基于統(tǒng)計(jì)特征和熵特征融合的心肌梗死輔助診斷方法

王治忠，錢龍龍，韓 闖，師 麗

（1.鄭州大學(xué)電氣工程學(xué)院，鄭州450000；2.清華大學(xué)自動(dòng)化系，北京100000）

0 引言

心肌梗死是由于血液無法正常流向心肌的某些區(qū)域，造成心肌細(xì)胞缺血性壞死的結(jié)果［1］。心肌梗死因其突發(fā)性和高死亡率引起人們的關(guān)注。結(jié)合中國國情，我國心臟疾病患者眾多和有限的醫(yī)療資源之間的矛盾越來越激烈，隨著人工智能的發(fā)展，通過人工智能輔助醫(yī)生診斷成為了緩解矛盾的有效方法。心電圖（ElectroCardioGram，ECG）是心臟電活動(dòng)在體表的反映，鑒于其非侵入性、低成本、方便獲取和能夠較為全面地反映心臟活動(dòng)的特性，心電圖成為醫(yī)生進(jìn)行心臟疾病診斷的一個(gè)重要工具。心肌細(xì)胞缺血性壞死程度和范圍的不同，在心電圖上的反映也不相同，因此心電圖對(duì)心肌梗死診斷具有很大的意義。心肌梗死在心電圖上的表現(xiàn)為：壞死區(qū)出現(xiàn)病理性Q 波，損傷區(qū)ST 段弓背向上抬高和缺血型T 波倒置［2］等。

目前很多研究團(tuán)隊(duì)對(duì)心肌梗死的智能診斷進(jìn)行了研究，通常步驟是信號(hào)預(yù)處理、特征提取和分類。針對(duì)信號(hào)預(yù)處理，數(shù)字濾波器和均值濾波去除噪聲［3-5］、基于小波變換進(jìn)行心電信號(hào)的去噪處理［6-9］等方法較為常用。在特征點(diǎn)提取方面，PT（Pan-Tompkins）［5，10-12］算法、閾值法［13］和小波變換方法［14］通常被用于R 波峰值點(diǎn)檢測。在信號(hào)的分類方面，傳統(tǒng)的分類器有神經(jīng)網(wǎng)絡(luò)［3，7，15］、K 最近鄰（K-Nearest Neighbors，KNN）［11，14］、高 斯 混 合 模 型［16］、支 持 向 量 機(jī)（Support Vector Machine，SVM）［5，13，15］和 閾 值 法 分 類［9］用 于 心 肌 梗 死（Myocardial Infarction，MI）的檢測，還有一些學(xué)者提出使用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）［3，17］。在特征提取方面，心電信號(hào)歸一化后所計(jì)算的多尺度小波能量特征和模式n 奇異值特征［5］、多尺度小波能量特征［8］、時(shí)域特征［14］、彈性分析小波變換系數(shù)和樣本熵特征［18］、相位特征［19］、擬合心電信號(hào)的多項(xiàng)式系數(shù)特征［4］、醫(yī)學(xué)特征［20］和多特征融合［21］等方式都曾被用于心肌梗死的輔助診斷。

現(xiàn)有研究中所用特征很少能夠反映心電信號(hào)的形態(tài)特征和波形的變化特點(diǎn)，且很少有研究關(guān)注病人間模式的心電信號(hào)識(shí)別，僅病人內(nèi)模式很難用于臨床診斷。在心肌梗死輔助診斷的方法中有基于心拍識(shí)別和心電記錄的識(shí)別兩種方式。心拍識(shí)別和部分導(dǎo)聯(lián)記錄識(shí)別不能較為全面地反映心臟電活動(dòng)，現(xiàn)有針對(duì)常規(guī)12 導(dǎo)聯(lián)心電信號(hào)記錄識(shí)別心肌梗死的研究很少。針對(duì)現(xiàn)有研究的不足，本文在特征提取方面采用常規(guī)12 導(dǎo)聯(lián)心電信號(hào)的統(tǒng)計(jì)特征和熵特征來分別反映心電信號(hào)的形態(tài)特征和波形變化特點(diǎn)，并在病人間和病人內(nèi)兩種模式下驗(yàn)證算法的有效性。本文研究工作流程如圖1所示。

圖1 心肌梗死檢測流程Fig.1 Flowchart of myocardial infarction detection

對(duì)于第一部分心電信號(hào)預(yù)處理是通過小波濾波濾除高頻干擾和基線漂移，通過R 波檢測實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)。在第二部分的特征提取中，本文融合12 導(dǎo)聯(lián)的統(tǒng)計(jì)特征與熵特征，分別使用基于十折交叉驗(yàn)證的隨機(jī)森林（Random Forest，RF）、反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）和KNN 算法，在病人間和病人內(nèi)兩種模式下進(jìn)行心肌梗死的檢測。本文主要工作如下：

1）提出一種包含標(biāo)準(zhǔn)差、峰度系數(shù)、偏度系數(shù)的統(tǒng)計(jì)特征與包含香農(nóng)熵、樣本熵、模糊熵、近似熵和排列熵的熵特征融合的方法表征12導(dǎo)聯(lián)心電信號(hào)信息。

2）基于隨機(jī)森林算法在病人內(nèi)模式下進(jìn)行分析和驗(yàn)證，與已發(fā)表文獻(xiàn)中的方法進(jìn)行對(duì)比的結(jié)果顯示，本文方法取得了較好的結(jié)果；同時(shí)在病人間模式下驗(yàn)證了特征的有效性，具有臨床實(shí)用性。

3）通過12導(dǎo)聯(lián)心電記錄診斷心肌梗死，診斷過程更符合臨床診斷邏輯。

4）通過數(shù)據(jù)增強(qiáng)和十折交叉驗(yàn)證避免過擬合的問題。

1 心電信號(hào)預(yù)處理

1.1 數(shù)據(jù)來源

本次研究使用的是由德國國家計(jì)量署提供的PTB（Physikalisch-Technische Bundesanstalt）數(shù)據(jù)庫［22］。該數(shù)據(jù)庫中包含148 個(gè)心肌梗死病人的數(shù)據(jù)共346 條記錄，52 個(gè)健康人數(shù)據(jù)共80 條記錄。整個(gè)數(shù)據(jù)庫患者年齡在17 到87 歲之間，其中：男性209 名，平均年齡為55.5 歲；女性共81 名，平均年齡為61.6 歲。每個(gè)病人的數(shù)據(jù)中包含.dat（ECG 數(shù)據(jù)）、.hea（病人詳細(xì)信息）和.xyz（Frank 導(dǎo)聯(lián)數(shù)據(jù)）三種格式文件，采樣頻率為1 000 Hz，含有常規(guī)12 導(dǎo)聯(lián)數(shù)據(jù)和vx、vy、vz三個(gè)Frank導(dǎo)聯(lián)，共15個(gè)導(dǎo)聯(lián)。

1.2 信號(hào)濾波

心電信號(hào)的主要頻率分布在1～45 Hz，對(duì)于大于45 Hz 的部分主要為肌電干擾和其他信號(hào)干擾，小于1 Hz 的部分主要由電極滑動(dòng)等原因造成的基線漂移。本文采用小波軟閾值法完成高頻去噪。鑒于信號(hào)的最高頻率是500 Hz，本文對(duì)信號(hào)進(jìn)行9 層小波分解，將第9 層近似系數(shù)（0～0.98 Hz）置零完成濾除基線漂移。濾波前后的效果如圖2 和圖3 所示。圖2 和圖3分別為MI和正常（Healthy Control，HC）信號(hào)的濾波過程。

圖2 心肌梗死心電信號(hào)II導(dǎo)聯(lián)濾波前后對(duì)比Fig.2 Comparison of lead II MI ECG signal before and after filtering process

1.3 數(shù)據(jù)增強(qiáng)

在PTB 數(shù)據(jù)庫中共有心肌梗死病人數(shù)據(jù)148 個(gè)，正常人心電數(shù)據(jù)52 個(gè)，為了增加心電樣本數(shù)量、增強(qiáng)分類器性能，要對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)。在數(shù)據(jù)截取時(shí)信號(hào)過長，造成數(shù)據(jù)維度過大，不僅產(chǎn)生數(shù)據(jù)冗余，而且造成后期計(jì)算復(fù)雜度過大，過短則不能較為完整地反映一定周期的心臟電活動(dòng)。數(shù)據(jù)增強(qiáng)的形式如圖4所示。

圖4是利用I導(dǎo)聯(lián)作為數(shù)據(jù)擴(kuò)充的示例，其他導(dǎo)聯(lián)在分別進(jìn)行預(yù)處理、下采樣后在I導(dǎo)聯(lián)相同位置進(jìn)行數(shù)據(jù)截取。

圖3 正常心電信號(hào)II導(dǎo)聯(lián)濾波前后對(duì)比Fig.3 Comparison of lead II HC ECG signal before and after filtering process

圖4 數(shù)據(jù)增強(qiáng)示意圖Fig.4 Schematic diagram of data enhancement

圖4 中，圖（a）為對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理和下采樣后的數(shù)據(jù)，圖（b）是對(duì)心電信號(hào)采取PT 算法進(jìn)行R 波峰值點(diǎn)標(biāo)注結(jié)果，圖（c）～（e）是對(duì)心電信號(hào)截取的方式，非置零區(qū)域?yàn)榻厝〉牟糠?。在?shù)據(jù)增強(qiáng)過程中通過截取心電信號(hào)的R波峰值點(diǎn)及向后的4.1 s 的12 導(dǎo)聯(lián)數(shù)據(jù)作為新的心電記錄。表1 為數(shù)據(jù)增強(qiáng)前后心電記錄總數(shù)。

表1 數(shù)據(jù)增強(qiáng)前后心電記錄數(shù)量Tab.1 Number of ECG recordings before and after data enhancement

每個(gè)病人數(shù)據(jù)增強(qiáng)后的數(shù)量為NUM：

其中：i為病人在數(shù)據(jù)增強(qiáng)前的第i條記錄，N 為數(shù)據(jù)增強(qiáng)前某病人的記錄數(shù)，mi為病人的第i 條記錄舍去最后4.1 s 的心拍數(shù)。

2 特征提取

特征提取是心電信號(hào)識(shí)別中最關(guān)鍵的步驟之一，在本文中通過實(shí)驗(yàn)發(fā)現(xiàn)融合12 導(dǎo)聯(lián)心電信號(hào)的統(tǒng)計(jì)特征和熵值特征，在最終心肌梗死檢測時(shí)具有很好的效果。本文研究使用的統(tǒng)計(jì)特征有標(biāo)準(zhǔn)差、峰度系數(shù)和偏度系數(shù)，使用的熵值特征有香農(nóng)熵、樣本熵、模糊熵、近似熵和排列熵。

2.1 統(tǒng)計(jì)特征

在本文中使用的統(tǒng)計(jì)特征包含標(biāo)準(zhǔn)差、峰度系數(shù)和偏度系數(shù)，主要反映心電信號(hào)的離散程度、波形的尖峭程度和分布的對(duì)稱程度。這些統(tǒng)計(jì)特征反映了信號(hào)的形態(tài)特征，對(duì)心肌梗死的智能診斷具有一定的意義。

標(biāo)準(zhǔn)差（σ）是方差的算術(shù)平方根，其意義在于心電信號(hào)數(shù)據(jù)間的離散程度。

其中：N 代表數(shù)據(jù)總數(shù)，xi代表第i 個(gè)數(shù)據(jù)，μ 表示N 個(gè)數(shù)據(jù)的均值。

峰度系數(shù)（Kurt）是用來反映心電信號(hào)頻數(shù)分布曲線頂端尖峭或扁平程度的指標(biāo)，是隨機(jī)變量的四階中心矩與方差平方的比值。

其中：N 代表數(shù)據(jù)總數(shù)，xi代表第i 個(gè)數(shù)據(jù)，μ 表示N 個(gè)數(shù)據(jù)的均值。

偏度系數(shù)SK 是描述心電信號(hào)分布偏離對(duì)稱性程度的一個(gè)特征值：當(dāng)偏度系數(shù)為0 時(shí)，該分布左右對(duì)稱；當(dāng)偏度系數(shù)大于0時(shí)，該分布右偏；當(dāng)偏度系數(shù)小于0時(shí)，該分布左偏。

其中：N 代表數(shù)據(jù)總數(shù)，xi代表第i 個(gè)數(shù)據(jù)，μ 表示N 個(gè)數(shù)據(jù)的均值。

2.2 熵特征

本文使用信號(hào)的香農(nóng)熵、樣本熵、模糊熵、近似熵和排列熵特征來反映信號(hào)的序列的時(shí)間與頻譜復(fù)雜性、新模式產(chǎn)生的概率、規(guī)律性和不可預(yù)測性以及檢測信號(hào)微小變化。本文研究使用的熵值特征能夠較為完備地反映了心電信號(hào)的動(dòng)態(tài)變化，對(duì)心電信號(hào)的類別判定具有很大的意義。

其中：ai代表ECG信號(hào)的概率分布。

樣本熵通過度量ECG 信號(hào)中產(chǎn)生新模式的概率大小來衡量時(shí)間序列復(fù)雜性，新模式產(chǎn)生的概率越大，序列的復(fù)雜性就越大。樣本熵的值越低，序列自我相似性就越高；樣本熵的值越大，樣本序列就越復(fù)雜。

其中：r=0.2×std，std 為標(biāo)準(zhǔn)差；Am和Bm分別表示在容限r(nóng) 下匹配m+1個(gè)和m個(gè)點(diǎn)的概率。

其中：相空間維數(shù)m取2，相似容度r為0.2*std。

其中：SL(k)代表信號(hào)模型L 的平均長度，SL+1(k)代表信號(hào)模型L+1的平均長度。

其中：嵌入維度m 取3，時(shí)間延時(shí)t 取2，K ≤m！，Pj指相空間j的下標(biāo)符號(hào)序列概率。

2.3 熵特征

對(duì)數(shù)據(jù)增強(qiáng)后的12 導(dǎo)聯(lián)心電信號(hào)，每個(gè)導(dǎo)聯(lián)（Di）分別獲取標(biāo)準(zhǔn)差、峰度系數(shù)、偏度系數(shù)、香農(nóng)熵、樣本熵、模糊熵、近似熵和排列熵8個(gè)特征值。

其中：i代表不同導(dǎo)聯(lián)。

通過融合12 導(dǎo)聯(lián)的這8 個(gè)特征得到特征向量FN，一個(gè)心電記錄就由原來的12 導(dǎo)聯(lián)、每導(dǎo)聯(lián)821 維的矩陣簡化為最終用于檢測的96 維特征。特征融合得到的96 維特征反映了12導(dǎo)聯(lián)的心電信號(hào)較為全面的波形信息。圖5 和圖6 分別是心肌梗死和正常人12 導(dǎo)聯(lián)特征的glyph 圖。圖7 是心肌梗死和正常12導(dǎo)聯(lián)心電信號(hào)最終用于疾病檢測的96維特征圖。

其中：N代表不同的記錄，Di為導(dǎo)聯(lián)i的特征集合。

圖5 心肌梗死12導(dǎo)聯(lián)特征的glyph圖Fig.5 Glyph map of 12-lead features of MI subjects

圖6 正常人12導(dǎo)聯(lián)特征的glyph圖Fig.6 Glyph map of 12-lead features of HC subjects

圖7 心肌梗死和正常12導(dǎo)聯(lián)心電信號(hào)96維特征圖Fig.7 Ninety-six dimensional feature map of 12-lead MI and HC ECG signals

3 心肌梗死檢測

3.1 分類器及其參數(shù)介紹

對(duì)于心電信號(hào)的最終檢測識(shí)別模型的穩(wěn)定可靠性，本文分別采用了基于十折交叉驗(yàn)證的BPNN、RF和KNN分類器。

BPNN 是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。在神經(jīng)網(wǎng)絡(luò)的應(yīng)用中本文使用50層神經(jīng)網(wǎng)絡(luò)，設(shè)置迭代步長為0.001，最小誤差為0.001。

隨機(jī)森林分類器是一種集成學(xué)習(xí)算法，它內(nèi)部的弱分類器為決策樹，本文使用了50 棵決策樹，采用Bagging 算法集成。

決策樹是一種依靠信息增益決定根節(jié)點(diǎn)的分類器，在訓(xùn)練過程中，計(jì)算屬性對(duì)樣本集進(jìn)行劃分所獲得的信息增益，信息增益大的作為根節(jié)點(diǎn)，進(jìn)而完成決策樹的構(gòu)造。算法中還有防止過擬合的剪枝處理。

最鄰近算法的思想是，距離目標(biāo)數(shù)據(jù)最近的K 個(gè)樣本大多數(shù)屬于某一類，那么這個(gè)目標(biāo)數(shù)據(jù)很大可能屬于這一類。在本文實(shí)驗(yàn)中K取50。

3.2 結(jié)果分析

本文研究從病人內(nèi)和病人間兩種模式進(jìn)行分析，病人內(nèi)模式指的是在訓(xùn)練集和測試集中會(huì)出現(xiàn)相同病人不同記錄的心電信號(hào)，而病人間模式指在訓(xùn)練集和測試集中不會(huì)出現(xiàn)相同病人的數(shù)據(jù)。

病人內(nèi)的實(shí)驗(yàn)數(shù)據(jù)如表2 所示，病人間實(shí)驗(yàn)在進(jìn)行十折交叉驗(yàn)證時(shí)，將142 個(gè)心肌梗死病人的293 和294 號(hào)病人數(shù)據(jù)與剩余140 人的心電數(shù)據(jù)在十折交叉驗(yàn)證時(shí)每次的訓(xùn)練集聯(lián)合作為訓(xùn)練集。52 個(gè)正常人的心電信號(hào)取其中任意12 個(gè)人的數(shù)據(jù)與剩余40 人的心電數(shù)據(jù)在十折交叉驗(yàn)證時(shí)每次的訓(xùn)練集聯(lián)合作為訓(xùn)練集，聯(lián)合MI 和HC 的訓(xùn)練集數(shù)據(jù)作為十折交叉驗(yàn)證時(shí)的訓(xùn)練集。

表2 病人內(nèi)每折驗(yàn)證數(shù)據(jù)集分布Tab.2 Distribution of validation datasets per fold in intra-patient mode

通過使用十折交叉驗(yàn)證與分類器的結(jié)合完成了心肌梗死的檢測，為了評(píng)價(jià)模型的性能和分類特征的有效性，通過混淆矩陣計(jì)算測試準(zhǔn)確率、敏感度、特異性和F1 值進(jìn)行分析。混淆矩陣形式如表3所示。

表3 混淆矩陣Tab.3 Confusion matrix

在表3 中，真正例（True Positive，TP）代表心肌梗死信號(hào)被預(yù)測正確的部分，假反例（False Negative，F(xiàn)N）代表心梗信號(hào)被預(yù)測為正常的部分，假正例（False Positive，F(xiàn)P）代表正常信號(hào)預(yù)測為心梗的部分，真反例（True Negetive，TN）代表正常信號(hào)被預(yù)測正確的部分。

準(zhǔn)確率（Accuracy，acc）計(jì)算公式為：

敏感度（Sensitivity，sen）計(jì)算公式為：

特異性（Specificity，spe）計(jì)算公式為：

F1值計(jì)算公式為：

其中N代表數(shù)據(jù)總量。

三類分類器在十折交叉驗(yàn)證下每折的分類性能如表4 所示，在表4中：0代表心肌梗死，1代表正常；準(zhǔn)確率、敏感度、特異性和F1值結(jié)果的上下兩行中上方的是病人內(nèi)的結(jié)果，下方的是病人間的結(jié)果；黑色加粗部分結(jié)果是病人內(nèi)和病人間分類最優(yōu)結(jié)果。反向傳播神經(jīng)網(wǎng)絡(luò)在病人內(nèi)的準(zhǔn)確率、敏感度、特異性和F1 值最高均為100%，病人間的準(zhǔn)確率、敏感度、特異性和F1 值最高分別為98.42%、99.96%、80.93%和99.14%。隨機(jī)森林在病人內(nèi)的準(zhǔn)確率、敏感度、特異性和F1值最高均為100%，病人間的準(zhǔn)確率、敏感度、特異性和F1 值最高分別為99.93%、100%、99.22%和99.96%。KNN 在病人內(nèi)的準(zhǔn)確率、敏感度、特異性和F1 值最高分別為99.63%、99.74%、99.09%和99.78%，病人間的準(zhǔn)確率、敏感度、特異性和F1值最高分別為92.13%、100%、69.14%和94.98%。在病人內(nèi)結(jié)果中，BPNN 和隨機(jī)森林有著同樣好的檢測效果，但是在病人間的結(jié)果中，隨機(jī)森林有著更好的檢測性能。

表4 性能分析Tab.4 Performance analysis

續(xù)表

表5 是三類分類器在十折交叉驗(yàn)證條件下的平均性能。分析表5 可知，隨機(jī)森林分類器在病人內(nèi)和病人間的相對(duì)檢測效果均優(yōu)于其他分類器。但是在病人間的分類中，三種分類器的心肌梗死檢測特異性均較低，通過對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)心肌梗死和正常心電數(shù)據(jù)的數(shù)據(jù)量比為49 909：5 284，兩類數(shù)據(jù)差異很大因而特異性不高。本文研究最終的分類在使用主成分分析的方法進(jìn)行降維進(jìn)而完成分類操作時(shí)發(fā)現(xiàn)不能提高檢測效果。

本文方法與其他學(xué)者的研究方法的對(duì)比結(jié)果如表6所示。

表5 各分類器在十折交叉驗(yàn)證下的平均性能Tab.5 Average performance of each classifier under ten-fold cross-validation

表6 中：QRS 為QRS 波群，LS-SVM 表示最小二乘支持向量機(jī)（Least Squares Support Vector Machine），MFB-CNN 表示多特征分支卷積神經(jīng)網(wǎng)絡(luò)（Multiple-Feature-Branch Convolutional Neural Network）。表6 中所列的其他學(xué)者的研究均沒有使用十折交叉驗(yàn)證，交叉驗(yàn)證在防止過擬合方面有較為優(yōu)異的性能。部分研究采用了單導(dǎo)聯(lián)或者部分導(dǎo)聯(lián)的心電信號(hào)實(shí)現(xiàn)心肌梗死的檢測，在臨床應(yīng)用中采用部分導(dǎo)聯(lián)進(jìn)行心臟疾病診斷不符合醫(yī)生診斷邏輯，診斷結(jié)果可信度不高。病人間診斷更具有臨床實(shí)用性且更符合臨床應(yīng)用場景，但是很多學(xué)者都欠缺對(duì)病人間分類模式的驗(yàn)證。本文采用12 導(dǎo)聯(lián)的熵值特征和統(tǒng)計(jì)特征進(jìn)行檢測，病人內(nèi)和病人間兩種模式下心梗檢測結(jié)果均相比其他學(xué)者的研究均有所提高。

表6 本文方法與不同文獻(xiàn)方法的結(jié)果對(duì)比Tab.6 Result comparison of the proposed method with different methods in references

4 結(jié)語

本文應(yīng)用了PTB 數(shù)據(jù)庫中的常規(guī)12 導(dǎo)聯(lián)數(shù)據(jù)進(jìn)行算法檢驗(yàn)。在心肌梗死檢測過程中，本文首先對(duì)12 導(dǎo)聯(lián)數(shù)據(jù)進(jìn)行預(yù)處理，在這個(gè)過程里包含數(shù)據(jù)高頻濾波、去除基線漂移和數(shù)據(jù)增強(qiáng)。數(shù)據(jù)增強(qiáng)彌補(bǔ)了數(shù)據(jù)量過少的缺點(diǎn)。在特征提取方面，本文采取12 導(dǎo)聯(lián)的統(tǒng)計(jì)特征（標(biāo)準(zhǔn)差、峰度系數(shù)和偏度系數(shù)）和熵值特征（香農(nóng)熵、樣本熵、模糊熵、近似熵和排列熵）融合的方法。在心電信號(hào)識(shí)別中，本文使用十折交叉驗(yàn)證結(jié)合神經(jīng)網(wǎng)絡(luò)算法、隨機(jī)森林算法和KNN 算法的方法，十折交叉驗(yàn)證在防止模型過擬合方面有較好的效果。在病人內(nèi)和病人間的實(shí)驗(yàn)中，隨機(jī)森林分類器均取得了較好的檢測性能，在病人內(nèi)的檢測中取得了準(zhǔn)確率、敏感度、特異性和F1 值分別為99.98%、100%、99.85%和99.99%，在病人間檢測中取得了準(zhǔn)確率、敏感度、特異性和F1 值分別為94.56%、98.75%、55.07%、97.05%。通過對(duì)比其他研究者的方法，本文面向臨床實(shí)際提出的基于病人間模式下的檢測方法能夠輔助診斷心肌梗死，具有較好的魯棒性，能夠輔助醫(yī)生提高診斷效率，且對(duì)心?；颊邔?shí)施心電監(jiān)護(hù)具有重要意義。進(jìn)一步地，基于心電圖的心肌梗死輔助診斷技術(shù)的提升依賴于高質(zhì)量且經(jīng)醫(yī)生標(biāo)注的心電數(shù)據(jù)和高效的特征提取方法，后續(xù)的工作將致力于搜集心電數(shù)據(jù)和構(gòu)建基于深度神經(jīng)網(wǎng)絡(luò)的輔助診斷模型。