CN117915835A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117915835A CN117915835A CN202280059898.2A CN202280059898A CN117915835A CN 117915835 A CN117915835 A CN 117915835A CN 202280059898 A CN202280059898 A CN 202280059898A CN 117915835 A CN117915835 A CN 117915835A
- Authority
- CN
- China
- Prior art keywords
- interpretation
- electrocardiogram
- disease
- unit
- information
- 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 66
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 98
- 201000010099 disease Diseases 0.000 claims abstract description 97
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000012351 Integrated analysis Methods 0.000 claims abstract description 5
- 230000036541 health Effects 0.000 description 9
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004393 prognosis 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
- 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
- 208000008589 Obesity Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 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
- 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
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006378 damage 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
- 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
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000036244 malformation Effects 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
- 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
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007958 sleep Effects 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
- 230000007704 transition Effects 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes 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
- A61B5/7271—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G16H50/20—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
- G16H50/50—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)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开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,包括:心电图测量单元(110),测量1导联以上心电图生成心电图数据;基于深度学习的预测单元(120),通过以由1导联以上心电图及其相应的疾病组成的培训数据集学习后建构的深度学习算法,从由心电图测量单元(110)输入的心电图数据诊断并预测疾病而生成疾病预测信息;基于规则的推论单元(130),通过由以心电图数据及与其相应的疾病信息建构的知识库与推论规则所组成的基于规则的算法,从由心电图测量单元(110)输入的心电图数据对疾病进行推论生成疾病推论信息;以及统合判读单元(140),对疾病预测信息与疾病推论信息进行统合分析而执行疾病判读后生成判读信息,提供对于疾病诊断理由与依据的诊断信息,本发明防止心电图判读错误并能快速正确地判读。
Description
技术领域
本发明揭示一种防止心电图的判读错误并且能够快速正确地判读的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。
背景技术
近来由于大数据与人工智能技术发达而使得人们在医疗及医疗保健领域积极使用人工智能,尤其是,深度学习技术的发达让人们能使用声音、图形、信号及影像等非结构化数据。
另一方面,不同于现有的古典机械学习方法,深度学习方法能进行特性学习(Feature Learning)而能够不受人类成见影响地从数据提取各种特性提高正确度,和古典机械学习为了提取特性而需要专家投入相当多的劳动力与时间相比,深度学习能以较少的投入快速开发出算法。
但是深度学习却因为黑盒子问题而无法得知判断的理由,成了其发展的一个制约因素并可能会因此发生医疗事故,因此需要开发出能防止心电图的判读错误并且能够快速正确地判读的技术。
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,由基于规则的推论单元针对最终判读设定可判读范围而防止基于深度学习的预测单元对心电图的判读错误,使得能够凭借基于深度学习的预测单元快速正确地判读,让判读错误可能性与诊断正确度互补。
技术方案
为了实现所述目的,本发明的实施例揭示一种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,其包括:心电图测量单元,测量1导联以上的心电图而生成心电图数据;基于深度学习的预测单元,通过以由所述1导联以上的心电图及与其相应的疾病组成的培训数据集学习后建构的深度学习算法,从由所述心电图测量单元输入的心电图数据诊断并预测疾病而生成疾病预测信息;基于规则的推论单元,通过由以心电图数据及与其相应的疾病信息建构的知识库与推论规则所组成的基于规则的算法,从由所述心电图测量单元输入的心电图数据针对疾病进行推论而生成疾病推论信息;以及统合判读单元,对所述疾病预测信息及所述疾病推论信息进行统合分析而执行疾病判读后生成判读信息,提供对于疾病诊断理由与依据的诊断信息。
在此,所述基于规则的推论单元可设定所述统合判读单元可判读的范围。
而且,由所述基于深度学习的预测单元生成的疾病预测信息被包含在所述可判读范围的话,所述统合判读单元生成所述判读信息与所述诊断信息后输出,由所述基于深度学习的预测单元生成的疾病预测信息没有包含在所述可判读范围的话,能让所述心电图测量单元重新测量心电图或者重新调整所述基于深度学习的预测单元的参数而重新生成所述疾病预测信息。
而且,所述统合判读单元仅依据所述基于规则的推论单元所生成的疾病推论信息就能最终判读。
而且,能凭借所述基于深度学习的预测单元及所述基于规则的推论单元对所述心电图数据最终诊断相应的疾病。
而且,由所述基于深度学习的预测单元或所述基于规则的推论单元预先判读所述心电图数据而生成第一阶段判读信息,所述统合判读单元可包括:第一判读单元,接收所述第一阶段判读信息的输入并且让护士、临床病理师或急救医疗技术人员登录而判读所述第一阶段判读信息后生成第二阶段判读信息;以及第二判读单元,接收所述第二阶段判读信息的输入并且让心脏专科医生登录而判读所述第二阶段判读信息后生成最终判读信息。
发明的效果
依据本发明,由基于规则的推论单元针对最终判读设定可判读范围而防止基于深度学习的预测单元对心电图的判读错误,使得能够凭借基于深度学习的预测单元快速正确地判读,能让判读错误可能性与诊断正确度互补,提供说明疾病诊断的理由与依据的诊断信息而降低医疗事故可能性,以先前的判读为基础快速进行最终判读以便能过够尽快采取医疗措施,不仅适用于医疗领域,还适用于使用各种生物体数据的医疗保健领域而进行各式各样的医疗保健服务。
附图说明
图1例示了本发明实施例的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的组成图。
图2例示了图1所示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的具体呈现的图。
图3例示了图1所示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的统合判读单元的配置。
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包括:心电图测量单元110,测量1导联以上的心电图而生成心电图数据;基于深度学习的预测单元120,通过以由1导联以上的心电图及与其相应的疾病组成的培训数据集学习后建构的深度学习算法,从由心电图测量单元110输入的心电图数据诊断并预测疾病而生成疾病预测信息;基于规则的推论单元130,通过由以心电图数据及与其相应的疾病信息建构的知识库与推论规则所组成的基于规则的算法,从由心电图测量单元110输入的心电图数据针对疾病进行推论而生成疾病推论信息;以及统合判读单元140,对疾病预测信息与疾病推论信息进行统合分析而执行疾病判读后生成判读信息,提供对于疾病诊断理由与依据的诊断信息,本发明防止心电图的判读错误并且能够快速正确地判读。
下面结合图1至图3详细说明具有前述结构的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。
首先,心电图测量单元110测量1导联以上的心电图后生成心电图数据,以配备两个电极并接触受检者身体的两处的方式获取相当于一个以上的电轴的1导联以上的心电图数据后通过有线无线本地局域网络通信传输给基于深度学习的预测单元120和基于规则的推论单元130,从而在日常生活中也能测量心电图。
例如,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心电图。
而且,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、以短时间测量的6导联心电图杆或安装在医疗机构测量1导联以上的心电图的心电图测量仪而能够测量异步心电图或同步心电图。
在此,心电图测量单元110也可以测量受检者的连续心电图并传输给心电图生成单元150或者也可以隔着某个时段测量2个心电图并传输给基于深度学习的预测单元120与基于规则的推论单元130。
接着,基于深度学习的预测单元120通过学习培训数据集而预先建构的深度学习算法从由心电图测量单元110输入的心电图数据诊断并预测与其相应的疾病后生成疾病预测信息,该培训数据集则由作为积累在医疗机关服务器的大数据的1导联以上的心电图及与其相应的疾病组成。
譬如,基于深度学习的预测单元120可适用卷积神经网络(CNN,CONVOLUTIONALNEURAL 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,MULTILAYER PERCEPTRON)之类的各种深度学习算法,也可以分等级地区别疾病的危险程度后生成疾病预测信息。
接着,基于规则的推论单元130是利用被医疗机关服务器收集并整理的大数据进行推论的专家系统,通过由以心电图数据及与其相应的疾病信息建构的知识库与归纳推论、演绎推论、类比推论之类的推论规则所组成的基于规则的算法,从由心电图测量单元110输入的心电图数据针对疾病进行推论而生成疾病推论信息。
在此,基于规则的推论单元130也能分等级地区别疾病的危险程度后生成疾病推论信息。
另一方面,基于规则的推论单元130对统合判读单元140的最终判读设定可判读范围,从而能生成可能从心电图数据判读错误的警戒值。
接着,统合判读单元140对疾病预测信息与疾病推论信息进行统合分析而针对疾病进行最终判读后生成判读信息,提供说明该疾病诊断的理由与依据的诊断信息。
譬如,由基于深度学习的预测单元120或基于规则的推论单元130预先判读心电图数据而生成疾病预测信息与疾病推论信息的第一阶段判读信息,之后,统合判读单元140可包括:第一判读单元141,接收第一阶段判读信息的输入并且让护士、临床病理师或急救医疗技术人员登录而判读第一阶段判读信息后生成第二阶段判读信息;以及第二判读单元142,接收第二阶段判读信息的输入并且让心脏专科医生登录而判读第二阶段判读信息后最终生成判读信息。
另一方面,基于深度学习的预测单元120所生成的疾病预测信息包含在由基于规则的推论单元130先前设定的可判读范围内的话,统合判读单元140生成判读信息与诊断信息后输出,基于深度学习的预测单元120所生成的疾病预测信息没有包含在由基于规则的推论单元130先前设定的可判读范围内的话,能让心电图测量单元110重新测量心电图或者重新调整基于深度学习的预测单元120的深度学习算法的参数而重新生成疾病预测信息。
而且,统合判读单元140也可以排除疾病预测信息而仅依据基于规则的推论单元130所生成的疾病推论信息进行最终判读。
或者,也能不经过统合判读单元140的最终判读而仅依据基于深度学习的预测单元120及基于规则的推论单元130就对心电图数据最终诊断相应的疾病。
另一方面,统合判读单元140能分等级地区别疾病的危险程度并且接收所生成的疾病预测信息与疾病推论信息的输入后最终判别疾病的危险程度,把疾病的危险程度区分为不需要护士或专科医生进一步判读的正常、需要护士或专科医生进一步判读的不正常以及需要专科医生紧急判读的危重等3个等级,根据治疗优先顺位予以分类地进行判别。
在此,能把基于深度学习的预测单元120做出的数值化的危险程度和基于规则的推论单元130做出的数值化的危险程度予以汇总进行算数平均而判别最终危险程度,或者也能对某一各危险程度赋予加权值后进行算数平均判别最终危险程度。
譬如,请参阅图3,统合判读单元140在危险程度的最终判别结果是正常时不予以判读或者只向护士观片器143传输心电图数据而由护士判读后完成,如果是不正常则按照顺序向护士观片器143传输心电图数据由护士予以第一阶段判读后向专科医生观片器144传输心电图数据而由专科医生完成第二阶段判读,如果是危重则立即向专科医生观片器144传输紧急判读告警信息与心电图数据以便快速判读。
而且,最终判别结果是不正常或危重时,统合判读单元140把心电图数据中相应于不正常或危重的各波形予以特别标记或者将其和作为基准的正常范围心电图数据重叠后传输给护士观片器143或专科医生观片器144予以显示,让护士或专科医生能够对该波形进行集中分析并且快速直观地掌握作为判别依据的特性。
而且,心电图数据的最终判别结果为正常但是护士观片器143在判读时怀疑异常的话,也能把委托等级提高到不正常或危重后把心电图数据传输给专科医生观片器144以便在发出紧急判读告警信息的同时迅速进行专科医生判读。
另一方面,还包括从由心电图测量单元110提供的1导联以上的心电图数据生成剩余导联心电图数据的心电图生成单元150,能进一步提高基于深度学习的预测单元120的预测及基于规则的推论单元130的推论的正确度。
在此,心电图生成单元150能识别1导联以上的同步心电图数据或异步心电图数据的特性信息后合成复数个剩余导联心电图数据而生成同步或异步的复数个导联心电图数据。
而且,还可包括噪声去除单元160以便使得从心电图测量单元110向心电图生成单元150提供的心电图数据的噪声最小化而进一步提高心电图生成单元150所生成的心电图数据的可靠度,譬如,噪声去除单元160以多个心电图数据,例如,以积累在医疗机关的标准12导联心电图数据为基础,通过预先学习由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组成的培训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相应的固有样式,能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160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,基于深度学习的预测单元120及基于规则的推论单元130能接收同步心电图数据或异步心电图数据后分别生成疾病预测信息与疾病推论信息,也能接收图表形态的心电图数据或通过特定数式进行了数值化的心电图数据的输入后分别生成疾病预测信息与疾病推论信息。
而且,基于深度学习的预测单元120及基于规则的推论单元130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个以上的心电图输入各算法后,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个心电图而针对由心电图测量单元110进行测量时的时间点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个以上的时间点测量的心电图予以统合的方法,按照心跳把单一心电图予以分割后,能把在相异时间点测量的同一导联的心跳予以互相配对后输入,或者能把输入后提取的语义特征或结果值互相比较。
或者,也可以不把2个以上的时间点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个时间点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,也能把相异时间点测量的心电图输入各算法后提取语义特征或提取输出值后将其融合后输出最终结论,也能把相异时间点的心电图按照各导联区分后输入各算法并且把通过算法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个时间点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融合后使用。
而且,统合判读单元140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,能通过统合判读单元140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,通过统合判读单元140,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。
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,依据如前所述的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的配置,由基于规则的推论单元针对最终判读设定可判读范围而防止基于深度学习的预测单元对心电图的判读错误,使得能够凭借基于深度学习的预测单元快速正确地判读,能让判读错误可能性与诊断正确度互补,提供说明疾病诊断的理由与依据的诊断信息而降低医疗事故可能性,以先前的判读为基础快速进行最终判读以便能过够尽快采取医疗措施,不仅适用于医疗领域,还适用于使用各种生物体数据的医疗保健领域而进行各式各样的医疗保健服务。
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间点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,其特征在于,包括:
心电图测量单元,测量1导联以上的心电图而生成心电图数据;
基于深度学习的预测单元,通过以由所述1导联以上的心电图及与其相应的疾病组成的培训数据集学习后建构的深度学习算法,从由所述心电图测量单元输入的心电图数据诊断并预测疾病而生成疾病预测信息;
基于规则的推论单元,通过由以心电图数据及与其相应的疾病信息建构的知识库与推论规则所组成的基于规则的算法,从由所述心电图测量单元输入的心电图数据针对疾病进行推论而生成疾病推论信息;以及
统合判读单元,对所述疾病预测信息及所述疾病推论信息进行统合分析而执行疾病判读后生成判读信息,提供对于疾病诊断理由与依据的诊断信息。
2.根据权利要求1所述的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,其特征在于,所述基于规则的推论单元设定所述统合判读单元可判读的范围。
3.根据权利要求2所述的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,其特征在于,
由所述基于深度学习的预测单元生成的疾病预测信息被包含在所述可判读范围的话,所述统合判读单元生成所述判读信息与所述诊断信息后输出,
由所述基于深度学习的预测单元生成的疾病预测信息没有包含在所述可判读范围的话,让所述心电图测量单元重新测量心电图或者重新调整所述基于深度学习的预测单元的参数而重新生成所述疾病预测信息。
4.根据权利要求1所述的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,其特征在于,所述统合判读单元仅依据所述基于规则的推论单元所生成的疾病推论信息进行最终判读。
5.根据权利要求1所述的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,其特征在于,凭借所述基于深度学习的预测单元及所述基于规则的推论单元对所述心电图数据最终诊断相应的疾病。
6.根据权利要求1所述的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,其特征在于,
由所述基于深度学习的预测单元或所述基于规则的推论单元预先判读所述心电图数据而生成第一阶段判读信息,
所述统合判读单元包括:
第一判读单元,接收所述第一阶段判读信息的输入并且让护士、临床病理师或急救医疗技术人员登录而判读所述第一阶段判读信息后生成第二阶段判读信息;以及
第二判读单元,接收所述第二阶段判读信息的输入并且让心脏专科医生登录而判读所述第二阶段判读信息后生成最终判读信息。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210107777A KR20230025962A (ko) | 2021-08-17 | 2021-08-17 | 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 |
KR10-2021-0107777 | 2021-08-17 | ||
PCT/KR2022/012300 WO2023022521A1 (ko) | 2021-08-17 | 2022-08-17 | 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117915835A true CN117915835A (zh) | 2024-04-19 |
Family
ID=85239576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280059898.2A Pending CN117915835A (zh) | 2021-08-17 | 2022-08-17 | 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 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4371491A1 (zh) |
KR (1) | KR20230025962A (zh) |
CN (1) | CN117915835A (zh) |
WO (1) | WO2023022521A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002140685A (ja) * | 2000-11-01 | 2002-05-17 | Fuji Photo Film Co Ltd | 画像管理システム及び画像管理方法 |
KR101836103B1 (ko) * | 2016-03-15 | 2018-04-19 | 가톨릭관동대학교산학협력단 | 모바일 헬스케어 시스템 및 이를 이용한 컴포넌트 기반 모바일 헬스 애플리케이션 제공 시스템 |
KR102261408B1 (ko) * | 2019-08-01 | 2021-06-09 | 동국대학교 산학협력단 | 의료영상을 이용한 질환정보 제공 방법 |
KR102471086B1 (ko) | 2019-11-06 | 2022-11-25 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR20210058274A (ko) * | 2019-11-14 | 2021-05-24 | 권준명 | 머신러닝을 기반으로 생성된 심전도표준데이터를 이용하여 사용자의 신체상태를 판단하는 심전도 측정 시스템 및 그 방법 |
JP7381301B2 (ja) * | 2019-11-14 | 2023-11-15 | 日本光電工業株式会社 | 学習済みモデルの生成方法、学習済みモデルの生成システム、推論装置、およびコンピュータプログラム |
KR102241799B1 (ko) | 2020-08-06 | 2021-04-19 | 주식회사 에이티센스 | 심전도 신호의 분류 데이터를 제공하는 방법 및 전자 장치 |
-
2021
- 2021-08-17 KR KR1020210107777A patent/KR20230025962A/ko not_active Application Discontinuation
-
2022
- 2022-08-17 WO PCT/KR2022/012300 patent/WO2023022521A1/ko active Application Filing
- 2022-08-17 CN CN202280059898.2A patent/CN117915835A/zh active Pending
- 2022-08-17 EP EP22858758.0A patent/EP4371491A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023022521A9 (ko) | 2023-04-13 |
EP4371491A1 (en) | 2024-05-22 |
KR20230025962A (ko) | 2023-02-24 |
WO2023022521A8 (ko) | 2024-01-04 |
WO2023022521A1 (ko) | 2023-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hussain et al. | Big-ECG: Cardiographic predictive cyber-physical system for stroke management | |
JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
CN107408144A (zh) | 医疗先兆事件估计 | |
US11013448B2 (en) | Monitoring of biosignals, in particular electrocardiograms | |
CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
EP4368107A1 (en) | Health condition prediction system using asynchronous electrocardiogram | |
KR20230088668A (ko) | 원격진료 서비스 제공 방법 | |
EP4124287A1 (en) | Regularized multiple-input pain assessment and trend | |
US20220346647A1 (en) | Electrocardiogram analysis apparatus, electrocardiogram analyzing method, and non-transitory computer-readable storage medium | |
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 | |
KR20230025963A (ko) | 복수의 심전도를 이용한 딥러닝기반 건강상태 예측 시스템 | |
EP4368106A1 (en) | System for predicting health state using single-lead electrocardiogram device | |
Uribe et al. | Physiological signals fusion oriented to diagnosis-A review | |
EP4371492A1 (en) | Deep learning-based health condition prediction system using plurality of electrocardiograms | |
EP4371490A1 (en) | Deep learning-based electrocardiogram data noise removal system | |
Wong et al. | Identifying vital sign abnormality in acutely-ill patients | |
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 | |
US20230170087A1 (en) | Systems and methods for remote pregnancy monitoring and management | |
Gaiduk et al. | Conception of a home-based sleep apnoea identification and monitoring system | |
WO2023102419A1 (en) | Apparatus for non-invasive acquisition of maternal and/or fetal physiological signals | |
Wuerich et al. | A comparative analysis of fall risk factors in the elderly and their automatic assessment | |
JP2024000544A (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 | |
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 | |
Parchment | Psychophysiology Meets Computer Science: Predicting the Magnitude of Participant Physiological Response with Machine 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 |