CN107714028A - 心电图分析系统及其数据分析算法的学习更新方法 - Google Patents
心电图分析系统及其数据分析算法的学习更新方法 Download PDFInfo
- Publication number
- CN107714028A CN107714028A CN201711107504.3A CN201711107504A CN107714028A CN 107714028 A CN107714028 A CN 107714028A CN 201711107504 A CN201711107504 A CN 201711107504A CN 107714028 A CN107714028 A CN 107714028A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- ecg
- subsystem
- parser
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 90
- 238000007405 data analysis Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 230000003993 interaction Effects 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 238000000718 qrs complex Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 206010020880 Hypertrophy Diseases 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010061216 Infarction Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- A61B5/24—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]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出心电图分析系统及其数据分析算法的学习更新方法。心电图分析系统包括信号预处理模块、数据分析算法子系统和人机交互子系统。根据输出的心电图分析数据，对心电图分析数据进行修正并反馈数据分析算法子系统，通过学习修正的心电图分析数据更新心电图数据分析算法。本发明在数据分析算法子系统以及信号预处理模块实现人机交互功能，充分利用数据分析算法子系统的高速和高效的计算能力，并结合医生和专家具有丰富临床经验和专业技能的优点，实现高效、精准的心电图分析和辅助疾病诊断，避免了人工诊断效率不高和目前心电图分析系统准确性不足的缺陷。
Description
技术领域
本发明涉及数据处理方法及系统，特别是涉及具有学习更新能力的数据处理方法及系统。
背景技术
心电图是用来描计心脏活动周期所产生的电活动在体表扩散的过程。心电图在诊断心律不齐、心肌缺血、房室肥大、传导阻滞等常见心脏疾病起着非常重要的作用，已经成为常规的和必要的检测手段，是医生的得力助手。随着现代电子科学技术的发展，心电图机已发展的越来越完善，出现了对心电图数据进行自主分析的心电图分析系统，作为辅助，大大提高了医生的工作效率。但现有技术心电图分析系统所采用的算法较单一，由于心电图信号的复杂性、个体差异性以及信号干扰等问题，现有心电图分析系统及其使用算法都还没有达到很好的效果，存在数据分析准确率不够高的问题，对医生的辅助作用还有待提高，更无法取代医生和专家的人工诊断。
发明内容
本发明要解决的技术问题在于避免现有技术的不足之处而提出能够学习医生分析数据，进而更新自身心电图数据分析算法的方法及使用该方法的心电图分析系统，充分发挥自动数据分析和大数据平台的高效、快速计算的优势，同时兼顾医生和专家具有丰富的临床经验和专业技能的优点。
本发明解决所述技术问题可以通过采用以下技术方案来实现：
提出一种用于心电图数据分析算法的算法学习更新方法，基于包括信号预处理模块和数据分析算法子系统的心电图分析系统。信号预处理模块对心电图数字信号进行电信号处理而输出经过电信号处理的心电图数字信号。数据分析算法子系统使用自身设置的心电图数据分析算法对来自信号预处理模块的、经过电信号处理的心电图数字信号进行波形分析形成心电图分析数据。尤其是，在心电图分析系统设置包括输出模块和输入模块的人机交互子系统；所述算法学习更新方法包括如下步骤：
B. 借助输出模块输出数据分析算法子系统的心电图分析数据，借助输入模块对心电图分析数据进行修正，并将修正的心电图分析数据输入数据分析算法子系统；
数据分析算法子系统依据修正的心电图分析数据更新自身的心电图数据分析算法。
具体地，在步骤B之前还包括如下步骤，
A. 借助输出模块输出信号预处理模块经过电信号处理的心电图数字信号，借助输入模块调整信号预处理模块的信号处理参数，以修正信号预处理模块输出的经过电信号处理的心电图数字信号。
具体而言，在所述步骤A中，借助输入模块调整信号预处理模块的信号处理参数，以修正信号预处理模块输出的经过电信号处理的心电图数字信号包括如下分步骤，
A1. 选择高通滤波器，调整高通滤波器的截止频率，以滤除心电图数字信号的基线漂移；
A2. 选择陷波器，以适应心电图分析系统的工作环境；
A3. 选择低通滤波器，以消除心电图数字信号的高频干扰信号。
更具体地，所述分步骤A3包括如下分步骤，
A31. 选择第一低通滤波器对心电图数字信号进行低通滤波处理而形成初步低通滤波的心电图数字信号数据；
A32. 对初步低通滤波的心电图数字信号进行数据分段，设置初步低通滤波的心电图数字信号的QRS复波为第一数据段，设置一个周期内除QRS复波外的其它波形为第二数据段；
选择第二低通滤波器对第一数据段进行低通滤波，选择第三低通滤波器对第二数据段进行低通滤波，第二低通滤波器的截止频率大于第三低通滤波器的截止频率。
作为具体实现方案，所述步骤B包括如下分步骤，
B1. 采用心电图数据分析算法对经过电信号处理的心电图数字信号进行数据分析，获取心电图波形的特征数据，并将该特征数据通过人机交互子系统的输出模块输出；所述特征数据包括心电图波形的特征点，特征波形的形状、幅值和间期；
借助人机交互子系统的输入模块编辑特征数据，对特征数据进行确认、修改、增加或者删除中的至少一项操作，形成心电图波形的反馈特征数据；
数据分析算法子系统学习反馈特征数据而更新自身的心电图数据分析算法。
基于上述具有分步骤B1的方案，所述步骤B还包括如下分步骤，
B2. 心电图数据分析算法将典型的心电图分析数据分类，通过人机交互子系统的输出模块输出心电图分析数据及其所属类别；
借助人机交互子系统的输入模块编辑心电图分析数据，对心电图分析数据的分类进行确认或者矫正，形成反馈类别数据；
数据分析算法子系统学习反馈类别数据而更新自身的心电图数据分析算法。
本发明解决所述技术问题还可以通过采用以下技术方案来实现：
设计、制造一种能够使心电图数据分析算法学习更新的心电图分析系统，包括信号预处理模块和数据分析算法子系统。信号预处理模块对心电图数字信号进行电信号处理而输出经过电信号处理的心电图数字信号。数据分析算法子系统使用自身设置的心电图数据分析算法对来自信号预处理模块的、经过电信号处理的心电图数字信号进行波形分析形成心电图分析数据。尤其是，心电图分析系统还包括电连接数据分析算法子系统的人机交互子系统。该人机交互子系统包括输出模块和输入模块。人机交互子系统的输出模块输出数据分析算法子系统处理的中间数据和心电图数据。人机交互子系统的输入模块对数据分析算法子系统的中间数据和心电图数据进行编辑形成反馈数据，并将反馈数据输入数据分析算法子系统，数据分析算法子系统学习反馈数据以更新心电图数据分析算法。
进一步地，所述人机交互子系统还电连接信号预处理模块。人机交互子系统的输出模块输出经过电信号处理的心电图数字信号。人机交互子系统的输入模块对信号预处理模块进行设置以修正经过电信号处理的心电图数字信号。
具体而言，心电图分析系统还包括信号采集模块。该信号采集模块包括导联线、信号放大和滤波子模块和信号采样子模块；导联线用于采集电信号，该电信号被信号放大和滤波子模块进行信号放大和滤波处理而输出至信号采样子模块，来自信号放大和滤波子模块的信号借助信号采样子模块处理成心电图数字信号而输出至信号预处理模块。
作为具体实现方案，所述信号预处理模块包括至少一高通滤波器，至少一陷波器，至少一低通滤波器，以及控制器，所有高通滤波器、陷波器和低通滤波器都电连接控制器。
数据分析算法子系统包括能够运行心电图数据分析算法的微型控制器；或者，数据分析算法子系统包括能够运行心电图数据分析算法的数字信号处理器；或者，数据分析算法子系统包括一能够运行心电图数据分析算法的计算机；或者，数据分析算法子系统包括至少两计算机，各计算机通过网络建立数据连接，借助各计算机分别进行数据处理以及数据整合而完成心电图数据分析算法；或者，数据分析算法子系统包括一能够运行心电图数据分析算法的服务器；或者，数据分析算法子系统包括至少两服务器，各服务器通过网络建立数据连接，借助各服务器分别进行数据处理以及数据整合而完成心电图数据分析算法。
同现有技术相比较，本发明“心电图分析系统及其数据分析算法的学习更新方法”的技术效果在于：
在数据分析算法子系统以及信号预处理模块实现人机交互功能，充分利用数据分析算法子系统的高速和高效的计算能力，并结合医生和专家具有丰富临床经验和专业技能的优点，实现高效、精准的心电图分析和辅助疾病诊断，避免了人工诊断效率不高和目前心电图分析系统准确性不足的缺陷。
附图说明
图1是本发明“心电图分析系统及其数据分析算法的学习更新方法”优选实施例的硬件原理框图；
图2是本发明优选实施例的信号预处理流程示意图；
图3是本发明优选实施例的信号预处理流程中的波形示意图。
具体实施方式
以下结合附图所示优选实施例作进一步详述。
本发明提出一种能够使心电图数据分析算法学习更新的心电图分析系统，如图1所示，包括信号预处理模块3和数据分析算法子系统2。
信号预处理模块3对接收到的心电图数字信号进行电信号处理而输出经过电信号处理的心电图数字信号。所述电信号处理是指对心电图数字信号进行只针对电信号的初步分析和处理，一般包括信号数字滤波、去噪、基线消除、工频干扰消除等处理。
数据分析算法子系统2使用自身设置的心电图数据分析算法对来自信号预处理模块3的、经过电信号处理的心电图数字信号进行波形分析形成心电图分析数据。数据分析算法子系统2利用简称MCU的微型控制器Micro Controller Unit，简称DSP的数字信号处理器Digital Signal Processing，计算机，服务器等具有快速复杂计算功能的器件、设备对经过电信号处理的心电图数字信号进行分析和处理。数据分析算法子系统2通过心电图数据分析算法自动识别心电图波形的特征点，例如P、QRS、T、U，获得包括特征点波形、基线波形、ST段波形等的特征波形的形状、幅值以及间期等参数，间期例如PP间期、RR间期、PR间期、QT间期等。所述数据分析算法子系统2通过心电图数据分析算法实现辅助心电图诊断，识别出反映心律不齐、心肌缺血、心梗、房室肥大、传导阻滞等常见症状的心电图分析数据。所述心电图数据分析算法包括专家系统、二叉树、逻辑推理、神经网络、遗传算法、聚类分析、大数据分析等数据分析和处理算法。
如上所述，数据分析算法子系统2视数据处理量的不同可以有多种实现方案：其一，数据分析算法子系统2包括能够运行心电图数据分析算法的微型控制器MCU。其二，数据分析算法子系统2包括能够运行心电图数据分析算法的数字信号处理器DSP。其三，数据分析算法子系统2包括一能够运行心电图数据分析算法的计算机。其四，数据分析算法子系统2包括至少两计算机，各计算机通过网络建立数据连接，借助各计算机分别进行数据处理以及数据整合而完成心电图数据分析算法。其五，数据分析算法子系统2包括一能够运行心电图数据分析算法的服务器。其六，数据分析算法子系统2包括至少两服务器，各服务器通过网络建立数据连接，借助各服务器分别进行数据处理以及数据整合而完成心电图数据分析算法。上述各方案随着数据处理能力的提高，而使数据分析算法子系统2的学习能力提高，进而使心电图数据分析算法能够逐步更新而提高心电图数据分析的准确性。
如图1所示，本发明心电图分析系统还包括电连接数据分析算法子系统的人机交互子系统1。人机交互子系统1包括输出模块11和输入模块12。人机交互子系统1的输出模块11输出数据分析算法子系统2处理的中间数据和心电图数据。人机交互子系统1的输入模块12对数据分析算法子系统2的中间数据和心电图数据进行编辑形成反馈数据，并将反馈数据输入数据分析算法子系统2，数据分析算法子系统2学习反馈数据以更新心电图数据分析算法。
本发明优选实施例，如图1所示，所述人机交互子系统还电连接信号预处理模块3。人机交互子系统1的输出模块11输出经过电信号处理的心电图数字信号。人机交互子系统1的输入模块12对信号预处理模块3进行设置以修正经过电信号处理的心电图数字信号。
人机交互子系统1可以实现用户，例如医生、专家、学生、普通使用者等，与数据分析算法子系统2，以及信号预处理模块3的信息交换并相互理解。所述输出模块11是指通过显示图片或文字、发出声音、产生振动、点亮灯光等信息将经过电信号处理的心电图数字信号，及1心电图分析数据展示给用户的模块。所述心电图分析数据包括反映心电图特征参数的特征数据，以及反映心电图分析数据所属类别的类别数据。所述输入模块12是指用户通过按键、鼠标、触摸、声音、动作或姿势、图片或影像等形式将用户的思想、设计和操作信息传递给数据分析算法子系统2和信号预处理模块3。通过所述输入模块，用户可以参与对心电图数字信号进行预处理，用户可以选择和设计滤波器及滤波方式。通过所述输入模块，医生、专家可以对数据分析算法子系统2的心电图特征点分析结果进行确认、修改和校正，并将特征点分析结果传递给数据分析算法子系统2。所述输入模块可以将医生、专家对心电图分析数据所述类别传递给数据分析算法子系统2，并通过自学习功能，不断优化心电图数据分析算法，提高辅助诊断的准确性。
基于上述硬件实现方案，本发明还提出一种用于心电图数据分析算法的算法学习更新方法，基于包括信号预处理模块3和数据分析算法子系统2的心电图分析系统。信号预处理模块3对心电图数字信号进行电信号处理而输出经过电信号处理的心电图数字信号。数据分析算法子系统2使用自身设置的心电图数据分析算法对来自信号预处理模块的、经过电信号处理的心电图数字信号进行波形分析形成心电图分析数据。本发明在心电图分析系统设置包括输出模块11和输入模块12的人机交互子系统1。所述算法学习更新方法包括如下步骤，
B. 借助输出模块11输出数据分析算法子系统2的心电图分析数据，借助输入模块12对心电图分析数据进行修正，并将修正的心电图分析数据输入数据分析算法子系统2；
数据分析算法子系统2依据修正的心电图分析数据更新自身的心电图数据分析算法。
为进一步对心电图分析过程进行修正控制，在步骤B之前还包括如下步骤，
A. 借助输出模块11输出信号预处理模块3经过电信号处理的心电图数字信号，借助输入模块12调整信号预处理模块3的信号处理参数，以修正信号预处理模块3输出的经过电信号处理的心电图数字信号。
本发明优选实施例，如图1所示，所述信号预处理模块3包括至少一高通滤波器32，至少一陷波器33，至少一低通滤波器34，以及控制器31，所有高通滤波器32、陷波器33和低通滤波器34都电连接控制器31。借助控制器31能够选择参与心电图数字信号预处理的高通滤波器31、陷波器33和低通滤波器34，进而还能够对各器件的运行参数，例如截止频率，进行设置。
基于以上信号预处理模块3，如图2所示，本发明在所述步骤A中，如图2的进程901所示，当信号预处理模块3接收到心电图数字信号后，通过人机交互子系统1的输出模块11完成进程902所示的波形显示。依据显示的波形，通过人机交互子系统1的输入模块12对心电图数字信号进行预处理设置。步骤A中，借助输入模块12调整信号预处理模块3的信号处理参数，以修正信号预处理模块3输出的经过电信号处理的心电图数字信号包括如下分步骤，
A1. 如图2所示进程903，对高通滤波处理进行设置。高通滤波处理是指选择高通滤波器32，设置其滤波参数而用于滤除基线漂移。医生或专家可以通过所述人机交互子系统1的输入模块12选择高通滤波器31，或者高通滤波器31的组合，调整设置高通滤波器31的截止频率，以滤除心电图数字信号的基线漂移。通常情况，基线漂移较大时增大高通滤波器31的截止频率，对信号变化要求灵敏度高则减小高通滤波器31的截止频率。
A2. 如图2所示进程904，对陷波处理进行设置。陷波处理是指选择用于消除工频干扰的陷波器33，陷波器33的中心频率一般为50Hz或60Hz。用户通过人机交互子系统1的输入模块12选择陷波器33，以适应心电图分析系统在不同的工作环境运行。
A3. 如图2所示进程905至909，对低通滤波处理进行设置。低通滤波处理是指选择低通滤波器34，或者低通滤波器34的组合，设置其滤波参数而用于滤除信号干扰。用户通过人机交互子系统1的输入模块12选择低通滤波器，以消除心电图数字信号的高频干扰信号。
本发明优选实施例，如图2所示，所述分步骤A3进一步细化，采用三个低通滤波器34完成低通滤波，所述分步骤A3包括如下分步骤，
A31. 如图2所示进程905，选择第一低通滤波器34对心电图数字信号进行低通滤波处理而形成初步低通滤波的心电图数字信号数据。第一低通滤波器34适用于全部心电图数字信号，消除高频干扰信号。
A32. 如图2所示进程906，医生或专家通过人机交互子系统1的输入模块12对初步低通滤波的心电图数字信号进行数据分段，如图3所示，第一数据分段标记为数据段A，第二数据分段标记为数据段B。本发明优选实施例，设置初步低通滤波的心电图数字信号的QRS复波为第一数据段，设置一个周期内除QRS复波外的其它波形为第二数据段。
如图2所示进程907，选择第二低通滤波器对第一数据段A进行低通滤波。如图2所示进程908，选择第三低通滤波器对第二数据段B进行低通滤波。本发明优选实施例，设置第二低通滤波器的截止频率为150Hz，设置第三低通滤波器的截止频率为30Hz。第二低通滤波器的截止频率大于第三低通滤波器的截止频率。上述组合低通滤波方法的优势在于既能保留较完整的QRS复波也能滤除其余波段的高频干扰，有效解决了普通滤波方法面临的QRS复波幅值衰减过大与其余波段信号干扰难以消除之间的矛盾。
如图2所示进程909，第二低通滤波器对第一数据段A完成低通滤波，并且第三低通滤波器对第二数据段B完成低通滤波后，将处理后的量数据段组合而形成完整的经过电信号处理的心电图数字信号。
图2所示进程909之后应当返回进程902进行波形显示，向用户反馈预处理设置后的结果。如果用户认为预处理结果符合预期，就进行进程910，将经过电信号处理的心电图数字信号输出，进而进行步骤B；否则，用户可以重复进程903至909继续对预处理过程进行设置。
本发明优选实施例，所述步骤B，包括如下分步骤，
B1. 采用心电图数据分析算法对经过电信号处理的心电图数字信号进行数据分析，获取心电图波形的特征数据，并将该特征数据通过人机交互子系统1的输出模块11输出。所述特征数据包括心电图波形的特征点，特征波形的形状、幅值和间期；
用户借助人机交互子系统1的输入模块12编辑特征数据，对特征数据进行确认、修改、增加或者删除中的至少一项操作，形成心电图波形的反馈特征数据。
数据分析算法子系统2学习反馈特征数据而更新自身的心电图数据分析算法。
本发明优选实施例的输出模块11采用显示屏，输入模块12采用触摸输入设备或者鼠标。
例如，医生和专家对在显示屏上显示的心电图波形的特征点P、Q、R、S、T、U等进行分析和确认，如果发现算法识别的某个特征点标示位置有偏移或标示错误，则可以通过触摸或鼠标操作将有偏移的特征点位置进行修正，将标示错误的特征点位置进行删除或矫正，将修改和矫正的位置信息保存并输入到数据分析算法子系统2。数据分析算法子系统2在获取修改和矫正的信息后，进行学习和更新，提高心电图数据分析算法识别的准确性。
本发明优选实施例，所述步骤B在分步骤B1之后进一步还包括如下分步骤，
B2. 心电图数据分析算法将典型的心电图分析数据分类，通过人机交互子系统1的输出模块11输出心电图分析数据及其所属类别。
借助人机交互子系统1的输入模块12编辑心电图分析数据，对心电图分析数据的分类进行确认或者矫正，形成反馈类别数据。
数据分析算法子系统2学习反馈类别数据而更新自身的心电图数据分析算法，从而提高辅助诊断的准确性。
本发明优选实施例，如图1所示，心电图分析系统还包括信号采集模块4。
该信号采集模块包括导联线、信号放大和滤波子模块和信号采样子模块。导联线用于采集电信号，该电信号被信号放大和滤波子模块进行信号放大和滤波处理而输出至信号采样子模块，来自信号放大和滤波子模块的信号借助信号采样子模块处理成心电图数字信号而输出至信号预处理模块。
Claims (10)
1.一种用于心电图数据分析算法的算法学习更新方法，基于包括信号预处理模块和数据分析算法子系统的心电图分析系统；信号预处理模块对心电图数字信号进行电信号处理而输出经过电信号处理的心电图数字信号；数据分析算法子系统使用自身设置的心电图数据分析算法对来自信号预处理模块的、经过电信号处理的心电图数字信号进行波形分析形成心电图分析数据；其特征在于：
在心电图分析系统设置包括输出模块和输入模块的人机交互子系统；所述算法学习更新方法包括如下步骤，
B. 借助输出模块输出数据分析算法子系统的心电图分析数据，借助输入模块对心电图分析数据进行修正，并将修正的心电图分析数据输入数据分析算法子系统；
数据分析算法子系统依据修正的心电图分析数据更新自身的心电图数据分析算法。
2.根据权利要求1所述的用于心电图数据分析算法的算法学习更新方法，其特征在于：
在步骤B之前还包括如下步骤，
A. 借助输出模块输出信号预处理模块经过电信号处理的心电图数字信号，借助输入模块调整信号预处理模块的信号处理参数，以修正信号预处理模块输出的经过电信号处理的心电图数字信号。
3.根据权利要求2所述的用于心电图数据分析算法的算法学习更新方法，其特征在于：
在所述步骤A中，借助输入模块调整信号预处理模块的信号处理参数，以修正信号预处理模块输出的经过电信号处理的心电图数字信号包括如下分步骤，
A1. 选择高通滤波器，调整高通滤波器的截止频率，以滤除心电图数字信号的基线漂移；
A2. 选择陷波器，以适应心电图分析系统的工作环境；
A3. 选择低通滤波器，以消除心电图数字信号的高频干扰信号。
4.根据权利要求3所述的用于心电图数据分析算法的算法学习更新方法，其特征在于：
所述分步骤A3包括如下分步骤，
A31. 选择第一低通滤波器对心电图数字信号进行低通滤波处理而形成初步低通滤波的心电图数字信号数据；
A32. 对初步低通滤波的心电图数字信号进行数据分段，设置初步低通滤波的心电图数字信号的QRS复波为第一数据段，设置一个周期内除QRS复波外的其它波形为第二数据段；
选择第二低通滤波器对第一数据段进行低通滤波，选择第三低通滤波器对第二数据段进行低通滤波，第二低通滤波器的截止频率大于第三低通滤波器的截止频率。
5.根据权利要求1或者2所述的用于心电图数据分析算法的算法学习更新方法，其特征在于：
所述步骤B包括如下分步骤，
B1. 采用心电图数据分析算法对经过电信号处理的心电图数字信号进行数据分析，获取心电图波形的特征数据，并将该特征数据通过人机交互子系统的输出模块输出；所述特征数据包括心电图波形的特征点，特征波形的形状、幅值和间期；
借助人机交互子系统的输入模块编辑特征数据，对特征数据进行确认、修改、增加或者删除中的至少一项操作，形成心电图波形的反馈特征数据；
数据分析算法子系统学习反馈特征数据而更新自身的心电图数据分析算法。
6.根据权利要求5所述的用于心电图数据分析算法的算法学习更新方法，其特征在于：
所述步骤B还包括如下分步骤，
B2. 心电图数据分析算法将典型的心电图分析数据分类，通过人机交互子系统的输出模块输出心电图分析数据及其所属类别；
借助人机交互子系统的输入模块编辑心电图分析数据，对心电图分析数据的分类进行确认或者矫正，形成反馈类别数据；
数据分析算法子系统学习反馈类别数据而更新自身的心电图数据分析算法。
7.一种能够使心电图数据分析算法学习更新的心电图分析系统，包括信号预处理模块和数据分析算法子系统；信号预处理模块对心电图数字信号进行电信号处理而输出经过电信号处理的心电图数字信号；数据分析算法子系统使用自身设置的心电图数据分析算法对来自信号预处理模块的、经过电信号处理的心电图数字信号进行波形分析形成心电图分析数据；其特征在于：
还包括电连接数据分析算法子系统的人机交互子系统；该人机交互子系统包括输出模块和输入模块；
人机交互子系统的输出模块输出数据分析算法子系统处理的中间数据和心电图数据；
人机交互子系统的输入模块对数据分析算法子系统的中间数据和心电图数据进行编辑形成反馈数据，并将反馈数据输入数据分析算法子系统，数据分析算法子系统学习反馈数据以更新心电图数据分析算法。
8.根据权利要求7所述的能够使心电图数据分析算法学习更新的心电图分析系统，其特征在于：
所述人机交互子系统还电连接信号预处理模块；
人机交互子系统的输出模块输出经过电信号处理的心电图数字信号；
人机交互子系统的输入模块对信号预处理模块进行设置以修正经过电信号处理的心电图数字信号。
9.根据权利要求8所述的能够使心电图数据分析算法学习更新的心电图分析系统，其特征在于：
还包括信号采集模块；
该信号采集模块包括导联线、信号放大和滤波子模块和信号采样子模块；导联线用于采集电信号，该电信号被信号放大和滤波子模块进行信号放大和滤波处理而输出至信号采样子模块，来自信号放大和滤波子模块的信号借助信号采样子模块处理成心电图数字信号而输出至信号预处理模块。
10.根据权利要求8所述的能够使心电图数据分析算法学习更新的心电图分析系统，其特征在于：
所述信号预处理模块包括至少一高通滤波器，至少一陷波器，至少一低通滤波器，以及控制器，所有高通滤波器、陷波器和低通滤波器都电连接控制器；
数据分析算法子系统包括能够运行心电图数据分析算法的微型控制器；
或者，数据分析算法子系统包括能够运行心电图数据分析算法的数字信号处理器；
或者，数据分析算法子系统包括一能够运行心电图数据分析算法的计算机；
或者，数据分析算法子系统包括至少两计算机，各计算机通过网络建立数据连接，借助各计算机分别进行数据处理以及数据整合而完成心电图数据分析算法；
或者，数据分析算法子系统包括一能够运行心电图数据分析算法的服务器；
或者，数据分析算法子系统包括至少两服务器，各服务器通过网络建立数据连接，借助各服务器分别进行数据处理以及数据整合而完成心电图数据分析算法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711107504.3A CN107714028A (zh) | 2017-11-10 | 2017-11-10 | 心电图分析系统及其数据分析算法的学习更新方法 |
| PCT/CN2017/114131 WO2019090869A1 (zh) | 2017-11-10 | 2017-11-30 | 心电图分析系统及其数据分析算法的学习更新方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711107504.3A CN107714028A (zh) | 2017-11-10 | 2017-11-10 | 心电图分析系统及其数据分析算法的学习更新方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107714028A true CN107714028A (zh) | 2018-02-23 |
Family
ID=61215845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711107504.3A Pending CN107714028A (zh) | 2017-11-10 | 2017-11-10 | 心电图分析系统及其数据分析算法的学习更新方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107714028A (zh) |
| WO (1) | WO2019090869A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667922A (zh) * | 2020-06-03 | 2020-09-15 | 北京六元空间信息科技有限责任公司 | 一种临床诊疗数据录入系统和方法 |
| CN112652384A (zh) * | 2020-01-20 | 2021-04-13 | 深圳市理邦精密仪器股份有限公司 | 心电图机的警报提醒方法、设备、心电图机及存储装置 |
| CN115316995A (zh) * | 2022-07-12 | 2022-11-11 | 姚程栋 | 一种心电图监测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1459681A1 (en) * | 1994-10-07 | 2004-09-22 | Ortivus Medical Ab | Myocardial ischemia and infarction analysis and monitoring method |
| CN101828913A (zh) * | 2010-04-16 | 2010-09-15 | 无锡市优特科科技有限公司 | 基于算法服务器的心电图远程诊断系统 |
| CN105726015A (zh) * | 2016-01-29 | 2016-07-06 | 武汉朗迪远程医疗科技有限公司 | 一种心电数据智能分析学习方法 |
| 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 |
| CN107103182A (zh) * | 2017-03-28 | 2017-08-29 | 南京医科大学 | 一种基于深度学习算法的心脏性疾病风险预警系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5524631A (en) * | 1994-10-13 | 1996-06-11 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Passive fetal heart rate monitoring apparatus and method with enhanced fetal heart beat discrimination |
| CN101449971A (zh) * | 2008-12-30 | 2009-06-10 | 南京大学 | 基于节律模式的便携式心电诊断监测设备 |
| WO2015200750A1 (en) * | 2014-06-27 | 2015-12-30 | The Regents Of The University Of Michigan | Early detection of hemodynamic decompensation using taut-string transformation |
| CN104398254B (zh) * | 2014-11-14 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 一种心电图分析系统、分析设备及预测模型采集设备 |
-
2017
- 2017-11-10 CN CN201711107504.3A patent/CN107714028A/zh active Pending
- 2017-11-30 WO PCT/CN2017/114131 patent/WO2019090869A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1459681A1 (en) * | 1994-10-07 | 2004-09-22 | Ortivus Medical Ab | Myocardial ischemia and infarction analysis and monitoring method |
| CN101828913A (zh) * | 2010-04-16 | 2010-09-15 | 无锡市优特科科技有限公司 | 基于算法服务器的心电图远程诊断系统 |
| CN105726015A (zh) * | 2016-01-29 | 2016-07-06 | 武汉朗迪远程医疗科技有限公司 | 一种心电数据智能分析学习方法 |
| CN107103182A (zh) * | 2017-03-28 | 2017-08-29 | 南京医科大学 | 一种基于深度学习算法的心脏性疾病风险预警系统及方法 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112652384A (zh) * | 2020-01-20 | 2021-04-13 | 深圳市理邦精密仪器股份有限公司 | 心电图机的警报提醒方法、设备、心电图机及存储装置 |
| CN111667922A (zh) * | 2020-06-03 | 2020-09-15 | 北京六元空间信息科技有限责任公司 | 一种临床诊疗数据录入系统和方法 |
| CN115316995A (zh) * | 2022-07-12 | 2022-11-11 | 姚程栋 | 一种心电图监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019090869A1 (zh) | 2019-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Automatic cardiac arrhythmia classification using combination of deep residual network and bidirectional LSTM | |
| Liu et al. | Arrhythmia classification of LSTM autoencoder based on time series anomaly detection | |
| US20190167143A1 (en) | Electrocardiogram processing system for delineation and classification | |
| CN109411041B (zh) | 心电信息处理方法和心电工作站系统 | |
| US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
| CN107714028A (zh) | 心电图分析系统及其数据分析算法的学习更新方法 | |
| US20110275950A1 (en) | Method and Apparatus with Reduced Electrode System Specific ECG Interpretation | |
| CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| CN103038772A (zh) | 预测患者的存活性的方法 | |
| CN109222963A (zh) | 一种基于卷积神经网络的心电异常识别分类方法 | |
| CN104586381A (zh) | 一种基于物联网的心电监护系统 | |
| CN102379692A (zh) | 一种面向区端网络的远程心电监护系统及方法 | |
| CN113384277B (zh) | 心电数据的分类方法及分类系统 | |
| CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
| CN109009073A (zh) | 房颤检测装置及存储介质 | |
| CN106419898A (zh) | 一种去除心电信号基线漂移的方法 | |
| CN105962935A (zh) | 用于运动学习功能改善的脑电神经反馈训练系统及其方法 | |
| CN113133768A (zh) | 基于联邦学习的心血管疾病辅助诊断模型及训练方法 | |
| CN204520670U (zh) | 一种基于物联网的心电监护系统 | |
| EP4041073A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| Li et al. | Arrhythmia classification using biased dropout and morphology-rhythm feature with incremental broad learning | |
| CN113359991B (zh) | 一种面向残疾人的智能脑控机械臂辅助进食系统及方法 | |
| CN106974644A (zh) | 一种心电图r波检测方法以及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |