CN109497986A - 基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统 - Google Patents
基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统 Download PDFInfo
- Publication number
- CN109497986A CN109497986A CN201811395596.4A CN201811395596A CN109497986A CN 109497986 A CN109497986 A CN 109497986A CN 201811395596 A CN201811395596 A CN 201811395596A CN 109497986 A CN109497986 A CN 109497986A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- model
- analysis
- user terminal
- neural network
- 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.)
- Pending
Links
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
-
- 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]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统,其中,基于深度神经网络的心电图智能分析方法,包括如下步骤:获取并验证用户终端的登录请求;接收登录请求验证通过后的用户终端上传的心电图;在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception‑ResNet模型训练得到;将分析结果反馈至用户终端。本发明提供的基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统,减少人为设计特征带来的不完备性,提高心电图信号分析的便捷性和准确率。
Description
技术领域
本发明涉及心电图信号处理技术领域,具体涉及基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统。
背景技术
心电图(Electrocardiogram,简称ECG)是通过心电图机在人体体表采集记录反应心脏心动周期的电信号得到的曲线,如图3所示,心电图中的不同波形分别称为P波、Q波、R波、S波和T波等,心电图机对心电信号的采集非常便捷,通过分析心电图可以得到心脏的心动周期特征。
传统的心电图分析主要依靠专家人工进行判断,或借助简单的辅助程序进行判断,这种操作方式效率低,而且容易遗漏心电图中的重要信息。心电图的电信号具有微弱、低频和高阻抗等特性,抗干扰性非常差,现有的分析方法精度不理想,准确率不高。
发明内容
本发明提供了一种基于深度神经网络的心电图智能分析方法、装置、系统和存储介质,提高心电图分析的便捷性和准确性。
一种基于深度神经网络的心电图智能分析方法,包括如下步骤:
获取并验证用户终端的登录请求;
接收登录请求验证通过后的用户终端上传的心电图;
在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
将分析结果反馈至用户终端。
以下还提供了若干可选方式,但并不作为对上述总体方案的额外限定,仅仅是进一步的增补或优选,在没有技术或逻辑矛盾的前提下,各可选方式可单独针对上述总体方案进行组合,还可以是多个可选方式之间进行组合。
可选地,所述心电图通过心电图采集装置采集得到、或通过对心电图采集装置的显示屏幕进行截屏得到、或通过对心电图进行拍摄得到。
可选地,所述分析模型包括卷积层、池化层和全连接层,其中,卷积层和池化层均采用Relu激活函数或其变体,全连接层采用softmax函数。
可选地,所述卷积层中第一卷积层包括3个卷积通道,每个卷积通道的卷积核均为{{1,1,1},{1,1,1},{1,1,1}}。
可选地,所述池化层采用取最大值法,池化窗口大小为(2,2)。
可选地,所述全连接层包含三层,第一层的神经元个数为4096,第二层的神经元个数为1024,第三层的神经元个数为28。
一种基于深度神经网络的心电图智能分析装置,包括:
验证模块,用于获取并验证用户终端的登录请求;
接收模块,用于接收登录请求验证通过后的用户终端上传的心电图;
预处理模块,用于在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
分析模块,用于将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
反馈模块,用于将分析结果反馈至用户终端。
一种基于深度神经网络的心电图智能分析系统,包括用户终端和服务器,所述服务器包括存储器和处理器,所述存储器内存储有计算机程序,所述处理器执行所述计算机程序时,实现如下步骤:
获取并验证用户终端的登录请求;
接收登录请求验证通过后的用户终端上传的心电图;
在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
将分析结果反馈至用户终端。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
获取并验证用户终端的登录请求;
接收登录请求验证通过后的用户终端上传的心电图;
在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
将分析结果反馈至用户终端。
一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被计算机处理器执行时实现如下步骤:
获取并验证用户终端的登录请求;
接收登录请求验证通过后的用户终端上传的心电图;
在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
将分析结果反馈至用户终端。
本发明提供的心电图分析方法、装置、计算机设备和系统,减少人为设计特征带来的不完备性,提高心电图信号分析的便捷性和准确率。
附图说明
图1为一个实施例中基于深度神经网络的心电图智能分析方法的流程图;
图2为截取的心电图信号示意图;
图3为一个实施例中计算机设备的示意图;
图4为一个实施例中基于深度神经网络的心电图智能分析方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1、图4所示,一种基于深度神经网络的心电图智能分析方法,包括如下步骤:
步骤S1,获取并验证用户终端的登录请求。
所述心电图分析方法各步骤的执行主体为服务器,所述用户终端可以但不限于为:计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,所述服务器可以是远程的后台服务器,或者是云平台中的服务器,具体可采用独立的服务器或者是多个服务器组成的服务器集群来实现,终端和服务器之间通过通信网络传输心电图,通信网络可以但不限于为3G、4G、5G、wifi。
所述用户终端上安装有App应用程序或Web应用程序,用户终端通过应用程序实现与服务器之间的信息交互。用户终端的应用程序实时检测用户终端与服务器之间通信连接是否正常,如果通信连接不正常,给出原因以及操作建议。
可以使用账户名和密码请求登录,也可以使用手机号和密码请求登录,账户名可以和手机号进行绑定。
用户终端的应用程序包括且不限于实现以下功能:
(1)修改用户年龄、性别和地址等个人信息;
(2)设置App的外观、更新和升级软件以及查看软件使用协议等;
(3)可以查看软件的使用方法、注意事项和软件使用常见问题的问答等;
(4)在使用软件过程中,如果有任何问题与建议,可以与App所有者联系;
(5)查看或删除历史心电图分析报告,历史心电图分析报告中包含患者姓名、时间、地点、医院信息和心血管疾病诊断结果的图片和文字描述等。
(6)增加或删减患者的病例,为新增加的病例命名;
(7)通过关键字搜索病例名称,更改病例的名称等。
(8)输入或编辑患者的临床数据,如姓名、年龄、性别、人口特征、健康状态、心血管的家族史、症状和心血管史等。
(9)添加或删减心电图监控设备,通过扫描心电图监控设备上的二维码或手动输入心电图监控设备号码进行添加;
(10)查看添加的心电图监控设备的基本信息,如生产厂商名称、地址和生产日期等;
(11)与心电图监控设备进行通信,接收心电图监控设备实时传输的监控数据,在进行显示;
(12)对心电图状态进行文字描述,并同时自动记录下时间和位置等。
(13)与拍摄装置进行通信,控制拍摄装置对心电图进行拍摄,生成心电图图片,对心电图图片进行对比度、颜色、倾斜校正等预处理;
(14)对心电图显示装置进行截屏,生成心电图图片;
(15)将心电图图片上传至服务器;
(16)接收由服务器返回的心电图分析结果,并配合患者时间和位置等信息,生成报告页面,并自动保存;
(17)显示各类健康资讯;
(18)提供全国范围内的各类优秀医疗资源。
步骤S2,接收登录请求验证通过后的用户终端上传的心电图。
服务器接收到登录请求后,与服务器中存储的用户信息进行匹配,若匹配成功,则登录请求验证通过;若匹配不成功,则登录请求验证未通过,服务器验证结果均反馈至用户终端。
若登录请求验证未通过,用户终端提示用户是否注册,若用户选择注册,显示注册页面,用户在注册页面内填写信息,注册完成后,用户终端向服务器发送注册信息,服务器更新存储的用户信息。
只有登录请求验证通过后,服务器方可接收用户终端上传的心电图,除了将心电图从用户终端传输至服务器,可以将与心电图的相关信息从用户终端传输至服务器,心电图的相关信息包括但不限于用户信息、检测时间。
ECG信号(即心电图信号)可以是单极ECG信号或者是双极ECG信号。例如,在12导联ECG中,可以由放置在人体表面的一个或多个电极来记录个体的心电活动。12导联ECG可以提供关于心电活动的空间信息,12导联中每一个导联都代表对心脏的心电活动进行测量的空间中的具体方位。
12个导联中,导联I(右臂到左臂),导联II(右臂到左腿)和导联III(左臂到左腿)是双极肢导联,导联V1、V2、V3、V4、V5和V6是单极胸部导联。为了形成双极肢导联以进行测量,需要由两个电极分别与两肢(如右臂和左臂)的两块皮肤表面接触。为了形成单极胸部导联以进行测量,需要有一个电极与胸部的皮肤表面接触。术语“接触”在此可以指电极与裸露皮肤的直接接触,或者电极与裸露皮肤之间有导电材料(如导电贴片或导电服装)的间接接触。
用户终端上传的心电图可以采用以下任意一种方式得到:
a、通过心电图采集装置采集得到。
原始采集的心电数据为离散数据,采用B-spline插值法拟合得到一维ECG信号,对一维ECG信号进行预处理以生成降噪信号,然后进行心电图分析。
ECG信号的噪声源包括:肌电信号背景、基线漂移、工频干扰、以及运动伪影,预处理可以采用现有技术,例如,通过小波变换或滤波器去除心电图信号中的基线漂移、工频干扰与高频噪声。
b、通过对心电图采集装置的显示屏幕进行截屏得到。
在心电图采集装置的显示屏幕上使用截屏功能,截取得到图片形式的心电图。截取时注意截取窗口的位置,满足后续分析时的要求。
c、通过对心电图进行拍摄得到。
被拍摄的心电图的载体可以为纸张、显示屏幕等,即,可以对纸张上的心电图、显示屏幕上的心电图进行拍摄,得到可以在用户终端进行上传的心电图。所述显示屏幕不限于为心电图采集装置的显示屏幕,可以为任意电子设备的显示屏幕,电子设备包括:电脑、手机、平板电脑等。
拍摄时注意拍摄角度的对正,以提高后续心电图分析的准确性。
步骤S3,在接收的心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期。
在心电图中随机截取II导联中一段连续的心电图信号,截取的心电图信号中至少包含两个心动周期。
步骤S4,将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到。
心电图信号以如图2所示的图片形式输入分析模型,心电图信号的图片大小为1200×600像素。
现有技术中,在对心电图进行分析的过程中通常需要人为设计特征,易发生漏检和误判,本实施例中分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到,能够从大数量的心电图中自动有效提取全面描述心电图的特征,包括维数较低的心跳特征,提高心电图分析的完整性和多样性,鲁棒性更强,检测精度更好。
所述分析模型在预定使用时间后,采用更新的心电图数据重新进行训练,保证分析模型具有更好的提取准确率。
在一个实施例中,分析模型包括卷积层、池化层和全连接层,其中,卷积层和池化层均采用Relu激活函数或其变体,全连接层采用softmax函数。
在一个实施例中,所述卷积层中第一卷积层包括3个卷积通道,每个卷积通道的卷积核均为{{1,1,1},{1,1,1},{1,1,1}}。
所述第一卷积层用于增强图片的边界信息。
在一个实施例中,所述池化层采用取最大值法,池化窗口大小为(2,2)。
所述池化层用于降维,进而降低运算参数,提高计算速度。
在一个实施例中,全连接层包含三层,第一层的神经元个数为4096,第二层的神经元个数为1024,第三层的神经元个数为28。
所述全连接层用于将多通道的数据整合成一维特征向量,根据多层神经网络的特性,抽象一维特征向量在全连接层进行分类。
所述全连接层中第三层的神经元个数决定了提取出的心电图特征的数量,本实施例中,能够提取28种心电图特征。
分析模型的训练在深度学习框架TensorFlow和Keras中进行,分析模型的训练过程包括:
步骤a,构建训练数据库和测试数据库。
训练数据库和测试数据库的数据可以来自医院和体检中心,训练数据库和测试数据库的心电图数量共计不少于10万,其中70%为正常心电图,其余为异常心电图,各心电图均通过至少两个心电图专家手工独立标注异常特征。训练数据库和测试数据库中的心电图数据相互之间无交叉,训练数据库的心电图数据数量大于测试数据库中的心电图数据数量。
训练数据库和测试数据库中的各心电图数据来自不同的个体,包括年龄在10~99岁之间的男性和10~99岁之间的女性,男性和女性的比例各占一半,训练数据库和测试数据库从心电图机的数据集中随机选取,包含具有代表意义的各种波形和伪迹记录号、各种不常见但有重要临床意义的数据、以及一些复杂的室性、结性、室上性心律失常和传导异常。
训练数据库和测试数据库中的每条心电信号数据包括心电信号的格式、采样频率、长度以及此记录患者的相关信息,例如采集地、患者病情、用药情况等,以及心电专家对心电信号分析的结果,主要包括心跳、节律和信号质量等信息。
训练数据库和测试数据库中的每条心电信号数据的注释包含心电信号的基本信息和心电诊断专家对信号分析的结果,例如:信号时长、心率、信号质量、发生心律失常心拍的位置、个数和心率失常特征等。
训练数据库和测试数据中心电信号的异常特征,决定了分析模型能够提取出的特征。
心电信号的特征包括但不限于体现如下心跳类型的特征:正常、起搏、窦性心动过速、窦性心动过缓、窦性心律不齐、窦性停搏、逸搏及逸搏心律房性早搏、室上性二联律、室性早搏、快心室率、慢心室率、室上性心动过速、室性心动过速、心房扑动、心房颤动、房室传导阻滞、室内阻滞、噪音、其他。
步骤b,对训练数据库和测试数据库中各心电图进行预处理。
针对训练数据库和测试数据库中某一心电图,随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期。
心电图信号转化为图片形式,与步骤S2中心电图信号转化为图片形式的方法相同。
将训练数据库中转化为图片形式的心电图信号作为ResNet模型、或Inception模型、或Inception-ResNet模型的输入进行训练,训练得到的模型利用测试数据库中的心电图进行测试,测试结果分为四种:真阳性(TP)、真阴性(TN)、假阳性(FP)、假阴性(FN)。
利用四种结果对分析结果进行评估,评估采用如下四个参数:
敏感度(Sen),计算公式为:Sen=TP/(TP+FN);
特异性(Spe),计算公式为:Spe=TN/(FP+TN);
阳性率(PPV),计算公式为:PPV=TP/(TP+FP);
准确率(Acc),计算公式为:Acc=(TP+TN)/(TP+FP+FN+TN)。
评估结果如表1所示。
表1
Sen | Spe | Acc | PPV |
98.8% | 97.2% | 98.6% | 97.7% |
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
步骤S5,将分析结果反馈至用户终端。
在一个实施例中,一种基于深度神经网络的心电图智能分析装置,包括:
验证模块,用于获取并验证用户终端的登录请求;
接收模块,用于接收登录请求验证通过后的用户终端上传的心电图;
预处理模块,用于在接收的心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
分析模块,用于将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
反馈模块,用于将分析结果反馈至用户终端。
关于各模块中功能限定可参见上文中对于心电图分析方法的限定,在此不再赘述。上述心电图分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现心电图信号分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
获取并验证用户终端的登录请求;
接收登录请求验证通过后的用户终端上传的心电图;
在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
将分析结果反馈至用户终端。
在一个实施例中,一种基于深度神经网络的心电图智能分析系统,包括用户终端和服务器,服务器包括存储器和处理器,存储器内存储有计算机程序,处理器执行计算机程序时,实现如下步骤:
获取并验证用户终端的登录请求;
接收登录请求验证通过后的用户终端上传的心电图;
在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
将分析结果反馈至用户终端。
在一个实施例中,一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被计算机处理器执行时实现如下步骤:
获取并验证用户终端的登录请求;
接收登录请求验证通过后的用户终端上传的心电图;
在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
将分析结果反馈至用户终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于深度神经网络的心电图智能分析方法,其特征在于,包括如下步骤:
获取并验证用户终端的登录请求;
接收登录请求验证通过后的用户终端上传的心电图;
在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
将分析结果反馈至用户终端。
2.如权利要求1所述的基于深度神经网络的心电图智能分析方法,其特征在于,所述心电图通过心电图采集装置采集得到、或通过对心电图采集装置的显示屏幕进行截屏得到、或通过对心电图进行拍摄得到。
3.如权利要求1所述的基于深度神经网络的心电图智能分析方法,其特征在于,所述分析模型包括卷积层、池化层和全连接层,其中,卷积层和池化层均采用Relu激活函数或其变体,全连接层采用softmax函数。
4.如权利要求3所述的基于深度神经网络的心电图智能分析方法,其特征在于,所述卷积层中第一卷积层包括3个卷积通道,每个卷积通道的卷积核均为{{1,1,1},{1,1,1},{1,1,1}}。
5.如权利要求3所述的基于深度神经网络的心电图智能分析方法,其特征在于,所述池化层采用取最大值法,池化窗口大小为(2,2)。
6.如权利要求3所述的基于深度神经网络的心电图智能分析方法,其特征在于,所述全连接层包含三层,第一层的神经元个数为4096,第二层的神经元个数为1024,第三层的神经元个数为28。
7.一种基于深度神经网络的心电图智能分析装置,其特征在于,包括:
验证模块,用于获取并验证用户终端的登录请求;
接收模块,用于接收登录请求验证通过后的用户终端上传的心电图;
预处理模块,用于在接收的所述心电图中随机截取一段连续的心电图信号,该心电图信号至少包含两个心动周期;
分析模块,用于将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果;所述分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到;
反馈模块,用于将分析结果反馈至用户终端。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~6中任一项所述的基于深度神经网络的心电图智能分析方法。
9.一种基于深度神经网络的心电图智能分析系统,包括用户终端和服务器,所述服务器包括存储器和处理器,所述存储器内存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1~6任一项所述的基于深度神经网络的心电图智能分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811395596.4A CN109497986A (zh) | 2018-11-22 | 2018-11-22 | 基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811395596.4A CN109497986A (zh) | 2018-11-22 | 2018-11-22 | 基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109497986A true CN109497986A (zh) | 2019-03-22 |
Family
ID=65749480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811395596.4A Pending CN109497986A (zh) | 2018-11-22 | 2018-11-22 | 基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109497986A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
CN110495872A (zh) * | 2019-08-27 | 2019-11-26 | 中科麦迪人工智能研究院(苏州)有限公司 | 基于图片及心搏信息的心电分析方法、装置、设备及介质 |
CN110507311A (zh) * | 2019-08-27 | 2019-11-29 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种基于图像信息的心电分析方法、装置、设备及介质 |
CN110720894A (zh) * | 2019-11-08 | 2020-01-24 | 广州视源电子科技股份有限公司 | 一种心房扑动的检测方法、装置、设备及存储介质 |
CN112365504A (zh) * | 2019-10-29 | 2021-02-12 | 杭州脉流科技有限公司 | Ct左心室分割方法、装置、设备和存储介质 |
CN115517686A (zh) * | 2022-11-24 | 2022-12-27 | 合肥心之声健康科技有限公司 | 家庭环境心电图图像分析方法、装置、设备、介质和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN107862249A (zh) * | 2017-10-18 | 2018-03-30 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN108256452A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于特征融合的ecg信号分类的方法 |
CN108446666A (zh) * | 2018-04-04 | 2018-08-24 | 平安科技(深圳)有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
CN108464827A (zh) * | 2018-03-08 | 2018-08-31 | 四川大学 | 一种弱监督下的心电图像识别方法 |
CN108577830A (zh) * | 2018-03-15 | 2018-09-28 | 乐普(北京)医疗器械股份有限公司 | 一种面向用户的体征信息动态监护方法和动态监护系统 |
-
2018
- 2018-11-22 CN CN201811395596.4A patent/CN109497986A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN107862249A (zh) * | 2017-10-18 | 2018-03-30 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN108256452A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于特征融合的ecg信号分类的方法 |
CN108464827A (zh) * | 2018-03-08 | 2018-08-31 | 四川大学 | 一种弱监督下的心电图像识别方法 |
CN108577830A (zh) * | 2018-03-15 | 2018-09-28 | 乐普(北京)医疗器械股份有限公司 | 一种面向用户的体征信息动态监护方法和动态监护系统 |
CN108446666A (zh) * | 2018-04-04 | 2018-08-24 | 平安科技(深圳)有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
CN110495872A (zh) * | 2019-08-27 | 2019-11-26 | 中科麦迪人工智能研究院(苏州)有限公司 | 基于图片及心搏信息的心电分析方法、装置、设备及介质 |
CN110507311A (zh) * | 2019-08-27 | 2019-11-29 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种基于图像信息的心电分析方法、装置、设备及介质 |
WO2021037101A1 (zh) * | 2019-08-27 | 2021-03-04 | 中科麦迪人工智能研究院(苏州)有限公司 | 基于图像信息的心电分析方法、装置、设备及介质 |
CN112365504A (zh) * | 2019-10-29 | 2021-02-12 | 杭州脉流科技有限公司 | Ct左心室分割方法、装置、设备和存储介质 |
CN110720894A (zh) * | 2019-11-08 | 2020-01-24 | 广州视源电子科技股份有限公司 | 一种心房扑动的检测方法、装置、设备及存储介质 |
CN115517686A (zh) * | 2022-11-24 | 2022-12-27 | 合肥心之声健康科技有限公司 | 家庭环境心电图图像分析方法、装置、设备、介质和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109497986A (zh) | 基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统 | |
Wang et al. | Deep multi-scale fusion neural network for multi-class arrhythmia detection | |
Merdjanovska et al. | Comprehensive survey of computational ECG analysis: Databases, methods and applications | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
DE112016005886T5 (de) | Berechnungsmäßige Lokalisierung von Fibrillationsquellen | |
CN108836314A (zh) | 一种基于网络和人工智能的动态心电图分析方法及系统 | |
Bergquist et al. | Body surface potential mapping: contemporary applications and future perspectives | |
CN112120691A (zh) | 基于深度学习的信号识别方法、装置和计算机设备 | |
CN114052746A (zh) | 运动心电数据处理方法、装置、计算机设备和存储介质 | |
Fotiadou et al. | End-to-end trained encoder–decoder convolutional neural network for fetal electrocardiogram signal denoising | |
Nandagopal et al. | Newly constructed real time ECG monitoring system using labview | |
CN110720894A (zh) | 一种心房扑动的检测方法、装置、设备及存储介质 | |
Agyeman et al. | Classification Techniques for Arrhythmia Patterns Using Convolutional Neural Networks and Internet of Things (IoT) Devices | |
WO2020052640A1 (zh) | 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法 | |
Singhal et al. | A systematic review on artificial intelligence-based techniques for diagnosis of cardiovascular arrhythmia diseases: challenges and opportunities | |
CN115500841A (zh) | 一种融合时域与频域特征深度学习的室性早搏定位方法 | |
Tenderini et al. | PDE-aware deep learning for inverse problems in cardiac electrophysiology | |
CN110897628A (zh) | 基于深度神经网络的心电图信号特征提取方法、装置、系统、设备和分类方法 | |
Liu et al. | Real time arrhythmia monitoring and classification based on edge computing and dnn | |
Anbarasi et al. | Detection and classification of arrhythmia type using hybrid model of LSTM with convolutional neural network | |
CN110897626A (zh) | 基于深度神经网络的心电图分析方法、装置、计算机设备和系统 | |
Nallikuzhy et al. | Spatially enhanced ECG using patient-specific dictionary learning | |
Joshi | Fundamentals of Electrocardiografia (ECG) With Arduino Uno | |
Xie et al. | Non‐invasive reconstruction of dynamic myocardial transmembrane potential with graph‐based total variation constraints | |
Makki et al. | Acquiring and analyzing electrocardiograms via smartphone to detect cardiovascular abnormalities |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190322 |
|
RJ01 | Rejection of invention patent application after publication |