CN116194044A - 用于分析心律的方法和系统 - Google Patents
用于分析心律的方法和系统 Download PDFInfo
- Publication number
- CN116194044A CN116194044A CN202180060992.5A CN202180060992A CN116194044A CN 116194044 A CN116194044 A CN 116194044A CN 202180060992 A CN202180060992 A CN 202180060992A CN 116194044 A CN116194044 A CN 116194044A
- Authority
- CN
- China
- Prior art keywords
- segment
- sub
- segments
- waves
- feature
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
- A61B5/347—Detecting the frequency distribution of signals
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种用于分析先前从心脏设备获得的心电图分段的方法(100)和系统。
Description
技术领域
本发明属于电生理信号分析领域。特别地,本发明涉及一种用于分析从心脏监测设备获取的心电图片段的系统和方法,以便区分包括异常心律的真阳性片段和包括正常心律的假阳性片段。
背景技术
心电图(ECG或EKG)记录来自心脏的电信号。ECG信号的波形用字母表示。
插入式或植入式心脏监测器是一种小型心脏监测设备,其在很长的时间段(例如长达数年)内连续测量ECG信号。这些插入式或植入式心脏监测器中的一些还被配置为连续分析所测量的ECG信号并识别异常心律(也称为片段),并且仅记录所述片段。插入式或植入式心脏监测器将所记录的片段(即测量的ECG信号的分段)无线传输到互联网连接的发射器或例如手机的其他连接的设备,手机通过互联网将ECG信号传输给医护专业人员。然后,这些医护专业人员能够使用软件平台查看或打印ECG信号,以基于他们的培训和经验做出主观判断,从而识别心脏病片段。除了自动传输片段之外,插入式或植入式心脏监测器被编程为向医护专业人员传输警报(以及潜在的异常ECG信号)。
用于查看从插入式或植入式心脏监测器接收的ECG信号的常规平台有许多缺点。首先,插入式或植入式心脏监测器非常灵敏并且被设计为对于所有异常心律片段发出警报。因此,插入式或植入式心脏监测器输出大量假阳性警报。要求医生审查和评估假阳性警报会给医生带来不必要的负担、增加医疗保健系统的成本,并可能给被监测的个别患者带来额外的压力。
其次,来自领先制造商的插入式或植入式心脏监测器都将数据输出到他们自己的设备专用平台。因此,使用来自不同制造商的插入式或植入式心脏监测器治疗患者的医护专业人员必须学习和使用许多不同的平台。
最后,常规平台未被配置为允许对ECG信号进行软件分析。相反,常规平台通常将信息输出到电子医疗记录系统和报告,供医生查看和评估。然后期望医生根据他们的培训和经验做出主观判断。
发明内容
因此,本发明涉及一种用于分析先前从心脏连接设备获得的心电图片段的计算机实现的方法,以便区分包括异常心律的真阳性片段和包括正常心律的假阳性片段;所述方法包括:
-接收片段,每个片段包括心电图信号的至少一个分段;
-对于一个片段中的每个分段:
o使用至少一种算法识别分段中的R波,并且使用所述R波以用于计算所述分段的至少一个特征;
o将所述分段分割成至少一个子分段或至少两个重叠的子分段;
o对于每个子分段:
·使用在所述子分段中的所识别的R波以用于计算子分段的至少一个特征;
·将所述子分段的至少一个特征和所述分段的至少一个特征作为输入提供给机器学习算法,并获得得分作为输出,机器学习算法被配置为输出所述得分;
-使用针对一个片段中的每个子分段所获得的得分来对所述片段进行分类,以便区分真阳性片段和假阳性片段;
-输出所述真阳性片段。
有利的是,本方法允许减少由医疗提供者审查的假阳性片段的数量。事实上,作为分段的特征获得的片段的全局信息与作为子分段的特征获得的更多局部信息的组合提高了抑制假阳性片段的效率。
本方法可以为所有分析的片段输出它们的类别:真阳性或假阳性。此外,机器学习算法可以被配置为将异常心律分类为与特定病状相关联的不同类别。
根据一个实施例,所述得分是得分向量并且针对一个片段中的每个子分段所获得的得分向量被用于对片段进行分类以便区分真阳性片段和假阳性片段。有利的是,关于异常心律的类别的信息然后可以对于每个子分段被提供到得分向量中并且用于对于真阳性片段判断其中是否存在的异常心律。这为用户提供了更多有用的信息。
根据一个实施例,本方法包括将真阳性片段提供给远程监测平台,以增加远程监测平台本身的可用信息,并最终使本方法的输出通过所述平台提供给医疗提供者。术语“远程”指的是监测平台不在携带心脏连接设备的对象附近。
根据一个实施例,对于一个片段中的每个分段,所计算的分段的至少一个特征是以下中的至少一个:形态特征和/或节奏特征。针对分段有利地提取形态特征,因为它们提供了沿整个分段的P波和QRS复合波的形态分析,并且能够捕获作为很长的片段的特征的不规则性(例如,最为显著的AT/AF和室性心动过速)。针对分段有利地提取节奏特征,因为它们提供对R峰的统计分析,并捕获R峰间隔的模式。这种模式对于区分长期异常(AT/AF或伴有室性早搏/房性早搏的正常节奏)非常有用。
根据一个实施例,对于每个子分段,待计算的子分段的特征是以下中的至少一个:节奏特征、变化特征、神经网络特征和/或光谱特征。有利的是,仅针对子分段提取变化特征,因为分析信号在不同时间范围内的变化允许量化信号量,这能够用心脏起源或非心脏起源(伪影)来解释。针对子分段获得的光谱特征是特别有利的,因为来自心脏信号的频率分析的结果表征了信号的规律性,并且能够区分低频规律信号(正常节奏)、低频不规律信号(各种异常)和高频信号(伪影)。
本发明还涉及一种用于分析先前从心脏设备获得的心电图片段的系统,以便区分包括异常心律的真阳性片段和包括正常心律的假阳性片段,所述系统包括:
-适用于接收片段的至少一个输入端,每个片段包括心电图信号的至少一个分段;
-至少一个处理器被配置为:
对于一个片段中的每个分段:
●使用至少一种算法识别分段中的R波并使用所述R波以用于计算所述分段的至少一个特征;
●将所述分段分割成至少两个重叠的子分段;
●对于每个子分段:
o使用包含在子分段中的所识别的R波以用于计算子分段的至少一个特征;
