基于心电图信号的慢性疾病预测方法技术

根据本发明专利技术的一实施例，公开了一种通过计算装置执行的基于心电图信号的慢性疾病预测方法。上述方法可以包括如下步骤：基于上述心电图信号生成每个导联(lead)的综合数据，并基于上述每个导联的综合数据生成N维输入数据；基于上述N维输入数据预测慢性疾病；以及生成待提供给用户的针对上述慢性疾病的预测信息。待提供给用户的针对上述慢性疾病的预测信息。待提供给用户的针对上述慢性疾病的预测信息。

【技术实现步骤摘要】
【国外来华专利技术】基于心电图信号的慢性疾病预测方法


[0001]本专利技术涉及一种生物信号的分析方法，更具体地，涉及一种利用机器学习并基于心电图信号预测慢性疾病的方法。

技术介绍

[0002]从各种方面尝试着开发使用心电图信号作为诊断及预测慢性疾病的基础数据的技术。其中之一是使用人工智能的方式。为了使用人工智能，需要先对心电图信号进行处理，以便人工智能对其进行解释。当一维心电图信号本身用作人工智能模型的输入时，测量心电图信号的导联(lead)的信息包含在运算通道中，因而发生降低用于处理导联之间相关性的自由度的问题，这种导联之间的相关性是为了诊断及预测慢性疾病而需要考虑的。因此，需要调整对心电图信号的输入形式，在调整输入形式的过程中，需要进行对心电图信号的加工工作，以免丢失固有信息。
[0003]根据上述需要，以往通过频域转换将一维心电图信号加工成二维图像形式并用作人工智能模型的输入。然而，这种传统方式存在时序信息的解释变得困难的问题。并且，以往还尝试单独输入导联信息以便使用一维信号本身。然而，这些尝试也存在如下问题，即，尽管可在人工智能模型的运算过程中使用导联之间的相关性，但使得用于诊断慢性疾病的领域专家对每个导联重要性的解释变得困难。
[0004]韩国授权专利第10
‑
2119169号(2020年05月29日)公开一种心电图信号的二维影像生成方法。

技术实现思路

[0005]技术问题
[0006]本专利技术是针对上述
技术介绍
而提出的，其目的在于，提供一种基于机器学习的慢性疾病预测方法，该方法能够解释用于测量心电图的导联之间的相互重要性，而不会丢失心电图信号的固有信息。
[0007]技术方案
[0008]根据用于实现上述技术问题的本专利技术一实施例，公开一种通过计算装置执行的基于心电图信号的慢性疾病预测方法。上述方法可以包括如下步骤：从心电图数据生成心电图信号的斜率信息及每个波形的区间信息；基于上述心电图数据、斜率信息或每个波形的区间信息中的至少一个生成每个导联(lead)的综合数据；以及基于上述每个导联的综合数据生成N维输入数据。
[0009]在替代性实施例中，生成上述斜率信息及每个波形的区间信息的步骤可以包括如下步骤：通过插值(interpolation)对上述心电图信号进行采样(sampling)来生成上述心电图数据；基于上述心电图数据的每个样本的差分值生成上述斜率信息；以及基于上述心电图数据中包含的多个心电图信号波形的数值生成上述每个波形的区间信息。
[0010]在替代性实施例中，基于上述心电图数据中包含的多个心电图信号波形的数值生
成上述每个波形的区间信息的步骤可以包括如下步骤：提取上述心电图数据中包含的多个心电图信号波形各自的特征值；导出与上述多个心电图信号波形各自的特征值对应的数值，并基于所导出的上述数值对上述多个心电图信号波形分别进行归一化(normalization)；以及通过对上述归一化的多个心电图信号波形各自的数值进行组合来生成上述每个波形的区间信息。
[0011]在替代性实施例中，生成上述每个导联的综合数据的步骤可以包括如下步骤：通过组合上述心电图数据、斜率信息及每个波形的区间信息中的两个以上来生成上述每个导联的综合数据。
[0012]在替代性实施例中，生成上述N维输入数据的步骤可以包括如下步骤：通过将上述每个导联的综合数据排列在平面上来生成用于表示上述心电图信号的时序信息和空间信息的矩阵(matrix)形式的N维输入数据。
[0013]在替代性实施例中，上述方法还可以包括如下步骤：使用预先学习的机器学习模型并基于上述N维输入数据预测与上述心电图信号对应的受检者的慢性疾病。
[0014]在替代性实施例中，上述机器学习模型可以包括：编码器(encoder)，通过接收上述N维输入数据来提取特征；以及解码器(decoder)，基于所提取的上述特征生成与不同类型的慢性疾病有关的信息。
[0015]在替代性实施例中，上述机器学习模型可以包括：编码器，通过接收上述N维输入数据来提取特征；以及解码器，基于所提取的上述特征生成与一种慢性疾病有关的信息。在此情况下，当存在两个以上上述解码器时，两个以上的上述解码器可以分别生成与不同类型的慢性疾病有关的信息。
[0016]在替代性实施例中，上述机器学习模型可以基于包含上述心电图信号的时序信息和空间信息的N维学习数据学习。
[0017]在替代性实施例中，上述方法还可以包括如下步骤：基于与通过上述机器学习模型预测的慢性疾病有关的信息生成用户界面(user interface)。
[0018]根据用于实现上述技术问题的本专利技术一实施例，公开一种存储于计算机可读存储介质的计算机程序。当在至少一个处理器中执行时，上述计算机程序基于心电图信号执行用于预测慢性疾病的以下操作，上述操作包括如下步骤：从心电图数据生成心电图信号的斜率信息及每个波形的区间信息；基于上述心电图数据、斜率信息或每个波形的区间信息中的至少一个生成每个导联的综合数据；以及基于上述每个导联的综合数据生成N维输入数据。
[0019]根据用于实现上述技术问题的本专利技术一实施例，公开一种计算装置，其基于心电图信号预测慢性疾病。上述装置包括：处理器，包括至少一个内核；存储器，包含能够在上述处理器中执行的程序代码；以及网络部，用于接收心电图信号，上述处理器可以从心电图数据生成心电图信号的斜率信息及每个波形的区间信息，基于上述心电图数据、斜率信息或每个波形的区间信息中的至少一个生成每个导联的综合数据，基于上述每个导联的综合数据生成N维输入数据。
[0020]根据用于实现上述技术问题的本专利技术一实施例，公开一种提供用户界面的用户终端。上述用户终端包括：处理器，包括至少一个内核；存储器；网络部，用于从计算装置接收基于心电图信号的分析信息的用户界面；以及输出部，用于提供上述用户界面。在此情况
下，上述心电图信号的分析信息可以包含基于从上述心电图信号生成的N维输入数据，通过预先学习的机器学习模型预测的与慢性疾病有关的信息。
[0021]专利技术的效果
[0022]本专利技术可以提供一种在不丢失心电图信号的固有信息的情况下还能够解释用于测量心电图的导联之间的相互重要性的基于机器学习的慢性疾病预测方法。
附图说明
[0023]图1为本专利技术一实施例的用于基于心电图信号预测慢性疾病的计算装置的框结构图。
[0024]图2为示出本专利技术一实施例的网络函数的简图。
[0025]图3为示出本专利技术一实施例的对心电图信号的预处理过程的流程图。
[0026]图4为示出本专利技术一实施例的每个导联的综合数据生成过程的概念图。
[0027]图5为本专利技术一实施例的基于心电图信号的慢性疾病预测方法的流程图。
[0028]图6为示出本专利技术一实施例的机器学习模型的结构的框结构图。
[0029]图7为示出本专利技术替代性实施例的机器学习模型的结构的框结构图。
[0030]图8为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种基于心电图信号的慢性疾病预测方法，由包括至少一个处理器的计算装置执行，其特征在于，包括如下步骤：基于上述心电图信号生成每个导联的综合数据，并基于上述每个导联的综合数据生成N维输入数据；基于上述N维输入数据并通过预先学习的机器学习模型预测慢性疾病；以及生成待提供给用户的针对上述慢性疾病的预测信息。2.根据权利要求1所述的基于心电图信号的慢性疾病预测方法，其特征在于，基于上述心电图信号的斜率信息或上述心电图信号的每个波形的区间信息中的至少一个生成上述每个导联的综合数据。3.根据权利要求2所述的基于心电图信号的慢性疾病预测方法，其特征在于，生成上述N维输入数据的步骤包括如下步骤：生成上述心电图信号的斜率信息或上述心电图信号的每个波形的区间信息中的至少一个；基于上述心电图信号的斜率信息或上述心电图信号的每个波形的区间信息中的至少一个生成上述每个导联的综合数据；以及基于上述每个导联的综合数据生成上述N维输入数据。4.根据权利要求3所述的基于心电图信号的慢性疾病预测方法，其特征在于，生成上述心电图信号的斜率信息或上述心电图信号的每个波形的区间信息中的至少一个的步骤包括如下步骤：通过插值对上述心电图信号进行采样来生成心电图数据；基于上述心电图数据的每个样本的差分值生成上述斜率信息；以及基于上述心电图数据中包含的多个心电图信号波形的数值生成上述每个波形的区间信息。5.根据权利要求4所述的基于心电图信号的慢性疾病预测方法，其特征在于，基于上述心电图数据中包含的多个心电图信号波形的数值生成上述每个波形的区间信息的步骤包括如下步骤：提取上述心电图数据中包含的多个心电图信号波形各自的特征值；导出与上述多个心电图信号波形各自的特征值对应的数值，并基于所导出的上述数值对上述多个心电图信号波形分别进行归一化；以及通过对上述归一化的多个心电图信号波形分别进行组合来生成上述每个波形的区间信息。6.根据权利要求4所述的基于心电图信号的慢性疾病预测方法，其特征在于，生成上述每个导联的综合数据的步骤包括如下步骤：通过组合上述心电图数据、上述斜率信息及上述每个波形的区间信息中的两个以上来生成上述每个导联的综合数据。7.根据权利要求1所述的基于心电图信号的慢性疾病预测方法，其特征在于，生成上述N维输入数据的步骤包括：通过将上述每个导联的综合数据排列在平面上来生成用于表示上述心电图信号的时序信息和空间信息的矩阵形式的二维输入数据。8.根据权利要求1所述的基于心电图信号的慢性疾病预测方法，其特征在于，预测上述慢性疾病的步骤包括...

【专利技术属性】
技术研发人员：宋泳济，裵雄，
申请(专利权)人：福诺有限公司，
类型：发明
国别省市：