CN111096735A - 可迭代更新的心电图分析系统 - Google Patents
可迭代更新的心电图分析系统 Download PDFInfo
- Publication number
- CN111096735A CN111096735A CN201811260304.6A CN201811260304A CN111096735A CN 111096735 A CN111096735 A CN 111096735A CN 201811260304 A CN201811260304 A CN 201811260304A CN 111096735 A CN111096735 A CN 111096735A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- model
- classification
- center
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000013145 classification model Methods 0.000 claims abstract description 54
- 238000003745 diagnosis Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000002372 labelling Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000002565 electrocardiography Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000000034 method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010047295 Ventricular hypertrophy Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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]
-
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (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
本发明公开了一种可迭代更新的心电图分析系统。该系统包括:心电图采集中心,用于采集心电图数据;自动分析中心,用于根据预先训练的心电图分类模型对采集到的心电图数据进行分类识别,得到心电图数据的所属类别,心电图确认中心,用于接收自动分析中心发送的针对心电图数据的分类识别结果,并将分类识别结果发送给医生诊断设备上;后端处理中心,用于从采集到的心电图数据中获取满足预设条件的心电图,并将满足预设条件的心电图发送至医生诊断设备进行标注,并将标注后的心电图添加至标注数据库中,并根据扩充后的标注数据库对心电图分类模型进行训练更新。该系统可以解决现有技术中心电图分析系统性能更新困难、缓慢的问题。
Description
技术领域
本发明涉及医疗领域,尤其涉及一种可迭代更新的心电图分析系统。
背景技术
心电图(Electrocardiography,英文简称:ECG)检测是20世纪建立起来并广泛应用于临床诊断和监测的重大技术成果之一。这种检测手段对心脏疾病(如各类心律失常、心肌梗死及心室肥大等)的诊断对临床诊疗功不可没。
相关技术中,心电图分析方法通常是采用基于规则或判据的分析方法,其典型代表是采用明尼苏达码对心电信号进行分析,这种方法的优势在于与医生的诊断逻辑类似,分析结果能有很好的医学解释。但是存在以下缺点:分析方法中的规则均是基于确定化的阈值,当出现不满足预设规则或判据的心电图诊断时,心电图分析系统无法给出正确的诊断结果。传统的心电图分析方法只能依靠这些特殊心电图,人为归纳总结其特点,更新规则或判据,不仅自动诊断性能更新较慢,亦不能很好的提取其细微特征。
发明内容
本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
为此,本发明的一个目的在于提出一种可迭代更新的心电图分析系统。该系统可以解决现有技术中心电图分析系统性能更新困难、缓慢的问题,可以避免人为提取特征、升级系统,可以实现自主迭代训练更新模型,自动提升分析模型准确性。
