CN111710386A - 一种心电图诊断报告的质控*** - Google Patents
一种心电图诊断报告的质控*** Download PDFInfo
- Publication number
- CN111710386A CN111710386A CN202010367639.9A CN202010367639A CN111710386A CN 111710386 A CN111710386 A CN 111710386A CN 202010367639 A CN202010367639 A CN 202010367639A CN 111710386 A CN111710386 A CN 111710386A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- diagnosis
- conclusion
- neural network
- term
- 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
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (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图诊断报告的质控***,包括:获取若干临床心电图结论包含的心电诊断术语,通过预处理,构建循环神经网络模型的训练集和测试集;将所述训练集和测试集中每一条心电图结论包含的第k个心电诊断术语作为输入,第k+1个心电诊断术语作为输出,训练循环神经网络;利用训练好的循环神经网络模型,预测待质控的心电诊断报告中心电图结论的第k+1个心电诊断术语,判定对应的心电图诊断报告是否存在低级错误。本发明将有利于纠正心电图医师给定结论时的一些低级错误,并有利于为临床诊断提供智能提示。
Description
技术领域
本申请属于心电图诊断技术领域,尤其是涉及一种心电图诊断报告的质控***。
背景技术
随着人们的生活节奏和压力逐步加大,心脏病已经成为威胁人们生命健康的重大杀手之一。心血管疾病在我国已经成为一种多发病、常见病,根据***公布的调查数据显示,我国的心脏病患病率很高,且呈逐年递增趋势,且冠心病、心肌梗死的发病年龄趋于年轻化,三十岁左右发生心肌梗死和脑卒中的已屡见不鲜。
为了及早发现及治疗心脏病,心电图的准确分析和诊断对于心血管疾病起着关键的作用。心电图反应了人体心脏健康状况,具有无创性和低成本的优点,并且心电图能确切地诊断心脏和其他一些疾病,为抢救治疗提供可靠的根据,在临床上被广泛用于心脏病检查。
从心电图中可以获得大量的心脏电活动的信息,因此在临床上,心电图异常的描述术语也比较多,例如室性早搏、房性早搏,一度一型传导阻滞,ST-T改变,左心室肥大等等,心电图结论往往是这些诊断术语的组合。
这些诊断术语在心电诊断结论中,需要按照规定的顺序进行书写,有些可以同时出现在同一个心电诊断结论中,而有些心电诊断术语则是相互排斥,不能用于同时描述一份心电图的诊断结论,例如:1.正常心电图;2.ST段抬高。
而现有技术中,对于心电诊断报告进行质控时,往往只是针对心电图报告的描述和诊断结果对照心电图的诊断标准给予评价,而对于诊断结论中相互排斥的诊断术语或者书写顺序不符合规范的这种低级错误,无法检测。
发明内容
本发明要解决的技术问题是:为解决现有技术中无法得到心电诊断报告中的低级错误的情况,从而提供一种心电图诊断报告的质控***。
本发明解决其技术问题所采用的技术方案是:
一种心电图诊断报告的质控***,包括:
数据采集模块,用于采集若干临床心电图结论包含的心电诊断术语;
预处理模块,用于将所述心电诊断术语进行预处理,并将预处理后的符合书写规范要求的心电图结论数据构建循环神经网络模型的训练集和测试集;
模型训练模块,用于将所述训练集和测试集中每一条心电图结论的当前心电诊断术语作为输入,相邻的下一个心电诊断术语作为输出,训练循环神经网络,并保存训练好的循环神经网络模型;
预测模块,用于利用训练好的循环神经网络模型,将待质控心电诊断报告中的心电图结论的当前心电诊断术语作为输入,预测下一个所有可能的心电诊断术语符合书写规范的概率;
判定模块,用于将待质控的心电诊断报告中心电图结论的下一个心电诊断术语与预测的下一个所有可能的心电诊断术语进行比对,如果待质控心电诊断报告中心电图结论的下一个心电诊断术语符合书写规范的概率小于预设值,则判定对应的心电诊断报告存在低级错误。
本发明的有益效果是:本发明通过训练神经网络模型,对心电图结论中诊断术语的书写顺序以及诊断术语之间的排斥情况进行预测,将有利于纠正心电图医师给定结论时的一些低级错误,并有利于为临床诊断提供智能提示。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的质控***的工作过程流程图;
图2是本申请实施例的低级错误判定流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种心电图诊断报告的质控***,包括:
数据采集模块,用于采集若干临床心电图结论包含的心电诊断术语;
预处理模块,用于将所述心电诊断术语进行预处理,并将预处理后的符合书写规范要求的心电图结论数据构建循环神经网络模型的训练集和测试集;
模型训练模块,用于将所述训练集和测试集中每一条心电图结论的当前心电诊断术语作为输入,相邻的下一个心电诊断术语作为输出,训练循环神经网络,并保存训练好的循环神经网络模型;
预测模块,用于利用训练好的循环神经网络模型,将待质控心电诊断报告中的心电图结论的当前心电诊断术语作为输入,预测下一个所有可能的心电诊断术语符合书写规范的概率;
判定模块,用于将待质控的心电诊断报告中心电图结论的下一个心电诊断术语与预测的下一个所有可能的心电诊断术语进行比对,如果待质控心电诊断报告中心电图结论的下一个心电诊断术语符合书写规范的概率小于预设值,则判定对应的心电诊断报告存在低级错误。
心电图医生出具的心电诊断报告一般都需要经过质控,本实施例的质控***主要是用于检测心电图结论中的低级错误,所谓的低级错误,主要是指是否存在心电诊断结论书写顺序不符合规范的情况,以及是否存在相互排斥的心电诊断术语出现在同一份心电图结论中的情况。
如图1所示,为本发明实施例的质控***的工作过程流程图。本发明实施例通过训练循环神经网络,向训练好的循环神经网络模型中输入待质控心电诊断报告中心电图结论按顺序书写的第k个心电诊断术语,从而预测第k+1个所有可能的心电诊断术语,通过比对,如果待质控心电诊断报告中心电图结论的第k+1个心电诊断术语符合书写规范的概率小于预设值,则判定对应的心电诊断报告存在低级错误。
本发明实施例通过训练循环神经网络(RNN),对心电图结论中是否存在相互排斥的心电诊断术语进行预测,有利于纠正心电图医师给定结论时的一些低级错误,有利于为临床诊断提供智能提示。
可选的是,本实施例所述预处理模块还包括:
编码单元,用于将心电图结论中包含的每个心电诊断术语采用one-hot编码,得到one-hot编码后的符合书写规范要求的心电图结论数据;
数据划分单元,用于将编码后的若干所述心电图结论数据划分训练集和测试集,并将所述心电转换结论中的第k个诊断术语对应的one-hot编码作为训练集和测试集的输入数据,将所述心电转换结论中的第k+1个诊断术语对应的one-hot编码作为训练集和测试集的输出数据。
本实施例收集了30万条按照上海心电质控手册给定的临床心电图结论数据,得到N个常见的心电诊断术语,采用one-hot编码方法对常见的心电诊断术语进行编码,并组成符合书写规范要求的心电图结论数据。
本实施例编码单元的具体编码方法如下:
S11:将每个心电诊断术语采用***数字顺序编号;
S12:将一个心电诊断术语编码为一个1×N向量,所述1xN向量中与对应心电诊断术语编号相对应的元素位置处的值为1,其他元素位置处的值为0。
本实施例首先对N个心电诊断术语采用***数字顺序编号,如表1所示,本实施例列举了常见心电诊断术语的编号,同时加上了结论结束符的编号。
采用one-hot编码后,每个心电诊断术语可以用一个大小为1×N的向量表示,该1×N向量中除了心电诊断术语的编号j所对应的位置处的元素值为1,其余位置的元素值均为0,即:
i表示1×N向量中的元素位置序号,j表示对应的心电诊断术语的编号,i=1,2,3,.....,N,j=1,2,3,.....,N。
以表1列出的常见心电诊断术语为例,对于“窦性心律”进行one-hot编码时,“窦性心律”的编号为2,因此,得到窦性心律的one-hot编码为,[0 1 0 … 0],如果对“正常心电图”进行one-hot编码,因为“正常心电图”对应的编号为1,则得到“正常心电图”的one-hot编码为[1 0 0 … 0]
表1常见心电诊断术语编号
可选的是,本实施例将心电图结论中的每个心电诊断术语均采用one-hot编码,每个心电诊断术语的one-hot编码构成1×N向量,得到编码后的心电图结论数据为一个M×N矩阵,所述矩阵中的最后一行为结束符的one-hot编码。M为心电图结论中心电诊断术语的数量,N为获取的心电诊断术语的数量。
根据心电图结论中包含的心电诊断术语,将心电图结论转化为每个心电诊断术语所对应的one-hot编码组成的矩阵,得到编码后的心电图结论数据。
例如,心电图结论为:1.窦性心律,2.室性早搏。该心电图结论中包含两个心电诊断术语,本实施例的编码方式加上了结论结束符的编码,那么该心电图结论的编码即为一个3×N的矩阵,即:
该矩阵中的第一行表示心电图结论中第一个心电诊断术语“窦性心律”的编码,第二行表示第二个心电诊断术语“室性早搏”的编码,第三行表示“结论结束符”的编码。
本实施例将得到的编码后的心电图结论数据分为两组,其中一组数据作为训练集,另一组数据作为测试集,例如,可以将3/5的数据划分到训练集中,将2/5的数据作为测试集。
若心电图结论中包含M个心电诊断术语,将心电图结论的第k个心电诊断术语作为训练集和测试集的输入数据,将心电图结论的第k+1个心电诊断术语作为训练集和测试集的输出数据,k=1,2,3,……,M-1。例如,若心电图结论为:1.窦性心律,2.室性早搏,则输入数据为窦性心律的one-hot编码,输出数据为室性早搏的one-hot编码。
可选的是,本实施例模型训练模块的具体实现方式如下:
S21:将训练集中的输入数据和输出数据构成one-hot编码的1×N向量;
S22:将训练集中的输入数据输入至循环神经网络模型的输入层,将训练集中的输出数据输入至循环神经网络模型的输出层;
S23:对循环神经网络模型进行训练,当损失函数小于设定阈值时,停止训练,并保存训练模型;
S24:采用测试集测试所述训练模型的准确度,调整所述训练模型的相关网络参数;
S25:重复上述步骤S21-S24,直到循环神经网络的准确度达到预设值。
以其中一个心电图结论:1.窦性心律,2.室性早搏为例,其包括两个心电诊断术语,那么,在训练循环网络模型时,即将“窦性心律”的one-hot编码输入至循环神经网络模型的输入层,将“室性早搏”的one-hot编码输入至循环神经网络模型的输出层。
输入数据之后,采用现有的训练算法,例如可以是梯度下降方法,对循环神经网络模型进行训练,当神经网络模型的损失函数小于设定阈值时,停止训练,保存训练好的循环网络模型,然后采用测试集测试所述训练模型的准确度,调整所述训练模型的相关网络参数,并重复训练、测试过程,直到循环神经网络的准确度达到预设值。
可选的是,本实施所述循环神经网络模型为:
y=Softmax(wya·a1+by)
a1=ReLU(waa·a0+wax·x+ba)
其中,x表示循环神经网络的输入,y表示循环神经网络的输出,a0和a1表示循环神经网络的隐含层状态,waa是隐含层上一次的值作为这一次的输入的权重矩阵,Wax是输入层到隐含层的权重矩阵,ba是隐含层的数据偏差,Wya是隐含层到输出层的权重矩阵,by是输出层的数据偏差,其中的waa,wax,wya,ba,by均为待训练的循环神经网络参数。
本实施例循环神经网络的损失函数采用交叉熵函数。
作为更进一步优化的实施方式,本实施例waa采用结构化的参数模型,即:
其中,p1~pn、q1~qm为待训练的权重矩阵waa中的元素,矩阵中的元素均通过训练循环神经网络获得。
本实施例采用结构化的参数模型,可以降低循环神经网络对训练样本数量的要求。相比现有技术采用的权重矩阵,矩阵中的每个元素都需要进行训练,对于p1~pn涉及的元素值,本实施例中只需要训练第一行中的p1~pn的n个元素,关于参数第二行之后的元素即可自动获得。而q1~qm是为了实现矩阵的扩展,如果用到,也只需要训练q1~qm的m个元素。而现有技术中涉及的相关权重矩阵,如果需要得到一个m×n矩阵,则需要训练m×n次。
可选的是,如图2所示,本实施例判定模块判定待质控心电诊断报告存在低级错误的具体实现方法如下:
S31:将待质控心电诊断报告的心电图结论中的第k个心电诊断术语对应的one-hot编码输入训练好的循环神经网络模型中,所述循环神经网络模型输出一个表示第k+1个心电诊断术语的1×N向量,k≤M-1;
S32:确定1×N向量中与待质控心电诊断报告的心电图结论中第k+1个心电诊断术语编号相对应位置处的元素值,所述1×N向量中的元素值表示对应编号的心电诊断术语符合书写规范的概率;
S33:如果对应位置处的元素值小于预设值,则判定对应的心电图诊断结论存在相互排斥的诊断术语或者心电诊断术语的书写顺序不符合规范,对应的待质控心电诊断报告存在低级错误;
S34:否则,将k的值加1,重复上述步骤,直到k=M-1。
本实施例利用训练好的RNN模型,对心电图结论中的第k+1个心电诊断术语进行预测,判定是否存在低级错误。假设,待预测的心电图结论中包含了M个心电诊断术语,以心电图结论中的第k个(其中k<=M-1)心电诊断术语的one-hot编码为输入,利用RNN模型计算输出,得到一个长度为N的向量I1×N。
由于本实施例采用的是softmax激励函数,因此,得到的向量I1×N中的元素值均在[0,1]之间,并且所有元素值的和为1,该向量I1×N中的元素值表示对应编号下的心电诊断术语的概率。
例如,一个待质控心电诊断报告的心电图结论中,包含4个心电诊断术语,M=4,则首先输入第1个心电诊断术语的编码,经过RNN模型,输出表示所有可能的第2个心电诊断术语的1×N向量。
查找待质控心电诊断报告的心电图结论中第2个心电诊断术语的编号,并确定1×N向量中与该第2个心电诊断术语的编号相对应位置处的元素值。
假如第2个心电诊断术语为“窦性心动过速”,根据表1,其对应的编号为3,那么,查找输出的I1×N中,第3个元素位置处对应的元素值。
如果I1×N向量中,第3个元素位置处对应的元素值为0,则认为存在低级错误。如果第3个元素位置处对应的元素值为0.5,则认为,不存在低级错误,继续输入待质控心电图结论中的第2个心电诊断术语的编码,直到每个心电诊断术语都检测完毕。
进一步可选的是,本实施例当待质控的心电诊断报告存在低级错误时,发出报警提示音。
这样做的好处是,便于医生能够及时发现报告中的低级错误,并及时进行处理。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种心电图诊断报告的质控***,其特征在于,包括:
数据采集模块,用于采集若干临床心电图结论包含的心电诊断术语;
预处理模块,用于将所述心电诊断术语进行预处理,并将预处理后的符合书写规范要求的心电图结论数据构建循环神经网络模型的训练集和测试集;
模型训练模块,用于将所述训练集和测试集中每一条心电图结论的当前心电诊断术语作为输入,相邻的下一个心电诊断术语作为输出,训练循环神经网络,并保存训练好的循环神经网络模型;
预测模块,用于利用训练好的循环神经网络模型,将待质控心电诊断报告中的心电图结论的当前心电诊断术语作为输入,预测下一个所有可能的心电诊断术语符合书写规范的概率;
判定模块,用于将待质控的心电诊断报告中心电图结论的下一个心电诊断术语与预测的下一个所有可能的心电诊断术语进行比对,如果待质控心电诊断报告中心电图结论的下一个心电诊断术语符合书写规范的概率小于预设值,则判定对应的心电诊断报告存在低级错误。
2.根据权利要求1所述的心电图诊断报告的质控***,其特征在于,所述预处理模块还包括:
编码单元,用于将心电图结论中包含的每个心电诊断术语采用one-hot编码,得到one-hot编码后的符合书写规范要求的心电图结论数据;
数据划分单元,用于将编码后的若干所述心电图结论数据划分训练集和测试集,并将所述心电转换结论中的第k个诊断术语对应的one-hot编码作为训练集和测试集的输入数据,将所述心电转换结论中的第k+1个诊断术语对应的one-hot编码作为训练集和测试集的输出数据。
3.根据权利要求2所述的心电图诊断报告的质控***,其特征在于,所述编码单元还用于:
将心电图结论中的每个心电诊断术语均采用one-hot编码,每个心电诊断术语的one-hot编码构成1×N向量,得到编码后的心电图结论数据为一个M×N矩阵,所述矩阵中的最后一行为结束符的one-hot编码,M为心电图结论中心电诊断术语的数量,N为获取的心电诊断术语的数量。
4.根据权利要求3所述的心电图诊断报告的质控***,其特征在于,所述编码单元将心电图结论中包含的每个心电诊断术语采用one-hot编码的步骤包括:
将每个心电诊断术语采用***数字顺序编号;
将一个心电诊断术语编码为一个1×N向量,所述1×N向量中与对应心电诊断术语编号相对应的元素位置处的值为1,其他元素位置处的值为0。
5.根据权利要求4所述的心电图诊断报告的质控***,其特征在于,所述模型训练模块对循环神经网络模型进行训练的步骤包括:
将训练集中的输入数据和输出数据构成one-hot编码的1×N向量;
将训练集中的输入数据输入至循环神经网络模型的输入层,将训练集中的输出数据输入至循环神经网络模型的输出层;
对循环神经网络模型进行训练,当损失函数小于设定阈值时,停止训练,并保存训练模型;
采用测试集测试所述训练模型的准确度,调整所述训练模型的相关网络参数;
重复上述步骤,直到循环神经网络的准确度达到预设值。
6.根据权利要求5所述的心电图诊断报告的质控***,其特征在于,所述判定对应的心电诊断报告存在低级错误的步骤包括:
如果对应位置处的元素值小于预设值,则判定对应的心电图诊断结论存在相互排斥的诊断术语或者心电诊断术语的书写顺序不符合规范,对应的待质控心电诊断报告存在低级错误;
否则,将k的值加1,重复上述步骤,直到k=M-1。
7.根据权利要求1所述的心电图诊断报告的质控***,其特征在于,所述循环神经网络模型为:
y=Softmax(wya·a1+by)
a1=ReLU(waa·a0+wax·x+ba)
其中,x表示循环神经网络的输入,y表示循环神经网络的输出,a0和a1表示循环神经网络的隐含层状态,waa是隐含层上一次的值作为这一次的输入的权重矩阵,Wax是输入层到隐含层的权重矩阵,ba是隐含层的数据偏差,Wya是隐含层到输出层的权重矩阵,by是输出层的数据偏差,其中的waa,wax,wya,ba,by均为待训练的循环神经网络参数。
9.根据权利要求1-8任一项所述的心电图诊断报告的质控***,其特征在于,还包括报警模块,用于当待质控的心电诊断报告存在低级错误时,发出报警提示音。
10.根据权利要求6所述的心电图诊断报告的质控方法,其特征在于,所述预设值的取值为0.001~0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367639.9A CN111710386A (zh) | 2020-04-30 | 2020-04-30 | 一种心电图诊断报告的质控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367639.9A CN111710386A (zh) | 2020-04-30 | 2020-04-30 | 一种心电图诊断报告的质控*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111710386A true CN111710386A (zh) | 2020-09-25 |
Family
ID=72536845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010367639.9A Pending CN111710386A (zh) | 2020-04-30 | 2020-04-30 | 一种心电图诊断报告的质控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111710386A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117133449A (zh) * | 2023-10-26 | 2023-11-28 | 纳龙健康科技股份有限公司 | 心电图分析***、心电图分析模型构造、训练方法和介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451417A (zh) * | 2017-09-08 | 2017-12-08 | 北京蓬阳丰业医疗设备有限公司 | 动态心电分析智能诊断***及方法 |
CN108095716A (zh) * | 2017-11-21 | 2018-06-01 | 郑州鼎创智能科技有限公司 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
CN108257650A (zh) * | 2017-12-26 | 2018-07-06 | 宁波市科技园区明天医网科技有限公司 | 一种应用于医技检查报告的智能纠错方法 |
WO2018188981A1 (en) * | 2017-04-12 | 2018-10-18 | Koninklijke Philips N.V. | Drawing conclusions from free form texts with deep reinforcement learning |
CN109480827A (zh) * | 2018-12-18 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 向量心电图分类方法及装置 |
CN109871851A (zh) * | 2019-03-06 | 2019-06-11 | 长春理工大学 | 一种基于卷积神经网络算法的汉字书写规范性判定方法 |
WO2019205319A1 (zh) * | 2018-04-25 | 2019-10-31 | 平安科技(深圳)有限公司 | 商品信息格式处理方法、装置、计算机设备和存储介质 |
CN110432892A (zh) * | 2019-08-05 | 2019-11-12 | 苏州米特希赛尔人工智能有限公司 | 机器学习心电图自动诊断*** |
CN110705262A (zh) * | 2019-09-06 | 2020-01-17 | 宁波市科技园区明天医网科技有限公司 | 一种改进的应用于医技检查报告的智能纠错方法 |
CN110797101A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯医疗健康(深圳)有限公司 | 医学数据处理方法、装置、可读存储介质和计算机设备 |
CN110942825A (zh) * | 2019-11-26 | 2020-03-31 | 北京华医共享医疗科技有限公司 | 基于卷积神经网络和循环神经网络结合的心电诊断方法 |
-
2020
- 2020-04-30 CN CN202010367639.9A patent/CN111710386A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018188981A1 (en) * | 2017-04-12 | 2018-10-18 | Koninklijke Philips N.V. | Drawing conclusions from free form texts with deep reinforcement learning |
CN107451417A (zh) * | 2017-09-08 | 2017-12-08 | 北京蓬阳丰业医疗设备有限公司 | 动态心电分析智能诊断***及方法 |
CN108095716A (zh) * | 2017-11-21 | 2018-06-01 | 郑州鼎创智能科技有限公司 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
CN108257650A (zh) * | 2017-12-26 | 2018-07-06 | 宁波市科技园区明天医网科技有限公司 | 一种应用于医技检查报告的智能纠错方法 |
WO2019205319A1 (zh) * | 2018-04-25 | 2019-10-31 | 平安科技(深圳)有限公司 | 商品信息格式处理方法、装置、计算机设备和存储介质 |
CN109480827A (zh) * | 2018-12-18 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 向量心电图分类方法及装置 |
CN109871851A (zh) * | 2019-03-06 | 2019-06-11 | 长春理工大学 | 一种基于卷积神经网络算法的汉字书写规范性判定方法 |
CN110432892A (zh) * | 2019-08-05 | 2019-11-12 | 苏州米特希赛尔人工智能有限公司 | 机器学习心电图自动诊断*** |
CN110705262A (zh) * | 2019-09-06 | 2020-01-17 | 宁波市科技园区明天医网科技有限公司 | 一种改进的应用于医技检查报告的智能纠错方法 |
CN110797101A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯医疗健康(深圳)有限公司 | 医学数据处理方法、装置、可读存储介质和计算机设备 |
CN110942825A (zh) * | 2019-11-26 | 2020-03-31 | 北京华医共享医疗科技有限公司 | 基于卷积神经网络和循环神经网络结合的心电诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117133449A (zh) * | 2023-10-26 | 2023-11-28 | 纳龙健康科技股份有限公司 | 心电图分析***、心电图分析模型构造、训练方法和介质 |
CN117133449B (zh) * | 2023-10-26 | 2024-01-12 | 纳龙健康科技股份有限公司 | 心电图分析***、心电图分析模型构造、训练方法和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5501229A (en) | Continuous monitoring using a predictive instrument | |
US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
Smith et al. | A deep neural network learning algorithm outperforms a conventional algorithm for emergency department electrocardiogram interpretation | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
Lee et al. | Mining biosignal data: coronary artery disease diagnosis using linear and nonlinear features of HRV | |
US6067466A (en) | Diagnostic tool using a predictive instrument | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
CN111329469A (zh) | 一种心律异常预测方法 | |
KR102483693B1 (ko) | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 | |
CN116782829A (zh) | 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置 | |
CN111528832A (zh) | 一种心律失常分类方法及其有效性验证方法 | |
CN115153581A (zh) | 一种心电信号特征波形检测方法、装置及存储介质 | |
CN111710386A (zh) | 一种心电图诊断报告的质控*** | |
CN112545525B (zh) | 心电图数据分类方法、装置及*** | |
CN116504398A (zh) | 用于使用基于变换器的神经网络来进行心律失常预测的方法和*** | |
KR102560516B1 (ko) | 심전도 데이터 및 신체 정보를 이용하는 딥러닝 모델 기반 심장 질환 발병 예측 장치 및 방법 | |
CN112022140B (zh) | 一种心电图的诊断结论自动诊断方法及*** | |
CN111710387A (zh) | 一种心电图诊断报告的质控方法 | |
CN116662742A (zh) | 基于隐马尔可夫模型与掩膜经验模态分解的脑电解码方法 | |
Gaudilliere et al. | Generative pre-trained transformer for cardiac abnormality detection | |
Magrupov et al. | A Technique for Classifying the ECG Signal into Various Possible States of the Cardiovascular System | |
Dolganov | Application of the evolutionary programming for indirect evaluation of blood pressure based on heart rate variability parameters | |
CN110353657B (zh) | 一种基于双选机制的多种波形类型筛选方法及装置 | |
Yu et al. | ICU False Alarm Identification Based on Convolution Neural Network |
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 |