CN112401903B - 心电数据的识别方法、装置、存储介质和电子设备 - Google Patents
心电数据的识别方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112401903B CN112401903B CN202011211364.6A CN202011211364A CN112401903B CN 112401903 B CN112401903 B CN 112401903B CN 202011211364 A CN202011211364 A CN 202011211364A CN 112401903 B CN112401903 B CN 112401903B
- Authority
- CN
- China
- Prior art keywords
- data
- recognition model
- recognition
- target
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000000903 blocking effect Effects 0.000 claims abstract description 153
- 238000012549 training Methods 0.000 claims description 111
- 238000012795 verification Methods 0.000 claims description 79
- 238000012360 testing method Methods 0.000 claims description 53
- 230000002107 myocardial effect Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 26
- 210000004351 coronary vessel Anatomy 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 210000004165 myocardium Anatomy 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 101710121933 Prolactin-3B1 Proteins 0.000 description 1
- JBBYCBXVYZDRPE-PSXMRANNSA-N [(2r)-2-[12-(2-azido-4-nitroanilino)dodecanoyloxy]-3-tetradecanoyloxypropyl] 2-(trimethylazaniumyl)ethyl phosphate Chemical compound CCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCCCCCCNC1=CC=C([N+]([O-])=O)C=C1N=[N+]=[N-] JBBYCBXVYZDRPE-PSXMRANNSA-N 0.000 description 1
- 108010029469 asialoglycoprotein-polylysine conjugate Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开涉及一种心电数据的识别方法、装置、存储介质和电子设备,该方法包括:获取待测心电数据,待测心电数据包括第一数量种导联数据,针对每种导联数据,在预先训练的第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入目标识别模型,以得到目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种阻塞区域的匹配度,每个识别模型对应一种导联数据,针对每种阻塞区域,根据每种导联数据与该种阻塞区域的匹配度,和每个识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度,根据每种阻塞区域对应的总匹配度,确定目标阻塞区域,并将目标阻塞区域作为待测心电数据的识别结果。
Description
技术领域
本公开涉及电子信息处理技术领域,具体地,涉及一种心电数据的识别方法、装置、存储介质和电子设备。
背景技术
心电图(英文:Electrocardiograph,缩写:ECG)作为一种非入侵式的诊断工具,能够通过记录用户体表指定位置的电势,来反映用户心脏的电活动,从而有效辅助医生对用户心脏状态的判断。由于心电图检查成本较低,检查时间较快,因此在医疗领域得到了广泛应用。尤其是针对心肌梗死(英文:Myocardial Infarction,缩写:MI)症状的判断,可以通过心电图中包括的心电数据来识别心脏中是否存在阻塞区域。然而,要通过心电数据来判断是否存在阻塞区域,对医生的能力和经验要求较高,容易造成误判或漏判。
发明内容
本公开的目的是提供一种心电数据的识别方法、装置、存储介质和电子设备,用以解决现有技术中存在的心电数据识别准确度低的问题。
为了实现上述目的,根据本公开实施例的第一方面,提供一种心电数据的识别方法,所述方法包括:
获取待测心电数据,所述待测心电数据包括第一数量种导联数据;
针对每种所述导联数据,在预先训练的所述第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入所述目标识别模型,以得到所述目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种所述阻塞区域的匹配度,每个所述识别模型对应一种所述导联数据;
针对每种所述阻塞区域,根据每种所述导联数据与该种阻塞区域的匹配度,和每个所述识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度;
根据每种所述阻塞区域对应的所述总匹配度,确定目标阻塞区域,并将所述目标阻塞区域作为所述待测心电数据的识别结果。
可选地,所述获取待测心电数据包括:
通过所述第一数量个导联采集待测用户在指定时长范围内的初始心电数据;
对所述初始心电数据进行滤波,并对滤波后的所述初始心电数据进行峰值检测,以提取第三数量个心跳数据;
将所述第三数量个心跳数据中,第四数量个心跳数据作为所述待测心电数据,所述第四数量小于或等于所述第三数量。
可选地,所述方法还包括:
根据预设的测试集,确定每个所述识别模型的识别准确度和混淆矩阵,所述测试集包括多个测试心电数据,和每个所述测试心电数据对应的实际阻塞区域,每个所述测试心电数据包括所述第一数量种测试导联数据;
根据每个所述识别模型的识别准确度和混淆矩阵,确定每个所述识别模型对每种所述阻塞区域的置信度。
可选地,所述根据每个所述识别模型的识别准确度和混淆矩阵,确定每个所述识别模型对每种所述阻塞区域的置信度,包括:
根据第一识别模型的混淆矩阵,确定所述第一识别模型识别第一阻塞区域的信息熵,所述第一识别模型为所述第一数量个识别模型中的任一个识别模型,所述第一阻塞区域为所述第二数量种阻塞区域中的任一种阻塞区域;
根据所述第一识别模型的识别准确度,和所述第一识别模型识别所述第一阻塞区域的信息熵,确定所述第一识别模型对所述第一阻塞区域的置信度。
可选地,在所述根据所述第一识别模型的识别准确度,和所述第一识别模型识别所述第一阻塞区域的信息熵,确定所述第一识别模型对所述第一阻塞区域的置信度之后,所述根据每个所述识别模型的识别准确度和混淆矩阵,确定每个所述识别模型对每种所述阻塞区域的置信度,还包括:
根据预设的识别模型与阻塞区域的关联关系,确定所述第一识别模型与所述第一阻塞区域是否存在关联;
若所述第一识别模型与所述第一阻塞区域存在关联,根据所述第一识别模型与所述第一阻塞区域对应的附加值,修正所述第一识别模型对所述第一阻塞区域的置信度。
可选地,所述根据每种所述导联数据与该种阻塞区域的匹配度,和每个所述识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度,包括:
将每种所述导联数据与第二阻塞区域的匹配度,与该种导联数据对应的识别模型对所述第二阻塞区域的置信度的乘积,进行求和,以得到所述第二阻塞区域对应的总匹配度,所述第二阻塞区域为所述第二数量种阻塞区域中的任一种阻塞区域。
可选地,在所述根据每种所述阻塞区域对应的所述总匹配度,确定目标阻塞区域之后,所述方法还包括:
根据预设的阻塞区域与心肌位置的第一对应关系,确定所述目标阻塞区域对应的目标心肌位置;
根据预设的心肌位置与冠状动脉的第二对应关系,确定所述目标心肌对应的目标冠状动脉;
所述将所述目标阻塞区域作为所述待测心电数据的识别结果,包括:
将所述目标阻塞区域、所述目标心肌位置、所述目标冠状动脉中的至少一个,作为所述识别结果。
可选地,所述第一数量个识别模型中的每个所述识别模型的训练方式包括:
获取第二识别模型对应的训练输入集和训练输出集,所述训练输入集中的每个训练输入包括所述第二识别模型对应的训练导联数据,所述训练输出集中包括与每个所述训练输入对应的训练输出,每个所述训练输出包括对应的所述训练导联数据对应的实际阻塞区域,所述第二识别模型为所述第一数量个识别模型中的任一个识别模型;
将所述训练输入集作为所述第二识别模型的输入,将所述训练输出集作为所述第二识别模型的输出,以训练所述第二识别模型。
可选地,每个所述识别模型的训练方式还包括:
获取所述第二识别模型对应的验证输入集和验证输出集,所述验证输入集中的每个验证输入包括所述第二识别模型对应的验证导联数据,所述验证输出集中包括与每个所述验证输入对应的验证输出,每个所述验证输出包括对应的所述验证导联数据对应的实际阻塞区域;
将所述验证输入集作为训练后的所述第二识别模型的输入,将所述验证输出集作为训练后的所述第二识别模型的输出,以调整训练后的所述第二识别模型中包括的超参数。
根据本公开实施例的第二方面,提供一种心电数据的识别装置,所述装置包括:
获取模块,用于获取待测心电数据,所述待测心电数据包括第一数量种导联数据;
第一处理模块,用于针对每种所述导联数据,在预先训练的所述第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入所述目标识别模型,以得到所述目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种所述阻塞区域的匹配度,每个所述识别模型对应一种所述导联数据;
第二处理模块,用于针对每种所述阻塞区域,根据每种所述导联数据与该种阻塞区域的匹配度,和每个所述识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度;
识别模块,用于根据每种所述阻塞区域对应的所述总匹配度,确定目标阻塞区域,并将所述目标阻塞区域作为所述待测心电数据的识别结果。
可选地,所述获取模块包括:
采集子模块,用于通过所述第一数量个导联采集待测用户在指定时长范围内的初始心电数据;
预处理子模块,用于对所述初始心电数据进行滤波,并对滤波后的所述初始心电数据进行峰值检测,以提取第三数量个心跳数据;
确定子模块,用于将所述第三数量个心跳数据中,第四数量个心跳数据作为所述待测心电数据,所述第四数量小于或等于所述第三数量。
可选地,所述装置还包括:
第一确定模块,用于根据预设的测试集,确定每个所述识别模型的识别准确度和混淆矩阵,所述测试集包括多个测试心电数据,和每个所述测试心电数据对应的实际阻塞区域,每个所述测试心电数据包括所述第一数量种测试导联数据;
第二确定模块,用于根据每个所述识别模型的识别准确度和混淆矩阵,确定每个所述识别模型对每种所述阻塞区域的置信度。
可选地,所述第二确定模块用于:
根据第一识别模型的混淆矩阵,确定所述第一识别模型识别第一阻塞区域的信息熵,所述第一识别模型为所述第一数量个识别模型中的任一个识别模型,所述第一阻塞区域为所述第二数量种阻塞区域中的任一种阻塞区域;
根据所述第一识别模型的识别准确度,和所述第一识别模型识别所述第一阻塞区域的信息熵,确定所述第一识别模型对所述第一阻塞区域的置信度。
可选地,所述第二确定模块还用于:
在所述根据所述第一识别模型的识别准确度,和所述第一识别模型识别所述第一阻塞区域的信息熵,确定所述第一识别模型对所述第一阻塞区域的置信度之后,根据预设的识别模型与阻塞区域的关联关系,确定所述第一识别模型与所述第一阻塞区域是否存在关联;
若所述第一识别模型与所述第一阻塞区域存在关联,根据所述第一识别模型与所述第一阻塞区域对应的附加值,修正所述第一识别模型对所述第一阻塞区域的置信度。
可选地,所述第二处理模块用于:
将每种所述导联数据与第二阻塞区域的匹配度,与该种导联数据对应的识别模型对所述第二阻塞区域的置信度的乘积,进行求和,以得到所述第二阻塞区域对应的总匹配度,所述第二阻塞区域为所述第二数量种阻塞区域中的任一种阻塞区域。
可选地,所述识别模块还用于:
在所述根据每种所述阻塞区域对应的所述总匹配度,确定目标阻塞区域之后,根据预设的阻塞区域与心肌位置的第一对应关系,确定所述目标阻塞区域对应的目标心肌位置;根据预设的心肌位置与冠状动脉的第二对应关系,确定所述目标心肌对应的目标冠状动脉;
将所述目标阻塞区域、所述目标心肌位置、所述目标冠状动脉中的至少一个,作为所述识别结果。
可选地,所述第一数量个识别模型中的每个所述识别模型的训练方式包括:
获取第二识别模型对应的训练输入集和训练输出集,所述训练输入集中的每个训练输入包括所述第二识别模型对应的训练导联数据,所述训练输出集中包括与每个所述训练输入对应的训练输出,每个所述训练输出包括对应的所述训练导联数据对应的实际阻塞区域,所述第二识别模型为所述第一数量个识别模型中的任一个识别模型;
将所述训练输入集作为所述第二识别模型的输入,将所述训练输出集作为所述第二识别模型的输出,以训练所述第二识别模型。
可选地,每个所述识别模型的训练方式还包括:
获取所述第二识别模型对应的验证输入集和验证输出集,所述验证输入集中的每个验证输入包括所述第二识别模型对应的验证导联数据,所述验证输出集中包括与每个所述验证输入对应的验证输出,每个所述验证输出包括对应的所述验证导联数据对应的实际阻塞区域;
将所述验证输入集作为训练后的所述第二识别模型的输入,将所述验证输出集作为训练后的所述第二识别模型的输出,以调整训练后的所述第二识别模型中包括的超参数。
根据本公开实施例的第三方面,提供一种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实现本公开实施例的第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开实施例的第一方面所述方法的步骤。
通过上述技术方案,本公开首先获取包括了第一数量种导联数据的待测心电数据,之后针对每种导联数据,在预先训练的与第一数量种导联数据一一对应的第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入目标识别模型,以得到目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种阻塞区域的匹配度,然后再针对每种阻塞区域,根据每种导联数据与该种阻塞区域的匹配度,和每个识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度,最后根据每种阻塞区域对应的总匹配度来确定目标阻塞区域,并将目标阻塞区域作为待测心电数据的识别结果。本公开能够分别对心电数据中包括的多种导联数据进行识别,并将每种导联数据对应的识别结果按照相应的置信度进行结合,得到心电数据整体的识别结果,从而确定目标阻塞区域,能够结合多种导联数据快速、准确地识别心电数据。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种心电数据的识别方法的流程图;
图2是根据一示例性实施例示出的另一种心电数据的识别方法的流程图;
图3是根据一示例性实施例示出的一种心跳数据的示意图;
图4是根据一示例性实施例示出的另一种心电数据的识别方法的流程图;
图5是根据一示例性实施例示出的另一种心电数据的识别方法的流程图;
图6是根据一示例性实施例示出的另一种心电数据的识别方法的流程图;
图7是根据一示例性实施例示出的另一种心电数据的识别方法的流程图;
图8是根据一示例性实施例示出的国际心肌分区断面的示意图;
图9是根据一示例性实施例示出的一个识别模型的训练方式的流程图;
图10是根据一示例性实施例示出的另一个识别模型的训练方式的流程图;
图11是根据一示例性实施例示出的一种心电数据的识别装置的框图;
图12是根据一示例性实施例示出的另一种心电数据的识别装置的框图;
图13是根据一示例性实施例示出的另一种心电数据的识别装置的框图;
图14是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种心电数据的识别方法的流程图,如图1所示,该方法包括:
步骤101,获取待测心电数据,待测心电数据包括第一数量种导联数据。
举例来说,首先通过ECG设备对待测用户体表的指定位置进行测量,得到待测心电数据。ECG设备可以按照不同的测量方式,在不同的指定位置,通过不同的导联对待测用户进行测量。相应的,得到的待测心电数据中,包括的导联数据的种类也不同,每个导联可以测量得到一种导联数据。例如待测心电数据可以是按照十二导联(包括:I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6)的方式测量得到的,那么其中包括了每个导联测量得到的12种导联数据,即第一数量为12。待测心电数据还可以按照六导联(对应的第一数量为6)、五导联(对应的第一数量为5)等方式进行测量,本公开对此不作具体限定。
步骤102,针对每种导联数据,在预先训练的第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入目标识别模型,以得到目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种阻塞区域的匹配度,每个识别模型对应一种导联数据。
示例的,可以为第一数量种导联数据,预先训练对应的第一数量个识别模型,每个识别模型对应一种导联数据,即识别模型与导联数据的种类一一对应。每个识别模型能够根据相应的一种导联数据,确定这种导联数据与第二数量种阻塞区域的匹配度,其中,匹配度可以理解为这种导联数据与每种阻塞区域的匹配程度。第二数量例如可以为11,对应11种典型的阻塞区域:前壁、前侧壁、前间壁、下壁、下侧壁、下后壁、下后侧壁、侧壁、后壁、后侧壁,和空区域(即不存在阻塞的情况)。在获取到第一数量种导联数据之后,针对每种导联数据,可以选出该种导联数据对应的目标识别模型,之后,将该种导联数据作为目标识别模型的数据,得到目标识别模型输出的该种导联数据与第二数量种阻塞区域中,每种阻塞区域的匹配度。也就是说,第一数量个识别模型中,每个识别模型输出第二数量个匹配度,那么第一数量个识别模型总共输出第一数量*第二数量个匹配度。其中,第i种导联数据与第j种阻塞区域的匹配度可以表示为mi,j,0<i≤X,0<j≤Y,X表示第一数量,Y表示第二数量。
需要说明的是,上述每个识别模型例如可以是预先训练好的神经网络,该神经网络可以根据大量的训练集进行训练得到的,训练集例如可以是ECG设备之前测量得到的大量的心电数据(每个心电数据中都包括第一数量种导联数据),和心电数据对应的识别结果(可以理解为心电数据对应的阻塞区域)。训练集还可以是从指定的心电数据库(英文ECGDatabase)中获取的,心电数据库例如可以是PTB(德文:Physikalisch-TechnischeBundesanstalt)心电数据库,或者MIT-BIH、AHA、ST-T等心电数据库。
步骤103,针对每种阻塞区域,根据每种导联数据与该种阻塞区域的匹配度,和每个识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度。
示例的,由于每个识别模型识别不同的阻塞区域的置信度可能存在差别,那么第一数量个识别模型输出的(第一数量*第二数量)个匹配度中,每个匹配度的置信度也会存在差别。对心电数据进行识别的目的,是为了识别出待测用户的心脏中存在的阻塞区域,因此,可以根据每个识别模型对每种阻塞区域的置信度,对(第一数量*第二数量)个匹配度进行处理,得到每种阻塞区域对应的总匹配度,总匹配度可以理解为待测心电数据与该种阻塞区域的匹配程度。其中,每个识别模型对每种阻塞区域的置信度,可以通过每个识别模型的识别准确度来确定。例如可以根据大量的测试集对每个识别模型进行测试,得到该识别模型的识别准确度,并根据该识别模型的识别准确度来计算该识别模型对每种阻塞区域的置信度。具体的,针对每种阻塞区域,可以将每个识别模型对该种阻塞区域的置信度作为权重,对每种导联数据与该种阻塞区域的匹配度进行加权求和,得到该种阻塞区域对应的总匹配度。其中,第j种阻塞区域的总匹配度可以表示为Mj,0<j≤Y。
步骤104,根据每种阻塞区域对应的总匹配度,确定目标阻塞区域。
步骤105,将目标阻塞区域作为待测心电数据的识别结果。
示例的,在得到每种阻塞区域对应的总匹配度之后,可以在第二数量种阻塞区域中,确定目标阻塞区域。其中,目标阻塞区域可以是总匹配度最高的一种阻塞区域,也可以是将总匹配度按照降序排列后,排列在头部的预设数量(例如可以是:2)种阻塞区域,预设数量可以根据具体需求来设置。最后,将目标阻塞区域作为待测心电数据的识别结果,可以将识别结果显示在终端设备的显示屏幕上,以辅助医生对待测用户的心脏状态进行分析,还可以将识别结果与待测心电数据一同进行存储,以供后续的查询或处理。
这样,分别对待测心电数据中包括的第一数量种导联数据进行识别,然后再将每种导联数据对应的识别结果按照相应的识别模型的置信度进行结合,从而得到整体的识别结果,确定目标阻塞区域,有效提高了心电数据识别的识别速度和准确度。并且,通常情况下,心电数据的识别结果中,只能识别出心脏中是否存在阻塞区域,无法确定阻塞区域的位置,需要进一步借助其他检测手段或检测设备才能确定阻塞区域的位置,识别结果所包含的信息量较低。而本公开中通过每种阻塞区域对应的总匹配度,能够直接确定目标阻塞区域,提高了心电数据的识别结果所包含的信息量。
综上所述,本公开首先获取包括了第一数量种导联数据的待测心电数据,之后针对每种导联数据,在预先训练的与第一数量种导联数据一一对应的第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入目标识别模型,以得到目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种阻塞区域的匹配度,然后再针对每种阻塞区域,根据每种导联数据与该种阻塞区域的匹配度,和每个识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度,最后根据每种阻塞区域对应的总匹配度来确定目标阻塞区域,并将目标阻塞区域作为待测心电数据的识别结果。本公开能够分别对心电数据中包括的多种导联数据进行识别,并将每种导联数据对应的识别结果按照相应的置信度进行结合,得到心电数据整体的识别结果,从而确定目标阻塞区域,能够结合多种导联数据快速、准确地识别心电数据。
图2是根据一示例性实施例示出的另一种心电数据的识别方法的流程图,如图2所示,步骤101可以包括:
步骤1011,通过第一数量个导联采集待测用户在指定时长范围内的初始心电数据。
步骤1012,对初始心电数据进行滤波,并对滤波后的初始心电数据进行峰值检测,以提取第三数量个心跳数据。
步骤1013,将第三数量个心跳数据中,第四数量个心跳数据作为待测心电数据,第四数量小于或等于第三数量。
在一种应用场景中,待测心电数据的获取方式,可以是先将ECG设备的第一数量个导联放置在待测用户体表的指定位置,以采集待测用户在指定时长(例如1min)范围内的初始心电数据。初始心电数据可以理解为ECG设备生成的心电图中包括的电势随时间变化的数据。由于初始心电数据中可能存在高频干扰、肌电干扰、工频干扰、基线漂移等可能影响识别结果的干扰,因此可以先对初始心电数据进行滤波,例如可以采用巴特沃斯带通滤波器(带宽例如可以为0.25Hz-40Hz)对初始心电数据进行滤波。之后,为了使之后的识别模型能够处理长度相等的数据,因此可以对滤波后的初始心电数据进行峰值检测,以提取第三数量个,时间长度相等的心跳数据。具体的,可以对滤波后的初始心电数据按照Pan-Tompkins算法进行峰值检测,以检测出滤波后的初始心电数据包含的第三数量个R峰,然后将每个R峰附近一定时长范围内的电势变化,作为一个心跳数据。最后,从第三数量个心跳数据中,选出第四数量个心跳数据作为待测心电数据。第四数量可以等于第三数量,也就是说,将滤波后的初始心电数据中包括的全部心跳数据作为待测心电数据。第四数量也可以小于第三数量,例如,可以从第三数量个心跳数据中,任意选出1个心跳数据作为待测心电数据,也可以任意选出5个心跳数据作为待测心电数据,还可以选出3个连续的心跳数据作为待测心电数据,本公开对此不作具体限定。
具体的,由于一次心跳通常小于1s,心搏的正常范围为60-100次/min,若ECG设备的采样频率为1kHz,那么相应的,一个心跳数据应该对应600-1000个采样点。可以取660个采样点作为一个心跳数据,那么在对滤波后的初始心电数据按照Pan-Tompkins算法进行峰值检测,得到第三数量个R峰后,可以将每个R峰的前220个采样点,和该R峰的后440个采样点作为一个心跳数据,如图3所示。
需要说明的是,初始心电数据中包括了第一数量种初始导联数据,可以分别对每种初始导联数据进行上述滤波、峰值检测等处理,从而提取每种初始导联数据中的第三数量个心跳数据,并选择其中的第四数量个心跳数据作为待测心电数据中的一种导联数据。
图4是根据一示例性实施例示出的另一种心电数据的识别方法的流程图,如图4所示,该方法还可以包括以下步骤:
步骤106,根据预设的测试集,确定每个识别模型的识别准确度和混淆矩阵,测试集包括多个测试心电数据,和每个测试心电数据对应的实际阻塞区域,每个测试心电数据包括第一数量种测试导联数据。
步骤107,根据每个识别模型的识别准确度和混淆矩阵,确定每个识别模型对每种阻塞区域的置信度。
举例来说,针对每个识别模型,可以根据预设的测试集,确定每个识别模型的识别准确度和混淆矩阵。测试集包括多个测试心电数据,和每个测试心电数据对应的实际阻塞区域,其中,每个测试心电数据都包括第一数量种测试导联数据。例如,可以从PTB心电数据库种选取一定数量(例如200)个数据记录,每个数据记录包括一个测试心电数据,和对应的实际阻塞区域。将每个测试心电数据种包括的一种测试导联数据,输入到对应的识别模型种,通过比较该识别模型的输出,与该测试心电数据对应的实际阻塞区域是否匹配,从而得到该识别模型的识别准确度和混淆矩阵。其中,若该识别模型的输出中,与该测试心电数据匹配度最高的阻塞区域,和该测试心电数据对应的实际阻塞区域相同,那么可以确定该识别模型的输出,与该测试心电数据对应的实际阻塞区域匹配,针对该测试心电数据的测试结果正确。进一步的,可以根据每个识别模型的识别准确度和混淆矩阵,确定每个识别模型对每种阻塞区域的置信度。
图5是根据一示例性实施例示出的另一种心电数据的识别方法的流程图,如图5所示,步骤107的实现方式可以包括:
步骤1071,根据第一识别模型的混淆矩阵,确定第一识别模型识别第一阻塞区域的信息熵,第一识别模型为第一数量个识别模型中的任一个识别模型,第一阻塞区域为第二数量种阻塞区域中的任一种阻塞区域。
步骤1072,根据第一识别模型的识别准确度,和第一识别模型识别第一阻塞区域的信息熵,确定第一识别模型对第一阻塞区域的置信度。
在一种应用场景中,第i个识别模型对第j种阻塞区域的置信度Wi,j可以通过以下公式来确定:
Wi,j=accuracyi-entropyi,j
其中,accuracyi表示第i个识别模型的识别准确度,entropyi,j表示第i个识别模型识别第j种阻塞区域的信息熵(可以理解为第i个识别模型的混淆矩阵中第j列的信息熵),pi,j,t表示第i个识别模型,将第j种阻塞区域识别为第t种阻塞区域的概率(即混淆矩阵中第j列、第t行的元素),0<i≤X,0<j≤Y,0<t≤Y。
以每个测试心电数据包括:I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6十二种测试导联数据来举例,对应的十二个识别模型为:MI、MII、MIII、MaVR、MaVL、MaVF、MV1、MV2、MV3、MV4、MV5、MV6。根据多个测试心电数据,和对应的实际阻塞区域,对每个识别模型进行测试,得到每个识别模型的识别准确度如表1所示:
表1
识别模型 | 识别准确度 |
MI | 98.85% |
MII | 97.06% |
MIII | 98.42% |
MaVR | 98.65% |
MaVL | 99.13% |
MaVF | 98.71% |
MV1 | 99.14% |
MV2 | 99.51% |
MV3 | 99.41% |
MV4 | 99.34% |
MV5 | 98.93% |
MV6 | 98.04% |
以11种典型的阻塞区域:前壁(A)、前侧壁(AL)、前间壁(AS)、下壁(I)、下侧壁(IL)、下后壁(IP)、下后侧壁(IPL)、侧壁(L)、后壁(AP)、后侧壁(PL),和空区域(H),V2导联对应的识别模型MV2来举例,根据多个测试心电数据,和对应的实际阻塞区域,对MV2进行测试,得到MV2对应的混淆矩阵如表2所示:
表2
A | AL | AS | I | IL | IP | IPL | L | AP | PL | H | |
A | 99.22% | 0.15% | 0 | 0.08% | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
AL | 0.31% | 98.98% | 0.26% | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
AS | 0.31% | 0.29% | 99.39% | 0.08% | 0 | 0 | 0.37% | 0 | 0 | 0 | 0 |
I | 0 | 0.29% | 0 | 99.56% | 0.11% | 0 | 0.37% | 0 | 0 | 0 | 0 |
IL | 0 | 0.15% | 0.09% | 0 | 99.77% | 0 | 0.74% | 0 | 0 | 0 | 0 |
IP | 0 | 0 | 0 | 0 | 0 | 100% | 0 | 0 | 0 | 0 | 0 |
IPL | 0 | 0.15% | 0.09% | 0 | 0 | 0 | 98.52% | 0 | 0 | 0 | 0 |
L | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 100% | 0 | 0 | 0 |
AP | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 100% | 0 | 0 |
PL | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 100% | 0 |
H | 0.16% | 0 | 0.09% | 0.25% | 0.11% | 0 | 0 | 0 | 0 | 0 | 100% |
根据表2中的混淆矩阵,可以求得MV2识别11种阻塞区域的信息熵,如表3所示:
表3
阻塞区域 | 信息熵 |
A | 0.0539 |
AL | 0.0733 |
AS | 0.0405 |
I | 0.0305 |
IL | 0.0173 |
IP | 0 |
IPL | 0.0924 |
L | 0 |
AP | 0 |
PL | 0 |
H | 0 |
那么,根据表1和表3,可以求得MV2对A阻塞区域的置信度WV2,A为:WV2,A=accuracyV2-entropyV2,A=99.51%-0.0539=0.9412。
图6是根据一示例性实施例示出的另一种心电数据的识别方法的流程图,如图6所示,步骤107在步骤1072之后,还可以包括:
步骤1073,根据预设的识别模型与阻塞区域的关联关系,确定第一识别模型与第一阻塞区域是否存在关联。
步骤1074,若第一识别模型与第一阻塞区域存在关联,根据第一识别模型与第一阻塞区域对应的附加值,修正第一识别模型对第一阻塞区域的置信度。
举例来说,不同的阻塞区域,体现在每种导联数据上的表现不同,因此不同的阻塞区域和不同的识别模型之间可能存在关联。可以预先建立识别模型与阻塞区域的关联关系。关联关系中可以包括第二数量个关联记录,每个关联记录中,包括一种阻塞区域和与该种阻塞区域存在关联的一个或多个识别模型,还可以包括该种阻塞区域与存在关联的识别模型对应的附加值。一种阻塞区域和一个识别模型存在关联,可以理解为如果心脏中该阻塞区域存在阻塞,体现在该识别模型对应的导联数据上的表现比较明显。关联关系可以如表4所示:
表4
阻塞区域 | 存在关联的识别模型 | 附加值 |
A | MV2、MV3、MV4 | 0.0125 |
AL | MV4、MV5、MV6 | 0.0125 |
AS | MV3、MV2、MV3 | 0.0125 |
I | II,III,aVF | 0.0125 |
IL | II,III,aVF,V4,V5,V6 | 0.0125 |
IP | II,III,aVF,V1,V2,V3 | 0.0125 |
IPL | II,III,aVF,V1,V2,V3,V4,V5,V6 | 0.0125 |
L | I,II,III,aVL,aVF,V4,V5,V6 | 0.0125 |
P | II,III,aVF,V1,V2,V3 | 0.0125 |
PL | II,III,aVF,V4,V5,V6 | 0.0125 |
若根据关联关系,确定第一识别模型与第一阻塞区域存在关联,那么可以根据第一识别模型与第一阻塞区域对应的附加值,修正第一识别模型对第一阻塞区域的置信度。例如,根据表1和表3求得MV2对A阻塞区域的置信度:WV2,A=accuracyV2-entropyV2,A=99.51%-0.0539=0.9412。A阻塞区域与MV2存在关联,且A阻塞区域与MV2对应的附加值为0.0125,那么可以将MV2对A阻塞区域的置信度修正为:WV2,A=0.9412+0.0125=0.9537。
在一种实现方式中,步骤103中每种阻塞区域对应的总匹配度的确定方式可以为:
将每种导联数据与第二阻塞区域的匹配度,与该种导联数据对应的识别模型对第二阻塞区域的置信度的乘积,进行求和,以得到第二阻塞区域对应的总匹配度,第二阻塞区域为第二数量种阻塞区域中的任一种阻塞区域。
示例的,第j种阻塞区域对应的总匹配度可以表示为Mj,可以通过以下公式来确定:
Mj=(W1,j*m1,j+W2,j*m2,j+…+Wi,j*mi,j+…+WX,j*mX,j)/X
那么通过步骤103可以得到第二数量种阻塞区域对应的总匹配度:M1、M2、…、Mj、…、MY。
图7是根据一示例性实施例示出的另一种心电数据的识别方法的流程图,如图7所示,在步骤104之后,该方法还可以包括:
步骤108,根据预设的阻塞区域与心肌位置的第一对应关系,确定目标阻塞区域对应的目标心肌位置。
步骤109,根据预设的心肌位置与冠状动脉的第二对应关系,确定目标心肌对应的目标冠状动脉。
相应的,步骤105可以包括:
将目标阻塞区域、目标心肌位置、目标冠状动脉中的至少一个,作为识别结果。
举例来说,为了进一步提高心电数据的识别结果所包含的信息量,可以在确定目标阻塞区域的基础上,再结合阻塞区域和心肌位置的第一对应关系,确定目标阻塞区域对应的目标心肌位置。例如,可以按照国际心肌17分区断面***(如图8所示)为标准,建立17个心肌位置与第二数量种阻塞区域的第一对应关系。可以理解为,第一对应关系中包括多个对应关系记录,每个对应关系记录中包括有一种阻塞区域,和对应的一个或多个心肌位置。这样,在确定目标阻塞区域后,可以通过查找第一对应关系,确定目标阻塞区域对应目标心肌位置。进一步的,在确定目标心肌位置的基础上,还可以再结合心肌位置和冠状动脉的第二对应关系,确定目标心肌对应的目标冠状动脉。第二对应关系中包括多个对应关系记录,每个对应关系记录中包括有一种冠状动脉,和对应的一个或多个心肌位置。这样,在确定目标心肌位置后,可以通过查找第二对应关系,确定目标心肌位置对应的目标冠状动脉。最后,可以将目标阻塞区域、目标心肌位置、目标冠状动脉中的至少一个,作为待测心电数据的识别结果。
通常发生心肌梗死的冠状动脉可以包括:RCA(英文:Right Coronary Artery,中文:右冠状动脉)、LCX(英文:Left Circumflex Artery,中文:左旋支)、LAD(英文:LeftAnterior Descending Artery,中文:左前降支)、DP(英文:Diagonal Posterior)、PL(英文:Posterior Lateral,中文:左室后支)、OM(英文:Obtuse Marginal branches,中文:钝缘支)、PB(英文:Posterior Branch,中文:后支)、S1(英文:Septal Branches 1,中文:第一间隔支)、D1(英文:Diagonal Branche 1,中文:第一对角支)。第二对应关系例如可以如表5所示:
表5
图9是根据一示例性实施例示出的一个识别模型的训练方式的流程图,如图9所示,第一数量个识别模型中的每个识别模型的训练方式包括:
步骤A,获取第二识别模型对应的训练输入集和训练输出集,训练输入集中的每个训练输入包括第二识别模型对应的训练导联数据,训练输出集中包括与每个训练输入对应的训练输出,每个训练输出包括对应的训练导联数据对应的实际阻塞区域,第二识别模型为第一数量个识别模型中的任一个识别模型。
步骤B,将训练输入集作为第二识别模型的输入,将训练输出集作为第二识别模型的输出,以训练第二识别模型。
举例来说,识别模型的训练方式,首先可以获取训练输入集和训练输出集。其中,训练输入集中包括多个训练输入,每个训练输入可以第二识别模型对应的训练导联数据,训练输出集中包括与训练输入集中每个训练输入一一对应的训练输出,每个训练输出包括,对应的训练导联数据对应的实际阻塞区域。
例如,可以从PTB心电数据库取出其中的549条记录,每条记录种都包括X(即第一数量)种导联数据,和对应一种实际阻塞区域。然后可以按照步骤1011至步骤1013的方式,对每条记录中的每种导联数据进行滤波、峰值检测。从一条记录中的每种导联数据提取出E(即第三数量)个心跳数据。那么按照导联数据的种类,每种导联数据可以得到549*E个心跳数据。可以将549*E个心跳数据按照每F(即第四数量)个进行分组,得到多个输入数据,和输出数据(该导联数据所属的记录对应的实际阻塞区域)。以E为500,F为1来举例,那么每种导联数据可以得到549*500=274500对输入数据和输出数据。进一步的,可以将274500对输入数据和输出数据中,70%作为训练输入集和训练输出集,20%作为后文提及的验证输入集和验证输出集,10%作为测试输入集和测试输出集(可以理解为步骤106中的测试集)。
具体的,可以构建一个卷积神经网络(例如可以是Lenet网络)作为识别模型,其中,卷积神经网络例如可以包括输入层、多个卷积层、多个池化层、全连接层、输出层等。可以根据具体需求,选择卷积神经网络的深度、神经元的权重(英文:Weight)和偏置量(英文:Bias)、卷积核的大小、损失函数、激活函数等。可以将训练输入集作为卷积神经网络的输入,将训练输出集作为卷积神经网络的输出来训练,使得卷积神经网络在输入训练输入集时,卷积神经网络输出的,训练输入与第二数量种阻塞区域中每种阻塞区域的匹配度,能够和训练输出集匹配。和训练输出集匹配可以理解为,将任一个训练输入,作为卷积神经网络的输入,卷积神经网络的输出中,与该训练输入匹配度最高的阻塞区域,和该训练输入对应的训练输出相同。以卷积神经网络为Lenet网络来举例,Lenet网络可以包括一个输入层、两个卷积层、两个池化层,一个Flatten层,两个全连接层、一个Softmax层和一个输出层,Lenet网络的配置例如可以如表6所示(输入层和输出层的配置未在表6中示出):
表6
层名 | 参数 |
卷积层 | kernel size=(1,5,1,6),strides=1,activation=ReLU,type=‘valid’ |
池化层 | shape1=(1,1,2,1),strides=2,type=‘valid’ |
卷积层 | kernel size=(1,5,6,16),strides=1,activation=ReLU,type=‘valid’ |
池化层 | shape1=(1,1,2,1),strides=2,type=‘valid’ |
Flatten层 | shape2=(-1,1*162*16) |
全连接层1 | shape3=120,activation=ReLU |
全连接层2 | shape3=84,activation=ReLU |
Softmax层 | shape4=11 |
其中,kernel size表示卷积核的大小,strides表示卷积步长,activation表示激活函数,type表示卷积模式,shape1表示池化的尺寸,shape2表示flatten的尺寸,shape3表示全连接层的输出尺寸,shape4表示Softmax层的输出尺寸。
图10是根据一示例性实施例示出的另一个识别模型的训练方式的流程图,如图10所示,每个识别模型的训练方式还包括:
步骤C,获取第二识别模型对应的验证输入集和验证输出集,验证输入集中的每个验证输入包括第二识别模型对应的验证导联数据,验证输出集中包括与每个验证输入对应的验证输出,每个验证输出包括对应的验证导联数据对应的实际阻塞区域。
步骤D,将验证输入集作为训练后的第二识别模型的输入,将验证输出集作为训练后的第二识别模型的输出,以调整训练后的第二识别模型中包括的超参数。
在另一种应用场景中,由于识别模型中包括了许多超参数,为了选择合适的超参数,还可以预先获取验证输入集和验证输出集,并利用验证输入集和验证输出集来调整识别模型中的超参数。其中,验证输入集中包括多个验证输入,每个验证输入可以包括识别模型对应的验证导联数据,验证输出集中包括与验证输入集中每个验证输入一一对应的验证输出,每个验证输出包括,对应的验证导联数据对应的实际阻塞区域。将验证输入集作为训练后的识别模型的输入,将验证输出集作为训练后的识别模型的输出,以调整训练后的识别模型中包括的超参数。
其中,识别模型中的超参数可以包括:卷积核的大小、损失函数、激活函数,还可以包括批大小、学习率等。经过验证输入集和验证输出集的调整,识别模型中可以使用Relu激活函数,交叉熵损失函数和AdamOptimizer优化器,进一步的,可以将批大小设置为64、学习率设置为10-3,还可以设置batch normalization机制、L2正则化和dropout优化策略。
综上所述,本公开首先获取包括了第一数量种导联数据的待测心电数据,之后针对每种导联数据,在预先训练的与第一数量种导联数据一一对应的第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入目标识别模型,以得到目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种阻塞区域的匹配度,然后再针对每种阻塞区域,根据每种导联数据与该种阻塞区域的匹配度,和每个识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度,最后根据每种阻塞区域对应的总匹配度来确定目标阻塞区域,并将目标阻塞区域作为待测心电数据的识别结果。本公开能够分别对心电数据中包括的多种导联数据进行识别,并将每种导联数据对应的识别结果按照相应的置信度进行结合,得到心电数据整体的识别结果,从而确定目标阻塞区域,能够结合多种导联数据快速、准确地识别心电数据。
图11是根据一示例性实施例示出的一种心电数据的识别装置的框图,如图11所示,该装置200可以包括:
获取模块201,用于获取待测心电数据,待测心电数据包括第一数量种导联数据。
第一处理模块202,用于针对每种导联数据,在预先训练的第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入目标识别模型,以得到目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种阻塞区域的匹配度,每个识别模型对应一种导联数据。
第二处理模块203,用于针对每种阻塞区域,根据每种导联数据与该种阻塞区域的匹配度,和每个识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度。
识别模块204,用于根据每种阻塞区域对应的总匹配度,确定目标阻塞区域,并将目标阻塞区域作为待测心电数据的识别结果。
图12是根据一示例性实施例示出的另一种心电数据的识别装置的框图,如图12所示,获取模块201包括:
采集子模块2011,用于通过第一数量个导联采集待测用户在指定时长范围内的初始心电数据。
预处理子模块2012,用于对初始心电数据进行滤波,并对滤波后的初始心电数据进行峰值检测,以提取第三数量个心跳数据。
确定子模块2013,用于将第三数量个心跳数据中,第四数量个心跳数据作为待测心电数据,第四数量小于或等于第三数量。
图13是根据一示例性实施例示出的另一种心电数据的识别装置的框图,如图13所示,该装置200还包括:
第一确定模块205,用于根据预设的测试集,确定每个识别模型的识别准确度和混淆矩阵,测试集包括多个测试心电数据,和每个测试心电数据对应的实际阻塞区域,每个测试心电数据包括第一数量种测试导联数据。
第二确定模块206,用于根据每个识别模型的识别准确度和混淆矩阵,确定每个识别模型对每种阻塞区域的置信度。
在一种实现方式中,第二确定模块206可以用于执行以下步骤:
步骤1)根据第一识别模型的混淆矩阵,确定第一识别模型识别第一阻塞区域的信息熵,第一识别模型为第一数量个识别模型中的任一个识别模型,第一阻塞区域为第二数量种阻塞区域中的任一种阻塞区域。
步骤2)根据第一识别模型的识别准确度,和第一识别模型识别第一阻塞区域的信息熵,确定第一识别模型对第一阻塞区域的置信度。
在另一种实现方式中,第二确定模块206还可以用于执行以下步骤:
步骤3)在根据第一识别模型的识别准确度,和第一识别模型识别第一阻塞区域的信息熵,确定第一识别模型对第一阻塞区域的置信度之后,根据预设的识别模型与阻塞区域的关联关系,确定第一识别模型与第一阻塞区域是否存在关联。
步骤4)若第一识别模型与第一阻塞区域存在关联,根据第一识别模型与第一阻塞区域对应的附加值,修正第一识别模型对第一阻塞区域的置信度。
在一种应用场景中,第二处理模块203可以用于:
将每种导联数据与第二阻塞区域的匹配度,与该种导联数据对应的识别模型对第二阻塞区域的置信度的乘积,进行求和,以得到第二阻塞区域对应的总匹配度,第二阻塞区域为第二数量种阻塞区域中的任一种阻塞区域。
在另一种应用场景中,识别模块204还可以用于:
在根据每种阻塞区域对应的总匹配度,确定目标阻塞区域之后,根据预设的阻塞区域与心肌位置的第一对应关系,确定目标阻塞区域对应的目标心肌位置。根据预设的心肌位置与冠状动脉的第二对应关系,确定目标心肌对应的目标冠状动脉。
将目标阻塞区域、目标心肌位置、目标冠状动脉中的至少一个,作为识别结果。
具体的,第一数量个识别模型中的每个识别模型的训练方式可以包括以下步骤:
步骤A,获取第二识别模型对应的训练输入集和训练输出集,训练输入集中的每个训练输入包括第二识别模型对应的训练导联数据,训练输出集中包括与每个训练输入对应的训练输出,每个训练输出包括对应的训练导联数据对应的实际阻塞区域,第二识别模型为第一数量个识别模型中的任一个识别模型。
步骤B,将训练输入集作为第二识别模型的输入,将训练输出集作为第二识别模型的输出,以训练第二识别模型。
进一步的,每个识别模型的训练方式还可以包括以下步骤:
步骤C,获取第二识别模型对应的验证输入集和验证输出集,验证输入集中的每个验证输入包括第二识别模型对应的验证导联数据,验证输出集中包括与每个验证输入对应的验证输出,每个验证输出包括对应的验证导联数据对应的实际阻塞区域。
步骤D,将验证输入集作为训练后的第二识别模型的输入,将验证输出集作为训练后的第二识别模型的输出,以调整训练后的第二识别模型中包括的超参数。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,本公开首先获取包括了第一数量种导联数据的待测心电数据,之后针对每种导联数据,在预先训练的与第一数量种导联数据一一对应的第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入目标识别模型,以得到目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种阻塞区域的匹配度,然后再针对每种阻塞区域,根据每种导联数据与该种阻塞区域的匹配度,和每个识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度,最后根据每种阻塞区域对应的总匹配度来确定目标阻塞区域,并将目标阻塞区域作为待测心电数据的识别结果。本公开能够分别对心电数据中包括的多种导联数据进行识别,并将每种导联数据对应的识别结果按照相应的置信度进行结合,得到心电数据整体的识别结果,从而确定目标阻塞区域,能够结合多种导联数据快速、准确地识别心电数据。
图14是根据一示例性实施例示出的一种电子设备300的框图。如图14所示,该电子设备300可以包括:处理器301,存储器302。该电子设备300还可以包括多媒体组件303,输入/输出(I/O)接口304,以及通信组件305中的一者或多者。
其中,处理器301用于控制该电子设备300的整体操作,以完成上述的心电数据的识别方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作,这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口304为处理器301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件305可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备300可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的心电数据的识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的心电数据的识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器302,上述程序指令可由电子设备300的处理器301执行以完成上述的心电数据的识别方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的心电数据的识别方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (12)
1.一种心电数据的识别方法,其特征在于,所述方法包括:
获取待测心电数据,所述待测心电数据包括第一数量种导联数据;
针对每种所述导联数据,在预先训练的所述第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入所述目标识别模型,以得到所述目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种所述阻塞区域的匹配度,每个所述识别模型对应一种所述导联数据;
针对每种所述阻塞区域,根据每种所述导联数据与该种阻塞区域的匹配度,和每个所述识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度;
根据每种所述阻塞区域对应的所述总匹配度,确定目标阻塞区域,并将所述目标阻塞区域作为所述待测心电数据的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待测心电数据包括:
通过所述第一数量个导联采集待测用户在指定时长范围内的初始心电数据;
对所述初始心电数据进行滤波,并对滤波后的所述初始心电数据进行峰值检测,以提取第三数量个心跳数据;
将所述第三数量个心跳数据中,第四数量个心跳数据作为所述待测心电数据,所述第四数量小于或等于所述第三数量。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设的测试集,确定每个所述识别模型的识别准确度和混淆矩阵,所述测试集包括多个测试心电数据,和每个所述测试心电数据对应的实际阻塞区域,每个所述测试心电数据包括所述第一数量种测试导联数据;
根据每个所述识别模型的识别准确度和混淆矩阵,确定每个所述识别模型对每种所述阻塞区域的置信度。
4.根据权利要求3所述的方法,其特征在于,所述根据每个所述识别模型的识别准确度和混淆矩阵,确定每个所述识别模型对每种所述阻塞区域的置信度,包括:
根据第一识别模型的混淆矩阵,确定所述第一识别模型识别第一阻塞区域的信息熵,所述第一识别模型为所述第一数量个识别模型中的任一个识别模型,所述第一阻塞区域为所述第二数量种阻塞区域中的任一种阻塞区域;
根据所述第一识别模型的识别准确度,和所述第一识别模型识别所述第一阻塞区域的信息熵,确定所述第一识别模型对所述第一阻塞区域的置信度。
5.根据权利要求4所述的方法,其特征在于,在所述根据所述第一识别模型的识别准确度,和所述第一识别模型识别所述第一阻塞区域的信息熵,确定所述第一识别模型对所述第一阻塞区域的置信度之后,所述根据每个所述识别模型的识别准确度和混淆矩阵,确定每个所述识别模型对每种所述阻塞区域的置信度,还包括:
根据预设的识别模型与阻塞区域的关联关系,确定所述第一识别模型与所述第一阻塞区域是否存在关联;
若所述第一识别模型与所述第一阻塞区域存在关联,根据所述第一识别模型与所述第一阻塞区域对应的附加值,修正所述第一识别模型对所述第一阻塞区域的置信度。
6.根据权利要求1所述的方法,其特征在于,所述根据每种所述导联数据与该种阻塞区域的匹配度,和每个所述识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度,包括:
将每种所述导联数据与第二阻塞区域的匹配度,与该种导联数据对应的识别模型对所述第二阻塞区域的置信度的乘积,进行求和,以得到所述第二阻塞区域对应的总匹配度,所述第二阻塞区域为所述第二数量种阻塞区域中的任一种阻塞区域。
7.根据权利要求1所述的方法,其特征在于,在所述根据每种所述阻塞区域对应的所述总匹配度,确定目标阻塞区域之后,所述方法还包括:
根据预设的阻塞区域与心肌位置的第一对应关系,确定所述目标阻塞区域对应的目标心肌位置;
根据预设的心肌位置与冠状动脉的第二对应关系,确定所述目标心肌对应的目标冠状动脉;
所述将所述目标阻塞区域作为所述待测心电数据的识别结果,包括:
将所述目标阻塞区域、所述目标心肌位置、所述目标冠状动脉中的至少一个,作为所述识别结果。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述第一数量个识别模型中的每个所述识别模型的训练方式包括:
获取第二识别模型对应的训练输入集和训练输出集,所述训练输入集中的每个训练输入包括所述第二识别模型对应的训练导联数据,所述训练输出集中包括与每个所述训练输入对应的训练输出,每个所述训练输出包括对应的所述训练导联数据对应的实际阻塞区域,所述第二识别模型为所述第一数量个识别模型中的任一个识别模型;
将所述训练输入集作为所述第二识别模型的输入,将所述训练输出集作为所述第二识别模型的输出,以训练所述第二识别模型。
9.根据权利要求8所述的方法,其特征在于,每个所述识别模型的训练方式还包括:
获取所述第二识别模型对应的验证输入集和验证输出集,所述验证输入集中的每个验证输入包括所述第二识别模型对应的验证导联数据,所述验证输出集中包括与每个所述验证输入对应的验证输出,每个所述验证输出包括对应的所述验证导联数据对应的实际阻塞区域;
将所述验证输入集作为训练后的所述第二识别模型的输入,将所述验证输出集作为训练后的所述第二识别模型的输出,以调整训练后的所述第二识别模型中包括的超参数。
10.一种心电数据的识别装置,其特征在于,所述装置包括:
获取模块,用于获取待测心电数据,所述待测心电数据包括第一数量种导联数据;
第一处理模块,用于针对每种所述导联数据,在预先训练的所述第一数量个识别模型中,确定该种导联数据对应的目标识别模型,并将该种导联数据输入所述目标识别模型,以得到所述目标识别模型输出的该种导联数据与第二数量种阻塞区域中每种所述阻塞区域的匹配度,每个所述识别模型对应一种所述导联数据;
第二处理模块,用于针对每种所述阻塞区域,根据每种所述导联数据与该种阻塞区域的匹配度,和每个所述识别模型对该种阻塞区域的置信度,确定该种阻塞区域对应的总匹配度;
识别模块,用于根据每种所述阻塞区域对应的所述总匹配度,确定目标阻塞区域,并将所述目标阻塞区域作为所述待测心电数据的识别结果。
11.一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,该程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
12.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211364.6A CN112401903B (zh) | 2020-11-03 | 2020-11-03 | 心电数据的识别方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211364.6A CN112401903B (zh) | 2020-11-03 | 2020-11-03 | 心电数据的识别方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112401903A CN112401903A (zh) | 2021-02-26 |
CN112401903B true CN112401903B (zh) | 2023-12-22 |
Family
ID=74828306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211364.6A Active CN112401903B (zh) | 2020-11-03 | 2020-11-03 | 心电数据的识别方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112401903B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005072607A1 (en) * | 2004-01-16 | 2005-08-11 | Newcardio, Inc. | Visual three-dimensional presentation of ecg data |
KR20060082677A (ko) * | 2005-01-13 | 2006-07-19 | 인하대학교 산학협력단 | 심전도를 이용한 생체인식 시스템 및 방법 |
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*** |
CN104463326A (zh) * | 2014-12-09 | 2015-03-25 | 浙江大学 | 一种标准12导联心电信号重建方法 |
CN107978001A (zh) * | 2016-10-24 | 2018-05-01 | 北京东软医疗设备有限公司 | 一种重建心脏ct图像的方法和装置 |
RU2016146176A3 (zh) * | 2016-11-24 | 2018-05-24 | ||
WO2018165271A1 (en) * | 2017-03-07 | 2018-09-13 | Alivecor, Inc. | Systems and methods of identity analysis of electrocardiograms |
CN109431492A (zh) * | 2018-10-16 | 2019-03-08 | 上海优加利健康管理有限公司 | 基于神经网络算法的心电图导联数据模拟重建方法 |
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 |
WO2019100562A1 (zh) * | 2017-11-27 | 2019-05-31 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN109998532A (zh) * | 2019-06-04 | 2019-07-12 | 广州视源电子科技股份有限公司 | 基于多导联多结构聚合网络的心电信号识别方法和装置 |
WO2019161610A1 (zh) * | 2018-02-24 | 2019-08-29 | 乐普(北京)医疗器械股份有限公司 | 心电信息处理方法和心电工作站*** |
CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
CN110507314A (zh) * | 2019-08-30 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种心电导联扩展方法及装置 |
CN110522440A (zh) * | 2019-08-12 | 2019-12-03 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置 |
CN110801218A (zh) * | 2019-11-13 | 2020-02-18 | 清华大学 | 心电图数据处理方法、装置、电子设备及计算机可读介质 |
WO2020052713A2 (de) * | 2018-09-10 | 2020-03-19 | Cardisio Gmbh | Verfahren und einrichtung zur herzüberwachung |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111568410A (zh) * | 2020-05-18 | 2020-08-25 | 中国矿业大学 | 一种基于12导联和卷积神经网络的心电数据分类方法 |
CN211432900U (zh) * | 2019-12-25 | 2020-09-08 | 陕西爱吉特科技有限公司 | 一种人体心血健康综合参数检测*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3364875A2 (en) * | 2015-10-21 | 2018-08-29 | Peacs B.v. | Heart condition determination method, robot control and system |
-
2020
- 2020-11-03 CN CN202011211364.6A patent/CN112401903B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005072607A1 (en) * | 2004-01-16 | 2005-08-11 | Newcardio, Inc. | Visual three-dimensional presentation of ecg data |
KR20060082677A (ko) * | 2005-01-13 | 2006-07-19 | 인하대학교 산학협력단 | 심전도를 이용한 생체인식 시스템 및 방법 |
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*** |
CN104463326A (zh) * | 2014-12-09 | 2015-03-25 | 浙江大学 | 一种标准12导联心电信号重建方法 |
CN107978001A (zh) * | 2016-10-24 | 2018-05-01 | 北京东软医疗设备有限公司 | 一种重建心脏ct图像的方法和装置 |
RU2016146176A3 (zh) * | 2016-11-24 | 2018-05-24 | ||
WO2018165271A1 (en) * | 2017-03-07 | 2018-09-13 | Alivecor, Inc. | Systems and methods of identity analysis of electrocardiograms |
WO2019100562A1 (zh) * | 2017-11-27 | 2019-05-31 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
WO2019161610A1 (zh) * | 2018-02-24 | 2019-08-29 | 乐普(北京)医疗器械股份有限公司 | 心电信息处理方法和心电工作站*** |
WO2020052713A2 (de) * | 2018-09-10 | 2020-03-19 | Cardisio Gmbh | Verfahren und einrichtung zur herzüberwachung |
CN109431492A (zh) * | 2018-10-16 | 2019-03-08 | 上海优加利健康管理有限公司 | 基于神经网络算法的心电图导联数据模拟重建方法 |
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 |
CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
CN109998532A (zh) * | 2019-06-04 | 2019-07-12 | 广州视源电子科技股份有限公司 | 基于多导联多结构聚合网络的心电信号识别方法和装置 |
CN110522440A (zh) * | 2019-08-12 | 2019-12-03 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置 |
CN110507314A (zh) * | 2019-08-30 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种心电导联扩展方法及装置 |
CN110801218A (zh) * | 2019-11-13 | 2020-02-18 | 清华大学 | 心电图数据处理方法、装置、电子设备及计算机可读介质 |
CN211432900U (zh) * | 2019-12-25 | 2020-09-08 | 陕西爱吉特科技有限公司 | 一种人体心血健康综合参数检测*** |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111568410A (zh) * | 2020-05-18 | 2020-08-25 | 中国矿业大学 | 一种基于12导联和卷积神经网络的心电数据分类方法 |
Non-Patent Citations (18)
Title |
---|
BSPM分析与处理方法对急性心肌梗塞部位与范围识别能力的仿真研究;李光林, 吕维雪;中国生物医学工程学报(第02期);全文 * |
Cash, NR (Cash, Nancy R.) [1] * |
Deo, R (Deo, Rajat) [1] ; Frankel, DS (Frankel, David S.) [1] * |
Impact of a nurse-led limited risk factor modification program on arrhythmia outcomes in patients with atrial fibrillation undergoing catheter ablation;Yaeger, A (Yaeger, Amaryah) [1] ; Keenan, BT (Keenan, Brendan T.) [2] ; Cash, NR (Cash, Nancy R.) [1] ; Parham, T (Parham, Tara) [1] ; Deo, R (Deo, Rajat) [1] ; Frankel, DS (Frankel, David S.) [1] ; Schaller, RD (Schaller, Robert D.) [1] ; Santangeli, P (Santangeli, Pasquale) [1] ; Nazarian, S (Nazarian, Saman) [1] ; Supple, GE (Supple, Gregory E.) [1] ;;《JOURNAL OF CARDIOVASCULAR ELECTROPHYSIOLOGY 》;第31卷(第2期);423-431 * |
Keenan, BT (Keenan, Brendan T.) [2] * |
Li, MC (Li, Mingchun) [1] ; He, G (He, Gary) [1] ; Zhu, BF (Zhu, Baofeng) [1] .Atrial Fibrillation Detection Based on the Combination of Depth and Statistical Features of ECG.《ICGSP '19 - PROCEEDINGS OF THE 2019 3RD INTERNATIONAL CONFERENCE ON GRAPHICS AND SIGNAL PROCESSING》.2019,105-112. * |
Nazarian, S (Nazarian, Saman) [1] * |
Parham, T (Parham, Tara) [1] * |
Santangeli, P (Santangeli, Pasquale) [1] * |
Schaller, RD (Schaller, Robert D.) [1] * |
Supple, GE (Supple, Gregory E.) [1] * |
Yaeger, A (Yaeger, Amaryah) [1] * |
区域心电监护物联网云计算平台关键技术研究;杨枢;邱昱炎;石波.;《中国医疗器械杂志》;第40卷(第05期);341-343 * |
单通道诱发电位信号的快速提取算法研究;毕峰;《CNKI》;全文 * |
基于BiGRU深度神经网络的心肌梗死检测;张行进;李润川;赵红领;王宗敏.;《计算机应用与软件》;第37卷(第02期);48-53 * |
基于LSTM的心血管疾病辅助诊断研究;郭赛迪;《万方》;全文 * |
基于确定学习及心电动力学图的心肌缺血早期检测研究;孙庆华;王磊;王聪;王乾;吴伟明;赵媛媛;王喜萍;董潇男;周彬;唐闽;;自动化学报(第09期);全文 * |
基于集成学习的束支传导阻滞识别方法;徐久强;张金鹏;贾玉其;邵建新;;东北大学学报(自然科学版)(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112401903A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11890103B2 (en) | Identifying ECG signals having the same morphology | |
CN107391900B (zh) | 房颤检测方法、分类模型训练方法及终端设备 | |
CN109091138B (zh) | 心律失常起源点的判断装置及标测*** | |
CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
CN111345816B (zh) | 多导联qrs波群检测方法、装置、设备及存储介质 | |
IL278372B1 (en) | Optimization of EKG signal mapping. Retrospectively by discovering inconsistencies | |
CN108154085B (zh) | 基于心电数据进行身份识别的方法、装置及电子设备 | |
CN109770862A (zh) | 心电信号分类方法、装置、电子设备和存储介质 | |
CN110522442B (zh) | 多导联心电异常检测装置、电子设备和存储介质 | |
CN110226921A (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN111588353A (zh) | 一种体温测量方法 | |
CN110522443B (zh) | 基于心电信号的房室传导阻滞检测方法、装置和电子设备 | |
CN111839494A (zh) | 一种心率监测方法及*** | |
CN112401903B (zh) | 心电数据的识别方法、装置、存储介质和电子设备 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
CN116236208A (zh) | 一种基于人体体表特征的多导联心电电极贴片定位方法 | |
TWI768624B (zh) | 預測冠狀動脈的阻塞的電子裝置和方法 | |
KR102400652B1 (ko) | 딥러닝 기반 비침습 데이터를 활용한 환자의 저혈압 예측 방법 및 장치 | |
CN115868940B (zh) | 一种基于iabp的生理信号质量评估方法及装置 | |
CN114343666B (zh) | 针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备 | |
EP3571985B1 (en) | Identifying activations in an atrial fibrillation electrogram | |
CN112716504B (zh) | 心电数据的处理方法、装置、存储介质和电子设备 | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及*** | |
Pulavskyi et al. | Determination of the signal-to-noise ratio for noisy electrocardiogram using lossless data compression |
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 |