CN117813054A - 利用异步心电图的健康状态预测系统 - Google Patents
利用异步心电图的健康状态预测系统 Download PDFInfo
- Publication number
- CN117813054A CN117813054A CN202280056306.1A CN202280056306A CN117813054A CN 117813054 A CN117813054 A CN 117813054A CN 202280056306 A CN202280056306 A CN 202280056306A CN 117813054 A CN117813054 A CN 117813054A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- asynchronous
- lead
- data
- standard
- 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
- 230000036541 health Effects 0.000 title claims abstract description 40
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 44
- 201000010099 disease Diseases 0.000 claims abstract description 43
- 230000001360 synchronised effect Effects 0.000 claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012774 diagnostic algorithm Methods 0.000 claims description 23
- 230000003862 health status Effects 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 208000008589 Obesity Diseases 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 4
- 235000020824 obesity Nutrition 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000004159 blood analysis Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 20
- 238000013136 deep learning model Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 9
- 238000002565 electrocardiography Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 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
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000021908 Myocardial disease Diseases 0.000 description 1
- 208000029785 Puerperal disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 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
- 230000006866 deterioration Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 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
- 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
- 230000006870 function Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 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
- 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
- 230000001613 neoplastic effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004171 remote diagnosis Methods 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
- 230000002194 synthesizing effect 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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明揭示一种利用异步心电图的健康状态预测系统，包括：单导联心电图测量单元(110)，设有两个电极，隔着时差分别测量2个以上的电轴的心电图而得到异步心电图数据；以及预测单元(120)，通过诊断算法(121)根据从所述单导联心电图测量单元(110)输入并以特定时间单位分割的异步心电图数据预测患病与否和患病程度，该诊断算法(121)则是学习复数个异步分割标准心电图数据集后预先建立的诊断算法，该复数个异步分割标准心电图数据集把异步分割标准导联心电图及相应于所述异步分割标准导联心电图的疾病的患病与否和患病程度予以匹配，该异步分割标准导联心电图是从在同一电轴测量并积累在医疗机构服务器的同步标准导联心电图以特定时间单位分割的异步标准导联心电图的不同时刻的异步分割标准导联心电图，本发明把医疗机构的同步心电图予以分割生成异步心电图并生成用于预测模型学习的数据集，能从单导联心电图机所测量的二导联以上的异步心电图数据预测疾病。
Description
技术领域
本发明揭示一种利用异步心电图的健康状态预测系统，该系统把医疗机构所积累的各种形态的同步心电图予以分割提取二导联以上的异步心电图并生成用于预测模型学习的数据集，能从单导联心电图机所测量的二导联以上的异步心电图数据预测疾病。
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。
另一方面，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。
然而在日常生活中露出胸部并连接10个电极后使用时会非常不方便，因此也会使用可进行单导联心电图测量的便携式贴片式测量器、三星智能手表(galaxy watch)、苹果智能手表等。
如此测量的单导联心电图可用来诊断心律失常，但是在诊断心肌梗塞等需要各种导联心电图信息的疾病时其使用受到了限制。
因此，迫切需要开发出一种能运用单导联心电图机或6导联心电图机简便地测量二导联以上的异步心电图并且从所测量到的二导联以上的异步心电图数据预测健康状态的技术。
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利用异步心电图的健康状态预测系统，把医疗机构所积累的各种形态的同步心电图予以分割提取二导联以上的异步心电图并生成用于预测模型学习的数据集，能从单导联心电图机所测量的二导联以上的异步心电图数据预测疾病。
技术方案
为了达到所述目的，本发明的实施例揭示一种利用异步心电图的健康状态预测系统，其包括：单导联心电图测量单元，设有两个电极，隔着时差分别测量2个以上的电轴的心电图而得到异步心电图数据；以及预测单元，通过诊断算法根据从所述单导联心电图测量单元输入并以特定时间单位分割的异步心电图数据预测患病与否和患病程度，该诊断算法则是学习复数个异步分割标准心电图数据集后预先建立的诊断算法，该复数个异步分割标准心电图数据集把异步分割标准导联心电图及相应于所述异步分割标准导联心电图的疾病的患病与否和患病程度予以匹配，该异步分割标准导联心电图是从在同一电轴测量并积累在医疗机构服务器的同步标准导联心电图以所述特定时间单位分割的异步标准导联心电图的不同时刻的异步分割标准导联心电图。
在此，还包括心电图数据生成单元，其掌握所述单导联心电图测量单元所测量的复数个异步心电图数据的特性而识别为特定导联心电图数据，生成不属于所述被识别的特定导联心电图数据的其余复数个标准导联心电图数据，所述诊断算法能把所述测量到的异步心电图数据及所述生成的标准导联心电图数据作为输入或者把所述生成的标准导联心电图数据作为输入，而输出并预测患病与否和患病程度。
而且，所述心电图数据生成单元能生成同步化的复数个标准导联心电图数据。
而且，所述诊断算法能把同步分割标准导联心电图予以异步提取后生成所述复数个异步分割标准心电图数据集，该同步分割标准导联心电图则是把以同步形态存储的标准导联心电图数据以特定时间单位分割的同步分割标准导联心电图。
而且，所述诊断算法能以下述方式建立，即，把从同步测量的标准导联心电图数据删除了时序信息的标准导联心电图数据作为输入而输出相应于所述标准导联心电图数据的疾病的患病与否和患病程度以便进行预测。
而且，所述诊断算法把受检者的个别特性信息予以反映并学习，所述预测单元能把所述个别特性信息予以反映后从源自所述单导联心电图测量单元的异步心电图数据预测患病与否和患病程度。
而且，所述个别特性信息可包括作为人口学信息的性别与年龄、作为基本健康信息的体重与身高和肥胖程度、作为疾病相关信息的既往病史与用药史和家族病史、作为生命体征与生物体信号的血液检查与基因检查和血压与血氧饱和度等的检查信息。
发明的效果
依据本发明，能运用单导联心电图机或6导联心电图机简便地测量二导联以上的异步心电图，把医疗机构所积累的各种形态的同步心电图予以分割提取二导联以上的异步心电图生成用于让预测模型学习的数据集。
而且，能从单导联心电图机或6导联心电图机所测量的二导联以上的异步心电图数据预测疾病。
进一步，从二导联以上的异步心电图数据生成多通道心电图数据而能以更高的正确度输出患病与否和患病程度以便进行预测。
附图说明
图1是示出依据本发明实施例的利用异步心电图的健康状态预测系统的概略组成图。
图2是示出依据图1所示利用异步心电图的健康状态预测系统的预测方法的流程图。
具体实施方式
下面结合附图更详细地说明具有前述特征的本发明的实施例。
依据本发明实施例的利用异步心电图的健康状态预测系统包括：单导联心电图测量单元110，设有两个电极，隔着时差分别测量2个以上的电轴的心电图而得到异步心电图数据；以及预测单元120，通过诊断算法121根据从所述单导联心电图测量单元110输入并且以特定时间单位分割的异步心电图数据预测患病与否和患病程度，该诊断算法121则是学习复数个异步分割标准心电图数据集后预先建立的诊断算法，该复数个异步分割标准心电图数据集把异步分割标准导联心电图及相应于所述异步分割标准导联心电图的疾病的患病与否和患病程度予以匹配，该异步分割标准导联心电图是从在同一电轴测量并积累在医疗机构服务器的同步标准导联心电图以所述特定时间单位分割的异步标准导联心电图的不同时刻的异步分割标准导联心电图，利用异步心电图的健康状态预测系统把医疗机构的同步心电图予以分割生成异步心电图并生成用于让预测模型学习的数据集，从单导联心电图机所测量的二导联以上的异步心电图数据预测疾病。
下面结合附图具体地详细说明具有前述结构的利用异步心电图的健康状态预测系统。
首先，单导联心电图测量单元110以设有两个电极并接触受检者身体的两处的方式隔着时差分别测量2个以上的电轴的心电图而得到异步心电图数据后通过本地局域网络传输给预测单元120。
譬如，让各电极接触两手后测量相当于一个电轴的导联Ⅰ(leadⅠ)心电图，让各电极接触和前述电极接触身体组合相异的右手与左脚踝后测量相当于另一个电轴的导联Ⅱ心电图，可分别测量针对2个以上的相异电轴的复数个异步心电图。
而且，单导联心电图测量单元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或者以短时间测量的6导联心电图杆并测量异步或同步心电图，通过心电图数据生成单元130130进一步生成复数个心电图后输入到以标准导联心电图数据建立的诊断算法121而预测与此相应的健康状态。
在此，单导联心电图测量单元110也可以测量受检者的连续心电图并传输给预测单元120或者隔着某个时段测量2个心电图并传输给预测单元120。
接着，预测单元120通过预先学习的诊断算法121从单导联心电图测量单元110的分割的异步心电图数据预测健康状态，通过诊断算法121根据从所述单导联心电图测量单元110输入并以特定时间单位分割的异步心电图数据预测患病与否和患病程度而掌握受检者的健康状态，该诊断算法121则是学习复数个异步分割标准心电图数据集后预先建立的诊断算法，该复数个异步分割标准心电图数据集把异步分割标准导联心电图及相应于所述异步分割标准导联心电图的疾病的患病与否和患病程度予以匹配，该异步分割标准导联心电图是从在同一电轴测量并积累在医疗机构服务器的同步标准导联心电图以所述特定时间单位分割的异步标准导联心电图的不同时刻的异步分割标准导联心电图。
在此，能把通过医疗机构的心电图机测量的标准导联心电图以特定时间单位(例如2.5秒单位)予以分割后获取不同时刻的分割的标准导联心电图而提供异步标准导联心电图。
另一方面，诊断算法121以下述方式建立，即，把对任意电轴异步测量而拟分割的标准导联心电图数据作为输入而输出相应于异步分割标准导联心电图数据的疾病的患病与否和患病程度以便进行预测，因此能从单导联心电图测量单元110所传输的异步心电图数据预测受检者的健康状态。
或者，诊断算法121能以下述方式建立，即，把从针对复数个电轴同步测量的标准导联心电图数据删除了时序信息的标准导联心电图数据作为输入而输出相应于标准导联心电图数据的疾病的患病与否和患病程度以便进行预测，因此能从单导联心电图测量单元110所传输的异步心电图数据预测健康状态。
或者，诊断算法121也能以下述方式建立，即，把由单导联心电图测量单元110隔着时差测量后输入的复数个异步心电图数据转换成同步心电图数据，从转换的同步心电图数据预测患病与否和患病程度。
或者，诊断算法121也能把同步分割标准导联心电图予以异步提取后生成复数个异步分割标准心电图数据集，该同步分割标准导联心电图则是把以同步形态存储的标准导联心电图数据以特定时间单位分割的同步分割标准导联心电图。
因此，诊断算法121能把由单导联心电图测量单元110隔着时差测量并输入而分割的复数个异步心电图数据分别匹配到异步测量而分割的标准导联心电图数据或删除了时序信息的分割标准导联心电图数据或分割的同步标准导联心电图数据。
而且，凭借心电图数据生成单元130，掌握单导联心电图测量单元110所测量的复数个异步心电图数据的个别特性而识别为特定导联心电图数据，生成不属于被识别的特定导联心电图数据的其余复数个标准导联心电图数据，诊断算法121能把单导联心电图测量单元110所测量的异步心电图数据及心电图数据生成单元130所生成的标准导联心电图数据作为输入或者把心电图数据生成单元130所生成的标准导联心电图数据作为输入而输出患病与否和患病程度以便进行预测。
譬如，凭借心电图数据生成单元130生成复数个标准导联心电图数据时，通过各导联的心电图的固有特性掌握个别特性，单导联心电图测量单元110所输入的异步心电图数据和相应的特定标准导联心电图数据匹配，生成不和特定标准导联心电图数据匹配的其余标准导联心电图数据，从而能生成新的复数个标准导联心电图数据。
而且，心电图数据生成单元130也能生成同步化的复数个标准导联心电图数据，即，心电图数据生成单元130所生成的标准导联心电图数据可以是异步或同步心电图，如前所述，诊断算法121利用异步测量的标准导联心电图数据时或者利用删除了时序信息的标准导联心电图数据时，心电图数据生成单元130能生成异步心电图数据，也能不考虑同步化地生成心电图数据。
凭此，对于需要使用多导联心电图诊断的疾病预测其患病与否并诊断患病程度时，使用单导联心电图测量单元110所测量而分割的异步心电图执行该预测与诊断，能以复数个心电图信息为基础更正确地分析疾病而能够进行健康状态的量测、诊断、检诊及预测。
例如，如果是诸如心律失常一样能以单导联诊断的疾病，使用2个导联的心电图和以此为基础生成的复数个心电图在各种电轴生成各心跳(beat)的心电图而能够进行更正确的健康状态的量测、诊断、检诊及预测，如果是诸如心肌梗塞一样能以复数个导联诊断的疾病，能进一步生成复数个心电图后诊断心肌梗塞。
或者，诊断算法121可以是为了诊断疾病而在标准导联心电图数据中仅用相当于拟使用的2个导联的心电图数据进行健康状态的量测、诊断、检诊及预测的模型，但如前所述，并不局限于2个导联，也能使用进一步生成的导联的心电图数据。
即，医疗机构所积累的心电图数据是标准12导联心电图数据，通过心电图数据生成单元130从2个导联的心电图生成标准12导联心电图，把如此生成的心电图输入到从医疗机构的标准12导联心电图数据进行健康状态的量测、诊断、检诊及预测的算法，能运用2个导联的心电图输出更正确的预测结果并且更广泛地预测健康状态。
作为一例，由单导联心电图测量单元110进行测量时，在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而没有准确地进行测量的情况下，凭借心电图数据生成单元130生成没有噪声的导联的心电图把淘汰的心电图数据予以填充而能够更正确地进行健康状态的量测、诊断、检诊及预测。
而且，通过单导联心电图测量单元110与预测单元120测量受检者平时处于健康的状态时的基准心电图后监测健康状态，之后，把日常生活中由单导联心电图测量单元110实时测量并输入的心电图与基准心电图予以比较，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，预测到错误或异常时通过告警单元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。
具体地，在使用初期阶段，把源自单导联心电图测量单元110的基准心电图存储后生成额外的导联的心电图后能持续监测12导联心电图，右手戴智能手表112后接触肚子并测量导联Ⅱ心电图来存储为基准心电图后，平时用左手戴智能手表112并且用右手接触并测量导联Ⅰ心电图，与此同时，利用它生成包含导联Ⅱ心电图在内的复数个心电图导联，能利用智能手表112进行更多样化的健康状态的量测、诊断、检诊及预测。
或者，在贴上可穿戴式心电图贴片111之前，以两手举起它测量导联Ⅰ导联心电图并存储为基准心电图后，贴上可穿戴式心电图贴片111测量导联V心电图，以连续测量或监测的导联V心电图为基础生成复数个导联的同步化的心电图而能够更正确地进行健康状态的量测、诊断、检诊及预测。
而且，诊断算法121把受检者的个别特性信息予以反映并学习，预测单元120能把个别特性信息予以反映而从源自单导联心电图测量单元110的异步心电图数据预测患病与否和患病程度。
譬如，能在适用诊断算法121学习时所运用的标准导联心电图数据时反映个别特性信息而预测与其相应的疾病的患病与否和患病程度，或者，能把由单导联心电图测量单元110测量心电图的受检者的个别特性信息予以反映并凭借心电图数据生成单元130生成标准导联心电图数据而预测与其相应的疾病的患病与否和患病程度。
在此，个别特性信息可包括受检者的包括作为人口学信息的性别与年龄、作为基本健康信息的体重与身高和肥胖程度、作为疾病相关信息的既往病史与用药史和家族病史、作为生命体征与生物体信号的血液检查与基因检查和血压与血氧饱和度等的检查信息。
另一方面，预测单元120不仅能把曲线化的心电图作为输入，还能把数值化的心电图作为输入，譬如，还包括数据转换模块122，该模块把单导联心电图测量单元110所测量的异步心电图数据通过特定数式转换成相当于心电图的数值数据后予以生成，诊断算法121也能把相当于异步心电图数据的数值数据作为输入来预测健康状态。
而且，诊断算法121能以卷积神经网络、LSTM、RNN、MLP等各种方法的深度学习模型建立，也能以逻辑回归、基于原理的模型、随机森林、支持向量机之类的各种机械学习模型建立。
譬如，诊断算法121能以使用隔着时差在不同时刻测量的2个以上的心电图数据的深度学习模型建立，能把2个以上的心电图统合成一个心电图数据后输入，或者把2个以上的心电图分别输入深度学习模型后，提取在中间量测的语义特征，即，提取空间时序特征，然后，以此为基础比较2个心电图而针对由单导联心电图测量单元110进行测量时的时刻的健康状态或未来健康状态进行量测、诊断、检诊及预测。
在此，作为把在2个以上的时刻测量的心电图予以混合的方法，按照心跳把单一心电图予以分割后，能把在不同时刻测量的同一导联的心跳予以互相匹配后输入，或者能把输入后提取的语义特征或结果值予以互相比较。
或者，也可以不把2个以上的时刻测量的心电图以心跳分割而是把心电图数据本身予以结合，能把2个时刻以上的心电图数据直接融合后输入，也能按照各导联区分并融合后将其输入，也能把不同时刻测量的心电图分别输入到深度学习模型的深度学习层后提取语义特征或提取输出值后将其予以融合后输入最终结论，也能把不同时刻的心电图按照各导联区分后输入到深度学习层并且把通过深度学习提取的特征或输出值在后端予以融合后输出最终结论。
在此，把2个时刻以上的心电图混合后使用时，能以异步状态输入，或者能以心跳为单位予以同步化，或者也能以深度学习为基础同步化后把心电图予以融合后使用。
即，能运用标准导联心电图数据建立深度学习模型，开发出在各时刻输入1个心电图而对健康状态进行量测、诊断、检诊及预测的深度学习模型后，运用该深度学习模型把在2个以上的时刻测量的心电图输入到该深度学习模型后，能把深度学习模型所输出的语义特征或最终输出值予以综合后预测结果。
如前所述，把最终输出值予以综合的方法可以使用卷积神经网络、LSTM、RNN、MLP等各种深度学习方法，也能使用逻辑回归、基于原理的模型、随机森林、支持向量机之类的各种机械学习方法。
能通过如前所述的预测单元120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，能通过预测单元120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。
而且，在医疗保健领域，能通过预测单元120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，图2示出了依据图1所示利用异步心电图的健康状态预测系统的预测方法的流程图，下面结合该图具体说明。
首先，通过设有两个电极的单导联心电图测量单元110以配备两个电极并接触受检者身体的两处的方式隔着时差分别测量2个以上的电轴的心电图而得到异步心电图数据后通过后通过本地局域网络传输给预测单元120(S110)。
之后，通过预测单元120，通过预先学习的诊断算法121把单导联心电图测量单元110的异步心电图数据予以分割而生成分割的异步心电图数据(S121)，作为从分割异步心电图数据预测健康状态的步骤(S122)，通过诊断算法121根据从单导联心电图测量单元110输入并分割的异步心电图数据预测患病与否和患病程度而掌握健康状态，该诊断算法121则是学习标准复数个心电图数据集后预先建立的诊断算法，该标准复数个心电图数据集则把在和前面单导联心电图测量单元110所测量的心电图相同的电轴测量后分割的标准导联心电图及相应于分割标准导联心电图的疾病的患病与否和患病程度予以匹配。
另一方面，凭借心电图数据生成单元130，掌握单导联心电图测量单元110所测量的复数个异步心电图数据的个别特性而识别为特定导联心电图数据，生成不属于被识别的特定导联心电图数据的其余复数个标准导联心电图数据(S130)，诊断算法121能把单导联心电图测量单元110所测量的异步心电图数据及心电图数据生成单元130所生成的标准导联心电图数据作为输入或者把心电图数据生成单元130所生成的标准导联心电图数据作为输入而输出患病与否和患病程度以便进行预测。
之后，告警单元140可如下操作，通过单导联心电图测量单元110与预测单元120测量受检者的平时处于健康的状态时的基准心电图并监测健康状态，之后，把日常生活中由单导联心电图测量单元110实时测量并输入的心电图与基准心电图予以比较，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，预测到错误或异常时生成警告信息，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，通过如前所述的利用异步心电图的健康状态预测系统的配置，能运用单导联心电图机或6导联心电图机简便地测量二导联以上的异步心电图，把医疗机构所积累的各种形态的同步心电图予以分割提取二导联以上的异步心电图生成用于预测模型学习的数据集，能从单导联心电图机或6导联心电图机所测量的二导联以上的异步心电图数据预测疾病，从二导联以上的异步心电图数据生成多通道心电图数据而能以更高的正确度输出患病与否和患病程度以便进行预测。
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，并不代表本发明的全部技术精神，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。
Claims (7)
1.一种利用异步心电图的健康状态预测系统，其特征在于，包括：
单导联心电图测量单元，设有两个电极，隔着时差分别测量2个以上的电轴的心电图而得到异步心电图数据；以及
预测单元，通过诊断算法根据从所述单导联心电图测量单元输入并以特定时间单位分割的异步心电图数据预测患病与否和患病程度，该诊断算法则是学习复数个异步分割标准心电图数据集后预先建立的诊断算法，该复数个异步分割标准心电图数据集把异步分割标准导联心电图及相应于所述异步分割标准导联心电图的疾病的患病与否和患病程度予以匹配，该异步分割标准导联心电图是从在同一电轴测量并积累在医疗机构服务器的同步标准导联心电图以所述特定时间单位分割的异步标准导联心电图的不同时刻的异步分割标准导联心电图。
2.根据权利要求1所述的利用异步心电图的健康状态预测系统，其特征在于，
还包括心电图数据生成单元，其掌握所述单导联心电图测量单元所测量的复数个异步心电图数据的特性而识别为特定导联心电图数据，生成不属于被识别的所述特定导联心电图数据的其余复数个标准导联心电图数据，
所述诊断算法把测量到的所述异步心电图数据及生成的所述标准导联心电图数据作为输入或者把生成的所述标准导联心电图数据作为输入，而输出并预测患病与否和患病程度。
3.根据权利要求3所述的利用异步心电图的健康状态预测系统，其特征在于，所述心电图数据生成单元生成同步化的复数个标准导联心电图数据。
4.根据权利要求1所述的利用异步心电图的健康状态预测系统，其特征在于，所述诊断算法把同步分割标准导联心电图予以异步提取后生成所述复数个异步分割标准心电图数据集，该同步分割标准导联心电图则是把以同步形态存储的标准导联心电图数据以特定时间单位分割的同步分割标准导联心电图。
5.根据权利要求1所述的利用异步心电图的健康状态预测系统，其特征在于，所述诊断算法以下述方式建立，即，把从同步测量的标准导联心电图数据删除了时序信息的标准导联心电图数据作为输入而输出相应于所述标准导联心电图数据的疾病的患病与否和患病程度以便进行预测。
6.根据权利要求1所述的利用异步心电图的健康状态预测系统，其特征在于，
所述诊断算法把受检者的个别特性信息予以反映并学习，
所述预测单元把所述个别特性信息予以反映后从源自所述单导联心电图测量单元的异步心电图数据预测患病与否和患病程度。
7.根据权利要求6所述的利用异步心电图的健康状态预测系统，其特征在于，所述个别特性信息包括作为人口学信息的性别与年龄、作为基本健康信息的体重与身高和肥胖程度、作为疾病相关信息的既往病史与用药史和家族病史、作为生命体征与生物体信号的血液检查与基因检查和血压与血氧饱和度等的检查信息。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210107769A KR20230025955A (ko) | 2021-08-17 | 2021-08-17 | 비동기 심전도를 이용한 건강상태 예측 시스템 |
| KR10-2021-0107769 | 2021-08-17 | ||
| PCT/KR2022/012216 WO2023022485A1 (ko) | 2021-08-17 | 2022-08-16 | 비동기 심전도를 이용한 건강상태 예측 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117813054A true CN117813054A (zh) | 2024-04-02 |
Family
ID=85239643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280056306.1A Pending CN117813054A (zh) | 2021-08-17 | 2022-08-16 | 利用异步心电图的健康状态预测系统 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20240341661A1 (zh) |
| EP (1) | EP4368107A1 (zh) |
| JP (1) | JP2024529684A (zh) |
| KR (1) | KR20230025955A (zh) |
| CN (1) | CN117813054A (zh) |
| WO (1) | WO2023022485A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117133449B (zh) * | 2023-10-26 | 2024-01-12 | 纳龙健康科技股份有限公司 | 心电图分析系统、心电图分析模型构造、训练方法和介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140063100A (ko) * | 2012-11-16 | 2014-05-27 | 삼성전자주식회사 | 원격 심질환 관리 장치 및 방법 |
| US9770185B2 (en) * | 2014-08-06 | 2017-09-26 | Verily Life Sciences Llc | Sharing a single electrode between skin resistance and capacitance measurements |
| KR102378287B1 (ko) * | 2015-09-30 | 2022-03-23 | 허트 테스트 레버러토리스, 인크. | 수량적 심장 테스팅 |
| KR102078703B1 (ko) * | 2019-07-23 | 2020-02-19 | 이재용 | 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법 |
| KR102142841B1 (ko) * | 2019-11-06 | 2020-08-10 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
| KR102412974B1 (ko) | 2020-07-14 | 2022-06-24 | 주식회사 메디컬에이아이 | 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법 |
| KR102362679B1 (ko) | 2021-01-27 | 2022-02-14 | 주식회사 뷰노 | 심전도 신호 기반의 만성질환 예측 방법 |
-
2021
- 2021-08-17 KR KR1020210107769A patent/KR20230025955A/ko not_active Application Discontinuation
-
2022
- 2022-08-16 EP EP22858722.6A patent/EP4368107A1/en active Pending
- 2022-08-16 CN CN202280056306.1A patent/CN117813054A/zh active Pending
- 2022-08-16 JP JP2024508493A patent/JP2024529684A/ja active Pending
- 2022-08-16 US US18/683,287 patent/US20240341661A1/en active Pending
- 2022-08-16 WO PCT/KR2022/012216 patent/WO2023022485A1/ko active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| US20240341661A1 (en) | 2024-10-17 |
| EP4368107A1 (en) | 2024-05-15 |
| WO2023022485A8 (ko) | 2024-01-04 |
| WO2023022485A9 (ko) | 2023-04-13 |
| WO2023022485A1 (ko) | 2023-02-23 |
| JP2024529684A (ja) | 2024-08-08 |
| KR20230025955A (ko) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN117813054A (zh) | 利用异步心电图的健康状态预测系统 | |
| CN117858665A (zh) | 利用单导联心电图机的健康状态预测系统 | |
| US20200352440A1 (en) | Medical system for remote monitoring, analysis and prognosis of the patient's condition by first-lead electrocardiogram series and computer-assisted method for monitoring, analysis and prognosis of the patient's condition | |
| WO2023122743A1 (en) | System for acquisition and analysis of maternal and/or fetal physiological signals | |
| JP2024532284A (ja) | 生理学的システムを特徴付ける際に使用するために生物物理学的信号からフォトプレチスモグラフィック波形特徴を設計するための方法及びシステム | |
| KR20230025963A (ko) | 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템 | |
| Durga | Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach | |
| Abirami | AI Clinical Decision Support System (AI-CDSS) for Cardiovascular Diseases | |
| 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 | |
| EP4371492A1 (en) | Deep learning-based health condition prediction system using plurality of electrocardiograms | |
| 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 | |
| US20240350094A1 (en) | Deep learning-based electrocardiogram data noise removal system | |
| EP4371490A1 (en) | Deep learning-based electrocardiogram data noise removal system | |
| US20240350067A1 (en) | System for generating plurality of pieces of standard electrocardiogram data using 2-lead electrocardiogram data | |
| JP7537826B2 (ja) | Ｅｃｇ信号に基づいて指標値を変換する方法およびシステム | |
| Erol et al. | A Novel Triage System Design | |
| Sarma et al. | Biomedical Parameter Monitoring System Using IoT: A Review | |
| JP2024532285A (ja) | 生理学的システムを特徴付ける際に使用するために生物物理学的信号から心臓波形特徴を工学設計するための方法及びシステム | |
| Gaiduk et al. | Conception of a home-based sleep apnoea identification and monitoring system | |
| JP2024534128A (ja) | 生理学的システムを特徴付ける際に使用するために生物物理学的信号から呼吸数関連特徴を設計するための方法及びシステム | |
| WO2023102419A1 (en) | Apparatus for non-invasive acquisition of maternal and/or fetal physiological signals |
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 |