CN113729728A - 心脏标测中心脏结构的自动检测 - Google Patents

心脏标测中心脏结构的自动检测 Download PDF

Info

Publication number
CN113729728A
CN113729728A CN202110583660.7A CN202110583660A CN113729728A CN 113729728 A CN113729728 A CN 113729728A CN 202110583660 A CN202110583660 A CN 202110583660A CN 113729728 A CN113729728 A CN 113729728A
Authority
CN
China
Prior art keywords
data
neural network
distance
catheter
cardiac
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
CN202110583660.7A
Other languages
English (en)
Inventor
E·拉夫纳
E·纳卡尔
L·博泽尔
J·亚尼茨基
I·列夫
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.)
Biosense Webster Israel Ltd
Original Assignee
Biosense Webster Israel Ltd
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 Biosense Webster Israel Ltd filed Critical Biosense Webster Israel Ltd
Publication of CN113729728A publication Critical patent/CN113729728A/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
    • 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
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B18/1492—Probes or electrodes therefor having a flexible, catheter-like structure, e.g. for heart ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/6852—Catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6867—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive specially adapted to be attached or implanted in a specific body part
    • A61B5/6869—Heart
    • 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
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
    • A61B2018/00345—Vascular system
    • A61B2018/00351—Heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00839—Bioelectrical parameters, e.g. ECG, EEG

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Otolaryngology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Plasma & Fusion (AREA)
  • Pulmonology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明题为“心脏标测中心脏结构的自动检测”本发明公开了用于训练神经网络以自动检测感兴趣的心脏结构的系统和方法，该系统包括处理器，该处理器包括接收训练数据的神经网络训练模型。该训练数据包括第一输入和第二输入，该第一输入包括由位于心脏内的第一导管的电极接收的关于第一心脏结构的第一电生理数据，该第二输入包括与该第一心脏结构相关的第二数据。该神经网络训练模型基于该训练数据生成该第一心脏结构是否为感兴趣的心脏结构的确定作为输出。

Description

心脏标测中心脏结构的自动检测
技术领域
本公开涉及与自动检测心脏内特定结构的位置相关联，并且更优选地与自动检测心脏中希氏束的位置相关联的人工智能和机器学习。
背景技术
众所周知，使用消融导管在心脏组织中造成组织坏死来校正心律失常(包括但不限于心房纤颤、心房扑动、房性心动过速和室性心动过速)。心律失常会造成各种危险状况，包括不规则心率、房室同步收缩丧失和血流停滞，这可能导致各种疾病甚至死亡。据信，许多心律失常的主要原因是一个或多个心脏腔室内的杂散电信号。
在心脏消融期间，在患者的心脏组织中产生消融灶。为了产生消融灶，将导管插入心脏中，使得其接触组织，并且将电磁射频(RF)能量从导管电极注入组织中，从而导致消融并产生消融灶。
希氏束(另外称为房室束)是起源于冠状窦(CS)的孔口附近的心肌的一部分。希氏束是心脏的电传导系统的关键部分，因为它起着将电脉冲从位于心房和心室之间的房室(AV)结传输到心脏心室的作用。
希氏束位于心脏中的脆弱部位，如果被错误地消融，则可能会对心脏的电传导系统造成有害和不希望的影响。在常规消融规程期间，医师通常手动标记希氏束以识别其在心脏内的位置，从而可以在消融规程期间避开它。对希氏束的这种手动标记既繁琐又耗时。此外，手动标记可导致假阳性读数，其中心电图(ECG)信号看起来像是希氏束脉冲，但实际上并非如此。
需要利用人工智能和/或机器学习以准确的方式自动检测希氏束的自动化且可靠的系统和方法。
发明内容
本文描述了用于自动检测心脏内特定结构的位置的方法、设备、系统和模型。
根据一个方面，本文所公开的主题涉及用于自动检测心脏结构的系统。该系统优选地包括：第一导管，其位于心脏内以接收关于第一心脏结构的电生理数据；第二导管，其位于心脏内的预定位置处；以及包括神经网络的处理器。该神经网络从第一导管接收电生理数据，接收关于第一导管和第二导管之间的距离的距离数据，确定关于第一心脏结构的电生理数据是否与感兴趣的心脏结构的预定电生理数据一致，确定第一导管和第二导管之间的距离是否小于预定阈值，并且基于该电生理数据和该距离数据确定第一心脏结构是否为感兴趣的心脏结构。
根据另一方面，本文所公开的主题涉及用于训练神经网络以自动检测心脏结构的系统。该系统包括处理器，该处理器包括接收训练数据的神经网络训练模型。该训练数据包括先前标测的感兴趣的心脏结构的位置、由位于心脏内的第一导管接收的关于第一心脏结构的电生理数据、感兴趣的心脏结构的预定电生理数据、关于第一导管与第二导管之间的距离的距离数据，以及关于第一导管上的点与第二导管上的点之间的距离的预定阈值。训练神经网络训练模型以确定电生理数据是否与感兴趣的心脏结构的预定电生理数据一致，确定距离数据是否小于预定值，并且基于训练数据确定第一心脏结构是否为感兴趣的心脏结构。
根据又一方面，本文所公开的主题涉及用于训练神经网络模型以自动检测心脏结构的方法。该方法包括由包括神经网络模型的处理器接收训练数据。该训练数据包括先前标测的感兴趣的心脏结构的位置、由位于心脏内的第一导管接收的关于第一心脏结构的电生理数据、感兴趣的心脏结构的预定电生理数据、关于第一导管与第二导管之间的距离的距离数据，以及关于第一导管上的点与第二导管上的点之间的距离的预定阈值。该方法还包括用训练数据训练神经网络模型。该训练包括确定电生理数据是否与感兴趣的心脏结构的预定电生理数据一致，确定距离数据是否小于预定值，并且基于训练数据确定第一心脏结构是否为感兴趣的心脏结构。
根据又一方面，感兴趣的心脏结构是希氏束。
根据又一方面，第一导管包括希氏束标测导管。
根据又一方面，由第一导管接收的关于第一心脏结构的电生理数据包括电描记图，并且更具体地包括希氏束电描记图。
根据又一方面，第二导管包括冠状窦导管，并且更具体地，包括位置传感器。
根据又一方面，训练数据还包括由表面体电极生成的心电图数据。
根据又一方面，训练神经网络以确定心电图数据是否与感兴趣的心脏结构的预定电生理数据一致。
根据又一方面，训练神经网络以确定，当关于第一心脏结构的电生理数据与感兴趣的心脏结构的预定电生理数据一致并且距离数据小于预定值时，第一心脏结构是感兴趣的心脏结构。
根据又一方面，训练神经网络以确定，当关于第一心脏结构的电生理数据与感兴趣的心脏结构的预定电生理数据不一致或距离数据大于预定值时，第一心脏结构不是感兴趣的心脏结构。
根据又一方面，感兴趣的心脏结构的预定电生理数据存储在与神经网络通信的数据库中。
根据又一方面，神经网络是卷积神经网络或长短期记忆神经网络。
根据又一方面，神经网络训练模型确定第一心脏结构是感兴趣的心脏结构，将该确定与已知心脏结构的位置的数据库进行比较以验证该确定的准确度。当该确定的准确度高于预定准确度阈值时，神经网络训练模型被验证为心脏标测系统的标准。
根据又一方面，本文所公开的主题涉及用于训练神经网络以自动检测感兴趣的心脏结构的系统，该系统包括处理器，该处理器包括接收训练数据的神经网络训练模型。该训练数据包括第一输入和第二输入，该第一输入包括由位于心脏内的第一导管的电极接收的关于第一心脏结构的第一电生理数据，该第二输入包括与该第一心脏结构相关的第二数据。神经网络训练模型基于该训练数据生成第一心脏结构是否为感兴趣的心脏结构的确定作为输出。
附图说明
通过以举例的方式结合附图提供的以下具体实施方式可得到更详细的理解，其中附图中类似的附图标号指示类似的元件，并且其中：
图1是根据本申请主题的用于远程监测和传送患者生物计量的示例性系统的框图。
图2是根据本申请主题的与网络通信的计算环境的示例的系统图。
图3是根据本申请主题的其中可实现本公开的一个或多个特征的示例性装置的框图。
图4示出了根据本申请主题的结合图3的示例性装置的人工智能系统的图形描绘。
图5示出了根据本申请主题的在图4的人工智能系统中执行的方法。
图6示出了根据本申请主题的朴素贝叶斯计算的概率的示例。
图7示出了根据本申请主题的示例性决策树。
图8示出了根据本申请主题的示例性随机森林分类器。
图9示出了根据本申请主题的示例性逻辑回归。
图10示出了根据本申请主题的示例性支持向量机。
图11示出了根据本申请主题的示例性线性回归模型。
图12示出了根据本申请主题的示例性K均值聚类。
图13示出了根据本申请主题的示例性集成学习算法。
图14示出了根据本申请主题的示例性神经网络。
图15示出了根据本申请主题的基于硬件的神经网络。
图16示出了根据本申请主题的由心脏的心房肌和心室肌的收缩(去极化)和舒张(复极化)生成的心电图(ECG)信号。
图17示出了根据本申请主题的示例性心脏消融系统，其中可实现所公开主题的一个或多个特征。
图18A示出了神经网络，诸如图17的神经网络，该神经网络接收输入用于训练该神经网络的数据并自动识别感兴趣的心脏结构诸如希氏束，其效率和可靠性比在规程诸如消融规程期间由医师手动识别更高。
图18B是示出了根据本申请主题的用于训练神经网络的模块的实施方案的流程图。
图19A示出了根据本申请主题的通过荧光镜透视检查获得的心脏图像，该图像示出了在心脏消融规程期间位于心脏内的各种导管。
图19B示出了根据本申请主题的位于心脏内的示例性第一导管和第二导管。
图20示出了根据本申请主题的可根据本公开的系统和方法使用的示例性ECG和希氏束电描记图(HBE)信号。
图21示出了根据本申请主题的示例性卷积神经网络(CNN)。
图22示出了根据本申请主题的示例性递归神经网络(RNN)。
图23示出了所描述的本系统的具体实施。
图24示出了所描述的本系统的具体实施。
图25示出了所描述的本系统的具体实施。
具体实施方式
本发明提供了方法、系统和程序，用于自动检测心脏内特定结构的位置，并且更优选地，自动检测心脏内希氏束的位置，并且用于训练神经网络以自动检测心脏内这种特定结构的位置。
图1是用于远程监测和传送患者生物计量(即，患者数据)的示例性系统100的框图。在图1所示的示例中，系统100包括与患者104相关联的患者生物计量监测和处理设备102、本地计算装置106、远程计算系统108、第一网络110和第二网络120。
根据示例性实施方案，监测和处理设备102可以是处于患者体内的(例如，可皮下植入的)设备。监测和处理设备102可经由任何适用的方式插入患者体内，包括口腔注射、经由静脉或动脉的外科手术插入、内窥镜规程或腹腔镜规程。
根据示例性实施方案，监测和处理设备102可以是处于患者外部的设备。例如，如下面更详细描述的，监测和处理设备102可包括可附接贴片(例如，其附接到患者的皮肤)。监测和处理设备102还可包括具有一个或多个电极的导管、探头、血压袖带、体重秤、手镯或智能手表生物计量跟踪器、葡萄糖监测器、持续气道正压通气(CPAP)机或可提供与患者的健康或生物计量有关的输入的几乎任何装置。
根据示例性实施方案，监测和处理设备102可包括患者内部的部件和患者外部的部件。
在图1中示出了单个监测和处理设备102。然而，示例性系统可包括多个患者生物计量监测和处理设备。患者生物计量监测和处理设备可与一个或多个其他患者生物计量监测和处理设备通信。附加地或另选地，患者生物计量监测和处理设备可与网络110通信。
一个或多个监测和处理设备102可获取患者生物计量数据(例如，电信号、血压、温度、血糖水平或其他生物计量数据)，并且从一个或多个其他监测和处理设备102接收表示所获取的患者生物计量和与所获取的患者生物计量相关联的附加信息的患者生物计量数据的至少一部分。附加信息可以是例如诊断信息和/或从诸如可穿戴装置的附加装置获得的附加信息。每个监测和处理设备102可处理数据，包括其自身获取的患者生物计量以及从一个或多个其他监测和处理设备102接收的数据。
在图1中，网络110是近程网络(例如，局域网(LAN)或个人局域网(PAN))的示例。可使用各种近程无线通信协议(诸如蓝牙、Wi-Fi、Zigbee、Z-Wave、近场通信(NFC)、ultraband、Zigbee或红外(IR))中的任何一种经由近程网络110在监测和处理设备102与本地计算装置106之间发送信息。
在示例性实施方案中，网络120可以是有线网络、无线网络或包括一个或多个有线和无线网络。例如，网络120可以是远程网络(例如，广域网(WAN)、互联网或蜂窝网络)。可使用各种远程无线通信协议(例如，TCP/IP、HTTP、3G、4G/LTE或5G/新无线电)中的任何一种经由网络120发送信息。
在示例性实施方案中，患者监测和处理设备102可包括患者生物计量传感器112、处理器114、用户输入(UI)传感器116、存储器118和发射器-接收器(即，收发器)122。患者监测和处理设备102可经由网络110连续地或周期性地监测、存储、处理和传送任何数量的各种患者生物计量。患者生物计量的示例包括电信号(例如，ECG信号和脑生物计量)、血压数据、血糖数据和温度数据。可监测和传送患者生物计量以便对任何数量的各种疾病进行治疗，疾病诸如心血管疾病(例如，心律失常、心肌病和冠状动脉疾病)和自身免疫疾病(例如，I型和II型糖尿病)。
在一个实施方案中，患者生物计量传感器112可包括，例如被配置成感测生物计量性患者生物计量的类型的一个或多个传感器。例如，患者生物计量传感器112可包括被配置成获取电信号(例如，心脏信号、脑信号或其他生物电信号)的电极、温度传感器、血压传感器、血糖传感器、血氧传感器、pH传感器、加速度计和麦克风。
在示例性实施方案中，如下面更详细描述的，患者生物计量监测和处理设备102可以是用于监测心脏的ECG信号的ECG监测器。ECG监测器的患者生物计量传感器112可包括用于获取ECG信号的一个或多个电极。ECG信号可用于治疗各种心血管疾病。。
在示例性实施方案中，收发器122可包括单独的发射器和接收器。另选地，收发器122可包括集成到单个设备中的发射器和接收器。
在示例性实施方案中，处理器114可被配置成在存储器118中存储患者数据，诸如由患者生物计量传感器112获取的患者生物计量数据，并且经由收发器122的发射器跨网络110传送患者数据。来自一个或多个其他监测和处理设备102的数据也可由收发器122的接收器接收，如下面更详细描述的。
根据示例性实施方案，监测和处理设备102包括UI传感器116，例如，其可以是被配置成接收用户输入(诸如轻击或触摸)的压电传感器或电容传感器。例如，响应于患者104轻击或接触监测和处理设备102的表面，可控制UI传感器116以实现电容联接。手势识别可经由各种电容类型中的任何一种来实现，诸如电阻电容、表面电容、投射电容、表面声波、压电和红外触摸。电容传感器可设置在小区域处或表面的长度上，使得表面的轻击或触摸激活监测装置。
如下面更详细描述的，处理器114可被配置成选择性地响应电容传感器(其可以是UI传感器116)的不同轻击模式(例如，单击或双击)，使得可以基于检测的模式激活贴片的不同任务(例如，数据的获取、存储或传输)。在一些实施方案中，当检测到手势时，可从处理设备102向用户给予可听反馈。
在示例性实施方案中，系统100的本地计算装置106与患者生物计量监测和处理设备102通信，并且可被配置成通过第二网络120充当到远程计算系统108的网关。例如，本地计算装置106可以是智能电话、智能手表、平板电脑、或被配置成经由网络120与其他装置通信的其他便携式智能装置。另选地，本地计算装置106可以是固定或独立装置，诸如包括例如调制解调器和/或路由器能力的固定基站，使用可执行程序以经由PC的无线电模块在处理设备102与远程计算系统108之间传送信息的台式计算机或膝上型计算机，或USB加密狗。可使用近程无线技术标准(例如，蓝牙、Wi-Fi、ZigBee、Z波和其他近程无线标准)，经由近程无线网络110，诸如局域网(LAN)(例如，个人局域网络(PAN))在本地计算装置106与患者生物计量监测和处理设备102之间传送患者生物计量。在一些实施方案中，本地计算装置106还可被配置成显示所获取的患者电信号和与所获取的患者电信号相关联的信息，如下面更详细描述的。
在一些示例性实施方案中，远程计算系统108可被配置成经由作为远程网络的网络120接收所监测的患者生物计量和与被监测患者相关联的信息中的至少一者。例如，如果本地计算装置106是移动电话，则网络120可以是无线蜂窝网络，并且可经由诸如上述任何无线技术的无线技术标准在本地计算装置106与远程计算系统108之间传送信息。如下面更详细描述的，远程计算系统108可被配置成向医护专业人员(例如，医师)提供(例如，可视地显示和/或听觉地提供)患者生物计量和相关信息中的至少一者。
图2是与网络120通信的计算环境200的示例的系统图。在一些情况下，计算环境200被合并到公共云计算平台(诸如Amazon Web Services或Microsoft Azure)、混合云计算平台(诸如HP Enterprise OneSphere)或私有云计算平台。
如图2所示，计算环境200优选地包括远程计算系统108(下文称为计算机系统)，该远程计算系统是可在其上实现本文所述的实施方案的计算系统的一个示例。
远程计算系统108可经由可包括一个或多个处理器的处理器220执行各种功能。例如，功能可包括分析监测的患者生物计量和相关信息，并且根据医师确定的或算法驱动的阈值和参数提供(例如，经由显示器266)警报、附加信息或指令。如下面更详细描述的，远程计算系统108可用于向医疗保健人员(例如，医师)提供患者信息仪表板(例如，经由显示器266)，使得这种信息可以使医疗保健人员能够识别具有比其他人更多关键需求的患者并对其优先考虑。
如图2所示，计算机系统210可包括通信机制(诸如总线221)或用于在计算机系统210内传送信息的其他通信机制。计算机系统210还包括与总线221耦接的一个或多个处理器220，以用于处理信息。处理器220可包括一个或多个CPU、GPU或本领域中已知的任何其他处理器。
计算机系统210还可包括耦接到总线221的系统存储器230，以用于存储将由处理器220执行的信息和指令。系统存储器230可包括易失性和/或非易失性存储器形式的计算机可读存储介质，诸如只读系统存储器(ROM)231和/或随机存取存储器(RAM)232。系统存储器RAM 232可包括其他动态存储装置(例如，动态RAM、静态RAM和同步DRAM)。系统存储器ROM231可包括其他静态存储装置(例如，可编程ROM、可擦除PROM和电可擦除PROM)。此外，系统存储器230可用于在处理器220执行指令期间存储临时变量或其他中间信息。基本输入/输出系统233(BIOS)可包含在计算机系统210内的元件之间，诸如在启动过程中传输信息的例程，该例程可被存储在系统存储器ROM 231中。RAM 232可包含数据和/或程序模块，该数据和/或程序模块可由处理器220立即访问和/或当前由该处理器操作。系统存储器230可另外包括例如操作系统234、应用程序235、其他程序模块236和程序数据237。
在示例性实施方案中，计算机系统210还包括磁盘控制器240，该磁盘控制器耦接到总线221以控制用于存储信息和指令的一个或多个存储装置，诸如硬磁盘241和可移动介质驱动器242(例如，软盘驱动器、光盘驱动器、磁带驱动器和/或固态驱动器)。可使用适当的装置接口(例如，小型计算机系统接口(SCSI)、集成装置电子器件(IDE)、通用串行总线(USB)或火线)将存储装置添加到计算机系统210。
计算机系统210还可包括耦接到总线221的显示控制器265，以控制监视器或显示器266，诸如阴极射线管(CRT)或液晶显示器(LCD)，以向计算机用户显示信息。所示出的计算机系统210包括用户输入接口260和一个或多个输入装置，诸如键盘262和指向装置261，以用于与计算机用户交互并将信息提供给处理器220。指向装置261例如可以是鼠标、轨迹球或指向杆，以用于向处理器220传送方向信息和命令选择并用于控制显示器266上的光标移动。显示器266可提供触摸屏界面，该触摸屏界面可允许输入以补充或替换指向装置261和/或键盘262对方向信息和命令选择的通信。
响应于处理器220执行包含在存储器诸如系统存储器230中的一个或多个指令的一个或多个序列，计算机系统210可执行本文所述的功能和方法的一部分或每一者。可从另一个计算机可读介质诸如硬盘241或可移动介质驱动器242将此类指令读入系统存储器230。硬盘241可包含由本文所述的实施方案使用的一个或多个数据存储库和数据文件。数据存储库内容和数据文件可以被加密以提高安全性。处理器220还可在多处理布置中采用以执行系统存储器230中包含的指令的一个或多个序列。在另选的实施方案中，可以使用硬连线电路系统取代软件指令或与软件指令结合使用。因此，实施方案不限于硬件电路系统和软件的任何特定组合。
如上所述，计算机系统210可包括至少一个计算机可读介质或存储器，以用于保存根据本文所述的实施方案编程的指令并且用于包含本文所述的数据结构、表格、记录或其他数据。如本文所用的术语计算机可读介质是指参与向处理器220提供指令以供执行的任何非临时性有形介质。计算机可读介质可以采用许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁光盘，诸如硬盘241或可移动介质驱动器242。易失性介质的非限制性示例包括动态存储器，诸如系统存储器230。传输介质的非限制性示例包括同轴缆线、铜线和光纤，包括构成总线221的导线。传输介质也可以采用声波或光波的形式，诸如在无线电波和红外数据通信期间生成的声波或光波。
计算环境200还可包括计算机系统210，该计算机系统使用到本地计算装置106和一个或多个其他装置的逻辑连接在联网环境中操作，所述一个或多个其他装置诸如为个人计算机(膝上型计算机或台式计算机)、移动装置(例如，患者移动装置)、服务器、路由器、网络PC、对等装置或其他公共网络节点，并且通常包括上面相对于计算机系统210所述的许多或所有元件。当在联网环境中使用时，计算机系统210可包括调制解调器272，该调制解调器用于在网络120诸如互联网上建立通信。调制解调器272可经由网络接口270或经由另一个适当的机构连接至系统总线221。
如图1和图2所示，网络120可以是本领域中公知的任何网络或系统，包括互联网、内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或一系列连接、蜂窝电话网络或能够促进计算机系统610与其他计算机(例如，本地计算装置106)之间的通信的任何其他网络或介质。
图3是可以实施本公开的一个或多个特征的示例性装置300的框图。例如，装置300可以是本地计算装置106。装置300可包括，例如计算机、游戏装置、手持装置、机顶盒、电视机、移动电话或平板电脑。装置300包括处理器302、存储器304、存储装置306、一个或多个输入装置308和一个或多个输出装置310。装置300还可任选地包括输入驱动器312和输出驱动器314。应当理解，装置300可包括图3中未示出的附加部件，包括人工智能加速器。
在各种另选方案中，处理器302包括中央处理单元(CPU)、图形处理单元(GPU)、位于同一管芯上的CPU和GPU，或一个或多个处理器内核，其中每个处理器内核可以是CPU或GPU。在各种另选方案中，存储器304与处理器302位于同一管芯上，或者与处理器302分开定位。存储器304包括易失性或非易失性存储器，例如，随机存取存储器(RAM)、动态RAM或高速缓存。
存储装置306包括固定或可移动存储装置，例如硬盘驱动器、固态驱动器、光盘或闪存驱动器。输入装置308包括但不限于键盘、小键盘、触摸屏、触摸板、检测器、麦克风、加速计、陀螺仪、生物识别扫描器或网络连接器(例如，用于传输和/或接收无线IEEE 802信号的无线局域网卡)。输出装置310包括但不限于显示器、扬声器、打印机、触觉反馈装置、一个或多个灯、天线或网络连接(例如，用于传输和/或接收无线IEEE802信号的无线局域网卡)。
输入驱动器312与处理器302和输入装置308通信，并且允许处理器302从输入装置308接收输入。输出驱动器314与处理器302和输出装置310通信，并且允许处理器302向输出装置310发送输出。需注意，输入驱动器312和输出驱动器314是可选部件，并且如果不存在输入驱动器312和输出驱动器314，则装置300将以相同的方式操作。输出驱动器314可包括耦接到显示装置318的加速处理装置(“APD”)316。APD接受来自处理器302的计算命令和图形渲染命令，处理那些计算和图形渲染命令，并且向显示装置318提供像素输出以供显示。如下面进一步详细描述的，APD 316包括一个或多个并行处理单元，以根据单指令多数据(“SIMD”)范式来执行计算。因此，尽管各种功能在本文中被描述为由APD 316执行或结合APD 316执行，但在各种另选方案中，被描述为由APD 316执行的功能附加地或另选地由具有类似能力的其他计算装置执行，这些计算装置不由主机处理器(例如，处理器302)驱动，并且向显示装置318提供图形输出。例如，预期根据SIMD范式执行处理任务的任何处理系统可执行本文所述的功能。另选地，预期不根据SIMD范式执行处理任务的计算系统执行本文所述的功能。
图4示出了结合图3的示例性装置的人工智能系统400的功能图形描绘。系统400包括数据410、机器420、模型430、多个预测结果440和底层硬件450。系统400按以下方式工作：使用数据410来训练机器420，同时构建模型430以使得能够预测多个结果440。系统400可相对于硬件450工作。在此类配置中，数据410可与硬件450相关并且可始自于例如监测和处理设备102。例如，数据410可以是正在生成的数据，或者是与硬件450相关联的输出数据。机器420可作为与硬件450相关联的控制器或数据收集工作或与其相关联。模型430可被配置成对硬件450的操作建模并对从硬件450收集的数据410建模，以便预测由硬件450实现的结果。使用预测的结果440，硬件450可被配置成从硬件450提供某个期望的结果440。
图5示出了在图4的人工智能系统中执行的一般方法500。方法500包括在步骤510处从硬件收集数据。该数据可包括当前从硬件收集的数据、来自硬件的历史数据或其他数据，或它们的各种组合。例如，该数据可包括外科规程期间的测量结果，并且可与规程的结果相关联。例如，可收集心脏的温度并将其与心脏规程的结果相关联。
在步骤520处，方法500包括在硬件上训练机器。该训练可包括在步骤510中收集的数据的分析和相关性。例如，就心脏而言，可训练温度和结果的数据以确定在规程期间心脏的温度与结果之间是否存在相关性或联系。
在步骤530处，方法500包括在与硬件相关联的数据上构建模型。构建模型可包括物理硬件或软件建模、算法建模等，如将在下文描述的。该建模可试图表示已收集和训练的数据。
在步骤540处，方法500包括预测与硬件相关联的模型的结果。对结果的这种预测可基于已训练的模型。例如，就心脏而言，如果规程期间介于97.7-100.2之间的温度由规程产生正面结果，则可在给定规程中基于规程期间心脏的温度来预测结果。虽然该模型是基本的，但它被提供用于示例性目的并增加对本公开的理解。
本发明的系统和方法用以训练机器、构建模型并使用算法预测结果。这些算法可用于求解已训练的模型并预测与硬件相关联的结果。这些算法通常可分成分类、回归和聚类算法。
例如，分类算法用于将因变量(其为被预测的变量)分成多个类别的情况并预测给定输入下的类别(因变量)的情况。因此，分类算法用于从一组数量的固定的预定义结果中预测结果。分类算法可包括朴素贝叶斯算法、决策树、随机森林分类器、逻辑回归、支持向量机和k个最近相邻点。
一般来讲，朴素贝叶斯算法遵循贝叶斯定理，并且遵循概率方法。应当理解，也可以使用其他基于概率的算法，并且这些算法通常使用与下文针对示例性朴素贝叶斯算法所述的那些类似的概率原理来操作。
图6示出了朴素贝叶斯计算的概率的示例。贝叶斯定理的概率方法实质上意味着该算法对于目标的每个类别具有一组先验概率，而不是直接跳跃到数据中。在输入数据之后，朴素贝叶斯算法可更新先验概率以形成后验概率。这由以下公式给出：
Figure BDA0003087198120000131
当需要预测输入是否属于给定列表的n个类别时，这种朴素贝叶斯算法以及贝叶斯算法通常可能是有用的。可使用概率方法，因为所有n个类别的概率将相当低。
例如，如图6所示，一个人打高尔夫球，这取决于包括但不限于第一数据集610中所示的外部天气在内的因素。第一数据集610在第一列中示出了天气并且在第二列中示出了与该天气相关联的打球结果。在频率表620中，生成发生某些事件的频率。在频率表620中，确定一个人在每个天气状况下打高尔夫球或不打高尔夫球的频率。由此，编译了用于生成初始概率的似然表。例如，天气为阴天的概率为0.29，而打球的一般概率为0.64。
可以根据似然表630生成后验概率。这些后验概率可被配置为回答有关天气状况以及是否在那些天气状况下打高尔夫球的问题。例如，可以通过贝叶斯公式来阐述室外晴朗并且打高尔夫球的概率：
P(是|晴朗)＝P(晴朗|是)*P(是)/P(晴朗)
根据似然表630：
P(晴朗|是)＝3/9＝0.33，
P(晴朗)＝5/14＝0.36，
P(是)＝9/14＝0.64。
因此，P(是|晴朗)＝0.33*0.64/0.36或大约0.60(60％)。
一般来讲，决策树是类似于流程图的树结构，其中每个外部节点代表对属性的测试并且每个分支表示该测试的结果。叶节点含有实际预测标签。决策树从树根开始，其中属性值被比较，直到到达叶节点。当处理高维数据时以及当已在数据准备之后花费很少时间时，决策树可以用作分类器。决策树可以采取简单决策树、线性决策树、代数决策树、确定性决策树、随机决策树、非确定性决策树和量子决策树的形式。下面在图7中提供了示例性决策树。
图7示出了决定是否打高尔夫球的决策树，该决策树遵循与上述贝叶斯示例相同的结构。在决策树中，第一节点710检查天气，从而将晴朗712、阴天714和雨天716作为选择以沿决策树向下进展。如果天气晴朗，则跟随树的支腿到检查温度的第二节点720。在该示例中，节点720处的温度可以为高722或正常724。如果节点720处的温度为高722，则出现“否”(不打)723高尔夫球的预测结果。如果节点720处的温度为正常724，则出现“是”(打)725高尔夫球的预测结果。
此外，从第一节点710开始，出现结果阴天714，则“是”(打)715高尔夫球。
从第一节点天气710开始，雨天716的结果导致(再次)检查温度的第三节点730。如果第三节点730处的温度为正常732，则“是”(打)733高尔夫球。如果第三节点730处的温度为低734，则“否”(不打)735高尔夫球。
根据该决策树，如果天气为阴天715、在正常温度晴朗天气725下和在正常温度下雨天气733下，则高尔夫球手打高尔夫球，而如果是晴朗高温723下或下雨低温735下，则高尔夫球手不打高尔夫球。
随机森林分类器是决策树的委员会，其中每个决策树已被馈送数据的属性的子集并且基于该子集进行预测。考虑决策树的实际预测值的众数以提供最终的随机森林答案。随机森林分类器通常减轻了存在于独立决策树中的过度拟合，从而得到更稳健和准确的分类器。
图8示出了用于对服装的颜色进行分类的示例性随机森林分类器。如图8所示，随机森林分类器包括五个决策树8101、8102、8103、8104和8105(统称或一般称为决策树810)。每个树被设计用于对服装的颜色进行分类。不提供对每个树和所做决策的讨论，因为每个单独的树通常作为图7的决策树来操作。在该例证中，这五个树中的三个(8101、8102、8104)确定服装为蓝色，而一个树确定服装为绿色(8103)，并且剩余的树确定服装为红色(8105)。随机森林采用五个树的这些实际预测值，并计算这些实际预测值的众数以提供服装为蓝色的随机森林答案。
逻辑回归是用于二分分类任务的另一种算法。逻辑回归基于逻辑函数(也称为S形函数)。该S形曲线可采用任何实值数，并且将其映射在0和1之间，渐近地接近那些限值。逻辑模型可用于对存在的某个类别或事件诸如通过/失败、赢/输、存活/死亡或健康/患病的概率进行建模。这可扩展到对几类事件进行建模，例如确定图像中是否包含猫、狗、狮子等。图像中检测到的每个对象将被分配一个介于0和1之间的概率，概率之和为1。
在逻辑模型中，标记为“1”的值的对数几率(几率的对数)是一个或多个自变量(“预测器”)的线性组合；这些自变量可各自为二元变量(两个类别，由指示器变量编码)或连续变量(任何实值)。标记为“1”的值的对应概率可以在0(肯定为值“0”)和1(肯定为值“1”)之间变化，因此进行标记；将对数几率转换为概率的函数是逻辑函数，因此使用此名称。对数几率标度的测量单位称为分对数，来自逻辑单位，因此使用此另选名称。也可以使用具有不同S形函数而不是逻辑函数的类似模型，诸如概率模型；逻辑模型的定义特性为增加自变量中的一个以恒定速率乘法地缩放给定结果的几率，其中每个自变量具有其自身的参数；对于二元因变量，这概括了几率比。
在二元逻辑回归模型中，因变量具有两个水平(类别上)。通过多项逻辑回归对具有超过两个值的输出进行建模，并且如果这多个类别是有序的，则通过顺序逻辑回归(例如比例优势顺序逻辑模型)进行建模。逻辑回归模型本身简单地根据输入对输出的概率进行建模，并且不执行统计分类(其不是分类器)，但其可用于例如通过选择截止值并将概率大于截止值的输入分类为一个类别、将概率低于截止值的输入分类为另一个类比来充当分类器；这是制作二元分类器的通用方式。
图9示出了示例性逻辑回归。该示例性逻辑回归使得能够基于一组变量来预测结果。例如，基于个人的平均学分绩点，可预测被学校接受的结果。平均学分绩点的过去历史以及与接受的关系使得预测能够发生。图9的逻辑回归使得能够分析平均学分绩点变量920以预测由0至1限定的结果910。在S形曲线的低端930处，平均学分绩点920预测不被接受的结果910。而在S形曲线的高端940处，平均学分绩点920预测被接受的结果910。逻辑回归可用于预测房屋价值、保险行业中的客户寿命值等。
支持向量机(SVM)可用于以尽可能远地间隔开的两个类别之间的裕度对数据进行分类。这被称为最大裕度间隔。SVM可在绘制超平面时考虑支持向量，这与线性回归不同，线性回归将整个数据集用于该目的。
图10示出了示例性支持向量机。在示例性SVM 1000中，数据可被分类为表示为正方形1010和三角形1020的两个不同类别。SVM 1000通过绘制随机超平面1030来操作。通过比较超平面1030与来自每个类别的最近数据点1050之间的距离(用线1040示出)来监测该超平面1030。距超平面1030最近的数据点1050被称为支持向量。基于这些支持向量1050来绘制超平面1030，并且最佳超平面具有距这些支持向量1050中的每一个的最大距离。超平面1030和支持向量1050之间的距离被称为裕度。
SVM 1000可用于通过使用超平面1030对数据进行分类，使得超平面1030与支持向量1050之间的距离最大。例如，此类SVM 1000可用于预测心脏病。
K个最近相邻点(KNN)是指通常不对基础数据分布做出假设并且执行相当短的训练阶段的一组算法。一般来讲，KNN使用被分成若干类别的许多数据点来预测新采样点的分类。操作地，KNN指定具有新样本的整数N。选择系统的模型中最靠近该新样本的N个条目。确定这些条目的最常见分类，并将该分类分配给该新样本。KNN通常要求存储空间随着训练集增大而增大。这也意味着估计时间与训练点的数量成比例地增加。
在回归算法中，输出为连续量，因此可在目标变量为连续变量的情况下使用回归算法。线性回归是回归算法的一般示例。线性回归可用于根据一个或多个一致变量来估计真实质量(房屋成本、叫拍次数、所有买断交易等)。通过拟合最佳线(从而拟合线性回归)来创建变量与结果之间的连接。该最佳拟合线被称为回归线并且通过直接条件Y＝a*X+b来表达。线性回归最好用于涉及低维度数的方法中。
图11示出了示例性线性回归模型。在该模型中，相对于测量变量1120来对预测变量1110进行建模。预测变量1110和测量变量1120的实例的集群被绘制为数据点1130。然后用最佳拟合线1140拟合数据点1130。然后在给定测量变量1120的情况下，将最佳拟合线1140用于后续预测，该线1140用于预测该实例的预测变量1110。线性回归可用于在外科手术的结果、金融组合的表现、收入预报、房地产和在到达估计到达时间时的交通方面进行建模和预测。
聚类算法也可用于对数据集进行建模和训练。在聚类中，基于特征相似性将输入分配到两个或更多个集群中。聚类算法通常在没有任何指导的情况下从数据中学习模式和有用的见解。例如，可使用无监督学习算法诸如K均值聚类来执行基于观看者的兴趣、年龄、地理等将他们聚类成类似的组。
K均值聚类通常被认为是简单的无监督学习方法。在K均值聚类中，可以将类似的数据点聚集在一起并以集群的形式绑定。用于将数据点绑定在一起的一种方法是通过计算该组数据点的质心。在确定有效集群时，在K均值聚类中，评估每个点与集群的质心之间的距离。根据数据点与质心之间的距离，将数据分配给最近的集群。聚类的目标是确定一组未标记数据中的本征分组。K均值中的“K”代表形成的集群的数量。集群的数量(基本上是可对新的数据实例进行分类的类别的数量)可由用户确定。例如，可在训练期间使用反馈并查看集群的尺寸来执行该确定。
在数据集具有不同且良好间隔的点的情况下使用K均值，否则，如果集群未间隔，则建模可能会使集群不准确。另外，在数据集含有大量异常值或数据集为非线性的情况下，可以避免K均值。
图12示出了K均值聚类。在K均值聚类中，绘制数据点并分配K值。例如，对于图12中的K＝2，绘制数据点，如描绘1210所示。然后在步骤1220处将这些点分配给类似的中心。集群质心被识别，如1230所示。一旦质心被识别，就将这些点重新分配到集群以提供数据点到相应集群质心之间的最小距离，如1240所示。然后可确定集群的新质心，如描绘1250所示。当将数据点重新分配到集群时，可发生新的集群质心形成、迭代或一系列迭代，以使集群的尺寸最小化并且确定最佳质心的质心。然后，当测量新的数据点时，可将新的数据点与质心和集群进行比较以与该集群一起识别。
可使用集成学习算法。与可单独从任何组成学习算法获得的性能相比，这些算法使用多个学习算法来获得更好的预测性能。集成学习算法执行通过假设空间进行搜索以找到将对特定问题进行良好预测的合适假设的任务。即使该假设空间含有非常适合特定问题的假设，找到良好的假设也可能是非常困难的。集成算法组合了多个假设以形成更好的假设。术语集成通常被保留用于使用相同的基础学习器来生成多个假设的方法。多个分类器系统的更广泛的术语还涵盖不由相同基础学习器诱导的假设的混合。
与评估单个模型的预测相比，评估集成的预测通常需要更多的计算，因此集成可被认为是通过执行大量额外计算来补偿不良学习算法的方式。快速算法诸如决策树通常用在集成方法中，例如随机森林，尽管较慢算法也可受益于集成技术。
集成本身是受监督的学习算法，因为该集成可以被训练，然后用于进行预测。因此，受过训练的集成代表单个假设。然而，该假设不一定被容纳在构建该假设的模型的假设空间内。因此，可示出集成在其可表示的功能上具有更大的灵活性。理论上，这种灵活性可使得这些集成能够比单个模型更适合训练数据，但在实践中，一些集成技术(尤其是装袋)趋于减少与过度适合训练数据相关的问题。
根据经验，当模型之间存在显著多样性时，集成算法趋于产生更好的结果。因此，许多集成方法试图促进它们组合的模型之间的多样性。虽然是非直观的，但可使用更随机的算法(如随机决策树)来产生比非常有意的算法(如熵降低决策树)更强的集成。然而，使用多种强力学习算法已显示出比使用尝试丢弃模型以促进多样性的技术更有效。
集成的分量分类器的数量对预测的准确度具有很大影响。预先确定大数据流的集成尺寸和体积以及速度使得这对于在线集成分类器甚至更重要。理论框架表明，存在用于集成的理想数量的分量分类器，使得具有多于或少于该数量的分类器将降低准确度。理论框架表明，使用与类标签相同数量的独立分量分类器给出了最高准确度。
一些常见类型的集成包括贝叶斯最佳分类器、自举聚合(装袋)、提升、贝叶斯模型平均、贝叶斯模型组合、模型存储和堆叠。图13示出了示例性集成学习算法，其中装袋被并行执行1310，并且提升被顺序地执行1320。
神经网络是神经元的网络或电路，或者在现代意义上，是由人工神经元或节点组成的人工神经网络。生物神经元的连接被建模为权重。正权重反映兴奋性连接，而负值表示抑制性连接。通过权重修改输入并使用线性组合求和。激活函数可控制输出的振幅。例如，可接受的输出范围通常介于0和1之间，或者该范围可为-1和1之间。
这些人工网络可用于预测建模、自适应控制和应用，并且可经由数据集被训练。由经验产生的自学可发生在网络内，这可从复杂且看似不相关的信息组中得出结论。
为了完整起见，生物神经网络由一组或多组化学连接的或功能相关的神经元组成。单个神经元可被连接到许多其他神经元，并且网络中的神经元和连接的总数可以是广泛的。连接(称为突触)通常由轴突至枝状体形成，但树枝状突触和其他连接也是可能的。除了电信号之外，还存在由神经递质扩散引起的其他形式的信号。
人工智能、认知建模和神经网络是由生物神经系统处理数据的方式诱发的信息处理范式。人工智能和认知建模试图模拟生物神经网络的一些特性。在人工智能领域，人工神经网络已被成功地应用于语音识别、图像分析和自适应控制，以便(在计算机和视频游戏中)构建软件代理或自主机器人。
就被称为人工神经网络(ANN)或模拟神经网络(SNN)的人工神经元而言，神经网络(NN)是一组互连的天然或人工神经元，该神经网络基于计算的连接方法使用数学或计算模型进行信息处理。在大多数情况下，ANN是基于流动通过网络的外部或内部信息来改变其结构的自适应系统。更实际的术语神经网络是非线性统计数据建模或决策制定工具。这些术语神经网络可用于对输入和输出之间的复杂关系进行建模或在数据中找到模式。
人工神经网络涉及简单处理元件(人工神经元)的网络，该网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。
一种经典类型的人工神经网络是复发式霍普菲尔德网络。人工神经网络模型的实用性在于它们可用于从观察推断函数并且还可用于使用该函数。未受监督的神经网络还可用于学习捕获输入分布的显著特征的输入的表示，以及最近的深度学习算法可以隐含地学习观察到的数据的分布函数。在神经网络中的学习在数据或任务的复杂性使得手动设计此类功能不切实际的应用中特别有用。
神经网络可用于不同领域。人工神经网络所应用的任务往往落在以下广泛类别内：函数近似或回归分析，包括时间序列预测和建模；分类，包括模式和序列识别、新颖性检测和顺序决策；以及数据处理，包括过滤、集群、盲信号分离和压缩。
ANN的应用程序区域包括非线性系统识别和控制(车辆控制、过程控制)、游戏播放和决策制定(西洋双陆棋、聊天、比赛)、模式识别(雷达系统、面部识别、对象识别)、序列识别(手势、语音、手写文本识别)、医疗诊断、金融应用程序、数据挖掘(或数据库中的知识发现，“KDD”)、可视化和电子邮件垃圾筛选。例如，可以从训练用于对象识别的图片创建用户兴趣的语义特征图。
图14示出了示例性神经网络。在该神经网络中，存在由多个输入诸如14101和14102表示的输入层。输入14101、14102被提供给被描绘为包括节点14201、14202、14203、14204的隐藏层。这些节点14201、14202、14203、14204被组合以在输出层中产生输出1430。神经网络经由简单处理元件的隐藏层(节点14201、14202、14203、14204)执行简单处理，该神经网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。
图14的神经网络可在硬件中实现。如图15所示，示出了基于硬件的神经网络。
心律失常并且具体地讲心房纤颤(AF)一直为常见和危险的医学病症，在老年人中尤为如此。对于具有正常窦性节律的患者，由心房、心室和兴奋传导组织构成的心脏在电刺激的作用下以同步、模式化方式搏动。对于心律失常的患者，心脏组织的异常区域不会像具有正常窦性心律的患者那样遵循与正常传导组织相关的同步搏动周期。相反，心脏组织的异常区域不正常地向邻近组织传导，从而将心动周期打乱为非同步心律。之前已知这种异常传导发生于心脏的各个区域处，例如窦房(SA)结区域中、沿房室(AV)结和希氏束的传导通路或形成心室和心房心腔的壁的心肌组织中。
基于导管消融的治疗可包括标测心脏组织的电特性(尤其是心内膜和心脏容量)，以及通过施加能量来选择性地消融心脏组织。创建例如沿着心脏组织的波传播的电势的标测图(电压标测图)或到各种组织定位点的抵达时间的标测图(局部时间激活(LAT)标测图)的心脏标测可用于检测局部心脏组织功能障碍。消融，诸如基于心脏标测的消融，可停止或改变不需要的电信号从心脏的一个部分传播到另一部分。
随着临床医生治疗越来越具挑战性的病症诸如心房颤动和室性心动过速，心脏消融和其他心脏电生理规程变得日益复杂。复杂性心律失常的治疗目前依赖于使用三维(3D)标测系统以便重建感兴趣心室的解剖结构。例如，心脏病专家依赖于软件，诸如BiosenseWebster,Inc.(Diamond Bar,Calif.)生产的
Figure BDA0003087198120000211
33D标测系统的复杂碎裂心房电描记图(CFAE)模块来分析心内EGM信号并确定消融点以用于治疗广泛的心脏病症，包括非典型性心房扑动和室性心动过速。3D标测图可提供有关组织的电生理特性的多条信息，它们表示这些具有挑战性的心律失常的解剖和功能基质。
电极导管已经普遍用于医疗实践多年。它们被用来刺激和标测心脏中的电活动，以及用来消融异常电活动的位点。使用时，将电极导管插入到主静脉或动脉例如股动脉中，并且随后引导到所关注的心脏腔室中。典型的消融规程涉及将在其远侧端部具有至少一个电极的导管插入到心脏腔室中。提供通常用胶带粘贴在患者的皮肤上的参考电极，或者可使用设置在心脏中或附近的第二导管来提供参考电极。RF(射频)电流被施加到消融导管的尖端电极，并且电流通过周围介质(即血液和组织)流向参考电极。电流的分布取决于与血液相比电极表面与组织接触的量，血液具有比组织更高的导电率。由于组织的电阻，发生组织的加热。组织被充分加热而致使心脏组织中的细胞破坏，从而导致在心脏组织内形成不导电的消融灶。在这个过程中，由于从被加热组织至电极本身的传导，还发生对电极的加热。如果电极温度变得足够高，可能高于60℃，则可在电极的表面上形成脱水血蛋白的薄透明涂层。如果温度继续升高，则该脱水层可变得越来越厚，导致在电极表面上的血液凝结。因为脱水生物材料具有比心内膜组织更高的电阻，所以对于进入组织的电能量流的阻抗也增大。如果阻抗充分地增加，则出现阻抗上升，并且必须将导管从体内移除并清理尖端电极。
成功进行导管消融的先决条件要求心律失常的原因和心脏的周围区域准确地定位在心脏腔室中。此类定位可经由电生理研究来完成，在该电生理研究期间，用引入到心脏腔室中的标测导管空间分辨地检测电势。该电生理研究(所谓的电解剖标测)因此提供可在监视器上显示的3D标测数据。在许多情况下，标测功能和治疗功能(例如，消融)由单个导管或一组导管提供，使得标测导管也同时作为治疗(例如，消融)导管操作。
心脏标测可使用一种或多种技术来实现。作为第一技术的示例，心脏标测可通过根据心脏内的精确位置感测心脏组织的电特性(例如，局部激活时间)来实现。对应的数据可通过一个或多个导管获取，这些导管使用在其远侧末端中具有电传感器和位置传感器的导管推进到心脏中。例如，最初可在心脏的内表面上的约10个至约20个点上测量位置和电活动。这些数据点通常可足以生成心脏表面的质量令人满意的初步重构或标测图。初步图可与取自额外的点处的数据结合，以便产生更全面的心脏电活动图。在临床环境中，积累100个或更多个位点处的数据以生成心脏腔室电活动的详细且全面的标测图并不少见。所产生的详细的图可接着作为基础以用于决定例如组织消融的治疗行动过程，以改变心脏电活动的传播和恢复正常心律。
包含位置传感器的导管可用于确定心脏表面上的点的轨线。这些轨线可用于推断运动特性，诸如组织的收缩性。当在心脏中足够数量的点处采样轨迹信息时，可构建描绘此类运动特性的标测图。
通常可将在其远侧末端处或附近包含电传感器的导管推进到心脏中的某点处，用传感器接触组织并获取该点处的数据，通过这种方式来测量心脏中该点处的电活动。多电极导管可使用任何适用的形状来实现，诸如具有多个电极的线性导管、包括分散在使球囊成形的多个脊上的电极的球囊导管、具有多个电极的套索或环导管，或任何其他适用的形状。
根据一个示例，多电极导管可被推进到心脏的腔室中。可获得前后荧光图(AP)和侧向荧光图以建立每个电极的位置和取向。可由与心脏表面接触的电极中的每个电极记录相对于时间基准(诸如，从来自体表ECG的窦性节律中的P波开始)的电描记图。如本文进一步公开的，该系统可区分记录电活动的那些电极和由于不紧密接近心内膜壁而不记录电活动的那些电极。在记录初始电描记图之后，可重新定位导管，并且可再次记录荧光图和电描记图。然后可根据上述过程的迭代构建电标测图。。
根据另一个示例，可实现用于标测心脏腔室的电势分布的技术和设备。心内多电极标测导管组件可插入患者的心脏中。标测导管组件可包括具有整体参考电极的多电极阵列，或者优选地，包括配套参考导管。电极可以基本上球形阵列的形式部署。电极阵列可通过参考电极或通过与心内膜表面接触的参考导管在空间上以心内膜表面上的点为参考。优选的电极阵列导管可承载多个单独的电极位点(例如，至少24个)。另外，该示例性技术可通过了解阵列上电极位点中的每个电极位点的位置以及了解心脏几何形状来实现。这些位置优选地通过阻抗容积描记术的技术来确定。
根据其他示例，身体贴片和/或体表电极可定位在患者身体上或患者身体附近。具有一个或多个电极的导管可定位在患者的身体内(例如，患者的心脏内)，并且该导管的位置可由系统基于在该导管的一个或多个电极与身体贴片和/或体表电极之间传输和接收的信号来确定。另外，导管电极可感测来自患者体内(例如，心脏内)的生物计量数据(例如，LAT值)。生物计量数据可与所确定的导管的位置相关联，使得可显示患者的身体部位(例如，心脏)的渲染，并且可显示覆盖在身体部位形状上的生物计量数据，如由导管的位置所确定的。
通常在心脏规程之前和/或期间检测电信号诸如心电图(ECG)信号。例如，ECG信号可用于识别引起信号的心律失常源自的心脏的潜在位置。一般来讲，ECG为描述心脏的电活动的信号。ECG信号也可用于标测心脏的部分。
ECG信号由心脏的心房肌和心室肌的收缩(去极化)和舒张(复极化)产生。如图16中的信号1602所示，ECG信号包含P波(由于心房去极化)、QRS波群(由于心房复极化和心室去极化)和T波(由于心室复极化)。为了记录ECG信号，电极可放置在人体上的特定位置处，或者可经由导管定位在人体内。伪影(例如，噪声)是与电子信号诸如ECG信号合并的不想要的信号，并且有时会对心脏病症的诊断和/或治疗造成障碍。电信号中的伪影可为基线漂移、电力线干扰、肌电图(EMG)噪声、电力线噪声等。
另外，生物计量(例如，生物电势)患者监视器可使用表面电极来进行生物电势的测量，诸如ECG或脑电图(EEG)。这些测量的保真性受限于电极与患者的连接的有效性。电极系统对电流的流动的电阻(称为电阻抗)表征连接的有效性。通常，阻抗越高，测量的保真性越低。几种机制可能导致较低的保真性。
图17是可实现本公开主题的一个或多个特征的示例性系统1720的图示。系统1720的全部或部分可用于为训练数据集收集信息，并且/或者系统1720的全部或部分可用于实现已训练模型。系统1720可包括被配置成损坏体内器官的组织区域的部件，诸如导管1740。导管1740也可被进一步配置成获得包括电子信号的生物计量数据。虽然导管1740示为尖导管，但是应当理解，包括一个或多个元件(例如电极)的任何形状的导管均可用于实施本文公开的实施方案。系统1720包括探头1721，该探头具有可由医师1730导航到躺在台1729上的患者1728的身体部位诸如心脏1726中的轴。根据实施方案，可提供多个探头，然而，为了简洁起见，在该示例中描述了单个探头1721，但是应当理解，探头1721可代表多个探头。如图17所示，医师1730可穿过护套1723插入轴1722，同时使用导管1740的近侧端部附近的操纵器和/或从护套1723偏转来操纵轴1722的远侧端部。如插图1725所示，导管1740可装配在轴1722的远侧端部。导管1740可在塌缩状态下穿过护套1723插入，并且然后可在心脏1726内展开。如本文进一步所述的，导管1740可包括至少一个消融电极1747和导管针。
根据实施方案，导管1740可被配置成消融心脏1726的心腔的组织区域。插图1745以放大视图示出了在心脏1726的心腔内的导管1740。如图所示，导管1740可包括联接到导管的主体上的至少一个消融电极1747。根据其他实施方案，多个元件可经由形成导管1740的形状的长条连接。可以提供一个或多个其他元件(未示出)，该一个或多个其他元件可以是被配置成消融或获得生物计量数据的任何元件，并且可以是电极、换能器或一个或多个其他元件。
根据本文所公开的实施方案，消融电极诸如电极1747可被配置成向体内器官诸如心脏1726的组织区域提供能量。能量可以是热能并且可从组织区域的表面开始并延伸到组织区域的厚度中对组织区域造成损伤。
根据本文所公开的实施方案，生物计量数据可以包括LAT、电活动、拓扑结构、双极标测图、主频、阻抗等中的一者或多者。局部激动时间可以是基于归一化初始起点来计算的对应于局部激动的阈值活动的时间点。电活动可以是可以基于一个或多个阈值来测量并且可以基于信噪比和/或其他滤波器来感测和/或增强的任何适用的电信号。拓扑结构可以对应于身体部位或身体部位的一部分的物理结构，并且可以对应于物理结构相对于身体部位的不同部分或相对于不同身体部位的变化。主频可以是在身体部位的一部分处普遍存在的频率或频率范围，并且在相同身体部位的不同部分中可以不同。例如，心脏的肺静脉的主频可以不同于同一心脏的右心房的主频。阻抗可以是在身体部位的给定区域处的电阻测量值。
如图17所示，探头1721和导管1740可连接到控制台1724。控制台1724可包括处理器1741(诸如通用计算机)，该处理器具有合适的前端和接口电路1738，用于向导管传输信号和从导管接收信号，以及用于控制系统1720的其他部件。在一些实施方案中，处理器1741可进一步被配置成接收生物计量数据，诸如电活动，并确定给定的组织区域是否导电。根据一个实施方案，处理器可位于控制台1724的外部，并且可位于例如导管中、外部装置中、移动装置中、基于云的装置中，或者可以是独立的处理器。
如上所指出，处理器1741可包括通用计算机，该通用计算机可用软件编程以执行本文所述的功能。软件可以例如通过网络以电子形式下载到通用计算机，或者可另选地或另外地设置和/或存储在非临时性有形介质(诸如磁存储器、光存储器或电子存储器)上。图17所示的示例性配置可被修改成实施本文所公开的实施方案。本发明所公开的实施方案可以类似地使用其他系统部件和设置来应用。另外，系统1720可包括附加部件，诸如用于感测电活动的元件、有线或无线连接器、处理和显示装置等。
根据一个实施方案，连接到处理器(例如，处理器1741)的显示器1727可位于远程位置诸如单独的医院或位于单独的医疗保健提供者网络中。另外，系统1720可为外科系统的一部分，该外科系统被配置成获得患者器官(诸如心脏)的解剖测量结果和电测量结果，并执行心脏消融规程。此类外科系统的示例是由Biosense Webster销售的
Figure BDA0003087198120000262
系统。
系统1720还可以并且任选地使用超声、计算机断层摄影(CT)、磁共振成像(MRI)或本领域已知的其他医疗成像技术来获得生物计量数据，诸如患者心脏的解剖测量结果。系统1720可使用导管、心电图(EKG)或测量心脏的电特性的其他传感器来获得电测量结果。如图17所示，然后可将包括解剖测量结果和电测量结果的生物计量数据存储在标测系统1720的存储器1742中。生物计量数据可从存储器1742传输到处理器1741。另选地或除此之外，可使用网络1762将生物计量数据传输到可以是本地的或远程的服务器1760。
网络1762可以是本领域公知的任何网络或系统，诸如内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或一系列连接、蜂窝电话网络，或者能够促进标测系统1720和服务器1760之间的通信的任何其他网络或介质。网络1762可以是有线的、无线的或它们的组合。可以使用以太网、通用串行总线(USB)、RJ-11或本领域公知的任何其他有线连接来实现有线连接。可以使用Wi-Fi、WiMAX和蓝牙、红外、蜂窝网络、卫星或本领域公知的任何其他无线连接方法来实现无线连接。另外，几个网络可以单独工作或彼此通信以促进网络1762中的通信。
在一些情况下，服务器1760可被实现为物理服务器。在其他情况下，服务器1762可被实现为公共云计算提供商(例如，Amazon Web Services
Figure BDA0003087198120000261
的虚拟服务器。
根据示例性实施方案，服务器1760可被实现为存储机器学习算法(诸如神经网络1790)的处理器或与该处理器通信。在另一个实施方案中，神经网络1790可在控制台1724中实现。例如但不限于，神经网络1790可在一个或多个CPU处理器上、在一个或多个GPU处理器上、在一个或多个FPGA芯片上、或者在专用于执行深度学习计算的ASIC(诸如
Figure BDA0003087198120000271
NervanaTM神经网络处理器)上实现。根据示例性实施方案，神经网络1790可位于但不限于医疗手术室中、医院或医疗设施中的服务器或处理器上、远程服务器或处理器上、或云中。
控制台1724可通过缆线1739连接到体表电极1743，该体表电极可包括附连到患者1730的粘合剂皮肤贴片。处理器与电流跟踪模块相结合可确定导管1740在患者的身体部位(例如心脏1726)内的方位坐标。方位坐标可基于在体表电极1743和电极1747或导管1740的其他电磁部件之间测得的阻抗或电磁场。附加地或另选地，定位垫可位于床1729的表面上并且可与床1729分离。
处理器1741可包括通常被配置为现场可编程门阵列(FPGA)的实时降噪电路系统，之后是模数(A/D)ECG(心电图)或EMG(肌电图)信号转换集成电路。处理器1741可将信号从A/D ECG或EMG电路传递到另一处理器并且/或者可被编程以执行本文所公开的一个或多个功能。
控制台1724还可包括输入/输出(I/O)通信接口，该输入/输出(I/O)通信接口使得控制台能够传递来自电极1747的信号，并且/或者将信号传递到该电极。
在规程期间，处理器1741可促进在显示器1727上向医师1730呈现身体部位渲染1735，并且将表示身体部位渲染1735的数据存储在存储器1742中。存储器1742可包括任何合适的易失性和/或非易失性存储器，诸如随机存取存储器或硬盘驱动器。在一些实施方案中，医疗专业人员1730可能能够使用一个或多个输入装置(诸如触摸板、鼠标、键盘、手势识别设备等)来操纵身体部位渲染1735。例如，输入装置可用于改变导管1740的位置，使得渲染1735被更新。在另选的实施方案中，显示器1727可包括触摸屏，该触摸屏可被配置成除了呈现身体部位渲染1735之外，还接受来自医疗专业人员1730的输入。
根据一个实施方案，神经网络1790可被提供用于自动检测和识别心脏内特定结构(诸如希氏束)的位置。神经网络1790可具有上面关于图14和图15描述的形式。
希氏束是起源于CS的孔口附近的心肌的一部分。希氏束是心脏的电传导系统的关键部分，因为它起着将电脉冲从位于心房和心室之间的房室(AV)结传输到心脏心室的作用。希氏束位于心脏中的脆弱部位，如果在导管消融规程期间被错误地消融，则可能会对心脏的电传导系统造成有害和不希望的影响。在常规消融规程期间，医师可手动标记希氏束以识别其在心脏内的位置，从而可以在消融规程期间避开希氏束。对希氏束的这种手动标记既繁琐又耗时。手动标记还可导致假阳性读数，其中心电图(ECG)信号看起来像是希氏束脉冲，但脉冲的位置不准确地对应于希氏束的位置。在其他常规消融规程中，医师可能不标记希氏束，这增加了消融规程期间患者的风险。
根据图18A中的示例性实施方案，提供图17的神经网络1790的图示的神经网络1800接收用于训练神经网络1800的输入数据1810并自动识别感兴趣的心脏结构诸如希氏束1820，其效率和可靠性比在规程诸如消融规程期间由医师手动识别更高。输入数据1810的非限制性示例可包括由导管(诸如标测导管)的电极或双极电极对接收的心内电描记图(EGM)或ECG信号1830、第一标测导管的电极与第二参考导管上的点之间的距离1840(通常以毫米为单位测量)或其他输入1850。其他输入1850可包括指示第一标测导管的电极与第二参考导管上的点之间的距离是否小于预定阈值的离散布尔值(即，0或1)、如由导管中的力传感器测量的由导管施加到感兴趣的心脏结构的力(通常以克为单位测量)、指示导管的电极与感兴趣的心脏结构之间的接近度的指数、由导管的电极测量的感兴趣的心脏结构的阻抗值(通常以欧姆为单位测量)、由体表电极接收的心电图(ECG)信号1830、感兴趣的心脏结构的手动标测数据，以及由导管的电极测量的任何其他电生理数据。
在一个实施方案中，将一个或多个输入数据1810馈送到神经网络1800中。输入数据1810可存储在各种位置中，包括但不限于医院或医疗设施，存储在远程服务器位置处，或存储在云中，但不限于此。训练数据1810可实时地、以预定间隔或根据请求传输到神经网络1800。一旦经过训练，神经网络1800就可在导管消融规程期间实时识别希氏束1820。
在一个实施方案中，神经网络1800的输出1820可包括但不限于离散布尔值和连续值，该离散布尔值指示标测导管的电极是否足够靠近感兴趣的心脏结构，诸如希氏束，并且连续值诸如匹配指数指示由标测导管的电极测量的感兴趣的心脏的特性与感兴趣的心脏结构的特性(诸如通过手动标测获得的特性)之间的匹配。
根据示例性实施方案，神经网络1800可包括卷积神经网络(CNN)或递归神经网络(RNN)，诸如长短期记忆(LSTM)神经网络。卷积神经网络(CNN)是优选用于计算机视觉和/或图像识别领域的深度学习算法。CNN为输入图像中的各个方面或特征分配重要性(可学习权重)，以便彼此区分。LSTM神经网络是具有用于深度学习的反馈连接的递归神经网络。
在示例性实施方案中，每次训练后，可根据标准数据库(诸如金标准数据库)执行训练模型(包括其输出)，以验证其准确度。在非限制性示例中，金标准数据库由已知为所考虑的心脏结构(例如，房室束)的点、已知“不是”该结构的点、相关导管位置、ECG信号和其他相关参数组成。在示例性实施方案中，如果新训练的模型的准确度低于阈值，或者另选地，如果新训练的模型的准确度低于先前模型的准确度，则可丢弃该模型。类似地，如果新训练的模型的准确度等于或高于阈值，或者另选地，如果新训练的模型的准确度高于先前模型的准确度，则可将模型发布给现场的标测系统。在示例性实施方案中，新模型的发布可手动执行，例如，通过操作员从网址下载文件并将其上传到标测系统1720。另选地，可经由互联网将新模型推送到现场的标测系统1720。
图18B是描绘用于训练神经网络1800并自动检测和识别心脏内特定结构的位置的模块1860的示例性实施方案的流程图。虽然图18B结合图18A示出了用于自动识别心脏中希氏束的模块，但本领域的技术人员将认识到，可根据模块1860识别其他心脏结构或信号。
例如，在心脏消融规程期间，可利用多个导管来获得心脏的各种数据记录。图19A示出了用于获得心脏1910的电生理数据的多个心内导管和体表电极。根据示例性实施方案，例如，导管可包括但不限于消融导管1920、CS参考导管1930和希氏束标测导管1940。也可根据需要使用其他探头，诸如右心室心尖部(RVA)导管1950。消融导管1920用于执行如上所述的消融规程。CS参考导管1930放置在心脏1910的冠状窦1932内。希氏束标测导管1940接触希氏束并被配置成记录希氏束电描记图(HBE)，如图20所示，如本文所讨论的。体表电极1960被定位在体表主体上以记录心脏的ECG信号，如上文所述并如图16和图20所示。
根据示例性实施方案，从导管1920、1930、1940、1950和电极1960获得的电生理数据可被馈送到处理器诸如处理器1741以供分析并输出到显示器1727，并且优选地传输到神经网络1790，如图17所示。
在步骤1865处，神经网络1800从第一导管接收第一输入数据。在一个实施方案中，第一输入数据1810优选地为电生理数据，并且更优选地为由第一导管的电极或双极电极对接收的心内电描记图(EGM)信号1840。在一个实施方案中，第一导管是从感兴趣的心脏结构接收EGM信号的标测导管。在一个实施方案中，第一导管是希氏束标测导管1940，如图19A至图19B所示，该导管接收希氏束电描记图(HBE)信号。第一导管可包括多个电极。图19B示出了具有四个电极1942a、1942b、1942c、1942d的希氏束标测导管1940；然而，本领域的技术人员将认识到希氏束标测导管1940可包括任何数量的电极。希氏束标测导管1940可在电极1942a、1942b、1942c、1942d中的任一者处接收EGM信号。
在步骤1875处，神经网络1800接收附加输入数据。在一个实施方案中，附加输入数据可以是从第二电极(诸如希氏束标测导管1940的电极1942b)接收的第二EGM信号。本领域技术人员将认识到，附加输入数据可包括从希氏束标测导管1940的不同电极接收的多个EGM信号。
为了帮助示出本公开的各方面，图20分别示出了可根据本公开的方法使用的示例性体表ECG和心内HBE记录2010和2020。如HBE记录2020所示，A波指示低右心房激活，希氏束活动表示为H，并且V偏转指示心室激活。通常，A波的开始与随后的V偏转开始之间的时间段被称为AV间隔2022。当希氏束标测导管1940接触希氏束时，HBE信号优选地具有HBE记录2020中所示的模式。
如本领域已知的并且如上文所讨论的，体表电极1960用作参考电极并且产生心动周期的体表ECG记录2010，该记录包括如图所示的P波、QRS波群和T波。P波表示心房腔室的极化阶段，QRS波群表示心室的复极化，并且T波表示心室的去极化。相应地，P波的开始与QRS波群的开始之间的时间段被称为PR间隔2012。线2030示出了电脉冲通过体表ECG记录2010中的希氏束的点。
在一个实施方案中，神经网络1800基于输入数据识别对应于希氏束的位置的电生理数据，诸如HBE信号。例如，神经网络1800识别输入数据是否包括与希氏束对应的电生理数据。
然而，即使HBE信号具有如HBE记录2020中所示的模式，希氏束标测导管1940也可能可以显示假阳性读数，例如当希氏束标测导管1940接近但不接触希氏束时。因此，神经网络也可依赖于希氏束标测导管1940的电极和CS参考电极1930之间的距离，如本文所讨论的。
在一个实施方案中，附加输入数据还可包括希氏束标测导管1940上的电极和参考导管上的电极之间的距离。例如，参考导管可以是插入心脏的冠状窦中的CS参考导管1930，如图19A至图19B所示。例如，众所周知，希氏束在解剖学上位于CS附近。根据示例性实施方案，希氏束标测导管1940上的电极和CS参考导管1930上的电极之间的距离用作接近度数据，以确定HBE记录2020的可靠性。
在一个实施方案中，CS参考导管1930可包括多个电极。图19B示出了CS参考导管1940，其具有十个电极1932a、1932b、1932c、1932d、1932e、1932f、1932g、1932h、1932i、1932j；然而，本领域的技术人员将认识到，CS参考导管1940可包括任何数量的电极。在一个实施方案中，可测量希氏束标测导管1940的每个电极1942a-d与CS参考导管1930上的最近点之间的距离。例如，如图19B所示，距离D3是希氏束标测导管1940的电极1942c与CS参考导管1930上的最近点之间的距离。另选地或除此之外，可测量希氏束标测导管1940的每个电极1942a-d与CS参考导管1930的最近电极1932a-j之间的距离。另选地或除此之外，可测量希氏束标测导管1940的每个电极1942a-d与CS参考导管1930的选定电极之间的距离，该选定电极可以是电极1932a-j中的任一者。
本领域技术人员将认识到，在步骤1865和1885处引用的第一输入数据和附加输入数据可以是本文所讨论的任何输入数据以及由导管的电极测量的任何其他电生理数据。
在步骤1885处，神经网络1800对每个所接收的输入数据应用机器学习算法以识别感兴趣的心脏结构的位置，诸如希氏束。例如，由希氏束标测导管1940的每个电极1942a-d接收的EGM以及每个电极1942a-d与CS参考导管1930的最近点之间的距离可用于确定电极1942a-d中的任一者是否定位在希氏束上，如果有的话，确定哪一个定位在希氏束上。例如，如图19B所示，由希氏束标测导管1940的电极1942c接收的EGM和电极1942c与CS参考导管1930之间的距离D3可用作神经网络1800的输入，以确定希氏束标测导管1940的电极1942c是否定位在希氏束上。如下文更详细地描述，确定电极是否定位在希氏束上可包括查看ECG信号、距CS导管的距离，以及其他输入，包括例如力、触摸状态。
在另一个示例中，如果希氏束标测导管1940的第一选定电极处的HBE记录2020具有希氏束的特性，但第一选定电极的空间位置与CS参考导管1930的距离大于预定阈值或范围，如参考图19A中的距离D2所示，神经网络1800确定第一选定电极不是希氏束的准确位置。另一方面，如果HBE记录2020具有希氏束的特性，并且第二选定电极沿希氏束标测导管1940的空间位置与CS参考导管1930的距离小于预定阈值或范围，如参考图19A中的距离D1所示，则神经网络1800确定第二选定电极是希氏束的准确位置。
在一个实施方案中，神经网络基于医师手动标记的希氏束的位置、手动标记的希氏束与CS参考导管1930的距离以及电生理数据(诸如HBE记录2020或ECG记录2010)来学习预定阈值。
因此，神经网络1800学习基于输入数据(诸如从第一导管接收的电生理数据，诸如由希氏束标测导管2040的电极接收的EGM数据)以及任选的附加数据(诸如从第一导管的其他电极接收的EGM数据、从第二导管诸如CS参考导管接收的电生理数据、手动标测数据、ECG数据、EGM数据、距离数据、力数据、接近度指数数据、阻抗数据以及由导管的电极测量的任何其他电生理数据)来自动检测心脏内的特定结构(诸如希氏束)的位置。该附加数据在检测希氏束时可能是相关的，尽管该附加数据可能看起来并不重要，但本文所述的AI算法可能发现与这些输入数据中的一些输入数据的相关性和重要性。
在步骤1890处，神经网络1800生成第一导管的电极是否定位在感兴趣的心脏结构(诸如希氏束)上或与其足够靠近的输出。如上所述，神经网络的输出可包括但不限于离散布尔值和连续值，该离散布尔值指示导管的电极是否足够靠近感兴趣的心脏结构，诸如希氏束，并且连续值诸如匹配指数指示由导管的电极测量的感兴趣的心脏结构的特性与感兴趣的心脏结构的特性(诸如通过手动标测获得的特性)之间的匹配。
在另一个实施方案中，神经网络1800可用于检测心脏内的局部异常心室激活(LAVA)信号。在此类实施方案中，LAVA信号和非LAVA信号用作模型中的训练数据，并且神经网络学习以区分LAVA信号和非LAVA信号，以在临床环境中自动检测LAVA信号。
图21中描绘了用于自动识别感兴趣的心脏结构的卷积神经网络(CNN)2100的示例性实施方案。如图21所示，CNN 2100优选地接收输入数据2110。输入数据可包括单个输入或多个输入2110-1、2110-2、2110-3、...、2110-n，其中“n”是多个输入中的最后一项。以举例而非限制的方式，第一输入2110-1可包括由标测导管的第一电极接收的第一EGM信号，第二输入2110-2可包括由标测导管的第二电极接收的第二EGM信号，第三输入2110-3可包括标测导管的第一电极与参考导管的最近电极之间的距离，最后的输入(2110-n)可包括标测导管的第二电极与参考导管的最近电极之间的距离。输入2110被提供给包括节点2120-1、2120-2、2120-3、…、2120-n的第一隐藏层2120，并且任选地，被提供给包括节点2130-1、2130-2、2130-3、…、2130-n的第二或更多隐藏层2130，它们被组合以产生输出2140，诸如布尔值或匹配指数。例如，在CNN 2100中，将所有EGM输入2110立即馈送到神经网络以计算输出2140。神经网络可包括馈送一个或多个池化层和展平层以在隐藏层中提供输出的一系列卷积层，例如，如将在下文更具体地描述。
图22中描绘了用于自动识别感兴趣的心脏结构的递归神经网络(RNN)2200诸如长短期记忆(LSTM)神经网络的示例性实施方案。如图22所示，RNN 2200优选地接收输入数据2210。输入数据2210可包括单个输入或多个输入2210-1、2210-2、2210-3、...、2210-n，其中“n”是多个输入中的最后一项。以举例的方式而非限制地，第一输入2210-1可包括由标测导管的第一电极接收的第一EGM信号，第二输入2210-2可包括标测导管的第一电极与参考导管的最近电极之间的距离，第三输入2210-3可包括从标测导管的电极接收的力数据，最后的输入2210-n可包括从标测导管的电极接收的阻抗数据。输入2210被提供给RNN 2200，并且被组合以产生输出2240，诸如布尔值或匹配指数。例如，在RNN 2200中，EGM输入2210-1被一次一个地馈送到神经网络。随着更多EGM样本被馈送到RNN 2200，输出2240变得更准确。
在图18B的步骤1895处，神经网络1800的输出诸如输出2140或2240用于训练神经网络1800。具体地，神经网络1800的输出提供系统输出，而该输出被进一步提供以递归地训练神经网络1800以实现改善的输出。例如，如上所述，每次训练后，可根据标准数据库(诸如金标准数据库)执行训练模型(包括其输出)，以验证其准确度。。例如，输出可以是有效输出，显示出希氏束在哪里或不在哪里，并且输出可用于进一步训练算法。此外，如参考图22中的箭头2230所示，如果新训练的模型的准确度等于或高于阈值，或者另选地，如果新训练的模型的准确度高于先前模型的准确度，则该模型可用作神经网络的输入。
在一个实施方案中，神经网络1800的训练可在进行心脏规程的设施(诸如医院或医疗设施)处或在远程位置(诸如训练中心)处监督。
一旦训练了神经网络1800，就可实时利用神经网络1800来自动检测心脏内的特定结构(诸如希氏束)的位置。
图23示出了所描述的本系统的具体实施2300。具体实施2300包括到网络2100的一系列输入，包括ECG输入1830、距导管1840的距离和其他输入1850，以产生输出1820，该输出包括希氏束检测(或定位)的概率和非希氏束检测(或定位)的概率。如上文所述，ECG输入1830可包括任何数量的ECG数据，包括第一ECG 18301、第二ECG 18302、....、到最后的ECG1830N。
网络2100可以是CNN网络，例如，如本文所述。为简单起见，网络2100可包括与多个池化层2320互连并且进一步与多个展平层2330互连的多个卷积层2310，所述多个展平层可包括一个或多个resnet和/或全连接层。应当理解，Softmax层2340可为网络2100中的最后一层。
卷积层2310已在本文中至少参照图21进行了描述。池化层2320可用于减小特征图的尺寸。池化层2320可用于减少要学习的参数的数量和在网络2100中执行的计算的量。池化层2310汇总了存在于由卷积层2310生成的特征图的区域中的特征。展平层2330将池化的特征图转换为传递到全连接层的单个列，并将全连接层添加到神经网络2100。
Softmax层2340提供将K个实值的向量转变为总和为1的K个实值的向量的函数。输入值可为正、负、零或大于一。Softmax层2340可将向Softmax层2340的输入变换为介于0和1之间的值，以允许解释为概率。如果输入中的一个输入为小的或负的，则Softmax层2340可将输入转换为小概率，并且如果输入为大的，则Softmax层2340将输入转换为大概率。
Softmax层2340可被称为softargmax函数或多类逻辑回归。Softmax层2340可以是可用于多类分类的逻辑回归的推广，并且其公式非常类似于用于逻辑回归的sigmoid函数。仅当类别互斥时，才可在分类器中使用Softmax层2340函数。
Softmax层2340将得分转换为归一化概率分布，该概率分布可显示给用户或用作其他系统的输入。Softmax层2340可以是神经网络2100的最终层，以产生输出1820，该输出包括希氏束的概率和非希氏束的概率。
通过将距离1840直接作为输入馈送到网络2100，训练可能需要额外的时间。
图24示出了所描述的本系统的具体实施2400。具体实施2400包括到网络2100的一系列输入，包括ECG输入1830，以产生输出1820，该输出包括希氏束的概率和非希氏束的概率。ECG输入1830可包括任何数量的ECG数据，包括第一ECG 18301、第二ECG 18302、....、到最后的ECG1830N，如上所述。
网络2100可以是CNN网络，例如，如本文所述。为简单起见，网络2100可包括与多个池化层2320互连并且进一步与多个展平层2330互连的多个卷积层2310，所述多个展平层可包括一个或多个resnet和/或全连接层。应当理解，Softmax层2340可为网络2100中的最后一层。
ECG输入1830可在网络2100内提供，在Softmax层2340之前结束。
距导管1840的距离的输入可作为与ECG输入1830分开的输入提供。在乘以权重并加上偏置2420之后，可将距离输入1840提供给激活函数2430。如果d为距离，b为偏置，w为权重，f为激活函数，则激活函数的输出为f(wd+b)。如本领域所理解的，激活函数2430在给定一个输入或一组输入的情况下定义该节点的输出。激活函数2430可包括例如sigmoid、TanH、ELU和LeakyReLU的函数。可将softmax层2340的输入乘以激活函数2430的输出。Softmax层2340将得分转换为归一化概率分布，该概率分布可显示给用户或用作其他系统的输入。Softmax层2340可以是神经网络2100的最终层，以产生输出1820，该输出包括希氏束的概率和非希氏束的概率。另选地，代替采用两个输入并给出两个输出的softmax层2340，神经网络2330可生成在-∞和+∞之间的单个输出，并且该输出可通过激活函数诸如sigmoid转换为0和1之间的概率。在该配置中，最终激活函数的输入可乘以激活函数2430的输出。
图25示出了所描述的本系统的具体实施2500。具体实施2500包括到网络2100的一系列输入，包括ECG输入1830，以产生输出1820，该输出包括希氏束的概率和非希氏束的概率。ECG输入1830可包括任何数量的ECG数据，包括第一ECG 18301、第二ECG 18302、....、到最后的ECG1830N，如上所述。网络2100可输出希氏束的中间概率2520。
网络2100可以是CNN网络，例如，如本文所述。为简单起见，网络2100可包括与多个池化层2320互连并且进一步与多个展平层2330互连的多个卷积层2310，所述多个展平层可包括一个或多个resnet和/或全连接层。
距导管1840的距离的输入和其他输入1850可在卷积网络的卷积层2310、池化层2320和展平层2330之后提供。如图所示，可以距离1840和其他输入1850跳过所有三个层2310、2320、2330，或仅跳过层2310、2320、2330的部分，如将理解的那样。可将距离输入1840和任何其他输入1850提供给ECG网络2100输出，并且使用非卷积神经网络与一个或多个隐藏层2500组合以产生输出1820，该输出包括希氏束的概率和非希氏束的概率。在该网络架构中，由于输入是标量的，例如距离和所施加的力，因此输入可被视为“仅另一个输入”，从而导致该网络的训练花费太长时间，并且该网络的收敛将具有挑战性。图24和图25中所述的配置解决了该问题。
虽然示出了两个网络2100、2510，但是这些网络被整体地训练为单个网络。假设探索了心脏中的两个位置，一个是所需位置(希氏束)，另一个是心脏中某个较远位置中的任一点。出于示例的考虑，假设从这两个位置接收的ECG信号非常相似，并且了解哪个位置是希氏束的唯一方式是查看该距离。由于距离不是输入，因此未向第一神经网络提供关于距离的信息。如果单独训练第一网络，则需要将两个非常相似的信号馈送到神经网络中，一个作为希氏束，一个作为“非希氏束”，从而造成神经网络混淆。神经网络将不会收敛。
在该示例中，为了提供更好的理解，该示例包括两个非常相似的信号。即使使用不同的信号，同样的问题仍然存在，因为神经网络可学习信号的一些“属性”来确定希氏束，并且该属性也可存在于另一位置。尽管人们会理解这种差异，但将ECG输入为单个输入的神经网络可能会混淆，并且其收敛将具有挑战性。在最佳情况下，训练将花费太长时间，在最坏的情况下，网络将不会收敛。
在将两个网络作为一个整体进行训练时，第一网络可在距离太大时自由地给出“垃圾”输出，并且仍然收敛。在图24中，当距离太大时，乘法可降低“垃圾”的影响。在图25中，当距离和其他参数指示希氏束的概率低时，第二神经网络可降低“垃圾”的影响。并且，与手工算法不同，网络学习相关距离是什么。网络可学习到，当距离足够大时，激活函数2430需要输出“接近零”的因子。“接近零”的因子可导致第二网络输出希氏束的概率低，而不管第一网络的输出如何。
一般来讲，截止值对结果没有帮助。例如，如果考虑其中距离<1cm的ECG信号，则在训练阶段期间排除所有其他信号。理论上，这种配置和截止值提供相同的“快速收敛”优点，并且这也将解决该问题。距离的效果应为连续函数，而不是离散函数。图24和图25中的架构的效果是，好像神经网络学习建立函数以表示距离的效果一样。在训练期间，网络给予遥远点的输入越来越少的重要性。并且该解决方案可缩放到任何附加的标量输入，诸如所施加的力、组织接近度指数等。
在图25中，第一网络可输出更多输出来指示信号的不同属性，并且第二网络可学习将属性与距离相结合。例如，当距离很短时，第二网络可学习给予属性(诸如属性A、B和C)更多的重要性。当距离很长时，第二网络可学习给予属性(诸如属性D和E)更多的重要性。
网络2100的第一部分可以或可以不以softmax或sigmoid层结束。如果其以softmax或sigmoid层结束，则对网络的第二部分的输入介于0和1之间。否则，对所述网络的所述第二部分的输入介于-∞和+∞之间。
虽然本文描述了作为利用本文所述的神经网络的结果的希氏束的自动检测，但是本公开的主题不限于希氏束的自动检测。其他心脏结构和/或信号的自动识别在所公开主题的范围内。例如，心电周期开始于窦房(SA)结将电脉冲通过心房并通过房室(AV)结传输到希氏束。希氏束将电脉冲从AV结传输到左束支和右束支，然后传输到浦肯野纤维，该浦肯野纤维向心室提供电信号。在一个实施方案中，本文所公开的主题可用于自动检测心电周期中的其他心脏结构，包括但不限于SA结、左束支和右束支、浦肯野纤维等。此外，作为另一个示例，本文所公开的主题可用于检测LAVA信号，如前所述。在另一个实施方案中，本文所公开的主题可用于检测导管的位置，并且用作供医师检测导管何时无意地从心房腔室转移到心室腔室的报警系统。
虽然上文具体地描述了特征和元件，但本领域的普通技术人员将会知道，每个特征或元件均可以单独使用或以与其它特征和元件的任何组合使用。此外，尽管上文以特定顺序描述了过程步骤，但这些步骤可以以其他期望的顺序执行。
本文所述的方法、过程、模块和系统可在被结合在计算机可读介质中的计算机程序、软件或固件中实现，以供计算机或处理器执行。计算机可读介质的示例包括电子信号(通过有线或无线连接传输)和计算机可读存储介质。计算机可读存储介质的示例包括但不限于只读存储器(ROM)、随机存取存储器(RAM)、寄存器、高速缓存存储器、半导体存储器装置、磁介质(诸如内部硬盘和可移动盘)、磁光介质以及光学介质(诸如CD-ROM盘和数字通用盘(DVD))。与软件相关联的处理器可用于实现在WTRU、UE、终端、基站、RNC或任何主计算机中使用的射频收发器。
本文的另外的实施方案可通过用来自本文的任何一个或多个其它实施方案的一种或多种元素补充实施方案，和/或用来自本文的一个或多个其它实施方案的一种或多种元素取代一种实施方案中的一种或多种元素而构成。
因此，应当理解，所公开的主题不局限于所公开的特定实施方案，但是旨在涵盖符合本公开的实质和范围的所有修改，如所附权利要求书、具体实施方式所定义和/或如附图中所示。

Claims (20)

1.一种用于自动检测心脏结构的系统，所述系统包括：
多个感测装置，所述多个感测装置位于所述心脏内以接收关于第一心脏结构的电生理数据，所述多个感测装置各自提供一维信号；
处理器，所述处理器包括神经网络，所述神经网络：
从所述多个感测装置中的至少一个感测装置接收所述一维信号；
接收关于一对所述多个感测装置之间的距离的距离数据；
将所述神经网络应用于所接收的一维信号以确定输出；
将权重和偏置应用于所述距离；
将激活函数应用于所加权和偏置的距离；以及
将所确定的输出乘以所述激活函数的输出，以基于所述电生理数据和所述距离数据来确定所述第一心脏结构是否为感兴趣的心脏结构。
2.根据权利要求1所述的系统，其中所述感兴趣的心脏结构包括希氏束。
3.根据权利要求1所述的系统，其中由所述多个感测装置接收的关于所述第一心脏结构的所述电生理数据包括ECG信号。
4.根据权利要求1所述的系统，其中所述多个感测装置包括多个不同的电极。
5.根据权利要求1所述的系统，其中所述距离数据是标测电极的距离。
6.根据权利要求1所述的系统，其中所述神经网络是卷积神经网络或递归神经网络。
7.根据权利要求1所述的系统，还包括在所述一维信号和所述距离数据上整体地训练所述神经网络。
8.一种用于自动检测心脏结构的方法，所述方法包括：
经由位于所述心脏内的多个感测装置来接收电生理数据，所述电生理数据包括多个一维信号；
经由神经网络从所述多个感测装置中的至少一个感测装置接收所述一维信号，并且接收关于一对所述多个感测装置之间的距离的距离数据；
将所述神经网络应用于所接收的一维信号以确定输出；
将权重和偏置应用于所述距离，并且将激活函数应用于所加权和偏置的距离；以及
将所确定的输出乘以所述激活函数的输出，以基于所述电生理数据和所述距离数据来确定所述第一心脏结构是否为感兴趣的心脏结构。
9.根据权利要求8所述的方法，其中所述感兴趣的心脏结构包括希氏束。
10.根据权利要求8所述的方法，其中由所述多个感测装置接收的关于所述第一心脏结构的所述电生理数据包括ECG信号。
11.根据权利要求8所述的方法，其中所述多个感测装置包括多个不同的电极。
12.根据权利要求1所述的系统，其中所述距离数据是标测电极的距离。
13.根据权利要求1所述的系统，其中所述神经网络是卷积神经网络或递归神经网络。
14.根据权利要求1所述的系统，还包括在所述一维信号和所述距离数据上整体地训练所述神经网络。
15.一种用于自动检测心脏结构的系统，所述系统包括：
多个感测装置，所述多个感测装置位于所述心脏内以接收关于第一心脏结构的电生理数据，所述多个感测装置各自提供一维信号；
处理器，所述处理器包括第一神经网络，所述第一神经网络从所述多个感测装置中的至少一个感测装置接收所述一维信号并且将所述神经网络应用于所接收的一维信号以确定输出；
所述处理器包括第二神经网络，所述第二神经网络接收至少关于在一对所述多个感测装置之间的距离的多个标量值，将权重和偏置应用于所述多个标量值，将激活函数应用于所加权和偏置的距离；以及
组合所述第一神经网络和所述第二神经网络的所述输出，以基于所述电生理数据和所述距离数据来确定所述第一心脏结构是否为感兴趣的心脏结构。
16.根据权利要求15所述的系统，其中所述感兴趣的心脏结构包括希氏束。
17.根据权利要求15所述的系统，其中由所述多个感测装置接收的关于所述第一心脏结构的所述电生理数据包括ECG信号。
18.根据权利要求15所述的系统，其中所述多个感测装置包括多个不同的电极。
19.根据权利要求15所述的系统，其中所述距离数据是标测电极的距离。
20.根据权利要求1所述的系统，还包括在所述一维信号和所述距离数据上整体地训练所述第一神经网络和所述第二神经网络。
CN202110583660.7A 2020-05-27 2021-05-27 心脏标测中心脏结构的自动检测 Pending CN113729728A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202063030392P 2020-05-27 2020-05-27
US63/030392 2020-05-27

Publications (1)

Publication Number Publication Date
CN113729728A true CN113729728A (zh) 2021-12-03

Family

ID=78728382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110583660.7A Pending CN113729728A (zh) 2020-05-27 2021-05-27 心脏标测中心脏结构的自动检测

Country Status (3)

Country Link
JP (1) JP2021186675A (zh)
CN (1) CN113729728A (zh)
IL (1) IL283454A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342497A (zh) * 2023-03-01 2023-06-27 天津市鹰泰利安康医疗科技有限责任公司 一种人体腔室内壁三维标测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342497A (zh) * 2023-03-01 2023-06-27 天津市鹰泰利安康医疗科技有限责任公司 一种人体腔室内壁三维标测方法及系统
CN116342497B (zh) * 2023-03-01 2024-03-19 天津市鹰泰利安康医疗科技有限责任公司 一种人体腔室内壁三维标测方法及系统

Also Published As

Publication number Publication date
IL283454A (en) 2021-12-01
JP2021186675A (ja) 2021-12-13

Similar Documents

Publication Publication Date Title
US20210386355A1 (en) System and method to detect stable arrhythmia heartbeat and to calculate and detect cardiac mapping annotations
US20210378579A1 (en) Local noise identification using coherent algorithm
EP3933852A1 (en) Improved mapping efficiency by suggesting map points location
CN114176757A (zh) 消融间隙的识别
US20210369174A1 (en) Automatic detection of cardiac structures in cardiac mapping
US20220008126A1 (en) Optimized ablation for persistent atrial fibrillation
CN114068010A (zh) 利用机器学习算法来优化消融指数计算的用于治疗心律失常的装置
CN114052891A (zh) 大面积环状消融点的解剖结构的自动分割
CN113893026A (zh) 大面积环状消融点的自动连续性估计
EP4113528A1 (en) System and method to determine the location of a catheter
CN113729728A (zh) 心脏标测中心脏结构的自动检测
US20220007989A1 (en) System and method to determine the location of a catheter
US20210391082A1 (en) Detecting atrial fibrillation and atrial fibrillation termination
US20220338939A1 (en) System and method to determine the location of a catheter
US20220061733A1 (en) Automatically identifying scar areas within organic tissue using multiple imaging modalities
CN116348960A (zh) 个性化心律失常治疗计划
WO2024009220A1 (en) System and method to determine the location of a catheter
CN114098758A (zh) 将异常心脏活动分为不同类别
WO2022079621A1 (en) Intracardiac ecg noise detection and reduction

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