(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 202111631456.4 (22)申请日 2021.12.28 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 骆源　曾婉玉　 (74)专利代理 机构 上海段和段律师事务所 31334 代理人 王丹东 (51)Int.Cl. A61B 5/318(2021.01) A61B 5/346(2021.01) A61B 5/358(2021.01) A61B 5/00(2006.01) A61B 5/352(2021.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) (54)发明名称 基于因果分析的心电图ST段异常判别系统 (57)摘要 本发明提供了一种基于因果分析的心电图 ST段异常判别系统， 包括： 提取心外体征因素数 据并进行预处理， 基于预处理后的心外体征因素 数据生成数据变量间的加权邻接矩阵， 加权邻接 矩阵提取非零权值生成贝叶斯网络G0； 计算贝叶 斯网络G0各路径的因果效应估计量， 基于因果效 应估计量调整网络结构生成因果网络G1； 从心电 图中提取 12导联数据， 并对12导联数据进行预处 理， 得到预处理后的12导联数据； 基于12导联数 据获取10维心电特征； 对预处理后的12导联数据 和10维心电特征进行预处理， 并通过卷积残差神 经网络提取深度特征； 将深度特征与因果机制变 量数据进行结合， 并输入决策树得到心电图中出 现心电特 征st段异常的预测概 率。 权利要求书2页 说明书10页 附图3页 CN 114176600 A 2022.03.15 CN 114176600 A 1.一种基于因果分析的心电图ST段异常判别系统， 其特 征在于， 包括： 贝叶斯网络生成模块： 提取心外体征因素数据并进行预处理， 得到预处理后的心外体 征因素数据， 基于预处理后的心外体征因素数据生成数据变量间的加权邻接矩阵， 加权邻 接矩阵提取非零权值生成贝叶斯 网络G0， 建立心电图st段异 常与心外体征因素数据之间的 因果联系机制； 有向调整模块： 计算贝叶斯网络G0各路径的因果效应估计量， 基于因果效应估计量调整 网络结构生成因果 网络G1， 按照预设要求筛选出预设个与心电图st段异 常相关的因果机制 变量； 心电图信号处理模块： 从心电图中提取12导联数据， 并对12导联数据进行预处理， 得到 预处理后的12导联 数据； 基于预处 理后的12导联 数据获取10维心电特 征； 判别模块： 对预处理后的12导联数据和 10维心电特征进行预处理， 并通过卷积残差神 经网络提取深度特征； 将深度特征与 因果机制 变量数据进行结合， 并输入决策树得到心电 图中出现心电特 征st段异常的预测概 率。 2.根据权利要求1所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 在所 述贝叶斯网络生成模块中， 模块M1.1： 提取心外体征因素数据， 并对提取出的心外体征因素数据进行离散化处理， 得到离散化处理后的心外体征因素 数据； 模块M1.2： 将离散化处理后的心外体征因素数据使用NOTEARS结构学习算法和K2评分 算法生成数据变量间的加权邻接矩阵； 模块M1.3： 加权邻接矩阵通过硬阈值规则将矩阵权值进行二级化处理， 提取非零权值， 生成贝叶斯网络G0。 3.根据权利要求1所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 所述 模块M1.3采用： 加权邻接矩阵通过硬阈值ω＝0.1将矩阵权值进 行二级化处理， 提取非零权 值， 生成贝叶斯网络G0。 4.根据权利要求1所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 在所 述有向调整模块中， 模块M2.1： 采用前门调整公式和后门调整公式计算贝叶斯网络G0各路径的因果效应估 计量； 模块M2.2： 基于因果效应估计量使用do运算进行干预操作， 调整网络结构， 生成因果网 络G1。 5.根据权利要求4所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 在所 述模块M2.1中， 采用前门调整公 式、 后门调整公 式和有向分离法则推断包括吸烟、 饮酒以及 运动变量与st段异常之间的不同因果关系。 6.根据权利要求1所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 在所 述心电图信号处 理模块中， 模块M3.1： 从心电图机产生的XML文件提取12导联序列数据； 模块M3.2： 12导联序列数据使用symlets4小波对心电信号进行7层分解去噪处理， 得到 去噪后的12导联序列数据； 模块M3.3： 基于去噪后的12导联序列数据寻找心电序列数据中R波的位置， 并以R波为权　利　要　求　书 1/2 页 2 CN 114176600 A 2基准进行心拍分割， 获得10维心电特 征。 7.根据权利要求1所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 在所 述判别模块中， 模块M4.1： 对去噪后的12导联序列数据和10维心电特征进行平移和缩放的数据增强处 理， 得到处 理后的数据； 模块M4.2： 处 理后的数据利用Resne Xt50+SE深度残差深度神经网络提取深度特 征； 模块M4.3： 将深度特征与因果机制变量数据进行结合， 输入训练好的xgBoost树模型， 得到心电图中出现心电特 征st段异常的预测概 率。 8.根据权利要求7所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 所述 ResneXt50+SE卷积残差深度神经网络采用： 处理后的数据进入ResneXt50+SE深度残差深度 神经网络， 经过一个1维卷积层和最大池化层后， 进入重复预设数量的瓶颈层， 最后经过全 局池化层和全局最大池化层转化为一维数据后， 经过全连接层和Softmax函数层得到三维 预测值。 9.根据权利要求8所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 在所 述瓶颈层中： 使用卷积核为1的变换维度操作改变数据维度， 然后使用分组卷积， 最后使用 核为1的变换维度的操作得到相应尺寸的数据。 10.根据权利要求9所述的基于因果分析的心电图ST段异常判别系统， 其特征在于， 所 述瓶颈层还包括： 通过SE模块学习channel之间的相关性， 提高ResneXt50+SE卷积残差深度 神经网络的准确率。权　利　要　求　书 2/2 页 3 CN 114176600 A 3