CN115916056A - 基于生成式对抗神经网络算法的心电图生成装置及其方法 - Google Patents

基于生成式对抗神经网络算法的心电图生成装置及其方法 Download PDF

Info

Publication number
CN115916056A
CN115916056A CN202180045976.9A CN202180045976A CN115916056A CN 115916056 A CN115916056 A CN 115916056A CN 202180045976 A CN202180045976 A CN 202180045976A CN 115916056 A CN115916056 A CN 115916056A
Authority
CN
China
Prior art keywords
electrocardiogram
data
electrocardiogram data
synthesized
electrocardiographic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180045976.9A
Other languages
English (en)
Inventor
权俊明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Medico Ai Co ltd
Bodyfriend Co Ltd
Original Assignee
Medico Ai Co ltd
Bodyfriend Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Medico Ai Co ltd, Bodyfriend Co Ltd filed Critical Medico Ai Co ltd
Publication of CN115916056A publication Critical patent/CN115916056A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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]
    • A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
    • 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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Cardiology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明揭示一种基于生成式对抗神经网络算法的心电图生成装置及其方法。本发明的基于生成式对抗神经网络算法的心电图生成装置包括：输入单元，接收需诊断病症的患者的心电图数据；控制单元，将所接收的所述心电图数据输入到已学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据；以及输出单元，输出所接收的所述患者的实际心电图数据与所生成的多个心电图数据。依据本发明，利用深度学习算法按照特性学习心电图数据并且利用所学习的模型诊断心脏病之一的心律失常而提高准确度，还能提供诊断为心律失常的理由从而提高诊断的可靠性。

Description

基于生成式对抗神经网络算法的心电图生成装置及其方法
技术领域
本发明揭示一种基于生成式对抗神经网络算法的心电图生成装置及其方法，更具体地，本发明揭示一种利用深度学习算法从n个电极的信息生成其余12-n个电极的信息并利用所生成的电极信息诊断患者状态的基于生成式对抗神经网络算法的心电图生成装置及其方法。
背景技术
心电图以图形方式从体表记录有关心跳的电位，除了标准12导联心电图以外，还有运动负荷心电图、活动中心电图(动态心电图监测与活动记录心电图)等。在诊断循环器官疾病时能使用很多检查工具，但其中的心电图具有很多优点并且是临床中使用最多的检查工具。心电图是一种准确简单、具有再现性、能简单地反复记录、检查费用低廉的非侵入性检查。心电图在心律失常与冠心病的诊断方面应用最广泛。
标准12导联心电图在前胸部贴上6个电极并且在肢体各自贴上3个电极后收集所有的12导联信息并且将其予以综合后诊断疾病。然而，12导联电极需要露出胸部并且较难全部贴上12个电极而很难在家庭或日常生活中测量。
最近，人们正在开发只使用12个电极中用于手脚的3个电极的6电极信息或者如同贴片型产品一样地仅仅使用1个电极信息进行测量的可穿戴心电图设备。
图1示出了12导联心电图数据。
例如，如图1所示，医院所使用的12导联电极的心电图同时测量左侧与右侧共12个导联(lead)的心电图。然而，可穿戴心电图设备只使用最左侧的肢体电极信息(在手脚贴上3个电极后测量I、II、III、aVL、aVF、aVL等6个电极的信息)或者只收集其中的I或II等一个电极的心电图信息。
如前所述，只使用6个电极的信息或者只使用1个电极的信息时，相比于原先使用12导联电极信息的情形，只能使用一半或1/12的信息而使得准确度降低。
韩国授权专利公报第10-1109738号(2012.02.24.公告)揭示了本发明的背景技术。
发明内容
技术问题
本发明需要解决的技术问题是提供一种利用深度学习算法从n个电极的信息生成其余12-n个电极的信息并且利用所生成的电极信息预测患者状态的基于生成式对抗神经网络算法的心电图生成装置及其方法。
技术方案
实现该技术问题的本发明实施例的基于深度学习算法的心电图生成装置包括：输入单元，接收需诊断病症的患者的心电图数据；数据生成单元，将所接收的所述心电图数据输入到已学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据；以及输出单元，输出所接收的所述患者的实际心电图数据、所生成的多个心电图数据及诊断结果。
本发明还可包括学习单元，其学习从被诊断为心脏疾病的患者的整体心电图数据提取导联心电图数据并且将所提取的所述导联心电图数据输入到预建构的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据。
所述学习单元可包括：第一生成模型，从提取于所输入的整体心电图数据的导联心电图数据生成n个合成心电图数据；以及第二生成模型，从生成于所述第一生成模型的n个合成心电图数据生成m个合成心电图数据。
所述学习单元可包括：第一判别模型，接收导联心电图数据或m个合成心电图数据并判别其为实际的还是合成的；以及第二判别模型，接收除了所述导联心电图数据以外的整体心电图数据或n个合成心电图数据并判别其为实际的还是合成的。
而且，本发明另一实施例的利用心电图生成装置的基于深度学习算法的心电图生成方法可包括下列步骤：接收需诊断病症的患者的心电图数据；将所接收的所述心电图数据输入到已学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据；以及输出所接收的所述患者的实际心电图数据、所生成的多个心电图数据及诊断结果。
发明的效果
如前所述，依据本发明，能利用深度学习算法并且利用一个电极或3个电极所测量的心电图生成n个额外的心电图提高心脏相关疾病诊断的准确度。而且，依据本发明，由于能适用于便携式可穿戴心电图设备而在家庭或日常生活中也能使用。
附图说明
图1是用于说明一般的标准12导联心电图方法的图。
图2是示出本发明实施例的基于生成式对抗神经网络算法的心电图生成装置的块式配置图。
图3是示出本发明实施例的基于生成式对抗神经网络算法的心电图生成方法的动作流程的流程图。
图4是示出了心电图数据的种类的图。
图5是用于说明本发明实施例的生成模型及判别模型的图。
发明的最佳实施方式
本发明的基于深度学习算法的心电图生成装置中，所述心电图生成装置包括：输入单元，接收需诊断病症的患者的心电图数据；数据生成单元，将所接收的所述心电图数据输入到已学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据；以及输出单元，输出所接收的所述患者的实际心电图数据、所生成的多个心电图数据及诊断结果。
具体实施方式
下面结合附图详细说明本发明的优选实施例。在这个过程中，为了明确并方便地进行说明，附图所图示的线的厚度或结构要素的大小等因素可能会夸张地显示出来。
而且，后述的术语是考虑到本发明中的功能后定义的，其可随着使用者、运用者的意图或惯例而不同。因此应该根据本说明书的整体内容予以定义。
首先，利用图2说明本发明实施例的基于深度学习算法的心电图生成装置。
图2是示出本发明实施例的基于生成式对抗神经网络算法的心电图生成装置的块式配置图。
如图2所示，本发明实施例的基于生成式对抗神经网络算法的心电图生成装置100包括输入单元110、数据生成单元120、学习单元130及输出单元140。
首先，输入单元110接收患者心电图数据。此时，输入单元110进一步接收信息(indicator)，该信息(indicator)指出所接收的心电图数据是什么信号。
数据生成单元120将接收的心电图数据输入到完成了学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据。
学习单元130接收从患有心脏疾病的患者测量到的心电图数据。然后，进行学习以便从所接收的心电图数据提取导联数据后将提取的导联数据输入生成式对抗神经网络(Generative Adversarial Network)算法后输出合成心电图数据。
此时，学习单元130建立基于生成式对抗神经网络(Generative AdversarialNetwork)算法的多个生成模型与判别模型。因此，学习单元130让生成模型学习以便利用生成模型生成合成心电图数据，让判别模型学习以便利用判别模型分析所生成的合成心电图数据与实际心电图数据并判别合成与否。
最后，输出单元将利用所接收的心电图数据与合成后生成的多个心电图数据做出的诊断结果予以输出。
下面结合图3与图4更详细地说明心电图数据的生成方法。
图3是示出本发明实施例的基于生成式对抗神经网络算法的心电图生成方法的动作流程的流程图，图4是示出了心电图数据的种类的图，图5是用于说明本发明实施例的生成模型及判别模型的图。
如图3所示，本发明实施例的输入单元110接收利用12导联电极测量的心电图数据(步骤310)。
附带地说，输入单元110接收将12导联电极贴到被诊断为心律失常或心脏病相关病患的患者的一部分身体后测量到的心电图数据。此时，输入单元110会进一步接收下列信息(indicator)，该信息(indicator)指出所接收的心电图数据是什么信号。
本发明的实施例将所接收的心电图数据记载为12导联电极，但本发明并不局限于此，也可以视需要而使用从6导联电极、18导联电极或24导联电极等取得的心电图数据。
接着，输入单元110将所接收的12个心电图数据和与其对应的诊断结果传输到学习单元130。
然后，学习单元130让第一生成模型学习以便在12个心电图数据中提取n个导联心电图数据并且将提取的n个导联心电图数据输入到第一生成模型而提取12-n个合成心电图数据(步骤320)。
进一步地，学习单元130收集从多个患者测量的心电图数据。接着，学习单元130从各个群提取n个导联心电图数据。所提取的导联心电图数据则被输入到基于生成式对抗神经网络(Generative Adversarial Network)算法的第一生成模型。
进一步地，如图4所示，心电图以3个标准导联I/II/III、3个肢体导联aVR/aVR/aVF及6个胸前导联V1～V6的曲线记录。
因此，第一生成模型接收所接收的n个导联心电图数据和对于对应于导联心电图数据的信号的信息(indicator)。
然后，第一生成模型将除了所接收的导联心电图数据以外的其余心电图数据予以合成生成。
例如，假设所接收的导联心电图数据是3个肢体导联数据时，第一生成模型将生成除了3个肢体导联数据以外的9个合成心电图数据。
接着，学习单元130让第一判别模型学习以便将合成后生成的12-n个心电图数据与实际12-n个心电图数据输入到第一判别模型并判断合成与否(步骤330)。
附带地说，第一判别模型将9个合成心电图数据与除了3个肢体导联数据以外的9个实际心电图数据予以互相分析。然后，第一判别模型判断9个合成心电图数据是合成心电图数据还是实际心电图数据。
然后，学习单元130让第二生成模型学习以便将步骤320中生成的12-n个合成心电图数据输入到第二生成模型而再生成n个合成心电图数据(步骤340)。
在步骤320中，第一生成模型从3个肢体导联数据生成9个合成心电图数据。因此，第二生成模型利用9个合成心电图数据将3个肢体导联数据予以合成生成。
步骤340结束后，学习单元130让第二判别模型学习以便将n个合成心电图数据与n个导联心电图数据输入到第二判别模型并判断合成与否(步骤350)。
学习单元130让生成心电图数据的生成模型和判断合成与否的判别模型反复学习以便生成近似于实际的心电图模型。
另一方面，在本发明的实施例，如图5所示分别建构2个生成模型与2个判别模型并使其互相竞争，但也能以增加或减少生成模型与判别模型的数量的方式建构。
步骤350结束后，输入单元110接收受测者的心电图数据(步骤360)。
此时接收的心电图数据不是12个整体心电图数据而是一部分心电图数据。输入单元110将心电图数据传输到控制单元120。
然后，控制单元120将传输过来的n个心电图数据作为导联心电图数据输入到完成了学习的生成式对抗神经网络(Generative Adversarial Network)算法生成12-n个合成心电图数据(步骤370)。
如果是可穿戴式装置，利用一个至三个电极测量心电图。因此，控制单元120将一个或三个心电图数据输入到生成式对抗神经网络(Generative Adversarial Network)算法。
然后，生成式对抗神经网络(Generative Adversarial Network)算法从一个导联心电图数据生成11个合成心电图数据。而且，接收到三个导联心电图数据时，生成式对抗神经网络(Generative Adversarial Network)算法生成9个合成心电图数据。
接着，输出单元140输出所生成的心电图数据(步骤380)。
即，输出单元140将输入的心电图数据与生成的心电图数据予以输出，所输出的12个心电图数据则可以通过受测者的终端被输出或者被输出到医疗人员使用的终端。然后，医疗人员可以利用所输出的心电图数据诊断心脏病。
如前所述，依据本发明，能利用深度学习算法并且利用一个电极或3个电极所测量的心电图生成n个额外的心电图提高心脏相关疾病诊断的准确度。而且，依据本发明，由于能适用于便携式可穿戴心电图设备而在家庭或日常生活中也能使用。
前文结合附图所示实施例说明了本发明，但其仅为例示，本发明所属领域的普通技术人员当知，可由此实行各种变形及等值范围的其它实施例。因此，本发明的真正技术保护范围应该由发明要求保护范围界定。
附图标记的说明
100：心电图生成装置
110：输入单元
120：控制单元
130：学习单元
140：输出单元

Claims (8)

1.一种心电图生成装置，是基于生成式对抗神经网络算法的心电图生成装置，其特征在于，
包括：
输入单元，接收需诊断病症的患者的心电图数据；
控制单元，将所接收的所述心电图数据输入到已学习的生成式对抗神经网络算法生成多个合成心电图数据；以及
输出单元，输出所接收的所述患者的实际心电图数据与所生成的多个心电图数据。
2.根据权利要求1所述的心电图生成装置，其特征在于，还包括学习单元，其学习从被诊断为心脏疾病的患者的整体心电图数据提取导联心电图数据并且将所提取的所述导联心电图数据输入到预建构的生成式对抗神经网络算法生成多个合成心电图数据。
3.根据权利要求2所述的心电图生成装置，其特征在于，所述学习单元包括：
第一生成模型，从提取于所输入的整体心电图数据的导联心电图数据生成n个合成心电图数据；以及
第二生成模型，从生成于所述第一生成模型的n个合成心电图数据生成m个合成心电图数据。
4.根据权利要求2所述的心电图生成装置，其特征在于，所述学习单元包括：
第一判别模型，接收导联心电图数据或m个合成心电图数据并判别其为实际的还是合成的；以及
第二判别模型，接收除了所述导联心电图数据以外的整体心电图数据或n个合成心电图数据并判别其为实际的还是合成的。
5.一种心电图生成方法，该方法利用心电图生成装置，其特征在于，包括下列步骤：
接收需诊断病症的患者的心电图数据；
将所接收的所述心电图数据输入到已学习的生成式对抗神经网络算法生成多个合成心电图数据；以及
输出所接收的所述患者的实际心电图数据与所生成的多个心电图数据。
6.根据权利要求5所述的心电图生成方法，其特征在于，还包括下列步骤，即，
进行学习以便从被诊断为心脏疾病的患者的整体心电图数据提取导联心电图数据并且将所提取的所述导联心电图数据输入到预建构的生成式对抗神经网络算法生成多个合成心电图数据。
7.根据权利要求6所述的心电图生成方法，其特征在于，进行学习以便生成所述心电图数据的步骤包括下列步骤：
利用第一生成模型从提取于所输入的整体心电图数据的导联心电图数据生成n个合成心电图数据；以及
利用第二生成模型从生成于所述第一生成模型的n个合成心电图数据生成m个合成心电图数据。
8.根据权利要求6所述的心电图生成方法，其特征在于，
进行学习以便生成所述心电图数据的步骤包括下列步骤：
利用第一判别模型接收导联心电图数据或m个合成心电图数据并判别其为实际的还是合成的；以及
利用第二判别模型接收除了所述导联心电图数据以外的整体心电图数据或n个合成心电图数据并判别其为实际的还是合成的。
CN202180045976.9A 2020-07-14 2021-07-07 基于生成式对抗神经网络算法的心电图生成装置及其方法 Pending CN115916056A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2020-0086485 2020-07-14
KR1020200086485A KR102412974B1 (ko) 2020-07-14 2020-07-14 생성적　적대　신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법
PCT/KR2021/008627 WO2022014943A1 (ko) 2020-07-14 2021-07-07 생성적 적대 신경망 알고리즘을 기반으로 하는 심전도 생성 장치 및 그 방법

Publications (1)

Publication Number Publication Date
CN115916056A true CN115916056A (zh) 2023-04-04

Family

ID=79554943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180045976.9A Pending CN115916056A (zh) 2020-07-14 2021-07-07 基于生成式对抗神经网络算法的心电图生成装置及其方法

Country Status (6)

Country Link
US (1) US20230274832A1 (zh)
EP (1) EP4162876A4 (zh)
JP (1) JP2023534001A (zh)
KR (1) KR102412974B1 (zh)
CN (1) CN115916056A (zh)
WO (1) WO2022014943A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220098600A (ko) 2021-01-04 2022-07-12 주식회사 바디프랜드 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템
CA3226624A1 (en) * 2021-07-22 2023-01-26 Arun NEMANI Translating ai algorithms from 12-lead clinical ecgs to portable and consumer ecgs with fewer leads
KR102670032B1 (ko) 2021-08-17 2024-05-28 주식회사 메디컬에이아이 2유도 심전도 데이터를 이용한 복수개의 표준 심전도 데이터 생성 시스템
KR20230025954A (ko) 2021-08-17 2023-02-24 주식회사 메디컬에이아이 단일유도 심전도기기를 활용한 건강상태 예측 시스템
KR20230025955A (ko) 2021-08-17 2023-02-24 주식회사 메디컬에이아이 비동기 심전도를 이용한 건강상태 예측 시스템
KR102608735B1 (ko) * 2022-10-25 2023-12-04 주식회사 틸더 인공지능 기반의 심전도 신호 분석 장치 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4830266B2 (ja) * 2004-05-14 2011-12-07 日本光電工業株式会社 標準１２誘導心電図の構築方法および心電図検査装置
KR101109738B1 (ko) 2009-04-06 2012-02-24 강원대학교산학협력단 심장 부정맥 진단방법 및 그 진단장치
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법
JP2020042598A (ja) * 2018-09-12 2020-03-19 国立大学法人神戸大学 生体信号データからの個体特徴分離による状態予測方法および装置
KR102078703B1 (ko) * 2019-07-23 2020-02-19 이재용 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법

Also Published As

Publication number Publication date
KR102412974B1 (ko) 2022-06-24
US20230274832A1 (en) 2023-08-31
JP2023534001A (ja) 2023-08-07
WO2022014943A1 (ko) 2022-01-20
EP4162876A1 (en) 2023-04-12
KR20220008448A (ko) 2022-01-21
EP4162876A4 (en) 2024-01-17

Similar Documents

Publication Publication Date Title
CN115916056A (zh) 基于生成式对抗神经网络算法的心电图生成装置及其方法
Merdjanovska et al. Comprehensive survey of computational ECG analysis: Databases, methods and applications
Xia et al. Computer algorithms for evaluating the quality of ECGs in real time
US20210338135A1 (en) Determining device and mapping system for origin of arrhythmia
US9521957B2 (en) Hand-held device for self-measurement and recording of a heart rate variability examination
US11013448B2 (en) Monitoring of biosignals, in particular electrocardiograms
KR20220098600A (ko) 시차를 둔 단일유도 심전도를 통한 딥러닝기반의 복수 유도 심전도 생성 시스템
CN107530053A (zh) 基于多普勒超声波的可穿戴心脏监测
US20210204857A1 (en) Method and device for cardiac monitoring
Martins et al. Design and evaluation of a diaphragm for electrocardiography in electronic stethoscopes
EP4368105A1 (en) Method for generating synchronous electrocardiograms on basis of two lead asynchronous electrocardiograms
CN105326482B (zh) 记录生理信号的方法和装置
CN109431493B (zh) 基于距离分段加权算法的可穿戴体表电势采集装置
EP2865328B1 (en) Electrocardiogram measuring apparatus and synthesized electrocardiogram generating method
CN117813054A (zh) 利用异步心电图的健康状态预测***
EP4371487A1 (en) Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm
GB2435950A (en) Exercise test interpretation
EP4248867A1 (en) System and method for generating electrocardiogram on basis of deep learning algorithm
US20230210393A1 (en) Method and device for multidimensional analysis of the dynamics of cardiac activity
RU2738862C2 (ru) Способ диагностики состояния сердечно-сосудистой системы с помощью аппаратно-программного комплекса
Gagana et al. A Survey of Cost-Efficient Technological Developments in the Field of Cardiovascular Diagnostics and Auscultation
CN117813050A (zh) 利用2导联心电图数据的复数个标准心电图数据生成***
Sighvatsson et al. Wearable Heart Monitor
CN117858665A (zh) 利用单导联心电图机的健康状态预测***
Vranic Pharmacodynamic Evaluation: Cardiovascular Methodologies

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