CN116981405A - 用于实时分析电描记图的计算机设备 - Google Patents
用于实时分析电描记图的计算机设备 Download PDFInfo
- Publication number
- CN116981405A CN116981405A CN202280014252.2A CN202280014252A CN116981405A CN 116981405 A CN116981405 A CN 116981405A CN 202280014252 A CN202280014252 A CN 202280014252A CN 116981405 A CN116981405 A CN 116981405A
- Authority
- CN
- China
- Prior art keywords
- electrogram
- time
- real
- computer device
- probability
- 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
- 238000010223 real-time analysis Methods 0.000 title description 2
- 239000006185 dispersion Substances 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000003491 array Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001747 exhibiting effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 24
- 239000013598 vector Substances 0.000 description 14
- 238000002679 ablation Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 230000004913 activation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000013153 catheter ablation Methods 0.000 description 3
- 210000002837 heart atrium Anatomy 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 210000003492 pulmonary vein Anatomy 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/25—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]
- A61B5/283—Invasive
- A61B5/287—Holders for multiple electrodes, e.g. electrode catheters for electrophysiological study [EPS]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/339—Displays specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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]
- A61B5/367—Electrophysiological study [EPS], e.g. electrical activation mapping or electro-anatomical mapping
-
- 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
- A61B5/72—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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Debugging And Monitoring (AREA)
- Complex Calculations (AREA)
Abstract
公开了用于实时分析电描记图的计算机设备，包括：存储器，其被布置为接收实时电描记图信号，每个实时电描记图信号源自多个电极中的一个；第一评估器，其包括提取器和基于梯度提升的机器学习模块，所述提取器被布置为从一组电描记图信号内的每个电描记图信号中提取包括至少一个时间分析特征和至少一个形态特征的一组特征，并且将得到的特征组馈送到所述基于梯度提升的机器学习模块，所述机器学习模块基于包括用指示关联的电描记图信号是否表现出离散度的值标记的特征组的数据进行训练并且被布置为针对每组电描记图输出。
Description
本发明涉及用于实时分析电描记图的计算机设备。
近5年来，心房颤动领域得到了快速发展。促进心房颤动的心脏区域的检测既包括使用Topera、Cardiolnsight等软件的离线计算设备，也包括使用CARTO等软件的实时计算设备。
Topera软件旨在重建心房的电激活。使用“篮状导管”(部署在整个心房的导管)进行信号采集。分析在延迟时间内执行，即采集开始后2分钟以上。该解决方案不方便，因为这种导管难以插入并且电极的接触无法保证。分析时间很长，并且重建无法获得高清图，甚至在复杂的电激活情况下(占心房颤动病例的70％)由于重建过于简单而会失败。Cardiolnsight软件旨在使用患者皮肤上的多电极心电图测量背心重建心脏的电活动。患者在手术前穿上背心，在手术过程中分析和访问数据。分析在采集开始后的延迟时间(超过15分钟)内完成。该解决方案的缺点是计算时间很长，它规定延迟的时间，使安装困难(要求患者提前几天来并穿上背心，以便在手术前提取数据)，并且成本非常高。此外，由于测量的距离太远，重建不能用高清图，并且由于重建过于简单，在复杂的电激活情况下重建失败。
Biosense&Webster发布的CARTO软件允许实施检测心律失常的算法。CFAE(复杂碎裂心房电位)算法计算信号中的偏转点数量(导数符号的变化)并实时生成颜色映射。然后，医师解释这些复杂的图以确定感兴趣的地方。这个算法不是很具体，也比较简单。
Abbott Laboratories发布的Ensite软件允许实施检测心律失常的算法。
Ripple算法(Ripple Mapping)是CARTO软件的模块，可在导管首次通过后再现心房的电活动。通过该模块可以看到电波的振幅和传播。这导致图对于医师来说非常难以理解。虽然这可能在简单的情况下有效，但在复杂的电激活情况下会分析失败，因为图太难解释。
申请人发明了改进的系统并提交了法国专利申请FR1852850，该专利公开了使用两种相互关联的方法来对促进心房颤动的心脏区域进行实时检测。更具体地，本发明公开了使用被布置为将两个分类模型应用于电描记图数据的分类器。一个模型比另一模型应用更快，但精确度更低，使得它用于提醒医师对心脏区域的潜在兴趣。
申请人的进一步工作已经允许确定用于实时检测促进心房颤动的心脏区域的改进的计算机设备，其包括：存储器，布置成接收实时电描记图信号，每个实时电描记图信号源自多个电极中的一个电极；第一评估器，包括提取器和基于梯度提升的机器学习模块，所述提取器被布置为从一组电描记图信号内的每个电描记图信号中提取包括至少一个时间分析特征和至少一个形态特征的一组特征，并且将所得到的特征组馈送到所述基于梯度提升的机器学习模块，该机器学习模块基于包括用指示相关联的电描记图信号是否表现出离散度的值标记的特征组的数据进行训练并且被布置为针对每组电描记图信号输出第一概率数组，每个概率指示该组电描记图信号中相应的电描记图信号是否表现出离散度；第二评估器，包括卷积神经网络，该卷积神经网络接收一组实时电描记图信号并输出输入的实时电描记图信号表现出离散度的概率的第二数组，所述卷积神经网络已经用电描记图信号的数据库进行训练，每个电描记图信号标记有指示相应电描记图信号是否表现出离散度的值；以及预测器，其基于针对给定组的电描记图信号确定的第一概率数组和第二概率数组，返回第三概率数组，该第三概率数组至少部分地基于第一概率数组和第二概率数组的值的加权平均值。
该计算机设备特别有趣，因为它允许申请人实时构建患者的离散度图，并使用这些图来使那些患者的心房颤动终止率达到88％。这意味着申请人的发明能够可靠地用于帮助医师实时构建离散度图并治疗心房颤动。
在各种实施例中，计算机设备可以呈现以下特征中的一项或多项：
-该提取器被布置为提取包括第一周期长度估计、第二周期长度估计和电描记图信号的快速傅立叶变换内具有最高幅度的频率的组中的至少一个时间分析特征；
-该提取器被布置为提取包括电描记图信号的欧几里德范数和电描记图信号的积分绝对导数的组中的至少一个形态特征；
-该设备还被布置为将实时电描记图信号分为一系列具有选定持续时间的电描记图信号；
-该设备还被布置为提供一组具有相同选定持续时间的电描记图信号；
-该设备还被布置为将实时电描记图信号分为一系列具有选定持续时间的电描记图信号。
-该预测器还被布置为，当对应于相同电描记图信号的第一概率数组中的概率与第二概率数组中的概率之间的绝对差超过阈值时，使用第三概率数组中的第一概率数组的概率，以及
-该设备还被布置为确定与第三数组内的值相关联的颜色，该计算机设备还包括显示器，其被布置为对每个电极输出与针对第三概率数组中对应的电描记图信号确定的概率相关联的颜色。
本发明还涉及包括用于实现第一评估器、第二评估器和预测器的指令的计算机程序、其上记录有该计算机程序的数据存储介质、以及接收实时电描记图信号、执行根据本发明的第一评估器、第二评估器和预测器，并且返回所述第三概率数组的计算机方法。
本发明的其他特征和优点将在以下附图说明中容易地显现，附图示出本发明的示例性实施例，其中：
【图1】示出根据本发明的计算机设备的一实施例的总体图；
【图2】示出图1实施例中使用的卷积神经网络的通用视图。
附图和以下描述的主要由积极的和明确定义的特征组成。因此，它们不仅用于理解本发明，而且如果需要的话，它们还可以用于帮助其定义。
持续性心房颤动仍然是治疗难题。尽管越来越多的患者有资格接受导管消融，但持续性心房颤动的最佳消融策略仍然难以达到。STAR-AF2(Verma A、Jiang C-y、Betts TR等人，“Approaches to catheter ablation for persistent atrial fibrillation(持续性心房颤动的导管消融方法)”，New England Journal of Medicine 2015；372:1812-1822)得出的结论是，除肺静脉隔离(PVI)之外进行额外的消融病变不会导致长期结果的改善。
相比之下，一些观察性研究(参见Jadidi AS、LehrmannH、Keyl C等人，“Ablationof persistent atrial fibrillation targeting low-voltage areas with selectiveactivation characteristics(以具有选择性激活特性的低电压区域为目标的持续性心房颤动的消融)”，Circulation:Arrhythmia and Electrophysiology 2016；9:e002962以及Seitz J、Bars C、Théodore G等人，“AF ablation guided by spatiotemporalelectrogram dispersion without pulmonary vein isolation:a wholly patient-tailored approach(无需肺静脉隔离的时空电描记图离散度引导的AF消融：完全患者定制的方法)”，Journal of the American College of Cardiology 2017；69:303-321)已提出，针对电描记图异常区域的非PVI病变对持续性心房颤动患者有益。特别是，后一项研究表明，其结果支持射频能量在表现出多极电描记图离散度的心房区域的应用。其他研究(Narayan SM、Krummen DE、Shivkumar K、Clopton P、Rappel W-J、Miller JM,“Treatmentof atrial fibrillation by the ablation of localized sources:CONFIRM(Conventional Ablation for Atrial Fibrillation With or Without Focal Impulseand Rotor Modulation)trial(通过消融局部源治疗心房颤动：确认(有或没有局灶脉冲和转子调制的心房颤动的常规消融)试验)”,Journal of the American College ofCardiology 2012,60:628-636)反而进行高级信号分析并提供基于机械的显示来指导操作员找到心房颤动驱动因素。
无论电描记图异常或分析如何，尝试实施类似的基于电描记图的映射方法的中心之间的学习曲线中经验和阶段存在很大差异。
图1示出根据本发明的计算机设备的一实施例的总体图。
计算机设备2包括存储器4、包括提取器8和基于梯度提升的机器学习模块10的第一评估器6、第二评估器12和预测器14。
从使用的角度来看，操作者使用插入患者心脏的电极，这些电极在计算机设备2的显示器上示出，用数字标记16例示。如图1所示，可能有16个各种类型的电极。
电极感测的结果是一组实时电描记图信号18，其被馈送到存储器4。分析这些电描记图信号，并且预测器14返回电极的修改视图20，这允许医师识别哪些电极已经感测到可能与离散度相关的区域。反过来，医师可以标记(或以其他方式使相关位置以自动方式返回)患者心脏上的相应位置，这导致心脏的图22，其中因心房颤动而要治疗的区域被表示为点。
存储器4存储实时电描记图信号(例如在电描记图信号已被数字化并以规则的时间间隔分割之后，使得所有电描记图信号具有相同的长度，例如3秒)以及超过275000个电描记图信号的数据库，电描记图信号标有表明它们是否表现出离散度，即是否与心房颤动相关的值。具有相同持续时间的电描记图可以是连续的或者可以彼此重叠。存储器4还可以存储在执行本发明的过程中可以生成的任何瞬时数据。存储器4还可以存储由预测器14的操作产生的图，其可能与医师所做的注释以及导管几何形状相结合。
在本文描述的示例中，存储器4可以以任何合适的方式实现，即通过硬盘驱动器、固态驱动器、闪存、嵌入处理器的存储器、可在云端访问的远程存储装置等来实现。
在本文描述的示例中，第二评估器12、预测器14以及包括提取器8和基于梯度提升的机器学习模块10的第一评估器6是在一个或多个处理器上执行的计算机程序。此类处理器包括已知用于执行自动微积分的任何装置，例如CPU、GPU、CPU和/或GPU网格、远程微积分网格、专门配置的FPGA、专门配置的ASIC、专用芯片(例如SOC或NOC)、AI专用芯片等。
在本文描述的示例中，第一评估器6是机器学习模块，其被布置为从电描记图信号提取特征，并通过梯度提升方法来运行它们以确定离散度概率。
提取器8被布置为确定每个实时电描记图信号的特征组，申请人已将其识别为允许在应用机器学习方法时实现优异的离散度检测。这些特征可以分为两个主要特征类别。第一类涉及电描记图信号的时间分析，即与电描记图信号的时域或频域分析本质上相关的特征。在本文描述的示例中，提取器8可以提取第一周期长度估计、第二周期长度估计和/或电描记图信号的快速傅立叶变换内具有最高幅度的频率。在后一情况下，幅度也可以作为特征保留。
第一周期长度估计和第二周期长度估计可以如下确定。
实时电描记图信号数据存储在向量中，向量的每个元素对应于其样本。然后，使用自相关参数T来定义大小为T的两个向量：包括该向量的前T个样本的第一向量以及包括该向量的后T个样本的第二向量。
在本文描述的示例中，通过测量归一化自相关来计算第一估计量，该归一化自相关通过取第一向量和第二向量的除以第一向量和第二向量的欧几里得范数乘积的标量积来测量。通过改变T，确定第一估计量的最大值和最小值，然后为第一估计量选定的值被选择为，T的值为其提供第一局部极值，对于该第一局部极值，用T的该值计算的第一估计量大于第一估计量的最大值减去0.3倍的第一估计量的最大值与最小值的差值。或者，可以不同地确定第一估计量，例如通过改变0.3系数，或根据经验、穷举或其他方式寻找优化估计量的T值。
在本文描述的示例中，通过计算T的每个值的欧几里德范数除以第一向量和第二向量之间的差值除以第一向量中具有最大绝对值的样本的乘积来计算第二估计量由第二个向量中具有最大绝对值的样本。与第一估计量一样，确定第二估计量的最大值和最小值，然后为第二估计量选定的值被选择为，T的值为其提供第一局部极值，对于该第一局部极值，用T的该值计算的第二估计量小于第二估计量的最小值加上0.2倍的第二估计量的最大值与最小值之差。或者，能够不同地确定第一估计量，例如通过改变0.2系数，或根据经验、穷举或其他方式寻找优化估计量的T值。
第二类涉及信号的形态分析，即基于数学形态或与之相关的分析。在本文描述的示例中，提取器8可以提取电描记图信号的欧几里德范数和电描记图信号的积分绝对导数。
通过使用所有以上引用的特征，基于梯度提升的机器学习模块10可以针对每个实时电描记图信号使用多达6个不同的特征。当然，在其他实施例中，提取器8可以提取更多的特征，这些特征可以通过共享相同的时间码与不同电极相关的电描记图信号的组合或比较有关。在一些实施中，申请人已经利用了基于梯度提升的机器学习模块10中的多达70个特征。
基于梯度提升的机器学习模块10的训练是通过使用标记有指示它们是否表现出离散度的值的275000个电描记图信号来进行的。首先，针对这些电描记图信号中的每个提取特征，然后在本文描述的示例中使用逻辑损失来训练基于梯度提升的机器学习模块10。在训练之后，基于梯度提升的机器学习模块10能够用于接收从一组电描记图提取的一组特征作为输入，并返回值的数组，每个值指示其中对应的一个电描记图信号的概率。该组电描记图信号表现出离散度。任选地，训练数据还可以包括导管几何形状信息和/或与其相关的3D信息。
在本文描述的示例中，第二评估器12是卷积神经网络，其接收电描记图信号组，并输出值的数组，每个值指示该组电描记图信号中的相应一个电描记图信号表现出离散度的概率。
图2表示第二评估器12的卷积神经网络的示例性结构。
在本文描述的示例中，神经网络是具有5个卷积层的卷积神经网络。因此，一组电描记图信号100(例如包括16个电描记图)由提取200个特征的第一卷积层110处理，然后由从层110提取3000个特征的第二卷积层120、从层120提取20000个特征的第三卷积层130、从层130的最大池化中提取8000个特征的第四卷积层140、以及从层140提取1000个特征的第五卷积层150处理。
第五卷积层150链接到神经网络的全连接层160，其包括分别包括50个和10个神经元的两层神经元的链。全连接层160在输出层中返回概率数组170。
该卷积神经网络的训练是使用275000个电描记图信号进行的，这些电描记图信号标有表明它们是否表现出离散度的值。电描记图信号按16个一组使用，每个电描记图信号具有其相应的值0或1，指示是否存在离散度。在本文描述的示例中，使用Adam优化器和二元交叉熵损失来执行训练。可以使用其他优化器和损失，并且可以绕过Adam优化器。
预测器14用于协调第一评估器6的预测和第二评估器12的预测。更准确地，在许多情况下，第二评估器12比第一评估器6更能防止过拟合，而第一评估器6通常更精确。因此，预测器14可以对第一评估器6和第二评估器12分别输出的概率数组的值执行加权平均。在一个实施例中，第一评估器6的权重可以是0.7，第二评估器12的权重可以是0.3。可选地，由于卷积神经网络比梯度增强的机器学习方法更容易漂移，如果第一评估器6和第二评估器12的预测之间的差异太大，则预测器14可以选择仅保留第一评估器6的值。因此，预测器14的输出是给定实时电描记图信号表现出离散度的另一个概率数组。计算机14还可以基于预测数组来确定颜色。更准确地，该确定可以基于使用与连续时间码相关联的预测数组。如果确定患者的心房颤动慢，则可以对连续时间码对应的两个预测数组进行平均，将该数组的值关联如下：若值小于0.35则为蓝色，若值介于0.35和0.65之间则为橙色，此外则为红色。如果确定患者的心房颤动快，则能对连续时间码对应的四个预测数组进行平均，将该数组的值进行如下关联：若值小于0.5则为蓝色，若值介于0.5和0.8之间则为橙色，此外则为红色。确定心房颤动是快还是慢是医师的决定，他将其输入到设备中。这允许在显示器上提供视觉返回(如图1中的附图标记20所示)，医师可以使用该视觉返回来自动、手动或半手动地标记心脏区域，在图1的附图标记22中产生由点标识的离散度区域。
虽然上面描述了两个评估器的使用，但是根据本发明的包括第一评估器和第二评估器的使用多于两个评估器的任何设备或方法应落入所附权利要求的范围。
Claims (10)
1.用于实时分析电描记图的计算机设备，包括：
存储器(4)，其被布置为接收实时电描记图信号，每个实时电描记图信号源自多个电极中的一个电极；
第一评估器(6)，其包括提取器(8)和基于梯度提升的机器学习模块(10)，所述提取器(8)被布置为从一组电描记图信号内的每个电描记图信号中提取包括至少一个时间分析特征和至少一个形态特征的一组特征，并将得到的特征组馈送到所述基于梯度提升的机器学习模块(10)，所述机器学习模块(10)基于包括用指示关联的电描记图信号是否表现出离散度的值标记的特征组的数据进行训练并被布置为针对每组电描记图信号输出第一概率数组，每个概率指示该组电描记图信号中相应的电描记图信号是否表现出离散度；
第二评估器(12)，其包括卷积神经网络，所述卷积神经网络接收一组实时电描记图信号并输出输入的实时电描记图信号表现出离散度的概率的第二数组，所述卷积神经网络已经用电描记图信号的数据库进行训练，每个电描记图信号标记有指示相应电描记图信号是否表现出离散度的值；以及
预测器(14)，其基于针对给定组的电描记图信号确定的第一概率数组和第二概率数组，返回第三概率数组，所述第三概率数组至少部分地基于第一概率数组和第二概率数组的值的加权平均值。
2.如权利要求1所述的计算机设备，其中所述提取器(8)被布置为提取包括第一周期长度估计、第二周期长度估计、以及电描记图信号的快速傅立叶变换内具有最高幅度的频率的组中的至少一个时间分析特征。
3.如权利要求1或2所述的计算机设备，其中所述提取器(8)被布置为提取包括所述电描记图信号的欧几里德范数和所述电描记图信号的积分绝对导数的组中的至少一个形态特征。
4.如任一前述权利要求所述的计算机设备，其还被布置为将实时电描记图信号分为具有选定持续时间的一系列电描记图信号。
5.如权利要求4所述的计算机设备，其还被布置为提供具有相同的选定持续时间的一组电描记图信号。
6.如任一前述权利要求所述的计算机设备，其中，当对应于相同电描记图信号的所述第一概率数组中的概率与所述第二概率数组中的概率之间的绝对差超过阈值时，还布置所述预测器(14)以使用所述第三概率数组中所述第一概率数组的概率。
7.如任一前述权利要求所述的计算机设备，其还被布置为确定与所述第三数组内的值相关联的颜色，所述计算机设备还包括显示器，其被布置为对每个电极输出与针对所述第三概率数组中对应的电描记图信号确定的概率相关联的颜色。
8.计算机程序，包括用于实现任一前述权利要求所述的第一评估器(6)、第二评估器(12)和预测器(14)的指令。
9.数据存储介质，其上记录有权利要求8所述的计算机程序。
10.计算机实现的方法，包括：接收实时电描记图信号；执行权利要求1至7中任一权利要求所述的第一评估器(6)、第二评估器(12)和预测器(14)；以及返回所述第三概率数组。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FRFR2101234 | 2021-02-09 | ||
| FR2101234A FR3119537B1 (fr) | 2021-02-09 | 2021-02-09 | Dispositif informatique pour analyse en temps réel d’électrogrammes |
| PCT/EP2022/053048 WO2022171638A1 (en) | 2021-02-09 | 2022-02-08 | Computer device for real-time analysis of electrograms |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116981405A true CN116981405A (zh) | 2023-10-31 |
Family
ID=77710778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280014252.2A Pending CN116981405A (zh) | 2021-02-09 | 2022-02-08 | 用于实时分析电描记图的计算机设备 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20240041379A1 (zh) |
| EP (1) | EP4291094A1 (zh) |
| JP (1) | JP2024506633A (zh) |
| CN (1) | CN116981405A (zh) |
| FR (1) | FR3119537B1 (zh) |
| IL (1) | IL304609A (zh) |
| WO (1) | WO2022171638A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3143969A1 (fr) | 2022-12-27 | 2024-06-28 | Substrate Hd | Dispositif de traitement de signaux de dispersion spatiotemporelle d'électrogrammes cardiaques |
| WO2024141730A1 (fr) | 2022-12-27 | 2024-07-04 | Substrate Hd | Dispositif de traitement de signaux de dispersion spatiotemporelle d'electrogrammes cardiaques |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3558101B1 (en) * | 2016-12-21 | 2022-06-08 | Emory University | Methods and systems for determining abnormal cardiac activity |
| US11389116B2 (en) * | 2018-01-19 | 2022-07-19 | Biosense Webster (Israel) Ltd. | Apparatus and method for heartbeat classification based on time sequence and morphology of intracardiac and body surface electrocardiogram (ECG) signals |
| FR3079405B1 (fr) * | 2018-03-30 | 2023-10-27 | Substrate Hd | Dispositif informatique de detection de troubles du rythme cardiaque |
| EP3616605A1 (en) * | 2018-08-30 | 2020-03-04 | Tata Consultancy Services Limited | Non-invasive detection of coronary heart disease from short single-lead ecg |
| US12048487B2 (en) * | 2019-05-06 | 2024-07-30 | Biosense Webster (Israel) Ltd. | Systems and methods for improving cardiac ablation procedures |
-
2021
- 2021-02-09 FR FR2101234A patent/FR3119537B1/fr active Active
-
2022
- 2022-02-08 EP EP22704908.7A patent/EP4291094A1/en active Pending
- 2022-02-08 WO PCT/EP2022/053048 patent/WO2022171638A1/en active Application Filing
- 2022-02-08 JP JP2023548220A patent/JP2024506633A/ja active Pending
- 2022-02-08 CN CN202280014252.2A patent/CN116981405A/zh active Pending
- 2022-02-08 US US18/264,564 patent/US20240041379A1/en active Pending
-
2023
- 2023-07-20 IL IL304609A patent/IL304609A/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024506633A (ja) | 2024-02-14 |
| IL304609A (en) | 2023-09-01 |
| FR3119537B1 (fr) | 2023-04-07 |
| WO2022171638A1 (en) | 2022-08-18 |
| FR3119537A1 (fr) | 2022-08-12 |
| US20240041379A1 (en) | 2024-02-08 |
| EP4291094A1 (en) | 2023-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| Chouhan et al. | Detection of QRS complexes in 12-lead ECG using adaptive quantized threshold | |
| CN111275093B (zh) | 一种用于多标签标注心电信号的心搏分类方法和装置 | |
| CN106419896B (zh) | 匹配并跟踪心脏激活的时间序列 | |
| CN116981405A (zh) | 用于实时分析电描记图的计算机设备 | |
| CN111657926A (zh) | 一种基于多导联信息融合的心律失常分类方法 | |
| CN110384482A (zh) | 心电信号分类方法、装置、计算机设备和存储介质 | |
| CN110226919B (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 | |
| EP3967258A1 (en) | Identification of ablation gaps | |
| CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
| CN110367968B (zh) | 一种右束支阻滞检测方法、装置、设备及存储介质 | |
| CN110367936B (zh) | 心电信号检测方法及装置 | |
| Talbi et al. | PVC discrimination using the QRS power spectrum and self-organizing maps | |
| Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
| Refahi et al. | Ecg arrhythmia classification using least squares twin support vector machines | |
| CN109077720A (zh) | 信号处理方法、装置、设备和存储介质 | |
| Liao et al. | Deep learning classification of unipolar electrograms in human atrial fibrillation: application in focal source mapping | |
| US20210391082A1 (en) | Detecting atrial fibrillation and atrial fibrillation termination | |
| US20220005198A1 (en) | Automatic contiguity estimation of wide area circumferential ablation points | |
| CN110226918A (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 | |
| CN111839502A (zh) | 一种心电数据异常检测方法、装置、设备及存储介质 | |
| CN115316996A (zh) | 心律异常识别模型训练方法、装置、设备及存储介质 | |
| Subashini et al. | Identification and classification of heart beat by analyzing ecg signal using naive bayes | |
| Ehtiati et al. | Prediction of ventricular tachycardia using nonlinear features of heart rate variability signal such as poincare plot, approximate and sample entropy, recurrence plot | |
| Li et al. | A k-nearest neighbours classifier for predicting catheter ablation responses using noncontact electrograms during persistent atrial fibrillation |
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 |