CN104382582A - 一种对动态心电数据进行分类的装置 - Google Patents
一种对动态心电数据进行分类的装置 Download PDFInfo
- Publication number
- CN104382582A CN104382582A CN201410628446.9A CN201410628446A CN104382582A CN 104382582 A CN104382582 A CN 104382582A CN 201410628446 A CN201410628446 A CN 201410628446A CN 104382582 A CN104382582 A CN 104382582A
- Authority
- CN
- China
- Prior art keywords
- data
- heart rate
- history
- electrocardio
- electrocardiographicdata
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
Abstract
本发明公开了一种对动态心电数据进行分类的装置,包括:心电数据采集装置;心电信息数据库;心电指标获取装置;心电指标筛选装置,用于对心电指标进行差异性分析,筛选出有显著性差异的心电指标;特征组合获取装置,用于对心电指标筛选装置筛选出的有显著性差异的心电指标中的至少两项进行特征组合,获取多个特征组合;分类器筛选装置,其采用多个分类器对特征组合获取装置获取的多个特征组合进行测试,以筛选出最优分类器和最优特征组合;分类结果输出装置,用于接收患者的个人信息以及与心脏活动状态有关的病理数据,以及根据分类器筛选装置筛选出的最优分类器和最优特征组合对患者的与心脏活动状态有关的病理数据进行分类并输出分类结果。
Description
技术领域
本发明涉及心脏病医疗领域,具体而言,涉及一种对动态心电数据进行分类的装置。
背景技术
目前,临床上对有猝死风险的患者进行危险分层的指标有左心室射血分数、心率变异性、窦性心率震荡、心率减速力、T波电交替等,以上多数指标可以从动态心电图中计算出来。然而,目前这些危险分层方法很难准确地将高猝死风险患者从低猝死风险人群中区分开来,因此需要整合各种技术方法对猝死风险患者进行分层,分类器则是对猝死风险患者进行分层的关键因素,采用分类器可对有猝死风险的患者的动态心电数据进行分类,再采用一定的方法对分类后的动态心电数据进行分层即可将高猝死风险患者从低猝死风险人群中区分开来。
MUSTT试验(A randomized study of the prevention of sudden death inpatients with coronary artery disease.N Engl J Med 1999;341:1882-1890)结合低射血分数和心内电生理检查证实可筛查出高猝死风险患者,以及SCD-HeFT试验(Amiodarone or an implantable cardioverter-defibrillator for congestive heartfailure.N Engl J Med 2005;352:225-237)证实低射血分数可筛查出适合ICD预防的患者,ABCD试验(The ABCD(Alternans Before Cardioverter Defibrillator)Trial:strategies using T-wave alternans to improve efficiency of sudden cardiacdeath prevention.J Am Coll Cardiol.2009Feb 10;53(6):471-9)证实低射血分数结合T波电交替和心内电生理检查可明显提高猝死预测的准确性。这些大型试验均证实一些危险分层工具的有效性以及两个或多个工具相结合可明显提高分层的有效性。但其存在的缺点是一些检查为有创性检查,而一些无创性检查其准确性不高,结合两三个检查的试验仅仅通过简单的“有或无”判断,虽然提高了危险分层能力,但其敏感性仍不尽如人意。
发明内容
本发明提供了一种对动态心电数据进行分类的装置,用以对患者的动态心电数据进行分类。
为达到上述目的,本发明提供了一种对动态心电数据进行分类的装置,包括:
心电数据采集装置,用于采集患者的个人信息以及与心脏活动状态有关的病理数据;
心电信息数据库,用于储存心电数据采集装置采集的个人信息以及与心脏活动状态有关的病理数据;
心电指标获取装置,用于对心电信息数据库中的与心脏活动状态有关的病理数据进行处理,获取与心脏活动状态有关的病理数据对应的心电指标;
心电指标筛选装置,用于对心电指标获取装置获取的心电指标进行差异性分析,筛选出有显著性差异的心电指标;
特征组合获取装置,用于对心电指标筛选装置筛选出的有显著性差异的心电指标中的至少两项进行特征组合,获取多个特征组合;
分类器筛选装置,其采用多个分类器对特征组合获取装置获取的多个特征组合进行测试,以筛选出最优分类器和最优特征组合;
分类结果输出装置,用于接收患者的个人信息以及与心脏活动状态有关的病理数据,以及根据分类器筛选装置筛选出的最优分类器和最优特征组合对患者的与心脏活动状态有关的病理数据进行分类并输出分类结果。
优选的,个人信息包括性别、年龄和血型,与心脏活动状态有关的病理数据包括心功能NYHA分级、冠心病史、心肌梗死病史、高血压病史、瓣膜病病史、先心病病史、心肌病病史、糖尿病病史、脑血管病病史、吸烟史、饮酒史、心血管病家族史、猝死家族史、运动锻炼状况、遗传病病史、收缩压、舒张压、体重指数、是否安装起搏器、ICD治疗状况、导管消融状况、冠脉搭桥状况、冠脉支架状况、B受体阻滞剂使用状况、钙通道拮抗剂使用状况、ACEI/ARB使用状况、利尿剂使用状况、抗心律失常药物使用史、洋地黄类药物使用史、降脂药使用史、稳心颗粒使用史、动态心电检测持续时间、总心搏数、最快心率、最慢心率、平均心率、室早总数、非持续性室速、Lowns分级、平均NN、SDNN、SDANN、ASDNN、rMSSD、pNN50、pNN50a、pNN50b、BB50、BB50a、BB50b、甚低频、低频、高频、宽带频率、用户频率、低/高比率、TO%、TSmm/RR、TD、CCTS、TFD、心率减速力、FQRS、RMS40、LAS、微伏T波电交替MTWA、QT ms、QTds、QTc间期、QT/RR斜率、QTd/RRd、QT变异性、QTVI、T波峰末时间、P波时限、P波离散度、J波高度、J波变交替、J波离散度、QRS时限、房室传到阻滞情况、Q波时限、Q波深度、C反映蛋白、超敏C反映蛋白、同型半胱氨酸、CHLO、TG、LDL、HDL、脑型利钠肽、NT-proBNP、肌酐、左房内径、左室舒张末内径、左室后壁厚度、左室间隔厚度、左室射血分数、FS、二尖瓣反流、三尖瓣反流、主动脉反流、阶段性室壁运动异常、LM、LAD、LCX、RCA、LM、LAD、LCX、TIMI分级、内中膜厚度、和斑块积分。
优选的,心电指标获取装置获取的心电指标至少包括心率变异性指标、心率减速力、心率加速力和窦性心率震荡指标,其中,
心率变异性指标包括心率变异性时域指标与心率变异性频域指标,心率变异性时域指标包括RR间期均值、RR间期标准差、RR间期平均值标准差、RR间期标准差均值和三角指数,心率变异性频域指标包括总功率、极低频功率、低频功率、极高频功率和高频功率,
窦性心率震荡指标包括震荡初始与震荡斜率。
优选的,分类器为朴素贝叶斯、支持向量机和人工神经网络算法中的任意一种。
优选的,装置按照患者心脏性猝死风险的几率进行分类,相应的,分类器筛选装置通过以下方式筛选出最优分类器:
S1:根据心电信息数据库中储存的个人信息以及与心脏活动状态有关的病理数据对应的患者的心脏性猝死风险几率,将患者分为高危猝死风险患者和低危猝死风险患者;
S2:根据每一特征组合中包括的心电指标,分别采用多个分类器对与心脏活动状态有关的病理数据进行分类,将与S1中的分类结果最相近的分类器作为最优分类器。
本发明提供的对动态心电数据进行分类的装置结合多种心电指标对动态心电数据进行分类,可用于心脏病危险分层及猝死几率分层,能够为猝死预防及临床决策提供指导性建议,大大提高了心电数据分类的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例的对动态心电数据进行分类的装置的结构示意图;
图2为一RR间期序列图;
图3为图2所示的RR间期序列图对应的频谱图;
图4为一患者的动态心电图;
图5为图4所示的动态心电图对应的RR间期序列图;
图6为标注了心率减速心动周期及心率加速心动周期的RR间期序列图;
图7为划分了心率段的RR间期序列图;
图8为位相整序后的RR间期序列图;
图9计算出的对应周期的平均值示意图;
图10为室性早搏后窦性心率及RR间期序号示意图;
图11为支持向量机算法的ROC曲线。
附图标记说明:1-心电数据采集装置;2-心电信息数据库;3-心电指标获取装置;4-心电指标筛选装置;5-特征组合获取装置;6-分类器筛选装置;7-分类结果输出装置。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一实施例的对动态心电数据进行分类的装置的结构示意图,如图所示,本发明提供的对动态心电数据进行分类的装置包括心电数据采集装置1、心电信息数据库2、心电指标获取装置3、心电指标筛选装置4、特征组合获取装置5、分类器筛选装置6和分类结果输出装置7,其中,
心电数据采集装置1用于采集患者的个人信息以及与心脏活动状态有关的病理数据,利用心电数据采集装置1将动态心电数据的采集过程标准化、规范化,完善动态心电数据的采集流程。在本实施例中,心电数据采集装置1采集的个人信息包括性别、年龄和血型,心电数据采集装置1采集的与心脏活动状态有关的病理数据包括心功能NYHA分级、冠心病史、心肌梗死病史、高血压病史、瓣膜病病史、先心病病史、心肌病病史、糖尿病病史、脑血管病病史、吸烟史、饮酒史、心血管病家族史、猝死家族史、运动锻炼状况、遗传病病史、收缩压、舒张压、体重指数、是否安装起搏器、ICD治疗状况、导管消融状况、冠脉搭桥状况、冠脉支架状况、B受体阻滞剂使用状况、钙通道拮抗剂使用状况、ACEI/ARB使用状况、利尿剂使用状况、抗心律失常药物使用史、洋地黄类药物使用史、降脂药使用史、稳心颗粒使用史、动态心电检测持续时间、总心搏数、最快心率、最慢心率、平均心率、室早总数、非持续性室速、Lowns分级、平均NN、SDNN、SDANN、ASDNN、rMSSD、pNN50、pNN50a、pNN50b、BB50、BB50a、BB50b、甚低频、低频、高频、宽带频率、用户频率、低/高比率、TO%、TSmm/RR、TD、CCTS、TFD、心率减速力、FQRS、RMS40、LAS、微伏T波电交替MTWA、QT ms、QTds、QTc间期、QT/RR斜率、QTd/RRd、QT变异性、QTVI、T波峰末时间、P波时限、P波离散度、J波高度、J波变交替、J波离散度、QRS时限、房室传到阻滞情况、Q波时限、Q波深度、C反映蛋白、超敏C反映蛋白、同型半胱氨酸、CHLO、TG、LDL、HDL、脑型利钠肽、NT-proBNP、肌酐、左房内径、左室舒张末内径、左室后壁厚度、左室间隔厚度、左室射血分数、FS、二尖瓣反流、三尖瓣反流、主动脉反流、阶段性室壁运动异常、LM、LAD、LCX、RCA、LM、LAD、LCX、TIMI分级、内中膜厚度和斑块积分。
心电信息数据库2用于储存心电数据采集装置1采集的个人信息以及与心脏活动状态有关的病理数据,其中,心电信息数据库2可利用互联网站或其他交互共享手段,形成国际共享的心电信息数据库。
心电指标获取装置3用于对心电信息数据库2中的与心脏活动状态有关的病理数据进行处理,以获取与心脏活动状态有关的病理数据对应的心电指标。在本实施例中,心电指标获取装置3获取的心电指标至少包括心率变异性指标、心率减速力、心率加速力和窦性心率震荡指标,其中,
心率变异性(HRV)是指连续心跳间R-R间期的微小涨落,其反映了心脏交感神经和迷走神经活动的紧张性和均衡性,是一种检测自主神经活动的非侵入性指标。心率变异性指标包括心率变异性时域指标与心率变异性频域指标,其中,心率变异性时域指标包括RR间期均值(MEAN)、RR间期标准差(SDNN)、RR间期平均值标准差(SDANN)、RR间期标准差均值(ASDNN)和三角指数(Ti),如图2所示为一RR间期序列图,各心率变异性时域指标根据RR间期序列图,分别通过以下公式(1)~(4)计算:
心率变异性频域指标通过对RR间期序列图对应的频谱图进行分析获得,图3为图2所示的RR间期序列图对应的频谱图,如图所示,心率变异性频域指标包括总功率(0.0033~0.4Hz)、极低频功率(0.0033~0.04Hz)、低频功率(0.04~0.15Hz)、极高频功率(>0.4Hz)和高频功率(0.15~0.4Hz)。
心率减速力和心率加速力通过以下步骤提取:
步骤1:提取RR间期序列图,如图4所示为一患者的动态心电图,图5所示为图4所示的动态心电图对应的RR间期序列图;将24小时的动态心电图(图4)转化为以心搏序号为横坐标,以心动周期即RR间期的值为纵坐标的序列图(图5)。
步骤2:检测并标记加(减)速周期:将每个心动周期值(RRi)同该周期的前一个心动周期(RRi-1)进行比较,确定该周期属于心率减速心动周期还是心率加速心动周期,再用不同的符号加以标记。如图6所示为标注了心率减速心动周期及心率加速心动周期的RR间期序列图,如图所示,比前一个心动周期大的心动周期被定义为减速周期,图6中将其标注为“*”;比前一个心动周期小的心动周期被定义为加速周期,图6中将其标注为“o”。
步骤3:确定心率段,进行“位相整序”时所用的心率段是指以每一个减速点或加速点为心率段中心时,分别取位于减速点或加速点左侧和右侧的心动周期的个数,而左右各取多少心动周期的具体数值需要参考最低心率。如图7所示为划分了心率段的RR间期序列图,其中,V1、V2、V3、V4为四个心率段,可以看出,本实施例在进行心率减速力分析时,心率段数值定为30个间期,那么这就意味着以选定的减速点为中心时,其左右依次各取15个心动周期组成一个心率段。
步骤4:位相整序,以入选的减速点(“*”点)为中心,进行不同心率段的叠加,如图8所示为位相整序后的RR间期序列图。
步骤5:计算对应序号的平均周期,经“位相整序”后,分别计算对应周期的平均值:
(1)X(0):所有中心点位置的RR间期的平均值;
(2)X(1):中心点右侧的第一个心动周期的平均值;
(3)X(-1):中心点左侧的第一个心动周期的平均值;
(4)X(-2):中心点左侧的第二个所有心动周期的平均值。
如图9所示为计算出的对应周期的平均值示意图,由图可知X(0)、X(1)、X(-1)、X(-2)的大小。
步骤6:计算心率减速力,分别计算X(0)、X(1)、X(-1)、X(-2)的均值后,再将结果代入下式(5)进行计算即可得到心率减速力DC:
另外,在步骤4和步骤5中对上述信号处理过程时,已经同时标出了心率加速点(“o”点),并用同样流程,代入加速点和加速周期就可以计算出心率加速力AC相关的4个均值(Z(0)、Z(1)、Z(-1)、Z(-2)),代入下式(6)即可计算出受检者的心率加速力AC的值:
窦性心率震荡指标包括震荡初始与震荡斜率。
震荡初始(TO)描述的是室性早搏后窦性心律是否存在加速的现象。如图10所示为室性早搏后窦性心率及RR间期序号示意图,震荡初始的计算公式是用室性早搏代偿间期后的前2个窦性心律的RR间期(也称后间期)的和,减去室性早搏偶联间期前的2个窦性心律的RR间期(也称前间期)的和,两者之差再除以后者,所得的结果即为TO。在图10中,室性早搏代偿间期后的前2个窦性心律的RR间期分别为R1和R2,室性早搏偶联间期前的2个窦性心律的RR间期分别为R-1和R-2,按下式计算出震荡初始TO:
震荡斜率(TS)是用于定量分析室性早搏后是否存在窦性心律减速现象。
震荡斜率TS的计算步骤如下:
步骤1:检测室早出现后的前20个窦性心律的RR间期值,并把这些RR间期的值作为纵坐标,把RR间期的心搏序号作为横坐标,绘制RR间期值的序列图;
步骤2:在RR间期值的序列图中,对每5个连续的心搏序号的窦性心律点做出回归线,其中正向最大斜率即为TS。
心电指标筛选装置4用于对心电指标获取装置获取的心电指标进行差异性分析,筛选出有显著性差异的心电指标;
特征组合获取装置5,用于对心电指标筛选装置筛选出的有显著性差异的心电指标中的至少两项进行特征组合,获取多个特征组合;
分类器筛选装置6采用多个分类器对特征组合获取装置获取的多个特征组合进行测试,以筛选出最优分类器和最优特征组合,其中,分类器可以为朴素贝叶斯、支持向量机和人工神经网络算法中的任意一种。
在本实施例中,本发明提供的对动态心电数据进行分类的装置为按照患者心脏性猝死风险的几率进行分类,相应的,分类器筛选装置通过以下方式筛选出最优分类器:
S1:根据心电信息数据库中储存的个人信息以及与心脏活动状态有关的病理数据对应的患者的心脏性猝死风险几率,将患者分为高危猝死风险患者和低危猝死风险患者;