o将所述子分段的所述至少一种特征和所述分段的所述至少一种特征作为输入提供给机器学习算法,其中,所述机器学习算法被配置为输出得分向量;
-使用针对一个片段中的每个子分段所获得的得分向量来对片段进行分类,以便区分真阳性片段和假阳性片段;
-适合于提供真阳性分段的至少一个输出。
根据一个实施例,对于一个片段中的每个分段,所述分段的至少一个特征是以下中的至少一个:形态特征和/或节奏特征。
根据一个实施例,对于每个子分段,子分段的计算特征是以下中的至少一个:节奏特征、变化特征和/或光谱特征。
根据一个实施例,形态特征是基于ECG信号的形状所计算的统计数据,而节奏特征是基于R波之间的时间段所计算的统计数据。这些统计数据可以直接根据特定函数(例如,最小值、最大值、中值、标准差或更复杂的函数)计算得出。然而,这里的统计数据也指的是一些分类特征(例如:p波的类型,其能够是正的、负的或未知的),这些分类特征是根据先前的统计数据计算出来的。
根据一个实施例,处理器还被配置为将片段的每个子分段输入到神经网络中,并且提取子分段的至少一个神经网络特征作为神经网络的输出。所述神经网络特征是作为输入提供给机器学习算法的子分段的特征之一。在该实施例中,对于每个子分段,所计算的子分段的特征是以下中的至少一个:节奏特征、变化特征、神经网络特征和/或光谱特征。
根据一个实施例,神经网络是卷积神经网络。
根据一个实施例,所述神经网络以下中的至少一个:卷积神经网络、深度信念神经网络和递归神经网络或其组合。卷积神经网络的使用允许在信号的各个周期中检索有趣的模式。另一方面,递归神经网络允许检索有关信号整体进展的信息,而深度信念网络有利于使用非标记数据训练集进行训练。
根据一个实施例,作为神经网络的补充或替代方案,处理器还被配置为通过将片段的每个子分段输入到转换器(transformer)中并提取至少一个转换器特征作为转换器的输出来计算子分段的至少一个特征。转换器是一种深度学习模型,它采用注意力机制,权衡输入数据的不同部分的影响。有利的是,转换器允许获得信号之间的长交互并且将一个片段的相隔很远的子分段关联起来。
根据一个实施例,用于识别R波的至少一种算法选自以下列表:XQRS检测算法、平稳小波变换过程和/或基于优化知识的(OKB)检测算法。
根据一个实施例,处理器被配置为使用至少两种算法识别分段中的R波,并使用被配置为组合根据所述至少两种算法获得的R波的组合算法,以获得校正的R波。
根据一个实施例,使用至少两种算法识别片段中的R波并且使用从所述至少两种算法中的每一个获得的R波以用于计算分段和子分段的至少一个节奏特征。值得注意的是,分段和子分段的所述至少一个节奏特征是使用从组合算法获得的校正的R波来计算的。有利的是,该实施例允许减少R波位置的估计误差并且因此获得对分段和子分段的特征的更准确的评估。
根据一个实施例,机器学习算法在包括多个带注释片段的数据集上进行训练,其中该数据集包括代表异常心律的片段。
根据一个实施例,带注释片段的数据集包括与心搏停止、心动过缓、心房颤动、房性心动过速、室性心动过速、其他异常和/或伪影相关联的片段。
根据一个实施例,机器学习算法是XGBoost算法。
根据一个实施例,输入端还被配置为从来自多个制造商的多个心脏设备接收片段。
根据一个实施例,处理器还被配置为归一化从多个心脏设备接收的片段。
根据一个实施例,所述系统包含在远程监测平台中。
本发明还涉及一种包括指令的非暂时性计算机可读存储介质,当所述指令由计算机执行时,使计算机执行根据上述实施例中的任一个所述的方法的步骤。
本发明还涉及一种包括指令的计算机程序,当所述程序由计算机执行时,使计算机执行根据上述实施例中的任一项所述的方法中的任一项的用于分析先前从心脏连接设备获得的心电图片段的方法。
本发明涉及一种用于识别异常心律的计算机实现方法,所述方法包括:
-从心脏设备接收心电图(ECG)信号,所述ECG信号包括一系列R波;
-识别ECG信号中的R波;
-计算ECG信号的形态特征;
-计算ECG信号的节奏特征;
-将ECG信号分割成一系列重叠的分段;
-计算每个分段的变化特征;
-计算每个分段的节奏特征;
-计算每个分段的光谱特征;
-在包含指示异常心律的ECG分段的带注释ECG分段的数据集上训练机器学习算法;
-基于分段的变化特征、分段的节奏特征、分段的光谱特征、ECG信号的形态特征、ECG信号的节奏特征,通过机器算法来对每个分段进行分类;和
-基于分段的分类来对ECG信号进行分类。
根据一个实施例,ECG信号的形态特征是基于ECG信号的形状所计算的统计数据。
根据一个实施例,节奏特征是基于波之间的时间段所计算的统计数据。
根据一个实施例,使用多种方法来识别ECG信号中的R波,对于所述多种方法中的每一种方法计算ECG信号的节奏特征,并且对于所述方法中的每一种方法识别每个分段的节奏特征。
根据一个实施例,所述多种方法包括XQRS检测方法、平稳小波变换过程或基于优化知识的(OKB)检测方法。
根据一个实施例,带注释的ECG分段的数据集包括指示心搏停止、心动过缓、心房颤动或房性心动过速、室性心动过速或心室颤动或伪影的ECG分段。
根据一个实施例,机器学习算法是XGBoost算法。
根据一个实施例,所述方法还包括从来自多个制造商的多个心脏设备接收ECG信号。
根据一个实施例,所述方法还包括对从所述多个心脏设备接收的ECG信号进行归一化。
根据一个实施例,所述方法还包括提供平台以查看接收到的ECG信号和接收到的ECG信号的分类。
定义
在本发明中,下列术语具有以下含义:
-“片段(Episode)”:指具有有限持续时间的心电图信号的一部分,所述有限持续时间被心脏设备的制造商识别和记录,用于测量心电图信号本身。实际上,制造商可以实现一种识别方法,所述识别方法被配置为对所测量的心电图信号进行初步分析,以便在所测量的信号中识别出与心脏异常节奏相关联的心电图信号的一部分,然后将其记录下来。如果患者触发记录,则心电图信号的一部分也可以被记录。除了心电图信号的一部分之外,片段还包括记录日期(日期和时间)和记录类型(即,患者或识别方法或触发片段)。从心脏设备记录的片段本质上取决于心脏设备本身(即,获取的信号质量)和制造商的识别方法(即,区分的准确性),因此同一制造商的设备之间和不同的制造商的不同设备之间可能不同。
-“心脏(连接)设备”是指被配置为测量心电图信号并对ECG信号执行至少一次初步分析以便根据识别方法检测片段并将所述片段传输到外部接收器的设备。所述设备可以是例如植入式循环记录器、移动心脏遥测、插入式心脏监测器、起搏器、植入型心律转复除颤器(ICD)、心脏再同步治疗(CRT)设备等。
-“异常心律”是指能够在心脏信号上识别的任何生理异常。例如,在本发明中,可以识别但不限于以下异常:“窦房传导阻滞、麻痹或停搏”、“心房颤动”、“心房颤动或扑动”、“心房扑动”、“心房心动过速”、“交界性心动过速”、“室上性心动过速”、“窦性心动过速”、“室性心动过速”、“起搏器”、“室性早搏”、“房性早搏”、“一度房室传导阻滞(AVB)”、“2度AVBMobitz I”、“2度AVB Mobitz II”、“3度AVB”、“预激综合征”、“左束支传导阻滞”、“右束支传导阻滞”、“室内传导延迟”、“左心室肥大”、“右心室肥大”、“急性心肌梗塞”、“陈旧性心肌梗塞”、“缺血”、“高钾血症”、“低钾血症”、“Brugada综合征”、“长QTc综合征”等。
-术语“处理器”不应被解释为仅限于能够执行软件的硬件,而是泛指处理设备,该处理设备能够例如包括计算机、微处理器、集成电路或可编程逻辑设备(PLD)。处理器还可以包含一个或更多个图形处理单元(GPU),无论是用于计算机图形和图像处理还是其他功能。此外,能够执行相关联和/或结果功能的指令和/或数据可以存储在任何处理器可读介质上,例如集成电路、硬盘、CD(压缩盘)、光盘等,例如DVD(数字通用光盘)、RAM(随机存取存储器)或ROM(只读存储器)。指令可以尤其存储在硬件、软件、固件或其任意组合中。
-“机器学习算法(ML)”指的是传统意义上的通过经验自动改进的计算机算法,其基于训练数据,能够通过减少从训练数据中提取的预期输出与计算机模型计算的评估输出之间的差距来调整计算机模型的参数。
-“数据集”是指用于构建ML数学模型的数据集合,以便进行数据驱动的预测或决策。在监督学习中(即,从已知输入-输出示例中以标记的训练数据的形式推断函数),三种类型的ML数据集(也称为ML集)通常专门用于三种不同类型的任务:训练,即拟合参数;验证,即调整ML超参数(用于控制学习过程的参数);以及测试,即独立于用于构建数学模型的训练数据集进行检查,后者模型提供令人满意的结果。
-“神经网络或人工神经网络(ANN)”是指一类ML,其包括节点(称为神经元),以及神经元之间通过权重建模的连接。对于每个神经元,输出通过激活函数由输入或一组输入的函数给出。神经元通常被组织成多层,使得一层神经元仅连接到紧邻的前一层神经元和紧邻的后一层的神经元。
-“QRS”或“QRS复合波”是指心电图描记中代表心脏心室活动的偏转。QRS复合波一般包括快速连续出现的Q波、R波和S波。
-“假阳性”指的是二元分类中的错误,当并不存在节奏异常时,测试结果却错误地表明一个片段中存在诸如异常节奏的情况,而“假阴性”则是相反的错误:当情况存在时,测试结果却错误地未能指示情况的存在。这些是二元测试中的两种错误,与所述两种正确结果“真阳性”和“真阴性”形成对比。
-“远程监测平台”指的是用于数据管理的任何系统,其被配置为接收和存储和/或分析从对应于至少一名患者的至少一台心脏设备接收的数据。在示例中,所述平台通常可以从患者的一个或更多个心脏设备接收数据以管理这些患者的护理,其包括从此类设备接收数据、报告和信息以使医疗提供者能够查看、记录、报告患者的健康状况。此类数据可以通过许多来源(包括相应的设备、设备编程器、来自患者或制造商的报告,或者来自从设备接收数据的第三方实体)在远程监测平台处接收。在该示例中,远程监测平台还可以提供一个或更多个接口,医疗提供者或平台的其他用户可以通过所述接口管理设备数据的接收。
具体实施方式
当结合附图阅读时将更好地理解以下详细描述。为了说明的目的,在优选实施例中示出了用于分析心电图片段的计算机实现的方法和系统。然而,应当理解,本发明不限于所示的精确布置、结构、特征、实施例和方面。附图不是按比例绘制的并且不旨在将权利要求的范围限制为所描述的实施例。因此,应当理解,在所附权利要求中提到的特征后面跟着附图标记的情况下,包含这些标记仅仅是为了增强权利要求的可理解性,而不以任何方式限制权利要求的范围。
本发明的特征和优点将从系统的实施例的以下描述中变得显而易见,该描述仅通过示例并参考附图给出,其中:
图1示出了根据实施例所述的本方法的主要步骤的流程图。
图2示出了根据实施例所述的本方法的主要步骤的流程图。
图3示出了系统执行的连续步骤的流程图,用于分析先前从图1的心脏设备获得的心电图片段。
虽然已经描述和图示了各种实施例,但是详细描述不应被解释为限于此。在不脱离由权利要求限定的本公开的真实范围的情况下,本领域技术人员可以对实施例进行各种修改。
为了克服常规心脏监测平台的这些缺点以及其他缺点,提供了一种设备诊断平台,该平台接收来自任何制造商生产的任何心脏设备(例如,植入式环路记录器、起搏器、除颤器等)的ECG信号并对其进行归一化。因此,为医护专业人员提供了单一的平台来监测他们所有的心脏植入患者。
当观察到的心律异常持续时间很短时(例如,当检测异常的标准仅在一个点有效时),作为片段的心电图信号的部分可能是几秒至15分钟的一个分段。然而,一些观察到的异常可能持续时间相对较长,并且在出现期间不会出现任何显著变化。在这些情况下,识别这些异常心律之一的心脏设备可以被配置为记录对应于异常心律开始的第一段ECG和覆盖异常心律结束的第二段ECG作为片段。整个片段的记录应该会占用太多内存空间。根据制造设计,心脏设备也可以为一个片段记录两个以上的分段。
所公开的计算机实现的方法和系统还包括机器学习算法,所述机器学习算法审查从心脏设备接收的片段并识别真正的异常心律和真正的正常心律,从而消除医生手动审查由心脏设备输出的假阳性警报的需要。机器学习算法使用基于规则的进程来审查从心脏设备接收到的片段,这进程先前需要医生主观地审查大量片段。下面描述识别异常心律的示例性方法,以便区分包括异常心律的真阳性片段和包括正常心律的假阳性片段。
所记录的片段是从心脏设备(例如,插入式或植入式心脏监测器)接收的。所述记录的片段可能先前已经从心脏设备传输到被配置为将片段存储在医学数据库中的接收设备。因此所述方法能够接收存储在医学数据库中的片段。
从心脏设备接收的ECG分段(本文称为“片段”)的长度通常在大约9秒至大约5分钟之间。
如图1所示,方法100包括第一步骤101,其中,在一个片段的每个分段中识别R波。根据一个实施例,分段中的R波是使用至少一种算法来识别的。用于识别R波的至少一种算法可以选自以下列表:XQRS检测算法、平稳小波变换过程和/或基于优化知识的(OKB)检测算法。
在XQRS检测算法中,ECG分段在5至20Hz之间进行带通滤波,以获得滤波后的ECG分段。将带有雷克(ricker)小波的移动波积分(MWI)应用于过滤后的ECG段,并保存积分信号的平方。进行校准以初始化噪声的运行参数和QRS振幅、QRS检测阈值和最近的RR间隔。如果校准失败,则使用默认参数。对于MWI信号的每个局部最大值,XQRS检测方法判断局部最大值是否为QRS复合波。要分类为QRS,局部最大值必须在不应期之后,超过QRS检测阈值,并且如果局部最大值足够接近先前的QRS,还不能被分类为T波。如果分类成功,则更新运行检测阈值和心率参数。如果未被分类为QRS,则将局部最大值分类为噪声峰并更新运行参数。QRS复合波的局部最大值对应于QRS复合波中R波的峰值位置(即R峰值)。对于所检测到的每个新QRS,通过计算每个连续R峰之间的时间差来计算RR间隔列表。达到新的局部最大值后,XQRS计算该局部最大值与最后识别的R峰之间的持续时间。如果此持续时间低于最近RR间隔(计算为最后识别的R峰与之前的R峰之间的持续时间)的1.66倍,则执行是否将此局部最大值分类为QRS。如果在最近的RR间隔的1.66倍内未检测到QRS。如果没有,则在对局部最大值进行分类之前,使用较低的QRS检测阈值对先前的峰值执行反向搜索QRS检测。
在平稳小波变换过程中,计算ECG分段的2阶小波变换,基于小波变换的平均值和标准差,将阈值应用于小波变换的第2级细节系数,在固定长度的窗口没有重叠的情况下,该过程在阈值系数上迭代。在阈值系数不是常数零的情况下,将一个QRS复合波放置在每个窗口的最大系数上,合并最大允许RR间隔范围内的每个QRS复合波,并校正每个QRS复合波的位置以在计算2阶小波变换之前将其放置到ECG段的局部最大值处。正如前一算法,知道QRS复合波的正确位置可以确定相应R峰的位置。
在OKB检测方法中,使用三阶Butter带通滤波器对ECG分段进行带通滤波,对滤波后的信号进行平方,计算平方信号的QRS移动平均值和节拍(beat)移动平均值(窗口分别为QRS的长度和节拍的长度),使用节拍移动平均值作为阈值以生成QRS移动平均值的感兴趣的块,并且对于每个感兴趣的块,QRS复合波被放置在所述块上的原始ECG分段的局部最大值上。正如前一算法,知道QRS复合波的正确位置可以确定相应R峰的位置。
从三种算法中的每一种所获得的R峰可用于计算每个ECG分段中的RR间隔。
根据一个实施例,片段中的R波是使用上文列出的算法中的至少两种来识别的。
替代地,可以使用发明人开发的新颖组合算法来识别R波,所述组合算法采用XQRS检测算法、平稳小波变换过程和基于优化知识的(OKB)检测算法。
在该实施例中,通过上述三种方法识别的R峰被重新定位在局部极值上。在所述3种算法中的至少2种算法中检测到的R峰被用于该实施例。创建长RR间隔列表,这些间隔至少比中值RR间隔长x倍(其中x是根据经验确定的浮点数)。对于列表中的每个长RR间隔推断假定的补充R峰的位置(通过将它们放在距前一个R峰的中值RR距离处)。对于每个新的假定R峰计算这些假定R峰区域中的平均梯度(分别为振幅)与周围区域的平均梯度(分别为振幅)之间的比率。当带比率的R峰大于根据经验定义的阈值时,将其保留。使用自适应中值间隔(基于RR间隔的移动中值)重复最后4个步骤。在每次迭代中,当前结果与前一个结果重新组合。然后,基于新的R峰值位置(旧估计加上新估计)计算中值RR间隔,并重复所述过程。在以前的方法错过多个R峰的间隙的情况下,此迭代改进了RR峰的检测。重复执行直到停止添加新的R峰。有利的是,该实施例允许更准确地重新定位R峰,这提高了本方法的区分能力。
R波的峰值位置可用于计算一个片段的每个分段的至少一个特征(所述方法的步骤102)。
根据一个实施例,对于每个片段的每一分段,计算至少一个形态特征和/或至少一个节奏特征。形态特征可以是基于ECG信号的形状所计算的统计数据。节奏特征可以是基于波之间的时间段(例如,每个R峰之间的时间段)所计算的统计数据。聚类是节奏特征的一个示例。
形态特征可以包括QRS特征和P波特征。为了确定QRS特征,对于每个R峰提取QRS节奏(基于2个预定义的延迟,一个在R峰之前,一个在R峰之后),计算中值QRS节奏,为每个QRS节奏分配其到中值QRS的平均距离和最大距离,选择平均距离和最大距离小于预定义阈值的QRS节奏,对于每个代表性QRS节奏,定义QRS峰值的开始和结束(基于局部极值分析),以及识别以下特征:QRS峰宽的中值、QR延迟的中值、RS延迟的中值、QR延迟的中值、QS延迟的标准差和QS延迟的最大值。
为了确定P波特征,识别定义最具代表性的QRS复合波的R峰,对于每个R峰,提取大约为PR节奏的节奏(基于R峰的2个延迟),计算所有PR节奏的中值信号,P波(假定为最大幅度的峰值)位于中值信号上,识别该波的突出和区域,以及识别中值信号和所有PR节奏之间的平均距离。P波(假定为最大幅度的峰值)也位于所有PR节奏上,并且识别PR延迟的标准差。
可以使用用上述四种节奏提取算法(XQRS检测算法、平稳小波变换过程、OKB检测算法和发明人开发的组合算法)中的每一种所检测到的R峰来计算针对每个分段的节奏特征。对于每种算法,可以针对在每个分段中检测到的每组R峰计算以下特征:RR间隔持续时间的平均值、中值、最小值、最大值和标准差;RR间隔持续时间的绝对变化的平均值、中值和标准差;以及使用长度为2的向量和切比雪夫距离计算RR间隔持续时间的样本熵。
对于所述四种节奏提取算法中的每一种,可以将R峰位置阵列变换成3维向量。第一维是从第一个R峰到倒数第二个R峰的RR间隔,第二维是从第二个R峰到最后一个R峰的RR间隔,而第三维是第一个峰位置到倒数第三个R峰值位置,由规范因素调整。这些3维向量通过聚类算法(例如DBScan算法)分组到簇中。对于所述聚类,可以使用不同的算法,例如:DBScan、K-Means、MeanShift、谱聚类(Spectral Clustering)、Birch或Ward。簇分为规则簇和不规则簇,规则簇的前两个维度很接近(即,时间n和n-1的RR间隔很近),不规则簇很远。基于RR间隔和聚类,计算多个统计数据,包括:已识别的簇的数量、聚类的得分、未分类节奏(未落入任何簇)在所有节奏中的比例、规则簇中的节奏在所有节奏中的比例、规则簇中节奏变化的标准差、规则簇中节奏的前两个维度之间差异的平均值和标准差、最快簇和最慢簇的平均周期之间的比率,以及这些簇之间的时间重叠。
在一个实施例中,除了至少一个节奏特征、变化特征和/或光谱特征之外,对于每个片段的每个子分段还计算至少一个转换器特征。片段的每个子分段可以作为输入提供给转换器,以便提取至少一个转换器特征作为转换器的输出。
在一个实施例中,除了至少一个节奏特征、变化特征和/或光谱特征之外,对于每个片段的每个子分段还计算至少一个神经网络特征。片段的每个子分段可以作为输入提供给神经网络,以便提取至少一个神经网络特征作为神经网络的输出。有利的是,神经网络用于识别在文献中未记载的信号模式。
在有利的实施例中,使用未注释的ECG数据将神经网络联合训练到XGBoost,以利用在更大的ECG数据集中可识别的模式,从而提高性能。
在一个实施例中,神经网络是卷积神经网络、深度信念神经网络、递归神经网络或组合至少两个所引用神经网络的架构。
所述神经网络可以是卷积神经网络。卷积神经网络是一种利用ECG数据连续性的神经网络。可以在XGBoost训练集的子集上训练和验证卷积神经网络。在一个有利的实施例中,使用未注释的ECG数据将卷积神经网络联合训练到XGBoost,以利用在更大的ECG数据集中可识别的模式,从而提高性能。
在一个实施例中,处理器还被配置为将片段的每个分段输入到神经网络中并且提取所述分段的至少一个神经网络特征作为神经网络的输出。在该实施例中,对于每个分段,所述分段的计算特征是以下中的至少一个:节奏特征、形态特征和/或神经网络特征。
每个片段中的每个分段可以被分割成相等持续时间的至少两个子分段。对于该步骤103,所述方法使用滑动窗口来识别固定持续时间的重叠子分段。例如,每个分段可以被分成10秒的子分段,每个子分段开始间隔1秒。
所述方法还可以包括使用在所述子分段中的所识别的R波以用于计算每个子分段的至少一个特征的步骤104。
值得注意的是,可以为每个子分段计算变化特征、节奏特征、神经网络特征和光谱特征。变化特征可以是信号的滚动差异的分位数,其可以用不同持续时间的窗口来计算。可为上述四个RR间期阵列中的每一个计算的节奏特征可以包括RR间期持续时间的平均值、中值、最小值、最大值和标准差;RR间隔持续时间的绝对变化的平均值、中值和标准差;和RR间隔持续时间的样本熵(使用长度为2的向量和切比雪夫距离)。光谱特征可以是基于由带通滤波器滤波的信号的快速傅立叶变换(FFT)的信号的光谱特征。光谱特征可以包括信号的基频、FFT在其基频处的值以及基波及其谐波与总FFT之间的功率比(用多次谐波和频率宽度计算)。
可以基于其子分段特征(变异特征、节奏特征、神经网络特征和光谱特征)以及从中提取子分段的分段特征(形态特征和节奏特征)来分析每一个片段。
本文描述的系统和方法可以被配置为将每个片段分类为心搏停止、心动过缓、房颤或房性心动过速(AT/AF)、室性心动过速(VT)、伪影或正常心律的指示。心搏停止(或暂停)是在最短持续时间内,例如在对应于可配置的心搏停止间隔的最短持续时间内,没有任何心室收缩。心动过缓是一种缓慢的心室率(例如,在最小4个节拍的持续时间内心室率低于可配置的心动过缓率)。室性心动过速可以是以下中的至少一个:起源于心室的心动过速、或非持续性室性心动过速。房性心动过速/心房颤动(AT/AF)至少是以下中的至少一个:房性心动过速(异位)、心房扑动或心房颤动。伪影是非心脏噪音的存在。如果没有上述五种异常心律中的任何一种,系统会将此片段归类为正常心律。
根据一个实施例,对于每个子分段,所述方法包括步骤105,即将子分段的特征和所述子分段所属的分段的特征作为输入提供给机器学习算法,其中机器学习算法被配置为输出得分向量。在示例中,每个子分段的特征和对应分段的特征可以被连接成展平特征的向量,其将作为机器学习算法的输入。
所述方法可以包括步骤106,即针对子分段中的每个获得得分向量作为输出,每个子分段是作为片段的分段被分割的。
机器学习算法可以在包括多个注释片段的数据集上进行训练,其中所述数据集包括代表异常和正常心律的片段。数据集的注释片段允许对机器学习架构进行监督训练。数据集也可以包含用于其他类型训练的非注释片段,例如无监督或半监督训练策略。
根据一个实施例,机器学习算法包括至少两个机器学习算法的链。
在另一步骤107中,所述方法可以使用针对一个片段中的每个子分段获得的得分向量来对片段进行分类,以便区分真阳性片段和假阳性片段。
在一个示例性实施例中,为了对每个片段进行分类,所述方法使用五种机器学习算法(例如,XGBoost算法)的分类器链作为机器学习算法。所述五种机器学习算法中的每一种都识别所述分段是否指示上述五种异常心律之一。更具体地说,可以使用带注释的样本的数据集来训练第一个XGBoost实例,以将样本限定为指示心搏停止或不指示心搏停止;可以使用带注释的样本的数据集来训练第二个XGBoost实例,以将样本限定为指示心动过缓或不指示心动过缓;可以使用带注释的样本的数据集来训练第三个XGBoost实例,以将样本限定为指示心房颤动或房性心动过速或不指示心房颤动或房性心动过速;可以使用带注释的样本的数据集来训练第四个XGBoost实例,以将样本限定为指示室性心动过速或不指示室性心动过速;并且可以使用带注释的样本的数据集来训练第五个XGBoost实例,以将样本限定为指示伪影或不指示伪影。
如果所述五种机器学习算法都没有识别出任何上述异常心律,则在得分向量中,所述子分段被分类为正常心律。
基于所述片段的分段内的子分段的分类来对每个片段进行分类。例如,如果一个片段包括被分类为伪影的一个子分段和被分类为心房颤动或房性心动过速的另一个子分段,那么所述片段被分类为伪影和心房颤动或房性心动过速。在这种情况下,所述片段是真阳性片段,必须由医疗提供者进行审查。如果所述片段内的所有子分段都被分类为正常心律,则该片段被分类为正常心律。对于这些心脏设备假阳性的片段,它会导致心脏设备记录和传输不期望的多余信息,因为这些是正常事件,但被错误地标记为异常,因此医疗提供者不需要审查它们。实际上,通过这些错误标记的正常事件可能无法获得有关患者临床状态的相关信息。
在第二个示例性实施例中,机器学习算法是六种机器学习算法的分类器链,其被训练以将片段分类为六个类中的至少一个类或不分类为这六个类中的任何一个。对于所述链,可以使用基于决策树的不同的算法,例如:XGBoost、LightGBM、AdaBoost或随机森林法。在实施例中,机器学习算法是XGBoost,其有利地在可实现的最高性能与获得达到这些可实现的最高性能的参数所需的训练时间之间提供最佳的折衷方案。
在一个示例中,分类器链包括六个XGBoost。所述链的机器学习算法中的每个都使用注释片段的数据集进行训练,以将所述片段限定为以下类别中的至少一个:指示心搏停止、心动过缓、心房颤动或房性心动过速(AT/AF)、室性心动过速的指示或心室颤动(VT/VF)、伪影以及正常或不正常的心律。所述链的机器学习算法中的每个都被训练成分类器链,使得每一个算法的输出都是后续所有算法的输入的一部分。这有利地允许改进所述链的分类效率。由所述链对每个子分段执行的分类提供六维的得分向量作为输出。分类后,所述得分向量可以填充“1”或“0”,“1”对应链上相应的机器学习算法对特定标签的归属,“0”对应不存在具体标签。针对每个子分段获得的每个得分向量中与异常心律类别(即,除了正常或不正常心律类别之外的所有类别)相关联的五个系数,然后可以使用针对一个片段获得的得分向量中的每个上的逻辑OR在片段级别处合并。针对每个子分段获得的每个得分向量中与类别“正常或不正常心律”相关联的系数可以在片段级别用逻辑与合并。该示例提供了包含布尔值的六个系数的片段得分向量,其中每当片段中的子分段中的至少一个已被分类为异常心律之一时,五个系数(例如,前五个)被设置为“1”,如果片段中的所有子分段都被标记为“正常心律”,则一个系数(例如,最后一个)设置为“1”。该片段得分向量最终被转换成输出,所述输出被配置为将片段限定为正常心律,因此是假阳性,或者是异常心律,因此是真阳性。除了该片段是真阳性片段的信息之外,输出还可以包括至少一个异常心律类别的标签,所述至少一个异常心律类别已经与所述片段的子分段相关联。
在一个实施例中,所述方法从来自多个制造商的多个心脏设备接收片段作为输入。有利的是,所述方法可以包括用于对从多个心脏设备接收到的片段进行归一化的步骤,这允许去除输入信号的均值和差异以使其与其他信号可比较。
所述平台可以被配置成为医护专业人员提供查看ECG片段、由心脏设备做出的判断和由本发明的方法/系统做出的判断的功能。如果片段被分类为正常心律或伪影,则平台可以被配置为避免向医护专业人员输出警报。通过如上所述对ECG片段进行分类,所公开的系统减少了必须由医生检查的假阳性警报的数量。
在此公开的实施例包括在本说明书中描述的各种操作。如上所述,操作可由硬件部件执行和/或可体现在机器可执行指令中,该指令可用于使用指令编程的通用或专用处理器执行操作。替代地,可以通过硬件、软件和/或固件的组合来执行操作。
此处描述的一个或更多个操作的性能可以分布在一个或更多个处理器中,不是只驻留在单个机器内,而是部署在多个机器上。在一些示例中,所述一个或更多个处理器或处理器实现的模块可以位于单个地理位置(例如,在家庭环境、办公环境或服务器场内)。在其他实施例中,所述一个或多个处理器或处理器实现的模块可以分布在多个地理位置。
如图3所示,本发明还涉及一种用于分析先前从心脏设备获得的心电图片段的系统1,以便区分包括异常心律的真阳性片段和包括正常心律的假阳性片段,所述系统包括至少一个处理器和所有必要的电路和/或存储介质以实施上述方法。
所述系统可以通过服务器(即远程监测平台)从对应于至少一名患者的至少一个心脏设备接收数据(即片段和其他)来实现。可以通过诸如互联网之类的通信网络将数据传送到远程监测平台。
本发明还涉及一种包括指令的计算机可读存储介质,当程序由计算机执行时,这些指令使计算机执行用于分析先前从上文描述的心脏连接设备获得的心电图片段的方法的步骤。
实现本实施例的方法的计算机程序通常能够在诸如但不限于SD卡、外部存储设备、微芯片、闪存设备、便携式硬盘和软件网站等的分配计算机可读存储介质上分配给用户。计算机程序能够从分配介质复制到硬盘或类似的中间存储介质。计算机程序能够通过将计算机指令从它们的分配介质或它们的中间存储介质加载到计算机的执行存储器中来运行,配置计算机以根据本发明的方法进行操作。所有这些操作对于计算机系统领域的技术人员来说都是众所周知的。
控制处理器或计算机以实现硬件部件和执行上述方法的指令或软件,以及任何相关联的数据、数据文件和数据结构,被记录、存储或固定在一个或更多个非暂时性计算机可读存储介质。非暂时性计算机可读存储介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、闪存、CD-ROM、CD-Rs、CD+Rs、CD-RWs、CD+RWs、DVD-ROM、DVD-Rs、DVD+Rs、DVD-RWs、DVD+RWs、DVD-RAMs、BD-ROMs、BD-Rs、BD-RLTHs、BD-REs、磁带、软盘、磁光数据存储设备、光学数据存储设备、硬盘、固态磁盘,以及本领域普通技术人员已知的能够以非暂时性的方式并将指令或软件和任何相关数据、数据文件和数据结构提供给处理器或计算机,使得处理器或计算机可以执行指令。在示例中,指令或软件以及任何相关联的数据、数据文件和数据结构分布在网络耦合的计算机系统上,使得指令和软件以及任何相关联的数据、数据文件和数据结构被存储、访问和访问。由处理器或计算机以分布方式执行。
本发明还涉及一种用于分析先前从心脏连接设备获得的心电图片段的计算机程序产品,所述计算机程序产品包括指令,当所述程序由计算机执行时,使计算机执行根据上述实施例中任一项所述的方法的步骤。
执行上述方法的计算机程序产品可以编写为计算机程序、代码段、指令或其任何组合,用于单独或共同指示或配置处理器或计算机作为机器或专用计算机来执行由硬件组件执行的操作。在示例中,计算机程序产品包括由处理器或计算机直接执行的机器代码,例如由编译器产生的机器代码。在另一个示例中,计算机程序产品包括由处理器或计算机使用解释器执行的高级代码。本领域的普通技术人员可以基于附图中所示的框图和流程图以及说明书中的相应描述很容易地编写指令或软件,在说明书中公开了用于执行上述方法的操作的算法。
Claims (23)
1.一种计算机实现的方法(100),用于分析先前从心脏连接设备获得的心电图片段,以帮助区分包括异常心律的真阳性片段和包括正常心律的假阳性片段,所述方法包括:
-接收所述片段,每个片段包括心电图信号的至少一个分段;
-对于一个片段中的每个分段:
o使用至少一种算法识别所述分段中的R波(101),并使用所述R波以用于计算所述分段的至少一个特征(102);
o将所述分段分割成至少一个子分段(103);
o对于每个子分段:
·使用在所述子分段中的所识别的R波以用于计算所述子分段的至少一个特征(104);
·将所述子分段的至少一个特征和所述分段的至少一个特征作为输入提供给机器学习算法(105),并且获得得分向量作为输出(106),所述机器学习算法被配置为输出所述得分向量;
-使用针对一个片段中的每个子分段获得的得分向量来对所述片段进行分类,以便区分真阳性片段和假阳性片段(107);
-输出至少包括所述真阳性片段的分类结果。
2.根据权利要求1所述的方法,其中,对于一个片段中的每个分段,所计算出的所述分段的至少一个特征是以下中的至少一个:形态特征和/或节律特征。
3.根据权利要求1或2任一项所述的方法,其中,对于每个子分段,所计算出的子分段的特征是以下中的至少一个:节律特征、变化特征和/或光谱特征。
4.根据权利要求1至3中任一项所述的方法,还包括将真阳性片段提供给远程监测平台。
5.一种用于分析先前从心脏设备获得的心电图片段的系统(1),以便将包括异常心律的真阳性片段与包括正常心律的假阳性片段区分开,所述系统包括:
-适用于接收片段的至少一个输入端,每个片段包括心电图信号的至少一个分段;
-至少一个处理器被配置为:
对于一个片段中的每个分段:
-使用至少一种算法识别所述分段中的R波(101),并使用所述R波以用于计算所述分段的至少一个特征(102);
-将所述分段分割成至少一个子分段(103);
-对于每个子分段:
-使用包含在所述子分段中的所识别的R波以用于计算所述子分段的至少一个特征(104);
-将所述子分段的至少一个特征和所述分段的至少一个特征作为输入提供给机器学习算法(105),并获得得分向量作为输出(106),其中,所述机器学习算法被配置为输出得分向量;
-使用针对一个片段中的每个子分段获得的得分向量来对所述片段进行分类,以便区分真阳性片段和假阳性片段(107);
-适用于提供所述真阳性分段的至少一个输出。
6.根据权利要求5所述的系统,其中,对于一个片段中的每个分段,所述分段的至少一个特征是以下中的至少一个:形态特征和/或节律特征。
7.根据权利要求6所述的系统,其中,所述形态特征是基于ECG信号的形状计算的统计数据,所述节奏特征是基于R波之间的时间段计算的统计数据。
8.根据权利要求5至7中任一项所述的系统,其中,所述处理器被配置为将所述分段分割成至少两个重叠的子分段。
9.根据权利要求5至8中任一项所述的系统,其中,对于每个子分段,所计算出的子分段的特征是以下中的至少一个:节律特征、变化特征和光谱特征。
10.根据权利要求9所述的系统,其中,所述处理器还被配置为通过将片段的每个子分段输入到转换器中来计算所述子分段的至少一个特征,并且提取至少一个转换器特征作为所述转换器的输出。
11.根据权利要求9所述的系统,其中,所述处理器还被配置为通过将所述片段的每个子分段输入神经网络来计算所述子分段的至少一个特征,并且提取至少一个神经网络特征作为所述神经网络的输出。
12.根据权利要求11所述的系统,其中,所述神经网络是以下中的至少一个:卷积神经网络、深度信念神经网络和递归神经网络。
13.根据权利要求5至12中任一项所述的系统,其中,用于识别R波的至少一种算法选自以下列表:XQRS检测算法、平稳小波变换过程和/或基于优化知识的(OKB)检测算法。
14.根据权利要求5至13中任一项所述的系统,其中,所述处理器还被配置为使用至少两种算法来识别所述分段中的R波并且使用被配置为组合根据所述至少两种算法获得的R波的组合算法。
15.根据权利要求6至14中任一项所述的系统,其中,使用至少两种算法识别所述片段中的R波,并且使用根据所述至少两种算法中的每一种获得的R波来计算所述分段和/或子分段的至少一个节律特征。
16.根据权利要求5至15中任一项所述的系统,其中,所述机器学习算法为XGBoost算法。
17.根据权利要求5至16中任一项所述的系统,其中,所述机器学习算法在包括多个注释片段的数据集上训练,其中,所述数据集包括代表异常心律的片段。
18.根据权利要求5至17中任一项所述的系统,其中,所述注释片段的数据集包括与心搏停止、心动过缓、心房颤动、房性心动过速、室性心动过速和/或伪影相关联的片段。
19.根据权利要求5至18中任一项所述的系统,其中,所述输入端还被配置为从来自多个制造商的多个心脏设备接收片段。
20.根据权利要求19所述的系统,其中,所述处理器还被配置为归一化从所述多个心脏设备接收的片段。
21.根据权利要求5至19中任一项所述的系统,其中,所述系统包含在远程监测平台中。
22.一种包括指令的非暂时性计算器可读存储介质,当所述程序由计算机执行时,使所述计算机执行根据权利要求1至4中任一项所述的用于分析先前从心脏连接设备获得的心电图片段的方法。
23.一种包括指令的计算机程序,当所述程序由计算机执行时,使所述计算机执行根据权利要求1至4中任一项所述的用于分析先前从心脏连接设备获得的心电图片段的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063037081P | 2020-06-10 | 2020-06-10 | |
US63/037,081 | 2020-06-10 | ||
US17/172,423 US11730415B2 (en) | 2020-06-10 | 2021-02-10 | Method and system for analyzing heart rhythms |
US17/172,423 | 2021-02-10 | ||
PCT/EP2021/065725 WO2021250218A1 (en) | 2020-06-10 | 2021-06-10 | Method and system for analyzing heart rhythms |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116194044A true CN116194044A (zh) | 2023-05-30 |
Family
ID=78824025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180060992.5A Pending CN116194044A (zh) | 2020-06-10 | 2021-06-10 | 用于分析心律的方法和系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11730415B2 (zh) |
EP (1) | EP4164494A1 (zh) |
JP (1) | JP2023528988A (zh) |
CN (1) | CN116194044A (zh) |
CA (1) | CA3181829A1 (zh) |
WO (1) | WO2021250218A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10460415B2 (en) * | 2017-04-10 | 2019-10-29 | Intel Corporation | Contextual configuration adjuster for graphics |
TWI742844B (zh) * | 2020-09-10 | 2021-10-11 | 廣達電腦股份有限公司 | 心電雜訊濾除裝置 |
CN114886404B (zh) * | 2022-07-13 | 2022-10-28 | 西南民族大学 | 一种电子设备、装置及存储介质 |
CN115429284B (zh) * | 2022-09-16 | 2024-05-03 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
CN115281676B (zh) * | 2022-10-08 | 2023-01-31 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2696750B1 (en) | 2011-04-15 | 2016-08-10 | Infobionic, Inc. | Remote data monitoring and collection system with multi-tiered analysis |
US10779744B2 (en) | 2015-10-27 | 2020-09-22 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
-
2021
- 2021-02-10 US US17/172,423 patent/US11730415B2/en active Active
- 2021-06-10 WO PCT/EP2021/065725 patent/WO2021250218A1/en unknown
- 2021-06-10 EP EP21733103.2A patent/EP4164494A1/en active Pending
- 2021-06-10 JP JP2022576112A patent/JP2023528988A/ja active Pending
- 2021-06-10 CA CA3181829A patent/CA3181829A1/en active Pending
- 2021-06-10 CN CN202180060992.5A patent/CN116194044A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021250218A1 (en) | 2021-12-16 |
JP2023528988A (ja) | 2023-07-06 |
US11730415B2 (en) | 2023-08-22 |
US20210386354A1 (en) | 2021-12-16 |
EP4164494A1 (en) | 2023-04-19 |
CA3181829A1 (en) | 2021-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
CN116194044A (zh) | 用于分析心律的方法和系统 | |
US8155735B2 (en) | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients | |
US9949653B2 (en) | Patient signal analysis based on vector analysis | |
JP2020536693A (ja) | 人工知能自己学習に基づく心電図自動解析方法及び装置 | |
Bashar et al. | Atrial fibrillation detection during sepsis: study on MIMIC III ICU data | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
de Chazal et al. | Automatic classification of ECG beats using waveform shape and heart beat interval features | |
Daqrouq et al. | Neural network and wavelet average framing percentage energy for atrial fibrillation classification | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
Wan et al. | A novel atrial fibrillation automatic detection algorithm based on ensemble learning and multi-feature discrimination | |
Pucer et al. | A topological approach to delineation and arrhythmic beats detection in unprocessed long-term ECG signals | |
KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
KR20220166812A (ko) | 심전도 분석 | |
Maghawry et al. | An efficient approach for paroxysmal atrial fibrillation events prediction using extreme learning machine | |
Doggart et al. | A two-staged classifier to reduce false positives: on device detection of atrial fibrillation using phase-based distribution of Poincaré plots and deep learning | |
Raj | An efficient method for computer-aided diagnosis of cardiac arrhythmias | |
Singhal et al. | R-Peak Detection Using Wavelet Scattering Transform for Pre-Term Infant ECG Dataset | |
Desale et al. | Detection of Heart Functioning Abnormalities (Arrhythmia) Using ECG Signals: A Systematic Review | |
Tihak et al. | Feature Selection for Arrhythmia Classification Using Statistical Tests | |
Mandala et al. | ANALYSIS FEATURE EXTRACTION FOR OPTIMIZING ARRHYTHMIA CLASSIFICATION FROM ELECTROCARDIOGRAM SIGNALS |
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 |