基于机器学习与高频心电的心肌缺血检测方法及装置制造方法及图纸

本发明专利技术属于信号识别技术领域，提供基于机器学习与高频心电的心肌缺血检测方法及装置

【技术实现步骤摘要】
基于机器学习与高频心电的心肌缺血检测方法及装置


[0001]本专利技术涉及生物电信号识别技术，尤其公开基于机器学习与高频心电的心肌缺血检测方法及装置，属于医学的

。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术
。
[0003]心肌缺血是指心肌由于冠状动脉供血不足而引起的缺氧状态
。
冠状动脉是心脏供血的主要血管，负责将氧气和营养物质输送到心肌细胞中
。
当冠状动脉发生狭窄
、
堵塞或者血流不足时，心肌无法得到足够的氧气和营养，便会发生心肌缺血
。
[0004]在心脏疾病发作之前对心肌缺血进行诊断可以有效防止恶性心血管疾病的发生
。
目前确诊心肌缺血主要依赖于以下三类检测技术：
(1)
心肌标志物检测，当心肌细胞受损或者坏死时，会释放特定的蛋白质标志物到血液中，通过测量肌钙蛋白
I(Cardiac Troponin I,cTnI)、
肌钙蛋白
T(Cardiac Troponin T,cTnT)
和肌酸激酶
(Creatine Kinase
‑
MB,CK
‑
MB)
等标志物的水平可以评估冠状动脉供血情况和心肌灌注状态，但是该方法是一种侵入性的检查，并且患者心脏病发作之前通常不会有任何的症状，其检查结果通常较为滞后；
(2)
影像学检查，影像学技术可以提供更详细的心脏结构和功能信息，从而为心肌缺血程度和冠脉堵塞区域提供更准确的诊断依据，常用的影像学检查方法包括心脏超声
、
核素心肌灌注显像
、
心血管磁共振成像
(Magnetic Resonance Imaging,MRI)
和计算机断层扫描
(Computed Tomography,CT)
冠脉造影等，该类检查通常昂贵且耗时，且同样通常无法在患者心脏病发作之前进行诊断；
(3)
心电图
(Electrocardiogram
，
ECG)
检查，心电图是一种常用的非侵入性检查方法，用于评估心脏的电活动，心肌缺血可以引起心电图的一系列变化，如
ST
段压低或者抬高
、T
波倒置等，虽然心电图的侵入性低于前面两种技术，但是由于心肌缺血并不总是引起心电图的改变，常规的心电图难以捕捉心电信号的微小变化，因此其检测的准确性和敏感性都较低，需要结合其它检测手段获取的结果方可获得最终的心肌缺血检测结果
。
[0005]因此，如何在心脏疾病发作之前准确
、
无创
、
操作简便地检测心肌缺血严重程度，实现心肌缺血的早期初筛和便携快捷检测，是本领域技术人员亟待解决的技术问题
。
[0006]机器学习
(Machine Learning
，
ML)
是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能
。
近年来，以机器学习为代表的人工智能算法与生物电信号检测领域交叉融合，为生物电信号检测技术提供了一种新思路
。
一种心肌缺血辅助检测方法通过获取
T
波波段数据以及提取
T
波特征的方式，识别心肌缺血状态，该方法提取的特征只包含
T
波的相关信息，不能有效捕捉心脏电活动每个时期的特征信息，因此其检测结果的准确性不高
。
多维度融合的心肌缺血辅助检测方法，使用一维心磁信号和三维心磁视频的融合特征进行分类，该方法需要借助昂贵的仪器采集心磁信号，通过复杂的深度学习网络实现分类器，且提取的一维心磁信号特征存在特异性较差的
缺陷，因此该方法存在耗时且检测精度不高的缺陷
。
[0007]综上，本专利技术旨在提出基于机器学习与高频心电的心肌缺血检测方法及系统以克服上述缺陷
。

技术实现思路

[0008]为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供基于高频心电
(High Frequency Electrocardiogram,HFECG)
的心肌缺血检测方法及装置，通过机器学习对从高频心电信号中提取的表征心脏电活动各时期的特征信号进行处理，解决目前心肌缺血检测费用高
、
准确性低
、
无法实时检测的技术问题，实现无创
、
准确
、
多场景实时检测心肌缺血的专利技术目的
。
[0009]为了实现上述目的，本专利技术采用如下技术方案：
[0010]本专利技术的第一个方面提供一种基于高频心电的心肌缺血检测方法，包括如下步骤：
[0011]步骤1，获取被测试者的高频心电信号数据，高频心电信号为频率在
100Hz
以上且信号幅度为微伏级的电信号；
[0012]步骤2，定位高频心电信号数据的
Q
波群
、R
波群
、S
波群
、T
波群
、P
波群，并提取高频
QRS
波段信号
、ST
波段信号以及单个心拍；
[0013]步骤3，根据步骤2提取的高频
QRS
波段信号
、ST
波段信号以及单个心拍提取反映心肌缺血的指标特征，反映心肌缺血的指标特征包括：反映心脏电活动心室复极化异常的指标特征
、
反映心室去极化阶段异常的指标特征
、
反映心脏交感神经活性的指标特征
、
反映心脏传导系统复杂度变化的指标特征；
[0014]步骤4，将步骤3提取的指标特征输入到训练好的心肌缺血程度检测模型中，获取心肌缺血程度分类结果
。
[0015]进一步地，步骤3中，反映心脏电活动心室复极化异常的指标特征包括但不限于
QTc
间期
、T
波峰末间期，反映心室去极化阶段异常的指标特征包括但不限于
QRS
波段的高频形态指数
(High Frequency Morphological Indices,HFMI)、
高频
QRS
均方根，反映心脏交感神经活性的指标特征包括但不限于皮肤交感神经活性
(skin sympathetic nerve activity,SKNA)
指标，反映心脏传导系统复杂度变化的指标特征包括但不限于高频心电信号模式熵
、
基本尺度熵
。
[0016]本专利技术的第二个方面提供一种基于高频心电的心肌缺血检测装置，其包括：数据采集模块
、
数据传输模块
、
处理模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于机器学习与高频心电的心肌缺血程度检测方法，其特征在于，包括如下步骤：步骤1，获取被测试者的高频心电信号数据，所述高频心电信号为频率在
100Hz
以上且信号幅度为微伏级的电信号；步骤2，定位高频心电信号数据的
Q
波群
、R
波群
、S
波群
、T
波群
、P
波群，并提取高频
QRS
波段信号
、ST
波段信号以及单个心拍；步骤3，根据步骤2提取的高频
QRS
波段信号
、ST
波段信号以及单个心拍提取反映心肌缺血的指标特征，所述反映心肌缺血的指标特征包括：反映心脏电活动心室复极化异常的指标特征
、
反映心室去极化阶段异常的指标特征
、
反映心脏交感神经活性的指标特征
、
反映心脏传导系统复杂度变化的指标特征；步骤4，将步骤3提取的指标特征输入到训练好的心肌缺血程度检测模型中，获取心肌缺血程度分类结果
。2.
根据权利要求1所述基于机器学习与高频心电的心肌缺血程度检测方法，其特征在于，所述步骤3中反映心脏电活动心室复极化异常的指标特征包括但不限于
QTc
间期和
T
波峰末间期；所述反映心室去极化阶段异常的指标特征包括但不限于
QRS
波段的高频形态指数
、
高频
QRS
均方根
。3.
根据权利要求2所述基于机器学习与高频心电的心肌缺血程度检测方法，其特征在于，所述步骤3中反映心脏交感神经活性的指标特征包括但不限于皮肤交感神经活性指标；所述步骤3中反映心脏传导系统复杂度变化的指标特征包括但不限于高频心电信号模式熵和基本尺度熵
。4.
根据权利要求3所述基于机器学习与高频心电的心肌缺血程度检测方法，其特征在于，所述步骤2提取
QRS
波段信号
、ST
波段信号以及单个心拍以及步骤3提取皮肤交感神经活性指标的具体方法为：对
0~1kHz
原始信号进行
50Hz
工频干扰的滤除处理和滤除基线漂移的处理，获取去噪后的高频心电信号；通过
Pan
‑
tompkins
算法定位所述去噪后的高频心电信号的
Q
波群
、R
波群
、S
波群
、T
波群
、P
波群；对去噪后的高频心电信号进行带通滤波处理，获取
0~150Hz
的高频心电信号
、250~500Hz
的高频心电信号
、500~1000Hz
的高频心电信号；从所述
0~150Hz
的高频心电信号中提取
ST
波段信号以及单个心拍，从

【专利技术属性】
技术研发人员：刘澄玉，臧晓韩，邢彦涛，赵娜，赵璐璐，李建清，
申请(专利权)人：东南大学，
类型：发明
国别省市：