CN107451417A - 动态心电分析智能诊断系统及方法 - Google Patents
动态心电分析智能诊断系统及方法 Download PDFInfo
- Publication number
- CN107451417A CN107451417A CN201710806461.1A CN201710806461A CN107451417A CN 107451417 A CN107451417 A CN 107451417A CN 201710806461 A CN201710806461 A CN 201710806461A CN 107451417 A CN107451417 A CN 107451417A
- Authority
- CN
- China
- Prior art keywords
- template
- ecg
- electrocardiogram
- analysis
- case
- 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种动态心电分析智能诊断系统及方法,包括:数据库模块、模板模块、分析模块;数据库模块用于存储通过多个导联检测人体的心电数据及被检测人体的基本信息;模板模块用于根据不同症状定义多个病例模板,每个病例模板都设有多个常量参数值;分析模块用于对检测的心电数据进行智能全导联分析,得到多个输入变量值,再将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,如果一个病例模板内每一个运算结果都为真时,则输出文本结论,再通过文本结论生成心电图诊断报告。本发明能够大大提高了诊断速度,降低了医生的劳动强度,提高了诊断结论的准确性,减少了诊断结论遗漏的现象。
Description
技术领域
本发明涉及心电图技术领域,特别涉及一种动态心电分析智能诊断系统及方法。
背景技术
如今,心电图检查已经是临床上和健康体检中的四大常规检查之一。由于心电图检查无损、简便和快速,因此在临床上得到了广泛应用,成为对心血管疾病进行诊断的一种最重要的手段,在诊断心率变异、心肌缺血、心肌梗塞等方面有着重要作用。但由于病态心电图种类繁多、变异极大,同种病理的不同患者的心电图甚至同一患者本身的心电图都存在着很大的差异,要对其做出准确判断,通常需要医生具有丰富的知识和积累大量的临床经验。此外,心电图特别是动态心电图监测的时间长,数据量大,医生无法逐个检查心电波形;并且若医生长期从事大量图形的识别工作,极易疲劳,容易漏检和出错。目前,心电图诊断报告一般为医生手动编辑,为了将医务人员从繁重、枯燥的海量心电数据处理中解放出来,急需研发一种心电分析智能诊断系统。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种动态心电分析智能诊断系统及方法,能够智能生成诊断报告,允许医生进行修改和编辑,缩短了医生的诊断时间,减少了遗漏的概率,提高了病人的整体就诊效率。
为了实现上述目的,本发明提供一种动态心电分析智能诊断系统,包括:数据库模块、模板模块、分析模块;
数据库模块用于存储通过多个导联检测人体的心电数据及被检测人体的基本信息,并根据检测人体的基本信息对心电数据进行分类存储,通过病例特征引擎对心电数据进行自定义条件分类检索,则通过病例搜索引擎对心电数据进行多条件或模糊查找检索,如果综合分析心电特征满足某心脏疾病参数条件,那么,在诊断结论中将该疾病体现出来,通过批量导入或导出功能对心电数据进行批量导入或导出;
模板模块用于根据不同症状定义多个病例模板,每个病例模板都设有多个常量参数值,且将常量参数值存储为16进制数;
分析模块用于对检测的心电数据进行智能全导联分析,自动排除干扰导联及无信号导联,并生成小时散点图、时间散点图、心电图;并对所有导联或单一导联的心电数据进行分析,得到心电数据的分析参数,分析参数至少包括QRS波相对位置,心率,ST段电压,将这些分析参数存储到不同的地址,根据不同病症所对应的参数关系,检索各个导联得到的变量值,将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,如果一个病例模板内每一个运算结果都为真时,则输出相关病例的文本结论,再通过文本结论生成心电图诊断报告,如果所分析的心电数据满足病例模板参数条件,则心电图诊断报告将包括该病例;
此外,分析模板还用于接收显示终端的输入指令,对小时散点图、时间散点图、心电图以及心电图诊断报告做出相应的修改;
分析模块可以分析单一导联,也可以同时分析几个或全部导联;通过全模板瞬时叠加功能对所有病例模板进行同步分析,最终在病例报告终端显示所有病例叠加情况,还可通过模板匹配调节轴对病例模板中对应的特征参数进行调整,细化分类模板。
进一步的,分析模块对被检测导联的心电数据进行导联分析,得到不同的分析参数,再存储到不同的地址,将这些不同地址的输入变量值与病例模块中的常量参数值进行比较,最后得出相应的诊断结果,其中输入变量值至少包括有效心搏数、窦性心搏总数、窦性心搏百分比、窦性平均心律、窦性最快心律、窦性最慢心律、RR最快心律、RR最慢心律、最长RR间期、最长停搏RR间期、窦性心动过速阵数、窦性心动过缓阵数、窦性心动过速总持续时间;
进一步的,病例模板至少包括偶发房性早搏模板、频发房性早搏模板、房性早搏模板、阵发心房扑动模板、短阵心房扑动模板、偶见呈二联律模板、偶见呈三联律模板。
进一步的,分析模块进行智能全导联分析时,同时对每个导联进行同步分析,并将分析结果按照导联编号进行分类存储,其中,全导联的数量为12导联或18导联。
进一步的,分析模块生成心电图诊断报告具有自定义编辑功能、可编程式自动结论功能、切换片段图显示导联数量功能、同时应用至全部片段图功能。
本发明还提供一种动态心电分析智能诊断方法,包括以下步骤:
步骤S1,根据不同症状在模板模块内定义多个病例模板,每个病例模板都设有多个常量参数值;
步骤S2,通过多个导联检测人体心电变化,将检测的心电数据及被检测人体的基本信息传输至数据库模块存储,通过病例特征引擎对心电数据进行自定义条件分类检索,通过病例搜索引擎对心电数据进行多条件或模糊查找检索,如果综合分析心电特征满足某心脏疾病参数条件,那么,在诊断结论中将该疾病体现出来,通过批量导入或导出功能对心电数据进行批量导入或导出;
步骤S3,分析模块对检测的心电数据进行智能全导联分析,自动排除干扰导联及无信号导联,并生成小时散点图、时间散点图、心电图;并对所有导联或单一导联的心电数据进行分析,得到心电数据的分析参数,将这些分析参数存储到不同的地址,根据不同病症所对应的参数关系,检索各个导联得到的变量值,将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,如果一个病例模板内每一个运算结果都为真时,则输出相关病例的文本结论,再通过文本结论生成心电图诊断报告,如果所分析的心电数据满足病例模板参数条件,则心电图诊断报告将包括该病例;
步骤S4,用户通过显示终端,对小时散点图、时间散点图、心电图、心电图诊断报告、病例模板做出相应的修改。
进一步的,输入变量值至少包括有效心搏数、窦性心搏总数、窦性心搏百分比、窦性平均心律、窦性最快心律、窦性最慢心律、RR最快心律、RR最慢心律、最长RR间期、最长停搏RR间期、窦性心动过速阵数、窦性心动过缓阵数、窦性心动过速总持续时间。
进一步的,病例模板至少包括偶发房性早搏模板、频发房性早搏模板、房性早搏模板、阵发心房扑动模板、短阵心房扑动模板、偶见呈二联律模板、偶见呈三联律模板。
进一步的,在步骤S3,分析模块比较运算后,得到多个病例模板的输出文本结论,则心电图诊断报告叠加显示多个病例模板的输出文本结论;其中,比较运算的输入语句组成为{输入变量值运算符号常量参数值输出文本结论}。
本发明对心电图按心搏类型进行分类,分为多个病例模板,再根据全导联所采集的心电数据,得到多个输入变量值,将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,最终生成心电图诊断报告。医生也可以在系统给出的心电图诊断报告的基础上进行修改和编辑,这样大大提高了诊断速度,降低了医生的劳动强度,提高了诊断结论的准确性,减少了诊断结论遗漏的现象,使得诊断结论更准确,更全面,提高了病人的整体就诊效率。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明的动态心电分析智能诊断系统的结构连接框图;
图2为本发明的比较运算判断过程图;
图3为本发明的动态心电分析智能诊断方法的流程图;
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提供一种动态心电分析智能诊断系统,参考附图1所示,包括:数据库模块1、模板模块2、分析模块3。
数据库模块1用于存储通过多个导联检测人体的心电数据及被检测人体的基本信息,并根据检测人体的基本信息对心电数据进行分类存储,通过病例特征引擎对心电数据进行自定义条件分类检索,通过病例搜索引擎对心电数据进行多条件或模糊查找检索,如果综合分析心电特征满足某心脏疾病参数条件,那么,在诊断结论中将该疾病体现出来,通过批量导入或导出功能对心电数据进行批量导入或导出。
模板模块2用于根据不同症状定义多个病例模板,每个病例模板都设有多个常量参数值。其中,病例模板至少包括偶发房性早搏模板、频发房性早搏模板、房性早搏模板、阵发心房扑动模板、短阵心房扑动模板、偶见呈二联律模板、偶见呈三联律模板。其中,模板模块通过全模板瞬时叠加功能对所有病例模板进行同步叠加,通过显示终端瞬时查看所有病例模板同步叠加情况,通过模板匹配调节轴对病例模板进行细化分类调整。
模板模块用于根据不同症状定义多个病例模板,每个病例模板都设有多个常量参数值,且将常量参数值存储为16进制数,便于数据存储和计算。
分析模块3用于对检测的心电数据进行智能全导联分析,自动排除干扰导联及无信号导联,并生成小时散点图、时间散点图、心电图;并对被检测导联的心电数据进行导联分析,得到不同的分析参数,分析参数至少包括QRS波相对位置,心率,ST段电压,将这些分析参数存储到不同的地址,根据不同病症所对应的参数关系,检索各个导联得到的变量值,将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,如果一个病例模板内每一个运算结果都为真时,则输出文本结论,如图2所示,再通过文本结论生成心电图诊断报告,如果所分析的心电数据满足病例模板参数条件,则心电图诊断报告将包括该病例。
分析模块进行智能全导联分析时,同时对每个导联进行同步分析,并将分析结果按照导联编号进行分类存储,其中,全导联的数量为12导联或18导联。
具体为,通过前期的导联心电分析,包括心电信号的P波位置,QRS-T波群位置,R-R间期,心房率和心室率的确定等等。再根据不同症状需要满足的生理参数设置这些参数的范围,再根据如下自动结论的语法编写语句,最后得出结论,将心电信号转换成自动结论的语法编写语句,简化了运算流程,有助于加快运算速度,并快速输出结论。
比较运算的输入语句组成为{输入变量值运算符号常量参数值输出文本结论};
输入变量值包括:有效心搏数、窦性心搏总数、窦性心搏百分比、窦性平均心律、窦性最快心律、窦性最慢心律、RR最快心律、RR最慢心律、最长RR间期、最长停搏RR间期、窦性心动过速阵数、窦性心动过缓阵数、窦性心动过速总持续时间等等。
输出文本结论如下:窦性心律、窦性心律不齐、窦性心动过缓不齐、房性早搏、偶发房性早搏、偶见呈二联律、偶见呈三联律、阵发性心动过速等等。
输出条件:变量与常量比较,如果结果为真,则输出文本结论。
如果包含有多个运算,必须每一个运算结果都为真时,输出文本。
语法规则如下:
例:{&040>>000070"窦性心律"}
其中,&040表示变量窦性心率百分比,具体变量对应的数值可通过软件内的列表框选取。
如果窦性心率百分比大于70%,则在自动结论中会出现窦性心律的诊断结论。
同理以下:
{&088>>000000&088<<000100"偶发房性早搏"}
{&086>>000000&086<<000100"偶发房性早搏"}
{&086>>000700"频发房性早搏"}
{&086>=000100&086<=000700"房性早搏"}
{&105>>000000&105<<000003"偶见二联律"}
{&039==000000&299>>000030"心房扑动"}
{&039>>000000&299>>000030"阵发心房扑动"}
{&039>>000000&299>>000030&300>>000000"(部分短阵)"}
{&039>>000000&215>>000000&299<<000030"短阵心房扑动"}…
此外,分析模板还用于接收显示终端的输入指令,对小时散点图、时间散点图、心电图以及心电图诊断报告做出相应的修改。
分析模块生成心电图诊断报告具有自定义编辑功能、可编程式自动结论功能、切换片段图显示导联数量功能、同时应用至全部片段图功能。
分析模块可以分析单一导联,也可以同时分析几个或全部导联;通过全模板瞬时叠加功能对所有病例模板进行同步分析,最终在病例报告终端显示所有病例叠加情况,还可通过模板匹配调节轴对病例模板中对应的特征参数进行调整,细化分类模板。
本发明还提供一种动态心电分析智能诊断方法,如图3所示,包括以下步骤:
步骤S1,根据不同症状在模板模块内定义多个病例模板,每个病例模板都设有多个常量参数值;病例模板至少包括偶发房性早搏模板、频发房性早搏模板、房性早搏模板、阵发心房扑动模板、短阵心房扑动模板、偶见呈二联律模板、偶见呈三联律模板。
步骤S2,通过多个导联检测人体心电变化,将检测的心电数据及被检测人体的基本信息传输至数据库模块存储,通过病例特征引擎对心电数据进行自定义条件分类检索,通过病例搜索引擎对心电数据进行多条件或模糊查找检索,如果综合分析心电特征满足某心脏疾病参数条件,那么,在诊断结论中将该疾病体现出来,通过批量导入或导出功能对心电数据进行批量导入或导出。
步骤S3,分析模块对检测的心电数据进行智能全导联分析,自动排除干扰导联及无信号导联,并生成小时散点图、时间散点图、心电图;并对所有导联或单一导联的心电数据进行分析,得到心电数据的分析参数,将这些分析参数存储到不同的地址,根据不同病症所对应的参数关系,检索各个导联得到的变量值,再将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,如果一个病例模板内每一个运算结果都为真时,则输出相关病例的文本结论,再通过文本结论生成心电图诊断报告,如果所分析的心电数据满足病例模板参数条件,则心电图诊断报告将包括该病例;分析模块比较运算后,得到多个病例模板的输出文本结论,则心电图诊断报告叠加显示多个病例模板的输出文本结论,其中,比较运算的输入语句组成为{输入变量值运算符号常量参数值输出文本结论}。该比较运算的输入语句能够快速将数据进行比较运算,提高系统的运算效率和加快运算时间。
输入变量值至少包括有效心搏数、窦性心搏总数、窦性心搏百分比、窦性平均心律、窦性最快心律、窦性最慢心律、RR最快心律、RR最慢心律、最长RR间期、最长停搏RR间期、窦性心动过速阵数、窦性心动过缓阵数、窦性心动过速总持续时间。
步骤S4,用户通过显示终端,对小时散点图、时间散点图、心电图、心电图诊断报告、病例模板做出相应的修改。
本发明对心电图按心搏类型进行分类,分为多个病例模板,再根据全导联所采集的心电数据,得到多个输入变量值,将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,最终生成心电图诊断报告。医生也可以在智能结论的基础上进行修改和编辑,这样大大提高了诊断速度,降低了医生的劳动强度,提高了诊断结论的准确性,减少了诊断结论遗漏的现象,使得诊断结论更准确,更全面,提高了病人的整体就诊效率。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。
Claims (9)
1.一种动态心电分析智能诊断系统,其特征在于,包括:数据库模块、模板模块、分析模块;
数据库模块用于存储通过多个导联检测人体的心电数据及被检测人体的基本信息,并根据检测人体的基本信息对心电数据进行分类存储,通过病例特征引擎对心电数据进行自定义条件分类检索,则通过病例搜索引擎对心电数据进行多条件或模糊查找检索,如果综合分析心电特征满足某心脏疾病参数条件,那么,在诊断结论中将该疾病体现出来,通过批量导入或导出功能对心电数据进行批量导入或导出;
模板模块用于根据不同症状定义多个病例模板,每个病例模板都设有多个常量参数值,且将常量参数值存储为16进制数;
分析模块用于对检测的心电数据进行智能全导联分析,自动排除干扰导联及无信号导联,并生成小时散点图、时间散点图、心电图;并对所有导联或单一导联的心电数据进行分析,得到心电数据的分析参数,分析参数至少包括QRS波相对位置,心率,ST段电压,将这些分析参数存储到不同的地址,根据不同病症所对应的参数关系,检索各个导联得到的变量值,将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,如果一个病例模板内每一个运算结果都为真时,则输出相关病例的文本结论,再通过文本结论生成心电图诊断报告,如果所分析的心电数据满足病例模板参数条件,则心电图诊断报告将包括该病例;
此外,分析模板还用于接收显示终端的输入指令,对小时散点图、时间散点图、心电图以及心电图诊断报告做出相应的修改;
分析模块可以分析单一导联,也可以同时分析几个或全部导联;通过全模板瞬时叠加功能对所有病例模板进行同步分析,最终在病例报告终端显示所有病例叠加情况,还可通过模板匹配调节轴对病例模板中对应的特征参数进行调整,细化分类模板。
2.如权利要求1所述的动态心电分析智能诊断系统,其特征在于:分析模块对被检测导联的心电数据进行导联分析,得到不同的分析参数,再存储到不同的地址,将这些不同地址的输入变量值与病例模块中的常量参数值进行比较,最后得出相应的诊断结果,其中输入变量值至少包括有效心搏数、窦性心搏总数、窦性心搏百分比、窦性平均心律、窦性最快心律、窦性最慢心律、RR最快心律、RR最慢心律、最长RR间期、最长停搏RR间期、窦性心动过速阵数、窦性心动过缓阵数、窦性心动过速总持续时间。
3.如权利要求1所述的动态心电分析智能诊断系统,其特征在于:病例模板至少包括偶发房性早搏模板、频发房性早搏模板、房性早搏模板、阵发心房扑动模板、短阵心房扑动模板、偶见呈二联律模板、偶见呈三联律模板。
4.如权利要求1所述的动态心电分析智能诊断系统,其特征在于:分析模块进行智能全导联分析时,同时对每个导联进行同步分析,并将分析结果按照导联编号进行分类存储,其中,全导联的数量为12导联或18导联。
5.如权利要求1所述的动态心电分析智能诊断系统,其特征在于:分析模块生成心电图诊断报告具有自定义编辑功能、可编程式自动结论功能、切换片段图显示导联数量功能、同时应用至全部片段图功能。
6.一种动态心电分析智能诊断方法,其特征在于,包括以下步骤:
步骤S1,根据不同症状在模板模块内定义多个病例模板,每个病例模板都设有多个常量参数值;
步骤S2,通过多个导联检测人体心电变化,将检测的心电数据及被检测人体的基本信息传输至数据库模块存储,通过病例特征引擎对心电数据进行自定义条件分类检索,通过病例搜索引擎对心电数据进行多条件或模糊查找检索,如果综合分析心电特征满足某心脏疾病参数条件,那么,在诊断结论中将该疾病体现出来,通过批量导入或导出功能对心电数据进行批量导入或导出;
步骤S3,分析模块对检测的心电数据进行智能全导联分析,自动排除干扰导联及无信号导联,并生成小时散点图、时间散点图、心电图;并对所有导联或单一导联的心电数据进行分析,得到心电数据的分析参数,将这些分析参数存储到不同的地址,根据不同病症所对应的参数关系,检索各个导联得到的变量值,将每个输入变量值与每个病例模板中对应的常量参数值进行比较运算,如果一个病例模板内每一个运算结果都为真时,则输出相关病例的文本结论,再通过文本结论生成心电图诊断报告,如果所分析的心电数据满足病例模板参数条件,则心电图诊断报告将包括该病例;
步骤S4,用户通过显示终端,对小时散点图、时间散点图、心电图、心电图诊断报告、病例模板做出相应的修改。
7.如权利要求6所述的动态心电分析智能诊断方法,其特征在于:输入变量值至少包括有效心搏数、窦性心搏总数、窦性心搏百分比、窦性平均心律、窦性最快心律、窦性最慢心律、RR最快心律、RR最慢心律、最长RR间期、最长停搏RR间期、窦性心动过速阵数、窦性心动过缓阵数、窦性心动过速总持续时间。
8.如权利要求6所述的动态心电分析智能诊断方法,其特征在于:病例模板至少包括偶发房性早搏模板、频发房性早搏模板、房性早搏模板、阵发心房扑动模板、短阵心房扑动模板、偶见呈二联律模板、偶见呈三联律模板。
9.如权利要求6所述的动态心电分析智能诊断方法,其特征在于:在步骤S3,分析模块比较运算后,得到多个病例模板的输出文本结论,则心电图诊断报告叠加显示多个病例模板的输出文本结论;其中,比较运算的输入语句组成为{输入变量值运算符号常量参数值输出文本结论}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806461.1A CN107451417B (zh) | 2017-09-08 | 2017-09-08 | 动态心电分析智能诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806461.1A CN107451417B (zh) | 2017-09-08 | 2017-09-08 | 动态心电分析智能诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451417A true CN107451417A (zh) | 2017-12-08 |
CN107451417B CN107451417B (zh) | 2021-07-06 |
Family
ID=60496039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710806461.1A Active CN107451417B (zh) | 2017-09-08 | 2017-09-08 | 动态心电分析智能诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451417B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
CN108932502A (zh) * | 2018-07-13 | 2018-12-04 | 希蓝科技(北京)有限公司 | 一种自学习的心电图模板分类模型更新系统及方法 |
CN109036504A (zh) * | 2018-07-19 | 2018-12-18 | 深圳市德力凯医疗设备股份有限公司 | 一种超声报告的生成方法、存储介质以及终端设备 |
CN109036503A (zh) * | 2018-07-13 | 2018-12-18 | 希蓝科技(北京)有限公司 | 一种生成心电图诊断报告的系统及方法 |
CN109893119A (zh) * | 2019-03-24 | 2019-06-18 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的p波识别定位方法 |
CN109935323A (zh) * | 2018-12-29 | 2019-06-25 | 南京怡得健康管理有限公司 | 一种自动化有氧运动能力和心肺临床症状的评估系统 |
CN110393520A (zh) * | 2018-11-16 | 2019-11-01 | 迪姆软件(北京)有限公司 | 一种心电数据分析方法及装置、心电分析仪、存储介质 |
CN111096740A (zh) * | 2018-10-25 | 2020-05-05 | 上海微创电生理医疗科技股份有限公司 | 心电信号分析方法及装置、信号记录仪和三维标测系统 |
CN111710386A (zh) * | 2020-04-30 | 2020-09-25 | 上海数创医疗科技有限公司 | 一种心电图诊断报告的质控系统 |
CN113643804A (zh) * | 2021-07-21 | 2021-11-12 | 深圳市千帆电子有限公司 | 心功能检测数据分析方法、装置、电子设备和介质 |
US20220020459A1 (en) * | 2019-02-01 | 2022-01-20 | Orthobistro Llc | Patient assessment system |
CN115778403A (zh) * | 2022-06-13 | 2023-03-14 | 合肥心之声健康科技有限公司 | 心电图分析方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别系统 |
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 |
CN103632162A (zh) * | 2013-09-06 | 2014-03-12 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种疾病相关的心电图特征选择方法 |
CN104680186A (zh) * | 2015-03-17 | 2015-06-03 | 中国科学院合肥物质科学研究院 | 一种心电信号中st段形态的自动分类方法 |
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 |
CN105989266A (zh) * | 2015-02-11 | 2016-10-05 | 北京三星通信技术研究有限公司 | 基于心电信号的认证方法、装置及系统 |
CN106137245A (zh) * | 2016-08-29 | 2016-11-23 | 成都思众康科技有限公司 | 一种参考多种心电测量仪信号分析的听诊方法 |
CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
WO2017121729A1 (en) * | 2016-01-14 | 2017-07-20 | Koninklijke Philips N.V. | Automatic classification/intepretation of ecg waves for non-athletes/athletes |
-
2017
- 2017-09-08 CN CN201710806461.1A patent/CN107451417B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别系统 |
CN103632162A (zh) * | 2013-09-06 | 2014-03-12 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种疾病相关的心电图特征选择方法 |
CN105989266A (zh) * | 2015-02-11 | 2016-10-05 | 北京三星通信技术研究有限公司 | 基于心电信号的认证方法、装置及系统 |
CN104680186A (zh) * | 2015-03-17 | 2015-06-03 | 中国科学院合肥物质科学研究院 | 一种心电信号中st段形态的自动分类方法 |
WO2017121729A1 (en) * | 2016-01-14 | 2017-07-20 | Koninklijke Philips N.V. | Automatic classification/intepretation of ecg waves for non-athletes/athletes |
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 |
CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
CN106137245A (zh) * | 2016-08-29 | 2016-11-23 | 成都思众康科技有限公司 | 一种参考多种心电测量仪信号分析的听诊方法 |
Non-Patent Citations (2)
Title |
---|
CAMANN, W 等: ""Automated ST-segment analysis during cesarean delivery: Effects of ECG filtering modality"", 《JOURNAL OF CLINICAL ANESTHESIA》 * |
吴萍 等: ""分类技术在心电图自动诊断模型中的应用比较"", 《计算机应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
CN108932502A (zh) * | 2018-07-13 | 2018-12-04 | 希蓝科技(北京)有限公司 | 一种自学习的心电图模板分类模型更新系统及方法 |
CN109036503A (zh) * | 2018-07-13 | 2018-12-18 | 希蓝科技(北京)有限公司 | 一种生成心电图诊断报告的系统及方法 |
CN109036504A (zh) * | 2018-07-19 | 2018-12-18 | 深圳市德力凯医疗设备股份有限公司 | 一种超声报告的生成方法、存储介质以及终端设备 |
CN111096740A (zh) * | 2018-10-25 | 2020-05-05 | 上海微创电生理医疗科技股份有限公司 | 心电信号分析方法及装置、信号记录仪和三维标测系统 |
CN110393520A (zh) * | 2018-11-16 | 2019-11-01 | 迪姆软件(北京)有限公司 | 一种心电数据分析方法及装置、心电分析仪、存储介质 |
CN109935323A (zh) * | 2018-12-29 | 2019-06-25 | 南京怡得健康管理有限公司 | 一种自动化有氧运动能力和心肺临床症状的评估系统 |
US20220020459A1 (en) * | 2019-02-01 | 2022-01-20 | Orthobistro Llc | Patient assessment system |
CN109893119A (zh) * | 2019-03-24 | 2019-06-18 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的p波识别定位方法 |
CN109893119B (zh) * | 2019-03-24 | 2022-01-04 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的p波识别定位方法 |
CN111710386A (zh) * | 2020-04-30 | 2020-09-25 | 上海数创医疗科技有限公司 | 一种心电图诊断报告的质控系统 |
CN113643804A (zh) * | 2021-07-21 | 2021-11-12 | 深圳市千帆电子有限公司 | 心功能检测数据分析方法、装置、电子设备和介质 |
CN113643804B (zh) * | 2021-07-21 | 2024-09-13 | 深圳市千帆电子有限公司 | 心功能检测数据分析方法、装置、电子设备和介质 |
CN115778403A (zh) * | 2022-06-13 | 2023-03-14 | 合肥心之声健康科技有限公司 | 心电图分析方法、装置、电子设备和存储介质 |
CN115778403B (zh) * | 2022-06-13 | 2023-12-22 | 合肥心之声健康科技有限公司 | 心电图分析方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107451417B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451417A (zh) | 动态心电分析智能诊断系统及方法 | |
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
US7769434B2 (en) | Method of physiological data analysis and measurement quality check using principal component analysis | |
CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN109411041B (zh) | 心电信息处理方法和心电工作站系统 | |
DE68926877T2 (de) | Anordnung zur bestimmung der herztod-wahrscheinlichkeit | |
CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
US11783924B2 (en) | ECG information processing method and ECG workstation | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
Shi et al. | Inter-patient heartbeat classification based on region feature extraction and ensemble classifier | |
US20220265199A1 (en) | Automatic method to delineate or categorize an electrocardiogram | |
CN102831288B (zh) | 生理参数指标运算系统及方法 | |
Ansari et al. | Noise detection in electrocardiography signal for robust heart rate variability analysis: A deep learning approach | |
CN105574322A (zh) | 生理参数指标运算系统及方法 | |
Kuila et al. | Feature extraction and classification of MIT-BIH arrhythmia database | |
Rawi et al. | Classification and detection of ECG arrhythmia and myocardial infarction using deep learning: a review | |
KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
Dhananjay et al. | Cardiac signals classification based on Extra Trees model | |
Ye et al. | Explainable prediction of cardiac arrhythmia using machine learning | |
Montenegro et al. | Evaluation of transfer learning to improve arrhythmia classification for a small ECG database | |
CN115607166B (zh) | 一种心电信号智能分析方法及系统、智能心电辅助系统 | |
CN114098754B (zh) | 一种房颤信号预处理方法、检测系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100010 room 206, South Main Building, 9-17 Zhongli, yongdingmennei East Street, Dongcheng District, Beijing Applicant after: Beijing Pengyang Fengye Technology Co.,Ltd. Address before: 206, South Main Building, 9-17 Zhongli, mennei East Street, Yongding, Dongcheng District, Beijing Applicant before: BEIJING PENGYANG FENGYE MEDICAL EQUIPMENT Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |