CN112603328A - 一种基于深度学习的心电图波段标注系统 - Google Patents
一种基于深度学习的心电图波段标注系统 Download PDFInfo
- Publication number
- CN112603328A CN112603328A CN202011549271.4A CN202011549271A CN112603328A CN 112603328 A CN112603328 A CN 112603328A CN 202011549271 A CN202011549271 A CN 202011549271A CN 112603328 A CN112603328 A CN 112603328A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- module
- labeling
- deep learning
- marking
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims description 50
- 238000013136 deep learning model Methods 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000718 qrs complex Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012549 training Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002107 myocardial effect Effects 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000002565 electrocardiography Methods 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000306 qrs interval Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (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深度学习的心电图波段标注系统，包括数据读取模块、数据加载模块、测量模块、心电图诊断结果标注模块、预标注模块、心电图参数标注模块、波段标注模块和数据存储模块。本发明的测量模块提供了测量的工具，能够使得使用者快速得到心电图的基本参数；改进标注框的交互，使得使用者标注效率提高；增加了波段标注模块，使得能够提高后续的模型训练的效果。
Description
技术领域
本发明属于计算机医疗数据挖掘领域，尤其是涉及一种基于深度学习的心电图波段标注系统。
背景技术
心电图(Electrocardiography、ECG或者EKG)是一种经胸腔的以时间为单位记录心脏的电生理活动，并通过皮肤上的电极捕捉并记录下来的诊疗技术。这是一种无创性的记录方式。
心电图的工作原理：在每次心跳心肌细胞去极化的时候会在皮肤表面引起很小的电学改变，这个小变化被心电图记录装置捕捉并放大即可描绘心电图。在心肌细胞处于静息状态时，心肌细胞膜两侧存在由正负离子浓度差形成的电势差，去极化即是心肌细胞电势差迅速向0变化，并引起心肌细胞收缩的过程。在健康心脏的一个心动周期中，由窦房结细胞产生的去极化波有序的依次在心脏中传播，先传播到整个心房，经过“内在传导通路”传播至心室。如果在心脏的任意两面放置2个电极，那么在这个过程中就可以记录到两个电极间微小的电压变化，并可以在心电图纸或者监视器上显示出来。心电图可以反应整个心脏跳动的节律，以及心肌薄弱的部分。
通常在肢体上可以放置2个以上的电极，他们两两组成一对进行测量(如左臂电极(LA)，右臂电极(RA)，左腿电极(LL)可以这样组合：LA+RA，LA+LL，RA+LL)。每个电极对的输出信号称为一组导联。导联简单的说就是从不同的角度去看心脏电流的变化。心电图的种类可以以导联来区分，如3导联心电图，5导联心电图与12导联心电图，等等。12导联心电图是临床最常见的一种，可以同时记录体表12组导联的电位变化，并在心电图纸上描绘出12组导联信号，常用于一次性的心电图诊断。3导联及5导联心电图多用于需要通过监视器连续检测心电活动的情况，如手术过程中或在救护车转运病人时的监护中。根据仪器的不同，这种连续监测的结果有时可能不会被完整地记录下来。
心电图是测量和诊断异常心脏节律的最好方法，用以诊断心电传导组织受损时心脏的节律异常，以及由于电解质平衡失调引起的心脏节律的改变。在心肌梗塞(MI)的诊断中，它可以特异性的分辨出心肌梗塞的区域。同时，心电图也是诊断心律失常疾病最为重要的检查。
使用整份心电图训练深度学习诊断模型时，因一整份心电图所包含的信息过多，模型不容易学到疾病的特征。因此，对于深度学习模型，将一个心拍的信息作为输入，是一个很好的提升模型效果的方法。但是，受限于对心电图心拍标注耗时耗力等原因，现有的含有心拍标注的心电图数据的数量非常少。由此可知，设计一款利用深度学习预先进行标注的标注软件，能够提升医生对于心电图心拍的标注效率。因此，本专利提出一种基于深度学习模型的标注软件来增加医生对于心电图心拍的标注效率。
发明内容
本发明提供了一种基于深度学习的心电图波段标注系统，解决了现有技术方案及实际应用中心电数据的标注为整份心电图，并没有具体到单个波段，泛化性比较差，对于波形变化幅度大，不常见的波形处理效果不甚理想，对后续训练模型的准确度不佳的问题。
一种基于深度学习的心电图波段标注系统，包括：
数据读取模块，用于将单份心电图所有导联、所有时长的数据读取到内存中；
数据加载模块，用于在系统界面上初始化心电图的网格，并将已经读取到内存的数据可视化到心电图的网格中；
测量模块，用于在系统界面提供心电图的测量工具，选定心电图上波段的一个点，显示其各导联的时间点和其电压值；选定心电图上波段的两个点，显示两个点之间的时间间隔和电压峰值的差值；
心电图诊断结果标注模块：在标注系统界面右侧提供整份心电图的诊断结果交互框，用于记录单份心电图的诊断结果；
预标注模块，内设有已经训练好的深度学习模型，用于分割心电信号的P波、QRS波群和T波，并生成P波起始点、QRS波群起始点、QRS波群结束点、T波起始点和T波结束点；
心电图参数标注模块，用于根据预标注模块生成的五个点位计算心电参数，并预先填入系统界面上方设置的心电图参数标注输入框内供医生审核，修改其中有误的心电图参数；
波段标注模块，用于根据预标注模块生成的P波为起点，将深度学习模型划分的心拍显示到心电图上，并填在系统界面下方设置的单份心电图的波段标注输入框内供医生审核，修改有误的心拍划分；
数据存储模块，用于将心电图诊断结果标注模块、心电图参数标注模块和波段标注模块生成的数据保存。
进一步地，所述的数据加载模块中，所述网格的1大格由5个小格组成，横坐标1小格为0.04s，1大格0.20s；纵坐标1小格为0.1mV，1大格为0.5mV。
进一步地，所述的测量模块中，测量工具能够获得任意点的时间和电压，或者任意两点间的电压差。
进一步地，所述的心电图诊断结果标注模块中，诊断结果交互框内提供下拉选项框，使用者在下拉选项框中选择心电图相应的疾病，或者输入疾病的首字母来筛选候选项。
进一步地，所述的预标注模块中，深度学习模型为基于一维卷积神经网络的U-Net模型；通过使用基于一维卷积神经网络的U-Net模型分割心电信号，预先生成心电图参数和心拍划分。
进一步地，所述的心电图参数标注模块中，通过使用测量模块的测量工具，获得单份心电图的参数。
进一步地，所述的波段标注模块中，在得到心拍划分的结果之后，针对心电图诊断结果标注模块的每一个诊断结果，按照诊断结果的类别来分别对波段进行标注，点选符合此诊断结果的心拍，并记录结果。
进一步地，所述的数据存储模块中，将生成的数据写入json文件，保存到标注结果数据路径中。
与现有技术相比，本发明具有以下有益效果：
1、本发明的标注系统使用深度学习模型预先对心电图进行标注，增加医生标注效率；
2、本发明的系统提供了测量工具，能够使得使用者快速得到心电图的基本参数；
3、本发明的系统增加了波段标注，使得能够提高后续的模型训练的效果。
附图说明
图1为本发明一种基于深度学习的心电图波段标注系统的系统界面示意图。
具体实施方式
为了进一步理解本发明，下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
一种基于深度学习的心电图波段标注系统，包括：数据读取模块、数据加载模块、测量模块、心电图诊断结果标注模块、预标注模块、心电图参数标注模块、波段标注模块和数据存储模块。
整个心电图波段标注系统的系统界面如图1所示，系统界面上设有初始化心电图的网格，并将数据读取模块已经读取到内存的数据可视化到心电图的网格中。
系统界面的左上方提供心电图的测量工具，右上方设有心电图参数标注输入框；系统界面右侧提供整份心电图的诊断结果交互框；系统界面下方在波段标注时显示有单份心电图的波段标注输入框。
本发明的系统提供高效、便捷的心电信号波段标注，在具体使用时，步骤如下：
步骤1，通过数据读取模块读取单份心电图数据。
在公开心电数据集和医院、公司的现有心电数据中，将单份心电图所有导联、所有时长的数据读取到内存中。本发明能够读取主流格式存储的心电图。
步骤2，数据加载模块加载读取的心电图数据。
在标注系统的系统界面上，初始化心电图的网格。将已经读取到内存的数据可视化到心电图的网格中。网格的1大格由5个小格组成，横坐标1小格为0.04s，1大格0.20s；纵坐标1小格为0.1mV，1大格为0.5mV。
步骤3，测量模块测量心电参数。
提供心电图的测量工具，选定心电图上波段的一个点，显示其各导联的时间点和其电压值；选定心电图上波段的两个点，显示两个点之间的时间间隔和电压峰值的差值。
步骤4，使用心电图诊断结果标注模块对整份心电图诊断结果标注。
在系统界面右侧，提供整份心电图诊断结果的交互框，记录单份心电图的诊断结果。提供下拉选项框，使用者在下拉选项框中选择心电图相应的疾病，亦可输入疾病的首字母来筛选候选项，以达到快速输入标注结果的目的。
步骤5，使用预标注模块进行预标注。
将该份心电图作为输入，运行已完成训练的基于一维卷积神经网络的U-Net模型来分割心电信号的3种波段(P波、QRS波群、T波)，并生成5个点位(P波起始点、QRS波群起始点、QRS波群结束点、T波起始点、T波结束点)。
步骤6，使用心电图参数标注模块对心电图参数的进行标注。
在系统界面的上方，提供整份心电图参数标注的输入框，根据上一步深度学习模型生成的点位，计算心电参数并显示在输入框内，医生根据深度学习模型预先生成的心电参数，记录单份心电图的参数标注，如心律、PR间期、QT间期、QRS间期等。
步骤7，使用波段标注模块对整份心电图进行波段级别的标注。
在系统界面的下方，提供单份心电图的波段标注。首先使用深度学习模型生成的点位，在心电图上画出心拍的起始点。之后，医生参考深度学习模型划分的心拍，根据诊断结果标注，针对每一个诊断结果，点选符合此诊断结果的心拍，并记录结果。
步骤8，使用数据存储模块保存标注结果。
对前述的整份心电图诊断结果、心电图参数数据、波段级别的标注数据，写入json文件，保存到标注结果数据路径中。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的心电图波段标注系统，其特征在于，包括：
数据读取模块，用于将单份心电图所有导联、所有时长的数据读取到内存中；
数据加载模块，用于在系统界面上初始化心电图的网格，并将已经读取到内存的数据可视化到心电图的网格中；
测量模块，用于在系统界面提供心电图的测量工具，选定心电图上波段的一个点，显示其各导联的时间点和其电压值；选定心电图上波段的两个点，显示两个点之间的时间间隔和电压峰值的差值；
心电图诊断结果标注模块：在系统界面右侧提供整份心电图的诊断结果交互框，用于记录单份心电图的诊断结果；
预标注模块，内设有已经训练好的深度学习模型，用于分割心电信号的P波、QRS波群和T波，并生成P波起始点、QRS波群起始点、QRS波群结束点、T波起始点和T波结束点；
心电图参数标注模块，用于根据预标注模块生成的五个点位计算心电参数，并预先填入系统界面上方设置的心电图参数标注输入框内供医生审核，修改其中有误的心电图参数；
波段标注模块，用于根据预标注模块生成的P波为起点，将深度学习模型划分的心拍显示到心电图上，并填在系统界面下方设置的单份心电图的波段标注输入框内供医生审核，修改有误的心拍划分；
数据存储模块，用于将心电图诊断结果标注模块、心电图参数标注模块和波段标注模块生成的数据保存。
2.根据权利要求1所述的基于深度学习的心电图波段标注系统，其特征在于，所述的数据加载模块中，所述网格的1大格由5个小格组成，横坐标1小格为0.04s，1大格0.20s；纵坐标1小格为0.1mV，1大格为0.5mV。
3.根据权利要求1所述的基于深度学习的心电图波段标注系统，其特征在于，所述的测量模块中，测量工具能够获得任意点的时间和电压，或者任意两点间的电压差。
4.根据权利要求1所述的基于深度学习的心电图波段标注系统，其特征在于，所述的心电图诊断结果标注模块中，诊断结果交互框内提供下拉选项框，使用者在下拉选项框中选择心电图相应的疾病，或者输入疾病的首字母来筛选候选项。
5.根据权利要求1所述的基于深度学习的心电图波段标注系统，其特征在于，所述的预标注模块中，深度学习模型为基于一维卷积神经网络的U-Net模型；通过使用基于一维卷积神经网络的U-Net模型分割心电信号，预先生成心电图参数和心拍划分。
6.根据权利要求1所述的基于深度学习的心电图波段标注系统，其特征在于，所述的心电图参数标注模块中，通过使用测量模块的测量工具，获得单份心电图的参数。
7.根据权利要求1所述的基于深度学习的心电图波段标注系统，其特征在于，所述的波段标注模块中，在得到心拍划分的结果之后，针对心电图诊断结果标注模块的每一个诊断结果，按照诊断结果的类别来分别对波段进行标注，点选符合此诊断结果的心拍，并记录结果。
8.根据权利要求1所述的基于深度学习的心电图波段标注系统，其特征在于，所述的数据存储模块中，将生成的数据写入json文件，保存到标注结果数据路径中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011549271.4A CN112603328A (zh) | 2020-12-24 | 2020-12-24 | 一种基于深度学习的心电图波段标注系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011549271.4A CN112603328A (zh) | 2020-12-24 | 2020-12-24 | 一种基于深度学习的心电图波段标注系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112603328A true CN112603328A (zh) | 2021-04-06 |
Family
ID=75244684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011549271.4A Pending CN112603328A (zh) | 2020-12-24 | 2020-12-24 | 一种基于深度学习的心电图波段标注系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112603328A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113303807A (zh) * | 2021-05-18 | 2021-08-27 | 浙江大学 | 一种心电数据生成方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103815897A (zh) * | 2014-02-28 | 2014-05-28 | 吉林大学 | 一种心电图特征提取方法 |
| CN109117729A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 心电图室性逸搏实时判断方法、装置、系统及存储介质 |
| CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
| CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
| CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
-
2020
- 2020-12-24 CN CN202011549271.4A patent/CN112603328A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103815897A (zh) * | 2014-02-28 | 2014-05-28 | 吉林大学 | 一种心电图特征提取方法 |
| CN109117729A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 心电图室性逸搏实时判断方法、装置、系统及存储介质 |
| CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
| CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
| CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113303807A (zh) * | 2021-05-18 | 2021-08-27 | 浙江大学 | 一种心电数据生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
| Sivaraks et al. | Robust and accurate anomaly detection in ECG artifacts using time series motif discovery | |
| US8352018B2 (en) | Multi-tier system for cardiology and patient monitoring data analysis | |
| US6119035A (en) | Method and system for synthesizing the 12-lead electrocardiogram | |
| WO2022052300A1 (zh) | 一种基于深度学习的心电参数计算方法 | |
| JPH11313806A (ja) | 心臓機能を表す信号の特性を決定する方法 | |
| US20110263995A1 (en) | Comprehensive Myocardial Repolarization Capture Wave-Format Method | |
| US20220160282A1 (en) | Providing a Live-Lead View | |
| Zhou et al. | ECG quality assessment using 1D-convolutional neural network | |
| CN107530020A (zh) | 用于基于ecg的心脏缺血检测的方法与系统 | |
| US10646130B2 (en) | Method for recognizing point quantification standard elevation or depression near the equipotential line of each heartbeat | |
| CN112603328A (zh) | 一种基于深度学习的心电图波段标注系统 | |
| US20150265175A1 (en) | Non-Invasive Evaluation of Cardiac Repolarisation Instability for Risk Stratification of Sudden Cardiac Death | |
| CN113288156B (zh) | 一种任意导联视角的心电数据的生成方法 | |
| CN115177358A (zh) | 一种基于腔内信号的心腔内标测电极导管的定位方法及系统 | |
| CN110811597B (zh) | 心电图记录方法、心电图记录仪、装置及存储介质 | |
| CN110464339B (zh) | 一种心电图分析方法及装置 | |
| CN113303807B (zh) | 一种心电数据生成方法 | |
| Mayapur | Detection and classification of heart defects | |
| CN109589109A (zh) | 中点零参考 | |
| TWI827239B (zh) | 輔助辨識病徵之訊號比對方法 | |
| Mitra et al. | A rough set based approach for ecg classification | |
| Nelwan et al. | Derived 12-lead ECG systems | |
| Bhattarai et al. | Design and Implementation of a Portable ECG Device | |
| EP4371486A1 (en) | Simultaneous electrocardiogram generation method based on 2-lead non-simultaneous electrocardiograms |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |