【技术实现步骤摘要】
本专利技术涉及人工智能，具体而言，涉及一种基于深度学习的心电图像分析方法及系统。
技术介绍
1、在现代医疗领域，心电图(ecg)分析是一项至关重要的诊断手段，用于监测和识别心脏疾病。传统的心电图分析主要依赖于医生或专业人员的经验判断，这种方法不仅耗时长，而且容易受到个人经验和知识水平的限制，可能导致误诊或漏诊。随着大数据和人工智能技术的快速发展，利用机器学习和深度学习技术对心电图进行自动化分析已成为提高诊断准确性和效率的有效途径。然而，如何有效结合患者历史病例信息和心电图数据，以及如何通过深度学习模型精准提取特征并做出准确的风险评估，仍是当前研究需要解决的关键问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的心电图像分析方法及系统。
2、第一方面，本专利技术实施例提供一种基于深度学习的心电图像分析方法，包括：
3、获取待定心电图像和用户历史病历；
4、将所述待定心电图像和所述用户历史病例加载至病理分析模型进行心电表征描述抽取和风险类型划...
【技术保护点】
1.基于深度学习的心电图像分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述待定心电图像和所述用户历史病例加载至病理分析模型进行心电表征描述抽取和风险类型划分，得到所述待定心电图像的心电分析摘要和健康风险类型包括：
3.根据权利要求2所述的方法，其特征在于，所述循环神经网络单元包括卷积网络架构和循环网络架构，所述将所述心电图像特征加载至所述循环神经网络单元执行特征转换操作，以将所述心电图像特征转换到所述自然语言处理单元的连续向量空间，得到所述表示特征包括：
4.根据权利要求1所述的方法，其特征在于，所...
【技术特征摘要】
1.基于深度学习的心电图像分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述待定心电图像和所述用户历史病例加载至病理分析模型进行心电表征描述抽取和风险类型划分，得到所述待定心电图像的心电分析摘要和健康风险类型包括：
3.根据权利要求2所述的方法，其特征在于，所述循环神经网络单元包括卷积网络架构和循环网络架构，所述将所述心电图像特征加载至所述循环神经网络单元执行特征转换操作，以将所述心电图像特征转换到所述自然语言处理单元的连续向量空间，得到所述表示特征包括：
4.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络单元是通过样本心电图像标注数据对预先设置的心电描述特征抽取网络和根据门控循环策略的视觉特征抽取网络进行心电描述和心电图像关联的健康风险评估监督训练得到的。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述基础医疗范畴对应的心电图像标注数据集合包括第一心电图像样本、第一样本病例和所述第一心电图像样本对应的第一心电表征描述标签，所述预置病理范畴对应的心电图像标注数据集合包括第二心电图...
【专利技术属性】
技术研发人员：裴萌，王利民，张鹏，
申请(专利权)人：北京凯普顿医药科技开发有限公司，
类型：发明
国别省市：
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。