CN109589110A - 心电导联检测方法、装置、设备和存储介质 - Google Patents

心电导联检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN109589110A
CN109589110A CN201811626379.1A CN201811626379A CN109589110A CN 109589110 A CN109589110 A CN 109589110A CN 201811626379 A CN201811626379 A CN 201811626379A CN 109589110 A CN109589110 A CN 109589110A
Authority
CN
China
Prior art keywords
lead
ecg data
data
detection model
ecg
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.)
Granted
Application number
CN201811626379.1A
Other languages
English (en)
Other versions
CN109589110B (zh
Inventor
李巍豪
梁欣然
周翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201811626379.1A priority Critical patent/CN109589110B/zh
Publication of CN109589110A publication Critical patent/CN109589110A/zh
Application granted granted Critical
Publication of CN109589110B publication Critical patent/CN109589110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/30—Input circuits therefor
    • A61B5/303—Patient cord assembly, e.g. cable harness
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种心电导联检测方法、装置、设备和存储介质，终端通过获取心电图数据，并根据心电图数据和预设的导联检测模型，获取导联类型，其中，导联类型包括各电极位置对应的导联类型信息。本申请中，终端通过获取心电图数据，并根据心电图数据中预设的导联检测模型，获取导联类型，使得在对心电图分类时，先确定导联类型，进而根据导联类型，确定心电图的分类结果，提高了心电图分类的准确度。

Description

心电导联检测方法、装置、设备和存储介质
技术领域
本发明涉及深度学习的技术领域，特别是涉及了一种心电导联检测方法、装置、设备和存储介质。
背景技术
心电图是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。在获取心电图的过程中，常常将多个电极放置在患者对应的不同身体部位，形成不同的导联，进而获得完整的心电图，在实际应用中，常常用到10导联、12导联或者24导联来获得心电图。
通常，采用计算机算法对心电图进行分类时，通常是基于导联类型正确的基础上，对心电图进行分类。在实际操作的过程中，由于种种原因，常常会出现电极放置位置错误的问题，导致导联错误，进而导致心电图分类的结果错误，使得心电图分类的准确度不高。
然而，在现有技术中，没有对心电导联类型检测的手段。
发明内容
基于此，有必要针对没有心电导联类型检测的问题，提供一种心电导联检测方法、装置、设备和存储介质。
第一方面，一种心电导联检测方法，包括：
获取心电图数据；
根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
上述心电导联检测方法，终端通过获取心电图数据，并根据心电图数据和预设的导联检测模型，获取导联类型，其中，导联类型包括各电极位置对应的导联类型信息。本实施例中，终端通过获取心电图数据，并根据心电图数据中预设的导联检测模型，获取导联类型，使得在对心电图分类时，先确定导联类型，进而根据导联类型，确定心电图的分类结果，提高了心电图分类的准确度。
在其中一个实施例中，所述根据所述心电图数据和预设的导联检测模型，获取导联类型，包括：
在每次获取心电图数据时，根据所述心电图数据和预设的导联检测模型，获取导联类型；
若所述导联类型为导联错误，输出导联错误提醒信息，所述导联错误提醒信息包括声明和/或警报。
在其中一个实施例中，所述根据所述心电图数据和预设的导联检测模型，获取导联类型，还包括：
在接收到用于指示对心电图数据进行分类的心电图数据分类指令时，根据所述心电图数据和预设的导联检测模型，获取导联类型；
根据所述导联类型、所述心电图数据和所述预设的心电图检测模型，获取心电图分类。
在其中一个实施例中，所述获取心电图数据，包括：
对所述心电图进行裁剪处理，得到第一心电图数据；
对所述第一心电图数据进行向量重塑处理，获得第二心电图数据。
在其中一个实施例中，所述预设的导联检测模型包括:空间特征检测模型、时序特征检测模型和合并检测模型；
所述空间特征检测模型用于对所述第一心电图数据进行学习，输出所述第一心电图数据对应的空间特征数据；
所述时序特征检测模型用于对所述第二心电图数据进行学习，输出所述第二心电图数据对应的时序特征数据；
所述合并检测模型用于对所述空间特征数据和所述时序特征数据进行学习，输出所述心电图数据对应的导联类型。
在其中一个实施例中，所述方法还包括：
获取多个心电图数据；
以所述多个心电图数据作为输入，将多个所述心电图数据对应的导联的位置信息作为输出，对导联检测模型进行训练。
在其中一个实施例中，所述对导联检测模型进行训练包括：
以多个所述第一心电图数据作为输入，将多个所述第一心电图数据对应的空间特征数据作为输出，对所述空间特征检测模型进行训练；
以多个所述第二心电图数据作为输入，将多个所述第二心电图数据对应的时序特征数据作为输出，对所述时序特征检测模型进行训练；
以多个所述空间特征数据和多个所述时序特征数据作为输入，以多个所述心电图数据对应的导联类型作为输出，对所述合并检测模型进行训练。
第二方面，一种心电导联检测装置，所述装置包括：
获取模块，用于获取心电图数据；
检测模块，用于根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
第三方面，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以下步骤：
获取心电图数据；
根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取心电图数据；
根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
上述心电导联检测方法、装置、设备和存储介质，终端通过获取心电图数据，并根据心电图数据和预设的导联检测模型，获取导联类型，其中，导联类型包括各电极位置对应的导联类型信息。本实施例中，终端通过获取心电图数据，并根据心电图数据中预设的导联检测模型，获取导联类型，使得在对心电图分类时，先确定导联类型，进而根据导联类型，确定心电图的分类结果，提高了心电图分类的准确度。
附图说明
图1为一个实施例中心电导联检测方法的流程示意图；
图2为另一个实施例中心电导联检测方法的流程示意图；
图3为另一个实施例中心电导联检测方法的流程示意图；
图4为另一个实施例中心电导联检测方法的流程示意图；
图5为另一个实施例中心电导联检测方法的流程示意图；
图5a为一个实施例中对样本数据进行裁剪重塑的示意图；
图6为另一个实施例中预设的导联检测模型的结构示意图；
图7为另一个实施例中心电导联检测方法的流程示意图；
图8为一个实施例中提供的心电导联检测装置的结构示意图；
图9为另一个实施例中提供的心电导联检测装置的结构示意图；
图10为另一个实施例中提供的心电导联检测装置的结构示意图；
图11为另一个实施例中提供的心电导联检测装置的结构示意图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
心电图是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。在获取心电图的过程中，常常将多个电极放置在患者对应的不同身体部位，形成不同的导联，进而获得完整的心电图，在实际应用中，常常用到10导联、12导联或者24导联来获得心电图。通常，采用计算机算法对心电图进行分类时，通常是基于导联类型正确的基础上，对心电图进行分类。在实际操作的过程中，由于种种原因，常常会出现电极放置位置错误的问题，导致导联错误，进而导致心电图分类的结果错误，使得心电图分类的准确度不高。然而，在现有技术中，没有对心电导联类型检测的手段。本申请提供的心电导联检测方法、装置、设备和存储介质，旨在解决没有对心电导联类型检测的问题。
本实施例提供的心电导联检测方法，可以适用于如图1所示的应用环境中。其中，心电导联检测的终端120通过网络与服务器104通过网络进行通信。心电导联检测的终端可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对心电导联检测的终端的具体形式不做限定。服务器104可以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。
需要说明的是，本申请实施例提供的心电导联检测方法，其执行主体可以是心电导联检测的装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为心电导联检测的终端的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图2为一个实施例中心电导联检测方法的流程示意图。本实施例涉及的是根据心电图数据和预设的导联检测模型，获取导联类型的具体过程。如图2所示，该方法包括以下步骤：
S101、获取心电图数据。
具体地，心电图可以是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形。其可以是在人体不同部位放置电极，并通过导联线与心电图机电流计的正负极相连，所获得心电图。心电图数据可以是将所获得的心电图经过数值化处理，获得的对应的数据。其可以是分别获得心电图波形中每个时间点对应的电平值，也可以是对获得的心电图波形中每个时间点对应的电平值进行归一化处理，获得心电图数据，本申请实施例对此不做限制。在具体获取心电图数据时，可以是在进行心电图检测时直接获取心电图数据，也可以是在完成心电图检测之后，获取心电图数据，本申请实施例对此不做限制。
S102、根据心电图数据和预设的导联检测模型，获取导联类型；导联类型包括各电极位置对应的导联类型信息。
具体地，心电图导联线与心电图机的电路连接方法称为心电图导联。在长期临床心电图实践中，目前广泛采纳的国际通用导联体系(Lead System)，称为标准12导联体系，包括I、II、III、avL、avF、avR、v1、v2、v3、v4、v5、v6。包括：
1、标准I，II，III导联是间接的双极导联。I导联的连接方式是右手负极(RightArm(-)，RA(-))至左手正极(Left Arm(+)，LA(+))，II导联的连接方式是RA(-)至左脚正极(Left Foot(+)，LF(+))，III导联的连接方式是LA(-)至LF(+)。
2、V1-V6导联的的连接方式单极胸式半直接的单极导联。
3、aVR、aVL、aVF导联的连接方式是单极加压肢体导联，是间接的单极导联。aVR导联是右手正极(Right Arm(+)，RA(+))至[左手&左脚]负极([LA&LF](-))，aVL导联是LA(+)至[右手&左脚]负极([RA&LF](-))，aVF导联是LF(+)至[右手&左手]负极([RA&LA](-))。
