DE102018117484A1 - A method and apparatus for detecting atrial fibrillation based on a high sensitivity photomicrograph using a portable device - Google Patents
A method and apparatus for detecting atrial fibrillation based on a high sensitivity photomicrograph using a portable device Download PDFInfo
- Publication number
- DE102018117484A1 DE102018117484A1 DE102018117484.5A DE102018117484A DE102018117484A1 DE 102018117484 A1 DE102018117484 A1 DE 102018117484A1 DE 102018117484 A DE102018117484 A DE 102018117484A DE 102018117484 A1 DE102018117484 A1 DE 102018117484A1
- Authority
- DE
- Germany
- Prior art keywords
- data samples
- motion
- user
- portable device
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims description 135
- 230000035945 sensitivity Effects 0.000 title 1
- 230000033001 locomotion Effects 0.000 claims abstract description 154
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000001303 quality assessment method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000013186 photoplethysmography Methods 0.000 claims description 95
- 238000001514 detection method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 206010061592 cardiac fibrillation Diseases 0.000 claims 1
- 230000001133 acceleration Effects 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 102100032202 Cornulin Human genes 0.000 description 6
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000000707 wrist Anatomy 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004557 technical material Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 208000003663 ventricular fibrillation Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/07—Home care
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
Eine Vorrichtung enthält ein Sensormodul, ein Datenverarbeitungsmodul, ein Qualitätsbewertungsmodul und ein Ereignisvorhersagemodul. Das Sensormodul stellt Biosignaldatenproben und Bewegungsdatenproben bereit. Das Datenverarbeitungsmodul verarbeitet die Biosignaldatenproben um eine Grundlinie zu entfernen und verarbeitet die Bewegungsdatenproben um eine Bewegungssignifikanzmessung durchzuführen. Das Qualitätsbewertungsmodul erzeugt einen Signalqualitätsindikator basierend auf den verarbeiteten Biosignaldatenprobensegmenten und der entsprechenden Bewegungssignifikanzmessung unter Verwendung eines ersten Tiefenlernmodells. Das Ereignisvorhersagemodul erzeugt ein Ereignisvorhersagergebnis basierend auf den verarbeiteten Biosignaldatenprobensegmenten, die mit einem gewünschten Signalqualitätsindikator assoziiert sind unter Verwendung eines zweiten Tiefenlernmodells. An apparatus includes a sensor module, a data processing module, a quality assessment module, and an event prediction module. The sensor module provides biosignal data samples and motion data samples. The data processing module processes the biosignal data samples to remove a baseline and processes the motion data samples to perform a motion significance measurement. The quality assessment module generates a signal quality indicator based on the processed biosignal data sample segments and the corresponding motion significance measurement using a first depth learning model. The event prediction module generates an event prediction result based on the processed biosignal data sample segments associated with a desired signal quality indicator using a second depth learning model.
Description
Bezugnahme auf verbundene AnmeldungenReference to related applications
Diese Patentanmeldung beansprucht Priorität der vorläufigen
Technisches GebietTechnical area
Die vorliegende Offenbarung bezieht sich auf eine medizinische Überwachungsvorrichtung und ein Verfahren dafür und insbesondere auf ein System und ein Verfahren zur Erfassung von Herzflimmern unter Verwendung einer tragbaren Vorrichtung.The present disclosure relates to a medical monitoring device and method, and more particularly, to a system and method for detecting atrial fibrillation using a portable device.
Technischer HintergrundTechnical background
Herzflimmern (Artrial Fibrillation - AFib) ist eines der meistvorkommenden Herz-Arrhythmien mit einer Verbreitung von etwa 2 % in der Allgemeinbevölkerung der entwickelten Welt. Das Vorhandensein von AFib könne potenziell zu gravierenden Gesundheitsrisiken führen. Traditionell wird AFib durch ein Elektrokardiogramm (ECG) detektiert. Obwohl der ECG basierte Ansatz eine hohe Genauigkeit bei der Detektion von AFib erreicht, erfordert das Erfassen eines ECG-Signals ausgeklügelte Vorrichtungen mit einer Vielzahl installierter Elektroden und der Prozess erfordert aktive menschliche Mitwirkung. Neuerdings ist die Photoplethysmographie (PPG) eine vielversprechende Alternative zu dem ECG in der AFib-Erfassung geworden. Der Vorteil der PPG-basierten Lösung ist, dass PPG-Signale leicht erfasst und beobachtet werden können durch Verbraucher-niveau-tragbare Vorrichtungen, die keine aktive Mitwirkung durch die Teilnehmer erfordern. Dieser Vorteil zusammen mit den erschwinglichen tragbaren Vorrichtungen und Smartphones kann die tägliche und benutzerfreundliche AFib-Erfassung und Beobachtung für die Allgemeinheit ermöglichen, was zu einem riesigen vorteilhaften Einfluss für die AFib-betroffene Bevölkerung führt.Atrial fibrillation (AFib) is one of the most prevalent cardiac arrhythmias with a prevalence of about 2% in the general population of the developed world. The presence of AFib could potentially lead to serious health risks. Traditionally, AFib is detected by an electrocardiogram (ECG). Although the ECG based approach achieves high accuracy in the detection of AFib, detecting an ECG signal requires sophisticated devices with a variety of installed electrodes and the process requires active human involvement. Recently, photoplethysmography (PPG) has become a promising alternative to ECG in AFib acquisition. The advantage of the PPG-based solution is that PPG signals can be easily detected and monitored by consumer-level portable devices that do not require active participation by the subscribers. This advantage, along with the affordable handheld devices and smartphones, can enable daily and user-friendly AFib capture and monitoring for the general public, resulting in a huge beneficial impact for the AFib-affected population.
Die Verarbeitung von durch tragbare Vorrichtungen erfassten PPG-Signalen ist anspruchsvoll aufgrund der verschiedenen Störtypen, die die Signalqualität beeinflussen. Die Signalqualität kann drastisch durch die Qualität der Sensoren und Bewegung des Nutzers beeinflusst werden. Das Fehlerrauschen von den Sensoren und den Nutzerbewegungen kann alle Signale, die zur Erfassung von AFib nützlich sind verdecken. Vorangegangene Studien an PPG-Signalen die von tragbaren Vorrichtungen erfasst wurden, versuchten dieses Problem unter Verwendung von einem handgemachten Signalqualitätsindex der durch PPG-Daten oder Beschleunigungsdaten bestimmt wurde zu lösen. In Realität jedoch sind diese manuell erzeugten Eigenschaften leicht anfällig für eine hohe Befangenheit und schwache Verallgemeinbarkeit. Das ungefilterte Signal niedriger Qualität verschlechtert die Leistungsfähigkeit der AFib-Erfassung in realer Verwendung.The processing of portable device-detected PPG signals is demanding because of the various types of interference affecting signal quality. The signal quality can be drastically influenced by the quality of the sensors and movement of the user. The error noise from the sensors and user movements may obscure all signals useful for detecting AFib. Previous studies on PPG signals detected by portable devices attempted to solve this problem using a hand-made signal quality index determined by PPG data or acceleration data. In reality, however, these manually generated properties are easily susceptible to high bias and poor generalizability. The unfiltered low-quality signal degrades the performance of AFib detection in real use.
ZusammenfassungSummary
Die vorliegende Beschreibung offenbart, wie im Wesentlichen unten beschrieben und/oder dargestellt, ein Verfahren zur Erfassung von Herzflimmern, zum Beispiel im Zusammenhang mit wenigstens einer der Figuren, wie es noch vollständiger in den Patentansprüchen beschrieben ist.The present specification discloses, as substantially described and / or illustrated below, a method of detecting atrial fibrillation, for example in conjunction with at least one of the figures, as more fully described in the claims.
Diese und weitere Vorteile, Aspekte und neuen Eigenschaften der vorliegenden Beschreibung, genauso wie die Details der dargestellten Ausführungsformen können noch vollständiger aus der folgenden Beschreibung und den Figuren verstanden werden.These and other advantages, aspects and novel features of the present description, as well as the details of the illustrated embodiments, may be more fully understood from the following description and the figures.
Gemäß einer Ausführungsform enthält eine Vorrichtung ein Sensormodul mit einem ersten Sensor, der geeignet ist um ein biologisches Signal zu messen und einen zweiten Sensor geeignet um ein Bewegungssignal zu messen, wobei das Sensormodul Biosignaldatenproben und Bewegungsdatenproben als Ausgabe erzeugt; ein Datenverarbeitungsmodul, das geeignet ist um Prozesssegmente der Biosignaldatenproben zu verarbeiten, bei dem jedes Segment Biosignaldatenproben enthält, die über eine vorher festgelegte Zeitdauer gesammelt wurden. Das Datenverarbeitungsmodul ist geeignet um von jedem Segment der Biosignaldatenproben eine Signalgrundlinie abzuziehen und um verarbeitete Biosignaldatenprobensegmente zu erzeugen, und ist außerdem geeignet um die Bewegungswichtigkeitsmessung (Bewegungssignifikanzmessung) für jedes Segment der Biosignaldatenproben unter Verwendung der Bewegungsdatenproben die gemeinsam mit den Biosignaldatenproben erfasst wurden zu erzeugen; Die Bewegungswichtigkeitsmessung kann ein Beispiel für den Grad der Bewegung während des Erfassens des jeweiligen Segments der Biosignaldatenproben sein. Die Vorrichtung enthält außerdem ein Qualitätsbewertungsmodul, das geeignet ist um einen Signalqualitätsindikator basierend auf den verarbeiteten Biosignaldatenprobensegmenten und der entsprechenden Bewegungswichtigkeitsmessung unter Verwendung eines ersten Tiefenlernmodells (tiefgehendes Lernmodell : deep learning model) zu erzeugen; und ein Ereignisvorhersagemodul geeignet um ein Ereignisvorhersageergebnis basierend auf den verarbeiteten Biosignaldatenprobensegmenten, die mit einem gewünschten Signalqualitätsindikator verknüpft sind unter Verwendung eines zweiten Tiefenlernmodells zu erzeugen.According to one embodiment, an apparatus includes a sensor module having a first sensor adapted to measure a biological signal and to measure a second sensor suitably by a motion signal, the sensor module producing biosignal data samples and motion data samples as output; a data processing module adapted to process process segments of the biosignal data samples, each segment containing biosignal data samples collected over a predetermined period of time. The data processing module is operable to subtract a signal baseline from each segment of the biosignal data samples and to produce processed biosignal data sample segments, and is also capable of generating motion significantness (motion significance measurement) for each segment of the biosignal data samples using the motion data samples collected along with the biosignal data samples; The motion importance measurement may be an example of the degree of movement during detection of the respective segment of biosignal data samples. The apparatus also includes a quality assessment module adapted to generate a signal quality indicator based on the processed biosignal data sample segments and the corresponding motion importance measurement using a first deep learning model; and an event prediction module adapted to provide an event prediction result based on the processed biosignal data sample segments having a desired biosignal data sample segment Signal quality indicator are linked using a second depth learning model to produce.
Figurenlistelist of figures
Verschiedene Ausführungsformen der vorliegenden Beschreibung sind in der folgenden Beschreibung und den begleitenden Figuren detailliert beschrieben.
-
1 zeigt eine Vorrichtung gemäß Ausfiihrungsformen der vorliegenden Erfindung. -
2 zeigt ein Blockdiagramm einer elektronischen Vorrichtung gemäß Ausführungsformen der vorliegenden Erfindung. -
3 zeigt ein AFib-Erfassungssystem gemäß Ausführungsformen der vorliegenden Erfindung. -
4 zeigt ein Flussdiagramm, das ein Verfahren zur AFib-Erfassung und einer tragbaren Vorrichtung gemäß Ausführungsformen der vorliegenden Erfindung zeigt. -
5 zeigt Beispiele verschiedener PPG-Datenprobensegmente, die mit verschiedenen Qualitätswerten als Qualitätslabels gekennzeichnet sind. -
6 zeigt beispielhafte Kurvenformen der Bewegungswichtigkeitsmessung eines 30-Sekundensegments eines PPG-Signals -
7 zeigt die Architektur eines Qualitätsprüfungsnetzwerks in einigen Ausführungsformen -
8 zeigt die Architektur eines AFib-Vorhersagenetzwerks unter Verwendung des CRNN-Modells gemäß einiger Ausführungsformen.
-
1 shows a device according to embodiments of the present invention. -
2 FIG. 12 is a block diagram of an electronic device according to embodiments of the present invention. FIG. -
3 shows an AFib detection system according to embodiments of the present invention. -
4 FIG. 12 is a flowchart showing a method of AFib detection and a portable device according to embodiments of the present invention. FIG. -
5 shows examples of different PPG data sample segments labeled with different quality values as quality labels. -
6 FIG. 12 shows exemplary waveforms of motion importance measurement of a 30 second segment of a PPG signal -
7 shows the architecture of a quality inspection network in some embodiments -
8th FIG. 12 shows the architecture of an AFib predictive network using the CRNN model according to some embodiments.
Detaillierte BeschreibungDetailed description
Die vorliegende Offenbarung kann auf viele Arten implementiert werden, unter anderem als ein Prozess, eine Vorrichtung, ein System, eine Materialzusammensetzung, ein Computerprogrammprodukt auf einem Computerlesbarem Speichermedium, und/oder einem Prozessor, wie beispielsweise einem Hardwareprozessor oder einer Prozessorvorrichtung, die geeignet ist um auf einem mit dem Prozessor verbundenen Speicher gespeicherte und/oder bereitgestellte Befehle auszuführen. In dieser Beschreibung wird auf diese Implementierungen oder irgendeine andere Form, die die vorliegende Beschreibung einnehmen kann als Technik Bezug genommen. Im Allgemeinen kann die Reihenfolge der Schritte der offenbarten Prozesse im Umfang der vorliegenden Beschreibung geändert werden. Beschrieben werden kann eine Komponente, wie beispielsweise ein Prozessor oder ein Speicher der beschrieben ist als konfiguriert um eine Aufgabe auszuführen als eine generelle Komponente implementiert werden, die konfiguriert ist um die Aufgabe zu einem bestimmten Zeitpunkt oder als eine spezielle Komponente, die hergestellt wurde um die Aufgabe auszuführen. Wie im Folgenden verwendet, bezieht sich der Ausdruck „Prozessor“ auf eine oder mehrere Vorrichtungen, Schaltkreise und/oder Prozessorkerne, die geeignet sind um Daten wie beispielsweise Computerprogrammbefehle zu verarbeiten.The present disclosure may be implemented in many ways, including but not limited to, a process, apparatus, system, material composition, computer program product on a computer readable storage medium, and / or a processor, such as a hardware processor or processor device execute commands stored and / or provided on a memory connected to the processor. Throughout this description, these implementations or any other form that the present description may take is referred to as a technique. In general, the order of the steps of the disclosed processes may be changed within the scope of the present description. Described may be a component, such as a processor or memory described as configured to perform a task, implemented as a generic component that is configured to perform the task at a particular time or as a specific component that has been manufactured Perform task. As used herein, the term "processor" refers to one or more devices, circuits, and / or processor cores suitable for processing data, such as computer program instructions.
Eine detaillierte Beschreibung einer oder mehrerer Ausführungsformen der vorliegenden Erfindung ist unten zusammen mit den begleitenden Figuren, die die Prinzipien der vorliegenden Beschreibung darstellen bereitgestellt. Die vorliegende Offenbarung ist in Verbindung mit solchen Ausführungsformen beschrieben, die vorliegende Beschreibung ist jedoch nicht auf irgendeine Ausführungsform beschränkt. Der Umfang der vorliegenden Beschreibung ist nur durch die Patentansprüche beschränkt und die vorliegende Offenbarung umfasst eine Vielzahl an Alternativen, Modifikationen und Äquivalenten. Viele spezielle Details sind in der vorliegenden Beschreibung dargestellt um eine sorgfältiges Verständnis der vorliegenden Beschreibung zu vermitteln. Diese Details sind beispielhaft genannt und die vorliegende Beschreibung kann gemäß der Patentansprüche praktiziert werden ohne einige oder alle dieser speziellen Details. Zum Zwecke der Klarheit wurde das technische Material, das in den technischen Feldern in Bezug auf die vorliegende Beschreibung bekannt ist nicht im Detail beschrieben, so dass die vorliegende Beschreibung nicht unnötig verkompliziert wird.A detailed description of one or more embodiments of the present invention is provided below together with the accompanying drawings which illustrate the principles of the present specification. The present disclosure is described in connection with such embodiments, but the present description is not limited to any embodiment. The scope of the present description is limited only by the claims, and the present disclosure includes a variety of alternatives, modifications, and equivalents. Many specific details are set forth in the present description to provide a thorough understanding of the present description. These details are exemplary and the present description may be practiced according to the claims without some or all of these specific details. For the sake of clarity, the technical material known in the technical fields with respect to the present specification has not been described in detail, so that the present description will not be unnecessarily complicated.
In einigen Ausführungsformen der vorliegenden Erfindung implementiert eine Nutzer-tragbare Vorrichtung ein Herzflimmer-(AFib)-erfassungssystem um eine hochgenaue AFib-Detektierung unter Verwendung eines Kanals eines biologischen Sensorsignals und eines Bewegungssignals bereitzustellen, wobei lediglich die Computerleistung durch die tragbare Vorrichtung bereitgestellt wird. Gemäß einiger Ausführungsformen umfasst die tragbare Vorrichtung einen biophysiologischen Sensor und einen Inertial-Messsensor um das biologische Signal und das Bewegungssignal eines Objektes, das die nutzer-tragbare Vorrichtung trägt zu sammeln. Die nutzer-tragbare Vorrichtung implementiert außerdem ein neuronales Netzwerk unter Verwendung von Tiefenlernmodellen um AFib unter Verwendung des biologischen Signals und des Bewegungssignals zu detektieren. Gemäß einigen Ausführungsformen ist der biophysiologische Sensor ein Photoplethysmografie-(PPG)-Sensor und der Anfangsmesssensor ist ein Beschleunigungsmessgerät. Auf diese Art und Weise wird durch die nutzer-tragbare Vorrichtung zu geringen Kosten eine tragbare, nicht zerstörende Vorrichtung zum Beobachten und Erfassen von AFib bereitgestellt, die einen Zugang für die allgemeine Bevölkerung ermöglicht. In anderen Ausführungsformen kann die nutzer-tragbare Vorrichtung angepasst sein als medizinische Beobachtungsvorrichtung zum Erfassen anderer biologischer Sensorsignale und unter Verwendung der detektierten biologischen Sensorsignale mit den Bewegungsdaten des Subjekts um ein medizinisches Ereignis von Interesse zu detektieren. Die Konfiguration und Anwendung auf eine nutzer-tragbare Vorrichtung der vorliegenden Beschreibung ist nicht auf Herzkammerflimmer-Erfassung beschränkt und kann weitere Anwendungen in der Gesundheitsbeobachtung haben.In some embodiments of the present invention, a user-portable device implements a cardiac flicker (AFib) detection system to provide highly accurate AFib detection using a channel of a biological sensor signal and a motion signal, with only the computer power provided by the portable device. According to some embodiments, the portable device includes a biophysiological sensor and an inertial measurement sensor for collecting the biological signal and the motion signal of an object carrying the user-portable device. The user-portable device also implements a neural network using deep learning models to detect AFib using the biological signal and the motion signal. According to some embodiments, the biophysiological sensor is a photoplethysmography (PPG) sensor and the initial measurement sensor is an accelerometer. In this way, the portable user-friendly device provides a portable non-destructive device for monitoring and detecting AFib at a low cost, allowing access to the general population. In other embodiments, the user-portable device may be adapted as a medical observation device for detecting other biological sensor signals and using the detected biological sensor signals with the movement data of the subject to detect a medical event of interest. The configuration and application to a user-portable device of the present disclosure is not limited to ventricular fibrillation detection and may have other applications in health observation.
Die nutzer-tragbare Vorrichtung zur AFib-Erkennung gemäß der vorliegenden Erfindung erreicht viele Vorteile gegenüber gewöhnlichen Systeme und Verfahren. Als Erstes verwendet das AFib-Erkennungssystem gemäß der vorliegenden Erfindung einen einzelnen Kanal eines biologischen Signals und einen einzelnen Kanal für das Bewegungssignal und eine leichtgewichtige AFib-Erkennungsmethode die mit einen Minimum an Vorbehandlung oder Umwandlung direkt neuronale Netzwerke auf die Rohsignale der Sensoren anwendet. Demgemäß kann das AFib-Erkennungssystem effektiv in einer tragbaren Vorrichtung implementiert werden und trotzdem eine sehr genaue AFib-Erkennung ermöglichen. Zweitens bewertet das AFib-Erkennungssystem das biologische Signal mit dem Bewegungssignal unter Verwendung eines Tiefenlernmodells um die Qualität des biologischen Signals zu beurteilen ohne manuell Qualitätsmessungen zu verwenden. Auf diese Art werden nur biologische Signale mit guter Qualität zur AFib-Erkennung verwendet, wodurch solide AFib-Vorhersageergebnisse erreicht werden. Gemäß einer Ausführungsform enthält das AFib-Erkennungssystem ein Qualitätsbeurteilungsnetzwerk das durch Training eines Hilfs-konvolutional-neuronalen Netzwerks unter Verwendungen eines rohen biologischen Sensorsignals als Eingabe implementiert ist um genau die Qualität der von dem biophysiologischen Sensor gesammelten Signale zu bewerten, ohne manuell Qualitätsmessungen durchzuführen. Das Qualitätsbeurteilungsnetzwerk arbeitet als Pförtner und identifiziert rohe biologische Sensorsignale mit guter Signalqualität, die dann für die AFib-Erkennung geeignet sind. Das AFib-Erkennungssystem enthält außerdem ein AFib-Vorhersagenetzwerk das ein weiteres trainiertes CNN ist und das die Wahrscheinlichkeit eines Vorkommens eines AFib in den Signalen die von dem Qualitätsbeurteilungsnetzwerk bereitgestellt werden vorhersagt. Das AFib-Erkennungssystem der vorliegenden Erfindung erreicht eine hohe Genauigkeit in der AFib-Erkennung die vergleichbar ist zu den Stand der Technik ECG-basierten Ansätzen, hat jedoch eine einfache Struktur die auch in kleinen mobilen Vorrichtungen wie beispielsweise als tragbare Armbandvorrichtung implementiert sein kann.The user-portable AFib recognition device according to the present invention achieves many advantages over ordinary systems and methods. First, the AFib detection system according to the present invention uses a single channel of biological signal and a single channel for the motion signal and a lightweight AFib detection method which directly applies neural networks to the raw signals of the sensors with a minimum of pretreatment or conversion. Accordingly, the AFib recognition system can be effectively implemented in a portable device while still enabling very accurate AFib recognition. Second, the AFib recognition system evaluates the biological signal with the motion signal using a deep learning model to assess the quality of the biological signal without manually using quality measurements. In this way, only good quality biological signals are used for AFib detection, thus achieving solid AFib prediction results. According to one embodiment, the AFib recognition system includes a quality assessment network implemented by training an auxiliary convolutional neural network using a raw biological sensor signal as input to accurately evaluate the quality of the signals collected by the biophysiological sensor without manually performing quality measurements. The quality assessment network operates as a gatekeeper and identifies raw biological sensor signals with good signal quality, which are then suitable for AFib detection. The AFib detection system also includes an AFib prediction network that is another trained CNN and that predicts the probability of occurrence of AFib in the signals provided by the quality assessment network. The AFib recognition system of the present invention achieves high accuracy in AFib recognition comparable to the prior art ECG-based approaches, but has a simple structure that can be implemented even in small mobile devices such as a portable wrist device.
Obwohl die nutzer-tragbare Vorrichtung (
Die Anzeige (
Der Prozessor (
Gemäß einiger Ausführungsformen ist der Sensor (
Die nutzer-tragbare Vorrichtung (
Wieder bezugnehmend auf
Gemäß der Ausführungsformen der vorliegenden Erfindung umfasst das Sensormodul (
Alternativ dazu kann der lokale Prozessor (
Gemäß Ausführungsformen der vorliegenden Erfindung ist der Prozessor (
Demgemäß wird im Betrieb ein von einem biophysikalischen Sensor gemessenes biologisches Signal als Zeitfolge von Biosignaldatenproben bereitgestellt. Ebenso wird ein Bewegungssignal das von einem Intertial-Messsensor gemessen wurde als Bewegungsdatenprobe bereitgestellt. In dem vorliegenden Beispiel arbeiten der PPG-Sensor (
In dem vorliegenden Beispiel stellt der PPG-Sensor (
In der vorliegenden Beschreibung wird das beobachtete biologische Signal als PPG-Signal bezeichnet, es ist jedoch klar, dass auch andere Arten biologischer Signale in dem AFib-Erfassungssystem der vorliegenden Erfindung verwendet werden können. Die Verwendung des PPG-Sensors (
Das AFib-Erfassungssystem (
Das AFib-Erfassungssystem (
Eine hervorstechende Eigenschaft des Qualitätsbewertungsnetzwerks (
Das AFib-Erfassungssystem (
In einer alternativen Ausführungsform empfängt das AFib-Vorhersagenetzwerk (
In einer Ausführungsform ist das erste Tiefenlernmodell in dem Qualitätsbeurteilungsnetzwerk (
In einer anderen Ausführungsform ist das zweite Tiefenlernmodell in dem AFib-Vorhersagenetzwerk (
Bei
Das Verfahren (
Das Verfahren (
In einer weiteren Ausführungsform stellt das Verfahren(
In einigen Ausführungsformen der vorliegenden Erfindung wendet das Qualitätsbewertungsnetzwerk oder Modul das erste Tiefenlernmodell an, um die PPG-Datenproben zu bewerten und um ein gutes oder schlechtes Signalqualitätsniveau zu ermitteln. Das erste Tiefenlernmodell wurde vorher basierend auf einem Satz an Qualitätskennzeichnungen trainiert. In einem Beispiel wird ein Satz an PPG-Daten gesammelt, und die Signalqualität der gesammelten PPG-Daten wird von einem menschlichen Experten bewertet und ein Qualitätsindex von 1 (niedrigste Qualität) bis 10 (höchste Qualität) kann jedem Segment als Qualitätsniveau zugeordnet werden. Beispielsweise kann die Qualität des Signals basierend auf der Morphologie, Periodizität, dem Vorhandensein eines dicrotischen Einschnitts und der Konsistenz der Schläge.
Der hier verwendete Ausdruck „Tiefenlernmodell“ bezieht sich auf die Klassifikation von Modellen die ausgedehnte Trainingszeiten für akkuratere Klassifikationen benötigen. In der Praxis wird das Trainieren eines Klassifikationsmodells auf Hochleistungscomputern durchgeführt, und das trainierte Modell wird dann auf die Vorrichtung übertragen auf der dann Rückschlüsse unter Verwendung des Modells durchgeführt werden. In einigen Ausführungsformen können tiefengreifende-lern-neuronale Netzwerke wie hier verwendet als Tiefenlernmodell bezeichnet werden. Es können jedoch auch andere Maschinenlern- und/oder Klassifizierungstechniken verwendet werden um ein Tiefenlernmodell zu erzeugen. Kurz ausgedrückt beziehen sich Ausführungsformen der vorliegenden Erfindung auf die AFib-Erkennung oder Ereignisvorhersage unter Verwendung eines Maschinenlernens, das basierend auf Expertenbeitrag schrittweise verbessert wird. In wenigstens einer der verschiedenen Ausführungsformen werden Daten für ein Tiefenlernmodell bereitgestellt welches unter Verwendung einer Vielzahl an Klassifizierern (Indexe, Label oder Anmerkungen) und einem oder mehrerer Sätze an Trainingsdaten und/oder Testdaten trainiert wurde.The term "deep learning model" as used herein refers to the classification of models that require extended training times for more accurate classifications. In practice, the training of a classification model is performed on high performance computers and the trained model is then transferred to the device where conclusions are then made using the model. In some embodiments, deep learning neuronal networks, as used herein, may be referred to as a deep learning model. However, other machine learning and / or classification techniques may be used to generate a depth learning model. Briefly, embodiments of the present invention relate to AFib detection or event prediction using machine learning that is progressively improved based on expert contribution. In at least one of the various embodiments, data is provided for a depth learning model that has been trained using a plurality of classifiers (indexes, labels or annotations) and one or more sets of training data and / or test data.
Der detaillierte Aufbau eines AFib-Erfassungssystems gemäß der vorliegenden Erfindung wird nun unter Bezugnahme auf eine Ausführungsform unter Verwendung eines PPG-Sensors als biophysiologischem Sensor beschrieben. Die unten beschriebenen Ausführungsformen sind lediglich beispielhaft und sollen nicht beschränkend ausgelegt werden.The detailed construction of an AFib detection system according to the present invention will now be described with reference to an embodiment using a PPG sensor as a biophysiological sensor. The embodiments described below are merely exemplary and should not be construed as limiting.
Gemäß einer beispielhaften Ausführungsform werden PPG-Daten von
Datenverarbeitungdata processing
In einer Ausführungsform wendet das AFib-Erfassungssystem Elementarwellenzerlegung mit acht Niveaus und Daubechies-Elementarwellen auf jedes Segment der PPG an und der Annäherungskanal wird in der Elementarwellenrekonstruktion entfernt um die Grundlinie zu entfernen. Ein Satz an Bewegungssignifikanzmessungen wird für jedes Segments basierend auf der entsprechenden Größe des Beschleunigungsmesssignals berechnet um den Grad der Bewegung während des Aufzeichnens des PPG-Signals zu erfassen. Beispielsweise können die Bewegungssignifikanzmessungen als Durchschnitt der Größen in drei Achsen gerechnet werden:
-
6 in gute Qualitätssegmente (gekennzeichnet als0 ) und den Rest als schlechte Qualitätssegmente (gekennzeichnet als1 ) wodurch sich beispielsweise716 gute Qualitätssegmente und727 schlechte Qualitätssegmente ergeben.
-
6 into good quality segments (marked as0 ) and the rest as bad quality segments (marked as1 ) which, for example, causes716 good quality segments and727 result in poor quality segments.
QualitätsbewertungsnetzwerkQuality Evaluation Network
Das in
Das Modell ist reguliert um eine Überanpassung mir L2-Beschränkung, die auf die Gewichtung aller konvolutionalen Filter angewandt wird und um eine Drop-Out-Regulation auf die voll-verbundene Schicht zu vermeiden. Der Parameter für die L2-Beschränkung ist 0,05 und die Rate für Drop-Out ist 50 %. Die Gesamtanzahl an Parametern dieses Modells ist 2,529.The model is adjusted for an L2 constraint override applied to the weighting of all convolutional filters and to avoid drop-out regulation on the fully connected layer. The parameter for the L2 constraint is 0.05 and the rate for drop-out is 50%. The total number of parameters of this model is 2.529.
AFib-VorhersagenetzwerkAFib Forecast Network
In einigen Ausführungsformen der vorliegenden Erfindung enthält das AFib-Vorhersagenetzwerk ein zweites neuronales Netzwerk, das das vorverarbeitete PPG-Signal das von dem Qualitätsbewertungsnetzwerk als gutes Signal vorhergesagt wurde, akzeptiert. Das Modell wird mit AFib-Kennzeichnung auf das entsprechende 30-Sekunden-ECG-Signal als Grundrichtigkeitsziele gemäß einer Ausführungsform trainiert. Um effektiv beide lokale Strukturen an Wellenformen und ihren temporalen Fortschritt als Eigenschaften zur Vorhersage von AFib zu extrahieren, wir ein CRNN-Modell (Convolution Recurrent Hybrid Model) entwickelt welches ein Hybridmodell von CNN ist und ein recurrent-neurales Netzwerk (RNN) entwickelt. Das AFib-Vorhersagenetzwerk kann auch unter Verwendung eines CNN-Modells ohne wiederkehrende Strukturen als Grundlinie oder als Typen tiefer neuronaler Netzwerkarchitekturen implementiert sein.In some embodiments of the present invention, the AFib predictive network includes a second neural network that accepts the preprocessed PPG signal predicted by the quality assessment network as a good signal. The model is trained with AFib designation on the corresponding 30 second ECG signal as the basic accuracy objectives, according to one embodiment. To effectively extract both local waveform structures and their temporal progression as properties for predicting AFib, we developed a Convolution Recurrent Hybrid Model (CRNN) model, which is a hybrid model of CNN and develops a recurrent neural network (RNN). The AFib prediction network may also be implemented using a CNN model with no recurring structures as a baseline or as types of deep neural network architectures.
In einer Ausführungsform ist das CNN-Grundlinienmodell ein drei-Schicht-CNN, ähnlich dem Qualitätsbewertungsnetzwerk (siehe
Um effizient Wellenformstrukturen aus jedem Zeitfenster zu extrahieren wird ein Eigenschaftextraktor der drei konvolutionale Schichten enthält auf jedes Fenster angewandt. Die Anzahl der Filter ist
Optimierungoptimization
Die Gewichtung von jedem Modell wurde durch einen Adam-Optimierer (Lernrate von 0,0005) über Rück-Propagierung, unter Verwendung binärer Kreuzentropie als Verlustfunktion optimiert. Um die unausgeglichenen Klassengrößen in den AFib-Erfassungsaufgaben zu adressieren, wird eine höhere Klassengewichtung den unterrepräsentierten Klassen (Segmente ohne AFib) von 0,7 und den anderen Klassen von 0,3 zugeordnet, wenn die AFib-Erfassungsmodelle trainiert werden. Die Modelle können mit mini-batches von
Qualitätsbewertungsergebnisse Quality rating results
Das aktuelle System kann eine Fünffach-Kreuzvalidierung verwenden um die Leistung des Tiefenlernmodells zu bewerten. Das vorliegende System kann eine mittlere Genauigkeit des Tests die in jeder Faltung (ACC) und einer gepoolten AUC setzen in dem vorhergesagte Wahrscheinlichkeiten des in jeder Faltung gesetzten Tests verwendet wird. Um die Effektivität des Modells zu demonstrieren kann ein einfaches regelbasiertes Grundlinienmodell verwendet werden, bei dem der Schwellwert von Bewegungsmessungen auf getrennte Signale für gute und schlechte Qualität gesetzt wird. Gemäß einer Ausführungsform testet das vorliegende System außerdem zwei alternative Modelle: Ein CNN-Modell ohne das Bewegungsmessungen als Eingangsgröße hinzugefügt werden und ein CNN-Modell, das sowohl ein Beschleunigungsmesserrohsignal und ein PPG-Signal verwendet. Die Auswertungen werden im Vergleich zu menschlicher Bewertung als Grundwahrheit getestet. Das Tiefenlernmodell zur Qualitätsbestimmung wie es hier verwendet wird hat eine viel höhere Genauigkeit und AUC als das Grundlinienmodell das AUC von 95,21% erreicht.The current system can use a five-fold cross validation to evaluate the performance of the deep learning model. The present system may use an average accuracy of the test set in each convolution (ACC) and a pooled AUC in the predicted probabilities of the test set in each convolution. To demonstrate the effectiveness of the model, a simple rule-based baseline model can be used in which the threshold of motion measurements is set to separate good and bad quality signals. In one embodiment, the present system also tests two alternative models: a CNN model without adding motion measurements as input, and a CNN model using both a raw accelerometer signal and a PPG signal. The evaluations are tested as basic truth compared to human assessment. The depth learning model for quality determination as used here has a much higher accuracy and AUC than the baseline model achieves the AUC of 95.21%.
AFib-ErfassungsergebnisseAFib detection results
Um das AFib-Erfassungssystem unabhängig zu bewerten, werden alle Signale die mit guter Qualität gekennzeichnet sind (mit einem Qualitätswert > 6) verwendet um die AFib-Vorhersagemodelle zu trainieren und zu validieren. Die sich so ergebenden Signalproben werden durch AFib-Proben dominiert. Um stabilere Modelle zu trainieren wird eine höhere Gewichtung für die unterrepräsentierten Klassen in Verlustfunktionen der Modelle angewandt.In order to independently evaluate the AFib acquisition system, all signals marked with good quality (with a quality value> 6) will be used to train and validate the AFib prediction models. The resulting signal samples are dominated by AFib samples. To train more stable models, a higher weighting is applied to the under-represented classes in loss functions of the models.
Es wurden zwei Modelle getestet inklusive der oben genannten zwei Architekturen CNN und CRNN. Beide Modelle haben eine Genauigkeit größer als 97 % und AUC größer als 99 %. Das Hybrid-Modell erreichte überall die beste Leistung, was beweist, dass das Modellieren der Zeitabhängigkeitsinformation hilfreich ist um AFib vorherzusagen. Das Ergebnis zeigt das eine relativ kleine Netzwerkstruktur mit einer Parameterzahl im Bereich von 10.000 eine sehr hohe Leistung erreichen kann.Two models were tested including the above two architectures CNN and CRNN. Both models have an accuracy greater than 97% and AUC greater than 99%. The hybrid model achieved the best performance everywhere, proving that modeling the time-dependency information is helpful in predicting AFib. The result shows that a relatively small network structure with a number of parameters in the range of 10,000 can achieve very high performance.
In Ausführungsformen der vorliegenden Erfindung zeigte das Tiefenlern-AFib-Erfassungssystem unter Verwendung eines PPG-Signals eine sehr hohe Leistung, bei einem Minimum an manueller Merkmalsentwicklung (feature engeneering) durch das Trainieren eines Qualitätsbewertungsnetzwerks ist das System in der Lage schlechte Signale richtig auszufiltern und stellt dadurch eine solide Vorhersage durch den AFib-Erfassungsalgorhythmus sicher. Dies ist besonders effektiv wenn die Signale von einer tragbaren Vorrichtung kommen und großer Qualitätsschwankung unterliegen. Selbst ein kleines konvolutionales Netzwerk kann daher AFib mit großer Genauigkeit vorhersagen.In embodiments of the present invention, the depth learning AFib acquisition system using a PPG signal exhibited very high performance, with a minimum of feature narrowing by training a quality assessment network, the system is able to properly filter and provide bad signals thereby ensuring a solid prediction through the AFib detection algorithm. This is particularly effective when the signals come from a portable device and are subject to high quality variation. Even a small convolutional network can therefore predict AFib with great accuracy.
Aspekte dieser Offenbarung sind unter Bezugnahme auf Flussdiagrammdarstellungen oder Blockdiagramme beschrieben, in denen jeder Block oder jede Kombination an Blöcken durch Computerprogrammbefehle implementiert sein kann. Die Befehle können einem Prozessor oder einem Allgemeinanwendungscomputer, Spezialanwendungscomputer oder anderen programmierbaren Datenverarbeitungsvorrichtungen um eine Maschine zu bilden oder einen Herstellungsartikel, bereitgestellt werden, und im Falle der Ausführung durch den Prozessor können die Befehle Mittel zum Implementieren der Funktionen, Handlungen oder Ereignisse die in jedem Block oder Kombination an Blöcken in den Diagrammen spezifiziert sind erzeugen.Aspects of this disclosure are described with reference to flowchart illustrations or block diagrams in which each block or combination of blocks may be implemented by computer program instructions. The instructions may be provided to a processor or general purpose computer, special purpose computer or other programmable computing device to form a machine or an article of manufacture, and in the case of execution by the processor, the instructions may include means for implementing the functions, acts or events contained in each block or combination at blocks specified in the diagrams are generated.
In diesem Zusammenhang entspricht jeder Block in dem Flussdiagramm oder Blockdiagramm einem Modul, Segment oder einem Teil eines Codes der eine oder mehrere ausführbare Befehle zum Implementieren der spezifizierten logischen Funktionen enthält. Es wird angemerkt dass in einigen alternativen Implementierungen die Funktionalität die einem Block zugeordnet ist auch in anderer Reihenfolge als in den Figuren dargestellt vorkommen kann. Beispielsweise falls zwei Blöcke nacheinander dargestellt sind können diese tatsächlich auch im Wesentlichen gleichzeitig ausgeführt werden, oder Blöcke können in umgekehrter Reihenfolge ausgeführt werden.In this regard, each block in the flowchart or block diagram corresponds to a module, segment or portion of a code that contains one or more executable instructions for implementing the specified logical functions. It should be noted that in some alternative implementations the functionality associated with a block may also occur in a different order than shown in the figures. For example, if two blocks are shown in succession, they may in fact be executed substantially simultaneously, or blocks may be executed in reverse order.
Ein Fachmann wird erkennen, dass Aspekte dieser Offenbarung als Vorrichtung, System, Verfahre oder Computerprogramm ausgeführt werden können. Entsprechende Aspekte dieser Offenbarung die im Allgemeinen als Schaltkreise, Module, Komponenten oder Systeme bezeichnet werden können in Hardware, in Software (inklusive Firmware, resident Software, Micro-Code, usw.), oder in Kombination aus Software und Hardware, inklusive Computerprogrammprodukten, die auf einem Computer-lesbarem Medium mit Computer-lesbarem Programmcode drauf ausgeführt sind.One skilled in the art will recognize that aspects of this disclosure may be embodied as a device, system, method, or computer program. Corresponding aspects of this disclosure, which may generally be referred to as circuits, modules, components or systems, in hardware, in software (including firmware, resident software, microcode, etc.), or in combination of software and hardware, including computer program products on a computer-readable medium with computer-readable program code running on it.
Die oben dargestellte detaillierte Beschreibung wurde bereitgestellt um spezielle Ausführungsformen der vorliegenden Erfindung darzustellen und soll nicht beschränkend sein. Verschiedene Modifikationen und Variationen im Umfang der vorliegenden Erfindung sind möglich. Die vorliegende Erfindung ist durch die beiliegenden Patentansprüche definiert.The detailed description presented above has been provided to illustrate specific embodiments of the present invention and is not intended to be limiting. Various modifications and variations are possible within the scope of the present invention. The present invention is defined by the appended claims.
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- US 62581569 [0001]US 62581569 [0001]
Claims (28)
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762581569P | 2017-11-03 | 2017-11-03 | |
US62/581,569 | 2017-11-03 | ||
US15/885,581 US11147463B2 (en) | 2017-11-03 | 2018-01-31 | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device |
US15/885,581 | 2018-01-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018117484A1 true DE102018117484A1 (en) | 2019-05-09 |
Family
ID=66179212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018117484.5A Withdrawn DE102018117484A1 (en) | 2017-11-03 | 2018-07-19 | A method and apparatus for detecting atrial fibrillation based on a high sensitivity photomicrograph using a portable device |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102018117484A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116570291A (en) * | 2023-07-14 | 2023-08-11 | 北京中科心研科技有限公司 | Wearing state judging method and device of wearing equipment, electronic equipment and medium |
-
2018
- 2018-07-19 DE DE102018117484.5A patent/DE102018117484A1/en not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116570291A (en) * | 2023-07-14 | 2023-08-11 | 北京中科心研科技有限公司 | Wearing state judging method and device of wearing equipment, electronic equipment and medium |
CN116570291B (en) * | 2023-07-14 | 2023-10-03 | 北京中科心研科技有限公司 | Wearing state judging method and device of wearing equipment, electronic equipment and medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11147463B2 (en) | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device | |
Marinho et al. | A novel electrocardiogram feature extraction approach for cardiac arrhythmia classification | |
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
EP3367897B1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CH716863A2 (en) | Depression detection system based on channel selection of multi-channel electroencephalography made using training sets. | |
DE102017112819A1 (en) | A system and method for providing real-time signal segmentation and checkpoint alignment frames | |
WO2019161611A1 (en) | Ecg information processing method and ecg workstation | |
Lee et al. | QRS detection method based on fully convolutional networks for capacitive electrocardiogram | |
US20220265199A1 (en) | Automatic method to delineate or categorize an electrocardiogram | |
DE102015216645A1 (en) | IDENTIFYING A TYPE OF ISCHEMIC EVENT FROM A HEART SIGNAL SEGMENT | |
Kalaivani et al. | Prediction of biomedical signals using deep learning techniques | |
Sumathi et al. | A wavelet transform based feature extraction and classification of cardiac disorder | |
CN103610447A (en) | Mental workload online detection method based on forehead electroencephalogram signals | |
DE102015219543A1 (en) | SYSTEM AND METHOD FOR DETECTING AN ARRYTHMIA EVENT FROM A HEART SIGNAL | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
Zeng et al. | Ensemble learning on heartbeat type classification | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
Kaur et al. | EEG based decision support system to diagnose adults with ADHD | |
Begum et al. | Automated detection of abnormalities in ECG signals using deep neural network | |
CN116864140A (en) | Intracardiac branch of academic or vocational study postoperative care monitoring data processing method and system thereof | |
DE102018117484A1 (en) | A method and apparatus for detecting atrial fibrillation based on a high sensitivity photomicrograph using a portable device | |
Shao et al. | EEG-Based Mental Workload Classification Method Based on Hybrid Deep Learning Model Under IoT | |
CN115736920A (en) | Depression state identification method and system based on bimodal fusion | |
Sanamdikar et al. | Classification of ECG Signal for Cardiac Arrhythmia Detection Using GAN Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |