【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及心電圖分析，具體涉及一種心電圖分析方法和裝置。
技術(shù)介紹
1、心電圖反映了人體心臟健康狀況，是臨床診斷心血管類疾病的重要依據(jù)。隨著心電圖數(shù)量的快速增長，計算機輔助心電圖分析的需求愈加迫切，心電圖自動分類作為實現(xiàn)計算機輔助心電圖分析不可或缺的技術(shù)手段，具有重要的醫(yī)學價值。
2、現(xiàn)有技術(shù)中的心電圖分析方法主要依賴于醫(yī)生的經(jīng)驗進行解讀，不僅耗時耗力，而且存在主觀性過強和誤診的風險，導致現(xiàn)有技術(shù)中的心電圖分析方法在實際臨床應用效果欠佳。
3、綜上所述，如何解決現(xiàn)有技術(shù)中心電圖分析方法存在主觀性過強和誤診的風險的問題已經(jīng)成為目前本領域亟需解決的難題。因此，有必要提出一種能夠?qū)π碾妶D進行自動化分析，同時為醫(yī)生提供相應的分析參考，降低主觀性和誤診的風險的心電圖分析方法和裝置。
技術(shù)實現(xiàn)思路
1、為解決上述問題，本專利技術(shù)提供一種心電圖分析方法和裝置，通過深度學習模塊和綜合分析模塊的設計，對患者的心電圖進行采集和自動分析，并根據(jù)分析結(jié)果，為醫(yī)生提供相應的參考診斷信息，從而降低醫(yī)生的主觀性，大幅度減少誤診的風險。
2、為了實現(xiàn)上述目的，本專利技術(shù)的技術(shù)方案如下：一種心電圖分析方法，包括如下步驟：
3、s1，綜合信息的采集：通過綜合采集模塊對患者的臨床信息、心電圖、心率變異性和血壓進行實時采集，得到患者的初步數(shù)據(jù)；臨床信息包括患者年齡、性別、臨床癥狀和過往病史。
4、綜合采集模塊用于采集患者的初步數(shù)據(jù)并將初步數(shù)據(jù)傳輸至綜合分析模
5、s2，初步分析與預測：通過綜合分析模塊接收綜合采集模塊采集到的初步數(shù)據(jù)，綜合分析模塊內(nèi)錄入有正常的心電圖圖像；綜合分析模塊將正常的心電圖圖像與綜合采集模塊采集的患者的心電圖圖像進行比對，并分析患者的心電圖圖像存在的異常。
6、綜合分析模塊根據(jù)心電圖圖像差異對患者的心臟健康情況進行初步評估；并結(jié)合綜合采集模塊采集的患者心率變異性和血壓，綜合分析患者心臟問題與心率變異性和血壓之間存在的關聯(lián)性，以此為依據(jù)預測患者可能潛在的心臟問題。
7、s3,st段異常信號的記錄與學習：基于卷積神經(jīng)網(wǎng)絡算法建立深度學習模塊，深度學習模塊將綜合采集模塊每次采集到的患者的心電圖圖像進行記錄儲存，并學習判斷不同心電圖中的st段異常信號；st段異常信號包括st段形態(tài)變化異常和st段幅度異常。
8、深度學習模塊結(jié)合綜合采集模塊采集到的臨床信息以及綜合分析模塊初步分析出的患者心臟可能潛在的問題，判斷不同st段異常信號代表的患者心臟問題。
9、s4，st段異常信號的分析:深度學習模塊根據(jù)患者心電圖確定等電位線，根據(jù)等電位線實時判斷st段形態(tài)變化和實時測量st段幅度的變化；深度學習模塊根據(jù)分析出的不同st段的具體形態(tài)，判斷患者可能出現(xiàn)的心臟問題，并向醫(yī)生手機發(fā)出相應的參考診斷信息。
10、深度學習模塊根據(jù)參考診斷信息的準確性實時進行自我更新；醫(yī)生對參考診斷信息進行確認或修改，若參考診斷信息被醫(yī)生修改，深度學習模塊對修改內(nèi)容進行學習，更新參考診斷信息。
11、s5,云計算平臺的使用：基于大數(shù)據(jù)分析技術(shù)構(gòu)建云計算平臺，云計算平臺用于接收用戶輸入的心電圖數(shù)據(jù)，云計算平臺將輸入的心電圖數(shù)據(jù)通過深度學習模塊進行分析和存儲；用戶通過云計算平臺輸入st段異常信號和查詢對應的心電圖數(shù)據(jù)，大數(shù)據(jù)分析技術(shù)則根據(jù)相應的st段異常信號篩選出對應的心電圖數(shù)據(jù)供用戶參考使用，并為用戶提供pdf版本的心電圖圖像和word版本的參考診斷信息。
12、進一步，卷積神經(jīng)網(wǎng)絡算法表示為以下公式：
13、yij＝∑m∑nx(i+m)(j+n)·wmn+b
14、其中：
15、yij表示輸出的患者st段異常信號。
16、x是輸入的患者心電圖。
17、w是卷積核，用于在輸入的患者心電圖上進行滑動窗口操作。
18、b是偏置項，用于調(diào)整輸出的患者st段異常信號。
19、m和n是卷積核的尺寸參數(shù)。
20、進一步，s4中，等電位線為心電圖上相對平穩(wěn)且無明顯波動的基線。
21、進一步，s4中，st段的具體形態(tài)包括弓背向上型、弓背向下型、水平型、上斜型和下斜型；st段的st段形態(tài)變化異常包括st段抬高、壓低、延長和縮短。
22、進一步，s3中，針對不同st段異常信號深度學習模塊發(fā)出對應的參考診斷信息如下：
23、st段抬高：弓背向上型抬高：高度懷疑急性心肌梗死；弓背向下型抬高：懷疑心包炎。
24、st段壓低：水平型壓低：懷疑心肌缺血；下斜型壓低：懷疑心肌缺血。
25、st段延長或縮短：懷疑心臟電生理活動的異常。
26、進一步，s3中，深度學習模塊對st段幅度變化設置有相應的異常閥值，異常閾值設定為st段抬高＞0.1mv和st段壓低≥0.05mv。
27、進一步，s5中，云計算平臺內(nèi)設有遠程交互模塊，遠程交互模塊用于醫(yī)生和患者根據(jù)患者情況進行遠程會診。
28、采用上述方案后實現(xiàn)了以下原理以及有益效果：
29、基本原理：使用利用綜合采集模塊，全面采集患者的心電圖、心率變異性和血壓三種關鍵生理指標，作為分析的初步數(shù)據(jù)。
30、通過綜合分析模塊，將患者的心電圖與健康人的心電圖數(shù)據(jù)進行比對，分析圖像數(shù)據(jù)差異，并結(jié)合心率變異性和血壓數(shù)據(jù)，綜合評估患者的心臟健康情況，預測潛在的心臟問題。
31、基于卷積神經(jīng)網(wǎng)絡算法，建立深度學習模塊；深度學習模塊實時分析心電圖，結(jié)合臨床信息，判斷st段的具體形態(tài)和幅度變化，從而判斷患者的心臟問題。
32、當患者心電圖st段幅度出現(xiàn)異常時，深度學習模塊也會對st段幅度異常進行捕捉分析，在捕捉到st段幅度異常后，深度學習模塊會進一步分析此異常特征，并結(jié)合其過往學習到的臨床知識和規(guī)則，來判斷患者可能存在的心臟問題。例如，如果st段抬高超過了設定的閾值0.1mv，深度學習模塊則會向醫(yī)生發(fā)出“高度懷疑急性心肌梗死”的參考診斷信息。同樣，如果st段壓低超過了另一個設定的閾值0.05mv，深度學習模塊則會向醫(yī)生發(fā)出“高度懷疑心肌缺血”的參考診斷信息。
33、此外，深度學習模塊還會考慮其他相關因素，如患者的年齡、性別、既往病史等，以進一步提高診斷的準確性。
34、在分析過程中，深度學習模塊還會根據(jù)醫(yī)生對參考診斷信息的確認情況，實時更新其心電圖分析對比的能力和參考診斷信息分析輸出的能力，從而進行深度學習，實現(xiàn)自我更新。
35、最終，醫(yī)生在分析患者心電圖時，能夠結(jié)合綜合分析模塊預測分析的患者可能潛在的心臟疾病進行初步判斷，再結(jié)合深度學習模塊提供的患者的實時心電圖st段異常數(shù)據(jù)與參考診斷信息，進行更加準確的判斷和分析，從而降低醫(yī)生的主觀性，從而減少誤診的風險。
36、在對患者診療過程中，醫(yī)生還可通過云計算平臺，上傳各類心電圖圖像和數(shù)據(jù)進行本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種心電圖分析方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的心電圖分析方法，其特征在于，S3中，卷積神經(jīng)網(wǎng)絡算法表示為以下公式：
3.根據(jù)權(quán)利要求2所述的心電圖分析方法，其特征在于，S4中，等電位線為心電圖上相對平穩(wěn)且無明顯波動的基線。
4.根據(jù)權(quán)利要求3所述的心電圖分析方法，其特征在于，S4中，ST段的具體形態(tài)包括弓背向上型、弓背向下型、水平型、上斜型和下斜型；ST段形態(tài)變化異常包括ST段抬高、壓低、延長和縮短。
5.根據(jù)權(quán)利要求4所述的心電圖分析方法，其特征在于，S3中，針對不同ST段異常信號，深度學習模塊發(fā)出對應的參考診斷信息如下：
6.根據(jù)權(quán)利要求5所述的心電圖分析方法，其特征在于，S3中，深度學習模塊對ST段幅度變化設置有相應的異常閥值，異常閾值設定為ST段抬高＞0.1mV和ST段壓低≥0.05mV。
7.根據(jù)權(quán)利要求6所述的心電圖分析方法，其特征在于，S5中，云計算平臺內(nèi)設有遠程交互模塊，遠程交互模塊用于醫(yī)生和患者根據(jù)患者情況進行遠程會診。
8.一種心電圖分析裝置，根據(jù)
9.根據(jù)權(quán)利要求8所述的心電圖分析裝置，其特征在于，監(jiān)測服(1)上固定連接有報警器(4)。
10.根據(jù)權(quán)利要求9所述的心電圖分析裝置，其特征在于，監(jiān)測服(1)上開若干通風口(5)。
...【技術(shù)特征摘要】
1.一種心電圖分析方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的心電圖分析方法，其特征在于，s3中，卷積神經(jīng)網(wǎng)絡算法表示為以下公式：
3.根據(jù)權(quán)利要求2所述的心電圖分析方法，其特征在于，s4中，等電位線為心電圖上相對平穩(wěn)且無明顯波動的基線。
4.根據(jù)權(quán)利要求3所述的心電圖分析方法，其特征在于，s4中，st段的具體形態(tài)包括弓背向上型、弓背向下型、水平型、上斜型和下斜型；st段形態(tài)變化異常包括st段抬高、壓低、延長和縮短。
5.根據(jù)權(quán)利要求4所述的心電圖分析方法，其特征在于，s3中，針對不同st段異常信號，深度學習模塊發(fā)出對應的參考診斷信息如下：
6.根據(jù)權(quán)利要求5所述的心電圖分析方法，其特征在于，s3中，深度學習模塊對st段幅度變化設置有相應的異常閥值，異常閾值設定為st...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：黃熹，嚴人，張余斌，鄭新權(quán)，
申請(專利權(quán))人：浙江大學醫(yī)學院附屬第一醫(yī)院浙江省第一醫(yī)院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。