CN111759304A - 心电图异常识别方法、装置、计算机设备和存储介质 - Google Patents
心电图异常识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111759304A CN111759304A CN202010623441.2A CN202010623441A CN111759304A CN 111759304 A CN111759304 A CN 111759304A CN 202010623441 A CN202010623441 A CN 202010623441A CN 111759304 A CN111759304 A CN 111759304A
- Authority
- CN
- China
- Prior art keywords
- data
- electrocardiogram
- abnormal
- probability prediction
- electrocardiographic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 140
- 230000005856 abnormality Effects 0.000 claims abstract description 36
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种心电图异常识别方法、装置、计算机设备和存储介质。所述方法包括：获取实时心电数据和临床特征；其中所述心电数据为：在规定时间内以预设频率采集的多个离散数据以采集时间顺序进行排序；将实时心电数据和临床特征输入训练后的心电异常概率预测模型，得到与心电数据对应的异常概率预测数据；根据阈值对异常概率预测进行识别心电数据中各离散数据是否为异常。采用本方法能够获取准确的心电异常预测，并准确地获取心电异常特征所在的时间区域。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种心电图异常识别方法、装置、计算机设备和存储介质。
背景技术
心血管疾病是威胁人类健康的主要疾病之一，心电图是各种心血管疾病最简单、快捷和经济的临床检查方法，是心血管疾病检验的基石，然而我国乃至全世界范围内都存在心电医生数量不足而又逐年减少的状况。基于人工智能实现心电信号的自动分析的技术有望能够提高心电医生诊断心电图的效率与准确性，因而此项技术的研究是目前全世界关注的一个重要课题。
现有的心电信号自动分析技术，主要分为两大类。第一类基于心电信号特征工程，并且依赖于心电医学领域知识。该类方法首先通过数字信号处理方法，识别出一段心电信号中的每一次心搏(Beat)以及每一次心搏中的各个特征波，然后根据特征波位置分析出心搏特征，最后根据心搏特征并结合心电医学领域知识，实现心电异常诊断。第二类基于机器学习方法或深度学习方法。此类方法用一个模型表示心电信号数据与诊断结果之间所有可能映射关系的空间，然后通过优化算法寻找出空间中最优的映射关系。此类方法中，一些方法用第一类方法中同样的技术识别各个心搏，以心搏为建模对象，实现心搏分类；另外一些方法对固定长度的心电信号建模，通过对心电信号片段分类，实现心电异常诊断。
现有的第一类心电信号自动分析技术存在以下几个缺点：普遍需要进行特征工程，该过程复杂、工作量大，且结果质量容易受到干扰信号的影响，因此方法的鲁棒性不足，可扩展性较差。普遍依赖于大量心电医学领域知识，分析效果存在天然瓶颈，且方法实现难度高，开发周期长。
现有的第二类心电信号自动分析技术存在以下几个缺点：一些方法包含第一类技术中含有的心搏识别过程，这些方法的准确性受限于心搏识别的准确性，而心搏识别容易受到干扰信号的影响。另一些方法无法告诉医生异常特征所在的区域，此类方法普遍没有考虑年龄、性别等患者其他临床特征的差异。没有利用错误预测信息，持续对心电信号自动分析方法进行改进。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决至少其中一种的心电图异常识别方法、装置、计算机设备和存储介质。
一种心电图异常识别方法，包括：
获取实时心电数据，以及与所述实时心电数据相关的临床特征；
其中所述心电数据为：在规定时间内以预设频率采集的多个离散数据以采集时间顺序进行排序；
将所述实时心电数据以及临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测数据；
根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
优选的，得到所述训练后的心电异常概率预测模型的具体步骤包括：
获取心电数据，以及与所述心电数据相关的临床特征，并对所述心电数据进行预处理得到预测目标标注以及预测目标权重；
将所述心电数据和临床特征输入心电异常概率预测模型，得到与所述心电数据对应的异常概率预测；
根据所述异常概率预测、预测目标标注以及预测目标权重进行计算，得到预测误差；
根据所述预测误差优化所述心电异常概率预测模型，直至所述预测误差达到预期，完成训练并得到训练后的心电异常概率预测模型。
优选的，所述将所述心电数据和临床特征输入心电异常概率预测模型，得到与所述心电数据对应的异常概率预测包括：
将所述心电数据输入深度卷积神经网络，得到高层抽象特征数据；
将所述高层抽象特征数据与所述临床特征数据进行组合，得到组合特征数据；
将所述组合特征数据输入一维卷积神经网络以及Sigmoid逻辑回归模型,得到异常概率预测数据。
优选的，所述高层抽象特征数据为矩阵，其列数与所述心电数据采集次数一致。
