CN104398254A - 一种心电图分析系统、分析设备及预测模型采集设备 - Google Patents

一种心电图分析系统、分析设备及预测模型采集设备 Download PDF

Info

Publication number
CN104398254A
CN104398254A CN201410650258.6A CN201410650258A CN104398254A CN 104398254 A CN104398254 A CN 104398254A CN 201410650258 A CN201410650258 A CN 201410650258A CN 104398254 A CN104398254 A CN 104398254A
Authority
CN
China
Prior art keywords
sample
module
heart
feature vector
electrocardiogram
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
Application number
CN201410650258.6A
Other languages
English (en)
Other versions
CN104398254B (zh
Inventor
李刚
宁立
张涌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Zhongke advanced technology industry Co.,Ltd.
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201410650258.6A priority Critical patent/CN104398254B/zh
Publication of CN104398254A publication Critical patent/CN104398254A/zh
Application granted granted Critical
Publication of CN104398254B publication Critical patent/CN104398254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种心电图分析系统，包括：第一心电数据提取模块、第二心电数据提取模块、样本存储模块、模型构造模块和模型修正模块，本系统通过对各种典型的心电波形数据的预测模型进行收集、完善，可以用来与个体心电波形数据进行对比，得出该个体心电波形数据对应类型的预测模型，然后根据预测模型预测该个体心电波形数据所有者的病情发展趋势。该系统综合考虑了病情表现的普遍性、对象个体的差异性，具备实时性和持久性。本发明还公开了一种使用该心电图分析系统的心电图分析设备及心电图预测模型采集设备。

