CN117137492B - 冠状动脉血流异常检测系统、存储介质及终端 - Google Patents
冠状动脉血流异常检测系统、存储介质及终端 Download PDFInfo
- Publication number
- CN117137492B CN117137492B CN202311441942.9A CN202311441942A CN117137492B CN 117137492 B CN117137492 B CN 117137492B CN 202311441942 A CN202311441942 A CN 202311441942A CN 117137492 B CN117137492 B CN 117137492B
- Authority
- CN
- China
- Prior art keywords
- field
- wave
- value
- positive
- negative
- 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.)
- Active
Links
- 230000017531 blood circulation Effects 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000005856 abnormality Effects 0.000 title claims abstract description 23
- 210000004351 coronary vessel Anatomy 0.000 title description 4
- 238000010586 diagram Methods 0.000 claims abstract description 87
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 118
- 230000005484 gravity Effects 0.000 claims description 62
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 15
- 208000031225 myocardial ischemia Diseases 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 210000005240 left ventricle Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 210000005241 right ventricle Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002336 repolarization Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000008321 arterial blood flow Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/243—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetocardiographic [MCG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种冠状动脉血流异常检测系统、存储介质及终端,涉及图像处理技术领域。该检测系统包括:数据获取模块:用于获取心磁图原始数据,并对心磁图原始数据进行预处理,获取P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图;图像构建模块:用于分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场;特征提取模块:用于提取与冠状动脉血流异常相关的特征参数;特征筛选模块:用于对提取的特征参数进行预处理、评估和数量选择,得到特征子集;判断比较模块:用于根据所述特征子集判断被试者的冠状动脉血流是否正常。本发明在冠状动脉血流异常检测中灵敏性高、准确度高。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种冠状动脉血流异常检测系统、存储介质及终端。
背景技术
心肌缺血作为一种常见的心脏疾病,近几年其发病率和致死率逐年上升,其冠状动脉血流异常是判别心肌缺血的重要指标,定性和定位识别冠脉血流异常对了解心肌缺血发病程度、预测病情发展、指导治疗方案有重要价值。
目前临床上普遍采用冠脉造影(Coronary angiography,CAG)、CT 血管成像(CTangiography,CTA)来判断冠脉情况,根据CAG和CTA的结果行QFR和CTFFR分析,判断冠状动脉的血流情况,但这些传统方法有创、费用高、时间长,且 X射线或者血管造影剂给患者带来较大的副作用。特别是对于肾功能不全的心肌缺血患者,传统检测手段的限制更加严格。因此,建立一套对人体无创无接触的非入侵式定性和定位识别冠脉血流异常的方法及系统具有重要的临床价值。
此外,也有通过分析心磁图的信号特征,根据对心肌缺血位置敏感的特征参数来辅助实现心肌缺血病变位置的定位,但其提取的特征参数仅针对于心肌缺血病变位置,其准确度和灵敏度较差。
发明内容
本发明提供一种灵敏性高、准确度高的冠状动脉血流异常检测系统、存储介质及终端。
为解决上述技术问题,本发明提供技术方案如下:
一种冠状动脉血流异常检测系统,包括:
数据获取模块:用于获取心磁图原始数据,并对心磁图原始数据进行预处理,获取P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图;
图像构建模块:用于基于获取的所述一维蝴蝶图及各个心磁通道的位置,分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场;
特征提取模块:用于分别从P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图、二维等磁图、电流密度图、梯度场、旋度场和散度场中提取与冠状动脉血流异常相关的特征参数;
特征筛选模块:用于对提取的特征参数进行预处理、评估和数量选择,得到特征子集;
判断比较模块:用于根据所述特征子集判断被试者的冠状动脉血流是否正常;
其中,所述特征参数包括基本类、极值类、矢量类、重心类。
进一步的,所述图像构建模块包括:
第一图像构建模块:用于基于获取的所述一维蝴蝶图及各个心磁通道的位置,分别绘制得到P波、QRS波、ST段波以及T波波段对应的二维等磁图,基于所述二维等磁图分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图;
第二图像构建模块:用于根据梯度公式和旋度公式分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图中每个位置的矢量信号的梯度值和旋度值,并根据梯度值和旋度值分别绘制得到P波、QRS波、ST段波以及T波波段对应的梯度场和旋度场;
第三图像构建模块:用于根据散度公式计算分别计算得到P波、QRS波、ST段波以及T波波段对应的梯度场中每个位置的矢量信号的散度值,并根据散度值绘制得到P波、QRS波、ST段波以及T波波段对应的散度场。
进一步的,所述基本类的特征参数包括场值范围、正值场和负值场的振幅比和差、正值场和负值场的面积比和差;
所述极值类的特征参数包括正值场最大值和最大值所在的位置、负值场最大值和最大值所在的位置;
所述矢量类的特征参数包括值场最大值指向正值场最大值的矢量方向和幅值、负值场最大值指向正值场最大值的矢量围成的长方形周长和面积、最大矢量的幅值、方向和位置、围绕最大矢量的长方形周长和面积、总矢量的方向和幅值、围绕总矢量的长方形周长和面积;
所述重心类的特征参数包括正值场重心位置、正值场最大值位置、正值场重心位置连线的距离和方向、负值场重心位置、负值场最大值位置、负值场重心位置连线的距离和方向、正负重心位置连线的距离和方向。
进一步的,所述特征子集包括:
所述T波对应的散度场中:
T2点的负值场最大值指向正值场最大值的矢量方向与T1点的负值场最大值指向正值场最大值的矢量方向之间的比值、T波顶点的负值场重心和正值场重心连线方向与T2的点负值场重心和正值场重心连线方向之间的比值、T3点的正值场与负值场之间的面积比与T波顶点的正值场与负值场之间的面积比之间的比值;
所述T波对应的旋度场中正值场与负值场的振幅差的变异系数;
所述T波顶点到终点对应的梯度场中围绕最大梯度矢量的长方体面积的方差;
所述QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第m1个bin值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第m2个bin值之间的比值、所述QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值之间的比值;
所述QRS波对应的梯度场中总梯度矢量方向的变换指数与T波对应的梯度场中总梯度矢量方向的变换指数之间的比值;
所述ST段波对应的二维等磁场中正值场与负值场的振幅差的直方图的第m3个bin值与T波对应的二维等磁场中正值场与负值场的振幅差的直方图的第m4个bin值之间的比值;
所述QRS波对应的散度场中:
正负重心连线的矢量距离的Renyi熵、正值场与负值场的振幅比的峰值因子;
所述P波和T波分别对应的一维蝴蝶图中:
第N1通道的波形的绝对均值、第N2通道的波形的绝对最大值;
P波起点到顶点对应的二维等磁图中正值场最小值的方差;
QT间期对应的一维蝴蝶图中第N3通道的LBP二值化的统计直方图的第m5个bin值。
一种存储介质,所述存储介质存有计算机程序,所述计算机程序被处理器运行时,实现冠状动脉血流异常检测方法,
所述冠状动脉血流异常检测方法包括:
获取心磁图原始数据,并对心磁图原始数据进行预处理,获取P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图;
基于获取的所述心磁图数据集及各个心磁通道的位置,分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场;
分别从P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图、二维等磁图、电流密度图、梯度场、旋度场和散度场中提取与冠状动脉血流相关的特征参数;
对提取的特征参数进行预处理、评估和数量选择,得到特征子集;
根据所述特征子集判断冠状动脉血流是否正常;
其中,所述特征参数包括:基本类、极值类、矢量类、重心类。
进一步的,所述基于获取的所述一维蝴蝶图及各个心磁通道的位置,分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场的步骤包括:
基于获取的所述一维蝴蝶图及各个心磁通道的位置,分别绘制得到P波、QRS波、ST段波以及T波波段对应的二维等磁图,基于所述二维等磁图分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图;
根据梯度公式和旋度公式分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图中每个位置的矢量信号的梯度值和旋度值,并根据梯度值和旋度值分别绘制得到P波、QRS波、ST段波以及T波波段对应的梯度场和旋度场;
根据散度公式计算分别计算得到P波、QRS波、ST段波以及T波波段对应的梯度场中每个位置的矢量信号的散度值,并根据散度值绘制得到P波、QRS波、ST段波以及T波波段对应的散度场。
进一步的,所述基本类的特征参数包括场值范围、正值场和负值场的振幅比和振幅差、正值场和负值场的面积比和面积差;
所述极值类的特征参数包括正值场最大值和最大值所在的位置、负值场最大值和最大值所在的位置;
所述矢量类的特征参数包括值场最大值指向正值场最大值的矢量方向和幅值、负值场最大值指向正值场最大值的矢量围成的长方形周长和面积、最大矢量的幅值、方向和位置、围绕最大矢量的长方形周长和面积、总矢量的方向和幅值、围绕总矢量的长方形周长和面积;
所述重心类的特征参数包括正值场重心位置、正值场最大值位置、正值场重心位置连线的距离和方向、负值场重心位置、负值场最大值位置、负值场重心位置连线的距离和方向、正负重心位置连线的距离和方向。
进一步的,所述特征子集包括:
所述T波对应的散度场中:
T2点的负值场最大值指向正值场最大值的矢量方向与T1点的负值场最大值指向正值场最大值的矢量方向之间的比值、T波顶点的负值场重心和正值场重心连线方向与T2的点负值场重心和正值场重心连线方向之间的比值、T3点的正值场与负值场之间的面积比与T波顶点的正值场与负值场之间的面积比之间的比值;
所述T波对应的旋度场中正值场与负值场的振幅差的变异系数;
所述T波顶点到终点对应的梯度场中围绕最大梯度矢量的长方体面积的方差;
