CN109431487A - 心电图动态实时分析数据中室性心搏典型数据的识别方法 - Google Patents

Abstract

本发明实施例涉及一种心电图动态实时分析数据中室性心搏典型数据的识别方法,包括：对被监测者的动态心电图数据进行心搏检测处理，确定动态心电图数据包括的多个心搏数据；基于AI心搏分类模型对动态心电图数据包括的多个心搏数据进行识别，得到多个室性心搏数据；以各室性心搏数据的QRS波群起点为基准点建立基线；以基准点和基线为基准，对多个室性心搏数据进行数据叠加处理，得到室性心搏的第一心搏数据集合；确定第一心搏数据集合中，各心搏数据中特征点所在的中心数据区域；在中心数据区域进行样本数据选取，得到所需数量的心搏数据作为样本数据；对每个样本数据进行心搏片断截取处理，得到心电图动态实时分析数据中室性心搏的典型数据。

Description

心电图动态实时分析数据中室性心搏典型数据的识别方法

技术领域

本发明涉及人工智能数据分析的技术领域，尤其涉及一种心电图动态实时分析数据中室性心搏典型数据的识别方法。

背景技术

众所周知，心电图是各种心血管疾病最简单、快捷和经济的临床检查方法，是心血管疾病检验的基石。其中，动态心电图(Dynamic Electrocardiography，DCG)技术于1957年由Holter首先应用于监测心脏电生理活动的研究，所以又称Holter心电图仪，目前已成为临床心血管领域中无创检查的重要分析方法之一。动态心电图可连续记录24小时以上的心电活动全过程，包括休息、活动、进餐、工作、学习和睡眠等不同情况下的心电图信息。动态心电图能够发现常规心电图检查不易发现的非持续性心律失常，是临床分析病情、确立分析、判断疗效的重要客观依据。

但是，对于长期监测的动态心电图来说，从大量的数据中发现非持续性心律时常是一个非常繁琐的工作，往往需要耗费大量的人力去看图并从中找到异常心电监测数据的心电图片断。同时，这样的做法也无法保证所选择的数据是典型的异常数据，因此对于被监测者的病情分析和判断也可能造成影响，使得动态心电图监测所能实现的监测效果大打折扣。

因此，亟待提出一种能够自动识别动态心电图的典型数据的方法，用以帮助提高对动态心电图监测数据识别的效率和准确度。。

发明内容

本发明的目的是提供一种心电图动态实时分析数据中室性心搏典型数据的识别方法，能够有效提高动态心电图监测数据中室性心搏典型数据的识别效率和准确度。

有鉴于此，本发明实施例提供了一种心电图动态实时分析数据中室性心搏典型数据的识别方法，包括：

接收被监测者的动态心电图数据；

对所述动态心电图数据进行心搏检测处理，确定所述动态心电图数据包括的多个心搏数据；每个所述心搏数据对应一个心搏周期，其中包括相应的P波、QRS波群、T波的幅值和起止时间数据；

基于AI心搏分类模型对所述动态心电图数据包括的多个心搏数据进行识别，得到其中心搏类型为室性心搏的多个室性心搏数据；

以各室性心搏数据的QRS波群起点为基准点建立基线；

以所述基准点和基线为基准，对所述多个室性心搏数据进行数据叠加处理，得到所述室性心搏的第一心搏数据集合；

确定所述第一心搏数据集合中，各心搏数据中特征点所在的中心数据区域；

在所述中心数据区域进行样本数据选取，得到所需数量的心搏数据作为样本数据；

对每个样本数据进行心搏片断截取处理，得到心电图动态实时分析数据中室性心搏的典型数据。

优选的，所述确定所述第一心搏数据集合中，各心搏数据中特征点所在的中心数据区域具体包括：

确定所述第一心搏数据集合中包括的心搏数据的总数量；

在以所述基线和QRS波群主轴构建的二维象限中，确定所述第一心搏数据集合的各心博数据中，具有第一数量个R波顶点的最小区域为所述中心数据区域；其中，第一数量与总数量的比值为预设固定值。

优选的，所述确定所述第一心搏数据集合中，各心搏数据中特征点所在的中心数据区域具体包括：

确定所述第一心搏数据集合中包括的心搏数据的总数量；

在以所述基线和QRS波群主轴构建的二维象限中，确定所述第一心搏数据集合的各心博数据中，具有第一数量个R波上升支中点的最小区域为所述中心数据区域；其中，第一数量与总数量的比值为预设固定值。