其中，导联类型信息可以是电极位置和连接方法的不同，可以组成不同的正常导联类型信息；还可以是电极位置和连接方法错误，形成的导联错误类型信息。其中，导联错误可以是电极位置和连接方法与预设的电极位置和连接方法不对应，而形成的导联错误，这种导联错误所获得的心电图数据，仍可以规则的心动波形，然而根据这种心动波形对心电图进行分类时，会导致分类结果错误；导联错误还可以是电机位置和连接方法错误，而形成的导联错误，这种导联错误所获得的心电图数据，可能是无规则波形，没有实际意义。预设的导联检测模型可以是一种机器学习模型，其可以是通过机器学习算法对导联类型进行检测，获得导联类型的模型。预设的导联检测模型可以通过输入多个心电图数据，对预设的导联检测模型进行训练，获得心电图数据与导联类型之间的映射关系。
在具体上述心电图数据和预设的导联检测模型，获取导联类型的过程中，可以将心电图数据输入预设的导联检测模型，根据上述心电图数据与导联类型之间的映射关系，得到该心电图数据对应的导联类型。
上述心电导联检测方法，终端通过获取心电图数据，并根据心电图数据和预设的导联检测模型，获取导联类型，其中，导联类型包括各电极位置对应的导联类型信息。本实施例中，终端通过获取心电图数据，并根据心电图数据中预设的导联检测模型，获取导联类型，使得在对心电图分类时，先确定导联类型，进而根据导联类型，确定心电图的分类结果，提高了心电图分类的准确度。
上述实施例重点描述了终端获取导联类型的具体过程，在一个实施例中，终端在获取心电图数据的过程中，可以通过获取导联类型来确定所获得的心电图数据的准确性。下面通过图3所示实施例来详细说明。
图3为另一个实施例中心电导联检测方法的流程示意图，如图3所示，该方法还包括以下步骤：
S201、在每次获取心电图数据时，根据心电图数据和预设的导联检测模型，获取导联类型。
S202、若所述导联类型为导联错误，输出导联错误提醒信息，导联错误提醒信息包括声明和/或警报。
具体地，在每次获取心电图数据时，终端可以将心电图数据作为输入，输入预设的导联检测模型中，根据上述实施例中，心电图数据与导联类型之间的映射关系，获取导联类型。当导联类型为导联错误时，终端可以输出导联错误提醒信息，导联错误提醒信息可以是声明文件，也可以是发出警报，还可以是输出声明文件的同时发出警报。其中，警报可以的蜂鸣警报，也可以是是闪灯警报，本申请实施例对此不做限制。
上述心电导联检测方法，终端在每次获取心电图数据时，根据心电图数据和预设的导联检测模型，获取导联类型。若所述导联类型为导联错误，则输出导联错误提醒信息，导联错误提醒信息包括声明和/或警报。本实施例中，终端在获取心电图数据的过程中，通过心电图数据和预设的导联检测模型，对心电导联进行检测，获取导联类型，在导联错误的情况下，输出导联错误提醒信息，使得终端在获取心电图数据时，加入了导联检测的步骤，避免了获得的导联错误的心电图数据。
上述实施例重点描述了在获取心电图数据的过程中，可以通过获取导联类型来确定所获取的心电图数据的准确性，在导联错误的情况下，发出导联错误提醒信息，避免获取错误的心电图数据的过程。下面通过图4来详细描述在心电图分类的过程中，通过获取导联类型，来提高心电图分类的详细过程。
图4为另一个实施例中心电导联检测方法的流程示意图，如图4所示，该方法还包括以下步骤：
S301、在接收到用于指示对心电图数据进行分类的心电图数据分类指令时，根据心电图数据和预设的导联检测模型，获取导联类型。
具体地，心电图数据分类指令可以是用于指示对心电图数据进行分类，其可以是在获取心电图数据后，指示对心电图数据进行分类。在具体对心电图数据进行分类时，可以是对一个心电图数据进行分类，也可以同时对多个心电图数据进行分类，本申请实施例对此不做限制。在上述实施例的基础上，终端在获得用户输入的心电图数据分类指令时，根据心电图数据和预设的导联检测模型，获取导联类型。若心电图数据为一个心电图数据，则将该一个心电图数据输入预设的导联检测模型，根据心电图数据与导联类型之间的映射关系，获取该心电图数据对应的导联类型。若心电图数据为多个心电图数据，将多个心电图数据同时输入预设的导联检测模型，根据上述映射关系，分别确定各心电图数据对应的导联类型。该导联类型可以是上述I、II、III、avL、avF、avR、v1、v2、v3、v4、v5、v6中的一种。
S302、根据导联类型、心电图数据和预设的心电图检测模型，获取心电图分类。
具体地，预设的心电图检测模型可以是一种机器学习模型，其可以是通过机器学习算法对心电图数据进行学习，获得心电图分类的模型。预设的心电图检测模型可以通过对多个心电图数据、导联类型进行学习，获得心电图数据与心电图分类结果之间的对应关系。
在具体根据导联类型、心电图数据和预设的心电图检测模型，获取心电图分类的过程中，在上述实施例的基础上，其可以是先确定心电图数据的导联类型，进而根据确定了导联类型的心电图数据和预设的心电图检测模型，获取心电图分类。其可以是根据确定了导联类型的心电图数据与心电图分类之间的对应关系，确定各心电图数据对应的心电图分类。
上述心电导联检测方法，终端获取用户输入的心电图数据分类指令，在对心电图数据进行分类时，根据心电图数据和预设的导联检测模型，获取导联类型，根据导联类型、心电图数据和预设的心电图检测模型，获取心电图分类。本实施例中，终端根据用户输入的心电图数据分类指令，在对心电图数据进行分类时，先获取心电图数据对应的导联类型，进而根据确定了导联类型的心电图数据和预设的心电图检测模型，提高心电图分类准确性。
图5为另一个实施例中心电导联检测方法的流程示意图，本实施例涉及的是获取心电图数据的具体过程，如图5所示，S101“获取心电图数据”一种可能的实现方法包括以下步骤：
S401、对心电图进行裁剪处理，得到第一心电图数据。
具体地，心电图可以是一种波形，该波形中每个时间点对应不同的电平值，对心电图进行裁剪处理，可以是选取一段心电图波形中的多个时间点对应的电平值，得到第一心电图数据。例如，选取单通道，周期超过10秒的心电图，选取该心电图n个时间点，将数值化后的心电图数据相应导联上的一小段信号，记为s＝[x0x1...xt...xn-1]，其中，选取的时间点的点数为n,即为第一心电图数据。
