CN118044821A - 一种多导联心电数据的分类方法、装置及设备 - Google Patents
一种多导联心电数据的分类方法、装置及设备 Download PDFInfo
- Publication number
- CN118044821A CN118044821A CN202410184007.7A CN202410184007A CN118044821A CN 118044821 A CN118044821 A CN 118044821A CN 202410184007 A CN202410184007 A CN 202410184007A CN 118044821 A CN118044821 A CN 118044821A
- Authority
- CN
- China
- Prior art keywords
- lead
- wave
- data
- heart beat
- single heart
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000000877 morphologic effect Effects 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000000718 qrs complex Methods 0.000 description 20
- 238000003745 diagnosis Methods 0.000 description 10
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 9
- 230000001746 atrial effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000002861 ventricular Effects 0.000 description 6
- 206010006580 Bundle branch block left Diseases 0.000 description 4
- 206010006582 Bundle branch block right Diseases 0.000 description 4
- 206010006578 Bundle-Branch Block Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003334 potential effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 3
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 210000004413 cardiac myocyte Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 2
- 201000007916 right bundle branch block Diseases 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001994 activation Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000000596 ventricular septum Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- A61B5/353—Detecting P-waves
-
- 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
- A61B5/355—Detecting T-waves
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种多导联心电数据的分类方法、装置及设备,用于提高心电数据分类识别的准确率,该方法包括:获取多导联心电数据,将多导联心电数据分割为至少一个心搏的多导联心电数据;识别单个心搏的多导联心电数据中预设波形的特征点位置,预设波形的特征点包括预设波形的起始点、终点以及顶点;根据单个心搏的多导联心电数据中预设波形的特征点位置,确定单个心搏的多导联心电数据的波形参数;将单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到单个心搏的分类识别结果,参数阈值是根据心电数据数值特征以及心电数据形态特征确定的。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种多导联心电数据的分类方法、装置及设备。
背景技术
心电数据实际上描述了心脏在收缩和舒张过程中各部分心肌细胞产生的综合电位活动。该电位活动由体表电极测得,经过数字信号放大处理和硬件滤波后,最终以波形的形式进行展现。心电数据主要用于反映心脏的电激动过程,检测心电数据是医生进行心脏检查和诊断的一个重要的临床手段。心电数据本身复杂性强,不同种族、性别、年龄的人在各种病理情况下的差异性很大,在实际的临床诊断中,通常需要医师具有丰富的领域知识和积累大量的临床经验。
随着人工智能的广泛应用,将人工智能模型用于P波、QRS波、T波识别可以提高心电数据识别的准确度,能够把医生从繁琐的图形识别工作中解脱出来,将精力集中在异常心电数据波形的识别和判断上,从而提高医生诊断效率、缩短诊断时间。目前,可以利用对心电数据中P波、QRS波、T波等的识别结果,进行心电数据的异常分类。但是,已有的心电数据的异常分类算法一般仅能针对特定的异常分类进行识别,识别结果不够全面、准确。
发明内容
有鉴于此,本申请实施例提供一种多导联心电数据的分类方法、装置及设备,以提高心电数据分类识别的准确率。
为解决上述问题,本申请实施例提供的技术方案如下:
一种多导联心电数据的分类方法,所述方法包括:
获取多导联心电数据,将所述多导联心电数据分割为至少一个心搏的多导联心电数据;
识别单个心搏的多导联心电数据中预设波形的特征点位置,所述预设波形的特征点包括所述预设波形的起始点、终点以及顶点;
根据所述单个心搏的多导联心电数据中预设波形的特征点位置,确定所述单个心搏的多导联心电数据的波形参数;
将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到所述单个心搏的分类识别结果,所述参数阈值是根据心电数据数值特征以及心电数据形态特征确定的。
在一种可能的实现方式中,所述识别单个心搏的多导联心电数据中预设波形的特征点位置,包括:
将单个心搏的多导联心电数据分割为预设波形对应的多导联心电数据;
将所述预设波形对应的多导联心电数据输入所述预设波形对应的特征点识别模型,获得单个心搏的多导联心电数据中预设波形的特征点位置。
在一种可能的实现方式中,所述将单个心搏的多导联心电数据分割为预设波形对应的多导联心电数据,包括:
将单个心搏的多导联心电数据分割为P波、Q波、R波、S波以及T波对应的多导联心电数据;
所述将所述预设波形对应的多导联心电数据输入所述预设波形对应的特征点识别模型,获得单个心搏的多导联心电数据中预设波形的特征点位置,包括:
将P波对应的多导联心电数据输入P波对应的特征点识别模型,获得单个心搏的多导联心电数据中P波的特征点位置;
将Q波对应的多导联心电数据输入Q波对应的特征点识别模型,获得单个心搏的多导联心电数据中Q波的特征点位置;
将R波对应的多导联心电数据输入R波对应的特征点识别模型,获得单个心搏的多导联心电数据中R波的特征点位置;
将S波对应的多导联心电数据输入S波对应的特征点识别模型,获得单个心搏的多导联心电数据中S波的特征点位置;
将T波对应的多导联心电数据输入T波对应的特征点识别模型,获得单个心搏的多导联心电数据中T波的特征点位置。
在一种可能的实现方式中,所述预设波形对应的特征点识别模型为U-net模型,是利用预设波形对应的待训练多导联心电数据以及所述待训练多导联心电数据中特征点位置的标注训练得到的。
在一种可能的实现方式中,所述根据所述单个心搏的多导联心电数据中预设波形的特征点位置,确定所述单个心搏的多导联心电数据的波形参数,包括:
根据所述单个心搏的各个导联心电数据中预设波形的特征点位置,确定所述单个心搏的各个导联心电数据的波形参数;
根据所述单个心搏的各个导联心电数据的波形参数确定所述单个心搏的多导联心电数据的波形参数。
在一种可能的实现方式中,所述波形参数包括P波时限、Q波时限、QRS时限、S波时限、T波时限、PR间期、RR间期、QT间期、PR段、ST段、P波振幅,Q波振幅,R波振幅,S波振幅以及T波振幅中的一个或多个。
在一种可能的实现方式中,所述将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到所述单个心搏的分类识别结果,包括:
将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到第一对比结果;
将所述单个心搏的各个导联心电数据的波形参数分别与对应的参数阈值进行对比,得到第二对比结果;
根据所述第一对比结果以及所述第二对比结果,确定所述单个心搏的分类识别结果。
一种多导联心电数据的分类装置,所述装置包括:
获取单元,用于获取多导联心电数据,将所述多导联心电数据分割为至少一个心搏的多导联心电数据;
识别单元,用于识别单个心搏的多导联心电数据中预设波形的特征点位置,所述预设波形的特征点包括所述预设波形的起始点、终点以及顶点;
确定单元,用于根据所述单个心搏的多导联心电数据中预设波形的特征点位置,确定所述单个心搏的多导联心电数据的波形参数;
对比单元,用于将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到所述单个心搏的分类识别结果,所述参数阈值是根据心电数据数值特征以及心电数据形态特征确定的。
一种多导联心电数据的分类设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的多导联心电数据的分类方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述的多导联心电数据的分类方法。
由此可见,本申请实施例具有如下有益效果:
本申请实施例可以对多导联心电数据中各个波形的起始点、终点以及顶点等特征点进行识别。基于该识别结果,可以计算心电数据中各个波形的波形参数,例如时限、振幅、各个波段及间期的值。利用心电数据数值特征以及心电数据形态特征,并结合专家经验可以设置波形参数对应的参数阈值,从而将波形参数与对应的参数阈值进行对比分析,输出多导联心电数据中单个心搏的分类识别结果。本申请实施例识别多导联心电数据中各个波形的起始点、终点以及顶点等特征点,特征点识别更为全面;通过设置参数阈值,可以对各种心电数据类别进行识别,提高了心电数据分类的全面性以及准确性。
附图说明
图1为本申请实施例提供的一种多导联心电数据的分类方法的流程图;
图2为本申请实施例中心电数据的示意图;
图3为本申请实施例中分类识别结果的示意图;
图4为本申请实施例提供的一种多导联心电数据的分类装置的示意图。
具体实施方式
为使本申请实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解和解释本申请实施例提供的技术方案,下面将先对本申请实施例的背景技术进行说明。
心电数据实际上描述了心脏在收缩和舒张过程中各部分心肌细胞产生的综合电位活动。该电位活动由体表电极测得,经过数字信号放大处理和硬件滤波后,最终以波形的形式进行展现。目前对心电数据中P波、QRS波、T波的识别通常只识别P波、QRS波、T波的峰值。基于该识别结果,仅能针对心电数据的某一种或某几种常见异常进行分类。
基于此,本申请实施例提供一种多导联心电数据的分类方法、装置及设备,采用人工智能技术对心电数据各个波形的顶点、起始点、终点等特征点进行识别,基于自动识别的心电数据特征点计算心电数据各个波形的波形参数,例如时限、振幅,各个波段及间期的值。利用心电数据常规特征及心电数据形态特征,结合专家经验对心电数据进行分析,输出心电数据的分类识别结果。通过对心电数据各个波的顶点、起始点、终点的特征点的检测,及心电专家的诊断经验的融合应用,为心电数据的人工智能诊断提供了可靠的依据,提高人工智能分类结果的准确性。本申请实施例的实现更能接近于医生的工作环境及诊断要求,为医生提供更好的辅助诊断。
为了便于理解本申请实施例,下面结合附图对本申请实施例提供的一种多导联心电数据的分类方法进行说明。
参见图1所示,该图为本申请实施例提供的一种多导联心电数据的分类方法的流程图,如图1所示,该方法可以包括S101-S104:
S101:获取多导联心电数据,将多导联心电数据分割为至少一个心搏的多导联心电数据。
心电数据是通过监测心脏跳动得到的包含心脏跳动相关信息的波形数据。连续的心电数据是由一系列采样频率固定的不连续采样点构成的,将每个采样点称为信号点或信号值。一条心电数据一般包括多导联心电数据,例如包含12导联的心电数据。12导联包括标准肢体导联I、II、III,加压单极肢体导联aVR、aVL、aVF,以及单极胸前导联V1、V2、V3、V4、V5、V6。
由于心脏是规律性地跳动,产生的心电数据是具有周期性的,将一个完整的心电波形称为一个心搏,一般可以获取包括多个完整心搏的心电数据。基于心电数据的周期性,可以将心电数据分割为一个或多个心搏的心电数据。在实际应用中,采集多导联心电数据,在清洗、去噪之后,可以将多导联心电数据分割为一个或多个心搏的多导联心电数据。
S102:识别单个心搏的多导联心电数据中预设波形的特征点位置,预设波形的特征点包括预设波形的起始点、终点以及顶点。
参见图2所示,心电数据是由重复出现的下列各波、段和间期组成,按先后发生的顺序依次是P波、Q波、R波、S波、T波和U波等,Q波、R波、S波可以组成QRS波群。各波的宽度称为时限,有P波时限、QRS波群时限、T波时限、U波时限等。前一个波的终点至下一个波的起始点称为“段”,有PR段、ST段等。“间期”有PR间期(即P波起始点到QRS波群起始点的距离)、QT间期(即QRS波群起始点到T波终点的距离),ST间期(S波终点到T波终点的距离)以及RR间期(即两个心搏R波峰值之间的距离)等。其中,P波表示心脏的心房除极过程;PR间期是P波与PR段,表示心房除极开始到心室除极;QRS波群表示心室的除极过程;ST-T表示心室复极全过程;QT间期表示整个心室的活动过程。间期、时限和段的单位可以用毫秒(ms)或秒(s)表示。P、Q、R、S、T、U波的振幅可以用毫伏(mV)表示。正向波的振幅从基线上缘垂直测量至波顶;负向波的振幅从基线下缘垂直测量至波谷。
在本申请实施例中,可以对多导联心电数据中预设波形的起始点、顶点以及终点等特征点的位置进行识别。预设波形可以为P波、Q波、R波、S波和T波等,例如,对P波、Q波、R波、S波和T波的起始点、顶点以及终点进行识别。预设波形也可以为P波、QRS波群和T波等。可以理解的是,预设波形如果有双向或双峰等波形存在,预设波形的顶点可以为两个。在实际应用中,可以对单个心搏的多导联心电数据中每一导联心电数据的预设波形的特征点位置分别进行识别。例如,对I导联心电数据的P波、Q波、R波、S波和T波的特征点位置进行识别,对II导联心电数据的P波、Q波、R波、S波和T波的特征点位置进行识别,以此类推。这样,对多导联心电数据中特征点的识别较为全面,以便于后续对多导联心电数据进行分类。
S102识别单个心搏的多导联心电数据中预设波形的特征点位置的具体实现过程,可以继续参见后续实施例的说明。
S103:根据单个心搏的多导联心电数据中预设波形的特征点位置,确定单个心搏的多导联心电数据的波形参数。
在得到单个心搏的多导联心电数据中预设波形的特征点位置之后,可以根据各个波形参数的定义,计算出多导联心电数据的波形参数。例如,各个预设波形的时限、振幅、波峰值间的间期以及相应的波段值等。在一种可能的实现方式中,波形参数可以包括P波时限、Q波时限、QRS时限、S波时限、T波时限、PR间期、RR间期、QT间期、PR段、ST段、P波振幅,Q波振幅,R波振幅,S波振幅以及T波振幅中的一个或多个。
在本申请实施例中,S103根据单个心搏的多导联心电数据中预设波形的特征点位置,确定单个心搏的多导联心电数据的波形参数的一种可能的实现包括:
A1:根据单个心搏的各个导联心电数据中预设波形的特征点位置,确定单个心搏的各个导联心电数据的波形参数。
A2:根据单个心搏的各个导联心电数据的波形参数确定单个心搏的多导联心电数据的波形参数。
也即,针对单个心搏的多导联心电数据,在识别到每一导联心电数据的预设波形的特征点位置后,可以对每一导联心电数据的波形参数进行计算。再根据各个导联心电数据的波形参数,可以综合计算出多导联心电数据的波形参数。
S104:将单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到单个心搏的分类识别结果,参数阈值是根据心电数据数值特征以及心电数据形态特征确定的。
医生在临床心电数据诊断中,除了常用的P波、QRS波群、T波的间期、幅度等心电数据数值特征外,还会使用一系列的心电数据形态特征,如QRS宽大畸形、P波双峰、双向,T波倒置、双向等。本申请实施例从医生诊断心电数据的思维过程与具体方式入手,结合心电数据数值特征以及心电数据形态特征,设计了一套符合医生工作环境中的诊断规则的参数阈值。每一种分类识别结果对应于不同波形参数具有相应的参数阈值,将多导联心电数据的波形参数与对应的参数阈值进行对比,则可以得到单个心搏的分类识别结果。在实际应用中,分类识别结果可以包括窦性心搏、房性早搏、室性早搏、交界性早搏、心房起搏心搏、心室起搏心搏等,窦性心搏属于正常心搏,除窦性心搏之外,其他分类识别结果均属于异常心搏。例如,P波时限的窦性心搏范围为a1、QRS波群时限的窦性心搏范围为a2……,如果各个波形参数均属于窦性心搏范围,则可以确定单个心搏的分类识别结果为窦性心搏。又例如,P波时限的房性早搏范围为b1、QRS波群时限的房性早搏范围为b2……,如果各个波形参数均属于房性早搏范围,则可以确定单个心搏的分类识别结果为房性早搏。
在实际应用中,心电数据数值特征可以包括:
(1)P波:窦性P波在不同导联可有不同形态,V3-V6导联P波直立(正向),aVR导联P波倒置(负向)。一般多呈圆钝形。I、II、aVF导联P波顶可有轻度切迹,双峰间距不超过30ms。P波宽度不超过0.11s,肢体导联P波振幅不超过0.25mV,胸前导联不超过0.20mV。
(2)PR间期:即由P波起点到QRS波群起点间的距离,一般成人P-R间期为0.12~0.20s。
(3)QRS波群:代表室间隔、左、右心室除极和最早期复极过程中产生的电位和时间变化。QRS波群时间正常成人为0.06~0.11s。
(4)ST段:自QRS波群的终点至T波起点的一段水平线称为ST段。正常人ST段位于基线上,也可出现ST轻度移位。正常任一导联S-T向下偏移都不应超过0.05mV,S-T向上抬高不应超过0.1mV。
(5)T波:代表心室复极波,T波钝圆,占时较长,T波方向常和QRS波群的主波方向一致,T波的振幅不应低于同导联R波的1/10,一般为0.1-0.5mV。
(6)QT间期:QRS波群起点至T波终点的距离,包括了心室开始除极到心室复极结束的全过程。QT间期同心率有密切关系。心率越快,QT间期越短;反之,则越长。一般心率70次/分左右时,QT间期约为0.40s。
列举部分心电数据形态特征:
(1)P波:P波倒置,P波正负双向等。
(2)T波:T波倒置增深,T波高尖、高耸呈帐篷状等。
(3)左束支传导阻滞:1)I,aVL、V5、V6导联呈单向R型;2)V1、V2导联呈QS或rS型,且r<30ms;3)以S波为主导的,ST段抬高,以R波为主导的ST段降低;4)基于QRS波群时限宽窄可以将左束支阻滞进一步区分为完全性左束支阻滞、不完全性左束支阻滞。
(4)右束支传导阻滞:1)V1导联呈rsR’、rR、R、qR型等;2)V5、V6导联呈Rs、qRs型,且R时限/S时限比值<1.0,S波宽钝;3)基于QRS波群时限宽窄可以将右束支阻滞进一步区分为完全性右束支阻滞、不完全性右束支阻滞。
(5)交界性心搏:1)QRS波群形态与窦性QRS波群一致;2)存在倒置P波,称为P逆(P-)波,P-波可以在QRS波群前面,也可以存在QRS波群之间或之后,当P-波在QRS波群前面时,PR间期<120ms。
(6)室性心搏:1)QRS波群前面无窦性P波,且QRS波群时限宽大畸形;2)V2、V3导联存在胖R波,R时限大于等于30ms;3)II导联R波起点到R波峰值的时限>=50ms,aVR导联R波起点到R波峰值的时限>=50ms。
以上心电数据数值特征以及心电数据形态特征仅为示例性说明,本申请实施例不对心电数据数值特征以及心电数据形态特征进行限定。
根据心电数据数值特征以及心电数据形态特征可以确定各个分类识别结果对应的各波形参数的参数阈值,从而实现对多导联心电数据的分类。
在一种可能的实现方式中,S104将单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到单个心搏的分类识别结果的实现可以包括:
B1:将单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到第一对比结果。
B2:将单个心搏的各个导联心电数据的波形参数分别与对应的参数阈值进行对比,得到第二对比结果。
B3:根据第一对比结果以及第二对比结果,确定单个心搏的分类识别结果。
基于上述说明,有一些参数阈值与多导联心电数据整体的波形参数相对应,而有一些参数阈值与某个导联的心电数据的波形参数相对应。因此,针对单个心搏的多导联心电数据,可以将多导联心电数据整体的波形参数与对应的参数阈值进行对比,得到第一对比结果,将单个导联心电数据的波形参数与对应的参数阈值进行对比,得到第二对比结果,综合第一对比结果以及第二对比结果,得到单个心搏的分类识别结果。
参见图3所示,示出了多导联心电数据的分类识别结果的示意图。图中在心电数据中标注出了各个特征点,并标注了每个心搏的分类识别结果。标记为N的是窦性心搏,标记为V的是异常心搏,例如V为室性早搏。
在本申请实施例中,可以对多导联心电数据中各个波形的起始点、终点以及顶点等特征点进行识别。基于该识别结果,可以计算心电数据中各个波形的波形参数,例如时限、振幅、各个波段及间期的值。利用心电数据数值特征以及心电数据形态特征,并结合专家经验可以设置波形参数对应的参数阈值,从而将波形参数与对应的参数阈值进行对比分析,输出多导联心电数据中单个心搏的分类识别结果。本申请实施例识别多导联心电数据中各个波形的起始点、终点以及顶点等特征点,特征点识别更为全面;通过设置参数阈值,可以对各种心电数据类别进行识别,提高了心电数据分类的全面性以及准确性。
为了更为准确地识别预设波形的特征点位置,本申请实施例基于深度学习的卷积神经网络模型进行特征点位置的识别。
首先,需要建立预设波形对应的特征点识别模型。为了建立预设波形对应的特征点识别模型,需要获取待训练多导联心电数据。在实际应用中,截取预设长度的待训练多导联心电数据,如10s的待训练多导联心电数据,由相关人员对心电数据进行标注。标注包括:预设波形的特征点位置,例如P波、Q波、R波、S波、T波和U波各自的起始点、顶点以及终点。另外,还可以标注每个心搏的分类结果,如窦性心搏、房性早搏、室性早搏、交界性早搏、心房起搏心搏、心室起搏心搏等。
然后利用预设波形对应的待训练多导联心电数据以及待训练多导联心电数据中特征点位置的标注训练得到的预设波形对应的特征点识别模型。预设波形对应的特征点识别模型可以为U-net模型。即采用基于U-net框架的卷积神经网络CNN,损失函数采用真实坐标点和预测坐标点之间的距离平方和,训练得到预设波形对应的特征点识别模型。特征点识别模型的最后两层为全连接层,可以输出特征点位置。
将单个心搏的多导联心电数据输入对应的特征点识别模型,获得单个心搏的多导联心电数据中P波的特征点位置、Q波的特征点位置、R波的特征点位置、S波的特征点位置、T波的特征点位置。
特征点识别模型可以是单个模型:例如P-QRS-T特征点识别模型;也可以是多个模型,例如P波对应的特征点识别模型、Q波对应的特征点识别模型、R波对应的特征点识别模型、S波对应的特征点识别模型、T波对应的特征点识别模型等。
在一种可能的实现方式中,当特征点识别模型为P-QRS-T特征点识别模型时,S102识别单个心搏的多导联心电数据中预设波形的特征点位置的实现可以包括:可以将单个心搏的多导联心电数据输入对应的特征点识别模型,获得单个心搏的多导联心电数据中预设波形的特征点位置。如将单个心搏的多导联心电数据输入P-QRS-T特征点识别模型,直接得到P波、Q波、R波、S波以及T波对应的特征点位置。在一种可能的实现方式中,当特征点识别模型为预设波形分别对应的特征点识别模型时,S102识别单个心搏的多导联心电数据中预设波形的特征点位置的实现可以包括:
C1:将单个心搏的多导联心电数据分割为预设波形对应的多导联心电数据。
C2:将预设波形对应的多导联心电数据输入预设波形对应的特征点识别模型,获得单个心搏的多导联心电数据中预设波形的特征点位置。
在本实施例中,先将多导联心电数据分割为预设波形对应的多导联心电数据,输入相应的特征点识别模型,即可得到多导联心电数据中预设波形的特征点位置。
由于预设波形可以为P波、Q波、R波、S波以及T波,则可以建立P波、Q波、R波、S波以及T波分别对应的特征点识别模型。
则在一种可能的实现方式中,C1将单个心搏的多导联心电数据分割为预设波形对应的多导联心电数据的实现可以包括:
将单个心搏的多导联心电数据分割为P波、Q波、R波、S波以及T波对应的多导联心电数据。
C2将预设波形对应的多导联心电数据输入预设波形对应的特征点识别模型,获得单个心搏的多导联心电数据中预设波形的特征点位置的实现可以包括:
将P波对应的多导联心电数据输入P波对应的特征点识别模型,获得单个心搏的多导联心电数据中P波的特征点位置;
将Q波对应的多导联心电数据输入Q波对应的特征点识别模型,获得单个心搏的多导联心电数据中Q波的特征点位置;
将R波对应的多导联心电数据输入R波对应的特征点识别模型,获得单个心搏的多导联心电数据中R波的特征点位置;
将S波对应的多导联心电数据输入S波对应的特征点识别模型,获得单个心搏的多导联心电数据中S波的特征点位置;
将T波对应的多导联心电数据输入T波对应的特征点识别模型,获得单个心搏的多导联心电数据中T波的特征点位置。
将单个心搏的多导联心电数据分割为P波、Q波、R波、S波以及T波对应的多导联心电数据。然后分别输入P波、Q波、R波、S波以及T波对应的特征点识别模型,得到每个特征点识别模型输出的起始点、顶点以及终点的特征点位置,从而实现特征点的全面检测。
另外,将待训练多导联心电数据作为本申请实施例提供的多导联心电数据的分类方法中的多导联心电数据,可以得到单个心搏的分类识别结果。与待训练多导联心电数据中标注的每个心搏的分类结果比较,可以对本申请实施例提供的多导联心电数据的分类方法进行调整,例如对参数阈值进行调整,以使本申请实施例提供的多导联心电数据的分类方法的应用更为准确。
基于上述方法实施例提供的一种多导联心电数据的分类方法,本申请实施例还提供了一种多导联心电数据的分类装置,下面将结合附图对该装置进行说明。
参见图4所示,该图为本申请实施例提供的一种多导联心电数据的分类装置的结构示意图。如图4所示,该多导联心电数据的分类装置包括:
获取单元401,用于获取多导联心电数据,将所述多导联心电数据分割为至少一个心搏的多导联心电数据;
识别单元402,用于识别单个心搏的多导联心电数据中预设波形的特征点位置,所述预设波形的特征点包括所述预设波形的起始点、终点以及顶点;
确定单元403,用于根据所述单个心搏的多导联心电数据中预设波形的特征点位置,确定所述单个心搏的多导联心电数据的波形参数;
对比单元404,用于将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到所述单个心搏的分类识别结果,所述参数阈值是根据心电数据数值特征以及心电数据形态特征确定的。
在一种可能的实现方式中,所述识别单元包括:
分割子单元,用于将单个心搏的多导联心电数据分割为预设波形对应的多导联心电数据;
获取子单元,用于将所述预设波形对应的多导联心电数据输入所述预设波形对应的特征点识别模型,获得单个心搏的多导联心电数据中预设波形的特征点位置。
在一种可能的实现方式中,所述分割子单元具体用于:
将单个心搏的多导联心电数据分割为P波、Q波、R波、S波以及T波对应的多导联心电数据;
所述获取子单元具体用于:
将P波对应的多导联心电数据输入P波对应的特征点识别模型,获得单个心搏的多导联心电数据中P波的特征点位置;
将Q波对应的多导联心电数据输入Q波对应的特征点识别模型,获得单个心搏的多导联心电数据中Q波的特征点位置;
将R波对应的多导联心电数据输入R波对应的特征点识别模型,获得单个心搏的多导联心电数据中R波的特征点位置;
将S波对应的多导联心电数据输入S波对应的特征点识别模型,获得单个心搏的多导联心电数据中S波的特征点位置;
将T波对应的多导联心电数据输入T波对应的特征点识别模型,获得单个心搏的多导联心电数据中T波的特征点位置。
在一种可能的实现方式中,所述预设波形对应的特征点识别模型为U-net模型,是利用预设波形对应的待训练多导联心电数据以及所述待训练多导联心电数据中特征点位置的标注训练得到的。
在一种可能的实现方式中,所述确定单元包括:
第一确定子单元,用于根据所述单个心搏的各个导联心电数据中预设波形的特征点位置,确定所述单个心搏的各个导联心电数据的波形参数;
第二确定子单元,用于根据所述单个心搏的各个导联心电数据的波形参数确定所述单个心搏的多导联心电数据的波形参数。
在一种可能的实现方式中,所述波形参数包括P波时限、Q波时限、QRS时限、S波时限、T波时限、PR间期、RR间期、QT间期、PR段、ST段、P波振幅,Q波振幅,R波振幅,S波振幅以及T波振幅中的一个或多个。
在一种可能的实现方式中,所述对比单元包括:
第一对比子单元,用于将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到第一对比结果;
第二对比子单元,用于将所述单个心搏的各个导联心电数据的波形参数分别与对应的参数阈值进行对比,得到第二对比结果;
第三确定子单元,用于根据所述第一对比结果以及所述第二对比结果,确定所述单个心搏的分类识别结果。
另外,本申请实施例还提供了一种多导联心电数据的分类设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述任一项所述的多导联心电数据的分类方法。
另外,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述任一项所述的多导联心电数据的分类方法。
这样,本申请实施例可以对多导联心电数据中各个波形的起始点、终点以及顶点等特征点进行识别。基于该识别结果,可以计算心电数据中各个波形的波形参数,例如时限、振幅、各个波段及间期的值。利用心电数据数值特征以及心电数据形态特征,并结合专家经验可以设置波形参数对应的参数阈值,从而将波形参数与对应的参数阈值进行对比分析,输出多导联心电数据中单个心搏的分类识别结果。本申请实施例识别多导联心电数据中各个波形的起始点、终点以及顶点等特征点,特征点识别更为全面;通过设置参数阈值,可以对各种心电数据类别进行识别,提高了心电数据分类的全面性以及准确性。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种多导联心电数据的分类方法,其特征在于,所述方法包括:
获取多导联心电数据,将所述多导联心电数据分割为至少一个心搏的多导联心电数据;
识别单个心搏的多导联心电数据中预设波形的特征点位置,所述预设波形的特征点包括所述预设波形的起始点、终点以及顶点;
根据所述单个心搏的多导联心电数据中预设波形的特征点位置,确定所述单个心搏的多导联心电数据的波形参数;
将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到所述单个心搏的分类识别结果,所述参数阈值是根据心电数据数值特征以及心电数据形态特征确定的。
2.根据权利要求1所述的方法,其特征在于,所述识别单个心搏的多导联心电数据中预设波形的特征点位置,包括:
将单个心搏的多导联心电数据分割为预设波形对应的多导联心电数据;
将所述预设波形对应的多导联心电数据输入所述预设波形对应的特征点识别模型,获得单个心搏的多导联心电数据中预设波形的特征点位置。
3.根据权利要求2所述的方法,其特征在于,所述将单个心搏的多导联心电数据分割为预设波形对应的多导联心电数据,包括:
将单个心搏的多导联心电数据分割为P波、Q波、R波、S波以及T波对应的多导联心电数据;
所述将所述预设波形对应的多导联心电数据输入所述预设波形对应的特征点识别模型,获得单个心搏的多导联心电数据中预设波形的特征点位置,包括:
将P波对应的多导联心电数据输入P波对应的特征点识别模型,获得单个心搏的多导联心电数据中P波的特征点位置;
将Q波对应的多导联心电数据输入Q波对应的特征点识别模型,获得单个心搏的多导联心电数据中Q波的特征点位置;
将R波对应的多导联心电数据输入R波对应的特征点识别模型,获得单个心搏的多导联心电数据中R波的特征点位置;
将S波对应的多导联心电数据输入S波对应的特征点识别模型,获得单个心搏的多导联心电数据中S波的特征点位置;
将T波对应的多导联心电数据输入T波对应的特征点识别模型,获得单个心搏的多导联心电数据中T波的特征点位置。
4.根据权利要求2所述的方法,其特征在于,所述预设波形对应的特征点识别模型为U-net模型,是利用预设波形对应的待训练多导联心电数据以及所述待训练多导联心电数据中特征点位置的标注训练得到的。
5.根据权利要求1所述的方法,其特征在于,所述根据所述单个心搏的多导联心电数据中预设波形的特征点位置,确定所述单个心搏的多导联心电数据的波形参数,包括:
根据所述单个心搏的各个导联心电数据中预设波形的特征点位置,确定所述单个心搏的各个导联心电数据的波形参数;
根据所述单个心搏的各个导联心电数据的波形参数确定所述单个心搏的多导联心电数据的波形参数。
6.根据权利要求1或5所述的方法,其特征在于,所述波形参数包括P波时限、Q波时限、QRS时限、S波时限、T波时限、PR间期、RR间期、QT间期、PR段、ST段、P波振幅,Q波振幅,R波振幅,S波振幅以及T波振幅中的一个或多个。
7.根据权利要求5所述的方法,其特征在于,所述将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到所述单个心搏的分类识别结果,包括:
将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到第一对比结果;
将所述单个心搏的各个导联心电数据的波形参数分别与对应的参数阈值进行对比,得到第二对比结果;
根据所述第一对比结果以及所述第二对比结果,确定所述单个心搏的分类识别结果。
8.一种多导联心电数据的分类装置,其特征在于,所述装置包括:
获取单元,用于获取多导联心电数据,将所述多导联心电数据分割为至少一个心搏的多导联心电数据;
识别单元,用于识别单个心搏的多导联心电数据中预设波形的特征点位置,所述预设波形的特征点包括所述预设波形的起始点、终点以及顶点;
确定单元,用于根据所述单个心搏的多导联心电数据中预设波形的特征点位置,确定所述单个心搏的多导联心电数据的波形参数;
对比单元,用于将所述单个心搏的多导联心电数据的波形参数与对应的参数阈值进行对比,得到所述单个心搏的分类识别结果,所述参数阈值是根据心电数据数值特征以及心电数据形态特征确定的。
9.一种多导联心电数据的分类设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7任一项所述的多导联心电数据的分类方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-7任一项所述的多导联心电数据的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410184007.7A CN118044821B (zh) | 2024-02-19 | 2024-02-19 | 一种多导联心电数据的分类方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410184007.7A CN118044821B (zh) | 2024-02-19 | 2024-02-19 | 一种多导联心电数据的分类方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118044821A true CN118044821A (zh) | 2024-05-17 |
CN118044821B CN118044821B (zh) | 2024-10-11 |
Family
ID=91051375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410184007.7A Active CN118044821B (zh) | 2024-02-19 | 2024-02-19 | 一种多导联心电数据的分类方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118044821B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150119737A1 (en) * | 2013-10-30 | 2015-04-30 | Apn Health, Llc | Heartbeat Categorization |
CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
CN108836310A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于人工智能的自动判断用户心电状态的方法及系统 |
CN110037680A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技(深圳)有限公司 | 心电图的识别方法及装置、存储介质、计算机设备 |
CN112587152A (zh) * | 2020-11-11 | 2021-04-02 | 上海数创医疗科技有限公司 | 一种融合U-net网络和滤波方法的12导联T波提取方法 |
CN113180687A (zh) * | 2021-04-29 | 2021-07-30 | 深圳邦健生物医疗设备股份有限公司 | 多导联动态心搏实时分类方法、装置、设备及存储介质 |
CN113647959A (zh) * | 2021-07-27 | 2021-11-16 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
CN113647908A (zh) * | 2021-08-06 | 2021-11-16 | 东软集团股份有限公司 | 波形识别模型的训练、心电波形识别方法、装置及设备 |
WO2021253709A1 (zh) * | 2020-06-17 | 2021-12-23 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏分类方法、装置、电子设备和介质 |
CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
CN114246591A (zh) * | 2021-12-30 | 2022-03-29 | 清华大学 | 一种基于知识图谱的心肌梗死智能辅助验证方法及系统 |
CN114652324A (zh) * | 2022-02-25 | 2022-06-24 | 苏州大学 | 一种单心拍分类方法、装置、设备及计算机可读存储介质 |
CN115486854A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种针对干电极采集的单导联心电图室性早搏识别方法 |
CN115828056A (zh) * | 2022-08-23 | 2023-03-21 | 福建技术师范学院 | 一种心电图特征信号提取方法及终端 |
CN116135146A (zh) * | 2021-11-18 | 2023-05-19 | 深圳市理邦精密仪器股份有限公司 | 动态心电的分析方法、装置及医疗设备 |
CN116304765A (zh) * | 2023-03-20 | 2023-06-23 | 众阳健康科技集团有限公司 | 一种基于谱空间表示学习的ecg波形聚类方法及系统 |
CN116712083A (zh) * | 2023-04-19 | 2023-09-08 | 苏州大学 | 一种基于U-Net网络的QRS复合波检测方法 |
-
2024
- 2024-02-19 CN CN202410184007.7A patent/CN118044821B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150119737A1 (en) * | 2013-10-30 | 2015-04-30 | Apn Health, Llc | Heartbeat Categorization |
CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
CN108836310A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于人工智能的自动判断用户心电状态的方法及系统 |
CN110037680A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技(深圳)有限公司 | 心电图的识别方法及装置、存储介质、计算机设备 |
WO2021253709A1 (zh) * | 2020-06-17 | 2021-12-23 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏分类方法、装置、电子设备和介质 |
CN112587152A (zh) * | 2020-11-11 | 2021-04-02 | 上海数创医疗科技有限公司 | 一种融合U-net网络和滤波方法的12导联T波提取方法 |
CN113180687A (zh) * | 2021-04-29 | 2021-07-30 | 深圳邦健生物医疗设备股份有限公司 | 多导联动态心搏实时分类方法、装置、设备及存储介质 |
CN113647959A (zh) * | 2021-07-27 | 2021-11-16 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
CN113647908A (zh) * | 2021-08-06 | 2021-11-16 | 东软集团股份有限公司 | 波形识别模型的训练、心电波形识别方法、装置及设备 |
CN116135146A (zh) * | 2021-11-18 | 2023-05-19 | 深圳市理邦精密仪器股份有限公司 | 动态心电的分析方法、装置及医疗设备 |
CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
CN114246591A (zh) * | 2021-12-30 | 2022-03-29 | 清华大学 | 一种基于知识图谱的心肌梗死智能辅助验证方法及系统 |
CN114652324A (zh) * | 2022-02-25 | 2022-06-24 | 苏州大学 | 一种单心拍分类方法、装置、设备及计算机可读存储介质 |
CN115828056A (zh) * | 2022-08-23 | 2023-03-21 | 福建技术师范学院 | 一种心电图特征信号提取方法及终端 |
CN115486854A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种针对干电极采集的单导联心电图室性早搏识别方法 |
CN116304765A (zh) * | 2023-03-20 | 2023-06-23 | 众阳健康科技集团有限公司 | 一种基于谱空间表示学习的ecg波形聚类方法及系统 |
CN116712083A (zh) * | 2023-04-19 | 2023-09-08 | 苏州大学 | 一种基于U-Net网络的QRS复合波检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118044821B (zh) | 2024-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN109411041B (zh) | 心电信息处理方法和心电工作站系统 | |
CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
CN108294745B (zh) | 多导联心电图信号中p波、t波起止点检测方法及系统 | |
CN104586383A (zh) | 一种心电波形分类方法及装置 | |
Tueche et al. | Embedded algorithm for QRS detection based on signal shape | |
CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
US5794624A (en) | Method and system for the fast determination of EKG waveform morphology | |
CN115486854B (zh) | 一种针对干电极采集的单导联心电图室性早搏识别方法 | |
CN113499079A (zh) | 一种心电图中的房颤检测方法 | |
CN112617850A (zh) | 心电信号的早搏心拍检测方法 | |
Prashar et al. | Novel cardiac arrhythmia processing using machine learning techniques | |
CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
CN118044821B (zh) | 一种多导联心电数据的分类方法、装置及设备 | |
Khavas et al. | Robust heartbeat detection using multimodal recordings and ECG quality assessment with signal amplitudes dispersion | |
CN110811608A (zh) | 一种基于ecg信号的房颤监测方法 | |
CN112438735B (zh) | 一种心电图p波检测方法、分析装置以及存储介质 | |
CN115590524A (zh) | 基于卷积神经网络的qt间期延长识别方法及系统 | |
CN114668401A (zh) | 一种ai心电训练数据标注方法、装置、电子设备及介质 | |
Ghaffari et al. | Finding events of electrocardiogram and arterial blood pressure signals via discrete wavelet transform with modified scales | |
CN113749665B (zh) | 异常指标的捕捉方法、装置、设备和介质 | |
CN111265194B (zh) | 心室肥大的检测方法、装置、存储介质和处理器 |
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 | ||
GR01 | Patent grant |