CN115552545A - 心电图分析 - Google Patents
心电图分析 Download PDFInfo
- Publication number
- CN115552545A CN115552545A CN202180032087.9A CN202180032087A CN115552545A CN 115552545 A CN115552545 A CN 115552545A CN 202180032087 A CN202180032087 A CN 202180032087A CN 115552545 A CN115552545 A CN 115552545A
- Authority
- CN
- China
- Prior art keywords
- ecg
- training
- ecg trace
- sensed
- principal component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 121
- 238000003745 diagnosis Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000000747 cardiac effect Effects 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 220
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 7
- 206010059027 Brugada syndrome Diseases 0.000 description 108
- 230000000875 corresponding effect Effects 0.000 description 46
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 43
- 201000010099 disease Diseases 0.000 description 38
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 229940079593 drug Drugs 0.000 description 9
- 239000003814 drug Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 208000011580 syndromic disease Diseases 0.000 description 8
- CJDRUOGAGYHKKD-RQBLFBSQSA-N 1pon08459r Chemical compound CN([C@H]1[C@@]2(C[C@@]3([H])[C@@H]([C@@H](O)N42)CC)[H])C2=CC=CC=C2[C@]11C[C@@]4([H])[C@H]3[C@H]1O CJDRUOGAGYHKKD-RQBLFBSQSA-N 0.000 description 7
- CJDRUOGAGYHKKD-UHFFFAOYSA-N Iso-ajmalin Natural products CN1C2=CC=CC=C2C2(C(C34)O)C1C1CC3C(CC)C(O)N1C4C2 CJDRUOGAGYHKKD-UHFFFAOYSA-N 0.000 description 7
- 244000061121 Rauvolfia serpentina Species 0.000 description 7
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 7
- 229960004332 ajmaline Drugs 0.000 description 7
- 206010003119 arrhythmia Diseases 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 5
- 238000002405 diagnostic procedure Methods 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 230000005284 excitation Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000000718 qrs complex Methods 0.000 description 5
- 208000031229 Cardiomyopathies Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 230000003126 arrythmogenic effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 238000002565 electrocardiography Methods 0.000 description 3
- 208000004731 long QT syndrome Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001536 pro-arrhythmogenic effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000002131 short QT syndrome Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 208000002150 Arrhythmogenic Right Ventricular Dysplasia Diseases 0.000 description 2
- 201000006058 Arrhythmogenic right ventricular cardiomyopathy Diseases 0.000 description 2
- 208000010496 Heart Arrest Diseases 0.000 description 2
- 230000002763 arrhythmic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002336 repolarization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 229940125794 sodium channel blocker Drugs 0.000 description 2
- 239000003195 sodium channel blocking agent Substances 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010056370 Congestive cardiomyopathy Diseases 0.000 description 1
- 201000010046 Dilated cardiomyopathy Diseases 0.000 description 1
- DJBNUMBKLMJRSA-UHFFFAOYSA-N Flecainide Chemical compound FC(F)(F)COC1=CC=C(OCC(F)(F)F)C(C(=O)NCC2NCCCC2)=C1 DJBNUMBKLMJRSA-UHFFFAOYSA-N 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 206010048858 Ischaemic cardiomyopathy Diseases 0.000 description 1
- 206010038748 Restrictive cardiomyopathy Diseases 0.000 description 1
- 108010052164 Sodium Channels Proteins 0.000 description 1
- 102000018674 Sodium Channels Human genes 0.000 description 1
- 201000008803 Wolff-Parkinson-white syndrome Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 238000013153 catheter ablation Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 231100000673 dose–response relationship Toxicity 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 229960000449 flecainide Drugs 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 206010020871 hypertrophic cardiomyopathy Diseases 0.000 description 1
- 208000022368 idiopathic cardiomyopathy Diseases 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- -1 pisciconide Chemical compound 0.000 description 1
- 229960000244 procainamide Drugs 0.000 description 1
- REQCZEXYDRLIBE-UHFFFAOYSA-N procainamide Chemical compound CCN(CC)CCNC(=O)C1=CC=C(N)C=C1 REQCZEXYDRLIBE-UHFFFAOYSA-N 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/7264—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
-
- 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
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
Abstract
一种促进心电图(“ECG”)分析的计算机实现的方法涉及接收针对患者的一条或多条感测到的ECG迹线,每条感测到的ECG迹线表示在感测到的时间段内感测的到患者心脏活动,并且对于所述一条或多条感测到的ECG迹线中的每条ECG迹线:识别多个对应的感测到的ECG迹线片段,每个感测到的ECG迹线片段表示在感测到的时间段的片段上患者的感测到的患者心脏活动,并基于识别出的对应的感测到的ECG迹线片段中的至少一个ECG迹线片段确定代表性ECG迹线。该方法涉及使至少一个神经网络分类器应用于所述一条或多条确定的代表性ECG迹线以确定与患者的至少一个诊断相关的一个或多个诊断相关分数。公开了其它方法、系统和计算机可读介质。
Description
技术领域
本发明的实施例涉及心电图分析,并且更具体地涉及计算机实现的促进心电图的分析。
背景技术
心电图(“ECG”)分析可以用在病理学中以帮助提供对综合征、疾病和/或病症的诊断。已知的ECG分析系统可以包括被配置为提供一般原始ECG描述的机器,并且可以要求专家审查和分析原始ECG并且仅依靠他们的专业判断来做出诊断。但是,即使是专家也无法识别原始ECG迹线的一些细微特性,如可以指示特定诊断的一些已知ECG分析系统所提供的那样。另外,对专家的访问可以是有限的和/或昂贵的,并且单独使用专家和已知的ECG系统可能提供不一致的诊断结果。特别地,对于一些综合征、疾病和/或病症,诸如例如Brugada综合征分析,由一些已知系统显示的原始ECG可以仅在大约三分之一的患者当中具有诊断性。其余三分之二的患者可以具有非常阈下的心电图异常,通过人眼查看由一些已知系统提供的原始心电图可能无法检测到。另外,为了揭示用于BrS的诊断ECG模式,一些已知的ECG诊断方法要求患者在专家审查原始ECG迹线之前使用药物,这可以增强疾病固有的ECG异常,但会给患者带来危险。事实上,其中一些药物可以具有潜在的促心律失常作用,这会在测试期间造成危及生命的心律失常。因而,一些已知的ECG系统会导致缓慢、昂贵、不安全和/或不准确的诊断。
发明内容
根据各种实施例,提供了一种促进心电图(“ECG”)分析的计算机实现的方法。该方法涉及接收患者的一条或多条感测到的ECG迹线,每条感测到的ECG迹线表示在感测到的时间段内感测的到的患者心脏活动,并且对于一条或多条感测到的ECG迹线中的每一条:识别多个对应的感测到的ECG迹线片段,每个感测到的ECG迹线片段表示在感测到的时间段的片段上患者的感测到的患者心脏活动,并且基于识别出的对应的感测到的ECG迹线片段中的至少一个确定代表性ECG迹线。该方法涉及使至少一个神经网络分类器应用于一条或多条确定的代表性ECG迹线以确定与患者的至少一个诊断相关的一个或多个诊断相关分数。
确定代表性ECG迹线可以涉及识别多个对应的感测到的ECG迹线片段的子集,该子集不包括多个对应的感测到的ECG迹线片段中的至少一个,以及基于识别出的子集确定代表性ECG迹线。
识别多个对应的感测到的ECG迹线片段的子集可以涉及对多个对应的感测到的ECG迹线片段应用主成分分析以确定与每个对应的感测到的ECG迹线片段相关联的主成分分数的相应集合,并且比较主成分分数以识别多个对应的感测到的ECG迹线片段中要从子集中排除的至少一个。
主成分分数的每个集合可以包括第一主成分分数和第二主成分分数。比较主成分分数可以涉及分别从第一和第二主成分分数确定第一置信限度和第二置信限度,并且对于每个对应的感测到的ECG迹线片段,将与感测到的ECG迹线片段相关联的第一和第二主成分分数与第一和第二置信限度进行比较。
将与感测到的ECG迹线片段相关联的第一和第二主成分分数与第一和第二置信限度进行比较可以涉及确定第一和第二主成分分数是否在具有由第一和第二置信限度设置的半径的椭圆之外,如果是,那么将感测到的ECG迹线片段识别为从子集中排除。
确定第一和第二置信限度可以涉及将Hotelling T2统计分别应用于第一和第二主成分分数。
将Hotelling T2统计应用于第一和第二主成分分数可以涉及以至少大约95%的置信度使用F分布的临界值。
基于识别出的对应的感测到的ECG迹线片段中的至少一个来确定代表性ECG迹线可以涉及对包括在子集中的对应的感测到的ECG迹线片段求平均。
识别多个对应的感测到的ECG迹线片段可以涉及识别感测到的ECG迹线片段中的相应共有特征,以及识别多个感测到的ECG迹线片段中的每一个相对于识别出的共有特征的相应开始时间和结束时间。
识别相应的共有特征可以涉及识别每个感测到的ECG迹线片段中的相应R峰。
该方法可以涉及产生表示一个或多个诊断相关分数的信号,用于使至少一个显示器显示一个或多个诊断相关分数的表示。
至少一个神经网络分类器可以包括BrS神经网络分类器。
该方法可以涉及训练至少一个神经网络分类器,该训练涉及接收训练ECG迹线的多个集合,其中训练ECG迹线的集合中的每个集合表示对于多个训练患者中的相应相关联的训练患者在训练时间段内感测到的心脏活动,对于训练ECG迹线的多个集合中的每个集合,接收与训练ECG迹线的集合相关联的训练患者的相应诊断,并且对于每条训练ECG迹线:识别多个对应的训练ECG迹线片段,每个训练ECG迹线片段表示在训练时间段的片段上的患者心脏活动,并且基于识别出的对应的训练ECG迹线片段中的至少一个确定代表性训练ECG迹线。训练可以涉及使用代表性训练ECG迹线和诊断来训练至少一个神经网络分类器。
根据各种实施例,提供了一种促进心电图(“ECG”)分析的计算机实现的方法,该方法涉及接收训练ECG迹线的多个集合,其中训练ECG迹线的集合中的每个集合表示对于多个训练患者中的相应相关联的训练患者在训练时间段内感测到的心脏活动,对于训练ECG迹线的多个集合中的每个集合,接收与训练ECG迹线的集合相关联的训练患者的相应诊断,并且对于每条训练ECG迹线:识别多个对应的训练ECG迹线片段,每个训练ECG迹线片段表示在训练时间段的片段上的患者心脏活动,并且基于识别出的对应的训练ECG迹线片段中的至少一个确定代表性训练ECG迹线。该方法涉及使用代表性训练ECG迹线和诊断来训练至少一个神经网络分类器,该至少一个神经网络分类器被配置为输出与至少一个诊断相关的一个或多个诊断相关分数。
确定代表性训练ECG迹线可以涉及识别多个对应的训练ECG迹线片段的子集,该子集不包括多个对应的训练ECG迹线片段中的至少一个,以及基于识别出的子集确定代表性训练ECG迹线。
识别多个对应的训练ECG迹线片段的子集可以涉及对多个对应的训练ECG迹线片段应用主成分分析以确定与每个对应的训练ECG迹线片段相关联的主成分分数的相应集合,以及
比较主成分分数以识别多个对应的训练ECG迹线片段中要从子集中排除的至少一个。
主成分分数的每个集合可以包括第一主成分分数和第二主成分分数并且比较主成分分数可以涉及分别从第一和第二主成分分数确定第一置信限度和第二置信限度,并且,对于每个对应的训练ECG迹线片段,将与训练ECG迹线片段相关联的第一和第二主成分分数与第一和第二置信限度进行比较。
将与训练ECG迹线片段相关联的第一和第二主成分分数与第一和第二置信限度进行比较可以涉及确定第一和第二主成分分数是否在具有由第一和第二置信限度设置的半径的椭圆之外,如果是,那么将训练ECG迹线片段识别为从子集中排除。
确定第一和第二置信限度可以涉及将Hotelling T2统计方程分别应用于第一和第二主成分分数。
将Hotelling T2统计方程应用于第一和第二主成分分数可以涉及以至少大约95%的置信度使用F分布的临界值。
基于识别出的对应的训练ECG迹线片段中的至少一个来确定代表性ECG迹线包括对包括在子集中的对应的训练ECG迹线片段求平均。
识别多个对应的训练ECG迹线片段可以涉及识别训练ECG迹线片段中的相应共有特征,以及识别多个训练ECG迹线片段中的每一个相对于识别出的共有特征的相应开始时间和结束时间。
识别相应的共有特征可以涉及识别每个训练ECG迹线片段中的相应R峰。
至少一个神经网络分类器可以包括BrS神经网络分类器,并且其中接收到的每个诊断包括BrS诊断。
根据各种实施例,提供了一种用于促进心电图(“ECG”)分析的系统,该系统包括被配置为执行任何上述方法的至少一个处理器。
根据各种实施例,提供了一种其上存储有代码的非暂态计算机可读介质,所述代码在由至少一个处理器执行时使至少一个处理器执行任何上述方法。
附图说明
在说明本发明实施例的附图中,
图1是根据各种实施例的用于促进心电图(“ECG”)分析或分类的系统的示意图;
图2是根据各种实施例的图1中所示系统的ECG分析器的示意图,该系统包括处理器电路;
图3是描绘根据各种实施例用于指导图1中所示系统的ECG分析器执行促进ECG分析功能的代码块的流程图;
图4是根据各种实施例的可以在图1中所示的系统中使用的示例性感测到的ECG迹线记录的表示;
图5是描绘根据各种实施例的可以包括在图3中所示的代码块中的代码块的流程图;
图6是根据各种实施例的可以在图1中所示的系统中使用的示例性R峰标识符记录的表示;
图7是根据各种实施例的可以在图1中所示的系统中使用的示例性感测到的ECG迹线片段记录的表示;
图8是描绘根据各种实施例的可以包括在图3中所示的代码块中的代码块的流程图;
图9是描绘根据各种实施例的可以包括在图3中所示的代码块中的代码块的流程图;
图10是根据各种实施例的可以在图1中所示的系统中使用的置信椭圆的图的表示;
图11是根据各种实施例的可以在图1中所示的系统中使用的示例性代表性ECG迹线记录的表示;
图12是根据各种实施例的可以在图1中所示的系统中使用的BrS诊断神经网络分类器的表示;
图13是根据各种实施例的用于促进包括神经网络训练的ECG分析的系统的示意图;
图14是根据各种实施例的图13中所示系统的ECG神经网络训练器的示意图,该系统包括处理器电路;
图15是描绘根据各种实施例的用于指导图13中所示系统的ECG神经网络训练器执行促进ECG神经网络训练功能的代码块的流程图;
图16是根据各种实施例的可以在图13中所示的系统中使用的示例性训练ECG迹线记录的表示;
图17是根据各种实施例的可以在图13中所示的系统中使用的示例性诊断记录的表示;
图18是根据各种实施例的可以在图13中所示的系统中使用的示例性代表性训练ECG迹线记录的表示;
图19是根据各种实施例的患者的基线ECG和在挑战患者之后获得的ECG的表示;
图20是根据各种实施例的患者的基线ECG和在挑战患者之后获得的ECG的表示;
图21是根据各种实施例的患者的基线ECG和在挑战患者之后获得的ECG的表示;
图22是根据各种实施例的患者的基线ECG和在挑战患者之后获得的ECG的表示;
图23是根据各种实施例的患者的基线ECG和在挑战患者之后获得的ECG的表示;以及
图24是根据各种实施例的患者的基线ECG和在挑战患者之后获得的ECG的表示。
具体实施方式
在过去30年中,心血管死亡率有所下降,原因是人们越来越认识到改善心脏健康的饮食和生活方式措施。虽然取得了这些进展,但心血管疾病的问题仍然存在,全世界每年造成1700万人死亡。这些死亡中大约有四分之一是意外的心脏功能丧失,即,心源性猝死(SCD)。在没有预先存在的心脏病的情况下,SCD可以在没有警告的情况下发生。多达三分之一的这些死亡表现为有症状或无症状的心脏遗传疾病,即,Brugada综合征(BrS)。
医生通常依靠心电图(ECG)分析作为病理工具来对心电图波形进行分类,以帮助诊断心脏综合征、疾病和/或病症。遗憾的是,由一些已知系统提供的患者的原始ECG在不到20%的病例中呈现为BrS的诊断。其余BrS阳性个体可以表现出广泛的心电图异常。而且,在心脏骤停中幸存的BrS患者中,多达一半呈现出对医疗专业人员来说似乎完全正常的ECG。因此,大多数BrS个体仍未得到诊断。
即使对于有症状的患者,已知的ECG分析技术也要求专家审查和分析原始ECG并使用他们的专业判断来做出诊断。但是,专家的观察有时无法识别原始ECG迹线的可以指示特定诊断的一些细微特性。对专家的访问可以是有限的和/或昂贵的,并且依赖任何个人来识别ECG中的非明显模式很可能会产生不一致的诊断结果。而且,使用一些已知的ECG系统会导致缓慢、成本高、不安全和/或不准确的诊断。
因而,为了揭示Brugada ECG模式并获得具有BrS家族史的患者的状态的准确诊断,通常要求施用钠通道阻滞剂药物,该药物会诱导疾病固有的ECG异常。但是,此类药物会造成危及生命的心律失常,这意味着这种诊断方法只能在配备适当的手术室中进行。
这些安全问题极大地限制了当前诊断系统的一般适用性,最终使未确诊的BrS受试者面临SCD的风险。
参考图1,提供了根据各种实施例的用于促进心电图(“ECG”)分析或分类的系统10。系统10包括与ECG数据源14和显示器16通信的计算机实现的ECG分析器12。
在各种实施例中,系统10可以被配置为使用ECG数据来帮助诊断BrS。但是,在各种实施例中,系统10或大体上类似于系统10的系统可以被用于帮助诊断一种或多种综合征、病症和/或原发性电疾病,诸如Brugada综合征(BrS)、早期复极综合征(ERS)、长QT综合征(LQTS)、短QT综合征(SQTS)和/或其它分析性的、可能是特发性的病征。在一些实施例中,可以通过使用系统10连同其它诊断技术来得出诊断。例如,在一些实施例中,系统10可以被用于提供非侵入性筛查程序。在各种实施例中,这种针对BrS的非侵入性筛查测试每年可以挽救一百万条生命。
在一些实施例中,系统10可以包括促进从ECG数据诊断一种或多种综合征、疾病和/或病症(诸如BrS)而不使用药物来引发ECG反应的特征。例如,在一些实施例中,系统10可以促进根据ECG数据诊断BrS,而不要求患者使用诸如钠通道阻滞剂之类的药物(例如,阿马林、氟卡尼、匹西卡尼或普鲁卡因胺)。因而,系统10可以促进用于BrS的非侵入性诊断或从ECG数据指示BrS的可能性的计算机辅助方法,而不使用潜在的致命药物。
在本文描述的一些实施例中,系统10可以被配置为帮助根据由用ECG数据训练的深度学习模型识别出的常规ECG迹线数据中的模式来诊断BrS。在各种实施例中,系统10可以适于集成到当前和未来几代的ECG记录设备中,这可以使它们能够提供自动化的、独立于操作者的诊断。在一些实施例中,来自各种医疗设备(包括可植入和可穿戴设备以及固定和便携式临床和家庭监视器)的ECG信号可以足以使系统促进与BrS或其它致心律失常性心肌病相关的心律失常信号的诊断和/或识别。在一些实施例中,系统10可以被配置为处理由消费者可穿戴设备(诸如智能手表、智能电话和/或其它多功能电子产品)产生的ECG信号,以帮助诊断BrS和/或其它隐藏的心律失常病症。
参考图1,在各种实施例中,ECG数据源14可以被配置为向ECG分析器12提供表示患者的一条或多条感测到的ECG迹线的ECG数据,每条感测到的ECG迹线表示在感测到的时间段内感测到的患者心脏活动。例如,在一些实施例中,ECG数据源14可以包括ECG传感器系统,其被配置为使用耦合到患者的传感器或导线来捕获ECG数据。在一些实施例中,例如,ECG数据源14可以包括耦合到患者并被配置为感测ECG数据的12条引线,因此ECG数据可以表示患者的12条感测到的ECG迹线。在各种实施例中,可以使用替代数量的引线和/或ECG迹线。
ECG分析器12可以从ECG数据源14接收表示患者的一条或多条感测到的ECG迹线的ECG数据。在一些实施例中,ECG分析器12可以将ECG数据存储在存储器中。
然后,ECG分析器12可以针对一条或多条感测到的ECG迹线中的每一条识别多个对应的感测到的ECG迹线片段,每个感测到的ECG迹线片段表示在感测到的时间段的片段内患者的感测到的患者心脏活动,并基于识别出的对应的感测到的ECG迹线片段中的至少一个确定代表性ECG迹线。在一些实施例中,可以选择感测到的ECG迹线片段,使得每个ECG迹线片段表示单个心跳的感测到的ECG数据。在各种实施例中,每个ECG迹线片段可以大体相似,具有重复的特征。
在各种实施例中,识别彼此对应并且可以大体相似的感测到的ECG迹线片段并且然后基于识别出的ECG迹线片段确定代表性ECG迹线可以帮助ECG分析器12使代表性ECG迹线表示在ECG迹线片段中重复的特征,从而减少由噪声和/或畸变引起的失真,例如,由电气干扰或无关的患者运动引起。
在一些实施例中,ECG分析器12可以通过识别感测到的ECG迹线片段中的共有特征并识别多个感测到的ECG迹线片段中的每一个相对于识别出的共有特征的相应开始和结束时间来识别迹线片段。在一些实施例中,例如,ECG分析器12可以识别每个迹线片段的R峰并且识别迹线片段相对于识别出的R峰的开始和结束时间。在各种实施例中,识别每个迹线片段的共有特征(诸如R峰)可以允许ECG分析器12排列或同步ECG迹线片段,使得可以比较ECG迹线片段而不管每个ECG迹线片段的开始时间。在各种实施例中,这可以促进确定更好地反映包括在ECG迹线片段中的共有特征的代表性ECG迹线。
在一些实施例中,ECG分析器12可以仅使用包括在每条迹线中的ECG迹线片段的子集来确定或生成代表性ECG迹线。在一些实施例中,例如,ECG分析器12可以忽略与其它ECG迹线片段相比被认为表示异常ECG信息的ECG迹线片段。在各种实施例中,通过仅使用ECG迹线片段的子集来确定代表性ECG迹线,ECG分析器12可以获得在不考虑异常ECG迹线片段的情况下生成的代表性ECG迹线,并且这可以导致代表性ECG迹线是ECG迹线片段中重复特征的更好指示器。在各种实施例中,这可以促进由系统10提供的可以被用于帮助诊断的更准确分数和/或指示。
在一些实施例中,ECG分析器12可以通过对ECG迹线片段求平均来确定代表性ECG迹线。在各种实施例中,通过对ECG迹线片段求平均,可以强调片段中重复特征的影响,而片段的异常特征的影响可以被最小化。
在各种实施例中,一条或多条感测到的ECG迹线可以包括12条感测到的ECG迹线,因此ECG分析器12可以确定12条代表性ECG迹线。ECG分析器12可以将确定的代表性ECG迹线存储在存储器中。在各种实施例中,12条代表性ECG迹线中的每一条都可以表示12条感测到的ECG迹线中的重复特征。在一些实施例中,由于ECG分析器12在确定12条代表性ECG迹线时执行的处理,这些迹线可以在确定患者的诊断相关分数中充当神经网络分类器或功能的极好输入。
在各种实施例中,ECG分析器12可以使至少一个神经网络分类器或功能应用于一个或多个确定的代表性ECG迹线以确定与患者的诊断相关的一个或多个诊断相关分数。例如,在一些实施例中,ECG分析器12可以在其中存储定义BrS诊断神经网络分类器的数据,该分类器可以被配置为在其输入中包括12条代表性ECG迹线,并输出诊断分数(诸如BrS诊断分数)。在一些实施例中,诊断分数可以是计算机确定的对疾病和/或病症的机器诊断的置信度的统计表示。例如,在一些实施例中,ECG分析器12可以被配置为使BrS诊断神经网络分类器将BrS诊断分数作为0和1之间的十进制数输出,其中分数接近0表示BrS的阴性诊断的高置信度(即,患者没有BrS)并且分数接近1表示BrS的阳性诊断的高置信度(即,患者确实有BrS),并且介于两者之间的分数表示不同程度的置信度。在一些实施例中,一个或多个诊断相关分数可以表示疾病状态分类器分数,其可以被用于将患者分类为处于特定疾病状态。
在一些实施例中,ECG分析器12可以使BrS诊断神经网络分类器应用于先前确定的12条代表性ECG迹线以确定BrS诊断分数。ECG分析器12可以将BrS诊断分数存储在存储器中。
在一些实施例中,ECG分析器12可以产生表示一个或多个诊断相关分数的信号,用于使该分数的表示由显示器16显示。例如,在一些实施例中,ECG分析器12可以产生用于使表示分数的介于0和1之间的数字例如显示在显示器16上的信号,该数字可以代表诊断概率。
在一些实施例中,显示器16可以由患者和/或医疗专业人员观看。在各种实施例中,可以基于所显示的诊断相关分数的表示来采取行动,这可以帮助防止未来的危及生命的事件。例如,指示患者患有BrS的高可能性的BrS诊断分数可以使医生执行或修改进一步的诊断和/或治疗规程。
在一些实施例中,ECG分析器12可以被配置为基于一个或多个诊断相关分数生成信号,以用于调节外部或植入式除颤器或心脏起搏器的功能。
在一些实施例中,为了监视诊断和治疗规程目的,显示器16和/或系统10中的任何或全部可以包括在手术室中以促进对手术室中的患者的诊断或治疗规程的增强监视,例如,包括对诊断药物剂量反应或介入规程(包括导管消融)后治疗结果的增强监视。
例如,在一些实施例中,显示器16和/或系统10的任何或全部可以包括在连续心脏监视系统中,以促进检测走动或久坐患者的原发性电子疾病心律失常。
在一些实施例中,显示器16和/或系统10的任何或全部可以包括在连续心脏监视系统中,以促进提醒适当的响应者夜间原发性电子疾病心律失常。
在各种实施例中,显示器16和/或系统10的任何或全部可以包括在各种替代或附加环境中,用于提醒患者所确定的一个或多个诊断相关分数。
ECG分析器-处理器电路
现在参考图2,示出了根据各种实施例的图1中所示系统10的ECG分析器12的示意图。参考图2,ECG分析器12包括处理器电路,处理器电路包括分析器处理器100和程序存储器102、存储存储器104和输入/输出(I/O)接口112,所有这些都与分析器处理器100通信。在各种实施例中,分析器处理器100可以包括一个或多个处理单元,诸如例如中央处理单元(CPU)、图形处理单元(GPU)和/或现场可编程门阵列(FPGA)。在一些实施例中,本文描述的ECG分析器12的任何或所有功能可以使用一个或多个FPGA来实现。
I/O接口112包括用于与ECG数据源14通信的接口120和用于与显示器16通信的接口122。在一些实施例中,I/O接口112还可以包括用于通过诸如互联网之类的网络促进联网通信的附加接口。在一些实施例中,任何或所有接口120和/或122可以促进无线或有线通信。在一些实施例中,图2中所示的每个接口可以包括一个或多个接口和/或I/O接口112中包括的一些或所有接口可以被实现为组合接口或单个接口。
在一些实施例中,在本文将设备描述为接收或发送信息的情况下,可以理解该设备经由设备的接口接收表示该信息的信号或产生表示该信息的信号并经由设备的接口将信号传输到另一个设备。
用于指导分析器处理器100执行各种功能的处理器可执行程序代码存储在程序存储器102中。参考图2,程序存储器102包括用于指导ECG分析器12执行促进ECG分析功能的代码块170。在本说明书中,可以说某些编码实体(诸如应用或模块)执行某些功能。在本文中,当应用、模块或编码实体被描述为采取行动作为例如功能或方法的一部分时,将理解至少一个处理器(例如,分析器处理器100)被指导通过定义或构成应用的一部分的可编程代码或处理器可执行代码或指令来采取行动。
存储存储器104包括多个存储位置,包括用于存储感测到的ECG数据的位置140、用于存储R峰标识符数据的位置142、用于存储感测到的ECG迹线片段数据的位置144、用于存储主成分数据的位置145、用于存储ECG迹线片段子集数据的位置146、用于存储代表性ECG迹线数据的位置148、用于存储神经网络数据的位置150、用于存储患者数据的位置152,以及存储诊断分数数据的位置154。在各种实施例中,多个存储位置可以存储在存储存储器104中的数据库中。
在各种实施例中,代码块170可以被集成到单个代码块中,或者代码块170的部分可以包括存储在程序存储器102中的一个或多个单独位置中的一个或多个代码块。在各种实施例中,任何或所有位置140-154可以被集成和/或每个可以包括存储存储器104中的一个或多个单独位置。
程序存储器102和存储存储器104中的每一个可以使用一个或多个存储设备来实现,包括随机存取存储器(RAM)、硬盘驱动器(HDD)、固态驱动器(SSD)、网络驱动器、闪存、记忆棒或记忆卡、任何其它形式的非暂态计算机可读存储器或存储介质,和/或它们的组合。在一些实施例中,程序存储器102、存储存储器104和/或其任何部分可以被包括在与ECG分析器12分离并且例如经由I/O接口112与ECG分析器12通信的设备中。在一些实施例中,如本文描述的分析器处理器100和/或ECG分析器12的功能可以使用多个处理器和/或多个设备来实现,这些处理器和/或多个设备可以是经由相应接口和/或网络(诸如互联网)通信的不同设备。
ECG分析器操作
如上面所讨论的,在各种实施例中,图1和2中所示的ECG分析器12可以被配置为促进ECG分析。参考图3,总体上在200处示出了描绘根据各种实施例的用于指导图2中所示的分析器处理器100执行促进ECG分析功能的代码块的流程图。流程图200中包括的代码块可以被例如编码在图2中所示的程序存储器102的代码块170中。
参考图3,流程图200开始于方框202,其指示分析器处理器100接收患者的一条或多条感测到的ECG迹线,每条感测到的ECG迹线表示在感测到的时间段内感测到的患者心脏活动。
在一些实施例中,ECG数据源14可以包括ECG监视器或传感器系统,其包括耦合到患者的12根引线。12根引线可以位于患者身上,以提供来自患者心脏的12个不同电气位置的追踪。在一些实施例中,例如,12根引线可以包括三根双极肢体引线、3根单极肢体引线和六根单极胸部引线。在各种实施例中,12根引线中的每根引线都可以在患者心跳时感测电压。随着时间的推移感测到的电压的表示可以被认为是感测到的ECG迹线。在一些实施例中,ECG数据源14可以为12条感测到的ECG迹线中的每一条生成和/或存储相应的感测到的ECG迹线记录,其示例性表示在图4中的260处示出。
参考图4,在一些实施例中,ECG跟踪记录260可以包括用于存储用于识别从其感测ECG迹线的引线的引线标识符的引线标识符字段262和感测到的ECG电压字段264,每个字段存储表示在特定时间感测到的电压的值。在一些实施例中,每个感测到的ECG电压字段264可以与相应的时间相关联,例如,基于ECG迹线记录260中的感测到的ECG电压字段的次序或位置。在一些实施例中,例如,感测到的ECG电压字段264可以表示以2000Hz或相隔0.5ms测得的电压,因此第一个感测到的ECG电压字段可以与0ms的时间相关联,并且每个后续感测到的ECG电压字段可以以之后0.5ms的增量与相应的时间相关联。在各种实施例中,可以使用替代的采样频率,诸如例如500Hz,或者可以促进心跳特征的有意义表示的其它频率。在一些实施例中,ECG迹线记录260的感测到的ECG电压字段264可以表示跨越所选择的测量的持续时间的时间段上的电压。在一些实施例中,测量的持续时间可以由ECG数据源14和/或ECG分析器12的操作者选择。在一些实施例中,时间段可以是例如大约60秒。在一些实施例中,可以使用感测到的ECG迹线记录260的其它时间段,从而可以提供可靠的输出。例如,在一些实施例中,时间段可以是大约10-20秒、20-30秒或几秒。
在一些实施例中,感测到的ECG电压字段264可以存储表示0.0001mV的步长的整数值,使得整数值可以通过除以10,000转换成测得的mV。
返回去参考图3,方框202可以指导分析器处理器100接收12个感测到的ECG迹线记录的表示,每个具有与图3中所示的感测到的ECG迹线记录260大体相似的格式,并且将感测到的ECG迹线记录存储在存储存储器104的位置140中。在一些实施例中,例如,方框202可以指导分析器处理器100经由图2中所示的I/O接口112的接口120接收感测到的ECG迹线记录的表示。在一些在实施例中,例如,方框202可以指导分析器处理器100使用SQL数据库来存储感测到的ECG迹线记录。
参考图3,在已经执行方框202之后,分析器处理器100可以进行到方框204、206和208,其可以指导分析器处理器100考虑感测到的ECG迹线之一,分割所考虑的ECG迹线,并且基于至少一个片段确定代表性ECG迹线。在各种实施例中,可以针对在方框202处接收的一条或多条感测到ECG迹线中的每一条执行方框204、206和208,使得针对接收到的每条感测到的ECG迹线确定代表性ECG迹线。
方框204指导分析器处理器100将一条或多条感测到的ECG迹线之一视为受试者感测到的ECG迹线。例如,在一些实施例中,在方框204的第一次执行时,方框204可以指导分析器处理器100将由图4中所示的感测到的ECG迹线记录260表示的感测到的ECG迹线视为受试者感测到的ECG迹线。
参考图3,方框206然后指导分析器处理器100针对受试者感测到的ECG迹线识别多个对应的感测到的ECG迹线片段,每个感测到的ECG迹线片段表示感测到的时间段的片段上患者的感测到的患者心脏活动。在一些实施例中,方框206可以指导分析器处理器100将感测到的ECG迹线的片段识别为感测到的ECG迹线片段。在一些实施例中,可以识别感测到的ECG迹线片段,使得它们一般包括相似或重复的特征。在一些实施例中,方框204可以指导分析器处理器100将感测到的ECG迹线片段的表示存储在存储存储器104的位置144中。
参考图5,示出了描绘在各种实施例中可以包括在图3中所示的方框206中的代码块的流程图300。流程图300以方框302开始,方框302指导分析器处理器100识别感测到的ECG迹线片段中的相应共有特征。
在一些实施例中,方框302可以指导分析器处理器100首先处理由感测导的ECG迹线记录260表示的信息以符合指定格式。例如,在一些实施例中,方框302可以指导分析器处理器100使用傅里叶分析和/或另一种形式的谐波分析,与一个或多个无限脉冲响应滤波器和/或其它数字滤波器耦合,将去噪和背景抑制应用于感测到的ECG迹线记录。
在一些实施例中,识别出的共有特征可以是每个感测到的ECG迹线片段的R-峰,并且方框302可以指导分析器处理器100识别每个感测到的ECG迹线片段中的相应R-峰。在一些实施例中,方框302可以指导分析器处理器100应用小波分解算法,诸如离散的、连续的、未抽取的、静止的或最大重叠离散小波变换,以检测由感测到的ECG迹线记录表示的QRS复合波的时间位置260,QRS复合波是在典型ECG迹线上看到的图形偏转中的三个的组合。QRS复合波可以是迹线的中心和视觉上最明显的部分(即,ECG线上看到的主要尖峰)。QRS复合波可以与人心脏左右心室的去极化和大心室肌的收缩对应。
在各种实施例中,方框302可以指导分析器处理器100在存储存储器104的位置142中存储时间标识符,该时间标识符表示每个检测到的QRS复合波的相应R峰的时间位置。例如,在一些实施例中,方框302可以指导分析器处理器100将如图6中所示的R峰标识符记录340存储在存储存储器104的位置142中。
参考图6,R-峰标识符记录340包括用于存储用于识别从其感测ECG迹线的引线的引线标识符的引线标识符字段341和用于对于来自图4中所示的感测到的ECG迹线记录260的每个识别出的R-峰存储识别时间或时间位置的时间标识符的R-峰标识符字段342。例如,参考图6,R-峰标识符记录340包括第一R-峰标识符字段344,其存储识别感测到的ECG迹线记录260内与第一识别出的R峰对应的位置的整数值。在一些实施例中,存储值1779的第一R-峰标识符字段344指示感测到的ECG迹线记录260的第1779个感测到的ECG电压字段表示与R-峰相关联的电压。存储值3606的第二R-峰标识符字段346指示感测到的ECG迹线记录260的第3606个感测到的ECG电压字段表示与R-峰相关联的电压。
方框304然后指导分析器处理器100识别多个感测到的ECG迹线片段中的每一个相对于识别出的共有特征的相应开始和结束时间。在一些实施例中,方框304可以指导分析器处理器100基于R-峰标识符将感测到的ECG迹线记录分割成规范时间窗口,每个分割窗口以QRS复合波的R-峰为中心。在各种实施例中,例如,窗口的时间长度可以已经预先设置并存储在存储存储器104中。在一些实施例中,例如,可以将窗口的时间长度设置为这样的时间,使得包括在窗口中的以ECG迹线片段的R峰为中心的特征将为特定的诊断神经网络分类器提供足够的信息以输出特定的诊断分数,诸如例如BrS诊断,使得例如BrS诊断神经网络分类器能够输出BrS诊断分数。在各种实施例中,例如,窗口的时间长度在2000Hz的采样率下可以是大约750ms或大约1,500个ECG迹线数据点。在一些实施例中,时间长度可以已经根据经验确定以充分用于捕获心跳而不重叠相邻的心跳。
在各种实施例中,方框304可以指导分析器处理器100通过分别从每个R-峰标识符减去和加上窗口的时间长度的一半来识别开始和结束时间。例如,在一些实施例中,由图6中所示的第一R-峰标识符字段344识别的R-峰的开始时间可以被识别为1779-(1500/2)=1029,并且由第一R-峰标识符字段344识别的R-峰的结束时间可以被识别为1779+(1500/2)=2529。其它实施例可以将R-峰放置在心跳窗口中的其它位置,例如,开始时间在1779-(2x1500/5)=1179。
在各种实施例中,通过识别共有特征然后识别相对于共有特征的开始和结束时间来识别感测到的ECG迹线片段可以促进识别一般包括相似或重复特征的感测到的ECG迹线片段,这可以促进识别离群值和/或相似或重复的特征。
方框304可以指导分析器处理器100将根据确定的起点和终点生成的多个感测到的ECG迹线片段记录存储在存储存储器104的位置144中。可以基于存储在第一R峰标识符字段344中生成并存储在存储存储器104的位置142中的示例性感测到的ECG迹线片段记录380在图7中示出。感测到的ECG迹线片段记录380包括用于存储识别引线的引线标识符的引线标识符字段382、用于存储识别片段的片段标识符的片段标识符字段384、以及存储从图4中所示的感测到的ECG迹线记录260的第1029至第2529个ECG电压字段获取的值的感测到的ECG电压字段386。
返回去参考图3,方框208指导分析器处理器100基于识别出的对应的感测到的ECG迹线片段中的至少一个来确定代表性ECG迹线。在一些实施例中,方框208可以指导分析器处理器100识别存储在存储存储器104的位置144中的ECG迹线段记录的子集。在一些实施例中,方框208可以指导分析器处理器100通过对子集中包括的ECG迹线片段记录求平均来生成代表性ECG迹线。在各种实施例中,方框208可以指导分析器处理器100将代表性ECG迹线存储在存储存储器104的位置146中。
参考图8,示出了流程图420,描绘根据各种实施例的可以被包括在方框208中的代码块。流程图420开始于方框422,方框422指导分析器处理器100识别多个对应的感测到的ECG迹线片段的子集,该子集不包括多个对应的感测到的ECG迹线片段中的至少一个。
在各种实施例中,通过识别排除多个对应的感测到的ECG迹线片段中的至少一个的子集,可以使用神经网络分类器从要处理的数据中移除异常值。在各种实施例中,这可以促进确定代表性ECG迹线而不考虑异常ECG迹线片段,并且这可以导致代表性ECG迹线成为ECG迹线片段中的重复特征的更好指示器。在各种实施例中,这可以促进ECG分析器12进行更快和/或更准确的分析。
在一些实施例中,方框422可以指导分析器处理器100使用诸如主成分分析(PCA)之类的无监督多变量分类来将由存储在存储存储器104的位置144中的针对特定引线和患者的ECG迹线片段记录定义的ECG片段矩阵分解成到包括正交基的缩减维度空间中,其中每个维度表示对数据集中的整体方差的唯一且独立的贡献。方框422可以指导分析器处理器100然后分析多变量分类的结果以识别要从子集中排除的至少一个感测到的ECG迹线片段。
参考图9,提供了描绘在各种实施例中可以包括在图8中所示的流程图420的方框422中的代码块的流程图440。流程图440开始于方框442,其指导分析器处理器100将主成分分析应用到多个对应的感测到的ECG迹线片段以确定与每个对应的感测到的ECG迹线片段相关联的主成分分数的相应集合。在已经执行方框442之后,针对每个患者-引线组合的ECG片段记录可以基于这个正交基以主成分分数和负荷的形式表达。
在一些实施例中,方框442可以指导分析器处理器100将得到的主成分分数存储在存储存储器104的位置145中。在一些实施例中,方框442可以指导分析器处理器100将与每个ECG迹线片段相关联的3个主成分分数存储在存储存储器104的位置145中。例如,在一些实施例中,可以对每根引线的ECG迹线片段应用3分量主成分分析,为每个ECG迹线片段产生分数和负荷,表示正交基中的变换的数据。在一些实施例中,例如,可以使用诸如Python和Python库sklearn之类的软件来执行方框442。在一些实施例中,主成分分数可以作为浮点值的矩阵存储在存储存储器104的位置145中。
返回去参考图9,方框444指导分析器处理器100比较主成分分数以识别多个对应的感测到的ECG迹线片段中要从子集中排除的至少一个。在一些实施例中,方框444可以指示分析器处理器100从存储存储器104的位置145检索主成分分数并且计算主成分分数的协方差的统计测量。在一些实施例中,例如,方框444可以指导分析器处理器100计算Hotelling的T2统计、使用PCA杠杆和/或聚类计算。
在一些实施例中,方框444可以指导分析器处理器100将置信度阈值应用于主成分分数以识别那些表示与整个ECG片段矩阵太不相似的ECG片段的ECG片段记录,例如,在一些实施例中,那些与正交变换的ECG片段矩阵的中心的距离太大的片段。
在一些实施例中,对于每个主成分A,方框444可以指导分析器处理器100从主成分分数确定至少一个置信限度,并且对于每个对应的感测到的ECG迹线片段,将相关联的主成分分数与至少一个置信限度进行比较。在一些实施例中,如果主成分分数在至少一个置信限度之外,那么相关联的迹线片段可以被识别为从子集中排除。
例如,在一些实施例中,方框444可以指导分析器处理器100确定第一和第二置信限度,在一些实施例中,例如通过应用HotellingT2统计,其可以是95%置信限度,如下:
Conf.(A)=sqrt[σscores×{A(N2-1)/N(N-A)}×Fcritical(0.05,N-A,A)]
其中Fcritical表示F分布在95%置信度处的临界值,给定分段的迹线的数量N和所选择的主成分A。在一些实施例中,置信限度可以被设置为95%、99%或另一个水平。在一些实施例中,方框444可以指导分析器处理器100使用以上等式分别从第一和第二主成分分数确定第一置信限度和第二置信限度。方框444可以指导分析器处理器100针对每个对应的感测到的ECG迹线片段将与感测到的ECG迹线片段相关联的第一和第二主成分分数与第一和第二置信限度进行比较。
在一些实施例中,前两个主成分可以解释大部分方差,并且这些主成分的置信限度可以很好地用于定义半径等于这些限度的置信椭圆。在一些实施例中,方框444可以指导分析器处理器100将来自N个ECG迹线片段的分数与置信限度进行比较,以确定N个ECG迹线片段中的哪一个应当被认为是置信离群值并且从ECG迹线片段的子集中排除。例如,在一些实施例中,方框444可以指导分析器处理器100在与椭圆相同的轴上绘制N个ECG迹线片段的分数,并将落在椭圆内的点与不落在椭圆内的置信离群值点区分开来。因而,在一些实施例中,方框444可以指导分析器处理器100确定第一和第二主成分分数是否在具有由第一和第二置信限度设置的半径的椭圆之外,并且如果是,那么将感测到的ECG迹线片段识别为从子集中排除。在一些实施例中,方框444可以指导分析器处理器100应用Delaunay三角测量算法来区分落入椭圆内的点与不落入椭圆内的置信离群值点。
参考图10,提供了曲线图460,其示出了置信椭圆462和表示与相应ECG迹线片段相关联的第一和第二主成分分数的点。在各种实施例中,与诸如主成分分数464之类的主成分分数相关联的ECG迹线片段可以被识别为在由第一和第二置信限度定义的椭圆内。主成分分数466和468可以被识别为在由第一和第二置信限度定义的椭圆之外,因此与主成分分数466和468相关联的ECG迹线片段可以被识别为要从子集中排除的置信离群值。
在一些实施例中,在应用置信限度时可以使用多于或少于2个主成分。例如,在一些实施例中,可以使用单个主成分来定义单个置信限度,该置信限度可以与用于每个ECG迹线片段的单个主成分分数进行比较,以识别离群值。
在一些实施例中,方框444可以指导分析器处理器100以替代或附加方式比较主成分分数。例如,在一些实施例中,方框444可以指导分析器处理器100基于其分数与所有分数的关系来计算给定引线的每个ECG迹线片段的PCA杠杆率(leverage),例如,根据:Lev.(n)=N-1+ΣA[score(n,A)2/{scores(A)T×scores(A)}]
在一些实施例中,方框444可以指导分析器处理器100将每个杠杆率与给定引线的所有杠杆率的平均值和标准偏差进行比较,以确定与杠杆率相关联的ECG迹线片段是否应当被视为置信离群值。例如,在一些实施例中,方框444可以指导分析器处理器100确定ECG迹线片段的杠杆率是否超过平均值加上所有杠杆率的标准偏差的两倍(μ+2σ),并且如果ECG迹线片段的杠杆率超过所有杠杆率的平均值加上标准偏差的两倍(μ+2σ),那么方框444可指导分析器处理器100将ECG迹线片段视为置信离群值。
在一些实施例中,方框444可以指导分析器处理器100将基于密度的噪声内应用的空间聚类(DBSCAN)算法应用于前两个主成分分数的散点图。例如,DBSCAN算法可以使用先前设置的构成集群的最小迹线数和先前设置的点之间的最大距离来检测绘制的分数内的集群。在一些实施例中,构成集群的最小迹线数可以被设置为例如10的值,并且集群中的点之间的最大距离可以例如被设置为例如0.5。在各种实施例中,方框444可以指导分析器处理器100将与不在集群内的分数相关联的任何ECG迹线片段视为置信离群值。在一些实施例中,基于与小集群相关联的ECG迹线片段表示采样伪影而不是平均心跳的假设,这可以促进小集群的拒绝。
