CN115607166B - 一种心电信号智能分析方法及***、智能心电辅助*** - Google Patents
一种心电信号智能分析方法及***、智能心电辅助*** Download PDFInfo
- Publication number
- CN115607166B CN115607166B CN202211220314.3A CN202211220314A CN115607166B CN 115607166 B CN115607166 B CN 115607166B CN 202211220314 A CN202211220314 A CN 202211220314A CN 115607166 B CN115607166 B CN 115607166B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- electrocardio
- model
- critical value
- abnormality
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种心电信号智能分析方法及***、智能心电辅助***,方法包括如下步骤:获取多个心电信号、与心电信号相关联的患者其它信息、心电异常标签、心电危急值标签,构建样本数据集;将样本数据集划分为训练集、验证集和测试集,基于训练集构建训练心电异常识别模型、心电危急值识别模型,将待分析的心电信号输入训练好的心电异常识别模型,得到心电异常预测概率,当心电异常预测概率高于预设阈值时,再将心电信号及与心电信号关联的患者其它信息输入心电危急值识别模型,输出心电危急值预测概率。本申请方法及***,能够利用心电信号、与心电信号相关联的患者的其它信息,给出预测概率,提高心电信号异常识别、心电危急值识别的准确率。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种心电信号智能分析方法及***、智能心电辅助***。
背景技术
心电信号记录了心脏的电活动变化,是临床最常用的检查之一,对于心电信号的分析可以帮助提示心律失常、心肌缺血、心脏扩大与肥厚等心脏异常的可能性。心电危急值是指心电图记录到的可能危及生命、会导致严重血流动力学异常改变的心电图表现。心电危急值的识别在临床中尤为重要,早期识别、及时处理能有效地降低猝死等严重心血管事件的发生。
目前,对心电信号中记录的心电异常和危急值的识别需要心电判读医师人工判断,而我国每年心电检查数据量巨大,使得对心电信号分析的需求量非常大,仅靠人工难以满足。此外,对心电信号异常及危急值情况的识别和判断直接受到医师技术水平影响,而当前高水平医师资源缺乏,特别在我国的基层医疗机构中尤为突出,这进一步限制了对心电异常及危急值的识别、预警。
近年来,深度学习在心电异常识别领域发展显著,且体现出比传统算法更高的准确率,但前沿研究成果大多属于国外,国内研究进度相对落后,特别是对于心电危急值的识别和预警,现有的智能识别方法一般只对心电信号或测量值进行分析,相对缺乏对患者其它信息如既往史、服药史等信息的综合有效利用,存在识别模型精度不足的问题。
发明内容
本申请提供一种心电信号智能分析方法,能够综合、有效利用心电信号、与心电信号相关联的患者的其它信息,进行心电信号智能分析,得到心电异常预测概率、心电危急值预测概率,解决现有的智能识别方法存在的对患者其它信息的有效利用不足和模型精度不足的问题。
本技术方案同时提出一种心电信号智能分析***,能够实现自动化采集和利用心电信号、与患者相关联的患者的其它信息,进行心电信号智能分析,得到心电异常概率、心电危急值预测概率,解决现有识别模型精度不足的问题。
本技术方案还在于提供一种智能心电辅助***,解决现有***自动化、智能化程度低的问题。
为实现上述目的,具体技术方案如下:
一种心电信号智能分析方法,包括如下步骤:
获取多个心电信号、与心电信号相关联的患者的其它信息、以及心电异常标签、心电危急值标签,构建样本数据集D;
将样本数据集D划分为第一训练集D train,1 、验证集D vali 和测试集D test ;
构建心电异常识别模型框架,以第一训练集D train,1 为输入,训练得到心电异常识别模型;
构建用于训练心电危急值识别模型的第二训练集D train,2 ;
构建心电危急值识别模型框架,输入第二训练集D train,2 ,训练得到心电危急值识别模型;
将待分析的心电信号输入训练好的心电异常识别模型,得到心电异常预测概率,当心电异常预测概率高于心电异常概率预设阈值时,再将所述待分析的心电信号及与其关联的患者的其它信息输入训练好的心电危急值识别模型,输出所述待分析心电信号的心电危急值预测概率。
较佳地,所述的心电异常标签代表这份心电信号是否存在异常;所述心电危急值标签代表这份心电信号是否存在危急值;所述的心电异常识别模型框架为深度神经网络框架;所述的心电危急值识别模型框架包括深度特征提取器、手工特征提取器、矩阵回归模型。
较佳地,所述的心电危急值识别模型的训练,包括如下步骤:
将第二训练集D train,2 中的心电信号输入深度特征提取器,得到心电信号深度特征矩阵F;
将第二训练集D train,2 中,与心电信号相关联的患者的其它信息输入手工特征提取器,得到手工特征向量Z;
以心电信号深度特征矩阵F、手工特征向量Z、第二训练集D train,2 中的心电危急值标签为输入,训练矩阵回归模型。
较佳地,所述的第二训练集D train,2 的构建包括如下步骤:
首先,提取第一训练集D train,1 中的存在心电异常的样本形成第一训练子集D train,2,1 ;
其次,将第一训练集D train,1 中的心电信号输入训练好的心电异常识别模型,得到每份心电信号是否异常的预测概率,对第一训练集D train,1 中的样本按预测概率进行分层抽样,得到第二训练子集D train,2,2 ;
最后,将第一训练子集D train,2,1 与第二训练子集D train,2,2 取并集后得到用于训练心电危急值识别模型的第二训练集D train,2 。
较佳地,对所述的矩阵回归模型的训练,用于得到心电危急值的预测概率Y ,Y =Sigmoid(<F,B>+<β,Z>),其中Sigmoid(⋅)代表Sigmoid变换,F和Z分别代表心电信号深度特征矩阵和手工特征向量,矩阵B和向量β均为可学习参数,<F,B>表示F 与B的内积,<β,Z>表示β与Z的内积。
较佳地,所述的矩阵B和向量β通过在对矩阵回归模型训练过程中更新目标函数l(B,β)+𝜆1||B||* + 𝜆2||β||1获得,其中𝜆1和𝜆2为超参数。
较佳地,所述的深度神经网络框架包括深度特征提取器框架,还包括在深度特征提取器框架后依次连接的1个Reshape层、1个Dropout层、1个具有Sigmoid激活函数的FC层。
较佳地,所述的深度特征提取器框架包括1个Conv模块,3个Res-SE模块;所述的Conv模块用于输入心电信号,得到中间层的特征,Conv模块之后,依次串联3个Res-SE模块,前一个模块的输出作为下一个模块的输入,最后一个Res-SE模块用于输出心电信号深度特征矩阵F。
一种心电信号智能分析***,包括模型生成模块、服务计算模块,
所述模型生成模块,用于获取样本数据集、搭建模型框架并完成模型训练,获得训练好的心电异常识别模型、心电危急值识别模型;
所述服务计算模块,用于接收新的心电信号分析请求,自动采集所述请求对应的心电信号数据及相关联的患者的其它信息并自动调用已训练好的模型,获取并存储所述请求对应的心电异常预测概率和心电危急值预测概率。
较佳地,所述的模型生成模块,包括数据采集引擎、样本库、模型训练引擎和模型库,其中数据采集引擎用于采集心电信号、与心电信号关联的患者的其它信息、心电异常标签和心电危急值标签,生成模型训练所需的样本数据集;样本库用于存储样本数据集;模型训练引擎为基于样本库存储的样本数据集,完成模型训练;模型库用于存储已训练的心电异常识别模型和心电危急值识别模型;
所述的服务计算模块,包括服务触发引擎、数据采集引擎、模型计算引擎;服务触发引擎,用于实现接收新的心电信号分析请求,并发送给数据采集引擎;数据采集引擎,用于对于新的心电信号分析请求,自动采集所述请求对应的心电信号数据及相关联的患者的其它信息,并发送给模型计算引擎;模型计算引擎,用于调用已训练好的心电异常识别模型和心电危急值识别模型,获得所述请求对应的心电异常预测概率和心电危急值预测概率,并完成预测概率存储。
较佳地,所述的模型计算引擎包括心电异常计算子引擎和心电危急值计算子引擎;心电异常计算子引擎用于调用已训练好的心电异常识别模型,获得心电异常预测概率;心电危急值计算子引擎用于调用已训练好的心电危急值识别模型,获得心电危急值预测概率。
较佳地,所述的心电信号智能分析***,还包括前端交互模块、动态监测模块;
所述的前端交互模块,包括预测结果呈现单元和人工标签存储单元;其中,预测结果呈现单元用于基于服务计算模块得到的模型预测结果,以可视化的方式提示给用户,其中所述预测结果包括心电异常预测概率和心电危急值预测概率;人工标签存储单元用于对于心电判读技师可参考提示内容、结合专业知识综合判断形成所述请求对应的心电信号最终的人工判读标签,包括心电异常标签、心电危急值标签;
所述的动态监测模块,包括服务监测评价单元和服务更新触发引擎;其中,服务监测评价单元用于基于自动积累的应用过程中产生的模型预测结果以及人工判读标签数据,实时评估模型预测效果;服务更新触发引擎,用于当模型效果不满足预设条件时自动触发模型及服务的更新,实现模型动态优化更新。
智能心电辅助***,包括所述的心电信号智能分析***,还包括数据处理模块、知识模块、提示模块;
所述的数据处理模块,用于对心电异常预测概率、心电危急值预测概率进行处理,得到心电异常等级、心电危急值等级;
所述的知识模块,用于存储处理知识;
所述的提示模块,用于当数据处理模块给出心电异常等级和心电危急值等级后,则调用知识模块,得到所述请求对应的心电信号所关联的处理知识并提示临床医师。
一种电子设备,包括了:处理器;
存储器,存储有程序,所述程序配置为在被所述处理器执行时实现所述的心电信号智能分析方法。
一种非瞬时计算机可读存储介质,所述非瞬时计算机可读存储介质存储指令,所述指令在由处理器执行时使得所述处理器执行所述的心电信号智能分析方法。
本申请中的心电信号智能分析方法及***,能够综合利用心电信号、与心电信号相关联的患者的其它信息,对心电信号中存在的心电异常、心电危急值给出预测概率,提高心电信号异常识别、心电危急值识别的准确率。
附图说明
图1为本发明实施例1提供的心电信号智能分析方法流程图;
图2为本发明实施例1提供的心电危急值识别模型原理图;
图3为本发明实施例1提供的深度神经网络模型框架图;
图4为本发明实施例1提供的深度神经网络模型中Res-SE模块框架图;
图5为本发明实施例1提供的心电信号智能分析***示意图;
图6为本发明实施例2提供的心电信号智能分析***示意图;
图7为本发明实施例2提供的智能心电辅助***的示意图;
图8为本发明实施例2提供的一种电子设备示意图。
具体实施方式
为了使本申请的目的、技术手段和优点更加清楚明白,以下结合附图对本申请做进一步详细说明。下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面以具体实施例对本申请的技术方案进行详细说明。下面几个具体实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例1
如图1所示,图1为本发明实施例1提供的心电信号智能分析方法流程图,其包括如下步骤:
步骤101、获取多个心电信号、与心电信号相关联的患者的其它信息、以及心电异常标签、心电危急值标签,构建样本数据集D;
本实施例中采集的心电信号为12导联心电信号,采样时长为10s、采样率为500Hz;
所述的与心电信号相关联的患者的其它信息,包括但不限于年龄、性别、临床诊断、是否服用了可能引起心电图改变的药物、有无电解质紊乱等;本发明实施例采集的患者其它信息包括性别、年龄、现病史、既往病史、既往手术史、用药情况;可扩展地,也可获取心电测量值作为辅助信息,包括但不限于心室率、心房率、心率、P波宽度、P波电轴、T波宽度、T波电轴、PR间期、QRS间期、QT间期、QTc间期等;本发明实施例采集的心电测量值共18种,包括心室率、心房率、心率、P波宽度、P波电轴、T波宽度、T波电轴、R波电轴、PR间期、QRS间期、QT间期、QTc间期、RV1、RV3、RV5、SV1、SV3、SV5;
步骤102、将样本数据集D划分为第一训练集D train,1 、验证集D vali 和测试集D test ;
样本数据集D的划分比例可以根据需要设定,本实施例中80%为第一训练集D train,1 ,10%为验证集D vali ,10%为测试集D test ;
步骤103、构建心电异常识别模型框架,以第一训练集D train,1 为输入,训练得到心电异常识别模型;
步骤104、构建用于训练心电危急值识别模型的第二训练集D train,2 ,所述第二训练集D train,2 基于第一训练集D train,1 获得,其中样本数量小于第一训练集D train,1 样本数量;
步骤105、构建心电危急值识别模型框架,输入第二训练集D train,2 ,训练得到心电危急值识别模型;
步骤106、将待分析的心电信号输入训练好的心电异常识别模型,得到心电异常预测概率,当心电异常预测概率高于心电异常概率预设阈值时,再将所述待分析的心电信号及与其关联的患者的其它信息输入训练好的心电危急值识别模型,输出所述待分析的心电信号的心电危急值预测概率。
心电异常概率预设阈值可人工设定或根据一定的规则自动计算获得;本实施例中,心电异常概率预设阈值为超参数,通过在训练心电异常识别模型时使得验证集上得到最好的F1得分来获得;本方法中,为了获得更好的心电异常识别模型、心电危急值识别模型,可对训练好的心电异常识别模型、心电危急值识别模型进行模型超参调优、模型效果评估;本实施例中,使用验证集D vali 进行模型最优超参选择,模型效果评估为使用测试集D test 对训练好的模型进行效果评估;模型超参数包括但不限于学习率、权重衰减率、批量大小等,模型超参调优方法包括但不限于网格调参,模型效果评估指标包括但不限于准确率、AUC、召回率、精确率、F1得分等。
实际临床工作中,心电异常的识别和危急值的判断需要综合多来源信息,仅依靠心电信号或测量值存在较难得到准确判断的情况,例如对于介于临界值一定范围内的情况,往往需要结合患者性别、年龄等综合因素进行判断,再比如某些药物的服用可能会导致一定时期和程度的心电信号的改变;本方法在心电信号数据的基础上整合了患者其他信息,其中患者其他信息为心电技师在判读一份心电图时必须了解的患者情况,这些信息对于心电信号的分析具体实际临床意义,因此整合了这些信息的预测模型,有潜力获得更准确的心电异常预测概率和心电危急值预测概率。
所述的心电异常标签代表这份心电信号是否存在异常;所述心电危急值标签代表这份心电信号是否存在危急值;所述的心电异常识别模型框架为深度神经网络框架;如图2所示,所述的心电危急值识别模型框架包括深度特征提取器、手工特征提取器、矩阵回归模型;其中所述的深度特征提取器为训练心电异常识别模型时获得的。
心电异常标签为由心电判读技师对心电信号是否异常进行人工判断得到的每一份心电信号是否存在异常的标签;所述的心电异常包括常见的多种心电异常类别,包括但不限于窦性心动过缓、窦性心动过速、心房颤动、室性早搏、房性早搏、左束支阻滞、右束支阻滞等;
心电危急值标签是由心电判读技师对每一份心电信号是否存在心电危急值进行判断,并给出标签;所述的心电危急值包括4个心电危急值大类,疑似急性冠状动脉综合征、严重快速性心律失常、严重缓慢性心律失常及其它;每个心电信号,都通过心电判读技师标记了心电异常标签、心电危急值标签。
如图2所示,所述的心电危急值识别模型框架包括深度特征提取器、手工特征提取器、矩阵回归模型,所述的深度特征提取器用于提取心电信号深度特征矩阵,所述的手工特征提取器用于提取与心电信号相关联的患者的其它信息的手工特征向量,所述的矩阵回归模型用于接收心电信号深度特征、手工特征,输出心电危急值预测概率。
如图2所示,所述的心电危急值识别模型的训练,包括如下步骤:
将第二训练集D train,2 中的心电信号输入深度特征提取器,得到心电信号深度特征矩阵F;
将第二训练集D train,2 中,与心电信号相关联的患者的其它信息输入手工特征提取器,得到手工特征向量Z;
以心电信号深度特征矩阵F、手工特征向量Z、第二训练集D train,2 中的心电危急值标签为输入,训练矩阵回归模型。
所述的第二训练集D train,2 的构建包括如下步骤:
首先,提取第一训练集D train,1 中的存在心电异常的样本形成第一训练子集D train,2,1 ;
其次,将第一训练集D train,1 中的心电信号输入训练好的心电异常识别模型,得到每份心电信号是否异常的预测概率,对第一训练集D train,1 中的样本按预测概率进行分层抽样,得到第二训练子集D train,2,2 ;
最后,将第一训练子集D train,2,1 与第二训练子集D train,2,2 取并集后得到用于训练心电危急值识别模型的第二训练集D train,2 。
所述的提取第一训练集D train,1 中的存在心电异常的样本,指的是将第一训练集D train,1 中,被标记为存在心电异常的心电信号提取形成第一训练子集D train,2,1 ;所述的第一训练集D train,1 中的样本按预测概率进行分层抽样指的是,将第一训练集D train,1 中的心电信号输入训练好的心电异常识别模型,可以得到第一训练集D train,1 中的心电信号是否异常的预测概率,预测概率取值范围[0,1],预测概率越大代表该份心电存在异常的可能性越高;按照心电异常预测概率对第一训练集D train,1 进行分组,得到m个亚组,对每个亚组进行抽样获得第二训练子集D train,2,2 ;本实施例中按照步长为0.1进行划分,共分为10个亚组,m=10,每个亚组进行简单随机抽样,抽样后的样本组成第二训练子集D train,2,2
最后,将第一训练子集D train,2,1 与第二训练子集D train,2,2 取并集后得到用于训练该心电危急值识别模型的第二训练集D train,2 。通过上述方法得到用于训练心电危急值识别模型的训练集,可以应对训练矩阵回归模型时样本量不能过大的情况,同时可以有效缓解心电危急值标签不平衡现象。
对所述的矩阵回归模型的训练,用于得到心电危急值的预测概率Y ,Y =Sigmoid(<F,B>+<β,Z>),其中Sigmoid(⋅)代表Sigmoid变换,F和Z分别代表心电信号深度特征矩阵和手工特征向量,矩阵B和向量β均为可学习参数,<F,B>表示F 与B的内积,<β,Z>表示β与Z的内积。对矩阵B和向量β没有取值限制,所述的矩阵B和向量β通过在对矩阵回归模型训练过程中更新目标函数l (B,β)+𝜆1||B||*+𝜆2||β||1获得,其中,l (B,β)为交叉熵损失函数,||·||*为核范数,𝜆1和𝜆2为超参数,取值范围为[0,+∞);如图3所示,所述的深度神经网络框架包括深度特征提取器框架,还包括在深度特征提取器框架后依次连接的1个Reshape层、1个Dropout层、1个具有Sigmoid激活函数的FC层。所述的深度特征提取器框架包括1个Conv模块,3个Res-SE模块;所述的Conv模块用于输入心电信号,得到中间层的特征,Conv模块之后,依次串联3个Res-SE模块,前一个模块的输出作为下一个模块的输入,最后一个Res-SE模块用于输出心电信号深度特征矩阵F。
所述的Conv模块,以心电信号矩阵X为输入,经过1个Conv层进行卷积操作后通过BN层进行正则化处理,再经过ReLU进行非线性变换输出中间层深度特征,Conv模块的输出作为第1个Res-SE模块的输入;
如图4所示,所述的Res-SE模块,共包括2个部分,称为主线和支线,第一个Res-SE模块主线和支线的输入均为Conv模块的输出;每个Res-SE模块共包括2个输出,输出1和输出2,输出1作为下一个Res-SE模块主线的输入,输出2作为下一个Res-SE模块支线的输入;以此类推,得到第3个Res-SE模块的输出1和输出2,其中第3个Res-SE模块的输出1为整个深度特征提取器最终得到的输出特征,即深度特征矩阵F;
所述的Reshape层,用于将最后一个Res-SE模块的输出1对应的特征矩阵转换为特征向量;
所述的Dropout层,用于随机选择其中的一些神经元并将其临时丢弃,提高模型泛化能力;本实施例中,该Dropout层dropout比率设置为0.5;
所述的具有Sigmoid激活函数的FC层,用于获得心电异常预测概率;
当以上述的深度神经网络框架为心电异常识别模型框架进行心电异常识别模型训练时,可以同步得到深度特征提取器。
本发明将矩阵回归应用到心电信号危急值识别模型中,具体地为低秩稀疏矩阵回归。通常,应用卷积神经网络进行深度特征提取时,网络通常由许多卷积层和一个或多个全连接层组成,最后一个卷积层输出一个矩阵或张量,然后通过向量化再与全连接层相连,这一方法的缺点是忽略了输出矩阵或张量的空间结构。而本发明引入矩阵回归,通过低秩方法保留提取的深度特征的空间信息,使得在将深度特征与其它患者信息特征融合使用进行危急值预测时,依然可保留心电信号深度特征的空间结构,有益于模型获得更好的预测精度。此外,在矩阵回归中考虑稀疏方法,可以在考虑空间信息的同时筛选出与心电危急值最相关的人工特征,提升预测准确率。
如图5所示,一种心电信号智能分析***,包括模型生成模块、服务计算模块,
所述模型生成模块,用于获取样本数据集、搭建模型框架并完成模型训练,获得训练好的心电异常识别模型、心电危急值识别模型;
所述服务计算模块,用于接收新的心电信号分析请求,自动采集所述请求对应的心电信号数据及相关联的患者的其它信息并自动调用已训练好的模型,获取并存储所述请求对应的心电异常预测概率和心电危急值预测概率。
所述的心电信号智能分析***用于实现心电信号智能分析方法。所述的模型生成模块,包括数据采集引擎、样本库、模型训练引擎和模型库,其中数据采集引擎用于采集心电信号、与心电信号关联的患者的其它信息、心电异常标签和心电危急值标签,生成模型训练所需的样本数据集;样本库用于存储样本数据集;模型训练引擎为基于样本库存储的样本数据集,完成模型训练;模型库用于存储已训练的心电异常识别模型和心电危急值识别模型;
所述的服务计算模块,包括服务触发引擎、数据采集引擎、模型计算引擎;服务触发引擎,用于实现接收新的心电信号分析请求,并发送给数据采集引擎;数据采集引擎,用于对于新的心电信号分析请求,自动采集所述请求对应的心电信号数据及相关联的患者的其它信息,并发送给模型计算引擎;模型计算引擎,用于调用已训练好的心电异常识别模型和心电危急值识别模型,获得所述请求对应的心电异常预测概率和心电危急值预测概率,并完成预测概率存储。
所述的模型生成模块、服务计算模块可单独设置数据采集引擎,也可以共用数据采集引擎。
所述的模型计算引擎包括心电异常计算子引擎和心电危急值计算子引擎;心电异常计算子引擎用于调用已训练好的心电异常识别模型,获得心电异常预测概率;心电危急值计算子引擎用于调用已训练好的心电危急值识别模型,获得心电危急值预测概率。
模型计算引擎分成心电异常计算子引擎和心电危急值计算子引擎两部分,心电异常计算子引擎用于调用已训练好的心电异常识别模型,获得心电异常预测概率,当心电异常预测概率高于心电异常概率预设阈值时,心电危急值计算子引擎调用已训练好的心电危急值识别模型,获得心电危急值预测概率。
实施例2
如图6所示,本实施例公开的心电信号智能分析***,还包括前端交互模块、动态监测模块,其中:
所述的前端交互模块,包括预测结果呈现单元和人工标签存储单元;其中,预测结果呈现单元用于基于服务计算模块得到的模型预测结果,以可视化的方式提示给用户,其中所述预测结果包括心电异常预测概率和心电危急值预测概率;人工标签存储单元用于对于心电判读技师可参考提示内容、结合专业知识综合判断形成所述请求对应的心电信号最终的人工判读标签,包括心电异常标签、心电危急值标签;
所述的动态监测模块,包括服务监测评价单元和服务更新触发引擎;其中,服务监测评价单元用于基于自动积累的应用过程中产生的模型预测结果以及人工判读标签数据,实时评估模型预测效果;服务更新触发引擎,用于当模型效果不满足预设条件时自动触发模型及服务的更新,实现模型动态优化更新。
如图7所示,智能心电辅助***,包括心电信号智能分析***,还包括数据处理模块、知识模块、提示模块;
所述的数据处理模块,用于对心电异常预测概率、心电危急值预测概率进行处理,得到心电异常等级、心电危急值等级,具体地,可预设等级划分逻辑;例如,设置心电异常等级的概率划分阈值为0.5,据此得到心电异常等级为是、否两级,设置心电异常等级的概率划分阈值为0.3、0.6,据此得到心电危急值等级为低、中、高三级;
所述的知识模块,用于存储处理知识;所述的处理知识为医师根据危急值等级及临床工作经验,总结的相关知识、处理建议等。
所述的提示模块,用于当数据处理模块给出心电异常等级和心电危急值等级后,则调用知识模块,得到所述请求对应的心电信号所关联的处理知识并提示临床医师。
心电信号智能分析***主要用于得出心电异常预测概率、心电危急值预测概率,心电异常预测概率、心电危急值预测概率不能用于诊断患者健康状况,可选地,由数据处理模块对心电异常预测概率、心电危急值预测概率进行处理,得到心电异常等级、心电危急值等级,心电判读技师可以根据心电异常和危急值预测概率或等级,综合临床专业知识进行综合决策,给出最终的判读结果,包括心电异常和危急值的判断情况,进而实现更高效、更准确地分析与判断,甚至有望更早期的识别心脏疾病风险。
如图8所示,本申请实施例还提供一种电子设备,其可以包括处理器801,其中,处理器801用于执行上述心电信号智能分析方法的步骤。从图6中还可以看出,上述实施例提供的电子设备还包括非瞬时计算机可读存储介质802,该非瞬时计算机可读存储介质802上存储有计算机程序,该计算机程序被处理器801运行时执行上述心电信号智能分析方法的步骤。
具体地,该非瞬时计算机可读存储介质802能够为通用的存储介质,如移动磁盘、硬盘、FLASH、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、或便携式紧凑磁盘只读存储器(CD-ROM)等,该非瞬时计算机可读存储介质802上的计算机程序被处理器801运行时,能够引发处理器801执行上述的心电信号智能分析方法的各个步骤。
实际应用中,所述的非瞬时计算机可读存储介质802可以是上述实施例中描述的设备/装置/***中所包含的,也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或多个程序被执行时,能够执行上述的心电信号智能分析方法中的各个步骤。
Claims (14)
1.一种心电信号智能分析方法,其特征在于,包括如下步骤:
获取多个心电信号、与心电信号相关联的患者的其它信息、以及心电异常标签、心电危急值标签,构建样本数据集D;
将样本数据集D划分为第一训练集Dtrain,1、验证集Dvali和测试集Dtest;
构建心电异常识别模型框架,以第一训练集Dtrain,1为输入,训练得到心电异常识别模型;
构建用于训练心电危急值识别模型的第二训练集Dtrain,2;
构建心电危急值识别模型框架,输入第二训练集Dtrain,2训练得到心电危急值识别模型;
将待分析的心电信号输入训练好的心电异常识别模型,得到心电异常预测概率,当心电异常预测概率高于心电异常概率预设阈值时,再将该份心电信号及与其关联的患者的其它信息输入训练好的心电危急值识别模型,输出该心电信号的心电危急值预测概率。
2.根据权利要求1所述的方法,其特征在于,所述的心电异常标签代表这份心电信号是否存在异常;所述心电危急值标签代表这份心电信号是否存在危急值;所述的心电异常识别模型框架为深度神经网络框架;所述的心电危急值识别模型框架包括深度特征提取器、手工特征提取器、矩阵回归模型。
3.根据权利要求2所述的方法,其特征在于,所述的心电危急值识别模型的训练,包括如下步骤:
将第二训练集Dtrain,2中的心电信号输入深度特征提取器,得到心电信号深度特征矩阵F;
将第二训练集Dtrain,2中,与心电信号相关联的患者的其它信息输入手工特征提取器,得到手工特征向量Z;
以心电信号深度特征矩阵F、手工特征向量Z、第二训练集Dtrain,2中的心电危急值标签为输入,训练矩阵回归模型。
4.根据权利要求3所述的方法,其特征在于,所述的第二训练集Dtrain,2的构建包括如下步骤:
首先,提取第一训练集Dtrain,1中的存在心电异常的样本形成第一训练子集Dtrain,2,1;
其次,将第一训练集Dtrain,1中的心电信号输入训练好的心电异常识别模型,得到每份心电信号是否异常的预测概率,对第一训练集Dtrain,1中的样本按预测概率进行分层抽样,得到第二训练子集Dtrain,2,2;
最后,将第一训练子集Dtrain,2,1与第二训练子集Dtrain,2,2取并集后得到用于训练心电危急值识别模型的第二训练集Dtrain,2。
5.根据权利要求4所述的方法,其特征在于,所述的对矩阵回归模型的训练,用于得到心电危急值的预测概率Y,Y=Sigmoid(<F,B>+<β,Z>),其中Sigmoid(·)代表Sigmoid变换,F和Z分别代表心电信号深度特征矩阵和手工特征向量,矩阵B和向量β均为可学习参数,<F,B>表示F与B的内积,<β,Z>表示β与Z的内积。
6.根据权利要求5所述的方法,其特征在于,所述的矩阵B和向量β通过在对矩阵回归模型训练过程中更新目标函数l(B,β)+λ1||B||*+λ2||β||1获得,其中λ1和λ2为超参数。
7.根据权利要求6所述的方法,其特征在于,所述的深度神经网络框架包括深度特征提取器框架,还包括在深度特征提取器框架后依次连接的1个Reshape层、1个Dropout层、1个具有Sigmoid激活函数的FC层。
8.根据权利要求7所述的方法,其特征在于,所述的深度特征提取器框架包括1个Conv模块,3个Res-SE模块;所述的Conv模块用于输入心电信号,得到中间层的特征,Conv模块之后,依次串联3个Res-SE模块,前一个模块的输出作为下一个模块的输入,最后一个Res-SE模块用于输出心电信号深度特征矩阵F。
9.一种心电信号智能分析***,其特征在于,包括模型生成模块、服务计算模块,
所述模型生成模块,用于获取样本数据集、搭建模型框架并完成模型训练,获得训练好的心电异常识别模型、心电危急值识别模型;
所述服务计算模块,用于接收新的心电信号分析请求,自动采集该条请求对应的心电信号数据及相关联的患者的其它信息并自动调用已训练好的模型,获取并存储该份请求对应的心电异常预测概率和心电危急值预测概率;
其中,所述的模型生成模块,包括数据采集引擎、样本库、模型训练引擎和模型库,其中数据采集引擎用于采集心电信号、与心电信号关联的患者的其它信息、心电异常标签和心电危急值标签,生成模型训练所需的样本数据集;样本库用于存储样本数据集;模型训练引擎为基于样本库存储的样本数据集,完成模型训练;模型库用于存储已训练的心电异常识别模型和心电危急值识别模型;
所述的服务计算模块,包括服务触发引擎、数据采集引擎、模型计算引擎;服务触发引擎,用于实现接收新的心电信号分析请求,并发送给数据采集引擎;数据采集引擎,用于对于新的心电信号分析请求,自动采集该条请求对应的心电信号数据及相关联的患者的其它信息,并发送给模型计算引擎;模型计算引擎,用于调用已训练好的心电异常识别模型和心电危急值识别模型,获得该份请求对应的心电异常预测概率和心电危急值预测概率,并完成预测概率存储。
10.根据权利要求9所述的心电信号智能分析***,其特征在于,所述的模型计算引擎包括心电异常计算子引擎和心电危急值计算子引擎;心电异常计算子引擎用于调用已训练好的心电异常识别模型,获得心电异常预测概率;心电危急值计算子引擎用于调用已训练好的心电危急值识别模型,获得心电危急值预测概率。
11.根据权利要求10所述的心电信号智能分析***,其特征在于,还包括前端交互模块、动态监测模块,
所述的前端交互模块,包括预测结果呈现单元和人工标签存储单元;其中,预测结果呈现单元用于基于服务计算模块得到的模型预测结果,以可视化的方式提示给用户,其中所述预测结果包括心电异常预测概率和心电危急值预测概率;人工标签存储单元用于对于心电判读技师可参考提示内容、结合专业知识综合判断形成该份心电信号最终的人工判读标签,包括心电异常标签、心电危急值标签;
所述的动态监测模块,包括服务监测评价单元和服务更新触发引擎;其中,服务监测评价单元用于基于自动积累的应用过程中产生的模型预测结果以及人工判读标签数据,实时评估模型预测效果;服务更新触发引擎,用于当模型效果不满足预设条件时自动触发模型及服务的更新,实现模型动态优化更新。
12.智能心电辅助***,其特征在于,包括权利要求9-11所述的心电信号智能分析***,还包括数据处理模块、知识模块、提示模块;
所述的数据处理模块,用于对心电异常预测概率、心电危急值预测概率进行处理,得到心电异常等级、心电危急值等级;
所述的知识模块,用于存储处理知识;
所述的提示模块,用于当数据处理模块给出心电异常等级和心电危急值等级后,则调用知识模块,得到该份心电信号所关联的处理知识并提示临床医师。
13.一种电子设备,其特征在于,包括了:处理器;
存储器,存储有程序,所述程序配置为在被所述处理器执行时实现如权利要求1至8中任一项所述的心电信号智能分析方法。
14.一种非瞬时计算机可读存储介质,所述非瞬时计算机可读存储介质存储指令,其特征在于,所述指令在由处理器执行时使得所述处理器执行如权利要求1至8中任一项所述的心电信号智能分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220314.3A CN115607166B (zh) | 2022-10-08 | 2022-10-08 | 一种心电信号智能分析方法及***、智能心电辅助*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220314.3A CN115607166B (zh) | 2022-10-08 | 2022-10-08 | 一种心电信号智能分析方法及***、智能心电辅助*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115607166A CN115607166A (zh) | 2023-01-17 |
CN115607166B true CN115607166B (zh) | 2023-08-22 |
Family
ID=84860673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211220314.3A Active CN115607166B (zh) | 2022-10-08 | 2022-10-08 | 一种心电信号智能分析方法及***、智能心电辅助*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115607166B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116211316B (zh) * | 2023-04-14 | 2023-07-28 | 中国医学科学院阜外医院 | 多导联心电信号的类型识别方法、***及辅助*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220518A (zh) * | 2017-06-28 | 2017-09-29 | 湖南暄程科技有限公司 | 一种医疗预警通知方法和*** |
CN109846474A (zh) * | 2019-03-26 | 2019-06-07 | 深圳市理邦精密仪器股份有限公司 | 心电图的处理方法及装置、心电图的远程处理方法及*** |
CN111759304A (zh) * | 2020-07-01 | 2020-10-13 | 杭州脉流科技有限公司 | 心电图异常识别方法、装置、计算机设备和存储介质 |
CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技(深圳)有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
CN112842354A (zh) * | 2020-12-30 | 2021-05-28 | 武汉联影智融医疗科技有限公司 | 一种心电数据危急值分析方法、装置及*** |
WO2021208902A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种睡眠报告的生成方法、装置、终端以及存储介质 |
CN113855038A (zh) * | 2021-10-15 | 2021-12-31 | 南方医科大学 | 基于多模型集成的心电信号危急值的预测方法及装置 |
CN114010173A (zh) * | 2021-11-01 | 2022-02-08 | 暨南大学附属第一医院(广州华侨医院) | 基于神经网络的非瓣膜性房颤心源性卒中评估***和方法 |
WO2022052358A1 (zh) * | 2020-09-09 | 2022-03-17 | 生物岛实验室 | 心电异常检测网络训练方法、心电异常预警方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2560339B (en) * | 2017-03-07 | 2020-06-03 | Transf Ai Ltd | Prediction of cardiac events |
GB2582124A (en) * | 2018-09-07 | 2020-09-16 | Transf Ai Ltd | Analysis of cardiac data |
-
2022
- 2022-10-08 CN CN202211220314.3A patent/CN115607166B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220518A (zh) * | 2017-06-28 | 2017-09-29 | 湖南暄程科技有限公司 | 一种医疗预警通知方法和*** |
CN109846474A (zh) * | 2019-03-26 | 2019-06-07 | 深圳市理邦精密仪器股份有限公司 | 心电图的处理方法及装置、心电图的远程处理方法及*** |
WO2021208902A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种睡眠报告的生成方法、装置、终端以及存储介质 |
CN111759304A (zh) * | 2020-07-01 | 2020-10-13 | 杭州脉流科技有限公司 | 心电图异常识别方法、装置、计算机设备和存储介质 |
WO2022052358A1 (zh) * | 2020-09-09 | 2022-03-17 | 生物岛实验室 | 心电异常检测网络训练方法、心电异常预警方法及装置 |
CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技(深圳)有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
CN112842354A (zh) * | 2020-12-30 | 2021-05-28 | 武汉联影智融医疗科技有限公司 | 一种心电数据危急值分析方法、装置及*** |
CN113855038A (zh) * | 2021-10-15 | 2021-12-31 | 南方医科大学 | 基于多模型集成的心电信号危急值的预测方法及装置 |
CN114010173A (zh) * | 2021-11-01 | 2022-02-08 | 暨南大学附属第一医院(广州华侨医院) | 基于神经网络的非瓣膜性房颤心源性卒中评估***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115607166A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107837082B (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
Liu et al. | Arrhythmia classification of LSTM autoencoder based on time series anomaly detection | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN107451417B (zh) | 动态心电分析智能诊断***及方法 | |
US20100217144A1 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类*** | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、***及设备 | |
US20220265199A1 (en) | Automatic method to delineate or categorize an electrocardiogram | |
CN109360657B (zh) | 一种医院感染数据的样本选取的时间段推理方法 | |
CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类*** | |
CN115607166B (zh) | 一种心电信号智能分析方法及***、智能心电辅助*** | |
Patra et al. | Predictive analysis of rapid spread of heart disease with data mining | |
Rawi et al. | Classification and detection of ECG arrhythmia and myocardial infarction using deep learning: a review | |
Qu et al. | ECG Heartbeat Classification Detection Based on WaveNet-LSTM | |
CN116226724A (zh) | 一种非侵入式冠心病检测*** | |
Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
Yao et al. | Combining Rhythm Information between Heartbeats and BiLSTM‐Treg Algorithm for Intelligent Beat Classification of Arrhythmia | |
CN113616216B (zh) | 一种基于BiLSTM-Treg的心电信号分类方法 | |
Ciocîrlan et al. | Classification and Feature Extraction of Biological Signals Using Machine Learning Techniques | |
Firoz et al. | Detection of myocardial infarction using hybrid CNN-LSTM model | |
Radiuk et al. | A Novel Feature Vector for ECG Classification using Deep Learning |
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 |