[發(fā)明專利]一種針對心電圖QRST波形的分析方法、設(shè)備、介質(zhì)和心電圖儀

有效

• 申請?zhí)枺?/td>: 202110184821.5
• 申請日: 2021-02-10
• 公開（公告）號(hào): CN112869753B
• 公開（公告）日: 2023-03-07
• 發(fā)明（設(shè)計(jì)）人: 陳康;曹青
• 申請（專利權(quán)）人: 上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院
• 主分類號(hào): A61B5/318
• 分類號(hào): A61B5/318;A61B5/349;A61B5/366;A61B5/358;A61B5/353;A61B5/355
• 代理公司: 上海華誠知識(shí)產(chǎn)權(quán)代理有限公司 31300
• 代理人: 徐穎聰

本申請涉及醫(yī)療人工智能領(lǐng)域，公開了一種針對心電圖QRST波形的分析方法、設(shè)備、介質(zhì)和心電圖儀。本申請的針對心電圖QRST波形的分析方法包括：接收多個(gè)導(dǎo)聯(lián)的心電圖信號(hào)；利用波群分割模型，將每個(gè)導(dǎo)聯(lián)的心電圖信號(hào)分割成多個(gè)波群，并標(biāo)注，得到第二心電圖信號(hào)；提取第二心電圖信號(hào)中的ST段，所述T波；利用分類模型，將提取的ST段和T波分成具體的類，分別得到ST段和T波的分類結(jié)果。本申請通過對心電圖信號(hào)的處理，實(shí)現(xiàn)精確的對導(dǎo)聯(lián)甚至是具體波群的分析，并且可以識(shí)別出常見的ST段異常和T波異常，提升了STT異常分析的精細(xì)度，具有更高的臨床價(jià)值。

技術(shù)領(lǐng)域

本申請涉及醫(yī)療人工智能領(lǐng)域，特別涉及一種針對心電圖QRST波形的分析方法、設(shè)備、介質(zhì)和心電圖儀。

背景技術(shù)

據(jù)權(quán)威調(diào)查顯示，心血管疾病已經(jīng)成為世界人口死亡的主要原因之一。每年死于心血管疾病的人數(shù)占死亡總?cè)藬?shù)的三分之一。心電圖機(jī)將心臟活動(dòng)的電信號(hào)提取為數(shù)字信號(hào)，并用心電圖的形式展現(xiàn)出來，是醫(yī)生進(jìn)行心臟檢查和診斷的一個(gè)重要的臨床手段，一般分為靜態(tài)心電圖，動(dòng)態(tài)心電圖和運(yùn)動(dòng)心電圖三種。

隨著人工智能領(lǐng)域特別是深度學(xué)習(xí)技術(shù)的發(fā)展，分析數(shù)字心電信號(hào)的技術(shù)越來越豐富和成熟。現(xiàn)有技術(shù)中通過深度學(xué)習(xí)的人工智能框架對心電信號(hào)進(jìn)行分析和預(yù)測，從而處理ST段異常和T波異常類別(以下統(tǒng)稱STT異常)，主要以全導(dǎo)聯(lián)信號(hào)分析為主。但存在以下不足：一方面，僅能分析整個(gè)心電圖是否包含STT異常，而無法對具體哪個(gè)導(dǎo)聯(lián)的異常進(jìn)行定位；另一方面，預(yù)測的STT異常類別過于單一，目前的算法多數(shù)是預(yù)測ST段和T波是否異常的簡單二分類，而很難有效去區(qū)分ST段異常和T波異常的細(xì)分類。因而，設(shè)計(jì)出貼進(jìn)臨床需求可對STT異常類別精確到導(dǎo)聯(lián)的心電圖智能分析方法及系統(tǒng)，有著重大的社會(huì)效益和經(jīng)濟(jì)效益。

發(fā)明內(nèi)容

本申請實(shí)施例提供了一種針對心電圖QRST波形的分析方法、設(shè)備、介質(zhì)和心電圖儀。

第一方面，本申請實(shí)施例提供了一種針對心電圖QRST波形的分析方法，所述方法包括：

接收多個(gè)導(dǎo)聯(lián)的心電圖信號(hào)；

對于每個(gè)導(dǎo)聯(lián)的心電圖信號(hào)，利用波群分割模型，將所述心電圖信號(hào)分割成多個(gè)波群，并且對所獲得的多個(gè)波群進(jìn)行標(biāo)注，得到第二心電圖信號(hào)，其中，所述多個(gè)波群包括分別對應(yīng)于正常信號(hào)、P波、QRS波、T波的波群；

提取所述第二心電圖信號(hào)中的ST段，所述T波；其中，所述ST段是指所述QRS波終了至所述T波開始之間的一段；

對于提取的所述ST段和所述T波，利用分類模型，將所述ST段和所述T波分成具體的類，分別得到所述ST段和所述T波的分類結(jié)果。

在上述第一方面的一種可能的實(shí)現(xiàn)中，對每個(gè)導(dǎo)聯(lián)心電圖信號(hào)，利用波群分割模型，進(jìn)行波群分割，包括：通過一個(gè)或多個(gè)第一一維卷積層，擴(kuò)展所述心電圖信號(hào)通道，得到初始特征圖；對于所述初始特征圖，利用多個(gè)多尺度卷積核模塊，學(xué)習(xí)所述心電圖信號(hào)的用以表征語義的高維特征，輸出第一分支特征圖；將所述初始特征圖通過一個(gè)或多個(gè)第二一維卷積層，學(xué)習(xí)所述心電圖信號(hào)的細(xì)節(jié)特征，輸出第二分支特征圖；將所述第一分支特征圖和所述第二分支特征圖輸入多特征融合模塊，進(jìn)行特征融合，輸出多特征融合特征圖；將所述多特征融合特征圖輸入第三一維卷積層，得到分類特征圖，以及所述正常信號(hào)，所述P波，所述QRS波，所述T波在所述每個(gè)導(dǎo)聯(lián)中的位置。

在上述第一方面的一種可能的實(shí)現(xiàn)中，對于所述初始特征圖，利用多個(gè)多尺度卷積核模塊，學(xué)習(xí)所述心電圖信號(hào)的用以表征語義的高維特征，輸出第一分支特征圖，包括：特征通道隨著所述多個(gè)多尺度卷積核模塊中卷積層深度的增加而增加，并將多個(gè)尺度的卷積核所表征的特征進(jìn)行融合合并。