为达到上述目的,本发明一方面实施例提出的可迭代更新的心电图分析系统,包括:心电图采集中心,用于采集患者的心电图数据;自动分析中心,用于对采集到的心电图数据进行预处理,并根据预先训练的心电图分类模型对预处理后的心电图数据进行分类识别,得到所述心电图数据的所属类别,其中,所述心电图分类模型是基于已标注心电图样本对神经网络模型进行训练而得到的;心电图确认中心,用于接收所述自动分析中心发送的针对所述心电图数据的分类识别结果,并将所述分类识别结果发送给医生诊断设备上;后端处理中心,用于从所述心电图采集中心采集到的心电图数据中获取满足预设条件的心电图,并将所述满足预设条件的心电图发送至所述医生诊断设备进行标注,并将所述医生诊断设备反馈的标注后的心电图添加至用以存储所述已标注心电图样本的标注数据库中,并根据扩充后的标注数据库对所述心电图分类模型进行训练更新。
根据本发明实施例的可迭代更新的心电图分析系统,可通过心电图采集中心采集患者的心电图数据,自动分析中心对采集到的心电图数据进行预处理,并根据预先训练的心电图分类模型对预处理后的心电图数据进行分类识别,得到心电图数据的所属类别,心电图确认中心用于接收自动分析中心发送的针对心电图数据的分类识别结果,并将分类识别结果发送给医生诊断设备上,可以实现心电图的自动分类识别功能;并且,在对采集到的心电图数据进行分类识别的过程中,可通过后端处理中心从所述采集到的心电图数据中获取满足预设条件的心电图,并将所述满足预设条件的心电图发送至所述医生诊断设备进行标注,并将所述医生诊断设备反馈的标注后的心电图添加至用以存储所述已标注心电图样本的标注数据库中,这样,可根据扩充后的标注数据库对所述心电图分类模型进行训练更新,即使用人工智能的方法,通过查询能够主动地选择包含信息量大的未标注心电图并将其交由临床专家进行标注,然后置入训练集进行训练,从而在训练集较小的情况下获得较高的分类正确率,这样可以尽可能地减小训练集及标注成本;另外,在心电图的采集应用过程增加标注的数据库,无需额外增加数据标注成本的基础上,可以避免人为提取特征、升级系统,自主迭代训练更新模型,自动提升分析模型准确性,进一步满足临床要求。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的可迭代更新的心电图分析系统的结构示意图;
图2是根据本发明另一个实施例的可迭代更新的心电图分析系统的结构示意图;
图3是根据本发明又一个实施例的可迭代更新的心电图分析系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的可迭代更新的心电图分析系统。
图1是根据本发明一个实施例的可迭代更新的心电图分析系统的结构示意图。如图1所示,该可迭代更新的心电图分析系统100可以包括:心电图采集中心110、自动分析中心120、心电图确认中心130和后端处理中心140。
具体地,心电图采集中心110用于采集患者的心电图数据。作为一种示例,心电图采集中心110可包括但不限于心电图机和心电图采集盒。例如,心电图采集中心110中可以有一个或者多个采集模块111,该采集模块111可包括但不限于心电图机、心电图采集盒,采集的心电图最好是12导,也可以是其他导联模式;采集时间不少于10秒。
自动分析中心120用于对采集到的心电图数据进行预处理,并根据预先训练的心电图分类模型对预处理后的心电图数据进行分类识别,得到心电图数据的所属类别,其中,心电图分类模型是基于已标注心电图样本对神经网络模型进行训练而得到的。作为一种示例,所述神经网络模型包括卷积神经网络模型或循环神经网络模型等。
也就是说,自动分析中心120可获取心电图采集中心110采集到的心电图数据,并对该心电图数据进行预处理,并根据预先训练得到的心电图分类模型对该预处理后的心电图数据进行分类识别,得到心电图数据的所属类别。其中,在本发明的一个实施例中,心电图采集中心110与自动分析中心120之间的通信方式可为蓝牙方式或WiFi方式等。其中,自动分析中心120可以为但不限于心电云服务器、心电网络、心电图机等。
可选地,在本发明的实施例中,自动分析中心120可包括信号处理模块121和心电图自动分类模块122。其中,信号处理模块121可对心电图采集中心110采集到的心电数据进行预处理,该预处理包括但不限于信号质量检测、高/低通滤波处理、工频滤波处理、肌电滤波处理等。心电图自动分类模块122可根据预先训练的心电图分类模型对预处理后的心电图数据进行分类识别,得到所述心电图数据的所属类别。
心电图确认中心130用于接收自动分析中心120发送的针对心电图数据的分类识别结果,并将分类识别结果发送给医生诊断设备131上。也就是说,心电图确认中心130可对自动分析中心120下发的经过自动分类后的心电图以及其分类识别结果发送给医生诊断设备131以提供给专家医生。专家医生可对该分类识别结果进行确认,以确定该心电图的自动分类结果是否正确,如果专家医生确认该心电图的自动分类结果不正确,则专家医生可对该分类结果进行修正。
后端处理中心140用于在自动分析中心120对心电图采集中心110采集到的心电图数据进行分类识别的过程中,根据查询策略和心电图分类模型,从心电图采集中心110采集到的心电图数据中获取满足预设条件的心电图,并将所述满足预设条件的心电图发送至所述医生诊断设备进行标注,并将所述医生诊断设备反馈的标注后的心电图添加至用以存储所述已标注心电图样本的标注数据库中,并根据扩充后的标注数据库对心电图分类模型进行训练更新。
也就是说,在心电图采集中心110采集患者的心电图数据、自动分析中心120对采集到的心电图进行预处理和分类识别、以及心电图确认中心130将自动分析中心120发送的分类识别结果提供给医生诊断设备131的过程中,后端处理中心140采用了人工智能的方法,不断更新所述心电图分类模型,提升该心电图分类模型的分类准确性,结合所述心电图分类模型,通过查询函数从采集上传的心电图数据中筛选出满足预设条件的心电图,之后,可根据所述已标注心电图样本和满足预设条件的心电图对所述心电图分类模型进行训练更新,以训练出性能更优的模型。
其中,在本发明的实施例中,所述查询策略包括:样本不确定性查询策略,和/或,样本代表性查询策略;所述满足预设条件的心电图是指包含信息量大的心电图,所述包含信息量大的心电图可理解为对模型训练最有用的心电图,即有利于提升模型性能的心电图。例如,以查询策略为样本不确定性查询策略为例,所述满足预设条件的心电图可以是指熵值高于设定的阈值的心电图。
举例而言,在自动分析中心120对心电图采集中心110采集到的心电图数据进行分类识别的过程中,后端处理中心140可根据查询策略和心电图分类模型,从心电图采集中心110采集到的心电图数据中筛选满足预设条件的心电图,并将筛选出来的心电图由医生诊断设备的专家医生标注,当筛选出的心电图数据达到一定数量或者固定筛选一定时间后,可将筛选出并经由专家医生标注后的心电图添加到标注数据库,进而可以根据该扩充后的标注数据库对所述心电图分类模型进行训练更新。
作为一种示例,如图2所示,该后端处理中心140可包括查询模块141、标注数据扩充模块142和模型训练模块143。其中,查询模块141用于根据所述心电图分类模型对所述采集到的心电图数据进行分类预测,并通过所述查询策略根据针对所述心电图数据的预测结果,从所述采集到的心电图数据中选取满足预设条件的心电图,并将所述满足预设条件的心电图发送至心电图确认中心130;其中,心电图确认中心130用于将接收到的所述满足预设条件的心电图发送给所述医生诊断设备131并提供给专家医生,以使所述医生诊断设备131接收所述专家医生对所述满足预设条件的心电图的标注。
例如,查询模块141可根据所述心电图分类模型对心电图采集中心110采集到的心电图数据进行分类预测,之后,可基于样本不确定性查询策略,和/或,样本代表性查询策略,从心电图采集中心110采集到的心电图数据中筛选出满足预设条件的心电图样本,例如,该所述满足预设条件的心电图可以是指熵值高于设定的阈值的心电图,说明该心电图有利于提升心电图分类模型的准确性。其中,挑选查询样本的策略有两种:一种是基于样本的信息量,即这个样本在统计学习中,能够减少心电图分类模型的不确定性的程度;另一种是基于样本的代表性,即这个样本能否代表整个数据集。作为本发明的一种实施例是可以基于这两种策略之一,或结合两种策略来挑选未标注的心电图。可以理解,这些方法的关键点是找到当前模型最可能出错的样本,这样在标记和加入到训练数据集之后,模型对于不可见数据上的这些错误变得更加有效而快速,使得利用更小的子集来达到模型最理想的性能。由此,在少量的已标注心电图样本基础上,可使用人工智能方法尽可能地从采集到的心电图数据中筛选出最有用的未标注心电图,即筛选出有利于提升模型性能的心电图样本。
在本发明的实施例中,查询模块141在筛选出所述满足预设条件的心电图之后,可将所述满足预设条件的心电图发送给心电图确认中心130进行专家医生的标注。例如,心电图确认中心130在接收到查询模块141发送的所述满足预设条件的心电图时,可将该所述满足预设条件的心电图下发给医生诊断设备131。医生诊断设备131将所述满足预设条件的心电图提供给专家医生进行样本标注,并在确定专家医生完成标注后,将专家医生标注后的所述满足预设条件的心电图反馈给后端处理中心140。
后端处理中心140中的标注数据扩充模块142可获取医生诊断设备131反馈的标注后的心电图,并将所述标注后的心电图添加至用以存储所述已标注心电图样本的标注数据库中;模型训练模块143用于根据扩充后的标注数据库对所述心电图分类模型进行训练更新。
在本发明的实施例中,模型训练模块143可基于扩充后的标注数据库对所述心电图分类模进行再训练,并将再训练得到的新模型作为所述心电图分类模型;或者,可基于扩充后的标注数据库重新使用机器学习算法进行模型训练,并将该重新训练后的模型作为所述心电图分类模型。下面将给出这两种实现方式的示例:
作为一种可能实现方式的示例,如图2所示,模型训练模块143可包括:样本获取单元143a和模型训练更新单元143b。其中,样本获取单元143a用于从所述扩充后的标注数据库中获取所述医生诊断设备反馈的标注后的心电图;模型训练更新单元143b用于根据所述标注后的心电图对所述心电图分类模型进行训练更新。
可选地,在本示例中,样本获取单元143a可从扩充后的标注数据库中获取所述医生诊断设备反馈的标注后的心电图。模型训练更新单元143b可利用所述医生诊断设备反馈的标注后的心电图对所述心电图分类模型进行再训练以构建新模型,并判断所述新模型的性能是否大于所述心电图分类模型的性能,例如,可判断所述新模型的分类结果准确性,是否大于所述心电图分类模型的分类结果准确性,若是,则可认为所述新模型的性能大于所述心电图分类模型的性能,此时可将所述心电图分类模型替换成所述新模型;否则抛弃所述新模型。由此,通过对所述心电图分类模型进行再训练,以提升模型的性能。
作为另一种可能实现方式的示例,模型训练模块143可从所述扩充后的标注数据库中获取所述已标注心电图样本和所述医生诊断设备反馈的标注后的心电图,并根据所述已标注心电图样本和所述医生诊断设备反馈的标注后的心电图,重新进行模型训练以得到新模型,并判断所述新模型的模型性能是否大于所述心电图分类模型的性能,若是,则将所述心电图分类模型替换成所述新模型;否则抛弃所述新模型。
例如,模型训练模块143可从所述扩充后的标注数据库中选取所述已标注心电图样本和所述医生诊断设备反馈的标注后的心电图,并基于所述已标注心电图样本和所述医生诊断设备反馈的标注后的心电图,利用机器学习算法重新训练新的模型,并判断已经训练好的模型的性能是否大于所述心电图分类模型的性能,例如,可判断所述已经训练好的模型的分类结果准确性,是否大于所述心电图分类模型的分类结果准确性,若是,则可认为已经训练好的新模型性能大于所述心电图分类模型的性能,此时可将所述心电图分类模型替换成所述新模型;否则抛弃所述新模型。由此,基于扩充后的标注数据库重新进行模型训练,使得训练后得到的模型性能更优。
为了方便患者能够了解自身的心电图的分析情况,并保证针对心电图的分析结果的准确性,可选地,在本发明的一个实施例中,如图3所示,该心电图分析系统100还可包括:终端设备150。其中,在本发明的实施例中,心电图确认中心130还用于在接收到专家医生通过所述医生诊断设备对所述分类识别结果的确认操作后,将所述心电图数据和分类结果发送至终端设备150。终端设备150用于在接收到患者输入的操作指令时,根据所述患者的标识获取所述患者的心电图和分类结果,并根据所述操作指令对所述心电图和分类结果进行相应处理,其中,所述操作指令包括查看和/或打印指令。
举例而言,心电图采集中心110将采集到的患者的心电图数据发送给自动分析中心120。自动分析中心120对该患者的心电图数据进行预处理和分类识别,并将分类识别结果发送给心电图确认中心130。心电图确认中心130在接收到自动分析中心120发送的分类识别结果之后,可将该分类识别结果下发给医生诊断设备131以提供给专家医生进行确认。专家医生结合心电图模型确认该患者的心电图的分类识别结果是否正确,如果正确,则将确认后的分类识别结果反馈给医生诊断设备131,以便医生诊断设备131将专家医生确认后的分类识别结果反馈给心电图确认中心130。心电图确认中心130在接收到专家医生通过医生诊断设备131对所述分类识别结果的确认操作后,将该患者的心电图数据和其分类识别结果发给终端设备150以供患者查看或打印。
在本发明的实施例中,在专家医生结合心电图模型确认该患者的心电图的分类识别结果不正确时,可对该分类识别结果进行修正,并将修正后的分类识别结果反馈给医生诊断设备131,以便医生诊断设备131将专家医生修正后的分类识别结果反馈给心电图确认中心130。心电图确认中心130在接收到专家医生通过医生诊断设备131对所述分类识别结果的修正操作后,将修改后的分类识别结果和对应的心电图数据发送给终端设备150以供患者查看或打印。由此,可以保证针对心电图的分析结果的准确性,并使得患者能够通过终端即可了解到自身的心电图的诊断情况。
根据本发明实施例的可迭代更新的心电图分析系统,可通过心电图采集中心采集患者的心电图数据,自动分析中心对采集到的心电图数据进行预处理,并根据预先训练的心电图分类模型对预处理后的心电图数据进行分类识别,得到心电图数据的所属类别,心电图确认中心用于接收自动分析中心发送的针对心电图数据的分类识别结果,并将分类识别结果发送给医生诊断设备上,可以实现心电图的自动分类识别功能;并且,在对采集到的心电图数据进行分类识别的过程中,可通过后端处理中心根据查询策略和所述心电图分类模型,从所述采集到的心电图数据中获取满足预设条件的心电图,并根据所述已标注心电图样本和所述满足预设条件的心电图对所述心电图分类模型进行训练更新,即使用人工智能的方法,通过查询能够主动地选择包含信息量大的未标注心电图并将其交由临床专家进行标注,然后置入训练集进行训练,从而在训练集较小的情况下获得较高的分类正确率,这样可以尽可能地减小训练集及标注成本;另外,在心电图的采集应用过程增加标注的数据库,无需额外增加数据标注成本的基础上,可以避免人为提取特征、升级系统,自主迭代训练更新模型,自动提升分析模型准确性,进一步满足临床要求。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种可迭代更新的心电图分析系统,其特征在于,包括:
心电图采集中心,用于采集患者的心电图数据;
自动分析中心,用于对采集到的心电图数据进行预处理,并根据预先训练的心电图分类模型对预处理后的心电图数据进行分类识别,得到所述心电图数据的所属类别,其中,所述心电图分类模型是基于已标注心电图样本对神经网络模型进行训练而得到的;
心电图确认中心,用于接收所述自动分析中心发送的针对所述心电图数据的分类识别结果,并将所述分类识别结果发送给医生诊断设备上;
后端处理中心,用于从所述心电图采集中心采集到的心电图数据中获取满足预设条件的心电图,并将所述满足预设条件的心电图发送至所述医生诊断设备进行标注,并将所述医生诊断设备反馈的标注后的心电图添加至用以存储所述已标注心电图样本的标注数据库中,并根据扩充后的标注数据库对所述心电图分类模型进行训练更新。
2.如权利要求1所述的心电图分析系统,其特征在于,所述后端处理中心包括:
查询模块,用于根据所述心电图分类模型对所述采集到的心电图数据进行分类预测,并通过查询策略根据针对所述心电图数据的预测结果,从所述采集到的心电图数据中选取满足预设条件的心电图,并将所述满足预设条件的心电图发送至所述心电图确认中心;其中,所述心电图确认中心用于将接收到的所述满足预设条件的心电图发送给所述医生诊断设备并提供给专家医生,以使所述医生诊断设备接收所述专家医生对所述满足预设条件的心电图的标注;
标注数据扩充模块,用于获取所述医生诊断设备反馈的标注后的心电图,并将所述标注后的心电图添加至用以存储所述已标注心电图样本的标注数据库中;
模型训练模块,用于根据扩充后的标注数据库对所述心电图分类模型进行训练更新。
3.如权利要求2所述的心电图分析系统,其特征在于,所述查询策略包括:样本不确定性查询策略,和/或,样本代表性查询策略。
4.如权利要求2所述的心电图分析系统,其特征在于,所述模型训练模块包括:
样本获取单元,用于从所述扩充后的标注数据库中获取所述医生诊断设备反馈的标注后的心电图;
模型训练更新单元,用于根据所述标注后的心电图对所述心电图分类模型进行训练更新。
5.如权利要求4所述的心电图分析系统,其特征在于,所述模型训练更新单元具体用于:
根据所述标注后的心电图对所述心电图分类模型进行再训练以构建新模型;
判断所述新模型的性能是否大于所述心电图分类模型的性能;
若是,则将所述心电图分类模型替换成所述新模型;否则抛弃所述新模型。
6.如权利要求2所述的心电图分析系统,其特征在于,所述模型训练模块具体用于:
从所述扩充后的标注数据库中获取所述已标注心电图样本和所述医生诊断设备反馈的标注后的心电图;
根据所述已标注心电图样本和所述医生诊断设备反馈的标注后的心电图,重新进行模型训练以得到新模型;
判断所述新模型的模型性能是否大于所述心电图分类模型的性能;
若是,则将所述心电图分类模型替换成所述新模型;否则抛弃所述新模型。
7.如权利要求1所述的心电图分析系统,其特征在于,所述神经网络模型包括卷积神经网络模型或循环神经网络模型。
8.如权利要求1所述的心电图分析系统,其特征在于,还包括:终端设备;其中,
所述心电图确认中心,还用于在接收到专家医生通过所述医生诊断设备对所述分类识别结果的确认操作后,将所述心电图数据和分类结果发送至所述终端设备;
所述终端设备,用于在接收到患者输入的操作指令时,根据所述患者的标识获取所述患者的心电图和分类结果,并根据所述操作指令对所述心电图和分类结果进行相应处理,其中,所述操作指令包括查看和/或打印指令。
9.如权利要求1至8中任一项所述的心电图分析系统,其特征在于,所述心电图采集中心与所述自动分析中心之间的通信方式为蓝牙方式或WiFi方式。
10.如权利要求1至8中任一项所述的心电图分析系统,其特征在于,所述心电图采集中心包括心电图机和心电图采集盒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260304.6A CN111096735A (zh) | 2018-10-26 | 2018-10-26 | 可迭代更新的心电图分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260304.6A CN111096735A (zh) | 2018-10-26 | 2018-10-26 | 可迭代更新的心电图分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111096735A true CN111096735A (zh) | 2020-05-05 |
Family
ID=70419152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811260304.6A Pending CN111096735A (zh) | 2018-10-26 | 2018-10-26 | 可迭代更新的心电图分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111096735A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652135A (zh) * | 2020-06-03 | 2020-09-11 | 广州视源电子科技股份有限公司 | 心电图数据生成方法、装置及电子设备 |
WO2020214094A1 (en) * | 2019-04-16 | 2020-10-22 | Tricog Health Pte Ltd | System and method for facilitating data processing of physiological information |
CN112289464A (zh) * | 2020-10-16 | 2021-01-29 | 浙江大学山东工业技术研究院 | 基于人工智能辅助诊断的云端心电图诊断系统 |
WO2023199149A1 (en) | 2022-04-15 | 2023-10-19 | Biosense Webster (Israel) Ltd. | Neural network intracardiac egm annotation |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103166830A (zh) * | 2011-12-14 | 2013-06-19 | 中国电信股份有限公司 | 一种智能选择训练样本的垃圾邮件过滤系统和方法 |
CN103530321A (zh) * | 2013-09-18 | 2014-01-22 | 上海交通大学 | 一种基于机器学习的排序系统 |
CN103617429A (zh) * | 2013-12-16 | 2014-03-05 | 苏州大学 | 一种主动学习分类方法和系统 |
CN103778312A (zh) * | 2012-10-24 | 2014-05-07 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
CN103793510A (zh) * | 2014-01-29 | 2014-05-14 | 苏州融希信息科技有限公司 | 一种基于主动学习的分类器构建方法 |
CN104063645A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种基于心电信号动态自更新样本的身份识别方法 |
CN106250712A (zh) * | 2016-09-28 | 2016-12-21 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的输尿管结石预测方法和预测系统 |
CN106510687A (zh) * | 2016-12-12 | 2017-03-22 | 中国软件与技术服务股份有限公司 | 一种识别心电图数据异常的方法及系统 |
CN108197737A (zh) * | 2017-12-29 | 2018-06-22 | 山大地纬软件股份有限公司 | 一种建立医保住院费用预测模型的方法及系统 |
-
2018
- 2018-10-26 CN CN201811260304.6A patent/CN111096735A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103166830A (zh) * | 2011-12-14 | 2013-06-19 | 中国电信股份有限公司 | 一种智能选择训练样本的垃圾邮件过滤系统和方法 |
CN103778312A (zh) * | 2012-10-24 | 2014-05-07 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
CN103530321A (zh) * | 2013-09-18 | 2014-01-22 | 上海交通大学 | 一种基于机器学习的排序系统 |
CN103617429A (zh) * | 2013-12-16 | 2014-03-05 | 苏州大学 | 一种主动学习分类方法和系统 |
CN103793510A (zh) * | 2014-01-29 | 2014-05-14 | 苏州融希信息科技有限公司 | 一种基于主动学习的分类器构建方法 |
CN104063645A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种基于心电信号动态自更新样本的身份识别方法 |
CN106250712A (zh) * | 2016-09-28 | 2016-12-21 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的输尿管结石预测方法和预测系统 |
CN106510687A (zh) * | 2016-12-12 | 2017-03-22 | 中国软件与技术服务股份有限公司 | 一种识别心电图数据异常的方法及系统 |
CN108197737A (zh) * | 2017-12-29 | 2018-06-22 | 山大地纬软件股份有限公司 | 一种建立医保住院费用预测模型的方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020214094A1 (en) * | 2019-04-16 | 2020-10-22 | Tricog Health Pte Ltd | System and method for facilitating data processing of physiological information |
CN111652135A (zh) * | 2020-06-03 | 2020-09-11 | 广州视源电子科技股份有限公司 | 心电图数据生成方法、装置及电子设备 |
CN112289464A (zh) * | 2020-10-16 | 2021-01-29 | 浙江大学山东工业技术研究院 | 基于人工智能辅助诊断的云端心电图诊断系统 |
WO2023199149A1 (en) | 2022-04-15 | 2023-10-19 | Biosense Webster (Israel) Ltd. | Neural network intracardiac egm annotation |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111096735A (zh) | 可迭代更新的心电图分析系统 | |
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
US10758139B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
CN108836302B (zh) | 基于深度神经网络的心电图智能分析方法及系统 | |
EP3367897B1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
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 | |
Abrishami et al. | P-QRS-T localization in ECG using deep learning | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
CN114842977B (zh) | 一种基于医疗大数据及人工智能的医疗决策系统 | |
CN110495872A (zh) | 基于图片及心搏信息的心电分析方法、装置、设备及介质 | |
CN106510687A (zh) | 一种识别心电图数据异常的方法及系统 | |
CN116322479A (zh) | 用于检测和/或预测心脏事件的心电图处理系统 | |
Midani et al. | DeepArr: An investigative tool for arrhythmia detection using a contextual deep neural network from electrocardiograms (ECG) signals | |
CN116012568A (zh) | 一种通过拍照心电图获取心电节律信息的系统 | |
CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
CN111096736A (zh) | 基于主动学习的心电图分类方法、装置和系统 | |
CN113012823A (zh) | 一种用于心电图机的云平台系统 | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
CN114999638B (zh) | 基于人工智能医疗诊断用的大数据可视化处理方法及系统 | |
Rahman et al. | A real-time tunable ECG noise-aware system for IoT-enabled devices | |
CN113808735B (zh) | 一种基于脑影像的精神疾病评估方法 | |
CN114429816A (zh) | 一种心电图分析方法、装置、设备及介质 | |
CN110223760B (zh) | 一种医疗影像信息采集与融合方法及系统 |
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 |