多维度融合的心肌缺血辅助诊断模型及其构建方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115985505A(43)申请公布日2023.04.18(21)申请号202310061226.1(22)申请日2023.01.19(71)申请人北京未磁科技有限公司地址100744北京市海淀区建材城中路27号8幢一层138号(72)发明人蔡宾(74)专利代理机构北京远大卓悦知识产权代理有限公司11369专利代理师卢富华(51)Int.Cl.G16H50/50(2018.01)G16H50/20(2018.01)权利要求书1页说明书5页附图2页(54)发明名称多维度融合的心肌缺血辅助诊断模型及其构建方法(57)摘要本发明公开了多维度融合的心肌缺血辅助诊断模型构建方法，包括：采集病人的基本信息、心磁信号和诊断信息；提取心磁信号的信号特征，并将心磁信号作为输入，诊断信息作为输出，对信号分类网络模型进行训练，得到训练好的信号分类网络模型；将心磁信号进行空间重建，得到心磁视频；提取心磁视频的视频特征，并将心磁视频作为输入，诊断信息作为输出，对视频分类网络模型进行训练，得到训练好的视频分类网络模型；将基本信息、信号特征、训练好的信号分类网络模型、视频特征和训练好的视频分类网络模型融合，得到心肌缺血辅助诊断模型。本发明构建的诊断模型，对比单一维度数据模型，大大提升了检测效率，提高了模型检测准确度。CN115985505ACN115985505A权利要求书1/1页1.多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，包括：采集病人的基本信息、心磁信号和诊断信息；提取所述心磁信号的信号特征，并将所述心磁信号作为输入，所述诊断信息作为输出，对信号分类网络模型进行训练，得到训练好的信号分类网络模型；将所述心磁信号进行空间重建，得到心磁视频；提取所述心磁视频的视频特征，并将所述心磁视频作为输入，所述诊断信息作为输出，对视频分类网络模型进行训练，得到训练好的视频分类网络模型；将所述基本信息、信号特征、训练好的信号分类网络模型、视频特征和训练好的视频分类网络模型进行融合，得到所述心肌缺血辅助诊断模型。2.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，还包括：对采集到的所述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。3.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，所述信号特征包括时域特征、频域特征、信息特征。4.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，所述信号分类网络模型为基于Transformer的时序网络模型以及基于Resnet的CNN1D空间网络模型。5.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，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。6.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，所述视频分类网络模型为基于TimeSformer的无卷积时序视频分类网络模型以及基于Resnet3D改良的三维卷积神经网络模型。7.如权利要求6所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，将所述心磁视频输入所述基于Resnet3D改良的三维卷积神经网络模型前，还包括：采用公式1对所述心磁视频中的红色通道和蓝色通道赋值，进行特征增强以及降维处理，得到三维矩阵A；，再采用公式2对特征增强及降维后得到的三维矩阵A进行归一化处理，得到归一化处理后的三维矩阵B；将所述三维矩阵B作为所述基于Resnet3D改良的三维卷积神经网络模型的输入，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。8.如权利要求1所述的多维度融合的心肌缺血辅助诊断模型构建方法，其特征在于，采用岭回归或树模型的机器学习方法对所述基本信息、信号特征、训练好的信号分类网络模型、视频特征和训练好的视频分类网络模型进行融合，得到所述心肌缺血辅助诊断模型。9.多维度融合的心肌缺血辅助诊断模型，其特征在于，其由如权利要求1‑8任一所述的构建方法构建得到。2CN115985505A说明书1/5页多维度融合的心肌缺血辅助诊断模型及其构建方法技术领域[0001]本发明涉及心磁图数据分析领域。更具体地说，本发明涉及一种多维度融合的心肌缺血辅助诊断模型及其构建方法。背景技术[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，心磁图中包含很多传统心电图无法体现的电生理信息，呈现出更好的灵敏度和早期诊断能力，在冠心病、心肌缺血等方面具有良好的应用潜力。[