CN113811246A - 基于机器学习的去极化识别和心律失常定位可视化 - Google Patents

基于机器学习的去极化识别和心律失常定位可视化 Download PDF

Info

Publication number
CN113811246A
CN113811246A CN202080034012.XA CN202080034012A CN113811246A CN 113811246 A CN113811246 A CN 113811246A CN 202080034012 A CN202080034012 A CN 202080034012A CN 113811246 A CN113811246 A CN 113811246A
Authority
CN
China
Prior art keywords
likelihood
arrhythmia
episode
depolarization
machine learning
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
CN202080034012.XA
Other languages
English (en)
Inventor
T·D·哈达德
N·查克拉瓦希
D·R·马斯格鲁夫
A·拉德克
E·N·沃曼
R·卡特拉
L·A·佩达尔蒂
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.)
Medtronic Inc
Original Assignee
Medtronic Inc
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 Medtronic Inc filed Critical Medtronic Inc
Publication of CN113811246A publication Critical patent/CN113811246A/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
    • 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
    • A61B5/0002—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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0031—Implanted circuitry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/07—Endoradiosondes
    • A61B5/076—Permanent implantations
    • 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]
    • A61B5/339—Displays specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/68—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
    • A61B5/686—Permanently implanted devices, e.g. pacemakers, other stimulators, biochips
    • 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
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/3621—Heart stimulators for treating or preventing abnormally high heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A61N1/36507—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by gradient or slope of the heart potential
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A61N1/36592—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by the heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/372—Arrangements in connection with the implantation of stimulators
    • A61N1/375—Constructional arrangements, e.g. casings
    • A61N1/3756—Casings with electrodes thereon, e.g. leadless stimulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3956—Implantable devices for applying electric shocks to the heart, e.g. for cardioversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

公开了包括对医疗设备存储的发作数据，包括心电描记图应用机器学习模型的技术。在一些实例中，基于对所述发作数据应用一个或多个机器学习模型，对于多个心律失常类型分类中的每一个，处理电路系统导出分类激活数据，其指示所述分类在与发作相关联的时间段内的变化可能性。所述处理电路系统可显示所述心律失常类型分类在所述时间段内的所述变化可能性的曲线图。在一些实例中，处理电路系统可使用心律失常类型可能性和去极化可能性识别在所述发作期间的去极化，例如QRS波群。

Description

基于机器学习的去极化识别和心律失常定位可视化
技术领域
本公开大体上涉及医疗设备，并且更具体地涉及通过医疗设备感测到的信号的分析。
背景技术
医疗设备可用于监测患者的生理信号。举例来说，一些医疗设备被配置成感测心电描记图(EGM)信号，例如心电图(ECG)信号，其经由电极指示心脏的电活动。一些医疗设备被配置成基于心EGM以及在一些情况下来自附加传感器的数据来检测心律失常的发生，通常称为发作。实例心律失常类型包括心搏停止、心动过缓、室性心动过速、室上性心动过速、宽波群心动过速、心房颤动、心房扑动、心室颤动、房室传导阻滞、室性早搏和房性早搏。医疗设备可存储在包括发作的时间段期间收集的心EGM和其它数据作为发作数据。医疗设备还可响应于用户输入，例如来自患者的输入，存储一段时间的发作数据。
计算系统可从医疗设备获得发作数据以允许临床医生或其它用户查阅发作。临床医生可基于所识别的发作内心律失常的发生来诊断患者的医疗状况。在一些实例中，临床医生或其它查阅者可查阅发作数据以对发作进行注释，包括确定通过医疗设备检测到的心律失常是否实际发生、对发作进行优先级排序并生成报告以由临床医生进一步查阅，所述临床医生为患者开具医疗设备处方或以其它方式负责特定患者的护理。
发明内容
一般来说，本公开描述用于使用一个或多个机器学习模型对包括心EGM数据的发作数据进行分类、注释、报告的技术。在一些实例中，处理电路系统对发作数据应用一个或多个心律失常分类机器学习模型。一个或多个机器学习模型输出表示相应心律失常类型分类在发作期间的任一点发生的可能性的相应可能性值。处理电路系统还对于每个心律失常类型分类导出分类激活数据，其指示分类在一个时间段内的变化可能性，并且可显示在一个时间段内变化的可能性的曲线图。显示的在时间内的可能性曲线图可帮助用户理解发作期间任何心律失常检测的推理，特别是当与基础心EGM结合显示时。
在一些实例中，处理电路系统对发作数据应用一个或多个去极化检测机器学习模型。一个或多个去极化检测机器学习模型被配置成输出去极化可能性值的集合，其表示在发作期间不同时间去极化的可能性。处理电路系统可使用去极化和心律失常类型分类可能性值来提高其在发作期间检测去极化的能力。
在一个实例，本公开描述一种计算机实施的方法，其包含通过医疗设备系统的处理电路系统接收通过患者的医疗设备存储的发作的发作数据，其中发作与时间段相关联，并且发作数据包含在所述时间段期间通过医疗设备感测到的心电描记图。方法还包含通过处理电路系统对发作数据应用一个或多个机器学习模型，一个或多个机器学习模型被配置成输出多个心律失常类型分类中的每一个的相应可能性值，可能性值中的每一个表示相应心律失常类型分类在时间段期间任一点发生的可能性。方法还包含基于对发作数据应用一个或多个机器学习模型，通过处理电路系统并且对于心律失常类型分类中的每一个导出指示分类在时间段内变化可能性的分类激活数据。方法还包含通过处理电路系统并且向用户显示心律失常类型分类在时间段内变化可能性的曲线图。
在另一个实例中，计算机实施的方法包含通过医疗设备系统的处理电路系统接收通过患者的医疗设备存储的发作的发作数据，其中发作与时间段相关联，并且发作数据包含在所述时间段期间通过医疗设备感测到的心电描记图。方法还包含通过处理电路系统对发作数据应用一个或多个心律失常分类机器学习模型，一个或多个心律失常分类机器学习模型被配置成输出多个心律失常类型分类中的每一个的相应心律失常类型可能性值的集合，集合所述的心律失常类型可能性值中的每一个表示相应心律失常类型分类在所述时间段期间的相应时间发生的可能性。方法还包含通过处理电路系统对发作数据应用一个或多个去极化检测机器学习模型，所述一个或多个去极化检测机器学习模型被配置成输出去极化可能性值的集合，所述集合的去极化可能性值中的每一个表示在所述时间段期间的相应时间发生去极化的可能性。方法还包含通过处理电路系统基于心律失常类型可能性值和去极化可能性值识别在发作期间的一个或多个去极化。
本发明内容旨在提供对本公开中所描述的主题的概述。并不旨在提供对在以下附图和描述中详细描述的设备和方法的排他性或穷尽性解释。在以下附图和描述中阐述一个或多个实例的另外的细节。
附图说明
图1为根据本公开的技术说明被配置成利用机器学习模型检测心脏去极化和心律失常的医疗设备系统的实例的概念图。
图2为说明图1的可植入医疗设备(IMD)的实例配置的框图。
图3为说明图1和2的IMD的实例配置的概念侧视图。
图4为说明图1的计算系统的实例配置的功能框图。
图5为说明用于提供多个心律失常分类中的每一个在发作期间的时间内的可能性的可视化的实例操作的流程图。
图6为说明实例发作查阅筛选的图，包括多个心律失常分类中的每一个在发作期间的时间内的可能性的可视化。
图7为说明另一个实例发作查阅筛选的图，包括多个心律失常分类中的每一个在发作期间的时间内的可能性的可视化。
图8为说明用于基于心律失常分类和去极化可能性识别在发作期间的去极化的实例操作的流程图。
图9为说明用于基于心律失常分类和去极化可能性识别在发作期间的去极化的实例技术的概念图。
在整个附图和描述中，相同的附图标记是指相同的元件。
具体实施方式
多种类型的可植入和外用医疗设备基于感测到的心EGM以及在一些情况下其它生理参数检测心律失常发作。可用于无创感测和监测心EGM的外部设备包括具有被配置成接触患者的皮肤的电极的可穿戴设备，如贴片、手表或项链。被配置成感测心EGM的可穿戴生理监测器的一个实例为购自爱尔兰都柏林的美敦力公司(Medtronic plc,of Dublin,Ireland)的SEEQTM移动心脏遥测系统。这类外部设备可便于在正常日常活动期间对患者进行相对长期的监测，并且可将收集到的数据，例如，检测到的心律失常发作的发作数据，定期传输到远程患者监控系统，如Medtronic CarelinkTM网络。
可植入医疗设备(IMD)还感测和监测心EGM，并且检测心律失常发作。监测心EGM实例IMD包括起搏器和可植入心律转复除颤器，它们可联接到血管内或血管外导线，以及具有被配置成用于植入心脏内的外壳的起搏器，这些外壳可为无导线的。一些不提供治疗的IMD，例如可植入的患者监测器，感测心EGM。这类IMD的一个实例为购自美敦力公司的Reveal LINQTM可插入心脏监测器(ICM)，其可皮下插入。这类IMD可便于在正常日常活动期间对患者进行相对长期的监测，并且可将收集到的数据，例如，检测到的心律失常发作的发作数据，定期传输到远程患者监控系统，如Medtronic CarelinkTM网络。
通过从医疗设备上载发作数据，并将发作数据分发给各种用户，这类网络服务可支持集中式或基于临床的心律失常发作查阅、注释和报告。发作数据可包括在发作期间医疗设备检测到的一个或多个心律失常的指示。发作数据还可包括在时间段期间通过医疗设备收集的数据，所述时间段包括医疗设备确定一个或多个心律失常已经发生的时刻之前和之后的时间。发作数据可包括在时间段期间数字化的心EGM、在所述时间段期间从EGM导出的心率或其它参数，和在时间段期间通过医疗设备收集的任何其它生理参数数据。
图1为说明被配置成根据本公开的技术利用机器学习模型检测心脏去极化和心律失常的医疗设备系统2的实例的概念图。实例技术可与IMD 10一起使用，所述IMD 10可与外部设备12无线通信。在一些实例中，IMD 10植入患者4的胸腔外(例如皮下植入图1中所说明的胸的位置)。IMD 10可定位在靠近或刚好低于患者4的心脏水平的胸骨附近，例如至少部分地在心脏轮廓内。IMD 10包括多个电极(图1中未示出)，并且被配置成经由多个电极感测心EGM。在一些实例中，IMD 10采用LINQTMICM的形式。尽管主要在其中收集发作数据的医疗设备采用ICM的形式的实例的上下文中进行描述，但是本公开的技术可在包括任何一个或多个可植入或外部医疗设备的系统中实施，包括监测器、起搏器、或除颤器。
外部设备12为被配置成用于与IMD 10进行无线通信的计算设备。外部设备12可被配置成经由网络25与计算系统24通信。在一些实例中，外部设备12可提供用户接口并且允许用户与IMD 10交互。计算系统24可包含被配置成允许用户经由网络25与IMD 10或从IMD收集的数据交互的计算设备。
外部设备12可用于从IMD 10检索数据并且可经由网络25将数据传输到计算系统24。检索到的数据可包括通过IMD 10测量的生理参数的值、通过IMD 10检测到的心律失常发作或其它疾病的指示、收集的发作的发作数据和通过IMD 10记录的其它生理信号。发作数据可包括通过IMD 10记录的EGM片段，例如由于IMD 10确定心律失常或另一种疾病的发作在所述片段期间发生，或响应于来自患者4或另一个用户的记录的片段的请求。
在一些实例中，计算系统24包括一个或多个手持型计算设备、计算机工作站、服务器或其它联网的计算设备。在一些实例中，计算系统24可包括实施监测系统450的一个或多个设备，包括处理电路系统和存储设备。在一些实例中，计算系统24、网络25和监测系统450可通过Medtronic CarelinkTM网络或其它患者监测系统实施。
网络25可包括一个或多个计算设备(未示出)，如一个或多个非边缘交换机、路由器、集线器、网关、安全设备(如防火墙)、入侵检测和/或入侵防护设备、服务器、计算机终端、膝上型计算机、打印机、数据库、无线移动设备(如蜂窝电话或个人数字助理)、无线接入点、网桥、电缆调制解调器、应用程序加速器或其它网络设备。网络25可包括由服务提供者管理的一个或多个网络，并且因此可形成大规模公共网络基础结构(例如因特网)的一部分。网络25可为计算设备，如计算系统24和IMD 10提供对因特网的接入，并且可提供允许计算设备彼此通信的连通框架。在一些实例中，网络25可为提供通信框架的专用网络，所述通信框架允许计算系统24、IMD 10和/或外部设备12彼此通信但是出于安全目的将计算系统24、IMD 10或外部设备12与网络25外部的设备隔离。在一些实例中，在计算系统24、IMD 10和外部设备12之间的通信为加密的。
例如通过计算系统24的处理电路系统实施的监测系统450可实施本公开的技术，包括对发作数据应用机器学习模型来检测心脏去极化和心律失常。监测系统450可从包括IMD 10的医疗设备接收发作的发作数据，所述医疗设备可响应于其心律失常的检测和/或用户输入存储发作数据。基于一个或多个心律失常分类机器学习模型的应用，监测系统450可确定一种或多种类型的一个或多个心律失常在发作期间发生的可能性，在一些实例中，所述发作包括通过存储发作数据的医疗设备识别的心律失常。
监测系统450还可导出并且绘制指示在发作的时间段内各种心律失常类型分类的可能性的激活数据，并且对发作数据应用一个或多个去极化检测机器学习模型以识别去极化在发作期间的发生，例如R-波或QRS波群。监测系统450可例如结合地显示心律失常类型分类、心律失常类型分类可能性绘图、指示识别的去极化的时间的标志和发作的心EGM中的一个或多个，这可便于用户查阅和理解通过监测系统450对发作数据进行的分类(一个或多个)。尽管本文将技术描述为通过监测系统450执行，并因此通过计算系统24的处理电路执行，但是技术可通过医疗设备系统的任何一个或多个设备或系统的处理电路系统执行，如计算系统24、外部设备12或IMD 10。机器学习模型可包括作为实例神经网络、深度学习模型、卷积神经网络或其它类型的预测分析系统。
图2为说明图1的IMD 10的实例配置的框图。如图2所示，IMD 10包括处理电路系统50、感测电路系统52、通信电路系统54、存储器56、传感器58、开关电路60和电极16A、16B(在下文中“电极16”)其中的一个或多个可安置在IMD 10的外壳上。在一些实例中，存储器56包括计算机可读指令，所述计算机可读指令当由处理电路系统50执行时使IMD 10和处理电路系统50执行归因于本文中的IMD 10和处理电路系统50的各种功能。存储器56可包括任何易失性、非易失性、磁性、光学或电介质，如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪存或任何其它数字介质。
处理电路系统50可包括固定功能电路系统和/或可编程处理电路系统。处理电路系统50可包括以下中的任何一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或模拟逻辑电路系统。在一些实例中，处理电路系统50可包括多个组件(如一个或多个微处理器、一个或多个控制器、一个或多个DSP、一个或多个ASIC或一个或多个FPGA的任何组合)以及其它离散的或集成的逻辑电路系统。本文中归属于处理电路系统50的功能可体现为软件、固件、硬件或其任何组合。
感测电路系统52可经由如通过处理电路系统50控制的开关电路60选择性地联接到电极16A、16B。感测电路系统52可监测来自电极16A、16B的信号以便监测图1的患者4的心脏的电活动并且产生患者4的心EGM数据。在一些实例中，处理电路系统50可识别感测到的心EGM的特征以检测患者4的心律失常发作。处理电路系统50可将数字化心EGM和用于检测心律失常发作的EGM的特征存储在存储器56内作为检测到的心律失常发作的发作数据。在一些实例中，处理电路系统50存储心EGM数据的一个或多个片段、从心EGM数据导出的特征以及响应于来自外部设备12的指令的其它发作(例如，当患者4经历心律失常的一种或多种症状并向外部设备12输入命令，指示IMD 10上载数据以供监测中心或临床医生分析)。
在一些实例中，处理电路系统50经由通信电路54将患者4的发作数据传输到外部设备，如图1的外部设备12。举例来说，IMD 10将数字化心EGM和其它发作数据发送到网络25以供图1的监测系统450处理。
感测电路系统52和/或处理电路系统50可被配置成当心EGM幅度跨越感测阈值时检测心脏去极化(例如心房去极化的P-波或心室去极化的R-波)。在一些实例中，对于心脏去极化检测，感测电路系统52可包括整流器、滤波器、放大器、比较器和/或模数转换器。在一些实例中，感测电路系统52可响应于心脏去极化的感测向处理电路系统50输出指示。以此方式，处理电路系统50可接收对应于心脏的相应腔室中的检测到的R-波和P-波的发生的检测到的心脏去极化指示。处理电路系统50可使用检测到的R-波和P-波的指示来确定心EGM的特征，包括去极化间隔、心率和检测心律失常，如快速性心律失常和心搏停止。感测电路系统52还可向处理电路系统50提供一个或多个数字化心EGM信号以用于分析，例如用于心节律鉴别和/或识别和描绘心EGM的特征，如QRS振幅和/或宽度，或其它形态特征。
在一些实例中，IMD 10包括一个或多个传感器58，如一个或多个加速度计、麦克风、光学传感器和/或压力传感器。在一些实例中，感测电路系统52可包括用于对从电极16A、16B和/或其它传感器58中的一个或多个接收到的信号进行滤波和放大的一个或多个滤波器和放大器。在一些实例中，感测电路系统52和/或处理电路系统50可包括整流器、滤波器和/或放大器、感测放大器、比较器和/或模数转换器。处理电路系统50可基于来自传感器58的信号确定患者4的生理参数值，其可用于识别心律失常发作并作为发作数据存储在存储器56中。
通信电路系统54可包括用于与另一个设备(如外部设备12)进行通信的任何合适的硬件、固件、软件或其任何组合。在处理电路系统50的控制下，通信电路系统54可借助于内部或外部天线(例如，天线26)从外部设备12或另一个设备接收下行链路遥测，以及向其发送上行链路遥测。在一些实例中，处理电路系统50可经由外部设备(例如，外部设备12)和如由爱尔兰都柏林的美敦力公司开发的Medtronic
Figure BDA0003340207410000071
网络的计算机网络与联网的计算设备进行通信。
尽管本文在实例IMD 10的上下文中进行描述，但是本文所公开的用于心律失常检测的技术可与其它类型的设备一起使用。举例来说，技术可用联接到心血管系统外部的电极的额外的心脏除颤器、被配置成用于植入心脏内的经导管起搏器(如可商购自爱尔兰都柏林的美敦力公司的MicraTM经导管起搏系统)、可插入的心脏监测器(如RevealLINQTMICM，其也可商购自美敦力公司)、神经刺激器、药物递送设备、患者4外部的医疗设备、可穿戴设备，如可穿戴心脏复律器除颤器、健身追踪器或其它可穿戴设备、移动设备，如移动电话、“智能”电话、膝上型计算机、平板计算机、个人数字助理(PDA)或“智能”服装，如“智能”眼镜、“智能”贴片或“智能”手表来实施。
图3为说明IMD 10的实例配置的概念侧视图。在图3所示的实例中，IMD 10可包括具有外壳14和绝缘覆盖件74的无导线、可皮下植入的监测设备。电极16A和电极16B可形成或放置在覆盖件74的外表面上。上文关于图2所描述的电路系统50-56和60可形成或放置在覆盖件74的内表面上或外壳14内。在所说明的实例中，天线26形成或放置在覆盖件74的内表面上，但是在一些实例中，可形成或放置在外表面上。在一些实例中，传感器58也可形成或放置在覆盖件74的内或外表面上。在一些实例中，绝缘覆盖件74可定位在敞开的外壳14上方，使得外壳14和覆盖件74包封天线26、传感器58和电路系统50-56和60，并且保护天线和电路系统免受如体液的流体。
天线26、传感器58或电路系统50-56中的一个或多个可如通过使用倒装芯片技术形成在绝缘覆盖件74上。绝缘覆盖件74可翻转到外壳14上。当翻转并放置到外壳14上时，形成在绝缘覆盖件74的内侧上的IMD 10的组件可定位在由外壳14限定的间隙76中。电极16可通过穿过绝缘覆盖件74形成的一个或多个通孔(未示出)电连接到开关电路系统60。绝缘覆盖件74可由蓝宝石(即，刚玉)、玻璃、聚对二甲苯和/或任何其它合适的绝缘材料形成。外壳14可由钛或任何其它合适的材料(例如，生物相容性材料)形成。电极16可由不锈钢、钛、铂、铱或其合金中任一种形成。此外，电极16可涂覆有如氮化钛或分形氮化钛的材料，但是还可使用用于这类电极的其它合适的材料和涂层。
图4为说明计算系统24的实例配置的框图。在所说明的实例中，计算系统24包括用于执行包括监测系统450或本文所描述的任何其它应用的应用424的处理电路系统402。计算系统24可为包括处理电路系统或用于执行软件指令的其它合适的计算环境的任何组件或系统，并且例如不必包括图4中所示的一个或多个元件(例如，输入设备404、通信电路系统406、用户接口设备410或输出设备412；并且在一些实例中，如存储设备(一个或多个)408的组件可与其它组件不在同一位置或位于同一机架中)。在一些实例中，计算系统24可为跨多个设备分布的云计算系统。
在图4的实例中，计算系统24包括处理电路系统402、一个或多个输入设备404、通信电路系统406、一个或多个存储设备408、用户接口(UI)设备(一个或多个)410和一个或多个输出设备412。在一些实例中，计算系统24还包括可通过计算系统24执行的一个或多个应用424，如监测系统450，和操作系统416。组件402、404、406、408、410和412中的每一个可被联接(物理地、通信地和/或可操作地)用于组件间通信。在一些实例中，通信信道414可包括系统总线、网络连接、过程间通信数据结构或用于通信数据的任何其它方法。作为一个实例，组件402、404、406、408、410和412可通过一个或多个通信信道414联接。
在一个实例中，处理电路系统402被配置成实施用于在计算系统24内执行的功能和/或处理指令。举例来说，处理电路系统402可能够处理存储在存储设备408中的指令。处理电路系统402的实例可包括以下中的任一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或集成逻辑电路系统。
一个或多个存储设备408可被配置成在操作期间在计算设备400内存储信息。在一些实例中，存储设备408被描述为计算机可读存储介质。在一些实例中，存储设备408为临时存储器，这意味着存储设备408的主要目的不是长期存储。在一些实例中，存储设备408被描述为易失性存储器，这意味着当计算机关闭时，存储设备408不维护所存储的内容。易失性存储器的实例包括随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和本领域中已知的其它形式的易失性存储器。在一些实例中，存储设备408用于存储由处理电路系统402执行的程序指令。在一个实例中，存储设备408由在计算系统24上运行的软件或应用424使用，以在程序执行期间临时存储信息。
在一些实例中，存储设备408还包括一个或多个计算机可读存储介质。存储设备408可被配置成存储比易失性存储器大的信息量。存储设备408可另外被配置用于信息的长期存储。在一些实例中，存储设备408包括非易失性存储元件。这类非易失性存储元件的实例包括磁性硬盘、光盘、软盘、闪存，或多种形式的电可编程存储器(EPROM)或电可擦除并且可编程存储器(EEPROM)。
在一些实例中，计算系统24还包括通信电路系统406以与其它设备和系统通信，如图1的IMD 10和外部设备12。通信电路系统406可包括网络接口卡，如以太网卡、光收发器、射频收发器或可发送和接收信息的任何其它类型的设备。这类网络接口的其它实例可包括3G和WiFi无线电。
在一个实例中，计算系统24还包括一个或多个用户接口设备410。在一些实例中，用户接口设备410被配置成通过触觉、音频或视频反馈从用户接收输入。用户接口设备(一个或多个)410的实例包括对存在敏感的显示器、鼠标、键盘、语音响应系统、摄像机、麦克风或用于检测来自用户的命令的任何其它类型的设备。在一些实例中，对存在敏感的显示器包括触敏屏。
一个或多个输出设备412也可被包括在计算系统24中。在一些实例中，输出设备412被配置成使用触觉、音频或视频刺激向用户提供输出。在一个实例中，输出设备412包括对存在敏感的显示器、声卡、视频图形适配器卡或用于将信号转换为人类或机器可理解的适当形式的任何其它类型的设备。输出设备412的附加实例包括扬声器、阴极射线管(CRT)监测器、液晶显示器(LCD)或可向用户生成可理解的输出的任何其它类型的设备。
计算系统24可包括操作系统416。在一些实例中，操作系统416控制计算系统24的组件的操作。举例来说，在一个实例中，操作系统416促进一个或多个应用424和监测系统450与处理电路系统402、通信电路系统406、存储设备408、输入设备404、用户接口设备410和输出设备412的通信。
应用424还可包括可由计算设备400执行的程序指令和/或数据。可由计算设备400执行的实例应用(一个或多个)424可包括监测系统450。可替代地或另外地包括未示出的其它附加应用，以提供本文描述的其它功能，并且为了简单起见而不描绘。
根据本公开的技术，计算系统24经由通信电路系统406接收由如IMD 10的医疗设备存储的发作的发作数据。存储设备408可将发作的发作数据存储在存储设备408中。响应于医疗设备检测到心律失常和/或指导存储发作数据的用户输入，可已经由医疗设备收集发作数据。
如通过处理电路系统402实施的监测系统450可查阅和标注发作，并且在注释之后生成发作的报告或其它呈现以供临床医生或其它查阅者查阅。监测系统450可利用输入设备404、输出设备412和/或通信电路系统406来向用户显示发作数据、心律失常类型分类、绘图、识别的去极化和本文描述的任何其它信息，并接收任何注释或关于来自用户的发作数据的其它输入。
为了查阅和注释发作，监测系统450可将发作数据作为输入应用到选择的一个或多个机器学习模型。在由图4说明的实例中，监测系统450可将发作数据应用到一个或多个心律失常分类机器学习模型452和/或一个或多个去极化检测模型454。作为实例，机器学习模型452和454可包括神经网络，如深度神经网络，作为实例，其可包括卷积神经网络、多层感知器和/或回声状态网络。
心律失常分类机器学习模型452可被配置成输出多个心律失常类型分类中的每一个的指示所述类型的心律失常在发作期间的任一点发生的可能性的值。监测系统450可将可配置的阈值(例如50％、75％、90％、95％、99％)应用到可能性值以例如基于分类达到或超过阈值的可能性将发作注释为包括一个或多个心律失常类型。
在一些实例中，心律失常分类机器学习模型452用训练数据训练，所述训练数据包含用描述元数据标记的多个患者的心EGM或其它发作数据。举例来说，在训练阶段期间，监测系统450处理多个心EGM波形。通常，多个心EGM波形来自多个不同患者，但是可来自单个患者。每个心EGM波形用一个或多个类型的心律失常的一个或多个发作标记。
举例来说，训练心EGM波形可包括多个片段，每个片段用描述符标记，所述描述符指定不存在心律失常或存在特定分类的心律失常(例如，心动过缓、停顿、心动过速、心房颤动、心房颤动、房室传导阻滞或心室颤动)。在一些实例中，临床医生在每个心EGM波形中手动标记心律失常的存在。在一些实例中，在每个心EGM波形中心律失常的存在根据通过心EGM特征定界算法分类的标记，例如类似于由IMD 10使用基于由心EGM导出的速率、间隔和态特征来识别心律失常的技术。
监测系统450可操作以将训练数据转换成向量和多维阵列，监测系统450可对其应用数学运算，如线性代数、非线性或替代计算运算。监测系统450使用训练数据来教导一个或多个心律失常分类机器学习模型452对心EGM数据中描绘的不同特征进行加权。在一些示例中，监测系统450使用心EGM数据来教导机器学习模型应用不同的系数，这些系数表示心EGM中的一个或多个特征对于特定分类的心律失常的发生具有更多或更少重要性。通过处理用心律失常的发作标记的多种这类波形，监测系统450可建立并且训练一个或多个心律失常分类机器学习模型452从患者，如图1的患者4接收监测系统450先前未分析的心EGM数据，并且处理这类心EGM数据以高准确度检测患者存在或不存在不同分类的心律失常类型。通常，训练一个或多个心律失常分类机器学习模型452所依据的心EGM数据量越大，机器学习模型在检测或分类新的心EGM数据中的心律失常的准确度越高。
在监测系统450已训练一个或多个心律失常分类机器学习模型452之后，监测系统450可接收特定患者，如患者4的发作数据，如心电描记图EGM数据。监测系统450对发作数据应用一个或多个训练的心律失常分类机器学习模型452，以确定一个或多个心律失常类型是否在发作期间的任一点发生。
在一些实例中，代替或除了原始心EGM数据本身之外，监测系统450可处理心EGM数据的一个或多个特征。一个或多个特征可经由通过IMD 10和/或监测系统450执行的特征定界获得。这些特征可包括例如心率、去极化间隔、在心EGM的特征之间的其它间隔、QRS波的一个或多个振幅、宽度或形态特征或心EGM的其它特征、这些特征中任一种的变异性、T-波交替，或本文未明确描述的其它类型的心脏特征中的一个或多个。在这类实例实施方案中，代替或除了用如上文所描述的心律失常的发作标记的多个心EGM波形，监测系统450可经由用心律失常的发作标记的多个训练心脏特征训练一个或多个心律失常分类机器学习模型452。
在另外的实例中，监测系统450可由心EGM数据生成心EGM数据的中间表示。举例来说，监测系统450可对心电描记图数据应用信号处理、下采样、归一化、信号分解、小波分解、滤波、降低噪声或基于神经网络的特征表示操作中的一个或多个以生成心电描记图数据的中间表示。监测系统450可处理心EGM数据的这类中间表示以检测和分类患者4的各种类型的心律失常。此外，代替用如上文所描述的心律失常的发作标记的多个原始心EGM波形，监测系统450可经由用心律失常的发作标记的多个训练中间表示训练一个或多个心律失常分类机器学习模型452。使用心EGM数据的这类中间表示可允许通过监测系统450训练和开发低权重、计算上较不复杂的心律失常分类机器学习模型452。另外，相较于使用原始心EGM数据训练机器学习模型，心电描记图数据所述这类中间表示的使用可需要更少迭代和较少训练数据来建立精确机器学习模型。
在一些实例中，基于将发作数据应用到一个或多个心律失常分类机器学习模型452，对于心律失常类型分类中的每一个，监测系统450可导出指示分类在发作波形的时间段内的变化可能性的分类激活数据。对于给定的心律失常类型，这类可能性值在不同时间的幅度对应于心律失常在所述时间发生的概率，其中较高的值对应较高的概率。
分类激活映射可识别输入时间序列的区域，例如心EGM数据的区域，所述区域构成时间序列被一个或多个心律失常分类机器学习模型452给定特定分类的原因。给定分类的分类激活映射可为单变量时间序列，其中每个元素(例如，在输入时间序列的采样频率处的每个时间戳)可为加权和或从神经网络或其它机器学习模型的中间层的输出导出的其它值。对于每个分类，中间层可为全局平均池化层和/或输出层神经元之前的最后一层。
监测系统450可例如经由输出设备(一个或多个)412显示和/或经由通信电路系统406与另一个设备通信在发作的时间段内的激活数据的曲线图。在一些实例中，监测系统450可例如在同一屏幕上并且同时与输入心EGM结合显示分类激活数据。虽然一个或多个心律失常分类机器学习模型452可被配置成提供指示不同心律失常类型分类在整个发作期间发生的可能性的输出，但是分类激活数据可允许监测系统450和/或用户识别一个或多个类型的一个或多个心律失常很能发生的发作期间的时间和心EGM期间的点。
通过IMD 10存储的发作数据的后处理可包括识别心EGM数据内的去极化的发生，例如R-波和/或QRS波群。在后处理期间去极化的识别可与IMD 10在检测发作和发作数据的存储期间不同，提供IMD 10可能对发作进行错分类的证据。用识别的去极化发生的标志对心EGM数据进行注释也可便于用户和/或监测系统450对发作数据的查阅。检测去极化的特征定界技术可包括过滤心EGM数据、特征提取(例如使用整流功率信号)、峰值检测和不应处理分析或其它进一步处理。这类特征定界可需要特征工程和检测规则开发。
根据本公开的实例技术，监测系统450可对发作数据，例如心EGM数据应用一个或多个去极化检测机器学习模型454。去极化检测机器学习模型454可被配置成输出去极化可能性值的集合，所述集合的去极化可能性值中的每一个表示去极化在时间段期间的相应时间发生的可能性。去极化可能性的集合可表示为在时间内的概率，例如在检测QRS波群的情况下为p(QRS(t))。
监测系统450可以与上文关于训练心律失常分类机器学习模型452所描述的类似方式使用心EGM数据的训练集合来训练一个或多个去极化检测机器学习模型454。心EGM数据的训练集合例如通过用户和/或特征定界算法注释，以指示心EGM数据的哪些部分为去极化的。当用新的心EGM数据呈现时，例如来自患者4的IMD 10存储的发作数据，监测系统450可基于通过一个或多个去极化检测机器学习模型454输出的去极化可能性值识别心EGM中的一个或多个去极化。举例来说，监测系统450可将去极化可能性值与可配置和/或自适应阈值进行比较，并在去极化可能性值达到或超过阈值时识别去极化。在一些实例中，监测系统450可进一步对基于可能性阈值识别的去极化发生时间进行后处理。举例来说，监测系统450可将识别的时间与心EGM波形中识别的R-波峰值对齐。作为另一个实例，监测系统450可对所识别的去极化时间应用不应处理的处理，例如以从另一个候选时间中消除不大于阈值时间间隔的时间。
在一些情况下，监测系统450和一个或多个一个或多个去极化检测机器学习模型454可能难以以高可能性检测心EGM数据中的特定去极化，例如，由于具有去极化注释的较小训练数据集和/或心律失常的发生，如心动过速、停顿和心房颤动，这可改变去极化的形态和速率。为了增加监测系统450识别去极化的能力，监测系统450可基于在时间内的去极化可能性值和心律失常类型可能性值，例如激活数据，来识别去极化。举例来说，心律失常类型可能性值指示在心EGM数据中的时间的房性心动过速的概率相对较高，监测系统450可采取一种或多种导致在所述时间去极化可能性值有效增加或与去极化可能性值比较的去极化检测阈值降低的举措。这类举措可导致去极化的可能性对心律失常或某些心律失常类型的可能性的有效调节。举例来说，如果心律失常分类机器学习模型452在发作期间以一定间隔，例如一秒提供心律失常类型分类X的概率p1(X(t))，并且去极化检测机器学习模型454提供概率p2(QRS(t))，那么当考虑心律失常可能性时，QRS的概率可表示为p3(QRS(t)|p1&p2)。
图5为说明用于提供多个心律失常分类中的每一个在发作期间的时间内的可能性的可视化的实例操作的流程图。为了描述的清楚起见，图5-9所说明的操作和技术被描述为通过监控系统450执行，并且因此通过计算系统24的处理电路系统402执行。然而，这些操作和技术以及本文描述的任何其它操作和技术可通过医疗设备系统2的任何一个或多个设备的处理电路系统来执行，如IMD 10、外部设备12和计算设备24。
根据由图5所说明的实例，监测系统450接收通过IMD 10记录的发作的发作数据(500)。发作与时间段相关联，并且发作数据包含在时间段期间通过IMD 10感测到的心EGM。发作数据可包括在时间段期间通过IMD 10感测到的其它信号，或从心EGM或其它信号导出的数据。
监测系统450对发作数据，例如心EGM数据应用一个或多个心律失常分类机器学习模型452(502)。一个或多个心律失常分类机器学习模型452输出多个心律失常类型分类中的每一个的相应可能性值，可能性值中的每一个表示相应心律失常类型分类在时间段期间的任一点发生的可能性。基于对发作数据应用一个或多个心律失常分类机器学习模型452，对于每个心律失常类型分类，监测系统450还导出指示分类在时间段内变化可能性的分类激活数据(506)。如本文所描述，监测系统450可从机器学习模型452的中间层，如在分类层之前的最终层和/或全局平均池化层的输出导出激活数据。
监测系统450绘制各种心律失常类型分类在时间内的激活数据(506)，并且向用户显示激活数据绘图的曲线图(508)。在一些实例中，监测系统450与发作的心EGM结合显示绘图，这可允许用户将特定心律失常类型的相对高可能性的时间与引起相对高可能性的心EGM的部分相关联。在一些实例中，监测系统450可指示例如注释或突出更高的时间心律失常类型分类中的至少一个相对于至少一个心律失常类型分类的绘图的其它时间的可能性。在一些实例中，当监测系统450基于一个或多个心律失常检测机器学习模型452的输出指示时特定类型的心律失常在发作期间的一些未指定点发生时监测系统450可进一步在激活数据的绘图上指示心律失常类型分类的相对较高的可能性时间，使得用户可理解例如通过参考心EGM的对应部分通过一个或多个心律失常检测机器学习模型452分类的推理。
图6和7为说明实例发作查阅屏幕600、700的图，其包括多个心律失常分类中的每一个在发作期间的时间内的可能性的可视化。屏幕600和700中的每一个与心律失常类型分类激活数据的曲线图604、704结合显示相应心EGM 602、702。曲线图604和704中的每一个包括相应绘图606、706的集合和相应关键字608、708。绘图606和706中的每一个为相应心律失常类型分类的在时间内的可能性值的绘图。关键字608和708识别绘图中的每一个的心律失常类型分类。
曲线图604还包括将其中与心律失常类型分类中的一个，例如心动过缓相关联的绘图606与相关联的发作的分类相关联的相对较高可能性值的曲线图604的区域识别为具有所述类型的至少一个心律失常的注释610。类似地，曲线图704包括注释710、712和714，其中的每一个指示其中与心律失常类型分类中的一个，例如PVC、心房颤动和窦性心动过速相关联的相应绘图606具有与相关联的发作的分类相关联的相对较高的可能性值的曲线图704的区域为具有所述类型的至少一个心律失常。通过在屏幕600、700上结合显示心EGM602、702、曲线图604、704和注释610、710、712和714，监测系统450可允许用户更容易地查阅、理解和确认(或拒绝)通过监测系统450进行的发作的心律失常检测和分类。
通过在屏幕600、700上结合显示心EGM 602、702、曲线图604、704和注释610、710、712和714，监测系统450可允许用户快速识别当查阅发作时关注的心EGM的部分以识别/确认心律失常存在或不存在。在一些实例中，监测系统450还可使用激活数据自动识别来自一个发作的发作数据的片段，例如心EGM的片段，包括在用户查阅的报告中。在一些情况下，发作的持续时间较长(例如，1分钟)并且在发作期间的不同时间含有多个心律失常。虽然由这类发作生成的报告可包括为发作存储的整个心EGM的呈现，但是这类报告可另外地或可替代地包括代表性片段，其中每个片段可包括多个连续秒的心EGM数据。
监测系统450可识别特定心律失常类型的激活数据最高和/或超过阈值的一个或多个时间(在发作持续时间中)。监测系统450可基于所识别的时间来选择心EGM的片段以呈现给用户作为检测所述心律失常类型的原因的代表。举例来说，参考图7，PVC分类激活映射的最高可能性值在发作开始后约18秒的尖峰处出现。举例来说，如果需要报告此发作的代表性PVC片段，那么监测系统450可呈现心EGM 15秒至21秒的六秒片段。
图8为说明用于基于心律失常分类和去极化可能性识别在发作期间的去极化的实例操作的流程图。根据由图8说明的实例，监测系统450接收通过IMD 10记录的发作的发作数据(800)。发作与时间段相关联，并且发作数据包含在时间段期间通过IMD 10感测到的心EGM。发作数据可包括在时间段期间通过IMD 10感测到的其它信号，或从心EGM或其它信号导出的数据。
监测系统450对发作数据，例如心EGM数据应用一个或多个心律失常分类机器学习模型452(802)。对于每个心律失常类型分类，监测系统450还可导出指示分类在时间段内的变化可能性的分类激活数据。监测系统450还对发作数据应用一个或多个去极化检测机器学习模型454，一个或多个去极化检测机器学习模型454被配置成输出去极化可能性值的集合，所述集合的去极化可能性值中的每一个表示去极化在时间段期间的相应时间发生的可能性(804)。监测系统450基于心律失常类型可能性值和去极化可能性值识别在发作期间的一个或多个去极化(806)。
监测系统450可使用心律失常类型可能性值通过多种方式识别去极化。举例来说，监测系统可将时间序列心律失常类型可能性值，例如激活数据，如由图7所说明的激活数据绘图606和706说明，与发作数据，例如心EGM数据一起作为输入应用到一个或多个去极化检测机器学习模型454。可训练一个或多个去极化检测机器学习模型454以基于一个或多个心律失常类型分类的心EGM输入和可能性值确定去极化在发作的给定时间的可能性。在一些实例中，选择某些心律失常类型分类的可能性值作为一个或多个去极化检测机器学习模型454的输入，而不是一个或多个心律失常检测机器学习模型452输出可能性值的所有心律失常类型分类。
在一些实例中，监测系统450可将启发式规则应用到一个或多个例如选择的心律失常类型分类的心律失常类型分类可能性值。基于规则和在发作期间某些时间心律失常类型分类可能性值，监测系统450可修改，例如增加或减少通过一个或多个去极化检测模型454在发作期间的某些时间提供的去极化可能性值。另外地或可替代地，监测系统450可基于规则和在发作期间的某些时间的心律失常类型分类可能性值类似地修改去极化可能性阈值，监测系统将在发作期间的某些时间的去极化可能性值与所述去极化可能性阈值进行比较。在任一情况下，去极化可能性值和/或去极化可能性阈值的修改可导致通过监测系统450检测到以其它方式不被检测到的去极化。启发式规则可被配置成用于基于对去极化在所述类型的心律失常期间的定时的理解修改在某一类型的心律失常的相对高可能性的时间之后的时间或特定时间的去极化可能性值和/或去极化可能性阈值。举例来说，启发式规则可被配置用于基于典型的快速性心律失常的去极化率或极化间隔修改在快速性心律失常的相对高可能性的时间之后的特定时间的去极化可能性值和/或去极化可能性阈值。
图9为说明用于基于心律失常分类和去极化可能性识别在发作期间的去极化的实例技术的概念图。具体地说，图9说明包括去极化902A-902C(统称为“去极化902”)的心电描记图900。图9还说明去极化可能性值绘图904。去极化可能性值绘图904包括具有相对较高去极化可能性值并且在时间上对应于去极化902的区域906A-906C(统称为“区域906”)。还说明去极化可能性阈值908。在区域906B的绘图904的去极化可能性值不超过去极化可能性阈值908。因此，监测系统450将不检测去极化902B。
图9还说明相对于基线912和阈值914的快速性心律失常的心律失常分类可能性值910的绘图。阈值914可通过监测系统450应用的启发式规则建立。如图9所说明，心律失常分类可能性值910在时间916处超过阈值914。
图9还说明包括具有相对较高去极化可能性值并且在时间上对应于去极化902的区域922A-922C(统称为“区域922”)的去极化可能性值绘图920。区域922A和922C与区域906A和906C相同，即，尚未基于心律失常分类可能性值910启发式规则通过监测系统450修改。然而，基于心律失常分类可能性值910和启发式规则，基于心律失常分类可能性值910已超过阈值908，监测系统450相对于区域906B已增大区域922B。因此，监测系统450可检测去极化902B。
除了使用去极化和心律失常可能性数据使用本文中，例如关于图8和9所描述的技术识别在发作内的去极化之外，监测系统450可使用去极化和心律失常可能性数据确定去极化在发作内的去极化的类型。作为实例，去极化的类型可包括正常、室性早搏、房性早搏和伪影/噪声。通过监测系统使用的对发作进行分类的一个或多个心律失常分类机器学习模型452可被配置成将发作分类为室性早搏、房性早搏和伪影/噪声以及其它分类。因此，监测系统450可被配置成导出室性早搏、房性早搏和伪影/噪声的在时间内的分类激活值。监测系统450还可使用那些心律失常类型的分类激活数据来确定多个类型，例如正常、室性早搏、房性早搏和伪影/噪声中哪些去极化。
在一些实例中，监测系统450可将当噪声/伪影分类的可能性值达到(例如超过)阈值时出现的去极化标记为伪影/噪声。监测系统450可考虑发作期间剩余(例如，非伪影/噪声)去极化的去极化间隔，并且基于它们的去极化间隔(例如，R-R间期)达到(例如小于)阈值确定这些剩余去极化中的任何一个是否“过早”。可基于发作期间的去极化间隔的平均值或中值来确定去极化间隔阈值，例如，阈值可为发作期间的去极化间隔的平均值或中值的分数或百分比。监测系统450可基于在时间上对应于过早去极化达到(例如超过)阈值的可能性值将过早的去极化标记为室性早搏或房性早搏。监测系统450可标记在发作期间识别的去极化，但不将室性早搏、房性早搏或伪影/噪声中的一个确定为正常。
在一些实例中，本公开的技术包含系统，其包括执行本文描述的任何方法的设备。在一些实例中，本公开的技术包含计算机可读介质，其包括使处理电路系统执行本文描述的任何方法的指令。
应当理解，本文公开的各个方面可以与说明书和附图中具体呈现的组合不同的组合进行组合。还应理解，取决于实例，本文描述的过程或方法中的任一个的某些动作或事件可以不同顺序执行，可被添加、合并或完全省略(例如，所有描述的动作或事件对于执行这些技术可不为必需的)。另外，尽管为了清楚起见，将本公开的某些方面描述为由单个模块、单元或电路来执行，但是应理解，本公开的技术可由与例如医疗设备相关联的单元、模块或电路系统的组合来执行。
在一个或多个实例中，所描述的技术可在硬件、软件、固件或其任何组合中实施。如果以软件实施，则可以将功能以一个或多个指令或代码的形式存储在计算机可读介质上并且可以由基于硬件的处理单元执行。计算机可读介质可以包括非暂时性计算机可读介质，其对应于有形介质，如数据存储介质(例如，RAM、ROM、EEPROM、闪存或可以用于存储呈指令或数据结构形式的期望程序代码并且可以由计算机访问的任何其它介质)。
指令可由一个或多个处理器执行，所述一个或多个处理器为例如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其它等效的集成或离散逻辑电路系统。因此，如本文所使用的术语“处理器”或“处理电路系统”可指代任何前述结构或者适合于实施所描述的技术的任何其它物理结构。而且，所述技术可完全以一个或多个电路或逻辑元件实现。
以下实例说明本文中所描述的技术。
实例1：一种计算机实施的方法，其包含：通过医疗设备系统的处理电路系统接收患者的医疗设备存储的发作的发作数据，其中发作与时间段相关联，并且发作数据包含医疗设备在时间段期间感测到的心电描记图；通过处理电路系统对发作数据应用一个或多个机器学习模型，一个或多个机器学习模型被配置成输出多个心律失常类型分类中的每一个的相应可能性值，所述可能性值中的每一个表示相应心律失常类型分类在所述时间段期间的任一点发生的可能性；基于对发作数据应用一个或多个机器学习模型，通过处理电路系统并且对于心律失常类型分类中的每一个导出指示分类在所述时间段内的变化可能性的分类激活数据；和通过处理电路系统并且向用户显示心律失常类型分类在所述时间段内的变化可能性的曲线图。
实例2：根据实例1所述的方法，其中显示曲线图包含与心电描记图结合显示曲线图。
实例3：根据实例1或2所述的方法，其还包含通过处理电路系统在曲线图上指示相对于心律失常类型分类在中的至少一个的曲线图的其它时间，至少一个心律失常类型分类的至少一个较高可能性的时间。
实例4：根据实例3所述的方法，其还包含通过处理电路系统并且基于一个或多个机器学习模型的输出来指示至少一个心律失常类型分类在时间段期间的任一点发生，其中在曲线图上指示至少一个心律失常类型分类的至少一个较高可能性的时间包含响应于指示至少一个心律失常类型分类在时间段期间的任一点发生来在曲线图上指示至少一个心律失常类型分类的至少一个较高可能性的时间。
实例5：根据实例1至4中任一项所述的方法，其中所述多种心律失常类型分类包括多种心动过缓、停顿、室性心动过速、心室颤动、室上性心动过速、心房颤动、心房扑动、窦性心动过速、室性早搏、房性早搏、宽波群心动过速和房室传导阻滞。
实例6：根据实例1至5中任一项所述的方法，其中一个或多个机器学习模型中的每一个包含多个层，并且其中导出激活数据包含从多个层的中间层的输出导出激活层。
实例7：根据实例6所述的方法，其中中间层包含全局平均池化层。
实例8：根据实例1至7中任一项所述的方法，其还包含：基于分类激活数据从心电描记图选择片段；和显示选择的心电描记图的片段。
实例9：根据实例8所述的方法，其中选择片段包含：基于一个心律失常类型分类的分类激活数据识别在发作期间的时间；和选择包括所述识别的时间的心电描记图的片段。
实例10：一种计算机实施的方法，其包含：通过医疗设备系统的处理电路系统接收通过患者的医疗设备存储的发作的发作数据，其中发作与时间段相关联，并且发作数据包含在所述时间段期间通过医疗设备感测到的心电描记图；通过处理电路系统对发作数据应用一个或多个心律失常分类机器学习模型，所述一个或多个心律失常分类机器学习模型被配置成输出多个心律失常类型分类中的每一个的相应心律失常类型可能性值的集合，所述集合的心律失常类型可能性值中的每一个表示相应心律失常类型分类在所述时间段期间的相应时间发生的可能性；通过处理电路系统对发作数据应用一个或多个去极化检测机器学习模型，所述一个或多个去极化检测机器学习模型被配置成输出去极化可能性值的集合，所述集合的去极化可能性值中的每一个表示去极化在所述时间段期间的相应时间发生的可能性；和通过处理电路系统基于心律失常类型可能性值和去极化可能性值识别在发作期间的一个或多个去极化。
实例11：根据实例10所述的方法，其中一个或多个心律失常分类机器学习模型中的每一个包含多个层，所述方法进一步包含通过处理电路系统从多个层的中间层的输出导出心律失常类型可能性值的集合。
实例12：根据实例11所述的方法，其中中间层包含全局平均池化层。
实例13：根据实例10至12中任一项所述的方法，其中对发作数据应用一个或多个去极化检测机器学习模型和基于心律失常类型可能性值和去极化可能性值识别一个或多个去极化包含对发作数据和心律失常类型可能性值应用一个或多个去极化检测机器学习模型。
实例14：根据实例中10至13任一项所述的方法，其中基于心律失常类型可能性值和去极化可能性值识别一个或多个去极化包含：基于心律失常类型可能性值中的一个或多个修改去极化可能性值中的一个或多个；和基于一个或多个修改的去极化可能性值识别一个或多个去极化。
实例15：根据实例10至14中任一项所述的方法，其中基于心律失常类型可能性值和去极化可能性值识别一个或多个去极化包含：基于心律失常类型可能性值中的一个或多个修改去极化可能性阈值；将去极化可能性值与修改的去极化可能性阈值进行比较；和基于比较识别一个或多个去极化。
实例16：根据实例10至15中任一项所述的方法，其中去极化包含R-波或QRS波群中的至少一种。
实例17：根据实例10至16中任一项所述的方法，其还包含基于心律失常类型可能性值将一个或多个识别的去极化中的每一个标记为多个去极化类型中的一个。
实例18：根据实例17所述的方法，其中多个去极化类型包括多个正常、室性早搏、心房早搏、噪声或伪影。
实例19：一种医疗设备系统，其包含医疗设备，所述医疗设备被配置成：经由多个电极感测患者的心电描记图；和存储发作的发作数据，其中发作与时间段相关联，并且发作数据包含在所述时间段期间通过医疗设备感测到的心电描记图。医疗设备系统还包含被配置成执行根据实例1至18中任一项所述的方法的处理电路系统。
实例20：根据实例19所述的医疗设备系统，其中处理电路系统包含计算设备的处理电路系统。
实例21：根据实例19或20所述的医疗设备系统，其中医疗设备为可植入的。
实例22：一种非暂时性计算机可读介质，其包含指令，所述指令当由计算系统的处理电路系统执行时，使计算系统执行根据实例1至18中任一项所述的方法。
已描述了各个实例。这些和其它实例在以下权利要求书的范围内。

Claims (15)

1.一种医疗设备系统，其包含：
医疗设备，其被配置成：
经由多个电极感测患者的心电描记图，和
存储发作的发作数据，其中所述发作与时间段相关联，并且所述发作数据包含在所述时间段期间通过所述医疗设备感测到的所述心电描记图；和
处理电路系统，其被配置成：
接收所述发作数据，
对所述发作数据应用一个或多个机器学习模型，所述一个或多个机器学习模型被配置成输出多个心律失常类型分类中的每一个的相应可能性值，所述可能性值中的每一个表示所述相应心律失常类型分类在所述时间段期间的任一点发生的可能性，
基于对所述发作数据应用所述一个或多个机器学习模型，对于所述心律失常类型分类中的每一个导出分类激活数据，其指示所述相应心律失常类型分类在所述时间段内的变化可能性，和
向用户显示所述心律失常类型分类在所述时间段内的所述变化可能性的曲线图。
2.根据权利要求1所述的医疗设备系统，其中所述处理电路系统被配置成与所述心电描记图结合显示所述曲线图。
3.根据权利要求1或2所述的医疗设备系统，其中所述处理电路系统被配置成在所述曲线图上指示相对于所述心律失常类型分类中的至少一个在所述曲线图上的其它时间，所述至少一个心律失常类型分类的至少一个较高可能性的时间。
4.根据权利要求3所述的医疗设备系统，其中所述处理电路系统被配置成：
基于所述一个或多个机器学习模型的所述输出来指示所述至少一个心律失常类型分类在所述时间段期间的任一点发生；和
响应于指示所述至少一个心律失常类型分类在所述时间段期间的任一点发生来在所述曲线图上指示所述至少一个心律失常类型分类的至少一个较高可能性的时间。
5.根据权利要求1至4中任一项所述的医疗设备系统，其中所述多个心律失常类型分类包括多个心动过缓、停顿、室性心动过速、心室颤动、室上性心动过速、心房颤动、心房扑动、窦性心动过速、室性早搏、房性早搏、宽波群心动过速和房室传导阻滞。
6.根据权利要求1至5中任一项所述的医疗设备系统，其中所述一个或多个机器学习模型中的每一个包含多个层，并且其中导出所述激活数据包含从所述多个层的中间层的输出导出所述激活数据。
7.根据权利要求6所述的医疗设备系统，其中所述中间层包含全局平均池化层。
8.根据权利要求1至7中任一项所述的医疗设备系统，
其中所述一个或多个机器学习模型包含一个或多个心律失常分类机器学习模型，所述一个或多个心律失常分类机器学习模型被配置成输出所述多个心律失常类型分类中的每一个的相应心律失常类型可能性值的集合，所述集合的所述心律失常类型可能性值中的每一个表示所述相应心律失常类型分类在所述时间段期间的相应时间发生的可能性，且
其中所述处理电路系统被配置成：
对所述发作数据应用一个或多个去极化检测机器学习模型，所述一个或多个去极化检测机器学习模型被配置成输出去极化可能性值的集合，所述集合的所述去极化可能性值中的每一个表示去极化在所述时间段期间的相应时间发生的可能性；和
基于所述心律失常类型可能性值和所述去极化可能性值识别在所述发作期间的一个或多个去极化。
9.根据权利要求8所述的医疗设备系统，其中所述一个或多个心律失常分类机器学习模型中的每一个包含多个层，并且所述处理电路系统被配置成从所述多个层的中间层的输出导出心律失常类型可能性值的所述集合。
10.根据权利要求8或9所述的医疗设备系统，其中为了基于所述心律失常类型可能性值和所述去极化可能性值识别所述一个或多个去极化，所述处理电路系统被配置成对所述发作数据和所述心律失常类型可能性值应用所述一个或多个去极化检测机器学习模型。
11.根据权利要求8至10中任一项所述的医疗设备系统，其中为了基于所述心律失常类型可能性值和所述去极化可能性值识别所述一个或多个去极化，所述处理电路系统被配置成以下中的至少一个：
基于所述心律失常类型可能性值中的一个或多个修改所述去极化可能性值中的一个或多个；或
基于所述心律失常类型可能性值中的一个或多个修改去极化可能性阈值。
12.根据权利要求8至11中任一项所述的医疗设备系统，其中所述处理电路系统被配置成基于所述心律失常类型可能性值将所述一个或多个识别的去极化中的每一个标记为多个去极化类型中的一个，其中所述多个去极化类型包括多个正常、室性早搏、房性早搏、噪声或伪影。
13.根据权利要求1至12中任一项所述的医疗设备系统，其中所述处理电路系统包含计算设备的处理电路系统。
14.根据权利要求1至13中任一项所述的医疗设备系统，其中所述医疗设备为可植入的。
15.一种非暂时性计算机可读介质，其包含指令，所述指令当由计算系统的处理电路系统执行时使所述计算系统：
接收患者的医疗设备存储的发作的发作数据，其中所述发作与时间段相关联，且所述发作数据包含在所述时间段期间通过所述医疗设备感测到的心电描记图；
对所述发作数据应用一个或多个机器学习模型，所述一个或多个机器学习模型被配置成输出多个心律失常类型分类中的每一个的相应可能性值，所述可能性值中的每一个表示所述相应心律失常类型分类在所述时间段期间的任一点发生的可能性；
基于对所述发作数据应用所述一个或多个机器学习模型，对于所述心律失常类型分类中的每一个导出分类激活数据，其指示所述相应心律失常类型分类在所述时间段内的变化可能性；和
显示所述心律失常类型分类在所述时间段内的所述变化可能性的曲线图。
CN202080034012.XA 2019-05-06 2020-04-13 基于机器学习的去极化识别和心律失常定位可视化 Pending CN113811246A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962843786P 2019-05-06 2019-05-06
US62/843,786 2019-05-06
US16/845,996 2020-04-10
US16/845,996 US11776691B2 (en) 2019-05-06 2020-04-10 Machine learning based depolarization identification and arrhythmia localization visualization
PCT/US2020/027954 WO2020226852A1 (en) 2019-05-06 2020-04-13 Machine learning based depolarization identification and arrhythmia localization visualization

Publications (1)

Publication Number Publication Date
CN113811246A true CN113811246A (zh) 2021-12-17

Family

ID=73046448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080034012.XA Pending CN113811246A (zh) 2019-05-06 2020-04-13 基于机器学习的去极化识别和心律失常定位可视化

Country Status (8)

Country Link
US (3) US11776691B2 (zh)
EP (1) EP3965645A1 (zh)
JP (1) JP2022531293A (zh)
KR (1) KR20220004993A (zh)
CN (1) CN113811246A (zh)
AU (1) AU2020268721A1 (zh)
DE (1) DE202020005629U1 (zh)
WO (1) WO2020226852A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3860710A2 (en) 2018-10-05 2021-08-11 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
NO20200093A1 (zh) * 2020-01-24 2021-07-26
US20220384014A1 (en) * 2021-05-25 2022-12-01 Medtronic, Inc. Cardiac episode classification
WO2022251145A1 (en) * 2021-05-28 2022-12-01 Medtronic, Inc. Dynamic and modular cardiac event detection
WO2023028528A1 (en) * 2021-08-24 2023-03-02 Medtronic, Inc. Power source longevity improvement for a device
WO2023026209A1 (en) * 2021-08-25 2023-03-02 Medtronic, Inc. Machine learning for improved power source longevity for a device
WO2023076463A1 (en) * 2021-10-27 2023-05-04 Monovo, LLC Interactive monitoring system and method for dynamic monitoring of physiological health
US20230137626A1 (en) * 2021-10-28 2023-05-04 Preventice Solutions, Inc. Electrocardiogram wave segmentation using machine learning
WO2023114742A1 (en) * 2021-12-13 2023-06-22 Irhythm Technologies, Inc. Non-invasive cardiac monitor and methods of inferring or predicting a physiological characteristic of a patient
WO2023154809A1 (en) * 2022-02-10 2023-08-17 Medtronic, Inc. Prediction of ventricular tachycardia or ventricular fibrillation termination to limit therapies and emergency medical service or bystander alerts
WO2024039655A1 (en) * 2022-08-15 2024-02-22 Medtronic, Inc. Computing system configured to facilitate multi-party adjudication of cardiac episodes
WO2024092146A1 (en) * 2022-10-28 2024-05-02 Medtronic, Inc. Medical system implementing a machine learning model for detection of atrial arrhythmia
WO2024091557A1 (en) * 2022-10-28 2024-05-02 Medtronic, Inc. Atrial sensing without an atrial lead by medical systems

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100312131A1 (en) * 2009-06-09 2010-12-09 Mihir Naware Noise detection and response for use when monitoring for arrhythmias
CN106725428A (zh) * 2016-12-19 2017-05-31 中国科学院深圳先进技术研究院 一种心电信号分类方法及装置
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统

Family Cites Families (85)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4458691A (en) 1982-02-11 1984-07-10 Arrhythmia Research Technology, Inc. System and method for predicting ventricular tachycardia by adaptive high pass filter
US6594523B1 (en) 1996-05-14 2003-07-15 Pacesetter, Inc. Implantable stimulation device, programmer, and method for automatically evaluating interaction of the device with a patient's heart
US5967995A (en) 1998-04-28 1999-10-19 University Of Pittsburgh Of The Commonwealth System Of Higher Education System for prediction of life-threatening cardiac arrhythmias
US6275732B1 (en) 1998-06-17 2001-08-14 Cardiac Pacemakers, Inc. Multiple stage morphology-based system detecting ventricular tachycardia and supraventricular tachycardia
US6493579B1 (en) 1999-08-20 2002-12-10 Cardiac Pacemakers, Inc. System and method for detection enhancement programming
US6272377B1 (en) 1999-10-01 2001-08-07 Cardiac Pacemakers, Inc. Cardiac rhythm management system with arrhythmia prediction and prevention
US9183351B2 (en) 2000-05-30 2015-11-10 Vladimir Shusterman Mobile system with network-distributed data processing for biomedical applications
US8438039B2 (en) 2005-04-27 2013-05-07 Medtronic, Inc. User customizable workflow preferences for remote patient management
US7706867B1 (en) * 2005-08-04 2010-04-27 Pacesetter, Inc. Methods and systems to correlate arrhythmic and ischemic events
US8706220B2 (en) * 2008-04-09 2014-04-22 Medtronic, Inc. Method and apparatus for detecting and treating tachyarrhythmias incorporating diagnostic/therapeutic pacing techniques
US8103346B2 (en) 2008-05-22 2012-01-24 Cardiac Pacemakers, Inc. Regulatory compliant transmission of medical data employing a patient implantable medical device and a generic network access device
EP2379494A4 (en) 2008-12-15 2013-01-09 Exxonmobil Chem Patents Inc OXIDATION OF ALKYLAROMATIC COMPOUNDS
US8706202B2 (en) 2009-01-15 2014-04-22 Medtronic, Inc. Implantable medical device with adaptive signal processing and artifact cancellation
US10588527B2 (en) 2009-04-16 2020-03-17 Braemar Manufacturing, Llc Cardiac arrhythmia report
US20100280841A1 (en) 2009-05-04 2010-11-04 Cardiac Pacemakers, Inc. Adjudication of Arrhythmia Episode Data Systems and Methods
WO2011048592A1 (en) 2009-10-20 2011-04-28 Widemed Ltd. Method and system for detecting cardiac arrhythmia
US9408549B2 (en) 2009-11-03 2016-08-09 Vivaquant Llc Detecting fiducial points in physiological signals
US8529448B2 (en) 2009-12-31 2013-09-10 Cerner Innovation, Inc. Computerized systems and methods for stability—theoretic prediction and prevention of falls
EP3435262A1 (en) 2010-03-15 2019-01-30 Singapore Health Services Pte. Ltd. A system for the detection of impending acute cardiopulmonary medical events
US8437842B2 (en) 2010-04-28 2013-05-07 Medtronic, Inc. Method and apparatus for detecting and discriminating tachycardia
KR101736976B1 (ko) 2010-07-05 2017-05-18 삼성전자주식회사 생체 신호를 측정하는 장치 및 방법
US9743890B2 (en) 2011-03-28 2017-08-29 Koninklijke Philips N.V. System and method for providing family mode for monitoring devices
US8521281B2 (en) 2011-10-14 2013-08-27 Medtronic, Inc. Electrogram classification algorithm
US9307920B2 (en) 2012-04-17 2016-04-12 Cardiac Pacemakers, Inc. Method and apparatus for automatic arrhythmia classification with confidence estimation
CN104349713B (zh) 2012-04-23 2018-09-14 普莱柯迪尔公司 确定指示心脏功能障碍和异常的信息的设备
US9775559B2 (en) 2013-04-26 2017-10-03 Medtronic, Inc. Staged rhythm detection system and method
JP6133708B2 (ja) 2013-06-25 2017-05-24 日本光電工業株式会社 生体情報表示装置および生体情報表示装置の作動方法
US10463269B2 (en) 2013-09-25 2019-11-05 Bardy Diagnostics, Inc. System and method for machine-learning-based atrial fibrillation detection
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
EP3079571A4 (en) 2013-12-12 2017-08-02 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
US20190038148A1 (en) 2013-12-12 2019-02-07 Alivecor, Inc. Health with a mobile device
CN106102568B (zh) 2014-02-04 2019-09-10 科迪影技术股份有限公司 与治疗部位相关的信号分析
US9483529B1 (en) 2014-02-14 2016-11-01 Twitter, Inc. Selection and presentation of unviewed messages
US10258288B2 (en) 2014-03-24 2019-04-16 Samsung Electronics Co., Ltd. Confidence indicator for physiological measurements using a wearable sensor platform
WO2016025841A1 (en) 2014-08-15 2016-02-18 Biomerieux, Inc. Methods, systems, and computer program products for verifying dispensing of a fluid from a pipette
US9754080B2 (en) 2014-10-21 2017-09-05 uBiome, Inc. Method and system for microbiome-derived characterization, diagnostics and therapeutics for cardiovascular disease conditions
EP3892198B1 (en) * 2014-11-14 2024-03-06 ZOLL Medical Corporation Medical premonitory event estimation
KR101776504B1 (ko) 2015-06-01 2017-09-07 울산대학교 산학협력단 심실 부정맥 예측 장치 및 그 방법
CN108024748B (zh) * 2015-09-28 2021-03-26 深圳迈瑞生物医疗电子股份有限公司 一种监护参数阈值设置方法及监护系统
US10493290B2 (en) 2015-10-02 2019-12-03 Cardiac Pacemakers, Inc. Enhanced wearable therapy device paired with insertable cardiac monitor
US9788796B2 (en) 2015-10-16 2017-10-17 General Electric Company System and method of adaptive interpretation of ECG waveforms
ES2869973T3 (es) 2015-10-27 2021-10-26 Cardiologs Tech Un método automático para delinear o categorizar un electrocardiograma
JP7106455B2 (ja) 2015-11-23 2022-07-26 メイヨ・ファウンデーション・フォー・メディカル・エデュケーション・アンド・リサーチ 検体評価のための生理学的電気的データの処理
US10321836B2 (en) 2015-11-30 2019-06-18 Physio-Control, Inc. Context scores to enhance accuracy of ECG readings
US20170156592A1 (en) 2015-12-02 2017-06-08 Mediatek Inc. Healthcare systems and monitoring method for physiological signals
US10827929B2 (en) 2016-01-08 2020-11-10 Cardiac Pacemakers, Inc. Obtaining high-resolution information from an implantable medical device
US10441184B2 (en) 2016-03-16 2019-10-15 Ventrilink Corporation Electrocardiogram device and methods
CN108883279B (zh) 2016-04-06 2022-05-03 心脏起搏器股份公司 心律失常检测的置信度
US10750960B2 (en) 2016-05-03 2020-08-25 Samsung Electronics Co., Ltd. Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology
US10849508B2 (en) 2016-06-03 2020-12-01 Fourth Frontier Technologies Pvt. Ltd. System and method for continuous monitoring of blood pressure
US10463295B2 (en) 2016-06-13 2019-11-05 Medtronic, Inc. Multi-parameter prediction of acute cardiac episodes and attacks
US10529029B2 (en) 2016-09-23 2020-01-07 Aon Benfield Inc. Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis
CN109843166B (zh) 2016-10-18 2022-05-24 心脏起搏器股份公司 用于心律失常检测的系统
WO2018119316A1 (en) 2016-12-21 2018-06-28 Emory University Methods and systems for determining abnormal cardiac activity
US11915825B2 (en) 2017-02-10 2024-02-27 Alivecor, Inc. Systems and methods of analyte measurement analysis
US20180272147A1 (en) * 2017-03-21 2018-09-27 Zoll Medical Corporation Wearable defibrillator integrated with remote ischemic conditioning protocol
US10765379B2 (en) 2017-05-01 2020-09-08 Cardiac Pacemakers, Inc. Systems and methods for medical alert management
US10638979B2 (en) 2017-07-10 2020-05-05 Glysens Incorporated Analyte sensor data evaluation and error reduction apparatus and methods
US11382552B2 (en) 2017-07-26 2022-07-12 Cardiac Pacemakers, Inc. Reducing false alarms in cardiac monitoring devices
US20190090774A1 (en) 2017-09-27 2019-03-28 Regents Of The University Of Minnesota System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
US11291401B2 (en) 2017-10-03 2022-04-05 Salutron, Inc. Arrhythmia monitoring using photoplethysmography
JP6912998B2 (ja) * 2017-10-25 2021-08-04 株式会社日立製作所 データ分析装置、データ分析方法、およびデータ分析プログラム
CN108030488A (zh) 2017-11-30 2018-05-15 北京医拍智能科技有限公司 基于卷积神经网络的心律失常的检测系统
US20210137384A1 (en) 2017-12-13 2021-05-13 Washington University System and method for determining segments for ablation
US11147459B2 (en) 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
US11763943B2 (en) 2018-03-02 2023-09-19 Preventice Solutions, Inc. Automated ventricular ectopic beat classification
US10960213B2 (en) 2018-03-12 2021-03-30 Zoll Medical Corporation Verification of cardiac arrhythmia prior to therapeutic stimulation
EP3556281A1 (en) 2018-04-17 2019-10-23 Koninklijke Philips N.V. Device, system and method for supporting detection of return of spontaneous circulation during cardiopulmonary resuscitation
CN108577823B (zh) * 2018-04-27 2021-02-02 京东方科技集团股份有限公司 一种心律失常检测装置和心律失常检测系统
CN112105415A (zh) 2018-05-08 2020-12-18 心脏起搏器股份公司 用于检测心律失常的系统和方法
WO2019231808A1 (en) 2018-05-31 2019-12-05 Mayo Foundation For Medical Education And Research Automatic sensing of features within an electrocardiogram
US20190365342A1 (en) * 2018-06-04 2019-12-05 Robert Bosch Gmbh Method and system for detecting abnormal heart sounds
EP3582228A1 (en) 2018-06-12 2019-12-18 Bittium Biosignals Oy Method, system and mobile communications device medical for optimizing clinical care delivery
GB2582124A (en) 2018-09-07 2020-09-16 Transf Ai Ltd Analysis of cardiac data
EP3860710A2 (en) 2018-10-05 2021-08-11 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
US20210345865A1 (en) 2018-10-19 2021-11-11 Given Imaging Ltd Systems and methods for generating and displaying a study of a stream of in-vivo images
US10869610B2 (en) 2018-12-05 2020-12-22 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
US11583196B2 (en) 2019-03-12 2023-02-21 Cardiac Pacemakers, Inc. Systems and methods for detecting atrial tachyarrhythmia
US20200352521A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Category-based review and reporting of episode data
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100312131A1 (en) * 2009-06-09 2010-12-09 Mihir Naware Noise detection and response for use when monitoring for arrhythmias
CN106725428A (zh) * 2016-12-19 2017-05-31 中国科学院深圳先进技术研究院 一种心电信号分类方法及装置
CN107822622A (zh) * 2017-09-22 2018-03-23 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统

Also Published As

Publication number Publication date
US11355244B2 (en) 2022-06-07
US20240029891A1 (en) 2024-01-25
JP2022531293A (ja) 2022-07-06
EP3965645A1 (en) 2022-03-16
US11776691B2 (en) 2023-10-03
AU2020268721A1 (en) 2021-11-11
US20210358631A1 (en) 2021-11-18
KR20220004993A (ko) 2022-01-12
WO2020226852A1 (en) 2020-11-12
DE202020005629U1 (de) 2021-11-12
US20200357517A1 (en) 2020-11-12

Similar Documents

Publication Publication Date Title
US11355244B2 (en) Machine learning based depolarization identification and arrhythmia localization visualization
US11696718B2 (en) Arrhythmia detection with feature delineation and machine learning
US11617533B2 (en) Visualization of arrhythmia detection by machine learning
US11311230B2 (en) Medical premonitory event estimation
US20200352521A1 (en) Category-based review and reporting of episode data
CN113784667A (zh) 用于基于人工智能的心律失常检测的数据准备
JP2022531302A (ja) 心調律の分析のための人工知能モデルのパーソナライゼーション
CN117396980A (zh) 心脏病发作分类
WO2022173674A1 (en) Health event prediction

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