CN114668401B - 一种ai心电训练数据标注方法、装置、电子设备及介质 - Google Patents
一种ai心电训练数据标注方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114668401B CN114668401B CN202210242674.7A CN202210242674A CN114668401B CN 114668401 B CN114668401 B CN 114668401B CN 202210242674 A CN202210242674 A CN 202210242674A CN 114668401 B CN114668401 B CN 114668401B
- Authority
- CN
- China
- Prior art keywords
- data
- heart
- heartbeat
- heart beat
- determining
- 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
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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/353—Detecting P-waves
-
- 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
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/358—Detecting ST segments
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (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)
Abstract
本申请涉及医疗诊断的领域,尤其是涉及一种AI心电训练数据标注方法、装置、电子设备及介质。方法包括:获取心电图数据;识别心电图数据中的至少一个心搏产生信号,心搏产生信号表征每次心脏搏动的时刻与心脏搏动时产生的电压变化波形;根据至少一个心搏产生信号,确定心律异常事件;将心律异常事件标注在心电图数据中,生成样本数据。本申请具有提高样本数据标注效率的效果。
Description
技术领域
本申请涉及医疗诊断的领域,尤其是涉及一种AI心电训练数据标注方法、装置、电子设备及介质。
背景技术
心电图是一种常规体检项目,经常用于对心脏疾病的诊断中,是诊断急性心肌缺血和心律失常最便捷最准确的无创性技术。患者心脏每次搏动会产生一个电激动,通过心电监测机捕捉患者每次心脏搏动形成电激动时产生的电压变化进而形成心电图。
检测后的心电图数据中,将显示患者在一个检测周期内的所有心脏搏动的时刻和心脏搏动时产生的电压波形,在心脏正常搏动一次,产生的电压波形应该是由一个P波、一个QRS波群以及一个T波可能还有一个U波而组成的电压波形。
医生往往通过患者的心电图数据对患者在当前检测周期内产生的各种电压波形判断患者是否发生心律异常事件,进而对患者的心脏健康状况进行判断。
目前对患者是否发生心律异常事件的判断可以通过人工智能技术自动判断,利用深度学习训练后的模型自动根据心电图数据判断患者在当前检测周期内是否发生心律异常事件,提高医生的诊断效率。
深度学习是一个复杂的机器学习算法,通过多层神经网络的参数和特征提取,进行深度学习进而获得原始数据的内在规律并提取出高层级特征。
深度学习应用之前需要进行模型训练,模型训练需要使用训练集、验证集以及测试集的数据,在模型训练过程中,首先调用算法对训练集进行训练,再经过验证集的验证与测试集的测试,完成模型训练,在应用过程中直接将数据经模型处理后获得对应结果。训练集为标注后的样本数据,由此可见,在规模越大的情况下,训练集的准确度以及训练集的数据需求量逐步攀升。
但是,目前样本数据的标注由人工手动在心电图数据中挨个进行标注,人工负担重,效率低。
发明内容
为了减轻人工手动标注数据的负担,本申请提供一种AI心电训练数据标注方法、装置、电子设备及介质。
第一方面,本申请提供一种AI心电训练数据标注方法,采用如下的技术方案:
一种AI心电训练数据标注方法,包括:
获取心电图数据;
识别所述心电图数据中的至少一个心搏产生信号,所述心搏产生信号表征每次心脏搏动的时刻与心脏搏动时产生的电压变化波形;
根据所述至少一个心搏产生信号,确定心律异常事件;
将所述心律异常事件标注在所述心电图数据中,生成样本数据。
通过采用上述技术方案,根据心电图数据,识别出每次心脏搏动时刻产生的心搏产生信号,根据所有的心搏产生信号,识别在当前的心电图数据中是否有心律异常事件,并将心律异常事件标注在心电图数据中生成样本数据,自动标注出心律异常事件,减小了工作人员手动标注的工作量,提高了样本数据标注的效率。
在一种可能的实现方式中,每个所述心搏产生信号包括表征心脏搏动时刻的心搏时刻信号和表征对应心脏搏动时刻的搏动情况的心搏电压信号;
其中,所述根据所述至少一个心搏产生信号,确定心律异常事件,包括:
基于每个所述心搏电压信号,识别每个心搏电压信号对应的心搏类型;
基于至少一个所述心搏时刻信号,确定心搏心率;
基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件;
所述心搏类型包括多种类型的心脏搏动,所述心搏心率表征当前心电图数据的平均心率。
通过采用上述技术方案,根据每个心搏时刻信号可以确定出在当前心电图数据中的所有心搏时刻信号的个数,继而可以计算出当前患者的心搏心率,根据每次心脏搏动时产生的电压波形即心搏电压信号,确定出当前一次心脏搏动对应的心搏类型,再确定出每次心脏搏动的心搏类型,根据所有心脏搏动的心搏类型与心搏心率共同确定出当前心电图数据中是否有心律异常事件,并将心律异常事件标注的心电图上。
在一种可能的实现方式中,所述心搏类型包括窦性心率、室性早搏以及室上性早搏,其中,所述基于每个所述心搏电压信号,识别每个心搏电压信号对应的心搏类型,包括:识别每个所述心搏电压信号的波群特征,所述波群特征为心电图中出现的P波、Q波、R波、S波以及T波的波形;
基于所有的所述波群特征,判断Q波、R波以及S波组成的QRS波群的时长宽度是否超出预设的宽度基准,并识别所述QRS波群与所述T波的方向;
若所述时长宽度超过预设的宽度基准且所述QRS波群与所述T波的方向相反,则确定对应的心搏类型为室性早搏;
若所述时长宽度小于预设的宽度基准,且所述QRS波群与所述T波的方向相同,则确定每两个相邻心搏电压信号的R波间的时间间隔的RR间期,
之后计算每个RR间期与与之相邻的上一个RR间期的差值;
若所述差值的绝对值小于预设的基准阈值,则所述心搏电压信号对应的心搏类型为窦性心率;若所述差值的绝对值大于预设的基准阈值且所述差值为负值,则所述心搏电压信号对应的心搏类型为室上性早搏。
通过采用上述技术方案,心搏电压信号反应了心脏搏动时刻产生的电位波形,通过心搏电压信号中的电位波形,检测识别到每个心搏电压信号中的波群特征,包括P、Q、R、S以及T波,根据波群特征,首先判断QRS波群的时长宽度,在时长宽度大于宽度基准并且QRS波群的方向与T波方向相反,则判断该处的心搏类型为室性早搏;在时长宽度小于宽度基准并且QRS波群的方向与T波相同,则可能为窦性心率也可能为室上性早搏,再通过RR间期判断,若相邻的各个RR间期保持一致,则该处的心搏类型为窦性心率,若RR间期超前,则该处的心搏类型为室上性早搏,因此确定出各个心脏搏动时刻对应的心搏类型,提高了确定识别心搏类型的准确率。
在一种可能的实现方式中,所述将所述心律异常事件标注在所述心电图数据中,生成样本数据,包括:
基于所述心律异常事件确定所述心律异常事件的时间间隔;
判断所述时间间隔是否小于预设的间隔基准,并确定所述心律异常事件对应的标注长度;
若是,则确定所述标注长度为预设的间隔基准的长度;
若否,则确定所述标注长度为所述时间间隔的长度;
基于所述标注长度,将所述心律异常事件以所述标注长度标注在所述心电图数据中。
通过采用上述技术方案,在存在心律异常事件时,将心律异常事件以标注长度标注在心电图数据中,当心律异常事件的时间短于预设的间隔基准时,将心律异常事件扩展到与预设的间隔基准相等同的长度进行标注,当心律异常事件的时间长于预设的间隔基准时,将心律异常事件自动按照心律异常事件的发生长度进行标注,在心律异常事件发生的时间太短时,标注在心电图数据中的长度太小,清晰度不高,提高了清晰度的同时更便于使用大量样本数据进行深度学习训练。
在一种可能的实现方式中,所述基于至少一个所述心搏类型与所述心搏心率,确定心律异常事件,之前还包括:
基于至少一个所述心搏类型,生成表征窦性心率占比的窦性占比数据;
判断所述窦性占比数据是否低于预设的占比阈值;
若否,则删除该心电图数据,并重新执行所述获取心电图数据的步骤;
若是,则基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件。
通过采用上述技术方案,计算窦性心率即正常心率在所有心搏类型中的占比并比较,当正常心率在所有心搏类型中的占比过大时,则表征该条样本数据中存在非常多的正常心率,对于此类数据在深度学习训练过程中的训练效率不高,因此将正常心率占比过大的心电图数据剔除,不进行心律异常事件的标注,若正常心率占比正常,则继续识别该条心电图数据,提高了样本数据的有效性。
在一种可能的实现方式中,所述心搏产生信号包括伪差数据,所述心搏类型还包括伪差数据,所述伪差数据为实际操作过程中由于各种干扰而造成波形畸变的误差数据;
其中,所述基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件,之前还包括:基于所述心搏产生信号,识别所述心电图数据中的伪差数据;
确定表征伪差数据在所有心搏类型中的数量占比的伪差占比数据;
判断所述伪差占比数据是否大于预设的伪差阈值;
若是,则删除所述心电图数据,并重新执行所述获取心电图数据的步骤;
若否,则继续执行所述基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件的步骤。
通过采用上述技术方案,确定心搏产生信号中的伪差数据的占比,当占比过多时,表征该条心电图数据中的伪差数据太多,生成的样本数据用于训练时将影响训练的准确性,因此在伪差数据占比大于预设的伪差阈值时将该条心电图数据删除,在占比低于预设的伪差阈值时,正常识别该条心电图数据中的心律异常事件,并标注生成样本数据,因此提高了样本数据的识别有效性。
在一种可能的实现方式中,所述基于所述心搏产生信号,识别所述心电图数据中的伪差数据,包括:
识别所述心搏产生信号中的波群特征;
根据所述波群特征,判断所述心搏产生信号中的每个波群中是否均包括Q波、R波、S波以及T波;
若均不包括,则确定所述心搏类型为伪差数据。
通过采用上述技术方案,伪差数据在心电图数据的呈现中,多为杂乱无章的波形,往往缺少完整的波群特征;因此通过对心搏产生信号中的各个波群特征进行分析,在每个心搏产生信号中,若对应的心搏产生信号中缺少Q波、R波、S波、T波,则表征该心搏产生时刻对应的心搏类型为伪差数据,以此识别出心电图中的伪差数据,误判率低。
第二方面,本申请提供一种AI心电训练数据标注装置,采用如下的技术方案:
心电训练数据标注装置,包括:
心电图数据获取模块,用于获取心电图数据;
心搏识别模块,用于识别所述心电图数据中的至少一个心搏产生信号,所述心搏产生信号表征每次心脏搏动的时刻与心脏搏动时产生的电压变化波形;
心律事件确定模块,用于根据所述至少一个心搏产生信号,确定心律异常事件;
标注模块,用于将所述心律异常事件标注在所述心电图数据中,生成样本数据。
通过采用上述技术方案,心搏识别模块对心电图数据获取模块获取的心电图数据进行识别,确定出在每次心跳时产生的心搏产生信号,心律事件确定模块通过心搏产生信号识别出在心电图数据中的心律异常事件,利用标注模块将心律异常事件标注在心电图中,因此减小了工作人员手动标注的工作量,只需工作人员对标注后的样本数据进行检查,进而提高了对样本数据标注的效率。
在一种可能的实现方式中,每个所述心搏产生信号包括表征心脏搏动时刻的心搏时刻信号和表征对应心脏搏动时刻的搏动情况的心搏电压信号;
其中,心律事件确定模块在所述根据所述至少一个心搏产生信号,确定心律异常事件时,具体用于:
基于每个所述心搏电压信号,识别每个心搏电压信号对应的心搏类型;
基于至少一个所述心搏时刻信号,确定心搏心率;
基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件;
所述心搏类型包括多种类型的心脏搏动,所述心搏心率表征当前心电图数据的平均心率。
在一种可能的实现方式中,所述心搏类型包括窦性心率、室性早搏以及室上性早搏,其中,心律事件确定模块在基于每个所述心搏电压信号,识别每个心搏电压信号对应的心搏类型时,具体用于:
识别每个所述心搏电压信号的波群特征,所述波群特征为心电图中出现的P波、Q波、R波、S波以及T波的波形;
基于所有的所述波群特征,判断Q波、R波以及S波组成的QRS波群的时长宽度是否超出预设的宽度基准,并识别所述QRS波群与所述T波的方向;
若所述时长宽度超过预设的宽度基准且所述QRS波群与所述T波的方向相反,则确定对应的心搏类型为室性早搏;
若所述时长宽度小于预设的宽度基准,且所述QRS波群与所述T波的方向相同,则确定每两个相邻心搏电压信号的R波间的时间间隔的RR间期,
计算每个RR间期与与之相邻的上一个RR间期的差值;
若所述差值的绝对值小于预设的基准阈值,则所述心搏电压信号对应的心搏类型为窦性心率;若所述差值的绝对值大于预设的基准阈值且所述差值为负值,则所述心搏电压信号对应的心搏类型为室上性早搏。
在一种可能的实现方式中,标注模块在所述将所述心律异常事件标注在所述心电图数据中,生成样本数据时,具体用于:
基于所述心律异常事件确定所述心律异常事件的时间间隔;
判断所述时间间隔是否小于预设的间隔基准,并确定所述心律异常事件对应的标注长度;
若是,则确定所述标注长度为预设的间隔基准的长度;
若否,则确定所述标注长度为所述时间间隔的长度;
基于所述标注长度,将所述心律异常事件以所述标注长度标注在所述心电图数据中。
在一种可能的实现方式中,所述AI心电训练数据标注装置还包括:
第一计算模块,用于基于至少一个所述心搏类型,生成表征窦性心率占比的窦性占比数据;第一判断模块,用于判断所述窦性占比数据是否低于预设的占比阈值;
第一执行模块,用于若否,则删除该心电图数据,并重新执行所述获取心电图数据的步骤;若是,则基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件。
在一种可能的实现方式中,所述AI心电训练数据标注装置还包括:
伪差识别模块,用于基于所述心搏产生信号,识别所述心电图数据中的伪差数据;
第二计算模块,用于确定表征伪差数据在所有心搏类型中的数量占比的伪差占比数据;
第二判断模块,用于判断所述伪差占比数据是否大于预设的伪差阈值;
第二执行模块,用于若是,则删除所述心电图数据,并重新执行所述获取心电图数据的步骤;若否,则继续执行所述基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件的步骤。
在一种可能的实现方式中,伪差识别模块在识别所述心搏产生信号中的伪差数据时,具体用于:
识别所述心搏产生信号中的波群特征;
根据所述波群特征,判断所述心搏产生信号中的每个波群中是否均包括Q波、R波、S波以及T波;
若均不包括,则确定所述心搏类型为伪差数据。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述AI心电训练数据标注的方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述AI心电训练数据标注方法的计算机程序。
综上所述,本申请包括以下有益技术效果:
1.根据心电图数据,识别出每次心脏搏动时刻产生的心搏产生信号,根据所有的心搏产生信号,识别在当前的心电图数据中是否有心律异常事件,并将心律异常事件标注在心电图数据中生成样本数据,自动标注出心律异常事件,减小了工作人员手动标注的工作量,提高了样本数据标注的效率。
2.计算窦性心率即正常心率在所有心搏类型中的占比并比较,当正常心率在所有心搏类型中的占比过大时,则表征该条样本数据中存在非常多的正常心率,对于此类数据在深度学习训练过程中的训练效率不高,因此将正常心率占比过大的心电图数据剔除,不进行心律异常事件的标注,若正常心率占比正常,则继续识别该条心电图数据,提高了样本数据的有效性。
附图说明
图1是本申请实施例AI心电训练数据标注方法的流程示意图;
图2是本申请实施例AI心电训练数据标注装置的方框示意图;
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了对心电图数据进行标注形成样本数据进行深度学习训练,本申请实施例提供了一种AI心电训练数据标注方法,由电子设备执行,该方法包括:
步骤S101、获取心电图数据。
具体地,心电图数据为对患者的身体进行心电图检测后生成的心电图的图片数据,心电图为利用心电图机由人体体表记录下的心脏每一心动周期所产生的电活动的变化图形,以电位变化的方式展示在心电图数据中。
心电图数据中记录了患者心脏搏动的时间,心脏搏动时产生的电位变化,其中,心电图数据中包括波形、横轴以及纵轴,其中横轴表征了患者心脏搏动的时间,纵轴表征了电位,波形则表征了患者的心脏活动时的电位变化情况。
步骤S102、识别心电图数据中的至少一个心搏产生信号,心搏产生信号表征每次心脏搏动的时刻与心脏搏动时产生的电压变化波形。
具体地,心脏每正常跳动一次,在心电图数据中将形成P波、QRS波群、T波,也可能会出现U波等波群,在一整个心电图检测的周期内,心电图数据中将出现多个连续的波群交替出现,每搏动一次,则出现一次波群,每产生一次波群,则认为产生了一次心动,即识别出一个心搏产生信号。
每个心电产生信号则包括表征每次心脏搏动时间的心搏时刻信号以及表征每次心搏时产生的波群的心搏电压信号。心搏时刻信号为在心电图数据中产生波群时的横坐标,心搏电压信号则反映了波群的变化。
在心电图数据中有N次心脏搏动,则将识别出N个心电产生信号。
步骤S103、根据至少一个心搏产生信号,确定心律异常事件。
具体地,心律事件包括心律正常事件和心律异常事件,心律异常事件是由于心脏异常电活动引起的心脏搏动失常事件,具体地,心律异常事件包括室性二联律事件、室性三联律事件、室性异位节律事件、室上性异位节律事件、室性心动过速事件以及室上性心动过速事件等。发生不同的心律异常事件时,对应产生的波群的特征不同,举例说明,室性三联律事件包括连续三次及三次以上的室性早搏的波形,室性早搏的波形特点为在心搏产生信号中无P波出现,且QRS波群提前出现;则判断是否连续三次出现无P波出现且QRS波群提前出现的心搏产生信号,就可确定当前是否发生心律异常事件,以及发生心律异常事件时的心律异常事件的类型。
步骤S104、将心律异常事件标注在心电图数据中,生成样本数据。
具体地,样本数据为标注后的可以直接利用进行深度学习训练的心电图数据。在确定心律异常事件后,将心律异常事件标注在心电图数据中,其中,标注的方式可以是在心电图中的某一确定的预设位置处标注,也可以是在心电图数据中发生心律异常事件的波形位置对应标注,在此不做限定。举例说明,当前心电图数据中存在一个室性早搏事件,室性早搏事件的产生时间对应产生了四个连续的异常的心搏产生信号,则将室性早搏事件标注在四个心搏产生信号的位置处。
举例说明,在心电图数据中出现了窦性心率(N),窦性心率(N),室性早搏(V),窦性心率(N),窦性心率(N),室性早搏(V),窦性心率(N),窦性心率(N),室性早搏(V),窦性心率(N),室性早搏(V),窦性心率(N),室性早搏(V),窦性心率(N),室性早搏(V),的心电图数据;电子设备根据时间顺序依次判断各个心搏对应为窦性心率还是室性早搏还是其他,再判断是否满足心率异常事件的预设规则。例如室性三联律的预设规则为出现三个连续的NNV,第一层级规则为连续三个为NNV,第二层级规则为连续满足三个及三个以上的第一层级规则;第一层级规则包括第一规则(N)、第二规则(N)以及第三规则(V),根据是否满足第一规则、第二规则以及第三规则,确定是否满足第一层级规则,若满足第一层级规则,则判断是否连续满足三个及三个以上的第一层级规则,若是,则确定为室性三联律事件。
其中,接上例进行说明,电子设备判断出第一个心搏产生信号对应为N,满足室性三联律的第一规则;第二心搏产生信号对应为N,满足室性三联律的第二规则;继续判断,V满足室性三联律的第三规则,此时已经满足室性三联律的第一规则、第二规则以及第三规则,则确定前三个心搏产生信号满足室性三联律的第一层级规则,继续判断后续心搏产生信号是否再次依次满足第一规则、第二规则以及第三规则,若是,则确定第二次满足室性三联律的第一层级规则;再次继续判断是否满足室性三联律的第一层级规则,若达到连续三次第一层级规则,则确定为室性三联律,继续分析后续三个心搏产生信号,至不再满足第一层级规则,则由满足第一规则的位置为起始,至最后满足第一层级规则的末位位置为结束,即为发生室性三联律的心律异常事件的时间段,并将该心律异常事件标注在心电图数据中的时间段内。
将心电图数据中的所有心律异常事件进行标记,得到标记后的样本数据,只需人工对标记后的样本数据进行检查与修改,而减小了手动标注的工作量,提高了数据标注的效率。
本申请实施例提供了一种AI心电训练数据标注方法,通过心电图数据,识别出每次心脏搏动时产生的心搏产生信号,根据所有的心搏产生信号,识别在当前的心电图数据中是否有心律异常事件,并将心律异常事件标注在心电图数据中生成样本数据,实现自动标注心律异常事件的效果,减小了工作人员手动标注的工作量,提高了样本数据标注的效率。
本申请实施例一种可能的实现方式,在步骤S103中,根据至少一个心搏产生信号,确定心律异常事件,包括步骤S31(图中未示出)、步骤S32(图中未示出)以及步骤S33(图中未示出):
步骤S31、基于每个心搏电压信号,识别每个心搏电压信号对应的心搏类型,心搏类型包括多种类型的心脏搏动。
具体地,心搏类型包括窦性心率以及早搏;窦性心率表征正常的心跳,早搏表征异常的心搏活动,包括室性早搏和室上性早搏,表现为心脏跳动时刻提前出现,且心脏跳动的波形可能出现畸变。根据室性早搏、室上性早搏以及窦性心率在心脏跳动中对应的不同特征判断出每次心跳的心搏类型。
在一种可实现的方式中,基于每个心搏电压信号,识别每个心搏电压信号对应的心搏类型,包括:
步骤S311(图中未示出)、识别每个心搏电压信号的波群特征,波群特征为心电图中出现的P波、Q波、R波、S波、T波以及U波的波形。
具体地,心脏每跳动一次,在心电图数据中将产生对应的波群特征,每次正常心跳产生的电压波形有:P波、Q波、R波、S波、T波以及U波形成的一个完整的波群;窦性心率的波群特征表现为QRS波群的宽度小于0.1秒,QRS波群的方向与T波的方向相同,相邻两次心跳对应的RR间期恒定不变;室上性早搏对应的波群特征表现为QRS波群的宽度小于0.1秒,QRS波群的方向与T波的方向同向,但RR间期相对显著缩短;室性早搏对应的波群特征表现为QRS波群的宽度大于0.1秒,且QRS波群的方向与T波的方向相反,RR间期相对缩短,且有时不存在P波。
步骤S312(图中未示出)、基于所有的波群特征,判断Q波、R波以及S波组成的QRS波群的时长宽度是否超出预设的宽度基准,并识别QRS波群与T波的方向。
步骤S313(图中未示出)、若时长宽度超过预设的宽度基准且QRS波群与T波的方向相反,则确定对应的心搏类型为室性早搏;
具体地,首先判断QRS波群的时长宽度,以及T波的方向,在QRS波群时长宽度小于0.1秒且T波与QRS波群的方向相同时,则对应的心搏类型可能为室上性早搏也可能为窦性心率;若QRS波群时长宽度大于0.1秒且T波与QRS波群的方向相反,则为室性早搏。T波的方向表征在心电图数据中,T波在坐标轴上方还是在坐标轴下方,即T波的各个纵坐标为正或为负代表了T波的方向。因此,首先根据QRS波群的时长宽度以及T波的方向判断出是否为室性早搏。
步骤S314(图中未示出)、若时长宽度小于预设的宽度基准,且QRS波群与T波的方向相同,则步骤S3141(图中未示出)、确定每两个相邻心搏电压信号的R波间的时间间隔的RR间期;步骤S3142(图中未示出)、计算每个RR间期与与之相邻的上一个RR间期的差值。
步骤S3143(图中未示出)、若差值的绝对值小于预设的基准阈值,则心搏电压信号对应的心搏类型为窦性心率;若差值的绝对值大于预设的基准阈值且差值为负值,则确定对应的心搏类型为室上性早搏。
具体地,在QRS波群时长宽度小于0.1秒且T波与QRS波群的方向相同时,则对应的心搏类型可能为室上性早搏也可能为窦性心率,因此再判断心搏类型具体为窦性心率还是室性早搏。
其中,计算出各个心跳间的RR间期,计算每个RR间期与各个RR间期对应的前一个RR间期的差值,预设的基准阈值为预先设定的,在差值的绝对值小于预设的基准阈值时,即表征各个RR间期的差值在一定范围内,基本处于稳定状态,因此确定该心搏类型为窦性心率。
举例说明:若第一次心跳至第二心跳的RR间期1为50ms;第二次心跳至第三次心跳的RR间期2为48ms;第三次心跳至第四次心跳的RR间期为40ms......计算各个RR间期与前一个RR间期的差值:48-50=-2;40-48=-8......;预设的基准阈值为4ms,则由于-2的绝对值小于4,所以确定第二心跳对应为窦性心率;由于-8的绝对值大于4,所以第三次心跳对应为室上性早搏。
当差值的绝对值大于预设的基准阈值时,表征各个心跳之间的产生时刻的差异过大,当差值为负数,表征本次心跳的来临时刻比其他的心跳来临的时间间隔短,再由于其QRS波群的时长宽度小于0.1秒且T波与QRS波群的方向相同,所以确定该心搏类型为室上性早搏。步骤S32、基于至少一个心搏时刻信号,确定心搏心率,心搏心率表征当前心电图数据的平均心率。
具体地,心率表征患者的心脏在每分钟跳动的次数,心搏心率为一个心电图数据中的平均每分钟心搏的次数,计量心电图中的所有心搏时刻信号的个数,进而统计出在一段时间内的心跳次数,在根据心搏时刻信号可以确定出当前心电图数据的总时间,再计算心跳次数与总时间的比值,即可获得心搏心率。
值得说明的是,步骤S32可以在步骤S31之前执行,步骤S32也可以在步骤S32之后执行,步骤S31还可以与步骤S32同时执行,在本申请实施例中不做限定。
其中,在另一种确定心搏心率的方式中,还可以是:
步骤S321(图中未示出)、基于至少一个心搏时刻信号,确定至少一个心搏间隔。
其中,心搏间隔为两个相邻心搏时刻信号的相差时间,表征单次心搏的时间。
具体地,心搏间隔为相邻两个心搏时刻信号的差值,也指每心搏一次的时间,计算出所有相邻的两个心搏时刻信号的差值,举例说明,一条心电图数据中有M次心跳,对应有M个心搏时刻信号,分别为T1、T2、T3、T4......TM;分别计算T1与T2的差值作为心搏间隔1,T2与T3的差值作为心搏间隔2......TM-1-TM的差值作为心搏间隔(M-1)。
步骤S322(图中未示出)、基于每个心搏间隔,确定每个心搏间隔对应的单次心搏心率。
具体地,心电图的横轴的时间单位多为毫秒级,心搏间隔的时间单位也多为毫秒级。
每相邻两次心搏之间存在一个时间间隔,这个时间间隔就是心搏间隔,即认为当前一次心搏经历时间等于心搏间隔,根据当前一次心搏经历的时间,计算出两次心搏间隔对应的单次心搏心率。
单次心搏心率=单位时间/心搏间隔;举例说明,相邻两次的心搏间隔为800ms,需要统计每分钟的心搏次数,则单次心搏心率=1min/800ms=60*1000/800=75(次/分钟)。
此方式测得的心搏心率误差小。
步骤S323(图中未示出)、计算所有单次心搏心率的均值,生成心搏心率。
具体地,对所有心搏间隔进行计算,计算出所有的单次心搏心率后,计算平均值,可以得到当前心电图数据中对应的平均心率作为心搏心率。
步骤S33、基于心搏心率与至少一个心搏类型,确定心律异常事件。
具体地,不同的心律异常事件对应有不同的心搏类型与心搏心率的组合特征,如表1所示,在判断患者当前心电图数据对应的心律异常事件时,往往根据预设的分类规则进行分类,而分类规则中的每个子规则则表征了每种心律异常事件的组合特征,利用预设的分类规则对心律事件进行判断时,根据每个子规则对应的组合特征筛选识别出当前心电图数据中的心律事件。
表1
举例说明:室性异位节律为心律异常事件,对应的子规则为,连续出现三个或三个以上室性早搏(一种心搏类型),且心搏心率小于100次/分钟。若心电图数据中出现了连续三个或三个以上的室性早搏,且心搏心率小于100次/分钟,则认为在连续出现三个或三个以上室性早搏对应的位置处出现室性异位节律事件,并在对应的位置处进行标记。
本申请实施例一种可能的实现方式,在步骤S104中,将心律异常事件标注在心电图数据中,生成样本数据,包括:
步骤S41(图中未示出)、基于心律异常事件确定心律异常事件的时间间隔。
具体地,时间间隔表征当前心律异常事件发生所持续的时间,在心电图数据中,时间间隔为在心律异常事件发生时间段对应的横坐标。
举例说明,在心电图数据中的一段数据中,连续出现了四个室性早搏,且平均心率超过了100次/分钟,则判定当前数据对应的心搏事件为室性心动过速事件,则时间间隔为第一个室性早搏至第四个室性早搏之间的横坐标。
步骤S42(图中未示出)、判断时间间隔是否小于预设的间隔基准,并确定心律异常事件对应的标注长度。
步骤S43(图中未示出)、若是,则确定标注长度为预设的间隔基准的长度;若否,则确定标注长度为时间间隔的长度。
步骤S44(图中未示出)、基于标注长度,将心律异常事件以标注长度标注在心电图数据中。
具体地,预设的间隔基准为根据实际情况自动设置的一段时间基准,举例说明,本申请为识别心律异常事件,因此将间隔基准设置为1秒至2秒之间。
为了在标注时使得标注时的位置能够连贯,即标注后的结束点为下一事件的起始点,在标注之前,首先先确定出标注事件时的标注长度。
标注长度即为在心电图数据中标注某一事件时所包含的横向长度,横向长度也为时间长度。
当实际发生的时间间隔小于预设的间隔基准时,则标注长度扩展为间隔基准,扩展方式为起始点不变,将结束点向后移动至起始点与结束点间长度为间隔基准的方式。
当实际事件的时间间隔大于或等于预设的间隔基准时,则标注长度为实际的时间间隔。接上例进行说明,四个室性早搏对应的时间间隔为800毫秒,设定的间隔基准为1秒,则标注长度为1秒的横向长度,则将室性心动过速事件以1秒的横向长度标注在心电图数据中;若四个室性早搏对应的时间间隔为1.2秒,则标注长度为1.2秒的横向长度,将室性心动过速事件以1.2秒的横向长度标注在心电图数据中。
按照固定时间段的标注方式进行标注,在事件过短时可以有效扩展,以便于在大量深度学习训练过程中,进行样本数据的学习;以免在多个样本数据中,标注的大部分的时间段不同且差异可能过大,造成训练的不便利,影响效率。
本申请实施例一种可能的实现方式,在步骤S33(图中未示出)中,基于至少一个心搏类型与心搏心率,确定心律异常事件,之前还包括步骤Sa1(图中未示出)、步骤Sa2(图中未示出)以及步骤Sa3(图中未示出)。
步骤Sa1、基于至少一个心搏类型,生成表征窦性心率占比的窦性占比数据。
步骤Sa2、判断窦性占比数据是否低于预设的占比阈值。
步骤Sa3、若否,则删除该心电图数据,并重新执行获取心电图数据的步骤;若是,则基于心搏心率与至少一个心搏类型,确定心律异常事件。
具体地,预设的占比阈值为预先设置的占比阈值,当窦性占比数据过高,即大于或等于预设的占比阈值时,在对心电图数据中的心律事件进行分析并标识之前,将该条心电图数据删除,使该条心电图数据不进行后续的标注,同时不作为样本数据进行训练,而重新获取一条新的心电图数据,继续对心电图数据进行心搏位置与心搏类型等的分析;若小于预设的占比阈值,则继续执行下一步骤,对心电图数据进行心律事件的识别与标注,以便将心电图数据中正常心搏数量过多的数据剔除出去,提高后期在利用样本数据进行训练时的效率;在本申请实施例中预设的占比阈值设置为100%,在该条心电图数据中的所有心搏类型均为窦性心率时,将该条心电图数据剔除,不再执行后续操作,提高了样本数据的有效性。
本申请实施例一种可能的实现方式,心搏产生信号包括伪差数据,伪差数据为实际操作过程中由于各种干扰而造成波形畸变的误差数据;
其中,在步骤S103中,基于心搏心率与至少一个心搏类型,确定心律异常事件,之前还包括步骤Sb1(图中未示出)、步骤Sb2(图中未示出)、步骤Sb3(图中未示出)以及步骤Sb4(图中未示出):
步骤Sb1、识别心搏产生信号中的伪差数据。
步骤Sb2、确定表征伪差数据在心搏产生信号中的数量占比的伪差占比数据。
步骤Sb3、判断伪差占比数据是否大于预设的伪差阈值。
步骤Sb4、若是,则删除心电图数据,并重新执行获取心电图数据的步骤;若否,则继续执行基于心搏心率与至少一个心搏类型,确定心律异常事件的步骤。
具体地,伪差是由于非心电活动导致的心电图现象,其中,常见伪差来源包括肌肉颤动、交流电和静电干扰、心电图仪接地不良以及左右手腕反接等因素。
出现伪差数据时,心电图上将出现明显的噪声,波形将发生严重畸变,进而识别区分出伪差数据;伪差占比数据表征伪差数据在所有心搏类型中的占比,举例说明,所有心搏类型共100个,伪差数据包括30个,则伪差占比数据为30%。
伪差数据不能代表患者的实际心电活动,在实际诊断中,医生也容易被心电图中的伪差数据干扰而误诊,而标注后的样本数据中若存在较多伪差,会使得训练时的有效数据过少,因此将伪差数据过多的数据进行剔除,不对该心电图数据标注,也不令该心电图数据作为样本数据参与深度学习训练,而是直接将该条数据删除,删除后重新获取一条新的心电图数据,对新的心电图数据重新进行分析判断后确定新的心电图数据中的心律异常事件。
在伪差数据少于预设的伪差阈值时,表征该条心电图数据中的伪差数据较少,因此继续对该条心电图数据进行心律异常事件的识别与标注。
预设的伪差阈值为预先设定的伪差占比的基准值,当伪差占比数据超过预设的伪差阈值时,则表征当前伪差数据过多,需要剔除,继而提高了样本数据的有效性。
本申请实施例一种可能的实现方式,在步骤Sb1中,基于心搏产生信号,识别心电图数据中的伪差数据,包括:
步骤Sb11(图中未示出)、识别心搏产生信号中的波群特征。
步骤Sb12(图中未示出)、根据波群特征,判断心搏产生信号中的每个波群中是否均包括Q波、R波、S波以及T波;若均不包括,则确定心搏类型为伪差数据。
具体地,伪差数据在心电图数据中显示为杂乱无章的波形,在心电图数据中显示为可能只有类R波,无法显示出其他的有序的波群;因此直接通过波群特征,在波群中无法检测到一段时间内的波群时,确定该段时间的数据为伪差数据。
在另一种可能的实现方式中,识别伪差数据的方式还可以为:
步骤Sb13(图中未示出)、获取行为数据,行为数据表征患者的肢体运动情况。
步骤Sb14(图中未示出)、基于行为数据与心搏产生信号,确定伪差数据。
具体地,肢体动作时造成心电图出现伪差数据的最常见因素之一,在肢体过度运动例如起床、翻身、甩手等运动均会在心电图数据中出现伪差,因此设置一个肢体运动检测装置,检测患者的肢体运动情况,输出表征患者肢体运动情况的行为数据。
通过行为数据判断患者的肢体运动是否过度,当患者肢体过度运动且在心电图数据中出现非正常波群时,确定当前心搏产生信号为伪差数据。
本申请实施例一种可能的实现方式,每种心搏类型对应设置有一种类型标识符号;其中,在识别每个心搏电压信号对应的心搏类型与确定心搏心率,之后还包括:
步骤Sc1(图中未示出)、将每个心搏类型对应的类型标识符号标注在心电图数据中。
步骤Sc2(图中未示出)、将心搏心率以文本形式标注在心电图数据的预设位置处。
具体地,类型标识符号为便于标注而设置的符号,采用行业统一的缩写,举例说明,窦性心率的类型标识符号为N,室性早搏对应的类型标识符号为V,室上性早搏对应的类型标识符号为S,采用行业统一的字母标识,便于后续医务人员进行二次检查。
在每个心搏位置处将对应的类型标识符号进行标注,在医务人员对生成后样本数据进行检查时,可以在出现错误时发现是哪个环节出现问题,便于纠正与查错。
同时,将心搏心率也标注在心电图的设定位置处,例如图片右上角。
在另一种可以实现的方式中,采用求单次心搏心率后再求均值的方式确定心搏心率时,也可以同时将单次心搏心率标注在对应的心搏间隔位置处,以便医务人员在后期查错时了解在心电图中的单次心搏心率,进而便于在样本数据出现标注错误时对错误来源进行分析。
在医务人员对自动识别标注进行抽检时,医务人员还可以直接利用显示的类型标识符号以及显示的心搏心率的数值进行心律事件的判断,有助于提高医务人员判断的速度。
上述实施例从方法流程的角度介绍一种AI心电训练数据标注的方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种AI心电训练数据标注的装置,具体详见下述实施例。
AI心电训练数据标注装置100具体可以包括:数据获取模块1001、心搏识别模块1002、心律事件确定模块1003以及标注模块1004,其中:
心电图数据获取模块1001,用于获取心电图数据;
心搏识别模块1002,用于识别心电图数据中的至少一个心搏产生信号,心搏产生信号表征每次心脏搏动的时刻与心脏搏动时产生的电压变化波形;
心律事件确定模块1003,用于根据至少一个心搏产生信号,确定心律异常事件;
标注模块1004,用于将心律异常事件标注在心电图数据中,生成样本数据。
通过采用上述技术方案,心搏识别模块1002对心电图数据获取模块1001获取的心电图数据进行识别,确定出在每次心跳时产生的心搏产生信号,心律事件确定模块1003通过心搏产生信号识别出在心电图数据中的心律异常事件,利用标注模块1004将心律异常事件标注在心电图中,因此减小了工作人员手动标注的工作量,只需工作人员对标注后的样本数据进行检查,进而提高了对样本数据标注的效率。
本申请实施例的一种可能的实现方式,每个心搏产生信号包括表征心脏搏动时刻的心搏时刻信号和表征对应心脏搏动时刻的搏动情况的心搏电压信号;
其中,心律事件确定模块1003在根据至少一个心搏产生信号,确定心律异常事件时,具体用于:
基于每个心搏电压信号,识别每个心搏电压信号对应的心搏类型;
基于至少一个心搏时刻信号,确定心搏心率;
基于心搏心率与至少一个心搏类型,确定心律异常事件;
心搏类型包括多种类型的心脏搏动,心搏心率表征当前心电图数据的平均心率。
本申请实施例的一种可能的实现方式,心搏类型包括窦性心率、室性早搏以及室上性早搏,
其中,心律事件确定模块1003在基于每个心搏电压信号,识别每个心搏电压信号对应的心搏类型时,具体用于:
识别每个心搏电压信号的波群特征,波群特征为心电图中出现的P波、Q波、R波、S波以及T波的波形;
基于所有的波群特征,判断Q波、R波以及S波组成的QRS波群的时长宽度是否超出预设的宽度基准,并识别QRS波群与T波的方向;
若时长宽度超过预设的宽度基准且QRS波群与T波的方向相反,则确定对应的心搏类型为室性早搏;
若时长宽度小于预设的宽度基准,且QRS波群与T波的方向相同,则
确定每两个相邻心搏电压信号的R波间的时间间隔的RR间期,
计算每个RR间期与与之相邻的上一个RR间期的差值;
若差值的绝对值小于预设的基准阈值,则心搏电压信号对应的心搏类型为窦性心率;
若差值的绝对值大于预设的基准阈值且差值为负值,则心搏电压信号对应的心搏类型为室上性早搏。
本申请实施例的一种可能的实现方式,心律事件确定模块1003在基于至少一个心搏时刻信号,确定心搏心率时,具体用于:
基于至少一个心搏时刻信号,确定至少一个心搏间隔,心搏间隔为两个相邻心搏时刻信号的相差时间,表征单次心搏的时间;
基于每个心搏间隔,确定每个心搏间隔对应的单次心搏心率;
计算所有单次心搏心率的均值,生成心搏心率。
本申请实施例的一种可能的实现方式,标注模块1004在将心律异常事件标注在心电图数据中,生成样本数据时,具体用于:
基于心律异常事件确定心律异常事件的时间间隔;
判断时间间隔是否小于预设的间隔基准,并确定心律事件对应的标注长度;
若是,则确定标注长度为预设的间隔基准的长度;
若否,则确定标注长度为时间间隔的长度;
基于标注长度,将心律事件以标注长度标注在心电图数据中。
本申请实施例的一种可能的实现方式,AI心电训练数据标注装置100还包括:
第一计算模块,用于基于至少一个心搏类型,生成表征窦性心率占比的窦性占比数据;
第一判断模块,用于判断窦性占比数据是否低于预设的占比阈值;
第一执行模块,用于若否,则删除该心电图数据,并重新执行获取心电图数据的步骤;
若是,则基于心搏心率与至少一个心搏类型,确定心律异常事件。
本申请实施例的一种可能的实现方式,心搏产生信号包括伪差数据,伪差数据为实际操作过程中由于各种干扰而造成波形畸变的误差数据,AI心电训练数据标注装置100还包括:
伪差识别模块,用于基于心搏产生信号,识别心电图数据中的伪差数据;
第二计算模块,用于确定表征伪差数据在所有心搏类型中的数量占比的伪差占比数据;
第二判断模块,用于判断伪差占比数据是否大于预设的伪差阈值;
第二执行模块,用于若是,则删除心电图数据,并重新执行获取心电图数据的步骤;
若否,则继续执行基于心搏心率与至少一个心搏类型,确定心律异常事件的步骤。
本申请实施例的一种可能的实现方式,伪差识别模块在识别心搏产生信号中的伪差数据时,具体用于:
识别心搏产生信号中的波群特征;
根据波群特征,判断心搏产生信号中的每个波群中是否均包括Q波、R波、S波以及T波;若均不包括,则确定心搏类型为伪差数据。
本申请实施例的一种可能的实现方式,每种心搏类型对应设置有一种类型标识符号,其中,AI心电训练数据标注装置100还包括:
类型标识模块,用于将每个心搏类型对应的类型标识符号标注在心电图数据中;
心率标识模块,用于将心搏心率以文本形式标注在心电图数据的预设位置处。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备,如图3所示,图3所示的电子设备1100包括:处理器1101和存储器1103。其中,处理器1101和存储器1103相连,如通过总线1102相连。可选地,电子设备1100还可以包括收发器1104。需要说明的是,实际应用中收发器1104不限于一个,该电子设备1100的结构并不构成对本申请实施例的限定。
处理器1101可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器1101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线1102可包括一通路,在上述组件之间传送信息。总线1102可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线1102可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器1103可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器1103用于存储执行本申请方案的应用程序代码,并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (7)
1.一种AI心电训练数据标注方法,其特征在于,包括:
获取心电图数据;
识别所述心电图数据中的至少一个心搏产生信号,所述心搏产生信号表征每次心脏搏动的时刻与心脏搏动时产生的电压变化波形,每个所述心搏产生信号包括表征心脏搏动时刻的心搏时刻信号和表征对应心脏搏动时刻的搏动情况的心搏电压信号;
根据所述至少一个心搏产生信号,确定心律异常事件;
将所述心律异常事件标注在所述心电图数据中,生成样本数据;
其中,所述根据所述至少一个心搏产生信号,确定心律异常事件,包括:
基于每个所述心搏电压信号,识别每个心搏电压信号对应的心搏类型;
基于至少一个所述心搏时刻信号,确定心搏心率;
基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件;
所述心搏类型包括多种类型的心脏搏动,所述心搏心率表征当前心电图数据的平均心率;
其中,所述心搏类型还包括伪差数据,所述伪差数据为实际操作过程中由于各种干扰而造成波形畸变的误差数据;
其中,所述基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件,之前还包括:
基于所述心搏产生信号,识别所述心电图数据中的伪差数据;
确定表征伪差数据在所有心搏类型中的数量占比的伪差占比数据;
判断所述伪差占比数据是否大于预设的伪差阈值;
若是,则删除所述心电图数据,并重新执行所述获取心电图数据的步骤;
若否,则继续执行所述基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件的步骤;
其中,所述基于所述心搏产生信号,识别所述心电图中的伪差数据,包括:获取行为数据,所述行为数据表征患者的肢体运动情况;基于所述行为数据与所述心搏产生信号,识别所述心电图数据中的伪差数据;
其中,所述将所述心律异常事件标注在所述心电图数据中,生成样本数据,包括:
基于所述心律异常事件确定所述心律异常事件的时间间隔;
判断所述时间间隔是否小于预设的间隔基准,并确定所述心律异常事件对应的标注长度;
若是,则确定所述标注长度为预设的间隔基准的长度;
若否,则确定所述标注长度为所述时间间隔的长度;
基于所述标注长度,将所述心律异常事件以所述标注长度标注在所述心电图数据中;
其中,确定心律异常事件包括:按照时间顺序依次根据心电数据中的各个心搏对应的心搏类型,判断是否满足心律异常事件的预设规则,以确定是否发生心律异常事件。
2.根据权利要求1所述的一种AI心电训练数据标注方法,其特征在于,所述心搏类型包括窦性心率、室性早搏以及室上性早搏,
其中,所述基于每个所述心搏电压信号,识别每个心搏电压信号对应的心搏类型,包括:
识别每个所述心搏电压信号的波群特征,所述波群特征为心电图中出现的P波、Q波、R波、S波以及T波的波形;
基于所有的所述波群特征,判断Q波、R波以及S波组成的QRS波群的时长宽度是否超出预设的宽度基准,并识别所述QRS波群与所述T波的方向;
若所述时长宽度超过预设的宽度基准且所述QRS波群与所述T波的方向相反,则确定对应的心搏类型为室性早搏;
若所述时长宽度小于预设的宽度基准,且所述QRS波群与所述T波的方向相同,则
确定每两个相邻心搏电压信号的R波间的时间间隔的RR间期,
计算每个RR间期与与之相邻的上一个RR间期的差值;
若所述差值的绝对值小于预设的基准阈值,则所述心搏电压信号对应的心搏类型为窦性心率;
若所述差值的绝对值大于预设的基准阈值且所述差值为负值,则所述心搏电压信号对应的心搏类型为室上性早搏。
3.根据权利要求2所述的一种AI心电训练数据标注方法,其特征在于,所述基于至少一个所述心搏类型与所述心搏心率,确定心律异常事件,之前还包括:
基于至少一个所述心搏类型,生成表征窦性心率占比的窦性占比数据;
判断所述窦性占比数据是否低于预设的占比阈值;
若否,则删除该心电图数据,并重新执行所述获取心电图数据的步骤;
若是,则基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件。
4.根据权利要求1所述的一种AI心电训练数据标注方法,其特征在于,所述基于所述心搏产生信号,识别所述心电图数据中的伪差数据,包括:
识别所述心搏产生信号中的波群特征;
根据所述波群特征,判断所述心搏产生信号中的每个波群中是否均包括Q波、R波、S波、T波;
若均不包括,则确定所述心搏类型为伪差数据。
5.一种AI心电训练数据标注装置,其特征在于,包括:
心电图数据获取模块,用于获取心电图数据;
心搏识别模块,用于识别所述心电图数据中的至少一个心搏产生信号,所述心搏产生信号表征每次心脏搏动的时刻与心脏搏动时产生的电压变化波形,每个所述心搏产生信号包括表征心脏搏动时刻的心搏时刻信号和表征对应心脏搏动时刻的搏动情况的心搏电压信号;
心律事件确定模块,用于根据所述至少一个心搏产生信号,确定心律异常事件;
标注模块,用于将所述心律异常事件标注在所述心电图数据中,生成样本数据;
所述心律事件确定模块在根据所述至少一个心搏产生信号,确定心律异常事件时,具体用于:基于每个所述心搏电压信号,识别每个心搏电压信号对应的心搏类型;基于至少一个所述心搏时刻信号,确定心搏心率;基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件;所述心搏类型包括多种类型的心脏搏动,所述心搏心率表征当前心电图数据的平均心率;
所述心搏类型还包括伪差数据,所述伪差数据为实际操作过程中由于各种干扰而造成波形畸变的误差数据;
其中,所述装置还包括:
伪差识别模块,用于基于所述心搏产生信号,识别所述心电图数据中的伪差数据;
第二计算模块,用于确定表征伪差数据在所有心搏类型中的数量占比的伪差占比数据;
第二判断模块,用于判断所述伪差占比数据是否大于预设的伪差阈值;
第二执行模块,用于若是,则删除所述心电图数据,并重新执行所述获取心电图数据的步骤;
若否,则继续执行所述基于所述心搏心率与至少一个所述心搏类型,确定心律异常事件的步骤;
其中,所述伪差识别模块在基于所述心搏产生信号,识别所述心电图中的伪差数据时,具体用于:获取行为数据,所述行为数据表征患者的肢体运动情况;基于所述行为数据与所述心搏产生信号,识别所述心电图数据中的伪差数据;
其中,所述标注模块在所述将所述心律异常事件标注在所述心电图数据中,生成样本数据时,具体用于:基于所述心律异常事件确定所述心律异常事件的时间间隔;判断所述时间间隔是否小于预设的间隔基准,并确定所述心律异常事件对应的标注长度;若是,则确定所述标注长度为预设的间隔基准的长度;若否,则确定所述标注长度为所述时间间隔的长度;基于所述标注长度,将所述心律异常事件以所述标注长度标注在所述心电图数据中;
其中,所述心律事件确定模块在确定心律异常事件时,具体用于:按照时间顺序依次根据心电数据中的各个心搏对应的心搏类型,判断是否满足心律异常事件的预设规则,以确定是否发生心律异常事件。
6.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~4任一项所述的AI心电训练数据标注方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~4任一项所述的AI心电训练数据标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242674.7A CN114668401B (zh) | 2022-03-11 | 2022-03-11 | 一种ai心电训练数据标注方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242674.7A CN114668401B (zh) | 2022-03-11 | 2022-03-11 | 一种ai心电训练数据标注方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114668401A CN114668401A (zh) | 2022-06-28 |
CN114668401B true CN114668401B (zh) | 2023-04-18 |
Family
ID=82074017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210242674.7A Active CN114668401B (zh) | 2022-03-11 | 2022-03-11 | 一种ai心电训练数据标注方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114668401B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4336810A (en) * | 1980-09-30 | 1982-06-29 | Del Mar Avionics | Method and apparatus for arrhythmia analysis of ECG recordings |
US8433395B1 (en) * | 2009-11-03 | 2013-04-30 | Vivaquant Llc | Extraction of cardiac signal data |
CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
GB201804933D0 (en) * | 2018-03-27 | 2018-05-09 | Asgard Medical Innovations As | Method to analyze cardiac rhythms using beat-to-beat display plots |
CN112120689A (zh) * | 2020-08-13 | 2020-12-25 | 深圳星康医疗科技有限公司 | 长程心电数据下快速标注方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7428273B2 (en) * | 2003-09-18 | 2008-09-23 | Promptu Systems Corporation | Method and apparatus for efficient preamble detection in digital data receivers |
CN1843293B (zh) * | 2006-03-21 | 2010-04-14 | 李方洁 | 一种长程心电数据分析的方法 |
CN102697492B (zh) * | 2012-05-25 | 2014-08-06 | 长春华讯信息科技有限公司 | 一种实时分析心电数据的方法 |
CN106725420A (zh) * | 2015-11-18 | 2017-05-31 | 中国科学院苏州纳米技术与纳米仿生研究所 | 室性早搏识别方法及室性早搏识别系统 |
CN106510687A (zh) * | 2016-12-12 | 2017-03-22 | 中国软件与技术服务股份有限公司 | 一种识别心电图数据异常的方法及系统 |
CN107822622B (zh) * | 2017-09-22 | 2022-09-09 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
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 |
CN108937915B (zh) * | 2018-07-24 | 2021-02-19 | 杭州质子科技有限公司 | 一种动态心电图中早搏的识别方法 |
CN110693486B (zh) * | 2019-09-27 | 2022-06-14 | 武汉中旗生物医疗电子有限公司 | 一种心电图的异常标注方法及装置 |
CN111345816B (zh) * | 2020-02-25 | 2022-11-04 | 广州视源电子科技股份有限公司 | 多导联qrs波群检测方法、装置、设备及存储介质 |
CN113974649A (zh) * | 2021-12-03 | 2022-01-28 | 上海交通大学医学院附属瑞金医院 | 心搏信号的分类的和用于心搏信号的分类的深度学习模型的训练的方法、设备和介质 |
-
2022
- 2022-03-11 CN CN202210242674.7A patent/CN114668401B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4336810A (en) * | 1980-09-30 | 1982-06-29 | Del Mar Avionics | Method and apparatus for arrhythmia analysis of ECG recordings |
US8433395B1 (en) * | 2009-11-03 | 2013-04-30 | Vivaquant Llc | Extraction of cardiac signal data |
CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
GB201804933D0 (en) * | 2018-03-27 | 2018-05-09 | Asgard Medical Innovations As | Method to analyze cardiac rhythms using beat-to-beat display plots |
CN112120689A (zh) * | 2020-08-13 | 2020-12-25 | 深圳星康医疗科技有限公司 | 长程心电数据下快速标注方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114668401A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
WO2019038109A1 (en) | METHOD FOR DETECTING ANOMALIES IN ECG SIGNALS | |
JPH11313806A (ja) | 心臓機能を表す信号の特性を決定する方法 | |
WO2001061550A2 (en) | Automated interpretation of t-wave alternans results | |
CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
Chen et al. | A novel method based on Adaptive Periodic Segment Matrix and Singular Value Decomposition for removing EMG artifact in ECG signal | |
Al-Ani | ECG waveform classification based on P-QRS-T wave recognition | |
CN114901145A (zh) | 使用深度神经网络和基于规则的系统进行心电图诊断的系统和方法 | |
Tseng et al. | Clustering analysis of aging diseases and chronic habits with multivariate time series electrocardiogram and medical records | |
Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
CN111419219A (zh) | Ppg心搏信号的预处理方法、装置及房颤检测设备 | |
CN112971798A (zh) | 心电信号处理方法、装置、终端及存储介质 | |
CN114668401B (zh) | 一种ai心电训练数据标注方法、装置、电子设备及介质 | |
CN111528833A (zh) | 一种心电信号的快速识别与处理方法及系统 | |
CN113616217B (zh) | 基线漂移曲线的生成方法和装置 | |
Al Osman et al. | A pattern-based windowed impulse rejection filter for nonpathological HRV artifacts correction | |
McSharry et al. | A comparison of nonlinear noise reduction and independent component analysis using a realistic dynamical model of the electrocardiogram | |
Jokić et al. | An efficient approach for heartbeat classification | |
RU2759069C1 (ru) | Способ неинвазивной диагностики ишемической болезни сердца | |
Pont et al. | Microcanonical processing methodology for ECG and intracardial potential: application to atrial fibrillation | |
Jahani et al. | Mathematical model presenting to assess variations in heart rate of different age groups. | |
JP7254399B1 (ja) | プログラム、出力装置及びデータ処理方法 | |
Pander et al. | Fuzzy-based algorithm for QRS detection | |
US20230277107A1 (en) | Systems and methods for visual tracing of abnormality in diagnostic and monitoring clinical applications | |
George et al. | Heart disease diagnostic graphical user interface using fractal dimension |
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 | ||
GR01 | Patent grant |