一种无症状冠状动脉重度狭窄的心电图筛查方法和系统技术方案

本发明专利技术公开一种无症状冠状动脉重度狭窄的心电图筛查方法和系统，其中，心电图筛查方法包括：构建冠状动脉数据集；标记心电图分别为重度狭窄标签和非重度狭窄标签；输入冠状动脉数据集至心电图神经网络模型，得到心电图向量特征表示；拼接心电图向量特征表示和危险因素向量特征表示得到冠状动脉拼接向量；使用非深度神经网络分类算法计算冠状动脉拼接向量，得到分类结果；使用重度狭窄标签或非重度狭窄标签验证分类结果；最后使用非深度神经网络分类算法筛查受试者心电图。本发明专利技术的技术方案能解决现有技术条件下冠脉造影检查不容易获取以及因心电图阴性导致极易漏诊的高危冠心病患者，其重度冠脉狭窄判定缺少专一性和准确性的问题。的问题。的问题。

【技术实现步骤摘要】
一种无症状冠状动脉重度狭窄的心电图筛查方法和系统


[0001]本专利技术涉及网络通信
，尤其涉及一种无症状冠状动脉重度狭窄的心电图筛查方法和系统。

技术介绍

[0002]冠状动脉是供给心脏血液的动脉血管，直接决定心脏的供血功能。若出现重度的冠状动脉狭窄，即动脉管腔直径狭窄≥90%，则会严重威胁人类的生命健康，一旦发现冠状动脉重度狭窄，就必须及时进行血运重建，开通重度狭窄的血管，恢复正常的血流灌注。
[0003]通常情况下由于心脏冠状动脉供血系统的代偿机制，即使存在冠状动脉重度狭窄，冠状动脉仍能通过建立侧支循环等方式维持心脏供血，患者也可能缺乏冠状动脉狭窄典型的心绞痛症状，这就导致患者不会主动就医；另外在例行体检心电图中也难以明确冠状动脉的异常，导致心电图阴性的高危冠心病患者极易被漏诊，错过诊疗的最佳时期。
[0004]现有的科研团队利用深度学习模型匹配12导联标准心电图和冠状动脉造影的结果，能够对冠状动脉狭窄程度和位置进行判断，但是上述方法并不能够专门针对心电图阴性的冠状动脉重度狭窄的患者进行筛查，不具有严格意义上冠状动脉重度狭窄判定的专一性和准确性；此外上述模型需要大量的冠状动脉造影结果，而由于冠状动脉造影是有创检查，其造影结果并不容易获得，所以上述方法并不具有普适性。

技术实现思路

[0005]本专利技术提供一种无症状冠状动脉重度狭窄的心电图筛查方案，旨在解决现有技术提供的冠状动脉造影结果不具备心电图阴性的冠状动脉狭窄判定的专一性和准确性，并且是有创检查，造影结果不容易获取，不具有普适性的问题。
[0006]为实现上述目的，根据本专利技术的第一方面，本专利技术提出了一种无症状冠状动脉重度狭窄的心电图筛查方法，包括：构建冠状动脉数据集，其中，冠状动脉数据集包括冠状动脉狭窄患者的心电图和冠心病危险因素；根据冠状动脉狭窄程度，标记心电图分别为重度狭窄标签和非重度狭窄标签；将冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示；拼接心电图向量特征表示和冠心病危险因素对应的危险因素向量特征表示，得到冠状动脉拼接向量；使用非深度神经网络分类算法不断计算冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的重度狭窄标签或非重度狭窄标签；使用心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图。
[0007]优选的，上述心电图筛查方法，将冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示的步骤包括：将标记后的所有心电图分别输入至心电图神经网络模型，得到对应的心电图向量
特征表示；对心电图向量特征表示中的各元素进行归一化处理，得到归一化处理后的心电图向量特征表示。
[0008]优选的，上述心电图筛查方法，拼接心电图向量特征表示和冠心病危险因素对应的危险因素向量特征表示，得到冠状动脉拼接向量的步骤包括：对冠心病危险因素进行分类标记和归一化处理，得到危险因素向量特征表示；拼接同一冠状动脉狭窄患者的心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量。
[0009]优选的，上述心电图筛查方法中，使用非深度神经网络分类算法不断计算冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的重度狭窄标签或非重度狭窄标签的步骤包括：使用逻辑回归算法，建立冠状动脉拼接向量的逻辑回归公式，其中，逻辑回归公式包括冠状动脉的矩阵模型、矩阵模型初始化的参数和损失函数；根据逻辑回归公式预测得到冠状动脉拼接向量的狭窄标签分类结果；使用同一冠状动脉狭窄患者的重度狭窄标签或非重度狭窄标签验证狭窄标签分类结果；根据梯度下降算法更新逻辑回归公式的参数，重新计算狭窄标签分类结果，直至损失函数小于或等于预定损失阈值。
[0010]优选的，上述心电图筛查方法中，使用心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图的步骤包括：将心电图输入至心电图神经网络模型，得到心电图向量特征表示；建立心电图对应冠心病危险因素的危险因素向量特征表示；拼接心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量；将冠状动脉拼接向量输入至非深度神经网络分类算法，计算得到狭窄标签分类结果。
[0011]优选的，上述心电图筛查方法，在将冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示的步骤之前还包括：使用冠状动脉数据集的心电图训练心电图神经网络模型，得到标签鉴别结果；使用重度狭窄标签和非重度狭窄标签验证心电图神经网络模型的标签鉴别结果；当标签鉴别结果鉴定失败时，重复使用冠状动脉数据集训练心电图神经网络模型；对冠状动脉数据集中的所有心电图重复上述步骤，直至心电图神经网络模型的标签鉴别成功率大于或等于预定阈值。
[0012]优选的，上述心电图筛查方法中，构建冠状动脉数据集的步骤包括：将冠状动脉狭窄患者的真冠状动脉狭窄心电图输入至生成对抗网络；使用生成对抗网络中的生成器，根据真冠状动脉心电图中的冠状动脉狭窄特征生成伪冠状动脉狭窄心电图；将伪冠状动脉狭窄心电图和真冠状动脉狭窄心电图输入至生成对抗网络的鉴别器进行分类鉴别；
按照鉴别器的分类鉴别结果训练生成器；当生成器训练完成时，使用生成器生成的伪冠状动脉狭窄心电图和真冠状动脉狭窄心电图构建冠状动脉数据集。
[0013]根据本专利技术的第二方面，本专利技术还提供了一种无症状冠状动脉重度狭窄的心电图筛查系统，包括：数据集构建模块，用于构建冠状动脉数据集，其中，冠状动脉数据集包括冠状动脉狭窄患者的心电图和冠心病危险因素；标签标记模块，用于根据冠状动脉狭窄程度，标记心电图分别为重度狭窄标签和非重度狭窄标签；数据集输入模块，用于将冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示；向量拼接模块，用于拼接心电图向量特征表示和冠心病危险因素对应的危险因素向量特征表示，得到冠状动脉拼接向量；向量计算模块，用于使用非深度神经网络分类算法不断计算冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的重度狭窄标签或非重度狭窄标签；心电图筛查模块，用于使用心电图神经网络模型和非深度神经网络分类算法筛查受试者的心电图。
[0014]优选的，上述心电图筛查系统中，向量计算模块包括：公式建立子模块，用于使用逻辑回归算法，建立冠状动脉拼接向量的逻辑回归公式，其中，逻辑回归公式包括冠状动脉的矩阵模型、矩阵模型初始化的参数和损失函数；分类预测子模块，用于根据逻辑回归公式预测得到冠状动脉拼接向量的狭窄标签分类结果；分类验证子模块，用于使用同一冠状动脉狭窄患者的重度狭窄标签或非重度狭窄标签验证狭窄标签分类结果；分类计算子模块，用于根据梯度下降算法更新逻辑回归公式的参数，重新计算狭窄标签分类结果，直至损失函数小于或等于预定损失阈值。
[0015]优选的，上述心电图筛查系统中，心电图筛查模块包括：心电图输入子模块，用于将心电图输入至心电图神经网络模型，得到心电图向量特征表示；向量特征建立子模块，用于建立心电图对应冠心病危险因素的危险因素向量特征表示；向量特征拼接子模块，用于拼接心电图向量特征表示和危险因素向量特征表示，得到冠状动脉拼接向量；分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无症状冠状动脉重度狭窄的心电图筛查方法，其特征在于，包括：构建冠状动脉数据集，其中，所述冠状动脉数据集包括冠状动脉狭窄患者的心电图和冠心病危险因素；根据冠状动脉狭窄程度，标记所述心电图分别为重度狭窄标签和非重度狭窄标签；将所述冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示；拼接所述心电图向量特征表示和所述冠心病危险因素对应的危险因素向量特征表示，得到冠状动脉拼接向量；使用非深度神经网络分类算法不断计算所述冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的所述重度狭窄标签或所述非重度狭窄标签；使用所述心电图神经网络模型和所述非深度神经网络分类算法筛查受试者的心电图。2.根据权利要求1所述的心电图筛查方法，其特征在于，所述将冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示的步骤，包括：将标记后的所有心电图分别输入至所述心电图神经网络模型，得到对应的心电图向量特征表示；对所述心电图向量特征表示中的各元素进行归一化处理，得到归一化处理后的心电图向量特征表示。3.根据权利要求1或2所述的心电图筛查方法，其特征在于，所述拼接所述心电图向量特征表示和所述冠心病危险因素对应的危险因素向量特征表示，得到冠状动脉拼接向量的步骤，包括：对所述冠心病危险因素进行分类标记和归一化处理，得到所述危险因素向量特征表示；拼接同一冠状动脉狭窄患者的所述心电图向量特征表示和所述危险因素向量特征表示，得到所述冠状动脉拼接向量。4.根据权利要求3所述的心电图筛查方法，其特征在于，所述使用非深度神经网络分类算法不断计算所述冠状动脉拼接向量，直至得到的狭窄标签分类结果符合对应的所述重度狭窄标签或非重度狭窄标签的步骤，包括：使用逻辑回归算法，建立所述冠状动脉拼接向量的逻辑回归公式，其中，所述逻辑回归公式包括所述冠状动脉的矩阵模型、所述矩阵模型初始化的参数和损失函数；根据所述逻辑回归公式预测得到所述冠状动脉拼接向量的狭窄标签分类结果；使用同一冠状动脉狭窄患者的所述重度狭窄标签或非重度狭窄标签验证所述狭窄标签分类结果；根据梯度下降算法更新所述逻辑回归公式的参数，重新计算所述狭窄标签分类结果，直至所述损失函数小于或等于预定损失阈值。5.根据权利要求4所述的心电图筛查方法，其特征在于，所述使用所述心电图神经网络模型和所述非深度神经网络分类算法筛查受试者的心电图的步骤，包括：将所述心电图输入至所述心电图神经网络模型，得到心电图向量特征表示；建立所述心电图对应冠心病危险因素的危险因素向量特征表示；拼接所述心电图向量特征表示和所述危险因素向量特征表示，得到所述冠状动脉拼接向量；
将所述冠状动脉拼接向量输入至所述非深度神经网络分类算法，计算得到所述狭窄标签分类结果。6.根据权利要求5所述的心电图筛查方法，其特征在于，所述将所述冠状动脉数据集输入至心电图神经网络模型，得到心电图向量特征表示的步骤之前，所述方法还包括：使用所述冠状动脉数据集的心电图训练所述心电图神经网络模型，得到标签鉴别结果；使用所述...

【专利技术属性】
技术研发人员：耿世佳，陈康寅，洪申达，刘彤，魏国栋，薛政凯，王凯，陶华岳，章德云，郭少华，傅兆吉，周荣博，俞杰，鄂雁祺，齐新宇，
申请(专利权)人：天津医科大学第二医院，
类型：发明
国别省市：