要写好一篇逻辑清晰的论文,离不开文献资料的查阅，小编为大家找来了《心电学论文范文(精选3篇)》，仅供参考，希望能够帮助到大家。摘要：心电图能够直观地反映心脏的活动状况，能够通过心电图特征诊断各种心脏有关疾病和症状。
第一篇：心电学论文范文
心电模型中的混沌特性研究
（1.贵州省广播电视台,贵州贵阳550003；2.河南漯河联合网络通信公司，河南漯河462000；3.北京理工大学，北京100081；4.华中科技大学控制系，湖北武汉430074）
摘要：该文对心电模型中的RR间期时间序列模型的输出值进行分析，通过对模拟的RR间期时间序列进行相空间重构、关联维计算、最大Lyapuvo指数计算，得出模拟的RR间期时间序列具有混沌特性，即心电模型具有混沌特性。
关键词：心电模型；RR间期时间序列；混沌；相空间重构；关联维；最大Lyapunov指数
Chaotic Characteristics of the ECG Model
BAI Jian-jun1, SHAN Fang2, GUO Meng3, LI Xue-wei4
(1.Radio and Television Stations in Guizhou Province, Guiyang 550003, China; 2.Henan Luohe Joint Network Communications Companies, Luohe 462000, China; 3.Beijing Institute of Technology, Beijing 100081, China;4.Huazhong University of Science and Technology, Wuhan 430074, China)
Key words: dynamical motion; RR interval time series；chaotic; phase space reconstruction；correlation；largest Lyapunov exponent
心电信号记录着心脏生理电活动，是诊断心脏疾病、评价心脏功能的重要依据之一。人们已经研制出了各种心电信号模拟仪器，模拟出来的心电信号在一定程度上与实测的心电信号相似，但还不能完全满足实际需要，如何获得更加逼真的模拟心电信号，成为了急需解决的问题。混沌的分析方法有混沌的模型分析和混沌的数值分析两种。从模型的实际情况出发，以模拟RR间期时间序列为研究对象，从数值分析角度来进行混沌研究，通过模拟RR间期时间序列的二维相空间重构、关联维数和最大Lyapunov指数的计算，表明RR间期时间序列模型的混沌特性，即心电模型所描述的动力学运动具有混沌性，这对通过混沌控制获得更加逼真的模拟心电信号具有十分重要的指导意义。
1心电模型中的RR间期序列模型
心电信号中的RR间期时间序列是指相邻R波之间的时间间隔，反映了心脏活动的重要信息，P.E.McSharry等人提出的ECG动力学模型中有对RR间期序列的模拟，数学模型为：
s(f)=
时间序列的功率谱图信号，经过傅里叶反变换可得到对应的时域信号用以模拟RR间期时间序列，在傅里叶反变换时利用随机函数设定s的相位，使模拟得到的时域结果具有随机性。首先将s序列的后一半替换成前一半的倒序，得到具有对称性的新序列s1，在MATLAB中使用随机函数生成一个同样长度，自身前后对称的随机数序列s2，将s1、s2用式(2)作运算得到序列T。
T=IFFT-s1×ejs2
（2）将T的实数部分归一化到区间() 0,1，然后将序列乘以系数再叠加常数即可得到模拟的RR间期时间序列。图1为模拟RR间期时间序列图，其中横坐标为心脏跳动的拍数，纵坐标为每拍所花的时间。从图中可以看出由此数学模型模拟的正常人的心电信号RR间期时间序列数据值稳定在0.94～1.05，与实际的正常人RR间期值0.6～1.0，基本相同，以此模型的输出值模拟的RR间期时间序列值为研究对象符合实际情况。
2相空间重构
