CN113598782A - 预测室性心律失常起源位置的系统、电子设备和存储介质 - Google Patents

预测室性心律失常起源位置的系统、电子设备和存储介质 Download PDF

Info

Publication number
CN113598782A
CN113598782A CN202110881998.0A CN202110881998A CN113598782A CN 113598782 A CN113598782 A CN 113598782A CN 202110881998 A CN202110881998 A CN 202110881998A CN 113598782 A CN113598782 A CN 113598782A
Authority
CN
China
Prior art keywords
prediction
predicted
body surface
ventricular
arrhythmia
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
Application number
CN202110881998.0A
Other languages
English (en)
Other versions
CN113598782B (zh
Inventor
郑建伟
储慧民
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110881998.0A priority Critical patent/CN113598782B/zh
Priority claimed from CN202110881998.0A external-priority patent/CN113598782B/zh
Publication of CN113598782A publication Critical patent/CN113598782A/zh
Priority to EP22852105.0A priority patent/EP4382046A1/en
Priority to PCT/CN2022/109360 priority patent/WO2023011392A1/zh
Application granted granted Critical
Publication of CN113598782B publication Critical patent/CN113598782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种预测室性心律失常起源位置的系统、电子设备和存储介质，所述系统包括获取模块，用于获取待预测体表心电图；预测模块，用于采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果。所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如下步骤：获取待预测体表心电图；采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果。所述电子设备包括上述系统和/或存储介质。本发明可以准确地预测出室性心律失常的所有可能的起源位置，缩短导管消融手术时间，减少不必要的心内介入标测，减少并发症。

Description

预测室性心律失常起源位置的系统、电子设备和存储介质
技术领域
本发明涉及计算机技术领域，特别涉及一种预测室性心律失常起源位置的系统、电子设备和存储介质。
背景技术
室性心律失常(VA)包括室性早搏(室早，PVC)和室性心动过速(室速，VT)是一种起源于心室，心电图表现为宽QRS波形的心律失常。患者体表心电图的QRS波宽大畸形，常宽达0.12s以上。长期的室性心律失常发作，容易导致左室结构的变化以及心功能的下降。室性心律失常既可发生于有器质性心脏病的患者，也可发生在无器质性心脏病各年龄阶段的人群，后者以中青年患者居多。
导管消融术是治疗室性心律失常的有效手段。在消融术前和消融术中准确判断室性心律失常的起源位置是及其重要的，此外，术后评估消融效果也需要鉴定新发的室早和室速的位置是否和术前一致。目前研究提出的各种判断室性心律失常的起源位置的方法在准确性、敏感性、特异性以及通用性方面都不能满足临床需要，在术中需要采用3D建模和其它检测相结合的方式对多个可能发生室性心律失常的位置进行标测，从而延长手术时间，增加并发症风险并影响手术效果和预后。
需要说明的是，公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种预测室性心律失常起源位置的系统、电子设备和存储介质，可以准确地预测出室性心律失常的所有可能的起源位置，从而可以大大缩短导管消融手术时间，减少不必要的心内介入标测，减少患者的并发症。
为达到上述目的，本发明提供一种预测室性心律失常起源位置的系统，包括：
获取模块，用于获取待预测体表心电图；
预测模块，用于采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果。
可选的，所述预测模块包括：
第一预测子模块，用于采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；
第二预测子模块，用于基于所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；以及
第三预测子模块，用于基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果。
可选的，所述预测模块还包括：
第四预测子模块，用于基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
可选的，所述系统还包括：
QRS波提取模块，用于采用预先训练好的第一机器学习模型对所述待预测体表心电图进行检测，以确定出所有的QRS波所对应的位置，并确定出室性早搏或室速下的QRS波所对应的位置；
所述第一预测子模块用于基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；
所述第二预测子模块用于基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；
所述第三预测子模块用于基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果；
所述第四预测子模块用于基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
可选的，所述第一预测子模块包括：
第一截取单元，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第一目标长度的第一目标心电图；
第一预测单元，用于采用预先训练好的第一预测模型对所述第一目标心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；和/或
所述第二预测子模块包括：
第二截取单元，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第二目标长度的第二目标心电图；
第二预测单元，用于基于所述第一级预测结果，采用预先训练好的第二预测模型对所述第二目标心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；和/或
所述第三预测子模块包括：
第三截取单元，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第三目标长度的第三目标心电图；
第三预测单元，用于基于所述第二级预测结果，采用预先训练好的第三预测模型对所述第三目标心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果；和/或
所述第四预测子模块包括：
第四截取单元，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第四目标长度的第四目标心电图；
第四预测单元，用于基于所述第三级预测结果，采用预先训练好的第四预测模型对所述第四目标心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
可选的，所述系统还包括：
第一预处理模块，用于判断所述待预测体表心电图的采样频率是否等于预设频率，若否，则对所述待预测体表心电图进行重采样处理。
可选的，所述系统还包括：
第二预处理模块，用于对所述待预测体表心电图进行降噪处理。
可选的，所述第二预处理模块用于采用多层时间频率分解法去除所述待预测体表心电图中的高频噪音，以及采用非线性拟合法去除所述待预测体表心电图中的低频噪音。
可选的，所述系统还包括：
报告生成模块，用于将所述心律失常起源位置对应的预测结果显示在预先获取的三维心脏模型上，以生成三维预测报告。
为达到上述目的，本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如下步骤：
获取待预测体表心电图；
采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果。
可选的，所述采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果的步骤，包括：
采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；
基于所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；
基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果。
可选的，所述采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果的步骤，还包括：
基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
可选的，所述计算机程序被处理器执行时，还实现如下步骤：
采用预先训练好的第一机器学习模型对所述待预测体表心电图进行检测，以确定出所有的QRS波所对应的位置，并确定出室性早搏或室速下的QRS波所对应的位置；
所述采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测的步骤，包括：
基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测；
所述采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测的步骤，包括：
基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测；
所述基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测的步骤，包括：
基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测；
所述基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测的步骤，包括：
基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测。
可选的，所述基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第一目标长度的第一目标心电图；采用预先训练好的第一预测模型对所述第一目标心电图进行第一级预测；和/或
所述基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第二目标长度的第二目标心电图；基于所述第一级预测结果，采用预先训练好的第二预测模型对所述第二目标心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；和/或
所述基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第三目标长度的第三目标心电图；基于所述第二级预测结果，采用预先训练好的第三预测模型对所述第三目标心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果；和/或
所述基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第四目标长度的第四目标心电图；基于所述第三级预测结果，采用预先训练好的第四预测模型对所述第四目标心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
可选的，所述计算机程序被处理器执行时，还实现如下步骤：
将所述心律失常起源位置对应的预测结果显示在预先获取的三维心脏模型上，以生成三维预测报告。
可选的，所述计算机程序被处理器执行时，还实现如下步骤：
判断所述待预测体表心电图的采样频率是否等于预设频率，若否，则对所述待预测体表心电图进行重采样处理。
可选的，所述计算机程序被处理器执行时，还实现如下步骤：
对所述待预测体表心电图进行降噪处理。
可选的，所述对所述待预测体表心电图进行降噪处理，包括：
采用多层时间频率分解法去除所述待预测体表心电图中的高频噪声，采用非线性拟合法去除所述待预测体表心电图中的低频噪声。
为达到上述目的，本发明还提供一种电子设备，所述电子设备包括上文所述的预测室性心律失常起源位置的系统和/或上文所述的可读存储介质。
与现有技术相比，本发明提供的预测室性心律失常起源位置的系统、电子设备和存储介质具有以下优点：本发明通过采用至少两级预先训练好的预测模型对所获取的待预测体表心电图进行分级预测，从而可以对室性心律失常起源位置进行层级分解，即先预测出室性心律失常起源位置所处的大区域，再根据室性心律失常起源位置所处的大区域，继续向下进行细分，以准确预测出室性心律失常起源位置所对应的细分位置，由此，本发明可以准确地预测出患者室性心律失常的所有可能的起源位置，不仅可以便于医生快速找到消融手术的具体靶点位置，大大缩短导管消融手术时间，减少不必要的心内介入标测，减少患者的并发症，同时可以为室性心律失常治疗后的评估提供依据。
附图说明
图1为本发明一实施方式中的预测室性心律失常起源位置的系统的方框结构示意图；
图2为一具体示例中的室性早搏或室速下的QRS波的标记示意图；
图3为每个导联对室性心律失常起源位置的显著影响频谱图；
图4为不同起源位置在V1导联平均心电图下的显著决策数据点示意图；
图5为本发明一实施方式提供的自动搜索心电图最优输出长度的示意图；
图6为一具体示例中的心律失常起源位置对应的预测结果的显示示意图；
图7为本发明一实施方式中的预测室性心律失常起源位置的方法的流程示意图；
图8为本发明一实施方式中的预测室性心律失常起源位置的方法的具体流程示意图；
图9为本发明一实施方式中的分级预测的流程示意图。
其中，附图标记如下：
获取模块-100；预测模块-200；第一预测子模块-210；第二预测子模块-220；第三预测子模块-230；第四预测子模块-240；QRS波提取模块-300；第一截取单元-211；第一预测单元-212；第二截取单元-221；第二预测单元-222；第三截取单元-231；第三预测单元-232；第四截取单元-241；第四预测单元-242；第一预处理模块-400；第二预处理模块-500；报告生成模块-600；
1-左冠窦；2-右冠窦；3-主动脉窦-二尖瓣连接处；4-左室顶部；5-左右冠窦连接处；6-左侧希氏束；7-二尖瓣；8-左前分支；9-左后分支；10-左侧前组乳头肌；11-左侧后组乳头肌；12-右室前窦；13-右室左窦；14-右室右窦；15-右室流出道前间隔；16-右室流出道后间隔；17-右室流出道游离壁；18-右侧希氏束；19-右侧前组乳头肌；20-三尖瓣。
具体实施方式
以下结合附图1至9和具体实施方式对本发明提出的预测室性心律失常起源位置的系统、电子设备和存储介质作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在与本发明所能产生的功效及所能达成的目的相同或近似的情况下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的核心思想在于提供一种预测室性心律失常起源位置的系统、电子设备和存储介质，可以准确地预测出室性心律失常的所有可能的起源位置，从而可以便于医生快速找到消融手术的具体靶点位置，大大缩短导管消融手术时间，减少不必要的心内介入标测，减少患者的并发症。需要说明的是，本发明并不涉及疾病的诊断治疗方法，本发明只用于预测出患者室性心律失常的所有可能的起源位置，医生根据该预测结果，再进一步判断患者室性心律失常的真正起源位置。
需要说明的是，本发明实施方式的预测室性心律失常起源位置的系统可被配置于电子设备上，其中，该电子设备可以是个人计算机、移动终端等，该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
