CN114533264A - 一种无症状性冠脉疾病的预测模型训练方法、装置及系统 - Google Patents
一种无症状性冠脉疾病的预测模型训练方法、装置及系统 Download PDFInfo
- Publication number
- CN114533264A CN114533264A CN202210085126.8A CN202210085126A CN114533264A CN 114533264 A CN114533264 A CN 114533264A CN 202210085126 A CN202210085126 A CN 202210085126A CN 114533264 A CN114533264 A CN 114533264A
- Authority
- CN
- China
- Prior art keywords
- training
- prediction
- model
- prediction model
- coronary artery
- 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
- 238000012549 training Methods 0.000 title claims abstract description 172
- 208000029078 coronary artery disease Diseases 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 25
- 238000010200 validation analysis Methods 0.000 claims description 15
- 238000002583 angiography Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 201000000057 Coronary Stenosis Diseases 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 210000004351 coronary vessel Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Robotics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种无症状性冠脉疾病的预测模型训练方法、装置及系统。该预测模型训练装置还包括数据处理单元、模型构建单元以及训练输出单元。该预测模型训练系统包括如前所述的无症状性冠脉疾病的预测模型训练装置以及数据存储模块。通过根据预设的ResNet‑50架构以及预设的Squeeze‑and‑Excitation模块所构建的预测模型,并根据获取的第一训练数据组对该预测模型进行训练以获得第一预测模型,该预测模型训练方法、装置及系统提升了所训练出的无症状性冠脉疾病的预测模型的准确度。
Description
技术领域
本发明涉及无症状性冠脉疾病的预测模型训练领域,涉及一种无症状性冠脉疾病的预测模型训练方法、装置及系统。
背景技术
冠状动脉疾病(CAD)是由于冠状动脉粥样硬化斑块形成而导致血流减少、远端心肌缺血的一类疾病。它是全球成年人的主要致死原因,是人类预期寿命缩短、生活质量减低的重要原因,为全球医疗和经济带来了沉重的负担。其中,无症状型冠脉疾病,包括无症状心肌缺血,是冠状动脉疾病(CAD)的常见类型,但由于缺乏典型的临床症状和特异性标志,常常被漏诊;因此,对存在无症状型冠脉疾病个体的筛查、识别和诊断是亟待解决的重要问题。
在现有技术中,通常使用传统的12导联心电图(ECG)进行检查,ECG是一种临床常用的、低成本、非侵入性心脏电生理检查手段,动态心电监测也被临床广泛运用,作为高危人群筛查的重要方法;在此基础上,现有技术还采用基于ECG的预测模型对无症状性冠脉疾病进行预测。
但是,现有技术仍存在如下缺陷:传统心电图和动态心电监测面临耗费人力且高度依赖个人的专业知识、缺乏提示冠脉疾病的特异性标志;现有技术中的预测模型准确度较低。
因此,当前需要一种无症状性冠脉疾病的预测模型训练方法、装置及系统,从而克服现有技术中存在的上述缺陷。
发明内容
针对现存的上述技术问题,本发明的目的在于提供一种无症状性冠脉疾病的预测模型训练方法、装置及系统,从而提升所训练出的无症状性冠脉疾病的预测模型的准确度。
本发明提供了一种无症状性冠脉疾病的预测模型训练方法,所述预测模型训练方法包括:获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组;所述第一训练数据组包括第一训练集、第一验证集以及第一测试集;根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型;根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型。
在一个实施例中,获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组,具体包括:收集预设的数量的训练数据组;所述训练数据组包括心电图以及血管造影图像;根据预设的冠脉狭窄判断标准,对所述血管造影图像进行判断和标记以获得第一血管造影图像,对所述心电图进行缩减处理以获得第一心电图,并将第一血管造影图像以及第一心电图作为第一训练数据组;根据预设的划分比例,将所述第一训练数据组划分为第一训练集、第一验证集以及第一测试集。
在一个实施例中,根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型,具体包括:将预设的Squeeze-and-Excitation模块嵌入预设的ResNet-50架构中,从而获得预测模型。
在一个实施例中,根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型,具体包括:通过所述第一训练集以及所述第一验证集对所述预测模型进行训练,从而获得训练预测模型;通过所述第一测试集对所述训练预测模型进行评估测试,并根据评估结果输出第一预测模型。
本发明还提供了一种无症状性冠脉疾病的预测模型训练装置,所述预测模型训练装置还包括数据处理单元、模型构建单元以及训练输出单元,其中,所述数据处理单元用于获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组;所述第一训练数据组包括第一训练集、第一验证集以及第一测试集;所述模型构建单元用于根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型;所述训练输出单元用于根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型。
在一个实施例中,所述预测模型训练装置还包括疾病预测单元,所述疾病预测单元用于:接收用户输入的待预测数据组;所述待预测数据组包括待预测心电图以及待预测血管造影图像;根据所述第一预测模型,对所述待预测心电图以及待预测血管造影图像进行识别预测,从而输出预测结果。
在一个实施例中,所述预测模型训练装置还包括用户交互单元,所述用户交互单元用于将所述预测结果发送给所述用户。
在一个实施例中,所述预测模型训练装置还包括模型修正单元,所述模型修正单元用于:接收所述用户根据所述预测结果发送的预测反馈信息;所述预测反馈信息包括预测准确性以及真实结果;当预测不准确时,将所述真实结果、所述待预测心电图以及所述待预测血管造影图像存储入第一训练数据组中,并根据所述第一训练数据组,对所述第一预测模型进行更新训练。
本发明还提供了一种无症状性冠脉疾病的预测模型训练系统,所述预测模型训练系统包括如前所述的无症状性冠脉疾病的预测模型训练装置以及数据存储模块,所述预测模型训练装置与所述数据存储模块通信连接,所述数据存储模块用于存储所有数据。
在一个实施例中,所述预测模型训练系统还包括用户交互模块,所述用户交互模块包括触摸/不可触摸屏幕、输入键盘、虚拟键盘、指示灯、麦克风或扬声器。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供了一种无症状性冠脉疾病的预测模型训练方法、装置及系统,通过根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块所构建的预测模型,并根据获取的第一训练数据组对该预测模型进行训练以获得第一预测模型,该预测模型训练方法、装置及系统提升了所训练出的无症状性冠脉疾病的预测模型的准确度。
附图说明
下文将结合说明书附图对本发明进行进一步的描述说明,其中:
图1示出了根据本发明的一种无症状性冠脉疾病的预测模型训练方法的一个实施例的流程图;
图2示出了根据本发明的一种无症状性冠脉疾病的预测模型训练装置的一个实施例的结构图;
图3示出了根据本发明的一种无症状性冠脉疾病的预测模型训练系统的一个实施例的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
具体实施例一
本发明实施例首先描述了一种无症状性冠脉疾病的预测模型训练方法。图1示出了根据本发明的一种无症状性冠脉疾病的预测模型训练方法的一个实施例的流程图。
如图1所示,该预测模型训练方法包括如下步骤:
S1:获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组。
为了后续建模准确,首先需要收集用于训练模型的数据,在一个实施例中,收集心电图和血管造影图像,将每位成年患者的标准12导联心电图和血管造影图像以4周或更短时间间隔进行配对,共收集肉眼判定心电图无异常的无症状性冠脉疾病病例和对照组共15000例。
在收集了用于训练模型的数据后,在进行模型训练之前,还需要对该数据进行预处理,具体地,既需要根据预设的冠脉狭窄判断标准对血管造影图像进行判断,又需要对心电图进行矩阵数据缩减。在一个实施例中,预设的冠脉狭窄判断标准为至少一根冠状动脉主要血管存在不少于50%的狭窄(左主干、前降支、回旋支,或右冠状动脉)。每例ECG原始数据由一个5000×12矩阵(12导联中10秒的500Hz数据)组成。因为增强导联(Ⅲ,avR,avL,avF)是作为其他导联的线性函数创建的,不包含增量信息,因此,在一个实施例中,本发明实施例纳入了Ⅰ,Ⅱ和V1-V6的八个独立ECG导联,从而将心电图的5000×12矩阵缩减为5000×8矩阵。
在进行数据预处理后,为了后续模型训练能够趋向高准确性,需要将预处理后的数据以预设的划分比例进行划分,从而将预处理后的数据划分为训练集、验证集以及测试集。在一个实施例中,预设的划分比例为8:1:1。
在一个实施例中,获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组,具体包括:收集预设的数量的训练数据组;根据预设的冠脉狭窄判断标准,对所述血管造影图像进行判断和标记以获得第一血管造影图像,对所述心电图进行缩减处理以获得第一心电图,并将第一血管造影图像以及第一心电图作为第一训练数据组;根据预设的划分比例,将所述第一训练数据组划分为第一训练集、第一验证集以及第一测试集。
其中,所述训练数据组包括心电图以及血管造影图像。第一训练数据组包括第一训练集、第一验证集以及第一测试集。
S2:根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型。
在一个实施例中,根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型,具体包括:将预设的Squeeze-and-Excitation模块嵌入预设的ResNet-50架构中,从而获得预测模型。通过上述模型构建过程所获得的预测模型计算性能得到显著加强。
除了模型架构之外,本发明实施例在模型构建过程中还采用交叉熵(CrossEntropy)作为损失函数,采用了Adam优化器,该优化器参数如下:权重衰减(L2正则化)=2×10-5,学习率=3×10-3。这些参数可以帮助解决过拟合问题,实现快速数据收敛,并调整学习速度。模型训练于使用Pytorch完成,Epoch设定为600。
S3:根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型。
在一个实施例中,根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型,具体包括:通过所述第一训练集以及所述第一验证集对所述预测模型进行训练,从而获得训练预测模型;通过所述第一测试集对所述训练预测模型进行评估测试,并根据评估结果输出第一预测模型。
在一个实施例中,为了提升该第一预测模型的结果可视性,该预测模型训练方法还包括:将所述预测结果发送给所述用户。
在一个实施例中,为了始终保证第一预测模型的准确性,该预测模型训练方法还包括:接收所述用户根据所述预测结果发送的预测反馈信息;所述预测反馈信息包括预测准确性以及真实结果;当预测不准确时,将所述真实结果、所述待预测心电图以及所述待预测血管造影图像存储入第一训练数据组中,并根据所述第一训练数据组,对所述第一预测模型进行更新训练。
本发明实施例描述了一种无症状性冠脉疾病的预测模型训练方法,通过根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块所构建的预测模型,并根据获取的第一训练数据组对该预测模型进行训练以获得第一预测模型,该预测模型训练方法提升了所训练出的无症状性冠脉疾病的预测模型的准确度。
具体实施例二
除上述方法外,本发明实施例还描述了一种无症状性冠脉疾病的预测模型训练装置。图2示出了根据本发明的一种无症状性冠脉疾病的预测模型训练装置的一个实施例的结构图。
如图所示,该预测模型训练装置还包括数据处理单元11、模型构建单元12以及训练输出单元13。
其中,数据处理单元11用于获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组。所述第一训练数据组包括第一训练集、第一验证集以及第一测试集。
模型构建单元12用于根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型。
训练输出单元13用于根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型。
在一个实施例中,所述预测模型训练装置还包括疾病预测单元,所述疾病预测单元用于:接收用户输入的待预测数据组;所述待预测数据组包括待预测心电图以及待预测血管造影图像;根据所述第一预测模型,对所述待预测心电图以及待预测血管造影图像进行识别预测,从而输出预测结果。
在一个实施例中,所述预测模型训练装置还包括用户交互单元,所述用户交互单元用于将所述预测结果发送给所述用户。
在一个实施例中,所述预测模型训练装置还包括模型修正单元,所述模型修正单元用于:接收所述用户根据所述预测结果发送的预测反馈信息;所述预测反馈信息包括预测准确性以及真实结果;当预测不准确时,将所述真实结果、所述待预测心电图以及所述待预测血管造影图像存储入第一训练数据组中,并根据所述第一训练数据组,对所述第一预测模型进行更新训练。
本发明实施例描述了一种无症状性冠脉疾病的预测模型训练装置,通过根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块所构建的预测模型,并根据获取的第一训练数据组对该预测模型进行训练以获得第一预测模型,该预测模型训练装置提升了所训练出的无症状性冠脉疾病的预测模型的准确度。
具体实施例三
除上述方法和装置外,本发明还描述了一种无症状性冠脉疾病的预测模型训练系统。图3示出了根据本发明的一种无症状性冠脉疾病的预测模型训练系统的一个实施例的结构图。
如图所示,该预测模型训练系统包括如前所述的无症状性冠脉疾病的预测模型训练装置1以及数据存储模块2,所述预测模型训练装置1与所述数据存储模块2通信连接,所述数据存储模块2用于存储所有数据。
在一个实施例中,所述预测模型训练系统还包括用户交互模块,所述用户交互模块包括触摸/不可触摸屏幕、输入键盘、虚拟键盘、指示灯、麦克风或扬声器。
本发明实施例描述了一种无症状性冠脉疾病的预测模型训练系统,通过根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块所构建的预测模型,并根据获取的第一训练数据组对该预测模型进行训练以获得第一预测模型,该预测模型训练系统提升了所训练出的无症状性冠脉疾病的预测模型的准确度。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种无症状性冠脉疾病的预测模型训练方法,其特征在于,所述预测模型训练方法包括:
获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组;所述第一训练数据组包括第一训练集、第一验证集以及第一测试集;
根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型;
根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型。
2.根据权利要求1所述的无症状性冠脉疾病的预测模型训练方法,其特征在于,获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组,具体包括:
收集预设的数量的训练数据组;所述训练数据组包括心电图以及血管造影图像;
根据预设的冠脉狭窄判断标准,对所述血管造影图像进行判断和标记以获得第一血管造影图像,对所述心电图进行缩减处理以获得第一心电图,并将第一血管造影图像以及第一心电图作为第一训练数据组;
根据预设的划分比例,将所述第一训练数据组划分为第一训练集、第一验证集以及第一测试集。
3.根据权利要求2所述的无症状性冠脉疾病的预测模型训练方法,其特征在于,根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型,具体包括:将预设的Squeeze-and-Excitation模块嵌入预设的ResNet-50架构中,从而获得预测模型。
4.根据权利要求3所述的无症状性冠脉疾病的预测模型训练方法,其特征在于,根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型,具体包括:
通过所述第一训练集以及所述第一验证集对所述预测模型进行训练,从而获得训练预测模型;
通过所述第一测试集对所述训练预测模型进行评估测试,并根据评估结果输出第一预测模型。
5.一种无症状性冠脉疾病的预测模型训练装置,其特征在于,所述预测模型训练装置还包括数据处理单元、模型构建单元以及训练输出单元,其中,
所述数据处理单元用于获取训练数据组,并对所述训练数据组进行预处理,从而获得第一训练数据组;所述第一训练数据组包括第一训练集、第一验证集以及第一测试集;
所述模型构建单元用于根据预设的ResNet-50架构以及预设的Squeeze-and-Excitation模块,构建预测模型;
所述训练输出单元用于根据所述第一训练集、所述第一验证集、所述第一测试集以及所述预测模型,训练评估以获得第一预测模型。
6.根据权利要求5所述的无症状性冠脉疾病的预测模型训练装置,其特征在于,所述预测模型训练装置还包括疾病预测单元,所述疾病预测单元用于:
接收用户输入的待预测数据组;所述待预测数据组包括待预测心电图以及待预测血管造影图像;
根据所述第一预测模型,对所述待预测心电图以及待预测血管造影图像进行识别预测,从而输出预测结果。
7.根据权利要求6所述的无症状性冠脉疾病的预测模型训练装置,其特征在于,所述预测模型训练装置还包括用户交互单元,所述用户交互单元用于将所述预测结果发送给所述用户。
8.根据权利要求7所述的无症状性冠脉疾病的预测模型训练装置,其特征在于,所述预测模型训练装置还包括模型修正单元,所述模型修正单元用于:
接收所述用户根据所述预测结果发送的预测反馈信息;所述预测反馈信息包括预测准确性以及真实结果;
当预测不准确时,将所述真实结果、所述待预测心电图以及所述待预测血管造影图像存储入第一训练数据组中,并根据所述第一训练数据组,对所述第一预测模型进行更新训练。
9.一种无症状性冠脉疾病的预测模型训练系统,其特征在于,所述预测模型训练系统包括如权利要求5-8任一项所述的无症状性冠脉疾病的预测模型训练装置以及数据存储模块,所述预测模型训练装置与所述数据存储模块通信连接,所述数据存储模块用于存储所有数据。
10.根据权利要求9所述的无症状性冠脉疾病的预测模型训练系统,其特征在于,所述预测模型训练系统还包括用户交互模块,所述用户交互模块包括触摸/不可触摸屏幕、输入键盘、虚拟键盘、指示灯、麦克风或扬声器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085126.8A CN114533264A (zh) | 2022-01-25 | 2022-01-25 | 一种无症状性冠脉疾病的预测模型训练方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085126.8A CN114533264A (zh) | 2022-01-25 | 2022-01-25 | 一种无症状性冠脉疾病的预测模型训练方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114533264A true CN114533264A (zh) | 2022-05-27 |
Family
ID=81672088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210085126.8A Pending CN114533264A (zh) | 2022-01-25 | 2022-01-25 | 一种无症状性冠脉疾病的预测模型训练方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114533264A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010049112A1 (en) * | 1998-09-04 | 2001-12-06 | Leuven Research & Development Vzw | Detection and determination of the stages of coronary artery disease |
CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
CN113052227A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-ResNet的肺结核识别方法 |
CN113362329A (zh) * | 2021-08-11 | 2021-09-07 | 北京航空航天大学杭州创新研究院 | 病灶检测模型的训练方法及识别图像中的病灶的方法 |
CN113592939A (zh) * | 2021-07-20 | 2021-11-02 | 燕山大学 | 基于冠脉造影图像判断狭窄血管尺寸的深度学习方法 |
-
2022
- 2022-01-25 CN CN202210085126.8A patent/CN114533264A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010049112A1 (en) * | 1998-09-04 | 2001-12-06 | Leuven Research & Development Vzw | Detection and determination of the stages of coronary artery disease |
CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
CN113052227A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-ResNet的肺结核识别方法 |
CN113592939A (zh) * | 2021-07-20 | 2021-11-02 | 燕山大学 | 基于冠脉造影图像判断狭窄血管尺寸的深度学习方法 |
CN113362329A (zh) * | 2021-08-11 | 2021-09-07 | 北京航空航天大学杭州创新研究院 | 病灶检测模型的训练方法及识别图像中的病灶的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | The obf database: A large face video database for remote physiological signal measurement and atrial fibrillation detection | |
EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
CN105852846B (zh) | 测试心脏运动功能的设备、系统和方法 | |
TWI700708B (zh) | 一種基於混合傳感的生理監測及分析方法、系統 | |
US10278595B2 (en) | Analysis and characterization of patient signals | |
AU2011213041B2 (en) | System and method for diagnosing sleep apnea based on results of multiple approaches to sleep apnea identification | |
Chen et al. | Intelligent heartsound diagnostics on a cellphone using a hands-free kit | |
CN111067503A (zh) | 一种基于心率变异性的睡眠分期方法 | |
CN110767316A (zh) | 一种创伤输血预测模型建立方法、确定输血量的方法及系统 | |
CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
CN117558428B (zh) | 一种用于肝脏mri的成像优化方法及系统 | |
Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
CN117017310A (zh) | 基于知识蒸馏的声电双模先天性心脏病预测装置 | |
CN111276218A (zh) | 一种精准诊疗系统、设备及方法 | |
CN114533264A (zh) | 一种无症状性冠脉疾病的预测模型训练方法、装置及系统 | |
CN112842355B (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
KR102271793B1 (ko) | 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법 | |
Chen et al. | Beat-to-beat heart rate detection based on seismocardiogram using BiLSTM network | |
KR20220162767A (ko) | 원격 환자 검진 및 분류를 위한 시스템 및 방법 | |
KR102645586B1 (ko) | 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법 | |
US10512412B2 (en) | Method of ECG evaluation based on universal scoring system | |
RU2751817C1 (ru) | Компьютеризированный способ неинвазивного выявления нарушений углеводного обмена по вариабельности сердечного ритма и носимое автономное устройство для его реализации | |
WO2022044130A1 (ja) | 肺音分析システム | |
AU2021101272A4 (en) | An artificial intelligence based heart rate monitoring system for sports training |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220527 |