WO2021037102A1 - 基于图片及心搏信息的心电分析方法、装置、设备及介质 - Google Patents

基于图片及心搏信息的心电分析方法、装置、设备及介质 Download PDF

Info

Publication number
WO2021037102A1
WO2021037102A1 PCT/CN2020/111582 CN2020111582W WO2021037102A1 WO 2021037102 A1 WO2021037102 A1 WO 2021037102A1 CN 2020111582 W CN2020111582 W CN 2020111582W WO 2021037102 A1 WO2021037102 A1 WO 2021037102A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
heartbeat
electrocardiogram
ecg
analyzed
Prior art date
Application number
PCT/CN2020/111582
Other languages
English (en)
French (fr)
Inventor
宋鹏
李俊博
陈方印
Original Assignee
中科麦迪人工智能研究院(苏州)有限公司
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 中科麦迪人工智能研究院(苏州)有限公司 filed Critical 中科麦迪人工智能研究院(苏州)有限公司
Publication of WO2021037102A1 publication Critical patent/WO2021037102A1/zh

Links

Images

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]
    • 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

Definitions

  • Obtaining the ECG data to be analyzed also includes: obtaining the ECG waveform data directly from the electronic ECG management system.
  • Step 120 Identify a group of heartbeat data in the electrocardiogram data to be analyzed.
  • a static ECG test lasts for about 10 seconds, and there are about 10 heartbeat cycles in this time period. Therefore, based on a PDF of the ECG data to be analyzed, about 10 sets of heartbeat data can be extracted and input to the abnormal heart accordingly.
  • about 10 types of abnormal ECG classification information can be obtained. Normally, these 10 types of abnormal ECG classification information are the same; but when there is interference information, or the patient under examination has lesions, these 10 types may appear. This kind of abnormal ECG classification information is inconsistent.
  • the final abnormal ECG classification information can be determined based on a preset rule.
  • the preset rule may be, for example: based on voting rules, classify the abnormal ECG with the most occurrences.
  • data such as the PP interval before and after the corresponding heartbeat are added to the characteristics, and the waveform amplitude, wavelet transform and other measurement operations are performed, which enriches the waveform characteristics of the sample and improves the sample data Effectiveness.
  • the device further includes: a labeling module configured to: perform abnormal ECG classification information labeling on a group of heartbeat data, and the labeling module includes: a comparison unit configured to: compare the distribution characteristics of the group of heartbeat data Compare with the preset distribution feature; the determining unit is configured to determine the abnormal ECG classification information corresponding to the set of heartbeat data according to the comparison result.
  • a labeling module configured to: perform abnormal ECG classification information labeling on a group of heartbeat data
  • the labeling module includes: a comparison unit configured to: compare the distribution characteristics of the group of heartbeat data Compare with the preset distribution feature; the determining unit is configured to determine the abnormal ECG classification information corresponding to the set of heartbeat data according to the comparison result.
  • the electrocardiogram analysis device based on pictures and heartbeat information provided in this embodiment can execute the electrocardiogram analysis method based on pictures and heartbeat information provided in any of the above embodiments, and has corresponding functional modules, which are not explained in this embodiment For clear content, refer to the above method embodiment.
  • the memory 671 can be used to store software programs, computer-executable programs, and modules, such as an electrocardiogram analysis device or module based on pictures and heartbeat information in the embodiment of the present invention.
  • the modules may be, for example, An acquisition module 510, an identification module 520, and an analysis module 530 in an electrocardiogram analysis device based on pictures and heartbeat information.
  • the processor 670 executes various functional applications and data processing of the electronic device by running the software programs, instructions, and modules stored in the memory 671, that is, realizes the above-mentioned electrocardiogram analysis method based on pictures and heartbeat information.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于图片及心搏信息的心电分析方法、装置、设备及介质，基于图片及心搏信息的心电分析方法包括：获取待分析心电图数据（步骤110）；识别待分析心电图数据中的一组心搏数据（步骤120）；将一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息（步骤130）；其中，待分析心电图数据为设定数量导联的心电图数据，一组心搏数据包括设定数量的导联分别对应的一个心搏周期数据。基于图片及心搏信息的心电分析方法，实现了心电图的智能分析，同时降低了训练样本数据的采集复杂度以及训练样本数据的需求量。

Description

基于图片及心搏信息的心电分析方法、装置、设备及介质
本申请要求在2019年08月27日提交中国专利局、申请号为201910797646.X的中国专利申请的优先权，以上申请的全部内容通过引用结合在本申请中。
技术领域
本申请涉及心电图分析领域，例如涉及一种基于图片及心搏信息的心电分析方法、装置、设备及介质。
背景技术
心电图检查根据临床使用情况可以分成：静态心电图、动态心电图和运动心电图。其中，静态心电图通过采用12导联记录一段时间内的心电信号并进行分析，对各种心律失常和传导阻滞的诊断分析具有肯定价值，是冠心病诊断中最常用的诊断方法。
静态心电图的检查装置主要由心电信号采集记录仪、导联系统和计算机软件三部分组成。心电信号采集记录仪负责采集测量并记录患者的心电图数据，由于在患者接受心电图检查过程中，很容易受到外界的各种干扰，因此，对心电信号采集记录仪的采样频率、分辨率以及抗干扰等性能的要求较高。高性能的心电信号采集记录仪采集的静态心电信号波形信噪比高、信号保真强，这对于后续的分析计算有非常大的帮助。导联系统包括电极片和导联线。计算机软件用于基于心电信号采集记录仪所采集的心电信号进行心电图的波形显示。
目前，基于静态心电图的诊断方法主要是依靠经验资深的专业医生通过观察生成的心电图报告进行诊断。但在各级基础医院，由于没有足够多的经验资深的专业医生，导致无法高效地基于静态心电图对患者的身体状态进行诊断。针对该问题，出现了基于人工智能的心电图分析方法，但是，这种方法存在如下问题：在训练样本数据采集方面，多数需要通过与具体的心电图机对接来采集，即通过制作与心电图机兼容的接口来采集原始心电信号，显然该种采集方式比较复杂；在数据标注方面，多数是由经验丰富的医生手动进行标注，这种方式效率较低，且标注医生的工作量较大；在训练样本的特征提取方面，多数是将一个患者的心电图数据作为一个训练样本，极大地增加了训练样本数据的获取难度，增加了训练样本的数据需求量，若没有足够量的训练样本数据，则 得不到性能优越的智能分析模型。
发明内容
本申请提供一种基于图片及心搏信息的心电分析方法、装置、设备及介质，以实现心电图的智能分析，同时降低训练样本数据的采集复杂度以及训练样本数据的需求量。
本申请提供了一种基于图片及心搏信息的心电分析方法，包括：
获取待分析心电图数据；
识别所述待分析心电图数据中的一组心搏数据；
将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；
其中，所述待分析心电图数据为设定数量导联的心电图数据，所述一组心搏数据包括所述设定数量的导联分别对应的一个心搏周期数据。
本申请提供了一种基于图片及心搏信息的心电分析装置，包括：
获取模块，配置为获取待分析心电图数据；
识别模块，配置为识别所述待分析心电图数据中的一组心搏数据；
分析模块，配置为将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；
其中，所述待分析心电图数据为设定数量导联的心电图数据，所述一组心搏数据包括所述设定数量的导联分别对应的一个心搏周期数据。
本申请提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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本申请任一实施例所述的基于图片及心搏信息的心电分析方法。
本申请提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如本申请任一实施例所述的基于图片及心搏信息的心电分析方法。
附图说明
图1为本发明实施例一提供的一种基于图片及心搏信息的心电分析方法流程示意图；
图2为本发明实施例一提供的一种心电图示意图；
图3为本发明实施例一提供的一种心搏周期的波形示意图；
图4为本发明实施例二提供的一种异常心电分类模型的生成过程示意图；
图5为本发明实施例三提供的一种基于图片及心搏信息的心电分析装置的结构示意图；
图6为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明实施例的技术方案作进一步的详细描述。
实施例一
图1为本发明实施例一提供的一种基于图片及心搏信息的心电分析方法流程示意图。本实施例公开的基于图片及心搏信息的心电分析方法可适用于对患者进行动态心电图监测的场景，可以由基于图片及心搏信息的心电分析装置来执行。其中该装置可由软件和硬件至少之一实现。参见图1所示，该方法包括如下步骤：
步骤110、获取待分析心电图数据。
所述获取待分析心电图数据，包括：获取PDF(Portable Document Format，可移植文档格式)的待分析心电图数据。
目前多数医院采用的心电图管理系统都具备导出PDF文件的功能。当患者接受完心电图检查后，相关医护人员手动或者由心电图管理系统自动导出所述患者PDF格式的心电图报告，即为所述PDF的待分析心电图数据，然后将所述PDF的待分析心电图数据输入至基于图片及心搏信息的心电分析装置，实现所述获取PDF的待分析心电图数据的操作。
获取待分析心电图数据，还包括：从电子心电图管理系统直接获取心电波形数据。
步骤120、识别所述待分析心电图数据中的一组心搏数据。
所述待分析心电图数据为12导联静态心电图数据。静态心电图一般使用标准12导联体系，包括Ⅰ、Ⅱ和Ⅲ三个肢体导联，V1、V2、V3、V4、V5和V6六个胸导联，以及aVR、aVL和aVF三个加压导联。可参见图2所示的一种心电图示意图，为了清晰显示心电图波形，图2中仅示出了部分导联的心电波形供参考。
以所述待分析心电图数据为12导联静态心电图数据为例，所述一组心搏数据包括12个心搏周期数据，分别为12个导联中每个导联对应的一个心搏周期数据。例如在t1时刻Ⅰ、Ⅱ和Ⅲ三个肢体导联对应的心搏周期数据分别记为Ⅰ[]、Ⅱ[]和Ⅲ[]，在t1时刻V1、V2、V3、V4、V5和V6六个胸导联对应的心搏周期数据分别为记为V1[]、V2[]、V3[]、V4[]、V5[]和V6[]，在t1时刻aVR、aVL和aVF三个加压导联对应的心搏周期数据分别为记为aVR[]、aVL[]和aVF[]，则所述一组心搏数据为：{Ⅰ[]，Ⅱ[]，Ⅲ[]，V1[]，V2[]，V3[]，V4[]，V5[]，V6[]，aVR[]，aVL[]，aVF[]}。
在所述待分析心电图数据为PDF的待分析心电图数据的情况下，所述识别所述待分析心电图数据中的一组心搏数据，包括：将PDF的待分析心电图数据转换为可缩放的矢量图形(Scalable Vector Graphics，SVG)格式的心电波形矢量图；基于心电图的标定电压和走纸速度对SVG格式的心电波形矢量图进行采样以及坐标变换操作，得到向量形式的心电波形数据；基于所述向量形式的心电波形数据结合关键点检测技术识别每个导联对应的心搏的R峰位置；以每个心搏的R峰位置为基准确定每个导联对应的心搏周期数据；将多个导联对应的心搏周期数据确定为所述一组心搏数据。
所述以每个心搏的R峰位置为基准确定每个导联对应的心搏周期数据，包括：将每个心搏的R峰位置以及与所述R峰位置对应的PP间期数据确定为每个心搏周期数据。
通过将PDF的待分析心电图数据转换为SVG格式的心电波形矢量图，降低了心电波形数据的提取难度。每个心搏的R峰是指心搏波形的最高点，例如参见图3所示的心搏周期的波形示意图，在心电图上心搏周期数据是指以R峰为基准PP间期所产生的数据。当识别到每个心搏的R峰时，以每个心搏的R峰 位置为基准，例如向前取110个采样点，向后取145个采样点，总共256个采样点(包括R峰)作为基础信号，基础信号通常涵盖波形QRS(part of electrocardiographic wave，)。为了解决单个心搏数据缺乏上下文信息的问题，在基础信号的基础上进行部分间期数据(关键点的间距)、波形振幅、小波变换等一系列测量操作，例如在基础信号的基础上加入当前心搏与相邻的前一个心搏之间的RR间期及PP间期等表示心搏之间信息的波形数据，以及当前心搏与相邻的后一个心搏之间的RR间期及PP间期等表示心搏之间信息的波形数据等，极大地丰富了心搏之间的联系信息。
参见图3所示，正常情况下心跳都是从窦房结开始产生电信号，并将此点作为p波起点，直到下一次的心跳p波起点，这段时间作为PP间期。QRS波是窦房结产生的电信号传输到心室而产生跳动从而形成的波形。通常PP间期对应计算心房率，而RR间期对应计算心室率。正常情况下，心房率与心室率是相等的。
所述关键点检测技术具体可以采用业界权威的ecgpuwave(心电图波)工具实现。本实施例对心电图的智能分析是以心搏为粒度，区别于一些方案中只是顺序截取固定长度的心电信号，本案对心电信号截取的位置和长度都有特定的要求，首先是基于每个心搏的位置进行截取，所以要对心电信号进行关键点的检测，找到信号中每个心搏R峰的位置，然后前后各截取固定的长度，本实施例中向前取110个采样点，向后取145个采样点，并加入相邻心搏之间的间期数据，提高了异常心电分类的分析准确度。
在所述待分析心电图数据为从电子心电图管理系统直接获取的心电波形数据的情况下，所述识别所述待分析心电图数据中的一组心搏数据的步骤，无需上述的格式转换以及波形采样步骤，所述识别所述待分析心电图数据中的一组心搏数据包括：基于所述心电波形数据结合关键点检测技术识别每个导联对应的心搏的R峰位置；以每个心搏的R峰位置为基准确定每个导联对应的心搏周期数据；将多个导联对应的心搏周期数据确定为所述一组心搏数据。
步骤130、将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息。
其中，所述预先训练好的异常心电分类模型是基于训练样本训练得到，所 述训练样本包括被标注了异常心电分类信息的一组心搏数据，所述一组心搏数据包括设定数量个心搏周期数据，所述设定数量个心搏周期数据为所述设定数量导联分别对应的心搏周期数据；所述预先训练好的异常心电分类模型基于Gradient Boosting(梯度提升)框架的XGBoost(XG提升)类库进行学习得到。
所述异常心电分类信息包括以下至少一种：正常、室性早搏、心室预激波、完全性左束支阻滞、完全性右束支阻滞、心房颤动、心房扑动、房性逸搏、房性早搏或者房性心动过速。不同异常心电分类信息对应的心电图的波形特征不同，通过利用已知异常心电分类信息的心搏波形特征训练异常心电分类模型，极大地降低了大数据量训练样本的获取难度。
所述方法还包括：识别所述待分析心电图数据中的每一组心搏数据；将所述每一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；根据每组心搏数据对应的芯片类别信息确定所述PDF的待分析心电图数据的芯片类别信息。
通常一次静态心电图检测大约持续10秒左右，该时间段内大约有10个左右的心搏周期，因此基于一份PDF的待分析心电图数据可提取大约10组心搏数据，相应地输入至异常心电分类模型后可得到大约10种异常心电分类信息，正常情况下这10种异常心电分类信息是相同；但当有干扰信息时，或者接受检查的患者存在病灶时，可能会出现这10种异常心电分类信息不一致的情况。当出现10种异常心电分类信息不一致的情况时，可基于预设规则确定最终的异常心电分类信息，所述预设规则例如可以为：基于投票规则，将出现次数最多的异常心电分类信息确定为当前PDF的待分析心电图数据对应的最终异常心电分类信息；或者加入一些经验规则，例如，假设临床经验认为室性早搏与心室预激波两种异常心电分类信息不可能同时出现在同一患者，若出现所述两种异常心电分类信息同时出现在同一患者的情况时，则确定为周围的噪声干扰所致，此种情况下正确的异常心电分类信息应为室性早搏。需要说明的是，上述示例仅用于解释经验规则的原理，不代表真实的临床经验。
在动态心电图监测场景，本实施例提供的心电分析方法可实现实时分析和预警。通过试验发现，本实施例提供的心电分析方法对于动态心电图监测可实现秒级响应，异常心电分类信息分析准确率高，大大减少了医生主观分析心电 图所花费的时间，提高了医生的诊断效率。
本实施例提供的一种基于图片及心搏信息的心电分析方法，通过获取可移植文档格式PDF的待分析心电图数据；识别所述待分析心电图数据中的一组心搏数据；将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；其中，所述待分析心电图数据为设定数量导联的心电图数据，所述一组心搏数据包括所述设定数量的导联分别对应的一个心搏周期数据的技术手段，实现了心电图的智能分析，通过以心搏为粒度，降低了训练样本数据的采集复杂度以及训练样本数据的需求量。
实施例二
图4为本发明实施例二提供的一种上述实施例中用于对一组心搏数据进行分析以得到对应的异常心电分类信息的所述异常心电分类模型的生成过程示意图。具体参见图4所示，所述异常心电分类模型生成过程包括如下阶段。
410、心电图数据采集阶段。
其中，为了降低心电图数据的采集难度，本实施例提出的方案中采用PDF格式的心电图数据，这是因为目前大多数心电图管理系统均具备导出PDF文件的功能，由此，无需再与特定的心电图机进行对接，开发心电图机具有可以兼容的数据传输接口即可，从而降低了心电图数据的采集难度，缩短了心电图数据的采集周期。同时，PDF数据是矢量格式，较易于从中提取心电信号。为了保证样本数据的有效性和均衡性，可以有针对性地采集心电图数据，例如每种异常心电分类信息对应的心电图各5000份，可以由医生手动筛选，也可以通过编制小程序自动完成数据筛选。
420、样本特征提取阶段。
得到PDF格式的心电图数据后，从中进行心电信号提取，具体为：通过借助第三方类库，将PDF转换为基于开放标准的SVG格式的矢量图。通过对比定标电压和走纸速度等参数，对SVG中的心电波形进行采样、坐标转换等一系列操作。最终将心电波形转换为向量的表示形式，并存储在自定义文档结构的xml文档中，方便后续步骤的使用。
继续从向量形式的心电波形中提取更具体的心搏波形，具体为：基于关键 点检测技术找到心电波形信号中每个心搏R峰的位置，然后前后各截取固定的长度(例如向前取110个采样点，向后取145个采样点)。关键点检测技术可采用业界权威的ecgpuwave工具。对于未检测到的R峰位置或检测错误的R峰位置，可以由专业医生进行异常心电分类信息标注时进行如下修正：新增或移除，以提高样本质量。
为了解决单个心搏波形信息内缺乏上下文信息，在特征中加入对应心搏的前后PP间期等数据，并进行波形振幅、小波变换等测量操作，丰富了样本的波形特征，提高了样本数据的有效性。
通过对采样信号进行中值滤波、z-score标注化等常规的信号处理可提高样本特征的有效性。通过实验证明，在实验数据下，经过一系列心电信号处理得到的样本特征信号比未经心电信号处理的样本特征信号在机器学习中提升了约2个百分点。
430、异常心电分类信息标注阶段。
对上述检测到的心搏数据进行异常心电分类信息标注，包括：将所述心搏数据的分布特征与预设分布特征进行比对；根据比对结果确定所述一组心搏数据对应的异常心电分类信息。
通过对异常心电分类信息进行自动标注，极大地降低了医生的工作量。为了提高样本质量，预标注完成后，可由专业医生进行复核，对标注不准确的进行调整修改。试验证明，自动标注在异常心电分类信息为正常、完全性左束支阻滞、完全性右束支阻滞、心室预激波以及室性早搏上都有很高的正确率。
440、机器学习阶段。
因为前期在特征提取的过程中对心电信号做了一系列的处理，使得的特征信息具有明确的意义，所以我们采用了基于Gradient Boosting框架的XGBoost库。相比卷积神经网络(Convolutional Neural Networks，CNN)等深度学习方案，XGBoost的训练速度更快，且更容易获取原始特征的重要性信息，方便对特征信息进行分析，以改进特征提取过程。XGBoost的模型构建相比CNN等更容易，需要调整的超参数较少，模型更容易优化。在我们提取的特征数据下，实验证明，XGBoost模型比CNN模型收敛速度更快，多次实验的数据表明 XGBoost模型的测试结果达到甚至略微超过了CNN模型。
我们取20％的数据作为测试数据集、80％的数据作为训练数据集。同时为了保证测试的有效性，来自同一幅心电图的样本不会同时被分配到训练数据集和测试数据集。为了获得较佳的模型，我们在训练数据集中抽取20％作为验证集，若50轮迭代中结果没有提升，则停止训练。为了提升训练速度，我们使用4块Nvidia(英伟达)1080Ti显卡并行训练，为了方便日后模型迁移到无显卡的服务器中运行，模型在预测阶段采用中央处理器(Central Processing Unit，CPU)预测。在多次实验中选取结果最好的模型作为可供软件使用的人工智能(Artificial Intelligence，AI)模型。
450、模型评估阶段
在一次实验中共标注和训练了包括正常在内的10类心拍，分别是正常、室性早搏、心室预激波、完全性左束支阻滞、完全性右束支阻滞、心房颤动、心房扑动、房性逸搏、房性早搏和房性心动过速。其中，正常、完全性左束支阻滞、完全性右束支阻滞以及心室预激波由于在心搏波形的形态特征上较为显著，所以较容易识别，模型的预测效果最好。室性早搏由于每幅心电图中所能获得的样本较少，预测效果相比前者略差。心房颤动、心房扑动、房性逸搏、房性早搏以及房性心动过速这5种异常心电分类由于对心电信号的前后上下文信息依赖性较强，而样本特征中这部分信息相对缺乏，致使模型预测效果相对不好。最终，实验结果基本符合医生认知，具有较好的预测能力。
本实施例提供的一种异常心电分类模型生成方法，通过以心搏为细粒度，极大地降低了样本数据需求量以及获取难度，通过使用PDF格式的心电图数据，更好地迎合目前的心电图管理系统的硬件现状，进一步降低了原数据的获取难度，在动态心电图监测场景，本实施例提供的异常心电分类模型可做到秒级响应，降低了医生的工作量，提高了诊断效率。
实施例三
图5为本发明实施例三提供的一种基于图片及心搏信息的心电分析装置的结构示意图。参见图5所示，所述装置包括：获取模块510、识别模块520和分析模块530。
获取模块510，配置为获取待分析心电图数据；识别模块520，配置为识别所述待分析心电图数据中的一组心搏数据；分析模块530，配置为将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；其中，所述待分析心电图数据为设定数量导联的心电图数据，所述一组心搏数据包括所述设定数量的导联分别对应的一个心搏周期数据。
获取模块510是配置为：获取可移植文档格式PDF的待分析心电图数据；所述识别模块520包括：转换单元，配置为：将PDF的待分析心电图数据转换为可缩放的矢量图形SVG格式的心电波形矢量图；采样单元，配置为：基于心电图的标定电压和走纸速度对SVG格式的心电波形矢量图进行采样以及坐标变换操作，得到向量形式的心电波形数据；识别单元，配置为：基于所述向量形式的心电波形数据结合关键点检测技术识别每个导联对应的心搏的R峰位置；确定单元，配置为：以每个心搏的R峰位置为基准确定每个导联对应的心搏周期数据；将多个导联对应的心搏周期数据确定为所述一组心搏数据。
确定单元是配置为：将每个心搏的R峰位置以及与所述R峰位置对应的PP间期数据确定为每个心搏周期数据。
所述预先训练好的异常心电分类模型基于训练样本训练得到，所述训练样本包括被标注了异常心电分类信息的一组心搏数据，所述一组心搏数据包括设定数量个心搏周期数据，所述设定数量个心搏周期数据为所述设定数量导联分别对应的心搏周期数据；所述预先训练好的异常心电分类模型基于Gradient Boosting框架的XGBoost类库进行学习得到。
所述装置还包括：标注模块，配置为：对一组心搏数据进行异常心电分类信息标注，所述标注模块包括：比对单元，配置为：将所述一组心搏数据的分布特征与预设分布特征进行比对；确定单元，配置为：根据比对结果确定所述一组心搏数据对应的异常心电分类信息。
所述识别模块520还配置为：识别所述待分析心电图数据中的每一组心搏数据；所述分析模块还配置为将所述每一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；所述装置还包括确定模块，配置为根据每组心搏数据对应的芯片类别信息确定所述PDF的待分析心电图数据的芯片类别信息。
所述异常心电分类信息包括以下至少一种：正常、室性早搏、心室预激波、完全性左束支阻滞、完全性右束支阻滞、心房颤动、心房扑动、房性逸搏、房性早搏或者房性心动过速。
本实施例提供的基于图片及心搏信息的心电分析装置，通过获取可移植文档格式PDF的待分析心电图数据；识别所述待分析心电图数据中的一组心搏数据；将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；其中，所述待分析心电图数据为设定数量导联的心电图数据，所述一组心搏数据包括所述设定数量的导联分别对应的一个心搏周期数据的技术手段，实现了心电图的智能分析，通过以心搏为粒度，降低了训练样本数据的采集复杂度以及训练样本数据的需求量。
本实施例提供的基于图片及心搏信息的心电分析装置可执行上述任一实施例所提供的基于图片及心搏信息的心电分析方法，具备相应的功能模块，未在本实施例解释清楚的内容可参考上述方法实施例。
实施例四
图6为本发明实施例四提供的一种电子设备的结构示意图。如图6所示，该电子设备包括：处理器670、存储器671及存储在存储器671上并可在处理器670上运行的计算机程序；其中，处理器670的数量可以是一个或多个，图6中以一个处理器670为例；处理器670执行所述计算机程序时实现如上述实施例一中所述的基于图片及心搏信息的心电分析方法。如图6所示，所述电子设备还可以包括输入装置672和输出装置673。处理器670、存储器671、输入装置672和输出装置673可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器671作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中基于图片及心搏信息的心电分析装置或模块，所述模块例如可以为基于图片及心搏信息的心电分析装置中的获取模块510、识别模块520和分析模块530。处理器670通过运行存储在存储器671中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的基于图片及心搏信息的心电分析方法。
存储器671可包括存储程序区和存储数据区，其中，存储程序区配置为存储操作系统、至少一个功能所需的应用程序；存储数据区配置为存储根据终端 的使用所创建的数据等。此外，存储器671可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器671还可包括相对于处理器670远程设置的存储器，这些远程存储器可以通过网络连接至电子设备或存储介质。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置672配置为接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置673可包括显示屏等显示设备。
实施例五
本公开实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的基于图片及心搏信息的心电分析方法。
本公开上述的计算机存储介质可以是计算机可读存储介质。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。该计算机可读存储介质属于计算机可读介质，计算机可读介质还可以包括计算机可读信号介质，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装 置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如超文本传输协议(HyperText Transfer Protocol，HTTP)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备配置为：
获取待分析心电图数据；
识别所述待分析心电图数据中的一组心搏数据；
将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；
其中，所述待分析心电图数据为设定数量导联的心电图数据，所述一组心搏数据包括所述设定数量的导联分别对应的一个心搏周期数据。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括LAN或WAN连接到用户计算机，或者，可以连接到外部计算机，例如利用因特网服务提供商来通过因特网连接。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(Field Programmable Gate Array，FPGA)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用标准产品(Application Specific Standard Product，ASSP)、片上系统(System on a Chip，SOC)、复杂可编程逻辑设备(Complex Programmable Logic Device，CPLD)等等。
在本公开的上下文中，计算机可读介质可以是有形的介质，计算机可读介质可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。

Claims (16)

  1. 一种基于图片及心搏信息的心电分析方法，包括：
    获取待分析心电图数据；
    识别所述待分析心电图数据中的一组心搏数据；
    将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；
    其中，所述待分析心电图数据为设定数量导联的心电图数据，所述一组心搏数据包括所述设定数量的导联分别对应的一个心搏周期数据。
  2. 根据权利要求1所述的方法，其中，所述获取待分析心电图数据包括：
    获取可移植文档格式PDF的待分析心电图数据；
    所述识别所述待分析心电图数据中的一组心搏数据，包括：
    将所述PDF的待分析心电图数据转换为SVG格式的心电波形矢量图；
    基于心电图的标定电压和走纸速度对SVG格式的心电波形矢量图进行采样以及坐标变换操作，得到向量形式的心电波形数据；
    基于所述向量形式的心电波形数据结合关键点检测技术识别每个导联对应的心搏的R峰位置；
    以每个心搏的R峰位置为基准确定每个导联对应的心搏周期数据；
    将所有导联的心搏周期数据确定为所述一组心搏数据。
  3. 根据权利要求1所述的方法，其中，所述获取待分析心电图数据包括：
    从电子心电图管理系统直接获取心电波形数据；
    所述识别所述待分析心电图数据中的一组心搏数据，包括：
    基于所述心电波形数据结合关键点检测技术识别每个导联对应的心搏的R峰位置；
    以每个心搏的R峰位置为基准确定每个导联对应的心搏周期数据；
    将多个导联对应的心搏周期数据确定为所述一组心搏数据。
  4. 根据权利要求2或3所述的方法，其中，所述以每个心搏的R峰位置为基准确定每个心搏周期数据，包括：
    将每个心搏的R峰位置以及与所述R峰位置对应的PP间期数据确定为每个心搏周期数据。
  5. 根据权利要求1所述的方法，其中，所述预先训练好的异常心电分类模型基于训练样本训练得到，所述训练样本包括被标注了异常心电分类信息的一组心搏数据，所述一组心搏数据包括设定数量个心搏周期数据，所述设定数量个心搏周期数据为所述设定数量导联分别对应的心搏周期数据。
  6. 根据权利要求5所述的方法，其中，所述预先训练好的异常心电分类模型基于训练样本训练得到，包括：
    所述预先训练好的异常心电分类模型基于Gradient Boosting框架的XGBoost类库进行学习得到。
  7. 根据权利要求5所述的方法，其中，对一组心搏数据进行异常心电分类信息标注，包括：
    将所述一组心搏数据的分布特征与预设分布特征进行比对；
    根据比对结果确定所述一组心搏数据对应的异常心电分类信息。
  8. 根据权利要求1、2、4至-7任一项所述的方法，其中，所述方法还包括：
    识别所述待分析心电图数据中的每一组心搏数据；
    将所述每一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；
    根据所述每一组组心搏数据对应的芯片类别信息确定所述PDF的待分析心电图数据的芯片类别信息。
  9. 根据权利要求1-8任一项所述的方法，其中，所述异常心电分类信息包括以下至少一种：正常、室性早搏、心室预激波、完全性左束支阻滞、完全性右束支阻滞、心房颤动、心房扑动、房性逸搏、房性早搏和房性心动过速。
  10. 一种基于图片及心搏信息的心电分析装置，包括：
    获取模块，配置为获取待分析心电图数据；
    识别模块，配置为识别所述待分析心电图数据中的一组心搏数据；
    分析模块，配置为将所述一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；
    其中，所述待分析心电图数据为设定数量导联的心电图数据，所述一组心搏数据包括所述设定数量的导联分别对应的一个心搏周期数据。
  11. 根据权利要求10所述的基于图片及心搏信息的心电分析装置，其中，
    所述获取模块是配置为：获取可移植文档格式PDF的待分析心电图数据；
    所述识别模块包括：
    转换单元，配置为：将PDF的待分析心电图数据转换为可缩放的矢量图形SVG格式的心电波形矢量图；
    采样单元，配置为：基于心电图的标定电压和走纸速度对SVG格式的心电波形矢量图进行采样以及坐标变换操作，得到向量形式的心电波形数据；
    识别单元，配置为：基于所述向量形式的心电波形数据结合关键点检测技术识别每个导联对应的心搏的R峰位置；
    确定单元，配置为：以每个心搏的R峰位置为基准确定每个导联对应的心搏周期数据；将多个导联对应的心搏周期数据确定为所述一组心搏数据。
  12. 根据权利要求11所述的基于图片及心搏信息的心电分析装置，其中，所述确定单元是配置为：将每个心搏的R峰位置以及与所述R峰位置对应的PP间期数据确定为每个心搏周期数据。
  13. 根据权利要求10所述的基于图片及心搏信息的心电分析装置，还包括：标注模块，配置为：对一组心搏数据进行异常心电分类信息标注；
    所述标注模块包括：
    比对单元，配置为：将所述一组心搏数据的分布特征与预设分布特征进行比对；
    确定单元，配置为：根据比对结果确定所述一组心搏数据对应的异常心电 分类信息。
  14. 根据权利要求10所述的基于图片及心搏信息的心电分析装置，其中，
    所述识别模块还配置为：识别所述待分析心电图数据中的每一组心搏数据；
    所述分析模块还配置为：将所述每一组心搏数据输入至预先训练好的异常心电分类模型，得到异常心电分类信息；
    所述装置还包括确定模块，配置为：根据所述每一组心搏数据对应的芯片类别信息确定所述PDF的待分析心电图数据的芯片类别信息。
  15. 一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的基于图片及心搏信息的心电分析方法。
  16. 一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-9任一项所述的基于图片及心搏信息的心电分析方法。
PCT/CN2020/111582 2019-08-27 2020-08-27 基于图片及心搏信息的心电分析方法、装置、设备及介质 WO2021037102A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910797646.XA CN110495872B (zh) 2019-08-27 2019-08-27 基于图片及心搏信息的心电分析方法、装置、设备及介质
CN201910797646.X 2019-08-27

Publications (1)

Publication Number Publication Date
WO2021037102A1 true WO2021037102A1 (zh) 2021-03-04

Family

ID=68588622

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/111582 WO2021037102A1 (zh) 2019-08-27 2020-08-27 基于图片及心搏信息的心电分析方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN110495872B (zh)
WO (1) WO2021037102A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114469132A (zh) * 2022-02-11 2022-05-13 挂号网（杭州）科技有限公司 模型训练方法、装置、电子设备及存储介质
CN114767123A (zh) * 2022-03-30 2022-07-22 合肥工业大学 一种基于多模态神经网络的心电散点图异常识别分类方法
CN115040137A (zh) * 2021-03-08 2022-09-13 广州视源电子科技股份有限公司 一种心电信号参数化方法、模型训练方法、装置、设备及介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110495872B (zh) * 2019-08-27 2022-03-15 中科麦迪人工智能研究院(苏州)有限公司 基于图片及心搏信息的心电分析方法、装置、设备及介质
CN111126350B (zh) * 2020-01-17 2023-05-05 上海乐普云智科技股份有限公司 一种心搏分类结果的生成方法和装置
CN111317464B (zh) * 2020-02-13 2021-06-22 中国科学院自动化研究所 心电图分析方法和装置
CN111772625B (zh) * 2020-08-21 2021-08-10 生物岛实验室 心电图数据增广方法、装置、电子设备及介质
CN112971796A (zh) * 2021-02-09 2021-06-18 中山大学附属第三医院（中山大学肝脏病医院） 一种心梗预测装置、系统及存储介质
CN113647959B (zh) * 2021-07-27 2024-01-12 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
CN115251944A (zh) * 2022-07-25 2022-11-01 清华大学 一种基于心电图诊断报告的心搏分类方法及装置
CN117898740B (zh) * 2024-02-20 2024-07-09 北京信心相联科技有限公司 一种心电图的处理方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030018277A1 (en) * 2001-07-19 2003-01-23 Bin He Method and apparatus of three dimension electrocardiographic imaging
CN102085095A (zh) * 2009-12-07 2011-06-08 深圳市新元素医疗技术开发有限公司 一种检测心电图中st段的方法、系统和心电检测仪器
CN109276242A (zh) * 2018-08-02 2019-01-29 深圳市理邦精密仪器股份有限公司 心电信号类型识别的方法和装置
CN109998523A (zh) * 2019-03-27 2019-07-12 苏州平稳芯跳医疗科技有限公司 一种单导心电信号分类方法和单导心电信号分类系统
CN110495872A (zh) * 2019-08-27 2019-11-26 中科麦迪人工智能研究院(苏州)有限公司 基于图片及心搏信息的心电分析方法、装置、设备及介质

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2513515Y (zh) * 2001-08-07 2002-10-02 沈廉 四维心电显示器
CA2622125C (en) * 2005-09-12 2014-10-14 Gambro Lundia Ab Detection of drastic blood pressure changes
US20100145205A1 (en) * 2008-12-05 2010-06-10 Cambridge Heart, Inc. Analyzing alternans from measurements of an ambulatory electrocardiography device
CN101427916B (zh) * 2008-12-05 2012-02-22 张锦景 电生理数据与病理图像监测的移动网络终端装置及方法
US9591984B2 (en) * 2008-12-05 2017-03-14 Spacelabs Healthcare, Inc. Alternans and pharmacological agents
US8562523B2 (en) * 2011-03-04 2013-10-22 Flint Hills Scientific, Llc Detecting, assessing and managing extreme epileptic events
US8594775B2 (en) * 2011-05-10 2013-11-26 Medtronic, Inc. Techniques for determining morphological stability of cardiac cycles
EP2802256A2 (en) * 2012-01-10 2014-11-19 The Regents of The University of Michigan Atrial fibrillation classification using power measurement
CN103637795B (zh) * 2013-12-30 2015-04-01 中国人民解放军总医院 心电图机自动诊断功能检测方法
US9468386B2 (en) * 2014-03-11 2016-10-18 Ecole polytechnique fédérale de Lausanne (EPFL) Method for detecting abnormalities in an electrocardiogram
JP6857612B2 (ja) * 2015-04-08 2021-04-14 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 心血管劣化の警告スコア
WO2017124044A1 (en) * 2016-01-15 2017-07-20 The Regents Of The University Of California Machine-learning-based denoising of doppler ultrasound blood flow and intracranial pressure signal
US9924927B2 (en) * 2016-02-22 2018-03-27 Arizona Board Of Regents On Behalf Of Arizona State University Method and apparatus for video interpretation of carotid intima-media thickness
CN109310322A (zh) * 2016-03-15 2019-02-05 伯尔尼大学 用于优化dbs编程的方法和系统
US9968274B2 (en) * 2016-04-29 2018-05-15 Infobionic, Inc. Systems and methods for processing ECG data
CN106725426A (zh) * 2016-12-14 2017-05-31 深圳先进技术研究院 一种心电信号分类的方法及系统
CN107832737B (zh) * 2017-11-27 2021-02-05 上海优加利健康管理有限公司 基于人工智能的心电图干扰识别方法
CN108478209B (zh) * 2018-02-24 2021-06-11 上海乐普云智科技股份有限公司 心电信息动态监护方法和动态监护系统
CN108836302B (zh) * 2018-03-19 2021-06-04 武汉海星通技术股份有限公司 基于深度神经网络的心电图智能分析方法及系统
CN109171707A (zh) * 2018-10-24 2019-01-11 杭州电子科技大学 一种智能心电图分类方法
CN109497986A (zh) * 2018-11-22 2019-03-22 杭州脉流科技有限公司 基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030018277A1 (en) * 2001-07-19 2003-01-23 Bin He Method and apparatus of three dimension electrocardiographic imaging
CN102085095A (zh) * 2009-12-07 2011-06-08 深圳市新元素医疗技术开发有限公司 一种检测心电图中st段的方法、系统和心电检测仪器
CN109276242A (zh) * 2018-08-02 2019-01-29 深圳市理邦精密仪器股份有限公司 心电信号类型识别的方法和装置
CN109998523A (zh) * 2019-03-27 2019-07-12 苏州平稳芯跳医疗科技有限公司 一种单导心电信号分类方法和单导心电信号分类系统
CN110495872A (zh) * 2019-08-27 2019-11-26 中科麦迪人工智能研究院(苏州)有限公司 基于图片及心搏信息的心电分析方法、装置、设备及介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115040137A (zh) * 2021-03-08 2022-09-13 广州视源电子科技股份有限公司 一种心电信号参数化方法、模型训练方法、装置、设备及介质
CN115040137B (zh) * 2021-03-08 2024-09-10 广州视源电子科技股份有限公司 一种心电信号参数化方法、模型训练方法、装置、设备及介质
CN114469132A (zh) * 2022-02-11 2022-05-13 挂号网（杭州）科技有限公司 模型训练方法、装置、电子设备及存储介质
CN114767123A (zh) * 2022-03-30 2022-07-22 合肥工业大学 一种基于多模态神经网络的心电散点图异常识别分类方法
CN114767123B (zh) * 2022-03-30 2024-04-26 合肥工业大学 一种基于多模态神经网络的心电散点图异常识别分类方法

Also Published As

Publication number Publication date
CN110495872B (zh) 2022-03-15
CN110495872A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
WO2021037102A1 (zh) 基于图片及心搏信息的心电分析方法、装置、设备及介质
US11344243B2 (en) Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus
US11234629B2 (en) Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
US20200335217A1 (en) Methods and systems using mathematical analysis and machine learning to diagnose disease
US11350868B2 (en) Electrocardiogram information processing method and electrocardiogram workstation system
WO2019100562A1 (zh) 基于人工智能的心电图心搏自动识别分类方法
US20200305799A1 (en) Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus
US11783924B2 (en) ECG information processing method and ECG workstation
CN106815570B (zh) 一种基于动态模式识别的心电信号st-t段识别方法
WO2021037101A1 (zh) 基于图像信息的心电分析方法、装置、设备及介质
KR20200125256A (ko) 심전도 분석 장치 및 방법
CN111358460A (zh) 心律失常的识别方法、装置及电子设备
CN113080996A (zh) 一种基于目标检测的心电图分析方法及装置
Kanna et al. Automated defective ECG signal detection using MATLAB applications
CN115956918A (zh) 一种具有基于多特征融合的心电信号质量评估功能的远程心电监测系统
TWI727678B (zh) 自動心電圖數據處理方法
Adedinsewo et al. Digitizing paper based ECG files to foster deep learning based analysis of existing clinical datasets: An exploratory analysis
CN116135146A (zh) 动态心电的分析方法、装置及医疗设备
KR20200055582A (ko) 심전도 신호 진단 파라미터 추출 디바이스 및 추출 방법
RU2822304C1 (ru) Способ формирования файла данных для анализа экг
CN116807485A (zh) 心电图数据集生成方法、系统和设备
Pachar et al. A Programmed Cardiac Arrhythmia Analysis System by Adaptive Cardiac Outlining
CN118161169A (zh) 基于图神经网络的冠心病ecg智能检测方法
KR20230025959A (ko) 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법
Qu et al. Integrating Contrastive Learning and Cycle Generative Adversarial Networks for Non-invasive Fetal ECG Extraction

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20856749

Country of ref document: EP

Kind code of ref document: A1