CN117979902A - 以深度学习为基础计测连续的身体状态的方法、计算机程序及装置 - Google Patents

Abstract

本发明一实施例的由计算装置执行的以深度学习为基础计测连续的身体状态的方法、计算机程序及装置。所述方法包括下列步骤：获取心电图数据；以及使用预先学习的神经网络模型，以所述心电图数据为基础推论测量了所述心电图数据的对象的对应于疾病发病或所述疾病进展情况的身体状态，所述神经网络模型是以关于生物学信息的第一特征或关于病理学信息的第二特征中的至少一个为基础学习的，该生物学信息示出和所述疾病具有相关关系的所述身体特性，该病理学信息反映所述疾病进展程度。

Description

以深度学习为基础计测连续的身体状态的方法、计算机程序 及装置

技术领域

本发明的内容揭示一种医疗领域的深度学习技术，具体地，揭示一种把对于疾病的身体特性以连续的数值示出的以深度学习为基础计测连续的身体状态的方法、计算机程序及装置。

背景技术

心电图信号把心脏脉动周期中发生的心脏的电活动状态呈现到曲线图上。因此，人们可以通过心电图信号观察心脏的结构与功能状况。因此，为了诊断包括心律失常、心肌梗塞之类心脏疾病在内的各种疾病而使用心电图信号。

在包括心脏疾病在内的一般身体疾病中，连续变化的身体状态会呈现出恶化到为了诊断为疾病而设定的基准值的情况。即，身体状态并不是以0或1的数字方式变化而是如同类比方式地连续变化，根据人为地设定的基准值确定患病与否。例如，对于心脏疾病，为心脏供应血液的冠状动脉的状态连续变化并且根据冠状动脉变窄的狭窄程度确定为动脉硬化症、心绞痛、心肌梗塞之类的疾病。

为了预测身体疾病而以深度学习为基础开发了各种技术。然而现有技术大部分都是为了针对根据人为设定的基准确定的疾病的患病与否进行判断。即，患病与否是按照任意基准把连续变化的身体状态予以区分的，利用它进行了学习的深度学习模型仅仅预测患病与否而无法预测关于疾病的整体身体状态。

疾病预测的目的是推测疾病发病的可能性而预防疾病，因此，在疾病预测领域不仅预测疾病的患病与否重要，正确预测与疾病相关的身体状态也同样重要。即，人们需要预测和疾病相关的连续变化的身体状态。

发明内容

技术问题

本发明旨在解决前述背景技术的问题，本发明的目的是提供一种方法，该方法以心电图数据为基础个别地预测对于身体特性的生物学信息及对于疾病的病理学信息，将其予以合并而以连续的数值计测身体状态。

然而，本发明需要解决的技术课题不限于前述课题，可以在下面的记载中明确地了解到前面没有提到的其它课题。

技术方案

实现如前所述的课题的本发明的一实施例揭示由计算装置执行的以深度学习为基础计测连续的身体状态的方法。所述方法包括下列步骤：获取心电图数据；以及使用预先学习的神经网络模型，以所述心电图数据为基础推论测量了所述心电图数据的对象的对应于疾病发病或所述疾病进展情况的身体状态，所述神经网络模型是以关于生物学信息的第一特征或关于病理学信息的第二特征中的至少一个为基础学习的，该生物学信息示出和所述疾病具有相关关系的所述身体特性，该病理学信息反映所述疾病进展程度。

或者，所述神经网络模型还包括第一子模型，该第一子模型如下进行了学习，即，以所述心电图数据为基础输出所述第一特征，所述第一子模型可按照因子的数量配置，以便个别输出对于所述生物学信息所含至少一个所述因子(factor)的数值。

或者，所述神经网络模型还包括第二子模型，该第二子模型如下进行了学习，即，以所述心电图数据为基础输出所述第二特征，所述第二子模型可按照因子的数量配置，以便个别输出对于所述病理学信息所含至少一个所述因子的数值。

或者，所述神经网络模型还可包括第三子模型，该第三子模型如下进行了学习，即，以作为所述第一子模型的输出的第一特征及作为所述第二子模型的输出的第二特征为基础，把根据所述疾病发病或所述疾病进展情况而连续变化的身体状态以数值予以表现。

或者，所述第三子模型能接收第三特征的输入而输出所述数值，该第三特征则以根据所述疾病的种类确定的加权值为基础组合了所述第一特征与所述第二特征后生成。

或者，所述第一子模型及所述第二子模型可各自以自监督学习为基础进行学习，该自监督学习则是利用包含未指定标签的样本的培训数据执行的。

或者，所述疾病可包括血管疾病。

或者，所述生物学信息可包括作为和心血管疾病所含冠状动脉疾病相关的身体特性因子的年龄、性别、身高或体重中的至少一个。

或者，所述病理学信息可包括作为反映心血管疾病所含冠状动脉疾病的进展程度的病理学特性因子的心肌梗塞与否、血管钙化程度、血栓稳定性、冠状动脉的血管内速度或冠状动脉的狭窄程度中的至少一个。

实现如前所述的课题的本发明一实施例揭示了存储在计算机可读存储介质的计算机程序(program)。所述计算机程序在一个以上的处理器执行时执行以深度学习为基础计测连续的身体状态的多个动作。此时，所述多个动作包括下列动作：获取心电图数据；以及使用预先学习的神经网络模型，以所述心电图数据为基础推论测量了所述心电图数据的对象的对应于疾病发病或所述疾病进展情况的身体状态，所述神经网络模型是以关于生物学信息的第一特征或关于病理学信息的第二特征中的至少一个为基础学习的，该生物学信息示出和所述疾病具有相关关系的所述对象的身体特性，该病理学信息反映所述疾病进展程度。

依据实现如前所述的课题的本发明一实施例，揭示了用于以深度学习为基础计测连续的身体状态的计算装置。所述装置包括：处理器(processor)，包含至少一个内核(core)；存储器(memory)，包含所述处理器可执行的多个程序代码(code)；以及网络单元(network unit)，用于获取心电图数据，所述处理器使用以关于生物学信息的第一特征或关于病理学信息的第二特征中的至少一个为基础进行了学习的神经网络模型，以所述心电图数据为基础推论测量了所述心电图数据的对象的对应于疾病发病或所述疾病进展情况的身体状态，该生物学信息示出和疾病具有相关关系的对象的身体特性，该病理学信息反映所述疾病进展程度。

发明的效果

本发明能提供一种利用心电图数据个别推论出身体方面的因素和关于疾病的病理学方面的因素而能以可说明的方式掌握影响身体状态的要素而能够针对疾病的之前或之后阶段做出准备的方法。而且，本发明能提供一种以连续的数值示出和拟预测的疾病相关的患者的身体状态而能够针对疾病的之前或之后阶段做出准备的方法。

附图说明

图1是本发明一实施例的计算装置的块图。

图2是示出本发明一实施例的神经网络模型的块图。

图3是示出本发明一实施例的神经网络模型的内部配置的块图。

图4是示出本发明一实施例的神经网络模型的推论方法的流程图。

图5是示出本发明一实施例的组成神经网络模型的多个子模型的推论方法的流程图。

具体实施方式

下面为了让本发明所属技术领域的普通技术人员(以下简称“本领域普通技术人员”)能够轻易实行本发明的实施例而结合附图详细说明本发明。本发明所揭示的实施例用来让本领域普通技术人员能利用或实施本发明的内容。因此，对于本发明的实施例的各种变形对本领域普通技术人员是明显清晰的。即，本发明能以各种不同的形态实现，并不局限于下面的而实施例。

本发明的整体说明书中相同或相似的图形符号表示相同或相似的要素。而且，可以为了清楚地说明本发明而在附图中省略掉与本发明的说明无关部分的图形符号。

本发明所使用的术语“或”不意味着排他性的“或”而是意味着蕴含性的“或”。即，如果本发明没有特别指定或者在文脉上其意义不明确的话，“X利用A或B”应该理解成意味着自然的蕴含性置换中的一个。例如，如果本发明没有特别指定或者在文脉上其意义不明确的时，“X利用A或B”可解释为X利用A的情形或X利用B的情形或X利用A及B的情形中的一个情形。

本发明所使用的术语“和/或”应理解为指称或包含所列举的相关概念中一个以上概念的所有可能的组合。

本发明所使用的术语“包括”和/或“具有”应该理解成意味着特定特征和/或要素的存在。然而，术语“包括”和/或“具有”应该理解成不排除一个以上的其它特征、其它要素和/或它们的组合的存在或添加。

如果本发明没有特别指定或者在文脉上无法明确看出在指示着单数形态的话，单数通常应解释成可包含“一个或一个以上”。

本发明所使用的术语“第N(N是自然数)”可理解成为了按照功能观点、结构观点或方便说明等预设的基准把本发明的要素予以互相区分而使用的表现方式。例如，本发明中执行不同功能的要素可以区分为第一要素或第二要素。然而，本发明的技术精神内实质相同但是为了说明方便而需要予以区分的要素也能以第一要素或第二要素予以区分。

本发明所使用的术语“获取”不仅可理解为意味着通过和外部装置或系统的有线无线通信网接收数据，还可理解为意味着以设备内置(on-device)形态生成数据。

另一方面，本发明所使用的术语“模块(module)”或“单元(unit)”可理解为指称诸如电脑相关实体(entity)、固件(firmware)、软件(software)或其一部分、硬件(hardware)或其一部分、软件与硬件的组合等处理计算资源的独立功能单位的术语。此时，“模块(module)”或“单元(unit)”可以是由单一要素构成的单位，也可以是由多个要素组合或集合表现的单位。例如，作为协议概念的“模块(module)”或“单元(unit)”可以指称计算装置的硬件要素或其集合、执行软件的特定功能的应用程序、通过执行软件实现的处理过程(procedure)、或用于执行程序的指令集合等。而且，作为广义概念的“模块(module)”或“单元(unit)”可以指称组成系统的计算装置本身或者在计算装置执行的应用程序等。然而，前述概念仅仅是一个例示而已，“模块(module)”或“单元(unit)”的概念能以本发明的内容为基础在本领域普通技术人员可理解的范畴内进行各种定义。

本发明所使用的术语“模型(model)”可理解成为了解决特定问题而使用数学概念与语言实现的系统、用于解决特定问题的软件单位的集合、或针对用于解决特定问题的处理过程的抽象化模型。例如，神经网络(neural network)“模型”可以指称由通过学习而拥有解决问题的能力的神经网络所实现的整个系统。此时，神经网络能通过学习把连接节点(node)或神经元(neuron)的参数(parameter)予以优化而拥有解决问题的能力。神经网络“模型”可包括单一神经网络，也可包括多个神经网络组合而成的神经网络集合。

前述术语的说明是为了帮助理解本发明的。因此，除非把前述术语明确记载成限制本发明的内容的事项，否则其不是以限制本发明内容的技术精神的意义使用。

图1是本发明一实施例的计算装置的块图。

本发明一实施例的计算装置100可以是执行数据的综合处理及运算的硬件装置或硬件装置的一部分，也可以是基于以通信网络连接的软件的运算环境。例如，计算装置100可以是作为执行集约式数据处理功能并共享资源的主体的服务器，也可以是通过和服务器的相互作用共享资源的客户机(client)。而且，计算装置100也可以是凭借多个服务器及多个客户机相互作用而把数据予以综合处理的云系统(cloud system)。前述内容仅仅是和计算装置100的种类相关的一个例示而已，计算装置100的种类能以本发明的内容为基础在本领域普通技术人员可理解的范畴内以各种方式构成。

请参阅图1，本发明一实施例的计算装置100可包括处理器(processor)110、存储器(memory)120及网络单元(network unit)130。然而，图1仅仅是一个例示而已，计算装置100可包括用于实现计算环境的其它要素。而且，计算装置100也可只包括所述揭示的多个要素中的一部分。

本发明一实施例的处理器110可理解为包括用于执行运算的硬件和/或软件的组成单位。例如，处理器110能读取计算机程序后进行用于机械学习的数据处理。处理器110能对用于机械学习的输入数据的处理、用于机械学习的特征的提取、基于反向传播(backpropagation)的误差计算之类的运算过程进行处理。如前所述的用于执行数据处理的处理器110可包括中央处理装置(CPU：central processing unit)、通用图形处理装置(GPGPU：general purpose graphics processing unit)、张量处理装置(TPU：tensorprocessing unit)、定购型半导体(ASIC：application specific integrated circuit)或现场可编程门阵列(FPGA：field programmable gate array)等。前述处理器110的种类仅仅是一个例示而已，处理器110的种类能以本发明的内容为基础在本领域普通技术人员可理解的范畴内进行各种配置。

处理器110能以心电图数据为基础利用神经网络模型针对测量了心电图数据的对象的连续的身体状态进行计测。处理器110能让神经网络模型如下学习，即，接收心电图数据的输入后推断与疾病相关的身体状态，例如，推断对应于疾病发病与否或疾病进展情况的身体状态。此时，疾病的发生与否可以是离散值，疾病进展情况可以是随着时间经过而变化的连续值。处理器110能利用神经网络模型示出疾病或者推论影响疾病的连续的身体状态。

依据本发明，处理器110不仅预测以离散值显示的疾病发病与否，还预测连续进展的疾病所致身体状态，因此能正确地预测疾病发病的可能性。因此，能通过本发明的处理器110细致地制定疾病的预防方案及治疗计划。

处理器110能让多个子模型个别学习以便预测身体状态。例如，处理器110能让第一子模型学习，该第一子模型利用心电图数据输出关于示出心电图数据的测量对象的身体方面特性的生物学信息的第一特征。而且，处理器110能让第二子模型学习，即，该第二子模型利用心电图数据输出关于病理学信息的第二特征，该病理学信息则影响疾病所致身体变化，即，影响疾病进展程度。而且，处理器110能让第三子模型学习，该第三子模型则利用第一子模型所输出的第一特征及第二子模型所输出的第二特征推论与疾病相关的身体状态。

第一特征可包括生物学信息所含至少一个因子(factor)及对应于因子的数值。生物学因子可根据疾病而不同。例如，生物学因子可包括年龄、身高、体重等。第二特征可包括病理学信息所含至少一个因子及对应于因子的数值。病理学因子可根据疾病而不同。例如，如果是心血管疾病，则病理学因子可包括心肌梗塞与否、血管钙化程度、血栓稳定性、冠状动脉的血管内速度、冠状动脉的狭窄程度等。

处理器110能为第一子模型及第二子模型输入包含样本及对应于样本的标签的培训数据后执行基于监督学习(supervised learning)的学习。这种情形下，输入第一子模型的样本是心电图数据，标签可以是第一特征。输入第二子模型的样本是心电图数据，标签可以是第二特征。而且，处理器110能为第一子模型及第二子模型输入包含未指定标签的样本的培训数据后执行基于自监督学习的学习。这种情形下，第一子模型能从心电图数据提取第一特征，第二子模型能从心电图数据提取第二特征。第一子模型及第二子模型所提取的因子可以随着疾病的种类而不同。

神经网络模型、第一子模型、第二子模型及第三子模型可各自包括至少一个神经网络。神经网络可包括诸如深度神经网络(DNN，Deep Neural Network)、循环神经网络(RNN，Recurrent Neural Network)、双向循环神经网络(BRDNN，Bidirectional RecurrentDeep Neural Network)、多层感知机(MLP，Multilayer Perceptron)、卷积神经网络(CNN，Convolutional Neural Network)、变形金刚网络(transformer)之类的多个神经网络中的至少一个，但并不局限于此。

依据本发明，处理器110能让对应于作为疾病主要危险因素发挥作用的多个因子的神经网络模型个别学习并推论。因此，人们能通过处理器110准确地掌握各因子影响疾病的程度。而且，处理器110准确地把影响疾病的多个因子作为目标，从而能提供下述资料，该资料是疾病预防及治疗的基础。

本发明一实施例的存储器120可理解为包括把计算装置100所处理的数据予以存储并管理的硬件和/或软件的组成单位。即，存储器120能存储处理器110所生成或所确定的任意形态的数据及网络单元130所收到的任意形态的数据。例如，存储器120可以包括闪存式(flash memory type)、硬盘式(hard disk type)、多媒体微记忆卡式(multimedia cardmicro type)、卡式存储器、随机存取存储器(RAM：random access memory)、静态随机存储器(SRAM：static random access memory)、只读存储器(ROM：read-only memory)、带电可擦可编程只读存储器(EEPROM：electrically erasable programmable read-onlymemory)、可编程只读存储器(PROM：programmable read-only memory)、磁存储器、磁盘、光盘中至少一个形式的存储介质。而且，存储器120也可包括以预设体系管制并管理数据的数据库(database)系统，前述存储器120的种类仅仅是一个例示而已，存储器120的种类能以本发明的内容为基础在本领域普通技术人员可理解的范畴内进行各种定义。

存储器120能把处理器110执行运算时所需要的数据、数据组合以及能在处理器110执行的多个程序代码(code)等予以结构化及组织化后管理。例如，存储器120能把通过后述的网络单元130收到的医疗数据予以存储。存储器120能存储让神经网络模型接收医疗数据的输入后进行学习的程序代码、让神经网络模型接收医疗数据的输入后按照计算装置100的使用目的进行推论的程序代码、以及执行程序代码而生成的加工数据等。

本发明一实施例的网络单元130可理解为通过任意形态的公知的有线无线通信系统收发数据的组成单位。例如，网络单元130能使用局域网(LAN：local area network)、宽带码分多址(WCDMA：wideband code division multiple access)、长期演进(LTE：longterm evolution)、无线宽频(WiBro：wireless broadband internet)、第五代移动通信(5G)、超宽带无线通信(ultra wide-band)、紫蜂(ZigBee)、射频(RF：radio frequency)通信、无线局域网(wireless LAN)、无线上网(wireless fidelity)、近场通信(NFC：nearfield communication)或蓝牙(Bluetooth)之类的有线无线通信系统进行数据收发。前述多个通信系统仅仅是一个例示而已，还能在前述例示以外适用各种用于网络单元130数据收发用途的有线无线通信系统。

网络单元130能通过和任意系统或任意客户机等的有线无线通信接收处理器110进行运算时所需要的数据。而且，网络单元130能通过和任意系统或任意客户机等的有线无线通信发送通过处理器110的运算生成的数据。例如，网络单元130能通过和医院环境内数据库、进行医疗数据标准化之类作业的云服务器或计算装置等进行通信接收医疗数据。网络单元130能通过和前述数据库、服务器或计算装置等进行通信发送神经网络模型所输出的数据以及处理器110运算过程中导出的中间数据、加工数据等。

图2是示出本发明一实施例的神经网络模型的块图。

请参阅图2，神经网络模型200能接收心电图数据300的输入后以连续的数值输出测量了心电图数据300的对象的与疾病相关的身体状态400。

在本说明书中，心电图(ECG：electrocardiogram)数据可包含心电图信号，该心电图信号则是测量心脏上发生的电信号以便确认心脏到电极的传导系统异常与否而得以判别患病与否的信号。可以从心电图测量仪获取心电图数据300，也可通过网络获取心电图数据300。

神经网络模型200可包括：第一子模型210，输出关于生物学信息的第一特征，该生物学信息则和疾病相关；第二子模型220，输出关于病理学信息的第二特征，该病理学信息则和疾病相关；以及第三子模型230，利用第一子模型210的输出值与第二子模型220的输出值以数值输出连续变化的身体状态400以便诊断疾病。

第一子模型210及第二子模型220各自能根据所输出的信息而配备多个。例如，第一子模型210能从心电图数据300输出第一特征，该第一特征则和示出与疾病相关的生物学特征的各个身体特性因子对应。此时，第一子模型210的数量可对应于多个身体特性因子的数量。各个第一子模型210能个别输出关于身体特性因子的数值。例如，第二子模型220能从心电图数据300输出第二特征，该第二特征则和随着疾病进展程度而确定的各个病理学特性因子对应。此时，第二子模型220的数量能对应于多个病理学特性因子的数量。各个第二子模型220能个别输出关于病理学特性因子的数值。

另一方面，与疾病相关的危险因子的数量可随着疾病种类而不同。因此，能通过本发明的神经网络模型按照因子数量配置第一子模型及第二子模型，人们能把第一子模型与第二子模型予以模块化后管理。

第三子模型230能利用作为第一子模型210的输出的第一特征与作为第二子模型220的输出的第二特征，以数值输出与疾病相关的身体状态400。第三子模型230能接收合并第一特征与第二特征后生成的第三特征的输入后输出身体状态400。此时，第一特征与第二特征能根据疾病种类被赋予加权值而组合成第三特征。也就是说，处理器110能根据疾病种类调整用于组合第一特征与第二特征的加权值。第三子模型230能以按照疾病种类调整了比重的第一特征与第二特征为基础预测随着疾病种类而连续变化的身体状态400。第三子模型230所输出的值可以是示出关于疾病的身体状态400的连续数值。因此，医疗团队能以该数值为基础判断疾病发病与否或者掌握疾病的进展状态。

即，本发明的神经网络模型200不只是单纯地预测基于人为设定的基准的疾病发病与否，还综合性地掌握多个疾病相关因子而能够预测身体状态。人们可利用该神经网络模型200准确地掌握与疾病相关的各种因子影响身体而发生的身体状态的复杂变化。

图3是示出本发明一实施例的神经网络模型的内部配置的块图。

请参阅图3，神经网络模型200可包括输出第一特征211地进行了学习的多个第一子模型210、输出第二特征221地进行了学习的多个第二子模型220、合并第一特征211与第二特征221后输出身体状态400地进行了学习的第三子模型230。

第一特征211可包括生物学信息所含因子及对应于因子的数值。第二特征221可包括病理学信息所含因子及对应于因子的数值。

第一子模型210个别学习的身体特性因子的种类能由培训数据所含标签确定或者被第一子模型210直接提取。同样地，第二子模型220个别学习的病理学特性因子的种类能由培训数据所含标签确定或者被第二子模型220直接提取。即，第一子模型210及第二子模型220能根据学习方法而仅仅输出对应于因子的数值，或者输出数值及与其对应的因子。

下面以神经网络模型200为了计测关于心血管疾病的身体状态400，尤其是计测关于冠状动脉疾病的身体状态400而进行运作为例进行说明，但适用本发明的疾病的种类并不局限于此。和冠状动脉疾病的诱发有关的多个危险因子早已是广为人知。即使是和冠状动脉疾病不存在因果关系的危险因子，由于存在着和疾病的相关关系，因此能作为查明疾病原因或预防疾病的重要工具使用。

例如，影响冠状动脉疾病的身体特性因子可包括年龄、性别、身高、体重等，还可包括针对冠状动脉疾病的家族病史或个人病史。而且，影响冠状动脉疾病的病理学特性因子可包括心肌梗塞与否、血管钙化程度、血栓稳定性、冠状动脉的血管内速度、冠状动脉的狭窄程度等，还可包括血糖、血压、胆固醇数值、中性脂肪数值、肥胖与否、吸烟与否等。

本发明的神经网络模型200能利用比较容易获取的心电图数据300个别学习并推论和冠状动脉疾病的诱发有关的多个危险因子到底对冠状动脉疾病施加哪种程度的影响。而且，本发明的神经网络模型200能通过自监督学习进行学习而自行提取和冠状动脉疾病的诱发有关的多个因子并且推论各个因子对冠状动脉疾病施加哪种程度的影响。

第一子模型210及第二子模型220通过监督学习进行学习的话，多个第一子模型210如下进行学习，即，接收心电图数据300的输入后从心电图数据300分别推论出年龄、性别、身高、体重。

多个第一子模型210能分别输出关于年龄的数值、关于性别的数值、关于身高的数值、关于体重的数值。该数值可以是示出施加给冠状动脉疾病的影响的数值。多个第二子模型220如下学习，即，接收心电图数据300的输入后从心电图数据300分别推论出心肌梗塞与否、血管钙化程度、血栓稳定性、冠状动脉的血管内速度、冠状动脉的狭窄程度。多个第二子模型220能分别输出关于心肌梗塞与否的数值、关于血管钙化的数值、关于血栓稳定性的数值、关于冠状动脉的血管内速度的数值、关于冠状动脉的狭窄的数值。该数值可以是示出施加给冠状动脉疾病的影响的数值。

第三子模型230可接收以第一子模型210与第二子模型220所输出的多个数值为基础生成的第三特征的输入。第三特征是被处理器110组合的值，处理器110能根据疾病的种类而为第一子模型210与第二子模型220所输出的多个数值赋予加权值后予以组合。例如，查明了特定疾病与身体特性因子之间的相关关系较高的话，处理器110能为第一子模型210所输出的多个数值赋予高加权值。相反地，查明了身体特性因子施加给特定疾病的影响力低并且病理学特性因子所致发病率较高的话，处理器110能为第二子模型220所输出的多个数值赋予高加权值。

第三子模型230能利用第三特征以数值输出关于冠状动脉疾病的身体状态400。所输出的数值可阐释为示出冠状动脉的健康程度、或示出关于冠状动脉疾病的概率、或示出心绞痛的程度、心肌梗塞的可能性的数值。医疗团队解析该数值后能对测量了心电图数据300的对象做出心绞痛诊断或者制定投入药物、进行手术之类的治疗计划。或者，医疗团队可制定用于预防疾病的计划并进行说明。

图4是示出本发明一实施例的神经网络模型的推论方法的流程图。

请参阅图4，本发明一实施例的计算装置100能获取心电图数据(步骤S110)。计算装置100能从心电图测量仪获取心电图数据，也可通过网络获取心电图数据。

计算装置100能使用预先学习的神经网络模型以心电图数据为基础推论出和测量了心电图数据的对象的疾病发病或疾病进展情况对应的身体状态(步骤S120)。计算装置100能事先让神经网络模型如下学习，即，利用心电图数据以数值输出与特定疾病相关的连续的身体状态。神经网络模型可以是通过图2与图3说明的神经网络模型。

计算装置100能让神经网络模型以关于生物学信息的第一特征或关于病理学信息的第二特征中的至少一个为基础学习，该生物学信息示出和疾病具有相关关系的身体特性，该病理学信息反映疾病进展程度。

计算装置100能通过监督学习或自监督学习让神经网络模型学习。具体地，计算装置100把作为培训数据的心电图数据的与疾病相关的多个各种因子及示出各因子与疾病的关联性的数值输入神经网络模型，从而能让神经网络模型学习。或者，计算装置100利用包含没有被标记标签的心电图数据的培训数据让神经网络模型如下学习，即。神经网络模型自行提取和疾病有关的多个因子并且输出示出各因子与疾病的关联性的数值。

预先学习的神经网络模型接收心电图数据的输入后能输出与疾病相关的数值。该数值示出测量了心电图数据的对象的身体状态，是与疾病相关的数值。该数值能示出疾病发病与否或者示出疾病进展状态。

图5是示出本发明一实施例的组成神经网络模型的多个子模型的推论方法的流程图。

请参阅图5，本发明一实施例的计算装置100能获取心电图数据(步骤S210)。这个和图4的步骤S110相似，因此省略其详细说明。

计算装置100能通过第一子模型输出关于生物学信息的第一特征(步骤S220)。第一子模型可以是以心电图数据为基础输出第一特征地进行了学习的模型。第一特征可包括生物学信息所含至少一个因子或关于该因子的数值。第一子模型可以是多个，各个第一子模型能个别输出生物学信息所含至少一个因子。凭此，第一子模型的数量能按照因子的数量配置。

计算装置100能通过第二子模型输出关于病理学信息的第二特征(步骤S230)。第二子模型可以是以心电图数据为基础输出第二特征地进行了学习的模型。第二特征可包括病理学信息所含至少一个因子或关于该因子的数值。第二子模型可以是多个，各个第二子模型能个别输出病理学信息所含至少一个因子。凭此，第二子模型的数量能按照因子的数量配置。

此时，第一子模型及第二子模型分别可以是以利用包含未指定标签的样本的培训数据执行的自监督学习为基础进行学习的。

计算装置100能以第一子模型所输出的第一特征及第二子模型所输出的第二特征为基础通过第三子模型输出关于身体状态的数值(步骤S240)。第三子模型可以是如下进行了学习的，即，以第一特征与第二特征为基础把根据疾病发病或疾病进展情况而连续变化的身体状态以数值予以表现。计算装置100可根据疾病的种类确定组合第一特征与第二特征的加权值。计算装置100能根据所确定的加权值组合第一特征与第二特征而生成第三特征。凭此，第三子模型能接收第三特征的输入后把示出身体状态的数值予以输出。

另一方面，图5图示了依次执行步骤S220与步骤S230，但步骤S220与步骤S230也能并行执行。

前文说明的本发明的各种实施例能和其它不同的实施例结合，能根据前文的详细说明在本领域普通技术人员可理解的范畴内予以改变。本发明的实施例在所有方面均为例示性，应被阐释为不是限制性。例如，以单一的整体形态予以说明的各要素能分散地实行，同样地，以分散的形态予以说明的各要素也能以结合的形态实行。因此，本发明的发明要求保护范围的意义与范围以及从其等值概念导出的一切修改与变形的形态均应阐释为属于本发明的范围。

Claims (11)

1.一种以深度学习为基础计测连续的身体状态的方法，由包括至少一个处理器的计算装置执行，其特征在于，

包括下列步骤：

获取心电图数据；以及

使用预先学习的神经网络模型，以所述心电图数据为基础推论测量了所述心电图数据的对象的对应于疾病发病或所述疾病进展情况的身体状态，

所述神经网络模型是以关于生物学信息的第一特征或关于病理学信息的第二特征中的至少一个为基础学习的，该生物学信息示出和所述疾病具有相关关系的所述身体特性，该病理学信息反映所述疾病进展程度。

2.根据权利要求1所述的以深度学习为基础计测连续的身体状态的方法，其特征在于，

所述神经网络模型还包括第一子模型，该第一子模型如下进行了学习，即，以所述心电图数据为基础输出所述第一特征；

所述第一子模型按照所述因子的数量配置，以便个别输出对于所述生物学信息所含至少一个因子的数值。

3.根据权利要求2所述的以深度学习为基础计测连续的身体状态的方法，其特征在于，

所述神经网络模型还包括第二子模型，该第二子模型如下进行了学习，即，以所述心电图数据为基础输出所述第二特征，

所述第二子模型按照所述因子的数量配置，以便个别输出对于所述病理学信息所含至少一个因子的数值。

4.根据权利要求3所述的以深度学习为基础计测连续的身体状态的方法，其特征在于，所述神经网络模型还包括第三子模型，该第三子模型如下进行了学习，即，以作为所述第一子模型的输出的第一特征及作为所述第二子模型的输出的第二特征为基础，把根据所述疾病发病或所述疾病进展情况而连续变化的身体状态以数值予以表现。

5.根据权利要求4所述的以深度学习为基础计测连续的身体状态的方法，其特征在于，所述第三子模型接收第三特征的输入而输出所述数值，该第三特征则以根据所述疾病的种类确定的加权值为基础组合了所述第一特征与所述第二特征后生成。

6.根据权利要求3所述的以深度学习为基础计测连续的身体状态的方法，其特征在于，所述第一子模型及所述第二子模型各自以自监督学习为基础进行学习，该自监督学习则是利用包含未指定标签的样本的培训数据执行的。

7.根据权利要求1所述的以深度学习为基础计测连续的身体状态的方法，其特征在于，所述疾病包括心血管疾病。

8.根据权利要求7所述的以深度学习为基础计测连续的身体状态的方法，其特征在于，所述生物学信息包括作为和所述心血管疾病所含冠状动脉疾病相关的身体特性因子的年龄、性别、身高或体重中的至少一个。

9.根据权利要求8所述的以深度学习为基础计测连续的身体状态的方法，其特征在于，所述病理学信息包括作为反映所述心血管疾病所含冠状动脉疾病的进展程度的病理学特性因子的心肌梗塞与否、血管钙化程度、血栓稳定性、冠状动脉的血管内速度或冠状动脉的狭窄程度中的至少一个。

10.一种计算机程序，存储在计算机可读存储介质，其特征在于，

所述计算机程序在一个以上的处理器执行时执行以深度学习为基础计测连续的身体状态的多个动作，

所述多个动作包括下列动作：

获取心电图数据；以及

使用预先学习的神经网络模型，以所述心电图数据为基础推论测量了所述心电图数据的对象的对应于疾病发病或所述疾病进展情况的身体状态，

所述神经网络模型是以关于生物学信息的第一特征或关于病理学信息的第二特征中的至少一个为基础学习的，该生物学信息示出和所述疾病具有相关关系的所述对象的身体特性，该病理学信息反映所述疾病进展程度。

11.一种以深度学习为基础计测连续的身体状态的计算装置，其特征在于，

包括：

处理器，包含至少一个内核；

存储器，包含所述处理器能够执行的多个程序代码；以及

网络单元，用于获取心电图数据，

所述处理器使用以关于生物学信息的第一特征或关于病理学信息的第二特征中的至少一个为基础进行了学习的神经网络模型，以所述心电图数据为基础推论测量了所述心电图数据的对象的对应于疾病发病或所述疾病进展情况的身体状态，该生物学信息示出和疾病具有相关关系的对象的身体特性，该病理学信息反映所述疾病进展程度。