[發(fā)明專利]基于殘差神經(jīng)網(wǎng)絡(luò)的冠心病心電圖篩查系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 202011467895.1
• 申請日: 2020-12-14
• 公開（公告）號: CN112617856A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計）人: 駱源;雷銳
• 申請（專利權(quán)）人: 上海交通大學
• 主分類號: A61B5/352
• 分類號: A61B5/352;A61B5/355;A61B5/349
• 代理公司: 上海漢聲知識產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

本發(fā)明提供了一種基于殘差神經(jīng)網(wǎng)絡(luò)的冠心病心電圖篩查系統(tǒng)，包括：心電信號處理模塊：提取心電圖機產(chǎn)生心電信號，使用symlets4小波對心電信號進行多層分解去噪，尋找心電信號轉(zhuǎn)換的心電序列數(shù)據(jù)中R波的位置，并以其為基準進行心拍分割；深度特征提取模塊：針對經(jīng)過心電信號處理模塊處理過的數(shù)據(jù)進行平移和縮放來數(shù)據(jù)增強，并使用包含擠壓和激勵網(wǎng)絡(luò)模塊的ResneXt50網(wǎng)絡(luò)提取十二導聯(lián)心電圖的深度特征。樹形模型預(yù)測模塊：將深度特征提取模塊提取的深度特征與心電圖機數(shù)據(jù)進行結(jié)合，輸入訓練好的XGBoost模型得到心電圖中出現(xiàn)冠心病心電特征的預(yù)測概率。本發(fā)明安裝使用成本低，能夠自動篩查，準確性相對心電圖機的診斷更高，能夠減少誤判或者漏判，降低醫(yī)生工作量。

技術(shù)領(lǐng)域

本發(fā)明涉及心血管疾病診斷技術(shù)領(lǐng)域，具體地，涉及一種基于殘差神經(jīng)網(wǎng)絡(luò)的冠心病心電圖篩查系統(tǒng)及方法。

背景技術(shù)

冠狀動脈粥樣硬化性心臟病，簡稱冠心病，是指由于冠狀動脈粥樣硬化、冠狀動脈狹窄引起的缺血、缺氧性心臟病，心律失常是其常見并發(fā)癥。冠心病是引起老年人的重要死因之一，發(fā)病率和年齡成正比例關(guān)系。臨床上表現(xiàn)為心絞痛、心肌梗死等狀況，更有甚者因心律失常、心力衰竭而死亡。目前診斷冠心病的金標準是冠狀動脈造影，但因其成本高且具有一定的風險，因此無法普及。目前利用十二導聯(lián)心電圖檢測冠心病是十分重要的輔助檢查手段，目前心電圖篩查主要是通過醫(yī)生觀察心電圖然后給出心電圖相關(guān)的診斷，然后根據(jù)診斷判斷是否可能患有冠心病。

心電圖各波及波段的組成依次為P波、PR間期、QRS波群、J點、ST段、T波、U波、QT間期。冠心病主要分為慢性的心肌缺血和機型的心肌缺血，慢性的心肌缺血主要表現(xiàn)為ST段的抬高、ST段的壓低、T波的低平、T波的倒置，而急性的心肌缺血最主要的表現(xiàn)是ST段的抬高、病理性Q波、T波的倒置或者明顯的高尖。

ST段代表心室肌全部除極完成復極尚未開始的一段時間。此時各部位的心室肌都處于除極狀態(tài)，細胞之間并沒有電位差，因此正常情況下ST段應(yīng)處于等電位線上。當某部位的心肌出現(xiàn)缺血或壞死的表現(xiàn)，心室在除極完畢后仍存在電位差，此時表現(xiàn)為心電圖上ST段發(fā)生偏移。之后的T波代表了心室的復極，在QRS波主波向上的導聯(lián)，T波應(yīng)與QRS主波方向相同。心電圖上T波的改變受多種因素的影響。Q波是室間隔除極產(chǎn)生右前方的向量形成的，正常情況下，時限不超過0.03s(III、avR導聯(lián)除外)，深度不會超過同導聯(lián)R波的1/4。

隨著人工智能技術(shù)的快速發(fā)展，深度學習作為一種基于對數(shù)據(jù)進行表征學習的方法，迅速興起。在近年來，深度學習已經(jīng)成為一種重要的方法論，成功應(yīng)用于計算機視覺、模式識別和生物信息學等方向。不少學者已經(jīng)嘗試將神經(jīng)網(wǎng)絡(luò)技術(shù)用于心血管疾病診斷。Mathews等人將玻爾茲曼機和深信念網(wǎng)絡(luò)結(jié)合，對心室和室上心跳進行分類，并取得較高準確率。Acharya等人則提出了十一層的卷積神經(jīng)網(wǎng)絡(luò)模型，來對心律失常疾病的四種類型進行分類。Sannino設(shè)計了一個深度神經(jīng)網(wǎng)絡(luò)模型來對心電信號進行自動分類。Andrew Ng博士領(lǐng)銜的團隊在2019年在Nature Medicine上發(fā)表論文，開發(fā)了一個1D卷積神經(jīng)網(wǎng)絡(luò)，可基于任意長度心電序列數(shù)據(jù)檢測心率不齊。但由于數(shù)據(jù)均是基于單導聯(lián)心電圖，獲得有效的心臟電生理信息量不足和并且有大量干擾信號，而無法判斷心臟激動、傳導阻滯、心肌損傷和壞死程度。O.Yildirim團隊提出了一個以標準12導聯(lián)心電圖訊號為基礎(chǔ)的端到端結(jié)構(gòu)的深度學習模式，以診斷心肌梗塞，并取得了不錯的效果。

然而目前進行的心電圖研究大部分使用的是國際上公認的心率失常標準數(shù)據(jù)庫，包含美國麻省理工學院提供的MIT-BIH數(shù)據(jù)庫、美國心臟學會提供的AHA數(shù)據(jù)庫、歐共體CSE數(shù)據(jù)庫，集中在心率失常分類上，相對來說，心肌缺血和心肌梗死研究較少，主要是數(shù)據(jù)較難獲取。但心肌缺血與心梗發(fā)病率很高，其代表疾病冠心病更是致死率極高的疾病，有很高的研究價值。同時病人心電檢測時，心電圖機也會產(chǎn)出一些心電圖的醫(yī)學特征，這些特征也可以用于診斷參考，但是單一的深度學習系統(tǒng)不能有效利用這些信息。