基于生成式对抗神经网络算法的心电图生成装置及其方法制造方法及图纸

本发明专利技术揭示一种基于生成式对抗神经网络算法的心电图生成装置及其方法。本发明专利技术的基于生成式对抗神经网络算法的心电图生成装置包括：输入单元，接收需诊断病症的患者的心电图数据；控制单元，将所接收的所述心电图数据输入到已学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据；以及输出单元，输出所接收的所述患者的实际心电图数据与所生成的多个心电图数据。依据本发明专利技术，利用深度学习算法按照特性学习心电图数据并且利用所学习的模型诊断心脏病之一的心律失常而提高准确度，还能提供诊断为心律失常的理由从而提高诊断的可靠性。律失常的理由从而提高诊断的可靠性。律失常的理由从而提高诊断的可靠性。

【技术实现步骤摘要】
【国外来华专利技术】基于生成式对抗神经网络算法的心电图生成装置及其方法


[0001]本专利技术揭示一种基于生成式对抗神经网络算法的心电图生成装置及其方法，更具体地，本专利技术揭示一种利用深度学习算法从n个电极的信息生成其余12
‑
n个电极的信息并利用所生成的电极信息诊断患者状态的基于生成式对抗神经网络算法的心电图生成装置及其方法。

技术介绍

[0002]心电图以图形方式从体表记录有关心跳的电位，除了标准12导联心电图以外，还有运动负荷心电图、活动中心电图(动态心电图监测与活动记录心电图)等。在诊断循环器官疾病时能使用很多检查工具，但其中的心电图具有很多优点并且是临床中使用最多的检查工具。心电图是一种准确简单、具有再现性、能简单地反复记录、检查费用低廉的非侵入性检查。心电图在心律失常与冠心病的诊断方面应用最广泛。
[0003]标准12导联心电图在前胸部贴上6个电极并且在肢体各自贴上3个电极后收集所有的12导联信息并且将其予以综合后诊断疾病。然而，12导联电极需要露出胸部并且较难全部贴上12个电极而很难在家庭或日常生活中测量。
[0004]最近，人们正在开发只使用12个电极中用于手脚的3个电极的6电极信息或者如同贴片型产品一样地仅仅使用1个电极信息进行测量的可穿戴心电图设备。
[0005]图1示出了12导联心电图数据。
[0006]例如，如图1所示，医院所使用的12导联电极的心电图同时测量左侧与右侧共12个导联(lead)的心电图。然而，可穿戴心电图设备只使用最左侧的肢体电极信息(在手脚贴上3个电极后测量I、II、III、aVL、aVF、aVL等6个电极的信息)或者只收集其中的I或II等一个电极的心电图信息。
[0007]如前所述，只使用6个电极的信息或者只使用1个电极的信息时，相比于原先使用12导联电极信息的情形，只能使用一半或1/12的信息而使得准确度降低。
[0008]韩国授权专利公报第10
‑
1109738号(2012.02.24.公告)揭示了本专利技术的
技术介绍
。

技术实现思路

[0009]技术问题
[0010]本专利技术需要解决的技术问题是提供一种利用深度学习算法从n个电极的信息生成其余12
‑
n个电极的信息并且利用所生成的电极信息预测患者状态的基于生成式对抗神经网络算法的心电图生成装置及其方法。
[0011]技术方案
[0012]实现该技术问题的本专利技术实施例的基于深度学习算法的心电图生成装置包括：输入单元，接收需诊断病症的患者的心电图数据；数据生成单元，将所接收的所述心电图数据输入到已学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个
合成心电图数据；以及输出单元，输出所接收的所述患者的实际心电图数据、所生成的多个心电图数据及诊断结果。
[0013]本专利技术还可包括学习单元，其学习从被诊断为心脏疾病的患者的整体心电图数据提取导联心电图数据并且将所提取的所述导联心电图数据输入到预建构的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据。
[0014]所述学习单元可包括：第一生成模型，从提取于所输入的整体心电图数据的导联心电图数据生成n个合成心电图数据；以及第二生成模型，从生成于所述第一生成模型的n个合成心电图数据生成m个合成心电图数据。
[0015]所述学习单元可包括：第一判别模型，接收导联心电图数据或m个合成心电图数据并判别其为实际的还是合成的；以及第二判别模型，接收除了所述导联心电图数据以外的整体心电图数据或n个合成心电图数据并判别其为实际的还是合成的。
[0016]而且，本专利技术另一实施例的利用心电图生成装置的基于深度学习算法的心电图生成方法可包括下列步骤：接收需诊断病症的患者的心电图数据；将所接收的所述心电图数据输入到已学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据；以及输出所接收的所述患者的实际心电图数据、所生成的多个心电图数据及诊断结果。
[0017]专利技术的效果
[0018]如前所述，依据本专利技术，能利用深度学习算法并且利用一个电极或3个电极所测量的心电图生成n个额外的心电图提高心脏相关疾病诊断的准确度。而且，依据本专利技术，由于能适用于便携式可穿戴心电图设备而在家庭或日常生活中也能使用。
附图说明
[0019]图1是用于说明一般的标准12导联心电图方法的图。
[0020]图2是示出本专利技术实施例的基于生成式对抗神经网络算法的心电图生成装置的块式配置图。
[0021]图3是示出本专利技术实施例的基于生成式对抗神经网络算法的心电图生成方法的动作流程的流程图。
[0022]图4是示出了心电图数据的种类的图。
[0023]图5是用于说明本专利技术实施例的生成模型及判别模型的图。
[0024]专利技术的最佳实施方式
[0025]本专利技术的基于深度学习算法的心电图生成装置中，所述心电图生成装置包括：输入单元，接收需诊断病症的患者的心电图数据；数据生成单元，将所接收的所述心电图数据输入到已学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据；以及输出单元，输出所接收的所述患者的实际心电图数据、所生成的多个心电图数据及诊断结果。
具体实施方式
[0026]下面结合附图详细说明本专利技术的优选实施例。在这个过程中，为了明确并方便地进行说明，附图所图示的线的厚度或结构要素的大小等因素可能会夸张地显示出来。
[0027]而且，后述的术语是考虑到本专利技术中的功能后定义的，其可随着使用者、运用者的意图或惯例而不同。因此应该根据本说明书的整体内容予以定义。
[0028]首先，利用图2说明本专利技术实施例的基于深度学习算法的心电图生成装置。
[0029]图2是示出本专利技术实施例的基于生成式对抗神经网络算法的心电图生成装置的块式配置图。
[0030]如图2所示，本专利技术实施例的基于生成式对抗神经网络算法的心电图生成装置100包括输入单元110、数据生成单元120、学习单元130及输出单元140。
[0031]首先，输入单元110接收患者心电图数据。此时，输入单元110进一步接收信息(indicator)，该信息(indicator)指出所接收的心电图数据是什么信号。
[0032]数据生成单元120将接收的心电图数据输入到完成了学习的生成式对抗神经网络(Generative Adversarial Network)算法生成多个合成心电图数据。
[0033]学习单元130接收从患有心脏疾病的患者测量到的心电图数据。然后，进行学习以便从所接收的心电图数据提取导联数据后将提取的导联数据输入生成式对抗神经网络(Generative Adversarial Network)算法后输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种心电图生成装置，是基于生成式对抗神经网络算法的心电图生成装置，其特征在于，包括：输入单元，接收需诊断病症的患者的心电图数据；控制单元，将所接收的所述心电图数据输入到已学习的生成式对抗神经网络算法生成多个合成心电图数据；以及输出单元，输出所接收的所述患者的实际心电图数据与所生成的多个心电图数据。2.根据权利要求1所述的心电图生成装置，其特征在于，还包括学习单元，其学习从被诊断为心脏疾病的患者的整体心电图数据提取导联心电图数据并且将所提取的所述导联心电图数据输入到预建构的生成式对抗神经网络算法生成多个合成心电图数据。3.根据权利要求2所述的心电图生成装置，其特征在于，所述学习单元包括：第一生成模型，从提取于所输入的整体心电图数据的导联心电图数据生成n个合成心电图数据；以及第二生成模型，从生成于所述第一生成模型的n个合成心电图数据生成m个合成心电图数据。4.根据权利要求2所述的心电图生成装置，其特征在于，所述学习单元包括：第一判别模型，接收导联心电图数据或m个合成心电图数据并判别其为实际的还是合成的；以及第二判别模型，接收除了所述导联心电图数据以外的整体心电图数据或n个合成心电图数据并判别其为实际的还是合成的。5.一种心电图生成方法，该方法利用...

【专利技术属性】
技术研发人员：权俊明，
申请(专利权)人：美迪科诶爱有限公司，
类型：发明
国别省市：