基于心磁图视频数据的心肌缺血预测模型及其构建方法技术

本发明专利技术公开了基于心磁图视频数据的心肌缺血预测模型的构建方法，包括：采集病人的原始心磁信号和诊断信息；根据诊断信息，对原始心磁信号进行标记，得心磁信号标签；将原始心磁信号进行空间重建，得心磁图视频数据；提取心磁图视频数据的视频特征；将心磁图视频数据输入四维时序分类网络，以心磁信号标签作为输出进行训练，得训练好的四维时序分类网络；将心磁图视频数据进行降维处理，并输入三维空间分类网络，以心磁信号标签作为输出进行训练，得到训练好的三维空间分类网络；将视频特征、训练好的四维时序分类网络和训练好的三维空间分类网络进行融合，即得。本发明专利技术构建的心肌缺血预测模型大幅提升了心肌缺血诊断预测的分类准确度。分类准确度。分类准确度。

【技术实现步骤摘要】
基于心磁图视频数据的心肌缺血预测模型及其构建方法


[0001]本专利技术涉及心磁图数据分析领域。更具体地说，本专利技术涉及一种基于心磁图视频数据的心肌缺血预测模型及其构建方法。

技术介绍

[0002]心磁图是一种通过检测人体心脏电活动产生的磁场而进行成像分析的新型心脏疾病诊断方法，在冠心病、心肌缺血等方面具有良好的应用潜力。心磁图对心肌缺血等疾病预测的灵敏度和准确度接依赖于数据解读。现有的心磁图解读方法主要依靠专业医生进行人工分类，不仅人力成本高、效率低、时间长，同时准确度也极大地受医生经验影响，导致心磁图的心肌缺血临床诊断准确度不高。采用机器学习方法对病例的心磁图特征数据进行挖掘，构建心肌缺血预测模型，可极大提高基于心磁图的心肌缺血分类效率及准确率，同时节约医生这一稀缺人力资源。但是，现有的机器学习方法只是对一维的心磁信号数据进行构建自动分类模型，这些模型大多是基于单一模型如支持向量机，直接核法或神经网络等方法实现分类功能，分类准确度还有很大提升空间。基于心磁图视频数据构建心肌缺血预测分类模型，目前还未见报道。

技术实现思路

[0003]本专利技术的一个目的是提供一种基于心磁图视频数据的心肌缺血预测模型及其构建方法，以解决现有人工分类方法及机器学习方法准确率低的问题，本专利技术所述方法分类准确度得到了大幅提升和改善。
[0004]为了实现本专利技术的目的和其它优点，提供了一种基于心磁图视频数据的心肌缺血预测模型的构建方法，包括：
[0005]采集病人的原始心磁信号和诊断信息；
>[0006]根据所述诊断信息，对所述原始心磁信号进行标记，得心磁信号标签；
[0007]将所述原始心磁信号进行空间重建，得心磁图视频数据；
[0008]提取所述心磁图视频数据的视频特征；
[0009]将所述心磁图视频数据输入四维时序分类网络，以所述心磁信号标签作为输出，对所述四维时序分类网络进行训练，得训练好的四维时序分类网络；
[0010]将所述心磁图视频数据进行降维处理，然后将降维后的心磁视频输入三维空间分类网络，以所述心磁信号标签作为输出，对所述三维空间分类网络进行训练，得训练好的三维空间分类网络；
[0011]将所述视频特征、训练好的四维时序分类网络和训练好的三维空间分类网络进行融合，得所述基于心磁图视频数据的心肌缺血预测模型。
[0012]优选的是，所述的基于心磁图视频数据的心肌缺血预测模型的构建方法，所述四维时序分类网络为基于TimeSformer的无卷积时序视频分类网络模型。
[0013]优选的是，所述的基于心磁图视频数据的心肌缺血预测模型的构建方法，所述三
维空间分类网络为基于Resnet3D改良的三维卷积神经网络模型。
[0014]优选的是，所述的基于心磁图视频数据的心肌缺血预测模型的构建方法，所述降维处理，具体为，所述降维处理，具体为，采用公式1对所述心磁图视频数据中图像颜色通道RGB的红色通道和蓝色通道赋值，根据红蓝两色在图像中的正负极含义分别乘以正负相反的常数n，实现对心磁图视频数据的图像含义层面的人为特征增强以及进行了视频的降维处理，得到三维RGB矩阵数据；采用公式2对所述三维RGB矩阵数据进行归一化处理，得到归一化处理后的三维归一化矩阵数据；其中，公式1为output＝R*n+G+B*(
‑
n)，式中，R，G，B分别是红色、绿色和蓝色三个颜色通道上的0
‑
255的数值，n为一常数；公式2为式中，x为公式1中的output值。
[0015]优选的是，所述的基于心磁图视频数据的心肌缺血预测模型的构建方法，还包括：对采集到的所述原始心磁信号进行预处理，所述预处理包括去除噪声和片段分割。
[0016]优选的是，所述的基于心磁图视频数据的心肌缺血预测模型的构建方法，所述视频特征包括T峰的磁场角度，T峰的电流角度，R峰的磁场角度，R
‑
T峰之间的磁场角度变化，QRS波的磁场角度变化。
[0017]本专利技术还提供了一种基于心磁图视频数据的心肌缺血预测模型，其由上述构建方法构建得到。
[0018]本专利技术还提供了一种存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现上述构建方法。
[0019]本专利技术还提供了一种电子设备，包括：处理器、及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行上述构建方法。
[0020]本专利技术至少包括以下有益效果：
[0021]第一、本专利技术同时使用空间分类网络和时序分类网络共同提取心磁图视频数据的时序特征和空间特征，对心磁图视频数据进行分类，并融合心磁图视频数据的视频特征，构建基于心磁图视频数据的心肌缺血预测模型，有效提高了预测模型的灵敏度和分类准确度。
[0022]第二、本专利技术针对目前患有心血管疾病的心磁图数据，在目标模型的构建过程中，结合心磁图视频数据的深度学习特征以及其传统统计学特征：一方面使用深度学习网络自动学习给定抽象特征，另一方面使用传统统计学人为构造数字特征，并将两种数值特征的高效融合，实现对心磁图特征的深度学习网络特征挖掘。
[0023]第三、本专利技术基于心磁图视频数据仅有红、绿、蓝三种有限颜色显示的特殊性，通过整合RGB通道对心磁图视频数据进行了特征增强，加深了红色和蓝色正负极之间的关系，同时，将心磁图视频数据由四维数组(Time，Width，Height，RGB)降维成三维数组(Time，Width，Height)，以便使用三维卷积神经网络来更加有效的提取心磁图视频数据的时空特征，得到更高的分类准确度。
[0024]第四、采用本专利技术构建的基于心磁图视频数据的心肌缺血预测模型，针对心磁图中心肌缺血的异常分类，在现有的测试集上，模型训练结果与现有的基于一维的心磁信号数据的机器学习方法相比，可以得到大幅提升，证实本专利技术的预测模型对于心磁图心肌缺
血异常分类的应用具有极大帮助。
[0025]本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。
附图说明
[0026]图1是本专利技术一个实施例的构建方法的整体流程图；
[0027]图2是本专利技术一个实施例的视频分类网络的整体框图。
具体实施方式
[0028]下面结合实施例和附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
[0029]应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
[0030]需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述材料，如无特殊说明，均可从商业途径获得。
[0031]如图1、图2所示，本专利技术提供一种基于心磁图视频数据的心肌缺血预测模型的构建方法，包括：
[0032](1)通过心磁图仪采集病人原始心磁信号和诊断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于心磁图视频数据的心肌缺血预测模型的构建方法，其特征在于，包括：采集病人的原始心磁信号和诊断信息；根据所述诊断信息，对所述原始心磁信号进行标记，得心磁信号标签；将所述原始心磁信号进行空间重建，得心磁图视频数据；提取所述心磁图视频数据的视频特征；将所述心磁图视频数据输入四维时序分类网络，以所述心磁信号标签作为输出，对所述四维时序分类网络进行训练，得训练好的四维时序分类网络；将所述心磁图视频数据进行降维处理，然后将降维后的心磁视频输入三维空间分类网络，以所述心磁信号标签作为输出，对所述三维空间分类网络进行训练，得训练好的三维空间分类网络；将所述视频特征、训练好的四维时序分类网络和训练好的三维空间分类网络进行融合，得所述基于心磁图视频数据的心肌缺血预测模型。2.如权利要求1所述的基于心磁图视频数据的心肌缺血预测模型的构建方法，其特征在于，所述四维时序分类网络为基于TimeSformer的无卷积时序视频分类网络模型。3.如权利要求1所述的基于心磁图视频数据的心肌缺血预测模型的构建方法，其特征在于，所述三维空间分类网络为基于Resnet3D改良的三维卷积神经网络模型。4.如权利要求1所述的基于心磁图视频数据的心肌缺血预测模型的构建方法，其特征在于，所述降维处理，具体为，采用公式1对所述心磁图视频数据中图像颜色通道RGB的红色通道和蓝色通道赋值，根据红蓝两色在图像中的正负极含义分别乘以正负相反的常数n，实现对心磁图视频数据的图像含义层面的人为特征增强...

【专利技术属性】
技术研发人员：蔡宾，
申请(专利权)人：北京未磁科技有限公司，
类型：发明
国别省市：