CN109431490A - 用于心电监测的人工智能实时分析方法和系统 - Google Patents

Abstract

本发明实施例涉及一种用于心电监测的人工智能实时分析方法和系统,所述方法包括：心电监测设备对被监测者进行心电监测得到实时心电图数据，基于在线人工智能AI心电图分析模型实时确定实时心电图数据的异常数据生成预警数据片段；第一云服务器根据AI心电评鉴模型对预警数据片段进行鉴别评判处理；当确定为误报警时对预警数据片段添加误报过滤标识并存储；当确定为非误报警时对预警数据片段进行异常数据评判并根据评判级别标识确定的报警数据记录的传输优先级将报警记录传输到相应的接收装置；心电监测设备将全部实时心电图数据上传至第二云服务器并生成被监测者的动态心电图数据，根据离线AI心电图分析模型对动态心电图数据进行分析输出报告数据。

Description

用于心电监测的人工智能实时分析方法和系统

技术领域

本发明涉及人工智能数据分析的技术领域，尤其涉及一种用于心电监测的人工智能实时分析方法和系统。

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，尤其能够提高对一过性心律失常及短暂的心肌缺血发作的检出率,是临床分析病情、确立分析、判断疗效的重要客观依据。另外，动态心电图可确定病人的心悸、头晕、昏厥等症状是否与心律失常有关，如窦性心动过缓、传导阻滞、快速心房颤动，阵发性室上性心动过速，持续性室性心动过速等，这是目前24小时动态心电图最重要、应用最广泛的情况之一。与普通心电图相比，动态心电图扩大了心电图临床运用的范围，在医院、家庭、体检中心和社区中有着广泛的应用空间。

传统的24小时动态心电图监测是在对被监测者的24小时监测完成后才获得监测数据的，其时效性很差，只能起到事后分析的作用。随着移动通信技术的快速发展，业内也提出了基于互联网医疗服务的远程心电监测方法，以移动互联网作为远程动态心电监护系统的数据传输工具，通过在线监控和多端数据共享，实现远程动态心电监测。

但是，由于心电信号本身的复杂性和变异性，目前现有的远程动态心电监测技术存在一定局限性，无法真正做到自动、快速、准确地分析，还会存在大量的漏报、误报，而这些可能会导致在被监测者发生身体状况异常时无法得到有效监测。因此目前现有技术的缺陷导致远程动态心电监测的应用效果受到局限。

发明内容

本发明的目的是针对现有技术的不足，提供一种用于心电监测的人工智能实时分析方法和系统，通过对被监测者的心电监测数据，尤其是长程心电监测数据，以在线AI心电图分析模型进行预判断，并进一步的依据AI心电评鉴模型进行误报警的识别过滤和对异常数据的分级评判，从而实现对心电监测数据的实时分析、监控，准确识别异常，形成有效、及时的预警机制。

为实现上述目的，第一方面，本发明实施例提供了一种用于心电监测的人工智能实时分析方法，包括：

建立被监测者与心电监测设备的对应关系数据；所述对应关系数据包括被监测者的用户ID、用户基本信息、机构ID和所述心电监测设备的设备ID；

所述心电监测设备对所述被监测者进行心电监测，得到实时心电图数据，并基于在线人工智能AI心电图分析模型实时确定所述实时心电图数据的异常数据生成预警数据片段，上传第一云服务器；所述预警数据片段包括设备ID、异常数据和时间参数；

所述第一云服务器根据训练得到的AI心电评鉴模型，对所述预警数据片段进行鉴别评判处理；

当确定所述预警数据片段为误报警时，对所述预警数据片段添加误报过滤标识，并存储在误报过滤数据库中；

当确定所述预警数据片段非误报警时，对所述预警数据片段进行异常数据评判，得到评判级别参数，并对所述预警数据片段添加与所述评判级别参数相对应的评判级别标识，生成报警数据记录，存储在报警记录数据库中；

所述第一云服务器根据所述评判级别标识确定所述报警数据记录的传输优先级，并获取所述报警数据记录所对应的机构ID和/或用户ID，根据所述传输优先级将所述报警记录传输到所述机构ID和/或用户ID对应的接收装置；

所述心电监测设备将对所述被监测者进行的心电监测得到的全部实时心电图数据上传至第二云服务器并生成所述被监测者的动态心电图数据；

所述第二云服务器根据离线AI心电图分析模型对所述动态心电图数据进行分析并输出报告数据。

优选的，在所述生成报警数据记录之前，所述方法包括：对所述预警数据片段及其对应的评判级别参数进行二次确认处理；

当所述二次确认处理确定所述预警数据片段非误报警时，所述生成报警数据记录具体包括：

当确认所述预警数据片段与其对应的评判级别参数相符时，对所述预警数据片段添加与所述评判级别参数相对应的评判级别标识生成所述报警数据记录；

当确认所述预警数据片段中第一预警数据片段与其对应的评判级别参数不符时，更新所述第一预警数据片段的评判级别参数，并对所述第一预警数据片段添加与更新后的评判级别参数相对应的评判级别标识生成所述报警数据记录。

进一步优选的，在所述对所述预警数据片段及其对应的评判级别参数进行二次确认处理之后，所述方法还包括：

当所述二次确认处理确定所述预警数据片段中的第二预警数据片段为误报警时，利用所述误报过滤标识替换所述评判级别标识，将添加所述误报过滤标识的第二预警数据片存储在误报过滤数据库中。

进一步优选的，所述方法还包括：

将所述第一预警数据片段和所述第二预警数据片段作为训练样本，修正所述AI心电评鉴模型。

优选的，所述方法还包括：

根据误报过滤数据库中的预警数据片段进行二次确认处理后，将所述二次确认处理确认为误报警的预警数据片段作为训练样本，修正所述在线AI心电图分析模型。

优选的，在所述心电监测设备对所述被监测者进行心电监测，得到实时心电图数据，并基于在线人工智能AI心电图分析模型实时确定所述实时心电图数据的异常数据生成预警数据片段之后，所述方法还包括：

对所述实时心电监测数据中除所述异常数据外的其余正常监测数据进行二次确认处理，得到漏报数据；

将所述漏报数据作为训练样本修正所述在线AI心电图分析模型。

优选的，所述方法还包括：

所述心电监测设备获取预设的上报时间节点的设置信息，并根据所述设置信息确定信息上报的上报时间节点；

所述心电监测设备根据所述用户ID、设备ID，设定语句信息或设定参数或根据统计得到的到达上报时间节点前的监测数据统计信息，生成上报信息；并根据所述机构ID和/或用户ID，将所述上报信息传输到所述机构ID和/或用户ID对应的接收装置。

优选的，所述第二云服务器根据离线AI心电图分析模型对所述动态心电图数据进行分析并输出报告数据具体包括：

所述第二云服务器根据离线AI心电图分析模型对所述动态心电图数据进行预分析，输出初步报告数据；

对所述初步报告数据进行审核处理，得到报告修正数据；

根据所述报告修正数据更新所述初步报告数据并生成所述报告数据。

优选的，所述方法还包括：

将所述报告修正数据作为训练样本，修正所述离线AI心电评鉴模型。

优选的，所述方法还包括：

根据所述用户ID对应的所述机构ID，将所述报告数据发送给所述机构ID对应的接收装置。

第二方面，本发明实施例提供了一种用于心电监测的人工智能实时分析系统，包括：上述第一方面所述的心电监测设备、第一云服务器和第二云服务器。

本发明实施例提供的用于心电监测的人工智能实时分析方法，通过对被监测者的心电监测数据，尤其是长程心电监测数据，以在线AI心电图分析模型进行预判断，并进一步的依据AI心电评鉴模型进行误报警的识别过滤和对异常数据的分级评判，从而准确识别异常，并按照级别触发不同的处理机制，形成包括通知被监测者本人、家属、医疗机构在内的通知机制，保证了预警的及时性。并且，通过对预判断和识别过滤后去除及保留的数据分别进行二次鉴别，根据鉴别结果不断学习修正AI模型，从而不断优化该系统的心电监测准确率。此外，通过离线AI心电图分析模型能够对动态心电监测数据进行完整分析并形成报告数据。该方法适用范围广，能够用于轻症、重症的床旁、非床旁监测。

附图说明

图1为本发明实施例提供的用于心电监测的人工智能实时分析系统架构图；

图2为本发明实施例提供的用于心电监测的人工智能实时分析方法流程图。

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。

本发明提供了一种用于心电监测的人工智能实时分析方法和系统，通过对被监测者的心电监测数据，尤其是长程心电监测数据，以在线AI心电图分析模型进行预判断，并进一步的依据AI心电评鉴模型进行误报警的识别过滤和对异常数据的分级评判，从而实现对心电监测数据的实时分析、监控，准确识别异常，形成有效、及时的预警机制。

为了更好的理解本发明的技术方案，首先对实现用于心电监测的人工智能实时分析方法的系统进行介绍。

如图1所示，本发明的用于心电监测的人工智能实时分析系统由心电监测设备、第一云服务器和第二云服务器构成。心电监测设备通过物联网接入第一云服务器和第二云服务器。

其中，心电监测设备优选为穿戴式设备，具有多导联心电数据采集和实时监测和预警功能。第一云服务器负责处理实时业务，包括对心电监测设备产生的预警的有效性鉴别和预警评级，以及与多方用户终端设备之间的数据交互；因此，本系统根据实际需要还可以包括一个或多个用户终端设备。第二云服务器负责处理动态长程业务，对心电监测得到的全部实时心电图数据进行汇总分析并输出报告数据。

下面对基于上述系统实现的用于心电监测的人工智能实时分析方法进行说明。结合图2所示的方法流程图，本发明的人工智能实时分析方法主要按照以下步骤执行：

步骤110，建立被监测者与心电监测设备的对应关系数据；

具体的，在被监测者接受心电监测检查之前，需要首先佩戴心电监测设备，对于动态长程监测来说，优选采用穿戴式设备。

在被监测者佩戴好穿戴式设备之后，录入被监测者与心电监测设备之间的对应关系，从而得到对应关系数据。对应关系数据包括被监测者的用户ID、用户基本信息、机构ID和心电监测设备的设备ID。

这其中的用户ID、用户基本信息和机构信息的录入可以是在佩戴心电监测设备的时候同步完成的，也可以是在这之前就完成的，也就是可以首先对用户进行用户采集信息的录入，然后再抓取用户采集信息，并录入心电监测设备的设备信息，从而建立关联信息。

步骤120，心电监测设备对被监测者进行心电监测，得到实时心电图数据，并基于在线人工智能AI心电图分析模型实时确定实时心电图数据的异常数据生成预警数据片段，上传第一云服务器；

具体的，心电监测设备对被监测者进行心电监测，在心电监测设备中加在有在线人工智能AI心电图分析模型，能够对于监测得到的实时心电图数据进行在线实时分析，在线人工智能AI心电图分析模型基于卷积神经网络(CNN)和循环神经网络(RNN)等AI技术的深度学习算法，分别对心电图干扰信号、心律失常事件、心脏激动、传导阻滞、心房心室肥大、心肌梗死等不同情况对应的心电图波群数据进行了广泛精准的训练学习，通过将P-QRS-T波作为一个完整波群进行分析，从而能够准确的识别出实时心电图数据中的异常数据，并基于规定的截取规则，生成预警数据片断。

在一个具体的例子中，对于预警数据片断的截取可以采用如下方式实现。

以所选存在异常数据的心搏为片断中点，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，按照规定片断长度进行截取。

当然这只是一个具体的截取方法的例子，并不限定本发明所提出的方法只能采用该方式进行预警数据片断的截取。

在得到预警数据片断后，心电监测设备通过无线网络，将上传预警数据片断至第一云服务器。在数据上传时，在预警数据片段的信息中还加载有生成该预警数据片断的设备ID、异常数据和时间参数，从而，能够根据预警数据片段对应到被监测者以及相应机构等信息。

步骤130，第一云服务器根据训练得到的AI心电评鉴模型，对预警数据片段进行鉴别评判处理，确定预警数据片段是否为误报警；

具体的，第一云服务器中加载有AI心电评鉴模型，用于对预警数据片断进行确认和细化分级评判。AI心电评鉴模型通过标注有评判级别参数的分级数据进行模型训练，从而能够实现对预警数据片断的自动分级并添加标注。并对预警数据片断中的误报警数据也能进行识别，从而增加数据分析的准确率。

当确定预警数据片段为误报警时，执行步骤140，否则执行步骤150。

步骤140，对预警数据片段添加误报过滤标识，并存储在误报过滤数据库中；

具体的，当确定预警数据片段为误报警时，表明在线AI心电图分析模型对于该类型数据片断的识别有误，将不应该报警的正常数据识别为异常。因此本发明优选的，对于误报过滤数据库中的预警数据片段还要进行二次确认处理，将经由二次确认处理确认为误报警的预警数据片段作为训练样本，对在线AI心电图分析模型进行训练，从而不断修正在线AI心电图分析模型，使之通过学习不断完善，提高识别准确率。

步骤150，对预警数据片段进行异常数据评判，得到评判级别参数，并对预警数据片段添加与评判级别参数相对应的评判级别标识，生成报警数据记录，存储在报警记录数据库中；

具体的，当确定预警数据片段非误报警时，AI心电评鉴模型会自动对预警数据片断进行标注。在本发明的一个具体应用中，将异常数据评判为危急、非危急、保持关注三个级别。不同级别的数据在后续的处理中会采用不同的处理机制，以保证预警的及时性。

此外，所有添加有评判级别参数的报警数据记录，都会被记录在报警记录数据库中，并按照需求发送给相应机构的数据监控/统计系统。

进一步的，在得到评判级别参数之后，本发明优选的还对预警数据片段的评判级别参数进行二次确认。当经由二次确认处理确定一个预警数据片段与其对应的评判级别参数相符时，才会执行对这个预警数据片段添加与评判级别参数相对应的评判级别标识生成报警数据记录；

当通过二次确认处理确定一个预警数据片段与其对应的评判级别参数不符时，则根据二次确认处理更新这个预警数据片段的评判级别参数，并对这个预警数据片段添加与更新后的评判级别参数相对应的评判级别标识，生成报警数据记录。

此外，如果在二次确认处理时发现某一预警数据片段为误报警时，则利用误报过滤标识替换评判级别标识，并且将添加了误报过滤标识的该预警数据片存储在误报过滤数据库中。

将上述经由二次确认处理后产生了修正的预警数据片段，包括被二次确认识别为误报警以及通过二次确认处理更新评判级别参数的预警数据片段，作为训练样本，用于进一步训练AI心电评鉴模型。

因此，通过二次确认处理，能够对AI心电评鉴模型自动鉴别评判后的结果进行二次确认，并修正因AI心电评鉴模型不够完善而导致的个别错误数据，同时基于二次确认处理的结果进一步对AI心电评鉴模型进行训练，不断完善AI心电评鉴模型，从而不断提高其自动评鉴判别的准确率。

当长期监测其准确率达到一定数值时，可不用再继续执行二次确认处理的步骤。

通过上述步骤130-步骤150，对于在线AI心电图分析模型确定出的预警数据片段进行了包括二次确认处理在内的一系列处理。在实际应用中，还可能存在一种情况，就是步骤120中通过在线AI心电图分析模型识别为正常数据而没有生成预警数据片段的情况。

漏报实质上是比将正常数据误报更为严重的一个情况，漏报有可能漏掉的是被监测者实际发生的心电异常，而这是有可能造成被监测者发生危险的情况。

对于这种可能存在的漏报现象，本发明同样采用二次确认处理的方式，通过对实时心电监测数据中除异常数据外的其余正常监测数据进行二次确认处理，识别其中的漏报数据，然后将漏报数据作为训练样本修正在线AI心电图分析模型。因此当后续出现同样类型的心电监测数据时，经过训练的AI心电图分心模型就可以正确识别其为异常数据，由此能够不断完善AI心电图分析模型的识别准确度。

需要说明的是，上述对于不同情况下的二次确认处理，所依据的判别规则是不同的。二次确认处理可以是在线实时的，也可以是离线的，即在事后进行数据的二次识别，用以根据二次识别的结果形成学习样本，不断进行上述几种AI模型的修正。

步骤160，第一云服务器根据评判级别标识确定报警数据记录的传输优先级，并获取报警数据记录所对应的机构ID和/或用户ID，根据传输优先级将报警记录传输到机构ID和/或用户ID对应的接收装置；

具体的，第一云服务器根据评判级别标示和预先设定的机制进行报警数据记录的推送。

在一个具体的例子中，机构ID对应的接收装置为医院指定医生的专用终端设备，用户ID对应的接收装置包括被监测者本人的智能手机、被监测者指定联系人的智能手机等。

报警数据记录对应的评判级别为危急、非危急和保持关注三个级别，标记为危急的数据记录会优先推送到医生的专用终端设备以使医生进行确认，非危急、保持关注逐渐次之，从而保证预警的及时性。

为避免长时间没有异常数据，造成心电监测的远程在线接收端设备长时间得不到数据响应，从而无法确定心电监测设备是否还在正常工作，网络传输是否通畅，本发明还建立了定时反馈的机制，在一个具体的实施例中可以通过如下方式实现：

首先，通过心电监测设备、远程在线接收端设备或者其他控制设备设定上报时间节点的设置信息；设置信息可以包括上报时间初始设定值和最长时间间隔。

其次，心电监测设备在执行心电监测前，优选的为在心电监测设备上电开启时，获取预设的上报时间节点的设置信息，并根据设置信息确定信息上报的上报时间节点；其中，第一个上报时间节点优选的规定为心电监测执行的起始时间，即通过启动心电监测的触发指令同步触发第一个上报信息的发出。

然后，心电监测设备根据对应关系数据中的用户ID、设备ID，并根据预先设定的语句信息或设定参数或根据统计得到的到达上报时间节点前的监测数据统计信息，生成上报信息，并根据机构ID和/或用户ID，将上报信息传输到机构ID和/或用户ID对应的接收装置。

由此建立的定时反馈机制，即使长时间无报警，心电监测设备依然按照设定时间间隔返回数据，使得各端用户，尤其是医院医生能够了解设备工作和患者的情况。当设备真正发生异常时，会有长时间无数据反馈的情况，从而使得各方均可获知设备发生异常，被监测者没有得到有效的心电监测，及时发现问题，避免因设备异常造成的监控缺失的危害。

步骤170，心电监测设备将对被监测者进行的心电监测得到的全部实时心电图数据上传至第二云服务器并生成被监测者的动态心电图数据；

具体的，心电监测设备在监测过程中还可以实时进行实时心电图数据的数据上传，将数据传输到第二云服务器，或者可以使在一次戴机检查完成后将全部采集的实时心电图数据完整上传至第二云服务器。

第二云服务器根据接收到的完整的实时心电图数据生成动态心电图数据，用以进行进一步的数据统计分析。

步骤180，第二云服务器根据离线AI心电图分析模型对动态心电图数据进行分析并输出报告数据。

具体的，第二云服务器加载有离线AI心电图分析模型，对一次戴机检查的整体动态心电图数据进行综合分析，通过AI心电图分析模型，能够自动标示心搏类型，分析形成事件列表，从动态心电图数据中自动采集典型片段，并生成诊断语句，调用报告模板生成报告数据。

第二云服务器还可以根据用户ID对应的机构ID，将报告数据发送给机构ID对应的接收装置。也就是说，在一次戴机检查完成后，医生即可即时获得被监测者在带机检查过程中的全部检查信息和分析结果信息。

当然，在此之后，医生还可以对监察结果进行审核和修正，将修正结果反馈到第二云服务器，从而作为样本数据以进行离线AI心电图分析模型的训练，通过此方法对离线AI心电图分析模型进行不断修正和完善。

本发明实施例提供的用于心电监测的人工智能实时分析方法，通过对被监测者的心电监测数据，尤其是长程心电监测数据，以在线AI心电图分析模型进行预判断，并进一步的依据AI心电评鉴模型进行误报警的识别过滤和对异常数据的分级评判，从而准确识别异常，并按照级别触发不同的处理机制，形成包括通知被监测者本人、家属、医疗机构在内的通知机制，保证了预警的及时性。并且，通过对预判断和识别过滤后去除及保留的数据分别进行二次鉴别，根据鉴别结果不断学习修正AI模型，从而不断优化该系统的心电监测准确率。此外，通过离线AI心电图分析模型能够对动态心电监测数据进行完整分析并形成报告数据。本发明的方法和系统，适用范围广，能够用于轻症、重症的床旁、非床旁监测。

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 (11)

1.一种用于心电监测的人工智能实时分析方法，其特征在于，所述方法包括：

建立被监测者与心电监测设备的对应关系数据；所述对应关系数据包括被监测者的用户ID、用户基本信息、机构ID和所述心电监测设备的设备ID；

所述心电监测设备对所述被监测者进行心电监测，得到实时心电图数据，并基于在线人工智能AI心电图分析模型实时确定所述实时心电图数据的异常数据生成预警数据片段，上传第一云服务器；所述预警数据片段包括设备ID、异常数据和时间参数；

所述第一云服务器根据训练得到的AI心电评鉴模型，对所述预警数据片段进行鉴别评判处理；

当确定所述预警数据片段为误报警时，对所述预警数据片段添加误报过滤标识，并存储在误报过滤数据库中；

当确定所述预警数据片段非误报警时，对所述预警数据片段进行异常数据评判，得到评判级别参数，并对所述预警数据片段添加与所述评判级别参数相对应的评判级别标识，生成报警数据记录，存储在报警记录数据库中；

所述第一云服务器根据所述评判级别标识确定所述报警数据记录的传输优先级，并获取所述报警数据记录所对应的机构ID和/或用户ID，根据所述传输优先级将所述报警记录传输到所述机构ID和/或用户ID对应的接收装置；

所述心电监测设备将对所述被监测者进行的心电监测得到的全部实时心电图数据上传至第二云服务器并生成所述被监测者的动态心电图数据；

所述第二云服务器根据离线AI心电图分析模型对所述动态心电图数据进行分析并输出报告数据。

2.根据权利要求1所述的人工智能实时分析方法，其特征在于，在所述生成报警数据记录之前，所述方法包括：对所述预警数据片段及其对应的评判级别参数进行二次确认处理；

当所述二次确认处理确定所述预警数据片段非误报警时，所述生成报警数据记录具体包括：

当确认所述预警数据片段与其对应的评判级别参数相符时，对所述预警数据片段添加与所述评判级别参数相对应的评判级别标识生成所述报警数据记录；

当确认所述预警数据片段中第一预警数据片段与其对应的评判级别参数不符时，更新所述第一预警数据片段的评判级别参数，并对所述第一预警数据片段添加与更新后的评判级别参数相对应的评判级别标识生成所述报警数据记录。

3.根据权利要求2所述的人工智能实时分析方法，其特征在于，在所述对所述预警数据片段及其对应的评判级别参数进行二次确认处理之后，所述方法还包括：

当所述二次确认处理确定所述预警数据片段中的第二预警数据片段为误报警时，利用所述误报过滤标识替换所述评判级别标识，将添加所述误报过滤标识的第二预警数据片存储在误报过滤数据库中。

4.根据权利要求3所述的人工智能实时分析方法，其特征在于，所述方法还包括：

将所述第一预警数据片段和所述第二预警数据片段作为训练样本，修正所述AI心电评鉴模型。

5.根据权利要求1所述的人工智能实时分析方法，其特征在于，所述方法还包括：

根据误报过滤数据库中的预警数据片段进行二次确认处理后，将所述二次确认处理确认为误报警的预警数据片段作为训练样本，修正所述在线AI心电图分析模型。

6.根据权利要求1所述的人工智能实时分析方法，其特征在于，在所述心电监测设备对所述被监测者进行心电监测，得到实时心电图数据，并基于在线人工智能AI心电图分析模型实时确定所述实时心电图数据的异常数据生成预警数据片段之后，所述方法还包括：

对所述实时心电监测数据中除所述异常数据外的其余正常监测数据进行二次确认处理，得到漏报数据；

将所述漏报数据作为训练样本修正所述在线AI心电图分析模型。

7.根据权利要求1所述的人工智能实时分析方法，其特征在于，所述方法还包括：

所述心电监测设备获取预设的上报时间节点的设置信息，并根据所述设置信息确定信息上报的上报时间节点；

所述心电监测设备根据所述用户ID、设备ID，设定语句信息或设定参数或根据统计得到的到达上报时间节点前的监测数据统计信息，生成上报信息；并根据所述机构ID和/或用户ID，将所述上报信息传输到所述机构ID和/或用户ID对应的接收装置。

8.根据权利要求1所述的人工智能实时分析方法，其特征在于，所述第二云服务器根据离线AI心电图分析模型对所述动态心电图数据进行分析并输出报告数据具体包括：

所述第二云服务器根据离线AI心电图分析模型对所述动态心电图数据进行预分析，输出初步报告数据；

对所述初步报告数据进行审核处理，得到报告修正数据；

根据所述报告修正数据更新所述初步报告数据并生成所述报告数据。

9.根据权利要求1所述的人工智能实时分析方法，其特征在于，所述方法还包括：

将所述报告修正数据作为训练样本，修正所述离线AI心电评鉴模型。

10.根据权利要求1或8所述的人工智能实时分析方法，其特征在于，所述方法还包括：

根据所述用户ID对应的所述机构ID，将所述报告数据发送给所述机构ID对应的接收装置。

11.一种用于心电监测的人工智能实时分析系统，其特征在于，所述系统包括上述权利要求1-10中任一所述的心电监测设备、第一云服务器和第二云服务器。