System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
【国外来华专利技术】
本专利技术的内容揭示一种左心室收缩功能障碍诊断方法,具体地,揭示一种以心电图为基础利用神经网络模型诊断左心室收缩功能障碍的方法。
技术介绍
1、心电图(ecg:electrocardiogram)是测量心脏上发生的电信号以便确认心脏到电极的传导系统异常与否而得以判别患病与否的信号。
2、作为引起心电图的心搏动,位于右心房(right atrium)的窦房结(sinus node)上开始的搏动先让右心房与左心房(left atrium)除极(deploarization),在房室结(atrioventricular node)暂时延缓后触发心室。
3、隔膜(septum)最快并且壁厚较薄的右心室比壁厚较厚的左心室先触发。传导至浦肯野纤维(purkinje fiber)的除极波在心肌和波前(wavefront)一起从心内膜往心外膜扩散而引起心室收缩。电刺激正常地通过心脏传导而使得心脏每分钟收缩大约60~100次。每次收缩表示一次心搏动。
4、如前所述的心电图可以通过记录两个部位之间电位差的双极导联(bipolarlead)和记录电极连接部位的电位的单极导联(unipolar lead)检测出来,测量心电图的方法有作为双极导联的标准导联(standard limb lead)、作为单极导联的肢体导联(unipolar limb lead)、作为单极导联的胸导联(precordial lead)等。
5、心脏的触发阶段主要分为心房除极、心室除极、心室复极时期,该各步骤如图1所示地以称为p、
6、该多个波具有标准形态才能视为心脏的电活动正常。为了掌握其是否为标准形态,需要检查各波保持时间、各波之间的间距(interval)、各波的振幅、峰度之类的特征是否位于正常范围。
7、该心电图由高价测量设备测量而作为测量患者健康状态的辅助工具使用,心电图测量设备通常只呈现测量结果而诊断则完全交给医生执行。
8、目前,为了降低对于医生的依赖,人们一直进行着利用人工智能以心电图为基础快速准确地诊断疾病的研究。而且,随着可穿戴式、日常生活式心电图测量仪的发展,以心电图为基础不仅诊断监视心脏疾病还对其它各种疾病进行诊断监视的可能性也开始出现。
9、尤其是,以分娩前后心肌病(ppcm)为代表的心血管疾病导致产妇死亡的严重性引起了关注。依据现有基准,分娩前后心肌病在妊娠最后一个月或分娩后5个月以内被诊断为心力衰竭。而且,通过超声心动图检查患者的左心室射血分数(lvef)并且在45%以下时予以诊断。分娩前后心肌病在韩国的发病率特别高,相比于其严重性,人们对分娩前后心肌病的认识很少而且由于正常妊娠和心力衰竭之间的症候与症状的相似性而导致其诊断难。
技术实现思路
1、技术问题
2、本专利技术旨在解决前述
技术介绍
的问题,本专利技术一实施例的以心电图为基础诊断左心室收缩功能障碍的方法的目的是使用神经网络模型以心电图数据为基础针对心电图数据的测量对象推断左心室收缩功能障碍的发病概率。
3、然而,本专利技术需要解决的技术课题不限于前述课题,可以在下面的记载中明确地了解到前面没有提到的其它课题。
4、技术方案
5、依据实现如前所述的课题的本专利技术的一实施例,揭示一种由包含至少一个处理器的计算装置执行的以心电图为基础诊断左心室收缩功能障碍的方法,包括下列步骤:获取心电图数据;以及使用预先学习的神经网络模型以所述心电图数据为基础针对所述心电图数据的测量对象推断左心室收缩功能障碍发病概率,所述神经网络模型是以左心室收缩功能障碍与心电图特性的变化之间的相关关系为基础学习的。
6、或者,提供下述方法,所述神经网络模型包括具有多个副模块的残差块(residualblocks),所述神经网络模型接收所述心电图数据的输入后输出分娩前后心肌病的发病概率。
7、或者,提供下述方法,所述副模块包括多个卷积神经网络(cnn)、批量归一化(batch normalization)、线性整流单元激活函数(relu activation function)层,还包括随机失活(dropout)层。
8、或者,提供下述方法,第一副模块还包括把输入直接输入到最后一个线性整流单元激活函数层的最大池化(maxpooling)层。
9、或者,提供下述方法,所述神经网络模型还包括让辅助信息输入的全连接(foolyconnected)层,所述全连接层的输出与所述残差块的输出为了导出分娩前后心肌病的发病概率而连接成一个(concatenation)。
10、或者,提供下述方法,输入所述神经网络模型的心电图数据经过了下采样及加入噪声增强前处理后被输入所述残差块。
11、或者,提供下述方法,左心室收缩功能障碍与心电图特性的变化之间的相关关系基于包括pr段、qrs间期、病理学q波、r波递增不良、st减少、t波倒置、心房早搏及心室早搏领域中的至少一个的心电图特性。
12、本专利技术的再一实施例提供一种存储在计算机可读存储介质的计算机程序(program),所述计算机程序在一个以上的处理器(processor)执行时,执行以心电图为基础的用于诊断左心室收缩功能障碍的多个动作,所述多个动作包括下列动作:获取心电图数据;以及使用预先学习的神经网络模型以所述心电图数据为基础针对所述心电图数据的测量对象推断左心室收缩功能障碍发病概率,所述神经网络模型是以左心室收缩功能障碍与心电图特性的变化之间的相关关系为基础学习的。
13、本专利技术的另一实施例提供一种用于以心电图为基础诊断左心室收缩功能障碍的计算装置,包括:处理器(processor),包含至少一个内核(core);以及存储器(memory),包含所述处理器可执行的多个程序代码(code);所述处理器随着所述程序代码的执行而获取心电图数据、使用预先学习的神经网络模型以所述心电图数据为基础针对所述心电图数据的测量对象推断左心室收缩功能障碍发病概率,所述神经网络模型是以左心室收缩功能障碍与心电图特性的变化之间的相关关系为基础学习的。
14、专利技术的效果
15、本专利技术一实施例的以心电图为基础诊断左心室收缩功能障碍的方法可提供一种使用神经网络模型以心电图数据为基础针对心电图数据的测量对象推断左心室收缩功能障碍的发病概率的方法。
本文档来自技高网...【技术保护点】
1.一种以心电图为基础诊断左心室收缩功能障碍的方法,由包含至少一个处理器的计算装置执行,该方法包括下列步骤:
2.根据权利要求1所述的以心电图为基础诊断左心室收缩功能障碍的方法,其特征在于,所述神经网络模型包括具有多个副模块的残差块,所述神经网络模型接收所述心电图数据的输入后输出分娩前后心肌病的发病概率。
3.根据权利要求2所述的以心电图为基础诊断左心室收缩功能障碍的方法,其特征在于,所述副模块包括多个卷积神经网络、批量归一化、线性整流单元激活函数层,还包括随机失活层。
4.根据权利要求3所述的以心电图为基础诊断左心室收缩功能障碍的方法,其特征在于,第一副模块还包括把输入直接输入到最后一个线性整流单元激活函数层的最大池化层。
5.根据权利要求2所述的以心电图为基础诊断左心室收缩功能障碍的方法,其特征在于,
6.根据权利要求2所述的以心电图为基础诊断左心室收缩功能障碍的方法,其特征在于,输入所述神经网络模型的心电图数据经过了下采样及加入噪声增强前处理后被输入所述残差块。
7.根据权利要求1所述的以心电图为基础诊
8.一种计算机程序,存储在计算机可读存储介质,其特征在于,
9.一种用于以心电图为基础诊断左心室收缩功能障碍的计算装置,其特征在于,
...【技术特征摘要】
【国外来华专利技术】
1.一种以心电图为基础诊断左心室收缩功能障碍的方法,由包含至少一个处理器的计算装置执行,该方法包括下列步骤:
2.根据权利要求1所述的以心电图为基础诊断左心室收缩功能障碍的方法,其特征在于,所述神经网络模型包括具有多个副模块的残差块,所述神经网络模型接收所述心电图数据的输入后输出分娩前后心肌病的发病概率。
3.根据权利要求2所述的以心电图为基础诊断左心室收缩功能障碍的方法,其特征在于,所述副模块包括多个卷积神经网络、批量归一化、线性整流单元激活函数层,还包括随机失活层。
4.根据权利要求3所述的以心电图为基础诊断左心室收缩功能障碍的方法,其特征在于,第一副模块还包括把输入直接输入到最后一个线性整流单元激活函数层的最大池化层。
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。