本發(fā)明涉及醫(yī)學圖像處理領域，尤其涉及一種多域深度特征融合的心梗定位方法、設備及存儲介質。

背景技術：

1、心肌梗死，亦稱為心肌梗塞(myocardial?infarction，mi)，是重大心血管疾病之一，其影響力不容忽視。mi的及時診斷，對于啟動緊急救治措施、限制心肌受損范圍、以及提高患者生存率具有無法估量的重要性。

2、在面臨心肌梗死的威脅時，每一分每一秒都至關重要，因此，能夠快速且準確地識別和定位梗死區(qū)域，對于指導臨床醫(yī)生的決策和制定治療方案來說，具有極高的醫(yī)療價值。這不僅能夠為患者爭取到寶貴的救治時間，還能提高治療效果，減少并發(fā)癥的發(fā)生，進而改善患者的生活質量，延長其生命。

3、盡管傳統(tǒng)的心電圖((electrocardiogram，ecg)分析長期以來在臨床上被廣泛應用于mi的診斷，其有效性和實用性已得到廣泛認可，然而，現(xiàn)有的基于深度學習的mi定位技術，往往過分依賴單一的時域特征進行分析。這種方法在捕捉ecg數(shù)據(jù)中蘊含的豐富頻域和時頻域信息方面存在明顯不足，從而限制了檢測的準確性和可靠性，并導致模型的泛化能力較差。此外，基于機器學習的診斷方法在心肌梗死定位領域的應用也面臨著挑戰(zhàn)。這些方法往往需要繁瑣復雜的特征工程，這一過程不僅需要豐富的專業(yè)知識和經驗，還可能因為手動干預而導致結果的主觀性和不確定性增加。因此，開發(fā)一種能夠綜合利用ecg數(shù)據(jù)中多種信息，并減少人工干預影響的深度學習模型，對于提高mi定位的準確性和可靠性具有重要意義。

技術實現(xiàn)思路

1、本發(fā)明的目的在于：提出一種多域深度特征融合的心梗定位方法，解決現(xiàn)有技術過分依賴單一時域特征進行分析，導致心梗定位不準確的技術問題。

2、本發(fā)明提供的一種多域深度特征融合的心梗定位方法，包括以下步驟：

3、s1：獲取原始的12導聯(lián)ecg數(shù)據(jù)并進行預處理，得到預處理后的ecg數(shù)據(jù)；

4、s2：采用s變換對經過預處理后的ecg數(shù)據(jù)進行時頻分析，從而獲取對應的時頻圖像；

5、s3：采用離散傅里葉變換計算預處理后的ecg數(shù)據(jù)的一維振幅譜，通過格拉姆角場將其轉換為二維頻譜圖像；

6、s4：將s2與s3得到的時頻圖像和二維頻譜圖像連同原始ecg數(shù)據(jù)一同輸入到為各自數(shù)據(jù)特征設計的一維與二維卷積神經網絡模型組合的多域特征融合卷積神經網絡mff-cnn中訓練；

7、s5：使用mff-cnn網絡進行特征分類，實現(xiàn)心肌梗死的定位。

8、一種存儲介質，所述存儲介質存儲指令及數(shù)據(jù)用于實現(xiàn)一種多域深度特征融合的心梗定位方法。

9、一種多域深度特征融合的心梗定位設備，包括：處理器及所述存儲介質；所述處理器加載并執(zhí)行所述存儲介質中的指令及數(shù)據(jù)用于實現(xiàn)一種多域深度特征融合的心梗定位方法。

10、本發(fā)明提供的有益效果是：

11、1、本發(fā)明通過生成頻譜圖像和時頻圖像，并與時域心電圖相結合，構建多域信息輸入，這些輸入提供了互補特性，有助于增強特征的表征能力和泛化性能，進而提升mi的定位精度。

12、2、本發(fā)明提出了一種新穎的多域特征融合卷積神經網絡(mff-cnn)，用于從輸入的ecg信號、頻譜圖像和時頻圖像中自動提取多域深度特征。該網絡融合了各域之間的互補特性，實現(xiàn)了合理且有效的多域特征學習，提高了模型對mi定位的泛化能力。

技術特征：

1.一種多域深度特征融合的心梗定位方法，其特征在于：方法包括以下步驟：

2.如權利要求1所述的一種多域深度特征融合的心梗定位方法，其特征在于：步驟s1中的預處理包括：對ecg數(shù)據(jù)進行重采樣、去噪、r峰定位以及分割心拍。

3.如權利要求1所述的一種多域深度特征融合的心梗定位方法，其特征在于：步驟s2具體為：采用高斯函數(shù)對預處理后的ecg數(shù)據(jù)進行局部化處理，得到局部化信號；對局部化信號進行傅里葉變換，并最后合成，得到時頻圖像。

4.如權利要求1所述的一種多域深度特征融合的心梗定位方法，其特征在于：步驟s3的具體過程如下：

5.如權利要求1所述的一種多域深度特征融合的心梗定位方法，其特征在于：步驟s4具體為：

6.如權利要求5所述的一種多域深度特征融合的心梗定位方法，其特征在于：所述改進后的一維se-resnet18網絡具體為：將一維resnet18網絡的初始卷積核大小修改為15，后續(xù)卷積核大小修改為7，并在每個殘差塊之間添加了se塊和一個dropout層，通過se塊輸出每個通道的重要性權重向量。

7.如權利要求5所述的一種多域深度特征融合的心梗定位方法，其特征在于：步驟s43中損失函數(shù)如下：

8.一種存儲介質，其特征在于：所述存儲介質存儲指令及數(shù)據(jù)用于實現(xiàn)權利要求1～7任一項所述的一種多域深度特征融合的心梗定位方法。

9.一種多域深度特征融合的心梗定位設備，其特征在于：包括：處理器及存儲介質；所述處理器加載并執(zhí)行存儲介質中的指令及數(shù)據(jù)用于實現(xiàn)權利要求1～7任一項所述的一種多域深度特征融合的心梗定位方法。

技術總結
本發(fā)明涉及醫(yī)學圖像處理領域，公開了一種多域深度特征融合的心梗定位方法、設備及存儲介質，方法包括步驟：獲取12導聯(lián)心電圖數(shù)據(jù)并進行預處理；采用S變換將導聯(lián)II的ECG數(shù)據(jù)轉換時頻圖像；采用離散傅里葉變換計算心電信號的一維振幅譜，通過格拉姆角場將其轉換為二維頻譜圖像；將預處理后的12導聯(lián)ECG數(shù)據(jù)與生成的頻譜圖像和時頻圖像共同輸入到一維與二維卷積神經網絡模型組合的多域特征融合卷積神經網絡MFF?CNN中進行訓練。S5：使用MFF?CNN網絡進行特征分類，實現(xiàn)心肌梗死的定位。本發(fā)明有益效果是：顯著提高了心肌梗死的定位準確率，具有高準確性、操作簡便及魯棒性強的特點。

技術研發(fā)人員：陳云帆,葉錦興,李玉庭,萬相奎,郝丹妮,王濱輝
受保護的技術使用者：湖北工業(yè)大學
技術研發(fā)日：
技術公布日：2024/12/30