基于确定学理论的心肌缺血辅助检测方法

摘要

本发明公开了一种基于确定学理论的心肌缺血辅助检测方法，该方法包括如下步骤：数据预处理，获取心电图ST-T环数据；采用确定学算法对ST-T环的内在系统动态进行局部准确建模，将所建模的系统动态进行三维可视化显示得到CDVG；根据CDVG形态并结合高危因素与临床信息进行分析，得到辅助检测结果。该方法的技术要点是基于确定学算法的CDVG的获得与分析。本发明方法适用于心电图尚未发生明显改变时的心肌缺血检测，可有效提示心血管疾病的发生，还可用于心血管疾病治疗效果的评估，具有检测过程简单、经济、无创，减轻了患者负担等优点。

主权项

一种基于确定学习理论的心肌缺血辅助检测方法，其特征在于，包含如下步骤：(1)ST‑T环数据获取：对12导联心电图ECG数值数据进行预处理之后，通过变换法则将ECG数据转换为三维的VCG数据，再截取三维数据中的ST‑T段，从而获取VCG的ST‑T环，并在空间中进行归一化处理；(2)建模并显示CDVG：采用确定学习算法对ST‑T环的内在系统动态进行局部准确RBF神经网络建模，将所建模的系统动态进行三维可视化显示得到CDVG；(3)检测分析：根据CDVG形态，并结合年龄、病史和血压这些高危因素与临床症状信息进行分析，得到辅助检测结果；所述步骤(2)中所述的对ST‑T环的内在系统动态进行局部准确建模是指对VCG的ST‑T环的内在系统动态利用确定学习算法进行局部准确RBF神经网络逼近；由于：(i)心脏系统可以被建模为复杂的高维连续非线性动力学系统，并可进一步被一个三维非线性动力学系统近似表达，其中：V(t)＝[v_x(t),v_y(t),v_z(t)]^T∈R³是系统状态，代表产生的三维VCG信号，F(V(t))＝[f₁(V(t)),f₂(V(t)),f₃(V(t))]^T是未知的非线性函数向量；(ii)当采用计算机进行心电图分析时，该系统可以通过采样变换为近似的离散非线性动力学系统：V(k+1)＝V(k)+T_sF(V(k))，式中，V(k)＝[v_x(k),v_y(k),v_z(k)]^T∈R³是系统状态，代表产生的三维VCG数据，来源于对心脏系统VCG信号的采样，k＝1,…,m为采样时刻，T_s是采样周期，F(V(k))＝[f₁(V(k)),f₂(V(k)),f₃(V(k))]^T表示内在系统动态，当T_s无限小时，此离散非线性系统无限近似原连续非线性系统；因此，采用确定学习理论中的动态RBF神经网络辨识器，实现对VCG的ST‑T环的内在系统动态的局部准确神经网络逼近，即：$\begin{array}{c}{F}_{\mathrm{ST}}={(f_1\left(V\left(k\right)\right),f_2\left(V\left(k\right)\right),f_3\left(V\left(k\right)\right))|}_{V\left(k\right)\in V_{\mathrm{ST}}}\\ \widetilde{=}{({{\bar{W}}_1}^{T}S\left(V\left(k\right)\right),{{\bar{W}}_2}^{T}S\left(V\left(k\right)\right),{{\bar{W}}_3}^{T}S\left(V\left(k\right)\right))|}_{V\left(k\right)\in V_{\mathrm{ST}}}\end{array},$式中，是常值神经网络权值向量，S(V(k))是高斯型径向基函数；所述截取三维数据中的ST‑T段是为了获得VCG数据中的ST‑T环，所截取的ST‑T段的三维数据表述为：$V_{\mathrm{ST}}=V\left(k\right){|}_{k=k_S}^{k=k_{\mathrm{TE}}},$式中，k_S和k_TE分别代表心电图ST‑T段的起始点和结束点。