CN116869546A - 一种通过人工智能判读心电信号的方法、心电图机 - Google Patents
一种通过人工智能判读心电信号的方法、心电图机 Download PDFInfo
- Publication number
- CN116869546A CN116869546A CN202311009031.9A CN202311009031A CN116869546A CN 116869546 A CN116869546 A CN 116869546A CN 202311009031 A CN202311009031 A CN 202311009031A CN 116869546 A CN116869546 A CN 116869546A
- Authority
- CN
- China
- Prior art keywords
- network model
- training data
- cnn network
- data set
- electrocardiosignals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000718 qrs complex Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 201000002950 dengue hemorrhagic fever Diseases 0.000 description 26
- 206010052337 Diastolic dysfunction Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及人工智能技术领域，尤其涉及一种通过人工智能判读心电信号的方法，包括：S1、采集用户的心电信号；S2、将所述心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果；其中，采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型；所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种通过人工智能判读心电信号的方法、心电图机。
背景技术
当前，在医学的心电图数据领域中的，并没有智能地自动快速且准确的对某例心电信号分析出该例心电信号是否符合存在指定的特征的方法。
发明内容
鉴于现有技术的上述缺点、不足，本发明提供一种通过人工智能判读心电信号的方法、心电图机，其解决了现有技术中没有智能地自动快速且准确的对某例心电信号分析出该例心电信号是否符合存在舒张功能不全(DHF)的特征的技术问题。
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种通过人工智能判读心电信号的方法，包括：
S1、采集用户的心电信号；
S2、将所述心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果；
其中，采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型；
所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签。
优选地，
所述CNN网络模型依次包括：卷积层、激活层、池化层、全连接层。
优选地，所述方法在S1之前还包括：
S0、采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型。
优选地，所述S0具体包括：
S01、针对预先获取的第一训练数据集，进行预处理，得到预处理后的第一训练数据集；
S02、采用预处理后的第一训练数据集，对所述预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型。
优选地，
其中，所述第一训练数据集中的每组训练数据的心电信号均包括：12导联的心电图数据。
优选地，
所述预处理包括：降噪处理和QRS波群提取处理。
优选地，
所述训练好的CNN网络模型为对预先获取的验证数据集验证后准确率达到75％以上的CNN网络模型；
所述预先获取的验证数据集包括：M组训练数据。
优选地，所述S1具体包括：
按照预先设定频率采集用户的心电信号预先设定时间段。
优选地，
所述预先设定频率为500HZ；
所述预先设定时间段为10s；
所述N为260；
所述M为90。
另一方面，本实施例提供一种心电图机，包括：
心电图电极装置，用于采集患者的心电信号；
分析判读模块，用于将所述心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果；
其中，采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型；
所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签。
本发明的有益效果是：本发明的一种通过人工智能判读心电信号的方法，由于采用训练好的CNN网络模型对采集的用户的心电信号进行处理，而训练好的CNN网络模型是采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练所得到的，所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签，那么因此，训练好的CNN网络模型对采集的用户的心电信号进行处理后得到的判断结果就是该心电信号所对应概率最高的DHF情况标签。相对于现有技术而言，其可以智能地自动快速且准确的对心电信号分析出该例心电信号是否符合存在舒张功能不全的特征，提高分析心电信号的准确性。
附图说明
图1为本发明的一种通过人工智能判读心电信号的方法流程图；
图2为本发明实施例二中的一种通过人工智能判读心电信号的方法流程图；
图3为本发明实施例三中的心电图机结构示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
参见图1，本实施例提供一种通过人工智能判读心电信号的方法，包括：
S1、采集用户的心电信号。
S2、将所述心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果。
其中，采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型。
所述CNN网络模型依次包括：卷积层、激活层、池化层、全连接层。
所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签。
本实施例中的一种通过人工智能判读心电信号的方法，由于采用训练好的CNN网络模型对采集的用户的心电信号进行处理，而训练好的CNN网络模型是采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练所得到的，所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签，那么因此，训练好的CNN网络模型对采集的用户的心电信号进行处理后得到的判断结果就是该心电信号所对应概率最高的DHF情况标签。相对于现有技术而言，其可以智能地自动快速且准确的对心电信号分析出该例心电信号是否符合存在舒张功能不全(DHF)的特征，提高分析心电信号的准确性。
实施例二
参见图2，本实施例提供一种通过人工智能判读心电信号的方法，包括：
110、采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型。
所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签。所述N为260。
在实际应用中，采用某医院心内科住院系统心电数据库中350例心电信号以及每一心电信号分别所对应的DHF情况标签，其中，每一心电信号分别所对应的DHF情况标签是通过该心电信号所对应的真实的DHF情况所设置的。将其中260例心电信号以及每一心电信号分别所对应的DHF情况标签作为第一训练数据集，将剩余的90例心电信号以及每一心电信号分别所对应的DHF情况标签作为验证数据集。
本实施例中的该例心电信号所对应的预先设定的DHF情况标签，是根据其对应的由左心导管参数所确定的DHF情况标签。
本实施例中，所述CNN网络模型依次包括：卷积层、激活层、池化层、全连接层。本实施例中的CNN网络模型是采用python语言，采用Keras架构所构建起来的。
本实施例中，所述110具体包括：
110～1、针对预先获取的第一训练数据集，进行预处理，得到预处理后的第一训练数据集。
其中，所述第一训练数据集中的每组训练数据的心电信号均包括：12导联的心电图数据。
本实施例中，每一例12导联的心电图数据按照“全心导联(I、II、III)、肢体导联(AVR、AVL、AVF)、摄胸导联(V1、V2、V3)、侧壁导联(V4、V5、V6)”的顺序进行排列，形成一个12×5000矩阵，并将所有心电图数据的矩阵存储在一个csv文件中。
本实施例中，12导联的心电图数据是指使用12个电极在不同位置记录的心电信号。每个导联都记录了特定的电信号，通过分析这些导联的数据，可以了解心脏的电活动，包括心率、心律和心脏的各个部位是否正常。每个导联都提供了心脏不同方位的心电信号记录，能够帮助医生进行心电图的解读，判断心脏是否存在异常。
所述预处理包括：降噪处理和QRS波群提取处理。
110～2、采用预处理后的第一训练数据集，对所述预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型。所述训练好的CNN网络模型为对预先获取的验证数据集验证后准确率达到75％以上的CNN网络模型；所述预先获取的验证数据集包括：M组训练数据。所述M为90。
120、采集用户的心电信号；本实施例中，所述步骤120具体包括：按照预先设定频率采集用户的心电信号预先设定时间段。所述预先设定频率为500HZ；所述预先设定时间段为10s。
130、将所述心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果。
本实施例中训练好的CNN网络模型对采集的用户的心电信号进行处理后得到的判断结果就是该心电信号所对应概率最高的DHF情况标签。
本实施例中的一种通过人工智能判读心电信号的方法，由于采用训练好的CNN网络模型对采集的用户的心电信号进行处理，而训练好的CNN网络模型是采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练所得到的，所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签，那么因此，训练好的CNN网络模型对采集的用户的心电信号进行处理后得到的判断结果就是该心电信号所对应概率最高的DHF情况标签。相对于现有技术而言，其可以智能地自动快速且准确的对心电信号分析出该例心电信号是否符合存在舒张功能不全(DHF)的特征，提高分析心电信号的准确性。
实施例三
参见图3，本实施例提供一种心电图机，本实施例中的心电图机能够执行上述实施例一和实施例二中的通过人工智能判读心电信号的方法，心电图机包括：
心电图电极装置，用于采集患者的心电信号。
分析判读模块，用于将所述心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果。
其中，采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型。
所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签。
所述CNN网络模型依次包括：卷积层、激活层、池化层、全连接层。
医务人员可以根据输出与该心电信号对应的判读结果，结合患者症状、体征、超声心电图检查结果等对患者进行综合评估，以提示患者是否存在心脏舒张功能不全的风险，从而制定相应的进一步诊治方案，例如对患者进行进一步检查、药物治疗、手术治疗等。
本实施例中的心电图机自动化地进行DHF风险的判断，使其能够作为医务人员决策的辅助工具，本实施例中的心电图机实现对心电信号的变化进行合理分析，为心电学研究提供了一种新的思路和方法，可以增进人们对心电信号的理解和掌握，为心血管疾病医疗活动提供技术支持。为医疗行业提供了一种更加高效、精准的疾病辅助筛查工具，对于心血管医疗领域技术的发展和水平的提高具有积极的推动作用。
在实际应用中，操作人员可以使用本实施例提供一种心电图机进行如下操作：
A1、操作人员打开本实施例提供的心电图机。
A2、本实施例提供的心电图机中的心电图电极装置，按照500Hz频率采集用户10s心电信号。
A3、本实施例提供的心电图机中的分析判读模块，将采集的心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果，然后输出判断结果。
A4、医务人员根据心电图机的判断结果，结合用户症状、体征、超声心电图检查结果等对用户进行综合评估，以提示用户是否存在心脏舒张功能不全的风险，从而制定相应的进一步诊治方案，例如对用户进行进一步检查、药物治疗、手术治疗等。
