CN115802946A - 用于处理ecg数据的方法和系统 - Google Patents
用于处理ecg数据的方法和系统 Download PDFInfo
- Publication number
- CN115802946A CN115802946A CN202180032033.2A CN202180032033A CN115802946A CN 115802946 A CN115802946 A CN 115802946A CN 202180032033 A CN202180032033 A CN 202180032033A CN 115802946 A CN115802946 A CN 115802946A
- Authority
- CN
- China
- Prior art keywords
- ecg data
- patient
- ecg
- clusters
- user
- 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
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
- A61B5/282—Holders for multiple electrodes
-
- 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]
- A61B5/332—Portable devices 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]
- A61B5/339—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7435—Displaying user selection data, e.g. icons in a graphical user interface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种处理ECG数据的方法,该方法包括:用受训练的神经网络使用ECG数据来生成第一特征集;以及使用基于标准的算法处理患者的ECG数据来生成第二特征集。然后,基于第一特征集和第二特征集来将患者的ECG数据聚类到多个簇中以生成聚类ECG数据。经由用户界面向用户呈现聚类ECG数据,并且关于聚类ECG数据经由用户界面从用户接收用户输入。基于用户输入来定义特征向量,并且将特征向量应用于患者的ECG数据的至少一部分以生成修改的聚类ECG数据。然后,经由用户界面向用户呈现所修改的聚类ECG数据。
Description
背景技术
本公开整体涉及用于处理ECG数据的系统和方法,并且更具体地涉及提供人类引导的机器学习来高效地编辑ECG数据的系统和方法。
心电图(ECG)通常用于诊断心律失常和其他心脏异常。由于一些心脏异常是间歇性的,因此这些心脏异常无法被容易地捕获在标准12导联静息ECG中,并且因此,使用动态心电图(Holter)监视器或其他动态ECG监视器来监视许多患者,以在延长的时间段内连续地或间歇地记录来自患者的ECG数据。用于解释心电图(ECG)波形的系统和方法当前可用于辅助临床医生解释波形并基于ECG波形来评价患者心脏健康。当前可用的系统和方法通常处理ECG波形数据并基于此来提供建议解释。这些当前可用的系统和方法通常要求处理ECG波形以识别某些预先定义的波形特征,并且那些所识别的特征提供心律失常检测的基础。例如,许多解释系统利用专有特征提取算法。
发明内容
提供本发明内容是为了介绍将在下面的具体实施方式中进一步描述的一系列概念。本发明内容不旨在识别要求保护的主题的关键或必要特征,也不旨在用于帮助限制要求保护的主题的范围。
在一个实施方案中,一种处理ECG数据的方法包括:用受训练的神经网络使用ECG数据来生成第一特征集;以及使用基于标准的算法处理患者的ECG数据来生成第二特征集。然后,基于该第一特征集和该第二特征集来将该患者的ECG数据聚类到多个簇中以生成聚类ECG数据。经由用户界面向用户呈现该聚类ECG数据,并且关于该聚类ECG数据经由该用户界面从该用户接收用户输入。基于该用户输入来定义特征向量,并且将该特征向量应用于该患者的ECG数据的至少一部分以生成所修改的聚类ECG数据。然后,经由该用户界面向该用户呈现所修改的聚类ECG数据。
