文摘

本文结合超声心动图信号处理和人工智能技术,提出一种深层神经网络模型适应超声心动图信号实现左心室容积测量和自动评估肺静脉有效和快速。基于超声心动图信号生成机理和检测方法,超声心动图信号采集的实验方案设计。健康受试者的心脏超声信号数据以四个不同的实验,和一个数据库的左心室容积测量和肺静脉。结合心电图信号和超声心动图之间的通信信号在时域,一系列的预处理,如去噪、特征点定位、分割心脏周期的实现由小波变换和阈值方法完成数据收集。提出了一种基于人工智能的比较模型,适应一维时间序列超声心动图的特征信号,自动提取超声心动图的深层特征信号,有效地减少了手工特征选择的主观影响,并实现了自动分类和评价人的左心室容积测量和肺静脉不同状态下。实验结果表明,该BP神经网络模型具有良好的适应性和分类性能LV体积测量的任务和肺静脉自动分类评价和达到平均测试精度超过96.58%。平均均方根误差的比例只有0.65%通过提取出信号压缩编码的特点通过卷积autoencoder原始超声心动图信号,完成信号的压缩和低损耗。比较LSTM网络的训练时间和分类精度与原始信号和编码的特性,实验结果表明,人工智能模型可以大大降低了模型训练时间成本和达到平均97.97%的准确性测试集的实时性能,增加左心室容积测量和肺静脉评价以及安全的数据传输过程,这是非常重要的左心室容积测量和肺静脉的比较。十分重要的现实意义与肺静脉比较左心室体积测量。

1。介绍

近年来,这个过程逐渐完善和成熟,已经证明比传统药物治疗更杰出的安全性和有效性,跳跃,成为房颤患者的一线治疗方案(1]。外科基础的增加也导致了相对增加并发症,包括肺静脉狭窄(pv)、心包积液、动静脉栓塞,房室食管瘘。心阻抗信号是直接从体表阻抗变化信号测量使用bioimpedance技术人的胸部。因为心脏阻抗信号没有负波形,通常分化反映了心脏的泵血功能从血流动力学角度(2]。心脏的泵血功能可以有效地反映病变的位置在心血管疾病患者的身体状况,身体,和运动训练水平的一个重要参考依据各种心血管疾病的诊断(3,4]。因此,左心室容积测量和肺静脉评估是非常重要的指导治疗和评估心脏功能状态的患者的心血管疾病。人工神经网络提出深度学习的概念,这将使机器模拟多层大脑的信息处理并自动提取输入数据的内在规律和表现水平通过培训(5]。深层神经网络的快速发展,在医学领域应用越来越广泛,与相关的应用程序在疾病诊断、医学图像分割,药物跟踪、医疗文本分析、临床辅助诊断,治疗,等等。AI智能成像平台的推出了新的研究思想在人类医疗健康评估情报。

一些机器学习技术帮助确定来源和序列变量发挥重要作用引起的疾病。在监督学习中,算法包括输入和输出,和我们的目标是将输入映射到输出。它有一个广泛的临床应用,如图像识别、解释病人的心电图,胸部x光,CT结果。在监督学习中,一组的数据库包含观测数据和他们的结果可以用来建立一个预测模型,可以分类结果从另一组给定的观测数据6]。无监督学习的目标是了解数据的内在关系和模式本身。然而,缺乏定量的测量参数和预后之间的关系状态和缺乏综合评价的比较每个参数的能力。因此,心脏衰竭患者的预后模型的发展基于超声心动图指标具有重要的价值,帮助临床医生治疗住院病人和病人出院后的日常管理。比较模型是由与传统统计方法应用机器学习算法,即物流线性回归,分别,通过比较两种模型的价值开发的评估患者的死亡率和心血管事件的风险,这是比较风险模型具有良好的比较得出结论,权力和风险识别可以通过机器学习算法(7]。本文的目的是建立一个基于患者的超声心动图结果比较模型,运用BP神经网络学习算法共同运用7指标反映超声心动图获得的病人的心脏功能,并对比较结果进行比较研究的患者减少射血分数,也就是说,1年期重新接纳和3年死亡率,具有较高的临床研究和实际应用意义。

