CN109091138B - 心律失常起源点的判断装置及标测系统 - Google Patents
心律失常起源点的判断装置及标测系统 Download PDFInfo
- Publication number
- CN109091138B CN109091138B CN201810765127.0A CN201810765127A CN109091138B CN 109091138 B CN109091138 B CN 109091138B CN 201810765127 A CN201810765127 A CN 201810765127A CN 109091138 B CN109091138 B CN 109091138B
- Authority
- CN
- China
- Prior art keywords
- origin point
- model
- wave
- abnormal
- origin
- 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
-
- 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
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
- A61B5/353—Detecting P-waves
-
- 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
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/36—Detecting PQ interval, PR interval or QT interval
-
- 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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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]
- A61B5/367—Electrophysiological study [EPS], e.g. electrical activation mapping or electro-anatomical mapping
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Abstract
本发明涉及心律失常起源点的判断装置及标测系统,所述判断装置用于判断心律失常的起源点,其中,分析单元对数据提取单元提取的预定时间段内的心电数据进行处理,并输入至判断模型进行计算以得到关于所述起源点的起源点信息,输出单元将所述起源点信息输出,模型配置单元用于设置所述判断模型。利用所述判断装置,可以获得心内标测的重点区域,从而不需要对整个心脏进行心内标测,可以减少标测时间。本发明还提供了一种包含所述判断装置的标测系统,通过获得关于心律失常起源点的起源点信息,能够使医生在手术前或手术过程中及时获取心脏内心律失常的起源点对应的区域,减小标测时间,提高手术效率。
Description
技术领域
本发明涉及医疗设备技术领域,尤其涉及心律失常起源点的判断装置及标测系统。
背景技术
心律失常(arrhythmia)是由于窦房结激动异常或激动产生于窦房结以外,激动的传导缓慢、阻滞或经异常通道传导,即心脏活动的起源和/或传导障碍导致心脏搏动的频率和/或节律异常。心律失常是心血管疾病中重要的一组疾病。它可单独发病,亦可与其他心血管病伴发。
诸如房性和室性的心律失常往往由心脏内某一区域发生异常例如异位起搏引起,利用标测系统可以对心脏内的发生异常的区域进行定位并实施治疗,但是现有的标测系统需要对整个心脏进行心内标测,非常耗时。对于某些经验丰富的医生,可以通过例如12导联心电图的波形形态和信息在术前或术中对心律失常的起源点在心脏上的大致区域进行判断,进而直接对该区域进行重点标测,以节约标测时间,但是,由于缺乏规范统一的判断标准,很多医生缺乏足够的经验知识,而对12导联心电图的波形形态和信息的识别又具有较高的学习门槛,不利于其在心脏手术中的推广应用。
因此,期望开发一种工具,即使对于初学的医生,也可以在术前或术中及时获得心律失常的起源点信息,并可以选择直接对心律失常起源点区域进行重点标测以节约标测时间。
发明内容
本发明的目的是提供一种心律失常起源点的判断装置以及一种标测系统,以辅助医生在术前或术中及时获得心律失常在心脏中的起源点,便于直接对心脏内对应于起源点的区域进行重点标测。
根据本发明的一方面,本发明提供了一种心律失常起源点的判断装置,用于判断心律失常的起源点,其特征在于,所述判断装置包括:数据提取单元,用于提取预定时间段内的心电数据;分析单元,用于对所述心电数据进行处理并输入至判断模型进行计算以得到关于所述起源点的起源点信息;模型配置单元,用于设置所述判断模型;以及输出单元,用于输出所述起源点信息。
可选的,所述分析单元包括:预处理子单元,用于对所述心电数据进行预处理;定位子单元,用于从经过所述预处理之后的所述心电数据中得到至少一个异常波特征点以及所述异常波特征点的值,所述异常波特征点与所述心律失常有关;以及计算子单元,用于将所述异常波特征点的值输入至所述判断模型进行计算。
可选的,所述定位子单元还用于从经过所述预处理之后的所述心电数据中得到至少一个全局波特征点以及所述全局波特征点的值,所述全局波特征点与正常心律有关;所述计算子单元还用于将所述全局波特征点的值输入至所述判断模型进行计算。
可选的,所述计算子单元用于将一异常波数组输入至所述判断模型,所述异常波数组的元素与所述异常波特征点的值一一对应。
可选的,所述判断模型包括多个起源点类别,每个所述起源点类别与一个或多个判断指标相关联,所述判断指标用于对输入所述判断模型的心电数据进行判断,并且所述起源点包括所述多个起源点类别中的至少一个。
可选的,所述多个起源点类别包括左心室、右心室下前壁、右心室下后壁、希氏束、右心室流出道游离壁偏前、右心室流出道游离壁偏后、右心室流出道游离壁中间、右心室流出道间隔壁偏前、右心室流出道间隔壁偏后以及右心室流出道间隔壁中间。
可选的,所述判断模型为特征分类模型,所述特征分类模型利用多个触发指令和多个所述判断指标对输入所述判断模型的心电数据进行归类;当输入所述特征分类模型的心电数据满足与所述多个起源点类别中的一个特定起源点类别所对应的全部所述判断指标时,所述起源点为所述特定起源点类别,所述起源点信息为与所述特定起源点类别相关联的信息。
可选的,所述判断模型为概率比较模型,所述概率比较模型利用多个权重函数表示在每个所述起源点类别发生所述心律失常的概率,输入所述概率比较模型的心电数据分别被代入所述多个权重函数进行计算以得到概率最高的一个或几个所述起源点类别;所述起源点为所述概率最高的一个或几个所述起源点类别,所述起源点信息为与所述概率最高的一个或几个所述起源点类别相关联的信息。
可选的,每个所述权重函数包括与对应的所述起源点类别相关联的所述判断指标的值与对应的权重系数的乘积之和,所述权重系数反映了与之相乘的所述判断指标在对应的所述权重函数中所占的权重。
可选的,所述权重系数利用对偶比较法设置。
可选的,所述判断模型为神经网络分类模型,所述神经网络分类模型通过训练神经网络获得心电数据的集合与所述起源点类别的集合之间的函数关系,并对输入所述神经网络分类模型的心电数据进行检验并归类,所述起源点为通过归类得到的所述起源点类别,所述起源点信息为与所述通过归类得到的所述起源点类别相关联的信息。
可选的,所述输出单元将所述起源点信息输出至一终端,通过所述终端显示出一心脏模型,所述起源点信息被标注于所述心脏模型上。
可选的,所述心脏模型为标准心脏模型、建模心脏模型或CT匹配心脏模型。
可选的,所述心电数据选自8导联心电图、12导联心电图或20导联心电图。
可选的,所述心律失常为室性心脏早搏。
根据本发明的另一方面,本发明还提供一种标测系统,用于对患者的心脏进行标测,其特征在于,所述标测系统包括:心电采集模块,用于采集患者的心电数据;以及标测模块,用于判断心律失常的起源点并根据所述起源点对患者的心脏进行标测;其中,所述标测模块包括上述判断装置。
可选的,所述标测系统还包括:显示模块,用于显示关于所述起源点的起源点信息;和/或CT图像处理模块,用于对患者的心脏CT图像进行识别,并与标准心脏模型或建模心脏模型进行配准,形成CT匹配心脏模型。
本发明提供的心律失常起源点的判断装置,用于判断心律失常的起源点,其中分析单元将预定时间段内的心电数据进行处理并输入至判断模型进行计算以得到关于所述起源点的起源点信息。通过获得所述起源点信息,医生了解了心内标测的重点区域,从而不需要对整个心脏进行心内标测,可以减少标测时间。所述判断装置利用判断模型对心律失常的起源点进行判断,判断方法较为统一,有利于心内标测技术的规范化和推广。
本发明的标测系统,其中标测模块包括上述判断装置以获得关于所述起源点的起源点信息,从而利用所述标测系统,能够使医生在手术前或手术过程中及时获取心内标测的重点区域,减小标测时间,提高手术效率。
本发明提供的心律失常起源点的判断装置可以包括储存于计算机可读取媒体中的软件程序,用于在治疗心律失常时判断心律失常的起源点,所得到的起源点信息有助于医生在心内标测前及时获得心内标测的重点区域,从而有利于减少标测时间。
本发明提供的起源点的判断装置也可以包括程序化计算机系统,所述计算机系统内具有软件程序,在执行此软件程序后可以获得关于所述起源点的起源点信息。
附图说明
图1是本发明实施例的心律失常起源点的判断装置的示意图。
图2是本发明实施例的分析单元的工作流程图。
图3是本发明实施例的特征分类模型的示意图。
图4是本发明实施例的概率比较模型的示意图。
图5是本发明的实施例的神经网络分类模型的示意图。
图6是本发明的实施例的标测系统的示意图。
图7是本发明的实施例的标测系统进行标测的示意图。
附图标记说明:
100-判断装置;110-数据提取单元;120-分析单元;121-预处理子单元;122-定位子单元;123-计算子单元;130-模型配置单元;131-判断模型;140-输出单元;101-数据缓存器;200-标测系统;210-心电采集模块;211-心电图导联线;220-标测模块;221-定位装置;222-标测导管;230-显示模块;240-CT图像处理模块。
具体实施方式
以下结合附图和具体实施例对本发明的心律失常起源点的判断装置及标测系统作进一步详细说明。根据下面的说明,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。与此同时,本文使用的术语是用于说明实施例的目的,并不意图限制本发明。在本说明书中,除非另有说明,否则单数形式应理解为包括复数形式。在说明书中使用的属于“包含”和/或“包括”不排除在所指定的组合物、成分、组件、步骤、操作和/或元件中增加其他的组合物、成分、组件、步骤、操作和/或元件的一种或多种。
此外,本文使用的“单元”或“模块”通常是指本发明的组件,例如,逻辑可分离软件(计算机程序)、硬件或等效部件。因此,本发明的实施例中的单元不仅包括计算机程序中的单元,还包括硬件配置中的单元。因此,所述实施例还可以用作包含指令的计算机程序的描述,所述计算机程序可以是用于执行计算机中的每个步骤的程序、用于将计算机功能形成为每个工具的程序或者用于使计算机实现功能、系统或方法中的每一个的程序,其中所述计算机程序启动“单元”或“模块”。为了便于描述,虽然如本文所使用的“存储”、“被存储”或者等同的术语可以被使用,但是这些术语是指以程序的方式被存储或被控制以存储在存储设备中的计算机程序。虽然可以将各个“模块”和“单元”配置成与功能具有大体上的一一对应关系,但是在实际时间中,单个模块可以被配置为具有单个程序,多个模块可以被配置为具有单个程序或单个模块可以被配置为具有多个程序。在分布式或者并行环境中,多个模块可以由单个计算机执行或者单个模块可以由多个计算机执行。单个模块可以包括附加模块。
本文所使用的属于“装置”和/或“系统”可以包括通过具有对应通信连接的例如网络的通信单元互连的多个计算机、硬件、装置等,或者包括具有实现本发明的过程的单个计算机、硬件、装置等。
此外,对于每个过程,无论是由每个模块或单元执行的单个过程或者是由每个模块或单元执行的多个过程,都从例如存储器的存储设备中读取目标信息,并且在过程完成之后过程的结果被写入存储设备。因此,在描述中存在这样的情况,在过程之前从存储设备中读取以及在过程之后写入存储设备的描述可以被省略。本文所述的存储设备可以包括硬盘、随机存取存储器(RAM)、外部存储介质、经由通信线路的存储设备、中央处理单元(CPU)中的寄存器等等。
本发明实施例的心律失常起源点的判断装置,用于判断心律失常的起源点,具体可提取预定时间段的心电数据进行分析并输出关于所述起源点的起源点信息。此处“起源点”指的是引起所述心律失常的起源在心脏中的对应区域。此处“起源点信息”指的是用于反映关于所述起源点的判断结果的信息,可以通过图像、文字及语音中的一种或多种表示。
本发明实施例中的心电数据可包括心电图(electrocardiogram,简称ECG)反映的心电数据。心电图可以通过由放置在人体表面的多个通路电极获得,多个通路电极可以记录出心脏的心电活动并提供关于所述心电活动的空间信息。以12导联心电图为例,12导联心电图记录了12个通路的导联的心电活动,具体的,12导联心电图包括以下12个导联:导联Ⅰ、导联Ⅱ、导联Ⅲ、导联aVR、导联aVL、导联aVF、导联V1、导联V2、导联V3、导联V4、导联V5及导联V6,这12个导联分别代表在人体不同位置的导联。所述心电数据可包括诸如心电图的波形信息,例如波形类型、方向、幅度、时限、间期等。但不限于此,所述心电数据也可以是各种与心律失常相关联的心电活动数据,关于心电数据的测量方法本领域技术人员可以根据公开信息获得,此处不再赘述。
图1是本发明实施例的心律失常起源点的判断装置(以下简称判断装置)的示意图。图2是本发明实施例的分析单元的工作流程图。接下来参照图1和图2,对本发明实施例的判断装置进行详细描述。
参照图1,本发明实施例中,判断装置100包括:数据提取单元110,用于提取预定时间段的心电数据;分析单元120,用于对数据提取单元110所提取的心电数据进行处理并输入到判断模型131进行计算以得到关于心律失常的起源点的起源点信息;模型配置单元130,用于设置判断模型131;以及输出单元140,用于输出所述起源点信息。
具体的,为了提取心电数据,数据提取单元110可以根据来自使用者、上一级或下一级系统的请求指令,从例如心电采集模块或心电图存储器提取预定时间段内的心电数据(可以是实时的或非实时的),例如,数据提取单元110可以从多通道导联心电图的心电信号中提取预定时间段的心电数据,所述多通道导联心电图可以是8导联心电图、12导联心电图或20导联心电图等。
数据提取单元110可以通过例如数据读取程序或者读取装置提取心电数据,可以根据需要设置预定时间段的范围以及其他提取条件。例如,可以对数据提取单元110的采样频率以及所提取的心电数据的频率进行设置,如设置仅提取频率范围在128Hz至10000Hz的心电数据。为了缩小所提取的心电数据(可以是数据包)的占用空间且不影响心电数据的完整性,优选的,设置数据提取单元110的采样频率为512Hz。
判断装置100可以包括数据缓存器101,以存储数据提取单元110提取的心电数据。具体的,数据缓存器101例如是一随机存取存储器,所述随机存取存储器的存储容量应不小于数据提取单元110提取的心电数据的数据包的大小,数据缓存器101的最小容量可以根据式(1)进行计算:
数据缓存器的最小容量=采样频率×2×时间段×导联数 (1)
例如,在提取12导联的心电数据时,采样频率设置为512Hz,预定时间段设置为10秒,代入式(1),则数据缓存器的最小容量=512×2×10×12/210=120KB,即,数据缓存器101的存储容量需大于120KB。
分析单元120将数据提取单元110所提取的心电数据进行处理并输入至判断模型131中进行计算。进一步的,分析单元120可包括预处理子单元121、定位子单元122以及计算子单元123,参照图2,分析单元120对数据提取单元110所提取的心电数据的分析可以包括以下步骤:
步骤S1,利用预处理子单元121对所述心电数据进行预处理,具体的,所述预处理包括基线漂移校正、带通滤波等操作,目的是去除心电数据中的肌电干扰、工频干扰和运动伪差等;
