一種基于大數據實現異常心電模板的多態重構及優化方法
【專利摘要】一種基于大數據實現異常心電模板的多態重構及優化方法，其特征在于所述的多態重構及優化方法是：首先，根據標準心電波形的分解參數，建立具有二維特性的參數模板數據，并確立由多個細節點組成的心電波形模板；其次，利用已有的、并且已經編輯過的動態心電監護儀的大數據，進行比對前的預處理，即進行波形分節，然后與心電波形模板進行逐一波形比對；再次，在比對算法上使用誤識率（FRR）、拒認率（FAR）、取值范圍：0～1的相似度（TH）這三個關鍵量來統計與評估最終匹配的成功率，并作出多態重構或重新進行模板數據量的優化。
【專利說明】—種基于大數據實現異常心電模板的多態重構及優化方法
【技術領域】
[0001]本發明涉及的是一種基于大數據實現異常心電模板的多態重構及自動優化方法，主要是運用動態心電監護儀生成的大數據來動態構建、優化異常心電數據模板多種形態的方法，屬于動態心電監測【技術領域】。
【背景技術】
[0002]目前，醫療上的動態心電監測中，基于異常心電圖的識別往往是通過專業醫生進行人工評估的，它不但效率低而且人工勞動量大，雖然某些醫用專用心電軟件或設備也能夠實現動態預識別，但誤識率和拒認率較高，其原因是大多數心電識別算法是基于常規標準的異常心電數據模板，對于不同的人個體差異較大，比如老人、兒童、年輕人、中年人等個體差異，異常心電的表現形態會有所不同。因此對于動態心電監測，人體的每一個動作則會呈現更加明顯的差異性，在這種情況下，顯然標準心電模板是不能夠符合動態心電監測的實際需要。
【發明內容】
[0003]本發明的目的在 于克服現有技術存在的不足，而提供一種主要是運用動態心電監護儀生成的大數據來動態構建、優化異常心電數據模板多種形態的基于大數據實現異常心電模板的多態重構及優化方法。
[0004]本發明的目的是通過如下技術方案來完成的，所述的基于大數據實現異常心電模板的多態重構及優化方法，它包括如下步驟:
[0005]首先，根據標準心電波形的分解參數，建立具有二維特性的參數模板數據，并確立由多個細節點組成的心電波形模板；
[0006]其次，利用已有的、并且已經編輯過的動態心電監護儀的大數據，進行比對前的預處理，即進行波形分節，然后與心電波形模板進行逐一波形比對；
[0007]再次，在比對算法上使用誤識率(FRR)、拒認率(FAR)、取值范圍:0~I的相似度(TH)這三個關鍵量來統計與評估最終匹配的成功率，并作出多態重構或重新進行模板數據量的優化。
[0008]所述已確立的心電波形模板包括'2種心電軸、2種PR間隔、2種QTc間隔、3種R波、3種S波、5種P波、5種T波、12種Q波、36種ST波、30種ST-T聯合。
[0009]所述心電波形模板與任意心電波形數據之間的比對，將按誤識率、拒認率、相似度這三個關鍵量的預設三組閾值進行三次計算，并根據三次統計結果，進行如下評估:
[0010](I)根據第三次計算的th結果與最后一組中的相似度TH對比，對于比閾值低的心電波形，進行重構；
[0011](2)根據第二次計算的th結果與第二組中的相似度TH對比，對于已經可以識別但識別率很低的模板，重新進新模板數據量的優化；
[0012](3)根據第一次計算的th結果與第一組中的相似度TH對比，對于已經可以識別但識別率很低的模板，重新進新模板數據量的優化；對于識別率高的波形，模板則不進行任何處理。
[0013]本發明通過對已有心電監測的大數據掃描，心電圖形變體類模板會越來越多、類別越來越細，波形模板也越來越精準；提高波形模板的質量，自然會提高心電疾病模板的構建的準確度，這對于動態心電監測的準確率會有很大的提高。
【專利附圖】
【附圖說明】
[0014]圖1是本發明所述心電波形模板組態分類示意圖。
[0015]圖2是本發明所述心電波形模板重構與優化示意圖。
【具體實施方式】
[0016]下面結合附圖和實施例對本發明做進一步說明:本發明所述的基于大數據實現異常心電模板的多態重構及優化方法，它包括如下步驟:
[0017]首先，根據標準心電波形的分解參數，建立具有二維特性的參數模板數據，并確立由多個細節點組成的心電波形模板；
[0018]其次，利用已有的、并且已經編輯過的動態心電監護儀的大數據，進行比對前的預處理，即進行波形分節，然后與心電波形模板進行逐一波形比對；
[0019]再次，在比對算法上使用誤識率(FRR)、拒認率(FAR)、取值范圍:0~I的相似度(TH)這三個關鍵量來統計與評估最終匹配的成功率，并作出多態重構或重新進行模板數據量的優化。
[0020]所述確立的心電波形模板包括'2種心電軸、2種PR間隔、2種QTc間隔、3種R波、3種S波、5種P波、5種T波、12種Q波、36種ST波、30種ST-T聯合。
[0021]所述心電波形模板與任意心電波形數據之間的比對，將按誤識率、拒認率、相似度這三個關鍵量的預設三組閾值進行三次計算，并根據三次統計結果，進行如下評估:
[0022](I)根據第三次計算的th結果與最后一組中的相似度TH對比，對于比閾值低的心電波形，進行重構；
[0023](2)根據第二次計算的th結果與第二組中的相似度TH對比，對于已經可以識別但識別率很低的模板，重新進新模板數據量的優化；
[0024](3)根據第一次計算的th結果與第一組中的相似度TH對比，對于已經可以識別但識別率很低的模板，重新進新模板數據量的優化；對于識別率高的波形，模板則不進行任何處理。
[0025]實施例:本發明所述的基于大數據實現異常心電模板的多態重構及優化方法，它涉及構建心電疾病診斷和心電波形兩種數據模板；其中心電疾病診斷模板是由一組相關聯的具有構成一種疾病特征的多個心電波形模板構成；所述心電波形模板則由多個細節點組成；利用大數據的目的是重構新的或優化已有的心電波形模板數據，如圖1所示。
[0026] 首先根據標準心電波形的分解參數，來建立具有二維特性的參數模板數據，目前已確立以下心電波形模板:心電軸(2種)、PR間隔(2種)、QTc間隔(2種)、R波(3種)、S波(3種)、P波(5種)、T波(5種)、Q波(12種)、ST波(36種)、ST-T聯合(30種)；通過對大量的心臟病人的監測過程看，波形的模板種類遠遠不足，因此需要長期不斷的發現與添加，而對于已有的心電模板，可以更為精細的分類。
[0027]根據已有的、并且已經編輯過的(按5分鐘有效波形剪輯)的動態心電監護儀的大數據，先進行比對前的預處理，即進行波形分節，然后與心電波形模板進行逐一波形比對。在比對算法上我們使用誤識率(FRR)、拒認率(FAR)、相似度(TH)(取值范圍:0~I)三個關鍵量來統計與評估最終匹配的成功率。任意心電波形數據與波形模板之間的比對，將按誤識率、拒認率、相似度三個關鍵量的預設的三組閾值進行三次計算，根據三次統計結果，進行如下評估:
[0028](I)根據第三次計算的th結果與最后一組中的相似度TH對比，對于比閾值低的心電波形，進行重構；
[0029](2)根據第二次計算的th結果與第二組中的相似度TH對比，對于已經可以識別但識別率很低的模板，重新進新模 板數據量的優化；
[0030](3)根據第一次計算的th結果與第一組中的相似度TH對比，對于已經可以識別但識別率很低的模板，重新進新模板數據量的優化。對于識別率高的波形，模板則不進行任何處理。
[0031]圖1中的動態心電監測，是通過多種疾病診斷模板實現的，每個疾病診斷模板均有自己的4位ID號。例如，我們確定急性心肌梗死的ID號為8012。每個疾病診斷模板中包含一組心電波形模板，每一心電波形模板也是由6位ID號組成，前2為類型代碼，后4位為心電波形模板代碼。例如急性心肌梗死中的心電波形模板數據表示為:
[0032]8012:T0003 ；
[0033]Q0501 ；
[0034]R0341 ；
[0035]PR0005 ；
[0036]ST2232 ；
[0037]......[0038]圖1中的心電波形模板，則由多個以時間軸劃分等距塊組成，每一塊則由一組細節點組成，而每個細節點則由一組特征值組成；等距塊、細節點和特征值均由6位的ID號加以區分，解釋內容同上。
[0039]心電疾病診斷模板的建立則需要專家醫生來完成，無法通過計算機進行自動進行重構，因此本發明主要是指心電波形模板在動態心電監護的大數據環境下進行的新的波形模板的構建和已有的波形模板數據的評估與優化，所以以下的例子，則以心電波形模板為實施對象。
[0040]I)建立心電波形模板的數據結構
[0041]
【權利要求】
1.一種基于大數據實現異常心電模板的多態重構及優化方法，其特征在于所述的多態重構及優化方法是: 首先，根據標準心電波形的分解參數，建立具有二維特性的參數模板數據，并確立由多個細節點組成的心電波形模板； 其次，利用已有的、并且已經編輯過的動態心電監護儀的大數據，進行比對前的預處理，即進行波形分節，然后與心電波形模板進行逐一波形比對； 再次，在比對算法上使用誤識率(FRR)、拒認率(FAR)、取值范圍:0~I的相似度(TH)這三個關鍵量來統計與評估最終匹配的成功率，并作出多態重構或重新進行模板數據量的優化。
2.根據權利要求1所述的基于大數據實現異常心電模板的多態重構及優化方法，其特征在于所述已確立的心電波形模板包括:2種心電軸、2種PR間隔、2種QTc間隔、3種R波、3種S波、5種P波、5種T波、12種Q波、36種ST波、30種ST-T聯合。
3.根據權利要求1所述的基于大數據實現異常心電模板的多態重構及優化方法，其特征在于所述心電波形模板與任意心電波形數據之間的比對，將按誤識率、拒認率、相似度這三個關鍵量的預設三組閾值進行三次計算，并根據三次統計結果，進行如下評估: (1)根據第三次計算的th結果與最后一組中的相似度TH對比，對于比閾值低的心電波形，進行重構； (2)根據第二次計算的th結果與第二組中的相似度TH對比，對于已經可以識別但識別率很低的模板，重新進新模板數據量的優化； (3)根據第一次計算的th結果與第一組中的相似度TH對比，對于已經可以識別但識別率很低的模板，重新進新模板數據量的優化；對于識別率高的波形，模板則不進行任何處理。
【文檔編號】A61B5/0452GK103948387SQ201410097341
【公開日】2014年7月30日 申請日期:2014年3月17日 優先權日:2014年3月17日
【發明者】張新財 申請人:浙江好絡維物聯網絡技術有限公司