CN108926345A - 一种基于cnn神经网络的急性心肌梗死定时期自动判别*** - Google Patents
一种基于cnn神经网络的急性心肌梗死定时期自动判别*** Download PDFInfo
- Publication number
- CN108926345A CN108926345A CN201810839194.2A CN201810839194A CN108926345A CN 108926345 A CN108926345 A CN 108926345A CN 201810839194 A CN201810839194 A CN 201810839194A CN 108926345 A CN108926345 A CN 108926345A
- Authority
- CN
- China
- Prior art keywords
- myocardial infarction
- acute myocardial
- data
- discrimination
- neural network
- 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
- 206010000891 acute myocardial infarction Diseases 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000013500 data storage Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 208000010125 myocardial infarction Diseases 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000000718 qrs complex Methods 0.000 claims abstract description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 12
- 210000004204 blood vessel Anatomy 0.000 claims description 6
- 238000002583 angiography Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000002872 contrast media Substances 0.000 claims description 3
- 230000034994 death Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 2
- 230000002107 myocardial effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract 3
- 241001269238 Data Species 0.000 abstract 1
- 238000013480 data collection Methods 0.000 abstract 1
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000028867 ischemia Diseases 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 208000006117 ST-elevation myocardial infarction Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000250 revascularization Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (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时期自动判别***,涉及心肌梗死定时期判别技术领域,包括数据采集***、云平台数据存储***、定时期判别分析***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;定时期判别分析***利用基于CNN神经网络训练获得的定时期判别模型进行卷积计算获得判别中间数据,再经过sigmoid函数映射获得判别结果数据,从而做出待判别人员急性心肌梗死发生时期的定时期判别;本申请提供一种基于CNN神经网络的急性心肌梗死定时期自动判别***,对待判别人员是急性心机梗死发生时期做出准确的判别。
Description
技术领域
本发明涉及心肌梗死定时期判别技术领域,具体涉及一种基于CNN神经网络的急性心肌梗死定时期自动判别***。
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。本病在欧关最常见,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,自动判断患者心肌梗死的具体时期,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时期自动判别***,利用标准12导联心电图,可对待判别人员急性心机梗死发生时期做出准确的判别。
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时期自动判别***,包括数据采集***、云平台数据存储***、定时期判别分析***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***;
所述定时期判别分析***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时期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急性心肌梗死发生时期的定时期判别;
所述数据显示***包括显示屏幕,其与可穿戴心电监护仪连接,用于显示待判别人员的12导联原始心电图;
上述待判别人员进行定时期判别的步骤为:
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
第三步:将s设定为s=1,将WsfT(t)带入定时期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:
则待判别人员发生急性心肌梗死的时间yT=1440*sigmoid(WsfT(x))。
进一步地,所述基于CNN神经网络训练获得的定时期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,是病人在一天中实际发生急性心肌梗死的时间,0<=SLk<1440,一天从凌晨0点开始,到23:59分结束,一共1440分钟,yk是第k个病人预测的疾病发生时间,0<=yk<1440;
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,即得到
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
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,用于与定时期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,用于与定时期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时期急性心肌梗死发生时期的人工智能算法,建立整体的急性心肌梗死定时期自动判别***,可以快速实现急性心肌梗死发生时期定时期自动判别,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时期判别模型的一种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、定时期判别分析***;31、定时期判别模型;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时期自动判别***,包括数据采集***1、云平台数据存储***2、定时期判别分析***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。
所述定时期判别分析***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时期判别模型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急性心肌梗死发生时期的判别,该具体计算过程在下方有具体内容。
所述数据显示***4包括显示屏幕其与可穿戴心电监护仪11连接,用于显示待判别人员的12导联原始心电图。
上述待判别人员进行定时期判别的步骤为:
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
其中,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)带入定时期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:
则待判别人员发生急性心肌梗死的时间yT=1440*sigmoid(WsfT(x))。
如图2所示,所述基于CNN神经网络训练获得的定时期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,是病人在一天中实际发生急性心肌梗死的时间,0<=SLk<1440,一天从凌晨0点开始,到23:59分结束,一共1440分钟,yk是第k个病人预测的疾病发生时间,0<=yk<1440;
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
其中,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:
其中是光滑映射,且即为原始的心电信号
是实数
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
则待判别人员发生急性心肌梗死的时间yT=1440*sigmoid(WsfT(x))。
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
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用于与定时期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、自动判别心肌梗死发生时期的人工智能***;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时期自动判别***。收集至少1万例急性心肌梗死心电图数据,进行定时期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时期判别模型,并最终根据该定时期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时期自动判别***,其特征在于,包括数据采集***、云平台数据存储***、定时期判别分析***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时期判别分析***;
所述定时期判别分析***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时期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急性心肌梗死发生时期的定时期判别;
所述数据显示***包括显示屏幕,其与可穿戴心电监护仪,用于显示待判别人员的12导联原始心电图;
上述待判别人员进行定时期判别的步骤为:
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
第三步:将s设定为s=1,将WsfT(t)带入定时期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:
则待判别人员发生急性心肌梗死的时间yT=1440*sigmoid(WsfT(x))。
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时期自动判别***,其特征在于,所述基于CNN神经网络训练获得的定时期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,是病人在一天中实际发生急性心肌梗死的时间,0<=SLk<1440,一天从凌晨0点开始,到23:59分结束,一共1440分钟,yk是第k个病人预测的疾病发生时间,0<=yk<1440;
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
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
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时期自动判别***,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,用于与定时期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时期自动判别***,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,用于与定时期判别模型预测结果作对照。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810839194.2A CN108926345B (zh) | 2018-07-27 | 2018-07-27 | 一种基于cnn神经网络的急性心肌梗死定时期自动判别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810839194.2A CN108926345B (zh) | 2018-07-27 | 2018-07-27 | 一种基于cnn神经网络的急性心肌梗死定时期自动判别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108926345A true CN108926345A (zh) | 2018-12-04 |
CN108926345B CN108926345B (zh) | 2021-02-19 |
Family
ID=64444807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810839194.2A Active CN108926345B (zh) | 2018-07-27 | 2018-07-27 | 一种基于cnn神经网络的急性心肌梗死定时期自动判别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108926345B (zh) |
Citations (5)
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 |
US20180184931A1 (en) * | 2014-06-05 | 2018-07-05 | Guangren CHEN | Automated ECG Analysis and Diagnosis System |
-
2018
- 2018-07-27 CN CN201810839194.2A patent/CN108926345B/zh active Active
Patent Citations (5)
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 |
US20180184931A1 (en) * | 2014-06-05 | 2018-07-05 | Guangren CHEN | Automated ECG Analysis and Diagnosis System |
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 |
---|---|
CN108926345B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kachuee et al. | Ecg heartbeat classification: A deep transferable representation | |
US9131864B2 (en) | System and method for evaluating an electrophysiological signal | |
Cox et al. | Digital analysis of the electroencephalogram, the blood pressure wave, and the electrocardiogram | |
CN111449645A (zh) | 心电图心拍智能分类识别方法 | |
CN108926344B (zh) | 一种基于cnn神经网络的急性心肌梗死定位自动判别*** | |
CN108926343B (zh) | 基于cnn神经网络的急性心肌梗死定性自动判别*** | |
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*** | |
Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
CN117017310A (zh) | 基于知识蒸馏的声电双模先天性心脏病预测装置 | |
JP2021112479A (ja) | 心電信号分析装置及び心電信号分析プログラム | |
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*** | |
CN116226724A (zh) | 一种非侵入式冠心病检测*** | |
Liu et al. | Adaptive atrial fibrillation detection focused on atrial activity analysis | |
Nursalim et al. | Classification of electrocardiogram signal using deep learning models | |
Lu et al. | Research on J wave detection based on transfer learning and VGG16 | |
Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
CN113288156B (zh) | 一种任意导联视角的心电数据的生成方法 | |
Liu et al. | Automatic arrhythmia detection based on convolutional neural networks | |
Yao et al. | Arrhythmia classification from single lead ecg by multi-scale convolutional neural networks | |
CN114098754A (zh) | 一种房颤信号预处理方法、检测***、设备及存储介质 | |
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 | |
Zulfiqar et al. | Abnormality detection in cardiac signals using pseudo wigner-ville distribution with pre-trained convolutional neural network | |
Sayem et al. | A novel 1D generative adversarial network-based framework for atrial fibrillation detection using restored wrist photoplethysmography signals | |
Ran et al. | Multi-label classification of abnormalities in 12-lead ECG using deep learning |
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 | ||
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. |