/p>5、对此，一些研究针对心电向量图(vcg)的局部和时空特征进行自动提取，在传统技术中，研究人员主要关注与心电向量图形态学、角度、能量和非线性动力学相关的时空特征提取。
6、但是，传统方法中，依赖先验专家知识的手动特征选择方法在心肌梗死检测的定位准确率和模型泛化能力方面存在不足，因此常见的心肌梗死病房部位定位中性能表现较差；
7、而且现有一大主流方法中，直接从心电向量图的原始一维时序信号中从提取局部或时空特征，或结合两者特征进行分类，但特征提取过程繁琐，且忽略了心电向量图的原始一维时序信号在空间中的相互关系，且模型参数较大，不适用于边缘端设备的部署；在另一大主流方法中，通过使用心电向量图的二维投影来获取局部或时空特征，通过计算心电向量图的原始一维时序信号在二维平面中的相互关系来提升对心肌梗死定位的准确性，然而至多只有三个视觉的投影图像无法完整表征心电向量图在空间下的完整特征表示，且这类方法只能对心电向量图单个节拍进行分析，对心电向量图片段无法有效分析。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于心电向量图的心肌梗死定位方法，本专利技术通过3d矢量心电图(3d-vcg)的深度学习分析，实现mi的精确自动定位，克服现有技术的不足。
2、本专利技术的技术方案为：一种基于心电向量图的心肌梗死定位方法，包括以下步骤：
3、s1)、3d矢量心电图数据的获取和预处理
4、采集目标3d-vcg信号，通过下采样和滤波对目标3d-vcg信号进行预处理；
5、s2)、全局时空特征提取
6、利用pointnet++的多尺度分组(msg)模块从预处理的目标3d-vcg信号点云空间中获取全局时空特征，通过远点采样算法从输入的3d-vcg点云中计算出中心点，通过特征聚合实现对vcg全局特征的综合表示；
7、s3)、局部特征提取，利用transformer的自注意力机制确定关键点，然后再通过pointnet++在这些关键点的欧氏距离内提取局部时空特征；
8、s4)、特征融合和mi定位
9、使用transformer的多头注意力机制再次关联和融合局部和全局特征，通过前向反馈网络减少生成的可训练列表的维度，并通过softmax层生成类概率，以实现心肌梗塞的精确定位。
10、作为优选的，步骤s1)中，采集的目标3d-vcg信号采用physikalisch-technischebundesanstalt(ptb)提供的心脏病患者和健康人群的3d-vcg数据集，所述的3d-vcg数据集中涵盖了11种最常见的心肌梗死类别，数据原始采样频率设置为1000hz。
11、作为优选的，步骤s1)中，所述的下采样的频率为512hz，所述的滤波操作采用二阶butterworth高通滤波器，截止频率设为0.5hz，以消除基线漂移，然后采用2秒非重叠窗口对数据进行分割。
12、作为优选的，步骤s2)中，所述的pointnet++的多尺度分组(msg)模块包括多个集合抽象(sa)层和特征传播(fp)层，所述的pointnet++采用一系列集合抽象(sa)层分层提取局部特征。
13、作为优选的，步骤s2)中，具体包括如下步骤：
14、s21)、采样
15、所述的pointnet++的多尺度分组(msg)模块通过最远点采样策略(fps)从预处理的目标3d-vcg信号点云中选择一组中心点{c1,c2,...,cm}；这些中心点的组合代表点云的全局特征；采样后，每个中心点都会成为一组局部点的中心，这些局部点将用于后续的特征提取；
16、s22)、分组
17、对于每个中心点cj，根据指定的欧式距离r和最大邻居数k对相邻点进行分组，其表达式如下：
18、pcj＝group(p,cj,r)；
19、式中，pcj表示以cj为中心点的点组，并被用于局部特征计算，p表示采集的3d-vcg信号点云数据集；
20、s23)、对于每个点组pcj，采用小型pointnet网络进行处理得到局部点集的时空特征flocal,cj：
21、flocal,cj＝poinnet(pcj)；
22、s24)、特征聚合
23、通过多尺度分组(msg)模块将所有局部点集的时空特征flocal,cj进行拼接，生成一个包含层次化局部特征的全局特征描述符；这个全局特征描述符包含从多个尺度上提取的局部特征信息；其中，所述的全局特征描述符的表达式为：
24、
25、s25)、特征上采样
26、为了将局部特征与全局特征结合，并恢复到原始点云的分辨率，pointnet++使用特征传播(fp)层；特征传播(fp)层通过上采样函数来融合不同层次的特征。
27、作为优选的，步骤s24)中，对于给定的层fup＝upsample(flayerl,flayerl-1)，其中，函数upsample包含最近邻插值或学习权值来融合来自不同层的特征，在经过多个sa和fp层后，pointnet++提供了一组丰富的特征，封装了局部几何和全局上下文；然后，这个分层特征集被一系列共享的mlp处理，产生一个精炼的全局描述符gfinal：
28、gfinal＝mlp(fup)。...
【技术保护点】
1.一种基于心电向量图的心肌梗死定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：步骤S1)中，采集的目标3D-VCG信号采用Physikalisch-Technische Bundesanstalt(PTB)提供的心脏病患者和健康人群的3D-VCG数据集，所述的3D-VCG数据集中涵盖了11种最常见的心肌梗死类别，数据原始采样频率设置为1000Hz。
3.根据权利要求1所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：步骤S1)中，所述的下采样的频率为512Hz，所述的滤波操作采用二阶Butterworth高通滤波器，截止频率设为0.5Hz，以消除基线漂移，然后采用2秒非重叠窗口对数据进行分割。
4.根据权利要求1所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：步骤S2)中，所述的PointNet++的多尺度分组(MSG)模块包括多个集合抽象(SA)层和特征传播(FP)层，所述的PointNet++采用多个集合抽象(SA)层分层提取局部特征。
5.根据权利要求1所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：步骤S2)中，具体包括如下步骤：
6.根据权利要求5所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：步骤S24)中，对于给定的层其中，函数upsample包含最近邻插值或学习权值来融合来自不同层的特征，在经过多个SA和FP层后，PointNet++提供一组丰富的特征，封装了局部几何和全局上下文；然后，这个分层特征集被一系列共享的MLP处理，产生一个精炼的全局描述符Gfinal：
7.根据权利要求5所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：步骤S2)中，所述的PointNet++的多尺度分组(MSG)模块的中心点采样数设为64，所述的多尺度分组(MSG)模块的欧式距离r依次设为0.1、0.2、0.4，每个欧式距离r内的点数分别为16、32、128。
8.根据权利要求1所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：步骤S3)中，具体包括如下步骤：
9.根据权利要求5所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：步骤S4)中，具体包括如下步骤：
10.根据权利要求9所述的一种基于心电向量图的心肌梗死定位方法，其特征在于：在训练过程中，使用交叉熵损失函数L来优化模型参数，在评估阶段，使用准确率、召回率、F1分数指标来衡量模型的性能，其中，交叉熵损失函数L的表达式为：
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。