Description

一种心电图分析系统、分析设备及预测模型采集设备
技术领域
本发明涉及生物医学技术领域，尤其涉及一种心电图分析系统、分析设备及心电图预测模型采集设备。
背景技术
心脏疾病已经成为威胁人民生命健康的主要病因之一，通常早发现早治疗是最好的预防治疗的方式。很多疾病发病前的征兆或者发病时的症状具有相似之处，由于专家所研究领域的不同，专家根据所掌握的知识以及个人的经验，再结合病人的其他症状，所得出来的诊断结果可能有所不同，这样很可能贻误病情，造成严重的后果。
如何对心脏病进行预测，成为很多专家学者关注的话题。目前主要有两类心脏病预测方法：一类是通过生物医学原理，借助基因或者体内某种物质来进行分析预测，另一类是结合计算机技术和反应心脏机能的心电图数据(或者其他医学检查数据)，来进行分析预测。
通过生物医学原理的方法具有很大的局限性，只能针对先天性心脏病进行预测或者不能考虑到个体差异性，不具备实时、持续性。
心电图数据作为诊断心脏疾病的重要工具之一，被广泛应用于临床医学中。心电图(ECG)是心脏的电活动的记录，也是常用的用于诊断心脏病的重要基础依据。标准ECG记录包括12个导联波形，分别表示为I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5和V6。
发明人杨培德等人在中国专利申请CN103970975A中提供了一种心电数据处理方法。该方法通过采集心电数据，处理得到相应的特征向量，根据特征向量进行聚类分析得到聚类种群，利用已有模板对聚类种群进行匹配，得到聚类种群对应的结果，达到诊断预测的结果。该方法基于模板进行匹配，具有普遍性，但缺乏对个体差异性的考虑，同时模板固定，难于应对正常心脏状态的变动。
发明人梁海鹏等人在中国专利申请CN102697492B中提供了一种实时分析心电数据的方法。该方法通过对心电数据采集、预处理和除噪，然后对心电数据进行处理，得到医学诊断需要的特征数据(心率计算，ST段幅度计算，RR间期计算等)，并依据常规的判断标准，得出诊断结果。该方法也未能考虑个体差异性，且一旦形成便难于更改，无法适应对正常心脏状态的变动。
发明人G.芬格等人在中国专利申请CN103493054A中提供了一种用于预测心血管病发展的医疗信息技术系统。该系统通过采集多种医学检查数据，然后通过贝叶斯网络来预测疾病的发生概率，进而对心脏病的发生进行预测。该系统过于依赖各种大量的医学检查数据，实现代价大，而且仅仅预测出疾病的发生概率，缺乏可信力。
发明内容
鉴于现有技术存在的不足，本发明提供了一种综合考虑病情的普遍性、对象个体差异性、具备实时性和持久性，并能在使用中不断调整分析精度的心电图分析系统、分析设备及心电图预测模型采集设备。
为了实现上述的目的，本发明采用了如下的技术方案：
一种心电图分析系统，包括：
第一心电数据提取模块，用于获取多个健康心脏样本和各种类型心脏病变样本对应的心电波形数据，并将获取到的心电波形数据以医学特征值构成相应的第一特征向量；
第二心电数据提取模块，用于获取实时采集的待分析的心脏样本的心电波形数据，并将获取到的心电波形数据以医学特征值构成第二特征向量；
样本存储模块，用于存储所述第一特征向量作为样本数据，并将健康心脏样本的第一特征向量标记为正常，将心脏病变样本的第一特征向量标记为异常，并按年龄段和性别进行分类，形成不同类型的样本数据集；
模型构造模块，用于利用支持向量机对所述样本存储模块内的第一特征向量进行训练，得出各种类型的预测模型；
模型修正模块，用于确定待分析的心脏样本所对应的预测模型的类型，同时对所述第二心电数据提取模块获取到的所述待分析的心脏样本的近期心电数据对应的第二特征向量进行判定并按实际情况标记为正常或异常，然后对应作为健康心脏样本或者病变心脏样本的第一特征向量加入所述样本存储模块相应类型的样本数据集中，并调用所述模型构造模块进一步训练、修正待分析的心脏样本所对应的预测模型。
其中，所述样本数据为12导联的心电波形数据。
其中，所述医学特性值包括：P波、PR间期、QRS波群、QT间期、ST段和T/R。
其中，所述样本存储模块中，还存储有所述第二心电数据提取模块获取的待分析的心脏样本健康状况下的正常第二特征向量组成的正常第二特征向量集，每个类型心脏样本的正常第二特征向量集只保存最近的预定数量的正常第二特征向量。
其中，所述模型修正模块包括分析模块，所述分析模块用于在所述模型修正模块确定所述待分析的心脏样本所对应的预测模型的类型后，利用对应的所述预测模型对各第二特征向量的状态正常与否进行判定并标记。
其中，所述分析系统还包括警示模块，若所述分析模块利用所述预测模型判定的结果为异常，所述警示模块发出警告，并给出应对措施。
其中，若所述分析模块利用预测模型判定的结果为异常，启动所述警示模块，所述模型修正模块将待分析的心脏样本A所对应的第二特征向量标记为异常，作为心脏病变样本对应第一特征向量的其中一个，加入所述样本存储模块相应类型的样本数据集中；若所述分析模块利用预测模型判定的结果为正常，则将所述第二特征向量放入实时样本分析缓存特征向量队列中；当所述实时样本分析缓存特征向量队列中的特征向量个数达到10个时，计算所述队列中全部特征向量的平均值，然后计算所述平均值与所述正常第二特征向量集的平均值的相似度，若相似度小于阈值，则启动所述警示模块，同时所述模型修正模块将所述队列中最新的第二特征向量标记为异常，作为心脏病变样本对应的第一特征向量的其中一个，加入所述样本存储模块相应类型的样本数据集中，并清空所述队列；否则将所述队列中最新的第二特征向量加入正常第二特征向量集中，同时所述模型修正模块将最新的第二特征向量标记为正常，作为健康心脏样本对应的第一特征向量的其中一个，加入所述样本存储模块相应类型的样本数据集中，并清空所述队列。
其中，所述分析系统还包括清理模块，用于定期清理所述正常第二特征向量集和由所述第二心电数据提取模块获取、经过模型修正模块标记后加入到样本存储模块的样本数据集中的过期和失效的由第二特征向量转化而成的第一特征向量。
同时，本发明还提供了一种心电图分析设备，使用上述的心电图分析系统对待分析的心脏样本进行分析，对所述待分析的心脏样本所属的预测模型的类型进行确定，然后利用预测模型进行预测，并输出预测结果。
另外，本发明还提供了一种心电图预测模型采集设备，使用上述的心电图分析系统采集并存储各种类型的预测模型。
本发明通过对各种典型的心电波形数据的预测模型进行收集、完善，可以用来与个体心电波形数据进行对比，得出该个体心电波形数据对应类型的预测模型，然后根据预测模型预测该个体心电波形数据所有者的病情发展趋势。该系统综合考虑了病情表现的普遍性、对象个体的差异性，具备实时性和持久性，并且能够在使用中不断调整分析精度，调整预测模型，使得预测模型更精确，单体适应性更强。
附图说明
图1为本发明实施例1的心电图分析系统的结构示意图。
图2为本发明实施例1的心电图分析系统的原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
为了能综合考虑病情表现的普遍性、对象个体的差异性，具备实时性和持久性，本发明实施例提供了一种基于模型的心电图分析系统，本系统能够在使用中不断调整分析精度，调整预测模型，使得预测模型更精确，单体适应性更强。
参阅图1，本发明提供了一种心电图分析系统，包括：第一心电数据提取模块10、第二心电数据获取模块20、样本存储模块30、模型构造模块40和模型修正模块50，其中，第一心电数据提取模块10用于获取多个健康心脏样本和各种类型心脏病变样本对应的心电波形数据，并将获取到的心电波形数据以医学特征值构成相应的第一特征向量；第二心电数据获取模块20用于获取实时采集的待分析的心脏样本的心电波形数据，并将获取到的心电波形数据以医学特征值构成第二特征向量；样本存储模块30用于存储第一特征向量作为样本数据，并将健康心脏样本的第一特征向量标记为正常，将心脏病变样本的第一特征向量标记为异常，并按年龄段和性别进行分类，形成不同类型的样本数据集；模型构造模块40用于利用支持向量机对样本存储模块30内的第一特征向量进行训练，得出各种类型的预测模型；模型修正模块50用于根据待分析的心脏样本的年龄和性别确定待分析的心脏样本所对应的预测模型的类型，同时对第二心电数据提取模块20获取到的待分析的心脏样本的近期心电数据对应的第二特征向量按实际情况判定并标记为正常或异常，然后对应作为健康心脏样本或者病变心脏样本的第一特征向量加入样本存储模块30相应类型的样本数据集中，并实时或定期调用模型构造模块40进一步训练、修正该预测模型。
第一心电数据提取模块10对获取到的心电波形数据按健康和各种病变类型分类存储，同时进行基线校正滤波、60Hz陷波滤波和平滑滤波处理以去噪。第二心电数据提取模块20对获取到的心电波形数据作与第一心电数据提取模块10相同的去噪处理。
其中，样本存储模块30根据心脏样本对应的年龄段和性别对第一特征向量进行分类，即最终第一特征向量被按年龄段、性别和心脏病种类进行分类存储在样本存储模块30内。样本数据为12导联的心电波形数据。
本实施例中，医学特性值包括：P波、PR间期、QRS波群、QT间期、ST段和T/R值。
如图2所示，模型修正模块50的修正过程为：当有待分析的心脏样本A的心电数据输入到第二心电数据提取模块20中时，模型修正模块50即根据该心电数据的年龄段、性别选择待分析的心脏样本A相应的预测模型，对第二心电数据提取模块20获取到的待分析的心脏样本的心电数据对应的第二特征向量进行判定并按实际情况标记为正常或异常，然后对应作为健康心脏样本或者病变心脏样本的第一特征向量加入样本存储模块30相应类型的样本数据集中，并实时或定期调用模型构造模块进一步训练、修正该预测模型，以更加适应待分析的心脏样本的个体差异。
具体地，样本存储模块30中，按年龄段、性别对心脏样本类型进行划分，将获得的数据按照每种类型归类，并根据诊断信息，选取各种心脏病变样本所表现的典型心电波形数据，将相应的第一特征向量标记为异常1，选取正常的健康心脏样本的心电波形数据，将相应的第一特征向量标记为正常0，组成该心脏样本类型的初始化训练数据。
模型构造模块40利用支持向量机对各心脏样本类型的初始化训练数据进行训练，得出各心脏样本类型对应的预测模型。
模型修正模块50的修正过程中，选定一个待分析的心脏样本A，针对该待分析的心脏样本A选取其相对应类型的预测模型，若第二心电数据提取模块20已接收有该待分析的心脏样本A的近期心电图数据，则将其进行降噪处理后，计算得出相应的第二特征向量，并根据该心电图已有的相应诊断信息标记为异常1或正常0，然后放入样本存储模块30相应类型的样本数据集中用于进一步训练该预测模型，使之更能适应心脏样本A的个体差异。
本实施例的心电图分析系统提供了一种预测模型，通过采集心电图数据，对常规和异常心电波形数据建模，以供下一步对比分析，具有自主学习调整能力，能很好地适应个体的差异性。
第二心电数据提取模块20将获取到的待分析的心脏样本A在健康状况下心电波形数据对应的正常第二特征向量存储至样本存储模块30，样本存储模块30中的正常第二特征向量组成待分析的心脏样本A的正常第二特征向量集进行存储。
进一步地，本模型修正模块50包括分析模块60，分析模块60用于在模型修正模块50确定待分析的心脏样本A所对应的预测模型的类型后，利用对应的预测模型对其第二特征向量的状态正常与否进行判定并标记。
本分析系统还包括警示模块70，若分析模块60判定为异常，警示模块70发出警告，并给出应对措施。
同时，由于在实时分析过程中，会不断地由第二心电数据提取模块20获取第二特征向量转化产生新的样本数据，样本存储模块30的样本数据集占用空间越来越大，另外，当更换分析对象时，要清理掉上一个分析对象的心脏样本数据和其正常第二特征向量对应产生的正常第二特征向量集，为确保预测的实时性和计算的高效性，需要定期清理过期的该类数据。鉴于此，本分析系统还进一步地包括清理模块80，用于定期清理正常第二特征向量集和由第二心电数据提取模块20获取、经过模型修正模块50判定后加入到样本存储模块30的样本数据集中的过期和失效的由第二特征向量转化而成的第一特征向量，以利用第二心电数据提取模块20采集的数据重新训练预测模型，使得预测模型更加适应心脏样本A的特性。
第二特征向量正常与否的判定过程为：若分析模块60利用预测模型分析判定的结果为异常，启动警示模块70，模型修正模块50将待分析的心脏样本A所对应的第二特征向量标记为异常，作为心脏病变样本对应第一特征向量的其中一个，加入样本存储模块30相应类型的样本数据集中；若分析模块60利用预测模型初步判定的结果为正常，则将该第二特征向量放入实时样本分析缓存特征向量队列中；当实时样本分析缓存特征向量队列中的特征向量个数达到10个时，计算该队列中全部特征向量的平均值，然后计算该平均值与正常第二特征向量集的平均值的相似度，若相似度小于阈值，则启动警示模块70，同时模型修正模块50将该队列中最新的第二特征向量标记为异常，作为心脏病变样本对应的第一特征向量的其中一个，加入样本存储模块30相应类型的样本数据集中，清空该队列；否则将该队列中最新的第二特征向量加入正常第二特征向量集中，模型修正模块50将该最新的第二特征向量标记为正常，作为健康心脏样本对应的第一特征向量的其中一个，加入样本存储模块相应类型的样本数据集，同时也加入其正常第二特征向量集中，清空该队列。其中，正常第二特征向量集的初始化数据由人工采集预测对象的正常数据。优选地，样本存储模块30中，每个类型心脏样本的正常第二特征向量集只保存最近的预定数量的正常第二特征向量，进一步地，该预定数量为60个。
优选地，相似度的计算采用欧几里德距离进行计算：
针对两个特征向量X＝(x1,x2,x3....xn)和Y＝(y1,y2,y3...yn)，其欧几里德距离为其中，相似度S＝1/(1+d(X,Y))，欧几里德距离越大，则两个特征向量之间的相似度S就越小，即差异性越大。
本分析系统根据实时采集的待分析的心脏样本A的12导联心电数据进行滤波去噪后，计算得到相应的第二特征向量，输入到相应类型的预测模型中。
本实施例的心电图分析系统提供了一种预测模型，通过采集心电图数据，对常规和异常心电波形数据建模，然后利用对应的预测模型对心脏样本的心电波数据组成的第二特征向量进行分析，实时预测心脏样本的健康状况，并对异常状况发出警告和相应诊断信息，能够有效地对各种心脏样本进行检测并对非健康状况的心脏病变样本进行预警。
实施例2
本实施例提供了一种心电图分析设备，使用实施例1提供的心电图分析系统对待分析的心脏样本A进行分析。首先对待分析的心脏样本A所属的预测模型的类型进行确定，然后将待分析的心脏样本A的心电波形数据以医学特征值构成第二特征向量，并将该第二特征向量输入到对应的预测模型中，利用预测模型对各第二特征向量的状态正常与否进行判定，并输出分析结果。
实施例3
本实施例提供了一种心电图预测模型采集设备，使用实施例1提供的心电图分析系统采集并存储各种类型的预测模型，供设备的使用者根据待分析心脏样本的心电波形数据确定与其相匹配的预测模型类型或结合相关设备进行分析。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种心电图分析系统，其特征在于，包括：
第一心电数据提取模块(10)，用于获取多个健康心脏样本和各种类型心脏病变样本对应的心电波形数据，并将获取到的心电波形数据以医学特征值构成相应的第一特征向量；
第二心电数据提取模块(20)，用于获取实时采集的待分析的心脏样本的心电波形数据，并将获取到的心电波形数据以医学特征值构成第二特征向量；
样本存储模块(30)，用于存储所述第一特征向量作为样本数据，并将健康心脏样本的第一特征向量标记为正常，将心脏病变样本的第一特征向量标记为异常，并按年龄段和性别进行分类，形成不同类型的样本数据集；
模型构造模块(40)，用于利用支持向量机对所述样本存储模块(30)内的第一特征向量进行训练，得出各种类型的预测模型；
模型修正模块(50)，用于确定待分析的心脏样本所对应的预测模型的类型，同时对所述第二心电数据提取模块(20)获取到的所述待分析的心脏样本的近期心电数据对应的第二特征向量进行判定并按实际情况标记为正常或异常，然后对应作为健康心脏样本或者病变心脏样本的第一特征向量加入所述样本存储模块(30)相应类型的样本数据集中，并调用所述模型构造模块(40)进一步训练、修正待分析的心脏样本所对应的预测模型。
2.根据权利要求1所述的心电图分析系统，其特征在于，所述样本数据为12导联的心电波形数据。
3.根据权利要求1所述的心电图分析系统，其特征在于，所述医学特性值包括：P波、PR间期、QRS波群、QT间期、ST段和T/R。
4.根据权利要求1所述的心电图分析系统，其特征在于，所述样本存储模块(30)中，还存储有所述第二心电数据提取模块(20)获取的待分析的心脏样本健康状况下的正常第二特征向量组成的正常第二特征向量集，每个类型心脏样本的正常第二特征向量集只保存最近的预定数量的正常第二特征向量。
5.根据权利要求4所述的心电图分析系统，其特征在于，所述模型修正模块(50)包括分析模块(60)，所述分析模块(60)用于在所述模型修正模块(50)确定所述待分析的心脏样本所对应的预测模型的类型后，利用对应的所述预测模型对各第二特征向量的状态正常与否进行判定并标记。
6.根据权利要求5所述的心电图分析系统，其特征在于，还包括警示模块(70)，若所述分析模块(60)利用预测模型判定的结果为异常，所述警示模块(70)发出警告，并给出应对措施。
7.根据权利要求6所述的心电图分析系统，其特征在于，若所述分析模块(60)利用预测模型判定的结果为异常，启动所述警示模块(70)，所述模型修正模块(50)将待分析的心脏样本A所对应的第二特征向量标记为异常，作为心脏病变样本对应第一特征向量的其中一个，加入所述样本存储模块(30)相应类型的样本数据集中；若所述分析模块(60)利用预测模型判定的结果为正常，则将所述第二特征向量放入实时样本分析缓存特征向量队列中；当所述实时样本分析缓存特征向量队列中的特征向量个数达到10个时，计算所述队列中全部特征向量的平均值，然后计算所述平均值与所述正常第二特征向量集的平均值的相似度，若相似度小于阈值，则启动所述警示模块(70)，同时所述模型修正模块(50)将所述队列中最新的第二特征向量标记为异常，作为心脏病变样本对应的第一特征向量的其中一个，加入所述样本存储模块(30)相应类型的样本数据集中，并清空所述队列；否则将所述队列中最新的第二特征向量加入正常第二特征向量集中，同时所述模型修正模块(50)将最新的第二特征向量标记为正常，作为健康心脏样本对应的第一特征向量的其中一个，加入所述样本存储模块(30)相应类型的样本数据集中，并清空所述队列。
8.根据权利要求7所述的心电图分析系统，其特征在于，还包括清理模块(80)，用于定期清理所述正常第二特征向量集和由所述第二心电数据提取模块(20)获取、经过模型修正模块(50)标记后加入到样本存储模块(30)的样本数据集中的过期和失效的由第二特征向量转化而成的第一特征向量。
9.一种心电图分析设备，其特征在于，使用权利要求1-8任一所述的心电图分析系统对待分析的心脏样本进行分析，对所述待分析的心脏样本所属的预测模型的类型进行确定，然后利用预测模型进行预测，并输出预测结果。
10.一种心电图预测模型采集设备，其特征在于，使用权利要求1-8任一所述的心电图分析系统采集并存储各种类型的预测模型。
CN201410650258.6A 2014-11-14 2014-11-14 一种心电图分析系统、分析设备及预测模型采集设备 Active CN104398254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410650258.6A CN104398254B (zh) 2014-11-14 2014-11-14 一种心电图分析系统、分析设备及预测模型采集设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410650258.6A CN104398254B (zh) 2014-11-14 2014-11-14 一种心电图分析系统、分析设备及预测模型采集设备

Publications (2)

Publication Number Publication Date
CN104398254A true CN104398254A (zh) 2015-03-11
CN104398254B CN104398254B (zh) 2017-02-22

Family

ID=52635970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410650258.6A Active CN104398254B (zh) 2014-11-14 2014-11-14 一种心电图分析系统、分析设备及预测模型采集设备

Country Status (1)

Country Link
CN (1) CN104398254B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912879A (zh) * 2016-06-03 2016-08-31 广州馨瑞艾特科技有限公司 一种胎心率曲线修正方法及其装置
CN106510687A (zh) * 2016-12-12 2017-03-22 中国软件与技术服务股份有限公司 一种识别心电图数据异常的方法及系统
CN107016248A (zh) * 2017-04-18 2017-08-04 成都琅瑞医疗技术股份有限公司 一种心电数据分析系统及分析方法
CN107517251A (zh) * 2017-08-16 2017-12-26 北京小度信息科技有限公司 信息推送方法和装置
CN107837082A (zh) * 2017-11-27 2018-03-27 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN109480810A (zh) * 2018-10-09 2019-03-19 江西师范大学 一种基于循环队列的脉搏信号纠错方法
WO2019090869A1 (zh) * 2017-11-10 2019-05-16 深圳市美的连医疗电子股份有限公司 心电图分析系统及其数据分析算法的学习更新方法
TWI697851B (zh) * 2019-05-03 2020-07-01 宏碁股份有限公司 電子裝置與模型更新方法
US11529083B2 (en) 2020-09-17 2022-12-20 Acer Incorporated Physiological status evaluation method and physiological status evaluation apparatus
CN115644885A (zh) * 2022-10-19 2023-01-31 深圳市奥生科技有限公司 一种多功能心电图机及交互方法
CN116269450A (zh) * 2023-03-21 2023-06-23 苏州海臻医疗器械有限公司 一种基于肌电信号的患者肢体康复状态评估系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1951320A (zh) * 2006-11-16 2007-04-25 上海交通大学 基于超完备特征的异常心电识别方法
WO2009090581A1 (en) * 2008-01-14 2009-07-23 Koninklijke Philips Electronics N.V. Atrial fibrillation monitoring
WO2013062259A1 (ko) * 2011-10-26 2013-05-02 한국표준과학연구원 비침습적 심근 전기활동 매핑 방법
CN103093133A (zh) * 2013-01-08 2013-05-08 西安电子科技大学 面向ieee802.15.6的生物身份认证方法
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
CN103610457A (zh) * 2013-11-19 2014-03-05 深圳先进技术研究院 一种心电信号的处理方法及系统
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
CN103927556A (zh) * 2014-05-07 2014-07-16 天津工业大学 一种基于小波包和近似熵的心电信号分类方法
CN103970975A (zh) * 2013-02-02 2014-08-06 深圳先进技术研究院 心电数据处理方法和系统
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1951320A (zh) * 2006-11-16 2007-04-25 上海交通大学 基于超完备特征的异常心电识别方法
WO2009090581A1 (en) * 2008-01-14 2009-07-23 Koninklijke Philips Electronics N.V. Atrial fibrillation monitoring
WO2013062259A1 (ko) * 2011-10-26 2013-05-02 한국표준과학연구원 비침습적 심근 전기활동 매핑 방법
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
CN103093133A (zh) * 2013-01-08 2013-05-08 西安电子科技大学 面向ieee802.15.6的生物身份认证方法
CN103970975A (zh) * 2013-02-02 2014-08-06 深圳先进技术研究院 心电数据处理方法和系统
CN103610457A (zh) * 2013-11-19 2014-03-05 深圳先进技术研究院 一种心电信号的处理方法及系统
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
CN103927556A (zh) * 2014-05-07 2014-07-16 天津工业大学 一种基于小波包和近似熵的心电信号分类方法
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912879A (zh) * 2016-06-03 2016-08-31 广州馨瑞艾特科技有限公司 一种胎心率曲线修正方法及其装置
CN106510687A (zh) * 2016-12-12 2017-03-22 中国软件与技术服务股份有限公司 一种识别心电图数据异常的方法及系统
CN107016248A (zh) * 2017-04-18 2017-08-04 成都琅瑞医疗技术股份有限公司 一种心电数据分析系统及分析方法
CN107517251A (zh) * 2017-08-16 2017-12-26 北京小度信息科技有限公司 信息推送方法和装置
CN107517251B (zh) * 2017-08-16 2020-12-15 北京星选科技有限公司 信息推送方法和装置
WO2019090869A1 (zh) * 2017-11-10 2019-05-16 深圳市美的连医疗电子股份有限公司 心电图分析系统及其数据分析算法的学习更新方法
CN107837082A (zh) * 2017-11-27 2018-03-27 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN109480810A (zh) * 2018-10-09 2019-03-19 江西师范大学 一种基于循环队列的脉搏信号纠错方法
TWI697851B (zh) * 2019-05-03 2020-07-01 宏碁股份有限公司 電子裝置與模型更新方法
US11423261B2 (en) 2019-05-03 2022-08-23 Acer Incorporated Electronic device and model updating method
US11529083B2 (en) 2020-09-17 2022-12-20 Acer Incorporated Physiological status evaluation method and physiological status evaluation apparatus
CN115644885A (zh) * 2022-10-19 2023-01-31 深圳市奥生科技有限公司 一种多功能心电图机及交互方法
CN116269450A (zh) * 2023-03-21 2023-06-23 苏州海臻医疗器械有限公司 一种基于肌电信号的患者肢体康复状态评估系统及方法
CN116269450B (zh) * 2023-03-21 2023-12-19 苏州海臻医疗器械有限公司 一种基于肌电信号的患者肢体康复状态评估系统及方法

Also Published As

Publication number Publication date
CN104398254B (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN104398254A (zh) 一种心电图分析系统、分析设备及预测模型采集设备
Sopic et al. Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems
CN110890155B (zh) 一种基于导联注意力机制的多类心律失常检测方法
Mousavi et al. ECGNET: Learning where to attend for detection of atrial fibrillation with deep visual attention
Yang et al. Using PPG signals and wearable devices for atrial fibrillation screening
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN107837082A (zh) 基于人工智能自学习的心电图自动分析方法和装置
US20100217144A1 (en) Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores
Xia et al. Generative adversarial network with transformer generator for boosting ECG classification
WO2021071688A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
JP2008086754A5 (zh)
Dhyani et al. Analysis of ECG-based arrhythmia detection system using machine learning
Dhyani et al. Arrhythmia disease classification utilizing ResRNN
EP3641628B1 (en) System and method for classifying ectopic cardiac beats
CN115337018B (zh) 基于整体动态特征的心电信号分类方法及系统
Zeng et al. Ensemble learning on heartbeat type classification
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
CN103619240A (zh) 用于确定hrv和rrv并且用来识别潜在病症发作的方法和系统
Ye et al. Explainable prediction of cardiac arrhythmia using machine learning
Bae et al. Electrocardiogram fiducial point detector using a bilateral filter and symmetrical point-filter structure
Teng et al. Multimedia monitoring system of obstructive sleep apnea via a deep active learning model
Jothiramalingam et al. Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease.
CN111096736A (zh) 基于主动学习的心电图分类方法、装置和系统
Bashir et al. Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring
Tanantong et al. Towards continuous electrocardiogram monitoring based on rules and ontologies

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200622

Address after: Office building of Shenzhen Institute of advanced technology A-207 518000 in Guangdong city of Shenzhen province Nanshan District City Road No. 1068 Chinese Academy of Shenzhen University Academy of Sciences

Patentee after: Shenzhen advanced science and technology Cci Capital Ltd.

Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue

Patentee before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201030

Address after: 519000 101, building 5, Longyuan intelligent industrial park, No. 2, hagongda Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province

Patentee after: ZHUHAI INSTITUTE OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES Co.,Ltd.

Address before: Office building of Shenzhen Institute of advanced technology A-207 518000 in Guangdong city of Shenzhen province Nanshan District City Road No. 1068 Chinese Academy of Shenzhen University Academy of Sciences

Patentee before: Shenzhen advanced science and technology Cci Capital Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210419

Address after: Room 1102, building 5, Longyuan intelligent industrial park, No.2, hagongda Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province, 519000

Patentee after: Zhuhai Zhongke advanced technology industry Co.,Ltd.

Address before: 519000 101, building 5, Longyuan intelligent industrial park, No. 2, hagongda Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province

Patentee before: ZHUHAI INSTITUTE OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES Co.,Ltd.