CN115054268A - 心电图智能诊断系统 - Google Patents
心电图智能诊断系统 Download PDFInfo
- Publication number
- CN115054268A CN115054268A CN202210615612.6A CN202210615612A CN115054268A CN 115054268 A CN115054268 A CN 115054268A CN 202210615612 A CN202210615612 A CN 202210615612A CN 115054268 A CN115054268 A CN 115054268A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- data
- module
- client
- server
- 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
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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开一种心电图智能诊断系统。系统包括心电图检测仪、客户端和服务器端。心电图检测仪采集用户皮肤表面的心电图数据,传送给客户端,客户端再所收到的心电图数据转发给服务器端,服务器端的心电图数据人工智能分析诊断系统,将诊断结果通过报告方式发送给客户端显示。所述心电图智能诊断系统采用人工智能方式自动诊断心电图,为普通患者提供快捷、方便的心电图检测,为患者心脏健康保驾护航。
Description
技术领域
本发明涉及智慧医疗和移动医疗领域,尤其涉及一种心电图智能诊断系统。
背景技术
我国幅员辽阔,优质医疗资源不足、分布不均,特别是农村地区,由于缺乏高端医疗资源而导致诊断和救治水平低,出现 “看病难”问题。另外,随着人口老龄化,健康和疾病防护与救助需要下沉到社区和家庭。但是,社区医疗资源不足,诊断和救助水平也需要提高。特别是,心脏病的诊疗和救助,目前还只能通过医院的医疗专家实施。
但是,大部分心脏突发疾病可以通过心电图观察到,并采取应急处理措施,挽救病患生命。所以,需要一个可以让病患自己检测心电图,并且使用简单方便的便携式心电图检测仪,在病患突发心脏疾病时,可以即时精确记录病患心电图信号,并及时进行自动诊断、报警、获取医生诊断意见。这需要更加智能化的检测手段、网络化服务和云智能诊断才能满足以上需求,才能支持家庭和个人自助医疗健康服务。
为解决以上问题,需要一种心电图智能诊断系统,通过人工智能给便携式心电图检测仪智能化赋能,为普通患者提供快捷、方便的心电图检测和人工智能自动诊断分析,使患者突发心脏病时能够得到及时救助,保证患者心脏健康。
发明内容
本发明所要解决的技术问题是,提供一种心电图智能诊断系统,通过智能化的便携式心电图检测仪,实现患者心电图数据远程采集,服务器远程数据管理和人工智能自动诊断。
为实现上述目标,本发明解决其技术问题所采取的技术方案是:
提供一种心电图智能诊断系统,所述系统包括心电图检测仪、客户端、服务器端:
所述心电图检测仪,用于采集心电图数据并通过蓝牙将数据发送至客户端;
所述客户端,用于控制和管理心电图检测仪,获取心电图数据并将数据发送至服务器端,并将从服务器端接收的心电图分析报告展示给用户;
所述服务器端,用于根据获得的心电图数据,通过心电图数据分析模块处理,给出心电图分类诊断结果,形成心电图分析报告并发送至所述客户端。
根据本发明的一个方面,所述心电图检测仪包括心电图信号采集模块、心电图信号处理模块、微处理器、闪存、存储器、数据传输模块:所述信号采集模块,用于采集患者皮肤表面的心电图信号;所述心电图信号处理模块,用于对所采集的心电图信号放大、滤波和数字化处理;所述微处理器,通过运行程序,完成对所述心电图检测仪控制、数据采集和数据交换;所述闪存,用于存储运行程序;所述存储器,用于存储数据;所述数据传输模块,用于完成与客户端的数据交互。
可选地,本发明提供的上述所述心电图检测仪中的数据传输模块,可以优蓝牙/Wifi模块,此时所述心电图检测仪通过蓝牙/Wifi与客户端交换数据。
可选地,本发明提供的上述所述心电图检测仪中的数据传输模块,可以选4G/5G数据模块,此时所述心电图检测仪通过4G/5G网络直接与服务器端交换数据。
进一步,当所述心电图检测仪选用4G/5G数据模块时,可以通过语音提示,方便老年人和不方便使用客户端的患者检测ECG。
根据本发明的另一方面,所述客户端包括客户端用户信息管理模块、客户端心电图数据管理模块、分析结果展示模块和数据传输模块:所述客户端用户信息管理模块,用于记录和管理用户输入的个人信息;所述客户端心电图数据管理模块,用于记录和管理获得的心电图数据;所述分析结果展示模块,用于展示服务器端传回的心电图分析报告;所述数据传输模块,用于与心电图检测仪及服务器端进行数据交互。
优选地,所述客户端可运行在智能手机上,通过蓝牙与所述心电图检测仪完成数据交互,通过手机无线网络完成与所述服务器端的数据交互。
根据本发明的再一方面,所述服务器端包括服务器端用户信息管理模块、服务器端心电图数据管理模块、心电图数据分析模块和服务器端数据传输模块:所述服务器端用户信息管理模块,用于收集和管理所有用户的个人信息;所述服务器端心电图数据管理模块,用于收集、存储和管理所有用户的心电图数据;所述心电图数据分析模块,用于通过人工智能分析用户的心电图数据和完成分类诊断;所述服务器端数据传输模块,用于与客户端进行数据交互。
优选地,所述心电图数据分析模块包括数据输入模块、数据预处理模块、人工智能分析模块、数据输出模块:所述数据输入模块,用于读取从服务器端数据传输模块获得的,客户端上传的用户心电图数据;所述数据预处理模块,用于将从客户端获得的心电图数据进行预处理;所述人工智能分析模块,用于根据深度卷积神经网络模型利用深度学习算法对所述心电图数据进行分类诊断;所述数据输出模块,用于输出心电图诊断结果和分析报告。
优选地,所述人工智能分析模块包括单节律心电图人工智能分析模块,用于对单个的心电图波形进行分类诊断;连续多节律心电图人工智能分析模块,用于对一段连续多节律心电图信号进行分类诊断。
进一步,所述单节律心电图人工智能分析模块和连续多节律心电图人工智能分析模块采用同样的神经网络结构,分别用单节律心电图数据和连续多节律心电图训练。
进一步,所述数据预处理模块将通过所述数据输入模块收到的心电图数据转换为所述连续多节律心电图人工智能分析模块所指定的数据格式与长度,送给所述多节律心电图人工智能分析模块;同时还将所述数据输入模块收到的心电图数据切分成单个节律波形,送给所述单节律心电图人工智能分析模块。
进一步,通过所述数据预处理模块将输入的连续心电图切分成指定长度,用所述连续多节律心电图人工智能分析模块进行连续心电图波形监测;同时还将其切分成连续排列的单节律信号序列,用所述单节律心电图人工智能分析模块进行连续单节律心电图波形监控。
根据本发明的再一方面,本发明所述心电图人工智能分析模块包括输入层、时空卷积主网络模块、时空池化层、全连接层和SoftMax分类器:所述输入层,用于处理所收到的心电图数据;所述时空卷积主网络模块,用于提取所述心电图数据的时空特征参数;所述时空池化层,用于减少所述时空特征参数;所述全连接层,用于将通过所述时空卷积主网络模块提取的时空特征重新通过权值构建完整的特征值矩阵;所述SoftMax分类器,用于按照要求分类数,给出分类结果。
进一步,所述时空卷积主网络模块,由多个输出与输入连接的时空卷积模块组成,构建成残差网络,即将上一个所述时空卷积模块的输入,同时连接到下一个时空卷积模块的输入,以此类推。
进一步,所述时空卷积模块由多层时空卷积层构成。
进一步,所述时空卷积层包括一层空间卷积层紧接着一层时间卷积层,所述空间卷积层是一维卷积层,所述时间卷积层是一维卷积层,两者构成的所述时空卷积层是二维卷积层。
进一步,所述全连接层可以包括:三层串联的全联层,最后一层连接层的神经元数与分类数相同。
根据本发明的再一方面,所述心电图智能诊断系统的诊断流程,其特征在于,所述诊断流程包括如下步骤:
步骤1,心电图检测仪采集心电图数据并发送至客户端;
步骤2,客户端将获得的心电图数据转发至服务器端;
步骤3,服务器端对收到的所述心电图数据进行存储,并用所述心电图数据分析模块处理,得到心电图分类诊断结果,形成心电图分析报告发送至客户端;
步骤4,客户端将接收的心电图分析报告展示给用户。
优选地,所述步骤3中的心电图数据分析模块主要是一个经过足够多的心电图数据样本训练的人工智能分析模块,由深度卷积神经网络分类模型构成。
进一步,所述人工智能分析模块,可对所述的心电图数据进行快速分类诊断。
进一步,所述人工智能分析模块的构建、训练和诊断流程包括以下步骤:
步骤1,构建所述人工智能分析模块;
步骤2,用标注的心电图数据分别训练所述人工智能分析模块,即用连续多节律心电图训练数据训练所述多节律心电图人工智能分析模块,用单节律心电图训练数据训练所述单节律心电图人工智能分析模块;
步骤3,将训练好的所述心电图人工智能分析模块分别部署到所述心电图数据分析模块的多节律心电图人工智能分析模块和单节律心电图人工智能分析模块中。
与现有技术相比,本发明的有益效果是:提供了完整的心电图远程、自动诊断心脏疾病的解决方案,通过人工智能技术,提高了心电图诊断速度及诊断准确度,为边远地区和基层用户提供快速、精准的远程自动诊断,及时发现病症,减少误诊率。
附图说明
图1是本发明优先实施例的心电图智能诊断系统图;
图2是本发明优先实施例的心电检测仪结构原理图;
图3是本发明优先实施例的心电图数据分析模块;
图4是本发明优先实施例的心电图人工智能分析模块结构原理图;
图5是本发明优先实施例的时空卷积主网络模块结构原理图;
图6是本发明优先实施例的心电图智能诊断流程图;
图7是本发明优先实施例的所述人工智能分析模块训练和诊断流程图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本原理、基本结构和基本功能,因此其仅显示与本发明有关的构成。
本领域的一般技术人员可能会意识到本发明的一些变体以及等同替代,但这些变体和等同替代不应理解为超出了本发明的保护范围。
图1是本发明优先实施例的心电图智能诊断系统图。如图1所示的心电图智能诊断系统包括心电图检测仪1、客户端2、服务器端3:所述1,用于采集心电图数据并通过蓝牙将数据发送至客户端;所述2,用于控制和管理所述1,获取心电图数据并将数据发送至所述3,并将从3接收的心电图分析报告展示给用户;所述3,用于根据获得的心电图数据,通过心电图数据分析模块处理,给出心电图分类诊断结果,形成心电图分析报告并发送至所述2。
如图1所示的本发明优先实施例的客户端包括客户端用户信息管理模块2.1、客户端心电图数据管理模块2.2、分析结果展示模块2.3和数据传输模块2.4:所述2.1,用于记录和管理用户输入的个人信息;所述2.2,用于记录和管理获得的心电图数据;所述2.3,用于展示服务器端传回的心电图分析报告;所述2.4,用于与心电图检测仪1及服务器端3进行数据交互。
本发明优选实施例,所述客户端2可优选在智能手机上运行,此时通过蓝牙与所述心电图检测仪1完成数据交互,通过手机无线网络完成与所述服务器端3的数据交互。
如图1所示的本发明优先实施例的服务器端3包括服务器端用户信息管理模块3.1、服务器端心电图数据管理模块3.2、心电图数据分析模块3.3和服务器端数据传输模块3.4:所述3.1,用于收集和管理所有用户的个人信息;所述3.2,用于收集、存储和管理所有用户的心电图数据;所述3.3,用于通过人工智能分析用户的心电图数据和完成分类诊断;所述3.4,用于与客户端进行数据交互。
图2是本发明优先实施例的心电检测仪结构原理图。如图2所示,所述心电图检测仪包括心电图信号采集模块21、心电图信号处理模块22、微处理器23、闪存24、存储器25、数据传输模块26:所述21,用于采集患者皮肤表面的心电图信号;所述22,用于对所采集的心电图信号放大、滤波和数字化处理;所述23,通过运行程序,完成对所述心电图检测仪控制、数据采集和数据交换;所述24,用于存储运行程序;所述25,用于存储数据;所述26,用于完成与客户端的数据交互。
在本发明实施例中,所述26优选蓝牙/Wifi模块时,此时所述心电图检测仪通过蓝牙/Wifi与客户端交换数据;当所述26优选4G/5G数据模块时,此时所述心电图检测仪通过4G/5G网络直接与服务器端交换数据。为方便老年人和不方便使用客户端的患者自己检测ECG,当所述26选用4G/5G数据模块时,可以通过语音提示操作心电图检测仪完成心电图数据采集。
本发明实施例,如图3所示的所述心电图数据分析模块3.3包括数据输入模块31、数据预处理模块32、人工智能分析模块33、数据输出模块34:所述31,用于读取从服务器端数据传输模块3.4获得的,客户端2上传的用户心电图数据;所述32,用于将从客户端2获得的心电图数据进行预处理;所述33,用于根据深度卷积神经网络模型利用深度学习算法对所述心电图数据进行分类诊断;所述34,用于输出心电图诊断结果和分析报告。
本发明实施例,所述人工智能分析模块33包括连续多节律心电图人工智能分析模块33.1,用于对一段连续多节律心电图信号进行分类诊断;单节律心电图人工智能分析模块33.2,用于对单个的心电图波形进行分类诊断。
所述数据预处理模块32将通过所述数据输入模块31收到的心电图数据转换为所述33.1所指定的数据格式与长度,例如,本发明优选实施例中,将所述心电图数据切割成10秒,并转换成WFDB数据格式,送给所述33.1分析处理;同时还将所述数据输入模块31收到的心电图数据切分成单个节律波形,送给所述单节律心电图人工智能分析模块33.2分析处理。
进一步,本发明实施例,提供对长时间连续心电图信号的监测包括心电图波形连续波监测及单个波形监测。通过所述数据预处理模块32将输入的连续心电图切分成一个接一个的指定长度段及格式,用所述连续多节律心电图人工智能分析模块33.1对所述连续心电图波形进行连续监测;同时还将其切分成连续排列的单节律信号序列,用所述33.2对连续心电图波形的每一个节律进行监控。
图4是本发明优先实施例的心电图人工智能分析模块结构原理图。如图4所示,所述心电图人工智能分析模块包括输入层41、时空卷积主网络模块42、时空池化层43、全连接层44和SoftMax分类器45:所述41,用于处理所收到的心电图数据;所述42,用于提取所述心电图数据的时空特征参数;所述43,用于减少所述时空特征参数;所述44,用于将通过所述时空卷积主网络模块提取的时空特征重新通过权值构建完整的特征值矩阵;所述45,用于按照要求分类数,给出分类结果。
进一步,所述全连接层44可以包括三个串联的,神经网络节点只与下一个全连接层神经网络节点连接的,单层全联层44.1、44.2和44.3,最后一层连接层44.3的神经元数与诊断分类数相同。
本发明实施例,如上所述心电图人工智能分析模块分别用于单节律心电图人工智能分析模块和多节律心电图人工智能分析模块,单节律心电图人工智能分析模块用单节律心电图数据训练,多节律心电图人工智能分析模块用多节律心电图数据训练。
图5是本发明优先实施例的时空卷积主网络模块结构原理图。如图5所示的时空卷积主网络模块由多个串联的时空卷积模块51,52,…,5n,及一个时空池化层5n+1组成,每个时空卷积模块的输出端连接到其输入端,构成残差网络。具有相同网络结构的时空卷积模块包括一层空间卷积层紧接着一层时间卷积层构建的时空卷积层,本发明实施例中,521,523,525,527为空间卷积层,522,524,526为时间卷积层,所述空间卷积层是一维卷积层,所述时间卷积层是一维卷积层,两者构成的所述时空卷积层是二维卷积层。
图6是本发明优先实施例的心电图智能诊断流程图。如图6所示的心电图智能诊断流程包括如下步骤:
S1,客户端2发起心电图采集指令;
S2,心电图检测仪收到智能后,采集心电图数据并发送至客户端2;
S3,客户端2将获得的心电图数据转发至服务器端3;
S4,服务器端3对收到的所述心电图数据进行存储及预处理;
S5,心电图数据分析诊断;
S6,得到心电图分类诊断结果后,生成心电图分析报告发送至客户端2;
S7,客户端2接收并展示所述心电图分析报告。
图7是本发明优先实施例的所述人工智能分析模块训练和诊断流程图。如图7所示的人工智能分析模块的训练和诊断流程包括如下步骤:
S71,从心电图数据库中取出训练数据;
S72,训练心电图分类器;
S73,用多节律心电图数据训练多节律心电图人工智能分析模块;
S74,用单节律心电图数据训练单节律心电图人工智能分析模块;
S75,将S74训练好的单节律心电图人工智能分析模块部署到服务器端的心电图数据分析模块中,即单节律人工智能分析模块33.1;
S76,将S73训练好的多节律心电图人工智能分析模块部署到服务器端的心电图数据分析模块中,即多节律人工智能分析模块33.2;
S77,检测心电图数据;
S78,将检测的心电图数据读入,分别送给多节律心电图人工智能分析模块和单节律心电图人工智能分析模块完成心电图数据分析与诊断;
S79,输出诊断结果。
本发明优先实施例的流程中,S71、S72、S73、S74是训练阶段,完成所述单节律心电图和多节律心电图人工智能分析模块的训练;S75、S76为模型部署阶段,将训练好的模型部署到所述服务器端心电图数据分析模块中;S77、S78、S79是完整的心电图诊断流程。本发明实施例,S73,用标注的所述多节律心电图训练数据集训练所述的多节律心电图人工智能分析模块;S74,用标注的所述单节律心电图训练数据集训练所述的单节律心电图人工智能分析模块。
本发明优先实施例,所述单节律心电图波形诊断,遵照ANSI/AAMI:EC57国际标准,将每个心律搏动分为5类:N、S、V、F、Q,其中:
N:正常搏动(包括左/右束支传导阻滞);
S:室上性异位搏动;
V:室性异位搏动;
F:融合搏动;
Q:无法确定的搏动。
此外,所述单节律心电图波形诊断还用于诊断QRS波群宽度、ST段异常、T波改变、Q波异常、P波异常,需要5个诊断分类。因此,所述单节律心电图波形诊断分类为以上所述的10个诊断分类,相应的训练数据也为上述10个分类。
本发明优先实施例,用所述多节律心电图波形诊断的心脏疾病包括房颤、房扑、心动过速、心动过缓、窦性心律不齐、二联律等6类,相应的多节律心电图人工智能分析模块也为一个6分类器,所述多节律心电图训练数据也为相应的6类。
以上述依据本发明的实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种心电图智能诊断系统,其特征在于,所述系统包括心电图检测仪、客户端、服务器端:
所述心电图检测仪,用于采集心电图数据并通过蓝牙将数据发送至客户端;
所述客户端,用于控制和管理心电图检测仪,获取心电图数据并将数据发送至服务器端,并将从服务器端接收的心电图分析报告展示给用户;
所述服务器端,用于根据获得的心电图数据,通过心电图数据分析模块处理,给出心电图分类诊断结果,形成心电图分析报告并发送至所述客户端。
2.根据权利要求1所述的心电图智能诊断系统,其特征在于,所述心电图检测仪包括心电图信号采集模块、心电图信号处理模块、微处理器、闪存、存储器、数据传输模块:所述信号采集模块,用于采集患者皮肤表面的心电图信号;所述心电图信号处理模块,用于对所采集的心电图信号放大、滤波和数字化处理;所述微处理器,通过运行程序,完成对所述心电图检测仪控制、数据采集和数据交换;所述闪存,用于存储运行程序;所述存储器,用于存储数据;所述数据传输模块,用于完成与客户端的数据交互。
3.根据权利要求1所述的心电图智能诊断系统 ,其特征在于,所述客户端包括客户端用户信息管理模块、客户端心电图数据管理模块、分析结果展示模块和数据传输模块:所述客户端用户信息管理模块,用于记录和管理用户输入的个人信息;所述客户端心电图数据管理模块,用于记录和管理获得的心电图数据;所述分析结果展示模块,用于展示服务器端传回的心电图分析报告;所述数据传输模块,用于与心电图检测仪及服务器端进行数据交互。
4.根据权利要求1所述的心电图智能诊断系统,其特征在于,所述服务器端包括服务器端用户信息管理模块、服务器端心电图数据管理模块、心电图数据分析模块和服务器端数据传输模块:所述服务器端用户信息管理模块,用于收集和管理所有用户的个人信息;所述服务器端心电图数据管理模块,用于收集、存储和管理所有用户的心电图数据;所述心电图数据分析模块,用于通过人工智能分析用户的心电图数据和完成分类诊断;所述服务器端数据传输模块,用于与客户端进行数据交互。
5.根据权利要求4所述的心电图数据分析模块,其特征在于,所述心电图数据分析模块包括数据输入模块、数据预处理模块、人工智能分析模块、数据输出模块:所述数据输入模块,用于读取从服务器端数据传输模块获得的,客户端上传的用户心电图数据;所述数据预处理模块,用于将从客户端获得的心电图数据进行预处理;所述人工智能分析模块,用于根据深度卷积神经网络模型利用深度学习算法对所述心电图数据进行分类诊断;所述数据输出模块,用于输出心电图诊断结果和分析报告。
6.根据权利要求5所述的人工智能分析模块,其特征在于,所述人工智能分析模块包括单节律心电图人工智能分析模块,用于对每一个单节律心电图波形进行分类诊断;连续多节律心电图人工智能分析模块,用于对一段连续多节律心电图进行分类诊断。
7.根据权利要求5所述的人工智能分析模块,其特征在于,所述人工智能分析模块包括输入层、时空卷积主网络模块、时空池化层、全连接层和SoftMax分类器:所述输入层,用于处理所收到的心电图数据;所述时空卷积主网络模块,用于提取所述心电图数据的时空特征参数;所述时空池化层,用于减少所述时空特征参数;所述全连接层,用于将通过所述时空卷积主网络模块提取的时空特征重新通过权值构建完整的特征值矩阵;所述SoftMax分类器,用于按照要求分类数,给出分类结果。
8.根据权利要求7所述时空卷积主网络模块,其特征在于,所述时空卷积主网络模块,由多个输出与输入连接的时空卷积模块组成,构建成残差网络,即将上一个所述时空卷积模块的输入,同时连接到下一个时空卷积模块的输入,以此类推。
9.根据权利要求8所述时空卷积模块,其特征在于,所述时空卷积模块由多层时空卷积层构成;所述时空卷积层包括一层空间卷积层紧接着一层时间卷积层;所述空间卷积层是一维卷积层,所述时间卷积层是一维卷积层,两者构成的所述时空卷积层是二维卷积层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210615612.6A CN115054268A (zh) | 2022-06-01 | 2022-06-01 | 心电图智能诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210615612.6A CN115054268A (zh) | 2022-06-01 | 2022-06-01 | 心电图智能诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115054268A true CN115054268A (zh) | 2022-09-16 |
Family
ID=83198982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210615612.6A Pending CN115054268A (zh) | 2022-06-01 | 2022-06-01 | 心电图智能诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115054268A (zh) |
-
2022
- 2022-06-01 CN CN202210615612.6A patent/CN115054268A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
Merdjanovska et al. | Comprehensive survey of computational ECG analysis: Databases, methods and applications | |
CN108478209B (zh) | 心电信息动态监护方法和动态监护系统 | |
CN108577830B (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
US11931154B2 (en) | Systems and methods for classifying ECG data | |
CN101951831B (zh) | 用于采集和分析关于对象的生理状况的数据的方法和设备 | |
CN105228508B (zh) | 一种测定用于分类的危险评分的系统 | |
CN109411041A (zh) | 心电信息处理方法和心电工作站系统 | |
CN104490388A (zh) | 一种可扩展的人体健康远程记录、监护和诊断系统 | |
CN107742534A (zh) | 患者存活性预测系统 | |
CN109411042A (zh) | 心电信息处理方法和心电工作站 | |
CN109691994A (zh) | 一种基于心电图的心率监测分析方法 | |
JP2003159226A (ja) | 心電図の順次比較のための方法及び装置 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN204336910U (zh) | 一种可扩展的人体健康远程记录、监护和诊断系统 | |
CN112906748A (zh) | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 | |
CN109497991A (zh) | 基于机器学习的心衰检测装置 | |
CN115916056A (zh) | 基于生成式对抗神经网络算法的心电图生成装置及其方法 | |
CN111887858A (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
CN110236529A (zh) | 一种基于modwt和lstm的多导联心律失常智能诊断方法 | |
CN112971800A (zh) | 基于深度学习的心电早搏信号处理方法、模块和装置 | |
CN111667921A (zh) | 人工智能ecg房颤与心律不齐检测系统 | |
CN113012823A (zh) | 一种用于心电图机的云平台系统 | |
CN211883766U (zh) | 一种心血管疾病远程监护与预警系统 | |
CN112037916A (zh) | 共享多功能防猝死生理信息检测系统及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |