CN115414049A - 一种基于深度神经网络的可穿戴心电图实时诊断系统 - Google Patents

一种基于深度神经网络的可穿戴心电图实时诊断系统 Download PDF

Info

Publication number
CN115414049A
CN115414049A CN202211145415.9A CN202211145415A CN115414049A CN 115414049 A CN115414049 A CN 115414049A CN 202211145415 A CN202211145415 A CN 202211145415A CN 115414049 A CN115414049 A CN 115414049A
Authority
CN
China
Prior art keywords
module
signal
output end
neural network
deep neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211145415.9A
Other languages
English (en)
Inventor
王一萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Provincial Peoples Hospital
Original Assignee
Henan Provincial Peoples Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan Provincial Peoples Hospital filed Critical Henan Provincial Peoples Hospital
Priority to CN202211145415.9A priority Critical patent/CN115414049A/zh
Publication of CN115414049A publication Critical patent/CN115414049A/zh
Pending legal-status Critical Current

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]
    • 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
    • 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
    • A61B5/36—Detecting PQ interval, PR interval or QT 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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及基于深度神经网络的可穿戴心电图实时诊断系统技术领域，且公开了一种基于深度神经网络的可穿戴心电图实时诊断系统，包括信号采集模块、智控模块和数据分析处理模块，该系统通过设置的信号筛选单元，分析出心动周期等数据，以此来确定PQRST复数，能够有效的避免错误数据流入到后面，保证了信号传递的高质量，设置的信号控制单元，将ECG记录发送到CNN网络，作为病理分类的输入，引入一个与类别样本的数量成比例的权重因子将传统的二元交叉熵损失扩展，设置的智控模块，在显示屏上显示诊断结果通过将测试数据库从发送器多次发送到数据接收器，可以验证对数据连接中常见的IP互联网协议数据包丢失的可靠性。

Description

一种基于深度神经网络的可穿戴心电图实时诊断系统
技术领域
本发明涉及基于深度神经网络的可穿戴心电图实时诊断系统技术领域，具体为一种基于深度神经网络的可穿戴心电图实时诊断系统。
背景技术
心电图是临床上广泛使用的诊断患者心脏健康状况的基本工具之一，它能够记录心脏疾病发作时的异常心电信号。因此，及时准确的心电图诊断可以为患者争取到宝贵的治疗时间，心电图节段被正确分类为100％的时间。最后，对于“室性早搏”类别，心电图节段的正确分类率为96％。总体而言，平均分类精度为98.33％。灵敏度(SNS)和特异性(SPC)分别为98.33％和98.35％。基于深度学习(尤其是基于CNN网络)的新方法可确保在自动识别以及预防心血管疾病方面的出色性能。随着深度学习的兴起，基于深度神经网络的心电图分类诊断方式占据了越来越关键的位置。
现有中国专利网上公布了一种基于深度神经网络的可穿戴心电图实时诊断系统，授权公众号为CN113749668BU，与现有技术相比，本发明提供了一种基于深度神经网络的可穿戴心电图实时诊断系统，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明主控模块包括嵌入FPGA的诊断模型，减少对网络传输的依赖，实现了实时诊断，采用12导联心电图作为输入数据进行预测，提高诊断结果准确率，设计可重构卷积加速器，通过分时复用实现所述模型的正向推理过程。卷积加速器为诊断模型中的每个卷积层配置参数完成卷积运算，充分利用每个卷积层的逻辑资源，从而大大提高计算性能。本发明疾病诊断准确率高、实时性强，满足可穿戴心电设备进行实时检测和诊断的要求。
(2)本发明网络中全连接层中放置了两个dropout层，用来避免过拟合的问题。设计具有较大尺寸卷积核的预卷积模块，用于获得广泛的感受野和全局特征(心电图的全局波形状态)，具有较小尺寸多块卷积神经网络，用于学习高层特征(用于后续分类的抽象特征)；这是一个压缩数据量、简化运算的过程，在每个卷积层之后添加一个批量归一化层(BN)，以减少内部协变量偏移，训练输出为M个类别标签，最终的结果可以是一个也可以是多标签分类结果。
(3)为解决数据不平衡问题，使得较大的样本数对应较小的权重，较小的样本数对应较大的权重。对于多类任务，引入一个与类别样本的数量成比例的权重因子将传统的二元交叉熵损失扩展。
(4)深度神经网络诊断模型计算量庞大且对硬件资源要求苛刻，本发明想要在嵌入式平台上利用有限的资源进行心脏疾病的实时诊断，因此提出了软硬件协同优化的方法。通过移除对分类结果贡献较小的通道来压缩模型，压缩后的模型不需要专用的稀疏矩阵操作库并减少了片上存储单元的消耗。将浮点算术运算转换为整数运算，以节省大量的片上硬件资源和外部存储带宽，同时降低计算和数据传输过程中的功耗。设计可重构卷积加速器，从而大大提高计算性能。采用乒乓策略，以覆盖通信延迟和计算延迟。为了缓解片上BRAM的不足，采用循环分块优化技术，将从内存中提取的数据划分成适合缓存的数据块，以保证在缓存中存储的计算区域中访问的数据可以重用。
该基于深度神经网络的可穿戴心电图实时诊断系统存在准确度低、对网络依赖强、无法实时诊断的技术问题。
发明内容
本发明的目的在于提供了一种基于深度神经网络的可穿戴心电图实时诊断系统，解决了现有技术存在准确度低、对网络依赖强、无法实时诊断的技术的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度神经网络的可穿戴心电图实时诊断系统，包括信号采集模块、智控模块和数据分析处理模块，所述数据分析处理模块输出端信号连接有信号筛选单元、信号接收单元、信号交流单元、信号控制单元和信号传感单元接收端，所述数据分析处理模块输出端信号连接有信号采集模块和智控模块接收端；
所述信号筛选单元、信号接收单元、信号交流单元、信号控制单元和信号传感单元输出端均信号连接有信号采集模块和智控模块。
优选的，所述信号筛选单元包括分容模块和分析模块，所述分容模块和分析模块输出端均信号连接有静置模块，所述静置模块输出端信号连接有反应模块，所述反应模块输出端轴连接有检测模块，所述检测模块输出端信号连接有分类模块，所述分类模块输出端信号连接有筛选模块。
优选的，所述信号接收单元包括充电模块，所述充电模块输出端信号连接有激活模块，所述激活模块输出端信号连接有消耗模块和阻挡模块，所述消耗模块和阻挡模块输出端信号连接有接收与反接收模块，所述接收与反接收模块接收端输出端信号连接有快速促进模块。
优选的，所述信号交流单元包括信号发射模块，所述信号发射模块输出端信号连接有交流模块，所述交流模块输出端信号连接有建立模块，所述建立模块输出端信号连接有缓变模块和通用模块，所述缓变模块和通用模块输出端信号连接有消除干扰模块。
优选的，所述信号控制单元包括提取模块，所述提取模块输出端信号连接有输入模块，所述输入模块输出端信号连接有获取动态模块和训练模块，所述获取动态模块和训练模块输出端信号连接有估算模块和控制模块，所述估算模块和控制模块输出端信号连接有优化模块。
优选的，所述信号传感单元包括信号转变图像模块，所述信号转变图像模块输出端信号连接有评定模块，所述评定模块输出端信号连接有数据分析模块，所述数据分析模块输出端信号连接有数据汇总模块，所述数据汇总模块模块输出端信号连接有反馈模块。
优选的，训练模块包含有心电图信号和数据集，
从图形或数字的角度来看，心电图(ECG)代表心脏在其操作过程中的电活动，进行心电图检查是为了提供有关人可能患有的各种心脏病的信息，以确保有效的治疗，在心电图轨迹中识别的特定点用字母P，Q，R，S，T标记，尤其是以下各项：
P波：在ECG周期中发生的第一波，是代表心房去极化或最通常称为“心房收缩”的小偏转；
T波：代表心室去极化或最常见的“心室舒张”；
Q，R和S波：这些波一起形成了所谓的QRS复合波，QRS复合物代表心室的收缩，或者从技术上来讲，代表心室的去极化复合物，Q波代表心室间隔的去极化，R波反映心室主要部分的去极化，而S波是心脏底部的心室的最终去极化，P，Q，R，S和T波构成了所谓的PQRST复数，心脏科医生用术语“RR间期”表示两个PQRST复合体之间的间隔，这对应于心动周期。
优选的，智控模块包含有深度神经网络，所述深度神经网络既可以提取特征并对其分类，而不必分别执行这两个功能，经过处理后，基于卷积神经网络(CNN)，通过三类ECG信号，将ECG记录发送到CNN网络，作为病理分类的输入：正常，房性早搏和室性早搏三类，神经网络输入由30s段组成，其中ECG记录的每一秒相当于360个样本，总共10,800个样本，因此，数据集呈现以下类：
“普通”班级，包含1421个ECG段；
“心室过早收缩”类别，包含335个ECG节段；
“心房过早搏动”类，包含133个ECG节段；训练/验证集，由“正常”类别的995个细分，“室性早搏”类别的234个细分和“房性早搏”类别的93个细分组成，其中有70％用于训练，其余30％用于测试；
测试装置包括“正常”级别的426个段，“室性早搏”级别的101个段和“房性早搏”级别的40个段。
本发明提供了一种基于深度神经网络的可穿戴心电图实时诊断系统。该基于深度神经网络的可穿戴心电图实时诊断系统具备以下有益效果：
1、该系统通过设置的信号筛选单元，通过将信号进行筛选分析，从而分析出心动周期等数据，以此来确定PQRST复数，能够有效的避免错误数据流入到后面，保证了信号传递的高质量。
2、该系统通过设置的信号控制单元，通过对信号进行激活，此时通过三类ECG信号，将ECG记录发送到CNN网络，作为病理分类的输入，对于多类任务，引入一个与类别样本的数量成比例的权重因子将传统的二元交叉熵损失扩展。
3、该系统通过设置的智控模块，通过处理单元执行上述的自动疾病分类算法，在显示屏上显示诊断结果通过将测试数据库从发送器多次发送到数据接收器，可以验证对数据连接中常见的IP(互联网协议)数据包丢失的可靠性。
附图说明
图1为本发明框架示意图；
图2为本发明信号筛选单元示意图；
图3为本发明信号接收单元示意图；
图4为本发明信号交流单元示意图；
图5为本发明信号控制单元示意图；
图6为本发明信号传感单元示意图。
图中：1.信号采集模块 2.智控模块 3.数据分析处理模块 4.信号筛选单元 5.信号接收单元 6.信号交流单元 7.信号控制单元 8.信号传感单元。
具体实施方式
如图1-6所示，本发明提供一种技术方案：一种基于深度神经网络的可穿戴心电图实时诊断系统，包括信号采集模块1、智控模块2和数据分析处理模块3，智控模块包含有深度神经网络，深度神经网络既可以提取特征并对其分类，而不必分别执行这两个功能，经过处理后，基于卷积神经网络CNN，通过三类ECG信号，将ECG记录发送到CNN网络，作为病理分类的输入：正常，房性早搏和室性早搏三类，神经网络输入由30s段组成，其中ECG记录的每一秒相当于360个样本，总共10,800个样本，因此，数据集呈现以下类：“普通”班级，包含1421个ECG段；“心室过早收缩”类别，包含335个ECG节段；“心房过早搏动”类，包含133个ECG节段；训练/验证集，由“正常”类别的995个细分，“室性早搏”类别的234个细分和“房性早搏”类别的93个细分组成，其中有70％用于训练，其余30％用于测试；测试装置包括“正常”级别的426个段，“室性早搏”级别的101个段和“房性早搏”级别的40个段，数据分析处理模块3输出端信号连接有信号筛选单元4、信号接收单元5、信号交流单元6、信号控制单元7和信号传感单元8接收端，数据分析处理模块3输出端信号连接有信号采集模块1和智控模块2接收端；信号筛选单元4、信号接收单元5、信号交流单元6、信号控制单元7和信号传感单元8输出端均信号连接有信号采集模块1和智控模块2，信号筛选单元4包括分容模块和分析模块，分容模块和分析模块输出端均信号连接有静置模块，静置模块输出端信号连接有反应模块，反应模块输出端轴连接有检测模块，检测模块输出端信号连接有分类模块，分类模块输出端信号连接有筛选模块；信号接收单元5包括充电模块，充电模块输出端信号连接有激活模块，激活模块输出端信号连接有消耗模块和阻挡模块，消耗模块和阻挡模块输出端信号连接有接收与反接收模块，接收与反接收模块接收端输出端信号连接有快速促进模块，信号交流单元6包括信号发射模块，信号发射模块输出端信号连接有交流模块，交流模块输出端信号连接有建立模块，建立模块输出端信号连接有缓变模块和通用模块，缓变模块和通用模块输出端信号连接有消除干扰模块；信号控制单元7包括提取模块，提取模块输出端信号连接有输入模块，输入模块输出端信号连接有获取动态模块和训练模块，训练模块包含有心电图信号和数据集，从图形或数字的角度来看，心电图ECG代表心脏在其操作过程中的电活动，进行心电图检查是为了提供有关人可能患有的各种心脏病的信息，以确保有效的治疗，在心电图轨迹中识别的特定点用字母P，Q，R，S，T标记，尤其是以下各项：P波：在ECG周期中发生的第一波，是代表心房去极化或最通常称为“心房收缩”的小偏转T波：代表心室去极化或最常见的“心室舒张”；R和S波：这些波一起形成了所谓的QRS复合波，QRS复合物代表心室的收缩，或者从技术上来讲，代表心室的去极化复合物，Q波代表心室间隔的去极化，R波反映心室主要部分的去极化，而S波是心脏底部的心室的最终去极化，P，Q，R，S和T波构成了所谓的PQRST复数，心脏科医生用术语“RR间期”表示两个PQRST复合体之间的间隔，这对应于心动周期，获取动态模块和训练模块输出端信号连接有估算模块和控制模块，估算模块和控制模块输出端信号连接有优化模块，信号传感单元8包括信号转变图像模块，信号转变图像模块输出端信号连接有评定模块，评定模块输出端信号连接有数据分析模块，数据分析模块输出端信号连接有数据汇总模块，数据汇总模块模块输出端信号连接有反馈模块。
该基于深度神经网络的可穿戴心电图实时诊断系统在实际操作过程中，S1：首先通过信号采集模块1进行信号采集，通过贴片电极采集标准导联心电数据，然后对数据进行预处理，包括低通滤波、高通滤波、陷波处理，并通过AD转换模块，最终得到高质量的心电信号的离散数据；
S2：其次进行数据分析处理模块3的细分操作，
S201：其下的信号筛选单元4包括分容模块和分析模块，当信号通过分容模块和分析模块输出端均信号连接的静置模块，在静置模块输出端信号连接有反应模块，信号通过反应模块输出端轴连接的检测模块，在检测模块输出端信号连接的分类模块进行信息的分类化处理，完成分类模块输出端信号连接的筛选模块，进行信息的细化筛分；
S202：筛分后的信号经过信号接收单元5，其中包括充电模块，在充电模块输出端信号连接有激活模块，信号通过激活模块输出端信号连接有消耗模块和阻挡模块，通过消耗模块和阻挡模块输出端信号连接有接收与反接收模块，完成信号的接收与反接收模块接收端输出端信号进入快速促进模块；
S203：之后的信号经过交流单元6包括的信号发射模块，当信号经过信号发射模块输出端信号连接的交流模块，交流模块输出端信号通过建立模块，在建立模块输出端信号连接的缓变模块和通用模块的处理下，信号经过缓变模块和通用模块输出端信号连接传递到消除干扰模块；
S204：信号经过消除干扰模块传递到信号控制单元7，其包括提取模块，经过提取模块输出端信号连接的输入模块，信号经过输入模块输出端信号连接的获取动态模块和训练模块，信号在获取动态模块和训练模块输出端信号连接的估算模块和控制模块作用下，经过估算模块和控制模块输出端信号连接的优化模块，进行优化，训练模块包含有心电图信号和数据集，从图形或数字的角度来看，心电图ECG代表心脏在其操作过程中的电活动，进行心电图检查是为了提供有关人可能患有的各种心脏病的信息，以确保有效的治疗，在心电图轨迹中识别的特定点用字母P，Q，R，S，T标记，尤其是以下各项：P波：在ECG周期中发生的第一波，是代表心房去极化或最通常称为“心房收缩”的小偏转；T波：代表心室去极化或最常见的“心室舒张”；
Q，R和S波：这些波一起形成了所谓的QRS复合波，QRS复合物代表心室的收缩，或者从技术上来讲，代表心室的去极化复合物，Q波代表心室间隔的去极化，R波反映心室主要部分的去极化，而S波是心脏底部的心室的最终去极化，P，Q，R，S和T波构成了所谓的PQRST复数，心脏科医生用术语“RR间期”表示两个PQRST复合体之间的间隔，这对应于心动周期；
S205：经过信号传感单元8包括的信号转变图像模块，通过信号转变图像模块输出端信号连接有评定模块，评定模块输出端信号连接的数据分析模块，数据分析模块输出端信号连接的数据汇总模块，数据汇总模块模块输出端信号连接的反馈模块，首先，通过输入与“训练集”相关的数据对网络进行训练，然后使用“验证集”对其进行验证，以评估神经网络的性能损失百分比和准确性，最后，“测试集”用于通过准确性估计来验证和验证神经网络对训练/验证集外部数据的鲁棒性，通常在基于ECG信号进行心脏病理自动分类中用作参考数据库，从该数据集中，获得了与神经网络的学习和测试有关的数据，用于评估分类准确性，准确性表明，该网络对与心脏病有关的两类“房性早搏”和“室性早搏”进行了很好的分类，特异性衡量了分类器对不属于该类别的ECG记录进行分类的频率；辐射表明，心电图记录被认为属于特定类别，F1分数考虑了测试的准确性和恢复性，其中精度为真阳性TP数除以所有阳性结果的数量，即真阳性TP加上假阳性FP；
S3：最终，进行智控模块2，通过智能化进行智能化准确监控，准确地诊断多标签的患者心电数据，本发明实施例构建的模型可以准确地诊断多标签的患者心电数据，本发明实施例优化得到的硬件平台可以实时诊断心电疾病。

Claims (8)

1.一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于：包括信号采集模块(1)、智控模块(2)和数据分析处理模块(3)，所述数据分析处理模块(3)输出端信号连接有信号筛选单元(4)、信号接收单元(5)、信号交流单元(6)、信号控制单元(7)和信号传感单元(8)接收端，所述数据分析处理模块(3)输出端信号连接有信号采集模块(1)和智控模块(2)接收端；
所述信号筛选单元(4)、信号接收单元(5)、信号交流单元(6)、信号控制单元(7)和信号传感单元(8)输出端均信号连接有信号采集模块(1)和智控模块(2)。
2.根据权利要求1所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于：所述信号筛选单元(4)包括分容模块和分析模块，所述分容模块和分析模块输出端均信号连接有静置模块，所述静置模块输出端信号连接有反应模块，所述反应模块输出端轴连接有检测模块，所述检测模块输出端信号连接有分类模块，所述分类模块输出端信号连接有筛选模块。
3.根据权利要求1所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于：所述信号接收单元(5)包括充电模块，所述充电模块输出端信号连接有激活模块，所述激活模块输出端信号连接有消耗模块和阻挡模块，所述消耗模块和阻挡模块输出端信号连接有接收与反接收模块，所述接收与反接收模块接收端输出端信号连接有快速促进模块。
4.根据权利要求1所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于：所述信号交流单元(6)包括信号发射模块，所述信号发射模块输出端信号连接有交流模块，所述交流模块输出端信号连接有建立模块，所述建立模块输出端信号连接有缓变模块和通用模块，所述缓变模块和通用模块输出端信号连接有消除干扰模块。
5.根据权利要求1所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于：所述信号控制单元(7)包括提取模块，所述提取模块输出端信号连接有输入模块，所述输入模块输出端信号连接有获取动态模块和训练模块，所述获取动态模块和训练模块输出端信号连接有估算模块和控制模块，所述估算模块和控制模块输出端信号连接有优化模块。
6.根据权利要求1所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于：所述信号传感单元(8)包括信号转变图像模块，所述信号转变图像模块输出端信号连接有评定模块，所述评定模块输出端信号连接有数据分析模块，所述数据分析模块输出端信号连接有数据汇总模块，所述数据汇总模块模块输出端信号连接有反馈模块。
7.根据权利要求5所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于：所述训练模块包含有心电图信号和数据集，
从图形或数字的角度来看，心电图代表心脏在其操作过程中的电活动，进行心电图检查是为了提供有关人可能患有的各种心脏病的信息，以确保有效的治疗，在心电图轨迹中识别的特定点用字母P，Q，R，S，T标记，尤其是以下各项：
P波：在ECG周期中发生的第一波，是代表心房去极化或最通常称为“心房收缩”的小偏转；
T波：代表心室去极化或最常见的“心室舒张”；
Q，R和S波：这些波一起形成了所谓的QRS复合波，QRS复合物代表心室的收缩，或者从技术上来讲，代表心室的去极化复合物，Q波代表心室间隔的去极化，R波反映心室主要部分的去极化，而S波是心脏底部的心室的最终去极化，P，Q，R，S和T波构成了所谓的PQRST复数，心脏科医生用术语“RR间期”表示两个PQRST复合体之间的间隔，这对应于心动周期。
8.根据权利要求1所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于：所述智控模块包含有深度神经网络，所述深度神经网络既可以提取特征并对其分类，而不必分别执行这两个功能，经过处理后，基于卷积神经网络CNN，通过三类ECG信号，将ECG记录发送到CNN网络，作为病理分类的输入：正常，房性早搏和室性早搏三类，神经网络输入由30s段组成，其中ECG记录的每一秒相当于360个样本，总共10,800个样本，因此，数据集呈现以下类：
“普通”班级，包含1421个ECG段；
“心室过早收缩”类别，包含335个ECG节段；
“心房过早搏动”类，包含133个ECG节段；训练/验证集，由“正常”类别的995个细分，“室性早搏”类别的234个细分和“房性早搏”类别的93个细分组成，其中有70％用于训练，其余30％用于测试；
测试装置包括“正常”级别的426个段，“室性早搏”级别的101个段和“房性早搏”级别的40个段。
CN202211145415.9A 2022-09-20 2022-09-20 一种基于深度神经网络的可穿戴心电图实时诊断系统 Pending CN115414049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211145415.9A CN115414049A (zh) 2022-09-20 2022-09-20 一种基于深度神经网络的可穿戴心电图实时诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211145415.9A CN115414049A (zh) 2022-09-20 2022-09-20 一种基于深度神经网络的可穿戴心电图实时诊断系统

Publications (1)

Publication Number Publication Date
CN115414049A true CN115414049A (zh) 2022-12-02

Family

ID=84203694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211145415.9A Pending CN115414049A (zh) 2022-09-20 2022-09-20 一种基于深度神经网络的可穿戴心电图实时诊断系统

Country Status (1)

Country Link
CN (1) CN115414049A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990468A (zh) * 2023-09-28 2023-11-03 国网江苏省电力有限公司电力科学研究院 模拟六氟化硫电气设备的气体状态测试评价系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990468A (zh) * 2023-09-28 2023-11-03 国网江苏省电力有限公司电力科学研究院 模拟六氟化硫电气设备的气体状态测试评价系统及方法
CN116990468B (zh) * 2023-09-28 2023-12-05 国网江苏省电力有限公司电力科学研究院 模拟六氟化硫电气设备的气体状态测试评价系统及方法

Similar Documents

Publication Publication Date Title
Wang et al. Deep multi-scale fusion neural network for multi-class arrhythmia detection
US11564612B2 (en) Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence
CN107714023B (zh) 基于人工智能自学习的静态心电图分析方法和装置
CN107832737B (zh) 基于人工智能的心电图干扰识别方法
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN110974214A (zh) 一种基于深度学习的自动心电图分类方法、系统及设备
CN111631705A (zh) 心电异常检测方法、模型训练方法、装置、设备及介质
CN111557659B (zh) 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法
CN110148466A (zh) 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法
CN103970975A (zh) 心电数据处理方法和系统
CN114970637A (zh) 一种轻量级基于深度学习的心律失常分类方法
CN111528832A (zh) 一种心律失常分类方法及其有效性验证方法
Lu et al. An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
CN115414049A (zh) 一种基于深度神经网络的可穿戴心电图实时诊断系统
CN115392319A (zh) 一种融合心脏动力学模型和对抗生成网络的心电异常分类方法
Deng et al. ST-Net: Synthetic ECG tracings for diagnosing various cardiovascular diseases
CN114343585A (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
Qu et al. ECG Heartbeat Classification Detection Based on WaveNet-LSTM
CN115500807A (zh) 基于小型卷积神经网络的心律失常分类检测方法及系统
CN114098754A (zh) 一种房颤信号预处理方法、检测系统、设备及存储介质
CN115956918A (zh) 一种具有基于多特征融合的心电信号质量评估功能的远程心电监测系统
Agrawal et al. A machine learning approach for classifying healthy and infarcted patients using heart rate variabilities derived vector magnitude

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