CN112741623B - 一种基于心电的糖化血红蛋白检测***和方法 - Google Patents
一种基于心电的糖化血红蛋白检测***和方法 Download PDFInfo
- Publication number
- CN112741623B CN112741623B CN202011429924.5A CN202011429924A CN112741623B CN 112741623 B CN112741623 B CN 112741623B CN 202011429924 A CN202011429924 A CN 202011429924A CN 112741623 B CN112741623 B CN 112741623B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignals
- electrocardiosignal
- module
- neural network
- output
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本说明书实施例的目的是提供一种基于心电的糖化血红蛋白检测方法和***,对心电信号进行自相关计算判断心电质量,使用卷积神经网络实现心电信号的特征提取和预分类结果的输出,自动适应类别权重,从而计算糖化血红蛋白的水平,实现糖化血红蛋白水平的检测,从而为患者提供一种无创、快速、低成本的糖化血红蛋白检测方案。
Description
技术领域
本发明属于医疗健康技术领域,特别涉及种一种基于心电的糖化血红蛋白检测***和方法。
背景技术
糖化血红蛋白是血红蛋白的某些特殊分子部位和葡萄糖经过缓慢而不可逆的反应结合而成的稳定的化合物,其含量的多少取决于血糖浓度以及血糖与血红蛋白接触时间,而与抽血时间、患者是否空腹、是否使用胰岛素等因素无关。
糖化血红蛋白可以用于评估糖尿病患者血糖控制的效果,又是评价血糖管理治疗方案的有效指标。糖化血红蛋白还是世界卫生组织和许多国家糖尿病学会推荐的糖尿病首选诊断指标。与传统的糖尿病诊断指标相比,糖化血红蛋白具有生物学变异性小、不易受血糖波动的影响,在临床评价中具有重要的意义。
目前糖化血糖蛋白的检测方法主要是通过获取患者的静脉血液,并通过利用离子层析法、电泳法、亲和层析法、离子捕获法和免疫法等等实现糖化血红蛋白的检测。例如:一种糖化血红蛋白的检测方法及其试剂盒(申请号:2015102957159);糖化血红蛋白免疫层析试纸条及其制备方法和试剂盒(申请号:2019112283023)。
然而,上述方法存在如下缺点:目前糖化血红蛋白的检测方法首先需要获取患者的血液,检测方法为有创的,会给患者带来较大的疼痛和感染的风险;由于设备操作问题,糖化血红蛋白的检测一般只能在医院进行,检测成本较大,所需时间较长;目前糖化血红蛋白的检测方法不适用于患者的自我检测。
心血管神经自主病变与糖化血红蛋白的水平密切相关。高的糖化血红蛋白水平会损伤心血管自主神经***的调控,导致心血管神经***发生病变,从而引起心脏活动的异常。心电信号是一种能够全面反映心脏活动的波形,因此,通过检测心电信号的变化,可以推算出糖化血红蛋白的水平。
发明内容
本说明书实施例的目的是提供一种基于心电的糖化血红蛋白检测方法和***,采用基于自适应权重的深度学***的检测,从而为患者提供一种无创、快速、低成本的糖化血红蛋白检测方案。
为解决上述技术问题,本说明书实施例通过以下方式实现的:
第一方面,提出了一种基于心电的糖化血红蛋白检测***,包括:心电信号获取模块、心电信号预处理模块、特征提取及识别模块和结果显示模块;
所述心电信号获取模块获取心电信号,将心电信号发送至所述心电预处理模块;
所述心电信号预处理模块对所获取的心电信号的质量进行判断;
所述特征提取及识别模块提取心电信号的特征,根据心电信号的特征实现糖化血红蛋白水平的识别。
第二方面,提出了一种基于心电的糖化血红蛋白检测方法,包括如下步骤:
步骤1、心电信号获取;
步骤2、心电信号预处理,对所获取的心电信号的质量进行判断;
步骤3、特征提取及识别,通过深度学***的识别;
步骤4、结果显示。
由以上本说明书实施例提供的技术方案可见,本发明可以为糖尿病患者提供一种无创、低成本、方便快捷的糖化血红蛋白检测方法,可有效减少患者到医院检查糖化血红蛋白水平的次数,并且本发明还可以实现糖化血红蛋白的快速筛查,在社区病人的糖化血红蛋白检测中具有重要的意义;
本发明基于自相关分析的心电信号预处理可以快速判断该段心电信号的质量,如心电信号是否受到外界噪声的干扰或者发生电极脱落等。如果所获取的心电信号不满足要求,则需重新采集;本发明基于自适应权重的深度学***检测的准确度,减少样本的训练时间。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书的书的一个实施例提供的基于心电的糖化血红蛋白检测***的结构示意图;
图2为本说明书的特征提取及识别模块实现原理示意图;
图3为本说明书的卷积神经网络子模块构成框架图;
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
实施例一
参照图1所示,本说明书实施例提供的一种基于心电的糖化血红蛋白检测***的结构示意图,该检测***可以包括:心电信号获取模块1、心电信号预处理模块2、特征提取及识别模块3、结果显示模块4。
其中,所述心电信号获取模块1通过无创传感方法获取患者的心电信号,具体实现步骤如下:
步骤101、患者佩戴心电信号采集器,所述心电信号采集器为一通道三电极采集模式。
可选地,所述三个电极可以分别放置在左脚腕,右脚腕,左手腕部位;也可以放置在患者的胸部、手臂等其他部位。
步骤102、所述三个电极佩戴完成后,激活所述心电信号获取模块1,开始自动采集信号。
进一步,所需采集的心电信号长度为60秒。
步骤103、采集完毕后,将心电信号发送至所述心电预处理模块2。
其中,所述心电信号预处理模块2对所获取的心电信号的质量进行判断是否符合要求,判断的方法为自相关分析法,具体实现步骤如下:
步骤201、对心电信号进行自相关计算,如式(1)所示:
Rf(τ)=f(τ)*f*(-τ)=∫f(t)f*(t-τ)=∫f(t+τ)f*(t) (1)
其中,f(t)表示t时刻的心电值,给出Rf(τ)表示时间滞后τ时的自相关结果,f(τ)表示τ时刻的心电值,f*(-τ)表示f(τ)的共轭。
步骤202、对自相关结果进行归一化处理,如式(2)所示:
其中,Rf(0)表示t=0时刻的自相关结果,即此时信号为零滞后,自相关值为最大,Rf,coeff(τ)表示结果归一化后且时间滞后τ时的自相关结果。
步骤203、分析不同时刻中的自相关归一化结果,采用差分计算方法,获取自相关归一化结果中的极大值及其所在的时刻。
步骤204、对所提取的极大值按从大到小进行排序,即Rf={Rf,coeff(t1),Rf,coeff(t2),...,Rf,coeff(tN)}。
其中,N值的大小取决于心电信号的总时间长度T和心电信号的采样率S,即N=T·S,总时间长度T的单位为秒,采样率S的单位为赫兹,Rf表示一个集合,即步骤204中所提取的所有极大值按从大到小排序的集合。
步骤205、选择步骤204中的前两个极大值的位置P1_position和P2_position,计算这两个位置的时间长度差值。
步骤206、判断步骤205中所述的时间长度差值是否在合适的范围内(时间长度差值优选为如0.5秒至1.5秒),如果是,则表明所获取的心电信号质量满足要求,将心电信号发送至所述特征提取及识别模块3进行进一步分析处理;如果否,则将指令发送至所述心电信号获取模块1,提醒患者需重新采集心电信号。
参照图2所示,所述特征提取及识别模块3通过深度学***的识别,所述特征提取及识别模块3其包括信号分割子模块31、卷积神经网络子模块32和自适应权重判别子模块33。
其中,所述信号分割子模块31将心电信号平均划分为多个心电片段。
进一步地,60秒的1通道心电信号可以划为20个心电片段,0-3秒的心电为第一心电片段,3-6秒的心电为第二心电片段,6-9秒的心电为第三心电片段,以此类推。
其中,所述卷积神经网络子模块32实现心电信号的特征提取和预分类结果输出。参照图3所示,心电信号的特征提取采用卷积神经网络算法实现,所述卷积神经网络算法包括5个卷积子层以及3个全连接层,每个所述卷积子层包含卷积层、批量归一化层、最大池化层、激活层、最大池化层和信号丢弃层,每个所述心电片段作为卷积神经网络子模块的输入,经过5个卷积子层和3个全连接层后将预分类结果输出。
在所述卷积神经网络子模块32中实现心电信号特征的自动提取和分析,识别出与糖化血红蛋白水平变化密切相关的心电特征,将该特征为可识别的特征。根据这些特征,卷积神经网络子模块实现糖化血红蛋白水平的预分类,输出预分类结果。
其中,所述自适应权重判别子模块33根据所述卷积神经网络子模块32输出的预分类结果,自动适应每种类别的权重,并计算糖化血红蛋白的水平,具体实现步骤如下:
步骤331、计算预分类结果的输出。
假定每一个心电片段经过卷积神经网络子模块的训练后,其预分类结果输出为{r'1,r'2,r'3,..,r'9},则,r′1为HbA1c≤6.5%的概率,r'2为6.5%<HbA1c≤7.0%的概率,r'3为7.0%<HbA1c≤7.5%的概率,r'4为7.5%<HbA1c≤8.0%的概率,r'5为8.0%<HbA1c≤8.5%的概率,r'6为8.5%<HbA1c≤9.0%的概率,r'7为9.0%<HbA1c≤10.0%的概率,r'8为10.0%<HbA1c≤11.0%的概率,r'9为HbA1c>11.0%的概率,HbA1c表示糖化血红蛋白水平;
步骤332、归一化。
采用指数归一化方法,对预分类结果的输出进行归一化,如式(3)所示,
其中,给出ri代表对预分类结果{r'1,r'2,r'3,..,r'9}进行指数归一化所得到的第i个值。
步骤333、构建输出矩阵。
对于一个完整的心电信号,其经过所述卷积神经网络子模块32后的输出可以表示为式(4)所示,其中{r1,1,r1,2,r1,3,r1,N-1,r1,N}表示第一个心电片段的输出结果,{r2,1,r2,2,r2,3,r2,N-1,r2,N}表示第二个心电片段的输出结果,以此类推,R(M×N)表示一个完整心电信号经过卷积神经网络子模块后的输出结,N表示糖化血红蛋白水平划分的类型;M表示在一个完整的心电信号中被划分的心电片段的数目。
进一步地,60秒的心电信号划为20个心电片段,则M=20。
优选地,N=9。
步骤334、构建权重矩阵;
每个心电片段的权重分配如式(5)所示,其中{ω1,1,ω1,2,ω1,3,ω1,N-1,ω1,N}表示第一个心电片段的在每种糖化血红蛋白水平的类型的权重,{ω2,1,ω2,2,ω2,3,ω2,N-1,ω2,N}表示第二个心电片段的在每种糖化血红蛋白水平的类型的权重,以此类推,ωm,n为式(5)中第(m,n)个元素值,且rm,n为式(4)中第(m,n)个元素值,rmax为式(4)中最大的元素值,rmin为式(4)中最小的元素值,
W(M×N)表示所构建的权重矩阵;
步骤335、预测糖化血红蛋白水平。
根据不同的权重,其最终输出结果可表示如式(7)所示,通过获取R'(1×N)矩阵中最大值的位置,该位置则表示所预测的糖化血红蛋白水平的最大可能性。
其中,一维矩阵R'(1×N)代表最终输出结果,其为一个1×N的矩阵(当N=9时,其为1×9的矩阵,即该矩阵中有9个元素),通过获取该矩阵中最大值元素所在的位置得到糖化血红蛋白水平值,如果最大值元素的位置为1,则表明糖化血红蛋白水平HbA1c≤6.5%。若最大值元素的位置为2,则表明6.5%<HbA1c≤7.0%,依次类推。
其中,所述结果显示模块4显示测量结果,包括心电信号采集的结果和糖化血红蛋白水平的预测结果。当心电信号采集不正确或者不完整时,所述结果显示模块4可即时提示患者重新采集。当预测糖化血红蛋白水平过高时,提醒患者及时到医院进行进一步的检查。
实施例二
本说明书实施例提供的一种基于心电的糖化血红蛋白检测方法,该检测方法包括如下步骤:
步骤1、心电信号获取,通过无创传感方法获取患者的心电信号。
步骤2、心电信号预处理,对所获取的心电信号的质量进行判断是否符合要求,判断的方法为自相关分析法;
步骤3、特征提取及识别,通过深度学***的识别;
步骤4、结果显示,显示内容包括心电信号采集的结果和糖化血红蛋白水平的预测结果,当心电信号采集不正确或者不完整时,即时提示患者重新采集;当预测糖化血红蛋白水平过高时,提醒患者及时到医院进行进一步的检查。
其中,所述步骤1具体实现步骤如下:
步骤101、患者佩戴心电信号采集器,所述心电信号采集器为一通道三电极采集模式。
可选地,所述三个电极可以分别放置在左脚腕,右脚腕,左手腕部位;也可以放置在患者的胸部、手臂等其他部位。
步骤102、所述三个电极佩戴完成后,激活心电信号获取模块1,开始自动采集信号。
进一步,所需采集的心电信号长度为60秒。
步骤103、采集完毕后,将心电信号发送至心电预处理模块2。
其中,所述步骤2具体实现步骤如下:
步骤201、对心电信号进行自相关计算,如式(1)所示:
Rf(τ)=f(τ)*f*(-τ)=∫f(t)f*(t-τ)=∫f(t+τ)f*(t) (1)
其中,f(t)表示t时刻的心电值,Rf(τ)表示时间滞后τ时的自相关结果,f(τ)表示τ时刻的心电值,f*(-τ)表示f(τ)的共轭。
步骤202、对自相关结果进行归一化处理,如式(2)所示:
其中,Rf(0)表示t=0时刻的自相关结果,即此时信号为零滞后,自相关值为最大,Rf,coeff(τ)表示结果归一化后且时间滞后τ时的自相关结果。
步骤203、分析不同时刻中的自相关结果,采用差分计算方法,获取自相关结果中的极大值及其所在的时刻。
步骤204、对所提取的极大值按从大到小进行排序,即Rf={Rf,coeff(t1),Rf,coeff(t2),...,Rf,coeff(tN)}。
其中,N值的大小取决于心电信号的总时间长度T和心电信号的采样率S,即N=T·S,总时间长度T的单位为秒,采样率S的单位为赫兹,Rf代表一个集合,即步骤204中所提取的所有极大值按从大到小排序的集合。
步骤205、选择步骤204中的前两个极大值的位置P1_position和P2_position,计算这两个位置的时间长度差值。
步骤206、判断步骤205中所述的时间长度差值是否在合适的范围内(时间长度差值优选为如0.5秒至1.5秒),如果是,则表明所获取的心电信号质量满足要求,进入步骤3;如果否,返回步骤1,提醒患者需重新采集心电信号。
其中,所述步骤3包括如下步骤:
步骤31、信号分割,将心电信号平均划分为多个心电片段。
进一步地,以60秒的1通道心电信号可以划为20个心电片段,0-3秒的心电为第一心电片段,3-6秒的心电为第二心电片段,6-9秒的心电为第三心电片段,以此类推。
步骤32、神经网络卷积,实现心电信号的特征提取和预分类结果输出。参照图3所示,心电信号的特征提取采用卷积神经网络算法实现,所述卷积神经网络算法包括5个卷积子层以及3个全连接层,每个所述卷积子层包含卷积层、批量归一化层、最大池化层、激活层、最大池化层和信号丢弃层,每个所述心电片段作为卷积神经网络子模块的输入,经过5个卷积子层和3个全连接层后将预分类结果输出。
在所述卷积神经网络子模块32中实现心电信号特征的自动提取和分析,识别出与糖化血红蛋白水平变化密切相关的心电特征,将该特征为可识别的特征。根据这些特征,卷积神经网络子模块实现糖化血红蛋白水平的预分类,输出预分类结果。
步骤33、自适应权重判别,根据所述卷积神经网络子模块32输出的预分类结果,自动适应每种类别的权重,并计算糖化血红蛋白的水平。
其中,步骤33具体实现步骤如下:
步骤331、计算预分类结果的输出。
假定每一个心电片段经过卷积神经网络子模块的训练后,其预分类结果输出为{r'1,r'2,r'3,..,r'9},则,r′1为HbA1c≤6.5%的概率,r'2为6.5%<HbA1c≤7.0%的概率,r'3为7.0%<HbA1c≤7.5%的概率,r'4为7.5%<HbA1c≤8.0%的概率,r'5为8.0%<HbA1c≤8.5%的概率,r'6为8.5%<HbA1c≤9.0%的概率,r'7为9.0%<HbA1c≤10.0%的概率,r'8为10.0%<HbA1c≤11.0%的概率,r'9为HbA1c>11.0%的概率,HbA1c表示糖化血红蛋白水平;
步骤332、归一化。
采用指数归一化方法,对预分类结果的输出进行归一化,如式(3)所示,
其中,给出ri代表对预分类结果{r'1,r'2,r'3,..,r'9}进行指数归一化所得到的第i个值。
步骤333、构建输出矩阵。
对于一个完整的心电信号,其经过所述卷积神经网络子模块32后的输出可以表示为式(4)所示,其中{r1,1,r1,2,r1,3,r1,N-1,r1,N}表示第一个心电片段的输出结果,{r2,1,r2,2,r2,3,r2,N-1,r2,N}表示第二个心电片段的输出结果,以此类推,R(M×N)表示一个完整心电信号经过卷积神经网络子模块后的输出结果,N表示糖化血红蛋白水平划分的类型;M表示在一个完整的心电信号中被划分的心电片段的数目。
进一步地,60秒的心电信号划为20个心电片段,则M=20。
优选地,N=9。
步骤334、构建权重矩阵。
每个心电片段的权重分配如式(5)所示,其中{ω1,1,ω1,2,ω1,3,ω1,N-1,ω1,N}表示第一个心电片段的在每种糖化血红蛋白水平的类型的权重,{ω2,1,ω2,2,ω2,3,ω2,N-1,ω2,N}表示第二个心电片段的在每种糖化血红蛋白水平的类型的权重,以此类推,ωm,n为式(5)中第(m,n)个元素值,且rm,n为式(4)中第(m,n)个元素值,rmax为式(4)中最大的元素值,rmin为式(4)中最小的元素值,
其中,W(M×N)表示所构建的权重矩阵;
步骤335、预测糖化血红蛋白水平。
根据不同的权重,其最终输出结果可表示如式(7)所示,通过获取R'(1×N)矩阵中最大值的位置,该位置则表示所预测的糖化血红蛋白水平的最大可能性。
其中,一维矩阵R'(1×N)代表最终输出结果,其为一个1×N的矩阵(当N=9时,其为1×9的矩阵,即该矩阵中有9个元素),通过获取该矩阵中最大值元素所在的位置得到糖化血红蛋白水平值,如果最大值元素的位置为1,则表明糖化血红蛋白水平HbA1c≤6.5%。若最大值元素的位置为2,则表明6.5%<HbA1c≤7.0%,依次类推。
上述如本说明书所示实施例揭示的基于心电的糖化血红蛋白检测***执行的检测方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或当然,除了软件实现方式之外,本说明书实施例的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
总之,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书的保护范围之内。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (8)
1.一种基于心电的糖化血红蛋白检测***,包括:心电信号获取模块、心电信号预处理模块、特征提取及识别模块和结果显示模块;
所述心电信号获取模块获取心电信号,将心电信号发送至所述心电信号预处理模块;
所述心电信号预处理模块对所获取的心电信号的质量进行判断;
所述特征提取及识别模块提取心电信号的特征,根据心电信号的特征实现糖化血红蛋白水平的识别;
其中,所述特征提取及识别模块包括信号分割子模块、卷积神经网络子模块和自适应权重判别子模块;
所述信号分割子模块将心电信号平均划分为多个心电片段;
所述卷积神经网络子模块实现心电信号的特征提取和预分类结果的输出;
所述自适应权重判别子模块根据所述卷积神经网络子模块输出的预分类结果,自动适应每种类别的权重,并计算糖化血红蛋白的水平。
2.根据权利要求1所述的一种基于心电的糖化血红蛋白检测***,其特征在于所述心电信号预处理模块对所获取的心电信号的质量进行判断包括:对心电信号进行自相关计算,归一化处理,获取极大值,根据极大值排序前两个极大值的位置的时间长度差值判断心电信号质量是否满足要求。
3.根据权利要求1所述的一种基于心电的糖化血红蛋白检测***,其特征在于自动适应每种类别的权重,并计算糖化血红蛋白的水平具体包括:计算预分类结果的输出,归一化,构建输出矩阵,构建权重矩阵,预测糖化血红蛋白水平。
4.一种基于心电的糖化血红蛋白检测方法,包括如下步骤:
步骤1、心电信号获取;
步骤2、心电信号预处理,对所获取的心电信号的质量进行判断;
步骤3、特征提取及识别,提取心电信号的特征,根据心电信号的特征实现糖化血红蛋白水平的识别;
步骤4、结果显示;
其中,所述步骤3包括如下步骤:
步骤31、信号分割,将心电信号平均划分为多个心电片段;
步骤32、卷积神经网络实现心电信号的特征提取和预分类结果输出;
步骤33、根据输出的预分类结果,自动适应每种类别的权重,计算糖化血红蛋白的水平。
5.根据权利要求4所述的一种基于心电的糖化血红蛋白检测方法,其特征在于所述步骤1包括如下步骤:
步骤101、患者佩戴心电信号采集器;
步骤102、激活心电信号获取模块,开始自动采集信号;
步骤103、采集完毕后,将心电信号发送至所述心电信号预处理模块。
6.根据权利要求4所述的一种基于心电的糖化血红蛋白检测方法,其特征在于所述步骤2包括如下步骤:
步骤201、对心电信号进行自相关计算;
步骤202、对自相关结果进行归一化处理;
步骤203、分析不同时刻中的自相关结果,采用差分计算方法,获取自相关结果中的极大值及其所在的时刻;
步骤204、对所提取的极大值按从大到小进行排序;
步骤205、选择步骤204中的前两个极大值的位置,计算这两个位置的时间长度差值;
步骤206、判断步骤205中所述的时间长度差值是否在合适的范围内,如果是,则表明所获取的心电信号质量满足要求,进入步骤3;如果否,返回步骤1,提醒患者需重新采集心电信号。
7.根据权利要求4所述的一种基于心电的糖化血红蛋白检测方法,其特征在于所述步骤32中:心电信号的特征提取采用卷积神经网络算法实现,所述卷积神经网络算法包括5个卷积子层以及3个全连接层,每个所述卷积子层包含卷积层、批量归一化层、最大池化层、激活层、最大池化层和信号丢弃层,每个所述心电片段作为卷积神经网络子模块的输入,经过5个卷积子层和3个全连接层后将预分类结果输出。
8.根据权利要求4所述的一种基于心电的糖化血红蛋白检测方法,其特征在于步骤33包括如下步骤:
步骤331、每一个心电片段经过卷积神经网络子模块的训练后,计算不同糖化血红蛋白水平对应的概率,构成预分类结果;
步骤332、对预分类结果的输出进行归一化;
步骤333、根据归一化的预分类结果构建输出矩阵;
步骤334、根据心电片段的权重以及糖化血红蛋白水平的类型构建权重矩阵;
步骤335、结合步骤333和步骤334构成一维矩阵,获取所述一维矩阵中最大值的位置,该位置表示所预测的糖化血红蛋白水平的最大可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429924.5A CN112741623B (zh) | 2020-12-09 | 2020-12-09 | 一种基于心电的糖化血红蛋白检测***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429924.5A CN112741623B (zh) | 2020-12-09 | 2020-12-09 | 一种基于心电的糖化血红蛋白检测***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112741623A CN112741623A (zh) | 2021-05-04 |
CN112741623B true CN112741623B (zh) | 2022-09-27 |
Family
ID=75649114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011429924.5A Active CN112741623B (zh) | 2020-12-09 | 2020-12-09 | 一种基于心电的糖化血红蛋白检测***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112741623B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115944293B (zh) * | 2023-03-15 | 2023-05-16 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104305991B (zh) * | 2014-11-18 | 2016-06-01 | 北京海思敏医疗技术有限公司 | 从心电信号中检测噪声的方法和设备 |
EP3892317A1 (en) * | 2014-12-22 | 2021-10-13 | Medicus Engineering ApS | Closed-loop control of insulin infusion and system for measuring autonomic nervous system modulation |
CN107616782A (zh) * | 2017-09-06 | 2018-01-23 | 郑州云海信息技术有限公司 | 一种心电信号质量检测方法与装置 |
CN108461146B (zh) * | 2018-02-06 | 2019-12-03 | 北京大学深圳研究生院 | 一种基于心电信号的糖尿病病情评估方法及*** |
CN109171756A (zh) * | 2018-06-18 | 2019-01-11 | 广州普麦健康咨询有限公司 | 基于深度置信网络模型的糖尿病指标预测方法及其*** |
CN113658704A (zh) * | 2021-09-17 | 2021-11-16 | 平安国际智慧城市科技股份有限公司 | 糖尿病风险预测设备、装置和存储介质 |
-
2020
- 2020-12-09 CN CN202011429924.5A patent/CN112741623B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112741623A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110393519B (zh) | 心电信号的分析方法、装置、存储介质和处理器 | |
Lin et al. | A deep-learning algorithm (ECG12Net) for detecting hypokalemia and hyperkalemia by electrocardiography: algorithm development | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
US12023178B2 (en) | Method of detecting sepsis using vital signs, including systolic blood pressure, hematology parameters, and combinations thereof | |
US9801553B2 (en) | System, method, and computer program product for the real-time mobile evaluation of physiological stress | |
US20210153761A1 (en) | Method, system and non-transitory computer-readable recording medium for estimating arrhythmia by using artificial neural network | |
Hoog Antink et al. | Accuracy of heart rate variability estimated with reflective wrist-PPG in elderly vascular patients | |
CA2655126A1 (en) | Systems and methods for analyzing and assessing dementia and dementia-type disorders | |
KR20050017254A (ko) | 동잡음 제거된 혈류량 신호 검출 장치 및 방법, 그리고이를 이용한 스트레스 검사 장치 | |
CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
US20220313172A1 (en) | Prediabetes detection system and method based on combination of electrocardiogram and electroencephalogram information | |
WO2019234457A1 (en) | Detecting abnormalities in ecg signals | |
CN116196013B (zh) | 心电数据处理方法、装置、计算机设备与存储介质 | |
Nasimov et al. | A new approach to classifying myocardial infarction and cardiomyopathy using deep learning | |
CN112741623B (zh) | 一种基于心电的糖化血红蛋白检测***和方法 | |
Kulkarni et al. | Performance evaluation of deep learning models in detection of different types of arrhythmia using photo plethysmography signals | |
Padwal et al. | Accuracy of oscillometric blood pressure algorithms in healthy adults and in adults with cardiovascular risk factors | |
Bernal-Oñate et al. | Atrial fibrillation detection with spectral manifolds in low-dimensional latent spaces | |
Kim et al. | Identification of atrial fibrillation with single-lead mobile ECG during normal sinus rhythm using deep learning | |
Khundaqji et al. | Wearable technology to inform the prediction and diagnosis of cardiorespiratory events: a scoping review | |
US11432779B2 (en) | Method and device for capacitive touch panel based biosignal measurement | |
Seo et al. | A Deep Neural Network Based Wake-After-Sleep-Onset Time Aware Sleep Apnea Severity Estimation Scheme Using Single-Lead ECG Data | |
Pattyn et al. | Annotation-Based Evaluation of Wrist EDA Quality and Response Assessment Techniques. | |
CN113611412A (zh) | 一种t2dm引起冠心病风险的预测方法、装置及*** | |
CN116616790B (zh) | 心脏风险评估方法、装置、计算机设备与存储介质 |
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 |