CN117915834A - 利用复数个心电图的基于深度学习的健康状态预测系统 - Google Patents

利用复数个心电图的基于深度学习的健康状态预测系统 Download PDF

Info

Publication number
CN117915834A
CN117915834A CN202280056116.XA CN202280056116A CN117915834A CN 117915834 A CN117915834 A CN 117915834A CN 202280056116 A CN202280056116 A CN 202280056116A CN 117915834 A CN117915834 A CN 117915834A
Authority
CN
China
Prior art keywords
data
electrocardiographic
unit
electrocardiogram
electrocardiographic data
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
Application number
CN202280056116.XA
Other languages
English (en)
Inventor
权俊明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Medico Ai Co ltd
Original Assignee
Medico Ai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Medico Ai Co ltd filed Critical Medico Ai Co ltd
Publication of CN117915834A publication Critical patent/CN117915834A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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]
    • 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
    • G06N3/0499—Feedforward networks

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)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明揭示一种利用复数个心电图的基于深度学习的健康状态预测系统，其包括：心电图测量单元(110)，分别测量同一受检者的隔着时差的不同时刻的心电图而获取N个心电图数据；预测单元(120)，通过学习不同时刻的N个心电图数据及相当于心电图数据的疾病的数据集后预先建构的诊断算法，从心电图测量单元(110)所提供的N个心电图数据把语义特征值或输出值予以统合而生成预测疾病的患病与否、疾病进展及患病程度的疾病信息；以及输入单元(130)，把来自心电图测量单元(110)的N个心电图数据转换后输入预测单元(120)，该系统能从同一受检者的隔着时差的复数个心电图数据更正确地对健康状态进行量测、诊断、检诊及预测。

Description

利用复数个心电图的基于深度学习的健康状态预测系统
技术领域
本发明揭示一种利用复数个心电图的基于深度学习的健康状态预测系统，其以深度学习为基础针对同一受检者在不同时刻拍摄的复数个心电图进行比较分析而能够提高对于健康状态的量测、诊断、检诊及预测的正确度，能时序性地分析及预测疾病的患病与否、疾病进展及患病程度。
背景技术
众所周知，心电图从身体体表以图形记录有关心跳的电位，除了标准12导联心电图以外，还有运动心电图、动态心电图等。
这样的心电图用于循环系统疾病的检诊与诊断，其简单、相对低廉、属于非侵入式，还能轻易地反复记录。
另一方面，医疗机构使用的标准12导联心电图在前胸连接6个电极并且在四肢也分别连接3个电极后把12导联信息全部收集并且将其予以综合后诊断疾病。
在此，12导联心电图以心脏为中心在12个电气方向记录心脏的电位，可凭此正确地判读限于一个部位的心脏的疾病。
然而，心电图的变化并不适用于所有的受检者，即，某一受检者即使没有任何疾病但心电图的形态也显得其患有疾病，另一个受检者即使患有疾病但心电图的形态却显得其没有患病。
为此，需要开发出一种针对同一受检者在不同时刻拍摄的复数个心电图进行比较分析而能够提高对于健康状态的量测、诊断、检诊及预测的正确度的技术。
发明内容
技术问题
本发明的精神要解决的技术课题是提供一种利用复数个心电图的基于深度学习的健康状态预测系统，其以深度学习为基础针对同一受检者在不同时刻拍摄的复数个心电图进行比较分析而能够提高对于健康状态的量测、诊断、检诊及预测的正确度。
技术方案
为了实现所述目的，本发明的实施例揭示一种利用复数个心电图的基于深度学习的健康状态预测系统，其包括：心电图测量单元，分别测量同一受检者的隔着时差的不同时刻的心电图而获取N个心电图数据；预测单元，通过学习不同时刻的N个心电图数据及相当于所述心电图数据的疾病的数据集后预先建构的诊断算法，从所述心电图测量单元所提供的所述N个心电图数据把语义特征值或输出值予以统合而生成预测疾病的患病与否、疾病进展及患病程度的疾病信息；以及输入单元，把来自所述心电图测量单元的所述N个心电图数据转换后输入到所述预测单元。
在此，所述输入单元能把所述心电图测量单元输入的所述N个心电图数据统合成单一心电图数据。
而且，所述输入单元能按照各心电图数据单位统合所述N个心电图数据。
而且，所述输入单元把所述N个心电图数据各自按照导联予以区分，能把所区分的各导联的心电图数据按照各导联予以统合。
而且，所述输入单元把所述N个心电图数据按照各导联区分并且以心跳单位予以分割后，能把同一导联的心跳单位相互配成对予以统合。
而且，所述预测单元分别提取所述输入单元所提供的所述N个心电图数据的语义特征值，能把所述语义特征值予以统合分析而比较分析所述N个心电图数据来生成所述疾病信息。
发明的效果
依据本发明，以深度学习为基础针对同一受检者在不同时刻拍摄的复数个心电图进行比较分析而能够提高对于健康状态的量测、诊断、检诊及预测的正确度，能时序性地分析及预测疾病的患病与否、疾病进展及患病程度。
附图说明
图1示出了本发明实施例的利用复数个心电图的基于深度学习的健康状态预测系统的组成图。
图2分别例示了依据图1所示利用复数个心电图的基于深度学习的健康状态预测系统的心电图统合方法。
图3例示了依据图1所示利用复数个心电图的基于深度学习的健康状态预测系统的预测方法的流程图。
具体实施方式
下面结合附图进一步详细说明具有前述特征的本发明的实施例。
本发明实施例的利用复数个心电图的基于深度学习的健康状态预测系统包括：心电图测量单元110，分别测量同一受检者的隔着时差的不同时刻的心电图而获取N个心电图数据；预测单元120，通过学习不同时刻的N个心电图数据及相当于心电图数据的疾病的数据集后预先建构的诊断算法，从心电图测量单元110所提供的N个心电图数据把语义特征值或输出值予以统合而生成预测疾病的患病与否、疾病进展及患病程度的疾病信息；以及输入单元130，把来自心电图测量单元110的N个心电图数据转换后输入到预测单元120，该系统从同一受检者的隔着时差的复数个心电图数据更正确地对健康状态进行量测、诊断、检诊及预测。
下面结合图1与图2具体说明如前所述地配置的利用复数个心电图的基于深度学习的健康状态预测系统。
首先，心电图测量单元110能分别测量同一受检者的隔着时差的不同时刻的心电图而获取N个心电图数据。
在此，心电图测量单元110可以按月份、按季度或按年度之类的长期时差测量同一受检者而能够按照两个时间点以上的测量时刻测量N个心电图数据。
另一方面，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、智能手表、或者以短时间测量的6导联心电图杆或安装在医疗机构的心电图机并测量异步或同步心电图后提供给输入单元130。
接着，通过学习作为积累在医疗机构服务器的大数据的复数个同一受检者的不同时刻的N个心电图数据及相当于心电图数据的疾病的数据集后预先建构的诊断算法，预测单元120从心电图测量单元110所提供的N个心电图数据把语义特征值或输出值予以统合而生成预测疾病的患病与否、疾病进展及患病程度的疾病信息。
在此，语义特征值是从心电图数据提取的空间时序特征值，预测单元120以此为基础对不同时刻的N个心电图数据进行比较分析，使得能对最终测量心电图数据的时间点的当前健康状态或未来的健康状态进行量测、诊断、检诊及预测。
另一方面，预测单元120分别提取后述的输入单元130所提供的不同时刻的N个心电图数据的语义特征值，把语义特征值予以统合分析而比较分析不同时刻的N个心电图数据而能生成时序性的疾病信息。
而且，把提取的语义特征值予以统合分析的方法可以使用卷积神经网络(CNN，CONVOLUTIONAL NEURAL NETWORK)、长短期记忆模型(LSTM，LONG SHORT-TERM MEMORY)、循环神经网络(RNN，RECURRENT NEURAL NETWORK)、多层感知机(MLP，MULTILAYERPERCEPTRON)之类的各种深度学习算法，或者也可以使用逻辑回归、基于规则的模型、随机森林、支持向量机之类的机械学习方法。
接着，输入单元130把来自心电图测量单元110的N个心电图数据转换后输入到预测单元120。
在此，输入单元130能把从心电图测量单元110输入的同一受检者的不同时刻的N个心电图数据统合成单一心电图数据输入到预测单元120。
譬如，如图2的(a)所示，输入单元130能把不同时刻的N个心电图数据按照各心电图数据单位以同一时间轴长度予以整个统合。另一方面，如果不同时刻的N个心电图数据没有以同一时间轴长度测量的话，能按照最小时间轴长度剪切，或者也能通过深度学习算法按照最大时间轴长度生成其余心电图数据的所不足的长度的心电图以便对齐整体长度。
或者，如图2的(b)所示，输入单元130也能针对不同时刻T1、T2的N个心电图数据掌握各导联的心电图数据的个别特性并根据所掌握的特性各自按照导联予以区分，把所区分的各导联的心电图数据按照各导联予以统合后输入到预测单元120。
或者，如图2的(c)所示，输入单元130也能把不同时刻的N个心电图数据按照各导联区分，把所区分的各导联的心电图数据以心跳单位予以分割后，把同一导联的心跳单位相互配成对予以统合后输入到预测单元120。
另一方面，还可包括噪声去除单元140以便使得从心电图测量单元110向输入单元130提供的心电图数据的噪声最小化而进一步提高预测单元120所生成的疾病信息的可靠度，譬如，噪声去除单元140以多个心电图数据，例如，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数据集后建构的深度学习算法，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。
而且，噪声去除单元140也能反映受检者的年龄、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，凭借心电图测量单元110进行测量时，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话，通过心电图数据生成单元150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，预测单元120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。
不仅能对前面提到的个别疾病所致健康状态进行量测、诊断、检诊及预测，还能对复合性地出现的健康状态进行量测、诊断、检诊及预测，预测受检者健康状态的恶化及缓和，能进行短期及长期预后预测，能预测从一个疾病转移到其他疾病或合并的状态，也能学习特定药剂与心电图的分析及预测所致健康状态的好转或恶化后根据健康状态推荐特定药剂。
因此，凭借着如前所述的利用复数个心电图的基于深度学习的健康状态预测系统的配置，把之前时间点拍摄的心电图和后续时间点拍摄的心电图予以比较以便更正确地诊断疾病，譬如，通过之前时间点的心电图提示了ST段抬高等原因而提出了心肌梗死意见却在检查上显得正常，如果在一年后之类的后续时间点的心电图和以前一样提出了ST段抬高所致心肌梗死意见的话，心肌梗死的可能性较低。即，由于不可能在一年的较长期间患有心肌梗死，因此应该把该受检者视为正常状态的患者。
另一方面，图3例示了依据图1所示利用复数个心电图的基于深度学习的健康状态预测系统的预测方法的流程图，下面结合该图进行说明。
预先，通过心电图测量单元110，可分别测量同一受检者的隔着时差的不同时刻的心电图而获取N个心电图数据后提供给输入单元130(步骤S110)。
在此，心电图测量单元110可以按月份、按季度或按年度之类的长期时差测量同一受检者而能够按照两个时间点以上的测量时刻测量N个心电图数据。
另一方面，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、智能手表、或者以短时间测量的6导联心电图杆或安装在医疗机构的心电图机并测量异步或同步心电图后提供给输入单元130。
接着，通过输入单元130，把来自心电图测量单元110的N个心电图数据转换后向预测单元120输入(步骤S120)。
在此，输入单元130能把从心电图测量单元110输入的同一受检者的不同时刻的N个心电图数据统合成单一心电图数据输入到预测单元120。
譬如，如图2的(a)所示，输入单元130能把不同时刻的N个心电图数据按照各心电图数据单位以同一时间轴长度予以整个统合。另一方面，如果不同时刻的N个心电图数据没有以同一时间轴长度测量的话，能按照最小时间轴长度剪切，或者也能通过深度学习算法按照最大时间轴长度生成其余心电图数据的所不足的长度的心电图以便对齐整体长度。
或者，如图2的(b)所示，输入单元130也能针对不同时刻T1、T2的N个心电图数据掌握各导联的心电图数据的个别特性并根据所掌握的特性各自按照导联予以区分，把所区分的各导联的心电图数据按照各导联予以统合后输入预测单元120。
或者，如图2的(c)所示，输入单元130也能把不同时刻的N个心电图数据按照各导联区分，把所区分的各导联的心电图数据以心跳单位予以分割后，把同一导联的心跳单位相互配成对予以统合后输入预测单元120。
另一方面，还可包括通过噪声去除单元140把心电图测量单元110提供给输入单元130的心电图数据的噪声最小化而进一步提高预测单元120所生成的疾病信息的可靠度的步骤(步骤S125)，譬如，噪声去除单元140以多个心电图数据，例如，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数据集后建构的深度学习算法，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。
而且，噪声去除单元140也能反映受检者的年龄、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，凭借心电图测量单元110进行测量时，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话，通过心电图数据生成单元150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。
接着，凭借心电图测量单元110进行测量时，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话，通过心电图数据生成单元150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。
接着，通过预测单元120，通过学习作为积累在医疗机构服务器的大数据的复数个同一受检者的不同时刻的N个心电图数据及相当于心电图数据的疾病的数据集后预先建构的诊断算法，从心电图测量单元110所提供的N个心电图数据把语义特征值或输出值予以统合而生成预测疾病的患病与否、疾病进展及患病程度的疾病信息(步骤S130)。
在此，语义特征值是从心电图数据提取的空间时序特征值，预测单元120以此为基础对不同时刻的N个心电图数据进行比较分析，使得能对最终测量心电图数据的时间点的当前健康状态或未来的健康状态进行量测、诊断、检诊及预测。
另一方面，预测单元120分别提取后述的输入单元130所提供的不同时刻的N个心电图数据的语义特征值，把语义特征值予以统合分析而比较分析不同时刻的N个心电图数据而能生成时序性的疾病信息。
而且，把提取的语义特征值予以统合分析的方法可以使用卷积神经网络(CNN，CONVOLUTIONAL NEURAL NETWORK)、长短期记忆模型(LSTM，LONG SHORT-TERM MEMORY)、循环神经网络(RNN，RECURRENT NEURAL NETWORK)、多层感知机(MLP，MULTILAYERPERCEPTRON)之类的各种深度学习算法，或者也可以使用逻辑回归、基于规则的模型、随机森林、支持向量机之类的机械学习方法。
接着，通过预后预测单元，不仅能对前面提到的个别疾病所致健康状态进行量测、诊断、检诊及预测，还能对复合性地出现的健康状态进行量测、诊断、检诊及预测，预测受检者健康状态的恶化及缓和，能进行短期及长期预后预测，能预测从一个疾病转移到其他疾病或合并的状态，也能学习特定药剂与心电图的分析及预测所致健康状态的好转或恶化后根据健康状态推荐特定药剂(步骤S140)。
因此，本实施例以深度学习为基础针对同一受检者在不同时刻拍摄的复数个心电图进行比较分析而能够提高对于健康状态的量测、诊断、检诊及预测的正确度，能时序性地分析及预测疾病的患病与否、疾病进展及患病程度。
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。

Claims (6)

1.一种利用复数个心电图的基于深度学习的健康状态预测系统，其特征在于，包括：
心电图测量单元，分别测量同一受检者的隔着时差的不同时刻的心电图而获取N个心电图数据；
预测单元，通过学习不同时刻的N个心电图数据及相当于所述心电图数据的疾病的数据集后预先建构的诊断算法，从所述心电图测量单元所提供的所述N个心电图数据把语义特征值或输出值予以统合而生成预测疾病的患病与否、疾病进展及患病程度的疾病信息；以及
输入单元，把来自所述心电图测量单元的所述N个心电图数据转换后输入到所述预测单元。
2.根据权利要求1所述的利用复数个心电图的基于深度学习的健康状态预测系统，其特征在于，所述输入单元把所述心电图测量单元输入的所述N个心电图数据统合成单一心电图数据。
3.根据权利要求2所述的利用复数个心电图的基于深度学习的健康状态预测系统，其特征在于，所述输入单元按照各心电图数据单位统合所述N个心电图数据。
4.根据权利要求2所述的利用复数个心电图的基于深度学习的健康状态预测系统，其特征在于，所述输入单元把所述N个心电图数据各自按照导联予以区分，把所区分的各导联的心电图数据按照各导联予以统合。
5.根据权利要求2所述的利用复数个心电图的基于深度学习的健康状态预测系统，其特征在于，所述输入单元把所述N个心电图数据按照各导联区分并且以心跳单位予以分割后，把同一导联的心跳单位相互配成对予以统合。
6.根据权利要求1所述的利用复数个心电图的基于深度学习的健康状态预测系统，其特征在于，所述预测单元分别提取所述输入单元所提供的所述N个心电图数据的语义特征值，把所述语义特征值予以统合分析而比较分析所述N个心电图数据来生成所述疾病信息。
CN202280056116.XA 2022-08-18 2022-08-18 利用复数个心电图的基于深度学习的健康状态预测系统 Pending CN117915834A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/012364 WO2024038930A1 (ko) 2022-08-18 2022-08-18 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템

Publications (1)

Publication Number Publication Date
CN117915834A true CN117915834A (zh) 2024-04-19

Family

ID=89941921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280056116.XA Pending CN117915834A (zh) 2022-08-18 2022-08-18 利用复数个心电图的基于深度学习的健康状态预测系统

Country Status (4)

Country Link
EP (1) EP4371492A1 (zh)
JP (1) JP2024533041A (zh)
CN (1) CN117915834A (zh)
WO (1) WO2024038930A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR20220040516A (ko) * 2020-09-22 2022-03-30 주식회사 바디프랜드 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템
KR20220098600A (ko) * 2021-01-04 2022-07-12 주식회사 바디프랜드 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템
KR102362679B1 (ko) * 2021-01-27 2022-02-14 주식회사 뷰노 심전도 신호 기반의 만성질환 예측 방법
KR20230025963A (ko) * 2021-08-17 2023-02-24 주식회사 메디컬에이아이 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템

Also Published As

Publication number Publication date
WO2024038930A1 (ko) 2024-02-22
JP2024533041A (ja) 2024-09-12
EP4371492A1 (en) 2024-05-22

Similar Documents

Publication Publication Date Title
Khalid et al. Cuffless blood pressure estimation using single channel photoplethysmography: a two-step method
US20220192596A1 (en) Method and system for engineering cycle variability-related features from biophysical signals for use in characterizing physiological systems
US20230075634A1 (en) Methods and systems for engineering conduction deviation features from biophysical signals for use in characterizing physiological systems
US20240341661A1 (en) Health condition prediction system using asynchronous electrocardiogram
EP4368106A1 (en) System for predicting health state using single-lead electrocardiogram device
KR20230025963A (ko) 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템
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
EP4391895A1 (en) Method and system to non-invasively assess elevated left ventricular end-diastolic pressure
CN117915834A (zh) 利用复数个心电图的基于深度学习的健康状态预测系统
US20240350094A1 (en) Deep learning-based electrocardiogram data noise removal system
EP4371490A1 (en) Deep learning-based electrocardiogram data noise removal system
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
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
US20230076069A1 (en) Methods and Systems for Engineering Cardiac Waveform Features From Biophysical Signals for Use in Characterizing Physiological Systems
US20230127355A1 (en) Methods and Systems for Engineering Respiration Rate-Related Features From Biophysical Signals for Use in Characterizing Physiological Systems
EP4371487A1 (en) Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm

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