CN117982114A - 基于心肌缺血特征参数提取的心脏数据监测方法 - Google Patents
基于心肌缺血特征参数提取的心脏数据监测方法 Download PDFInfo
- Publication number
- CN117982114A CN117982114A CN202410173891.4A CN202410173891A CN117982114A CN 117982114 A CN117982114 A CN 117982114A CN 202410173891 A CN202410173891 A CN 202410173891A CN 117982114 A CN117982114 A CN 117982114A
- Authority
- CN
- China
- Prior art keywords
- myocardial
- abnormal
- data
- heart
- assignment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000031225 myocardial ischemia Diseases 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 230000000747 cardiac effect Effects 0.000 title claims description 21
- 230000002107 myocardial effect Effects 0.000 claims abstract description 155
- 230000002159 abnormal effect Effects 0.000 claims abstract description 114
- 230000007246 mechanism Effects 0.000 claims abstract description 46
- 230000004044 response Effects 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 210000005003 heart tissue Anatomy 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000013334 tissue model Methods 0.000 claims abstract description 24
- 210000004165 myocardium Anatomy 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000001991 pathophysiological effect Effects 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 239000003550 marker Substances 0.000 claims description 8
- 230000003680 myocardial damage Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 208000037891 myocardial injury Diseases 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000001746 atrial effect Effects 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 230000002861 ventricular Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 10
- 201000010099 disease Diseases 0.000 abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 230000001575 pathological effect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002586 coronary angiography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102400001263 NT-proBNP Human genes 0.000 description 1
