CN117717352A - 非侵入式房颤颤源定位的方法和所用扩散模型的训练方法 - Google Patents
非侵入式房颤颤源定位的方法和所用扩散模型的训练方法 Download PDFInfo
- Publication number
- CN117717352A CN117717352A CN202410175098.8A CN202410175098A CN117717352A CN 117717352 A CN117717352 A CN 117717352A CN 202410175098 A CN202410175098 A CN 202410175098A CN 117717352 A CN117717352 A CN 117717352A
- Authority
- CN
- China
- Prior art keywords
- diffusion model
- training
- data
- atrial fibrillation
- heart
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000009792 diffusion process Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 title claims abstract description 66
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 45
- 230000000747 cardiac effect Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000007831 electrophysiology Effects 0.000 claims abstract description 33
- 238000002001 electrophysiology Methods 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 239000000203 mixture Substances 0.000 claims abstract description 9
- 230000004807 localization Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 20
- 230000000638 stimulation Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000007674 radiofrequency ablation Methods 0.000 abstract description 3
- 238000004393 prognosis Methods 0.000 abstract description 2
- 238000001356 surgical procedure Methods 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了非侵入式房颤颤源定位的方法和所用扩散模型的训练方法，属于生命科学技术领域。训练方法包括：获取训练数据，包括心电图数据和心脏电生理信号；通过对比学习得到心电图数据和心脏电生理信号的映射关系；基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号。通过建立体表心电和心脏内部电活动的关系，无创地反演出患者的心脏电活动，能够在术前估算房颤颤源位置。该方法不仅可以协助临床医生制定手术方案，还可以显著提升射频消融手术的效率和准确度，从而为房颤患者提供更好的预后效果。
Description
技术领域
本发明涉及生命科学技术领域，尤其涉及一种非侵入式房颤颤源定位的方法和所用扩散模型的训练方法。
背景技术
房颤颤源定位技术的关键是心电逆问题。心电逆问题的研究是实现颤源定位理论研究到临床应用的关键。它是指从体表电位出发求解并重现心脏电生理兴奋信息的过程。
目前，临床获得体表电位分布（即心电采集）的手段主要有：常规导联心电图（ECG）及高精度体表电位标测。常规ECG因其导联数的限制，不能反映心脏电活动具体的时-空动力学特征。高精度体表电位标测是继常规12导联心电图后的又一种新的心电采集手段，该技术通过在人体表面放置数至上百导联的电极获得心动周期中各瞬间体表电位空间分布，并以体表电位分布图等形式表达心脏各部分兴奋与复极化恢复过程，辅助对心脏生理机能的诊断。从数学问题求解的角度来说，心电逆问题研究的难点在于解的非唯一性，且具有病态特性，即输入极小的噪声或扰动，其解就会发生剧烈的振荡。目前针对心电逆问题求解主要利用正则化等方法重构心脏电波传导等效源，但其主要缺点是解的不确定性，且一般对噪声（尤其是几何噪声）的鲁棒性不强，泛化能力有限。
发明内容
为了解决现有技术中存在的问题，本发明提供了如下技术方案。
本发明第一方面提供了一种用于非侵入式房颤颤源定位的扩散模型的训练方法，包括：
获取训练数据，所述训练数据包括心电图数据和心脏电生理信号；
通过对比学习得到心电图数据和心脏电生理信号的映射关系；
基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号。
优选地，所述通过对比学习得到心电图数据和心脏电生理信号的映射关系包括：
将心电图数据和心脏电生理信号分别转化为对应的嵌入向量；
对所述嵌入向量进行对比学习，得到心电图数据和心脏电生理信号的映射关系。
优选地，所述训练数据利用虚拟心脏计算模型获得。
优选地，所述基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型包括：