用于处理ECG数据的系统的一个实施方案包括:受训练的神经网络,该受训练的神经网络被配置为基于ECG数据来生成第一特征集;和基于标准的特征模块,该基于标准的特征模块被配置为使用基于标准的算法处理患者的ECG数据来生成第二特征集。用户引导的聚类模块被配置为基于该第一特征集和该第二特征集来将该患者的ECG数据聚类到多个簇中以生成聚类ECG数据,并且然后,向用户呈现该聚类ECG数据。关于该聚类ECG数据从该用户接收用户输入,并且基于该用户输入来定义特征向量。将该特征向量应用于该患者的ECG数据的至少一部分以生成所修改的聚类ECG数据。
从以下结合附图的描述中,本发明的各种其他特征、目的和优点将变得显而易见。
附图说明
参考以下附图描述本公开。
图1描绘了根据本公开的一个实施方案的用于处理ECG数据的示例性系统;
图2描绘了根据本公开的另一个实施方案的用于处理ECG数据并特别是动态心电图数据的另一个示例性系统;
图3至图4描绘了根据本公开的处理ECG数据的示例性方法;
图5描绘了根据本公开的用于处理ECG数据的示例性用户界面和方法。
具体实施方式
发明人已经认识到,编辑ECG数据,并且特别是连续地记录的动态ECG数据,是耗时且劳动密集的。ECG数据,并且特别是动态和/或连续地记录的ECG数据,趋于是人工装载的,并且需要在由医师进行诊断回顾之前进行编辑和预处理。编辑动态心电图ECG数据例如涉及由技术人员或其他受训练的专业人员进行的反复编辑,以便去除噪声并准确地对从动态心电图监视器记录的ECG数据进行分类和处理。尽管针对给定患者的ECG的任何单个记录是高度费时费力且反复进行的,但是尚未开发出自动化系统或策略来准确地使对于动态心电图数据或其他动态ECG数据的编辑过程自动化。编辑策略是直观的、启发式的和主观的,并且因此,编辑在给定记录的技术人员间有所不同,并严重地受到在其上训练技术人员的动态心电图系统的类型、技术人员的经验水平和技术人员对心电图的理解水平的影响。此外,由于生理和噪声含量两者的广泛范围,编辑策略的范围将在不同记录和不同患者间有所不同。因此,ECG编辑过程无法被容易地一般化以用于开发完全地自动化且确定性ECG处理算法的目的,无论其是基于标准的算法还是完全地预训练的机器学习算法。因此,现有ECG处理系统和方法都利用了人类编辑作为ECG处理策略的一部分。该人类编辑对于给定ECG记录是反复进行且费时费力的,其中人类可能需要一遍又一遍地反复进行相同任务,诸如以去除特定伪影或识别在患者的ECG中随时间推移的波形特征。
鉴于人类认识到在相关领域中的前述挑战和问题,发明人已经开发出所公开的系统和方法,该系统和方法使用快速机器学习算法来对人类ECG编辑动作进行编码并再现跨患者的ECG数据集(或其一些部分)的相同编辑策略,以便避免反复进行人类输入。因此,系统被配置为从人类用户接收初始编辑输入,并且因此,捕获受训练的用户的直观且主观的判断,并且然后,在患者的整个ECG记录中自动地重复该动作。由此,所公开的系统和方法去除人类编辑过程的费力和耗时部分,但是捕获受训练的人类技术人员的直觉和技能。由此,ECG编辑并且特别是动态ECG编辑的效率和一致性通过提供聚焦在减少在编辑过程中的人类交互但不消除该人类交互上的有成本效益的解决方案而极大地提高。
图1描绘了本公开的一个实施方案,其包括两个预处理部分和一个用户引导的模块,该用户引导的模块经由用户界面从用户接收编辑输入、基于那些编辑来制定抽象并相应地修改ECG数据处理。在一个实施方案中,该系统包括受训练的神经网络10,该受训练的神经网络被配置为基于来自ECG数据库4的ECG数据来生成第一特征集。ECG数据库4包括来自多个患者的ECG数据,诸如提供来自大批患者的数千个或数百个ECG记录的大ECG数据库。由纽约州斯克内克塔迪市通用电气公司(General Electric Company of Synecdoche,NewYork)的MUSE心脏病学信息系统实施的ECG数据库是一个示例。预训练的神经网络10在大量可用ECG数据上进行训练以生成第一特征集18来从ECG数据提取特征,该特征是导联独立的并跨用于训练的可用ECG数据一般化。因此,由受训练的神经网络10生成的第一特征集18一旦生成就是静态且患者独立的。为了提供仅一个示例,受训练的神经网络10可生成32个特征,该特征是导联独立的。一旦生成32个特征,那些特征就是静态的并用于处理所有患者ECG数据。
预处理部分还包括基于标准的特征模块20,该基于标准的特征模块利用基于标准的算法来基于由ECG监视器8记录的患者的原始ECG数据来生成第二特征集28。基于标准的算法可包括分析节律和形态(例如,波形的形状、振幅和定时)的现有心跳分析器算法。例如,基于标准的算法可包括专门用于处理动态心电图ECG数据或其他动态ECG数据的至少一个波形形状分类算法。另选地或附加地,基于标准的算法可包括通用电气公司的Marquette12SL ECG处理算法。另选地或附加地,基于标准的算法可包括用于处理由动态心电图获取设备获取的动态ECG数据的动态心电图处理算法。因此,第二特征集28是基于患者的ECG数据生成的,并且因此,至少部分地包括基于患者的数据来生成并特定于该数据的特征。
由受训练的神经网络10生成的第一特征集18和由基于标准的特征模块20生成的第二特征集28,以及来自ECG监视器8的患者的原始ECG数据被提供给用户引导的聚类模块30,该用户引导的聚类模块被配置为促进患者ECG数据的人类引导的编辑自动化。用户引导的聚类模块30被配置为对患者的ECG数据进行聚类并向用户呈现初始聚类ECG数据38,该用户通常是受训练的ECG技术人员和/或医师。用户提供用户输入以编辑聚类ECG数据38或基于此生成的其他分类信息。
用户经由用户界面系统40提供用户输入48,诸如编辑初始聚类ECG数据38的输入,该用户界面系统被配置为促进向用户呈现聚类ECG数据和接收用户输入。例如,用户界面系统40可包括标准ECG编辑终端,该标准ECG编辑终端包括用于向用户视觉上呈现聚类ECG数据的数字计算机监视器和一个或多个用户输入设备(诸如键盘、鼠标、触摸屏和/或提供用户可用来提供输入以用于ECG编辑的适当手段的任何其他现有用户输入设备)。
用户输入48(诸如对初始呈现的聚类ECG数据的编辑)通过基于用户输入48来定义特征向量被一般化。用户输入可以是用户在ECG编辑过程期间输入的各种类型的信息中的任何类型的信息,诸如用于对ECG数据的一些或全部ECG数据进行分组的振幅和/或定时阈值、ECG数据的一个或多个簇的标签(例如“正常”或“异常”)或在编辑过程期间提供的其他类型的用户输入,包括正在使用现有动态ECG编辑软件进行的用户编辑。
利用机器学习算法来提取表征用户输入48(诸如由用户提供的编辑输入)的特征向量。例如,机器学习算法可实施正则化线性反演来处理与用户输入48相关的ECG数据的特征集。下文描述了示例。然后,将特征向量应用于ECG数据的至少一部分以生成所修改的聚类ECG数据。例如,用户引导的聚类模块30可被配置为基于特征向量来将患者的ECG数据集的一些或全部重新聚类,这可作为在第一特征集18和第二特征集28中的特征的一些或全部的另选方案或附加方案使用。在各种示例中,可响应于某些用户输入类型和/或响应于指示基于对聚类ECG数据的继续编辑输入来进行重新聚类的用户输入而执行重新聚类。然后,向用户呈现所修改的聚类ECG数据,诸如以供进一步编辑。
图2描绘了根据本公开的用于处理ECG数据的系统2的实施方案,该系统特别地被配置用于处理由动态心电图监视器8'记录的动态心电图ECG数据9'。如本领域普通技术人员已知的,动态心电图监视器是小型可佩戴ECG记录设备,其由患者佩戴较长的时间段以连续地或周期性地记录来自患者的ECG数据。动态心电图监视器8'接收由附接到患者6的五个电极7记录的ECG电势,该五个电极由患者佩戴较长的时间段,而同时患者进行他或她的正常活动。另选地,动态心电图监视器可从包括多于或少于5个电极的电极组接收数据。因此,动态心电图监视器生成大量ECG数据,该大量ECG数据可存储在动态心电图监视器内部。另选地,动态心电图监视器可将ECG数据部分地或全部地传输到另一个设备或系统以供处理和回顾,在这种情况下,整个系统可被认为是动态心电图监视器。该ECG数据是动态ECG数据9',其趋于包括许多伪影。心脏信号需要与伪影隔离,并且此外,大量的ECG数据需要进行处理,使得它们可由临床医生诸如医师分析。
基于标准的ECG处理算法和软件已经被开发并利用了许多年,其预处理ECG数据以基于波形形状、振幅和/或定时来隔离心脏波形并对其进行分类。例如,现有软件可检测在ECG数据内的单独心跳并基于波形特征的形态、振幅或定时来对心跳进行分类。这些所检测的值和特质被捕获在基于患者的动态心电图ECG数据9'生成的第二特征集28中。例如,用于生成第二特征集28的基于标准的特征模块20可被包括在动态心电图监视器8'内并在该动态心电图监视器内执行,并且因此,作为从动态心电图监视器8'输出的数据的部分生成。另选地,基于标准的特征模块20或其至少部分可被包括在中间计算系统或网络上并在该中间计算系统或网络上执行,该中间计算系统或网络在由用户引导的聚类模块30进行处理之前,执行对原始动态心电图ECG数据9'的初始处理。
在所描绘的示例中,受训练的神经网络10是在存储在ECG数据库4中的多个患者的ECG记录上训练的深度卷积神经网络(CNN)。在所描绘的示例中,用于CNN 10的训练数据包括静息ECG 5,诸如标准12导联ECG静息记录。标准12导联ECG静息记录(诸如十秒钟ECG记录)通常在被优化用于使用适当地放置在正在静躺的患者身上的电极来记录干净的ECG的隔离临床环境中进行。静息ECG记录通常很少或不包括伪影,并且诊断上重要的波形特征通常易见的。由于12导联静息ECG是所执行的最常见ECG测试并已经执行数十年,因此存在大量的此类数据用作CNN 10的训练数据。发明人已经认识到,在某些实施方案中,利用静息ECG数据5来训练神经网络10可能是有益的,即使在系统2被配置用于处理动态ECG数据的情况下也是如此。主要地,在缺乏其他类型的训练数据的情况下,发明人已经认识到,使用从原始ECG复合体的集合形成的静息代表模式来训练神经网络10可能是有益的。在某些实施方案中,静息代表模式ECG数据可通过随机化进行调适,诸如引入噪声、波形反转等,以便提供足够多样的训练数据。
第一特征集18和第二特征集28被提供给计算系统55,该计算系统被配置为促进并执行本文描述的用户引导的编辑过程。计算系统55包括处理系统57和存储系统,该存储系统存储可由处理系统57执行以便执行本文描述的功能的用户引导的聚类模块30。在一些实施方案中,计算系统55可实施为网络,诸如云实施的系统。
用户引导的聚类模块实施聚类算法32以基于第一特征集18和第二特征集28来将原始动态心电图ECG数据9'聚类到多个簇中。例如,聚类算法可以是用于基于数量为“n”的特征来将患者的原始ECG数据向量量化为数量为“k”的簇的k均值聚类算法,其中每个特征属于具有最接近均值的簇。在某些实施方案中,聚类算法32可被配置为生成通常适于ECG数据的预先确定的数量的簇。例如,人类心脏仅生理上能够生成一定数量的波形形状,并且因此,预先确定的数量的簇可基于人类心脏能够生成的最大数量的形状或形态来进行定义。为了提供仅一个示例,聚类模块30可被配置为将患者的ECG数据聚类到十个簇中。一个或多个附加类可被包括来拒绝不规则地大的振幅或不在实际心脏信号的值范围内的其他常见伪影波形。在其他实施方案中,聚类算法32可被配置为基于特征集18、28和/或患者的原始ECG数据来定义簇的数量。其他相关约束或起始条件可包括基于形态的评价,诸如波形是否满足用于定义正常、异常和噪声波形的标准。另选地或附加地,各种约束或起始条件可被定义为适应患者位置或活动,诸如由聚类模块30形成的簇的初始数量等。在其他实施方案中,用户50可提供输入以指示将由k均值聚类算法32生成多少个簇或类。
经由用户界面系统40向用户50呈现在第一实例中由聚类算法32生成的初始聚类ECG数据,该用户界面系统如上所述可以是ECG技术人员或其他受训练的用户50可用来查看所处理的ECG数据(诸如聚类ECG数据38)并与其交互的任何手段。图5处呈现了聚类ECG数据38的部分的示例性用户界面显示60。在示例中,以图形的形式描绘了ECG波形的一个示例性簇68,其中被分组在簇68中的所有的ECG心跳波形相对于时间轴64和电压轴75叠加。
用户50提供关于聚类ECG数据38的输入,诸如用于编辑呈现在由用户界面系统40提供的用户界面显示60上的聚类ECG数据或用于对聚类ECG数据38进行分类或标注的输入。例如,用户输入48可指示振幅阈值、定时阈值和簇中的一个或多个簇中的ECG数据的标签中的一者或多者。下文关于图5进一步描述示例性用户输入。
用户引导的聚类模块30被配置为处理用户输入并基于此来进行抽象,并且定义捕获由用户输入的编辑或其他信息的特征向量,使得用户输入可跨用于患者的整个ECG数据集重复。特征是ECG数据的单独的可测量性质或特性。特征向量描述一组特征。基于用户输入生成的特征向量包括描述用户输入的重要特性的信息,该信息由机器学习算法34基于用户输入和用户输入的编辑所关于的相关聚类ECG数据的特征集识别。例如,机器学习算法34可以是使最小二乘目标函数最小化以便近似用户输入的正则化线性反演模型。特征可采取许多形式,并且因此,特征向量35中包括的信息可基于由用户提供的信息的类型而很不同。
图3和图4描绘了根据本公开的处理ECG数据的方法100的实施方案。图3描绘了用于预处理ECG数据并基于患者的ECG数据来生成初始聚类ECG数据的方法步骤。图4描绘了用于基于用户输入来使用机器学习算法34修改并编辑聚类ECG数据以进行学习,并跨整个ECG数据集应用所学习的编辑的步骤。
在图3中,方法100包括首先在步骤102处基于ECG数据来训练神经网络(诸如在来自多个患者的ECG数据的大数据库上训练的卷积神经网络(CNN))以生成第一特征集。然后,存储在步骤104处生成的第一特征集并将其用于针对所有患者的ECG处理任务。在步骤106处,从患者记录ECG数据,诸如从动态心电图监视器或其他动态ECG监视器。然后,使用基于标准的算法或一组基于标准的算法来在步骤108处处理患者的ECG数据以生成第二特征集。然后,向聚类模块呈现第一特征集和第二特征集以及患者的原始ECG数据,该聚类模块基于第一特征集和第二特征集来在步骤110处对患者的ECG数据进行聚类。然后,在步骤112处,向用户呈现该初始聚类ECG数据。
在步骤120处,接收用户输入,诸如以修改聚类或标注簇中的一个或多个簇,如图4所示并在图5中进一步例示的。一旦提供待学习的用户输入,就基于用户输入来在步骤122处定义特征向量。然后,在步骤124处,跨患者的ECG数据的至少一部分应用特征向量以生成所修改的聚类ECG数据。根据特征向量和/或用户指令,将特征向量应用于患者的ECG数据可以是不同的。生成所修改的聚类ECG数据可包括例如基于由用户提供的标注输入来标注所有簇。作为另一个示例,生成所修改的簇可包括基于根据提供所修改的聚类标准的用户输入生成的特征向量,来对原始ECG数据的一些或全部进行重新聚类。然后,在步骤126处,向用户呈现所修改的聚类ECG数据。
图5描绘了示例性用户界面显示60和用户交互,该用户交互可由系统学习并跨患者的整个ECG数据集自动地应用,或者自动地应用于ECG数据集的一部分。示出如下解混示例,其中阈值70由用户经由用户界面输入,并且解混输入74用户输入被提供来指示将所描绘的簇68划分成两个子簇71和72。在所描绘的示例中,用户通过将光标放置在所选择的簇68中的图形表示的心跳波形的位置上来识别阈值70。在此,阈值70是在所识别的时间处的振幅阈值,其中振幅大于在所识别的时间70'’处的振幅阈值70'的所有心跳波形被划分成第一子簇71,并且振幅小于在时间70”处的振幅阈值70'的所有心跳波形被划分成第二子簇72。在其他实施方案中,阈值70可包括在特定振幅处的定时阈值,并且在特定簇中的心跳波形被相应地划分成子簇。
在用户已经指示系统基于用户输入的阈值70来进行学习的情况下,就基于ECG数据的至少两个子簇71和72来定义特征向量。即,将定义簇68的特征空间X划分成特征空间X1和特征空间X2。然后,可使用机器学习算法(诸如正则化线性反演机器学习算法)来对该动作进行编码。在这样的实施方案中,可根据以下生成特征向量:
w=argmin(|WX-X1|2+|WX-X2|2)
即,基于在特征空间X中的一组权重与在第一子簇71和第二子簇72中的每一者的特征空间中的权重之间的差值来取得最小值时的参数。因此,特征向量W标识用于对簇68进行解混或拆分的特征,并且相应地对特征空间进行重新加权。因此,该特征向量表征由用户以可应用于患者的聚类ECG数据38中的其他簇的一些或全部的方式提供的解混指令。另选地,可利用正则化或优化因子,以便使用最小样本来进行学习。在这样的实施方案中,可对动作编码,并且将特征向量生成为:
W=argmin(|WX-X1|2+|WX-X2|2+λI)
其中λ是正则化因子,并且I是相同矩阵。
一旦基于ECG数据的至少两个子簇来定义特征向量,就可利用特征向量,诸如以对ECG数据的一些或全部进行重新聚类。用户界面显示60可提供用户输入以控制特征向量的应用,以及控制特征向量的生成。例如,可定义特征向量,以便基于经由“学习”指令输入75的用户指令或使系统置于“自动学习”模式的用户指令(诸如在对话框76处表示)来学习用户输入的修改。即,在自动学习模式下,系统可基于用户输入来自动地进行学习。另选地,用户可在编辑输入或一系列编辑输入之后点击“学习”按钮75,以便指示系统基于此来生成特征向量。类似地,系统可被配置为接收指示基于所生成的特征向量来进行重新聚类的用户输入。在示例中,重新聚类按钮78使用户能够提供指示基于用户输入来将患者的ECG数据重新聚类以便生成所修改的聚类ECG数据的输入。附加地,“自动重新聚类”模式可以是可用的,其可经由对话框79激活,其中在生成特征向量时自动地将患者的ECG数据重新聚类。
用户输入显示60还被配置为使用户输入能够标注在簇中的一个或多个簇中的ECG数据。在示例中,可在对话框80处提供标注用户输入,诸如以将簇68(和/或簇71和72)中的ECG数据标注为正常“N”或异常“A”。在某些实施方案中,可使用其他标注输入,诸如指示与在相关簇中的ECG心跳波形相关联的一个或多个诊断或基于该ECG心跳波形来指示该一个或多个诊断的诊断标签。然后,将所输入的标签与在簇68和/或子簇71和72中的波形相关联,并且生成基于相关聚类数据的特征空间X来表征标注输入的特征向量。在某些实施方案中,用户界面显示60可被配置为促进用户输入以跨所有簇自动地应用用户输入的标签的特征向量,这在所描绘的示例中是“自动标注”按钮81。将基于用户输入的标签的特征向量来分析在聚类ECG数据38(或重新聚类的ECG数据,如果适用)中的簇中的每个簇并评价簇是否应当被标注为正常。
该书面描述使用示例来公开本发明,包括最佳模式,并且还使得本领域技术人员能够执行和使用本发明。为了简洁、清楚和易于理解而使用了某些术语。除了现有技术的要求之外,不应从中推断出不必要的限制,因为此类术语仅用于描述目的并且旨在被广义地理解。本发明的专利范围由权利要求书限定,并且可包括本领域技术人员想到的其他示例。如果这些其他示例具有与权利要求书的字面语言没有不同的特征或结构元件,或者如果它们包括与权利要求书的字面语言无实质差别的等效特征或结构元件,则这些其他示例旨在在权利要求书的范围内。
Claims (20)
1.一种处理ECG数据的方法,所述方法包括:
用受训练的神经网络使用ECG数据来生成第一特征集;
使用基于标准的算法处理患者的ECG数据来生成第二特征集;
基于所述第一特征集和所述第二特征集来将所述患者的ECG数据聚类到多个簇中以生成聚类ECG数据;
经由用户界面向用户呈现所述聚类ECG数据;
关于所述聚类ECG数据经由所述用户界面接收用户输入;
基于所述用户输入来定义特征向量;
将所述特征向量应用于所述患者的ECG数据的至少一部分以生成所修改的聚类ECG数据;以及
经由所述用户界面向所述用户呈现所修改的聚类ECG数据。
2.根据权利要求1所述的方法,其中使用正则化线性反演机器学习算法来定义所述特征向量。
3.根据权利要求1所述的方法,其中所述患者的ECG数据是动态ECG数据。
4.根据权利要求3所述的方法,其中所述基于标准的算法包括用于处理来自动态心电图监视器的ECG数据的至少一个算法。
5.根据权利要求4所述的方法,其中所述基于标准的算法包括用于处理来自所述动态心电图监视器的所述ECG数据的至少一个波形形状分类算法。
6.根据权利要求3所述的方法,其中所述受训练的神经网络是使用多个患者的静息ECG数据训练的卷积神经网络。
7.根据权利要求1所述的方法,其中所述多个簇是预先确定的数量的簇。
8.根据权利要求1所述的方法,其中基于所述第一特征集和所述第二特征集来将所述患者的ECG数据聚类到所述多个簇中包括基于描述波形形状、波形振幅和/或波形定时的特征来进行聚类。
9.根据权利要求1所述的方法,其中所述用户输入指示振幅阈值和定时阈值中的至少一者。
10.根据权利要求9所述的方法,所述方法还包括基于所述振幅阈值和/或所述定时阈值,将所述多个簇中的至少一个簇中的所述ECG数据划分成至少两个子簇,其中基于所述第一特征集和所述第二特征集中的每一者中的、与所述至少两个ECG数据子簇相关联的特征来定义所述特征向量。
11.根据权利要求10所述的方法,其中基于与所述两个子簇中的ECG数据相关联的所述特征的比较来定义所述特征向量。
12.根据权利要求10所述的方法,其中使用正则化线性反演机器学习算法基于与所述两个子簇相关联的所述特征来定义所述特征向量。
13.根据权利要求10所述的方法,其中生成所修改的聚类数据包括基于所述特征向量来将所述患者的ECG数据的至少一部分重新聚类。
14.根据权利要求1所述的方法,其中所述用户输入指示所述多个簇中的至少一个簇中的所述ECG数据的标签。
15.一种用于处理ECG数据的系统,所述系统包括:
受训练的神经网络,所述受训练的神经网络被配置为基于ECG数据来生成第一特征集;
基于标准的特征模块,所述基于标准的特征模块被配置为使用基于标准的算法处理患者的ECG数据来生成第二特征集;
用户引导的聚类模块,所述用户引导的聚类模块被配置为:
基于所述第一特征集和所述第二特征集来将所述患者的ECG数据聚类到多个簇中以生成聚类ECG数据;
向用户呈现所述聚类ECG数据;
关于所述聚类ECG数据从所述用户接收用户输入;
基于所述用户输入来定义特征向量;以及
将所述特征向量应用于所述患者的ECG数据的至少一部分以生成所修改的聚类ECG数据。
16.根据权利要求15所述的系统,其中用户引导的聚类模块被配置为使用正则化线性反演机器学习算法来定义所述特征向量。
17.根据权利要求15所述的系统,其中所述多个簇是预先确定的数量的簇。
18.根据权利要求15所述的系统,其中用户引导的聚类模块被配置为基于所述第一特征集和所述第二特征集来执行将所述患者的ECG数据的k均值聚类到所述多个簇中。
