CN108335744B - 一种心血管急救网络***及其分类预警方法 - Google Patents
一种心血管急救网络***及其分类预警方法 Download PDFInfo
- Publication number
- CN108335744B CN108335744B CN201810289623.3A CN201810289623A CN108335744B CN 108335744 B CN108335744 B CN 108335744B CN 201810289623 A CN201810289623 A CN 201810289623A CN 108335744 B CN108335744 B CN 108335744B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- ecg
- matrix
- early warning
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心血管急救网络***及其分类预警方法,包括医生客户端、急救中心服务器***、12导联心电图采集模块,所述12导联心电图采集模块通过蓝牙将采集的信息发送给医用平板电脑,并通过4G无线网传送给急救中心服务器***,所述急救中心服务器***通过网络和医生客户端相连。本发明能够对患者心电异常病状按紧急状况进行分类预警,帮助医疗专家对心血管早期判断,使得心血管病患者的医疗救治时间大大缩短。
Description
技术领域
本发明属于医学信号处理领域,尤其涉及一种心血管急救网络***及其分类预警方法。
背景技术
急性心血管病(Acute Cardiovascular Diseases,ACVD)是一组累及心脏及周围循环***的急性临床综合征,我国现有心血管病患者2.7亿,每年300万人死于ACVD,占据人口总死亡的30%;到2030年死于心血管疾病的人数将增加至2000万人;进一步提升ACVD救治能力刻不容缓。
目前,我国现有医疗体制下医疗资源及技术分布的极端不平衡;医疗技术水平低下,医疗质量不能满足患者基本需求,公众对ACVD的临床表现缺乏必要的警觉与认识,最终导致多数患者不能在时间窗内得到快速有效的救治而致死和致残。快速有效的早期识别、诊断ACVD至关重要。心电图能直接反映人体心脏的健康状况,且对一些心血管疾病如心肌缺血、房室肥大、各种心率失常的诊断有较大的准确性,但是存在着以下问题:临床医生在读图和诊断过程中,需要精确测量大量的波形参数,同时还要具有丰富的临床诊断经验及理论知识,这势必影响医疗单位对临床心脏疾病的正确诊断,经验不丰富的医务工作者判读困难且可能做出错误决策。另外,由于需要有专业知识的医务工作者人工进行心电图阅读,所以不利于患者进行家庭自我检测,也不便于对一些特殊地区如交通不便的山区的患者及时做出诊断。
物联网是近年来基于互联网发展起来的新的信息技术实用平台,通过该平台可以将患者的生命体征等常用监护、检验信息及病史通过4G网络实时传输到区域医疗中心,中心专家可以在院内多个电脑终端或手机上进行远程会诊和指导抢救。该***可以覆盖周边地区基层及社区医院,网络医院使用该***对ACVD患者进行实时监测时,可以现场远程指导需要转诊救治的患者。120急救车上也可安装该***,不间断将病人监护信息传向区域医疗中心,专家对患者进行现场评估,患者进入救护车即可启动胸痛中心,做到ACVD救治的“无缝链接”。
发明内容
基于以上所提出的问题,本发明提供了一种规范流程化、快速化、方便有效的心血管急救网络***及其分类预警方法。
为了实现以上方法,本发明***所采用的技术方案为:
一种心血管急救网络***,包括医生用户终端、急救中心服务器***、12导联心电图采集模块,所述12导联心电图采集模块通过蓝牙将采集的信息发送给医用平板电脑,并通过4G无线网传送给急救中心服务器***,所述急救中心服务器***完成信息数据的分类处理,并通过网络和医生用户终端相连;
所述急救中心服务器***包括数据库服务器、网络服务器、数据处理模块、医生客户端,所述数据库服务器接收到4G无线网发送的患者的相关采集数据后,分别和网络服务器、数据处理模块实现互联,所述网络服务器、数据处理模块均和医生客户端相连;所述网络服务器用于执行控制指令操作和执行查询监测操作,医生能够查看患者的个人信息、救治状态、急救信息以及患者所处的具***置;所述数据库服务器用于传输、存取建立患者个人信息、医生基本信息、医疗监控数据、警告参数设置、诊断记录和GPS定位信息;所述数据处理模块用于心电信号去噪、提取去噪后信号的时域特征并压缩重构、对重构后的信号分类以及对常见病状按照紧急情况进行预警。
进一步,所述急救中心服务器***设置在一级网络医院,能够获取一级网络医院、二级网络医院,三级网络医院、120急救车、高危易发群体和高危易发个体所处位置的GPS定位信息,且一级网络医院具有最高的决策权;所述12导联心电图采集模块能够设置在一级网络医院,或者二级网络医院,或者三级网络医院;或者120急救平台、或者高危易发群体和高危易发个体中。
进一步,所述医生用户终端为监护仪,或医用PDA,或手机。
进一步,所述网络服务器包括登录界面、主功能界面,其开发环境为Visualstudio 2010,动态网页交互方式采用asp.net技术;网页编写采用脚本语言结合Ajax技术异步刷新页面,嵌入ActiveX控件以连接医生客户端,执行相应的控制指令。
进一步,所述数据库服务器运行于win7环境,采用Microsoft公司的SQL Server2000数据库管理***作为开发工具,Microsoft的VC+6.0作为数据库前端,CPU:AMD XP1800+,内存kingston 3G DDR,硬盘戴尔600G。
本发明的方法的技术方案为:一种根据权利要求1所述的心血管急救网络***分类预警方法,包括以下步骤:
步骤一,首先对常见的心电信号中夹杂的低频干扰、电极片接触噪声进行滤波,采用中值滤波滤除低频基线漂移干扰,公式如下:
其中,x(i)为心电信号序列,k为窗口宽度,C为窗口长度,y(i)为去噪后的信号,x为原始信号,y为滤波后的信号,分别为原始信号和滤波后信号的平均值;
在对高频噪声滤除的过程中,采用软阈值函数对小波系数进行处理,公式如下:
其中,b、bt、T分别为心电信号原始小波系数、处理后的小波系数以及给定阈值,sign()为函数,SNR为信噪比,MSE为均方根误差;
步骤二,对预处理后的心电信号提取其时域特征,生成训练样本集,对心电数据训练样本集数据特征的基原子进行稀疏编码,确定字典基原子的个数P,随机从心电数据训练样本集中抽取训练样本组成初始字典D0∈RN×P,并进行初始字典的优化,随机仿真生成某个心电数据测试信号f∈RM×1,对该测试信号进行压缩降a维u=Φf,最后对心电数据测试信号f的重构;D0为字典、R为样本、M为每个训练样本的采样点数、μ为心电数据在采样时获得的信号,Φ为观测矩阵;
步骤三,采用特征迁移算法对重构后的心电信号进行分类处理,得出常见心电异常病状,并采用模糊算法对常见心电异常病状按照紧急情况进行预警。
进一步,所述步骤二包括以下步骤:
步骤2.1,仿真建立心电数据信号模型包含正常P波、QRS波群、T波、PR间期、RR间期、QT间期、ST段;仿真产生大量的心电数据信号组成训练样本集为E=[E1,E1,…,E7]∈RM ×W,其中W为总的训练样本个数,M为每个训练样本的采样点数,R为样本;
步骤2.2,确定字典基原子的个数P,随机从心电数据训练样本集中抽取72个训练样本组成初始字典D0∈RN×P,初始字典优化的目标函数为:其中A0为训练样本集E在字典D0上的稀疏表示矩阵,λ为正则化参数;
步骤2.3,观测矩阵Φ∈RN×M(N<<M)采用独立同分布的高斯随机变量组成的随机高斯矩阵实现,对该测试信号进行压缩降维u=Φf,获得该测试信号的低维压缩观测信号u∈RN×1,完成测试信号的压缩采样;
步骤2.4,对心电数据测试信号f的重构,采用基于l0范数下的信号重构的非凸优化求解算法中的正交匹配追踪算法求解方程ΦDa=u,获取测试信号在字典下的稀疏表示矩阵a∈RP×1;反解重构心电数据测试信号
进一步,所述步骤三采用特征迁移算法对重构后的心电信号进行分类处理,得出常见心电异常病状的具体过程为:
输入:将重构后的心电数据测试信号作为源领域数据集DS,其标签集为YS,将RR间期、QRS波群、P波、T波、PR间期、QT间期、ST段作为目标领域数据集DT,低维子空间维数k,参数α、β、γ、λ,基准分类器f,最大迭代次数Tmax;输出:低维投影矩阵W1;
步骤3.1:通过分布差异矩阵的元素:构建边缘分布差异矩阵L0,构建拉普拉斯矩阵M1,求取跨领域约束因子di,同时设St、Sb为0;其中,nS、nT分别为原领域样本个数和目标领域样本个数,xi,xj分别为待测样本,n为个数;
步骤3.2:t=1;其中,t为迭代次数;
步骤3.3:求解式或得投影矩阵W1;其中,X=DS∪DT,C为类别个数,LC为条件分布差异矩阵,I为元素为1的矩阵,K为迭代参数,St为类间总散度矩阵,Sb类间散度矩阵,为St的非线性形式;
步骤3.4:将DS和DT通过矩阵Z=W1 TX映射到k维子空间中,得到ZS和ZT,φ为对角函数;
步骤3.5:在数据集{ZS,YS}上训练基准分类器f,并利用训练得到的分类器对ZT进行标记,得到目标领域数据的标签集
步骤3.6:采用数据集{XS,YS}和根据
构建条件分布差异矩阵LC;同时根据式和分别求解Sb和St,在非线性时为和其中,NC为C类的样本个数,u(c)为C类别的均值,Sw为类内散度矩阵;
步骤3.7:t←t+1;
步骤3.8:若t≥Tmax或不再变化,输出W1;否则,转步骤3.3。
进一步,所述步骤三采用模糊算法对常见心电异常病状按照紧急情况进行预警的过程为:通过分类出心电停搏、扭转型室速、室颤、三度房室传导阻滞以及心肌梗死的心电异常类型,将分为紧急、中度紧急、重度紧急三个模糊分量进行预警;对于心电停搏XT采用三角形隶属度函数Trimf训练,对于扭转型室速NS,隶属度函数均采用三角形隶属度函数Trimf训练,对于室颤SC简单划分几个区间判定;对于三度房室传导阻滞ZZ,隶属度函数均采用高斯型隶属度函数Gaussmf训练,对于心肌梗死GS,隶属度函数采用双边高斯型隶属度函数Gauss2mf训练。
本发明有以下技术效果:
本发明提高了心电数据的采样效率和时间,减少了数据的冗杂;通过心电数据的字典的特征训练学习获得与待测试的心电数据相适应,可以更准确的捕捉到心电信号中的P波、QRS波群、T波、PR间期、RR间期、ST段主要特征信息,结合压缩感知理论可以从压缩测量信号中准确的重构出原始信号,提升了压缩的稀疏性和重构的精确度。本发明对心电信号采用中值滤波,选取最优的窗口长度进行滤波,滤除低频基线漂移干扰可以保证有效的除去与心电信号接近的基线漂移,且能保持心电信号细节部分不失真;通过软阈值处理对高频噪声进行滤除,该方法具有很好的连续性,且不易出现信号震荡。本发明所述特征迁移算法对重构后的心电信号进行分类处理,将重构的心电数据测试信号作为源领域数据集,将常见的心电异常类型作为目标领域数据集,缩小特征子空间中源领域与目标领域中样本到对方均值点的距离,使得投影后领域间样本更加紧密,对心电信号处理后得到的常见心电异常病状分类精度更高。本发明采用模糊算法通过分类出心电异常类型,可以分为紧急、中度紧急、重度紧急三个模糊分量进行预警,可以实现对常见心电异常病状按照紧急情况进行不同等级的预警,快速有效的早期识别、诊断ACVD以及对临床心脏疾病的正确诊断。
附图说明
图1为本发明的心血管急救网络***框图;
图2为本发明的急救中心服务器***的原理框图;
图3为预处理后的心电信号提取其时域特征、压缩重构流程图;
图4为模糊算法隶属度函数图;
图5为医生客户端软件管理主界面。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在对本发明的***和方法进行说明之前,首先介绍一下与本发明有关的心血管急救网络的构架、患者病理参数的采集与传输***、GPS定位跟踪***的概念。
心血管急救网络的构架
建立以某一医疗集团为中心的一级网络医院,集团所属各分支医院以及县级市人民医院为二级网络医院,各二级网络医院再发展下面社区、乡镇的三级网络医院;网络医院、120急救平台、以及高危易发群体和高危易发个体建立的救治网络、共同构建成基于移动物联网的60公里心血管急救网络。
首先在网络连接参数库中设置各级别网络医院的网络连接参数,各级别网络医院设置与网络连接参数库中相应的连接参数,再通过4G无线网或宽带接入。
需要指出的是一级网络医院具有最高的决策权,在心血管急救网络中,各二级网络医院再发展下面社区、乡镇的三级网络医院,120急救平台、高危易发群体和高危易发个体救治网络将各自所采集到的患者的ACVD指标信息发送给一级网络医院。所有进入救治网络的医院,均可以实现远程会诊、快速转诊、数据共享、病历管理、标准化救治等,从而实现集团内外的医疗资源最优化,病人费用的最低化以及远期预后的最佳化。
患者病理参数的采集与传输***
为了实施心血管急救,在一级网络医院、二/三级网络医院、120急救车上以及高危易发群体和高危易发个体所在的住所均设有体积小、易携带、可靠性高以及功耗低的植入12导联心电图采集模块。患者发病后,及时采集患者的心电图ST段、左心室射血分数、血压等与患者病情相关的生命体征参数。
本***的传输带宽达到1M以上,保证了大量数据不受网速限制而出现延迟,实现真正的远程实时传输;在传输过程中,无压缩传输方式保证了接收终端显示的信息无失真,而且所有存储的数据可随时调用回放、打印及测量分析。
本***设计运行于win7环境,采用Microsoft公司的SQL Server 2000数据库管理***作为开发工具,Microsoft的VC+6.0作为数据库前端,CPU:AMD XP1800+,内存kingston3G DDR,硬盘戴尔600G。
GPS定位跟踪***
在一级网络医院、二/三级网络医院、120急救车上以及高危易发群体和高危易发个体所在的住所均设有GPS定位跟踪***,一级网络医院的ACVD急救服务中心(急救中心服务器***)能够实时获得二/三级网络医院、120急救车以及高危易发群体和高危易发个体所在住所的位置信息,为后续的预警抢救提供导航位置信息。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示,本发明的***包括医生用户终端、急救中心服务器***、12导联心电图采集模块,所述12导联心电图采集模块通过蓝牙将采集的信息发送给医用平板电脑,并通过4G无线网传送给急救中心服务器***;所述急救中心服务器***通过网络和医生用户终端相连,根据患者病情状况提出分类预警方案。
急救中心服务器***
结合附图2,包括数据库服务器、网络服务器、数据处理模块、医生客户端,所述数据库服务器接收到4G无线网发送的患者的相关采集数据后,分别和网络服务器、数据处理模块实现互联,所述网络服务器、数据处理模块均和医生客户端相连,下面分别就各个模块之间的工作过程进行详细介绍。
1、数据处理模块由以下算法步骤实现:
1)首先对常见的心电信号中夹杂的低频干扰、电极片接触噪声进行滤波,采用中值滤波滤除低频基线漂移干扰,公式如下:
其中,x(i)为心电信号序列,k为窗口宽度,C为窗口长度,y(i)为去噪后的信号,x分别为原始信号,y为滤波后的信号,分别为原始信号和滤波后信号的平均值;
在对高频噪声滤除的过程中,采用软阈值函数对小波系数进行处理,公式如下:
其中,b、bt、T分别为心电信号原始小波系数、处理后的小波系数以及给定阈值,SNR为信噪比,MSE为均方根误差。
2)对预处理后的心电信号提取其时域特征,生成训练样本集,对心电数据训练样本集数据特征的基原子进行稀疏编码,确定字典基原子的个数P,随机从心电数据训练样本集中抽取训练样本组成初始字典D0∈RN×P,并进行初始字典的优化,随机仿真生成某个心电数据测试信号f∈RM×1,对该测试信号进行压缩降维u=Φf,最后对心电数据测试信号f的重构;D0为字典、R为样本、M为每个训练样本的采样点数、μ为心电数据在采样时获得的信号,Φ为观测矩阵。
结合附图3,步骤2.1,模型包含正常P波、QRS波群、T波、PR间期、RR间期、QT间期、ST段;仿真产生大量的心电数据信号组成训练样本集为E=[E1,E1,…,E7]∈RM×W,其中W为总的训练样本个数,M为每个训练样本的采样点数,R为样本;心电数据信号的基波频率为40Hz,采样时间为15个周期,采样率6400,M=720;
步骤2.2,确定字典基原子的个数P,随机从心电数据训练样本集中抽取72个训练样本组成初始字典D0∈RN×P,初始字典优化的目标函数为:其中A0为训练样本集E在字典D0上的稀疏表示矩阵,λ为正则化参数,λ=2;初始化迭代次数初值为t=1;压缩感知中,用观测矩阵Φ∈RN×M对测试心电数据信号f∈RM×1进行观测采样,其中N<<M,即将M维的高维心电数据信号降维到低维N维中;此时的压缩采样过程表示为:式中u为心电数据在采样时获得的信号,即为观测信号;D∈RM×P是字典的稀疏变换基矩阵,a∈RP×1是心电数据f在字典下的稀疏表示矩阵,其中a的大多数元素近似为零,是感知矩阵;
观测矩阵Φ∈RN×M(N<<M)采用独立同分布的高斯随机变量组成的随机高斯矩阵实现,对该测试信号进行压缩降维u=Φf,获得该测试信号的低维压缩观测信号u∈RN×1,完成测试信号的压缩采样;
对心电数据测试信号f的重构,采用基于l0范数下的信号重构的非凸优化求解算法中的正交匹配追踪算法求解方程ΦDa=u,获取测试信号在字典下的稀疏表示矩阵a∈RP ×1;反解重构心电数据测试信号实施例中确定字典基原子个数为72个,随机挑选心电数据训练样本中的72个样本初始化字典,同时初始化目标函数初值J=50,迭代容忍误差Js=0.02,迭代最大次数m=40,重构误差小于1.87%。
3)特征迁移算法对重构后的心电信号进行分类处理,得出常见心电异常病状的具体过程为:
输入:将重构后的心电数据测试信号作为源领域数据集DS,其标签集为YS,将RR间期、QRS波群、P波、T波、PR间期、QT间期、ST段作为目标领域数据集DT,低维子空间维数k,参数α、β、γ、λ,基准分类器f,最大迭代次数Tmax;输出:低维投影矩阵W1;
步骤1:通过分布差异矩阵的元素:构建边缘分布差异矩阵L0,构建拉普拉斯矩阵M1,求取跨领域约束因子di,同时设St、Sb为0;其中,nS、nT分别为原领域样本个数和目标领域样本个数,xi,xj分别为待测样本,n为个数;
步骤2:t=1;其中,t为迭代次数;
步骤3:求解式或得投影矩阵W1;其中,X=DS∪DT,C为类别个数,LC为条件分布差异矩阵,I为元素为1的矩阵,K为迭代参数,St为类间总散度矩阵,Sb类间散度矩阵,为St的非线性形式;
步骤4:将DS和DT通过矩阵Z=W1 TX映射到k维子空间中,得到ZS和ZT,φ为对角函数;
步骤5:在数据集{ZS,YS}上训练基准分类器f,并利用训练得到的分类器对ZT进行标记,得到目标领域数据的标签集
步骤6:采用数据集{XS,YS}和根据
构建条件分布差异矩阵LC;同时根据式和分别求解Sb和St(在非线性时为和),
其中,NC为C类的样本个数,u(c)为C类别的均值,Sw为类内散度矩阵;
步骤7:t←t+1;
步骤8:若t≥Tmax或不再变化,输出W1;否则,转步骤3。
实施例中,
RR波(i):当前R峰i与下一个i+1R峰之间的间隔,秒(s);
HRV波(i):当前RR间期i与下一个i+1RR间期的绝对值之差,秒(s);
QRS波群(i):当前心拍i中QRS波群的时限长度,秒(s);
P波(i):当前心拍i中P波的时限长度,秒(s);
T波(i):当前心拍i中T波的时限长度,秒(s);
PR波(i):当前心拍i中PR间期的时限长度,秒(s);
QT波(i):当前心拍i中QT间期的时限长度,秒(s);
Tmax=30,k取值为7,参数α、β、γ、λ分别为0.5、0.2、10、80;原领域样本个数nS=1024,目标领域样本个数nT=234,n=1600,步骤中的迭代次数t=30,步骤3中类别个数C=18。
4)如图4所示,步骤3采用模糊算法对常见心电异常病状按照紧急情况进行预警的过程为:通过分类出心电异常类型,将分为紧急、中度紧急、重度紧急三个模糊分量进行预警;分为心电停搏XT、扭转型室速NS、室颤SC、三度房室传导阻滞ZZ以及心肌梗死GS等常见病状。
例如对于心电停搏XT,其典型心电图表现为只见一系列窦性P波或房性P波而不见任何交接区或室性逸搏,在长于2.7s(约相当于室性逸搏心律的最长的心动周期)的长间歇中未见到任何交接区和室性QRS波。以心电数据的各特征分量的取值范围作为模糊集的论域,其中,模糊集合中的语言变量含义如下:
NB-负大(Negative Big),NS-负小(Negative Small),ZE-零(Zero),PS-正小(Positive Small),PB-正大(Positive Big);
P波群的个数论域为[-D,D],D取值为0.3,模糊集合为{NB,NS,ZE,PS,PB},隶属度函数均采用三角形隶属度函数Trimf;RR间期、QRS波群、P波、T波、PR间期、QT间期、ST段均为零。
输出心电停搏XT的论域为[-F,F],F取值为1,模糊集合为{NB,ZE,PB},隶属度函数均采用三角形隶属度函数Trimf;
语句含义为:
例如:IF P is PB and RR is ZE and QRS is ZE and T is ZE and PR is ZEand QT is ZE and ST is ZE Then XT is PB;即若P波越多,RR间期、QRS波群、P波、T波、PR间期、QT间期、ST段出现越少,则心电停搏越紧急。
对于扭转型室速NS,心率>160(RR<280ms),QT延长>0.50S。则RR间期的时间论域为[-E,E],E取值为0.3(s),模糊集合为{NB,NS,ZE,PS,PB},隶属度函数均采用三角形隶属度函数Trimf;QT间期时间论域为[-F,F],F取值为1(S),输出扭转型室速NS的论域为[-G,G],G取值为1,模糊集合为{NB,ZE,PB},隶属度函数均采用三角形隶属度函数Trimf。
对于室颤SC心率为250~500次/min。其判定较为简单,仅需分成250-350次/min(紧急),350-450次/min(中度紧急),450-500次/min(重度紧急)区间判定即可。
对于三度房室传导阻滞ZZ,心率<45次/分,心房与心室各自激动,互不相干,呈完全性房室分离,QRS波<0.11S,则QRS波群的时间论域为[-H,H],H取值为0.2(s),模糊集合为{NB,NS,ZE,PS,PB},隶属度函数均采用高斯型隶属度函数Gaussmf;
对于心肌梗死GS,T波高尖,正常成人胸导联上可达到1.2mv-1.5mv,室壁激动时间延长50ms,ST段抬高>0.1mV,则T波的论域为[-I,I],I取值为2(mv),模糊集合为{NB,NS,ZE,PS,PB},隶属度函数均采用双边高斯型隶属度函数Gauss2mf;QR间期的时间论域为[-J,J],J取值为0.05(s),模糊集合为{NB,NS,ZE,PS,PB},隶属度函数均采用双边高斯型隶属度函数Gauss2mf;ST段的论域为[-K,K],K取值为1(mv),模糊集合为{NB,NS,ZE,PS,PB},隶属度函数均采用双边高斯型隶属度函数Gauss2mf。输出心肌梗死GS的论域为[-L,L],L取值为1,模糊集合为{NB,ZE,PB},隶属度函数采用双边高斯型隶属度函数Gauss2mf。
除了紧急的情况,其他的轻度心率失常也可以用模糊判定,例如室性早搏SZB提早出现QRS波群,前面没有和其相关的异位P波;QRS波群宽大畸形,时间一般大于或等于0.12秒,且通常伴有R波幅度的增高,T波方向与QRS波群主波方向相反。因此,选择QRS波群的宽度、RR间期、T波方向作为特征参数,若QRS波的宽度越大、RR间期越小,且T波方向与QRS波群主波方向相反,则越有可能是室性早搏。以心电数据的各特征分量的取值范围作为模糊集的论域,其中,模糊集合中的语言变量含义如下:
NB-负大(Negative Big),NS-负小(Negative Small),ZE-零(Zero),PS-正小(Positive Small),PB-正大(Positive Big);
QRS波群的宽度论域为[-D,D],D取值为0.3,模糊集合为{NB,NS,ZE,PS,PB},隶属度函数均采用三角形隶属度函数Trimf;
RR间期的论域为[-E,E],E取值为0.5,模糊集合为{NB,NS,ZE,PS,PB},隶属度函数均采用三角形隶属度函数Trimf;
T波方向主要是看它与QRS波群的主波方向是否一致,以二值量表示,即若T波与QRS波群的主波方向相同则取0,相反则取1;
输出室性早搏SZB的论域为[-F,F],F取值为1,模糊集合为{NB,ZE,PB},隶属度函数均采用三角形隶属度函数Trimf;
语句含义为:
例如:IF QRS is PB and RR is NB and QRS=0(1)and T=1(0)Then SZB isPB;
即若QRS波的宽度越大、RR间期越小,且T波方向与QRS波群主波方向相反,则室性早搏病状紧急。
2、医生客户端
医生客户端由医生客户端软件管理构成,上述预警信息由数据处理模块智能化生成,并显示在图5所示的医生客户端应用界面,当打开查看急救信息后(如图5所示),急救信息包括患者详细的病况以及诊治信息,尤其需要指出的是,图5中还给出了急救信息中的预警一栏,当患者的信息被采集处理之后为医生的判断提供预警,当患者确诊为ACVD且在120急救车内后,病情状况较为紧急的情况下,急救信息中所给出示例的预警。
该医生客户端为智能终端上可运行远程急救与健康管理的客户端软件,包括急救管理***和健康管理***。急救管理***包括急救电子病历、抢救记录、实时监测等,完整记录患者的整个抢救过程。健康管理***可将个人生理指标自动、实时记录保存下来,便于观察和随访。对***的操作可在导管室内、救护车上借助平板电脑、智能手机等进入***的设备上进行操作,简单便捷。
3、网络服务器
网络服务器主要包括登录界面、主功能界面,其开发环境为Visual studio 2010,动态网页交互方式采用asp.net技术;网页编写采用脚本语言结合Ajax技术异步刷新页面,嵌入ActiveX控件以连接医生客户端,执行相应的控制指令。后台采用基于C#的ADO.net连接数据库,读取参数信息。最后由Internet信息服务管理器绑定本机IP地址将网站发布到医生客户端WEB网页。
智能终端的医生在浏览器的地址栏输入医院管理信息***网站的IP地址登录和浏览网页。网络服务器根据数据库服务器存储的医生信息对其进行身份验证,如果没有通过验证,则显示身份验证失败,医生需检查账号和密码后重新登录;若通过身份验证,则医生可以选择执行控制指令操作还是查询监测操作。执行控制指令操作,则具有远程会诊、指导抢救、实时监护和及时转诊指令。而执行查询监测操作的医生,可以查看患者的个人信息、救治状态、急救信息以及患者所处的具***置。
4、数据库服务器
本***采用SQL Server2000数据库,SQL Server 2000数据库是微软公司推出的一个数据库管理***,它使用方便,具有良好的可伸缩性和集成度高的特点,可充分利用Windows NT的优势,它支持存储过程、ODBC、ADO技术,并具有自主的SQL语言,为开发者提供了一个良好的数据管理平台。访问数据库采用ADO技术。ADO是Microsoft为最新和最强大的数据访问范例OLE DB而设计的,是一个便于使用的应用程序层接口。ADO技术为应用程序访问数据库提供了一个简单、轻便和高性能的接口,在前端和数据源之间使用最少的层数,它易于使用、速度快、内存支出少。
数据库服务器与网络服务器相连,患者首次就医时,数据库服务器将其基本情况传输至医院管理信息***;若患者非首次就医,医生客户端可登陆医院管理信息***查询患者的相关资料,使得救护人员可以更快地了解患者的基本情况及过往病史。
本***涉及的数据信息包括以下六类:患者个人信息、医生基本信息、医疗监控数据、警告参数设置、诊断记录和GPS定位。
(1)患者个人信息包括患者的急救ID、姓名、性别、年龄等。
(2)医生基本信息包括医生编号、姓名、科室。
(3)医疗监控数据包括ACS血清肌钙蛋白、心电图ST段、左心室射血分数、血压、血氧、血糖。
(4)警告参数设置包括心电参数种类、参数值上限、参数值下限、警告级别。
(5)诊断记录包括患者ID、医生ID、诊断时间、诊断结果。
(6)GPS定位包括经度、纬度。
医疗监控数据表如表3所示:
表3tb_Electrocardiodata
警告参数设置如表4所示:
表4tb_Alarmdata
列名 | 数据类型 | 描述 | 是否主键 |
AType | Int | 心电参数种类 | 是 |
Aupper | Float(8) | 参数上限 | 否 |
ALower | Float(8) | 参数下限 | 否 |
ALevel | Int | 警告级别 | 否 |
诊断记录如表5所示:
表5tb_Diagnose Content
该模式优点在于:(1)基于物联网的实时12导联心电图远程传输,帮助基层医生对ACVD早期判断,减少ACVD患者在基层医院救治时间延迟;(2)ACVD患者通过救护车直接进入导管室,减少患者进入急诊室后病史采集、查体、心电图检查及呼叫医生会诊时间;(3)在救护车转运患者同时进行导管室准备工作,减少术前准备时间;(4)对病情、治疗方案等沟通工作完成于到达介入中心之前,提高了患者及家属对ACVD疾病严重性的认识,获取知情同意时间缩短;(5)分类预警方法安全可靠性高,大大节约了医疗专家的诊断时间,不仅可以进一步完善心血管急救管理模式,降低ACVD救治延迟、缩减住院费用、改善预后,还可为医院更好的利用物联网平台服务民生提供经验借鉴。
综上,上述急救中心服务器***可实现分类预警方案包括:
***根据12导联实时心电图采集模块采集到的患者的具体情况,及装有GPS定位跟踪***的120救护车的具***置,决定将患者送至协同救治网络中设备、医护人员、距离均匹配的网络医院。***根据患者情况的紧急程度决定是否通知相应的网络医院启动并进入导管室术前准备。若120救护车上的患者情况较为紧急,物联网信息中心可通过4G无线网将患者具体情况传输至一级网络医院智能终端后,智能终端上运行远程急救软件,智能终端的一级网络医院专家通过远程会诊指导现场医护人员做相应的救治。患者就诊于二、三级网络医院时,一级网络医院在智能终端通过4G无线网络可以查看患者实时的病况。若就诊于二、三级网络医院的患者病情出现恶化,一级网络医院可指导二、三级网络医院安排患者及时转诊。一级网络医院安排患者转诊前及时与目标接收患者的网络医院取得联系,建设转运绿色通道,并告知目标接收患者的网络医院当前患者的具体情况,避免二次诊断,节约患者就诊时间。首次就诊的患者,物联网信息中心将采集患者的基本情况,建立患者个人资料。非首次就诊的患者,一级网络医院智能终端可调查患者的个人资料,以便医护人员更快地了解病人的基本情况及过往病史。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经给出并描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种用于心血管急救网络***的分类预警方法,该心血管急救网络***包括医生用户终端、急救中心服务器***、12导联心电图采集模块,所述12导联心电图采集模块通过蓝牙将采集的信息发送给医用平板电脑,并通过4G无线网传送给急救中心服务器***,所述急救中心服务器***完成信息数据的分类处理,并通过网络和医生用户终端相连;
所述急救中心服务器***包括数据库服务器、网络服务器、数据处理模块、医生客户端,所述数据库服务器接收到4G无线网发送的患者的相关采集数据后,分别和网络服务器、数据处理模块实现互联,所述网络服务器、数据处理模块均和医生客户端相连;所述网络服务器用于执行控制指令操作和执行查询监测操作,医生能够查看患者的个人信息、救治状态、急救信息以及患者所处的具***置;所述数据库服务器用于传输、存取建立患者个人信息、医生基本信息、医疗监控数据、警告参数设置、诊断记录和GPS定位信息;所述数据处理模块用于心电信号去噪、提取去噪后信号的时域特征并压缩重构、对重构后的信号分类以及对病状按照紧急情况进行预警;其特征在于,包括以下步骤:
步骤一,首先对心电信号中夹杂的低频干扰、电极片接触噪声进行滤波,采用中值滤波滤除低频基线漂移干扰,公式如下:
其中,x(i)为心电信号序列,k为窗口宽度,C为窗口长度,y(i)为去噪后的信号,x为原始信号,y为滤波后的信号,分别为原始信号和滤波后信号的平均值;
在对高频噪声滤除的过程中,采用软阈值函数对小波系数进行处理,公式如下:
其中,b、bt、T分别为心电信号原始小波系数、处理后的小波系数以及给定阈值,sign()为函数,SNR为信噪比,MSE为均方根误差;
步骤二,对预处理后的心电信号提取其时域特征,生成训练样本集,对心电数据训练样本集数据特征的基原子进行稀疏编码,确定字典基原子的个数P,随机从心电数据训练样本集中抽取训练样本组成初始字典D0∈RN×P,并进行初始字典的优化,随机仿真生成某个心电数据测试信号f∈RM×1,对该测试信号进行压缩降a维u=Φf,最后对心电数据测试信号f的重构;D0为字典、R为样本、M为每个训练样本的采样点数、u为心电数据在采样时获得的信号,Φ为观测矩阵;
步骤三,采用特征迁移算法对重构后的心电信号进行分类处理,得出心电异常病状,并采用模糊算法对心电异常病状按照紧急情况进行预警。
2.根据权利要求1所述的一种用于心血管急救网络***的分类预警方法,其特征在于,所述步骤二包括以下步骤:
步骤2.1,仿真建立心电数据信号模型包含正常P波、QRS波群、T波、PR间期、RR间期、QT间期、ST段;仿真产生大量的心电数据信号组成训练样本集为E=[E1,E1,…,E7]∈RM×W,其中W为总的训练样本个数,M为每个训练样本的采样点数,R为样本;
步骤2.2,确定字典基原子的个数P,随机从心电数据训练样本集中抽取72个训练样本组成初始字典D0∈RN×P,初始字典优化的目标函数为:其中A0为训练样本集E在字典D0上的稀疏表示矩阵,λ为正则化参数;
步骤2.3,观测矩阵Φ∈RN×M(N<<M)采用独立同分布的高斯随机变量组成的随机高斯矩阵实现,对该测试信号进行压缩降维u=Φf,获得该测试信号的低维压缩观测信号u∈RN ×1,完成测试信号的压缩采样;
步骤2.4,对心电数据测试信号f的重构,采用基于l0范数下的信号重构的非凸优化求解算法中的正交匹配追踪算法求解方程ΦDa=u,获取测试信号在字典下的稀疏表示矩阵a∈RP×1;反解重构心电数据测试信号
3.根据权利要求1所述的一种用于心血管急救网络***的分类预警方法,其特征在于,所述步骤三采用特征迁移算法对重构后的心电信号进行分类处理,得出心电异常病状的具体过程为:
输入:将重构后的心电数据测试信号作为源领域数据集DS,其标签集为YS,将RR间期、QRS波群、P波、T波、PR间期、QT间期、ST段作为目标领域数据集DT,低维子空间维数k,参数α、β、γ、λ,基准分类器f,最大迭代次数Tmax;输出:低维投影矩阵W1;
步骤3.1:通过分布差异矩阵的元素:构建边缘分布差异矩阵L0,构建拉普拉斯矩阵M1,求取跨领域约束因子di,同时设St、Sb为0;其中,nS、nT分别为原领域样本个数和目标领域样本个数,xi,xj分别为待测样本,n为个数;
步骤3.2:t=1;其中,t为迭代次数;
步骤3.3:求解式或得投影矩阵W1;其中,X=DS∪DT,C为类别个数,LC为条件分布差异矩阵,I为元素为1的矩阵,K为迭代参数,St为类间总散度矩阵,Sb类间散度矩阵,为St的非线性形式;
步骤3.4:将DS和DT通过矩阵Z=W1 TX映射到k维子空间中,得到ZS和ZT,φ为对角函数;
步骤3.5:在数据集{ZS,YS}上训练基准分类器f,并利用训练得到的分类器对ZT进行标记,得到目标领域数据的标签集
步骤3.6:采用数据集{XS,YS}和根据
构建条件分布差异矩阵LC;同时根据式和分别求解Sb和St,在非线性时为和其中,NC为C类的样本个数,u(c)为C类别的均值,Sw为类内散度矩阵;
步骤3.7:t←t+1;
步骤3.8:若t≥Tmax或不再变化,输出W1;否则,转步骤3.3。
4.根据权利要求1所述的一种用于心血管急救网络***的分类预警方法,其特征在于,所述步骤三采用模糊算法对心电异常病状按照紧急情况进行预警的过程为:通过分类出心电停搏、扭转型室速、室颤、三度房室传导阻滞以及心肌梗死的心电异常类型,将分为紧急、中度紧急、重度紧急三个模糊分量进行预警;对于心电停搏XT采用三角形隶属度函数Trimf训练,对于扭转型室速NS,隶属度函数均采用三角形隶属度函数Trimf训练,对于室颤SC简单划分几个区间判定;对于三度房室传导阻滞ZZ,隶属度函数均采用高斯型隶属度函数Gaussmf训练,对于心肌梗死GS,隶属度函数采用双边高斯型隶属度函数Gauss2mf训练。
5.根据权利要求1所述的一种用于心血管急救网络***的分类预警方法,其特征在于,所述急救中心服务器***设置在一级网络医院,能够获取一级网络医院、二级网络医院,三级网络医院、120急救车、高危易发群体和高危易发个体所处位置的GPS定位信息,且一级网络医院具有最高的决策权;所述12导联心电图采集模块能够设置在一级网络医院、或者二级网络医院、或者三级网络医院、或者120急救平台、或者高危易发群体和高危易发个体中。
6.根据权利要求1所述的一种用于心血管急救网络***的分类预警方法,其特征在于,所述医生用户终端为监护仪,或医用PDA,或手机。
7.根据权利要求1所述的一种用于心血管急救网络***的分类预警方法,其特征在于,所述网络服务器包括登录界面、主功能界面,其开发环境为Visual studio 2010,动态网页交互方式采用asp.net技术;网页编写采用脚本语言结合Ajax技术异步刷新页面,嵌入ActiveX控件以连接医生客户端,执行相应的控制指令。
8.根据权利要求1所述的一种用于心血管急救网络***的分类预警方法,其特征在于,所述数据库服务器运行于win7环境,采用Microsoft公司的SQL Server 2000数据库管理***作为开发工具,Microsoft的VC+6.0作为数据库前端,CPU为AMD XP1800+,内存kingston3G DDR,硬盘戴尔600G。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810289623.3A CN108335744B (zh) | 2018-04-03 | 2018-04-03 | 一种心血管急救网络***及其分类预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810289623.3A CN108335744B (zh) | 2018-04-03 | 2018-04-03 | 一种心血管急救网络***及其分类预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108335744A CN108335744A (zh) | 2018-07-27 |
CN108335744B true CN108335744B (zh) | 2019-01-11 |
Family
ID=62932018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810289623.3A Expired - Fee Related CN108335744B (zh) | 2018-04-03 | 2018-04-03 | 一种心血管急救网络***及其分类预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108335744B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110600126A (zh) * | 2019-09-19 | 2019-12-20 | 江苏大学附属医院 | 一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法 |
CN112568911A (zh) * | 2019-09-30 | 2021-03-30 | 深圳市理邦精密仪器股份有限公司 | 心电数据的分类方法、设备及具有存储功能的装置 |
CN110991517A (zh) * | 2019-11-28 | 2020-04-10 | 太原理工大学 | 一种面向脑卒中非平衡数据集的分类方法及*** |
CN112652384A (zh) * | 2020-01-20 | 2021-04-13 | 深圳市理邦精密仪器股份有限公司 | 心电图机的警报提醒方法、设备、心电图机及存储装置 |
CN113160949A (zh) * | 2020-01-20 | 2021-07-23 | 深圳市理邦精密仪器股份有限公司 | 提供就诊建议的方法及服务器、移动心电设备 |
CN111329468A (zh) * | 2020-02-10 | 2020-06-26 | 郭洪军 | 一种心内科实时监测***及其监测方法 |
CN111180091A (zh) * | 2020-03-06 | 2020-05-19 | 东北大学 | 面向智慧医疗社区服务的监护*** |
CN111835360B (zh) * | 2020-07-14 | 2021-06-01 | 山东省人工智能研究院 | 一种基于基追踪去噪的稀疏信号重构方法 |
CN112116979B (zh) * | 2020-08-11 | 2024-03-19 | 重庆华医康道科技有限公司 | 一种基于区块链分账协议的电子处方流转安全性工作方法 |
CN112487880B (zh) * | 2020-11-13 | 2021-09-24 | 河北省科学院应用数学研究所 | 基于最大误差准则的中值滤波器、设备和*** |
CN116548981B (zh) * | 2023-07-12 | 2023-09-08 | 四川省医学科学院·四川省人民医院 | 一种无线传输的分体式心电监护*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201259720Y (zh) * | 2008-06-02 | 2009-06-17 | 深圳市安鹏达科技有限公司 | 一种生命预警装置及生命预警救援*** |
CN103690240A (zh) * | 2013-09-16 | 2014-04-02 | 上海华美络信息技术有限公司 | 一种医疗*** |
CN107736887A (zh) * | 2017-11-09 | 2018-02-27 | 湖北工业大学 | 一种多功能移动心电监护***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10531806B2 (en) * | 2013-12-17 | 2020-01-14 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
-
2018
- 2018-04-03 CN CN201810289623.3A patent/CN108335744B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201259720Y (zh) * | 2008-06-02 | 2009-06-17 | 深圳市安鹏达科技有限公司 | 一种生命预警装置及生命预警救援*** |
CN103690240A (zh) * | 2013-09-16 | 2014-04-02 | 上海华美络信息技术有限公司 | 一种医疗*** |
CN107736887A (zh) * | 2017-11-09 | 2018-02-27 | 湖北工业大学 | 一种多功能移动心电监护***及方法 |
Non-Patent Citations (1)
Title |
---|
结合小波变换和中值滤波心电信号去噪算法研究;徐寒等;《自动化与仪表》;20121231;第46-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108335744A (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335744B (zh) | 一种心血管急救网络***及其分类预警方法 | |
CN105162880B (zh) | 一种acs区域化协同救治网络的辅助决策方法 | |
Gogate et al. | Healthcare monitoring system based on wireless sensor network for cardiac patients | |
CN107103182A (zh) | 一种基于深度学习算法的心脏性疾病风险预警***及方法 | |
Kwon et al. | Artificial intelligence for detecting electrolyte imbalance using electrocardiography | |
Raj et al. | A personalized point-of-care platform for real-time ECG monitoring | |
Faust et al. | Automated arrhythmia detection based on RR intervals | |
US20210353203A1 (en) | Diagnostics for detection of ischemic heart disease | |
El Attaoui et al. | Wearable wireless sensors network for ECG telemonitoring using neural network for features extraction | |
Jin et al. | Classification of normal and abnormal ECG records using lead convolutional neural network and rule inference | |
CN106510687A (zh) | 一种识别心电图数据异常的方法及*** | |
CN110200619A (zh) | 一种建立重大心血管疾病风险预警模型方法及装置 | |
Zou et al. | Automatic detection of congestive heart failure based on multiscale residual unet++: From centralized learning to federated learning | |
Shafi et al. | Prediction of heart abnormalities using deep learning model and wearabledevices in smart health homes | |
Filist et al. | Classifier for the functional state of the respiratory system via descriptors determined by using multimodal technology | |
CN110349641A (zh) | 一种便于操作的健康信息查询装置 | |
CN113012823A (zh) | 一种用于心电图机的云平台*** | |
Liu et al. | Real time arrhythmia monitoring and classification based on edge computing and dnn | |
SC et al. | Telecardiology for effective healthcare services | |
Charrad et al. | ECG patch monitor: a telemedicine system for remote monitoring and assisting patients during a heart attack | |
Zhao et al. | Intelligent Gateway Based Human Cardiopulmonary Health Monitoring System | |
Hu et al. | Cloud-assisted home health monitoring system | |
Bollepalli et al. | Dictionary-based monitoring of premature ventricular contractions: An ultra-low-cost point-of-care service | |
Bengherbia et al. | Real-time smart system for ecg monitoring using a one-dimensional convolutional neural network | |
Maity et al. | Prototype Design of An IoT Enabled Cost-Efficient Portable Heart-Health Data Acquisition System |
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 | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190111 Termination date: 20200403 |