The present embodiment of the present invention relates to a dynamic electrocardiogram analysis method and device based on artificial intelligence self learning, including data preprocessing, heart beat detection, interference signal detection based on depth learning method and heart beat classification, signal quality assessment and lead combination, heart beat review, ECG events and parameters analysis meter. Finally, it automatically outputs the report data, and realizes an automatic analysis method of Holter with complete and fast process. The dynamic electrocardiogram analysis method of the invention can also record the modification information of the automatic analysis results, collect these modified data and feed back to the depth learning model to continue training, constantly improve and improve the accuracy of the automatic analysis method.
【技术实现步骤摘要】
基于人工智能自学习的动态心电图分析方法和装置
本专利技术涉及人工智能数据分析的
,尤其涉及一种基于人工智能自学习的动态心电图分析方法和装置。
技术介绍
无创心电图检查是心血管疾病(CVD)分析和筛查的重要工具。在无创心电图检查之中,动态心电图(DynamicElectrocardiography,DCG)技术于1957年由Holter首先应用于监测心脏电生理活动的研究,所以又称Holter心电图仪,目前已成为临床心血管领域中无创检查的重要分析方法之一。动态心电图可连续记录24小时以上的心电活动全过程,包括休息、活动、进餐、工作、学习和睡眠等不同情况下的心电图信息。动态心电图能够发现常规心电图检查不易发现的非持续性心律失常,尤其能够提高对一过性心律失常及短暂的心肌缺血发作的检出率,是临床分析病情、确立分析、判断疗效的重要客观依据。另外,动态心电图可确定病人的心悸、头晕、昏厥等症状是否与心律失常有关,如窦性心动过缓、传导阻滞、快速心房颤动,阵发性室上性心动过速,持续性室性心动过速等,这是目前24小时动态心电图最重要、应用最广泛的情况之一。与普通心电图相比,动态心电图扩大了心电图临床运用的范围,在医院、家庭、体检中心和社区中有着广泛的应用空间。动态心电图主要由心电信号采集记录仪、导联系统和计算机分析软件三部分组成。信号采集记录仪负责记录存储患者24小时甚至多天的心电图数据。由于患者日常活动中身体经常性变化比较大,受到的干扰情况比较多,所以对信号采集的频率响应、采样频率、分辨率、阻抗、抗干扰性能等要求比较高。高性能的心电信号记录仪采集的心电图信号波形信噪比高 ...
【技术保护点】
一种基于人工智能自学习的动态心电图分析方法,其特征在于,所述方法包括:接收动态心电监测设备输出的动态心电图数据;将所述动态心电图数据的数据格式经过重采样转换为预设标准数据格式,并对转换后的预设标准数据格式的动态心电图数据进行第一滤波处理;对所述第一滤波处理后的动态心电图数据进行心搏检测处理,识别所述动态心电图数据包括的多个心搏数据,每个所述心搏数据对应一个心搏周期,包括相应的P波、QRS波群、T波的幅值和起止时间数据;根据所述心搏数据确定每个心搏的检测置信度;根据训练得到的干扰识别二分类模型对所述心搏数据进行干扰识别,得到心搏数据是否存在干扰噪音,以及用于判断干扰噪音的一个概率值;根据所述检测置信度确定心搏数据的有效性,并且,根据确定有效的心搏数据的导联参数和心搏数据,基于所述干扰识别的结果和时间规则合并生成心搏时间序列数据;根据所述心搏时间序列数据生成心搏分析数据;根据训练得到的心搏分类模型对所述心搏分析数据进行幅值和时间表征数据的特征提取和分析,得到所述心搏分析数据的一次分类信息;对所述一次分类信息结果中的特定心搏的心搏分析数据输入到训练好的ST段和T波改变模型进行识别,确定ST段 ...
【技术特征摘要】
1.一种基于人工智能自学习的动态心电图分析方法,其特征在于,所述方法包括:接收动态心电监测设备输出的动态心电图数据;将所述动态心电图数据的数据格式经过重采样转换为预设标准数据格式,并对转换后的预设标准数据格式的动态心电图数据进行第一滤波处理;对所述第一滤波处理后的动态心电图数据进行心搏检测处理,识别所述动态心电图数据包括的多个心搏数据,每个所述心搏数据对应一个心搏周期,包括相应的P波、QRS波群、T波的幅值和起止时间数据;根据所述心搏数据确定每个心搏的检测置信度;根据训练得到的干扰识别二分类模型对所述心搏数据进行干扰识别,得到心搏数据是否存在干扰噪音,以及用于判断干扰噪音的一个概率值;根据所述检测置信度确定心搏数据的有效性,并且,根据确定有效的心搏数据的导联参数和心搏数据,基于所述干扰识别的结果和时间规则合并生成心搏时间序列数据;根据所述心搏时间序列数据生成心搏分析数据;根据训练得到的心搏分类模型对所述心搏分析数据进行幅值和时间表征数据的特征提取和分析,得到所述心搏分析数据的一次分类信息;对所述一次分类信息结果中的特定心搏的心搏分析数据输入到训练好的ST段和T波改变模型进行识别,确定ST段和T波评价信息;根据所述心搏时间序列数据,对所述心搏分析数据进行P波和T波特征检测,确定每个心搏中P波和T波的详细特征信息,详细特征信息包括幅值、方向、形态和起止时间的数据;对所述心搏分析数据在所述一次分类信息下根据所述心电图基本规律参考数据、所述P波和T波的详细特征信息以及所述ST段和T波评价信息进行二次分类处理,最终得到心搏分类信息;对所述心搏分析数据进行信号质量分析,评估所述心搏分析数据的信号质量,得到所述心搏分析数据的信号质量评价参数;根据心电图基本规律参考数据对所述心搏分类信息进行分析匹配,根据信号质量评价参数对所述分析匹配的结果进行处理,生成心电图事件数据;对所述心电图事件数据进行统计分析,得到相应的报告结论数据和报告表项数据;根据信号质量评价参数对所述心电图事件数据进行评估,生成报告图形数据;并且输出所述报告表项数据、报告图形数据和报告结论数据。2.根据权利要求1所述的动态心电图分析方法,其特征在于,所述确定检测置信度具体包括:根据所述心搏数据确定RR间期并计算所述RR间期内噪声的估计值;根据所述噪声的估计值和每个心搏数据中的最大幅值确定每个心搏数据的检测置信度。3.根据权利要求1所述的动态心电图分析方法,其特征在于,所述根据训练得到的干扰识别二分类模型对所述心搏数据进行干扰识别具体包括:以第一数据量对所述心搏数据进行切割采样,并将切割采样得到的数据输入到干扰识别二分类模型进行干扰识别;识别心搏数据中,心搏间期大于等于预设间期判定阈值的数据片段;对所述心搏间期大于等于预设间期判定阈值的数据片段进行信号异常判断,确定是否为异常信号;如果不是异常信号,则以预设时间宽度,根据设定时值确定所述数据片段中滑动取样的起始数据点和终止数据点,并由所述起始数据点开始对所述数据片段进行滑动取样,至所述终止数据点为止,得到多个取样数据段;对每个所述取样数据段进行所述干扰识别。4.根据权利要求1所述的动态心电图分析方法,其特征在于,所述根据所述心搏时间序列数据生成心搏分析数据具体为:根据预设阈值,对所述心搏时间序列数据中各导联心搏数据进行切割,从而生成各导联的心搏分析数据。5.根据权利要求1所述的动态心电图分析方法,其特征在于,所述根据训练得到的心搏分类模型对所述心搏分析数据进行幅值和时间表征数据的特征提取和分析,得到所述心搏分析数据的一次分类信息具体包括:对于单导联的心搏分析数据,将所述心搏分析数据输入到训练得到的对应所述单导联心搏分类模型,以第二数据量进行幅值和时间表征数据的特征提取和分析,得到所述单导联的一次分类信息。6.根据权利要求1所述的动态心电图分析方法,其特征在于,所述根据训练得到的心搏分类模...
【专利技术属性】
技术研发人员:刘畅,胡传言,周位位,卢海涛,汪嘉雨,曹君,
申请(专利权)人:乐普北京医疗器械股份有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。