一种基于大数据实现异常心电模板的多态重构及优化方法技术

一种基于大数据实现异常心电模板的多态重构及优化方法，其特征在于所述的多态重构及优化方法是：首先，根据标准心电波形的分解参数，建立具有二维特性的参数模板数据，并确立由多个细节点组成的心电波形模板；其次，利用已有的、并且已经编辑过的动态心电监护仪的大数据，进行比对前的预处理，即进行波形分节，然后与心电波形模板进行逐一波形比对；再次，在比对算法上使用误识率（FRR）、拒认率（FAR）、取值范围：0～1的相似度（TH）这三个关键量来统计与评估最终匹配的成功率，并作出多态重构或重新进行模板数据量的优化。

【技术实现步骤摘要】
—种基于大数据实现异常心电模板的多态重构及优化方法
本专利技术涉及的是一种基于大数据实现异常心电模板的多态重构及自动优化方法，主要是运用动态心电监护仪生成的大数据来动态构建、优化异常心电数据模板多种形态的方法，属于动态心电监测
。
技术介绍
目前，医疗上的动态心电监测中，基于异常心电图的识别往往是通过专业医生进行人工评估的，它不但效率低而且人工劳动量大，虽然某些医用专用心电软件或设备也能够实现动态预识别，但误识率和拒认率较高，其原因是大多数心电识别算法是基于常规标准的异常心电数据模板，对于不同的人个体差异较大，比如老人、儿童、年轻人、中年人等个体差异，异常心电的表现形态会有所不同。因此对于动态心电监测，人体的每一个动作则会呈现更加明显的差异性，在这种情况下，显然标准心电模板是不能够符合动态心电监测的实际需要。
技术实现思路
本专利技术的目的在 于克服现有技术存在的不足，而提供一种主要是运用动态心电监护仪生成的大数据来动态构建、优化异常心电数据模板多种形态的基于大数据实现异常心电模板的多态重构及优化方法。本专利技术的目的是通过如下技术方案来完成的，所述的基于大数据实现异常心电模板的多态重构及优化方法，它包括如下步骤:首先，根据标准心电波形的分解参数，建立具有二维特性的参数模板数据，并确立由多个细节点组成的心电波形模板；其次，利用已有的、并且已经编辑过的动态心电监护仪的大数据，进行比对前的预处理，即进行波形分节，然后与心电波形模板进行逐一波形比对；再次，在比对算法上使用误识率(FRR)、拒认率(FAR)、取值范围:0~I的相似度(TH)这三个关键量来统计与评估最终匹配的成功率，并作出多态重构或重新进行模板数据量的优化。所述已确立的心电波形模板包括'2种心电轴、2种PR间隔、2种QTc间隔、3种R波、3种S波、5种P波、5种T波、12种Q波、36种ST波、30种ST-T联合。所述心电波形模板与任意心电波形数据之间的比对，将按误识率、拒认率、相似度这三个关键量的预设三组阈值进行三次计算，并根据三次统计结果，进行如下评估:(I)根据第三次计算的th结果与最后一组中的相似度TH对比，对于比阈值低的心电波形，进行重构；(2)根据第二次计算的th结果与第二组中的相似度TH对比，对于已经可以识别但识别率很低的模板，重新进新模板数据量的优化；(3)根据第一次计算的th结果与第一组中的相似度TH对比，对于已经可以识别但识别率很低的模板，重新进新模板数据量的优化；对于识别率高的波形，模板则不进行任何处理。本专利技术通过对已有心电监测的大数据扫描，心电图形变体类模板会越来越多、类别越来越细，波形模板也越来越精准；提高波形模板的质量，自然会提高心电疾病模板的构建的准确度，这对于动态心电监测的准确率会有很大的提高。【附图说明】图1是本专利技术所述心电波形模板组态分类示意图。图2是本专利技术所述心电波形模板重构与优化示意图。【具体实施方式】下面结合附图和实施例对本专利技术做进一步说明:本专利技术所述的基于大数据实现异常心电模板的多态重构及优化方法，它包括如下步骤:首先，根据标准心电波形的分解参数，建立具有二维特性的参数模板数据，并确立由多个细节点组成的心电波形模板；其次，利用已有的、并且已经编辑过的动态心电监护仪的大数据，进行比对前的预处理，即进行波形分节，然后与心电波形模板进行逐一波形比对；再次，在比对算法上使用误识率(FRR)、拒认率(FAR)、取值范围:0~I的相似度(TH)这三个关键量来统计与评估最终匹配的成功率，并作出多态重构或重新进行模板数据量的优化。所述确立的心电波形模板包括'2种心电轴、2种PR间隔、2种QTc间隔、3种R波、3种S波、5种P波、5种T波、12种Q波、36种ST波、30种ST-T联合。所述心电波形模板与任意心电波形数据之间的比对，将按误识率、拒认率、相似度这三个关键量的预设三组阈值进行三次计算，并根据三次统计结果，进行如下评估:(I)根据第三次计算的th结果与最后一组中的相似度TH对比，对于比阈值低的心电波形，进行重构；(2)根据第二次计算的th结果与第二组中的相似度TH对比，对于已经可以识别但识别率很低的模板，重新进新模板数据量的优化；(3)根据第一次计算的th结果与第一组中的相似度TH对比，对于已经可以识别但识别率很低的模板，重新进新模板数据量的优化；对于识别率高的波形，模板则不进行任何处理。实施例:本专利技术所述的基于大数据实现异常心电模板的多态重构及优化方法，它涉及构建心电疾病诊断和心电波形两种数据模板；其中心电疾病诊断模板是由一组相关联的具有构成一种疾病特征的多个心电波形模板构成；所述心电波形模板则由多个细节点组成；利用大数据的目的是重构新的或优化已有的心电波形模板数据，如图1所示。 首先根据标准心电波形的分解参数，来建立具有二维特性的参数模板数据，目前已确立以下心电波形模板:心电轴(2种)、PR间隔(2种)、QTc间隔(2种)、R波(3种)、S波(3种)、P波(5种)、T波(5种)、Q波(12种)、ST波(36种)、ST-T联合(30种)；通过对大量的心脏病人的监测过程看，波形的模板种类远远不足，因此需要长期不断的发现与添加，而对于已有的心电模板，可以更为精细的分类。根据已有的、并且已经编辑过的(按5分钟有效波形剪辑)的动态心电监护仪的大数据，先进行比对前的预处理，即进行波形分节，然后与心电波形模板进行逐一波形比对。在比对算法上我们使用误识率(FRR)、拒认率(FAR)、相似度(TH)(取值范围:0~I)三个关键量来统计与评估最终匹配的成功率。任意心电波形数据与波形模板之间的比对，将按误识率、拒认率、相似度三个关键量的预设的三组阈值进行三次计算，根据三次统计结果，进行如下评估:(I)根据第三次计算的th结果与最后一组中的相似度TH对比，对于比阈值低的心电波形，进行重构；(2)根据第二次计算的th结果与第二组中的相似度TH对比，对于已经可以识别但识别率很低的模板，重新进新模 板数据量的优化；(3)根据第一次计算的th结果与第一组中的相似度TH对比，对于已经可以识别但识别率很低的模板，重新进新模板数据量的优化。对于识别率高的波形，模板则不进行任何处理。图1中的动态心电监测，是通过多种疾病诊断模板实现的，每个疾病诊断模板均有自己的4位ID号。例如，我们确定急性心肌梗死的ID号为8012。每个疾病诊断模板中包含一组心电波形模板，每一心电波形模板也是由6位ID号组成，前2为类型代码，后4位为心电波形模板代码。例如急性心肌梗死中的心电波形模板数据表示为:8012:T0003 ；Q0501 ；R0341 ；PR0005 ；ST2232 ；......图1中的心电波形模板，则由多个以时间轴划分等距块组成，每一块则由一组细节点组成，而每个细节点则由一组特征值组成；等距块、细节点和特征值均由6位的ID号加以区分，解释内容同上。心电疾病诊断模板的建立则需要专家医生来完成，无法通过计算机进行自动进行重构，因此本专利技术主要是指心电波形模板在动态心电监护的大数据环境下进行的新的波形模板的构建和已有的波形模板数据的评估与优化，所以以下的例子，则以心电波形模板为实施对象。I)建立心电波形模板的数据结构本文档来自技高网...

【技术保护点】
一种基于大数据实现异常心电模板的多态重构及优化方法，其特征在于所述的多态重构及优化方法是：首先，根据标准心电波形的分解参数，建立具有二维特性的参数模板数据，并确立由多个细节点组成的心电波形模板；其次，利用已有的、并且已经编辑过的动态心电监护仪的大数据，进行比对前的预处理，即进行波形分节，然后与心电波形模板进行逐一波形比对；再次，在比对算法上使用误识率（FRR）、拒认率（FAR）、取值范围：0～1的相似度（TH）这三个关键量来统计与评估最终匹配的成功率，并作出多态重构或重新进行模板数据量的优化。

【技术特征摘要】
1.一种基于大数据实现异常心电模板的多态重构及优化方法，其特征在于所述的多态重构及优化方法是: 首先，根据标准心电波形的分解参数，建立具有二维特性的参数模板数据，并确立由多个细节点组成的心电波形模板； 其次，利用已有的、并且已经编辑过的动态心电监护仪的大数据，进行比对前的预处理，即进行波形分节，然后与心电波形模板进行逐一波形比对； 再次，在比对算法上使用误识率(FRR)、拒认率(FAR)、取值范围:0~I的相似度(TH)这三个关键量来统计与评估最终匹配的成功率，并作出多态重构或重新进行模板数据量的优化。2.根据权利要求1所述的基于大数据实现异常心电模板的多态重构及优化方法，其特征在于所述已确立的心电波形模板包括:2种心电轴、2种PR间隔、2种QTc间隔、3种R波、3种S波...

【专利技术属性】
技术研发人员：张新财，
申请(专利权)人：浙江好络维物联网络技术有限公司，
类型：发明
国别省市：浙江;33