S402、对第一心电图数据进行向量重塑处理，获得第二心电图数据。
具体地，在上述实施例的基础上，获得第一心电图数据，对该第一心电图数据进行向量转换，获得第二心电图数据，该第二心电图数据的特征可以包括时序特征。由于第一心电图数据是通过将心电图进行裁剪处理获得的，且第一心电图数据可以是一组电平值，但是在机器学习算法的分类器中，常常使用连续且有序的数据，上述电平值，并不是有序的数据。因此需要对其进行向量重塑处理，获得第二心电图数据。在对第一心电图数据进行向量重塑时，可以采用对第一心电图数据进行编码，获得第二心电图数据。例如，在上述实施例的基础上，得到第一心电图数据s＝[x0x1...xt...xn-1],对s以单位长度k划分，构成(n/k)*k的矩阵获得即为第二心电图数据。如图5a所示,在对第一心电图数据进行划分之前，可以对数据样本X的均值E(X)和方差D(X)，由公式进行归一化处理。
上述心电导联检测方法，终端对心电图进行裁剪处理，得到第一心电图数据，再对第一心电图数据进行向量重塑处理，获得第二心电图数据。本实施例中，终端首先对心电图进行裁剪处理，获得第一心电图数据，再对第一心电图数据进行向量重塑处理，获得第二心电图数据，进而根据第一心电图数据、第二心电图数据和预设的导联检测模型，获取导联类型。使得获取的导联类型更加准确，进一步地提高了心电图分类的准确度。
在上述实施例的基础上，在获取了包括空间特征的第一心电图数据，和包括时序特征的第二心电图数据后，可以将第一心电图数据和第二心电图数据输入不同的模型，以输出更加准确的心电导联类型。可选地，预设的导联检测模型包括:空间特征检测模型、时序特征检测模型和合并检测模型，其中，空间特征检测模型用于对第一心电图数据进行学习，输出第一心电图数据对应的空间特征数据；时序特征检测模型用于对第二心电图数据进行学习，输出第二心电图数据对应的时序特征数据；合并检测模型用于对空间特征数据和时序特征数据进行学习，输出心电图数据对应的导联类型。
具体地，如图6所示，预设的导联检测模型10包括:空间特征检测模型110、时序特征检测模型120和合并检测模型130。其中，空间特征检测模型110可以是CNN神经网络，通过层级堆叠CNN神经网络学习不同导联心电图的空间特征，CNN神经网络中可以使用多层个数不同的3*3尺寸的卷积核作为卷积层构成残差单元，在每个残差单元里，将单元的输入和输出合并，作为下一单元的输入，循环直到全连接层。CNN神经网络可以通过卷积层、批归一化(Batch Normalization)方法、池化(Pooling)层、神经元失活(DropOut)方法、激活层和全连接层及归一化指数函数(Softmax)等网络层和方法自由组合而成的网络结构。ResNet、VGG、DenseNet等网络作为CNN网络，本申请实施例对此不做限制。上述时序特征检测模型120可以是RNN神经网络，RNN神经网络选取LSTM模型，LSTM网络包含输入门、遗忘门和输出门等结构，实现对心电图语义的理解，以对时序特征的第二心电图数据进行机器学习。上述合并检测模型130可以是对上述空间特征检测模型110和时序特征检测模型120的输出数据进行合并的模型，其可以是将上述空间特征检测模型110和时序特征检测模型120的输出特征输入到两个堆叠的全连接层，最后输入Softmax层作为输出层，输出心电图导联类别的概率分布的模型。
进一步地，上述空间特征检测模型110、时序特征检测模型120和合并检测模型130合并形成了一个神经网络分类器。终端还可以通过优化算法对神经网络中的数据进行处理，使得数据能够更加适用于神经网络算法。例如，终端可以采用残差网络，对每个残差单元，使用批归一化(Batch Normalization)处理进行特征图的归一化，DropOut(取参数0.5)进行随机神经元失活，最大池化(MaxPooling)实现池化操作，其中卷积核尺寸为1*2，和使用修正线性单元(ReLU)进行线性函数的非线性化(激活)等技术，提升神经网络算法的准确性。
进一步地，在根据心电图数据和预设的导联检测模型获取导联类型之前，还可以先对导联检测模型进行训练，获得预设的导联检测模型，进一步地提高获得的导联类型的准确性，下面通过图7所示实施例来详细说明。
图7为另一个实施例中心电导联检测方法的流程示意图，本实施例涉及的是通过对导联检测模型进行训练，获得预设的导联检测模型的具体过程，如图7所示，该方法还包括以下步骤：
S501、获取多个心电图数据。
具体地，终端可以一次获取多个心电图数据，也可以是一次检测一个心电图数据，将检测的心电图数据存入一个文件夹中，当需要使用多个心电图数据时，调用该文件夹，即可获取多个心电图数据，本申请实施例对此不做限制。
S502、以多个心电图数据作为输入，将多个心电图数据对应的导联类型作为输出，对导联检测模型进行训练。
具体地，在上述实施例的基础上，将获取的多个心电图数据作为输入，将多个心电图数据对应的导联类型作为输出，对导联检测模型进行训练。其可以是通过将多个心电图数据作为输入，通过导联检测模型中预设的参数，分别获得多个心电图数据对应的导联类型，将该导联类型与心电图数据实际对应的导联类型进行比较，获得比较结果，根据比较结果，调整导联检测模型中的参数，直至通过导联检测模型输出的导联类型，与实际的导联类型的差异在可接受的范围内为止。例如，训练过程可以是采用自适应矩估计(AdaptiveMoment Estimation，Adam)优化器来进行分类参数的迭代优化，其学习率为10-4，权重衰减因子为0.0005，当达到理想精度以后停止训练。训练完成后，得到一个可以对心电图导联进行分类的模型。对该模型输入心电图数据，模型输出该心电图数据的导联类型概率分布，概率值最大的即为该信号的导联类型，进而实现心电图导联类型的自动判断，并进一步与心电图数据的导联标签对照。
可选地，对导联检测模型进行训练包括：以多个第一心电图数据作为输入，将多个第一心电图数据对应的空间特征数据作为输出，对空间特征检测模型进行训练；以多个第二心电图数据作为输入，将多个第二心电图数据对应的时序特征数据作为输出，对时序特征检测模型进行训练；以多个空间特征数据和多个时序特征数据作为输入，以多个心电图数据对应的导联类型作为输出，对合并检测模型进行训练。
上述心电导联检测方法，终端获取多个心电图数据，并以多个心电图数据作为输入，将多个心电图数据对应的导联类型作为输出，对导联检测模型进行训练。本实施例中，通过多个心电图数据对导联检测模型进行训练，获得预设的导联检测模型，使得通过心电图数据和预设导联检测模型获得导联类型更加准确，进而进一步地提高了心电图分类的准确度。
应该理解的是，虽然图2-7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2-7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。
图8为一个实施例中提供的心电导联检测装置的结构示意图，如图8所示，该心电导联检测装置包括：获取模块10和检测模块20，其中：
获取模块10，用于获取心电图数据；
检测模块20，用于根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
本发明实施例提供的心电导联检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图9为另一个实施例中提供的心电导联检测装置的结构示意图，在图8所示实施例的基础上，如图9所示，心电导联检测装置还包括：提醒模块30，其中：
检测模块20还用于在每次获取心电图数据时，根据所述心电图数据和预设的导联检测模型，获取导联类型；
提醒模块30，用于若所述导联类型为导联错误，输出导联错误提醒信息，所述导联错误提醒信息包括声明和/或警报。
本发明实施例提供的心电导联检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图10为另一个实施例中提供的心电导联检测装置的结构示意图，在图8或图9所示实施例的基础上，如图10所示，心电导联检测装置还包括：心电模块40，其中：
检测模块20还用于在接收到用于指示对心电图数据进行分类的心电图数据分类指令时，根据所述心电图数据和预设的导联检测模型，获取导联类型；
心电模块40用于根据所述导联类型、所述心电图数据和所述预设的心电图检测模型，获取心电图分类。
在一个实施例中，获取模块10具体用于对所述心电图进行裁剪处理，得到第一心电图数据；对所述第一心电图数据进行向量重塑处理，获得第二心电图数据。
在一个实施例中，所述预设的导联检测模型包括:空间特征检测模型、时序特征检测模型和合并检测模型；所述空间特征检测模型用于对所述第一心电图数据进行学习，输出所述第一心电图数据对应的空间特征数据；所述时序特征检测模型用于对所述第二心电图数据进行学习，输出所述第二心电图数据对应的时序特征数据；所述合并检测模型用于对所述空间特征数据和所述时序特征数据进行学习，输出所述心电图数据对应的导联类型。
需要说明的是，图10是在图9所示实施例的基础上示出，图10也可以是在图8所示实施例的基础上示出，本申请实施例对此不做限制。
本发明实施例提供的心电导联检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图11为另一个实施例中提供的心电导联检测装置的结构示意图，在图8-10任一项所示实施例的基础上，如图11所示，心电导联检测装置还包括：训练模块50，其中，
获取模块10还用于获取多个心电图数据；
训练模块50用于以所述多个心电图数据作为输入，将多个所述心电图数据对应的导联类型作为输出，对导联检测模型进行训练。
在一个实施例中，训练模块50具体用于以多个所述第一心电图数据作为输入，将多个所述第一心电图数据对应的空间特征数据作为输出，对所述空间特征检测模型进行训练；以多个所述第二心电图数据作为输入，将多个所述第二心电图数据对应的时序特征数据作为输出，对所述时序特征检测模型进行训练；以多个所述空间特征数据和多个所述时序特征数据作为输入，以多个所述心电图数据对应的导联类型作为输出，对所述合并检测模型进行训练。
需要说明的是，图11是在图10所示实施例的基础上示出，图11也可以是在图8或图9所示实施例的基础上示出，本申请实施例对此不做限制。
本发明实施例提供的心电导联检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于一种心电导联检测装置的具体限定可以参见上文中对心电导联检测方法的限定，在此不再赘述。上述心电导联检测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设备，其内部结构图可以如图12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一种心电导联检测方法。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12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，提供了一种终端设备，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以下步骤：
获取心电图数据；
根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在每次获取心电图数据时，根据所述心电图数据和预设的导联检测模型，获取导联类型；若所述导联类型为导联错误，输出导联错误提醒信息，所述导联错误提醒信息包括声明和/或警报。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在接收到用于指示对心电图数据进行分类的心电图数据分类指令时，根据所述心电图数据和预设的导联检测模型，获取导联类型；根据所述导联类型、所述心电图数据和所述预设的心电图检测模型，获取心电图分类。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述心电图进行裁剪处理，得到第一心电图数据；对所述第一心电图数据进行向量重塑处理，获得第二心电图数据。
在一个实施例中，所述预设的导联检测模型包括：空间特征检测模型、时序特征检测模型和合并检测模型；所述空间特征检测模型用于对所述第一心电图数据进行学习，输出所述第一心电图数据对应的空间特征数据；所述时序特征检测模型用于对所述第二心电图数据进行学习，输出所述第二心电图数据对应的时序特征数据；所述合并检测模型用于对所述空间特征数据和所述时序特征数据进行学习，输出所述心电图数据对应的导联类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个心电图数据；以所述多个心电图数据作为输入，将多个所述心电图数据对应的导联类型作为输出，对导联检测模型进行训练。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：以多个所述第一心电图数据作为输入，将多个所述第一心电图数据对应的空间特征数据作为输出，对所述空间特征检测模型进行训练；以多个所述第二心电图数据作为输入，将多个所述第二心电图数据对应的时序特征数据作为输出，对所述时序特征检测模型进行训练；以多个所述空间特征数据和多个所述时序特征数据作为输入，以多个所述心电图数据对应的导联类型作为输出，对所述合并检测模型进行训练。
本实施例提供的终端设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取心电图数据；
根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：在每次获取心电图数据时，根据所述心电图数据和预设的导联检测模型，获取导联类型；若所述导联类型为导联错误，输出导联错误提醒信息，所述导联错误提醒信息包括声明和/或警报。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：在接收到用于指示对心电图数据进行分类的心电图数据分类指令时，根据所述心电图数据和预设的导联检测模型，获取导联类型；根据所述导联类型、所述心电图数据和所述预设的心电图检测模型，获取心电图分类。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：对所述心电图进行裁剪处理，得到第一心电图数据；对所述第一心电图数据进行向量重塑处理，获得第二心电图数据。
在一个实施例中，所述预设的导联检测模型包括：空间特征检测模型、时序特征检测模型和合并检测模型；所述空间特征检测模型用于对所述第一心电图数据进行学习，输出所述第一心电图数据对应的空间特征数据；所述时序特征检测模型用于对所述第二心电图数据进行学习，输出所述第二心电图数据对应的时序特征数据；所述合并检测模型用于对所述空间特征数据和所述时序特征数据进行学习，输出所述心电图数据对应的导联类型。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取多个心电图数据；以所述多个心电图数据作为输入，将多个所述心电图数据对应的导联类型作为输出，对导联检测模型进行训练。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：以多个所述第一心电图数据作为输入，将多个所述第一心电图数据对应的空间特征数据作为输出，对所述空间特征检测模型进行训练；以多个所述第二心电图数据作为输入，将多个所述第二心电图数据对应的时序特征数据作为输出，对所述时序特征检测模型进行训练；以多个所述空间特征数据和所述时序多个特征数据作为输入，以多个所述心电图数据对应的导联类型作为输出，对所述合并检测模型进行训练。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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，是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。
以上所述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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种心电导联检测方法，其特征在于，包括：
获取心电图数据；
根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
2.根据权利要求1所述方法，其特征在于，所述根据所述心电图数据和预设的导联检测模型，获取导联类型，包括：
在每次获取心电图数据时，根据所述心电图数据和预设的导联检测模型，获取导联类型；
若所述导联类型为导联错误，输出导联错误提醒信息，所述导联错误提醒信息包括声明和/或警报。
3.根据权利要求1所述方法，其特征在于，所述根据所述心电图数据和预设的导联检测模型，获取导联类型，还包括：
在接收到用于指示对心电图数据进行分类的心电图数据分类指令时，根据所述心电图数据和预设的导联检测模型，获取导联类型；
根据所述导联类型、所述心电图数据和所述预设的心电图检测模型，获取心电图分类。
4.根据权利要求1-3任一项所述方法，其特征在于，所述获取心电图数据，包括：
对所述心电图进行裁剪处理，得到第一心电图数据；
对所述第一心电图数据进行向量重塑处理，获得第二心电图数据。
5.根据权利要求4所述方法，其特征在于，所述预设的导联检测模型包括:空间特征检测模型、时序特征检测模型和合并检测模型；
所述空间特征检测模型用于对所述第一心电图数据进行学习，输出所述第一心电图数据对应的空间特征数据；
所述时序特征检测模型用于对所述第二心电图数据进行学习，输出所述第二心电图数据对应的时序特征数据；
所述合并检测模型用于对所述空间特征数据和所述时序特征数据进行学习，输出所述心电图数据对应的导联类型。
6.根据权利要求5所述方法，其特征在于，所述方法还包括：
获取多个心电图数据；
以所述多个心电图数据作为输入，将多个所述心电图数据对应的导联类型作为输出，对导联检测模型进行训练。
7.根据权利要求6所述方法，其特征在于，所述对导联检测模型进行训练包括：
以多个所述第一心电图数据作为输入，将多个所述第一心电图数据对应的空间特征数据作为输出，对所述空间特征检测模型进行训练；
以多个所述第二心电图数据作为输入，将多个所述第二心电图数据对应的时序特征数据作为输出，对所述时序特征检测模型进行训练；
以多个所述空间特征数据和多个所述时序特征数据作为输入，以多个所述心电图数据对应的导联类型作为输出，对所述合并检测模型进行训练。
8.一种心电导联检测装置，其特征在于，所述装置包括：
获取模块，用于获取心电图数据；
检测模块，用于根据所述心电图数据和预设的导联检测模型，获取导联类型；所述导联类型包括各电极位置对应的导联类型信息。
9.一种计算机设备，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1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
CN201811626379.1A 2018-12-28 2018-12-28 心电导联检测方法、装置、设备和存储介质 Active CN109589110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811626379.1A CN109589110B (zh) 2018-12-28 2018-12-28 心电导联检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811626379.1A CN109589110B (zh) 2018-12-28 2018-12-28 心电导联检测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN109589110A true CN109589110A (zh) 2019-04-09
CN109589110B CN109589110B (zh) 2021-09-21

Family

ID=65964602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811626379.1A Active CN109589110B (zh) 2018-12-28 2018-12-28 心电导联检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN109589110B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110327034A (zh) * 2019-04-15 2019-10-15 浙江工业大学 一种基于深度特征融合网络的心动过速心电图的筛查方法
CN110680278A (zh) * 2019-09-10 2020-01-14 广州视源电子科技股份有限公司 基于卷积神经网络的心电信号识别装置
CN111265194A (zh) * 2019-12-11 2020-06-12 广州视源电子科技股份有限公司 心室肥大的检测方法、装置、存储介质和处理器
CN112568911A (zh) * 2019-09-30 2021-03-30 深圳市理邦精密仪器股份有限公司 心电数据的分类方法、设备及具有存储功能的装置
CN114287949A (zh) * 2020-12-29 2022-04-08 深圳迈瑞软件技术有限公司 心电信号的监测方法、监护装置和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6042548A (en) * 1997-11-14 2000-03-28 Hypervigilant Technologies Virtual neurological monitor and method
CN101467879A (zh) * 2007-12-26 2009-07-01 深圳迈瑞生物医疗电子股份有限公司 一种基于多导同步心电信号处理方法及装置
CN102188240A (zh) * 2010-03-05 2011-09-21 华东师范大学 一种心电图数据采样方法及其装置
CN104473629A (zh) * 2013-11-19 2015-04-01 邱磊 基于核函数分类算法的心电电极错误放置自动检测方法
CN106901723A (zh) * 2017-04-20 2017-06-30 济南浪潮高新科技投资发展有限公司 一种心电图异常自动诊断方法
WO2017133449A1 (zh) * 2016-02-02 2017-08-10 安徽华米信息科技有限公司 可穿戴设备及心电信号的获取
CN107951485A (zh) * 2017-11-27 2018-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的动态心电图分析方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6042548A (en) * 1997-11-14 2000-03-28 Hypervigilant Technologies Virtual neurological monitor and method
CN101467879A (zh) * 2007-12-26 2009-07-01 深圳迈瑞生物医疗电子股份有限公司 一种基于多导同步心电信号处理方法及装置
CN102188240A (zh) * 2010-03-05 2011-09-21 华东师范大学 一种心电图数据采样方法及其装置
CN104473629A (zh) * 2013-11-19 2015-04-01 邱磊 基于核函数分类算法的心电电极错误放置自动检测方法
WO2017133449A1 (zh) * 2016-02-02 2017-08-10 安徽华米信息科技有限公司 可穿戴设备及心电信号的获取
CN106901723A (zh) * 2017-04-20 2017-06-30 济南浪潮高新科技投资发展有限公司 一种心电图异常自动诊断方法
CN107951485A (zh) * 2017-11-27 2018-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的动态心电图分析方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李延军，唐晓英，许志: "一种基于波形特征的12导联心电信号质量的估计方法", 《航天医学与医学工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110327034A (zh) * 2019-04-15 2019-10-15 浙江工业大学 一种基于深度特征融合网络的心动过速心电图的筛查方法
CN110680278A (zh) * 2019-09-10 2020-01-14 广州视源电子科技股份有限公司 基于卷积神经网络的心电信号识别装置
CN110680278B (zh) * 2019-09-10 2022-07-19 广州视源电子科技股份有限公司 基于卷积神经网络的心电信号识别装置
CN112568911A (zh) * 2019-09-30 2021-03-30 深圳市理邦精密仪器股份有限公司 心电数据的分类方法、设备及具有存储功能的装置
CN111265194A (zh) * 2019-12-11 2020-06-12 广州视源电子科技股份有限公司 心室肥大的检测方法、装置、存储介质和处理器
CN111265194B (zh) * 2019-12-11 2023-02-14 广州视源电子科技股份有限公司 心室肥大的检测方法、装置、存储介质和处理器
CN114287949A (zh) * 2020-12-29 2022-04-08 深圳迈瑞软件技术有限公司 心电信号的监测方法、监护装置和存储介质

Also Published As

Publication number Publication date
CN109589110B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN109589110A (zh) 心电导联检测方法、装置、设备和存储介质
US10869610B2 (en) System and method for identifying cardiac arrhythmias with deep neural networks
CN109620205B (zh) 心电数据分类方法、装置、计算机设备和存储介质
CN109431492B (zh) 基于神经网络算法的心电图导联数据模拟重建方法
EP4042445A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN110226920A (zh) 心电信号识别方法、装置、计算机设备和存储介质
WO2022193312A1 (zh) 基于多导联的心电信号识别方法和心电信号识别装置
CN111657925A (zh) 基于机器学习的心电信号分类方法、系统、终端以及存储介质
CN109009084A (zh) 多导联心电信号的qrs波群校验方法、装置及设备、介质
Chen et al. Large-scale classification of 12-lead ECG with deep learning
CN111803059A (zh) 一种基于时域卷积网络的心电信号分类方法及装置
Allami et al. A genetic algorithm-neural network wrapper approach for bundle branch block detection
CN110432894B (zh) 心电图关键点标注方法及电子设备
CN112690802A (zh) 一种检测心电信号的方法、装置、终端及存储介质
EP4041073A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Vasconcellos et al. Siamese convolutional neural network for heartbeat classification using limited 12-lead ECG datasets
Mirza et al. Human heart disease prediction using data mining techniques
JP7119012B2 (ja) 不整脈に関係する心拍を分類するためのシステム
Sugimoto et al. Deep learning-based detection of periodic abnormal waves in ecg data
EP4165646A1 (en) Methods and systems for searching an ecg database
CN111657914A (zh) 基于深度学习的心电图形态的识别方法和装置
Cao et al. A deep convolutional neural network-based label completion and correction strategy for supervised medical image learning
Popa et al. Comparing two different types of deep neural networks to improve accuracy in ecg intepretation
CN117547283B (zh) 心电信号数据分类方法、装置、计算机设备及介质
WO2023178789A1 (zh) 患病风险估计网络的优化方法、装置、介质及设备

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