心电图的心律失常诊断训练方法、系统和存储介质技术方案

本发明专利技术提供了一种心电图的心律失常诊断训练系统和训练方法，包括以下步骤：S1、在患者住院期间或围术期内，在心电图采集层利用体内采集设备采集原始EEP数据，利用体外采集设备同步采集原始ECG数据，并将两组数据传送至数据分析层；S2、在数据分析层中利用原始EEP数据对相应的原始ECG数据进行自动标注，形成半结构化ECG数据；S3、切割半结构化ECG数据形成结构化ECG数据，并送入训练数据库；S4、选定待训练模型，设置训练关键评价指标，保存最优训练后参数，输出训练后的算法。该系统利用住院期间或围术期之便，用体内EEP数据自动标注到对应的ECG数据中的方式来建立训练数据库，用海量带有精准标注的ECG数据训练算法，从而可获得精准度高的算法。得精准度高的算法。得精准度高的算法。

【技术实现步骤摘要】
心电图的心律失常诊断训练方法、系统和存储介质


[0001]本专利技术涉及医疗诊断
，尤其是一种心电图的心律失常诊断训练方法、系统和存储介质。

技术介绍

[0002]现代心律失常诊断和监测中，主要通过用户长时程佩戴体表心电检测设备以获得体表心电图（ECG），尤其是包括腕表类的可穿戴式心电监测设备，再通过算法对ECG自动分析获得心律失常等心脏疾病诊断信息。传统的心律失常诊断算法根据经验知识提取特征参数并设置阈值以判定心律失常类型，但在数据足够多的情况下，通过监督型机器学习（ML）或人工智能（AI）训练学习获得的算法的判定模式优于传统的算法。
[0003]现有的临床诊断流程是先通过体表心电检测设备采集ECG，再由软件分析ECG并标注和提示心律失常，最后需要专业医生复审和修正来“准确”标注以形成最终的诊断报告，所以目前输入ML或AI模型用于算法训练的数据为医生复审标注后的ECG数据（即ECG原始数据和医生标注分类，如室早、房早、房颤、房扑等各类心律失常标注）。由于ML或AI模型训练算法需要大量结构化的带有准确标注的数据进行训练学习，因此输入算法训练的数据存在以下缺点：（1）人体一天8
‑
10万次心跳，连续10天则可达100万次心跳的级别，医生人力复审和修正ECG的标注耗时又耗力，所得数据几乎不具备可持续性；（2）ECG虽然是临床诊断心律失常的重要标准，但因为ECG是在人体外通过现代化传感器来实现对心脏内部如心房、心室的电活动的测量，仍属于“间接”测量，由于心室电活动（心电图上的QRS波）强于心房电活动，所以ECG上体现心房电活动（心电图上的P波）很弱，无论人眼或算法对P波的识别的困难都很大,因而通过体表心电图判定心房引发或关联的各类心律失常（如房颤、房扑、房早、交界性逸搏、未下传、传导阻滞）就存在一定误差。经过研究发现，不同医生对同一份心电图判定的一致性在72%左右，且如房颤的临床诊断中主要是医生判定心电图中两两心跳（QRS波）的间隔是否呈不规则变化、是否每一个心跳QRS波前面无法看到心房收缩P波、或有多个P波（区别房颤与房扑的重要线索），因此通过体表心电图诊断后医生标注所得的“标准”数据量化程度较低，从而ML或AI模型训练所得的算法误差较大。

技术实现思路

[0004]本申请人针对现有的心律失常诊断训练中所输入的训练数据为体表测量原始ECG数据和医生人力修正、存在误差的心律失常标注分类，导致训练后的算法误差较大，且医生人力复审和修正海量标注数据耗时耗力等缺点，提供一种心电图的心律失常诊断训练方法、系统和存储介质，该训练系统利用住院期间或围术期之便，用体内、体表心电图采集设备同步采集患者体内EEP数据（如心脏腔内endocardiac或心脏外壁epicardiac采集到的心脏电活动）及体表ECG数据，通过EEP数据、或结合EEP与ECG数据来完成精准心律失常自动标注到对应的ECG数据中的方式来建立训练数据库，再将海量带有精准标注的ECG数据送入ML或AI模型中训练不同算法，输出精准度高的算法运用到日常诊断中，所获得的诊断结果可
达到甚至优于资深心电医生水平。
[0005]根据体表需要采集不同电位点的多少决定体表心电图导联数多少，如单导联，12导联，甚至18导联等。根据心脏腔内或心脏外壁可采集的不同电位点多少也可以决定心脏内电活动采集设备的导联数多少。本方法均适用于上述各类采集设备所采集的数据。
[0006]本专利技术所采用的技术方案及有益效果如下：一种心电图的心律失常诊断训练方法，包括以下步骤：S1、在患者住院期间或围术期内，在心电图采集层利用体内采集设备采集原始EEP数据，利用体外采集设备同步采集原始ECG数据，并将两组数据传送至数据分析层；S2、在数据分析层中利用原始EEP数据对相应的原始ECG数据进行自动标注，形成半结构化ECG数据；S3、切割半结构化ECG数据形成结构化ECG数据，并送入训练数据库；S4、选定待训练模型，设置训练关键评价指标，保存最优训练后参数，输出训练后的算法。
[0007]作为上述技术方案的进一步改进：S2包括以下步骤：S201、自动识别原始ECG数据中的每一个QRS波，确定两个相邻心跳R1、R2之间的时间区间，以此作为EEP数据的单位分析区间；S202、自动识别原始EEP数据的单位分析区间里的脉冲信号，检测脉冲位置、计算脉冲的个数及其分别与R1和R2的时间距离；S203、根据原始EEP数据的计算结果以确定ECG的心跳性质；S204、将出现相同心律失常性质的多个单位分析区间聚合成为事件，并确定事件起点和终点时间，自动标注模块将心跳、事件标注至原始ECG数据中，从而获得带有标准标注的半结构化ECG数据；S3包括以下步骤：S301、数据切割模块将半结构化ECG数据及其对应的标注切割成若干固定时长的单元；S302、训练数据库划分为learning组和testing组，learning组中分为training组和validation组，将结构化ECG数据根据特定规则按比例随机分配进入上述三组；S4包括以下步骤：S401、learning组中的结构化ECG数据经历迭代式学习；S402、testing组中的数据验证S401中训练的数据；S403、针对一个新或前序已经训练过的ML或AI数学模型，三组数据分别可以得到标准参数作为关键评价指标用于评估训练模型；S404、以F1分数来自动监控学习终止与否，保存首次达到F1最高分的参数，输出训练后算法。
[0008]利用住院期间或围术期之便，用体内EEP（心脏腔内或心脏外壁）、体表心电图采集设备同步采集患者体内EEP数据及体表ECG数据，通过EEP数据、或结合EEP与ECG数据来完成精准自动标注到对应的ECG数据中的方式来建立训练数据库，将海量带有精准标注的ECG数据送入ML或AI模型中对算法进行训练，从而可获得精准度高的算法。
[0009]S2还包括以下步骤：S205、医生或专业人员可在审核修正软件对半结构化ECG数据的自动标注进行审核和修正。
[0010]医生可在审核修正软件22上通过查看EEP与同步ECG数据的方式来抽查或校验上述自动标注，若存在一些自动标注失误的特殊情况，可通过人为修改标注以获得修正标注，与对应的半结构化ECG数据送入模型训练，实现算法训练可持续性优化。
[0011]还包括S5，S5包括以下步骤：S501、利用日常诊断的终端采集模块采集体表ECG数据并传输至终端应用模块，针对不同类型的心律失常事件，终端应用模块的终端分析模块运用训练后算法对所采集的原始ECG数据进行标注，从而获得半结构化ECG数据，终端分析模块将判定用户端软件的人机交互改动超过阈值的半结构化ECG数据及其对应的标注送入终端数据库内，在终端数据库内将其切割成结构化ECG数据；S502、结构化ECG数据的新增例数达到终端数据库预设定值后输送至模型训练层的优化模块，并对当前算法进行再次训练。
[0012]在日常心律失常诊断中，用户使用如腕表心电设备、心电图机等终端设备采集体表ECG心电图，终端设备运用训练后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电图的心律失常诊断训练方法，其特征在于，包括以下步骤：S1、在患者住院期间或围术期内，在心电图采集层（1）利用体内采集设备采集原始EEP数据，利用体外采集设备同步采集原始ECG数据，并将两组数据传送至数据分析层（2）；S2、在数据分析层（2）中利用原始EEP数据对相应的原始ECG数据进行自动标注，形成半结构化ECG数据；S3、切割半结构化ECG数据形成结构化ECG数据，并送入训练数据库（31）；S4、选定待训练模型，设置训练关键评价指标，保存最优训练后参数，输出训练后的算法。2.根据权利要求1所述的心电图的心律失常诊断训练方法，其特征在于，S2包括以下步骤：S201、自动识别原始ECG数据中的每一个QRS波，确定两个相邻心跳R1、R2之间的时间区间，以此作为EEP数据的单位分析区间；S202、自动识别原始EEP数据的单位分析区间里的脉冲信号，检测脉冲位置、计算脉冲的个数及其分别与R1和R2的时间距离；S203、根据原始EEP数据的计算结果以确定ECG的心跳性质；S204、将出现相同心律失常性质的多个单位分析区间聚合成为事件，并确定事件起点和终点时间，自动标注模块（21）将心跳、事件标注至原始ECG数据中，从而获得带有标准标注的半结构化ECG数据；S3包括以下步骤：S301、数据切割模块（311）将半结构化ECG数据及其对应的标注切割成若干固定时长的单元；S302、训练数据库（31）划分为learning组和testing组，learning组中分为training组和validation组，将结构化ECG数据根据特定规则按比例随机分配进入上述三组；S4包括以下步骤：S401、learning组中的结构化ECG数据经历迭代式学习；S402、testing组中的数据验证S401中训练的数据；S403、针对一个新或前序已经训练过的ML或AI数学模型，三组数据分别可以得到标准参数作为关键评价指标用于评估训练模型；S404、以F1分数来自动监控学习终止与否，保存首次达到F1最高分的参数，输出训练后算法。3.根据权利要求1所述的心电图的心律失常诊断训练方法，其特征在于，S2还包括以下步骤：S205、医生或专业人员可在审核修正软件（22）对半结构化ECG数据的自动标注进行审核和修正。4.根据权利要求1所述的心电图的心律失常诊断训练方法，其特征在于，还包括S5，S5包括以下步骤：S501、利用日常诊断的终端采集模块（41）采集体表ECG数据并传输至终端应用模块（42），针对不同类型的心律失常事件，终端应用模块（42）的终端分析模块（421）运用训练后算法对所采集的原始ECG数据进行标注，从而获得半结构化ECG数据，...

【专利技术属性】
技术研发人员：王辉山，陈琼，刘叙，徐树声，邢文辉，蒲亚川，张誉籍，吴翼，戴维，
申请(专利权)人：上海越光医疗科技有限公司，
类型：发明
国别省市：