CN117158985A - 一种十年内心源性猝死风险的预测方法、系统及设备 - Google Patents
一种十年内心源性猝死风险的预测方法、系统及设备 Download PDFInfo
- Publication number
- CN117158985A CN117158985A CN202311070137.XA CN202311070137A CN117158985A CN 117158985 A CN117158985 A CN 117158985A CN 202311070137 A CN202311070137 A CN 202311070137A CN 117158985 A CN117158985 A CN 117158985A
- Authority
- CN
- China
- Prior art keywords
- risk
- sudden cardiac
- cardiac death
- prediction
- hours
- 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
- 206010049418 Sudden Cardiac Death Diseases 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013058 risk prediction model Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 26
- 238000012502 risk assessment Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013475 authorization Methods 0.000 claims description 13
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 4
- 235000012000 cholesterol Nutrition 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 108010023302 HDL Cholesterol Proteins 0.000 claims description 3
- 208000001953 Hypotension Diseases 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 208000021822 hypotensive Diseases 0.000 claims description 3
- 230000001077 hypotensive effect Effects 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 206010042434 Sudden death Diseases 0.000 abstract description 2
- 238000013210 evaluation model Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002586 coronary angiography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000024248 Vascular System injury Diseases 0.000 description 1
- 208000012339 Vascular injury Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 235000004251 balanced diet Nutrition 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及疾病风险预测技术领域,具体涉及一种十年内心源性猝死风险的预测方法、系统及设备,方法包括:获取个体样本的48小时的心电数据及基于China‑PAR风险评估模型的风险分级评估结果;将心电数据进行拆分及组合处理得到预设多维度的波形图;构建卷积神经网络模型,将波形图作为输入并将其对应的风险分级评估结果作为输出训练模型得到心源性猝死风险预测模型;获取受试者的48小时的心电数据并进行处理的波形图输入预测模型中,输出的结果作为十年内心源性猝死风险的预测等级结果。本发明能一般人群及医生创建一种非线性、高精度、可迭代的心源性猝死风险的深度学习模型,提高心源性猝死的检出率,减低复发率和死亡率。
Description
技术领域
本发明涉及疾病风险预测技术领域,具体涉及一种十年内心源性猝死风险的预测方法、系统及设备。
背景技术
心源性猝死是导致死亡的主要原因之一。心源性猝死事件在特定职业和岗位的发生比例近年来显著增加,且发病人群趋向年轻化。在许多情况下,心源性猝死(SCD)可能是潜在心脏病的首发表现,因为几乎一半的心源性猝死患者以前没有诊断出心脏病。为什么会发生心源性猝死或如何判断个体处于危险之中,是本发明研究的方向。有些人群可能心源性猝死的风险很低;有些高风险患者没有得到及时响应需要的治疗,以至于他们在生命的黄金时期死亡。
目前的源性猝死风险预测方法应用了传统的统计工具,假设危险因素与心血管患病率存在线性关系。虽然有指导意义,但是这些假设模型中的变量以线性和加法方式相互作用。在现实中,危险因素和“疾病检出特异性”之间的相互作用非线性的,并且由于变量的存在或缺失,会决定其他的变量是否纳入预测结果中,直接影响其他变量是否增加意义和失去意义,导致预测结果不准确
发明内容
有鉴于此,本发明提供了一种十年内心源性猝死风险的预测方法、系统、及设备,以解决现有技术中的对源性猝死风险的预测结果准确低的问题。
第一方面,本发明提供了一种十年内心源性猝死风险的预测方法,包括:
获取预设数量个体样本的48小时的心电数据及基于China-PAR风险评估模型所需的数据,并基于China-PAR风险评估模型收集的数据生成基于China-PAR量表的风险分级评估结果,按预设比例分为训练集及测试集;
将所述心电数据进行不同维度的拆分及组合处理,得到预设多维度的波形图;
构建卷积神经网络模型,将训练集的预设多维度的波形图作为输入,将其对应的基于China-PAR量表的风险分级评估结果作为输出,训练所述卷积神经网络模型,并用测试集进行验证得到符合预设要求的心源性猝死风险预测模型;
获取受试者的48小时的心电数据,并对其进行不同维度的拆分及组合处理,得到预设多维度的波形图输入所述心源性猝死风险预测模型中,输出的结果作为十年内心源性猝死风险的预测等级结果。
本实施例提供的十年内心源性猝死风险的预测方法能一般人群及医生创建一种非线性、高精度、可迭代的心源性猝死风险的深度学习模型,以低成本、非侵入性且立即预测心脏猝死风险,提高心源性猝死的检出率,减低复发率和死亡率。
在一种可选的实施方式中,所述心电数据为三导联心电数据。
本发明实施例使用三导联心电数据既可以采用便携式、高精准度的心电采集记录设备进行采集,也能够较为全面的获取受试者心电数据,对后续的处理数据量也不造成负担。
在一种可选的实施方式中,将所述心电数据进行不同维度的拆分及组合处理,得到预设多维度的波形图,包括:
将所述三导联心电数据48小时的心电数据分为两个24小时,将24小时分为24个一小时,将一小时分为6个10分钟;
对10个1分钟的第一个一分钟生成一张三导联波形图,再将一小时中6个第一个一分钟的三导联波形图连在一起,生成一张连图,最后将24小时中每个小时生成的连图叠放在一起,形成一个三维张量;
重复以上操作,对6个10分钟中的第二分钟生成三维张量,直至24小时中的10个三维张量生成完成,则每个个体48小时的心电数据形成20个三维张量。
本发明实施例将三导联心电数据拆分为不同的细分维度并进行叠加组合,可以从不同的维度让神经网络学习到不同时间点的心电数据对风险等级造成的影响。
在一种可选的实施方式中,所述基于China-PAR风险评估模型收集的数据,包括:每位受试者的别、年龄、现居住地、地域、腰围、总胆固醇、高密度脂蛋白胆固醇、当前血压水平、是否服用降压药、是否患有糖尿病、现在是否吸烟、是否有心血管病家族史。
本发明实施例通过全面的获取受试者的生理及检查历史数据等,可以更加准确的获取China-PAR风险评估模型的风险等级评估结果。
在一种可选的实施方式中,在获取受试者的48小时的心电数据之前,还包括:获取受试者的知情授权同意书。
本发明实施例通过在获取数据获取知情同意书授权知情书等,来征得受试者的授权,使用户的权益得到保护。
第二方面,本发明提供了一种十年内心源性猝死风险的预测系统,所述系统包括:样本数据获取模块,用于获取预设数量个体样本的48小时的心电数据及基于China-PAR风险评估模型所需的数据,并基于China-PAR风险评估模型收集的数据生成基于China-PAR量表的风险分级评估结果,按预设比例分为训练集及测试集;
心电图数据处理模块,用于将所述心电数据进行不同维度的拆分及组合处理,得到预设多维度的波形图;
心源性猝死风险预测模型获取模块,用于构建卷积神经网络模型,将训练集的预设多维度的波形图作为输入,将其对应的基于China-PAR量表的风险分级评估结果作为输出,训练所述卷积神经网络模型,并用测试集进行验证得到符合预设要求的心源性猝死风险预测模型;
十年内心源性猝死风险的预测模块,用于获取受试者的48小时的心电数据,并对其进行不同维度的拆分及组合处理,得到预设多维度的波形图输入所述心源性猝死风险预测模型中,输出的结果作为十年内心源性猝死风险的预测等级结果。
本实施例提供的十年内心源性猝死风险的预测系统,能一般人群及医生创建一种非线性、高精度、可迭代的心源性猝死风险的深度学习模型,以低成本、非侵入性且立即预测心脏猝死风险,提高心源性猝死的检出率,减低复发率和死亡率。
在一种可选的实施方式中,所述系统还包括:用户授权模块,用于获取受试者的知情授权同意书。
本发明实施例通过在获取数据获取知情同意书授权知情书等,来征得受试者的授权,使用户的权益得到保护。
在一种可选的实施方式中,预测等级展示模块,用于展示受试者十年内心源性猝死风险的预测等级结果;
风险等级说明及建议模块,用于对展示模型的展示预测等级结果进行解释说明及提供对应的生活及医疗建议。
本发明实施例通过直观的展示受试者的受试者十年内心源性猝死风险的预测等级结果并给出相应的建议,可以帮助其日常生活中准确监测和更早期预警。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的十年内心源性猝死风险的预测方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的十年内心源性猝死风险的预测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例的十年内心源性猝死风险的预测方法的流程示意图;
图2是本发明实施例提供的将一小时中6个第一个一分钟的三导联波形图连在一起生成一张连图的示意图;
图3是本发明实施例提供的将拆分重组后的三维张量输到构建卷积神经网络模型中,得到预测等级结果的示意图;
图4是根据本发明实施例的十年内心源性猝死风险的预测系统一实施例的结构框图;
