本發明涉及醫療健康和人工智能領域，特別涉及一種識別心電圖數據異常的方法及系統。

背景技術：

心電圖反映心臟興奮的電活動過程，它對心臟基本功能及其病理研究方面，具有重要的參考價值。動態心電圖是一種可以長時間連續記錄并編集分析人體心臟在活動和安靜狀態下心電圖變化的方法。與普通心電圖相比，動態心電圖于24小時內可連續記錄多達10萬次左右的心電信號，這樣可以提高對非持續性心律失常，尤其是對一過性心律失常及短暫的心肌缺血發作的檢出率，因此擴大了心電圖臨床運用的范圍。

現有的動態心電圖分析技術，主要有基于參數的識別方法和基于圖形的匹配算法兩類。

在實現本發明的過程中，發明人發現現有技術至少存在以下問題：

無論基于參數的識別方法還是基于圖形的匹配算法，都是人工總結心電圖規律提煉出來的方法，在提煉的過程中為了易于醫務工作者掌握使用，把本來復雜的心電圖特征做了大量的簡化處理，使很多有意義的信息被人為丟棄了，因此出現了敏感性(即發現的問題占所有問題的比例Sensitivity,SE)和特異性(即發現的問題是真實問題的比例Specificity，SP)不足的問題，一般只能做到SP>95％，同時SE>90～95％，存在大量漏判和誤判的情況。漏判會影響對患者病情的診斷，耽誤治療，而要想提高敏感性，降低漏判率，則會降低特異性，提高誤判率，給醫生呈現大量無效數據，占用醫生時間精力。

技術實現要素：

為了解決現有技術的問題，本發明提供了一種識別心電圖數據異常的方法及系統，利用機器學習技術提高心電圖監控設備識別異常情況的能力，本發明所適用的機器學習方法充分利用了大數據和神經網絡參數空間巨大、擬合精度高的優勢，能夠有效避免上述問題。

為了實現上述目的，本發明采用的技術方案如下：

一方面，提供了一種識別心電圖數據異常的方法，所述方法包括：

1)將采集到的心電圖數據標注為正常或異常狀態；

2)對標注后的心電圖數據進行訓練，并將訓練結果作為識別條件下發給心電圖儀；

3)心電圖儀利用接收到的識別條件對使用者的心電圖數據進行實時判斷，識別心電圖數據中的異常。

進一步地，步驟1)中，所述心電圖數據包括來自公開心電數據庫的數據以及心電圖儀實時采集的使用者的所有心電圖數據。

進一步地，步驟1)中利用現有識別方法及人工方法對心電圖數據進行標注。

進一步地，步驟2)中，通過人工神經網絡對標注后的心電圖數據進行訓練。

進一步地，步驟1)和2)是迭代進行的，步驟2)得到的識別條件用于對步驟1)中的現有識別方法進行優化。

進一步地，步驟3)還包括，在識別出心電圖數據中的異常的同時進行報警。

另一方面，提供了一種識別心電圖數據異常的系統，該系統包括：

動態心電圖儀，用于獲取心電圖數據并發送到服務器；接收服務器下發的識別條件，并根據接收的識別條件對即時獲取的心電圖數據進行實時判斷以識別出異常；

服務器接收心電圖數據樣本，所述心電圖數據樣本包括動態心電圖儀發送的心電圖數據，采用現有識別方法及人工方法為心電圖數據樣本添加標注后進行訓練，將訓練結果作為最新的識別條件下發到動態心電圖儀。

進一步地，所述動態心電圖儀包括：

心電圖獲取模塊，用于獲取心電圖數據；

聯網模塊，用于將獲取的心電圖數據發送到服務器，并從服務器接收識別條件；

識別模塊，內含一個人工神經網絡，用服務器下發的識別條件實時判斷心電圖數據以識別異常。

進一步地，所述動態心電圖儀還包括報警模塊，用于在識別模塊識別出異常時進行聲光報警。

進一步地，所述服務器包括：

聯網模塊，用于接收心電圖數據樣本，以及向動態心電圖儀下發識別條件；

數據標注模塊，用現有識別方法及人工方法將心電圖數據樣本標注為正常或異常狀態；

機器學習模塊，基于數據標注模塊標注的心電圖數據，對內嵌的人工神經網絡進行訓練，得到的訓練結果將被作為識別條件通過聯網模塊下發。

進一步地，所述心電圖數據樣本還包括來自公開心電數據庫的數據發送的心電圖數據。

進一步地，所述識別模塊內含的人工神經網絡與所述機器學習模塊中內嵌的人工神經網絡結構相同，神經元連接權重復制所述機器學習模塊的權重。

進一步地，所述服務器還包括數據存儲模塊，用于存儲接收的心電圖數據樣本，標注的心電圖數據和訓練得到的識別條件。

進一步地，在對內嵌的人工神經網絡進行訓練時，輸入數據包括：數據標注模塊標注的心電圖數據和使用者的個性化信息，所述個性化信息包括年齡、性別、身體健康程度。

進一步地，所述內嵌的人工神經網絡的層數不少于5層，神經元個數不少于20000個，可調整參數不少于1000萬個，具有遠大于現有心電圖診斷算法的參數空間。

進一步地，所述內嵌的人工神經網絡在訓練的初始化階段，使用來自公開心電數據庫的心電圖數據作為樣本進行訓練，隨著使用者增多，使用動態心電圖儀上傳的使用者的心電圖數據進行訓練。

本發明的有益效果如下：

本發明通過心電圖儀采集大量心電圖數據，結合人工標注和機器學習，能夠實現較既有方法更高的敏感性和特異性。其中，本發明中的動態心電圖儀，既是機器學習訓練所需數據的采集設備，又是識別設備，通過推廣使用，可以得到海量的數據；本發明通過機器學習得到的識別條件，來自于海量的數據，具有很強的適應性；使用人工神經網絡作為分類方法，對復雜函數的擬合能力遠遠大于簡單的if‐then式條件判斷。

附圖說明

圖1是本發明實施例中識別心電圖異常情況的系統的結構示意圖。

具體實施方式

下面將結合附圖對本發明做詳細說明，但并非用于限制本發明。

本發明中識別心電圖異常情況的系統，如圖1所示，主要包括動態心電圖儀和服務器，動態心電圖儀又包括心電圖獲取模塊，聯網模塊和識別(及報警)模塊，服務器又包括聯網模塊，數據標注模塊，機器學習模塊和數據存儲模塊。

其中：

心電圖獲取模塊可用于獲取已有心電圖數據作為訓練樣本，并即時獲取使用者的心電圖數據。

心電圖獲取模塊獲取用作訓練樣本的心電圖數據后，會通過聯網模塊發送給服務器，對應地，服務器亦通過聯網模塊接收動態心電圖儀發送的心電圖數據樣本。

接下來，數據標注模塊采用現有識別方法為心電圖數據添加標注，對于識別為正常的心電圖數據標注為“正常”，而識別為心動過速、心動過緩、心房纖顫、心房撲動、房性早搏、室性早搏等異常狀態的心電圖數據則添加相應的異常狀態類型作為標注，文中統稱為“異常”。同時，人工標注者會對該標注結果進行修正，以使標注結果盡可能準確。

基于該標注后的心電圖數據，機器學習模塊對內部人工神經網絡進行訓練，即將心電圖數據作為神經網絡的輸入、標注結果作為神經網絡的期待輸出，根據神經網絡實際輸出和期待輸出之間的誤差，采用反向傳播方法調整神經網絡中各神經元之間連接權重，使神經網絡的輸出接近期待輸出。

本發明中，心電圖數據的標注及訓練是一個迭代的過程，從而可以不斷地修正參數，優化識別條件。

最后，通過聯網模塊將機器學習模塊的訓練結果作為識別條件下發到動態心電圖儀，識別(及報警)模塊根據接收的識別條件對即時獲取的心電圖數據進行實時判斷以識別出異常情況。本發明所用的神經網絡是一個多分類的神經網絡，每種異常都會對應一個神經元，異常情況就是對應該“異常”的神經元輸出在所有神經元中是最高的，超過了代表“正常”的神經元。

為了能夠即時通知使用者及看護人員，在動態心電圖儀中還可安裝有報警模塊，在識別出異常情況時，會實時發出聲光報警，告知相關人員采取相應的措施。

實施例

利用本發明的方法識別心電圖異常情況的步驟如下：

1)服務器端利用公開心電數據庫，例如MIT-BIH心電數據庫，訓練人工神經網絡，得到初始識別條件，所用人工神經網絡的層數不少于5層，神經元個數不少于20000個，可調整參數不少于1000萬個，網絡各層間采用全連接結構，神經元激活函數使用sigmoid；

2)使用者佩戴動態心電圖儀，動態心電圖儀將獲得的心電圖數據發送到服務器端；

3)服務器端根據初始識別條件對上傳的心電圖數據進行標注，利用標注后的心電圖數據對人工神經網絡進行進一步訓練；

4)服務器將訓練結果作為新的識別條件下發到動態心電圖儀，對初始識別條件進行優化更新；

5)發展新的使用者，重復步驟2)‐4)的過程，此時步驟3)中將采用最新的識別條件對上傳的心電圖數據進行標注。

可以看到，使用者越多，系統能夠獲取的數據越多，效果就越好。因為機器學習效果好最重要的條件就是數據量大、數據質量高。目前公開的心電圖數據庫，例如MIT-BIH心電數據庫，一般每種異常的數據量少于100個，如果本發明使用者超過10萬個，將在數據量上大大超過已有數據庫，從而使檢測效果得到很大提高，預計SP>98％，SE>98％。