在各种实施例中,方框444可以指导分析器处理器100执行使用置信限度、比较杠杆率和/或应用DBSCAN算法来检测离群值中的任何一个或全部,一般如上所述,以便识别ECG迹线片段以被视为置信离群值。
在各种实施例中,方框444可以指导分析器处理器100通过排除与置信离群值相关联或被视为置信离群值的感测ECG迹线片段来识别多个对应的感测到的ECG迹线片段的子集。
在一些实施例中,方框444可以指导分析器处理器100将不被认为是置信离群值的ECG片段记录的副本存储在存储存储器104的位置146中。在各种实施例中,存储在存储存储器104的位置146中的ECG片段记录可以充当存储在存储存储器104的位置144中的ECG片段记录的子集,并且该子集可以排除存储在位置144中的至少一个ECG片段记录。
返回去参考图8,方框424然后指导分析器处理器100基于识别出的子集来确定代表性ECG迹线。在一些实施例中,方框424可以指导分析器处理器100对由存储在存储存储器104的位置146中的ECG片段记录表示的ECG片段求平均。在一些实施例中,可以使用确定代表性ECG迹线的其它方式。例如,在一些实施例中,方框424可以指导分析器处理器100为心跳窗口中的1,500个点中的每一个选择中值。
在一些实施例中,方框424可以指导分析器处理器100选择单个ECG片段或心跳来充当用于分析和分类的代表性ECG迹线。例如,在一些实施例中,从中导出ECG片段的ECG迹线可以是非常短的迹线,仅包括几个完整的心跳,并且在这些情况下,统计测量(例如,PCA)可以由于数据量有限而变得不太可靠。在此类情况下,可以任意选择单个心跳作为代表性ECG迹线,例如基于操作者的判断,虽然如果可能的话可以避免这种情况。在一些实施例中,在从被认为不是离群值的那些当中随机选择单个ECG片段之后,可以将单个ECG片段视为代表性迹线,即,落在由T2统计、对象杠杆率、聚类和/或另一个置信度测试(如果可以可靠地计算这些值的话)确定的置信区域内的那些。
在各种实施例中,方框424可以指导分析器处理器100将如图11中的500处所示的代表性ECG迹线记录存储在存储存储器104的位置148中。参考图11,代表性ECG迹线记录500包括用于存储识别从其感测ECG迹线的引线的引线标识符的引线标识符字段502,以及用于存储取自存储在存储存储器104的位置146中的ECG片段记录的值的平均的ECG电压字段504。
返回去参考图3,在代表性ECG迹线记录500被生成并存储在存储存储器104的位置148中之后,可以完成方框208的执行。
方框210然后指导分析器处理器100确定是否需要考虑附加的ECG迹线。在各种实施例中,方框210可以指导分析器处理器100确定是否存在存储在存储存储器104的位置142中的任何附加的感测到的ECG迹线记录,这些记录在图3中所示的流程图200的方框204处尚未被视为受试者感测到的ECG迹线。如果是,那么方框210指导分析器处理器100返回到方框204,方框204指导分析器处理器100将一个或多个感测到的ECG迹线之一视为受试者感测到的ECG迹线。在各种实施例中,如果感测的ECG迹线记录尚未被考虑,那么方框204可以指导分析器处理器100考虑来自存储存储器104的位置142的感测到的ECG迹线记录。
然后可以相对于新考虑的感测到的ECG迹线记录执行方框206和208。鉴于前述,可以针对存储在存储存储器104的位置142中的每个感测到的ECG迹线记录执行方框206和208。
一旦考虑了所有感测到的ECG迹线记录,就可以存在多个代表性ECG迹线记录,每个记录具有与图11中所示的存储在存储存储器104的位置148中的ECG迹线记录500大体相同的格式。在各种实施例中,对于存储在存储存储器104的位置142中的每个感测到的ECG迹线记录,可以存在相应的代表性ECG迹线记录。
当所有感测到的ECG迹线记录都已被考虑时,方框210可以指导分析器处理器100进行到方框212。
方框212指导分析器处理器100使至少一个神经网络分类器被应用于一个或多个确定的代表性ECG迹线以确定与患者的至少一个诊断相关的一个或多个诊断相关分数。在各种实施例中,定义BrS诊断神经网络分类器的数据可以存储在存储存储器104的位置150中。在一些实施例中,BrS诊断神经网络分类器可以包括用于BrS的感知器。在一些实施例中,定义BrS诊断神经网络分类器的数据可以已经预先提供给ECG分析器12。例如,在一些实施例中,定义BrS神经网络分类器的数据可以已经在训练阶段期间确定,这可以已经由ECG分析器12和/或另一个设备/系统执行。
在一些实施例中,方框212可以指导分析器处理器100级联包括在存储在存储器104的位置148中的代表性ECG迹线记录中的ECG电压信息,并且使用级联的数据作为BrS诊断神经网络分类器的输入。例如,在一些实施例中,方框212可以指导分析器处理器100级联来自所有代表性训练ECG迹线记录的ECG电压字段的值,例如按照从引线1到引线12的次序,并且使用级联的数据作为BrS诊断神经网络分类器的输入。在各种实施例中,用于级联的引线的次序可能需要与在生成神经网络分类器中使用的次序匹配。在一些实施例中,方框212可以指导分析器处理器100使患者数据或与患者相关联的变化因素也用作BrS诊断神经网络分类器的输入。
在一些实施例中,患者数据可以包括例如年龄、性别和/或致心律失常性心肌病相关病症和合并症的患者和/或家族史。例如,这些可以包括数字或布尔表示的心律失常性心肌病诊断的个人和/或家族史,包括BrS、心源性猝死(SCD)家族史、晕厥个人史和/或心脏骤停个人史。在一些实施例中,例如,患者数据可以包括以下任何一个或全部:
在各种实施例中,患者数据可以存储在存储存储器104的位置152中。例如,患者数据可以先前已经由医疗专业人员提供。
参考图12,示出了BrS诊断神经网络分类器540的表示,其可以由根据各种实施例的存储在存储存储器104的位置150中的数据定义。在一些实施例中,BrS诊断神经网络分类器540可以被配置为采用XECG输入542和XFoV输入544,XECG输入542可以包括级联的代表性ECG迹线记录,XFoV输入544可以包括与患者相关联的患者数据的表示。输入层还可以包括偏置元素546。
在各种实施例中,BrS诊断神经网络分类器540可以包括至少一个包含神经元的隐藏层560。例如,在一些实施例中,可以存在一个具有100个神经元的隐藏层。在一些实施例中,可以使用附加的和/或替代的隐藏层。
在一些实施例中,BrS诊断神经网络分类器540可以包括输出层570,其包括表示阳性(1)或阴性(0)疾病诊断的分类。在各种实施例中,输出层570可以提供BrS诊断分数,其可以表示对患者患有BrS的诊断的置信度。在各种实施例中,BrS诊断分数可以是0到1之间的十进制数,其中非常高的分数(接近1)指示患者患有目标疾病或病症的高置信度并且非常低的分数(接近0)指示患者没有BrS的高置信度。在一些实施例中,大于阈值(诸如例如0.900)的BrS诊断分数可以与疾病阳性的诊断相关联。在一些实施例中,小于阈值(例如,0.100)的BrS诊断分数可以与疾病阴性的诊断相关联。
在各种实施例中,方框212可以指导分析器处理器100读取存储在位置148中的代表性ECG迹线记录、来自存储存储器104的位置152的患者数据,以及来自位置150的BrS诊断神经网络分类器的定义并且方框212可以指导分析器处理器100使BrS诊断神经网络分类器应用于可以已经在BrS诊断神经网络分类器的定义中定义的级联的ECG迹线记录、患者数据和偏置元素,例如,以确定BrS诊断分数。在各种实施例中,方框212可以指导分析器处理器100将BrS诊断分数的表示存储在存储存储器104的位置154中。
在一些实施例中,图3中所示的流程图200可以包括用于指导分析器处理器100产生表示一个或多个诊断相关分数的信号以使至少一个显示器显示一个或多个诊断相关分数的表示的另一个方框。例如,在一些实施例中,该块可以指示分析器处理器100将表示取自存储存储器104的位置154的BrS诊断分数的信号经由I/O接口112的接口122传输到显示器16,用于使显示器16将BrS诊断分数显示为二进制或分类指示符,和/或指示阳性或阴性诊断概率的数字。
在各种实施例中,显示器16可以由患者和/或医疗专业人员查看,并且在查看显示器16上的BrS诊断分数的表示后,患者和/或医疗专业人员可以采取行动。在各种实施例中,在看到指示患者患有BrS的高机器置信度的高BrS诊断分数后,患者可以寻求专家医疗建议以建立最适当的策略来确认诊断并根据领域内的指南评估SCD的风险。
在一些实施例中,该方框可以包括代码,用于指导分析器处理器100确定BrS诊断分数是否大于疾病阳性阈值分数(诸如例如0.900),并且如果BrS诊断分数大于阈值分数,那么产生用于使显示器16呈现患者是疾病阳性的指示的信号。
在一些实施例中,该方框可以包括代码,用于指导分析器处理器100确定BrS诊断分数是否小于疾病阴性阈值分数(诸如例如0.100),并且如果BrS诊断分数小于阈值分数,那么产生用于使显示器16呈现患者是疾病阴性的指示的信号。
神经网络训练
如上面所讨论的,在各种实施例中,神经网络定义数据可以存储在ECG分析器12的存储存储器104的位置150中。在一些实施例中,神经网络定义数据可以已经在神经网络训练期间生成。现在参考图13,示出了根据各种实施例的用于促进包括神经网络训练的ECG分析的系统700。
参考图13,系统700包括与患者ECG数据源704和显示器706通信的ECG分析器702。在各种实施例中,ECG分析器702、患者ECG数据源704和显示器706可以包括与上文关于图1中所示的ECG分析器12、ECG数据源14和显示器16所描述的大体相似的功能。在一些实施例中,ECG分析器702可以使用未知患者心电图作为输入并且使用ECG神经网络分类器来预测BrS和/或其它原发性电病症的诊断。
参考图13,在各种实施例中,系统700还包括与ECG训练数据源710通信的ECG神经网络训练器708。在各种实施例中,ECG分析器702可以经由网络712(例如,在一些实施例中可以包括互联网)与ECG神经网络训练器708通信。
在操作中,ECG神经网络训练器708可以被配置为使用ECG数据,包括取自ECG训练数据源710的数据,来训练一个或多个神经网络分类器,诸如例如BrS诊断神经网络分类器。在一些实施例中,ECG神经网络训练器708可以被配置为使用ECG数据,包括取自ECG训练数据源710的数据,来训练上文关于图1中所示的系统10描述的BrS诊断神经网络分类器,以及向图13中所示的ECG分析器702提供定义一个或多个神经网络分类器的数据。在一些实施例中,BrS神经网络分类器可以根据伴随已知医学诊断的心电图的完整数据集训练,在诊断特征空间中表示为二元分类变量。
在一些实施例中,在训练阶段,ECG神经网络训练器708可以从一个或多个患者ECG数据源收集ECG迹线信息,连同相关联的患者数据和伴随的诊断,以构建存储在ECG训练数据源710中的策展的数据库。在一些实施例中,随着数据库尺寸的增长,它可以产生增加稳健性和/或可靠性的诊断模型。
参考图14,示出了根据各种实施例的图13中所示的系统700的ECG神经网络训练器708的示意图。在各种实施例中,与图2中所示的ECG分析器12的元件相似的ECG神经网络训练器708的元件一般可以如上文关于图2中所示的ECG分析器12所描述的那样起作用。
参考图14,ECG神经网络训练器708包括处理器电路,该处理器电路包括训练器处理器800和程序存储器802、存储存储器804和输入/输出(I/O)接口812,所有这些都与训练器处理器800通信。
I/O接口812包括用于与图13中所示的ECG训练数据源710通信的接口820和用于经由网络712与ECG分析器702通信的接口822。
用于指导训练器处理器800执行各种功能的处理器可执行程序代码存储在程序存储器802中。参考图13,程序存储器802包括用于指导ECG神经网络训练器708执行促进ECG神经网络训练功能的代码块870。
存储存储器804包括多个存储位置,包括用于存储训练ECG数据的位置840、用于存储诊断数据的位置842、用于存储患者数据的位置844、用于存储主成分数据的位置849、用于存储R峰标识符数据的位置846、用于存储ECG迹线片段数据的位置848、用于存储ECG迹线片段子集数据的位置850、用于存储代表性ECG迹线数据的位置852和用于存储神经网络数据的位置854。
在一些实施例中,例如,程序存储器802、存储存储器804和/或其任何部分可以被包括在与ECG神经网络训练器708分离并且经由I/O接口812与ECG神经网络训练器708通信的设备中。在一些实施例中,如本文所述的训练器处理器800和/或ECG神经网络训练器708的功能性可以使用多个处理器和/或多个设备来实现,这些多个处理器和/或多个设备可以是经由相应的接口和/或网络(诸如互联网)通信的不同设备。
在各种实施例中,图13和14中所示的ECG神经网络训练器708可以被配置为促进ECG神经网络训练。参考图15,在900处大体示出了描述用于指导图14中所示的训练器处理器800执行促进ECG神经网络训练功能的根据各种实施例的代码块的流程图。流程图900中包括的代码块可以例如被编码在图14中所示的程序存储器802的代码块870中。
参考图15,流程图900开始于方框902,其指示训练器处理器800接收训练ECG迹线的多个集合,其中训练ECG迹线的集合中的每个集合表示多个训练患者的相应相关联的训练患者在训练时间段内感测到的心脏活动持续。方框904然后指导训练器处理器800为训练ECG迹线的多个集合中的每个集合接收与训练ECG迹线的该集合相关联的训练患者的相应诊断。
在一些实施例中,例如,ECG训练数据源710可以先前已经被提供有训练数据,该训练数据包括训练ECG迹线的集合和多个患者中的每个患者的相关联诊断。在一些实施例中,例如,ECG训练数据源710可以在其上存储多个训练患者的ECG训练数据,其中ECG数据对于每个患者包括12个训练ECG迹线记录,其示例性迹线记录在图16中的940处示出,每个训练ECG迹线记录表示来自与患者一起使用的12根引线之一的感测到的ECG迹线。参考图16,训练ECG迹线记录940包括用于存储识别训练患者之一的患者标识符的患者标识符字段942和用于存储识别为其生成训练ECG迹线记录940的引线的引线标识符的引线标识符字段944。
仍然参考图16,训练ECG迹线记录940还包括感测到的ECG电压字段948,其一般可以如上文关于图4中所示的ECG迹线记录260所描述的那样。在各种实施例中,由ECG训练数据源710存储的用于训练患者的12个训练ECG迹线记录可以充当表示训练患者在训练时间段内感测到的心脏活动的训练ECG迹线的集合。
在一些实施例中,由ECG训练数据源710存储的ECG训练数据可以包括针对每个训练患者并且因此针对训练ECG迹线的集合中的每一集合的相应诊断。在各种实施例中,例如,ECG训练数据可以包括多个诊断记录,其示例性诊断记录在图17中的1000处示出,每个诊断记录与训练患者和训练ECG迹线记录的集合相关联。在一些实施例中,诊断记录1000可以通过包括用于存储可以与包括在训练ECG迹线的集合中的患者标识符共有的患者标识符的患者标识符字段1002与训练患者和训练ECG迹线的集合相关联。
参考图17,诊断记录1000还可以包括用于存储表示由存储在患者标识符字段1002中的患者标识符识别出的训练患者的诊断的诊断标识符的诊断字段1004。例如,在一些实施例中,诊断字段1004可以存储BrS诊断标识符值,如果患者被诊断患有BrS,那么该值可以被设置为1,而如果患者被诊断为没有BrS,那么可以被设置为0。
在一些实施例中,存储在ECG训练数据源710中的诊断记录中的诊断标识符字段的值可以已经由医疗专业人员先前提供,他们可以已经审查了相关联的训练ECG迹线的集合和/或其它患者相关信息。
返回去参考图15,例如,方框902可以指导训练器处理器800经由接口820接收包括存储在ECG训练数据源710中的训练ECG迹线记录的表示的消息。在一些实施例中,方框902可以指导训练器处理器800将训练ECG迹线记录存储在图14中所示的存储存储器804的位置840中。
例如,方框904可以指导训练器处理器800经由接口820接收包括存储在ECG训练数据源710中的诊断记录的表示的消息。在一些实施例中,方框904可以指导训练器处理器800将诊断记录存储在图14中所示的存储存储器804的位置842中。
在一些实施例中,可以并发地执行方框902和904,并且可以同时接收训练ECG迹线和相关联诊断的集合。
在一些实施例中,ECG训练数据源710可以在其上存储患者数据或与每个训练患者相关联的变化因素,并且流程图900可以包括指导训练器处理器800接收患者数据的表示的代码块。在一些实施例中,例如,患者数据可以已经存储在ECG训练数据源710中的多个患者数据记录中,并且每个可以包括患者标识符字段和存储表示由患者标识符字段识别的训练患者的患者数据的一个或多个患者数据值的一个或多个患者数据字段。在此类实施例中,流程图900可以包括指导训练器处理器800例如经由接口820从ECG训练数据源710接收患者数据记录的表示的代码块。在一些实施例中,该方框可以指导训练器处理器800将患者数据存储在存储存储器804的位置844中。
鉴于前述,在执行方框902和904之后,ECG神经网络训练器708可以已经在存储存储器804的位置840和842中存储了训练ECG迹线记录的多个集合和与训练ECG跟踪记录的集合中的每个集合相关联的相应诊断记录。在一些实施例中,ECG神经网络训练器708还可以在存储存储器804的位置844中存储附加的患者数据。在各种实施例中,这个信息可以充当训练ECG数据,其可以用于训练至少一个神经网络分类器,如下所述。
参考图15,除了方框906至912可以关于存储在存储存储器804的位置840中的每个训练ECG迹线记录被执行之外,图15中所示的流程图900的方框906至912的功能一般而言类似于图3中所示的流程图200的方框204至210。
方框906指导训练器处理器800将训练ECG迹线之一视为受试者训练ECG迹线。在一些实施例中,在方框906的第一次执行时,方框906可以指导训练器处理器800考虑第一训练患者标识符并考虑具有与第一训练患者标识符匹配的患者标识符的第一训练ECG迹线记录。在一些实施例中,例如,方框906可以指导训练器处理器800将图16中所示的训练ECG迹线记录940视为第一训练ECG迹线记录。
方框908然后指导训练器处理器800针对受试者训练ECG迹线识别多个对应的训练ECG迹线片段,每个训练ECG迹线片段表示训练时间段的片段上的患者心脏活动。在一些实施例中,方框908可以包括与图3中所示并且上面讨论的流程图200的方框206中包括的代码大体相似的代码。
在各种实施例中,在执行图15中所示的方框908之后,除了训练R-峰标识符可以包括患者标识符字段之外,具有与图6中所示的R-峰标识符记录340大体相似的格式的训练R-峰标识符记录可以存储在存储存储器804的位置846中,并且除了训练ECG迹线片段记录各自具有患者标识符字段之外,各自具有与图7中所示的感测到的ECG迹线片段记录380大体相似的格式的多个训练ECG迹线片段记录可以存储在存储存储器804的位置848中。
方框910然后指导训练器处理器800基于识别出的对应训练ECG迹线片段中的至少一个来确定代表性训练ECG迹线。在各种实施例中,方框910可以包括与图3中所示和上面讨论的流程图200的方框210大体相似的代码。
在一些实施例中,方框910可以指导训练器处理器800识别或确定在方框908处确定的训练ECG训练片段记录的子集。在一些实施例中,方框910可以指导训练器处理器800将主成分数据存储在存储存储器804的位置149中。在各种实施例中,方框910可以引导训练器处理器800将识别出的训练ECG迹线片段记录存储在存储存储器804的位置850中。在一些实施例中,方框910可以指导训练器处理器800基于存储在存储存储器804的位置850中的训练ECG迹线片段记录来确定代表性训练ECG迹线记录,除了代表性训练ECG迹线记录可以包括患者标识符字段之外,代表性训练ECG迹线记录具有与图11中所示的代表性ECG迹线记录500大体相同的格式。在一些实施例中,方框910可以指导训练器处理器800将代表性训练ECG迹线记录存储在存储存储器804的位置852中。参考图18,示出了在各种实施例中可以存储在存储存储器804的位置852中的示例性代表性训练ECG迹线记录1040。
方框912然后指导训练器处理器800确定是否有任何附加的训练ECG迹线要考虑。在一些实施例中,方框912可以指导训练器处理器800确定存储在存储存储器804的位置840中的任何训练ECG迹线记录是否还没有被认为是为了图15中所示的流程图900的方框908和910的目的的受试者训练ECG迹线。如果要考虑附加的训练ECG迹线,那么训练器处理器800返回到方框906并且考虑进一步的训练ECG迹线记录。如果已经考虑了存储在存储存储器804的位置840中的所有训练ECG迹线记录,那么训练器处理器800进行到方框914。
因而,当训练器处理器800进行到方框914时,可以在存储存储器804的位置848中存储代表性训练ECG迹线记录的多个集合,每个代表性训练ECG迹线记录包括识别已为其确定记录的训练患者的患者标识符字段,以及识别已为其确定记录的引线的引线标识符字段。在一些实施例中,存储存储器804的位置848可以存储数百名患者的代表性训练ECG迹线记录,这可以为疾病识别提供可接受的准确性,诸如例如在一些实施例中接近大约70%的准确性。在一些实施例中,存储存储器804的位置848可以存储超过1000名患者的代表性训练ECG迹线记录,这在一些实施例中可以提供大约85%的准确性。在一些实施例中,存储存储器804的位置848可以存储超过10,000名患者或超过100,000名患者的代表性训练ECG迹线记录。
方框914指导训练器处理器800使用代表性训练ECG迹线和诊断来训练至少一个神经网络分类器。在一些实施例中,定义BrS诊断神经网络分类器的体系架构的初始神经网络数据和/或初始BrS诊断神经网络分类器本身可以存储在存储存储器804的位置854中。在各种实施例中,例如在设置ECG神经网络训练器708时可以已经提供了初始神经网络数据。
在一些实施例中,BrS诊断神经网络分类器的体系架构可以包括基于前馈人工神经网络的多层感知器,由输入层、隐藏层和输出层组成。例如,用于BrS诊断神经网络分类器的一般体系架构可以如图12中的540处所示来表示。包括在这个神经网络分类器中的隐藏层可以将输入层映射到二进制分类输出层(其可以包括诊断的表示,例如BrS诊断值)。在一些实施例中,可以使用包含100个神经元的隐藏层,但是在一些实施例中可以使用更多或更少的神经元和/或层。在一些实施例中,方框914可以指导训练器处理器800使用来自存储在存储存储器804的位置852中的代表性训练ECG迹线记录的ECG电压字段的数据和存储在存储存储器804的位置844中的患者数据作为输入,并将对于每个训练患者存储在存储存储器804的位置842中的诊断记录的诊断字段值作为相应的期望输出,以训练BrS诊断神经网络分类器并更新存储在存储存储器804的位置854中的定义BrS诊断神经网络分类器的数据。
例如,在一些实施例中,例如,方框914可以指导训练器处理器800针对特定患者或患者标识符将来自用于该患者的所有代表性训练ECG迹线记录的ECG电压字段的值按照从引线1导引线12的次序级联起来,并将其用作XECG输入542并将来自存储在存储存储器804的位置844中的那个患者的患者数据字段的值用作XFoV输入544并使用来自患者的诊断字段作为期望的输出。
在一些实施例中,方框914可以指导训练器处理器800使用优化算法来训练隐藏层以将输入层映射到二元分类输出层,诸如例如缩放的共轭梯度下降、随机梯度下降、自适应矩估计和/或任何其它优化算法,与反向传播算法耦合,使得使用用于多个训练患者的数据来训练神经网络分类器。
在一些实施例中,方框914可以指导训练器处理器800产生表征分类的准确性的相关联定量性能数据,诸如例如通过借助于混淆矩阵或曲线下区域接收者-操作者特点(AUC-ROC)对神经网络进行基准测试。在一些实施例中,方框914可以指导训练器处理器800采用最小化一个这种性能测量的优化算法,例如对数损失函数,否则称为二元交叉熵函数,该函数在对数数值空间中量化不正确分类的概率。在各种实施例中,可以在构建神经网络分类模型时选择特定的神经网络训练方法(即,将数据随机分成多个部分,基于结果拒绝某些训练数据,以及重新训练)。
在各种实施例中,在已经执行方框914之后,定义经训练的BrS诊断神经网络分类器的数据可以存储在存储存储器804的位置854中。
在一些实施例中,方框914可以指导训练器处理器800产生表示经训练的BrS诊断神经网络分类器的信号,用于使经训练的BrS诊断神经网络分类器的表示被传输到图13中所示的ECG分析器702。在一些实施例中,ECG分析器702可以包括一般如图2中所示的处理器电路,并且ECG分析器702可以指导ECG分析器702的分析器处理器将经训练的BrS诊断神经网络分类器的表示存储在与图2中所示的ECG分析器12的位置150相似的位置。
在各种实施例中,ECG分析器702可以被配置为执行图3中所示的流程图200,一般如上所述,以使用经训练的BrS诊断神经网络分类器并确定用于患者的BrS诊断分数。
各种实施例
在一些实施例中,图1中所示的系统10中的任何一个或全部可以被实现为单个设备或单独的设备。例如,在一些实施例中,本文描述的由ECG分析器12执行的功能性可以由单独的设备执行。例如,在一些实施例中,ECG分析器12、ECG数据源14和显示器16可以结合到单个设备中,该设备可以是可穿戴设备,诸如健身追踪器和/或手表设备,例如,其可以被配置为使用设备中包括的传感器捕获ECG数据。
在一些实施例中,ECG数据源14的便携式实施例可以在更长的测量时间段期间收集ECG迹线记录260,诸如在一夜之间或在一天或多天的时段内,例如,以便捕获诊断实用的罕见或独立心跳间隔。
在一些实施例中,ECG分析器12可以使用多于一个设备和/或处理器电路来实现,使得ECG分析器12的各种功能性可以由不同设备执行。
在一些实施例中,至少一个神经网络分类器的应用可以由与ECG分析器12通信的神经网络处理设备来执行,例如,以减少ECG分析器12的处理要求。在此类实施例中,定义至少一个神经网络分类器的数据可以存储在神经网络处理设备上,并且图3中所示的流程图200的方框212可以指导ECG分析器12将用于至少一个神经网络的输入传输到神经网络处理设备以使设备确定一个或多个诊断相关分数。在一些实施例中,神经网络处理设备可以被配置为一旦确定了一个或多个诊断相关分数的表示,就将其发送到ECG分析器12。
在各种实施例中,可以使用附加的或更少的引线来生成感测到的ECG迹线记录。例如,在一些实施例中,可以生成单个感测到的ECG迹线记录并且ECG分析器12可以被配置为使用单个感测到的ECG迹线记录。因而,在各种实施例中,可以省略图3中所示的流程图200的方框204和210。
在一些实施例中,由ECG分析器12处置的数据可以与特定患者相关联。例如,在一些实施例中,感测到的ECG迹线记录260、R-峰标识符记录340、感测到的ECG迹线片段记录380和代表性ECG迹线记录500都可以包括用于存储识别数据适用的患者的患者标识符的患者标识符字段。
在一些实施例中,图13中所示的系统700的ECG神经网络训练器708可以被配置为更新存储在图14中所示的存储存储器804的位置854中的神经网络数据。例如,在一些实施例中,ECG神经网络训练器708可以被配置为接收用于新训练患者的训练ECG迹线和相关联诊断的集合,并使用接收到的信息更新神经网络数据。在一些实施例中,一旦神经网络数据已经被更新,ECG神经网络训练器708就可以将更新后的神经网络信息传输到ECG分析器702。
在一些实施例中,系统700可以包括与图1中所示的系统10大体相似的多个系统,每个系统与ECG神经网络训练器708通信,并且ECG神经网络训练器可以被配置为向系统中包括的每个ECG分析器发送更新后的神经网络信息。
虽然在上述一些实施例中图1和13中所示的系统10和/或700可以被配置为促进BrS的诊断,特别是在各种实施例中,可以使用与上述系统10和/或700大体相似的系统诊断或在诊断中帮助附加的或替代的综合征、疾病和/或病症,诸如分析性的、可能是特发性的原发性电紊乱,诸如例如Wolff-Parkinson-White综合征、早期复极综合征、长QT综合征、短-QT综合征、完全或不完全右或左支束传导阻滞,以及心肌病,诸如例如致心律失常性右心室心肌病或发育不良、左心室致密化不全、肥厚性心肌病、扩张型心肌病、缺血性心肌病、限制性心肌病,和/或其它特发性心肌病。
因而,在各种实施例中,本文描述的BrS诊断神经网络分类器可以被另一个致心律失常疾病诊断神经网络分类器代替,该另一个致心律失常疾病诊断神经网络分类器被配置为输出用于心律失常疾病诊断的诊断分数。在此类实施例中,可以使用与致心律失常疾病诊断相关联的数据来训练致心律失常疾病诊断神经网络分类器。
参考图19-24,示出了捕获相应患者的静息状态的基线ECG 1100、1120、1140、1160、1180和1200的相应表示,以及在通过施用钠通道阻断药物ajmaline激发(challenge)相应的患者之后获得的ECG1102、1122、1142、1162、1182和1202的相应表示。
参考图19,患者表现出2型BrS模式,在施用ajmaline之后变为1型。在一些实施例中,图1中所示的系统10的ECG分析器12可以根据基线ECG 1100的分析将这个患者的疾病状态正确地识别为疾病阳性。在一些实施例中,例如,基于基线ECG 1100确定的BrS分数可以是0.998。
参考图20,基线ECG 1120示出不完全右束支传导阻滞在ajmaline激发之后转变为1型BrS ECG模式。在一些实施例中,图1中所示的系统10的ECG分析器12可以根据基线ECG1120的分析将这个患者的疾病状态正确地识别为疾病阳性。在一些实施例中,例如,基于基线ECG 1120确定的BrS分数可以是1.000。
参考图21,基线ECG 1140示出右前胸引线轻度异常,ajmaline激发导致Brs呈阳性,示出1型模式。在一些实施例中,图1中所示的系统10的ECG分析器12可以根据基线ECG1140的分析将这个患者的疾病状态正确地识别为疾病阳性。在一些实施例中,例如,基于基线ECG 1140确定的BrS分数可以是1.000。
参考图22,ajmaline激发之后基线ECG 1160和ECG 1162的分析可以与BrS的阴性诊断一致。在一些实施例中,图1中所示的系统10的ECG分析器12可以根据基线ECG 1160的分析将这个患者的疾病状态正确地识别为疾病阴性。在一些实施例中,例如,基于基线ECG1160确定的BrS分数可以是0.058。在一些实施例中,阴性诊断的置信度可以被确定为从1减去BrS分数(例如,1-0.058=0.942)。
参考图23,在ajmaline激发之后对基线ECG 1180和ECG 1182的分析可以与BrS的阴性诊断一致。在一些实施例中,图1中所示的系统10的ECG分析器12可以根据基线ECG1180的分析将这个患者的疾病状态正确地识别为疾病阴性。在一些实施例中,例如,基于基线ECG 1180确定的BrS分数可以是0.028。
参考图24,在ajmaline激发之后对基线ECG 1200和ECG 1202的分析可以与BrS的阴性诊断一致。在一些实施例中,图1中所示的系统10的ECG分析器12可以根据基线ECG1200的分析将这个患者的疾病状态正确地识别为疾病阴性。在一些实施例中,例如,基于基线ECG 1200确定的BrS分数可以是0.010。
虽然已经描述和说明了本发明的特定实施例,但此类实施例应当被认为仅仅是对本发明的说明,而不是如根据所附权利要求所解释的那样限制本发明。
Claims (26)
1.一种促进心电图(“ECG”)分析的计算机实现的方法,该方法包括:
接收患者的一条或多条感测到的ECG迹线,每条感测到的ECG迹线表示在感测到的时间段内感测到的患者心脏活动;
对于所述一条或多条感测到的ECG迹线中的每条ECG迹线:
识别多个对应的感测到的ECG迹线片段,每个感测到的ECG迹线片段表示在感测到的时间段的片段内的患者的感测到的患者心脏活动;以及
基于识别出的对应的感测到的ECG迹线片段中的至少一个ECG迹线片段确定代表性ECG迹线;以及
使至少一个神经网络分类器应用于所述一条或多条确定的代表性ECG迹线以确定与患者的至少一个诊断相关的一个或多个诊断相关分数。
2.如权利要求1所述的方法,其中确定代表性ECG迹线包括识别多个对应的感测到的ECG迹线片段的子集,该子集不包括所述多个对应的感测到的ECG迹线片段中的至少一个ECG迹线片段,以及基于识别出的子集确定代表性ECG迹线。
3.如权利要求2所述的方法,其中识别所述多个对应的感测到的ECG迹线片段的子集包括:
对所述多个对应的感测到的ECG迹线片段应用主成分分析以确定与每个对应的感测到的ECG迹线片段相关联的主成分分数的相应集合;以及
比较主成分分数以识别所述多个对应的感测到的ECG迹线片段中要从子集中排除的至少一个ECG迹线片段。
4.如权利要求3所述的方法,其中主成分分数的每个集合包括第一主成分分数和第二主成分分数,并且其中比较主成分分数包括:
分别从第一主成分分数和第二主成分分数确定第一置信限度和第二置信限度;以及
对于每个对应的感测到的ECG迹线片段,将与感测到的ECG迹线片段相关联的第一主成分分数和第二主成分分数与第一置信限度和第二置信限度进行比较。
5.如权利要求4所述的方法,其中将与感测到的ECG迹线片段相关联的第一主成分分数和第二主成分分数与第一置信限度和第二置信限度进行比较包括确定第一主成分分数和第二主成分分数是否在具有由第一置信限度和第二置信限度设置的半径的椭圆之外,如果是,那么将感测到的ECG迹线片段识别为要从子集中排除。
6.如权利要求4或5所述的方法,其中确定第一置信限度和第二置信限度包括将Hotelling T2统计分别应用于第一主成分分数和第二主成分分数。
7.如权利要求6所述的方法,其中将Hotelling T2统计应用于第一主成分分数和第二主成分分数包括以至少大约95%的置信度使用F分布的临界值。
8.如权利要求2至7中的任一项所述的方法,其中基于识别出的对应的感测到的ECG迹线片段中的至少一个ECG迹线片段来确定代表性ECG迹线包括对包括在子集中的对应的感测到的ECG迹线片段求平均。
9.如权利要求1至8中的任一项所述的方法,其中识别所述多个对应的感测到的ECG迹线片段包括识别感测到的ECG迹线片段中的相应共有特征,以及识别所述多个感测到的ECG迹线片段中的每个ECG迹线片段相对于识别出的共有特征的相应开始时间和结束时间。
10.如权利要求9所述的方法,其中识别相应的共有特征包括识别每个感测到的ECG迹线片段中的相应R峰。
11.如权利要求1至10中的任一项所述的方法,还包括产生表示所述一个或多个诊断相关分数的信号,用于使至少一个显示器显示所述一个或多个诊断相关分数的表示。
12.如权利要求1至11中的任一项所述的方法,其中所述至少一个神经网络分类器包括BrS神经网络分类器。
13.如权利要求1至12中的任一项所述的方法,还包括训练所述至少一个神经网络分类器,该训练包括:
接收训练ECG迹线的多个集合,其中训练ECG迹线的集合中的每个集合表示对于多个训练患者中的相应相关联的训练患者在训练时间段内感测到的心脏活动;
对于训练ECG迹线的所述多个集合中的每个集合,接收与训练ECG迹线的该集合相关联的训练患者的相应诊断;
对于每条训练ECG迹线:
识别多个对应的训练ECG迹线片段,每个训练ECG迹线片段表示在训练时间段的片段内的患者心脏活动;以及
基于识别出的对应的训练ECG迹线片段中的至少一个训练ECG迹线片段确定代表性训练ECG迹线;以及
使得使用代表性训练ECG迹线和诊断来训练所述至少一个神经网络分类器。
14.一种促进心电图(“ECG”)分析的计算机实现的方法,该方法包括:
接收训练ECG迹线的多个集合,其中训练ECG迹线的集合中的每个集合表示对于多个训练患者中的相应相关联的训练患者在训练时间段内感测到的心脏活动;
对于训练ECG迹线的所述多个集合中的每个集合,接收与训练ECG迹线的该集合相关联的训练患者的相应诊断;
对于每条训练ECG迹线:
识别多个对应的训练ECG迹线片段,每个训练ECG迹线片段表示在训练时间段的片段内的患者心脏活动;以及
基于识别出的对应的训练ECG迹线片段中的至少一个训练ECG迹线片段确定代表性训练ECG迹线;以及
使得使用代表性训练ECG迹线和诊断来训练至少一个神经网络分类器,所述至少一个神经网络分类器被配置为输出与至少一个诊断相关的一个或多个诊断相关分数。
15.如权利要求14所述的方法,其中确定代表性训练ECG迹线包括识别所述多个对应的训练ECG迹线片段的子集,该子集不包括所述多个对应的训练ECG迹线片段中的至少一个训练ECG迹线片段,以及基于识别出的子集确定代表性训练ECG迹线。
16.如权利要求15所述的方法,其中识别所述多个对应的训练ECG迹线片段的子集包括:
对所述多个对应的训练ECG迹线片段应用主成分分析以确定与每个对应的训练ECG迹线片段相关联的主成分分数的相应集合;以及
比较主成分分数以识别所述多个对应的训练ECG迹线片段中要从子集中排除的至少一个训练ECG迹线片段。
17.如权利要求16所述的方法,其中主成分分数的每个集合包括第一主成分分数和第二主成分分数,并且其中比较主成分分数包括:
分别从第一主成分分数和第二主成分分数确定第一置信限度和第二置信限度;以及
对于每个对应的训练ECG迹线片段,将与训练ECG迹线片段相关联的第一主成分分数和第二主成分分数与第一置信限度和第二置信限度进行比较。
18.如权利要求17所述的方法,其中将与训练ECG迹线片段相关联的第一主成分分数和第二主成分分数与第一置信限度和第二置信限度进行比较包括确定第一主成分分数和第二主成分分数是否在具有由第一置信限度和第二置信限度设置的半径的椭圆之外,如果是,那么将训练ECG迹线片段识别为从子集中排除。
19.如权利要求17或18所述的方法,其中确定第一置信限度和第二置信限度包括将Hotelling T2统计方程分别应用于第一主成分分数和第二主成分分数。
20.如权利要求19所述的方法,其中将Hotelling T2统计方程应用于第一主成分分数和第二主成分分数包括以至少大约95%的置信度使用F分布的临界值。
21.如权利要求15至20中的任一项所述的方法,其中基于识别出的对应的训练ECG迹线片段中的至少一个训练ECG迹线片段来确定代表性ECG迹线包括对包括在子集中的对应的训练ECG迹线片段求平均。
22.如权利要求14至21中的任一项所述的方法,其中识别所述多个对应的训练ECG迹线片段包括识别训练ECG迹线片段中的相应共有特征,以及识别所述多个训练ECG迹线片段中的每个训练ECG迹线片段相对于识别出的共有特征的相应开始时间和结束时间。
23.如权利要求22所述的方法,其中识别相应的共有特征包括识别每个训练ECG迹线片段中的相应R峰。
24.如权利要求14至23中的任一项所述的方法,其中所述至少一个神经网络分类器包括BrS神经网络分类器,并且其中接收到的每个诊断包括BrS诊断。
25.一种用于促进心电图(“ECG”)分析的系统,包括至少一个处理器,该处理器被配置为执行如权利要求1至24中的任一项所述的方法。
26.一种其上存储有代码的非暂态计算机可读介质,代码在由至少一个处理器执行时使所述至少一个处理器执行如权利要求1至24中的任一项所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063007496P | 2020-04-09 | 2020-04-09 | |
EP20169028.6 | 2020-04-09 | ||
US63/007,496 | 2020-04-09 | ||
EP20169028.6A EP3893246B1 (en) | 2020-04-09 | 2020-04-09 | Electrocardiogram analysis |
PCT/IB2021/052886 WO2021205355A1 (en) | 2020-04-09 | 2021-04-07 | Electrocardiogram analysis |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115552545A true CN115552545A (zh) | 2022-12-30 |
Family
ID=70285496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180032087.9A Pending CN115552545A (zh) | 2020-04-09 | 2021-04-07 | 心电图分析 |
Country Status (16)
Country | Link |
---|---|
US (1) | US11179088B2 (zh) |
EP (1) | EP3893246B1 (zh) |
JP (1) | JP2023520944A (zh) |
KR (1) | KR20220166812A (zh) |
CN (1) | CN115552545A (zh) |
AR (1) | AR121808A1 (zh) |
AU (1) | AU2021252645A1 (zh) |
BR (1) | BR112022020303A2 (zh) |
CA (1) | CA3174101A1 (zh) |
ES (1) | ES2924025T3 (zh) |
IL (1) | IL296987A (zh) |
MX (1) | MX2022012682A (zh) |
PT (1) | PT3893246T (zh) |
TW (1) | TW202143915A (zh) |
UY (1) | UY39168A (zh) |
WO (1) | WO2021205355A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024019500A1 (ko) * | 2022-07-22 | 2024-01-25 | 주식회사 메디컬에이아이 | 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10602942B2 (en) * | 2017-08-25 | 2020-03-31 | Cambridge Heartwear Limited | Method of detecting abnormalities in ECG signals |
-
2020
- 2020-04-09 EP EP20169028.6A patent/EP3893246B1/en active Active
- 2020-04-09 ES ES20169028T patent/ES2924025T3/es active Active
- 2020-04-09 PT PT201690286T patent/PT3893246T/pt unknown
-
2021
- 2021-04-07 CA CA3174101A patent/CA3174101A1/en active Pending
- 2021-04-07 KR KR1020227035866A patent/KR20220166812A/ko unknown
- 2021-04-07 WO PCT/IB2021/052886 patent/WO2021205355A1/en active Application Filing
- 2021-04-07 CN CN202180032087.9A patent/CN115552545A/zh active Pending
- 2021-04-07 JP JP2022562128A patent/JP2023520944A/ja active Pending
- 2021-04-07 IL IL296987A patent/IL296987A/en unknown
- 2021-04-07 BR BR112022020303A patent/BR112022020303A2/pt not_active Application Discontinuation
- 2021-04-07 MX MX2022012682A patent/MX2022012682A/es unknown
- 2021-04-07 AU AU2021252645A patent/AU2021252645A1/en active Pending
- 2021-04-08 US US17/225,410 patent/US11179088B2/en active Active
- 2021-04-08 TW TW110112702A patent/TW202143915A/zh unknown
- 2021-04-09 AR ARP210100944A patent/AR121808A1/es unknown
- 2021-04-09 UY UY0001039168A patent/UY39168A/es unknown
Also Published As
Publication number | Publication date |
---|---|
TW202143915A (zh) | 2021-12-01 |
MX2022012682A (es) | 2022-11-30 |
US11179088B2 (en) | 2021-11-23 |
AR121808A1 (es) | 2022-07-13 |
JP2023520944A (ja) | 2023-05-22 |
CA3174101A1 (en) | 2021-10-14 |
PT3893246T (pt) | 2022-08-05 |
BR112022020303A2 (pt) | 2022-12-06 |
EP3893246B1 (en) | 2022-05-04 |
AU2021252645A1 (en) | 2022-11-03 |
KR20220166812A (ko) | 2022-12-19 |
US20210315506A1 (en) | 2021-10-14 |
WO2021205355A1 (en) | 2021-10-14 |
IL296987A (en) | 2022-12-01 |
UY39168A (es) | 2021-10-29 |
EP3893246A1 (en) | 2021-10-13 |
ES2924025T3 (es) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10602942B2 (en) | Method of detecting abnormalities in ECG signals | |
US10441184B2 (en) | Electrocardiogram device and methods | |
US20240008795A1 (en) | Apparatus, Systems and Methods for Predicting, Screening and Monitoring of Encephalopathy/Delirium | |
Jambukia et al. | Classification of ECG signals using machine learning techniques: A survey | |
Martis et al. | Current methods in electrocardiogram characterization | |
US9974488B2 (en) | Early detection of hemodynamic decompensation using taut-string transformation | |
Takalo-Mattila et al. | Inter-patient ECG classification using deep convolutional neural networks | |
US6389308B1 (en) | System and device for multi-scale analysis and representation of electrocardiographic data | |
EP3803709B1 (en) | Detecting abnormalities in ecg signals | |
JP2018513727A (ja) | 心血管劣化の警告スコア | |
US20220175324A1 (en) | Computer-based prediction of fetal and maternal outcomes | |
US9549681B2 (en) | Matrix-based patient signal analysis | |
CN116194044A (zh) | 用于分析心律的方法和系统 | |
Desai et al. | Application of ensemble classifiers in accurate diagnosis of myocardial ischemia conditions | |
Begum et al. | Automated detection of abnormalities in ECG signals using deep neural network | |
US11179088B2 (en) | Electrocardiogram analysis | |
EP4216232A1 (en) | Methods and system for cardiac arrhythmia prediction using transformer-based neural networks | |
Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
Banerjee | Machine learning-based rapid prediction of sudden cardiac death (SCD) using precise statistical features of heart rate variability for single lead ECG signal | |
Vasantrao et al. | Feature Fusion Model For Heart Disease Diagnosis | |
Obaid | ENHANCED COMPUTER-AIDED DIAGNOSIS SYSTEM FOR AUTOMATED CLASSIFICATION OF CARDIAC ECG SIGNALS | |
Korucuk et al. | Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study | |
Sun | Enhancing Atrial Fibrillation Detection Using Adaptive Template Matching | |
KR20230085526A (ko) | 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법 | |
BR112018011326B1 (pt) | Sistema para rastreamento de delírio de paciente |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221230 |