心肌缺血是一种常见的心血管疾病,已成为影响国民健康的重要因素之一。研究表明,及时发现和治疗心肌缺血是降低心血管病过早死亡率的关键。心肌缺血的诊断主要依据电子病历中的相关临床信息和心电图。电子病历中数据复杂、关键词模糊,通过人工提取其中的检查结果需要耗费大量的精力。同时,因为心电信号振幅小、特征不明显等因素,医生判读心电图对心肌缺血的诊断精度并不高。针对这些问题,本文提出一种医疗实体识别方法提取电子病历中的检查结果等关键信息,并基于确定学习对心电信号进行动力学建模,得到心电动力图,进而实现心肌缺血的早期检测。本文的主要工作如下:1、为了从含有大量文本的电子病历中提取与心肌缺血相关的检查信息,本文提出一种基于自适应词向量的命名实体识别方法。首先,利用不确定性采样和文本相似度相结合的主动学习方法,从未标注医疗数据中筛选出有价值文本进行标注,进而得到自标注实体识别数据集。然后,对输入的文本生成Bigram、BERT隐藏向量以及Soft-lexicon三组词向量并输入到Bi LSTM+CRF模型进一步训练。最后,在自标注数据集和公开数据集上验证了基于自适应词向量的命名实体识别方法的有效性。2、为了解决心电图在心肌缺血早期检测中准确率不高的问题,本文提出基于心电动力学图的心肌缺血早期检测方法。首先,结合医疗实体识别方法构建心肌缺血数据集。接着,采用确定学习对心电信号进行动力学建模,生成心电动力学图。然后,利用非线性动力学分析和卷积神经网络相结合的方法从心电动力学图中提取特征,并构建心肌缺血检测模型。最后,在自建数据集和公开数据集上对本方法进行验证,准确率分别达到88.60%、96.00%。3、为了辅助医务人员对数据进行管理以及检测心肌缺血,本文搭建一个心肌缺血早期检测系统。该系统能够支持病历信息管理、心电数据管理以及数据分析与诊断等功能,实现了电子病历的自动解析和关键信息提取、心电图数据的自动化处理和建模以及心肌缺血指标的计算。