CN112971796A - 一种心梗预测装置、系统及存储介质 - Google Patents

一种心梗预测装置、系统及存储介质 Download PDF

Info

Publication number
CN112971796A
CN112971796A CN202110175616.2A CN202110175616A CN112971796A CN 112971796 A CN112971796 A CN 112971796A CN 202110175616 A CN202110175616 A CN 202110175616A CN 112971796 A CN112971796 A CN 112971796A
Authority
CN
China
Prior art keywords
prediction
electrocardiogram data
lead
result
myocardial infarction
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
Application number
CN202110175616.2A
Other languages
English (en)
Inventor
钱孝贤
黄桂芳
吴�琳
刘华清
刘勇
韩蓝青
周彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute Of Tsinghua Pearl River Delta
Third Affiliated Hospital Sun Yat Sen University
Original Assignee
Research Institute Of Tsinghua Pearl River Delta
Third Affiliated Hospital Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute Of Tsinghua Pearl River Delta, Third Affiliated Hospital Sun Yat Sen University filed Critical Research Institute Of Tsinghua Pearl River Delta
Priority to CN202110175616.2A priority Critical patent/CN112971796A/zh
Publication of CN112971796A publication Critical patent/CN112971796A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • 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)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种心梗预测装置、系统及存储介质。该装置中的处理器用于执行以下步骤：获取多种导联方式下的心电图数据；对导联方式进行随机分组，并按照导联方式的分组结果，对心电图数据进行划分，得到多个心电图数据组；将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；根据各个第一预测结果的加权结果，得到心梗预测结果。本申请实施例在进行心梗预测过程中，在数据源上综合了多导联的心电图数据，在预测上综合了多模型的预测结果，并且不同的导联方式下的心电图数据在不同的预测模型中被使用，有效克服了单一数据源、单一预测模型导致的预测结果精度偏低的情况。本申请可广泛应用于人工智能技术领域内。

Description

一种心梗预测装置、系统及存储介质
技术领域
本申请涉及人工智能技术领域，尤其是一种心梗预测装置、系统及存储介质。
背景技术
随着经济的发展和信息技术的进步，越来越多领域都运用到了人工智能技术处理对应的任务。相关技术中，有使用机器学习的模型来预测患者是否存在疾病的案例。
例如，心电图是一种常见的心脏检验项目，是医生判断病人心脏状况的基本指标。由于一些疾病的影响，某些患者的心电图数据与正常状态下的心电图数据可能有不易察觉的区别，人为去根据心电图数据判断患者是否存在心脏疾病，需要大量的临床经验，而且得到的预测结果可能不如预期。而相关技术中，采用机器学习的神经网络模型去判断用户是否存在心梗，得到的预测结果可靠性不高，很容易出现误诊断。综合上述，相关技术中存在的技术问题亟需得到解决。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此，本申请实施例的一个目的在于提供一种心梗预测装置，该装置可以有效提高预测用户是否患有心梗时的准确率。
本申请实施例的另一个目的在于提供一种心梗预测系统。
为了达到上述技术目的，本申请实施例所采取的技术方案包括：
第一方面，本申请实施例提供了一种心梗预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如下的步骤：
获取多种导联方式下的心电图数据；
对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；
将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；
根据各个所述第一预测结果的加权结果，得到心梗预测结果。
另外，根据本申请上述实施例的装置，还可以具有以下附加的技术特征：
进一步地，在本申请的一个实施例中，所述获取多种导联方式下的心电图数据的步骤之后，还包括以下步骤：
通过随机复制对所述心电图数据进行均衡处理。
进一步地，在本申请的一个实施例中，所述获取多种导联方式下的心电图数据的步骤之后，还包括以下步骤：
通过小波变换技术对所述心电图数据进行去噪处理。
进一步地，在本申请的一个实施例中，所述对所述导联方式进行随机分组，其具体为：
对所述导联方式进行随机分组，得到多个导联集合；其中，各个所述导联集合中的所述导联方式的数量相同。
进一步地，在本申请的一个实施例中，所述将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果，包括：
将所述心电图数据组输入到卷积神经网络进行特征提取，得到所述心电图数据组的特征向量；
将所述特征向量输入到长短期记忆网络进行分类预测，得到所述心电图数据组对应的所述第一预测结果。
进一步地，在本申请的一个实施例中，所述根据各个所述第一预测结果的加权结果，得到心梗预测结果，包括：
根据各个所述第一预测结果的加权结果，得到第二预测结果；所述第二预测结果用于表征所述心电图数据对应的用户是否存在心梗。
进一步地，在本申请的一个实施例中，所述根据各个所述第一预测结果的加权结果，得到心梗预测结果，包括：
根据各个所述第一预测结果的加权结果，得到第三预测结果；所述第三预测结果用于表征所述心电图数据对应的用户的心梗类型；所述心梗类型包括前降支阻塞、回旋支阻塞和右冠状动脉阻塞。
第二方面，本申请实施例提供了一种心梗预测系统，包括：
获取模块，用于获取多种导联方式下的心电图数据；
分组模块，用于对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；
预测模块，用于将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；
处理模块，用于根据各个所述第一预测结果的加权结果，得到心梗预测结果。
第三方面，本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现如下步骤：
获取多种导联方式下的心电图数据；
对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；
将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；
根据各个所述第一预测结果的加权结果，得到心梗预测结果。
本申请的优点和有益效果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，或通过本申请的实践了解到：
本申请实施例中的装置，其处理器在进行心梗预测时，获取多种导联方式下的心电图数据；对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；根据各个所述第一预测结果的加权结果，得到心梗预测结果。本申请实施例在进行心梗预测过程中，在数据源上综合了多导联的心电图数据，在预测上综合了多模型的预测结果，并且不同的导联方式下的心电图数据在不同的预测模型中被使用，有效克服了单一数据源、单一预测模型导致的预测结果精度偏低的弊端。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案，下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本申请一种心梗预测方法具体实施例的流程示意图；
图2为本申请一种心梗预测处理系统具体实施例的结构示意图；
图3为本申请一种心梗预测处理装置具体实施例的结构示意图。
具体实施方式
下面详细描述本申请的实施例，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，仅用于解释本申请，而不能理解为对本申请的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本申请实施例，为了有效提高对用户(一般是医院的患者)是否患有心梗的预测精度，采用了将多导联下的心电图数据，根据导联的方式进行分组，然后输入到多个预测模型中得到各个组别下的心电图数据的第一预测结果，再根据这些预测结果综合判断，从而得到最终需要的心梗预测结果。本申请中的技术方案在数据源上综合了多导联的心电图数据，在预测上综合了多模型的预测结果，并且不同的导联方式下的心电图数据在不同的预测模型中被使用，有效克服了单一数据源、单一预测模型导致的预测结果精度偏低的弊端。
参照图1，本申请实施例中提供一种心梗预测方法，本申请实施例中的方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。该方法主要包括以下步骤：
步骤110、获取多种导联方式下的心电图数据；
本申请实施例中，对于希望预测是否存在潜在心梗疾病的患者，可以首先获取其心电图数据。具体地，心电图数据的实际来源是通过在人体不同部位放置电极，并使用导联线与心电图机电流计的正负极相连，从而采集得到心电图数据，电极位置和连接方法不同，可组成不同的导联。导联放置的位置不同，得到的检测数据也会有一些差异，不同的导联可以看作是从不同的方向分析心脏的状态。相关技术中，一般广泛采纳的是国际通用的导联体系，称为常规12导联，包括与肢体相连的肢体导联和与胸部相连的胸导联。具体地，肢体导联包括标准肢体导联1、标准肢体导联2、标准肢体导联3和加压单极肢体导联aVR、加压单极肢体导联aVL、加压单极肢体导联aVF。胸导联属于单极导联，包括V1～V6导联。本申请实施例中，获取的心电图数据可以是上述的12导联方式的，即每一种导联方式下都有对应的心电图检测数据。应当理解是，本申请实施例中获取的心电图数据既可以是直接检测得到的，也可以是通过数据传输的渠道接收得到的，并且，该心电图数据所涉及的导联方式的数量可以是任意大于等于2的数量。
可选地，本申请实施例中，在获取心电图数据时，可以截取5个心跳周期(60次/分，一个心跳周期1s，即1000采样点，5周期共5000采样点)的数据作为一个导联方式下的一个心电图数据。并且，对于每个心电图数据，可以采用小波变换对其去噪，即小波变换阈值去噪法。该方法是一种非线性去噪方法，在最小均方误差意义下能达近似最优，具有实现最简单、计算量最小的特点。其基本原理是：正交小波分解具有时-频局部分解的能力，在进行信号处理时，小波分量表现的幅度较大，与噪声在高频部分的均匀变现正好形成明显的对比。经小波分解后，幅值比较大的小波系数绝大多数是有用信号，而幅值较小的系数一般都是噪声，即可以认为有用信号的小波变换系数要大于噪声的小波变换系数。阈值去噪法就是找到一个合适的阈值，保留大于阈值的小波系数，将小于阈值的小波系数做相应的处理，然后，根据处理后的小波系数还原出有用信号。可以理解的是，本申请实施例中，采用小波变换去噪时，设置的阈值可以根据需要进行灵活调整。并且，可选地，本申请实施例中，还可以对心电图数据进行随机复制，以丰富、均衡数据样本，方便后续的多个不同的预测模型均有足够的数据量去预测。
步骤120、对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；
本步骤中，首先对导联方式进行随机分组，可选地，可以将所有的导联方式平均分成若干组，以标准的12导联的导联方式为例，可以将这12种导联方式随机分为4组，每组记为一个导联集合，例如第一导联集合包括标准肢体导联1、标准肢体导联2、标准肢体导联3和加压单极肢体导联aVR这四种导联方式，第二导联集合包括加压单极肢体导联aVL、加压单极肢体导联aVF、胸导联V1和胸导联V2这四种导联方式，第三导联集合包括胸导联V3、胸导联V4、胸导联V5和胸导联V6这四种导联方式。然后，按照导联方式的分组结果，对心电图数据进行划分，得到多个心电图数据组，即第一导联集合下的导联方式所得到的心电图数据分为一组，记为第一心电图数据组；第二导联集合下的导联方式所得到的心电图数据分为一组，记为第二心电图数据组；第三导联集合下的导联方式所得到的心电图数据分为一组，记为第三心电图数据组。应当说明的是，本申请实施例中，对导联方式进行分组的组数和方式都是可以根据需要灵活调整的，每个导联集合中的导联方式的个数并不固定为以上的个数。
步骤130、将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；
本步骤中，将各个心电图数据组输入到不同的预测模型，分别得到每个预测模型输出的针对对应的心电图数据组的第一预测结果。仍以前述的第一、第二以及第三心电图数据组为例，将第一心电图数据组输入到一个预测模型中，得到一个第一预测结果，同理，分别将第二心电图数据组、第三心电图数据组输入到其他的预测模型中，均得到一个对应的第一预测结果。此处，选用不同的预测模型处理三组数据，可以提高预测结果的综合可信度，减少一个预测模型可能造成的预测误差。应当理解的是，本申请实施例中的不同的预测模型，可以是结构和/或参数不同的预测模型，也可以是采用不同数据集训练得到的预测模型。并且，具体地，本申请实施例中的预测模型，可以是卷积神经网络加上长短期记忆网络结合而成的网络结构，例如，可以通过卷积神经网络对心电图数据组进行特征提取，得到其特征向量，然后将特征向量输入到长短期记忆网络进行分类预测，从而得到对应的第一预测结果。
步骤140、根据各个所述第一预测结果的加权结果，得到心梗预测结果。
本步骤中，根据前述的各个心电图数据组的第一预测结果，来确定最终的心梗预测结果。在一些实施例中，预测模型输出的是直接的分类结果，此时，可以根据所有第一预测结果中占多数的作为心梗预测结果，例如有两个预测模型预测的是用户没有心梗，有一个预测模型预测的是用户患有心梗，则心梗预测结果为用户没有心梗。
在一些实施例中，预测模型输出的是患有心梗的概率，此时可以计算各个第一预测结果的概率的加权和，例如概率的均值作为最终确定的概率，本申请实施例中，可以将用户患有心梗的概率作为心梗预测结果输出，优选地，还可以将该概率与预设的概率阈值作比较，确定心梗预测结果。当概率高于概率阈值，则心梗预测结果为用户患有心梗，反之，当平均概率低于概率阈值，则心梗预测结果为用户没有心梗。
在一些实施例中，预测模型可以输出用户患有的心梗类型的概率，此处的心梗类型包括前降支阻塞、回旋支阻塞或者右冠状动脉阻塞，例如某个预测模型输出的第一预测结果为这三类心梗类型的概率是(0.1，0.1，0.8)，表明心梗类型是前降支阻塞的概率是0.1、回旋支阻塞的概率是0.1，右冠状动脉阻塞的概率是0.8。此时，对于多个第一预测结果，可以将每种类型的预测概率进行加权求和，最终将三种类型的概率进行归一化，得到第三预测结果，最终将第三预测结果作为心梗预测结果。
下面参照附图详细描述根据本申请实施例提出的心梗预测系统。
参照图2，本申请实施例中提出的心梗预测系统，包括：
获取模块101，用于获取多种导联方式下的心电图数据；
分组模块102，用于对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；
预测模块103，用于将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；
处理模块104，用于根据各个所述第一预测结果的加权结果，得到心梗预测结果。
可以理解的是，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3，本申请实施例提供了心梗预测装置，包括：
至少一个处理器201；
至少一个存储器202，用于存储至少一个程序；
当至少一个程序被至少一个处理器201执行时，使得至少一个处理器201实现的装置。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器201可执行的程序，处理器201可执行的程序在由处理器201执行时用于执行上述的装置。
同理，上述方法实施例中的内容均适用于本计算机可读存储介质实施例中，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明，但本申请并不限于实施例，熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种心梗预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如下的步骤：
获取多种导联方式下的心电图数据；
对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；
将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；
根据各个所述第一预测结果的加权结果，得到心梗预测结果。
2.根据权利要求1所述的装置，其特征在于，所述获取多种导联方式下的心电图数据的步骤之后，还包括以下步骤：
通过随机复制对所述心电图数据进行均衡处理。
3.根据权利要求1所述的装置，其特征在于，所述获取多种导联方式下的心电图数据的步骤之后，还包括以下步骤：
通过小波变换技术对所述心电图数据进行去噪处理。
4.根据权利要求1-3中任一项所述的装置，其特征在于，所述对所述导联方式进行随机分组，其具体为：
对所述导联方式进行随机分组，得到多个导联集合；其中，各个所述导联集合中的所述导联方式的数量相同。
5.根据权利要求1所述的装置，其特征在于，所述将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果，包括：
将所述心电图数据组输入到卷积神经网络进行特征提取，得到所述心电图数据组的特征向量；
将所述特征向量输入到长短期记忆网络进行分类预测，得到所述心电图数据组对应的所述第一预测结果。
6.根据权利要求1中任一项所述的装置，其特征在于，所述根据各个所述第一预测结果的加权结果，得到心梗预测结果，包括：
根据各个所述第一预测结果的加权结果，得到第二预测结果；所述第二预测结果用于表征所述心电图数据对应的用户是否存在心梗。
7.根据权利要求1中任一项所述的装置，其特征在于，所述根据各个所述第一预测结果的加权结果，得到心梗预测结果，包括：
根据各个所述第一预测结果的加权结果，得到第三预测结果；所述第三预测结果用于表征所述心电图数据对应的用户的心梗类型；所述心梗类型包括前降支阻塞、回旋支阻塞和右冠状动脉阻塞。
8.一种心梗预测系统，其特征在于，包括：
获取模块，用于获取多种导联方式下的心电图数据；
分组模块，用于对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；
预测模块，用于将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；
处理模块，用于根据各个所述第一预测结果的加权结果，得到心梗预测结果。
9.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于：所述处理器可执行的程序在由处理器执行时用于实现如下步骤：
获取多种导联方式下的心电图数据；
对所述导联方式进行随机分组，并按照所述导联方式的分组结果，对所述心电图数据进行划分，得到多个心电图数据组；
将各个心电图数据组输入到不同的预测模型中，得到各个心电图数据组对应的第一预测结果；
根据各个所述第一预测结果的加权结果，得到心梗预测结果。
CN202110175616.2A 2021-02-09 2021-02-09 一种心梗预测装置、系统及存储介质 Pending CN112971796A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110175616.2A CN112971796A (zh) 2021-02-09 2021-02-09 一种心梗预测装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110175616.2A CN112971796A (zh) 2021-02-09 2021-02-09 一种心梗预测装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN112971796A true CN112971796A (zh) 2021-06-18

Family

ID=76392518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110175616.2A Pending CN112971796A (zh) 2021-02-09 2021-02-09 一种心梗预测装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112971796A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362952A (zh) * 2021-06-21 2021-09-07 平安国际智慧城市科技股份有限公司 基于模型的风险预测方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108511055A (zh) * 2017-02-27 2018-09-07 中国科学院苏州纳米技术与纳米仿生研究所 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN108968951A (zh) * 2018-08-15 2018-12-11 武汉中旗生物医疗电子有限公司 心电图检测方法、装置及系统
CN109480824A (zh) * 2018-12-11 2019-03-19 武汉中旗生物医疗电子有限公司 心电波形数据的处理方法、装置和服务器
CN109998532A (zh) * 2019-06-04 2019-07-12 广州视源电子科技股份有限公司 基于多导联多结构聚合网络的心电信号识别方法和装置
CN110226920A (zh) * 2019-06-26 2019-09-13 广州视源电子科技股份有限公司 心电信号识别方法、装置、计算机设备和存储介质
CN110495872A (zh) * 2019-08-27 2019-11-26 中科麦迪人工智能研究院(苏州)有限公司 基于图片及心搏信息的心电分析方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108511055A (zh) * 2017-02-27 2018-09-07 中国科学院苏州纳米技术与纳米仿生研究所 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN108968951A (zh) * 2018-08-15 2018-12-11 武汉中旗生物医疗电子有限公司 心电图检测方法、装置及系统
CN109480824A (zh) * 2018-12-11 2019-03-19 武汉中旗生物医疗电子有限公司 心电波形数据的处理方法、装置和服务器
CN109998532A (zh) * 2019-06-04 2019-07-12 广州视源电子科技股份有限公司 基于多导联多结构聚合网络的心电信号识别方法和装置
CN110226920A (zh) * 2019-06-26 2019-09-13 广州视源电子科技股份有限公司 心电信号识别方法、装置、计算机设备和存储介质
CN110495872A (zh) * 2019-08-27 2019-11-26 中科麦迪人工智能研究院(苏州)有限公司 基于图片及心搏信息的心电分析方法、装置、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362952A (zh) * 2021-06-21 2021-09-07 平安国际智慧城市科技股份有限公司 基于模型的风险预测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Farahani et al. Towards collaborative intelligent IoT eHealth: From device to fog, and cloud
JP6986724B2 (ja) 人工知能に基づく心電図干渉識別方法
Ullah et al. Classification of arrhythmia in heartbeat detection using deep learning
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
Naseri et al. Electrocardiogram signal quality assessment using an artificially reconstructed target lead
Prasad et al. Detection and classification of cardiovascular abnormalities using FFT based multi-objective genetic algorithm
Ullah et al. An end-to-end cardiac arrhythmia recognition method with an effective densenet model on imbalanced datasets using ecg signal
Sanchez de la Nava et al. Artificial intelligence for a personalized diagnosis and treatment of atrial fibrillation
Jeong et al. Convolutional neural network for classification of eight types of arrhythmia using 2D time–frequency feature map from standard 12-lead electrocardiogram
Smith et al. The reconstruction of a 12-lead electrocardiogram from a reduced lead set using a focus time-delay neural network
Stabenau et al. ECGAug: A novel method of generating augmented annotated electrocardiogram QRST complexes and rhythm strips
Allam et al. A deformable CNN architecture for predicting clinical acceptability of ECG signal
Karri et al. A real-time cardiac arrhythmia classification using hybrid combination of delta modulation, 1D-CNN and blended LSTM
CN112971796A (zh) 一种心梗预测装置、系统及存储介质
Tutuko et al. DAE-ConvBiLSTM: End-to-end learning single-lead electrocardiogram signal for heart abnormalities detection
Zabihi et al. Bp-net: Cuff-less and non-invasive blood pressure estimation via a generic deep convolutional architecture
CN110786847B (zh) 心电信号的建库方法和分析方法
Yuan et al. Diagnosing cardiac abnormalities from 12-lead electrocardiograms using enhanced deep convolutional neural networks
Ayushi et al. A survey of ECG classification for arrhythmia diagnoses using SVM
Jothiramalingam et al. Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease.
CN112885459A (zh) 一种心室肥大的预测系统、装置及存储介质
Holst et al. Intelligent computer reportinglack of experience': a confidence measure for decision support systems
Chen et al. Analysis of 12-lead electrocardiogram signal based on deep learning
Rodríguez-Jorge et al. Detection of the QRS Complexity in Real Time with Bluetooth Communication
Abagaro et al. Automated ECG signals analysis for cardiac abnormality detection and classification

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