CN116269416A - 心脏风险参数的确定方法及装置 - Google Patents
心脏风险参数的确定方法及装置 Download PDFInfo
- Publication number
- CN116269416A CN116269416A CN202310166258.8A CN202310166258A CN116269416A CN 116269416 A CN116269416 A CN 116269416A CN 202310166258 A CN202310166258 A CN 202310166258A CN 116269416 A CN116269416 A CN 116269416A
- Authority
- CN
- China
- Prior art keywords
- risk parameter
- determining
- acquiring
- atrioventricular
- waveform
- 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
- 230000000747 cardiac effect Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 42
- 238000002586 coronary angiography Methods 0.000 claims description 61
- 210000004204 blood vessel Anatomy 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000012512 characterization method Methods 0.000 claims description 25
- 206010057469 Vascular stenosis Diseases 0.000 claims description 22
- 230000002792 vascular Effects 0.000 claims description 20
- 230000003902 lesion Effects 0.000 claims description 19
- 210000004351 coronary vessel Anatomy 0.000 claims description 18
- 210000005242 cardiac chamber Anatomy 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 11
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 230000036262 stenosis Effects 0.000 claims description 8
- 208000037804 stenosis Diseases 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 208000019622 heart disease Diseases 0.000 claims description 5
- 238000001356 surgical procedure Methods 0.000 claims description 5
- 239000000779 smoke Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供一种心脏风险参数的确定方法及装置，该心脏风险参数的确定方法包括：获取目标实体的多个导联心电向量信号；将多个导联心电向量信号转换为多个时域波形图；获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；基于心电图风险参数确定心脏风险参数。本申请能够提高心脏风险参数的确定准确度。
Description
技术领域
本申请主要涉及图像处理技术领域，具体涉及一种心脏风险参数的确定方法及装置。
背景技术
对于消化内镜医生来讲，评估心脏功能的影像资料如心电图、超声心动图、冠状动脉造影等，需要专业的心内科跨学科专业知识，因此在临床工作中会耗费大量精力评估。现有技术主要依靠医生人工观察心电图来确定评估心脏风险参数，无法准确确定心脏风险参数。
也即，现有技术中心脏风险参数的确定方法准确度较低。
发明内容
本申请提供一种心脏风险参数的确定方法及装置，旨在解决现有技术中心脏风险参数的确定方法准确度较低的问题。
第一方面，本申请提供一种心脏风险参数的确定方法，所述心脏风险参数的确定方法包括：
获取目标实体的多个导联心电向量信号；
将所述多个导联心电向量信号转换为多个时域波形图；
获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；
获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；
获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；
基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；
基于心电图风险参数确定心脏风险参数。
可选地，所述基于心电图风险参数确定心脏风险参数，包括：
获取目标实体的多个冠状动脉造影图像；
将多个冠状动脉造影图像输入冠状动脉血管树分割模型，得到每个冠状动脉造影图像上的血管分割区域；
对多个冠状动脉造影图像上的血管分割区域进行三维重建，得到血管三维模型；
获取血管三维模型的血管中心线；
对所述血管中心线进行角点检测，并在检测出的角点处将所述血管中心线打断，得到多个血管中心线段和对应的血管腔段，其中，血管中心线段为血管腔段的中心线；
将所述血管中心线段上的多个点分别确定为目标点，过所述目标点做所述血管腔段的横截面，得到多个点对应的多个横截面的横截面面积；
将多个横截面面积中的最小值和多个横截面面积的平均值的比值确定为所述血管腔段的血管狭窄系数，得到多个血管腔段的血管狭窄系数；
基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数；
基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
可选地，所述基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数，包括：
将多个冠状动脉造影图像输入冠状动脉病变形态检测模型，得到多个异常区域；
将多个异常区域内的图像输入冠状动脉病变形态分类模型，得到各个异常区域的异常系数，其中，不同异常系数对应冠状动脉病变形态分类模型输出的不同异常类别；
基于多个血管腔段的血管狭窄系数的标准差和多个异常区域的异常系数的标准差确定冠状动脉造影风险参数。
可选地，所述基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
获取目标实体的超声心动图图像；
将超声心动图图像输入心脏房室结构分割模型，得到心脏房室区域和包裹所述心脏房室区域的房室腔壁区域；
获取所述房室腔壁区域的腔壁外轮廓和腔壁内轮廓；
过所述腔壁外轮廓上的多个外轮廓点分别做法线与腔壁内轮廓相交，得到多个外轮廓点对应的多个交点；
获取每个外轮廓点和对应的交点之间的第一直线距离，得到多个外轮廓点对应的多个第一直线距离；
将多个第一直线距离中的最大值确定为所述心脏房室腔壁区域的厚度；
基于所述心脏房室腔壁区域的厚度确定超声心动风险参数；
基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
可选地，所述基于所述心脏房室腔壁区域的厚度确定超声心动风险参数，包括：
获取心脏房室区域的最小外接圆；
获取所述心脏房室区域的房室轮廓；
计算所述房室轮廓上多个房室轮廓点与所述最小外接圆的圆心的第二直线距离，得到多个房室轮廓点对应的多个第二直线距离；
基于多个第二直线距离的标准差确定心脏房室不规则表征值；
基于所述心脏房室腔壁区域的厚度和所述心脏房室不规则表征值确定超声心动风险参数。
可选地，所述基于多个第二直线距离的标准差确定心脏房室不规则表征值，包括：
将所述最小外接圆等分为多个扇形区域，得到多个扇形区域内的房室分割子区域；
获取所述扇形区域和对应的所述房室分割子区域的面积差值，得到多个扇形区域对应的面积差值；
基于多个所述房室分割子区域的面积、多个所述面积差值确定面积标准差；
将面积标准差和多个第二直线距离的标准差之和确定为心脏房室不规则表征值。
可选地，所述基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
获取目标实体的多个基线特征，所述多个基线特征包括年龄、性别、既往心脏疾病史、心脏手术史、是否吸烟、是否饮酒；
将目标实体的多个基线特征输入预设决策树模型，得到基线风险参数；
基于基线风险参数、超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
第二方面，本申请提供一种心脏风险参数的确定装置，所述心脏风险参数的确定装置包括：
第一获取单元，用于获取目标实体的多个导联心电向量信号；
转换单元，用于将所述多个导联心电向量信号转换为多个时域波形图；
第二获取单元，用于获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；
第三获取单元，用于获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；
第四获取单元，用于获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；
第一确定单元，用于基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；
第二确定单元，用于基于心电图风险参数确定心脏风险参数。
可选地，所述基于心电图风险参数确定心脏风险参数，包括：
获取目标实体的多个冠状动脉造影图像；
将多个冠状动脉造影图像输入冠状动脉血管树分割模型，得到每个冠状动脉造影图像上的血管分割区域；
对多个冠状动脉造影图像上的血管分割区域进行三维重建，得到血管三维模型；
获取血管三维模型的血管中心线；
对所述血管中心线进行角点检测，并在检测出的角点处将所述血管中心线打断，得到多个血管中心线段和对应的血管腔段，其中，血管中心线段为血管腔段的中心线；
将所述血管中心线段上的多个点分别确定为目标点，过所述目标点做所述血管腔段的横截面，得到多个点对应的多个横截面的横截面面积；
将多个横截面面积中的最小值和多个横截面面积的平均值的比值确定为所述血管腔段的血管狭窄系数，得到多个血管腔段的血管狭窄系数；
基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数；
基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
可选地，所述基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数，包括：
将多个冠状动脉造影图像输入冠状动脉病变形态检测模型，得到多个异常区域；
将多个异常区域内的图像输入冠状动脉病变形态分类模型，得到各个异常区域的异常系数，其中，不同异常系数对应冠状动脉病变形态分类模型输出的不同异常类别；
基于多个血管腔段的血管狭窄系数的标准差和多个异常区域的异常系数的标准差确定冠状动脉造影风险参数。
可选地，所述基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
获取目标实体的超声心动图图像；
将超声心动图图像输入心脏房室结构分割模型，得到心脏房室区域和包裹所述心脏房室区域的房室腔壁区域；
获取所述房室腔壁区域的腔壁外轮廓和腔壁内轮廓；
过所述腔壁外轮廓上的多个外轮廓点分别做法线与腔壁内轮廓相交，得到多个外轮廓点对应的多个交点；
获取每个外轮廓点和对应的交点之间的第一直线距离，得到多个外轮廓点对应的多个第一直线距离；
将多个第一直线距离中的最大值确定为所述心脏房室腔壁区域的厚度；
基于所述心脏房室腔壁区域的厚度确定超声心动风险参数；
基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
可选地，所述基于所述心脏房室腔壁区域的厚度确定超声心动风险参数，包括：
获取心脏房室区域的最小外接圆；
获取所述心脏房室区域的房室轮廓；
计算所述房室轮廓上多个房室轮廓点与所述最小外接圆的圆心的第二直线距离，得到多个房室轮廓点对应的多个第二直线距离；
基于多个第二直线距离的标准差确定心脏房室不规则表征值；
基于所述心脏房室腔壁区域的厚度和所述心脏房室不规则表征值确定超声心动风险参数。
可选地，所述基于多个第二直线距离的标准差确定心脏房室不规则表征值，包括：
将所述最小外接圆等分为多个扇形区域，得到多个扇形区域内的房室分割子区域；
获取所述扇形区域和对应的所述房室分割子区域的面积差值，得到多个扇形区域对应的面积差值；
基于多个所述房室分割子区域的面积、多个所述面积差值确定面积标准差；
将面积标准差和多个第二直线距离的标准差之和确定为心脏房室不规则表征值。
可选地，所述基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
获取目标实体的多个基线特征，所述多个基线特征包括年龄、性别、既往心脏疾病史、心脏手术史、是否吸烟、是否饮酒；
将目标实体的多个基线特征输入预设决策树模型，得到基线风险参数；
基于基线风险参数、超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
第三方面，本申请提供一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面中任一项所述的心脏风险参数的确定方法。
第四方面，本申请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多条指令，所述指令适于处理器进行加载，以执行第一方面中任一项所述的心脏风险参数的确定方法中的步骤。
本申请提供一种心脏风险参数的确定方法及装置，该心脏风险参数的确定方法包括：获取目标实体的多个导联心电向量信号；将多个导联心电向量信号转换为多个时域波形图；获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；基于心电图风险参数确定心脏风险参数。本申请能够提高心脏风险参数的确定准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的心脏风险参数的确定系统的场景示意图；
图2是本申请实施例提供的心脏风险参数的确定方法一实施例的流程示意图；
图3是本申请实施例提供的心脏风险参数的确定方法一实施例中冠状动脉造影图像的分割示意图；
图4是本申请实施例中提供的心脏风险参数的确定装置的一个实施例结构示意图；
图5是本申请实施例中提供的计算机设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种心脏风险参数的确定方法及装置，以下分别进行详细说明。
请参阅图1，图1为本申请实施例所提供的心脏风险参数的确定系统的场景示意图，该心脏风险参数的确定系统可以包括计算机设备100，计算机设备100中集成有心脏风险参数的确定装置。
本申请实施例中，该计算机设备100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的计算机设备100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
本申请实施例中，上述的计算机设备100可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中计算机设备100可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定计算机设备100的类型。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该心脏风险参数的确定系统还可以包括一个或多个可处理数据的其他计算机设备，具体此处不作限定。
另外，如图1所示，该心脏风险参数的确定系统还可以包括存储器200，用于存储数据。
需要说明的是，图1所示的心脏风险参数的确定系统的场景示意图仅仅是一个示例，本申请实施例描述的心脏风险参数的确定系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着心脏风险参数的确定系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
首先，本申请实施例中提供一种心脏风险参数的确定方法，心脏风险参数的确定方法包括：获取目标实体的多个导联心电向量信号；将多个导联心电向量信号转换为多个时域波形图；获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；基于心电图风险参数确定心脏风险参数。
如图2所示，图2是本申请实施例中心脏风险参数的确定方法的一个实施例流程示意图，该心脏风险参数的确定方法包括如下步骤S201-S207：
S201、获取目标实体的多个导联心电向量信号。
本申请实施例中，目标实体可以为任意一个患者或者被采集心电图的实体。使用心电向量信号采集系统收集目标实体的十二导联原始心电向量信号，将十二导联原始心电向量信号进行放大处理，过滤干扰信号，得到十二导联心电向量信号。在人体不同部位放置电极，并通过导联线与心电图机电流计的正负极相连，这种记录心电图的电路连接方法称为心电图导联。广泛采纳的国际通用导联体系称为常规12导联体系，包括与肢体相连的肢体导联和与胸部相连的胸导联。
S202、将多个导联心电向量信号转换为多个时域波形图。
具体的，将十二导联心电向量信号转换为十二时域波形图，即12个时域波形图。构建各个时域波形图对应的函数如下公式所示，
S203、获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值。
具体的，提取每个时域波形图的波形最大值，组成列表，公式如下：list1＝[max(f1(t),max(f2(t)…max(f12(t)]。
提取每个时域波形图的波形最大值与波形最小值的差值，组成一个列表，公式如下：
list2＝[max(f1(t))-min(f1(t)),max(f2(t))-min(f2(t))…max(f12(t))-min(f12(t))]
S204、获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间。
本申请实施例中，获取时域波形图从0时刻到达波形最大值的花费时间，得到多个花费时间maxti，组成一个列表如下，list4＝[maxt1,maxt2…maxt12]。
S205、获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔。
其中，时域波形图上的曲线以一定周期循环。获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔。多个时间间隔组成一个列表如下，list3＝[Δt1,Δt2…Δt12]。
S206、基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和最大值、多个花费时间的标准差和最大值确定心电图风险参数。
本申请实施例中，将多个波形最大值的标准差和最大值之比、多个波形差值的标准差和最大值之比、多个时间间隔的标准差和平均值之比、多个花费时的标准差和平均值之比求和，得到心电图风险参数label1，公式如下：
其中，list1为多个波形最大值，list2为多个波形差值，list3为多个时间间隔，list4为多个花费时间。
S207、基于心电图风险参数确定心脏风险参数。
本申请实施例中，基于心电图风险参数label1确定心脏风险参数δ，包括：
(1)获取目标实体的多个冠状动脉造影图像。
(2)将多个冠状动脉造影图像输入冠状动脉血管树分割模型，得到每个冠状动脉造影图像上的血管分割区域。
其中，冠状动脉血管树分割模型以Unet++模型作为基础神经网络结构进行训练。
具体的，采用深度学习模型对多个冠状动脉造影图像进行过滤，保留清晰图像，将过滤后的多个冠状动脉造影图像输入冠状动脉血管树分割模型，得到每个冠状动脉造影图像上的血管分割区域。
(3)对多个冠状动脉造影图像上的血管分割区域进行三维重建，得到血管三维模型。
(4)获取血管三维模型的血管中心线。
具体的，基于VMTK算法获取血管三维模型的血管中心线。血管中心线上的点为血管三维模型横截面的中心。
(5)对血管中心线进行角点检测，并在检测出的角点处将血管中心线打断，得到多个血管中心线段和对应的血管腔段，其中，血管中心线段为血管腔段的中心线。
血管三维模型由多条血管组成，将血管三维模型打断成多个血管中心线段和对应的血管腔段。
(6)将血管中心线段上的多个点分别确定为目标点，过目标点做血管腔段的横截面，得到多个点对应的多个横截面的横截面面积。
(7)将多个横截面面积中的最小值和多个横截面面积的平均值的比值确定为血管腔段的血管狭窄系数，得到多个血管腔段的血管狭窄系数。
具体的，血管腔段i的血管狭窄系数F(i-t)的计算公式如下，
F(i-t)＝S(1-i)min/S(1-i)ave
其中，S(1-i)min为血管腔段i上多个横截面面积中的最小值，S(1-i)ave为血管腔段i上多个横截面面积的平均值。
(8)基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数。
在一个具体的实施例中，将多个血管腔段的血管狭窄系数的标准差确定为冠状动脉造影风险参数label2。
在另一个具体的实施例中，基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数，包括：将多个冠状动脉造影图像输入冠状动脉病变形态检测模型，得到多个异常区域；将多个异常区域内的图像输入冠状动脉病变形态分类模型，得到各个异常区域的异常系数，其中，不同异常系数对应冠状动脉病变形态分类模型输出的不同异常类别；基于多个血管腔段的血管狭窄系数的标准差和多个异常区域的异常系数的标准差确定冠状动脉造影风险参数。
具体的，训练冠状动脉病变形态检测模型，由3名心血管专家对获取的冠脉造影图像进行病变形态标注，优先选用YOLOv3目标检测模型。训练冠状动脉病变形态分类模型，优先选者Rsenet152，标签R(i)为：1、2、3、4、5、6、7，对应分类分别为：狭窄、闭塞、钙化、血栓、夹层、动脉瘤、其他，同一分类多处病变。
本申请实施例中，将多个血管腔段的血管狭窄系数的标准差和多个异常区域的异常系数的标准差之和确定为冠状动脉造影风险参数。冠状动脉造影风险参数label2的计算公式如下，
label2＝std(R(i))+std(F(1-i))
其中，F(1-i)为血管腔段i的血管狭窄系数，R(i)为血管腔段i上异常区域的异常系数。
(9)基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
在一个具体的实施例中，对冠状动脉造影风险参数label2和心电图风险参数label1加权求和，得到心脏风险参数δ。
在另一个具体的实施例中，基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
(1)获取目标实体的超声心动图图像。
超声心动图图像的统一尺寸为224*224大小。
(2)将超声心动图图像输入心脏房室结构分割模型，得到心脏房室区域和包裹心脏房室区域的房室腔壁区域。
具体的，训练心脏房室结构分割模型，由一名心血管专家对心脏房室的腔壁轮廓结构进行标注。优先选用Unet++目标分割模型作为心脏房室结构分割模型。
如图3所示，将超声心动图图像输入心脏房室结构分割模型，得到心脏房室区域15和包裹心脏房室区域15的房室腔壁区域16。
(3)获取房室腔壁区域的腔壁外轮廓和腔壁内轮廓。
(4)过腔壁外轮廓上的多个外轮廓点分别做法线与腔壁内轮廓相交，得到多个外轮廓点对应的多个交点。
(5)获取每个外轮廓点和对应的交点之间的第一直线距离，得到多个外轮廓点对应的多个第一直线距离。
(6)将多个第一直线距离中的最大值确定为心脏房室腔壁区域的厚度。
(7)基于心脏房室腔壁区域的厚度确定超声心动风险参数。
在一个具体的实施例中，将心脏房室腔壁区域的厚度确定为超声心动风险参数label3。心脏房室腔壁区域的厚度为Δdr。
在另一个具体的实施例中，基于心脏房室腔壁区域的厚度确定超声心动风险参数，包括：获取心脏房室区域的最小外接圆；获取心脏房室区域的房室轮廓；计算房室轮廓上多个房室轮廓点与最小外接圆的圆心的第二直线距离，得到多个房室轮廓点对应的多个第二直线距离；基于多个第二直线距离的标准差确定心脏房室不规则表征值；基于心脏房室腔壁区域的厚度和心脏房室不规则表征值确定超声心动风险参数。房室轮廓即为腔壁内轮廓。如图3所示，得到最小外接圆17。
在另一个具体的实施例中，将最小外接圆的半径与各个第二直线距离的差值确定为多个第三直线距离，基于多个第三直线距离的标准差确定心脏房室不规则表征值。
进一步的，基于多个第二直线距离的标准差确定心脏房室不规则表征值，包括：将最小外接圆等分为多个扇形区域，得到多个扇形区域内的房室分割子区域；获取扇形区域和对应的房室分割子区域的面积差值，得到多个扇形区域对应的面积差值；基于多个房室分割子区域的面积、多个面积差值确定面积标准差；将面积标准差和多个第二直线距离的标准差之和确定为心脏房室不规则表征值。
具体的，扇形区域的数量为8个，当然也可以为其他数量。扇形区域和对应的房室分割子区域Areaj的面积差值为如下公式，
其中，rmax为最小外接圆的半径
其中，面积标准差stdm的计算公式如下，
具体的，将最小外接圆的半径与各个第二直线距离的差值确定为多个第三直线距离，基于多个房室分割子区域的面积、多个面积差值确定面积标准差；将面积标准差和多个第三直线距离的标准差之和确定为心脏房室不规则表征值。如图3所示，多个第三直线距离分别为di，心脏房室不规则表征值S的计算公式如下，
具体的，对心脏房室腔壁区域的厚度和心脏房室不规则表征值加权求和，得到超声心动风险参数label3。超声心动风险参数label3的计算公式如下，
label3＝θ1Δdr+θ2·S
其中，Δdr为心脏房室腔壁区域的厚度，S为心脏房室不规则表征值。
(8)基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
进一步的，基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
(1)获取目标实体的多个基线特征，多个基线特征包括年龄、性别、是否有心脏疾病史、是否有心脏手术史、是否吸烟、是否饮酒。
具体的，将收集到的患者基线信息按如下方式处理：
(2)将目标实体的多个基线特征输入预设决策树模型，得到基线风险参数。
具体的，基线风险参数为label4。
(3)基于基线风险参数、超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
本申请实施例中，对基线风险参数label3、超声心动风险参数、冠状动脉造影风险参数和心电图风险参数加权求和，得到心脏风险参数。
心脏风险参数δ的计算公式如下，
其中，λi为权重参数，通过训练机器学习方法如决策树、随机森林等机器学习模型得到。
进一步的，根据心脏风险参数δ进行术前心脏风险等级程度的判定。判定方式如下：
为了更好实施本申请实施例中心脏风险参数的确定方法，在心脏风险参数的确定方法基础之上，本申请实施例中还提供一种心脏风险参数的确定装置，如图4所示，心脏风险参数的确定装置包括：
第一获取单元301，用于获取目标实体的多个导联心电向量信号；
转换单元302，用于将所述多个导联心电向量信号转换为多个时域波形图；
第二获取单元303，用于获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；
第三获取单元304，用于获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；
第四获取单元305，用于获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；
第一确定单元306，用于基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；
第二确定单元307，用于基于心电图风险参数确定心脏风险参数。
可选地，所述基于心电图风险参数确定心脏风险参数，包括：
获取目标实体的多个冠状动脉造影图像；
将多个冠状动脉造影图像输入冠状动脉血管树分割模型，得到每个冠状动脉造影图像上的血管分割区域；
对多个冠状动脉造影图像上的血管分割区域进行三维重建，得到血管三维模型；
获取血管三维模型的血管中心线；
对所述血管中心线进行角点检测，并在检测出的角点处将所述血管中心线打断，得到多个血管中心线段和对应的血管腔段，其中，血管中心线段为血管腔段的中心线；
将所述血管中心线段上的多个点分别确定为目标点，过所述目标点做所述血管腔段的横截面，得到多个点对应的多个横截面的横截面面积；
将多个横截面面积中的最小值和多个横截面面积的平均值的比值确定为所述血管腔段的血管狭窄系数，得到多个血管腔段的血管狭窄系数；
基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数；
基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
可选地，所述基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数，包括：
将多个冠状动脉造影图像输入冠状动脉病变形态检测模型，得到多个异常区域；
将多个异常区域内的图像输入冠状动脉病变形态分类模型，得到各个异常区域的异常系数，其中，不同异常系数对应冠状动脉病变形态分类模型输出的不同异常类别；
基于多个血管腔段的血管狭窄系数的标准差和多个异常区域的异常系数的标准差确定冠状动脉造影风险参数。
可选地，所述基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
获取目标实体的超声心动图图像；
将超声心动图图像输入心脏房室结构分割模型，得到心脏房室区域和包裹所述心脏房室区域的房室腔壁区域；
获取所述房室腔壁区域的腔壁外轮廓和腔壁内轮廓；
过所述腔壁外轮廓上的多个外轮廓点分别做法线与腔壁内轮廓相交，得到多个外轮廓点对应的多个交点；
获取每个外轮廓点和对应的交点之间的第一直线距离，得到多个外轮廓点对应的多个第一直线距离；
将多个第一直线距离中的最大值确定为所述心脏房室腔壁区域的厚度；
基于所述心脏房室腔壁区域的厚度确定超声心动风险参数；
基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
可选地，所述基于所述心脏房室腔壁区域的厚度确定超声心动风险参数，包括：
获取心脏房室区域的最小外接圆；
获取所述心脏房室区域的房室轮廓；
计算所述房室轮廓上多个房室轮廓点与所述最小外接圆的圆心的第二直线距离，得到多个房室轮廓点对应的多个第二直线距离；
基于多个第二直线距离的标准差确定心脏房室不规则表征值；
基于所述心脏房室腔壁区域的厚度和所述心脏房室不规则表征值确定超声心动风险参数。
可选地，所述基于多个第二直线距离的标准差确定心脏房室不规则表征值，包括：
将所述最小外接圆等分为多个扇形区域，得到多个扇形区域内的房室分割子区域；
获取所述扇形区域和对应的所述房室分割子区域的面积差值，得到多个扇形区域对应的面积差值；
基于多个所述房室分割子区域的面积、多个所述面积差值确定面积标准差；
将面积标准差和多个第二直线距离的标准差之和确定为心脏房室不规则表征值。
可选地，所述基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
获取目标实体的多个基线特征，所述多个基线特征包括年龄、性别、既往心脏疾病史、心脏手术史、是否吸烟、是否饮酒；
将目标实体的多个基线特征输入预设决策树模型，得到基线风险参数；
基于基线风险参数、超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种心脏风险参数的确定装置，计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述心脏风险参数的确定方法实施例中任一实施例中的心脏风险参数的确定方法中的步骤。
如图5所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；处理器401可以是中央处理单元(Central Processing 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(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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，优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402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。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取目标实体的多个导联心电向量信号；将多个导联心电向量信号转换为多个时域波形图；获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；基于心电图风险参数确定心脏风险参数。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种心脏风险参数的确定方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：
获取目标实体的多个导联心电向量信号；将多个导联心电向量信号转换为多个时域波形图；获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；基于心电图风险参数确定心脏风险参数。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种心脏风险参数的确定方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种心脏风险参数的确定方法，其特征在于，所述心脏风险参数的确定方法包括：
获取目标实体的多个导联心电向量信号；
将所述多个导联心电向量信号转换为多个时域波形图；
获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；
获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；
获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；
基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；
基于心电图风险参数确定心脏风险参数。
2.根据权利要求1所述的心脏风险参数的确定方法，其特征在于，所述基于心电图风险参数确定心脏风险参数，包括：
获取目标实体的多个冠状动脉造影图像；
将多个冠状动脉造影图像输入冠状动脉血管树分割模型，得到每个冠状动脉造影图像上的血管分割区域；
对多个冠状动脉造影图像上的血管分割区域进行三维重建，得到血管三维模型；
获取血管三维模型的血管中心线；
对所述血管中心线进行角点检测，并在检测出的角点处将所述血管中心线打断，得到多个血管中心线段和对应的血管腔段，其中，血管中心线段为血管腔段的中心线；
将所述血管中心线段上的多个点分别确定为目标点，过所述目标点做所述血管腔段的横截面，得到多个点对应的多个横截面的横截面面积；
将多个横截面面积中的最小值和多个横截面面积的平均值的比值确定为所述血管腔段的血管狭窄系数，得到多个血管腔段的血管狭窄系数；
基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数；
基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
3.根据权利要求2所述的心脏风险参数的确定方法，其特征在于，所述基于多个血管腔段的血管狭窄系数确定冠状动脉造影风险参数，包括：
将多个冠状动脉造影图像输入冠状动脉病变形态检测模型，得到多个异常区域；
将多个异常区域内的图像输入冠状动脉病变形态分类模型，得到各个异常区域的异常系数，其中，不同异常系数对应冠状动脉病变形态分类模型输出的不同异常类别；
基于多个血管腔段的血管狭窄系数的标准差和多个异常区域的异常系数的标准差确定冠状动脉造影风险参数。
4.根据权利要求2所述的心脏风险参数的确定方法，其特征在于，所述基于冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
获取目标实体的超声心动图图像；
将超声心动图图像输入心脏房室结构分割模型，得到心脏房室区域和包裹所述心脏房室区域的房室腔壁区域；
获取所述房室腔壁区域的腔壁外轮廓和腔壁内轮廓；
过所述腔壁外轮廓上的多个外轮廓点分别做法线与腔壁内轮廓相交，得到多个外轮廓点对应的多个交点；
获取每个外轮廓点和对应的交点之间的第一直线距离，得到多个外轮廓点对应的多个第一直线距离；
将多个第一直线距离中的最大值确定为所述心脏房室腔壁区域的厚度；
基于所述心脏房室腔壁区域的厚度确定超声心动风险参数；
基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
5.根据权利要求4所述的心脏风险参数的确定方法，其特征在于，所述基于所述心脏房室腔壁区域的厚度确定超声心动风险参数，包括：
获取心脏房室区域的最小外接圆；
获取所述心脏房室区域的房室轮廓；
计算所述房室轮廓上多个房室轮廓点与所述最小外接圆的圆心的第二直线距离，得到多个房室轮廓点对应的多个第二直线距离；
基于多个第二直线距离的标准差确定心脏房室不规则表征值；
基于所述心脏房室腔壁区域的厚度和所述心脏房室不规则表征值确定超声心动风险参数。
6.根据权利要求5所述的心脏风险参数的确定方法，其特征在于，所述基于多个第二直线距离的标准差确定心脏房室不规则表征值，包括：
将所述最小外接圆等分为多个扇形区域，得到多个扇形区域内的房室分割子区域；
获取所述扇形区域和对应的所述房室分割子区域的面积差值，得到多个扇形区域对应的面积差值；
基于多个所述房室分割子区域的面积、多个所述面积差值确定面积标准差；
将面积标准差和多个第二直线距离的标准差之和确定为心脏房室不规则表征值。
7.根据权利要求4所述的心脏风险参数的确定方法，其特征在于，所述基于超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数，包括：
获取目标实体的多个基线特征，所述多个基线特征包括年龄、性别、既往心脏疾病史、心脏手术史、是否吸烟、是否饮酒；
将目标实体的多个基线特征输入预设决策树模型，得到基线风险参数；
基于基线风险参数、超声心动风险参数、冠状动脉造影风险参数和心电图风险参数确定心脏风险参数。
8.一种心脏风险参数的确定装置，其特征在于，所述心脏风险参数的确定装置包括：
第一获取单元，用于获取目标实体的多个导联心电向量信号；
转换单元，用于将所述多个导联心电向量信号转换为多个时域波形图；
第二获取单元，用于获取每个时域波形图的波形最大值与波形最小值之间的波形差值，得到多个波形差值；
第三获取单元，用于获取每个时域波形图到达波形最大值的花费时间，得到多个花费时间；
第四获取单元，用于获取每个时域波形图上相邻两个波形最大值之间的时间间隔，得到多个时间间隔；
第一确定单元，用于基于多个波形最大值的标准差和最大值、多个波形差值的标准差和最大值、多个时间间隔的标准差和平均值、多个花费时间的标准差和平均值确定心电图风险参数；
第二确定单元，用于基于心电图风险参数确定心脏风险参数。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的心脏风险参数的确定方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的心脏风险参数的确定方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310166258.8A CN116269416A (zh) | 2023-02-24 | 2023-02-24 | 心脏风险参数的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310166258.8A CN116269416A (zh) | 2023-02-24 | 2023-02-24 | 心脏风险参数的确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116269416A true CN116269416A (zh) | 2023-06-23 |
Family
ID=86828056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310166258.8A Pending CN116269416A (zh) | 2023-02-24 | 2023-02-24 | 心脏风险参数的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116269416A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116721764A (zh) * | 2023-08-10 | 2023-09-08 | 武汉楚精灵医疗科技有限公司 | 术前提示方法及装置 |
-
2023
- 2023-02-24 CN CN202310166258.8A patent/CN116269416A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116721764A (zh) * | 2023-08-10 | 2023-09-08 | 武汉楚精灵医疗科技有限公司 | 术前提示方法及装置 |
| CN116721764B (zh) * | 2023-08-10 | 2023-10-27 | 武汉楚精灵医疗科技有限公司 | 术前提示方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6945204B2 (ja) | 心筋虚血の測定、狭窄識別、位置特定、および血流予備量比推定の非侵襲性方法およびシステム | |
| CN108992059B (zh) | 用于根据血管几何形状和生理学估计血流特性的系统和方法 | |
| JP6293714B2 (ja) | 患者の心臓の電気解剖学的画像を提供するためのシステムおよびその作動方法 | |
| US11389099B2 (en) | Annotation waveform | |
| US11013447B2 (en) | Cardiac mapping using a 3D grid | |
| JP2017503561A (ja) | 患者固有の解剖学的構造の画像データから冠動脈プラークの脆弱性を予測するシステム及び方法 | |
| CN108665449B (zh) | 预测血流矢量路径上的血流特征的深度学习模型及装置 | |
| JP2021528148A (ja) | 生体物理信号における非同期ノイズを定量化し、かつ除去するための方法およびシステム | |
| US20210378579A1 (en) | Local noise identification using coherent algorithm | |
| CN116269416A (zh) | 心脏风险参数的确定方法及装置 | |
| JP2022023006A (ja) | マッピングポイントの場所を示唆することによるマッピング効率の改善 | |
| JP2022023017A (ja) | 広域周方向アブレーション点の自動連続性推定 | |
| IL274726B2 (en) | Volumetric lat map | |
| CN114680899A (zh) | 预测冠状动脉的阻塞的电子装置和方法 | |
| US11544427B2 (en) | Method of segmentation of a three-dimensional image for generating a model of a myocardial wall for the detection of at least one singular zone of electrical circulation | |
| Rahman et al. | Detection of Abnormality in Electrocardiogram (ECG) Signals Based on Katz’s and Higuchi’s Method Under Fractal Dimensions | |
| CN116721764B (zh) | 术前提示方法及装置 | |
| CN117322887A (zh) | 基于人工神经网络的心电心音诊断方法、装置及设备 | |
| US20220061733A1 (en) | Automatically identifying scar areas within organic tissue using multiple imaging modalities | |
| CN113139961B (zh) | 一种冠状动脉优势型的确定方法和装置 | |
| Kavas et al. | A New Medical Decision Support System for Diagnosing HFrEF and HFpEF Using ECG and Machine Learning Techniques | |
| WO2022079621A1 (en) | Intracardiac ecg noise detection and reduction | |
| JP2022068863A (ja) | 冠状静脈洞静脈内のカテーテルの基準電極の移動の信号分析 | |
| WO2024009220A1 (en) | System and method to determine the location of a catheter | |
| CN115908452A (zh) | 食管内镜视频异常的识别方法及装置 |
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 |