CN116473569A - 一种心电图数据处理方法、系统及存储介质 - Google Patents
一种心电图数据处理方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116473569A CN116473569A CN202310495403.7A CN202310495403A CN116473569A CN 116473569 A CN116473569 A CN 116473569A CN 202310495403 A CN202310495403 A CN 202310495403A CN 116473569 A CN116473569 A CN 116473569A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- electrocardiographic
- segment
- electrocardiographic data
- 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.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 272
- 238000001514 detection method Methods 0.000 claims abstract description 162
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 42
- 230000001121 heart beat frequency Effects 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 206010003658 Atrial Fibrillation Diseases 0.000 description 4
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 4
- 208000007888 Sinus Tachycardia Diseases 0.000 description 4
- 206010040741 Sinus bradycardia Diseases 0.000 description 4
- 230000001746 atrial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 206010003662 Atrial flutter Diseases 0.000 description 3
- 206010003671 Atrioventricular Block Diseases 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 208000010496 Heart Arrest Diseases 0.000 description 2
- 206010040738 Sinus arrest Diseases 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于医疗技术领域,公开了一种心电图数据处理方法、系统及存储介质:对心电图信号进行预处理,获取心电图数据;基于心电图信号的检测时间T,将心电图数据分割为N段;基于预设条件将心电图数据划分为正常数据段集合和异常数据段集合;将异常数据段集合输入异常检测模型,得到心电图检测结果,并生成诊断报告;将诊断报告发送到医生终端。本发明解决了心电图自动诊断时工作量大和效率低的问题。
Description
技术领域
本发明属于医疗技术领域,具体涉及一种心电图数据处理方法、系统及存储介质。
背景技术
心电图(Electrocardiogram,ECG)信号是心脏兴奋的发生和传播及恢复过程的客观指标。因此,ECG信号检测通常作为心脏疾病检测的重要指标,并且对ECG信号的处理和分析一直备受关注。
随着医疗信息技术的不断发展,心电图自动诊断技术已经在临床上得到了一定的应用,虽然目前心电图自动诊断技术还无法与专业医生的诊断水平相比,但在某些方面已经得到了一定程度的认可,极大的减轻了专业医生的负担。现有技术中,比如中国专利CN109875521A,公开了一种心电图数据分析方法以及系统,将第一心电图数据解析并转化为具有统一格式的第二心电图数据,对第二心电图数据进行实时分析,得到分析结果。该方法对所有的心电图数据进行分析,增加了心电图分析的任务量。再比如中国专利CN106126898A,公开了数据处理的方法及装置,根据参照样本分别为参照样本之外的每一类ECG信号建立对应的逻辑Logit模型,将某一条未知类型的ECG信号中提取的不同特征矢量值分别带入到每种类型ECG信号的Logit模型中,得到多个概率值,然后,将多个概率值与预设阈值比较,并根据比较的结果判断未知类型的ECG信号所属的类型。在判断ECG信号的类型时,需要将ECG信号输入每个模型,再根据概率进行判断,增加了计算量。
因此,提供一种心电图数据处理方法、系统及存储介质,以减少心电图诊断的工作量,并提高诊断效率,是亟待解决的问题。
发明内容
针对上述提出的技术问题,本发明提供一种心电图数据处理方法、系统及存储介质。
第一方面,本发明提供了一种心电图数据处理方法,该方法包括:
步骤1、对心电图信号进行预处理,获取心电图数据;
步骤2、基于心电图信号的检测时间T,将心电图数据分割为N段,每段心电图数据段的时间为t,为心电图数据段分配标识符,并将每个心电图数据段与每个心电图数据段的标识符一一对应地存储在心电图数据存储单元中,其中,N为大于1的正整数;
步骤3、基于预设条件将心电图数据划分为正常数据段集合和异常数据段集合;
步骤4、将异常数据段集合输入异常检测模型,得到心电图检测结果,并生成诊断报告;
步骤5、将诊断报告发送到医生终端。
具体地,预处理包括降噪处理。
具体地,预设条件为每个心电图数据段中大于阈值th1的波峰的数量,步骤3包括:
步骤311、获取第i个心电图数据段作为第1筛选信号段,当第1筛选信号段中的大于阈值th1的波峰的数量大于等于阈值th2时,判定第1筛选信号段为异常数据段,其中,i为1-N的正整数;
步骤312、当第1筛选信号段为异常数据段且i≠N时,i=i+1,返回步骤311;
步骤313、当第1筛选信号段为正常数据段且i≠N时,获取第1筛选信号段之后km个心电图数据段作为第m筛选信号段;
步骤314、当第m筛选信号段中的大于阈值th1的波峰的数量大于等于阈值kmth2时,判定第m筛选信号段为异常数据段,其中,km为大于1的正整数;
步骤315、当第m筛选信号段为异常数据段且M≠1时,i=k,返回步骤311,其中,k为第m筛选信号段中第一个心电图数据段的标识符,M为第m筛选信号段中心电图数据段的总数;
步骤316、当第m筛选信号段为正常数据段且j≠N时,获取第m筛选信号段之后km+1个心电图数据段作为第m+1筛选信号段,m=m+1,返回步骤314,其中,j为第m筛选信号段中最后一个心电图数据段的标识符,km+1为大于1的正整数,且km+1大于km;
步骤317、遍历完所有心电图数据段后,将异常数据段对应的心电图数据段和标识符一一对应地存储在异常数据段集合中,将正常数据段对应的心电图数据段和标识符一一对应地存储在正常数据段集合中。
具体地,预设条件为每个心电图数据段中的心跳频率值,步骤3包括:
将第x个心电图数据段输入第一训练模型,输出第x个心电图数据段中的心跳数和每个心跳被正确计算的概率,其中,x为1-N的正整数;
当任一心跳被正确计算的概率大于等于阈值th3时,判定任一心跳为正确计算心跳,则心跳频率值HR为正确计算心跳的总数;
当|HR-ST|≥th4时,判定第x个心电图数据段为异常数据段,其中,ST为基准心跳频率值,th4为心跳频率判断阈值;
当|HR-ST<th4时,判定第x个心电图数据段为正常数据段;
遍历完所有心电图数据段后,将异常数据段对应的心电图数据段和标识符一一对应地存储在异常数据段集合中,将正常数据段对应的心电图数据段和标识符一一对应地存储在正常数据段集合中。
具体地,异常检测模型的生成方法为:
使用异常心电图数据训练第一检测模型得到第二检测模型,第二检测模型对异常心电图数据进行分类,将异常心电图数据分为第一大类异常心电图数据和第二大类异常心电图数据,其中,第一检测模型为预先训练的将心电图分为正常和异常的检测模型,异常心电图数据中包括的异常心电图的种类个数为A,第一大类异常心电图数据包括的异常心电图的种类个数为A1,第二大类异常心电图数据包括的异常心电图的种类个数为A2,A2=A-A1;
使用第一大类异常心电图数据训练第二检测模型得到第三检测模型,第三检测模型对第一大类异常心电图数据进行分类,将第一大类异常心电图数据分为第一类异常心电图数据和第二类异常心电图数据,其中,第一类异常心电图数据包括的异常心电图的种类个数为B1,第二类异常心电图数据包括的异常心电图的种类个数为B2,B2=A1-B1;使用第二大类异常心电图数据训练第二检测模型得到第四检测模型,第四检测模型对第二大类异常心电图数据进行分类,将第二大类异常心电图数据分为第三类异常心电图数据和第四类异常心电图数据,其中,第三类异常心电图数据包括的异常心电图的种类个数为C1,第四类异常心电图数据包括的异常心电图的种类个数为C2,C2=A2-C1;
当B1≠1时,使用第一类异常心电图数据训练第三检测模型得到第五检测模型,第五检测模型对第一类异常心电图数据进行分类,将第一类异常心电图数据分类为单个的心电图异常类型;
当B2≠1时,使用第二类异常心电图数据训练第三检测模型得到第六检测模型,第六检测模型对第二类异常心电图数据进行分类,将第二类异常心电图数据分类为单个的心电图异常类型;
当C1≠1时,使用第三类异常心电图数据训练第四检测模型得到第七检测模型,第七检测模型对第三类异常心电图数据进行分类,将第三类异常心电图数据分类为单个的心电图异常类型;
当C2≠1时,使用第四类异常心电图数据训练第四检测模型得到第八检测模型,第八检测模型对第四类异常心电图数据进行分类,将第四类异常心电图数据分类为单个的心电图异常类型。
具体地,将异常数据段集合输入到异常检测模型后,逐层对任一异常数据段进行分类,得到任一异常数据段的检测结果。
具体地,步骤4中,获取任一异常数据段的检测结果,当任一异常数据段的检测结果显示患有疾病时,对任一异常数据段执行反向追踪,获取反向追踪的输出数据段,当任一异常数据段与输出数据段的同一波形的波形差异值大于等于预设阈值时,在任一异常数据段上对波形进行标记生成异常心电图数据段,并将异常心电图数据段和异常心电图数据段的标识符存储在诊断数据单元,其中,波形差异值为同一波形的起点和终端的距离特征矢量之差,或同一波形的幅值特征矢量之差;
基于任一异常数据段的检测结果,生成心电图检测结果。
具体地,基于心电图数据、异常心电图数据段和心电图检测结果生成诊断报告。
第二方面,本发明还提供了一种心电图数据处理系统,用于实现上述任一项的心电图数据处理方法,该系统包括:预处理模块、分段模块、集合生成模块、检测模块、传输模块;
预处理模块,用于对心电图信号进行预处理,获取心电图数据;
分段模块,用于基于心电图信号的检测时间T,将心电图数据分割为N段,每段心电图数据段的时间为t,为心电图数据段分配标识符,并将每个心电图数据段与每个心电图数据段的标识符一一对应地存储在心电图数据存储单元中,其中,N为大于1的正整数;
集合生成模块,用于基于每个心电图数据段中大于阈值th1的波峰的数量,将心电图数据划分为正常数据段集合和异常数据段集合;
检测模块,用于将异常数据段集合输入异常检测模型,得到心电图检测结果,并生成诊断报告;
传输模块,用于将诊断报告发送到医生终端。
第三方面,本发明提供了一种计算机存储介质,计算机存储介质存储有程序指令,其中,在程序指令运行时控制计算机存储介质所在设备执行上述任意一项的心电图数据处理方法。
本发明公开一种心电图数据处理方法、系统及存储介质,对心电图信号进行预处理后获取用于分析的心电图数据,根据心电图信号的监测时长将心电图数据分割为N段,再基于预定的判断条件将心电图数据划分为正常数据段集合和异常数据段集合,随后对异常数据段集合中的心电图数据段进行检测,获取检测结果并生成诊断报告。通过本发明的技术方案,先将心电图数据分为正常数据段和异常数据段,在检测时仅对异常数据段进行检测,减少了心电图分析的工作量,且在检测时将异常数据段集合输入异常检测模型检测出上述心电图数据对应的异常类型,不用将心电图数据输入多个检测模型,提高了检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的一种心电图数据处理方法的流程图;
图2为本发明的一种心电图数据处理系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明经行进一步的详细说明。显然,此处所描述的具体实施例仅仅用于解释本发明,是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术普通人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
通过心电图采集设备采集心电图信号,心电图采集设备可以与心电图数据处理设备建立通信连接,在某些实施例中,所述通信连接的方式可以包括但不限于Wi-Fi、蓝牙、近场通信(Near Field Communication,NFC)等。心电图信号包括12个导联心电图ECG数据。在某些实施例中,心电图数据处理设备包括但不限于平板电脑、笔记本电脑、台式电脑等智能终端设备。
图1所示是本发明提供的一种心电图数据处理方法的一个实施例的流程图,该流程图具体包括:
步骤1、对心电图信号进行预处理,获取心电图数据。
具体地,预处理包括降噪处理。
由于心电图信号极其微弱,非常容易受到外界信号的干扰,因此,得到的心电图信号中通常包含有许多干扰信号。在对心电图信号进行分析之前首先需要对其进行降噪处理,最终得到有效的心电图数据。
示例性地,根据小波变换算法对心电图信号进行降噪处理。
步骤2、基于心电图信号的检测时间T,将心电图数据分割为N段,每段心电图数据段的时间为t,为心电图数据段分配标识符,并将每个心电图数据段与每个心电图数据段的标识符一一对应地存储在心电图数据存储单元中,其中,N为大于1的正整数。
优选地,每个心电图数据段都包含有预设数量的完整的心动周期。
示例性地,心电图信号的检测时间T为5分钟,将心电图数据分割为10段,每段心电图数据段起始到结束的时间t为30秒,第n个心电图数据段的标识符为n。
步骤3、基于预设条件将心电图数据划分为正常数据段集合和异常数据段集合。
在对心电图数据进行分析之前,先对心电图数据的数据段进行筛选,将心电图数据划分为正常数据段集合和异常数据段集合,仅对异常数据段集合进行分析。
具体地,预设条件为每个心电图数据段中大于阈值th1的波峰的数量,步骤3包括:
步骤311、获取第i个心电图数据段作为第1筛选信号段,当第1筛选信号段中的大于阈值th1的波峰的数量大于等于阈值th2时,判定第1筛选信号段为异常数据段,其中,i为1-N的正整数。
步骤312、当第1筛选信号段为异常数据段且i≠N时,i=i+1,返回步骤311。
步骤313、当第1筛选信号段为正常数据段且i≠N时,获取第1筛选信号段之后km个心电图数据段作为第m筛选信号段。
步骤314、当第m筛选信号段中的大于阈值th1的波峰的数量大于等于阈值kmth2时,判定第m筛选信号段为异常数据段,其中,km为大于1的正整数。
