(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211276192.X (22)申请日 2022.10.18 (71)申请人 合肥心之声健康科技有限公司 地址 230071 安徽省合肥市高新区望江西 路900号中安创谷科技园一期A3栋719 室 申请人 天津医科 大学第二医院 (72)发明人 耿世佳　陈康寅　洪申达　刘彤　 魏国栋　薛政凯　王凯　陶华岳　 章德云　郭少华　傅兆吉　周荣博　 俞杰　鄂雁祺　齐新宇　 (74)专利代理 机构 北京绘聚高科知识产权代理 事务所(普通 合伙) 11832 专利代理师 张春慧(51)Int.Cl. A61B 5/02(2006.01) A61B 5/346(2021.01) A61B 5/349(2021.01) A61B 5/00(2006.01) G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种无症状冠状动脉重度狭窄的心电图筛 查方法和系统 (57)摘要 本发明公开一种无症状冠状动脉重度狭窄 的心电图筛查方法和系统， 其中， 心电图筛查方 法包括： 构建冠状动脉数据集； 标记心电图分别 为重度狭 窄标签和非重度狭窄标签； 输入冠状动 脉数据集至心电图神经网络模型， 得到心电图向 量特征表 示； 拼接心电图向量特征表 示和危险因 素向量特征表 示得到冠状动脉拼接向量； 使用非 深度神经网络分类算法计算冠状动脉拼接向量， 得到分类结果； 使用重度狭窄标签或非重度狭窄 标签验证分类结果； 最后使用非深度神经网络分 类算法筛查受试者心电图。 本发 明的技术方案能 解决现有技术条件下冠脉造影检查不容易获取 以及因心电图阴性导致极易漏诊的高危冠心病 患者， 其重度冠脉狭窄判定缺少专一性和准确性 的问题。 权利要求书3页 说明书12页 附图6页 CN 115349834 A 2022.11.18 CN 115349834 A 1.一种无症状冠状动脉重度狭窄的心电图筛查方法， 其特 征在于， 包括： 构建冠状动脉数据集， 其中， 所述冠状动脉数据集包括冠状动脉狭窄患者的心电图和 冠心病危险因素； 根据冠状动脉狭窄 程度， 标记所述心电图分别为重度狭窄标签和非重度狭窄标签； 将所述冠状动脉 数据集输入至心电图神经网络模型， 得到心电图向量特 征表示； 拼接所述心电图向量特征表示和所述冠心病危险因素对应的危险因素向量特征表示， 得到冠状动脉拼接向量； 使用非深度神经网络分类算法不断计算所述冠状动脉拼接向量， 直至得到的狭窄标签 分类结果符合对应的所述重度狭窄标签或所述非重度狭窄标签； 使用所述心电图神经网络模型和所述非深度神经网络分类算法筛查受试者的心电图。 2.根据权利要求1所述的心电图筛查方法， 其特征在于， 所述将冠状动脉数据集输入至 心电图神经网络模型， 得到心电图向量特 征表示的步骤， 包括： 将标记后的所有心电图分别 输入至所述心电图神经网络模型， 得到对应的心电图向量 特征表示； 对所述心电图向量特征表示中的各元素进行归一化处理， 得到归一化处理后的心电图 向量特征表示。 3.根据权利要求1或2所述的心电图筛查方法， 其特征在于， 所述拼接所述心电图向量 特征表示和所述冠心病危险因素对应的危险因素向量特征表示， 得到冠状动脉拼接向量的 步骤， 包括： 对所述冠心病危险因素进行分类标记和归一化处理， 得到所述危险因素向量特征表 示； 拼接同一冠状动脉狭窄患者的所述心电图向量特征表示和所述危险因素向量特征表 示， 得到所述冠状动脉拼接向量。 4.根据权利要求3所述的心电图筛查方法， 其特征在于， 所述使用非深度神经网络分类 算法不断计算所述冠状动脉拼接向量， 直至得到的狭窄标签分类结果符合对应的所述重度 狭窄标签或非重度狭窄标签的步骤， 包括： 使用逻辑 回归算法， 建立所述冠状动脉拼接向量的逻辑 回归公式， 其中， 所述逻辑回归 公式包括所述冠状动脉的矩阵模型、 所述矩阵模型初始化的参数和损失函数； 根据所述逻辑回归公式预测得到所述冠状动脉拼接向量的狭窄标签分类结果； 使用同一冠状动脉狭窄患者的所述重度狭窄标签或非重度狭窄标签验证所述狭窄标 签分类结果； 根据梯度下降算法更新所述逻辑回归公式的参数， 重新计算所述狭窄标签分类结果， 直至所述损失函数小于或等于预定损失阈值。 5.根据权利要求4所述的心电图筛查方法， 其特征在于， 所述使用所述心电图神经网络 模型和所述非深度神经网络分类算法筛查受试者的心电图的步骤， 包括： 将所述心电图输入至所述心电图神经网络模型， 得到心电图向量特 征表示； 建立所述心电图对应冠心病危险因素的危险因素向量特 征表示； 拼接所述心电图向量特征表示和所述危险因素向量特征表示， 得到所述冠状动脉拼接 向量；权　利　要　求　书 1/3 页 2 CN 115349834 A 2将所述冠状动脉拼接向量输入至所述非深度神经网络分类算法， 计算得到所述狭窄标 签分类结果。 6.根据权利要求5所述的心电图筛查方法， 其特征在于， 所述将所述冠状动脉数据集输 入至心电图神经网络模型， 得到心电图向量特 征表示的步骤之前， 所述方法还 包括： 使用所述冠状动脉数据集的心电图训练所述心电图神经网络模型， 得到标签鉴别结 果； 使用所述重度狭窄标签和非重度狭窄标签验证所述心电图神经网络模型的标签鉴别 结果； 当所述标签鉴别结果鉴定失败时， 重复使用所述冠状动脉数据集训练所述心电图神经 网络模型； 对所述冠状动脉数据集中的所有心电图重复上述步骤， 直至所述心电图神经网络模型 的标签鉴别成功率大于或等于预定阈值。 7.根据权利要求6所述的心电图筛查方法， 其特征在于， 所述构建冠状动脉数据集的步 骤， 包括： 将冠状动脉狭窄患者的真冠状动脉狭窄心电图输入至生成对抗网络； 使用所述生成对抗网络 中的生成器， 根据 所述真冠状动脉心电图中的冠状动脉狭窄特 征生成伪冠状动脉狭窄心电图； 将所述伪冠状动脉狭窄心电图和所述真冠状动脉狭窄心电图输入至所述生成对抗网 络的鉴别器进行分类鉴别； 按照所述 鉴别器的分类鉴别结果训练所述 生成器； 当所述生成器训练完成时， 使用所述生成器生成的伪冠状动脉狭窄心电图和所述真冠 状动脉狭窄心电图构建所述冠状动脉 数据集。 8.一种无症状冠状动脉重度狭窄的心电图筛查系统， 其特 征在于， 包括： 数据集构建模块， 用于构建冠状动脉数据集， 其中， 所述冠状动脉数据集包括冠状动脉 狭窄患者的心电图和冠心病危险因素； 标签标记模块， 用于根据冠状动脉狭窄程度， 标记所述心电图分别为重度狭窄标签和 非重度狭窄标签； 数据集输入模块， 用于将所述冠状动脉数据集输入至心电图神经网络模型， 得到心电 图向量特 征表示； 向量拼接模块， 用于拼接所述心电图向量特征表示和所述冠心病危险因素对应的危险 因素向量特 征表示， 得到冠状动脉拼接向量； 向量计算模块， 用于使用非深度神经网络分类算法不断计算所述冠状动脉拼接向量， 直至得到的狭窄标签分类结果符合对应的所述重度狭窄标签或所述非重度狭窄标签； 心电图筛查模块， 用于使用所述心电图神经网络模型和所述非深度神经网络分类算法 筛查受试者的心电图。 9.根据权利要求8所述的心电图筛查系统， 其特 征在于， 所述向量计算模块， 包括： 公式建立子模块， 用于使用逻辑回归算法， 建立所述冠状动脉拼接向量的逻辑回归公 式， 其中， 所述逻辑回归公式包括所述冠状动脉的矩阵模型、 所述矩阵模型初始 化的参数和 损失函数；权　利　要　求　书 2/3 页 3 CN 115349834 A 3