CN112397179A - 一种医用心电图智能分析系统及分析方法 - Google Patents
一种医用心电图智能分析系统及分析方法 Download PDFInfo
- Publication number
- CN112397179A CN112397179A CN202011614608.5A CN202011614608A CN112397179A CN 112397179 A CN112397179 A CN 112397179A CN 202011614608 A CN202011614608 A CN 202011614608A CN 112397179 A CN112397179 A CN 112397179A
- Authority
- CN
- China
- Prior art keywords
- analysis
- electrocardiogram
- user
- result
- medical
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种医用心电图智能分析系统及分析方法,包括数据采集端,将采集的信息发送给数据存储端,数据存储端分别连接用户端、分析端和医护端,当用户端请求获取分析结果时,数据存储端将信息发送给分析端,分析端分析后,将分析结果发送给用户端。当用户端请求获取复核结果时,数据端将信息发送给医护端,医护端诊断后,将复核结果发送给用户端。本发明通过将人工智能引入到对患者相应数据库的处理之中,构建了相应的分析模型和算法,通过不同维度对数据库中患者的各项指标和状况进行综合处理,快速生成心电图分析结果,方便在突发状况且缺乏专业医护人员指导的紧急情况下,急救人员针对心电图状况的分析结果,采取准确、有效的急救措施。
Description
技术领域
本发明属于医疗用软件开发技术领域,尤其是涉及一种医用心电图智能分析系统及分析方法。
背景技术
心电图是心脏在每个心动周期中,由起搏点、心房、心室相继兴奋,伴随着生物电的变化,通过心电描记器从体表引出多种形式的电位变化的图形。心电图是心脏兴奋的发生、传播及恢复过程的客观指标。心电图是临床上常规的检查,由于心电图主要反映心脏激动的电学活动,因此,心电图检查对于心脏病患者尤为重要。
现阶段,临床上使用的心电图仪只是记录患者检查当次的心电图状况,无法对检查的心电图结果进行智能分析,必须请教专业的医护人员,获取检查结构分析,方可对治疗提供参考价值。
然而,在突发状况且缺乏专业医护人员指导的紧急情况下,需要急救人员对心电图状况快速作出分析,便于急救人员及时做出准确、有效的急救措施。因此,临床上需要一种能快速对心电图进行智能分析的系统和分析方法。
发明内容
本发明要解决的问题是提供一种智能分析系统和分析方法;尤其应用在医疗领域,通过患者检查的心电图信息,智能分析出患者的身体状况,便于急救人员做出准确的急救措施,同时具有专业医护人员复核,精确度高,智能化程度强的一种医用心电图智能分析系统及分析方法。
为解决上述技术问题,本发明采用的技术方案是:一种医用心电图智能分析系统,包括数据采集端,用以采集患者的心脏电位变化信息,所述数据采集端将采集的所述信息发送给数据存储端,所述数据存储端用以存储多名患者的多次检查信息,所述数据存储端分别连接用户端、分析端和医护端,当所述用户端请求获取分析结果时,所述数据存储端将所述信息发送给所述分析端,所述分析端分析后,将分析结果发送给用户端;当所述用户端请求获取复核结果时,所述数据端将所述信息发送给所述医护端,所述医护端诊断后,将复核结果发送给用户端。
进一步的,所述数据采集端为心电图采集设备,包括但不限于心电图仪、24小时动态心电图采集装置、心电监护装置。
进一步的,所述数据存储端为云端存储。
进一步的,所述用户端和所述医护端包括但不限于电脑、手机、打印机、投影仪。
进一步的,所述分析端为分析模型,包括但不限于ResNet模型、Inception模型、Inception-ResNet模型。
进一步的,本发明还提供一种医用心电图智能分析方法,利用上述的分析系统,包括以下步骤,
S1:数据采集端采集患者的心脏电位变化信息;
S2:所述数据采集端将采集到的所述信息发送给数据存储端存储;
S3:用户端请求获取分析结果;
S4:分析端处理后将分析结果发送给所述用户端;
S5:用户端请求获取复核结果;
S6:医护端处理后将复核结果发送给所述用户端。
进一步的,所述S3包括以下步骤,
S31:所述用户端依据个人信息登录;
S32:所述用户端获取个人检查结果;
S33:所述用户端针对某次检查结果,请求获取分析结果。
进一步的,所述S4包括以下步骤,
S41:所述分析端获取所述用户端请求分析的心电图;
S42:所述分析端在接收的所述心电图中随机截取一段连续的心电图信号,所述心电图信号至少包含两个心动周期;
S43:将截取的所述心电图信号以图片形式输入分析模型中,提取得到心电图信号所述分析结果;
S44:将所述分析结果反馈至所述用户端。
进一步的,所述S5包括以下步骤,
S51:所述用户端依据个人信息登录;
S52:所述用户端获取某次分析结果;
S53:所述用户端针对某次分析结果,请求获取复核结果。
进一步的,所述S6包括以下步骤,
S61:所述医护端依据个人信息登录;
S62:所述医护端获取所述用户端请求复核的心电图;
S63:所述医护端诊断后,将所述复核结果反馈至所述用户端。
本发明具有的优点和积极效果是:
本发明通过将机器学习、人工智能引入到对患者相应数据库的处理之中,构建了相应的分析模型和算法,通过不同维度对数据库中患者的各项指标和状况进行综合处理,快速生成心电图分析结果,方便在突发状况且缺乏专业医护人员指导的紧急情况下,急救人员针对心电图状况的分析结果,采取准确、有效的急救措施。并在模型的基础时建立后续的机器学习、训练方法和训练机制,以不断优化模型预测的准确度,实现现有数据的实时分析,同时,对以往数据的动态分析和对将要发生事件的预测功能,自动化程度高,实用性强。
附图说明
图1是本发明实施例的整体结构示意图。
图2是本发明实施例的整体流程图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明实施例做进一步描述:
如图1所示,一种医用心电图智能分析系统,包括数据采集端,用以采集患者的心脏电位变化信息,数据采集端将采集的信息发送给数据存储端,数据存储端用以存储多名患者的多次检查信息。数据存储端分别连接用户端、分析端和医护端,当用户端请求获取分析结果时,数据存储端将信息发送给分析端,分析端分析后,将分析结果发送给用户端。当用户端请求获取复核结果时,数据端将信息发送给医护端,医护端诊断后,将复核结果发送给用户端。
数据采集端为获取患者心脏电位变化信息,形成心电图信号的任一设备。心电图信号可以是单极心电图信号或者是双极心电图信号信号。数据采集端包括但不限于心电图仪、24小时动态心电图采集装置、心电监护装置。
优选的,数据采集端设有患者身份验证装置,用以在患者采集信息前,对患者身份进行验证,便于患者自行检查后,检查结果直接记录到患者的信息库内。
数据存储端的执行主体为服务器,服务器可以为电脑存储,可以为远程的后台服务器,也可以为云平台的服务器,即云端存储。而云端存储平台,采用应用虚拟化技术,集软件搜索、下载、使用、管理、备份等多种功能为一体,为用户搭建软件资源、软件应用和软件服务平台,改善目前软件获取和使用的方式,带给用户简单流畅、方便快捷的全新体验。
数据存储端的输入端接收并存储数据采集端传递的各患者的心电图信号,数据存储端的输出端分别连接用户端、分析端和医护端。用户端、分析端、医护端和服务器之间通过通信网络传输心电图,通信网络可以但不限于为3G、4G、5G、wifi。
用户端为显示设备,显示设备连接请求装置。用户端通过请求装置向数据存储端发出应用请求,数据存储端接收到用户端的请求,分析处理后,将用户端所需的请求信息发送给用户端,通过显示设备显示。用户端包括但不限于电脑、手机、打印机、投影仪。
用户端上安装有App应用程序或Web应用程序,用户端通过应用程序实现与云端服务器之间的信息交互。用户端的应用程序实时检测用户端与云端服务器之间通信连接是否正常。
用户端可以通过使用自身的生物识别方式登录,例如,指纹识别方式登录、面部识别方式登录等。也可以使用账户名和密码请求登录、使用手机号和密码请求登录等方式登录。
数据存储端的云端服务器接收到用户端的登录请求后,与云端服务器中存储的用户信息进行匹配,若匹配成功,则登录请求验证通过;若匹配不成功,则登录请求验证未通过,云端服务器验证结果均反馈至用户端。
若登录请求验证未通过,用户端提示用户是否注册,若用户选择注册,显示注册页面,用户在注册页面内填写信息,注册完成后,用户端向云端服务器发送注册信息,云端服务器更新存储的用户信息。
只有登录请求验证通过后,云端服务器方可接收用户端的各项请求需求。
用户端的请求需求包括但不限于获取心电图、获取分析结果、获取复核结果、获取趋势预测等。
获取心电图,即针对某次心电图检测,向数据存储端发出请求,获取相应的心电图信息;
获取分析结果,即针对某张心电图,向分析端发出请求,快速获取分析端的智能分析结果;
获取复核结果,即针对分析端产生的分析结果,向医护端发出请求,获取专业医护人员的复核结果;
获取趋势预测,即针对数据存储端存储的现有数据进行实时和动态分析,预测患者病情的后续发展趋势,当后续结果存在高危风险时,驱动报警系统发出警报。
数据存储端筛选出危及患者心脏的各项检测信息,通过数据模型分析检测信息。数据模型包括但不限于逻辑回归模型、决策树模型、梯度提升决策树GBDT模型,概率分析模型。模型参数可以是模型计算过程中使用到的各个参数,例如权重系数等。对于较为复杂的神经网络模型,可以选取同一隐藏层对应的模型参数进行分析。通过对检测信息进行模型运算,获取检测信息中包含的多个模型参数。确定多个模型参数的差异统计信息,差异统计信息包括与参数取值大小差异相关的统计量,统计量包括多个。根据差异统计信息,确定危及患者心脏的高危因素。
具体的,数据模型为逻辑回归模型,更简单地,采用的是如下线性回归函数:Y=f(A,X)=a1*x1+a2*x2+a3*x3+a4*x4+a5*x5
其中,a1到a5为输入数据,x1到x5为模型参数。
目前许多逻辑回归模型在处理连续变量的源数据时,为了提高后续计算效率,会首先对变量进行分箱,然后进行独热(one-hot)编码转换,这样处理的结果是,与模型参数直接运算的变量取值都是0或1。也就是说,以上a1到a5是与源数据对应的经处理的输入数据,取值为0或1。并且,源数据处理的过程也是由数据模型进行,因此模型提供方可以知晓这些输入变量的含义。例如,在一个例子中,输入变量数据a1是对连续变量“ 患者年龄”进行分箱、编码的结果,表示年龄是否大于40岁,当取0时,表示小于40岁,取1时表示大于40岁。
类似地,输入变量数据a2和a3可以是对连续变量“ 既往慢性病史”进行分箱、编码的结果,其中a2表示患者是否患有糖尿病史,a3表示患者是否患有高血压史等等。因此,当a2和a3均取0,表示患者没有既往慢性病史;当a2取1,a3取0,表示患者患有糖尿病史,没有高血压史;当a2和a3均取1,表示患者既患有糖尿病史,又患有高血压史。
对于以上的公式,通过对模型参数x1到x5进行异常的差异化设置,筛选出若干高危因素。
差异统计信息可以直接简单的运算出高危因素的发生率。例如,差异统计信息包括统计量中的参数量与总参数量的比值,该比值就可以作为发生率评估信息。比值越大,发生率越高,比值越小,发生率越低。筛选发生率高的统计量作为高危因素。根据高危因素,计算模型参数对应的发生率。
分析端获取数据存储端发送的心电图后,通过分析模型进行运算分析,得出初步分析结果反馈给用户端。
心电图分析方法的各步骤的执行主体为服务器,服务器可以是远程的后台服务器,或者是云平台中的服务器,具体可采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,数据存储端和分析端的服务器之间通过通信网络传输心电图,通信网络可以但不限于为3G、4G、5G、wifi。
本实施例中分析模型基于ResNet模型、或Inception模型、或Inception-ResNet模型训练得到,能够从大数量的心电图中自动有效提取全面描述心电图的特征,包括维数较低的心跳特征,提高心电图分析的完整性和多样性,鲁棒性更强,检测精度更好。
分析模型在预定使用时间后,采用更新的心电图数据重新进行训练,保证分析模型具有更好的提取准确率。
在一个实施例中,分析模型包括卷积层、池化层和全连接层,其中,卷积层和池化层均采用Relu激活函数或其变体,全连接层采用softmax函数。
在一个实施例中,卷积层中第一卷积层包括3个卷积通道,每个卷积通道的卷积核均为{{1,1,1},{1,1,1},{1,1,1}}。
第一卷积层用于增强图片的边界信息。
在一个实施例中,池化层采用取最大值法,池化窗口大小为(2,2)。
池化层用于降维,进而降低运算参数,提高计算速度。
在一个实施例中,全连接层包含三层,第一层的神经元个数为4096,第二层的神经元个数为1024,第三层的神经元个数为28。
全连接层用于将多通道的数据整合成一维特征向量,根据多层神经网络的特性,抽象一维特征向量在全连接层进行分类。
全连接层中第三层的神经元个数决定了提取出的心电图特征的数量,本实施例中,能够提取28种心电图特征。
分析模型的训练在深度学习框架TensorFlow和Keras中进行。
医护端为显示设备,显示设备连接控制装置和报警装置。医护端接收数据存储端发送到医护端的心电图,通过显示设备显示,通过报警装置提醒医护端查收,医护端通过控制装置向数据存储端发出反馈信息。医护端包括但不限于电脑、手机、打印机、投影仪。
医护端上安装有App应用程序或Web应用程序,医护端通过应用程序实现与云端服务器之间的信息交互。医护端的应用程序实时检测医护端与云端服务器之间通信连接是否正常。
医护端可以仅限本人登录,通过使用自身的生物识别方式登录,例如,指纹识别方式登录、面部识别方式登录等。也可以使用账户名和密码请求登录、使用手机号和密码请求登录等。
数据存储端的云端服务器接收到医护端的登录请求后,与云端服务器中存储的医护信息进行匹配,若匹配成功,则登录请求验证通过;若匹配不成功,则登录请求验证未通过,云端服务器验证结果均反馈至医护端。
若登录请求验证未通过,医护端提示医护是否注册,若医护选择注册,显示注册页面,医护在注册页面内填写信息,注册完成后,医护端向云端服务器发送注册信息,云端服务器更新存储的用户信息。
只有登录请求验证通过后,云端服务器方可向医护端发送心电图,医护端方可将复核结果发送至云端服务器,云端服务器将复核结果发送给用户端。
优选的,如图2所示,本发明还提供一种医用心电图智能分析方法,利用上述的分析系统,包括以下步骤,
S1:数据采集端采集患者的心脏电位变化信息。
S2:数据采集端将采集到的信息发送给数据存储端存储。
数据存储端可以以一个医院作为一个整体,建立一个数据库;也可以一定区域内的多家医院资源共享,建立一个数据库;或者以社会整个医疗资源作为一个整体,建立数据量更大、更全面的数据库。
S3:用户端请求获取分析结果。
S31:用户端依据个人信息登录。
S32:用户端获取个人检查结果。
S33:用户端针对某次检查结果,请求获取分析结果。
S4:分析端处理后将分析结果发送给用户端。
S41:分析端获取用户端请求分析的心电图。
S42:分析端在接收的心电图中随机截取一段连续的心电图信号,心电图信号至少包含两个心动周期。
S43:将截取的心电图信号以图片形式输入分析模型中,提取得到心电图信号分析结果。
S44:将分析结果反馈至用户端。
S5:用户端请求获取复核结果。
S51:用户端依据个人信息登录。
S52:用户端获取某次分析结果。
S53:用户端针对某次分析结果,请求获取复核结果。
S6:医护端处理后将复核结果发送给用户端。
S61:医护端依据个人信息登录。
S62:医护端获取用户端请求复核的心电图。
S63:医护端诊断后,将复核结果反馈至用户端。
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,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。
本发明具有的优点和积极效果是:
本发明通过将机器学习、人工智能引入到对患者相应数据库的处理之中,构建了相应的分析模型和算法,通过不同维度对数据库中患者的各项指标和状况进行综合处理,快速生成心电图分析结果,方便在突发状况且缺乏专业医护人员指导的紧急情况下,急救人员针对心电图状况的分析结果,采取准确、有效的急救措施。并在模型的基础时建立后续的机器学习、训练方法和训练机制,以不断优化模型预测的准确度,实现现有数据的实时分析,同时,对以往数据的动态分析和对将要发生事件的预测功能,自动化程度高,实用性强。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种医用心电图智能分析系统,其特征在于:包括数据采集端,用以采集患者的心脏电位变化信息,所述数据采集端将采集的所述信息发送给数据存储端,所述数据存储端用以存储多名患者的多次检查信息,所述数据存储端分别连接用户端、分析端和医护端,当所述用户端请求获取分析结果时,所述数据存储端将所述信息发送给所述分析端,所述分析端分析后,将分析结果发送给用户端;当所述用户端请求获取复核结果时,所述数据端将所述信息发送给所述医护端,所述医护端诊断后,将复核结果发送给用户端。
2.根据权利要求1所述的一种医用心电图智能分析系统,其特征在于:所述数据采集端为心电图采集设备,包括但不限于心电图仪、24小时动态心电图采集装置、心电监护装置。
3.根据权利要求1或2所述的一种医用心电图智能分析系统,其特征在于:所述数据存储端为云端存储。
4.根据权利要求1或2所述的一种医用心电图智能分析系统,其特征在于:所述用户端和所述医护端包括但不限于电脑、手机、打印机、投影仪。
5.根据权利要求1或2所述的一种医用心电图智能分析系统,其特征在于:所述分析端为分析模型,包括但不限于ResNet模型、Inception模型、Inception-ResNet模型。
6.一种医用心电图智能分析方法,利用上述权利要求1至5任一所述的分析系统,其特征在于:包括以下步骤,
S1:数据采集端采集患者的心脏电位变化信息;
S2:所述数据采集端将采集到的所述信息发送给数据存储端存储;
S3:用户端请求获取分析结果;
S4:分析端处理后将分析结果发送给所述用户端;
S5:用户端请求获取复核结果;
S6:医护端处理后将复核结果发送给所述用户端。
7.根据权利要求6所述的一种医用心电图智能分析方法,其特征在于:所述S3包括以下步骤,
S31:所述用户端依据个人信息登录;
S32:所述用户端获取个人检查结果;
S33:所述用户端针对某次检查结果,请求获取分析结果。
8.根据权利要求6或7所述的一种医用心电图智能分析方法,其特征在于:所述S4包括以下步骤,
S41:所述分析端获取所述用户端请求分析的心电图;
S42:所述分析端在接收的所述心电图中随机截取一段连续的心电图信号,所述心电图信号至少包含两个心动周期;
S43:将截取的所述心电图信号以图片形式输入分析模型中,提取得到心电图信号所述分析结果;
S44:将所述分析结果反馈至所述用户端。
9.根据权利要求6或7所述的一种医用心电图智能分析方法,其特征在于:所述S5包括以下步骤,
S51:所述用户端依据个人信息登录;
S52:所述用户端获取某次分析结果;
S53:所述用户端针对某次分析结果,请求获取复核结果。
10.根据权利要求6或7所述的一种医用心电图智能分析方法,其特征在于:所述S6包括以下步骤,
S61:所述医护端依据个人信息登录;
S62:所述医护端获取所述用户端请求复核的心电图;
S63:所述医护端诊断后,将所述复核结果反馈至所述用户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614608.5A CN112397179A (zh) | 2020-12-30 | 2020-12-30 | 一种医用心电图智能分析系统及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614608.5A CN112397179A (zh) | 2020-12-30 | 2020-12-30 | 一种医用心电图智能分析系统及分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112397179A true CN112397179A (zh) | 2021-02-23 |
Family
ID=74625070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011614608.5A Pending CN112397179A (zh) | 2020-12-30 | 2020-12-30 | 一种医用心电图智能分析系统及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112397179A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113080976A (zh) * | 2021-03-31 | 2021-07-09 | 深圳市景新浩科技有限公司 | 一种可穿戴式智能心电监护系统 |
-
2020
- 2020-12-30 CN CN202011614608.5A patent/CN112397179A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113080976A (zh) * | 2021-03-31 | 2021-07-09 | 深圳市景新浩科技有限公司 | 一种可穿戴式智能心电监护系统 |
CN113080976B (zh) * | 2021-03-31 | 2022-01-11 | 深圳市景新浩科技有限公司 | 一种可穿戴式智能心电监护系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
US10039485B2 (en) | Method and system for assessing mental state | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
CN111095232B (zh) | 发掘用于机器学习技术中的基因组 | |
US20230335289A1 (en) | Systems and methods for generating health risk assessments | |
CN115778403B (zh) | 心电图分析方法、装置、电子设备和存储介质 | |
CN117476217B (zh) | 一种慢性心脏病病情发展趋势预测系统 | |
Mortensen et al. | Multi-class stress detection through heart rate variability: A deep neural network based study | |
CN112397179A (zh) | 一种医用心电图智能分析系统及分析方法 | |
US8428965B2 (en) | System for clinical research and clinical management of cardiovascular risk using ambulatory blood pressure monitoring and actigraphy | |
CN214505007U (zh) | 一种医用心电图智能分析系统 | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
CN115019924A (zh) | 应用人工智能健康机器人的健康数据采集和分析方法 | |
US11887730B2 (en) | Systems and methods for unobtrusive digital health assessment | |
US20220262516A1 (en) | Atrial Fibrillation Prediction Model And Prediction System Thereof | |
CN112022124A (zh) | 生理监测方法、装置、计算机设备和存储介质 | |
Laudato et al. | Combining rhythmic and morphological ECG features for automatic detection of atrial fibrillation: local and global prediction models | |
Singhal et al. | Electrocardiogram Feature Based Heart Arrhythmia Detection Using Machine Learning and Apache Spark | |
CN117672495B (zh) | 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 | |
US20230346290A1 (en) | Overriding longest rr intervals | |
Digumarthi et al. | Recognition of Cardiac Arrhythmia using ECG signals and Bio-inspired AWPSO Algorithms | |
Sagar et al. | Smart Healthcare Monitoring System for Early Diagnosis of Patient's Disease using Artificial Intelligence | |
ABRAMOV et al. | INFORMATICS AND AUTOMATION | |
EP4330988A1 (en) | System for remote drug monitoring and titration |
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 |