步骤315、当第m筛选信号段为异常数据段且M≠1时,i=k,返回步骤311,其中,k为第m筛选信号段中第一个心电图数据段的标识符,M为第m筛选信号段中心电图数据段的总数。
步骤316、当第m筛选信号段为正常数据段且j≠N时,获取第m筛选信号段之后km+1个心电图数据段作为第m+1筛选信号段,m=m+1,返回步骤314,其中,j为第m筛选信号段中最后一个心电图数据段的标识符,km+1为大于1的正整数,且km+1大于km。
步骤317、遍历完所有心电图数据段后,将异常数据段对应的心电图数据段和标识符一一对应地存储在异常数据段集合中,将正常数据段对应的心电图数据段和标识符一一对应地存储在正常数据段集合中。
以心电图数据包含8个数据段为例说明本申请的一个实施例的技术方案。获取第1个心电图数据段作为第1筛选信号段,当第1筛选信号段中大于阈值th1的波峰的数量大于等于阈值th2时,判定上述第1筛选信号段为异常数据段,将第1个心电图数据段及其对应的标识符相对应地存储在异常数据段集合中。然后将第2个心电图数据段作为第1筛选信号段,当第1筛选信号段中大于阈值th1的波峰的数量小于阈值th2时,判定上述第1筛选信号段(即第2个心电图数据段)为正常数据段,将第2个心电图数据段及其对应的标识符相对应地存储在正常数据段集合中。随后获取第2个心电图数据段之后的2(即km)个心电图数据段作为第m筛选信号段(包括第3个心电图数据段和第4个心电图数据段),当第m筛选信号段中大于阈值th1的波峰的数量小于阈值2th2时,第m筛选信号段为正常数据段集合,将第3个心电图数据段及其对应的标识符和第4个心电图数据段及其对应的标识符相对应地存储在正常数据段集合中。然后获取第4个心电图数据段之后的4(即km+1)个心电图数据段作为第m+1筛选信号段(包括第5个心电图数据段、第6个心电图数据段、第7个心电图数据段和第8个心电图数据段),当第m+1筛选信号段中大于阈值th1的波峰的数量大于等于阈值4th2时,第m筛选信号段为异常数据段集合,则将第5个心电图数据段作为第1筛选信号段。当第1筛选信号段中大于阈值th1的波峰的数量大于等于阈值th2时,判定上述第1筛选信号段(即第5个心电图数据段)为异常数据段,将第5个心电图数据段及其对应的标识符相对应地存储在异常数据段集合中。然后将第6个心电图数据段作为第1筛选信号段,当第1筛选信号段中大于阈值th1的波峰的数量小于阈值th2时,判定上述第1筛选信号段(即第6个心电图数据段)为正常数据段,将第2个心电图数据段及其对应的标识符相对应地存储在正常数据段集合中。随后获取第6个心电图数据段之后的2个心电图数据段作为第m筛选信号段(包括第7个心电图数据段和第8个心电图数据段),当第m筛选信号段中大于阈值th1的波峰的数量小于阈值2th2时,第m筛选信号段为正常数据段集合,将第7个心电图数据段及其对应的标识符和第8个心电图数据段及其对应的标识符相对应地存储在正常数据段集合中。
具体地,预设条件为每个心电图数据段中的心跳频率值,步骤3包括:
将第x个心电图数据段输入第一训练模型,输出第x个心电图数据段中的心跳数和每个心跳被正确计算的概率,其中,x为1-N的正整数;
当任一心跳被正确计算的概率大于等于阈值th3时,判定任一心跳为正确计算心跳,则心跳频率值HR为正确计算心跳的总数;
当|HR-ST|≥th4时,判定第x个心电图数据段为异常数据段,其中,ST为基准心跳频率值,th4为心跳频率判断阈值;
当|HR-ST|<th4时,判定第x个心电图数据段为正常数据段;
遍历完所有心电图数据段后,将异常数据段对应的心电图数据段和标识符一一对应地存储在异常数据段集合中,将正常数据段对应的心电图数据段和标识符一一对应地存储在正常数据段集合中。
心跳频率值计算算法在计算心电图数据的心跳频率值时会存在一定的误差,第一训练模型是针对心电图数据处理设备中自动计算心跳频率值的算法进行训练的训练模型。将心电图数据输入第一训练模型后会输出每个心跳被正确计算的概率,将被正确计算的概率大于等于阈值时的心跳作为正确心跳,可以排除因心跳频率值计算算法造成的心跳频率值误差。
优选地,第一训练模型的训练数据集的生成方法为:
获取标记过心跳频率值的心电图波形数据集合,将第y个心电图波形数据输入自动计算心跳频率值的算法单元,输出第一心跳频率值,当第一心跳频率值与第y个心电图波形数据对应的标记心跳频率值的差值大于等于阈值th5时,判定计算错误,将第y个心电图波形数据标记为错误;当差值小于阈值th5时,判定计算正确,将第y个心电图波形数据标记为正确;遍历完心电图波形数据集合后,生成训练集合;使用训练集合训练第一训练模型,使第一训练模型输出每个心电图波形数据中的心跳数和每个心跳被正确计算的概率。
将标记过心跳频率值的心电图波形数据输入算法单元计算第一心跳频率值,在基于第一心跳频率值与标记心跳频率值进行比较判断计算正确或错误,并作为标签对上述心电图波形数据进行标记生成训练数据集,提高训练的准确度。
步骤4、将异常数据段集合输入异常检测模型,得到心电图检测结果,并生成诊断报告。
上述异常检测模型是多层训练模型。
具体地,异常检测模型的生成方法为:
使用异常心电图数据训练第一检测模型得到第二检测模型,第二检测模型对异常心电图数据进行分类,将异常心电图数据分为第一大类异常心电图数据和第二大类异常心电图数据,其中,第一检测模型为预先训练的将心电图分为正常和异常的检测模型,异常心电图数据中包括的异常心电图的种类个数为A,第一大类异常心电图数据包括的异常心电图的种类个数为A1,第二大类异常心电图数据包括的异常心电图的种类个数为A2,A2=A-A1;
使用第一大类异常心电图数据训练第二检测模型得到第三检测模型,第三检测模型对第一大类异常心电图数据进行分类,将第一大类异常心电图数据分为第一类异常心电图数据和第二类异常心电图数据,其中,第一类异常心电图数据包括的异常心电图的种类个数为B1,第二类异常心电图数据包括的异常心电图的种类个数为B2,B2=A1-B1;使用第二大类异常心电图数据训练第二检测模型得到第四检测模型,第四检测模型对第二大类异常心电图数据进行分类,将第二大类异常心电图数据分为第三类异常心电图数据和第四类异常心电图数据,其中,第三类异常心电图数据包括的异常心电图的种类个数为C1,第四类异常心电图数据包括的异常心电图的种类个数为C2,C2=A2-C1;
当B1≠1时,使用第一类异常心电图数据训练第三检测模型得到第五检测模型,第五检测模型对第一类异常心电图数据进行分类,将第一类异常心电图数据分类为单个的心电图异常类型;
当B2≠1时,使用第二类异常心电图数据训练第三检测模型得到第六检测模型,第六检测模型对第二类异常心电图数据进行分类,将第二类异常心电图数据分类为单个的心电图异常类型;
当C1≠1时,使用第三类异常心电图数据训练第四检测模型得到第七检测模型,第七检测模型对第三类异常心电图数据进行分类,将第三类异常心电图数据分类为单个的心电图异常类型;
当C2≠1时,使用第四类异常心电图数据训练第四检测模型得到第八检测模型,第八检测模型对第四类异常心电图数据进行分类,将第四类异常心电图数据分类为单个的心电图异常类型。
以心电图异常包括窦房传导阻滞、窦性停搏、房室传导阻滞、窦性心律不齐、窦性心律过速、窦性心律过缓、房早、房扑、房颤等9种类型为例说明本申请的一个实施例的技术方案。使用上述9种异常心电图训练第一检测模型得到第二检测模型,训练后的第二检测模型将上述9种异常心电图分类为第一大类异常心电图(窦房传导阻滞、窦性停搏、窦性心律不齐、窦性心律过速和窦性心律过缓)和第二大类异常心电图(房室传导阻滞、房早、房扑和房颤);使用第一大类异常心电图数据训练第二检测模型得到第三检测模型,第三检测模型将第一大类异常心电图数据分为第一类异常心电图(窦房传导阻滞、窦性停搏和窦性心律不齐)和第二类异常心电图(窦性心律过速和窦性心律过缓);使用第二大类异常心电图数据训练第二检测模型得到第四检测模型,第四检测模型将第二大类异常心电图数据分为第三类异常心电图(房室传导阻滞)和第四类异常心电图(房早、房扑和房颤);使用第一类异常心电图数据训练第三检测模型得到第五检测模型,第五检测模型将第一类异常心电图数据分为窦房传导阻滞、窦性停搏和窦性心律不齐;使用第二类异常心电图数据训练第三检测模型得到第六检测模型,第六检测模型将第二类异常心电图数据分为窦性心律过速和窦性心律过缓;使用第四类异常心电图数据训练第四检测模型得到第八检测模型,第八检测模型将第四类异常心电图数据分为房早、房扑和房颤。第三类异常心电图包含的异常种类的个数为1,不再生成第七检测模型。
本实施例中的异常心电图数据的来源为国际公认的MIT-BIH数据库,因此,数据的真实性较高、类型较全面,因此,利用该数据库进行后续的心电图数据分析得到的结果更加可靠。
优选地,根据异常心电图的种类调整要训练的检测模型的数量。
优选地,每个检测模型可以将输入的异常心电图分为W个种类,其中,W为大于等于1的正整数。
具体地,将异常数据段集合输入到异常检测模型后,逐层对任一异常数据段进行分类,得到任一异常数据段的检测结果。
示例性地,异常数据段对应的心电图异常类型为窦性停搏,将异常数据段输入第二检测模型后,根据分类结果将上述异常数据段输入第三检测模型,再根据分类结果将异常数据段输入到第五检测模型,获得上述异常数据段的检测结果:窦性停搏。
具体地,步骤4中,获取任一异常数据段的检测结果,当任一异常数据段的检测结果显示患有疾病时,对任一异常数据段执行反向追踪,获取反向追踪的输出数据段,当任一异常数据段与输出数据段的同一波形的波形差异值大于等于预设阈值时,在任一异常数据段上对波形进行标记生成异常心电图数据段,并将异常心电图数据段和异常心电图数据段的标识符存储在诊断数据单元,其中,波形差异值为同一波形的起点和终端的距离特征矢量之差,或同一波形的幅值特征矢量之差;
基于任一异常数据段的检测结果,生成心电图检测结果。
当异常数据段集合有多个不同的检测结果时,将多个不同的检测结果都显示在心电图检测结果中。
示例性地,同一波形为同一个心动周期。
对应于距离特征矢量和幅值特征矢量的阈值不是同一个阈值。当波形差异值为同一波形的起点和终端的距离特征矢量之差时,阈值的单位为s;当波形差异值为同一波形的幅值特征矢量之差时,阈值的单位为mV或mm。
优选地,同一波形的幅值特征矢量之差为同一波形的波峰高度差。
具体地,基于心电图数据、异常心电图数据段和心电图检测结果生成诊断报告。
示例性地,诊断报告包括心电图检测结果,整个心电图数据,以及放大后的异常心电图数据段。
优选地,当心电图检测结果中有多个不同的检测结果时,把各种检测结果对应的异常心电图数据段都显示在诊断报告中。
步骤5、将诊断报告发送到医生终端。
图2所示是本发明提供的一种心电图数据处理系统的一个实施例的结构示意图。如图2所示,该系统包括:预处理模块101、分段模块102、集合生成模块103、检测模块104、传输模块105。
预处理模块101,用于对心电图信号进行预处理,获取心电图数据。
分段模块102,用于基于心电图信号的检测时间T,将心电图数据分割为N段,每段心电图数据段的时间为t,为心电图数据段分配标识符,并将每个心电图数据段与每个心电图数据段的标识符一一对应地存储在心电图数据存储单元中,其中,N为大于1的正整数。
集合生成模块103,用于基于每个心电图数据段中大于阈值th1的波峰的数量,将心电图数据划分为正常数据段集合和异常数据段集合。
检测模块104,用于将异常数据段集合输入异常检测模型,得到心电图检测结果,并生成诊断报告。
传输模块105,用于将诊断报告发送到医生终端。
根据本发明实施例的另一个方面,提供了一种计算机存储介质,计算机存储介质存储有程序指令,其中,在程序指令运行时控制计算机存储介质所在设备执行上述任意一项的心电图数据处理方法。
以上上述的实施例仅表达了本发明的实施优选方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种心电图数据处理方法,其特征在于,包括如下步骤:
步骤1、对心电图信号进行预处理,获取心电图数据;
步骤2、基于所述心电图信号的检测时间T,将所述心电图数据分割为N段,每段心电图数据段的时间为t,为所述心电图数据段分配标识符,并将每个心电图数据段与所述每个心电图数据段的标识符一一对应地存储在心电图数据存储单元中,其中,N为大于1的正整数;
步骤3、基于预设条件将所述心电图数据划分为正常数据段集合和异常数据段集合;
步骤4、将所述异常数据段集合输入异常检测模型,得到心电图检测结果,并生成诊断报告;
步骤5、将所述诊断报告发送到医生终端。
2.根据权利要求1所述的一种心电图数据处理方法,其特征在于,所述预处理包括降噪处理。
3.根据权利要求1所述的一种心电图数据处理方法,其特征在于,所述预设条件为所述每个心电图数据段中大于阈值th1的波峰的数量,所述步骤3包括:
步骤311、获取第i个心电图数据段作为第1筛选信号段,当所述第1筛选信号段中的大于阈值th1的波峰的数量大于等于阈值th2时,判定所述第1筛选信号段为异常数据段,其中,i为1-N的正整数;
步骤312、当所述第1筛选信号段为异常数据段且i≠N时,i=i+1,返回所述步骤311;
步骤313、当所述第1筛选信号段为正常数据段且i≠N时,获取所述第1筛选信号段之后km个心电图数据段作为第m筛选信号段;
步骤314、当所述第m筛选信号段中的大于阈值th1的波峰的数量大于等于阈值kmth2时,判定所述第m筛选信号段为异常数据段,其中,km为大于1的正整数;
步骤315、当所述第m筛选信号段为异常数据段且M≠1时,i=k,返回所述步骤311,其中,k为所述第m筛选信号段中第一个心电图数据段的标识符,M为所述第m筛选信号段中心电图数据段的总数;
步骤316、当所述第m筛选信号段为正常数据段且j≠N时,获取所述第m筛选信号段之后km+1个心电图数据段作为第m+1筛选信号段,m=m+1,返回所述步骤314,其中,j为所述第m筛选信号段中最后一个心电图数据段的标识符,km+1为大于1的正整数,且km+1大于km;
步骤317、遍历完所有心电图数据段后,将异常数据段对应的心电图数据段和标识符一一对应地存储在所述异常数据段集合中,将正常数据段对应的心电图数据段和标识符一一对应地存储在所述正常数据段集合中。
4.根据权利要求1所述的一种心电图数据处理方法,其特征在于,所述预设条件为所述每个心电图数据段中的心跳频率值,所述步骤3包括:
将第x个心电图数据段输入第一训练模型,输出所述第x个心电图数据段中的心跳数和每个心跳被正确计算的概率,其中,x为1-N的正整数;
当任一心跳被正确计算的概率大于等于阈值th3时,判定所述任一心跳为正确计算心跳,则所述心跳频率值HR为正确计算心跳的总数;
当HR-ST≥th4时,判定所述第x个心电图数据段为异常数据段,其中,ST为基准心跳频率值,th4为心跳频率判断阈值;
当HR-ST<th4时,判定所述第x个心电图数据段为正常数据段;
遍历完所有心电图数据段后,将异常数据段对应的心电图数据段和标识符一一对应地存储在所述异常数据段集合中,将正常数据段对应的心电图数据段和标识符一一对应地存储在所述正常数据段集合中。
5.根据权利要求1所述的一种心电图数据处理方法,其特征在于,所述异常检测模型的生成方法为:
使用异常心电图数据训练第一检测模型得到第二检测模型,所述第二检测模型对所述异常心电图数据进行分类,将所述异常心电图数据分为第一大类异常心电图数据和第二大类异常心电图数据,其中,所述第一检测模型为预先训练的将心电图分为正常和异常的检测模型,所述异常心电图数据中包括的异常心电图的种类个数为A,所述第一大类异常心电图数据包括的异常心电图的种类个数为A1,所述第二大类异常心电图数据包括的异常心电图的种类个数为A2,A2=A-A1;
使用所述第一大类异常心电图数据训练所述第二检测模型得到第三检测模型,所述第三检测模型对所述第一大类异常心电图数据进行分类,将所述第一大类异常心电图数据分为第一类异常心电图数据和第二类异常心电图数据,其中,所述第一类异常心电图数据包括的异常心电图的种类个数为B1,所述第二类异常心电图数据包括的异常心电图的种类个数为B2,B2=A1-B1;使用所述第二大类异常心电图数据训练所述第二检测模型得到第四检测模型,所述第四检测模型对所述第二大类异常心电图数据进行分类,将所述第二大类异常心电图数据分为第三类异常心电图数据和第四类异常心电图数据,其中,所述第三类异常心电图数据包括的异常心电图的种类个数为C1,所述第四类异常心电图数据包括的异常心电图的种类个数为C2,C2=A2-C1;
当B1≠1时,使用所述第一类异常心电图数据训练所述第三检测模型得到第五检测模型,所述第五检测模型对所述第一类异常心电图数据进行分类,将所述第一类异常心电图数据分类为单个的心电图异常类型;
当B2≠1时,使用所述第二类异常心电图数据训练所述第三检测模型得到第六检测模型,所述第六检测模型对所述第二类异常心电图数据进行分类,将所述第二类异常心电图数据分类为单个的心电图异常类型;
当C1≠1时,使用所述第三类异常心电图数据训练所述第四检测模型得到第七检测模型,所述第七检测模型对所述第三类异常心电图数据进行分类,将所述第三类异常心电图数据分类为单个的心电图异常类型;
当C2≠1时,使用所述第四类异常心电图数据训练所述第四检测模型得到第八检测模型,所述第八检测模型对所述第四类异常心电图数据进行分类,将所述第四类异常心电图数据分类为单个的心电图异常类型。
6.根据权利要求5所述的一种心电图数据处理方法,其特征在于,所述步骤4中,将所述异常数据段集合输入到所述异常检测模型后,逐层对任一异常数据段进行分类,得到所述任一异常数据段的检测结果。
7.根据权利要求6所述的一种心电图数据处理方法,其特征在于,所述步骤4中,获取所述任一异常数据段的检测结果,当所述任一异常数据段的检测结果显示患有疾病时,对所述任一异常数据段执行反向追踪,获取反向追踪的输出数据段,当所述任一异常数据段与所述输出数据段的同一波形的波形差异值大于等于预设阈值时,在所述任一异常数据段上对所述波形进行标记生成异常心电图数据段,并将所述异常心电图数据段和所述异常心电图数据段的标识符存储在诊断数据单元,其中,所述波形差异值为所述同一波形的起点和终端的距离特征矢量之差,或所述同一波形的幅值特征矢量之差;
基于所述任一异常数据段的检测结果,生成所述心电图检测结果。
8.根据权利要求7所述的一种心电图数据处理方法,其特征在于,基于所述心电图数据、所述异常心电图数据段和所述心电图检测结果生成所述诊断报告。
9.一种心电图数据处理系统,用于实现如权利要求1-8任一项所述的心电图数据处理方法,其特征在于,包括:预处理模块、分段模块、集合生成模块、检测模块、传输模块;
所述预处理模块,用于对心电图信号进行预处理,获取心电图数据;
所述分段模块,用于基于所述心电图信号的检测时间T,将所述心电图数据分割为N段,每段心电图数据段的时间为t,为所述心电图数据段分配标识符,并将每个心电图数据段与所述每个心电图数据段的标识符一一对应地存储在心电图数据存储单元中,其中,N为大于1的正整数;
所述集合生成模块,用于基于所述每个心电图数据段中大于阈值th1的波峰的数量,将所述心电图数据划分为正常数据段集合和异常数据段集合;
所述检测模块,用于将所述异常数据段集合输入异常检测模型,得到心电图检测结果,并生成诊断报告;
所述传输模块,用于将所述诊断报告发送到医生终端。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有程序指令,其中,在所述程序指令运行时控制所述计算机存储介质所在设备执行权利要求1至8中任意一项所述的心电图数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310495403.7A CN116473569A (zh) | 2023-05-05 | 2023-05-05 | 一种心电图数据处理方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310495403.7A CN116473569A (zh) | 2023-05-05 | 2023-05-05 | 一种心电图数据处理方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116473569A true CN116473569A (zh) | 2023-07-25 |
Family
ID=87224971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310495403.7A Withdrawn CN116473569A (zh) | 2023-05-05 | 2023-05-05 | 一种心电图数据处理方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116473569A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992219A (zh) * | 2023-09-07 | 2023-11-03 | 博睿康科技(常州)股份有限公司 | 基于噪声检测指标的信号质量表征单元、噪声源定位方法 |
CN118039135A (zh) * | 2024-04-11 | 2024-05-14 | 深圳爱递医药科技有限公司 | 基于机器学习的健康监测数据处理方法及系统 |
-
2023
- 2023-05-05 CN CN202310495403.7A patent/CN116473569A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992219A (zh) * | 2023-09-07 | 2023-11-03 | 博睿康科技(常州)股份有限公司 | 基于噪声检测指标的信号质量表征单元、噪声源定位方法 |
CN116992219B (zh) * | 2023-09-07 | 2023-12-26 | 博睿康科技(常州)股份有限公司 | 基于噪声检测指标的信号质量表征单元、噪声源定位方法 |
CN118039135A (zh) * | 2024-04-11 | 2024-05-14 | 深圳爱递医药科技有限公司 | 基于机器学习的健康监测数据处理方法及系统 |
CN118039135B (zh) * | 2024-04-11 | 2024-07-05 | 深圳爱递医药科技有限公司 | 基于机器学习的健康监测数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
EP3367897B1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
Zidelmal et al. | ECG beat classification using a cost sensitive classifier | |
WO2019038109A1 (en) | METHOD FOR DETECTING ANOMALIES IN ECG SIGNALS | |
EP2224346B1 (en) | Ecg signal analysis tool | |
CN116473569A (zh) | 一种心电图数据处理方法、系统及存储介质 | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
US20160135703A1 (en) | Patient Signal Analysis Based on Vector Analysis | |
US8684942B2 (en) | System for cardiac impairment detection based on signal regularity | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
US8903480B2 (en) | System for cardiac condition detection using heart waveform area associated analysis | |
KR20200125256A (ko) | 심전도 분석 장치 및 방법 | |
CN114469131A (zh) | 自适应实时心电信号质量评估方法 | |
CN112971795A (zh) | 心电信号质量评估方法 | |
Garcia-Isla et al. | Poincaré plot image and rhythm-specific atlas for atrial bigeminy and atrial fibrillation detection | |
KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
CN108836312B (zh) | 一种基于人工智能的进行杂波剔除的方法及系统 | |
CN111528833A (zh) | 一种心电信号的快速识别与处理方法及系统 | |
CN116636858A (zh) | 一种ecg感知信号编码方法及系统 | |
Bashir et al. | Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring | |
KR20230096392A (ko) | 심장 박동 분류 방법 및 장치, 그리고 심장 박동 분류 모델의 학습 방법 | |
CN114429816A (zh) | 一种心电图分析方法、装置、设备及介质 | |
KR102684410B1 (ko) | 디퓨전 모델을 이용한 부정맥 생성장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230725 |