CN117813053A - 以深度学习为基础的心电图数据的噪声去除系统 - Google Patents
以深度学习为基础的心电图数据的噪声去除系统 Download PDFInfo
- Publication number
- CN117813053A CN117813053A CN202280056118.9A CN202280056118A CN117813053A CN 117813053 A CN117813053 A CN 117813053A CN 202280056118 A CN202280056118 A CN 202280056118A CN 117813053 A CN117813053 A CN 117813053A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- data
- noise
- deep learning
- pattern
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000002565 electrocardiography Methods 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 24
- 201000010099 disease Diseases 0.000 abstract description 23
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 description 8
- 208000014674 injury Diseases 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 238000002255 vaccination Methods 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 1
- 208000031404 Chromosome Aberrations Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000021908 Myocardial disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000001595 mastoid Anatomy 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 210000002229 urogenital system Anatomy 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/30—Input circuits therefor
- A61B5/307—Input circuits therefor specially adapted for particular uses
- A61B5/308—Input circuits therefor specially adapted for particular uses for 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]
- A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- 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
- G16H50/70—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明揭示以深度学习为基础的心电图数据的噪声去除系统，包括：心电图测量单元(110)，从受检者的身体测量各导联的心电图数据；以及基于样式的心电图生成单元(120)，以复数个心电图数据为基础，通过预先学习噪声少的各导联的心电图数据及各导联的心电图数据的固有样式的用于培训的数据集后建立的用于生成心电图的深度学习算法(121)，反映受检者的特性及测量方式的特性，从心电图测量单元(110)所测量的心电图数据提取固有样式，通过所提取的固有样式转换成不包含噪声的特定导联样式的心电图数据而予以生成，该系统生成去除了噪声的心电图数据而能够提高疾病诊断预测的正确度。
Description
技术领域
本发明揭示一种以深度学习为基础的心电图数据的噪声去除系统，从所测量的心电图数据保持心脏固有的电信号，反映受检者的特性及测量方式的特性而能有效地去除外部电信号所致噪声。
背景技术
众所周知，自从开发了心电图之后，心电图相关知识以几何级数增加，能从心电图检查中获得关于心脏电功能的信息并且能进一步诊断出诸如心律失常、冠状动脉疾病、心肌疾病之类的各种心脏疾病。
近来，人们积极研究心电图的AI算法，通过AI算法检测出心衰或者在心律失常心跳中预测心房颤动或者确定性别。
如前所述，克服人类界限，能凭借AI算法检测出心电图波形的微妙变化，还能提升心电图的解析。
例如，医疗领域所使用的心电图是12导联心电图，连接3个四肢电极、6个胸前电极及1个接地电极等10个电极后测量，能远距传输所测量的心电图数据。
另一方面，心电图作为在体表面测量了心脏的电信号后输出的数据，在测量时会混入很多噪声，有时候，位于胸部的肌肉与手脚肌肉的收缩所致肌电图以及皮肤与电极的接触面上产生的噪声会混入心电图，在拍摄心电图的过程中呼吸导致胸部进行上下运动而让心电图包含胸部运动，从接触身体的电极到心电图机的电线上也会产生噪声，心电图机本身的交流电流也会导致噪声发生，不是停止状态下测量的心电图而是接上电极后运动的运动心电图及动态心电图会有步行或动作所导致的噪声混入心电图。
现有技术采取的是把一定频率以下及以上的噪声统统去除的方法，虽然以统统删除心脏较不发出的频带0.05Hz以下或150Hz以上的信号的方法去除噪声，但是会引起心电图信号本身的变形而使得疾病诊断的正确度降低。
如前所述，把受检者的特性、测量环境与测量仪器所导致的噪声和心脏本身的电信号区分开来后去除的作业并不容易，以一定频率为基准统统去除的方式会扭曲心电图固有的信号并且使得以心电图为基础诊断疾病或预测患病时降低其正确度。
因此，迫切需要开发一种去除心电图数据的噪声而生成高品质心电图以便保障高诊断正确度的技术。
发明内容
技术问题
本发明的精神所要实现的技术课题是提供一种以深度学习为基础的心电图数据的噪声去除系统，从所测量的心电图数据保持心脏固有的电信号，反映受检者的特性及测量方式的特性而能有效地去除外部电信号所致噪声。
技术方案
为了达到所述目的，本发明的实施例揭示以深度学习为基础的心电图数据的噪声去除系统，该系统包括：心电图测量单元，从受检者的身体测量各导联的心电图数据；以及基于样式的心电图生成单元，以复数个心电图数据为基础，通过预先学习噪声少的各导联的心电图数据及所述各导联的心电图数据的固有样式的用于培训的数据集后建立的用于生成心电图的深度学习算法，反映受检者的特性及测量方式的特性，从所述心电图测量单元所测量的所述心电图数据提取所述固有样式，通过所述提取的固有样式转换成不包含噪声的特定导联样式的心电图数据而予以生成。
在此，所述用于生成心电图的深度学习算法可以是按照心电图数据的各导联各自生成复数个并预先学习所述用于培训的数据集后建立的。
而且，所述各导联的用于生成心电图的深度学习算法可以学习具有一个以上的固有样式的心电图数据。
而且，所述用于生成心电图的深度学习算法能由自编码器或生成对抗网络单独实现或者合并后实现并提取所述各导联的心电图数据的固有样式。
而且，所述自编码器包括表达心电图数据的固有样式的编码器、把该固有样式复原成原始的心电图数据的解码器，能学习所述心电图数据的固有样式。
而且，所述生成对抗网络可包括：生成器，把随机生成的复数个变量作为输入而生成合成心电图数据；以及判别器，针对所述合成心电图数据是否和实际心电图数据相似进行判别，所述生成器能学习所述心电图数据的固有样式。
而且，能把所述生成器改成所述自编码器的形态而合并所述自编码器与所述生成对抗网络。
发明的效果
依据本发明，从所测量的心电图数据保持心脏固有的电信号，反映受检者的特性及测量方式的特性而能有效地去除外部电信号所致噪声，通过去除了噪声的心电图数据能更正确地预测疾病而予以诊断，也能把去除了噪声的心电图数据与原始的心电图数据予以比较分析而能将噪声程度定量化。
附图说明
图1示出了本发明实施例的以深度学习为基础的心电图数据的噪声去除系统的概略组成图。
图2例示了图1所示的以深度学习为基础的心电图数据的噪声去除系统的自编码器。
图3例示了图1所示的以深度学习为基础的心电图数据的噪声去除系统的生成对抗网络。
图4例示了凭借图1所示的以深度学习为基础的心电图数据的噪声去除系统去除噪声。
具体实施方式
下面结合附图详细说明具有前述特征的本发明的实施例。
本发明实施例的以深度学习为基础的心电图数据的噪声去除系统包括：心电图测量单元110，从受检者的身体测量各导联的心电图数据；以及基于样式的心电图生成单元120，以复数个心电图数据为基础，通过预先学习噪声少的各导联的心电图数据及各导联的心电图数据的固有样式的用于培训的数据集后建立的用于生成心电图的深度学习算法121，反映受检者的特性及测量方式的特性，从心电图测量单元110所测量的心电图数据提取固有样式，通过所提取的固有样式转换成不包含噪声的特定导联样式的心电图数据而予以生成，该系统生成去除了噪声的心电图数据而提高疾病诊断预测的正确度。
下面结合图1至图4具体说明具有前述结构的以深度学习为基础的心电图数据的噪声去除系统。
首先，心电图测量单元110从受检者的身体测量一个以上的各导联的心电图数据后以传输给基于样式的心电图生成单元120的方式提供。
譬如，心电图测量单元110可包括能在日常生活中进行接触式或非接触式心电图测量的可穿戴式心电图贴片111、智能手表112、短时间测量的6导联心电图杆或能测量1导联以上的标准导联心电图的医疗机构心电图机并测量异步或同步心电图。
在此，心电图测量单元110也可以测量受检者的连续心电图后传输给基于样式的心电图生成单元120或者隔着某个时段测量2个心电图后传输给基于样式的心电图生成单元120。
接着，基于样式的心电图生成单元120通过用于生成心电图的深度学习算法121反映受检者的特性及测量方式的特性而从源自心电图测量单元110的各导联的心电图数据转换成去除了噪声的心电图数据。
具体地，基于样式的心电图生成单元120以复数个心电图数据为基础，譬如，以积累在医疗机构的标准12导联心电图数据为基础，通过预先学习噪声少的各导联的心电图数据及各导联的心电图数据的固有样式的用于培训的数据集后建立的用于生成心电图的深度学习算法121，反映受检者的特性及测量方式的特性而从心电图测量单元110所测量的心电图数据提取该固有样式，通过所提取的固有样式转换成不包含噪声的特定导联样式的心电图数据而予以生成。
即，各导联的心电图是以按照指定的方向查看心脏的方向(偏转矢量)测量的三维电流动，其具有各自的固有样式，作为一例，如同V6导联心电图具有一直以正值画出的样式一样地，各导联的心电图各自具有固有样式，其不仅包括P、Q、R、S、T波形的特性，还包括无法由现有的医学知识予以特别指定的曲线的弯曲或噪声信号之类的部分。
在此，用于生成心电图的深度学习算法121从积累在医疗机构的大规模心电图数据提取作为各导联心电图数据的特征的固有样式后作为用于培训的数据集运用，能按照心电图数据的各导联各自生成复数个并预先学习用于培训的数据集后建立，各导联的用于生成心电图的深度学习算法学习具有一个以上的固有样式的心电图数据，因此一个用于生成心电图的深度学习算法121不仅能以一个心电图数据为基础学习，还能以两个以上的具有复数个固有样式的心电图数据为基础学习。
例如，为了生成V1导联心电图数据，用于生成心电图的深度学习算法121以大规模V1导联心电图数据为基础学习V1导联心电图数据的固有样式，能把源自心电图测量单元110的V1导联心电图数据转换成该固有样式形态而予以生成。
另一方面，用于生成心电图的深度学习算法121反映受检者的年龄、性别、疾病等因素所致特性及电极的连接位置、心电图机等所致测量方式的特性而能以高正确度掌握各心电图数据的各导联的固有样式，以此为基础，能更正确地转换各导联的心电图数据而予以生成。
而且，用于生成心电图的深度学习算法121通过基于自监督学习方法的学习针对给定的心电图数据提取作为潜在特性的固有样式，能把心电图测量单元110所输入的心电图数据转换成各固有样式的心电图数据而予以生成，譬如，以自编码器或生成对抗网络单独实现或者合并后实现，提取各导联的心电图数据的固有样式而能够生成该固有样式的心电图数据。
譬如，请参阅图2，自编码器包括表达心电图数据的固有样式的编码器121a、把该固有样式复原成原始的心电图数据的解码器121b，把心电图数据输入到包含一个层以上的隐藏层(Hidden1、Hidden 2)的编码器121a，从所提取的固有样式利用包含一个层以上的隐藏层(Hidden2、Hidden3)的解码器121b通过添加高斯噪声(Gaussian noise)掌握原始心电图数据的结构把作为输入使用了的心电图数据予以复原的过程，能够为了复原原始的心电图数据而学习心电图数据的固有样式。
或者，请参阅图3，生成对抗网络包括：生成器121c，把随机生成的复数个变量作为输入而生成合成心电图数据；判别器121d，针对合成心电图数据是否和实际心电图数据相似进行判别，生成器121c倾向于以让判别器121d难以区分合成心电图数据和实际心电图数据的方式生成合成心电图数据，判别器121d则试图尽量正确地区分合成心电图数据与实际心电图数据，通过该过程，生成器121c能学习心电图数据的固有样式。
另一方面，能把生成器121c改成自编码器的形态而合并自编码器与生成对抗网络，能把随机变量和针对所需要的心电图数据的索引以附带条件的方式输入而实现。
图4例示了凭借图1所示的以深度学习为基础的心电图数据的噪声去除系统去除噪声，下面参考该图详细说明噪声的去除。
积累在医疗机构的心电图数据是最大程度地减少了噪声的心电图，在实际医疗现场则将心电图电极连接到患者身体后观察一定时段并且以让患者憋住呼吸或全身放松之类的方式确认噪声减少了的状态后拍摄，所拍摄的心电图的噪声多而没有作为医疗记录的价值的话删除该心电图后重新拍摄，因此作为用于生成心电图的深度学习算法121的学习用途的心电图数据可以是噪声少的心电图。
因此，如果把心电图测量单元110测量的噪声多的心电图数据输入用于生成心电图的深度学习算法121的话，能转换成噪声少的固有样式的心电图数据后输出。
而且，反映受检者的特性及测量方式的特性，进行受检者定制型噪声过滤而能够去除心电图信号的歪曲，能原样保存心脏固有的震颤而仅仅去除噪声。
图4以曲线图例示了基于用于生成心电图的深度学习算法121的实验结果，粗线是凭借心电图测量单元110的实际心电图，细线是由用于生成心电图的深度学习算法121生成心电图的结果。
以右下端的V6导联为例，实际上基线因为噪声而运动，能确认到在将其输入用于生成心电图的深度学习算法121生成V6导联的过程中噪声被去除。
如前所述，掌握各心电图的特性而进一步掌握输入用于生成心电图的深度学习算法121的心电图信息是哪一导联的心电图信息后，也能凭此用来生成新导联的心电图信息。
而且，虽然也能生成同步化的心电图信息，但是为了疾病诊断而使用的模型是使用异步心电图的模型的话或者不是将时序信息同步化后使用的模型的话，也能不考虑生成异步心电图信息或不考虑同步化而生成心电图信息。
附带一提的是，想要利用心电图数据预测疾病的话，测量所输入的心电图数据所含噪声很重要，凭此可确定是否把心电图用于预测疾病或者需要重新测量，还能预先确认输入心电图数据后输出的结果的可靠性。
因此，关于在心电图数据测量噪声的方法，把初始输入的心电图数据和去除了噪声的心电图予以比较而能在心电图测量噪声程度。
而且，心电图数据中一部分导联或一部分区段的心电图数据包含较多噪声或电极接触掉落等原因而无法测量的话，生成没有噪声的导联的心电图数据把脱落的心电图数据予以填充而能够更正确地进行疾病的诊断、预测及检诊。
而且，通过健康状态预测单元130把基于样式的心电图生成单元120所生成而去除了噪声的心电图数据作为输入能更正确地预测可从心电图数据预测的疾病。
譬如，健康状态预测单元130能诊断并预测循环系统的疾病、内分泌与营养及代谢疾病、肿瘤疾病、精神与行为障碍、神经系统的疾病、眼与附属器官的疾病、耳朵与乳突的疾病、呼吸系统的疾病、消化系统的疾病、皮肤与皮肤组织疾病、筋骨系统及结合组织的疾病、泌尿生殖系统的疾病、妊娠与分娩和产后期疾病、先天性畸形与变形及染色体异常。
除此之外，能通过健康状态预测单元130确认身体外伤所导致的损伤，能确认预后并量测痛症，能预测外伤所导致的死亡危险性或恶化危险性，能捕获或预测并发的合并症，能掌握出生的前后期出现的特定病况，在医疗保健领域，能对受检者的健康状态进行量测、诊断、检诊及预测，该受检者的健康状态则能连接到老化、睡眠、体重、血压、血糖、血氧饱和度、新陈代谢、压力、紧张、恐惧、饮酒、吸烟、问题行为、肺活量、运动量、痛症管理、肥胖、身体质量、身体成分、食谱、运动种类、生活方式推荐、紧急状况管理、慢性疾病管理、药剂处方、检查推荐、检诊推荐、看护、远距健康管理、远距诊疗、预防接种与接种后管理之类的服务。
另一方面，健康状态预测单元130生成测量受检者平时处于健康的状态时的一般化的基准心电图，之后，和心电图测量单元110实时提供的心电图数据进行比较分析，予以监控以便确认预测心电图是不是没有错误地测量的心电图及受检者的健康状态是否异常等，预测到错误或异常时能通过告警单元140生成警告信息，能通过智能手表形态的单导联心电图测量单元110或额外的智能装置发出蜂鸣音并传输警告信息。
因此，凭借如前所述的以深度学习为基础的心电图数据的噪声去除系统的配置，从所测量的心电图数据保持心脏固有的电信号，反映受检者的特性及测量方式的特性而能有效地去除外部电信号所致噪声，通过去除了噪声的心电图数据能更正确地预测疾病而予以诊断，也能把去除了噪声的心电图数据与原始的心电图数据予以比较分析而将噪声程度予以定量化。
本说明书所记载的实施例及附图所示结构仅仅是本发明的一个最优选实施例而已，并不代表本发明的技术精神，因此应理解到在本发明的申请时刻可能存在着可替代它们的各种等同物与变形例。
附图标记的说明
110：心电图测量单元
120：基于样式的心电图生成单元
121：用于生成心电图的深度学习算法
121a：编码器
121b：解码器
121c：生成器
121d：判别器
130：健康状态预测单元
140：告警单元
Claims (7)
1.一种以深度学习为基础的心电图数据的噪声去除系统，其特征在于，
包括：
心电图测量单元，从受检者的身体测量各导联的心电图数据；以及
基于样式的心电图生成单元，以复数个心电图数据为基础，通过预先学习噪声少的各导联的心电图数据及所述各导联的心电图数据的固有样式的用于培训的数据集后建立的用于生成心电图的深度学习算法，反映受检者的特性及测量方式的特性，从所述心电图测量单元所测量的所述心电图数据提取所述固有样式，通过提取的所述固有样式转换成不包含噪声的特定导联样式的心电图数据而予以生成。
2.根据权利要求1所述的以深度学习为基础的心电图数据的噪声去除系统，其特征在于，所述用于生成心电图的深度学习算法是按照心电图数据的各导联各自生成复数个并预先学习所述用于培训的数据集后建立的。
3.根据权利要求2所述的以深度学习为基础的心电图数据的噪声去除系统，其特征在于，所述各导联的用于生成心电图的深度学习算法学习具有一个以上的固有样式的心电图数据。
4.根据权利要求1所述的以深度学习为基础的心电图数据的噪声去除系统，其特征在于，所述用于生成心电图的深度学习算法由自编码器或生成对抗网络单独实现或者合并后实现并提取所述各导联的心电图数据的固有样式。
5.根据权利要求4所述的以深度学习为基础的心电图数据的噪声去除系统，其特征在于，所述自编码器包括表达心电图数据的固有样式的编码器、把该固有样式复原成原始的心电图数据的解码器，学习所述心电图数据的固有样式。
6.根据权利要求4所述的以深度学习为基础的心电图数据的噪声去除系统，其特征在于，
所述生成对抗网络包括：
生成器，把随机生成的复数个变量作为输入而生成合成心电图数据；以及
判别器，针对所述合成心电图数据是否和实际心电图数据相似进行判别，
所述生成器学习所述心电图数据的固有样式。
7.根据权利要求5或6所述的以深度学习为基础的心电图数据的噪声去除系统，其特征在于，把所述生成器改成所述自编码器的形态而合并所述自编码器与所述生成对抗网络。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2021-0107771 | 2021-08-17 | ||
| KR1020210107771A KR20230025956A (ko) | 2021-08-17 | 2021-08-17 | 딥러닝 기반 심전도 데이터의 노이즈 제거 시스템 |
| PCT/KR2022/012244 WO2023022493A1 (ko) | 2021-08-17 | 2022-08-17 | 딥러닝 기반 심전도 데이터의 노이즈 제거 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117813053A true CN117813053A (zh) | 2024-04-02 |
Family
ID=85239578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280056118.9A Pending CN117813053A (zh) | 2021-08-17 | 2022-08-17 | 以深度学习为基础的心电图数据的噪声去除系统 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4371490A1 (zh) |
| KR (1) | KR20230025956A (zh) |
| CN (1) | CN117813053A (zh) |
| WO (1) | WO2023022493A1 (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180012891A (ko) | 2016-07-27 | 2018-02-07 | 주식회사 라이프사이언스테크놀로지 | 생체신호 노이즈 제거방법 |
| KR102093257B1 (ko) * | 2017-10-20 | 2020-03-25 | 이명해 | 심전도 신호에서의 노이즈 분별 필터 장치 및 필터링 방법 |
| CN107837082B (zh) * | 2017-11-27 | 2020-04-24 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
| KR102008196B1 (ko) | 2017-12-05 | 2019-08-07 | 아주대학교 산학협력단 | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 |
| KR102216689B1 (ko) * | 2018-11-23 | 2021-02-17 | 네이버 주식회사 | 시계열 의료 데이터를 통한 질병 예후 예측을 위한 딥 뉴럴 네트워크의 분류 결과 시각화 방법 및 시스템 |
| JP7332463B2 (ja) * | 2019-12-25 | 2023-08-23 | キヤノン株式会社 | 制御装置、光干渉断層撮影装置、光干渉断層撮影装置の制御方法、及びプログラム |
-
2021
- 2021-08-17 KR KR1020210107771A patent/KR20230025956A/ko not_active Application Discontinuation
-
2022
- 2022-08-17 CN CN202280056118.9A patent/CN117813053A/zh active Pending
- 2022-08-17 WO PCT/KR2022/012244 patent/WO2023022493A1/ko active Application Filing
- 2022-08-17 EP EP22858730.9A patent/EP4371490A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023022493A9 (ko) | 2023-06-22 |
| KR20230025956A (ko) | 2023-02-24 |
| WO2023022493A1 (ko) | 2023-02-23 |
| WO2023022493A8 (ko) | 2023-12-21 |
| EP4371490A1 (en) | 2024-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| Signorini et al. | Monitoring fetal heart rate during pregnancy: contributions from advanced signal processing and wearable technology | |
| EP1389948B1 (en) | Patient condition display | |
| US20220192596A1 (en) | Method and system for engineering cycle variability-related features from biophysical signals for use in characterizing physiological systems | |
| US20230131629A1 (en) | System and method for non-invasive assessment of elevated left ventricular end-diastolic pressure (LVEDP) | |
| US10327648B2 (en) | Blood vessel mechanical signal analysis | |
| EP4368107A1 (en) | Health condition prediction system using asynchronous electrocardiogram | |
| CN117813052A (zh) | 以2个导联的异步心电图为基础生成同步心电图的方法 | |
| CN117813053A (zh) | 以深度学习为基础的心电图数据的噪声去除系统 | |
| Al Younis et al. | Non-invasive technologies for heart failure, systolic and diastolic dysfunction modeling: A scoping review | |
| EP4371492A1 (en) | Deep learning-based health condition prediction system using plurality of electrocardiograms | |
| KR102670032B1 (ko) | 2유도 심전도 데이터를 이용한 복수개의 표준 심전도 데이터 생성 시스템 | |
| CN117813050A (zh) | 利用2导联心电图数据的复数个标准心电图数据生成系统 | |
| RU2442529C1 (ru) | Способ диагностирования сердечно-сосудистой системы | |
| TASIM et al. | Wavelet-Based Heart-Rate Detection And Ecg Classification Of Arrhythmia Using Alexnet Deep Cnn | |
| CN117915835A (zh) | 基于深度学习的模型及基于规则的模型统合型心电图判读系统 | |
| Pyysing | Movement artifacts in electrocardiography | |
| Rajan | Enrichment of ECG Quality using Independent Component Analysis for Dynamic Scenario by Eliminating EMG Artifacts | |
| CN118139576A (zh) | 用于将来自生物物理信号的心脏波形特征工程化以用于表征生理系统的方法和系统 | |
| CN117858665A (zh) | 利用单导联心电图机的健康状态预测系统 | |
| CN118019487A (zh) | 用于将来自生物物理信号的呼吸速率相关特征工程化以用于表征生理系统的方法和系统 | |
| EP3322332A1 (en) | Method of ecg evaluation based on universal scoring system | |
| Vranic | Pharmacodynamic Evaluation: Cardiovascular Methodologies | |
| WO2023026156A1 (en) | Methods and systems for engineering cardiac waveform features from biophysical signals for use in characterizing physiological systems | |
| CN118119331A (zh) | 用于将来自生物物理信号的视觉特征工程化以用于表征生理系统的方法和系统 |
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 |