基于大数据的远程心电AI诊疗平台

摘要

本发明提出了一种基于大数据的远程心电AI诊疗平台，包括：心电病人临床大数据中心、AI智能诊断系统和移动应用系统，其中，心电病人临床大数据中心用于采集分散在院内各系统的心电病人相关诊疗数据及各医疗机构的心电数据，并进行集中管理，实现上级医院心电服务平台到下级医疗机构的心电数据交换和统一协同调度；AI智能诊断系统用于建立实时心电信息采集平台，进行心电数据监测，通过互联网进行数据实时采集、预处理分析及应急管理；建立基于患者特征的个性化远程心电AI预警模型；建立远程心电报告及心电辅助诊断系统，实现日常监测和服务管理常态化；移动应用系统用于实现基于患者特征的个性化远程心电AI预警、远程会诊和院前急救数据跟踪。

说明书

技术领域

本发明涉及大数据及人工智能技术领域，特别涉及一种基于大数据的远程心电AI诊疗平台。

背景技术

心脏病的发作往往较急、进展快、病情凶险及病死率高，由急性症状出现到突然心脏性死亡间隔常常<1h。随着我国人口老龄化以及社会竞争、工作压力的增加以及医疗资源分布不均，心血管疾病发病率及病死率逐年攀升。据文献报道，我国心血管疾病发病率、病死率呈逐年上升趋势，目前心血管病死亡占城乡居民总死亡原因的首位，农村为44.60％，城市为42.51％。2014年农村心血管疾病的病死率为295.63/10万，其中心脏病的病死率为143.72/10万。建立完整有效的院外监测和急救体系，是降低院外心脏疾病发生率和病死率的有效解决办法。院外监测和急救体系包括院外心电遥测与监护，现场抢救知识的普及，急救呼叫快速传送及现场有效抢救等环节。

作为大数据研究的先驱，美国麦肯锡公司在其研究报告中给出了大数据的权威定义，大数据是指超出常规的数据库工具获取、存储、管理和分析能力的数据集，随着科技进步，数据集容量不断增加，根据所使用的软件工具和数据规模的差异，不同产业的大数据可以从几十到几千万亿字节不等。

现在的“大数据”是信息技术和计算方法发展到一定阶段的必然产物。医疗行业较早地遇到海量数据和非结构化数据的挑战，近年来正以迅猛之势迈入大数据时代。在心血管疾病和整体医疗服务领域中，大数据资源主要包括行政管理数据库(如对服务和药品的需求)、临床数据、电子病历系统、人体计量生物数据(如从可穿戴装置或其他技术获得的数据)、健康普查数据、互联网数据、医学影像数据以及包含各种组学的生物数据(如基因组学、蛋白质组学和代谢组学数据)等。近年来，上述数据以及其他各种潜在来源的数据迅猛增长，未来都可能整合到大数据的应用中。

心电数据比其他专业学科数据更具大数据特征：一是Volume(大量)，每人每天大约有10万余次心跳，含有海量数据信息；二是Velocity(高速)，互联网设备采集心电数据高效而快捷；三是Variety(多样)，每份心电图包含了P波、QRS波、ST段、T波等心脏去极化和复极化的多样信息；四是Value(低价值密度)，信息化采集、储存心电数据所需的医疗费用低廉；五是Veracity(真实性)，心电信息能真实地反映各种病理生理状态，数据客观。

随着信息技术的应用越来越广泛，医疗健康领域的信息系统沉淀了海量的医疗数据，以往受限于基础硬件运算速率的限制，在很长一定时间内无法用常规软件工具来进行捕捉、管理和处理。随着硬件设备的更新换代和新的数据处理逻辑的设计，海量数据的处理及挖掘成为可能，大数据分析也成为当前医疗与信息技术应用相结合的行业热点。2015年政府工作报告中，“互联网+”行动计划首次被提出，大数据分析的概念从单纯的理论研究上升到政策层面，2017年政府工作报告中对人工智能的研究与应用进行了重点强调，政策的出台为大数据分析与人工智能技术的推广及应用从宏观层面指明了方向，更有利于后期研究成果的转化与产业化。

因此，如何将大数据分析和人工智能技术应用在心电数据分析上，是当前需要解决的技术问题之一。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种基于大数据的远程心电AI诊疗平台。

为了实现上述目的，本发明的实施例提供一种基于大数据的远程心电AI诊疗平台，包括：

心电病人临床大数据中心、AI智能诊断系统和移动应用系统，其中，

所述心电病人临床大数据中心用于采集分散在院内各系统的心电病人相关诊疗数据及各医疗机构的心电数据，并进行集中管理，实现上级医院心电服务平台到下级医疗机构的心电数据交换和统一协同调度；

所述AI智能诊断系统用于建立实时心电信息采集平台，进行心电数据监测，通过互联网进行数据实时采集、预处理分析及应急管理；建立基于患者特征的个性化远程心电AI预警模型；建立远程心电报告及心电辅助诊断系统，实现日常监测和服务管理常态化；

所述移动应用系统用于实现基于患者特征的个性化远程心电AI预警、远程会诊和院前急救数据跟踪。

进一步，所述心电病人临床大数据中心用于针对心电数据提供存储、访问和管理服务功能，并提供系统接口和数据归档。

进一步，所述移动应用系统基于患者特征的个性化远程心电AI预警模型及心电危急值标准，利用远程心电及体征监护技术，通过APP应用进行心电图数据预处理及判读，对危急值进行预警提示并提出相应建议。

进一步，所述移动应用系统通过APP应用进行心电报告的申请、接收、分析和回馈，进行专家远程会诊。

进一步，所述移动应用系统通过APP应用对所述心电数据进行实时跟踪和传送。

进一步，所述心电病人临床大数据中心的数据适配器组件中将源系统数据完整整合到数据中心后，进行标准RIM模型适配，完成RIM模型的标准化转化，同时参照业务逻辑进行术语的标准化映射与转化，建立参数者与主数据间的映射。

进一步，所述移动应用系统用于接收远程心电申请；由基层通过手机端发起报告申请，同时将病人心电数据及实时病情发送至的专家及医生；医生在PC端或手机端了解病人的相关病历及实时病情；报告完成后，将被自动上传到心电数据服务平台，并将相关报告结果发送至下级医疗机构。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的基于大数据的远程心电AI诊疗平台的结构图；

图2为根据本发明实施例的数据采集流程图；

图3为根据本发明实施例的门急诊患者同步流程图；

图4为根据本发明实施例的出院患者同步流程图；

图5为根据本发明实施例的其他数据同步流程图；

图6为根据本发明实施例的Hadoop的框架结构图；

图7a至图7c为根据本发明实施例的可视化界面图；

图8a和图8b为根据本发明实施例的远程心电报告及会诊平台的界面图；

图9a和图9b为根据本发明实施例的报告申请和明细界面图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

大数据分析与人工智能领域的研究日新月异的背景下，通过数据挖掘能够将海量无序数据进行清洗、转换，变为可用于机器学习的知识体系，通过对大量心电图数据的学习，软件系统可以逐步“学会”如何判读心电图，随着数据分析与机器学习研究的不断深入，心电数据研究成果将在个人健康、诊疗支持、公共健康等领域发挥重要作用。借助于深层数据挖掘获取到的信息，以往判读决策中需要大量案例支持、心电设备研发需要大量数据支持、科学研究需要数据支持、医生遇见复杂困难心电图需要历史数据的情况时，数据挖掘成果转化的信息库均可提供更准确、更高效的数据支持，甚至可以超过心电专家的判读水平。

基于此，本发明提出一种基于大数据的远程心电AI诊疗平台。本发明运用了大数据及人工智能技术，通过互联网进行远程心电采集及报告，实时的远程心电监测技术，实时的远程心电危急值预警。

本发明的基于大数据的远程心电AI诊疗平台：

基于临床大数据和人工智能研发远程心电诊疗平台

以临床大数据为核心，制定个性化基线特征，以人工智能对海量心电信息进行筛选并给出辅助诊疗建议。

基于互联网移动端研发心电采集及报告软件

通过移动端APP进行心电报告的申请、接收、分析和回馈，让心电诊疗服务实现真正及时、高效。

实时的“危急值预警”软件

通过手机APP进行心电图数据预处理及判读，对“危急值”进行预警提示并提出相应诊断建议。

本发明可调用病人临床数据视图；Holter数据与采集数据一致性；智能穿戴设备数据与采集数据一致；智能诊断结果准确性；院前急救病人信息传送及时性。

如图1至图9所示，本发明实施例的基于大数据的远程心电AI诊疗平台，包括：心电病人临床大数据中心、AI智能诊断系统和移动应用系统。

具体的，心电病人临床大数据中心用于采集分散在院内各系统的心电病人相关诊疗数据及各医疗机构的心电数据，并进行集中管理，实现上级医院心电服务平台到下级医疗机构的心电数据交换和统一协同调度。

心电病人临床大数据中心用于针对心电数据提供存储、访问和管理服务功能，并提供系统接口和数据归档。心电病人临床大数据中心的数据适配器组件中将源系统数据完整整合到数据中心后，进行标准RIM模型适配，完成RIM模型的标准化转化，同时参照业务逻辑进行术语的标准化映射与转化，建立参数者与主数据间的映射。

建立心电病人临床大数据中心，即将分散在院内各系统的心电病人相关诊疗数据及各医疗机构的心电信息进行集中管理，实现数据的互联互通。

临床数据服务可实现上级医院心电服务平台到下级医疗机构的心电数据交换和统一协同调度。为心电数据提供存储、访问、管理服务，并提供系统接口、数据归档等功能。

AI智能诊断系统用于建立实时心电信息采集平台，进行心电数据监测，通过互联网进行数据实时采集、预处理分析及应急管理；建立基于患者特征的个性化远程心电AI预警模型；建立远程心电报告及心电辅助诊断系统，实现日常监测和服务管理常态化。

以临床大数据为核心，制定个性化基线特征，以人工智能对海量心电信息进行筛选并给出辅助诊疗建议。主要工作内容为：建立实时心电信息采集平台，使用Holter及可穿戴设备进行心电数据监测，通过互联网进行数据实时采集、预处理分析及应急管理；建立基于患者特征的个性化远程心电AI预警模型；建立远程心电报告及心电辅助诊断系统，实现日常监测和服务管理常态化。通过不断地对AI诊断数据模型的优化，提高诊断效率及准确性。

移动应用系统用于实现基于患者特征的个性化远程心电AI预警、远程会诊和院前急救数据跟踪。

具体的，移动应用系统基于患者特征的个性化远程心电AI预警模型及心电危急值标准，利用远程心电及体征监护技术，通过APP应用进行心电图数据预处理及判读，对危急值进行预警提示并提出相应建议。

基于AI的自动预警APP

基于患者特征的个性化远程心电AI预警模型及心电“危急值”标准，利用远程心电及体征监护技术，通过手机APP进行心电图数据预处理及判读，对“危急值”进行预警提示并提出相应诊断建议。

移动应用系统通过APP应用进行心电报告的申请、接收、分析和回馈，进行专家远程会诊。

远程会诊APP：通过移动端APP进行心电报告的申请、接收、分析和回馈，对于疑难杂症还可进行专家远程会诊，让心电诊疗服务实现真正及时、高效。

移动应用系统通过APP应用对心电数据进行实时跟踪和传送。

院前急救应用APP：通过移动端APP，对病人心电数据随时跟踪，实时传送，为病人入院后快速救治节省宝贵时间，确保病人得到及时有效的救治。

移动应用系统用于接收远程心电申请；由基层通过手机端发起报告申请，同时将病人心电数据及实时病情发送至的专家及医生；医生在PC端或手机端了解病人的相关病历及实时病情；报告完成后，将被自动上传到心电数据服务平台，并将相关报告结果发送至下级医疗机构。

本发明基于院内现有信息系统中的心电相关数据，建立临床大数据中心。通过Holter及智能可穿戴设备进行数据远程采集及动态监测，并存储于临床大数据中心，实现心电数据的集中管理和共享。利用远程心电及体征监测技术，通过互联网开发移动端APP，实现对病人的远程心电会诊，会诊记录也将存储于心电病人临床大数据中心。通过大数据分析功能及人工智能学习，建立远程心电AI诊断模型，并确定个性化心电危急值标准。在各协作单位间试运行远程心电AI诊断模型及个性化心电危急值，根据实际临床情况对模型进行细微改进。在各协作单位间正式运行远程心电AI诊断模型及个性化心电危急值，并进行客户化改进。

本发明推广远程心电AI诊断模型及个性化心电危急值，并广泛应用。体积小、重量轻，易于受检者佩戴；同步十二导联/三导联二十四小时动态心电记录盒；支持患者信息在记录前写入动态心电记录盒；采样率：4000sps/通道；起博检测电路的检测灵敏度设计为两级，以确保起博检测的准确性；使用512M字节的NAND闪存芯片存储心电数据，存储数据无压缩；提供事件按钮，方便患者准确记录异常事件的发生时间；提供实时时钟和万年历，无须手工输入记录时间和日期；plus系列动态心电记录盒提供彩色oled显示屏，不仅可描记心电波形，亦可绘制心电网格毫米线，方便预览各导联心电图。

十二导联动态心电记录盒支持三导联心电记录：提供如下数字滤波器：基线滤波、肌电滤波和交流滤波；多通道QRS检测；多通道QRS模板分类。

心率失常分析：房性早搏、房早成对、房性心动过速、室性早搏,R on T室早,室性成对室性心动过速、二联律、三联律、停搏、心动过缓、心动过速等、

房颤、房扑检测及编辑；起博分析:房性单腔、室性单腔、双腔起搏等；二十四小时12导联ST段分析；提供反混淆工具用于快速进行QRS形态分类和编辑；直方图类型多达44种，方便医生快速寻找各类心律失常；提供Lorenz散点图编辑功能、

心率变异性分析：时域和频域；支持HL7/FDA XML/GDT/DICOM多种格式输出；其他智能穿戴设备：智能手套及背心等、

主要是为心血管类病人提供常规监测和紧急救助。患者平时在家可以通过特殊的心电“大手套”“大背心”随时监控，设备一分钟中心服务器云端，如果出现问题，服务平台会为患者提供紧急救助。

远程心电监测数据采集：远程心电监测系统适用于不同用户心电图(electrocardiogram，ECG)以及同一用户不同时段ECG变化趋势的监测，具有实时分析诊断恶性心律失常和心肌缺血的功能，并自动将异常情况传送到心电监测中心。实现十二导联同步数据采集和发送、全导联ST段分析和预警、不限时间和地点的全方位远程心电监护。

由于心电信号较微弱，信噪比较低，容易受周围环境噪声的影响。动态ECG信号干扰的类型主要有工频干扰、基线漂移、肌电干扰、运动干扰和高频噪声干扰，其中50Hz及其倍频附近的工频干扰、0.67Hz下的基线漂移及运动干扰形成的伪差对心电波形的质量影响较大。

动态ECG信号的有效频率在0.67～40Hz内，中心频率集中在17Hz左右。根据有用信号与噪声频带分布的不同，对A/D采样后的数据进行数字滤波的方式，以增强信号的有效成分，抑制噪声和伪差，提高波形检测的准确率，降低远程预警的误报。常用的数字滤波算法主要有平滑滤波、带通数字滤波算法、小波变换、FFT变换以及自适应滤波等。远程心电监护预警系统对实时性有较高的要求，因此在数字滤波器的设计和选择上，滤波算法的效率、复杂度以及对波形质量的改善方面需互相权衡。在滤波算法对ECG信号引起的失真方面，需注意50Hz工频陷波以及低通滤波引起的QRS波群“振铃”现象。除上述对采集的动态ECG信号进行数字滤波提供波形质量外，实时监护过程中还需要对导联状态进行监控，当出现导联脱落时，为避免恶性心律失常和心肌缺血漏报以及后期的动态心电报告的分析处理，远程监护系统需及时通知监护人员对导联脱落的情况进行处理。

基于心电信息的临床大数据归集及存储:首先将医院现有的心电相关数据进行关联性集中管理，即建立病人主索引，从而建立数据中心。基于分布式大数据技术实现分布式的数据存储，为复杂的医疗数据分析构建了多个分布式数据计算节点，它更适用于医疗数据多维表达。通过在应用中对比实体机和虚拟机的运算，我们发现实体机堆叠式的运算方式更适合大数据的运算，要比虚拟化服务器性能高。当然，虚拟化对于前台应用的安全性的确大大提高，但是就大数据这种分布式运算来说，用实体机堆叠式方式来说更好。

数据归集是各种来自不同数据源的数据进入大数据系统的第一步。这个步骤的性能将会直接决定在一个给定的时间段内大数据系统能够处理的数据量的能力。数据归集过程基于对该系统的个性化需求，但一些常用执行的步骤是-解析传入数据，做必要的验证，数据清晰，例如数据去重，转换格式，并将其存储到某种持久层。其性能技巧主要有：

来自不同数据源的传输应该是异步的。可以使用文件来传输、或者使用面向消息的中间件来实现。由于数据异步传输，所以数据采集过程的吞吐量可以大大高于大数据系统的处理能力。异步数据传输同样可以在大数据系统和不同的数据源之间进行解耦。大数据基础架构设计使得其很容易进行动态伸缩，数据采集的峰值流量对于大数据系统来说算是安全的。

如果数据是直接从一些外部数据库中抽取的，确保拉取数据是使用批量的方式。

如果数据是从feed file解析，须使用合适的解析器。例如，如果从一个XML文件中读取也有不同的解析器像JDOM，SAX，DOM等。类似地，对于CSV，JSON和其它这样的格式，多个解析器和API是可供选择。选择能够符合需求的性能最好的。

优先使用内置的验证解决方案。大多数解析/验证工作流程的通常运行在服务器环境(ESB/应用服务器)中。大部分的场景基本上都有现成的标准校验工具。在大多数的情况下，这些标准的现成的工具一般来说要自己开发的工具性能要好很多。

类似地，如果数据XML格式的，优先使用XML(XSD)用于验证。

即使解析器或者校等流程使用自定义的脚本来完成，例如使用java优先还是应该使用内置的函数库或者开发框架。在大多数的情况下通常会比自行开发任何自定义代码快得多。尽量提前滤掉无效数据，以便后续的处理流程都不用在无效数据上浪费过多的计算能力。大多数系统处理无效数据的做法通常是存放在一个专门的表中，须在系统建设之初考虑这部分的数据库存储和其他额外的存储开销。

如果来自数据源的数据需要清洗，例如去掉一些不需要的信息，尽量保持所有数据源的抽取程序版本一致，确保一次处理的是一个大批量的数据，而不是一条记录一条记录的来处理。一般来说数据清洗需要进行表关联。数据清洗中需要用到的静态数据关联一次，并且一次处理一个很大的批量就能够大幅提高数据处理效率。

数据去重非常重要，这个过程决定了主键是由哪些字段构成。通常主键都是时间戳或者id等可以追加的类型。一般情况下，每条记录都可能根据主键进行索引来更新，所以最好能够让主键简单一些，以保证在更新的时候检索的性能。

来自多个数据源接收的数据可以是不同的格式。有时，需要进行数据移植，使接收到的数据从多种格式转化成一种或一组标准格式。

和解析过程一样，我们建议使用内置的工具，相比于从零开发的工具性能会提高很多。

数据移植的过程一般是数据处理过程中最复杂、最紧急、消耗资源最多的一步。因此，确保在这一过程中尽可能多的使用并行计算。

一旦所有的数据采集的上述活动完成后，转换后的数据通常存储在某些持久层，以便以后分析处理，综述，聚合等使用。

数据存储:一旦所有的数据整合步骤完成后，将进入持久层。数据存储性能相关的技巧包括物理存储优化和逻辑存储结构(数据模型)。这些技巧适用于所有的数据处理过程，无论是一些解析函数产生的或最终输出的数据还是预计算的汇总数据等。

首先选择数据范式。对数据的建模方式对性能有直接的影响，例如像数据冗余，磁盘存储容量等方面。对于一些简单的文件导入数据库中的场景，也许需要保持数据原始的格式，对于另外一些场景，如执行一些分析计算聚集等，可能不需要将数据范式化。

大多数的大数据系统使用Oracle数据库处理数据。

不同的Oracle数据库适用不同的场景，一部分在select时性能更好，有些是在插入或者更新性能更好。

数据库分为行存储和列存储,具体的数据库选型依赖于具体需求(例如，应用程序的数据库读写比)。

同样每个数据库都会根据不同的配置从而控制这些数据库用于数据库复制备份或者严格保持数据一致性.这些设置会直接影响数据库性能。在数据库技术选型前一定要注意。压缩率、缓冲池、超时的大小，和缓存的对于不同的Oracle数据库来说配置都是不同的，同时对数据库性能的影响也是不一样的。

数据Sharding和分区是这些数据库的另一个非常重要的功能。数据Sharding的方式能够对系统的性能产生巨大的影响，所以在数据Sharding和分区时需谨慎选择。并非所有的Oracle数据库都内置了支持连接，排序，汇总，过滤器，索引等。如果有需要还是建议使用内置的类似功能，因为自己开发的还是不灵。

Oracle内置了压缩、编解码器和数据移植工具。如果这些可以满足您的部分需求，那么优先选择使用这些内置的功能。这些工具可以执行各种各样的任务，如格式转换、压缩数据等，使用内置的工具不仅能够带来更好的性能还可以降低网络的使用率。

许多Oracle数据库支持多种类型的文件系统。其中包括本地文件系统，分布式文件系统，甚至基于云的存储解决方案。

如果在交互式需求上有严格的要求，否则还是尽量尝试使用Oracle本地(内置)文件系统。如果使用一些外部文件系统/格式，则需要对数据进行相应的编解码/数据移植。它将在整个读/写过程中增加原本不必要的冗余处理。

十多个不同业务系统的数据分别由关系型数据库、文本文件、二进制文件、XML文件等多种方式存在。大数据中心将其统一转化为基于HL7 RIM模型的标准化存储。标准化后的临床数据通过基于事件、主数据相关的唯一索引进行面向临床事件逻辑的索引化时间序列存储。

结构化数据的组织与存储:涉及窗口业务的大量临床数据均存储于关系型数据库中，大量临床过程中的相关事件数据集中存储在同一表的行记录中，如挂号记录、挂号计费记录、医嘱申请、医嘱生成、医嘱执行等。

临床数据中心的数据适配器组件中将源系统数据完整整合到数据中心后，进行标准RIM模型适配，完成RIM模型的标准化转化，同时参照业务逻辑进行术语的标准化映射与转化，建立参数者与主数据间的映射。

文档数据的组织与存储:电子病历系统、护理系统、手术麻醉系统存在大量基于文档的数据，各个不同系统分别采用了文本文件、XML文件、CDA文件或关系型数据库进行文档的存储。如病程记录、手术记录、护理记录等，并在各个业务系统中存在大量不同使用场景下产生的文档，涉及到文档类型大概达58种之多。

临床数据中心在整合过程中按照HL7 CDA的标准，根据来源系统的实际情况按照不同级别进行CDA文档转换进行文档标准化，实际过程中二进制文件被转换为Level 1，文本文件转化为Level 2，而XML文件和符合CDA规范的文档按照CDA Level 3进行标准化后进行存储。同样需要按照上文提到的建立参与者与主数据之间的映射。

基于Hadoop分布式大数据技术实现分布式的数据存储，为复杂的医疗数据分析构建了多个分布式数据计算节点，它更适用于医疗数据多维表达。通过在应用中对比实体机和虚拟机的运算，我们发现实体机堆叠式的运算方式更适合大数据的运算，要比虚拟化服务器性能高。当然，虚拟化对于前台应用的安全性的确大大提高，但是就大数据这种分布式运算来说，用实体机堆叠式方式来说更好。

Hadoop是一種基于Java的分散式数据处理框架。它可以提供对储存在多个硬件设备上的数据进行高吞吐率的读写。更重要的是，它对大数据具有高容错性和对并行应用程序的高可用性。Hadoop框架结构由若干名字节点(NameNode)和数据节点(DataNode)组成。一份数以万计，百万计的大数据文件会被分割成更小的文件信息块储存在多个数据节点里，可以是任何计算机硬件设备。

有关这些文件的数据属性资料信息称作metadata则被存储在名字节点里(NameNode)。NameNode主要管理文件系统的命名空间和客户端对文件的访问操作记录。

当访问和操作数据文件时，客户端会联系名字节点提取文件信息块的属性信息比如位置，文件名等。然后根据这些属性信息，客户端直接从相应的数据节点同时读取数据块。Hadoop本身具有冗余和复制功能，保证在单个硬件储存设备出现故障时数据仍旧能被恢复而没有任何损失，比如每个数据节点默认拥有3个备份之类。

此外，在有新数据节点添加到框架中时，Hadoop还可以自动平衡每个数据节点的数据载有量。同样，名字节点也可以拥有冗余和复制功能，用于在单个储存数据属性信息的名字节点出现故障时可以恢复相应的数据属性信息。

MapReduce则是一种可以用来并行处理大数据的编程模型。同一程序在Hadoop的框架下可以用各种不同的语言(Java,Ruby,Python等)按MapReduce的编程模型进行编写和运行。其关键就在于三个词：map,reduce,和并行处理。

基于心电信息的临床大数据分析及展现

数据分析:数据处理和分析是一个大数据系统的核心。像聚合，预测，聚集，和其它这样的逻辑操作都需要在这一步完成。大数据系统架构有两个组成部分，实时数据流处理和批量数据处理，其性能技巧主要有：在细节评估和数据格式和模型后选择适当的数据处理框架。其中一些框架适用于批量数据处理，而另外一些适用于实时数据处理。同样一些框架使用内存模式，另外一些是基于磁盘io处理模式。有些框架擅长高度并行计算，这样能够大大提高数据效率。基于内存的框架性能明显优于基于磁盘io的框架，但是同时成本也可想而知。概括地说，当务之急是选择一个能够满足需求的框架。否则就有可能既无法满足功能需求也无法满足非功能需求，当然也包括性能需求。一些这些框架将数据划分成较小的块。这些小数据块由各个作业独立处理。协调器管理所有这些独立的子作业在数据分块是需要当心。该数据快越小，就会产生越多的作业，这样就会增加系统初始化作业和清理作业的负担。如果数据快太大，数据传输可能需要很长时间才能完成。这也可能导致资源利用不均衡，长时间在一台服务器上运行一个大作业，而其他服务器就会等待。不要忘了查看一个任务的作业总数。在必要时调整这个参数。最好实时监控数据块的传输。在本机机型io的效率会更高，这么做也会带来一个副作用就是需要将数据块的冗余参数提高，这样又会反作用使得系统性能下降。

此外，实时数据流需要与批量数据处理的结果进行合并。设计系统时尽量减少对其他作业的影响。

大多数情况下同一数据集需要经过多次计算。这种情况可能是由于数据抓取等初始步骤就有报错，或者某些业务流程发生变化，值得一提的是旧数据也是如此。设计系统时需要注意这个地方的容错。需要存储原始数据的时间较长，因此需要更多的存储。

数据结果输出后应该保存成用户期望看到的格式。例如，如果最终的结果是用户要求按照每周的时间序列汇总输出，要将结果以周为单位进行汇总保存。

为了达到这个目标，大数据系统的数据库建模就要在满足用例的前提下进行。例如，大数据系统经常会输出一些结构化的数据表，这样在展示输出上就有很大的优势。

更常见的是，这可能会这将会让用户感觉到性能问题。例如用户只需要上周的数据汇总结果，如果在数据规模较大的时候按照每周来汇总数据，这样就会大大降低数据处理能力。一些框架提供了大数据查询懒评价功能。在数据没有在其他地方被使用时效果不错。实时监控系统的性能，这样能够帮助预估作业的完成时间。

数据展现:精心设计的高性能大数据系统通过对数据的深入分析，能够提供有价值战略指导，这就是可视化的用武之地。良好的可视化帮助用户获取数据的多维度透视视图。

传统的BI和报告工具，或用于构建自定义报表系统无法大规模扩展满足大数据系统的可视化需求。结合BI功能，我们引进了元素的概念。

确保可视化层显示的数据都是从最后的汇总输出表中取得的数据。这些总结表可以根据时间短进行汇总，建议使用分类或者用例进行汇总。这么做可以避免直接从可视化层读取整个原始数据。

这不仅最大限度地减少数据传输，而且当用户在线查看在报告时还有助于避免性能卡顿问题。

重分利用大化可视化工具的缓存。缓存可以对可视化层的整体性能产生非常不错的影响。

物化视图是可以提高性能的另一个重要的技术。大部分可视化工具允许通过增加线程数来提高请求响应的速度。如果资源足够、访问量较大那么这是提高系统性能的好办法。尽量提前将数据进行预处理，如果一些数据必须在运行时计算将运行时计算简化到最小。可视化工具可以按照各种各样的展示方法对应不同的读取策略。其中一些是离线模式、提取模式或者在线连接模式。每种服务模式都是针对不同场景设计的。同样，一些工具可以进行增量数据同步。这最大限度地减少了数据传输，并将整个可视化过程固化下来。保持像图形，图表等使用最小的尺寸，并可根据用户需求进行拖拉变大。大多数可视化框架和工具的使用可缩放矢量图形(SVG)。使用SVG复杂的布局可能会产生严重的性能影响。

建设远程心电报告及会诊平台:在基层医疗机构遇到疑难病例时，需及时做远程心电申请，以免耽误最佳治疗时机。由基层通过手机端发起报告申请，同时将病人心电数据及实时病情发送至的专家及医生。医生可在PC端或手机端全面了解病人的相关病历及实时病情。报告完成后，将被自动上传到心电数据服务平台，并将相关报告结果发送至下级医疗机构。对于重症病人，可开展远程会诊功能，邀请心电专家根据心电病人的心电图，并调用临床数据中心中的历史病情及诊疗记录，进行及时准确的诊断。

建立远程心电AI预警模型:

特征点识别技术是远程心电预警系统的关键，其准确性和可靠性决定着系统的误报和漏报的数量。其中ECG心拍的检测是特征点识别中的首要问题，只有确定了ECG的心拍位置后，才能进一步确定

QRS波群的起止点、计算QRS波群宽度、T波识别、QRS主峰的极性、Q峰位置、R峰位置和S峰位置等信息。目前，受限于噪声的影响，动态心电还未能对P波实现有效的检测。常用的ECG心拍位置检测方法有幅度法、斜率法、面积法、变换法(带通滤波、差分、平方和积分)及小波变换等。幅度法、斜率法算法实现简单、效率较高，但抗噪音效果较差；小波变换具有数学显微镜的功能，可以在多个尺度上对心电信号进行同时分析，可有效的抑制基线漂移、高频噪声和运动干扰，但因运算的复杂度较高，并不适用于远程实时心电的监护；兼顾算法的效率和准确度。目前，采用比较多的为带通滤波、差分、平方和积分的变换方法，变换后再采用阈值检测的方法，并设置一定的回检策略，以提高心拍检测的准确率。

分析诊断模块根据计算出的特征点位置，计算被监测患者的实时心率，进一步对ECG信号进行分析诊断，支持的报警疾病类型主要包括长间歇、心动过速、心动过缓、室早、RonT、心房颤动、室速(室颤)、ST压低和ST抬高。还可运用人工智能、深度学习等自动化技术提高诊断水平和效率。

根据分析诊断出的疾病类型，按照心律失常的严重程度进行远程预警，自动将异常情况传送到心电监测中心，并且根据心律失常和心肌缺血变化趋势，自适应调整报警阈值。还可根据诊断提示相应的紧急处置措施，紧急情况下可利用定位技术向附近医疗机构或急救中心发出求救信息和坐标位置，以便医护人员及时发现和救治。

确定个性化心电危急值标准:心电危急值是指危及生命的心电图表现，可导致严重的血流动力学异常甚至威胁患者生命构成威胁，这类心电图是急诊中较常见的临床急症和危重症，医务人员应掌握其诊断要点，做到及时识别和诊断，以实施紧急合理的救治。常见的心电“危急值”有：严重的快速性心律失常、严重的缓慢性心律失常、药物引起的心律失常急症、药物及与电解质相关的急症。

当心电医师发现危急值时，应当在进行复核确认后，立即通过电话或口头向相关科室按照“谁报告，谁记录，谁通知”的原则在《危急值报告登记本》上规范、完整、准确地记录，并将全部信息向报告方复读确认。内容包括：患者姓名、门诊号、科室，检查项目名称、结果、日期、复核结果，临床接收联系人姓名、人员类别、联系电话、复述情况、报告实践，报告人姓名等。

为加强临床危急值的管理，确保危急值的准确报告和及时处置，保障患者医疗安全，需要制定一定的标准作为AI预警模型的参数指标。制定个性化基线特征，以人工智能对海量心电信息进行筛选并给出辅助诊疗建议。

根据本发明实施例的基于大数据的远程心电AI诊疗平台，包括心电病人临床大数据中心、AI智能诊断系统和手机APP应用三大部分。重点是将分布在各医疗机构的心电设备采集的心电检查数据、报告进行数字化，对心电病人临床数据进行采集、清洗及标准化，并统一存储到临床大数据中心系统服务器中，实现数据集中共享；通过大数据挖掘分析技术及人工智能技术，实现心电病人的智能分析诊断功能；通过Holter及可穿戴设备数据监测，利用远程心电监护技术，可以跨越地域的限制，随时随地对患者进行心电监护，并实现心电“危急值”预警；同时可实现院前急救病人信息数据的实时传输，为病人入院后快速救治节省宝贵时间。

本发明可以为有效地支持心血管疾病分级诊疗和临床科研，为基层医院和患者提供先进的医疗服务。本发明建立基于大数据的远程心电AI诊疗平台，实现远程心电会诊功能，利用远程心电及体征监护技术，对各类高危患者“危急值”数据进行个性化定制及预警提示，“智能”提出诊疗建议进行临床辅助决策，实现对心电信息远程、快速、准确的早期诊断，提高基层医院心电信息诊断水平，对预防、识别、监控心血管病的发生具有重要的实践意义和临床价值。

本发明实施例的基于大数据的远程心电AI诊疗平台，可以实现以下目标：将医院心电病人的临床数据进行归集、清洗、标准化，构建心电病人临床大数据中心，实现心电数据的集中共享；基于平台内置的微小化应用，实现临床辅助决策人工智能应用，提升临床大数据应用水平、临床辅助深度；确定患者临床及心电特征基线，个性化定制危急值，实现心电信息远程、高效判读，提升心电诊断效率及准确性；建设院前远程急救系统，实现重大心血管疾病的早期预防、诊断与治疗。

本发明支持同步十二导联/三导联二十四小时动态心电记录；可通过蓝牙、3G/4G、WLAN进行数据传输；采样率可达4000sps/通道。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。