[go: up one dir, main page]

CN111297348A - 心电图分析结果的生成方法、心电图机及存储介质 - Google Patents

心电图分析结果的生成方法、心电图机及存储介质 Download PDF

Info

Publication number
CN111297348A
CN111297348A CN201811509584.XA CN201811509584A CN111297348A CN 111297348 A CN111297348 A CN 111297348A CN 201811509584 A CN201811509584 A CN 201811509584A CN 111297348 A CN111297348 A CN 111297348A
Authority
CN
China
Prior art keywords
analysis result
electrocardiogram
confidence
generating
electrocardiosignals
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
CN201811509584.XA
Other languages
English (en)
Inventor
周雅琪
欧凤
周峰
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.)
Edan Instruments Inc
Original Assignee
Edan Instruments Inc
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 Edan Instruments Inc filed Critical Edan Instruments Inc
Priority to CN201811509584.XA priority Critical patent/CN111297348A/zh
Publication of CN111297348A publication Critical patent/CN111297348A/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]
    • 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
    • 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
    • A61B5/7235—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)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种心电图分析结果的生成方法，包括以下步骤：将心电信号输入到深度学习模型中生成心电图分析结果，以及所述心电图分析结果各个任务类别的置信度；获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信；在判定所述心电图分析结果可信时，输出所述心电图分析结果。本发明还公开了一种心电图机以及计算机可读存储介质。本发明实现对心电图分析结果进行可靠性判断，提高了心电医师的工作效率。

Description

心电图分析结果的生成方法、心电图机及存储介质
技术领域
本发明涉及医疗设备技术领域，尤其涉及一种心电图分析结果的生成方法、心电图机以及计算机可读存储介质。
背景技术
随着时代的发展，心电图自动分析技术在数十年间得到了长足发展，心电图自动分析技术使得一段心电图可通过识别算法自动得到检测结果。临床上，静态心电自动分析技术根据所依托的设备或使用场景一般可以分为便携式心电图机、心电图工作站与心电网络等形式。在现有的对心电信号进行分析生成心电图分析结果的技术中，大多只是直接根据采集到的心电信号生成分析结果并输出，由于自动生成的分析结果不一定可信，往往需要心电医师对输出的分析结果都进行检验分析，这就会导致心电医师的工作效率低下。
发明内容
本发明的主要目的在于提供一种心电图分析结果的生成方法、心电图机以及计算机可读存储介质，实现对心电图分析结果进行可靠性判断，提高了心电医师的工作效率。
为实现上述目的，本发明提供一种心电图分析结果的生成方法，所述心电图分析结果的生成方法包括以下步骤：
将心电信号输入到深度学习模型中生成心电图分析结果，以及所述心电图分析结果各个任务类别的置信度；
获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信；
在判定所述心电图分析结果可信时，输出所述心电图分析结果。
优选地，所述将心电信号输入到深度学习模型中生成心电图分析结果，以及所述心电图分析结果各个任务类别的置信度的步骤包括：
在接收到心电信号时，将所述心电信号输入到深度学习模型中生成心电图分析结果；
根据与所述心电图分析结果对应的任务类别的数量，计算各个所述任务类别的置信度。
优选地，所述心电图分析结果的生成方法还包括：
将预设数量的心电信号样本，以及所述心电信号样本对应的心电图分析结果，输入到所述深度学习模型中得到所述置信度阈值。
优选地，所述根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信的步骤包括：
获取所述心电图分析结果的预设任务类别的置信度；
在所述预设任务类别的置信度大于所述置信度阈值时，判定所述心电图分析结果可信；
在所述预设任务类别的置信度小于或者等于所述置信度阈值时，判定所述心电图分析结果不可信。
优选地，所述根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信的步骤之后，还包括：
在判定所述心电图分析结果不可信时，输出所述心电图分析结果对应的心电信号；
获取基于所述心电信号生成的标注数据，根据所述标注数据更新并输出所述心电图分析结果。
优选地，所述输出所述心电图分析结果对应的心电信号的步骤包括：
输出所述心电图分析结果对应的心电信号，并输出手动标注提示信息，以提示用户对输出的所述心电信号进行手动标注；
基于标注后的所述心电信号生成标注数据。
优选地，所述心电图分析结果的生成方法还包括：
在输出所述心电图分析结果时，生成与所述心电图分析结果对应的分析标志；
根据所述分析标志优化所述深度学习模型。
优选地，所述基于深度学习模型，根据心电信号生成心电图分析结果，以及所述心电图分析结果对应的置信度的步骤之后，还包括：
根据预设置信度区间和所述置信度对所述心电图分析结果进行可信度评级。
优选地，所述心电图分析结果的可信度等级包括可信度高级、可信度中级和可信度低级，所述根据预设置信度区间和所述置信度对所述心电图分析结果进行可信度评级的步骤之后，还包括：
在所述可信度等级为所述可信度高级时，输出所述心电图分析结果；
在所述可信度等级为所述可信度中级时，输出是否需要手动标注提示信息，以提示用户是否需要手动对所述心电图分析结果对应的心电信号进行标注；
在所述可信度等级为所述可信度低级时，输出所述心电图分析结果对应的心电信号，并提示用户对输出的所述心电信号进行手动标注。
优选地，所述心电图分析结果的生成方法还包括：
在接收到所述心电信号时，对所述心电信号进行重采样，以使所述心电信号的信号频率转变为预设频率；
根据重采样后的心电信号生成所述心电图分析结果。
优选地，所述心电图分析结果的生成方法还包括：
在接收到所述心电信号时，根据预设采样精度间的尺度因子，将所述心电信号的采样精度转变为所述预设采样精度；
根据采样精度转变后的心电信号生成所述心电图分析结果。
为实现上述目的，本发明还提供一种心电图机，所述心电图机包括：
所述心电图机包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的心电图分析结果的生成程序，所述心电图分析结果的生成程序被所述处理器执行时实现如上述心电图分析结果的生成方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有心电图分析结果的生成程序，所述心电图分析结果的生成程序被处理器执行时实现如上述心电图分析结果的生成方法的步骤。
本发明提供的心电图分析结果的生成方法、心电图机以及计算机可读存储介质，在接收到心电信号时，根据所述心电信号生成心电图分析结果；计算所述心电图分析结果对应不同任务类别的置信度；获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信；在判定所述心电图分析结果可信时，输出所述心电图分析结果。这样，实现对心电图分析结果进行可靠性判断，筛选出可靠性程度高的心电图分析结果，提高了心电医师的工作效率。
附图说明
图1为本发明实施例方案涉及的实施例终端的硬件运行环境示意图；
图2为本发明心电图分析结果的生成方法第一实施例的流程示意图；
图3为本发明心电图分析结果的生成方法第二实施例的流程示意图；
图4为本发明心电图分析结果的生成方法第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种心电图分析结果的生成方法，实现对心电图分析结果进行可靠性判断，筛选出可靠性程度高的心电图分析结果，提高了心电医师的工作效率。
如图1所示，图1是本发明实施例方案涉及的实施例终端的硬件运行环境示意图；
本发明实施例终端可以是心电图机、心电图工作站。
如图1所示，该终端可以包括：处理器1001，例如CPU，存储器1002，通信总线1003。其中，通信总线1003用于实现该终端中各组成部件之间的连接通信。存储器1002可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1002可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端的结构并不构成对本发明实施例终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1002中可以包括心电图分析结果的生成程序。
在图1所示的终端中，处理器1001可以用于调用存储器1002中存储的心电图分析结果的生成程序，并执行以下操作：
将心电信号输入到深度学习模型中生成心电图分析结果，以及所述心电图分析结果各个任务类别的置信度；
获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信；
在判定所述心电图分析结果可信时，输出所述心电图分析结果。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
在接收到心电信号时，将所述心电信号输入到深度学习模型中生成心电图分析结果；
根据与所述心电图分析结果对应的任务类别的数量，计算各个所述任务类别的置信度。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
将预设数量的心电信号样本，以及所述心电信号样本对应的心电图分析结果，输入到所述深度学习模型中得到所述置信度阈值。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
获取所述心电图分析结果的预设任务类别的置信度；
在所述预设任务类别的置信度大于所述置信度阈值时，判定所述心电图分析结果可信；
在所述预设任务类别的置信度小于或者等于所述置信度阈值时，判定所述心电图分析结果不可信。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
在判定所述心电图分析结果不可信时，输出所述心电图分析结果对应的心电信号；
获取基于所述心电信号生成的标注数据，根据所述标注数据更新并输出所述心电图分析结果。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
输出所述心电图分析结果对应的心电信号，并输出手动标注提示信息，以提示用户对输出的所述心电信号进行手动标注；
基于标注后的所述心电信号生成标注数据。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
在输出所述心电图分析结果时，生成与所述心电图分析结果对应的分析标志；
根据所述分析标志优化所述深度学习模型。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
根据预设置信度区间和所述置信度对所述心电图分析结果进行可信度评级。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
在所述可信度等级为所述可信度高级时，输出所述心电图分析结果；
在所述可信度等级为所述可信度中级时，输出是否需要手动标注提示信息，以提示用户是否需要手动对所述心电图分析结果对应的心电信号进行标注；
在所述可信度等级为所述可信度低级时，输出所述心电图分析结果对应的心电信号，并提示用户对输出的所述心电信号进行手动标注。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
在接收到所述心电信号时，对所述心电信号进行重采样，以使所述心电信号的信号频率转变为预设频率；
根据重采样后的心电信号生成所述心电图分析结果。
进一步地，处理器1001可以调用存储器1002中存储的心电图分析结果的生成程序，还执行以下操作：
在接收到所述心电信号时，根据预设采样精度间的尺度因子，将所述心电信号的采样精度转变为所述预设采样精度；
根据采样精度转变后的心电信号生成所述心电图分析结果。
参照图2，在一实施例中，所述心电图分析结果的生成方法包括：
步骤S10、将心电信号输入到深度学习模型中生成心电图分析结果，以及所述心电图分析结果各个任务类别的置信度。
步骤S20、获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信。
步骤S30、在判定所述心电图分析结果可信时，输出所述心电图分析结果。
本实施例中，心电图(Electrocardiography,ECG)是一种心脏经胸腔的电生理活动，它以时间为单位，通过放置在皮肤上的电极捕捉并记录。它已经在临床上广泛用于心脏相关的疾病检查，如各类心律失常、心肌梗死及心室肥大等。
心电图自动分析技术在数十年间得到了长足发展，心电图自动分析技术使得一段心电图可通过识别算法自动得到检测结果。临床上，静态心电自动分析技术根据所依托的设备或使用场景一般可以分为便携式心电图机、心电图工作站与心电网络等形式。但现有的心电图机将心电图分析结果提供给用户(一般是心电医师)后，便完成了一次分析。这种工作方式十分简单，存在很多弊端：由于仅输出心电图分析结果，不会提示分析的可靠性，这样会导致心电医师不能很好的通过自动分析功能减小工作量，对于每一例心电数据都要花很大精力分析；另外心电图分析结果不会是绝对准确的，容易导致医生、客户抱怨。
本申请提供的技术方案输出心电图分析结果的同时，输出分析结果的可信度，通过心电图分析结果与可信度的结合，可以帮助心电医师更好的利用心电图分析结果从而提高工作效率，进一步地，通过决策分析策略提示心电医师手动标注分析结果可信度低的数据，可以保证分析系统的准确性，降低因自动分析不准确导致的客户抱怨。
本申请提供的心电图分析结果的生成方法的整体功能模块主要包括：待分析心电信号、数据清洗模块、心电自动分析模型、分析结果与标志生成模块、心电专家手动标注模块和输出/显示分析结果模块。
待分析心电信号，待分析心电信号即将进行分析的心电数据，一般时长在8～20s之间，可通过各类心电图采集设备获取，本质是获取的人体体表心电信号。
数据清洗模块，由于采集的心电信号质量参差不齐，信号质量太低将不利于自动分析，甚至导致分析错误，同时心电采集设备存在差异使得采集的心电信号也存在差异，基于上述原因，为了使本发明中的方法能够有更好的鲁棒性，采用数据清洗模块对待分析心电信号进行预处理。
心电自动分析模型，心电自动分析模型将对待分析心电信号进行自动分析，输出心电图分析结果及心电图分析结果的置信度，置信度是决策分析模块需要使用的关键要素，心电自动分析模型可通过一些成熟的技术获取，优选地采用机器学习技术，包括但不限于逻辑回归算法、支持向量机、卷积神经网络等，其中，优选选用卷积神经网络模型。
分析结果与标志生成模块，该模块是本发明中决策分析功能的主体模块，由以下模块构成：决策分析模块，该模块利用自动分析置信度确定后续分析路径；心电图分析结果模块，经过决策分析模块后，若系统认为心电图分析结果置信度高，则将心电图分析结果传输至此模块，等待进一步整合、输出结果；心电专家手动标注输出模块，经过决策分析模块后，若系统认为心电图分析结果置信度低，则认为待分析心电信号需通过心电专家手动标注，该模块将心电图分析结果对应的心电信号传输至心电专家手动标注模块并提示心电专家手动标注，当心电专家标注后获取心电专家手动标注模块返回的结果，用于进一步整合、输出结果。分析结果与标志模块，通过整合心电图分析结果模块、心电专家手动标注输出模块的分析结果及标志，如经过心电专家手动标注则将标志置为1，若为心电自动分析模型分析结果则将标志置为0。心电专家手动标注模块，该模块向心电专家提供编辑分析结果功能，当心电专家手动标注输出模块将心电信号传输到此时，心电专家可通过键盘、鼠标对心电信号进行手动标注，标注完成后，将结果返回心电专家手动标注输出模块。至此，分析结果与标志生成模块与心电专家手动标注模块共同完成了决策分析功能。
输出/显示分析结果模块，将分析结果与标志生成模块分析结果传输至本模块，可以但不限于显示心电图报告、打印心电图报告等。
为了使心电图分析结果的生成方法能够有更好的鲁棒性，采用数据清洗模块对待分析心电信号进行预处理，待分析心电信号通过心电采集设备从人体体表获得；判断心电信号质量是否可接受，通过信号质量检测算法判断心电信号质量是否可接受，若可接受则进入下一步，否则进入返回并提示信号质量差；返回并提示信号质量差，请重新采集，若信号质量差，那么这例信号将不满足分析条件，程序将返回并提示信号质量差，请重新采集；通过信号质量检测算法判断心电信号质量可接受后，过滤低频干扰和高频噪声，心电信号中一般包含低频的基线漂移、高频噪声及工频噪声，这些干扰可以通过预处理进行滤除，减小对后续分析的影响，一般地，心电信号的有效频段为0.05～100Hz，可通过带通滤波器滤除低频干扰和高频噪声，通过工频滤波器去除工频干扰；对信号进行重采样及频率统一，心电采集设备存在一定地差异性，以采样率来说，存在500、1000等，重采样及幅度规范化单元将采样率、采样精度统一，从而使不同采样率、采样精度的心电信号可通过心电自动分析模型进行分析，提高自动分析模型的鲁棒性；输出数据清洗后的心电信号，通过上述步骤即可得到清洗后的心电数据，可将自动分析模型加以分析。
需要说明的是，对于判断心电信号质量是否可接受，可以先采用信号质量检测算法对心电信号进行质量特征提取，然后再进行心电信号质量判别。由于心电信号质量判断技术属于行业内的成熟技术，在此便不再赘述。
心电图自动分析技术主要包括心电信号的预处理、各波形位置确定、心电信号的特征提取并通过识别算法得到检测结果等。目前大部分心电图设备中采用基于规则/判据的分析方法，典型代表是采用明尼苏达码对心电信号进行分析，这种方法的优势在于与医生的诊断逻辑类似，分析结果能有很好的医学解释。缺陷也很明显，规则均是基于确定化的阈值，从统计学习理论的角度可以认为这种方法得到的模型容量十分有限，而且很难实现个性化的定制，算法性能上限低。
相对传统方法，机器学习算法还有一个优势是它在输出分析结果的同时，能够输出分析结果的置信度。所述机器学习技术包括但不限于逻辑回归算法、支持向量机、卷积神经网络等。在统计学中，一个概率样本的置信区间，是对这个样本的某个参数的区间估计。置信区间展现的是，这个总体参数的真实值有一定概率落在与该测量结果的有关的某对应区间。置信区间给出的是，真实值在测量值上所具有的可信程度，即前面要求的“一定概率”，这个概率被称为置信度。置信度越高，表明测量值可信的程度越高。
机器学习技术中，逻辑斯特回归、卷积神经网络等方法，输出分析结果时会给出该结果的概率值，该概率值即所述置信度；对于支持向量机，线性判别分析这类距离模型，给出的是与决策面的距离值，通过归一化等转换方法可以将该距离值转换为置信度。
本实施例的机器学习技术优选选用深度学习模型中的卷积神经网络模型，通过预先构建的卷积神经网络模型，根据所述心电信号的波形生成所述心电图分析结果，以及根据与所述心电图分析结果对应的任务类别的数量，基于所述卷积神经网络模型计算各个所述任务类别的置信度。
心电自动分析技术是对一段心电信号进行分析，得到所属类别，其预测值是离散的，这种任务在机器学习领域被称为分类任务。当预测只涉及两个类别时，通常一类称为“正类”，另一类称为“负类”，叫做二分类任务，涉及多个类别时称为多分类任务。
需要说明的是，所述任务类别至少包括正类任务和异类任务，其中，正类任务是代表所述心电信号是可信的，异类任务是代表所述心电信号是不可信的。本方案优选设置二分类任务，当然，根据实际情况需要，也可以设置多分类任务。优选地，所述预设任务类别设置为正类任务。
需要说明的是，根据实际情况需要，选用的机器学习技术也可以是有线性模型(如逻辑斯特回归)，或者基于核函数的模型(如采用核函数的SVM)，也可以是其它深度学习模型。
基于卷积神经网络模型构建的心电自动分析模型主要包括：心电数据库、模型选择与训练模块和心电自动分析模型。
心电数据库，为得到心电自动分析模型首先进行的工作是构建合适规模的心电数据库，该数据库中数据及标注可来自开源数据库(如Physionet)也可由心电设备采集得到，技术路径可采用心电图采集设备与网络传输技术结合的方式实现。
模型选择与训练模块，构建心电数据库后，可通过该模块得到心电自动分析模型。模型选择与训练模块可分为模型选择单元与模型训练单元，分为这两个单元是基于以下事实：学习方法和模型都是可以相结合的，模型从简单到复杂，有线性模型(如逻辑斯特回归)、基于核函数的模型(如采用核函数的SVM)、深度学习模型(如卷积神经网络)等。根据采用不同的模型，可选用不同的训练方法进行训练。优选地，本发明采用卷积神经网络构建心电自动分析模型。
卷积神经网络(Convolutional Neural Network,CNN)是一类特殊的神经的人工神经网络，区别于神经网络其它模型，其主要特点是卷积运算操作。卷积神经网络在诸多领域表现优异，如：图像分类、图像检索、语音识别等。总体来说，卷积神经网络是一种层次模型，输入是原始数据，如RGB图像、原始音频数据等。卷积神经网络通过卷积操作、池化操作和非线性激活函数映射等一系列操作的层层堆叠，将高层语义信息逐层由原始数据输入层中抽取出来，这一过程称为“前馈运算”。最终，卷积神经网络的最后一层将其目标任务形式化为目标函数。通过计算预测值与真实值之间的误差或损失，利用反向传播算法将误差或损失由最后一层逐层向前反馈，更新每层参数，并在更新参数后再次前馈，如此往复，直到网络模型收敛，从而到达模型训练目的。
本实现例中，心电图分析结果的可靠性通过心电图分析结果的置信度体现。具体地，根据预设数量的心电信号的样本及分析结果(比如1000个样本)，经过卷积神经网络模型进行训练，而由于所有任务类别的置信度和为1，因此，根据心电信号的波形，以及任务类别的数量，即可通过训练过后的卷积神经网络模型分别生成待分析的心电信号的心电图分析结果以及心电图分析结果各个任务类别的置信度。
心电自动分析模型，通过模型选择与训练模块选择与训练模块后，便可得到心电自动分析模型。
待分析心电信号通过数据清洗模块进行数据清洗后，心电自动分析模型进行心电信号分析，得到心电图分析结果及分析结果的置信度，如一份心电信号经过分析得到的结果为：正类任务，置信度0.85；异类任务，置信度0.15。将“正常心电图”作为正类任务，异常心电图作为异类任务，上述结果的意义便是：这份心电图是正常心电图，且其可信度达到0.85。
所述根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信的步骤包括在所述正类任务的所述置信度大于所述置信度阈值时，判定所述心电信号可信；在所述正类任务的所述置信度小于或者等于所述置信度阈值时，判定所述心电图分析结果不可信。判断置信度是否高于置信度阈值，置信度表示的是真实值在测量值上所具有的可信程度，置信度越高，表明测量值可信的程度越高。基于此根据分析结果的置信度进行决策：当高于置信度阈值时认为心电图分析结果准确性较高，否则准确性较低，需要心电专家手动标注。对于心电正异常这种二分类问题，只需将分析结果为正类任务的置信度与置信度阈值对比即可(因为正类任务的置信度与异类任务的置信度的和为1)。
获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信。在获取心电自动分析模型时可一同获取置信度阈值，具体地，在置信度阈值取值范围(0.5 1]范围内以r值的形式递增，搜索最佳值，该最佳值满足以下标准：心电图分析结果的可信度大于该值时，心电图分析结果完全准确。优选地，r值可以选定为0.01。优选地，该最佳值在0.7～0.9之间，该最佳值即可作为置信度阈值。
基于所述卷积神经网络模型，根据预设数量的心电信号样本，以及所述心电信号样本对应的心电图分析结果，生成所述置信度阈值。比如，在1000个心电信号训练样本的卷积神经网络模型中，正类任务的置信度大于0.501置信度阈值的样本具有400份，其中，结果正确的样本占比为60％，继续获取下一个置信度阈值0.502，例如，在获取到正类任务的置信度大于0.7置信度阈值的样本具有100份，其中，结果正确的样本占比为100％，即可设置置信度阈值为0.7。
在判定所述心电图分析结果可信时，输出所述心电图分析结果，所述心电图分析结果包括根据心电信号的波形判断病因，判断心房颤动是否正常等，以及计算心率等。
所述获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信的步骤之后，还包括在判定所述心电图分析结果不可信时，输出所述心电图分析结果对应的心电信号，并输出手动标注提示信息，以提示用户对输出的所述心电信号进行手动标注，然后基于标注后的所述心电信号生成标注数据。并且在输出手动标注提示信息的步骤之后，终端再获取基于所述心电信号生成的标注数据，根据所述标注数据更新并输出所述心电图分析结果。
心电专家手动标注，当置信度低于置信度阈值时，表明自动分析模型结果可信度低，系统可拒绝对该心电信号进行分析并提示心电专家手动标注。生成分析结果及标志，整合心电图分析结果与心电专家标注结果，若经过心电专家手动标注则将分析标志置为1，若为心电自动分析模型分析结果则将分析标志置为0。至此分析结束，将心电数据、分析结果及标注传输至相应模块即可。
另外，通过决策分析模块，每一例心电信号已被标记为是否被心电专家重新标注，然后可以根据心电图分析结果对应的分析标志优化所述深度学习模型。具体地，在优化标志置1时，代表一份心电信号被重新标注，一般可以认为自动分析模型分析存在误差，对于自动模型的优化很有帮助，可以通过网络传输技术、存储技术将重新标注后的心电信号对应的分析数据和标注数据扩充至心电数据库，不断增大心电数据库规模，这样可以优化深度学习模型。
通过上述实例，可以看到决策分析策略，将分析结果置信度与阈值进行对比，当高于阈值时，心电医师可充分利用心电图分析结果，认为分析结果准确，提高了工作效率；当低于阈值时，要求心电医师手动标注，保证了分析系统的准确性，从而降低因自动分析不准确导致的客户抱怨。
在一实施例中，将心电信号输入到深度学习模型中生成心电图分析结果，以及所述心电图分析结果各个任务类别的置信度；获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信；在判定所述心电图分析结果可信时，输出所述心电图分析结果。这样，实现对心电图分析结果进行可靠性判断，筛选出可靠性程度高的心电图分析结果，提高了心电医师的工作效率。
在第二实施例中，如图3所示，在上述图2所示的实施例基础上，所述心电图分析结果的生成方法还包括：
步骤S40、在接收到所述心电信号时，对所述心电信号进行重采样，以使所述心电信号的信号频率转变为预设频率
步骤S50、在接收到所述心电信号时，根据预设采样精度间的尺度因子，将所述心电信号的采样精度转变为所述预设采样精度。
步骤S60、根据重采样后和/采样精度转变后的心电信号生成所述心电图分析结果。
本实施例中，在对心电信号进行分析之前，在对心电信号采样时，先对采集到的心电信号进行重采样以及采样精度统一。
具体地，在接收到所述心电信号时，对所述心电信号进行重采样，以使所述心电信号的信号频率转变为预设频率。具体地，心电采集设备存在一定地差异性，以采样率来说，存在500、1000等，重采样及幅度规范化单元将采样率、采样精度统一，从而使后续学习得到的心电自动分析能适用于不同采样率、采样精度的心电信号，提高自动分析模型的鲁棒性。采样率转换分为升采样与降采样两种。本方案优选采用500Hz作为标准采样率，当采集设备采样率大于500Hz时，采用降采样方法，将采样率将至500；当采集设备采样率小于500Hz时，采用升采样方法，将采样率提高至500。
所述心电图分析结果的生成方法还包括在接收到所述心电信号时，根据所述心电信号的采样精度间的尺度因子，将所述心电信号的采样精度转变为预设采样精度。采样精度的统一通过不同采样精度间的尺度因子换算即可。优选地，本专利推荐采用1uV/LSB作为标准采样精度，其它采样精度换算至此采样精度即可，如某心电采集设备的采样精度为5uV/LSB，采集的心电信号序列为：
Figure BDA0001900196410000141
为使该序列转换为标准采样精度，序列中每一元素乘以尺度因子即可，由于其采样精度为5uV/LSB，所以这里的尺度因子为(5uV/LSB)/(1uV/LSB)＝5，转换后的序列变为：
Figure BDA0001900196410000142
这样，实现了对心电信号的采样率和采样精度的统一，使得该心电图分析结果的生成方法能够适用不同类型的心电图机或者心电信号的采样方法。需要说明的是，所述重采样和采样精度统一的步骤，不限于上述所述，可以是先进行重采样再进行采样精度统一，也可以是根据实际情况需要，先进行采样精度统一，再进行重采样。
在第三实施例中，如图4所示，在上述图2至图3的实施例基础上，所述在接收到心电信号时，计算所述心电信号不同任务类别对应的置信度的步骤之后，还包括：
步骤S70、根据预设置信度区间和所述置信度对所述心电图分析结果进行可信度评级。
本实施例中，所述预设置信度区域根据第一置信度阈值和第二置信度阈值划分。具体地，在接收到心电信号时，计算所述心电信号不同任务类别对应的置信度的步骤之后，还包括获取第一置信度阈值和第二置信度阈值，所述第一置信度阈值大于所述第二置信度阈值；根据所述第一置信度阈值、所述第二置信度阈值和所述置信度对所述心电图分析结果进行可信度评级，所述心电图分析结果的可信度等级包括可信度高级、可信度中级和可信度低级。
具体地，在所述可信度等级为所述可信度高级时，输出所述心电图分析结果；在所述可信度等级为所述可信度中级时，输出是否需要手动标注提示信息，以提示用户是否需要手动对所述心电图分析结果对应的心电信号进行标注；在所述可信度等级为所述可信度低级时，输出手动标注提示信息，以提示用户对所述心电图分析结果对应的心电信号进行标注。
比如，待分析心电信号通过数据清洗模块后进入心电自动分析模型后，得到心电图分析结果及分析结果的置信度，如一份心电信号经过自动分析模型后得到的结果为：正常心电图，置信度0.85；异常心电图，置信度0.15。
心电图分析结果与置信等级，置信度表示的是真实值在测量值上所具有的可信程度，置信度越高，表明测量值可信的程度越高。基于此根据分析结果的置信度确定心电图分析结果的置信等级，优选地，分为置信等级高、置信等级中、置信等级低三个级别，分别对应可信度高级、可信度中级和可信度低级。
在获取心电自动分析模型时可一同获取置信度等级阈值，一种可行的方法是在(0.5 1]范围内以r的形式递增，搜索置信度等级值，当设置为三个等级时，需要确定两个值，第一置信度阈值与第二置信度阈值，其中第一置信度阈值大于第二置信度阈值。首先确定阈值第二置信度阈值，满足以下标准：心电图分析结果的可信度大于该第二置信度阈值时，心电图分析结果与医生标注结果一致性大于80％。在确定第二置信度阈值后，进一步确定第一置信度阈值，该值满足以下标准：心电图分析结果的可信度大于该第一置信度阈值时，心电图分析结果与医生标注结果一致。优选地，r值可以选定为0.01。一般地，第二置信度阈值在0.6～0.7之间，第一置信度阈值在0.7～0.9之间。
将心电图分析结果的正类任务的置信度与第一置信度阈值和第二置信度阈值进行比较，便可设定心电图分析结果的可信度等级，或者置信度等级，在所述置信度大于或者等于第一置信度阈值时，所述可信度等级为所述可信度高级；在所述置信度小于第一置信度阈值，以及所述置信度大于或者等于第二置信度阈值时，所述可信度等级为所述可信度中级；在所述置信度小于第二置信度阈值时，所述可信度等级为所述可信度低级。
将进行可信度评级后的心电图分析结果输出，心电专家通过可信度等级可以加快其确认效率。当可信度等级为高时表明心电图分析结果准确性高，心电专家可直接使用心电图分析结果；可信度等级为中时表明心电图分析结果准确性适中，心电专家可适当使用心电图分析结果，还需要结合心电数据本身进行分析；当可信度等级为低时表明心电图分析结果准确性低，终端输出所述心电图分析结果对应的心电信号，以提示心电医师对输出的所述心电信号进行手动标注，并基于手动标注后的心电信号重新生成心电图分析结果。
心电数据、分析结果及标志，在心电专家确认分析结果后，整合分析结果及标志，如经过心电专家手动标注则将分析标志置为1，若为心电自动分析模型分析结果则将分析标志置为0。分析结束，至此分析结束，将心电数据、分析结果及标注传输至相应模块即可。
在第三实施例中，实现对心电图分析结果进行可信度评级，实现心电医师可以根据心电图分析结果对应的置信度等级，判断心电图分析结果的可靠性，提高心电医师的工作效率。
此外，本发明还提出一种心电图机，所述心电图机包括存储器、处理器及存储在存储器上并可在处理器上运行的心电图分析结果的生成程序，所述处理器执行所述心电图分析结果的生成程序时实现如以上实施例所述的心电图分析结果的生成方法的步骤。
此外，本发明还提出一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括心电图分析结果的生成程序，所述心电图分析结果的生成程序被处理器执行时实现如以上实施例所述的心电图分析结果的生成方法的步骤。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是电视机，手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (13)

1.一种心电图分析结果的生成方法，其特征在于，所述心电图分析结果的生成方法包括以下步骤：
将心电信号输入到深度学习模型中生成心电图分析结果，以及所述心电图分析结果各个任务类别的置信度；
获取置信度阈值，根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信；
在判定所述心电图分析结果可信时，输出所述心电图分析结果。
2.如权利要求1所述的心电图分析结果的生成方法，其特征在于，所述将心电信号输入到深度学习模型中生成心电图分析结果，以及所述心电图分析结果各个任务类别的置信度的步骤包括：
在接收到心电信号时，将所述心电信号输入到深度学习模型中生成心电图分析结果；
根据与所述心电图分析结果对应的任务类别的数量，计算各个所述任务类别的置信度。
3.如权利要求2所述的心电图分析结果的生成方法，其特征在于，所述心电图分析结果的生成方法还包括：
将预设数量的心电信号样本，以及所述心电信号样本对应的心电图分析结果，输入到所述深度学习模型中得到所述置信度阈值。
4.如权利要求1所述的心电图分析结果的生成方法，其特征在于，所述根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信的步骤包括：
获取所述心电图分析结果的预设任务类别的置信度；
在所述预设任务类别的置信度大于所述置信度阈值时，判定所述心电图分析结果可信；
在所述预设任务类别的置信度小于或者等于所述置信度阈值时，判定所述心电图分析结果不可信。
5.如权利要求1所述的心电图分析结果的生成方法，其特征在于，所述根据所述置信度和所述置信度阈值判断所述心电图分析结果是否可信的步骤之后，还包括：
在判定所述心电图分析结果不可信时，输出所述心电图分析结果对应的心电信号；
获取基于所述心电信号生成的标注数据；
根据所述标注数据更新并输出所述心电图分析结果。
6.如权利要求5所述的心电图分析结果的生成方法，其特征在于，所述输出所述心电图分析结果对应的心电信号的步骤包括：
输出所述心电图分析结果对应的心电信号，并输出手动标注提示信息，以提示用户对输出的所述心电信号进行手动标注；
基于标注后的所述心电信号生成标注数据。
7.如权利要求1所述的心电图分析结果的生成方法，其特征在于，所述基于深度学习模型，根据心电信号生成心电图分析结果，以及所述心电图分析结果对应的置信度的步骤之后，还包括：
根据预设置信度区间和所述置信度对所述心电图分析结果进行可信度评级。
8.如权利要求7所述的心电图分析结果的生成方法，其特征在于，所述心电图分析结果的可信度等级包括可信度高级、可信度中级和可信度低级，所述根据预设置信度区间和所述置信度对所述心电图分析结果进行可信度评级的步骤之后，还包括：
在所述可信度等级为所述可信度高级时，输出所述心电图分析结果；
在所述可信度等级为所述可信度中级时，输出是否需要手动标注提示信息，以提示用户是否需要手动对所述心电图分析结果对应的心电信号进行标注；
在所述可信度等级为所述可信度低级时，输出所述心电图分析结果对应的心电信号，并提示用户对输出的所述心电信号进行手动标注。
9.如权利要求1-8中任一项所述的心电图分析结果的生成方法，其特征在于，所述心电图分析结果的生成方法还包括：
在接收到所述心电信号时，对所述心电信号进行重采样，以使所述心电信号的信号频率转变为预设频率；
根据重采样后的心电信号生成所述心电图分析结果。
10.如权利要求1-8中任一项所述的心电图分析结果的生成方法，其特征在于，所述心电图分析结果的生成方法还包括：
在接收到所述心电信号时，根据预设采样精度间的尺度因子，将所述心电信号的采样精度转变为所述预设采样精度；
根据采样精度转变后的心电信号生成所述心电图分析结果。
11.如权利要求1或5所述的心电图分析结果的生成方法，其特征在于，所述心电图分析结果的生成方法还包括：
在输出所述心电图分析结果时，生成与所述心电图分析结果对应的分析标志；
根据所述分析标志优化所述深度学习模型。
12.一种心电图机，其特征在于，所述心电图机包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的心电图分析结果的生成程序，所述心电图分析结果的生成程序被所述处理器执行时实现如权利要求1至11中任一项所述的心电图分析结果的生成方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有心电图分析结果的生成程序，所述心电图分析结果的生成程序被处理器执行时实现如权利要求1至11中任一项所述的心电图分析结果的生成方法的步骤。
CN201811509584.XA 2018-12-11 2018-12-11 心电图分析结果的生成方法、心电图机及存储介质 Pending CN111297348A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811509584.XA CN111297348A (zh) 2018-12-11 2018-12-11 心电图分析结果的生成方法、心电图机及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811509584.XA CN111297348A (zh) 2018-12-11 2018-12-11 心电图分析结果的生成方法、心电图机及存储介质

Publications (1)

Publication Number Publication Date
CN111297348A true CN111297348A (zh) 2020-06-19

Family

ID=71150444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811509584.XA Pending CN111297348A (zh) 2018-12-11 2018-12-11 心电图分析结果的生成方法、心电图机及存储介质

Country Status (1)

Country Link
CN (1) CN111297348A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114145751A (zh) * 2021-12-16 2022-03-08 安徽心之声医疗科技有限公司 基于平滑分解的肌电干扰消除方法、装置、介质及设备
CN114692705A (zh) * 2020-12-25 2022-07-01 苏州国双软件有限公司 一种数据分析方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1199132A (ja) * 1997-09-26 1999-04-13 Nikon Corp 心電信号処理方法及びその装置
CN104783782A (zh) * 2015-04-13 2015-07-22 深圳市飞马与星月科技研究有限公司 心电信号自动检测方法及装置
CN106725428A (zh) * 2016-12-19 2017-05-31 中国科学院深圳先进技术研究院 一种心电信号分类方法及装置
CN106725420A (zh) * 2015-11-18 2017-05-31 中国科学院苏州纳米技术与纳米仿生研究所 室性早搏识别方法及室性早搏识别系统
CN107688553A (zh) * 2017-08-16 2018-02-13 安徽心之声医疗科技有限公司 基于小波变换和逻辑回归算法检测心电波形特征的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1199132A (ja) * 1997-09-26 1999-04-13 Nikon Corp 心電信号処理方法及びその装置
CN104783782A (zh) * 2015-04-13 2015-07-22 深圳市飞马与星月科技研究有限公司 心电信号自动检测方法及装置
CN106725420A (zh) * 2015-11-18 2017-05-31 中国科学院苏州纳米技术与纳米仿生研究所 室性早搏识别方法及室性早搏识别系统
CN106725428A (zh) * 2016-12-19 2017-05-31 中国科学院深圳先进技术研究院 一种心电信号分类方法及装置
CN107688553A (zh) * 2017-08-16 2018-02-13 安徽心之声医疗科技有限公司 基于小波变换和逻辑回归算法检测心电波形特征的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692705A (zh) * 2020-12-25 2022-07-01 苏州国双软件有限公司 一种数据分析方法、装置、电子设备及存储介质
CN114145751A (zh) * 2021-12-16 2022-03-08 安徽心之声医疗科技有限公司 基于平滑分解的肌电干扰消除方法、装置、介质及设备

Similar Documents

Publication Publication Date Title
US10758139B2 (en) Automatic method to delineate or categorize an electrocardiogram
US11564612B2 (en) Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence
Mitra et al. A rough-set-based inference engine for ECG classification
US12186086B2 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
US20200337580A1 (en) Time series data learning and analysis method using artificial intelligence
Meyer et al. Combining algorithms in automatic detection of QRS complexes in ECG signals
US11678831B2 (en) Electrocardiogram processing system for detecting and/or predicting cardiac events
WO2019161610A1 (zh) 心电信息处理方法和心电工作站系统
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
CN109581981B (zh) 一种数据融合系统及其工作方法
US11571161B2 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
CN110942447B (zh) Oct图像分割方法、装置、设备及存储介质
Chen et al. Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection
CN114648049A (zh) 一种心电图像分类模型构建和分类的方法、装置及系统
CN110648318A (zh) 用于皮肤病的辅助分析方法及装置、电子设备、存储介质
CN114334169A (zh) 医疗对象的类别决策方法、装置、电子设备及存储介质
CN111297348A (zh) 心电图分析结果的生成方法、心电图机及存储介质
CN115062655A (zh) 一种多导联心电信号分析方法及多导联心肌梗死分析系统
CN118522469A (zh) 一种大数据分析医疗决策方法及系统
CN110786847B (zh) 心电信号的建库方法和分析方法
WO2023151578A1 (en) Embryo selection process
CN116135146A (zh) 动态心电的分析方法、装置及医疗设备
CN112568911B (zh) 心电数据的分类方法、设备及具有存储功能的装置
US20220262516A1 (en) Atrial Fibrillation Prediction Model And Prediction System Thereof
CN112365474A (zh) 血管提取方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200619

RJ01 Rejection of invention patent application after publication