CN109431488A - 一种心电图动态实时分析数据中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典型数据的识别方法,所述方法包括：接收被监测者的动态心电图数据；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；提取各心搏的联律间期和代偿间歇的时间；以联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到动态心电图数据包括的多个心搏数据在时域象限的位置坐标，并生成基于时域象限的心搏散点图像数据；基于AI心搏分类模型对心搏散点图像数据进行识别，得到第一心搏数据集合；在时域象限中一心搏数据集合的中心数据区域选取所需数量的第一心搏类型的心搏数据作为样本数据，进行心搏片断截取处理，得到心电图动态实时分析数据中第一心搏类型的典型数据。

Description

一种心电图动态实时分析数据中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报告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；

根据所述动态心电图数据包括的多个心搏数据提取各心搏的联律间期和代偿间歇的时间；

根据联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到所述动态心电图数据包括的多个心搏数据在所述时域象限的位置坐标，并生成基于所述时域象限的心搏散点图像数据；

基于AI心搏分类模型对所述心搏散点图像数据进行识别，得到其中心搏类型同为第一心搏类型的第一心搏数据集合；所述第一心搏数据集合包括心搏类型为所述第一心搏类型的多个心搏数据；

确定所述时域象限中的所述第一心搏数据集合的中心数据区域；

在所述中心数据区域选取所需数量的第一心搏类型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第一心搏类型的典型数据。

优选的，所述根据联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到所述动态心电图数据包括的多个心搏数据在所述时域象限的位置坐标，并生成基于所述时域象限的心搏散点图像数据具体包括：

根据预设统计周期的时长，对所述动态心电图数据按照时间顺序分时段的以各心搏的联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到各时段内的所述动态心电图数据包括的多个心搏数据在所述时域象限的位置坐标，并生成各时段所对应的基于所述时域象限的心搏散点图像数据。

优选的，在所述基于AI心搏分类模型对所述心搏散点图像数据进行识别之后，所述方法还包括：

对所述基于所述时域象限的心搏散点图像数据中不同心搏类型的心搏数据，按照心搏类型进行属性标注。

进一步优选的，所述方法还包括：

根据标注的属性对所述基于所述时域象限的心搏散点图像数据进行可视化显示；其中，不同属性的心搏数据对应的显示属性不同。

优选的，所述确定所述时域象限中的所述第一心搏数据集合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；

确定在所述时域象限中，具有第一数量个心搏数据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，所述确定所述时域象限中的所述第一心搏数据集合的中心数据区域具体包括：

以设定的基准区域对所述时域象限中的第一心搏数据集合进行数据切割；

确定在所述时域象限中，具有心搏数据的数量最多的基准区域为所述中心数据区域。

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：将所述第一心搏类型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和选定典型心搏数据，所述选定典型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；

根据所述选定典型心搏数据的心搏类型得到所述动态心电图数据中与所述心搏类型相对应的心搏数据集合；

确定所述选定典型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不同心搏类型的典型数据，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一种心搏散点图像示意图；

图3为本发明实施例提供的心电图动态实时分析数据中另一种心搏散点图像示意图；

图4为本发明实施例提供的一个具体的心搏散点图像示意图；

图5为本发明实施例提供的一个具体的室性早搏的心搏散点图像示意图；

图6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7为本发明实施例提供的基于心电图动态实时分析数据中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，根据处理后的数据构建时域象限模型，并通过对时域象限形成的散点图进行图像数据处理，得到对应特定心搏类型的典型数据。

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典型数据的识别方法进行详细说明。

本发明的心电图动态实时分析数据中典型数据的识别方法，主要包括如下步骤：

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，根据动态心电图数据包括的多个心搏数据提取各心搏的联律间期和代偿间歇的时间；

具体的，联律间期指异位搏动与其前窦性搏动之间的时间距离，其中，房性期前收缩的联律间期应从异位P波起点测量至其前窦性P波起点，而室性期前收缩的联律间期应从异位搏动的QRS起点测量至其前窦性QRS起点。

在期前收缩之后有较大的心室舒张期，称为代偿间歇，室性期前收缩代偿间歇的测量方法可以测量自室性期前收缩的QRS起点开始至下一个基本心搏的QRS起点为止的一段时间。

步骤140，根据联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到动态心电图数据包括的多个心搏数据在时域象限的位置坐标，并生成基于时域象限的心搏散点图像数据；

具体的，根据预设统计周期的时长，对动态心电图数据按照时间顺序分时段的以各心搏的联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到各时段内的动态心电图数据包括的多个心搏数据在时域象限的位置坐标，并生成各时段所对应的基于时域象限的心搏散点图像数据。

本发明以各心搏的联律间期和代偿间歇的时间为参考基准构建时域象限，在一定时间内，频发的某一心搏类型的数据点就会形成固定的散点集团。

这种数据分析的方法尤其针对室性早搏和房性早搏的识别更为有效。

对于同类型同源性早搏都有自己固定的联律间期，这是同源性早搏(并行心律除外)所特有的规律，即同源性早搏的提前量跟随心率变化而微变化，保持相对较为一致的早搏提前量比。如NN为60次/分时，NN间期为1秒，房早(S表示)时假设NS间期为600ms时，提前量为40％，此源性房早在心率发生变化时基本会保持提前量为40％左右。

此源性房早如24小时频发就会形成固定的散点集团，例如图2所示，因此可以依据此特征构建时域象限，这也是本发明进行数据分析所基于的散点图成像的原理。此源性早搏的提前量中位数位置的早搏会在散点图中形成散点的中心位置，拥有较为固定规律和特性的早搏为典型早搏，片段优化选择也是基于此原理所做，较为固定的特性即为人体心脏的节律如窦性、房性、室性都有各自的心率变异性，正常窦性变异性最大(一般在100ms-200ms之间)，后两者较小(一般小于50ms)。

对于并行心律的情况，此类型的早搏(房早或室早)为联律间期不等的早搏，联律间期不定，可互相竞争出现，为两个心脏起搏点窦性和房性或室性的竞争，或同时出现(极少见)，他们会以各自的固有联律间期来跳动出现，由此在竞争中也形成规律出现综合性倒“Y”样的图形，并且各自有各自的散点集团，如图3所示图中方框标注的区域的心博为室性(房性并行时为房性)心搏散点集团，此源性早搏的密集区位置的早搏就会形成散点的中心位置，用于选取典型片段。

在实际应用中，优选的采用每小时的心搏数据形成一个独立的散点图形，以便于进行数据分析。

步骤150，基于AI心搏分类模型对心搏散点图像数据进行识别，得到其中心搏类型同为第一心搏类型的第一心搏数据集合；

第一心搏数据集合包括心搏类型为第一心搏类型的多个心搏数据。在本发明中，第一心搏类型主要是指室性早搏和房型早搏。

在基于AI心搏分类模型对心搏散点图像数据进行识别之后，还对基于时域象限的心搏散点图像数据中不同心搏类型的心搏数据，按照心搏类型进行心搏数据的属性标注。从而能够根据标注的属性对基于时域象限的心搏散点图像数据进行可视化显示；优选的，不同属性的心搏数据对应的显示属性不同。

比如在图2中可以设定室性早搏(即方框中标注的区域)显示为红色，其余显示为绿色。

步骤160，确定时域象限中的第一心搏数据集合的中心数据区域；

这里具体可以采用至少以下两种具体的方法来确定时域象限中的第一心搏数据集合的中心数据区域。

在第一种具体的技术方案中，以固定比例的心搏数据所在最小区域为中心区域：可以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，确定在时域象限中，将具有第一数量个心搏数据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，比如为50％。

在第二种具体的技术方案中，以固定区域范围内具有最多心搏数据的区域为中心区域：可以首先以设定的基准区域对时域象限中的第一心搏数据集合进行数据切割；然后确定在时域象限中，具有心搏数据的数量最多的基准区域为中心数据区域。

例如在一个具体例子中，以40ms的直径的圆形为固定面积，确定面积位置为能涵盖本类型心搏散点的最大数量为中心数据区域，区域内的心搏作为优选心搏。其中面积确定方式为：房性和室性的早搏联律间期(横坐标)变异性小，变异标准差平均约为10-12ms，代偿间期长短(纵坐标)为窦房结功能，窦性的变异性标准差稍大在50-100ms，故将选点的面积设置为40ms，这个也可以调整大小。当有两个房性或室性散点集团共存时选取两个典型图片，为房早或室早片段。

步骤170，在中心数据区域选取所需数量的第一心搏类型的心搏数据作为样本数据；

具体的，根据设定采样数量，在中心数据区域中选取所需数量的心搏数据作为样本数据，用于数据输出。

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第一心搏类型的典型数据。

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。

在一个具体的例子中，散点图如图4所示，其中每张图中圆圈标出的位置为室性早搏，左上方的第一个图为24小时总数据图，其余为每小时的数据图。通过对该类型的数据进行单独显示，得到图5所示的散点图。从图5中的24小时总数据图内选择中心区域(图中黑色圆框内)中的10个数据点为典型数据，以图6所示的效果进行可视化显示。

本发明实施例提供的一种心电图动态实时分析数据中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不同心搏类型的典型数据，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7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和选定典型心搏数据，选定典型心搏数据具有心搏类型和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，根据选定典型心搏数据的心搏类型得到动态心电图数据中与心搏类型相对应的心搏数据集合；

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心搏数据的心搏类型一致的心搏数据集合。也就是说，获得心搏类型相一致的心搏数据集合，用于构建散点图。

步骤240，确定选定典型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有效性和准确性。

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 (9)

1.一种心电图动态实时分析数据中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；

根据所述动态心电图数据包括的多个心搏数据提取各心搏的联律间期和代偿间歇的时间；

根据联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到所述动态心电图数据包括的多个心搏数据在所述时域象限的位置坐标，并生成基于所述时域象限的心搏散点图像数据；

基于AI心搏分类模型对所述心搏散点图像数据进行识别，得到其中心搏类型同为第一心搏类型的第一心搏数据集合；所述第一心搏数据集合包括心搏类型为所述第一心搏类型的多个心搏数据；

确定所述时域象限中的所述第一心搏数据集合的中心数据区域；

在所述中心数据区域选取所需数量的第一心搏类型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第一心搏类型的典型数据。

2.根据权利要求1所述的识别方法，其特征在于，所述根据联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到所述动态心电图数据包括的多个心搏数据在所述时域象限的位置坐标，并生成基于所述时域象限的心搏散点图像数据具体包括：

根据预设统计周期的时长，对所述动态心电图数据按照时间顺序分时段的以各心搏的联律周期的时间和代偿间歇的时间为坐标构建时域象限，得到各时段内的所述动态心电图数据包括的多个心搏数据在所述时域象限的位置坐标，并生成各时段所对应的基于所述时域象限的心搏散点图像数据。

3.根据权利要求1或2所述的识别方法，其特征在于，在所述基于AI心搏分类模型对所述心搏散点图像数据进行识别之后，所述方法还包括：

对所述基于所述时域象限的心搏散点图像数据中不同心搏类型的心搏数据，按照心搏类型进行属性标注。

4.根据权利要求3所述的识别方法，其特征在于，所述方法还包括：

根据标注的属性对所述基于所述时域象限的心搏散点图像数据进行可视化显示；其中，不同属性的心搏数据对应的显示属性不同。

5.根据权利要求1所述的识别方法，其特征在于，所述确定所述时域象限中的所述第一心搏数据集合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；

确定在所述时域象限中，具有第一数量个心搏数据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。

6.根据权利要求1所述的识别方法，其特征在于，所述确定所述时域象限中的所述第一心搏数据集合的中心数据区域具体包括：

以设定的基准区域对所述时域象限中的第一心搏数据集合进行数据切割；

确定在所述时域象限中，具有心搏数据的数量最多的基准区域为所述中心数据区域。

7.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。

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：将所述第一心搏类型的典型数据进行可视化显示。

9.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和选定典型心搏数据，所述选定典型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；

根据所述选定典型心搏数据的心搏类型得到所述动态心电图数据中与所述心搏类型相对应的心搏数据集合；

确定所述选定典型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。