本發(fā)明涉及心電圖轉(zhuǎn)化，具體為一種基于心電向量和人工智能的俯臥位心電圖轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖的方法。

背景技術(shù)：

1、俯臥位通氣是治療急性呼吸窘迫綜合征的一種重要輔助治療手段，應(yīng)用于低氧血癥的患者。對(duì)于具有重癥高風(fēng)險(xiǎn)因素、病情進(jìn)展較快的中型、重型和危重型病例，應(yīng)當(dāng)給予規(guī)范的俯臥位治療，建議每天不少于12小時(shí)。但嚴(yán)重呼吸道病毒感染可導(dǎo)致缺氧和高凝狀態(tài)，通常會(huì)導(dǎo)致心肌損傷，經(jīng)常表現(xiàn)出異常心電圖。因此，對(duì)這些患者持續(xù)的心電圖監(jiān)測(cè)是必不可少的。然而，對(duì)接受俯臥位通氣的患者，其體位改變通常需要多名醫(yī)護(hù)人員輔助，因此對(duì)接受機(jī)械通氣的患者獲取準(zhǔn)確的心電圖是十分困難的。

2、目前，流行的方法包括獲得與胸部前部相對(duì)應(yīng)的前部導(dǎo)聯(lián)心電圖。雖然該方法在檢測(cè)肢體導(dǎo)聯(lián)st-t異常、束支傳導(dǎo)阻滯和心律失常方面有效，但其胸前導(dǎo)聯(lián)與標(biāo)準(zhǔn)心電圖具有顯著差異，不能對(duì)前壁心肌損傷、心肌梗死進(jìn)行正確診斷，從而導(dǎo)致嚴(yán)重威脅患者生命的嚴(yán)重疾病的漏診，使患者容易遺漏治療時(shí)機(jī)，可能導(dǎo)致患者的死亡，這一問(wèn)題已經(jīng)引起了廣泛的關(guān)注。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于心電向量和人工智能的俯臥位心電圖轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖的方法，可以通過(guò)心電向量和人工智能將俯臥位心電圖轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖，解決對(duì)接受機(jī)械通氣的患者獲取準(zhǔn)確的心電圖是十分困難的技術(shù)難題。

2、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：一種基于心電向量和人工智能的俯臥位心電圖轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖的方法，包括以下步驟：

3、步驟s1，建立心電數(shù)據(jù)集；

4、采集參與者的標(biāo)準(zhǔn)心電圖和標(biāo)準(zhǔn)心電向量圖，隨后以相同標(biāo)準(zhǔn)采集參與者取俯臥位休息一定分鐘后的俯臥位心電圖，并采集參與者的人群基本信息，得到心電數(shù)據(jù)集；

5、其中，參與者包含一定數(shù)量的健康志愿者和多例心血管疾病患者，人群基本信息至少包含年齡、性別、身高、體重、胸圍和腰圍信息；

6、步驟s2，建立俯臥位心電圖轉(zhuǎn)化為心電向量圖，再轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖ⅰ的轉(zhuǎn)化模型??；

7、步驟s21，建立俯臥位心電圖和心電向量圖的轉(zhuǎn)化模型??；

8、將俯臥位心電圖的各導(dǎo)聯(lián)的電壓值，聯(lián)合參與者的人群基本信息，構(gòu)成模型輸入?yún)?shù)數(shù)據(jù)集x；

9、將輸入?yún)?shù)數(shù)據(jù)集x輸入多元回歸模型，分別對(duì)心電向量圖的各正交導(dǎo)聯(lián)進(jìn)行描述，得到心電向量圖各正交導(dǎo)聯(lián)的轉(zhuǎn)化公式，即構(gòu)建俯臥位心電圖和心電圖向量圖的轉(zhuǎn)化模型ⅰ，最終由多元訓(xùn)練集數(shù)據(jù)進(jìn)行多元回歸計(jì)算，得到轉(zhuǎn)化后的心電向量圖；

10、步驟s22，將步驟s21中得到的轉(zhuǎn)化后的心電向量圖再轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖??；