图5是根据本发明实施例的十年内心源性猝死风险的预测系统的另一实施例的结构框图;
图6是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
根据本发明实施例,提供了一种十年内心源性猝死风险的预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种十年内心源性猝死风险的预测方法,可用于计算机设备终端,图1是根据本发明实施例的十年内心源性猝死风险的预测方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取预设数量个体样本的48小时的心电数据及基于China-PAR风险评估模型所需的数据,并基于China-PAR风险评估模型收集的数据生成基于China-PAR量表的风险分级评估结果,按预设比例分为训练集及测试集。
本发明实施例中基于China-PAR风险评估模型收集的数据,包括:每位受试者的别、年龄、现居住地、地域、腰围、总胆固醇、高密度脂蛋白胆固醇、当前血压水平、是否服用降压药、是否患有糖尿病、现在是否吸烟、是否有心血管病家族史。
在一具体实施例中,获取年龄跨度为23至60岁的某单位约6000职工的基于China-PAR风险评估模型收集的数据并计算评估结果,基于China-PAR风险评估模型一般是评估受试者十年内的风险等级;通过48小时三导联动态心电图可穿戴设备收集全天的心电图生理电信号(包括运动期、睡眠期)。其中量表评估结果分低危、中危、高危三个等级,三个等级各取200人,共600人;将600人分为训练集(540人,各等级180人)和测试集(60人,各等级20人)。
步骤S102,将所述心电数据进行不同维度的拆分及组合处理,得到预设多维度的波形图。其具体过程为:
A1,将三导联心电数据48小时的心电数据分为两个24小时,将24小时分为24个一小时,将一小时分为6个10分钟;
A2,对10个1分钟的第一个一分钟生成一张三导联波形图,再将一小时中6个第一个一分钟的三导联波形图连在一起,生成一张连图(如图2所示的连图),最后将24小时中每个小时生成的连图叠放在一起,形成一个三维张量;
A3,重复以上操作,对6个10分钟中的第二分钟生成三维张量,直至24小时中的10个三维张量生成完成,则每个个体48小时的心电数据形成20个三维张量。
本发明实施例使用三导联心电数据既可以采用便携式、高精准度的心电采集记录设备进行采集,也能够较为全面的获取受试者心电数据,对后续的处理数据量也不造成负担。将三导联心电数据拆分为不同的细分维度并进行叠加组合,可以从不同的维度让神经网络学习到不同时间点的心电数据对风险等级造成的影响。
步骤S103,构建卷积神经网络模型,将训练集的预设多维度的波形图作为输入,将其对应的基于China-PAR量表的风险分级评估结果作为输出,训练所述卷积神经网络模型,并用测试集进行验证得到符合预设要求的心源性猝死风险预测模型。
卷积神经网络可以自动从大规模数据中学习特征,并把结果向同类型的未知数据泛化,其优点是输入是图像时表现的更为明显,是图像可以直接作为网络输入,避免了传统识别算法复杂的特征提取过程,在二维图像处理过程汇总具有很大优势。如图3所示,本发明实施例将拆分重组后的三维张量输到构建卷积神经网络模型中,学习到受试者生存机会占比、以及对应的发病因素、诱因、心源性猝死发生发展中的心电信号,进而得到预测等级结果,用于检测在医院外日常生活中发生的心脏骤停的风险。在一具体实施例中,在测试集上得到96%准确性则得到符合要求的心源性猝死风险预测模型。
步骤S104,获取受试者的48小时的心电数据,并对其进行不同维度的拆分及组合处理,得到预设多维度的波形图输入所述心源性猝死风险预测模型中,输出的结果作为十年内心源性猝死风险的预测等级结果。
在实际应用中,可以通过扫描动态便携式的心电设备上标注的唯一编码,形成受试者与心电设备的账户关联,并开启动态心电图的数据存储。
本发明实施例提供的十年内心源性猝死风险的预测方法,一般人群及医生创建一种非线性、高精度、可迭代的心源性猝死风险的深度学习模型,以低成本、非侵入性且立即预测心脏猝死风险(冠状动脉造影是目前诊断心血管疾病最准确的方法之一,但是,冠状动脉造影是一个繁琐又耗时的过程,且需要侵入性操作和使用造影剂,可能会引起一定的并发症,如出血、血管损伤、心律失常等),产生的预测结果,由医生验证,并与临床理解相匹配,从而医生减少诊断时间,节省不别要的检测时间,提高心源性猝死的检出率,减低复发率和死亡率。
在本实施例中还提供了一种十年内心源性猝死风险的预测系统,该系统用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种十年内心源性猝死风险的预测系统,如图4所示,包括:
样本数据获取模块401,用于获取预设数量个体样本的48小时的心电数据及基于China-PAR风险评估模型所需的数据,并基于China-PAR风险评估模型收集的数据生成基于China-PAR量表的风险分级评估结果,按预设比例分为训练集及测试集;
心电图数据处理模块402,用于将所述心电数据进行不同维度的拆分及组合处理,得到预设多维度的波形图;
心源性猝死风险预测模型获取模块403,用于构建卷积神经网络模型,将训练集的预设多维度的波形图作为输入,将其对应的基于China-PAR量表的风险分级评估结果作为输出,训练所述卷积神经网络模型,并用测试集进行验证得到符合预设要求的心源性猝死风险预测模型;
十年内心源性猝死风险的预测模块404,用于获取受试者的48小时的心电数据,并对其进行不同维度的拆分及组合处理,得到预设多维度的波形图输入所述心源性猝死风险预测模型中,输出的结果作为十年内心源性猝死风险的预测等级结果。
在本实施例中,图5所示,上述的预测系统还包括:
用户授权模块405,用于获取受试者的知情授权同意书;本发明实施例通过在获取数据获取知情同意书授权知情书等,来征得受试者的授权,使用户的权益得到保护。
预测等级展示模块406,用于展示受试者十年内心源性猝死风险的预测等级结果;预测等级展示模块可以通过视觉生成图像生产健康指标3D可视化的形式展示,通过数据统计可以数据矩阵中发现一个人自己的风险分层及一个人在一群人中的风险分层,例如受试者为女性可以展示和受试者年龄相仿的女性的风险等级一集相同职业的女性的风险等级。
风险等级说明及建议模块407,用于对展示模型的展示预测等级结果进行解释说明及提供对应的生活及医疗建议。具体地,例如,如果是低危险等级,可以建议保持健康的生活方式,保持均衡的饮食,增加五谷杂粮及蔬菜催过的输入等饮食建议,并建议适当进行有益于预防心血管即便发生的运动,减少久坐睡眠保持6-8h,定期监测心率血压胆固醇等指标。
本发明实施例提供的预测系统,可与医疗级移动心电监护仪、医院病历系统、体检系统、企业健康安全环保系统相兼容和轻便扩展,从本系统上从签订知情授权同意书到执行心电图,到出心源性猝死结果都在48小时内完成,预测过程仅仅需要几秒钟,产生的预测结果,由医生验证,并与临床理解相匹配,可以减少诊断时间,节省不别要的检测时间。
本实施例中的十年内心源性猝死风险的预测系统是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种计算机设备,具有上述图4或图5所示的十年内心源性猝死风险的预测系统。
请参阅图6,图6是本发明可选实施例提供的一种计算机设备的结构示意图,如图6所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出系统(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以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、至少一个功能所需要的应用程序;存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种十年内心源性猝死风险的预测方法,其特征在于,所述方法包括:
获取预设数量个体样本的48小时的心电数据及基于China-PAR风险评估模型所需的数据,并基于China-PAR风险评估模型收集的数据生成基于China-PAR量表的风险分级评估结果,按预设比例分为训练集及测试集;
将所述心电数据进行不同维度的拆分及组合处理,得到预设多维度的波形图;
构建卷积神经网络模型,将训练集的预设多维度的波形图作为输入,将其对应的基于China-PAR量表的风险分级评估结果作为输出,训练所述卷积神经网络模型,并用测试集进行验证得到符合预设要求的心源性猝死风险预测模型;
获取受试者的48小时的心电数据,并对其进行不同维度的拆分及组合处理,得到预设多维度的波形图输入所述心源性猝死风险预测模型中,输出的结果作为十年内心源性猝死风险的预测等级结果。
2.根据权利要求1所述的方法,其特征在于,所述心电数据为三导联心电数据。
3.根据权利要求2所述的方法,其特征在于,将所述心电数据进行不同维度的拆分及组合处理,得到预设多维度的波形图,包括:
将所述三导联心电数据48小时的心电数据分为两个24小时,将24小时分为24个一小时,将一小时分为6个10分钟;
对10个1分钟的第一个一分钟生成一张三导联波形图,再将一小时中6个第一个一分钟的三导联波形图连在一起,生成一张连图,最后将24小时中每个小时生成的连图叠放在一起,形成一个三维张量;
重复以上操作,对6个10分钟中的第二分钟生成三维张量,直至24小时中的10个三维张量生成完成,则每个个体48小时的心电数据形成20个三维张量。
4.根据权利要求1所述的方法,其特征在于,所述基于China-PAR风险评估模型收集的数据,包括:每位受试者的别、年龄、现居住地、地域、腰围、总胆固醇、高密度脂蛋白胆固醇、当前血压水平、是否服用降压药、是否患有糖尿病、现在是否吸烟、是否有心血管病家族史。
5.根据权利要求1所述的方法,其特征在于,在获取受试者的48小时的心电数据之前,还包括:获取受试者的知情授权同意书。
6.一种十年内心源性猝死风险的预测系统,其特征在于,包括:
样本数据获取模块,用于获取预设数量个体样本的48小时的心电数据及基于China-PAR风险评估模型所需的数据,并基于China-PAR风险评估模型收集的数据生成基于China-PAR量表的风险分级评估结果,按预设比例分为训练集及测试集;
心电图数据处理模块,用于将所述心电数据进行不同维度的拆分及组合处理,得到预设多维度的波形图;
心源性猝死风险预测模型获取模块,用于构建卷积神经网络模型,将训练集的预设多维度的波形图作为输入,将其对应的基于China-PAR量表的风险分级评估结果作为输出,训练所述卷积神经网络模型,并用测试集进行验证得到符合预设要求的心源性猝死风险预测模型;
十年内心源性猝死风险的预测模块,用于获取受试者的48小时的心电数据,并对其进行不同维度的拆分及组合处理,得到预设多维度的波形图输入所述心源性猝死风险预测模型中,输出的结果作为十年内心源性猝死风险的预测等级结果。
7.根据权利要求6所述的系统,其特征在于,还包括:
用户授权模块,用于获取受试者的知情授权同意书。
8.根据权利要求7所述的系统,其特征在于,还包括:
预测等级展示模块,用于展示受试者十年内心源性猝死风险的预测等级结果;
风险等级说明及建议模块,用于对展示模型的展示预测等级结果进行解释说明及提供对应的生活及医疗建议。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至5中任一项所述的十年内心源性猝死风险的预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至5中任一项所述的十年内心源性猝死风险的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070137.XA CN117158985A (zh) | 2023-08-23 | 2023-08-23 | 一种十年内心源性猝死风险的预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070137.XA CN117158985A (zh) | 2023-08-23 | 2023-08-23 | 一种十年内心源性猝死风险的预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117158985A true CN117158985A (zh) | 2023-12-05 |
Family
ID=88934940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311070137.XA Pending CN117158985A (zh) | 2023-08-23 | 2023-08-23 | 一种十年内心源性猝死风险的预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117158985A (zh) |
-
2023
- 2023-08-23 CN CN202311070137.XA patent/CN117158985A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292821B (zh) | 一种医学诊疗系统 | |
US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
US20200178825A1 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
EP3383271B1 (en) | System for screening delirium patients for the presence of encephalopathy | |
US11139048B2 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
US8202095B2 (en) | Cognitive function index | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
RU2657384C2 (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
Desai et al. | Application of ensemble classifiers in accurate diagnosis of myocardial ischemia conditions | |
US20160135704A1 (en) | Matrix-Based Patient Signal Analysis | |
US20210100468A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
CN117425431A (zh) | 心电图解析辅助装置、程序、心电图解析辅助方法、以及心电图解析辅助系统 | |
Liao et al. | Recognizing diseases with multivariate physiological signals by a DeepCNN-LSTM network | |
Gupta et al. | Pre-processing based ECG signal analysis using emerging tools | |
CN117158985A (zh) | 一种十年内心源性猝死风险的预测方法、系统及设备 | |
Prajapati et al. | Construction and analysis of brain networks from different neuroimaging techniques | |
TW202143915A (zh) | 心電圖分析 | |
CN113782128A (zh) | 一种缺失数据拟合方法、装置及计算机设备 | |
CN113208609A (zh) | 心电信息管理系统 | |
Raymond | Analyzing electrodermal activity data with an unsupervised machine learning approach | |
Wadhwani et al. | IOT based biomedical wireless sensor networks and machine learning algorithms for detection of diseased conditions | |
Azimova et al. | The first steps in artificial intelligence development in medicine in Uzbekistan | |
US20240185453A1 (en) | Pose-based identification of weakness |
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 |