基于人工智能自学习的动态心电图分析方法和装置制造方法及图纸

本发明专利技术实施例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,包括数据的预处理，心搏特征检测，基于深度学习方法的干扰信号检测和心搏分类，信号质量评估与导联合并，心搏的审核，心电图事件和参数的分析计算，最终自动输出报告数据，实现了一个完整快速流程的动态心电图的自动化分析方法。本发明专利技术的动态心电图分析方法，还可以记录对自动分析结果的修改信息，并收集这些修改的数据反馈给深度学习模型继续训练，不断地改进和提升自动分析方法的准确率。

Dynamic electrocardiogram analysis method and device based on artificial intelligence self learning

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、信号保真强，这对于后续的分析计算帮助非常大。导联系统包括电极片和导联线，分析计算软件对采集的数字信号进行心律失常分析、长间歇停搏，扑动和颤动，传导阻滞，早搏和逸搏，心动过缓，心动过快，ST段改变检测、心电事件的分析与归类、帮助医生进行分析报告。与临床的静态心电图使用的标准12导联体系不同，Holter一般使用Mason-Likar导联体系，为了进一步改进动态心电图的适应性，医学专家专利技术了M-L简化导联体系(ReducedMason-LikarLeadSystem)，常见的M-L简化导联体系测量I，II，V2，和V5，或者I，II，V1，V5等四个导联的数据，可以根据心电向量关系计算出III，aVR，aVL，aVF四个导联的数据，分析显示使用II，V5，aVF三个导联数据；M-L简化导联体系Holter是市场上的主流产品；但是，由于其导联数据无法准确分析ST段的改变，所以部分医生机构也要求使用12导联Holter进行检查；随着移动医疗和可穿戴设备的普及应用，现在具有实时监护功能的单导联心贴片也在一些特定人群中开始流行，比如PCI术后病人，起搏器使用者，长跑运动员等等。动态心电图的分析主要包括如下步骤：首先，进行信号滤波处理，然后检测识别心搏中的最显著P-QRS-T波群特征；其次，针对识别出来的QRS波、P波、T波、R-R间期、P-R间期、ST段等特征信号，根据心脏电生理活动对心搏进行分类；最后，结合心搏分类和心搏的节律性特征，将一些有规律的连续心搏活动进一步概括为心律事件。心电图专业医生根据心搏分类和心律事件，对患者的动态心电图检查进行分析描述。由于心脏细胞电生理活动产生的信号是一种弱信号(毫伏级)，所以正常心电图信号的频率范围是0.01Hz-100Hz，其中，90％的能量集中在0.25Hz-35Hz区间。因此，动态心电图在24小时长期连续的戴机过程中，信号很容易被干扰，主要干扰包括：工频干扰(PowerLineInterference，由人体电容、设备电路、导联等产生的50Hz及其谐波构成的一种干扰)、肌电干扰(Electromyography,通常是肌肉活动引起的不规则的5-2000Hz高频干扰)、基线漂移(BaselineDrift，由电极接触不良、皮肤阻抗、呼吸运动等引起，频率范围一般在0.05Hz-2.00Hz之间，与心电图信号ST段和Q波频率分量非常接近)。传统的动态心电图数字信号分析是基于Pan和Tompkins在1985年发表的论文(1)，该方法设计了一个信号分析计算流程：信号滤波；信号放大；信号差分；根据心电图信号和心脏电生理活动的一些基本规律，通过一些自适应阈值的计算，寻找每个P-QRS-T波群的特征；根据找到的每个P-QRS-T波以及前后的波群，对每个心搏进行分类识别；在心搏分类识别的基础上，通过分析心搏变化的规律，生成各种心律失常和传导阻滞等事件；医生通过使用一些客户端的分析工具，认真审核心搏和事件，最后给出分析描述。同时，从24小的动态心电图数据中，抓取每个事件的典型8秒片段，生成分析报告。针对MIT心律失常标准数据库的测试结果表明，该方法的识别正确率到达99.3％，成为动态心电图机器识别方法中的经典分析方法。市场上的主流动态心电图设备的分析方法，基本上都在Pan-Tompkins论文的基础上发展而来。然而，上述方法的主要问题在于如下几点：第一，受到干扰信号的影响，抗干扰能力比较差。心搏分类识别无法主动排除干扰片段的影响。第二，在心搏特征提取中，无法对P、T准确识别。心搏检测经常存在多检和漏检。对一些特殊心电图信号，例如心律比较缓慢患者的高大T波，或者T波肥大的信号，都经常容易多检。第三，对心搏的分类基本上停留在窦性、室上性和室性这三种，远远无法满足临床心电图医生复杂全面的分析要求。第四，无法准确识别房扑房颤、起搏器心搏和ST-T改变。因此，无法帮助房扑房颤类患者，对于帮助评价起搏器功能意义不大，也无法准确分析ST-T改变对心肌缺血分析的帮助。第五，对心搏和心电事件的识别还不够准确全面，受到前面许多因素的影响，很容易漏掉，同样会影响医生的判读。第六，现有的分析方法没有对事件片段的信号质量进行客观评估，没有对24小时数据进行全面的分析统计，报告摘要和事件截图仍然依靠医生的经验和能力，很容易造成数据没有反映整体检测的错误，报告事件缺失，患者报告截图质量不高或者不典型。第七，由于上述这些问题存在，无法做到从自动分析至最后的自动报告。医生还是需要花费大量的宝贵时间认真阅读动态心电图数据，无法从根本上帮助医生提高分析分析的能力，无论是质量还是效率。当前，虽然许多厂家不同程度地修改了核心方法，提高了整体识别的准确率，但是由于患者动态心电图信号本身的复杂变异性，特别是前面提到的各种极端的干扰存在，导致在实际的应用过程中，Pan-Tompkins方法和后续的各厂家改进方法很难取得MIT标准数据库的测试结果。实际情况下，识别准确率不到60％。许多研究者也在尝试使用其他的方法来提高P-QRS-T波群特征的提取与识别，其中比较有影响的是CuiweiLi等人1995年发表的小波变换方法。关于心律事件分类，还没有一个类似于Pan-Tompkins的经典方法。常见的方法基本上是在QRS检测基础上，进行更加复杂的信号形态学分析，且根据动态心电图的一些基本原理，来完成心搏事件的归纳。如前所述，不可避免的大量干扰存在，各个导联信号采集的质量差异，以及患者本身的个体差异因素，导致这些方法很难取得满意的效果。近年来，不断有新的方法在试图提高分类准确本文档来自技高网...

【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。...

【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