CN113613559A - 用于描绘和分类的心电图处理系统 - Google Patents
用于描绘和分类的心电图处理系统 Download PDFInfo
- Publication number
- CN113613559A CN113613559A CN202080027068.2A CN202080027068A CN113613559A CN 113613559 A CN113613559 A CN 113613559A CN 202080027068 A CN202080027068 A CN 202080027068A CN 113613559 A CN113613559 A CN 113613559A
- Authority
- CN
- China
- Prior art keywords
- data
- ecg
- ecg data
- beats
- beat
- 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
- 238000012545 processing Methods 0.000 title description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 88
- 230000000747 cardiac effect Effects 0.000 claims abstract description 83
- 230000008569 process Effects 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 27
- 238000003908 quality control method Methods 0.000 claims description 51
- 238000004458 analytical method Methods 0.000 claims description 40
- 238000000718 qrs complex Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 230000002861 ventricular Effects 0.000 claims description 19
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 17
- 238000012552 review Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 11
- 238000007635 classification algorithm Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000001615 p wave Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001746 atrial effect Effects 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 abstract description 42
- 206010003658 Atrial Fibrillation Diseases 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 18
- 206010003662 Atrial flutter Diseases 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 206010003671 Atrioventricular Block Diseases 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 206010010904 Convulsion Diseases 0.000 description 10
- 241001417495 Serranidae Species 0.000 description 9
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 9
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000009877 rendering Methods 0.000 description 6
- 206010006578 Bundle-Branch Block Diseases 0.000 description 5
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 206010006582 Bundle branch block right Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 201000007916 right bundle branch block Diseases 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000010426 hand crafting Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000541 pulsatile effect Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010047302 ventricular tachycardia Diseases 0.000 description 2
- 241001439211 Almeida Species 0.000 description 1
- 208000002102 Atrial Premature Complexes Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 208000002682 Hyperkalemia Diseases 0.000 description 1
- 208000019025 Hypokalemia Diseases 0.000 description 1
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 1
- 208000022768 Mobitz type I atrioventricular block Diseases 0.000 description 1
- 201000000668 Mobitz type II atrioventricular block Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000000924 Right ventricular hypertrophy Diseases 0.000 description 1
- 208000007888 Sinus Tachycardia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 206010003668 atrial tachycardia Diseases 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 208000021803 junctional tachycardia Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 208000024896 potassium deficiency disease Diseases 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 208000003663 ventricular fibrillation Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- A61B5/24—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- 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
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- 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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
提供了用于使用大量心电图(ECG)数据来分析患者的ECG数据的系统和方法。所述系统从位于患者上的感测装置(诸如一个或多个ECG导联)接收ECG数据。所述系统可包括与在(一个或多个)服务器上运行的ECG平台通信的应用,所述ECG平台例如使用用于对心脏信号的描绘和对各种异常、状况和/或描述符的分类的神经网络来处理和分析ECG数据。ECG平台可进一步使用用于嵌入和分组的神经网络和/或算法来处理和分析ECG数据。经处理的ECG数据用于生成图形用户界面,所述图形用户界面从(一个或多个)服务器传递到计算机,以用于以用户友好且交互的方式以增强的准确度显示。
Description
对相关申请的交叉引用
本申请要求作为美国专利申请公布号2019/0167143公布的、在2019年2月4日提交的美国专利申请号16/267380的优先权,其全部内容通过引用而被结合在本文中。本申请还涉及作为美国专利申请公布号2019/0223739公布的、在2018年4月27日提交的美国专利申请号15/771807,其是作为WO 2017/072250公布的PCT/EP16/075972的国家阶段,PCT/EP16/075972要求作为美国专利申请公布号2017/0112401公布的、现在为美国专利号10426364的、在2015年10月27日提交的美国专利申请号14/924239以及在2015年10月27日提交的欧洲申请序列号15191769.7的优先权,这些申请中的每个申请的全部内容通过引用而被结合在本文中。本申请还涉及作为WO 2019/038435公布的、在2018年8月24日提交的PCT/EP2018/072912,其要求在2017年8月25日提交的美国临时申请号62/549994的优先权,这些申请中的每个申请的全部内容通过引用而被结合在本文中。
技术领域
本公开一般涉及心电图(ECG)处理系统,例如,带有人工智能并且具有描绘、分类、嵌入和分组机器学习功能性以及促进大量ECG相关数据的可视化的ECG系统。
背景技术
心电图(ECG)接收来自心脏的电心脏信号,电心脏信号可由计算装置来数字化和记录。ECG通常从由放置在患者上的特定区域中的多个电极所感测到的心脏信号生成。它是简单、无创的工具,其可被几乎任意医疗保健专业人员所使用。
心脏信号由一个或多个同步的时间信号组成。图1A图示了标准12导联静息ECG的记录。如图1A中所示,每个导联生成一个电信号,从而产生12个电信号。虽然图1A中所图示的ECG涉及产生12个记录的12个导联,但一些ECG可涉及产生更少记录的更少导联。如图1A中所示,心脏信号显示通常包括P波、QRS复波和T波的重复图案。顾名思义,QRS复波包括Q波、R波和S波。图1B中图示了示例性P波、QRS复波和T波,图1B聚焦于一个导联信号中的一对搏动,示出一个R-R间隔。
为做出诊断,经训练的医疗保健专业人员可以分析ECG记录,以标识任何异常和/或发作(episode)。据估计,如今可以在ECG记录上标识大约150个可测量异常。然而,从ECG标识异常需要特定的专业知识和/或训练。ECG分析仅可用于能够负担得起具有适当专业知识的医疗保健专业人员的费用和通过其它方式可以接触这些专业人员的那些患者。
远程心脏病学(Telecardiology)中心已被开发成向可能无法通过其它方式接触这些经训练的医疗保健专业人员的患者提供ECG分析。通常,ECG记录由非专家在场外生成并被发送到远程心脏病学中心,以便由心脏病学家或由专门的ECG技师进行分析。尽管结果一般是高质量的,但过程可能是缓慢且昂贵的。
软件系统也已被开发为由经训练的专业人员进行分析的备选方案。当前软件系统提供低质量的解释,这经常导致误报(false positive)。如今,这些解释系统可生成有关心脏信号的两种类型的信息:(1)每个波的时间位置信息,称为描绘,以及(2)提供心脏信号的分类或者标记其异常的全局信息,称为分类。
关于描绘,两个主要方案用于查找心脏信号的波。第一方案基于多尺度小波分析。此方案寻找在指定尺度上达到预定义阈值的小波系数。(参阅:Martinez等人,A wavelet-based ECG delineator: evaluation on standard databases,IEEE transactions onbiomedical engineering,第51卷,第4期,2004年4月,第570-58页;Almeida等人,IEEEtransactions on biomedical engineering,第56卷,第8期,2009年8月,第1996-2005页;Boichat等人,Proceedings of Wearable and Implantable Body Sensor Networks,2009年,第256-261页;授予Zoicas等人的美国专利号8903479)。通常过程涉及标识QRS复波,然后是P波,并且最后是T波。由于阈值的使用而使得此方案不稳定,并且此方案未能标识多个P波和“隐藏”P波。
第二描绘方案基于隐马尔可夫模型(HMM)。此机器学习方案将信号的当前状态视为我们想要恢复的隐藏变量(Coast等人,IEEE transactions on biomedicalengineering,第37卷,第9期,1990年9月,第826-836页;Hughes等人,Proceedings ofNeural Information Processing Systems,2004年,第611-618页;授予Trassenko等人的美国专利号8332017)。尽管此方案是对上述第一描绘方案的改进,但必须使用手工制作的“特征”来设计信号的表示,并且必须基于这些特征针对每个波来拟合数学模型。基于充分数量的示例,算法可以学习识别每个波。然而,此过程可能由于其对手工制作的特征的依赖性而是麻烦且不准确的。具体地说,已手工制作的特征将始终是次优的,因为它们未曾被学习,并且手工制作特征的过程可能忽略或消除了关键信息。进一步,该模型(通常是高斯模型)未良好适配。此外,当前模型未能考虑到隐藏P波。
关于分类,在当前系统中,仅对QRS复波执行分析。例如,对QRS复波的分析可检测室性或起搏搏动。训练涉及手工制作的特征集合和对应搏动标签(Chazal等人,IEEETransactions on Biomedical Engineering,2004年,第51卷,第1196-1206页)。如上所解释的,已手工制作的特征将始终是次优的,因为它们未曾被学习,并且手工制作特征的过程可能忽略或消除了关键信息。
为解决以上问题,最近的工作(Kiranyaz等人,IEEE Transactions onBiomedical Engineering,2016年,第63卷,第664-675页)已转向称为神经网络的新颖架构,神经网络已被集中研究并且在成像领域取得了巨大成果(Russakovsky,arXiv:1409.0575v3,2015年1月30日)。神经网络从原始或经适度预处理的数据中学习,并且因此绕过对手工制作的特征的需要。尽管神经网络的应用是对上述描绘和分类方案的改进,但现有系统具有某些缺陷。例如,当前神经网络仅被开发用于QRS表征。进一步,当前神经网络以逐搏动的方式处理信息,该方式未能从周围的搏动中捕捉上下文信息。
关于标识异常和/或心血管疾病检测,大多数算法使用基于时间和形态指示符的规则,所述时间和形态指示符使用描绘(例如,PR间隔、RR间隔、QT间隔、QRS宽度、ST段水平、T波的斜率)来计算。很多时候,算法由心脏病学家设计。(Prineas等人,The MinnesotaCode Manual of Electrocardiographic Findings,Springer,ISBN 978-1-84882-777-6,2009年)。然而,当前算法未反映出心脏病学家分析ECG的方式,而是粗略简化。例如,格拉斯哥大学算法未反映出心脏病学家分析ECG的方式。(Statement of Validation andAccuracy for the Glasgow 12-Lead ECG Analysis Program,Physio Control,2009年)。
也已开发了使用学习算法的更先进方法。例如在Shen等人,BiomedicalEngineering and Informatics(BMEI),2010年,第3卷,第960-964页中,作者使用了支持矢量机来检测束支传导阻滞(bundle branch block)。然而,在这些方法中,再一次,必需以保持不变性和稳定性性质的方式来表示原始数据。
尽管已提议了更复杂的神经网络架构,但在将它们应用于ECG时出现局限性。一个团队(Jin和Dong,Science China Press,第45卷,第3期,2015年,第398-416页;CN104970789)提议了对完整ECG的二元分类,因而为任一经分析的ECG提供一个且仅一个分类。所提议的架构使用了卷积层,其在将导联混合到完全连接的层之前,独立地处理所述导联。作者还提到多类分析(与二元分析相对),其旨在恢复几个类中的一个类。然而,他们没有考虑到多标签分类,其中多个标签(例如,异常)被分配给心脏信号。
鉴于先前已知系统和方法的前述局限性,合乎需要的将是准确且高效地处理ECG数据并以易于理解的方式呈现此信息。例如,合乎需要的可能是以不需要特征提取的方式来获得ECG信号的描绘和分类,以标识隐藏P波、对多个搏动上的ECG信号进行分析、以及实现心脏信号的多标签分类。
发明内容
本文中提供的是用于使用机器学习算法和医疗级人工智能以增强的准确度和效率来分析ECG数据的系统和方法。具体地说,提供了用于使用人工智能和大量心电图(ECG)数据来分析患者的ECG数据的系统和方法。所述系统从位于患者上的感测装置(诸如一个或多个ECG导联)接收ECG数据。所述系统可包括与在服务器上运行的ECG平台通信的应用,所述ECG平台例如使用用于对心脏信号的描绘和对各种异常、状况和/或描述符的分类的神经网络来处理和分析ECG数据。ECG平台可以是在云中处理和分析ECG数据的基于云的ECG平台。从服务器传递经处理的ECG数据,以用于以用户友好且交互的方式以增强的准确度显示。ECG应用和ECG平台一同实现ECG处理系统,其用于接收ECG数据、处理和分析ECG数据、在系统装置上显示ECG数据、以及生成具有ECG数据的报告。
本文中提供了一种用于分析患者的ECG数据的计算机化系统,所述ECG数据由一个或多个电极跨多个时间点生成并且包括多个搏动。所述计算机化系统可被设计成使用描绘算法来分析所述ECG数据,以生成与在所述多个时间点的至少一个波的存在的可能性对应的波信息,以及进一步确定所述多个搏动中的搏动的搏动起始信息和搏动终止信息,其中确定至少一个波存在以生成多个搏动起始和搏动终止。所述计算机化系统可被进一步设计成基于所述多个搏动起始和搏动终止,提取ECG数据的多个搏动部分,ECG数据的所述多个搏动部分中的每个搏动部分对应于所述多个搏动中的搏动,以及确定所述多个搏动中的至少两个搏动应基于ECG数据的所述多个搏动部分而被分组在一起,所述至少两个搏动形成群集。确定所述多个搏动中的所述至少两个搏动应被分组在一起可涉及确定所述群组数据满足阈值。
所述计算机化系统可被进一步设计成使用嵌入算法来分析ECG数据的所述多个部分,以生成表示所述多个搏动的嵌入数据,以及使用分组算法来分析所述嵌入数据,以生成群组数据。可以基于所述群组数据来确定所述多个搏动中的所述至少两个搏动被分组在一起。所述群组数据可对应于两个搏动之间的距离。所述描绘算法可利用第一神经网络,并且所述嵌入算法可利用第二神经网络。所述分组算法可利用第三神经网络。所述计算机化系统可被进一步设计成从输入装置接收关于与有关所述ECG数据的显示的数据对应的不准确度的用户输入数据。所述计算机化系统可被进一步设计成基于所述用户输入数据来调整以下项中的一项或多项:所述描绘算法、嵌入算法、或分组算法。
所述计算机化系统可被进一步设计成基于所述用户输入数据来修改所述显示的数据。所述用户输入数据可对应于对一个或多个QRS群集、PVC群集或PAC群集进行添加、删除或拆分。所述嵌入数据可涉及针对所述多个搏动中的每个搏动的数据的矢量。所述计算机化系统可被进一步设计成将指示所述群集的信息传输到计算机以便在图形用户界面上显示。所述计算机化系统可被进一步设计成生成信息以显示至少一个叠加,所述至少一个叠加包括所述多个搏动中相互叠加的至少两个搏动。所述计算机化系统可被进一步设计成使用分类算法来分析所述群集中的所述搏动,以确定与所述患者的心脏事件相关联的一个或多个异常、状况或描述符的存在的可能性。
所述计算机化系统可被进一步设计成使用分类算法来分析来自所述描绘算法的所述波信息,以确定与所述患者的心脏事件相关联的一个或多个异常、状况或描述符的存在的可能性。所述波信息可被输入到所述分类算法中并且被单独用于确定所述多个搏动中的至少两个搏动应被分组在一起。所述计算机化系统可被进一步设计成在使用所述描绘算法来分析所述ECG数据前,对所述ECG数据进行预处理,以从所述ECG数据去除噪声。所述计算机化系统可将所述ECG数据和基于所述ECG数据的信息分配给用户帐户以供检查。所述计算机化可基于所述检查从所述用户帐户接收关于所述ECG数据和基于所述ECG数据的信息的用户输入数据。
本文中描述了一种用于分析患者的心电图(ECG)数据的方法,所述ECG数据由一个或多个电极跨多个时间点生成并且包括多个搏动。所述方法可涉及使用描绘算法来分析所述ECG数据,以生成与在所述多个时间点的至少一个波的存在的可能性对应的波信息,以及确定所述多个搏动中的搏动的搏动起始信息和搏动终止信息,其中确定至少一个波存在以生成多个搏动起始和搏动终止。所述方法可进一步涉及基于所述多个搏动起始和搏动终止,提取ECG数据的多个搏动部分,ECG数据的所述多个搏动部分中的每个搏动部分对应于所述多个搏动中的搏动,以及确定所述多个搏动中的至少两个搏动应基于ECG数据的所述多个搏动部分而被分组在一起,所述至少两个搏动形成群集。
所述方法可进一步涉及使用嵌入算法来分析ECG数据的所述多个部分,以生成表示所述多个搏动的嵌入数据,以及使用分组算法来分析所述嵌入数据,以生成群组数据。可基于所述群组数据来确定所述多个搏动中的所述至少两个搏动被分组在一起。所述方法可进一步涉及将所述ECG数据和基于所述ECG数据的信息分配给用户帐户以用于对所述ECG数据进行检查。所述方法可进一步涉及提交所述ECG数据和基于所述ECG数据的信息以用于由一个或多个检查员进行质量检查。所述方法可进一步涉及接收由所述一个或多个检查员生成的质量控制输入。所述方法可进一步涉及促使显示所述质量控制输入以用于另外的质量控制检查。所述方法可进一步涉及从输入装置接收关于与基于所述ECG数据的信息对应的不准确度的用户输入数据。所述方法可进一步涉及基于所述用户输入数据来调整以下项中的一项或多项:所述描绘算法、嵌入算法、或分组算法。所述方法可进一步涉及将所显示的数据分配给用户帐户以用于质量检查。
一种用于分析患者的ECG数据的系统在一个示例中可涉及第一多个指令,所述第一多个指令被设计成在被执行时,获得在多个时间点上的所述患者的ECG数据,并且可进一步促使所述ECG数据传输到至少一个服务器。可以预定采样速率(诸如每秒至少20个样本的速率)对所述ECG数据进行采样。用于分析ECG数据的所述系统可进一步涉及第二多个指令,所述第二多个指令被设计成在被执行时,促使所述至少一个服务器接收所述患者的所述ECG数据,使用根据来自不同患者的多个ECG数据集所训练的至少一种算法来分析所述患者的所述ECG数据,量化一个或多个异常、状况或描述符的存在的可能性,以及将与所述一个或多个异常、状况、或描述符、或其任何组合的所述存在对应的信息传输到远离所述至少一个服务器的计算机以供显示。
用于分析ECG数据的所述系统可进一步涉及第三多个指令,所述第三多个指令被设计成在由所述计算机执行时,促使所述计算机基于来自所述至少一个服务器的所传输的信息来显示对应所述一个或多个异常、状况、或描述符、或其任何组合的所述存在的信息。理解的是,可以等于用于获得所述ECG数据的所述速率的采样速率来生成来自所述不同患者的所述多个ECG数据集中的每个集。进一步理解的是,执行所述第三多个指令的所述计算机也可执行所述第一多个指令。
所述第二多个指令在被执行时可进一步促使所述至少一个服务器对所述ECG数据进行预处理,对所述ECG数据进行预处理可涉及从所述ECG数据去除噪声,或以预定基线频率来表述所述ECG数据。进一步,所述第二多个指令在被执行时可使用将所述ECG数据应用于第一神经网络以用于描绘的至少一种算法来分析所述患者的所述ECG数据,并且可进一步量化在所述多个时间点中的每个时间点的以下项中的至少一项的存在的可能性:P波、QRS复波、或T波。所述第二多个指令可进一步计算以下项中的至少一项的至少一个起始和至少一个终止:所述P波、QRS复波、或T波,和/或根据以下项中的一项或多项来计算至少一个测量:所述起始、所述终止、或所述第一神经网络的输出。
进一步理解的是,所述第二多个指令在被执行时可使用将所述ECG数据应用于第二神经网络以用于分类的至少一种算法来分析所述患者的所述ECG数据。具体地说,所述第二多个指令可量化所述一个或多个异常、状况或描述符的存在的可能性,并且可将阈值应用于所述第二神经网络的输出中的至少一个值,并且如果所述值超出阈值,则分配与所述一个或多个异常、状况或描述符对应的至少一个标签。所述第二多个指令还可通过去除冗余标签来对所述ECG数据进行后处理。
所述系统可进一步包括第四和/或第五多个指令。所述第四多个指令在被执行时可促使所述至少一个服务器生成报告,所述报告至少包括与所述一个或多个异常、状况或描述符的所述存在对应的所传输的信息。所述第五多个指令在被执行时可接收与所述ECG数据有关的用户输入并且促使所述计算机将所述用户输入传输到所述至少一个服务器,使得所述至少一个服务器使用所述用户输入来生成所述报告。所述报告可包括至少一个心率密度曲线图,所述至少一个心率密度曲线图表示作为时间的函数的所述患者的心率的密度。理解的是,第三多个指令被进一步配置成在由所述计算机执行时,促使所述计算机显示心率密度曲线图,所述心率密度曲线图表示作为时间的函数的所述患者的心率的密度。
一种用于分析患者的ECG数据的系统在另一示例中可涉及存储在至少一个服务器上的指令,所述指令被设计成在被执行时促使所述至少一个服务器接收在多个时间点上的所述患者的ECG数据的集合。ECG数据的所述集合可以预定采样速率(诸如每秒至少20个样本的速率)被采样。所述指令可被进一步设计成促使所述至少一个服务器使用至少一种算法来分析所述患者的ECG数据的所述集合,在所述多个时间点中的每个时间点量化一个或多个异常、状况、或描述符、或其任何组合的存在的可能性,以及将与所述一个或多个异常、状况、或描述符的所述存在的所述可能性对应的信息传输到计算机以用于显示。可使用从不同患者以每秒至少20个样本的采样速率生成的ECG数据的多个集合来训练所述至少一种算法。
一种用于分析患者的ECG数据的计算机化方法可相似地涉及接收在多个时间点上的以样本速率采样的所述患者的ECG数据的集合,以及使用至少一种算法来分析所述患者的ECG数据的所述集合,所述至少一种算法使用ECG数据的多个集合所训练。ECG数据的所述多个集合中的每个集合可从不同患者以相同样本速率生成。用于分析ECG数据的所述计算机化方法可进一步涉及在每个时间点标识一个或多个异常、状况、或描述符、或其任何组合,并且可进一步涉及将包括所述一个或多个异常、状况、或描述符、或其任何组合的信息传输到计算机以用于显示。理解的是,所述计算机化方法可涉及分析被采样的ECG数据的整个集合而不丢弃来自ECG数据的所述集合的数据。所述计算机化方法在一个示例中可涉及每秒至少20个样本的样本速率。
所述计算机化方法可进一步涉及将ECG数据的所述集合和基于ECG数据的所述集合的信息分配给用户帐户以用于对所述ECG数据进行检查。所述计算机化方法可进一步涉及提交ECG数据的所述集合和基于ECG数据的所述集合的信息以用于由一个或多个检查员进行质量检查。所述计算机化方法可进一步涉及接收由所述一个或多个检查员生成的质量控制输入。所述方法可进一步涉及促使显示所述质量控制输入以用于另外的质量控制检查。
前述摘要仅是说明性的,并且不旨在以任何方式是限制性的。除上述说明性方面、实施例、和特征外,通过参照以下附图和详细描述,另外的方面、实施例、和特征将变得明白。
附图说明
图1A是标准12导联静息ECG的记录,并且图1B是示例性P波、QRS复波和T波的记录。
图2是图示了根据本公开的方面,用于执行系统和方法的示例性组件的简图。
图3A-3B分别是示例性系统装置和示例性服务器的示例性硬件和软件组件的示意性视图。
图4是使用处理的ECG数据、显示ECG数据和生成包括ECG数据的报告的示例性方法的流程图。
图5A-5B分别是表示第一神经网络针对所分析的每个波型的示例性ECG信号和示例性输出的线图。
图6A-6B分别是采用卷积神经网络和递归神经网络形式的分类神经网络的示例性表示。
图7是可变数量的导联输入和恒定数量的输出的示例性表示。
图8是具有根据最近公开的方面生成的R-R曲线图的示例性用户界面。
图9是图8中示出的R-R曲线图的放大视图。
图10是具有根据本公开的方面生成的心率密度曲线图的示例性用户界面。
图11是图示了用于生成心率密度曲线图的示例性方案的流程图。
图12是根据本公开的方面生成的示例性心率密度曲线图。
图13是具有放大的心率密度曲线图的示例性用户界面。
图14A-14E是从相同心脏信号生成的各种R-R曲线图和心率密度曲线图的并排比较。
图15A-15D是由ECG处理系统生成的示例性报告,其具有与患者和经处理的ECG数据对应的信息,并且显示心率密度曲线图和ECG条带。
图16A是处理ECG数据、显示ECG数据和生成包括ECG数据的报告的示例性方法的流程图,并且图16B是图示嵌入的示例性数据流。
图17是用于分析ECG数据和使用分组算法来对相似搏动进行分组的示例性过程。
图18是图示了多个形态的示例性图形用户界面。
图19图示了图形用户界面的第三图形窗口。
图20A和20B图示了示例性形态和搏动叠加。
图21是图示了异位运行的示例性图形用户界面。
图22A-22P是由ECG处理系统生成的示例性报告。
图23A-23D图示了用于将ECG数据和基于ECG数据的信息分配给医疗保健专业人员的用户界面。
图24A-24F图示了用于对ECG数据和基于ECG数据的信息进行质量控制和质量检查的用户界面。
结合附图,从以下描述和随附权利要求中,本发明的前述和其它特征将变得明白。理解的是,这些图只描写根据本公开的几个实施例,并且因此不得视为对其范围的限制,本公开将通过附图的使用,以附加的特异性和细节来描述。
具体实施方式
本发明涉及具有医疗级人工智能的心电图(ECG)处理系统,所述处理系统涉及在系统装置上运行的ECG应用和在(一个或多个)服务器上运行的ECG平台。ECG应用和ECG平台通过使用机器学习算法来处理和分析ECG数据以实现对心脏信号的描绘和对各种异常、状况和描述符的分类,来实现ECG处理系统。(一个或多个)服务器可位于与(一个或多个)系统装置不同的位置,并且服务器无需彼此在相同物理位置(例如,(一个或多个)服务器可以是(一个或多个)远程服务器)。备选的是,(一个或多个)服务器和(一个或多个)系统装置可位于相同的一般区域(例如,在局域网(LAN)上)。ECG平台可以是基于云的ECG平台,其可通过在云中对ECG数据进行处理和分析,来实现ECG处理系统。
为了实现ECG处理系统,在系统装置上运行的ECG应用可从感测装置接收ECG数据(即,心脏信号),并且可将ECG数据传输到在服务器上运行的ECG平台。ECG平台可以执行第一和第二神经网络,并且可以将ECG数据应用于第一和第二神经网络。第一神经网络可以是具有机器学习功能性的描绘神经网络。第二神经网络可以是具有机器学习功能性的分类神经网络。第一和/或第二神经网络的输出可由ECG平台处理,以实现对ECG数据的描绘和分类。由ECG平台生成的数据和/或ECG数据可从ECG平台传递到ECG应用。ECG应用可促使由ECG平台生成的数据和/或ECG数据以交互方式显示。ECG平台可生成包括由ECG平台生成的数据和/或ECG数据的报告,并且可将报告传递到ECG应用。
现在参照图2,图示了用于执行心电图(ECG)处理系统10的示例性组件。图2示出ECG感测装置13、系统装置14、和服务器15、以及驱动器16。
ECG感测装置13被设计成感测心脏的电活动,以用于生成ECG数据。例如,感测装置13可以是一个或多个电极,其可被部署在一个或多个导联上。ECG感测装置13可以是ECG专用感测装置(诸如常规12导联布置),或者可以是具有用于感测心脏的电活动以用于ECG生成的感测硬件的多用途装置(诸如从California,Cupertino的Apple,Inc.可获得的AppleWatch)。感测装置13可被放置在患者的四肢和/或患者的胸部的表面。感测装置13可与运行ECG应用29的系统装置14进行电通信,使得由感测装置13所感测到的电信号可被ECG应用29所接收。ECG应用29可包括促使感测装置13感测或以其它方式获得ECG数据的指令。
系统装置14优选是具有下面参照图3A所述的组件并具有本文中所述的功能性的一个或多个计算装置(例如,膝上型计算机、桌上型计算机、平板计算机、智能手机、智能手表等)。运行ECG应用29的系统装置14可经由任何公知的有线或无线连接与运行ECG平台37的服务器15连接。例如,系统装置14可使用公知的技术(例如,WiFi、蜂窝网络、线缆/同轴线缆、和/或DSL)连接到因特网,并且可通过因特网与服务器15通信。
服务器15优选是具有下面参照图3B所述的组件并具有本文中所述的功能性的一个或多个服务器。服务器15优选具有优于系统装置14的处理能力,使得服务器15能够处理和分析具有高于预定阈值的采样率的心脏信号,所述预定阈值是诸如每秒至少20个样本、每秒至少250个样本、或每秒至少1000个样本。如本领域技术人将容易明白的,服务器15可包括位于共同物理位置或位于不同物理位置的多个服务器。在优选实施例中,服务器15位于与系统装置14不同的远程位置(例如,在云上),但服务器15和系统装置14可位于共同位置(例如,在局域网(LAN)上)。
服务器15可以可选地与驱动器16通信,驱动器16可以是具有专用于存储对于特定患者、专业人员、设施、和/或装置独有的数字信息的存储器的一个或多个驱动器。例如,驱动器16可包括但不限于易失性(例如,随机存取存储器(RAM))、非易失性(例如,只读存储器(ROM))、闪速存储器或其任何组合。驱动器16可被并入服务器15中,或者可以是与服务器15分开且不同的,并且可通过任何公知的无线或有线连接与服务器15通信。
现在参照图3A-3B,示出了表示系统装置14和服务器15的硬件和软件组件的示例性功能块。现在参照图3A,系统装置14的硬件和软件组件可包括一个或多个处理单元21、存储器22、存储装置27、通信单元23、和电源24、输入装置25、以及输出装置26。
处理单元31可以是一个或多个处理器,其被配置成运行协作操作系统28和ECG应用29,并执行本文中所阐述的系统装置14的任务和操作。存储器22可包括但不限于易失性(例如,随机存取存储器(RAM))、非易失性(例如,只读存储器(ROM))、闪速存储器或其任何组合。通信单元23可以向和从ECG处理系统10中的其它组件(包括但不限于感测装置13和服务器15)传输和/或接收信息。通信单元23可以是促进通过任何公知的有线或无线连接(包括通过诸如任何IEEE 802标准的任何公知的标准)的通信的任何公知的通信基础设施。电源24可以是电池,或可以将系统装置14连接到壁式插座或任何其它外部电源。存储装置27可包括但不限于可移除和/或非可移除存储装置,诸如例如磁盘、光盘或磁带。
输入装置25可以是耦合到或并入系统装置14以用于将数据输入到系统装置14的一个或多个装置。输入装置25可进一步包括例如键盘、鼠标、笔、声音输入装置(例如,麦克风)、触摸输入装置(例如,触摸板或触摸屏)、位置传感器、和/或摄像装置。输出装置26可以是耦合到或并入系统装置14以用于输出或以其它方式显示数据的任何装置,并且至少包括显示器17。输出装置26可进一步包括例如扬声器和/或打印机。
可在存储装置27中存储并在处理单元21上执行ECG应用29。ECG应用29可以是具有一个或多个指令集的软件应用和/或软件模块,所述一个或多个指令集适合于执行本文中所阐述的系统装置14的操作,包括促进与感测装置13和服务器15交换信息。例如,ECG应用29可促使系统装置14从感测装置13接收ECG数据,记录来自感测装置13的ECG数据,将ECG数据传递到服务器15,指示服务器15处理和分析ECG数据,从服务器15接收经处理和/或经分析的ECG数据,将关于报告生成的用户输入传递到服务器,以及生成适合于显示原始的、经分析和/或经处理的ECG数据和与其有关的数据的图形用户界面。
可在存储装置27中存储并在处理单元21上执行操作系统28。操作系统28可适合于控制系统装置14的一般操作,并且可与ECG应用29一同工作,以实现本文中所述的系统装置14的功能性。系统装置14也可以可选地运行图形库、其它操作系统、和/或任何其它应用程序。当然,理解的是,除图3A中所图示的那些组件外,系统装置14可包括附加的或更少的组件,并且系统装置14可包括每种类型的组件的多于一个组件。
现在参照图3B,服务器15的硬件和软件组件可包括一个或多个处理单元31、存储器32、存储装置35、电源33、和通信单元34。处理单元31可以是一个或多个处理器,其被配置成运行操作系统36和ECG平台37并执行本文中所阐述的服务器15的任务和操作。考虑到分配给处理单元31的处理任务和数据的量,理解的是,相比处理单元21,处理单元31具有较优的处理能力。
存储器32可包括但不限于易失性(例如,随机存取存储器(RAM))、非易失性(例如,只读存储器(ROM))、闪速存储器或其任何组合。存储装置35可包括但不限于可移除和/或非可移除存储装置,诸如例如磁盘、光盘或磁带。通信单元34可以向和从ECG处理系统10的其它组件(包括但不限于系统装置14和/或驱动器16)传输和/或接收信息。通信单元34可以是促进通过任何公知的有线或无线连接的通信的任何公知的通信基础设施。电源33可以是电池,或者可以将服务器15连接到壁式插座或其它外部电源。
可在存储装置35中存储并在处理单元31上执行操作系统36和ECG平台37。操作系统36可以适合于控制服务器15的一般操作。ECG平台37可以是具有一个或多个指令集的软件应用和/或软件模块。ECG平台37可促进和监督对从系统装置14接收的ECG数据的处理和分析、报告生成、并且在其它情况下可适合于执行本文中所阐述的服务器15的操作。
ECG平台37可包括几个子模块和/或应用,包括但不限于预处理器38、描绘器39、分类器41、可包括嵌入器48和分组器49的群集器42、后处理器43、报告生成器44及重计算器40。每个子模块和/或应用可以是具有一个或多个指令集的单独软件应用和/或模块。预处理器38可对原始ECG数据进行预处理,描绘器39可执行第一神经网络以实现描绘,分类器41可执行第二神经网络以实现分类,群集器42可标识由第一神经网络处理的数据中的群集,后处理器43可对由第二神经网络处理的数据进行后处理,嵌入器48可执行一种或多种算法和/或第三神经网络以实现嵌入,分组器49可执行一种或多种算法和/或第四神经网络以生成群集群组,报告生成器44可基于原始ECG数据和由ECG平台37处理的ECG数据来生成报告,以及重计算器40可基于用户输入数据来重新计算和/或调整嵌入器48和/或分组器49。例如,重计算器40可基于校正的波信息来重新计算发作。ECG平台37也可执行各种其它功能,包括但不限于接收来自系统装置14的处理和/或分析ECG数据的请求、将经处理和/或经分析的ECG数据传递到系统装置14、接收生成报告的请求、请求和/或接收来自系统装置14的用户交互和/或指令、接收来自系统装置14的关于报告生成的用户输入数据和/或指令信息、和/或向系统装置14传递报告。
服务器15也可以可选地运行图形库、其它操作系统、和/或任何其它应用程序。当然,理解的是,除图3B中所图示的那些组件外,服务器15可包括附加的或更少的组件,并且服务器15可包括每种类型的组件的多于一个组件。
图4图示了用于实现ECG处理系统10以接收和记录ECG数据、处理和分析ECG数据、以及生成涉及ECG数据的报告的示例性过程,并且进一步示出了在ECG处理系统10的前端45与后端46之间的信息流程。前端45至少包括在系统装置14上运行的ECG应用29。后端46至少包括在服务器15上运行的ECG平台37。
如图4中所示,在步骤51,ECG应用29可促使系统装置14从感测装置13接收和/或以其它方式获得原始ECG数据52。例如,ECG应用29可促使感测装置13感测心脏信号,并将由感测装置13所感测到的心脏信号传递到系统装置14。原始ECG数据是由感测装置13所感测到的心脏信号。原始ECG数据52尚未被ECG处理系统10处理或分析。原始ECG数据52优选涉及在多个心搏上每心搏多次采样的数据。理解的是,感测装置13可将模拟心脏信号转换成数字信号,图2中未示出的不同组件可将模拟心脏信号转换成数字信号,或者ECG应用29可促使系统装置14将模拟心脏信号转换成数字信号。采用模拟和数字两种形式的原始ECG数据在本文中被称为原始ECG数据52。
在接收到原始ECG数据52时,ECG应用29可促使系统装置14记录原始ECG数据52,并且可以可选地将一些或所有原始ECG数据52保存到系统装置14。如上所解释的,信号可能对应于一个或多个导联。当使用多个导联时,可同时处理所有导联。理解的是,由每个导联生成的心脏信号可具有变化的长度。进一步理解的是,心脏信号可以是短期的(例如,在标准ECG中为10秒)或长期的(在动态心电图中为几天)。系统装置14可以可选地在显示器17上显示原始ECG数据52或其一部分。
如图4中所示,原始ECG数据52可从前端45传输到后端46。具体地说,ECG应用29可促使系统装置14将原始ECG数据52传递到在服务器15上运行的ECG平台37。在接收到原始ECG数据52时,ECG平台37可促使服务器15将一些或所有原始ECG数据52保存到服务器15。进一步地,在接收到原始ECG数据52后,ECG平台37促使在步骤54由预处理器38对原始ECG数据52进行预处理。理解的是,预处理器38可以是ECG平台37的独立组件或描绘器39的子组件。
预处理器38可通过去除心脏信号的干扰元素(诸如来自原始ECG数据的噪声)来处理原始ECG数据52或其一部分。对于噪声滤波,可以使用多元函数数据分析方案(Pigoli和Sangalli,Computational Statistics and Data Analysis,第56卷,2012年,第1482-1498页)。由于由感测装置13所感测到的信号可能因患者的移动而变化,因此可由预处理器38去除原始ECG数据52的基线频率,并且可以选定的频率来表述心脏信号。可使用中值滤波来去除与患者的移动对应的信号的频率(Kaur等人,由International Journal of ComputerApplications发布的会议录,2011年,第30-36页)。将原始ECG数据52应用于预处理器38生成经预处理的ECG数据55。在这一点上,ECG平台37可促使经预处理的ECG数据55可选地被传递到在系统装置14上运行的ECG应用29以用于在显示器17上显示。ECG平台37可备选地或另外地促使经预处理的ECG数据55被用作在更详细讨论的分类步骤58处的输入。
在步骤56,ECG平台37促使经预处理的ECG数据55被应用于描绘器39以用于描绘。描绘器39将第一神经网络(其是描绘神经网络)应用于经预处理的ECG数据55。神经网络是指数学结构或算法,其可将对象(例如,矩阵或矢量)取作输入,并且通过称为层的一组线性和非线性运算来产生另一对象作为输出。例如,第一神经网络的输入可以是一个或多个多导联心脏信号,其经预处理以去除噪声和/或基线漂移。
为将经预处理的ECG数据55应用于第一神经网络,描绘器39可促使一些或所有原始ECG数据52被表述为矩阵X,其可以是实数矩阵。例如,矩阵X可以是下面更详细描述的在用于训练网络的频率处的大小为m×n的矩阵。常数“m”可以是感测装置13中导联的数量,其通常为12,但可使用任意数量的导联。在此示例中,样本的数量“n”提供心脏信号的持续时间“n/f”,其中f为心脏信号的采样频率。样本速率高于预定速率,并且优选是相对高的,诸如例如每秒至少20个、至少250个、至少500个或至少1000个样本等等。在一个实施例中,所有所采样的ECG数据被转移到服务器以用于输入到处理算法中,而不滤出ECG数据。尽管应用于第一神经网络的ECG数据优选为经预处理的ECG数据55,但理解的是,未经预处理的心脏信号(即,原始ECG数据52或其一部分)可被应用于第一神经网络。
第一神经网络可将与心脏信号中在多个时间点处的一个或多个波的存在的可能性对应的值提供为输出。时间点可取决于原始ECG数据、可由系统装置14的用户选择、也可以被预编程。第一神经网络可以是卷积神经网络,并且优选为完全卷积神经网络。卷积神经网络是特定类型的神经网络,在其中被学习的一个或多个矩阵未对输入元素的完整线性组合进行编码,而是通过卷积对结构化信号(诸如心脏信号)的所有元素处的相同局部线性组合进行编码(Fukushima,Biol.Cybernetics,第36卷第,1980年,第193-202页,LeCun等人,Neural Computation,第1卷,1989年,第541-551页)。只包含卷积网络的网络被称为完全卷积神经网络。
相应地,在步骤56,描绘器39促使第一神经网络读取心脏信号的每个时间点、对心脏信号的每个时间点进行时空分析、并在每个时间点分配与一种或多种类型的波对应的分数。以此方式,心脏信号中所有类型的波可被分析,并且其在每个时间点的存在的可能性在单个步骤中被量化。相应地,由描绘器39所生成的每个分数指示特定波型在心脏信号的给定时间点处存在的可能性。波型可以是任何公知的波型,诸如例如,P波、Q波、R波、S波、多个Q波、多个R波、多个S波、QRS复波、和/或多个T波。以此方式,描绘器39可处理跨多个心搏每心搏多次采样的数据。
第一神经网络的输出可以是矩阵Y,其可以是实数矩阵。例如,矩阵Y可以是大小为p×n的矩阵。矩阵Y可包括在心脏信号的每个时间点处针对每种类型的波的分数。在矩阵Y中,“n”是如上文相对于矩阵X所讨论的样本的数量,并且“p”是波型的数量加上波表征的数量。如下面更详细所解释的,波表征可对应于例如心脏信号中波的传导率、过早(prematurity)、异位和/或起源。在一个示例中,波型包括(1)P波、(2)QRS复波、以及(3)T波,并且波表征包括(1)过早波、(2)起搏波、(3)心室QRS复波、(4)联结QRS复波(junctionalQRS complex)、(5)异位P波、以及(6)非传导P波。相应地,在此示例中,p=3+6=9。每个波型可根据该波的某些特性(诸如开始点和结束点(即,起始和终止))来表述。
现在参照图5A和5B,针对每个波型以图表示第一神经网络的示例性输出,以说明生成在每个时间点的与多个类型的波对应的分数的值。具体地说,图5A图示了描绘神经网络处理了正常心脏信号(其中没有异常)的示例性输出,并且图5B图示了其中描绘神经网络处理了例如由于房室传导阻滞而具有“隐藏”P波的心脏信号的示例性输出。
现在参照图5A,其图示了四个线图,每个图在x轴上示出时间。线图71表示在多个搏动上的心脏信号。绘制的信号反映了具有P波(点75)、QRS复波(点76)、和T波(点77)的公知的ECG波形。线图72是在心脏信号中的相同时间点上的P波分数的图。相似地,线图73和线图74分别是在相同时间点上的QRS分数和T波分数的图。每个线图72-74的y轴是在每个时间点分配的在0到1范围的分数,其中0指示特定波的存在的低可能性,并且1指示特定波的存在的高可能性。例如,线图72指示在分数78处的P波的存在的极高可能性,分数78对应于在点75附近的时间点,线图73指示在分数79处的QRS复波的存在的极高可能性,分数79对应于在点76附近的时间点,以及线图74指示在分数80处的T波的存在的极高可能性,分数80对应于在点77附近的时间点。
像如图5A,图5B图示了4个线图(线图81-82),其与线图71-74相似。具体地说,线图81表示在几个搏动上的心脏信号,线图82表示在心脏信号上的P波分数,线图83表示在心脏信号上的QRS分数,并且线图84图示了在心脏信号上的T波分数。与图5A不同,线图81中的ECG信号包括隐藏P波,诸如在点85处示出的隐藏P波。隐藏P波是在诸如T波的另一波或复波期间出现的P波。由于由描绘网络处理的心脏信号涉及高样本率,并且描绘网络在每个时间点针对每个波型生成数据,因此,恢复的输出足够稳健(例如,包括足够的样本点)以标识在同一时间出现的两个波,诸如具有隐藏P波的情况。例如,线图82指示在分数86处的P波的存在的极高可能性,分数86对应于在点85附近的时间点。相应地,理解的是,描绘神经网络不限于恢复在每个时间点处的仅一个波,并且因此能够标识在任何时间点的几个波。进一步理解的是,来自一个或多个导联的信号可同时由第一神经网络处理。
使用分配给与每个波型(例如,P波、QRS复波、T波等)对应的每个时间点的分数,描绘器39可对心脏信号进行后处理。后处理涉及:向每个时间点不分配波、分配一个波、或分配几个波,计算每个所标识的波的起始和终止,以及可选地确定波的表征。通过以下方式可将波分配给每个时间点:如果达到某个值,则确定在该时间点存在波。计算每个波的“起始”和“终止”包括计算心脏信号中每个波的开始和结束的时间点,开始被称为“起始”,并且结束被称为“终止”。这可涉及分析对应每个波型的最高值的开始和结束的时间点。描绘器39可通过标识过早、传导率和异位来表征波。波表征利用在每个波和/或每个搏动之间的上下文信息。例如,如果在某个时间点或在几个时间点上的平均值达到某个阈值,则过早标签可被应用于波。
在计算出心脏信号中每个波型的起始和终止后,描绘器39可计算全局测量。全局测量根据每个波型的起始和终止来导出,并且可与心脏信号的特征和特性(诸如波之间的间隔和波持续时间)有关。例如,全局测量可包括但不限于PR间隔、P波持续时间、QRS复波持续时间、QRS轴、QT间隔、校正的QT间隔(Qtc)、T波持续时间、JT间隔、校正的JT间隔、心率、ST上升、Sokolov指数、室性早搏复波的数量、房性早搏复波(PAC)的数量、非传导P波的比率、和/或起搏波的比率。
描绘器39可仅从由描绘器39生成的信息进一步推断标签。例如,描绘器39可以推断以下标签:短PR间隔(即,PR间隔<120 ms)、一度AV阻滞(即,PR间隔>200 ms)、轴偏差、长QTc、短QTc、宽复波心动过速、和/或室内传导阻滞。仅从由描绘器39生成的信息确定的标签被称为基于描绘的标签。
再参照图4,ECG平台37可促使步骤56的输出(例如,波信息62)以及经预处理的ECG数据55被传递或以其它方式应用于群集器42以用于在步骤63进行群集。波信息62可包括关于PVC波和PAC波(包括生成的起始和终止和相关持续时间)的分数。群集器42可处理波信息62,并且在心脏信号的持续时间期间标识PAC或PAV波的群集。一旦经标识,群集器42便可将群集标签64分配给一个或多个时间窗口,从而针对每个时间窗口标识PVC或PAC群集。时间窗口由心脏信号中的两个时间点所定义。
再参照图4,ECG平台37还可促使步骤56的输出(例如,波信息57)以及经预处理的ECG数据55被传递或以其它方式应用于分类器41以用于在步骤58进行分类。步骤58处的分类涉及将第二神经网络(即,分类神经网络)应用于经预处理的ECG数据55。相应地,在一个示例中,第二神经网络的输入可以是具有经预处理的可变长度的一个或多个多导联心脏信号。分类器41还可处理波信息57和/或其它信息(诸如患者特定信息,包括患者的年龄或任何相关临床信息)。如上所解释的,ECG平台37可以促使可选地促使经预处理的ECG数据55被直接传递到分类器41,并且如果步骤56处的描绘不是必要的,则由分类器41进行处理。以此方式,分类器41可处理跨多个心搏的每心搏多次采样的数据。
第二神经网络生成具有与在心脏信号的每个时间点处一个或多个异常、状况和/或描述符的存在的可能性对应的值的输出。如果时间点或时间窗口被确定为对应于某个异常、状况和/或描述符,则与该异常、状况和/或描述符对应的标签将被分配给该时间点或窗口。在一个示例中,如果分数达到预定阈值,则一个或多个标签59可被分配给时间点或时间窗口。相应地,通过在每个时间点生成多个值并在每个时间点分配一个或多个标签,可以实现对异常、状况和/或描述符的多标签定位。
分类器41可将分类神经网络的输出恢复为大小为q的矢量。矢量中的值对应于在每个时间点或每个时间窗口处每个标签的存在。例如,分类神经网络的输出可以是矢量[0.98:0.89;0.00],其具有针对矢量的每个元素的对应标签:右束支传导阻滞;心房颤动;正常ECG。分数可以在0与1之间。对于上述矢量,0.5的阈值将导致分类器41将标签“右束支传导阻滞”和“心房颤动”分配给与分数对应的时间点或时间窗口。理解的是,阈值可被预编程和/或由用户选择,并且可被修改以提供不同程度的灵敏度和特异性。通过为每个时间点分配一个或多个标签,可以计算与每个标签对应的起始和终止,以标识发作的持续时间(例如,异常发作)。
异常和状况可包括可以在心脏信号上可标识的任何生理异常或状况。如今,可以在心脏信号记录上标识大约150个可测量异常。异常和状况可包括但不限于:窦房传导阻滞、瘫痪或停搏、心房颤动、心房扑动、房性心动过速、交接区性心动过速、室上性心动过速、窦性心动过速、室性心动过速、起搏器、室性早搏复波、房性早搏复波、一度房室传导阻滞(AVB)、二度AVB Mobitz I、二度AVB Mobitz II、三度AVB、沃尔夫-帕金森-怀特综合征、左束支传导阻滞、右束支传导阻滞、室内传导延迟、左室肥大、右室肥大、急性心肌梗死、陈旧性心肌梗死、缺血、高血钾、低血钾、心室颤动、和/或长QTc。描述符可包括心脏信号的描述性质量,诸如“正常”或“有噪ECG”。
当在步骤58应用第二神经网络时,分类器41可读取心脏信号的每个时间点以及每个全局测量、分析心脏信号的每个时间点和每个全局测量、通过聚合至少两个时间点来计算时间窗口、以及针对每个时间窗口来计算分数,所述分数对应于多个非独占标签。
分类神经网络可以是卷积神经网络或递归神经网络。现在参照图6A,图示了应用于ECG信号的采用卷积神经网络形式的分类神经网络。大多数卷积神经网络实现几个卷积层并然后实现标准层以便提供分类。ECG信号被给定为到网络的输入,所述网络本地聚合信息,并且随后逐层组合信息以产生ECG的高级多标签分类。对于每个标签,提供分数。图6中示出的卷积神经网络的标签包括心房颤动(AFIB)、右束支传导阻滞(RBBB)和、以及室性早搏复波(PVC)。
现在参照图6B,图示了采用递归卷积神经网络形式的分类神经网络。与图6A相似,ECG信号被给定为到网络的输入。递归卷积神经网络是指能保持对其已被应用于的以前对象的记忆的特定卷积神经网络结构。递归卷积神经网络由以下两个子网络组成:提取特征并且在心脏信号的所有时间点被计算的卷积神经网络,和在所述卷积神经网络之上的神经网络,其在时间内累计卷积神经网络的输出以便提供精细输出。以此方式,卷积神经网络充当模式检测器,其输出将由递归神经网络及时累计。
如图6B中所示,卷积神经网络的输出在各种时间点标识了四个标签,包括室性早搏复波(PVC)和正常。那些标签随后被应用于了第二神经网络,其产生了精细输出“室性早搏复波”。在此示例中,网络正确地识别了在信号的第一部分中的室性早搏复波(PVC,第五个且最大的搏动),而信号的第二部分被认为是正常的。因为心脏信号包括异常,因此它不能被认为是正常的,并且累计的输出因此是PVC。
第一神经网络(即,描绘神经网络)和第二神经网络(即,分类神经网络)必须被训练以实现本文中所描述的行为和功能性。在描绘和分类两个实施例中,网络可使用开放式软件(诸如例如Tensorflow、Theano、Caffe或Torch)来表述。这些工具提供用于计算网络的(一个或多个)输出和用于通过梯度下降来更新其参数的功能。
训练神经网络涉及将包含心脏信号和已知输出的大量数据集应用于神经网络。包含使用本文中所述系统和方法跨多个患者收集的心脏信号的数据集的数据库可以被存储在服务器15和/或驱动器16上(例如,在云中)。数据库中的数据集可由服务器15用于对输入到系统中以便处理的新心脏信号进行分析。在优选实施例中,被应用于经训练的神经网络的任何心脏信号均将与用于训练神经网络的数据集中的心脏信号具有相同的采样率和/或频率。例如,分类神经网络的训练从包含心脏信号及其已知描绘的数据集开始。如上所解释的,心脏信号被表述为预定义频率处的大小为m×n的矩阵。例如,可以在250Hz、500Hz或1000Hz训练网络,但可使用任何频率。随后采用大小为p×n的矩阵Y的形式来表述描绘,其中p是波的类型的数量。每个波通过其开始点和结束点来表述,诸如例如:(P,1.2s,1.3s)、(QRS,1.4s,1.7s)、(T,1.7s,2.1s)、(P,2.2s,2.3s)。在此示例中,矩阵Y的第一行对应于P波,并且将在时间1.2s和1.3s并且还有2.2s和2.4s处具有1的值,以及在其它情况下具有0的值。矩阵Y的第二行对应于QRS复波,并且将在时间1.4s和1.7s处具有1的值,以及在其它情况下具有0的值。最后,矩阵Y的第三行对应于T波,并且将在时间2.2s和2.3s处具有1的值,以及在其它情况下具有0的值。随后,可修改网络的参数,以便与网络的输出和已知描绘相比,减小成本函数。使用交叉熵误差函数以便允许多标记(即,允许在给定瞬间的多个波)。此最小化可通过梯度步骤来完成,从而针对数据集的每个心脏信号重复前述步骤至少一次。理解的是,可使用相似的方案来训练描绘神经网络(即,第二神经网络)。
进一步理解的是,ECG平台37可促使本文中描述的神经网络处理在输入方面具有不同数量的导联的心脏信号。例如,神经网络可在网络的开始处包括一系列层,以便获得与输入导联的数量无关并因此能处理具有任何导联数量m的心脏信号的网络。例如,图7图示了两个输入导联(m=2)和三个输出信号(k=3)。然而,相同的结构能够处理任何输入导联数量m,并且仍将提供相同数量的输出信号,这些输出信号能够被馈送到要求固定数量的输入信号的网络的其余部分。出于此原因,输入导联的数量可以变化,并且无需固定。
如图7中所示,为从m个输入导联获得k个信号,可通过k个滤波器使用逐导联卷积对导联进行卷积。信号随后可由卷积滤波器分组,以便获得k个群组的m个导联,并且数学函数最后被应用于每个群组以获得k个导联。数学函数可以是在每个时间点的最大值,或者可以是本领域技术人员已知的任何其它函数。
再参照图4,在步骤61,ECG平台37可促使每个时间窗口的标签(即,标签)由后处理器43聚合以生成经处理的标签60。所述标签可从基于描绘的全局测量来导出。例如,与一度房室传导阻滞对应的标签可从长于200ms的PR间隔导出。如上所解释的,PR间隔是基于描绘的全局测量。后处理器43还可将基于描绘的标签与对应于相同时间点的分类标签聚合在一起。
后处理器43还可对标签进行过滤以去除冗余标签、根据标签的已知层级来组装标签、或根据层级或加权值而忽略已知不太重要的标签。后处理器43还可通过时间来聚合标签,以便计算每个异常的开始(起始)和结束(终止)时间。理解的是,后处理器43可以是独立组件,或者可以是分类器41的子组件。
如图4中所示,在步骤54、56、58和61以及可选地在63由ECG平台37在后端46上生成的信息可由ECG平台37传递到在前端45上的ECG应用29。ECG应用29可在步骤65促使前述信息在系统装置14的显示器17上显示。在后端46上生成的信息可由ECG平台37自动传输,或者ECG平台37可促使信息在被ECG应用29请求前被存储在服务器15上。在生成数据时,ECG平台37可将消息传输到ECG应用29,从而向ECG应用29通知从ECG平台37可获得数据。
ECG应用29可接收数据(例如,在步骤54、56、58、61和/或63期间生成的原始ECG数据、经预处理的ECG数据、波信息、标签及任何其它数据)并且促使系统装置14显示,如PCT/EP2018/072912中所述那样,PCT/EP2018/072912的全部内容通过引用被并入本文中。具体地说,‘912申请解释了ECG信号、ECG信号的特征、和/或ECG信号的描述符可采用交互方式以多字段显示来显示。
现在参照图8,图示了示例性显示(交互式显示101)。交互式显示101包括第一侧102和第二侧103。第一侧102进一步包括第二图形窗口105和第一图形窗口104,其具有包括与ECG信号对应的数据的曲线图110。第一图形窗口104包括提供ECG信号的全局视图的曲线图110。
现在参照图9,图示了第一图形窗口104的放大版本。在此示例性显示中,曲线图110是R-R间隔曲线图,其是通过时间的R-R间隔(在两个QRS波之间的间隔)的曲线图。如图9中所示,第一图形窗口104的上部区包括多个标签按钮109。每个标签按钮109具有在其附近显示的文本,所述文本描述与所述文本相关联的标签。每个标签按钮109与一种颜色相关联,使得在标签按钮109由用户选择时,图形部分111被显示在曲线图110上以在视觉上指示对应于与标签按钮109相关联的标签的发作和/或事件的存在。这为用户提供了视觉参考,从而准许沿心脏信号轻松标识特定类别的事件和/或发作。在图9中所图示的示例性显示中,包括了次级标签112。在此示例性显示中,次级标签112包括搏动标签PVC(室性早搏复波)和PSVC(室上性早搏复波),但理解的是,可包括其它次级标签。通过具有与黑色不同的颜色的点的存在,曲线图110中与标签PVC和PSVC相关联的点被着色,如图9中所示。
第一图形窗口104进一步包括与曲线图110的时间轴平行的时间条115。时间条115提供了总ECG采集时间的线性表示,其中与发作或事件相关联的时间期被表示为有色段。如图9中所示,时间条115上的较暗灰色区域对应于有噪信号的时间期(例如,当信号有太多伪影,并且分析算法无法提议描绘和正确检测时)。第一图形窗口104进一步包括交互式光标116。使用ECG应用29的用户可沿着时间条115移动交互式光标116,以允许沿总ECG采集时间来导航曲线图110。在第一图形窗口104的右下角中,第一图形窗口104包括第二交互式部件117,其被配置成促使曲线图110放大和缩小。
再参照图8,第二侧103包括多个发作曲线图106。每个发作曲线图106显示与检测到的发作对应的ECG条带的至少一个段,并且可包括关于持续时间的文本(例如,“Duration:1h38m(持续时间:1小时38分)”)和/或发作的开始时间(例如,“Day 3/09:39:30(第3天/09:39:30)”)。每个发作曲线图106包括第三交互式图标108,其用于选择对应发作曲线图以便在报告中包括。每个发作曲线图106进一步包括第四交互式图标107,其准许用户从交互式显示101中去除相应ECG曲线图。第二侧103可进一步包括描述发作曲线图106中的一个或多个发作曲线图的文本。
交互式显示101进一步包括图形窗口105,其包括在从由光标116所选择的时间点开始的第二时间窗口中的ECG条带118。第二图形窗口105进一步包括在比第二时间窗口更大、包括第二时间窗口的第三时间窗口中的ECG条带119。第三时间窗口包括对应于第二时间窗口的阴影部分。
现在参照图10,图示了相似的显示(交互式显示121)。交互式显示121包括第一侧122和第二侧123。第一侧122进一步包括第一图形窗口124和第二图形窗口125。第二侧113具有与上述第二侧103相同的功能性,并且包括与发作曲线图106相似的发作曲线图126。进一步,第二图形窗口125具有与第二图形窗口105相同的功能性,并且包括与ECG条带118和ECG条带119相似的ECG条带138和ECG条带139。
除曲线图130外,第一图形窗口124与第一图形窗口104相似。像如第一图形窗口104,第一图形窗口124包括具有与多个标签按钮109相同的功能性的多个标签按钮129、具有与次级标签112相同的功能性的次级标签132、具有与时间条115和光标116相同的功能性的时间条135和光标136、以及具有与第二交互式部件117相同的功能性的第二交互式部件137。不同于曲线图110,曲线图130是心率密度曲线图,其是到作为时间的函数的心率密度的直方图的二变量强度曲线图上的投影。
现在参照图11,提供了用于生成和绘制诸如曲线图130的心率密度曲线图的步骤。在步骤141,ECG平台37计算心脏信号(即,ECG数据)中的R-R间隔。例如,如上所述,ECG平台37可以将心脏信号应用于描绘神经网络以确定RR间隔。在步骤142,ECG平台37可生成随时间的心率曲线图。图12中图示了示例性心率曲线图HRDP 150。
如图12中所示,时间沿x轴投影,并且心率(例如,每分钟搏动)沿y轴投影。在一个实施例中,时间和心率两者均以线性方式进行缩放。然而,时间和/或心率可以对数方式进行缩放,或者使用其它公知的标度进行缩放。为简明起见,图12中示出了仅四个心率。
再参照图11,在步骤143,ECG平台37可促使y轴和x轴可被划分为基本元素,分别称为HR仓(bin)和时间仓。例如,在图12中,图示了HR仓151和时间仓152。HR仓151由第一和第二心率值(例如,hb 1和hb 2)定义。相似地,时间仓152由第一和第二时间值(例如,tb 1和tb 2)定义。HR仓和时间仓的相交处将被称为仓。换而言之,仓将由第一和第二心率值及第一和第二时间值定义。在图12中,图示了仓153,并且仓153由HR仓151和时间仓152定义。
再参照图11,在步骤144,ECG平台37将促使每个心搏被分配给仓。具体地说,在给定时间仓的时间窗口期间发生的心搏(例如,QRS复波)被包括在与该时间仓对应的列的计算中。进一步,与该心搏对应的心率确定在由时间仓定义的列中它属于哪个HR仓。例如,在图12中,心搏154和心搏155各自具有分别落在时间仓152和HR仓151内的对应时间和心率值。相反,心搏156和心搏157各自具有落在时间仓151外的时间值,并且因此均未被包括在仓153中。
再参照图11,在步骤145,ECG平台47将为每个时间仓计算心率密度。对于给定仓,由相应时间仓和心率仓定义的区域将根据在仓中包括的心搏的密度(即,仓内心搏的数量)来表示。每个仓随后可根据密度来用颜色编码。例如,每个仓可具有颜色或图案的某些阴影,例如,诸如灰度级。在图12中的示例中,仓可被表示为随着心率的密度增加而变得更暗的灰度级。如图12中所示,包括2个心搏的仓153可由比具有仅1个心搏的仓更暗的灰色阴影,但比具有3个或更多个心搏的仓更浅的灰色阴影所表示。
在优选实施例中,密度被计算为仓中R波的数量与HR仓的心率相除的函数(例如,时间窗口的最小和最大界限的均值)。密度的此优选计算考虑了在特定仓中所花费的时间。例如,在3分钟的时间仓中,如果在第一HR仓中以50 bpm(每分钟搏动数)的心率发生了100次搏动,并且在第二HR仓中以100 bpm发生了100次搏动,则在每个仓中将有一样多的搏动,但以50 bpm将花费2分钟,并且以100 bpm将仅花费一分钟。因此,如果仅考虑搏动的数量,则此仓将具有相同的密度表示。然而,在考虑搏动的次数除以心率时,与50 bpm的心率仓对应的第一仓将比与100 bpm的心率仓对应的仓更暗,因为除以心率对更低的心率值给予更高的权重。优选实施例因此比只考虑搏动的次数更好地捕捉此时间信息。
再参照图11,在步骤146,ECG平台37将为每个仓绘制心率密度。理解的是,除作为x轴的函数而自然给出的时间信息外,捕捉列(时间仓)中的时间信息促进以比其它形式的ECG信号的聚合表示(诸如曲线图110中的R-R曲线图)更优的方式来表述密度。
理解的是,HR密度曲线图的x轴的界限可以是信号的开始和结束。然而,在优选实施例中,x轴的界限可随着由用户所执行的放大和缩小的动作而交互式地变化。在执行此动作时,y轴的界限保持固定。再参照图10,曲线图130包括可用于在心率密度曲线图上进行放大的交互式部件137。缩放动作可仅更改曲线图显示的大小。备选的是,放大和缩小更改与时间仓对应的时间窗口的大小。通过放大动作,以相同数量的像素表示的仓覆盖更短的时间窗口。放大因此促使对具有更精细时间划分且因此具有更精细时间信息的直方图进行新的计算。这允许示出信息聚合的变化级别(该变化级别作为我们选择要显示的时间标度的函数)的ECG信号的表示,以便使直方图在任何缩放级别都保持可读性和信息性两者。现在参照图13,图示了交互式显示(交互式显示170),其与图10中的交互式显示相似。交互式显示170已被放大,使得曲线图159具有放大部分158。
图14A-E图示了HRDP与通常的R-R曲线图相比的优越性。现在参照图14A,由具有极高数量的PVC的动态心电图以变耦合生成的信号被图示为RR曲线图161和密度曲线图162。在密度曲线图162中,基础心律作为线171清晰可见。进一步,补偿性静息在底部被图示为线172。在R-R曲线图161中,此模式更不清晰。现在参照图14B,由比图14A中的动态心电图具有更少早搏复波的动态心电图生成的信号被图示为R-R曲线图163和密度曲线图164。主心律在密度曲线图164中清晰图示,并且在R-R曲线图163中更不清晰。现在参照图14C,由具有变化传导扑动的动态心电图生成的信号被图示为R-R曲线图165和密度曲线图166。如图14C中所示,相比R-R曲线图165中显现的四片弥散云,通过密度曲线图166中的四条清晰黑线,传导扑动更突出。现在参照图14D,由具有永久性心房颤动的动态心电图生成的信号被图示为R-R曲线图167和密度曲线图168。如此图中所示,密度曲线图168关于颤动内心率的变化给出了更精确的信息。具体地说,更暗的下半部173示出在低心率比在高心率花费了更多时间。密度曲线图168进一步图示了尖峰,其中上半部变得更暗一点,这对应于心率增加。这些细微差别在R-R曲线图167中不可见。现在参照图14E,由具有阵发性心房颤动以及在其它情况下具有规则心律的动态心电图生成的信号被图示为R-R曲线图174和密度曲线图175。在出现清晰黑线的密度曲线图175中,规则心律的图案更可见。此外,相比R-R曲线图174,在密度曲线图175中由于颜色也改变(密度减小,这使曲线图更亮),因此心房颤动的图案差别更明显。
再参照图4,在步骤66,使用ECG应用29的用户可使用输入装置25与上述交互式主动显示进行交互,以请求报告和/或定制报告。报告通常包括心脏信号的部分,并且可涉及与异常和/或发作(例如,发作曲线图)有关的信息和/或在预处理(步骤54)、描绘(步骤56)、分类(步骤58)、群集(步骤63)和/或后处理(步骤61)期间生成的其它信息。报告可进一步包括患者特定的医疗数据,诸如患者的姓名、年龄、健康史、和/或其它医疗信息。理解的是,任何个人可识别的健康信息和/或受保护的健康信息当在ECG应用29与ECG平台37之间传递时都可被加密。
如上所解释的,交互式显示中的交互式图标可用于合并报告中显示的数据和图像。例如,用户可使用ECG应用29来选择第三交互式图标108,以在报告中包括对应的发作曲线图。相应地,在步骤66,用户可请求报告,并且可选择定制的特征,诸如要被包括在报告中的某些数据(例如,异常数据、发作数据、发作曲线图等)。
在步骤67,ECG应用29可将对报告的请求和选择的可定制特征(例如,要被包括在报告中的ECG数据)传输到ECG平台37,并且ECG平台37可接收该请求和信息。ECG平台37可记录请求并且保存从ECG应用29所接收的信息。在步骤68,ECG平台37可促使报告生成器44根据从系统ECG应用29所接收的信息来生成报告。
现在参照图15A-15D,图示了在步骤68生成的示例性报告。示例性报告的第一页在图15A中图示。第一页可以若干部分来呈现,所述若干部分是诸如第一部分181、第二部分182,第三部分183、第四部分184、第五部分185、和第六部分186。第一部分181可包括患者特定信息,诸如例如患者的姓名、主要指示、患者是否有起搏器、患者出生日期、性别和/或患者ID。第二部分182可包括临床医生信息,诸如例如监督医师、机构名称、分析日期和/或签名。
第三部分183可包括ECG数据的曲线图。在图15A中,部分183包括与图12中所示的心率密度曲线图相似的心率密度曲线图。所示时间窗口可以是默认时间,或者可以是用户定义的时间窗口。像如图12中的心率密度曲线图,某个标签可被选择以指示密度曲线图上的异常的出现。时间窗口通常根据相关发作和/或事件来选择。然而,理解的是,其它曲线图(诸如R-R曲线图)可被包括在报告中。
第四部分184可包括来自心脏信号记录的度量。例如,第四部分184可包括记录的持续时间、最大值、最小值和平均心率、室上性早搏复波和任何患者触发的事件、和/或有关心脏信号的任何其它度量。第五部分185可包括与检测到的任何发作对应的信息。例如,第五部分185可包括暂停信息(计数和/或最长R-R间隔)、房室传导阻滞信息、心房颤动/扑动信息、室性心动过速信息、其它室上性心动过速信息、和/或有关任何发作或异常的任何其它信息。第六部分186可包括结果信息,诸如例如发作和/或异常的摘要,诊断,和/或从心脏信号分析、聚合、计算、确定、标识、或以其它方式检测到的任何其它信息。例如,第六部分186可标识窦性心律伴阵发性心房颤动。
图15B-D图示了示例性报告的第二、第三和第四页面。如图15B-D中所示,报告可进一步包括由用户以前选择的或在默认设置下选择的ECG条带。例如,用户可选择最大HR条带191、最小HR条带192、心房颤动/扑动条带193、其它SVT条带194、PSVC条带195、及PVC条带196。最大HR条带191可以是指示在给定心脏信号记录期间的最大心率的ECG条带。相似地,最小 HR条带191可以是指示在给定心脏信号记录期间的最小心率的ECG条带。心房颤动/扑动条带193可以是指示心房颤动/扑动的每次发作的ECG条带。其它SVT条带194可以是指示室上性心动过速的每次发作的ECG条带。PSVC条带195可以是指示室上性早搏复波的发作的ECG条带。PVC条带197可以是指示室性早搏复波的发作的ECG条带。ECG条带可与有关的相关关联度量及如由用户所添加的注释一起显示。理解的是,图15A-B中示出的报告只是示例性的,并且在步骤68生成的报告可具有不同的结构或配置,和/或可包括与本文中所设想的ECG和患者有关信息不同的ECG和患者有关信息。
现在参照图16A,图示了ECG处理系统10',其与ECG处理系统10基本相似,但包括步骤202-205。像如ECG处理系统10,ECG处理系统10'可在后端46接收要在步骤54由预处理器38预处理的原始ECG数据52,以生成经预处理的ECG数据55,经预处理的ECG数据55可在步骤56被应用于描绘器39以用于描绘,以生成波信息201。波信息201可包括波信息57(例如,与t波、p波、QRS复波等的存在的可能性对应的分数)和/或波信息62(例如,关于PVC波和PAC波等的分数)。如上所解释的,描绘器39的输出可以是一个或多个矢量和/或矩阵。
波信息201可进一步包括关于ECG数据中的一个或多个波和/或搏动的起始和终止的信息。例如,基于在整个ECG数据的时间点的某些类型的波的存在的可能性,描绘器39可确定一个或多个波和/或搏动的起始和终止。在步骤200,群集器42可使用波信息201中的搏动的起始和终止来从ECG数据(例如,经预处理的ECG数据)提取搏动。这可涉及确定在搏动的起始处开始并且在终止处结束的ECG数据的部分。这些部分可从ECG数据提取并被指定为搏动。与搏动对应的ECG数据的部分可在步骤202被用作输入。
同样在步骤200,群集器42可包括、监督、和/或实现嵌入器48和分组器49。具体地说,步骤200可包括子步骤202和子步骤204。群集器42可执行一种或多种算法以生成嵌入数据203并且最终生成群组数据205,所述一种或多种算法可以是一个或多个经训练的神经网络。具体地说,在子步骤202,嵌入器48可执行一种或多种算法以生成嵌入数据203,所述一种或多种算法可以是经训练的神经网络。在步骤200提取的ECG数据的部分可被输入到嵌入器48。嵌入数据203可以是一个或多个矢量,其表示用作嵌入器48的输入的ECG数据的搏动部分。以此方式,在ECG数据中所标识的搏动可从ECG数据提取并使用嵌入器48嵌入。在一个示例中,嵌入数据203可以是与一个或多个搏动对应且表示一个或多个搏动的一个或多个矢量和/或矩阵。在子步骤204,分组器49可对嵌入数据203执行一种或多种分组算法以生成群组数据205,所述一种或多种分组算法可以是经训练的神经网络。
在图16B中更详细地图示了提取ECG数据的部分、将ECG数据的部分输入到嵌入器48中、生成嵌入数据203、以及将嵌入数据203输入到分组器49中的过程。如图16B中所示,ECG数据的部分206可被用作嵌入器48的输入以用于嵌入。ECG数据的部分206可以是在搏动的起始处开始并且在搏动的终止处结束的时间期内的ECG数据的一部分(例如,经预处理的ECG数据)。例如,嵌入器48可使用一种或多种算法来处理ECG数据的部分206,从而产生嵌入数据203。所述一种或多种算法可以是一个或多个神经网络(例如,嵌入神经网络)。嵌入数据203可以是一个或多个搏动矢量207。搏动矢量207可以是包括表示ECG数据的部分206的数据和/或值的矢量。如图16B中所示,搏动矢量207可被输入到分组器49中以用于分组。
再参照图16A,分组器49可使用一种或多种算法来处理与搏动对应的嵌入数据203,从而产生与两个或更多个搏动之间的相似性对应的群组数据205。所述一种或多种算法可以是一个或多个神经网络(例如,分组神经网络)。群组数据205可包括与在嵌入数据203的矢量之间的相似性和/或距离对应的一个或多个分数或值。相似性可涉及相似的特性和/或特征,例如诸如相似的t波、p波、QRS复波、或其它波、或任何前述内容之间的相似距离。以此方式,分组器49可对ECG数据的两个或更多个搏动之间的相似性进行量化。基于群组数据205,群集器49可确定群组数据205(例如,分数或值)是否在阈值差别内,或者满足阈值,并且因此如果对应搏动彼此足够相似(例如,具有相似特性和/或特征),则它们应被分组或匹配在一起。相似搏动的群组可在本文中被称为形态和/或群集。如图16A中所示,群组数据205可以可选地被应用于分类器41以用于在步骤58的分类。
如图3A、3B和16中所示,群组数据205和/或基于或在其它情况下并入群组数据205的图形用户界面可由后端46上的ECG平台37传递到前端45上的ECG应用29。ECG应用29可促使有关搏动分组和/或群组数据205的信息在步骤65在系统装置14的显示器17上显示。例如,关于与某个类型的发作(例如,QRS群集、PVC群集、和/或PAC群集)相关联的搏动的信息可在显示器17上显示。在后端46上生成的信息可由ECG平台37自动传输,或者ECG平台37可促使信息在被ECG应用29请求前被存储在服务器15上。在生成数据时,ECG平台37可将消息传输到ECG应用29,从而向ECG应用29通知从ECG平台37可获得数据。ECG应用29可接收数据(例如,在步骤54、56、58、61、63以及200(包括子步骤202和/或204)期间生成的原始ECG数据、经预处理的ECG数据、波信息、标签、群集、和/或形态、及任何其它数据)并且促使系统装置14显示信息和/或数据,如本文中以及在WO 2019/038435中所述那样,WO 2019/038435的全部内容通过引用被并入本文中。
使用ECG应用29的用户可在显示器17上查看在步骤54、56、58、61和200期间生成的波信息、标签、发作、群集、搏动分组和/或形态及任何其它数据。在步骤66,使用ECG应用29的用户可使用输入装置25与上述交互式显示进行交互,以生成用户输入数据69,其可从前端45上的ECG应用29被传递到后端46上的ECG平台37。例如,用户可在显示器17上查看QRS群集、PVC群集和/或PAC群集。使用输入装置25,用户可与显示器17进行交互以生成与在显示器17上呈现的波信息、标签、发作、群集、搏动分组和/或形态及任何其它数据有关的用户输入数据69。例如,用户可确定或标识另外的群集和/或搏动群组,可标识、关联和/或合并相似的群集和/或搏动群组,可删除不准确、不相关或错误标记的群集和/或搏动群组,和/或可将群集和/或搏动群组拆分为不同的子集。另外,用户输入数据69可对应于如下所述的被删除和/或修改的形态。
当接收用户输入69时,后端46上的ECG平台37可在步骤70促使重计算器40使用用户输入数据69来重新训练、修改和/或调整描绘器39、嵌入器48和/或分组器49。例如,用户输入数据69可指示分组数据205不准确。重计算器40可使用此信息来重新训练和/或调整描绘器39、嵌入器48和/或分组器49以生成更准确的分组数据205。在对描绘器39、嵌入器48和/或分组器49进行重新训练时,可重复步骤200、子步骤202和/或子步骤204中的一个或多个,并且如上所解释的,可将生成的信息(例如,群组数据205、发作、和/或群集或形态)发送到前端45上的ECG应用29以在显示器17上显示并由用户查看。通过重新计算群组数据、发作、和/或群集或形态,并且将其经由显示器17呈现给用户,用户可调整或以其它方式微调处理系统10'。例如,可标识更准确的发作,并且可提高波信息201、嵌入数据203和/或群组数据205的质量。
现在参照图17,图示了用于分析ECG数据和对相似搏动进行分组的过程。此过程一般涉及在步骤211接收患者的ECG数据。这可涉及在ECG平台37接收原始ECG数据52。原始ECG数据可以可选地如上所述那样被预处理(例如,以去除噪声)。在接收到ECG数据时,在步骤212,可使用至少一种描绘算法来分析和/或处理ECG数据以生成波信息。嵌入算法可以是一种或多种算法和/或神经网络。生成的波信息可以是波信息201。在步骤213,可从波信息确定搏动起始和终止。基于搏动起始和终止,在与终止对应的时间点开始并且在与起始对应的时间点结束的ECG数据的一部分可从ECG数据提取并且与该特定搏动相关联。在步骤213,可提取ECG数据的多个搏动部分。在步骤214,可使用嵌入算法来分析和/或处理与搏动对应的ECG数据的部分以生成嵌入数据。嵌入数据可以是嵌入数据203。嵌入算法可以是一种或多种算法和/或神经网络。由嵌入算法生成的嵌入数据可表示与搏动对应的ECG数据的一部分。
在步骤215,可使用分组算法来分析和/或处理嵌入数据以生成群组数据。群组数据可以是群组数据205。分组算法可以是一种或多种算法(例如,kmeans、dbscan)和/或经训练的神经网络。优选根据与各种搏动对应的多个ECG数据集和/或ECG数据的部分来训练分组算法。在步骤216,可分析群组数据以确定两个或更多个搏动是否相似(例如,共有某些特征和/或特性)。例如,可将群组数据值与范围阈值进行比较以确定搏动之间的相似性。如果群组数据值指示搏动之间的相似性(例如,如果群组数据值满足阈值),则相似搏动可被分组在一起。
在步骤217,可将关于ECG数据的信息、波信息、标签、嵌入数据、群组数据、搏动群组、相似搏动、群集、发作、形态、和/或基于或指示任何前述内容的其它信息(例如,经分析的ECG数据)从ECG平台37传输到ECG应用29以供显示。一些或所有经分析的ECG数据可被显示在图形用户界面上。例如,与图18中图示的交互式显示220相似的图形用户界面可显示形态240和其它经分析的ECG数据。图形用户界面可包括在该形态内的样本搏动的搏动叠加图像,如图20B中所图示的。
在可选步骤218,将经分析的ECG数据分配给与一个或多个医疗保健专业人员相关联的一个或多个用户帐户的请求可由ECG平台37接收,并且ECG平台37可将经分析的ECG数据分配给该用户帐户。除将经分析的ECG数据分配给医疗保健专业人员(例如,技师、心脏病学专家等)外,系统还可向该医疗保健专业人员通知ECG数据已被分配给他们以供检查。例如,可向该医疗保健专业人员发送消息和/或警报。也可取消分配和/或重新分配经分析的ECG数据。理解的是,可选步骤218可备选在步骤219、220和/或221之后或之间或在任何其它点发生。在可选步骤219,经分析的ECG数据可被提交以用于质量控制,质量控制的请求可由ECG平台37接收,和/或经分析的ECG数据可被放置在质量控制队列中,以供由一个或多个质量检查员(例如,技师)检查。
在可选步骤220,ECG平台37可接收来自一个或多个质量检查员(例如,技师)的质量控制输入。质量控制输入可包括经分析的ECG数据的被删除和/或修改的部分。在可选步骤221,ECG平台37可将质量控制输入传输到ECG应用29以供显示。ECG应用可示出已被选择以便删除和/或修改的经分析的ECG数据。如果多个质量控制检查员检查经分析的ECG数据,则步骤220和/或221可被重复多次。例如,第一质量控制检查员可指示经分析的ECG数据需要进一步检查,并且第二质量控制检查员可对经分析的ECG数据和/或在第一质量控制检查期间生成的质量控制输入进行分析。
在步骤222,ECG平台37可从ECG应用29接收用户输入数据。例如,医疗保健专业人员(例如,所分配的医疗保健专业人员)可检查经分析的ECG数据和/或质量控制输入,并且可生成关于经分析的ECG数据和/或质量控制输入(例如,关于经分析的ECG数据的不准确性)的用户输入数据。用户输入数据可以是对一些或所有经分析的ECG数据的删除和/或修改。用户输入数据可由系统装置14的输入装置25生成,并且从ECG应用29传输到ECG平台37。例如,用户输入数据可对应于图形用户界面的准确度,其可对应于嵌入数据和/或群组数据的准确度。如下相对于图20A所解释的,用户输入数据可对应于正被删除的形态。例如,如果在检查所显示的形态后,健康医疗提供人员或技师确定该形态内的样本搏动是正常而不是异常的,则临床医生可使用输入装置25删除该形态。
在可选步骤223,所接收的用户输入数据和/或质量控制输入可用于训练和/或修改描绘算法、分类算法、分组算法和/或嵌入算法(例如,使用重计算器40)。例如,用户输入数据可向ECG平台37通知某些发作和/或搏动群组应被删除和/或否则是不准确的。此信息可用于重新训练或以其它方式修改描绘算法、分类算法、分组算法和/或嵌入算法,以提高由这些算法生成的波信息、标签、嵌入数据和/或群组数据的质量。
在可选步骤224,可以基于所修改的描绘算法、分类算法、分组算法和/或嵌入算法来对ECG数据(例如,经预处理的ECG数据)进行重新分析和/或重新计算,以生成经重新分析的ECG数据(例如,波信息、标签、嵌入数据、群组数据、搏动群组、相似搏动、群集、发作、形态、和/或基于或指示任何前述内容的其它信息)。在步骤225,经重新分析的ECG数据和/或指示或基于经重新分析的ECG数据的其它信息可从ECG平台37传输到ECG应用29以供显示。数据和/或信息可被显示在图形用户界面上。例如,图形用户界面可被更新以删除如用户输入数据中所指示的形态。另外或备选的是,可显示重新计算的发作或群集。
现在参照图18,图示了交互式显示220。交互式显示220包括与第一图形窗口124相似的第一图形窗口221和与第二图形窗口125相似的第二图形222。交互式显示220还可包括用于生成报告的报告创建按钮225。第一图形窗口221可图示在某个时间期内的多个搏动,并且可包括与光标136相似的光标224。第二图形窗口222可包括由光标224所选择的多个搏动的区域的放大视图。交互式显示220可进一步包括第三图形窗口223,其可包括关于第一图形窗口221中的多个搏动的分析或另外信息。例如,第三图形窗口233可图示一个或多个形态,每个形态包括多个搏动条带,所述多个搏动条带已基于某些相似性而匹配或以其它方式分组在一起,如上所述。在一些实施例中,搏动条带是多个在时间上连续的搏动。所匹配或以其它方式分组在一起的多个搏动条带通常来自不同的时间间隔,并且不是在时间上连续的条带。
现在参照图19,图示了第三图形窗口223。如图所示,第三图形窗口223可包括用于选择要在第三图形窗口223中显示的信息的类别选项卡231,诸如形态分析、心室活动或导航窗口259中列出的任何其它类别(在图21中示出)。第三图形窗口223可进一步还包括子选项卡232以进一步缩窄类别选项卡231的范围。例如,子选项卡232包括异常的类型(诸如PVC和PSVC)或通用标签(诸如“other beats(其它搏动)”)。当选择“morphology analysis(形态分析)”窗口选项卡时,可使用交互式显示220来查看形态233。如上所解释的,形态233中的每个形态可包括已基于群组数据而被分组在一起的搏动条带的群组。例如,每个形态可包括具有一个或多个相似特性或质量的搏动。
现在参照图20A,图示了形态240,其是形态233中的一个形态的示例。形态240可涉及形态名称241、形态导航器242、搏动叠加243、添加到报告按钮244、杂项信息245、时间标识符246、报告按钮247、删除按钮248及搏动窗口249。形态名称241可标识形态。形态导航器242可用于选择形态240内的搏动条带以在搏动窗口249中查看。可在形态导航器242中显示的搏动条带可以是该形态中全部搏动条带中的搏动条带的子集。搏动条带的子集可以从全部搏动条带中随机选择,或者在优选实施例中,基于该形态中彼此具有最大差异的搏动条带来选择。例如,可以通过比较群组数据和/或嵌入数据来生成子集,以确定该形态内具有彼此之间有最大差异的矢量和/或矩阵值的搏动条带。以此方式,形态导航器242基于分数来显示形态的相关搏动条带。添加到报告按钮244可用于将形态240添加到将由ECG平台37使用报告生成按钮225生成的报告。杂项信息245可包括关于患者或形态的某些信息。例如,杂项信息245可标识患者有起搏器。时间标识符246可标识在搏动窗口249内某个点的时间。例如,用户可将光标放在搏动窗口249中的点上方,并且时间标识符246可标识对应的时间。报告按钮247可用于打开报告或报告模板。删除按钮248可用于删除形态240。例如,在检查形态240后,医疗保健提供人员或技师可决定形态中的搏动不相似、是正常的、和/或否则不应被分组在一起,并且因此可决定删除形态。如上相对于图16和17所解释的,删除形态可能改变图形用户界面(例如,交互式显示220)和/或可能促使分组算法被修改或以其他方式改变,以重新训练神经网络。
现在参照图20B,搏动叠加243被放大。如图所示,搏动叠加243可在单个曲线图上显示形态240内的一些或所有相似搏动。例如,搏动叠加243可显示来自形态导航器242的相互叠加的搏动条带中的每个搏动条带的单个搏动。在优选实施例中,来自搏动条带中的每个搏动条带的搏动叠加243中的所显示的搏动是由系统在相应搏动条带中标识为异常的搏动。ECG平台37可根据波或曲线图特征(p波、t波、QRS复波)来对齐搏动。医疗保健提供人员或技师可使用搏动叠加243来确定形态是否异常、相似、和/或其是否被准确地分类在适当的子选项卡中。如果医疗保健提供人员或技师确定了形态中的搏动不相似、正常、和/或否则不应被分组在一起,则医疗保健提供人员或技师可使用删除按钮248来删除形态,如上所述。
现在参照图21,图示了交互式显示250。交互式显示250包括与第一图形窗口221相似的第一图形窗口251和与第二图形窗口222相似的第二图形252。第一图形窗口251可图示在某个时间期内的多个搏动,并且可包括与光标224相似的光标254。第二图形窗口252可包括由光标254所选择的多个搏动的区域的放大视图。交互式显示250可进一步包括图示了一个或多个类别的第三图形窗口253。交互式显示250还可包括导航窗口254和用于生成报告的报告创建按钮255。导航窗口259可用于选择要在第三图形窗口253内查看的各种类别。例如,导航窗口259可用于选择类别,包括但不限于最大HR、最小HR、房室传导阻滞、诸如其它搏动和PSVC的形态分析、诸如其它SVT的室上性活动、诸如VT的心室活动、和/或窦性。
交互式显示250还可显示在第一图形窗口251内包含的多个搏动中的异位运行。异位运行是在时间上连续的三个或更多个异常搏动。因此,在例如使用上述标识符来标识行中的三个或更多个异常搏动时,本文中所述的系统可检测到异位运行。第一图形窗口251可以在异位运行点用标识条256来标识异位运行。第二图形窗口252可标识具有异位部分257的异位运行的区域,异位部分257可与第二图形窗口252是不同颜色的。异位部分257内的每个异位搏动可通过异位标志258来标识,从而示出每个异位搏动的精确位置。
通过使用报告创建按钮255(与图18中的报告创建按钮225相似),可创建关于交互式显示250中图示的ECG数据的报告。如上所解释的,使用交互式显示250的医疗保健提供人员或技师可以选择使用导航窗口259显示的形态或各种其它搏动条带或搏动条带群组以包括在报告中。图22A-22P图示了报告260,其是可使用ECG平台37和ECG应用29生成的示例性报告。
现在参照图22A,报告260可包括封面页261,其包括关于患者的信息、关于医疗保健提供人员或技师的信息、报告的摘要、关于患者的心率的信息(例如,最大值、最小值、平均值)、异位信息(例如,室上性早搏复波、室性早搏复波)、关于患者事件的信息、关于起搏搏动的信息、以及发现部分,其标识包括最值得注意的发现、结果和/或分析。封面页261可进一步包括与患者的ECG数据对应的值得注意的搏动条带。例如,值得注意的搏动条带可包括但不限于心房颤动/扑动、其它SVT、暂停、房室传导阻滞、VT。
现在参照图22B,报告260可包括心率趋势显示262,其可图示患者在某个时间期(例如,几个小时)内的心搏。心率趋势显示261还可包括用于随时间标识所显示的搏动中的异常的一个或多个异常标识符263。心率趋势显示还可标识PTE和/或心房颤动/扑动。现在参照图22C,报告260可包括心房颤动/扑动显示264,其可显示患者在某个时间期(例如,几个小时)内的心率。心房颤动/扑动显示264可用于显示患者正经历心房颤动和/或扑动的时间。心房颤动/扑动显示264可进一步显示负荷百分比、最长发作的时间长度、和最大心脏。
现在参照图22D,报告260可包括PSVC显示265,其可显示患者在某个时间期(例如,几个小时)内的心率,并且可用于显示患者正经历PSVC的时间。PSVC显示265可进一步显示PSVC值和偶联体数量和/或百分比。现在参照图22E,报告260可包括PVC显示266,其可显示患者在某个时间期(例如,几个小时)内的心率,并且可用于显示患者正经历PVC的时间。PVC显示266可进一步显示PVC值和/或百分比、与PVC相关的多个形态、偶联体的数量和/或百分比、二联律数量和/或百分比及三联律数量和/或百分比。
现在参照图22F,报告260可包括患者症状显示267,其可标识被检测到的患者系统,并且可包括患者事件的总数和有症状的患者事件的数量。患者症状表现267可分为心悸、胸痛、头晕、晕厥、及其它症状。现在参照图22G,报告260可包括心率变异性显示268和QT分析显示269。心率变异性显示268可标识心率分布和变异性,并显示心率参数,诸如均值、SDNN、SDANN、ASDNN、NN50、pNN50、RMSSD、VLF、LF和HF。QT分析显示269可分析和显示随时间的QT分析,并且标识参数,诸如QT最小值、QT平均值、QT最大值、QTcB最小值、QTcB平均值、QTcB最大值、及QTcB>450 ms。
现在参照图22H,报告260可包括条带索引271。条带索引271可包括参数,像如ID、日期和时间、类别、心率、患者事件、注释、和页。类别可包括项目,诸如最大HR、最小HR、窦性、心房颤动/扑动、VT、患者事件、PVC、室性偶联体、室性二联律、PSVC、室上性偶联体。索引条带271可用于查找报告页码,在该页码可查找显示某个类别的搏动条带。
现在参照图22I,报告260可包括搏动条带显示,诸如最大HR显示272、最小HR显示273、和窦性显示274。最大HR显示272可显示具有最大心率的搏动条带。最小HR显示273可显示具有最小心率的搏动条带。窦性显示274可显示具有窦性异常的搏动条带。现在参照图22J,报告260可包括诸如窦性显示274和心房颤动/扑动显示275的搏动条带显示。心房颤动/扑动显示275可显示示出心房颤动和/或扑动的搏动条带。现在参照图22K,报告260可包括诸如心房颤动/扑动显示275和VT显示276的搏动条带。VT显示276可显示示出VT的搏动条带。现在参照图22L,报告260可包括诸如VT显示276、患者事件显示277、和PVC显示278的搏动条带。患者事件显示277可显示示出患者事件的搏动条带。PVC显示278可显示示出PVC的搏动条带。图22M图示了另外的PVC显示278。现在参照图22N,报告260可包括诸如室性偶联体279和室性二联律281的搏动条带。室性偶联体279可显示示出一个或多个室性偶联体的搏动条带。室性二联律281可显示示出室性二联律的搏动条带。现在参照图22O,报告260可包括诸如PSVC显示282和室上性偶联体显示283的搏动条带。PSVC显示272可显示示出PSVC的搏动条带。室上性偶联体显示283可显示示出一个或多个室上性偶联体的搏动条带。图22P也图示了室上性偶联体显示283。
现在参照图23A-23D,图示了用于分配经分析的ECG数据以供检查的示例性过程和用户界面。例如,图23A-23D图示了用于将ECG数据集和/或经分析的ECG数据的检查责任分配、取消分配、和/或重新分配给一个或多个医疗保健专业人员的示例性界面和过程。
现在参照图23A-B,经由ECG应用29(例如,在系统装置14上)显示的图形用户界面可显示待定检查窗口312,其可用于将ECG数据(例如,文件)分配给一个或多个医疗保健专业人员。待定检查窗口312可包括数据状态标识符304,其可对应于ECG数据和/或波信息、标签、群组数据、嵌入数据、分类数据、描绘数据、群集、经分析的数据、和/或基于或对应于ECG数据的任何其它数据。数据状态标识符304可指示对应数据是否已被检查和被谁检查。数据状态标识符304还可指示数据已被分配给哪个医疗保健专业人员(如果有的话)。例如,数据状态标识符304可包括用户或数据标识符、与ECG数据的持续时间对应的持续时间值(例如,1天)、上载日期(例如,与数据被上载到ECG平台37的日期对应)、与检查的状态对应的检查状态(例如,返回以供分析、已完成、待定质量控制)、和/或关于谁提交了对应数据以用于质量控制或检查和/或数据最后修改的时间的信息。如果没有状态,则数据和/或分析可被上载并且准备好被分析。如果状态为“待定质量控制”,则数据和/或分析可被提交以用于质量控制,并且可准备好被检查。如果状态为“返回以供分析”,则数据和/或分析可能已被检查,但仍需要进一步检查。如果状态为“已完成”,则数据和/或分析可已被检查,并且被认为是可接受的。
数据状态标识符304可包括分配菜单341,其用于将数据状态标识符304分配和取消分配给与医疗保健专业人员相关联的一个或多个用户帐户。如图23A-B中所示,分配菜单341可准许用户输入医疗保健专业人员的姓名,以便将该数据状态标识符304以及因此将对应的数据分配给所标识的医疗保健专业人员。备选或另外地,分配菜单341可列出医疗保健专业人员的一个或多个姓名,其可被选择以将该医疗保健专业人员分配给与数据状态标识符304对应的ECG数据。分配菜单341还可用于对所分配的数据状态标识符304取消分配。分配菜单341还可列出可为其重新分配数据状态标识符的医疗保健专业人员。
现在参照图23C,待定检查窗口312可包括组织条351和数据选择器352。数据选择器352可用于选择一个或多个数据状态标识符304。组织条351可用于组织和/或分配数据状态标识符304。例如,组织条351上的更改按钮353可用于将所有选择的数据状态标识符分配、取消分配和/或重新分配给某个医疗保健专业人员。以此方式,可同时分配、取消分配和/或重新分配多个数据状态标识符304。
现在参照图23D,待定检查窗口312可包括过滤器按钮361。过滤器按钮361可用于过滤一个或多个数据状态标识符304。如图23D中所示,过滤器按钮361可由医疗保健专业人员用于过滤待定检查窗口312中的数据状态标识符304。例如,如果选择医疗保健专业人员“Stan Dupp”,则在待定检查窗口312中将只显示分配给Stan Dupp的数据状态标识符304。理解的是,可选择其它过滤器(日期、患者、质量检查状态等)。
现在参照图24A-F,图示了用于提交ECG数据和/或经分析的ECG数据以供一个或多个质量检查员(例如,技师)进行质量检查的示例性过程和用户界面。如图24A-B中所示,工具条401可被并入由ECG应用29和/或ECG平台37生成的用户界面中,并且可用于提交ECG数据和/或对ECG数据的分析以用于质量控制(QC)(例如,使用质量控制按钮402)。例如,ECG平台37可生成群组数据、嵌入数据、分类数据、描绘数据、和/或经分析的ECG数据,并且质量控制按钮402可用于提交前述数据以用于质量控制。
现在参照图24B,图示了界面403。界面403显示导航列406,其可包括例如工作列表界面选项卡、质量控制选项卡405、存档和喜爱选项卡。界面403可由例如质量控制检查员使用。当使用质量控制选项卡405时,可显示一个或多个数据状态标识符404。数据状态标识符404可与数据状态标识符304相同,和/或可包括关于质量控制的信息(例如,谁提交了质量控制、提交日期、最后修改日期、质量控制状态等)。
现在参照图24C,ECG应用29可促使系统装置14显示用于质量控制检查的界面411。界面411可显示待定窗口412和检查窗口413。待定窗口412和检查窗口413中的每个可包括一个或多个数据状态标识符404。待定窗口412可包括与正等待质量控制检查的上载的数据对应的一个或多个数据状态标识符。已检查窗口413可包括与已被检查的上载的数据对应的一个或多个数据状态标识符404。质量控制检查员(例如,初始检查员、二级检查员等)可使用界面411来确定哪些数据仍然需要被检查,和/或以其它方式确定某些数据是否应被检查或已被检查。
可以选择数据状态标识符404以用于对与所选数据状态标识符404相关联的数据进行进一步的质量控制分析。当选择数据状态标识符404时,ECG应用29可促使系统装置14显示图24D-E。图24D-E图示了分析界面421和分析界面422,其各自图示了与数据状态标识符404对应的ECG数据条带424。可根据选项卡423来组织ECG数据条带424,选项卡423可标识ECG数据条带群组(例如,SVT、偶联体等)。分析界面421和分析界面422可用于检查在质量控制检查期间已被去除的ECG数据条带以及保留(即,尚未去除)的ECG数据条带。去除状态425指示ECG数据条带是否已被去除,或ECG数据条带是否是保留的那些数据条带。例如,用户界面421图示了保留的ECG数据条带,并且用户界面422图示了已被去除的ECG数据条带。以此方式,可对在质量检查期间所做的更改进行存档和检查。恢复按钮426可用于撤消对ECG数据条带的去除,使得它被重新分类为保留的ECG数据条带。
现在参照图24F,界面431被图示并且可用于生成包括质量控制信息的报告(例如,待定、通过、返回以供分析)。界面431可包括报告选项窗口432、患者信息窗口433、临床信息窗口434、结果窗口435、质量控制窗口436、患者度量窗口437、和/或生成报告窗口438。报告选项窗口432可包括用于生成报告的若干选项,并且可进一步准许选择一个或多个导联以用于选择要被包含在报告中的ECG数据。患者信息433可包括与患者(曾从其生成ECG数据)对应的标识和其它信息(例如,姓名、患者标识符、主要指示、出生日期、起搏器的存在、性别等)。临床信息窗口434可包括某些临床信息,诸如进行分析的医疗保健专业人员的姓名、日期、和/或机构的名称。结果窗口435可用于选择结果模板和/或度量。质量控制窗口436可用于选择质量控制的状态(例如,待定、通过、返回以供分析)。患者度量窗口437可显示某些患者度量,诸如监测的持续时间和/或分析的时间、心率信息、关于复波的信息(例如,室上性早搏复波、室性早搏复波)、患者事件、患者发作、和/或暂停发生。
应理解的是,本文中上面所描述的任何操作可至少部分被实现为存储在计算机可读存储器上的计算机可读指令。在由处理器执行计算机可读指令时,计算机可读指令可促使节点执行操作。当然,将理解的是,本文中所述实施例是说明性的,并且组件可采用广泛多种不同配置来布置、替换、组合、和设计,所有这些均被设想且落在本公开的范围内。
出于说明和描述的目的,已呈现了说明性实施例的前述描述。其无意于相对于所公开的精确形式是穷尽或限制的,并且修改和变化鉴于上述教导是可能的,或者可从所公开的实施例的实践中获得。旨在本发明的范围由权利要求所定义。
Claims (63)
1.一种用于分析患者的心电图(ECG)数据的计算机化系统,所述ECG数据由一个或多个电极跨多个时间点生成并且包括多个搏动,所述计算机化系统被配置成:
使用描绘算法来分析所述ECG数据,以生成与在所述多个时间点的至少一个波的存在的可能性对应的波信息;
确定所述多个搏动中的搏动的搏动起始信息和搏动终止信息,其中确定至少一个波存在以生成多个搏动起始和搏动终止;
基于所述多个搏动起始和搏动终止,提取ECG数据的多个搏动部分,ECG数据的所述多个搏动部分中的每个搏动部分对应于所述多个搏动中的搏动;以及
确定所述多个搏动中的至少两个搏动应基于ECG数据的所述多个搏动部分而被分组在一起,所述至少两个搏动形成群集。
2.根据权利要求1所述的计算机化系统,其中所述计算机化系统被进一步配置成:
使用嵌入算法来分析ECG数据的所述多个部分,以生成表示所述多个搏动的嵌入数据;以及
使用分组算法来分析所述嵌入数据,以生成群组数据,
其中基于所述群组数据,确定所述多个搏动中的所述至少两个搏动被分组在一起。
3.根据权利要求2所述的计算机化系统,其中群组数据对应于两个搏动之间的距离。
4.根据权利要求2所述的计算机化系统,其中所述描绘算法利用第一神经网络,并且所述嵌入算法利用第二神经网络。
5.根据权利要求4所述的计算机化系统,其中所述分组算法利用第三神经网络。
6.根据权利要求2所述的计算机化系统,其中所述计算机化系统被进一步配置成从输入装置接收关于与所述ECG数据对应的不准确度的用户输入数据。
7.根据权利要求6所述的计算机化系统,其中所述计算机化系统被进一步配置成基于所述用户输入数据来调整以下项中的一项或多项:所述描绘算法、嵌入算法、或分组算法。
8.根据权利要求7所述的计算机化系统,其中所述计算机化系统被进一步配置成基于所述用户输入数据来修改显示的数据。
9.根据权利要求8所述的计算机化系统,其中所述用户输入数据对应于对一个或多个QRS群集、PVC群集或PAC群集进行添加、删除或拆分。
10.根据权利要求7所述的计算机化系统,其中所述嵌入数据包括针对所述多个搏动中的每个搏动的数据的矢量。
11.根据权利要求2所述的计算机化系统,其中确定所述多个搏动中的至少两个搏动应被分组在一起进一步包括确定所述群组数据满足阈值。
12.根据权利要求1所述的计算机化系统,其中所述计算机化系统被进一步配置成将指示所述群集的信息传输到计算机以便在图形用户界面上显示。
13.根据权利要求1所述的计算机化系统,其中所述计算机化系统被进一步配置成生成信息以显示至少一个叠加,所述至少一个叠加包括所述多个搏动中相互叠加的至少两个搏动。
14.根据权利要求1所述的计算机化系统,其中所述计算机化系统被进一步配置成使用分类算法来分析所述群集中的所述搏动,以确定与所述患者的心脏事件相关联的一个或多个异常、状况或描述符的存在的可能性。
15.根据权利要求1所述的计算机化系统,其中所述计算机化系统被进一步配置成使用分类算法来分析来自所述描绘算法的所述波信息,以确定与所述患者的心脏事件相关联的一个或多个异常、状况或描述符的存在的可能性。
16.根据权利要求15所述的计算机化系统,其中所述波信息被输入到所述分类算法中并且被单独用于确定所述多个搏动中的至少两个搏动应被分组在一起。
17.根据权利要求1所述的计算机化系统,其中所述计算机化系统被进一步配置成在使用所述描绘算法来分析所述ECG数据前,对所述ECG数据进行预处理,以从所述ECG数据去除噪声。
18.根据权利要求1所述的计算机化系统,其中所述计算机化系统被进一步配置成将所述ECG数据和基于所述ECG数据的信息分配给用户帐户以供检查。
19.根据权利要求18所述的计算机化系统,其中所述计算机化系统被进一步配置成基于所述检查从所述用户帐户接收关于所述ECG数据和基于所述ECG数据的信息的用户输入数据。
20.一种用于分析患者的心电图(ECG)数据的方法,所述ECG数据由一个或多个电极跨多个时间点生成并且包括多个搏动,所述方法包括:
使用描绘算法来分析所述ECG数据,以生成与在所述多个时间点的至少一个波的存在的可能性对应的波信息;
确定所述多个搏动中的搏动的搏动起始信息和搏动终止信息,其中确定至少一个波存在以生成多个搏动起始和搏动终止;
基于所述多个搏动起始和搏动终止,提取ECG数据的多个搏动部分,ECG数据的所述多个搏动部分中的每个搏动部分对应于所述多个搏动中的搏动;以及
确定所述多个搏动中的至少两个搏动应基于ECG数据的所述多个搏动部分而被分组在一起,所述至少两个搏动形成群集。
21.根据权利要求20所述的方法,进一步包括:
使用嵌入算法来分析ECG数据的所述多个部分,以生成表示所述多个搏动的嵌入数据;以及
使用分组算法来分析所述嵌入数据,以生成群组数据,
其中基于所述群组数据,确定所述多个搏动中的所述至少两个搏动被分组在一起。
22.根据权利要求20所述的方法,进一步包括将所述ECG数据和基于所述ECG数据的信息分配给用户帐户以用于对所述ECG数据进行检查。
23.根据权利要求20所述的方法,进一步包括提交所述ECG数据和基于所述ECG数据的信息以用于由一个或多个检查员进行质量检查。
24.根据权利要求23所述的方法,进一步包括接收由所述一个或多个检查员生成的质量控制输入。
25.根据权利要求24所述的方法,进一步包括促使显示所述质量控制输入以用于另外的质量控制检查。
26.根据权利要求20所述的方法,进一步包括从输入装置接收关于与所述ECG数据对应的不准确度的用户输入数据。
27.根据权利要求20所述的方法,进一步包括基于所述用户输入数据来调整以下项中的一项或多项:所述描绘算法、嵌入算法、或分组算法。
28.一种用于分析患者的心电图(ECG)数据的系统,所述系统包括:
第一多个指令,所述第一多个指令被配置成在被执行时,获得在多个时间点上的所述患者的ECG数据,所述ECG数据以每秒至少20个样本的速率被采样,所述第一多个指令进一步被配置成在被执行时,促使所述ECG数据传输到至少一个服务器;
第二多个指令,所述第二多个指令被配置成在被执行时,促使所述至少一个服务器:
接收所述患者的所述ECG数据,
使用根据来自不同患者的多个ECG数据集所训练的至少一种算法来分析所述患者的所述ECG数据;
基于所述ECG数据的所述分析来量化一个或多个异常、状况或描述符的存在的可能性;以及
将与所述一个或多个异常、状况、或描述符、或其任何组合的所述存在对应的信息从所述至少一个服务器传输到计算机以供显示;以及
第三多个指令,所述第三多个指令被配置成在由所述计算机执行时,促使所述计算机基于来自所述至少一个服务器的所传输的信息来显示对应所述一个或多个异常、状况、或描述符、或其任何组合的所述存在的信息。
29.根据权利要求28所述的系统,其中所述第二多个指令被进一步配置成在被执行时,促使所述至少一个服务器对所述ECG数据进行预处理,对所述ECG数据进行预处理涉及以下项中的至少一项:从所述ECG数据去除噪声,或以预定基线频率来表述所述ECG数据。
30.根据权利要求28所述的系统,其中所述第二多个指令被配置成在被执行时,使用将所述ECG数据应用于第一神经网络以用于描绘的至少一种算法来分析所述患者的所述ECG数据。
31.根据权利要求30所述的系统,其中使用将所述ECG数据应用于第一神经网络的至少一种算法来分析所述患者的所述ECG数据生成波信息。
32.根据权利要求31所述的系统,其中所述第二多个指令被进一步配置成在被执行时,使用一种或多种群集算法来分析所述波信息以标识与所述波信息对应的一个或多个群集。
33.根据权利要求32所述的系统,其中所述一个或多个群集包括以下项中的一项或多项:室性早搏复波(PVC)群集、或房性早搏复波(PAC)群集。
34.根据权利要求30所述的系统,其中所述第二多个指令在被执行时,量化在所述多个时间点中的每个时间点的以下项中的至少一项的存在的可能性:P波、QRS复波、或T波。
35.根据权利要求34所述的系统,其中所述第二多个指令被进一步配置成在被执行时,计算以下项中的至少一项的至少一个起始和至少一个终止:所述P波、QRS复波、或T波。
36.根据权利要求35所述的系统,其中所述第二多个指令被进一步配置成在被执行时,根据以下项中的一项或多项来计算至少一个测量:所述起始、所述终止、或所述第一神经网络的输出。
37.根据权利要求28所述的系统,其中所述第二多个指令被配置成在被执行时,使用将所述ECG数据应用于第二神经网络以用于分类的至少一种算法来分析所述患者的所述ECG数据。
38.根据权利要求37所述的系统,其中所述第二多个指令在被执行时,量化所述一个或多个异常、状况或描述符的存在的可能性。
39.根据权利要求38所述的系统,其中所述第二多个指令被进一步配置成在被执行时,将阈值应用于所述第二神经网络的输出中的至少一个值,并且如果所述值超出阈值,则分配与所述一个或多个异常、状况或描述符对应的至少一个标签。
40.根据权利要求39所述的系统,其中所述第二多个指令被进一步配置成在被执行时,通过去除冗余标签来对所述ECG数据进行后处理。
41.根据权利要求40所述的系统,其中执行所述第三多个指令的所述计算机被配置成执行所述第一多个指令。
42.根据权利要求38所述的系统,进一步包括第四多个指令,所述第四多个指令被配置成在被执行时,促使所述至少一个服务器生成报告,所述报告至少包括与所述一个或多个异常、状况或描述符的所述存在对应的所传输的信息。
43.根据权利要求42所述的系统,进一步包括第五多个指令,所述第五多个指令被配置成在被执行时,接收与所述ECG数据有关的用户输入并且促使所述计算机将所述用户输入传输到所述至少一个服务器,使得所述至少一个服务器使用所述用户输入来生成所述报告。
44.根据权利要求42所述的系统,其中所述报告包括至少一个心率密度曲线图,所述至少一个心率密度曲线图表示作为时间的函数的所述患者的心率的密度。
45.根据权利要求38所述的系统,其中所述第三多个指令被进一步配置成在由所述计算机执行时,促使所述计算机显示心率密度曲线图,所述心率密度曲线图表示作为时间的函数的所述患者的心率的密度。
46.根据权利要求38所述的系统,其中以等于用于获得所述ECG数据的所述速率的采样率,生成了来自所述不同患者的所述多个ECG数据集中的每个集。
47.根据权利要求38所述的系统,其中所述第二多个指令被进一步配置成生成与所述ECG数据中的多个搏动对应的多个波信息。
48.根据权利要求47所述的系统,其中所述第二多个指令被进一步配置成促使所述至少一个服务器使用嵌入算法来分析所述多个波信息,以生成与所述多个搏动中的两个或更多个搏动的比较对应的多个嵌入数据。
49.根据权利要求48所述的系统,其中所述多个波信息中的每个波信息是矢量。
50.根据权利要求48所述的系统,其中所述多个嵌入数据中的每个嵌入数据是矢量。
51.根据权利要求48所述的系统,其中根据多个ECG数据集来训练所述嵌入算法。
52.根据权利要求48所述的系统,其中所述第二多个指令进一步促使所述多个嵌入数据由分组算法所分析以生成群组数据,所述群组数据匹配所述多个搏动中的至少两个搏动。
53.根据权利要求52所述的系统,其中所述第二多个指令被进一步配置成基于所述群组数据来生成图形用户界面。
54.根据权利要求53所述的系统,其中所述第二多个指令进一步促使所述至少一个服务器将所述图形用户界面传输到所述计算机。
55.根据权利要求53所述的系统,其中所述图形用户界面包括至少一个搏动叠加,所述至少一个搏动叠加包括所述ECG数据中的所述多个搏动中相互叠加的至少两个搏动。
56.一种用于分析患者的心电图(ECG)数据的系统,所述系统包括存储在至少一个服务器上的指令,所述指令被配置成在被执行时促使所述至少一个服务器:
接收在多个时间点上的所述患者的ECG数据的集合,ECG数据的所述集合以每秒至少20个样本的速率被采样;
使用至少一种算法来分析所述患者的ECG数据的所述集合,所述至少一种算法使用从不同患者以每秒至少20个样本的采样率生成的ECG数据的多个集合所训练;
基于ECG数据的所述集合的所述分析在所述多个时间点中的每个时间点量化一个或多个异常、状况、或描述符、或其任何组合的存在的可能性;以及
将与所述一个或多个异常、状况、或描述符、或其任何组合的所述存在的所述可能性对应的信息传输到计算机以用于显示。
57.一种用于分析患者的心电图(ECG)数据的计算机化方法,所述方法包括:
接收在多个时间点上的所述患者的ECG数据的集合,ECG数据的所述集合以样本速率被采样;
使用至少一种算法来分析所述患者的ECG数据的所述集合,所述至少一种算法使用ECG数据的多个集合所训练,ECG数据的所述多个集合中的每个集合从不同患者以所述样本速率生成;
基于ECG数据的所述集合的所述分析在每个时间点标识一个或多个异常、状况、或描述符、或其任何组合;以及
将包括所述一个或多个异常、状况、或描述符、或其任何组合的信息传输到计算机以用于显示。
58.根据权利要求57所述的计算机化方法,其中分析所述患者的ECG数据的所述集合包括分析被采样的ECG数据的整个集合而不丢弃来自ECG数据的所述集合的数据。
59.根据权利要求57所述的计算机化方法,其中所述样本速率是每秒至少20个样本。
60.根据权利要求57所述的计算机化方法,进一步包括将ECG数据的所述集合和基于ECG数据的所述集合的信息分配给用户帐户以用于对所述ECG数据进行检查。
61.根据权利要求57所述的计算机化方法,进一步包括提交ECG数据的所述集合和基于ECG数据的所述集合的信息以用于由一个或多个检查员进行质量检查。
62.根据权利要求61所述的计算机化方法,进一步包括接收由所述一个或多个检查员生成的质量控制输入。
63.根据权利要求62所述的计算机化方法,进一步包括促使显示所述质量控制输入以用于另外的质量控制检查。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP15191769 | 2015-10-27 | ||
US16/267380 | 2019-02-04 | ||
US16/267,380 US10959660B2 (en) | 2015-10-27 | 2019-02-04 | Electrocardiogram processing system for delineation and classification |
PCT/IB2020/050850 WO2020161605A1 (en) | 2015-10-27 | 2020-02-03 | Electrocardiogram processing system for delineation and classification |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113613559A true CN113613559A (zh) | 2021-11-05 |
Family
ID=54360330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080027068.2A Pending CN113613559A (zh) | 2015-10-27 | 2020-02-03 | 用于描绘和分类的心电图处理系统 |
Country Status (8)
Country | Link |
---|---|
US (4) | US10779744B2 (zh) |
JP (1) | JP2022523741A (zh) |
CN (1) | CN113613559A (zh) |
AU (1) | AU2020218863A1 (zh) |
CA (1) | CA3128804A1 (zh) |
PT (1) | PT3367897T (zh) |
SG (1) | SG11202108057QA (zh) |
WO (1) | WO2020161605A1 (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2014209376B2 (en) | 2013-01-24 | 2017-03-16 | Irhythm Technologies, Inc. | Physiological monitoring device |
KR102335784B1 (ko) | 2014-10-31 | 2021-12-06 | 아이리듬 테크놀로지스, 아이엔씨 | 무선 생리학적 모니터링 기기 및 시스템 |
US10779744B2 (en) | 2015-10-27 | 2020-09-22 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US11331034B2 (en) | 2015-10-27 | 2022-05-17 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US11672464B2 (en) | 2015-10-27 | 2023-06-13 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
US10426364B2 (en) | 2015-10-27 | 2019-10-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
WO2018075587A1 (en) * | 2016-10-18 | 2018-04-26 | Cardiac Pacemakers, Inc. | System for arrhythmia detection |
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 |
PT3673493T (pt) | 2017-08-25 | 2021-02-02 | Cardiologs Tech Sas | Interface do utilizador para a análise de eletrocardiogramas |
US11763943B2 (en) | 2018-03-02 | 2023-09-19 | Preventice Solutions, Inc. | Automated ventricular ectopic beat classification |
US20220007986A1 (en) * | 2018-11-12 | 2022-01-13 | Myant Inc. | Multi-sensor resistive textile ecg system |
WO2020112739A2 (en) | 2018-11-30 | 2020-06-04 | Preventice Technologies, Inc. | Multi-channel and with rhythm transfer learning |
US12016694B2 (en) | 2019-02-04 | 2024-06-25 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
US11720817B2 (en) * | 2019-07-01 | 2023-08-08 | Medical Informatics Corp. | Waveform annotator |
WO2021019984A1 (ja) * | 2019-07-29 | 2021-02-04 | 株式会社カルディオインテリジェンス | 心電図表示装置、心電図表示方法及びプログラム |
CN110507318A (zh) * | 2019-08-16 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法及装置 |
US11617528B2 (en) * | 2019-10-08 | 2023-04-04 | GE Precision Healthcare LLC | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems |
US11521743B2 (en) * | 2019-10-21 | 2022-12-06 | Tencent America LLC | Framework for performing electrocardiography analysis |
AU2021218704B2 (en) | 2020-02-12 | 2023-11-02 | Irhythm Technologies, Inc. | Non-invasive cardiac monitor and methods of using recorded cardiac data to infer a physiological characteristic of a patient |
CN111419212A (zh) * | 2020-02-27 | 2020-07-17 | 平安科技(深圳)有限公司 | 心电图数据处理的方法、装置、存储介质及计算机设备 |
US20210298626A1 (en) * | 2020-03-30 | 2021-09-30 | GE Precision Healthcare LLC | Method and system for processing ecg data |
US20210321896A1 (en) * | 2020-04-16 | 2021-10-21 | Andras Bratincsak | Novel electrocardiogram evaluation using Z-score based standards |
US11730415B2 (en) | 2020-06-10 | 2023-08-22 | Implicity | Method and system for analyzing heart rhythms |
CN116322498A (zh) | 2020-08-06 | 2023-06-23 | 意锐瑟科技公司 | 生理监测装置的电子组件 |
CA3188325A1 (en) | 2020-08-06 | 2022-02-10 | Jeff ABERCROMBIE | Adhesive physiological monitoring device |
KR102241799B1 (ko) * | 2020-08-06 | 2021-04-19 | 주식회사 에이티센스 | 심전도 신호의 분류 데이터를 제공하는 방법 및 전자 장치 |
US11678831B2 (en) | 2020-08-10 | 2023-06-20 | Cardiologs Technologies Sas | Electrocardiogram processing system for detecting and/or predicting cardiac events |
US20220068479A1 (en) * | 2020-08-26 | 2022-03-03 | Biosense Webster (Israel) Ltd. | Separating abnormal heart activities into different classes |
CN116234497A (zh) * | 2020-09-30 | 2023-06-06 | 心道乐科技股份有限公司 | 用于检测和/或预测心脏事件的心电图处理系统 |
CN113229826B (zh) * | 2020-11-25 | 2022-07-26 | 联想(北京)有限公司 | 一种qrs波检测方法、装置及电子设备 |
EP4260245A1 (en) * | 2020-12-09 | 2023-10-18 | The Johns Hopkins University | Locating an epileptogenic zone for surgical planning |
CN112450944B (zh) * | 2020-12-11 | 2022-10-21 | 郑州大学 | 标签相关性引导特征融合的心电图多分类预测系统与方法 |
WO2023144022A1 (en) | 2022-01-26 | 2023-08-03 | Cardiologs Technologies Sas | Systems and methods for restricting rights to an electrocardiogram processing system |
WO2024023929A1 (ja) * | 2022-07-26 | 2024-02-01 | 日本電信電話株式会社 | 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム |
WO2024043749A1 (ko) * | 2022-08-25 | 2024-02-29 | 주식회사 메디컬에이아이 | 심전도 분석을 위한 사용자 인터페이스를 제공하는 방법 및 장치 |
WO2024147603A1 (ko) * | 2023-01-02 | 2024-07-11 | 서울대학교병원 | 심전도로 심근변형을 평가하는 인공지능 기반 장치 및 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101194261A (zh) * | 2005-06-09 | 2008-06-04 | 皇家飞利浦电子股份有限公司 | 对于加强/重症监护病房患者的稳健性趋势分析的不同时标的形态描绘图 |
WO2016145392A1 (en) * | 2015-03-12 | 2016-09-15 | Bardy Diagnostics, Inc. | Display arrangement for diagnosis of cardiac rhythm disorders |
US20170112401A1 (en) * | 2015-10-27 | 2017-04-27 | CardioLogs Technologies | Automatic method to delineate or categorize an electrocardiogram |
CN107072545A (zh) * | 2014-09-02 | 2017-08-18 | 吉莫·博尔只斤 | 用于快速诊断的心电图数据分析方法和系统 |
Family Cites Families (173)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1323922C (en) | 1989-09-26 | 1993-11-02 | William Fang | Personal health monitor enclosure |
JPH04279175A (ja) | 1990-07-03 | 1992-10-05 | Telectronics Nv | 不整脈制御装置および不整脈検出方法 |
US5632272A (en) | 1991-03-07 | 1997-05-27 | Masimo Corporation | Signal processing apparatus |
US5239494A (en) | 1991-10-30 | 1993-08-24 | Motorola, Inc. | Random bit stream generator and method |
US5966692A (en) | 1992-05-12 | 1999-10-12 | Telemed Technologies International Corporation | Method and system for monitoring the heart of a patient |
FR2722313B1 (fr) | 1994-07-07 | 1997-04-25 | Ela Medical Sa | Procede de compression de donnees physiologiques, notamment d'active cardiaque, en particulier pour un enregistrement holter d'electrocardiogrammes ou d'electrogrammes |
US5619991A (en) | 1995-04-26 | 1997-04-15 | Lucent Technologies Inc. | Delivery of medical services using electronic data communications |
US5819007A (en) | 1996-03-15 | 1998-10-06 | Siemens Medical Systems, Inc. | Feature-based expert system classifier |
WO1997038626A1 (fr) | 1996-04-17 | 1997-10-23 | Seiko Epson Corporation | Detecteur d'arythmie |
US5907291A (en) | 1997-06-05 | 1999-05-25 | Vsm Technology Inc. | Multi-patient monitoring apparatus and method |
US6024699A (en) | 1998-03-13 | 2000-02-15 | Healthware Corporation | Systems, methods and computer program products for monitoring, diagnosing and treating medical conditions of remotely located patients |
WO2001061550A2 (en) | 2000-02-18 | 2001-08-23 | Cambridge Heart, Inc. | Automated interpretation of t-wave alternans results |
GB2362954A (en) * | 2000-06-02 | 2001-12-05 | Cardionetics Ltd | Blood pressure measurement |
US6507753B1 (en) | 2000-08-09 | 2003-01-14 | Ge Marquette Medical Systems, Inc. | Method and apparatus to detect acute cardiac syndromes in specified groups of patients using ECG |
US6612985B2 (en) | 2001-02-26 | 2003-09-02 | University Of Rochester | Method and system for monitoring and treating a patient |
US6694177B2 (en) | 2001-04-23 | 2004-02-17 | Cardionet, Inc. | Control of data transmission between a remote monitoring unit and a central unit |
US6656125B2 (en) | 2001-06-01 | 2003-12-02 | Dale Julian Misczynski | System and process for analyzing a medical condition of a user |
US7244230B2 (en) | 2002-11-08 | 2007-07-17 | Siemens Medical Solutions Usa, Inc. | Computer aided diagnostic assistance for medical imaging |
IL155955A0 (en) | 2003-05-15 | 2003-12-23 | Widemed Ltd | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal |
JP2005000409A (ja) | 2003-06-12 | 2005-01-06 | Omron Healthcare Co Ltd | 心電計および心電波形表示方法 |
US7142907B2 (en) | 2003-07-01 | 2006-11-28 | Ge Medical Systems Information Technologies, Inc. | Method and apparatus for algorithm fusion of high-resolution electrocardiograms |
AU2004305423B2 (en) | 2003-11-26 | 2009-03-26 | Cardionet, Inc. | System and method for processing and presenting arrhythmia information to facilitate heart arrhythmia identification and treatment |
US7194300B2 (en) | 2004-01-21 | 2007-03-20 | Cardionet, Inc. | Cardiac monitoring |
US7587237B2 (en) | 2004-02-02 | 2009-09-08 | Cardionet, Inc. | Biological signal management |
US7099715B2 (en) | 2004-02-17 | 2006-08-29 | Cardionet, Inc. | Distributed cardiac activity monitoring with selective filtering |
US7174205B2 (en) | 2004-04-05 | 2007-02-06 | Hewlett-Packard Development Company, L.P. | Cardiac diagnostic system and method |
US7471977B2 (en) | 2004-06-30 | 2008-12-30 | General Electric Company | Method and system for detecting pace pulses |
US9820658B2 (en) | 2006-06-30 | 2017-11-21 | Bao Q. Tran | Systems and methods for providing interoperability among healthcare devices |
IL165096A0 (en) | 2004-11-08 | 2005-12-18 | Eyal Cohen | A method and system for diagnosis of cardiac diseases utilizing neural networks |
US7460902B2 (en) | 2005-02-02 | 2008-12-02 | The General Electric Company | Monitoring of atrial activation |
US8818496B2 (en) | 2005-10-14 | 2014-08-26 | Medicalgorithmics Ltd. | Systems for safe and remote outpatient ECG monitoring |
US7593764B2 (en) | 2006-10-03 | 2009-09-22 | General Electric Company | System and method of serial comparison for detection of long QT syndrome (LQTS) |
US7769434B2 (en) | 2006-11-30 | 2010-08-03 | General Electric Company | Method of physiological data analysis and measurement quality check using principal component analysis |
GB0624081D0 (en) | 2006-12-01 | 2007-01-10 | Oxford Biosignals Ltd | Biomedical signal analysis method |
US8666483B2 (en) | 2007-10-24 | 2014-03-04 | Siemens Medical Solutions Usa, Inc. | System for cardiac medical condition detection and characterization |
WO2009091583A1 (en) | 2008-01-16 | 2009-07-23 | Massachusetts Institute Of Technology | Method and apparatus for predicting patient outcomes form a physiological segmentable patient signal |
CN101268938A (zh) | 2008-04-30 | 2008-09-24 | 董军 | 用于心电图识别与分类的方法和设备 |
US7894888B2 (en) | 2008-09-24 | 2011-02-22 | Chang Gung University | Device and method for measuring three-lead ECG in a wristwatch |
CN102271589A (zh) | 2008-12-30 | 2011-12-07 | 皇家飞利浦电子股份有限公司 | 用于处理心音信号的方法和系统 |
US10588527B2 (en) | 2009-04-16 | 2020-03-17 | Braemar Manufacturing, Llc | Cardiac arrhythmia report |
US9339202B2 (en) | 2009-11-03 | 2016-05-17 | Vivaquant Llc | System for processing physiological data |
US8632465B1 (en) | 2009-11-03 | 2014-01-21 | Vivaquant Llc | Physiological signal denoising |
CN101766484B (zh) | 2010-01-18 | 2011-09-07 | 董军 | 用于心电图识别与分类的方法和设备 |
US8909332B2 (en) | 2010-01-26 | 2014-12-09 | Stmicroelectronics S.R.L. | Method and device for estimating morphological features of heart beats |
CN102188240A (zh) | 2010-03-05 | 2011-09-21 | 华东师范大学 | 一种心电图数据采样方法及其装置 |
WO2011115576A2 (en) | 2010-03-15 | 2011-09-22 | Singapore Health Services Pte Ltd | Method of predicting the survivability of a patient |
US20110282225A1 (en) | 2010-05-12 | 2011-11-17 | Medtronic, Inc. | Techniques for reviewing and analyzing implantable medical device system data |
US8509882B2 (en) | 2010-06-08 | 2013-08-13 | Alivecor, Inc. | Heart monitoring system usable with a smartphone or computer |
US9351654B2 (en) | 2010-06-08 | 2016-05-31 | Alivecor, Inc. | Two electrode apparatus and methods for twelve lead ECG |
US8948854B2 (en) | 2010-07-14 | 2015-02-03 | Mayo Foundation For Medical Education And Research | Non-invasive monitoring of physiological conditions |
EP2635180B1 (en) | 2010-11-02 | 2019-03-06 | CardioNet, Inc. | Medical data collection apparatus and method |
WO2012085841A1 (en) | 2010-12-20 | 2012-06-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Automatic online delineation of a multi-lead electrocardiogram bio signal |
US20120203491A1 (en) | 2011-02-03 | 2012-08-09 | Nokia Corporation | Method and apparatus for providing context-aware control of sensors and sensor data |
US9510768B2 (en) | 2011-02-23 | 2016-12-06 | Stmicroelectronics S.R.L. | Device for measuring impedance of biologic tissues including an alternating current (AC) coupled voltage-to-current converter |
WO2012140559A1 (en) | 2011-04-11 | 2012-10-18 | Medic4All Ag | Pulse oximetry measurement triggering ecg measurement |
US20120278099A1 (en) | 2011-04-26 | 2012-11-01 | Cerner Innovation, Inc. | Monitoring, capturing, measuring and annotating physiological waveform data |
CN102379694B (zh) | 2011-10-12 | 2014-07-16 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图r波检测方法 |
US9084548B2 (en) | 2011-11-07 | 2015-07-21 | Braemar Manufacturing, Llc | Ventricular fibrillation detection |
US9464923B2 (en) | 2012-01-31 | 2016-10-11 | Kodenshi Corporation | Encoder sensor mounting body, drum disk encoder, and motor with encoder using same |
US10849563B2 (en) * | 2012-03-19 | 2020-12-01 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
EP2676604B1 (en) | 2012-06-19 | 2016-08-10 | Texas Instruments France | Real time QRS duration measurement in electrocardiogram |
US8954135B2 (en) | 2012-06-22 | 2015-02-10 | Fitbit, Inc. | Portable biometric monitoring devices and methods of operating same |
CN102779234B (zh) | 2012-06-28 | 2015-10-28 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图分类处理方法及装置 |
WO2014047171A1 (en) | 2012-09-18 | 2014-03-27 | Draeger Medical Systems, Inc. | System and method of generating a user interface display of patient parameter data |
RU2677797C2 (ru) * | 2012-10-26 | 2019-01-21 | Конинклейке Филипс Н.В. | Диагностическое представление и интерпретация отведений электрокардиограммы (экг) на цифровом дисплее |
US9254095B2 (en) | 2012-11-08 | 2016-02-09 | Alivecor | Electrocardiogram signal detection |
AU2014209376B2 (en) | 2013-01-24 | 2017-03-16 | Irhythm Technologies, Inc. | Physiological monitoring device |
CN103110417B (zh) | 2013-02-28 | 2014-07-16 | 华东师范大学 | 一种心电图自动识别系统 |
US20140275840A1 (en) | 2013-03-15 | 2014-09-18 | Flint Hills Scientific, L.L.C. | Pathological state detection using dynamically determined body data variability range values |
CN103284702A (zh) | 2013-06-17 | 2013-09-11 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图和脉搏波关系分析及融合分析的方法和装置 |
US9247911B2 (en) | 2013-07-10 | 2016-02-02 | Alivecor, Inc. | Devices and methods for real-time denoising of electrocardiograms |
US20150018660A1 (en) | 2013-07-11 | 2015-01-15 | Alivecor, Inc. | Apparatus for Coupling to Computing Devices and Measuring Physiological Data |
KR101524226B1 (ko) | 2013-08-19 | 2015-05-29 | 광운대학교 산학협력단 | 신경망을 이용한 심장질환판별 방법 및 그 장치 |
WO2015030712A1 (en) | 2013-08-26 | 2015-03-05 | Bodhi Technology Ventures Llc | Method of detecting the wearing limb of a wearable electronic device |
CN103417209B (zh) | 2013-08-29 | 2015-06-03 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图特征选择方法 |
US9808206B1 (en) | 2013-09-09 | 2017-11-07 | Scanadu, Inc. | Data acquisition quality and data fusion for personal portable wireless vital signs scanner |
US10433751B2 (en) | 2013-09-25 | 2019-10-08 | Bardy Diagnostics, Inc. | System and method for facilitating a cardiac rhythm disorder diagnosis based on subcutaneous cardiac monitoring data |
US20150088020A1 (en) | 2013-09-25 | 2015-03-26 | Bardy Diagnostics, Inc. | System and Method For Interactive Processing Of ECG Data |
EP3510920A1 (en) | 2013-09-25 | 2019-07-17 | Bardy Diagnostics, Inc. | Extended wear electrocardiography patch using interlaced wire electrodes |
US20170238833A1 (en) | 2013-09-25 | 2017-08-24 | Bardy Diagnostics, Inc. | Electrocardiography And Syncope Monitor Recorder |
US9655538B2 (en) | 2013-09-25 | 2017-05-23 | Bardy Diagnostics, Inc. | Self-authenticating electrocardiography monitoring circuit |
WO2015048194A1 (en) | 2013-09-25 | 2015-04-02 | Bardy Diagnostics, Inc. | Self-contained personal air flow sensing monitor |
US10433748B2 (en) | 2013-09-25 | 2019-10-08 | Bardy Diagnostics, Inc. | Extended wear electrocardiography and physiological sensor monitor |
US9655537B2 (en) | 2013-09-25 | 2017-05-23 | Bardy Diagnostics, Inc. | Wearable electrocardiography and physiology monitoring ensemble |
US9730593B2 (en) | 2013-09-25 | 2017-08-15 | Bardy Diagnostics, Inc. | Extended wear ambulatory electrocardiography and physiological sensor monitor |
US9615763B2 (en) | 2013-09-25 | 2017-04-11 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitor recorder optimized for capturing low amplitude cardiac action potential propagation |
US9775536B2 (en) | 2013-09-25 | 2017-10-03 | Bardy Diagnostics, Inc. | Method for constructing a stress-pliant physiological electrode assembly |
US9717432B2 (en) | 2013-09-25 | 2017-08-01 | Bardy Diagnostics, Inc. | Extended wear electrocardiography patch using interlaced wire electrodes |
US9737224B2 (en) | 2013-09-25 | 2017-08-22 | Bardy Diagnostics, Inc. | Event alerting through actigraphy embedded within electrocardiographic data |
US9408545B2 (en) | 2013-09-25 | 2016-08-09 | Bardy Diagnostics, Inc. | Method for efficiently encoding and compressing ECG data optimized for use in an ambulatory ECG monitor |
US10736531B2 (en) | 2013-09-25 | 2020-08-11 | Bardy Diagnostics, Inc. | Subcutaneous insertable cardiac monitor optimized for long term, low amplitude electrocardiographic data collection |
US10463269B2 (en) | 2013-09-25 | 2019-11-05 | Bardy Diagnostics, Inc. | System and method for machine-learning-based atrial fibrillation detection |
US9433380B1 (en) | 2013-09-25 | 2016-09-06 | Bardy Diagnostics, Inc. | Extended wear electrocardiography patch |
US10799137B2 (en) | 2013-09-25 | 2020-10-13 | Bardy Diagnostics, Inc. | System and method for facilitating a cardiac rhythm disorder diagnosis with the aid of a digital computer |
US9700227B2 (en) | 2013-09-25 | 2017-07-11 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitoring patch optimized for capturing low amplitude cardiac action potential propagation |
US9345414B1 (en) | 2013-09-25 | 2016-05-24 | Bardy Diagnostics, Inc. | Method for providing dynamic gain over electrocardiographic data with the aid of a digital computer |
US10251576B2 (en) | 2013-09-25 | 2019-04-09 | Bardy Diagnostics, Inc. | System and method for ECG data classification for use in facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer |
US10165946B2 (en) | 2013-09-25 | 2019-01-01 | Bardy Diagnostics, Inc. | Computer-implemented system and method for providing a personal mobile device-triggered medical intervention |
US9619660B1 (en) | 2013-09-25 | 2017-04-11 | Bardy Diagnostics, Inc. | Computer-implemented system for secure physiological data collection and processing |
WO2015048191A1 (en) | 2013-09-25 | 2015-04-02 | Bardy Diagnostics, Inc. | Event alerting through actigraphy embedded within electrocardiographic data |
US9504423B1 (en) | 2015-10-05 | 2016-11-29 | Bardy Diagnostics, Inc. | Method for addressing medical conditions through a wearable health monitor with the aid of a digital computer |
US9364155B2 (en) | 2013-09-25 | 2016-06-14 | Bardy Diagnostics, Inc. | Self-contained personal air flow sensing monitor |
US20190099105A1 (en) | 2013-09-25 | 2019-04-04 | Bardy Diagnostics, Inc. | Self-Expiring Electrocardiography And Physiological Sensor Monitor |
US10806360B2 (en) | 2013-09-25 | 2020-10-20 | Bardy Diagnostics, Inc. | Extended wear ambulatory electrocardiography and physiological sensor monitor |
US11213237B2 (en) | 2013-09-25 | 2022-01-04 | Bardy Diagnostics, Inc. | System and method for secure cloud-based physiological data processing and delivery |
US10736529B2 (en) | 2013-09-25 | 2020-08-11 | Bardy Diagnostics, Inc. | Subcutaneous insertable electrocardiography monitor |
US9408551B2 (en) | 2013-11-14 | 2016-08-09 | Bardy Diagnostics, Inc. | System and method for facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer |
US9717433B2 (en) | 2013-09-25 | 2017-08-01 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitoring patch optimized for capturing low amplitude cardiac action potential propagation |
US10888239B2 (en) | 2013-09-25 | 2021-01-12 | Bardy Diagnostics, Inc. | Remote interfacing electrocardiography patch |
US9433367B2 (en) | 2013-09-25 | 2016-09-06 | Bardy Diagnostics, Inc. | Remote interfacing of extended wear electrocardiography and physiological sensor monitor |
US10478075B2 (en) | 2013-10-25 | 2019-11-19 | Qualcomm Incorporated | System and method for obtaining bodily function measurements using a mobile device |
USD717955S1 (en) | 2013-11-07 | 2014-11-18 | Bardy Diagnostics, Inc. | Electrocardiography monitor |
USD831833S1 (en) | 2013-11-07 | 2018-10-23 | Bardy Diagnostics, Inc. | Extended wear electrode patch |
USD793566S1 (en) | 2015-09-10 | 2017-08-01 | Bardy Diagnostics, Inc. | Extended wear electrode patch |
USD801528S1 (en) | 2013-11-07 | 2017-10-31 | Bardy Diagnostics, Inc. | Electrocardiography monitor |
USD744659S1 (en) | 2013-11-07 | 2015-12-01 | Bardy Diagnostics, Inc. | Extended wear electrode patch |
US10561321B2 (en) | 2013-12-12 | 2020-02-18 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
EP3079571A4 (en) | 2013-12-12 | 2017-08-02 | Alivecor, Inc. | Methods and systems for arrhythmia tracking and scoring |
US9241650B2 (en) | 2013-12-15 | 2016-01-26 | Lifewatch Technologies Ltd. | Patient specific QRS complex classification for arrhythmia detection |
US9468386B2 (en) * | 2014-03-11 | 2016-10-18 | Ecole polytechnique fédérale de Lausanne (EPFL) | Method for detecting abnormalities in an electrocardiogram |
US9635514B2 (en) | 2014-04-04 | 2017-04-25 | Mayo Foundation For Medical Education And Research | Identification of a subject in a facility |
CN104970789B (zh) | 2014-04-04 | 2017-12-19 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及系统 |
US10117635B2 (en) | 2014-06-05 | 2018-11-06 | Guangren CHEN | Electronic acoustic stethoscope with ECG |
US10201286B2 (en) | 2014-08-22 | 2019-02-12 | Apple Inc. | Frequency domain projection algorithm |
WO2016044484A1 (en) | 2014-09-16 | 2016-03-24 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitoring patch |
WO2016044477A1 (en) | 2014-09-16 | 2016-03-24 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitor recorder |
EP3193703B1 (en) | 2014-09-16 | 2020-07-01 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitoring patch |
US10311211B2 (en) | 2014-09-18 | 2019-06-04 | Preventice Solutions, Inc. | Care plan administration using thresholds |
US11120911B2 (en) | 2014-09-18 | 2021-09-14 | Preventice Solutions, Inc. | Dynamically adaptive care plans |
US10706485B2 (en) | 2014-09-18 | 2020-07-07 | Preventice Solutions, Inc. | Creating individually tailored care plans |
US10691777B2 (en) | 2014-10-07 | 2020-06-23 | Preventice Solutions, Inc. | Care plan administration: patient feedback |
US10467383B2 (en) | 2014-10-07 | 2019-11-05 | Preventice Solutions, Inc. | Derived observations in care plan administration |
US10095841B2 (en) | 2014-10-07 | 2018-10-09 | Preventice Technologies, Inc. | Care plan administration |
KR102335784B1 (ko) | 2014-10-31 | 2021-12-06 | 아이리듬 테크놀로지스, 아이엔씨 | 무선 생리학적 모니터링 기기 및 시스템 |
CN104463326B (zh) | 2014-12-09 | 2017-02-22 | 浙江大学 | 一种标准12导联心电信号重建方法 |
US9591977B2 (en) | 2014-12-31 | 2017-03-14 | General Electric Company | Method and apparatus for comparing and visualizing serial ECG data |
EP3240475A1 (en) | 2015-02-04 | 2017-11-08 | Bardy Diagnostics, Inc. | Efficiently encoding and compressing ecg data optimized for use in an ambulatory ecg monitor |
US10297347B2 (en) | 2015-04-06 | 2019-05-21 | Preventice Solutions, Inc. | Adverse event prioritization and handling |
EP3267887B1 (en) | 2015-04-10 | 2021-01-06 | Bardy Diagnostics, Inc. | Ambulatory extended-wear electrocardiography and syncope sensor monitor |
US10163527B2 (en) | 2015-04-28 | 2018-12-25 | Preventice Technologies, Inc. | User interface displaying a temporal relationship between a health event indicator and monitored health conditions |
EP3307151B1 (en) | 2015-06-09 | 2021-04-07 | Bardy Diagnostics, Inc. | Wearable electrocardiography monitoring ensemble |
WO2016201135A1 (en) | 2015-06-10 | 2016-12-15 | Bardy Diagnostics, Inc. | Extended wear electrocardiography patch |
USD766447S1 (en) | 2015-09-10 | 2016-09-13 | Bardy Diagnostics, Inc. | Extended wear electrode patch |
CN106548127B (zh) | 2015-09-18 | 2022-11-04 | 松下电器(美国)知识产权公司 | 图像识别方法 |
US10818393B2 (en) | 2015-10-06 | 2020-10-27 | General Electric Company | System and method for clinical decision support |
US9788796B2 (en) | 2015-10-16 | 2017-10-17 | General Electric Company | System and method of adaptive interpretation of ECG waveforms |
DK3367897T3 (da) | 2015-10-27 | 2021-05-31 | Cardiologs Tech | En automatisk fremgangsmåde til at afgrænse eller kategorisere et elektrokardiogram |
US10827938B2 (en) | 2018-03-30 | 2020-11-10 | Cardiologs Technologies Sas | Systems and methods for digitizing electrocardiograms |
US10779744B2 (en) | 2015-10-27 | 2020-09-22 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US10929510B2 (en) | 2015-12-17 | 2021-02-23 | Preventice Technologies, Inc. | Patient care systems employing control devices to identify and configure sensor devices for patients |
EP3469504A1 (en) | 2016-06-13 | 2019-04-17 | Medical Informatics Corporation | User interface for displaying patient historical data |
EP3506820A4 (en) | 2016-08-31 | 2020-07-15 | Alivecor, Inc. | PHYSIOLOGICAL MONITORING DEVICES, SYSTEMS AND METHODS |
CN106778685A (zh) | 2017-01-12 | 2017-05-31 | 司马大大(北京)智能系统有限公司 | 心电图图像识别方法、装置及服务终端 |
US10524735B2 (en) | 2017-03-28 | 2020-01-07 | Apple Inc. | Detecting conditions using heart rate sensors |
US10765379B2 (en) | 2017-05-01 | 2020-09-08 | Cardiac Pacemakers, Inc. | Systems and methods for medical alert management |
US10845955B2 (en) | 2017-05-15 | 2020-11-24 | Apple Inc. | Displaying a scrollable list of affordances associated with physical activities |
US10517497B2 (en) | 2017-06-23 | 2019-12-31 | General Electric Company | System and method for detecting atrial fibrillation |
US10602942B2 (en) | 2017-08-25 | 2020-03-31 | Cambridge Heartwear Limited | Method of detecting abnormalities in ECG signals |
PT3673493T (pt) | 2017-08-25 | 2021-02-02 | Cardiologs Tech Sas | Interface do utilizador para a análise de eletrocardiogramas |
US20200253547A1 (en) | 2017-10-31 | 2020-08-13 | Apple Inc. | Monitoring System for Assessing Control of a Disease State |
US10687726B2 (en) | 2017-11-07 | 2020-06-23 | General Electric Company | System and method for processing ECG recordings from multiple patients |
US10827941B2 (en) | 2017-12-06 | 2020-11-10 | General Electric Company | System and methods for qualification of ECG data for remote analysis |
US10930392B2 (en) | 2018-02-19 | 2021-02-23 | General Electric Company | System and method for processing ECG recordings from multiple patients for clinician overreading |
US11763943B2 (en) | 2018-03-02 | 2023-09-19 | Preventice Solutions, Inc. | Automated ventricular ectopic beat classification |
DK180241B1 (en) | 2018-03-12 | 2020-09-08 | Apple Inc | User interfaces for health monitoring |
US10729350B2 (en) | 2018-03-19 | 2020-08-04 | General Electric Company | System and method for monitoring cardiac arrhythmias |
US10686715B2 (en) | 2018-05-09 | 2020-06-16 | Biosig Technologies, Inc. | Apparatus and methods for removing a large-signal voltage offset from a biomedical signal |
US20200013507A1 (en) | 2018-07-09 | 2020-01-09 | Preventice Technologies, Inc | Best fit content delivery in care plan environment |
US11839479B2 (en) | 2018-11-19 | 2023-12-12 | Boston Scientific Cardiac Diagnostic Technologies, Inc. | True onset identification |
US10869610B2 (en) | 2018-12-05 | 2020-12-22 | General Electric Company | System and method for identifying cardiac arrhythmias with deep neural networks |
US10492730B1 (en) | 2019-03-11 | 2019-12-03 | Preventice Solutions, Inc. | Determining reliability for ECG data using signal-to-noise ratio |
US11550891B2 (en) | 2019-06-19 | 2023-01-10 | Preventice Solutions, Inc. | Login token management |
US11096579B2 (en) | 2019-07-03 | 2021-08-24 | Bardy Diagnostics, Inc. | System and method for remote ECG data streaming in real-time |
-
2016
- 2016-10-27 US US15/771,807 patent/US10779744B2/en active Active
- 2016-10-27 PT PT167874817T patent/PT3367897T/pt unknown
-
2019
- 2019-02-04 US US16/267,380 patent/US10959660B2/en active Active
-
2020
- 2020-02-03 AU AU2020218863A patent/AU2020218863A1/en active Pending
- 2020-02-03 CN CN202080027068.2A patent/CN113613559A/zh active Pending
- 2020-02-03 JP JP2021544789A patent/JP2022523741A/ja active Pending
- 2020-02-03 CA CA3128804A patent/CA3128804A1/en active Pending
- 2020-02-03 WO PCT/IB2020/050850 patent/WO2020161605A1/en unknown
- 2020-02-03 SG SG11202108057QA patent/SG11202108057QA/en unknown
- 2020-09-17 US US17/023,977 patent/US11134880B2/en active Active
-
2021
- 2021-03-22 US US17/209,129 patent/US11147500B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101194261A (zh) * | 2005-06-09 | 2008-06-04 | 皇家飞利浦电子股份有限公司 | 对于加强/重症监护病房患者的稳健性趋势分析的不同时标的形态描绘图 |
CN107072545A (zh) * | 2014-09-02 | 2017-08-18 | 吉莫·博尔只斤 | 用于快速诊断的心电图数据分析方法和系统 |
WO2016145392A1 (en) * | 2015-03-12 | 2016-09-15 | Bardy Diagnostics, Inc. | Display arrangement for diagnosis of cardiac rhythm disorders |
US20170112401A1 (en) * | 2015-10-27 | 2017-04-27 | CardioLogs Technologies | Automatic method to delineate or categorize an electrocardiogram |
Also Published As
Publication number | Publication date |
---|---|
CA3128804A1 (en) | 2020-08-13 |
US10959660B2 (en) | 2021-03-30 |
US11134880B2 (en) | 2021-10-05 |
US20210000365A1 (en) | 2021-01-07 |
JP2022523741A (ja) | 2022-04-26 |
US20190223739A1 (en) | 2019-07-25 |
SG11202108057QA (en) | 2021-08-30 |
US20190167143A1 (en) | 2019-06-06 |
US10779744B2 (en) | 2020-09-22 |
PT3367897T (pt) | 2021-05-25 |
US11147500B2 (en) | 2021-10-19 |
US20210204860A1 (en) | 2021-07-08 |
WO2020161605A1 (en) | 2020-08-13 |
AU2020218863A1 (en) | 2021-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11147500B2 (en) | Electrocardiogram processing system for delineation and classification | |
US20220095982A1 (en) | Electrocardiogram processing system for detecting and/or predicting cardiac events | |
US12016694B2 (en) | Electrocardiogram processing system for delineation and classification | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
US20220265199A1 (en) | Automatic method to delineate or categorize an electrocardiogram | |
US11678831B2 (en) | Electrocardiogram processing system for detecting and/or predicting cardiac events | |
US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
US11571161B2 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
JP7282161B2 (ja) | 高度心臓波形分析 | |
US20210298625A1 (en) | System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms | |
US20220218259A1 (en) | Systems and methods for restricting rights to an electrocardiogram processing system | |
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 | |
EP3920789A1 (en) | Electrocardiogram processing system for delineation and classification | |
Kumar et al. | ECG Based Arrhythmia Detection Using CNN | |
WO2023144022A1 (en) | Systems and methods for restricting rights to an electrocardiogram processing system | |
Ding et al. | Photoplethysmography based atrial fibrillation detection: a continually growing field | |
WO2021030216A1 (en) | Facilitating a cardiac rhythm disorder diagnosis with the aid of a digital computer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40053090 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230804 Address after: Holland Ian Deho Finn Applicant after: KONINKLIJKE PHILIPS N.V. Address before: Paris, FRA Applicant before: Xindaole Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |