于心梗诊断的基于注意力的RNN网络([文献6])，使用导联内和导联间注意模块在PTB数据集上实现了98.3％的总体准确率，但是RNN模型往往必须按顺序计算，无法并行计算，当模型具有更深的深度和更多的参数的情况下性能较低。
[0005]参考文献：
[0006][文献1]Acharya U R,Kannathal N,Hua L M,et al.Study of heart rate variability signals at sitting and lying postures[J].Journal of Bodywork&Movement Therapies,2005,9(2):134
‑
141.
[0007][文献2]Namprempre C.Electrocardiography in DICOM.Churchill Livingstone,1997.
[0008][文献3]Thygesen K,Alpert J S,Jaffe A S.Third universal definition of myocardial infarction[J].European Heart Journal,2012,50(20):2173
‑
2195.
[0009][文献4]Arif M,Malagore I,Afsar F.Detection and localization of myocardial infarction using k
‑
nearest neighbor classifier[J].Journal of Medical Systems,2010:1
‑
11.
[0010][文献5]Natesan P,VV Priya,Gothai E.Classification of Multi
‑
Lead ECG Signals to Predict Myocardial Infarction Using CNN[C]//2020 Fourth International Conference on Computing Methodologies and Communication(ICCMC).2020.
[0011][文献6]Prabhakararao E,Dandapat S.Attentive RNN
‑
Based Network to Fuse 12
‑
Lead ECG and Clinical Features for Improved Myocardial Infarction Diagnosis[J].IEEE Signal Processing Letters,2020,27:2029
‑
2033.

技术实现思路

[0012]为了解决上述技术问题，本专利技术提出了一种远程心脏介入手术中的心梗定位系统及方法。
[0013]本专利技术的系统所采用的技术方案是：一种远程心脏介入手术中的心梗定位系统，包括病人端、云服务器和医生端；
[0014]所述病人端，包括12导联ECG信号采集装置和Wi
‑
Fi远程传输装置，用于采集心脏介入手术过程中12导联ECG信号并通过Wi
‑
Fi传输至云服务器；
[0015]所述云服务器，包括ECG信号预处理模块和多分支Mobi
‑
Trans心梗位置分类模型，用于进行ECG信号预处理，将预处理后的ECG信号中每个导联作为云服务器上部署的多分支Mobi
‑
Trans心梗位置分类模型每个对应分支的输入，提取特征，得到心梗位置的分类结果；
[0016]所述医生端，用于接收预处理后ECG信号及心梗位置的分类结果，实时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种远程心脏介入手术中的心梗定位系统，其特征在于：包括病人端、云服务器和医生端；所述病人端，包括12导联ECG信号采集装置和Wi
‑
Fi远程传输装置，用于采集心脏介入手术过程中12导联ECG信号并通过Wi
‑
Fi传输至云服务器；所述云服务器，包括ECG信号预处理模块和多分支Mobi
‑
Trans心梗位置分类模型，用于进行ECG信号预处理，将预处理后的ECG信号中每个导联作为云服务器上部署的多分支Mobi
‑
Trans心梗位置分类模型每个对应分支的输入，提取特征，得到心梗位置的分类结果；所述医生端，用于接收预处理后ECG信号及心梗位置的分类结果，实时可视化ECG波形和心梗位置的分类结果。2.根据权利要求1所述的远程心脏介入手术中的心梗定位系统，其特征在于：所述多分支Mobi
‑
Trans心梗位置分类模型，设置有12个并行分支、拼接层、分支注意力模块、Flatten层、全连接层和Softmax函数层；每个所述分支接收12导联ECG信号中对应导联的长度为320个采样点的心拍，通过所述拼接层将12个分支提取到的特征进行拼接，拼接后的特征图有12个通道，其中每个通道代表对应分支提取到的特征，通过所述分支注意力模块对各分支特征进行注意力操作；利用Flatten层将所述分支注意力模块后的输出特征图进行展平操作，利用全连接层和Softmax函数层得到心梗位置分类结果。3.根据权利要求2所述的远程心脏介入手术中的心梗定位系统，其特征在于：所述分支由改进的轻量级MobileNetV3提取特征模块和改进的Transformer注意力模块组成；所述改进的轻量级MobileNetV3提取特征模块，参数设置和MobileNetV3small模型一致，同时将MobileNetV3 small模型修改为适用于一维信号处理且删除了模型后半部分，只保留了具有线性瓶颈的逆残差结构的bneck模块之前的部分；改进的轻量级MobileNetV3提取特征模块首先利用一维卷积层提升单通道ECG信号的通道数，并减少信号长度，然后再使用BN层进行归一化操作，经过归一化后的特征图将使用如下所示的h
‑
swish函数进行激活，之后11个堆叠的bneck模块将用于进一步轻量级的特征提取；其中，x表示输入h
‑
swish函数的自变量，ReLU 6()函数表达式为：对于输入自变量x，ReLU 6(x)＝min(max(x,0),6)。4.根据权利要求3所述的远程心脏介入手术中的心梗定位系统，其特征在于：所述bneck模块，首先利用卷积核大小为1，步长为1的一维卷积层来提升特征图的通道数并且保证一维特征图的长度不变，然后再使用BN层进行归一化操作，再使用非线性激活函数None linear；其次使用depthwise convolution对于特征图每个通道将会有与之对应的各不相同的单通道的卷积核对每个通道进行一维卷积操作，depthwise convolution之后同样再使用BN层和None linear激活函数，随后紧接着有一个卷积核大小为1，步长为1的pointwise convolution对之前输出的特征图进行逐点一维卷积操作；depthwise convolution之后再使用BN层进行归一化操作，之后使用SENet模块进行squeeze和excitation操作实现通道注意力机制；其中，squeeze操作通过全局平均池化来实现，excitation操作首先通过一个卷积核尺寸为1、步长为1的一维卷积层将通道数降为输入SENet模块的特征图通道数的1/4从而降低计算量，通过BN层归一化和ReLU函数激活后再使
用一个卷积核尺寸为1、步长为1的一维卷积层将通道数恢复为输入SENet模块的特征图通道数，然后再使用hsigmoid(x)函数进行激活操作得到特征图，这个特征图是由模型学习到的最开始输入SENet模块中的特征图每个通道的权重，将其与原始输入进行基于通道的乘积得到基于通道注意力的特征图；所述bneck模块中，SENet模块是可选的，而残差连接shortcut也只depthwise convolution卷积核步长为1时才...

【专利技术属性】
技术研发人员：袁志勇，单楚栋，赵俭辉，杜博，何紫阳，
申请(专利权)人：武汉大学，
类型：发明
国别省市：