步骤S2,利用定位子单元122对经过上述预处理的心电数据进行异常波定位,以得到至少一个异常波特征点以及所述异常波特征点的值,所述异常波特征点与所述心律失常有关;
步骤S3:利用计算子单元123将所述异常波特征点的值输入至判断模型131进行计算以得到上述起源点信息。
上述步骤S2中,定位子单元122可以从所述心电数据中进行异常波和/或全局波的判断,此处“异常波”指的是所述心电数据中的异常心拍信号,即包含所述心律失常的特征,“全局波”指的是所述心电数据中的正常心拍信号,即属于正常心律的特征。具体的,如果所述心电数据中包括与所述心律失常有关的异常心拍信号,定位子单元122则进行异常波定位,获取至少一个异常波特征点以及所述异常波特征点的值;如果所述心电数据中不包括与所述心律失常有关的异常心拍信号,定位子单元122则可以对全局波进行定位,获取与正常心律有关的至少一个全局波特征点以及所述全局波特征点的值。所述异常波特征点的值和所述全局波特征点的值也可以从不同预定时间段的所述心电数据中获取。
以所述心律失常为室性心脏早搏(即“室早”)为例,定位子单元122可以从所述心电数据中将与室早有关的异常心拍信号进行定位,获取一个或多个异常波特征点以及所述异常波特征点的值,定位子单元122还可以从剩余的心电数据中获得与正常心律有关的全局波特征点以及所述全局波特征点的值。关于异常波、全局波、异常波特征点以及全局波特征点的定位方法,本领域技术人员可以根据公开技术获得,此处不再赘述。
分析单元120还可包括存储子单元(未示出),以保存上述异常波特征点的值和/或全局波特征点的值,后续通过判断模型131进行计算后得到的关于所述起源点的起源点信息也可以存储于所述存储子单元。
本发明的一些实施例中,定位子单元122获得的所述异常波特征点的值可以利用异常波数组表示,所述异常波数组中的元素与所述异常波特征点的值一一对应。类似的,所述全局波特征点的值也可以利用全局波数组表示,所述全局波数组中的元素与所述全局波特征点的值一一对应。进而,可以利用计算子单元123可以将所述异常波数组和/或所述全局波数组输入至判断模型131中进行计算。以下以提取自12导联心电图的心电数据以及所述心律失常为室早为例,对上述异常波数组和全局波数组进行说明。
对于提取自12导联心电图的心电数据,与室早有关的异常波特征点包括以下6项:异常QRS波方向、异常QRS波类型、异常QRS波幅度、异常QRS波时限、异常PR间期、异常QTc间期,从而,与室早有关的异常波数组可以利用一个12行6列的数组A[12][6]表示,可以定义数组A[12][6]中的第1行至第12行分别对应来自导联Ⅰ、导联Ⅱ、导联Ⅲ、导联aVR、导联aVL、导联aVF、导联V1、导联V2、导联V3、导联V4、导联V5及导联V6的异常波特征点的值,并定义数组A[12][6]的第1列至第6列分别为上述6项异常波特征点的值,使得数组A[12][6]中的元素与分析单元120所获得的与室早有关的异常波特征点的值一一对应,所述异常波特征点的值可利用以下方法得到。
异常QRS波方向可以定义为取以下三个值之一:1(代表异常QRS波方向向上)、0(代表异常QRS波方向为等电位)以及-1(代表异常QRS波方向向下)。
异常QRS波包括以下类型:qR,qRs,Rs,R,rsR,Rr,rs,RS,rSr,Qr,QS和QR,与不同类型对应,异常QRS波的类型可以是如表一所示的数字1至12之一。
表一
数字 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
类型 | qR | qRs | Rs | R | rsR | Rr | rs | RS | rSr | Qr | QS | QR |
上述异常QRS波幅度、异常QRS波时限、异常PR间期、异常QTc间期的值可以从与室早对应的心电数据中获取,也可以根据需要对所述心电数据进行处理后再获取。一些实施例中,异常QRS波幅度在导联V1指的是QRS波幅度大于1.0mV(即RV1>1.0mV),在导联V5指的是QRS波幅度大于2.5mv(即RV5>2.5mV)。异常QRS波时限指的是QRS时限大于0.12s。异常PR间期指的是PR间期大于0.2s。异常QTc间期指的是QTc间期大于400ms。但不限于此,上述阈值也可以根据需要设定。
利用上述方法,则可以得到如下方所示的异常波数组A[12][6],其中每个数组元素和分析单元120所获取的与室早有关的异常波特征点的值一一对应。
类似的,所述全局波特征点的值可以通过一全局波数组表示。仍以12导联心电图为例,所述全局波特征点包括以下13项:心率、P波方向、P波幅度、P波时限、全局QRS波方向、全局QRS波类型、全局QRS波幅度、全局QRS波时限、T波方向、T波幅度、T波时限、全局PR间期、全局QTc间期,从而,与正常心律有关的全局波数组可以利用一个12行13列的数组B[12][13]表示,可以定义数组B[12][13]的第1行至第12行分别对应导联Ⅰ、导联Ⅱ、导联Ⅲ、导联aVR、导联aVL、导联aVF、导联V1、导联V2、导联V3、导联V4、导联V5及导联V6,并定义数组B[12][13]的第1列至第13列分别对应上述13项全局波特征点的值,使得数组B[12][13]中的元素与分析单元120所获得的全局波特征点的值一一对应,所述全局波特征点的值可利用以下方法得到。
全局QRS波方向可以定义为取以下三个值之一:1(代表全局QRS波方向向上)、0(代表全局QRS波方向为等电位)以及-1(代表全局QRS波方向向下)。
全局QRS波类型的值也可以按照如表一所示定义为取数字1至12之一,1至12分别代表不同的全局QRS波类型。
心率、P波方向、P波幅度、P波时限、全局QRS波幅度、全局QRS波时限、T波方向、T波幅度、T波时限、全局PR间期以及全局QTc间期的值可以通过全局波的波形数据利用本领域公开的方法获取,也可以根据需要对全局波的波形数据进行处理后再获取。
利用上述方法,则可以得到如下方所示的全局波数组B[12][13],其中每个数组元素和分析单元120所获取的全局波特征点的值一一对应。
接下来对本发明实施例的模型配置单元130以及判断模型131进行描述。
模型配置单元120用于设置判断模型131。具体的,模型配置单元120可以设置一个或多个判断模型131。
具体的,一些实施例中,根据引起所述心律失常的起源在心脏中的区域不同,可以设置多个起源点类别,所述多个起源点类别体现了引起所述心律失常的起源在心脏中的多个可能区域,也即,上述心律失常的起源点可以包括所述多个起源点类别中的至少一个。
本发明实施例中,所述多个起源点类别可以包括左心室、右心室下前壁、右心室下后壁、希氏束、右心室流出道游离壁偏前、右心室流出道游离壁偏后、右心室流出道游离壁中间、右心室流出道间隔壁偏前、右心室流出道间隔壁偏后、右心室流出道间隔壁中间以及不属于以上列出的任何一种的其他情况。
一些实施例中,判断模型131可以包括多个起源点类别,每个起源点类别可以与一个或多个判断指标相关联,所述判断指标用于对输入判断模型131的心电数据进行判断,例如,每个所述判断指标用于判断输入的所述异常波特征点和/或全局波特征点的值是否满足某个条件,通过一个或多个判断指标对输入判断模型131的心电数据进行判断,有助于获得关于所述起源点的起源点信息。
具体的,判断模型131可以是特征分类模型、概率比较模型以及神经网络分类模型中的至少一种。
图3是本发明实施例的特征分类模型的示意图。所述特征分类模型利用多个触发指令和多个所述判断指标对输入所述判断模型的心电数据进行归类,即可将不同的所述心电数据分至不同的起源点类别;当输入所述判断模型的心电数据满足与所述多个起源点类别中的一个特定起源点类别所对应的全部所述判断指标时,则所述起源点为所述特定起源点类别,所述起源点信息为与所述特定起源点类别相关联的信息。此处“触发指令”指的将所述异常波特征值代入所述判断指标中进行判断并根据判断结果进行逐步处理直至将所述异常波特征点的值归类至某一个起源点类别的执行步骤(或方法)。例如,触发指令可以包括多个如“当所述判断结果为是时,则对下一个判断指标进行判断(或者输出某一起源点类别)”以及“当所述判断结果为否时,则对下一个判断指标进行判断(或者输出某一起源点类别)”的命令。
