CN108926343B - 基于cnn神经网络的急性心肌梗死定性自动判别*** - Google Patents

基于cnn神经网络的急性心肌梗死定性自动判别*** Download PDF

Info

Publication number
CN108926343B
CN108926343B CN201810835499.6A CN201810835499A CN108926343B CN 108926343 B CN108926343 B CN 108926343B CN 201810835499 A CN201810835499 A CN 201810835499A CN 108926343 B CN108926343 B CN 108926343B
Authority
CN
China
Prior art keywords
qualitative
myocardial infarction
data
acute myocardial
judgment
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
Application number
CN201810835499.6A
Other languages
English (en)
Other versions
CN108926343A (zh
Inventor
徐亚伟
陈维
朱梦云
张毅
唐恺
赵逸凡
高梓桓
徐亚文
赵宇
徐潇
李昕
侯杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yishi Network Technology Co ltd
Original Assignee
Shanghai Yishi Network Technology Co ltd
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 Shanghai Yishi Network Technology Co ltd filed Critical Shanghai Yishi Network Technology Co ltd
Priority to CN201810835499.6A priority Critical patent/CN108926343B/zh
Publication of CN108926343A publication Critical patent/CN108926343A/zh
Application granted granted Critical
Publication of CN108926343B publication Critical patent/CN108926343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Landscapes

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

Abstract

一种基于CNN神经网络的急性心肌梗死定性自动判别***，涉及心肌梗死定性判别技术领域，包括数据采集***、云平台数据存储***、定性判别分析***和数据显示***；可穿戴心电监护仪与待判别人员连接，记录并生成12导联原始心电图；心电图采集***获取12导联原始心电图数据，包括P波的波幅、QRS波群的波幅、ST段的波幅和T波的波幅；定性判别分析***利用基于CNN神经网络训练获得的定性判别模型进行卷积计算获得判别中间数据，判别中间数据经过sigmoid函数映射获得判别结果数据，从而做出待判别人员是否患有急性心肌梗死的定性判别；本申请提供一种基于CNN神经网络的急性心肌梗死定性自动判别***，对待判别人员是否为急性心机梗死做出准确的定性判别。

Description

基于CNN神经网络的急性心肌梗死定性自动判别***
技术领域
本发明涉及心肌梗死定性判别技术领域，具体涉及一种基于CNN神经网络的急性心肌梗死定性自动判别***。
背景技术
急性心肌梗死是冠状动脉急性、持续性缺血缺氧所引起的心肌坏死。临床上多有剧烈而持久的胸骨后疼痛，休息及硝酸酯类药物不能完全缓解，伴有血清心肌酶活性增高及进行性心电图变化，可并发心律失常、休克或心力衰竭，常可危及生命。本病在欧美最常见，美国每年约有150万人发生急性心肌梗死。中国近年来呈明显上升趋势，每年新发至少50万，现患至少200万,并且近20年来我国急性心肌梗死患者的死亡率持续上升，是威胁我国人民健康的重大公共卫生问题。急性心肌梗死救治最重要的关键点在于早期血运重建，越早开通梗死血管，患者的预后就越好，而导致目前我国急性心肌梗死死亡率居高不下的重要原因就在于急性心肌梗死患者的就诊延迟，从患者出现症状到患者接受血管再通治疗的时间，我国长达4-6小时，而欧美发达地区的就诊时间也超过3小时。值得注意的是，患者就诊延迟时间在近10年内，无论是我国还是欧美发达国家，均无明显改善，如何降低患者的就诊延迟成为了目前我国乃至全世界急需解决的问题。心电图是目前诊断急性心肌梗死，尤其是ST段抬高型心肌梗死最简便、最常用也是最重要的诊断手段。当心肌出现缺血情况时，心电图的ST段改变甚至早于患者出现症状。而目前临床上使用的心电图设备无法准确地自动识别心电图ST段变化。因此如果能实现心电设备的自动判读，自动判断患者是否心肌梗死，从而实现自动预警，将大大降低心梗患者的就诊延迟，从而减少患者的总缺血时间，改善患者预后。
发明内容
为了解决上述现有技术中存在的不足，本申请提供一种基于CNN神经网络的急性心肌梗死定性自动判别***，利用标准12导联心电图，可对待判别人员是否为急性心机梗死做出准确的定性判别。
为了实现上述技术效果，本发明的具体技术方案如下：
一种基于CNN神经网络的急性心肌梗死定性自动判别***，包括数据采集***、云平台数据存储***、定性判别分析***和数据显示***；
所述数据采集***包括可穿戴心电监护仪、心电图采集***，所述可穿戴心电监护仪与待判别人员连接，记录并生成待判别人员的心脏每一心动周期所产生的电活动变化的12导联原始心电图；所述心电图采集***用于获取12导联原始心电图数据，该数据包括P波的波幅、QRS波群的波幅、ST段的波幅和T波的波幅；
所述云平台数据存储***自动识别并存储12导联原始心电图数据，经小波变换后将该数据转换成量化指标，转换成的量化指标发送给定性判别分析***；
所述定性判别分析***接收转换成的量化指标，利用基于CNN神经网络训练获得的定性判别模型进行卷积计算获得判别中间数据，所述判别中间数据经过sigmoid函数映射获得判别结果数据，根据该判别结果数据做出待判别人员是否患有急性心肌梗死的定性判别；
所述数据显示***包括显示屏幕及提示灯，其与可穿戴心电监护仪、定性判别分析***连接，用于显示待判别人员的12导联原始心电图，并且待定性判别分析***判别结果为急性心肌梗死时进行红灯提示；
上述待判别人员进行定性判别的步骤为：
第一步：采集并获取待判别人员的12导联原始心电信号fT(t),其即为获取到的QRS波、ST段、T波在t时刻的相应波幅，其中T仅用于标记，表示为待判别人员；
第二步：原始心电信号fT(t)在频率x下经小波变换获得WsfT(t)，其中
Figure GDA0001813255990000021
第三步：将s设定为s＝1,将WsfT(t)带入定性判别模型进行卷积计算得到WsfT(x)∈R,然后WsfT(x)经过sigmoid函数映射得到：
Figure GDA0001813255990000022
如果sigmoid(WsfT(x))≧0.5，则待判别人员为患有急性心肌梗死；如果sigmoid(WsfT(x))<0.5，则待判别人员为正常。
进一步地，所述基于CNN神经网络训练获得的定性判别模型具体获得步骤如下：
设fk(t),k＝1,2,...,m.是第k个已经诊断为患急性心肌梗死病人的心电信号，其中m≥10000；SLk表示第k个病人的临床金标准，是病人的实际的疾病类型，SLk＝1表示病人发生心肌梗死，SLk＝0表示正常；yk是第k个病人预测的疾病类型，yk＝1表示病人发生心肌梗死，yk＝0表示正常；
第1步：在CNN神经网络输入层输入我们的第k个病人的心电信号fk(t),k＝1,2,...,m.(共有m个病人的心电信号)；
第2步：如果第一次经过此步，选择j＝0，s＝2j＝1为初始值，如果不是初次进入此步，在循环到此步时，每次j的当前值的基础上加上1；然后，Ψs(x)与fk(t)经过隐藏层的卷积操作，即二进制小波变换，得到Wsfk(x)∈R；
第3步：然后经过sigmoid函数映射，即
Figure GDA0001813255990000031
Figure GDA0001813255990000032
第4步：把yk与收集到的临床金标准SLk进行对比是否相等，对照所有的样本的临床金标准后可以得到一个错误率
Figure GDA0001813255990000033
第5步：我们对判别的错误率的要求是ERROR＝5％，即正确率达到95％如果error＜＝ERROR，则输出模型Wsfk(x)∈R；如果error＞ERROR，然后重复第2、3、4、5步直至error＜＝ERROR，然后输出模型Wsfk(x)∈R。
进一步地，所述临床金标准SLk存储于所述云平台数据存储***，其来自于急性心肌梗死病人的临床试验观察表，用于与定性判别模型预测结果作对照。
进一步地，所述临床金标准SLk存储于所述云平台数据存储***，其来自于血管造影装置在急性心肌梗死病人急诊时通过注入造影剂让血管成像，再通过心肌梗死标注软件进行标注的标注数据，用于与定性判别模型预测结果作对照。
依据上述技术方案，与已公开技术相比，本发明存在以下优点：本发明基于大数据云平台，建立基于体表12导联原始心电图的数据来定性识别急性心肌梗死的人工智能算法，建立整体的急性心肌梗死自动判别***，可以快速实现急性心肌梗死定性自动判别，实现实时预警，提高诊断敏感性。
附图说明
下面通过具体实施方式结合附图对本作进一步详细说明。
图1为本发明的***框架图；
图2为本发明中用于训练获得定性判别模型的一种CNN神经网络示意图；
其中，1、数据采集***；11、可穿戴心电监护仪；12、心电图采集***；2、云平台数据存储***；3、定性判别分析***；31、定性判别模型；4、数据显示***。
具体实施方式
为使本实施方式的目的、技术方案和优点更加清楚，下面将结合本实施方式中的附图，对本实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本保护的范围。
在本发明的描述中，需要理解的是，术语“上端”、“下端”、“尾端”、“左右”、“上下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例
如图1所示，一种基于CNN神经网络的急性心肌梗死定性自动判别***，包括数据采集***1、云平台数据存储***2、定性判别分析***3和数据显示***4；
所述数据采集***1包括可穿戴心电监护仪11、心电图采集***12，所述可穿戴心电监护仪11与待判别人员连接，记录并生成待判别人员的心脏每一心动周期所产生的电活动变化的12导联原始心电图；所述心电图采集***12用于获取12导联原始心电图数据，该数据包括P波的波幅、QRS波群的波幅、ST段的波幅和T波的波幅，其中可穿戴心电监护仪11、心电图采集***12均为现有的临床医学设备。
所述云平台数据存储***2自动识别并存储12导联原始心电图数据，其中经小波变换后将该数据转换成量化指标，转换成的量化指标发送给定性判别分析***；其中云平台数据存储***2自动识别12导联原始心电图数据时涉及的波形识别算法采用现有技术，例如：[1]刘杰，胡绍海.基于改进DTW的心电图ST段识别.北京生物医学工程,2010，29(5)：492-496；[2]汪振兴，张思杰，曾孝平.心电信号ST段形态识别算法.计算机应用,2011，31(10)：2811-17；[3]白鹏飞，王利，易子川，周震.基于小波包变换的心电图ST段提取.中国医学物理学杂志,2013，30(1)：3894-97。
所述定性判别分析***3接收转换成的量化指标，利用基于CNN神经网络训练获得的定性判别模型31进行卷积计算获得判别中间数据，所述判别中间数据经过sigmoid函数映射获得判别结果数据，根据该判别结果数据做出待判别人员是否患有急性心肌梗死的定性判别，该具体计算过程在下方有具体内容。
所述数据显示***4包括显示屏幕及提示灯，其与可穿戴心电监护仪11、定性判别分析***3连接，用于显示待判别人员的12导联原始心电图，并且待定性判别分析***3判别结果为急性心肌梗死时进行红灯提示；
上述待判别人员进行定性判别的步骤为：
第一步：采集并获取待判别人员的12导联原始心电信号fT(t),其即为获取到的QRS波、ST段、T波在t时刻的相应波幅，其中T仅用于标记，表示为待判别人员；
第二步：原始心电信号fT(t)在频率x下经小波变换获得WsfT(t)，其中
Figure GDA0001813255990000051
其中，
Figure GDA0001813255990000052
是小波基函数ψ(x)的放缩函数，s是放缩因子，设s＝2j，j是整数；则WsfT(t)称为原始心电信号fT(t)的二进制小波变换，即卷积计算；
第三步：将s设定为s＝1,将WsfT(t)带入定性判别模型进行卷积计算得到WsfT(x)∈R,然后WsfT(x)经过sigmoid函数映射得到：
Figure GDA0001813255990000053
如果sigmoid(WsfT(x))≧0.5，则待判别人员为患有急性心肌梗死；如果sigmoid(WsfT(x))<0.5，则待判别人员为正常。
如图2所示，所述基于CNN神经网络训练获得的定性判别模型具体获得步骤如下：
设fk(t),k＝1,2,...,m.是第k个已经诊断为患急性心肌梗死病人的心电信号，其中m≥10000；SLk表示第k个病人的临床金标准，是病人的实际的疾病类型，SLk＝1表示病人发生心肌梗死，SLk＝0表示正常；yk是第k个病人预测的疾病类型，yk＝1表示病人发生心肌梗死，yk＝0表示正常；
第1步：在CNN神经网络输入层输入我们的第k个病人的心电信号fk(t),k＝1,2,...,m.(共有m个病人的心电信号)；
第2步：fk(t),k＝1,2,...,m.进行二进制小波变换，其中二进制小波变换的定义：
f(t)是原始的心电信号，其表示获取到的P波、QRS波群、ST段和T波在t时刻的相应波幅，即振动幅度。
Wsf(x)是心电信号f(t)的小波变换在频率x下的值
Figure GDA0001813255990000061
其中，
Figure GDA0001813255990000062
是小波基函数ψ(x)的放缩函数，s是放缩因子，设s＝2j，j是整数；则Wsf(x)称为原始心电信号f(t)的二进制小波变换。
二进制小波变换的计算：
f(t)在放缩因子为s＝2j(j为整数)时的二进制小波变换
Figure GDA0001813255990000068
可以根据Mallat算法计算，当j取值不同的整数时，得到不同的小波变换；Mallat算法的参考文献(S.Mallat,“Zero-crossings of a wavelet transform,”IEEE Trans.Inform.Theory,vol.37,pp.1019-1033,1991)
计算过程如下：
Figure GDA0001813255990000063
Figure GDA0001813255990000064
其中
Figure GDA0001813255990000065
是光滑映射，且
Figure GDA0001813255990000066
即为原始的心电信号
Figure GDA0001813255990000067
是实数
Figure GDA0001813255990000071
是实数
如果第一次经过此步，选择j＝0，s＝2j＝1为初始值，如果不是初次进入此步，在循环到此步时，每次j的当前值的基础上加上1；然后，Ψs(x)与fk(t)经过隐藏层的卷积操作，即二进制小波变换，得到Wsfk(x)∈R；
第3步：然后经过sigmoid函数映射，即
Figure GDA0001813255990000072
Figure GDA0001813255990000073
第4步：把yk与收集到的临床金标准SLk进行对比是否相等，对照所有的样本的临床金标准后可以得到一个错误率
Figure GDA0001813255990000074
第5步：我们对判别的错误率的要求是ERROR＝5％，即正确率达到95％如果error＜＝ERROR，则输出模型Wsfk(x)∈R；如果error＞ERROR，然后重复第2、3、4、5步直至error＜＝ERROR，然后输出模型Wsfk(x)∈R。
另外，所述临床金标准SLk存储于所述云平台数据存储***，其来自于急性心肌梗死病人的临床试验观察表，或来自于血管造影装置在急性心肌梗死病人急诊时通过注入造影剂让血管成像，再通过心肌梗死标注软件进行标注的标注数据，所述临床金标准SLk用于与定性判别模型预测结果作对照，其中血管造影装置为现有医学设备。
本发明提供了用于存储12导联原始心电图数据的智能云平台及与可穿戴式心电监护仪一起的，用于实时的、自动判别心肌梗死的人工智能***；该***包括了可穿戴心电监护仪，用于原始心电数据存储的云平台及基于人工智能的定性自动判别***。收集至少1万例急性心肌梗死心电图数据，进行定性判别模型算建立和验证，该模型可以根据该时间序列上的大数据进行更加精准的建模，最后得到急性心肌梗死的定性判别模型，并最终根据该定性判别模型进行应用获得判别结果。
以上应用了具体个例对本进行阐述，只是用于帮助理解本，并不用以限制本。对于本所属技术领域的技术人员，依据本的思想，还可以做出若干简单推演、变形或替换。

Claims (4)

1.一种基于CNN神经网络的急性心肌梗死定性自动判别***，其特征在于，包括数据采集***、云平台数据存储***、定性判别分析***和数据显示***；
所述数据采集***包括可穿戴心电监护仪、心电图采集***，所述可穿戴心电监护仪与待判别人员连接，记录并生成待判别人员的心脏每一心动周期所产生的电活动变化的12导联原始心电图；所述心电图采集***用于获取12导联原始心电图数据，该数据包括P波的波幅、QRS波群的波幅、ST段的波幅和T波的波幅；
所述云平台数据存储***自动识别并存储12导联原始心电图数据，经小波变换后将该数据转换成量化指标，转换成的量化指标发送给定性判别分析***；
所述定性判别分析***接收转换成的量化指标，利用基于CNN神经网络训练获得的定性判别模型进行卷积计算获得判别中间数据，所述判别中间数据经过sigmoid函数映射获得判别结果数据，根据该判别结果数据做出待判别人员是否患有急性心肌梗死的定性判别；
所述数据显示***包括显示屏幕及提示灯，其与可穿戴心电监护仪、定性判别分析***连接，用于显示待判别人员的12导联原始心电图，并且待定性判别分析***判别结果为急性心肌梗死时进行红灯提示；
上述待判别人员进行定性判别的步骤为：
第一步：采集并获取待判别人员的12导联原始心电信号fT(t),其即为获取到的QRS波、ST段、T波在t时刻的相应波幅，其中T仅用于标记，表示为待判别人员；
第二步：原始心电信号fT(t)在频率x下经小波变换获得WsfT(t)，其中
Figure FDA0002718307760000011
其中，
Figure FDA0002718307760000012
是小波基函数ψ(x)的放缩函数，s是放缩因子，设s＝2j，j是整数；则WsfT(t)称为原始心电信号fT(t)的二进制小波变换；
第三步：将s设定为s＝1,将WsfT(t)带入定性判别模型进行卷积计算得到WsfT(x)∈R,然后WsfT(x)经过sigmoid函数映射得到：
Figure FDA0002718307760000021
如果sigmoid(WsfT(x))≧0.5，则待判别人员为患有急性心肌梗死；如果sigmoid(WsfT(x))<0.5，则待判别人员为正常。
2.如权利要求1所述的基于CNN神经网络的急性心肌梗死定性自动判别***，其特征在于，所述基于CNN神经网络训练获得的定性判别模型具体获得步骤如下：
设fk(t),k＝1,2,...,m.是第k个已经诊断为患急性心肌梗死病人的心电信号，其中m≥10000；SLk表示第k个病人的临床金标准，是病人的实际的疾病类型，SLk＝1表示病人发生心肌梗死，SLk＝0表示正常；yk是第k个病人预测的疾病类型，yk＝1表示病人发生心肌梗死，yk＝0表示正常；
第1步：在CNN神经网络输入层输入我们的第k个病人的心电信号fk(t),k＝1,2,...,m.，所述m表示共有m个病人的心电信号；
第2步：如果第一次经过此步，选择j＝0，s＝2j＝1为初始值，如果不是初次进入此步，在循环到此步时，每次j的当前值的基础上加上1；然后，Ψs(x)与fk(t)经过隐藏层的卷积操作，即二进制小波变换，得到Wsfk(x)∈R；
第3步：然后经过sigmoid函数映射，即
Figure FDA0002718307760000022
Figure FDA0002718307760000023
第4步：把yk与收集到的临床金标准SLk进行对比是否相等，对照所有的样本的临床金标准后可以得到一个错误率
Figure FDA0002718307760000024
第5步：我们对判别的错误率的要求是ERROR＝5％，即正确率达到95％如果error＜＝ERROR，则输出模型Wsfk(x)∈R；如果error＞ERROR，然后重复第2、3、4、5步直至error＜＝ERROR，然后输出模型Wsfk(x)∈R。
3.如权利要求2所述的基于CNN神经网络的急性心肌梗死定性自动判别***，其特征在于，所述临床金标准SLk存储于所述云平台数据存储***，其来自于急性心肌梗死病人的临床试验观察表，用于与定性判别模型预测结果作对照。
4.如权利要求2所述的基于CNN神经网络的急性心肌梗死定性自动判别***，其特征在于，所述临床金标准SLk存储于所述云平台数据存储***，其来自于血管造影装置在急性心肌梗死病人急诊时通过注入造影剂让血管成像，再通过心肌梗死标注软件进行标注的标注数据，用于与定性判别模型预测结果作对照。
CN201810835499.6A 2018-07-26 2018-07-26 基于cnn神经网络的急性心肌梗死定性自动判别*** Active CN108926343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810835499.6A CN108926343B (zh) 2018-07-26 2018-07-26 基于cnn神经网络的急性心肌梗死定性自动判别***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810835499.6A CN108926343B (zh) 2018-07-26 2018-07-26 基于cnn神经网络的急性心肌梗死定性自动判别***

Publications (2)

Publication Number Publication Date
CN108926343A CN108926343A (zh) 2018-12-04
CN108926343B true CN108926343B (zh) 2021-02-12

Family

ID=64444692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810835499.6A Active CN108926343B (zh) 2018-07-26 2018-07-26 基于cnn神经网络的急性心肌梗死定性自动判别***

Country Status (1)

Country Link
CN (1) CN108926343B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109620203A (zh) * 2018-12-18 2019-04-16 安徽心之声医疗科技有限公司 一种基于一维卷积神经网络的心电信号特征自动提取方法
CN109872818B (zh) * 2019-01-02 2023-11-24 上海移视网络科技有限公司 基于人工智能的经食道心超指导左心耳封堵器选择***
WO2021031155A1 (zh) * 2019-08-21 2021-02-25 中国科学院深圳先进技术研究院 一种基于ecg的多尺度特征提取方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101385644A (zh) * 2008-07-25 2009-03-18 沈阳中国医科大学医疗器械研制中心（有限公司） 12导联无线远程心电监护***
CN103549949A (zh) * 2013-10-21 2014-02-05 华南理工大学 基于确定学习理论的心肌缺血辅助检测方法
CN107334466A (zh) * 2017-08-08 2017-11-10 西安交通大学 一种可穿戴的慢性病智能监控及预警的装置与方法
EP3338628A1 (en) * 2013-01-24 2018-06-27 Dalhousie University Computer-aided localization of site of origin of cardiac activation with discriminator leads

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10085663B2 (en) * 2014-06-05 2018-10-02 Guangren CHEN Automated ECG analysis and diagnosis system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101385644A (zh) * 2008-07-25 2009-03-18 沈阳中国医科大学医疗器械研制中心（有限公司） 12导联无线远程心电监护***
EP3338628A1 (en) * 2013-01-24 2018-06-27 Dalhousie University Computer-aided localization of site of origin of cardiac activation with discriminator leads
CN103549949A (zh) * 2013-10-21 2014-02-05 华南理工大学 基于确定学习理论的心肌缺血辅助检测方法
CN107334466A (zh) * 2017-08-08 2017-11-10 西安交通大学 一种可穿戴的慢性病智能监控及预警的装置与方法

Also Published As

Publication number Publication date
CN108926343A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
Attia et al. Application of artificial intelligence to the electrocardiogram
Murugesan et al. Ecgnet: Deep network for arrhythmia classification
CN1191783C (zh) 检测急性心肌梗塞的***
CN108926343B (zh) 基于cnn神经网络的急性心肌梗死定性自动判别***
CN108926344B (zh) 一种基于cnn神经网络的急性心肌梗死定位自动判别***
Nurmaini et al. Electrocardiogram signal classification for automated delineation using bidirectional long short-term memory
CN109754877B (zh) 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别***
Potter et al. Machine learning of ECG waveforms to improve selection for testing for asymptomatic left ventricular dysfunction
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Subramanyan et al. A novel deep neural network for detection of Atrial Fibrillation using ECG signals
Srinivas et al. Adaptive learning based heartbeat classification
CN117017310A (zh) 基于知识蒸馏的声电双模先天性心脏病预测装置
CN108926345B (zh) 一种基于cnn神经网络的急性心肌梗死定时期自动判别***
Khamis et al. Detection of atrial fibrillation from RR intervals and PQRST morphology using a neural network ensemble
CN111613321A (zh) 一种基于密集卷积神经网络的心电图卒中辅助诊断方法
Ao et al. Image based deep learning in 12-lead ECG diagnosis
CN116226724A (zh) 一种非侵入式冠心病检测***
Qu et al. ECG Heartbeat Classification Detection Based on WaveNet-LSTM
Nursalim et al. Classification of electrocardiogram signal using deep learning models
Yao et al. Arrhythmia classification from single lead ecg by multi-scale convolutional neural networks
Liu et al. Adaptive atrial fibrillation detection focused on atrial activity analysis
Zhang et al. Premature beats rejection strategy on paroxysmal atrial fibrillation detection
Andreao et al. Efficient ECG multi-level wavelet classification through neural network dimensionality reduction
Kim et al. Se-resnet-vit hybrid model for noise classification in adhesive patch-type wearable electrocardiographs
Al Fahoum Complex Wavelet-enhanced Convolutional Neural Networks for Electrocardiogram-based Detection of Paroxysmal Atrial Fibrillation

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
CP02 Change in the address of a patent holder

Address after: 201706 room 427, 4th floor, building 1, 77 SONGHUANG Road, Qingpu District, Shanghai

Patentee after: SHANGHAI YISHI NETWORK TECHNOLOGY Co.,Ltd.

Address before: Room 512, No. 76 and 78, JIANGCHANG Third Road, Jing'an District, Shanghai, 200436

Patentee before: SHANGHAI YISHI NETWORK TECHNOLOGY Co.,Ltd.

CP02 Change in the address of a patent holder