[發明專利]一種針對心電圖QRST波形的分析方法、設備、介質和心電圖儀

有效

• 申請號: 202110184821.5
• 申請日: 2021-02-10
• 公開（公告）號: CN112869753B
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 陳康;曹青
• 申請（專利權）人: 上海交通大學醫學院附屬瑞金醫院
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/349;A61B5/366;A61B5/358;A61B5/353;A61B5/355
• 代理公司: 上海華誠知識產權代理有限公司 31300
• 代理人: 徐穎聰

本申請涉及醫療人工智能領域，公開了一種針對心電圖QRST波形的分析方法、設備、介質和心電圖儀。本申請的針對心電圖QRST波形的分析方法包括：接收多個導聯的心電圖信號；利用波群分割模型，將每個導聯的心電圖信號分割成多個波群，并標注，得到第二心電圖信號；提取第二心電圖信號中的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波的分類結果。本申請通過對心電圖信號的處理，實現精確的對導聯甚至是具體波群的分析，并且可以識別出常見的ST段異常和T波異常，提升了STT異常分析的精細度，具有更高的臨床價值。

技術領域

本申請涉及醫療人工智能領域，特別涉及一種針對心電圖QRST波形的分析方法、設備、介質和心電圖儀。

背景技術

據權威調查顯示，心血管疾病已經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占死亡總人數的三分之一。心電圖機將心臟活動的電信號提取為數字信號，并用心電圖的形式展現出來，是醫生進行心臟檢查和診斷的一個重要的臨床手段，一般分為靜態心電圖，動態心電圖和運動心電圖三種。

隨著人工智能領域特別是深度學習技術的發展，分析數字心電信號的技術越來越豐富和成熟?，F有技術中通過深度學習的人工智能框架對心電信號進行分析和預測，從而處理ST段異常和T波異常類別(以下統稱STT異常)，主要以全導聯信號分析為主。但存在以下不足：一方面，僅能分析整個心電圖是否包含STT異常，而無法對具體哪個導聯的異常進行定位；另一方面，預測的STT異常類別過于單一，目前的算法多數是預測ST段和T波是否異常的簡單二分類，而很難有效去區分ST段異常和T波異常的細分類。因而，設計出貼進臨床需求可對STT異常類別精確到導聯的心電圖智能分析方法及系統，有著重大的社會效益和經濟效益。

發明內容

本申請實施例提供了一種針對心電圖QRST波形的分析方法、設備、介質和心電圖儀。

第一方面，本申請實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：

接收多個導聯的心電圖信號；

對于每個導聯的心電圖信號，利用波群分割模型，將所述心電圖信號分割成多個波群，并且對所獲得的多個波群進行標注，得到第二心電圖信號，其中，所述多個波群包括分別對應于正常信號、P波、QRS波、T波的波群；

提取所述第二心電圖信號中的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波的分類結果。

在上述第一方面的一種可能的實現中，對每個導聯心電圖信號，利用波群分割模型，進行波群分割，包括：通過一個或多個第一一維卷積層，擴展所述心電圖信號通道，得到初始特征圖；對于所述初始特征圖，利用多個多尺度卷積核模塊，學習所述心電圖信號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或多個第二一維卷積層，學習所述心電圖信號的細節特征，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，所述P波，所述QRS波，所述T波在所述每個導聯中的位置。

在上述第一方面的一種可能的實現中，對于所述初始特征圖，利用多個多尺度卷積核模塊，學習所述心電圖信號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多尺度卷積核模塊中卷積層深度的增加而增加，并將多個尺度的卷積核所表征的特征進行融合合并。