CN116864140A - 一种心内科术后护理监测数据处理方法及其系统 - Google Patents
一种心内科术后护理监测数据处理方法及其系统 Download PDFInfo
- Publication number
- CN116864140A CN116864140A CN202311133690.3A CN202311133690A CN116864140A CN 116864140 A CN116864140 A CN 116864140A CN 202311133690 A CN202311133690 A CN 202311133690A CN 116864140 A CN116864140 A CN 116864140A
- Authority
- CN
- China
- Prior art keywords
- curve
- training
- electrocardiographic
- graph
- electrocardio
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 38
- 238000003672 processing method Methods 0.000 title description 3
- 230000001755 vocal effect Effects 0.000 title description 3
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 88
- 239000013598 vector Substances 0.000 claims description 83
- 206010003119 arrhythmia Diseases 0.000 claims description 21
- 230000006793 arrhythmia Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 19
- 230000003211 malignant effect Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000474 nursing effect Effects 0.000 abstract description 12
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005831 heart abnormality Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 238000007674 radiofrequency ablation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Classifications
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心内科术后护理监测数据处理方法及其系统。其首先获取术后患者对象的心电曲线图，接着，对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征，然后，基于所述心电曲线图语义特征，确定所述心电曲线图是否为异常心电曲线图。这样，可以提高护理效率，减少人为误差，并为医护人员提供更准确的诊断和治疗建议。
Description
技术领域
本公开涉及数据处理领域，且更为具体地，涉及一种心内科术后护理监测数据处理方法及其系统。
背景技术
心内科手术是指对心脏进行手术治疗的一类手术，包括冠状动脉介入检查和支架植入术、心导管射频消融术、心脏起搏器置入术等。这些手术通常需要在体内进行切口和操作，以修复或改善心脏功能。然而，心内科手术后患者可能面临一系列的并发症风险，包括恶性心律失常、心肌缺血、心力衰竭等。
为了及时发现和处理这些并发症，心内科术后的护理监测对于心内科手术患者至关重要，其可以提供实时的生理参数和心电活动数据，帮助医护人员评估患者的病情和术后恢复情况。并且，通过术后护理监测，医护人员可以及时采取干预措施，防止并发症的发生并确保患者的安全和康复。
然而，传统的心内科术后护理监测方式主要依赖于医护人员的经验观察和分析心电曲线，存在主观性和依赖性较高的问题。监测数据的解读容易受到医护人员个体经验和技能水平的影响，存在人为误差的风险。也就是说，在医护人员进行术后护理监测时，不同的医护人员可能对监测数据的解读和处理存在差异，导致结果的不一致性。这可能导致对患者病情的判断不准确或延误治疗。
此外，传统的监测方法中，心电曲线缺少时间维度的动态变化的数据分析，且不能结合患者既往心电图进行数据分析，错过了一些重要的监测信息和早期预警信号，影响了护理效率和对于患者的病情判断。
因此，期望一种优化的心内科术后护理监测数据处理系统。
发明内容
有鉴于此，本公开提出了一种心内科术后护理监测数据处理方法及其系统，可以通过在后端引入图像处理和分析算法来自动化处理和分析心电曲线图，以实现对术后患者的心电活动的监测和评估，从而判断术后患者对象的心电曲线图是否为异常心电曲线图，并及时报警，从而辅助医护人员进行术后护理和决策，这样，能够提高护理效率，减少人为误差，并为医护人员提供更准确的诊断和治疗建议。
