本申請涉及醫(yī)療，具體涉及一種心電圖數(shù)據(jù)處理模型、裝置以及處理設備。

背景技術(shù)：

1、在臨床工作中，右心室肥厚/擴大(right?ventricular?hypertrophy/dilation，rvh/rvd)是一種心臟病理狀態(tài)，其特征為心臟右心室的體積和質(zhì)量增加，這種病癥通常是慢性壓力超負荷引起，可能是多種肺部或心臟疾病(如肺動脈高壓、慢性阻塞性肺疾病或先天性心臟病)的繼發(fā)性表現(xiàn)，因此，右心室肥厚/擴大的精確診斷存在其重要性。

2、然而，通過心電圖(eelectrocardiogram，ecg)來診斷右心室肥厚/擴大，存在著諸多挑戰(zhàn)，具體來說，右心室的前部位置和相對于左心室較小的肌肉質(zhì)量，使得在心電圖上檢測肥厚/擴大變化更加困難；此外，并存疾病(如左心室肥厚或束支傳導阻滯)的存在，也可能會掩蓋與右心室肥厚/擴大相關(guān)的典型心電圖表現(xiàn)，從而使診斷過程復雜化。

3、盡管如此，心電圖因其易獲得性和無創(chuàng)性，在實際情況下，仍然是右心室肥厚/擴大診斷中廣泛使用的初步診斷工具。

4、與此同時，超聲心動圖是檢測右心室肥厚/擴大的另一個重要手段，它可以提供右心室大小、壁厚和功能的詳細信息。然而，超聲心動圖非常耗時，且對于癥狀輕微的患者，使用超聲心動圖進行手動判斷的診斷效果也有限。

5、從而可以獲悉的是，對于右心室肥厚/擴大病癥，現(xiàn)有的檢測方案存在檢測精度欠佳的主要問題。

技術(shù)實現(xiàn)思路

1、本申請?zhí)峁┝艘环N心電圖數(shù)據(jù)處理模型、裝置以及處理設備，用于針對于右心室肥厚/擴大病理狀態(tài)，在關(guān)注到心電圖數(shù)據(jù)包含的時域特征的基礎(chǔ)上，還關(guān)注到其包含的頻域特征，并在深度學習模型的基礎(chǔ)上設計了相應的具體模型處理架構(gòu)，如此可以更為精確地捕捉到右心室肥厚/擴大病理狀態(tài)在心電圖數(shù)據(jù)中所存在的細節(jié)特征、深層次特征，實現(xiàn)精確度得到顯著提升的檢測效果，以此提供強有力的輔助數(shù)據(jù)支持，促使高質(zhì)量的醫(yī)療服務。

2、第一方面，本申請?zhí)峁┝艘环N心電圖數(shù)據(jù)處理方法，方法包括：

3、獲取待處理心電圖數(shù)據(jù)；

4、將待處理心電圖數(shù)據(jù)輸入預設的心電圖數(shù)據(jù)處理模型進行處理，其中，心電圖數(shù)據(jù)處理模型具體為深度學習模型，心電圖數(shù)據(jù)處理模型預先由完成標注的樣本心電圖數(shù)據(jù)訓練得到，心電圖數(shù)據(jù)處理模型用于預測模型所輸入心電圖數(shù)據(jù)對應患者的心臟病理狀態(tài)，心電圖數(shù)據(jù)處理模型包括第一模型部分、第二模型部分和第三模型部分，第一模型部分用于提取模型所輸入心電圖數(shù)據(jù)的時域特征，第二模型部分用于提取模型所輸入心電圖數(shù)據(jù)的頻域特征，第三模型部分用于基于時域特征和頻域特征生成模型處理結(jié)果；

5、提取心電圖數(shù)據(jù)處理模型輸出的、與待處理心電圖數(shù)據(jù)相應的心臟病理狀態(tài)確定結(jié)果；

6、通過可視化界面展示心臟病理狀態(tài)確定結(jié)果。

7、第二方面，本申請?zhí)峁┝艘环N心電圖數(shù)據(jù)處理裝置，裝置包括：

8、獲取單元，用于獲取待處理心電圖數(shù)據(jù)；

9、處理單元，用于將待處理心電圖數(shù)據(jù)輸入預設的心電圖數(shù)據(jù)處理模型進行處理，其中，心電圖數(shù)據(jù)處理模型具體為深度學習模型，心電圖數(shù)據(jù)處理模型預先由完成標注的樣本心電圖數(shù)據(jù)訓練得到，心電圖數(shù)據(jù)處理模型用于預測模型所輸入心電圖數(shù)據(jù)對應患者的心臟病理狀態(tài)，心電圖數(shù)據(jù)處理模型包括第一模型部分、第二模型部分和第三模型部分，第一模型部分用于提取模型所輸入心電圖數(shù)據(jù)的時域特征，第二模型部分用于提取模型所輸入心電圖數(shù)據(jù)的頻域特征，第三模型部分用于基于時域特征和頻域特征生成模型處理結(jié)果；

10、提取單元，用于提取心電圖數(shù)據(jù)處理模型輸出的、與待處理心電圖數(shù)據(jù)相應的心臟病理狀態(tài)確定結(jié)果；

11、展示單元，用于通過可視化界面展示心臟病理狀態(tài)確定結(jié)果。

12、第三方面，本申請?zhí)峁┝艘环N處理設備，包括處理器和存儲器，存儲器中存儲有計算機程序，處理器調(diào)用存儲器中的計算機程序時執(zhí)行本申請第一方面或者本申請第一方面任一種可能的實現(xiàn)方式提供的方法。

13、第四方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)存儲有多條指令，指令適于處理器進行加載，以執(zhí)行本申請第一方面或者本申請第一方面任一種可能的實現(xiàn)方式提供的方法。

14、從以上內(nèi)容可得出，本申請具有以下的有益效果：

15、在基于深度學習的右心室肥厚/擴大檢測目標下，針對于右心室肥厚/擴大病理狀態(tài)，在關(guān)注到心電圖數(shù)據(jù)包含的時域特征的基礎(chǔ)上，還關(guān)注到其包含的頻域特征，并在深度學習模型的基礎(chǔ)上設計了相應的具體模型處理架構(gòu)，如此可以更為精確地捕捉到右心室肥厚/擴大病理狀態(tài)在心電圖數(shù)據(jù)中所存在的細節(jié)特征、深層次特征，實現(xiàn)精確度得到顯著提升的檢測效果，以此提供強有力的輔助數(shù)據(jù)支持，促使高質(zhì)量的醫(yī)療服務。

技術(shù)特征：

1.一種心電圖數(shù)據(jù)處理方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一模型部分具體包括mamba模塊，所述模型所輸入心電圖數(shù)據(jù)由一維時序卷積層聚合得到的初始時序特征之后，繼續(xù)由所述mamba模塊進行時序特征提取。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第二模型部分具體包括gru模塊，所述模型所輸入心電圖數(shù)據(jù)由快速傅里葉變換得到的初始頻域特征之后，繼續(xù)由所述gru模塊進行頻域特征提取。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述時域特征和所述頻域特征兩者，分別做平均池化后，再拼接，拼接結(jié)果作為所述第三模型部分的輸入。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第三模型部分具體為雙層mlp模塊。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述心臟病理狀態(tài)具體對應右心室肥厚病癥和右心室擴大病癥中的至少一種，并分為患病和未患病這兩種狀態(tài)。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

8.一種心電圖數(shù)據(jù)處理裝置，其特征在于，所述裝置包括：

9.一種處理設備，其特征在于，包括處理器和存儲器，所述存儲器中存儲有計算機程序，所述處理器調(diào)用所述存儲器中的計算機程序時執(zhí)行如權(quán)利要求1至7任一項所述的方法。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲有多條指令，所述指令適于處理器進行加載，以執(zhí)行權(quán)利要求1至7任一項所述的方法。

技術(shù)總結(jié)
本申請?zhí)峁┝艘环N心電圖數(shù)據(jù)處理模型、裝置以及處理設備，用于針對于右心室肥厚/擴大病理狀態(tài)，在關(guān)注到心電圖數(shù)據(jù)包含的時域特征的基礎(chǔ)上，還關(guān)注到其包含的頻域特征，并在深度學習模型的基礎(chǔ)上設計了相應的具體模型處理架構(gòu)，如此可以更為精確地捕捉到右心室肥厚/擴大病理狀態(tài)在心電圖數(shù)據(jù)中所存在的細節(jié)特征、深層次特征，實現(xiàn)精確度得到顯著提升的檢測效果，以此提供強有力的輔助數(shù)據(jù)支持，促使高質(zhì)量的醫(yī)療服務。

技術(shù)研發(fā)人員：朱紅玲,趙翔宇,張晟,曾和松,楊曉云,劉啟東
受保護的技術(shù)使用者：華中科技大學同濟醫(yī)學院附屬同濟醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/22