- 101100537532 Rattus norvegicus Tnni3 gene Proteins 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 108010008064 pro-brain natriuretic peptide (1-76) Proteins 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及心脏检测技术领域，具体提供了一种基于心肌缺血特征参数提取的心脏数据监测方法，包括：获取患者在心肌缺血状态下的生理数据和生化数据，进行异常心肌特征识别；搭建心脏组织模型，并配置不同心肌区域的异常评估赋值和区域赋值的响应机制；将采集的异常心肌特征导入心脏组织模型，并获取对应的响应值；根据响应值，将对应异常心肌参数输入梯度提升机器分类器，确定心脏监测风险数据。本发明有益效果为：本申请能及时发现并处理潜在的心肌缺血状况，提高治疗的成功率。帮助患者预测心脏可能发展的疾病，辅助患者提前预防或者提前处理心肌缺血的风险，防止发展为疾病。更加准确的分析每个心肌区域的风险状态，为医生提供诊疗数据。
Description
技术领域
本发明涉及智慧医疗技术领域，特别涉及一种基于心肌缺血特征参数提取的心脏数据监测方法。
背景技术
目前，在心脏监测方面，是通过心电图、动态心电图、运动负荷试验、冠状动脉CT、冠状动脉造影、心肌核素扫描、超声心电图或者心肌损伤标志物检查等方式，进行心脏监测；
通常在心脏出现病理现象的时候，也会出现心肌缺血，心肌缺血是指心肌组织由于血流供应不足而导致的氧气和营养物质缺乏。这种状况与心脏功能紧密相关，因为心脏的正常工作依赖于心肌细胞能够获得足够的氧气和营养。
因此，通过心肌缺血特征，可以对心脏的健康状况进行监测判定，在现有技术中202310032546.4心脏检测评估方法、***、存储介质及装置中提出了：“配合心电高频成份分析，因心电高频成份可到微伏级，可以及时反映心脏状态，检测敏感度高且准确性高，能够准确地提示出心肌缺血的风险以及心脏心衰的问题。”
但是这种方式反应心脏状态只能是心肌缺血的状态和心脏心衰的问题，无法通过心肌缺血的特征，预测心脏可能演化为什么疾病，风险等级等等。
发明内容
本发明提供一种基于心肌缺血特征参数提取的心脏数据监测方法，用以解决现有技术无法通过心肌缺血的特征，预测心脏可能演化为什么疾病，风险等级的情况。
本发明提出了一种基于心肌缺血特征参数提取的心脏数据监测方法，包括：
获取患者在心肌缺血状态下的生理数据和生化数据，进行异常心肌特征识别；
搭建心脏组织模型，并配置不同心肌区域的异常评估赋值和区域赋值的响应机制；
将采集的异常心肌特征导入心脏组织模型，并获取对应的响应值；
根据响应值，将对应异常心肌参数输入梯度提升机器分类器，确定心脏监测风险数据。
优选的，所述生理数据通过心肌缺血状态下的心电图采集；其中，
心电图采集通过植入式心电事件记录器进行数据记录，植入式心电事件记录器配置有心肌缺血的第一检测触发机制和第二检测触发机制；其中，
第一检测触发机制用于设置时间分段机制，并将佩戴初始时间段的心电信号作为基准心电信号，当实时心电信号与基准心电信号的偏差超过预设偏差值，且实时心电信号超过预设的阈值区间，并生成第一报警信号；
第二检测触发机制用于判断在实时心电信号与基准心电信号的偏差没有超过预设偏差值的情况下，是否出现心肌缺血的特征心电信号，并进行心电信号记录。
优选的，所述生化数据通过心肌缺血状态下的心肌损伤标志物检测确定；其中，
心肌损伤标志物检测时间段与生理数据中异常心电数据的采集时间段相对应。
优选的，所述异常心肌特征识别包括：
判断生理数据对应的心脏区域，生成数据组；
判断生理数据和生化数据在心脏区域的产生时间，对每个数据组进行顺序排序；
基于顺序排序，确定不同心脏区域的心肌演化数据；
将心肌演化数据输入训练好的心肌异常识别网络，确定异常心肌特征。
优选的，所述搭建心脏组织模型包括：
获取患者心脏组织的医学图像，进行三维立体建模，生成心脏三维立体模型；
将心脏三维立体模型进行心肌分割，确定心肌区域；其中，
心肌区域包括：心房肌区域、心室肌区域、心内膜肌区域；
通过心肌区域，将生理数据和生化数据中患者的常规数据模拟载入，生成基于动态仿真的心脏组织模型。
优选的，所述响应机制包括异常心肌特征响应机制和异常区域响应机制；其中，
异常区域响应机制用于根据异常心肌特征位置，生成第一响应参数，
异常心肌特征响应机制用于根据异常心肌特征对应的心肌状态风险程度和第一响应参数，生成第二响应参数。
优选的，所述异常评估赋值包括：
预先构建心肌异常特征数据库，并定义每一个异常心肌特征的赋值规则和函数表达式；
构建每个异常心肌特征、赋值规则以及函数表达式的映射关系；
根据映射关系，配置基于异常心肌特征的触发机制，并在触发后确定对应的实时函数值，将实时函数值作为当前时刻的异常检测值；
根据异常检测值的对应心肌位置和异常检测值在赋值规则下的赋值方式，确定异常评估赋值；其中，
赋值方式包括解包赋值和链式赋值。
优选的，所述区域赋值包括：
根据心脏组织模型，进行心肌区域划分；
设定每个心肌区域对应心脏风险的初始关联值；
根据初始关联值，搭建不同心肌区域对于心脏风险的评估矩阵；
根据评估矩阵，确定在不同生理数据和生化数据下的心肌区域赋值。
优选的，所述梯度提升机器分类器包括一个基学习器和多个弱分类器；其中，
弱分类器用于对异常心肌参数进行分类加权；
基学习器用于对分类加权后的异常心肌参数进行风险融合评估。
优选的，所述分类加权的步骤包括：
根据异常心肌参数，进行心肌区域划分，并构建基于心肌异常的病理生理学模型；其中，
病理生理学模型的每个心肌区域各设置一个异常心肌加权函数；
基于病理生理学模型，构建异常心肌加权函数的权值估计模型；
基于权值估计模型，利用傅里叶变换对权值进行加权估计，确定分类加权结果。
本发明的有益效果在于：
本申请可以帮助医生发现一些肉眼不可见的细微心电异常，并处理潜在的心肌缺血状况，从而提高治疗的成功率和生存率。
本申请可以在可以根据病理信息，预测心脏可能转化的疾病，辅助患者提前预防或者提前处理心肌缺血的风险，防止发展为具体的病理性疾病。
本申请相对于医生的经验分析和传统基于目标识别的识别方式，能够精确和准确的分析每个心肌区域的风险状态，为医生提供诊疗数据，对心脏不同区域的风险以梯度的方式进行梯度划分，梯度输出，从细微的不同区域，进行整体的心脏是否存在病理风险的全局认定。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于心肌缺血特征参数提取的心脏数据监测方法的方法流程图；
图2为本发明实施例中异常心肌特征的识别步骤流程图；
图3为本发明实施例中异常评估赋值的赋值流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
具体的，本发明提出了一种基于心肌缺血特征参数提取的心脏数据监测方法，包括：
获取患者在心肌缺血状态下的生理数据和生化数据，进行异常心肌特征识别；
搭建心脏组织模型，并配置不同心肌区域的异常评估赋值和区域赋值的响应机制；
将采集的异常心肌特征导入心脏组织模型，并获取对应的响应值；
根据响应值，将对应异常心肌参数输入梯度提升机器分类器，确定心脏监测风险数据。
上述技术方案的原理在于：
如附图1所示，本申请是一种通过心肌缺血的检测结果，推算出患者心脏状态，从而判断心脏可能存在发展为疾病的种类和风险程度的随机数方案。
传统的心脏数据监测，主要是通过心电图、超声心动图、核应力试验、冠状动脉造影和心脏电脑断层扫描，等方式进行检测，但是传统的检测方式，心电图和超声心电图的解读可能需要依靠医生自身的经验和技术，其它两种方式存在对患者自身的一些创伤，例如辐射暴露和创伤性检测。本申请是一种，结合将心电数据和生化数据结合，以此来提高智能化检测精度的同时，还能够规避心电检测本身的潜在设备技术经验。
在具体实施时，首先需要在患者心肌缺血的状态下，采集患者心肌区域的数据，这些数据可以包括心电图、血压、血氧饱和度等指标。在收集到这些数据后，使用一些算法如支持向量机(SVM)、随机森林(RF)等技术，进行心肌区域的病理演化，以此来对患者的异常心肌特征进行识别。
然后通过建立一个心脏组织模型，模拟真实心脏的结构和组织特性，用于预测不同情况下的心脏反应。定义每个心肌区域的异常评估赋值和区域赋值的响应机制。
然后，通过将将收集到的异常心肌特征导入到心脏组织模型中，然后获取模型的相应响应值。根据响应值(响应值代表了心肌区域的风险程度和病理风险特征)在梯度提升机器分类器(如XGBoost、LightGBM等)来进行训练，以确定心脏监测的风险数据。
上述技术方案的有益效果在于：
本申请可以帮助医生发现一些肉眼不可见的细微心电异常，并处理潜在的心肌缺血状况，从而提高治疗的成功率和生存率。
本申请可以在可以根据病理信息，预测心脏可能转化的疾病，辅助患者提前预防或者提前处理心肌缺血的风险，防止发展为具体的病理性疾病。
本申请相对于医生的经验分析和传统基于目标识别的识别方式，能够精确和准确的分析每个心肌区域的风险状态，为医生提供诊疗数据，对心脏不同区域的风险以梯度的方式进行梯度划分，梯度输出，从细微的不同区域，进行整体的心脏是否存在病理风险的全局认定。
具体的，所述生理数据通过心肌缺血状态下的心电图采集；其中，
心电图采集通过植入式心电事件记录器进行数据记录，植入式心电事件记录器配置有心肌缺血的第一检测触发机制和第二检测触发机制；其中，
第一检测触发机制用于设置时间分段机制，并将佩戴初始时间段的心电信号作为基准心电信号，当实时心电信号与基准心电信号的偏差超过预设偏差值，且实时心电信号超过预设的阈值区间，并生成第一报警信号；
第二检测触发机制用于判断在实时心电信号与基准心电信号的偏差没有超过预设偏差值的情况下，是否出现心肌缺血的特征心电信号，并进行心电信号记录。
上述技术方案的原理在于：
本申请通过心电图采集患者的生理数据，在实际实施的时候，时间分段机制用于对患者心肌进行分时段评估，将心脏活动过程划分为多个时间段，每个时间段的长度可以根据实际需要进行设定；对于每个时间段，确定一个预设的阈值偏差，用于判断在该时间段内是否有心肌缺血发生。如果实时的电流信号与最近一段时间内的平均电流信号之差的绝对值大于预设的阈值偏差，认为该时间段内有心肌缺血发生，则认为该时间段内没有心肌缺血发生；如果在任何时间段内，实时的电流信号与最近一段时间内的平均电流信号之差的绝对值大于预设的阈值偏差，则生成第一报警信号；根据第一检测触发机制生成的报警信号，确定一个当前的时间点，并在这个时间点之后的一段时间内进行检测，在这段时间内,使用适当的算法对实时电流信号进行分析,并提取出其中的特征心电信号，根据提取出的特征心电信号，判断是否出现了心肌缺血的特征心电信号，如果是，则进行心电信号的记录。
上述技术方案的有益效果在于：
本申请可以保证第一检测触发机制进行心脏检测过程中的报警，通过第二检测触发机制，可以确定心肌缺血具体心肌缺血特征的报警记录，从而存在双重的识别保险能力，另外，本申请只能通过植入式心电事件记录器实施，相对于传统的技术方案，检测结果更加准确的情况下，传统的ICM记录的数据需要由专业医生解读，本申请可以结合心脏组织模型和梯度提升分类器进行自动解读，结果更加清晰，为医生提供更加精确的意见和结果。
具体的，所述生化数据通过心肌缺血状态下的心肌损伤标志物检测确定；其中，
心肌损伤标志物检测时间段与生理数据中异常心电数据的采集时间段相对应。
上述技术方案的原理在于：
本申请在生化数据的采集过程中，主要是基于心肌损伤标志物检测，这些心肌损伤标志物包括但不限于CK-MB、cTnI、NT-proBNP等；并且心肌损伤的标志物时和异常心电数据是相互对应的，从而能够更加准确的判断采集生化数据。
上述技术方案的有益效果在于：
本申请心肌损伤标志物的检测，在检测过程中，因为还存在植入式心电事件记录器，所以可以进行同步时间的信号此埃及，通过两种不同的数据，相互对应，不仅能心肌缺血检测，还能实现两者的互相对照。
具体的，所述异常心肌特征识别包括：
判断生理数据对应的心脏区域，生成数据组；
判断生理数据和生化数据在心脏区域的产生时间，对每个数据组进行顺序排序；
基于顺序排序，确定不同心脏区域的心肌演化数据；
将心肌演化数据输入训练好的心肌异常识别网络，确定异常心肌特征。
上述技术方案的原理在于：
如附图2所示，本申请为了对异常心肌特征进行识别，首先判断所涉及的心脏区域，生成相应的数据组，可以进行数据定位，同时能够将关联数据进行集合；然后对数据组进行顺序排序，可以根据数据采集时间的先后顺序来排列数据组，从而能够进行心肌数据的顺序演化，判断在这个演化的过程中，是否出现了心肌异常，精确的判断心肌出现的异常状况。
上述技术方案的有益效果在于：
本申请在进行异常心肌特征识别的过程中，会将心电信号按照时间顺序进行排序，并且在排序完成后，将序列化的心肌演化数据输入心肌异常的识别网络，进行心肌异常特征的识别。
具体的，所述搭建心脏组织模型包括：
获取患者心脏组织的医学图像，进行三维立体建模，生成心脏三维立体模型；
将心脏三维立体模型进行心肌分割，确定心肌区域；其中，
心肌区域包括：心房肌区域、心室肌区域、心内膜肌区域；
通过心肌区域，将生理数据和生化数据中患者的常规数据模拟载入，生成基于动态仿真的心脏组织模型。
上述技术方案的原理在于：
本申请在进行患者心脏组织模型的搭建过程中，首先获取患者心脏组织的医学图像：医生可以通过心脏电图、核素显像、磁共振等检查手段获取到患者的心脏组织的医学图像，为三维立体建模提供患者心脏的尺寸比例等参数基础，然后进行心肌分割，对应生化数据和生理数据的区分，搭建的心脏组织模型可以更准确地载入患者生理数据中的心肌数据。
上述技术方案的有益效果在于：
本申请在患者的心脏组织模型搭建的时候，也是基于传统的三维立体建模的方式进行心脏组织模型的搭建，但是，在这个心脏组织的搭建过程中，本申请进行了心肌区域的划分，划分后还通过模拟载入的方式进行数据载入，实现动态仿真。心脏三维建模是一种很常规的建模方式，但是传统的三维建模是整体建模，本申请是基于心肌区域的分割建模，三个区域如果通过一个端口载入数据，进行仿真，容易出现数据的交叉，因为三个区域的数据关联性极高，而本申请通过分割的方式，进行不同区域的独立数据载入，在不会出现数据交叉的同时，还能基于三个区域的自动关联，实现动态仿真。
具体的，所述响应机制包括异常心肌特征响应机制和异常区域响应机制；其中，
异常区域响应机制用于根据异常心肌特征位置，生成第一响应参数，
异常心肌特征响应机制用于根据异常心肌特征对应的心肌状态风险程度和第一响应参数，生成第二响应参数。
上述技术方案的原理在于：
本申请进行异常心肌特征响应机制时为了在生理数据产生的时候，快速的判断是否存在对应的异常心肌特征，从而确定其位置；而异常区域响应机制是异常心肌特征的关联响应机制，之后异常区域确定之后，才能动态的对异常心肌特征进行第一次响应输出对应区域的风险值，然后通过异常特征自身的风险程度进行第二次响应风险值的计算，直接反映出每个心肌特征对患者心脏造成的风险。
具体的，所述异常评估赋值包括：
预先构建心肌异常特征数据库，并定义每一个异常心肌特征的赋值规则和函数表达式；
构建每个异常心肌特征、赋值规则以及函数表达式的映射关系；
根据映射关系，配置基于异常心肌特征的触发机制，并在触发后确定对应的实时函数值，将实时函数值作为当前时刻的异常检测值；
根据异常检测值的对应心肌位置和异常检测值在赋值规则下的赋值方式，确定异常评估赋值；其中，
赋值方式包括解包赋值和链式赋值。
上述技术方案的原理在于：
如附图3所示，在进行心肌异常特征的评估赋上，采用了预先构建的心肌异常特征数据库和定义好的函数表达式，来准确地评估每个异常心肌特征的值。这个数据库和函数表达式是由专业的医疗专家或团队根据大量的心脏病历和研究数据构建的，从而提高心肌异常赋值和判定的准确性和可靠性。将这些信息与映射关系相结合，就可以根据每个异常心肌特征在映射关系上的位置，计算出它在数据库中的实际值。这个计算过程是通过一个具体的函数表达式进行的，这个函数表达式是根据预先构建的数据库和函数表达式得出的。将计算得到的值，即当前时刻的异常检测值，与对应的心肌位置进行了比较，如果超过了预设的阈值，就会发出警报。解包赋值和链式赋值是两种不同的赋值手段，解包赋值用于对同一个异常心肌特征的不同风险程度进行分别赋值，即相同的一个心肌异常特征出现的时间不同和严重程度不同，赋值不同；链式赋值是在存在异常心肌特征的程度不同，但是风险程度相同时，进行相同赋值。
具体的，所述区域赋值包括：
根据心脏组织模型，进行心肌区域划分；
设定每个心肌区域对应心脏风险的初始关联值；
根据初始关联值，搭建不同心肌区域对于心脏风险的评估矩阵；
根据评估矩阵，确定在不同生理数据和生化数据下的心肌区域赋值。
上述技术方案的原理在于：
在进行区域赋值上，首先利用心脏组织模型，对心肌区域进行精细划分，这样可以更准确地捕捉到心肌组织的微小结构变化。评估矩阵是一个高度可扩展的数据结构，能够同时存储多个不同的心肌区域和对应的心脏风险值。在这个矩阵中，每种生理数据和生化数据都会对应一个特定的子集，而这个子集中的所有数据都可以用来更新每个心肌区域的风险值。基于区域内的所有数据的平均值和标准差进行的，它可以很好地反映出区域内的整体心脏健康水平。同时可以不断更新评估结果。
上述技术方案的有益效果在于：
区域赋值可以保证局部心肌风险的直接输出，也可以通过评估矩阵，对心脏整体健康水平的不断迭代。
具体的，所述梯度提升机器分类器包括一个基学习器和多个弱分类器；其中，
弱分类器用于对异常心肌参数进行分类加权；
基学习器用于对分类加权后的异常心肌参数进行风险融合评估。
上述技术方案的原理在于：
在本申请中，弱分类器的作用是对异常心肌参数进行分类加权，不仅可以识别出明显的异常模式，还可以检测出一些微小的、不典型的异常模式。这些弱分类器具有很高的灵敏度和特异性，可以在大量的训练样本中发现一些隐藏的模式和趋势。基学习器的作用则是将对各个弱分类器的输出进行融合，得到最终的分类结果。基学习器通常采用梯度提升树(Gradient Boosting)等算法来实现风险融合，这些算法可以在保留弱分类器的同时，减少模型对噪声的敏感性，提高模型的稳定性和泛化能力。
上述技术方案的有益效果在于：
本申请通过两种分类器的不同特性，结果互相关联，不仅仅能够检测出一些微小的、不典型的异常模式，还能够保留弱分类器的同时，减少模型对噪声的敏感性，提高模型的稳定性和泛化能力。
具体的，所述分类加权的步骤包括：
根据异常心肌参数，进行心肌区域划分，并构建基于心肌异常的病理生理学模型；其中，
病理生理学模型的每个心肌区域各设置一个异常心肌加权函数；
基于病理生理学模型，构建异常心肌加权函数的权值估计模型；
基于权值估计模型，利用傅里叶变换对权值进行加权估计，确定分类加权结果。
上述技术方案的原理在于：
通过构建一个基于心肌异常的病理生理学模型。在这个模型中，每个心肌区域都设置一个异常心肌加权函数，这个加权函数可以是线性的，也可以是非线性的，取决于具体的模型需求。
接下来，基于病理生理学模型，构建一个异常心肌加权函数的权值估计模型。这个过程通常涉及到复杂的数学计算和优化算法，以确保所得出的权值估计模型是最优的。
最后，利用傅里叶变换对权值进行加权估计，以确定最终的分类加权结果。傅里叶变换是一种强大的信号处理工具，它可以将原始的心电信号转换为频域信号，然后对不同频率的成分进行加权处理，以达到更好的分类效果。
上述技术方案的有益效果在于：
本申请的分类加权方式，可以保证准确识别病理状态的同时，还能实现不同病理的分类，实现病理区分。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，包括：
获取患者在心肌缺血状态下的生理数据和生化数据，进行异常心肌特征识别；
搭建心脏组织模型，并配置不同心肌区域的异常评估赋值和区域赋值的响应机制；
将采集的异常心肌特征导入心脏组织模型，并获取对应的响应值；
根据响应值，将对应异常心肌参数输入梯度提升机器分类器，确定心脏监测风险数据。
2.如权利要求1所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述生理数据通过心肌缺血状态下的心电图采集；其中，
心电图采集通过植入式心电事件记录器进行数据记录，植入式心电事件记录器配置有心肌缺血的第一检测触发机制和第二检测触发机制；其中，
第一检测触发机制用于设置时间分段机制，并将佩戴初始时间段的心电信号作为基准心电信号，当实时心电信号与基准心电信号的偏差超过预设偏差值，且实时心电信号超过预设的阈值区间，并生成第一报警信号；
第二检测触发机制用于判断在实时心电信号与基准心电信号的偏差没有超过预设偏差值的情况下，是否出现心肌缺血的特征心电信号，并进行心电信号记录。
3.如权利要求1所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述生化数据通过心肌缺血状态下的心肌损伤标志物检测确定；其中，
心肌损伤标志物检测时间段与生理数据中异常心电数据的采集时间段相对应。
4.如权利要求1所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述异常心肌特征识别包括：