根据本公开的一方面，提供了一种心内科术后护理监测数据处理系统，其包括：
心电曲线图采集模块，用于获取术后患者对象的心电曲线图；
图像语义分析模块，用于对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征；以及
异常波形检测模块，用于基于所述心电曲线图语义特征，确定所述心电曲线图是否为异常心电曲线图。
根据本公开的另一方面，提供了一种心内科术后护理监测数据处理方法，其包括：
获取术后患者对象的心电曲线图；
对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征；以及
基于所述心电曲线图语义特征，确定所述心电曲线图是否为异常心电曲线图。
根据本公开的实施例，其首先获取术后患者对象的心电曲线图，接着，对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征，然后，基于所述心电曲线图语义特征，确定所述心电曲线图是否为异常心电曲线图。这样，可以提高护理效率，减少人为误差，并为医护人员提供更准确的诊断和治疗建议。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的心内科术后护理监测数据处理系统的框图。
图2示出根据本公开的实施例的心内科术后护理监测数据处理系统中所述图像语义分析模块的框图。
图3示出根据本公开的实施例的心内科术后护理监测数据处理系统中进一步包括的训练模块的框图。
图4示出根据本公开的实施例的心内科术后护理监测数据处理方法的流程图。
图5示出根据本公开的实施例的心内科术后护理监测数据处理方法的架构示意图。
图6示出根据本公开的实施例的心内科术后护理监测数据处理系统的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
针对上述技术问题，本公开的技术构思为在实际进行患者心内科术后的护理监测过程中，通过在后端引入图像处理和分析算法来自动化处理和分析心电曲线图，以实现对术后患者的心电活动的监测和评估，从而判断术后患者对象是否存在恶性心律失常，并及时报警，从而辅助医护人员进行术后护理和决策，通过这样的方式，能够提高护理效率，减少人为误差，并为医护人员提供更准确的诊断和治疗建议。
图1示出根据本公开的实施例的心内科术后护理监测数据处理系统的框图示意图。如图1所示，根据本公开实施例的心内科术后护理监测数据处理系统100，包括：心电曲线图采集模块110，用于获取术后患者对象的心电曲线图；图像语义分析模块120，用于对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征；以及，异常波形检测模块130，用于基于所述心电曲线图语义特征，确定所述心电曲线图是否为异常心电曲线图。应可以理解，心电曲线图采集模块110的作用是获取术后患者的心电曲线图，它可能包括心电图机、心电监护仪等设备，用于实时采集患者的心电信号，并将其转换为心电曲线图像的形式，以供后续处理和分析使用；该心电曲线图采集模块110也可以是AI智能扫描仪，用于对既往的纸质或图片格式的心电图进行扫描，并转换为可以进行后续数据分析的心电曲线图。图像语义分析模块120用于对心电曲线图进行图像语义分析，以提取心电曲线图的语义特征，通过使用计算机视觉和图像处理技术，该模块可以识别和提取心电曲线图中的重要特征，如波形形状、振幅变化、节律等，并将其转化为数值或向量表示，用于后续的恶性心律失常检测。异常波形检测模块130基于心电曲线图的语义特征，用于确定术后患者是否存在恶性心律失常，它可能包括机器学习或深度学习算法，通过对心电曲线图的特征进行分析和分类，能够判断所述心电曲线图是否为异常心电曲线图，提供预警和诊断信息。这些模块共同组成了心内科术后护理监测数据处理系统，通过采集、分析和检测心电曲线图数据，为术后患者的心脏监测和护理提供支持。系统的目标是提供准确的心律失常检测结果，帮助医护人员及时发现并处理患者的心脏异常情况，提高护理质量和患者安全性。
具体地，在本公开的技术方案中，首先，获取术后患者对象的心电曲线图。应可以理解，心电曲线是心脏电活动在时间上的变化表现，包含了丰富的信息，导致心电曲线图的完整时间序列较长，包含了大量的数据点。为了更好地利用心电曲线图中的时间序列数据的信息，以便于后续提取出心电曲线图像的局部特征，在本公开的技术方案中，进一步对所述心电曲线图进行沿时间维度的心电曲线切分以得到心电曲线子图的序列。通过将所述心电曲线图按照时间维度进行切分，可以将长时间的心电曲线分割成多个较短的心电曲线子图，每个心电曲线子图代表了一个特定的时间段内的心电活动。同时，通过切分成心电曲线子图，可以将原始数据进行降维，减少处理和分析的复杂性，同时保留了重要的时间序列信息。此外，由于所述心电曲线图可能包含了许多不同的心脏事件和波形特征，如QRS波群、ST段变化等。将所述心电曲线切分成心电曲线子图后，可以更集中地关注每个子图中的局部特征，有助于提取和分析特定时间段内的心电活动特征。
然后，将所述心电曲线子图的序列中的各个心电曲线子图通过基于卷积神经网络模型的心电曲线图像特征提取器中进行特征挖掘，以分别提取出所述各个心电曲线子图中有关于术后患者对象的心电曲线的局部时序隐含特征分布信息，从而得到心电曲线图形特征向量的序列。
进一步地，还考虑到由于所述术后患者对象的心电曲线波形是不断变化的，也就是说，所述各个心电曲线子图中的波形隐含特征之间具有着时序关联性关系。因此，为了能够对于所述术后患者对象的心电活动特征进行充分有效地捕捉刻画，以更准确地评估术后患者对象是否存在恶性心律失常等病症，在本公开的技术方案中，进一步将所述心电曲线图形特征向量的序列通过基于转换器模块的上下文编码器中进行编码，以提取出所述各个心电曲线子图的波形局部时序隐含特征分布信息之间基于时序全局的上下文关联特征信息，从而得到心电曲线图形全局语义特征向量。
相应地，如图2所示，所述图像语义分析模块120，包括：心电曲线切分单元121，用于对所述心电曲线图进行沿时间维度的心电曲线切分以得到心电曲线子图的序列；心电曲线局部特征提取单元122，用于基于深度神经网络模型的心电曲线图像特征提取器对所述心电曲线子图的序列中的各个心电曲线子图进行特征提取以得到心电曲线图形特征向量的序列；以及，心电曲线图全局语义关联编码单元123，用于对所述心电曲线图形特征向量的序列进行全局语义关联编码以得到心电曲线图形全局语义特征向量作为所述心电曲线图语义特征。应可以理解，图像语义分析模块120包括心电曲线切分单元121、心电曲线局部特征提取单元122和心电曲线图全局语义关联编码单元123三个单元。其中所述心电曲线切分单元121用于对心电曲线图进行沿时间维度的切分，以得到心电曲线的子图序列，心电曲线通常是一个连续的曲线，通过切分可以将其分割成多个子图，每个子图代表一个特定时间段内的心电信号；所述心电曲线局部特征提取单元122使用基于深度神经网络模型的心电曲线图像特征提取器，对心电曲线子图序列中的每个子图进行特征提取，以得到心电曲线图形特征向量的序列，这些特征向量可以捕捉到心电曲线子图的局部特征，例如振幅、频率等；所述心电曲线图全局语义关联编码单元123对心电曲线图形特征向量的序列进行全局语义关联编码，以得到心电曲线图形的全局语义特征向量，全局语义关联编码可以将不同心电曲线子图之间的关联性考虑在内，生成一个表示整个心电曲线图的语义特征向量，这个特征向量可以用作心电曲线图的语义特征，用于进一步的分析和应用。即，心电曲线切分单元用于将心电曲线图切分成子图序列，心电曲线局部特征提取单元用于提取子图的局部特征向量，而心电曲线图全局语义关联编码单元用于生成整个心电曲线图的全局语义特征向量，这些单元的组合可以实现对心电曲线图的语义分析和特征提取。
更具体地，在所述心电曲线局部特征提取单元122中，所述深度神经网络模型为卷积神经网络模型。值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，卷积神经网络通过多层卷积层和池化层组成，可以自动学习输入数据的特征表示，它的主要特点是局部感知性和权值共享。卷积层通过在输入数据上滑动小的窗口（卷积核）来提取局部特征，这意味着网络可以捕捉到输入数据的局部结构和模式，例如边缘、纹理等。卷积层中的每个卷积核都使用相同的权重参数进行滑动窗口的计算，这样可以大大减少需要学习的参数数量，提高模型的效率和泛化能力。在心电曲线局部特征提取单元中，使用卷积神经网络模型可以有效地提取心电曲线子图的特征表示，捕捉到曲线的局部模式和特征，为后续的语义分析和特征提取提供基础。通过训练深度神经网络模型，可以使其自动学习到适合心电曲线图像的特征表示，提高模型的性能和准确度。
更具体地，所述心电曲线图全局语义关联编码单元123，用于：将所述心电曲线图形特征向量的序列通过基于转换器模块的上下文编码器以得到所述心电曲线图形全局语义特征向量。值得一提的是，转换器模块（Transformer）是一种基于自注意力机制的神经网络模型，转换器模块的核心思想是通过自注意力机制来建立输入序列中各个元素之间的关联性，它不像传统的循环神经网络（RNN）需要按顺序处理序列，而是同时对整个序列进行处理，使得计算可以并行进行，从而提高了效率。在心电曲线图全局语义关联编码单元中，转换器模块用作上下文编码器，将心电曲线图形特征向量的序列进行全局语义关联编码，以得到心电曲线图形的全局语义特征向量。转换器模块的优势在于它能够捕捉到序列中元素之间的长距离依赖关系，而无需显式地定义序列的顺序。它通过自注意力机制对输入序列中的每个元素进行加权处理，使得每个元素都可以获取到与其相关的上下文信息。这种机制使得模型能够更好地理解序列中的语义和结构，并生成更准确的全局语义特征表示。因此，转换器模块在心电曲线图全局语义关联编码单元中的应用可以帮助捕捉到心电曲线图形特征向量序列中不同元素之间的关联性，生成一个表示整个心电曲线图的全局语义特征向量。这个全局语义特征向量可以用于进一步的分析和应用，例如心电图的分类、异常检测等任务。
继而，再将所述心电曲线图形全局语义特征向量通过分类器以得到分类结果，所述分类结果用于表示所述心电曲线图是否为异常心电曲线图。也就是说，以所述术后患者对象的心电曲线图的全局语义关联特征信息来进行分类处理，以此实现对术后患者的心电活动的监测和评估，从而判断术后患者对象是否存在恶性心律失常等病症，并及时报警，以辅助医护人员进行术后护理和决策。
相应地，所述异常波形检测模块130，用于：将所述心电曲线图形全局语义特征向量通过分类器以得到分类结果，所述分类结果用于表示所述心电曲线图是否为异常心电曲线图。
更具体地，所述异常波形检测模块130，进一步用于：使用所述分类器的全连接层对所述心电曲线图形全局语义特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，以检测恶性心律失常为例，所述分类器的标签包括术后患者对象存在恶性心律失常(第一标签)，以及，术后患者对象不存在恶性心律失常(第二标签)，其中，所述分类器通过软最大值函数来确定所述心电曲线图形全局语义特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“术后患者对象是否存在恶性心律失常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，术后患者对象是否存在恶性心律失常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“术后患者对象是否存在恶性心律失常”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接编码（Fully Connected Encoding）是一种常见的神经网络编码方法，也称为全连接层或密集层。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重参数，用于将输入特征与神经元进行线性组合。全连接编码的主要作用是将输入数据的特征进行综合和组合，生成更高级的特征表示。通过学习适当的权重参数，全连接层可以将输入数据映射到一个更抽象和更有表达力的特征空间。在异常波形检测模块中，全连接编码被用于对心电曲线图形的全局语义特征向量进行编码。这意味着通过全连接层，模型可以将全局语义特征向量与分类任务相关的特征进行组合和编码，生成一个更具有判别性的编码分类特征向量。全连接编码的输出可以被输入到分类器的Softmax分类函数中，Softmax函数将编码分类特征向量映射到一个概率分布上，表示不同类别的概率。通过Softmax分类函数，可以得到恶性心律失常检测的分类结果，判断输入心电曲线图是否属于恶性心律失常。全连接编码的优势在于它能够对输入特征进行高度的非线性组合和映射，从而提取更具有判别性的特征表示。这使得模型能够更好地区分不同类别的心电曲线图，并提高恶性心律失常检测的准确性和性能。
进一步地，在本公开的技术方案中，所述的心内科术后护理监测数据处理系统，其还包括用于对所述基于卷积神经网络模型的心电曲线图像特征提取器、所述基于转换器模块的上下文编码器和所述分类器进行训练的训练模块。应可以理解，训练模块在心内科术后护理监测数据处理系统中起到关键作用，它用于对系统中的不同组件进行训练，以使它们能够有效地处理和分析心电曲线图像数据，并实现准确的分类和预测。具体来说，训练模块主要用于以下几个方面：1.训练心电曲线图像特征提取器：心电曲线图像特征提取器是基于卷积神经网络模型的组件，用于提取心电曲线图像的局部特征表示，通过训练模块，可以对特征提取器进行训练，使其能够学习到有效的特征提取方式，从而提高对心电曲线图像的特征表示能力。2.训练上下文编码器：上下文编码器是基于转换器模块的组件，用于对心电曲线图形特征向量序列进行全局语义关联编码，通过训练模块，可以对上下文编码器进行训练，使其能够学习到有效的编码方式，从而捕捉到心电曲线图像特征向量序列中的全局语义关联。3.训练分类器：分类器是用于对心电曲线图像的全局语义特征向量进行分类的组件，通过训练模块，可以对分类器进行训练，使其能够学习到不同心律失常类别之间的区分特征，从而实现对心电曲线图像的准确分类。训练模块的作用是通过使用已标记的训练数据，对系统中的各个组件进行参数更新和优化，以使它们能够更好地适应特定的任务和数据特征，通过训练模块的训练过程，系统可以不断改进和优化，提高心电曲线图像数据处理和分类的准确性和性能。
更具体地，如图3所示，所述训练模块200，包括：训练数据采集单元210，用于获取训练数据，所述训练数据包括术后患者对象的训练心电曲线图，以及，所述术后患者对象是否存在恶性心律失常的真实值；训练心电曲线图切分单元220，用于对所述训练心电曲线图进行沿时间维度的心电曲线切分以得到训练心电曲线子图的序列；训练心电曲线局部特征提取单元230，用于将所述训练心电曲线子图的序列中的各个训练心电曲线子图通过所述基于卷积神经网络模型的心电曲线图像特征提取器以得到训练心电曲线图形特征向量的序列；训练心电曲线图全局语义关联编码单元240，用于将所述训练心电曲线图形特征向量的序列通过所述基于转换器模块的上下文编码器以得到训练心电曲线图形全局语义特征向量；分类损失单元250，用于将所述训练心电曲线图形全局语义特征向量通过所述分类器以得到分类损失函数值；以及，模型训练单元260，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于卷积神经网络模型的心电曲线图像特征提取器、所述基于转换器模块的上下文编码器和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，对所述训练心电曲线图形全局语义特征向量进行权重空间的细粒度密度预测搜索优化。
特别地，在本公开的技术方案中，将所述训练心电曲线子图的序列中的各个训练心电曲线子图通过基于卷积神经网络模型的心电曲线图像特征提取器以得到训练心电曲线图形特征向量的序列时，每个所述训练心电曲线图形特征向量表达相应的训练心电曲线子图的局部图像语义关联特征，也就是，所述训练心电曲线图形特征向量的每个特征值均具有在图像空间维度下基于所述卷积神经网络模型的二维卷积核的局部空间关联尺度的特征表达超分辨率，而在将所述训练心电曲线图形特征向量的序列通过基于转换器模块的上下文编码器以得到训练心电曲线图形全局语义特征向量时，会进一步进行每个训练心电曲线子图的局部图像语义关联特征的子图间图像语义上下文关联，从而使得所述训练心电曲线图形全局语义特征向量具有多维度上下文的特征值粒度超分辨率表达特性，这会影响其通过分类器进行分类时的训练效率。
因此，本公开的申请人在将所述训练心电曲线图形全局语义特征向量通过分类器进行分类训练时，在每次迭代中，对所述训练心电曲线图形全局语义特征向量，例如记为，进行权重空间的细粒度密度预测搜索优化。
相应地，在一个具体示例中，在所述训练过程的每一轮迭代中，以如下优化公式对所述训练心电曲线图形全局语义特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练心电曲线图形全局语义特征向量；其中，所述优化公式为：
；
其中，和/>分别是上次和本次迭代的权重矩阵，/>是所述训练心电曲线图形全局语义特征向量，/> 分别表示特征向量/>和/>的全局均值，且/>是偏置向量，/>表示按位置点乘，/>表示向量加法，/>表示矩阵乘法，/>表示最小值，/>是所述优化训练心电曲线图形全局语义特征向量。
这里，针对所述训练心电曲线图形全局语义特征向量在多维度上下文下的超分辨率表达特性，所述权重空间的细粒度密度预测搜索优化可以通过所述训练心电曲线图形全局语义特征向量/>的投影的向量空间的前馈序列化映射，在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时，降低权重搜索空间内的所述训练心电曲线图形全局语义特征向量/>的表示的总序列复杂性（overall sequential complexity），从而提升训练效率。这样，能够实现对术后患者的心电活动的自动监测和评估，从而判断术后患者对象是否存在恶性心律失常，并及时报警，以辅助医护人员进行术后护理和决策，通过这样的方式，能够提高护理效率，减少人为误差，并为医护人员提供更准确的诊断和治疗建议。
综上，基于本公开实施例的心内科术后护理监测数据处理系统100被阐明，其可以提高护理效率，减少人为误差，并为医护人员提供更准确的诊断和治疗建议。
如上所述，根据本公开实施例的所述心内科术后护理监测数据处理系统100可以实现在各种终端设备中，例如具有心内科术后护理监测数据处理算法的服务器等。在一个示例中，心内科术后护理监测数据处理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该心内科术后护理监测数据处理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该心内科术后护理监测数据处理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该心内科术后护理监测数据处理系统100与该终端设备也可以是分立的设备，并且该心内科术后护理监测数据处理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4示出根据本公开的实施例的心内科术后护理监测数据处理方法的流程图。图5示出根据本公开的实施例的心内科术后护理监测数据处理方法的系统架构的示意图。如图4和图5所示，根据本公开实施例的心内科术后护理监测数据处理方法，其包括：S110，获取术后患者对象的心电曲线图；S120，对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征；以及，S130，基于所述心电曲线图语义特征，确定所述心电曲线图是否为异常心电曲线图。
在一种可能的实现方式中，对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征，包括：对所述心电曲线图进行沿时间维度的心电曲线切分以得到心电曲线子图的序列；基于深度神经网络模型的心电曲线图像特征提取器对所述心电曲线子图的序列中的各个心电曲线子图进行特征提取以得到心电曲线图形特征向量的序列；以及，对所述心电曲线图形特征向量的序列进行全局语义关联编码以得到心电曲线图形全局语义特征向量作为所述心电曲线图语义特征。
这里，本领域技术人员可以理解，上述心内科术后护理监测数据处理方法中的各个步骤的具体操作已经在上面参考图1到图3的心内科术后护理监测数据处理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图6示出根据本公开的实施例的心内科术后护理监测数据处理系统的应用场景图。如图6所示，在该应用场景中，首先，获取术后患者对象的心电曲线图（例如，图6中所示意的D），然后，将所述心电曲线图输入至部署有心内科术后护理监测数据处理算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述心内科术后护理监测数据处理算法对所述心电曲线图进行处理以得到用于表示术后患者对象是否存在恶性心律失常的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种心内科术后护理监测数据处理系统，其特征在于，包括：
心电曲线图采集模块，用于获取术后患者对象的心电曲线图；
图像语义分析模块，用于对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征；以及
异常波形检测模块，用于基于所述心电曲线图语义特征，确定所述心电曲线图是否为异常心电曲线图。
2.根据权利要求1所述的心内科术后护理监测数据处理系统，其特征在于，所述图像语义分析模块，包括：
心电曲线切分单元，用于对所述心电曲线图进行沿时间维度的心电曲线切分以得到心电曲线子图的序列；
心电曲线局部特征提取单元，用于基于深度神经网络模型的心电曲线图像特征提取器对所述心电曲线子图的序列中的各个心电曲线子图进行特征提取以得到心电曲线图形特征向量的序列；以及
心电曲线图全局语义关联编码单元，用于对所述心电曲线图形特征向量的序列进行全局语义关联编码以得到心电曲线图形全局语义特征向量作为所述心电曲线图语义特征。
3.根据权利要求2所述的心内科术后护理监测数据处理系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的心内科术后护理监测数据处理系统，其特征在于，所述心电曲线图全局语义关联编码单元，用于：
将所述心电曲线图形特征向量的序列通过基于转换器模块的上下文编码器以得到所述心电曲线图形全局语义特征向量。
5.根据权利要求4所述的心内科术后护理监测数据处理系统，其特征在于，所述异常波形检测模块，用于：
将所述心电曲线图形全局语义特征向量通过分类器以得到分类结果，所述分类结果用于表示所述心电曲线图是否为异常心电曲线图。
6.根据权利要求5所述的心内科术后护理监测数据处理系统，其特征在于，还包括用于对基于卷积神经网络模型的心电曲线图像特征提取器、所述基于转换器模块的上下文编码器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的心内科术后护理监测数据处理系统，其特征在于，所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括术后患者对象的训练心电曲线图，以及，所述术后患者对象是否存在恶性心律失常的真实值；
训练心电曲线图切分单元，用于对所述训练心电曲线图进行沿时间维度的心电曲线切分以得到训练心电曲线子图的序列；
训练心电曲线局部特征提取单元，用于将所述训练心电曲线子图的序列中的各个训练心电曲线子图通过所述基于卷积神经网络模型的心电曲线图像特征提取器以得到训练心电曲线图形特征向量的序列；
训练心电曲线图全局语义关联编码单元，用于将所述训练心电曲线图形特征向量的序列通过所述基于转换器模块的上下文编码器以得到训练心电曲线图形全局语义特征向量；
分类损失单元，用于将所述训练心电曲线图形全局语义特征向量通过所述分类器以得到分类损失函数值；以及
模型训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于卷积神经网络模型的心电曲线图像特征提取器、所述基于转换器模块的上下文编码器和所述分类器进行训练，其中，在训练过程的每一轮迭代中，对所述训练心电曲线图形全局语义特征向量进行权重空间的细粒度密度预测搜索优化。
8.根据权利要求7所述的心内科术后护理监测数据处理系统，其特征在于，在所述训练过程的每一轮迭代中，以如下优化公式对所述训练心电曲线图形全局语义特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练心电曲线图形全局语义特征向量；
其中，所述优化公式为：
；
其中，和/>分别是上次和本次迭代的权重矩阵，/>是所述训练心电曲线图形全局语义特征向量，/> 分别表示特征向量/>和/>的全局均值，且/>是偏置向量，/>表示按位置点乘，/>表示向量加法，/>表示矩阵乘法，/>表示最小值，/>是所述优化训练心电曲线图形全局语义特征向量。
9.一种心内科术后护理监测数据处理方法，其特征在于，包括：
获取术后患者对象的心电曲线图；
对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征；以及
基于所述心电曲线图语义特征，确定所述心电曲线图是否为异常心电曲线图。
10.根据权利要求9所述的心内科术后护理监测数据处理方法，其特征在于，对所述心电曲线图进行图像语义分析以得到心电曲线图语义特征，包括：
对所述心电曲线图进行沿时间维度的心电曲线切分以得到心电曲线子图的序列；
基于深度神经网络模型的心电曲线图像特征提取器对所述心电曲线子图的序列中的各个心电曲线子图进行特征提取以得到心电曲线图形特征向量的序列；以及对所述心电曲线图形特征向量的序列进行全局语义关联编码以得到心电曲线图形全局语义特征向量作为所述心电曲线图语义特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133690.3A CN116864140A (zh) | 2023-09-05 | 2023-09-05 | 一种心内科术后护理监测数据处理方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133690.3A CN116864140A (zh) | 2023-09-05 | 2023-09-05 | 一种心内科术后护理监测数据处理方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116864140A true CN116864140A (zh) | 2023-10-10 |
Family
ID=88219444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311133690.3A Pending CN116864140A (zh) | 2023-09-05 | 2023-09-05 | 一种心内科术后护理监测数据处理方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116864140A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710166A (zh) * | 2024-02-06 | 2024-03-15 | 吉林大学 | 用于小儿神经护理的教学指导检测系统及方法 |
| CN117942045A (zh) * | 2024-03-27 | 2024-04-30 | 吉林大学 | 基于人工智能的智能麻醉给药控制系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108836302A (zh) * | 2018-03-19 | 2018-11-20 | 武汉海星通技术股份有限公司 | 基于深度神经网络的心电图智能分析方法及系统 |
| CN112101259A (zh) * | 2020-09-21 | 2020-12-18 | 中国农业大学 | 一种基于堆叠沙漏网络的单只猪体姿态识别系统及方法 |
| CN115281688A (zh) * | 2022-07-05 | 2022-11-04 | 华中科技大学 | 一种基于多模态深度学习的心脏肥大多标签检测系统 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
| CN116012568A (zh) * | 2023-01-04 | 2023-04-25 | 东南大学 | 一种通过拍照心电图获取心电节律信息的系统 |
| CN116152257A (zh) * | 2023-04-22 | 2023-05-23 | 拓普思传感器(太仓)有限公司 | 应用于传感器的检测信息优化方法、服务器及介质 |
| CN116168352A (zh) * | 2023-04-26 | 2023-05-26 | 成都睿瞳科技有限责任公司 | 基于图像处理的电网障碍物识别处理方法及系统 |
| CN116649899A (zh) * | 2023-05-26 | 2023-08-29 | 中北大学 | 一种基于注意力机制特征融合的心电信号分类方法 |
-
2023
- 2023-09-05 CN CN202311133690.3A patent/CN116864140A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108836302A (zh) * | 2018-03-19 | 2018-11-20 | 武汉海星通技术股份有限公司 | 基于深度神经网络的心电图智能分析方法及系统 |
| CN112101259A (zh) * | 2020-09-21 | 2020-12-18 | 中国农业大学 | 一种基于堆叠沙漏网络的单只猪体姿态识别系统及方法 |
| CN115281688A (zh) * | 2022-07-05 | 2022-11-04 | 华中科技大学 | 一种基于多模态深度学习的心脏肥大多标签检测系统 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
| CN116012568A (zh) * | 2023-01-04 | 2023-04-25 | 东南大学 | 一种通过拍照心电图获取心电节律信息的系统 |
| CN116152257A (zh) * | 2023-04-22 | 2023-05-23 | 拓普思传感器(太仓)有限公司 | 应用于传感器的检测信息优化方法、服务器及介质 |
| CN116168352A (zh) * | 2023-04-26 | 2023-05-26 | 成都睿瞳科技有限责任公司 | 基于图像处理的电网障碍物识别处理方法及系统 |
| CN116649899A (zh) * | 2023-05-26 | 2023-08-29 | 中北大学 | 一种基于注意力机制特征融合的心电信号分类方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710166A (zh) * | 2024-02-06 | 2024-03-15 | 吉林大学 | 用于小儿神经护理的教学指导检测系统及方法 |
| CN117942045A (zh) * | 2024-03-27 | 2024-04-30 | 吉林大学 | 基于人工智能的智能麻醉给药控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
| Mansour et al. | Internet of things and synergic deep learning based biomedical tongue color image analysis for disease diagnosis and classification | |
| Patel et al. | EfficientNetB0 for brain stroke classification on computed tomography scan | |
| CN111759304B (zh) | 心电图异常识别方法、装置、计算机设备和存储介质 | |
| Aksakallı et al. | Kidney x-ray images classification using machine learning and deep learning methods | |
| Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
| Hasan et al. | FPGA design and hardware implementation of heart disease diagnosis system based on NVG-RAM classifier | |
| Chourasia et al. | ECG heartbeat classification using CNN | |
| CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
| Nawaz et al. | COVID-ECG-RSNet: COVID-19 classification from ECG images using swish-based improved ResNet model | |
| Ganitidis et al. | Stratification of carotid atheromatous plaque using interpretable deep learning methods on B-mode ultrasound images | |
| Likitha et al. | Heart Disease Detection using Machine Learning Technique | |
| Song et al. | Automatic identification of atrial fibrillation based on the modified Elman neural network with exponential moving average algorithm | |
| CN114224354B (zh) | 心律失常分类方法、装置及可读存储介质 | |
| US20210298625A1 (en) | System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms | |
| CN113143204A (zh) | 心电信号质量评估方法、计算机装置和存储介质 | |
| Li | Detection of premature ventricular contractions using densely connected deep convolutional neural network with spatial pyramid pooling layer | |
| Hasan et al. | Brain tumor detection using feature extraction and ensemble learning with a smart web application | |
| Ouanane et al. | Enhanced cardiovascular disease classification: Optimizing LSTM-based model with ant-lion algorithm for improved accuracy | |
| Balcı | A hybrid attention-based LSTM-XGBoost model for detection of ECG-based atrial fibrillation | |
| Pushparaj et al. | Prediction of Heart Disease Using Hybrid of CNN-LSTM Algorithm | |
| Rajesh et al. | A Silent Cardiac Atrial Fibrillation Detection and Classification using Deep Learning Approach | |
| Joseph et al. | MODCN: Fine-Tuned Deep Convolutional Neural Network with GAN Deployed to Forecast Diabetic Eye Damage in Fundus Retinal Images | |
| Hireš et al. | Brief Overview of Neural Networks for Medical Applications |
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 |