CN109754877B - 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 - Google Patents
一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 Download PDFInfo
- Publication number
- CN109754877B CN109754877B CN201810065498.8A CN201810065498A CN109754877B CN 109754877 B CN109754877 B CN 109754877B CN 201810065498 A CN201810065498 A CN 201810065498A CN 109754877 B CN109754877 B CN 109754877B
- Authority
- CN
- China
- Prior art keywords
- myocardial infarction
- data
- electrocardiogram
- acute myocardial
- artificial intelligence
- 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.)
- Active
Links
- 206010000891 acute myocardial infarction Diseases 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 208000010125 myocardial infarction Diseases 0.000 claims abstract description 25
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000002583 angiography Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 206010008479 Chest Pain Diseases 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000002861 ventricular Effects 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 claims description 2
- 239000002872 contrast media Substances 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000001154 acute effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002107 myocardial effect Effects 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 208000006117 ST-elevation myocardial infarction Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 102000013394 Troponin I Human genes 0.000 description 1
- 108010065729 Troponin I Proteins 0.000 description 1
- 102100036859 Troponin I, cardiac muscle Human genes 0.000 description 1
- 101710128251 Troponin I, cardiac muscle Proteins 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001917 fluorescence detection Methods 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，包括：数据采集系统、云平台数据存储系统，所述数据采集系统通信连接于云平台数据存储系统，云平台数据存储系统连接于数据建模分析系统，所述数据建模分析系统上连接有数据显示系统；所述数据采集系统包括心电图采集系统、血管造影装置、临床试验观察表、胸痛发生至心电图获取的时间；本发明依托大数据云平台，建立基于体表十二导联标准心电图的特征识别急性心肌梗死(定性、定位、定时期)的人工智能算法，建立整体的心肌梗死自动判别智能系统平台，可以快速实现急性心肌梗死自动判别，提高诊断效率。
Description
技术领域
本发明涉及数据自动智能化处理判别系统，具体为一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统。
背景技术
急性心肌梗死是冠状动脉急性、持续性缺血缺氧所引起的心肌坏死。临床上多有剧烈而持久的胸骨后疼痛，休息及硝酸酯类药物不能完全缓解，伴有血清心肌酶活性增高及进行性心电图变化，可并发心律失常、休克或心力衰竭，常可危及生命。本病在欧美最常见，美国每年约有150万人发生心肌梗死。中国近年来呈明显上升趋势，每年新发至少50万，现患至少200万。目前，急性心肌梗死目前临床诊断根据胸痛症状+心电图+心肌酶指标，例如，中国专利ZL 201020185781.3公开了一种快速定量检测心肌肌钙蛋白I的试条装置，其包括基体，基体上由左向右依次设有加样区、过滤层区、试剂存储区、微沟道和废液区，微沟道上设有检测区，检测区的上、下方分别设有荧光检测装置和磁力装置。该专利只能实现一种心梗标志物心肌肌钙蛋白I的检测，无法对心肌梗死发展阶段及梗死面积做出更为准确的判断。但心电图在急性ST段抬高性心肌梗死(STEMI)中诊断有重要意义。
发明内容
本发明所解决的技术问题在于提供一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，以解决上述背景技术中的问题。
本发明所解决的技术问题采用以下技术方案来实现：一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，包括：数据采集系统、云平台数据存储系统，所述数据采集系统通信连接于云平台数据存储系统，云平台数据存储系统连接于数据建模分析系统，所述数据建模分析系统上连接有数据显示系统；
所述数据采集系统包括心电图采集系统、血管造影装置、临床试验观察表、胸痛发生至心电图获取的时间；
所述心电图采集系统获取原始心电图数据，其包括12个导联：QRS波的Q 波波幅、ST段波幅，T波波幅。
所述云平台数据存储系统采用原始心电图读入自动识别系统，利用波形识别算法及傅里叶变换，解卷积法，将识别的波形转换为量化的指标，将DSA图像作为金标准标记，整理和搜集相应患者的心电图。
所述数据建模分析系统使用回顾性的心电图及DSA图像，利用深度卷积神经网络(CNN)训练急性心肌梗死的定性及定位模型；DSA数据作为发生心梗部位的金标准，提供了发生心梗区域的准确位置，通过DSA金标准的标记，将问题转化为人工智能建模的多分类问题，利用改进的多分类算法，将转化的二进制原始心电数据进行训练建模，形成判断心梗部位的自动判别人工智能模型。
所述数据建模分析系统其包括以下步骤
(1)定性：判断是否为心梗；
(2)定位：判断心梗部位，其包括前降支、回旋支、右冠、D1对角支，OM 支，AM支，左室后支、后降支；
(3)定时期：通过回顾性数据训练，预测心梗发生的时间，对病人进行实时监护预警，加入时间相关的数据进行深度神经网络学习，需要使用循环神经网络(RNN)进行模型训练，该模型可以根据该时间序列上的大数据进行更加精准的建模，最后得到急性心肌梗死的定性及定位模型。
与已公开技术相比，本发明存在以下优点：本发明基于大数据云平台，建立基于体表十二导联标准心电图的特征识别急性心肌梗死(定性、定位、定时期)的人工智能算法，建立整体的心肌梗死自动判别智能系统平台，可以快速实现急性心肌梗死自动判别，实现实时预警，提高诊断敏感性。
附图说明
图1为本发明的系统原理图。
具体实施方式
为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效易于明白了解，下面将结合本发明实施例，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所示，一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，包括：数据采集系统、云平台数据存储系统，所述数据采集系统通信连接于云平台数据存储系统，云平台数据存储系统连接于数据建模分析系统，所述数据建模分析系统上连接有数据显示系统；
所述数据采集系统包括心电图采集系统、血管造影装置、临床试验观察表、胸痛发生至心电图获取的时间；
所述数据采集系统安装在临床设备设备或可穿戴设备内。
所述心电图采集系统获取原始心电图数据，其包括12个导联：QRS波的Q 波波幅、ST段波幅，T波波幅。
所述血管造影装置在急诊时通过注入造影剂让血管成像，进行数据采集。
所述云平台数据存储系统采用原始心电图读入自动识别系统，利用波形识别算法及傅里叶变换，解卷积法，将识别的波形转换为量化的指标，将DSA图像作为金标准标记，整理和搜集相应患者的心电图，
所述数据建模分析系统使用回顾性的心电图及DSA图像，利用深度卷积神经网络(CNN)训练急性心肌梗死的定性及定位模型；DSA数据作为发生心梗部位的金标准，提供了发生心梗区域的准确位置，通过DSA金标准的标记，将问题转化为人工智能建模的多分类问题，利用改进的多分类算法，将转化的二进制数据进行训练建模，形成判断心梗部位的自动判别人工智能模型。
所述数据建模分析系统其包括以下步骤
(1)定性：判断是否为心梗；
(2)定位：判断心梗部位，其包括前降支、回旋支、右冠、D1对角支，OM 支，AM支，左室后支、后降支；
(3)定时期：通过回顾性数据训练，预测心梗发生的时间，对病人进行实时监护预警，加入时间相关的数据进行深度神经网络学习，需要使用循环神经网络(RNN)进行模型训练，该模型可以根据该时间序列上的大数据进行更加精准的建模，最后得到急性心肌梗死的定性及定位模型。
本发明提供了用于存储12导联标准心电图数据的智能云平台及与可穿戴式设备心电监护硬件一起的，用于实时的，自动判别心肌梗死的人工智能系统；该系统包括了可穿戴心电监护设备，用于标准心电数据存储的云平台及基于人工智能的自动判别系统。因为心肌梗死的心电图会在急性期发生动态改变，因此需要加入时间维度，拟以DSA结果为金标准，根据心梗至心电图获取的时间+ 教科书已有的急性心肌梗死定性、定位、定时判读法则为基础，收集至少1万例心梗心电图数据，进行AI分析(包括算法建立和验证，深度学习等)；加入时间相关的数据进行深度神经网络学习，需要使用循环神经网络(RNN)进行模型训练，该模型可以根据该时间序列上的大数据进行更加精准的建模，最后得到急性心肌梗死的定性及定位模型。
以上显示和描述了本发明的基本原理、主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，包括：数据采集系统和云平台数据存储系统，其特征在于，所述数据采集系统通信连接于所述云平台数据存储系统，所述云平台数据存储系统连接于数据建模分析系统，所述数据建模分析系统上连接有数据显示系统；所述数据采集系统包括心电图采集系统、血管造影装置、临床试验观察表以及胸痛发生至心电图获取的时间；所述数据建模分析系统使用回顾性的心电图及DSA图像，利用深度卷积神经网络训练急性心肌梗死的定性及定位模型；DSA数据作为发生心梗部位的金标准，提供了发生心梗区域的准确位置，通过DSA金标准的标记，将问题转化为人工智能建模的多分类问题，利用改进的多分类算法，将转化的二进制数据进行训练建模，形成判断心梗部位的自动判别人工智能模型。
2.根据权利要求1所述的一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，其特征在于：所述心电图采集系统获取原始心电图数据，其包括12个导联：QRS波的Q波波幅、ST段波幅，T波波幅。
3.根据权利要求1所述的一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，其特征在于：所述血管造影装置在急诊时通过注入造影剂让血管成像，进行数据采集。
4.根据权利要求1所述的一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，其特征在于：所述云平台数据存储系统采用PDF版本的心电图读入自动识别系统，利用波形识别算法及傅里叶变换，解卷积法，将识别的波形转换为量化的指标，将DSA图像作为金标准标记，整理和搜集相应患者的心电图。
5.根据权利要求1所述的一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统，其特征在于：所述数据建模分析系统其包括以下步骤：
(1)定性：判断是否为心梗；
(2)定位：判断心梗部位，其包括前降支、回旋支、右冠、D1对角支，OM支，AM支，左室后支、后降支；
(3)定时期：通过回顾性数据训练，预测心梗发生的时间，对病人进行实时监护预警，加入时间相关的数据进行深度神经网络学习，需要使用循环神经网络进行模型训练，该模型可以根据该时间序列上的大数据进行更加精准的建模，最后得到急性心肌梗死的定性及定位模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810065498.8A CN109754877B (zh) | 2018-01-23 | 2018-01-23 | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810065498.8A CN109754877B (zh) | 2018-01-23 | 2018-01-23 | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109754877A CN109754877A (zh) | 2019-05-14 |
| CN109754877B true CN109754877B (zh) | 2023-12-22 |
Family
ID=66402361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810065498.8A Active CN109754877B (zh) | 2018-01-23 | 2018-01-23 | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754877B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363755A (zh) * | 2019-07-16 | 2019-10-22 | 中山大学 | 免造影剂的心肌梗死面积的检测方法、装置、设备及介质 |
| CN110522440B (zh) * | 2019-08-12 | 2021-04-13 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置 |
| CN111276218A (zh) * | 2020-01-10 | 2020-06-12 | 宁波智洲道济科技有限公司 | 一种精准诊疗系统、设备及方法 |
| CN111248877A (zh) * | 2020-04-18 | 2020-06-09 | 赵宏杰 | 一种心梗预警系统 |
| CN114496242B (zh) * | 2021-12-23 | 2023-06-16 | 上海市第十人民医院 | 一种心肌梗死预测方法、系统、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002089656A2 (en) * | 2001-05-04 | 2002-11-14 | Ischemia Technologies, Inc. | Diagnosis of acute myocardial infarction |
| CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
| CN104834921A (zh) * | 2015-05-22 | 2015-08-12 | 清华大学深圳研究生院 | 心电正/异常大数据处理方法及装置 |
| CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
| CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普（北京）科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9155487B2 (en) * | 2005-12-21 | 2015-10-13 | Michael Linderman | Method and apparatus for biometric analysis using EEG and EMG signals |
| US10252145B2 (en) * | 2016-05-02 | 2019-04-09 | Bao Tran | Smart device |
-
2018
- 2018-01-23 CN CN201810065498.8A patent/CN109754877B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002089656A2 (en) * | 2001-05-04 | 2002-11-14 | Ischemia Technologies, Inc. | Diagnosis of acute myocardial infarction |
| CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
| CN104834921A (zh) * | 2015-05-22 | 2015-08-12 | 清华大学深圳研究生院 | 心电正/异常大数据处理方法及装置 |
| CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
| CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普（北京）科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 临床医疗大数据研究现状与展望;陆易 等;《医疗卫生装备》;全文 * |
| 吕广辉 等.《实用临床诊疗指南》.2006,第322-323页. * |
| 颜红兵 等译.《美国ST段抬高心肌梗死治疗指南 2004年修订版》.2005,第107页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109754877A (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754877B (zh) | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 | |
| CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| Kachuee et al. | Ecg heartbeat classification: A deep transferable representation | |
| CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
| CN105748063A (zh) | 基于多导联和卷积神经网络的心律失常智能诊断方法 | |
| CN109549644B (zh) | 一种基于脑电采集的人格特征匹配系统 | |
| Tueche et al. | Embedded algorithm for QRS detection based on signal shape | |
| CN111557659B (zh) | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 | |
| Wang et al. | Automated classification model with OTSU and CNN method for premature ventricular contraction detection | |
| CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
| Kuila et al. | Feature extraction and classification of MIT-BIH arrhythmia database | |
| Ge et al. | ECG-signal classification using SVM with multi-feature | |
| Deevi et al. | HeartNetEC: a deep representation learning approach for ECG beat classification | |
| Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
| Lee et al. | Automatic detection of electrocardiogram ST segment: Application in ischemic disease diagnosis | |
| CN108926343B (zh) | 基于cnn神经网络的急性心肌梗死定性自动判别系统 | |
| CN108926344B (zh) | 一种基于cnn神经网络的急性心肌梗死定位自动判别系统 | |
| Upasani et al. | Automated ECG Diagnosis | |
| Wesselius et al. | An accurate and efficient method to train classifiers for atrial fibrillation detection in ECGs: Learning by asking better questions | |
| Khamis et al. | Detection of atrial fibrillation from RR intervals and PQRST morphology using a neural network ensemble | |
| Zhang | Arrhythmias classification based on CNN and LSTM_ATTENTION hybrid model | |
| Al Fahoum | Complex Wavelet-enhanced Convolutional Neural Networks for Electrocardiogram-based Detection of Paroxysmal Atrial Fibrillation | |
| Kim et al. | Lightweight Convolutional Neural Network for Real-Time Arrhythmia Classification on Low-Power Wearable Electrocardiograph | |
| CN110960207A (zh) | 一种基于树模型的房颤检测方法、装置、设备及存储介质 | |
| Nursalim et al. | Classification of electrocardiogram signal using deep learning models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| DD01 | Delivery of document by public notice | ||
| DD01 | Delivery of document by public notice |
Addressee: SHANGHAI YISHI NETWORK TECHNOLOGY CO.,LTD. Person in charge of patentsThe principal of patent Document name: Notification of Passing Examination on Formalities |
|
| 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 |