在扩散模型的前向过程中，将输入的心脏电生理信号和心电图数据拼接成为一个输入矩阵，并保持心电图数据作为不变的条件向量，向输入的心脏电生理信号中多次加入高斯噪声，得到心脏电生理信号-高斯噪声的混合分布；
在扩散模型的反向过程中，对以心电图数据为条件向量的心脏电生理信号-高斯噪声的混合分布多次进行去噪处理，得到生成的心脏电生理信号；
利用训练数据中的心脏电生理信号与生成的心脏电生理信号计算损失函数，迭代优化所述扩散模型的参数，得到训练好的扩散模型。
优选地，所述心脏电生理信号-高斯噪声的混合分布，采用虚拟心脏计算模型在标准S1刺激方案或S1S2刺激方案刺激下得到的电生理信号分布。
优选地，所述对以心电图数据为条件向量的心脏电生理信号-高斯噪声的混合分布多次进行去噪处理包括：利用神经网络对心脏电生理信号-高斯噪声的混合分布多次进行去噪处理。
本发明第二方面提供了一种非侵入式房颤颤源定位的方法，包括：
利用训练好的扩散模型的反向过程，输入临床心电图数据，输出对应的心脏电生理信号；
根据输出的心脏电生理信号定位房颤颤源；
所述训练好的扩散模型利用如第一方面所述的训练方法预先训练得到。
本发明第三方面提供了一种用于非侵入式房颤颤源定位的扩散模型的训练装置，包括：
训练数据获取模块，用于获取训练数据，所述训练数据包括心电图数据和心脏电生理信号；
对比学习模块，用于通过对比学习得到心电图数据和心脏电生理信号的映射关系；
扩散模型训练模块，用于基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号。
本发明第四方面提供了一种存储器，存储有多条指令，所述指令用于实现如第一方面所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，以及如第二方面所述的非侵入式房颤颤源定位的方法。
本发明第五方面提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如第一方面所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，以及如第二方面所述的非侵入式房颤颤源定位的方法。
本发明的有益效果是：本发明提供的方案，建立了体表心电和心脏内部电活动的关系，无创地反演出患者的心脏电活动，从而在术前估算房颤颤源位置；该方案在虚拟心脏计算模型以及临床数据中得到了验证，能够准确解决心电逆问题，对房颤颤源进行精准定位。所以，本发明提供的技术是加快虚拟心脏计算模型临床应用的一个重要突破口，不仅可以协助临床医生制定手术方案，还可以显著提升射频消融手术的效率和准确度，从而为房颤患者提供更好的预后效果。
附图说明
图1为本发明所述用于非侵入式房颤颤源定位的扩散模型的训练方法流程示意图；
图2为本发明所述用于非侵入式房颤颤源定位的扩散模型的训练装置的功能结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例一
如图1所示，本发明实施例提供了一种用于非侵入式房颤颤源定位的扩散模型的训练方法，包括：
S101，获取训练数据，所述训练数据包括心电图数据和心脏电生理信号；
S102，通过对比学习得到心电图数据和心脏电生理信号的映射关系；
S103，基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号。
本发明中，不同于现有常规的正则化方法和机器学习方法，通过将扩散模型逐步拟合高斯分布，建立了心电图与心脏电生理的双向映射关系。首先利用基于对比学习的预训练编码过程学习心电图和电生理嵌入在共同嵌入空间中的映射关系。然后利用扩散模型的反向过程，对输入端的任意噪声进行精准映射，从而解决病态问题。另外，扩散模型能够利用混合高斯分布的迭代学习，增强模型的鲁棒性和泛化能力。
其中，在步骤S101中，所述训练数据可以利用虚拟心脏计算模型获得。采用这种方法可以提高数据获取的效率，同时还可以降低成本。
步骤S102，具体可以按照如下步骤实施：
将心电图数据和心脏电生理信号分别转化为对应的嵌入向量；
对所述嵌入向量进行对比学习，得到心电图数据和心脏电生理信号的映射关系。
更具体的，可以使用Transformer架构对文本进行编码，将12导联心电信号转化为高维的嵌入向量。使用卷积神经网络（CNN）来处理心脏电生理信号，并将电生理序列转化为对应的嵌入向量。
通过对比学习（Contrastive Learning）进行预训练，核心思想是学习心电图和心脏电生理信号的嵌入向量在共同嵌入空间中的映射关系。具体而言，可以使用一个对比学习目标函数，使得相关的心电图数据和心脏电生理信号具有相似的嵌入向量，而不相关的心电图数据和心脏电生理信号具有不同的嵌入向量。这可以通过最大化相关数据对的相似性分数和最小化不相关数据对的相似性分数来实现。由于采用的训练数据规模大，因此预训练的模型可以学习到广泛的语义知识。预训练的模型旨在学习一个多模态嵌入空间，使得心电图数据和心脏电生理信号可以在同一个嵌入空间中进行比较。这意味着生成的心电图和心脏电生理信号的嵌入向量可以直接比较，从而实现心电图到心脏电生理信号以及心脏电生理信号到心电图的关联性搜索、分类和生成等任务。
在步骤S103中，扩散模型包括两个过程：前向过程（forward process）和反向过程（reverse process）。二者均为一个参数化的马尔可夫链（Markov chain），其中反向过程可用于生成数据样本。
具体可以按照如下步骤进行实施：
在扩散模型的前向过程中，将输入的心脏电生理信号和心电图数据拼接成为一个输入矩阵，并保持心电图数据作为不变的条件向量，向输入的心脏电生理信号中多次加入高斯噪声，得到心脏电生理信号-高斯噪声的混合分布；
在扩散模型的反向过程中，对以心电图数据为条件向量的心脏电生理信号-高斯噪声的混合分布多次进行去噪处理，得到生成的心脏电生理信号；
利用训练数据中的心脏电生理信号与生成的心脏电生理信号计算损失函数，迭代优化所述扩散模型的参数，得到训练好的扩散模型。
其中，不同于普通的扩散模型，本发明中将虚拟心脏计算模型在标准S1刺激方案或S1S2刺激方案刺激下得到的电生理分布作为最终加噪后的分布。这样可以将心脏电位趋势分布作为先验加入网络。其中，标准S1刺激方案指在固定位置施加固定频率、固定幅度的刺激电流；S1S2刺激方案指在某个位置施加如标准S1刺激方案的刺激后，在S1刺激的波前位置和时间下施加一次S2刺激，该刺激方案在一维组织中用于产生单向传导阻滞，在二维、三维组织中用于激发螺旋波。扩散模型的前向过程为从原始的心脏电生理信号生成混合噪声分布的过程。扩散模型是具有潜变量的潜变量模型。
扩散模型的反向过程是一种数据生成和去噪方法。在反向过程中，目标是从经过高斯噪声处理的数据中还原出原始干净的数据。前向过程中原始数据被逐渐添加噪声，而反向过程则旨在逐渐去除这些噪声。由于在前向过程中，每次噪声的添加都是微小的，这使得可以使用神经网络来拟合这个反向问题。神经网络在这里充当了一个去噪器的角色，尝试还原出原始数据。神经网络可以通过学习如何减少噪声并恢复数据的有效表示来执行这一任务。这个过程通常需要大量的训练数据以确保神经网络能够有效地还原出原始数据。此外，反向过程也可以被视为一个马尔科夫链过程。在这个过程中，每一步都是从当前状态推断下一个状态，目的是逐步减小噪声并逐渐逼近原始数据。这种迭代的方式允许逐渐恢复数据，因为每一步都在考虑前一步的结果。
实施例二
本发明实施例提供了一种非侵入式房颤颤源定位的方法，包括：
利用训练好的扩散模型的反向过程，输入临床心电图数据，输出对应的心脏电生理信号；
根据输出的心脏电生理信号定位房颤颤源；
所述训练好的扩散模型利用如实施例一所述的训练方法预先训练得到。
具体的实施过程中，可以获取临床房颤患者的心电图数据，将该数据输入到实施例一中训练好的扩散模型的反向过程中，输出相应的心脏电生理信号，根据输出结果，推导出颤源发生的位置，从而为房颤射频消融手术提供术前指导和预测。
实施例一中，将心脏电生理信号与心电图的正逆问题通过重参数化的高斯分布和神经网络的参数拟合进行统一和学习，从而做到两种信号的对齐。进而利用训练好的扩散模型的反向过程，将临床心电图数据还原出电生理信号，用无创的方式定位房颤颤源位置，指导房颤消融手术。
实施例三
如图2所示，本发明的另一方面还包括和前述方法流程完全对应一致的功能模块架构，即本发明实施例还提供了一种用于非侵入式房颤颤源定位的扩散模型的训练装置，包括：
训练数据获取模块201，用于获取训练数据，所述训练数据包括心电图数据和心脏电生理信号；
对比学习模块202，用于通过对比学习得到心电图数据和心脏电生理信号的映射关系；
扩散模型训练模块203，用于基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号。
该装置可通过上述实施例一提供的用于非侵入式房颤颤源定位的扩散模型的训练方法实现，具体的实现方法可参见实施例一中的描述，在此不再赘述。
本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，以及如实施例二所述的非侵入式房颤颤源定位的方法。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，以及如实施例二所述的非侵入式房颤颤源定位的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于非侵入式房颤颤源定位的扩散模型的训练方法，其特征在于，包括：
获取训练数据，所述训练数据包括心电图数据和心脏电生理信号；
通过对比学习得到心电图数据和心脏电生理信号的映射关系；
基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号。
2.如权利要求1所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，其特征在于，所述通过对比学习得到心电图数据和心脏电生理信号的映射关系包括：
将心电图数据和心脏电生理信号分别转化为对应的嵌入向量；
对所述嵌入向量进行对比学习，得到心电图数据和心脏电生理信号的映射关系。
3.如权利要求1所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，其特征在于，所述训练数据利用虚拟心脏计算模型获得。
4.如权利要求1所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，其特征在于，所述基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型包括：
在扩散模型的前向过程中，将输入的心脏电生理信号和心电图数据拼接成为一个输入矩阵，并保持心电图数据作为不变的条件向量，向输入的心脏电生理信号中多次加入高斯噪声，得到心脏电生理信号-高斯噪声的混合分布；
在扩散模型的反向过程中，对以心电图数据为条件向量的心脏电生理信号-高斯噪声的混合分布多次进行去噪处理，得到生成的心脏电生理信号；
利用训练数据中的心脏电生理信号与生成的心脏电生理信号计算损失函数，迭代优化所述扩散模型的参数，得到训练好的扩散模型。
5.如权利要求4所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，其特征在于，所述心脏电生理信号-高斯噪声的混合分布，采用虚拟心脏计算模型在标准S1刺激方案或S1S2刺激方案刺激下得到的电生理信号分布。
6.如权利要求4所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，其特征在于，所述对以心电图数据为条件向量的心脏电生理信号-高斯噪声的混合分布多次进行去噪处理包括：利用神经网络对心脏电生理信号-高斯噪声的混合分布多次进行去噪处理。
7.一种非侵入式房颤颤源定位的方法，其特征在于，包括：