所述QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第m1个bin值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第m2个bin值之间的比值、所述QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值之间的比值;
所述QRS波对应的梯度场中总梯度矢量方向的变换指数与T波对应的梯度场中总梯度矢量方向的变换指数之间的比值;
所述ST段波对应的二维等磁场中正值场与负值场的振幅差的直方图的第m3个bin值与T波对应的二维等磁场中正值场与负值场的振幅差的直方图的第m4个bin值之间的比值;
所述QRS波对应的散度场中:
正负重心连线的矢量距离的Renyi熵、正值场与负值场的振幅比的峰值因子;
所述P波和T波分别对应的一维蝴蝶图中:
第N1通道的波形的绝对均值、第N2通道的波形的绝对最大值;
P波起点到顶点对应的二维等磁图中正值场最小值的方差;
QT间期对应的一维蝴蝶图中第N3通道的LBP二值化的统计直方图的第m5个bin值。
一种终端,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行上述任一所述的存储介质上的计算机程序。
与现有技术相比,本发明的冠状动脉血流异常检测系统、存储介质及终端具有以下有益效果:
1、本发明基于SERF效应极弱磁检测技术获得心磁图原始数据,对其进行波段分割,分别获取P波、QRS波、ST段以及T波波段对应的一维蝴蝶图,分析其二维等磁图、电流密度图,进而获得电流密度图的旋度场、梯度场、散度场,发掘特征参数的分布规律,提供更全面的特征信息,能够从更多角度提取对冠状动脉血流敏感的特征参数,进一步提高了冠状动脉血流检测结果的准确度;
2、本发明通过构建电流密度图的梯度场、旋度场和散度场,能够全面识别与冠状动脉血流相关的特征参数,并构建冠状动脉血流异常判断比较模块,诊断准确率和灵敏度可达90%以上,对于定性和定位识别冠状动脉血流异常是否异常具有重要的临床价值。
附图说明
图1为本发明的冠状动脉血流异常检测系统中的一实施例的结构示意图;
图2为本发明的冠状动脉血流异常检测系统中的另一实施例的结构示意图;
图3为本发明的存储介质的一实施例的流程示意图;
图4为本发明的存储介质的另一实施例的流程示意图;
图5为本发明的终端的一实施例的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
术语解释:
P波:心电图波形的一个组成部分,代表左右心房的除极过程;
QRS波:心电图波形的一个组成部分,代表左右心室的除极过程;
ST段波:心电图波形的一个波形端,代表左右心室的复极平台期;
T波波段:心电图波形的一个组成部分,代表左右心室的复极过程。
一方面,本发明提供一种冠状动脉血流异常检测系统,如图1-2所示,包括:
数据获取模块100:用于获取心磁图原始数据,并对心磁图原始数据进行预处理,获取P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图;
本发明一实施例中,数据获取模块100中可以通过SERF效应多通道光泵磁力计心磁图仪获取多通道的心磁图原始数据。
本发明一实施例中,数据获取模块100中对心磁图原始数据进行预处理主要包括滤波降噪处理、叠加平均处理和波段分割。
其中滤波降噪处理是对心磁图原始数据使用高通滤波器、低通滤波器和工频陷波器滤除心磁信号的干扰,去掉噪声干扰,保证后续检测冠脉血流异常的位置和程度的准确性。叠加平均处理是对滤波后心磁数据进行R波定位,根据得到的R波位置信息截取心磁心拍,去除心磁心拍间的偏置后进行叠加平均;之后对叠加平均后的数据进行波段分割,即可获取P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图。
本发明一实施例中,数据获取模块100中也可以采用现有技术中已知的滤波降噪、叠加平均处理和波段分割方法对心磁图原始数据进行处理,在此不再赘述。
图像构建模块200:用于基于获取的一维蝴蝶图及各个心磁通道的位置,分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场;
本发明一实施例中,图像构建模块200具体包括如下:
第一图像构建模块201:用于基于获取的一维蝴蝶图及各个心磁通道的位置,分别绘制得到P波、QRS波、ST段波以及T波波段对应的二维等磁图,基于二维等磁图分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图;
本发明一实施例中,第一图像构建模块201可以根据电流密度计算公式计算二维等磁图上所有点的电流密度,即可得到P波、QRS波、ST段波以及T波波段对应的电流密度图,其中(x,y)表示胸腔上方某一点在二维等磁图上的坐标值。
第二图像构建模块202:用于根据梯度公式和旋度公式分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图中每个位置的矢量信号的梯度值和旋度值,并根据梯度值和旋度值分别绘制得到P波、QRS波、ST段波以及T波波段对应的梯度场和旋度场;
本发明一实施例中,第二图像构建模块202的各个波段对应的梯度场绘制方法如下:采用梯度公式,计算电流密度图中每个位置的矢量信号的梯度值,其中F表示电流密度图中某一点位置(x,y)的电流矢量,F x (x,y)表示函数F对于x求偏导数,F y (x,y)表示函数F对于y求偏导数,是x轴的单位矢量,是y轴的单位矢量。使用有限差分计算其定义中的偏导数。对于电流密度图中的内部数据点,使用中心差分计算偏导数。对于沿电流密度图的边缘的数据点,使用单侧(正向)差分计算偏导数;最后,根据每个矢量信号计算的梯度值绘制P波、QRS波、ST段波以及T波波段对应的梯度场。
各个波段对应的旋度场绘制方法如下:采用旋度公式 curl(F) = dFy/dx – dFx/dy计算电流密度图中每个位置的矢量信号的旋度值,其中F表示电流密度图中某一点位置(x,y)的电流矢量,dFy/dx表示电流矢量F中的y分量对于x轴方向求偏导数,dFx/dy表示电流矢量F中的x分量对于y轴方向求偏导数。使用有限差分计算其定义中的偏导数,对于电流密度图中的内部数据点,使用中心差分计算偏导数,对于沿电流密度图中边缘的数据点,使用单侧(正向)差分计算偏导数;最后,根据每个矢量信号位置计算的旋度值绘制P波、QRS波、ST段波以及T波波段对应的旋度场。
第三图像构建模块203:用于根据散度公式计算分别计算得到P波、QRS波、ST段波以及T波波段对应的梯度场中每个位置的矢量信号的散度值,并根据散度值绘制得到P波、QRS波、ST段波以及T波波段对应的散度场。
本发明一实施例中,第三图像构建模块203中各个波段对应的散度场绘制方法如下:采用散度公式div(f) = dfx/dx + dfy/dy计算梯度场中每个位置的矢量信号的散度值,其中f表示梯度场中某一点位置(x,y)的梯度矢量, dfx/dx 表示将 f的x轴矢量对x求偏导数,dfy/dy 表示将f的y轴矢量对y求偏导数。使用有限差分计算其定义中的偏导数。对于梯度场中的内部数据点,使用中心差分计算偏导数。对于沿梯度场中边缘的数据点,使用单侧(正向)差分计算偏导数;最后,根据每个位置计算的散度值绘制P波、QRS波、ST段波以及T波波段对应的散度场。
特征提取模块300:用于分别从P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图、二维等磁图、电流密度图、梯度场、旋度场和散度场中提取与冠状动脉血流异常相关的特征参数;
本发明一实施例中,提取的特征参数包括基本类、极值类、矢量类、重心类,其中:
基本类特征参数反映了各个波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场中的主要变化信息,具体包括场值范围、正值场和负值场的振幅比和振幅差、正值场和负值场的面积比和面积差。
极值类特征参数反映了各个波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场中的极值信息,具体包括正值场最大值和最大值所在的位置、负值场最大值和最大值所在的位置。
矢量类特征参数反映了各个波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场中的矢量相关信息,具体包括负值场最大值指向正值场最大值的矢量方向和幅值、负值场最大值指向正值场最大值的矢量围成的长方形周长和面积、最大矢量的幅值、方向和位置、围绕最大矢量的长方形周长和面积、总矢量的方向和幅值、围绕总矢量的长方形周长和面积。
重心类特征参数反映了各个波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场中的重心相关信息,具体包括正值场重心位置、正值场最大值位置与正值场重心位置连线的距离和方向、负值场重心位置、负值场最大值位置与负值场重心位置连线的距离和方向、正负重心位置连线的距离和方向。
特征筛选模块400:用于对提取的特征参数进行预处理、评估和数量选择,得到特征子集;
本发明一实施例中,特征筛选模块400首先对提取的特征参数进行预处理,包括缺失值处理、异常值处理、数据标准化等。其次进行特征参数评估:根据特征参数与目标的相关性、特征参数间的相关性、以及特征参数的重要性等方面来评估每个特征参数的贡献。最后进行特征参数的选择:根据评估结果来进行特征选择,一般包括过滤式、包裹式和嵌入式三种方法。
根据特征参数的重要性指标进行评估排序,一般选取排在特征参数总数量的前1/10的参数作为建模使用的特征子集。
本发明一实施例中,当特征参数量为150个时,根据这150个特征参数进行预处理、评估后选取重要程度排在1/10的参数作为建模使用的特征子集,这15个特征子集包括:
T波对应的散度场中:
T2点的负值场最大值指向正值场最大值的矢量方向与T1点的负值场最大值指向正值场最大值的矢量方向之间的比值、T波顶点的负值场重心和正值场重心连线方向与T2的点负值场重心和正值场重心连线方向之间的比值、T3点的正值场与负值场之间的面积比与T波顶点的正值场与负值场之间的面积比之间的比值;
其中,将整个T波波段均匀N等分,T1点和T2点分别表示除了T波起点和T波终点之外的N等分的一个波段的起点和终点。
T波对应的旋度场中正值场与负值场的振幅差的变异系数;
T波顶点到终点对应的梯度场中围绕最大梯度矢量的长方体面积的方差;
QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第7个bin值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第7个bin值之间的比值;
QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值之间的比值;
QRS波对应的梯度场中总梯度矢量方向的变换指数与T波对应的梯度场中总梯度矢量方向的变换指数之间的比值;
ST段波对应的二维等磁场中正值场与负值场的振幅差的直方图的第3个bin值与T波对应的二维等磁场中正值场与负值场的振幅差的直方图的第3个bin值之间的比值;
QRS波对应的散度场中:
正负重心连线的矢量距离的Renyi熵、正值场与负值场的振幅比的峰值因子;
所述P波和T波分别对应的一维蝴蝶图中:
第9通道的波形的绝对均值、第7通道的波形的绝对最大值;
P波起点到顶点对应的二维等磁图中正值场最小值的方差;
QT间期对应的一维蝴蝶图中第10通道的LBP二值化的统计直方图的第5个bin值。
判断比较模块500:用于根据特征子集判断被试者的冠状动脉血流是否正常;
本发明一实施例中,判断比较模块500可采用机器学习法判断被试者的冠状动脉血流是否正常,具体如下:
使用已知冠脉血流正常和冠脉血流异常的患者数据作为原始数据集,使用上述提取到的15个特征子集,训练机器学习模型,如基于线性核的支持向量机(Support VectorMachine with a linear kernel),模型输出正常类和异常类的标签,可以使用0代表正常类别,使用1代表异常类别,使用准确率、精准率、召回率、AUC曲线等评价指标,评估分类模型效能。
当被试者的特征子集输入已训练完毕的机器学习模型,输出标签类别为1时则认为是冠状动脉血流异常,输出标签类别为0时则认为该被试者的冠状动脉血流正常。
另一方面,本发明还提供一种存储介质,如图3-4所示,其存有计算机程序,该计算机程序被处理器运行时,实现冠状动脉血流异常检测方法。其中,冠状动脉血流异常检测方法包括:
步骤S1:获取心磁图原始数据,并对心磁图原始数据进行预处理,获取P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图;
步骤S2:基于获取的一维蝴蝶图及各个心磁通道的位置,分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场;
步骤S3:分别从P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图、二维等磁图、电流密度图、梯度场、旋度场和散度场中提取与冠状动脉血流异常相关的特征参数;
步骤S4:对提取的特征参数进行预处理、评估和数量选择,得到特征子集;
步骤S5:根据特征子集判断被试者的冠状动脉血流是否正常;
其中,特征参数包括基本类、极值类、矢量类、重心类。
本发明一实施例中,步骤S2优选包括如下步骤:
步骤S21:基于获取的一维蝴蝶图及各个心磁通道的位置,分别绘制得到P波、QRS波、ST段波以及T波波段对应的二维等磁图;基于二维等磁图分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图;
步骤S22:根据梯度公式和旋度公式分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图中每个位置的矢量信号的梯度值和旋度值,并根据梯度值和旋度值分别绘制得到P波、QRS波、ST段波以及T波波段对应的梯度场和旋度场;
步骤S23:根据散度公式计算分别计算得到P波、QRS波、ST段波以及T波波段对应的梯度场中每个位置的矢量信号的散度值,并根据散度值绘制得到P波、QRS波、ST段波以及T波波段对应的散度场。
优选的,存储介质可以采用ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明还提供一种终端,如图5所示,包括处理器600和存储器700,存储器600用于存储计算机程序,处理器700用于执行存储器600存储的计算机程序,以使终端执行上述任一的冠状动脉血流异常检测方法。
综上所述,本发明基于SERF效应极弱磁检测技术获得心磁图原始数据,对其进行波段分割,分别获取P波、QRS波、ST段以及T波波段对应的一维蝴蝶图,分析其二维等磁图、电流密度图,进而获得电流密度图的旋度场、梯度场、散度场,发掘特征参数的分布规律,提供更全面的特征信息,能够从更多角度提取对冠状动脉血流敏感的特征参数,进一步提高了冠状动脉血流检测结果的准确度;
本发明通过构建电流密度图的梯度场、旋度场和散度场,能够全面识别与冠状动脉血流相关的特征参数,并构建冠状动脉血流异常判断比较模块,诊断准确率和灵敏度可达90%以上,对于定性和定位识别冠状动脉血流异常是否异常具有重要的临床价值。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.在一种冠状动脉血流异常检测系统,其特征在于,包括:
数据获取模块:用于获取心磁图原始数据,并对心磁图原始数据进行预处理,获取P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图;
图像构建模块:用于基于获取的所述一维蝴蝶图及各个心磁通道的位置,分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场;
特征提取模块:用于分别从P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图、二维等磁图、电流密度图、梯度场、旋度场和散度场中提取与冠状动脉血流异常相关的特征参数;
特征筛选模块:用于对提取的特征参数进行预处理、评估和数量选择,得到特征子集;
判断比较模块:用于根据所述特征子集判断被试者的冠状动脉血流是否正常;
其中,所述特征参数包括基本类、极值类、矢量类、重心类;
所述图像构建模块包括:
第一图像构建模块:用于基于获取的所述一维蝴蝶图及各个心磁通道的位置,分别绘制得到P波、QRS波、ST段波以及T波波段对应的二维等磁图,基于所述二维等磁图分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图;
第二图像构建模块:用于根据梯度公式和旋度公式分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图中每个位置的矢量信号的梯度值和旋度值,并根据梯度值和旋度值分别绘制得到P波、QRS波、ST段波以及T波波段对应的梯度场和旋度场;
第三图像构建模块:用于根据散度公式计算分别计算得到P波、QRS波、ST段波以及T波波段对应的梯度场中每个位置的矢量信号的散度值,并根据散度值绘制得到P波、QRS波、ST段波以及T波波段对应的散度场;
所述基本类的特征参数包括场值范围、正值场和负值场的振幅比和差、正值场和负值场的面积比和差;
所述极值类的特征参数包括正值场最大值和最大值所在的位置、负值场最大值和最大值所在的位置;
所述矢量类的特征参数包括值场最大值指向正值场最大值的矢量方向和幅值、负值场最大值指向正值场最大值的矢量围成的长方形周长和面积、最大矢量的幅值、方向和位置、围绕最大矢量的长方形周长和面积、总矢量的方向和幅值、围绕总矢量的长方形周长和面积;
所述重心类的特征参数包括正值场重心位置、正值场最大值位置、正值场重心位置连线的距离和方向、负值场重心位置、负值场最大值位置、负值场重心位置连线的距离和方向、正负重心位置连线的距离和方向。
2.根据权利要求1所述的冠状动脉血流异常检测系统,其特征在于,所述特征子集包括:
所述T波对应的散度场中:
T2点的负值场最大值指向正值场最大值的矢量方向与T1点的负值场最大值指向正值场最大值的矢量方向之间的比值、T波顶点的负值场重心和正值场重心连线方向与T2的点负值场重心和正值场重心连线方向之间的比值、T3点的正值场与负值场之间的面积比与T波顶点的正值场与负值场之间的面积比之间的比值;
所述T波对应的旋度场中正值场与负值场的振幅差的变异系数;
所述T波顶点到终点对应的梯度场中围绕最大梯度矢量的长方体面积的方差;
所述QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第m1个bin值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第m2个bin值之间的比值、所述QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值之间的比值;
所述QRS波对应的梯度场中总梯度矢量方向的变换指数与T波对应的梯度场中总梯度矢量方向的变换指数之间的比值;
所述ST段波对应的二维等磁场中正值场与负值场的振幅差的直方图的第m3个bin值与T波对应的二维等磁场中正值场与负值场的振幅差的直方图的第m4个bin值;
所述QRS波对应的散度场中:
正负重心连线的矢量距离的Renyi熵、正值场与负值场的振幅比的峰值因子;
所述P波和T波分别对应的一维蝴蝶图中:
第N1通道的波形的绝对均值、第N2通道的波形的绝对最大值;
P波起点到顶点对应的二维等磁图中正值场最小值的方差;
QT间期对应的一维蝴蝶图中第N3通道的LBP二值化的统计直方图的第m5个bin值。
3.一种存储介质,其特征在于,所述存储介质存有计算机程序,所述计算机程序被处理器运行时,实现冠状动脉血流异常检测方法;
所述冠状动脉血流异常检测方法包括:
获取心磁图原始数据,并对心磁图原始数据进行预处理,获取P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图;
基于获取的所述一维蝴蝶图及各个心磁通道的位置,分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场;
分别从P波、QRS波、ST段波以及T波波段对应的一维蝴蝶图、二维等磁图、电流密度图、梯度场、旋度场和散度场中提取与冠状动脉血流相关的特征参数;
对提取的特征参数进行预处理、评估和数量选择,得到特征子集;
根据所述特征子集判断冠状动脉血流是否正常;
其中,所述特征参数包括:基本类、极值类、矢量类、重心类;
所述基于获取的一维蝴蝶图及各个心磁通道的位置,分别获取P波、QRS波、ST段波以及T波波段对应的二维等磁图、电流密度图、梯度场、旋度场和散度场的步骤包括:
基于获取的所述一维蝴蝶图及各个心磁通道的位置,分别绘制得到P波、QRS波、ST段波以及T波波段对应的二维等磁图,基于所述二维等磁图分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图;
根据梯度公式和旋度公式分别计算得到P波、QRS波、ST段波以及T波波段对应的电流密度图中每个位置的矢量信号的梯度值和旋度值,并根据梯度值和旋度值分别绘制得到P波、QRS波、ST段波以及T波波段对应的梯度场和旋度场;
根据散度公式计算分别计算得到P波、QRS波、ST段波以及T波波段对应的梯度场中每个位置的矢量信号的散度值,并根据散度值绘制得到P波、QRS波、ST段波以及T波波段对应的散度场;
所述基本类的特征参数包括场值范围、正值场和负值场的振幅比和振幅差、正值场和负值场的面积比和面积差;
所述极值类的特征参数包括正值场最大值和最大值所在的位置、负值场最大值和最大值所在的位置;
所述矢量类的特征参数包括值场最大值指向正值场最大值的矢量方向和幅值、负值场最大值指向正值场最大值的矢量围成的长方形周长和面积、最大矢量的幅值、方向和位置、围绕最大矢量的长方形周长和面积、总矢量的方向和幅值、围绕总矢量的长方形周长和面积;
所述重心类的特征参数包括正值场重心位置、正值场最大值位置、正值场重心位置连线的距离和方向、负值场重心位置、负值场最大值位置、负值场重心位置连线的距离和方向、正负重心位置连线的距离和方向。
4.根据权利要求3的存储介质,其特征在于,所述特征子集包括:
所述T波对应的散度场中:
T2点的负值场最大值指向正值场最大值的矢量方向与T1点的负值场最大值指向正值场最大值的矢量方向之间的比值、T波顶点的负值场重心和正值场重心连线方向与T2的点负值场重心和正值场重心连线方向之间的比值、T3点的正值场与负值场之间的面积比与T波顶点的正值场与负值场之间的面积比之间的比值;
所述T波对应的旋度场中正值场与负值场的振幅差的变异系数;
所述T波顶点到终点对应的梯度场中围绕最大梯度矢量的长方体面积的方差;
所述QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第m1个bin值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量大小的直方图的第m2个bin值之间的比值、所述QRS波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值与T波对应的二维等磁图中负值场最大值指向正值场最大值的矢量方向的最小值之间的比值;
所述QRS波对应的梯度场中总梯度矢量方向的变换指数与T波对应的梯度场中总梯度矢量方向的变换指数之间的比值;
所述ST段波对应的二维等磁场中正值场与负值场的振幅差的直方图的第m3个bin值与T波对应的二维等磁场中正值场与负值场的振幅差的直方图的第m4个bin值之间的比值;
所述QRS波对应的散度场中:
正负重心连线的矢量距离的Renyi熵、正值场与负值场的振幅比的峰值因子;
所述P波和T波分别对应的一维蝴蝶图中:
第N1通道的波形的绝对均值、第N2通道的波形的绝对最大值;
P波起点到顶点对应的二维等磁图中正值场最小值的方差;
QT间期对应的一维蝴蝶图中第N3通道的LBP二值化的统计直方图的第m5个bin值。
5.一种终端,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行权利要求3-4中任一所述的存储介质上的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441942.9A CN117137492B (zh) | 2023-11-01 | 2023-11-01 | 冠状动脉血流异常检测系统、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441942.9A CN117137492B (zh) | 2023-11-01 | 2023-11-01 | 冠状动脉血流异常检测系统、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117137492A CN117137492A (zh) | 2023-12-01 |
CN117137492B true CN117137492B (zh) | 2024-02-09 |
Family
ID=88897287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311441942.9A Active CN117137492B (zh) | 2023-11-01 | 2023-11-01 | 冠状动脉血流异常检测系统、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117137492B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001020477A2 (de) * | 1999-08-28 | 2001-03-22 | Squid Ag | Computerbasiertes verfahren zur automatischen aufbereitung von daten biomagnetischer felder, insbesondere von magnetokardiographischen daten |
WO2012173583A1 (en) * | 2011-06-16 | 2012-12-20 | Chaykovskyy Lllya Anatoliiovych | Method and device for evaluation of myocardial ischemia based on current density maps |
CN103810381A (zh) * | 2014-01-26 | 2014-05-21 | 同济大学 | 一种基于多通道心磁图的冠心病特征参数提取方法 |
WO2014124250A2 (en) * | 2013-02-11 | 2014-08-14 | The Board Of Trustees Of The University Of Illinois | Selective spectral displacement projection magnetic resonance elastography |
CN104271038A (zh) * | 2012-07-13 | 2015-01-07 | 伊利娅·阿纳托利欧维奇·柴可夫斯基 | 一种基于电流密度变化评估心肌损伤的方法和设备 |
KR20150092048A (ko) * | 2015-07-20 | 2015-08-12 | 강원대학교산학협력단 | 생리학적 압력-유량 관계를 이용한 관상동맥 유량과 압력을 구하는 방법 |
CN108245152A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血特征参数提取方法及系统、存储介质及终端 |
CN108577825A (zh) * | 2018-01-11 | 2018-09-28 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 |
CN108992057A (zh) * | 2018-06-05 | 2018-12-14 | 杭州晟视科技有限公司 | 一种确定冠状动脉血流储备分数ffr的方法和装置 |
CN110074774A (zh) * | 2019-04-28 | 2019-08-02 | 漫迪医疗仪器(上海)有限公司 | 基于心磁图的心脏室间隔异常的分析方法、系统、介质及终端 |
CN112515679A (zh) * | 2020-12-01 | 2021-03-19 | 北京昆迈医疗科技有限公司 | 无屏蔽式心磁图设备 |
CN112842344A (zh) * | 2021-02-05 | 2021-05-28 | 浙江工业大学 | 一种磁场检测系统及方法 |
CN112842343A (zh) * | 2021-02-01 | 2021-05-28 | 北京航空航天大学 | 一种基于serf原子磁强计的心磁三维源位置估计方法 |
CN115337016A (zh) * | 2022-08-01 | 2022-11-15 | 苏州卡迪默克医疗器械有限公司 | 一种基于电流密度矢量图评估心肌缺血的方法及装置 |
CN116421457A (zh) * | 2023-02-28 | 2023-07-14 | 山东大学 | 一种基于无创预测冠状动脉灌注压的心肺复苏系统及方法 |
CN116933053A (zh) * | 2023-07-18 | 2023-10-24 | 中国人民解放军国防科技大学 | 平流层多尺度扰动中能量传输和物质输送的识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7485095B2 (en) * | 2000-05-30 | 2009-02-03 | Vladimir Shusterman | Measurement and analysis of trends in physiological and/or health data |
CN113040740B (zh) * | 2016-06-24 | 2024-11-19 | 生命解析公司 | 用于测量心肌缺血、狭窄识别、定位和血流储备分数估计的非侵入式方法和系统 |
WO2021242868A1 (en) * | 2020-05-27 | 2021-12-02 | Genetesis, Inc. | Systems and devices for detecting coronary artery disease using magnetic field maps |
-
2023
- 2023-11-01 CN CN202311441942.9A patent/CN117137492B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001020477A2 (de) * | 1999-08-28 | 2001-03-22 | Squid Ag | Computerbasiertes verfahren zur automatischen aufbereitung von daten biomagnetischer felder, insbesondere von magnetokardiographischen daten |
WO2012173583A1 (en) * | 2011-06-16 | 2012-12-20 | Chaykovskyy Lllya Anatoliiovych | Method and device for evaluation of myocardial ischemia based on current density maps |
CN104271038A (zh) * | 2012-07-13 | 2015-01-07 | 伊利娅·阿纳托利欧维奇·柴可夫斯基 | 一种基于电流密度变化评估心肌损伤的方法和设备 |
WO2014124250A2 (en) * | 2013-02-11 | 2014-08-14 | The Board Of Trustees Of The University Of Illinois | Selective spectral displacement projection magnetic resonance elastography |
CN103810381A (zh) * | 2014-01-26 | 2014-05-21 | 同济大学 | 一种基于多通道心磁图的冠心病特征参数提取方法 |
KR20150092048A (ko) * | 2015-07-20 | 2015-08-12 | 강원대학교산학협력단 | 생리학적 압력-유량 관계를 이용한 관상동맥 유량과 압력을 구하는 방법 |
CN108245152A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血特征参数提取方法及系统、存储介质及终端 |
CN108577825A (zh) * | 2018-01-11 | 2018-09-28 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 |
CN108992057A (zh) * | 2018-06-05 | 2018-12-14 | 杭州晟视科技有限公司 | 一种确定冠状动脉血流储备分数ffr的方法和装置 |
CN110074774A (zh) * | 2019-04-28 | 2019-08-02 | 漫迪医疗仪器(上海)有限公司 | 基于心磁图的心脏室间隔异常的分析方法、系统、介质及终端 |
CN112515679A (zh) * | 2020-12-01 | 2021-03-19 | 北京昆迈医疗科技有限公司 | 无屏蔽式心磁图设备 |
CN112842343A (zh) * | 2021-02-01 | 2021-05-28 | 北京航空航天大学 | 一种基于serf原子磁强计的心磁三维源位置估计方法 |
CN112842344A (zh) * | 2021-02-05 | 2021-05-28 | 浙江工业大学 | 一种磁场检测系统及方法 |
CN115337016A (zh) * | 2022-08-01 | 2022-11-15 | 苏州卡迪默克医疗器械有限公司 | 一种基于电流密度矢量图评估心肌缺血的方法及装置 |
CN116421457A (zh) * | 2023-02-28 | 2023-07-14 | 山东大学 | 一种基于无创预测冠状动脉灌注压的心肺复苏系统及方法 |
CN116933053A (zh) * | 2023-07-18 | 2023-10-24 | 中国人民解放军国防科技大学 | 平流层多尺度扰动中能量传输和物质输送的识别方法 |
Non-Patent Citations (2)
Title |
---|
冠状动脉临界病变的评价及治疗;申倩南;刘俊;;心血管病学进展(第02期);全文 * |
冠状动脉粥样硬化性心脏病患者特征性的心磁图表现;权薇薇;陆国平;李英梅;沈越;袁;戚文航;;诊断学理论与实践(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117137492A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | JAS-GAN: generative adversarial network based joint atrium and scar segmentations on unbalanced atrial targets | |
Wang et al. | Cardiac motion and deformation recovery from MRI: a review | |
CN108577825B (zh) | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN1951320A (zh) | 基于超完备特征的异常心电识别方法 | |
CN106108880B (zh) | 一种心拍自动识别方法及系统 | |
Amini et al. | Non-rigid motion models for tracking the left-ventricular wall | |
KR102216047B1 (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
CN114041800A (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
Do et al. | Data augmentation for 12-lead ECG beat classification | |
Kishore et al. | An innovative machine learning approach for classifying ECG signals in healthcare devices | |
CN115299956B (zh) | 一种基于确定学习和心电图的心肌缺血检测方法及系统 | |
CN118484765A (zh) | 基于自适应阈值估计的心磁信号特征波检测及评估方法 | |
CN117137492B (zh) | 冠状动脉血流异常检测系统、存储介质及终端 | |
CN117100276B (zh) | 心功能检测系统、计算机存储介质及终端 | |
Spicher et al. | ECG delineation using a piecewise Gaussian derivative model with parameters estimated from scale-dependent algebraic expressions | |
CN113171102A (zh) | 基于持续深度学习的ecg数据分类方法 | |
Xie et al. | Automatic neuron tracing in volumetric microscopy images with anisotropic path searching | |
CN113171105A (zh) | 基于集成cnn的心肌缺血的识别分类方法 | |
US20130110406A1 (en) | Method and apparatus for displaying analysis result of medical measured data | |
CN117084684A (zh) | 基于心磁电流密度图扩展场的特征参数提取方法及系统 | |
Hori et al. | Arrhythmia detection based on patient-specific normal ecgs using deep learning | |
CN119033379B (zh) | 基于心磁时空三维动态参数的心肌缺血识别方法及系统 | |
Desai et al. | ECG signal classification using smoothed pseudo wigner-ville distribution | |
Sathishkumar et al. | A Novel Radial Basis Function Neural Network Approach for ECG Signal Classification. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |