本发明涉及医疗健康和人工智能领域，特别涉及一种识别心电图数据异常的方法及系统。
背景技术：
心电图反映心脏兴奋的电活动过程，它对心脏基本功能及其病理研究方面，具有重要的参考价值。动态心电图是一种可以长时间连续记录并编集分析人体心脏在活动和安静状态下心电图变化的方法。与普通心电图相比，动态心电图于24小时内可连续记录多达10万次左右的心电信号，这样可以提高对非持续性心律失常，尤其是对一过性心律失常及短暂的心肌缺血发作的检出率，因此扩大了心电图临床运用的范围。
现有的动态心电图分析技术，主要有基于参数的识别方法和基于图形的匹配算法两类。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
无论基于参数的识别方法还是基于图形的匹配算法，都是人工总结心电图规律提炼出来的方法，在提炼的过程中为了易于医务工作者掌握使用，把本来复杂的心电图特征做了大量的简化处理，使很多有意义的信息被人为丢弃了，因此出现了敏感性(即发现的问题占所有问题的比例Sensitivity,SE)和特异性(即发现的问题是真实问题的比例Specificity，SP)不足的问题，一般只能做到SP>95％，同时SE>90～95％，存在大量漏判和误判的情况。漏判会影响对患者病情的诊断，耽误治疗，而要想提高敏感性，降低漏判率，则会降低特异性，提高误判率，给医生呈现大量无效数据，占用医生时间精力。
技术实现要素：
为了解决现有技术的问题，本发明提供了一种识别心电图数据异常的方法及系统，利用机器学习技术提高心电图监控设备识别异常情况的能力，本发明所适用的机器学习方法充分利用了大数据和神经网络参数空间巨大、拟合精度高的优势，能够有效避免上述问题。
为了实现上述目的，本发明采用的技术方案如下：
一方面，提供了一种识别心电图数据异常的方法，所述方法包括：
1)将采集到的心电图数据标注为正常或异常状态；
2)对标注后的心电图数据进行训练，并将训练结果作为识别条件下发给心电图仪；
3)心电图仪利用接收到的识别条件对使用者的心电图数据进行实时判断，识别心电图数据中的异常。
进一步地，步骤1)中，所述心电图数据包括来自公开心电数据库的数据以及心电图仪实时采集的使用者的所有心电图数据。
进一步地，步骤1)中利用现有识别方法及人工方法对心电图数据进行标注。
进一步地，步骤2)中，通过人工神经网络对标注后的心电图数据进行训练。
进一步地，步骤1)和2)是迭代进行的，步骤2)得到的识别条件用于对步骤1)中的现有识别方法进行优化。
进一步地，步骤3)还包括，在识别出心电图数据中的异常的同时进行报警。
另一方面，提供了一种识别心电图数据异常的系统，该系统包括：
动态心电图仪，用于获取心电图数据并发送到服务器；接收服务器下发的识别条件，并根据接收的识别条件对即时获取的心电图数据进行实时判断以识别出异常；
服务器接收心电图数据样本，所述心电图数据样本包括动态心电图仪发送的心电图数据，采用现有识别方法及人工方法为心电图数据样本添加标注后进行训练，将训练结果作为最新的识别条件下发到动态心电图仪。
进一步地，所述动态心电图仪包括：
心电图获取模块，用于获取心电图数据；
联网模块，用于将获取的心电图数据发送到服务器，并从服务器接收识别条件；
识别模块，内含一个人工神经网络，用服务器下发的识别条件实时判断心电图数据以识别异常。
进一步地，所述动态心电图仪还包括报警模块，用于在识别模块识别出异常时进行声光报警。
进一步地，所述服务器包括：
联网模块，用于接收心电图数据样本，以及向动态心电图仪下发识别条件；
数据标注模块，用现有识别方法及人工方法将心电图数据样本标注为正常或异常状态；
机器学习模块，基于数据标注模块标注的心电图数据，对内嵌的人工神经网络进行训练，得到的训练结果将被作为识别条件通过联网模块下发。
进一步地，所述心电图数据样本还包括来自公开心电数据库的数据发送的心电图数据。
进一步地，所述识别模块内含的人工神经网络与所述机器学习模块中内嵌的人工神经网络结构相同，神经元连接权重复制所述机器学习模块的权重。
进一步地，所述服务器还包括数据存储模块，用于存储接收的心电图数据样本，标注的心电图数据和训练得到的识别条件。
进一步地，在对内嵌的人工神经网络进行训练时，输入数据包括：数据标注模块标注的心电图数据和使用者的个性化信息，所述个性化信息包括年龄、性别、身体健康程度。
进一步地，所述内嵌的人工神经网络的层数不少于5层，神经元个数不少于20000个，可调整参数不少于1000万个，具有远大于现有心电图诊断算法的参数空间。
进一步地，所述内嵌的人工神经网络在训练的初始化阶段，使用来自公开心电数据库的心电图数据作为样本进行训练，随着使用者增多，使用动态心电图仪上传的使用者的心电图数据进行训练。
本发明的有益效果如下：
本发明通过心电图仪采集大量心电图数据，结合人工标注和机器学习，能够实现较既有方法更高的敏感性和特异性。其中，本发明中的动态心电图仪，既是机器学习训练所需数据的采集设备，又是识别设备，通过推广使用，可以得到海量的数据；本发明通过机器学习得到的识别条件，来自于海量的数据，具有很强的适应性；使用人工神经网络作为分类方法，对复杂函数的拟合能力远远大于简单的if‐then式条件判断。
附图说明
图1是本发明实施例中识别心电图异常情况的系统的结构示意图。
具体实施方式
下面将结合附图对本发明做详细说明，但并非用于限制本发明。
本发明中识别心电图异常情况的系统，如图1所示，主要包括动态心电图仪和服务器，动态心电图仪又包括心电图获取模块，联网模块和识别(及报警)模块，服务器又包括联网模块，数据标注模块，机器学习模块和数据存储模块。
其中：
心电图获取模块可用于获取已有心电图数据作为训练样本，并即时获取使用者的心电图数据。
心电图获取模块获取用作训练样本的心电图数据后，会通过联网模块发送给服务器，对应地，服务器亦通过联网模块接收动态心电图仪发送的心电图数据样本。
接下来，数据标注模块采用现有识别方法为心电图数据添加标注，对于识别为正常的心电图数据标注为“正常”，而识别为心动过速、心动过缓、心房纤颤、心房扑动、房性早搏、室性早搏等异常状态的心电图数据则添加相应的异常状态类型作为标注，文中统称为“异常”。同时，人工标注者会对该标注结果进行修正，以使标注结果尽可能准确。
基于该标注后的心电图数据，机器学习模块对内部人工神经网络进行训练，即将心电图数据作为神经网络的输入、标注结果作为神经网络的期待输出，根据神经网络实际输出和期待输出之间的误差，采用反向传播方法调整神经网络中各神经元之间连接权重，使神经网络的输出接近期待输出。
本发明中，心电图数据的标注及训练是一个迭代的过程，从而可以不断地修正参数，优化识别条件。
最后，通过联网模块将机器学习模块的训练结果作为识别条件下发到动态心电图仪，识别(及报警)模块根据接收的识别条件对即时获取的心电图数据进行实时判断以识别出异常情况。本发明所用的神经网络是一个多分类的神经网络，每种异常都会对应一个神经元，异常情况就是对应该“异常”的神经元输出在所有神经元中是最高的，超过了代表“正常”的神经元。
为了能够即时通知使用者及看护人员，在动态心电图仪中还可安装有报警模块，在识别出异常情况时，会实时发出声光报警，告知相关人员采取相应的措施。
实施例
利用本发明的方法识别心电图异常情况的步骤如下：
1)服务器端利用公开心电数据库，例如MIT-BIH心电数据库，训练人工神经网络，得到初始识别条件，所用人工神经网络的层数不少于5层，神经元个数不少于20000个，可调整参数不少于1000万个，网络各层间采用全连接结构，神经元激活函数使用sigmoid；
2)使用者佩戴动态心电图仪，动态心电图仪将获得的心电图数据发送到服务器端；
3)服务器端根据初始识别条件对上传的心电图数据进行标注，利用标注后的心电图数据对人工神经网络进行进一步训练；
4)服务器将训练结果作为新的识别条件下发到动态心电图仪，对初始识别条件进行优化更新；
5)发展新的使用者，重复步骤2)‐4)的过程，此时步骤3)中将采用最新的识别条件对上传的心电图数据进行标注。
可以看到，使用者越多，系统能够获取的数据越多，效果就越好。因为机器学习效果好最重要的条件就是数据量大、数据质量高。目前公开的心电图数据库，例如MIT-BIH心电数据库，一般每种异常的数据量少于100个，如果本发明使用者超过10万个，将在数据量上大大超过已有数据库，从而使检测效果得到很大提高，预计SP>98％，SE>98％。