利用训练好的扩散模型的反向过程，输入临床心电图数据，输出对应的心脏电生理信号；
根据输出的心脏电生理信号定位房颤颤源；
所述训练好的扩散模型利用如权利要求1-6任一项所述的训练方法预先训练得到。
8.一种用于非侵入式房颤颤源定位的扩散模型的训练装置，其特征在于，包括：
训练数据获取模块，用于获取训练数据，所述训练数据包括心电图数据和心脏电生理信号；
对比学习模块，用于通过对比学习得到心电图数据和心脏电生理信号的映射关系；
扩散模型训练模块，用于基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号。
9.一种存储器，其特征在于，存储有多条指令，所述指令用于实现如权利要求1-6任一项所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，以及如权利要求7所述的非侵入式房颤颤源定位的方法。
10.一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如权利要求1-6任一项所述的用于非侵入式房颤颤源定位的扩散模型的训练方法，以及如权利要求7所述的非侵入式房颤颤源定位的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410175098.8A CN117717352B (zh) | 2024-02-07 | 2024-02-07 | 非侵入式房颤颤源定位的方法和所用扩散模型的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410175098.8A CN117717352B (zh) | 2024-02-07 | 2024-02-07 | 非侵入式房颤颤源定位的方法和所用扩散模型的训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117717352A true CN117717352A (zh) | 2024-03-19 |
| CN117717352B CN117717352B (zh) | 2024-04-26 |
Family
ID=90207334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410175098.8A Active CN117717352B (zh) | 2024-02-07 | 2024-02-07 | 非侵入式房颤颤源定位的方法和所用扩散模型的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117717352B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103202727A (zh) * | 2012-01-12 | 2013-07-17 | 通用电气公司 | 非侵入式心律失常治疗系统 |
| US20130197881A1 (en) * | 2012-01-30 | 2013-08-01 | Siemens Aktiengesellschaft | Method and System for Patient Specific Planning of Cardiac Therapies on Preoperative Clinical Data and Medical Images |
| US20140243695A1 (en) * | 2011-07-11 | 2014-08-28 | Duke University | Method and system for evaluating stability of cardiac propagation reserve |
| US20170330075A1 (en) * | 2016-05-12 | 2017-11-16 | Siemens Healthcare Gmbh | System and method for deep learning based cardiac electrophysiology model personalization |
| CN110403600A (zh) * | 2019-07-26 | 2019-11-05 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及系统 |
| CN113171106A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于vq-vae2和深度神经网络方法的心电异常检测方法 |
-
2024
- 2024-02-07 CN CN202410175098.8A patent/CN117717352B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140243695A1 (en) * | 2011-07-11 | 2014-08-28 | Duke University | Method and system for evaluating stability of cardiac propagation reserve |
| CN103202727A (zh) * | 2012-01-12 | 2013-07-17 | 通用电气公司 | 非侵入式心律失常治疗系统 |
| US20130197881A1 (en) * | 2012-01-30 | 2013-08-01 | Siemens Aktiengesellschaft | Method and System for Patient Specific Planning of Cardiac Therapies on Preoperative Clinical Data and Medical Images |
| US20170330075A1 (en) * | 2016-05-12 | 2017-11-16 | Siemens Healthcare Gmbh | System and method for deep learning based cardiac electrophysiology model personalization |
| CN110403600A (zh) * | 2019-07-26 | 2019-11-05 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及系统 |
| CN113171106A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于vq-vae2和深度神经网络方法的心电异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| HUAYU LI 等: "DeScoD-ECG: Deep Score-Based Diffusion Model for ECG Baseline Wander and Noise Removal", IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, 17 January 2023 (2023-01-17), pages 1 - 11 * |
| 赵伟静: "基于扩散模型的心电信号降噪研究", 中国优秀硕士学位论文全文数据库 医药卫生科技辑, no. 2021, 15 February 2021 (2021-02-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117717352B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kan et al. | Mobile sensing and network analytics for realizing smart automated systems towards health internet of things | |
| CN110226920B (zh) | 心电信号识别方法、装置、计算机设备和存储介质 | |
| JP6583892B2 (ja) | Ｅｃｇ信号の並行解析装置、方法及び移動端末 | |
| EP4042445A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| Chen et al. | Srecg: Ecg signal super-resolution framework for portable/wearable devices in cardiac arrhythmias classification | |
| CN115299956B (zh) | 一种基于确定学习和心电图的心肌缺血检测方法及系统 | |
| CN110432894B (zh) | 心电图关键点标注方法及电子设备 | |
| CN115500841A (zh) | 一种融合时域与频域特征深度学习的室性早搏定位方法 | |
| CN111798944A (zh) | 基于emr/ehr和心电图的心脏异常分析多模式框架 | |
| CN117717352B (zh) | 非侵入式房颤颤源定位的方法和所用扩散模型的训练方法 | |
| US11963800B2 (en) | ECG training and skill enhancement | |
| CN118197592A (zh) | 一种基于数据扩充的多模态心律失常分类辅助诊断系统 | |
| CN112971796A (zh) | 一种心梗预测装置、系统及存储介质 | |
| CN110786847A (zh) | 心电信号的建库方法和分析方法 | |
| CN115177260A (zh) | 基于人工神经网络的智能心电心音诊断方法及装置 | |
| CN111755104B (zh) | 一种心脏状态监测方法、系统、电子设备及存储介质 | |
| CN111612042B (zh) | 左前分支传导阻滞的检测装置、存储介质及终端 | |
| CN113456084A (zh) | 一种基于ResNet-Xgboost模型预测心电波异常类型的方法 | |
| CN113303807B (zh) | 一种心电数据生成方法 | |
| Nizami et al. | Service oriented architecture to support real-time implementation of artifact detection in critical care monitoring | |
| RU2823433C1 (ru) | Способ обработки и анализа данных электрокардиограммы (ЭКГ) | |
| WO2024023927A1 (ja) | 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム | |
| CN112716504B (zh) | 心电数据的处理方法、装置、存储介质和电子设备 | |
| US20240215899A1 (en) | Apparatus and method for classifying heart disease using mobilenet | |
| ROMAISSA | Automated Heartbeat Classification and Cardiovascular Disease Detection Using Deep Learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |