CN113645899A - 使用信噪比确定ecg数据的可靠性 - Google Patents

使用信噪比确定ecg数据的可靠性 Download PDF

Info

Publication number
CN113645899A
CN113645899A CN202080020427.1A CN202080020427A CN113645899A CN 113645899 A CN113645899 A CN 113645899A CN 202080020427 A CN202080020427 A CN 202080020427A CN 113645899 A CN113645899 A CN 113645899A
Authority
CN
China
Prior art keywords
baseline region
waveform data
heartbeat
baseline
patient
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
Application number
CN202080020427.1A
Other languages
English (en)
Inventor
普加·拉吉夫·梅塔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Plaines Solutions
Original Assignee
Plaines Solutions
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Plaines Solutions filed Critical Plaines Solutions
Publication of CN113645899A publication Critical patent/CN113645899A/zh
Pending legal-status Critical Current

Links

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
    • 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]
    • A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
    • 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
    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

公开了用于确定心电图(ECG)数据的可靠性的技术。接收ECG数据，该ECG数据包括与检测到的患者心跳相关的波形数据。确定与波形数据中的R波相关联的峰值振幅。识别波形数据中的第一基线区域和第二基线区域。第一基线区域在R波之前，并且第二基线区域在R之后。基于峰值振幅、第一基线区域以及第二基线区域来确定信噪比(SNR)。基于所确定的SNR来确定与波形数据相关的置信度计量。在与患者相关的医学治疗中使用置信度计量。

Description

使用信噪比确定ECG数据的可靠性
相关申请的交叉引用
本申请要求于2019年3月11日提交的、美国申请No.16/298,724的优先权，该申请转让给本申请的受让人并且通过引用以其整体并入本文。
背景技术
在诊断和治疗患者的医学病症时，用于收集生物计量数据的便携式监视设备变得越来越常见。这类设备的一个示例是可用于记录患者的心电图(Electrocardiogram，ECG)数据的移动心脏遥测(Mobile cardiac telemetry，MCT)。MCT使医生了解关于各种心脏病症的发病率和规律性以及不规律性的宝贵信息。
然而，处理ECG数据可能极具挑战。例如，ECG数据可能不准确，这是由于在收集数据时出现问题。这可导致在识别和分类ECG数据中的心跳时产生错误。此外，这可导致在使用ECG数据来诊断不规律或潜在危险的心脏病症时出现问题，并且可导致难以识别和治疗这些病症。
附图说明
为了可以详细地理解本公开的上述特征的所用方式，可参考实施例来获得以上简要概述的本公开的更具体描述，这些实施例中的一些在附图中示出。然而，应当注意，附图仅图示本公开的典型实施例，并且因此不应被视为限制本公开的范围，本公开可允许其他同等有效的实施例。
图1图示了根据本文所描述的一个实施例的示例计算环境。
图2图示了根据本文所描述的一个实施例的并行处理计算环境。
图3图示了根据本文所描述的一个实施例的包括用于处理健康事件的工作流程的事件引擎。
图4A-图4C图示了根据本文所描述的一个实施例的心电图(ECG)数据。
图5是图示根据本文所描述的一个实施例的确定和使用ECG数据的信噪比的流程图。
图6图示了根据本文所描述的一个实施例来确定ECG数据的信噪比(signal-to-noise ratio，SNR)。
图7是图示根据本文所描述的一个实施例的当确定ECG数据的SNR时确定基线比较的边界的流程图。
图8是图示根据本文所描述的一个实施例的使用ECG数据的SNR来确定置信度计量(confidence metric)的流程图。
为了便于理解，在可能的情况下已使用相同附图标记来表示附图中共用的相同元件。一个实施例中公开的元件可以在无特定表述的情况下有益地用于另一实施例，这是可预期的。
具体实施方式
概述
一个实施例提供了一种用于确定心电图(ECG)数据的可靠性的计算机实现的方法。该方法包括接收ECG数据，所述ECG数据包括与检测到的患者心跳相关的波形数据。该方法还包括确定与波形数据中的R波相关联的峰值振幅，该R波与心跳相关。该方法还包括识别波形数据中的第一基线区域以及波形数据中的第二基线区域。第一基线区域与心跳相关且在R波之前，并且第二基线区域与心跳相关且在R波之后。该方法还包括基于峰值振幅、第一基线区域以及第二基线区域来确定与心跳相关的波形数据的信噪比(SNR)。该方法还包括基于所确定的SNR来确定与波形数据相关的置信度计量。该方法还包括在与患者相关的医学治疗中使用置信度计量。
其他实施例提供了一种用于确定ECG数据的可靠性的计算机程序产品。该计算机程序产品包括具有嵌入在其中的计算机可读程序代码的计算机可读存储介质，该计算机可读程序代码能够由一个或多个计算机处理器执行以执行操作。该操作包括接收ECG数据，所述ECG数据包括与检测到的患者心跳相关的波形数据。该操作还包括确定与波形数据中的R波相关联的峰值振幅，该R波与心跳相关。该操作还包括识别波形数据中的第一基线区域以及波形数据中的第二基线区域。第一基线区域与心跳相关且在R波之前，并且第二基线区域与心跳相关且在R波之后。该操作还包括基于峰值振幅、第一基线区域以及第二基线区域来确定与心跳相关的波形数据的SNR。该操作还包括基于所确定的SNR来确定与波形数据相关的置信度计量。该操作还包括在与患者相关的医学治疗中使用置信度计量。
其他实施例提供了一种系统。该系统包括处理器以及存储程序的存储器，所述程序在处理器上执行时执行操作。该操作包括接收ECG数据，所述ECG数据包括与检测到的患者心跳相关的波形数据。该操作还包括确定与波形数据中的R波相关联的峰值振幅，该R波与心跳相关。该操作还包括识别波形数据中的第一基线区域以及波形数据中的第二基线区域。第一基线区域与心跳相关且在R波之前，并且第二基线区域与心跳相关且在R波之后。该操作还包括基于峰值振幅、第一基线区域以及第二基线区域来确定与心跳相关的波形数据的SNR。操作还包括基于所确定的SNR来确定与波形数据相关的置信度计量。该操作还包括在与患者相关的医学治疗中使用置信度计量。
示例实施例
使用移动心脏遥测(MCT)收集到的心电图(ECG)数据可被分析以检测心跳并对这些心跳进行分类(例如，确定心跳的类型)。通常，ECG数据包括用于识别与患者心脏活动相关的电活动的波形数据。ECG数据可由服务提供商捕获，为临床医生注释并汇总为患者专用报告。MCT越来越普及导致需要高性能算法来分析和分类收集到的数据。
例如，可识别ECG数据中的R-R区间以检测心跳，并且与所识别的心跳相关的ECG数据可被分析以对心跳进行分类并且识别潜在不规律的心跳和心脏问题。然后，这些分类可用于向患者和护理提供商提供警告。这还可以用于向患者提供医学治疗。
但是，收集到的ECG数据可能不总是可靠的。例如，ECG信号可以包括噪音，从而导致低信噪比(SNR)。可以以不同方式来确定ECG数据的样本的SNR。在一个实施例中，使用与检测到的心跳相关联的R波的振幅，以及周围基线区域的振幅来计算ECG数据中的检测到的心跳的SNR。在实施例中，SNR可与阈值比较以在检测和分类心跳时确定置信度水平。
具有低SNR的ECG数据有可能较难用于诊断应用中。例如，医生或其他护理提供商有可能较难使用具有低SNR的ECG数据来诊断心脏问题。此外，当分析具有低SNR的ECG数据时，自动心跳检测和分类算法可能不太准确。因此，识别ECG数据的SNR可允许自动MCT系统来估计传入ECG数据的可靠性和可用性。然后，系统可过滤掉不太可靠的数据(例如，过滤掉不太可靠的数据以获得较可靠的数据)，降低对不太可靠的数据的可信度(例如，当诊断心脏异常时，降低对不太可靠的数据的权重)，或采取步骤来提高数据的可靠性(例如，向患者或护理提供商提供反馈来改进ECG数据的收集)。
患者护理环境
图1图示了根据本文所描述的一个实施例的示例计算环境100。如图所示，计算环境100可以包括护理提供商环境105和患者环境130，各自经由网络145连接到彼此。护理提供商环境105和患者环境130允许护理提供商101(例如，技术员、护士、医生等等)监视由患者103生成的生物计量数据。
护理提供商环境105包括工作流程服务器110、计算设备120、监视系统117以及数据存储库118。工作流程服务器110、计算设备120以及监视系统117中的每一个可以是物理计算系统或虚拟计算机实例(例如，在云计算平台中执行)。护理提供商101可以使用计算设备120来(例如，经由浏览器应用122、设备120上的本地应用，等等)访问由监视系统117所托管的用户界面(User interface，UI)。
应注意，尽管示为单个实体，但是数据存储库118可表示多个独立的数据存储器(例如，关系数据库)。此外，这些数据存储器可跨多个计算节点。为此，独立的数据存储器可用作单个数据存储器(例如，通过数据复制技术和通过使用负载平衡器)。因此，数据存储库118表示与本文所描述的功能性一致的任何数量的计算系统上的任何种类的数据存储器。
此外，尽管未示出，但是数据存储库118可以存储来自各种其他实体(例如，第三方应用、合作伙伴和联盟、电子医学记录系统、外部监视设备和产品、分析引擎、数据集成应用，等等)的数据和/或服务请求。更具体地，数据存储库118和(更具体来说)护理提供商环境105内的其他元件可与和本文所描述的功能性一致的任何数量的不同数据发起者和接收者进行互动，这是可预期的。因此，提供计算环境100仅仅用于图示的目的并且并非旨在进行限制。
工作流程服务器110包括被执行以识别和处理与患者103相对应的健康事件的应用和数据。如图所示，工作流程服务器110包括通信模块113、处理节点114以及队列115。在一个实施例中，处理节点114是对接收到的数据(例如，健康事件)执行预定任务或动作的软件代码或应用。工作流程服务器110使用形成工作流程的一组互连处理节点114和队列115来评估从患者环境130接收的数据。当从患者环境130接收生物计量数据或健康事件时，工作流程可以对数据进行分类(或重新分类)以识别健康事件的类型，例如，对患者/护理提供商的呈现或通知、禁止、分类、聚集、计算、优先排序/归类，等等。例如，从患者环境130接收的不同类型数据可以触发不同类型的健康事件，例如，不规律心跳可以触发心脏事件，而指示电极已分离的信号触发维护事件。在一个实施例中，患者环境130内的至少一个传感器设备140或作为患者环境130内的移动设备135的部分而安装的监视应用136可能已执行数据或健康事件的初始分类。然而，工作流程服务器110可以评估生物计量数据(或维护数据)以确认该初始分类是正确的。
每种类型的健康事件可以采取穿过工作流程的不同路径。也就是说，不同健康事件可以使用不同路径来遍历处理节点114和队列115。例如，心脏事件可以使用不同于维护事件的服务器110中的处理节点114来评估。此外，针对同一健康事件的穿过工作流程的路径可以基于各种因素而不同，例如，健康事件的严重性、患者103的年龄、患者103表现出的其他症状、患者103所服用的药物，等等。例如，高优先级心脏事件可以跳过处理节点114或队列115中的一个或多个，并且使用监视系统117来立即向护理提供商101显示。
通信模块113允许工作流程服务器110从患者环境130接收数据，并且向护理提供商101发送数据。通信模块113可以从至少一个传感器设备140接收数据，该数据用于识别健康事件和穿过互连的处理节点114和队列115的对应路径。通信模块113通过使用监视系统117和计算设备120来帮助护理提供商101完成工作流程。此外，除了从患者环境130接收数据，通信模块113可以使得工作流程服务器110能够向患者环境130发送请求或指令，例如，询问患者103是否具有任何症状或指示患者103重新附接至少一个传感器设备140的断开电极(未示出)。
在一个实施例中，健康事件用于遍历工作流程服务器110的路径可以包括在没有用户干预的情况下处理健康事件的处理节点114，以及从护理提供商101要求输入的处理节点114。例如，处理节点114中的一个可以过滤或筛选健康事件以确定将事件放在哪一队列、将事件与一个或多个规则进行比较以确定要执行的动作，或存储事件。或者，处理节点114中的其他节点可以要求护理提供商101执行动作或提供指令。例如，监视系统117可以生成健康事件的用户界面(UI)，该用户界面(UI)随后由浏览器应用122显示给护理提供商101。一旦护理提供商101执行动作(例如，确认事件的分类或同意工作流程服务器110建议的动作)，工作流程的剩余操作就被执行，例如，向患者103发送通知，将事件记录到患者103的历史记录中，将事件路由到不同的护理提供商101，对健康事件进行重新分类(在护理提供商101指示初始分类不正确的情况下)，或对健康事件进行优先排序或归类。
继续参考图1，患者环境130包括移动设备135和至少一个传感器设备140。移动设备135包括允许经由网络145在至少一个传感器设备140与护理提供商环境105之间进行通信的监视应用136。监视应用136可以配置至少一个传感器设备140(例如，IoT设备)以监视如护理计划指定的一个或多个患者103的生物计量数据。例如，监视应用136可以配置患者所佩戴的心率监视设备上的逻辑，以监视患者的心率。接着，监视应用136可将心率数据发送到工作流程服务器110，该工作流程服务器110确定是否触发健康事件，并且如果触发，则执行工作流程以处理事件，如上文所述。在另一实施例中，一旦检测到阈值条件已被满足，心率监视设备就可生成健康事件并向移动设备135发送该健康事件，该移动设备135又向工作流程服务器110发送健康事件以供处理。然而，在其他实施例中，由工作流程服务器110执行的任务中的一些可以由移动设备135执行。也就是说，工作流程可以包括由移动设备135或至少一个传感器设备140执行的任务，以及由工作流程服务器110执行的任务。
在一个实施例中，监视应用136从至少一个传感器设备140接收环境数据。通常，环境数据将靠近至少一个传感器设备140和用户的区域(例如，用户所在的房间)中的环境条件通知监视应用136。例如，至少一个传感器设备140可以为患有呼吸系统疾病的患者103检测空气质量或花粉计数。在另一示例中，至少一个传感器设备140可以追踪用户在环境中的移动或动作，例如，患者103夜间去卫生间的次数，或患者103是否在夜间翻来覆去。然后，该环境数据可供监视应用136单独使用，或与生物计量数据结合使用，以触发由工作流程服务器110处理的健康事件。
在一个实施例中，监视应用136可以使用移动设备135上的输出设备(例如，显示器或音频系统)来向患者103提供信息。例如，当执行工作流程时，处理节点114中的一个可以询问患者103是否正经历任何症状。为了从患者103获得反馈，监视应用136可以在移动设备135上显示允许患者103列举症状的用户界面(UI)。此外，监视应用136还可以显示与护理计划或至少一个传感器设备140相关的基本信息，例如，患者的心率或体重、至少一个传感器设备140的状态，等等。
在一个实施例中，至少一个传感器设备140与监视应用136进行交互，并且辅助患者103向护理提供商环境105报告患者生命体征和其他信息。如图所示，至少一个传感器设备140可以包括身体传感器141、体重秤142以及血压袖带(cuff)143。至少一个传感器设备140中的每一个可以捕获患者103的不同生命体征。例如，当将身体传感器141施加到患者103的身体时，该身体传感器141实时捕获生物计量数据(例如，心率、ECG数据，等等)。此外，至少一个传感器设备140中的每一个可以被配置用于将体重相关的计量电子地发送到移动设备135上的监视应用136。接着，监视应用136将捕获到的计量发送到工作流程服务器110，该工作流程服务器110可用于触发使用处理节点114和队列115处理的健康事件。
在一个实施例中，一旦检测到已达到观测阈值，至少一个传感器设备140就执行健康事件的初始分类。在特定实施例中，移动设备135被配置为执行健康事件的初始分类。例如，一旦检测到从患者103收集到的ECG数据指示不稳定的心脏行为，身体传感器141就可将健康事件分类为心脏事件。健康事件的该初始分类，连同相关ECG数据(例如，包括在事件之前和之后的预定时间长度的ECG数据)可被发送到移动设备135(例如，通过
Figure BDA0003256693030000081
通信链路)，并且监视应用136随后通过网络145(例如，互联网)将ECG数据和健康事件数据转发到工作流程服务器110。或者，代替对数据进行分类，监视应用136可以将原始未经处理的传感器数据转发到工作流程服务器110，该工作流程服务器110使用处理节点114中的一个来识别工作流程服务器110中随后被处理的健康事件并对其进行分类。
图2图示了根据本文所描述的一个实施例的并行处理计算环境200。如图所示，患者环境130将生物计量数据和/或健康事件发送到包括负载平衡器205的护理提供商环境105。工作流程服务器110A-110C各自包括事件引擎215A-215C中的相应一个。尽管未示出，但是事件引擎215A-215C中的每一个包括形成用于处理健康事件的工作流程的多个互连的处理节点和队列，如上文所讨论。在一个实施例中，事件引擎215A-215C各自包括以相同方式布置的相同处理节点和队列，使得事件引擎215A-215C中的任何一个可处理由至少一个传感器设备140生成的不同健康事件，即，事件引擎215A-215C中的任何一个可处理心脏事件、呼吸事件、维护事件，等等。基于当前工作负荷，负载平衡器205将接收到的数据或健康事件发送到工作流程服务器110A-110C中的一个以供处理。例如，负载平衡器205可以以循环的方式或通过监视工作流程服务器110A-110C各自相应的中央处理单元(CPU)或存储器使用情况来分配接收到的健康事件。
或者，事件引擎215A-215C可以具有不同的处理节点和队列(或节点和队列的不同布置)，使得事件引擎215A-215C被配置为处理不同的事件类型。例如，事件引擎215A、215B可以具有处理心脏事件的工作流程(并且具有相同的处理节点和队列)，而事件引擎215C中的工作流程处理呼吸事件。负载平衡器205可以使用由患者环境130提供的初始分类或基于至少一个传感器设备140中的哪个测量了生物计量数据来确定事件引擎215A-215C中的哪个应当接收健康事件。
不管事件引擎215A-215C具有相同布置还是不同布置，计算资源可响应于变化的工作负荷而被轻松调整。例如，如果附加传感器设备(例如，传感器设备140)被添加到患者环境130，则系统管理员可添加工作流程服务器110A-110C中的附加工作流程服务器，以处理增大数量的接收到的健康事件。反之亦然。如果健康事件的数量减小，则管理员可以去除工作流程服务器110A-110C中的一个或多个。例如，如果事件引擎215A、215B都处理心脏事件，但心脏事件的数量已减少，则系统管理员可以去除工作流程服务器110A、110B中的一个。作为另一示例，负载平衡器组件可监视工作流程服务器110A-110C对计算资源的使用情况，并且可基于计算资源的使用情况而按比例增大或减小服务器的数量。
继续参考图2，监视系统117包括用户界面管理器220(UI管理器)以及用户界面225(UI)。如上文所讨论，处理节点114可以从护理提供商101(图1)要求输入，以便通过事件引擎215A-215C来路由健康事件。为此，事件引擎215A-215C向UI管理器220发送请求，该UI管理器220生成可向护理提供商101显示的UI 225。例如，UI管理器220可以生成包括与心脏事件相对应的心电图(ECG)曲线图的UI 225。此外，UI 225可以包括I/O特征(例如，按钮或下拉菜单)，护理提供商可使用这些I/O特征来向事件引擎215A-215C中的一个提供输入或指令。例如，护理提供商可以指示事件引擎215A-215C中的一个将心脏事件存储在数据存储库118中，将心脏事件发送到队列115(图1)中由另一护理提供商监视(例如，以获取第二意见)的一个，或者将心脏事件转发到患者103的护理提供商101。因此，监视系统117允许工作流程服务器110向护理提供商101输出信息，并且从护理提供商101接收指令。
事件引擎215A-215C可以将数据存储到数据存储库118中，并且从数据存储库118中检索数据。例如，事件引擎215可以通过将基于监视患者的生命体征而导出的所有接收到的健康事件(或选定健康事件)存储在存储库118中来维护患者历史。此外，事件引擎215A-215C可以使用存储在数据存储库118中的数据来处理健康事件。例如，如果事件引擎215A-215C中的一个接收到指示患者103的当前体重的生物计量数据，则事件引擎215A-215C中的一个可从数据存储库118中检索患者103的过去体重测量值，并且导出详细描述患者103的体重已随时间如何变化的趋势图。例如，患者的当前体重可能不足以触发健康事件，但在一段时间内导出的患者体重变化可以触发健康事件。如下文所讨论，这些导出的趋势可以用于生成导出观测值(或(一个或多个)其他事件)。
在一个实施例中，事件引擎215A-215C对健康事件进行优先排序，其接着确定健康事件由事件引擎215A-215C中的工作流程处理的快速程度，或者使用哪些处理节点和队列来处理健康事件。如上文所讨论，健康事件可以基于健康事件的重要性、健康事件的类型、其生物计量数据生成了健康事件的患者103的特性等而被进行优先排序。此外，健康事件可基于附加准则而被进行优先排序，该附加准则为例如制度策略、护理计划级别策略、患者级别策略、另一策略或以上项的一些组合。
