CN113012823A - 一种用于心电图机的云平台系统 - Google Patents
一种用于心电图机的云平台系统 Download PDFInfo
- Publication number
- CN113012823A CN113012823A CN202110337720.7A CN202110337720A CN113012823A CN 113012823 A CN113012823 A CN 113012823A CN 202110337720 A CN202110337720 A CN 202110337720A CN 113012823 A CN113012823 A CN 113012823A
- Authority
- CN
- China
- Prior art keywords
- cloud platform
- hospital
- intelligent cloud
- electrocardiograph
- patient
- 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
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 201000010099 disease Diseases 0.000 claims abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 6
- 238000013399 early diagnosis Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000013136 deep learning model Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 9
- 208000019622 heart disease Diseases 0.000 claims description 8
- 206010003119 arrhythmia Diseases 0.000 claims description 6
- 230000006793 arrhythmia Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 206010047295 Ventricular hypertrophy Diseases 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 claims description 3
- 208000010125 myocardial infarction Diseases 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000007675 cardiac surgery Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 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
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G16H40/67—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 for remote operation
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种用于心电图机的云平台系统，包括心电监护终端、移动终端、基于web的用户交互界面、医院监护中心、智能云平台，所述心电监护终端与移动终端信号相连，所述移动终端通过互联网与智能云平台相连，所述智能云平台通过互联网与医院监控中心相连；所述心电监护终端，用于采集患者的心电信号；所述基于web的用户交互界面，向智能云平台发送操作请求，接收并显示响应数据；所述智能云平台，用于对预处理后的心电信号进行分类诊断，并将诊断结果发送至用户端以及医院监护中心；所述医院监护中心，用于根据诊断结果实现患者的远程实时监护、定位及病发时的早期诊断和急救治疗。
Description
技术领域
本发明涉及心电监护技术领域，尤其涉及一种用于心电图机的云平台系统。
背景技术
早期家庭型心电监护平台对一些做过心脏手术病人，采用电子仪器记录、存储病人每天的心电图及其它重要的生理参数，并周期地将数据送往诊所进行诊断，病人可以远离医院在家进行监护。早期的家庭心电监护要在监护结束后再进行心电资料的分析，不具有实时性，病人发病时无法得到医生及时的诊断和救治。而且由于其存储量太小，仅能存储极少量的心电数据，不能保证数据的完整性，一些有价值的心电数据还是不可避免地被丢失，这大大降低了诊断的准确率。
发明内容
本发明的目的在于提供一种用于心电图机的云平台系统，以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的：一种用于心电图机的云平台系统，包括心电监护终端、移动终端、基于web的用户交互界面、医院监护中心、智能云平台，所述心电监护终端与移动终端信号相连，所述移动终端通过互联网与智能云平台相连，所述智能云平台通过互联网与医院监控中心相连；
所述心电监护终端，用于采集患者的心电信号；
所述移动终端，用于接收患者的心电信号，并通过基于web的用户交互界面登录所述智能云平台；
所述基于web的用户交互界面，向智能云平台发送操作请求，接收并显示响应数据；
所述智能云平台，用于对预处理后的心电信号进行分类诊断，并将诊断结果发送至用户端以及医院监护中心；
所述医院监护中心，用于根据诊断结果实现患者的远程实时监护、定位及病发时的早期诊断和急救治疗。
优选的，所述心电监控终端包括三导联心电采集模块、嵌入式主控制模块、蓝牙模块以及位置定位模块，所述三导联心电采集模块通过体表心电导联线实时测量病人的心电信号，所述嵌入式主控制模块用于接收所述心电信号并进行预处理，所述蓝牙模块用于将心电信号波形传输至移动终端，所述位置定位模块连续采集病人所在的地理位置，并将地理位置信息上传至智能云平台处，再通过所述智能云平台将地理位置信息传输至医院监护中心处，协助急救人员对患者实施及时救助。
优选的，所述基于web的用户交互界面运行于移动终端上，所述基于web的用户交互界面包括患者端、医生端、管理员端，所述患者端：用于实时心电数据上传、心电波形监控、心电事件查看、历史报告查询、心电报告生成、心电病理统计、心率趋势图和个人信息维护；
所述医生端：用于实时在线患者管理、心电报告审核、历史报告查询和个人信息管理；
所述管理员端：用于医生、患者信息管理、统计报表。
优选的，所述智能云平台包括学习训练模块、训练数据库、聚类模块，所述训练数据库，用于存储多个心电数据样本，每个所述心电数据携带有诊断标记；
所述聚类模块，用于将心电数据样本按心脏疾病类型进行分类，获得k个分类集合，每个分类集合与一个心脏疾病类型相对应，并且每个分类集合中均包含若干个心电数据，
所述学习训练模块，包含有多个深度学习模型，所述每个深度学习模型均通过不同的深度学习算法进行构建，并均采用聚类结果作为训练标签，使用训练数据库的心电数据样本进行深度学习训练；
优选的，所述聚类模块的聚类结果至少包括下列分类集合：正常心电、心律失常、室内传导阻滞、心室肥大、ST段异常、心肌梗死、心电轴偏移。
优选的，所述深度学习模型选用机器学习中的贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的一种或多种。
优选的，所述医院监护中心设置于医院内，所述医院监护中心包括通信服务子系统、监护与诊疗子系统、GIS地理定位子系统；
所述通信服务子系统，用于实现医院监护中心与远程移动监护仪、急救车载监护仪、之间的院外GSM/GPRS移动通信网络或CDMA或3G移动网络、院内WiFi无线局域网及Internet网络的数据交换和分发，以及与医院已有兼容PACS、DICOM通信标准的诊疗信息系统进行互联互通；
所述诊疗子系统，医生通过该子系统对所述智能云平台的诊断结果判断，并将判断结果回传至智能云平台，并通过智能云平台向用户发送最终的诊断结果；
所述GIS地理定位子系统，用于在电子地图上跟踪显示病人所在位置。
与现有技术相比，本发明达到的有益效果如下：
本发明提供的一种用于心电图机的云平台系统，通过智能云平台自动识别区分正常和异常的心电信号，提供预诊断、评估和分类，及时捕获异常心电图，给医护报警，从而实现及时的救治。同时，智能云平台将有问题的心电信号片段及时通过网络和互联网传输到医院监护中心，医院监护中心将确诊的结果和相应的处治措施通过网络以短信形式反馈给心电手机监护终端，告知被监护人和监护人，实现被监护人心脏的实时监护。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种用于心电图机的云平台系统的结构图；
图2为本发明提供的智能云平台的结构示意图；
图3为本发明提供的系统架构图。
图中，1心电监护终端，2基于web的用户交互界面，3智能云平台，4医院监护中心，5移动终端，6训练数据库，7聚类模块，8学习训练模块。
具体实施方式
为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明。
参见图1至图3，本申请的实施例公开了一种用于心电图机的云平台系统，包括心电监护终端1、移动终端5、基于web的用户交互界面2、医院监护中心4、智能云平台3，所述心电监护终端1与移动终端5信号相连，所述移动终端5通过互联网与智能云平台3相连，所述智能云平台3通过互联网与医院监控中心相连；
所述心电监护终端1，用于采集患者的心电信号；
所述移动终端5，用于接收患者的心电信号，并通过基于web的用户交互界面2登录所述智能云平台3；
所述基于web的用户交互界面2，向智能云平台3发送操作请求，接收并显示响应数据；
所述智能云平台3，用于对预处理后的心电信号进行分类诊断，并将诊断结果发送至用户端以及医院监护中心4；
所述医院监护中心4，用于根据诊断结果实现患者的远程实时监护、定位及病发时的早期诊断和急救治疗。
其中心电监护终端1、基于web的用户交互界面2、医院监护中心4、智能云平台3四者之间通过网络实现数据互传，可选的，网络包括一个或多个有线和/或无线网络。例如，网络可以包括蜂窝网络(例如，第五代(Fifth Generation，5G)网络、长期演进(Long-termEvolution，LTE)网络、第三代(Third Generation，3G)网络、码分多址(Code DivisionMultiple Access，CDMA)网络等)、公共陆地移动网络(Public Land Mobile Network，PLMN)、局域网(Local AreaNetwork，LAN)、广域网(Wide Area Network，WAN)、城域网(Metropolitan Area Network，MAN)、电话网络(例如，公共交换电话网络(PublicSwitched Telephone Network，PSTN))、专用网络、混合网络、内网、因特网、基于光纤的网络等等，和/或这些或其它类型的网络的组合。
可选的，所述心电监护终端1将所采集到的心电信号传输至移动终端5，所述移动终端5包括智能手机、IPAD等，用户通过通过移动终端5登录所述基于web的用户交互界面2，通过基于web的用户交互界面2将所述心电信号传输至智能云平台3
可选的，所述心电监控终端包括三导联心电采集模块、嵌入式主控制模块、蓝牙模块以及位置定位模块，所述三导联心电采集模块通过体表心电导联线实时测量病人的心电信号，所述嵌入式主控制模块用于接收所述心电信号并进行预处理，所述蓝牙模块用于将心电信号波形传输至移动终端5，所述位置定位模块连续采集病人所在的地理位置，并将地理位置信息上传至智能云平台3处，再通过所述智能云平台3将地理位置信息传输至医院监护中心4处，协助急救人员对患者实施及时救助。
可选的，所述基于web的用户交互界面2运行于移动终端5上，所述基于web的用户交互界面2包括患者端、医生端、管理员端，所述患者端、医生端、管理员端均存在与使用者相对应的账号及密码，通过相应的账号密码，即可实现患者端、医生端、管理员端的登录，从而实现下列操作，优选的，其患者端可以实现：实时心电数据上传、心电波形监控、心电事件查看、历史报告查询、心电报告生成、心电病理统计、心率趋势图和个人信息维护；
所述医生端：用于实时在线患者管理、心电报告审核、历史报告查询和个人信息管理；
所述管理员端：用于医生、患者信息管理、统计报表。
可选的，所述智能云平台3包括学习训练模块8、训练数据库6、聚类模块7，所述训练数据库6，用于存储多个心电数据样本，每个所述心电数据携带有诊断标记，其心电数据样本来源于医院心内科心电图室随机收集经专家核对过的、标准12导联心电波形信号；
进一步的，所述聚类模块7，用于将心电数据样本按心脏疾病类型进行分类，获得k个分类集合，每个分类集合与一个心脏疾病类型相对应，并且每个分类集合中均包含若干个心电数据，所述聚类模块7的聚类结果至少包括下列分类集合：正常心电、心律失常、室内传导阻滞、心室肥大、ST段异常、心肌梗死、心电轴偏移。
所述学习训练模块8，包含有多个深度学习模型，所述每个深度学习模型均通过不同的深度学习算法进行构建，并均采用聚类结果作为训练标签，使用训练数据库6的心电数据样本进行深度学习训练，从而获得多个深度预测结果，采用加权的方式得到最终集成预测结果；
可选的，所述深度学习模型选用机器学习中的贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的一种或多种。例如，在所述学习训练模块8中建立了分别包含基于决策树算法、深度玻尔兹曼机、神经张量网络的三个深度学习模型，将每个深度学习模型的输出标签上设置为聚类模块7的一个聚类结果，例如心律失常，将心率失常所对应的心电数据分别输入所述基于决策树算法、深度玻尔兹曼机、神经张量网络的三个深度学习模型进行学习训练，选取正确率最高的深度学习模型作为识别所述心率失常的深度学习模型，同理，将聚类模块7的其他结果作为相应的深度学习模型的输出标签，通过判断深度学习模型正确率的高低，最终获得多个包含不同机器学习算法的深度学习模型，将多个深度学习模型进行融合，从而获得一个完整的具有广泛疾病识别能力的整合模型，用于实际的疾病诊断。
可选的，所述医院监护中心4设置于医院内，所述医院监护中心4包括通信服务子系统、监护与诊疗子系统、GIS地理定位子系统；
所述通信服务子系统，用于实现医院监护中心4与远程移动监护仪、急救车载监护仪、之间的院外GSM/GPRS移动通信网络或CDMA或3G移动网络、院内WiFi无线局域网及Internet网络的数据交换和分发，以及与医院已有兼容PACS、DICOM通信标准的诊疗信息系统进行互联互通；
所述诊疗子系统，医生通过该子系统对所述智能云平台3的诊断结果判断，并将判断结果回传至智能云平台3，并通过智能云平台3向用户发送最终的诊断结果；
所述GIS地理定位子系统，用于在电子地图上跟踪显示病人所在位置。
本实施例实现高危心脏病人群的监护的工作过程如下：
首先，通过体表心电导联线将心电监护终端1固定于人体胸部，通过心电监护终端1采集人体的心电信号，其所采集的心电信号通过心电监护终端1的蓝牙模块被上传至移动终端5上，患者通过基于web的用户交互界面2的患者端进行登录，同时将所采集的心电信号上传至智能云平台3处，其智能云平台3根据心电信号进行诊断，获得心脏疾病的诊断结果，智能云平台3将诊断结果发送至医院监护中心4处，同时医生通过基于web的用户交互界面2的医生端对诊断结果进行复审，并给出最终的诊断结果，其最终的诊断结果被通过智能云平台3回传至移动终端5上，便于患者查看，当诊断存在异常风险时，医院监护中心4能及时的派出救护车，根据心电监护终端1上的定位，及时实现救援。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (7)
1.一种用于心电图机的云平台系统，其特征在于，包括心电监护终端、移动终端、基于web的用户交互界面、医院监护中心、智能云平台，所述心电监护终端与移动终端信号相连，所述移动终端通过互联网与智能云平台相连，所述智能云平台通过互联网与医院监控中心相连；
所述心电监护终端，用于采集患者的心电信号；
所述移动终端，用于接收患者的心电信号，并通过基于web的用户交互界面登录所述智能云平台；
所述基于web的用户交互界面，向智能云平台发送操作请求，接收并显示响应数据；
所述智能云平台，用于对预处理后的心电信号进行分类诊断，并将诊断结果发送至用户端以及医院监护中心；
所述医院监护中心，用于根据诊断结果实现患者的远程实时监护、定位及病发时的早期诊断和急救治疗。
2.根据权利要求1所述的一种用于心电图机的云平台系统，其特征在于，所述心电监控终端包括三导联心电采集模块、嵌入式主控制模块、蓝牙模块以及位置定位模块，所述三导联心电采集模块通过体表心电导联线实时测量病人的心电信号，所述嵌入式主控制模块用于接收所述心电信号并进行预处理，所述蓝牙模块用于将心电信号波形传输至移动终端，所述位置定位模块连续采集病人所在的地理位置，并将地理位置信息上传至智能云平台处，再通过所述智能云平台将地理位置信息传输至医院监护中心处，协助急救人员对患者实施及时救助。
3.根据权利要求2所述的一种用于心电图机的云平台系统，其特征在于，所述基于web的用户交互界面运行于移动终端上，所述基于web的用户交互界面包括患者端、医生端、管理员端，所述患者端：用于实时心电数据上传、心电波形监控、心电事件查看、历史报告查询、心电报告生成、心电病理统计、心率趋势图和个人信息维护；
所述医生端：用于实时在线患者管理、心电报告审核、历史报告查询和个人信息管理；
所述管理员端：用于医生、患者信息管理、统计报表。
4.根据权利要求3所述的一种用于心电图机的云平台系统，其特征在于，所述智能云平台包括学习训练模块、训练数据库、聚类模块，所述训练数据库，用于存储多个心电数据样本，每个所述心电数据携带有诊断标记；
所述聚类模块，用于将心电数据样本按心脏疾病类型进行分类，获得k个分类集合，每个分类集合与一个心脏疾病类型相对应，并且每个分类集合中均包含若干个心电数据，
所述学习训练模块，包含有多个深度学习模型，所述每个深度学习模型均通过不同的深度学习算法进行构建，并均采用聚类结果作为训练标签，使用训练数据库的心电数据样本进行深度学习训练。
5.根据权利要求4所述的一种用于心电图机的云平台系统，其特征在于，所述聚类模块的聚类结果至少包括下列分类集合：正常心电、心律失常、室内传导阻滞、心室肥大、ST段异常、心肌梗死、心电轴偏移。
6.根据权利要求4所述的一种用于心电图机的云平台系统，其特征在于，所述深度学习模型选用机器学习中的贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的一种或多种。
7.根据权利要求4所述的一种用于心电图机的云平台系统，其特征在于，所述医院监护中心设置于医院内，所述医院监护中心包括通信服务子系统、监护与诊疗子系统、GIS地理定位子系统；
所述通信服务子系统，用于实现医院监护中心与远程移动监护仪、急救车载监护仪、之间的院外GSM/GPRS移动通信网络或CDMA或3G移动网络、院内WiFi无线局域网及Internet网络的数据交换和分发，以及与医院已有兼容PACS、DICOM通信标准的诊疗信息系统进行互联互通；
所述诊疗子系统，医生通过该子系统对所述智能云平台的诊断结果判断，并将判断结果回传至智能云平台，并通过智能云平台向用户发送最终的诊断结果；
所述GIS地理定位子系统，用于在电子地图上跟踪显示病人所在位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110337720.7A CN113012823A (zh) | 2021-03-30 | 2021-03-30 | 一种用于心电图机的云平台系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110337720.7A CN113012823A (zh) | 2021-03-30 | 2021-03-30 | 一种用于心电图机的云平台系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113012823A true CN113012823A (zh) | 2021-06-22 |
Family
ID=76409089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110337720.7A Pending CN113012823A (zh) | 2021-03-30 | 2021-03-30 | 一种用于心电图机的云平台系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113012823A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113707289A (zh) * | 2021-07-16 | 2021-11-26 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
| CN114580657A (zh) * | 2022-02-24 | 2022-06-03 | 山东大学 | 一种基于关系深度强化学习的家庭能量管控方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678098A (zh) * | 2016-02-23 | 2016-06-15 | 济宁中科大象医疗电子科技有限公司 | 基于云平台的远程心电监护与健康管理系统及其实现方法 |
| CN107669262A (zh) * | 2017-10-31 | 2018-02-09 | 王量弘 | 基于svm与wlt的多导联远程心电诊断与监护系统及方法 |
| CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
| CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
| CN108899087A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于深度学习的x光片智能诊断方法 |
| CN111261277A (zh) * | 2018-11-30 | 2020-06-09 | 上海图灵医疗科技有限公司 | 一种基于深度学习模型的心脏疾病的检测方法 |
| CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断系统 |
| CN112472101A (zh) * | 2020-10-16 | 2021-03-12 | 浙江大学山东工业技术研究院 | 基于转换技术的深度学习心电图数据分类方法及装置 |
-
2021
- 2021-03-30 CN CN202110337720.7A patent/CN113012823A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678098A (zh) * | 2016-02-23 | 2016-06-15 | 济宁中科大象医疗电子科技有限公司 | 基于云平台的远程心电监护与健康管理系统及其实现方法 |
| CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
| CN107669262A (zh) * | 2017-10-31 | 2018-02-09 | 王量弘 | 基于svm与wlt的多导联远程心电诊断与监护系统及方法 |
| CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
| CN108899087A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于深度学习的x光片智能诊断方法 |
| CN111261277A (zh) * | 2018-11-30 | 2020-06-09 | 上海图灵医疗科技有限公司 | 一种基于深度学习模型的心脏疾病的检测方法 |
| CN112472101A (zh) * | 2020-10-16 | 2021-03-12 | 浙江大学山东工业技术研究院 | 基于转换技术的深度学习心电图数据分类方法及装置 |
| CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113707289A (zh) * | 2021-07-16 | 2021-11-26 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
| CN113707289B (zh) * | 2021-07-16 | 2023-11-10 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
| CN114580657A (zh) * | 2022-02-24 | 2022-06-03 | 山东大学 | 一种基于关系深度强化学习的家庭能量管控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9149237B2 (en) | System and method for evaluating a patient status for use in heart failure assessment | |
| US9183351B2 (en) | Mobile system with network-distributed data processing for biomedical applications | |
| CN104490388A (zh) | 一种可扩展的人体健康远程记录、监护和诊断系统 | |
| CN110916647A (zh) | 面向多场景的可穿戴心电监测与心律失常远程实时诊断装置 | |
| CN110477864B (zh) | 一种基于心脏功能动态监测与分析的管理服务系统及方法 | |
| CN107103182A (zh) | 一种基于深度学习算法的心脏性疾病风险预警系统及方法 | |
| CN107680674A (zh) | 一种基于健康大数据的健康物联网平台及其管理方法 | |
| JP2017127664A (ja) | 個人における連続心臓モニタリングのための方法、システム及び装置 | |
| CN105411554A (zh) | 一种无线式无创伤人体生理参数采集、检测及智能诊断系统 | |
| CN105147278A (zh) | 一种具备自动分析和实时信息分享功能的远程心电图监测系统实现方法 | |
| CN106980771A (zh) | 一种用于急性冠脉综合征病例信息采集的系统 | |
| CN204336910U (zh) | 一种可扩展的人体健康远程记录、监护和诊断系统 | |
| Goh et al. | A PDA-based ECG beat detector for home cardiac care | |
| CN113012823A (zh) | 一种用于心电图机的云平台系统 | |
| CN110598549A (zh) | 一种基于心脏功能监控的卷积神经网络信息处理系统及训练方法 | |
| CN108209891A (zh) | 远程健康医疗监测方法及系统 | |
| CN110570919A (zh) | 面向慢病人群的健康风险智能监测、预警方法及平台 | |
| CN107092799A (zh) | 一种基于云计算的生命体征数据管理系统及方法 | |
| CN112037896A (zh) | 一种面向血液透析的智能云护士助理系统 | |
| CN110664397A (zh) | 一种心电数据实时分析诊断预警云系统 | |
| CN106983502A (zh) | 疾病诊断系统及其使用方法 | |
| CN107928660A (zh) | 一种基于心电图的健康预警系统 | |
| Liu et al. | Real-time health monitoring system based on wearable devices | |
| TWI732489B (zh) | 應用心電圖快速偵測鉀離子異常之方法及其系統 | |
| CN110974216B (zh) | 一种无线心电监护传感器的遥控系统 |
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 |