本发明涉及医疗电子设备技术领域，具体地指一种单导心贴数据长程监控诊断系统及其处理方法。
背景技术：
心血管疾病是人类健康的重大威胁。权威调查显示，每年死于心血管疾病的人数约占人类死亡总人数的三分之一。
心电图是用于观察人体心电活动的医疗检查手段，广泛应用于疾病诊断、重症监护等医疗场景。在常规诊断中，通常是进行十二导联静态心电图检查，这种方式在临床上对于心血管疾病的诊断有举足轻重的作用，而该方式仅为单次检查，采集时间不过数十秒。而针对某些心律失常，在短时间的检查中不容易被采集，但在长时间的动态监测中，如24小时甚至多天的监测中方可被监测到。但监护所使用的心电图实时监测价格昂贵，且设备体积较大，不适用于普通病房和家庭场景。
另一方面，对于日益增长的长程动态心电图监测需求，心电诊断医师借助现有的设备和软件，面对海量的心电数据，人工分析动态心电图难度和工作强度都面临着很大的挑战。
技术实现要素：
针对现有技术中对于人工分析长时间动态心电图存在的难度、工作强度很大的技术问题，在此提出了一种单导心贴数据长程监控诊断系统及其处理方法，应用于人工智能技术，大幅提高了诊断的速度及准确度。
为实现上述目的，本发明提出一种单导心贴数据长程监控诊断系统，其特殊之处在于，包括采集终端、客户端和服务器端；
所述采集终端：用于采集长时动态心电图数据并发送至客户端；
所述客户端：用于对获得的长时动态心电图数据进行预处理，并将经过预处理的心电信号数据发送至服务器端，并将从服务器端接收的心电分析报告展示给用户；
所述服务器端：用于根据获得的心电信号数据绘制心电散点图，将心电散点图输入至卷积神经网络模型，计算得到心电散点图的分类结果，形成心电分析报告发送至客户端。
进一步地，所述采集终端包括心电信号采集模块和信息传输模块，所述心电信号采集模块通过贴合人体表面的心贴采集心电信号，所述信息传输模块用于与客户端进行数据交互。
更进一步地，所述客户端包括客户端用户信息管理模块、客户端心电数据管理模块、心电数据预处理模块、分析结果展示模块和客户端信息传输模块，所述客户端用户信息管理模块用于记录和管理用户输入的个人信息；所述客户端心电数据管理模块用于记录和管理获得的长时动态心电图数据；所述心电数据预处理模块用于对获得的长时动态心电图数据进行质量评估，并过滤质量过低的信号；所述分析结果展示模块用于展示服务器端传回的心电分析报告；所述客户端信息传输模块用于与采集终端和服务器端进行数据交互。
更进一步地，所述服务器端包括服务器端用户信息管理模块、服务器端心电数据管理模块、心电数据分析模块和服务器端信息传输模块；所述服务器端用户信息管理模块用于收集和管理所有用户的个人信息；所述服务器端心电数据管理模块用于收集、转换和管理所有用户的长时动态心电图数据；所述心电数据分析模块用于分析用户的心电数据，包括绘制心电散点图和基于散点图进行人工智能诊断；所述服务器端信息传输模块用于与客户端进行数据交互。
更进一步地，所述心电数据分析模块包括数据读取模块、数据格式转换模块、散点图生成模块和人工智能分析模块；
所述数据读取模块：用于读取从服务器端信息传输模块获得的客户端上传的经过预处理的用户心电信号数据；
所述数据格式转换模块：用于将从客户端获得的心电数据转换为人工智能分析模块所指定的数据格式；
所述散点图生成模块：用于根据心电数据生成心电散点图；
所述人工智能分析模块：用于根据卷积神经网络模型利用深度学习算法对散点图进行分类，从而实现对心电数据的分析判断，输出心电分析报告。
更进一步地，所述采集终端与客户端之间通过蓝牙或者wifi进行通信，所述客户端与服务器端之间通过wifi或有线网络进行通信。
更进一步地，所述散点图生成模块根据心电信号数据标记所有的r波顶点qrs波；利用取得的r波顶点数据所处的位置，相邻两个r波之间的间隔即rr间期，如此便可得到一系列的rr间期宽度序列，相邻两个r波顶点之间的间隔就是一个rr间期的时间宽度；对得到的rr间期宽度序列进行遍历，把每个qrs波的前周期以当前的rr间期作宽度为横坐标、下一个后周期的rr间期作宽度为纵坐标，绘制散点图。
更进一步地，所述采集终端采集的长时动态心电图数据为连续采集的超过6小时的动态心电图数据。
本发明还提出一种基于上述单导心贴数据长程监控诊断系统的处理方法，其特殊之处在于，所述方法包括如下步骤：
1)采集终端采集的长时动态心电图数据并发送至客户端；
2)客户端对获得的长时动态心电图数据进行预处理，并将经过预处理的心电信号数据发送至服务器端；
3)服务器端根据获得的心电信号数据绘制心电散点图，将心电散点图输入至卷积神经网络模型，计算得到心电散点图的分类结果，形成心电分析报告发送至客户端；
4)客户端将接收的心电分析报告展示给用户。
最佳地，所述步骤3)中卷积神经网络模型为经过超过10000份长时动态心电图数据样本训练的卷积神经网络模型。
散点图代表rr间期序列的变化，每种心律都具有特征性内在的相互关联性，许多的心电生理特性都在rr间期显示出来。所以本发明提出的单导联心贴数据监控诊断系统及其处理方法利用机器学习技术学习散点图的特性，训练卷积神经网络分类模型，利用卷积神经网络模型对心律失常进行初步的预判，针对预判的结果再进行分析：一方面对海量的心电数据可以进行快速的预判，另一方面强化了动态心电的诊断，让复杂的心律失常诊断更为智能，更为准确。本发明将采集的用户心电图数据采用卷积神经网络模型对由用户心电数据绘制的散点图进行分析，有效提高了动态心电的分析速度以及提高诊断的准确度，节省心电诊断医师的时间，减少误诊率。
附图说明
图1为本发明单导心贴数据长程监控诊断系统的结构框图。
图2为图1中心电数据分析模块的结构框图。
图3为本发明单导心贴数据长程监控诊断系统的处理方法的流程图。
图4为心电散点图示例。
图5为本发明提出的用于对心电散点图进行分类的卷积神经网络模型的一个实施案例的网络结构。
图中：采集终端1，心电信号采集模块1-1，信息传输模块1-2，客户端2，客户端用户信息管理模块2-1，客户端心电数据管理模块2-2，心电数据预处理模块2-3，分析结果展示模块2-4，客户端信息传输模块2-5，服务器端3，服务器端用户信息管理模块3-1，服务器端心电数据管理模块3-2，心电数据分析模块3-3，数据读取模块3-31，数据格式转换模块3-32，散点图生成模块3-33，人工智能分析模块3-34，服务器端信息传输模块3-4
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。
本发明提出一种单导心贴数据长程监控诊断系统，如图1所示，包括采集终端1、客户端2和服务器端3。
采集终端1：用于采集长时动态心电图数据并发送至客户端2。
客户端2：用于对获得的长时动态心电图数据进行预处理，并将经过预处理的心电信号数据发送至服务器端3，并将从服务器端3接收的心电分析报告展示给用户。
服务器端3：用于根据获得的心电信号数据绘制心电散点图，将心电散点图输入至卷积神经网络模型，计算得到心电散点图的分类结果，形成心电分析报告发送至客户端2。
采集终端1与客户端2之间通过蓝牙或者wifi进行通信，客户端2与服务器端3之间通过wifi或有线网络进行通信。
采集终端1包括心电信号采集模块1-1和信息传输模块1-2，心电信号采集模块1-1通过贴合人体表面的心贴采集心电信号，信息传输模块1-2用于与客户端进行数据交互。
客户端2包括客户端用户信息管理模块2-1、客户端心电数据管理模块2-2、心电数据预处理模块2-3、分析结果展示模块2-4和客户端信息传输模块2-5，客户端用户信息管理模块2-1用于记录和管理用户输入的个人信息；客户端心电数据管理模块2-2用于记录和管理获得的长时动态心电图数据；心电数据预处理模块2-3用于对获得的长时动态心电图数据进行质量评估，并过滤质量过低的信号；分析结果展示模块2-4用于展示服务器端3传回的心电分析报告；客户端信息传输模块2-5用于与采集终端1和服务器端3进行数据交互。
服务器端3包括服务器端用户信息管理模块3-1、服务器端心电数据管理模块3-2、心电数据分析模块3-3和服务器端信息传输模块3-4；服务器端用户信息管理模块3-1用于收集和管理所有用户的个人信息；服务器端心电数据管理模块3-2用于收集、转换和管理所有用户的长时动态心电图数据；心电数据分析模块3-3用于分析用户的心电数据，包括绘制心电散点图和基于散点图进行人工智能诊断；服务器端信息传输模块3-4用于与客户端2进行数据交互。
其中，心电数据分析模块3-3包括数据读取模块3-31、数据格式转换模块3-32、散点图生成模块3-33和人工智能分析模块3-34，如图2所示。
数据读取模块3-31：用于读取从服务器端信息传输模块3-4获得的客户端3-2上传的经过预处理的用户心电信号数据；
数据格式转换模块3-32：用于将从客户端2获得的心电数据转换为人工智能分析模块3-34所指定的数据格式；
散点图生成模块3-33：用于根据心电数据生成心电散点图；
人工智能分析模块3-34：用于根据卷积神经网络模型利用深度学习算法对散点图进行分类，从而实现对心电数据的分析判断，输出心电分析报告。
在机器学习技术中，卷积神经网络(convolutionalneuralnetwork,cnn)是一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。一般地，cnn的基本结构包括两个阶段，每个阶段都包含若干层次，其一为特征提取阶段，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射阶段，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。因为cnn的特征检测层通过训练数据进行学习，所以在使用cnn时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者因为同一特征映射面上的神经元权值相同，所以网络可以并行学习。同一特征映射面上的神经元权值相同，所以网络可以并行学习。
本发明提出的单导联长程心电监控诊断系统的实施流程如下：
1)用户将采集终端1贴合在人体特定部位，并通过客户端2控制采集终端1进行长时动态心电图数据采集，长时动态心电图数据为超过6小时的动态心电图数据，最佳实施例为超过24小时的动态心电图数据。
2)客户端2从采集终端1获得csv格式的心电数据，并进行预处理，即过滤信号质量过低的心电数据，压缩为gzip文件发送到服务器端3；
3)服务器端3获得经步骤2)预处理后的用户心电信号数据的gzip压缩文件，解压为csv格式的心电数据；
4)服务器端3将csv格式的心电数据绘制心电散点图。
心电散点图的绘制方法为：所述散点图生成模块根据心电信号数据标记所有的r波顶点qrs波；利用取得的r波顶点数据所处的位置，相邻两个r波之间的间隔即rr间期，如此便可得到一系列的rr间期宽度序列，相邻两个r波顶点之间的间隔就是一个rr间期的时间宽度；对得到的rr间期宽度序列进行遍历，把每个qrs波的前周期以当前的rr间期作宽度为横坐标、下一个后周期的rr间期作宽度为纵坐标，绘制散点图。
5)服务器端3将步骤4)获得的心电散点图输入至卷积神经网络模型，计算得到心电散点图的分类结果，即得到心电图的诊断结果。
6)服务器端3将步骤5)得到的心电图诊断结果制成分析报告，并发送给客户端2。
7)客户端2将步骤6)所生成的心电分析报告展示给用户。
本发明提出的卷积神经网络为经过超过10000份长时动态心电图数据样本训练的卷积神经网络模型。将散点图与对应的心律失常类型标签作为卷积神经网络(如图5所示)的输入，训练得到卷积神经网络分类模型。注意该结构为可行的神经网络结构的一种示例，并非唯一方案，需要选取合适的超参数(包括卷积核大小、步长等)，保证训练数据与测试数据具有相同的采样频率。
单导联心贴数据长程分析过程包括训练阶段和检测阶段。
训练阶段包括如下步骤：
a1)采集若干份长时动态心电图的原始训练数据，并过滤质量过低的信号段。
获取超过10000份长时动态心电图的原始数据，并过滤质量过低的信号段。采集大量动态心电图样本，采样频率为500hz，每个样本时长为24小时，基于心电信号波形的形态、频域特征以及其他非线性分析方法，分段评估心电信号的质量，并过滤质量过低的信号段。
a2)根据每一份心电图的原始训练数据绘制训练散点图。
根据原始心电图数据标记所有的r波顶点qrs波；利用基于阈值和小波分析的方法(或其他有效手段)取得的r波顶点数据所处的位置，相邻两个r波之间的间隔即rr间期，如此便可得到一系列的rr间期宽度序列，相邻两个r波顶点之间的间隔就是一个rr间期的时间宽度(单位为毫秒，取整数)；对得到的rr间期宽度序列进行遍历，把每个qrs波的前周期以当前的rr间期作宽度为横坐标、下一个后周期的rr间期作宽度为纵坐标，绘制散点图。
a3)对每一份训练散点图标注心率失常类型标签(包括心率正常标签)。
涵盖的心律失常类型标签具体包括：
1)房性早搏病征、房性心动过速病征、室上性心动过速病征、心房扑动病征、心房颤动病征
2)室性早搏病征、室性心动过速病征
3)二度房室阻滞病征、窦性停搏病征
4)心律正常
a4)将所有所述训练散点图和对应的心率失常类型标签作为卷积神经网络模型的输入，训练得到卷积神经网络模型。
检测阶段包括如下步骤：
b1)采集待检测的长时动态心电图的原始检测数据，并过滤质量过低的信号段。
获取长时动态心电图，每个样本时长为24小时，采样频率为500hz(同训练阶段)，若频率与训练阶段预设的采样频率不同，则采用插值法转换到相同频率。同模型训练阶段的步骤a1)，基于心电信号波形的形态、频域特征以及其他非线性分析方法，分段评估心电信号的质量，并过滤质量过低的信号段。
b2)根据心电图的原始检测数据绘制检测散点图。
使用与模型训练阶段的步骤a2)相同的方式提取r波定点、得到rr间期宽度序列，进而获得心电散点图。
b3)利用通过模型训练阶段的步骤a4)得到训练完成的卷积神经网络模型，将b2)中得到的心电散点图作为卷积神经网络模型的输入，计算得到散点图的分类结果，即心电图的心律失常类型。
在模型训练阶段，深度学习框架采用tensorflow，卷积神经网络的学习过程如下：
1)将采集并处理的长时动态心电图绘制成散点图之后，将散点图和对应的心律失常类型作为训练数据存储于计算机中，设定迭代次数上限；
2)按图5构建卷积神经网络的结构，初始化参数，生成各卷积层、池化层、全连接层的权值；
3)根据当前的权值参数按照网络结构从前往后逐层计算，得到输出结果；
4)根据现有原始标签的数据，对整个神经网络的参数进行调整优化，更新各层的权值；
5)迭代次数自增，若达到迭代次数上限，则进入步骤6)，否则进入步骤3)；
6)卷积神经网络的各层参数训练完毕，得到卷积神经网络模型。
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式的具体变换，这些均属于本发明的保护范围内。