本实施例中的一种心电图机，由于采用训练好的CNN网络模型对采集的用户的心电信号进行处理，而训练好的CNN网络模型是采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练所得到的，所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签，那么因此，训练好的CNN网络模型对采集的用户的心电信号进行处理后得到的判断结果就是该心电信号所对应概率最高的DHF情况标签。相对于现有技术而言，其可以智能地自动快速且准确的对心电信号分析出该例心电信号是否符合存在舒张功能不全(DHF)的特征，提高分析心电信号的准确性。
在本发明的描述中，需要理解的是，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该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”，可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”，可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”，可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。
Claims (10)
1.一种通过人工智能判读心电信号的方法，其特征在于，包括：
S1、采集用户的心电信号；
S2、将所述心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果；
其中，采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型；
所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签。
2.根据权利要求1所述的通过人工智能判读心电信号的方法，其特征在于，
所述CNN网络模型依次包括：卷积层、激活层、池化层、全连接层。
3.根据权利要求2所述的通过人工智能判读心电信号的方法，其特征在于，所述方法在S1之前还包括：
S0、采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型。
4.根据权利要求3所述的通过人工智能判读心电信号的方法，其特征在于，所述S0具体包括：
S01、针对预先获取的第一训练数据集，进行预处理，得到预处理后的第一训练数据集；
S02、采用预处理后的第一训练数据集，对所述预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型。
5.根据权利要求4所述的通过人工智能判读心电信号的方法，其特征在于，
其中，所述第一训练数据集中的每组训练数据的心电信号均包括：12导联的心电图数据。
6.根据权利要求5所述的通过人工智能判读心电信号的方法，其特征在于，
所述预处理包括：降噪处理和QRS波群提取处理。
7.根据权利要求6所述的通过人工智能判读心电信号的方法，其特征在于，
所述训练好的CNN网络模型为对预先获取的验证数据集验证后准确率达到75％以上的CNN网络模型；
所述预先获取的验证数据集包括：M组训练数据。
8.根据权利要求7所述的通过人工智能判读心电信号的方法，其特征在于，所述S1具体包括：
按照预先设定频率采集用户的心电信号预先设定时间段。
9.根据权利要求8所述的通过人工智能判读心电信号的方法，其特征在于，
所述预先设定频率为500HZ；
所述预先设定时间段为10s。
10.一种心电图机，其特征在于，包括：
心电图电极装置，用于采集患者的心电信号；
分析判读模块，用于将所述心电信号输入至训练好的CNN网络模型中，该训练好的CNN网络模型输出与该心电信号对应的判读结果；
其中，采用预先获取的第一训练数据集对预先建立的CNN网络模型进行训练，得到训练好的CNN网络模型；
所述第一训练数据集包括N组训练数据，其中，每组训练数据均包括一例预先获取的心电信号以及与该例心电信号所对应的预先设定的DHF情况标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311009031.9A CN116869546A (zh) | 2023-08-11 | 2023-08-11 | 一种通过人工智能判读心电信号的方法、心电图机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311009031.9A CN116869546A (zh) | 2023-08-11 | 2023-08-11 | 一种通过人工智能判读心电信号的方法、心电图机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116869546A true CN116869546A (zh) | 2023-10-13 |
Family
ID=88268237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311009031.9A Pending CN116869546A (zh) | 2023-08-11 | 2023-08-11 | 一种通过人工智能判读心电信号的方法、心电图机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116869546A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109805924A (zh) * | 2019-02-15 | 2019-05-28 | 济南大学 | 基于cnn的心电信号处理方法及心律不齐检测系统 |
| CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
| US20200093386A1 (en) * | 2018-09-21 | 2020-03-26 | Imec Vzw | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
| CN111310572A (zh) * | 2020-01-17 | 2020-06-19 | 上海优加利健康管理有限公司 | 利用心搏时间序列生成心搏标签序列的处理方法和装置 |
| CN113080991A (zh) * | 2021-03-30 | 2021-07-09 | 太原理工大学 | 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质 |
| WO2022193312A1 (zh) * | 2021-03-19 | 2022-09-22 | 京东方科技集团股份有限公司 | 基于多导联的心电信号识别方法和心电信号识别装置 |
| KR20230001096A (ko) * | 2021-06-28 | 2023-01-04 | 금오공과대학교 산학협력단 | 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법 |
| US20230100365A1 (en) * | 2021-09-29 | 2023-03-30 | Technion Research And Development Foundation Ltd. | Automatic classification of healthy and disease conditions from images or digital standard 12-lead ECGs |
-
2023
- 2023-08-11 CN CN202311009031.9A patent/CN116869546A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200093386A1 (en) * | 2018-09-21 | 2020-03-26 | Imec Vzw | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
| CN109805924A (zh) * | 2019-02-15 | 2019-05-28 | 济南大学 | 基于cnn的心电信号处理方法及心律不齐检测系统 |
| CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
| CN111310572A (zh) * | 2020-01-17 | 2020-06-19 | 上海优加利健康管理有限公司 | 利用心搏时间序列生成心搏标签序列的处理方法和装置 |
| WO2022193312A1 (zh) * | 2021-03-19 | 2022-09-22 | 京东方科技集团股份有限公司 | 基于多导联的心电信号识别方法和心电信号识别装置 |
| CN113080991A (zh) * | 2021-03-30 | 2021-07-09 | 太原理工大学 | 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质 |
| KR20230001096A (ko) * | 2021-06-28 | 2023-01-04 | 금오공과대학교 산학협력단 | 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법 |
| US20230100365A1 (en) * | 2021-09-29 | 2023-03-30 | Technion Research And Development Foundation Ltd. | Automatic classification of healthy and disease conditions from images or digital standard 12-lead ECGs |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5468724B2 (ja) | 心臓医療及び患者監視データ解析のための多層式システム | |
| JP4141000B2 (ja) | 急性心筋梗塞を検出するための方法と装置および判断マトリックスの作成のための方法 | |
| JP4159285B2 (ja) | 心血管リスクの術中評価方法及び装置 | |
| JP4386235B2 (ja) | 心電図の順次比較のための方法及び装置 | |
| JPH05344957A (ja) | 急性イシェミー損傷を評価するための非侵入多重心電装置及び方法 | |
| CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
| CN112237431A (zh) | 一种基于深度学习的心电参数计算方法 | |
| RU2598049C2 (ru) | Автоматизированная идентификация местоположения окклюзии в инфаркт-зависимой коронарной артерии | |
| EP4005471A1 (en) | Providing a live-lead view | |
| CN115916056A (zh) | 基于生成式对抗神经网络算法的心电图生成装置及其方法 | |
| CN112137612A (zh) | 心电心音同步采集装置及方法 | |
| CN107530020A (zh) | 用于基于ecg的心脏缺血检测的方法与系统 | |
| JP2012517885A (ja) | Ｅｃｇデータの自動虚血分析 | |
| CN109394206B (zh) | 基于穿戴式心电信号中早搏信号的实时监测方法及其装置 | |
| CN113288156B (zh) | 一种任意导联视角的心电数据的生成方法 | |
| CN116869546A (zh) | 一种通过人工智能判读心电信号的方法、心电图机 | |
| Rocha et al. | Wearable computing for patients with coronary diseases: Gathering efforts by comparing methods | |
| CN112603328A (zh) | 一种基于深度学习的心电图波段标注系统 | |
| CN112022140A (zh) | 一种心电图的诊断结论自动诊断方法及系统 | |
| CN213758278U (zh) | 心电心音同步采集装置 | |
| CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及系统 | |
| Agrawal et al. | Morphological Event Based Signal Quality Assessment of Electrocardiogram | |
| US20210298626A1 (en) | Method and system for processing ecg data | |
| Agrawal et al. | Understanding the Impacts of ECG Signal Processing Techniques on Recognition of Cardiovascular Diseases | |
| Lodhi et al. | Detection of Myocardial Infarction in ECG Base Leads using Deep Convolutional Neural Networks |
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 |