图3图示了根据本文所描述的一个实施例的包括用于处理健康事件的工作流程的事件引擎215。如上文所描述，将从传感器接收的健康事件或生物计量数据从负载平衡器205转发到事件引擎215。具体地，工作流程中的数据服务节点114A接收从负载平衡器205转发的信息。如果负载平衡器205转发健康事件，则数据服务节点114A基于类型(例如，心脏、呼吸或维护事件)对健康事件进行分类。在一些情况下，健康事件在由数据服务节点114A接收之前被进行分类。不过，数据服务节点114A可以使用计算更密集的技术来复查与健康事件相关联的数据，例如，ECG数据、呼吸率、血压，等等，以便确定初始分类是否正确。在另一示例中，数据服务节点114A可以提供比初始分类更详细的健康事件的分类。例如，传感器设备可能已生成健康事件，因为其检测到不规则心跳。然而，数据服务节点114A可以评估心跳并且将健康事件分类为具体的心脏健康事件，例如，室性三联律事件或房室传导阻滞事件。数据服务节点114A可以保存健康事件的分类，以供下游节点和队列用来处理健康事件。
代替接收健康事件，数据服务节点114A可以从患者环境接收原始数据或观测值。也就是说，原始数据或观测值可能还没被患者所佩戴的传感器设备评估以确定该数据是否触发健康事件。例如，来自传感器的观测值数据包括血压测量值、体重测量值、ECG数据，等等。如下文所讨论，事件引擎215评估这些观测值，并且可触发随后在引擎215中处理的健康事件。
数据服务节点114A将观测值转发到观测值队列115A，并且将健康事件转发到事件队列115B。过滤器节点114B拉出存储在队列115A和115B中的观测值和健康事件。该节点114B用作用于确定将健康事件和观测值路由到哪里以供进一步处理的门卫(gatekeeper)。当评估观测值时，过滤器节点114B可以确定是否忽略(即，放弃)观测值或将观测值转发到所导出的观测值队列115E。例如，过滤器服务节点114B可以忽略观测值，例如，低电池信号、指示传感器设备已开始收集生物计量数据的开始信号，或指示传感器设备已停止的停止信号。相反，节点114B可以将观测值(例如，体重测量值、血压测量值、ECG数据等等)转发到所导出的观测值队列115E。以此方式，过滤器服务节点114B筛选传入观测值以确定是否应当进一步处理这些观测值，例如，查看是否触发健康事件。
然后，由所导出的观测值服务节点114C来处理由过滤器服务节点114B转发的观测值。该节点114C使用接收到的观测值结合先前接收到的观测值来创建新观测值或生成新健康事件。换句话说，所导出的观测值服务114C可以将先前接收到的观测值与当前接收到的观测值进行聚集以计算统计值、趋势、触发健康事件，等等。尽管未示出，但是节点114C可以通信地耦合到存储过去观测值的数据存储库。例如，如果当前接收到的观测值是体重测量值，则所导出的观测值服务节点114C可以评估该测量值与先前体重测量值，以确定患者在预定时间段内的体重变化。该体重变化可以触发健康事件，该健康事件随后被转发到数据服务节点114A以供进一步处理。即使没有触发健康事件，所导出的观测值服务节点114C也可以将所导出的观测值(例如，体重变化、平均血压、心率趋势，等等)存储在数据存储库中，使得当患者的其他观测值由事件引擎215(或其他事件引擎215)接收时该数据是可用的。
在一个实施例中，健康事件可以由所导出的观测值服务节点114C来处理。例如，在确定患者一天的平均血压超出阈值之后，传感器设备可以触发健康事件。过滤器服务节点114B可以将该健康事件转发到所导出的观测值服务节点114C，然后所导出的观测值服务节点114C可以使用该患者过去的血压测量值来导出患者每周或每月的平均血压，或血压趋势图。基于该所导出的观测值，如果所导出的观测值不满足相应条件，则节点114C可以生成新健康事件，或决定放弃健康事件。
此外，过滤器服务节点114B还包括用于确定接收到的健康事件应当被放弃、转发到事件动作队列115D，还是转发到事件规则评估队列115C的逻辑。例如，系统管理员可以确定一些健康事件与某些患者无关。过滤器服务节点114B中的逻辑可以识别并放弃这些健康事件，以防止它们通过事件引擎215的剩余部分传播。例如，患者可能具有持续地导致传感器设备触发健康事件的心脏杂音。护理提供商可指示过滤器服务节点114B筛出(或抑制)来自患者的这些健康事件，而不是持续地处理这些健康事件。
如果接收到的健康事件具有相应一个或多个动作，则过滤器服务节点114B将健康事件转发到事件动作队列115D。然而，如果健康事件的动作还没有被识别，则过滤器服务节点114B将健康事件转发到事件规则评估队列115C。规则引擎服务节点114D从队列115C中拉出健康事件，并且使用一个或多个规则来评估健康事件。示例规则包括确定每日体重变化和平均血压是否超出相应阈值。基于该评估，节点114D可以确定事件引擎215应执行哪一动作，例如，禁止/忽略事件、自动处理事件、向护理提供商显示事件，或延迟处理事件。一旦确定动作，规则引擎服务节点114D就生成包括对应动作的新健康事件并将其转发到数据服务节点114A。既然对应动作已知，一旦新健康事件到达过滤器服务节点114B，过滤器服务节点114B就将事件转发到事件动作队列115D而不是事件规则评估队列115D。
规则引擎服务节点114D可以通过将事件转发到延迟动作队列115F来延迟处理健康事件。当没有足够的可用计算能力来执行规则评估或在规则评估还没有完成的情况下，节点114D可以这么做。也就是说，如果所有规则都还没有评估，并且在触发事件动作之前要求进一步评估，则可以将事件放到队列115F中。例如，规则可以触发心脏事件，但系统必须在采取对应动作之前首先查看以确定是否为患者禁止该事件。如图所示，存储在延迟动作队列115F中的健康事件然后由过滤器服务节点114B进行检索，并且在稍后(也就是说，当所有规则已评估时)可被重新引入到事件规则评估队列115C中。
一旦健康事件的对应动作已知，并且将健康事件存储在事件动作队列115D中，动作引擎服务节点114E就将健康事件路由到适当动作服务，即，自动处置器服务320、通知服务325、或监视服务330。自动处置器服务320可以执行不要求护理提供商监督或输入的动作，例如，将健康事件存储在数据存储库中。作为另一示例，在以新优先级将事件重新引入到工作流程中之前，自动处置器服务320可以将优先级或重要性分配到健康事件。在例如健康事件显示心脏事件但数据质量低时，自动处置器服务320还可以生成新健康事件。作为响应，服务320可以引入维护事件以用于查看传感器连接/电极。
事件引擎215使用通知服务325来向患者、护理人员、护理提供商，或有关健康事件的设备发送信息。通知服务325可以包括与患者通信的不同通信信道或技术，例如，电子邮件、聊天、SMS消息等等。尽管图3图示了仅一个通知队列115H和通知引擎服务节点114G来处置请求，但是事件引擎215可以针对不同通信技术具有不同队列和通知节点。例如，如果当从传感器设备拔下电极时触发维护事件，则通知服务325可以向患者的移动设备发送电子邮件以指示患者插到电极中。或者，如果由于呼吸率升高而触发呼吸事件，则通知服务可以向患者发送SMS消息，以询问她当前是否正在执行体力活动。
监视服务330将事件引擎215通信地耦合到监视系统117。当期望来自护理提供商的有关健康事件的输入时，监视服务330将健康事件转发到监视队列115G。监视系统117中的UI管理器220包括工作流程管理器节点305，该工作流程管理器节点305将健康事件从监视队列115G中拉出并且将它们分配给任务队列310A或310B。UI管理器220还包括任务管理器节点315A和315B，任务管理器节点315A和315B生成用于健康事件的UI。然后，经由计算设备120A和120B向护理提供商显示这些UI。此外，任务管理器节点315可以将与健康事件相关联的生物计量或维护数据放置到UI中。例如，用于心脏事件的UI可以显示ECG图和基线图，而用于呼吸事件的UI显示呼吸率和血液中的含氧量。以此方式，UI管理器220可针对不同健康事件来生成定制的UI。
计算设备120可以将信息发送到事件引擎215的数据服务节点114A，该信息信息可用于生成新健康事件或更新当前健康事件。例如，护理提供商可以指示事件引擎215采取某个动作，例如，将健康事件转发到不同护理提供商以获取第二意见，对健康事件进行重新分类、禁止或忽略健康事件、通知健康护理提供商，等等。基于护理提供商的输入，事件引擎215再次穿过节点114和队列115来路由健康事件。
事件引擎215还包括任务评估服务节点114F。不同于事件引擎215中处理或存储从患者环境接收的观测数据或健康事件的其他节点和队列，任务评估服务节点114F确定是否基于护理协议或护理计划来触发健康事件。在一个实施例中，当患者没有遵循护理协议或计划时，节点114F触发健康事件。例如，护理协议可以要求患者白天佩戴传感器设备达某个时间量或每天测量体重。通过监视由事件引擎215接收的观测值和健康事件，任务评估服务节点114F确定患者是否遵守护理协议。如果否，则任务评估服务节点114F以对应动作来触发健康事件，以使事件引擎215执行诸如使用通知服务325向患者发送通知或使用监视服务330来通知护理提供商。
心跳检测架构
图4A-图4C图示了根据本文所描述的一个实施例的ECG数据。在实施例中，图4A图示了具有相对高的SNR的ECG数据400。在实施例中，SNR中的“信号”可与ECG数据400中检测到的心跳中的R波的振幅相关。SNR中的“噪音”与在检测到的心跳之前和之后的波形值相关，该噪音在理想系统中应接近零。在实施例中，如下文针对图7进一步讨论，噪音排除了ECG数据中的P波和T波(例如，在心跳的R波之前和之后出现)以避免不准确的SNR。
如下文针对图5和图6进一步讨论，图4A中图示的ECG数据的SNR可通过比较检测到的心跳的R波的峰值振幅与周围基线区域的振幅来计算。例如，点404处的振幅可表示检测到的心跳的R波的振幅。点404处的振幅可与在检测到的心跳之前出现的区域402和在检测到的心跳之后出现的区域406中的平均振幅进行比较。在实施例中，因为ECG数据400具有相对高的SNR，所以ECG数据有可能更可靠，并且分析ECG数据的自动算法(例如，心跳检测和分类算法)有可能更可靠。
在实施例中，图4B图示了ECG数据420，该ECG数据420的SNR低于图4A中图示的ECG数据400。例如，点424处的振幅可表示检测到的心跳的R波的振幅。点424处的振幅可与在检测到的心跳之前出现的区域422和在检测到的心跳之后出现的区域426中的平均振幅进行比较。如图4B中所示，与图4A中图示的峰值404相比，ECG数据420中的峰值424具有相对较低的振幅。此外，区域422和426包括更多噪音。如针对图5和图6进一步讨论，这导致ECG数据420中的较低SNR和较低置信度。
在实施例中，图4C图示了ECG数据440，该ECG数据440的SNR低于图4A中图示的ECG数据400和图4B中图示的ECG数据420。例如，点444处的振幅可表示检测到的心跳的R波的振幅。点444处的振幅可与在检测到的心跳之前出现的区域442和在检测到的心跳之后出现的区域446中的平均振幅进行比较。如图4C中所示，与图4A中图示的峰值404和图4B中图示的峰值424相比，ECG数据440中的峰值444具有相对较低的振幅。此外，区域442和446包括更多噪音。如针对图5和图6进一步讨论，这导致ECG数据440中的较低SNR和较低置信度。在实施例中，图4C中图示的ECG数据440具有足够低的SNR，这在检测和分类心跳时几乎没用。
图5是图示根据本文所描述的一个实施例的确定和使用ECG数据的SNR的流程图。图6图示了根据本文所描述的一个实施例的确定ECG数据的SNR。为了便于图示，一起讨论这些附图。
如下文所讨论，在一个实施例中，图5-图8中图示的技术是使用患者移动设备(例如，图1中图示的移动设备135)上的监视应用(例如，图1中图示的监视应用136)来执行的。或者，图5-图8中图示的技术可部分地或完全地在传感器设备(例如，图1中图示的身体传感器141)上执行。在实施例中，图5-图8中图示的技术非常适用于移动设备和传感器设备，因为它们要求相对低的处理功率并使用相对低的电池功率。这允许移动设备或传感器设备(或两者)确定ECG数据的SNR和置信度计量，即使设备自身具有相对小的处理能力，并且也不会耗尽这些移动设备的电池寿命。此外，这有助于这些设备在将数据发送到护理提供商环境或服务器之前快速地进行分类和诊断。作为另一替代方案，图5-图8中图示的技术可部分地或完全地在集中式护理提供商环境(例如，图1中图示的护理提供商环境105)中或在另一集中式服务器上执行。
在框502，监视应用(例如，图1中图示的监视应用136)检测ECG数据600中的心跳。在实施例中，这可使用任何合适的自动心跳检测算法或技术来完成。在实施例中，ECG数据600表示患者在一段时间内的ECG数据的片段。
在框504，监视应用对ECG数据600进行过滤。例如，监视应用可对ECG数据600应用高通过滤器。在实施例中，这去除了基线漂移，从而可能导致对峰值的较高振幅和基线数据的错误印象。
在框506，监视应用识别ECG数据600中检测到的心跳的R波的峰值。在实施例中，这图示为图6中所示的点614。在实施例中，该点614的振幅是用于计算SNR的信号，如下文针对框512进一步讨论的。
在框508，监视应用确定基线比较区域的边界。这在下文针对图7进一步讨论。在实施例中，选定基线比较区域是在检测到的心跳之前出现的区域612，和在选定心跳之后出现的区域616。
在框510，监视应用计算噪音值。在实施例中，噪音值是在基线比较区域的至少部分中的信号的平均振幅。例如，图6中图示的噪音是在区域612和616中的信号的平均振幅。在实施例中，监视应用计算在适当区域中的信号的振幅的绝对值的平均值。在一些情况下，噪音可导致向上和向下摆动两者。对原始振幅值求平均可导致人为的低平均值，从而遮蔽噪音。使用振幅的绝对值的平均值反映了底层噪音。
在框512，监视应用确定SNR。在实施例中，使用如下公式来计算SNR：SNR＝10*log(signal2/noise2)。例如，如上文所讨论，signal是点614处的振幅(例如，检测到的心跳的R波的峰值)，并且noise是在区域612和616的部分中的ECG信号的平均振幅。然而，该公式仅仅是用于计算ECG数据600的SNR的方法的一个示例。可使用任何合适的公式或技术。
在框514，监视应用确定ECG数据600的置信度计量。在实施例中，监视应用使用在框512处计算的SNR来确定置信度计量。这在下文针对图8进一步讨论。
图7是图示根据本文所描述的一个实施例的当确定ECG数据的SNR时确定基线比较的边界的流程图。在实施例中，图7对应于图5中图示的框508。通常，ECG数据表示对心脏在一段时间内的电活动的记录。心脏中的正常窦性节律包括一系列波：P波、QRS复合波(例如，Q波、R波和S波)，以及T波。这些波可表示心脏在心跳期间的收缩。在实施例中，使用QRS复合波来检测心跳。或者，可使用ECG数据的另一部分来代替或补充QRS复合波。
在框702，监视应用识别检测到的心跳与序列中的下一心跳之间的R-R区间。例如，如图6中所示，点614标记检测到的心跳的R波的峰值，而点624标记序列中的下一心跳的R波的峰值。在框702，监视应用识别点614与624之间的区间。
在框704，监视应用确定用于基线区域的R-R区间的区段。在实施例中，如上文所讨论，基线区域表示检测到的心跳的SNR中的噪音。在实施例中，期望从这些区域基本上排除检测到的心跳的P波和T波。在典型窦性节律中，P波在QRS复合波之前出现。P波表示导致心房收缩的心房去极化。T波在QRS复合波之后出现。T波表示心室的复极。例如，如图6中所示，P波613在峰值标记为614的QRS复合波之前。然后，T波615跟在QRS复合波之后。在基线区域612和616中包括P波613或T波615可降低SNR计算的精确性。因此，基线区域612和616基本上排除P波和T波。
在实施例中，在框704，监视应用识别用于基线区域的R-R区间的区段，以便排除P波和T波。例如，监视应用可将一次心跳的T波与下一心跳的P波之间的区域识别为基线区域。如图6中所示，该ECG数据600表示三次心跳。第一心跳包括P波603、R波峰值604以及T波605。下一心跳包括P波613、R波峰值614以及T波615。最后心跳包括P波623、R波峰值624以及T波625。监视应用选择介于第一心跳的T波605与中间心跳的P波613之间的基线区域612。监视应用选择介于中间心跳的T波615与最后心跳的P波623之间的基线区域616。
在实施例中，在框704，监视应用通过将R-R区间的区段分配到这些波并且排除这些区段来排除P波和T波。在实施例中，根据经验来确定和预先配置这些区段。例如，可根据经验确定，T波占据正常的窦性节律中R-R区间的50％，而P波占据R-R区间的35％。然后，可从用于SNR计算的基线区域排除R-R区间的这些区段。
或者，可动态地确定用于确定基线区域的R-R区间的区段。例如，监视应用可分析患者专用的ECG数据，以确定该患者的P波和T波持续时间。这可在如下情况下特定地为可应用的：在中央服务器(例如，图1中图示的护理提供商环境105)中实现监视应用，该中央服务器可以访问特定患者(或特定类别的患者)的更多数据，并且可以具有比移动设备或传感器设备更大的处理能力。
在框706，监视应用确定前置基线区域的边界。例如，如图6中所示，在框706，监视应用确定基线区域612(在R波峰值614之前)的边界。如针对框704所讨论，监视应用确定R-R区间(例如，图6中的604与614之间)中有可能由T波605和P波603占据的区段。该区段用于识别基线区域612的边界；排除ECG数据中形成T波605的部分，同样排除ECG数据中形成P波613的部分。这些波之间的区域形成基线区域612的边界。
在框708，监视应用确定后置基线区域的边界。例如，如图6中所示，在框708，监视应用确定基线区域616(在R波峰值614之后)的边界。如针对框704所讨论，监视应用确定R-R区间(例如，图6中的614与624之间)中有可能由T波615和P波623占据的区段。该区段用于识别基线区域616的边界；排除ECG数据中形成T波615的部分，同样排除ECG数据中形成P波623的部分。其间的区域形成基线区域616的边界。
在实施例中，使用每一基线区域612和616的仅一部分来计算噪音值。例如，在一个实施例中，基线区域612同时适用于具有R波峰值614的心跳和具有R波峰值604的前一心跳的SNR计算(例如，基线区域612是以604为中心的心跳的后置基线和以614为中心的心跳的前置基线)。因此，区域612的一部分用于与R波峰值614相关联的SNR计算，而一部分用于与R波峰值604相关联的SNR计算。在实施例中，基线区域612被一分为二，其中一半区域被求平均且用于确定与R波峰值614相关联的SNR计算的噪音，而另一半区域被求平均且用于确定与R波峰值604相关联的SNR计算的噪音。
图8是图示根据本文所描述的一个实施例的使用ECG数据的SNR来确定置信度计量的流程图。在实施例中，图8与图5中所示的框514相关。在框802，监视应用识别ECG数据的样本区间。例如，监视应用可选择ECG数据的10秒片断。或者，可使用较短或较长样本。
在框804，监视应用设置样本的置信度阈值。在实施例中，监视应用可使用两个阈值；每心跳阈值和每样本阈值。这些阈值可与用于确定ECG数据的置信度的SNR值相关。例如，每心跳阈值可包括SNR值以针对特定心跳来确定ECG数据的置信度。每心跳阈值可包括单个值(例如，最小阈值)或多个值(例如，最小值、平均值以及高置信度阈值)。
作为另一示例，每样本阈值可包括SNR值以确定ECG数据的给定样本的置信度。在该示例中，每样本阈值可类似于每心跳阈值针对ECG样本中的多个心跳起作用(例如，通过对样本中多个心跳的SNR求平均，或通过考虑样本中多个心跳的最小或最大SNR)。上文所讨论的每心跳和每样本阈值仅仅是示例，并且可使用任何合适阈值。此外，尽管图8图示了每心跳和每样本阈值，但是在实施例中仅使用这些阈值中的一个(或替代阈值)。
在框806，监视应用确定ECG数据样本中给定心跳的每心跳置信度。例如，每心跳阈值可包括最小阈值、平均置信度阈值以及高置信度阈值。如果特定心跳的SNR低于最小阈值，则监视应用将极小置信度或零置信度分配给该心跳的ECG数据。与该心跳相关联的任何检测和分类可从任何诊断应用中逐出或排除。
如果心跳的SNR高于最小值但低于平均阈值，则监视应用可将低置信度值分配给该心跳的ECG数据。这可在诊断应用(例如，自动诊断应用)中或在向患者和护理提供商提供数据(例如，向护理提供商提供置信度水平)时加以考虑。如果心跳的SNR高于平均阈值但低于高阈值，则监视应用可将平均置信度值分配给该心跳的ECG数据。并且如果心跳的SNR高于高阈值，则监视应用可将高置信度值分配给该心跳的ECG数据。这些可在诊断应用中或在向患者和护理提供商提供数据时再次加以考虑。这些阈值仅仅是示例，并且可使用任何数量的合适阈值。
此外，监视应用可在确定每心跳置信度时考虑附加信息。例如，监视应用可考虑患者的心率、心跳的分类以及其他因素。在实施例中，针对心跳的ECG数据的置信度水平可取决于SNR和其他因素(包括检测到的心跳的类型)两者。
在框808，监视应用确定给定ECG数据样本的每样本置信度。在一个实施例中，类似于上文针对框806讨论的每心跳置信度，监视应用可确定每样本置信度。例如，监视应用可对多个心跳的SNR求平均，并且将其与ECG样本的阈值(例如，最小值、平均置信度，以及高置信度阈值，如上文所讨论)进行比较。作为另一示例，监视应用可考虑样本中多个心跳的最小SNR，或最大SNR。
或者，与SNR相对，监视应用可使用样本中多个心跳的每心跳置信度。例如，监视应用可查找样本内任何心跳的最低置信度水平，并且将该最低每心跳水平作为整个样本的置信度进行分配。作为另一示例，监视应用可对每心跳置信度水平求平均，或可将最高置信度水平分配给整个样本。
此外，监视应用可在确定每样本置信度时考虑附加信息。例如，监视应用可考虑患者的心率、心跳的分类以及其他因素。在实施例中，ECG样本中的置信度水平可取决于SNR和其他因素(包括检测到的心跳的类型)两者。
在实施例中，检测到和分类的心跳的置信度计量被用于通知和治疗患者。例如，自动心跳检测和分类可识别心脏不规律性。然后，计算环境(例如，图1中图示的计算环境100)中的设备可用于治疗患者的心脏不规律性。例如，可使用患者的移动设备(例如，图1中图示的移动设备135)向患者建议针对心脏不规律性的特定医学治疗(例如，药物或患者行为)。作为另一示例，可使用分类的数据来为治疗患者的医生生成报告。或者，可为患者自身生成报告。此外，可基于分类的心跳来生成或修改患者护理计划。例如，可基于分类来为患者生成患者护理计划。患者护理计划可基于分类来为患者提供医学治疗选项(例如，药物、教育内容、行为变化，等等)。此外，可修改患者的现有护理计划。
此外，可为患者、护理提供商或其他感兴趣方生成警告或输出。例如，可使用由患者操作的设备(例如，如图1中图示的移动设备135或计算机)上的图形用户界面来向患者提供警告。或者，可使用由护理提供商操作的设备(例如，移动设备或如图1中图示的计算设备120)上的图形用户界面来向患者的护理提供商提供警告。
所有医学治疗和通知可考虑ECG数据的置信度水平。例如，使用低置信度ECG数据识别的心脏不规律性可被存储并且在以后被提供给患者护理提供商，而使用较高置信度ECG数据识别的心脏不规律性可被立即提供给护理提供商，或者可快速触发患者医学治疗(例如，通知患者坐下，通知护理提供商，或服药)。此外，具有较低置信度的ECG数据可在决定医学治疗时不被加以考虑，或给予较低权重。
在实施例中，本文所公开的一种或多种技术可改进ECG数据中关键心跳的识别。例如，正经历严重心脏事件的患者的ECG数据可显著偏离正常窦性节律的ECG数据。在先前解决方案中，自动心跳检测和分类系统可能将这种偏离误认为不可靠的ECG数据或收集错误，并且可能将数据作为不可靠数据进行排除。但通过使用本文中所公开的一种或多种技术，监视应用可确定与不规律心跳相关联的ECG数据的SNR为高，并且因此ECG数据的可靠性存在高置信度。然后，监视应用可确定相比于正常窦性节律的偏离有可能意味着严重的心脏问题，而不是不可靠的数据。这允许对患者进行立即医学治疗和对护理提供商进行紧急通知，同时避免来自不规律ECG数据的误报。
在上文中，参考了本公开中呈现的实施例。然而，本公开的范围并不限于所描述的特定实施例。相反，所描述的特征和元件的任何组合，无论是否与不同实施例相关，都被预期用于实现和实践所设想的实施例。此外，尽管本文所公开的实施例可以达成优于其他可能解决方案或优于现有技术的优势，但是无论特定优势是否由给定实施例实现，都不限制本公开的范围。因此，前述方面、特征、实施例以及优势仅仅用于说明，并且并不被视为所附权利要求的元素或对所附权利要求的限制，除非在(一个或多个)权利要求中明确阐述。
如本领域的技术人员将理解的，本文公开的实施例可以实施为系统、方法或计算机程序产品。因此，各方面可以采取如下形式：完整硬件实施例、完整软件实施例(包括固件、驻留软件、微代码，等等)或组合了软件和硬件方面的实施例，这些方面在本文中通常可以全部被称为“电路”、“模块”或“系统”。此外，各方面可以采取在一种或多种计算机可读介质中实施的计算机程序产品的形式，该一种或多种计算机可读介质上实施有计算机可读程序代码。
可以利用一种或多种计算机可读介质的任何组合。计算机可读介质可以是计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子、磁性、光学、电磁、红外或半导体系统、装置或设备或者上述各项的任何合适组合。计算机可读存储介质的更具体示例(非详尽性的列表)将包括以下各项：具有一条或多条导线的电气连接、便携式计算机磁盘、硬盘、随机存取存储器(Random access memory，RAM)、只读存储器(Read-only memory，ROM)、可擦除可编程只读存储器(Erasable programmable read-only memory，EPROM或闪存)、光纤、便携式光盘只读存储器(portable compact disc read-only memory，CD-ROM)、光学存储设备、磁性存储设备或上述各项的任何合适组合。在本文档的上下文中，计算机可读存储介质是任何有形介质，该有形介质可包含或存储用于供指令执行系统、装置或设备使用或连同指令执行系统、装置或设备一起使用的程序。
在计算机可读介质上实施的程序代码可以使用使用任何适当介质来发送，包括但不限于无线、有线、光纤电缆、RF，等等，或上述各项的任何合适组合。
用于执行针对本公开的各方面的操作的计算机程序代码可以以一个或多个编程语言的任何组合来编写，包括面向对象的编程语言，例如，Java、Smalltalk、C++等，以及常规的程序化编程语言，例如，"C”编程语言或类似编程语言。程序代码可以整体地在用户的计算机上、部分地在用户的计算机上执行，作为独立软件包，部分地在用户的计算机上并且部分地在远程计算机上或整体地在远程计算机或服务器上执行。在后一种情形中，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机，或可以连接到外部计算机(例如，使用互联网服务提供商通过互联网)。
下文参考根据本公开中呈现的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本公开的各方面。应当理解，流程图图示和/或框图的每个框，以及流程图图示和/或框图中的框的组合可由计算机程序指令来实现。这些计算机程序指令可提供到通用计算机、专用计算机、或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/行为的装置。
可指导计算机、其他可编程数据处理装置或其他设备以特定方式作用的这些计算机程序指令也可被存储在计算机可读介质中，使得存储在计算机可读介质中的指令产生包括用于实现流程图和/或框图的一个或多个框中指定的功能/行为的指令的制品。
计算机程序指令还可以加载到计算机、其他可编程数据处理装置或其他设备上，以使在计算机、其他可编程装置或其他设备上执行一系列可操作框以产生一种计算机实现的方法，使得在计算机或其他可编程装置上执行的指令提供用于实现流程图和/或框图的一个或多个框中指定的功能/行为的方法。
附图中的流程图和框图图示了根据各种实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。就这一点而言，流程图或框图中的每个框可以表示包括用于实现(一个或多个)指定逻辑功能的一个或多个可执行指令的模块、区段或代码部分。还应注意，在一些替代实现方式中，框中提到的功能可以以图中所示的顺序以外的顺序出现。例如，连续示出的两个框实际上可以大致上同时执行，或者这些框有时可以按相反的顺序执行，这取决于所涉及的功能性。还应注意，框图和/或流程图图示的每个框，以及框图和/或流程图图示中的框的组合，可由执行特定功能或行为的基于专用硬件的系统，或专用硬件和计算机指令的组合来实现。

Claims (20)

1.一种用于确定心电图(ECG)数据的可靠性的计算机实现的方法，包括：
接收ECG数据，所述ECG数据包括与检测到的患者心跳相关的波形数据；
确定与所述波形数据中的R波相关联的峰值振幅，所述R波与所述心跳相关；
识别所述波形数据中的第一基线区域和所述波形数据中的第二基线区域，其中，所述第一基线区域与所述心跳相关且在所述R波之前，并且所述第二基线区域与所述心跳相关且在所述R波之后；
基于所述峰值振幅、所述第一基线区域以及所述第二基线区域来确定与所述心跳相关的所述波形数据的信噪比(SNR)；
基于所确定的SNR来确定与所述波形数据相关的置信度计量；以及
在与所述患者相关的医学治疗中使用所述置信度计量。
2.根据权利要求1所述的计算机实现的方法，其中，确定与所述心跳相关的所述波形数据的所述SNR包括：确定所述峰值振幅与平均基线振幅之间的比率，所述平均基线振幅与所述第一基线区域和所述第二基线区域相关。
3.根据权利要求2所述的计算机实现的方法，其中，与所述第一基线区域相关的所述平均基线振幅包括所述第一基线区域的第一部分中的第一平均振幅，并且其中，与所述第二基线区域相关的所述平均基线振幅包括所述第二基线区域的第二部分中的第二平均振幅。
4.根据权利要求3所述的计算机实现的方法，其中，所述波形数据的所述SNR是使用公式SNR＝10*log(signal2/noise2)来确定的，其中，signal与所述峰值振幅相关，并且其中，noise与所述平均基线振幅相关。
5.根据权利要求1所述的计算机实现的方法，其中，识别所述波形数据中的所述第一基线区域和所述波形数据中的所述第二基线区域包括：
识别所述波形数据中的R-R区间；
接收所述R-R区间中用于识别所述第一基线区域和所述第二基线区域的区段；
使用所述区段来确定所述波形数据中的所述第一基线区域的第一边界；以及
使用所述区段来确定所述波形数据中的所述第二基线区域的第二边界。
6.根据权利要求5所述的计算机实现的方法，其中，所述第一基线区域基本上排除与所述心跳相关联的P波，并且所述第二基线区域基本上排除与所述心跳相关联的T波。
7.根据权利要求5所述的计算机实现的方法，其中，所述R-R区间的所述区段在接收所述患者的所述ECG数据之前被预先配置。
8.根据权利要求1所述的计算机实现的方法，其中，基于所述所确定的SNR来确定与所述波形数据相关的置信度计量包括：确定以下各项中的至少一项：与所述心跳相关的每心跳置信度计量，或与包括所述心跳的多个心跳相关的每样本置信度计量。
9.根据权利要求1所述的计算机实现的方法，其中，与所述波形数据相关的所述置信度计量与以下至少一者的置信度相关：所述心跳的自动检测或自动分类。
10.根据权利要求1所述的计算机实现的方法，其中，在与所述患者相关的医学治疗中使用所述置信度计量包括以下各项中的至少一项：(i)向所述患者提供与所述医学治疗相关的指令，(ii)向所述患者的护理提供商提供与所述医学治疗相关的指令，(iii)向所述患者提供与检测到的心跳相关的通知，或(iv)向所述护理提供商提供与所述检测到的心跳相关的通知。
11.一种用于确定心电图(ECG)数据的可靠性的计算机程序产品，所述计算机程序产品包括：
具有嵌入在其中的计算机可读程序代码的计算机可读存储介质，所述计算机可读程序代码能够由一个或多个计算机处理器执行以执行操作，所述操作包括：
接收ECG数据，所述ECG数据包括与检测到的患者心跳相关的波形数据；
确定与所述波形数据中的R波相关联的峰值振幅，所述R波与所述心跳相关；
识别所述波形数据中的第一基线区域和所述波形数据中的第二基线区域，其中，所述第一基线区域与所述心跳相关且在所述R波之前，并且所述第二基线区域与所述心跳相关且在所述R波之后；
基于所述峰值振幅、所述第一基线区域以及所述第二基线区域来确定与所述心跳相关的所述波形数据的信噪比(SNR)；
基于所确定的SNR来确定与所述波形数据相关的置信度计量；以及
在与所述患者相关的医学治疗中使用所述置信度计量。
12.根据权利要求11所述的计算机程序产品，其中，确定与所述心跳相关的所述波形数据的所述SNR包括：确定所述峰值振幅与平均基线振幅之间的比率，所述平均基线振幅与所述第一基线区域和所述第二基线区域相关。
13.根据权利要求11所述的计算机程序产品，其中，识别所述波形数据中的所述第一基线区域和所述波形数据中的所述第二基线区域包括：
识别所述波形数据中的R-R区间；
接收所述R-R区间中用于识别所述第一基线区域和所述第二基线区域的区段；
使用所述区段来确定所述波形数据中的所述第一基线区域的第一边界；以及
使用所述区段来确定所述波形数据中的所述第二基线区域的第二边界。
14.根据权利要求13所述的计算机程序产品，其中，所述第一基线区域基本上排除与所述心跳相关联的P波，并且所述第二基线区域基本上排除与所述心跳相关联的T波。
15.一种系统，包括：
处理器；以及
存储器，所述存储器存储程序，所述程序在所述处理器上执行时执行操作，所述操作包括：
接收ECG数据，所述ECG数据包括与检测到的患者心跳相关的波形数据；
确定与所述波形数据中的R波相关联的峰值振幅，所述R波与所述心跳相关；
识别所述波形数据中的第一基线区域和所述波形数据中的第二基线区域，其中，所述第一基线区域与所述心跳相关且在所述R波之前，并且所述第二基线区域与所述心跳相关且在所述R波之后；
基于所述峰值振幅、所述第一基线区域以及所述第二基线区域来确定与所述心跳相关的所述波形数据的信噪比(SNR)；
基于所确定的SNR来确定与所述波形数据相关的置信度计量；以及
在与所述患者相关的医学治疗中使用所述置信度计量。
16.根据权利要求15所述的系统，其中，确定与所述心跳相关的所述波形数据的所述SNR包括：确定所述峰值振幅与平均基线振幅之间的比率，所述平均基线振幅与所述第一基线区域和所述第二基线区域相关。
17.根据权利要求16所述的系统，其中，所述波形数据的所述SNR是使用公式SNR＝10*log(signal2/noise2)来确定的，其中，signal与所述峰值振幅相关，并且其中，noise与所述平均基线振幅相关。
18.根据权利要求15所述的系统，其中，识别所述波形数据中的所述第一基线区域和所述波形数据中的所述第二基线区域包括：
识别所述波形数据中的R-R区间；
接收所述R-R区间中用于识别所述第一基线区域和所述第二基线区域的区段；
使用所述区段来确定所述波形数据中的所述第一基线区域的第一边界；以及
使用所述区段来确定所述波形数据中的所述第二基线区域的第二边界。
19.根据权利要求18所述的系统，其中，所述第一基线区域基本上排除与所述心跳相关联的P波，并且所述第二基线区域基本上排除与所述心跳相关联的T波。
20.根据权利要求15所述的系统，其中，在与所述患者相关的医学治疗中使用所述置信度计量包括以下各项中的至少一项：(i)向所述患者提供与所述医学治疗相关的指令，(ii)向所述患者的护理提供商提供与所述医学治疗相关的指令，(iii)向所述患者提供与检测到的心跳相关的通知，或(iv)向所述护理提供商提供与所述检测到的心跳相关的通知。
CN202080020427.1A 2019-03-11 2020-02-18 使用信噪比确定ecg数据的可靠性 Pending CN113645899A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/298,724 US10492730B1 (en) 2019-03-11 2019-03-11 Determining reliability for ECG data using signal-to-noise ratio
US16/298,724 2019-03-11
PCT/US2020/018572 WO2020185355A1 (en) 2019-03-11 2020-02-18 Determining reliability for egg data using signal-to-noise ratio

Publications (1)

Publication Number Publication Date
CN113645899A true CN113645899A (zh) 2021-11-12

Family

ID=68695943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080020427.1A Pending CN113645899A (zh) 2019-03-11 2020-02-18 使用信噪比确定ecg数据的可靠性

Country Status (4)

Country Link
US (2) US10492730B1 (zh)
EP (1) EP3937769B1 (zh)
CN (1) CN113645899A (zh)
WO (1) WO2020185355A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111433860B (zh) 2017-08-25 2024-03-12 皇家飞利浦有限公司 用于分析心电图的用户界面
EP4192354A1 (en) 2020-08-10 2023-06-14 Cardiologs Technologies SAS Electrocardiogram processing system for detecting and/or predicting cardiac events
US11589195B2 (en) 2020-08-20 2023-02-21 Ip Co, Llc Asset tracking systems and methods

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110040200A1 (en) * 2009-08-12 2011-02-17 Antony Louis Piriyakumar Douglas System and method for analyzing an electrocardiogram signal
WO2013043157A2 (en) * 2011-09-20 2013-03-28 Vivaquant Llc Physiological signal denoising
WO2014042618A1 (en) * 2012-09-11 2014-03-20 Draeger Medical Systems, Inc. A system and method for detecting a characteristic in an ecg waveform
CN104114085A (zh) * 2011-10-14 2014-10-22 美敦力公司 T波过感测
US20150297907A1 (en) * 2014-04-17 2015-10-22 Medtronic, Inc. Method and apparatus for verifying discriminating of tachycardia events in a medical device having dual sensing vectors
US9636029B1 (en) * 2013-03-14 2017-05-02 Vital Connect, Inc. Adaptive selection of digital ECG filter
CN106659409A (zh) * 2014-08-18 2017-05-10 卡梅伦保健公司 用于估计心率的具有自相关装置并具有峰值选择器装置的可植入医疗装置
CN108784683A (zh) * 2017-04-28 2018-11-13 韦伯斯特生物官能(以色列)有限公司 包括用于特征检测的滤波器的ecg机器
CN109009085A (zh) * 2018-07-06 2018-12-18 四川斐讯信息技术有限公司 一种心电信号r波检测方法及系统
CN109069049A (zh) * 2016-05-03 2018-12-21 科迪影技术股份有限公司 心脏波形的检测和分析

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9518094D0 (en) * 1995-09-05 1995-11-08 Cardionics Ltd Heart monitoring apparatus
US7983742B2 (en) * 2006-02-27 2011-07-19 Vito Starc Multi-channel system for beat to beat QT interval variability
US9339202B2 (en) * 2009-11-03 2016-05-17 Vivaquant Llc System for processing physiological data
US8457728B2 (en) * 2011-04-28 2013-06-04 Medtronic, Inc. Automatic detection of premature ventricular complexes for heart rate turbulence measurements

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110040200A1 (en) * 2009-08-12 2011-02-17 Antony Louis Piriyakumar Douglas System and method for analyzing an electrocardiogram signal
WO2013043157A2 (en) * 2011-09-20 2013-03-28 Vivaquant Llc Physiological signal denoising
CN104114085A (zh) * 2011-10-14 2014-10-22 美敦力公司 T波过感测
WO2014042618A1 (en) * 2012-09-11 2014-03-20 Draeger Medical Systems, Inc. A system and method for detecting a characteristic in an ecg waveform
US9636029B1 (en) * 2013-03-14 2017-05-02 Vital Connect, Inc. Adaptive selection of digital ECG filter
US20150297907A1 (en) * 2014-04-17 2015-10-22 Medtronic, Inc. Method and apparatus for verifying discriminating of tachycardia events in a medical device having dual sensing vectors
CN106659409A (zh) * 2014-08-18 2017-05-10 卡梅伦保健公司 用于估计心率的具有自相关装置并具有峰值选择器装置的可植入医疗装置
CN109069049A (zh) * 2016-05-03 2018-12-21 科迪影技术股份有限公司 心脏波形的检测和分析
CN108784683A (zh) * 2017-04-28 2018-11-13 韦伯斯特生物官能(以色列)有限公司 包括用于特征检测的滤波器的ecg机器
CN109009085A (zh) * 2018-07-06 2018-12-18 四川斐讯信息技术有限公司 一种心电信号r波检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NASREEN SULTANA, YEDUKONDALU KAMATHAM AND BHAVANI KINNARA: "Performance Analysis of Adaptive Filtering Algorithms for Denoising of ECG signals", 2015 INTERNATIONAL CONFERENCE ON ADVANCES IN COMPUTING, COMMUNICATIONS AND INFORMATICS (ICACCI), pages 297 - 302 *

Also Published As

Publication number Publication date
US10492730B1 (en) 2019-12-03
EP3937769A1 (en) 2022-01-19
EP3937769B1 (en) 2024-04-24
US11412990B2 (en) 2022-08-16
WO2020185355A1 (en) 2020-09-17
US20200289063A1 (en) 2020-09-17

Similar Documents

Publication Publication Date Title
US11763943B2 (en) Automated ventricular ectopic beat classification
US11412990B2 (en) Determining reliability for ECG data using signal-to-noise ratio
US10163527B2 (en) User interface displaying a temporal relationship between a health event indicator and monitored health conditions
US10553315B2 (en) Adverse event prioritization and handling
US20240057921A1 (en) True onset identification
US11133112B2 (en) Multi-channel and with rhythm transfer learning
US11550891B2 (en) Login token management
US11051768B1 (en) Determining when to emit an alarm
Petersen Early warning score
EP2929476B1 (en) A method and system to reduce the nuisance alarm load in the clinical setting
JP2008525087A (ja) 医療用モニタリング方法及びシステム
US20200178907A1 (en) System and method for assessing and monitoring the hemodynamic condition of a patient
US11350883B1 (en) Stream-based alarm filtering
US11564613B2 (en) Non-invasive continuous heart rhythm monitoring based on wearable sensors
EP4134979A1 (en) Cardiac event rate limiter
US20230225660A1 (en) Synthetic data augmentation for ecg using deep learning
US11298087B2 (en) Method and system for predicting physiological alarm frequency by patient monitors
US20230335290A1 (en) System and methods for continuously assessing performance of predictive analytics in a clinical decision support system
CN118098461A (zh) 基于人工智能的临床患者状态监测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Minn

Applicant after: Boston Scientific Heart Diagnosis Co.

Address before: Minn

Applicant before: Plaines solutions

CB02 Change of applicant information