19.根据权利要求15所述的系统,其中所述用户输入指示振幅阈值、定时阈值和所述多个簇中的至少一个簇中的所述患者的ECG数据的标签中的至少一者。
20.根据权利要求15所述的系统,其中所述患者的ECG数据是动态ECG数据,并且其中所述受训练的神经网络是使用包括多个患者的静息ECG数据的ECG数据库训练的卷积神经网络。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/834,785 | 2020-03-30 | ||
US16/834,785 US20210298626A1 (en) | 2020-03-30 | 2020-03-30 | Method and system for processing ecg data |
PCT/US2021/023080 WO2021202120A1 (en) | 2020-03-30 | 2021-03-19 | Method and system for processing ecg data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115802946A true CN115802946A (zh) | 2023-03-14 |
Family
ID=75478239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180032033.2A Pending CN115802946A (zh) | 2020-03-30 | 2021-03-19 | 用于处理ecg数据的方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210298626A1 (zh) |
EP (1) | EP4125594A1 (zh) |
CN (1) | CN115802946A (zh) |
WO (1) | WO2021202120A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9788796B2 (en) * | 2015-10-16 | 2017-10-17 | General Electric Company | System and method of adaptive interpretation of ECG waveforms |
PT3367897T (pt) * | 2015-10-27 | 2021-05-25 | Cardiologs Tech | Processo automático para traçar ou categorizar um eletrocardiograma |
JP2022550705A (ja) * | 2019-09-18 | 2022-12-05 | テンパス・ラボズ・インコーポレイテッド | Ecgベースの将来の心房細動予測システムおよび方法 |
-
2020
- 2020-03-30 US US16/834,785 patent/US20210298626A1/en not_active Abandoned
-
2021
- 2021-03-19 CN CN202180032033.2A patent/CN115802946A/zh active Pending
- 2021-03-19 EP EP21718352.4A patent/EP4125594A1/en active Pending
- 2021-03-19 WO PCT/US2021/023080 patent/WO2021202120A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2021202120A1 (en) | 2021-10-07 |
EP4125594A1 (en) | 2023-02-08 |
US20210298626A1 (en) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11147500B2 (en) | Electrocardiogram processing system for delineation and classification | |
JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
US10602942B2 (en) | Method of detecting abnormalities in ECG signals | |
De Chazal et al. | A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features | |
CN110890155A (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
EP3251594A1 (en) | Method for the detecting electrocardiogram anomalies and corresponding system | |
Klug et al. | The BeMoBIL Pipeline for automated analyses of multimodal mobile brain and body imaging data | |
US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
KR102387703B1 (ko) | 심전도 판독을 수정하기 위한 방법 및 장치 | |
Kanna et al. | Automated defective ECG signal detection using MATLAB applications | |
US20210298626A1 (en) | Method and system for processing ecg data | |
Bonet-Luz et al. | Symmetric Projection Attractor Reconstruction analysis of murine electrocardiograms: retrospective prediction of Scn5a+/-genetic mutation attributable to Brugada syndrome | |
Hori et al. | Arrhythmia detection based on patient-specific normal ECGs using deep learning | |
Shaik et al. | Arrhythmia Detection Using ECG-Based Classification with Prioritized Feature Subset Vector-Associated Generative Adversarial Network | |
JP7254399B1 (ja) | プログラム、出力装置及びデータ処理方法 | |
Ern et al. | Classification of arrhythmia signals using hybrid convolutional neural network (cnn) model | |
Merdjanovska et al. | Patient-specific heartbeat classification in single-lead ECG using convolutional neural network | |
Kumar et al. | ECG Based Arrhythmia Detection Using CNN | |
Banjarnahor et al. | Application of Decision Tree Method in ECG Signal Classification For Heart Disorder Detection | |
Wong et al. | Comparative Study of Neural Network-based Methods in Classification of ECG | |
Hussain Khan | A Review on Bio-Medical Signal Processing Using Machine Learning Techniques | |
Hosseinpoor | Intelligent Diagnosis of Heart Diseases Based on Electrocardiographic Signal | |
EP3920789A1 (en) | Electrocardiogram processing system for delineation and classification |
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 |