接下来仍以室早为例,结合上面列出的多个起源点类别对本发明实施例的特征分类模型进行说明。
参照图3,用于判断室早的起源点的特征分类模型包括诸如“导联V1的QRS波方向向上”、“导联V4、导联V5或导联V6的异常QRS波方向为等电位”等判断指标。
具体的,可以将上述异常波数组A[12][6]和全局波数组B[12][13]输入至所述特征分类模型进行计算。参照图3,特征分类模型获得关于室早的起源点的起源点信息的方法包括以下步骤:
步骤S10:判断异常波特征点的值是否满足判断指标“导联V1的QRS波方向向上”。对于上述异常波数组A[12][6],即判断是否满足A[7][1]=1(即位于第7行第1列的元素为1),若是,则执行步骤S20,若否,输出“起源点为左心室”,即将起源点类别“左心室”作为所述心律失常的起源点,“起源点为左心室”作为起源点信息输出。
步骤S20:判断异常波特征点的值是否满足判断指标“导联V4、导联V5或导联V6的异常QRS波方向为等电位”。对于上述异常波数组A[12][6],即判断是否满足A[10][1]=0或A[11][1]=0或A[12][1]=0,若是,则执行步骤S30,若否,则执行步骤S21。
步骤S21:判断异常波特征点的值是否满足判断指标“导联V1、导联V2的QRS波宽度指数<0.5,或QRS波振幅指数<0.3”,此处“QRS波宽度指数”指的是两个导联的异常QRS波时限的比值,“QRS波振幅指数”指的是两个导联的异常QRS波幅度的比值。对于上述异常波数组A[12][6],即判断是否满足A[7][4]/A[8][4]<0.5或A[7][4]/A[8][4]<0.3,若是,则输出“其他”(本实施例中,对应于所述起源点类别为其他情况);若否,则输出“起源点为左心室”。
步骤S30:判断异常波特征点的值是否满足判断指标“导联Ⅱ和导联aVF呈s波”,此处“s波”指的是表一中的rs波或RS波。对于上述异常波数组A[12][6],即判断是否满足A[2][2]=(7或8)且A[6][2]=(7或8),若是,则执行步骤S31,若否,则执行步骤S40。
步骤S31:判断异常波特征点的值是否满足判断指标“导联V2、导联V3、导联V4呈s波”,此处“s波”指的是表一中的rs波或RS波。对于上述异常波数组A[12][6],即判断是否满足A[8][2]=(7或8)且A[9][2]=(7或8)且A[10][2]=(7或8),若是,则输出“起源点为右心室下前壁”,若否,则输出“起源点为右心室下后壁”。
步骤S40:判断异常波特征点的值是否满足判断指标“aVL导联呈R’r或rSR”。对于上述异常波数组A[12][6],即判断是否满足A[4][2]=5或6,若是,则输出“起源点为希氏束”,若否,则执行步骤S50。
步骤S50:判断异常波特征点和全局波特征点的值是否满足判断指标“导联Ⅱ的QRS波时限比值大于1.9”。对于上述异常波数组A[12][6]和全局波数组B[12][13],即判断是否满足A[2][4]/B[2][8]>1.9,若是,则执行步骤S51,若否,则执行步骤S52。
上述步骤S50中,步骤S51包括:判断异常波特征点的值是否满足判断指标“导联Ⅰ呈QS”,对于上述异常波数组A[12][6],即判断是否满足A[1][6]=11,若是,则输出“起源点为右心室流出道游离壁偏前”,若否,则进一步判断异常波特征点的值是否满足判断指标“导联I呈qR或等电位”,对于上述异常波数组A[12][6],即判断是否满足A[1][2]=1或A[1][1]=0,若是,则输出“起源点为右心室流出道游离壁偏后”,若否,则输出“起源点为右心室流出道游离壁中间”。
上述步骤S50中,步骤S52包括:判断异常波特征点的值是否满足判断指标“导联Ⅰ呈QS”,对于上述异常波数组A[12][6],即判断是否满足A[1][6]=11,若是,则输出“起源点为右心室流出道间隔壁偏前”,若否,则进一步判断异常波特征点的值是否满足判断指标“I导联呈qR或等电位”,对于上述异常波数组A[12][6],即判断是否满足A[1][2]=1或A[1][1]=0,若是,则输出“起源点为右心室流出道间隔壁偏后”,若否,则输出“起源点为右心室流出道间隔壁中间”。
根据上述步骤S10至步骤S52,通过将心电数据输入特征分类模型进行计算并分类,可以得到有关对应的心律失常起源点的起源点信息。
图4是本发明实施例的概率比较模型的示意图。所述概率比较模型利用多个权重函数表示在每个所述起源点类别发生所述心律失常的概率;输入所述概率比较模型的心电数据分别被代入所述多个权重函数进行计算以得到概率最高的一个或几个所述起源点类别;则所述起源点为所述概率最高的一个或几个所述起源点类别,所述起源点信息为与所述概率最高的一个或几个所述起源点类别相关联的信息。接下来参照图4对概率比较模型作进一步说明。
具体的,概率比较模型可包括权重函数1、权重函数2、权重函数3、...、权重函数n,分别对应于起源点类别1、起源点类别2、...、起源点类别n,其中n为大于等于1的整数。即权重函数与起源点类别一一对应,每个起源点类别可与一个或多个判断指标相关联,所述判断指标用于对输入概率比较模型的心电数据进行判断。
权重函数可以利用与对应的起源点类别相关联的所述判断指标的值与对应的权重系数的乘积之和表示,如式(2)所示。
权重函数n=权重系数1×判断指标1的值+权重系数2×第二判断指标2的值+...+权重系数m×判断指标m的值 (2)
其中,判断指标1、判断指标2、...判断指标m指的是与权重函数n对应的起源点类别n有关的判断指标,m为大于等于1的整数。
判断指标m的值可以利用以下方法定义:当输入所述概率比较模型的心电数据满足判断指标m时,判断指标m的值为1;当所输入的异常波特征点的值不满足判断指标m时,判断指标m的值为0。但是,判断指标m的值的定义方法不限于此,本领域技术人员可以根据需要选择统一的标准,只要所得到的权重函数n能够反映在对应的起源点类别n发生所述心律失常的概率即可。
为了反映某一个判断指标在对应的权重函数中所占的权重(或贡献),对于每个判断指标,可乘以一权重系数(如式(2)中的权重系数1、...、权重系数m)。不同判断指标的权重系数可以不同,权重系数的初始值可以依据医生的经验设置,也可以从现有数据中获得,在使用过程中可以对所述权重系数进行修正。
权重系数的设置方式例如是定量统计法、专家评定法或对偶比较法。此处“定量统计法”指的是基于各个判断指标与权重函数的关联程度对权重系数进行设置,“专家评定法”指的是基于专家和/或教科书的知识或经验对权重系数进行设置,“对偶比较法”指的是对与某一起源点类别相关联的多个判断指标进行两两比较,设置各个判断指标与在对应的起源点类别发生所述心律失常的概率关联的比例(所述比例的初始值例如根据医生的经验分配获得),从而得到每个判断指标在权重函数中对应的权重系数。
接下来仍以室早为例,对与起源点类别“右室流出道游离壁偏前”对应的权重函数进行说明。起源点类别“右室流出道游离壁偏前”可以包括如表二中的六个判断指标,表二还示出了利用对偶比较法得到的每个判断指标的权重系数。
利用表二示出的判断指标及权重系数,可知,起源点类别“右室流出道游离壁偏前”对应的权重函数=(0.22×判断指标1的值+0.15×判断指标2的值+0.20×判断指标3的值+0.17×判断指标4的值+0.14×判断指标5的值+0.11×判断指标6的值),判断指标1至6分别指的是表二中第2行至第7行的判断指标。
表二
利用对偶比较法设置权重函数时,对于一个起源点类别,优选采用大于或等于五个判断指标设置对应的权重函数,更佳的,利用不小于十个的判断指标设置对应的权重函数。在对与某一起源点类别对应的全部判断指标进行两两判断分配比例时,若根据医生的经验进行两两判断,则可以采用至少五个医生的分配结果,并通过每个医生的分配结果得到某个判断指标的权重系数之后,取多个权重系数的平均值作为该判断指标对应的权重系数,目的是提高权重系数的准确程度。需要说明的是,所述判断指标可以不限于作为示例提供的室早有关的上述判断指标,所述判断指标还可以包括来自教科书或者心电图专家的经验所获取的判断指标。
利用类似的方法,可以得到与所述心律失常有关的全部起源点类别对应的权重函数。
参照图4,一些实施例中,当利用概率比较模型进行判断时,首先执行步骤S210,将异常波特征点和全局波特征点的值输入至概率比较模型(例如以上述异常波数组和全局波数组的形式输入);接着执行步骤S220,将输入概率比较模型的心电数据代入与全部起源点类别对应的多个权重函数进行计算,以得到在每个起源点类别发生所述心律失常的概率;再接着执行步骤S230,对所得到的多个概率进行大小排序,从而获得最高的一个或几个概率;然后以所述概率最高的一个或几个所述起源点类别作为所述起源点,并以与所述概率最高的一个或几个所述起源点类别相关联的信息作为对应的起源点信息输出。所述概率越大,在对应的起源点类别发生所述心律失常的几率越高,当输出的起源点信息与多个起源点类别相关联时,可以由医生再次进行比较和选择。
图5是本发明实施例的神经网络分类模型的示意图。所述神经网络分类模型通过训练神经网络获得心电数据的集合与起源点类别的集合之间的函数关系,并对输入所述神经网络分类模型的心电数据进行检验并归类,所述神经网络分类模型将通过归类得到的所述起源点类别作为所述起源点,所输出的起源点信息为与所述通过归类得到的所述起源点类别相关联的信息。接下来参照图5对神经网络分类模型进行说明。
具体的,通过所述神经网络分类模型获得所述起源点信息的方法可包括以下步骤:
步骤S310:建立样本训练空间,确定检验样本和验证样本。
样本训练空间的训练样本可以由医生提供或者选自一数据存储器,所述训练样本优选包含有判断指标和起源点类别的心电数据;例如,对于每个起源点类别可提供大于或等于100组的12导联心电图,然后分析单元120通过对每一组心电图的异常波特征点和/或全局波特征点进行定位,得到异常波特征点和/或全局波特征点的值的集合,所述集合可设X,X={xi∣i=1,2,3,……},其中,xi为第i组异常波特征点和/或全局波特征点的值,i≧100;每个xi可以对应一个起源点类别,设为yi,则集合X可以映射到一个起源点类别集合Y={yi∣i=1,2,3,……},即得到映射函数y=г(x),从而得到了X映射Y的样本训练空间。
此外,步骤S310还可包括设置检验样本为X',即检验用的验证样本空间,并设置验证样本为Y',即对应的验证样本期望输出空间。
步骤S320:确定神经网络结构。所述神经网络结构可包括输入层(对应于输入神经网络分类模型的心电数据的集合X),输出层(对应于起源点类别的集合Y)以及隐藏层,所述隐藏层例如包括X映射Y的映射函数。
步骤S320还可包括确定神经元的激活函数(activation function),可以使用Logistic函数作为所述激活函数,如式(3)所示。
在另外一些实施例中,神经元的激活函数也可以是其他函数,例如阈值函数(threshold function)。
步骤S330:训练神经网络,即进行数据训练。可以使用样本训练空间、检验样本X'和对应的验证样本期望输出空间Y'进行训练和检验,例如当检验的正确率超过98%时,停止训练。
步骤S340:获得函数关系。通过上述步骤可得到权重w和偏置项b确定的神经网络y=г(x;w,b),从而可以对不同的起源点类别进行分类。
步骤S350:输入心电数据进行检验并归类。具体的,对分析单元120可以将上述异常波特征点和/或全局波特征点的值输入上述神经网络进行检验并归类。
步骤S360:输出所述起源点信息,即与所述通过归类得到的所述起源点类别相关联的信息。
因此,分析单元120对提取的心电数据进行处理并输入至判断模型131进行计算,可以得到所述心律失常对应的起源点类别,进而获得关于所述心律失常的起源点的起源点信息。
输出单元140可以将分析单元120得到的所述起源点信息输出至一终端,所述终端可以是一具有显示模块的计算机系统。判断装置100还可以与医疗记录服务器连接,所述医疗记录服务器也可以作为输出模块140输出的终端,从而所述起源点信息可被输出至医疗记录服务器。
关于心律失常起源点的起源点信息可以以文字、图像或语音中的一种或多种形式显示。一些实施例中,通过所述终端可以显示一心脏模型,从而可将所述起源点信息以箭头或者色块的形式标注于所述心脏模型上。所述心脏模型优选是三维心脏模型,具体的可以是标准心脏模型、建模心脏模型或CT匹配心脏模型。此处“标准心脏模型”指的是由终端的其他应用提供的可显示心脏中多个起源点类别的心脏模型,“建模心脏模型”指的是基于已有信息对全心脏或部分心脏进行建模得到的心脏模型,“CT匹配心脏模型”指的是将患者心脏的CT图像与标准心脏模型或建模心脏模型进行配准之后所得到的三维心脏模型。
本发明的实施例还包括一种标测系统。图6是本发明实施例的标测系统的示意图。图7是本发明的实施例的标测系统在标测过程中的示意图。参照图6和图7,标测系统200包括:心电采集模块210,用于采集患者的心电数据;标测模块220,用于判断心律失常的起源点并根据关于所述起源点的起源点信息对患者的心脏进行标测,其中,所述标测模块包括上述判断装置100。
心电采集模块210对患者体表的心电数据进行采集,采集装置例如是8导联心电系统、12导联心电系统或20导联心电系统。心电采集模块210可以通过在患者体表放置的心电图导联线211实时地获得患者的心电活动。
标测模块220还可以包括定位装置221,用于对标测区域进行定位。结合判断装置100,在进行标测之前,可以利用判断装置100对心律失常的起源点进行判断,得到起源点的判断结果,医生可以根据所述起源点信息反映的心律失常起源点的判断结果,控制或指示定位装置221操纵标测导管222到包括起源点的心脏重点区域进行标测,从而可以节省标测时间。
标测系统200还可以包括显示模块230,显示模块230可以显示心律失常的起源点信息,也可以显示标测过程。
标测系统200还可以包括CT图像处理模块240,用于对患者的心脏的CT图像进行识别,并与标准心脏模型或建模心脏模型进行配准,从而获得CT匹配心脏模型。
综上所述,利用本发明实施例的判断装置,能够使医生在手术前或手术过程中及时了解心律失常的起源点信息,从而可直接对所述起源点信息反映的与起源点对应的心内区域进行重点标测,可节省标测时间,提高手术效率,并且本发明实施例的判断装置可利用统一的判断模型对起源点进行判断,有利于心内标测技术的规范化和推广。
本发明的标测系统可以是三维标测系统,标测模块包括心率失常起源点的判断装置,通过提取预定时间段内的心电数据进行处理并输入判断模型中计算,可以得到关于心律失常起源点的起源点信息并输出。所述起源点信息有助于医生及时了解心内标测的重点区域,从而可减少标测时间,提高手术效率。
上述描述仅是对本发明较佳实施例的描述,并非对本发明权利范围的任何限定,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (13)
1.一种心律失常起源点的判断装置,用于判断心律失常的起源点,其特征在于,所述判断装置包括:
数据提取单元,用于提取预定时间段内的心电数据;
分析单元,用于对所述心电数据进行处理并输入至判断模型进行计算以得到关于所述起源点的起源点信息,其中,所述判断模型包括多个起源点类别,每个所述起源点类别与一个或多个判断指标相关联,所述判断指标用于对输入所述判断模型的心电数据进行判断,并且所述起源点包括所述多个起源点类别中的至少一个;所述判断模型为特征分类模型,所述特征分类模型利用多个触发指令和多个所述判断指标对输入所述判断模型的心电数据进行归类,当输入所述特征分类模型的心电数据满足与所述多个起源点类别中的一个特定起源点类别所对应的全部所述判断指标时,所述起源点为所述特定起源点类别,所述起源点信息为与所述特定起源点类别相关联的信息;
模型配置单元,用于设置所述判断模型;以及
输出单元,用于输出所述起源点信息;
所述分析单元包括预处理子单元、定位子单元和计算子单元;所述预处理子单元用于对所述心电数据进行预处理;所述定位子单元用于从经过所述预处理之后的所述心电数据中得到至少一个异常波特征点以及所述异常波特征点的值,所述异常波特征点与所述心律失常有关;所述计算子单元用于将所述异常波特征点的值输入至所述判断模型进行计算。
2.一种心律失常起源点的判断装置,用于判断心律失常的起源点,其特征在于,所述判断装置包括:
数据提取单元,用于提取预定时间段内的心电数据;
分析单元,用于对所述心电数据进行处理并输入至判断模型进行计算以得到关于所述起源点的起源点信息,其中,所述判断模型包括多个起源点类别,每个所述起源点类别与一个或多个判断指标相关联,所述判断指标用于对输入所述判断模型的心电数据进行判断,并且所述起源点包括所述多个起源点类别中的至少一个;所述判断模型为概率比较模型,所述概率比较模型利用多个权重函数表示在每个所述起源点类别发生所述心律失常的概率,输入所述概率比较模型的心电数据分别被代入所述多个权重函数进行计算以得到概率最高的一个或几个所述起源点类别,所述起源点为所述概率最高的一个或几个所述起源点类别,所述起源点信息为与所述概率最高的一个或几个所述起源点类别相关联的信息,每个所述权重函数包括与对应的所述起源点类别相关联的所述判断指标的值与对应的权重系数的乘积之和,所述权重系数反映了与之相乘的所述判断指标在对应的所述权重函数中所占的权重;
模型配置单元,用于设置所述判断模型;以及
输出单元,用于输出所述起源点信息;
所述分析单元包括预处理子单元、定位子单元和计算子单元;所述预处理子单元用于对所述心电数据进行预处理;所述定位子单元用于从经过所述预处理之后的所述心电数据中得到至少一个异常波特征点以及所述异常波特征点的值,所述异常波特征点与所述心律失常有关;所述计算子单元用于将所述异常波特征点的值输入至所述判断模型进行计算。
3.如权利要求1或2所述的判断装置,其特征在于,所述异常波特征点包括异常QRS波方向、异常QRS波类型、异常QRS波幅度、异常QRS波时限、异常PR间期、异常QTc间期。
4.如权利要求1或2所述的判断装置,其特征在于,所述定位子单元还用于从经过所述预处理之后的所述心电数据中得到至少一个全局波特征点以及所述全局波特征点的值,所述全局波特征点包括心率、P波方向、P波幅度、P波时限、全局QRS波方向、全局QRS波类型、全局QRS波幅度、全局QRS波时限、T波方向、T波幅度、T波时限、全局PR间期、全局QTc间期,所述全局波特征点与正常心律有关;所述计算子单元还用于将所述全局波特征点的值输入至所述判断模型进行计算。
5.如权利要求1或2所述的判断装置,其特征在于,所述计算子单元用于将一异常波数组输入至所述判断模型,所述异常波数组的元素与所述异常波特征点的值一一对应。
6.如权利要求1或2所述的判断装置,其特征在于,所述多个起源点类别包括左心室、右心室下前壁、右心室下后壁、希氏束、右心室流出道游离壁偏前、右心室流出道游离壁偏后、右心室流出道游离壁中间、右心室流出道间隔壁偏前、右心室流出道间隔壁偏后以及右心室流出道间隔壁中间。
7.如权利要求2所述的判断装置,其特征在于,所述权重系数利用定量统计法、专家评定法或对偶比较法设置。
8.如权利要求1或2所述的判断装置,其特征在于,所述输出单元将所述起源点信息输出至一终端,通过所述终端显示出一心脏模型,所述起源点信息被标注于所述心脏模型上。
9.如权利要求8所述的判断装置,其特征在于,所述心脏模型为标准心脏模型、建模心脏模型或CT匹配心脏模型。
10.如权利要求1或2所述的判断装置,其特征在于,所述心电数据选自8导联心电图、12导联心电图或20导联心电图。
11.如权利要求1或2所述的判断装置,其特征在于,所述心律失常为室性心脏早搏。
12.一种标测系统,用于对患者的心脏进行标测,其特征在于,所述标测系统包括:
心电采集模块,用于采集患者的心电数据;以及
标测模块,用于判断心律失常的起源点并对患者的心脏进行标测;
其中,所述标测模块包括如权利要求1至11任一项所述的判断装置。
13.如权利要求12所述的标测系统,其特征在于,所述标测系统还包括:
显示模块,用于显示关于所述起源点的起源点信息;和/或
CT图像处理模块,用于对患者的心脏CT图像进行识别,并与标准心脏模型或建模心脏模型进行配准,形成CT匹配心脏模型。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810765127.0A CN109091138B (zh) | 2018-07-12 | 2018-07-12 | 心律失常起源点的判断装置及标测系统 |
US17/259,726 US20210338135A1 (en) | 2018-07-12 | 2019-06-28 | Determining device and mapping system for origin of arrhythmia |
EP19835103.3A EP3821801A4 (en) | 2018-07-12 | 2019-06-28 | DETERMINATION DEVICE AND MAPPING SYSTEM OF THE ORIGIN OF ARRHYTHMIA |
PCT/CN2019/093836 WO2020011033A1 (zh) | 2018-07-12 | 2019-06-28 | 心律失常起源点的判断装置及标测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810765127.0A CN109091138B (zh) | 2018-07-12 | 2018-07-12 | 心律失常起源点的判断装置及标测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109091138A CN109091138A (zh) | 2018-12-28 |
CN109091138B true CN109091138B (zh) | 2021-10-26 |
Family
ID=64846261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810765127.0A Active CN109091138B (zh) | 2018-07-12 | 2018-07-12 | 心律失常起源点的判断装置及标测系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210338135A1 (zh) |
EP (1) | EP3821801A4 (zh) |
CN (1) | CN109091138B (zh) |
WO (1) | WO2020011033A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109091138B (zh) * | 2018-07-12 | 2021-10-26 | 上海微创电生理医疗科技股份有限公司 | 心律失常起源点的判断装置及标测系统 |
US11198004B2 (en) * | 2019-04-11 | 2021-12-14 | Biosense Webster (Israel) Ltd. | Goal-driven workflow for cardiac arrhythmia treatment |
CN111358460A (zh) * | 2020-03-03 | 2020-07-03 | 京东方科技集团股份有限公司 | 心律失常的识别方法、装置及电子设备 |
US11869208B2 (en) * | 2020-03-16 | 2024-01-09 | Taipei Veterans General Hospital | Methods, apparatuses, and computer programs for processing pulmonary vein computed tomography images |
CN113796871A (zh) * | 2020-05-29 | 2021-12-17 | 上海微创电生理医疗科技股份有限公司 | 信号处理方法、装置、计算机设备、存储介质及标测系统 |
US20210378579A1 (en) * | 2020-06-04 | 2021-12-09 | Biosense Webster (Israel) Ltd. | Local noise identification using coherent algorithm |
CN113598782A (zh) * | 2021-08-02 | 2021-11-05 | 储慧民 | 预测室性心律失常起源位置的系统、电子设备和存储介质 |
WO2023186533A1 (en) * | 2022-03-30 | 2023-10-05 | Koninklijke Philips N.V. | Repeated intermittent ecg event detection |
Citations (4)
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 |
CN104783782A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号自动检测方法及装置 |
CN105960200A (zh) * | 2014-02-25 | 2016-09-21 | 圣犹达医疗用品心脏病学部门有限公司 | 用于使用电生理性质来对心律失常源进行分类的系统和方法 |
CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
Family Cites Families (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6312388B1 (en) * | 1999-03-12 | 2001-11-06 | Cardiac Pacemakers, Inc. | Method and system for verifying the integrity of normal sinus rhythm templates |
US7058443B2 (en) * | 2001-04-26 | 2006-06-06 | Medtronic, Inc. | Diagnostic features in biatrial and biventricular pacing systems |
US7792563B2 (en) * | 2006-03-16 | 2010-09-07 | Massachusetts Institute Of Technology | Method and apparatus for the guided ablative therapy of fast ventricular arrhythmia |
US20080013747A1 (en) * | 2006-06-30 | 2008-01-17 | Bao Tran | Digital stethoscope and monitoring instrument |
US7907994B2 (en) * | 2007-01-11 | 2011-03-15 | Biosense Webster, Inc. | Automated pace-mapping for identification of cardiac arrhythmic conductive pathways and foci |
US7715907B2 (en) * | 2007-03-02 | 2010-05-11 | Siemens Medical Solutions Usa, Inc. | Method and system for atrial fibrillation analysis, characterization, and mapping |
CA2942993A1 (en) * | 2008-10-09 | 2010-04-15 | The Regents Of The University Of California | Methods, system and apparatus for the detection, diagnosis and treatment of biological rhythm disorders |
US9392948B2 (en) * | 2011-12-09 | 2016-07-19 | The Regents Of The University Of California | System and method of identifying sources for biological rhythms |
US8340766B2 (en) * | 2010-10-07 | 2012-12-25 | St. Jude Medical, Atrial Fibrillation Division, Inc. | Method and system for identifying cardiac arrhythmia driver sites |
US8165666B1 (en) * | 2011-05-02 | 2012-04-24 | Topera, Inc. | System and method for reconstructing cardiac activation information |
CN102512157B (zh) * | 2011-12-15 | 2014-08-20 | 重庆大学 | 基于模型的动态心电图t波交替定量分析方法 |
CN103202727B (zh) * | 2012-01-12 | 2015-11-25 | 通用电气公司 | 非侵入式心律失常治疗系统 |
CN102579034B (zh) * | 2012-02-28 | 2013-12-11 | 中国人民解放军总医院 | 房室旁道和房性心律失常的定位装置 |
US8923959B2 (en) * | 2012-08-27 | 2014-12-30 | Birinder Robert Boveja | Methods and system for real-time cardiac mapping |
JP6215341B2 (ja) * | 2012-11-29 | 2017-10-18 | カーディアック ペースメイカーズ, インコーポレイテッド | 不整脈を識別するための方法及びシステム |
JP2016501640A (ja) * | 2012-12-20 | 2016-01-21 | ボストン サイエンティフィック サイムド,インコーポレイテッドBoston Scientific Scimed,Inc. | 時系列パターンマッチングを用いたロータ特定 |
WO2014182965A1 (en) * | 2013-05-08 | 2014-11-13 | Cardioinsight Technologies, Inc. | Analysis and detection for arhythmia drivers |
EP3033002A4 (en) * | 2013-08-12 | 2017-04-05 | Intelomed, Inc | Methods for monitoring and analyzing cardiovascular states |
US9642674B2 (en) * | 2013-09-12 | 2017-05-09 | Biosense Webster (Israel) Ltd. | Method for mapping ventricular/atrial premature beats during sinus rhythm |
KR20150113700A (ko) * | 2014-03-31 | 2015-10-08 | 삼성전자주식회사 | 진단 시스템 및 방법 |
CN104523266B (zh) * | 2015-01-07 | 2017-04-05 | 河北大学 | 一种心电信号自动分类方法 |
US20160287183A1 (en) * | 2015-03-31 | 2016-10-06 | Xerox Corporation | Classifying a time-series signal as ventricular premature contraction |
CN108601547A (zh) * | 2015-10-21 | 2018-09-28 | 皮斯投资公司 | 心脏病的确定方法、机器人控制和系统 |
US10319144B2 (en) * | 2015-12-22 | 2019-06-11 | The Regents Of The University Of California | Computational localization of fibrillation sources |
EP3400056B1 (en) * | 2016-01-08 | 2020-05-06 | Cardiac Pacemakers, Inc. | Obtaining high-resolution information from an implantable medical device |
US10517496B2 (en) * | 2016-01-14 | 2019-12-31 | Biosense Webster (Israel) Ltd. | Region of interest focal source detection |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
CN105796094B (zh) * | 2016-05-13 | 2018-07-06 | 浙江大学 | 一种基于ecgi的室性早搏异常激动点定位方法 |
US10342445B2 (en) * | 2016-11-03 | 2019-07-09 | Medtronic Monitoring, Inc. | Method and apparatus for detecting electrocardiographic abnormalities based on monitored high frequency QRS potentials |
CN106691438B (zh) * | 2016-12-07 | 2022-05-31 | 首都医科大学附属北京安贞医院 | 用于复杂心律失常的整体心脏三维标测系统 |
JP7093776B2 (ja) * | 2017-01-13 | 2022-06-30 | セント・ジュード・メディカル,カーディオロジー・ディヴィジョン,インコーポレイテッド | 心室性期外収縮電気生理学マップを生成するためのシステムと方法 |
CN107007279B (zh) * | 2017-03-17 | 2019-11-05 | 浙江大学 | 一种基于堆栈式自编码器的无创心内异常激动点定位方法 |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
EP3742967A1 (en) * | 2018-01-23 | 2020-12-02 | Jie Cheng | Precise localization of cardiac arrhythmia using internal electrocardiograph (ecg) signals sensed and stored by implantable device |
US20190328335A1 (en) * | 2018-04-26 | 2019-10-31 | Vektor Medical, Inc. | Bootstrapping a simulation-based electromagnetic output of a different anatomy |
CN109091138B (zh) * | 2018-07-12 | 2021-10-26 | 上海微创电生理医疗科技股份有限公司 | 心律失常起源点的判断装置及标测系统 |
-
2018
- 2018-07-12 CN CN201810765127.0A patent/CN109091138B/zh active Active
-
2019
- 2019-06-28 WO PCT/CN2019/093836 patent/WO2020011033A1/zh unknown
- 2019-06-28 EP EP19835103.3A patent/EP3821801A4/en active Pending
- 2019-06-28 US US17/259,726 patent/US20210338135A1/en active Pending
Patent Citations (4)
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 |
CN105960200A (zh) * | 2014-02-25 | 2016-09-21 | 圣犹达医疗用品心脏病学部门有限公司 | 用于使用电生理性质来对心律失常源进行分类的系统和方法 |
CN104783782A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号自动检测方法及装置 |
CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210338135A1 (en) | 2021-11-04 |
EP3821801A1 (en) | 2021-05-19 |
WO2020011033A1 (zh) | 2020-01-16 |
CN109091138A (zh) | 2018-12-28 |
EP3821801A4 (en) | 2021-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109091138B (zh) | 心律失常起源点的判断装置及标测系统 | |
CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
US20190090774A1 (en) | System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks | |
US20220233129A1 (en) | Method for constructing intracardiac abnormal activation point location model based on cnn and lstm | |
EP1794694B1 (en) | Method of medical monitoring | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
CN108720831B (zh) | 一种基于导联深度神经网络的自动心律失常分析方法 | |
US20100217144A1 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
CN108937912B (zh) | 一种基于深度神经网络的自动心律失常分析方法 | |
JP7299636B2 (ja) | 心電図信号の分類データを提供する方法及びその電子装置 | |
CN111329469A (zh) | 一种心律异常预测方法 | |
CN111759304B (zh) | 心电图异常识别方法、装置、计算机设备和存储介质 | |
CN112906748A (zh) | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 | |
CN113901893A (zh) | 基于多重级联深度神经网络的心电信号的识别与分类方法 | |
WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN112869753B (zh) | 一种针对心电图qrst波形的分析方法、设备、介质和心电图仪 | |
CN112508902A (zh) | 白质高信号分级方法、电子设备及存储介质 | |
Gillette et al. | Medalcare-xl: 16,900 healthy and pathological 12 lead ecgs obtained through electrophysiological simulations | |
CN116236208A (zh) | 一种基于人体体表特征的多导联心电电极贴片定位方法 | |
CN110517783B (zh) | 模型训练方法、装置以及心脏疾病诊断装置、设备、介质 | |
CN113990499A (zh) | 一种心脏年龄评估方法、装置、电子设备及存储介质 | |
CN113647954A (zh) | 双通道混合网络模型的心血管疾病识别方法、装置及介质 | |
CN113171102A (zh) | 基于持续深度学习的ecg数据分类方法 |
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 |