对动力系统的研究存在着正问题和反问题两种模式，动力系统正问题是：已知明确的动力学规律（微分方程或映射规则），求此 动力系统在各种参数下可能有的各种形态及其各种定量表征，如熵、维数及Lyapunov指数等。动力系统的反问题是：只能测出一个实验系统的某一种物理量的实验数据时间序列，而对支配这一系统演化的动力学规律毫无所知，我们希望从测到的时间序列来恢复这个系统的动力学，重建各个混沌状态的定量特征。
重构一个合适的相空间，必须选择合适的延迟时间τ和嵌入维数m。根据Takens的嵌入定理可知，在没有噪声、无限长的精确数据的情况下可任意选取延迟时间τ，但实际时间序列是有限长的，且一般都有噪声干扰，因此，在重构相空间时应满足：m≥2d+1（d为分维数）。在重构过程中选取τ遵从一定的原则，从理论上讲，τ值的选取几乎是任意的，但在实际系统中，τ的选取亦应通过反复试算来确定。如果τ值过小，坐标相关性太强，所有坐标几乎是一致的，轨线在相空间趋于一直线，并且相空间轨迹沿同一方向挤压，信息不易泄漏；反之，τ值过大，轨线在相空间中会出现间断现象，可能导致比较简单的几何图形在相空间中看起来非常复杂，系统的相图失真；并且在混沌和噪声情况下，由于蝴蝶效应的影响导致时间的动力学形态变化剧烈。大量的实验表明，相空间特征量依赖于一个合适的τ值，使得x( )τ和嵌入维数m的选取有困难，但是在相空间重构中具有十分重要的意义。
延迟时间τ是一个重要的重构相空间的参数，其选择方法有自相关函数法、关联积分法、最小互信息法等，但自相关函数法所得出的结果误差较大，这里主要用最小互信息法和关联积分方法。通过Matlab编程用互信息函数的方法对心电模型中模拟的RR间期时间序列进行分析，序列长度为250。如图2所示，互信息函数值首次达到局部最小时，延迟时间τ=3。图形中的横坐标轴为延迟时间值，这里设定的最大延迟时间为30，显然设定不同的最大延迟时间，用互信息方法所得到的最佳延迟时间值会有所差别，这可经过多次实验确定，再者，由于仿真的RR间期时间序列值有一定的随机性（在正常值范围内），每次实验的结果也会有一些差异，但这并不影响结果。
图2互信息函数法得到的延迟时间图
关联积分法（即C-C法）也是计算时间延迟的一种有效方法，这种方法具有计算量小、容易操作、对小数据组可靠、效果与互信息函数法一致等特点。通过Matlab编程用C-C方法对模拟RR间期时间序列延迟时间进行计算，从图3可以看出，ΔSˉ(τ)第一次达到局部最小时，τ=5，即用关联积分方法得到模拟RR间期时间序列的最佳延迟时间为τ=5。
由图2和图3对比可知，互信息函数法和C-C法得出的最佳延迟时间τ值基本相同，根据得出的最佳延迟时间τ=5，表1为对三組模拟RR间期时间序列用互信息方法和C-C方法得出的最佳延迟时间。
由上表可以看出，由最小互信息方法和C-C方法得到的最佳延迟时间基本相同。在延迟时间τ=5时可以重构出模拟RR时间序列的二维相空间图，如图4所示。可以看出，重构的二维相图中，图形的轨迹是具有特殊结构的轨线。这表明系统的运动有可能是混沌的，图中可能存在混沌吸引子。
3嵌入维数的确定
利用CAO方法和得到的模拟RR间期时间序列延迟时间τ来确定最佳嵌入维数。从图5可看出在嵌入维数m=3时,曲线值有明显的变化，之后曲线值趋于平缓，说明当嵌入维数m=3时，重构的分量能够最大程度的反映原来系统的特征。由CAO方法可知，随机数列E2(m)对于任何m而恒为1，对于确定性时间序列，E2(m)与m有关，对于任何m值，E2(m)不可能为常数，即不等于1，若E2(m)为1或在1附近，表明这个时间序列为随机序列。对于确定性混沌序列，E2(m)不可能对任一m都等于1，会渐渐趋近于1，而对其他的确定性序列，则不一定会渐近趋向1。因此由图5可知此序列可能具有混沌特性，并且由C-C方法得到的最佳嵌入维数为3，这与Cao方法得到的值相同，表2为三组模拟RR序列的最佳嵌入维数值。
4算关联维
由上文得到的最佳延迟时间τ和GP算法，计算模拟RR间期时间序列的关联维。图6为模拟的RR间期时间序列的关联维图，图中嵌入维数m从2到10依次变化。当m =6时，所得的关联维数基本趋于稳定。在图形的末端，不同维数的曲线出现相互平行或者重合的部分，这些线性部分的斜率大小就是该系统的关联维数，由最小二乘法拟合得到的该系统的关联维数为D′=4.5238，此系统关联维数为分数，由此可推断此系统具有一定的混沌特性。用同样的方法对三组模拟RR间期时间序列求关联维数如表3所示。
表3三组模拟RR间期时间序列求关联维数值
5模拟RR间期时间序列最大Lyapunov指数计算与分析
混沌系统的一个基本特性就是系统运动对初始条件的极端敏感性。Lyapunov指数就是对这种敏感程度的度量。对于一个确定性系统，最大Lyapunov指数为正，表明此系统是混沌的，并且其值越大说明此系统的混沌性越强。因此可通过计算系统的最大Lyapunov指数来判断系统是否存在动力学混沌。
计算Lyapunov指数的方法大体上可分为两大类：一类是Jacobi法，另一类是wolf法。小数据量方法也是一种计算最大Lyapunov指数的方法，具有计算量小、易操作、对小数据组比较可靠等优点。对生成的3组模拟RR间期时间序列用小数据量法和Wolf法计算最大Lyapunov指数值，结果如表4，这与用Wolf法计算的值基本吻合，从而也就证明了RR间期时间序列数学模型的输出数据具有混沌特征，这也就证明了P.E.McSharry和G.D.Clifford所提出的ECG动力学模型所描述的动力学运动具有显著的混沌特征。
表4 3组模拟RR序列最大Lyapunov指数值
6结论
对模拟的RR间期时间序列的分析，首先进行相空间重构，而相空间重构需要确定延迟时间t以及嵌入维数m。本文通过互信息函数法和C-C方法来分别计算延迟时间t，这两种方法计算结果基本相同，从而确定了延迟时间t，同时利用Lorenz系统对方法的正确性进行证明，并在此基础上对模拟RR间期时间序列进行了二维吸引子重构，通过相空间混沌吸引子初步判断了RR间期时间序列模型的混沌特性。在计算嵌入维数m时采用Cao方法，在用这种方法之前采用Lorenz系统进行验证，使结果更具有说服力。接着，本文又计算了关联维，得出了模拟RR序列的关联维数为分数，这种方法也证明了模拟RR间期时间序列具有混沌特性。随后为了提供更为有力的证据来证明序列的混沌性，利用Wolf法和小数据量法分别计算出了序列的最大Lyapunov指数值，这也就证明了RR间期时间序列模型具有混沌特性，从而证明了心电模型的混沌性。
参考文献:
[1] Good M L. Patient simulation for training basic and advanced clinical skills[J].Medical education, 2003, 37(S1): 14-21.
[2] McSharry P E,Clifford G D,Tarassenko L,et al.A Dynamical Model for Generating Synthetic Electrocardiogram Signals[J].IEEE Transactions on Biomedical Engineering, 2003, 50(3): 289-294.
[3]王兴元，骆超，谭贵霖. EEG动力学模型中混沌现象研究[J].生物物理学报,2005, 21(4): 307-314.
[4]刘芳，魏建西.心脏中的混沌现象[J].国外医学生物医学工程分册,1998,21(2): 100-102.
[5] McSharry P E,Clifford G D.Open-Source Sofeware for Generating Electrocardiogram Signals [J].Arxiv preprint physics/0406017, 2004.
[6] Moody G B.RR interval time series modeling [J]//Computers in Cardiology Challenge 2002. Comp Cardilol 2002, 29: 125-128.
[7] Brock W A, Dechert W D, Scheinkman J A, et al. A test for independence based on the correlation dimension [J]. Econ Rev,1996, 15(3): 197-235.
[8] Cao L.Practical method for determining the minimum embedding dimension of a scalar time series [J]. Physica D, 1997, 110:43-50.
[9] Grassberge P, Procaciaa I. Characterization of stranger attractor [J].Phys Rev Lett, 1983, 50(5): 346-349 .
[10] Wolf A, et al. Determining Lyapunov exponents from a time series [J].North-Holland, Amsterdam: Physical6-D 1985: 285-317.
[11] Rosenstein M T, Collins J J, Deluc C J. A practical method for calculating largest Lyapunov exponents from small data [J]. Physica D, 1993, 65:117-134.
[12]徐振耀，符影杰.心脏电活动的计算机仿真模型研究-模型的构造与实现原理[J]，浙江大学学报，1993, 27(1): 9-17.
[13]王兴元,顾树生.心电动态生理及病理信息的非线性动力学研究[J].中国生物医学工程学报，2000，19(4): 397-403.
[14]郑会永,肖田元，韩向利，戴冠中.心电信号的混沌分形特性分析[J].清华大学学报:自然科学版，1999，39(9): 28-33.
作者：白建军 山方 郭盟 李学伟
第二篇：心电异常自动检测的研究
摘要：心电图能够直观地反映心脏的活动状况，能够通过心电图特征诊断各种心脏有关疾病和症状。文章提出了一种自动检测心电异常的方法，使用小波变换法对心电图进行基线漂移的校正和噪声的过滤，对预处理后的心电信号使用极值法和阈值的比较实现特征点的提取，通过特征参数的判断查找正常心电模板，计算正常心电模板和待检测心电图的相关系数来进行模板匹配，通过相关系数判断两者的匹配度，进而分析心电图是否异常。文章使用MIT-BIH数据库进行试验结果分析，能够较准确地分析出异常波形。
关键词： 心电图; 异常; 自动检测; 小波变换; 模板匹配
Key words：ECG; abnormal; anomaly detection; wavelet transform; template matching
1 概述
多种疾病都能够引起心电图的异常，心电异常的检测对心脏疾病的诊断尤为重要[1]，心电图诊断已经成为临床诊断中不可或缺的一部分。目前已有很多便携式的心电检测仪普及和应用在人们日常生活中[2]，便携式心电检测仪能够有规律地随时随地记录心电数据并计算和分析心率是否正常，但是不能够进行复杂心电图的诊断。心电图在临床诊断中应用也较为广泛，通过医生肉眼查看心电图进行诊断的诊断结果较为准确，而成人一般每分钟有60～100次心脏活动，故心电数据量较大，若持续对长时间的心电图进行诊断，容易引起疲劳，如果能够减少肉眼对心电图异常的查看和诊断，将极大地提高现有的医疗水平，减少人们寻医问诊的次数，为医疗自动化带来巨大推动力，很大程度上改善居民的医疗环境。
本文针对心电图异常的自动检测进行了研究，异常检测结果可作为医生诊断的辅助信息，大大减少医生的工作量，提高医疗自动化水平。
2 研究现状
随着心电图应用的日益成熟，各种心电图的自动分析与检测系统被推广应用。
在心电异常检测方面，已有能够检测出心率的心电自动检测仪。对于其他复杂异常诊断的研究，有特征提取法、支持向量机法、神经网络法。特征提取法即提取心电图的各个特征点的信息，使用特征参数阈值判断心电图是否正常[3]。支持向量机法即将一段心电图的各个特征参数组成一个向量，这个向量处于一个多维空间中，通过样本学习建立一个分类规则，由这个规则组成一个超平面，这个超平面将多维空间分为两部分，处于这两部分的向量为两类不同心电图的特征向量[4]，由此可将异常心电图进行区分。神经网络法将神经网络模型分为输入层、隐含层和输出层，输入层为心电数据，隐含层为数据处理过程，输出层为检测结果，输入层通过隐含层到达输出层，隐含层有多个神经元和权值，神经网络模型的建立需要学习，学习过程中通过计算输出层结果和期望输出值之间误差，根据误差不断调整隐含层的权值直到误差在允许范围内后，模型建立成功，使用该模型进行异常诊断[5]。
3 心电异常检测
模板匹配法通过计算正常模板与待检测模板之间相关系数诊断异常。在使用模板匹配法进行异常检测的研究中，一般待检测心电数据需和心电模板具有相同的长度[6]，这使心电信号的采集受到了限制，不利于长度不同的心电数据的匹配。本文对这种模板匹配法进行了改进，能够对不同长度的心电数据进行异常诊断。模板匹配法不需要进行学习，较为简单，便于进行异常检测，能够检测出大部分异常。
心电异常检测流程为心电图预处理、模板选择和模板匹配。下面将对具体的检测方法进行阐述。
3.1 心电图预处理
本文实验数据来源为MIT-BIH数据库，MIT-BIH数据库是由美国麻省理工学院提供的研究心律失常的数据库，是目前国际上公认的可作为标准的三大心电数据库之一[7]。
由于心电信号中夹杂着各种干扰信号，包括呼吸、运动等引起的基线漂移，周围环境引起的工频干扰以及人体肌肉颤动引起的肌电干扰等[8]。这些噪声信号严重影响了心电图特征的准确识别，故需要对心电图进行去除噪声的预处理，文中选择使用小波变换法进行心电信号的预处理。对MIT-BIH数据库的103号心电数据的信号1(M1)进行尺度为9的小波变换，得到M1=d1+d2+d3+d4+d5+d6+d7+d8+d9+a9。其中a9为低频信号，d1～d9为高频信号，且d1到d9频率依次降低，M1由d1～d9和a9叠加而成，将低频分量a9置零，可去除基线漂移，将高频分量d1和d2置零，可过滤噪声信号。图1为使用db4小波基将原始波形进行尺度为9的小波变换进行预处理前后的心电图。
可见预处理前的心电图中采样点5000到6000之间有一处明显的基线漂移，且与处理后的心电图相比，处理前的心电图因为高频噪声的原因显得较为粗糙。
3.2 模板选择
模板选择过程中，先对特征点进行检测，通过特征点查找正常心电图，取一定时间范围的正常心电图作为模板。典型心电图波形特征如图2所示。
心电图中包括P波、QRS波群和T波，上图为一个心电周期的波形。对于同一个人来说，其心电波形在长时间内表现为稳定，即在一个时间段的心电图中，绝大多数的心电数据处于正常范围[9]，故可以从一定时间段的心电图中提取出正常的心电图作为模板。
由于QRS波群和T波斜率明显，特征较为突出，故心电图预处理完毕后，首先检测QRS波和T波，由于P波较低，且预处理并不能完全去除高频噪声，P波波峰周围会出现因为噪声干扰而凸起的波形，能够明显检测出R波和T波，P波较不明显，检测出R波波峰后，从R波开始分别向前和向后搜索Q波和S波以及QRS波群边缘，P波波峰可通过搜索前一个周期的T波和当前检测周期的Q波之间最大极值点获取到。
若在采样点序列[s(1) s(2) s(3)]中，s(2)-s(1)>0，s(3)-s(2)<0，则s(2)为极大值点;反之，若s(2)-s(1)<0，s(3)-s(2)>0，则s(2)为极小值点，故可根据采样点序列中相邻点的差获取极值点。假设波形方程为v=x(n)，n表示采样序号，n=1，2，3...，特征参数的检测步骤为：
1)心电数据组成向量a=(x(1) x(2)…)，例如a=(2 3 1 5 6 9);
2)将a中相邻值相减组成向量b，
b=(x(2)-x(1) x(3)-x(2) x(4)-x(3) x(5)-x(4)…)=(b1 b2 b3 b4…);由a=(2 3 1 5 6 9)计算出b=(1 -2 4 1 3)
3)将b映射到向量c，映射规则为：若b(n)>0，c(n)=1;若b(n)<0，c(n)=-1;若b(n)=0，c(n)=0;得到c=(c1 c2 c3 c4…)，c中值只有0、1、-1。由b=(1 -2 4 1 3)映射出c=(1 -1 1 1 1);
4)将c中相邻值相减组成向量d，由c=(1 -1 1 1 1)计算出d=(-2 2 0 0)，取d中值不等于0的位置索引加1，存入数组indexMinMax，则indexMinMax=[1 2]，取d中值大于0的位置索引加1，存入数组indexMin，则indexMin=[2]，取d中值小于0的位置索引加1，存入数组indexMax，则 indexMax=[1]，心电数据组成的向量a中索引为indexMin的为极小值点，索引为indexMax的为极大值点，所有极大值点和极小值点的索引都在indexMinMax中，即a中的极小值点为a[2]=1，极大值点为a[1]=3;
5)通过indexMax、indexMin和a得到极大值点中的最大值max和极小值点中的最小值min，取差值distance=max-min;
6)遍历indexMinMax，若索引处i心电值和最小值之间差值a[i]-min>distance/2，将索引i存入数组R_Array，R_Array中的值即为R波波峰索引，每找到一个R波波峰，在indexMinMax中从该R波波峰索引处取前两个索引为Q波波峰索引和QRS波群左边缘、取后两个索引为S波波峰索引和QRS波群右边缘，分别存入Q_Array、QRS_lArray、S_Array、QRS_rArray。
7)在6)中遍历indexMinMax时，若索引处i心电值和最小值之间差值满足0.2324*distance/2
8)在indexMinMax顺序查找R波波峰和T波波峰之间最大的极值点，存入P_Array，P_Array中的值即为P波波峰索引。
9)根据成人正常PR间期为0.12～0.2s，从QRS波群左边缘向前0.10～0.22s范围内搜索极小值点作为P波左边缘，存入P_lArray。
检测出特征参数后，计算出平均心率，根据心电图所处导联、患者年龄和心率获取各个特征的正常值范围，查找患者心电图中3～6个周期的正常心电波形，以这部分正常心电波形作为初始模板。由于R波波形特征明显，故将初始模板的第一个R波波峰设为模板起点，最后一个R波波峰设为模板终点，得到最终模板。
3.3 心电诊断
待检测心电数据和心电模板之间的差异可以通过它们数据差的平方和表示。假设心电模板为y(n)，其中TSA
计算待检测心电长度：UB=TFB-TSB，
心电模板长度：UA=TFA-TSA，
待检测心电数据长度与心电模板长度之比：
QAB= UB/UA =?UB/UA」+m
其中?UB/UA」为UB/UA取整后的值，m为余数。若QAB<=1，则待检测心电数据长度小于或等于心电模板长度，设n=0时为计算起点，则n=UB为计算终点，待检测数据与模板数据差的平方和M如下：
若QAB>1，则待检测心电数据长度大于心电模板长度，根据心电图周期性的特点，可将心电模板进行周期性延长，使模板长度不小于待检测心电数据长度，待检测数据与模板数据差的平方和M如下：
使用dif表示待检测数据和模板数据的差异，相关系数R表示为R=1/(dif+1)，R的值在0和1之间，则差异dif越小，相关系数R越大。由于M是由模板和待检测数据之差累加而成的，故对于相同长度的待检测心电数据，M越大，匹配度越低。故令相关系数R=1/(M/fUB+1)，其中f为心电数据的采样频率，R越接近1，表示相关度越高，设置相关系数阈值为0.88，当R值小于0.86时，便认为心电图为异常心电图。本文实验数据分为11组，这11组数据分别取自MIT-BIH数据库中记录为100、105、115、121、123、200、202、205、208、212、217的心电数据，每组数据取10个不同时间段进行实验，共进行了11*10=110次试验，其中98次检测正确，12次检测错误，故检测准确率为89.1%。
4 结论
本文使用db4小波对心电图进行尺度为9的分解和重构，有效地去除了低频的基线漂移和其他高频噪声干扰，便于准确分析特征点位置，进而进行模板匹配，心电信号的异常检测检测准确率较高。针对患者选取适应患者的心电模板，且能够诊断不同长度的心电图，使这种异常检测方法可用于不同的心电数据来源，适用的范围较广。本文提供的异常检测只能够检测出波形的异常与否，并不能检测出异常类型，仍然有一定的局限性，故本文在检测异常类型这个方面仍需改进。
参考文献：
[1] 宋东富. 心电信号自动分析算法的研究与应用[D].长春： 吉林大学， 2007.
[2] 吴宝明，朱凌云，卓豫，等. 远程心电监护系统及动态心电信号自动分析的研究进展[J]. 中国医疗器械杂志， 2006， 30(5)： 362-268.
[3] 唐雅青. 心电信号的自动检测与分析[D].上海： 上海交通大学， 2007.
[4] 韩君泽. 心电信号自动检测与诊断方法的研究[D]. 哈尔滨： 哈尔滨工业大学， 2013.
[5] 赵毅. 基于小波分析和神经网络异常的异常心电信号分类研究[D].太原： 太原理工大学， 2015.
[6] 杨波，张跃. 基于多模板匹配的室性早搏判别算法[J].开发研究与设计艺术，2010， 36(16)： 291-293.
[7] 宋喜国，邓亲恺. MIT-BIH心率失常数据库的识读及应用[J].中国医学物理学杂志，2004，21(4)：230-232.
[8] 任杰，杨丽晓. 基于小波变换系数的心电信号基线漂移噪声去除方法[J].医疗卫生装备，2010，31(11)： 24-26.
[9] 刘彬. 心电信号特征识别及其在心血管疾病诊断中的应用[D].长春：吉林大学，2014.
作者：张菲菲 张征
第三篇：人工智能心电网络的建设及应用
摘要：目的：在医院内搭建AI(Artificial Intelligence人工智能)心电网络系统，对其建设及其应用进行分析和研究。方法：在医院当中构建一个和医院实际情况相符的人工智能心电网络化信息平台。使全院的心电图检查设备与医院的心电图诊断中心的心电工作站实现连接和信息共享，由心电图诊断中统一心进行分析诊断，各個检查点打印检查结果，最后将检查结果进行分析、存储并妥善保管。 结果：通过网络将门诊和病区的终端设备实施无线连接，使之形成一个具有整体性的心电网络信息系统，极大提高我院心电图检测量。结论：在医院内建立人工智能心电网络系统能够非常有效的改善心电临床检查的效果，在保证了工作质量的同时也提高了诊断和工作的效率，提升了医院的信息化、智能化水平。所以其能发挥出十分积极的作用。在今后的全数字化医院建设中，人工智能心电网络领域必将成为未来的主流方向。
关键词：人工智能 ;心电网络;心电诊断
Objective： To build a AI (Artificial Intelligence artificial intelligence) ECG network system in the hospital， and to analyze and study its construction and application. Methods： Build an AI ECG network information platform consistent with the actual situation in the hospital. The ECG inspection equipment and the hospital connected and information sharing， the ECG diagnosis center in ECG diagnosis， the results are analyzed， stored and properly stored. Results： the outpatient and ward terminal equipment wireless connected to form a complete ECG network information system， greatly improve the ECG detection volume of our hospital. Conclusion： The establishment of AI ECG network system in the hospital can effectively improve the effect of ECG clinical examination， improve the efficiency of diagnosis and work， and improve the informatization and intelligence level of the hospital. So it can play a very positive role. In the future construction of all-digital hospital， the field of AI ECG network will surely become the mainstream direction in the future.
[Key words] Artificial intelligence; ECG network; ECG diagnosis
近年来，随着数字化技术的迅猛发展和网络技术的日益成熟，医院信息管理系统得到飞速的发展，将远程(网络)心电图诊断系统应用于临床已成为可能。建设心电网络信息管理系统是数字化医院发展的必然要求，其终结了以往心电网络的“信息孤岛”状态[4]。不仅可为医院节约大量的人力物力，如节省耗材，节能环保，而且因其传输速度快，可及时为临床提供心血管危重患者的心电学资料[1-2]。本研究的主要目的是分析我院心电网络运行效果，对2020年上半年和2021上半年心电数据资料进行回顾性分析，具体情况如下。
1资料与方法
1.1一般资料
选取我院2020年上半年(使用单机操作和传统分析方法)和2021年上半年(使用心电网络AI分析)所收集到的门诊和病区所有的心电图数据资料38569例。
1.2检查方法
1.2.1 运行模式 门诊患者在心电图诊断中心由医生采集心电数据后及时分析诊断;病区由病区医生或护士完成心电数据的采集上传后，由心电图诊断中心医生立即审核诊断后将结果回传至临床科室。
1.2.2 技术支持 在医院的采集及诊断人员均受到专业培训，获得心电图学的专业岗位培训资质。
1.3 观察指标 比较2020年上半年和2021年上半年心电图诊断中心运行的心电图检测量。
1.4 统计学方法 应用SPSS 22.0进行数据分析。计量资料采用均数±标准差()表示，采用t检验。以P<0.05为差异有统计学意义。
2 结果
2021年上半年心电图检测量(3277±188)多于2020年上半年(3150±160)，差异有统计学意义(P<0.05)，如表1。
3 讨论
心电图检查作为最常规的心血管疾病诊断手段，查却一直停留在单机检查，单机打印，手写报告的模式，难以满足基层医院快速、准确确诊急危重症患者的快速确诊的需求[3]。建立心电网络系统心电数据采集后，临床医生立刻经网络得到患者的心电波形信息图文一体的心电报告，及时作出医疗诊断，从而最大限度地缩短了患者的就诊时间，避免人力、物力、财力的浪费，提高了整个医院的运转效率。也是完善电子病历系统的基本要素。
人工智能心电检查网络系统为医院的心电图检查建立了信息化工作平台，是门诊心电图及病房心电图等远程心电图的分析诊断平台，是心电图数字化存储有线与无线传输、信息化共享的理想解决方案。所有心电结果集中存储，临床共享，统计检索全流程的信息化、数字化管理，解决长期困扰医院的心电医生下病房进行心电图检查慢，效率低，不及时，以及心电图纸备份繁琐，调阅困难，不方便查阅的问题。 AI读图相对传统心电算法，准确率和运算速度有巨大优势，相比心电医生同时间内自主读图数量提升，缩短医生读图时间，大幅度提高心电图诊断效率，为心电医生减负，帮助医生更准确、全面地完成诊断。同时实现医院心电图电子信息化，减少使用大量热敏打印纸，只有个别需要打印的患者可通过普通A4纸打印，大大节约成本，优化医疗资源配置为医院建立完整的心电图数据库，实现心电图信息图像全院发布并共享[4]。
鉴于上述，心电网络信息管理系统的引进势在必行[6]。随着医疗数字化、信息化的发展以及心电技术的临床应用日趋完善，心电网络信息管理系统也逐渐走入了各大型医院[7]。远程AI心电图的应用，特别是人机协同的模式将帮助基层医生的心电检查及判读工作，发展前景广阔
参考文献：
[1]胡盛涛，高润霖，刘力生，等，《中国心血管病报告2018》概要【J】.中国循环杂志，2019.34(3)：209-220.
[2]陈立卫.医院心电检查网络系统的应用【J】.医疗装备，2013(9)：13-15
[3]常红恩，戴萌，邹球玲，等.健康体检中心心电图检查和诊断服务新模式探讨【J】.中华健康管理学杂志，2013，7(1)：63-64
[4]肖静，冯海鸣，任志刚，等.基于HIS的心电网络信息系统研究实施【J】.医疗卫生装备.2010，31(1)：76-78
作者：韩艳 白巧艳 郑绪旦 董南 王丰功 王雪绒 迟晔红 梁娟 张明玥