超声心动图技术,作为一个全面的临床医学测试对心脏结构和功能的理解,没有被有效地用于测量左心室容积和肺静脉的比较。本研究使用超声心动图技术全面的观察心脏形态和功能,使左心室容积测量和肺静脉比较更准确,高效和小说。心脏超声心动图广泛用于临床医学的最优测试确定心脏的形态和功能。第一章首先讨论了心血管疾病的背景和研究意义,阐明了现阶段存在的主要问题,并澄清这个研究计划和整个论文的章节安排。第二章简要回顾国内外研究发展的现状对人工智能超声心动图,左心室容积测量和肺静脉评估和检测方法,更深的学习。第三章提出了一种从深层神经网络1 d-cnn比较模型,结合心阻抗微分信号本身的特点,自动学习心阻抗微分信号的波形特征,避免手动特征选择过程。首先,心脏阻抗数据库预处理,包括信号去噪、特征点定位、和信号分割,完成数据准备工作。第四章通过测试集样本评估模型的性能,并提供一个详细的描述和分析实验结果。然后,左心室容积测量和肺静脉分类在不同的人体状态评估通过深入挖掘时序数据点通过长期短期记忆网络之间的连接。最后,通过比较验证了模型的有效性的原始数据信号编码功能。 The fifth chapter summarizes the research content of this paper.

2。相关工作

超声心动图(UGG)是一个非侵入性的测试,使用超声波检查心脏和大血管回声来获取相关信息。超声心动图提供信息不仅在心脏的形态和结构也在心脏的功能,是一种有效的工具来评估心脏功能状态。这位等人使用x射线透视人类找到一个强有力的心跳,并使用x射线证实心脏肥大,直到超声心动图的引入,这是前进的一大步,心脏的研究(8]。赖W T等人开始使用M-mode超声心动图检查心脏,发现左心室肥大是更常见的在人类在力量训练计划9]。刘等人进一步证实心脏心室扩大的耐力训练程序使用二维超声心动图。超声心动图评估不仅让心脏形态和功能还允许准确识别心脏和病理的心,可有效地防止心脏性猝死的发生在人类引导他们通过运动训练10]。心脏扩大、心肌肥厚已被证明发生在人类长期运动训练,和肥大往往伴随着异常心电图,类似于在临床肥厚性心肌病(11,12]。

神经网络已广泛应用于心血管疾病之间的复杂关系量化给定的数据和显示比较优越的能力在许多领域,如诊断,对治疗的反应,患有各种疾病的预后(13]。Gearhart等人使用神经网络和心肺功能测试比较的老年人,与心血管有关的死亡率在心力衰竭患者左心肺功能测试随访,和获得的测试结果和患者生存组成样本集,这是随机分为训练集和测试集比较心血管类死亡率(14]。脂肪等人应用心脏血流动力学监测测量左心室容积测量和肺静脉心肌阻抗参数的方法对冠状动脉疾病患者的影响在不同时间观察冠状动脉疾病患者的左心室容积测量和肺静脉,进一步指导临床诊断(15]。查图尔维迪等人心脏衰竭患者的血流动力学指标测量阻抗血像探测器及相关用法国巴黎和左心室射血分数来探索其临床意义在左心室容积测量和肺静脉评估。李等人提出了与心跳BiLSTM-Attention神经网络模型,提高心跳ECG信号的分类精度16]。La门E等人用34-layer深卷积神经网络训练数据集的9123心电图记录大约40000病人达到15节奏类型的分类。从以上研究可以看出,与深度学习的不断发展,医疗领域的深度学习方法的使用我的医疗数据的深度信息和协助医生诊断和治疗已成为国内外热点[17]。

本文采用深度学习方法来研究和分析左心室容积测量和肺静脉的状态下的人体不同强度的运动基于心阻抗微分信号,设计一个完全自动的心阻抗微分信号的特性学习模型来反映不同强度的影响心脏血流量的动态变化并完成自动分类评估左心室容积测量和肺静脉功能,实时监控的功能,predisease警告,和医疗援助诊断(18,19]。db6小波变换被用来分解信号在8层,去除噪声信号在不同频率,定位信号特点和段信号,并建立心脏阻抗数据库。交叉验证方法用于将85%的数据样本分为训练集和验证集测试模型训练,剩下的15%的数据样本作为一个单独的测试集测试模型泛化能力,评估模型的性能,并完成数据准备工作(20.,21]。最后,深左心室容积测量和自动肺静脉评估模型的设计是基于深度学习方法结合一维心阻抗微分信号特性(22]。根据目前的实验条件,使用心脏超声心动图比较左心房与肺静脉体积测量将为科学提供实验支持和实用指导运动训练监控和制定锻炼计划。

3所示。基于人工智能的超声心动图测量左心室容积和肺静脉的比较研究

3.1。基于人工智能的超声心动图参数

确认后电极和接口连接正确,AcqKnowledge生理信号采集软件用于同步信号采集、心阻抗信号和心电图信号转化为数字信号同时,并创建一个新通道区分心脏阻抗信号获取心阻抗微分信号波形。如图1,通道2心阻抗信号的波形,频道10心阻抗微分信号的波形,和渠道11心电图信号的波形。

BP神经网络需要训练之前,可以用在比较研究,获得网络的能力作出精确的比较以及对未知数据(23]。M是设置为输入数据和N设置为输出数据,并在每层设置节点的数目x,l,y根据所提供的样本数据,之后适当的权重和层之间设置根据情况,和阈值x和y隐层和输出设置,之后相对合适的学习速率和神经元的激励函数选择根据设定的目标要求。

输出Z中间隐层的基础上获得的输入数据的阈值米下一层的两层之间,见以下方程:

在方程(1),米是激发函数的隐层在中间,可以选择多个函数来执行。根据本文的研究目的,我们定义如下:

基于Z获得以上,阈值y下一层,在两层之间,这个网络的比较结果处理后得到P(k)。

新的加工重量和得到的错误如方程(4),n是学习速率。

错误是用来获取新的阈值x和y处理后,在方程(5)。确定当前迭代算法来达到目标,算法迭代,即旧值,用于不断递归得到新值,这个过程的目的是确认是否可以达到所需的输出。如果没有达到目标,它返回继续训练。

输入参数选择本研究基于7相关指标通过超声心动图:内部直径大小、左心室舒张末期左室射血分数大小、肺动脉收缩压大小、二尖瓣返流程度分组,三尖瓣返流程度分组,有或没有心包积液,有或没有胸腔积液经结合胸片(24,25]。问(隐层神经元的数目)确定基于方程(6)。X和Y输入的超声心动图指标的数量和一组心脏衰竭患者的预后,分别。

由于大数据的超声心动图指标和差距1的值重新接纳和存活时间的结果,比较心脏衰竭患者的结果的准确性可能影响网络处理期间,所有患者的超声心动图指标和预后结果应该是标准化的统一,和所有的病人的数据信息应该转化为[0,1]之间的数量,这里的最大最小法;min (B)是最小的值在所有数据的超声心动图指标,和马克斯(B)是最大的价值在所有结果的预后状况,和转换后获得的数据可以直接用于训练神经网络如下:

通过多个培训后获得的权重和阈值达到确定的目标要求,它们作为预后预测模型的参数和放置在网络。它可以更好地执行超声心动图测量左心室体积与肺静脉和比较。下一步是设置训练参数的心力衰竭预后比较模型:步长和学习速度。学习速率应该设置为一个较小的值,因为更大的值将加快收敛的开始训练,但不会收敛时接近最优值。自动提取内部法律和表示通过训练水平的输入数据。

3.2。左心室容积测量和肺静脉比较法

受试者通过问卷调查确定后,确定测试时间与受试者通过沟通,以确保受试者并没有执行任何培训的前一天,和实验组获准静坐在测试前至少5分钟。医生是在电脑前和彩色打印机输入信息,记录数据,并打印彩色超声心动图报告形式的医院,和对照组进行了测试以同样的方式作为实验组。

左心室,烈度视图测量左心室前后径(LAAPD)、左心室舒张末期内径(LVEDD)、内部和左心室收缩末期的内部直径(LVESD);顶端四腔心切面测量左心室左右直径(LALRD)和左心室上下直径(LASID);实时双翼飞机法测量左心室最大体积(LAVmax) end-systole和左心房end-diastole最小体积(LAVmin)。LAVmax测量在end-systole LAVmin end-diastole测量,和LAVp测量心电图P波的开始,不能以PeAF病人术前P波。肺静脉口的形状是观察和测量,通过调整不同的角度。缺点是只有一个容器可以显示的,所以操作的准确性影响测量结果的准确性。

肺静脉和左心房成像的解剖结构可以直接观察肺静脉前庭VE技术(计算机图形系统的综合利用和各种现实和控制接口设备提供身临其境的技术在交互式三维电脑生成的环境;其中,电脑、交互式三维环境变成了一个虚拟环境),和肺内的静脉嵴的形态和位置可以可视化和肺静脉开口的数量可以澄清;也可以澄清是否小静脉变异,无法准确地显示在虚拟现实和MPR等后处理技术,或相邻的一个分支的根肺静脉,是一个变体通过观察内部容器的入口的位置。心室脊的位置也可以作为观察指标,进一步阐明静脉是一种常见的肺静脉,是否将项目分成左心房腔的如果它不是一个常见的肺部静脉或深入的流明肺静脉如果它是一种常见的肺静脉。左心室体积测量的流量与肺静脉图所示2。患者的心房电重构和肺静脉口肿大,房颤不能完全治愈房颤消融肺静脉隔离单,因为存在异位的潜在触发点;和扩大肺静脉口也可能影响电重构的增加。肺静脉的扩大进口可能导致越容易形成之间的剩余电传导侧肺静脉和更有可能导致在肺静脉异位触发点。肺静脉入口直径的增加延长了消融的道路;变得越来越难保持所有消融点在同一个平面上在术中消融,导致成功率下降。肺静脉的扩大进口的数量增加房颤触发点和电活动,从而增加手术的难度和复杂性,减少手术的成功率。

后处理技术的结合,需要综合分析更客观和准确的观察和测量肺静脉。当测量肺静脉口直径在原始图像的水平轴,很难观察到开幕式的确切位置,因为一些左心室壁轻轻从肺静脉流离失所,和左心室的存在也很难测量左上肺静脉。当测量肺静脉口直径在VR图像,虽然可以在多个角度旋转,很难选择测量的开始和结束点,因为它是在三维空间建模。当测量肺静脉口直径MIP图像,应该小心避免重叠血管图像的测量结果,因为图像的密度。当测量肺静脉口直径MPR图像,肺静脉口之间的分裂和左心房可以清楚地显示,但因为它是一个二维重建图像,有一些图像畸变的图像,这可能会影响测量结果。当测量肺静脉口直径VE图像,肺部静脉腔内的结构可以看出,而是因为它是一个实时的镜图像,应该小心确定肺静脉口的边缘旋转不同的角度。

在这项研究中,直接和间接的对比方法被用来测量肺静脉缩小。直接对比法是最经典的pv测量方法,它的优点是术前和术后数据可以同时被检索和分析排除术前pv和肺静脉畸形;缺点是如果两个成像方法之间的差异很大,测量结果会有所不同,这将影响到pv分期以及下一个治疗计划。间接对比方法的优点是,pv的存在可以推断单从术后CTA和狭窄的程度可以计算没有获得额外的术前数据,适合患者术前影像学数据丢失,或是与术前和术后影像数据之间的巨大差异。然而,这种方法不能排除术前pv和肺静脉畸形的存在,和结论是相对片面的。然而,结合实际的临床情况下,许多病人无法提供术前影像数据的后续由于手术和后续的不同位置。因此,本研究采用两种测量方法,评估肺静脉狭窄的程度,并比较了两种方法,旨在证明,为病人CPVI首次pv的发生也可以决定只使用间接比较法。然而,存在特殊情况也应考虑在临床应用中,如果病人失踪术前数据和发展术后胸闷、咳嗽、呼吸困难、心悸,很难指定反复肺感染的病因,以及其他症状;即使没有明显的pv被间接比较法,pv的存在应该考虑进行进一步的检查和随访。

4所示。结果和分析

4.1。分析仿真结果

首先,心率和BSA的基本参数和BV计算为每个主题在自然躺呼吸状态,如图3。第一个20对象如图63是12女最后8受试者男性。女性受试者的平均心率76.74次/分钟和男性受试者的平均心率74.12次/分钟,都在正常范围内的心率在自然安静的状态。此外,因为女性受试者的心脏体积略小于男性受试者,心肌的泵送能力相对较弱,和女性的核心科目需要泵多次在同一时间,以确保正常的血液供应。因此,女性受试者的平均心率略高于男性受试者的心率测量数据也都在正常参考范围。

进一步评估卷积self-coding结构的有效性作为一个信号压缩方法和信号的编码功能,并促进实验结果的比较和分析,本文两个LSTM分类网络模型准备进行比较和评估。两个网络之间唯一的区别是,输入信号是不同的。在训练阶段的模型中,相同的十倍交叉验证方法用于划分训练集和验证集样本数据的85.14%,剩下的15.14%是用于测试。亚当•优化器使用批处理大小是50.2;2000次迭代模型训练和分类培训评估模型使用的性能测试数据,和训练的结果呈现在图2模型4。

模型试验精度进一步验证卷积self-coding提取有效编码心阻抗微分信号的特性。前模型的模型训练时间需要8635.12秒或2.40小时达到10000次迭代,而后者只需要1328.27秒或0.37小时,比后者约6.5倍的时间。大大减少了模型训练时间表明CLSTM模型可以减少存储需求,减少数据传输成本和硬件配置需求,提高实时性能。此外,数据传输编码的形式来提高数据安全性。每个类别对应的评价参数计算基于混淆矩阵,如图5。

模型自动学习的深层编码特征通过卷积autoencoder心阻抗微分信号,有效地压缩心阻抗微分信号,减少了模型计算复杂度,降低了模型训练时间。通过反馈机制、五LSTM用于集成的宝贵记忆存储在过去和当前时刻的上下文状态之间的强相关性进行深入研究心阻抗微分信号的数据点并完成分类评估人体的心脏功能在不同的州。测试集的平均精度为98.18%和97.87%,和模型的训练时间从2.4小时减少到0.37小时,表明CLSTM模型提出了具有较强的实时性能和较低的硬件需求。

4.2。分析比较结果

最大直径的阵发性和连续组肺静脉开口,运行LSPV是最大的,其次是RSPV、和LIPV RIPV是最小的;最小直径的肺静脉开口,RSPV和RIPV是最大的,其次是运行LSPV、LIPV最小;平均直径、周长、面积肺静脉开口,RSPV和运行LSPV是最大的,其次是RIPV, LIPV最小;在肺静脉开口有统计学差异(< 0.05),如图6(一)。正常对照组,最大直径的肺静脉开口,RSPV和运行LSPV是最大的,其次是RIPV, RSPV最小;最小直径、平均直径、周长、面积肺静脉开口,RSPV, RIPV,和运行LSPV大于LIPV;肺静脉开口的不相容的程度,运行LSPV和LIPV是最大的,其次是RSPV, RIPV最小;对肺静脉干的长度,运行LSPV和LIPV是最大的,其次是RSPV, RIPV是最小的。他们都是统计上的不同(< 0.05),如图6 (b)。

肺静脉开口大小的比较,结果最大直径、最小直径、平均直径、周长,面积运行LSPV和LIPV开口在统计学上不同的三组中(< 0.05),连续组比正常和阵发性团体;上面的结果RSPV直径和RIPV开口并没有统计上的不同(> 0.05)。在正常、阵发性和持续性组,上部和下部左心房直径57.8毫米,61.3毫米,62.6毫米,分别和三组有统计学差异(< 0.05),阵发性和持续性房颤组高于正常组。左心房、左和右直径42.5毫米,47.4毫米,43.4毫米,分别;前部和后部直径32.2毫米,36.4毫米,41.0毫米,分别;和左心房卷是45.3毫米,42.5毫米,48.5毫米,分别。三组之间有统计学差异(< 0.05),持续组大于阵发性组和正常组,如图7。

如图8,女性受试者在不同组的心脏超声心动图结果显示高度显著差异(< 0.01,< 0.01,左心室间隔厚度指数< 0.01),与对照组(氟组)相比,在f组,R-F集团和M-F组。左心室前后直径指数,左心室前后直径是30.3毫米M-F组具有高度显著性差异(< 0.01)与对照组(氟组)相比,左心室前后直径是28.5毫米R-F组具有高度显著性差异(< 0.01)相比M-F组。与对照组(氟组)相比,左心房,左,和正确的直径在f组和R-F组非常显著不同(< 0.01和< 0.01);-集团与f组相比,M-F集团,他们很明显不同(< 0.01和< 0.01);与M-F组相比,f集团和R-F组,他们很明显不同(< 0.01和< 0.01);与M-F组相比,f集团和R-F组,差异非常显著(< 0.01和分别为< 0.01)。与对照组(氟组)相比,上下左心房f组的直径是47.4毫米,高度显著差异(< 0.01),在R-F和M-F组,具有高度显著性差异(< 0.05和< 0.05);与f组相比,R-F, M-F组,具有高度显著性差异(< 0.05,< 0.01,< 0.01);与f组相比,R-F集团和M-F组,有非常显著差异(< 0.01)。左心室后壁厚度指数,有高度显著差异在f, R-F和M-F组与对照组相比(氟组)(< 0.01,< 0.01,< 0.01)。与对照组(氟组)相比,左心室舒张末期的内部直径f组和R-F组明显不同(< 0.05和< 0.05),左心室舒张末期M-F集团的内部直径是45.6毫米,这很明显不同(< 0.01);与M-F组相比,左心室舒张末期R-F集团的内部直径是43.6毫米,这很明显不同(< 0.01)。左心室的舒张内部直径R-F组是43.6毫米的价格相比M-F集团,具有高度显著性差异(P< 0.01)。与对照组(氟组)相比,f组左心室收缩末期的内部直径27.8毫米,显著差异(< 0.05),在R-F和M-F组,具有高度显著性差异(< 0.01和< 0.01)。

人工智能技术,作为一个相对较新的研究方向,在几个领域中都扮演重要角色。目前,人工智能技术已广泛应用于医学领域,并证明了它的价值在许多方面,如急性或慢性疾病的诊断和治疗及预后评估。神经网络学习算法的机器学习方法也被广泛使用。神经网络是用来分析和处理给定的数据通过刺激人脑的活动,和他们有相同的经验,学习能力的人类大脑。超声心动图左心房容积测量和肺静脉比较模型基于本研究中使用的神经网络学习算法适用于处理最复杂的非线性相关性问题出现在真正的实践中,与当前可用的各种风险比较方法,提供了一种方法来克服传统统计方法的局限性。

5。结论

高价值的超声心动图指标确定病人的预后,机器学习和神经网络学习算法和其他算法在许多领域已经证明了自己的价值。的MP160多道生理仪可以用来测量心脏衰竭患者的预后。MP160多道生理仪是用来测量20个主题,同时心阻抗微分信号的数据采集和心电图信号。中包含的噪声干扰源收集心阻抗微分信号和ECG信号进行了分析,和db6小波函数被选中来过滤噪音中收集到的数据通过比较和分析不同小波的滤波基础上收集到的数据。墨西哥帽小波变换和模态最大阈值方法相结合来定位特征点获取的数据。进一步澄清的位置心阻抗微分信号的特征点,特征点的二次校准的心阻抗微分信号之间的通信是由同步心电图信号,获得心阻抗微分信号在时域。信号分割基于心脏周期增加的数据样本量后续算法的识别。最后,数据组织和数据库建立了心阻抗微分信号完成数据准备。在未来,通过深层神经网络和大数据分析技术,将进行大量数据分析的解剖学肺静脉进一步澄清肺静脉和超声心动图的结构之间的关系,为医疗预防和治疗提供更强大的线索。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本文的工作是由同济大学医学院的支持。