CN116058850B - 一种阵发房颤标记方法、终端设备及存储介质 - Google Patents

一种阵发房颤标记方法、终端设备及存储介质 Download PDF

Info

Publication number
CN116058850B
CN116058850B CN202310200103.1A CN202310200103A CN116058850B CN 116058850 B CN116058850 B CN 116058850B CN 202310200103 A CN202310200103 A CN 202310200103A CN 116058850 B CN116058850 B CN 116058850B
Authority
CN
China
Prior art keywords
heart beat
atrial fibrillation
heart
value
heart rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310200103.1A
Other languages
English (en)
Other versions
CN116058850A (zh
Inventor
李熙
钟玉秋
徐拥军
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.)
Nalong Health Technology Co ltd
Original Assignee
Xiamen Nalong Health Technology 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 Xiamen Nalong Health Technology Co ltd filed Critical Xiamen Nalong Health Technology Co ltd
Priority to CN202310200103.1A priority Critical patent/CN116058850B/zh
Publication of CN116058850A publication Critical patent/CN116058850A/zh
Application granted granted Critical
Publication of CN116058850B publication Critical patent/CN116058850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/361—Detecting fibrillation
    • 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
    • A61B5/72—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种阵发房颤标记方法、终端设备及存储介质，该方法中包括：基于标记房颤区间，计算房颤心搏相对于正常心搏的心率分散度临界值；基于心率分散度临界值，遍历心电图选择房颤候选心搏；通过神经网络模型得到心搏的特征张量；通过聚类算法对特征张量进行聚类，聚类指示向量；通过特征张量与均值的内积与可信度阈值的大小关系，判断是否可信；基于不可信样本个数更新可信度阈值；使用梯度下降对模型参数进行优化；重复上述过程直至收敛。本发明能够不依赖大数据训练和模型泛化能力，让用户提供最小程度但最有价值的监督信息，达到更可信的房颤标记效果。

Description

一种阵发房颤标记方法、终端设备及存储介质
技术领域
本发明涉及心电图分析领域，尤其涉及一种阵发房颤标记方法、终端设备及存储介质。
背景技术
房颤的心电图表现为：P波消失代之以f波，RR间期绝对不规则。阵发房颤是指间歇性发作的房颤，动态心电图医生遇到阵发房颤病例时，需要将每段房颤的发生起止位置进行精确到心搏位置的标记，从而评估房颤的严重程度。然而遇到大量事件时，手动标记很费时，需要自动化的标记方法帮助人类。目前流行的做法是基于有监督的深度学习训练模型进行识别。它的应用效果取决于训练数据的丰富程度和训练效果，一份24小时的动态心图会放大模型泛化误差，导致结果出现很多假阳性或者假阴性片段，反而增加了使用者的修订负担。而且模型黑盒性质导致发生错误是不可解释，降低了使用者的信赖程度。
发明内容
为了解决上述问题，本发明提出了一种阵发房颤标记方法、终端设备及存储介质。
具体方案如下：
一种阵发房颤标记方法，包括以下步骤：
S1：读取心电图并进行心搏识别；
S2：基于心电图中用户标记的一段房颤区间，计算房颤心搏相对于正常心搏的心率分散度临界值
Figure SMS_1
；
S3：构建心电数据片段集合
Figure SMS_2
, 从标记房颤区间中截取各心搏对应的心电数据片段存入心电数据片段集合
Figure SMS_3
中，并记录此时心电数据片段集合
Figure SMS_4
中的元素数目
Figure SMS_5
；
S4：遍历心电图的所有心搏，计算每个心搏的心率分散度，如果存在心搏序号
Figure SMS_7
，使得
Figure SMS_11
且
Figure SMS_15
，或者
Figure SMS_8
且
Figure SMS_12
，其中，
Figure SMS_14
和
Figure SMS_17
分别表示第i个和第i-1个心搏的心率分散度，则将心搏序号为
Figure SMS_6
的心搏添加至心电数据片段集合
Figure SMS_10
中；遍历结束后，删除心电数据片段集合
Figure SMS_13
中的重复心搏，并记录此时心电数据片段集合
Figure SMS_16
中的元素数目
Figure SMS_9
，l表示心搏序号增量；
S5：初始化聚类指示向量
Figure SMS_20
，其中，
Figure SMS_22
表示第i个心搏的类型，设置
Figure SMS_24
的值表示房颤；初始化标签选择向量
Figure SMS_19
，其中，
Figure SMS_23
表示第i个心搏的可信度，初始设置
Figure SMS_25
的值均表示可信；初始化设置可信度阈值
Figure SMS_26
、不可信的样本个数
Figure SMS_18
和软化超参数
Figure SMS_21
；
S6：构建卷积神经网络模型，设定模型的输入为心电数据片段集合
Figure SMS_27
，输出为特征张量
Figure SMS_28
；
S7：将
Figure SMS_29
输入模型得到特征张量
Figure SMS_30
；
S8：保持
Figure SMS_31
固定，通过k-means聚类算法对模型输出的特征张量
Figure SMS_32
进行聚类处理，使得下式成立后，得到新的聚类指示向量
Figure SMS_33
；
Figure SMS_34
；
其中，
Figure SMS_35
表示第i个心搏的特征张量，k表示心搏的类型，k∈{1,2}，
Figure SMS_36
表示第k类心搏的特征张量的均值，
Figure SMS_37
表示求模运算；
S9：基于新的聚类指示向量
Figure SMS_38
，对两类心搏的特征张量的均值均进行更新，并对特征张量
Figure SMS_39
进行L2正则化；
S10：针对所有满足类型为非房颤且心搏序号大于M的心搏，计算其特征张量与类型为非房颤的心搏的特征张量的均值的内积，如果内积大于或等于可信度阈值
Figure SMS_40
，则设置该心搏的可信度的值表示可信，否则设置该心搏的可信度的值表示不可信；
针对所有满足类型为房颤且心搏序号大于M的心搏，计算其特征张量与类型为房颤的心搏的特征张量的均值的内积，如果内积大于或等于可信度阈值
Figure SMS_41
，则设置该心搏的可信度的值表示可信，否则设置该心搏的可信度的值表示不可信；
更新心电数据片段集合
Figure SMS_42
中可信度的值表示不可信的样本个数
Figure SMS_43
；
S11：判断不可信的样本个数
Figure SMS_44
的值是否大于更新前的值，如果是，则从所有可信度的值表示不可信的样本中提取内积最接近可信度阈值
Figure SMS_45
的样本对应的心电数据片段，并发送至显示界面供用户分类，根据接收到的分类结果固定其心搏类型，同时固定其可信度的值表示可信；基于接收到的分类结果对可信度阈值
Figure SMS_46
进行更新；
S12：使用梯度下降方式，通过下式对模型参数进行优化：
Figure SMS_47
；
其中，
Figure SMS_48
表示模型中的超参数，
Figure SMS_49
表示卷积神经网络模型，
Figure SMS_50
表示心电数据片段集合
Figure SMS_51
中第i个心搏；
S13：重复步骤S7，直至S8中得到的新的聚类指示向量
Figure SMS_52
与之前的聚类指示向量
Figure SMS_53
的值相比不再发生变化，基于此时的聚类指示向量
Figure SMS_54
，将类型表示房颤的心搏标记为房颤。
进一步的，步骤S2中心率分散度临界值
Figure SMS_55
的计算过程包括以下步骤：
S201：初始化直方图中bin的大小
Figure SMS_56
，基于
Figure SMS_57
计算标记房颤区间的起始心搏对应的心率分散度
Figure SMS_58
，判断
Figure SMS_59
是否等于心率分散度阈值，如果是，进入S203；否则，进入S202；
S202：调整
Figure SMS_60
的大小，返回S201；
S203：基于
Figure SMS_61
计算标记房颤区间的结束心搏对应的心率分散度
Figure SMS_62
；
S204：基于心率分散度阈值和
Figure SMS_63
，通过下式计算心率分散度临界值
Figure SMS_64
：
Figure SMS_65
；
其中，
Figure SMS_66
为经验系数，1<
Figure SMS_67
<2。
进一步的，基于
Figure SMS_68
计算第i个心搏的心率分散度的计算过程为：
计算第i个心搏和其之后的l个心搏的瞬时心率，并提取其中的最小值作为最小瞬时心率；
令第i个心搏和其之后的l个心搏的瞬时心率均减去最小瞬时心率后得到差值心率；
基于直方图中bin的大小
Figure SMS_69
，绘制第i个心搏和其之后的l个心搏的差值心率对应直方图；
设定直方图中高度大于0的bin的数目为i个心搏的心率分散度。
进一步的，设定心率分散度阈值为7。
进一步的，心电数据片段截取两个QRS波之间的片段。
进一步的，步骤S3中从标记房颤区间中截取时，将标记房颤区间的开始心搏和结束心搏均向外扩一个心搏。
进一步的，可信度阈值
Figure SMS_70
的更新方法为：当分类结果为房颤时，设定
Figure SMS_71
，当分类结果为非房颤时，设定
Figure SMS_72
，
Figure SMS_73
表示取最小值。
一种阵发房颤标记终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，能够不依赖大数据训练和模型泛化能力，让用户提供最小程度但最有价值的监督信息，达到更可信的房颤标记效果。
附图说明
图1所示为本发明实施例一方法的流程图。
图2所示为本发明实施例一中颤区与非房颤心电波形示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种阵发房颤标记方法，如图1所示，其为本发明实施例所述的阵发房颤标记方法的流程图，所述方法包括以下步骤：
S1：读取心电图并进行心搏识别。
S2：基于心电图中用户标记的一段房颤区间，计算房颤心搏相对于正常心搏的心率分散度临界值
Figure SMS_74
。
标记房颤区间可以通过将心电图发送至显示界面显示后，提示用户对一段阵发房颤区间进行标记，得到用户的标记结果。如一种用户标记结果中，标记房颤区间开始于2号心搏结束于7号心搏。
需要说明的是，为了后续方法执行的准确性，用户标记的房颤区间应保证其开始前和结束后的l个心搏中不存在房颤，可以通过显示界面中提示框的方式对用户进行提示。
该实施例中利用房颤RR间期绝对不规则的特点，对RR间期进行过滤。图2中的横轴是时间，纵轴是心率，从中可以看出房颤与非房颤在时间-心率空间中的分布非常不同，房颤具有在心率轴上分散的模式。因此，基于标记房颤区间可以提取房颤波的特征。该实施例中房颤波的特征通过心率分散度来表示。第i个心搏的心率分散度
Figure SMS_75
的计算公式为：
Figure SMS_76
对应的计算过程为：
计算第i个心搏和其之后的l个心搏的瞬时心率
Figure SMS_77
，并提取其中的最小值作为最小瞬时心率
Figure SMS_78
；
令第i个心搏和其之后的l个心搏的瞬时心率
Figure SMS_79
均减去最小瞬时心率
Figure SMS_80
后得到差值心率
Figure SMS_81
；
基于直方图中bin的大小
Figure SMS_82
，绘制第i个心搏和其之后的l个心搏的差值心率
Figure SMS_83
对应直方图；
设定直方图中高度大于0的bin的数目为i个心搏的心率分散度
Figure SMS_84
。
l表示心搏序号增量，其大小应大于标记房颤区间的长度，该实施例中设定l为10，在其他实施例中本领域技术人员可以根据需求自行设定，在此不做限制。
基于心率分散度，该实施例中设定房颤心搏相对于正常心搏的心率分散度临界值
Figure SMS_85
的计算过程包括以下步骤：
S201：初始化直方图中bin的大小
Figure SMS_86
，基于
Figure SMS_87
计算标记房颤区间的起始心搏
Figure SMS_88
对应的心率分散度
Figure SMS_89
，判断
Figure SMS_90
是否等于心率分散度阈值，如果是，进入S203；否则，进入S202；
S202：调整
Figure SMS_91
的大小，返回S201；
S203：基于
Figure SMS_92
计算标记房颤区间的结束心搏
Figure SMS_93
对应的心率分散度
Figure SMS_94
；
S204：基于心率分散度阈值和
Figure SMS_95
，通过下式计算心率分散度临界值
Figure SMS_96
：
Figure SMS_97
其中，
Figure SMS_98
为经验系数，1<
Figure SMS_99
<2，本领域技术人员可以根据实验结果得到最优系数。
心率分散度阈值的大小本领域技术人员可以根据实验结果得到最优质的，该实施例中优选设定为7。
S3：构建心电数据片段集合
Figure SMS_100
, 从标记房颤区间中截取各心搏对应的心电数据片段存入心电数据片段集合
Figure SMS_101
中，并记录此时心电数据片段集合
Figure SMS_102
中的元素数目
Figure SMS_103
。
该实施例中心电数据片段截取两个QRS波之间的片段。由于标记房颤区间对应的心搏以R波为识别标准，为了截取两个QRS波之间的片段，从标记房颤区间中截取时，将标记房颤区间的开始心搏和结束心搏均向外扩一个心搏，即从心搏序号为start-1至end+1之间的心搏中进行截取。
S4：遍历心电图的所有心搏，计算每个心搏的心率分散度，如果存在心搏序号
Figure SMS_106
，使得
Figure SMS_109
且
Figure SMS_111
，或者
Figure SMS_105
且
Figure SMS_113
，其中，
Figure SMS_114
和
Figure SMS_115
分别表示第i个和第i-1个心搏的心率分散度，则将心搏序号为
Figure SMS_104
的心搏添加至心电数据片段集合
Figure SMS_108
中；遍历结束后，删除心电数据片段集合
Figure SMS_110
中的重复心搏，并记录此时心电数据片段集合
Figure SMS_112
中的元素数目
Figure SMS_107
。
S5：初始化聚类指示向量
Figure SMS_118
，其中，
Figure SMS_120
表示第i个心搏的类型，设置
Figure SMS_123
的值表示房颤；初始化标签选择向量
Figure SMS_117
，其中，
Figure SMS_121
表示第i个心搏的可信度，初始设置
Figure SMS_122
的值均表示可信；初始化设置可信度阈值
Figure SMS_124
、不可信的样本个数
Figure SMS_116
和软化超参数
Figure SMS_119
。
该实施例中由于心搏的类型包括两种，即房颤和非房颤，该实施例中设定
Figure SMS_125
表示非房颤，
Figure SMS_126
表示房颤。可信度也设定包括两种，即可信和不可信，该实施例中设定
Figure SMS_127
表示可信，
Figure SMS_128
表示不可信。
该实施例中设定可信度阈值
Figure SMS_129
，
Figure SMS_130
，本领域技术人员可以根据需要对其进行更改，在此不做限制。
S6：构建卷积神经网络模型，设定模型的输入为心电数据片段集合
Figure SMS_131
，输出为特征张量
Figure SMS_132
。
模型的网络结构可以是任意的编码器结构比如ResNet50，要求输入张量维度为（dim1, dim2），其中dim1表示截取心搏片段的长度，该实施例中对应250赫兹采样率的一秒数据，即dim1 = 250，dim2为导联维度。输出特征张量
Figure SMS_133
维度为64。
进一步的，为了加快模型训练速度，模型可以采用步骤S1中的用于心搏识别的模型的网络主干和参数作为预训练模型。
S7：将
Figure SMS_134
输入模型得到特征张量
Figure SMS_135
；
S8：保持
Figure SMS_136
固定，通过k-means聚类算法对模型输出的特征张量
Figure SMS_137
进行聚类处理，使得下式成立后，得到新的聚类指示向量
Figure SMS_138
；
Figure SMS_139
其中，
Figure SMS_140
表示第i个心搏的特征张量，k表示心搏的类型，k∈{1,2}，
Figure SMS_141
表示第k类心搏的特征张量的均值，，
Figure SMS_142
表示求模运算。
S9：基于新的聚类指示向量
Figure SMS_143
，对两类（
Figure SMS_144
和
Figure SMS_145
）心搏的特征张量的均值
Figure SMS_146
和
Figure SMS_147
均进行更新，并对特征张量
Figure SMS_148
进行L2正则化。
S10：针对所有满足类型为非房颤且心搏序号大于M（
Figure SMS_150
且
Figure SMS_152
）的心搏，计算其特征张量
Figure SMS_155
与类型为非房颤的心搏的特征张量的均值
Figure SMS_151
的内积
Figure SMS_153
，如果内积
Figure SMS_156
大于或等于可信度阈值
Figure SMS_157
，则设置该心搏的可信度的值表示可信（
Figure SMS_149
），否则设置该心搏的可信度的值表示不可信（
Figure SMS_154
）。
针对所有满足类型为房颤且心搏序号大于M（
Figure SMS_159
且
Figure SMS_162
）的心搏，计算其特征张量
Figure SMS_165
与类型为房颤的心搏的特征张量的均值
Figure SMS_160
的内积
Figure SMS_163
，如果内积
Figure SMS_164
大于或等于可信度阈值
Figure SMS_166
，则设置该心搏的可信度的值表示可信（
Figure SMS_158
），否则设置该心搏的可信度的值表示不可信（
Figure SMS_161
）。
更新心电数据片段集合
Figure SMS_167
中可信度的值表示不可信（
Figure SMS_168
）的样本个数
Figure SMS_169
。
S11：判断不可信的样本个数
Figure SMS_170
的值是否大于更新前的值，如果是，则从所有可信度的值表示不可信的样本中提取内积最接近可信度阈值
Figure SMS_171
的样本对应的心电数据片段，并发送至显示界面供用户分类，根据接收到的分类结果固定其心搏类型
Figure SMS_172
，同时固定其可信度的值表示可信（
Figure SMS_173
）；基于接收到的分类结果对可信度阈值
Figure SMS_174
进行更新。
该实施例中设定可信度阈值
Figure SMS_175
的更新方法为：当分类结果为房颤时，设定
Figure SMS_176
，当分类结果为非房颤时，设定
Figure SMS_177
。
S12：使用梯度下降方式，通过下式对模型参数进行优化：
Figure SMS_178
其中，
Figure SMS_179
表示模型中待优化的超参数，
Figure SMS_180
表示卷积神经网络模型，
Figure SMS_181
表示心电数据片段集合
Figure SMS_182
中第i个心搏。
S13：重复步骤S7，直至S8中得到的新的聚类指示向量
Figure SMS_183
与之前的聚类指示向量
Figure SMS_184
的值相比不再发生变化，基于此时的聚类指示向量
Figure SMS_185
，将类型表示房颤的心搏标记为房颤。
本实施例中通过较少的带标签样本来训练模型。考虑到样本较少会导致迅速过拟合，为了避免这种情况，将已有的少量带标签样本作为特征空间聚类的初始类中心，然后在聚类结果上选取可信度高（可信度由目标点和聚类中心的内积作为度量）的点分配临时标签。根据临时标签可以优化神经网络的参数，优化的目标函数是让与临时标签为同一类的样本在特征空间的距离更近，让与临时标签不同的样本在特征空间距离更远。通过重复特征提取-聚类-分配标签-优化的过程，聚类将收敛，模型也将学习到合适的特征提取能力。
本实施例为了加快收敛的过程，我们引入了两个策略进行剪枝。第一个是不将所有的未标注心搏放入
Figure SMS_186
中，只需要搜索房颤大致的起始和结束范围那些心搏，可以通过用户标记部分给出的特征值实现病人自适应的度量。第二个是交互式更新
Figure SMS_187
值加速收敛。每当不可信样本数量上升时，将临界的心搏绘制出一组来让用户确认，如果用户确认为房颤，则减小
Figure SMS_188
, 反之提高
Figure SMS_189
。确认过程的总次数为
Figure SMS_190
, 即便是由1000阵房颤这种极端情况，也就最多需要确认10次，不显著增加工作量。
实施例二：
本发明还提供一种阵发房颤标记终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述阵发房颤标记终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述阵发房颤标记终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述阵发房颤标记终端设备的组成结构仅仅是阵发房颤标记终端设备的示例，并不构成对阵发房颤标记终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述阵发房颤标记终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路 (ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述阵发房颤标记终端设备的控制中心，利用各种接口和线路连接整个阵发房颤标记终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述阵发房颤标记终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（SmartMedia Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（FlashCard）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述阵发房颤标记终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (8)

1.一种阵发房颤标记方法，其特征在于，包括以下步骤：
S1：读取心电图并进行心搏识别；
S2：基于心电图中用户标记的一段房颤区间，计算房颤心搏相对于正常心搏的心率分散度临界值
Figure QLYQS_1
；
S3：构建心电数据片段集合
Figure QLYQS_2
, 从标记房颤区间中截取各心搏对应的心电数据片段存入心电数据片段集合
Figure QLYQS_3
中，并记录此时心电数据片段集合
Figure QLYQS_4
中的元素数目
Figure QLYQS_5
；
S4：遍历心电图的所有心搏，计算每个心搏的心率分散度，如果存在心搏序号
Figure QLYQS_7
，使得
Figure QLYQS_9
且
Figure QLYQS_11
，或者
Figure QLYQS_13
且
Figure QLYQS_15
，其中，
Figure QLYQS_16
和
Figure QLYQS_17
分别表示第i个和第i-1个心搏的心率分散度，则将心搏序号为
Figure QLYQS_6
的心搏添加至心电数据片段集合
Figure QLYQS_8
中；遍历结束后，删除心电数据片段集合
Figure QLYQS_10
中的重复心搏，并记录此时心电数据片段集合
Figure QLYQS_12
中的元素数目
Figure QLYQS_14
，l表示心搏序号增量；
S5：初始化聚类指示向量
Figure QLYQS_19
，其中，
Figure QLYQS_21
表示第i个心搏的类型，设置
Figure QLYQS_22
的值表示房颤；初始化标签选择向量
Figure QLYQS_23
，其中，
Figure QLYQS_24
表示第i个心搏的可信度，初始设置
Figure QLYQS_25
的值均表示可信；初始化设置可信度阈值
Figure QLYQS_26
、不可信的样本个数
Figure QLYQS_18
和软化超参数
Figure QLYQS_20
；
S6：构建卷积神经网络模型，设定模型的输入为心电数据片段集合
Figure QLYQS_27
，输出为特征张量
Figure QLYQS_28
；
S7：将
Figure QLYQS_29
输入模型得到特征张量
Figure QLYQS_30
；
S8：保持
Figure QLYQS_31
固定，通过k-means聚类算法对模型输出的特征张量
Figure QLYQS_32
进行聚类处理，使得下式成立后，得到新的聚类指示向量
Figure QLYQS_33
；
Figure QLYQS_34
其中，
Figure QLYQS_35
表示第i个心搏的特征张量，k表示心搏的类型，k∈{1,2}，
Figure QLYQS_36
表示第k类心搏的特征张量的均值，
Figure QLYQS_37
表示求模运算；
S9：基于新的聚类指示向量
Figure QLYQS_38
，对两类心搏的特征张量的均值均进行更新，并对特征张量
Figure QLYQS_39
进行L2正则化；
S10：针对所有满足类型为非房颤且心搏序号大于M的心搏，计算其特征张量与类型为非房颤的心搏的特征张量的均值的内积，如果内积大于或等于可信度阈值
Figure QLYQS_40
，则设置该心搏的可信度的值表示可信，否则设置该心搏的可信度的值表示不可信；
针对所有满足类型为房颤且心搏序号大于M的心搏，计算其特征张量与类型为房颤的心搏的特征张量的均值的内积，如果内积大于或等于可信度阈值
Figure QLYQS_41
，则设置该心搏的可信度的值表示可信，否则设置该心搏的可信度的值表示不可信；
更新心电数据片段集合
Figure QLYQS_42
中可信度的值表示不可信的样本个数
Figure QLYQS_43
；
S11：判断不可信的样本个数
Figure QLYQS_44
的值是否大于更新前的值，如果是，则从所有可信度的值表示不可信的样本中提取内积最接近可信度阈值
Figure QLYQS_45
的样本对应的心电数据片段，并发送至显示界面供用户分类，根据接收到的分类结果固定其心搏类型，同时固定其可信度的值表示可信；基于接收到的分类结果对可信度阈值
Figure QLYQS_46
进行更新；
S12：使用梯度下降方式，通过下式对模型参数进行优化：
Figure QLYQS_47
其中，
Figure QLYQS_48
表示模型中的超参数，
Figure QLYQS_49
表示卷积神经网络模型，
Figure QLYQS_50
表示心电数据片段集合
Figure QLYQS_51
中第i个心搏；
S13：重复步骤S7，直至S8中得到的新的聚类指示向量
Figure QLYQS_52
与之前的聚类指示向量
Figure QLYQS_53
的值相比不再发生变化，基于此时的聚类指示向量
Figure QLYQS_54
，将类型表示房颤的心搏标记为房颤。
2.根据权利要求1所述的阵发房颤标记方法，其特征在于：步骤S2中心率分散度临界值
Figure QLYQS_55
的计算过程包括以下步骤：
S201：初始化直方图中bin的大小
Figure QLYQS_56
，基于
Figure QLYQS_57
计算标记房颤区间的起始心搏对应的心率分散度
Figure QLYQS_58
，判断
Figure QLYQS_59
是否等于心率分散度阈值，如果是，进入S203；否则，进入S202；
S202：调整
Figure QLYQS_60
的大小，返回S201；
S203：基于
Figure QLYQS_61
计算标记房颤区间的结束心搏对应的心率分散度
Figure QLYQS_62
；
S204：基于心率分散度阈值和
Figure QLYQS_63
，通过下式计算心率分散度临界值
Figure QLYQS_64
：
Figure QLYQS_65
其中，
Figure QLYQS_66
为经验系数，1<
Figure QLYQS_67
<2；7为心率分散度阈值；
基于
Figure QLYQS_68
计算第i个心搏的心率分散度的计算过程为：
计算第i个心搏和其之后的l个心搏的瞬时心率，并提取其中的最小值作为最小瞬时心率；
令第i个心搏和其之后的l个心搏的瞬时心率均减去最小瞬时心率后得到差值心率；
基于直方图中bin的大小
Figure QLYQS_69
，绘制第i个心搏和其之后的l个心搏的差值心率对应直方图；
设定直方图中高度大于0的bin的数目为第i个心搏的心率分散度。
3.根据权利要求2所述的阵发房颤标记方法，其特征在于：设定心率分散度阈值为7。
4.根据权利要求1所述的阵发房颤标记方法，其特征在于：心电数据片段截取两个QRS波之间的片段。
5.根据权利要求4所述的阵发房颤标记方法，其特征在于：步骤S3中从标记房颤区间中截取时，将标记房颤区间的开始心搏和结束心搏均向外扩一个心搏。
6.根据权利要求1所述的阵发房颤标记方法，其特征在于：可信度阈值
Figure QLYQS_70
的更新方法为：当分类结果为房颤时，设定
Figure QLYQS_71
，当分类结果为非房颤时，设定
Figure QLYQS_72
，
Figure QLYQS_73
表示取最小值。
7.一种阵发房颤标记终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1~6中任一所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1~6中任一所述方法的步骤。
CN202310200103.1A 2023-03-06 2023-03-06 一种阵发房颤标记方法、终端设备及存储介质 Active CN116058850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310200103.1A CN116058850B (zh) 2023-03-06 2023-03-06 一种阵发房颤标记方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310200103.1A CN116058850B (zh) 2023-03-06 2023-03-06 一种阵发房颤标记方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN116058850A CN116058850A (zh) 2023-05-05
CN116058850B true CN116058850B (zh) 2023-06-06

Family

ID=86173250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310200103.1A Active CN116058850B (zh) 2023-03-06 2023-03-06 一种阵发房颤标记方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN116058850B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109350037A (zh) * 2018-10-26 2019-02-19 安徽智云医疗科技有限公司 一种从10秒心电图中识别房颤和房性早搏的方法
WO2021098488A1 (zh) * 2019-11-22 2021-05-27 华为技术有限公司 一种房颤信号的分类方法、装置、终端以及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109171712B (zh) * 2018-09-28 2022-03-08 东软集团股份有限公司 心房颤动识别方法、装置、设备及计算机可读存储介质
CN110547792B (zh) * 2019-07-31 2022-02-15 平安科技（深圳）有限公司 房颤的检测方法、装置、计算机设备及存储介质
CN115486855B (zh) * 2022-09-15 2024-05-03 浙江好络维医疗技术有限公司 一种基于qrs波群不定次循环叠加的心电图心搏分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109350037A (zh) * 2018-10-26 2019-02-19 安徽智云医疗科技有限公司 一种从10秒心电图中识别房颤和房性早搏的方法
WO2021098488A1 (zh) * 2019-11-22 2021-05-27 华为技术有限公司 一种房颤信号的分类方法、装置、终端以及存储介质

Also Published As

Publication number Publication date
CN116058850A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
US10956785B2 (en) Methods, systems, and media for selecting candidates for annotation for use in training classifiers
TWI466037B (zh) 用於學習有效率串聯偵測器之多實例修剪
CN111553399A (zh) 特征模型训练方法、装置、设备及存储介质
JP2007531602A (ja) 心臓診断システム及び方法
CN109918498B (zh) 一种问题入库方法和装置
Xiang et al. Towards interpretable skin lesion classification with deep learning models
CN110418204B (zh) 基于微表情的视频推荐方法、装置、设备和存储介质
JP6172317B2 (ja) 混合モデル選択の方法及び装置
US10380456B2 (en) Classification dictionary learning system, classification dictionary learning method and recording medium
CN114494798A (zh) 一种心电图伪差确认方法、终端设备及存储介质
CN115908947A (zh) 一种基于反绎学习的多模态牙周图像识别方法和系统
CN114996466A (zh) 一种医学标准映射模型的建立方法、系统及使用方法
CN111797267A (zh) 一种医学图像检索方法及系统、电子设备、存储介质
CN116058850B (zh) 一种阵发房颤标记方法、终端设备及存储介质
CN111462914A (zh) 一种实体链接方法及装置
CN108170665B (zh) 基于综合相似度的关键词拓展方法和装置
CN111428029A (zh) 一种手术名称标准化方法及装置
CN115153572B (zh) 一种小样本场景下的心电异常检测与识别方法及系统
US20220172064A1 (en) Machine learning method and machine learning device for eliminating spurious correlation
US20230086261A1 (en) Clustering device, clustering method, and clustering program
CN115420866A (zh) 药物活性检测方法、装置、电子设备和存储介质
CN113707255A (zh) 基于相似患者的健康指导方法、装置、计算机设备及介质
CN114462522A (zh) 肺癌生存期预测模型训练、预测方法、系统、装置及介质
CN111160437A (zh) 基于数据共现关系的深度聚类方法及系统
CN111832815A (zh) 科研热点预测方法及系统

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No. 203, No. 18 Guanri Road, Phase II, Software Park, Siming District, Xiamen City, Fujian Province, 361000

Patentee after: Nalong Health Technology Co.,Ltd.

Address before: 361000 203, No. 18, guanri Road, phase II, software park, Xiamen, Fujian

Patentee before: Xiamen Nalong Health Technology Co.,Ltd.

CP03 Change of name, title or address