CN108542381B - 一种数据处理方法和装置 - Google Patents
一种数据处理方法和装置 Download PDFInfo
- Publication number
- CN108542381B CN108542381B CN201810321908.0A CN201810321908A CN108542381B CN 108542381 B CN108542381 B CN 108542381B CN 201810321908 A CN201810321908 A CN 201810321908A CN 108542381 B CN108542381 B CN 108542381B
- Authority
- CN
- China
- Prior art keywords
- data
- spatial
- variation
- sampling data
- sample
- 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.)
- Active
Links
Images
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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种数据处理方法和装置,涉及数据处理领域。其中,所述方法包括:获取第一预设时长的心电信号;对所述心电信号进行采样,获得采样数据;根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量;根据所述变异向量的空间分布确定所述心电信号对应的空间区域。本发明实施例可以对心电信号进行采样,然后可以根据采样得到的采样数据个预先获得的分析模型,获得采样数据对应的变异向量,进而可以根据变异向量的空间分布确定心电信号对应的空间区域,从而能够得到更多的针对心电信号的处理结果,以满足更多的数据分析需求。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种数据处理方法和装置。
背景技术
近年来,随着数据处理技术的不断发展,数据处理应用的领域也越来越广泛,例如在医学领域中,可以对心电信号数据、医学图像数据等进行处理,得到的处理结果能够辅助临床分析。
心血管疾病的患病率逐年上升,为了应对心血管疾病临床分析需求,通常可以采集心电信号,并根据心电信号的波形确定心电信号的R-R间隔,进而可以得到多个R-R间隔的标准差。然而,上述对心电信号数据的处理过程较为简单,相应的处理结果较为单一,仅能够辅助确定心率的变异性是否异常,因此无法满足更多的数据分析需求。
发明内容
本发明提供一种数据处理方法和装置,以解决现有的对心电信号的数据处理过程处理结果单一,无法满足更多的数据分析需求的问题。
为了解决上述问题,本发明公开了一种数据处理方法,包括:
获取第一预设时长的心电信号;
对所述心电信号进行采样,获得采样数据;
根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量;
根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
可选的,所述根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量之前,还包括:
获取样本数据和所述样本数据对应的样本属性;
依据所述样本数据和所述样本属性,对预先构建的卷积神经网络模型进行训练,获得所述分析模型。
可选的,所述根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量,包括:
将具有第一维度的所述采样数据输入所述分析模型,获得具有第二维度的变异向量,所述第一维度大于所述第二维度。
可选的,所述第二维度为3。
可选的,所述根据所述变异向量的空间分布确定所述心电信号对应的空间区域,包括:
确定每两个变异向量之间的空间距离;
确定各个空间距离的平均空间距离,作为各个变异向量的空间密度;
当所述空间密度大于预设空间密度时,根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
为了解决上述问题,本发明还公开了一种数据处理装置,包括:
第一获取模块,被配置为获取第一预设时长的心电信号;
采样模块,被配置为对所述心电信号进行采样,获得采样数据;
第一确定模块,被配置为根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量;
第二确定模块,被配置为根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
可选的,所述装置还包括:
第二获取模块,被配置为获取样本数据和所述样本数据对应的样本属性;
训练模块,被配置为依据所述样本数据和所述样本属性,对预先构建的卷积神经网络模型进行训练,获得所述分析模型。
可选的,所述第一确定模块包括:
输入单元,被配置为将具有第一维度的所述采样数据输入所述分析模型,获得具有第二维度的变异向量,所述第一维度大于所述第二维度。
可选的,所述第二维度为3。
可选的,所述第二确定模块包括:
第一确定单元,被配置为确定每两个变异向量之间的空间距离;
第二确定单元,被配置为确定各个空间距离的平均空间距离,作为各个变异向量的空间密度;
第三确定单元,被配置为当所述空间密度大于预设空间密度时,根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
与现有技术相比,本发明包括以下优点:
本发明实施例可以对心电信号进行采样,然后可以根据采样得到的采样数据个预先获得的分析模型,获得采样数据对应的变异向量,进而可以根据变异向量的空间分布确定心电信号对应的空间区域,从而能够得到更多的针对心电信号的处理结果,以满足更多的数据分析需求。
附图说明
图1示出了本发明实施例一的一种数据处理方法的步骤流程图;
图2示出了本发明实施例二的一种数据处理方法的步骤流程图;
图3示出了本发明实施例二的一种变异向量对应的空间密度示意图;
图4示出了本发明实施例二的另一种变异向量对应的空间密度示意图;
图5示出了本发明实施例二的一种变异向量的空间分布示意图;
图6示出了本发明实施例三的一种数据处理装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1,示出了本发明实施例一的一种数据处理方法的步骤流程图。
本发明实施例的数据处理方法包括以下步骤:
步骤101:获取第一预设时长的心电信号。
在本发明实施例中,心电图机与人体连接后,可以对人体的心电信号进行采集,并可以采集到的心电信号数据导入数据处理设备中,从而经过第一预设时长之后,数据处理设备可以获取到第一预设时长的心电信号。
步骤102:对所述心电信号进行采样,获得采样数据。
在本发明实施例中,数据处理设备可以预设的采样频率对第一预设时长的心电信号进行采样,从而能够获得离散的心电信数据点,也即第一预设时长的采样数据。
步骤103:根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量。
在本发明实施例中,数据处理设备可以利用标注样本属性的样本数据,预先训练得到一分析模型,进而数据处理设备可以将第一预设时长的采样数据划分为多个第二预设时长的采样数据,其中,第二预设时长小于第一预设时长,然后数据处理设备可以以第二预设时长的采样数据为处理单元,将每个第二预设时长的采样数据依次输入该分析模型中,进而该分析模型可以输出每个第二预设时长的采样数据对应的变异向量,从而获得第一预设时长的采样数据对应的多个变异向量。
步骤104:根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
在本发明实施例中,数据处理设备可以将各个变异向量在空间坐标系中分布的各个位置所围成的区域,确定为第一预设时长的心电信号所对应的空间区域。
本发明实施例可以对心电信号进行采样,然后可以根据采样得到的采样数据个预先获得的分析模型,获得采样数据对应的变异向量,进而可以根据变异向量的空间分布确定心电信号对应的空间区域,从而能够得到更多的针对心电信号的处理结果,以满足更多的数据分析需求。
实施例二
参照图2,示出了本发明实施例二的一种数据处理方法的步骤流程图。
本发明实施例的数据处理方法包括以下步骤:
步骤201:获取样本数据和所述样本数据对应的样本属性。
在本发明实施例中,在数据处理设备进行数据处理之前,需要建立数据处理所需的分析模型,因此,数据处理设备首先可以获取样本数据,以及每个样本数据对应的样本属性,从而获得建立分析模型所需的训练数据。
其中,样本数据可以包括不同属性的心电信号对应的采样数据,例如样本数据可以包括房颤心电信号对应的采样数据、室颤心电信号对应的采样数据、正常心电信号对应的采样数据等等,且样本数据的维度为预设的第一维度,根据采样频率的不同,第一维度将有所不同。
例如,数据处理设备可以获取房颤心电信号对应的多个采样数据、室颤心电信号对应的多个采样数据,以及正常心电信号对应的多个采样数据。
步骤202:依据所述样本数据和所述样本属性,对预先构建的卷积神经网络模型进行训练,获得所述分析模型。
在本发明实施例中,数据处理设备可以预先构建卷积神经网络模型的卷积层、池化层和全连接层,从而得到预设构建的卷积神经网络模型。每个样本数据对应的样本属性可以作为该样本数据的训练标签,从而数据处理设备可以将对应不同样本属性的各类样本数据,分别输入至预先构建的卷积神经网络模型中,以对卷积神经网络模型进行训练,从而可以确定出卷积神经网络模型中的各个参数,获得数据处理所需的分析模型。
例如,数据处理设备可以将房颤心电信号对应的每个采样数据、室颤心电信号对应的每个采样数据,以及正常心电信号对应的每个采样数据,分别输入至预先构建的卷积神经网络模型中,以对卷积神经网络模型进行训练,从而可以确定出卷积神经网络模型中的各个参数,获得数据处理所需的分析模型。
步骤203:获取第一预设时长的心电信号。
在本发明实施例中,数据处理设备可以获取心电图机采集的第一预设时长的心电信号。其中,心电图机可以选取标准12导联心电图机,当然,在实际应用中,也可以选取其他导联数的心电图机,本发明实施例对此不作具体限定,当心电图机的导联数大于1时,数据处理设备可以选择其中一个导联所采集的第一预设时长的心电信号进行处理。
例如,第一预设时长可以为24小时,数据处理设备可以获取到标准12导联心电图机采集的24小时内的心电信号。
步骤204:对所述心电信号进行采样,获得采样数据。
在本发明实施例中,数据处理设备可以按照预设的采样频率,对第一预设时长的心电信号进行采样,从而能够获得离散的心电信数据点,也即第一预设时长的采样数据。
例如,预设的采样频率可以为250Hz(赫兹),数据处理设备可以按照250Hz的采样频率,对24小时内的心电信号进行采样,从而获得24小时内的采样数据。
步骤205:根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量。
在本发明实施例中,数据处理设备可以将第一预设时长的采样数据划分为多个第二预设时长的采样数据,并以第二预设时长的采样数据为处理单元,将每个第二预设时长的采样数据依次输入预先获得的分析模型中,进而该分析模型可以输出每个第二预设时长的采样数据对应的变异向量,从而获得第一预设时长的采样数据对应的多个变异向量。
其中,不同采样频率对应获得的第二预设时长采样数据的维度不同,例如以250Hz的采样频率对6秒的心电信号进行采样,得到6秒内采样数据的维度为1500维,也即采样获得1500个离散数据点。相应的,本步骤的实现方式可以包括:将具有第一维度的所述采样数据输入所述分析模型,获得具有第二维度的变异向量,所述第一维度大于所述第二维度。其中,第二维度可以在构建卷积神经网络模型时,根据样本属性的数量进行设定,从而第二维度与样本属性的类型数量一致。由于第一维度大于第二维度,因此,通过分析模型可以将高维度的采样数据降维至低维度的变异向量。其中,变异向量中包含的各个数值,可以表示该变异向量对应的心电信号分别属于各个样本属性的概率,从而通过将心电信号处理为变异向量,可以使处理结果更加丰富。
另外,为了便于直观地确定变异向量的空间分布,第二维度可以预设为3,也即是可以根据3类属性的心电信号数据训练得到分析模型,并通过该分析模型确定3维的变异向量,从而可以在3维的空间坐标系中直观地确定变异向量的空间分布。
需要说明的是,在实际应用中,数据处理设备可以先对第一预设时长的心电信号进行采样,再将第一预设时长的采样数据划分为第二预设时长的采样数据,当然,也可以先将第一预设时长的心电信号划分为第二预设时长的心电信号,再对每个第二预设时长的心电信号分别进行采样,得到第二预设时长的采样数据,本发明实施例对此不作具体限定。
例如,数据处理设备可以将24小时内的采样数据划分为多个6秒时长的采样数据,其中每个6秒的采样数据包括1500个数据点,每个6秒的采样数据的维度为1500维,然后数据处理设备可以将每个1500维的采样数据依次输入预先获得的分析模型中,进而该分析模型可以输出维度为3的变异向量,从而对于24小时内的采样数据,数据处理设备可以获得14400个维度为3的变异向量,也即可以得到3维空间坐标系中的14400个位置点。
步骤206:根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
在本发明实施例中,本步骤的实现方式可以包括:确定每两个变异向量之间的空间距离;确定各个空间距离的平均空间距离,作为各个变异向量的空间密度;当所述空间密度大于预设空间密度时,根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
其中,对于第一预设时长的采样数据对应的多个变异向量,数据处理设备可以根据空间中两点之间的距离公式,确定每两个变异向量之间的空间距离。确定出任意两个变异向量之间的空间距离之后,可以进一步确定各个空间距离的平均值,该平均值可以指示各个变异向量分布的空间密度。当各个变异向量的空间密度大于预设空间密度时,数据处理设备可以将各个变异向量在空间坐标系中分布的各个位置所围成的区域,确定为第一预设时长的心电信号所对应的空间区域。
需要说明的是,各个变异向量的空间密度可以用于表征心率变异性的大小,由于人体正常的心率应存在一定的变异性,因此,当各个变异向量的空间密度处于预设的正常密度范围时,可以表征第一预设时长的心电信号对应的心率变异性不存在异常,而当各个变异向量的空间密度大于正常密度范围的上限,也即大于预设空间密度时,可以表征第一预设时长的心电信号对应的心率变异性较大,因而存在变异性过大的异常,当各个变异向量的空间密度小于正常密度范围的下限时,可以表征第一预设时长的心电信号对应的心率变异性较小,因而存在变异性过小的异常。进一步的,空间坐标系中不同的坐标轴可以用于表征不同的心率变异方向,相应的,不同坐标轴上的数值,可以用于表征心电信号在不同心率变异方向上的变异概率。
例如,图3示出了一种变异向量对应的空间密度示意图,图4示出了另一种变异向量对应的空间密度示意图,对比图3和图4,可以确定图3中每两个变异向量之间的空间距离较大,而图4中每两个变异向量之间的空间距离较小,因此,图3对应的心电信号的空间密度大于图4对应的心电信号的空间密度,当空间密度用于表征心率变异性的大小时,可以确定图3对应的心率变异性大于图4对应的心率变异性。
另外,不同的空间区域可以用于表征心率变异的方向,例如当样本属性包括房颤心率、室颤心率和正常心率时,上述3个样本属性的样本数据所分布的空间区域,分别可以表征心率变异趋于房颤变异方向,室颤变异方向以及正常变异方向。
图5示出了一种变异向量的空间分布示意图,如图5所示,空间区域A可以用于表征心率的房颤变异方向,空间区域B可以用于表征心率的室颤变异方向,空间区域C可以用于表征心率的正常变异方向。相应的,当心电信号的各个变异向量分布在空间区域A时,可以确定该心电信号对应房颤发生倾向,如图5所示的各个变异向量a;当心电信号的各个变异向量分布在空间区域B时,可以确定该心电信号对应室颤发生倾向,如图5所示的各个变异向量b;当心电信号的各个变异向量分布在空间区域C时,可以确定该心电信号的心率变异性正常,如图4所示的各个变异向量c。
数据处理设备可以对心电信号进行上述处理,使得处理结果更加丰富,当不同空间区域表征的属性不同时,得到的处理结果不仅可以辅助确定心率变异性是否存在异常,还能够辅助确定心率变异的病理倾向。
例如,数据处理设备可以确定每两个变异向量之间的空间距离,进而确定各个空间距离的平均空间距离ave,作为各个变异向量的空间密度,数据处理设备可以确定空间密度ave大于预设空间密度,然后可以将各个变异向量在空间坐标系中分布的各个位置所围成的区域X,确定为24小时内的心电信号所对应的空间区域。上述数据处理方法应用于医学领域时,区域X可以用于表征房颤心率变异方向,此时,可以确定该心电信号对应房颤发生倾向,病人有发生房颤的危险。
本发明实施例可以事先依据心电信号的样本数据和样本属性,对预先构建的卷积神经网络模型进行训练,获得心电信号的分析模型,然后可以对心电信号进行采样,并可以根据采样得到的采样数据个预先获得的分析模型,获得采样数据对应的变异向量,进而可以根据变异向量的空间分布确定心电信号对应的空间区域,从而能够得到更多的针对心电信号的处理结果,以满足更多的数据分析需求。
实施例三
参照图6,示出了本发明实施例三的一种数据处理装置的结构框图。
本发明实施例的数据处理装置600包括以下步骤:
第一获取模块601,被配置为获取第一预设时长的心电信号;
采样模块602,被配置为对所述心电信号进行采样,获得采样数据;
