CN103948387B - 一种基于大数据实现异常心电模板的多态重构及优化方法 - Google Patents
一种基于大数据实现异常心电模板的多态重构及优化方法 Download PDFInfo
- Publication number
- CN103948387B CN103948387B CN201410097341.5A CN201410097341A CN103948387B CN 103948387 B CN103948387 B CN 103948387B CN 201410097341 A CN201410097341 A CN 201410097341A CN 103948387 B CN103948387 B CN 103948387B
- Authority
- CN
- China
- Prior art keywords
- template
- similarity
- kinds
- reconstruct
- polymorphic
- 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.)
- Active
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于大数据实现异常心电模板的多态重构及优化方法,其特征在于所述的多态重构及优化方法是:首先,根据标准心电波形的分解参数,建立具有二维特性的参数模板数据,并确立由多个细节点组成的心电波形模板;其次,利用已有的、并且已经编辑过的动态心电监护仪的大数据,进行比对前的预处理,即进行波形分节,然后与心电波形模板进行逐一波形比对;再次,在比对算法上使用误识率(FRR)、拒认率(FAR)、取值范围:0~1的相似度(TH)这三个关键量来统计与评估最终匹配的成功率,并作出多态重构或重新进行模板数据量的优化。
Description
技术领域
本发明涉及的是一种基于大数据实现异常心电模板的多态重构及自动优化方法,主要是运用动态心电监护仪生成的大数据来动态构建、优化异常心电数据模板多种形态的方法,属于动态心电监测技术领域。
背景技术
目前,医疗上的动态心电监测中,基于异常心电图的识别往往是通过专业医生进行人工评估的,它不但效率低而且人工劳动量大,虽然某些医用专用心电软件或设备也能够实现动态预识别,但误识率和拒认率较高,其原因是大多数心电识别算法是基于常规标准的异常心电数据模板,对于不同的人个体差异较大,比如老人、儿童、年轻人、中年人等个体差异,异常心电的表现形态会有所不同。因此对于动态心电监测,人体的每一个动作则会呈现更加明显的差异性,在这种情况下,显然标准心电模板是不能够符合动态心电监测的实际需要。
发明内容
本发明的目的在于克服现有技术存在的不足,而提供一种主要是运用动态心电监护仪生成的大数据来动态构建、优化异常心电数据模板多种形态的基于大数据实现异常心电模板的多态重构及优化方法。
本发明的目的是通过如下技术方案来完成的,所述的基于大数据实现异常心电模板的多态重构及优化方法,它包括如下步骤:
首先,根据标准心电波形的分解参数,建立具有二维特性的参数模板数据,并确立由多个细节点组成的心电波形模板;
其次,利用已有的、并且已经编辑过的动态心电监护仪的大数据,进行比对前的预处理,即进行波形分节,然后与心电波形模板进行逐一波形比对;
再次,在比对算法上使用误识率(FRR)、拒认率(FAR)、取值范围:0~1的相似度(TH)这三个关键量来统计与评估最终匹配的成功率,并作出多态重构或重新进行模板数据量的优化。
所述已确立的心电波形模板包括:2种心电轴、2种PR间隔、2种QTc间隔、3种R波、3种S波、5种P波、5种T波、12种Q波、36种ST波、30种ST-T联合。所述心电波形模
板与任意心电波形数据之间的比对,将按误识率、拒认率、相似度这三个关键量的预设三组阈值进行三次计算,并根据三次统计结果,进行如下评估:
(1)根据第三次计算的th结果与最后一组中的相似度TH对比,对于比阈值低的心电波形,进行重构;
(2)根据第二次计算的th结果与第二组中的相似度TH对比,对于已经可以识别但识别率很低的模板,重新进新模板数据量的优化;
(3)根据第一次计算的th结果与第一组中的相似度TH对比,对于已经可以识别但识别率很低的模板,重新进新模板数据量的优化;对于识别率高的波形,模板则不进行任何处理。
本发明通过对已有心电监测的大数据扫描,心电图形变体类模板会越来越多、类别越来越细,波形模板也越来越精准;提高波形模板的质量,自然会提高心电疾病模板的构建的准确度,这对于动态心电监测的准确率会有很大的提高。
附图说明
图1是本发明所述心电波形模板组态分类示意图。
图2是本发明所述心电波形模板重构与优化示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明:本发明所述的基于大数据实现异常心电模板的多态重构及优化方法,它包括如下步骤:
首先,根据标准心电波形的分解参数,建立具有二维特性的参数模板数据,并确立由多个细节点组成的心电波形模板;
其次,利用已有的、并且已经编辑过的动态心电监护仪的大数据,进行比对前的预处理,即进行波形分节,然后与心电波形模板进行逐一波形比对;
再次,在比对算法上使用误识率(FRR)、拒认率(FAR)、取值范围:0~1的相似度(TH)这三个关键量来统计与评估最终匹配的成功率,并作出多态重构或重新进行模板数据量的优化。
所述确立的心电波形模板包括:2种心电轴、2种PR间隔、2种QTc间隔、3种R波、3种S波、5种P波、5种T波、12种Q波、36种ST波、30种ST-T联合。
所述心电波形模板与任意心电波形数据之间的比对,将按误识率、拒认率、相似度这三个关键量的预设三组阈值进行三次计算,并根据三次统计结果,进行如下评估:
(1)根据第三次计算的th结果与最后一组中的相似度TH对比,对于比阈值低的心电波形,进行重构;
(2)根据第二次计算的th结果与第二组中的相似度TH对比,对于已经可以识别但识别率很低的模板,重新进新模板数据量的优化;
(3)根据第一次计算的th结果与第一组中的相似度TH对比,对于已经可以识别但识别率很低的模板,重新进新模板数据量的优化;对于识别率高的波形,模板则不进行任何处理。
实施例:本发明所述的基于大数据实现异常心电模板的多态重构及优化方法,它涉及构建心电疾病诊断和心电波形两种数据模板;其中心电疾病诊断模板是由一组相关联的具有构成一种疾病特征的多个心电波形模板构成;所述心电波形模板则由多个细节点组成;利用大数据的目的是重构新的或优化已有的心电波形模板数据,如图1所示。
首先根据标准心电波形的分解参数,来建立具有二维特性的参数模板数据,目前已确立以下心电波形模板:心电轴(2种)、PR间隔(2种)、QTc间隔(2种)、R波(3种)、S波(3种)、P波(5种)、T波(5种)、Q波(12种)、ST波(36种)、ST-T联合(30种);通过对大量的心脏病人的监测过程看,波形的模板种类远远不足,因此需要长期不断的发现与添加,而对于已有的心电模板,可以更为精细的分类。
根据已有的、并且已经编辑过的(按5分钟有效波形剪辑)的动态心电监护仪的大数据,先进行比对前的预处理,即进行波形分节,然后与心电波形模板进行逐一波形比对。在比对算法上我们使用误识率(FRR)、拒认率(FAR)、相似度(TH)(取值范围:0~1)三个关键量来统计与评估最终匹配的成功率。任意心电波形数据与波形模板之间的比对,将按误识率、拒认率、相似度三个关键量的预设的三组阈值进行三次计算,根据三次统计结果,进行如下评估:
(1)根据第三次计算的th结果与最后一组中的相似度TH对比,对于比阈值低的心电波形,进行重构;
(2)根据第二次计算的th结果与第二组中的相似度TH对比,对于已经可以识别但识别率很低的模板,重新进新模板数据量的优化;
(3)根据第一次计算的th结果与第一组中的相似度TH对比,对于已经可以识别但识别率很低的模板,重新进新模板数据量的优化。对于识别率高的波形,模板则不进行任何处理。
图1中的动态心电监测,是通过多种疾病诊断模板实现的,每个疾病诊断模板均有自己的4位ID号。例如,我们确定急性心肌梗死的ID号为8012。每个疾病诊断模板中包含一组心电波形模板,每一心电波形模板也是由6位ID号组成,前2为类型代码,后4位为心电波形模板代码。例如急性心肌梗死中的心电波形模板数据表示为:
8012:T0003;
Q0501;
R0341;
PR0005;
ST2232;
……
图1中的心电波形模板,则由多个以时间轴划分等距块组成,每一块则由一组细节点组成,而每个细节点则由一组特征值组成;等距块、细节点和特征值均由6位的ID号加以区分,解释内容同上。
心电疾病诊断模板的建立则需要专家医生来完成,无法通过计算机进行自动进行重构,因此本发明主要是指心电波形模板在动态心电监护的大数据环境下进行的新的波形模板的构建和已有的波形模板数据的评估与优化,所以以下的例子,则以心电波形模板为实施对象。
1)建立心电波形模板的数据结构
2)对心电图的波形预处理步骤:
●基线漂移处理
●心电周期秒节划分
●波形分割
●块划分
●…...
3)比对算法的实现:首先我们需要确定拒认率(FAR)、误识率(FRR)和相似度(Similarity)三者匹配的预设量为三组:
0.1%、0.02%、0.75%;
0.05%、0.06%、0.85%;
0.03%、0.08%、0.93%;同时也需要对波形、块、细节点中的各项重要指标,通过大量测算设立合理的比对阈值,
在此不特别说明。
比对算法的ECGWaveVerify(WaveData,WaveTemplate,VerifyParameter);
比对算法流程见图2如示:
图2是本发明所述心电波形模板重构与优化流程图;
4)心电波形模板重构:
模板重构函数名为:
ECGWaveTemplateRefactoring(OldWaveTemplate,NewWaveTemplate,Parameter);
5)心电波形模板优化:模
板优化函数名为:
ECGWaveTemplateOptimize(WaveTemplate,Parameter);本发明的效果只是从心电模板的角度来设计,在一定程度上能够提高心电波形模板的精准度和可靠性,提升动态心电监测的准确率。
Claims (3)
1.一种基于大数据实现异常心电模板的多态重构及优化方法,其特征在于所述的多态重构及优化方法是:
首先,根据标准心电波形的分解参数,建立具有二维特性的参数模板数据,并确立由多个细节点组成的心电波形模板;
其次,利用已有的动态心电监护仪的大数据,进行比对前的预处理,即进行波形分节,然后与心电波形模板进行逐一波形比对;
再次,在比对算法上使用误识率FRR、拒认率FAR、取值范围为0~1的相似度TH这三个关键量来统计与评估最终匹配的成功率,并作出多态重构或重新进行模板数据量的优化。
2.根据权利要求1所述的基于大数据实现异常心电模板的多态重构及优化方法,其特征在于所述已确立的心电波形模板包括:2种心电轴、2种PR间隔、2种QTc间隔、3种R波、3种S波、5种P波、5种T波、12种Q波、36种ST波和30种ST-T联合。
3.根据权利要求1所述的基于大数据实现异常心电模板的多态重构及优化方法,其特征在于所述心电波形模板与任意心电波形数据之间的比对,将按误识率、拒认率、相似度这三个关键量的预设三组阈值进行三次计算,并根据三次统计结果,进行如下评估:
(1)根据第三次计算的相似度结果与最后一组中的相似度TH对比,对于比预设阈值低的心电波形,进行重构;
(2)根据第二次计算的相似度结果与第二组中的相似度TH对比,对于计算的相似度高于第二组中相似度TH、但又比较接近第二组中相似度TH,则认定为可以识别但识别率很低的模板,重新进行新模板数据量的优化;
(3)根据第一次计算的相似度结果与第一组中的相似度TH对比,对于计算的相似度高于第一组中相似度TH、但又比较接近第一组中相似度TH,则认定为可以识别但识别率很低的模板,重新进行新模板数据量的优化;对于计算的相似度远高于第一组中相似度TH,则认定识别率高的波形,模板则不进行任何处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410097341.5A CN103948387B (zh) | 2014-03-17 | 2014-03-17 | 一种基于大数据实现异常心电模板的多态重构及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410097341.5A CN103948387B (zh) | 2014-03-17 | 2014-03-17 | 一种基于大数据实现异常心电模板的多态重构及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103948387A CN103948387A (zh) | 2014-07-30 |
CN103948387B true CN103948387B (zh) | 2016-01-20 |
Family
ID=51325847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410097341.5A Active CN103948387B (zh) | 2014-03-17 | 2014-03-17 | 一种基于大数据实现异常心电模板的多态重构及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103948387B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104473633B (zh) * | 2014-12-31 | 2017-01-25 | 广州视源电子科技股份有限公司 | 异常心电数据的判断方法和装置 |
CN110731762B (zh) * | 2019-09-18 | 2022-02-08 | 平安科技(深圳)有限公司 | 基于相似度预处理脉搏波的方法、装置、计算机***及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1189320A (zh) * | 1997-01-31 | 1998-08-05 | 惠普公司 | 快速确定心电图波形形态的方法和*** |
US7177674B2 (en) * | 2001-10-12 | 2007-02-13 | Javier Echauz | Patient-specific parameter selection for neurological event detection |
CN101810476A (zh) * | 2009-12-22 | 2010-08-25 | 李顶立 | 一种动态心电图的心拍模板分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8457724B2 (en) * | 2008-12-11 | 2013-06-04 | Siemens Medical Solutions Usa, Inc. | System for heart performance characterization and abnormality detection |
-
2014
- 2014-03-17 CN CN201410097341.5A patent/CN103948387B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1189320A (zh) * | 1997-01-31 | 1998-08-05 | 惠普公司 | 快速确定心电图波形形态的方法和*** |
US7177674B2 (en) * | 2001-10-12 | 2007-02-13 | Javier Echauz | Patient-specific parameter selection for neurological event detection |
CN101810476A (zh) * | 2009-12-22 | 2010-08-25 | 李顶立 | 一种动态心电图的心拍模板分类方法 |
Non-Patent Citations (2)
Title |
---|
动态心电图波形改进分类策略研究;曹国超;《中国优秀硕士学位论文全文数据库信息科技辑》;20100731;全文 * |
心电算法及其参数数据库的构建;杨洁;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20050131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103948387A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Hierarchical support vector machine based heartbeat classification using higher order statistics and hermite basis function | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、***及存储介质 | |
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
Zhang et al. | A multi-dimensional association information analysis approach to automated detection and localization of myocardial infarction | |
Dima et al. | On the detection of myocadial scar based on ECG/VCG analysis | |
Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
Yang et al. | Heartbeat classification using discrete wavelet transform and kernel principal component analysis | |
CN109770861B (zh) | 心电节律模型的训练及检测方法、装置、设备和存储介质 | |
Lyle et al. | Beyond HRV: Analysis of ECG signals using attractor reconstruction | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
CN109887595A (zh) | 基于深度学习技术的心搏异常识别算法 | |
CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
EP4041073A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
CN103948387B (zh) | 一种基于大数据实现异常心电模板的多态重构及优化方法 | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
Papadogiorgaki et al. | Heart rate classification using ECG signal processing and machine learning methods | |
CN110363177A (zh) | 一种人体生物电信号混沌特征的提取方法 | |
CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
CN105769171A (zh) | 心律失常检测的方法及装置 | |
CN114287950A (zh) | 基于持续同调和傅里叶变换的心脏病计算机辅助分类方法 | |
Chaira | Intuitionistic fuzzy set theory in medical imaging | |
Alagarsamy et al. | Performing the classification of pulsation cardiac beats automatically by using CNN with various dimensions of kernels | |
Jayagopi et al. | On the classification of arrhythmia using supplementary features from tetrolet transforms. | |
Yuwono et al. | Decision support system for heart disease diagnosing using K-NN algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |