CN113768516B - 一种基于人工智能的心电图异常程度检测方法及系统 - Google Patents
一种基于人工智能的心电图异常程度检测方法及系统 Download PDFInfo
- Publication number
- CN113768516B CN113768516B CN202111138493.1A CN202111138493A CN113768516B CN 113768516 B CN113768516 B CN 113768516B CN 202111138493 A CN202111138493 A CN 202111138493A CN 113768516 B CN113768516 B CN 113768516B
- Authority
- CN
- China
- Prior art keywords
- band
- wave band
- abnormal
- obtaining
- degree
- 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.)
- Active
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 132
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 238000002565 electrocardiography Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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]
- A61B5/333—Recording apparatus specially adapted therefor
-
- 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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (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)
Abstract
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的心电图异常程度检测方法及系统。该方法获得心电图中每个子波段的周期和幅值。将周期和幅值映射至参数坐标系中，获得包含投票值的坐标点。根据投票值进行判断，获得正常波段和第一异常波段。根据周期和幅值结合投票值，获得每个正常波段的影响半径，通过影响半径的范围获得第一异常波段中的第二异常波段。通过第二异常波段与正常波段的距离和正常波段的影响程度，获得第二异常波段的受影响程度，根据受影响程度大小确定异常波段。通过异常波段与正常心电图的差异和受影响程度获得心电图异常程度。本发明实现了对心电图中异常波段的准确检测并分析，得到参考性强的心电图异常程度。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的心电图异常程度检测方法及系统。
背景技术
心电图是一种经体壁以时间为单位记录心脏的电生理活动，并通过接触皮肤的电极捕捉且记录下来的诊疗技术，是一种无创性的记录方式，可以精确详细地测量和记录心电活动。
在正常状态下，心电图中的波段应是规律分布的。如果存在病变，会在心电图中产生异常波段，异常波段的波动特征区别与正常波段，因此可根据心电图中的异常波段特征快速展现患者的心脏健康情况。
由于心电图中所有正常部分小波段的形状、幅值、周期在一定程度上保持一致，但不是完全一致，一些正常波段因为周期和幅值的差异仍会被认为是异常波段。若直接根据异常波段和其他正常波段之间的差异进行异常程度检测，结果准确率会受到影响。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的心电图异常程度检测方法及系统，所采用的技术方案具体如下：
本发明提出了一种基于人工智能的心电图异常程度检测方法，所述方法包括：
获取心电图；所述心电图仅包括波段像素；获取所述波段像素中的峰值点与峰谷点；根据所述峰值点与峰谷点获得多个子波段的周期和幅值；
将所有所述子波段的所述周期和所述幅值映射至参数坐标系，获得包含投票值的坐标点；所述参数坐标系以周期作为横坐标，幅值作为纵坐标；若所述坐标点的投票值大于等于预设投票值阈值，则对应的所述子波段为正常波段，否则为第一异常波段；
根据所述正常波段最大的所述周期和所述幅值获得最大影响半径；根据每个所述坐标点的投票值获得调整权重，根据所述调整权重和所述最大影响半径获得每个所述正常波段的影响半径；以在所述正常波段的所述影响半径范围内的所述第一异常波段作为第二异常波段；
根据所述调整权重和预设的最大影响程度获得每个所述正常波段的影响程度；获取所述第二异常波段与对应的所述正常波段的距离；根据所述距离和所述影响程度获得每个所述第二异常波段的受影响程度；若所述受影响程度大于预设受影响程度阈值，则对应的所述第二异常波段为正常波段；否则为第三异常波段；以所述第一异常波段和所述第三异常波段作为异常波段；
获得正常心电图；获得所述异常波段与所述正常心电图对应位置处的差异；根据所述差异和所述受影响程度获得心电图异常程度。
进一步地，所述获取心电图后还包括：
将所述心电图送入预先训练好的波段检测网络中，获得所述波段像素。
进一步地，所述获取所述波段像素中的峰值点与峰谷点包括：
遍历分析每个所述波段像素在预设邻域范围内的像素特征；当所述波段像素在所述邻域范围内左、右和上方均无其他所述波段像素点时，则对应所述波段像素为峰值点；当所述波段像素在所述邻域范围内左、右和下方均无其他所述波段像素点时，则对应所述波段像素为峰谷点。
进一步地，所述根据所述正常波段最大的所述周期和所述幅值获得最大影响半径包括：根据最大影响半径公式获得所述最大影响半径；所述最大影响半径公式为：
其中，R为所述最大影响半径，t为所述周期，h为所述幅值。
进一步地，所述根据每个所述坐标点的投票值获得调整权重包括：
获得所述坐标点最大投票值；以每个所述坐标点的投票值与所述最大投票值的比值作为所述调整权重。
进一步地，所述根据所述距离和所述影响程度获得每个所述第二异常波段的受影响程度包括：
将所述距离和所述影响程度的乘积作为所述第二异常波段在对应的所述正常波段的所述影响半径范围内的初始受影响程度；将每个所述第二异常波段的所述初始受影响程度累加，获得每个所述第二异常波段的所述受影响程度。
进一步地，所述获得正常心电图包括：
将所述心电图中的所述异常波段剔除后输入预先训练好的心电图填充网络，输出所述正常心电图。
进一步地，所述根据所述差异和所述受影响程度获得心电图异常程度包括：通过心电图异常程度获取公式获得所述心电图异常程度；所述心电图异常程度获取公式包括：
其中，S为所述第一异常波段的数量，Wk ′为第k个所述异常波段的所述受影响程度，Ck第k个所述第一异常波段对应的所述差异。
本发明还提出了一种基于人工智能的心电图异常程度检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能的心电图异常程度检测方法的步骤。
本发明具有如下有益效果：
本发明实施例通过将波段的周期和幅值映射在参数坐标系中，在参数坐标系寻找互相影响的正常波段和第二异常波段。根据第二异常波段的影响程度判断是否为误判的正常波段，通过对异常波段的精确筛选获得准确的异常波段位置。进一步通过正常心电图中对应的异常波段位置与异常波段的差异和影响程度，获得心电图整体的异常程度。提高了检测准确性，可以是的异常程度具有准确的参考性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的心电图异常程度检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的心电图异常程度检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的心电图异常程度检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的心电图异常程度检测方法流程图，该方法包括：
步骤S1：获取心电图；心电图仅包括波段像素；获取波段像素中的峰值点与峰谷点；根据峰值点与峰谷点获得多个子波段的周期和幅值。
心电图可通过相机拍摄打印好的纸质心电图获取，或者通过心电图仪将心电图导出。为了更清楚的获得心电图上的波动信息，将心电图送入预先训练好的波段检测网络中，获得波段像素，波段检测网络具体训练方法包括：
(1)以包含多种波段像素的心电图作为训练数据。将波段像素标注为1，其他像素标注为0，获得标注数据。
(2)波段检测网络使用语义分割网络，采用编码-解码结构。波段检测编码器用于提取输入数据的特征，获得特征图。波段检测解码器将所述特征图进行采样变换，输出语义分割结果。语义分割结果清楚的展现了波段像素信息。
(3)采用交叉熵损失函数对网络进行训练。
遍历分析每个波段像素在预设邻域范围内的像素特征；当波段像素在邻域范围内左、右和上方均无其他波段像素点时，则对应波段像素为峰值点；当波段像素在邻域范围内左、右和下方均无其他波段像素点时，则对应波段像素为峰谷点。在本发明实施例中，邻域范围设置为8邻域，即以波段像素为中心，分析其周围8个像素点的特征。
获得心电图中波段像素的所有峰值点和峰谷点后，根据峰值点和峰谷点的坐标即可获得多个子波段的周期和幅值。
步骤S2：将所有子波段的周期和幅值映射至参数坐标系，获得包含投票值的坐标点；参数坐标系以周期作为横坐标，幅值作为纵坐标；若坐标点的投票值大于等于预设投票值阈值，则对应的子波段为正常波段，否则为第一异常波段。
正常波段之间的周期和幅值应该保持相对一致，而异常波段的周期和幅值均与正常波段的差异较大。且在本发明实施例中，目的在于快速获得具有参考性的心电图异常程度，因此并不适用于患病严重的患者，对于患病严重的患者需要医师进行细致分析，所以在本发明实施例中所分析的心电图，异常波段占比较少，正常波段较多，可根据周期和幅值的特点筛选出正常波段和异常波段。
以周期t和幅值h作为一个子波段的代表坐标(t,h)。将所有子波段的周期和幅值映射至参数坐标系。参数坐标系以周期为横坐标，幅值为纵坐标。在参数坐标系中每个子波段都拥有对应的坐标点。根据每个子波段的坐标点的异同，每个坐标点都包含投票值信息。若两个子波段的坐标值相等，则对应坐标点的投票值累加1，经过对所有子波段的坐标值统计后，参数坐标系中每个坐标点都包含投票值。
投票值越多的坐标点，对应的子波段的周期和幅值一致性越高，因此根据投票值对子波段进行初步判定，若坐标点的投票值大于等于预设投票值阈值，则对应的子波段为正常波段，否则为第一异常波段。
在本发明实施例中，投票阈值设置为0.05M，其中M为子波段的总数量。
步骤S3：根据正常波段最大的周期和幅值获得最大影响半径；根据每个坐标点的投票值获得调整权重，根据调整权重和最大影响半径获得每个正常波段的影响半径；以在正常波段的影响半径范围内的第一异常波段作为第二异常波段。
因为第一异常波段仅通过投票值大小进行判断，并没有考虑到周期与幅值的差异，存在一些正常波段的周期和幅值正常，但是与其一致的波段数量较少，从而被判断为了第一异常波段，因此为了保证检测的准确性，需要对第一异常波段进行进一步划分。
周期和幅值的差异特点在参数坐标系中可以清楚的表现出来，两个坐标点的距离越近，则差异越小。第一异常波段与正常波段距离越近，则越可能为误判的正常波段，即可认为每个正常波段都存在一个影响范围，在该影响范围内的第一异常波段具有误判的嫌疑。
根据正常波段最大的周期和幅值获得最大影响半径，周期和幅值越大在心电图中表现为内容越多越丰富，因此对应的影响范围越大，具体最大影响半径的获取方法包括：根据最大影响半径公式获得最大影响半径；最大影响半径公式为：
其中，R为最大影响半径，t为周期，h为幅值。
即最大影响半径越子波段的坐标值呈正比例关系，为了进一步确定每个正常波段的影响半径，结合每个正常波段的投票值获得每个正常波段的调整权重，具体包括：获得坐标点最大投票值；以每个坐标点的投票值与最大投票值的比值作为调整权重。根据调整权重和最大影响半径获得每个正常波段对应的坐标点的影响半径，即以调整权重作为权重，与最大影响半径相乘，获得每个正常波段的影响半径。
以在正常波段影响半径范围内的第一异常波段作为第二异常波段，第二异常波段为存在正常波段嫌疑的子波段。需要说明的是，没有在影响范围内的第一异常波段表示对应的子波段异常程度较大，为真实的异常波段。
步骤S4：根据调整权重和预设的最大影响程度获得每个正常波段的影响程度；获取第二异常波段与对应的正常波段的距离；根据距离和影响程度获得每个第二异常波段的受影响程度；若受影响程度大于预设受影响程度阈值，则对应的第二异常波段为正常波段；否则为第三异常波段；以第一异常波段和第三异常波段作为异常波段。
在参数坐标系中，投票值越大则表示心电图中一致的子波段越多。因此根据调整权重和预设的最大影响程度获得每个正常波段的影响程度，即投票值最大的正常波段对应的影响程度为最大影响程度。在本发明实施例中，将最大影响程度设置为1。
因为在参数坐标系中，两个坐标点距离越近则说明两个坐标点的坐标值越接近，因此获得第二异常波段与对应的正常波段的距离。需要说明的是，可能存在多个正常波段影响一个第二异常波段。因此将距离和影响程度的乘积作为第二异常波段在对应的正常波段的影响半径范围内的初始受影响程度。将每个第二异常波段的初始受影响程度累加，获得每个第二异常波段的受影响程度。若受影响程度大于预设受影响程度阈值，则对应的第二异常波段为正常波段，否则为第三异常波段。在本发明实施例中，受影响程度阈值设置为0.5。
需要说明的是，对于不在影响范围内的第一异常波段，其影响范围为0。并且为了后续数据分析的方便，需要将受影响程度进行归一化处理。
经过两次判断和筛选后，余下的第一异常波段和第三异常波段为准确的异常波段。在心电图中，正常波段与异常波段交替出现。
步骤S5：获得正常心电图；获得异常波段与正常心电图对应位置处的差异；根据差异和受影响程度获得心电图异常程度。
为了获得心电图的异常程度，需要与正常心电图进行对比。正常心电图可通过历史数据预先获得，或者设置一张正常心电图模板。优选的，将心电图中的第一异常波段剔除后输入预先训练好的心电图填充网络，输出正常心电图。通过心电图填充网络获得的正常心电图仅在异常波段处与心电图存在差异，因此可以更方便的分析心电图异常程度。
在本发明实施例中，心电图填充网络采用自编码生产网络，通过以连续正常波形的心电图作为训练数据，是的心电图填充网络能够将不连续波形的心电图产生连续正常波形的正常心电图。
将心电图和正常心电图做差，得到每个异常波段的差异。该差异仅在异常波段对应位置处产生。为了更准的表示异常波段带给心电图的异常程度，结合每个异常波段的受影响程度和差异获得心电图异常程度，即受影响程度越高，则说明越会被正常波段影响，则对应的异常程度越小。具体包括：
根据对应关系通过数学建模的方法拟合心电图异常程度获取公式，通过心电图异常程度获取公式获得心电图异常程度；心电图异常程度获取公式包括：
其中，S为第一异常波段的数量，Wk ′为第k个异常波段的受影响程度，Ck第k个第一异常波段对应的差异。需要说明的是，为了方便医师对心电图进行分析，需要将心电图异常程度进行归一化处理。
通过快速获得心电图异常程度，可以使得相关医师能够直观的初步判定患者的身体状况，并且可以根据异常波段位置对心电图进行具体分析，提高了医疗诊断效率。
综上所述，本发明实施例获得心电图中每个子波段的周期和幅值。将周期和幅值映射至参数坐标系中，获得包含投票值的坐标点。根据投票值进行判断，获得正常波段和第一异常波段。根据周期和幅值结合投票值，获得每个正常波段的影响半径，通过影响半径的范围获得第一异常波段中的第二异常波段。通过第二异常波段与正常波段的距离和正常波段的影响程度，获得第二异常波段的受影响程度，根据受影响程度大小确定异常波段。通过异常波段与正常心电图的差异和受影响程度获得心电图异常程度。本发明实施例实现了对心电图中异常波段的准确检测并分析，得到参考性强的心电图异常程度。
本发明还提出了一种基于人工智能的心电图异常程度检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于人工智能的心电图异常程度检测方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的心电图异常程度检测方法，其特征在于，所述方法包括：
获取心电图；所述心电图仅包括波段像素；获取所述波段像素中的峰值点与峰谷点；根据所述峰值点与峰谷点获得多个子波段的周期和幅值；
将所有所述子波段的所述周期和所述幅值映射至参数坐标系，获得包含投票值的坐标点；所述参数坐标系以周期作为横坐标，幅值作为纵坐标；若所述坐标点的投票值大于等于预设投票值阈值，则对应的所述子波段为正常波段，否则为第一异常波段；
根据所述正常波段最大的所述周期和所述幅值获得最大影响半径；根据每个所述坐标点的投票值获得调整权重，根据所述调整权重和所述最大影响半径获得每个所述正常波段的影响半径；筛选出在所述正常波段的所述影响半径范围内的所述第一异常波段作为第二异常波段，在所述正常波段的所述影响半径范围外的所述第一异常波段作为余下的第一异常波段；
根据所述调整权重和预设的最大影响程度获得每个所述正常波段的影响程度；获取所述第二异常波段与对应的所述正常波段的距离；根据所述距离和所述影响程度获得每个所述第二异常波段的受影响程度；若所述受影响程度大于预设受影响程度阈值，则对应的所述第二异常波段为正常波段；否则为第三异常波段；以所述余下的第一异常波段和所述第三异常波段作为最终的异常波段；
获得正常心电图；获得所述最终的异常波段与所述正常心电图对应位置处的差异；根据所述差异和所述受影响程度获得心电图异常程度；
所述根据所述正常波段最大的所述周期和所述幅值获得最大影响半径包括：根据最大影响半径公式获得所述最大影响半径；所述最大影响半径公式为：
其中，R为所述最大影响半径，t为所述周期，h为所述幅值；
所述根据所述距离和所述影响程度获得每个所述第二异常波段的受影响程度包括：
将所述距离和所述影响程度的乘积作为所述第二异常波段在对应的所述正常波段的所述影响半径范围内的初始受影响程度；将每个所述第二异常波段的所述初始受影响程度累加，获得每个所述第二异常波段的所述受影响程度；
根据所述差异和所述受影响程度获得心电图异常程度包括：通过心电图异常程度获取公式获得所述心电图异常程度；所述心电图异常程度获取公式包括：
其中，S为所述最终的异常波段的数量，Wk ′为第k个所述最终的异常波段的所述受影响程度，Ck第k个所述最终的异常波段对应的所述差异。
2.根据权利要求1所述的一种基于人工智能的心电图异常程度检测方法，其特征在于，所述获取心电图后还包括：
将所述心电图送入预先训练好的波段检测网络中，获得所述波段像素。
3.根据权利要求1所述的一种基于人工智能的心电图异常程度检测方法，其特征在于，所述获取所述波段像素中的峰值点与峰谷点包括：
遍历分析每个所述波段像素在预设邻域范围内的像素特征；当所述波段像素在所述邻域范围内左、右和上方均无其他所述波段像素时，则对应所述波段像素为峰值点；当所述波段像素在所述邻域范围内左、右和下方均无其他所述波段像素时，则对应所述波段像素为峰谷点。
4.根据权利要求1所述的一种基于人工智能的心电图异常程度检测方法，其特征在于，所述根据每个所述坐标点的投票值获得调整权重包括：
获得所述坐标点最大投票值；以每个所述坐标点的投票值与所述最大投票值的比值作为所述调整权重。
5.根据权利要求1所述的一种基于人工智能的心电图异常程度检测方法，其特征在于，所述获得正常心电图包括：
将所述心电图中的所述最终的异常波段剔除后输入预先训练好的心电图填充网络，输出所述正常心电图。
6.一种基于人工智能的心电图异常程度检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～5任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111138493.1A CN113768516B (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的心电图异常程度检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111138493.1A CN113768516B (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的心电图异常程度检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113768516A CN113768516A (zh) | 2021-12-10 |
| CN113768516B true CN113768516B (zh) | 2024-05-14 |
Family
ID=78853963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111138493.1A Active CN113768516B (zh) | 2021-09-27 | 2021-09-27 | 一种基于人工智能的心电图异常程度检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113768516B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101589952A (zh) * | 2008-05-29 | 2009-12-02 | 慈济大学 | 推估心率变异的方法 |
| CN203873752U (zh) * | 2014-05-12 | 2014-10-15 | 牛海涛 | 心电图仪 |
| CN108309262A (zh) * | 2018-02-24 | 2018-07-24 | 乐普（北京）医疗器械股份有限公司 | 多参数监护数据分析方法和多参数监护仪 |
| CN108836310A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技（北京）有限公司 | 一种基于人工智能的自动判断用户心电状态的方法及系统 |
| CN109770858A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
| CN109887595A (zh) * | 2019-01-16 | 2019-06-14 | 成都蓝景信息技术有限公司 | 基于深度学习技术的心搏异常识别算法 |
| WO2019161607A1 (zh) * | 2018-02-24 | 2019-08-29 | 乐普（北京）医疗器械股份有限公司 | 心电信息动态监护方法和动态监护系统 |
| JP2019209041A (ja) * | 2018-06-08 | 2019-12-12 | 株式会社デンソー | 脈波形解析方法、及びプログラム |
| CN112022144A (zh) * | 2020-09-09 | 2020-12-04 | 生物岛实验室 | 心电异常检测网络训练方法、心电异常预警方法及装置 |
| DE102019117719A1 (de) * | 2019-07-01 | 2021-01-07 | ZF Automotive Safety Germany GmbH | Verfahren zum Bestimmen wenigstens eines physiologischen Parameters eines Insassen eines Kraftfahrzeugs, Messsystem, Lenkrad und Getriebebedienelement |
| CN112353397A (zh) * | 2020-11-17 | 2021-02-12 | 西安理工大学 | 一种心电图信号身份识别方法 |
| CN112869753A (zh) * | 2021-02-10 | 2021-06-01 | 上海交通大学医学院附属瑞金医院 | 一种针对心电图qrst波形的分析方法、设备、介质和心电图仪 |
| WO2021120737A1 (zh) * | 2019-12-16 | 2021-06-24 | 深圳市邦健科技有限公司 | St 检测方法、装置、计算机设备及存储介质 |
| CN113040778A (zh) * | 2019-12-26 | 2021-06-29 | 华为技术有限公司 | 诊断报告生成方法、装置、终端设备及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11660053B2 (en) * | 2018-04-16 | 2023-05-30 | Samsung Electronics Co., Ltd. | Apparatus and method for monitoring bio-signal measuring condition, and apparatus and method for measuring bio-information |
-
2021
- 2021-09-27 CN CN202111138493.1A patent/CN113768516B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101589952A (zh) * | 2008-05-29 | 2009-12-02 | 慈济大学 | 推估心率变异的方法 |
| CN203873752U (zh) * | 2014-05-12 | 2014-10-15 | 牛海涛 | 心电图仪 |
| WO2019161607A1 (zh) * | 2018-02-24 | 2019-08-29 | 乐普（北京）医疗器械股份有限公司 | 心电信息动态监护方法和动态监护系统 |
| CN108309262A (zh) * | 2018-02-24 | 2018-07-24 | 乐普（北京）医疗器械股份有限公司 | 多参数监护数据分析方法和多参数监护仪 |
| JP2019209041A (ja) * | 2018-06-08 | 2019-12-12 | 株式会社デンソー | 脈波形解析方法、及びプログラム |
| CN108836310A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技（北京）有限公司 | 一种基于人工智能的自动判断用户心电状态的方法及系统 |
| CN109887595A (zh) * | 2019-01-16 | 2019-06-14 | 成都蓝景信息技术有限公司 | 基于深度学习技术的心搏异常识别算法 |
| CN109770858A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
| DE102019117719A1 (de) * | 2019-07-01 | 2021-01-07 | ZF Automotive Safety Germany GmbH | Verfahren zum Bestimmen wenigstens eines physiologischen Parameters eines Insassen eines Kraftfahrzeugs, Messsystem, Lenkrad und Getriebebedienelement |
| WO2021120737A1 (zh) * | 2019-12-16 | 2021-06-24 | 深圳市邦健科技有限公司 | St 检测方法、装置、计算机设备及存储介质 |
| CN113040778A (zh) * | 2019-12-26 | 2021-06-29 | 华为技术有限公司 | 诊断报告生成方法、装置、终端设备及可读存储介质 |
| CN112022144A (zh) * | 2020-09-09 | 2020-12-04 | 生物岛实验室 | 心电异常检测网络训练方法、心电异常预警方法及装置 |
| CN112353397A (zh) * | 2020-11-17 | 2021-02-12 | 西安理工大学 | 一种心电图信号身份识别方法 |
| CN112869753A (zh) * | 2021-02-10 | 2021-06-01 | 上海交通大学医学院附属瑞金医院 | 一种针对心电图qrst波形的分析方法、设备、介质和心电图仪 |
Non-Patent Citations (1)
| Title |
|---|
| 心电异常自动检测的研究;张菲菲;张征;;电脑知识与技术(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113768516A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
| CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
| CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
| Fraser et al. | Automated biosignal quality analysis for electromyography using a one-class support vector machine | |
| EP3692904A1 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
| US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
| US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| WO2019161610A1 (zh) | 心电信息处理方法和心电工作站系统 | |
| WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
| CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
| Wu et al. | Extracting deep features from short ECG signals for early atrial fibrillation detection | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| CN107530015B (zh) | 一种生命体征分析方法与系统 | |
| CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
| Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
| Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
| Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
| Abbasi et al. | Multiple contaminant biosignal quality analysis for electrocardiography | |
| CN111278353A (zh) | 一种生命体征信号噪声的检测方法与系统 | |
| CN113768516B (zh) | 一种基于人工智能的心电图异常程度检测方法及系统 | |
| CN116439690A (zh) | 心冲击图信号的提取方法、装置、设备以及存储介质 | |
| Ghosal et al. | Ecg beat quality assessment using self organizing map | |
| Jothiramalingam et al. | Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease. | |
| Plesnik et al. | ECG signal acquisition and analysis for telemonitoring |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230602 Address after: Room 1917, Block C, Yindu Building, 126 Xinfa Road, Nanguan District, Changchun City, 130000 Jilin Province Applicant after: Jilin Chenyi Technology Co.,Ltd. Address before: 710000 277 Yanta West Road, Xi'an, Shaanxi Applicant before: Niu Haicheng |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |