本發明涉及人工智能處理,具體而言涉及基于心電圖的心肌梗死預測系統。
背景技術:
1、心肌梗死是因冠狀動脈急性閉塞導致心肌缺血壞死的常見危重心血管病,可引起心臟功能結構異常和多種并發癥,危及患者生命。據統計,心肌梗死是全球范圍內最主要的死因之一,也是中國人群中的重要健康問題。在中國,心肌梗死的發病率和死亡率呈現出不斷上升的趨勢,尤其是在農村地區和中老年人群中。根據《中國心血管健康與疾病報告2022》的數據,近20年來,急性心肌梗死的死亡率總體上升,其中農村地區自2012年以來持續高于城市地區。同時,急性心肌梗死的發病年齡也有明顯的下降趨勢,40歲后開始急劇增加,其增長速度近似于指數函數。更令人擔憂的是,中國急性心肌梗死注冊研究顯示,不同級別醫院的心肌梗死受試者的住院病死率存在顯著的差異,縣級醫院的病死率是省級醫院的3.3倍,說明我國城鄉和地區之間存在醫療資源配置失衡問題。
2、心肌梗死的診斷依賴于心電圖和生化標志物心肌肌鈣蛋白i雙方面的證據。目前,常用的早期診斷方法包括心電圖、心肌標志物和心臟影像學,它們可以快速、準確地判斷心肌梗死的存在與否,以及心肌梗死的類型、范圍和嚴重程度。然而,心肌梗死的臨床表現和心電圖變化并不一致,而且隨著病程的進展而發生變化。這就增加了診斷的難度,尤其是對于那些無癥狀或有非典型癥狀的患者,容易出現漏診或誤診的情況。尋找敏感、特異、穩定的心肌梗死早期診斷的方法,是當前心肌梗死研究的熱點和難點。心肌肌鈣蛋白i是一種高度特異性的心肌損傷標志物,其在血液中的濃度與心肌細胞壞死的程度呈正相關。然而,心肌肌鈣蛋白i作為一種心肌組織釋放的酶,其釋放和清除機制復雜多變,導致其在血液中存在一個動態的變化過程。這就要求在臨床上對疑似急性心肌梗死患者進行及時、準確和動態的心肌肌鈣蛋白i檢測,以避免錯過最佳的診斷和治療時機。此外,ctni的檢測方法、敏感性、標準化和參考值也存在差異和不確定性,可能影響結果的準確性和可比性。
3、綜上所述,現有技術在心肌梗死的早期診斷方面存在明顯的局限性,包括對于不同癥狀患者的適用性不足以及在肌鈣蛋白i檢測方面的復雜性和不確定性。因此,迫切需要一種新的輔助診斷工具,以解決當前診斷方法的不足之處。
技術實現思路
1、本發明目的在于針對現有技術的缺陷,提供了一種基于心電圖的心肌梗死預測系統,包括數據預處理模塊、信號特征提取預測模塊、模型訓練模塊
2、所述數據預處理模塊對患者原始心電圖進行數據處理;
3、所述信號特征提取預測模塊有效捕捉通道間的依賴關系,在處理心電圖數據時,能更加精細地關注于對預測結果影響較大的特征,通過前饋神經網絡進行特征融合和分析,輸出最終的預測結果;
4、模型訓練模塊采用交叉熵損失函數訓練,以最小化預測結果與實際標簽之間的差異,對輸出結果進行優化訓練,提升對陽性樣本預測的準確性和精度。
5、進一步地,所述數據預處理模塊包括以下步驟:
6、為了準備用于訓練深度學習模型的心電圖數據,利用pdf2svg工具,實現了從pdf格式到svg矢量的轉換,在轉換時,svg文件中的圖像以直線段的方式存儲,同時具有坐標和位置信息,心電圖各導聯的取樣頻率為500hz,即每秒采集500個數據點,12導聯心電圖,各導聯時長2.5秒鐘,共計1250個信號采樣點;而ⅱ導線的時長長達10秒鐘,共計5000個信號點;
7、將數字信號存儲為json格式的數據文件并把完整的12導聯ecg數據作為模型的輸入,將12導聯心電圖數據轉換成圖像形式進行輸入,以便模型進行處理,對心電圖波形信息進行了重新排列,按照心房心室對應的導聯對其進行了如下重新排列:分別為ii、iii、avf、i、avl、v6、avr、v1、v2、v3、v4和v5。
8、進一步地,所述信號特征提取預測模塊包括以下步驟:
9、受到efficientnet網絡的啟發,將其理念應用于e-tni模型的設計中,使得e-tni模型能夠結合卷積神經網絡和注意力機制,以實現更高效的特征提取和更精確的預測。efficientnet論文中提出了mbconv卷積層,但該層中使用的senet會在降維過程中影響通道注意力機制的效果,并且在所有通道之間建立依賴關系是低效且多余的。因此,本發明使用了eca注意力機制模塊,它在全局平均池化層后直接應用了1x1卷積層,省去了全連接層。該模塊不僅避免了維度縮減,還能有效地捕獲跨通道的交互,而且ecanet只涉及少量的參數就能達到很好的效果。總的來說,該模型具有自動特征提取的能力,可以更好地學習qrs波形、st段變化等心電圖信號中的重要局部特征。其次,模型采用了eca注意力機制模塊,可以有效地捕獲跨通道的交互,從而改善通道注意力的效果。由于其輕量級特性,e-tni模型適用于資源受限的環境(如邊遠地區、救護車等),提高了其可用性和實用性。此外,模型的深度可擴展性使其能夠處理不同導聯的數據,通過調整層的寬度、深度和分辨率,提高了預測性能。
10、進一步地,所述模型訓練模塊訓練集于構建和訓練模型,驗證集用于選擇最佳的閾值和模型架構,測試集用于評估模型的最終性能。每次訓練結束后,本發明計算每個模型的roc曲線和auc值,并選擇了auc值最高的模型作為最優模型。使用驗證集中的約登指數來確定最佳的閾值。約登指數是一種評價模型的分類能力的指標。本發明在roc曲線上找到了約登指數最大的點,對應的閾值即為本研究最佳的閾值。最后,使用最優模型和最佳閾值對測試集進行預測,并評估模型的最終性能。繪制精確度復現曲線和校準曲線來展示模型的預測穩定性和可靠性。還計算了診斷性能指標,包括靈敏度、特異性、陰性和陽性預測值、f1評分
11、adam優化器和二元交叉熵損失作為模型的損失函數。鑒于數據集中存在嚴重的類別不平衡問題,本發明使用了加權的損失函數,根據每個類別的相對比例賦予不同的權重,以增強模型對少數類別的學習能力。對于心肌肌鈣蛋白數據集,本發明設置了批量大小為256;對于高敏心肌肌鈣蛋白數據集,批量大小為128。學習率都設置為1e-3,并在驗證集損失沒有改善時每5個歷元將學習率降低10倍。本發明通過網格搜索找到了最優的參數組合,并使用了早期停止策略來防止過擬合。早期停止策略的原則是,如果連續10個歷元的損失都沒有下降,就終止訓練,并保留最佳的網絡權重。整個訓練過程在一個nvidia?geforcegtx?4090圖形處理單元上完成。通過這一技術方案的實施,可以成功地解決了心肌梗死的輔助診斷問題,提高了診斷的準確性和效率,為臨床醫生提供了重要的支持。
12、一種存儲軟件的計算機可讀介質,所述軟件包括能通過一個或多個計算機執行的指令,所述指令通過這樣的執行使得所述一個或多個計算機執行操作,所述操作包括上述中基于心電圖的心肌梗死預測系統的流程。
13、一種計算機系統包括:
14、一個或多個處理器;
15、存儲器,存儲可被操作的指令,所述指令在通過所述一個或多個處理器執行時使得所述一個或多個處理器執行操作,所述操作包括上述基于心電圖的心肌梗死預測系統的流程。
16、與現有技術相比,本發明的優點在于:
17、本發明能夠用于心電圖診斷心肌梗死。該算法基于人工智能技術,能夠高效地分析心電圖數據,準確地識別心肌梗死的存在。與傳統的診斷方法相比,本發明不僅能夠檢測常規的肌鈣蛋白i,還引入了高敏肌鈣蛋白i的檢測方法,以適應不同生物標志物檢測的心肌損傷,從而提高了診斷的準確性和可靠性。
18、本發明不僅僅解決了傳統心電圖診斷中存在的診斷難題,還帶來了諸多優勢。首先,它避免了傳統心肌梗死診斷中需要進行的有創操作,如抽血,從而降低了檢測的不適和風險。其次,該算法可大大降低了診斷成本,擴大診斷的范圍,使得心肌梗死的診斷服務更加便捷和普及。此外,這一算法在醫療實踐中具有廣泛的適用性,不僅可以應用于急診、門診等醫療場合,還可以覆蓋農村、偏遠地區和缺乏專家的地方,為更多的患者提供及時準確的診斷服務。未來,該算法還可嵌入到可穿戴設備中,使其能夠實時監測心臟健康狀況,為患者提供個性化的診療服務。總的來說,本發明為心肌梗死的早期診斷帶來了革命性的改進,將極大地提高診斷的準確性和效率,促進了醫療領域的發展和創新。