S2:根据每一特征组合中包括的心电指标,分别采用多个分类器对与心脏活动状态有关的病理数据进行分类,将与S1中的分类结果最相近的分类器作为最优分类器。在这一过程中,通过自动化和人工方法进行特征筛选,将没有明显分类特征的心电指标剔除,将余下有明显分类特征的心电指标保留并进行特征组合测试。接下来,将不同的特征组合分别用不同分类器算法进行机器学习,采用留一法和交叉验证法处理后,得到不同分类器算法的不同特征组合的分类效能值。然后,将各分类器的最优分类组合提取出来,并进行敏感性、特异性、准确率和受试者操作曲线下面积(AUC)值的比较,进而筛选出具有最优综合分类效能的分类器和分类特征组合。
分类结果输出装置7用于接收患者的个人信息以及与心脏活动状态有关的病理数据,以及根据分类器筛选装置筛选出的最优分类器和最优特征组合对患者的与心脏活动状态有关的病理数据进行分类并输出分类结果。
为验证本发明对动态心电数据分类的准确性,本案发明人采集了208位患者的动态心电数据,在平均28个月的随访工作后,确定了动态心电的分类结果。通过对心电信息的分析,共提取10个有显著性差异的心电指标,用于特征组合获取装置进行特征组合,经过特征选择、留一法和交叉验证法处理后,可以识别出90%的阳性结果,而LVEF只能识别20%左右,支持向量机的AUC值最高可达0.8902,而单一指标最高的SDNN和AUC仅为0.78。以上实验证明本发明在心脏病动态心电数据分类领域有较大的优势,分类准确度较高。
如图11所示为支持向量机算法的ROC曲线(受试者操作功能曲线),在本发明中使用支持向量机算法进行对动态心电数据进行分类,其结果如图11所示。该曲线下面积可达到0.89,而左心室射血分数(LVEF)、RR间期标准差(SDNN)和心率减速力(DC)则明显较低。
本发明提供的对动态心电数据进行分类的装置结合多种心电指标对动态心电数据进行分类,可用于心脏病危险分层及猝死几率分层,能够为猝死预防及临床决策提供指导性建议,大大提高了心电数据分类的准确性。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (5)
1.一种对动态心电数据进行分类的装置,其特征在于,包括:
心电数据采集装置,用于采集患者的个人信息以及与心脏活动状态有关的病理数据;
心电信息数据库,用于储存所述心电数据采集装置采集的个人信息以及与心脏活动状态有关的病理数据;
心电指标获取装置,用于对所述心电信息数据库中的与心脏活动状态有关的病理数据进行处理,获取与心脏活动状态有关的病理数据对应的心电指标;
心电指标筛选装置,用于对所述心电指标获取装置获取的心电指标进行差异性分析,筛选出有显著性差异的心电指标;
特征组合获取装置,用于对所述心电指标筛选装置筛选出的有显著性差异的心电指标中的至少两项进行特征组合,获取多个特征组合;
分类器筛选装置,其采用多个分类器对所述特征组合获取装置获取的多个所述特征组合进行测试,以筛选出最优分类器和最优特征组合;
分类结果输出装置,用于接收患者的个人信息以及与心脏活动状态有关的病理数据,以及根据所述分类器筛选装置筛选出的最优分类器和最优特征组合对患者的与心脏活动状态有关的病理数据进行分类并输出分类结果。
2.根据权利要求1所述的对动态心电数据进行分类的装置,其特征在于,所述个人信息包括性别、年龄和血型,所述与心脏活动状态有关的病理数据包括心功能NYHA分级、冠心病史、心肌梗死病史、高血压病史、瓣膜病病史、先心病病史、心肌病病史、糖尿病病史、脑血管病病史、吸烟史、饮酒史、心血管病家族史、猝死家族史、运动锻炼状况、遗传病病史、收缩压、舒张压、体重指数、是否安装起搏器、ICD治疗状况、导管消融状况、冠脉搭桥状况、冠脉支架状况、B受体阻滞剂使用状况、钙通道拮抗剂使用状况、ACEI/ARB使用状况、利尿剂使用状况、抗心律失常药物使用史、洋地黄类药物使用史、降脂药使用史、稳心颗粒使用史、动态心电检测持续时间、总心搏数、最快心率、最慢心率、平均心率、室早总数、非持续性室速、Lowns分级、平均NN、SDNN、SDANN、ASDNN、rMSSD、pNN50、pNN50a、pNN50b、BB50、BB50a、BB50b、甚低频、低频、高频、宽带频率、用户频率、低/高比率、TO%、TSmm/RR、TD、CCTS、TFD、心率减速力、FQRS、RMS40、LAS、微伏T波电交替MTWA、QT ms、QTds、QTc间期、QT/RR斜率、QTd/RRd、QT变异性、QTVI、T波峰末时间、P波时限、P波离散度、J波高度、J波变交替、J波离散度、QRS时限、房室传到阻滞情况、Q波时限、Q波深度、C反映蛋白、超敏C反映蛋白、同型半胱氨酸、CHLO、TG、LDL、HDL、脑型利钠肽、NT-proBNP、肌酐、左房内径、左室舒张末内径、左室后壁厚度、左室间隔厚度、左室射血分数、FS、二尖瓣反流、三尖瓣反流、主动脉反流、阶段性室壁运动异常、LM、LAD、LCX、RCA、LM、LAD、LCX、TIMI分级、内中膜厚度和斑块积分。
3.根据权利要求1所述的对动态心电数据进行分类的装置,其特征在于,其中,所述心电指标获取装置获取的心电指标至少包括心率变异性指标、心率减速力、心率加速力和窦性心率震荡指标,其中,
所述心率变异性指标包括心率变异性时域指标与心率变异性频域指标,所述心率变异性时域指标包括RR间期均值、RR间期标准差、RR间期平均值标准差、RR间期标准差均值和三角指数,所述心率变异性频域指标包括总功率、极低频功率、低频功率、极高频功率和高频功率,
所述窦性心率震荡指标包括震荡初始与震荡斜率。
4.根据权利要求1所述的对动态心电数据进行分类的装置,其特征在于,所述分类器为朴素贝叶斯、支持向量机和人工神经网络算法中的任意一种。
5.根据权利要求1所述的对动态心电数据进行分类的装置,其特征在于,所述装置按照患者心脏性猝死风险的几率进行分类,相应的,所述分类器筛选装置通过以下方式筛选出最优分类器:
S1:根据所述心电信息数据库中储存的个人信息以及与心脏活动状态有关的病理数据对应的患者的心脏性猝死风险几率,将患者分为高危猝死风险患者和低危猝死风险患者;
S2:根据每一特征组合中包括的心电指标,分别采用多个分类器对所述与心脏活动状态有关的病理数据进行分类,将与S1中的分类结果最相近的分类器作为最优分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410628446.9A CN104382582B (zh) | 2014-11-10 | 2014-11-10 | 一种对动态心电数据进行分类的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410628446.9A CN104382582B (zh) | 2014-11-10 | 2014-11-10 | 一种对动态心电数据进行分类的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104382582A true CN104382582A (zh) | 2015-03-04 |
CN104382582B CN104382582B (zh) | 2016-08-31 |
Family
ID=52600624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410628446.9A Active CN104382582B (zh) | 2014-11-10 | 2014-11-10 | 一种对动态心电数据进行分类的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104382582B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104840186A (zh) * | 2015-05-07 | 2015-08-19 | 中山大学 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
CN105877739A (zh) * | 2016-02-25 | 2016-08-24 | 姜坤 | 一种心电智能分析系统的临床检验方法 |
CN105943021A (zh) * | 2016-05-13 | 2016-09-21 | 赵伟 | 一种可穿戴心脏节律监测装置和心律监测系统 |
CN106037720A (zh) * | 2015-12-04 | 2016-10-26 | 贵州大学 | 混合连续信息分析技术在医学上的应用方法 |
CN106073765A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上猝死风险预测的实现方法 |
CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
CN107137077A (zh) * | 2017-06-14 | 2017-09-08 | 西南大学 | 自主神经恢复检测方法、装置及电子设备 |
CN107374616A (zh) * | 2017-08-22 | 2017-11-24 | 京东方科技集团股份有限公司 | 一种自主神经活性的判断方法、设备和心电监测设备 |
CN107408144A (zh) * | 2014-11-14 | 2017-11-28 | Zoll医疗公司 | 医疗先兆事件估计 |
CN107578281A (zh) * | 2017-08-31 | 2018-01-12 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN108354610A (zh) * | 2017-08-29 | 2018-08-03 | 浙江好络维医疗技术有限公司 | 一种基于三轴传感器和心电传感器的老人跌倒检测方法及检测系统 |
CN108416277A (zh) * | 2018-02-11 | 2018-08-17 | 广州市碳码科技有限责任公司 | 一种心电监测方法、装置、终端及计算机可读存储介质 |
CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
CN109165615A (zh) * | 2018-08-31 | 2019-01-08 | 中国人民解放军军事科学院军事医学研究院 | 一种面向脑电信号的多分类器单路模式下的参数训练算法 |
CN109350050A (zh) * | 2018-11-20 | 2019-02-19 | 锐捷网络股份有限公司 | 心跳间期检测方法及装置 |
CN109745028A (zh) * | 2017-11-07 | 2019-05-14 | 财团法人资讯工业策进会 | 辨识婴儿需求的系统及方法 |
CN109770862A (zh) * | 2019-03-29 | 2019-05-21 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
CN109805925A (zh) * | 2019-03-05 | 2019-05-28 | 邢台医学高等专科学校 | 一种心电图分析装置 |
CN110432884A (zh) * | 2019-07-08 | 2019-11-12 | 暨南大学 | 基于胎心率减速区面积的胎儿状况测评方法及系统 |