11、將轉(zhuǎn)化后的心電向量圖利用dower法對(duì)v3導(dǎo)聯(lián)進(jìn)行轉(zhuǎn)化，再利用uijen法對(duì)v1、v2、v4和v5導(dǎo)聯(lián)進(jìn)行轉(zhuǎn)化，構(gòu)建轉(zhuǎn)化后心電圖的胸前導(dǎo)聯(lián)的轉(zhuǎn)化模型ⅱ的轉(zhuǎn)化公式，最終得到標(biāo)準(zhǔn)心電圖??；

12、由步驟s21-?s22完成的模型即為最終的轉(zhuǎn)化模型ⅰ，用于定義轉(zhuǎn)化后的心電圖的振幅數(shù)據(jù)；

13、步驟s3，通過(guò)機(jī)器學(xué)習(xí)的方法建立轉(zhuǎn)換模型ⅱ；

14、步驟s31，建立俯臥位心電圖預(yù)測(cè)標(biāo)準(zhǔn)心電圖ⅱ數(shù)據(jù)集；

15、將全部俯臥位心電圖的心動(dòng)周期拆分為p-r段、qrs波段、st-t段三個(gè)子集，即將所有心電圖的心動(dòng)周期的p波起點(diǎn)至qrs波的起點(diǎn)拆分為p-r段子集，qrs波起點(diǎn)至qrs波終點(diǎn)拆分為qrs波子集，qrs波終點(diǎn)至t波終點(diǎn)拆分為st-t段子集，上述三個(gè)子集分別包含俯臥位心電圖相應(yīng)片段的12個(gè)導(dǎo)聯(lián)心電數(shù)據(jù)，以及參與者的人群基本信息；

16、得到俯臥位心電圖預(yù)測(cè)標(biāo)準(zhǔn)心電圖ⅱ數(shù)據(jù)集；

17、步驟s32，利用隨機(jī)森林回歸的方法訓(xùn)練各導(dǎo)聯(lián)的標(biāo)準(zhǔn)心電圖ⅱ的模型；

18、將步驟s31得到的p-r段子集的數(shù)據(jù)分別訓(xùn)練標(biāo)準(zhǔn)心電圖ⅱ的v1-v5導(dǎo)聯(lián)的p-r段模型；利用qrs波子集的數(shù)據(jù)分別訓(xùn)練標(biāo)準(zhǔn)心電圖ⅱ的v1-v5導(dǎo)聯(lián)的qrs波段模型；利用st-t段子集的數(shù)據(jù)分別訓(xùn)練標(biāo)準(zhǔn)心電圖ⅱ的v1-v5導(dǎo)聯(lián)的st-t段模型；

19、步驟s4，通過(guò)標(biāo)準(zhǔn)心電圖ⅰ對(duì)標(biāo)準(zhǔn)心電圖?、⑦M(jìn)行振幅調(diào)整，得到最終標(biāo)準(zhǔn)心電圖。

20、進(jìn)一步優(yōu)選的，在步驟s21中，利用心電數(shù)據(jù)集中心電圖變異較小的健康志愿者的標(biāo)準(zhǔn)心電圖和俯臥位心電圖，進(jìn)行模型的建立。

21、進(jìn)一步優(yōu)選的，在步驟s21中，輸入?yún)?shù)數(shù)據(jù)集x的公式為：

22、；

23、其中，x代表輸入?yún)?shù)數(shù)據(jù)集，ip、iip、iiip、avrp、avfp、avlp及v1p-v6p分別代表俯臥位心電圖各導(dǎo)聯(lián)的電壓值，a代表年齡，g代表性別，h代表身高，w代表體重。

24、進(jìn)一步優(yōu)選的，在步驟s21中，心電向量圖各正交導(dǎo)聯(lián)的轉(zhuǎn)化公式如下：

25、；

26、；

27、；

28、其中，xs、ys、zs分別代表心電向量圖各正交導(dǎo)聯(lián)電壓值，參數(shù)，，分別代表各參數(shù)的系數(shù)；

29、進(jìn)一步優(yōu)選的，在步驟s22中，構(gòu)建轉(zhuǎn)化后心電圖的胸前導(dǎo)聯(lián)，具體轉(zhuǎn)化模型ⅱ的轉(zhuǎn)化公式如下：

30、；

31、；

32、；

33、；

34、；

35、其中v1s-v5s分別表示最終得出的標(biāo)準(zhǔn)心電圖的v1-v5導(dǎo)聯(lián)，xs、ys、zs分別表示由步驟s21中得出的心電向量圖各正交導(dǎo)聯(lián)電壓值；