为实现上述思想，本发明提供一种预测室性心律失常起源位置的系统，请参考图1，其示意性地给出了本发明一实施方式提供的预测室性心律失常起源位置的系统的方框结构示意图。如图1所示，所述预测室性心律失常起源位置的系统包括获取模块100和预测模块200，其中，所述获取模块100于获取待预测体表心电图，所述预测模块200用于采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果。由此，本发明通过采用至少两级预先训练好的预测模型对所获取的待预测体表心电图进行分级预测，从而可以对室性心律失常起源位置进行层级分解，即先预测出室性心律失常起源位置所处的大区域，再根据室性心律失常起源位置所处的大区域，继续向下进行细分，以准确预测出室性心律失常起源位置所对应的细分位置，由此，本发明可以准确地预测出患者室性心律失常的所有可能的起源位置，不仅可以便于医生快速找到消融手术的具体靶点位置，大大缩短导管消融手术时间，减少不必要的心内介入标测，减少患者的并发症，同时可以为室性心律失常治疗后的评估提供依据。
具体地，所获取的待预测体表心电图为12导联体表心电图(包括I、II、III、AVR、aVL、aVF这6个肢体导联以及V1-V6这6个胸导联)。
进一步地，如图1所示，所述系统还包括第一预处理模块400，所述第一预处理模块400用于判断所述待预测体表心电图的采样频率是否等于预设频率，若否，则对所述待预测体表心电图进行重采样处理。对应地，所述预测模块200用于采用至少两级预先训练好的预测模型对重采样后的所述待预测体表心电图进行分级预测。由此，当所获取的待预测体表心电图的采样频率不等于预设频率时，通过对所获取的待预测体表心电图进行重采样处理，可以将所述待预测体表心电图的采样频率调整至预设频率，从而可以获得具有更多细节内容的体表心电图，为后续获取准确的室性心律失常起源位置的预测结果奠定良好的基础。具体地，当所获取的待预测体表心电图的采样频率高于预设频率时，可以对所获取的待预测体表心电图进行降采样处理，以将所述待预测体表心电图的采样频率降至所述预设频率；当所获取的待预测体表心电图的采样频率低于所述预设频率时，可以对所获取的待预测体表心电图进行升采样处理，以将所述待预测体表心电图的采样频率升至所述预设频率。所述预设频率可以根据实际情况进行设置，例如所述预设频率可设置为2000Hz，本发明对此并不进行限定。
在一种示范性的实施方式中，如图1所示，所述系统还包括第二预处理模块500，所述第二预处理模块500用于对所述待预测体表心电图进行降噪处理。由此，通过对所述待预测体表心电图进行降噪处理，可以有效去除所述待预测体表心电图中的噪声，进一步提高本发明提供的系统对室性心律失常起源位置预测的准确性。优选地，所述第二预处理模块500用于对采样频率升至或降至预设频率的所述待预测体表心电图进行降噪处理。
具体地，所述第二预处理模块500用于采用多层时间频率分解法去除所述待预测体表心电图(优选为采样频率升至或降至预设频率的所述待预测体表心电图)中的高频噪音，以及采用非线性拟合法去除所述待预测体表心电图(优选为采样频率升至或降至预设频率的所述待预测体表心电图)中的低频噪音。由此，通过采用多层时间频率分解法与非线性拟合法相结合的降噪方法，可以有效去除所述待预测体表心电图(优选为采样频率升至或降至预设频率的所述待预测体表心电图)中的噪音，以保留后续分析所需的平滑信号，进一步提高本发明提供的系统对心律失常起源位置的预测准确度。
优选地，如图1所示，所述预测模块200包括第一预测子模块210、第二预测子模块220和第三预测子模块230。其中，所述第一预测子模块210用于采用预先训练好的第一预测模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行第一级预测，以获取心律失常起源位置对应的第一级预测结果。所述第二预测子模块220用于基于所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行第二级预测，以获取心律失常起源位置对应的第二级预测结果。所述第三预测子模块230用于基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行第三级预测，以获取心律失常起源位置对应的第三级预测结果。由此，通过采用第一预测模型、第二预测模型和第三预测模型进行三级预测，其中，所述第二预测模型在所述第一预测模型所预测出的第一级预测结果的基础上进行下一级预测，即第二级预测，所述第三预测模型在所述第二预测模型所预测出的第二级预测结果的基础上进行下一级预测，即第三级预测，以得到第三级预测结果，从而通过由大到小、由粗到细进行分级预测，可以使得最终预测出的心律失常起源位置更加准确，有效减少预测错误的发生。
进一步地，如图1所示，所述预测模块200还包括第四预测子模块240，所述第四预测子模块240用于基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。由此，通过采用第四预测模型在所述第三级预测结果的基础上，继续进行下一级预测，即第四级预测，可以获取室性心律失常起源位置更加具体的预测结果，从而更加便于医生快速找到消融手术的具体靶点位置，更有助于缩短导管消融手术的时间。
请参考下表1，其给出了本发明中的室性心律失常起源位置的四级预测所能预测的解剖位置。如表1所示，所述第一级预测能够预测出室性心律失常起源位置所对应的第一级解剖位置，包括左室、右室和心外膜；第二级预测能够预测出室性心律失常起源位置所对应的第二级解剖位置，包括左室流出道、左室非流出道、右室流出道、右室非流出道和心外膜；所述第三级预测能够预测出室性心律失常起源位置所对应的第三级解剖位置，包括左冠窦、右冠窦、主动脉窦–二尖瓣连接处、左室顶部、右冠窦连接处、左侧希氏束、二尖瓣、左室间隔部、乳头肌、右室前窦、右室左窦、右室右窦、右室流出道间隔部、右室流出道游离壁、右侧希氏束、三尖瓣、右侧前组乳头肌、心外膜；所述第四级预测能够预测出室性心律失常起源位置所对应的第四级解剖位置，包括左冠窦、右冠窦、主动脉窦–二尖瓣连接处、左室顶部、左右冠窦连接处、左侧希氏束、二尖瓣、左前分支、左后分支、左侧前组乳头肌、左侧后组乳头肌、右室前窦、右室左窦、右室右窦、右室流出道后间隔、右室流出道前间隔、右室流出道游离壁、右侧希氏束、三尖瓣、右侧前组乳头肌、心外膜。由此可见，本发明通过采用四个预测模型依次从大到小、从粗到细对室性心律失常的起源位置进行逐级预测，可以预测出21种不同的室性心律失常起源位置，该21种起源位置包含了室性心律失常所有常见的起源位置，本发明中的第一预测模型对左右室位置的预测准确率超过99％，第二预测模型对流出道和非流出道位置的预测准确率超过99％。
表1室性心律失常起源位置的四级预测所对应的解剖位置
Figure BDA0003192700630000111
Figure BDA0003192700630000121
优选地，如图1所示，所述系统还包括QRS波提取模块300，所述QRS波提取模块300用于采用预先训练好的第一机器学习模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行检测，以确定出所有的QRS波所对应的位置，并确定出室性早搏或室速下的QRS波所对应的位置。对应的，所述第一预测子模块210，用于基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；所述第二预测子模块220，用于基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；所述第三预测子模块230，用于基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行第三级预测，以获取心律失常起源位置对应的第三级预测结果；所述第四预测子模块240，用于基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图(优选为降噪后的待预测体表心电图)进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
由于每一段心电图的展示时长可能从几十秒到一小时不等，通过采用预先训练好的第一机器学习模型对所述待预测体表心电图进行检测，可以快速的提取出室性早搏或室速下的QRS波，从而可以节约时间，降低医生的工作量，同时避免手工查找室性早搏或室速下的QRS波容易犯错的问题。请参考图2，其示意性地给出了一具体示例中的室性早搏或室速下的QRS波的标记示意图。如图2所示，该具体示例提供的体表心电图中共标记出了7个室性早搏或室速下的QRS波，以主波方向向上的QRS波的波峰位置表示QRS波的位置，需要说明的是，如本领域技术人员所能理解的，在其它一些实施方式中，也可以主波方向向下的QRS波的波谷位置表示QRS波的位置。
进一步地，如图1所示，所述第一预测子模块210包括：
第一截取单元211，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图(优选为降噪后的待预测体表心电图)中截取出具有第一目标长度的第一目标心电图；
第一预测单元212，用于采用预先训练好的第一预测模型对所述第一目标心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果。
具体地，可以根据所述第一目标长度，以室性早搏或室速下的其中一个QRS波所对应的位置为基点，向前、向后在所述待预测体表心电图(优选为降噪后的待预测体表心电图)中各截取一段心电图，以获取具有第一目标长度的第一目标心电图，该第一目标心电图包括第一预测模型能够准确预测出室性心律失常起源位置所对应的第一级解剖位置所需的全部数据点。举例而言，若第一目标长度为a1个数据点，则以室性早搏或室速下的其中一个QRS波所对应的位置为基点，向前取(a1-1)/2个数据点，向后取(a1+1)/2个数据点，或者向前取(a1+1)/2个数据点，向后取(a1-1)/2个数据点。举例而言，若降噪后的待预测体表心电图的采样频率为2000Hz，则第一目标长度优选为250个数据点(0.125秒)。
如图1所示，所述第二预测子模块220包括：
第二截取单元221，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图(优选为降噪后的待预测体表心电图)中截取出具有第二目标长度的第二目标心电图；
第二预测单元222，用于基于所述第一级预测结果，采用预先训练好的第二预测模型对所述第二目标心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果。
具体地，可以根据所述第二目标长度，以室性早搏或室速下的其中一个QRS波所对应的位置为基点，向前、向后在所述待预测体表心电图(优选为降噪后的待预测体表心电图)中各截取一段心电图，以获取具有第二目标长度的第二目标心电图，该第二目标心电图包括第二预测模型能够准确预测出室性心律失常起源位置所对应的第二级解剖位置所需的全部数据点。举例而言，若第二目标长度为a2个数据点，则以室性早搏或室速下的其中一个QRS波所对应的位置为基点，向前取(a2-1)/2个数据点，向后取(a2+1)/2个数据点，或者向前取(a2+1)/2个数据点，向后取(a2-1)/2个数据点。举例而言，若降噪后的待预测体表心电图的采样频率为2000Hz，则第二目标长度优选为550个数据点(0.275秒)。
所述第三预测子模块230包括：
第三截取单元231，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图(优选为降噪后的待预测体表心电图)中截取出具有第三目标长度的第三目标心电图；
第三预测单元232，用于基于所述第二级预测结果，采用预先训练好的第三预测模型对所述第三目标心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果。
具体地，可以根据所述第三目标长度，以室性早搏或室速下的其中一个QRS波所对应的位置为基点，向前、向后在所述待预测体表心电图(优选为降噪后的待预测体表心电图)中各截取一段心电图，以获取具有第三目标长度的第三目标心电图，该第三目标心电图包括第三预测模型能够准确预测出室性心律失常起源位置所对应的第三级解剖位置所需的全部数据点。举例而言，若第三目标长度为a3个数据点，则以室性早搏或室速下的其中一个QRS波所对应的位置为基点，向前取(a3-1)/2个数据点，向后取(a3+1)/2个数据点，或者向前取(a3+1)/2个数据点，向后取(a3-1)/2个数据点。举例而言，若降噪后的待预测体表心电图的采样频率为2000Hz，则第三目标长度优选为360个数据点(0.18秒)。
所述第四预测子模块240包括：
第四截取单元241，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图(优选为降噪后的待预测体表心电图)中截取出具有第四目标长度的第四目标心电图；
第四预测单元242，用于基于所述第三级预测结果，采用预先训练好的第四预测模型对所述第四目标心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
具体地，可以根据所述第四目标长度，以室性早搏或室速下的其中一个QRS波所对应的位置为基点，向前、向后在所述待预测体表心电图(优选为降噪后的待预测体表心电图)中各截取一段心电图，以获取具有第四目标长度的第四目标心电图，该第四目标心电图包括第三预测模型能够准确预测出室性心律失常起源位置所对应的第四级解剖位置所需的全部数据点。举例而言，若第四目标长度为a3个数据点，则以室性早搏或室速下的其中一个QRS波所对应的位置为基点，向前取(a4-1)/2个数据点，向后取(a4+1)/2个数据点，或者向前取(a4+1)/2个数据点，向后取(a4-1)/2个数据点。举例而言，若降噪后的待预测体表心电图的采样频率为2000Hz，则第四目标长度优选为320个数据点(0.16秒)。
请参考图3，其示意性地给出了体表心电图中的每个导联对室性心律失常起源位置的显著影响频谱图；图3中的横坐标表示第四目标心电图中的各个数据点，纵坐标表示各个导联，图像越亮，表示该数据点对室性心律失常起源位置的显著影响程度越大，如图3所示，V1导联对室性心律失常起源位置的显著影响程度最大，且V1导联中的第150个数据点-第200个数据点之间的数据点对室性心律失常起源位置的显著影响程度较大。
请继续参考图4，其示意性地给出了不同起源位置在V1导联平均心电图下的显著决策数据点示意图，其中纵轴表示电压，单位为mv，横轴表示时间，单位为s。如图4所示，不同起源位置所对应的显著决策数据点有所不同，所述第四预测模型通过对所述第四目标心电图进行特征提取(即提取出显著决策数据点)，根据所提取出的显著数据点，预测室性心律失常的起源位置。需要说明的是，如本领域技术人员所能理解的，各个起源位置所对应的V1导联平均心电图，是对各个起源位置所对应的第四目标心电图取平均值得到的，以右室前窦为例，该起源位置的V1导联平均心电图是通过对室性心律失常起源位置在右室前窦的各个体表心电图所对应的第四目标心电图取平均值所得到的。
优选地，所述第一目标长度、所述第二目标长度、所述第三目标长度和所述第四目标长度为采用预先训练好的第二机器学习模型对大量的标记出室性早搏或室速下的QRS波的体表心电图(采样频率也被调整至预设频率，例如2000Hz)进行网格搜索所获得的。本发明通过采用预先训练好的第二机器学习模型可以自动搜索出第一预测模型、第二预测模型、第三预测模型和第四预测模型的各自所对应的最优输入长度，不仅可以提高各个预测模型的预测准确度，同时也可以兼顾各个预测模型的计算量。请参考图5，其示意性地给出了本发明一实施方式提供的自动搜索心电图最优输出长度的示意图。如图5所示，在实际操作过程中，第二机器学习模型在预先给定的候选输入长度范围内以预设步长(例如步长为5ms)进行搜索，候选输入长度范围根据具体情况进行设置，例如当体表心电图的采样频率为2000Hz时，设置候选输入长度范围为200到1000个数据点，即100ms到500ms。
优选地，如图1所示，所述系统还包括报告生成模块600，所述报告生成模块600用于将所述心律失常起源位置对应的预测结果显示在预先获取的三维心脏模型上，以生成三维预测报告。由此，通过将心率失常起源位置对应的预测结果显示在预先获取的三维心脏模型上，可以将预测结果更直观地呈现在医生面前，更加便于医生阅读报告。本发明提供的系统最终能够给出心律失常所有常见的起源位置所对应的预测概率，医生可以根据各个起源位置所对应的预测概率，确定患者心律失常的实际起源位置。请参考图6，其示意性地给出了一具体示例中的心律失常起源位置对应的预测结果的显示示意图。如图6所示，在该具体示例中位置13(右室左窦)为心律失常的起源位置的预测概率最高，说明位置13(右室左窦)最有可能为该具体示例中的心律失常的起源位置；位置12(右室前窦)为心律失常的起源位置的预测概率次之，说明位置12(右室前窦)为该具体示例中的心律失常的第二可能起源位置；位置14(右室右窦)和位置16(右室流出道后间隔)为心律失常的起源位置的预测概率较位置12(右室前窦)次之，说明位置14(右室右窦)和位置16(右室流出道后间隔)为该具体示例中的心律失常的第三可能起源位置；位置15(右室流出道前间隔)为心律失常的起源位置的预测概率较位置14(右室右窦)和位置16(右室流出道后间隔)次之，说明位置15(右室流出道前间隔)为该具体示例中的心律失常的第四可能起源位置；位置2(右冠窦)为心律失常的起源位置的预测概率较位置15(右室流出道前间隔)次之，说明位置2(右冠窦)为该具体示例中的心律失常的第五可能起源位置；位置3(主动脉窦-二尖瓣连接处)为心律失常的起源位置的预测概率较位置2(右冠窦)次之，说明位置3(主动脉窦-二尖瓣连接处)为该具体示例中的心律失常的第六可能起源位置。位置1(左冠窦)、位置4(左室顶部)、位置5(左右冠窦连接处)、位置6(左侧希氏束)、位置7(二尖瓣)、位置8(左前分支)、位置9(左后分支)、位置10(左侧前组乳头肌)、位置11(左侧后组乳头肌)、位置17(右室流出道游离壁)、位置18(右侧希氏束)、位置19(右侧前组乳头肌)、位置20(三尖瓣)和心外膜(图中未示出)的预测概率均为0，说明这些位置不可能为该具体示例中的心律失常的起源位置。
与上述的预测室性心律失常起源位置的系统相对应，本发明还提供一种预测室性心律失常起源位置的方法，请参考图7，其示意性地给出了本发明一实施方式提供的预测室性心律失常起源位置的方法的流程示意图，如图7所示，所述预测室性心律失常起源位置的方法包括如下步骤：
步骤S100、获取待预测体表心电图；
步骤S200、采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果。
由此，本发明通过采用至少两级预先训练好的预测模型对所获取的待预测体表心电图进行分级预测，从而可以对室性心律失常起源位置进行层级分解，即先预测出室性心律失常起源位置所处的大区域，再根据室性心律失常起源位置所处的大区域，继续向下进行细分，以准确预测出室性心律失常起源位置所对应的细分位置，由此，本发明可以准确地预测出患者室性心律失常的所有可能的起源位置，不仅可以便于医生快速找到消融手术的具体靶点位置，大大缩短导管消融手术时间，减少不必要的心内介入标测，减少患者的并发症，同时可以为室性心律失常治疗后的评估提供依据。
进一步地，请参考图8，其示意性地给出了本发明一实施方式提供的预测室性心律失常起源位置的方法的具体流程示意图。如图8所示，在采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果之前，所述方法还包括：
判断所述待预测体表心电图的采样频率是否等于预设频率，若否，则对所述待预测体表心电图进行重采样处理。
由此，当所获取的待预测体表心电图的采样频率不等于预设频率时，通过对所获取的体表心电图进行重采样处理(升采样或降采样)，以将所述待预测体表心电图的采样频率调整至预设频率，可以获得具有更多细节内容的体表心电图，为后续获取准确的室性心律失常起源位置的预测结果奠定良好的基础。
进一步地，如图8所示，在采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果之前，所述方法还包括：
对所述待预测体表心电图(优选为重采样处理后的待预测体表心电图)进行降噪处理。
由此，通过对所述待预测体表心电图(优选为重采样处理后的待预测体表心电图)进行降噪处理，可以有效去除所述待预测体表心电图(优选为重采样处理后的待预测体表心电图)中的噪声，进一步为后续获取准确的室性心律失常起源位置的预测结果奠定良好的基础。
具体地，所述对所述待预测体表心电图进行降噪处理，包括：
采用多层时间频率分解法去除所述待预测体表心电图中的高频噪声，采用非线性拟合法去除所述待预测体表心电图中的低频噪声。
通过采用多层时间频率分解法与非线性拟合法相结合的降噪方法，可以有效去除所述待预测体表心电图(优选为采样频率升至或降至预设频率的所述待预测体表心电图)中的噪音，以保留后续分析所需的平滑信号，进一步提高本发明提供的方法对心律失常起源位置的预测准确度。
请继续参考图8，如图8所示，在采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测之前，所述方法还包括：
采用预先训练好的第一机器学习模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行检测，以确定出所有的QRS波所对应的位置，并确定出室性早搏或室速下的QRS波所对应的位置。
由此，通过采用预先训练好的第一机器学习模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行检测，可以快速的提取出室性早搏或室速下的QRS波，从而可以节约时间，降低医生的工作量，同时避免手工查找室性早搏或室速下的QRS波容易犯错的问题。
进一步地，请参考图9，其示意性地给出了本发明一实施方式提供的分级预测的流程示意图。如图9所示，所述步骤S200、采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果，包括：
步骤S210、采用预先训练好的第一预测模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；
步骤S220、基于所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；
步骤S230、基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行第三级预测，以获取心律失常起源位置对应的第三级预测结果。
由此，通过采用第一预测模型、第二预测模型和第三预测模型进行三级预测，其中，所述第二预测模型在所述第一预测模型所预测出的第一级预测结果的基础上进行下一级预测，即第二级预测，所述第三预测模型在所述第二预测模型所预测出的第二级预测结果的基础上进行下一级预测，即第三级预测，以得到第三级预测结果，从而通过由大到小、由粗到细进行分级预测，可以使得最终预测出的心律失常起源位置更加准确，有效减少预测错误的发生。
更进一步地，如图9所示，所述步骤S200、采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果，还包括：
步骤S240、基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
由此，通过采用第四预测模型在所述第三级预测结果的基础上，继续进行下一级预测，即第四级预测，可以获取室性心律失常起源位置更加具体的预测结果，从而更加便于医生快速找到消融手术的具体靶点位置，更有助于缩短导管消融手术的时间。
优选地，所述采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测，包括：基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行第一级预测；所述采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测，包括：基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行第二级预测；所述基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测，包括：基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行第三级预测；所述基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测，包括：基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)进行第四级预测。
进一步地，所述基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)中截取出具有第一目标长度的第一目标心电图；采用预先训练好的第一预测模型对所述第一目标心电图进行第一级预测。
所述基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)中截取出具有第二目标长度的第二目标心电图；基于所述第一级预测结果，采用预先训练好的第二预测模型对所述第二目标心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果。
所述基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)中截取出具有第三目标长度的第三目标心电图；基于所述第二级预测结果，采用预先训练好的第三预测模型对所述第三目标心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果。
所述基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图(优选为降噪处理后的待预测体表心电图)中截取出具有第四目标长度的第四目标心电图；基于所述第三级预测结果，采用预先训练好的第四预测模型对所述第四目标心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
具体地，所述第一目标长度、所述第二目标长度、所述第三目标长度和所述第四目标长度为采用预先训练好的第二机器学习模型对大量的标记出室性早搏或室速下的QRS波的体表心电图(采样频率被调整至预设频率，例如2000Hz)进行网格搜索所获得的。本发明通过采用预先训练好的第二机器学习模型可以自动搜索出第一预测模型、第二预测模型、第三预测模型和第四预测模型的各自所对应的最优输入长度，以提高各个预测模型的预测准确度。
下面以第一预测模型的训练过程为例，对本发明中的各个预测模型的训练过程进行说明：首先获取一定数量的训练样本，所述训练样本包括体表心电图样本(优选为12导联体表心电图)和与所述体表心电图样本对应的起源位置标签(即室性心律失常起源位置对应的第一级解剖位置)，然后对所述体表心电图样本进行重采样(以将体表心电图的采样频率调整至预设频率，例如2000Hz)和降噪处理；再采用预先训练好的第一机器学习模型或人工标记出降噪处理后的体表心电图样本中的室性早搏或室速下的QRS波；再采用预先训练好的第二机器学习模型对标记出室性早搏或室速下的QRS波的体表心电图样本在预设候选长度范围(例如100ms到500ms)内以预设步长(例如5ms)进行网格搜索，以获取第一预测模型的体表心电图最优输入长度，即第一目标长度；然后在所述体表心电图样本在截取出第一目标长度的第一目标心电图样本；再根据所述第一目标心电图样本和对应的起源位置标签对预先搭建的多个机器学习模型(包括K近邻回归、支持向量回归、随机森林、梯度决策树、梯度提升树、深度学习等模型)分别进行训练，通过网格搜索法进行迭代，以得到各个机器学习模型的最佳超参数，完成各个机器学习模型的训练；最后对各个训练好的机器学习模型分别进行测试，将预测准确度最高的机器学习模型作为最终的第一预测模型。所述第二预测模型、所述第三预测模型和所述第四预测模型的训练过程可以参考所述第一预测训练模型的训练过程，不同的是：在训练第二预测模型时，所述体表心电图样本所对应的起源位置标签为室性心律失常起源位置对应的第二级解剖位置，采用的是在所述体表心电图样本中截取出的是具有第二目标长度的第二目标心电图样本和对应的起源位置标签对预先搭建的多个机器学习模型分别进行训练；在训练第三预测模型时，所述体表心电图样本所对应的起源位置标签为室性心律失常起源位置对应的第三级解剖位置，采用的是在所述体表心电图样本中截取出的是具有第三目标长度的第三目标心电图样本和对应的起源位置标签对预先搭建的多个机器学习模型分别进行训练；在训练第四预测模型时，所述体表心电图样本所对应的起源位置标签为室性心律失常起源位置对应的第四级解剖位置，采用的是在所述体表心电图样本中截取出的是具有第四目标长度的第四目标心电图样本和对应的起源位置标签对预先搭建的多个机器学习模型分别进行训练。
需要说明的是，为了提高第一预测模型、第二预测模型、第三预测模型和第四预测模型的预测准确度，所述训练样本均来自于真实病例，所述起源位置标签为记录术中消融成功的靶点位置得到。
在一种示范性的实施方式中，如图8所示，所述方法还包括：
将所述心律失常起源位置对应的预测结果显示在预先获取的三维心脏模型上，以生成三维预测报告。
由此，通过将心率失常起源位置对应的预测结果显示在预先获取的三维心脏模型上，可以将预测结果更直观地呈现在医生面前，更加便于医生阅读报告。
基于同一发明构思，本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时可以实现上文所述的预测室性心律失常起源位置的方法的所有步骤，具体可参考上文中有关预测室性心律失常起源位置的方法的相关描述，对此不再进行赘述。关于本发明提供的可读存储介质所具有的优点可以参考上文中的预测室性心律失常起源位置的方法的有益效果的相关描述，在此不再进行赘述。
本发明实施方式的可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
基于同一发明构思，本发明还提供一种电子设备，所述电子设备包括上文所述的预测室性心律失常起源位置的系统和/或上文所述的可读存储介质。关于本发明提供的电子设备所具有的优点可以参考上文中的预测室性心律失常起源位置的系统和方法的有益效果的相关描述，在此不再进行赘述。
综上所述，与现有技术相比，本发明提供的预测室性心律失常起源位置的系统、电子设备和存储介质具有以下优点：本发明通过采用至少两级预先训练好的预测模型对所获取的待预测体表心电图进行分级预测，从而可以对室性心律失常起源位置进行层级分解，即先预测出室性心律失常起源位置所处的大区域，再根据室性心律失常起源位置所处的大区域，继续向下进行细分，以准确预测出室性心律失常起源位置所对应的细分位置，由此，本发明可以准确地预测出患者室性心律失常的所有可能的起源位置，不仅可以便于医生快速找到消融手术的具体靶点位置，大大缩短导管消融手术时间，减少不必要的心内介入标测，减少患者的并发症，同时可以为室性心律失常治疗后的评估提供依据。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明的保护范围。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (19)

1.一种预测室性心律失常起源位置的系统，其特征在于，包括：
获取模块，用于获取待预测体表心电图；
预测模块，用于采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果。
2.根据权利要求1所述的预测室性心律失常起源位置的系统，其特征在于，所述预测模块包括：
第一预测子模块，用于采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；
第二预测子模块，用于基于所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；以及
第三预测子模块，用于基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果。
3.根据权利要求2所述的预测室性心律失常起源位置的系统，其特征在于，所述预测模块还包括：
第四预测子模块，用于基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
4.根据权利要求3所述的预测室性心律失常起源位置的系统，其特征在于，所述系统还包括：
QRS波提取模块，用于采用预先训练好的第一机器学习模型对所述待预测体表心电图进行检测，以确定出所有的QRS波所对应的位置，并确定出室性早搏或室速下的QRS波所对应的位置；
所述第一预测子模块用于基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；
所述第二预测子模块用于基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；
所述第三预测子模块用于基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果；
所述第四预测子模块用于基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
5.根据权利要求4所述的预测室性心律失常起源位置的系统，其特征在于，
所述第一预测子模块包括：
第一截取单元，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第一目标长度的第一目标心电图；
第一预测单元，用于采用预先训练好的第一预测模型对所述第一目标心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；和/或
所述第二预测子模块包括：
第二截取单元，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第二目标长度的第二目标心电图；
第二预测单元，用于基于所述第一级预测结果，采用预先训练好的第二预测模型对所述第二目标心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；和/或
所述第三预测子模块包括：
第三截取单元，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第三目标长度的第三目标心电图；
第三预测单元，用于基于所述第二级预测结果，采用预先训练好的第三预测模型对所述第三目标心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果；和/或
所述第四预测子模块包括：
第四截取单元，用于根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第四目标长度的第四目标心电图；
第四预测单元，用于基于所述第三级预测结果，采用预先训练好的第四预测模型对所述第四目标心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
6.根据权利要求1所述的预测室性心律失常起源位置的系统，其特征在于，所述系统还包括：
第一预处理模块，用于判断所述待预测体表心电图的采样频率是否等于预设频率，若否，则对所述待预测体表心电图进行重采样处理。
7.根据权利要求1所述的预测室性心律失常起源位置的系统，其特征在于，所述系统还包括：
第二预处理模块，用于对所述待预测体表心电图进行降噪处理。
8.根据权利要求7所述的预测室性心律失常起源位置的系统，其特征在于，所述第二预处理模块用于采用多层时间频率分解法去除所述待预测体表心电图中的高频噪音，以及采用非线性拟合法去除所述待预测体表心电图中的低频噪音。
9.根据权利要求1所述的预测室性心律失常起源位置的系统，其特征在于，所述系统还包括：
报告生成模块，用于将所述心律失常起源位置对应的预测结果显示在预先获取的三维心脏模型上，以生成三维预测报告。
10.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如下步骤：
获取待预测体表心电图；
采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果。
11.根据权利要求10所述的可读存储介质，其特征在于，所述采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果的步骤，包括：
采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测，以获取心律失常起源位置对应的第一级预测结果；
基于所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；
基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果。
12.根据权利要求11所述的可读存储介质，其特征在于，所述采用至少两级预先训练好的预测模型对所述待预测体表心电图进行分级预测，以获取心律失常起源位置对应的预测结果的步骤，还包括：
基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
13.根据权利要求12所述的可读存储介质，其特征在于，所述计算机程序被处理器执行时，还实现如下步骤：
采用预先训练好的第一机器学习模型对所述待预测体表心电图进行检测，以确定出所有的QRS波所对应的位置，并确定出室性早搏或室速下的QRS波所对应的位置；
所述采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测的步骤，包括：
基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测；
所述采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测的步骤，包括：
基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测；
所述基于所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测的步骤，包括：
基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测；
所述基于所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测的步骤，包括：
基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测。
14.根据权利要求13所述的可读存储介质，其特征在于，
所述基于室性早搏或室速下的QRS波所对应的位置，采用预先训练好的第一预测模型对所述待预测体表心电图进行第一级预测的步骤，包括：根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第一目标长度的第一目标心电图；采用预先训练好的第一预测模型对所述第一目标心电图进行第一级预测；和/或
所述基于室性早搏或室速下的QRS波所对应的位置和所述第一级预测结果，采用预先训练好的第二预测模型对所述待预测体表心电图进行第二级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第二目标长度的第二目标心电图；基于所述第一级预测结果，采用预先训练好的第二预测模型对所述第二目标心电图进行第二级预测，以获取心律失常起源位置对应的第二级预测结果；和/或
所述基于室性早搏或室速下的QRS波所对应的位置和所述第二级预测结果，采用预先训练好的第三预测模型对所述待预测体表心电图进行第三级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第三目标长度的第三目标心电图；基于所述第二级预测结果，采用预先训练好的第三预测模型对所述第三目标心电图进行第三级预测，以获取心律失常起源位置对应的第三级预测结果；和/或
所述基于室性早搏或室速下的QRS波所对应的位置和所述第三级预测结果，采用预先训练好的第四预测模型对所述待预测体表心电图进行第四级预测的步骤，包括：
根据室性早搏或室速下的QRS波所对应的位置，在所述待预测体表心电图中截取出具有第四目标长度的第四目标心电图；基于所述第三级预测结果，采用预先训练好的第四预测模型对所述第四目标心电图进行第四级预测，以获取心律失常起源位置对应的第四级预测结果。
15.根据权利要求10所述的可读存储介质，其特征在于，所述计算机程序被处理器执行时，还实现如下步骤：
将所述心律失常起源位置对应的预测结果显示在预先获取的三维心脏模型上，以生成三维预测报告。
16.根据权利要求10所述的可读存储介质，其特征在于，所述计算机程序被处理器执行时，还实现如下步骤：
判断所述待预测体表心电图的采样频率是否等于预设频率，若否，则对所述待预测体表心电图进行重采样处理。
17.根据权利要求10所述的可读存储介质，其特征在于，所述计算机程序被处理器执行时，还实现如下步骤：
对所述待预测体表心电图进行降噪处理。
18.根据权利要求17所述的可读存储介质，其特征在于，所述对所述待预测体表心电图进行降噪处理，包括：
采用多层时间频率分解法去除所述待预测体表心电图中的高频噪声，采用非线性拟合法去除所述待预测体表心电图中的低频噪声。
19.一种电子设备，其特征在于，包括权利要求1至9中任一项所述的系统和/或权利要求10至18中任一项所述的可读存储介质。
CN202110881998.0A 2021-08-02 2021-08-02 预测室性心律失常起源位置的系统、电子设备和存储介质 Active CN113598782B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110881998.0A CN113598782B (zh) 2021-08-02 预测室性心律失常起源位置的系统、电子设备和存储介质
EP22852105.0A EP4382046A1 (en) 2021-08-02 2022-08-01 System for predicting origin position of ventricular arrhythmia, and electronic device and storage medium
PCT/CN2022/109360 WO2023011392A1 (zh) 2021-08-02 2022-08-01 预测室性心律失常起源位置的系统、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110881998.0A CN113598782B (zh) 2021-08-02 预测室性心律失常起源位置的系统、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113598782A true CN113598782A (zh) 2021-11-05
CN113598782B CN113598782B (zh) 2024-07-26

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114190897A (zh) * 2021-12-15 2022-03-18 中国科学院空天信息创新研究院 睡眠分期模型的训练方法、睡眠分期方法及装置
WO2023011392A1 (zh) * 2021-08-02 2023-02-09 储慧民 预测室性心律失常起源位置的系统、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5337752A (en) * 1992-05-21 1994-08-16 Mcg International, Inc. System for simultaneously producing and synchronizing spectral patterns of heart sounds and an ECG signal
US20160317055A1 (en) * 2013-12-12 2016-11-03 Biosig Technologies, Inc. Systems and methods for evaluation of electrophysiology systems
CN109091138A (zh) * 2018-07-12 2018-12-28 上海微创电生理医疗科技股份有限公司 心律失常起源点的判断装置及标测系统
CN111214225A (zh) * 2019-12-24 2020-06-02 北京超思电子技术有限责任公司 室性激动识别方法、装置、电子设备及可读存储介质
CN111680382A (zh) * 2019-02-25 2020-09-18 北京嘀嘀无限科技发展有限公司 等级预测模型训练方法、等级预测方法、装置及电子设备
CN111772619A (zh) * 2020-06-19 2020-10-16 厦门纳龙科技有限公司 一种心电图心搏识别方法、终端设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5337752A (en) * 1992-05-21 1994-08-16 Mcg International, Inc. System for simultaneously producing and synchronizing spectral patterns of heart sounds and an ECG signal
US20160317055A1 (en) * 2013-12-12 2016-11-03 Biosig Technologies, Inc. Systems and methods for evaluation of electrophysiology systems
CN109091138A (zh) * 2018-07-12 2018-12-28 上海微创电生理医疗科技股份有限公司 心律失常起源点的判断装置及标测系统
CN111680382A (zh) * 2019-02-25 2020-09-18 北京嘀嘀无限科技发展有限公司 等级预测模型训练方法、等级预测方法、装置及电子设备
CN111214225A (zh) * 2019-12-24 2020-06-02 北京超思电子技术有限责任公司 室性激动识别方法、装置、电子设备及可读存储介质
CN111772619A (zh) * 2020-06-19 2020-10-16 厦门纳龙科技有限公司 一种心电图心搏识别方法、终端设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023011392A1 (zh) * 2021-08-02 2023-02-09 储慧民 预测室性心律失常起源位置的系统、电子设备和存储介质
CN114190897A (zh) * 2021-12-15 2022-03-18 中国科学院空天信息创新研究院 睡眠分期模型的训练方法、睡眠分期方法及装置
CN114190897B (zh) * 2021-12-15 2024-04-05 中国科学院空天信息创新研究院 睡眠分期模型的训练方法、睡眠分期方法及装置

Also Published As

Publication number Publication date
EP4382046A1 (en) 2024-06-12
WO2023011392A1 (zh) 2023-02-09

Similar Documents

Publication Publication Date Title
US10758139B2 (en) Automatic method to delineate or categorize an electrocardiogram
Pandya et al. InfusedHeart: A novel knowledge-infused learning framework for diagnosis of cardiovascular events
CN108577883A (zh) 一种冠心病筛查装置、筛查系统以及信号特征提取方法
Raghavendra et al. Cardiac arrhythmia detection using dynamic time warping of ECG beats in e-healthcare systems
CN110910370B (zh) 一种cta图像冠脉狭窄检测的方法及装置
Sedighian et al. Pediatric heart sound segmentation using Hidden Markov Model
Cuesta-Frau et al. Clustering of electrocardiograph signals in computer-aided Holter analysis
JP2021186686A (ja) コヒーレントアルゴリズムを使用したローカルノイズ識別
US8750973B2 (en) Method and system for detecting P-waves in the surface ECG signal
US20230309899A1 (en) Determination method and determination apparatus for beginning of t-wave, storage medium and computer program product
CN112971802A (zh) 基于深度学习模型的心音信号检测方法及系统
Huerta et al. Quality assessment of very long-term ECG recordings using a convolutional neural network
Akdağ et al. A new approach for congestive heart failure and arrhythmia classification using downsampling local binary patterns with LSTM
Nahak et al. Evaluation of handcrafted features and learned representations for the classification of arrhythmia and congestive heart failure in ECG
Gavrovska et al. Identification of S1 and S2 heart sound patterns based on fractal theory and shape context
JP2023532268A (ja) 深層学習に基づいて大動脈を取得する方法及び記憶媒体
CN113598782B (zh) 预测室性心律失常起源位置的系统、电子设备和存储介质
CN113598782A (zh) 预测室性心律失常起源位置的系统、电子设备和存储介质
CN110786847B (zh) 心电信号的建库方法和分析方法
CN115828168A (zh) 一种基于隐马尔可夫心动周期的心音分割方法及其装置
CN116310114A (zh) 一种多任务标签模型的冠脉点云数据处理优化方法
Yao et al. Arrhythmia classification from single lead ecg by multi-scale convolutional neural networks
KR20230067770A (ko) 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스
Dalvi et al. Graph search based detection of periodic activations in complex periodic signals: Application in atrial fibrillation electrograms
CN116350199B (zh) 一种动态心电图心搏模板生成方法及系统

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
GR01 Patent grant