CN111067508A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN111557660A (zh) * | 2020-06-08 | 2020-08-21 | 东北大学 | 一种亚群体深度学习框架下的心律失常识别方法 |
CN112037906A (zh) * | 2020-07-17 | 2020-12-04 | 山东大学 | 一种长时生理信号时间序列的样本数据的扩充方法及系统 |
CN117153416A (zh) * | 2023-10-26 | 2023-12-01 | 天津医科大学第二医院 | 一种糖尿病筛查数据处理及管理系统 |
CN117814809A (zh) * | 2024-03-05 | 2024-04-05 | 纳龙健康科技股份有限公司 | 一种房性心动过速事件批量识别方法、终端设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011155680A1 (ko) * | 2010-06-11 | 2011-12-15 | 전자부품연구원 | 복합생체신호 처리를 위해 호환성을 개선한 통신 처리시스템 |
CN102908135A (zh) * | 2012-10-08 | 2013-02-06 | 中国科学院深圳先进技术研究院 | 心电诊断系统及其操作方法 |
CN103584852A (zh) * | 2012-08-15 | 2014-02-19 | 深圳中科强华科技有限公司 | 个性化心电图智能辅助诊断装置与方法 |
CN103886184A (zh) * | 2014-03-03 | 2014-06-25 | 浙江大学 | 一种心脏病理识别模型的构建方法 |
-
2014
- 2014-11-10 CN CN201410628446.9A patent/CN104382582B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011155680A1 (ko) * | 2010-06-11 | 2011-12-15 | 전자부품연구원 | 복합생체신호 처리를 위해 호환성을 개선한 통신 처리시스템 |
CN103584852A (zh) * | 2012-08-15 | 2014-02-19 | 深圳中科强华科技有限公司 | 个性化心电图智能辅助诊断装置与方法 |
CN102908135A (zh) * | 2012-10-08 | 2013-02-06 | 中国科学院深圳先进技术研究院 | 心电诊断系统及其操作方法 |
CN103886184A (zh) * | 2014-03-03 | 2014-06-25 | 浙江大学 | 一种心脏病理识别模型的构建方法 |
Non-Patent Citations (1)
Title |
---|
韩百合等: "心脏性猝死心电学预测方法研究新进展", 《现代生物医学进展》, vol. 13, no. 20, 31 July 2013 (2013-07-31) * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408144A (zh) * | 2014-11-14 | 2017-11-28 | Zoll医疗公司 | 医疗先兆事件估计 |
CN104840186A (zh) * | 2015-05-07 | 2015-08-19 | 中山大学 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
CN106037720B (zh) * | 2015-12-04 | 2019-04-19 | 贵州大学 | 混合连续信息分析技术的医学应用系统 |
CN106037720A (zh) * | 2015-12-04 | 2016-10-26 | 贵州大学 | 混合连续信息分析技术在医学上的应用方法 |
CN105877739A (zh) * | 2016-02-25 | 2016-08-24 | 姜坤 | 一种心电智能分析系统的临床检验方法 |
CN105943021B (zh) * | 2016-05-13 | 2018-09-21 | 赵伟 | 一种可穿戴心脏节律监测装置和心律监测系统 |
CN105943021A (zh) * | 2016-05-13 | 2016-09-21 | 赵伟 | 一种可穿戴心脏节律监测装置和心律监测系统 |
CN106073765A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上猝死风险预测的实现方法 |
CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
CN107137077A (zh) * | 2017-06-14 | 2017-09-08 | 西南大学 | 自主神经恢复检测方法、装置及电子设备 |
CN107374616A (zh) * | 2017-08-22 | 2017-11-24 | 京东方科技集团股份有限公司 | 一种自主神经活性的判断方法、设备和心电监测设备 |
CN107374616B (zh) * | 2017-08-22 | 2021-01-26 | 京东方科技集团股份有限公司 | 一种自主神经活性的判断方法、设备和心电监测设备 |
CN108354610A (zh) * | 2017-08-29 | 2018-08-03 | 浙江好络维医疗技术有限公司 | 一种基于三轴传感器和心电传感器的老人跌倒检测方法及检测系统 |
CN107578281B (zh) * | 2017-08-31 | 2021-03-30 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN107578281A (zh) * | 2017-08-31 | 2018-01-12 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN109745028A (zh) * | 2017-11-07 | 2019-05-14 | 财团法人资讯工业策进会 | 辨识婴儿需求的系统及方法 |
CN108416277A (zh) * | 2018-02-11 | 2018-08-17 | 广州市碳码科技有限责任公司 | 一种心电监测方法、装置、终端及计算机可读存储介质 |
CN108968941B (zh) * | 2018-05-25 | 2022-03-25 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
CN109165615A (zh) * | 2018-08-31 | 2019-01-08 | 中国人民解放军军事科学院军事医学研究院 | 一种面向脑电信号的多分类器单路模式下的参数训练算法 |
CN109350050A (zh) * | 2018-11-20 | 2019-02-19 | 锐捷网络股份有限公司 | 心跳间期检测方法及装置 |
CN109350050B (zh) * | 2018-11-20 | 2021-08-17 | 锐捷网络股份有限公司 | 心跳间期检测方法及装置 |
CN109805925A (zh) * | 2019-03-05 | 2019-05-28 | 邢台医学高等专科学校 | 一种心电图分析装置 |
CN109770862A (zh) * | 2019-03-29 | 2019-05-21 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
CN109770862B (zh) * | 2019-03-29 | 2022-03-08 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
CN110432884A (zh) * | 2019-07-08 | 2019-11-12 | 暨南大学 | 基于胎心率减速区面积的胎儿状况测评方法及系统 |
CN111067508A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN111067508B (zh) * | 2019-12-31 | 2022-09-27 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN111557660A (zh) * | 2020-06-08 | 2020-08-21 | 东北大学 | 一种亚群体深度学习框架下的心律失常识别方法 |
CN112037906A (zh) * | 2020-07-17 | 2020-12-04 | 山东大学 | 一种长时生理信号时间序列的样本数据的扩充方法及系统 |
CN117153416A (zh) * | 2023-10-26 | 2023-12-01 | 天津医科大学第二医院 | 一种糖尿病筛查数据处理及管理系统 |
CN117153416B (zh) * | 2023-10-26 | 2024-01-26 | 天津医科大学第二医院 | 一种糖尿病筛查数据处理及管理系统 |
CN117814809B (zh) * | 2024-03-05 | 2024-05-03 | 纳龙健康科技股份有限公司 | 一种房性心动过速事件批量识别方法、终端设备及介质 |
CN117814809A (zh) * | 2024-03-05 | 2024-04-05 | 纳龙健康科技股份有限公司 | 一种房性心动过速事件批量识别方法、终端设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104382582B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104382582B (zh) | 一种对动态心电数据进行分类的装置 | |
Wang et al. | Deep ensemble detection of congestive heart failure using short-term RR intervals | |
US9775533B2 (en) | System and method of determining a risk score for triage | |
Ribeiro et al. | T‐Wave Amplitude Variability and the Risk of Death in Chagas Disease | |
Adams et al. | Using neural networks to predict cardiac arrhythmias | |
Chocron et al. | Remote atrial fibrillation burden estimation using deep recurrent neural network | |
Christov et al. | Ranking of the most reliable beat morphology and heart rate variability features for the detection of atrial fibrillation in short single-lead ECG | |
Oster et al. | Identification of patients with atrial fibrillation: a big data exploratory analysis of the UK Biobank | |
Rankawat et al. | Robust heart rate estimation from multimodal physiological signals using beat signal quality index based majority voting fusion method | |
Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
Ansari et al. | Noise detection in electrocardiography signal for robust heart rate variability analysis: A deep learning approach | |
Colloca | Implementation and testing of atrial fibrillation detectors for a mobile phone application | |
Blesius et al. | HRT assessment reviewed: a systematic review of heart rate turbulence methodology | |
Jiménez-Serrano et al. | Multiple cardiac disease detection from minimal-lead ECG combining feedforward neural networks with a one-vs-rest approach | |
Zulli et al. | Increased prevalence of silent myocardial ischaemia and severe ventricular arrhythmias in untreated patients with Alzheimer's disease and mild cognitive impairment without overt coronary artery disease | |
Weems et al. | Classification of the ECG signal using artificial neural network | |
Gollakota et al. | A novel severity ranking approach for continuous monitoring of heart disease progression using beat-wise classification of ecg | |
Lai et al. | Single lead ECG-based ventricular repolarization classification for early identification of unexpected ventricular fibrillation | |
Oster et al. | An artificial model of the electrocardiogram during paroxysmal atrial fibrillation | |
Muthalagu et al. | Pattern Recognition and Modelling in Electrocardiogram Signals: Early Detection of Myocardial Ischemia and Infraction | |
Chieng et al. | Ventricular tachyarrhythmias prediction methods and its prognostic features: a review | |
Shen et al. | Low-cost detection of cardiovascular disease on chronic kidney disease and dialysis patients based on hybrid heterogeneous ECG features including T-wave alternans and heart rate variability | |
Tropeano et al. | Arrhythmia detection and classification through the analysis of human ECG signal | |
Alaei et al. | Phase Relation between Depolarization and Repolarization Alternans in ECG | |
Shmid et al. | Fermi-Pasta-Ulam Autorecurrence in the Description of the Electrical Heart Activity of Patients with Diagnosed Tuberculosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |