CN111657921A - 心电异常实时监测方法、装置、计算机设备和存储介质 - Google Patents
心电异常实时监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111657921A CN111657921A CN202010623467.7A CN202010623467A CN111657921A CN 111657921 A CN111657921 A CN 111657921A CN 202010623467 A CN202010623467 A CN 202010623467A CN 111657921 A CN111657921 A CN 111657921A
- Authority
- CN
- China
- Prior art keywords
- data
- electrocardio
- real
- time
- abnormal
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种心电异常实时监测方法、装置、计算机设备和存储介质。所述方法包括:获取实时心电数据以及临床特征数据;根据实时心电数据对缓存数据进行更新,得到更新缓存数据;将更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到心电异常概率预测数据;根据心电异常概率预测数据判断实时心电数据是否异常,若判断结果为异常则进行异常报告;重新获取实时心电数据进行监测,直至获取心电监测结束指令。采用本方法能够提高心电异常概率预测数据准确率,以及提高监测效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种心电异常实时监测方法、装置、计算机设备和存储介质。
背景技术
心电信号分析与实时监测技术在病床心电监测与120救护车心电监测等场景中存在巨大的需求,然而现有的技术方法仍存在诸多不足。
现有的心电信号分析与实时监测技术,主要分为两大类。第一类基于心电信号特征工程,并且依赖于心电医学领域知识。该类方法通过数字信号处理方法,识别一段心电信号中每一次心搏(Beat),然后分析各个心搏特征,最后结合心电医学领域知识实现心电异常诊断。第二类利用深度学习方法直接对一段心电信号做心电异常分类。
现有的第一类心电信号分析与实时监测技术存在以下几个缺点:需要进行特征工程,该过程复杂、工作量大,且结果质量容易受到干扰信号的影响,因此方法的鲁棒性不足,可扩展性较差,依赖大量心电医学领域知识,分析效果存在天然瓶颈,且方法实现难度高,开发周期长。
现有的第二类心电信号分析与实时监测技术存在以下几个缺点:在对心电信号建模时没有考虑特征波信息,且不能为医生提供特征波信息,特征波信息在医生的诊断中至关重要,考虑特征波信息能提高诊断的准确性。包含循环神经网络,数据计算不能并行,时间开销较大。普遍地没有考虑年龄、性别等患者其他临床特征的差异。没有利用错误预测信息,持续对心电信号分析与实时监测方法进行改进。
发明内容
基于此,有必要针对上述技术问题,提供一种能够解决至少其中一个问题的心电异常实时监测方法、装置、计算机设备和存储介质。
一种心电异常实时监测方法,包括:
获取实时心电数据以及临床特征数据;
根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
重新获取实时心电数据进行监测,直至获取心电监测结束指令。
优选的,对所述缓存数据进行更新包括:
根据所述实时心电数据的长度对应删除所述缓存数据的部分数据,得到部分缓存数据;
将所述实时心电数据与部分缓存数据进行拼接,得到所述更新缓存数据。
优选的,所述缓存数据为与所述实时心电数据时间连续的在先获取的心电数据。
优选的,所述实时心电数据的长度短于所述缓存数据的长度。
优选的,训练所述心电异常识别神经网络具体包括:
获取心电数据,与所述心电数据相关的临床特征数据,并对所述心电数据进行预处理,得到心电异常标注;
将所述心电数据与临床特征数据输入所述心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据以及心电异常标注进行误差函数计算,得到预测误差;
根据所述预测误差对心电异常识别神经网络进行优化,直至所述预测误差达到预期,完成训练并得到训练后的心电异常识别神经网络。
优选的,所述将所述心电数据与临床特征数据输入所述心电异常识别神经网络,得到心电异常概率预测数据包括:
将所述心电数据输入到训练后的心电特征波分割网络,得到特征分割数据;
将所述特征分割数据以及心电数据进行组合,得到第一组合数据;
将所述第一组合数据输入心电高层特征提取神经网络,得到心电高层特征数据;
根据所述心电高层特征数据以及临床特征数据进行组合,得到第二组合数据;
对所述第二组合数据进行全连接层运算,得到运算结果输入Softmax逻辑回归模型后得到心电异常概率预测数据。
优选的,训练所述心电特征波分割网络具体包括:
获取心电数据,对所述心电数据进行预处理得到心电特征波标注;
将所述心电数据输入所述心电特征波分割网络,得到特征分割数据;
根据所述特征分割数据以及心电特征波标注进行误差计算,得到分割误差;
根据所述分割误差对所述心电特征波分割网络进行优化,直至所述分割误差达到预期,完成训练并得到训练后的心电特征波分割网络。
一种心电异常实时监测装置,所述装置包括:
数据获取模块,用于获取实时心电数据以及临床特征数据;
数据更新模块,用于根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
异常概率预测获取模块,用于将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到与所述实时心电数据相关的心电异常概率预测;
异常判断模块,用于根据所述心电异常概率预测判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
结束指令获取模块,用于重新获取实时心电数据进行监测,直至获取心电监测结束指令。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取实时心电数据以及临床特征数据;
根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
重新获取实时心电数据进行监测,直至获取心电监测结束指令。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取实时心电数据以及临床特征数据;
根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
重新获取实时心电数据进行监测,直至获取心电监测结束指令。
上述心电异常实时监测方法、装置、计算机设备和存储介质,通过采用将实时心电数据与在前采集的心电数据进行拼接,再将拼接后的数据输入训练后的心电异常识别神经网络,以获取准确的心电异常概率预测数据。并且还考虑到了各患者不同的其他临床特征数据进一步使得得到的心电异常概率预测数据更为准确。
附图说明
图1为一个实施例中心电异常实时监测方法的流程示意图;
图2为一个实施例中训练心电异常识别神经网络的流程示意图;
图3为一个实施例中得到心电异常概率预测数据的流程示意图;
图4为另一个实施例中心电异常识别神经网络的结构示意图;
图5为一个实施例中心电异常实时监测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,提供了一种心电异常实时监测方法,包括:
步骤101,获取实时心电数据以及临床特征数据;
步骤102,根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
步骤103,将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到心电异常概率预测数据;
步骤104,根据所述心电异常概率预测数据判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
步骤105,重新获取实时心电数据进行监测,直至获取心电监测结束指令。
在步骤101中,获取的实时心电数据为采集的标准12导联心电数据。获取的临床特征数据指的是年龄、性别等使得心电信号产生差异个体的信息。
在步骤102中,缓存数据为与实时心电数据时间连续的在先获取的心电数据。并且在对实时心电数据进行获取时,其获取长度要短于缓存数据。
其中,对缓存数据进行更新包括:根据实时心电数据的长度对应删除缓存数据的部分数据,得到部分缓存数据;将实时心电数据与部分缓存数据进行拼接,得到更新缓存数据。
在对缓存数据进行更新时,将缓存数据靠前与实时心电数据长度一致的部分删除,再将实时心电数据于剩余的缓存数据进行拼接,得到新的缓存数据。
在步骤103中,心电异常概率预测数据包括对该段实时心电数据的心电异常预测概率。
在步骤104中,可采用阈值法对心电异常概率预测数据进行判断。例如,预设的阈值为50%,则异常概率预测数大于50%,则判断心电异常为阳性。若异常概率预测小于50%,则判断心电异常为阴性。
判断后,若判断结果为阳性,则报告异常。
在步骤105中,进行监测的过程为不断循环步骤101到104直至接收到停止监测的指令,则停止进行监测,不再获取实时心电数据。
在本实施例中,若在异常报告后,接收到错误预测反馈,说明心电异常概率预测数据存是错误的,则将与该异常报告相应的缓存数据以及心电异常概率预测数据进行记录。再收集到一定量错误预测反馈后,将所有的错误心电异常概率预测数据对心电异常识别神经网络再训练,从而减少心电异常识别神经网络错误预测的概率,提高其准确性。
如图2所示,训练心电异常识别神经网络的具体步骤包括:
步骤201,获取心电数据,与所述心电数据相关的临床特征数据,并对所述心电数据进行预处理,得到心电异常标注;
步骤202,将所述心电数据与临床特征数据输入所述心电异常识别神经网络,得到心电异常概率预测数据;
步骤203,根据所述心电异常概率预测数据以及心电异常标注进行误差函数计算,得到预测误差;
步骤204,根据所述预测误差对心电异常识别神经网络进行优化,直至所述预测误差达到预期,完成训练并得到训练后的心电异常识别神经网络。
在步骤201中,获取的心电数据与临床特征不一定是实时获取,两者具有关联性。
其中,心电数据均经过噪声抑制处理。心电异常标注为向量数据,其向量的长度为心电异常种类的数量。例如,有10种类别的心电异常种类,则心电异常标注为10的长度,并且该段心电数据具有几种心电异常种类,则在心电异常标注向量对应的位置进行标记。
在步骤202中,如图3-4所示,将心电数据与临床特征数据输入心电异常识别神经网络,得到心电异常概率预测数据包括:
步骤301,将心电数据输入到训练后的心电特征波分割网络,得到特征分割数据;
步骤302,将特征分割数据以及心电数据进行组合,得到第一组合数据;
步骤303,将第一组合数据输入心电高层特征提取神经网络,得到心电高层特征数据;
步骤304,根据心电高层特征数据以及临床特征数据进行组合,得到第二组合数据;
步骤305,对第二组合数据进行全连接层运算,得到运算结果输入Softmax逻辑回归模型后得到心电异常概率预测数据。
在步骤301中,心电数据的大小为1*12*L,其中12为导联数,L为心电数据获取的时间也就是心电数据的长度,得到的特征分割数据同为1*12*L。
在步骤302中,采用Depth Concat函数将心电数据以及特征风格数据进行组合得到大小为2*12*L的第一组合数据。
在步骤303中,心电高层特征数据为长度为M的向量。
在本实施例中,心电高层特征提取神经网络可采用二维的ResNet50。
在步骤304中,临床特征数据为长度为K的向量组合,其K的值为临床特征的种类数量。采用Concat函数将长度为M的心电高层数据以及长度为K的,临床特征数据进行组合得到长度为M+K的第二数据组合数据。
在步骤305中,心电异常概率预测数据中包括该段心电数据中具各类心电异常对应的预测概率。
在本实施例中,采用到了训练后的心电特征波分割网络提取特征分割数据,在其他实施例中,还可以采用其他方式获取。
在本实施例中,在对心电异常识别神经网络进行训练之前,先对心电特征波分割网络进行训练,使得心电特征波分割网络具有提取特征分割数据的能力。
训练所述心电特征波分割网络具体包括:获取心电数据,对心电数据进行预处理得到心电特征波标注;将心电数据输入心电特征波分割网络,得到特征分割数据;根据特征分割数据以及心电特征波标注进行误差计算,得到分割误差;根据分割误差对所述心电特征波分割网络进行优化,直至分割误差达到预期,完成训练并得到训练后的心电特征波分割网络。
在本实施例中,心电数据中包括多个信号波,各信号波中分为不同的阶段,而心电特征波标注为对信号波中的感兴趣的阶段进行标注。并且用于训练心电特征波风格网络的心电数据与用于训练心电异常识别神经网络的心电数据所含的心电异常类别一致。
在利用心电数据进行训练之前,均经过噪声抑制处理。
在根据特征分割数据以及心电特征波标准进行误差计算时,采用多分类交叉熵函数进行计算,得到特征误差。
在步骤203中,计算预测误差可采用分类交叉熵。
在步骤204中,利用优化器根据预测误差对心电异常识别神经网络进行优化。
在本实施例中,在对心电异常识别神经网络进行训练时,其内部的心电特征波分割网络权重为初始化状态。
上述心电异常实时监测方法,在分析心电数据时融合了年龄、性别等患者临床信息,从而能够区分不同临床特征患者的心电信号的差异,进而获得更高的准确性。并且利用特征波信息,提供特侦波信息,特征波信息在医生的诊断中至关重要。在对心电异常识别神经网络进行训练时考虑到特征波信息,能提高心电异常概率预测数据的准确性。
在进行心电异常实时监测时,记录每次的错误预测,并将记录到的错误信息反馈到神经网络,对神经网络进行再次训练,从而减少本发明所述方法的错误预测概率,提高其准确性。在获取心电数据时,利用了心电数据缓存池,除第一段心电数据外,无需等待采集到长度为L的信号,再开始进行心电信号分析,因而时效性较高。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种心电异常实时监测装置,包括:数据获取模块501、数据更新模块502、心电异常概率预测获取模块503、异常判断模块504以及结束指令获取模块505,其中:
数据获取模块501,用于获取实时心电数据以及临床特征数据;
数据更新模块502,用于根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
异常概率预测获取模块503,用于将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到与所述实时心电数据相关的心电异常概率预测;
异常判断模块504,用于根据所述心电异常概率预测判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
结束指令获取模块505,用于重新获取实时心电数据进行监测,直至获取心电监测结束指令。
关于心电异常实时监测装置的具体限定可以参见上文中对于心电异常实时监测方法的限定,在此不再赘述。上述心电异常实时监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储缓存数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种心电异常实时监测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取实时心电数据以及临床特征数据;
根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
重新获取实时心电数据进行监测,直至获取心电监测结束指令。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取心电数据,与所述心电数据相关的临床特征数据,并对所述心电数据进行预处理,得到心电异常标注;
将所述心电数据与临床特征数据输入所述心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据以及心电异常标注进行误差函数计算,得到预测误差;
根据所述预测误差对心电异常识别神经网络进行优化,直至所述预测误差达到预期,完成训练并得到训练后的心电异常识别神经网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述心电数据输入到训练后的心电特征波分割网络,得到特征分割数据;
将所述特征分割数据以及心电数据进行组合,得到第一组合数据;
将所述第一组合数据输入心电高层特征提取神经网络,得到心电高层特征数据;
根据所述心电高层特征数据以及临床特征数据进行组合,得到第二组合数据;
对所述第二组合数据进行全连接层运算,得到运算结果输入Softmax逻辑回归模型后得到心电异常概率预测数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取实时心电数据以及临床特征数据;
根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
重新获取实时心电数据进行监测,直至获取心电监测结束指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取心电数据,与所述心电数据相关的临床特征数据,并对所述心电数据进行预处理,得到心电异常标注;
将所述心电数据与临床特征数据输入所述心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据以及心电异常标注进行误差函数计算,得到预测误差;
根据所述预测误差对心电异常识别神经网络进行优化,直至所述预测误差达到预期,完成训练并得到训练后的心电异常识别神经网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述心电数据输入到训练后的心电特征波分割网络,得到特征分割数据;
将所述特征分割数据以及心电数据进行组合,得到第一组合数据;
将所述第一组合数据输入心电高层特征提取神经网络,得到心电高层特征数据;
根据所述心电高层特征数据以及临床特征数据进行组合,得到第二组合数据;
对所述第二组合数据进行全连接层运算,得到运算结果输入Softmax逻辑回归模型后得到心电异常概率预测数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.心电异常实时监测方法,其特征在于,包括:
获取实时心电数据以及临床特征数据;
根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
重新获取实时心电数据进行监测,直至获取心电监测结束指令。
2.根据权利要求1所述的心电异常实时监测方法,其特征在于,对所述缓存数据进行更新包括:
根据所述实时心电数据的长度对应删除所述缓存数据的部分数据,得到部分缓存数据;
将所述实时心电数据与部分缓存数据进行拼接,得到所述更新缓存数据。
3.根据权利要求2所述的心电异常实时监测方法,其特征在于,所述缓存数据为与所述实时心电数据时间连续的在先获取的心电数据。
4.根据权利要求2所述的心电异常实时监测方法,其特征在于,所述实时心电数据的长度短于所述缓存数据的长度。
5.根据权利要求1所述的心电异常实时监测方法,其特征在于,训练所述心电异常识别神经网络具体包括:
获取心电数据,与所述心电数据相关的临床特征数据,并对所述心电数据进行预处理,得到心电异常标注;
将所述心电数据与临床特征数据输入所述心电异常识别神经网络,得到心电异常概率预测数据;
根据所述心电异常概率预测数据以及心电异常标注进行误差函数计算,得到预测误差;
根据所述预测误差对心电异常识别神经网络进行优化,直至所述预测误差达到预期,完成训练并得到训练后的心电异常识别神经网络。
6.根据权利要求5所述的心电异常实时监测方法,其特征在于,所述将所述心电数据与临床特征数据输入所述心电异常识别神经网络,得到心电异常概率预测数据包括:
将所述心电数据输入到训练后的心电特征波分割网络,得到特征分割数据;
将所述特征分割数据以及心电数据进行组合,得到第一组合数据;
将所述第一组合数据输入心电高层特征提取神经网络,得到心电高层特征数据;
根据所述心电高层特征数据以及临床特征数据进行组合,得到第二组合数据;
对所述第二组合数据进行全连接层运算,得到运算结果输入Softmax逻辑回归模型后得到心电异常概率预测数据。
7.根据权利要求6所述的心电异常实时监测方法,其特征在于,训练所述心电特征波分割网络具体包括:
获取心电数据,对所述心电数据进行预处理得到心电特征波标注;
将所述心电数据输入所述心电特征波分割网络,得到特征分割数据;
根据所述特征分割数据以及心电特征波标注进行误差计算,得到分割误差;
根据所述分割误差对所述心电特征波分割网络进行优化,直至所述分割误差达到预期,完成训练并得到训练后的心电特征波分割网络。
8.一种心电异常实时监测装置,其特征在于,所述装置包括:
数据获取模块,用于获取实时心电数据以及临床特征数据;
数据更新模块,用于根据所述实时心电数据对缓存数据进行更新,得到更新缓存数据;
异常概率预测获取模块,用于将所述更新缓存数据以及临床特征数据输入训练后的心电异常识别神经网络,得到与所述实时心电数据相关的心电异常概率预测;
异常判断模块,用于根据所述心电异常概率预测判断所述实时心电数据是否异常,若判断结果为异常则进行异常报告;
结束指令获取模块,用于重新获取实时心电数据进行监测,直至获取心电监测结束指令。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623467.7A CN111657921A (zh) | 2020-07-01 | 2020-07-01 | 心电异常实时监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623467.7A CN111657921A (zh) | 2020-07-01 | 2020-07-01 | 心电异常实时监测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111657921A true CN111657921A (zh) | 2020-09-15 |
Family
ID=72390750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010623467.7A Pending CN111657921A (zh) | 2020-07-01 | 2020-07-01 | 心电异常实时监测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111657921A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121107A1 (zh) * | 2020-12-10 | 2022-06-16 | 青岛大爱慈康智能医疗科技有限公司 | 一种心电信号检测方法及装置 |
CN115862843A (zh) * | 2022-12-12 | 2023-03-28 | 哈尔滨医科大学 | 心肌肌钙蛋升高类型、心血管疾病的辅助判识***及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
CN108968951A (zh) * | 2018-08-15 | 2018-12-11 | 武汉中旗生物医疗电子有限公司 | 心电图检测方法、装置及*** |
CN109567789A (zh) * | 2018-12-03 | 2019-04-05 | 东软集团股份有限公司 | 心电图数据的分割处理方法、装置及可读存储介质 |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 基于改进的一维U-net的单导心电图信号特征波形检测方法 |
CN110495877A (zh) * | 2019-08-21 | 2019-11-26 | 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 |
CN110495878A (zh) * | 2019-08-21 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 基于ecg的疾病预测方法、装置及电子设备 |
CN110584649A (zh) * | 2019-09-09 | 2019-12-20 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及*** |
CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及*** |
-
2020
- 2020-07-01 CN CN202010623467.7A patent/CN111657921A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
CN108968951A (zh) * | 2018-08-15 | 2018-12-11 | 武汉中旗生物医疗电子有限公司 | 心电图检测方法、装置及*** |
CN109567789A (zh) * | 2018-12-03 | 2019-04-05 | 东软集团股份有限公司 | 心电图数据的分割处理方法、装置及可读存储介质 |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 基于改进的一维U-net的单导心电图信号特征波形检测方法 |
CN110495877A (zh) * | 2019-08-21 | 2019-11-26 | 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 |
CN110495878A (zh) * | 2019-08-21 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 基于ecg的疾病预测方法、装置及电子设备 |
CN110584649A (zh) * | 2019-09-09 | 2019-12-20 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及*** |
CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121107A1 (zh) * | 2020-12-10 | 2022-06-16 | 青岛大爱慈康智能医疗科技有限公司 | 一种心电信号检测方法及装置 |
CN115862843A (zh) * | 2022-12-12 | 2023-03-28 | 哈尔滨医科大学 | 心肌肌钙蛋升高类型、心血管疾病的辅助判识***及设备 |
CN115862843B (zh) * | 2022-12-12 | 2024-02-02 | 哈尔滨医科大学 | 心肌肌钙蛋升高类型、心血管疾病的辅助判识***及设备 |
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 | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
CN111915584B (zh) | 一种基于ct影像的病灶随访评估方法及*** | |
CN113705685B (zh) | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 | |
CN111759304B (zh) | 心电图异常识别方法、装置、计算机设备和存储介质 | |
CN111956214A (zh) | 基于U-net端对端神经网络模型的QRS波自动检测方法 | |
CN111657921A (zh) | 心电异常实时监测方法、装置、计算机设备和存储介质 | |
Roy et al. | ECG-NET: A deep LSTM autoencoder for detecting anomalous ECG | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其*** | |
CN117643461B (zh) | 基于人工智能的心率智能监测***及方法 | |
Magesh et al. | Ensemble feature extraction-based prediction of fetal arrhythmia using cardiotocographic signals | |
Henry | Deep learning algorithms for predicting the onset of lung cancer | |
CN116884636A (zh) | 传染病数据分析方法、装置、计算机设备及存储介质 | |
Yang et al. | Superimposed semantic communication for iot-based real-time ecg monitoring | |
CN113080847B (zh) | 基于图的双向长短期记忆模型诊断轻度认知障碍的装置 | |
US20210321890A1 (en) | Apparatus and Method for Determining Fetal Movement | |
KR20220108678A (ko) | 순환신경망 기반의 장단기 기억신경망을 통한 부정맥 분류 방법 | |
Sattar et al. | Cardiac Arrhythmia Classification Using Advanced Deep Learning Techniques on Digitized ECG Datasets | |
EP4198997A1 (en) | A computer implemented method, a method and a system | |
Mamprin et al. | Identification of patients at risk of cardiac conduction diseases requiring a permanent pacemaker following TAVI procedure: a deep-learning approach on ECG signals | |
Owen | Leveraging African Vultures-Based Feature Selection with Multi-modal Deep Learning for Accurate Seizure Prediction | |
CN114420292A (zh) | 一种医疗健康动态预测方法、***和设备 | |
Kale et al. | An Overview of Cardiac Disease Diagnosis using Machine Learning Algorithms |
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 |