CN115581465A - 冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统 - Google Patents

冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统 Download PDF

Info

Publication number
CN115581465A
CN115581465A CN202211451644.3A CN202211451644A CN115581465A CN 115581465 A CN115581465 A CN 115581465A CN 202211451644 A CN202211451644 A CN 202211451644A CN 115581465 A CN115581465 A CN 115581465A
Authority
CN
China
Prior art keywords
risk assessment
frequency
heart disease
coronary heart
lead
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
CN202211451644.3A
Other languages
English (en)
Inventor
左能
黄庆玺
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.)
Biosorp Biotechnology Co ltd
Original Assignee
Biosorp Biotechnology Co ltd
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 Biosorp Biotechnology Co ltd filed Critical Biosorp Biotechnology Co ltd
Priority to CN202211451644.3A priority Critical patent/CN115581465A/zh
Publication of CN115581465A publication Critical patent/CN115581465A/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]
    • 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
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (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

本申请涉及一种冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统。所述方法包括：获取第一预设数量的导联的静息状态下的心电信号，并对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集；获取各导联的负荷状态下的心电信号，并对各负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线；对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集；其中，动态高频QRS波形特征集包括第二阳性指标的数量；对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数。采用本方法能够准确评估冠心病风险。

Description

冠心病风险评估方法和装置、心脏性猝死风险评估方法和 系统
技术领域
本申请涉及心电信号处理技术领域，特别是涉及一种冠心病风险评估方法、心脏性猝死风险评估方法、冠心病风险评估装置、心脏性猝死风险评估装置、计算机设备和存储介质。
背景技术
心脏性猝死(Sudden Cardiac Death，SCD)是一种严重危害人类健康的疾病，世界每年因此病猝死的患者约有1200万，其中SCD占75％。大多数 SCD 病例与心室心律失常、冠心病、充血性心力衰竭 (CHF)相关。目前，评估冠心病风险的模型有SYNTAX，根据病变位置、严重程度、分叉、钙化等评价冠脉病变的复杂程度，根据积分的高低为手术方式选择提供初步判断。在心脏性猝死方面，目前有从心率、QRS-T角、校正QT间期、T波峰末间期维度预测SCD事件。然而，传统模型在临床上均存在敏感性或特异性不高的问题，无法准确评估冠心病风险和心脏性猝死风险。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确评估冠心病、心脏性猝死风险的冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统。
第一方面，提供一种冠心病风险评估方法，上述方法包括：
获取第一预设数量的导联的静息状态下的心电信号，并对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集；其中，静态高频QRS波形特征集包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量；第一阳性指标用于表征对应导联的高频形态指数大于第一阈值；高频形态指数为对应导联的第一总面积和第二总面积的比值；第一总面积为对应静息状态下的心电信号的各振幅减小区域的总面积；第二总面积为对应静息状态下的心电信号的包络下方总面积；第一目标导联为高频形态指数属于第一区间的导联；第二目标导联为高频形态指数属于第二区间的导联；第三目标导联为高频形态指数属于第三区间的导联；
获取各导联的负荷状态下的心电信号，并对各负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线；
对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集；其中，动态高频QRS波形特征集包括第二阳性指标的数量；第二阳性指标用于表征对应导联的振幅下降相对值大于第二阈值且对应导联的振幅绝对值大于第三阈值；振幅下降相对值为振幅绝对值和最大RMS电压值的比值；振幅绝对值为最大RMS电压值和目标RMS电压值的差；最大RMS电压值为对应高频波形曲线的RMS电压的最大值；目标RMS电压值为对应高频波形曲线在最大RMS电压值所对应时刻后的RMS电压的最小值；
对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数；其中，冠心病风险评估分数用于判断出现冠心病风险的大小；冠心病风险评估特征集包括静态高频QRS波形特征集和动态高频QRS波形特征集。
在其中一个实施例中，冠心病风险评估特征集还包括低频心电波形特征集；冠心病风险评估方法还包括：获取低频心电信号，并对低频心电信号进行提取处理，得到低频心电信号的ST段；对ST段进行识别处理，得到低频心电波形特征集；低频心电波形特征集包括ST段的类型；类型包括阳性和疑似阳性。
在其中一个实施例中，动态高频QRS波形特征集还包括第四目标导联的数量和第五目标导联的数量；第四目标导联为均方根最小特征点位于第一目标波形的导联；第五目标导联为均方根最小特征点位于第二目标波形的导联；均方根最小特征点为对应高频波形曲线上均方根电压值最小的特征点；第一目标波形包括运动阶段的预设初始时间内的U波、L波和小V波；第二目标波形包括W波、M波和预设初始时间外的小V波。
在其中一个实施例中，动态高频QRS波形特征集还包括目标降幅比例和/或目标电压比值；其中，目标降幅比例为各导联的振幅下降相对值中的最大值；目标电压比值为各导联的电压比值的最大值；电压比值为对应导联的振幅绝对值与最大RMS电压值的比值。
在其中一个实施例中，对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集的步骤包括：对各静息状态下的心电信号进行数据提取，得到对应导联的静态QRS波形的高频分量；根据各导联的静态QRS波形的高频分量确定各导联对应的各振幅减小区域，并计算各导联的第一总面积和对应的第二总面积；根据各导联的第一总面积和对应的第二总面积的比值，得到各导联的高频形态指数；根据各导联的高频形态指数和第一阈值，统计第一阳性指标的数量。
在其中一个实施例中，对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数的步骤包括：将冠心病风险评估特征集输入至预设的冠心病风险评估函数或预先训练好的冠心病风险评估网络模型，得到冠心病风险评估分数。
第二方面，提供了一种心脏性猝死风险评估方法，上述方法包括：
获取心衰风险评估分数和通过上述冠心病风险评估方法实施例中任一冠心病风险评估方法所获得的冠心病风险评估分数；其中，心衰风险评估分数通过将心衰风险评估特征集输入至预设的心衰风险评估函数或预先训练好的心衰风险评估网络模型所确定；
根据心衰风险评估分数、心衰风险评估分数的权重、冠心病风险评估分数和冠心病风险评估分数的权重进行加权求和计算，得到心脏性猝死风险评估分数；心脏性猝死风险评估分数用于判断出现心脏性猝死风险的大小。
在其中一个实施例中，心脏性猝死风险评估方法还包括：根据心脏性猝死风险评估分数确定心脏性猝死风险等级；响应于心脏性猝死风险等级大于等级阈值，输出心脏性猝死监测预警数据。
第三方面，提供了一种冠心病风险评估装置，上述冠心病风险评估装置包括静态高频QRS波形特征获取模块、高频波形曲线生成模块、动态高频QRS波形特征获取模块和冠心病风险评估模块。
其中，静态高频QRS波形特征获取模块用于获取第一预设数量的导联的静息状态下的心电信号，并对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集；其中，静态高频QRS波形特征集包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量；第一阳性指标用于表征对应导联的高频形态指数大于第一阈值；高频形态指数为对应导联的第一总面积和第二总面积的比值；第一总面积为对应静息状态下的心电信号的各振幅减小区域的总面积；第二总面积为对应静息状态下的心电信号的包络下方总面积；第一目标导联为高频形态指数属于第一区间的导联；第二目标导联为高频形态指数属于第二区间的导联；第三目标导联为高频形态指数属于第三区间的导联；
高频波形曲线生成模块用于获取各导联的负荷状态下的心电信号，并对各负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线；
动态高频QRS波形特征获取模块用于对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集；其中，动态高频QRS波形特征集包括第二阳性指标的数量；第二阳性指标用于表征对应导联的振幅下降相对值大于第二阈值且对应导联的振幅绝对值大于第三阈值；振幅下降相对值为振幅绝对值和最大RMS电压值的比值；振幅绝对值为最大RMS电压值和目标RMS电压值的差；最大RMS电压值为对应高频波形曲线的RMS电压的最大值；目标RMS电压值为对应高频波形曲线在最大RMS电压值所对应时刻后的RMS电压的最小值；
冠心病风险评估模块用于对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数；其中，冠心病风险评估分数用于判断出现冠心病风险的大小；冠心病风险评估特征集包括静态高频QRS波形特征集和动态高频QRS波形特征集。
第四方面，提供了一种心脏性猝死风险评估系统，上述心脏性猝死风险评估系统包括分数获取装置和综合评估装置。
分数获取装置用于获取心衰风险评估分数和通过上述冠心病风险评估装置实施例中任一冠心病风险评估装置所获得的冠心病风险评估分数；其中，心衰风险评估分数通过将心衰风险评估特征集输入至预设的心衰风险评估函数或预先训练好的心衰风险评估网络模型所确定；
综合评估装置用于根据心衰风险评估分数、心衰风险评估分数的权重、冠心病风险评估分数和冠心病风险评估分数的权重进行加权求和计算，得到心脏性猝死风险评估分数；心脏性猝死风险评估分数用于判断出现心脏性猝死风险的大小。
第五方面，提供了一种计算机设备，该存储设备包括存储器和处理器，存储器存储有计算机程序，处理器执行所述计算机程序时实现上述冠心病风险评估方法实施例中任一冠心病风险评估方法的步骤或上述心脏性猝死风险评估方法实施例中任一心脏性猝死风险评估方法的步骤。
第六方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述冠心病风险评估方法实施例中任一冠心病风险评估方法的步骤或上述心脏性猝死风险评估方法实施例中任一心脏性猝死风险评估方法的步骤。
上述冠心病风险评估方法、心脏性猝死风险评估方法、冠心病风险评估装置、心脏性猝死风险评估装置、计算机设备和存储介质，通过获取第一预设数量的导联的静息状态下的心电信号，并对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集；其中，静态高频QRS波形特征集包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量；而后，获取各导联的负荷状态下的心电信号，并对各负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线；接着，对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集；其中，动态高频QRS波形特征集包括第二阳性指标的数量；最后，对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数；其中，冠心病风险评估分数用于判断出现冠心病风险的大小；冠心病风险评估特征集包括静态高频QRS波形特征集和动态高频QRS波形特征集，即可准确的了解出现冠心病风险的大小。此外，直接通过冠心病风险评估分数了解出现冠心病风险的大小，减少了冠心病风险评估的耗时，提高了冠心病风险评估的效率。
附图说明
图1为一个实施例中冠心病风险评估方法的应用环境图；
图2为一个实施例中冠心病风险评估方法的第一流程示意图；
图3为一个实施例中振幅减小区域的示意图；
图4为一个实施例中对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集的步骤的流程示意图；
图5为一个实施例中冠心病风险评估方法的第二流程示意图；
图6为一个实施例中心脏性猝死风险评估方法的第一流程示意图；
图7为一个实施例中心脏性猝死风险评估方法的第二流程示意图；
图8为一个实施例中冠心病风险评估装置的结构框图；
图9为一个实施例中心脏性猝死风险评估系统的结构框图；
图10为一个实施例中计算机设备的内部结构图；
图11为一个实施例中心电信号处理系统的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一电阻称为第二电阻，且类似地，可将第二电阻称为第一电阻。第一电阻和第二电阻两者都是电阻，但其不是同一电阻。
可以理解，以下实施例中的“连接”，如果被连接的电路、模块、单元等相互之间具有电信号或数据的传递，则应理解为“电连接”、“通信连接”等。
在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
本申请提供的冠心病风险评估方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与游戏服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，游戏服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
第一方面，如图2所示，提供了一种冠心病风险评估方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤202至步骤208。
步骤202，获取第一预设数量的导联的静息状态下的心电信号，并对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集。
其中，第一预设数量的导联包括第二预设数量的肢体导联，第二预设数量小于第一预设数量。通过配置与终端电性连接的心电信号采集设备采集第一预设数量的导联的静息状态下的心电信号，从而终端即可通过心电信号采集设备获取到第一预设数量的导联的静息状态下的心电信号。
在一个具体事例中，第一预设数量的导联还包括第三预设数量的胸部导联；其中，第三预设数量为第一预设数量与第二预设数量的差。可以理解的是，第一预设数量的导联可以是12个导联，12个导联包括6个胸部导联和6个肢体导联；第一预设数量的导联还可以是18个导联，18个导联包括12个胸部导联和6个肢体导联。以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
其中，静态高频QRS波形特征集包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量。
具体地，高频形态指数为对应导联的第一总面积和第二总面积的比值。其中，第一总面积为对应静息状态下的心电信号的各振幅减小区域的总面积；第二总面积为对应静息状态下的心电信号的包络下方总面积。第一阳性指标用于表征对应导联的高频形态指数大于第一阈值，也就表征对应导联的静息状态下的心电信号出现异常；反之，第一阴性指标用于表征对应导联的高频形态指数小于或等于第一阈值，也就表征对应导联的静息状态下的心电信号正常。第一阳性指标的数量用于表征各导联的静息状态下的心电信号所对应的整体心肌缺血程度，也就是说第一阳性指标的数量越多代表各导联的静息状态下的心电信号所对应的整体存在更大的心肌缺血风险。
此外，如图3所示，振幅减小区域（Reduced Amplitude Zone,RAZ）是指对应静息状态下的心电信号的QRS波形中点A和点B之间所形成的凹陷区域S。
在一个具体示例中，第一阈值可以根据心电信号采集者的年龄确定；在心电信号采集者的年龄大于50岁，第一阈值可以但不限于是8%；在心电信号采集者的年龄小于或等于50岁，第一阈值可以但不限于是15%。第一阈值还可以是目标高频形态指数的平均值或者20%，以进一步提高心衰风险评估分数的准确性。目标高频形态指数是指将各高频形态指数根据数值从大到小进行依次排序的情况下，排序前三的高频形态指数。以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
其中，第一目标导联为高频形态指数属于第一区间的导联；第二目标导联为高频形态指数属于第二区间的导联；第三目标导联为高频形态指数属于第三区间的导联。可以理解的是，第二区间的区间上限小于或等于第一区间的区间下限；第一区间的区间上限小于或等于第二区间的区间下限。
在一个具体示例中，第一区间为[30%,100%]，第一目标导联则为高频形态指数大于30%的导联；第二区间为[20%,30%），第二目标导联则为高频形态指数在[20%,30%）内的导联；第三区间为[10%,20%），第三目标导联则为高频形态指数在[10%,20%）内的导联；以上仅为具体示例，在实际应用中根据用户实际需求而灵活设置，在此不进行限制。
可以理解的是，终端通过心电信号采集设备获取到第一预设数量的导联的静息状态下的心电信号，即可对各静息状态下的心电信号进行数据处理，得到包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量的静态高频QRS波形特征集。
在其中一个实施例中，如图4所示，对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集的步骤包括步骤401至步骤404。
步骤401，对各静息状态下的心电信号进行数据提取，得到对应导联的静态QRS波形的高频分量。
步骤402，根据各导联的静态QRS波形的高频分量确定各导联对应的各振幅减小区域，并计算各导联的第一总面积和对应的第二总面积。
步骤403，根据各导联的第一总面积和对应的第二总面积的比值，得到各导联的高频形态指数。
步骤404，根据各导联的高频形态指数和第一阈值，统计第一阳性指标的数量。
其中，终端可以对各静息状态下的心电信号进行数据提取，得到对应导联的静态QRS波形的高频分量；而后，根据各导联的静态QRS波形的高频分量即可确定各导联对应的各振幅减小区域；且，根据各导联对应的各振幅减小区域即可计算出各导联的第一总面积和对应的第二总面积；接着，计算各导联的第一总面积和对应的第二总面积的比值，从而得到各导联的高频形态指数；最后，根据各导联的高频形态指数和第一阈值的比较结果，即可统计出第一阳性指标的数量。
在本实施例中，通过对各静息状态下的心电信号进行数据提取后得到对应导联的静态QRS波形的高频分量，即可通过各导联的静态QRS波形的高频分量得到准确的第一阳性指标的数量，从而能够通过第一阳性指标的数量了解到对应导联的静息状态下的心电信号出现异常的导联数量，也就便于获得冠心病风险评估特征集以及冠心病风险评估分数。
步骤204，获取各导联的负荷状态下的心电信号，并对各负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线。
其中，负荷状态下的心电信号包括静息阶段、运动阶段和恢复阶段的心电信号。通过配置与终端电性连接的心电信号采集设备采集第一预设数量的导联的负荷状态下的心电信号。终端即可通过心电信号采集设备获取到各导联的负荷状态下的心电信号；而后，对各导联的负荷状态下的心电信号进行数据处理，即可得到对应的高频波形曲线。
在一个具体示例中，对各负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线的步骤包括：根据各导联的负荷状态下的心电信号确定各导联的动态高频QRS波形数据；根据各导联的动态高频QRS波形数据确定各导联的均方根电压值集合；其中，均方根电压值集合包括对应导联在预设采集时间内各时刻的均方根电压值；根据各导联的均方根电压值集合生成对应导联的高频波形曲线。以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
步骤206，对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集。
其中，动态高频QRS波形特征集包括第二阳性指标的数量。终端可以对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集。
具体地，振幅下降相对值为振幅绝对值和最大RMS电压值的比值；振幅绝对值为最大RMS电压值和目标RMS电压值的差；最大RMS电压值为对应高频波形曲线的RMS电压的最大值；目标RMS电压值为对应高频波形曲线在最大RMS电压值所对应时刻后的RMS电压的最小值。可以理解的是，第二指标呈阳性是指对应导联的振幅下降相对值大于第二阈值且对应导联的振幅绝对值大于第三阈值。反之，第二指标呈阴性是指对应导联的振幅下降相对值小于第二阈值或者对应导联的振幅绝对值小于第三阈值。第二指标呈阳性的数量用于表征各导联的负荷状态下的心电信号所对应整体心肌缺血程度，也就是说第二指标呈阳性的数量越多则存在心肌缺血的风险越大。
在一个具体示例中，第二阈值可以但不限于是50%，第三阈值可以但不限于是1uV，以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
在一个具体示例中，对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集的步骤包括：对各高频波形曲线进行特征点提取，得到对应的各目标特征点；根据对应的各目标特征点进行特征提取，得到动态高频QRS波形特征集。以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
在其中一个实施例中，动态高频QRS波形特征集还包括第四目标导联的数量和第五目标导联的数量。
其中，第四目标导联为均方根最小特征点位于第一目标波形的导联；第五目标导联为均方根最小特征点位于第二目标波形的导联；均方根最小特征点为对应高频波形曲线上均方根电压值最小的特征点；第一目标波形包括运动阶段的预设初始时间内的U波、L波和小V波；第二目标波形包括W波、M波和预设初始时间外的小V波。第四目标导联的数量和第五目标导联的数量均用于表征各导联的负荷状态下的心电信号所对应的冠脉狭窄严重程度。
在一个具体示例中，预设初始时间可以但不限于是3分钟，也就是说第一目标波形包括运动阶段的开始3分钟内的U波、L波和小V波，第二目标波形包括W波、M波和运动阶段的开始3分钟以外的小V波。以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
在本实施例中，通过在对各高频波形曲线进行特征分析的过程中获得还包括第四目标导联的数量和第五目标导联的数量的高频QRS波形特征集，进一步提高了惯性病风险评估的准确性和便利性。
在其中一个实施例中，动态高频QRS波形特征集还包括目标降幅比例和/或目标电压比值。
其中，目标降幅比例为各导联的振幅下降相对值中的最大值；目标电压比值为各导联的电压比值的最大值；电压比值为对应导联的振幅绝对值与最大RMS电压值的比值。可以理解的是，目标降幅比例和目标电压比值可以用于表征心电信号采集对象的最大泵血能力，可以但不限于根据目标降幅比例所属预设的降幅比例区间和/或目标电压比值所属预设的电压比值区间评估心电信号采集对象的冠脉血管的供血能力。
在本实施例中，通过在对各高频波形曲线进行特征分析的过程中获得还包括目标降幅比例和/或目标电压比值的高频QRS波形特征集，进一步提高了惯性病风险评估的准确性和便利性。
步骤208，对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数。
其中，冠心病风险评估分数用于判断出现冠心病风险的大小；冠心病风险评估特征集包括静态高频QRS波形特征集和动态高频QRS波形特征集。终端针对冠心病风险评估特征集进行评估分析，即可得到冠心病风险评估分数，从而准确的了解出现冠心病风险的大小。
基于此，上述冠心病风险的冠心病风险评估方法，通过获取第一预设数量的导联的静息状态下的心电信号，并对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集；其中，静态高频QRS波形特征集包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量；而后，获取各导联的负荷状态下的心电信号，并对各负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线；接着，对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集；其中，动态高频QRS波形特征集包括第二阳性指标的数量；最后，对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数；其中，冠心病风险评估分数用于判断出现冠心病风险的大小；冠心病风险评估特征集包括静态高频QRS波形特征集和动态高频QRS波形特征集，即可准确的了解出现冠心病风险的大小。此外，直接通过冠心病风险评估分数了解出现冠心病风险的大小，减少了冠心病风险评估的耗时，提高了冠心病风险评估的效率。
在其中一个实施例中，风险评估特征集还包括低频心电波形特征集。
其中，如图5所示，冠心病风险评估方法还包括步骤501和步骤502。
步骤501，获取低频心电信号，并对低频心电信号进行提取处理，得到低频心电信号的ST段。
步骤502，对ST段进行识别处理，得到低频心电波形特征集；低频心电波形特征集包括ST段的类型。
其中，ST段的类型包括阳性和疑似阳性。可以理解的是，低频心电信号的ST段是指低频心电信号的QRS波群的终点与T波起始之间距离。终端可以获取低频心电信号，并对低频心电信号进行提取处理，得到低频心电信号的ST段；而后，对ST段进行识别处理，得到低频心电波形特征集；低频心电波形特征集包括ST段的类型。
在一个具体示例中，对ST段进行识别处理过程中出现第一目标现象、第二目标现象、第三目标现象或者第四目标现象，即可判定ST段的类型为阳性。其中，第一目标现象是指ST段水平型压低或下斜型压低≥0.1mV，且持续>2min；第二目标现象存在ST段下降，运动后在原有基础上再下降0.1mv并持续2min分钟以上逐渐恢复；第三目标现象是指无病理性Q波导联在运动中或运动后出现ST段弓背向上抬高≥0.1mV，且持续时间>1min；第四目标现象是指ST段上斜型下降大于0.2mV，同时AVR导联ST段抬高大于0.1mV。对ST段进行识别处理过程中出现第五目标现象、第六目标现象或第七目标现象，即可判定ST段的类型为疑似阳性。第五目标现象是指ST段水平型或下斜形压低大于等于0.1mV，且持续时间小于2分钟；第六目标现象是指ST段水平型或下斜形压低大于等于0.05至0.1mV；第七目标现象是指ST段似水平型下降0.10-0.20mV。以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
在本实施例中，通过获取低频心电信号，并对低频心电信号进行提取处理，得到低频心电信号的ST段；而后，对ST段进行识别处理，得到低频心电波形特征集；其中，低频心电波形特征集包括ST段的类型；也就使得冠心病风险评估特征集进一步丰富，进一步提高了惯性病风险评估的准确性和便利性。
在其中一个实施例中，对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数的步骤包括：将冠心病风险评估特征集输入至预设的冠心病风险评估函数或预先训练好的冠心病风险评估网络模型，得到冠心病风险评估分数。
其中，终端可以预先存储预设的冠心病风险评估函数或预先训练好的冠心病风险评估网络模型，将冠心病风险评估特征集输入至预设的冠心病风险评估函数即可通过该冠心病风险评估函数输出对应的冠心病风险评估分数，和/或将冠心病风险评估特征集输入至预先训练好的冠心病风险评估网络模型即可通过该冠心病风险评估网络模型输出对应的冠心病风险评估分数。
在一个具体示例中，基于以下表达式得到第一冠心病风险评估子分数：
Figure 170500DEST_PATH_IMAGE001
其中，f(t)为第一冠心病风险评估子分数；
Figure 307084DEST_PATH_IMAGE002
为第一阳性指标的数量。
基于以下表达式得到第二冠心病风险评估子分数：
Figure 710383DEST_PATH_IMAGE003
其中，
Figure 156277DEST_PATH_IMAGE004
为第二冠心病风险评估子分数；
Figure 910606DEST_PATH_IMAGE005
为第一目标导联的数量；b为第二目标导联的数量；n为第三目标导联的数量。
基于以下表达式得到第三冠心病风险评估子分数：
Figure 585301DEST_PATH_IMAGE006
其中，
Figure 108686DEST_PATH_IMAGE007
为第三冠心病风险评估子分数；v为第二阳性指标的数量。
基于以下表达式得到第四心衰风险评估子分数：
Figure 538531DEST_PATH_IMAGE008
其中，
Figure 514577DEST_PATH_IMAGE009
为第四心衰风险评估子分数；
Figure 242230DEST_PATH_IMAGE010
为ST段的类型。
基于以下表达式得到第五心衰风险评估子分数：
Figure 885701DEST_PATH_IMAGE011
其中，
Figure 220868DEST_PATH_IMAGE012
为第五冠心病风险评估子分数；m为第四目标导联的数量；0为第五目标导联的数量。
基于以下表达式得到第六心衰风险评估子分数：
Figure 887472DEST_PATH_IMAGE013
其中，
Figure 966287DEST_PATH_IMAGE014
为第五冠心病风险评估子分数；q为目标降幅比例；
基于以下表达式得到第七心衰风险评估子分数：
Figure 464264DEST_PATH_IMAGE015
其中，
Figure 970332DEST_PATH_IMAGE016
为第七冠心病风险评估子分数；
Figure 373500DEST_PATH_IMAGE017
为目标电压比值；
Figure 256006DEST_PATH_IMAGE018
其中，y为冠心病风险评估分数；
Figure 608490DEST_PATH_IMAGE019
为第一冠心病风险评估子分数；
Figure 488721DEST_PATH_IMAGE004
为第二冠心病风险评估子分数；
Figure 926656DEST_PATH_IMAGE007
为第三冠心病风险评估子分数；
Figure 347273DEST_PATH_IMAGE009
为第四冠心病风险评估子分数；
Figure 819842DEST_PATH_IMAGE012
为第五冠心病风险评估子分数；
Figure 872241DEST_PATH_IMAGE014
为第六冠心病风险评估子分数；
Figure 797472DEST_PATH_IMAGE016
为第七冠心病风险评估子分数；以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
在本实施例中，将冠心病风险评估特征集输入至预设的冠心病风险评估函数或预先训练好的冠心病风险评估网络模型，得到冠心病风险评估分数，提高了冠心病风险评估分数获取的便利性和准确性。
第二方面，如图6所示，提供了一种心脏性猝死风险评估方法，上述方法包括步骤601至步骤602。
步骤601，获取心衰风险评估分数和通过上述冠心病风险评估方法实施例中任一冠心病风险评估方法所获得的冠心病风险评估分数。
其中，心衰风险评估分数通过将心衰风险评估特征集输入至预设的心衰风险评估函数或预先训练好的心衰风险评估网络模型所确定；终端可以获取心衰风险评估分数和通过上述冠心病风险评估方法实施例中任一冠心病风险评估方法所获得的冠心病风险评估分数。
在一个具体示例中，心衰风险评估特征集包括第二静态高频QRS波形特征集和/或第二动态高频QRS波形特征集。
具体地，第二静态高频QRS波形特征集包括QRS时限、上述第一阳性指标的数量、第六目标导联的数量和目标肢体导联的数量。第六目标导联为对应静息状态下的心电信号呈下降趋势的总次数超过次数阈值的导联；目标肢体导联为对应静息状态下的心电信号的QRS波群电压小于波群电压阈值的肢体导联。此外，通过统计对应静息状态下的心电信号的各振幅减小区域的峰峰值，即可将对应静息状态下的心电信号的峰峰值总数量确定为对应静息状态下的心电信号呈下降趋势的总次数。
具体地，第二动态高频QRS波形特征集包括上述第二阳性指标的数量、初始平均电压值、最大输出功率和第七目标导联的数量中的至少两个；初始平均电压值为各高频波形曲线的初始电压值的平均值；最大输出功率根据各高频波形曲线的均方根电压值的最大值确定；第七目标导联为对应高频波形曲线呈目标波形的导联；目标波形包括U波、L波和小V波。以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
在一个具体示例中，基于以下表达式得到第一心衰风险评估子分数：
Figure 959463DEST_PATH_IMAGE020
其中，
Figure 286539DEST_PATH_IMAGE021
为第一心衰风险评估子分数；z为QRS时限。
基于以下表达式得到第二心衰风险评估子分数：
Figure 757841DEST_PATH_IMAGE022
其中，
Figure 170368DEST_PATH_IMAGE023
为第二心衰风险评估子分数；t为第一阳性指标的数量。
基于以下表达式得到第三心衰风险评估子分数：
Figure 932787DEST_PATH_IMAGE024
其中，
Figure 52053DEST_PATH_IMAGE025
为第三心衰风险评估子分数；k为第六目标导联的数量。
基于以下表达式得到第四心衰风险评估子分数：
Figure 507305DEST_PATH_IMAGE026
其中，
Figure 594079DEST_PATH_IMAGE027
为第四心衰风险评估子分数；s为目标肢体导联的数量。
基于以下表达式得到第五心衰风险评估子分数：
Figure 160189DEST_PATH_IMAGE028
其中，
Figure 196278DEST_PATH_IMAGE029
为第五心衰风险评估子分数；v为第二阳性指标的数量；
基于以下表达式得到第六心衰风险评估子分数。
Figure 822432DEST_PATH_IMAGE030
其中，
Figure 147234DEST_PATH_IMAGE031
为第六心衰风险评估子分数；j为初始平均电压值。
基于以下表达式得到第七心衰风险评估子分数：
Figure 251456DEST_PATH_IMAGE032
其中，
Figure 407631DEST_PATH_IMAGE033
为第七心衰风险评估子分数；e为最大输出功率。
基于以下表达式得到第八心衰风险评估子分数：
Figure 391636DEST_PATH_IMAGE034
其中，
Figure 472DEST_PATH_IMAGE035
为第八心衰风险评估子分数；h为第七目标导联的数量；
基于以下心衰风险评估函数的表达式得到心衰风险评估分数：
Figure 173965DEST_PATH_IMAGE036
其中，L为心衰风险评估分数；，
Figure 184646DEST_PATH_IMAGE021
为第一心衰风险评估子分数；
Figure 90285DEST_PATH_IMAGE023
为第二心衰风险评估子分数；
Figure 186417DEST_PATH_IMAGE025
为第三心衰风险评估子分数；
Figure 632442DEST_PATH_IMAGE027
为第四心衰风险评估子分数；
Figure 950159DEST_PATH_IMAGE029
为第五心衰风险评估子分数；
Figure 89017DEST_PATH_IMAGE031
为第六心衰风险评估子分数；
Figure 610128DEST_PATH_IMAGE033
为第七心衰风险评估子分数；
Figure 859844DEST_PATH_IMAGE035
为第八心衰风险评估子分数；以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
步骤602，根据心衰风险评估分数、心衰风险评估分数的权重、冠心病风险评估分数和冠心病风险评估分数的权重进行加权求和计算，得到心脏性猝死风险评估分数。
其中，心脏性猝死风险评估分数用于判断出现心脏性猝死风险的大小。终端可以根据心衰风险评估分数、心衰风险评估分数的权重、冠心病风险评估分数和冠心病风险评估分数的权重进行加权求和计算，得到心脏性猝死风险评估分数。
在一个具体示例中，基于以下表达式计算心脏性猝死风险评估分数：
Figure 845117DEST_PATH_IMAGE037
其中，k为心脏性猝死风险评估分数；s为冠心病风险评估分数的权重；y为冠心病风险评估分数；p为心衰风险评估分数的权重；u为心衰风险评估分数；具体地，冠心病风险评估分数的权重可以但不限于是60%；心衰风险评估分数的权重可以但不限于是40%。以上仅为具体示例，在实际应用中可以根据用户需求而灵活应用，在此不进行限制。
在本实施例中，通过获取心衰风险评估分数和通过上述冠心病风险评估方法实施例中任一冠心病风险评估方法所获得的冠心病风险评估分数；而后，根据心衰风险评估分数、心衰风险评估分数的权重、冠心病风险评估分数和冠心病风险评估分数的权重进行加权求和计算，得到心脏性猝死风险评估分数，也就提高了心脏性猝死风险的评估准确性。
在其中一个实施例中，如图7所示，心脏性猝死风险评估方法还包括步骤701和步骤702。
步骤701，根据心脏性猝死风险评估分数确定心脏性猝死风险等级。
步骤702，响应于心脏性猝死风险等级大于等级阈值，输出心脏性猝死监测预警数据。
其中，终端可以根据心脏性猝死风险评估分数确定心脏性猝死风险等级；而后，响应于心脏性猝死风险等级大于等级阈值，输出心脏性猝死监测预警数据。
在本实施例中，通过根据心脏性猝死风险评估分数确定心脏性猝死风险等级；而后，响应于心脏性猝死风险等级大于等级阈值，输出心脏性猝死监测预警数据，以使得心电信号采集者及时了解自身的心脏性猝死风险，提高了心脏性猝死风险评估方法的便利性。
在其中一个实施例中，根据心脏性猝死风险评估分数确定心脏性风险等级的步骤包括：根据心脏性猝死风险评估分所在区间确定心脏性风险等级。
其中，上述区间包括第一预设评分区间、第二预设评分区间、第三预设评分区间和第四预设评分区间。第一预设评分区间的上限小于或等于第二预设评分区间的下限，第二预设评分区间的上限小于或等于第三预设评分区间的下限；第三预设评分区间的上限小于或等于第四预设评分区间的下限。
具体地，心脏性风险等级包括第一等级、第二等级、第三等级和第四等级。终端在心脏性猝死风险评估分数属于第一预设评分区间，则将心脏性风险等级确定为第一等级，第一等级表征心电信号采集者的心脏性猝死风险较小。终端在心脏性猝死风险评估分数属于第二预设评分区间，则将心脏性风险等级确定为第二等级，第二等级表征心电信号采集者的心脏性猝死风险适中。终端在心脏性猝死风险评估分数属于第三预设评分区间，则将心脏性风险等级确定为第三等级，第三等级表征心电信号采集者的心脏性猝死风险严重。终端在心脏性猝死风险评估分数属于第四预设评分区间，则将心脏性风险等级确定为第四等级，第四等级表征心电信号采集者的心脏性猝死风险非常严重。
在本实施例中，根据心脏性猝死风险评估分数所在区间确定心脏性风险等级，从而可以准确的确定心电信号采集者的心脏性风险等级，便于了解新心电信号采集者的心脏性猝死风险大小。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
第三方面，如图8所述，提供了一种冠心病风险评估装置，上述冠心病风险评估装置包括静态高频QRS波形特征获取模块810、高频波形曲线生成模块820、动态高频QRS波形特征获取模块830和冠心病风险评估模块840。
其中，静态高频QRS波形特征获取模块810用于获取第一预设数量的导联的静息状态下的心电信号，并对各静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集；其中，静态高频QRS波形特征集包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量；第一阳性指标用于表征对应导联的高频形态指数大于第一阈值；高频形态指数为对应导联的第一总面积和第二总面积的比值；第一总面积为对应静息状态下的心电信号的各振幅减小区域的总面积；第二总面积为对应静息状态下的心电信号的包络下方总面积；第一目标导联为高频形态指数属于第一区间的导联；第二目标导联为高频形态指数属于第二区间的导联；第三目标导联为高频形态指数属于第三区间的导联；
高频波形曲线生成模块820用于获取各导联的负荷状态下的心电信号，并对各负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线；
动态高频QRS波形特征获取模块830用于对各高频波形曲线进行特征分析，得到动态高频QRS波形特征集；其中，动态高频QRS波形特征集包括第二阳性指标的数量；第二阳性指标用于表征对应导联的振幅下降相对值大于第二阈值且对应导联的振幅绝对值大于第三阈值；振幅下降相对值为振幅绝对值和最大RMS电压值的比值；振幅绝对值为最大RMS电压值和目标RMS电压值的差；最大RMS电压值为对应高频波形曲线的RMS电压的最大值；目标RMS电压值为对应高频波形曲线在最大RMS电压值所对应时刻后的RMS电压的最小值；
冠心病风险评估模块840用于对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数；其中，冠心病风险评估分数用于判断出现冠心病风险的大小；冠心病风险评估特征集包括静态高频QRS波形特征集和动态高频QRS波形特征集。
关于冠心病风险评估装置的具体限定可以参见上文中对于冠心病风险评估方法的限定，在此不再赘述。上述冠心病风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
第四方面，如图9所示，提供了一种心脏性猝死风险评估系统，上述心脏性猝死风险评估系统包括分数获取装置910和综合评估装置920。
分数获取装置910用于获取心衰风险评估分数和通过上述冠心病风险评估装置实施例中任一冠心病风险评估装置所获得的冠心病风险评估分数；其中，心衰风险评估分数通过将心衰风险评估特征集输入至预设的心衰风险评估函数或预先训练好的心衰风险评估网络模型所确定；
综合评估装置920用于根据心衰风险评估分数、心衰风险评估分数的权重、冠心病风险评估分数和冠心病风险评估分数的权重进行加权求和计算，得到心脏性猝死风险评估分数；心脏性猝死风险评估分数用于判断出现心脏性猝死风险的大小。
关于心脏性猝死风险评估装置的具体限定可以参见上文中对于心脏性猝死风险评估方法的限定，在此不再赘述。上述心脏性猝死风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种冠心病风险评估方法的步骤或上述心脏性猝死风险评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图11所示，提供了一种心电信号处理系统，如图上述系统包括心电信号采集设备1110和上述设备实施例中任一的计算机设备1120。其中，心电信号采集设备1110电性连接计算机设备1120，并用于采集各静息状态下的心电信号。
第五方面，提供了一种计算机设备，该存储设备包括存储器和处理器，存储器存储有计算机程序，处理器执行所述计算机程序时实现上述冠心病风险评估方法实施例中任一冠心病风险评估方法的步骤或上述心脏性猝死风险评估方法实施例中任一心脏性猝死风险评估方法的步骤。
第六方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述冠心病风险评估方法实施例中任一冠心病风险评估方法的步骤或上述心脏性猝死风险评估方法实施例中任一心脏性猝死风险评估方法的步骤
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种冠心病风险评估方法，其特征在于，所述冠心病风险评估方法包括：
获取第一预设数量的导联的静息状态下的心电信号，并对各所述静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集；其中，所述静态高频QRS波形特征集包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量；所述第一阳性指标用于表征对应所述导联的高频形态指数大于第一阈值；所述高频形态指数为对应所述导联的第一总面积和第二总面积的比值；所述第一总面积为对应所述静息状态下的心电信号的各振幅减小区域的总面积；第二总面积为对应所述静息状态下的心电信号的包络下方总面积；所述第一目标导联为所述高频形态指数属于第一区间的所述导联；所述第二目标导联为所述高频形态指数属于第二区间的所述导联；所述第三目标导联为所述高频形态指数属于第三区间的所述导联；
获取各所述导联的负荷状态下的心电信号，并对各所述负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线；
对各所述高频波形曲线进行特征分析，得到动态高频QRS波形特征集；其中，所述动态高频QRS波形特征集包括第二阳性指标的数量；所述第二阳性指标用于表征对应所述导联的振幅下降相对值大于第二阈值且对应所述导联的振幅绝对值大于第三阈值；所述振幅下降相对值为振幅绝对值和最大RMS电压值的比值；所述振幅绝对值为所述最大RMS电压值和目标RMS电压值的差；所述最大RMS电压值为对应所述高频波形曲线的RMS电压的最大值；所述目标RMS电压值为对应所述高频波形曲线在所述最大RMS电压值所对应时刻后的RMS电压的最小值；
对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数；其中，所述冠心病风险评估分数用于判断出现冠心病风险的大小；所述冠心病风险评估特征集包括所述静态高频QRS波形特征集和所述动态高频QRS波形特征集。
2.根据权利要求1所述的冠心病风险评估方法，其特征在于，所述冠心病风险评估特征集还包括低频心电波形特征集；所述冠心病风险评估方法还包括：
获取低频心电信号，并对所述低频心电信号进行提取处理，得到所述低频心电信号的ST段；
对所述ST段进行识别处理，得到所述低频心电波形特征集；所述低频心电波形特征集包括所述ST段的类型；所述类型包括阳性和疑似阳性。
3.根据权利要求1所述的冠心病风险评估方法，其特征在于，所述动态高频QRS波形特征集还包括第四目标导联的数量和第五目标导联的数量；所述第四目标导联为均方根最小特征点位于第一目标波形的所述导联；所述第五目标导联为所述均方根最小特征点位于第二目标波形的所述导联；所述均方根最小特征点为对应所述高频波形曲线上均方根电压值最小的特征点；所述第一目标波形包括运动阶段的预设初始时间内的U波、L波和小V波；所述第二目标波形包括W波、M波和所述预设初始时间外的小V波。
4.根据权利要求1所述的冠心病风险评估方法，其特征在于，所述动态高频QRS波形特征集还包括目标降幅比例和/或目标电压比值；其中，所述目标降幅比例为各所述导联的所述振幅下降相对值中的最大值；所述目标电压比值为各所述导联的电压比值的最大值；所述电压比值为对应所述导联的所述振幅绝对值与所述最大RMS电压值的比值。
5.根据权利要求1所述的冠心病风险评估方法，其特征在于，所述对各所述静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集的步骤包括：
对各所述静息状态下的心电信号进行数据提取，得到对应所述导联的静态QRS波形的高频分量；
根据各所述导联的静态QRS波形的高频分量确定各所述导联对应的各所述振幅减小区域，并计算各所述导联的所述第一总面积和对应的所述第二总面积；
根据各所述导联的所述第一总面积和对应的所述第二总面积的比值，得到各所述导联的所述高频形态指数；
根据各所述导联的所述高频形态指数和所述第一阈值，统计所述第一阳性指标的数量。
6.根据权利要求1至5任意一项所述的冠心病风险评估方法，其特征在于，所述对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数的步骤包括：
将所述冠心病风险评估特征集输入至预设的冠心病风险评估函数或预先训练好的冠心病风险评估网络模型，得到所述冠心病风险评估分数。
7.一种心脏性猝死风险评估方法，其特征在于，所述脏性猝死风险评估方法包括：
获取心衰风险评估分数和通过权利要求1-6任意一项所述的冠心病风险评估方法所获得的所述冠心病风险评估分数；其中，所述心衰风险评估分数通过将心衰风险评估特征集输入至预设的心衰风险评估函数或预先训练好的心衰风险评估网络模型所确定；
根据所述心衰风险评估分数、所述心衰风险评估分数的权重、所述冠心病风险评估分数和所述冠心病风险评估分数的权重进行加权求和计算，得到心脏性猝死风险评估分数；所述心脏性猝死风险评估分数用于判断出现心脏性猝死风险的大小。
8.根据权利要求7所述的心脏性猝死风险评估方法，其特征在于，所述心脏性猝死风险评估方法还包括：
根据所述心脏性猝死风险评估分数确定心脏性猝死风险等级；
响应于所述心脏性猝死风险等级大于等级阈值，输出心脏性猝死监测预警数据。
9.一种冠心病风险评估装置，其特征在于，所述冠心病风险评估装置包括：
静态高频QRS波形特征获取模块，用于获取第一预设数量的导联的静息状态下的心电信号，并对各所述静息状态下的心电信号进行数据处理，得到静态高频QRS波形特征集；其中，所述静态高频QRS波形特征集包括第一阳性指标的数量、第一目标导联的数量、第二目标导联的数量和第三目标导联的数量；所述第一阳性指标用于表征对应所述导联的高频形态指数大于第一阈值；所述高频形态指数为对应所述导联的第一总面积和第二总面积的比值；所述第一总面积为对应所述静息状态下的心电信号的各振幅减小区域的总面积；第二总面积为对应所述静息状态下的心电信号的包络下方总面积；所述第一目标导联为所述高频形态指数属于第一区间的所述导联；所述第二目标导联为所述高频形态指数属于第二区间的所述导联；所述第三目标导联为所述高频形态指数属于第三区间的所述导联；
高频波形曲线生成模块，用于获取各所述导联的负荷状态下的心电信号，并对各所述负荷状态下的心电信号进行数据处理，得到对应的高频波形曲线；
动态高频QRS波形特征获取模块，用于对各所述高频波形曲线进行特征分析，得到动态高频QRS波形特征集；其中，所述动态高频QRS波形特征集包括第二阳性指标的数量；所述第二阳性指标用于表征对应所述导联的振幅下降相对值大于第二阈值且对应所述导联的振幅绝对值大于第三阈值；所述振幅下降相对值为振幅绝对值和最大RMS电压值的比值；所述振幅绝对值为所述最大RMS电压值和目标RMS电压值的差；所述最大RMS电压值为对应所述高频波形曲线的RMS电压的最大值；所述目标RMS电压值为对应所述高频波形曲线在所述最大RMS电压值所对应时刻后的RMS电压的最小值；
冠心病风险评估模块，用于对冠心病风险评估特征集进行评估分析，得到冠心病风险评估分数；其中，所述冠心病风险评估分数用于判断出现冠心病风险的大小；所述冠心病风险评估特征集包括所述静态高频QRS波形特征集和所述动态高频QRS波形特征集。
10.一种心脏性猝死风险评估系统，其特征在于，所述心脏性猝死风险评估系统包括：
分数获取装置，用于获取心衰风险评估分数和通过权利要求9所述的冠心病风险评估装置所获得的所述冠心病风险评估分数；其中，所述心衰风险评估分数通过将心衰风险评估特征集输入至预设的心衰风险评估函数或预先训练好的心衰风险评估网络模型所确定；
综合评估装置，用于根据所述心衰风险评估分数、所述心衰风险评估分数的权重、所述冠心病风险评估分数和所述冠心病风险评估分数的权重进行加权求和计算，得到心脏性猝死风险评估分数；所述心脏性猝死风险评估分数用于判断出现心脏性猝死风险的大小。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述冠心病风险评估方法或权利要求7至8中任一项所述心脏性猝死风险评估方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述冠心病风险评估方法或权利要求7至8中任一项所述心脏性猝死风险评估方法的步骤。
CN202211451644.3A 2022-11-21 2022-11-21 冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统 Pending CN115581465A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211451644.3A CN115581465A (zh) 2022-11-21 2022-11-21 冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211451644.3A CN115581465A (zh) 2022-11-21 2022-11-21 冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统

Publications (1)

Publication Number Publication Date
CN115581465A true CN115581465A (zh) 2023-01-10

Family

ID=84783439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211451644.3A Pending CN115581465A (zh) 2022-11-21 2022-11-21 冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统

Country Status (1)

Country Link
CN (1) CN115581465A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116196013A (zh) * 2023-04-25 2023-06-02 毕胜普生物科技有限公司 心电数据处理方法、装置、计算机设备与存储介质
CN116616790A (zh) * 2023-07-24 2023-08-22 毕胜普生物科技有限公司 心脏风险评估方法、装置、计算机设备与存储介质
CN116725549A (zh) * 2023-08-14 2023-09-12 毕胜普生物科技有限公司 心电数据分析方法、装置、计算机设备与存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180125384A1 (en) * 2015-07-10 2018-05-10 Alekseev Alekseev Siegle Röder Gbr Data processing apparatus for assessing a condition of a myocardium
CN108113665A (zh) * 2017-12-14 2018-06-05 河北大学 一种心电信号自动降噪方法
CN113712569A (zh) * 2021-11-01 2021-11-30 毕胜普生物科技有限公司 高频qrs波群数据分析方法及装置
CN114668405A (zh) * 2022-03-24 2022-06-28 肇庆星网医疗科技有限公司 一种心电信号的展示方法及系统
CN114742114A (zh) * 2022-06-09 2022-07-12 毕胜普生物科技有限公司 高频qrs波形曲线分析方法、装置、计算机设备与存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180125384A1 (en) * 2015-07-10 2018-05-10 Alekseev Alekseev Siegle Röder Gbr Data processing apparatus for assessing a condition of a myocardium
CN108113665A (zh) * 2017-12-14 2018-06-05 河北大学 一种心电信号自动降噪方法
CN113712569A (zh) * 2021-11-01 2021-11-30 毕胜普生物科技有限公司 高频qrs波群数据分析方法及装置
CN114668405A (zh) * 2022-03-24 2022-06-28 肇庆星网医疗科技有限公司 一种心电信号的展示方法及系统
CN114742114A (zh) * 2022-06-09 2022-07-12 毕胜普生物科技有限公司 高频qrs波形曲线分析方法、装置、计算机设备与存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116196013A (zh) * 2023-04-25 2023-06-02 毕胜普生物科技有限公司 心电数据处理方法、装置、计算机设备与存储介质
CN116196013B (zh) * 2023-04-25 2023-08-15 毕胜普生物科技有限公司 心电数据处理方法、装置、计算机设备与存储介质
CN116616790A (zh) * 2023-07-24 2023-08-22 毕胜普生物科技有限公司 心脏风险评估方法、装置、计算机设备与存储介质
CN116616790B (zh) * 2023-07-24 2023-11-17 毕胜普生物科技有限公司 心脏风险评估方法、装置、计算机设备与存储介质
CN116725549A (zh) * 2023-08-14 2023-09-12 毕胜普生物科技有限公司 心电数据分析方法、装置、计算机设备与存储介质
CN116725549B (zh) * 2023-08-14 2023-11-24 毕胜普生物科技有限公司 心电数据分析方法、装置、计算机设备与存储介质

Similar Documents

Publication Publication Date Title
CN115581465A (zh) 冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统
Sopic et al. Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems
CN113712569B (zh) 高频qrs波群数据分析方法及装置
Acharya et al. Comprehensive analysis of cardiac health using heart rate signals
CN104490390B (zh) 基于神经电生理信号联合分析的人体运动能力判别方法
CN105902263B (zh) 评估心电图波形的rr间期不规则程度的方法及装置
CN108403107B (zh) 一种心律失常判别方法及系统
Rohila et al. Detection of sudden cardiac death by a comparative study of heart rate variability in normal and abnormal heart conditions
CN114732419B (zh) 运动心电数据分析方法、装置、计算机设备与存储介质
CN116196013B (zh) 心电数据处理方法、装置、计算机设备与存储介质
US20220386966A1 (en) Non-invasive prediction of risk for sudden cardiac death
CN114366060A (zh) 一种基于心率变异性的健康预警方法、装置及电子设备
CN112957018A (zh) 基于人工智能的心脏状态检测方法和装置
Londhe et al. Heart rate variability: A methodological survey
CN114742113B (zh) 高频qrs波形曲线分析方法、装置、计算机设备与存储介质
CN114176532B (zh) 一种测定cfPWV参数的临床验证方法及其应用系统
CN113679369B (zh) 一种心率变异性的评估方法、智能穿戴设备及存储介质
CN115602329B (zh) 心电信号处理方法、装置和相关设备
Manukova et al. An Approach to Evaluation of Clinically Healthy People by Preventive Cardio Control
JP2019033878A (ja) 異常検出方法、異常検出装置及び異常検出プログラム
CN116725549B (zh) 心电数据分析方法、装置、计算机设备与存储介质
CN111407244A (zh) 基于svr算法的左心室收缩末期弹性预测方法及系统
CN116616790B (zh) 心脏风险评估方法、装置、计算机设备与存储介质
CN116649985A (zh) 心电数据处理方法、装置、计算机设备与存储介质
CN116350199B (zh) 一种动态心电图心搏模板生成方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20230110

RJ01 Rejection of invention patent application after publication