(19)中华 人民共和国 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 202111651413.2 (22)申请日 2021.12.3 0 (71)申请人 清华大学 地址 100084 北京市海淀区清华园1号 申请人 郑州大学 (72)发明人 师丽　韩闯　潘世豪　王治忠　 王松伟　 (74)专利代理 机构 郑州睿途知识产权代理事务 所(普通合伙) 41183 代理人 李伊宁 (51)Int.Cl. A61B 5/318(2021.01) A61B 5/349(2021.01) A61B 5/355(2021.01) A61B 5/358(2021.01)A61B 5/00(2006.01) A61B 5/366(2021.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01) G06T 5/50(2006.01) (54)发明名称 一种基于知识图谱的心肌梗死智能辅助验 证方法及系统 (57)摘要 本发明公开了一种基于知识图谱的心肌梗 死智能辅助验证方法和系统， 包括以下具体步 骤： A： 获取多导联心电信号数据； B： 利用获取的 多导联心电信号数据， 通过心电信号特征点提取 网络模型对 特征点进行提取， 得到多导联心电信 号数据中的特征点； 然后通过心拍形态识别网络 模型进行心拍形态识别， 最终得到多导联心电信 号数据的实体属性值； C： 将获得的多导联心电信 号数据的实体属性值， 链接到心梗辅助诊断领域 知识图谱的本体结构上， 生 成对应实体的知 识图 谱； D： 利用知识图谱并基于产生式规则， 对心肌 梗死的诊断结果进行辅助验证。 本发 明能够基于 心拍识别构建的知识图谱， 并基于产生式规则对 心肌梗死的诊断结果进行辅助验证， 提高诊断结 果的准确性和可解释性。 权利要求书10页 说明书21页 附图2页 CN 114246591 A 2022.03.29 CN 114246591 A 1.一种基于知识图谱的心肌梗死智能辅助验证方法， 其特征在于,依次包括以下具体 步骤： A： 获取多导联心电信号数据； B： 利用获取的多导联心电信号数据， 建立并通过心电信号特征点提取网络模型对特征 点进行提取， 得到多导联心电信号数据中的特征点； 然后利用得到的多导联心电信号数据 中的特征点， 通过心拍形态识别网络模型进行心拍形态识别， 最终得到多导联心电信号数 据的实体属性 值； 其中， 多导联心电信号数据中的特征点包括QRS波起止点、 QRS波峰值点、 T波峰值点和T 波终止点； 心拍形态包括Q波 形态、 ST段形态和T波 形态； 实体属性值即心拍形态， 同样包括Q 波形态、 ST 段形态和T波形态， Q波形态包含有病理性Q波和无病理性Q波； ST 段形态包含ST 段 典型抬高、 ST段非 典型抬高和ST段不抬高； T 波形态包 含高耸、 倒置和直 立； C： 将步骤B中获得的多导联心电信号数据的实体属性值， 链接到心梗辅助诊断领域知 识图谱的本体结构上， 生成对应实体的知识图谱； D： 利用步骤C中得到的知识图谱， 并基于产生式规则， 对心肌梗死的诊断结果进行辅助 验证。 2.根据权利要求1所述的基于知识图谱的心肌梗死智能辅助验证方法， 其特征在于， 所 述的步骤B包括以下 具体步骤： B11： 将得到的导联信号， 输入到心电信号特 征点提取网络； B12： 建立并通过心电信号特征点提取网络模型， 获取每个时刻采样点属于QRS波起止 点、 QRS波峰值点、 QRS波终止点、 T波峰值点和T波终止点的概率， 并基于固定阈值法提取特 征点； 步骤B12包括以下 具体步骤： B121： 进行 数据预处 理； 将多导联心电数据分别通过基于db6小波的离散小波变换去除基线干扰和0.5～40Hz 的三阶巴特沃斯带通滤波器去除高频和低频噪声， 截取各导联心电数据长度为N， 8 0％的数 据为训练集， 20％的数据为测试集； 待检测点若是QRS波起始点， 则标签为(1,0,0,0,0)； 若 是QRS波峰值点， 则标签为(0,1,0,0,0)； 若是QRS波终止点， 则标签为(0,0,1,0,0)； 则标签 为(0,0,1,0,0)； 若是T波峰值点， 则标签为(0,0,0,1,0)； 若是T波终止点， 则标签为(0,0,0, 0,1)； 输入数据维度为 N×1， 数据标签维度为 N×5； B122： 进行标签扩展； 若某个采样点被标记为QRS波起始点， 则认为采样点的前0.075s和后0.075s的采样点 也为QRS波起止点， 即具有相同的标签； B123： 建立并训练基于U ‑net框架的卷积神经网络模型和基于U ‑net框架的长短期记忆 网络模型， 分别得到训练后的基于U ‑net框架的卷积神经网络模 型和基于U ‑net框架的长 短 期记忆网络模型； 其中， 基于U ‑net框架的卷积神经网络模型共19层， 包含编码模块、 底层模块、 解码模块 和Softmax层； 基于U‑net框架的长短期记忆网络模型共19层， 包含编码模块、 底层模块、 解码模块和 Softmax层；权　利　要　求　书 1/10 页 2 CN 114246591 A 2所述的步骤B123中， 在分别对基于U ‑net框架的卷积神经网络模型和基于U ‑net框架的 长短期记 忆网络模型进行训练时， 使用的损失函数为： 其中， n为每次输入网络的批次样本的个数， J为类别的个数， z表示t采样时刻属于类别 k的概率， K＝{1,2 …J}， k∈K,T＝{0,1,2， …， N}， t∈T,y为样本标签值， 采用随机梯度下降 优化器对 上述模型进 行训练， 通过逐步迭代使模型损失函数最小； 动量、 学习率和批量大小 的超参数分别为0.9、 0.005和64； 当基于U ‑net框架的卷积神经网络和基于U ‑net框架的长 短期记忆网络 分别连续训练20轮后损失函数值均不降低， 则停止训练并分别保存训练后的 基于U‑net框架的卷积神经网络模型和基于U ‑net框架的长短期记 忆网络模型； B13： 基于动态阈值自适应调整策略和基于电生理知识的多导联互参方法进一步修正 QRS波起止点、 QRS波峰值 点、 T波峰值点和T波终止点的位置； B14： 通过心拍形态 识别网络模型进行心拍形态 识别。 3.根据权利要求2所述的基于知识图谱的心肌梗死智能辅助验证方法， 其特征在于： 所 述的步骤B124中， 固定阈值法提取 特征点的方法包括下述具体步骤： B1241： 将输入信号{x(t),t＝1,2, …N}输入训练后的基于U ‑net框架的卷积神经网络 模型和基于U ‑net框架的长 短期记忆网络模 型中， 分别得到每个时刻采样点属于Q RS波起止 点、 QRS波峰值 点、 QRS波终止点、 T 波峰值点和T波终止点的概 率矩阵P和Q， 其表达式分别为： 其中， PN1， PN2， PN3， PN4和PN5分别表示在基于U ‑net框架的卷积神经网络模型中， 第 N个采 样点分别属于QRS波起止点、 QRS波峰值点、 QRS波终止点、 T波峰值点和T波终止点的概率； QN1， QN2， QN3， QN4和QN5分别表示在基于U ‑net‑ECGLSTM模型中， 第N个采样点分别属于QRS波起 止点、 QRS波峰值 点、 QRS波终止点、 T 波峰值点和T波终止点的概 率； B1242： 生成集成学习获取每 个时刻采样点是相应特 征点的概 率矩阵V， 其表达式为： 其中， 表示基于集成学习获取第N个采样点是QRS波起始点的概率， 将概率矩阵V， 转换为由0和1组成的矩阵X， 矩阵X的表达式为：权　利　要　求　书 2/10 页 3 CN 114246591 A 3