CN103815893A - 用于远程疾病管理的设备和方法 - Google Patents
用于远程疾病管理的设备和方法 Download PDFInfo
- Publication number
- CN103815893A CN103815893A CN201310494948.2A CN201310494948A CN103815893A CN 103815893 A CN103815893 A CN 103815893A CN 201310494948 A CN201310494948 A CN 201310494948A CN 103815893 A CN103815893 A CN 103815893A
- Authority
- CN
- China
- Prior art keywords
- ecg
- bio signal
- waveform
- signal
- interval
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Business, Economics & Management (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种用于远程疾病管理的设备和方法。所述设备包括:传感器,具有用于确定测量的生物信号是否具有正常波形的第一确定单元;发送器,用于在确定生物信号具有异常波形时将所述生物信号发送到服务器。
Description
本申请要求于2012年11月16日提交到韩国知识产权局的第10-2012-0130049号韩国专利申请的权益,为了一切目的,其全部公开通过引用合并于此。
技术领域
以下描述涉及一种用于远程管理有心脏病(包括慢性心脏病)的患者并精确管理患者的心律失常的设备和方法。
背景技术
通常,可通过监测心电信号(即,心电图(ECG))来检测有心脏病的患者的心脏中的异常。在一般医院中,可在现场执行在大约两分钟或三分钟的时间段内的ECG测试。作为结果,可监测患者的情况并且可诊断异常是否存在。通常,针对经历异常的患者的精确ECG测试应该引起正被呈现的异常ECG。
然而,由于有心脏病的患者会在不同时间段经历异常,因此难以确定何时异常将发生以及何时将产生异常信号。因此,通过仅基于心脏活动的短期取样的上述测试难以收到精确诊断。
发明内容
在一个总的方面,提供一种用于远程管理疾病的设备,所述设备包括:传感器,具有被配置用于确定测量的生物信号是否具有正常波形的第一确定单元以及被配置用于响应于被确定具有异常波形的生物信号来发送生物信号的发送器;服务器,被配置用于接收发送的生物信号。
服务器可包括:第二确定单元,被配置用于确定与生物信号相应的疾病的类型。
生物信号可以是心电图(ECG),第二确定单元可被配置用于确定与ECG相应的心律失常的类型。
所述设备可包括具有显示单元的网关,网关可被配置用于从传感器接收生物信号并将生物信号传输到服务器,显示单元可被配置用于显示生物信号。
服务器可被配置用于将ECG和心律失常类型信息发送到医疗团队或医疗专业人员。
服务器可还被配置用于将生物信号发送到医疗团队或医疗专业人员,从医疗团队或医疗专业人员接收诊断结果,将诊断结果发送到网关;网关可还被配置用于接收诊断结果;显示单元可还被配置用于显示诊断结果。
第一确定单元可还被配置用于基于ECG的R波的节律和特征点来确定ECG是否具有正常波形。
发送器可还被配置用于仅发送ECG的区间,第二确定单元可还被配置用于基于发送的区间的R波的节律和特征点来确定心律失常的类型。
发送器可还被配置用于仅发送ECG的区间,所述区间可仅包括显示心律失常的ECG的一部分和在所述部分之前、之后的两分钟。
在另一总的方面,提供一种远程管理疾病的方法,所述方法包括:确定测量的生物信号是否具有正常波形;响应于被确定具有异常波形的生物信号来发送所述生物信号;接收发送的生物信号。
生物信号可以是心电图(ECG),所述方法可还包括:使用服务器来确定与ECG相应的心律失常的类型。
确定测量的生物信号是否具有正常波形的处理可包括:基于ECG的节律和特征点来确定ECG是否具有正常波形。
确定测量的生物信号是否具有正常波形的处理可包括:基于ECG的R波的节律和特征点来确定ECG是否具有正常波形。
发送所述生物信号的处理可包括:仅发送ECG的区间;确定心律失常的类型的处理可基于发送的区间的R波的节律和特征点。
发送所述生物信号的处理可包括:仅发送ECG的区间;确定心律失常的类型的处理可基于ECG的R波的节律和特征点。
所述方法可还包括:将心律失常类型信息发送到医疗团队或医疗专业人员。
所述方法可还包括:从医疗团队或医疗专业人员接收诊断结果;显示诊断结果。
发送所述生物信号的处理可包括:仅发送ECG的区间;发送的区间可仅包括显示心律失常的ECG的一部分和在所述部分之前、之后的两分钟;所述方法可还包括:显示发送的区间。
在另一总的方面,提供一种存储用于控制计算机执行所述方法的程序的非暂时性计算机可读存储介质。
在另一总的方面,提供一种用于远程管理疾病的无线传感器,所述无线传感器包括:第一确定单元,被配置用于确定测量的生物信号是否具有正常波形;发送器,被配置用于响应于被确定具有异常波形的生物信号来将生物信号无线发送到被配置用于确定疾病的类型的第二确定单元。
附图说明
图1是示出用于使用霍尔特监测仪(Holter monitor)来管理心脏病的设备的示例的示图。
图2是示出用于实现数据的自动发送的远程管理的心脏病管理系统的示例的示图。
图3是示出针对心脏病的管理的数据的示例的示图。
图4是示出心脏病管理设备的配置的示例的示图。
图5是示出管理心脏病的方法的示例的流程图。
图6是示出用于确定是否存在心脏病的心电图(ECG)的示例的示图。
图7是示出用于管理心脏病的设备的配置的示例的示图。
具体实施方式
提供以下详细描述以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而,在此描述的系统、设备和/或方法的各种改变、修改和等同物对于本领域普通技术人员将是清楚的。此外,为了更加清晰和简洁,对本领域普通技术人员公知的功能和构造的描述可被省略。
贯穿附图和详细描述,相同的附图标号指示相同的元件。附图可不按比例缩放,并且为了清晰、说明和便利,在附图中的元件的相对大小、比例和描述可被夸大。
可按照不同形式来实施在此描述的特征并且所述特征将不被理解为限于在此描述的示例。更确切地,已经提供在此描述的示例,使得本公开将是彻底的和完整的并将向本领域普通技术人员传达本公开的全部范围。图1示出用于使用霍尔特监测仪120来管理心脏病的设备的示例。例如,可如图1所示来配置用于使用霍尔特监测仪120来24小时管理心脏病的设备。
在本示例中,可将霍尔特监测仪120附加到被怀疑有心脏异常的患者110,可将在患者110的日常活动期间的24小时内的患者110的心电图(ECG)存储在霍尔特监测仪120中。当患者110去医院并移交存储ECG的霍尔特监测仪120时,医疗团队140可使用个人计算机(PC)130来检查患者110的全部数据,其中,经由通用串行总线(USB)或其它存储装置来将数据下载到PC130。作为结果,可确定心脏异常是否存在。
然而,使用以上霍尔特监测仪120的方法可导致患者需要多次去医院的问题。此外,在现场的医疗团队会需要特别的努力、时间和成本以检查在24小时的时间段收集的数据。
图2示出用于实现数据的自动发送和发送的数据的诊断的远程管理的心脏病管理系统的示例。
参照图2,可将传感器220附加到有心脏病的患者210。传感器220可在24小时内测量数据。在日常活动期间,可通过使用无线传输技术的终端230将产生的ECG数据实时发送到服务器231。可将ECG数据存储在服务器231中。另外,服务器231可使用ECG数据来自动分析患者的状态并将紧急信息通知医疗团队240和患者210。例如,当检测到心脏异常时,所述服务器可通知医疗团队240和患者210。
在示例中,服务器231可将全部收集的ECG数据发送到医疗团队240而不分析患者210的状态。因此,可将全部收集的ECG数据发送到医疗团队240以提供患者的心脏活动的实时监测。在本示例中,由医疗团队240使用的终端可处理所述数据并基于患者210的状态来提供告警。在另一示例中,服务器231可将分析的数据或所有数据发送到另一经授权的终端。例如,服务器231可将ECG数据发送到经授权的家庭成员或护理人员。可将所述数据加密,仅允许经授权的用户访问ECG数据。
在这些示例中,由于在24小时时间段将患者210的ECG信号发送到服务器231,因此会需要传感器230和服务器231一直相互通信。这会导致传感器230的大量电能消耗。在本示例中,也可增加传感器231的电池容量。
图3示出针对心脏病的管理而收集的数据的示例。为了管理心脏病,例如心律失常,可分析在心律失常发生的时间点之前和之后获得的数据。可确定在心律失常发生之前产生的波形321和在心律失常发生之后产生的波形322的类型和频率,并且可诊断患者的状况。
如图3所示,针对心脏病的管理的数据可包括由患者的心律失常引起的波形310表示的预定区间的异常信号或心律失常波形310以及波形321和波形322。例如,可分析包括在心律失常波形310的产生之前和之后的2分钟的数据;然而,将被分析的预定区域可不限于此。
在有心律失常的患者的示例中,在与24小时时间段相应的波形340中,心律失常可发生至少一次、两次或多次。因此,仅与异常心脏活动相应的波形340的一部分或多个部分会需要由医疗团队检查。在许多情况下,正常波形331和332可不需要被传输到医疗团队,或者可不需要数据传输。因此,通过减少以上不必要的数据并仅筛选需要的信息来有效管理有心脏病的患者是可能的。
图4示出心脏病管理设备的配置的示例。参照图4,所述疾病管理设备包括ECG传感器单元410、网关420和服务器430。
在本示例中,ECG传感器单元410使用ECG测量单元411测量正常波形或心律失常波形。将具有测量的波形的信号存储在ECG存储单元412中。在示例中,可将范围在心律失常发生的时间点之前或之后的大约两分钟之内的数据在被确定之后存储在ECG存储单元412中。另外,可将全部测量的数据存储在存储单元412中。
例如,可将由测量单元411测量的ECG信号存储在存储单元412中,可由初级确定单元414确定测量的信号是正常信号还是异常信号。可使用R波形的基于ECG的节律以及是否存在测量的ECG信号的特征点来确定测量的ECG信号具有正常波形还是异常波形。将参照图5和图6来进一步描述确定测量的ECG信号具有正常波形还是异常波形的操作。
在本示例中,当由初级确定单元414确定测量的信号具有异常波形时,可通过发送器413将信号的预定区间发送到网关420。预定区间的信号(“异常信号”)可以是由初级确定单元414确定具有异常波形的ECG信号,并且可包括与在异常波形之前或之后的两分钟相应的数据。可将所述数据存储在ECG存储单元412中。由于可仅发送需要被分析的数据,因此可有效管理数据发送。
在本示例中,网关420通过网关420的接收器421接收异常信号并在网关420的显示单元424上显示波形以通知用户异常的发生。另外,网关420通过网关420的发送器422将异常信号发送到服务器430。
例如,服务器430通过服务器430的接收器431接收异常信号。服务器430可被设置在执行心脏病管理服务的医院或服务机构中。在本示例中,异常信号被存储在服务器430的存储单元432中并由服务器430的控制器433来控制。由于异常信号可不包括关于异常信号是否与心律失常相应的信息或关于心律失常的类型的信息,因此会需要医疗团队来检查并分析全部异常信号。因此,会需要大量的时间和努力来检查并分析从有心脏病的大量患者发送的数据。为了防止资源的浪费,服务器430的次级确定单元434执行将在以下描述的操作。
在本示例中,次级确定单元434基于输入的异常信号的特征点和节律来确定输入的异常信号是否实际表示心律失常波形。另外,当确定输入的异常信号表示心律失常波形时,次级确定单元434可自动确定与输入的信号相应的心律失常的类型。上述操作可提供分类以支持由医疗团队执行的检查和分析操作。应理解:初级确定单元414和次级确定单元434也可被称之为第一确定单元414和第二确定单元434。将参照图6来进一步描述用于确定心律失常的类型的操作的示例。
在本示例中,由次级确定单元434获得的关于心律失常的类型的信息可连同异常信号一起被发送到或显示给医疗团队440。通过服务器430的发送器435来发送所述信息和信号。医疗团队440基于发送或显示的心律失常类型信息来诊断异常信号。在心律失常类型信息不存在的示例中,医疗团队440会需要大量时间和努力来分析心律失常的类型。在显示心律失常类型信息的另一示例中,心律失常类型信息在分析心律失常的类型中可以是有用的。因此,医疗团队440可容易分析异常信号的心律失常波形并可在短时间内管理大量患者。这实现了更高的效率和更精确的诊断。
在本示例中,一旦执行了心律失常诊断,医疗团队440就根据基于分析的数据的患者的情况来提供反馈。如果诊断出严重心律失常,则医疗团队440可请求患者去医院。如果仅诊断出轻微心律失常,则医疗团队440可告警患者注意。医疗团队440通过服务器430的接收器436和发送器437来将作为反馈的分析结果发送到网关420的接收器423。另外,反馈显示在显示单元424上,使得患者可执行适当动作。
图5示出管理心脏病的方法的示例。
参照图5,在510,测量有心脏病的患者的ECG信号。在521,由处理器确定测量的ECG信号是正常信号还是异常信号。在522,在确定测量的ECG信号是异常信号的示例中,在523将与在心律失常发生之前和之后的预定区间相应的异常信号的数据发送到网关。
例如,在521,可通过计算在信号的波形之间的区间来计算心率。此外,可基于信号的单个提取的波形的形状来诊断心律失常。在本示例中,ECG信号的单个提取的波形包括从等电位线突出的五个峰值。这些峰值包括如图6所示的P波形610、Q波形620、R波形631和632、S波形640和T波形650。每次心脏收缩时产生单个波形。可从其它波形中检测到具有最大振幅的R波形631和632,并且可提取信号的单个波形。
在531,由网关将异常信号显示给用户。在532,将包括异常数据的数据发送到服务器。
在本示例中,次级确定和到医疗团队的数据的发送可在操作541-543被执行。在541,处理器确定发送到服务器的异常信号是否实际表示异常波形并确定在异常波形中的心律失常的类型。在542,将通过操作541获得的心律失常类型信息与异常信号同步以进行数据发送,在543,将所述数据发送到医疗团队。
在本示例中,在操作551,医疗团队使用接收到的异常信号和接收到的心律失常类型信息来分析并诊断异常信号的波形。在552,医疗团队基于诊断结果输入反馈并将反馈发送到服务器和网关,在553,在网关中将诊断的分析结果显示给用户,使得用户基于诊断结果来执行动作。
图6示出用于确定心脏病是否存在的ECG的示例。参照图6,ECG的单个波形包括,例如,P波形610、Q波形620、R波形631和632、S波形640和T波形650。
在本示例中,由服务器的次级确定单元执行的次级确定使用人工神经网络确定异常信号是否指示心律失常。此外,可确定异常信号的心律失常的类型。
人工神经网络表示由使用由连接线连接的大量人工神经元来复制生物系统的计算能力的软件或硬件实施的操作模型。在本示例的人工神经网络中,可使用通过简化生物神经元的功能而获得的人工神经元。另外,可经由具有连接强度的连接线来相互连接人工神经元。因此,可执行人类的识别和学习处理。连接强度可以是连接线的特征值并且可被称之为连接权。可将人工神经网络划分为监督式学习和非监督式学习。
在监督式学习中,可将输入数据和相应输出数据输入到神经网络,并更新连接线的连接强度,使得输出数据被输出。典型学习算法可包括,例如,Delta规则和反向传播学习。
在非监督式学习中,人工神经网络在没有期望值的情况下,仅使用输入数据来学习连接强度。在本示例中,可通过在输入样式之间的相关性来更新连接权。
在示例中,可将样式分类方案应用于用于确定疾病的医疗装置。例如,测量通过医疗装置输入的患者的带电体(electrical body)信号,测量的信号的样式被分类以确定疾病。带电体信号可包括,例如,ECG、脑电图(EEG)、肌电图(EMG)等。
在本示例中,可从输入的异常信号中提取ECG信号的特征。可将ECG信号用于确定是否发生从心脏到电极的传导系统的异常以及是否存在疾病。
参照图6,从ECG信号中提取的特征点包括心率、QRS持续时间624、PR区间612、QT区间625、T波形的类型等。可周期性地提取所述信号的特征点,心率、QRS持续时间624、PR区间612、QT区间625、T波形的类型可以是ECG信号的形态特征。
在本示例中,通过以规则区间提取最大电压值来确定R波形631和632的峰值。提取R波形与基线相交的两个点以确定QRS复合波的起点和终点。提取在QRS复合波的左侧上的具有最大电压值的点以确定P波形610的峰值。提取在QRS复合波的右侧上的最大值和最小值中的与基线具有大的差别的值以确定T波形650的峰值。提取在P波形的峰值的左侧的基线上的点以确定P波形的起点,提取在T波形的峰值的右侧的基线上的点以确定T波形的终点。
另外,提取在R波形631的峰值的左侧和右侧的具有最小电压值的点以分别确定Q波形620的峰值和S波形640的峰值。提取在Q波形620的峰值的左侧的信号与基线第一次相交的点以确定Q波形620的起点。提取在S波形640的峰值的右侧的信号与基线第一次相交的点以确定S波形640的终点。可通过确定从P波形的起点到QRS复合波的起点的距离来获得PR区间,通过确定从QRS复合波的起点到T波形的终点的距离来获得QT区间。此外,通过确定从Q波形的起点到S波形的终点的距离来获得QRS持续时间。可将患者的心率用于识别如图6所示的基本波形每分钟存在的次数。另外,可将T波形的类型用于指示T波形的峰值的方向。
在本示例中,次级确定单元使用ECG信号的形态特征来提取特征点。在正常ECG信号中,PR区间通常是0.6秒(s)至1s。在本示例中,每0.8s发现R波形。对于一些类型的心律失常(诸如动脉和心动过缓),对于一些区间可完全不产生R波形。因此,当每0.8s发现电压峰值时,会将在正常R波形实际不存在的区间内的峰值电压不正确地确定为R波形。因此,对于本示例,可应用预定阈值,使得如果提取的R波形的振幅未超过预定阈值,则可不将提取的R波形识别为R波形。可将提取R波形的方案用于由初级确定单元确定测量的ECG信号是正常信号还是异常信号。
在示例中,也提取Q波形和S波形。基于提取的R波形的峰值,Q波形的峰值和S波形的峰值可分别具有在R波形的左侧和右侧的最小电压值。基于信号的类型,Q波形和S波形可不存在,可仅发现R波形存在。在那个示例中,将R波形与基线相交的两个点确定为QRS复合波的起点和终点。当发现Q波形和S波形时,可获得从Q波形的起点到S波形的终点的距离,并且所述距离可与QRS持续时间相应。在本示例中,当QRS持续时间等于或长于0.12s时,检测到异常QRS持续时间并且可诊断右束支传导阻滞(RBBB)或左束支传导阻滞(LBBB)。
在示例中,也提取P波形和T波形。P波形的曲线具有朝上的峰值,因此,所述峰值与在QRS复合波的起点的左侧的具有最大电压值的点相应。P波形的起点和终点可分别与在P波形的峰值的左侧和右侧的基线上的点相应。在T波形中,正常波形的峰值朝上。然而,在LBBB的曲线中,峰值可朝下。因此,T波形的峰值可与在QRS复合波的终点的右侧的最大值和最小值中的具有大的差别的值相应。可从提取的点的左侧和右侧发现与基线交汇的两个点,因此,可发现T波形的起点和终点。当发现P波形和T波形时,可使用从P波形的起点到QRS复合波的起点的距离来获得PR区间,可使用从QRS复合波的起点到T波形的终点的距离来获得QT区间。
可将提取的ECG特征点和相应数据输入到人工神经网络。可基于人工神经网络的输出值来确定心律失常的类型。
例如,次级确定单元可使用从ECG-MIT-BIH数据库接收到的ECG数据来执行人工神经网络的学习。ECG-MIT-BIH DB是被用于诊断心律失常的心电图数据的数据库。也就是说,ECG-MIT-BIH DB指示从有特定类型的心律失常的人体获得的心电图信号的数据库并存储心电图信号与心律失常的类型之间的对应。在本示例中,ECG-MIT-BIH DB是被用于诊断心律失常的ECG数据。ECG-MIT-BIH DB可表示从有预定心律失常的人体获得的ECG信号。当表示这样的ECG信号时,可存储心律失常的类型。
从ECG-MIT-BIH DB接收到的ECG数据可以是关于从多个人体测量的ECG信号的信息,因此,输入数据和输出值两者都可以是已知的。例如,输入数据可以是从ECG信号中提取的值,输出值可以是基于心律失常的类型的值。因此,由于输入ECG数据的输出值可以是预先已知的,因此人工神经网络的学习可与监督式学习相应。因此,可使用从ECG-MIT-BIH DB接收到的ECG数据来教导人工神经网络,并且可预先确定连接强度。
另外,次级确定单元可接收与提取的特征点相应的数据并可基于接收到的数据来确定心律失常的类型。可使用人工神经网络的输出值来确定心律失常的类型。
在本示例中,可使用提取的数据和输出值来更新预定连接线的连接强度。输出值可被假设为指示确定的心律失常的类型的结果值,并且可更新预定连接线的连接强度。由于可使用单个ECG信号来更新网络的主要组件的连接强度,因此网络可具有针对特定个人而优化的连接强度。由于可基于针对个人而优化的连接强度来将信号分类,因此可清晰执行个人的心律失常的分类。因此,基于个人的信号,个人可检查心律失常的类型,例如,心房颤动、心房扑动、室性心动过速等。
例如,当响应于从特征点提取的第一数据的输入而输出值[0.89,0.77]时,输出值[0.89,0.77]可与心房颤动相应。另外,指示心房颤动的结果值可以是[1,1]。在本示例中,次级确定单元可将第一数据输入到人工神经网络的输入层并更新预定连接线的连接强度,使得[1,1]是输出值。以上处理可使人工神经网络能够具有适合于个人的ECG信号的连接强度。因此,可通过重复执行以上处理来精确执行针对个人的ECG信号的心律失常分类。
图7示出用于管理心脏病的设备的配置的示例。可减少由ECG传感器单元710用于24小时监视患者所消耗的电量。此外,可减少由医疗团队分析数据所需的时间和成本。
在本示例中,首先由ECG传感器单元710来分析ECG信号是否是正常信号。当确定ECG信号是异常信号时,可通过网关720将包括发生心律失常的点的信号的预定区间发送到服务器730。在本示例中,网关720可与ECG传感器单元710进行无线通信。
其次,服务器730分析异常信号并确定心律失常是否发生。当确定心律失常发生时,将自动确定心律失常的类型。因此,可将组合异常信号和心律失常类型信息的数据发送到医疗团队740。医疗团队740可提供作为反馈的通过基于心律失常类型信息诊断异常信号而获得的结果。经由服务器730将该结果发送到网关720。
为了在24小时的时间段内有效监视ECG信号,传感器710可首先分析患者的ECG并确定患者是处于正常状态还是异常状态。基于该分析,传感器710可仅在必要的情况下将数据发送到服务器730;例如,当检测到异常状态时。因此,允许更小尺寸和更便利的传感器710的使用,减少传感器710的电能消耗是可能的。
另外,可通过确定心律失常的类型并将结果显示给医疗团队740来自动分析通过初级分析的将由医疗团队740分析的异常信号。因此,将有用信息提供给医疗团队740以最终确定患者的状况。减少由医疗团队分析数据所需的时间和成本,并且医疗团队可更精确地分析ECG信号。因此,有效地管理心脏病是可能的。
虽然已经描述用于远程管理有心脏病(诸如心律失常)的患者的设备和方法,但是可基于监视的ECG信号来管理其它心脏病。此外,可通过监视其它类型的生物信号来将所述设备和方法用于监视并管理有其它疾病的患者。例如,可通过监视肌电图(EMG)信号来管理肌肉骨骼疾病。类似地,可通过监视脑电图(EEG)信号或脑磁图(MEG)信号来管理与大脑活动相关的疾病。此外,可将眼电图(EOG)用于监视眼部疾病并且可将皮肤电反应(GSR)信号用于监视皮肤病。
可使用一个或多个硬件组件或者一个或多个硬件组件和一个或多个软件组件的组合来实施上述霍尔特监测仪、个人计算机、传感器、终端、网关和服务器。硬件组件可以是,例如,物理地执行一个或多个操作的物理装置,但不限于此。硬件组件的示例包括控制器、麦克风、放大器、低通滤波器、高通滤波器、带通滤波器、模数转换器、数模转换器和处理装置。
可使用如下的一个或多个通用或专用计算机来实施处理装置:诸如,例如,处理器、控制器和算术逻辑单元、数字信号处理器、微型计算机、现场可编程阵列、可编程逻辑单元、微处理器或能够运行软件或执行指令的任何其它装置。处理装置可运行操作系统(OS)并可运行在OS下运行的一个或多个软件应用。处理装置可在运行软件或执行指令时访问、存储、操作、处理和创建数据。为简单起见,虽然可将单数的术语“处理装置”用于描述中,但是本领域普通技术人员将理解:处理装置可包括多个处理元件和多种类型的处理元件。例如,处理装置可包括一个或多个处理器或者一个或多个处理器和一个或多个控制器。另外,不同处理配置是可能的,诸如并行处理器或多核处理器。
用于控制处理装置(诸如在图5和图6中所描述的那些处理装置)以实施软件组件的软件或指令可包括用于独立地或共同地指示或配置处理装置以执行一个或多个期望操作的计算机程序、一段代码、指令或它们的一些组合。软件或指令可包括可由处理装置直接执行的机器代码(诸如由编译器产生的机器代码)和/或可由处理装置使用解释器来执行的更高级代码。可在任何类型的机器、组件、物理或虚拟装备、计算机存储介质或装置或能够将指令或数据提供给处理装置或由处理装置解释的传播信号波中永久地或临时地实施所述软件或指令以及任何关联的数据、数据文件和数据结构。也可将所述软件或指令以及任何关联的数据、数据文件和数据结构分布在联网的计算机系统上,使得按照分布方式来存储并执行所述软件或指令以及任何关联的数据、数据文件和数据结构。
例如,可将所述软件或指令以及任何关联的数据、数据文件和数据结构记录、存储或固定在一个或多个非暂时性计算机可读存储介质中。非暂时性计算机可读存储介质可以是能够存储所述软件或指令以及任何关联的数据、数据文件和数据结构的任何数据存储装置,使得它们可被计算机系统或处理装置读取。非暂时性计算机可读存储介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、闪存、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘或本领域普通技术人员已知的任何其它非暂时性计算机可读存储介质。
可由所述示例所属领域的程序员基于附图和在此提供的它们的相应描述来容易地构建用于实施在此公开的示例的功能程序、代码和代码段。
虽然本公开包括特定示例,但是将对本领域普通技术人员清楚的是:在不脱离权利要求及其等同物的精神和范围的情况下,可在这些示例中做出在形式和细节中的各种改变。在此描述的示例将被理解为仅是描述性的而并非为了限制的目的。在每个示例中的特征和方面的描述将被理解为可被应用于在其它示例中的相似特征或方面。如果按照不同顺序执行描述的技术,和/或如果按照不同方式组合在描述的系统、架构、装置或电路中的组件和/或由其它组件或其等同物来替代或补充在描述的系统、架构、装置或电路中的组件,则可实现适当的结果。因此,不由详细描述来限定本公开的范围而是由权利要求及其等同物来限定本公开的范围,并且在权利要求及其等同物的范围内的全部变化将被理解为被包括在本公开中。
Claims (19)
1.一种用于远程管理疾病的设备,所述设备包括:
传感器,包括被配置用于确定测量的生物信号是否具有正常波形的第一确定单元以及被配置用于响应于被确定具有异常波形的生物信号来发送所述生物信号的发送器;
服务器,被配置用于接收发送的生物信号。
2.如权利要求1所述的设备,其中,服务器包括:第二确定单元,被配置用于确定与所述生物信号相应的疾病的类型。
3.如权利要求2所述的设备,其中,所述生物信号是心电图(ECG),第二确定单元被配置用于确定与ECG相应的心律失常的类型。
4.如权利要求1所述的设备,还包括:
网关,包括显示单元,其中,网关被配置用于从传感器接收所述生物信号并将所述生物信号传输到服务器,显示单元被配置用于显示所述生物信号。
5.如权利要求3所述的设备,其中,服务器被配置用于将ECG和心律失常类型信息发送到医疗团队或医疗专业人员。
6.如权利要求4所述的设备,其中,
服务器还被配置用于将所述生物信号发送到医疗团队或医疗专业人员,从医疗团队或医疗专业人员接收诊断结果并将诊断结果发送到网关;
网关还被配置用于接收诊断结果;
显示单元还被配置用于显示诊断结果。
7.如权利要求3所述的设备,其中,第一确定单元还被配置用于基于ECG的R波的节律和特征点来确定ECG是否具有正常波形。
8.如权利要求3所述的设备,其中,发送器还被配置用于仅发送ECG的区间,第二确定单元还被配置用于基于发送的区间的R波的节律和特征点来确定心律失常的类型。
9.如权利要求3所述的设备,其中,发送器还被配置用于仅发送ECG的区间,所述区间仅包括显示心律失常的ECG的一部分和在所述部分之前、之后的两分钟。
10.一种远程管理疾病的方法,所述方法包括:
确定测量的生物信号是否具有正常波形;
响应于被确定具有异常波形的生物信号来发送所述生物信号;
接收发送的生物信号。
11.如权利要求10所述的方法,其中,所述生物信号是心电图(ECG),所述方法还包括:使用服务器来确定与ECG相应的心律失常的类型。
12.如权利要求11所述的方法,其中,确定测量的生物信号是否具有正常波形的步骤包括:基于ECG的节律和特征点来确定ECG是否具有正常波形。
13.如权利要求11所述的方法,其中,确定测量的生物信号是否具有正常波形的步骤包括:基于ECG的R波的节律和特征点来确定ECG是否具有正常波形。
14.如权利要求11所述的方法,其中,发送所述生物信号的步骤包括:仅发送ECG的区间;确定心律失常的类型的步骤基于发送的区间的R波的节律和特征点。
15.如权利要求11所述的方法,其中,发送所述生物信号的步骤包括:仅发送ECG的区间;确定心律失常的类型的步骤基于ECG的R波的节律和特征点。
16.如权利要求11所述的方法,还包括:将心律失常类型信息发送到医疗团队或医疗专业人员。
17.如权利要求16所述的方法,还包括:
从医疗团队或医疗专业人员接收诊断结果;
显示诊断结果。
18.如权利要求11所述的方法,其中,
发送所述生物信号的步骤包括:仅发送ECG的区间;
发送的区间仅包括显示心律失常的ECG的一部分和在所述部分之前、之后的两分钟;
所述方法还包括:显示发送的区间。
19.一种用于远程管理疾病的无线传感器,所述无线传感器包括:
第一确定单元,被配置用于确定测量的生物信号是否具有正常波形;
发送器,被配置用于响应于被确定具有异常波形的生物信号来将所述生物信号无线发送到被配置用于确定疾病的类型的第二确定单元。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2012-0130049 | 2012-11-16 | ||
KR1020120130049A KR20140063100A (ko) | 2012-11-16 | 2012-11-16 | 원격 심질환 관리 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103815893A true CN103815893A (zh) | 2014-05-28 |
Family
ID=49448001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310494948.2A Pending CN103815893A (zh) | 2012-11-16 | 2013-10-21 | 用于远程疾病管理的设备和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20140142448A1 (zh) |
EP (1) | EP2733632A3 (zh) |
JP (1) | JP2014100473A (zh) |
KR (1) | KR20140063100A (zh) |
CN (1) | CN103815893A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021129152A1 (zh) * | 2019-12-26 | 2021-07-01 | 华为技术有限公司 | 诊断报告生成方法、装置、终端设备及可读存储介质 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6389907B2 (ja) * | 2015-06-23 | 2018-09-12 | シェンチェン・インスティテューツ・オブ・アドバンスド・テクノロジー・チャイニーズ・アカデミー・オブ・サイエンシーズShenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Gpuによる心電信号の並列解析方法 |
KR102424517B1 (ko) * | 2016-03-18 | 2022-07-25 | 삼성전자주식회사 | 전염병에 대응을 위해 생체 신호를 분석하는 방법 및 그 장치 |
JP6894252B2 (ja) * | 2017-02-16 | 2021-06-30 | 日本光電工業株式会社 | センサ装置及び見守り装置 |
KR101814335B1 (ko) | 2017-05-16 | 2018-01-02 | 재단법인 구미전자정보기술원 | 안전도 계산 방법 및 장치 |
CN107516075B (zh) * | 2017-08-03 | 2020-10-09 | 安徽华米智能科技有限公司 | 心电信号的检测方法、装置及电子设备 |
EP3684463A4 (en) | 2017-09-19 | 2021-06-23 | Neuroenhancement Lab, LLC | NEURO-ACTIVATION PROCESS AND APPARATUS |
CN107967938A (zh) * | 2017-11-21 | 2018-04-27 | 成都天奥电子股份有限公司 | 一种心脏病患者定位监护管理系统 |
JP7016680B2 (ja) * | 2017-11-29 | 2022-02-07 | 日本光電工業株式会社 | 生体情報処理装置、生体情報処理方法およびプログラム |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
WO2019133997A1 (en) | 2017-12-31 | 2019-07-04 | Neuroenhancement Lab, LLC | System and method for neuroenhancement to enhance emotional response |
CN108478209B (zh) | 2018-02-24 | 2021-06-11 | 上海乐普云智科技股份有限公司 | 心电信息动态监护方法和动态监护系统 |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
CN113382683A (zh) | 2018-09-14 | 2021-09-10 | 纽罗因恒思蒙特实验有限责任公司 | 改善睡眠的系统和方法 |
KR102219378B1 (ko) * | 2018-10-31 | 2021-02-24 | 주식회사 휴이노 | 인공 신경망을 이용하여 부정맥을 인식하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
JP6865329B1 (ja) * | 2019-07-29 | 2021-04-28 | 株式会社カルディオインテリジェンス | 表示装置、表示方法及びプログラム |
KR102471086B1 (ko) * | 2019-11-06 | 2022-11-25 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR102142841B1 (ko) * | 2019-11-06 | 2020-08-10 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR102141617B1 (ko) * | 2019-11-25 | 2020-08-05 | 주식회사 휴이노 | 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
US20210174961A1 (en) * | 2019-12-09 | 2021-06-10 | The Regents Of The University Of California | Deep neural network (dnn) assisted sensor for energy-efficient electrocardiogram (ecg) monitoring |
WO2021251796A1 (ko) * | 2020-06-12 | 2021-12-16 | 고려대학교 산학협력단 | 심장 상태 감지 센서 장치 및 이를 이용한 복합 생활 지원 솔루션 제공 시스템 |
CN116528763A (zh) * | 2020-11-24 | 2023-08-01 | 东丽株式会社 | 生物信号解析系统 |
KR102521116B1 (ko) * | 2020-12-17 | 2023-04-12 | 주식회사 휴이노 | 웨어러블 디바이스를 이용하여 생체 신호를 모니터링하기 위한 방법, 서버, 디바이스 및 비일시성의 컴퓨터 판독 가능 기록 매체 |
WO2022145519A1 (ko) * | 2020-12-29 | 2022-07-07 | (주)씨어스테크놀로지 | 딥러닝을 이용한 심전도 시각화 방법 및 장치 |
WO2022220649A1 (ko) * | 2021-04-16 | 2022-10-20 | 서울대학교병원 | 심전도 이미지에 기반한 환자 평가 시스템 및 방법 |
KR20220143547A (ko) | 2021-04-16 | 2022-10-25 | 서울대학교병원 | 심전도 이미지에 기반한 환자 평가 시스템 및 방법 |
KR20230025955A (ko) * | 2021-08-17 | 2023-02-24 | 주식회사 메디컬에이아이 | 비동기 심전도를 이용한 건강상태 예측 시스템 |
KR20230025954A (ko) * | 2021-08-17 | 2023-02-24 | 주식회사 메디컬에이아이 | 단일유도 심전도기기를 활용한 건강상태 예측 시스템 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1188412A2 (en) * | 2000-09-13 | 2002-03-20 | GE Medical Systems Information Technologies, Inc. | Portable ECG device with wireless communication interface to remotely monitor patients and method of use |
US6485415B1 (en) * | 1998-09-25 | 2002-11-26 | Pioneer Corporation | Medical monitoring system |
US6654631B1 (en) * | 2001-07-12 | 2003-11-25 | Anil Sahai | Method and apparatus for a hand-held computer EKG device |
US6804558B2 (en) * | 1999-07-07 | 2004-10-12 | Medtronic, Inc. | System and method of communicating between an implantable medical device and a remote computer system or health care provider |
CN1909831A (zh) * | 2004-01-21 | 2007-02-07 | 心脏网络公司 | 心脏监视方法 |
CN200977158Y (zh) * | 2006-08-18 | 2007-11-21 | 许浚 | 远程医疗心电监护系统 |
CN101524271A (zh) * | 2009-04-01 | 2009-09-09 | 成都途筏达科技有限公司 | 无基站或卫星信号下的心电手机监护方法 |
US20100210953A1 (en) * | 2006-02-27 | 2010-08-19 | Monitoring Information Technologies, Inc. | System and method for heart and activity monitoring |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4726380A (en) * | 1983-10-17 | 1988-02-23 | Telectronics, N.V. | Implantable cardiac pacer with discontinuous microprocessor, programmable antitachycardia mechanisms and patient data telemetry |
CA1290813C (en) * | 1985-08-12 | 1991-10-15 | Michael B. Sweeney | Pacemaker for detecting and terminating a tachycardia |
US4830006B1 (en) * | 1986-06-17 | 1997-10-28 | Intermedics Inc | Implantable cardiac stimulator for detection and treatment of ventricular arrhythmias |
US4716903A (en) * | 1986-10-06 | 1988-01-05 | Telectronics N.V. | Storage in a pacemaker memory |
US5678562A (en) * | 1995-11-09 | 1997-10-21 | Burdick, Inc. | Ambulatory physiological monitor with removable disk cartridge and wireless modem |
US7052466B2 (en) * | 2001-04-11 | 2006-05-30 | Cardiac Pacemakers, Inc. | Apparatus and method for outputting heart sounds |
US8391989B2 (en) * | 2002-12-18 | 2013-03-05 | Cardiac Pacemakers, Inc. | Advanced patient management for defining, identifying and using predetermined health-related events |
US7009511B2 (en) * | 2002-12-17 | 2006-03-07 | Cardiac Pacemakers, Inc. | Repeater device for communications with an implantable medical device |
US7127300B2 (en) * | 2002-12-23 | 2006-10-24 | Cardiac Pacemakers, Inc. | Method and apparatus for enabling data communication between an implantable medical device and a patient management system |
US8688189B2 (en) * | 2005-05-17 | 2014-04-01 | Adnan Shennib | Programmable ECG sensor patch |
US8912899B2 (en) * | 2007-01-10 | 2014-12-16 | Integrity Tracking, Llc | Wireless sensor network calibration system and method |
-
2012
- 2012-11-16 KR KR1020120130049A patent/KR20140063100A/ko not_active Application Discontinuation
-
2013
- 2013-09-24 JP JP2013196993A patent/JP2014100473A/ja not_active Withdrawn
- 2013-10-21 EP EP13189522.9A patent/EP2733632A3/en not_active Withdrawn
- 2013-10-21 CN CN201310494948.2A patent/CN103815893A/zh active Pending
- 2013-11-01 US US14/069,575 patent/US20140142448A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6485415B1 (en) * | 1998-09-25 | 2002-11-26 | Pioneer Corporation | Medical monitoring system |
US6804558B2 (en) * | 1999-07-07 | 2004-10-12 | Medtronic, Inc. | System and method of communicating between an implantable medical device and a remote computer system or health care provider |
EP1188412A2 (en) * | 2000-09-13 | 2002-03-20 | GE Medical Systems Information Technologies, Inc. | Portable ECG device with wireless communication interface to remotely monitor patients and method of use |
US6654631B1 (en) * | 2001-07-12 | 2003-11-25 | Anil Sahai | Method and apparatus for a hand-held computer EKG device |
CN1909831A (zh) * | 2004-01-21 | 2007-02-07 | 心脏网络公司 | 心脏监视方法 |
US20100210953A1 (en) * | 2006-02-27 | 2010-08-19 | Monitoring Information Technologies, Inc. | System and method for heart and activity monitoring |
CN200977158Y (zh) * | 2006-08-18 | 2007-11-21 | 许浚 | 远程医疗心电监护系统 |
CN101524271A (zh) * | 2009-04-01 | 2009-09-09 | 成都途筏达科技有限公司 | 无基站或卫星信号下的心电手机监护方法 |
Non-Patent Citations (1)
Title |
---|
周群一等: "人工神经网络在心拍分类中的应用", 《中国医疗器械杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021129152A1 (zh) * | 2019-12-26 | 2021-07-01 | 华为技术有限公司 | 诊断报告生成方法、装置、终端设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR20140063100A (ko) | 2014-05-27 |
EP2733632A2 (en) | 2014-05-21 |
US20140142448A1 (en) | 2014-05-22 |
JP2014100473A (ja) | 2014-06-05 |
EP2733632A3 (en) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103815893A (zh) | 用于远程疾病管理的设备和方法 | |
Wasimuddin et al. | Stages-based ECG signal analysis from traditional signal processing to machine learning approaches: A survey | |
JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
Merdjanovska et al. | Comprehensive survey of computational ECG analysis: Databases, methods and applications | |
EP3692900A1 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
US8473047B2 (en) | Multifrequency bioimpedence device and related methods | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN109411041A (zh) | 心电信息处理方法和心电工作站系统 | |
Venkataramanaiah et al. | ECG signal processing and KNN classifier-based abnormality detection by VH-doctor for remote cardiac healthcare monitoring | |
CN108836314A (zh) | 一种基于网络和人工智能的动态心电图分析方法及系统 | |
CN103038772A (zh) | 预测患者的存活性的方法 | |
US20050171447A1 (en) | Method and device for the automateddetection and differentiation of cardiac rhythm disturbances | |
CN113317794B (zh) | 一种生命体征分析方法与系统 | |
US20230117220A1 (en) | Electrocardiogram data processing server, method and computer program for displaying analysis data of electrocardiogram signal | |
Ganesan et al. | Computer-aided clinical decision support systems for atrial fibrillation | |
Hongo et al. | Status of computerized electrocardiography | |
Yu et al. | Deviation distance entropy: A method for quantifying the dynamic features of biomedical time series | |
CN109069046A (zh) | Ecg训练和技能提高 | |
CN116504398A (zh) | 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统 | |
CN115607167A (zh) | 一种轻量化的模型训练方法、房颤检测方法、装置及系统 | |
US20200237244A1 (en) | Signal replay for selection of optimal detection settings | |
Satani et al. | Heart arrhythmia detection using labview GUI based approach | |
Thuy et al. | Error-rate analysis for ECG classification in diversity scenario | |
Prats-Boluda et al. | Identification of atrial fibrillation drivers by means of concentric ring electrodes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140528 |