第一确定模块603,被配置为根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量;
第二确定模块604,被配置为根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
可选的,所述装置600还包括:
第二获取模块605,被配置为获取样本数据和所述样本数据对应的样本属性;
训练模块606,被配置为依据所述样本数据和所述样本属性,对预先构建的卷积神经网络模型进行训练,获得所述分析模型。
可选的,所述第一确定模块603包括:
输入单元6031,被配置为将具有第一维度的所述采样数据输入所述分析模型,获得具有第二维度的变异向量,所述第一维度大于所述第二维度。
可选的,所述第二维度为3。
可选的,所述第二确定模块604包括:
第一确定单元6041,被配置为确定每两个变异向量之间的空间距离;
第二确定单元6042,被配置为确定各个空间距离的平均空间距离,作为各个变异向量的空间密度;
第三确定单元6043,被配置为当所述空间密度大于预设空间密度时,根据所述变异向量的空间分布确定所述心电信号对应的空间区域。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种数据处理方法和装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种数据处理方法,其特征在于,所述方法包括:
获取第一预设时长的心电信号;
对所述心电信号进行采样,获得采样数据;
根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量;
根据所述变异向量的空间分布确定所述心电信号对应的空间区域,所述空间区域用于表征心率变异的方向;
所述根据所述变异向量的空间分布确定所述心电信号对应的空间区域,包括:
确定每两个变异向量之间的空间距离;
确定各个空间距离的平均空间距离,作为各个变异向量的空间密度;
当所述空间密度大于预设空间密度时,根据所述变异向量的空间分布确定所述心电信号对应的空间区域;
所述根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量的步骤包括:
对预先构建的卷积神经网络模型进行训练,获得所述分析模型,将第一预设时长的采样数据划分为多个第二预设时长的采样数据,并以第二预设时长的采样数据为处理单元,将每个第二预设时长的采样数据依次输入预先获得的分析模型中,使分析模型输出每个第二预设时长的采样数据对应的变异向量,进而获得第一预设时长的采样数据对应的多个变异向量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量之前,还包括:
获取样本数据和所述样本数据对应的样本属性;
依据所述样本数据和所述样本属性,对预先构建的卷积神经网络模型进行训练,获得所述分析模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量,包括:
将具有第一维度的所述采样数据输入所述分析模型,获得具有第二维度的变异向量,所述第一维度大于所述第二维度。
4.根据权利要求3所述的方法,其特征在于,所述第二维度为3。
5.一种数据处理装置,其特征在于,所述装置包括:
第一获取模块,被配置为获取第一预设时长的心电信号;
采样模块,被配置为对所述心电信号进行采样,获得采样数据;
第一确定模块,被配置为根据所述采样数据及预先获得的分析模型,获得所述采样数据对应的变异向量;
第二确定模块,被配置为根据所述变异向量的空间分布确定所述心电信号对应的空间区域,所述空间区域用于表征心率变异的方向;
所述第二确定模块包括:
第一确定单元,被配置为确定每两个变异向量之间的空间距离;
第二确定单元,被配置为确定各个空间距离的平均空间距离,作为各个变异向量的空间密度;
第三确定单元,被配置为当所述空间密度大于预设空间密度时,根据所述变异向量的空间分布确定所述心电信号对应的空间区域;
所述第一确定模块,具体用于对预先构建的卷积神经网络模型进行训练,获得所述分析模型,将第一预设时长的采样数据划分为多个第二预设时长的采样数据,并以第二预设时长的采样数据为处理单元,将每个第二预设时长的采样数据依次输入预先获得的分析模型中,使分析模型输出每个第二预设时长的采样数据对应的变异向量,进而获得第一预设时长的采样数据对应的多个变异向量。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第二获取模块,被配置为获取样本数据和所述样本数据对应的样本属性;
训练模块,被配置为依据所述样本数据和所述样本属性,对预先构建的卷积神经网络模型进行训练,获得所述分析模型。
7.根据权利要求5所述的装置,其特征在于,所述第一确定模块包括:
输入单元,被配置为将具有第一维度的所述采样数据输入所述分析模型,获得具有第二维度的变异向量,所述第一维度大于所述第二维度。
8.根据权利要求7所述的装置,其特征在于,所述第二维度为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810321908.0A CN108542381B (zh) | 2018-04-11 | 2018-04-11 | 一种数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810321908.0A CN108542381B (zh) | 2018-04-11 | 2018-04-11 | 一种数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108542381A CN108542381A (zh) | 2018-09-18 |
CN108542381B true CN108542381B (zh) | 2021-08-31 |
Family
ID=63514569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810321908.0A Active CN108542381B (zh) | 2018-04-11 | 2018-04-11 | 一种数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108542381B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770858B (zh) * | 2019-03-28 | 2021-07-13 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
CN113509186B (zh) * | 2021-06-30 | 2022-10-25 | 重庆理工大学 | 基于深度卷积神经网络的ecg分类系统与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101756696A (zh) * | 2009-12-31 | 2010-06-30 | 中国人民解放军空军总医院 | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 |
US20140073868A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for adjusting a criterion for qualifying a calculated value |
WO2014043216A9 (en) * | 2012-09-13 | 2014-06-05 | University Of South Florida | Systems and methods for diagnosing cardiovascular conditions |
CN104346369A (zh) * | 2013-07-30 | 2015-02-11 | 上海宽带技术及应用工程研究中心 | 一种建立心跳冲击波形态特征库的方法 |
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN106815570A (zh) * | 2016-12-30 | 2017-06-09 | 广东技术师范学院 | 一种基于动态模式识别的心电信号st‑t段识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7774143B2 (en) * | 2002-04-25 | 2010-08-10 | The United States Of America As Represented By The Secretary, Department Of Health And Human Services | Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states |
GB2515398B (en) * | 2011-12-13 | 2018-02-14 | Ibm | Method,apparatus, and computer program for generating representative image and radiographic interpretation information for each case |
US9600607B2 (en) * | 2013-09-16 | 2017-03-21 | Here Global B.V. | Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling |
CN103637794A (zh) * | 2013-12-24 | 2014-03-19 | 中国科学技术大学 | 一种心肌血量分布三维彩色编码显示方法 |
US9655519B2 (en) * | 2014-03-21 | 2017-05-23 | Hypermed Imaging, Inc. | Systems and methods for performing an imaging test under constrained conditions |
US9433363B1 (en) * | 2015-06-18 | 2016-09-06 | Genetesis Llc | Method and system for high throughput evaluation of functional cardiac electrophysiology |
CN105786711A (zh) * | 2016-03-25 | 2016-07-20 | 广州华多网络科技有限公司 | 一种数据分析的方法及装置 |
CN107773231B (zh) * | 2016-08-26 | 2021-01-26 | 京东方科技集团股份有限公司 | 一种心率测量装置及其测量方法 |
CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
-
2018
- 2018-04-11 CN CN201810321908.0A patent/CN108542381B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101756696A (zh) * | 2009-12-31 | 2010-06-30 | 中国人民解放军空军总医院 | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 |
US20140073868A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for adjusting a criterion for qualifying a calculated value |
WO2014043216A9 (en) * | 2012-09-13 | 2014-06-05 | University Of South Florida | Systems and methods for diagnosing cardiovascular conditions |
CN104346369A (zh) * | 2013-07-30 | 2015-02-11 | 上海宽带技术及应用工程研究中心 | 一种建立心跳冲击波形态特征库的方法 |
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN106815570A (zh) * | 2016-12-30 | 2017-06-09 | 广东技术师范学院 | 一种基于动态模式识别的心电信号st‑t段识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108542381A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111133526B (zh) | 发掘可用于机器学习技术中的新颖特征,例如用于诊断医疗状况的机器学习技术 | |
Ellis et al. | A careful look at ECG sampling frequency and R-peak interpolation on short-term measures of heart rate variability | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
KR20140063100A (ko) | 원격 심질환 관리 장치 및 방법 | |
US20080082013A1 (en) | Method and apparatus with reduced electrode system specific ecg interpretation | |
US9622674B2 (en) | Method and system for generating twelve-lead electrocardiogram signals using three differential voltages | |
EP3876191A1 (en) | Estimator generation device, monitoring device, estimator generation method, estimator generation program | |
CN103961089B (zh) | 基于分段直线拟合的窦性心率震荡趋势检测方法 | |
US20180146929A1 (en) | Device for predicting ventricular arrhythmia and method therefor | |
US11317840B2 (en) | Method for real time analyzing stress using deep neural network algorithm | |
US20230015562A1 (en) | Device and process for ecg measurements | |
CN108542381B (zh) | 一种数据处理方法和装置 | |
JP2016536044A (ja) | マルチチャネルecg信号の評価装置及び方法 | |
Gierałtowski et al. | Heart rate variability discovery: Algorithm for detection of heart rate from noisy, multimodal recordings | |
CN108968950A (zh) | 一种数字化心电采集方法、装置及系统 | |
Mahamat et al. | Wolff-Parkinson-White (WPW) syndrome: the detection of delta wave in an electrocardiogram (ECG) | |
CN110916649B (zh) | 一种长程心电散点图的处理装置、处理方法及检测装置 | |
CN111345814B (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
CN112989971B (zh) | 一种不同数据源的心电数据融合方法及装置 | |
CN115212459A (zh) | 基于智能终端的可穿戴自动体外除颤仪、系统、设备 | |
CN105769171A (zh) | 心律失常检测的方法及装置 | |
Rushalina et al. | Analysis of Transmitted and Received ECG Signal Based on Internet of Thing Using Web Browser and Server-Client HTML Protocol | |
CN113990499A (zh) | 一种心脏年龄评估方法、装置、电子设备及存储介质 | |
CN110085108B (zh) | 一种心电信号仿真系统 | |
Vasyltsov et al. | Statistical approach for lightweight detection of anomalies in ECG |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |