【技术实现步骤摘要】
本专利技术涉及心电图分析，具体涉及一种心电图分析方法和装置。
技术介绍
1、心电图反映了人体心脏健康状况，是临床诊断心血管类疾病的重要依据。随着心电图数量的快速增长，计算机辅助心电图分析的需求愈加迫切，心电图自动分类作为实现计算机辅助心电图分析不可或缺的技术手段，具有重要的医学价值。
2、现有技术中的心电图分析方法主要依赖于医生的经验进行解读，不仅耗时耗力，而且存在主观性过强和误诊的风险，导致现有技术中的心电图分析方法在实际临床应用效果欠佳。
3、综上所述，如何解决现有技术中心电图分析方法存在主观性过强和误诊的风险的问题已经成为目前本领域亟需解决的难题。因此，有必要提出一种能够对心电图进行自动化分析，同时为医生提供相应的分析参考，降低主观性和误诊的风险的心电图分析方法和装置。
技术实现思路
1、为解决上述问题，本专利技术提供一种心电图分析方法和装置，通过深度学习模块和综合分析模块的设计，对患者的心电图进行采集和自动分析，并根据分析结果，为医生提供相应的参考诊断信息，从而降低医生的主观性，大幅度减少误诊的风险。
2、为了实现上述目的，本专利技术的技术方案如下：一种心电图分析方法，包括如下步骤：
3、s1，综合信息的采集：通过综合采集模块对患者的临床信息、心电图、心率变异性和血压进行实时采集，得到患者的初步数据；临床信息包括患者年龄、性别、临床症状和过往病史。
4、综合采集模块用于采集患者的初步数据并将初步数据传输至综合分析模
5、s2，初步分析与预测：通过综合分析模块接收综合采集模块采集到的初步数据，综合分析模块内录入有正常的心电图图像；综合分析模块将正常的心电图图像与综合采集模块采集的患者的心电图图像进行比对，并分析患者的心电图图像存在的异常。
6、综合分析模块根据心电图图像差异对患者的心脏健康情况进行初步评估；并结合综合采集模块采集的患者心率变异性和血压，综合分析患者心脏问题与心率变异性和血压之间存在的关联性，以此为依据预测患者可能潜在的心脏问题。
7、s3,st段异常信号的记录与学习：基于卷积神经网络算法建立深度学习模块，深度学习模块将综合采集模块每次采集到的患者的心电图图像进行记录储存，并学习判断不同心电图中的st段异常信号；st段异常信号包括st段形态变化异常和st段幅度异常。
8、深度学习模块结合综合采集模块采集到的临床信息以及综合分析模块初步分析出的患者心脏可能潜在的问题，判断不同st段异常信号代表的患者心脏问题。
9、s4，st段异常信号的分析:深度学习模块根据患者心电图确定等电位线，根据等电位线实时判断st段形态变化和实时测量st段幅度的变化；深度学习模块根据分析出的不同st段的具体形态，判断患者可能出现的心脏问题，并向医生手机发出相应的参考诊断信息。
10、深度学习模块根据参考诊断信息的准确性实时进行自我更新；医生对参考诊断信息进行确认或修改，若参考诊断信息被医生修改，深度学习模块对修改内容进行学习，更新参考诊断信息。
11、s5,云计算平台的使用：基于大数据分析技术构建云计算平台，云计算平台用于接收用户输入的心电图数据，云计算平台将输入的心电图数据通过深度学习模块进行分析和存储；用户通过云计算平台输入st段异常信号和查询对应的心电图数据，大数据分析技术则根据相应的st段异常信号筛选出对应的心电图数据供用户参考使用，并为用户提供pdf版本的心电图图像和word版本的参考诊断信息。
12、进一步，卷积神经网络算法表示为以下公式：
13、yij＝∑m∑nx(i+m)(j+n)·wmn+b
14、其中：
15、yij表示输出的患者st段异常信号。
16、x是输入的患者心电图。
17、w是卷积核，用于在输入的患者心电图上进行滑动窗口操作。
18、b是偏置项，用于调整输出的患者st段异常信号。
19、m和n是卷积核的尺寸参数。
20、进一步，s4中，等电位线为心电图上相对平稳且无明显波动的基线。
21、进一步，s4中，st段的具体形态包括弓背向上型、弓背向下型、水平型、上斜型和下斜型；st段的st段形态变化异常包括st段抬高、压低、延长和缩短。
22、进一步，s3中，针对不同st段异常信号深度学习模块发出对应的参考诊断信息如下：
23、st段抬高：弓背向上型抬高：高度怀疑急性心肌梗死；弓背向下型抬高：怀疑心包炎。
24、st段压低：水平型压低：怀疑心肌缺血；下斜型压低：怀疑心肌缺血。
25、st段延长或缩短：怀疑心脏电生理活动的异常。
26、进一步，s3中，深度学习模块对st段幅度变化设置有相应的异常阀值，异常阈值设定为st段抬高＞0.1mv和st段压低≥0.05mv。
27、进一步，s5中，云计算平台内设有远程交互模块，远程交互模块用于医生和患者根据患者情况进行远程会诊。
28、采用上述方案后实现了以下原理以及有益效果：
29、基本原理：使用利用综合采集模块，全面采集患者的心电图、心率变异性和血压三种关键生理指标，作为分析的初步数据。
30、通过综合分析模块，将患者的心电图与健康人的心电图数据进行比对，分析图像数据差异，并结合心率变异性和血压数据，综合评估患者的心脏健康情况，预测潜在的心脏问题。
31、基于卷积神经网络算法，建立深度学习模块；深度学习模块实时分析心电图，结合临床信息，判断st段的具体形态和幅度变化，从而判断患者的心脏问题。
32、当患者心电图st段幅度出现异常时，深度学习模块也会对st段幅度异常进行捕捉分析，在捕捉到st段幅度异常后，深度学习模块会进一步分析此异常特征，并结合其过往学习到的临床知识和规则，来判断患者可能存在的心脏问题。例如，如果st段抬高超过了设定的阈值0.1mv，深度学习模块则会向医生发出“高度怀疑急性心肌梗死”的参考诊断信息。同样，如果st段压低超过了另一个设定的阈值0.05mv，深度学习模块则会向医生发出“高度怀疑心肌缺血”的参考诊断信息。
33、此外，深度学习模块还会考虑其他相关因素，如患者的年龄、性别、既往病史等，以进一步提高诊断的准确性。
34、在分析过程中，深度学习模块还会根据医生对参考诊断信息的确认情况，实时更新其心电图分析对比的能力和参考诊断信息分析输出的能力，从而进行深度学习，实现自我更新。
35、最终，医生在分析患者心电图时，能够结合综合分析模块预测分析的患者可能潜在的心脏疾病进行初步判断，再结合深度学习模块提供的患者的实时心电图st段异常数据与参考诊断信息，进行更加准确的判断和分析，从而降低医生的主观性，从而减少误诊的风险。
36、在对患者诊疗过程中，医生还可通过云计算平台，上传各类心电图图像和数据进行本文档来自技高网...
【技术保护点】
1.一种心电图分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的心电图分析方法，其特征在于，S3中，卷积神经网络算法表示为以下公式：
3.根据权利要求2所述的心电图分析方法，其特征在于，S4中，等电位线为心电图上相对平稳且无明显波动的基线。
4.根据权利要求3所述的心电图分析方法，其特征在于，S4中，ST段的具体形态包括弓背向上型、弓背向下型、水平型、上斜型和下斜型；ST段形态变化异常包括ST段抬高、压低、延长和缩短。
5.根据权利要求4所述的心电图分析方法，其特征在于，S3中，针对不同ST段异常信号，深度学习模块发出对应的参考诊断信息如下：
6.根据权利要求5所述的心电图分析方法，其特征在于，S3中，深度学习模块对ST段幅度变化设置有相应的异常阀值，异常阈值设定为ST段抬高＞0.1mV和ST段压低≥0.05mV。
7.根据权利要求6所述的心电图分析方法，其特征在于，S5中，云计算平台内设有远程交互模块，远程交互模块用于医生和患者根据患者情况进行远程会诊。
8.一种心电图分析装置，根据
9.根据权利要求8所述的心电图分析装置，其特征在于，监测服(1)上固定连接有报警器(4)。
10.根据权利要求9所述的心电图分析装置，其特征在于，监测服(1)上开若干通风口(5)。
...【技术特征摘要】
1.一种心电图分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的心电图分析方法，其特征在于，s3中，卷积神经网络算法表示为以下公式：
3.根据权利要求2所述的心电图分析方法，其特征在于，s4中，等电位线为心电图上相对平稳且无明显波动的基线。
4.根据权利要求3所述的心电图分析方法，其特征在于，s4中，st段的具体形态包括弓背向上型、弓背向下型、水平型、上斜型和下斜型；st段形态变化异常包括st段抬高、压低、延长和缩短。
5.根据权利要求4所述的心电图分析方法，其特征在于，s3中，针对不同st段异常信号，深度学习模块发出对应的参考诊断信息如下：
6.根据权利要求5所述的心电图分析方法，其特征在于，s3中，深度学习模块对st段幅度变化设置有相应的异常阀值，异常阈值设定为st...
【专利技术属性】
技术研发人员：黄熹，严人，张余斌，郑新权，
申请(专利权)人：浙江大学医学院附属第一医院浙江省第一医院，
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。