[发明专利]基于多模态病人信息注意力建模的心肌梗塞分类方法

说明书

本发明涉及信号处理技术领域，具体涉及一种基于多模态病人信息注意力建模的心肌梗塞分类方法。该基于多模态病人信息注意力建模的心肌梗塞分类方法包括以下步骤：S1：读入12导联的心电信号的数据，进行数据预处理；S2：提取心拍数据；S3：病历会诊记录数据预处理，对于病人电子病历会诊记录进行特征学习，提取出与心肌梗塞可能相关的特征；S4：模型搭建；S5：训练模型参数；S6:模型预测，对测试集样本进行自动识别，获得心肌梗塞的二分类结果，提升心肌梗塞的检测效果。

技术领域

本发明涉及信号处理技术领域，具体涉及一种基于多模态病人信息注意力建模的心肌梗塞分类方法。

背景技术

心肌梗塞(MI)，通常称为心脏病发作，会对心肌造成不可逆转的损害，甚至导致死亡。快速而准确的MI诊断对于避免死亡至关重要。血液测试和心电图(ECG)信号用于诊断急性心肌梗塞。但是，要增加血液中的酶含量，必须在发作后经过一定时间。此时间延迟可能会延迟MI诊断。因此，心电图诊断仍然非常重要。

手动心电图解释需要专业知识，并且容易出现观察者之间的差异。因此，计算机辅助诊断可能对自动检测ECG上的MI有用。但是，由于心电信号变化不规律且较为复杂，单一地使用心电图诊断病人心肌梗塞的患病情况往往效果达不到预期临床效果，并且在实际诊断场景中，医生往往还会结合病人其他诸如往期医生会诊记录、病人自述等病历文本信息进行辅助判断，从而尝试提升心肌梗塞判别的准确率。因此，考虑联合病人病历会诊信息与心电图检测功能于一体的智能辅助诊断系统对辅助医生进行更深层次的诊断而言是必不可少的。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种基于多模态病人信息注意力建模的心肌梗塞分类方法，在对病人病情推断时，联合考虑到病人ECG数据及病历文本数据，提升心肌梗塞的检测效果。

本发明为解决其技术问题所采用的技术方案为：基于多模态病人信息注意力建模的心肌梗塞分类方法，包括以下步骤：

S1：读入12导联的心电信号的数据，进行数据预处理；

S2：提取心拍数据：通过小波变换检测R波位置，进而对R波前后数据点进行固定长度截取，从而完成对原始ECG数据提取过程；

S3：病历会诊记录数据预处理，对于病人电子病历会诊记录进行特征学习，提取出与心肌梗塞可能相关的特征；

S4：模型搭建，搭建联结12导联的ECG数据与病历会诊记录数据的多模态注意力神经网络模型，对两种模态数据进行分别提取后，使用注意力机制对两种特征心急梗塞检测的重要性权重进行学习，最终建立端到端联合建模神经网络分类预测模型，其输出为病人患心肌梗塞的预测概率；

S5：训练模型参数，初始化所述多模态注意力神经网络模型的参数，将构建好的数据集拆分为训练集和测试集；利用训练集样本对模型结构参数进行训练，生成所述多模态注意力神经网络模型的最佳参数并保存；

S6:模型预测，对测试集样本进行自动识别，获得心肌梗塞的二分类结果。

所述步骤S1中数据预处理包括采用简单整系数滤波器过滤原始ECG中的工频干扰，采用切比雪夫数字低通滤波器过滤肌电干扰，采用曲线拟合法过滤原始ECG中的基线漂移。

步骤S2中，读取去噪后12导联ECG数据，对每个导联ECG数据利用小波变换来识别R波峰值处，固定向前截取150个样本点，向后截取350个样本点，使得每个导联的心拍统一截取500个ECG样本点，然后对每个导联对应的这500个样本点的ECG特征采用行联拼接，此时原始每个样本的ECG数据可提取成12*500维的心电信号特征，作为多模态注意力神经网络模型的输入数据X₁∈R^12×500，其中12为导联的个数，500为每个心拍上截取的样本点数。

步骤S3中，对电子病历会诊信息进行特征学习包括以下子步骤：