CN113966192A - 用于心房颤动分类的ecg庞加莱图上的深度神经网络 - Google Patents

用于心房颤动分类的ecg庞加莱图上的深度神经网络 Download PDF

Info

Publication number
CN113966192A
CN113966192A CN202080043220.6A CN202080043220A CN113966192A CN 113966192 A CN113966192 A CN 113966192A CN 202080043220 A CN202080043220 A CN 202080043220A CN 113966192 A CN113966192 A CN 113966192A
Authority
CN
China
Prior art keywords
computer
intervals
ecg data
ecg
patterns
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
CN202080043220.6A
Other languages
English (en)
Inventor
张尚卿
涂旻
王堃
王旭
陈晓钟
范伟
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.)
Tencent America LLC
Original Assignee
Tencent America LLC
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 Tencent America LLC filed Critical Tencent America LLC
Publication of CN113966192A publication Critical patent/CN113966192A/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
    • A61B5/361—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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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

Landscapes

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

Abstract

一种检测和分类心房颤动的方法、计算机程序和计算机系统，通过接收与患者相关联的心电图(ECG)对应的数据，从已接收的ECG数据中提取多个RR间期，为每个已提取的RR间隔确定在先的RR间期，并聚合与RR间期和在先的RR间期相关联的特征。分类与已聚合的特征相关联的模式，并且计算机可以确定ECG数据的样本包含与心房颤动相关联的模式，ECG数据的样本与一个或多个已分类的模式对应。

Description

用于心房颤动分类的ECG庞加莱图上的深度神经网络
相关申请的交叉引用
本申请要求于2019年10月30日在美国专利商标局提交的第16/668,532号美国专利申请的优先权，其公开内容通过引用全部并入本文。
背景技术
本公开总体上涉及医学领域，尤其涉及心房颤动(atrial fibrillation，AFib)的检测和分类。
心电图(electrocardiogram，ECG或EKG)是医生检测患者潜在心脏病的常用工具。ECG是患者胸部电压随时间变化的图形，由心脏的电活动产生。该图由三个主要成分的波形组成：P波、QRS波群和T波。QRS波群由Q波、R波和S波组成。
发明内容
实施例涉及用于检测和分类心房颤动的方法、系统和计算机可读介质。根据一个方面，提供了一种用于检测和分类心房颤动的方法。该方法可以包括通过计算机接收对应于与患者相关联的心电图(ECG)的数据。计算机可以从已接收的所述ECG数据中，提取一个或多个RR间期。计算机可以为已提取的所述RR间期中的每一个，确定一个或多个在先的RR间期，并且可以聚合与所述一个或多个RR间期和所述一个或多个在先的RR间期相关联的一个或多个特征。通过所述计算机分类与已聚合的所述特征相关联的一个或多个模式，并且计算机可以确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应。
根据另一方面，提供了一种用于检测和分类心房颤动的计算机系统。计算机系统可以包括一个或多个处理器、一个或多个计算机可读存储器、一个或多个计算机可读有形存储设备，以及存储在一个或多个存储设备中的至少一个上的程序指令，以供一个或多个处理器中的至少一个经由一个或多个存储器中的至少一个执行，由此计算机系统能够执行一种方法。该方法可以包括通过计算机接收对应于与患者相关联的心电图(ECG)的数据。计算机可以从已接收的所述ECG数据中，提取一个或多个RR间期。计算机可以为已提取的所述RR间期中的每一个，确定一个或多个在先的RR间期，并且可以聚合与所述一个或多个RR间期和所述一个或多个在先的RR间期相关联的一个或多个特征。通过所述计算机分类与已聚合的所述特征相关联的一个或多个模式，并且计算机可以确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应。
根据又一方面，提供了一种用于检测和分类心房颤动的计算机可读介质。计算机可读介质可以包括一个或多个计算机可读存储设备和存储在一个或多个有形存储设备中的至少一个上的程序指令，这些程序指令可由处理器执行。程序指令可由处理器执行，用于执行相应地可包括由计算机接收对应于与患者相关联的心电图(ECG)的数据的方法。计算机可以从已接收的所述ECG数据中，提取一个或多个RR间期。计算机可以为已提取的所述RR间期中的每一个，确定一个或多个在先的RR间期，并且可以聚合与所述一个或多个RR间期和所述一个或多个在先的RR间期相关联的一个或多个特征。通过所述计算机分类与已聚合的所述特征相关联的一个或多个模式，并且计算机可以确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应。
附图简要说明
从下面结合附图对示例性实施例的详细描述中，本申请上述的和其它目的、特征和优点将变得显而易见。附图的各种特征未按比例绘制，因为图示是为了清楚起见，以便于本领域技术人员结合详细描述对本申请技术方案进行的理解。在附图中：
图1示出了根据至少一个实施例的联网计算机环境；
图2是根据至少一个实施例的检测和分类心房颤动的程序的框图；
图3是根据至少一个实施例的如图2所示的特征变换滤波器的功能框图；
图4是说明根据至少一个实施例由检测和分类心房颤动的程序执行的步骤的操作流程图；
图5是根据至少一个实施例的图1中所示的计算机和服务器的内部组件和外部组件的框图；
图6是根据至少一个实施例的包括图1所示的计算机系统的示例性云计算环境的框图；以及
图7是根据至少一个实施例的图6所示的示例性云计算环境的功能层的框图。
具体实施方式
本申请公开了所要求保护的结构和方法的具体实施例。然而，应当理解的是，所公开的实施例仅是可以以各种形式体现的所要求保护的结构和方法的示例。然而，本发明可以以许多不同的形式来体现，并且不应被解释为限于本申请所描述的示例性实施例。相反，提供这些示例性实施例是为了使本申请更加全面和完整，并且将本发明的范围完全传达给本领域技术人员。在说明书中，可以省略公知的特征和技术的细节，以避免不必要地混淆所呈现的实施例。
实施例总体上涉及医学领域，并且更具体地涉及检测和分类心房颤动。以下描述的示例性实施例提供了一种系统、方法和程序产品，尤其用于预测在一段时间间期内收集的ECG数据是否包含与心房颤动相关联的模式。因此，一些实施例通过允许使用深度神经网络扩充传统医学临床数据，而具有改进医学领域的能力。由此，本文公开的计算机执行的方法、计算机系统和计算机可读介质，尤其可以用于对诸如心房颤动的心脏的状况进行预测，并且帮助医生进行诊断，以允许最佳和快速的治疗。此外，虽然本文公开的方法、系统和计算机可读介质是相对于心房颤动来描述的，但是所描述的实施例也可以被配置为用于其它心律失常的检测和分类，诸如心动过缓、心房心动过速、室上性心动过速、心房扑动、室性心动过速和心脏传导阻滞。
如前所述，心电图(ECG或EKG)是医生检测患者中潜在心脏病的常用工具。ECG是患者胸部内的随时间的电压变化的曲线图。随时间的电压变化作为心脏的电活动的结果而生成。该曲线图由具有P波、QRS复合波和T波三个主要分量的波形组成。QRS复合波由Q波、R波和S波组成。在ECG中，两个连续R波之间的间期或RR间期可以用于测量患者的心率。读取和分析ECG可能是对患者进行诊断的必要步骤。然而，通过ECG可以发现的心脏危险模式的发生可能是高度不可预测的，并且有时可能很少发生，即使有严重的心脏病。可能需要花费24-48小时的长期ECG收集周期来发现潜在的心脏状况，但是这种收集可能产生几十万次心跳的数据。该数据不可能快速单独分析。另外，目前的方法可能丢弃大量的原始ECG数据。
因此，应用数据分析和统计方法来突出几十万次心跳中所关注的单个心跳模式可能是有利的。另外，本文公开的发明可以通过提供一种系统、方法和程序产品来改进计算领域，提供的一种系统、方法和程序产品使计算机能够从几十万次心跳中对心房颤动或其它潜在的心脏的状况进行分类，以帮助医生快速解析ECG数据以进行诊断。这种分类可以通过利用大数据集来自动学习ECG数据中的任何隐藏相关性来执行。通过应用深度神经网络方法，在模型设计中没有人为偏差，同时允许保存尽可能多的原始ECG数据的情况下，能够从整个数据集本身发现这些模式。通过获取所有原始ECG数据并且使用深度神经网络将连续的ECG数据转换到高维空间，可以从ECG数据中分析非直观特征。另外，在深度神经网络中使用包含所有特征的大数据集，可以为网络提供自动学习和改进分类的机会。
参考本发明实施例的方法、装置(系统)和计算机可读存储介质的流程图和/或框图来描述各个方面。应当理解，流程图和/或框图中的每个框、以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。
以下描述的示例性实施例提供了检测和分类患者的心房颤动的系统、方法和程序产品。根据本实施例，可以通过深度学习分析原始ECG数据，来提供该检测和分类，以检测与心房颤动相关联的心跳模式。基于这些模式的检测，可以诊断和治疗心房颤动。
现在参考图1，图1是一种联网计算机环境的功能框图，其示出了用于改进心房颤动检测和分类的心房颤动分类系统100(以下称为“系统”)。应当理解，图1仅提供了一种实施方式的图示，并不暗示对可以实现不同实施例的环境的任何限制。基于设计和实现要求，可以对所描述的环境进行各种修改。
系统100可以包括计算机102和服务器计算机114。计算机102可以经由通信网络110(以下称为“网络”)与服务器计算机114进行通信。计算机102可以包括处理器104和软件程序108，该软件程序108存储在数据存储设备106中，并且能够与用户接口并与服务器计算机114通信。如下面将参考图5所讨论的，计算机102可以分别包括内部组件800A和外部组件900A，服务器计算机114可以分别包括内部组件800B和外部组件900B。计算机102可以是，例如移动设备、电话、个人数字助理、上网本、膝上型计算机、平板计算机、台式计算机、或能够运行程序、访问网络、并访问数据库的任何类型的计算设备。
服务器计算机114还可以在云计算服务模型中运行，例如软件即服务(SaaS)、平台即服务(PaaS)或基础设施即服务(laaS)，如下文参照图6和图7所讨论的。服务器计算机114还可以位于云计算部署模型中，例如私有云、社区云、公共云或混合云。
服务器计算机114用于检测、分类和通知心房颤动的用户。服务器计算机114能够运行心房颤动分类程序116(以下称为“程序”)，该程序116可以与数据库112交互。下面参照图4更详细地解释心房颤动分类程序方法。在一个实施例中，计算机102可以作为包括用户界面的输入设备运行，而程序116可以主要在服务器计算机114上运行。在一可选的实施例中，程序116可以主要在一个或多个计算机102上运行，而服务器计算机114可以用于处理和存储程序116所使用的数据。应当注意，程序116可以是独立程序，或者可以集成到更大的心房颤动分类程序中。
然而，应当注意，在某些情况下，可以在计算机102和服务器计算机114之间以任何比率共享程序116的处理。在另一实施例中，程序116可以在一个以上的计算机、服务器计算机、或计算机和服务器计算机的某种组合上运行，例如，通过网络110与单个服务器计算机114进行通信的多个计算机102。在另一实施例中，例如，程序116可以在通过网络110与多个客户端计算机通信的多个服务器计算机114上运行。可选地，程序可以在通过网络与服务器和多个客户端计算机通信的网络服务器上运行。
网络110可以包括有线连接、无线连接、光纤连接或其某种组合。通常，网络110可以是支持在计算机102与服务器计算机114之间进行通信的连接和协议的任何组合。网络110可以包括各种类型的网络，例如局域网(LAN)、诸如因特网的广域网(WAN)、诸如公共交换电话网(PSTN)的电信网络、无线网络、公共交换网络、卫星网络、蜂窝网络(例如第五代(5G)网络、长期演进(LTE)网络、第三代(3G)网络、码分多址(CDMA)网络等)、公共陆地移动网络(PLMN)、城域网(MAN)、专用网、自组织网络、内联网、基于光纤的网络等，以及/或这些或其它类型网络的组合。
图1所示的设备和网络的数量和布置是作为示例来提供的。实际上，与图1所示的设备和网络相比，可以有更多的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络，或布置不同的设备和/或网络。此外，图1所示的两个或更多个设备可以在单个设备中实现，或者图1所示的单个设备可以作为多个分布式设备实现。另外或可选地，系统100的一组设备(例如，一个或多个设备)可以执行描述为由系统100的另一组设备执行的一个或多个功能。
参考图2，描绘了心房颤动分类程序116的框图。可以借助于图1中描绘的示例性实施例来描述图2。根据一个或多个实施例，心房颤动分类程序116可以位于计算机102(图1)或服务器计算机114(图1)上。心房颤动分类程序116可以相应地尤其包括预处理模块202和深度神经网络204。预处理模块202可以包含数字信号处理(DSP)模块208，并且可以被配置为检索数据206。根据一个实施例，可以从计算机102上的数据存储设备106(图1)检索数据206。在可替代实施例中，可以从服务器计算机114上的数据库112(图1)检索数据206。数据206可以尤其包括从患者收集的原始ECG数据。根据一个实施例，数据206可以是完整的24-48小时的长期收集周期。根据可替代实施例，数据206可以是收集周期的随机样本。根据另一可替代实施例，数据206可以是具有最高方差值的收集周期的样本。DSP模块208可以通过对每个单独心跳的数据进行分割来从数据206中提取一个或多个RR间期。这可以例如通过计算连续R波的峰值之间的时间间期来实现。由此，DSP模块208尤其可以协助将对应于ECG数据的一维时间信号转换为多维阵列，以便由深度神经网络204进行处理。DSP模块208还可以将数据清理和过滤应用于数据206，以便由深度神经网络204进行更好的处理。
深度神经网络204可以尤其包括输入矩阵210；一个或多个隐藏层212、214和218；特征变换层216；池化层220；以及一个或多个连接层222和224。可以理解，图2仅描绘了深度神经网络204的一种实现，并且深度神经网络204不限于这些确切的层和层的顺序。深度神经网络204可以包含任何顺序的任何数目的层，包括添加或省略所描绘的层中的任何一个。
输入矩阵210可以例如为具有维度n×k的二维矩阵，其中n可以为用于分析选择的RR间期的数目(即，心跳的数目)，并且k-1可以为RR间期中的每一个的在先的RR间期的数目。例如，如果要分析128个RR间期，对于该128个RR间期中的每一个，使用三个在先的RR间期的回顾窗口来分析这个RR间期，则输入矩阵将具有128×4的大小。然而，可以理解，n和k可以为任何值，这些值可以基于可用计算能力来选择，使得对于较大的k值，可以为每个心跳保留更多的邻近信息。
特征变换层216可以用于提取一个或多个特征。将参考图3进一步详细描述特征变换层216。虽然仅描绘了一个特征变换层216，但是可以理解，深度神经网络204可以包含附加的特征变换层216，附加的特征变换层216可以串行或并行地应用于数据206。一个或多个隐藏层212、214和218可以用于进一步将数据处理为可由深度神经网络204使用的形式。池化层220可以用于聚合一个或多个特征，并对所分析的数据进行下采样，以便于识别一个或多个特征。池化层220可以应用最大池化策略、平均池化策略或其它池化方法。第一全连接层222可以用于例如对经聚合的特征进行分类，并且将这些特征与一个或多个模式进行比较。可以通过深度学习来开发模式，使得模式的创建中不存在人为干预。第二全连接层224可以用于通过分析第一全连接层222的输出，来对数据206是否包含与心房颤动相关联的模式进行分类。第二全连接层224可以例如将指示功能应用于数据，诸如如果数据包含与心房颤动相关联的模式，则输出“1”，并且如果数据不包含与心房颤动相关联的模式，则输出“0”。深度神经网络204可以标识与样本对应的时间段，该样本包含与心房颤动相关联的模式的数据。深度神经网络204可以将标识的时间段发送给用户，使得用户尤其可以人工检查与该时间段相关联的原始ECG数据，并且如果适用的话，做出任何相关诊断。
现在参考图3，根据一个或多个实施例描绘了示例性的特征变换层216的功能框图。特征变换层216可以包含矩阵302和卷积滤波器304。作为示例而非限制，卷积滤波器304被描绘为具有四个元件306A-306D的2×2矩阵。然而，可以理解，卷积滤波器304可以基本上为具有任何数目个元件的任何大小。矩阵302可以为例如具有维度n×k的二维矩阵，其中n表示用于分析的心跳的数目，并且k-1表示“回顾”心跳的数目或在先的心跳的数目。由此，心跳数据308A、310A和312A到nA可以存储在矩阵302的第一列内。另外，分别与心跳数据308A、310A、312A和nA中的每一个相关联的在先的心跳数据308B-k、310B-k、312B-k和nB-k，可以存储在矩阵302的列2到列k中。例如，在心跳数据308A、310A和312A对应于连续的心跳的情况下，可以理解，心跳数据308A、310B和312C可以相同、基本上相同或类似。卷积滤波器304可以应用于矩阵302的分量子矩阵(例如，包含心跳数据308B、308C、310B和310C的子矩阵A)中的任何一个或全部。分量子矩阵具有与卷积滤波器304相同的尺寸、基本上相同的尺寸或类似的尺寸。矩阵302'可以作为计算矩阵302的分量子矩阵中的每一个与卷积滤波器304的标量(即，点)积的结果而生成。例如，308B'可以为子矩阵A和卷积滤波器304的点积。
现在参考图4，描绘了说明程序执行的步骤的操作流程图400。该程序检测和分类心房颤动。可以借助于图1、图2和图3来描述图4。如前所述，心房颤动分类程序116(图1)可以快速并且有效地检测心房颤动。
在402处，通过计算机接收对应于与患者相关联的心电图的数据。数据可以是长期ECG收集(即，24－48小时)、长期ECG收集的随机样本，或具有最高方差值的长期ECG收集的样本。在操作中，心房颤动分类程序116(图1)可以驻留在计算机102(图1)或服务器计算机114(图1)上。心房颤动分类程序116可以经由通信网络110(图1)接收数据206(图2)或可以从数据库112(图1)检索数据206。
在404处，通过计算机从已接收的所述ECG数据中，提取一个或多个RR间期。例如，可以以一维时间数据或电压随时间变化的二维图的形式接收ECG数据。由此，从已接收的ECG数据中提取一个或多个RR间期，可以允许通过从ECG数据获得每个单独心跳的分割数据来对原始ECG数据进行定性分析。数目n个RR间期可以存储在n×k二维矩阵的列中。RR间期的识别可以是例如计算连续R波和连续R波各自的局部最大值之间的时间段。在操作中，DSP模块208(图2)可以标识对应于数据206(图2)中的一个或多个心跳的一个或多个RR间期。DSP模块208可以例如将数据206存储在输入矩阵210(图2)的第一列中。
在406处，通过计算机为已提取的所述RR间期中的每一个，确定一个或多个在先的RR间期。在先的RR间期可以尤其为待分析的RR间期中的每一个提供历史数据，并且可以例如允许检测非直观模式，以协助诊断和治疗心房颤动。在先的RR间期可以存储在第二列矩阵和后续列矩阵中。例如，对于n个RR间期中的每一个，可以存在k-1个在先的RR间期，其可以被存储在二维矩阵的列2到列k中。在操作中，DSP模块208(图2)可以标识针对存在于数据206(图2)内的心跳中的每一个的在先的心跳的数目。DSP模块208可以将该信息存储在输入矩阵210(图2)的第二列和后续列中。
在408处，通过计算机聚合与已提取的一个或多个RR间期和一个或多个在先的RR间期相关联的一个或多个特征。因为可以将一个或多个卷积滤波器应用于数据，所以例如通过已聚合的特征对数据进行下采样是有利的，以便使数据处理更易于管理并且节省计算资源。在操作中，特征变换层216(图2)可以将卷积滤波器304(图3)应用于矩阵302(图3)。卷积滤波器304可以为例如大小为2×2的阵列，并且可以通过计算矩阵302的2×2分量阵列中的每一个的点积，而将该卷积滤波器304应用于矩阵302。因此，作为将卷积滤波器304应用于矩阵302的结果，可以产生大小为(k-1)×(n-1)的矩阵302'(图3)。可以理解，一个或多个卷积滤波器304可同时应用于矩阵302，从而产生一个或多个矩阵302'。这些矩阵302'可以通过例如隐藏层218(图2)彼此附加，以创建高阶多维阵列。池化层220(图2)可以将一个或多个池化策略应用于矩阵302'，诸如最大池化或平均池化。例如，池化层220可以将最大池化应用于矩阵302'，使得存在于矩阵302'的每个非重叠2×2分量子矩阵中的最大值可以被放置于具有近似大小为(n-1)/2×(k-1)/2的矩阵中的单元中。
在410处，通过计算机分类与已聚合的所述特征相关联的一个或多个模式。在已经聚合了特征之后，系统可以从特征当中识别一个或多个模式。这些模式可以包括与正常窦性心律、心房颤动和其它心律失常相关联的特征，诸如心动过缓、心房心动过速、室上性心动过速、心房扑动、室性心动过速和心脏传导阻滞。在操作中，深度神经网络204(图2)的第一全连接层222(图2)可以分析由池化层220(图2)输出的下采样矩阵，以确定数据206(图2)内是否存在与心律失常(诸如心房颤动)一致的任何模式。如果检测到任何模式，则系统可以基于这些模式的存在而相应地对这些模式进行分类。
在412处，通过计算机确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应。在确定数据中存在一个或多个模式之后，计算机可以尤其确定这些模式中的一个或多个是否对应于心房颤动。通过学习，通过数据中的模式，该数据是否包含心房颤动，可以在没有人为干预以及模型开发时没有偏差的情况下进行此状况的标识。在操作中，深度神经网络204(图2)的第二全连接层224(图2)可以将滤波器应用于第一全连接层222(图2)的输出，以确定数据206中是否存在对应于心房颤动的模式。例如，如果确定数据206内可能存在心房颤动模式，则第二全连接层224可以输出“1”。例如，如果确定数据206内可能不存在心房颤动模式，则第二全连接层224可以附加地输出“0”。
在414处，通过计算机向用户传送与所述ECG数据的样本对应的时间段的标识，所述ECG数据的样本被确定为包含与心房颤动相关联的模式。通过确定时间段，用户能够确定相关的诊断标准，诸如发作和诱发。此外，通过向用户传送时间段，用户将能够例如人工检查ECG数据的一个或多个样本的准确性，并且协助做出正确的诊断。在操作中，服务器计算机114(图1)上的心房颤动分类程序116可以通过通信网络110(图1)向计算机102(图1)上的软件程序108(图1)传送包含与心房颤动相关联的模式的时间段的标识。
可以理解，图4仅提供一种实现的说明，并不意味着对关于可以如何实现不同实施例的任何限制。可以基于设计和实现需求对所描绘的环境进行许多修改。例如，如上所述，除了协助诊断和治疗心房颤动之外，本文公开的方法、计算机系统和计算机可读介质可以用于诊断和治疗其它心律失常，诸如心动过缓、心房心动过速、室上性心动过速、心房扑动、室性心动过速和心脏传导阻滞。图5是根据示例性实施例的图1中所描绘的计算机的内部组件和外部组件的框图500。应当理解，图5仅提供了一种实施方式的图示，并不暗示对可以实施不同实施例的环境的任何限制。基于设计和实现要求，可以对所描述的环境进行各种修改。
计算机102(图1)和服务器计算机114(图1)可以包括图5所示的内部组件800A、800B和外部组件900A、900B的相应集合。每组内部组件800包括连接在一个或多个总线826上的一个或多个处理器820、一个或多个计算机可读随机存取存储器(RAM)822和一个或多个计算机可读只读存储器(ROM)824，包括一个或多个操作系统828、以及一个或多个计算机可读有形存储设备830。
处理器820以硬件、固件或硬件与软件的组合来实现。处理器820是中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其它类型的处理组件。在一些实施方式中，处理器820包括一个或多个能够被编程以执行功能的处理器。总线826包括允许在内部组件800A与800B之间进行通信的组件。
一个或多个操作系统828、以及服务器计算机114(图1)上的软件程序108(图1)和子心房颤动分类程序116(图1)都存储在一个或多个相应的计算机可读有形存储设备830上，用于由一个或多个相应的处理器820通过一个或多个相应的RAM 822(其通常包括高速缓冲存储器)执行。在图5所示的实施例中，每个计算机可读有形存储设备830是内部硬盘驱动器的磁盘存储设备。可选地，每个计算机可读有形存储设备830是半导体存储设备，例如ROM824、可擦可编程只读存储器(EPROM)、快闪存储器、光盘、磁光盘、固态盘、光碟(CD)、数字通用光盘(DVD)、软盘、盒式磁带、磁带，和/或能够存储计算机程序和数字信息的其它类型的非易失性计算机可读有形存储设备。
每组内部组件800A、800B还包括读写(R/W)驱动器或接口832，以便从一个或多个便携式计算机可读有形存储设备936(例如CD-ROM、DVD、记忆棒、磁带、磁盘、光盘或半导体存储设备)读取或向其写入。诸如软件程序108(图1)和心房颤动分类程序116(图1)的软件程序可以存储在一个或多个相应的便携式计算机可读有形存储设备936上，经由相应的R/W驱动器或接口832读取并加载到相应的硬盘驱动器830中。
每组内部组件800A、800B还包括网络适配器或接口836，例如TCP/IP适配器卡、无线Wi-Fi接口卡、或3G、4G或5G无线接口卡或其它有线或无线通信链路。服务器计算机114(图1)上的软件程序108(图1)和心房颤动分类程序116(图1)可经由网络(例如，因特网、局域网或其它网络、广域网)和相应的网络适配器或接口836从外部计算机下载到计算机102(图1)和服务器计算机114。从网络适配器或接口836，将服务器计算机114上的软件程序108和心房颤动分类程序116加载到相应的硬盘驱动器830中。网络可以包括铜线、光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。
每组外部组件900A、900B可以包括计算机显示器920、键盘930和计算机鼠标934。外部组件900A、900B还可以包括触摸屏、虚拟键盘、触摸板、定点设备和其它人机接口设备。每组内部组件800A、800B还包括设备驱动器840，以与计算机显示器920、键盘930和计算机鼠标934接口。设备驱动器840、R/W驱动器或接口832和网络适配器或接口836包括硬件和软件(存储在存储设备830和/或ROM 824中)。
应当理解的是，尽管本申请包括对云计算的详细描述，但是本文所列举的实施方式并不限于云计算环境。相反，某些实施例能够结合现在已知的或以后开发的任何其它类型的计算环境来实现。
云计算是一种服务交付模型，用于实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、内存、存储、应用程序、虚拟机和服务)共享池的方便、按需的网络访问，这些资源可以用最少的管理工作或与服务提供商的交互来快速配置和发布。云模型可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征如下：
按需自助服务(On-demand self-service)：云用户可以根据需要自动单方面提供计算功能，例如服务器时间和网络存储，而无需与服务提供商进行人工交互。
广泛的网络接入(Broad network access)：功能可以通过网络获得，并通过标准机制进行访问，这些机制可以促进异构的瘦或胖客户端平台(例如，移动电话、笔记本电脑和个人数字助理)的使用。
资源池(Resource pooling)：使用多租户模型(multi-tenant model)将提供商的计算资源汇集起来以服务多个用户，并根据需求动态地分配和重新分配不同的物理和虚拟资源。位置独立的意义在于，用户通常对所提供的资源的确切位置没有控制权或知识，但能够在更高的抽象级别(例如，国家、州或数据中心)上指定位置。
快速弹性(Rapid elasticity)：可以快速且弹性地进行配置的功能，在某些情况下可以自动配置以快速向外扩展，并快速释放以快速向内扩展。对于用户来说，可用于配置的功能通常看起来是无限的，并且可以在任何时间以任何数量购买。
可计量的服务(Measured service)：云系统通过在适于服务类型(例如，存储、处理、带宽和活跃用户帐户)的某种抽象级别上利用计量功能，自动控制和优化资源使用。可以监视、控制和报告资源使用情况，从而为所使用服务的提供商和用户提供透明度。
服务模型如下：
软件即服务(SaaS)：向用户提供的功能是使用在云基础设施上运行的提供商的应用程序。可以通过诸如网页浏览器(例如，基于网页的电子邮件)的瘦客户端接口从各种客户端设备访问应用程序。用户不管理或控制包括网络、服务器、操作系统、存储或甚至单个应用程序功能在内的底层云基础设施，但可能会限制用户特定的应用程序配置设置。
平台即服务(PaaS)：提供给用户的功能是将用户创建或获取的应用程序部署到云基础设施上，该用户创建或获取的应用程序是使用提供商支持的编程语言和工具创建的。用户不管理或控制包括网络、服务器、操作系统或存储在内的底层云基础设施，而是控制所部署的应用程序和可能的应用程序托管环境配置。
基础设施即服务(laaS)：向用户提供的功能是提供处理、存储、网络和其他基本计算资源，其中用户能够部署和运行包括操作系统和应用程序在内的任意软件。用户不管理或控制底层云基础设施，而是控制操作系统、存储、部署的应用程序、以及可能对选择的网络组件(例如，主机防火墙)进行有限的控制。
部署模型如下：
私有云(Private cloud)：云基础设施仅为组织运行。它可以由组织或第三方来管理，并且可以存在于内部或外部。
社区云(Community cloud)：云基础设施由多个组织共享，并且支持具有共享关注点(例如，任务、安全要求、策略和服从性考虑)的特定社区。它可以由组织或第三方管理，并且可以存在于内部或外部。
公共云(Public cloud)：云基础设施可供一般公众或大型工业集团使用，并由出售云服务的组织所拥有。
混合云(Hybrid cloud)：云基础设施是由两个或更多个云(私有、社区或公共)组成的，这些云保持唯一的实体，但是通过标准化或专有技术绑定在一起，从而实现数据和应用程序的可移植性(例如，用于在云之间进行负载平衡的云爆发)。
云计算环境是面向服务的，着重于无状态、低耦合、模块化和语义互操作性。云计算的核心是包括互连节点的网络的基础设施。
参照图6，其示出了示例性的云计算环境600。如图所示，云计算环境600包括一个或多个云计算节点10，云用户所使用的本地计算设备(例如个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N)可以与这些云计算节点10通信。云计算节点10之间可以彼此通信。可以在一个或多个网络中，例如上文所述的私有云、社区云、公共云、混合云、或其组合中，对它们进行物理或虚拟分组(未示出)。这允许云计算环境600提供基础设施、平台和/或软件作为服务，而云用户不需要在本地计算设备上为这些服务维护资源。应当理解，图6所示的计算设备54A-N的类型仅是示例性的，并且云计算节点10和云计算环境600可以通过任何类型的网络和/或网络可寻址连接(例如，使用网页浏览器)与任何类型的计算机设备通信。
参照图7，其示出了由云计算环境600(图6)提供的一组功能抽象层700。应当理解的是，图7所示的组件、层和功能仅是示例性的，并且本发明的实施例不限于此。如图所示，提供了以下层和相应功能：
硬件和软件层60包括硬件和软件组件。硬件组件的示例包括：主机61、基于RISC(精简指令集计算机，Reduced Instruction Set Computer)架构的服务器62、服务器63、刀锋服务器(blade server)64、存储设备65、以及网络和网络组件66。在一些实施例中，软件组件包括网络应用服务器软件67和数据库软件68。
虚拟层70提供抽象层，从该抽象层可以提供以下虚拟实体的示例：虚拟服务器71、虚拟存储器72、包括虚拟专用网络的虚拟网络73、虚拟应用程序和操作系统74、以及虚拟客户端75。
在一个示例中，管理层80可以提供下述功能。资源供应81提供用于在云计算环境中执行任务的计算资源和其它资源的动态采购。当在云计算环境中利用资源时，计量和定价82提供成本跟踪，并为这些资源的消耗开具帐单或发票。在一个示例中，这些资源可包括应用软件许可证。安全性为云用户和任务提供身份验证，并为数据和其他资源提供保护。用户入口83为用户和系统管理员提供对云计算环境的访问。服务级别管理84提供云计算资源的分配和管理，从而满足所需的服务级别。服务水平协议(SLA，Service Level Agreement)计划和实现85为根据SLA预期的未来需求的云计算资源提供预先安排和获取。
工作负载层90提供可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括：映射和导航91、软件开发和生命周期管理92、虚拟课堂教学实施93、数据分析处理94、交易处理95、以及心房颤动分类96。心房颤动分类96可以检测和分类与患者心房颤动相关联的模式。
一些实施例可以涉及处于任何可能的技术细节集成水平的系统、方法和/或计算机可读介质。计算机可读介质可以包括非易失性计算机可读存储介质(或媒介)，其上存储有使处理器执行操作的计算机可读程序指令。
计算机可读存储介质可以是有形设备，其可以保留和存储指令以供指令执行设备使用。计算机可读存储介质可以是，例如，但不限于，电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任任意适当组合。计算机可读存储介质的更具体示例的非详尽列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用光盘(DVD)、记忆棒、软盘、机械编码装置(如其上记录有指令的穿孔卡(punch-card)或槽内凸起的结构)、以及上述的任意适当组合。本文所使用的计算机可读存储介质不应被解释为本身是易失信号，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)、或通过电线传输的电信号。
本文所述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者通过网络(例如，因特网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。所述网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并转发所述计算机可读程序指令，以将其存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行操作的计算机可读程序代码/指令可以是汇编指令、指令集架构(ISA，instruction-set-architecture)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、用于集成电路的配置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括诸如Smalltalk、C++等的面向对象的编程语言、以及程序化程序语言(例如“C”编程语言)或类似的编程语言。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包执行，部分在用户的计算机上执行而部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机上，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的互联网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令，以使得电子电路个性化，从而执行方面或操作。
可以将这些计算机程序指令提供给通用目标计算机、专用目标计算机或其他可编程数据处理装置的处理器，以产生机器，使得该指令经由计算机或其他可编程数据处理装置的处理器执行，以创建用于实现流程图和/或框图中的一个或多个框指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，所述计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以特定方式运行，从而使得其中存储有指令的计算机可读存储介质包含制品，所述制品包括实现流程图和/或框图中的一个或多个框指定的功能/动作的各方面的指令。
计算机可读程序指令也可以加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，从而产生计算机实现的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框指定的功能/动作。
附图中的流程图和框图示出了根据各种实施例的系统、方法和计算机可读介质的可能的实实施方式的架构、功能和操作。在这一点而言，流程图或框图中的每个框可以表示指令的模块、片段或部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。相比于图中所描绘的，所述方法、计算机系统和计算机可读介质可以包括更多的块、更少的块、不同的块或不同布置的块。在一些可选实施方式中，框中标注的功能可以不按附图中标注的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以同时或基本上同时执行，或者所述框有时可以以相反的顺序执行。还应注意的是，框图和/或流程图的每个框以及框图和/或流程图的框的组合可以由执行指定功能或动作的或者执行专用硬件和计算机指令的组合的基于专用硬件的系统来实施。
很明显，本文所述的系统和/或方法可以以不同形式的硬件、固件或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码并不受这些实施方式的限制。因此，本文描述了这些系统和/或方法的操作和行为而没有参考具体的软件代码——应当理解，可以基于本文的描述来设计软件和硬件以实现这些系统和/或方法。
除非明确说明，否则本文中使用的元件、动作或指令均不得解释为关键或必要的。另外，如本文所使用的，冠词“一(a)”和“一个(an)”旨在包括一个或多个项，并且可以与“一个或多个”互换使用。此外，如本文所使用的，术语“集合”旨在包括一个或多个项(例如，相关项、不相关项、相关项和不相关项的组合等)，并且可以与“一个或多个”互换使用。在仅希望一个项的情况下，则使用术语“一个”或类似语言。另外，如本文所使用的，术语“具有(has)”，“具有(have)”，“具有(having)”等旨在是开放式术语。进一步，短语“基于”旨在表示“至少部分地基于”，除非另外明确说明。
已经出于说明的目的给出了各个方面和实施例的描述，但是并不旨在穷举或限于所公开的实施例。即使权利要求中叙述了特征的组合和/或说明书中公开了特征的组合，这些组合也不旨在限制可能的实施方式的公开。实际上，这些特征中的许多特征可以以权利要求中未具体描述和/或说明书中未公开的方式组合。虽然下文列出的每个从属权利要求可以直接从属于仅一个权利要求，但是可能的实施方式的公开包括每个从属权利要求与权利要求集中的每个其他权利要求的组合。在不脱离所描述的实施例的范围的情况下，许多修改和变化对于本领域普通技术人员来说将是显而易见的。选择本文使用的术语是为了最好地解释本申请实施例的原理、对市场上发现的技术的实际应用或技术改进，或使本领域其他普通技术人员能够理解本文公开的实施例。

Claims (20)

1.一种检测和分类心房颤动(AFib)的方法，包括：
通过计算机接收对应于与患者相关联的心电图(ECG)的数据；
通过所述计算机从已接收的所述ECG数据中，提取一个或多个RR间期；
通过所述计算机为已提取的所述RR间期中的每一个，确定一个或多个在先的RR间期；
通过所述计算机聚合与所述一个或多个RR间期和所述一个或多个在先的RR间期相关联的一个或多个特征；
通过所述计算机分类与已聚合的所述特征相关联的一个或多个模式；以及
通过所述计算机确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应。
2.根据权利要求1所述的方法，其中，所述ECG数据存储在二维阵列中，所述二维阵列对应于已提取的所述一个或多个RR间期，以及为已提取的每个RR间期确定的所述一个或多个在先的RR间期
3.根据权利要求2所述的方法，其中，响应于将一个或多个卷积滤波器层应用于所述二维阵列，生成多维阵列来聚合所述特征。
4.根据权利要求3所述的方法，其中，所述确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应，包括将全连接层应用于所述多维阵列。
5.根据权利要求1所述的方法，进一步包括：
通过所述计算机向用户传送与所述ECG数据的样本对应的时间段的标识，所述ECG数据的样本被确定为包含与心房颤动相关联的模式。
6.根据权利要求1所述的方法，其中，所述从已接收的所述ECG数据中，提取所述一个或多个RR间期，包括：
通过所述计算机将已接收的所述ECG数据分割为第一心跳和第二心跳；以及
通过所述计算机计算第一峰值和第二峰值之间的时间段，所述第一峰值与所述第一心跳的第一R波相关联，所述第二峰值与所述第二心跳的第二R波相关联。
7.根据权利要求1所述的方法，其中，所述聚合包括将最大池化层应用于所述一个或多个RR间期和所述一个或多个在先的RR间期。
8.根据权利要求1所述的方法，其中，所述聚合包括将平均池化层应用于所述一个或多个RR间期和所述一个或多个在先的RR间期。
9.根据权利要求1所述的方法，其中，已接收的所述ECG数据包括长期ECG收集的随机样本。
10.根据权利要求1所述的方法，其中，已接收的所述ECG数据包括具有最大方差值的长期ECG收集的样本。
11.一种检测和分类心房颤动(AFib)的计算机系统，所述计算机系统包括：
一个或多个计算机可读非暂时性存储介质，被配置为存储计算机程序代码；和
一个或多个计算机处理器，被配置为访问所述计算机程序代码并按照所述计算机程序代码的指示操作，所述计算机程序代码包括：
接收代码，被配置为使所述一个或多个计算机处理器接收对应于与患者相关联的心电图(ECG)的数据；
提取代码，被配置为使所述一个或多个计算机处理器从已接收的所述ECG数据中，提取一个或多个RR间期；
确定代码，被配置为使所述一个或多个计算机处理器为已提取的所述RR间期中的每一个，确定一个或多个在先的RR间期；
聚合代码，被配置为使所述一个或多个计算机处理器聚合与所述一个或多个RR间期和所述一个或多个在先的RR间期相关联的一个或多个特征；
分类代码，被配置为使所述一个或多个计算机处理器分类与已聚合的所述特征相关联的一个或多个模式；
模式确定代码，被配置为使所述一个或多个计算机处理器确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应。
12.根据权利要求11所述的计算机系统，其中，所述ECG数据存储在二维阵列中，所述二维阵列对应于已提取的所述一个或多个RR间期，以及为已提取的每个RR间期确定的所述一个或多个在先的RR间期
13.根据权利要求12所述的计算机系统，其中，响应于将一个或多个卷积滤波器层应用于所述二维阵列，生成多维阵列来聚合所述特征。
14.根据权利要求13所述的计算机系统，其中，所述确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应，包括将全连接层应用于所述多维阵列。
15.根据权利要求11所述的计算机系统，其中，所述计算机系统程序代码进一步包括：
传输代码，被配置为使所述一个或多个计算机处理器向用户传送与所述ECG数据的样本对应的时间段的标识，所述ECG数据的样本被确定为包含与心房颤动相关联的模式。
16.根据权利要求11所述的计算机系统，其中，所述计算机系统程序代码进一步包括：
分割代码，被配置为使所述一个或多个计算机处理器将已接收的所述ECG数据分割为第一心跳和第二心跳；
计算代码，被配置为使所述一个或多个计算机处理器计算第一峰值和第二峰值之间的时间段，所述第一峰值与所述第一心跳的第一R波相关联，所述第二峰值与所述第二心跳的第二R波相关联。
17.根据权利要求11所述的计算机系统，其中，所述聚合包括将最大池化层应用于所述一个或多个RR间期和所述一个或多个在先的RR间期。
18.根据权利要求11所述的计算机系统，其中，所述聚合包括将平均池化层应用于所述一个或多个RR间期和所述一个或多个在先的RR间期。
19.根据权利要求11所述的计算机系统，其中，已接收的所述ECG数据包括具有最大方差值的长期ECG收集的样本。
20.一种非暂时性计算机可读介质，其上存储有用于检测和分类心房颤动(AFib)的计算机程序，该计算机程序被配置为使一个或多个计算机处理器执行操作，包括：
接收对应于与患者相关联的心电图(ECG)的数据；
从已接收的所述ECG数据中，提取一个或多个RR间期；
为已提取的所述RR间期中的每一个，确定一个或多个在先的RR间期；
聚合与所述一个或多个RR间期和所述一个或多个在先的RR间期相关联的一个或多个特征；
分类与已聚合的所述特征相关联的一个或多个模式；以及
确定所述ECG数据的样本包含与AFib相关联的模式，所述ECG数据的所述样本与已分类的所述模式中的一个或多个对应。
CN202080043220.6A 2019-10-30 2020-08-19 用于心房颤动分类的ecg庞加莱图上的深度神经网络 Pending CN113966192A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/668,532 2019-10-30
US16/668,532 US11596344B2 (en) 2019-10-30 2019-10-30 Deep neural network on ECG Poincare plot for atrial fibrillation classification
PCT/US2020/046939 WO2021086472A1 (en) 2019-10-30 2020-08-19 Deep neural network on ecg poincare plot for atrial fibrillation classification

Publications (1)

Publication Number Publication Date
CN113966192A true CN113966192A (zh) 2022-01-21

Family

ID=75686653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080043220.6A Pending CN113966192A (zh) 2019-10-30 2020-08-19 用于心房颤动分类的ecg庞加莱图上的深度神经网络

Country Status (3)

Country Link
US (1) US11596344B2 (zh)
CN (1) CN113966192A (zh)
WO (1) WO2021086472A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210259560A1 (en) * 2020-02-26 2021-08-26 Eko Devices, Inc. Methods and systems for determining a physiological or biological state or condition of a subject
EP3881767A1 (en) * 2020-03-19 2021-09-22 Tata Consultancy Services Limited Systems and methods for atrial fibrillation (af) and cardiac disorders detection from biological signals
EP3918980A1 (en) * 2020-06-02 2021-12-08 CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement Method for classifying photoplethysmography pulses and monitoring of cardiac arrhythmias
JP7254399B1 (ja) * 2021-05-21 2023-04-10 株式会社カルディオインテリジェンス プログラム、出力装置及びデータ処理方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7941214B2 (en) * 2006-03-29 2011-05-10 Medtronic, Inc. Method and apparatus for detecting arrhythmias in a subcutaneous medical device
KR101910576B1 (ko) * 2011-11-08 2018-12-31 삼성전자주식회사 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치
WO2015038572A1 (en) * 2013-09-10 2015-03-19 Guerrero Juan R Diagnostic digital data mining of biological waves
US10463269B2 (en) * 2013-09-25 2019-11-05 Bardy Diagnostics, Inc. System and method for machine-learning-based atrial fibrillation detection
US10602942B2 (en) * 2017-08-25 2020-03-31 Cambridge Heartwear Limited Method of detecting abnormalities in ECG signals
US11147463B2 (en) * 2017-11-03 2021-10-19 Samsung Electronics Co., Ltd. Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device
CN108113666B (zh) * 2017-12-19 2019-06-21 中国科学院深圳先进技术研究院 房颤信号的识别方法、装置和设备
US11013470B2 (en) * 2018-06-08 2021-05-25 Cambridge Heartwear Limited Detecting abnormalities in ECG signals
US11607181B2 (en) * 2018-07-20 2023-03-21 GE Precision Healthcare LLC Systems and methods for cardiac triggering of an imaging system
US11521743B2 (en) * 2019-10-21 2022-12-06 Tencent America LLC Framework for performing electrocardiography analysis
KR102563372B1 (ko) * 2020-02-12 2023-08-03 아이리듬 테크놀로지스, 아이엔씨 비-침습적 심장 모니터 및 기록된 심장 데이터를 사용하여 환자의 생리학적 특성을 추론하는 방법

Also Published As

Publication number Publication date
US11596344B2 (en) 2023-03-07
WO2021086472A1 (en) 2021-05-06
US20210128004A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
CN113966192A (zh) 用于心房颤动分类的ecg庞加莱图上的深度神经网络
US10869610B2 (en) System and method for identifying cardiac arrhythmias with deep neural networks
Chen et al. Heartbeat classification using projected and dynamic features of ECG signal
Kumar et al. Efficient QRS complex detection algorithm based on Fast Fourier Transform
Moses et al. A survey of data mining algorithms used in cardiovascular disease diagnosis from multi-lead ECG data
KR20190069047A (ko) 질환 예측 장치 및 방법
KR20190069046A (ko) 헬스케어 서비스 제공을 위한 데이터셋 생성 장치 및 방법
Ullah et al. An End‐to‐End Cardiac Arrhythmia Recognition Method with an Effective DenseNet Model on Imbalanced Datasets Using ECG Signal
Tripathy et al. Automated detection of heart ailments from 12‐lead ECG using complex wavelet sub‐band bi‐spectrum features
Krutanard et al. Discovering organizational process models of resources in a hospital using Role Hierarchy Miner
Wang et al. Clustering ECG heartbeat using improved semi‐supervised affinity propagation
Luongo et al. Hybrid machine learning to localize atrial flutter substrates using the surface 12-lead electrocardiogram
Ilbeigipour et al. Real‐Time Heart Arrhythmia Detection Using Apache Spark Structured Streaming
CN113693611B (zh) 基于机器学习的心电数据分类方法及装置
CN111798944A (zh) 基于emr/ehr和心电图的心脏异常分析多模式框架
Tsoutsouras et al. Software design and optimization of ECG signal analysis and diagnosis for embedded IoT devices
Patan et al. Gaussian relevance vector MapReduce-based annealed Glowworm optimization for big medical data scheduling
Mohapatra et al. Healthcare Big Data Analysis with Artificial Neural Network for Cardiac Disease Prediction
Kolk et al. Dynamic prediction of malignant ventricular arrhythmias using neural networks in patients with an implantable cardioverter-defibrillator
Balamurugan et al. Secured cloud computing for medical database monitoring using machine learning techniques
CN113034428A (zh) 用于在头部ct平扫图像中检测急性颅内出血的深度学习系统
Sonia et al. Cardiac abnormalities from 12‐Lead ECG signals prediction based on deep convolutional neural network optimized with nomadic people optimization algorithm
Liu et al. A fully-mapped and energy-efficient FPGA accelerator for dual-function AI-based analysis of ECG
Kolekar et al. Design of precision medicine web-service platform towards health care digital twin
Barillaro et al. Edge-based deep learning in medicine: Classification of ecg signals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40065768

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination