CN111358460A - 心律失常的识别方法、装置及电子设备 - Google Patents
心律失常的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111358460A CN111358460A CN202010139361.XA CN202010139361A CN111358460A CN 111358460 A CN111358460 A CN 111358460A CN 202010139361 A CN202010139361 A CN 202010139361A CN 111358460 A CN111358460 A CN 111358460A
- Authority
- CN
- China
- Prior art keywords
- information
- arrhythmia
- time
- extracting
- global
- 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.)
- Pending
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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提出一种心律失常的识别方法、装置及电子设备,属于计算机应用技术领域。其中,该方法包括:获取心电图数据;从心电图数据中提取空间信息和局部时间信息;从心电图数据中提取时间关联信息和全局关联信息;根据空间信息、局部时间信息、时间关联信息和全局关联信息,生成心律失常信息。由此,通过这种心律失常的识别方法,自动对心电图数据进行识别,提高了心律失常识别的效率,降低了人工成本。
Description
技术领域
本申请涉及计算机应用技术领域,尤其涉及一种心律失常的识别方法、装置及电子设备。
背景技术
心电图(Electrocardiogram,简称ECG)是使用心电采集仪器(如心电监护仪)记录人体心脏电位变化、并据此应用于临床心脏疾病监护、诊断的可见图形记录,是诊断常见心脏疾病的重要手段。临床上的ECG检查多采集10~20s的12导联的ECG数据,供医生分析使用。心律不齐(心动过速、心动过缓、心房颤动、心房扑动等)、早搏(房性早搏、室性早搏、交界性早搏等)类型占据了异常心电图类型的绝大多数,对该类心电图的自动识别的研究可以有效的辅助医生提高诊断效率。
发明内容
本申请提出的心律失常的识别方法、装置、电子设备、存储介质及计算机程序,用于解决相关技术中,通过人工方式对心电图进行识别,确定心律失常信息的方式,效率较低的问题。
本申请一方面实施例提出的心律失常的识别方法,包括:获取心电图数据;从所述心电图数据中提取空间信息和局部时间信息;从所述心电图数据中提取时间关联信息和全局关联信息;根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息,生成心律失常信息。
本申请另一方面实施例提出的心律失常的识别装置,包括:获取模块,用于获取心电图数据;第一提取模块,用于从所述心电图数据中提取空间信息和局部时间信息;第二提取模块,用于从所述心电图数据中提取时间关联信息和全局关联信息;生成模块,用于根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息,生成心律失常信息。
本申请再一方面实施例提出的电子设备,其包括: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,其特征在于,所述处理器执行所述程序时实现如前所述的心律失常的识别方法。
本申请又一方面实施例提出的计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如前所述的心律失常的识别方法。
本申请再一方面实施例提出的计算机程序,该程序被处理器执行时,以实现本申请实施例所述的心律失常的识别方法。
本申请实施例提供的心律失常的识别方法、装置、电子设备、计算机可读存储介质及计算机程序,通过获取心电图数据,并从心电图数据中提取空间信息和局部时间信息,之后从心电图数据中提取时间关联信息和全局关联信息,进而根据空间信息、局部时间信息、时间关联信息和全局关联信息,生成心律失常信息。由此,通过模型对心电图数据的时空信息进行提取和分析,并根据提取的特征信息确定心电图对应的心律失常信息,从而通过自动对心电图数据进行识别,提高了心律失常识别的效率,降低了人工成本。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种心律失常的识别方法的流程示意图;
图2为本申请实施例所提供的另一种心律失常的识别方法的流程示意图;
图3为本申请实施例所提供的一种多标签神经网络模型架构的结构示意图;
图4为本申请实施例所提供的一种CNN模型的结构示意图;
图5为本申请实施例所提供的一种CNN模型中每个模块的结构示意图;
图6为本申请实施例所提供的一种双向RNN的结构示意图;
图7为本申请实施例所提供的一种注意力模型的示意图;
图8为本申请实施例所提供的一种心律失常的识别装置的结构示意图;
图9为本申请实施例所提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,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要素。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请实施例针对相关技术中,基通过人工方式对心电图进行识别,确定心律失常信息的方式,效率较低的问题,提出一种心律失常的识别方法。
本申请实施例提供的心律失常的识别方法,通过获取心电图数据,并从心电图数据中提取空间信息和局部时间信息,之后从心电图数据中提取时间关联信息和全局关联信息,进而根据空间信息、局部时间信息、时间关联信息和全局关联信息,生成心律失常信息。由此,通过模型对心电图数据的时空信息进行提取和分析,并根据提取的特征信息确定心电图对应的心律失常信息,从而通过自动对心电图数据进行识别,提高了心律失常识别的效率,降低了人工成本。
下面参考附图对本申请提供的心律失常的识别方法、装置、电子设备、存储介质及计算机程序进行详细描述。
图1为本申请实施例所提供的一种心律失常的识别方法的流程示意图。
如图1所示,该心律失常的识别方法,包括以下步骤:
步骤101,获取心电图数据。
其中,心电图数据,可以为多通道时序信号数据。需要说明的是,心电图数据的信号通道数量一般为12个通道,通道数量也可以为1、3、5、7、15、18等,本申请实施例对此不做限定。
需要说明的是,本申请实施例的心律失常的识别方法可以由本申请实施例的心律失常的识别装置执行。本申请实施例的心律失常的识别装置,可以配置在任意电子设备中。
在本申请实施例中,配置有心律失常的识别装置的电子设备可以直接与心电采集仪器连接,以使直接获取心电采集仪器获取的心电图数据。
作为一种可能的实现方式,还可以对获取的心电图数据进行预处理,以便于后续步骤对心电图数据的识别和处理。比如,可以对心电图数据进行零中心化处理、归一化处理等。
步骤102,从心电图数据中提取空间信息和局部时间信息。
其中,空间信息,是指心电图数据中的多个通道对应的信息。需要说明的是,不同的空间信息可以从不同方向对心脏在同一时刻的电信号进行描述。
其中,局部时间信息,是指可以对心电图数据中包括的各较短时段内的波形特征进行描述的信息。比如,可以心电图数据的时长为1分钟,则提取的心电图的局部时间信息可以对心电图数据每秒内(或更短时段内)的波形特征进行描述。
在本申请实施例中,可以通过第一深度学习网络模型提取心电图数据中的空间信息和局部时间信息,以通过空间信息描述从不同通道获取的心脏的心律信息,通过局部时间信息表征每个通道***号的局部细节信息(比如心电图中包括的各类型的波形)。
需要说明的是,实际使用时,本申请实施例的第一深度学习网络模型,可以是任意对时间序列信号敏感的模型,本申请实施例对此不做限定。比如,第一深度学习网络模型可以为卷积神经网络(Convolutional Neural Networks,简称CNN)。
步骤103,从心电图数据中提取时间关联信息和全局关联信息。
其中,时间关联信息,是指可以对心电图数据中较长一段时间内的波形变化情况、各时段对应的电信号间的关联性等信息进行描述的特征。
举例来说,心电图数据的时长为1分钟,则心电图的时间关联信息可以包括每10秒内包括的波形类型、波形数量、各波形对应的时段、各时段间的时间间隔、各时段对应的波形差异等信息。实际使用时,可以根据实际需要确定提取哪些类型的时间关联信息,本申请实施例对此不做限定。
其中,全局关联信息,是指可以对心电图数据对应的整个时段内各部分波形间的关联进行描述的特征。
举例来说,心电图数据的时长为1分钟,则心电图数据的全局关联信息可对心电图第1秒对应的波形和最后1秒对应的波形间的差异或关联进行描述,即全局关联信息中包括的特征可以对心电图数据的整体特性进行描述。
在本申请实施例中,从心电图中提取出空间信息与局部时间信息等可以对心电图数据的局部细节进行描述的特征之后,还可以利用第二深度学习网络模型提取心电图数据的时间关联信息,以及利用第三深度学习网络模型提取心电图数据的全局关联信息。
步骤104,根据空间信息、局部时间信息、时间关联信息和全局关联信息,生成心律失常信息。
在本申请实施例中,由于心电图数据的空间信息、局部时间信息、时间关联信息和全局关联信息,可以分别从不同维度和粒度对心电图数据的特征进行描述,因此根据心电图数据的空间信息、局部时间信息、时间关联信息和全局关联信息,确定心电图对应的心律失常信息,可以提高心律失常识别效率和准确性。
作为一种可能的实现方式,心律失常信息可以包括心律失常的类型,如心动过速、心动过缓、心房颤动、心房扑动、房性早搏、室性早搏、交界性早搏等,从而可以通过预先训练的多标签分类模型,确定心电图数据对应的心律失常信息。即在本申请实施例一种可能的实现形式中,上述步骤104,可以包括:
将空间信息、局部时间信息、时间关联信息和全局关联信息输入多标签分类模型,生成心律失常信息。
在本申请实施例中,可以获取大量心电图数据,并对每个心电图数据对应的心律失常类型进行标注,以生成训练样本。之后通过初始的多标签分类模型对标注后的训练样本进行有监督学习,以生成预先训练的多标签分类模型。
在本申请实施例中,预先训练的多标签分类模型,可以对输入的心电图数据的空间信息、局部时间信息、时间关联信息和全局关联信息进行识别处理,以确定心电图数据是否包含心律异常信息,以及心电图数据对应的心律异常类型。并且,本申请实施例的多标签分类模型可以对心电图数据中包括多种不同类型的心律异常的情况进行分类。
需要说明的是,本申请实施例的多标签分类模型可以采用基本的多标签分类器实现,也可以采用多任务的方式实现。实际使用时,可以根据实际需要及具体的应用场景选择合适的多标签分类模型,本申请实施例对此不做限定,
本申请实施例提供的心律失常的识别方法,通过获取心电图数据,并从心电图数据中提取空间信息和局部时间信息,之后从心电图数据中提取时间关联信息和全局关联信息,进而根据空间信息、局部时间信息、时间关联信息和全局关联信息,生成心律失常信息。由此,通过模型对心电图数据的时空信息进行提取和分析,并根据提取的特征信息确定心电图对应的心律失常信息,从而通过自动对心电图数据进行识别,提高了心律失常识别的效率,降低了人工成本。
在本申请一种可能的实现形式中,可以通过CNN模型、循环神经网络(RecurrentNeural Network,简称RNN)模型与注意力机制(Attention)相结合的架构,高效挖掘心电图数据中包含的特征信息,以大幅提高心律失常识别的准确度。
下面结合图2,对本申请实施例提供的心律失常的识别方法进行进一步说明。
图2为本申请实施例所提供的另一种心律失常的识别方法的流程示意图。
如图2所示,该心律失常的识别方法,包括以下步骤:
步骤201,获取心电图数据。
上述步骤201的具体实现过及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤202,通过CNN模型从心电图数据中提取空间信息和局部时间信息,其中,CNN模型包括多个模块,每个模块包括多个一维卷积层和Dropout层。
作为一种可能的实现方式,可以采用融合了CNN+RNN+Attention机制的多标签神经网络模型架构,实现本申请实施例的心律异常的识别方法。如图3所示,为本申请实施例所提供的一种多标签神经网络模型架构的结构示意图。
本申请实施例可以采用CNN模型提取心电图数据中的空间信息和局部时间信息。由于心电图数据为多通道一维时序信号,CNN模型的基本单元是卷积层,因此可以选择采用一维卷积层构成CNN模型提取心电图数据的空间信息和局部时间信息。如图3所示,为本申请实施例所提供的一种CNN模型的结构示意图,其中,该CNN模型包括5个模块(Block),如图4所示,每个模块由3个一维卷积层和一个Dropout层构成。
需要说明的是,本申请实施例的CNN模型也可以采用二维卷积层构成。实际使用时,可以根据实际需要选择使用一维卷积层还是二维卷积层。构成CNN模型的每个Block的基本结构接近,但每个Block对应的超参数可以根据实际情况进行调整,Block的数量也可根据实际情况调整。
步骤203,通过RNN模型从心电图数据中提取时间关联信息。
作为一种可能的实现方式,本申请实施例可以采用RNN模型提取心电图数据中的时间关联信息。由于RNN模型提取时序信息的能力较强,尤其是双向RNN模型可以同时提取两个方向的时序信息,特别适合具有两个方向特征的心律失常,如室性早搏、房性早搏等。如图6所示,为本申请实施例所提供的一种双向RNN的结构示意图。
需要说明的是,实际使用时,如果不需要对双向特征的心律失常类型进行识别,也可以采用单向RNN模型实现对时间关联信息的提取。
步骤204,通过注意力模型从心电图数据中提取全局关联信息。
作为一种可能的实现方式,可以采用注意力模型提取心电图数据中的全局关联信息。注意力机制是近几年发展起来的新技术,其模拟了人类的注意力方式,能够在全局或局部范围内提取与目标特别相关的信息,以大幅提高识别的准确度。实现注意力模型的方式有多种,如自注意力机制、全局注意力机制、Transformer等。如图7所示,为本申请实施例所提供的一种注意力模型的示意图。
步骤205,将空间信息、局部时间信息、时间关联信息和全局关联信息输入多标签分类模型,生成心律失常信息。
上述步骤205的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
本申请实施例提供的心律失常的识别方法,通过获取心电图数据,并CNN模型从心电图数据中提取空间信息和局部时间信息,之后通过RNN模型从心电图数据中提取时间关联信息,以及通过注意力模型从心电图数据中提取全局关联信息,进而将空间信息、局部时间信息、时间关联信息和全局关联信息输入多标签分类模型,生成心律失常信息。由此,通过融合了CNN模型、RNN模型与注意力机制的多标签神经网络架构,高效挖掘心电图数据中包含的特征信息,从而不仅提高了心律失常识别的效率,降低了人工成本,而且大幅提高了心律失常识别的准确度。
为了实现上述实施例,本申请还提出一种心律失常的识别装置。
图8为本申请实施例提供的一种心律失常的识别装置的结构示意图。
如图8所示,该心律失常的识别装置30,包括:
获取模块31,用于获取心电图数据;
第一提取模块32,用于从心电图数据中提取空间信息和局部时间信息;
第二提取模块33,用于从心电图数据中提取时间关联信息和全局关联信息;
生成模块34,用于根据空间信息、局部时间信息、时间关联信息和全局关联信息,生成心律失常信息。
在实际使用时,本申请实施例提供的心律失常的识别装置,可以被配置在电子设备中,以执行前述心律失常的识别方法。
本申请实施例提供的心律失常的识别装置,通过获取心电图数据,并从心电图数据中提取空间信息和局部时间信息,之后从心电图数据中提取时间关联信息和全局关联信息,进而根据空间信息、局部时间信息、时间关联信息和全局关联信息,生成心律失常信息。由此,通过模型对心电图数据的时空信息进行提取和分析,并根据提取的特征信息确定心电图对应的心律失常信息,从而通过自动对心电图数据进行识别,提高了心律失常识别的效率,降低了人工成本。
在本申请一种可能的实现形式中,上述第一提取模块32,具体用于:
通过卷积神经网络模型从心电图数据中提取空间信息和局部时间信息,其中,卷积神经网络模型包括多个模块,每个模块包括多个一维卷积层和Dropout层。
在本申请一种可能的实现形式中,上述第二提取模块33,具体用于:
通过循环神经网络模型从心电图数据中提取时间关联信息。
进一步的,在本申请一种可能的实现形式中,上述第二提取模块33,还用于:
通过注意力模型从心电图数据中提取所述全局关联信息。
在本申请一种可能的实现形式中,上述生成模块34,具体用于:
将空间信息、局部时间信息、时间关联信息和全局关联信息输入多标签分类模型,生成心律失常信息。
需要说明的是,前述对图1、图2所示的心律失常的识别方法实施例的解释说明也适用于该实施例的心律失常的识别装置30,此处不再赘述。
本申请实施例提供的心律失常的识别装置,通过获取心电图数据,并CNN模型从心电图数据中提取空间信息和局部时间信息,之后通过RNN模型从心电图数据中提取时间关联信息,以及通过注意力模型从心电图数据中提取全局关联信息,进而将空间信息、局部时间信息、时间关联信息和全局关联信息输入多标签分类模型,生成心律失常信息。由此,通过融合了CNN模型、RNN模型与注意力机制的多标签神经网络架构,高效挖掘心电图数据中包含的特征信息,从而不仅提高了心律失常识别的效率,降低了人工成本,而且大幅提高了心律失常识别的准确度。
为了实现上述实施例,本申请还提出一种电子设备。
图9为本发明一个实施例的电子设备的结构示意图。
如图9所示,上述电子设备200包括:
存储器210及处理器220,连接不同组件(包括存储器210和处理器220)的总线230,存储器210存储有计算机程序,当处理器220执行所述程序时实现本申请实施例所述的心律失常的识别方法。
总线230表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备200典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备200访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器210还可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)240和/或高速缓存存储器250。电子设备200可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***260可以用于读写不可移动的、非易失性磁介质(图9未显示,通常称为“硬盘驱动器”)。尽管图9中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块270的程序/实用工具280,可以存储在例如存储器210中,这样的程序模块270包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本申请所描述的实施例中的功能和/或方法。
电子设备200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口292进行。并且,电子设备200还可以通过网络适配器293与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器293通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器220通过运行存储在存储器210中的程序,从而执行各种功能应用以及数据处理。
需要说明的是,本实施例的电子设备的实施过程和技术原理参见前述对本申请实施例的心律失常的识别方法的解释说明,此处不再赘述。
本申请实施例提供的电子设备,可以执行如前所述的心律失常的识别方法,通过获取心电图数据,并从心电图数据中提取空间信息和局部时间信息,之后从心电图数据中提取时间关联信息和全局关联信息,进而根据空间信息、局部时间信息、时间关联信息和全局关联信息,生成心律失常信息。由此,通过模型对心电图数据的时空信息进行提取和分析,并根据提取的特征信息确定心电图对应的心律失常信息,从而通过自动对心电图数据进行识别,提高了心律失常识别的效率,降低了人工成本。
为了实现上述实施例,本申请还提出一种计算机可读存储介质。
其中,该计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,以实现本申请实施例所述的心律失常的识别方法。
为了实现上述实施例,本申请再一方面实施例提供一种计算机程序,该程序被处理器执行时,以实现本申请实施例所述的心律失常的识别方法。
一种可选实现形式中,本实施例可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,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***、装置或者器件使用或者与其结合使用。
计算机可读的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。计算机可读的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,该计算机可读介质可以发送、传播或者传输用于由指令执行***、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——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,所述程序设计语言包括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电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种心律失常的识别方法,其特征在于,包括:
获取心电图数据;
从所述心电图数据中提取空间信息和局部时间信息;
从所述心电图数据中提取时间关联信息和全局关联信息;
根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息,生成心律失常信息。
2.如权利要求1所述的心律失常的识别方法,其特征在于,所述从所述心电图数据中提取空间信息和局部时间信息,包括:
通过卷积神经网络模型从所述心电图数据中提取所述空间信息和所述局部时间信息,其中,所述卷积神经网络模型包括多个模块,每个模块包括多个一维卷积层和Dropout层。
3.如权利要求1所述的心律失常的识别方法,其特征在于,所述从所述心电图数据中提取时间关联信息和全局关联信息,包括:
通过循环神经网络模型从所述心电图数据中提取所述时间关联信息。
4.如权利要求1所述的心律失常的识别方法,其特征在于,所述从所述心电图数据中提取时间关联信息和全局关联信息,包括:
通过注意力模型从所述心电图数据中提取所述全局关联信息。
5.如权利要求1所述的心律失常的识别方法,其特征在于,所述根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息,生成心律失常信息,包括:
将所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息输入多标签分类模型,生成所述心律失常信息。
6.一种心律失常的识别装置,其特征在于,包括:
获取模块,用于获取心电图数据;
第一提取模块,用于从所述心电图数据中提取空间信息和局部时间信息;
第二提取模块,用于从所述心电图数据中提取时间关联信息和全局关联信息;
生成模块,用于根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息,生成心律失常信息。
7.如权利要求6所述的心律失常的识别装置,其特征在于,所述第一提取模块,具体用于:
通过卷积神经网络模型从所述心电图数据中提取所述空间信息和所述局部时间信息,其中,所述卷积神经网络模型包括多个模块,每个模块包括多个一维卷积层和Dropout层。
8.如权利要求1所述的心律失常的识别装置,其特征在于,所述第二提取模块,具体用于:
通过循环神经网络模型从所述心电图数据中提取所述时间关联信息。
9.一种电子设备,其特征在于,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程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的心律失常的识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的心律失常的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139361.XA CN111358460A (zh) | 2020-03-03 | 2020-03-03 | 心律失常的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139361.XA CN111358460A (zh) | 2020-03-03 | 2020-03-03 | 心律失常的识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111358460A true CN111358460A (zh) | 2020-07-03 |
Family
ID=71198327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010139361.XA Pending CN111358460A (zh) | 2020-03-03 | 2020-03-03 | 心律失常的识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111358460A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113693610A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技(深圳)有限公司 | 少导联心电数据处理方法、装置、存储介质及计算机设备 |
CN113855037A (zh) * | 2021-10-15 | 2021-12-31 | 南方医科大学 | 基于Transformer的房颤识别方法及装置 |
CN115211866A (zh) * | 2022-09-07 | 2022-10-21 | 西南民族大学 | 一种心律失常分类方法、***及电子设备 |
WO2023165005A1 (zh) * | 2022-03-04 | 2023-09-07 | 平安科技(深圳)有限公司 | 多导联心电图信号处理方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
CN107203692A (zh) * | 2017-05-09 | 2017-09-26 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的房颤检测的实现方法 |
CN109091138A (zh) * | 2018-07-12 | 2018-12-28 | 上海微创电生理医疗科技股份有限公司 | 心律失常起源点的判断装置及标测*** |
CN109480816A (zh) * | 2018-12-18 | 2019-03-19 | 安徽华米信息科技有限公司 | 心律监控方法、装置、电子设备及计算机可读存储介质 |
CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
CN110638430A (zh) * | 2019-10-23 | 2020-01-03 | 苏州大学 | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 |
CN110720894A (zh) * | 2019-11-08 | 2020-01-24 | 广州视源电子科技股份有限公司 | 一种心房扑动的检测方法、装置、设备及存储介质 |
-
2020
- 2020-03-03 CN CN202010139361.XA patent/CN111358460A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
CN107203692A (zh) * | 2017-05-09 | 2017-09-26 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的房颤检测的实现方法 |
CN109091138A (zh) * | 2018-07-12 | 2018-12-28 | 上海微创电生理医疗科技股份有限公司 | 心律失常起源点的判断装置及标测*** |
CN109480816A (zh) * | 2018-12-18 | 2019-03-19 | 安徽华米信息科技有限公司 | 心律监控方法、装置、电子设备及计算机可读存储介质 |
CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
CN110638430A (zh) * | 2019-10-23 | 2020-01-03 | 苏州大学 | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 |
CN110720894A (zh) * | 2019-11-08 | 2020-01-24 | 广州视源电子科技股份有限公司 | 一种心房扑动的检测方法、装置、设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113693610A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技(深圳)有限公司 | 少导联心电数据处理方法、装置、存储介质及计算机设备 |
CN113693610B (zh) * | 2021-08-31 | 2022-10-14 | 平安科技(深圳)有限公司 | 少导联心电数据处理方法、装置、存储介质及计算机设备 |
CN113855037A (zh) * | 2021-10-15 | 2021-12-31 | 南方医科大学 | 基于Transformer的房颤识别方法及装置 |
WO2023165005A1 (zh) * | 2022-03-04 | 2023-09-07 | 平安科技(深圳)有限公司 | 多导联心电图信号处理方法、装置、设备及存储介质 |
CN115211866A (zh) * | 2022-09-07 | 2022-10-21 | 西南民族大学 | 一种心律失常分类方法、***及电子设备 |
CN115211866B (zh) * | 2022-09-07 | 2022-12-27 | 西南民族大学 | 一种心律失常分类方法、***及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
US10758139B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
Gao et al. | An effective LSTM recurrent network to detect arrhythmia on imbalanced ECG dataset | |
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
Shi et al. | A hierarchical method based on weighted extreme gradient boosting in ECG heartbeat classification | |
CN111358460A (zh) | 心律失常的识别方法、装置及电子设备 | |
Hammad et al. | Deep learning models for arrhythmia detection in IoT healthcare applications | |
US9949714B2 (en) | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection | |
US20160183811A1 (en) | System and method of detecting abnormal movement of a physical object | |
CN111565633A (zh) | 利用人工智能的时间序列数据学习及分析方法 | |
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 | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
Sharma et al. | Automated pre-screening of arrhythmia using hybrid combination of Fourier–Bessel expansion and LSTM | |
Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
US20220044778A1 (en) | Method and electronic apparatus for providing classification data of electrocardiogram signals | |
CN112270240B (zh) | 一种信号处理方法、装置、电子设备和存储介质 | |
Deng et al. | ST-Net: Synthetic ECG tracings for diagnosing various cardiovascular diseases | |
Liu et al. | An efficient neural network-based method for patient-specific information involved arrhythmia detection | |
CN113693611A (zh) | 基于机器学习的心电数据分类方法及装置 | |
Qiang et al. | Automatic detection and localisation of myocardial infarction using multi-channel dense attention neural network | |
KR102437348B1 (ko) | 웨어러블 심전도 신호 분석 방법 | |
Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
Huo et al. | ECG segmentation algorithm based on bidirectional hidden semi-Markov model | |
Jang et al. | Cnn-based two step r peak detection method: Combining segmentation and regression | |
Yao et al. | Arrhythmia classification from single lead ecg by multi-scale convolutional neural networks |
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 |