一种基于动脉压力波特征的人工智能检测心律失常的方法技术

本申请涉及一种基于动脉压力波特征的人工智能检测心律失常的方法。所述方法包括：获取目标对象的肱动脉压力波数据；根据所述肱动脉压力波数据确定肱动脉压力波中的关键点，并根据所述关键点确定所述肱动脉压力波的特征数据；其中，所述特征数据用于表征所述肱动脉压力波的波动状态；根据所述特征数据进行心律类型检测，得到所述目标对象的心律类型。采用本方法能够基于肱动脉压力波数据进行心律类型检测。

【技术实现步骤摘要】
一种基于动脉压力波特征的人工智能检测心律失常的方法
本申请涉及心律检测
，特别是涉及一种基于动脉压力波特征的人工智能检测心律失常的方法。
技术介绍
心电图(Electrocardiogram，ECG)，记录了人体心脏每一心动周期产生的电活动生理变化，是诊断心血管类疾病的重要依据。临床医生可以根据心电图判断患者是否心律失常，从而进行治疗。相关技术中，心电图检查通常需要多个导联线路，因此主要在医院使用。而实际上，肱动脉是主动脉出来后离心脏最近又最容易由表面采集到压力波数据的地方，肱动脉压力波数据不仅可以与血压同时测量，也能反映心脏的泵血功能，并且波形比心电图更简单。但是，目前缺少基于肱动脉压力波数据进行心律失常检测的方法。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够基于肱动脉压力波数据进行心律类型检测的基于动脉压力波特征的人工智能检测心律失常的方法。一种基于动脉压力波特征的人工智能检测心律失常的方法，该方法包括：获取目标对象的肱动脉压力波数据；r>根据肱动脉压力波本文档来自技高网...

【技术保护点】
1.一种基于动脉压力波特征的人工智能检测心律失常的方法，其特征在于，所述方法包括：/n获取目标对象的肱动脉压力波数据；/n根据所述肱动脉压力波数据确定肱动脉压力波中的关键点，并根据所述关键点确定所述肱动脉压力波的特征数据；其中，所述特征数据用于表征所述肱动脉压力波的波动状态；/n根据所述特征数据进行心律类型检测，得到所述目标对象的心律类型。/n

【技术特征摘要】
1.一种基于动脉压力波特征的人工智能检测心律失常的方法，其特征在于，所述方法包括：
获取目标对象的肱动脉压力波数据；
根据所述肱动脉压力波数据确定肱动脉压力波中的关键点，并根据所述关键点确定所述肱动脉压力波的特征数据；其中，所述特征数据用于表征所述肱动脉压力波的波动状态；
根据所述特征数据进行心律类型检测，得到所述目标对象的心律类型。


2.根据权利要求1所述的方法，其特征在于，所述根据所述肱动脉压力波数据确定肱动脉压力波中的关键点，并根据所述关键点确定所述肱动脉压力波的特征数据，包括：
将所述肱动脉压力波数据从时域转换到频域，并根据预设频率范围进行频率选取，得到所述肱动脉压力波的频域数据；
根据所述肱动脉压力波的频域数据的振幅，确定所述肱动脉压力波中的关键点；
将所述预设频率范围划分为多个频率区间，根据所述关键点确定各所述频率区间对应的特征数据。


3.根据权利要求2所述的方法，其特征在于，所述根据所述肱动脉压力波的频域数据的振幅，确定所述肱动脉压力波中的关键点，包括：
确定每个频域数据是否满足预设条件，并将满足所述预设条件的频域数据确定为所述关键点；
其中，所述预设条件包括：所述频域数据的振幅大于前一频域数据的振幅和后一频域数据的振幅，且大于预设阈值。


4.根据权利要求3所述的方法，其特征在于，所述预设阈值为频域数据序列中的预设百分位数；所述频域数据序列为由多个频域数据按照振幅从小到大排列得到的数据序列。


5.根据权利要求2所述的方法，其特征在于，所述将所述预设频率范围划分为多个频率区间，根据所述关键点确定各所述频率区间对应的特征数据，包括：
按照预设区间长度对所述预设频率范围进行划分，得到所述多个频率区间；
根据每个频率区间中的关键点，计算各所述频率区间对应的特征数据；所述特征数据包括所述频率区间中的关键点数量、关键点的振幅累加值和关键点的频率累加值。


6.根据权利要求1所述的方法，其特征在于，所述肱动脉压力波数据包括升降压数据和定压数据；所述升降压数据包括收缩压数据和舒张压数据；所述定压数据与所述升降压数据呈线性关系。


7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述特征数据进行心律类型检测，得到所述目标对象的心律类型，包括：
将所述特征数据输入到预先训练的心律类型检测模型中，得到所述心律类型检测模型输出的所述目标对象的心律类型。


8.根据权利要求7所述的方法，其特征在于，训练所述心律类型检测模型的过程包括：
获取多个训练对象的样本特征数据和各样本特征数据对应的金标准；所述样本特征数据对应的金标准用于表征所述训练对象对应的心律类型；所述训练对象对应的心律类型根据心电图的诊断结果确定；
基于所述多个训练对象的样本特征数据和各样本特征数据对应的金标准进行分类模型的训练，得到所述心律类型检测模型。


9.根据权利要求7所述的方法，其特征在于，所述获取多个训练对象的样本特征数据，包括：
获取多个候选对象的特征数据；
采用预设评分函数对各所述候选对象的特征数据进行评分处理，得到各所述候选对象对应的评分结果；
根据各所述候选对象对应的评分结果，从所述多个候选对象中选取出所述训练对象，并将所述训练对象的特征数据作为所述样本特征数据。


10.根据权利要求9所述的方法，其特征在于，所述根据各所述候选对象对应的评分结果，从所述多个候选对象中选取出所述训练对象，包括：
按照分数由高到低的顺序对所述多个候选对象进行排序；
将排序靠前的k个候选对象确定为所述训练对象；其中，...

【专利技术属性】
技术研发人员：张闻涛，郑颖，李祥，
申请(专利权)人：童心堂科技深圳有限公司，
类型：发明
国别省市：广东;44