CN110403600B - 基于差值时间散点图的阵发性房颤智能分析方法及系统 - Google Patents
基于差值时间散点图的阵发性房颤智能分析方法及系统 Download PDFInfo
- Publication number
- CN110403600B CN110403600B CN201910682483.0A CN201910682483A CN110403600B CN 110403600 B CN110403600 B CN 110403600B CN 201910682483 A CN201910682483 A CN 201910682483A CN 110403600 B CN110403600 B CN 110403600B
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- data
- scatter diagram
- difference time
- electrocardiogram
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 138
- 238000010586 diagram Methods 0.000 title claims abstract description 81
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims description 18
- 230000007774 longterm Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 9
- 206010003119 arrhythmia Diseases 0.000 description 6
- 230000006793 arrhythmia Effects 0.000 description 6
- 208000006011 Stroke Diseases 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 208000005189 Embolism Diseases 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 208000001435 Thromboembolism Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010008088 Cerebral artery embolism Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010027395 Mesenteric artery embolism Diseases 0.000 description 1
- 206010049447 Tachyarrhythmia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Images
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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (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差值时间散点图的阵发性房颤智能分析方法及系统，所述方法包括训练阶段和检测阶段；训练阶段包括：A1)采集心电图原始训练数据；A2)绘制训练阶段的差值时间散点图；A3)对差值时间散点图标注房颤发作标签和非房颤发作标签；A4)训练卷积神经网络模型；检测阶段包括：B1)采集心电图原始检测数据；B2)绘制检测阶段的差值时间散点图；B3)将检测阶段的差值时间散点图输入至卷积神经网络模型，输出阵发性房颤智能分析结果。本发明利用差值时间散点图分类的方法，可以实现阵发性房颤的智能诊断，从而实现对亚临床房颤患者的检出。
Description
技术领域
本发明涉及医疗人工智能技术领域，具体地指一种基于差值时间散点图的阵发性房颤智能分析方法及系统。
背景技术
心房颤动(简称房颤)是最常见的快速性心律失常症状，流行病学研究显示，1990-2010年间临床房颤的患病率和发病率显著增加，2010年全球临床房颤人数估计有3350万，我国房颤患者的人数超过1000万，临床房颤相关死亡率10年间统计数据增加2倍。房颤可形成左心房附壁血栓，导致的栓塞90％是脑动脉栓塞(缺血性脑卒中)，10％是外周动脉栓塞或者肠系膜动脉栓塞等。据全球疾病负担研究(Global Burden of Disease study，GBD)2017年的统计数据，卒中所造成的伤残调整寿命年占比5.29％。亚临床房颤一般认为无或者几乎无典型临床症状的房颤，其中一部分因体检或其他原因就医行心电图检查而发现，另一部分直到房颤相关并发症如卒中出现后才被发现，甚至卒中发生后仍未能发现。亚临床房颤最早是在植入起搏器患者观测到的。研究发现在植入起搏器检出房颤的患者中，仅有17％-21％的患者表现出房颤发作的相关症状。同时阵发性房颤的患者中，使用5天动态心电图监测评估，只有10％的房颤发作会引起症状。房颤发作无症状的患者比房颤发作有症状的数量要高12倍，这使得这类患者房颤的检出面临挑战。亚临床房颤患者的人数是临床房颤患者的数倍，而亚临床房颤的危害与房颤相同。预防房颤相关血栓栓塞并发征尤其是卒中，早期检出房颤意义重大。
目前关于24小时动态心电监测在亚临床房颤的筛查中的作用的证据是有限的。通过动态心电监测亚临床房颤的功效取决于心电监护的持续时间和方法，与植入记录仪和CIEDs(敏感度91％)相比，24小时动态心电监测具有中等敏感性(44％-46％)，随着检测时间的延长可增加亚临床房颤的检出率。
植入心脏电子设备(CIEDs)的患者能够检测到房颤的发作，研究表明部分植入CIEDs的患者发作房颤时无任何不适症状，亦不会寻求治疗，血栓栓塞的风险增加的最小房颤持续时间目前还未得到精确的定义，它可能缩短至几分钟至几小时。至2012年大部分试验都支持大于6分钟的亚临床房颤负荷具有临床意义。目前植入电子设备对亚临床房颤的患者的诊断，仅限于原本已植入CIEDs的患者。有几项研究基于植入CIEDs的隐源性卒中的患者，虽然植入CIEDs不能完全自动检测房颤，但在非密集随访的条件下，这类设备房颤检出率更高。
英国国家卫生与临床技术优化研究所(NICE)评估了不同设备在房颤初级筛查中的成本效益，WachBP Home A和Alivercor heart monitor device两种可穿戴设备在房颤初级筛查和预防卒中方面比更具节省成本。最近的研究显示，使用智能手表、手环在识别房颤上技术是可行的，使用该类技术基于社区的筛查可发现高危人群中的房颤。美国心律学会HRS在2015年的远程监测共识声明中对远程心电监测在早期房颤的检测及量化的应用为ⅠA级推荐。但这些设备都不是实时连续监测心电，真正的无症状房颤的应用方面监测是否有价值是暂待商榷。动态心电监测对亚临床房颤的诊断取决于检测的时间，然而随着检测时间的增加，既增加动态心电分析的工作量，同时也增加检测的费用。而植入设备昂贵，且为侵入式检查。而目前的心电可穿戴设备多为间断监测心电，因此以上三种检测亚临床房颤的方式均有明显的缺点。
基于亚临床房颤患者心律的异常可能在长时间的检测中暴露出来的特点。长时间连续心电检测和分析需要多天、长期监测，人工分析的难度和工作强度很大，误诊率也较高，同时房颤负荷无法具体量化。因此针对亚临床房颤患者检出需制定一整套心电监测方案，能够达到智能诊断，并且能具体量化房颤负荷，迫在眉睫。
发明内容
针对现有技术的不足之处，本发明提出了一种基于差值时间散点图的阵发性房颤智能分析方法及系统，通过人工智能技术实现阵发性房颤的智能分析和判断，从而实现对亚临床房颤患者的检出预测分析。
为实现上述目的，本发明提出一种基于差值时间散点图的阵发性房颤智能分析方法，其特殊之处在于，所述方法包括训练阶段和检测阶段；
所述训练阶段包括步骤：
A1)采集若干份长时动态心电图的原始训练数据，并过滤质量过低的信号段；
A2)根据每一份所述心电图的原始训练数据绘制训练阶段的差值时间散点图；所述差值时间散点图的绘制方法为：根据原始心电图数据标记所有的R波顶点；将取得的相邻两个R波顶点之间的间隔作为一个RR间期的时间宽度；对得到的心电图数据RR间期宽度序列进行遍历，以当前RR间期宽度M减去下一个RR间期宽度N得到的数据(M-N)为纵坐标，以时间纬度t为横坐标，绘制散点图(M-N，t)；
A3)对每一份所述训练阶段的差值时间散点图标注房颤发作标签和非房颤发作标签；
A4)将所有所述训练阶段的差值时间散点图和对应的房颤发作标签和非房颤发作标签作为卷积神经网络的输入，训练得到卷积神经网络模型；
所述检测阶段包括步骤：
B1)采集待检测的长时动态心电图的原始检测数据，并过滤质量过低的信号段；
B2)根据所述心电图的原始检测数据绘制检测阶段的差值时间散点图；
B3)将所述检测阶段的差值时间散点图输入至卷积神经网络模型，计算得到检测散点图的分类结果，输出阵发性房颤智能分析结果。
优选地，所述步骤A3)中对具有房颤时间段点集的心电图标注房颤发作标签，对具有非房颤时间段点集的心电图标注非房颤发作标签。
优选地，所述房颤时间段点集为围绕时间轴上下均匀分布、无中心连续分布的点集。
优选地，所述非房颤时间段点集为具有中心线装、呈连续分布或多条线状的点集。
优选地，所述步骤A4)之后还包括验证步骤：将样本原始心电图波形数据绘制为样本的差值时间散点图，输入经过训练的卷积神经网络模型输出样本心电图的阵发性房颤智能分析结果，所述结果的正确率高于设定值则前往检测阶段，否则返回步骤A1)。
优选地，所述长时动态心电图数据为连续采集的超过6小时的动态心电图数据。
本发明还提出一种上述基于差值时间散点图的阵发性房颤智能分析方法的系统，包括存储器、处理器、数据解析模块、数据分析模块；
所述数据解析模块：用于对采集长时动态心电图数据，并对原始数据进行格式转换；
所述数据分析模块：用于根据卷积神经网络模型，将输入的原始数据绘制为差值时间散点图，进行计算、分类，输出阵发性房颤智能分析结果。
进一步地，所述数据解析模块包括数据读取模块、图像格式转换模块和采样率转换模块；
所述数据读取模块：用于与心电图数据采集设备连接，采集长时动态心电图数据；
所述图像格式转换模块：用于将图像数据转换为CSV数据格式；
所述采样率转换模块：用于将原始检测数据的采样频率转换为与原始训练数据的采样频率相一致。
更进一步地，所述数据分析模块包括数据预处理模块、差值时间散点图生成模块和标注分类模块；
所述数据预处理模块：用于对原始检测数据进行质量评估，并过滤质量过低的信号；
所述散点图生成模块：用于根据原始检测数据生成差值时间散点图；
所述标注分类模块：用于根据卷积神经网络模型利用深度学习算法对差值时间散点图进行分类，从而实现对心电图的心律失常类型的分析判断，输出阵发性房颤智能分析结果。
在机器学习中，卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。一般地，CNN的基本结构包括两个阶段，每个阶段都包含若干层次，其一为特征提取阶段，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射阶段，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。因为CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者因为同一特征映射面上的神经元权值相同，所以网络可以并行学习。同一特征映射面上的神经元权值相同，所以网络可以并行学习。
差值时间散点图代表随着时间变化的RR间期序列的变化，每种心律都具有特征性内在的相互关联性，房颤的心电生理特性可以做RR间期显示出来。所以本发明利用机器学习技术学习时间散点图的特性，对心律失常进行初步的预判，针对预判的结果再进行分析：一方面对海量的心电数据可以进行快速的预判，另一方面强化了动态心电的诊断，让复杂的心律失常诊断更为智能，更为准确。本发明提出的训练阶段，通过区分不同时间段的阵发性房颤的时间散点图，将发作房颤的时间段和非发颤发作的时间段进行归类，训练卷积神经网络分类模型。
本发明利用差值时间散点图分类的方法，可以对有亚临床房颤的患者进行长时间的检测分析，智能分析其有无阵发房颤的发作，从而让阵发房颤得以证实，提高阵发性房颤的检出率，同时降低假阳性率，早干预及治疗，降低全社会临床房颤的危害；另一方面也降低亚临床房颤的检测费用，同时也降低亚临床房颤并发症的经济负担和社会负担。
附图说明
图1本发明基于差值时间散点图的阵发性房颤智能分析方法的流程图。
图2为本发明基于差值时间散点图进行分类的深度学习模型训练和测试的原理图。
图3为主导节律为无房颤发作的心电图对应的差值时间散点图示例。
图4为主导节律为持续房颤发作的心电图对应的差值时间散点图示例。
图5为主导节律为阵发性房颤的心电图对应的差值时间散点图示例。
图6本发明基于差值时间散点图的阵发性房颤智能分析方法的系统的结构框图。
图7为本发明提出的用于对基于差值时间散点图进行分类的深度学习模型的一个实施案例的网络结构。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。
本发明提出的一种基于差值时间散点图的阵发性房颤智能分析方法，如图1和图2所示，包括训练阶段和检测阶段；
训练阶段包括步骤：
A1)采集若干份长时动态心电图的原始训练数据，并过滤质量过低的信号段。
获取大量长时阵发心房颤动的动态心电图的原始数据，并过滤质量过低的信号段。采集大量动态心电图样本，采样频率为500Hz，每个样本时长为24小时，基于心电信号波形的形态、频域特征以及其他非线性分析方法，分段评估心电信号的质量，并过滤质量过低的信号段。
A2)根据每一份心电图的原始训练数据绘制训练阶段的差值时间散点图：根据原始心电图数据标记所有的R波顶点。用基于阈值和小波分析的方法(或其他有效手段)提取R波顶点位置。利用R波顶点数据，得到RR间期宽度序列。相邻两个R波顶点之间的间隔就是一个RR间期的时间宽度。对得到的RR间期宽度序列进行遍历，以当前RR间期宽度M(单位为毫秒，取整数)减去下一个RR间期宽度N得到的数据(M-N)为纵坐标，以时间纬度t为横坐标，绘制差值时间散点图(M-N，t)。图3、图4、图5均为心电散点图的例图。
A3)对每一份所述训练阶段的差值时间散点图标注房颤发作标签和非房颤发作标签。
涵盖的心律失常类型标签具体包括：
1)房颤发作时间段标签房颤发作标签标注于具有房颤时间段点集的心电图，即具有围绕时间轴上下均匀分布、无中心连续分布特征的点集。
2)非房颤发作时间段标签非房颤发作标签标注于具有非房颤时间段点集的心电图，即具有中心线装、呈连续分布或多条线状特征的点集。
根据差值时间散点图形态区别房颤发作时间段点集和非房颤发作时间段点集：
a)房颤发作时间段点集
如图3所示，心房颤动的时间段点集，形态为以围绕时间轴上下(y＝0)分布散在间段点集
如图4所示，非心房颤动时间段点集，通常存在中心线状点集，呈连续分布，或多条线状点集。
A4)将所有训练阶段的差值时间散点图和对应的房颤发作标签和非房颤发作标签作为卷积神经网络(如图7所示)的输入，训练得到卷积神经网络模型。
将样本原始心电图波形数据绘制为样本的差值时间散点图，输入经过训练的卷积神经网络模型输出样本心电图的阵发性房颤智能分析结果，所述结果的正确率高于设定值则前往检测阶段，否则返回步骤A1)。
检测阶段包括步骤：
B1)采集待检测的长时动态心电图的原始检测数据，并过滤质量过低的信号段；获取长时动态心电图，每个样本时长为24小时，采样频率为500Hz(同训练阶段)，若频率与训练阶段预设的采样频率不同，则采用插值法转换到相同频率。同模型训练阶段的步骤A1)，基于心电信号波形的形态、频域特征以及其他非线性分析方法，分段评估心电信号的质量，并过滤质量过低的信号段。
B2)根据心电图的原始检测数据绘制检测差值时间散点图。
使用与模型训练阶段的步骤A2)相同的方式提取R波定点、得到RR间期宽度序列，进而获得差值时间散点图。
B3)利用通过模型训练阶段的步骤A4)得到训练完成的卷积神经网络模型，将B2)中得到的差值时间散点图作为卷积神经网络模型的输入，计算得到散点图的分类结果，即心电图的心律失常类型。
在模型训练阶段，深度学习框架采用TensorFlow，卷积神经网络的学习过程如下：
1)将采集并处理的长时动态心电图绘制成差值时间散点图之后，将差值时间散点图和房颤发作标签及非房颤发作标签作为训练数据存储于计算机中，设定迭代次数上限；
2)按图7构建卷积神经网络的结构，初始化参数，生成各卷积层、池化层、全连接层的权值；
3)根据当前的权值参数按照网络结构从前往后逐层计算，得到输出结果；
4)根据现有原始标签的数据，对整个神经网络的参数进行调整优化，更新各层的权值；
5)迭代次数自增，若达到迭代次数上限，则进入步骤6)，否则进入步骤3)；
6)卷积神经网络的各层参数训练完毕，得到卷积神经网络模型。
基于上述方法，本发明还提出一种基于差值时间散点图的阵发性房颤智能分析方法的系统，如图6所示，包括存储器、处理器、数据解析模块、数据分析模块。
数据解析模块：用于对采集长时动态心电图数据，并对原始数据进行格式转换。
数据分析模块：用于根据卷积神经网络模型，将输入的原始数据绘制为差值时间散点图，进行计算、分类，输出阵发性房颤智能分析结果。
数据解析模块包括数据读取模块、图像格式转换模块和采样率转换模块：数据读取模块：用于与心电图数据采集设备连接，采集长时动态心电图数据；图像格式转换模块：用于将图像数据转换为CSV数据格式；采样率转换模块：用于将原始检测数据的采样频率转换为与原始训练数据的采样频率相一致。
数据分析模块包括数据预处理模块、差值时间散点图生成模块和标注分类模块：数据预处理模块：用于对原始检测数据进行质量评估，并过滤质量过低的信号；散点图生成模块：用于根据原始检测数据生成差值时间散点图；标注分类模块：用于根据卷积神经网络模型利用深度学习算法对差值时间散点图进行分类，从而实现对心电图的心律失常类型的分析判断，输出阵发性房颤智能分析结果。
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式的具体变换，这些均属于本发明的保护范围内。
Claims (9)
1.一种基于差值时间散点图的房颤智能分析方法，其特征在于：所述方法包括训练阶段和检测阶段；
所述训练阶段包括步骤：
A1）采集若干份长时动态心电图的原始训练数据，并过滤质量过低的信号段；
A2）根据每一份所述心电图的原始训练数据绘制训练阶段的差值时间散点图；所述差值时间散点图的绘制方法为：根据原始心电图数据标记所有的R波顶点；将取得的相邻两个R波顶点之间的间隔作为一个RR间期的时间宽度；对得到的心电图数据RR间期宽度序列进行遍历，以当前RR间期宽度M减去下一个RR间期宽度N得到的数据（M-N）为纵坐标，以时间纬度t为横坐标，绘制散点图（M-N，t）；
A3）对每一份所述训练阶段的差值时间散点图标注房颤发作标签和非房颤发作标签；
A4）将所有所述训练阶段的差值时间散点图和对应的房颤发作标签和非房颤发作标签作为卷积神经网络的输入，训练得到卷积神经网络模型；
所述检测阶段包括步骤：
B1）采集待检测的长时动态心电图的原始检测数据，并过滤质量过低的信号段；
B2）根据所述心电图的原始检测数据绘制检测阶段的差值时间散点图；
B3）将所述检测阶段的差值时间散点图输入至卷积神经网络模型，计算得到检测散点图的分类结果，输出房颤智能分析结果。
2.根据权利要求1所述的基于差值时间散点图的房颤智能分析方法，其特征在于：所述步骤A3）中对具有房颤时间段点集的心电图标注房颤发作标签，对具有非房颤时间段点集的心电图标注非房颤发作标签。
3.根据权利要求2所述的基于差值时间散点图的房颤智能分析方法，其特征在于：所述房颤时间段点集为围绕时间轴上下均匀分布、无中心连续分布的点集。
4.根据权利要求2所述的基于差值时间散点图的房颤智能分析方法，其特征在于：所述非房颤时间段点集为具有中心线装、呈连续分布或多条线状的点集。
5.根据权利要求1所述的基于差值时间散点图的房颤智能分析方法，其特征在于：所述步骤A4）之后还包括验证步骤：将样本原始心电图波形数据绘制为样本的差值时间散点图，输入经过训练的卷积神经网络模型输出样本心电图的房颤智能分析结果，所述结果的正确率高于设定值则前往检测阶段，否则返回步骤A1）。
6.根据权利要求1所述的基于差值时间散点图的房颤智能分析方法，其特征在于：所述长时动态心电图数据为连续采集的超过6小时的动态心电图数据。
7.一种根据权利要求1~6中任一权利要求所述的基于差值时间散点图的房颤智能分析方法的系统，其特征在于：包括存储器、处理器、数据解析模块、数据分析模块；
所述数据解析模块：用于对采集长时动态心电图数据，并对原始数据进行格式转换；
所述数据分析模块：用于根据卷积神经网络模型，将输入的原始数据绘制为差值时间散点图，进行计算、分类，输出房颤智能分析结果。
8.根据权利要求7所述的基于差值时间散点图的房颤智能分析方法的系统，其特征在于：所述数据解析模块包括数据读取模块、图像格式转换模块和采样率转换模块；
所述数据读取模块：用于与心电图数据采集设备连接，采集长时动态心电图数据；
所述图像格式转换模块：用于将图像数据转换为CSV数据格式；
所述采样率转换模块：用于将原始检测数据的采样频率转换为与原始训练数据的采样频率相一致。
9.根据权利要求7所述的基于差值时间散点图的房颤智能分析方法的系统，其特征在于：所述数据分析模块包括数据预处理模块、差值时间散点图生成模块和标注分类模块；
所述数据预处理模块：用于对原始检测数据进行质量评估，并过滤质量过低的信号；
所述散点图生成模块：用于根据原始检测数据生成差值时间散点图；
所述标注分类模块：用于根据卷积神经网络模型利用深度学习算法对差值时间散点图进行分类，从而实现对心电图的房颤类型的分析判断，输出房颤智能分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910682483.0A CN110403600B (zh) | 2019-07-26 | 2019-07-26 | 基于差值时间散点图的阵发性房颤智能分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910682483.0A CN110403600B (zh) | 2019-07-26 | 2019-07-26 | 基于差值时间散点图的阵发性房颤智能分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110403600A CN110403600A (zh) | 2019-11-05 |
| CN110403600B true CN110403600B (zh) | 2022-02-08 |
Family
ID=68363525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910682483.0A Active CN110403600B (zh) | 2019-07-26 | 2019-07-26 | 基于差值时间散点图的阵发性房颤智能分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110403600B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110811608A (zh) * | 2019-11-19 | 2020-02-21 | 中电健康云科技有限公司 | 一种基于ecg信号的房颤监测方法 |
| CN112971790A (zh) * | 2019-12-18 | 2021-06-18 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
| JP7002168B1 (ja) * | 2020-04-08 | 2022-01-20 | 株式会社カルディオインテリジェンス | 心電図分析装置、心電図分析方法及びプログラム |
| CN116685268A (zh) * | 2020-11-30 | 2023-09-01 | 深圳迈瑞生物医疗电子股份有限公司 | 监护系统、房颤综合管理的方法和显示监护数据的方法 |
| CN112890825B (zh) * | 2021-01-22 | 2024-04-05 | 深圳华清心仪医疗电子有限公司 | 一种动态心电信号心房颤动的检测方法 |
| CN113499081A (zh) * | 2021-07-06 | 2021-10-15 | 中山大学 | 基于双通道深度神经网络的驾驶员房颤检测方法及系统 |
| CN113476817B (zh) * | 2021-07-07 | 2022-06-07 | 鹤壁市人民医院 | 一种基于神经网络算法的认知康复训练系统 |
| CN114767123B (zh) * | 2022-03-30 | 2024-04-26 | 合肥工业大学 | 一种基于多模态神经网络的心电散点图异常识别分类方法 |
| CN115005833A (zh) * | 2022-07-14 | 2022-09-06 | 电子科技大学 | 一种采用单导联心电信号的阵发性房颤发作预测方法 |
| CN117717352B (zh) * | 2024-02-07 | 2024-04-26 | 北京智源人工智能研究院 | 非侵入式房颤颤源定位的方法和所用扩散模型的训练方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004016248A (ja) * | 2002-06-12 | 2004-01-22 | Junichiro Hayano | 心電図に基づく発作性心房細動の検出・評価システム |
| CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
| CN205683081U (zh) * | 2016-01-19 | 2016-11-16 | 张芳芳 | 一种心电散点图分析及教学装置 |
| CN108784680A (zh) * | 2018-03-19 | 2018-11-13 | 武汉海星通技术股份有限公司 | 基于散点图的心电图智能分析方法及系统 |
| CN109157211A (zh) * | 2018-08-14 | 2019-01-08 | 江苏师范大学 | 一种便携式心电在线智能监测诊断系统设计方法 |
| CN112075930A (zh) * | 2020-10-14 | 2020-12-15 | 武汉久乐科技有限公司 | 基于散点图的分析预警装置、方法、系统和电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ATE425699T1 (de) * | 2003-05-13 | 2009-04-15 | Gme Rechte Und Beteiligungen G | Vorrichtung und verfahren zur erfassung von vorhofflimmern |
| US10368769B2 (en) * | 2016-07-27 | 2019-08-06 | Medtronic, Inc. | Automatic thresholds for atrial tachyarrhythmia detection in an implantable medical device |
-
2019
- 2019-07-26 CN CN201910682483.0A patent/CN110403600B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004016248A (ja) * | 2002-06-12 | 2004-01-22 | Junichiro Hayano | 心電図に基づく発作性心房細動の検出・評価システム |
| CN205683081U (zh) * | 2016-01-19 | 2016-11-16 | 张芳芳 | 一种心电散点图分析及教学装置 |
| CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
| CN108784680A (zh) * | 2018-03-19 | 2018-11-13 | 武汉海星通技术股份有限公司 | 基于散点图的心电图智能分析方法及系统 |
| CN109157211A (zh) * | 2018-08-14 | 2019-01-08 | 江苏师范大学 | 一种便携式心电在线智能监测诊断系统设计方法 |
| CN112075930A (zh) * | 2020-10-14 | 2020-12-15 | 武汉久乐科技有限公司 | 基于散点图的分析预警装置、方法、系统和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| "Detection of paroxysmal atrial fibrillation by Lorenz plot imaging of ECG R-R intervals";Junichiro Hayano等;《Proc. of SPIE》;20190327;第110501O-1至5页 * |
| "心电散点图的临床应用";向晋涛;《中国心脏起搏与心电生理杂志》;20190630;第33卷(第3期);第197-201页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110403600A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110403600B (zh) | 基于差值时间散点图的阵发性房颤智能分析方法及系统 | |
| CN106725428B (zh) | 一种心电信号分类方法及装置 | |
| EP3692904B1 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
| US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
| CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
| WO2019100560A1 (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
| EP3801238B1 (en) | Detecting abnormalities in ecg signals | |
| CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| CN108577831B (zh) | 单导心贴数据长程监控诊断系统及其处理方法 | |
| CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测系统 | |
| CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| Daqrouq et al. | Neural network and wavelet average framing percentage energy for atrial fibrillation classification | |
| CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
| CN112971795B (zh) | 心电信号质量评估方法 | |
| JP2023528988A (ja) | 心拍リズムを分析するための方法およびシステム | |
| JP7487965B2 (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
| CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
| 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 | |
| CN114587365B (zh) | 一种面向可穿戴设备的心电信号异常检测方法 | |
| CN112022149B (zh) | 一种基于心电信号的房颤检测方法 | |
| KR102605130B1 (ko) | 인공 신경망을 이용하여 표준 12리드 심전도 신호로부터 심장 부정맥을 분류하는 방법 및 이를 이용한 심장 부정맥 분류장치 | |
| CN113397557A (zh) | 一种心律实时低功耗监测方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230911 Address after: Room A1006, A1007, A1008, Xinjin Industrial Park, No. 25 Jiangxing Road, Economic Development Zone, Jianghan District, Wuhan City, Hubei Province, 430000 Patentee after: Wenhao (Wuhan) Technology Co.,Ltd. Address before: 430000 room 4, 14 / F, building 8, oceanwide international SOHO city (phase I), Wuhan CBD, Jianghan District, Wuhan City, Hubei Province Patentee before: WUHAN HAIXINGTONG TECHNOLOGY CO.,LTD. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Building B7, No. 3 Gutan Avenue, Gaochun Economic Development Zone, Nanjing City, Jiangsu Province, China 211300 Patentee after: Wenhao (Nanjing) Technology Co.,Ltd. Country or region after: China Address before: Room A1006, A1007, A1008, Xinjin Industrial Park, No. 25 Jiangxing Road, Economic Development Zone, Jianghan District, Wuhan City, Hubei Province, 430000 Patentee before: Wenhao (Wuhan) Technology Co.,Ltd. Country or region before: China |