CN114429816A - 一种心电图分析方法、装置、设备及介质 - Google Patents

一种心电图分析方法、装置、设备及介质 Download PDF

Info

Publication number
CN114429816A
CN114429816A CN202111645999.1A CN202111645999A CN114429816A CN 114429816 A CN114429816 A CN 114429816A CN 202111645999 A CN202111645999 A CN 202111645999A CN 114429816 A CN114429816 A CN 114429816A
Authority
CN
China
Prior art keywords
heartbeat
data
type
heart beat
classification model
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
CN202111645999.1A
Other languages
English (en)
Inventor
郭天海
杨春晖
王放
来勇臣
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.)
Hainan Shilianda Health Intelligent Medical Technology Co ltd
Original Assignee
Hainan Shilianda Health Intelligent Medical Technology Co ltd
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 Hainan Shilianda Health Intelligent Medical Technology Co ltd filed Critical Hainan Shilianda Health Intelligent Medical Technology Co ltd
Priority to CN202111645999.1A priority Critical patent/CN114429816A/zh
Publication of CN114429816A publication Critical patent/CN114429816A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请提供了一种心电图分析的方法及装置，包括：获取心博数据；将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率；若所述概率小于设定阈值，将所述概率对应的心博数据以及所述第一心博类型发送给医生终端，以使所述医生终端根据所述心博数据确定所述心博数据的第二心博类型；若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告，以解决目前设备自带的分析软件的准确率低，导致无法提供可靠的心电图诊断的问题。

Description

一种心电图分析方法、装置、设备及介质
技术领域
本申请涉及数据处理技术领域，特别是涉及一种心电图分析方法、装置、设备及介质。
背景技术
动态心电图由美国Holter1949年首创，故又称Holter心电图，临床上已由单导、双导发展为12导联全记录，动态心电图是通过动态心电图仪在患者日常生活状态下连续24小时或更长时间记录其心电活动的全过程，并借助计算机进行分析处理，以发现在常规体表心电图检查时不易发现的心律失常和心肌缺血等，为临床诊断、治疗及判断疗效提供重要的客观依据。
目前心博数据的分析主要依靠设备自带的分析软件，但分析软件的准确率低，无法提供可靠的心电图诊断。
发明内容
本申请提供了一种心电图分析方法、装置、设备及介质，以解决目前设备自带的分析软件的准确率低，导致无法提供可靠的心电图诊断的问题。
为了解决上述问题，本申请公开了一种心电图分析的方法，包括：
获取心博数据；
将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率；
若所述概率小于设定阈值，将所述概率对应的心博数据以及所述第一心博类型发送给医生终端，以使所述医生终端根据所述心博数据确定所述心博数据的第二心博类型；
若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告。
可选的，所述方法还包括：
若所述第一心博类型与所述第二心博类型不同，则将所述第二心博类型以及所述第二心博类型对应的心博数据作为所述分类模型的输入，对所述分类模型进行重新训练，直至所述分类模型收敛，以生成优化后的分类模型。
可选的，所述心博数据包括多组心博数据；
所述将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率包括：
将多组心博数据分别输入到分类模型中，获得所述分类模型针对多组心博数据为不同心博类型的概率。
可选的，所述若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告的步骤包括：
若所述第一心博类型的相似度与所述第二心博类型的相似度满足设定条件，则确定所述第一心博类型与所述第二心博类型相同，并生成心电图诊断报告。
为了解决上述问题，本申请还公开了一种心电图分析的装置，包括：
心博数据模块，用于获取心博数据；
分类模块，用于将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率；
判断模块，用于若所述概率小于设定阈值，将所述概率对应的心博数据以及所述第一心博类型发送给医生终端，以使所述医生终端根据所述心博数据确定所述心博数据的第二心博类型；
生成模块，用于若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告。
可选的，所述生成模块，还用于若所述第一心博类型与所述第二心博类型不同，则将所述第二心博类型以及所述第二心博类型对应的心博数据作为所述分类模型的输入，对所述分类模型进行重新训练，直至所述分类模型收敛，以生成优化后的分类模型。
可选的，所述心博数据包括多组心博数据；
所述分类模块，具体用于，将多组心博数据分别输入到分类模型中，获得所述分类模型针对多组心博数据为不同心博类型的概率。
可选的，所述生成模块，具体用于若所述第一心博类型的相似度与所述第二心博类型的相似度满足设定条件，则确定所述第一心博类型与所述第二心博类型相同，并生成心电图诊断报告。
为了解决上述问题，本申请还公开了一种电子设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述电子设备执行所述的心电图分析的方法。
为了解决上述问题，本申请还公开了一种计算机可读存储介质，其存储的计算机程序使得处理器执行所述的心电图分析的方法。
与现有技术相比，本申请包括以下优点：
本申请通过分类模型对心博数据进行识别和处理，从而提高了心电图诊断的准确率，也就是说，通过人工智能技术，有效提升了心电图诊断的准确率。进一步的，本申请只将概率小于设定阈值的心博数据和第一心博类型发送给医生终端，以使所述医生终端对所述心博数据进行判断，并生成心电图诊断报告，也就是说，将概率低的心博数据筛选出来并发送给医生终端进行确认，大大减少了医生终端的工作量，从而提升了医生终端做出诊断报告的效率，也变相的减少了服务器和医生终端的数据传输量。
当然，实施本申请的任一产品不一定需要同时达到以上所述的所有优点。
附图说明
图1是本申请实施例一所述一种心电图分析的方法的流程图；
图2是本申请实施例二所述一种心电图分析的方法的流程图；
图3是本申请实施例三所述一种心电图分析的装置的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
参照图1，其示出了本申请实施例一所述一种心电图分析的方法的流程图，所述方法应用于服务器，具体包括如下步骤：
步骤101：获取心博数据。
其中，心搏数据是指心室内心电传导一次的过程，在心电图上显示为一组波群。
本实施例，在获得心博数据之前，可以获取心电图数据。在具体应用中，使用心电设备采集患者终端的心电图数据，然后将心电图数据通过视联网上传至服务器。由于不同心电厂商提供的心电图数据格式不同，因此可以采用检波算法从心电图数据中提取心博数据，并将心博数据存储在列表中，也可以采用其它算法提取心博数据，对此本申请不做具体限制。
步骤102：将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率。
由于每个人的心电图数据不同，因而从心电图中获得的心博数据也会不同，因此对心博数据进行分类，将相同或相似心博数据划分在一起，形成多心博数据，心博数据不同通过分类模型得到的心博类型也会不同。
第一心博类型包括：窦性心律、房性心律、交界性心律、室性心律、无效信号(受干扰无法进行判断的信号)，其中，房性心律包括房性早搏、房性逸搏、房性心动过速、心房扑动和心房颤动；交界性心律包括交界性早搏、交界性逸搏、交界性心动过速；室性心律：包括室性早搏、交室性逸搏、室性心动过速等等。
步骤103：若所述概率小于设定阈值，将所述概率对应的心博数据以及所述第一心博类型发送给医生终端，以使所述医生终端根据所述心博数据确定所述心博数据的第二心博类型。
其中，分类模型可以为卷积神经网络，也可以AI算法，例如：朴素贝叶斯、K最近邻算法等等。
将心博数据通过卷积神经网络进行识别和处理，得到心博数据为第一心博类型的概率，也就是说，通过卷积神经网络确定出哪些心博数据需要医生终端进行判断分类是否准确。
在使用卷积神经网络之前，可以预先对卷积神经网络进行训练，训练过程如下：
将心博数据样本以心博数据对应的心博类型样本作为卷积神经网络的输入，对卷积神经网络进行训练，直至卷积神经网络收敛，训练收敛后保存卷积神经网络，即得到卷积神经网络的人工智能模型，通过该卷积神经网络对各分类心博数据为第一心博类型的概率的准确度可以达到95％以上。
其中，医生终端可以为PC、浏览器、手机、IPAD应用，小程序等等。
当医生终端为手机时，医生终端可以直接在手机上对心博数据进行判断，从而避免了医生终端对桌面系统操作环境的依赖，增加了操作的便捷性。
通过卷积神经网络可以获得第一心博类型的概率，本申请是将第一心博类型的概率低的筛选出来发送给医生终端，从而大大减轻了医生终端的工作量，变相的提高了医生终端的处理效率。
第二心博类型包括：窦性心律、房性心律、交界性心律、室性心律、无效信号(受干扰无法进行判断的信号)，其中，房性心律包括房性早搏、房性逸搏、房性心动过速、心房扑动和心房颤动；交界性心律包括交界性早搏、交界性逸搏、交界性心动过速；室性心律：包括室性早搏、交室性逸搏、室性心动过速等等。
步骤104：若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告。
本实施例，通过分类模型对心博数据进行识别和处理，从而提高了心电图诊断的准确率，也就是说，通过人工智能技术，有效提升了心电图诊断的准确率。进一步的，本申请只将概率小于设定阈值的心博数据和第一心博类型发送给医生终端，以使所述医生终端对所述心博数据进行判断，并生成心电图诊断报告，也就是说，将概率低的心博数据筛选出来并发送给医生终端进行确认，大大减少了医生终端的工作量，从而提升了医生终端做出诊断报告的效率，也变相的减少了服务器和医生终端的数据传输量。
实施例二
参照图2，其示出了本申请实施例二所述一种心电图分析的方法的流程图，所述方法应用于服务器，具体包括如下步骤：
步骤201：获取心博数据。
步骤202：将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率。
其中，由于每个人的心博数据不同，因此对心博数据进行分类，将相同或相似心博数据划分在一起，从而形成多组心博数据，也就是说，每一组心博数据是由多个心博数据组成的。
具体应用中，将多组心博数据分别输入到分类模型中，获得所述分类模型针对多组心博数据为不同心博类型的概率。
步骤203：若所述概率小于设定阈值，将所述概率对应的心博数据以及所述第一心博类型发送给医生终端，以使所述医生终端根据所述心博数据确定所述心博数据的第二心博类型。
其中，阈值的设定可以由本领域技术人员采用任意适当方式进行设定，如可以采用人工经验设定阈值，或者针对历史数据的差异值设定阈值，本申请对此不作限制。
步骤204：判断第一心博类型与第二心博类型是否相同，若相同，则执行步骤205，若不相同，则执行步骤206。
步骤205：生成心电图诊断报告，流程结束。
在具体应用中，判断所述第一心博类型与所述第二心博类型是否相同，可以采用相似度进行判定，即若所述第一心博类型的相似度与所述第二心博类型的相似度满足设定条件，则确定所述第一心博类型与所述第二心博类型相同，并生成心电图诊断报告。
步骤206：将所述第二心博类型以及所述第二心博类型对应的心博数据作为所述分类模型的输入，对所述分类模型进行重新训练，直至所述分类模型收敛，以生成优化后的分类模型。
通过对分类模型进行重新训练，然后获得优化后的分类模型，使用该优化后的分类模型对心博数据进行识别和处理，在优化模型的同时，又提高了对心电图分析方法的识别概率。
本实施例，通过分类模型对心博数据进行识别和处理，从而提高了心电图诊断的准确率，也就是说，通过人工智能技术，有效提升了心电图诊断的准确率。进一步的，本申请只将概率小于设定阈值的心博数据和第一心博类型发送给医生终端，以使所述医生终端对所述心博数据进行判断，并生成心电图诊断报告，也就是说，将概率低的心博数据筛选出来并发送给医生终端进行确认，大大减少了医生终端的工作量，从而提升了医生终端做出诊断报告的效率，也变相的减少了服务器和医生终端的数据传输量。
为了本领域技术人员更好的理解本申请限定的技术方案，以多个患者终端、服务器和医生终端为例，说明本申请心电图分析方法。
多个患者终端和服务器通过视联网相连，服务器和医生终端通过视联网相连。
心电设备采集多个患者终端的心电图数据，将心电图数据发送给服务器，服务器对心博数据进行分类，得到多组心博数据，使用服务器上存储的分类模型对多组心博数据分别进行识别和处理，得到多组心博数据对应的心博类型的概率，将概率小于设定阈值的心博数据发送给医生终端进行确认，医生终端重新对心博数据进行判断并确定心博类型，将分类模型确定的心博类型(第一心博类型)与医生终端确定的心博类型(第二心博类型)进行对比，若相同，则直接生成心电图诊断报告，若不同，则根据医生终端确定的心博类型作为最终的诊断结果，并生成心电图诊断报告。
需要说明的是，对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请所必需的。基于上述方法实施例的说明，本申请还提供了相应的装置实施例，来实现上述方法实施例所述的内容。
实施例三
参照图3，其示出了本申请实施例三所述一种心电图分析的装置的结构框图，具体包括：
心博数据模块301，用于获取心博数据。
分类模块302，用于将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率。
判断模块303，用于若所述概率小于设定阈值，将所述概率对应的心博数据以及所述第一心博类型发送给医生终端，以使所述医生终端根据所述心博数据确定所述心博数据的第二心博类型。
生成模块304，用于若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告。
可选的，所述生成模块，还用于若所述第一心博类型与所述第二心博类型不同，则将所述第二心博类型以及所述第二心博类型对应的心博数据作为所述分类模型的输入，对所述分类模型进行重新训练，直至所述分类模型收敛，以生成优化后的分类模型。
可选的，所述心博数据包括多组心博数据；
所述分类模块，具体用于，将多组心博数据分别输入到分类模型中，获得所述分类模型针对多组心博数据为不同心博类型的概率。
可选的，所述生成模块，具体用于若所述第一心博类型的相似度与所述第二心博类型的相似度满足设定条件，则确定所述第一心博类型与所述第二心博类型相同，并生成心电图诊断报告。
本实施例，通过分类模型对心博数据进行识别和处理，从而提高了心电图诊断的准确率，也就是说，通过人工智能技术，有效提升了心电图诊断的准确率。进一步的，本申请只将概率小于设定阈值的心博数据和第一心博类型发送给医生终端，以使所述医生终端对所述心博数据进行判断，并生成心电图诊断报告，也就是说，将概率低的心博数据筛选出来并发送给医生终端进行确认，大大减少了医生终端的工作量，从而提升了医生终端做出诊断报告的效率，也变相的减少了服务器和医生终端的数据传输量。
对于上述装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见所示方法实施例的部分说明即可。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述电子设备执行如所述的心电图分析方法。
本发明实施例还提供了一种计算机可读存储介质，其存储的计算机程序使得处理器执行所述的心电图分析方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本申请的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上对本申请所提供的一种心电图分析方法、装置、设备及介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种心电图分析的方法，其特征在于，包括：
获取心博数据；
将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率；
若所述概率小于设定阈值，将所述概率对应的心博数据以及所述第一心博类型发送给医生终端，以使所述医生终端根据所述心博数据确定所述心博数据的第二心博类型；
若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述第一心博类型与所述第二心博类型不同，则将所述第二心博类型以及所述第二心博类型对应的心博数据作为所述分类模型的输入，对所述分类模型进行重新训练，直至所述分类模型收敛，以生成优化后的分类模型。
3.根据权利要求1所述的方法，其特征在于，所述心博数据包括多组心博数据；
所述将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率包括：
将多组心博数据分别输入到分类模型中，获得所述分类模型针对多组心博数据为不同心博类型的概率。
4.根据权利要求1所述的方法，其特征在于，所述若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告的步骤包括：
若所述第一心博类型的相似度与所述第二心博类型的相似度满足设定条件，则确定所述第一心博类型与所述第二心博类型相同，并生成心电图诊断报告。
5.一种心电图分析的装置，其特征在于，包括：
心博数据模块，用于获取心博数据；
分类模块，用于将所述心博数据通过分类模型进行识别和处理，得到所述心博数据为第一心博类型的概率；
判断模块，用于若所述概率小于设定阈值，将所述概率对应的心博数据以及所述第一心博类型发送给医生终端，以使所述医生终端根据所述心博数据确定所述心博数据的第二心博类型；
生成模块，用于若所述第一心博类型与所述第二心博类型相同，则生成心电图诊断报告。
6.根据权利要求5所述的装置，其特征在于，所述生成模块，还用于若所述第一心博类型与所述第二心博类型不同，则将所述第二心博类型以及所述第二心博类型对应的心博数据作为所述分类模型的输入，对所述分类模型进行重新训练，直至所述分类模型收敛，以生成优化后的分类模型。
7.根据权利要求6所述的装置，其特征在于，所述心博数据包括多组心博数据；
所述分类模块，具体用于将多组心博数据分别输入到分类模型中，获得所述分类模型针对多组心博数据为不同心博类型的概率。
8.根据权利要求5所述的装置，其特征在于，所述生成模块，具体用于若所述第一心博类型的相似度与所述第二心博类型的相似度满足设定条件，则确定所述第一心博类型与所述第二心博类型相同，并生成心电图诊断报告。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1至4任一项所述的心电图分析的方法。
10.一种计算机可读存储介质，其特征在于，其存储的计算机程序使得处理器执行如权利要求1至4任一项所述的心电图分析的方法。
CN202111645999.1A 2021-12-29 2021-12-29 一种心电图分析方法、装置、设备及介质 Pending CN114429816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111645999.1A CN114429816A (zh) 2021-12-29 2021-12-29 一种心电图分析方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111645999.1A CN114429816A (zh) 2021-12-29 2021-12-29 一种心电图分析方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114429816A true CN114429816A (zh) 2022-05-03

Family

ID=81310937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111645999.1A Pending CN114429816A (zh) 2021-12-29 2021-12-29 一种心电图分析方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114429816A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117717351A (zh) * 2024-02-08 2024-03-19 南京鼓楼医院集团宿迁医院有限公司 一种基于蓝牙传输的心电图机快速辅助匹配方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117717351A (zh) * 2024-02-08 2024-03-19 南京鼓楼医院集团宿迁医院有限公司 一种基于蓝牙传输的心电图机快速辅助匹配方法和系统
CN117717351B (zh) * 2024-02-08 2024-05-14 南京鼓楼医院集团宿迁医院有限公司 一种基于蓝牙传输的心电图机快速辅助匹配方法和系统

Similar Documents

Publication Publication Date Title
Khafaga et al. Optimization of Electrocardiogram Classification Using Dipper Throated Algorithm and Differential Evolution.
CN106815570B (zh) 一种基于动态模式识别的心电信号st-t段识别方法
CN109259756B (zh) 基于非平衡训练的二级神经网络的ecg信号处理方法
Demirel et al. Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things
Parvaneh et al. Electrocardiogram monitoring and interpretation: from traditional machine learning to deep learning, and their combination
CN107440679A (zh) 用于检测心电图异常的方法及对应系统
CN110558975A (zh) 一种基于lrf-elm和blstm的心电信号分类方法及系统
Zidelmal et al. Heartbeat classification using support vector machines (SVMs) with an embedded reject option
Zhang et al. Cardiac arrhythmia classification by time–frequency features inputted to the designed convolutional neural networks
CN115470832A (zh) 一种基于区块链的心电信号数据处理方法
Liu et al. ECG-based heart arrhythmia diagnosis through attentional convolutional neural networks
CN116473569A (zh) 一种心电图数据处理方法、系统及存储介质
Xie et al. Intelligent analysis of premature ventricular contraction based on features and random forest
CN114429816A (zh) 一种心电图分析方法、装置、设备及介质
Allam et al. Multi-stream Bi-GRU network to extract a comprehensive feature set for ECG signal classification
CN111528833B (zh) 一种心电信号的快速识别与处理方法及系统
CN108836312B (zh) 一种基于人工智能的进行杂波剔除的方法及系统
Jothiramalingam et al. Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease.
Kumar et al. Covering rough set-based classification for cardiac arrhythmia
Eleyan et al. Multi-Classifier Deep Learning based System for ECG Classification Using Fourier Transform
KR20230096392A (ko) 심장 박동 분류 방법 및 장치, 그리고 심장 박동 분류 모델의 학습 방법
Rodrigues et al. The issue of automatic classification of heartbeats
Lu et al. A New Multichannel Parallel Network Framework for the Special Structure of Multilead ECG
Sadeghi et al. Diagnosing left bundle branch block in 12-lead electrocardiogram using self-attention convolutional neural networks
CN113712525A (zh) 一种生理参数处理方法、装置及医疗设备

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