判断生理数据对应的心脏区域，生成数据组；
判断生理数据和生化数据在心脏区域的产生时间，对每个数据组进行顺序排序；
基于顺序排序，确定不同心脏区域的心肌演化数据；
将心肌演化数据输入训练好的心肌异常识别网络，确定异常心肌特征。
5.如权利要求1所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述搭建心脏组织模型包括：
获取患者心脏组织的医学图像，进行三维立体建模，生成心脏三维立体模型；
将心脏三维立体模型进行心肌分割，确定心肌区域；其中，
心肌区域包括：心房肌区域、心室肌区域、心内膜肌区域；
通过心肌区域，将生理数据和生化数据中患者的常规数据模拟载入，生成基于动态仿真的心脏组织模型。
6.如权利要求1所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述响应机制包括异常心肌特征响应机制和异常区域响应机制；其中，
异常区域响应机制用于根据异常心肌特征位置，生成第一响应参数，
异常心肌特征响应机制用于根据异常心肌特征对应的心肌状态风险程度和第一响应参数，生成第二响应参数。
7.如权利要求1所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述异常评估赋值包括：
预先构建心肌异常特征数据库，并定义每一个异常心肌特征的赋值规则和函数表达式；
构建每个异常心肌特征、赋值规则以及函数表达式的映射关系；
根据映射关系，配置基于异常心肌特征的触发机制，并在触发后确定对应的实时函数值，将实时函数值作为当前时刻的异常检测值；
根据异常检测值的对应心肌位置和异常检测值在赋值规则下的赋值方式，确定异常评估赋值；其中，
赋值方式包括解包赋值和链式赋值。
8.如权利要求1所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述区域赋值包括：
根据心脏组织模型，进行心肌区域划分；
设定每个心肌区域对应心脏风险的初始关联值；
根据初始关联值，搭建不同心肌区域对于心脏风险的评估矩阵；
根据评估矩阵，确定在不同生理数据和生化数据下的心肌区域赋值。
9.如权利要求1所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述梯度提升机器分类器包括一个基学习器和多个弱分类器；其中，
弱分类器用于对异常心肌参数进行分类加权；
基学习器用于对分类加权后的异常心肌参数进行风险融合评估。
10.如权利要求9所述的一种基于心肌缺血特征参数提取的心脏数据监测方法，其特征在于，所述分类加权的步骤包括：
根据异常心肌参数，进行心肌区域划分，并构建基于心肌异常的病理生理学模型；其中，
病理生理学模型的每个心肌区域各设置一个异常心肌加权函数；
基于病理生理学模型，构建异常心肌加权函数的权值估计模型；
基于权值估计模型，利用傅里叶变换对权值进行加权估计，确定分类加权结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410173891.4A CN117982114A (zh) | 2024-02-07 | 2024-02-07 | 基于心肌缺血特征参数提取的心脏数据监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410173891.4A CN117982114A (zh) | 2024-02-07 | 2024-02-07 | 基于心肌缺血特征参数提取的心脏数据监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117982114A true CN117982114A (zh) | 2024-05-07 |
Family
ID=90888385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410173891.4A Pending CN117982114A (zh) | 2024-02-07 | 2024-02-07 | 基于心肌缺血特征参数提取的心脏数据监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117982114A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118177830A (zh) * | 2024-05-15 | 2024-06-14 | 济南宝林信息技术有限公司 | 基于人工智能的心脏功能实时监听数据优化处理方法 |
-
2024
- 2024-02-07 CN CN202410173891.4A patent/CN117982114A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118177830A (zh) * | 2024-05-15 | 2024-06-14 | 济南宝林信息技术有限公司 | 基于人工智能的心脏功能实时监听数据优化处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
| US10149625B2 (en) | Patient signal analysis based on vector analysis | |
| CN103800011B (zh) | 一种基于功能磁共振成像的脑区效应连接分析*** | |
| CN111133526A (zh) | 发掘可用于机器学习技术中的新颖特征，例如用于诊断医疗状况的机器学习技术 | |
| Hosseini et al. | A multi-stage neural network classifier for ECG events | |
| CA3069833A1 (en) | Discovering genomes to use in machine learning techniques | |
| CN117982114A (zh) | 基于心肌缺血特征参数提取的心脏数据监测方法 | |
| KR20220077583A (ko) | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 | |
| Laudicella et al. | Artificial neural networks in cardiovascular diseases and its potential for clinical application in molecular imaging | |
| Oliver et al. | Accurate prediction of heart disease based on bio system using regressive learning based neural network classifier | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其*** | |
| Nasimov et al. | Algorithm of automatic differentiation of myocardial infarction from cardiomyopathy based on electrocardiogram | |
| Kumar et al. | Cardiovascular disease prognosis and severity analysis using hybrid heuristic methods | |
| Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
| Nasimov et al. | Deep learning algorithm for classifying dilated cardiomyopathy and hypertrophic cardiomyopathy in transport workers | |
| CN111329467A (zh) | 一种基于人工智能的心脏疾病辅助检测方法 | |
| Aranda et al. | Performance of Dower's inverse transform and Frank lead system for Identification of Myocardial Infarction | |
| US20210298625A1 (en) | System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms | |
| Gillette et al. | Medalcare-xl: 16,900 healthy and pathological 12 lead ecgs obtained through electrophysiological simulations | |
| CN117017310A (zh) | 基于知识蒸馏的声电双模先天性心脏病预测装置 | |
| Zhu et al. | [Retracted] Artificial Intelligence‐Based Echocardiographic Left Atrial Volume Measurement with Pulmonary Vein Comparison | |
| Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
| Kanna et al. | A multi-branch multi-scale convolutional neural network using automatic detection of fetal arrhythmia | |
| Vizza et al. | On the analysis of biomedical signals for disease classification | |
| Sushma et al. | AI Medical Diagnosis Application |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |