CN104955387B - 用于心律失常判别的方法和系统 - Google Patents
用于心律失常判别的方法和系统 Download PDFInfo
- Publication number
- CN104955387B CN104955387B CN201380071786.XA CN201380071786A CN104955387B CN 104955387 B CN104955387 B CN 104955387B CN 201380071786 A CN201380071786 A CN 201380071786A CN 104955387 B CN104955387 B CN 104955387B
- Authority
- CN
- China
- Prior art keywords
- svt
- heart
- fcc
- signal
- events
- 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.)
- Active
Links
Classifications
-
- 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
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
- A61N1/36114—Cardiac control, e.g. by vagal stimulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/362—Heart stimulators
- A61N1/3621—Heart stimulators for treating or preventing abnormally high heart rate
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
- A61B5/283—Invasive
- A61B5/287—Holders for multiple electrodes, e.g. electrode catheters for electrophysiological study [EPS]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Electrotherapy Devices (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
公开了判别室性心律失常的方法和系统。在一个实施方案中,所述方法可以包括实施心律失常判别算法,其可以利用至少一个被编程为第一值的可编程参数在室上性心动过速(SVT)和室性心动过速(VT)之间进行判别。所述方法可以包括分析SVT事件,其中分析所述SVT事件包括在所述SVT事件期间感测生理信号并且识别所感测的生理信号的特征。所述方法可以进一步包括利用所述心律失常判别算法以及被编程为第二值的可编程参数分析心脏信号以将所述心脏信号分类为SVT或VT。可以由所感测的生理信号的识别特征确定第二值。
Description
优先权要求
本申请根据35U.S.C.§119(e)要求于2012年11月29日提交的美国临时专利申请序列号61/731163的优先权的权益,其在此通过引用以其整体并入。
技术领域
本文件大体上涉及心律管理系统,并且更具体地,但不以限制的方式,涉及用于在心律管理系统中判别心室性心律失常的方法和系统。
背景
窦房(SA)结控制心脏中的心肌之间的有规律且同步的收缩。SA结是位于心脏的右心房上部中的一组特殊细胞,其作为心脏的正常起搏器起作用,产生通过电传导系统传播到心脏的各个区域的电脉冲以促进心脏腔室的泵送功能。通常,健康的心脏以每分钟60-100次的频率跳动。当SA结正常地起搏心脏时,心脏处于正常的窦性心律。当心脏的电活动变得不协调或不规则时,心脏心律失常。
涉及缓慢的心律的心律失常可被分类为心动过缓,以及涉及快速的心律的心律失常可被分类为心动过速。心动过速在心房或心室中可具有原点。心律管理(CRM)系统可以用于治疗心脏的心律失常病况。可以将CRM系统配置为判别不同类型的心律失常,包括室上性心动过速(SVT),室性心动过速(VT)和心室纤维性颤动(VF),并且对心脏输送抗心律失常治疗以中断心律失常。
根据用于心律失常分类的已知技术,医师将CRM系统的可编程参数编程成初始值。在无医师的任何干预的情况下,CRM系统通常基于初始值继续输送治疗直到患者在设备检查过程中访问医师。如果可编程参数的初始设定值不适合患者,那么CRM系统可能错误地检测或分类心脏事件。例如,CRM系统可以检测心律失常情况,将心律失常情况错误分类为VT而不是SVT,并对所检测的VT错误地输送治疗。类似地,例如,CRM系统可以检测心律失常情况,将心律失常情况错误分类为SVT而不是VT,并且为所检测的SVT错误地不给治疗。
概述
在判别快速性心律失常的方法的一个实施例中,所述方法可以包括实施心律失常判别算法以利用至少一个被编程为第一值的可编程参数在室上性心动过速(SVT)和室性心动过速(VT)之间进行判别。可以分析SVT事件。分析所述SVT事件包括在所述SVT事件期间感测生理信号并且识别所感测的生理信号的特征。可以从所感测的生理信号的识别特征确定第二值。利用所述心律失常判别算法以及被编程为第二值的可编程参数分析心脏信号以将所述心脏信号分类为SVT或VT。
在判别心律失常的系统的一个实施例中,心律失常判别器可以被配置为实施心律失常判别算法以利用至少一个被编程为第一值的可编程参数在室性心动过速(VT)和室上性心动过速(SVT)之间进行判别。SVT事件分析器可以被配置为感测SVT事件期间的生理信号和识别所感测的生理信号的特征。控制器可以被配置为基于所感测的生理信号的识别特征确定所述可编程参数的第二值,将所述可编程参数编程为所述第二值;以及利用心律失常判别器以及被编程为第二值的可编程参数将心脏信号分类为SVT或者VT。
本概述是本申请的一些教导的综述,且并非排他性或穷尽地处理本发明的主题。关于本发明的主题的进一步细节在详细说明和所附的权利要求中。本发明的范围由所附的权利要求及其等同物限定。
附图的简要说明
通过附图的各个图中的实施例示出各种实施方案。这种实施方案是说明性的并且不是本发明的主题的穷尽的或是排他性的实施方案。
图1通过实施例示出CRM系统的实施方案。
图2通过实施例示出被配置为在各种心律失常之间进行判别的可植入医疗装置(IMD)的实施例。
图3通过实施例示出被配置为生成SVT事件的SVT事件生成器的实施方案。
图4通过实施例示出被配置为识别SVT的生理信号的特征的SVT事件分析器的实施方案。
图5通过实施例示出计算用于为可编程参数推荐第二值的特征相关系数(FCC)值的过程的实施方案。
图6通过实施例示出用于判别VT和SVT的心律失常判别器的实施方案。
图7通过实施例示出比较心脏信号与模板的实施方案。
图8通过实施例示出用于判别心律失常的方法的实施方案。
图9通过实施例示出用于为IMD的可编程参数生成第二值的方法的实施方案。
图10通过实施例示出用于利用SVT分析更新可编程参数的阈值的方法的实施方案。
图11通过实施例示出用于利用SVT和VT分析更新可编程参数的阈值的方法的实施方案。
图12通过实施例示出利用SVT事件的分析计算可编程参数的阈值的方法的实施方案。
图13通过实施例示出列出在SVT事件中生成的生理信号中的多个心跳的FCC值的实施方案。
图14通过实施例示出用于利用SVT事件和VT事件的分析计算可编程参数的阈值的方法的实施方案。
图15通过实施例示出列出在SVT事件和VT事件中生成的生理信号中的多个心跳的FCC值的实施方案。
详细说明
图1通过实施例示出CRM系统100的实施方案和可以在其中使用CRM系统100的环境。示出的CRM系统100包括IMD 102,IMD 102可以包括气密的壳体104和从壳体104延伸的头部106。头部106可以包括用于接收一根或者多根导线的近端的一个或者多个插座,所述导线诸如导线108A,导线108B,和导线108C(在此统称为导线108)。导线108的远端可以包括用于对心脏110提供起搏能量、除颤能量、或两者的被称为“电极”的一个或多个电触点。导线108和电极可以用于感测心脏110的电活动,包括与心房或心室的收缩相关的电活动。
在一个实施例中,导线108A是可以从上腔静脉(SVC)延伸进入右心房(RA),然后进入RV的血管内右心室(RV)导线。导线108A可包括RV尖端电极112,稍微更近侧的RV环形电极114,仍然略微更近侧的RV电击(shock)线圈电极116,和更近侧的RA或SVC电击线圈电极118。在一个实施例中,导线108B是血管内冠状窦(CS)/左心室(LV)导线,其可以从SVC延伸进入RA通过CS进入冠状脉管,如邻近LV的一部分。在一个实施例中,CS/LV导线108B可包括远侧电极120和近侧电极122,通过远侧电极120和近侧电极122,可输送电刺激能量或可感测内在电心脏信号。在一个实施例中,导线108C是血管内RA导线108C,其可从SVC延伸进入RA,并且可以包括远侧电极124和近侧电极126。在一个实施例中,可以使用其他电极(例如,壳体104上的壳体电极128,头部106上的头部电极130,心外膜电极,远离心脏的皮下电极,或者位于其他位置的电极)导线对心脏110提供刺激或者感测心脏110的电活动。
电极的其他形式包括网状物(meshes)和补丁(patches),其可以施加到心脏110的部分或者其可以在身体的其他部位中植入以帮助“引导”由IMD 102产生的电流。本发明的方法和系统可以以各种配置工作并且与各种电极一起工作。在一个实施例中,不同的可植入电极配置可以包括感测和刺激对的各种组合。例如,可以通过在RA环形电极和罐状壳体(can housing)104之间发送刺激电流和感测RA尖端电极和罐状壳体104之间得到的电压来设置一个电极配置(RA-罐)。其他配置可以包括但不限于RV-罐(利用RV导线上的电极和活动的胸部罐以刺激和感测的配置),LV-罐(利用LV导线上的电极和活动的胸部罐以刺激和感测的配置),RA-LV-罐(利用右心房导线、LV导线上的电极和活动的罐以刺激和感测的配置),RV-LV(利用右心室导线和左心室导线上的电极以感测和刺激的配置)等等。这些电极通常对心脏110的至少一个腔室输送复律,除颤,起搏,或再同步治疗,或者它们的组合。
IMD 102的实施例可以包括但不限于起搏器、除颤器、心脏再同步治疗(CRT)装置、或这些装置的组合。IMD 102可以通信,无线地或通过有线连接。例如,IMD 102可以使用绳系(tether)与诸如IMD程序员、中继器、手持式装置等的外部本地接口132单向或双向地通信。本地接口132可以被配置为经由有线或无线计算机或通信网络134与诸如远程计算机、服务器等等的远程接口136通信。
在一个实施例中,IMD 102可以包括神经刺激器以输送神经刺激到一个或多个神经靶点。如上所述,CRM系统100可以被配置为使用本地接口132,例如编程IMD 102以输送神经刺激到患者。例如,本地接口132可以与IMD 102无线通信以传送刺激能量到身体的一个或多个神经。在一些实施例中,CRM系统100可以无线地供应操作能量到诸如IMD 102的神经刺激IMD。
本发明的系统或方法可以配置为能够使用一个或多个可编程参数诊断和管理心律失常和/或充血性心脏衰竭(“CHF”或“心脏衰竭”)。此外,本文公开的系统或方法可以使得医师能够识别与患者的(多个)电导特征的(多个)改变相关的因素,从而可以为可编程参数推荐阈值。医师可确认推荐的阈值并可以将系统配置为使用可编程参数的推荐的阈值将心律失常判别为VT或SVT。
图2通过实施例示出IMD 102的一个实施方案。可以为多个可编程参数编程IMD102并基于该多个可编程参数操作IMD 102以在心律失常当中进行判别。例如,IMD 102可以被配置为确定心律失常是否是房性心律失常,室性心律失常。在一个实施例中,IMD 102可以被配置为确定心律失常是否是心动过缓或心动过速。在一个实施例中,IMD 102可以被配置为在室性心动过速(VT)和室上性心动过速(SVT)之间进行判别。在一个实施例中,多个可编程参数可指示心房或心室率阈值、颤动阈值、相关性阈值、稳定性阈值或其他感测的阈值。IMD 102可以被配置为使用一个或多个可编程参数的阈值并使用一个或多个电极配置检测特定心律失常的存在。因此,IMD 102可以被编程成根据检测到的心律失常对患者发起或提供治疗。
在一个实施例中,IMD 102的(多个)可编程参数被编程成(多个)初始阈值。例如,医师可手动地提供可编程参数的初始阈值。在一个实施例中,医师可以选择IMD 102的操作的特定模式(例如,心动过速模式)并且可以基于操作模式的选择自动设定初始阈值。在操作环境中,IMD 102可以被配置为感测心脏信号并由此使用可编程参数的初始值判别心脏信号为VT或SVT。
在一个实施例中,可编程参数可以指示心脏去极化形态和模板形态之间的形态相似性。IMD 102可以被配置成为可编程参数设定初始形态相似性阈值。IMD 102可以被配置为感测心脏信号并确定所述心脏信号的去极化形态。此后,IMD 102可以被配置为计算所确定的心脏去极化形态和模板形态之间的相似性。在一个实施例中,FCC值可用于确定或评估这两种形态之间的相似性的程度。因此,IMD 102可以被配置为使用所计算的FCC值和初始形态相似性阈值判别心脏信号为VT或SVT。
在一个实施例中,可编程参数可以是用于提供用于区分不稳定的心室心律和稳定的心室心律的稳定性阈值的稳定性分析参数。IMD 102可以被配置成为用于指示心动过速R-R间隔的可变性的程度的稳定性分析参数设定初始阈值。IMD 102可以被配置为测量心脏信号的R-R间隔的可变性的程度以及比较所测量的值和稳定性参数的阈值。IMD 102可以被配置为如果所测量的可变性的程度大于可编程参数的阈值则宣告VT心律不稳定。否则,IMD102可以被配置为宣告VT心律稳定。
在一个实施例中,IMD 102包括参数确定器202,控制器204,存储器206和心律失常判别器208。参数确定器202可以包括SVT事件生成器212,SVT事件分析器214,和可编程参数计算器216。存储器206可以被配置为存储模板形态218和一个或多个可编程参数的各自的可编程参数值220。心律失常判别器208可以包括可编程参数选择器222。可编程参数选择器222可用于选择可编程参数的第二阈值。
在一个实施例中,控制器204可以被配置为使用参数确定器202和模板形态218确定可编程参数的第二值。参数确定器202的SVT事件生成器212可以被配置为在接收激活信号时生成SVT事件。生理信号可以被感测,然后,由SVT事件分析器214进行分析以使用模板形态218识别生理信号的特征。可编程参数计算器216可以被配置为使用所识别的生理信号的特征和可编程参数值220计算可编程参数的第二值。
在一个实施例中,控制器204可以被配置为提供指令给SVT事件生成器212以诱导SVT事件。SVT事件的诱导可包括输送编程的心脏刺激序列到心脏110。可替代地,SVT事件的诱导可包括输送编程的神经刺激序列到自主神经靶点。在另一个实施例中,控制器204可以被配置为使用SVT事件生成器212模拟SVT事件。SVT事件的模拟可以包括输送编程的心脏起搏序列到心脏110。在又一个实施例中,控制器204可被配置为记录内在的、自发地发生的SVT事件。
响应于诱导的,模拟的或内在的SVT事件,一个或多个生理信号被感测。所述一个或多个生理信号可以是心脏心电图(ECG)信号,心内电图(EGM)信号,阻抗信号,压力信号,心脏收缩模式,或任何其它信号。在一个实施例中,控制器204可以被配置为在存储器206中存储与生理信号相关联的数据或者发送与生理信号相关联的数据到SVT事件分析器214。在一个实施例中,控制器204可以被配置为根据需要和当需要时从存储器206提取与生理信号相关联的该数据。所提取的数据可以指示与早期内在或外在(即,由SVT事件生成器212生成的)SVT事件相关联的信息。在一个实施例中,控制器204可被配置成为指定类型的心律确定模板形态218,所述指定类型的心律选自包括但不限于正常窦性心律(NSR),SVT心律和VT心律的心律组。
在一个实施例中,SVT事件分析器214可经配置以感测SVT事件的生理信号并识别所感测的生理信号的特征。生理信号的特征可包括心电图(electrocardiograph,ECG)或心电图(electrocardiogram,EGM)模式,心率,稳定性,心率变异性,房室传导模式,生理信号与模板形态的形态相似性,或其他特征。例如,SVT事件分析器214可以识别一个或多个这些特征。控制器204可被配置为与可编程参数计算器216交互以使用生理信号的多个所识别的特征和可编程参数值220计算可编程参数的第二值。在一个实施例中,可编程参数计算器216可以被配置为实施一种或多种算法以将可编程参数的值从初始可编程参数值220更新为通过一种或多种算法确定的第二值。
在一个实施例中,心律失常判别器208可以被配置为实施心律失常判别算法以至少使用编程为预定值的可编程参数在室性心动过速(VT)和室上性心动过速(SVT)之间进行判别。在一个实施例中,所述预定值可以是用于可编程参数的初始编程值。在另一个实施例中,所述初始编程值可以被更新到不同的值,如上面讨论的第二值。所述第二值可以显示给医师,从而医师可确认用于可编程参数的所述第二值的选择。在一个实施例中,心律失常判别器208可经配置以使用可编程参数的最近更新的值判别心脏信号。在一个实施例中,控制器204可以被配置为提供指令到心律失常判别器208以从心脏信号提取多个心脏信号特征,检索(retrieve)存储在存储器206中的多个模板特征,并且使用所提取的心脏信号特征与模板特征之间的相关性的测度(measure)将心脏信号分类为SVT或VT。
图3通过实施例示出经配置以产生SVT事件的SVT事件生成器212的实施方案。检测到诸如引发SVT分析的激活信号时,SVT事件生成器212可以被配置为激活SVT生成协议选择器302,提供界面给医师以从多个SVT事件生成器协议中选择用于产生SVT事件的选项。在一个实施例中,医师可提供一个输入用于从SVT事件生成协议中选择至少一个协议。可供选择的协议可以包括以下协议的至少一些:SVT诱导协议(induction protocal)304,运动协议306,神经刺激协议308,模拟的SVT协议310,内在SVT检索器(retriever)312,以及其他事件生成器协议。多个SVT事件生成器协议可以涉及用于产生患者的心脏110内的SVT事件的各种机制。
在一个实施例中,SVT诱导协议304可以包括用于SVT事件生成器212的可编程或可选择的设置,诸如以输送可编程电心肌刺激的短序列以诱导持续的SVT事件。在另一个实施方案中,可以利用包括通过运动产生SVT事件的指令的运动协议306生成SVT事件。可以在受控的条件下自然地提升患者的心率,利用例如患者在其上运动的跑步机。根据神经刺激协议308,SVT事件生成器212可以配置为用刺激参数的指定值编程神经刺激序列并且输送编程的神经刺激程序到神经靶点。刺激参数可以由持续时间,脉冲宽度,频率,或刺激脉冲的振幅中的至少一种限定。
模拟SVT协议310可以包括使用模拟的起搏序列生成SVT事件的设置。根据模拟SVT协议310,SVT事件生成器212可以被配置为用指定的心脏起搏模式和比患者的正常静息心率更高的起搏率编程心脏起搏序列并且输送该心脏起搏序列到心脏110。在一个实施例中,SVT生成协议选择器302可以被配置为选择内在SVT检索器312,其可以提取与存储在存储器206中的过去的SVT事件相关的数据。
SVT事件生成器212可以被配置为利用SVT质量监测器314监测SVT信号(即,生理信号)的质量。质量监测的过程可以为所选择的感测配置确保可靠的信号质量。SVT事件生成器212可以被配置为使用记录条件检查器316验证一个或多个记录条件。SVT事件生成器212可以被配置为当满足一个或多个记录条件时利用SVT生理信号记录器318记录生理信号。在一个实施例中,SVT生理信号记录器318可被配置为记录SVT事件的心电图。因此,SVT事件生成器212可经配置以提供所记录的生理信号给SVT事件分析器214用于进一步的分析。
图4通过实施例示出被配置为识别生理信号的特征的SVT事件分析器214的实施方案。SVT事件分析器214可以被配置为包括信号获取器402,片段提取器404和特征识别器406。信号获取器402可以被配置为获取生理信号以使SVT事件分析器214可分析所述生理信号以提供分析数据给可编程参数计算器216。在一个实施例中,SVT事件分析器214可以直接从SVT事件生成器212获取生理信号或从存储器206检索生理信号。
片段提取器404可经配置以从生理信号提取多个生理信号片段以及特征识别器406可被配置为识别生理信号的片段的特征。在一个实施例中,特征识别器406可以被配置为通过计算多个生理信号片段和模板形态218之间的形态相似性量度确定生理信号的特征。在一个实施例中,形态相似性可以通过特征相关系数(FCC)值限定。FCC值提供来自生理信号的特定特征与模板形态218中的相同特征的相似性的测度。更接近“1”的值相比于更远离“1”的值提供相似性更大的指示。模板形态218可由指定类型的心律确定,指定类型的心律可选自包括但不限于正常窦性心律(NSR),SVT心律,VT心律,和其他心律的心律组。
可编程参数计算器216可以被配置为使用所识别的生理信号的特征以利用可编程参数比较器408确定可编程参数的第二值。在一个实施例中,可编程参数比较器408可以被配置为利用本文件中稍后描述的一种或多种方法比较从生理信号的特征获得的所识别的FCC值和可编程参数值218。因此,可编程参数比较器408可以为可编程参数推荐新的FCC值。
图5通过实施例示出用于计算在为可编程参数推荐第二值中使用的FCC值的过程的实施方案。参照图4和图5,信号获取器402可以从SVT事件期间产生的感测到的生理信号获取“频率电描记图(EGM)”502(RV尖端到RV环形或RV尖端到RV线圈EGM,其为用于心室率感测的近场信号)和“电击EGM”504(RV线圈到罐状壳体EGM,其是远场信号,并且该载体也可被用于输送除颤电击)。片段提取器404可以被配置为使用频率EGM 502和/或电击EGM 504为与生理信号相关联的每次心跳提取数据。另外,特征识别器406可以被配置为使用模板形态218计算生理信号的每次心跳的FCC值。如图5所示,举例来说,特征识别器406为电击EGM504的10次心跳确定FCC值。FCC值可以指示电击EGM 504和模板形态218之间的相关性的测度。
可编程参数计算器216可被配置为利用这些FCC值与可编程参数比较器408同时实施一种或多种方法(如稍后在本文中所讨论的)来计算可推荐用于可编程参数的FCC值。在一个实施方案中,如果N次心跳中的至少M次具有比FCC阈值大的FCC值,则将检测到的心律失常分类为SVT。在该实施例中,如果10次心跳中的至少3次具有大于或者等于FCC阈值的FCC值,则将检测到的心律失常分类为SVT。可编程参数计算器216将对FCC阈推荐的值确定为等于或小于10次心跳的FCC值当中的第三高的FCC值(0.92)的数字,因此,10次心跳中的至少3次的FCC值大于推荐的FCC阈值;从而确保利用推荐的FCC阈值的心律失常分类算法正确地分类该SVT心律。
图6通过实施例示出用于判别心脏信号为VT或SVT的心律失常判别器208的实施方案。虽然图6显示用于心律失常判别的基于形态的分类器的实施,然而其他特征例如稳定性和/或心室率可以用于判别心律失常。心律失常判别器208可以被配置为包括心脏形态提取器602,模板形态提取器604和基于形态的分类器606。
在一个实施例中,控制器204可以被配置为使用心脏形态提取器602由心脏信号确定心脏去极化形态和使用模板形态提取器604由指定类型的心律确定模板形态特征,所述指定类型的心律可以选自包括但不限于正常窦性心律(NSR),SVT心律,VT心律,和其他心律的心律组。在一个实施例中,基于形态的分类器606可以配置成产生心脏去极化信号和模板形态218之间的相关性度量。基于形态的分类器606可被配置为使用可编程形态相似性阈值作为参照值,并相应地,将心脏信号分类为VT或SVT。例如,如果为心脏信号确定的FCC值大于或等于参照FCC值,则基于形态的分类器606可以将心脏信号分类为SVT心跳。如果显著数目的心跳被分类为SVT心跳(例如,10次心跳中的至少3次是SVT心跳),则基于形态的分类器606将心律分类为SVT心律,以及可以抑制VT治疗。如果心脏信号的FCC值小于参照FCC值,则基于形态的分类器606可以将心脏信号分类为VT心跳。如果显著数目的心跳被分类为VT心跳(例如,10次心跳中的至少8次为VT心跳),则基于形态的分类器606将心律分类为VT心律;并且相应地,可以启动VT治疗。
图7通过实施例示出对所接收的心脏信号702和模板形态218的模板704进行比较的实施方案。在该实施例中,模板704是从远场NSR信号创建的NSR模板,以及心脏信号702是从远场心律失常信号获得的心跳(即,心脏去极化)。在一个实施例中,远场信号可以是利用RV线圈电极和罐状壳体感测的“电击EGM”。如图所示,所接收的心脏信号702和模板704可通过比对特征进行比对,所述比对特征如心脏信号的各近场信号712的R波峰值和模板的近场信号712。在一个实施例中,近场信号是使用RV尖端和RV环形(或RV线圈)电极感测的“频率EGM”。
在一个实施例中,模板704可包括八个形态限定特征706A-H的集合并且模板704可以包括该八个特征706A-H中的每一个的时间和振幅以用于与心脏信号702比较从而使得心脏信号702可以被判别为VT或SVT。心脏信号702可以以与模板704中的特征706A-H相同的时间间隔采样(相对于比对特征),得到比较特征708A-H。此外,心律失常判别器208可被配置为使用模板特征706A-H中的每一个的振幅(xi)和相对于比对特征的心脏信号708A-H的振幅(yi)计算FCC值,如下面的等式所示:
在一个实施例中,根据上述等式计算的FCC可以与可编程形态相似性阈值进行比较以例如确定心脏信号702是否与模板704相关。
图8通过实施例示出用于比较用于判别心律失常的方法800的实施方案。在802处,首先编程诸如IMD 102的装置以例如实施可以利用一个或多个可编程参数在室上性心动过速(SVT)和室性心动过速(VT)之间进行判别的心律失常判别算法。在一个实施例中,可以将至少一个可编程参数编程为第一值。IMD 102可以使用可编程参数的第一值以例如便于VT和SVT之间的判别。
在804处,实施SVT分析。在一个实施例中,SVT分析可以包括分析SVT事件,所述SVT事件可以包括在SVT事件期间感测生理信号,并且识别所感测的生理信号的特征。在一个实施例中,生理信号的识别的特征可以包括生理信号的多个片段和模板形态之间的形态相似性度量。在一个实施例中,形态相似性度量可以包括所感测的生理信号和模板形态之间的相关性的测度。在一个实施例中,可以由指定类型的心律确定模板形态,所述指定类型的心律选自包括正常窦性心律(NSR),SVT和VT的至少一种的心律组。另外,SVT分析可以用于利用所感测的生理信号的识别特征为至少一个可编程参数生成第二值。
在806处,可以使用第二值重新编程IMD 102。在一个实施例中,可编程参数的第二值可对VT或SVT中的至少一个的检测更敏感。在808处,使用重新编程的IMD 102判别心律失常。在一个实施例中,IMD 102可以被配置为将形态相似性阈值重新编程为第二值,由此,分析心脏信号以使用第二值分类诸如SVT或VT的心脏信号。
图9通过实施例示出用于为IMD 102的可编程参数产生第二值的方法900的实施方案。在902处,产生SVT事件。在一个实施例中,方法900可以允许通过诱导或者模拟SVT事件在患者心脏110内产生SVT事件。在一个实施例中,诱导SVT事件的方法可以包括用刺激参数的指定值编程心脏刺激序列并且输送该编程的心脏刺激序列到心脏110。刺激参数可以包括用于一个或多个刺激脉冲的诸如持续时间,脉冲宽度,频率,振幅,和其它的参数。在一个实施方案中,诱导SVT事件的方法可包括用刺激参数的指定值编程神经刺激序列并且输送该编程的神经刺激序列到自主神经靶点。刺激参数可以包括用于一个或多个神经刺激脉冲的诸如持续时间,脉冲宽度,频率,振幅,和其它的参数。在一个实施例中,模拟SVT事件的方法可包括用指定的心脏起搏模式和比患者的正常静息心率更高的起搏率编程心脏起搏序列并且输送该心脏起搏序列到心脏110。
在904处,在IMD 102的存储器中记录SVT数据。在一个实施例中,方法900可以允许指定的持续时间或每次心跳的SVT数据的记录。该数据可以包括关于生理信号的信息,该生理信号在SVT事件生成期间从与IMD 102相关联的电极和/或传感器获得。该数据可以包括信息,诸如SVT事件的计数,日期,持续时间和时间,生理信号的心电图(例如,具有或不具有注释的标记物),平均心房或心室率和其他。
在906处,分析SVT数据,以例如执行SVT数据和模板形态的形态分析。除了这一点,方法900可以向医师展示信息,例如基于心率的心跳相关曲线,历史数据等。方法900可以通过比较SVT数据的形态分析过程中产生的FCC值和可编程参数的第一值来为IMD 102的可编程参数产生第二值。
图10通过实施例示出用于利用SVT分析更新可编程参数的阈值的方法1000的实施方案。在1002处,将心律失常判别算法的可编程参数初始化为第一阈值TH1。在一个实施例中,在确定可编程参数的最佳值(即,第二值)之前,可编程参数的第一阈值可以指示可以用于将心脏信号判别为VT或者SVT的形态相似性值。在1004处,产生SVT事件。在一个实施例中,根据方法900的步骤902产生SVT事件。在1006处,可以确定是否满足了用于记录SVT事件的一个或者多个记录条件。在一个实施例中,一个或多个记录条件可以包括接收来自医师的确认以开始SVT事件的记录。在一个实施例中,一个或多个记录条件可以包括事件的发生,如具有缓慢心室反应的房性心动过速反应(ATR)情况的发生。在一个实施例中,记录可以在编程延迟后开始。如果不满足记录条件,那么方法1000可进行到1004,并在1004处可以生成SVT事件。如果记录条件得到满足,那么方法1000进行到1008,并且在1008处,记录SVT数据。SVT数据可以包括情况(例如,心房率和心室率),SVT生成协议,在该协议中使用的参数(例如,脉冲宽度和刺激频率),诸如具有或不具有注释的标记的心电图(EGM)以及与SVT事件相关联的其它信息的概要。
在1010处,分析SVT数据。在一个实施例中,分析SVT事件可以包括在SVT事件期间感测生理信号,并且识别所感测的生理信号的特征。所识别的特征可以包括生理信号的多个片段和模板形态之间的形态相似性量度。形态相似性量度可包括生理信号的一个或多个片段和模板形态之间的相关性的测度。在1012处,基于所述相关值,为可编程参数计算新的阈值TH2。在一个实施例中,可以根据方法1200计算阈值TH2,如本文下面所述。
在1014处,确定新的阈值TH2是否显著不同于初始阈值TH1。如果新的阈值TH2不显著不同于初始阈值TH1,那么方法1000可以进行到1004并在1004处,可以生成另一个SVT事件。如果阈值TH2显著不同于可编程参数的初始阈值TH1,那么方法1000进行到1016,并在1016处,通过用新计算的阈值TH2替换判别可编程参数的初始阈值TH1来更新心律失常判别算法。因此,IMD 102可以根据判别可编程参数的更新值将心脏信号分类为VT或SVT。
图11通过实施例示出用于使用SVT和VT分析更新可编程参数的阈值的方法1100的实施方案。在1102处,将心律失常判别算法的判别可编程参数初始化为第一阈值TH1,并在1104处,生成SVT事件。在1106处,确定用于记录SVT事件的一个或多个记录条件是否满足。如果记录条件不满足,那么方法1100可进行到1104,并在1104处,可以生成SVT事件。如果记录条件得到满足,那么方法1100可进行到1108,并在1108处,可以记录SVT数据。在1110处,可以分析SVT数据。
在1112处,检索和分析VT事件。在一个实施例中,可以从存储在IMD 102的存储器206中的历史数据中检索VT事件。存储器可以存储与已经在过去发生的各种事件和其它情况相关联的历史数据(例如,与这些事件或情况相关联的EGM)。方法1100可以从IMD 102的存储器206检索与发生在过去的VT事件相关的数据并由此分析VT数据以例如计算相关值。
在1114处,基于VT和SVT事件的相关值,为可编程参数计算新的阈值TH2。在一个实施例中,可以根据方法1400计算阈值TH2,如本文以下所述。在1116处,确定新的阈值TH2是否是显著不同于初始阈值TH1。如果新的阈值TH2不显著不同于初始阈值TH1,那么方法1100可进行到1104,并在1104处,可以生成另一个SVT事件。如果阈值TH2显著不同于可编程参数的初始阈值,那么方法1100可进行到1118。在1118处,通过用新的阈值TH2替换判别可编程参数的初始阈值TH1来更新心律失常判别算法。因此,IMD 102可以根据判别可编程参数的更新值将心脏信号分类为VT或SVT。
参照图12和图13,公开了用于使用SVT事件计算判别可编程参数的阈值的方法1200的一个实施例的流程图。在一个实施例中,方法1200可包括如图10的1012所示的为判别可编程参数计算新的阈值FCCTH2。在1202处,从SVT事件获得频率EGM和电击EGM。在一个实施方案中,SVT事件可以是内在的SVT事件,诱导的SVT事件或模拟的SVT事件。在1204处,可以为SVT事件的最后十次心跳计算每次心跳的FCC值。在1206处,可以确定计算的FCC值当中的第三高的FCC值(FCC3H)。如图13中所示,计算SVT事件的最后十次心跳的FCC值并且在线性标尺上显示为FCC值1302-1320。此外,作为一个实施例,将FCC值显示为以递增的次序排列,其中,在计算的FCC值当中,FCC值1302是最高值而FCC值1320是最低值。将FCC初始阈值显示为FCCTH1。FCC值1306是各种FCC值当中的第三高FCC值(FCC3H)。
作出决定以确定第三高的FCC值(FCC3H)是否大于判别可编程参数的初始阈值(FCCTH1)。换句话说,作出决定以确定(FCC3H)和(FCCTH1)之间的差别的量。如果第三高的FCC值(FCC3H)不显著不同于初始阈值(FCCTH1),则方法1200进行到1210并且方法1200可以推荐初始阈值(FCCTH1)作为判别可编程参数的推荐阈值。换句话说,初始阈值(FCCTH1)可以准确地判别心脏信号为VT或SVT,并且相应地,IMD 102可以基于利用初始阈值(FCCTH1)确定的判别对患者提供治疗。
如果第三高的FCC值(FCC3H)显著不同于初始阈值(FCCTH1),则方法1200可进行到1212。在1212处,作出决定以确定第三高的FCC值(FCC3H)是否大于或等于可编程参数的初始阈值(FCCTH1)。如果第三高的FCC值(FCC3H)大于或等于可编程参数的初始阈值(FCCTH1),则方法1200可进行到1210并且方法1200推荐初始阈值(FCCTH1)作为可编程参数的推荐阈值。如果第三高的FCC值(FCC3H)小于可编程参数的初始阈值(FCCTH1),则方法1200可进行到1214,并且该方法1200可以通过从第三高的FCC值(FCC3H)减去可变德尔塔(δ)计算可编程参数的第二阈值(FCCTH2)。在一个实施例中,δ是在0.01至0.1的范围内的可编程数字。在另一实施例中,δ是预先确定的正的常数。在将心律失常分类为SVT的心律失常判别算法中,如果十次心跳中的至少三次具有大于或等于FCC阈值的FCC值,那么使用推荐的第二阈值FCCTH2可导致产生的SVT被正确地分类为SVT(因为有三个FCC值大于FCCTH2,如图13所示),而利用FCC初始阈值(FCCTH1)会造成所生成的SVT事件被错误地分类为VT(因为仅有两个FCC值大于FCCTH1)。
如果第三高的FCC值(FCC3H)显著大于初始阈值(FCCTH1),那么方法1200推荐初始阈值(FCCTH1)作为推荐的阈值。也就是说,初始阈值(FCCTH1)是用于将心脏信号判别为VT或SVT的最佳值。在这一假设下,初始阈值(FCCTH1)是最佳的FCC阈值,可以有助于减少IMD 102的能量需求,因为IMD 102抑制对于未来的心脏信号的VT治疗,该未来的心脏信号具有比可编程参数的初始阈值(FCCTH1)大的相应的FCC相关值。
此外,当第三高的FCC值(FCC3H)显著小于初始阈值(FCCTH1),方法1200推荐可以显著小于初始阈值(FCCTH1)的第二阈值(FCCTH2)。在一个实施例中,在操作环境中,医师可以将可编程参数编程为0.94的初始FCC值。这意味着,如果心脏信号的FCC值大于FCC初始阈值(即,0.94),那么IMD 102可以判别心脏信号为SVT。类似地,如果心脏信号的FCC值小于FCC初始阈值(即,0.94),那么IMD 102可以判别心脏信号为VT。在计算SVT事件的最后十次心跳的第三高的FCC值之后,方法1200为可编程参数推荐第二阈值(例如,0.90)。作为较低的第二阈值的结果,具有0.91的FCC值的心脏信号被分类为SVT;不然如果使用初始阈值则会分类为VT。因此,通过为患者推荐较低的阈值,该方法1200可以防止输送到具有0.91的FCC值的SVT情况的不适当的抗快速心律失常治疗。
参照图14和图15,公开了用于利用SVT事件和VT事件的分析计算判别可编程参数的阈值的方法1400的一个实施例的流程图。在一个实施例中,方法1400可以如图11的1114所示的为判别可编程参数计算新的阈值TH2。在1402处,从SVT事件获得频率EGM和电击EGM。在一个实施例中,SVT事件可以是内在的SVT事件,诱导的SVT事件或模拟的SVT事件。在1404处,可以计算SVT事件中的最后十次心跳的每次心跳的FCC值。在1406处,可以确定SVT事件的计算的FCC值当中的第三高的FCC值(FCC3H,SVT)。如图15所示,计算SVT事件的最后十次心跳的FCC值并且在线性标尺上显示为FCC值SVT1-SVT10。将SVT事件的FCC值显示为以递增的顺序排列,在该递增的顺序中,在SVT的计算的FCC值当中,FCC值SVT1具有最高值而FCC值SVT10具有最低值。如图15所示,FCC值SVT3具有SVT事件的各个FCC值当中的第三高的值(FCC3H,SVT)。
当确定第三高的FCC值(FCC3H,SVT)的时候,方法1400可以确定所选择的FCC值(FCC3H,SVT)和判别可编程参数的FCC初始阈值(FCCTH1)之间的区别。在1408处,作出决定以确定第三高的FCC值(FCC3H,SVT)是否显著不同于判别可编程参数的FCC初始阈值(FCCTH1)。如果第三高的FCC值(FCC3H,SVT)不显著不同于FCC初始阈值(FCCTH1),则方法1400可进行到1410并且方法1400为判别可编程参数推荐初始阈值(FCCTH1)作为推荐的第二阈值(FCCTH2)。换句话说,IMD 102可以使用该FCC初始阈值(FCCTH1)在判别心脏信号为VT或SVT中有效地操作。
如果第三高的FCC值(FCC3H,SVT)显著不同于初始阈值(FCCTH1),则方法1400进行到1412。在1412处,方法1400可以允许从存储器206中可用的患者的过去的VT情况中检索EGM和/或ECC值。在1414处,可以计算VT事件中的最后十次心跳的每次心跳的FCC值。在1416处,可以确定VT情况的计算的FCC值当中的第三高的FCC值(FCC3H,VT)。如图15所示,计算VT事件的最后十次心跳的FCC值并且在线性标尺上显示为FCC值VT1-VT10。VT事件的FCC值显示为以递增的顺序排列,在该递增的顺序中,在VT的计算的FCC值当中,FCC值VT1是最高值而FCC值VT10是最低值。如图15所示,FCC值VT3是为VT情况中的为最后十次心跳计算的各个FCC值当中的第三高的FCC值(FCC3H,VT)。
在1418处,作出决定以确定VT情况的第三高的FCC值(FCC3H,VT)是否大于或等于SVT事件的第三高的FCC值(FCC3H,SVT)。如果VT情况的第三高的FCC值(FCC3H,VT)大于或等于SVT事件的第三高的FCC值(FCC3H,SVT),则方法1400进行到1410,并且方法1400推荐初始阈值(FCCTH1)作为判别可编程参数的推荐的阈值(FCCTH2)。如果VT情况的第三高的FCC值(FCC3H,VT)小于SVT事件的第三高的FCC值(FCC3H,SVT),则方法1400进行到1420。
在1420处,确定FCC值(FCC3H,SVT)和FCC值(FCC3H,VT)之间的差异,例如为判别可编程参数的第二阈值(FCCTH2)计算范围。在图14中,两个FCC值之间的这种差异被表示为lamda(λ)。在1422处,确定可变德尔塔(δ)从而使得条件0<δ<λ可以被满足。在1424处,方法1400可以通过从FCC初始阈值(FCCTH1)减去δ来计算FCC第二阈值(FCCTH2)。结果,FCC第二阈值(FCCTH2)介于FCC3H,SVT和FCC3H,VT之间,即,FCC3H,VT<FCCTH2<FCC3H,SVT。在将心律失常分类为SVT的心律失常判别算法中,如果十次心跳中的至少三次具有大于或等于FCC阈值的FCC值,则利用推荐的第二阈值FCCTH2可以导致生成的SVT事件被正确地分类为SVT(因为有三个FCC值大于FCCTH2,如图15中所示),而同时导致VT事件被正确地分类为VT(因为有少于三个的FCC值大于FCCTH2,如图15中所示)。与此相反,使用FCC初始阈值(FCCTH1)会造成所生成的SVT事件被错误地分类为VT(因为仅存在两个大于FCCTH1的FCC值)。其结果是,方法1400可以基于VT事件和SVT事件的分析推荐FCC阈值。
在各种实施例中,所述方法和系统可以通过允许医师来启动SVT事件和/或VT事件的分析周期来为可编程参数计算最佳的FCC阈值。可以基于这些事件期间感测到的生理信号的识别特征的分析计算可编程参数的FCC第二阈值。因此,IMD 102可以被配置为使用新计算的FCC第二阈值判别心脏信号。
本文件中公开的至少一些实施例可以有助于为可编程参数确定患者特异的阈值(例如,FCC值)。通常,IMD 102可以被配置为使用FCC阈值判别心脏信号为VT或SVT。如果心脏信号的FCC值大于FCC阈值,则IMD 102判别心脏信号为SVT心跳。如果显著数目的心跳被分类为SVT心跳(例如,10次心跳中的至少三次是SVT心跳),则心律被分类为SVT心律,并且IMD 102抑制VT治疗。如果心脏信号的FCC值小于FCC阈值,则IMD 102判别心脏信号为VT心跳。如果显著数目的心跳被分类为VT心跳(例如,10次心跳中的至少8次为VT心跳),则心律被分类为VT心律,并且IMD 102启动VT治疗。然而,FCC阈值可以是患者特异的。换言之,对于一个患者的FCC阈值可以与其他患者的FCC阈值不同。
在一个实施例中,可以产生SVT事件并测量SVT事件的一次或多次心跳的FCC值以例如确定对患者特异的阈值。例如,本文公开的方法和系统可以被配置为分析SVT事件和计算SVT事件的最后十次心跳的FCC值。可以从SVT事件的计算的FCC值中选择第三高的FCC值并且可以作出决定,诸如以确定FCC初始阈值是否是用于判别心脏信号为SVT的最佳值。虽然选择第三高的FCC值用于判别过程,但是方法可以从最后十次心跳的计算的FCC值选择任何其他FCC值而没有任何限制。通常,例如,在将心律分类为SVT的心律失常判别算法中,如果N次心跳中的至少M次具有比FCC阈值大的FCC值,则可以利用N次心跳中的第M高的FCC值确定FCC阈的最佳值。在其他方案中,该方法可以对指定数量的心跳的FCC值使用各种统计或数学计算从而为确定最佳的FCC阈值选择FCC值。
在从SVT事件选择特定的FCC值时,该方法可以被配置为确定选定的FCC值和判别可编程参数的初始阈值之间的差别。如果这两个值不显著不同,那么该方法可以被配置为推荐初始阈值作为可编程参数的推荐的阈值。这意味着,初始阈值适合患者并且IMD 102可以在利用初始阈值检测VT或者SVT时精确地提供或抑制VT治疗。如果这两个值显著不同并且所选择的FCC值大于初始阈值,那么该方法仍然可以被配置为推荐初始阈值作为可编程参数的推荐的阈值。
然而,如果这两个值显著不同并且所选择的FCC值比初始阈值小,则该方法可以基于从SVT事件选定的FCC值计算第二阈值。因此,该方法可以被配置为推荐新计算的阈值。推荐一个较低的阈值的优点是IMD 102可以现在将那些未来的心脏信号分类为SVT,否则其将被错误地分类为VT。例如,如果初始阈值是0.94,那么具有小于阈值0.93的FCC值的所有心脏信号可以分类为VT,因此,IMD 102可以启动VT治疗。例如,在分析从该患者的SVT事件获得的FCC值的趋势之后,可以确定用于该特定患者的FCC阈值应该是0.92而不是0.94。显然,用新计算的阈值时,IMD 102可以现在将具有大于0.92的FCC值的未来的心脏信号分类为SVT并抑制VT治疗。更具体地,IMD 102可以现在利用新计算的FCC阈值将具有介于0.92-0.94之间的FCC值的所有那些心脏信号分类为SVT,否则将分类为VT。结果,该方法有助于为可编程参数确定最佳阈值从而使得IMD102可以抑制响应于如果使用初始阈FCC值则将被错误地分类为VT的心脏信号的VT治疗输送。
由于可编程参数的阈值的这些变化可以在医师在场时发生,因此可以不再给予患者错误的治疗。阈值的最佳选择可以确保对患者只提供必要的治疗(例如,VT治疗),由此,防止IMD 102的电池耗竭(battery drainage),从而导致IMD 102的寿命的增加。
上面的详细描述包括参照附图,其形成详细描述的一部分。附图以说明的方式示出其中可以实施本发明的具体实施方案。这些实施方案也在本文中称为“实施例”。这样的实施例可以包括除了示出或描述的那些之外的要素。然而,本发明的发明人还考虑其中只提供示出或者描述的那些要素的实施例。此外,本发明的发明人还考虑利用示出或者描述的那些要素(或者其一个或者多个方面)的任何组合或者排列的实施例,无论是关于特定的实施例(或者其一个或者多个方面),或者是关于本文示出或者描述的其他实施例(或者其一个或者多个方面)。
在本文件中,使用术语“a”或“an”,如专利文件中常见的,以包括一个或多于一个,独立于“至少一个”或者“一个或者多个”的任何其他实例或惯例。在这个文件中,术语“或”用于指非排他性的或,从而使得“A或B”包括“A而非B”,“B而非A”以及“A和B”,除非另有说明。在这份文件中,术语“包括(including)”和“其中(in which)”被用作相应术语“包含(comprising)”和“其中(wherein)”的通俗英语等同物。另外,在下面的权利要求中,术语“包括”和“包含”的术语是开放式的,即,包括除了在权利要求中在该术语之后列举的那些之外的要素的系统,装置,物品,组合物,制剂,或过程也认为是落入了权利要求的保护范围内。此外,在下面的权利要求中,术语“第一”,“第二”和“第三”仅仅用作标签,并且不旨在对它们的对象施加数字要求。
本文中所描述的方法实施例可以至少部分地是机器或计算机实现的。一些实施例可以包括用可操作指令编码的用以将电子设备配置为实施如上面的实施例所描述的方法的计算机可读介质或机器可读介质。这些方法的实施可以包括代码,例如微代码,汇编语言代码,高级语言代码等。这样的代码可以包括用于执行各种方法的计算机可读指令。所述代码可形成计算机程序产品的部分。该代码可以被有形地存储在一个或多个易失性,非短暂性或非易失性的有形计算机可读介质上,如在执行期间或在其它时间。这些有形的计算机可读介质的实施例可以包括,但不限于,硬盘,可移动磁盘,可移动光盘(例如,压缩盘和数字视频盘),磁带盒,存储卡或棒,随机存取存储器(RAM),只读存储器(ROM),和类似物。
应当理解,上述详细说明旨在是说明性的,而不是限制性的。其他实施方案对于阅读和理解了上述描述的本领域的技术人员来说是显而易见的。因此,本发明的范围应该参照所附权利要求来确定,连同这些权利要求所允许的等效物的全部范围。
Claims (15)
1.一种系统,其包括:
用于实施心律失常判别算法的程序模块,其中,所述心律失常判别算法利用至少一个被编程为第一值的可编程参数在室上性心动过速(SVT)和室性心动过速(VT)之间进行判别;
用于分析SVT事件的程序模块,其包括用于在所述SVT事件期间感测生理信号的程序模块,和用于识别所感测的生理信号的特征的程序模块;以及
用于利用所述心律失常判别算法以及被编程为第二值的可编程参数分析心脏信号以将所述心脏信号分类为SVT或VT的程序模块,其中,所述第二值由所感测的生理信号的识别特征确定。
2.根据权利要求1所述的系统,其进一步包括用于诱导所述SVT事件的程序模块,其中,用于分析所述SVT事件的程序模块包括用于分析所诱导的SVT事件的程序模块。
3.根据权利要求1所述的系统,其还包括用于模拟所述SVT事件的程序模块,其中,用于分析所述SVT事件的程序模块包括用于分析所模拟的SVT事件的程序模块。
4.根据权利要求1所述的系统,其还包括用于记录内在SVT事件的程序模块,其中,用于分析所述SVT事件的程序模块包括用于分析所记录的内在SVT事件的程序模块。
5.根据权利要求1至4任一项所述的系统,其中,
所感测的生理信号包括多个片段;
所述生理信号的识别特征包括多个片段和模板形态之间的形态相似性度量;以及
从指定类型的心律确定所述模板形态,所述指定类型的心律选自由正常窦性心律(NSR);SVT;和VT组成的心律组。
6.根据权利要求1所述的系统,其中:
所述心律失常判别算法包括基于形态的心律分类,基于形态的心律分类器包括形态相似性度量和可编程形态相似性阈值;
用于分析所述心脏信号的程序模块包括用于由所述心脏信号确定心脏去极化形态的程序模块;
所述心律失常判别算法的可编程参数包括心脏去极化形态和模板形态之间的可编程形态相似性阈值;以及
由指定类型的心律确定所述模板形态,所述指定类型的心律选自由NSR;SVT和VT组成的心律组。
7.根据权利要求6所述的系统,其中:
所述心脏去极化形态包括从所述心脏信号提取的多个心脏信号特征;
所述模板形态包括存储在存储器中的多个模板特征;以及
所述形态相似性度量包括所提取的心脏信号特征与所述模板特征之间的相关性的测度。
8.一种系统,其包括:
被配置为实施心律失常判别算法以利用至少一个被编程为第一值的可编程参数在室性心动过速(VT)和室上性心动过速(SVT)之间进行判别的心律失常判别器;
被配置为感测SVT事件期间的生理信号和识别所感测的生理信号的特征的SVT事件分析器;和
控制器,所述控制器被配置为:
基于所感测的生理信号的识别的特征确定可编程参数的第二值;
将所述可编程参数编程为所述第二值;以及
利用心律失常判别器以及被编程为所述第二值的所述可编程参数将心脏信号分类为SVT或者VT。
9.根据权利要求8所述的系统,其中:
所述控制器被进一步配置为诱导SVT事件;以及
所述SVT事件分析器被进一步配置为识别所感测的生理信号的特征。
10.根据权利要求9所述的系统,其中,所述控制器被配置为诱导所述SVT事件,所述SVT事件的诱导包括将所编程的心脏刺激序列输送到心脏,或者将所编程的神经刺激序列输送到自主神经靶点。
11.根据权利要求8所述的系统,其中:
所述控制器被进一步配置为模拟SVT事件,其包括将所编程的心脏起搏序列输送到心脏;以及
所述SVT事件分析器被进一步配置为识别所感测的生理信号的特征。
12.根据权利要求8所述的系统,其中:
所述控制器被进一步配置为记录内在SVT事件;以及
所述SVT事件分析器被进一步配置以识别所感测的生理信号的特征。
13.根据权利要求8至12任一项所述的系统,其中,所述SVT事件分析器被进一步配置为
从所述生理信号提取多个生理信号段;
由指定类型的心律确定模板形态,所述指定类型的心律选自由正常窦性心律(NSR);SVT;和VT组成的心律组;以及
通过计算所述多个生理信号段和所述模板形态之间的形态相似性度量表征所述生理信号。
14.根据权利要求8所述的系统,其中:
所述心律失常判别器包括基于形态的心律失常分类器,所述基于形态的心律失常分类器包括形态相似性度量和可编程形态相似性阈值;以及
所述控制器被配置为:
由所述心脏信号确定心脏去极化形态;
由指定类型的心律确定模板形态,所述指定类型的心律选自由NSR;SVT;和VT组成的心律组;
基于所计算的形态相似性度量为所述可编程形态相似性阈值确定第二值;以及
利用所述心律失常判别器以及被编程为第二值的所述可编程形态相似性阈值将所述心脏信号分类为SVT或者VT。
15.根据权利要求14所述的系统,其中,所述控制器被进一步配置为:
由所述心脏信号提取多个心脏信号特征;
检索存储在存储器中的多个模板特征;以及
部分地基于所提取的心脏信号特征和模板特征之间的相关性的测度将所述心脏信号分类为SVT或者VT。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261731163P | 2012-11-29 | 2012-11-29 | |
US61/731,163 | 2012-11-29 | ||
PCT/US2013/070564 WO2014085125A1 (en) | 2012-11-29 | 2013-11-18 | Method and system for arrhythmia discrimination |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104955387A CN104955387A (zh) | 2015-09-30 |
CN104955387B true CN104955387B (zh) | 2018-03-30 |
Family
ID=49724670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380071786.XA Active CN104955387B (zh) | 2012-11-29 | 2013-11-18 | 用于心律失常判别的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8942793B2 (zh) |
EP (1) | EP2925220B1 (zh) |
JP (1) | JP6215341B2 (zh) |
CN (1) | CN104955387B (zh) |
WO (1) | WO2014085125A1 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2925220B1 (en) | 2012-11-29 | 2023-04-05 | Cardiac Pacemakers, Inc. | Method and system for arrhythmia discrimination |
JP2016512460A (ja) * | 2013-03-11 | 2016-04-28 | キャメロン ヘルス、 インコーポレイテッド | 不整脈検出のための二重基準を実現する方法及び装置 |
WO2017075154A1 (en) * | 2015-10-29 | 2017-05-04 | Cardiac Pacemakers, Inc. | Prediction of worsening of heart failure |
US10155120B2 (en) * | 2016-01-16 | 2018-12-18 | Zoll Medical Corporation | Fast identification of shockable or non-shockable rhythms in ECG data |
US10039469B2 (en) | 2016-03-30 | 2018-08-07 | Medtronic, Inc. | Atrial arrhythmia episode detection in a cardiac medical device |
US10045710B2 (en) | 2016-03-30 | 2018-08-14 | Medtronic, Inc. | Atrial arrhythmia episode detection in a cardiac medical device |
CN105943021B (zh) * | 2016-05-13 | 2018-09-21 | 赵伟 | 一种可穿戴心脏节律监测装置和心律监测系统 |
DE102016011700A1 (de) * | 2016-09-28 | 2018-03-29 | Personal Medsystems Gmbh | Überwachung von Biosignalen, insbesondere Elektrokardiogrammen |
US10383539B2 (en) * | 2017-06-22 | 2019-08-20 | Smart Solutions Technologies, S.L. | System and methods for classifying arrhythmia-related heartbeats |
CN109091138B (zh) * | 2018-07-12 | 2021-10-26 | 上海微创电生理医疗科技股份有限公司 | 心律失常起源点的判断装置及标测系统 |
US11559242B2 (en) | 2020-01-30 | 2023-01-24 | Pacesetter, Inc. | Methods and systems for distinguishing over-sensed R-R intervals from true R-R intervals |
US11647940B2 (en) | 2020-05-04 | 2023-05-16 | Pacesetter, Inc | R-R interval pattern recognition for use in arrhythmia discrimination |
US11766207B2 (en) | 2020-06-01 | 2023-09-26 | Pacesetter, Inc. | Methods, devices and systems for improving R-wave detection and arrhtymia detection accuracy |
KR102241800B1 (ko) * | 2020-09-04 | 2021-04-19 | 주식회사 에이티센스 | 상심실 부정맥 및 심실 부정맥 여부를 식별하는 심전도 신호 처리 장치, 방법 및 컴퓨터 프로그램 |
CN114010202B (zh) * | 2021-09-18 | 2024-05-14 | 苏州无双医疗设备有限公司 | 植入式心律管理设备心律分类及区分室速和室上速的方法 |
EP4279123A1 (en) * | 2022-05-20 | 2023-11-22 | BIOTRONIK SE & Co. KG | Pacemaker and operation method of such pacemaker |
WO2023208541A1 (en) * | 2022-04-27 | 2023-11-02 | Biotronik Se & Co. Kg | Pacemaker and operation method of such pacemaker |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999065570A1 (en) * | 1998-06-17 | 1999-12-23 | Cardiac Pacemakers, Inc. | System for classification of tachycardia events |
CN1829554A (zh) * | 2003-05-29 | 2006-09-06 | 卡梅伦保健公司 | 用于区别室性和室上性心律失常的方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6399840A (ja) * | 1986-10-17 | 1988-05-02 | テルモ株式会社 | 生体信号計測装置 |
JP2002500938A (ja) * | 1998-01-27 | 2002-01-15 | ヴィタトロン メディカル ベスロテン ヴェノーチャップ | ニヤフィールドt波検知を用いた頻拍誘発システム |
US7818056B2 (en) | 2005-03-24 | 2010-10-19 | Cardiac Pacemakers, Inc. | Blending cardiac rhythm detection processes |
US7582061B2 (en) | 2005-12-22 | 2009-09-01 | Cardiac Pacemakers, Inc. | Method and apparatus for morphology-based arrhythmia classification using cardiac and other physiological signals |
US7738950B2 (en) * | 2006-09-13 | 2010-06-15 | Cardiac Pacemakers, Inc. | Method and apparatus for identifying potentially misclassified arrhythmic episodes |
US20080228093A1 (en) * | 2007-03-13 | 2008-09-18 | Yanting Dong | Systems and methods for enhancing cardiac signal features used in morphology discrimination |
WO2009082422A1 (en) * | 2007-12-18 | 2009-07-02 | Cardiac Pacemakers, Inc. | Anti-tachyarrhythmia system with selectively activated detection enhancements |
WO2012003122A1 (en) * | 2010-07-01 | 2012-01-05 | Cardiac Pacemakers, Inc. | Rhythm correlation diagnostic measurement |
EP2925220B1 (en) | 2012-11-29 | 2023-04-05 | Cardiac Pacemakers, Inc. | Method and system for arrhythmia discrimination |
-
2013
- 2013-11-18 EP EP13801933.6A patent/EP2925220B1/en active Active
- 2013-11-18 CN CN201380071786.XA patent/CN104955387B/zh active Active
- 2013-11-18 US US14/082,909 patent/US8942793B2/en active Active
- 2013-11-18 WO PCT/US2013/070564 patent/WO2014085125A1/en active Application Filing
- 2013-11-18 JP JP2015545087A patent/JP6215341B2/ja not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999065570A1 (en) * | 1998-06-17 | 1999-12-23 | Cardiac Pacemakers, Inc. | System for classification of tachycardia events |
CN1829554A (zh) * | 2003-05-29 | 2006-09-06 | 卡梅伦保健公司 | 用于区别室性和室上性心律失常的方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2925220B1 (en) | 2023-04-05 |
US20140148717A1 (en) | 2014-05-29 |
US8942793B2 (en) | 2015-01-27 |
JP2016500022A (ja) | 2016-01-07 |
CN104955387A (zh) | 2015-09-30 |
EP2925220A1 (en) | 2015-10-07 |
WO2014085125A1 (en) | 2014-06-05 |
JP6215341B2 (ja) | 2017-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104955387B (zh) | 用于心律失常判别的方法和系统 | |
CN109843166B (zh) | 用于心律失常检测的系统 | |
CN104244809B (zh) | 心音感测来减少不适当的快速性心律失常治疗 | |
CN104114085B (zh) | T波过感测 | |
JP5547405B2 (ja) | テンプレート生成を用いて多形性頻脈性不整脈および単形性頻脈性不整脈を区別する埋め込み型医療機器 | |
US8725268B2 (en) | Method and apparatus for indication-based programming of cardiac rhythm management devices | |
CN1867376B (zh) | 在植入式心脏设备中用于监控组织液含量的方法和系统 | |
JP6190047B2 (ja) | 心不全リスクを層別化するための医療デバイス | |
CN108883279A (zh) | 心律失常检测的置信度 | |
JP2019513440A (ja) | 心不全悪化を検出するためのシステムおよび方法 | |
CN108135521A (zh) | 用于心脏设备中的多个感测矢量的信号质量监视 | |
US8774909B2 (en) | Episode classifier algorithm | |
US9008760B2 (en) | System and method for off-line analysis of cardiac data | |
JP2013535236A (ja) | 律動相関診断測定 | |
WO2014179711A1 (en) | Electrogram summary | |
JP2013521867A (ja) | 心内電位図の時間−周波数ノイズ検出 | |
US20110077541A1 (en) | Methods and Systems for Characterizing Cardiac Signal Morphology Using K-Fit Analysis | |
CN108348755B (zh) | 用于刺激部位选择的系统和方法 | |
JP6546265B2 (ja) | 移植リードの分析システム及び方法 | |
US8942791B2 (en) | Off-line sensing method and its applications in detecting undersensing, oversensing, and noise | |
US8521269B1 (en) | Determining tachyarrhythmia detection parameters based on prior detected episodes | |
EP2714189A1 (en) | An off-line sensing method and its applications in detecting undersensing, oversensing, and noise |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |