心电信息管理系统的制作方法

本发明涉及一种基于计算机视觉的调度管理系统，特别是一种基于计算机视觉的医学图像诊断调度管理系统。该系统可应用于针对医院各科室的影像学诊断数据进行基于计算机视觉的分析，以使相对的急症或者能够得到优先处理。

背景技术：

目前，大家都已经意识到心血管疾病是一类被认为是造成死亡的主要原因之一的疾病。心血管疾病以心肌梗塞(mi)的形式发生。心肌梗塞，通常称为心脏病发作，代表心肌在相当长的时间内无法收缩。在心脏病发作开始后一小时内使用适当的治疗，可以降低正在进行的心脏病发作的人的死亡风险。当发生心脏病时，第一诊断检查包括心电图(ecg)，因此，是心血管疾病(cvd)的主要诊断工具。心电图仪在测试时间内检测到心脏的电活动，然后将其显示在反映心肌中周期性电生理事件的图表中。通过对心电图痕迹进行仔细分析，医生可以诊断出可能的心肌梗塞。

心电信息管理系统(简称cis)，可以实现医院种类繁多的心电及电生理检查设备集成连接入网。目前已广泛使用的cis支持局域网和广域网两种网络模式，为医院信息化建设及远程医疗提供全面的支持，可以实现患者数据信息的统一存储、传输、诊断、统计、查询和检索。在医院内，cis与医院现有的医院信息管理系统(his)可以无缝融合，实现了患者预约登记、电子叫号、计费、项目检查、输出报告、集中存储、数据共享、统计检索全流程的信息化管理，从而改善医院内部检查效率低、资料查询和调阅难的问题。但是，目前广泛使用的cis系统，并不针对心电图进行优先级调度。也即目前系统仅能按检查序列向科室的医生工作站推送检查结果。

技术实现要素：

鉴于现有技术存在的上述问题，本发明的目的是提供一种心电信息管理系统，该系统能够使得急症的患者的心电图监测结果能够以高优先级被推送到的医生处，从而得到更及时的处理。

为了实现上述目的，本发明的一个方面提供了一种心电信息管理系统，该系统包括：

心电信号采集终端，其配置为获取患者心电图信号；

服务器，包括处理器及心电图存储单元，所述处理器至少包括心电图生成单元，所述心电图生成单元配置为根据所述心电图信号，生成心电图图像，所述心电图存储单元配置为存储所述心电图存储图像；

诊断中心，其配置为生成诊断序列并将所述心电图图像以所述诊断序列推送至医生工作站。

作为优选，所述处理器根据所述心电图信号，生成心电图图像，包括：

针对所述心电图信号，进行降噪处理；

针对经降噪处理的心电信号，进行滤波处理；

根据经滤波处理的心电信号，生成心电图图像。

作为优选，所述降噪处理通过小波变换算法实现，所述滤波处理为经过低通滤波器和/或中值滤波器算法。

作为优选，所述处理器还包括心电图筛选单元在生成心电图图像后，还包括对所述心电图图像进行筛选，所述筛选包括基于专家系统去除正常的心电图图像。

作为优选，所述处理器还包括心电图分析单元，所述心电图分析单元配置为基于计算机视觉算法模型对经筛选后的心电图图像进行分析，获得治疗优先级评分；所述诊断中心还配置为根据所述治疗优先级评分生成所述诊断序列。

作为优选，所述计算机视觉算法模型为卷积神经网络算法模型，且所述卷积神经算法模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层和输出层，其中，所述第一卷积层、第二卷积层、第三卷积层和/或第四卷积层中，每个卷积层至少包括80个卷积核。

作为优选，所述卷积神经网络算法模型通过如下方式构建：

1)由公共api获取多个分类类别心电信号记录构成训练集，所述分类类别至少包括正常类别、早搏类别、心梗类别或房颤类别；

2)构建卷积神经网络，将所述训练集输入所述卷积神经网络进行学习，直至灵敏度和特异性均大于98％。

作为优选，所述卷积神经网络算法模型在构建时，还包括经过迭代剪枝或修剪神经元处理。

作为优选，所述处理器还包括结果汇总单元，所述结果汇总单元配置为根据专家系统分析结果及所述卷积神经网络的分析结果，修正所述治疗优先级评分。

本发明的另一方面，还提供一种心电信息管理方法，该方法包括：

通过心电图监测设备获取患者心电图信号；

对所述心电图信号进行处理，生成心电图图像，对所述心电图图像进行基于计算机视觉算法模型的分析，获得治疗优先级评分；

根据所述治疗优先级评分，生成诊断序列，根据所述诊断序列，将所述心电图图像反馈至诊断中心。

作为优选，该方法还包括：

针对所述心电图信号，进行降噪处理；针对经降噪处理的心电信号，进行滤波处理；根据经滤波处理的心电信号，生成心电图图像；

对所述心电图图像进行筛选，所述筛选包括基于专家系统去除正常的心电图图像；基于计算机视觉算法模型对经筛选后的心电图图像进行分析，获得治疗优先级评分；所述诊断中心还配置为根据所述治疗优先级评分生成所述诊断序列。

与现有技术相比较，本发明提供的心电管理系统，可部署于医院，由统一的服务器来对患者的心电图图像进行传输、存储、预诊断、排序及调度。对于病情紧急的病例，将给予相对更高的优先级评分，以使医生能尽早了解患者病情并给予及时处理。

附图说明

图1为一般常见的心电信息管理系统在医院部署的拓扑结构图。

图2为本发明的一个实施例的心电信息管理系统的结构框图。

图3为本发明的一个实施例的心电信息管理系统在实施时的流程图。

图4为本发明的一个实施例的心电信息管理系统的卷积神经网络算法模型的结构示意图。

具体实施方式

为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。

此处参考附图描述本发明的各种方案以及特征。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本发明的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本发明的具体实施例；然而，应当理解，所发明的实施例仅仅是本发明的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以根据用户的历史的操作，判明真实的意图，避免不必要或多余的细节使得本发明模糊不清。因此，本文所发明的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。

本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本发明的相同或不同实施例中的一个或多个。文中所使用的技术术语“心电图信号”、“心电图图像”包括但不限于心电图图像数据，还可以包括与之相关的其他数据，例如采集时间、上传时间、数据来源，再例如受检者的年龄、身高、体重、性别、病史等。

如前所述，目前传统的医院只能依照时间现有顺序排列优先级。如图1所示，心电信息管理系统与医院信息管理系统及诊断中心连接，心电信息管理系统连接心电图室、功能科、心内科、icu&ccu以及特护病房，并与各科室的心电信号采集设备，例如心电图机、心电图工作站、动态心电图机、运动平板心电图机及超声心电图机连接。但是目前这种系统要么就只能由临床医生根据病人的表征情况进行判断得出。除了可能产生医生的误判情况外，还可能由于较低的处理流程而使本身应处于紧急状况(例如心肌梗死)的病人失去最佳的治疗时机。针对这一情况，本发明提出的心电管理系统，在获取心电图信号之后，可以进一步通过对心电图信号进行处理，进而生成心电图图像，而心电图图像可首先经过专家系统进行筛选，去掉明显正常的心电图图像。而后对异常的心电图图像，进行基于计算机视觉算法模型的进而进行分析以得到心电图图像的优先级评分，这一分析过程可以基于计算机视觉的算法模型进行初步的判断以评估该病人的病情。而最终在医生工作站的排序则为依照治疗优先级评分生成的诊断序列。在本发明中，计算机视觉算法模型具体是利用卷积神经网络算法模型学习输入图像数据与输出图像数据的关系，该卷积神经网络算法模型至少输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层和输出层，其中，所述第一卷积层、第二卷积层、第三卷积层和/或第四卷积层中，每个卷积层至少包括80个卷积核。可先通过由公共api(physionet)获取多个分类类别心电信号记录构成训练集，所述分类类别至少包括正常类别、早搏类别、心梗类别或房颤类别；再构建卷积神经网络(cnn)，将所述训练集输入所述卷积神经网络进行学习，直至灵敏度和特异性均大于98％。经四个卷积层的每次卷积后，均进行批量归一化，以避免参数爆炸和“消失梯度”现象。批量归一化允许训练深度网络，并在每个卷积层之后和执行relu(整流线性激活函数)之前应用。cnn中的池级(位于relu之前)减少了网络数据过拟合的问题，使输入大小仅为实际输入的一半。进一步地，在构建卷积神经网络算法模型时，还包括增加数据交叉验证的方法，该方法用于获取模型泛化误差的可靠估计，特别是，在这项研究中使用了k折交叉验证，该验证涉及将训练数据集随机分为k个部分而无需重新整合：k-1个部分用于训练模型，而一部分用于测试。重复此过程k次，以获得k个模型和性能估计。随后，基于不同的独立细分来计算模型的平均性能，以获得对训练数据的分区不太敏感的性能估计。由于k折交叉验证是无需重新集成技术的重采样，因此该方法的优势在于，每个样本点将仅是训练和测试数据集的一部分，从而提供了模板性能的较低方差估计。在本发明中，训练数据集分为十个部分，k＝10，并且在十次迭代中，使用了九个部分进行训练，其中一个部分用作模型评估的测试集。另外，然后使用每个部分的估计性能ei(例如，分类的准确性)来计算模型的平均估计性能e。本发明涉及的上述卷积神经网络算法模型，在北京某医院的实际应用中，由“正常”类别的995个细分病例，“室性早搏”类别的234个细分病例和“房性早搏”类别的93个细分病例。其中有70％用于训练，其余30％用于测试；最终得出的结果平均准确度98.33％、灵敏度98.33％、98.35％的特异性、假阳性率1.65％、假阴性率1.66％，可见，本发明提出的心电管理系统，具有较高的识别准确性，可在临床上给与诊断很好的辅助。同时，该卷积神经网络算法模型，在一些实施例中，所述卷积神经网络算法模型在构建时，还包括经过迭代剪枝或修剪神经元处理。在迭代剪枝中，学得正确的连接是一个迭代的过程。每次迭代都是一个贪心搜索，并从中找到最好的连接。而在修剪神经元处理中，在剪去连接后，那些零输入或零输出连接的神经元可能被安全地修剪掉。一个有着零输入或零输出连接的神经元将对最终的损失函数没有任何贡献，导致了它的输出连接或输入连接梯度为0。

具体地，如图2至图4所示，本发明的一个方面提供了一种心电信息管理系统，该系统包括：

心电信号采集终端，其配置为获取患者心电图信号；服务器，包括处理器及心电图存储单元，所述处理器至少包括心电图生成单元，所述心电图生成单元配置为根据所述心电图信号，生成心电图图像，所述心电图存储单元配置为存储所述心电图存储图像；诊断中心，其配置为生成诊断序列并将所述心电图图像以所述诊断序列推送至医生工作站。

作为优选，所述处理器根据所述心电图信号，生成心电图图像，包括：

针对所述心电图信号，进行降噪处理；针对经降噪处理的心电信号，进行滤波处理；根据经滤波处理的心电信号，生成心电图图像。其中，所述降噪处理通过小波变换算法实现，所述滤波处理为经过低通滤波器和/或中值滤波器算法。

进一步地，所述处理器还包括心电图筛选单元在生成心电图图像后，还包括对所述心电图图像进行筛选，所述筛选包括基于专家系统去除正常的心电图图像。

在一些改进中，所述处理器还包括心电图分析单元，所述心电图分析单元配置为基于计算机视觉算法模型对经筛选后的心电图图像进行分析，获得治疗优先级评分；所述诊断中心还配置为根据所述治疗优先级评分生成所述诊断序列。在另一些实施例中，所述处理器还包括结果汇总单元，所述结果汇总单元配置为根据专家系统分析结果及所述卷积神经网络的分析结果，修正所述治疗优先级评分。

本发明的另一方面，还提供一种心电信息管理方法，该方法包括：

通过心电图监测设备获取患者心电图信号；

对所述心电图信号进行处理，生成心电图图像，对所述心电图图像进行基于计算机视觉算法模型的分析，获得治疗优先级评分；

根据所述治疗优先级评分，生成诊断序列，根据所述诊断序列，将所述心电图图像反馈至诊断中心。在一些改进中，针对所述心电图信号，进行降噪处理；针对经降噪处理的心电信号，进行滤波处理；根据经滤波处理的心电信号，生成心电图图像；

对所述心电图图像进行筛选，所述筛选包括基于专家系统去除正常的心电图图像；基于计算机视觉算法模型对经筛选后的心电图图像进行分析，获得治疗优先级评分；所述诊断中心还配置为根据所述治疗优先级评分生成所述诊断序列。

上文中所描述的方法的各种具体实施例，包括各种软件模块，都可以在所述计算机可读存储介质上实现。

以上，本文描述了各种操作或功能，其可以被作为软件代码或指令实现或定义为软件代码或指令。这样的内容可以是可直接执行的(“对象”或“可执行”形式)源代码或差分代码(“增量”或“补丁”代码)。本文所述的实施例的软件实现可以经由其中存储有代码或指令的制品或者经由操作通信接口以经由通信接口发送数据的方法来提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算设备、电子系统等等)访问的形式存储信息的任何机制，诸如可记录/不可记录介质(例如，只读存储器(rom)、随机存取存储器(ram)、磁盘存储介质、光存储介质、闪存设备、等等)。通信接口包括接合到硬连线、无线、光学等介质中的任何一个以与另一设备通信的任何机制，诸如存储器总线接口、处理器总线接口、互联网连接、磁盘控制器等。可以通过提供配置参数和/或发送信号来将通信接口配置成将该通信接口准备好以提供描述软件内容的数据信号。可以经由发送到通信接口的一个或更多个命令或信号来访问通信接口。

本发明还涉及一种用于执行本文的操作的系统。该系统可以是为了所需目的而特别构造的，或者该系统可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可以存储在计算机可读存储介质中，所述计算机可读存储介质诸如但并不限于包括软盘、光盘、cdrom、磁光盘等任何类型的盘、只读存储器(rom)、随机存取存储器(ram)、eprom、eeprom、磁卡或光卡、或适于存储电子指令的任何类型的介质，其中每个介质耦合到计算机系统总线。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。