36、進(jìn)一步優(yōu)選的，在步驟s31中，俯臥位心電圖預(yù)測(cè)標(biāo)準(zhǔn)心電圖ⅱ數(shù)據(jù)集的公式為：

37、；

38、；

39、；

40、其中xpr、xqrs、xst分別代表p-r段子集模型，qrs波子集模型和st-t段子集模型，ipr、iipr、iiipr、avrpr、avfpr、avlpr及v1pr-v6pr分別代表俯臥位心電圖各導(dǎo)聯(lián)p-r段的電壓值，iqrs、iiqrs、iiiqrs、avrqrs、avfqrs、avlqrs及v1qrs-v6qrs分別代表俯臥位心電圖各導(dǎo)聯(lián)qrs波段的電壓值，ist、iist、iiist、avrst、avfst、avlst及v1st-v6st分別代表俯臥位心電圖各導(dǎo)聯(lián)st-t段的電壓值，a代表年齡，g代表性別，h代表身高，w代表體重；

41、進(jìn)一步優(yōu)選的，隨機(jī)森林回歸的方法的具體步驟如下：

42、第一步：采用有放回的抽樣方法從樣本中選取n個(gè)樣本作為訓(xùn)練集；

43、第二步：用樣本集生成一棵決策樹(shù)和每一個(gè)節(jié)點(diǎn)；重復(fù)有放回的對(duì)樣本和變量進(jìn)行抽樣，重復(fù)k次，生成k個(gè)決策樹(shù)；

44、第三步：使用得到的隨機(jī)森林對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，并用加權(quán)平均的方法計(jì)算預(yù)測(cè)結(jié)果；

45、第四步：使用隨機(jī)森林和10折交叉驗(yàn)證法篩選重要特征；

46、第五步：使用上述交叉驗(yàn)證篩選出的最佳模型參數(shù)重復(fù)第二步、第三步生成最終的模型。

47、進(jìn)一步優(yōu)選的，第四步具體為：

48、將數(shù)據(jù)劃分為k份，依次使用其中一份作為測(cè)試集，而將其他k-1份作為訓(xùn)練集，多次計(jì)算模型的精確性，以評(píng)估模型的平均準(zhǔn)確程度；模型的交叉驗(yàn)證中k值通常選擇為5或10，并且以決定系數(shù)r2、歸一化收斂均方根誤差rmse和歸一化收斂平均絕對(duì)誤差mae作為模型準(zhǔn)確性的評(píng)估指標(biāo)，各評(píng)價(jià)指標(biāo)計(jì)算公式如下：

49、；

50、；

51、；

52、其中，r2為決定系數(shù)，rmse為歸一化收斂均方根誤差，mae為歸一化收斂平均絕對(duì)誤差，yi表示數(shù)值模擬得到的心電電壓值（真實(shí)值）；表示由隨機(jī)森林模型預(yù)測(cè)的心電電壓值（預(yù)測(cè)值）；表示真實(shí)值的平均值；m表示數(shù)據(jù)樣本的數(shù)量。

53、進(jìn)一步優(yōu)選的，在步驟s3中，還將轉(zhuǎn)換模型ⅱ在內(nèi)部驗(yàn)證組數(shù)據(jù)集和外部驗(yàn)證組數(shù)據(jù)集進(jìn)行驗(yàn)證，得到振幅最佳轉(zhuǎn)化模型和形態(tài)最佳轉(zhuǎn)化模型，利用振幅最佳模型轉(zhuǎn)化得到的心電圖對(duì)形態(tài)最佳模型轉(zhuǎn)化得到的心電圖進(jìn)行振幅調(diào)整，得到綜合轉(zhuǎn)化模型。

54、進(jìn)一步優(yōu)選的，利用得到的綜合轉(zhuǎn)化模型對(duì)外部驗(yàn)證組的俯臥位心電圖進(jìn)行轉(zhuǎn)化，得到最終標(biāo)準(zhǔn)心電圖。

55、本發(fā)明提供了一種基于心電向量和人工智能的俯臥位心電圖轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖的方法，具備以下有益效果：

56、1、本發(fā)明的方法可以通過(guò)心電向量和人工智能將俯臥位心電圖轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖，克服了俯臥位患者在重癥監(jiān)護(hù)等特殊情況下無(wú)法獲得標(biāo)準(zhǔn)心電圖的技術(shù)難題，解決對(duì)接受機(jī)械通氣的患者心血管疾病監(jiān)測(cè)的臨床困境，為心血管疾病的早期診斷和治療提供可靠依據(jù)，降低患者尤其是重癥患者的誤診和漏診率。

57、2、本發(fā)明將俯臥位心電圖通過(guò)轉(zhuǎn)化模型ⅰ轉(zhuǎn)化為心電向量圖，再轉(zhuǎn)化模型ⅱ轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖ⅰ，再將俯臥位心電圖經(jīng)轉(zhuǎn)化模型ⅱ轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖ⅱ，最終通過(guò)標(biāo)準(zhǔn)心電圖ⅰ對(duì)標(biāo)準(zhǔn)心電圖ⅱ進(jìn)行振幅調(diào)整，形成最終標(biāo)準(zhǔn)心電圖，這種方法得到的最終標(biāo)準(zhǔn)心電圖準(zhǔn)確度非常高。

58、3、本發(fā)明轉(zhuǎn)換模型ⅱ還在內(nèi)部驗(yàn)證組數(shù)據(jù)集和外部驗(yàn)證組數(shù)據(jù)集進(jìn)行驗(yàn)證，得到振幅最佳轉(zhuǎn)化模型和形態(tài)最佳轉(zhuǎn)化模型，利用振幅最佳模型轉(zhuǎn)化得到的心電圖對(duì)形態(tài)最佳模型轉(zhuǎn)化得到的心電圖進(jìn)行振幅調(diào)整，得到綜合轉(zhuǎn)化模型，從而大大提高了俯臥位心電圖轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖ⅱ的準(zhǔn)確率。

59、4、本發(fā)明將全部俯臥位心電圖按心電圖的心動(dòng)周期拆分為p-r段、qrs波段、st-t段三個(gè)子集，得到的p-r段子集的數(shù)據(jù)分別訓(xùn)練標(biāo)準(zhǔn)心電圖ⅱ的v1-v5導(dǎo)聯(lián)的p-r段模型；利用qrs波子集的數(shù)據(jù)分別訓(xùn)練標(biāo)準(zhǔn)心電圖ⅱ的v1-v5導(dǎo)聯(lián)的qrs波段模型；利用st-t段子集的數(shù)據(jù)分別訓(xùn)練標(biāo)準(zhǔn)心電圖ⅱ的v1-v5導(dǎo)聯(lián)的st-t段模型，這樣得到的數(shù)據(jù)非常準(zhǔn)確，精度高。

60、5、本發(fā)明基于涵蓋多種生理和病理狀態(tài)的心電圖數(shù)據(jù)，開(kāi)發(fā)的轉(zhuǎn)化模型適用于正常人群及急性心肌梗死、束支傳導(dǎo)阻滯、陳舊性心肌梗死、心肌缺血等多種心血管疾病患者的俯臥位心電圖。經(jīng)外部驗(yàn)證，該模型轉(zhuǎn)化后的心電圖診斷中的精度和準(zhǔn)確性較高，具有臨床推廣價(jià)值，可助力俯臥位通氣患者的心血管疾病早發(fā)現(xiàn)、早治療。

61、6、本發(fā)明采用基于心電向量和人工智能的俯臥位心電圖轉(zhuǎn)化為標(biāo)準(zhǔn)心電圖的方法，最終形成的綜合模型既具備傳統(tǒng)模型的穩(wěn)定性與可解釋性，也具備機(jī)器學(xué)習(xí)模型的強(qiáng)魯棒性，顯著提升了診斷的準(zhǔn)確性。

62、7、本發(fā)明可用于特殊人群的心電圖采集，尤其對(duì)女性患者，通過(guò)俯臥位心電圖避免胸部暴露的不適，再通過(guò)模型將其轉(zhuǎn)換為標(biāo)準(zhǔn)心電圖供診斷使用。在健康體檢和醫(yī)療診斷中推廣應(yīng)用，可改善患者體驗(yàn)，同時(shí)保持較高診斷精度。

63、本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。