CN115778403A - 心电图分析方法、装置、电子设备和存储介质 - Google Patents
心电图分析方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115778403A CN115778403A CN202210770213.7A CN202210770213A CN115778403A CN 115778403 A CN115778403 A CN 115778403A CN 202210770213 A CN202210770213 A CN 202210770213A CN 115778403 A CN115778403 A CN 115778403A
- Authority
- CN
- China
- Prior art keywords
- preset
- heart disease
- disease
- paroxysmal
- probability
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 149
- 208000019622 heart disease Diseases 0.000 claims abstract description 1470
- 230000001314 paroxysmal effect Effects 0.000 claims abstract description 613
- 238000003745 diagnosis Methods 0.000 claims abstract description 177
- 208000024891 symptom Diseases 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 75
- 208000020446 Cardiac disease Diseases 0.000 claims description 551
- 239000013598 vector Substances 0.000 claims description 354
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 160
- 201000010099 disease Diseases 0.000 claims description 157
- 238000012360 testing method Methods 0.000 claims description 92
- 238000012549 training Methods 0.000 claims description 82
- 230000004044 response Effects 0.000 claims description 61
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 55
- 230000002861 ventricular Effects 0.000 claims description 48
- 230000011218 segmentation Effects 0.000 claims description 26
- 230000001746 atrial effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 230000035945 sensitivity Effects 0.000 claims description 24
- 206010015856 Extrasystoles Diseases 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 21
- 230000001667 episodic effect Effects 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 206010047302 ventricular tachycardia Diseases 0.000 claims description 15
- 208000003734 Supraventricular Tachycardia Diseases 0.000 claims description 11
- 206010042602 Supraventricular extrasystoles Diseases 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 10
- 206010003662 Atrial flutter Diseases 0.000 claims description 10
- 206010003671 Atrioventricular Block Diseases 0.000 claims description 10
- 208000004301 Sinus Arrhythmia Diseases 0.000 claims description 10
- 208000007888 Sinus Tachycardia Diseases 0.000 claims description 10
- 206010040741 Sinus bradycardia Diseases 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 9
- 208000010496 Heart Arrest Diseases 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 206010057501 Right atrial hypertrophy Diseases 0.000 claims description 4
- 210000005246 left atrium Anatomy 0.000 claims description 4
- 208000008131 Ventricular Flutter Diseases 0.000 claims description 3
- 238000007914 intraventricular administration Methods 0.000 claims description 3
- 208000003663 ventricular fibrillation Diseases 0.000 claims description 3
- 208000008376 Pre-Excitation Syndromes Diseases 0.000 claims description 2
- 230000001969 hypertrophic effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 230000036541 health Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 13
- 230000000747 cardiac effect Effects 0.000 description 9
- 238000002565 electrocardiography Methods 0.000 description 8
- 208000010125 myocardial infarction Diseases 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 description 3
- 206010040738 Sinus arrest Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 230000004217 heart function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010006580 Bundle branch block left Diseases 0.000 description 2
- 206010006582 Bundle branch block right Diseases 0.000 description 2
- 206010006578 Bundle-Branch Block Diseases 0.000 description 2
- 208000000924 Right ventricular hypertrophy Diseases 0.000 description 2
- 201000008803 Wolff-Parkinson-white syndrome Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000002102 Atrial Premature Complexes Diseases 0.000 description 1
- 206010057500 Left atrial hypertrophy Diseases 0.000 description 1
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 201000007916 right bundle branch block Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开提供一种心电图分析方法、装置、电子设备和存储介质,该方法的一个实施方式通过对目标用户的至少一段待分析心电图数据段输入第一心电图分析模型进行分析以生成目标用户的心脏病诊断结果信息。可选地,在心脏病诊断结果信息指示目标用户患有具体某心脏病的概率较低的情况下,即待分析心电图数据段为看上去比较正常的心电图的情况下,进一步确定目标用户是否阵发性患有该种心脏病。即虽然在检测并获得待分析心电图数据段的过程中,目标用户未出现该种心脏病对应的症状,但需进一步确定目标用户是否非连续性患有该种心脏病,即预测未来目标用户出现该种心脏病对应症状的可能性,为目标用户的未来身体健康状况提供预警信息。
Description
技术领域
本公开的实施例涉及心电图分析技术领域,具体涉及心电图分析方法、装置、电子设备和存储介质。
背景技术
心脏是人体最重要的器官之一。为了检测心脏功能是否正常,目前一般采用心电图机在医院对人体心脏功能进行心电检查得到心电图数据,或者也可以采用便携式心电采集设备在非特定环境中(比如,不必限定在医院内)对人体心脏功能进行心电检查得到心电图数据。
发明内容
本公开的实施例提出了心电图分析技术领域,具体涉及心电图分析方法、装置、电子设备和存储介质。
第一方面,本公开的实施例提供了一种心电图分析方法,该方法包括:获取目标用户的至少一段待分析心电图数据段;分别将各所述待分析心电图数据段输入预先训练的第一心电图分析模型,得到与所述待分析心电图数据段对应的心脏病患病概率向量,其中,心脏病患病概率向量用于表征患有K种预设心脏病中每种预设心脏病的概率,所述第一心电图分析模型用于表征心电图数据段与心脏病患病概率向量之间的对应关系,所述K为正整数;基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息。
在一些可选的实施方式中,所述第一心电图分析模型是通过如下第一训练步骤预先训练得到的:获取第一训练数据集,其中,第一训练数据包括样本心电图数据段和相应标注心脏病患病概率向量,所述第一训练数据中的标注心脏病患病概率向量用于指示所述第一训练数据中样本心电图数据段对应被采集者患有各所述预设心脏病的概率;基于所述第一训练数据集对初始第一心电图分析模型进行训练;将训练得到的所述初始第一心电图分析模型确定为所述预先训练的第一心电图分析模型。
在一些可选的实施方式中,所述基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息,包括:对于每个所述预设心脏病,执行以下第一诊断结果信息生成操作:根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率;按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与所述目标用户患有该预设心脏病的心脏病患病概率对应的心脏病诊断结果信息;用所确定的心脏病诊断结果信息生成所述目标用户患有该预设心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率,包括:将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量的均值确定为所述目标用户患有该预设心脏病的心脏病患病概率;或者将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序,以及将排序在预设分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率。
在一些可选的实施方式中,所述根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率,包括:将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序;响应于确定当前应用场景为少误报场景,将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最小值或者排序在预设较小概率分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率;响应于确定当前应用场景为少漏报场景,将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最大值或者排序在预设较大概率分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率。
在一些可选的实施方式中,所述与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,包括以下至少一项:第一对应关系,所述第一对应关系用于表征第一患病概率范围对应用于指示未确诊患有该预设心脏病的第一诊断结果信息,其中,第一患病概率范围为小于该预设心脏病对应的患病概率阈值;第二对应关系,所述第二对应关系用于表征第二患病概率范围对应用于指示确诊患有该预设心脏病的第二诊断结果信息,其中,第二患病概率范围为大于或等于该预设心脏病对应的患病概率阈值。
在一些可选的实施方式中,各所述预设心脏病对应的患病概率阈值是通过如下患病概率阈值确定步骤得到的:获取测试数据集,其中,测试数据包括样本心电图数据段和标注心脏病患病概率向量,所述测试数据中的标注心脏病患病概率向量用于指示所述测试数据中样本心电图数据段对应被采集者患有各所述预设心脏病的概率;将各所述测试数据中的样本心电图数据段输入所述第一心电图分析模型,得到与所述测试数据对应的心脏病患病概率向量测试结果;对于每个所述预设心脏病,执行以下患病概率阈值确定操作:获取与该预设心脏病对应的候选患病概率阈值集;对于所获取的每个候选患病概率阈值,执行以下统计操作:根据各所述测试数据对应的心脏病患病概率向量测试结果中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值,以及相应测试数据中标注心脏病患病概率向量中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值,统计与该预设心脏病和该候选患病概率阈值对应的敏感性和特异性;响应于确定当前应用场景为少漏报场景,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的敏感性从大到小的顺序排序;将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高敏感性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值;响应于确定当前应用场景为少误报场景,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的特异性从大到小的顺序排序;将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高特异性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值。
在一些可选的实施方式中,所述基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息,包括:对于每个所述预设心脏病,执行以下第二诊断结果信息生成操作:获取与该预设心脏病对应的患病概率范围集合;对于所获取的每个患病概率范围,确定与该患病概率范围对应的数据段比例,其中,与该患病概率范围对应的数据段比例为各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中属于该患病概率范围的心脏病患病概率向量分量数量除以各所述待分析心电图数据段数量的比值;按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与对应的数据段比例最大的患病概率范围对应的心脏病诊断结果信息;用所确定的心脏病诊断结果信息生成所述目标用户患有该预设心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息,包括:对于每个所述预设心脏病,响应于确定与该预设心脏病对应的确诊心电图数据段比例不小于与该预设心脏病对应的确诊比例阈值,将该预设心脏病标记为确诊心脏病,其中,与该预设心脏病对应的确诊心电图数据段比例为与该预设心脏病对应的确诊心电图数据段数除以各所述待分析心电图数据段总数的比值,与该预设心脏病对应的确诊心电图数据段数为各所述待分析心电图数据段对应的心脏病患病概率向量与该预设心脏病对应的分量中大于该预设心脏病对应的患病概率阈值的数量;生成用于指示所述目标用户确诊患有各所述预设心脏病中被标记为确诊心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述方法还包括:对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于所述目标用户的心脏病诊断结果信息指示所述目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,针对该预设阵发性心脏病执行以下第一阵发性心脏病预测操作:计算所述目标用户的心脏病患病概率向量与该预设阵发性心脏病对应的参考阵发性心脏病患病概率向量之间的概率向量距离;响应于确定所述概率向量距离小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示所述目标用户患有该预设阵发性疾病的阵发性心脏病诊断结果信息,其中,所述M为小于等于所述K的正整数,所述M种预设阵发性心脏病对应的心脏病属于所述K种预设心脏病。
在一些可选的实施方式中,所述第一阵发性心脏病预测操作,还包括:响应于确定所述概率向量距离不小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示所述目标用户未患有该预设阵发性疾病的阵发性心脏病诊断结果信息。
在一些可选的实施方式中,各所述预设阵发性心脏病对应的参考阵发性心脏病患病概率向量是通过对于每个所述预设阵发性心脏病执行如下概率向量生成步骤得到的:获取与该预设阵发性心脏病对应的未确认病症心电图数据段集合,其中,各所述未确认病症心电图数据段为对未确认病症心电图数据进行分段处理后所得到的心电图数据段,所述未确认病症心电图数据为对确诊患有该阵发性心脏病对应的心脏病的受检者进行心电检查的心电图数据中、被标注为根据所述未确认病症心电图数据相应受检者未患有该阵发性心脏病对应的心脏病;将各所述未确认病症心电图数据段分别输入所述第一心电图分析模型,得到相应的心脏病患病概率向量;对每个所述未确认病症心电图数据段,确定该未确认病症心电图数据段对应的概率向量平均距离,所述该未确认病症心电图数据段对应的概率向量平均距离为该未确认病症心电图数据段对应的心脏病患病概率向量与所述未确认病症心电图数据段集合中除该未确认病症心电图数据段外其他未确认病症心电图数据段对应的心脏病患病概率向量之间的平均距离;基于各所述未确认病症心电图数据段对应的概率向量平均距离,在各所述未确认病症心电图数据段中确定中心未确认病症心电图数据段;将所述中心未确认病症心电图数据段对应的心脏病患病概率向量确定为与该阵发性心脏病对应的参考阵发性心脏病患病概率向量。
在一些可选的实施方式中,所述M种预设阵发性心脏病中每种阵发性心脏病对应的概率向量距离阈值是通过如下方式得到的:对各所述未确认病症心电图数据段按照对应的概率向量平均距离从大到小的顺序排序;将各所述未确认病症心电图数据段中排序在预设边界概率向量平均距离排序位置的未确认病症心电图数据段确定为边界未确认病症心电图数据段;对于所述M种预设阵发性心脏病中每种阵发性心脏病,将所述边界未确认病症心电图数据段对应的心脏病患病概率向量中与该阵发性心脏病对应的心脏病对应的分量确定为与该阵发性心脏病对应的概率向量距离阈值。
在一些可选的实施方式中,所述方法还包括:对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于所述目标用户的心脏病诊断结果信息指示所述目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,执行以下第二阵发性心脏病预测操作:分别将各所述待分析心电图数据段输入预先训练的与该预设阵发性心脏病对应的第二心电图分析模型,得到与该预设阵发性心脏病和所述待分析心电图数据段对应的、用于表征是否患有该预设阵发性心脏病的阵发性心脏病预测结果,与该预设阵发性心脏病对应的第二心电图分析模型用于表征心电图数据段与阵发性心脏病预测结果之间的对应关系;以及基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,其中,所述M为小于等于所述K的正整数,所述M种预设阵发性心脏病对应的心脏病属于所述K种预设心脏病。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,包括:确定该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果中是否存在用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果;响应于确定存在,生成用于指示所述目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,还包括:响应于确定不存在,生成用于指示所述目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,包括:响应于确定与该预设阵发性心脏病对应的确诊预测结果比例大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示所述目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果,其中,与该预设阵发性心脏病对应的确诊预测结果比例为与该预设阵发性心脏病对应的确诊预测结果数量除以各所述待分析心电图数据段总数的比值,与该预设阵发性心脏病对应的确诊预测结果数量为该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果中用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果数量。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,还包括:响应于确定与该预设阵发性心脏病对应的确诊预测结果比例不大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示所述目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述获取目标用户的至少一段待分析心电图数据段,包括:获取目标用户的待分析心电图数据;将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段。
在一些可选的实施方式中,在所述将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段之前,所述方法还包括:
对所述待分析心电图数据进行重采样处理,以使得所述待分析心电图数据的采样频率为预设采样频率。
在一些可选的实施方式中,所述将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段,包括:对所述待分析心电图数据进行平均分段处理,得到至少一段所述待分析心电图数据段,其中,各所述待分析心电图数据段包括F帧的心电图数据,所述F为正整数。
在一些可选的实施方式中,所述K种预设心脏病选自预设心脏病集合中的所述K种心脏病,所述预设心脏病集合包括:窦性心动过速、窦性心动过缓、房性早搏、交界性早搏、室性早搏、室上性心动过速、室性心动过速、心房扑动、心房颤动、房性逸搏、交界性逸搏、室性逸搏、右束支传导阻滞、窦性心律不齐、窦性停搏、室上性早搏、室上性早搏成对、室上性早搏二联律、室上性早搏三联律、室性早搏、室性早搏成对、室性早搏二联律、室性早搏三联律、室上性逸搏、预激综合征、心室扑动、心室颤动、室性逸搏、一度房室传导阻滞、二度房室传导阻滞、三度房室传导阻滞、室内传导阻滞、左束支传导阻滞、完全右束支传导阻滞、左前分支传导阻滞、左心室肥厚、右心室肥厚、左心房肥大和右心房肥大。
在一些可选的实施方式中,所述M种预设阵发性心脏病选自预设阵发性心脏病集合中的所述M种阵发性心脏病,所述预设阵发性心脏病集合包括:阵发性窦性心动过速、阵发性窦性心动过缓、阵发性房性早搏、阵发***界性早搏、阵发性室性早搏、阵发性室上性心动过速、阵发性室性心动过速、阵发性心房扑动、阵发性心房颤动、阵发性房性逸搏、阵发***界性逸搏、阵发性室性逸搏、阵发性窦性心律不齐、阵发性窦性停搏和阵发性室上性早搏。
第二方面,本公开的实施例提供了一种心电图分析装置,该装置包括:数据获取单元,被配置成获取目标用户的至少一段待分析心电图数据段;数据分析单元,被配置成分别将各所述待分析心电图数据段输入预先训练的第一心电图分析模型,得到与所述待分析心电图数据段对应的心脏病患病概率向量,其中,心脏病患病概率向量用于表征患有K种预设心脏病中每种预设心脏病的概率,所述第一心电图分析模型用于表征心电图数据段与心脏病患病概率向量之间的对应关系,所述K为正整数;心脏病诊断结果生成单元,被配置成基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息。
在一些可选的实施方式中,所述第一心电图分析模型是通过如下第一训练步骤预先训练得到的:获取第一训练数据集,其中,第一训练数据包括样本心电图数据段和相应标注心脏病患病概率向量,所述第一训练数据中的标注心脏病患病概率向量用于指示所述第一训练数据中样本心电图数据段对应被采集者患有各所述预设心脏病的概率;基于所述第一训练数据集对初始第一心电图分析模型进行训练;将训练得到的所述初始第一心电图分析模型确定为所述预先训练的第一心电图分析模型。
在一些可选的实施方式中,所述心脏病诊断结果生成单元进一步被配置成:对于每个所述预设心脏病,执行以下第一诊断结果信息生成操作:根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率;按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与所述目标用户患有该预设心脏病的心脏病患病概率对应的心脏病诊断结果信息;用所确定的心脏病诊断结果信息生成所述目标用户患有该预设心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率,包括:将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量的均值确定为所述目标用户患有该预设心脏病的心脏病患病概率;或者将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序,以及将排序在预设分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率。
在一些可选的实施方式中,所述根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率,包括:将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序;响应于确定当前应用场景为少误报场景,将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最小值或者排序在预设较小概率分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率;响应于确定当前应用场景为少漏报场景,将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最大值或者排序在预设较大概率分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率。
在一些可选的实施方式中,所述与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,包括以下至少一项:第一对应关系,所述第一对应关系用于表征第一患病概率范围对应用于指示未确诊患有该预设心脏病的第一诊断结果信息,其中,第一患病概率范围为小于该预设心脏病对应的患病概率阈值;第二对应关系,所述第二对应关系用于表征第二患病概率范围对应用于指示确诊患有该预设心脏病的第二诊断结果信息,其中,第二患病概率范围为大于或等于该预设心脏病对应的患病概率阈值。
在一些可选的实施方式中,各所述预设心脏病对应的患病概率阈值是通过如下患病概率阈值确定步骤得到的:获取测试数据集,其中,测试数据包括样本心电图数据段和标注心脏病患病概率向量,所述测试数据中的标注心脏病患病概率向量用于指示所述测试数据中样本心电图数据段对应被采集者患有各所述预设心脏病的概率;将各所述测试数据中的样本心电图数据段输入所述第一心电图分析模型,得到与所述测试数据对应的心脏病患病概率向量测试结果;对于每个所述预设心脏病,执行以下患病概率阈值确定操作:获取与该预设心脏病对应的候选患病概率阈值集;对于所获取的每个候选患病概率阈值,执行以下统计操作:根据各所述测试数据对应的心脏病患病概率向量测试结果中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值,以及相应测试数据中标注心脏病患病概率向量中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值,统计与该预设心脏病和该候选患病概率阈值对应的敏感性和特异性;响应于确定当前应用场景为少漏报场景,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的敏感性从大到小的顺序排序;将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高敏感性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值;响应于确定当前应用场景为少误报场景,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的特异性从大到小的顺序排序;将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高特异性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值。
在一些可选的实施方式中,所述心脏病诊断结果生成单元进一步被配置成:对于每个所述预设心脏病,执行以下第二诊断结果信息生成操作:获取与该预设心脏病对应的患病概率范围集合;对于所获取的每个患病概率范围,确定与该患病概率范围对应的数据段比例,其中,与该患病概率范围对应的数据段比例为各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中属于该患病概率范围的心脏病患病概率向量分量数量除以各所述待分析心电图数据段数量的比值;按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与对应的数据段比例最大的患病概率范围对应的心脏病诊断结果信息;用所确定的心脏病诊断结果信息生成所述目标用户患有该预设心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述心脏病诊断结果生成单元进一步被配置成:对于每个所述预设心脏病,响应于确定与该预设心脏病对应的确诊心电图数据段比例不小于与该预设心脏病对应的确诊比例阈值,将该预设心脏病标记为确诊心脏病,其中,与该预设心脏病对应的确诊心电图数据段比例为与该预设心脏病对应的确诊心电图数据段数除以各所述待分析心电图数据段总数的比值,与该预设心脏病对应的确诊心电图数据段数为各所述待分析心电图数据段对应的心脏病患病概率向量与该预设心脏病对应的分量中大于该预设心脏病对应的患病概率阈值的数量;生成用于指示所述目标用户确诊患有各所述预设心脏病中被标记为确诊心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述装置还包括第一阵发性心脏病预测单元,被配置成:对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于所述目标用户的心脏病诊断结果信息指示所述目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,针对该预设阵发性心脏病执行以下第一阵发性心脏病预测操作:计算所述目标用户的心脏病患病概率向量与该预设阵发性心脏病对应的参考阵发性心脏病患病概率向量之间的概率向量距离;响应于确定所述概率向量距离小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示所述目标用户患有该预设阵发性疾病的阵发性心脏病诊断结果信息,其中,所述M为小于等于所述K的正整数,所述M种预设阵发性心脏病对应的心脏病属于所述K种预设心脏病。
在一些可选的实施方式中,所述第一阵发性心脏病预测操作,还包括:响应于确定所述概率向量距离不小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示所述目标用户未患有该预设阵发性疾病的阵发性心脏病诊断结果信息。
在一些可选的实施方式中,各所述预设阵发性心脏病对应的参考阵发性心脏病患病概率向量是通过对于每个所述预设阵发性心脏病执行如下概率向量生成步骤得到的:获取与该预设阵发性心脏病对应的未确认病症心电图数据段集合,其中,各所述未确认病症心电图数据段为对未确认病症心电图数据进行分段处理后所得到的心电图数据段,所述未确认病症心电图数据为对确诊患有该阵发性心脏病对应的心脏病的受检者进行心电检查的心电图数据中、被标注为根据所述未确认病症心电图数据相应受检者未患有该阵发性心脏病对应的心脏病;将各所述未确认病症心电图数据段分别输入所述第一心电图分析模型,得到相应的心脏病患病概率向量;对每个所述未确认病症心电图数据段,确定该未确认病症心电图数据段对应的概率向量平均距离,所述该未确认病症心电图数据段对应的概率向量平均距离为该未确认病症心电图数据段对应的心脏病患病概率向量与所述未确认病症心电图数据段集合中除该未确认病症心电图数据段外其他未确认病症心电图数据段对应的心脏病患病概率向量之间的平均距离;基于各所述未确认病症心电图数据段对应的概率向量平均距离,在各所述未确认病症心电图数据段中确定中心未确认病症心电图数据段;将所述中心未确认病症心电图数据段对应的心脏病患病概率向量确定为与该阵发性心脏病对应的参考阵发性心脏病患病概率向量。
在一些可选的实施方式中,所述M种预设阵发性心脏病中每种阵发性心脏病对应的概率向量距离阈值是通过如下方式得到的:对各所述未确认病症心电图数据段按照对应的概率向量平均距离从大到小的顺序排序;将各所述未确认病症心电图数据段中排序在预设边界概率向量平均距离排序位置的未确认病症心电图数据段确定为边界未确认病症心电图数据段;对于所述M种预设阵发性心脏病中每种阵发性心脏病,将所述边界未确认病症心电图数据段对应的心脏病患病概率向量中与该阵发性心脏病对应的心脏病对应的分量确定为与该阵发性心脏病对应的概率向量距离阈值。
在一些可选的实施方式中,所述装置还包括:第二阵发性心脏病预测单元,被配置成:对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于所述目标用户的心脏病诊断结果信息指示所述目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,执行以下第二阵发性心脏病预测操作:分别将各所述待分析心电图数据段输入预先训练的与该预设阵发性心脏病对应的第二心电图分析模型,得到与该预设阵发性心脏病和所述待分析心电图数据段对应的、用于表征是否患有该预设阵发性心脏病的阵发性心脏病预测结果,与该预设阵发性心脏病对应的第二心电图分析模型用于表征心电图数据段与阵发性心脏病预测结果之间的对应关系;以及基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,其中,所述M为小于等于所述K的正整数,所述M种预设阵发性心脏病对应的心脏病属于所述K种预设心脏病。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,包括:确定该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果中是否存在用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果;响应于确定存在,生成用于指示所述目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,还包括:响应于确定不存在,生成用于指示所述目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,包括:响应于确定与该预设阵发性心脏病对应的确诊预测结果比例大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示所述目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果,其中,与该预设阵发性心脏病对应的确诊预测结果比例为与该预设阵发性心脏病对应的确诊预测结果数量除以各所述待分析心电图数据段总数的比值,与该预设阵发性心脏病对应的确诊预测结果数量为该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果中用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果数量。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,还包括:响应于确定与该预设阵发性心脏病对应的确诊预测结果比例不大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示所述目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述数据获取单元进一步被配置成:获取目标用户的待分析心电图数据;将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段。
在一些可选的实施方式中,所述数据获取单元进一步被配置成:在所述将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段之前,对所述待分析心电图数据进行重采样处理,以使得所述待分析心电图数据的采样频率为预设采样频率。
在一些可选的实施方式中,所述将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段,包括:对所述待分析心电图数据进行平均分段处理,得到至少一段所述待分析心电图数据段,其中,各所述待分析心电图数据段包括F帧的心电图数据,所述F为正整数。
在一些可选的实施方式中,所述K种预设心脏病选自预设心脏病集合中的所述K种心脏病,所述预设心脏病集合包括:窦性心动过速、窦性心动过缓、房性早搏、交界性早搏、室性早搏、室上性心动过速、室性心动过速、心房扑动、心房颤动、房性逸搏、交界性逸搏、室性逸搏、右束支传导阻滞、窦性心律不齐、窦性停搏、室上性早搏、室上性早搏成对、室上性早搏二联律、室上性早搏三联律、室性早搏、室性早搏成对、室性早搏二联律、室性早搏三联律、室上性逸搏、预激综合征、心室扑动、心室颤动、室性逸搏、一度房室传导阻滞、二度房室传导阻滞、三度房室传导阻滞、室内传导阻滞、左束支传导阻滞、完全右束支传导阻滞、左前分支传导阻滞、左心室肥厚、右心室肥厚、左心房肥大和右心房肥大。
在一些可选的实施方式中,所述M种预设阵发性心脏病选自预设阵发性心脏病集合中的所述M种阵发性心脏病,所述预设阵发性心脏病集合包括:阵发性窦性心动过速、阵发性窦性心动过缓、阵发性房性早搏、阵发***界性早搏、阵发性室性早搏、阵发性室上性心动过速、阵发性室性心动过速、阵发性心房扑动、阵发性心房颤动、阵发性房性逸搏、阵发***界性逸搏、阵发性室性逸搏、阵发性窦性心律不齐、阵发性窦性停搏和阵发性室上性早搏。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的心电图分析方法、装置、电子设备和存储介质,通过首先获取目标用户的至少一段待分析心电图数据段。然后,分别将各待分析心电图数据段输入预先训练的第一心电图分析模型,得到与每个待分析心电图数据段对应的心脏病患病概率向量。最后,基于各待分析心电图数据段对应的心脏病患病概率向量,生成目标用户的心脏病诊断结果信息。从而通过分析目标用户的至少一段心电图数据得到目标用户的心脏病诊断结果信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的,而并不认为是对本公开的限制。在附图中:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2A是根据本公开的心电图分析方法的一个实施例的流程图;
图2B是根据本公开的步骤203的一个实施例的分解流程图;
图2C是根据本公开的步骤203的又一个实施例的分解流程图;
图2D是根据本公开的步骤203的另一个实施例的分解流程图;
图3是根据本公开的第一训练步骤的一个实施例的流程图;
图4是根据本公开的患病概率阈值确定步骤的一个实施例的流程图;
图5是根据本公开的心电图分析方法的又一个实施例的流程图;
图6是根据本公开的概率向量生成步骤的一个实施例的流程图;
图7是根据本公开的概率向量距离阈值确定步骤的一个实施例的流程图;
图8A是根据本公开的心电图分析方法的另一个实施例的流程图;
图8B是根据本公开的步骤8042的一个实施例的分解流程图;
图8C是根据本公开的步骤8042的又一个实施例的分解流程图;
图9是根据本公开的第二训练步骤的一个实施例的流程图;
图10是根据本公开的心电图分析装置的一个实施例的结构示意图;
图11是根据本公开的电子设备一个实施例的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开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公开。
图1示出了可以应用本公开的心电图分析方法或心电图分析装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括客户端101、102、103,网络104和服务器105。网络104用以在客户端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用客户端101、102、103通过网络104与服务器105交互,以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用,例如心电图采集类应用、心电图分析类应用、远程问诊类应用、医疗信息咨询类应用、健康状况监控类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
客户端101、102、103可以是硬件,也可以是软件。当客户端101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当客户端101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供便携式心电采集和分析类服务),也可以实现成单个软件或软件模块。在此不做具体限定。
在一些情况下,本公开所提供的心电图分析方法可以由客户端101、102、103执行,相应地,心电图分析装置可以设置于客户端101、102、103中。这时,***架构100也可以不包括服务器105。
在一些情况下,本公开所提供的心电图分析方法可以由客户端101、102、103和服务器105共同执行,例如,“获取目标用户的至少一段待分析心电图数据段”的步骤可以由客户端101、102、103执行,“分别将各待分析心电图数据段输入预先训练的第一心电图分析模型,得到与待分析心电图数据段对应的心脏病患病概率向量”等步骤可以由服务器105执行。本公开对此不做限定。相应地,心电图分析装置也可以分别设置于客户端101、102、103和服务器105中。
在一些情况下,本公开所提供的心电图分析方法可以由服务器105执行,相应地,心电图分析装置也可以设置于服务器105中,这时,***架构100也可以不包括客户端101、102、103。
服务器105可以是提供各种服务的服务器,例如对客户端101、102、103上显示的心电图分析类应用或者提供心电图分析类服务的网页提供支持的后台服务器。后台服务器可以对接收到的心电图分析请求等数据进行分析等处理,并将处理结果(例如心脏病诊断结果信息)反馈给客户端。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的客户端、网络和服务器。
继续参考图2A,其示出了根据本公开的心电图分析方法的一个实施例的流程200,该心电图分析方法包括以下步骤:
步骤201,获取目标用户的至少一段待分析心电图数据段。
在本实施例中,心电图分析方法的执行主体(例如图1所示的客户端)可以本地或者从与上述执行主体网络连接的其他电子设备(例如,与客户端通过蓝牙无线连接的便携式心电采集设备)获取目标用户的至少一段待分析心电图数据段。
这里,可以首先利用心电图机或者便携式心电图采集设备对目标用户进行心电检查,以得到目标用户的心电图数据。其中,目标用户的心电图数据可以包括至少一个导联的心电信号序列。而目标用户的至少一段待分析心电图数据段可以是基于目标用户的心电图数据进行预处理之后所得到的。
在一些可选的实现方式中,目标用户的各待分析心电图数据段中可以包括L导联的心电图信号序列。这里,L可以为大于等于1的正整数。可以理解的是,当L为1时,目标用户的各待分析心电图数据段为单导联心电信号序列。而对大多数便携式心电采集设备而言,通常采集到的为单导联心电信号。因此,可通过对便携式心电采集设备采集的目标用户的单导联心电信号序列进行心电图分析,并得到相应的心脏病诊断结果信息,由于便携式心电采集设备较为轻便,可实现随时随地进行心电信号采集与分析。
在一些可选的实现方式中,步骤201可以包括如下步骤2011和步骤2012:
步骤2011,获取目标用户的待分析心电图数据。
可选地,目标用户可以通过使用便携式心电采集设备自行进行心电检查,然后上述执行主体可以通过连接(例如,通过蓝牙无线连接)上述便携式心电采集设备,以获取便携式心电采集设备采集的目标用户的待分析心电图数据。这样,可实现采集完目标用户的心电图数据后及时获取并分析以生成心脏病诊断结果信息,方便向用户随时随地进行心电检查并及时分析后得到其心脏病诊断结果信息,再根据上述心脏病诊断结果信息确定是否去医院就诊。
可选地,也可以利用心电图机(例如,医院中的心电图机)对目标用户进行心电检查得到目标用户的待分析心电图数据,再利用心电图机连接的控制主机获取目标用户的待分析心电图数据。而上述执行主体也可以通过有线或者无线网络连接上述心电图机连接的控制主机,以获取心电图机采集的目标用户的待分析心电图数据。
步骤2012,将待分析心电图数据进行分段处理,得到至少一段待分析心电图数据段。
为了使得分段处理后得到的待分析心电图数据段符合第一心电图分析模型的数据输入的要求,这里可以采用各种实现方式对待分析心电图数据进行分段处理。
这里,假设待分析心电图数据是由P帧心电图数据组成的信号序列,每帧心电图数据包括L导联的心电信号,其中,P和L均为正整数。
可选地,可以采用平均分段方法,从待分析心电图数据第一帧数据开始,每次连续获取F(F为小于P的正整数)帧心电图数据作为待分析心电图数据段,两次连续获取的心电图数据段之间不重叠,直到待分析心电图数据中不存在未被获取的心电图数据或者待分析心电图数据中未被获取的心电图数据帧数大于零小于F,再获取待分析心电图数据中剩余未被获取的心电图数据,并将最后获取的大于零小于F帧的心电图数据再添加一些心电图数据以形成F帧的心电图数据作为待分析心电图数据段。采用该平均分段方法,可以获取到待分析心电图数据中的所有数据,不会遗漏数据,以避免数据不完善可能导致后续所的生成心脏病诊断结果信息不准确。另外,各待分析心电图数据段之间无重叠,可减少后续步骤202中输入给第一心电图分析模型的待分析心电图数据的数量,继而减少计算量,提高计算速度。
可选地,还可以通过滑动窗口的分段方法,从待分析心电图数据第一帧数据开始,每次连续获取F(F为小于P的正整数)帧心电图数据作为待分析心电图数据段,下次从上次获取心电图数据的起始帧开始向后滑动W(W为小于F的正整数)帧后再次获取F帧的心电图数据,直到待分析心电图数据中不存在未被获取的心电图数据或者待分析心电图数据中未被获取的心电图数据帧数大于零小于F,再获取待分析心电图数据中剩余未被获取的心电图数据,并将最后获取的大于零小于F帧的心电图数据再添加一些心电图数据以形成F帧的心电图数据作为待分析心电图数据段。采用该滑动窗口分段方法,不仅可以获取到待分析心电图数据中的所有数据,而且相邻获取的两个待分析心电图数据段之间存在数据重叠,可涵盖起始时间为各种类型的心电图数据段。例如,所获取的各待分析数据可以从P波、PR间期、QRS波群、ST段、T波、U波或者QT间期开始等。由于可涵盖的心电图数据段类型更丰富,可丰富后续步骤202中输入给第一心电图分析模型的待分析心电图数据段的类型,提高所生成的心脏病诊断结果信息的准确度。
采用上述两种分段方式所得到的各待分析心电图数据段中均包括F帧心电图信号,且每帧心电图信号中包括L导联心电信号,使得待分析心电图数据段符合第一心电图分析模型的所需输入数据的要求。
在一些可选的实施方式中,上述执行主体还可以在步骤2012之前执行以下步骤2011’:
步骤2011’,对待分析心电图数据进行重采样处理,以使得待分析心电图数据的采样频率为预设采样频率。
这里,可以通过对待分析心电图数据进行上采样或者下采样,以使得待分析心电图数据的采样频率为预设采样频率。下采样时需要对待分析心电图数据进行抽取(decimation),上采样时需要对待分析心电图数据进行插值(interpolation)。需要说明的是,可以采用各种现在已知或者未来开发的重采样方法,本公开对此不做具体限定。
通过执行步骤2011’,待分析心电图数据的采样频率为预设采样频率。假设,预设采样频率为f赫兹(Hertz),f为正整数,即待分析心电图数据中每秒钟对应有f帧心电图数据。继而后续在执行步骤2012时,若采用平均分段方法或者滑动窗口分段方法对待分析心电图数据进行分段处理后,每个待分析心电图数据段中可包括F帧心电图数据,F可以是n与f的乘积,n为正数。即,每个待分析心电图数据段均对应时长为n秒的心电图数据。这里,n秒可以是由具有医学知识的技术人员预先设置的、大于平均人体心动周期的时长,以实现大部分情况下每个待分析心电图数据段中可涵盖一整个心动周期,以提高后续步骤202中输入给第一心电图分析模型的待分析心电图数据涵盖整个心动周期的概率,继而提高心脏病诊断结果信息生成的准确度。
步骤202,分别将各待分析心电图数据段输入预先训练的第一心电图分析模型,得到与待分析心电图数据段对应的心脏病患病概率向量。
在本实施例中,上述执行主体可以对于步骤201所获取的每个待分析心电图数据段,将该待分析心电图数据段输入预先训练的第一心电图分析模型,得到与该待分析心电图数据段对应的心脏病患病概率向量。
这里,心脏病患病概率向量用于表征患有K种预设心脏病中每种预设心脏病的概率。第一心电图分析模型用于表征心电图数据段与心脏病患病概率向量之间的对应关系,K为正整数。可选地,心脏病患病概率向量可以为K维向量,K维向量中的K个分量分别与K种预设心脏病一一对应,每个分量用于表征患有K种预设心脏病相应预设心脏病的概率。
比如,上述心脏病患病概率向量中的分量可以为0到1之间的数值,上述数值越接近1,表明患有相应预设心脏病的可能性越大。
实践中,心脏病可分为各种不同类型。这里,K种预设心脏病可为K种不同类型的心脏病。可选地,K为大于等于2的正整数。如此,第一心电图分析模型可输出大于等于两种以上心脏病的患病概率或患病程度信息等。
在一些可选的实施方式中,K种预设心脏病可以选自预设心脏病集合中的K种心脏病,预设心脏病集合可以包括但不限于以下心脏病:窦性心动过速(SNT,Sinustachycardia)、窦性心动过缓(SNB,Sinus bradycardia)、房性早搏(PAC,Prematureatrial contraction)、交界性早搏(PJC,Premature junctional contraction)、室性早搏(PVC,Premature ventricular contraction)、室上性心动过速(SVT,Supraventriculartachycardia)、室性心动过速(VT,Ventricular tachycardia)、心房扑动(AFL,Atrialflutter)、心房颤动(AF,Atrial fibrillation)、房性逸搏(AE,Atrial escape)、交界性逸搏(JE,Junctional escape)、室性逸搏(VE,Ventricular escape)、右束支传导阻滞(RBBB,Right bundle branch block)、窦性心律不齐(Sinus Arrhythmia)、窦性停搏(SinusArrest)、室上性早搏(Supraventricular Premature Beats)、室上性早搏成对(PairedSupraventricular Premature Beats)、室上性早搏二联律(Bigeminy Coupled Rhythm ofSupraventricular Premature Beats)、室上性早搏三联律(Trigeminy ofSupraventricular Premature Beats)、室性早搏(Ventricular Premature Beat)、室性早搏成对(Paired Ventricular Premature Beat)、室性早搏二联律(Bigeminy CoupledRhythm of Ventricular Premature Beat)、室性早搏三联律(Trigeminy of VentricularPremature Beat)、室上性逸搏(Supraventricular Escape Beat)、WPW综合征(Wolf-Parkinson-White Syndrome)、心室扑动(Ventricular Flutter)、心室颤动(VF,Ventricular Fibrillation)、室性逸搏(Ventricular Escape)、一度房室传导阻滞(IVAB,first degree Atrio-Ventricular Block)、二度房室传导阻滞(IIVAB,Secondary degreeAtrio-Ventricular Block)、三度房室传导阻滞(IIIVAB,Third degree Atrio-Ventricular Block)、室内传导阻滞(IVB,Intra-Ventricular Block)、左束支传导阻滞(LBBB,Left Bundle Branch Block)、完全右束支传导阻滞(CRBBB,Complete RightBundle Branch Block)、左前分支传导阻滞(Conduction Block in Left Forearm)、左心室肥厚(Left Ventricular Hypertrophy)、右心室肥厚(Right VentricularHypertrophy)、左心房肥大(Left Atrial Hypertrophy)和右心房肥大(Right AtrialHypertrophy)。
作为示例,第一心电图分析模型可以是由技术人员基于大量的实践中确诊患有K种预设心脏病中不同心脏病的病人的心电图数据段进行统计分析后,而预先制定的、对心电图数据段中不同时间点的心电图数据的不同导联的数据进行计算并得到K种不同预设心脏病患病概率的计算公式。
在一些可选的实施方式中,第一心电图分析模型也可以是通过如图3所示的第一训练步骤300预先训练得到的,第一训练步骤300可包括如下步骤301到步骤303:
这里,第一训练步骤的执行主体可以与上述心电图分析方法的执行主体相同或者不同。如果第一训练步骤的执行主体与上述心电图分析方法的执行主体相同,则第一训练步骤的执行主体可以在训练得到第一心电图分析模型后将训练好的第一心电图分析模型的模型结构信息和模型参数的参数值存储在上述执行主体本地。如果第一训练步骤的执行主体与上述心电图分析方法的执行主体不同,则第一训练步骤的执行主体可以在训练得到第一心电图分析模型后将训练好的第一心电图分析模型的模型结构信息和模型参数的参数值发送给上述心电图分析方法的执行主体。
步骤301,获取第一训练数据集。
这里,第一训练数据可以包括样本心电图数据段和相应的标注心脏病患病概率向量。第一训练数据中的标注心脏病患病概率向量用于指示第一训练数据中样本心电图数据段对应被采集者患有上述K种预设心脏病中各预设心脏病的概率。
可选地,第一训练数据集可以是通过如下方式得到的:
首先,获取对不同受检者进行心电检查所得到的样本心电图数据集。
其次,由具备专业医学知识的技术人员,根据样本心电图数据集中对同一受检者进行心电检查得到的样本心电图数据,对该受检者是否患有上述K种预设心脏病进行诊断,再依据该受检者的诊断结果对该受检者的所有样本心电图数据进行标注,以确定该受检者患有K种预设心脏病中每种预设心脏病的概率,继而可得到与每个样本心电图数据对应的标注心脏病患病概率向量。
接着,可以对样本心电图数据集中各样本心电图数据进行分段处理,进而可得到样本心电图数据段。具体如何分段可参考上文步骤2012中的相关描述,在此不再赘述。
可选地,在对样本心电图数据集中各样本心电图数据进行分段处理之前,对样本心电图数据集中各样本心电图数据进行重采样处理,以使得各样本心电图数据的采样频率为预设采样频率。接着,再对重采样处理之后的各样本心电图数据进行分段处理,以使得所得到的各样本心电图数据段的采样频率也是预设采样频率。关于具体的重采样方法可以参考上文步骤2011’中的相关描述,在此不再赘述。
最后,再用所得到的样本心电图数据段和该样本心电图数据段所来自的样本心电图数据对应的标注心脏病概率向量生成第一训练数据,继而得到第一训练数据集。
步骤302,基于第一训练数据集对初始第一心电图分析模型进行训练。
这里,可以采用各种机器学习方法,基于第一训练数据集对初始第一心电图分析模型进行训练。
这里,初始第一心电图分析模型可以是各种机器学习模型。例如,初始第一心电图分析模型可以是人工神经网络(ANN,Artificial Neural Network)、深度学习(DL,DeepLearning)模型、支持向量机(SVM,Support Vector Machines)、随机森林(RF,RandomForest)、决策树(DT,Decision Tree)、线性回归(LR,Linear Regression)、逻辑回归(LR,Logistic Regression)、泊松回归(PR,Poisson Regression)、岭回归(RidgeRegression)、套索回归(Lasso Regression)、k近邻(KNN,k-Nearest Neighbor)、线性判别分析(Linear Discriminant Analysis,LDA)和对数线性模型(Logarithmic linearmodel,LLM)等。
可选地,初始第一心电图分析模型可以为深度学习模型,初始第一心电图分析模型可以包括卷积(convolutional)层、批标准化(batch normalization)层、激活函数(activation function)层、随机失活(dropout)层、全连接(fully connected)层以及池化(pooling)层。
具体而言,步骤302可以如下执行:
首先,将第一训练数据集的第一训练数据中的样本心电图数据段输入初始第一心电图分析模型,得到相应的心脏病患病概率向量。
需要说明的是,这里可以是每次对于第一训练数据集中的一个第一训练数据,或者一批(a batch)第一训练数据中的每个第一训练数据,分别将上述各第一训练数据中的样本心电图数据段输入初始第一心电图分析模型,得到相应的心脏病患病概率向量。
其次,计算所得到的心脏病患病概率向量与相应第一训练数据中标注心脏病患病概率向量之间的差异。
这里,可以采用各种差异计算方法(或称,损失函数,loss function)计算所得到的心脏病患病概率向量与相应第一训练数据中标注心脏病患病概率向量之间的差异。例如,上述损失函数可以是L1范数损失函数(也被称为最小绝对值偏差,(Least AbsoluteDeviations,LAD),最小绝对值误差(Least Absolute Error,LAE)、L2范数损失函数(也被称为最小平方误差(Least Squared Error,LSE))、0-1损失(zero-one loss)函数、绝对值损失函数、对数损失函数、平方损失函数、指数损失(exponential loss)函数、Hinge损失函数、感知损失(perceptron loss)函数、交叉熵损失函数(Cross-entropy loss function)等。
最后,基于所得到的差异调整初始第一心电图分析模型的模型参数,直到满足预设训练结束条件。
这里,可以采用各种参数优化方法,基于所得到的差异调整初始第一心电图分析模型的模型参数。
例如,可以采用以下梯度下降(Gradient Descent,GD)优化算法:批量梯度下降(Batch Gradient Descent,BGD)、小批量梯度下降(Mini-Batch Gradient Descent,MBGD)、随机梯度下降(Stochastic Gradient Descent,SGD)、动量梯度下降(GradientDescent with Momentum,GDM)、Nesterov加速梯度(Nesterov Accelerated Gradient,NAG)、RMSprop(Root Mean Square Prop)算法,自适应矩估计(Adaptive MomentEstimation,Adam)算法等。
又例如,还可以采用牛顿法、拟牛顿法、共轭梯度法(Conjugate Gradient)和启发式优化方法等,本公开对此不做具体限定。
这里,预设训练条件可以是各种预设的确定模型收敛的条件。例如,预设训练条件可包括以下至少一个条件:
条件1,执行步骤302的次数大于等于预设次数。
条件2,执行步骤302的时间超过预设训练时长。
条件3,步骤302中所得到的差异小于预设差异阈值。
条件4,在步骤302之前,预先获取验证数据集。其中,验证数据集中的验证数据包括验证心电图数据段和相应的标注心脏病患病概率向量。且,验证数据集对应的受检者与第一训练数据集对应的受检者完全不同。验证数据集中验证心电图数据段的获取方式可与步骤301的描述的获取第一训练数据集的方式相同或类似,在此不再赘述。然后,计算本次步骤302中所得到的差异与上次调整初始第一心电图分析模型的模型参数时计算所得到的差异之间的差值。条件4为上述计算得到的差值小于预设损失函数差值阈值。即,初始第一心电图分析模型的损失函数在验证数据集上不再下降或者下降幅度很小。
经过步骤302,初始第一心电图分析模型的模型参数得到优化。
步骤303,将训练得到的初始第一心电图分析模型确定为预先训练的第一心电图分析模型。
经过步骤301到步骤303,可得到模型参数经第一训练数据集训练优化后的第一心电图分析模型。
步骤203,基于各待分析心电图数据段对应的心脏病患病概率向量,生成目标用户的心脏病诊断结果信息。
步骤201中所获取的各待分析心电图数据段是基于对目标用户进行心电检查的心电图数据得到的,假设步骤201中获取了J(J为正整数)段待分析心电图数据段。而经过步骤202,可得到J个待分析心电图数据段中每个待分析心电图数据段对应的心脏病患病概率向量,即得到J个心脏病患病概率向量。其中,每个心脏病患病概率向量分别用于表征目标用户患有K种预设心脏病中每种预设心脏病的概率。每个心脏病患病概率向量可以为K维向量,其中每个分量可分别用于表征患有一种预设心脏病的概率。
这里,上述执行主体可根据具体应用场景的需要采用各种方式基于步骤202所得到的J个K维心脏病患病概率向量,生成目标用户的心脏病诊断结果信息。
这里,心脏病诊断结果信息可以是各种形式。例如,可以包括但不限于文本、图像和语音数据。
这里,心脏病诊断结果信息可以是各种与心脏病诊断相关的信息。心脏病诊断结果信息可以用于指示确诊患有某种预设心脏病,或者未确诊患有某种预设心脏病,或者还可以用于指示患有某种预设心脏病的程度。这里程度信息既可以用数值来表示,也可以用文字来表示。例如,程度信息可以是0到1之间的程度数值。程度信息还可以是例如“患有某种预设心脏病的风险非常高”、“患有某种预设心脏病的风险较高”、“患有某种预设心脏病的风险较低”、“患有某种预设心脏病的风险很低”等等。
在一些可选的实施方式中,步骤203可以如下执行:
对于每个预设心脏病,执行第一诊断结果信息生成操作。其中,第一诊断结果信息生成操作可以包括如图2B所示的步骤2031A到步骤2033A:
步骤2031A,根据各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定目标用户患有该预设心脏病的心脏病患病概率。
这里,可采用各种方式确定目标用户患有该预设心脏病的心脏病患病概率。假设i为1到K之间的正整数,Di为K种预设心脏病中的第i种预设心脏病。步骤201中获取了J(j为1到J之间的正整数)个待分析心电图数据段,SEj为其中第j个待分析心电图数据段,VPj为待分析心电图数据段SEj对应的心脏病患病概率向量,VPj,i为VPj的第i维分量。这里,对于预设心脏病数Di,可以根据J个待分析心电图数据段中每个待分析心电图数据段SEj(j为1到J之间的正整数)对应的心脏病患病概率向量VPj中的第i维分量确定目标用户患有该预设心脏病的心脏病患病概率。
可选地,可以将各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量的均值确定为目标用户患有该预设心脏病的心脏病患病概率。按照该方式,可综合考虑各待分析心电图数据段对应的心脏病患病概率向量,提高诊断结果信息生成的全面性。继续沿用上述假设,这里,即对于预设心脏病数Di,可以采用如下公式表示目标用户患有预设心脏病Di的心脏病患病概率Prbi:
或者可选地,还可以将各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序,以及将排序在预设分位的分量确定为目标用户患有该预设心脏病的心脏病患病概率。继续沿用上述假设,这里,首先将VPj,i(j为1到J之间的正整数)按照从小到大的顺序排序,排序在预设分位的为VPj′,i,j′为1到J之间的正整数。这里,目标用户患有预设心脏病Di的心脏病患病概率Prbi可以是VPj′,i。
可选地,步骤2031A也可以如下执行:
首先,可以将各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序。继续沿用上述假设,这里是指,对于预设心脏病Di,将VPj,i(j为1到J之间的正整数)按照从小到大的顺序排序。
然后,可以确定当前应用场景为少误报场景还是少漏报场景。
实践中,对人体进行心电检查一般分为少误报场景和少漏报场景。在少误报场景下,应尽量减少将未患有心脏病的患者诊断为患有心脏病,即尽量确定/诊断为未患有心脏病。少误报场景例如可以是诊断场景,即患者因出现心脏病相关症状后到医院就诊,医生开具心电图检查的场景。在少漏报场景下,应尽量减少将患有心脏病的受检者确定为未患有心脏病,即尽量确定/筛查为患有心脏病。少漏报场景例如可以是筛查场景,比如例行体检过程中检查心电图。
针对不同的应用场景,确定目标用户患有该预设心脏病的心脏病患病概率的方式可以相应不同。
如果确定当前应用场景为少误报场景,对应的需求为尽量将目标用户诊断为未患有该预设心脏病,即目标用户患有该预设心脏病的心脏病患病概率也应尽量小,这里可以将各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最小值或者排序在预设较小概率分位的分量确定为目标用户患有该预设心脏病的心脏病患病概率。由于各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量是按照从小到大的顺序排序的,则按照上述排序结果,分位越小的位置的待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量值也相应越小,进而所确定的目标用户患有该预设心脏病的心脏病患病概率也越小。这里,预设较小概率分位的分量可以为小于50%的分位。例如,预设较大概率分位可以为25%分位,即目标用户患有该预设心脏病的心脏病患病概率为各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中相对较小或者最小的待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量。为理解方便,继续沿用上述假设,目标用户患有预设心脏病Di的心脏病患病概率Prbi可以用公式表示如下:
Prbi=minj(VPj,i) (2)
或者
如果确定当前应用场景为少漏报场景,对应的需求为尽量将目标用户诊断为患有该预设心脏病,即目标用户患有该预设心脏病的心脏病患病概率也应尽量大,这里可以将各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最大值或者排序在预设较大概率分位的分量确定为目标用户患有该预设心脏病的心脏病患病概率。由于各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量是按照从小到大的顺序排序的,则按照上述排序结果,分位越大的位置的待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量值也相应越大,进而所确定的目标用户患有该预设心脏病的心脏病患病概率也越大。这里,预设较大概率分位的分量可以为大于50%的分位。例如,预设较大概率分位可以为75%分位,即目标用户患有该预设心脏病的心脏病患病概率为各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中相对较大或者最大的待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量。为理解方便,继续沿用上述假设,目标用户患有预设心脏病Di的心脏病患病概率Prbi可以用公式表示如下:
Prbi=maxj(VPj,i) (4)
或者
步骤2032A,按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与目标用户患有该预设心脏病的心脏病患病概率对应的心脏病诊断结果信息。
这里,可以预先设置有与K种预设中每种预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系。继而,步骤2032A中,可以首先在与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系中找到目标用户患有该预设心脏病的心脏病患病概率所属的患病概率范围,然后再将所找到的患病概率范围对应的心脏病诊断结果信息确定为与目标用户患有该预设心脏病的心脏病患病概率对应的心脏病诊断结果信息。
可选地,与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系可以包括以下至少一项:第一对应关系和第二对应关系。其中:
第一对应关系用于表征第一患病概率范围对应用于指示未确诊患有该预设心脏病的第一诊断结果信息,其中,第一患病概率范围为小于该预设心脏病对应的患病概率阈值。通过采用第一对应关系,可在步骤2031A所得到的目标用户患有该预设心脏病的心脏病患病概率小于该预设心脏病对应的患病概率阈值的情况下,生成目标用户未确诊患有该预设心脏病的第一诊断结果信息。
第二对应关系用于表征第二患病概率范围对应用于指示确诊患有该预设心脏病的第二诊断结果信息,其中,第二患病概率范围为大于或等于该预设心脏病对应的患病概率阈值。通过采用第二对应关系,可在步骤2031A所得到的目标用户患有该预设心脏病的心脏病患病概率大于或等于该预设心脏病对应的患病概率阈值的情况下,生成目标用户确诊患有该预设心脏病的第二诊断结果信息。
步骤2033A,用所确定的心脏病诊断结果信息生成目标用户患有该预设心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,步骤203也可以如下执行:对于每个预设心脏病,执行第二诊断结果信息生成操作。其中,第二诊断结果信息生成操作可以包括如图2C所示的步骤2031B到步骤2034B:
步骤2031B,获取与该预设心脏病对应的患病概率范围集合。
这里,对K种预设心脏病中每个预设心脏病可预设有相应的患病概率范围集合。可以理解的是,不同预设心脏病对应的各患病概率范围可以相同也可以不同,同一个预设心脏病对应的患病概率范围集合中任两个患病概率范围之间不存在重叠范围。
这里,假设i为从1到K之间的正整数,Di为K种预设心脏病中的第i种预设心脏病。步骤2031B即指,对预设心脏病Di,获取Di对应的患病概率范围集合SCPi,SCPi中包括U个患病概率范围,u1和u2分别为1到U之间的正整数,u1不等于u2,scpu1和scpu2分别SCPi中第u1和第u2个患病概率范围,scpu1和scpu2之间不存在重叠范围。
步骤2032B,对于所获取的每个患病概率范围,确定与该患病概率范围对应的数据段比例。
这里,与该患病概率范围对应的数据段比例为各待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中属于该患病概率范围的心脏病患病概率向量分量数量除以待分析心电图数据段数量的比值。
步骤2032B即指,对每个患病概率范围scpu(u为1到U之间的正整数),确定与scpu对应的数据段比例SRu。假设步骤201中获取了J个待分析心电图数据段,j为1到J之间的正整数,SEj为第j个待分析心电图数据段。VPj为待分析心电图数据段SEj对应的心脏病患病概率向量,VPj,i为VPj的第i维分量。这里,可以首先确定各待分析心电图数据段SEj对应的心脏病患病概率向量VPj中与预设心脏病Di对应的分量VPj,i中属于患病概率范围scpu的心脏病患病概率向量VPj的数量Numi,u。而与scpu对应的数据段比例SRu是指Numi,u除以J所得到的比值。
步骤2033B,按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与对应的数据段比例最大的患病概率范围对应的心脏病诊断结果信息。
这里,首先需要确定步骤2031B中获取的各患病概率范围scpu中对应的数据段比例最大的患病概率范围scpmax,然后按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与对应的数据段比例最大的患病概率范围scpmax对应的心脏病诊断结果信息。
步骤2034B,用所确定的心脏病诊断结果信息生成目标用户患有该预设心脏病的心脏病诊断结果信息。
采用该可选实施方式可针对每个预设心脏病Di,用该预设心脏病Di对应的各患病概率范围scpu中对应的数据段比例最大的患病概率范围scpmax对应的心脏病诊断结果信息,生成目标用户患有该预设心脏病Di的心脏病诊断结果信息。
由于不同类型的心脏病发病时间、周期、频率等存在不一致、不稳定、不确定等因素,对目标用户做心电检查所得到的各待分析心电图数据分段中,大多情况下,可能无法根据一段待分析心电图数据段确定目标用户是否患有每种预设心脏病。但,如果根据各待分析心电图数据段中超过一定比例的待分析心电图数据段都可以确定目标用户患有某预设心脏病,则可确定目标用户患有该预设心脏病。因而,在一些可选的实施方式中,步骤203可以包括如图2D所示的步骤2031C和步骤2032C:
步骤2031C,对于每个预设心脏病,响应于确定与该预设心脏病对应的确诊心电图数据段比例不小于与该预设心脏病对应的确诊比例阈值,将该预设心脏病标记为确诊心脏病。
这里,与该预设心脏病对应的确诊心电图数据段比例为与该预设心脏病对应的确诊心电图数据段数除以待分析心电图数据段总数(即,J)的比值,与该预设心脏病对应的确诊心电图数据段数为各待分析心电图数据段对应的心脏病患病概率向量与该预设心脏病对应的分量中大于该预设心脏病对应的患病概率阈值的数量。即,如果某待分析心电图数据段对应的心脏病患病概率向量与该预设心脏病对应的分量中大于该预设心脏病对应的患病概率阈值,表明该待分析心电图数据段采集到了目标用户发生该预设心脏病的瞬间,根据该待分析心电图数据段可确定目标用户患有该预设心脏病。如果各待分析心电图数据段中存在超过确诊比例阈值的待分析心电图数据段均可确定目标用户患有该预设心脏病,即可将该预设心脏病标记为确诊心脏病。
例如,与每个预设心脏病对应的确诊比例阈值可以为大于等于0.5小于等于1的数值。
步骤2032C,生成用于指示目标用户确诊患有各预设心脏病中被标记为确诊心脏病的心脏病诊断结果信息。
采用该可选实施方式,可以在根据各待分析心电图数据段中超过确诊比例阈值的待分析心电图数据段都可以确定目标用户患有该预设心脏病的情况下,生成确定目标用户患有该预设心脏病的诊断结果信息。
在一些可选的实施方式中,各预设心脏病对应的患病概率阈值可以是通过如图4所示的患病概率阈值确定步骤400得到的,该患病概率阈值确定步骤400可包括如下步骤401到步骤403:
步骤401,获取测试数据集。
这里,测试数据可以包括样本心电图数据段和标注心脏病患病概率向量。
测试数据中的标注心脏病患病概率向量可用于指示测试数据中样本心电图数据段对应受检者患有各预设心脏病的概率。
步骤402,将各测试数据中的样本心电图数据段输入第一心电图分析模型,得到与测试数据对应的心脏病患病概率向量测试结果。
步骤403,对于每个预设心脏病,执行患病概率阈值确定操作。
这里,患病概率阈值确定操作可以包括如下步骤4031、步骤4032、步骤4033、步骤4034A、步骤4035A、步骤4034B和步骤4035B:
步骤4031,获取与该预设心脏病对应的候选患病概率阈值集。
这里,假设i为从1到K之间的正整数,Di为K种预设心脏病中的第i种预设心脏病。这里可获取与预设心脏病Di对应的候选患病概率阈值集ThPi。这里,候选患病概率阈值集ThPi可包括至少两个候选患病概率阈值。不同预设心脏病对应的候选患病概率阈值集可以相同或不同。例如,预设心脏病D1对应的候选患病概率阈值集ThP1可以为{0.1,0.2,0.25,0.3,0.4,0.5,0.55,0.6,0.7,0.8,0.9,0.95},而预设心脏病D2对应的候选患病概率阈值集ThP2可以为{0.15,0.35,0.42,0.56,0.62,0.7,0.75,0.86,0.9,0.97}。
步骤4032,对于所获取的每个候选患病概率阈值,执行统计操作。
这里,假设预设心脏病Di对应的候选患病概率阈值集ThPi中包括Q个候选患病概率阈值,Q为正整数。而ThPi[q]表示候选患病概率阈值集ThPi中的第q个候选患病概率阈值。这里q为1到Q之间的正整数。
这里是指,对预设心脏病Di对应的候选患病概率阈值集ThPi中每个候选患病概率阈值ThPi[q]执行相应的统计操作。这里,统计操作可以如下执行:
根据各测试数据对应的心脏病患病概率向量测试结果中与该预设心脏病Di对应的向量分量是否大于该候选患病概率阈值ThPi[q],以及相应测试数据中标注心脏病患病概率向量中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值ThPi[q],统计与该预设心脏病Di和该候选患病概率阈值ThPi[q]对应的敏感性(即,真阳性率)和特异性(即,真阴性率)。具体可用公式表示如下:
其中,SEi,q和SPi,q分别为统计得到的与该预设心脏病Di和该候选患病概率阈值ThPi[q]对应的敏感性和特异性。而TPi,q、FNi,q、TNi,q和FPi,q分别为按照该候选患病概率阈值ThPi[q]对测试数据集中各测试数据在预设心脏病Di进行诊断所得到的真阳性结果数量、假阴性结果数量、真阴性结果数量和假阳性结果数量。
这里,所谓真阳性是指,测试数据中标注心脏病患病概率向量和相应心脏病患病概率向量测试结果中、与预设心脏病Di对应的分量均大于该候选患病概率阈值Thi[q],即按照该候选患病概率阈值ThPi[q],对该测试数据中的测试心电图数据段进行测试和实际标注均表明目标用户患有预设心脏病Di。即,按照该候选患病概率阈值ThPi[q],基于该测试数据对预设心脏病Di进行测试的测试结果为真阳性结果。
这里,所谓假阴性是指,测试数据中标注心脏病患病概率向量与预设心脏病Di对应的分量大于该候选患病概率阈值ThPi[q],即根据实际标注目标用户患有预设心脏病Di。但测试数据对应的心脏病患病概率向量测试结果中与预设心脏病Di对应的分量不大于该候选患病概率阈值ThPi[q],即按照该候选患病概率阈值ThPi[q],对该测试数据中的测试心电图数据段进行测试表明目标用户未患有预设心脏病Di,但根据实际标注表明目标用户患有预设心脏病Di。即,按照该候选患病概率阈值Thi[q],基于该测试数据对预设心脏病Di进行测试的测试结果为假阴性结果。
这里,所谓真阴性是指,测试数据中标注心脏病患病概率向量和该测试数据对应的心脏病患病概率向量测试结果中、与预设心脏病Di对应的分量均不大于该候选患病概率阈值ThPi[q],即按照该候选患病概率阈值ThPi[q],对该测试数据中的测试心电图数据段进行测试和实际标注均表明目标用户未患有预设心脏病Di。即,按照该候选患病概率阈值Thi[q],基于该测试数据对预设心脏病Di进行测试的测试结果为真阴性结果。
这里,所谓假阳性是指,测试数据中标注心脏病患病概率向量与预设心脏病Di对应的分量不大于该候选患病概率阈值Thi[q],即根据实际标注目标用户未患有预设心脏病Di。但测试数据的心脏病患病概率向量测试结果中与预设心脏病Di对应的分量大于该候选患病概率阈值ThPi[q],即按照该候选患病概率阈值Thi[q],对该测试数据中的测试心电图数据段进行测试表明目标用户患有预设心脏病Di,但根据实际标注表明目标用户未患有预设心脏病Di。即,按照该候选患病概率阈值ThPi[q],基于该测试数据对预设心脏病Di进行测试的测试结果为假阳性结果。
经过步骤4032可以得到与预设心脏病Di和预设心脏病Di对应的候选患病概率阈值集ThPi中每个候选概率阈值ThPi[q]对应的敏感性SEi,j和特异性SPi,j。
步骤4033,确定当前应用场景为少漏报场景还是少误报场景。
实践中,对人体进行心电检查一般分为少漏报场景(例如,筛查场景,即,例行体检过程中检查心电图)和少误报场景(例如,诊断场景,即,患者因出现心脏病相关症状后到医院就诊后检查心电图)。而针对不同的应用场景,与每个预设心脏病对应的心脏病概率阈值可以是不同的。
如果确定当前应用场景为少漏报场景,对应的需求为筛查出更多的真阳性病例(即,对应较高的真阳性率,尽量较高可能性将真实病人筛查为病人),并尽量少地筛查出假阴性病例(即,对应较低的假阴性率,尽量较低可能性将真实病人筛查为健康人),可转到步骤4034A执行。
如果确定当前应用场景为少误报场景,对应的需求为诊断出更多的真阴性病例(即,对应较高的真阴性率,尽量较高可能性将真实健康人诊断为健康人),并尽量少诊断出假阳性病例(即,对应较低的假阳性率,尽量较低可能性将真实健康人确诊为病人),可转到步骤4034B执行。
步骤4034A,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的敏感性从大到小的顺序排序。
即,如果在步骤4033中确定当前应用场景为少漏报场景,在步骤4034A中,可以对与预设心脏病Di对应的候选患病概率阈值集ThPi中各候选患病概率阈值ThPi[q]按照候选患病概率阈值ThPi[q]对应的敏感性SEi,j从大到小的顺序排序,得到候选患病概率阈值集ThPi中各候选患病概率阈值ThPi[q]的第一排序结果。
执行完步骤4034A后可转到步骤4035A执行。
步骤4035A,将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高敏感性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值。
即,将与预设心脏病Di对应的候选患病概率阈值集ThPi中排序在预设较高敏感性排序位置的候选患病概率阈值ThPi[q]确定为与预设心脏病Di对应的心脏病患病概率阈值。其中,预设较高敏感性排序位置可以是候选患病概率阈值集ThPi中排序在前第一预设比例的位置,比如排序在前5%的最后一个。预设较高敏感性排序位置也可以是候选患病概率阈值集ThPi中排序在前第一预设位置,比如排序在第三个。
这里,候选患病概率阈值集ThPi中排序在预设较高敏感性排序位置的候选患病概率阈值ThPi[q]对应的敏感性SEi,j是相对较高的,将敏感性相对较高的SEi,j对应的候选患病概率阈值ThPi[q]确定为与预设心脏病Di对应的心脏病患病概率阈值,可以在步骤203中生成目标用户的心脏病诊断结果信息的过程中,实现相对较高的真阳性率以及相对较低的假阴性率,即在少漏报下筛查出真阳性病例的可能性较高,筛查出假阴性病例的可能性较低,符合少漏报的实际需求。
步骤4034B,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的特异性从大到小的顺序排序。
即,如果在步骤4033中确定当前应用场景为少误报场景,在步骤4034B中,可以对与预设心脏病Di对应的候选患病概率阈值集ThPi中各候选患病概率阈值ThPi[q]按照候选患病概率阈值ThPi[q]对应的特异性SPi,j从大到小的顺序排序,得到候选患病概率阈值集ThPi中各候选患病概率阈值ThPi[q]的第二排序结果。
执行完步骤4034B后可转到步骤4035B执行。
步骤4035B,将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高特异性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值。
即,将与预设心脏病Di对应的候选患病概率阈值集ThPi中排序在预设较高特异性排序位置的候选患病概率阈值ThPi[q]确定为与预设心脏病Di对应的心脏病患病概率阈值。其中,预设较高特异性排序位置可以是候选患病概率阈值集ThPi中排序在前第二预设比例的位置,比如排序在前5%的最后一个。预设较高特异性排序位置也可以是候选患病概率阈值集ThPi中排序在前第二预设位置,比如排序在第五个。
这里,候选患病概率阈值集ThPi中排序在预设较高特异性排序位置的候选患病概率阈值ThPi[q]对应的特异性SPi,j是相对较高的,将特异性相对较高的SPi,j对应的候选患病概率阈值ThPi[q]确定为与预设心脏病Di对应的心脏病患病概率阈值,可以在步骤203中生成目标用户的心脏病诊断结果信息的过程中,实现相对较高的真阴性率以及相对较低的假阳性率,即在少误报下筛查出真阴性病例的可能性较高,筛查出假阳性病例的可能性较低,符合少误报的实际需求。
采用上述患病概率阈值确定步骤400的可选实施方式,可实现针对不同应用场景定制化相应的患病概率阈值,可满足不同应用场景的实际需求。
在一些可选的实施方式中,上述心电图分析方法的流程200还可以包括以下步骤204:
步骤204,呈现目标用户的心脏病诊断结果信息。
这里,可以在与上述执行主体本地连接的信息呈现设备(例如,与上述执行主体本地连接的显示设备和/或扬声器)呈现目标用户的心脏病诊断结果信息。
可选地,也可以将目标用户的心脏病诊断结果信息发送给与上述执行主体网络连接的其他电子设备,并在上述其他电子设备本地连接的信息呈现设备呈现目标用户的心脏病诊断结果信息。
具体地,可以在显示设备上呈现目标用户的心脏病诊断结果信息,例如可以以文字或图像形式呈现。也可以在声音播放设备上播放目标用户的心脏病诊断结果信息对应的语音。本公开对此不做具体限定。
本公开的上述实施例提供的心电图分析方法,通过首先获取目标用户的至少一段待分析心电图数据段。然后,分别将各待分析心电图数据段输入预先训练的第一心电图分析模型,得到与每个待分析心电图数据段对应的心脏病患病概率向量。最后,基于各待分析心电图数据段对应的心脏病患病概率向量生成目标用户的心脏病诊断结果信息。即,通过分析目标用户的心电图数据得到目标用户的心脏病诊断结果信息。
继续参考图5,其示出了根据本公开的心电图分析方法的又一个实施例的流程500。该心电图分析方法,包括以下步骤:
步骤501,获取目标用户的至少一段待分析心电图数据段。
步骤502,分别将各待分析心电图数据段输入预先训练的第一心电图分析模型,得到与待分析心电图数据段对应的心脏病患病概率向量。
步骤503,基于各待分析心电图数据段对应的心脏病患病概率向量,生成目标用户的心脏病诊断结果信息。
在本实施例中,步骤501、步骤502和步骤503的具体操作及其所产生的技术效果与图2A所示的实施例中步骤201、步骤202和步骤203的操作及效果基本相同,在此不再赘述。
步骤504,对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于目标用户的心脏病诊断结果信息指示目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,针对该预设阵发性心脏病执行第一阵发性心脏病预测操作。
实践中,有的心脏病会呈现阵发性,即为阵发性心脏病。而对于阵发性心脏病病人,由于大多心电图数据的采集时长往往只有几十秒,如果病人在做心电检查时未出现相关症状,即使经验丰富的医生也很难从心电图数据中发现问题并作出具体是哪种阵发性心脏病的诊断。但,阵发性心脏病对人体的健康隐患却很严重。因此,阵发性心脏病的发现很重要。
为了确定目标用户是否存在阵发性心脏病,在本实施例中,心电图分析方法的执行主体(例如图1所示的客户端)可以对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于目标用户的心脏病诊断结果信息指示目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,针对该预设阵发性心脏病执行第一阵发性心脏病预测操作。这里预设较低患病概率范围可以是预先设定的相对较低的患病概率范围。例如,预设较低患病概率范围可以是小于或者等于该预设阵法性心脏病对应的心脏病对应的最低患病概率阈值。其中,预设阵发性心脏病对应的心脏病对应的最低患病概率阈值可以小于或者等于相应心脏病的患病概率阈值。也可以理解为,如果目标用户患有该预设阵发性心脏病对应的心脏病的概率较低,则需进一步确定目标用户是否患有该预设阵发性心脏病。
这里,M为小于等于K的正整数,M种预设阵发性心脏病对应的心脏病属于K种预设心脏病。即,每个预设阵发性心脏病均对应有相应预设心脏病,而M种预设阵发性心脏病中每个预设阵发性心脏病对应的心脏病均属于K种预设心脏病。但,K种预设心脏病中可能存在某些预设心脏病不对应有相应的预设阵发性心脏病。
在一些可选的实施方式中,M种预设阵发性心脏病可选自以下阵发性心脏病:阵发性窦性心动过速、阵发性窦性心动过缓、阵发性房性早搏、阵发***界性早搏、阵发性室性早搏、阵发性室上性心动过速、阵发性室性心动过速、阵发性心房扑动、阵发性心房颤动、阵发性房性逸搏、阵发***界性逸搏、阵发性室性逸搏、阵发性窦性心律不齐、阵发性窦性停搏和阵发性室上性早搏。可选地,M为大于等于2的正整数。
假设,m为1到M之间的正整数,Pm为M种预设阵发性心脏病中的第m种预设阵发性心脏病。i为1到K之间的正整数,Di为K种预设心脏病中的第i种心脏病。在步骤504中,对于每种预设阵发性心脏病Pm,如果步骤503所得到的目标用户的心脏病诊断结果信息指示目标用户未患有预设阵发性心脏病Pm对应的心脏病Di,则可针对预设阵发性心脏病Pm执行第一阵发性心脏病预测操作。
这里,第一阵发性心脏病预测操作可以包括如下步骤5041和步骤5042:
步骤5041,计算目标用户的心脏病患病概率向量与该预设阵发性心脏病对应的参考阵发性心脏病患病概率向量之间的概率向量距离。
需要说明的是,每个预设阵发性心脏病Pm可对应有相应的参考阵发性心脏病患病概率向量Vm。这里,预设阵发性心脏病Pm对应的参考阵发性心脏病患病概率向量Vm用于表征确诊患有预设阵发性心脏病Pm的病人患有K种预设心脏病中每种预设心脏病的参考概率。或者,预设阵发性心脏病Pm对应的参考阵发性心脏病患病概率向量Vm可以理解为:将确诊患有预设阵发性心脏病Pm的病人的心电图数据段输入第一心电图分析模型,可得到第一心脏病患病概率向量,上述第一心脏病患病概率向量与参考阵发性心脏病患病概率向量Vm之间的距离应小于与该预设阵发性心脏病对应的概率向量距离阈值。反之,将确诊未患有预设阵发性心脏病Pm的病人的心电图数据段输入第一心电图分析模型,得到第二心脏病患病概率向量,上述第二心脏病患病概率向量与参考阵发性心脏病患病概率向量Vm之间的距离应不小于与该预设阵发性心脏病对应的概率向量距离阈值。
这里,可采用各种距离计算方法,计算目标用户的心脏病患病概率向量与该预设阵发性心脏病对应的参考阵发性心脏病患病概率向量之间的概率向量距离。例如,上述概率向量距离可以为欧式距离(Educlidean metric)、曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)、马氏距离(Mahalanobis Distance)等向量之间的距离。或者上述概率向量距离可以为各种损失函数,例如可以为相对熵(relative entropy),又被称为Kullback-Leibler散度(Kullback-Leibler divergence)或信息散度(information divergence)。本公开对此不做具体限定。
步骤5042,响应于确定概率向量距离小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示目标用户患有该预设阵发性疾病的阵发性心脏病诊断结果信息。
这里,假设预设阵发性心脏病Pm对应的概率向量距离阈值为ThDm。因此,如果步骤5041计算得到的概率向量距离小于与预设阵发性心脏病Pm对应的概率向量距离阈值ThDm,表明目标用户的心脏病患病概率向量与确诊患有预设阵发性心脏病Pm的病人的心电图数据段输入第一心电图分析模型所得到的心脏病患病概率向量之间的距离较小,目标用户也应确定为患有预设阵发性心脏病Pm,因此,可生成用于指示目标用户患有该预设阵发性疾病Pm的阵发性心脏病诊断结果信息。
在一些可选的实施方式中,第一阵发性心脏病预测操作还可以包括以下步骤5043:
步骤5043,响应于确定概率向量距离不小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示目标用户未患有该预设阵发性疾病的阵发性心脏病诊断结果信息。
即,如果步骤5041计算得到的概率向量距离不小于与预设阵发性心脏病Pm对应的概率向量距离阈值ThDm,表明目标用户的心脏病患病概率向量与确诊患有预设阵发性心脏病Pm的病人的心电图数据段输入第一心电图分析模型所得到的心脏病患病概率向量之间的距离较大,目标用户应确定为未患有预设阵发性心脏病Pm,因此,可生成用于指示目标用户未患有该预设阵发性疾病Pm的阵发性心脏病诊断结果信息。
在一些可选的实施方式中,每个预设阵发性心脏病Pm对应的参考阵发性心脏病患病概率向量Vm可以是通过对于每个预设阵发性心脏病Pm执行如图6所示的概率向量生成步骤600所得到的,该概率向量生成步骤600包括如下步骤601到步骤605:
这里,概率向量生成步骤的执行主体可以与上述心电图分析方法的执行主体相同或者不同。如果概率向量生成步骤的执行主体与上述心电图分析方法的执行主体相同,则概率向量生成步骤的执行主体可以在得到预设阵发性心脏病Pm对应的参考阵发性心脏病患病概率向量Vm后,可将参考阵发性心脏病患病概率向量Vm存储在上述执行主体本地。如果概率向量生成步骤的执行主体与上述心电图分析方法的执行主体不同,则概率向量生成步骤的执行主体可以在得到参考阵发性心脏病患病概率向量Vm后,将参考阵发性心脏病患病概率向量Vm发送给上述心电图分析方法的执行主体。
步骤601,获取与该预设阵发性心脏病对应的未确认病症心电图数据段集合。
这里,可对于每个预设阵发性心脏病Pm,获取与预设阵发性心脏病Pm对应的未确认病症心电图数据段集合Sm。
这里,各未确认病症心电图数据段为对未确认病症心电图数据进行分段处理后所得到的心电图数据段。而未确认病症心电图数据为对确诊患有阵发性心脏病Pm对应的预设心脏病Di的受检者进行心电检查的心电图数据中、被标注为根据该未确认病症心电图数据段相应受检者未患有该阵发性心脏病对应的预设心脏病。
在一些可选的实施方式中,可以通过如下任一实现方式获取与预设阵发性心脏病Pm对应的未确认病症心电图数据段集合Sm:
第一种实现方式:首先,在上文步骤301中记载的第一训练数据集、步骤302中记载的验证数据集或者步骤401中记载的测试数据集中选取被确诊患有与预设阵发性心脏病Pm对应的预设心脏病Di的受检者的第一训练数据、验证数据和测试数据。然后,在所选取的第一训练数据、验证数据和测试数据中选取标注心脏病患病概率向量用于指示未患有与预设阵发性心脏病Pm对应的预设心脏病Di的未确认病症第一训练数据、验证数据和测试数据。最后,获取上述未确认病症第一训练数据、验证数据和测试数据中的心电图数据段作为与预设阵发性心脏病Pm对应的未确认病症心电图数据段集合Sm。
第二种实现方式:首先,获取确诊患有与预设阵发性心脏病Pm对应的预设心脏病Di的受检者的历史心电图数据(比如,在医院检查的心电图数据或者利用家用便携式心电图检查设备检查的心电图数据)。然后,再获取上述历史心电图数据中被标注为未患有与预设阵发性心脏病Pm对应的预设心脏病Di的未确认病症心电图数据。最后,再采用上文步骤2012中描述的分段处理方式对上述未确认病症心电图数据进行分段处理,进而得到未确认病症心电图数据段集合。
第三种实现方式:首先,获取确诊患有与预设阵发性心脏病Pm对应的预设心脏病Di的受检者的动态心电图(Holter)数据。然后,再获取上述动态心电图数据中被标注为未患有与预设阵发性心脏病Pm对应的预设心脏病Di的未确认病症部分动态心电图数据。最后,再采用上文步骤2012中描述的分段处理方式对上述未确认病症心电图数据进行分段处理,进而得到未确认病症心电图数据段集合。
步骤602,将各未确认病症心电图数据段分别输入第一心电图分析模型,得到相应的心脏病患病概率向量。
步骤603,对每个未确认病症心电图数据段,确定该未确认病症心电图数据段对应的概率向量平均距离。
这里,该未确认病症心电图数据段对应的概率向量平均距离为该未确认病症心电图数据段对应的心脏病患病概率向量与未确认病症心电图数据段集合中除该未确认病症心电图数据段外其他未确认病症心电图数据段对应的心脏病患病概率向量之间的平均距离。
假设,与预设阵发性心脏病Pm对应的未确认病症心电图数据段集合Sm中包括Q个未确认病症心电图数据段,q为1到Q之间的正整数,Sm[q]为Sm中第q个未确认病症心电图数据段。步骤603中即对每个未确认病症心电图数据段Sm[q],计算Sm[q]对应的心脏病患病概率向量与未确认病症心电图数据段集合Sm中除Sm[q]以外的其他未确认病症心电图数据段对应的心脏病患病概率向量之间距离的平均值,即为未确认病症心电图数据段Sm[q]对应的概率向量平均距离。
步骤604,基于各未确认病症心电图数据段对应的概率向量平均距离,在各未确认病症心电图数据段中确定中心未确认病症心电图数据段。
这里,中心未确认病症心电图数据段用于表征各未确认病症心电图数据段的中心。
步骤605,将中心未确认病症心电图数据段对应的心脏病患病概率向量确定为与该阵发性心脏病对应的参考阵发性心脏病患病概率向量。
继而,与该阵发性心脏病对应的参考阵发性心脏病患病概率向量将处于各未确认病症心电图数据段对应的心脏病患病概率向量的中心,可用于表征确诊患有该阵发性心脏病对应的心脏病、但根据心脏病数据段被标注为未患有该阵发性心脏病对应的心脏病的各未确认病症心电图数据段对应的心脏病患病概率向量。
可选地,步骤604可以如下执行:将各未确认病症心电图数据段中对应的概率向量平均距离最小的未确认心电图数据段确定为中心未确认病症心电图数据段。这样,中心未确认病症心电图数据段对应的心脏病患病概率向量与未确认病症心电图数据段集合中其他未确认病症心电图数据段对应的概率向量平均距离是最小的,可以认为中心未确认病症心电图数据段对应的心脏病患病概率向量处于各未确认病症心电图数据段对应的心脏病患病概率向量的中心。进而步骤605中所确定的该阵发性心脏病对应的参考阵发性心脏病患病概率向量也将处于各未确认病症心电图数据段对应的心脏病患病概率向量的中心。按照该可选方式确定的每个预设阵发性心脏病对应的参考心脏病患病概率向量在步骤504中执行第一阵发性心脏病预测操作的过程中可提高生成用于指示目标用户患有该预设阵发性疾病的阵发性心脏病诊断结果信息的准确率。
在一些可选的实施方式中,M种预设阵发性心脏病中每种阵发性心脏病对应的概率向量距离阈值可以是通过如图7所示的概率向量距离阈值确定步骤700得到的,概率向量距离阈值确定步骤700包括以下步骤701到步骤703:
步骤701,对各未确认病症心电图数据段按照对应的概率向量平均距离从大到小的顺序排序。
步骤702,将各未确认病症心电图数据段中排序在预设边界概率向量平均距离排序位置的未确认病症心电图数据段确定为边界未确认病症心电图数据段。
这里,预设边界概率向量平均距离排序位置可以是各未确认病症心电图数据段中排序在前第三预设比例的位置,比如排序在前5%的最后一个。预设边界概率向量平均距离排序位置也可以是各未确认病症心电图数据段中排序在前第三预设位置,比如排序在第二个。由于,预设边界概率向量平均距离排序位置是各未确认病症心电图数据段中排序比较靠前的位置,相应地边界未确认病症心电图数据段对应的概率向量平均距离也是比较大的,边界未确认病症心电图数据段对应的心脏病患病概率向量可以用于表征各未确认病症心电图数据段对应的心脏病患病概率向量的边界。
步骤703,对于M种预设阵发性心脏病中每种阵发性心脏病,将边界未确认病症心电图数据段对应的心脏病患病概率向量中与该阵发性心脏病对应的心脏病对应的分量确定为与该阵发性心脏病对应的概率向量距离阈值。
边界未确认病症心电图数据段对应的心脏病患病概率向量可用于表征各未确认病症心电图数据段对应的心脏病患病概率向量的边界。边界内的心脏病患病概率向量可认为用于表征患有阵发性心脏病,而边界外的可认为未患有阵发性心脏病。因此,可以将边界未确认病症心电图数据段对应的心脏病患病概率向量中与该阵发性心脏病对应的心脏病对应的分量确定为与该阵发性心脏病对应的概率向量距离阈值。
在一些可选的实施方式中,上述执行主体还可以在执行完步骤504后,执行以下步骤505:
步骤505,呈现所生成的各阵发性心脏病诊断结果信息。
这里,可以在与上述执行主体本地连接的信息呈现设备(例如,与上述执行主体本地连接的显示设备和/或扬声器)呈现步骤504中所生成的各阵发性心脏病诊断结果信息。
可选地,也可以将步骤504中所生成的各阵发性心脏病诊断结果信息发送给与上述执行主体网络连接的其他电子设备,并在上述其他电子设备本地连接的信息呈现设备呈现步骤504中所生成的各阵发性心脏病诊断结果信息。
具体地,可以在显示设备上呈现步骤504中所生成的各阵发性心脏病诊断结果信息。例如可以以文字或图像形式呈现。也可以在声音播放设备上播放步骤504中所生成的各阵发性心脏病诊断结果信息对应的语音。本公开对此不做具体限定。通过该可选实施方式,可以实现实时分析目标用户的心电图数据并呈现阵发性心脏病诊断结果信息,以供目标用户或者医护人员及时参考。
从图5中可以看出,与图2A对应的实施例相比,本实施例中的心电图分析方法的流程500多出了对目标用户被诊断为患病概率较低的预设心脏病,进一步确认是否患有相应的预设阵发性心脏病的步骤504。由此,本实施例描述的方案可以进一步生成用于指示目标用户患有哪些预设阵发性心脏病的阵发性心脏病诊断结果信息,进一步丰富了对心电图数据进行分析的诊断结果信息内容类型。
继续参考图8A,其示出了根据本公开的心电图分析方法的另一个实施例的流程800。该心电图分析方法,包括以下步骤:
步骤801,获取目标用户的至少一段待分析心电图数据段。
步骤802,分别将各待分析心电图数据段输入预先训练的第一心电图分析模型,得到与待分析心电图数据段对应的心脏病患病概率向量。
步骤803,基于各待分析心电图数据段对应的心脏病患病概率向量,生成目标用户的心脏病诊断结果信息。
在本实施例中,步骤801、步骤802和步骤803的具体操作及其所产生的技术效果与图2A所示的实施例中步骤201、步骤202和步骤203的操作及效果基本相同,在此不再赘述。
步骤804,对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于目标用户的心脏病诊断结果信息指示目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,执行第二阵发性心脏病预测操作。
为了确定目标用户是否存在阵发性心脏病,在本实施例中,心电图分析方法的执行主体(例如图1所示的客户端)可以对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于目标用户的心脏病诊断结果信息指示目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,执行第二阵发性心脏病预测操作。M为小于等于K的正整数,M种预设阵发性心脏病对应的心脏病属于K种预设心脏病。
假设,m为1到M之间的正整数,Pm为M种预设阵发性心脏病中的第m种预设阵发性心脏病。i为1到K之间的正整数,Di为K种预设心脏病中的第i种心脏病。在步骤804中,对于每种预设阵发性心脏病Pm,如果步骤803所得到的目标用户的心脏病诊断结果信息指示目标用户患有预设阵发性心脏病Pm对应的心脏病Di概率属于预设较低患病概率范围,则针对预设阵发性心脏病Pm执行第二阵发性心脏病预测操作。
这里,第二阵发性心脏病预测操作可以包括以下步骤8041到步骤8042:
步骤8041,分别将各待分析心电图数据段输入预先训练的、与该预设阵发性心脏病对应的第二心电图分析模型,得到与该预设阵发性心脏病和相应待分析心电图数据段对应的、用于表征是否患有该预设阵发性心脏病的阵发性心脏病预测结果。
假设步骤801中获取了J段待分析心电图数据段,j为1到J之间的正整数,SEj为J段待分析心电图数据段中第j段待分析心电图数据段。
步骤8041是指,分别将待分析心电图数据段SE1,SE2,…SEJ输入与预设阵发性心脏病Pm对应的第二心电图分析模型,并分别得到与待分析心电图数据段SE1,SE2,…SEJ对应的、用于表征是否患有预设阵发性心脏病Pm的阵发性心脏病预测结果R1,m,R2,m,…RJ,m。
这里,与预设阵发性心脏病Pm对应的第二心电图分析模型用于表征心电图数据段与用于表征是否患有预设阵发性心脏病Pm的阵发性心脏病预测结果之间的对应关系。
这里,与该预设阵发性心脏病Pm对应的第二心电图分析模型可以是通过如图9所示的第二训练步骤900预先训练得到的,第二训练步骤900可以包括如下步骤901到步骤903:
步骤901,获取与该预设阵发性心脏病对应的第二训练数据集。
这里,与该预设阵发性心脏病Pm对应的第二训练数据集中的第二训练数据可包括样本心电图数据段和相应的用于表征是否患有该预设阵发性心脏病Pm的标注阵发性心脏病预测结果。
当样本心电图数据段为该预设阵发性心脏病Pm对应的未确认病症心电图数据段时,对应的标注阵发性心脏病预测结果用于表征患有该预设阵发性心脏病Pm。这里,该预设阵发性心脏病Pm对应的未确认病症心电图数据段为对确诊患有阵发性心脏病Pm对应的预设心脏病Di的受检者进行心电检查的心电图数据中、被标注为根据该未确认病症心电图数据段相应受检者未患有该阵发性心脏病Pm对应的预设心脏病Di的心电图数据段。
当样本心电图数据段为该预设阵发性心脏病Pm对应的正常心电图数据段时,对应的标注阵发性心脏病预测结果用于表征未患有该预设阵发性心脏病Pm。这里,该预设阵发性心脏病Pm对应的正常心电图数据段为对确诊未患有该阵发性心脏病Pm对应的预设心脏病Di的受检者进行心电检查的心电图数据中的心电图数据段。
步骤902,基于第二训练数据集对初始第二心电图分析模型进行训练。
这里,可以采用各种机器学习方法,基于第二训练数据集对初始第二心电图分析模型进行训练。
这里,初始第二心电图分析模型可以是各种二分类模型。例如,初始第一心电图分析模型可以是人工神经网络(ANN,Artificial Neural Network)、深度学习(DL,DeepLearning)模型、支持向量机(SVM,Support Vector Machines)、随机森林(RF,RandomForest)、决策树(DT,Decision Tree)、线性回归(LR,Linear Regression)、逻辑回归(LR,Logistic Regression)、随机森林(Random Forest)等。
步骤903,将训练得到的初始第二心电图分析模型确定为该预设阵发性心脏病对应的第二心电图分析模型。
步骤8042,基于该预设阵发性心脏病和各待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成目标用户的阵发性心脏病预测结果。
这里,上述执行主体可根据具体应用场景的需要采用各种方式基于步骤8041所得到的预设阵发性心脏病Pm和各待分析心电图数据段SE1,SE2,…SEJ对应的阵发性心脏病预测结果R1,m,R2,m,…RJ,m,针对该预设阵发性心脏病Pm生成目标用户的阵发性心脏病预测结果。
这里,针对该预设阵发性心脏病Pm生成的目标用户的阵发性心脏病预测结果可以是各种形式。例如,可以包括但不限于文本、图像和语音数据。
这里,针对该预设阵发性心脏病Pm生成的目标用户的阵发性心脏病预测结果可以用于指示目标用户确诊患有该预设阵发性心脏病Pm,或者用于指示目标用户未确诊患有该预设阵发性心脏病Pm,或者还可以用于指示目标用户患有该预设阵发性心脏病Pm的程度。这里程度信息既可以用数值来表示,也可以用文字来表示。例如,程度信息可以是0到1之间的程度数值。程度信息还可以是例如“患有预设阵发性心脏病Pm的风险非常高”、“患有预设阵发性心脏病Pm的风险较高”、“患有预设阵发性心脏病Pm的风险较低”、“患有预设阵发性心脏病Pm的风险很低”等等。
在一些可选的实施方式中,步骤8042可以包括如图8B所示的步骤80421A和步骤80422A:
步骤80421A,确定该预设阵发性心脏病和各待分析心电图数据段对应的阵发性心脏病预测结果中是否存在用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果。
如果确定存在,表明各待分析心电图数据段中存在至少一段待分析心电图数据段采集到了目标用户出现该预设阵发性心脏病Pm的瞬间,表明目标用户患有该预设阵发性心脏病Pm,可转到步骤80422A执行。
步骤80422A,生成用于指示目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果。
可选地,步骤80421A中还可以在确定不存在的情况下,表明各待分析心电图数据段中没有任何一段待分析心电图数据段采集到了目标用户出现该预设阵发性心脏病Pm的瞬间,表明根据各待分析心电图数据段无法确认目标用户患有该预设阵发性心脏病Pm,可转到步骤80423A执行。
步骤80423A,生成用于指示目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,步骤8042可以包括如图8C所示的步骤80421B和步骤80422B:
步骤80421B,响应于确定与该预设阵发性心脏病对应的确诊预测结果比例大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果。
这里,与该预设阵发性心脏病Pm对应的确诊预测结果比例为与该预设阵发性心脏病对应的确诊预测结果数量除以各待分析心电图数据段总数(即,J)的比值,与该预设阵发性心脏病对应的确诊预测结果数量为该预设阵发性心脏病和各待分析心电图数据段对应的阵发性心脏病预测结果中用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果数量。
采用该可选方式可实现在根据各待分析心电图数据段中超过与该预设阵发性心脏病对应的确诊预测结果比例阈值的待分析心电图数据段都可以确定目标用户患有该预设阵发性心脏病Pm的情况下,生成确定目标用户患有该预设阵发性心脏病Pm的阵发性心脏病预测结果。
可选地,步骤8042还可以在步骤80421B之后包括步骤80422B:
步骤80422B,响应于确定与该预设阵发性心脏病对应的确诊预测结果比例不大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
采用该可选方式可实现在不能根据各待分析心电图数据段中超过与该预设阵发性心脏病对应的确诊预测结果比例阈值的待分析心电图数据段都可以确定目标用户患有该预设阵发性心脏病Pm的情况下,生成确定目标用户未患有该预设阵发性心脏病Pm的阵发性心脏病预测结果。
在一些可选的实施方式中,上述执行主体还可以在执行完步骤804后,执行以下步骤805:
步骤805,呈现所生成的目标用户的阵发性心脏病预测结果。
这里,可以在与上述执行主体本地连接的信息呈现设备(例如,与上述执行主体本地连接的显示设备和/或扬声器)呈现步骤804中针对不同预设阵发性心脏病所生成的目标用户的阵发性心脏病预测结果。
可选地,也可以将针对不同预设阵发性心脏病所生成的目标用户的阵发性心脏病预测结果发送给与上述执行主体网络连接的其他电子设备,并在上述其他电子设备本地连接的信息呈现设备呈现针对不同预设阵发性心脏病所生成的目标用户的阵发性心脏病预测结果。
具体地,可以在显示设备上呈现针对不同预设阵发性心脏病所生成的目标用户的阵发性心脏病预测结果。例如可以以文字或图像形式呈现。也可以在声音播放设备上播放针对不同预设阵发性心脏病所生成的目标用户的阵发性心脏病预测结果对应的语音。本公开对此不做具体限定。
进一步参考图10,作为对上述各图所示方法的实现,本公开提供了一种心电图分析装置的一个实施例,该装置实施例与图2A所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图10所示,本实施例的心电图分析装置1000包括:数据获取单元1001、数据分析单元1002和心脏病诊断结果生成单元1003。其中,数据获取单元1001,被配置成获取目标用户的至少一段待分析心电图数据段;数据分析单元1002,被配置成分别将各所述待分析心电图数据段输入预先训练的第一心电图分析模型,得到与所述待分析心电图数据段对应的心脏病患病概率向量,其中,心脏病患病概率向量用于表征患有K种预设心脏病中每种预设心脏病的概率,所述第一心电图分析模型用于表征心电图数据段与心脏病患病概率向量之间的对应关系,所述K为正整数;心脏病诊断结果生成单元1003,被配置成基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息。
在本实施例中,心电图分析装置1000的:数据获取单元1001、数据分析单元1002和心脏病诊断结果生成单元1003的具体处理及其所带来的技术效果可分别参考图2A对应实施例中步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在一些可选的实施方式中,所述第一心电图分析模型可以是通过如下第一训练步骤预先训练得到的:获取第一训练数据集,其中,第一训练数据包括样本心电图数据段和相应标注心脏病患病概率向量,所述第一训练数据中的标注心脏病患病概率向量用于指示所述第一训练数据中样本心电图数据段对应被采集者患有各所述预设心脏病的概率;基于所述第一训练数据集对初始第一心电图分析模型进行训练;将训练得到的所述初始第一心电图分析模型确定为所述预先训练的第一心电图分析模型。
在一些可选的实施方式中,所述心脏病诊断结果生成单元1003可以进一步被配置成:对于每个所述预设心脏病,执行以下第一诊断结果信息生成操作:根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率;按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与所述目标用户患有该预设心脏病的心脏病患病概率对应的心脏病诊断结果信息;用所确定的心脏病诊断结果信息生成所述目标用户患有该预设心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率,可以包括:将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量的均值确定为所述目标用户患有该预设心脏病的心脏病患病概率;或者将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序,以及将排序在预设分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率。
在一些可选的实施方式中,所述根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率,可以包括:将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序;响应于确定当前应用场景为少误报场景,将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最小值或者排序在预设较小概率分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率;响应于确定当前应用场景为少漏报场景,将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最大值或者排序在预设较大概率分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率。
在一些可选的实施方式中,所述与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,可以包括以下至少一项:第一对应关系,所述第一对应关系用于表征第一患病概率范围对应用于指示未确诊患有该预设心脏病的第一诊断结果信息,其中,第一患病概率范围为小于该预设心脏病对应的患病概率阈值;第二对应关系,所述第二对应关系用于表征第二患病概率范围对应用于指示确诊患有该预设心脏病的第二诊断结果信息,其中,第二患病概率范围为大于或等于该预设心脏病对应的患病概率阈值。
在一些可选的实施方式中,各所述预设心脏病对应的患病概率阈值可以是通过如下患病概率阈值确定步骤得到的:获取测试数据集,其中,测试数据包括样本心电图数据段和标注心脏病患病概率向量,所述测试数据中的标注心脏病患病概率向量用于指示所述测试数据中样本心电图数据段对应被采集者患有各所述预设心脏病的概率;将各所述测试数据中的样本心电图数据段输入所述第一心电图分析模型,得到与所述测试数据对应的心脏病患病概率向量测试结果;对于每个所述预设心脏病,执行以下患病概率阈值确定操作:获取与该预设心脏病对应的候选患病概率阈值集;对于所获取的每个候选患病概率阈值,执行以下统计操作:根据各所述测试数据对应的心脏病患病概率向量测试结果中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值,以及相应测试数据中标注心脏病患病概率向量中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值,统计与该预设心脏病和该候选患病概率阈值对应的敏感性和特异性;响应于确定当前应用场景为少漏报场景,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的敏感性从大到小的顺序排序;将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高敏感性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值;响应于确定当前应用场景为少误报场景,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的特异性从大到小的顺序排序;将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高特异性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值。
在一些可选的实施方式中,所述心脏病诊断结果生成单元1003可以进一步被配置成:对于每个所述预设心脏病,执行以下第二诊断结果信息生成操作:获取与该预设心脏病对应的患病概率范围集合;对于所获取的每个患病概率范围,确定与该患病概率范围对应的数据段比例,其中,与该患病概率范围对应的数据段比例为各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中属于该患病概率范围的心脏病患病概率向量分量数量除以各所述待分析心电图数据段数量的比值;按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与对应的数据段比例最大的患病概率范围对应的心脏病诊断结果信息;用所确定的心脏病诊断结果信息生成所述目标用户患有该预设心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述心脏病诊断结果生成单元1003可以进一步被配置成:对于每个所述预设心脏病,响应于确定与该预设心脏病对应的确诊心电图数据段比例不小于与该预设心脏病对应的确诊比例阈值,将该预设心脏病标记为确诊心脏病,其中,与该预设心脏病对应的确诊心电图数据段比例为与该预设心脏病对应的确诊心电图数据段数除以各所述待分析心电图数据段总数的比值,与该预设心脏病对应的确诊心电图数据段数为各所述待分析心电图数据段对应的心脏病患病概率向量与该预设心脏病对应的分量中大于该预设心脏病对应的患病概率阈值的数量;生成用于指示所述目标用户确诊患有各所述预设心脏病中被标记为确诊心脏病的心脏病诊断结果信息。
在一些可选的实施方式中,所述装置1000还可以包括第一阵发性心脏病预测单元1004A,被配置成:对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于所述目标用户的心脏病诊断结果信息指示所述目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,针对该预设阵发性心脏病执行以下第一阵发性心脏病预测操作:计算所述目标用户的心脏病患病概率向量与该预设阵发性心脏病对应的参考阵发性心脏病患病概率向量之间的概率向量距离;响应于确定所述概率向量距离小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示所述目标用户患有该预设阵发性疾病的阵发性心脏病诊断结果信息,其中,所述M为小于等于所述K的正整数,所述M种预设阵发性心脏病对应的心脏病属于所述K种预设心脏病。
在一些可选的实施方式中,所述第一阵发性心脏病预测操作,还可以包括:响应于确定所述概率向量距离不小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示所述目标用户未患有该预设阵发性疾病的阵发性心脏病诊断结果信息。
在一些可选的实施方式中,各所述预设阵发性心脏病对应的参考阵发性心脏病患病概率向量可以是通过对于每个所述预设阵发性心脏病执行如下概率向量生成步骤得到的:获取与该预设阵发性心脏病对应的未确认病症心电图数据段集合,其中,各所述未确认病症心电图数据段为对未确认病症心电图数据进行分段处理后所得到的心电图数据段,所述未确认病症心电图数据为对确诊患有该阵发性心脏病对应的心脏病的受检者进行心电检查的心电图数据中、被标注为根据所述未确认病症心电图数据相应受检者未患有该阵发性心脏病对应的心脏病;将各所述未确认病症心电图数据段分别输入所述第一心电图分析模型,得到相应的心脏病患病概率向量;对每个所述未确认病症心电图数据段,确定该未确认病症心电图数据段对应的概率向量平均距离,所述该未确认病症心电图数据段对应的概率向量平均距离为该未确认病症心电图数据段对应的心脏病患病概率向量与所述未确认病症心电图数据段集合中除该未确认病症心电图数据段外其他未确认病症心电图数据段对应的心脏病患病概率向量之间的平均距离;基于各所述未确认病症心电图数据段对应的概率向量平均距离,在各所述未确认病症心电图数据段中确定中心未确认病症心电图数据段;将所述中心未确认病症心电图数据段对应的心脏病患病概率向量确定为与该阵发性心脏病对应的参考阵发性心脏病患病概率向量。
在一些可选的实施方式中,所述M种预设阵发性心脏病中每种阵发性心脏病对应的概率向量距离阈值可以是通过如下方式得到的:对各所述未确认病症心电图数据段按照对应的概率向量平均距离从大到小的顺序排序;将各所述未确认病症心电图数据段中排序在预设边界概率向量平均距离排序位置的未确认病症心电图数据段确定为边界未确认病症心电图数据段;对于所述M种预设阵发性心脏病中每种阵发性心脏病,将所述边界未确认病症心电图数据段对应的心脏病患病概率向量中与该阵发性心脏病对应的心脏病对应的分量确定为与该阵发性心脏病对应的概率向量距离阈值。
在一些可选的实施方式中,所述装置1000还可以包括:第二阵发性心脏病预测单元1004B,被配置成:对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于所述目标用户的心脏病诊断结果信息指示所述目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,执行以下第二阵发性心脏病预测操作:分别将各所述待分析心电图数据段输入预先训练的与该预设阵发性心脏病对应的第二心电图分析模型,得到与该预设阵发性心脏病和所述待分析心电图数据段对应的、用于表征是否患有该预设阵发性心脏病的阵发性心脏病预测结果,与该预设阵发性心脏病对应的第二心电图分析模型用于表征心电图数据段与阵发性心脏病预测结果之间的对应关系;以及基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,其中,所述M为小于等于所述K的正整数,所述M种预设阵发性心脏病对应的心脏病属于所述K种预设心脏病。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,可以包括:确定该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果中是否存在用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果;响应于确定存在,生成用于指示所述目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,还可以包括:响应于确定不存在,生成用于指示所述目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,可以包括:响应于确定与该预设阵发性心脏病对应的确诊预测结果比例大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示所述目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果,其中,与该预设阵发性心脏病对应的确诊预测结果比例为与该预设阵发性心脏病对应的确诊预测结果数量除以各所述待分析心电图数据段总数的比值,与该预设阵发性心脏病对应的确诊预测结果数量为该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果中用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果数量。
在一些可选的实施方式中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,还可以包括:响应于确定与该预设阵发性心脏病对应的确诊预测结果比例不大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示所述目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
在一些可选的实施方式中,所述数据获取单元1001可以进一步被配置成:获取目标用户的待分析心电图数据;将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段。
在一些可选的实施方式中,所述数据获取单元1001可以进一步被配置成:在所述将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段之前,对所述待分析心电图数据进行重采样处理,以使得所述待分析心电图数据的采样频率为预设采样频率。
在一些可选的实施方式中,所述将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段,可以包括:对所述待分析心电图数据进行平均分段处理,得到至少一段所述待分析心电图数据段,其中,各所述待分析心电图数据段包括F帧的心电图数据,所述F为正整数。
在一些可选的实施方式中,所述K种预设心脏病可以选自预设心脏病集合中的所述K种心脏病,所述预设心脏病集合包括:窦性心动过速、窦性心动过缓、房性早搏、交界性早搏、室性早搏、室上性心动过速、室性心动过速、心房扑动、心房颤动、房性逸搏、交界性逸搏、室性逸搏、右束支传导阻滞、窦性心律不齐、窦性停搏、室上性早搏、室上性早搏成对、室上性早搏二联律、室上性早搏三联律、室性早搏、室性早搏成对、室性早搏二联律、室性早搏三联律、室上性逸搏、预激综合征、心室扑动、心室颤动、室性逸搏、一度房室传导阻滞、二度房室传导阻滞、三度房室传导阻滞、室内传导阻滞、左束支传导阻滞、完全右束支传导阻滞、左前分支传导阻滞、左心室肥厚、右心室肥厚、左心房肥大和右心房肥大。
在一些可选的实施方式中,所述M种预设阵发性心脏病可以选自预设阵发性心脏病集合中的所述M种阵发性心脏病,所述预设阵发性心脏病集合包括:阵发性窦性心动过速、阵发性窦性心动过缓、阵发性房性早搏、阵发***界性早搏、阵发性室性早搏、阵发性室上性心动过速、阵发性室性心动过速、阵发性心房扑动、阵发性心房颤动、阵发性房性逸搏、阵发***界性逸搏、阵发性室性逸搏、阵发性窦性心律不齐、阵发性窦性停搏和阵发性室上性早搏。
需要说明的是,本公开提供的心电图分析装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图11,其示出了适于用来实现本公开的实施例的电子设备的计算机***1100的结构示意图。图11示出的计算机***1100仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图11所示,计算机***1100可以包括处理装置(例如中央处理器、图形处理器等)1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储装置1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中,还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
通常,以下装置可以连接至I/O接口1105:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置1106;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1107;包括例如磁带、硬盘等的存储装置1108;以及通信装置1109。通信装置1109可以允许计算机***1100与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的计算机***1100,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1109从网络上被下载和安装,或者从存储装置1108被安装,或者从ROM 1102被安装。在该计算机程序被处理装置1101执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备实现如图2A、图5或图8所示的实施例及其可选实施方式示出的心电图分析方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,数据获取单元还可以被描述为“获取目标用户的至少一段待分析心电图数据段的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (26)
1.一种心电图分析方法,所述方法包括:
获取目标用户的至少一段待分析心电图数据段;
分别将各所述待分析心电图数据段输入预先训练的第一心电图分析模型,得到与所述待分析心电图数据段对应的心脏病患病概率向量,其中,心脏病患病概率向量用于表征患有K种预设心脏病中每种预设心脏病的概率,所述第一心电图分析模型用于表征心电图数据段与心脏病患病概率向量之间的对应关系,所述K为正整数;
基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息。
2.根据权利要求1所述的方法,其中,所述第一心电图分析模型是通过如下第一训练步骤预先训练得到的:
获取第一训练数据集,其中,第一训练数据包括样本心电图数据段和相应标注心脏病患病概率向量,所述第一训练数据中的标注心脏病患病概率向量用于指示所述第一训练数据中样本心电图数据段对应被采集者患有各所述预设心脏病的概率;
基于所述第一训练数据集对初始第一心电图分析模型进行训练;
将训练得到的所述初始第一心电图分析模型确定为所述预先训练的第一心电图分析模型。
3.根据权利要求1所述的方法,其中,所述基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息,包括:
对于每个所述预设心脏病,执行以下第一诊断结果信息生成操作:根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率;按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与所述目标用户患有该预设心脏病的心脏病患病概率对应的心脏病诊断结果信息;用所确定的心脏病诊断结果信息生成所述目标用户患有该预设心脏病的心脏病诊断结果信息。
4.根据权利要求3所述的方法,其中,所述根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率,包括:
将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量的均值确定为所述目标用户患有该预设心脏病的心脏病患病概率;或者
将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序,以及将排序在预设分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率。
5.根据权利要求3所述的方法,其中,所述根据各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量确定所述目标用户患有该预设心脏病的心脏病患病概率,包括:
将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量按照从小到大的顺序排序;
响应于确定当前应用场景为少误报场景,将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最小值或者排序在预设较小概率分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率;
响应于确定当前应用场景为少漏报场景,将各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中的最大值或者排序在预设较大概率分位的分量确定为所述目标用户患有该预设心脏病的心脏病患病概率。
6.根据权利要求3-5中任一所述的方法,其中,所述与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,包括以下至少一项:
第一对应关系,所述第一对应关系用于表征第一患病概率范围对应用于指示未确诊患有该预设心脏病的第一诊断结果信息,其中,第一患病概率范围为小于该预设心脏病对应的患病概率阈值;
第二对应关系,所述第二对应关系用于表征第二患病概率范围对应用于指示确诊患有该预设心脏病的第二诊断结果信息,其中,第二患病概率范围为大于或等于该预设心脏病对应的患病概率阈值。
7.根据权利要求6所述的方法,其中,各所述预设心脏病对应的患病概率阈值是通过如下患病概率阈值确定步骤得到的:
获取测试数据集,其中,测试数据包括样本心电图数据段和标注心脏病患病概率向量,所述测试数据中的标注心脏病患病概率向量用于指示所述测试数据中样本心电图数据段对应被采集者患有各所述预设心脏病的概率;
将各所述测试数据中的样本心电图数据段输入所述第一心电图分析模型,得到与所述测试数据对应的心脏病患病概率向量测试结果;
对于每个所述预设心脏病,执行以下患病概率阈值确定操作:获取与该预设心脏病对应的候选患病概率阈值集;对于所获取的每个候选患病概率阈值,执行以下统计操作:根据各所述测试数据对应的心脏病患病概率向量测试结果中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值,以及相应测试数据中标注心脏病患病概率向量中与该预设心脏病对应的向量分量是否大于该候选患病概率阈值,统计与该预设心脏病和该候选患病概率阈值对应的敏感性和特异性;响应于确定当前应用场景为少漏报场景,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的敏感性从大到小的顺序排序;将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高敏感性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值;响应于确定当前应用场景为少误报场景,对与该预设心脏病对应的候选患病概率阈值集中各候选患病概率阈值按照对应的特异性从大到小的顺序排序;将与该预设心脏病对应的候选患病概率阈值集中排序在预设较高特异性排序位置的候选患病概率阈值确定为与该预设心脏病对应的心脏病患病概率阈值。
8.根据权利要求1所述的方法,其中,所述基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息,包括:
对于每个所述预设心脏病,执行以下第二诊断结果信息生成操作:获取与该预设心脏病对应的患病概率范围集合;对于所获取的每个患病概率范围,确定与该患病概率范围对应的数据段比例,其中,与该患病概率范围对应的数据段比例为各所述待分析心电图数据段对应的心脏病患病概率向量中与该预设心脏病对应的分量中属于该患病概率范围的心脏病患病概率向量分量数量除以各所述待分析心电图数据段数量的比值;按照与该预设心脏病对应的患病概率范围与心脏病诊断结果信息之间的对应关系,确定与对应的数据段比例最大的患病概率范围对应的心脏病诊断结果信息;用所确定的心脏病诊断结果信息生成所述目标用户患有该预设心脏病的心脏病诊断结果信息。
9.根据权利要求1所述的方法,其中,所述基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息,包括:
对于每个所述预设心脏病,响应于确定与该预设心脏病对应的确诊心电图数据段比例不小于与该预设心脏病对应的确诊比例阈值,将该预设心脏病标记为确诊心脏病,其中,与该预设心脏病对应的确诊心电图数据段比例为与该预设心脏病对应的确诊心电图数据段数除以各所述待分析心电图数据段总数的比值,与该预设心脏病对应的确诊心电图数据段数为各所述待分析心电图数据段对应的心脏病患病概率向量与该预设心脏病对应的分量中大于该预设心脏病对应的患病概率阈值的数量;
生成用于指示所述目标用户确诊患有各所述预设心脏病中被标记为确诊心脏病的心脏病诊断结果信息。
10.根据权利要求1所述的方法,其中,所述方法还包括:
对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于所述目标用户的心脏病诊断结果信息指示所述目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,针对该预设阵发性心脏病执行以下第一阵发性心脏病预测操作:计算所述目标用户的心脏病患病概率向量与该预设阵发性心脏病对应的参考阵发性心脏病患病概率向量之间的概率向量距离;响应于确定所述概率向量距离小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示所述目标用户患有该预设阵发性疾病的阵发性心脏病诊断结果信息,其中,所述M为小于等于所述K的正整数,所述M种预设阵发性心脏病对应的心脏病属于所述K种预设心脏病。
11.根据权利要求10所述的方法,其中,所述第一阵发性心脏病预测操作,还包括:
响应于确定所述概率向量距离不小于与该预设阵发性心脏病对应的概率向量距离阈值,生成用于指示所述目标用户未患有该预设阵发性疾病的阵发性心脏病诊断结果信息。
12.根据权利要求10所述的方法,其中,各所述预设阵发性心脏病对应的参考阵发性心脏病患病概率向量是通过对于每个所述预设阵发性心脏病执行如下概率向量生成步骤得到的:
获取与该预设阵发性心脏病对应的未确认病症心电图数据段集合,其中,各所述未确认病症心电图数据段为对未确认病症心电图数据进行分段处理后所得到的心电图数据段,所述未确认病症心电图数据为对确诊患有该阵发性心脏病对应的心脏病的受检者进行心电检查的心电图数据中、被标注为根据所述未确认病症心电图数据相应受检者未患有该阵发性心脏病对应的心脏病;
将各所述未确认病症心电图数据段分别输入所述第一心电图分析模型,得到相应的心脏病患病概率向量;
对每个所述未确认病症心电图数据段,确定该未确认病症心电图数据段对应的概率向量平均距离,所述该未确认病症心电图数据段对应的概率向量平均距离为该未确认病症心电图数据段对应的心脏病患病概率向量与所述未确认病症心电图数据段集合中除该未确认病症心电图数据段外其他未确认病症心电图数据段对应的心脏病患病概率向量之间的平均距离;
基于各所述未确认病症心电图数据段对应的概率向量平均距离,在各所述未确认病症心电图数据段中确定中心未确认病症心电图数据段;
将所述中心未确认病症心电图数据段对应的心脏病患病概率向量确定为与该阵发性心脏病对应的参考阵发性心脏病患病概率向量。
13.根据权利要求12所述的方法,其中,所述M种预设阵发性心脏病中每种阵发性心脏病对应的概率向量距离阈值是通过如下方式得到的:
对各所述未确认病症心电图数据段按照对应的概率向量平均距离从大到小的顺序排序;
将各所述未确认病症心电图数据段中排序在预设边界概率向量平均距离排序位置的未确认病症心电图数据段确定为边界未确认病症心电图数据段;
对于所述M种预设阵发性心脏病中每种阵发性心脏病,将所述边界未确认病症心电图数据段对应的心脏病患病概率向量中与该阵发性心脏病对应的心脏病对应的分量确定为与该阵发性心脏病对应的概率向量距离阈值。
14.根据权利要求1所述的方法,其中,所述方法还包括:
对于M种预设阵发性心脏病中每种预设阵发性心脏病,响应于所述目标用户的心脏病诊断结果信息指示所述目标用户患有该预设阵发性心脏病对应的心脏病的概率属于预设较低患病概率范围,执行以下第二阵发性心脏病预测操作:分别将各所述待分析心电图数据段输入预先训练的与该预设阵发性心脏病对应的第二心电图分析模型,得到与该预设阵发性心脏病和所述待分析心电图数据段对应的、用于表征是否患有该预设阵发性心脏病的阵发性心脏病预测结果,与该预设阵发性心脏病对应的第二心电图分析模型用于表征心电图数据段与阵发性心脏病预测结果之间的对应关系;以及基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,其中,所述M为小于等于所述K的正整数,所述M种预设阵发性心脏病对应的心脏病属于所述K种预设心脏病。
15.根据权利要求14所述的方法,其中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,包括:
确定该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果中是否存在用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果;响应于确定存在,生成用于指示所述目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果。
16.根据权利要求15所述的方法,其中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,还包括:
响应于确定不存在,生成用于指示所述目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
17.根据权利要求14所述的方法,其中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,包括:
响应于确定与该预设阵发性心脏病对应的确诊预测结果比例大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示所述目标用户患有该预设阵发性心脏病的阵发性心脏病预测结果,其中,与该预设阵发性心脏病对应的确诊预测结果比例为与该预设阵发性心脏病对应的确诊预测结果数量除以各所述待分析心电图数据段总数的比值,与该预设阵发性心脏病对应的确诊预测结果数量为该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果中用于指示患有该预设阵发性心脏病的阵发性心脏病预测结果数量。
18.根据权利要求17所述的方法,其中,所述基于该预设阵发性心脏病和各所述待分析心电图数据段对应的阵发性心脏病预测结果,针对该预设阵发性心脏病生成所述目标用户的阵发性心脏病预测结果,还包括:
响应于确定与该预设阵发性心脏病对应的确诊预测结果比例不大于与该预设阵发性心脏病对应的确诊预测结果比例阈值,生成用于指示所述目标用户未患有该预设阵发性心脏病的阵发性心脏病预测结果。
19.根据权利要求1所述的方法,其中,所述获取目标用户的至少一段待分析心电图数据段,包括:
获取目标用户的待分析心电图数据;
将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段。
20.根据权利要求19所述的方法,其中,在所述将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段之前,所述方法还包括:
对所述待分析心电图数据进行重采样处理,以使得所述待分析心电图数据的采样频率为预设采样频率。
21.根据权利要求19或20所述的方法,其中,所述将所述待分析心电图数据进行分段处理,得到至少一段所述待分析心电图数据段,包括:
对所述待分析心电图数据进行平均分段处理,得到至少一段所述待分析心电图数据段,其中,各所述待分析心电图数据段包括F帧的心电图数据,所述F为正整数。
22.根据权利要求1所述的方法,其中,所述K种预设心脏病选自预设心脏病集合中的所述K种心脏病,所述预设心脏病集合包括:窦性心动过速、窦性心动过缓、房性早搏、交界性早搏、室性早搏、室上性心动过速、室性心动过速、心房扑动、心房颤动、房性逸搏、交界性逸搏、室性逸搏、右束支传导阻滞、窦性心律不齐、窦性停搏、室上性早搏、室上性早搏成对、室上性早搏二联律、室上性早搏三联律、室性早搏、室性早搏成对、室性早搏二联律、室性早搏三联律、室上性逸搏、预激综合征、心室扑动、心室颤动、室性逸搏、一度房室传导阻滞、二度房室传导阻滞、三度房室传导阻滞、室内传导阻滞、左束支传导阻滞、完全右束支传导阻滞、左前分支传导阻滞、左心室肥厚、右心室肥厚、左心房肥大和右心房肥大。
23.根据权利要求10-18中任一所述的方法,其中,所述M种预设阵发性心脏病选自预设阵发性心脏病集合中的所述M种阵发性心脏病,所述预设阵发性心脏病集合包括:阵发性窦性心动过速、阵发性窦性心动过缓、阵发性房性早搏、阵发***界性早搏、阵发性室性早搏、阵发性室上性心动过速、阵发性室性心动过速、阵发性心房扑动、阵发性心房颤动、阵发性房性逸搏、阵发***界性逸搏、阵发性室性逸搏、阵发性窦性心律不齐、阵发性窦性停搏和阵发性室上性早搏。
24.一种心电图分析装置,所述装置包括:
数据获取单元,被配置成获取目标用户的至少一段待分析心电图数据段;
数据分析单元,被配置成分别将各所述待分析心电图数据段输入预先训练的第一心电图分析模型,得到与所述待分析心电图数据段对应的心脏病患病概率向量,其中,心脏病患病概率向量用于表征患有K种预设心脏病中每种预设心脏病的概率,所述第一心电图分析模型用于表征心电图数据段与心脏病患病概率向量之间的对应关系,所述K为正整数;
心脏病诊断结果生成单元,被配置成基于各所述待分析心电图数据段对应的心脏病患病概率向量,生成所述目标用户的心脏病诊断结果信息。
25.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-23中任一所述的方法。
26.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-23中任一所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/098428 WO2022179645A2 (zh) | 2022-06-13 | 2022-06-13 | 心电图分析方法、装置、电子设备和存储介质 |
CNPCT/CN2022/098428 | 2022-06-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115778403A true CN115778403A (zh) | 2023-03-14 |
CN115778403B CN115778403B (zh) | 2023-12-22 |
Family
ID=83050181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210770213.7A Active CN115778403B (zh) | 2022-06-13 | 2022-06-30 | 心电图分析方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115778403B (zh) |
WO (1) | WO2022179645A2 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115579109A (zh) * | 2022-11-24 | 2023-01-06 | 合肥心之声健康科技有限公司 | 医疗环境下心电图图像分析方法、装置和终端设备 |
CN117481606B (zh) * | 2023-11-13 | 2024-05-14 | 齐鲁工业大学(山东省科学院) | 一种基于改进孪生网络的小样本心电信号分类方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104840186A (zh) * | 2015-05-07 | 2015-08-19 | 中山大学 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
CN107184200A (zh) * | 2017-07-10 | 2017-09-22 | 北京蓬阳丰业医疗设备有限公司 | 全导联智能预分析方法 |
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 |
CN109394205A (zh) * | 2018-09-30 | 2019-03-01 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号多病症分析方法 |
CN109549642A (zh) * | 2018-10-24 | 2019-04-02 | 安徽心之声医疗科技有限公司 | 一种基于随机集成学习的心电信号分析方法 |
KR102142841B1 (ko) * | 2019-11-06 | 2020-08-10 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
CN112971790A (zh) * | 2019-12-18 | 2021-06-18 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
CN113360611A (zh) * | 2021-05-25 | 2021-09-07 | 张健 | 基于检查结果的ai诊断方法、装置、存储介质和设备 |
US20210295996A1 (en) * | 2020-03-23 | 2021-09-23 | Clover Health | Machine learning models for diagnosis suspecting |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3981321A4 (en) * | 2019-07-29 | 2022-08-03 | Cardio Intelligence Inc. | ELECTROCARDIOGRAM DISPLAY DEVICE, ELECTROCARDIOGRAM DISPLAY METHOD AND PROGRAM |
CN110598549A (zh) * | 2019-08-07 | 2019-12-20 | 王满 | 一种基于心脏功能监控的卷积神经网络信息处理***及训练方法 |
CN112022140B (zh) * | 2020-07-03 | 2023-02-17 | 上海数创医疗科技有限公司 | 一种心电图的诊断结论自动诊断方法及*** |
CN112270240B (zh) * | 2020-10-22 | 2024-02-09 | 微医云(杭州)控股有限公司 | 一种信号处理方法、装置、电子设备和存储介质 |
KR102483693B1 (ko) * | 2020-12-02 | 2023-01-03 | 울산대학교 산학협력단 | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 |
-
2022
- 2022-06-13 WO PCT/CN2022/098428 patent/WO2022179645A2/zh unknown
- 2022-06-30 CN CN202210770213.7A patent/CN115778403B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104840186A (zh) * | 2015-05-07 | 2015-08-19 | 中山大学 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
CN107184200A (zh) * | 2017-07-10 | 2017-09-22 | 北京蓬阳丰业医疗设备有限公司 | 全导联智能预分析方法 |
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 |
CN109394205A (zh) * | 2018-09-30 | 2019-03-01 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号多病症分析方法 |
CN109549642A (zh) * | 2018-10-24 | 2019-04-02 | 安徽心之声医疗科技有限公司 | 一种基于随机集成学习的心电信号分析方法 |
KR102142841B1 (ko) * | 2019-11-06 | 2020-08-10 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
CN112971790A (zh) * | 2019-12-18 | 2021-06-18 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
US20210295996A1 (en) * | 2020-03-23 | 2021-09-23 | Clover Health | Machine learning models for diagnosis suspecting |
CN113360611A (zh) * | 2021-05-25 | 2021-09-07 | 张健 | 基于检查结果的ai诊断方法、装置、存储介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022179645A3 (zh) | 2023-09-21 |
CN115778403B (zh) | 2023-12-22 |
WO2022179645A2 (zh) | 2022-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11017902B2 (en) | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud | |
Murugesan et al. | Ecgnet: Deep network for arrhythmia classification | |
US11139048B2 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
EP3777674A1 (en) | Time series data learning and analyzing method using artificial intelligence | |
JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
US11062792B2 (en) | Discovering genomes to use in machine learning techniques | |
CN115778403B (zh) | 心电图分析方法、装置、电子设备和存储介质 | |
Moses et al. | A survey of data mining algorithms used in cardiovascular disease diagnosis from multi-lead ECG data | |
US20220122735A1 (en) | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud | |
US20210353203A1 (en) | Diagnostics for detection of ischemic heart disease | |
Feng et al. | Unsupervised semantic-aware adaptive feature fusion network for arrhythmia detection | |
Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
Oliveira et al. | Coupled hidden Markov model for automatic ECG and PCG segmentation | |
Mortensen et al. | Multi-class stress detection through heart rate variability: A deep neural network based study | |
Arya et al. | Heart disease prediction with machine learning and virtual reality: from future perspective | |
Shrestha et al. | ECG data analysis with IoT and machine learning | |
Yu et al. | Work-in-progress: On the feasibility of lightweight scheme of real-time atrial fibrillation detection using deep learning | |
Omarov et al. | Detection of heartbeat abnormalities from phonocardiography using machine learning | |
Pushparaj et al. | Prediction of Heart Disease Using Hybrid of CNN-LSTM Algorithm | |
US20220262516A1 (en) | Atrial Fibrillation Prediction Model And Prediction System Thereof | |
Laudato et al. | Combining rhythmic and morphological ECG features for automatic detection of atrial fibrillation: local and global prediction models | |
CN110786847A (zh) | 心电信号的建库方法和分析方法 | |
Kanna et al. | Machine Learning Based of Cardiac Attack Prediction Application | |
Shanto et al. | Contrastive Self-Supervised Learning Based Approach for Patient Similarity: A Case Study on Atrial Fibrillation Detection from PPG Signal | |
Fajardo et al. | Towards atrial fibrillation detection in wearable devices 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 |