【技术实现步骤摘要】
本专利技术属于医学诊断方法，尤其涉及一种基于深度学习的心电图图像信息处理的分析方法及其系统。
技术介绍
1、应用人工智能的心电图图像识别方面，目前已经取得了显著的进展，并在实际应用中展现出广阔的前景，比如新一代心电图仪结合了人工智能、云计算等技术，大幅提升了诊断准确性和数据处理能力，这些算法能够自动提取心电图中的特征，进行分类和识别，实现对心律失常、心肌缺血等心脏疾病的自动诊断，同时，人工智能心电图模型还应用于其他方面，如心力衰竭的风险预测、识别可能需要植入起搏器的患者等。心电图(ecg)是一种非侵入性、无创性的生物医学测量技术，能够实时、动态地记录和分析心脏的功能状态。心电图图像作为一种重要的临床数据来源，对于疾病的诊断、治疗监测和管理具有重要意义。然而，心电图图像的质量受到多种因素的影响，如生理运动、电极移位、基线漂移等，导致心电图图像存在较大的噪声和伪迹。因此，如何有效地去除心电图图像中的噪声和伪迹，提高其质量和可靠性，是心电图图像处理领域的一个关键问题。
2、如2021年02月12日公开的专利文献：cn112353402a，公开了心电信号分类模型的训练方法、心电信号分类方法及装置，该方法通过构建训练样本集，和对待训练心电信号分类模型的神经网络获取心电信号样本的特征向量等，来得到训练后的分类模型。但是这样，就存在一些不足，如需要大量的标注数据进行训练，但对获取高质量、标注准确的心电图数据较困难且耗时，同时，由于不同医疗机构和设备的心电图采集标准可能存在差异，这就造成数据的质量和一致性问题，那么就要求心电图图像预
技术实现思路
1、本专利技术解决现有心电图图像信息处理方法存在的需要大量标注数据进行训练，但是获取高质量、标注准确的心电图数据较困难且耗时，且无法保证数据的质量和一致性问题，同时本专利技术还有效地去除了心电图图像中的噪声和伪迹，提高其质量和可靠性。
2、为实现上述目的，本专利技术提供了如下方案：
3、本专利技术提供一种基于深度学习的心电图像信息处理分析方法，所述方法为：
4、s1、将原始心电图图像进行处理；
5、s2、根据处理后的心电图图像建立基于深度学习的心电图像分析模型；
6、s3、采用领域适应技术对心电图像分析模型进行领域适应；
7、s4、将领域适应后的心电图像分析模型进行模型集成，并采用投票机制训练所述模型集成；
8、s5、采集其他心血管数据，并采用多模态融合技术将其他心血管数据进行融合；
9、s6、采用融合的数据再次训练集成后模型，并采用人工干预机制，将干预结果作为反馈，再次优化模型；
10、s7、对优化后模型的分析结果进行持续监控，根据监控结果确定模型的准确率，根据准确率更新模型。
11、进一步，还有一种优选实施例，上述步骤s1具体为：
12、s11、对原始心电图图像进行预处理，包括去噪和滤波；
13、s12、将预处理后的心电图像进行标准化处理，包括统一图像的尺寸、分辨率和色彩空间。
14、进一步，还有一种优选实施例，上述步骤s3中通过无监督学习、半监督学习或对抗性训练实现领域适应技术。
15、进一步，还有一种优选实施例，上述步骤s4具体为：
16、s41、提取处理后的心电图图像中的qrs波和st段并进行格式转化；
17、s42、采用转化后的qrs波和st段训练卷积神经网络，不断调整卷积神经网络的参数，使得卷积神经网络具有从心电图图像中提取有效特征，并根据特征对心电图进行分类的功能；
18、s43、将卷积神经网络的输出层设置为多个神经元，且每个神经元对应一个类别。
19、进一步，还有一种优选实施例，上述st段是从qrs波终点到t波起始前的一段水平线。
20、进一步，还有一种优选实施例，上述步骤s41具体为：
21、将心电图图像中的信号按照时间顺序排列成矩阵形式，将所述矩阵作为卷积神经网络的输入，在这个过程中，每个qrs波和st段均被转换为一个单独的图像作为卷积神经网络的训练样本。
22、进一步，还有一种优选实施例，上述步骤s5具体为：
23、s51、提取其他心血管数据中的有效特征；
24、s52、将不同的特征均转化为高维特征表达；
25、s53、将不同模态的特征进行融合。
26、本专利技术所述的一种基于深度学习的心电图像信息处理分析方法可以全部采用计算机软件实现，因此，对应的，本专利技术还提供一种基于深度学习的心电图像信息处理分析系统，所述系统包括：
27、用于将原始心电图图像进行处理的存储装置；
28、用于根据处理后的心电图图像建立基于深度学习的心电图像分析模型的存储装置；
29、用于采用领域适应技术对心电图像分析模型进行领域适应的存储装置；
30、用于将领域适应后的心电图像分析模型进行模型集成，并采用投票机制训练所述模型集成的存储装置；
31、用于采集其他心血管数据，并采用多模态融合技术将其他心血管数据进行融合的存储装置；
32、用于采用融合的数据再次训练集成后模型，并采用人工干预机制，将干预结果作为反馈，再次优化模型的存储装置；
33、用于对优化后模型的分析结果进行持续监控，根据监控结果确定模型的准确率，根据准确率更新模型的存储装置。
34、本专利技术还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任意一项所述的基于深度学习的心电图像信息处理分析方法。
35、本专利技术还提供一种计算机设备，该设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述任意一项所述的基于深度学习的心电图像信息处理分析方法。
36、本专利技术的有益效果为：
37、1、本专利技术提供的一种基于深度学习的心电图像信息处理分析方法，通过采用滤波、边界检测和融合等方法，可以有效地去除心电图图像中的噪声和伪迹，提高其质量和可靠性，从而为疾病诊断提供更加准确、可靠的数据支持；综合应用数据预处理与标准化、迁移学习与领域适应、模型集成与投票机制、人工干预与反馈循环以及持续监控与更新等方案，可以有效地解决对不同来源、不同质量的心电图图像进行分析处理时遇到的图像不一致与不稳定的问题。
38、本专利技术适用于医学诊断中的心电图图像信息处理。
本文档来自技高网...【技术保护点】
1.基于深度学习的心电图像信息处理分析方法，其特征在于，所述方法为：
2.根据权利要求1所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述步骤S1具体为：
3.根据权利要求1所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述步骤S3中通过无监督学习、半监督学习或对抗性训练实现领域适应技术。
4.根据权利要求1所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述步骤S4具体为：
5.根据权利要求4所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述ST段是从QRS波终点到T波起始前的一段水平线。
6.根据权利要求5所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述步骤S41具体为：
7.根据权利要求1所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述步骤S5具体为：
8.基于深度学习的心电图像信息处理分析系统，其特征在于，所述系统包括：
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计
10.一种计算机设备，其特征在于，该设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行权利要求1-7任意一项所述的基于深度学习的心电图像信息处理分析方法。
...【技术特征摘要】
1.基于深度学习的心电图像信息处理分析方法，其特征在于，所述方法为：
2.根据权利要求1所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述步骤s1具体为：
3.根据权利要求1所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述步骤s3中通过无监督学习、半监督学习或对抗性训练实现领域适应技术。
4.根据权利要求1所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述步骤s4具体为：
5.根据权利要求4所述的基于深度学习的心电图像信息处理分析方法，其特征在于，所述st段是从qrs波终点到t波起始前的一段水平线。
6.根据权利要求5所述的基于深度学习的心电图像信息处理分...
【专利技术属性】
技术研发人员：石铭宇，
申请(专利权)人：哈尔滨医科大学附属第一医院，
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。