[發(fā)明專利]一種基于人工智能監(jiān)督學(xué)習(xí)的實(shí)驗(yàn)室胸痛數(shù)據(jù)檢查輔助識別方法

有效

• 申請?zhí)枺?/td>: 201910147228.6
• 申請日: 2019-02-27
• 公開（公告）號: CN109907751B
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 嚴(yán)洋;嚴(yán)金川
• 申請（專利權(quán)）人: 嚴(yán)洋
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/346;G01N33/48;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京申云知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32274
• 代理人: 王云

1.基于人工智能監(jiān)督學(xué)習(xí)的實(shí)驗(yàn)室胸痛數(shù)據(jù)檢查輔助識別系統(tǒng)，其特征在于，包括AI系統(tǒng)，所述AI系統(tǒng)獲取臨床醫(yī)生診斷信息、患者實(shí)驗(yàn)室檢查信息和數(shù)據(jù)庫信息，并對患者實(shí)驗(yàn)室檢查的心電數(shù)據(jù)和肌鈣蛋白、肌紅蛋白、肌酸激酶同工酶含量、D-二聚體、動脈血樣分壓數(shù)據(jù)進(jìn)行融合分析處理；

進(jìn)行融合分析處理中包括：AI系統(tǒng)采用改進(jìn)Tri-Training算法實(shí)現(xiàn)對肌鈣蛋白、肌紅蛋白、肌酸激酶同工酶含量、D-二聚體和動脈血樣分壓數(shù)據(jù)的半監(jiān)督學(xué)習(xí)：算法輸入為：通過數(shù)據(jù)采樣獲得肌鈣蛋白，肌紅蛋白、肌酸激酶同工酶含量、D-二聚體；動脈血樣分壓的樣本數(shù)據(jù)，將樣本數(shù)據(jù)分為無標(biāo)記樣本集U，Must-link約束集M，Cannot-link約束集C，標(biāo)記樣本選取的最大數(shù)目為N_max；算法輸出為：D-二聚體兩個(gè)區(qū)間劃分、心肌損傷標(biāo)志物區(qū)間劃分、血?dú)夥治鋈齻€(gè)區(qū)間劃分，將上述劃分為有標(biāo)記樣本集R′和更新后的無標(biāo)記樣本集U′；

AI系統(tǒng)通過改進(jìn)支持向量機(jī)算法對患者信息的心電信號進(jìn)行處理，包括對采集的心電數(shù)據(jù)進(jìn)行預(yù)處理，噪聲濾波，提取心電數(shù)據(jù)的時(shí)域特征，并生成心電數(shù)據(jù)訓(xùn)練樣本集；對采集的心電數(shù)據(jù)進(jìn)行特征提取的數(shù)據(jù)包括正常P波、QRS波群、T波、PR間期、RR間期、ST段，其中，將ST段弓背向上抬高或壓低、兩支不對稱T波作為附加提取特征；對心電數(shù)據(jù)訓(xùn)練樣本集進(jìn)行分類，設(shè)置參數(shù)Z和Z^*，采用支持向量機(jī)算法對帶標(biāo)簽樣本(x₁，y₁)，……，(x_n，y_n)進(jìn)行訓(xùn)練，并構(gòu)建出初始的分類器，然后對具有正標(biāo)簽值的不帶標(biāo)識的示例x₁^*，……，x_k^*的數(shù)量n_abn進(jìn)行設(shè)置，其中Z和Z^*是訓(xùn)練指定的參數(shù)；由分類器對不帶標(biāo)識的示例x₁^*，……，x_k^*進(jìn)行分類，并且根據(jù)w×x_j^*+b的輸出值對每個(gè)不帶標(biāo)簽樣本的標(biāo)簽進(jìn)行賦值，w為權(quán)值，b為定值參數(shù)，輸出值最大的n_abn個(gè)不帶標(biāo)簽樣本的指定為y_j^*＝1，其余的樣本指定為y_j^*＝-1，然后設(shè)置參數(shù)Z^*_n和Z^*_abn；重新對樣本進(jìn)行訓(xùn)練，獲得第二個(gè)分類器，設(shè)置Z^*的值小于Z，找到具有不同標(biāo)簽值的一組測試示例，并對其標(biāo)簽值進(jìn)行交換，使得式中的優(yōu)化目標(biāo)函數(shù)值最大程度減小；逐步增加調(diào)節(jié)參數(shù)Z^*_n和Z^*_abn的值，當(dāng)Z^*_n＞Z^*且Z^*_abn＞Z^*時(shí)，算法結(jié)束，以達(dá)到識別出2-3個(gè)相鄰導(dǎo)聯(lián)呈現(xiàn)ST段的弓背向上抬高或壓低，以及心電圖為異常高大且兩支不對稱的T波的目的；

采用卷積CNN對心電數(shù)據(jù)特征提取，其中卷積CNN包括三層，卷積層一Conv1、第一層池化層一Pooling1和歸一化層一BN1，Conv1的卷積核大小為6×6，步長為3，共166個(gè)卷積核；卷積層二Conv2和歸一化層二BN2，Conv2的卷積核大小為5×5，步長為3，共128個(gè)卷積核；池化層三Pooling3和歸一化層三BN3，Conv3的卷積核大小為3×3，步長為1，共128個(gè)卷積核；然后依次連接Inception結(jié)構(gòu)、卷積層四Conv4和全局池化層，由分類器對輸出結(jié)果進(jìn)行分類，所述分類器采用Softmax分類；

所述AI系統(tǒng)將從數(shù)據(jù)庫中找出對患者實(shí)驗(yàn)室檢查信息的診斷標(biāo)準(zhǔn)，與患者入院后臨床醫(yī)生診斷信息的分析標(biāo)準(zhǔn)進(jìn)行比較，如果比較結(jié)果匹配，則警告系統(tǒng)將不會啟動，如果結(jié)果不一致，人工智能會發(fā)出警報(bào)，提醒臨床醫(yī)生重新對患者進(jìn)行檢查。