[发明专利]基于单导联心电图的健康筛查方法、系统及医疗设备在审
申请号: | 201910454467.6 | 申请日: | 2019-05-28 |
公开(公告)号: | CN110236522A | 公开(公告)日: | 2019-09-17 |
发明(设计)人: | 李秋平;王新安;赵天夏;丘常沛;彭晨;吴晓春;马洁茹;张思旭;席俊辉;何春舅 | 申请(专利权)人: | 北京大学深圳研究生院 |
主分类号: | A61B5/0402 | 分类号: | A61B5/0402;A61B5/0452 |
代理公司: | 深圳市华优知识产权代理事务所(普通合伙) 44319 | 代理人: | 余薇 |
地址: | 518000 广东省深圳*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 导联心电图 筛查 健康检测 特征匹配 特征数据 医疗设备 健康 采集 心电监测设备 结果生成 实时监测 提醒用户 医疗系统 潜在的 分析 诊断 监测 治疗 检查 发现 | ||
1.一种基于单导联心电图的健康筛查方法,其特征在于,包括:
采集用户的单导联心电图;
分析采集的单导联心电图中心电信号pRRx序列的特征数据;
将分析的pRRx序列的特征数据与预先训练的健康检测模型进行特征匹配;以及
根据特征匹配的结果生成用户的健康检测数据。
2.根据权利要求1所述的基于单导联心电图的健康筛查方法,其特征在于,还包括训练健康检测模型,其进一步包括:
采集不同用户不同时间的生理参数以及对应的单导联心电图;
分析采集的单导联心电图中心电信号pRRx序列的特征数据;
通过训练模型算法对采集的生理参数以及对应分析的pRRx序列的特征数据进行机器学习和训练,以生成pRRx序列的特征数据和生理参数对应关系的模型函数;以及
基于生成的模型函数和采集的生理参数数据生成健康检测模型。
3.根据权利要求1或2所述的基于单导联心电图的健康数据检测方法,其特征在于,在所述根据特征匹配的结果生成用户的健康检测数据之后,还包括:
获取用户在多个时间的健康监测数据;
分析获取的多个时间的健康监测数据以获取用户的健康趋势数据;以及
根据获取的健康监测数据和健康趋势数据获取用户的健康检测报告。
4.根据权利要求1或2所述的基于单导联心电图的健康数据检测方法,其特征在于,所述pRRx序列的特征数据为线性特征和熵值非线性特征、分形维数非线性特征中的一种或组合,其中所述线性特征为pRRx序列的平均值、标准差、相邻序列差值的均方根、相邻序列差值的标准差中的一种或组合,所述分形维数非线性特征为pRRx序列直方分布信息熵、pRRx序列功率谱直方分布信息熵和pRRx序列功率谱全频段分布信息熵中的一种或组合,所述分形维数非线性特征为结构函数法计算所得的分形维数、相关函数法计算所得的分形维数、变差法计算所得的分形维数和均方根法计算所得的分形维数中的一种或组合。
5.根据权利要求1所述的基于单导联心电图的健康筛查方法,其特征在于,所述分析采集的单导联心电图中心电信号pRRx序列的特征数据,包括:
计算采集的单导联心电图中心电信号相邻pRRx序列之差大于阈值x毫秒的数量与全部相邻pRRx序列的数量的比值;以及
通过设置值不同的阈值x对应获取每一阈值x对应的比值而形成pRRx序列。
6.一种基于单导联心电图的健康筛查系统,其特征在于,包括:
心电图采集装置,用于采集用户的单导联心电图;
特征分析装置,用于分析所述心电图采集装置采集的单导联心电图中心电信号pRRx序列的特征数据;
特征匹配装置,用于将所述特征分析装置分析的pRRx序列的特征数据与健康检测训练模型装置预先训练的健康检测模型进行特征匹配;以及
检测数据生成装置,用于根据所述特征匹配装置特征匹配的结果生成用户的健康检测数据。
7.根据权利要求6所述的基于单导联心电图的健康筛查系统,其特征在于,还包括健康检测训练模型装置,其进一步包括:
数据采集单元,用于采集不同用户不同时间的生理参数以及对应的单导联心电图;
数据分析单元,用于分析所述数据采集单元采集的单导联心电图中心电信号pRRx序列的特征数据;
模型函数训练单元,用于通过训练模型算法对所述数据采集单元采集的生理参数以及所述数据分析单元对应分析的pRRx序列的特征数据进行机器学习和训练,以生成pRRx序列的特征数据和生理参数对应关系的模型函数;以及
健康检测模型生成单元,用于基于所述模型函数训练单元生成的模型函数和所述数据采集单元采集的生理参数数据生成健康检测模型。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京大学深圳研究生院,未经北京大学深圳研究生院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910454467.6/1.html,转载请声明来源钻瓜专利网。