CN114831646A - 一种确定冠心病罹患概率的方法及装置 - Google Patents
一种确定冠心病罹患概率的方法及装置 Download PDFInfo
- Publication number
- CN114831646A CN114831646A CN202110131912.2A CN202110131912A CN114831646A CN 114831646 A CN114831646 A CN 114831646A CN 202110131912 A CN202110131912 A CN 202110131912A CN 114831646 A CN114831646 A CN 114831646A
- Authority
- CN
- China
- Prior art keywords
- signal
- ecg
- signals
- leads
- heart disease
- 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
- 208000029078 coronary artery disease Diseases 0.000 title claims abstract description 292
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000002159 abnormal effect Effects 0.000 claims description 123
- 238000012549 training Methods 0.000 claims description 87
- 230000003902 lesion Effects 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 54
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 51
- 201000010099 disease Diseases 0.000 claims description 49
- 238000004891 communication Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002547 anomalous effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 46
- 238000013461 design Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 17
- 210000003414 extremity Anatomy 0.000 description 16
- 208000031225 myocardial ischemia Diseases 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000007637 random forest analysis Methods 0.000 description 9
- 210000001364 upper extremity Anatomy 0.000 description 8
- 230000002457 bidirectional effect Effects 0.000 description 7
- 210000004351 coronary vessel Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000002586 coronary angiography Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 241000894007 species Species 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 208000010125 myocardial infarction Diseases 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 208000019622 heart disease Diseases 0.000 description 4
- 210000003141 lower extremity Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 206010002383 Angina Pectoris Diseases 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 201000001320 Atherosclerosis Diseases 0.000 description 2
- 208000031229 Cardiomyopathies Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 2
- 206010047295 Ventricular hypertrophy Diseases 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000002169 extracardiac Effects 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000000144 pharmacologic effect Effects 0.000 description 2
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000007743 Acute Abdomen Diseases 0.000 description 1
- 206010002388 Angina unstable Diseases 0.000 description 1
- 206010002660 Anoxia Diseases 0.000 description 1
- 241000976983 Anoxia Species 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010052895 Coronary artery insufficiency Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 241000208011 Digitalis Species 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 208000017701 Endocrine disease Diseases 0.000 description 1
- 206010014935 Enzyme abnormality Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000009525 Myocarditis Diseases 0.000 description 1
- 102000036675 Myoglobin Human genes 0.000 description 1
- 108010062374 Myoglobin Proteins 0.000 description 1
- 208000025584 Pericardial disease Diseases 0.000 description 1
- 201000001068 Prinzmetal angina Diseases 0.000 description 1
- 208000010378 Pulmonary Embolism Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 206010049761 Ventricular pre-excitation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000007953 anoxia Effects 0.000 description 1
- 239000003416 antiarrhythmic agent Substances 0.000 description 1
- 239000000164 antipsychotic agent Substances 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000000122 hyperventilation Diseases 0.000 description 1
- 230000000870 hyperventilation Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 201000004332 intermediate coronary syndrome Diseases 0.000 description 1
- 201000007170 intrinsic cardiomyopathy Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 208000037891 myocardial injury Diseases 0.000 description 1
- 230000001272 neurogenic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 208000008494 pericarditis Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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]
- A61B5/332—Portable devices 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
-
- 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
- A61B5/364—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
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种确定冠心病罹患概率的方法及装置，该方法包括：获取用户的一个或多个导联的ECG信号，根据一个或多个导联的ECG信号确定一个或多个导联的ECG信号分别对应的重构信号，根据一个或多个导联的ECG信号和分别对应的重构信号确定用户的冠心病罹患概率。采用上述方法可以实现估计用户的冠心病罹患概率。
Description
技术领域
本申请实施例涉及终端技术领域，尤其涉及一种确定冠心病罹患概率的方法及装置。
背景技术
冠心病是指冠状动脉粥样硬化性心脏病，由于粥样硬化引起的冠状动脉狭窄、阻塞，造成的心肌缺血、缺氧引起的心脏病。根据冠心病的病理，最有效的冠心病诊断证据是发现血管内的物理变化。因此，冠心病检测的金标准是有创的检测技术，如冠脉造影。其中，冠脉造影是指利用特制的冠状动脉造影导管注入造影剂对冠状动脉的解剖形态学进行的放射影像学检查术。但是，冠脉造影有创、价格高、操作复杂。
此外，冠心病还可也通过以下方式辅助诊断。例如，血液检查中的生物标志物肌钙蛋白和肌红蛋白也可用于急性冠心病的检测。又例如，还可根据患者心脏耗氧的供需水平来间接评价冠状动脉对心脏的供血供氧能力，以此间接检测冠心病，例如，通过心电图信号分析、负荷测试等可以间接检测冠心病。但是这些方式均具有一定局限性，只能辅助冠心病诊断，且便捷性较差。
因此，急需一种能够较为便捷地估计冠心病罹患概率的方法及装置，进而可以用于提醒用户就医或提醒医生为用户开具冠脉造影检查等进一步检查。
发明内容
本申请实施例提供一种确定冠心病罹患概率的方法及装置，用以实现估计冠心病罹患概率。
第一方面，本申请实施例提供一种确定冠心病罹患概率的方法，该方法包括：获取用户的一个或多个导联的ECG信号，根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号，并根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率。其中，所述一个或多个导联的ECG信号包括第一导联的ECG信号，所述第一导联的ECG信号对应的重构信号是基于所述第一导联的ECG信号的特征进行信号重构获得的。采用上述方法可以实现估计冠心病罹患概率。
在一种可能的设计中，根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率可以采用以下方法：根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号，根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率。
采用上述设计可以首先确定异常信号，然后根据异常信号和对应的重构信号确定用户的冠心病罹患概率。
在一种可能的设计中，在根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号时，采用第一模型提取一个或多个导联的ECG信号中的每个导联的ECG信号的特征，采用第二模型根据每个导联的ECG信号的特征进行信号重构，获得对应的重构信号；其中，第一模型和第二模型是根据健康人群的各导联的ECG信号训练获得的。
采用上述设计可以通过第一模型和第二模型可以确定一个或多个导联的ECG信号中的每个导联的ECG信号对应的重构信号。另外，第一模型和第二模型也可以不做区分，合并成一个模型，用来从一个或多个导联的ECG信号中获取每个导联的ECG信号对应的重构信号。
在一种可能的设计中，在根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号时，若第一导联的ECG信号与对应的重构信号满足以下一个或多个异常信号条件，则确定第一导联的ECG信号为异常信号：在第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值大于第一阈值；或者，在第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值与去符号最大值的比值大于第二阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值的平方和大于第三阈值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的平方和大于第四阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的标准差大于第五阈值；或者，第一导联的ECG信号与对应的重构信号的差值与去符号最大值的比值的标准差大于第六阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值的X1百分位数大于第七阈值，X1为预设数值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的X2百分位数大于第八阈值。X2为预设数值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值。
采用上述设计可以确定一个或多个导联的ECG信号中的异常信号。
在一种可能的设计中，在根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率时，根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异。根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率；其中，所述第三模型是根据第一信号集合和第二信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的。示例性地，用户的冠心病罹患概率与用户为健康人群的概率之和为1。
在一种可能的设计中，在根据异常信号和对应的重构信号确定用户的冠心病罹患概率时，根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异。根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率。其中，所述第三模型是根据第一信号集合、第二信号集合和第三信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的，所述第三信号集合包括其他疾病人群的各导联的ECG信号分别对应的目标信号，所述其他疾病人群的各导联的ECG信号分别对应的目标信号是由所述其他疾病人群的各导联的ECG信号和分别对应的重构信号确定的。示例性地，用户的冠心病罹患概率、用户的其他疾病罹患概率与用户为健康人群的概率三者之和为1。
采用上述设计可以根据异常信号和对应的重构信号确定用户的冠心病罹患概率。
在一种可能的设计中，还包括：根据异常信号和对应的重构信号确定第一特征，根据第一特征采用第三模型确定所述第一特征在冠心病病变空间的位置信息，根据第一特征在冠心病病变空间的位置信息确定用户的最大可能性的冠心病病变位置。
采用上述设计可以确定用户的最大可能性冠心病病变位置。
在一种可能的设计中，冠心病病变空间是根据所述第一信号集合以及冠心病患者的各导联的ECG信号的诊断标签训练获得的。
在一种可能的设计中，第一特征为全连接层特征。
第二方面，本申请实施例提供一种确定冠心病罹患概率的装置，该装置包括：收发单元，用于获取用户的一个或多个导联的心电图ECG信号；处理单元，用于根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号；其中，所述一个或多个导联的ECG信号包括第一导联的ECG信号，所述第一导联的ECG信号对应的重构信号是基于所述第一导联的ECG信号的特征进行信号重构获得的；根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率。
在一种可能的设计中，所述处理单元，用于根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率时，根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号；根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率。
在一种可能的设计中，所述处理单元，用于在根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号时，采用第一模型提取所述一个或多个导联的ECG信号中的每个导联的ECG信号的特征；采用第二模型根据每个导联的ECG信号的特征进行信号重构，获得每个导联的ECG信号对应的重构信号；其中，所述第一模型和所述第二模型是根据健康人群的各导联的ECG信号训练获得的。
在一种可能的设计中，所述处理单元，用于在根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号时，第一导联的ECG信号与对应的重构信号若满足以下一个或多个异常信号条件，则确定所述第一导联的ECG信号为异常信号：在第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值大于第一阈值；或者，在第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值与去符号最大值的比值大于第二阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值的平方和大于第三阈值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的平方和大于第四阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的标准差大于第五阈值；或者，第一导联的ECG信号与对应的重构信号的差值与去符号最大值的比值的标准差大于第六阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值的X1百分位数大于第七阈值，X1为预设数值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的X2百分位数大于第八阈值。X2为预设数值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值。
在一种可能的设计中，所述处理单元，用于在根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率时，根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异，根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率。
其中，所述第三模型是根据第一信号集合和第二信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的。
在一种可能的设计中，所述处理单元，用于在根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率时，根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异；根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率。
其中，所述第三模型是根据第一信号集合、第二信号集合和第三信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的，所述第三信号集合包括其他疾病人群的各导联的ECG信号分别对应的目标信号，所述其他疾病人群的各导联的ECG信号分别对应的目标信号是由所述其他疾病人群的各导联的ECG信号和分别对应的重构信号确定的。
在一种可能的设计中，所述处理单元，用于在根据所述异常信号和对应的重构信号采用第三模型确定第一特征；根据所述第一特征确定所述第一特征在冠心病病变空间的位置信息；根据所述第一特征在冠心病病变空间的位置信息确定所述用户的最大可能性冠心病病变位置。
在一种可能的设计中，所述冠心病病变空间是根据所述第一信号集合以及冠心病患者的各导联的ECG信号的诊断标签训练获得的。
在一种可能的设计中，所述第一特征为全连接层特征。
第三方面，本申请实施例提供一种通信装置，包括处理器和接口电路，接口电路用于接收来自通信装置之外的其它通信装置的信号并传输至处理器或将来自处理器的信号发送给通信装置之外的其它通信装置，处理器通过逻辑电路或执行代码指令用于实现第一方面和第一方面中的任意一种可能的设计。
第四方面，本申请实施例提供一种通信装置，包括处理器和存储器，所述存储器存储计算机执行代码指令，所述处理器调用所述计算机执行代码指令实现第一方面和第一方面中的任意一种可能的设计。
第五方面，本申请实施例提供一种计算机可读存储介质，存储介质中存储有计算机程序或指令，当计算机程序或指令被通信装置执行时，实现第一方面和第一方面中的任意一种可能的设计。
第六方面，本申请实施例提供一种ECG穿戴设备，包括处理模块和采集模块；采集模块用于采集用户的一个或多个导联的ECG信号；处理模块用于实现第一方面和第一方面中的任意一种可能的设计。
附图说明
图1为本申请的实施例中ST段的各种可能特征的示意图；
图2为本申请的实施例中T波的各种可能特征的示意图；
图3为本申请的实施例中健康人群的各导联ECG信号的特征提取以及重构的示意图；
图4为本申请的实施例中健康人群的各导联ECG信号与健康人群的各导联ECG信号对应的重构信号的示意图；
图5为本申请的实施例中冠心病患者的各导联ECG信号与冠心病患者的各导联ECG信号对应的重构信号的示意图；
图6为本申请的实施例中冠心病病变空间的示意图；
图7为本申请的实施例中确定冠心病罹患概率的概述流程图；
图8为本申请的实施例中全连接层特征对应冠心病病变空间的示意图；
图9A为本申请的实施例中ECG穿戴手表采集ECG信号的姿势与方法的示意图；
图9B为本申请的实施例中6导联ECG信号的示意图之一；
图9C为本申请的实施例中6导联ECG信号对应的重构信号的示意图之一；
图9D为本申请的实施例中显示异常信号导联的示意图之一；
图9E为本申请的实施例中显示用户A的冠心病病变空间的示意图；
图9F为本申请的实施例中显示用户A的冠心病罹患概率的示意图；
图10A为本申请的实施例中心率胸带采集ECG信号接触部位的示意图；
图10B为本申请的实施例中6导联ECG信号的示意图之二；
图10C为本申请的实施例中6导联ECG信号对应的重构信号的示意图之二；
图10D为本申请的实施例中显示异常信号导联的示意图之二；
图10E为本申请的实施例中显示用户B的冠心病病变空间的示意图；
图10F为本申请的实施例中显示用户B的冠心病罹患概率的示意图；
图11A为本申请的实施例中12导联ECG信号的示意图；
图11B为本申请的实施例中12导联ECG信号对应的重构信号的示意图；
图11C为本申请的实施例中显示12导联ECG信号中的异常信号导联的示意图；
图11D为本申请的实施例中显示用户C的冠心病病变空间的示意图；
图11E为本申请的实施例中显示用户C的冠心病罹患概率的示意图；
图12为本申请的实施例中通信装置的结构示意图之一；
图13为本申请的实施例中通信装置的结构示意图之二。
具体实施方式
广义的冠心病的病因除了冠状动脉粥样硬化外，还包括冠状动脉的炎症、痉挛、栓塞、外伤和先天性畸形，但非冠状动脉硬化性的病因十分少见。冠心病按症状分类，可分为隐匿型、心绞痛型、心肌梗死型、心力衰竭型和猝死型。
心脏除极，复极过程中产生的心电向量，通过容积导电传至身体各部，并产生电位差，将两电极置于人体的任何两点与心电图机连接，就可描记出心电图，这种放置电极并与心电图机连接的线路，称为心电图导联。常用的导联是标准导联，亦称双极肢体导联，反映两个肢体之间的电位差。采用国际通用导联体系，共有十二导联，即I、II、III、avL、avF、avR、v1、v2、v3、v4、v5、v6。
例如，Ⅰ导联是指将左上肢电极与心电图机的正极端相连，右上肢电极与负极端相连，反映左上肢(l)与右上肢(r)的电位差。当l的电位高于r时，便描记出一个向上的波形；当r的电位高于l时，则描记出一个向下的波形。Ⅱ导联是指将左下肢电极与心电图机的正极端相连，右上肢电极与负极端相连，反映左下肢(F)与右上肢(r)的电位差。当f的电位高于r时，描记出一个向上波；反之，为一个向下波。Ⅲ导联是指将左下肢与心电图机的正极端相连，左上肢电极与负极端相联，反映左下肢(F)与左上肢(l)的电位差，当f的电位高于l时，描记出一个向上波；反之，为一个向下波。
一般来说，冠心病的典型心电图表现主要有4种情况：(1)T波呈双向、低平或者倒置；(2)ST段下移或者抬高；(3)R波递减或者消失；(4)心电图的改变是动态的。如果有典型的冠心病临床症状，且心电图具有特征性变化，这种情况大部分可以通过心电图直接诊断为冠心病，也有小部分人群如更年期女性等除外。此外，如果有典型的冠心病临床症状，但普通心电图没有明显变化，可能是因为心脏的动脉循环有较大的供血能力，静息时不易检查出异常，需要通过运动平板心电图测试，才能发现心电图的真正改变，必要时还需要进一步进行冠脉造影检查。因此，心电图是冠心病诊断中必不可少的首选检查手段，为冠心病的诊断提供了重要的临床参考价值。其中，心电图诊断心梗主要优势包括：(1)心电图改变出现较早，有利于心梗早期诊断及干预；(2)不仅定性，而且定位；(3)不仅诊断，而且分期；(4)有预后判断价值；(5)设备简单、普及、检查无创、方便、可多次重复、经济等。
由于冠心病的根本病理是冠状动脉供血发生不良、不足、缺血等情况，在心电图上会显示ST-T改变，典型表现为ST段水平下移，T波消失、倒置等。以下对心电图可能包括的各种异常特征进行说明。
一、ST段下移:正常ST段通常和T波连接平滑，常导致决定ST段结束和T波开始很困难。典型的心肌缺血引起ST段下移。ST段最早、最细微的变化是ST段变平，引起ST段和T波之间更明显的角度。
二、ST段抬高：胸痛患者伴一过性的ST段抬高是心肌缺血的特征，通常见于冠脉痉挛性心绞痛。其中一部分患者将会发展为严重的近端冠脉狭窄。当ST段发生抬高和抬高消退后，可能随后出现深的T波倒置(甚至没有心肌损伤酶学异常的证据)。
图1中的A至I所示为ST段的各种可能特征的示意图。其中，A为正常ST段的示意图，B为ST段弓背向上抬高的示意图，C为ST段弓背向下抬高的示意图，D为ST段快速上斜型下移的示意图，E为ST段缓慢上斜型下移的示意图，F为ST段水平型下移的示意图，图1G为ST段快速下斜型下移的示意图，H为ST段缓慢下斜型下移的示意图，I为ST段鱼钩型下移的示意图。
三、T波改变：心肌缺血可引起多种T波改变，例如，T波高尖、双向、倒置或平坦。
其中，T波倒置深、而对称强烈地提示心肌缺血。但是，T波倒置也可以是正常的现象，例如，III、aVR和V1导联T波倒置伴QRS波主波向下属于正常。
其中，针对T波双向改变，某些非透壁性心肌缺血患者，表现为双向T波。尤其是发生在胸前导联的T波双向改变是急性心肌缺血的特征。双向T波通常进展、演变成对称性的T波。这些变化发生在不稳定性心绞痛、或变异性心绞痛患者，强烈地提示心肌缺血。
图2中的A至I所示为T波的各种可能特征的示意图。其中，A为正常T波的示意图，B为倒置T波的示意图，C为高大直立T波的示意图，D为低平T波的示意图，E为冠状T波的示意图，F为高尖T波的示意图，G为双峰T波的示意图，H为先正后负双向T波的示意图，I为先负后正双向T波的示意图。
由上可知，心肌缺血患者的心电图改变主要是ST-T改变，然而ST-T改变并非一定由心肌缺血引起。ST-T改变与多种因素有关，不能将ST-T改变等同于心肌缺血或心肌梗死。例如，ST-T改变的影响因素可以包括生理性因素、药物学因素、心脏外疾病、心脏疾病等。其中，生理性因素可以包括体位，体温，过度通气，焦虑，心动过速，神经源性影响，体育锻炼，年龄等。药物学因素可以包括洋地黄，抗心律失常药物和抗精神失常药物。心脏外疾病可以包括电解质紊乱，脑血管意外，休克，贫血，过敏反应，感染，内分泌失调，急腹症，肺栓塞等。心脏疾病可以包括缺血性心脏病，原发性心肌病，继发性心肌改变，心包疾病，心电异常等。
ST-T改变又可以包括原发性ST-T改变和继发性ST-T改变。其中，原发性ST-T改变是指心室除极未变化时的ST-T改变，指由于心肌状况异常,使心室复极异常而引起心电图ST-T发生的改变。临床常见于慢性冠状动脉供血不足、心绞痛、心肌梗死、心室肥大、心肌炎、心包炎、心肌病、药物作用及电解质紊乱等。继发性ST-T改变是指心室除极发生变化时的ST-T改变，指因心室除极异常,继而造成心室复极异常所引起的心电图ST-T改变。临床常见于心室肥大、束支阻滞、心室预激、室性激动、起搏心律等。
需要说明的是，本申请实施例可以应用于心电图(electrocardiogram，ECG)信号采集设备。示例性地，ECG信号采集设备可以为可穿戴设备，例如智能手表、智能胸带，单导联ECG手表、多导联ECG手表、胸电ECG贴、单导联或多导联ECG贴等。其中，ECG信号采集设备可以执行单导联或多导联的ECG信号采集，并对采集到的ECG信号进行处理，得到用户的冠心病罹患概率，同时还可以得到用户的最大可能性冠心病病变位置。具有显示屏的ECG信号采集设备还可以通过显示屏对得到的用户的冠心病罹患概率和用户的最大可能性冠心病病变位置等相关信息进行显示。此外，在一些实施例中，至少两个ECG信号采集设备中的一个ECG信号采集设备(以下简称第一设备)可以采集ECG信号，并获取其他ECG信号采集设备采集到的ECG信号。第一设备结合自身采集到的ECG信号和获取到的其他ECG信号采集设备采集到的ECG信号共同进行处理，得到用户的冠心病罹患概率和用户的最大可能性冠心病病变位置等相关信息。
在一些实施例中，ECG信号采集设备还可以仅采集ECG信号，并将采集到的ECG信号发送至ECG信号处理设备进行处理。ECG信号处理设备可以对获取到的ECG信号进行处理，得到用户的冠心病罹患概率，同时还可以得到用户的最大可能性冠心病病变位置。具有显示屏的ECG信号处理设备还可以通过显示屏对得到的用户的冠心病罹患概率和用户的最大可能性冠心病病变位置等相关信息进行显示。示例性地，这里的ECG信号处理设备可以是指手机、平板、电脑、电视等。可以理解的是，若ECG信号处理设备不具备显示屏，还可以将用户的冠心病罹患概率和用户的最大可能性冠心病病变位置等相关信息发送至显示设备进行显示。
在一示例中，ECG采集设备为ECG穿戴手表，用户A佩戴ECG穿戴手表采用如图9A所示的姿势(手表中的电极接触脚腕预设位置或腿部预设位置或胸部预设位置)，可以使ECG穿戴手表采集肢体6导联ECG信号。ECG穿戴手表可以采用本申请实施例提供的方法对采集到的肢体6导联ECG信号进行处理，得到用户的冠心病罹患概率。或者，ECG穿戴手表可以将肢体6导联ECG信号传输至ECG信号处理设备(例如，手机或ipad或电脑等)。ECG信号处理设备采用本申请实施例提供的方法对采集到的肢体6导联ECG信号进行处理，得到用户A的冠心病罹患概率。
在一示例中，ECG采集设备为心率胸带，用户佩戴心率胸带。心率胸带接触用户B如图10A所示的预设位置(V1-V6)，可以采集胸部6导联ECG信号。心率胸带可以将采集到的胸部6导联ECG信号传输至ECG信号处理设备(例如，手机或ipad或电脑等)。ECG信号处理设备采用本申请实施例提供的方法对采集到的胸部6导联ECG信号进行处理，得到用户B的冠心病罹患概率。
在又一示例中，ECG采集设备为ECG穿戴手表和心率胸带，用户C佩戴ECG穿戴手表和心率胸带。基于上述两个示例，ECG穿戴手表可以采集肢体6导联ECG信号，心率胸带可以采集胸部6导联ECG信号。心率胸带可以将采集到的胸部6导联ECG信号传输至ECG穿戴手表。ECG穿戴手表可以采用本申请实施例提供的方法对12导联ECG信号进行处理，得到用户C的冠心病罹患概率。或者，心率胸带将采集到的胸部6导联ECG信号传输至ECG信号处理设备，ECG穿戴手表将肢体6导联ECG信号传输至ECG信号处理设备。ECG信号处理设备采用本申请实施例提供的方法对12导联ECG信号进行处理，得到用户C的冠心病罹患概率。
本申请实施例提供一种确定冠心病罹患概率的方法及装置，用以实现估计冠心病罹患概率。
首先，需要建立第一模型M1、第二模型M2和第三模型M3。
其中，第一模型M1用于对原始ECG信号进行全段特征提取。第二模型M2用于根据第一模型M1提取的全段特征进行重构得到原始ECG信号对应的重构信号。其中，全段特征是指至少包含一个完整周期内的原始ECG信号的特征。示例性地，从ECG图中的相邻两次心跳中的第一个P波起始位置至第二个P波起始位置获取的特征为一个周期的全段特征。或者从一次检测获取的ECG图中的起始位置至结束位置获取的特征为一次检测的全段特征。
示例性地，可以采用但不限于以下方法建立第一模型M1和第二模型M2。选取健康人群的各导联ECG信号作为原始训练信号，获取每个原始训练信号的全段特征，根据每个原始训练信号的全段特征训练获得第一模型M1。示例性地，训练获得第一模型M1的方法可以包括但不限于神经网络、随机森林等。其中，这里的全段特征包括但不限于一维特征、二维特征或多维特征。进一步地，根据每个原始训练信号的全段特征进行信号重构，并根据重构信号训练获取第二模型M2。示例性地，训练获得第二模型M2的方法包括但不限于神经网络、随机森林等。其中，健康人群可以是指没有冠心病且没有其他心血管疾病的人群。
在一些实施例中，选取健康人群的各导联ECG信号作为原始训练信号，并对每个原始训练信号进行数据预处理。例如，原始训练信号包括第一导联的ECG信号。第一导联的ECG信号可以用N维信号[x1,x2,x3,…xN]表示，N为正整数。示例性地，[x1,x2,x3,…xN]中的xi可以是指第i个时刻的信号幅值，或者采样次序为i的采样点的数值，i为正整数。例如，采样频率为100Hz，采样时长为30s,则N＝3000，即每秒钟采样100次，采样时长30s，共得到3000个采样点。对第一导联的ECG信号进行数据预处理可以包括上采样、下采样、去基线、去噪、滤波等操作，其中，本申请实施例对数据预处理的具体操作不作限定。
接着，基于预处理后的原始训练信号采用机器学习方法(包括但不限于神经网络、随机森林等)，训练第一模型M1。例如，基于预处理后的第一导联的ECG信号获取出第一导联的ECG信号的全段特征，第一导联的ECG信号的全段特征可以用M维信号[y1,y2,y3,….yM]表示，M<N，M为正整数。其中，这里的全段特征可以包括但不限于一维特征、二维特征或多维特征。通过对大量原始训练信号进行提取全段特征的训练过程，不断完善第一模型M1的各项参数。
进一步地，根据每个原始训练信号的全段特征进行信号重构，采用对应的机器学习方法(包括但不限于神经网络、随机森林等)，训练第二模型M2。例如，根据上述第一导联的ECG信号的全段特征[y1,y2,y3,…yM]，重构出N维信号[z1,z2,z3,…zN]。通过对大量原始训练信号的全段特征进行信号重构的训练过程，不断完善第二模型M2的各项参数。
示例性地，第一模型M1和第二模型M2也可以不做区分，合并成一个模型，用来从一个或多个导联的ECG信号中获取每个导联的ECG信号对应的重构信号。
如图3所示，图3中最左侧的信号为健康人群的各导联ECG信号，每个导联ECG信号采用第一模型M1进行处理，具体包括多个卷积池化层和全连接层等处理，提取出该原始信号的全段特征。进一步地，根据提取出的全段特征进行采用第二模型M2进行信号重构，具体包括多个反卷积池化层等处理，获得重构信号，即图3中最右侧的信号为各导联ECG信号的重构信号。
示例性地，N维信号[x1,x2,x3,…xN]可以经多个卷积池化层和全连接层等处理得到M维信号[y1,y2,y3,….yM]，M维信号[y1,y2,y3,….yM]经多个反卷积池化层等处理重构出N维信号[z1,z2,z3,…zN]。其中，N维信号[x1,x2,x3,…xN]与N维信号[z1,z2,z3,…zN]中的相同序号的数值为同一时刻的信号幅值，例如，x1与z1分别对应时刻1的原始训练信号的幅值和时刻1的原始训练信号对应的重构信号的幅值。
需要说明的是，第一模型M1和第二模型M2将对整段ECG信号进行处理，而不是单单ECG信号中的ST-T段的信号进行处理。例如，将30s内的所有ECG信号(平均一个人为30个周期)作为输入信号，而不是某ECG信号中的某部分信号作为输入信号。
图4为本申请的实施例中健康人群的各导联ECG信号与健康人群的各导联ECG信号分别对应的重构信号的示意图。图5为本申请的实施例中冠心病患者的各导联ECG信号与冠心病患者的各导联ECG信号分别对应的重构信号的示意图。
由图4可知，基于上述第一模型M1和第二模型M2，健康人群的各导联ECG信号与健康人群的各导联ECG信号分别对应的重构信号基本一致。如图5所示，基于上述第一模型M1和第二模型M2，冠心病患者的各导联ECG信号与冠心病患者的各导联ECG信号分别对应的重构信号相差较大。
可以理解的是，任意两个健康用户的ECG信号相似度较高，而任意两个冠心病患者的ECG信号一般相似度较低，即冠心病患者的ECG信号多种多样，不易获得全部冠心病患者的可能ECG信号。具体的，不同冠心病患者的病变位置和病变程度均不相同，所以不同冠心病患者的ECG信号相差较大，且有些冠心病患者还可能同时患有其他疾病，进而也可能对ECG信号造成一定影响。例如，将一个周期的某导联的ECG信号分为多段，对于健康用户，每段ECG信号均处于相应的区间范围，而对于冠心病患者，存在若干段ECG信号不在对应区间范围内。
示例性地，按照第一模型M1提取健康用户的ECG信号的全段特征，因为不同健康用户的ECG信号相似度较高，所以即使不同健康用户提取到的全段特征也均是满足一定的变化规律或预设条件的，进一步地，按照第二模型M2基于提取到的特征进行信号重构可以得到与健康用户的ECG信号相近的重构信号。这同时也是第一模型M1和第二模型M2的训练目的，即健康用户的ECG信号通过第一模型M1和第二模型M2可以基本还原回去。
但是，按照第一模型M1提取冠心病患者的ECG信号的全段特征，提取到的这些全段特征是不满足上述变化规律或预设条件，那么这时按照M2基于提取到的特征进行信号重构，得到的重构信号与原始冠心病患者的ECG信号相差较大，即无法还原到原来的冠心病患者的ECG信号。
第三模型M3可以采用但不限于以下方法建立第三模型M3。其中，训练获得第三模型M3的方法可以包括但不限于神经网络、随机森林等。
示例1：首先，选取冠心病人群的各导联ECG信号、其他病种人群的各导联的ECG信号、健康人群的各导联的ECG信号作为原始训练信号，根据每个原始训练信号以及第一模型M1和第二模型M2获得每个原始训练信号对应的重构信号，根据原始训练信号和原始训练信号对应的重构信号训练获得的第三模型M3。示例性地，其他病种人群可以是指没有冠心病，但是患有其他心血管疾病的人群。
在一些实施例中，首先，选取冠心病人群的各导联ECG信号、其他病种人群的各导联的ECG信号、健康人群的各导联的ECG信号作为原始训练信号，根据每个原始训练信号以及第一模型M1和第二模型M2获得每个原始训练信号对应的重构信号。然后，根据每个原始训练信号和相应的重构信号确定每个原始训练信号对应的目标信号，其中，每个原始训练信号对应的目标信号反映该原始训练信号与该原始训练信号对应的重构信号之间的差异。
进一步地，基于每个原始训练信号对应的目标信号，采用机器学习方法(包括且不限于神经网络、随机森林等)，根据每个原始训练信号的标签，训练出第三模型M3。其中，冠心病人群的各导联ECG信号的类型标签、其他病种人群的各导联的ECG信号的类型标签和健康人群的各导联的ECG信号的类型标签互不相同。示例性地，冠心病人群的各导联ECG信号的类型标签为冠心病，其他病种人群的各导联的ECG信号的类型标签为其他病种，健康人群的各导联的ECG信号的类型标签为健康。或者，冠心病人群的各导联ECG信号的类型标签为标签1，其他病种人群的各导联的ECG信号的类型标签为标签2，健康人群的各导联的ECG信号的类型标签为标签3。可以理解的是，以上类型标签的具体形式仅为举例，不作为本申请实施例的限定。
例如，原始训练信号包括第一导联的ECG信号。第一导联的ECG信号可以用N维信号[x1,x2,x3,…xN]表示，第一导联的ECG信号对应的重构信号可以用于N维信号[z1,z2,z3,…zN]表示，N为正整数。将第一导联的ECG信号[x1,x2,x3,…xN]与相应的重构信号[z1,z2,z3,…zN]做差得到N维信号[a1,a2,a3,…aN]，则N维信号[a1,a2,a3,…aN]记为第一导联的ECG信号对应的目标信号。同理，可以得到其他原始训练信号与相应重构信号的差确定的相应的目标信号。进一步地，针对上述获得的各个原始训练信号对应的目标信号采用机器学习方法(包括且不限于神经网络、随机森林等)，根据各个原始训练信号的标签(例如冠心病、其他病种、健康)，训练出第三模型M3。通过对大量原始训练信号对应目标信号基于原始训练信号的类型标签的训练过程，不断完善第三模型M3的各项参数。
基于采用示例1的方式获得的第三模型M3，首先根据用户的ECG信号和ECG信号对应的重构信号确定ECG信号对应的目标信号，将ECG信号对应的目标信号输入至第三模型M3能够得到该ECG信号为冠心病人群的ECG信号的概率、其他病种人群的ECG信号的概率、以及健康人群的ECG信号的概率，进而可以作为用户的冠心病罹患概率、用户的其他疾病罹患概率与用户为健康人群的概率。用户的冠心病罹患概率、用户的其他疾病罹患概率与用户为健康人群的概率三者之和为1。
示例性地，根据用户的I导联的ECG信号和对应的重构信号确定目标信号，假设采用第三模型可以从目标信号中提取出1000个特征，并可以确定其中700个特征与冠心病患者的I导联的ECG信号对应的目标信号所具备的特征匹配，200个特征与健康用户的I导联的ECG信号对应的目标信号所具备的特征匹配，100个特征与其他病种的I导联的ECG信号对应的目标信号所具备的特征匹配。因此，通过第三模型输出结果为：用户的冠心病罹患概率为70％，用户属于健康人群的概率为20％，用户为其他病种的概率为10％。
需要说明的是，即使根据某个原始训练信号中的冠心病患者的ECG信号和对应的重构信号确定目标信号，然后将该目标信号输入至第三模型，也可能得不到用户的冠心病罹患概率为100％。
示例2：首先，选取冠心病人群的各导联ECG信号和健康人群的各导联的ECG信号作为原始训练信号，根据每个原始训练信号以及第一模型M1和第二模型M2获得每个原始训练信号对应的重构信号，根据原始信号和原始信号对应的重构信号训练获得的第三模型M3。
在一些实施例中，首先，选取冠心病人群的各导联ECG信号和健康人群的各导联的ECG信号作为原始训练信号，根据每个原始训练信号以及第一模型M1和第二模型M2获得每个原始训练信号对应的重构信号。然后，根据每个原始训练信号和相应的重构信号确定每个原始训练信号对应的目标信号，其中，每个原始训练信号对应的目标信号反映该原始训练信号与该原始训练信号对应的重构信号之间的差异。
进一步地，基于每个原始训练信号对应的目标信号，采用机器学习方法(包括且不限于神经网络、随机森林等)，根据每个原始训练信号的标签，训练出第三模型M3。其中，冠心病人群的各导联ECG信号的类型标签和健康人群的各导联的ECG信号的类型标签互不相同。示例性地，冠心病人群的各导联ECG信号的类型标签为冠心病，健康人群的各导联的ECG信号的类型标签为健康。或者，冠心病人群的各导联ECG信号的类型标签为标签1，健康人群的各导联的ECG信号的类型标签为标签2。可以理解的是，以上类型标签的具体形式仅为举例，不作为本申请实施例的限定。
例如，原始训练信号包括第一导联的ECG信号。第一导联的ECG信号可以用N维信号[x1,x2,x3,…xN]表示，第一导联的ECG信号对应的重构信号可以用于N维信号[z1,z2,z3,…zN]表示，N为正整数。将第一导联的ECG信号[x1,x2,x3,…xN]与相应的重构信号[z1,z2,z3,…zN]做差得到N维信号[a1,a2,a3,…aN]，则N维信号[a1,a2,a3,…aN]记为第一导联的ECG信号对应的目标信号。同理，可以得到其他原始训练信号与相应重构信号的差确定的相应的目标信号。进一步地，针对上述获得的各个原始训练信号对应的目标信号采用机器学习方法(包括且不限于神经网络、随机森林等)，根据各个原始训练信号的类型标签(例如冠心病、其他病种、健康)，训练出第三模型M3。通过对大量原始训练信号对应目标信号基于原始训练信号的类型标签的训练过程，不断完善第三模型M3的各项参数。
基于采用示例2的方式获得的第三模型M3，首先根据用户的ECG信号和ECG信号对应的重构信号确定ECG信号对应的目标信号，将ECG信号对应的目标信号输入至第三模型M3能够得到该ECG信号为冠心病人群的ECG信号的概率以及健康人群的ECG信号的概率，进而可以作为用户的冠心病罹患概率与用户为健康人群的概率。用户的冠心病罹患概率与用户为健康人群的概率之和为1。
其中，在第三模型的基础上，若每个冠心病患者对应的冠心病已经通过诊断确定，例如，后壁、侧壁、下壁、前壁等冠心病，或者左冠状动脉主干、前降支、回旋支、右冠状动脉等冠心病，则结合冠心病患者的各导联的ECG信号的诊断标签(例如，后壁、侧壁、下壁、前壁，或者左冠状动脉主干、前降支、回旋支、右冠状动脉)可以训练获得的冠心病病变空间。具体的，冠心病患者的各导联的ECG信号分别对应的目标信号经第三模型处理，提取第一特征(例如全连接层特征)，并对第一特征进行降维处理，包括但不限于3维，结合冠心病患者的各导联的ECG信号的诊断标签，可以训练得到冠心病病变空间。如图6所示为3维冠心病病变空间的示意图。其中，冠心病患者的各导联的ECG信号分别对应的目标信号是由冠心病患者的各导联的ECG信号和冠心病患者的各导联的ECG信号分别对应的重构信号确定的。其中，图6中的X轴、Y轴、Z轴可以理解为以下含义但不限于以下含义：X轴、Y轴、Z轴可以用于标识心脏的模拟三维空间、或者X轴、Y轴、Z轴可以用于标识肢体导联病变程度、胸导联病变程度、肢体及胸导联的管理病变程度、X轴、Y轴、Z轴可以用于标识ST病变、T病变、P波病变。因此，第三模型M3能够实现根据用户的ECG信号和ECG信号对应的重构信号确定第一特征(例如全连接层特征)，并对第一特征进行降维处理(例如降至3维)，根据该第一特征在图6所示的冠心病病变空间的位置信息，确定用户的最大可行性病变位置。
如图7所示，以下以第一装置为例，说明确定用户的冠心病罹患概率的具体过程。其中，第一装置可以为ECG信号采集设备或ECG信号处理设备，或者ECG信号采集设备或ECG信号处理设备内的芯片。
步骤1：第一装置获取用户的一个或多个导联的ECG信号。
当第一装置为ECG信号采集设备时，第一装置能够根据采集到的ECG信号，或者，第一装置还可以同时收集其他ECG信号采集设备采集到的ECG信号。
当第一装置为ECG信号处理设备时，第一装置收集其他ECG信号采集设备采集到的ECG信号。
步骤2：第一装置根据一个或多个导联的ECG信号确定一个或多个导联的ECG信号分别对应的重构信号。其中，一个或多个导联的ECG信号包括第一导联的ECG信号，第一导联的ECG信号对应的重构信号是基于第一导联的ECG信号的特征进行信号重构获得的。
第一装置提取一个或多个导联的ECG信号中的每个导联的ECG信号的特征，示例性地，全段特征，并根据每个导联的ECG信号的特征进行信号重构，获得每个导联的ECG信号对应的重构信号。
示例性地，基于上述第一模型M1对一个或多个导联的ECG信号中的每个导联的ECG信号进行全段特征提取，并基于第二模型M2对于一个或多个导联的ECG信号中的每个导联的ECG信号提取到的全段特征进行重构，得到每个导联的ECG信号对应的重构信号。
在一些实施例中，在确定一个或多个导联的ECG信号分别对应的重构信号之后，第一装置还可以根据一个或多个导联的ECG信号和一个或多个导联的ECG信号分别对应的重构信号确定一个或多个导联的ECG信号中的异常信号。
示例性地，针对任一导联ECG信号与该导联ECG信号对应的重构信号，若满足以下一个或多个异常信号条件，则可确定该导联ECG信号为异常信号：
条件1：在两段信号的差值中，存在差值的绝对值大于阈值T1；
例如，I导联的ECG信号与该I导联的ECG信号的重构信号的差值的绝对值的最大值为0.3mV，I导联对应的阈值T1为0.2mV，则I导联的ECG信号为异常信号。
条件2：在两段信号的差值中，存在差值的绝对值的归一值(差值绝对值/去符号最大值)大于阈值T2，其中，去符号最大值是指两段信号中的原始信号的幅值绝对值的最大值。
条件3：两段信号的差值的平方大于阈值T3；
条件4：两段信号的差值的归一值(差值/去符号最大值)的平方和大于阈值T4。
条件5：两段信号的差值的标准差大于阈值T5；
条件6：两段信号的差值的归一值(差值/去符号最大值)的标准差大于阈值T6；
条件7：两段信号的差值的绝对值的X1百分位数大于阈值T7；
条件8：两段信号的差值绝对值的归一值(差值绝对值/去符号最大值)的X2百分位数大于阈值T8。
可以理解的是，上述条件仅为举例，不排除用其他方法来判断异常信号。
上述阈值T1至阈值T8以及X1和X2可以根据冠心病患者的原始导联ECG信号和原始导联ECG信号对应的重构信号的差异的统计结果确定，如99％分位数等。
例如，若第一导联的ECG信号对应的重构信号与第一导联的ECG信号满足上述条件1至条件8中的一个或多个条件，则确定第一导联的ECG信号为异常信号，或称为病变导联信号。
又例如，如图5所示，I、aVR、aVL分别对应ECG信号满足上述条件1至条件8中的一个或多个条件，为异常信号。
可以理解的是，第一装置可以针对获取的每个导联的ECG信号判断其是否为异常信号，若确定获取的一个或多个导联的ECG信号中不存在异常信号，则可以确定用户属于健康人群，或用户的冠心病罹患概率为0，例如，通过显示屏显示用户属于健康人群，或用户的冠心病罹患概率为0。此外，第一装置可以不判断每个导联的ECG信号是否为异常信号，直接执行步骤3。
步骤3：第一装置根据一个或多个导联的ECG信号和一个或多个导联的ECG信号分别对应的重构信号确定用户的冠心病罹患概率。
示例性地，当冠心病罹患概率较高时，则第一装置可以进一步建议用户去医院针对冠心病就诊。当冠心病罹患概率较低时，则可以进一步提示用户再一次执行ECG测量，或者为用户预约下一次ECG测量，以监控用户的健康状况。
需要说明的是，这里的冠心病罹患概率的表现形式可以采用但不限于以下一种方式或多种方式的组合：
1、冠心病罹患概率可以为具体数值。
2、冠心病罹患概率可以通过高、中或低表示。
其中，当冠心病罹患概率可以通过高、中或低表示时，若冠心病罹患概率指示为低，则可以表示用户罹患冠心病的风险较低，也可以表示用户属于健康人群，具体取决于分类规则。例如，当冠心病罹患概率为70％以上，则冠心病罹患概率指示为高，当冠心病罹患概率为50％-70％，则冠心病罹患概率指示为中。当冠心病罹患概率为30％-50％，则冠心病罹患概率指示为低，当冠心病罹患概率为30％以下，则判定用户属于健康人群。进一步地，当冠心病罹患概率指示为高或中时，则可以进一步建议用户去医院进行检查。当冠心病罹患概率指示为低时，则可以进一步提示用户再一次执行ECG测量，或者为用户预约下一次ECG测量，以监控用户的健康状况。又例如，当冠心病罹患概率为65％以上，则冠心病罹患概率指示为高，当冠心病罹患概率为35％-65％，则冠心病罹患概率指示为中。当冠心病罹患概率为35％以下，则冠心病罹患概率指示为低，此时，冠心病罹患概率指示为低表示用户属于健康人群。
可以理解的是，上述具体数值仅为举例，不作为本申请实施例的限定。
此外，冠心病罹患概率可以通过更多类别表示，本申请实施例对此不作限定。例如，冠心病罹患概率从高到低依次表示为：A+，A，A-，B+，B，B-，C。
3、冠心病罹患概率还可以通过柱形图或扇形图等图形方式进行表示。
在一些实施例中，第一装置根据一个或多个导联的ECG信号和一个或多个导联的ECG信号分别对应的重构信号采用第三模型确定用户的冠心病罹患概率。此时，第一装置不对输入第三模型的信号进行筛选。
在一些实施例中，第一装置根据异常信号和异常信号对应的重构信号采用第三模型确定用户的冠心病罹患概率。此时，第一装置首先筛选出异常信号和异常信号对应的重构信号，然后采用第三模型进行处理。
可以理解的是，第一装置不对输入第三模型的信号进行筛选，可能导致输入第三模型的计算量较大，但是节约前期对输入第三模型的信号进行筛选所消耗的时间和工作量。而第一装置首先筛选出异常信号和异常信号对应的重构信号，然后采用第三模型进行处理，可以减轻第三模型的计算量。且当通过筛选未发现异常信号，则可以直接得出用户为非冠心病用户，无需通过第三模型进行信号处理。
在一示例中，第一装置根据异常信号和异常信号对应的重构信号确定异常信号对应的目标信号，异常信号对应的目标信号反映异常信号和异常信号对应的重构信号之间差异。例如，假设第一导联的ECG信号为异常信号，第一导联的ECG信号可以用N维信号[x1,x2,x3,…xN]表示，第一导联的ECG信号对应的重构信号可以用于N维信号[z1,z2,z3,…zN]表示，N为正整数。将第一导联的ECG信号[x1,x2,x3,…xN]与相应的重构信号[z1,z2,z3,…zN]做差得到N维信号[a1,a2,a3,…aN]，则N维信号[a1,a2,a3,…aN]记为第一导联的ECG信号对应的目标信号。
第一装置根据异常信号对应的目标信号采用第三模型确定用户的冠心病罹患概率、用户的其他疾病罹患概率和用户为健康人群的概率。示例性地，用户的冠心病罹患概率、用户的其他疾病罹患概率与用户为健康人群的概率三者之和为1。
此时的第三模型采用上述第三模型相关段落中的示例1的方案获得，重复之处不再赘述。
例如，第一装置根据异常信号和异常信号对应的重构信号采用第三模型确定用户的冠心病罹患概率为70％、用户的其他疾病罹患概率为15％和用户为健康人群的概率为15％。此时，第一装置可以仅显示用户的冠心病罹患概率为70％，或显示用户的冠心病罹患概率为70％、用户的其他疾病罹患概率为15％和用户为健康人群的概率为15％，或显示用户的冠心病罹患概率为高，或显示用户的冠心病罹患概率的柱形图，或显示用户的冠心病罹患概率、用户的其他疾病罹患概率和用户为健康人群的概率对应的扇形图等，本申请实施例对此不作限定。
示例性地，第一装置还可以仅关注用户的冠心病罹患概率，不对用户的其他疾病罹患概率较高进行提示。或者，若用户的其他疾病罹患概率较高，第一装置还可以提示用户去医院进行进一步检查。
可以理解的是，并不是存在异常信号就说明该异常信号对应的用户为冠心病患者，用户也可能为其他疾病的患者或者用户属于健康人群。
在一示例中，第一装置根据异常信号和异常信号对应的重构信号确定异常信号对应的目标信号，异常信号对应的目标信号反映异常信号和异常信号对应的重构信号之间差异。例如，假设第一导联的ECG信号为异常信号，第一导联的ECG信号可以用N维信号[x1,x2,x3,…xN]表示，第一导联的ECG信号对应的重构信号可以用于N维信号[z1,z2,z3,…zN]表示，N为正整数。将第一导联的ECG信号[x1,x2,x3,…xN]与相应的重构信号[z1,z2,z3,…zN]做差得到N维信号[a1,a2,a3,…aN]，则N维信号[a1,a2,a3,…aN]记为第一导联的ECG信号对应的目标信号。
第一装置根据异常信号对应的目标信号采用第三模型确定用户的冠心病罹患概率和用户为健康人群的概率。示例性地，用户的冠心病罹患概率与用户为健康人群的概率之和为1。
此时的第三模型采用上述第三模型相关段落中的示例2的方案获得，重复之处不再赘述。
此外，在一些实施例中，第一装置根据异常信号和异常信号对应的重构信号采用第三模型确定第一特征，根据第一特征确定第一特征在冠心病病变空间的位置信息，根据第一特征在冠心病病变空间的位置信息确定用户的最大可能性冠心病病变位置。例如，第一特征可以为全连接层特征。冠心病病变空间的确定方式可以参考上述相关段落，重复之处不在赘述。
如图8所示，第一装置将异常信号和异常信号对应的重构信号输入第三模型M3，例如，经卷积池化层、全连接层等处理，可以确定全连接层特征在冠心病病变空间的位置信息，根据全连接层特征在冠心病病变空间中的位置信息可以确定用户的最大可能性冠心病病变位置。
例如，第一装置将异常信号和异常信号对应的重构信号输入第三模型M3，确定图8中的特征1，根据特征1的坐标可以确定特征1落入后壁病变空间，进而可以获知用户的最大可能性冠心病病变位置为后壁，即该用户可能为后壁病变冠心病患者。又例如，第一装置将异常信号和异常信号对应的重构信号输入第三模型M3，确定图8中的特征2，确定特征2未落入任何一个冠心病病变空间，则可知该用户可能为其他疾病患者，而非冠心病患者。
同理，采用上述第三模型也适用于第一装置直接根据一个或多个导联的ECG信号和一个或多个导联的ECG信号对应的重构信号确定第一特征，根据第一特征确定第一特征在冠心病病变空间的位置信息，根据第一特征在冠心病病变空间的位置信息确定用户的最大可能性冠心病病变位置，重复之处不在赘述。
以下结合具体实施例说明图7所示的实施例。
示例1：用户A利用ECG穿戴手表采集肢体导联ECG信号中的某一导联或某些导联的ECG信号。例如，用户A佩戴ECG穿戴手表采用如图9A所示的姿势(手表中的电极接触脚腕预设位置或腿部预设位置或胸部预设位置)，可以使ECG穿戴手表采集肢体6导联ECG信号，具体如图9B所示的肢体6导联ECG信号。ECG穿戴手表通过第一模型M1对获取的6导联ECG信号分别进行全段特征提取，以及通过第二模型M2对每个导联的ECG信号提取的全段特征进行重构，获得每个导联的ECG信号对应的重构信号，如图9C。ECG穿戴手表根据获取的每个导联的ECG信号以及每个导联的ECG信号对应的重构信号确定至少一个异常信号，例如，aVR、aVL分别对应ECG信号为异常信号，如图9D所示。进一步地，ECG穿戴手表根据异常信号和异常信号对应的重构信号采用第三模型M3确定用户A的冠心病罹患概率为76％(如图9F所示)，此外，还可以确定全连接层特征以及全连接层特征在冠心病病变空间中的位置信息进而获取用户A的最大可能性冠心病病变位置。示例性地，全连接层特征落入侧壁冠心病病变空间，如图9E所示，进一步地，ECG穿戴设备还可以建议用户去医院针对冠心病就诊。
示例2：用户B利用心率胸带，采集胸部导联ECG信号中的某一导联或某些导联。例如，用户佩戴心率胸带。心率胸带接触用户B如图10A所示的预设位置(V1-V6)，可以采集胸部6导联ECG信号，图10B为胸部6导联ECG信号的示意图。心率胸带可以将采集到的胸部6导联ECG信号传输至ECG信号处理设备，例如用户B的手机。用户B的手机通过第一模型M1对获取的6导联ECG信号分别进行全段特征提取，以及通过第二模型M2对每个导联的ECG信号提取的全段特征进行重构，获得每个导联的ECG信号对应的重构信号，如图10C所示。ECG穿戴设备根据获取的每个导联的ECG信号以及每个导联的ECG信号对应的重构信号确定至少一个异常信号，例如，V1、V2、V6分别对应ECG信号为异常信号，如图10D所示。进一步地，用户B的手机将异常信号和异常信号对应的重构信号输入第三模型M3确定ECG穿戴设备将异常信号和异常信号对应的重构信号输入第三模型M3确定用户B的冠心病罹患概率为28％，其他疾病的概率为52％，如图10F所示，此外，还可以确定全连接层特征以及全连接层特征在冠心病病变空间中分别对应的位置信息，示例性地，全连接层特征未落入任何一个冠心病病变空间，如图10E所示。进一步地，用户B的手机还可以提示用户B虽罹患冠心病的风险较低，但存在罹患其他疾病的风险，建议用户去医院进一步检查。
示例3：用户C利用ECG穿戴手表采集肢体导联中的某一导联或某些导联，以及心率胸带采集胸导联中的某一导联或某些导联。例如，用户C佩戴ECG穿戴手表和心率胸带。基于上述两个示例，ECG穿戴手表可以采集肢体6导联ECG信号，心率胸带可以采集胸部6导联ECG信号。心率胸带将胸部6导联ECG信号发送至ECG穿戴手表。因此，ECG穿戴手表获取12导联ECG信号，包括肢体6导联ECG信号和胸部6导联ECG信号。图11A为12导联ECG信号的示意图。ECG穿戴手表通过第一模型M1对获取的12导联ECG信号分别进行全段特征提取，以及通过第二模型M2对每个ECG信号提取的全段特征进行重构，获得每个ECG信号对应的重构信号，如图11B所示。ECG穿戴手表根据获取的每个ECG信号以及每个ECG信号对应的重构信号确定至少一个异常信号，例如，II、III、aVF分别对应ECG信号为异常信号，如图11C所示。进一步地，ECG穿戴手表将异常信号和异常信号输入第三模型M3确定用户C的冠心病罹患概率为81％，如图11E所示，此外，还可以确定全连接层特征以及全连接层特征在冠心病病变空间中分别对应的位置信息进而获取用户C的最大可能性冠心病病变位置，示例性地，全连接层特征落入下壁冠心病病变空间，如图11D所示。进一步地，ECG穿戴设备还可以建议用户去医院针对冠心病就诊。
可以理解的是，为了实现上述实施例中功能，本领域技术人员应该很容易意识到，结合本申请中所公开的实施例描述的各示例的单元及方法步骤，本申请能够以硬件或硬件和计算机软件相结合的形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用场景和设计约束条件。
图12和图13为本申请的实施例提供的可能的通信装置的结构示意图。这些通信装置可以用于实现上述方法实施例中第一装置的功能，因此也能实现上述方法实施例所具备的有益效果。在本申请的实施例中，该通信装置可以是ECG信号采集设备或ECG信号处理设备，还可以是应用于ECG信号采集设备或ECG信号处理设备的模块(如芯片)。
如图12所示，通信装置1200包括处理单元1210和收发单元1220。通信装置1200用于实现上述图7中所示的方法实施例中第一装置的功能。
当通信装置1200用于实现图12所示的方法实施例中第一装置的功能时：收发单元1220用于获取用户的一个或多个导联的ECG信号；处理单元1210用于根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号；其中，所述一个或多个导联的ECG信号包括第一导联的ECG信号，所述第一导联的ECG信号对应的重构信号是基于所述第一导联的ECG信号的特征进行信号重构获得的；根据所述一个或多个导联的ECG信号和分别对应的重构信号确定用户的冠心病罹患概率。
示例性地，第一装置可以为ECG信号采集设备可以为可穿戴设备，例如智能手表、智能胸带，单导联ECG手表、多导联ECG手表、胸电ECG贴、单导联或多导联ECG贴等。其中，ECG信号采集设备可以执行单导联或多导联的ECG信号采集，并对采集到的ECG信号进行处理，得到用户的冠心病罹患概率等相关信息。具有显示屏的第一装置还可以通过显示屏对得到的用户的冠心病罹患概率等相关信息进行显示。
此外，在一些实施例中，第一装置可以采集ECG信号，并获取其他ECG信号采集设备采集到的ECG信号。第一装置结合自身采集到的ECG信号和获取到的其他ECG信号采集设备采集到的ECG信号共同进行处理，得到用户的冠心病罹患概率等相关信息。
在一些实施例中，第一装置可以为ECG信号处理设备，第一装置可以对获取到的ECG信号进行处理，得到用户的冠心病罹患概率等相关信息。具有显示屏的第一装置还可以通过显示屏对得到的用户的冠心病罹患概率等相关信息进行显示。示例性地，这里的第一装置可以是指平板、电脑、电视等。可以理解的是，若第一装置不具备显示屏，还可以将用户的冠心病罹患概率等相关信息发送至显示设备进行显示。
在一种可能的设计中，处理单元，用于在根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率时，根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号；根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率。
在一种可能的设计中，处理单元，用于在根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号时，采用第一模型提取所述一个或多个导联的ECG信号中的每个导联的ECG信号的特征；采用第二模型根据每个导联的ECG信号的特征进行信号重构，获得每个导联的ECG信号对应的重构信号；
其中，所述第一模型和所述第二模型是根据健康人群的各导联的ECG信号训练获得的。
在一种可能的设计中，处理单元，用于在根据所述一个或多个导联的ECG信号和分别对应的重构信号确定一个或多个导联的ECG信号中的异常信号时，第一导联的ECG信号与对应的重构信号若满足以下一个或多个异常信号条件，则确定第一导联的ECG信号为异常信号：在第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值大于第一阈值；或者，在第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值与去符号最大值的比值大于第二阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值的平方和大于第三阈值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的平方和大于第四阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的标准差大于第五阈值；或者，第一导联的ECG信号与对应的重构信号的差值与去符号最大值的比值的标准差大于第六阈值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值的X1百分位数大于第七阈值，X1为预设数值；或者，第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的X2百分位数大于第八阈值。X2为预设数值；其中，去符号最大值是指第一导联的ECG信号的幅值绝对值的最大值。
在一种可能的设计中，处理单元，用于在根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率时，根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异；根据目标信号采用第三模型确定所述用户的冠心病罹患概率；
其中，所述第三模型是根据第一信号集合和第二信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的。
在一种可能的设计中，处理单元，用于在根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率时，根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异；根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率；
其中，所述第三模型是根据第一信号集合、第二信号集合和第三信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的，所述第三信号集合包括其他疾病人群的各导联的ECG信号分别对应的目标信号，所述其他疾病人群的各导联的ECG信号分别对应的目标信号是由所述其他疾病人群的各导联的ECG信号和分别对应的重构信号确定的。
在一种可能的设计中，处理单元，用于在根据异常信号和对应的重构信号采用第三模型确定第一特征；根据第一特征确定第一特征在冠心病病变空间的位置信息；根据第一特征在冠心病病变空间的位置信息确定用户的最大可能性冠心病病变位置。
在一种可能的设计中，所述冠心病病变空间是根据所述第一信号集合以及冠心病患者的各导联的ECG信号的诊断标签训练获得的。
在一种可能的设计中，第一特征为全连接层特征。
有关上述处理单元1210和收发单元1220更详细的描述可以直接参考图7所示的方法实施例中相关描述直接得到，这里不加赘述。
如图13所示，通信装置1300包括处理器1310和接口电路1320。处理器1310和接口电路1320之间相互耦合。可以理解的是，接口电路1320可以为收发器或输入输出接口。可选的，通信装置1300还可以包括存储器1330，用于存储处理器1310执行的指令或存储处理器1310运行指令所需要的输入数据或存储处理器1310运行指令后产生的数据。
当通信装置1300用于实现图12所示的方法时，处理器1310用于实现上述处理单元1210的功能，接口电路1320用于实现上述收发单元1220的功能。
可以理解的是，本申请的实施例中的处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其它可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。
本申请的实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(Random Access Memory，RAM)、闪存、只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于网络设备或终端设备中。当然，处理器和存储介质也可以作为分立组件存在于网络设备或终端设备中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘(digital video disc，DVD)；还可以是半导体介质，例如，固态硬盘(solid state drive，SSD)。
在本申请的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A,B可以是单数或者复数。在本申请的文字描述中，字符“/”，一般表示前后关联对象是一种“或”的关系；在本申请的公式中，字符“/”，表示前后关联对象是一种“相除”的关系。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定。
Claims (21)
1.一种确定冠心病罹患概率的方法，其特征在于，该方法包：
获取用户的一个或多个导联的心电图ECG信号；
根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号；其中，所述一个或多个导联的ECG信号包括第一导联的ECG信号，所述第一导联的ECG信号对应的重构信号是基于所述第一导联的ECG信号的特征进行信号重构获得的；
根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率。
2.如权利要求1所述的方法，其特征在于，根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率，包括：
根据所述一个或多个导联的ECG信号和对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号；
根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率。
3.如权利要求1或2所述的方法，其特征在于，根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号，包括：
采用第一模型提取所述一个或多个导联的ECG信号中的每个导联的ECG信号的特征；
采用第二模型根据每个导联的ECG信号的特征进行信号重构，获得对应的重构信号；
其中，所述第一模型和所述第二模型是根据健康人群的各导联的ECG信号训练获得的。
4.如权利要求2或3所述的方法，其特征在于，根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号，包括：
若所述第一导联的ECG信号与对应的重构信号满足以下一个或多个异常信号条件，则确定所述第一导联的ECG信号为异常信号：
在所述第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值大于第一阈值；
或者，在所述第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值与去符号最大值的比值大于第二阈值；其中，所述去符号最大值是指所述第一导联的ECG信号的幅值绝对值的最大值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的绝对值的平方和大于第三阈值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的平方和大于第四阈值；其中，所述去符号最大值是指所述第一导联的ECG信号的幅值绝对值的最大值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的标准差大于第五阈值；
或者，所述第一导联的ECG信号与对应的重构信号的差值与去符号最大值的比值的标准差大于第六阈值；其中，所述去符号最大值是指所述第一导联的ECG信号的幅值绝对值的最大值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的绝对值的X1百分位数大于第七阈值，X1为预设数值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的X2百分位数大于第八阈值，X2为预设数值；其中，所述去符号最大值是指所述第一导联的ECG信号的幅值绝对值的最大值。
5.如权利要求2-4任一项所述的方法，其特征在于，根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率，包括：
根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异；
根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率；
其中，所述第三模型是根据第一信号集合和第二信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的。
6.如权利要求2-4任一项所述的方法，其特征在于，根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率，包括：
根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异；
根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率；
其中，所述第三模型是根据第一信号集合、第二信号集合和第三信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的，所述第三信号集合包括其他疾病人群的各导联的ECG信号分别对应的目标信号，所述其他疾病人群的各导联的ECG信号分别对应的目标信号是由所述其他疾病人群的各导联的ECG信号和分别对应的重构信号确定的。
7.如权利要求5或6所述的方法，其特征在于，还包括：
根据所述异常信号和对应的重构信号采用第三模型确定第一特征；
根据所述第一特征确定所述第一特征在冠心病病变空间的位置信息；
根据所述第一特征在冠心病病变空间的位置信息确定所述用户的最大可能性冠心病病变位置。
8.如权利要求7所述的方法，其特征在于，所述冠心病病变空间是根据所述第一信号集合以及冠心病患者的各导联的ECG信号的诊断标签训练获得的。
9.如权利要求6或7所述的方法，其特征在于，所述第一特征为全连接层特征。
10.一种确定冠心病罹患概率的装置，其特征在于，该装置包：
收发单元，用于获取用户的一个或多个导联的ECG信号；
处理单元，用于根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号；其中，所述一个或多个导联的ECG信号包括第一导联的ECG信号，所述第一导联的ECG信号对应的重构信号是基于所述第一导联的ECG信号的特征进行信号重构获得的；根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率。
11.如权利要求10所述的装置，其特征在于，所述处理单元，用于在根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述用户的冠心病罹患概率时，根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号；根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率。
12.如权利要求11所述的装置，其特征在于，所述处理单元，用于在根据所述一个或多个导联的ECG信号确定所述一个或多个导联的ECG信号分别对应的重构信号时，采用第一模型提取所述一个或多个导联的ECG信号中的每个导联的ECG信号的特征；采用第二模型根据每个导联的ECG信号的特征进行信号重构，获得对应的重构信号；
其中，所述第一模型和所述第二模型是根据健康人群的各导联的ECG信号训练获得的。
13.如权利要求11或12所述的装置，其特征在于，所述处理单元，用于在根据所述一个或多个导联的ECG信号和分别对应的重构信号确定所述一个或多个导联的ECG信号中的异常信号时，若第一导联的ECG信号与对应的重构信号满足以下一个或多个异常信号条件，则确定所述第一导联的ECG信号为异常信号：
在所述第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值大于第一阈值；
或者，在所述第一导联的ECG信号与对应的重构信号的差值中，存在差值的绝对值与去符号最大值的比值大于第二阈值；其中，所述去符号最大值是指所述第一导联的ECG信号的幅值绝对值的最大值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的绝对值的平方和大于第三阈值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的平方和大于第四阈值；其中，所述去符号最大值是指所述第一导联的ECG信号的幅值绝对值的最大值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的标准差大于第五阈值；
或者，所述第一导联的ECG信号与对应的重构信号的差值与去符号最大值的比值的标准差大于第六阈值；其中，所述去符号最大值是指所述第一导联的ECG信号的幅值绝对值的最大值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的绝对值的X1百分位数大于第七阈值，X1为预设数值；
或者，所述第一导联的ECG信号与对应的重构信号的差值的绝对值与去符号最大值的比值的X2百分位数大于第八阈值，X2为预设数值；其中，所述去符号最大值是指所述第一导联的ECG信号的幅值绝对值的最大值。
14.如权利要求11-13任一项所述的装置，其特征在于，所述处理单元，用于在根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率时，根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异；根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率；
其中，所述第三模型是根据第一信号集合和第二信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的。
15.如权利要求11-13所述的装置，其特征在于，所述处理单元，用于在根据所述异常信号和对应的重构信号确定所述用户的冠心病罹患概率时，根据所述异常信号和对应的重构信号确定目标信号，所述目标信号反映所述异常信号和对应的重构信号之间差异；根据所述目标信号采用第三模型确定所述用户的冠心病罹患概率；
其中，所述第三模型是根据第一信号集合、第二信号集合和第三信号集合训练获得的，其中，所述第一信号集合包括冠心病患者的各导联的ECG信号分别对应的目标信号，所述冠心病患者的各导联的ECG信号分别对应的目标信号是由所述冠心病患者的各导联的ECG信号和分别对应的重构信号确定的，所述第二信号集合包括健康人群的各导联的ECG信号分别对应的目标信号，所述健康人群的各导联的ECG信号分别对应的目标信号是由所述健康人群的各导联的ECG信号和分别对应的重构信号确定的，所述第三信号集合包括其他疾病人群的各导联的ECG信号分别对应的目标信号，所述其他疾病人群的各导联的ECG信号分别对应的目标信号是由所述其他疾病人群的各导联的ECG信号和分别对应的重构信号确定的。
16.如权利要求14或15所述的装置，其特征在于，所述处理单元，用于根据所述异常信号和对应的重构信号采用第三模型确定第一特征；根据所述第一特征确定所述第一特征在冠心病病变空间的位置信息；根据所述第一特征在冠心病病变空间的位置信息确定所述用户的最大可能性冠心病病变位置。
17.如权利要求16所述的装置，其特征在于，所述冠心病病变空间是根据所述第一信号集合以及冠心病患者的各导联的ECG信号的诊断标签训练获得的。
18.如权利要求16或17所述的装置，其特征在于，所述第一特征为全连接层特征。
19.一种通信装置，其特征在于，包括处理器和存储器，所述存储器存储计算机执行代码指令，所述处理器调用所述计算机执行代码指令实现如权利要求1至9中任一项所述的方法。
20.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序或指令，当所述计算机程序或指令被通信装置执行时，实现如权利要求1至9中任一项所述的方法。
21.一种ECG穿戴设备，其特征在于，包括处理模块和采集模块；所述采集模块用于采集用户的一个或多个导联的ECG信号；所述处理模块用于实现如权利要求1至9中任一项所述的方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110131912.2A CN114831646A (zh) | 2021-01-30 | 2021-01-30 | 一种确定冠心病罹患概率的方法及装置 |
| US18/274,917 US20240090847A1 (en) | 2021-01-30 | 2022-01-25 | Method and apparatus for determining coronary heart disease probability |
| PCT/CN2022/073854 WO2022161365A1 (zh) | 2021-01-30 | 2022-01-25 | 一种确定冠心病罹患概率的方法及装置 |
| EP22745239.8A EP4268709A4 (en) | 2021-01-30 | 2022-01-25 | METHOD AND DEVICE FOR DETERMINING THE LIKELIHOOD OF SUFFERING FROM CORONARY HEART DISEASE |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110131912.2A CN114831646A (zh) | 2021-01-30 | 2021-01-30 | 一种确定冠心病罹患概率的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114831646A true CN114831646A (zh) | 2022-08-02 |
Family
ID=82560903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110131912.2A Pending CN114831646A (zh) | 2021-01-30 | 2021-01-30 | 一种确定冠心病罹患概率的方法及装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240090847A1 (zh) |
| EP (1) | EP4268709A4 (zh) |
| CN (1) | CN114831646A (zh) |
| WO (1) | WO2022161365A1 (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2906123A1 (fr) * | 2006-09-25 | 2008-03-28 | Ela Medical Soc Par Actions Si | Procede de reconstruction d'un electrocardiogramme de surface a partir d'un electrogramme endocavitaire |
| US9408549B2 (en) * | 2009-11-03 | 2016-08-09 | Vivaquant Llc | Detecting fiducial points in physiological signals |
| US8606351B2 (en) * | 2011-12-28 | 2013-12-10 | General Electric Company | Compression of electrocardiograph signals |
| CN107714023B (zh) * | 2017-11-27 | 2020-09-01 | 上海优加利健康管理有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
| EP3903324A4 (en) * | 2018-12-26 | 2022-12-21 | Analytics For Life Inc. | METHODS AND SYSTEMS FOR CONFIGURING AND USING NEURAL NETWORKS IN CHARACTERIZING PHYSIOLOGICAL SYSTEMS |
| WO2020136569A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Method and system to characterize disease using parametric features of a volumetric object and machine learning |
| CN110090012A (zh) * | 2019-03-15 | 2019-08-06 | 上海图灵医疗科技有限公司 | 一种基于机器学习的人体疾病检测方法及检测产品 |
| CN111652290B (zh) * | 2020-05-15 | 2024-03-15 | 深圳前海微众银行股份有限公司 | 一种对抗样本的检测方法及装置 |
-
2021
- 2021-01-30 CN CN202110131912.2A patent/CN114831646A/zh active Pending
-
2022
- 2022-01-25 EP EP22745239.8A patent/EP4268709A4/en active Pending
- 2022-01-25 WO PCT/CN2022/073854 patent/WO2022161365A1/zh active Application Filing
- 2022-01-25 US US18/274,917 patent/US20240090847A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4268709A1 (en) | 2023-11-01 |
| EP4268709A4 (en) | 2024-05-29 |
| WO2022161365A1 (zh) | 2022-08-04 |
| US20240090847A1 (en) | 2024-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Itchhaporia | Artificial intelligence in cardiology | |
| WO2023071268A1 (zh) | 高频qrs波群数据分析方法及装置 | |
| Lopes et al. | Improving electrocardiogram-based detection of rare genetic heart disease using transfer learning: An application to phospholamban p. Arg14del mutation carriers | |
| Leutheuser et al. | Comparison of real-time classification systems for arrhythmia detection on Android-based mobile devices | |
| US8504142B2 (en) | Apparatus, method, and computer program for predicting risk for cardiac death | |
| EP4079224A1 (en) | Electrocardiographic analysis device, electrocardiographic analysis method, and program | |
| US9474460B2 (en) | Non-invasive evaluation of cardiac repolarisation instability for risk stratification of sudden cardiac death | |
| CN114732419A (zh) | 运动心电数据分析方法、装置、计算机设备与存储介质 | |
| Khatun et al. | Detection of myocardial infarction and arrhythmia from single-lead ECG data using bagging trees classifier | |
| Liao et al. | Use of wearable technology and deep learning to improve the diagnosis of Brugada syndrome | |
| Goharrizi et al. | Multi-lead ECG heartbeat classification of heart disease based on HOG local feature descriptor | |
| Haescher et al. | Transforming seismocardiograms into electrocardiograms by applying convolutional autoencoders | |
| CN111276218A (zh) | 一种精准诊疗系统、设备及方法 | |
| CN114831646A (zh) | 一种确定冠心病罹患概率的方法及装置 | |
| CN116135147B (zh) | 心电信号的处理方法及装置、电子设备及存储介质 | |
| Kim et al. | Se-resnet-vit hybrid model for noise classification in adhesive patch-type wearable electrocardiographs | |
| CN114680899A (zh) | 预测冠状动脉的阻塞的电子装置和方法 | |
| Avdeeva et al. | New approaches to stratification of patients by the level of sudden cardiac death risk using the data on energies of cardiac micropotentials obtained by nanosensor-based hardware and software complex | |
| CN116616790B (zh) | 心脏风险评估方法、装置、计算机设备与存储介质 | |
| WO2020100129A1 (en) | A system and a method for non-invasive detection of cad | |
| Jeanningros et al. | The influence of cardiac arrhythmias on the detection of heartbeats in the photoplethysmogram: benchmarking open-source algorithms | |
| Jain et al. | Redundancy and Novelty Between ECG Leads Based on Linear Correlation. | |
| CN118522460B (zh) | 心电信号处理方法、装置、计算机设备与存储介质 | |
| Gnecchi et al. | Following the path towards intelligently connected devices for on-line, real-time cardiac arrhythmia detection and classification | |
| WO2023065051A1 (en) | Early detection of a heart attack based on electrocardiography and clinical symptoms |
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 |