心电图波形评估方法、装置、系统、电子设备及程序产品与流程

摘要: 本发明涉及医疗、健康或运动领域,特别是涉及心电图波形评估方法、装置、系统、电子设备及程序产品。背景技术:1、心脏疾病是影响全球人口健康的主要威胁之一。心电图(e...
心电图波形评估方法、装置、系统、电子设备及程序产品与流程

本发明涉及医疗、健康或运动领域,特别是涉及心电图波形评估方法、装置、系统、电子设备及程序产品。

背景技术:

1、心脏疾病是影响全球人口健康的主要威胁之一。心电图(ecg)作为诊断心脏疾病的重要工具,通过记录心脏电活动可以反映心脏功能状态,为临床诊断提供关键信息。

2、传统上,医生或专业技术人员通过观察心电图的波形来评估心脏健康状况,这种方法需要医生具备丰富的专业知识和临床经验。因此,传统心电图分析方法主要依赖医生的主观判读,不同医生对同一心电图的解读可能存在差异,缺乏统一的量化标准,导致诊断结果难以客观比较。

3、随着计算机技术的发展,各种信号处理方法被应用于心电图分析,包括滤波、去噪、波形检测和特征提取等,常用技术包括傅里叶变换、小波变换和谱分析等。然而,现有技术普遍存在分析精度不足、直观性差的问题,在临床应用中受到限制。特别是在处理复杂波形变化时,现有技术难以精确识别和量化关键成分的特征,无法有效捕捉心肌梗死、房颤、室性早搏等疾病的典型心电图表现。

4、同时,现有技术在存在噪声干扰、基线漂移或心律不齐等情况下,难以实现高效、准确、自动化的心电图信号分析。

5、由于上述局限性,心电图的自动分析与客观量化评估仍然是相关领域面临的技术挑战。

6、本背景技术描述的内容仅为了便于了解本领域的相关技术,不视作对现有技术的承认。

技术实现思路

1、本发明实施例旨在提供至少部分地缓解或解决上述技术问题的心电图波形评估方案。

2、在第一方面,本发明实施例提供一种心电图波形评估方法,其可包括:

3、通过目标识别模型识别心电图波形图像中的多个心动周期的各波形成分,生成对应所述多个心动周期的各波形成分的边界框;

4、根据所述各波形成分的边界框,获取所述各波形成分的特征点;

5、根据所述各波形成分的特征点,确定所述各波形成分的波形特征;

6、以及基于所述各波形成分的波形特征,生成心电图波形评估结果,所述评估结果反映所述心电图对应的心脏功能状态。

7、在一些实施例中,所述心电图波形评估方法还包括:

8、将时间序列表示的心电图数据转换为所述心电图波形图像。

9、在一些实施例中,所述心动周期的各波形成分包括p波、qrs波群、st段、t波和u波中的一种或多种;

10、其中,所述各波形成分的特征点包括:p波的起点、峰值点和终点;qrs波的q波起点和谷点、r波峰值点、s波谷点和终点;st段的起点和终点;t波的起点、峰值点和终点;以及u波的起点、峰值点和终点中的部分或全部特征点。

11、在一些实施例中,所述根据所述各波形成分的边界框,获取所述各波形成分的特征点,包括:

12、根据所述各波形成分的边界框与心电图波形的交点,确定对应波形成分的特征点坐标。

13、在一些实施例中,所述波形特征包括时间特征、幅值特征、形态特征和完整性特征中的至少一种。

14、在一些实施例中,所述根据所述各波形成分的特征点,确定所述各波形成分的波形特征,包括:确定各波形成分的时间特征,所述时间特征包括p波时限、pq间期、qrs波群时限、qt间期、rr间期、心率和校正qt间期qtc中的一种或多种,具体包括:

15、根据p波起点和p波终点之间的时间差值确定p波时限;

16、根据p波起点和q波起点之间的时间差值确定pq间期;

17、根据q波起点和s波终点之间的时间差值确定qrs波群时限;

18、根据q波起点和t波终点之间的时间差值确定qt间期;

19、根据相邻两个r波峰值点之间的时间差值确定rr间期;

20、根据所述rr间期,由预设的心率计算公式确定心率;和/或

21、根据所述qt间期和所述rr间期,由预设的校正公式确定校正qt间期qtc。

22、在一些实施例中,所述根据所述各波形成分的特征点,确定所述各波形成分的波形特征,包括:

23、根据各心动周期的p波、qrs波群和t波的边界框或者p波、qrs波群和t波的特征点的存在情况,确定各心动周期的完整性状态。

24、在一些实施例中,所述根据各心动周期的p波、qrs波群和t波的特征点的存在情况,确定各心动周期的完整性状态,包括:

25、判断心电图波形图像中的各心动周期的p波、qrs波群和t波的特征点坐标序列是否存在缺失;

26、当不存在缺失时,确定对应的心动周期为完整节律;

27、当存在缺失时,根据缺失的特征点坐标确定对应的心动周期缺失的波形成分。

28、在一些实施例中,所述形态特征包括心电图波形的st段的倾斜状态特征;

29、其中,所述根据所述各波形成分的特征点,确定所述各波形成分的波形特征,包括:

30、获取s波终点和t波起点的时间和幅度值;

31、计算s波终点和t波起点之间的连线斜率;以及

32、根据所述连线斜率判断st段形态,其中,当斜率为零时,确定st段为平直;当斜率为正值时,确定st段向上倾斜;当斜率为负值时,确定st段向下倾斜。

33、在一些实施例中,所述形态特征包括心电图波形的t波的方向特征;

34、其中,所述根据所述各波形成分的特征点,确定所述各波形成分的波形特征,包括:

35、获取t波起点、峰值点和终点的幅度值;

36、比较所述峰值点幅度与起点和终点幅度的大小关系;以及

37、根据所述大小关系确定t波形态,其中,当峰值点幅度大于起点和终点幅度时,确定为正置t波;当峰值点幅度小于起点和终点幅度时,确定为倒置t波。

38、在一些实施例中,所述基于所述各波形成分的波形特征,生成心电图波形评估结果,包括:

39、将所述波形特征转化为包含标准医学术语的第一结构化文本描述;

40、将所述第一结构化文本描述通过预设接口格式输入人工智能文本分析系统;以及

41、通过所述人工智能文本分析系统分析所述第一结构化文本描述,输出所述心电图波形评估结果。

42、在一些实施例中,所述基于所述各波形成分的波形特征,生成心电图波形评估结果,包括:

43、将所述波形特征转化为包含标准医学术语的第一结构化文本描述;

44、获取用户问诊信息并将其转化为第二结构化文本描述;

45、将第一结构化文本描述与所述第二结构化文本描述通过预设接口格式共同输入人工智能文本分析系统。

46、通过所述人工智能文本分析系统分析所述第一结构化文本描述和所述第二结构化文本,输出所述心电图波形评估结果。

47、在一些实施例中,所述的心电图波形评估方法,还包括:训练所述目标识别模型,具体包括:

48、获取多个心电图训练样本;

49、对所述心电图训练样本进行预处理得到预处理训练样本,包括将时间序列心电图数据转换为心电图波形图像;

50、对所述预处理训练样本的心电图波形图像中的各波形成分进行标注,生成训练数据集,其中,所述标注包括标注p波、qrs波群、st段、t波和u波的位置区域;

51、将所述训练数据集输入目标识别模型进行训练,通过反向传播算法优化模型参数,直至达到预设条件。在第二方面,本发明实施例提供一种心电图波形评估装置,其可包括:包括:

52、识别单元,配置成通过目标识别模型识别心电图波形图像中的多个心动周期的各波形成分,生成对应所述多个心动周期的各波形成分的边界框;

53、获取单元,配置成根据所述各波形成分的边界框,获取各波形成分的特征点;

54、确定单元,配置成根据所述各波形成分的特征点,确定各波形成分的波形特征;以及

55、评估单元,配置成基于所述各波形成分的波形特征,生成心电图波形评估结果,所述评估结果反映所述心电图对应的心脏功能状态。

56、在第三方面,本发明实施例提供一种心电图波形评估系统,其特征在于,包括:用户端、ai特征提取模型和ai分析模型,所述用户端配置成与所述ai特征提取模型和ai分析模型进行数据交互,并呈现评估结果;

57、其中,所述用户端包括心电图获取模块,所述心电图获取模块配置成获取心电图数据;

58、其中,所述ai特征提取模型配置成根据所述心电图数据生成心电图波形图像,识别心电图波形图像中的多个心动周期的各波形成分,生成对应的边界框,从所述边界框中提取各波形成分的特征点,确定各波形成分的波形特征,并将所述波形特征转化为第一结构化文本描述;

59、其中,所述ai分析模型配置成接收第一结构化文本描述,并对其进行分析处理,生成反映心电图对应的心脏功能状态的评估结果,并将所述评估结果返回所述用户端。

60、在一些实施例中,所述用户端还包括问诊模块,配置成接收用户问诊信息并将其转化为第二结构化文本描述;

61、其中,所述ai分析模型配置成接收第一结构化文本描述和所述第二结构化文本描述,并对其进行分析处理,生成反映心电图对应的心脏功能状态的评估结果,并将所述评估结果返回所述用户端。

62、在第四方面,本发明实施例提供一种电子设备,包括:处理器和存储有计算机程序的存储器,所述处理器被配置为在执行所述计算机程序时实现如第一方面所述的方法。

63、在第五方面,本发明实施例提供一种程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现如第一方面所述的方法。

64、在第六方面,本发明实施例提供一种存储介质,存储有计算机程序,其中,所述计算机程序被处理器执行时实现如第一方面所述的方法。

65、本发明实施例提供的心电图波形评估方法,通过目标识别模型识别心电图波形图像中的多个心动周期的各波形成分,生成对应各波形成分的边界框,根据边界框获取各波形成分的特征点,确定各波形成分的波形特征,并基于波形特征生成心电图波形评估结果。本发明实施例针对传统心电图分析主观性强、缺乏统一量化标准的技术问题,提供了一种客观精确的心电图波形评估方案。具体地,本发明实施例通过目标识别模型识别心电图波形图像中的多个心动周期的各波形成分并生成边界框,实现了心电图波形的精确分割;又基于边界框获取的特征点,可以客观确定各波形成分的时间和形态特征,建立了标准化的波形特征量化体系,解决了传统心电图分析主观性强、缺乏统一标准的问题。

66、进一步地,该心电图波形评估方法通过目标识别模型对心电图波形图像中的p波、qrs波群、st段、t波和u波等各波形成分进行精确识别和分割,基于各波形成分的边界框与心电图波形的交点,确定对应波形成分的特征点坐标,从而精确计算包括p波时限、pq间期、qrs波群时限、qt间期、rr间期、心率和校正qt间期等的时间特征,以及st段倾斜状态和t波方向特征等形态特征,以及判断心动周期的完整性状态。

67、进一步地,该心电图波形评估方法还包括将获取的波形特征转换为包含标准医学术语的结构化文本描述,通过人工智能文本分析系统进行综合分析,,输出心脏功能状态评估结果,为心脏功能状态评估提供客观依据。该方法还可结合用户问诊信息,通过人工智能文本分析系统提供更加全面和个性化的心脏功能评估,进一步提高诊断的准确性和针对性。在此,本发明实施例提供的心电图波形评估方案,不仅实现了心电图分析的高度自动化,还可结合用户问诊信息提供个性化的诊断建议,大幅提高了心电图分析的效率和准确性。

68、本发明实施例的其他可选特征和技术效果一部分在下文描述,一部分可通过阅读本文而明白。