CN110491506A - 心房颤动预测模型及其预测系统 - Google Patents
心房颤动预测模型及其预测系统 Download PDFInfo
- Publication number
- CN110491506A CN110491506A CN201910841188.5A CN201910841188A CN110491506A CN 110491506 A CN110491506 A CN 110491506A CN 201910841188 A CN201910841188 A CN 201910841188A CN 110491506 A CN110491506 A CN 110491506A
- Authority
- CN
- China
- Prior art keywords
- auricular fibrillation
- electrocardiosignal
- value
- storage unit
- length storage
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 24
- 208000006011 Stroke Diseases 0.000 description 10
- 206010008190 Cerebrovascular accident Diseases 0.000 description 7
- 206010044565 Tremor Diseases 0.000 description 6
- 230000001746 atrial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006403 short-term memory Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002565 electrocardiography Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000001314 paroxysmal effect Effects 0.000 description 3
- 208000005189 Embolism Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007787 long-term memory 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
- 230000001537 neural effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000010378 Pulmonary Embolism Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002060 circadian Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229940028444 muse Drugs 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- GMVPRGQOIOIIMI-DWKJAMRDSA-N prostaglandin E1 Chemical compound CCCCC[C@H](O)\C=C\[C@H]1[C@H](O)CC(=O)[C@@H]1CCCCCCC(O)=O GMVPRGQOIOIIMI-DWKJAMRDSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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]
- A61B5/333—Recording apparatus specially adapted therefor
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明提供一种心房颤动预测系统，其包含心电图撷取单元和非暂时性机器可读媒体。所述非暂时性机器可读媒体储存程序，当程序由处理单元执行时用以得到预测结果。所述程序包含参照数据库取得模块、参照特征选取模块、训练模块、目标特征选取模块以及比对模块。借此，所述心房颤动预测系统可用以预测受试者的脑中风发生机率。
Description
技术领域
本发明是有关于一种医疗信息分析模型以及系统，特别是一种心房颤动预测模型以及心房颤动预测系统。
背景技术
心房颤动(atrial fibrillation)是一种因为心脏内产生节律信号的功能异常，导致心跳不规则且经常过快的病症，每分钟心跳可以达到350下。心房颤动是最常见的心脏节律异常，全人口中平均每100人中就有1位罹患心房颤动，随着年龄增加，罹患心房颤动的比例愈高。60岁以上，每100人就有4位罹患心房颤动，而80岁以上，每10人就有1位罹患心房颤动。2010年全世界预估有三千三百五十万人罹患心房颤动，除此的外可能还有许多潜在的患者因为没有症状而未被确诊。2050年亚洲的心房颤动患者预估可以达到七千两百万人。
心房颤动病人相较于一般人有5倍的风险发生血栓梗塞疾病，包含中风、肺栓塞及周边血管栓塞。过去的研究也显示罹患心房颤动的病人当中，阵发性心房颤动的病人相较于持续性心房颤动的病人有较低的中风发生率，相较于阵发性心房颤动，持续性心房颤动的病人罹患中风后的预后较差，也有较高的二度中风风险，因此心房颤动的发作型态和中风有高度的相关性。是以2050年亚洲因为心房颤动而导致中风的病人预估会达到二百九十万人。持续性心房颤动的病人相较于阵发性心房颤动的病人有较高的中风发生率，罹患中风后的预后也较差。临床上主要以CHA2DS2-VASc score来评估心房颤动病人的中风风险，CHA2DS2ⅣASc score评估的项目包含年龄、性别及共病症包括梗塞性疾病、高血压、郁血性心衰竭、糖尿病及血管性疾病，随着CHA2DS2-VASc score分数增加，发生血管栓塞的风险也逐步提高，但目前为止并没有研究针对心房颤动病人的心电图特征与中风的相关性进行分析。
心电图提供心房颤动的信息，例如一天中的发作频率及型态，但其数据资料庞大，无法利用人工逐步分析，因此习用技术缺乏可以有效率分析大量资料，并可应用于临床辅助医师进一步判断受试者是否可能为心房颤动并发脑中风的患者，以提高检测的准确度。
发明内容
有鉴于此，本发明的目的为提供心房颤动预测模型以及心房颤动预测系统，其可客观且准确的判断受试者是否具有心房颤动的状况，并可进一步预测其发生脑中风的机率，以辅助医生于临床上的判断。
本发明的一方面是在提供一种心房颤动预测模型，包含下列建立步骤：取得参照数据库、进行特征选取步骤以及进行训练步骤。所述参照数据库包含多个参照十二导程心电信号数列。所述特征选取步骤是根据参照数据库选取至少一个特征值，所述特征值包含利用计算单元计算参照十二导程心电信号数列中峰对峰值时间差所得到的心电信号曲率变化最大的影像区间。所述训练步骤，是利用长短存储单元(Long Short Term Memory,LSTM)储存心电信号即时数值，并计算所述特征值与所述心电信号即时数值的相关性，当所述相关性超过第一预设阀值则更新所述长短存储单元，当训练达到收敛时得到心房颤动预测模型，借此得到预设结果。
依据前述的心房颤动预测模型，其中所述长短存储单元可为双向长短存储单元(Bi-directional Long Short Term Memory,Bi-directional LSTM)。
依据前述的心房颤动预测模型，其中长短存储单元可还包含一遗忘门(ForgetGate)、一输入门(Input Gate)和一输出门(Output Gate)。遗忘门是过滤曲率变化过大的心电信号即时数值，以得到一输入值。输入门是输入所述输入值，并利用Sigmoid函数计算所述相关性。输出门是将所述相关性利用Sigmoid函数进行计算以得到一输出值，当输出值超过一第二预设阀值时，将输出值加入所述长短存储单元。
依据前述的心房颤动预测模型，其中所述遗忘门、所述输入门和所述输出门可为双向串接。
依据前述的心房颤动预测模型，其中所述第一预设阀值和所述第二预设阀值可由tanh函数决定。
本发明的另一方面是在提供一种心房颤动预测系统，包含心电图撷取单元和非暂时性机器可读媒体。所述心电图撷取单元用以取得目标十二导程心电信号数列。所述非暂时性机器可读媒体由至少一个信号连接所述心电图撷取单元，且所述非暂时性机器可读媒体储存程序，当程序由至少一个处理单元执行时用以得到预测结果，所述程序包含：参照数据库取得模块、参照特征选取模块、训练模块、目标特征选取模块和比对模块。所述参照数据库取得模块用以取得参照数据库，且参照数据库包含多个参照十二导程心电信号数列。所述参照特征选取模块用以根据参照数据库选取至少一个参照特征值，所述参照特征值包含利用计算单元计算参照十二导程心电信号数列中的峰对峰值时间差所得到的心电信号曲率变化最大的影像区间。所述训练模块包含长短存储单元(Long Short Term Memory,LSTM)。所述长短存储单元用以储存心电信号即时数值，并计算所述特征值与所述心电信号即时数值的相关性，当所述相关性超过第一预设阀值则更新长短存储单元，当训练达到收敛时得到所述心房颤动预测模型。目标特征选取模块用以分析所述目标十二导程心电信号数列以得到目标特征值，所述目标特征值包含利用另一计算单元计算目标十二导程心电信号数列中的峰对峰值时间差所得到的目标心电信号曲率变化最大的影像区间。比对模块用以将所述目标特征值与所述参照特征值以所述心房颤动预测模型进行分析比对，借此得到预设结果。
依据前述的心房颤动预测系统，其中所述长短存储单元可为双向长短存储单元(Bi-directional Long Short Term Memory,Bi-directional LSTM)。
依据前述的心房颤动预测系统，其中所述长短存储单元可还包含遗忘门(ForgetGate)、输入门(Input Gate)和输出门(Output Gate)。所述遗忘门用以过滤曲率变化过大的心电信号即时数值，以得到输入值。所述输入门用以输入所述输入值，并利用Sigmoid函数计算所述相关性。所述输出门用以将所述相关性利用Sigmoid函数进行计算以得到输出值，当所述输出值超过第二预设阀值时，将所述输出值加入所述长短存储单元。
依据前述的心房颤动预测系统，其中所述遗忘门、所述输入门和所述输出门可为双向串接。
依据前述的心房颤动预测系统，其中所述第一预设阀值和所述第二预设阀值可由tanh函数决定。
上述发明内容旨在提供本揭示内容的简化摘要，以使阅读者对本揭示内容具备基本的理解。此发明内容并非本揭示内容的完整概述，且其用意并非在指出本发明实施例的重要/关键元件或界定本发明的范围。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂，所附图式的说明如下:
图1绘示依照本发明的一实施方式的一种心房颤动预测模型的建立步骤流程图；
图2绘示依照本发明的另一实施方式的一种心房颤动预测系统的方块图；
图3绘示本发明的心房颤动预测模型的参考数据库的数据标记平台示意图；
图4绘示本发明的心房颤动预测模型的长短存储单元的架构示意图；
图5绘示本发明的心房颤动预测模型的长短存储单元的架构图；以及
图6为本发明的心房颤动预测系统用于预测受试者的脑中风机率的接收者操作特征曲线图。
附图标记说明
100-心房颤动预测模型的建立步骤，110、120、130-步骤，200-心房颤动预测系统，300-心电图撷取单元，400-非暂时性机器可读媒体，410-参照数据库取得模块，420-参照特征选取模块，421、441-计算单元，430-训练模块，432、600-长短存储单元440-目标特征选取模块，450-比对模块，610-输入层，620-第1阶长短存储单元，630-第2阶长短存储单元，640-第3阶长短存储单元，650-第4阶长短存储单元，660-最大池化层，670-全连阶层。
具体实施方式
下述将更详细讨论本发明各实施方式。然而，此实施方式可为各种发明概念的应用，可被具体实行在各种不同的特定范围内。特定的实施方式是仅以说明为目的，且不受限于揭露的范围。
请参照图1，绘示依照本发明的一实施方式的一种心房颤动预测模型的建立步骤100流程图。本发明的心房颤动预测模型的建立步骤100包含步骤110、步骤120和步骤130，建立后的心房颤动预测模型可用以预测受试者的脑中风发生机率。
步骤110是取得参照数据库，所述参照数据库包含多个参照十二导程心电信号数列。进一步，参照十二导程心电信号数列可先进行初步分类，分为异常数据和无异常数据并进行标记，以将参照数据库分为两大类。
步骤120是进行特征选取步骤，是根据参照数据库选取至少一个特征值，所述特征值包含利用计算单元计算参照十二导程心电信号数列中峰对峰值时间差所得到的心电信号曲率变化最大的影像区间。
步骤130是进行训练步骤，是利用长短存储单元(Long Short Term Memory,LSTM)储存心电信号即时数值，并计算所述特征值与所述心电信号即时数值的相关性，当所述相关性超过第一预设阀值则更新所述长短存储单元，当训练达到收敛时得到心房颤动预测模型，借此得到预设结果。其中长短存储单元可还包含遗忘门(Forget Gate)、输入门(InputGate)和输出门(Output Gate)。遗忘门是过滤曲率变化过大的心电信号即时数值，以得到输入值。输入门是输入所述输入值，并利用Sigmoid函数计算所述相关性。输出门是将所述相关性利用Sigmoid函数进行计算以得到输出值，当输出值超过第二预设阀值时，将输出值加入所述长短存储单元。较佳地，所述遗忘门、所述输入门和所述输出门可为双向串接，所述第一预设阀值和所述第二预设阀值可由tanh函数决定。其中所述长短存储单元可为双向长短存储单元(Bi-directional Long Short Term Memory,Bi-directional LSTM)。
所述第一预设阀值与第二预设阀值是由tanh函数决定，tanh函数的输出值介于-1到1的间，其为将大量的十二导程心电信号数列录入机器学习的数学式计算得到的预设值。在心房颤动预测模型的训练过程中，当特征值与心电信号即时数值的相关性超过第一预设阀值时，即更新长短存储单元以达收敛得到心房颤动预测模型。其中，当相关性越趋近于-1的时候表示受试者没有心房颤动的机率越高，反之当相关性越趋近于1的时候表示受试者有心房颤动的机率越高。使用心房颤动预测模型预测受试者是否具有心房颤动时，遗忘门会先针对心电信号即时数值过滤以得输入值，并通过输入门输入利用Sigmoid函数计算得到的相关性，输出门将所述相关性利用Sigmoid函数计算得到输出值，当输出值超过第二预设阀值时，将输出值加入所述长短存储单元。其中，当输出值越趋近于-1的时候，表示受试者没有心房颤动的机率越高，反之当输出值越趋近于1的时候，表示受试者有心房颤动的机率越高。
请参照图2，绘示依照本发明另一实施方式的一种心房颤动预测系统200的方块图。本发明的心房颤动预测系统200包含心电图撷取单元300和非暂时性机器可读媒体400。心房颤动预测系统200可用以预测受试者的脑中风发生机率。
心电图撷取单元300用以取得受试者的目标十二导程心电信号数列，以及取得参照十二导程心电信号数列。心电图撷取单元300可为心电图机。较佳地，心电图撷取单元300可十二导程心电图机，其包含10个电极贴片，于肢体上放置2个以上的电极贴片，两两组成一对进行测量，记录体表12组导程的电位变化，并在心电图纸上描绘出12组导程信号，以得到十二导程心电信号数列。
非暂时性机器可读媒体400由至少一个信号连接心电图撷取单元300，且非暂时性机器可读媒体400储存程序，其中当所述程序由至少一个处理单元执行时，所述程序用以得到预测结果，所述预测结果为受试者的脑中风发生机率。所述程序包含参照数据库取得模块410、参照特征选取模块420、训练模块430、目标特征选取模块440以及比对模块450。
参照数据库取得模块410用以取得参照数据库，所述参照数据库包含多个参照十二导程心电信号数列。进一步，参照十二导程心电信号数列可先进行初步分类，分为异常数据和无异常数据并进行标记，以将参照数据库分为两大类。
参照特征选取模块420用以根据参照数据库选取至少一个参照特征值，所述参照特征值包含利用计算单元421计算参照十二导程心电信号数列中的峰对峰值时间差所得到的心电信号曲率变化最大的影像区间。
训练模块430包含长短存储单元432。所述长短存储单元432用以储存心电信号即时数值，并计算所述特征值与所述心电信号即时数值的相关性，当所述相关性超过第一预设阀值则更新长短存储单元432，当训练达到收敛时得到所述心房颤动预测模型。而长短存储单元432可还包含遗忘门、输入门和输出门。遗忘门是过滤曲率变化过大的心电信号即时数值，以得到输入值。输入门是输入所述输入值，并利用Sigmoid函数计算所述相关性。输出门是将所述相关性利用Sigmoid函数进行计算以得到输出值，当输出值超过第二预设阀值时，将输出值加入所述长短存储单元432。较佳地，所述遗忘门、所述输入门和所述输出门可为双向串接，所述第一预设阀值和所述第二预设阀值可由tanh函数决定。此外，所述长短存储单元432可为双向长短存储单元。
目标特征选取模块440用以分析所述目标十二导程心电信号数列以得到目标特征值，所述目标特征值包含利用另计算单元441计算目标十二导程心电信号数列中的峰对峰值时间差所得到的目标心电信号曲率变化最大的影像区间。
比对模块450用以将所述目标特征值与所述参照特征值以所述心房颤动预测模型进行分析比对，借此得到预设结果。所述预设结果为受试者3-6个月内脑中风的机率，机率值为0％-100％，用以作为医生诊断的辅助参考。
<试验例>
一、参照数据库
本发明所使用的参照数据库为中国医药大学暨附设医院以回溯性方式收取2009/01/01～2018/12/31区间院内去连结化的受检者临床内容，为经中国医药大学暨附设医院研究伦理委员会(China Medical University&Hospital Research Ethics Committee)核准的临床试验计划，其编号为：CMUH107-REC2-134(AR-1)。数据通过GE Healthcare MUSE系统以关键字参数搜寻方式，收集包含心房颤动和心肌梗塞等疾病类别的病人心电图(Electrocardiography,ECG/EKG)波形数据，其中包含十二导程心电信号数列，原始数据为可延伸标示语言(Extensible Markup Language,XML)格式。收取影像的所属受检者性别并无特别限制，年龄亦没有特别的区间。参照受试者包含无心房颤动的参照受试者5,000位，以及具有心房颤动的参照受试者10,012位，共计15,012位参照受试者。以上数据是实际使用的“数据笔数”，不排除有“同一位病人”在“不同时间点/日期的检查”的可能性。
二、用于判断受试者的脑中风机率
在本试验例中，先建立最佳化的心房颤动预测模型。首先取得参照数据库，参照数据库包含多个参照十二导程心电信号数列，并将参照十二导程心电信号数列进行初步分类，分为异常数据和无异常数据并进行标记。请参照图3，其绘示本发明的心房颤动预测模型的参考数据库的数据标记平台示意图，为了能使后续所建立的心房颤动预测模型正确学习十二导程心电信号数列对应的疾病问题，先将在没有提供任何病人相关个人信息以及限制特定连线的前提下建立一个数据标记平台，医师将通过此平台对参照数据库进行多种标记，作为心房颤动预测模型学习的参考依据。
再以参照特征选取模块根据参照数据库选取至少一个特征值，所述特征值包含利用计算单元计算参照十二导程心电信号数列中峰对峰值时间差所得到的心电信号曲率变化最大的影像区间。
再进行训练步骤，利用双向长短存储网络的架构作神经网络学习，并由不同项的神经方向让机器去学习时间序列的信号。传统的循环神经网络(Recurent NeuralNetwork,RNN)在最佳化参数的时候是使用梯度下降法(Gradient Descent)来最佳化更新参数方式，求其参数变更的方式为以反向传播(Backward Propagation)演算法来实现，然而此演算法会因为所取的参数导致梯度爆炸(Gradient Explosion)和梯度消失(GradientVanish)。本发明的心房颤动预测模型在进行训练时加入遗忘门，使得在反向传播演算法时如果遇到梯度爆炸时，能利用遗忘门将其挡下来，而遇到因为输入值经数学式计算后趋近于0(即小数点以下十几位以后的数值)使电脑会直接忽视而造成的梯度消失，能利用辅助输入门(Pass Gate)将讯息再传递下去，避免梯度消失。
详细地，训练步骤是利用长短存储单元储存心电信号即时数值，并计算所述特征值与所述心电信号即时数值的相关性，当所述相关性超过第一预设阀值则更新所述长短存储单元。请参照图4，其绘示本发明的心房颤动预测模型的长短存储单元的架构示意图。所述长短存储单元使用一个随着时间更新的记忆分支来加强当前的决策结果，且长短存储单元而包含遗忘门、输入门和输出门来决定记忆的更新与否，且遗忘门、输入门和输出门为双向串接。遗忘门用以过滤曲率变化过大的心电信号即时数值，以得到输入值。详细地说，遗忘门通过计算得到的zf(f表示forget)来作为忘记门控，来控制上一个状态的ct-1哪些需要留下或者遗忘，通常是Sigmoid函数。输入门用以输入所述输入值，并利用Sigmoid函数计算相关性。详细地说，输入门决定当前的输入(Input)及新产生的记忆单元(Memory CellCandidate)是否加入长期记忆(Long Term Memory)中，输入门也是利用Sigmoid函数表示要加入与否。具体来说是对输入xt进行选择记忆。哪些重要则着重记录下来，哪些不重要，则少记一些。当前的输入内容由前面计算得到的z表示。而选择的门控信号则是由zi(i代表information)来进行控制。输出门用以将所述相关性利用Sigmoid函数进行计算以得到输出值，当输出值超过第二预设阀值时，将输出值加入长短存储单元。详细地说，输出门决定哪些将会被当成当前状态的输出。主要是通过zo来进行控制的。并且还对上一阶段得到的co通过一个tanh激活函数进行变化。遗忘门、输入门和输出门的详细计算方式请参照式(I)、式(II)和式(III)。
ct＝zf⊙ct-1+zi⊙z···················式(I)；
ht＝zo⊙tanh(ct)···················式(II)；
yt＝σ(W′ht)····················式(III)。
其中第一预设阀值和第二预设阀值由tanh函数决定，tanh函数式的输出值介于-1到1之间，其为将大量的十二导程心电信号数列录入机器学习的数学式计算得到的预设值。当训练达到收敛时得到心房颤动预测模型，借此得到预设结果，所述预设结果为受试者的脑中风机率。
在心房颤动预测模型的训练过程中，当特征值与心电信号即时数值的相关性超过第一预设阀值时即更新长短存储单元以达收敛得到心房颤动预测模型，其中，当相关性越趋近于-1的时候，表示受试者没有心房颤动的机率越高，反之当相关性越趋近于1的时候，表示受试者有心房颤动的机率越高。使用心房颤动预测模型判断预测心房颤动的时候，遗忘门会先针对心电信号即时数值过滤以得输入值并通过输入门输入利用Sigmoid函数计算得到的相关性，输出门将所述相关性利用Sigmoid函数计算得输出值，当输出值超过第二预设阀值时，将输出值加入所述长短存储单元，其中，当输出值越趋近于-1的时候，表示受试者没有心房颤动的机率越高，反之越趋近于1的时候，表示受试者有心房颤动的机率越高。
此外，请再参照图5，其绘示本发明的心房颤动预测模型的长短存储单元600的架构图。本发明的心房颤动预测模型的长短存储单元600为四阶长短存储组内部有128*4的长短存储单元，其包含输入层610、第1阶长短存储单元620、第2阶长短存储单元630、第3阶长短存储单元640、第4阶长短存储单元650、最大池化层660和全连阶层670。其中第1阶长短存储单元620、第2阶长短存储单元630、第3阶长短存储单元640和第4阶长短存储单元650分别具有128个长短存储单元。第1阶长短存储单元620能处理复杂程度低的特征值，第2阶长短存储单元630能处利复杂程度略高的特征值，第3阶长短存储单元640能处利复杂程度更高的特征值，第4阶长短存储单元650能处利复杂程度最高的特征值。最大池化层会依据四阶长短存储学习的特征做统整搜集，全连接层(Sigmod函数/tanh函数)会依特征学习的部分输出最后结果。
在本试验例中进一步将包含所建立的心房颤动预测模型的心房颤动预测系统用于预测受试者的脑中风。其步骤如下：提供前述建立好的心房颤动预测模型。提供受试者的目标十二导程心电信号数列。将目标十二导程心电信号数列以目标特征选取模块分析得到的目标特征值。最后利用比对模块将所述目标特征值与所述参照特征值以所述心房颤动预测模型进行分析比对，借此得到预设结果，以预测受试者的脑中风机率。
请参照图6，为本发明的心房颤动预测系统用于预测受试者的脑中风机率的接收者操作特征曲线(receiver operating characteristic curve,ROC)图。结果显示，当以本发明的心房颤动预测模型预测受试者的脑中风机率时，其试验(Test)的曲线下面积(Areaunder the Curve,AUC)为0.996，ROC数值为99.6％。显示本发明的心房颤动预测模型以及心房颤动预测系统可以精准地以十二导程心电信号数列预测受试者的脑中风机率。
借此，本发明提供一种心房颤动预测模型以及一种心房颤动预测系统，通过长短存储网络的架构作神经网络学习，并由不同项的神经方向让机器去学习时间序列的信号，能可客观且准确以十二导程心电信号数列判断受试者是否具有心房颤动的状况，并可进一步预测其发生脑中风的机率，可提供第二意见给专科医师，以辅助医生于临床上的判断。从原始影像输入到判读结果，平均只需0.1-1秒即可完成，且正确率可高达0.996。是以本发明的心房颤动预测模型以及心房颤动预测系统，可以通过个案的十二导程心电信号数列进行自动化且快速的数据分析，辅助医事人员进行判读而即早确诊，提高早期中风的发现率，以利医师拟定患者的后续疗程。
虽然本发明已以实施方式公开如上，然其并非用以限定本发明，任何所属技术领域的技术人员，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视权利要求所界定的为准。
Claims (10)
1.一种心房颤动预测模型，其特征在于，包含以下建立步骤：
取得参照数据库，其中所述参照数据库包含多个参照十二导程心电信号数列；
进行特征选取步骤，其是根据所述参照数据库选取至少一个特征值，所述特征值包含利用计算单元计算所述参照十二导程心电信号数列中的峰对峰值时间差所得到的心电信号曲率变化最大的影像区间；以及
进行训练步骤，是利用长短存储单元储存心电信号即时数值，并计算所述特征值与所述心电信号即时数值的相关性，当所述相关性超过第一预设阀值则更新所述长短存储单元，当训练达到收敛时得到所述心房颤动预测模型，借此得到预设结果。
2.如权利要求1所述的心房颤动预测模型，其特征在于，所述长短存储单元为双向长短存储单元。
3.如权利要求1所述的心房颤动预测模型，其特征在于，所述长短存储单元还包含：
遗忘门，是过滤曲率变化过大的所述心电信号即时数值，以得到输入值；
输入门，是输入所述输入值，并利用Sigmoid函数计算所述相关性；以及
输出门，是将所述相关性利用Sigmoid函数进行计算以得到输出值，当所述输出值超过第二预设阀值时，将所述输出值加入所述长短存储单元。
4.如权利要求3所述的心房颤动预测模型，其特征在于，所述遗忘门、所述输入门和所述输出门为双向串接。
5.如权利要求3所述的心房颤动预测模型，其特征在于，所述第一预设阀值和所述第二预设阀值是由tanh函数决定。
6.一种心房颤动预测系统，其特征在于，包含：
心电图撷取单元，用以取得目标十二导程心电信号数列；以及
非暂时性机器可读媒体，由至少一个信号连接所述心电图撷取单元，其中所述非暂时性机器可读媒体用以储存程序，当所述程序由处理单元执行时是用以得到预测结果，且所述程序包含：
参照数据库取得模块，用以取得参照数据库，且所述参照数据库包含多个参照十二导程心电信号数列；
参照特征选取模块，用以根据所述参照数据库选取至少一个参照特征值，所述参照特征值包含利用计算单元计算所述参照十二导程心电信号数列中的峰对峰值时间差所得到的心电信号曲率变化最大的影像区间；
训练模块，包含：
长短存储单元用以储存心电信号即时数值，并计算所述特征值与所述心电信号即时数值的相关性，当所述相关性超过第一预设阀值则更新所述长短存储单元，当训练达到收敛时得到所述心房颤动预测模型；
目标特征选取模块，用以分析所述目标十二导程心电信号数列以得到目标特征值，所述目标特征值包含利用另一计算单元计算所述目标十二导程心电信号数列中的峰对峰值时间差所得到的目标心电信号曲率变化最大的影像区间；及
比对模块，用以将所述目标特征值与所述参照特征值以所述心房颤动预测模型进行分析比对，借此得到预设结果。
7.如权利要求6所述的心房颤动预测系统，其特征在于，所述长短存储单元为双向长短存储单元。
8.如权利要求6所述的心房颤动预测系统，其特征在于，所述长短存储单元还包含：
遗忘门，用以过滤曲率变化过大的所述心电信号即时数值，以得到输入值；
输入门，用以输入所述输入值，并利用Sigmoid函数计算所述相关性；以及
输出门，用以将所述相关性利用Sigmoid函数进行计算以得到输出值，当所述输出值超过第二预设阀值时，将所述输出值加入所述长短存储单元。
9.如权利要求8所述的心房颤动预测系统，其特征在于，所述遗忘门、所述输入门和所述输出门为双向串接。
10.如权利要求8所述的心房颤动预测系统，其特征在于，所述第一预设阀值和所述第二预设阀值是由tanh函数决定。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108116971 | 2019-05-16 | ||
| TW108116971A TWI701681B (zh) | 2019-05-16 | 2019-05-16 | 心房顫動預測模型及其預測系統 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110491506A true CN110491506A (zh) | 2019-11-22 |
Family
ID=68556709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910841188.5A Pending CN110491506A (zh) | 2019-05-16 | 2019-09-06 | 心房颤动预测模型及其预测系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110491506A (zh) |
| TW (1) | TWI701681B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111613321A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 |
| WO2021042372A1 (zh) * | 2019-09-06 | 2021-03-11 | 中国医药大学附设医院 | 心房颤动预测模型及其预测系统 |
| CN112603327A (zh) * | 2019-12-18 | 2021-04-06 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
| WO2021108950A1 (zh) * | 2019-12-02 | 2021-06-10 | 深圳迈瑞生物医疗电子股份有限公司 | 监护方法及监护装置、监护设备、计算机可读存储介质 |
| TWI770877B (zh) * | 2020-03-16 | 2022-07-11 | 臺北榮民總醫院 | 用於處理肺靜脈電腦斷層掃描影像之方法、設備及電腦程式 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
| US20180144465A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for medical procedures |
| CN108766557A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 基于通道信号融合神经网络的自动心律失常分析方法 |
| CN108926338A (zh) * | 2018-05-31 | 2018-12-04 | 中南民族大学 | 基于深度学习的心率预测方法及装置 |
| CN109077714A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
| CN109077719A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10561321B2 (en) * | 2013-12-12 | 2020-02-18 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
| CN108186011B (zh) * | 2017-12-13 | 2021-06-01 | 深圳竹信科技有限公司 | 房颤检测方法、装置及可读存储介质 |
| CN109171707A (zh) * | 2018-10-24 | 2019-01-11 | 杭州电子科技大学 | 一种智能心电图分类方法 |
-
2019
- 2019-05-16 TW TW108116971A patent/TWI701681B/zh active
- 2019-09-06 CN CN201910841188.5A patent/CN110491506A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180144465A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for medical procedures |
| CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
| CN108766557A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 基于通道信号融合神经网络的自动心律失常分析方法 |
| CN108926338A (zh) * | 2018-05-31 | 2018-12-04 | 中南民族大学 | 基于深度学习的心率预测方法及装置 |
| CN109077714A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
| CN109077719A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021042372A1 (zh) * | 2019-09-06 | 2021-03-11 | 中国医药大学附设医院 | 心房颤动预测模型及其预测系统 |
| WO2021108950A1 (zh) * | 2019-12-02 | 2021-06-10 | 深圳迈瑞生物医疗电子股份有限公司 | 监护方法及监护装置、监护设备、计算机可读存储介质 |
| CN112603327A (zh) * | 2019-12-18 | 2021-04-06 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
| CN112603327B (zh) * | 2019-12-18 | 2022-03-11 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
| TWI770877B (zh) * | 2020-03-16 | 2022-07-11 | 臺北榮民總醫院 | 用於處理肺靜脈電腦斷層掃描影像之方法、設備及電腦程式 |
| CN111613321A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202044280A (zh) | 2020-12-01 |
| TWI701681B (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rai et al. | Hybrid CNN-LSTM deep learning model and ensemble technique for automatic detection of myocardial infarction using big ECG data | |
| Gao et al. | An effective LSTM recurrent network to detect arrhythmia on imbalanced ECG dataset | |
| US10758139B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| CN110491506A (zh) | 心房颤动预测模型及其预测系统 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| Wu et al. | A novel method for classification of ECG arrhythmias using deep belief networks | |
| Luo et al. | Multi-classification of arrhythmias using a HCRNet on imbalanced ECG datasets | |
| CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| Jin et al. | A novel interpretable method based on dual-level attentional deep neural network for actual multilabel arrhythmia detection | |
| CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
| CN111951965B (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
| CN114512239B (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
| CN107066798A (zh) | 一种心脏健康质量预警系统及其预警方法 | |
| CN109243604A (zh) | 一种基于神经网络算法的川崎病风险评估模型的构建方法及构建系统 | |
| CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
| KR102421172B1 (ko) | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
| CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
| Chourasia et al. | ECG heartbeat classification using CNN | |
| Krithiga et al. | Early detection of coronary heart disease by using naive bayes algorithm | |
| Moridani et al. | A review of the methods for sudden cardiac death detection: A guide for emergency physicians | |
| Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
| Irfan et al. | Deep learning based classification for healthcare data analysis system | |
| Piña-Vega et al. | Early prediction of sudden cardiac death using fractal dimension and ecg signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20191122 |