[发明专利]基于散点图的心电图智能分析方法及系统

说明书

本发明公开了一种基于散点图的心电图智能分析方法及系统，所述方法包括训练阶段和检测阶段；训练阶段包括采集长时动态心电图的原始训练数据；绘制训练散点图；对训练散点图标注心率失常类型标签；训练得到卷积神经网络模型；检测阶段包括：采集长时动态心电图的原始检测数据；绘制检测散点图；将检测散点图输入至卷积神经网络模型，计算得到检测散点图的分类结果，即得到心电图的心律失常类型分析。本发明利用散点图分类的方法，可以有效提高动态心电的分析速度以及提高诊断的准确度，节省心电诊断医师的时间，减少误诊率。

技术领域

本发明涉及医疗人工智能技术领域，具体地指一种基于散点图的心电图智能分析方法及系统。

背景技术

心律失常是心血管疾病常见的临床表现形式，尤其是室性心动过速、心室颤动等恶性心律失常，不但可能加重原有心脏疾病，如加速心力衰竭还可诱发心源性猝死，严重威胁人类健康。

心电图是常见的用于观察人体心电活动的医疗检查手段，心电图机将心脏活动的电信号提取为数字信号，并用心电图的形式展现出来。随着人工智能领域特别是深度学习技术的发展，分析数字心电信号的技术越来越丰富和成熟。

针对心律失常的医疗人工智能研究，相比于静态心电图，动态心电图更有利用价值，因为心律的异常在短时间心电检查中不易体现，而更有可能在全天候的动态场景中暴露出来。而在长时间连续心电分析方面，现有的软件及仪器对医生的诊断水平要求高，但是中国优质的医疗资源相对不足；此外，长时程动态心电图监测部分时间需要多天，乃至长期监测，人工分析的难度和工作强度很大，误诊率也较高。

发明内容

针对现有技术中对于静态心电图的特征难以提取、判断识别率低的技术问题，本发明提出了一种基于散点图的心电图智能分析方法及系统，心电散点图(LorenzPlot)以整体的视角，对心电数据进行分析的非线性方法，应用于人工智能技术，大幅提高了诊断的速度及准确度。

为实现上述目的，本发明提出一种基于散点图的心电图智能分析方法，其特殊之处在于，所述方法包括训练阶段和检测阶段；所述训练阶段包括如下步骤：

A1)采集若干份长时动态心电图的原始训练数据，并过滤质量过低的信号段；

A2)根据每一份所述心电图的原始训练数据绘制训练散点图；

A3)对每一份所述训练散点图标注心率失常类型标签；

A4)将所有所述训练散点图和对应的心率失常类型标签作为卷积神经网络的输入，训练得到卷积神经网络模型；

所述检测阶段包括如下步骤：

B1)采集待检测的长时动态心电图的原始检测数据，并过滤质量过低的信号段；

B2)根据所述心电图的原始检测数据绘制检测散点图；

B3)将所述检测散点图输入至卷积神经网络模型，计算得到检测散点图的分类结果，即得到心电图的心律失常类型分析。

优选地，所述步骤A2)中绘制训练散点图和步骤B2)中绘制检测散点图的方法为：对心电图的原始训练数据标记所有的QRS波；取得的R波所处的位置，相邻两个R波之间的间隔即RR间期，如此便可得到一系列的RR间期序列，把每个QRS波的前周期的RR间期作为横坐标、后周期的RR间期作为纵坐标，绘制散点图。

优选地，所述步骤A3)中心率失常类型标签包括棒状点集类、格子状点集类和扇状点集类，所述棒状点集类的散点图形态为散点单一沿45°线分布，分布于600-1000ms间，呈棒状的点集图形；所述格子状点集类的散点图形态为从45°线开始，散点呈格子状分布的图形，所述扇状点集类的散点图形态为从45°线开始，散点对称地向两边展开呈扇形的图形。

优选地，所述步骤A3)中对棒状点集类的散点图进行标注的过程包括：