CN108784680A - 基于散点图的心电图智能分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于散点图的心电图智能分析方法及系统，所述方法包括训练阶段和检测阶段；训练阶段包括采集长时动态心电图的原始训练数据；绘制训练散点图；对训练散点图标注心率失常类型标签；训练得到卷积神经网络模型；检测阶段包括：采集长时动态心电图的原始检测数据；绘制检测散点图；将检测散点图输入至卷积神经网络模型，计算得到检测散点图的分类结果，即得到心电图的心律失常类型分析。本发明利用散点图分类的方法，可以有效提高动态心电的分析速度以及提高诊断的准确度，节省心电诊断医师的时间，减少误诊率。

Description

基于散点图的心电图智能分析方法及系统

技术领域

本发明涉及医疗人工智能技术领域，具体地指一种基于散点图的心电图智能分析方法及系统。

背景技术

心律失常是心血管疾病常见的临床表现形式，尤其是室性心动过速、心室颤动等恶性心律失常，不但可能加重原有心脏疾病，如加速心力衰竭还可诱发心源性猝死，严重威胁人类健康。

心电图是常见的用于观察人体心电活动的医疗检查手段，心电图机将心脏活动的电信号提取为数字信号，并用心电图的形式展现出来。随着人工智能领域特别是深度学习技术的发展，分析数字心电信号的技术越来越丰富和成熟。

针对心律失常的医疗人工智能研究，相比于静态心电图，动态心电图更有利用价值，因为心律的异常在短时间心电检查中不易体现，而更有可能在全天候的动态场景中暴露出来。而在长时间连续心电分析方面，现有的软件及仪器对医生的诊断水平要求高，但是中国优质的医疗资源相对不足；此外，长时程动态心电图监测部分时间需要多天，乃至长期监测，人工分析的难度和工作强度很大，误诊率也较高。

发明内容

针对现有技术中对于静态心电图的特征难以提取、判断识别率低的技术问题，本发明提出了一种基于散点图的心电图智能分析方法及系统，心电散点图(LorenzPlot)以整体的视角，对心电数据进行分析的非线性方法，应用于人工智能技术，大幅提高了诊断的速度及准确度。

为实现上述目的，本发明提出一种基于散点图的心电图智能分析方法，其特殊之处在于，所述方法包括训练阶段和检测阶段；所述训练阶段包括如下步骤：

A1)采集若干份长时动态心电图的原始训练数据，并过滤质量过低的信号段；

A2)根据每一份所述心电图的原始训练数据绘制训练散点图；

A3)对每一份所述训练散点图标注心率失常类型标签；

A4)将所有所述训练散点图和对应的心率失常类型标签作为卷积神经网络的输入，训练得到卷积神经网络模型；

所述检测阶段包括如下步骤：

B1)采集待检测的长时动态心电图的原始检测数据，并过滤质量过低的信号段；

B2)根据所述心电图的原始检测数据绘制检测散点图；

B3)将所述检测散点图输入至卷积神经网络模型，计算得到检测散点图的分类结果，即得到心电图的心律失常类型分析。

优选地，所述步骤A2)中绘制训练散点图和步骤B2)中绘制检测散点图的方法为：对心电图的原始训练数据标记所有的QRS波；取得的R波所处的位置，相邻两个R波之间的间隔即RR间期，如此便可得到一系列的RR间期序列，把每个QRS波的前周期的RR间期作为横坐标、后周期的RR间期作为纵坐标，绘制散点图。

优选地，所述步骤A3)中心率失常类型标签包括棒状点集类、格子状点集类和扇状点集类，所述棒状点集类的散点图形态为散点单一沿45°线分布，分布于600-1000ms间，呈棒状的点集图形；所述格子状点集类的散点图形态为从45°线开始，散点呈格子状分布的图形，所述扇状点集类的散点图形态为从45°线开始，散点对称地向两边展开呈扇形的图形。

优选地，所述步骤A3)中对棒状点集类的散点图进行标注的过程包括：

a1)对棒状点集类的散点图进行区域划分：45°线上的棒状点集为中心点集M，以中心点集M的下边缘的点向左作x轴的水平线与左侧y轴相交、向右作45°线的垂直线与下方x轴相交，所围合的区域记为Q区域；以中心点集M的上边缘的点，作45°线的垂直线，垂直线的一端与上方x轴相交，另一端与y＝x-200线段的一端相交，线段y＝x-200的另一端与右侧y轴相交，所围合的区域记为S区域；以中心点集M的下边缘的点向左作x轴的水平线与左侧y轴相交，以中心点集M的上边缘的点，作45°线的垂直线，垂直线与上方x轴相交，以及中心点集M左侧轮廓，所围合的区域记为P区域；

a2)对P区域、Q区域出现的点进行颜色标注：在P及Q区域内出现的点，该点所对应的QRS波形态与中心点集QRS波对比，一致标注成A颜色，不一致则标注成V颜色；

a3)根据标记颜色、区域的散点图形态对棒状点集类散点图标注窦性心律类标签。

优选地，对所述步骤A3)中对格子状点集类的散点图标注持续性心房扑动标签。

优选地，对所述步骤A3)中对扇状点集类的散点图标注持续性心房颤动标签。

优选地，所述步骤a3)中根据标记颜色、区域的散点图形态对棒状点集类散点图标注窦性心律类标签的具体过程包括：

a31)除沿45°线分布的点集呈棒状图形外，45°线上方斜率趋于0的点集图形，且标注为V颜色，标注频发室性早搏标签；

a32)除沿45°线分布的点集呈棒状图形外，以及45°线上方斜率趋于0的点集图形，且标注为V颜色，本应标注为A颜色的点由于位于V颜色点后，则不该变原标记颜色该类图形，标注频发室性早搏标签；

a33)除沿45°线分布的点集呈棒状图形外，且标注为A颜色的点集，分布分散或者集中的该类图形，标注频发房性早搏标签；

a34)在Q区域标记为V颜色的点集，标注频发室性早搏病征标签；标注V颜色的情况下：若为N-V-N形式，则标注插入性室性早搏病征标签；若为N-V-V-N形式，则标注成对室性早搏病征标签；若为N-V-V-……-V-N形式，标注室性心动过速病征标签；

a35)在P区域且标记为A颜色的点集，标注频发房性早搏病征标签，在Q区域且标记为A颜色的点集，标注短阵房性心动过速病征；标记为A颜色的情况下：

若为N-A-A-N，标注成对室上性早搏病征标签；

若为N-A-A-……-A-N，标注室上性心动过速标签；

a36)在P区域有标记为A颜色的点集，且在S区域出现在60°线上或在60°线与45°线之间的点集，标注频发房性早搏标签以及房性早搏未下传标签；

a37)在S区出现分布于60°线上的点集，标注二度I型房室阻滞病征标；

a38)在S区出现非一致性分布，即区别于一致分布于60°线的点集，且分散分布，则标注房性早搏病征标签、窦性停搏病征标签；

a39)不符合a31～a38)所述图形特征的棒状点集类散点图标注心率正常标签。

优选地，所述长时动态心电图数据为连续采集的超过6小时的动态心电图数据。

本发明还提出一种基于散点图的心电图智能分析方法的系统，其特殊之处在于，包括存储器、处理器、数据解析模块、数据分析模块；

所述数据解析模块：用于对采集长时动态心电图数据，并对原始数据进行格式转换；

所述数据分析模块：用于根据卷积神经网络模型，将输入的原始数据绘制为检测散点图，进行计算、分类，输出心律失常类型分析报告。

进一步地，所述数据解析模块包括数据读取模块、图像格式转换模块和采样率转换模块；所述数据分析模块包括数据预处理模块、散点图生成模块和标注分类模块；

所述数据读取模块：用于与心电图数据采集设备连接，采集长时动态心电图数据；

所述图像格式转换模块：用于将图像数据转换为CSV数据格式；

所述采样率转换模块：用于将原始检测数据的采样频率转换为与原始训练数据的采样频率相一致；

所述数据预处理模块：用于对原始检测数据进行质量评估，并过滤质量过低的信号；

所述散点图生成模块：用于根据原始检测数据生成散点图；

所述标注分类模块：用于根据卷积神经网络模型利用深度学习算法对散点图进行分类，从而实现对心电图的心律失常类型的分析判断，输出心律失常类型分析报告。

在机器学习技术中，卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。一般地，CNN的基本结构包括两个阶段，每个阶段都包含若干层次，其一为特征提取阶段，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射阶段，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。因为CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者因为同一特征映射面上的神经元权值相同，所以网络可以并行学习。同一特征映射面上的神经元权值相同，所以网络可以并行学习。

散点图代表RR间期序列的变化，每种心律都具有特征性内在的相互关联性，许多的心电生理特性都在RR间期显示出来。所以本发明利用机器学习技术学习散点图的特性，对心律失常进行初步的预判，针对预判的结果再进行分析：一方面对海量的心电数据可以进行快速的预判，另一方面强化了动态心电的诊断，让复杂的心律失常诊断更为智能，更为准确。本发明提出的训练阶段，通过区分不同类型的散点图，将不同的心律失常进行归类，训练卷积神经网络分类模型。

本发明利用散点图分类的方法，可以有效提高动态心电的分析速度以及提高诊断的准确度，节省心电诊断医师的时间，减少误诊率。

附图说明

图1为本发明基于散点图的心电图智能分析方法的系统的结构框图。

图2为本发明对散点图进行分类的深度学习模型训练和测试的流程图。

图3为主导节律为窦性心律的心电图对应的散点图示例。

图4为主导节律为心房扑动的心电图对应的散点图示例。

图5为主导节律为心房颤动的心电图对应的散点图示例。

图6为本发明中判断心电散点图类型的方法对散点图区域的划分。

图7为本发明提出的用于对散点图进行分类的深度学习模型的一个实施案例的网络结构。

具体实施方式

下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。

本发明提出一种基于散点图的心电图智能分析方法的系统，如图1所示，包括存储器、处理器、数据解析模块、数据分析模块。

数据解析模块用于对采集长时动态心电图数据，并对原始数据进行格式转换。数据解析模块包括数据读取模块、图像格式转换模块和采样率转换模块。数据读取模块：用于与心电图数据采集设备连接，采集长时动态心电图数据；图像格式转换模块：用于将图像数据转换为CSV数据格式；采样率转换模块：用于将原始检测数据的采样频率转换为与原始训练数据的采样频率相一致。

数据分析模块用于根据卷积神经网络模型，将输入的原始数据绘制为检测散点图，进行计算、分类，输出心律失常类型分析报告。数据分析模块包括数据预处理模块、散点图生成模块和标注分类模块。数据预处理模块：用于对原始检测数据进行质量评估，并过滤质量过低的信号；散点图生成模块：用于根据原始检测数据生成散点图；标注分类模块：用于根据卷积神经网络模型利用深度学习算法对散点图进行分类，从而实现对心电图的心律失常类型的分析判断，输出心律失常类型分析报告。

本发明还提出一种基于散点图的心电图智能分析方法，该方法可以基于上述系统实现，也可以通过其他系统实现，如图2所示，该方法包括训练阶段和检测阶段。

训练阶段包括如下步骤：

A1)采集若干份长时动态心电图的原始训练数据，并过滤质量过低的信号段。

获取大量长时动态心电图的原始数据，并过滤质量过低的信号段。采集大量动态心电图样本，采样频率为500Hz，每个样本时长为24小时，基于心电信号波形的形态、频域特征以及其他非线性分析方法，分段评估心电信号的质量，并过滤质量过低的信号段。

A2)根据每一份心电图的原始训练数据绘制训练散点图。

对心电图的原始训练数据标记；取得的，相邻两个R波之间的间隔即RR间期，，绘制散点图

根据原始心电图数据标记所有的QRS波。用基于阈值和小波分析的方法(或其他有效手段)提取R波顶点所处的位置。利用R波顶点数据，如此便可得到一系列的RR间期序列。把每个QRS波的前周期的RR间期(单位为毫秒，取整数)作为横坐标、后周期的RR间期作为纵坐标，绘制散点图。图3、图4、图5均为心电散点图的例图。

A3)对每一份训练散点图标注心率失常类型标签(包括心率正常标签)。

A4)将所有所述训练散点图和对应的心率失常类型标签作为卷积神经网络模型的输入，训练得到卷积神经网络模型。

涵盖的心律失常类型标签具体包括：

1)房性早搏病征、房性心动过速病征、室上性心动过速病征、心房扑动病征、心房颤动病征

2)室性早搏病征、室性心动过速病征

3)二度房室阻滞病征、窦性停搏病征

4)心律正常

标注过程如下：

1)单导联心电检测出所有的QRS波形：排除噪声及伪差后，检测所有QRS波的形态及宽度，计算出所有波形的RR间期。

2)绘制散点图：

将动态心电图的连续RR间期为数据来源，建立二维直角坐标系，当前RR周期的宽度为横坐标，后一个RR周期的宽度为纵坐标，依此规则将大量的坐标数据叠加形成散点图。

3)根据散点图形态区别主导节律及支配节律：

a)棒状点集类

如图2所示，棒状点集类的散点图形态为散点单一沿45°线分布，多分布于600-1000ms间，呈棒状的点集图形。该类图形，标注为窦性心律类标签。

b)格子状点集类

如图3所示，格子状点集类的散点图形态为从45°线开始，散点呈格子状分布的图形，标注为持续性心房扑动病征。

c)扇状点集类

如图4所示，扇状点集类的散点图形态为从45°线开始，散点对称地向两边展开呈扇形的图形，标注为持续性心房颤动病征。

4)对标注为棒状点集类的散点图，进一步划分区域(如图6所示)

Q区域：45°线上的棒状点集为中心点集M，以中心点集M的下边缘的点向左作x轴的水平线与左侧y轴相交、向右作45°线的垂直线与下方x轴相交，所围成的区域记为Q区域。

S区域：以中心点集M的上边缘的点，做45°线的垂直线，垂直线的一端与x轴相交，另一端与y＝x-200线段的一端相交，线段y＝x-200的另一端与右侧y轴相交，所围合的区域记为S区域。

P区域：为中心点集M下边缘的点，做x轴的水平线，以及中心点集M上缘的点，做45°线的垂直线，垂直线与上方x轴相交，以及中心点集左侧轮廓，所合围的区域记为P区域。

5)将棒状点集类进行分区块检测，按划分区域区别点集：

a)P、Q区域点的标注(主要识别房性早搏、室性早搏、交界性早搏、房性心动过速、室性心动过速、阵发性室上性心动过速、插入性室性早搏)：在P及Q区域内出现的点，点形态所对应的QRS波形态与中心点集QRS波对比，一致标记成A颜色，不一致则标记成V颜色(若标记为A颜色的点位于V颜色点后，则不改变原标记颜色)；

①除沿45°线分布的点集呈棒状图形外，45°线上方斜率趋于0的点集图形，且标记为V颜色该类图形，标注频发室性早搏标签；

②除沿45°线分布的点集呈棒状图形外，以及45°线上方斜率趋于0的点集图形，且标记为V颜色，本应标记为A颜色的点由于位于V颜色点后，则不该变原标记颜色该类图形，标注频发室性早搏标签；

③除沿45°线分布的点集呈棒状图形外，且标记为A颜色的点集，分布可以较散在，亦可集合分布该类图形，标注频发房性早搏标签；

④在Q区标记为V颜色的点集，该类图形，标注为频发室性早搏病征标签，部分为插入性室性早搏或室性心动过速病征(Q区)，需额外鉴别。

标记为V颜色的情况下：若为N-V-N形式，则标注插入性室性早搏标签；若为N-V-V-N形式，则标注成对室性早搏标签；若为N-V-V-……-V-N形式，标注室性心动过速标签；

⑤在P、Q区域且标记为A颜色的点集。该类图形，主导节律为窦性心律(M区)，标注为频发房性早搏病征(P区)，短阵房性心动过速病征(Q区)。标记为A颜色的情况下：

若为N-A-A-N，标注为成对室上性早搏病征(房性早搏病征或交界性早搏病征)；

若为N-A-A-……-A-N，标注为室上性心动过速(房性心动过速或阵发性室上性心动过速)。

b)S区域点集的标注(标注二度I型房室阻滞病征、房性早搏未下传病征、窦性停搏病征)：

①在P区有房性早搏病征的点集存在(标记为A颜色的点集)，且在S区出现在60°线上的点集或小于60°大于45°线，有或无45°线上的点集(S区)。该类图形，主导节律为窦性心律(M区)，标注为频发房性早搏标签(P区)，以及房性早搏未下传标签(S区)。

②在S区出现分布于60°线上的点集，有或无在45°线上的点集(S区)，该类图形，主导节律为窦性心律(M区)，以及(S区)的点集，考虑标注为二度I型房室阻滞病征标签或者二度II型房室阻滞病征标签或者二度I型窦房阻滞病征标签或者二度II型窦房阻滞病征标签。其中，二度I型房室阻滞病征最为多见(需避免漏检心搏导致判定错误)。

③若在S区出现非一致性分布(区别于一致分布于60度线的点集)，且较为散在。则该类图形，主导节律为窦性心律(M区)，标注为房性早搏病征标签(P区)，或窦性停搏病征标签。

c)不符合上述图形特征的棒状点集类散点图标注心率正常标签。

将散点图与对应的心律失常类型标签作为卷积神经网络(如图7所示)的输入，训练得到卷积神经网络分类模型。注意该结构为可行的神经网络结构的一种示例，并非唯一方案，需要选取合适的超参数(包括卷积核大小、步长等)，保证训练数据与测试数据具有相同的采样频率。

检测阶段包括如下步骤：

B1)采集待检测的长时动态心电图的原始检测数据，并过滤质量过低的信号段。

获取长时动态心电图，每个样本时长为24小时，采样频率为500Hz(同训练阶段)，若频率与训练阶段预设的采样频率不同，则采用插值法转换到相同频率。同模型训练阶段的步骤A1)，基于心电信号波形的形态、频域特征以及其他非线性分析方法，分段评估心电信号的质量，并过滤质量过低的信号段。

B2)根据心电图的原始检测数据绘制检测散点图。

使用与模型训练阶段的步骤A2)相同的方式提取R波定点、得到RR间期宽度序列，进而获得心电散点图。

B3)利用通过模型训练阶段的步骤A4)得到训练完成的卷积神经网络模型，将B2)中得到的心电散点图作为卷积神经网络模型的输入，计算得到散点图的分类结果，即心电图的心律失常类型。

在模型训练阶段，深度学习框架采用TensorFlow，卷积神经网络的学习过程如下：

1)将采集并处理的长时动态心电图绘制成散点图之后，将散点图和对应的心律失常类型作为训练数据存储于计算机中，设定迭代次数上限；

2)按图7构建卷积神经网络的结构，初始化参数，生成各卷积层、池化层、全连接层的权值；

3)根据当前的权值参数按照网络结构从前往后逐层计算，得到输出结果；

4)根据现有原始标签的数据，对整个神经网络的参数进行调整优化，更新各层的权值；

5)迭代次数自增，若达到迭代次数上限，则进入步骤6)，否则进入步骤3)；

6)卷积神经网络的各层参数训练完毕，得到卷积神经网络模型。

尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式的具体变换，这些均属于本发明的保护范围内。

Claims (10)

1.一种基于散点图的心电图智能分析方法，其特征在于：所述方法包括训练阶段和检测阶段；所述训练阶段包括如下步骤：

A1)采集若干份长时动态心电图的原始训练数据，并过滤质量过低的信号段；

A2)根据每一份所述心电图的原始训练数据绘制训练散点图；

A3)对每一份所述训练散点图标注心率失常类型标签；

A4)将所有所述训练散点图和对应的心率失常类型标签作为卷积神经网络的输入，训练得到卷积神经网络模型；

所述检测阶段包括如下步骤：

B1)采集待检测的长时动态心电图的原始检测数据，并过滤质量过低的信号段；

B2)根据所述心电图的原始检测数据绘制检测散点图；

B3)将所述检测散点图输入至卷积神经网络模型，计算得到检测散点图的分类结果，即得到心电图的心律失常类型分析。

2.根据权利要求1所述的基于散点图的心电图智能分析方法，其特征在于：所述步骤A2)中绘制训练散点图和步骤B2)中绘制检测散点图的方法为：对心电图的原始训练数据标记所有的QRS波；取得的R波所处的位置，相邻两个R波之间的间隔即RR间期，得到一系列的RR间期序列，把每个QRS波的前周期的RR间期作为横坐标、后周期的RR间期作为纵坐标，绘制散点图。

3.根据权利要求1所述的基于散点图的心电图智能分析方法，其特征在于：所述步骤A3)中心率失常类型标签包括棒状点集类、格子状点集类和扇状点集类，所述棒状点集类的散点图形态为散点单一沿45°线分布，分布于600-1000ms间，呈棒状的点集图形；所述格子状点集类的散点图形态为从45°线开始，散点呈格子状分布的图形，所述扇状点集类的散点图形态为从45°线开始，散点对称地向两边展开呈扇形的图形。

4.根据权利要求3所述的基于散点图的心电图智能分析方法，其特征在于：所述步骤A3)中对棒状点集类的散点图进行标注的过程包括：

a1)对棒状点集类的散点图进行区域划分：45°线上的棒状点集为中心点集M，以中心点集M的下边缘的点向左作x轴的水平线与左侧y轴相交、向右作45°线的垂直线与下方x轴相交，所围合的区域记为Q区域；以中心点集M的上边缘的点，作45°线的垂直线，垂直线的一端与上方x轴相交，另一端与y＝x-200线段的一端相交，线段y＝x-200的另一端与右侧y轴相交，所围合的区域记为S区域；以中心点集M的下边缘的点向左作x轴的水平线与左侧y轴相交，以中心点集M的上边缘的点，作45°线的垂直线，垂直线与上方x轴相交，以及中心点集M左侧轮廓，所围合的区域记为P区域；

a2)对P区域、Q区域出现的点进行颜色标注：在P及Q区域内出现的点，该点所对应的QRS波形态与中心点集QRS波对比，一致标注成A颜色，不一致则标注成V颜色；

a3)根据标记颜色、区域的散点图形态对棒状点集类散点图标注窦性心律类标签。

5.根据权利要求3所述的基于散点图的心电图智能分析方法，其特征在于：对所述步骤A3)中对格子状点集类的散点图标注持续性心房扑动标签。

6.根据权利要求3所述的基于散点图的心电图智能分析方法，其特征在于：对所述步骤A3)中对扇状点集类的散点图标注持续性心房颤动标签。

7.根据权利要求4所述的基于散点图的心电图智能分析方法，其特征在于：所述步骤a3)中根据标记颜色、区域的散点图形态对棒状点集类散点图标注窦性心律类标签的具体过程包括：

a31)除沿45°线分布的点集呈棒状图形外，45°线上方斜率趋于0的点集图形，且标注为V颜色，标注频发室性早搏标签；

a32)除沿45°线分布的点集呈棒状图形外，以及45°线上方斜率趋于0的点集图形，且标注为V颜色，本应标注为A颜色的点由于位于V颜色点后，则不该变原标记颜色该类图形，标注频发室性早搏标签；

a33)除沿45°线分布的点集呈棒状图形外，且标注为A颜色的点集，分布分散或者集中的该类图形，标注频发房性早搏标签；

a34)在Q区域标记为V颜色的点集，标注频发室性早搏病征标签；标注V颜色的情况下：若为N-V-N形式，则标注插入性室性早搏病征标签；若为N-V-V-N形式，则标注成对室性早搏病征标签；若为N-V-V-……-V-N形式，标注室性心动过速病征标签；

a35)在P区域且标记为A颜色的点集，标注频发房性早搏病征标签，在Q区域且标记为A颜色的点集，标注短阵房性心动过速病征；标记为A颜色的情况下：

若为N-A-A-N，标注成对室上性早搏病征标签；

若为N-A-A-……-A-N，标注室上性心动过速标签；

a36)在P区域有标记为A颜色的点集，且在S区域出现在60°线上或在60°线与45°线之间的点集，标注频发房性早搏标签以及房性早搏未下传标签；

a37)在S区出现分布于60°线上的点集，标注二度I型房室阻滞病征标签；

a38)在S区出现非一致性分布，即区别于一致分布于60°线的点集，且分散分布，则标注房性早搏病征标签、窦性停搏病征标签；

a39)不符合a31～a38)所述图形特征的棒状点集类散点图标注心率正常标签。

8.根据权利要求1所述的基于散点图的心电图智能分析方法，其特征在于：所述长时动态心电图数据为连续采集的超过6小时的动态心电图数据。

9.一种根据权利要求1～8中任一权利要求所述的基于散点图的心电图智能分析方法的系统，其特征在于：包括存储器、处理器、数据解析模块、数据分析模块；

所述数据解析模块：用于对采集长时动态心电图数据，并对原始数据进行格式转换；

所述数据分析模块：用于根据卷积神经网络模型，将输入的原始数据绘制为检测散点图，进行计算、分类，输出心律失常类型分析报告。

10.根据权利要求9所述的基于散点图的心电图智能分析方法的系统，其特征在于：所述数据解析模块包括数据读取模块、图像格式转换模块和采样率转换模块；所述数据分析模块包括数据预处理模块、散点图生成模块和标注分类模块；

所述数据读取模块：用于与心电图数据采集设备连接，采集长时动态心电图数据；

所述图像格式转换模块：用于将图像数据转换为CSV数据格式；

所述采样率转换模块：用于将原始检测数据的采样频率转换为与原始训练数据的采样频率相一致；

所述数据预处理模块：用于对原始检测数据进行质量评估，并过滤质量过低的信号；

所述散点图生成模块：用于根据原始检测数据生成散点图；

所述标注分类模块：用于根据卷积神经网络模型利用深度学习算法对散点图进行分类，从而实现对心电图的心律失常类型的分析判断，输出心律失常类型分析报告。