一种十二导联心电图机的处理方法、装置以及设备制造方法及图纸

本申请提供了一种十二导联心电图机的处理方法、装置以及设备，用于从十二导联心电图机的数据处理出发，降低其数据存储需求，从而有效降低其涉及的维护成本。本申请提供的十二导联心电图机的处理方法，包括：获取用户的十二导联心电图数据，其中，十二导联心电图数据为用户在过去时间段采集的数据；将十二导联心电图数据输入预先配置的卷积神经网络模型，以使得卷积神经网络模型基于十二导联心电图数据确定待忽略导联通道，其中，卷积神经网络模型是由标注有对应忽略的导联通道的十二导联心电图样本数据训练得到的；基于待忽略导联通道，针对所述用户重构自身的导联通道。针对所述用户重构自身的导联通道。针对所述用户重构自身的导联通道。

【技术实现步骤摘要】
一种十二导联心电图机的处理方法、装置以及设备


[0001]本申请涉及医疗器械领域，具体涉及一种十二导联心电图机的处理方法、装置以及设备。

技术介绍

[0002]在临床心电图实际中，通过是在常规的十二导联体系下进行的，通过十二导联心电图机(也可称为12导联心电图机)采集的十二导联心电图提供数据，方便临床诊断。
[0003]但是本申请专利技术人在现有的十二导联心电图机的工作过程中发现，其数据存储需求较大，在实际应用场景中需求对数据存储方面布设较高的软硬件条件，维护成本较高。

技术实现思路

[0004]本申请提供了一种十二导联心电图机的处理方法、装置以及设备，用于从十二导联心电图机的数据处理出发，降低其数据存储需求，从而有效降低其涉及的维护成本。
[0005]第一方面，本申请提供了一种十二导联心电图机的处理方法，方法包括：
[0006]获取用户的十二导联心电图数据，其中，十二导联心电图数据为用户在过去时间段采集的数据；
[0007]将十二导联心电图数据输入预先配置的卷积神经网络模型，以使得卷积神经网络模型基于十二导联心电图数据确定待忽略导联通道，其中，卷积神经网络模型是由标注有对应忽略的导联通道的十二导联心电图样本数据训练得到的；
[0008]基于待忽略导联通道，针对用户重构自身的导联通道。
[0009]结合本申请第一方面，在本申请第一方面第一种可能的实现方式中，卷积神经网络模型的训练过程中，包括以下内容：
[0010]在十二导联心电图样本数据构建训练集以及测试集，并以导联通道异常表的形式标注对应忽略的导联通道，其中，20％样本构建成训练集，剩余80％样本构建成测试集；
[0011]在训练集以及测试集中，将每个导联通道的心电信号都裁剪成长度一致的数据段，其中，每个导联通道中的心电数据片段中设有m个采样值，得到12个1
×
m的向量；
[0012]按照导联通道顺序，将数据段进行排列，其中，每个心电样本由12m
×
1的向量组成。
[0013]结合本申请第一方面，在本申请第一方面第二种可能的实现方式中，卷积神经网络模型的训练过程中，包括以下内容：
[0014]模型输入数据为12m
×
1的向量，模型输出数据为1
×
n的向量，从训练集中选取n个样本作为训练样本，采用小批量随机梯度下降方式，将训练样本分批次输入到1D
‑
CNN网络分类模型中，直至测试集的结果正确率达到预期要求，并保存此时模型的网络架构以及权重参数。
[0015]结合本申请第一方面，在本申请第一方面第三种可能的实现方式中，获取用户的十二导联心电图数据，包括：
[0016]由用户的用户设备(User Equipment，UE)或者用户的存储介质，导入用户的十二导联心电图数据。
[0017]结合本申请第一方面，在本申请第一方面第四种可能的实现方式中，获取用户的十二导联心电图数据，包括：
[0018]在系统上调取预先存储的十二导联心电图数据。
[0019]结合本申请第一方面，在本申请第一方面第五种可能的实现方式中，基于待忽略导联通道，针对用户重构自身的导联通道，包括：
[0020]输出待忽略导联通道的提示信息。
[0021]结合本申请第一方面，在本申请第一方面第六种可能的实现方式中，基于待忽略导联通道，针对用户重构自身的导联通道，包括：
[0022]暂停待忽略导联通道的使用；
[0023]或者，忽略待忽略导联通道采集到的数据。
[0024]第二方面，本申请提供了一种十二导联心电图机的处理装置，装置包括：
[0025]获取单元，用于获取用户的十二导联心电图数据，其中，十二导联心电图数据为用户在过去时间段采集的数据；
[0026]处理单元，用于将十二导联心电图数据输入预先配置的卷积神经网络模型，以使得卷积神经网络模型基于十二导联心电图数据确定待忽略导联通道，其中，卷积神经网络模型是由标注有对应忽略的导联通道的十二导联心电图样本数据训练得到的；
[0027]重构单元，用于基于待忽略导联通道，针对用户重构自身的导联通道。
[0028]结合本申请第二方面，在本申请第二方面第一种可能的实现方式中，卷积神经网络模型的训练过程中，包括以下内容：
[0029]在十二导联心电图样本数据构建训练集以及测试集，并以导联通道异常表的形式标注对应忽略的导联通道，其中，20％样本构建成训练集，剩余80％样本构建成测试集；
[0030]在训练集以及测试集中，将每个导联通道的心电信号都裁剪成长度一致的数据段，其中，每个导联通道中的心电数据片段中设有m个采样值，得到12个1
×
m的向量；
[0031]按照导联通道顺序，将数据段进行排列，其中，每个心电样本由12m
×
1的向量组成。
[0032]结合本申请第二方面，在本申请第二方面第二种可能的实现方式中，卷积神经网络模型的训练过程中，包括以下内容：
[0033]模型输入数据为12m
×
1的向量，模型输出数据为1
×
n的向量，从训练集中选取n个样本作为训练样本，采用小批量随机梯度下降方式，将训练样本分批次输入到1D
‑
CNN网络分类模型中，直至测试集的结果正确率达到预期要求，并保存此时模型的网络架构以及权重参数。
[0034]结合本申请第二方面，在本申请第二方面第三种可能的实现方式中，获取单元，具体用于：
[0035]由用户的UE或者用户的存储介质，导入用户的十二导联心电图数据。
[0036]结合本申请第二方面，在本申请第二方面第四种可能的实现方式中，获取单元，具体用于：
[0037]在系统上调取预先存储的十二导联心电图数据。
[0038]结合本申请第二方面，在本申请第二方面第五种可能的实现方式中，重构单元，具体用于：
[0039]输出待忽略导联通道的提示信息。
[0040]结合本申请第二方面，在本申请第二方面第六种可能的实现方式中，重构单元，具体用于：
[0041]暂停待忽略导联通道的使用；
[0042]或者，忽略待忽略导联通道采集到的数据。
[0043]第三方面，本申请提供了一种十二导联心电图机的处理设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
[0044]第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
[0045]从以上内容可得出，本申请具有以下的有益效果：
[0046]针对于十二导联心电图机的应用，本申请先获取用户在过去时间段采集的十本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种十二导联心电图机的处理方法，其特征在于，所述方法包括：获取用户的十二导联心电图数据，其中，所述十二导联心电图数据为所述用户在过去时间段采集的数据；将所述十二导联心电图数据输入预先配置的卷积神经网络模型，以使得所述卷积神经网络模型基于所述十二导联心电图数据确定待忽略导联通道，其中，所述卷积神经网络模型是由标注有对应忽略的导联通道的十二导联心电图样本数据训练得到的；基于所述待忽略导联通道，针对所述用户重构自身的导联通道。2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的训练过程中，包括以下内容：在所述十二导联心电图样本数据构建训练集以及测试集，并以导联通道异常表的形式标注对应忽略的导联通道，其中，20％样本构建成所述训练集，剩余80％样本构建成所述测试集；在所述训练集以及所述测试集中，将每个导联通道的心电信号都裁剪成长度一致的数据段，其中，所述每个导联通道中的心电数据片段中设有m个采样值，得到12个1
×
m的向量；按照导联通道顺序，将所述数据段进行排列，其中，每个心电样本由12m
×
1的向量组成。3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的训练过程中，包括以下内容：模型输入数据为12m
×
1的向量，模型输出数据为1
×
n的向量，从训练集中选取n个样本作为训练样本，采用小批量随机梯度下降方式，将所述训练样本分批次输入到1D
‑
CNN网络分类模型中，直至测试集的结果正确率达到预期要求，并保存此时模型的网络架构以及权重参数。4....

【专利技术属性】
技术研发人员：朱红玲，杨晓云，王子赫，
申请(专利权)人：华中科技大学同济医学院附属同济医院，
类型：发明
国别省市：