基于同步压缩变换的深度学习辅助心脏药物分类方法技术

本发明专利技术涉及基于同步压缩变换的深度学习辅助心脏药物分类方法，包括：心肌细胞机械搏动信号数据获取；心肌细胞机械搏动信号分割与特征提取；构建深度学习网络并进行训练；利用已训练网络对心脏药物分类。本发明专利技术的有益效果是：本发明专利技术可以准确地对不同药物诱导的心脏毒性和药物浓度进行分类，同时提高药物诱导心脏毒性评估的效率，对于药物研发中高通量筛选识别心脏毒性特征具有重要意义。别心脏毒性特征具有重要意义。别心脏毒性特征具有重要意义。

【技术实现步骤摘要】
基于同步压缩变换的深度学习辅助心脏药物分类方法


[0001]本专利技术涉及医学人工智能领域，更确切地说，它涉及基于同步压缩变换的深度学习辅助心脏药物分类方法。

技术介绍

[0002]心脏毒性是上市药物最常见的严重不良反应和停药原因。心脏毒性通常是指对心脏产生有害影响的毒性，最终可能导致心律失常、心肌梗死和心肌肥大等心肌病，这些不可避免的副作用通常是导致治疗终止和药物开发失败的主要原因。在过去的几十年里，超过10％的临床药物因心血管副作用而被迫退出市场，这不仅阻碍了药物的研发，还严重影响了患者健康恢复。许多研究表明，药物诱导的心肌损伤可能是一个循序渐进的过程，伴随着心脏生物标志物的增加和心肌结构变形，最终导致左心室射血分数(LVEF)下降。临床数据显示，心肌细胞的死亡或损伤伴随着心脏毒性的发展而发生，表明药物诱导的心肌细胞死亡可能是心脏毒性的主要原因。
[0003]在临床开发后期，心血管毒性的高发病率和严重性可能导致处方实践(适应症和剂量水平)受到限制，最终导致药物停用或停药。这清楚地表明，有必要在临床前和临床早期更准确地预测药物诱导的心脏毒性风险，以避免将具有心血管毒性高风险的候选药物发展到临床开发后期和上市批准阶段。因此，如何准确对心脏药物分类建立模型，并针对药物有无毒性和药物浓度进行有效评估具有重要应用前景。

技术实现思路

[0004]本专利技术的目的是针对现有技术的不足，提出了基于同步压缩变换的深度学习辅助心脏药物分类方法。
[0005]第一方面，提供了基于同步压缩变换的深度学习辅助心脏药物分类方法，包括：
[0006]S1、心肌细胞机械搏动信号数据获取：在基于叉指电极的生物传感仪器中培养心肌细胞，并用不同的药物处理细胞，收集心肌细胞的机械搏动信号；
[0007]S2、心肌细胞机械搏动信号分割与特征提取：对心肌细胞机械搏动信号按一定时间长度进行分割，对分割后的每个时间段内信号进行同步压缩变换，得到二维时频特征；
[0008]S3、构建深度学习网络并进行训练：构建基于卷积神经网络的深度学习框架，将心肌细胞机械搏动信号的二维时频特征作为训练集，将药物有无毒性、药物浓度作为标签进行训练；
[0009]S4、利用已训练网络对心脏药物分类：将新采集的心肌细胞机械搏动信号按照S2进行预处理，再通过S3中已训练的深度学习网络进行推断，进而得到心脏药物有无毒性、药物浓度特征。
[0010]作为优选，S1包括：
[0011]S101、对粘附在叉指电极上的人诱导多能干细胞衍生心肌细胞进行培养；
[0012]S102、使用不同类型的药物处理心肌细胞，并通过生物传感平台记录机械搏动信
号。
[0013]作为优选，S2包括：
[0014]S201、针对获取的多个心肌细胞的长时间机械搏动信号记录，对机械搏动信号按一定时间长度进行分割；
[0015]S202、对分割后的每个时间段内信号按以下公式进行同步压缩变换得到二维时频特征：
[0016][0017]其中
[0018][0019][0020]t表示时域变量，f表示频域变量，ω表示角频率，表示积分运算，x(t)为信号，δ(
·
)表示Dirac函数，STFT
x
(t，f)表示短时Fourier变换的时频分布，arg{
·
}表示复数辐角，g(t)为窗函数，R{
·
}表示实数部分；作为优选，S3包括：
[0021]S301、构建基于卷积神经网络的深度学习框架，该网络结构由编码器模块、解码器模块和跳连接组成；
[0022]S302、在训练阶段，利用通过心肌细胞机械搏动信号提取的特征作为训练集，将心肌细胞机械搏动信号的二维时频特征作为网络输入，将药物有无毒性和药物浓度标签作为网络目标输出，进行训练；
[0023]S303、经过训练，当损失函数降低到一定数值后，网络能够以高准确率对药物有无毒性、药物浓度进行推断，保留此时的权重用于后续推断。
[0024]作为优选，S4包括：
[0025]S401、在预处理阶段，将新采集的心肌细胞机械搏动信号按照S2进行预处理，并对网络加载通过S3中获得的权重；
[0026]S402、通过已训练的深度学习网络进行推断，进而得到心脏药物有无毒性、药物浓度特征。
[0027]第二方面，提供了基于同步压缩变换的深度学习辅助心脏药物分类装置，用于第一方面任一所述的基于同步压缩变换的深度学习辅助心脏药物分类方法，包括：
[0028]收集模块，用于在基于叉指电极的生物传感仪器中培养心肌细胞，并用不同的药物处理细胞，收集心肌细胞的机械搏动信号；
[0029]分割模块，用于对心肌细胞机械搏动信号按一定时间长度进行分割，对分割后的每个时间段内信号进行同步压缩变换，得到二维时频特征；
[0030]构建模块，用于构建基于卷积神经网络的深度学习框架，将心肌细胞机械搏动信号的二维时频特征作为训练集，将药物有无毒性、药物浓度作为标签进行训练；
[0031]推断模块，用于将新采集的心肌细胞机械搏动信号输入分割模块进行预处理，再通过构建模块中已训练的深度学习网络进行推断，进而得到心脏药物有无毒性、药物浓度
特征。
[0032]第三方面，提供了一种计算机存储介质，其特征在于，所述计算机程序在计算机上运行时，使得计算机执行第一方面所述的基于同步压缩变换的深度学习辅助心脏药物分类方法。
[0033]本专利技术的有益效果是：本专利技术针对药物引发的心脏毒性评估，提出了一种基于同步压缩变换的深度学习辅助心脏药物分类方法，以准确地对不同药物诱导的心脏毒性和药物浓度进行分类，同时提高药物诱导心脏毒性评估的效率，对于药物研发中高通量筛选识别心脏毒性特征具有重要意义。
附图说明
[0034]图1为本专利技术提供的基于同步压缩变换的深度学习辅助心脏药物分类方法的流程图；
[0035]图2为本专利技术提供的心肌细胞机械搏动信号分割后特征提取示意图；
[0036]图3为本专利技术提供的推断阶段网络对心脏药物分类示意图；
[0037]图4为本专利技术提供的药物有无毒性的分类结果示意图；
[0038]图5为本专利技术提供的药物浓度示意图。
具体实施方式
[0039]下面结合实施例对本专利技术做进一步描述。下述实施例的说明只是用于帮助理解本专利技术。应当指出，对于本
的普通人员来说，在不脱离本专利技术原理的前提下，还可以对本专利技术进行若干修饰，这些改进和修饰也落入本专利技术权利要求的保护范围内。
[0040]实施例1：
[0041]基于同步压缩变换的深度学习辅助心脏药物分类方法，如图1所示，包括：
[0042]S1、心肌细胞机械搏动信号数据获取：在基于叉指电极的生物传感仪器中培养心肌细胞，并用不同的药物处理细胞，收集心肌细胞的机械搏动信号。
[0043]具体的，S1包括：
[0044]S101本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于同步压缩变换的深度学习辅助心脏药物分类方法，其特征在于，包括：S1、心肌细胞机械搏动信号数据获取：在基于叉指电极的生物传感仪器中培养心肌细胞，并用不同的药物处理细胞，收集心肌细胞的机械搏动信号；S2、心肌细胞机械搏动信号分割与特征提取：对心肌细胞机械搏动信号按一定时间长度进行分割，对分割后的每个时间段内信号进行同步压缩变换，得到二维时频特征；S3、构建深度学习网络并进行训练：构建基于卷积神经网络的深度学习框架，将心肌细胞机械搏动信号的二维时频特征作为训练集，将药物有无毒性、药物浓度作为标签进行训练；S4、利用已训练网络对心脏药物分类：将新采集的心肌细胞机械搏动信号按照S2进行预处理，再通过S3中已训练的深度学习网络进行推断，进而得到心脏药物有无毒性、药物浓度特征。2.根据权利要求1所述的基于同步压缩变换的深度学习辅助心脏药物分类方法，其特征在于，S1包括：S101、对粘附在叉指电极上的人诱导多能干细胞衍生心肌细胞进行培养；S102、使用不同类型的药物处理心肌细胞，并通过生物传感平台记录机械搏动信号。3.根据权利要求2所述的基于同步压缩变换的深度学习辅助心脏药物分类方法，其特征在于，S2包括：S201、针对获取的多个心肌细胞的长时间机械搏动信号记录，对机械搏动信号按一定时间长度进行分割；S202、对分割后的每个时间段内信号按以下公式进行同步压缩变换得到二维时频特征：其中其中t表示时域变量，f表示频域变量，ω表示角频率，表示积分运算，x(t)为信号，δ(
·
)表示Dirac函数，STFT
x
(t,f)表示短时Fourier变换的时频分布，arg{
·
}表示复数辐角，g(t)为窗函数，R{
·
}表示实数部分。4.根据权利要求3所述的基于同步压缩变换的深度学习辅助心脏药物分类方...

【专利技术属性】
技术研发人员：朱之京，张迪鸣，徐晓滨，曾玲晖，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：