优选的，所述高层抽象特征数据的任意一列是对所述心电数据相同列为中心的一个区域内的数据提取的特征。
优选的，所述预测目标标注以及预测目标权重均为行数和列数一致的矩阵，其中行数对应心电异常种类数量，其中列数对应所述心电数据采集次数。
优选的，所述异常概率预测数据为所述心电数据中各离散数据对应多种心电异常种类的概率预测。
本申请还提供一种心电图异常识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取实时心电数据，以及与所述实时心电数据相关的临床特征；
异常概率预测得到模块，用于将所述实时心电数据和临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测；
异常识别模块，用于根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
本申请还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以下步骤：
获取实时心电数据，以及与所述实时心电数据相关的临床特征；
其中所述心电数据为：在规定时间内以预设频率采集的多个离散数据以采集时间顺序进行排序；
将所述实时心电数据以及临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测数据；
根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
本申请还提供了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：
获取实时心电数据，以及与所述实时心电数据相关的临床特征；
其中所述心电数据为：在规定时间内以预设频率采集的多个离散数据以采集时间顺序进行排序；
将所述实时心电数据以及临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测数据；
根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
上述心电图异常识别方法、装置、计算机设备和存储介质，通过利用训练后的心电异常概率预测模型可从心电数据中提取各采集时间点多种心电异常的预测概率，再通过阈值可识别心电异常，以及异常特征所在的区域，也就是出现异常的采集时间。
附图说明
图1为一个实施例中心电图异常识别方法的流程示意图；
图2为一个实施例中训练心电异常概率预测模型的流程示意图；
图3为一个实施例中心电异常概率预测模型内运算的流程示意图；
图4为一个实施例中心电图异常识别装置的结构框图；
图5为一个实施例中心电异常概率预测模型的示意图；
图6为一个实施例中深度卷积神经网络的示意图；
图7为一个实施例中特征提取网络的示意图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，提供了一种心电图识别方法，包括以下步骤：
步骤102，获取实时心电数据，以及与所述实时心电数据相关的临床特征；
步骤104，将实时心电数据和临床特征输入训练后的心电异常概率预测模型，得到与心电数据对应的异常概率预测数据；
步骤106，根据阈值对异常概率预测进行识别心电数据中各离散数据是否为异常。
在步骤102中，获取的实时心电数据是实时采集的标准12导联心电数据。而心电数据为在规定时间内以预设频率采集的多个离散数据以采集时间顺序进行排序。
在步骤102中，获取的临床特征指的是年龄、性别等使得心电信号产生差异的个体的信息。
在步骤104中，将获取的实时心电数据和临床特征输入已经训练好的心电异常概率预测模型，得到异常概率预测数据。异常概率预测数据为心电数据中各离散数据对应多种心电异常种类的概率预测。
其中，异常概率预测数据为矩阵，其长度与实时获取的心电数据的长度也就是获取心电数据的时间是一致的。由于心电数据是以采集时间为顺序等距排列的多个离散数据，这样也可以理解为该矩阵在长度方向上的点与心电数据的采集点是一一对应的。而该矩阵的列上点与各心电异常种类一一对应。这样，在异常概率预测数据中具有心电数据中每一个离散数据对应的多种心电异常的概率预测。
在本实施例中，在对心电数据进行预处理过程中，抑制了心电数据中的干扰信号。
在步骤106中，根据预设的阈值对异常概率预测数据矩阵中各概率预测进行判断，可确定心电数据中各采集的数据是否为异常。
例如，预设的阈值为50％，则异常概率预测数据矩阵中，第i个采集点的某一种类心电异常大于50％，则判断该类心电异常为阳性。若异常概率预测小于50％，则判断该类心电异常为阴性。
利用阈值，可确定心电数据中各离散数据是否为异常。当确定某一点为异常后，可定位该点所对应心电数据采集时间，即得到该类先点异常特征所在的区域，也就是对应的某一时间区域。
通过上述方法，最终得到的为对一例心电图中多种心电异常特征的预测。之后，还可通过对该预测进行分析，具体包括：
当删除某一时间区域包含某类心电异常特征的预测时，则该区域实际不包含该类心电异常特征，该预测为错误预测。此时记录一个元组，此元组包含三个元素，分别是此错误预测的时间区域、错误预测的异常类别、实际不包含标志。
当增加某一时间区域包含某类心电异常特征时，则该区域实际包含该类心电异常特征，该预测为错误预测。此时记录一个元组，此元组包含三个元素，分别是此错误预测的区域、错误预测的异常类别、实际包含标志。
当删除某一类心电异常预测时，则预测为包含此类异常的特征的所有区域实际都不包含，此时存在多少块错误预测的区域就记录多少个元组，每个元组包含三个元素，分别是错误预测的区域、错误预测的异常类别、实际不包含标志。
当增加某一类心电异常时，则被分析心电图包含该类心电异常特征，但不知包含心电异常特征的区域，此时记录一个元组，此元组包含两个元素，分别是错误预测的异常类别、实际包含标志。
如果修改某一时间区域包含某类心电异常特征的预测，此操作被视为先删除该区域错误预测的心电异常类别，再增加该区域实际的心电异常类别。
如果修改某一类心电异常，此操作被视为先删除错误预测的心电异常类别，再增加实际的心电异常类别。
在对训练后的心电异常概率预测模型进行运用一段时间后，记录的错误预测也就是元组积累到一定的数量后，一起反馈给心电异常概率预测模型，使得心电异常概率预测模型利用这些数据再次进行训练，起到优化的作用，进一步使得心电异常概率预测模型输出的异常概率预测更为准确。
上述心电图异常识别方法，通过利用训练好的心电异常概率预测模型可快速的给出对心电图中各时间区域对应的心电数据的多种心跳异常类别的概率预测，有效的帮助操作者对心电图中多种异常特征的进行识别，起到辅助的作用。并且还可显示异常特征在心电图中所在的时间区域。
如图2所示，得到训练后的心电异常概率预测模型的具体步骤包括：
步骤202，获取心电数据，以及与所述心电数据相关的临床特征，并对所述心电数据进行预处理得到预测目标标注以及预测目标权重；
步骤204，将所述心电数据和临床特征输入心电异常概率预测模型，得到与所述心电数据对应的异常概率预测；
步骤206，根据异常概率预测、预测目标标注以及预测目标权重进行计算，得到预测误差；
步骤208，根据所述异常概率预测、预测目标标注以及预测目标权重进行计算，得到预测误差
步骤210，重复步骤204、206，208，直至预测误差达到预期，完成训练并得到训练后的心电异常概率预测模型。
在步骤202中，获取的心电数据为预备好的、各个心搏的位置及其心电异常类型得到标注的心电数据。
在本实施例中，预测目标标注数组以及预测目标权重数组均为行数和列数一致的矩阵，其中行数对应心电异常种类数量，其中列数对应所述心电数据数据采集次数。
具体的，对心电数据进行预处理包括：对每一例心电数据，生成大小为N×L的矩阵，并且矩阵中各点为零的预测目标标注数组Y，和同样大小为N×L的矩阵，其中各点为零的预测目标权重数组W，其中N为心电异常种类数量，L为心电数据的长度。其中L的长度也可以理解为具有与心电数据中采集次数一致的点。
对每一心电数据，根据其各个心搏的位置和心电异常类型标注，判断各个心搏的各种心电异常是否呈阳性，如果第i个心搏第n种异常为阳性，则对预测目标标注数组的第n行第i个心搏所在位置修改为1。同时对预测目标权重数组的第n行第i个心搏所在区域进行修改，修改原则为中间大部分区域取值为1，越是边界位置取值越小，边界位置取值为0。
需要说明的是，由于每个心博都对应多个离散点，所述各个心搏的位置为各个心搏对应的多个离散点位置，对应数据中列的位置。
进一步的，计算预测目标权重数组中每一行的和，以及和值为0的元素个数，分别记录在SUM,ZCNT，他们都是长度为N的向量。再通过公式
其中S也是长度为N的向量，S为放缩因子。然后对预测目标权重数组乘以S再加上1，使得各类异常阳性区域权重之和等于阴性区域权重之和。这样在对心电异常概率预测模型进行训练后，得到的结果更为准确。
如图3所示，在步骤204中，根据心电数据对心电异常概率预测模型进行训练，得到与心电数据相关的异常概率预测数据具体包括：
步骤302，将心电数据输入深度卷积神经网络，得到高层抽象特征数据；
步骤304，将高层抽象特征数据与所述临床特征数据进行组合，得到组合特征数据；
步骤306，将组合特征数据输入一维卷积神经网络以及Sigmoid逻辑回归模型,得到异常概率预测数据。
与心电数据相关的临床特征数据包括同一患者的K种临床特征，例如年龄，性别等，并且将临床特征数据通过重复转换为K×L的矩阵。
在步骤302中，将大小为12*L的心电数据经过深度卷积神经网络提取到大小为M*L的高层抽象特征数据。其中高层抽象特征数据为矩阵，其列数与所述心电数据采集次数一致。其中12为心电数据导联数量，M为高层抽象特征的数量，其中M为4的倍数。
在这里需要说明是，一般获取的心电数据标准大小为12*L。
在本实施例中，所述高层抽象特征数据的任意一列是对所述心电数据相同列为中心的一个区域内的数据提取的特征。
在该步骤中，用于提取高层抽象特征数据的深度卷积神经网络可选取多种方法，在本申请中提供了一种利用三层InceptionModule(一种特征提取网络)的方式，具体包括：
如图6所示，将大小为12*L的心电数据分别经过Conv1D(1,1,0)卷积变换，以及输入三层InceptionModule变换得到两项大小均为M*L的第一输出。将两项大小为M*L的第一输出进行相加后得到大小为M*L的第二输出。将第二输出再输入三层InceptionModule变换得到大小为M*L的第三输出，第三输出即为高层抽象特征数据。
其中，每一层InceptionModule内的计算，如图7所示，包括：
将大小为X*L的心电数据或上层InceptionModule的输出经过Conv1D(1,1,0)卷积变换得到大小为(X/4)*L的输出，其中X表示输入数据的宽度是任意的，其中X为4的倍数。为了计算方便，其X可取值为12。在将大小为(X/4)*L的输出分别经过Conv1d(5,1,2)，Conv1d(11,1,5)，Conv1d(21,1,10)，三项卷积变换得到大小都为(M/4)*L的三项第四输出。
将大小为X*L的心电数据或上层InceptionModule的输出经过MaxPool池变换得到大小为(M/4)*L的输出，再将该输出经过Conv1d(1,1,0)卷积变换得到大小为(M/4)*L的第五输出。
将三项第四输出以及第五输出，四个数据经过Depth Concat，得到大小为M*L的输出，此输出即为InceptionModule的输出。
在步骤304中，将大小为M*L的高层抽象特征数据与大小为K*L临床特征通过DepthConcat函数进行组合，得到大小为(M+K)*L的组合特征数据。
其中Depth Concat函数标识表示对多项输入在宽度(深度)方向进行组合得到输出。
在步骤306中，将大小为(M+K)*L的组合特征经过Conv1D(1,1,0)卷积变换得到大小为N*L的输出，卷积变换与全连接作用相同。再将大小为N*L的输出经过Sigmoid得到大小为N*L的异常概率预测数据。
其中，Conv1D(kernel_size,stride,padding)表示1维卷积神经网络，其中第1项参数kernel_size为卷积核大小，第2项参数stride为卷积步长，第3项参数padding为补零长度。
其中，Sigmoid作用于其输入的每一列的每一行，于是所得异常概率预测数据的每一列是对心电数据输入每一列的N种心电异常的概率预测。
在步骤206中，其中预测误差计算公式为：
loss＝Mean(LOSS) (1)
公式(1)中LOSS＝[lossn,l]N×L，其表示每一采集时间与每一类异常的预测误差组成的矩阵，其时间l类n的预测误差计算公式为公式(2)。
lossn,l＝-wn,l[yn,l·log pn,l+(1-yn,l)·log(1-pn,l)] (2)
公式(2)中lossn,l，wn,l，pn,l，yn,l分别表示时间l类n的预测误差、以及预测目标权重数组、异常概率预测、预测目标标注数组。
在步骤208中，利用优化器根据预测误差对心电异常概率预测模型进行优化。
在对心电异常概率预测模型进行训练时，需要通过尽量多的心电数据对其进行训练，直至其预测误差达到预期，以完成对心电异常概率预测模型，训练过程如图5所示。
上述心电图异常识别方法中，对心电数据上每一位置都进行是否包含心电异常特征预测，不仅能报告识别到的心电异常，而且能报告识别到包含心电异常特征的区域。本方法不仅能记录心电数据错误识别的心电异常类别，同时能记录心电信号哪些区域错误识别到包含心电异常特征。在通过神经网络分析心电数据时融合了年龄、性别等患者临床特征，从而能够区分不同临床特征患者的心电数据的差异，进而获得更高的准确性。将记录到的错误预测信息反馈到神经网络，对神经网络进行再次训练，从而减少错误心电异常概率预测模型预测概率，提高其准确性。并且还通过每隔一段时间或在记录到的错误预测信息积累到了一定数量时，基于错误预测信息的心电异常概率预测模型再训练就会执行，因此心电异常概率预测模型的预测准确性会越来越高。
应该理解的是，虽然图1-3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1-3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。
在一个实施例中，如图4所示，提供了一种心电图异常识别装置，包括：数据获取模块402、异常概率预测得到模块404和异常识别模块406，其中：
数据获取模块402，用于获取实时心电数据，以及与所述实时心电数据相关的临床特征；
异常概率预测得到模块404，用于将所述实时心电数据和临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测；
异常识别模块406，用于根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
关于心电图异常识别装置的具体限定可以参见上文中对于心电图异常识别方法的限定，在此不再赘述。上述心电异识别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8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图异常识别方法。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8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，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取实时心电数据，以及与所述实时心电数据相关的临床特征；
其中所述心电数据为：在规定时间内以预设频率采集的多个离散数据以采集时间顺序进行排序；
将所述实时心电数据以及临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测数据；
根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
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：
获取心电数据，以及与所述心电数据相关的临床特征，并对所述心电数据进行预处理得到预测目标标注以及预测目标权重；
将所述心电数据和临床特征输入心电异常概率预测模型，得到与所述心电数据对应的异常概率预测；
根据所述异常概率预测、预测目标标注以及预测目标权重进行计算，得到预测误差；
根据所述预测误差优化所述心电异常概率预测模型，直至所述预测误差达到预期，完成训练并得到训练后的心电异常概率预测模型。
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：
将所述心电数据输入深度卷积神经网络，得到高层抽象特征数据；
将所述高层抽象特征数据与所述临床特征数据进行组合，得到组合特征数据；
将所述组合特征数据输入一维卷积神经网络以及Sigmoid逻辑回归模型,得到异常概率预测数据。
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：
获取实时心电数据，以及与所述实时心电数据相关的临床特征；
其中所述心电数据为：在规定时间内以预设频率采集的多个离散数据以采集时间顺序进行排序；
将所述实时心电数据以及临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测数据；
根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取心电数据，以及与所述心电数据相关的临床特征，并对所述心电数据进行预处理得到预测目标标注以及预测目标权重；
将所述心电数据和临床特征输入心电异常概率预测模型，得到与所述心电数据对应的异常概率预测；
根据所述异常概率预测、预测目标标注以及预测目标权重进行计算，得到预测误差；
根据所述预测误差优化所述心电异常概率预测模型，直至所述预测误差达到预期，完成训练并得到训练后的心电异常概率预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述心电数据输入深度卷积神经网络，得到高层抽象特征数据；
将所述高层抽象特征数据与所述临床特征数据进行组合，得到组合特征数据；
将所述组合特征数据输入一维卷积神经网络以及Sigmoid逻辑回归模型,得到异常概率预测数据。
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 (10)
1.心电图异常识别方法，其特征在于，包括：
获取实时心电数据，以及与所述实时心电数据相关的临床特征；
其中所述心电数据为：在规定时间内以预设频率采集的多个离散数据以采集时间顺序进行排序；
将所述实时心电数据以及临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测数据；
根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
2.根据权利要求1所述的心电图异常识别方法，其特征在于，得到所述训练后的心电异常概率预测模型的具体步骤包括：
获取心电数据，以及与所述心电数据相关的临床特征，并对所述心电数据进行预处理得到预测目标标注以及预测目标权重；
将所述心电数据和临床特征输入心电异常概率预测模型，得到与所述心电数据对应的异常概率预测；
根据所述异常概率预测、预测目标标注以及预测目标权重进行计算，得到预测误差；
根据所述预测误差优化所述心电异常概率预测模型，直至所述预测误差达到预期，完成训练并得到训练后的心电异常概率预测模型。
3.根据权利要求2所述的心电图异常识别方法，其特征在于，所述将所述心电数据和临床特征输入心电异常概率预测模型，得到与所述心电数据对应的异常概率预测包括：
将所述心电数据输入深度卷积神经网络，得到高层抽象特征数据；
将所述高层抽象特征数据与所述临床特征数据进行组合，得到组合特征数据；
将所述组合特征数据输入一维卷积神经网络以及Sigmoid逻辑回归模型,得到异常概率预测数据。
4.根据权利要求3所述的心电图异常识别方法，其特征在于，所述高层抽象特征数据为矩阵，其列数与所述心电数据采集次数一致。
5.根据权利要求3所述的心电图异常识别方法，其特征在于，所述高层抽象特征数据的任意一列是对所述心电数据相同列为中心的一个区域内的数据提取的特征。
6.根据权利要求2所述的心电图异常识别方法，其特征在于，所述预测目标标注以及预测目标权重均为行数和列数一致的矩阵，其中行数对应心电异常种类数量，其中列数对应所述心电数据采集次数。
7.根据权利要求1所述的心电图异常识别方法，其特征在于，所述异常概率预测数据为所述心电数据中各离散数据对应多种心电异常种类的概率预测。
8.一种心电图异常识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取实时心电数据，以及与所述实时心电数据相关的临床特征；
异常概率预测得到模块，用于将所述实时心电数据和临床特征输入训练后的心电异常概率预测模型，得到与所述心电数据对应的异常概率预测；
异常识别模块，用于根据阈值对所述异常概率预测进行识别所述心电数据中各离散数据是否为异常。
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至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至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010623441.2A CN111759304B (zh) | 2020-07-01 | 2020-07-01 | 心电图异常识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010623441.2A CN111759304B (zh) | 2020-07-01 | 2020-07-01 | 心电图异常识别方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111759304A true CN111759304A (zh) | 2020-10-13 |
| CN111759304B CN111759304B (zh) | 2022-09-30 |
Family
ID=72723230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010623441.2A Active CN111759304B (zh) | 2020-07-01 | 2020-07-01 | 心电图异常识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111759304B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113576487A (zh) * | 2021-06-18 | 2021-11-02 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
| WO2022121107A1 (zh) * | 2020-12-10 | 2022-06-16 | 青岛大爱慈康智能医疗科技有限公司 | 一种心电信号检测方法及装置 |
| CN115607166A (zh) * | 2022-10-08 | 2023-01-17 | 中国医学科学院阜外医院 | 一种心电信号智能分析方法及系统、智能心电辅助系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104207761A (zh) * | 2013-06-03 | 2014-12-17 | 飞比特公司 | 心率数据收集 |
| CN109567793A (zh) * | 2018-11-16 | 2019-04-05 | 西北工业大学 | 一种面向心律不齐分类的ecg信号处理方法 |
| CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
| CN110897626A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 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 |
| US20200364863A1 (en) * | 2018-05-14 | 2020-11-19 | Tencent Technology (Shenzhen) Company Limited | Object recognition method and device, and storage medium |
-
2020
- 2020-07-01 CN CN202010623441.2A patent/CN111759304B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104207761A (zh) * | 2013-06-03 | 2014-12-17 | 飞比特公司 | 心率数据收集 |
| US20200364863A1 (en) * | 2018-05-14 | 2020-11-19 | Tencent Technology (Shenzhen) Company Limited | Object recognition method and device, and storage medium |
| CN110897626A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 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 |
| CN109567793A (zh) * | 2018-11-16 | 2019-04-05 | 西北工业大学 | 一种面向心律不齐分类的ecg信号处理方法 |
| CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022121107A1 (zh) * | 2020-12-10 | 2022-06-16 | 青岛大爱慈康智能医疗科技有限公司 | 一种心电信号检测方法及装置 |
| CN113576487A (zh) * | 2021-06-18 | 2021-11-02 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
| CN113576487B (zh) * | 2021-06-18 | 2023-06-13 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
| CN115607166A (zh) * | 2022-10-08 | 2023-01-17 | 中国医学科学院阜外医院 | 一种心电信号智能分析方法及系统、智能心电辅助系统 |
| CN115607166B (zh) * | 2022-10-08 | 2023-08-22 | 中国医学科学院阜外医院 | 一种心电信号智能分析方法及系统、智能心电辅助系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111759304B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mathunjwa et al. | ECG arrhythmia classification by using a recurrence plot and convolutional neural network | |
| CN109620205B (zh) | 心电数据分类方法、装置、计算机设备和存储介质 | |
| CN111759304B (zh) | 心电图异常识别方法、装置、计算机设备和存储介质 | |
| Hao et al. | Multi-branch fusion network for Myocardial infarction screening from 12-lead ECG images | |
| CN109091138B (zh) | 心律失常起源点的判断装置及标测系统 | |
| CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| KR20070009667A (ko) | Ｅｃｇ 신호 분석 방법 및 컴퓨터 장치 | |
| Ertuğrul et al. | Automatic diagnosis of cardiovascular disorders by sub images of the ECG signal using multi-feature extraction methods and randomized neural network | |
| Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
| Rehman et al. | Notice of Retraction: Infrared Sensing Based Non-Invasive Initial Diagnosis of Chronic Liver Disease Using Ensemble Learning | |
| Goel | Heart disease prediction using various algorithms of machine learning | |
| Zhang et al. | An ECG heartbeat classification method based on deep convolutional neural network | |
| Kumar et al. | Hybrid Bijective soft set-Neural network for ECG arrhythmia classification | |
| Hossain et al. | Heart disease prediction using distinct artificial intelligence techniques: performance analysis and comparison | |
| Liu et al. | CRT-Net: A generalized and scalable framework for the computer-aided diagnosis of Electrocardiogram signals | |
| Barua et al. | Explainable AI-Based Humerus Fracture Detection and Classification from X-Ray Images | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
| Likitha et al. | Heart Disease Detection using Machine Learning Technique | |
| Haroon | ECG arrhythmia classification Using deep convolution neural networks in transfer learning | |
| CN111657921A (zh) | 心电异常实时监测方法、装置、计算机设备和存储介质 | |
| WO2023110477A1 (en) | A computer implemented method and a system | |
| US20210298625A1 (en) | System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms | |
| Upadhyay et al. | Hypuc: Hyperfine uncertainty calibration with gradient-boosted corrections for reliable regression on imbalanced electrocardiograms | |
| Pareek et al. | Prediction of CKD Using Expert System Fuzzy Logic & AI | |
| Capellán-Martín et al. | A Lightweight, Rapid and Efficient Deep Convolutional Network for Chest X-Ray Tuberculosis Detection |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, device, computer equipment, and storage medium for identifying abnormal electrocardiogram Granted publication date: 20220930 Pledgee: Hangzhou United Rural Commercial Bank Co.,Ltd. Xixing sub branch Pledgor: ARTERYFLOW TECHNOLOGY Co.,Ltd. Registration number: Y2024330000717 |