进一步优选的，所述方法还包括：

基于所述二维象限，对所述第一心搏数据集合进行可视化显示。

优选的，所述在所述中心数据区域进行样本数据选取，得到所需数量的心搏数据作为样本数据具体为：

根据预设的样本数据选取形态规则，在所述中心数据区域进行样本数据选取选择，得到所需数量的心搏数据作为样本数据。

优选的，所述对每个样本数据进行心搏片断截取处理具体为：

确定心搏片段的设定截取长度；所述设定截取长度包括第二数量个数据点；

确定每个样本数据中QRS波群的正向峰值点；

以所述正向峰值点置于所述截取长度中的预定参考位置，向所述正向峰值点的两侧进行样本截取，得到与所述截取长度相符的典型数据。

优选的，所述方法还包括：将所述室性心搏的典型数据进行可视化显示。

优选的，所述方法还包括：

接收待报告数据；所述待报告数据包括被监测者ID和选定典型室性心搏数据，所述选定典型室性心搏数据具有心搏类型和数据采集时间的信息；

根据所述被监测者ID和所述数据采集时间在心电图动态实时分析数据库中进行数据匹配，得到被监测者在与所述数据采集时间相对应时段的动态心电图数据；

根据所述选定典型室性心搏数据的心搏类型得到所述动态心电图数据中室性心搏的心搏数据集合；

确定所述选定典型室性心搏数据是否在所述的心搏数据集合的所述中心数据区域范围内；

当在所述中心数据区域范围内，将所述待报告数据确定为报告数据；

当不在所述中心数据区域范围内，在所述中心数据区域选取一个样本数据并进行心搏片断截取处理，将得到的典型数据替换所述待报告数据，并作为所述报告数据。

本发明实施例提供的一种心电图动态实时分析数据中室性心搏典型数据的识别方法，能够自动从动态心电图监测数据中识别室性心搏的典型数据，相比传统的数据识别方式大大节省了时间，提高了效率和所得典型数据的准确度，为动态心电图监测的报告数据的准确性提供了有效保障。

附图说明

图1为本发明实施例提供的心电图动态实时分析数据中室性心搏典型数据的识别方法流程图；

图2为本发明实施例提供的心电图动态实时分析数据中典型数据的可视化显示示意图；

图3为本发明实施例提供的心电图动态实时分析数据中中心区域选取典型数据的图像示意图；

图4为本发明实施例提供的一个心电图动态实时分析数据中非中心区域选取典型数据的图像示意图；

图5为本发明实施例提供的基于心电图动态实时分析数据中室性心搏典型数据的识别方法的报告数据验证方法流程图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明实施例提供了一种心电图动态实时分析数据中室性心搏典型数据的识别方法，用于对动态心电图监测得到的动态心电图数据进行处理，根据处理后的数据以相同规则确定基准点和基线，并进行数据叠加，对叠加后的得到的心搏波形图像数据进行图像数据处理，从而得到对应室性心搏的典型数据。

下面结合图1所示的心电图动态实时分析数据中室性心搏典型数据的识别方法流程图，对本发明提供的心电图动态实时分析数据中室性心搏典型数据的识别方法进行详细说明。

步骤110，接收被监测者的动态心电图数据；

具体的，动态心电监测设备将动态心电图电信号转换为数字信号输出，具体可以是单导联或多导联动态心电图设备测量采集输出的时间序列数据，该数据通过数据存储装置进行数据存储，并可以通过有线或无线，包括WIFI、蓝牙，USB，3G/4G/5G移动通信网络，物联网等方式传输至数据分析系统硬件模块，以进行后续的心搏检测和处理。

步骤120，对动态心电图数据进行心搏检测处理，确定动态心电图数据包括的多个心搏数据；

具体的，每个心搏数据对应一个心搏周期，其中包括相应的P波、QRS波群、T波的幅值和起止时间数据。

心搏检测模块执行的心搏检测包括QRS波群检测和P波，T波检测。在心电图中，一般会包含P波、QRS波群、T波成分以及噪声成分。一般QRS波群的频率范围在5到20Hz之间，可以通过一个在此范围内的带通滤波器提出QRS波群信号，然后基于峰值检测的过程。针对信号中每一个峰值顺序进行阈值判断，从而识别出P波、QRS波群、T波等特征信号。

步骤130，基于AI心搏分类模型对动态心电图数据包括的多个心搏数据进行识别，得到其中心搏类型为室性心搏的多个室性心搏数据；

具体的，AI心搏分类模型是通过大量样本数据训练得到的基于AI技术的心电图数据自动心搏分类模型，通过AI心搏分类模型，能够自动标识心搏数据的心搏类型，从而能够准确识别出其中心搏类型为室性心搏的多个室性心搏数据。

步骤140，以各室性心搏数据的QRS波群起点为基准点建立基线；

步骤150，以基准点和基线为基准，对多个室性心搏数据进行数据叠加处理，得到室性心搏的第一心搏数据集合；

也就是说，可以理解为，以各QRS波群起点为基准点，以时间轴方向为横轴以同类型心搏的主波轴为纵轴，在同一象限中进行QRS波群的波形叠加，从而得到第一心搏数据集合。

步骤160，确定第一心搏数据集合中，各心搏数据中特征点所在的中心数据区域；

具体的，这里具体可以采用至少以下两种具体的方法来确定心搏数据中特征点所在的中心数据区域。

首先确定第一心搏数据集合中包括的心搏数据的总数量；

然后，在以基线和QRS波群主轴构建的二维象限中，确定第一心搏数据集合的各心博数据中，具有第一数量个R波顶点的最小区域为中心数据区域；

或者，在以基线和QRS波群主轴构建的二维象限中，确定第一心搏数据集合的各心博数据中，具有第一数量个R波上升支或下降支中点的最小区域为中心数据区域；

其中，第一数量与总数量的比值为预设固定值，优选为50％。

在本发明中，可以基于二维象限，对第一心搏数据集合进行可视化显示。

步骤170，在中心数据区域进行样本数据选取，得到所需数量的心搏数据作为样本数据；

具体的，可以根据预设的样本数据选取形态规则，在所述中心数据区域进行样本数据选取选择，得到所需数量的心搏数据作为样本数据。

因为同源性室性早搏在心脏除极收缩的顺序是一致的，故同源性室性早搏在同一个导联上的形态是一致的，偶有受心脏复极和室早的提前量影响可能会有些许差异，但比较小，在频发室早时将所有室性心搏进行叠加展示，可见同源大多数心搏是处在一个轮廓范围之内，叠加选取室早主波上升支或下降支的中点为参考基点，大部分基点或处在相同位置，中点的横向或纵向中位数位置心搏具有此类型心搏的明显特征作为典型心搏，即可选为样本数据。

步骤180，对每个样本数据进行心搏片断截取处理，得到心电图动态实时分析数据中室性心搏的典型数据。

具体的，对样本数据的心搏片断截取，可以首先确定心搏片段的设定截取长度；设定截取长度包括第二数量个数据点；确定每个样本数据中QRS波群的正向峰值点；以正向峰值点置于截取长度中的预定参考位置，向正向峰值点的两侧进行样本截取，得到与截取长度相符的典型数据。

在实际应用中，可以优选的采用如下方式来实现心搏片断的截取。以所选心搏为心搏片断中点，片段长8S，然后根据片段第一个QRS的起点往前推0.5S，在这区间内找到P波起点作为片段的起点。0.5S之内没有P波的，以QRS的起点之前的0.3S为片段起点。

最后，将第一心搏类型的典型数据进行可视化显示，具体参见如图2所示。

为了更好的说明本发明所能达到的效果，我们以图3和图4进行对比说明，图3和图4为基于同一动态心电图数据选取不同数据点作为典型数据获得的心搏波形图，其中，图3是选取了本发明实施例中所述的中心区域(箭头所指密集区域)的样本所得到的室性心搏的典型数据，图4是选取了非中心区域(箭头所指稀疏区域)的样本。可以明显看出，图3中的心搏波形干净，图形较为典型，而图4中的心搏波形可以看到基线漂移和干扰。因此，通过本发明的方法，能够自动且有效筛选出更为典型的心搏数据。

本发明实施例提供的心电图动态实时分析数据中室性心搏典型数据的识别方法，能够自动从动态心电图监测数据中识别室性心搏的典型数据，相比传统的数据识别方式大大节省了时间，提高了效率和所得典型数据的准确度，为动态心电图监测的报告数据的准确性提供了有效保障。

此外，本发明实施例提供的心电图动态实时分析数据中室性心搏典型数据的识别方法还可以用于对报告数据进行验证，确定其是否为典型数据，当确定为典型数据时再生成报告，从而保证了报告数据的有效性和准确性。

其具体执行过程可以如图5所示，包括如下步骤：

步骤210，接收待报告数据；

具体的，待报告数据是即将用于生成报告的已选典型数据，待报告数据可以是人为选择的，也可以是通过其它方式自动选曲的。待报告数据包括被监测者ID和选定典型室性心搏数据，选定典型室性心搏数据具有数据采集时间的信息；

步骤220，根据被监测者ID和数据采集时间在心电图动态实时分析数据库中进行数据匹配，得到被监测者在与数据采集时间相对应时段的动态心电图数据；

也就是说，根据所选择的选定典型室性心搏数据确定其所在的动态心电图数据，并将动态心电图数据提取出来。

步骤230，根据选定典型室性心搏数据的心搏类型得到动态心电图数据中室性心搏的心搏数据集合；

具体的，根据所得到的动态心电图数据，确定其中与选定典型室性心搏数据的心搏类型一致的心搏数据集合。也就是说，获得室性心搏的心搏数据集合，用于构建散点图。

步骤240，确定选定典型室性心搏数据是否在的心搏数据集合的中心数据区域范围内；

具体的，根据本发明提供的典型数据的识别方法确定散点图的中心区域，并确定待报告数据中典型室性心搏数据是否在中心区域的范围内。

步骤250，当在中心数据区域范围内，将待报告数据确定为报告数据；

步骤260，当不在中心数据区域范围内，在中心数据区域选取一个样本数据并进行心搏片断截取处理，将得到的典型数据替换待报告数据，并作为报告数据。

因此本发明实施例提供的心电图动态实时分析数据中典型数据的识别方法还可以独立应用于对报告数据进行验证，确定其是否为典型数据，当确定为典型数据时再生成报告，从而保证了报告数据的。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种心电图动态实时分析数据中室性心搏典型数据的识别方法，其特征在于，所述方法包括：

接收被监测者的动态心电图数据；

对所述动态心电图数据进行心搏检测处理，确定所述动态心电图数据包括的多个心搏数据；每个所述心搏数据对应一个心搏周期，其中包括相应的P波、QRS波群、T波的幅值和起止时间数据；

基于AI心搏分类模型对所述动态心电图数据包括的多个心搏数据进行识别，得到其中心搏类型为室性心搏的多个室性心搏数据；

以各室性心搏数据的QRS波群起点为基准点建立基线；

以所述基准点和基线为基准，对所述多个室性心搏数据进行数据叠加处理，得到所述室性心搏的第一心搏数据集合；

确定所述第一心搏数据集合中，各心搏数据中特征点所在的中心数据区域；

在所述中心数据区域进行样本数据选取，得到所需数量的心搏数据作为样本数据；

对每个样本数据进行心搏片断截取处理，得到心电图动态实时分析数据中室性心搏的典型数据。

2.根据权利要求1所述的识别方法，其特征在于，所述确定所述第一心搏数据集合中，各心搏数据中特征点所在的中心数据区域具体包括：

确定所述第一心搏数据集合中包括的心搏数据的总数量；

在以所述基线和QRS波群主轴构建的二维象限中，确定所述第一心搏数据集合的各心博数据中，具有第一数量个R波顶点的最小区域为所述中心数据区域；其中，第一数量与总数量的比值为预设固定值。

3.根据权利要求1所述的识别方法，其特征在于，所述确定所述第一心搏数据集合中，各心搏数据中特征点所在的中心数据区域具体包括：

确定所述第一心搏数据集合中包括的心搏数据的总数量；

在以所述基线和QRS波群主轴构建的二维象限中，确定所述第一心搏数据集合的各心博数据中，具有第一数量个R波上升支中点的最小区域为所述中心数据区域；其中，第一数量与总数量的比值为预设固定值。

4.根据权利要求2或3所述的识别方法，其特征在于，所述方法还包括：

基于所述二维象限，对所述第一心搏数据集合进行可视化显示。

5.根据权利要求1所述的识别方法，其特征在于，所述在所述中心数据区域进行样本数据选取，得到所需数量的心搏数据作为样本数据具体为：

根据预设的样本数据选取形态规则，在所述中心数据区域进行样本数据选取选择，得到所需数量的心搏数据作为样本数据。

6.根据权利要求1所述的识别方法，其特征在于，所述对每个样本数据进行心搏片断截取处理具体为：

确定心搏片段的设定截取长度；所述设定截取长度包括第二数量个数据点；

确定每个样本数据中QRS波群的正向峰值点；

以所述正向峰值点置于所述截取长度中的预定参考位置，向所述正向峰值点的两侧进行样本截取，得到与所述截取长度相符的典型数据。

7.根据权利要求1所述的识别方法，其特征在于，所述方法还包括：将所述室性心搏的典型数据进行可视化显示。

8.根据权利要求1所述的识别方法，其特征在于，所述方法还包括：

接收待报告数据；所述待报告数据包括被监测者ID和选定典型室性心搏数据，所述选定典型室性心搏数据具有心搏类型和数据采集时间的信息；

根据所述被监测者ID和所述数据采集时间在心电图动态实时分析数据库中进行数据匹配，得到被监测者在与所述数据采集时间相对应时段的动态心电图数据；

根据所述选定典型室性心搏数据的心搏类型得到所述动态心电图数据中室性心搏的心搏数据集合；

确定所述选定典型室性心搏数据是否在所述的心搏数据集合的所述中心数据区域范围内；

当在所述中心数据区域范围内，将所述待报告数据确定为报告数据；

当不在所述中心数据区域范围内，在所述中心数据区域选取一个样本数据并进行心搏片断截取处理，将得到的典型数据替换所述待报告数据，并作为所述报告数据。