CN117137497B - 心律预测方法、除颤控制方法及相应装置 - Google Patents
心律预测方法、除颤控制方法及相应装置 Download PDFInfo
- Publication number
- CN117137497B CN117137497B CN202311403019.6A CN202311403019A CN117137497B CN 117137497 B CN117137497 B CN 117137497B CN 202311403019 A CN202311403019 A CN 202311403019A CN 117137497 B CN117137497 B CN 117137497B
- Authority
- CN
- China
- Prior art keywords
- data
- electrocardiographic
- electrocardio
- time
- time period
- 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.)
- Active
Links
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 291
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000000747 cardiac effect Effects 0.000 title claims description 26
- 239000012634 fragment Substances 0.000 claims description 70
- 238000012360 testing method Methods 0.000 claims description 64
- 230000035939 shock Effects 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 21
- 206010003119 arrhythmia Diseases 0.000 claims description 18
- 230000006793 arrhythmia Effects 0.000 claims description 18
- 230000002861 ventricular Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 206010003662 Atrial flutter Diseases 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 82
- 238000013461 design Methods 0.000 description 48
- 206010014357 Electric shock Diseases 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 230000001276 controlling effect Effects 0.000 description 16
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 9
- 230000002035 prolonged effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 208000003663 ventricular fibrillation Diseases 0.000 description 4
- 206010047302 ventricular tachycardia Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 229960003965 antiepileptics Drugs 0.000 description 3
- 238000013194 cardioversion Methods 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 208000030523 mesoaxial synostotic syndactyly with phalangeal reduction Diseases 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 2
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 2
- 206010000891 acute myocardial infarction Diseases 0.000 description 2
- 230000000981 bystander Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000002635 electroconvulsive therapy Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 210000005037 parasympathetic nerve Anatomy 0.000 description 2
- 230000009862 primary prevention Effects 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010007556 Cardiac failure acute Diseases 0.000 description 1
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 208000009525 Myocarditis Diseases 0.000 description 1
- 208000007944 Nodular Nonsuppurative Panniculitis Diseases 0.000 description 1
- 206010049447 Tachyarrhythmia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000250 revascularization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000002054 transplantation Methods 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
- 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
- A61B5/02—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
- A61B5/24—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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
- A61N1/39—Heart defibrillators
- A61N1/3904—External heart defibrillators [EHD]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
- A61N1/39—Heart defibrillators
- A61N1/3925—Monitoring; Protecting
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Electrotherapy Devices (AREA)
Abstract
本申请涉及医疗器械领域,提供一种心律预测方法、除颤控制方法及相应装置,该心律预测方法中,首先获取在第一时间段内采集的待预测对象的心电数据;提取所述心电数据的心电特征,得到心电特征数据;基于心电数据和心电特征数据,确定待预测对象在第二时间段的心律信息;其中,第二时间段位于所述第一时间段之后,该心律信息能够表征在第二时间段出现可电击心律的概率。本申请的方案通过获取待预测对象在第二时间段的心律信息,可实现对心律的预测,满足对心律预测的需求。并且该除颤控制方法进行除颤控制时,综合考虑到待预测对象在第二时间段的心律信息,以及当前除颤判决周期对应的待预测对象的实时心电数据,能够提高除颤控制的准确度。
Description
技术领域
本申请涉及医疗器械领域,尤其涉及一种心律预测方法、除颤控制方法及相应装置。
背景技术
可穿戴式除颤器(Wearable Cardioverter Defibrillator,WCD)是一种穿戴式体外自动除颤器,患者穿戴可穿戴式除颤器后,通常不需要旁观者干预,即可自行为患者进行电击治疗。
其中,可穿戴式除颤器通常可采集患者的心电数据,然后通过对该心电数据的节律分析,确定患者是否出现室颤(ventricular fibrillation,VF)或室性心动过速(ventricular tachycardia,VT),若出现,则可穿戴式除颤器发放电击,终止患者的VF或VT,实现对患者的治疗。
植入式心脏复律装置 (Implantable cardioversion device,ICD) 可有效预防室性心律失常引起的心脏性猝死(sudden cardiac death, SCD),但目前 ICD 候选的临床标准——即左心室射血分数 (LVEF) <30-35%——仅捕获所有 SCDA 的 20% ,大多数接受ICD 进行一级预防的患者在 ICD 的使用寿命期间没有接受治疗,而高达 50% 的SCD发生在按照传统标准被认为是低风险的个体中。目前亟需一种能够对心律进行预测的方案,以便能够通过该方案,对心律进行预测,便于提前对患者进行相应的风险管理。
但是,除颤器对心电数据进行节律分析的准确度较易受到各种因素的影响,例如,该准确度可能会受到节律分析的算法精度、患者的运动状态等因素的影响,导致除颤器节律分析的准确度较低,进一步导致除颤控制的准确度较低。
发明内容
为了满足对心律进行预测的需求,本申请实施例提供一种心律预测方法、除颤控制方法及相应装置。
第一方面,本申请实施例提供一种心律预测方法,所述方法包括:
获取在第一时间段内采集的待预测对象的心电数据;
提取所述心电数据的心电特征,得到心电特征数据;
基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息;其中,所述第二时间段位于所述第一时间段之后,所述心律信息能够表征在所述第二时间段出现可电击心律的概率。
一种可选的设计中,所述第二时间段包括第一时长的第二时间段和第二时长的第二时间段;所述第二时长大于所述第一时长;相应地,
所述提取所述心电数据的心电特征,得到心电特征数据,包括:
基于所述心电数据,提取与所述第一时长的第二时间段的心律信息相适配的心电特征,得到第一心电特征数据;
基于所述心电数据,提取与所述第二时长的第二时间段的心律信息相适配的心电特征,得到第二心电特征数据;
所述基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息,包括:
至少基于所述心电数据和所述第一心电特征数据,确定所述第一时长的第二时间段的心律信息;
至少基于所述心电数据和所述第二心电特征数据,确定所述第二时长的第二时间段的心律信息。
一种可选的设计中,所述基于所述心电数据,提取与所述第一时长的第二时间段的心律信息相适配的心电特征,得到第一心电特征数据,包括:
在所述第一时间段内发生电击事件的情况下,基于所述电击事件的发生时刻之前的预设时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到所述第一心电特征数据;
或者,
在所述第一时间段内未发生电击事件的情况下,基于每个自然日预设时刻处的第一时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到所述第一心电特征数据。
一种可选的设计中,所述基于所述心电数据,提取与所述第二时长的第二时间段的心律信息相适配的心电特征,得到第二心电特征数据,包括:
基于每个第二时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到所述第二心电特征数据。
一种可选的设计中,所述至少基于所述心电数据和所述第二心电特征数据,确定所述第二时长的第二时间段的心律信息,包括:
确定每个第二时长的心电数据的心律失常统计指标;
基于所述心电数据、所述第二心电特征数据和所述心律失常统计指标,确定所述第二时长的第二时间段的心律信息。
一种可选的设计中,所述基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息,包括:
按照预设规则从所述心电数据中提取至少一段心电片段;
基于所述至少一段心电片段和所述心电特征数据,确定所述第二时间段的心律信息。
一种可选的设计中,所述按照预设规则从所述心电数据中提取至少一段心电片段,包括:
在所述第一时间段内未发生电击事件的情况下,按照预设提取周期从所述第一时间段的心电数据中提取单位时长的心电片段;
在所述第一时间段内发生电击事件的情况下,提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段。
一种可选的设计中,所述目标时刻至少包括第一目标时刻,所述第一目标时刻与所述发生时刻相距第一提取时长;相应地,
所述提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段,包括:
获取所述发生时刻之前的第一提取时长的心电数据,将所述第一提取时长的心电数据按照所述单位时长进行分割,得到所述心电片段。
一种可选的设计中,所述目标时刻还包括位于所述第一目标时刻之前的至少一个第二目标时刻;相应地,
所述提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段,包括:
对于所述第一目标时刻之前的每个第二目标时刻,基于所述第二目标时刻的心电数据提取单位时长的心电片段;其中,不同时间段内所述第二目标时刻的数量与对应时间段距离所述发生时刻的时长呈负相关关系。
一种可选的设计中,所述按照预设规则从所述心电数据中提取至少一段心电片段之后,还包括:
获取所述每段心电片段对应的输入阻抗方差;
基于所述输入阻抗方差确定所述心电片段的信号质量;
在所述信号质量不满足预设质量条件的情况下,基于所述心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段;其中,更新后的心电片段的信号质量满足所述预设质量条件。
一种可选的设计中,所述心电数据由至少两个心电采集组件采集;相应地,每段心电片段包括不同心电采集组件采集、且与同一采集时刻对应的至少两部分心电片段;
所述在所述信号质量不满足预设质量条件的情况下,基于所述心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段,包括:
对于每段心电片段,在所述至少两部分心电片段中的至少一部分心电片段的信号质量不满足所述预设质量条件的情况下,基于所述心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段。
一种可选的设计中,所述心电特征数据包括每段心电片段的单心拍波形数据;相应地,
所述基于所述至少一段心电片段和所述心电特征数据,确定所述第二时间段的心律信息,包括:
确定每段心电片段的单心拍波形数据;
至少基于所述至少一段心电片段、每段心电片段对应的单心拍波形数据,确定所述第二时间段的心律信息。
一种可选的设计中,所述确定每段心电片段的单心拍波形数据,包括:
识别所述心电片段中的心拍位置;
基于每个心拍位置提取所述心拍位置对应的心拍波形;
确定每个心拍波形中各个波形数据所属的心拍分类;
基于不同心拍波形中属于同一心拍分类的波形数据进行融合,得到各个心拍分类融合后的心拍数据;
将目标心拍分类的融合后的心拍数据确定为所述单心拍波形数据。
一种可选的设计中,所述心拍分类包括窦性心拍和以下几种中的至少一种:室上性心拍、室性心拍、房扑房颤心拍和起搏心拍;相应地,
所述将目标心拍分类的融合后的心拍数据确定为所述单心拍波形数据,包括:
按照心拍分类的优先级由高到低的顺序,将优先级最高的心拍分类确定为目标心拍分类;
将所述目标心拍分类的融合后的心拍数据确定为所述单心拍波形数据;
其中,各个心拍分类的优先级从高到低依次为:窦性心拍、室上性心拍、房扑房颤心拍、起搏心拍、室性心拍。
一种可选的设计中,所述基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息,包括:
通过预先训练的心律预测模型,基于所述心电数据和所述心电特征数据,确定所述第二时间段出现可电击心律的概率;
其中,所述心律预测模型是使用第一数据集和第二数据集对神经网络模型进行训练得到的;所述第一数据集包括从不同测试对象采集的正样本数据和所述正样本数据对应的正样本标签;所述第二数据集包括从不同测试对象采集的负样本数据和所述负样本数据对应的负样本标签;
所述正样本数据是在每个测试对象的测试周期内发生正确电击事件的情况下,基于正确电击时刻之前的样本心电数据确定的,相应地,所述正样本标签能够表征在所述正确电击时刻所属时间段内出现可电击心律的概率大于或等于第一概率阈值;
所述负样本数据是在每个测试对象的测试周期内未发生正确电击事件的情况下,基于所述测试周期的时间终点之前的样本心电数据确定的,相应地,所述负样本标签能够表征在所述时间终点所属时间段内出现可电击心律的概率小于第二概率阈值。
一种可选的设计中,所述方法还包括:
获取在当前除颤判决周期对应的所述待预测对象的实时心电数据;
基于所述实时心电数据确定除颤判决结果;
基于所述当前除颤判决周期所属第二时间段的心律信息,控制除颤器执行所述除颤判决结果。
一种可选的设计中,所述基于所述当前除颤判决周期所属第二时间段的心律信息,控制除颤器执行所述除颤判决结果,包括:
在所述除颤判决结果指示执行除颤相关动作的情况下,若所述当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值,则延长所述当前除颤判决周期的时长,以基于延长后的除颤判决周期对应的实时心电数据,再次确定所述除颤判决结果;
在所述除颤判决结果仍指示执行除颤相关动作的情况下,控制所述除颤器执行所述除颤判决结果。
第二方面,本申请实施例提供一种除颤控制方法,所述方法包括:
获取在第一时间段内采集的待预测对象的心电数据;
至少基于所述心电数据,确定所述待预测对象在第二时间段的心律信息;其中,所述第二时间段位于所述第一时间段之后,所述心律信息能够表征在所述第二时间段出现可电击心律的概率;
在到达所述第二时间段内的当前除颤判决周期的情况下,获取所述当前除颤判决周期对应的所述待预测对象的实时心电数据;
基于所述实时心电数据确定除颤判决结果;
基于所述第二时间段的心律信息,控制除颤器执行所述除颤判决结果。
第三方面,本申请实施例提供一种计算机设备,所述设备包括处理器和与所述处理器相连的存储器,所述存储器中存储有程序指令,当所述程序指令被所述处理器执行时,使得所述计算机设备执行第一方面所述的心律预测方法;或者,执行第二方面所述的除颤控制方法。
第四方面,本申请实施例提供一种除颤器,所述除颤器至少包括:信号采集组件和与所述信号采集组件相连的控制组件;
所述信号采集组件适于与待预测对象相接触,以采集所述待预测对象在第一时间段内的心电数据;
所述控制组件,用于:
获取在第一时间段内采集的所述待预测对象的心电数据;
提取所述心电数据的心电特征,得到心电特征数据;
基于所述心电数据和所述心电特征数据 ,确定所述待预测对象在第二时间段的心律信息;其中,所述第二时间段位于所述第一时间段之后,所述心律信息能够表征在所述第二时间段出现可电击心律的概率。
第五方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序或指令,当所述计算机程序或指令被执行时,如第一方面所述的心律预测方法被执行,或者,如第二方面所述的除颤控制方法被执行。
通过本申请实施例提供的心律预测方法及相应装置,能够在获取第一时间段内采集的待预测对象的心电数据之后,提取该心电数据的心电特征,得到心电特征数据,再基于心电数据和心电特征数据,确定待预测对象在第二时间段的心律信息,由于第二时间段位于第一时间段之后,因此通过待预测对象在第二时间段的心律信息,可实现对心律的预测,满足对心律预测的需求。
进一步的,本申请实施例提供的除颤控制方法及相应装置能够实现除颤控制,通过该方案进行除颤控制时,综合考虑到待预测对象在第二时间段的心律信息,以及当前除颤判决周期对应的待预测对象的实时心电数据。而现有技术在进行除颤控制时,只利用当前除颤判决周期对应的待预测对象的实时心电数据。因此,与现有技术相比,本申请实施例提供的方案还能够提高除颤控制的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种心律预测方法的工作流程示意图;
图2为本申请实施例提供的又一种心律预测方法的工作流程示意图;
图3为本申请实施例提供的又一种心律预测方法的工作流程示意图;
图4为本申请实施例提供的又一种心律预测方法的工作流程示意图;
图5为本申请实施例提供的又一种心律预测方法的工作流程示意图;
图6为本申请实施例提供的一种心律预测模型的示例图;
图7为本申请实施例提供的一种心律预测模型的结构示意图;
图8为本申请实施例提供的又一种心律预测方法的工作流程示意图;
图9为本申请实施例提供的又一种心律预测方法的工作流程示意图;
图10为本申请实施例提供的一种除颤控制方法的工作流程示意图;
图11为本申请实施例提供的一种计算机设备的结构示意图。
实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需说明,在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是,本申请还可以采用其他不同于在此描述的其他方式来实施,因此,本申请的保护范围并不受下面公开的具体实施方式的限制。
在本申请中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
为便于对申请的技术方案进行,以下首先在对本申请所涉及到的一些概念进行说明。
当患者发生心脏猝死(SCD)时,通常只有4分钟黄金救援时间,如果由救援人员对发生心脏猝死的患者进行救援,救援人员赶到患者所在现场时往往已经超过最佳救援时间。针对这一场景,可应用自动体外除颤器(AED)。
AED是一种轻便便携的医疗设备,AED通常包括固定式、便携式和植入式等不同类型。不同类型的AED均可通过对心电数据的节律分析,确定是否需要发放电击,以对患者进行治疗。可选的,以下可以AED中的穿戴式体外自动除颤器(WCD)进行说明。
WCD被誉为“救命神器”,被用于急性心梗(AMI)后早期高危人群、血运重建治疗后室速/室颤的高危人群、非缺血性心肌病发生急性心衰的高危人群、等待心脏移植或需要心室辅助装置治疗的人群、怀疑为快速心律失常所致晕厥的患者、植入型心律转复除颤器(ICD)治疗中断或ICD计划植入前需要保护的患者等多种人群。
WCD上配置有多个心电电极和除颤电极,在患者穿戴可穿戴式除颤器后,心电电极和除颤电极均可以采集患者的心电数据和心电数据对应的输入阻抗数据,并通过对该心电数据的节律分析,确定患者是否出现VF或VT。通常该WCD会按照8秒的时间窗,提取心电数据的数据特征,例如RR间期变异度、RR波峰变异度、斜率变异度、幅度概率密度、扩展时延特征和归一化阶矩特征等,然后通过对该数据特征的节律分析,确定患者是否出现VF或VT。
若出现,则表明该心电数据对应可电击心律,该WCD发放电击,以终止患者的VF或VT,实现对患者的治疗。因此,WCD通常不需要旁观者干预,即可自行为患者进行电击治疗,从而有效提升救援效率。
植入式心脏复律装置 (ICD) 可有效预防室性心律失常引起的 SCD,但目前 ICD候选的临床标准——即左心室射血分数 (LVEF) <30-35%——仅捕获所有 SCDA 的 20% ,大多数接受ICD 进行一级预防的患者在 ICD 的使用寿命期间没有接受治疗,而高达 50%的SCD发生在按照传统标准被认为是低风险的个体中。
但是,目前的WCD仅能根据心电数据,实时判断是否需要对患者进行除颤治疗,而无法对患者后续是否会出现风险进行预测。因此,目前亟需一种能够对心律进行预测的方案,以便能够通过该方案,对心律进行预测,便于提前对患者进行相应的风险管理。
本申请实施例提供一种心律预测方法,参见图1所示的工作流程示意图,该方法包括以下步骤:
步骤S11、获取在第一时间段内采集的待预测对象的心电数据。
其中,该心电数据用于对待预测对象的心律进行预测。为了提高预测的准确性,通常情况下,该心电数据可由一个或至少两个心电采集组件采集,例如,每个心电采集组件包括两个可与待预测对象接触的电极,这两个电极导联,以采集待预测对象的心电数据。不同心电采集组件对应的电极组合不同。
另外,如果由至少两个心电采集组件采集心电数据,则不同心电采集组件通常同步采集心电数据。
步骤S12、提取心电数据的心电特征,得到心电特征数据。
步骤S13、基于心电数据和心电特征数据,确定待预测对象在第二时间段的心律信息。
其中,第二时间段位于第一时间段之后,该心律信息能够表征在第二时间段出现可电击心律的概率。
可选的,第一时间段的时长大于或等于第二时间段的时长。这种情况下,第一时间段内采集的待预测对象的心电数据以及根据该心电数据得到的心电特征数据,具有较高的信息含量,因此能够提高心律预测的准确度。
在本申请实施例中,第一时间段可通过多种方式确定。在一种可行的设计中,第一时间段的时长不固定,该第一时间段的开始时刻为待预测对象穿戴WCD的时刻,结束时刻为待预测对象不再穿戴WCD的时刻,即第一时间段为待预测对象穿戴WCD的时间段。
或者,在另一可行的设计中,第一时间段的时长可预先设定,并且该第一时间段的结束时刻为需要进行心律预测的时刻,则开始时刻为该结束时刻前满足该预先设定的时长的时刻。例如,如果预先设定第一时间段的时长为三天,则第一时间段的开始时刻为需要进行心律预测的时刻前三天。
或者,在另一可行的设计中,可基于心律预测的需求确定第一时间段的长度。由于第一时间段的时长大于或等于第二时间段的时长时,心律预测的准确度较高,因此,在这一设计中,在基于心律预测的需求确定第二时间段的时长后,可进一步据此确定第一时间段的长度,以及确定相应的第一时间段。
例如,如果心律预测的需求为确定待预测对象在当前时刻之后的三天内的心律信息,即第二时间段的长度为三天,则可据此确定第一时间段的长度为三天,并且确定第一时间段为当前时刻前的三天。
当然,在本申请实施例中,还可通过其他方式确定第一时间段,本申请实施例对此不作限定。
通过本申请实施例提供的方案,能够在获取第一时间段内采集的待预测对象的心电数据之后,提取该心电数据的心电特征,得到心电特征数据,再基于心电数据和心电特征数据,确定待预测对象在第二时间段的心律信息,由于第二时间段位于第一时间段之后,因此通过待预测对象在第二时间段的心律信息,可实现对心律的预测,满足对心律预测的需求,以满足现有技术亟需对心律进行预测的需求。
进一步的,在本申请实施例中,第二时间段可为预设时长的一个时间段,例如,如果需要待预测对象在当前时刻后的十天内出现可电击心律的概率,则第二时间段的时长可为十天。
另外,第二时间段也可包括不同时长的时间段,因此,预测对象在第二时间段的心律信息可表征在不同时长的时间段后出现可电击心律的概率,以满足对心律预测的多样化需求。
在一种可行的设计中,第二时间段包括不同时长的时间段,其中时长较长的时间段可满足对长时的心律预测的需求,时长较短的时间段可满足对短时的心律预测的需求。
其中,时长较长和时长较短的时间段的具体时长不作限定。例如,第二时间段可包括不大于24小时的时长的时间段,以及包括大于24小时且小于90天的时长的时间段,则不大于24小时的时长的时间段为时长较短的时间段,大于24小时且小于90天的时长的时间段为时长较长的时间段,这种情况下,通过待预测对象在第二时间段的心律信息,可确定待预测对象在24小时内出现可电击心律的概率,以满足短时的心律预测的需求,以及确定待预测对象在一天之后,且在90天内出现可电击心律的概率,以满足长时的心律预测的需求。
通过步骤S13,可确定待预测对象在各个第二时间段的心律信息,其中,第二时间段包括第一时长的第二时间段和第二时长的第二时间段,并且,第二时长大于第一时长。
在一个可行的示例中,第一时长可为5分钟,第二时长可为24小时。当然,第一时长和第二时长还可分别为其他的时长,本申请实施例对此不作限定。
另外,参见图2所示的工作流程示意图,如果第二时间段包括第一时长的第二时间段和第二时长的第二时间段,则步骤S12所公开的提取所述心电数据的心电特征,得到心电特征数据的操作,可包括以下步骤:
步骤S121、基于心电数据,提取与该第一时长的第二时间段的心律信息相适配的心电特征,得到第一心电特征数据。
其中,第一心电特征数据可用于确定第一时长的第二时间段的心律信息。
步骤S122、基于心电数据,提取与该第二时长的第二时间段的心律信息相适配的心电特征,得到第二心电特征数据。
其中,第二心电特征数据可用于确定第二时长的第二时间段的心律信息。
在图2中,执行步骤S121之后再执行步骤S122,而在实际操作过程中,步骤S121和步骤S122间没有严格的时间先后顺序。例如,还可先执行步骤S122,再执行步骤S121,或者,可同时执行步骤S121和步骤S122。
相应的,参见图3,步骤S13提供的基于心电数据和心电特征数据,确定所述待预测对象在第二时间段的心律信息的操作,可包括:
步骤S131、至少基于心电数据和第一心电特征数据,确定第一时长的第二时间段的心律信息;
步骤S132、至少基于心电数据和第二心电特征数据,确定第二时长的第二时间段的心律信息。在图3中,执行步骤S131之后再执行步骤S132,而在实际操作过程中,步骤S131和步骤S132间没有严格的时间先后顺序。例如,还可先执行步骤S132,再执行步骤S131,或者,可同时执行步骤S131和步骤S132。
值得说明的是,在其它实施例中,第二时间段的数量也可以是更多个,对于每两个不同时长的第二时间段,均可以作为第一时长和第二时长的第二时间段,基于步骤S121、步骤S122、以及步骤S131和步骤S132确定出对应第二时间段的心律信息。
通过上述操作,可确定待预测对象在第一时长的第二时间段的心律信息,以及确定第二时长的第二时间段的心律信息,实现对不同时长的心律预测,满足不同的预测需求。
待预测对象在佩戴WCD后的第一时间段内,WCD可能发生电击事件,也可能未发生电击事件,针对这种情况,本申请实施例提供以下确定第一心电特征数据的设计。
在其中一种可行的设计中,步骤S121包括以下操作:
在第一时间段内发生电击事件的情况下,基于电击事件的发生时刻之前的预设时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到第一心电特征数据。
其中,如果在第一时间段内发生电击事件,则可将电击事件发生的发生时刻称为基准时刻,并在基准时刻向前的位置处提取预设时长的心电数据,再通过该心电数据提取心率变异性时域指标和心率变异性频域指标,以得到第一心电特征数据。
在一个示例中,预设时长为五分钟,可提取基准时刻前的24小时内,每五分钟的心电数据的心率变异性时域指标和心率变异性频域指标。
或者,在第一时间段内未发生电击事件的情况下,基于每个自然日预设时刻处的第一时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到第一心电特征数据。
其中,预设时长与第二时长也可为其他的时长,本申请实施例对此不作限定。
在一个示例中,第一时长为五分钟,可在待预测对象佩戴可穿戴式除颤器的每个自然日内,提取每五分钟的心电数据的心率变异性时域指标和心率变异性频域指标,以得到第一心电特征数据。
心率变异性时域指标为从时域角度对心律变异性进行分析的指标。示例性的,该心率变异性时域指标可包括以下指标中的至少一种:平均R-R间期、总体标准差(SDNN)、均值标准差(SDANN)、标准差均值(SDNNindex)、差值的均方根(r-MSSD)、相邻两个R-R间期差值>50ms的百分数(PNN50)和Lorenz散点图。当然,心率变异性时域指标还可包括其他指标,本申请实施例对此不作限定。
其中,平均R-R间期指的是某一时间段内的窦性R-R间期的平均值,通常认为白天与夜间平均R-R间期互差小于40ms为异常;总体标准差(SDNN)指的是24小时内全部窦性R-R间期的标准差,正常值为100~150ms,小于50ms为异常;均值标准差(SDANN)指的是24小时内每5分钟节段窦性R-R间期平均值的标准差,正常值为80~140ms,小于50ms为异常;标准差均值(SDNNindex)指的是24小时内每5分钟节段窦性R-R间期平均值的标准差的平均值,正常值为40~80ms,小于20ms为异常;差值的均方根(r-MSSD)指的是24小时内相邻窦性R-R间期差值的均方根,正常值为15~45ms,小于15ms为降低;相邻两个R-R间期差值>50ms的百分数(PNN50)指的是24小时内相邻窦性R-R间期差值>50ms的个数所占的百分率,正常值为1%~12%,小于0.75%为异常;对正常人来说,Lorenz散点图呈彗星状。
该心率变异性频域指标为从频域角度对心律变异性进行分析的指标。示例性的,该心率变异性频率指标可包括以下指标中的至少一种:总功率(TP)、超低频带(ULF)能量、极低频带(VLF)能量、低频带(LF)能量、中频带(MF)能量、高频带(HF)能量,以及低频带与高频带的能量比值(LF/HF)。
其中,超低频带(ULF)指的是频率不大于0.0033 Hz的频带,极低频带(VLF)指的是频率在0.0033~0.04Hz这一范围的频带,低频带(LF)指的是频率在0.04~0.09Hz这一范围的频带,可反映交感和副交感神经的共同作用,中频带(MF)指的是频率在0.09~0.15Hz这一范围的频带,高频带(HF)指的是频率在0.15~0.4Hz这一范围的频带,可反映副交感神经的张力。
当然,心率变异性频域指标还可包括其他指标,本申请实施例对此不作限定。
在一种可行的设计中,步骤S122可包括:
基于每个第二时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到第二心电特征数据。
示例性的,第二时长可为24小时,这种情况下,可提取在待预测对象佩戴可穿戴式除颤器的每个自然日24小时的心率变异性时域指标和心率变异性频域指标,以得到第二心电特征数据。
示例性的,该心率变异性时域指标可包括以下指标中的至少一种:平均R-R间期、总体标准差(SDNN)、均值标准差(SDANN)、标准差均值(SDNNindex)、差值的均方根(r-MSSD)、相邻两个R-R间期差值>50ms的百分数(PNN50)和Lorenz散点图。另外,该心率变异性频率指标可包括以下指标中的至少一种:总功率(TP)、超低频带(ULF)能量、极低频带(VLF)能量、低频带(LF)能量、中频带(MF)能量、高频带(HF)能量,以及低频带与高频带的能量比值(LF/HF)。
在本申请的步骤S132中,公开至少基于心电数据和第二心电特征数据,确定第二时长的第二时间段的心律信息的操作,该操作可包括以下步骤:
首先,确定每个第二时长的心电数据的心律失常统计指标。
示例性的,该心律失常统计指标可包括以下至少一种:平均心率、最快心率、最慢心率、室早总数量、非持续性室速数量、心室率≥200bpm的室上性心动过速数量和RonT数量。
当然,该心律失常统计指标还可包括其他指标,本申请实施例对此不作限定。
然后,基于心电数据、第二心电特征数据和心律失常统计指标,确定第二时长的第二时间段的心律信息。
本申请实施例的方案在确定第二时间段的心律信息时,综合考虑了心电数据、第二心电特征数据和心律失常统计指标,有助于提高确定第二时间段的心律信息的准确性。
在步骤S13中,公开基于心电数据和心电特征数据,确定待预测对象在第二时间段的心律信息的操作。在一种可行的设计中,参见图4,该操作可包括以下步骤:
步骤S133、按照预设规则从心电数据中提取至少一段心电片段;
步骤S134、基于至少一段心电片段和心电特征数据,确定第二时间段的心律信息。
其中,如果通过前述步骤,获取多段心电片段,还可确定各段心电片段对应的输入阻抗方差,然后选择其中输入阻抗方差最小的心电片段或输入阻抗方差小于方差阈值的心电片段,并基于该输入阻抗方差最小的心电片段或输入阻抗方差小于方差阈值的心电片段,以及基于心电特征数据,确定第二时间段的心律信息,具体详见下述实施例。
在本申请实施例中,心电片段的时长通常小于心电数据的时长,相应的心电片段的数据量小于心电数据的数据量。因此,通过心电片段确定第二时间段的心律信息,有助于提高确定心律信息的效率。
另外,输入阻抗方差最小的心电片段为信号质量最高的心电片段,通过该输入阻抗方差最小的心电片段确定第二时间段的心律信息,能够进一步提高确定心律信息的效率。
为了明确提取心电片段的方式,本申请提供另一实施例,在该实施例中,步骤S133包括以下操作:
在第一时间段内未发生电击事件的情况下,按照预设提取周期从第一时间段的心电数据中提取单位时长的心电片段;
在第一时间段内发生电击事件的情况下,提取电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段。
也就是说,在本申请实施例中,如果第一时间段内发生电击事件,选取的心电片段基于电击事件的发生时刻选取。
进一步的,目标时刻至少包括第一目标时刻,第一目标时刻与发生时刻相距第一提取时长,相应地,在这种情况下,提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段,包括:
获取发生时刻之前的第一提取时长的心电数据,将第一提取时长的心电数据按照单位时长进行分割,得到心电片段。
在一个示例中,第一提取时长可为1分钟,该单位时长可为10秒,第一目标时刻为发生时刻前1分钟。这种情况下,提取发生时刻前1分钟的心电数据,然后将该1分钟的心电数据分割成6个10秒的心电片段。
当然,第一提取时长和单位时长还可为其他时长,本申请实施例对此不作限定。
其中,将发生时刻之前的第一提取时长的心电数据按照单位时长进行分割,得到心电片段,则该心电片段覆盖发生时刻之前的一段时间,因此能够更好反映将要发生电击事件时,待预测对象的心电数据的变化,进一步的,能够提高心律预测的准确性。
进一步的,目标时刻还可包括位于第一目标时刻之前的至少一个第二目标时刻,相应地,提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段,包括:
对于第一目标时刻之前的每个第二目标时刻,基于第二目标时刻的心电数据提取单位时长的心电片段;其中,不同时间段内第二目标时刻的数量与对应时间段距离发生时刻的时长呈负相关关系。
其中,基于第二目标时刻的心电数据提取单位时长的心电片段,可以为在第二目标时刻的附近提取单位时长的心电片段,例如,可以为提取第二目标时刻至之前的单位时长的心电片段;或者提取第二目标时刻至之后的单位时长的心电片段;或者提取第二目标时刻至之前的部分时长的心电片段以及第二目标时刻至之后的部分时长的心电片段,这两部分时长的和为单位时长;或者,可以提取第二目标时刻至之前的一段心电数据,该心电数据的时长大于单位时长,然后再通过对该心电数据进行分割,得到单位时长的心电片段。
在一个示例中,第二目标时刻包括发生时刻前的3分钟、10分钟、30分钟、1小时所对应的时刻,单位时长为10秒,这种情况下,该心电片段包括在发生时刻前的3分钟、10分钟、30分钟、1小时的附近提取的10秒时长的心电片段。
在另一个示例中,如果设定第一时间段的开始时刻为早于发生时刻24小时所指示的时刻,结束时刻为早于发生时刻1小时的时刻,第二目标时刻还可包括该第一时间段内,每隔一个小时所指示的时刻,这种情况下,该心电片段可为在每隔第二目标时刻的附近提取的10秒时长的心电片段。
在另一个示例中,如果设定第一时间段的结束时刻为早于发生时刻24小时所指示的时刻,开始时刻为待预测对象佩戴可穿戴式除颤器的时刻,则第二目标时刻还可包括该第二时间段内,每隔三个小时所指示的时刻,这种情况下,该心电片段可为在每隔第二目标时刻的附近提取的10秒时长的心电片段。
在上述不同的示例中,第二目标时刻不同,在实际的应用场景中,还可同时结合不同示例中的第二目标时刻,以提取相应的心电片段,例如可同时通过上述所有示例中的第二目标时刻提取心电片段。另外,还可选择其他位于第一目标时刻的时刻作为第二目标时刻,以及还可以提取其他距离第二目标时刻更远的时间段内的心电片段,本申请实施例对此不作限定。
另外,在这一实施例中,不同时间段内第二目标时刻的数量与对应时间段距离发生时刻的时长呈负相关关系,也就是说,某一时间段距离发生时刻越远时,该时间段内的第二目标时刻的数量越少,相应的,基于该第二目标时刻所确定的心电片段越少。
通过利用心电片段,可提高心律预测的准确度。而距离发生时刻越远,该心电片段数量越少,能够在保障心律预测的准确度的情况下,还减少对心律预测起作用的心电片段的数量,进一步提高心律预测的效率。
在本申请实施例中,有些心电片段的信号质量可能较差,例如,如果心电采集组件从待预测对象上脱落,或者心电采集组件与待预测对象不够贴合,或者在采集该心电片段的过程中,待预测对象的运动动作较大,均可能导致心电片段的信号质量较差。
针对这一情况,本申请提供另一实施例,在图4对应的实施例的基础上,参见图5,该实施例还包括以下步骤:
步骤S135、在按照预设规则从心电数据中提取至少一段心电片段后,获取每段心电片段对应的输入阻抗方差。
步骤S136、基于输入阻抗方差确定心电片段的信号质量。
步骤S137、确定信号质量是否满足预设质量条件,若否,执行步骤S138的操作,若是,再执行步骤S134的操作。
心电片段对应的输入阻抗方差能够反映心电片段的信号质量,通常某一心电片段对应的输入阻抗方差越小,则该心电片段的信号质量越高,因此,在确定某一心电片段的信号质量是否满足预设质量条件时,可将该心电片段的输入阻抗方差与预设阈值相比较,如果该输入阻抗方差小于预设阈值,则可认为该心电片段的信号质量满足预设质量条件。
步骤S138、在信号质量不满足预设质量条件的情况下,基于心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段;其中,更新后的心电片段的信号质量满足预设质量条件。然后,再执行步骤S134的操作。
也就是说,在本申请实施例中,如果信号质量不满足预设质量条件,则重新提取心电片段,通过更新后的心电片段进行心律预测,以保障心律预测的准确性。
在步骤S138中,提供在信号质量不满足预设质量条件的情况下,基于心电片段的原始提取时刻重新提取心电片段的操作。其中,可通过多种方式重新提取心电片段。
在一种可行的设计中,在重新提取心电片段时,可调整用于提取心电片段的时刻,并基于调整后的时刻重新提取心电片段。
或者,在另一可行的设计中,在重新提取心电片段时,可扩大提取心电片段的时间范围,然后通过扩大后的时间范围重新提取心电片段,该扩大倍数可为2倍、3倍或其他倍数。并且,该扩大倍数通常不超过5倍。
进一步的,如果在该示例中,即使扩大提取心电片段的时间范围,且扩大倍数较大(例如达到5倍),也不能提取到满足预设质量条件的心电片段,则可调整用于提取心电片段的时刻,并基于调整后的时刻重新提取心电片段。
可选地,若心电数据由至少两个心电采集组件采集;则相应地,每段心电片段包括不同心电采集组件采集、且与同一采集时刻对应的至少两部分心电片段。这种情况下,在信号质量不满足预设质量条件的情况下,基于心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段,包括:
对于每段心电片段,在至少两部分心电片段中的至少一部分心电片段的信号质量不满足预设质量条件的情况下,基于心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段。
也就是说,在通过至少两个心电采集组件采集心电数据时,即使其中一部分心电片段的信号质量不满足预设质量条件,也要重新提取心电片段,以使每个心电片段的信号质量均满足预设质量条件,从而进一步提高心律预测的准确度。
在本申请中,基于心电数据和心电特征数据确定待预测对象在第二时间段的心律信息。在一种可行的设计中,该心电特征数据包括每段心电片段的单心拍波形数据。
这种情况下,基于至少一段心电片段和心电特征数据,确定第二时间段的心律信息的操作,可包括以下步骤:
首先,确定每段心电片段的单心拍波形数据;
然后,至少基于至少一段心电片段、每段心电片段对应的单心拍波形数据,确定第二时间段的心律信息。
通过这一实施例,在确定第二时间段的心律信息时,综合考虑了至少一段心电片段、每段心电片段对应的单心拍波形数据,从而能够进一步提高心律预测的准确度。
其中,可通过以下步骤确定每段片段的单心拍波形数据:
第一步,识别所述心电片段中的心拍位置。
示例性的,可确定该心电片段对应的QRS波,并确定该QRS波的主峰位置为心拍位置。
第二步,基于每个心拍位置提取心拍位置对应的心拍波形。
示例性的,可以以心拍位置作为参考,向心拍位置前取第一预设时长的波形,向心拍位置后取第二预设时长的波形,二者共同构成心拍位置对应的心拍波形。
其中,第一预设时长可为0.3秒,第二预设时长可为0.7秒,当然,第一预设时长和第二预设时长还可为其他的时长,本申请实施例对此不作限定。
第三步,确定每个心拍波形中各个波形数据所属的心拍分类。
在一种可行的设计中,心拍分类包括窦性心拍、室上性心拍、室性心拍、房扑房颤心拍和起搏心拍中的至少一种。
第四步,基于不同心拍波形中属于同一心拍分类的波形数据进行融合,得到各个心拍分类融合后的心拍数据。
示例性的,该融合过程可为对同一心拍分类的波形进行波形叠加,然后对叠加结果求平均,平均的结果即为各个心拍分类融合后的心拍数据。
第五步,将目标心拍分类的融合后的心拍数据确定为单心拍波形数据。
如果直接对心电片段进行分类,可能存在心电片段未包含心拍波形的情况。而本申请实施例提供的方案基于心电片段中的心拍位置确定心拍波形,因此该心拍波形会包含心拍位置。进一步的,基于该心拍波形所确定的单心拍波形数据也包含心拍位置。而包含心拍位置的单心拍波形数据能够提高心律预测的准确性,因此,通过本申请实施例提供的方案,能够提升心律预测的准确性。
进一步的,本申请实施例基于心拍位置提取对应的心拍波形,提取到的心拍波形与心电片段整体对应的心拍波形来说,数据量减少,因此进行心律预测的数据量相应减少,从而还能够提高心律预测的效率。
在本申请实施例提供的方案中,心拍分类可包括多种。在一种可行的设计中,心拍分类包括窦性心拍和以下几种中的至少一种:室上性心拍、室性心拍、房扑房颤心拍和起搏心拍。
这种情况下,将目标心拍分类的融合后的心拍数据确定为单心拍波形数据,可通过以下步骤实现:
首先,按照心拍分类的优先级由高到低的顺序,将优先级最高的心拍分类确定为目标心拍分类;
然后,将目标心拍分类的融合后的心拍数据确定为单心拍波形数据;其中,各个心拍分类的优先级从高到低依次为:窦性心拍、室上性心拍、房扑房颤心拍、起搏心拍、室性心拍。
窦性心拍是心脏的正常节律,其心电波形相对稳定,因此在医学上,窦性心拍常作为参考标准,用于评估其他类型的心律失常。当心脏出现病变,如心肌梗死、心肌炎等,心电图上的波形会发生相应的改变,这些改变可以通过与窦性心拍的波形进行比较来评估心脏病变的程度。
此外,窦性心拍的心电图还可以反映出心脏的电生理活动,这对于诊断和治疗心脏疾病非常重要。例如,心肌梗死的诊断就可通过窦性心拍的心电图来检测是否存在异常Q波。
也就是说,窦性心拍的心电图可以作为评估心脏状况的基准,可以更准确地诊断和治疗心脏疾病。因此,在本申请实施例提供的方案中,将窦性心拍的优先级设置为最高优先级,则有利于提高心律预测的准确度。
在一种可行的设计中,将优先级最高的心拍分类确定为目标心拍分类这一步骤中,可将优先级最高的N种心拍分类确定为目标心拍分类,其中,N为大于或等于1的整数。
如果将优先级最高的一种心拍分类确定为目标心拍分类(即N为1),则如果某一心拍片段包括窦性心拍,则窦性心拍为目标心拍分类;如果某一心拍片段不包括窦性心拍且包括室上性心拍,则根据各个心拍分类的优先级,则可根据各个心拍分类的优先级,确定室上性心拍为目标心拍分类。
如果将优先级最高的至少两种心拍分类确定为目标心拍分类(即N大于1),则分别将各目标心拍分类进行融合,得到相应的至少两种融合后的心拍数据,并将这两种融合后的心拍数据作为单心拍波形数据。
其中,N的数值可根据心律预测的需求设定,如果对心律预测的效率要求较高,则可将N设置为较小的数值;如果对心律预测的准确度要求较高,则可将N设置为较大的数值。
在步骤S13中,提供基于心电数据和心电特征数据,确定待预测对象在第二时间段的心律信息的操作。该操作可包括以下步骤:
通过预先训练的心律预测模型,基于心电数据和心电特征数据,确定第二时间段出现可电击心律的概率。
其中,心律预测模型是使用第一数据集和第二数据集对神经网络模型进行训练得到的;第一数据集包括从不同测试对象采集的正样本数据和正样本数据对应的正样本标签;第二数据集包括从不同测试对象采集的负样本数据和负样本数据对应的负样本标签。
在这一实施例中,通过测试对象在测试周期内,是否发生正确电击事件,对从不同测试对象采集的数据进行标签化,即确定从不同测试对象采集的数据是正样本数据还是负样本数据,并且为正样本数据赋予正样本标签,以及为负样本数据赋予负样本标签。
其中,正样本数据是在每个测试对象的测试周期内发生正确电击事件的情况下,基于正确电击时刻之前的样本心电数据确定的,相应地,该正样本标签能够表征在正确电击时刻所属时间段内出现可电击心律的概率大于或等于第一概率阈值。
另外,负样本数据是在每个测试对象的测试周期内未发生正确电击事件的情况下,基于测试周期的时间终点之前的样本心电数据确定的,相应地,负样本标签能够表征在时间终点所属时间段内出现可电击心律的概率小于第二概率阈值。
其中,第一概率阈值与第二概率阈值的具体数值可预先设置,并且还可根据心律预测的需求进行调整。通常情况下,对心律预测的准确度要求越高,则第一概率阈值越高,而且第二概率阈值越小。
在本申请实施例中,通过预先训练的心律预测模型,确定第二时间段出现可电击心律的概率,在一种可行的设计中,心律预测模型可通过以下方式训练:
第一步,获取采集的不同测试对象的样本心电数据。
第二步,根据该样本心电数据,确定第一数据集和第二数据集,其中,第一数据集包括从不同测试对象采集的正样本数据和正样本数据对应的正样本标签,第二数据集包括从不同测试对象采集的负样本数据和负样本数据对应的负样本标签。
其中,正样本数据是在每个测试对象的测试周期内发生正确电击事件的情况下,基于正确电击时刻之前的样本心电数据确定的。
示例性的,该正样本数据可包括测试对象在测试周期内发生正确电击事件的情况下,基于正确电击事件的发生时刻之前的预设时长的样本心电数据,所提取的心率变异性时域指标样本和心率变异性频域指标样本。
或者,该正样本数据可包括测试对象在测试周期内发生正确电击事件的情况下,基于正确电击时刻之前的样本心电数据提取的心率失常统计指标样本。
或者,该正样本数据可包括测试对象在测试周期内发生正确电击事件的情况下,基于正确电击时刻之前的样本心电数据,提取的该电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段样本。
或者,该正样本数据可包括测试对象在测试周期内发生正确电击事件的情况下,基于正确电击时刻之前的样本心电数据,所确定的单心拍波形数据样本。
当然,该正样本数据还可同时包括上述的心率变异性时域指标样本和心率变异性频域指标样本、心率失常统计指标样本、心电片段样本和单心拍波形数据样本中的至少两种。正样本数据的数据类型与上述用于预测第二时间段的心律信息时的数据类型一致。
另外,负样本数据是在每个测试对象的测试周期内未发生正确电击事件的情况下,基于测试周期的时间终点之前的样本心电数据确定的。
示例性的,该负样本数据可包括测试对象在测试周期内未发生正确电击事件的情况下,基于测试周期的时间终点之前的样本心电数据,所提取的心率变异性时域指标样本和心率变异性频域指标样本。
或者,该负样本数据可包括测试对象在测试周期内未发生正确电击事件的情况下,基于测试周期的时间终点之前的样本心电数据,提取的心率失常统计指标样本。
或者,该负样本数据可包括测试对象在测试周期内未发生正确电击事件的情况下,按照预设提取周期,从测试周期的时间终点之前的样本心电数据中提取的单位时长的心电片段样本。
或者,该负样本数据可包括测试对象在测试周期内未发生正确电击事件的情况下,基于测试周期的时间终点之前的样本心电数据,所确定的单心拍波形数据样本。
当然,该负样本数据还可同时包括上述的心率变异性时域指标样本和心率变异性频域指标样本、心率失常统计指标样本、心电片段样本和单心拍波形数据样本中的至少两种。
第三步,基于第一数据集和第二数据集,对心律预测模型进行训练,获取训练后的心律预测模型。
其中,在对心律预测模型进行训练的过程中,可将第一数据集和第二数据集拆分成训练集和验证集,其中,训练集和验证集中数据含量的比例可为7:3,当然,该比例也可为其他值,本申请实施例对此不作限定。然后,依据训练集构建相应的心律预测模型,然后依据验证集调整心律预测模型的参数,直至该心律预测模型的输出结果的准确度符合预设要求,该准确度符合预设要求的心律预测模型即为训练好的心律预测模型。
在本申请实施例中,心律预测模型可为多种形式的模型,例如,该心律预测模型可为1维残差卷积神经网络模型。
其中,图6为一种1维残差卷积神经网络模型的示例图,参见图6,该1维残差卷积神经网络模型由多个卷积层、平均池化层和两个全连接层构成,卷积层的卷积核可为1×1或3×1等。
当然,本申请应用的1维残差卷积神经网络模型还可为其他形式,本申请实施例对此不作限定。
另外,在一种可行的设计中,该心律预测模型可包括多个模块,各个模块可接收不同类型的数据,然后根据接收到的数据输出第二时间段出现可电击心律的概率。
例如,参见图7所示的示例图,如果用于进行心律预测的数据包括:心电片段、单心拍波形、时长1的心率变异性指标(例如心率变异性时域指标和心率变异性频域指)、时长2的心率变异性指标和心律失常统计指标,则该心律预测模型可包括以下模块:心电片段模块、单心拍波形模块、时长1的心率变异性指标模块、时长2的心率变异性指标模块和心律失常统计指标模块。各个模块分别用于接收对应的数据,心律预测模型根据各个模块,输出第二时间段出现可电击心律的概率。
本申请实施例提供的心律预测方法,可确定待预测对象在第二时间段的心律信息,该心律信息可用于对除颤器进行控制。针对这一情况,本申请提供另一实施例,参见图8所示的工作流程示意图,该实施例中,在步骤S13之后,还包括以下操作:
步骤S14、获取在当前除颤判决周期对应的待预测对象的实时心电数据。
步骤S15、基于实时心电数据确定除颤判决结果。
在一种可行的设计中,可通过对实时心电数据进行预处理和节律分析的方式,确定除颤判决结果。
在对实时心电数据进行预处理的过程中,通常首先采用FIR数字滤波器,对通过各个心电采集组件采集到的实时心电数据进行滤波,以实现在通带范围内具有线性的相位延迟,然后再依次通过高通滤波器、低通滤波器和工频陷波器,分别对实时心电数据进行基线漂移、高频干扰和工频干扰的抑制,以完成对实时心电数据的预处理。其中,预处理后,实时心电信号的频率通常为0.67~40Hz。
在完成预处理后,需要对预处理后的实时心电数据进行节律分析。在节律分析的过程中,首先根据预设的时间窗(例如8秒时间窗)提取各个心电采集组件采集到的实时心电数据的特征值,该特征值可以包括以下至少一种:RR间期、RR间期变异度、RR波峰变异度、斜率变异度、幅度概率密度、扩展时延特征和归一化阶矩特征;然后通过阈值积分策略等方法,确定各个心电采集组件采集到的实时心电数据的节律分析结果;再计算每个心电采集组件采集到的实时心电数据的输入阻抗方差,通过输入阻抗方差对各实时心电数据的信号质量进行量化;根据量化结果,对每个心电采集组件采集到的实时心电数据的节律分析结果进行加权,得到综合的节律分析结果。
在得到综合的节律分析结果之后,即可根据该综合的节律分析结果,确定除颤判决结果。
步骤S16、基于当前除颤判决周期所属第二时间段的心律信息,控制除颤器执行除颤判决结果。
也就是说,在本申请实施例中,控制除颤器是否执行除颤判决结果时,还考虑到当前除颤判决周期所属第二时间段的心律信息,因此,能够提高除颤器执行除颤判决结果的准确度。
在一种可行的设计中,参见图9所示的工作流程示意图,步骤S16中基于当前除颤判决周期所属第二时间段的心律信息,控制除颤器执行除颤判决结果的操作,可通过以下步骤实现:
步骤S161、在除颤判决结果指示执行除颤相关动作的情况下,若当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值,则延长当前除颤判决周期的时长,以基于延长后的除颤判决周期对应的实时心电数据,再次确定除颤判决结果。
在本申请中,如果当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值,则表示该待预测对象在当前除颤判决周期对应的第二时间段进行可电击心律的概率较小。这种情况下,如果除颤判决结果指示执行除颤相关动作,则该除颤判决结果可能是误判,例如待预测对象的动作可能发生较大变化,或者采集实时心电数据的心电采集组件在待预测对象上发生滑动,或者心电采集组件与待预测对象的衣物发生摩擦等,均有可能导致除颤判决结果出现误判。
这种情况下,在本申请实施例中,如果除颤判决结果指示执行除颤相关动作,并且当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值,则暂时不执行除颤判决结果,而是延长当前除颤判决周期的时长,以基于延长后的除颤判决周期对应的实时心电数据,再次确定除颤判决结果。
另外,在这一步骤中,第二概率阈值可为0.3,当然,第二概率阈值还可为其他数值,本申请实施例对此不作限定。
步骤S162、在除颤判决结果仍指示执行除颤相关动作的情况下,控制除颤器执行所述除颤判决结果。
在一种可行的设计中,执行除颤判决结果可包括输出除颤提示和/或输出除颤能量,其中,输出除颤提示指的是显示除颤器可执行可电击心律的提示,输出除颤能量指的是输出可电击心律的能量,以执行可电击心律。
其中,如果执行除颤判决结果同时包括输出除颤提示和输出除颤能量,则在执行除颤判决结果的过程中,可先显示除颤器可执行可电击心律的提示,若提示显示的时长达到预设的时长阈值,且除颤器未接收到终止除颤的操作时,则输出除颤能量,以使除颤器执行可电击心律。
在这一设计的一个示例中,终止除颤的操作可为用户针对除颤器的反馈按钮的触控操作,如果用户按下该反馈按钮,则除颤器可确定接收到终止除颤的操作。
或者,在另一可行的设计中,执行除颤判决结果为输出除颤能量。这种情况下,如果在步骤S161中,除颤判决结果指示执行除颤判决结果的情况下,不论当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率是否小于第二概率阈值,均输出除颤提示。如果当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值,则继续输出除颤提示,即在延长当前除颤判决周期的时长的同时,还延长输出除颤提示的时长。
在本申请实施例中,在控制除颤器执行除颤判决结果时,综合考虑基于实时心电数据确定的除颤判决结果和当前除颤判决周期对应的第二时间段的心律信息,从而能够减少误判造成的影响,提高控制除颤器执行除颤判决结果的准确度。
在这一实施例中,如果除颤判决结果指示执行除颤判决结果,并且当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值,则延长当前除颤判决周期的时长,以基于延长后的除颤判决周期对应的实时心电数据,再次确定除颤判决结果。如果再次确定的除颤判决结果仍指示执行除颤判决结果,则控制除颤器执行除颤判决结果。另外,如果再次确定的除颤判决结果指示不执行除颤判决结果,则控制除颤器不执行所述除颤判决结果,并继续确定下一除颤判决周期的除颤判决结果。
在上述实施例中,提供了除颤判决结果指示执行除颤判决结果,而当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值的情况下,对除颤器的控制操作。在其他场景中,有时还会出现除颤判决结果指示执行除颤判决结果时,当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率不小于第二概率阈值的情况,这种情况下,则认为需要对待预测对象执行除颤判决结果,可控制该除颤器执行除颤判决结果。
另外,通过步骤S13确定的待预测对象在第二时间段的心律信息,可包括待预测对象在距离当前除颤判决周期较远的时间段内出现可电击心律的概率。针对这一情况,本申请实施例还可包括以下操作:
如果待预测对象在第二时间段的心律信息表征该待预测对象在目标除颤判决周期的可电击心律的概率大于第三概率阈值,则执行警示操作。
其中,目标除颤判决周期位于当前除颤判决周期之后,并且目标除颤判决周期的开始时刻与当前时刻的差值大于预设差值,即目标除颤判决周期距离当前时刻较远,例如,目标除颤判决周期可为当前时刻五天后的除颤判决周期。
如果该待预测对象在目标除颤判决周期的可电击心律的概率大于第三概率阈值,则表明该预测对象在目标除颤判决周期出现可电击心律的可能性较大,这种情况下,则通过警示操作,警示对该待预测对象采取相应措施,例如对该待预测对象采取医疗干预。
在一种可行的设计中,该警示操作可包括输出警示提示,通过该警示提示起到提示对待预测对象采取相应措施的作用。当然,该警示操作也可包括其他起到警示作用的操作,本申请实施例对此不作限定。
现有技术中,除颤器通过对心电数据进行节律分析所得到的分析结果,进行除颤。但是节律分析的准确度较易受到各种因素的影响,例如,该准确度可能会受到节律分析的算法精度、患者的运动状态等因素的影响,导致除颤器节律分析的准确度较低,进一步导致除颤控制的准确度较低。针对这一问题,本申请另一实施例提供一种除颤控制方法,参见图10所示的工作流程示意图,该方法包括以下步骤:
步骤S21、获取在第一时间段内采集的待预测对象的心电数据。
该步骤的具体操作过程可参考步骤S11,此处不再赘述。
步骤S22、至少基于该心电数据,确定待预测对象在第二时间段的心律信息;其中,第二时间段位于第一时间段之后,该心律信息能够表征在第二时间段出现可电击心律的概率。
步骤S23、在到达第二时间段内的当前除颤判决周期的情况下,获取当前除颤判决周期对应的待预测对象的实时心电数据。
步骤S24、基于实时心电数据确定除颤判决结果。
步骤S25、基于第二时间段的心律信息,控制除颤器执行除颤判决结果。
通过本申请实施例提供的方案进行除颤控制时,综合考虑到待预测对象在第二时间段的心律信息,以及当前除颤判决周期对应的待预测对象的实时心电数据。而现有技术在进行除颤控制时,只利用当前除颤判决周期对应的待预测对象的实时心电数据。因此,与现有技术相比,本申请实施例提供的方案还能够提高除颤控制的准确度。
在一种可行的设计中,在步骤S22中,可基于该心电数据,提取该心电数据的心电特征,得到心电特征数据,然后根据该心电数据和心电特征数据,确定待预测对象在第二时间段的心律信息。
其中,如果第二时间段包括第一时长的第二时间段和第二时长的第二时间段,则提取心电数据的心电特征,得到心电特征数据的操作,可包括以下步骤:
基于心电数据,提取与预测第一时长的第二时间段的心律信息相适配的心电特征,得到第一心电特征数据;
基于心电数据,提取与预测第二时长的第二时间段的心律信息相适配的心电特征,得到第二心电特征数据。
其中,第一心电特征数据可用于确定第一时长的第二时间段的心律信息;第二心电特征数据可用于确定第二时长的第二时间段的心律信息。
相应的,在一种可行的设计中,基于心电数据和心电特征数据,确定所述待预测对象在第二时间段的心律信息的操作,可包括以下步骤:
第一步,至少基于心电数据和第一心电特征数据,确定第一时长的第二时间段的心律信息;
第二步,至少基于心电数据和第二心电特征数据,确定第二时长的第二时间段的心律信息。
另外,在一种可行的设计中,基于心电数据,提取与预测第一时长的第二时间段的心律信息相适配的心电特征,得到第一心电特征数据的操作可通过以下步骤实现:
在第一时间段内发生电击事件的情况下,基于电击事件的发生时刻之前的预设时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到第一心电特征数据。
其中,如果在第一时间段内发生电击事件,则可将电击事件发生的发生时刻称为基准时刻,并在基准时刻向前的位置处提取预设时长的心电数据,再通过该心电数据提取心率变异性时域指标和心率变异性频域指标,以得到第一心电特征数据。
该心率变异性时域指标和心率变异性频域指标可参见上述实施例,此处不再赘述。
或者,在第一时间段内未发生电击事件的情况下,基于每个自然日预设时刻处的第一时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到第一心电特征数据。
其中,预设时长与第二时长也可为其他的时长,本申请实施例对此不作限定。
在一种可行的设计中,基于心电数据,提取与预测第二时长的第二时间段的心律信息相适配的心电特征,得到第二心电特征数据的操作可通过以下步骤实现:
基于每个第二时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到第二心电特征数据。
该心率变异性时域指标和心率变异性频域指标可参见上述实施例,此处不再赘述。
另外,在一种可行的设计中,至少基于心电数据和第二心电特征数据,确定第二时长的第二时间段的心律信息的操作可包括以下步骤:
首先,确定每个第二时长的心电数据的心律失常统计指标。
示例性的,该心律失常统计指标可包括以下至少一种:平均心率、最快心率、最慢心率、室早总数量、非持续性室速数量、心室率≥200bpm的室上性心动过速数量和RonT数量。
然后,基于心电数据、第二心电特征数据和心律失常统计指标,确定第二时长的第二时间段的心律信息。
在步骤S23中,公开至少基于心电数据,确定待预测对象在第二时间段的心律信息的操作。在一种可行的设计中,该操作可包括以下步骤:
首先,按照预设规则从心电数据中提取至少一段心电片段;
然后,基于至少一段心电片段和心电特征数据,确定第二时间段的心律信息。
为了明确提取心电片段的方式,本申请提供另一实施例,在该实施例中,至少基于心电数据和第一心电特征数据,确定第一时长的第二时间段的心律信息的操作包括以下操作:
在第一时间段内未发生电击事件的情况下,按照预设提取周期从第一时间段的心电数据中提取单位时长的心电片段;
在第一时间段内发生电击事件的情况下,提取电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段。
进一步的,目标时刻至少包括第一目标时刻,第一目标时刻与发生时刻相距第一提取时长,相应地,在这种情况下,提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段,包括:
获取发生时刻之前的第一提取时长的心电数据,将第一提取时长的心电数据按照单位时长进行分割,得到心电片段。
进一步的,目标时刻还可包括位于第一目标时刻之前的至少一个第二目标时刻,相应地,提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段,包括:
对于第一目标时刻之前的每个第二目标时刻,基于第二目标时刻的心电数据提取单位时长的心电片段;其中,不同时间段内第二目标时刻的数量与对应时间段距离发生时刻的时长呈负相关关系。
在本申请实施例中,有些心电片段的信号质量可能较差,例如,如果心电采集组件从待预测对象上脱落,或者心电采集组件与待预测对象不够贴合,或者在采集该心电片段的过程中,待预测对象的运动动作较大,均可能导致心电片段的信号质量较差。针对这一情况,本申请提供另一实施例,该实施例还包括以下步骤:
在按照预设规则从心电数据中提取至少一段心电片段后,获取每段心电片段对应的输入阻抗方差;
第一步,基于输入阻抗方差确定心电片段的信号质量。
第二步,基于输入阻抗方差确定心电片段的信号质量。
第三步,在所述信号质量不满足预设质量条件的情况下,基于所述心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段;其中,更新后的心电片段的信号质量满足所述预设质量条件。
在本申请中,心电数据通常由至少两个心电采集组件采集;相应地,每段心电片段包括不同心电采集组件采集、且与同一采集时刻对应的至少两部分心电片段。这种情况下,在信号质量不满足预设质量条件的情况下,基于心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段,包括:
对于每段心电片段,在至少两部分心电片段中的至少一部分心电片段的信号质量不满足预设质量条件的情况下,基于心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段。
在本申请中,基于心电数据和心电特征数据确定待预测对象在第二时间段的心律信息。在一种可行的设计中,该心电特征数据包括每段心电片段的单心拍波形数据。
这种情况下,基于至少一段心电片段和心电特征数据,确定第二时间段的心律信息的操作,可包括以下步骤:
首先,确定每段心电片段的单心拍波形数据;
然后,至少基于至少一段心电片段、每段心电片段对应的单心拍波形数据,确定第二时间段的心律信息。
其中,可通过以下步骤确定每段片段的单心拍波形数据:
第一步,识别所述心电片段中的心拍位置。
第二步,基于每个心拍位置提取心拍位置对应的心拍波形。
第三步,确定每个心拍波形中各个波形数据所属的心拍分类。
第四步,基于不同心拍波形中属于同一心拍分类的波形数据进行融合,得到各个心拍分类融合后的心拍数据。
第五步,将目标心拍分类的融合后的心拍数据确定为单心拍波形数据。
在本申请实施例提供的方案中,心拍分类可包括多种。在一种可行的设计中,心拍分类包括窦性心拍和以下几种中的至少一种:室上性心拍、室性心拍、房扑房颤心拍和起搏心拍。
这种情况下,将目标心拍分类的融合后的心拍数据确定为单心拍波形数据,可通过以下步骤实现:
首先,按照心拍分类的优先级由高到低的顺序,将优先级最高的心拍分类确定为目标心拍分类;
然后,将目标心拍分类的融合后的心拍数据确定为单心拍波形数据;其中,各个心拍分类的优先级从高到低依次为:窦性心拍、室上性心拍、房扑房颤心拍、起搏心拍、室性心拍。
在步骤S23中,提供至少基于心电数据,确定待预测对象在第二时间段的心律信息的操作。该操作可包括以下步骤:
通过预先训练的心律预测模型,基于心电数据和心电特征数据,确定第二时间段出现可电击心律的概率。
其中,心律预测模型是使用第一数据集和第二数据集对神经网络模型进行训练得到的;第一数据集包括从不同测试对象采集的正样本数据和正样本数据对应的正样本标签;第二数据集包括从不同测试对象采集的负样本数据和负样本数据对应的负样本标签。
在这一实施例中,通过测试对象在测试周期内,是否发生正确电击事件,对从不同测试对象采集的数据进行标签化,即确定从不同测试对象采集的数据是正样本数据还是负样本数据,并且为正样本数据赋予正样本标签,以及为负样本数据赋予负样本标签。
其中,正样本数据是在每个测试对象的测试周期内发生正确电击事件的情况下,基于正确电击时刻之前的样本心电数据确定的,相应地,该正样本标签能够表征在正确电击时刻所属时间段内出现可电击心律的概率大于或等于第一概率阈值。
另外,负样本数据是在每个测试对象的测试周期内未发生正确电击事件的情况下,基于测试周期的时间终点之前的样本心电数据确定的,相应地,负样本标签能够表征在时间终点所属时间段内出现可电击心律的概率小于第二概率阈值。
其中,心律预测模型的训练方式可参见上述实施例,此处不再赘述。
在步骤S25中,公开基于当前除颤判决周期所属第二时间段的心律信息,控制除颤器执行除颤判决结果的操作,该操作可通过以下步骤实现:
首先,在除颤判决结果指示执行除颤相关动作的情况下,若当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值,则延长当前除颤判决周期的时长,以基于延长后的除颤判决周期对应的实时心电数据,再次确定除颤判决结果。
然后,在除颤判决结果仍指示执行除颤相关动作的情况下,控制除颤器执行所述除颤判决结果。
另外,如果再次确定的除颤判决结果指示不执行除颤判决结果,则控制除颤器不执行所述除颤判决结果,并继续确定下一除颤判决周期的除颤判决结果。
进一步的,通过步骤S23确定的待预测对象在第二时间段的心律信息,可包括待预测对象在距离当前除颤判决周期较远的时间段内出现可电击心律的概率。针对这一情况,本申请实施例还可包括以下操作:
如果待预测对象在第二时间段的心律信息表征该待预测对象在目标除颤判决周期的可电击心律的概率大于第三概率阈值,则执行警示操作。
其中,目标除颤判决周期位于当前除颤判决周期之后,并且目标除颤判决周期的开始时刻与当前时刻的差值大于预设差值,即目标除颤判决周期距离当前时刻较远,例如,目标除颤判决周期可为当前时刻五天后的除颤判决周期。
如果该待预测对象在目标除颤判决周期的可电击心律的概率大于第三概率阈值,则表明该预测对象在目标除颤判决周期出现可电击心律的可能性较大,这种情况下,则通过警示操作,警示对该待预测对象采取相应措施。
与前述实施例相对应,本申请还提供了一种计算机设备,参见图11所示的结构示意图,所述计算机设备包括:
处理器1101和存储器,
所述存储器中存储有程序指令;
所述处理器1101,用于调用并执行所述存储器中存储的程序指令,当所述存储器存储的程序指令被所述处理器1101执行时,使得所述计算机设备执行图1至图5,或者图7至图9对应的实施例中的全部或部分步骤。
进一步的,该计算机设备还可以包括:收发器1102和总线1103,所述存储器包括随机存取存储器1104和只读存储器1105。
其中,处理器通过总线分别耦接收发器、随机存取存储器以及只读存储器。其中,当需要运行该计算机设备时,通过固化在只读存储器中的基本输入输出系统或者嵌入式系统中的bootloader引导系统进行启动,引导该计算机设备进入正常运行状态。在该计算机设备进入正常运行状态后,在随机存取存储器中运行应用程序和操作系统,从而使所述计算机设备执行图1至图5,或者图7至图9对应的实施例中的全部或部分步骤。
相应的,在本申请另一实施例提供一种除颤器,该除颤器至少包括:信号采集组件和与所述信号采集组件相连的控制组件。
其中,所述信号采集组件适于与待预测对象相接触,以采集所述待预测对象在第一时间段内的心电数据。
在一种可行的设计中,该除颤器包括至少两个信号采集组件,在采集待预测对象的心电数据的过程中,不同信号采集组件与待预测对象不同位置相接触,以通过不同位置采集相应的心电数据。
所述控制组件,用于:
获取在第一时间段内采集的所述待预测对象的心电数据;
提取所述心电数据的心电特征,得到心电特征数据;
基于所述心电数据和所述心电特征数据 ,确定所述待预测对象在第二时间段的心律信息;其中,所述第二时间段位于所述第一时间段之后,所述心律信息能够表征在所述第二时间段出现可电击心律的概率。
其中,控制组件确定待预测对象在第二时间段的心律信息的具体操作可参见上述实施例,此处不再赘述。
本申请实施例提供的除颤器能够在获取第一时间段内采集的待预测对象的心电数据之后,提取该心电数据的心电特征,得到心电特征数据,再基于心电数据和心电特征数据,确定待预测对象在第二时间段的心律信息,由于第二时间段位于第一时间段之后,因此通过待预测对象在第二时间段的心律信息,可实现对心律的预测,满足对心律预测的需求。
另外,该除颤器在进行心律预测时,综合考虑了心电数据和心电特征数据,因此,获取的心律预测结果的准确度较高。
进一步的,本申请实施例提供的除颤器中的控制组件还可用于执行以下步骤:
在确定所述待预测对象在第二时间段的心律信息之后,在到达第二时间段内的当前除颤判决周期的情况下,获取当前除颤判决周期对应的待预测对象的实时心电数据;
基于实时心电数据确定除颤判决结果;
基于第二时间段的心律信息,控制除颤器执行除颤判决结果。
其中,控制组件执行上述步骤的具体操作过程可参照上述实施例,此处不再赘述。
控制组件通过执行上述步骤,能够控制除颤器执行除颤判决结果,并且,该控制组件在控制除颤器执行除颤判决结果时,综合考虑基于实时心电数据确定的除颤判决结果和当前除颤判决周期对应的第二时间段的心律信息,从而能够减少误判造成的影响,提高控制除颤器执行除颤判决结果的准确度。
具体实现中,本申请实施例还提供一种计算机存储介质,其中,所述计算机存储介质中存储有计算机程序或指令,当所述计算机程序或指令被执行时,可使计算机实施包括图1至图5,或者图7至图9对应的实施例中的全部或部分步骤。
该计算机可读存储介质设置在任意设备中,所述任意设备可为随机存取存储器(random-access memory,RAM),该存储器也可以包括非易失性存储器(non-volatilememory),例如只读存储器(read-only memory,ROM),快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);存储器还可以包括上述种类的存储器的组合等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质、或者半导体介质(例如固态硬盘(solid statedisk,SSD))等。
本说明书的各个实施例之间相同相似的部分互相参见即可,每个实施例重点介绍的都是与其他实施例不同之处。尤其,对于装置和系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例部分的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (17)
1.一种心律预测方法,其特征在于,所述方法包括:
获取在第一时间段内采集的待预测对象的心电数据;
提取所述心电数据的心电特征,得到心电特征数据,所述心电特征数据包括每段心电片段的单心拍波形数据,所述提取所述心电数据的心电特征,得到心电特征数据,包括:按照预设规则从所述心电数据中提取至少一段心电片段,识别所述心电片段中的心拍位置,基于每个心拍位置提取所述心拍位置对应的心拍波形,确定每个心拍波形中各个波形数据所属的心拍分类,基于不同心拍波形中属于同一心拍分类的波形数据进行融合,得到各个心拍分类融合后的心拍数据,将目标心拍分类的融合后的心拍数据确定为所述单心拍波形数据;
基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息;其中,所述第二时间段位于所述第一时间段之后,所述心律信息能够表征在所述第二时间段出现可电击心律的概率;
所述基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息,包括:
至少基于所述至少一段心电片段、每段心电片段对应的单心拍波形数据,确定所述第二时间段的心律信息。
2.根据权利要求1所述的方法,其特征在于,所述第二时间段包括第一时长的第二时间段和第二时长的第二时间段;所述第二时长大于所述第一时长;相应地,
所述提取所述心电数据的心电特征,得到心电特征数据,包括:
基于所述心电数据,提取与所述第一时长的第二时间段的心律信息相适配的心电特征,得到第一心电特征数据;
基于所述心电数据,提取与所述第二时长的第二时间段的心律信息相适配的心电特征,得到第二心电特征数据;
所述基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息,包括:
至少基于所述心电数据和所述第一心电特征数据,确定所述第一时长的第二时间段的心律信息;
至少基于所述心电数据和所述第二心电特征数据,确定所述第二时长的第二时间段的心律信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所述心电数据,提取与所述第一时长的第二时间段的心律信息相适配的心电特征,得到第一心电特征数据,包括:
在所述第一时间段内发生电击事件的情况下,基于所述电击事件的发生时刻之前的预设时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到所述第一心电特征数据;
或者,
在所述第一时间段内未发生电击事件的情况下,基于每个自然日预设时刻处的第一时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到所述第一心电特征数据。
4.根据权利要求2所述的方法,其特征在于,所述基于所述心电数据,提取与所述第二时长的第二时间段的心律信息相适配的心电特征,得到第二心电特征数据,包括:
基于每个第二时长的心电数据,提取心率变异性时域指标和心率变异性频域指标,得到所述第二心电特征数据。
5.根据权利要求2所述的方法,其特征在于,所述至少基于所述心电数据和所述第二心电特征数据,确定所述第二时长的第二时间段的心律信息,包括:
确定每个第二时长的心电数据的心律失常统计指标;
基于所述心电数据、所述第二心电特征数据和所述心律失常统计指标,确定所述第二时长的第二时间段的心律信息。
6.根据权利要求1所述的方法,其特征在于,所述按照预设规则从所述心电数据中提取至少一段心电片段,包括:
在所述第一时间段内未发生电击事件的情况下,按照预设提取周期从所述第一时间段的心电数据中提取单位时长的心电片段;
在所述第一时间段内发生电击事件的情况下,提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段。
7.根据权利要求6所述的方法,其特征在于,所述目标时刻至少包括第一目标时刻,所述第一目标时刻与所述发生时刻相距第一提取时长;相应地,
所述提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段,包括:
获取所述发生时刻之前的第一提取时长的心电数据,将所述第一提取时长的心电数据按照所述单位时长进行分割,得到所述心电片段。
8.根据权利要求7所述的方法,其特征在于,所述目标时刻还包括位于所述第一目标时刻之前的至少一个第二目标时刻;相应地,
所述提取所述电击事件发生时刻之前的至少一个目标时刻处的单位时长的心电片段,包括:
对于所述第一目标时刻之前的每个第二目标时刻,基于所述第二目标时刻的心电数据提取单位时长的心电片段;其中,不同时间段内所述第二目标时刻的数量与对应时间段距离所述发生时刻的时长呈负相关关系。
9.根据权利要求1所述的方法,其特征在于,所述按照预设规则从所述心电数据中提取至少一段心电片段之后,还包括:
获取所述每段心电片段对应的输入阻抗方差;
基于所述输入阻抗方差确定所述心电片段的信号质量;
在所述信号质量不满足预设质量条件的情况下,基于所述心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段;其中,更新后的心电片段的信号质量满足所述预设质量条件。
10.根据权利要求9所述的方法,其特征在于,所述心电数据由至少两个心电采集组件采集;相应地,每段心电片段包括不同心电采集组件采集、且与同一采集时刻对应的至少两部分心电片段;
所述在所述信号质量不满足预设质量条件的情况下,基于所述心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段,包括:
对于每段心电片段,在所述至少两部分心电片段中的至少一部分心电片段的信号质量不满足所述预设质量条件的情况下,基于所述心电片段的原始提取时刻重新提取心电片段,得到更新后的心电片段。
11.根据权利要求1所述的方法,其特征在于,所述心拍分类包括窦性心拍和以下几种中的至少一种:室上性心拍、室性心拍、房扑房颤心拍和起搏心拍;相应地,
所述将目标心拍分类的融合后的心拍数据确定为所述单心拍波形数据,包括:
按照心拍分类的优先级由高到低的顺序,将优先级最高的心拍分类确定为目标心拍分类;
将所述目标心拍分类的融合后的心拍数据确定为所述单心拍波形数据;
其中,各个心拍分类的优先级从高到低依次为:窦性心拍、室上性心拍、房扑房颤心拍、起搏心拍、室性心拍。
12.根据权利要求1所述的方法,其特征在于,所述基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息,包括:
通过预先训练的心律预测模型,基于所述心电数据和所述心电特征数据,确定所述第二时间段出现可电击心律的概率;
其中,所述心律预测模型是使用第一数据集和第二数据集对神经网络模型进行训练得到的;所述第一数据集包括从不同测试对象采集的正样本数据和所述正样本数据对应的正样本标签;所述第二数据集包括从不同测试对象采集的负样本数据和所述负样本数据对应的负样本标签;
所述正样本数据是在每个测试对象的测试周期内发生正确电击事件的情况下,基于正确电击时刻之前的样本心电数据确定的,相应地,所述正样本标签能够表征在所述正确电击时刻所属时间段内出现可电击心律的概率大于或等于第一概率阈值;
所述负样本数据是在每个测试对象的测试周期内未发生正确电击事件的情况下,基于所述测试周期的时间终点之前的样本心电数据确定的,相应地,所述负样本标签能够表征在所述时间终点所属时间段内出现可电击心律的概率小于第二概率阈值。
13.一种除颤控制装置,其特征在于,所述装置包括:获取模块、确定模块和控制模块;
所述获取模块用于获取在第一时间段内采集的待预测对象的心电数据;
所述确定模块用于至少基于所述心电数据,确定所述待预测对象在第二时间段的心律信息;其中,所述第二时间段位于所述第一时间段之后,所述心律信息能够表征在所述第二时间段出现可电击心律的概率,其中,所述确定模块通过以下方式确定所述待预测对象在第二时间段的心律信息:提取所述心电数据的心电特征,得到心电特征数据,再基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息,所述心电特征数据包括每段心电片段的单心拍波形数据;所述确定模块通过以下方式提取所述心电数据的心电特征,得到心电特征数据:按照预设规则从所述心电数据中提取至少一段心电片段,识别所述心电片段中的心拍位置,基于每个心拍位置提取所述心拍位置对应的心拍波形,确定每个心拍波形中各个波形数据所属的心拍分类,基于不同心拍波形中属于同一心拍分类的波形数据进行融合,得到各个心拍分类融合后的心拍数据,将目标心拍分类的融合后的心拍数据确定为所述单心拍波形数据;所述确定模块通过以下方式确定所述待预测对象在第二时间段的心律信息:至少基于所述至少一段心电片段、每段心电片段对应的单心拍波形数据,确定所述第二时间段的心律信息;
所述获取模块还用于在到达所述第二时间段内的当前除颤判决周期的情况下,获取所述当前除颤判决周期对应的所述待预测对象的实时心电数据;
所述确定模块还用于基于所述实时心电数据确定除颤判决结果;
所述控制模块用于基于所述第二时间段的心律信息,控制除颤器执行所述除颤判决结果。
14.根据权利要求13所述的装置,其特征在于,所述控制模块具体用于,在所述除颤判决结果指示执行除颤相关动作的情况下,若所述当前除颤判决周期对应的第二时间段的心律信息所表征的可电击心律的概率小于第二概率阈值,则延长所述当前除颤判决周期的时长,以基于延长后的除颤判决周期对应的实时心电数据,再次确定所述除颤判决结果;
在所述除颤判决结果仍指示执行除颤相关动作的情况下,控制所述除颤器执行所述除颤判决结果。
15.一种计算机设备,其特征在于,所述设备包括处理器和与所述处理器相连的存储器,所述存储器中存储有程序指令,当所述程序指令被所述处理器执行时,使得所述计算机设备执行权利要求1至12任一所述的心律预测方法。
16.一种除颤器,其特征在于,所述除颤器至少包括:信号采集组件和与所述信号采集组件相连的控制组件;
所述信号采集组件适于与待预测对象相接触,以采集所述待预测对象在第一时间段内的心电数据;
所述控制组件,用于:
获取在第一时间段内采集的所述待预测对象的心电数据;
提取所述心电数据的心电特征,得到心电特征数据,所述心电特征数据包括每段心电片段的单心拍波形数据,所述提取所述心电数据的心电特征,得到心电特征数据,包括:按照预设规则从所述心电数据中提取至少一段心电片段,识别所述心电片段中的心拍位置,基于每个心拍位置提取所述心拍位置对应的心拍波形,确定每个心拍波形中各个波形数据所属的心拍分类,基于不同心拍波形中属于同一心拍分类的波形数据进行融合,得到各个心拍分类融合后的心拍数据,将目标心拍分类的融合后的心拍数据确定为所述单心拍波形数据;
基于所述心电数据和所述心电特征数据 ,确定所述待预测对象在第二时间段的心律信息;其中,所述第二时间段位于所述第一时间段之后,所述心律信息能够表征在所述第二时间段出现可电击心律的概率;
所述基于所述心电数据和所述心电特征数据,确定所述待预测对象在第二时间段的心律信息,包括:
至少基于所述至少一段心电片段、每段心电片段对应的单心拍波形数据,确定所述第二时间段的心律信息。
17.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有计算机程序或指令,当所述计算机程序或指令被执行时,如权利要求1至12任一所述的心律预测方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403019.6A CN117137497B (zh) | 2023-10-27 | 2023-10-27 | 心律预测方法、除颤控制方法及相应装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403019.6A CN117137497B (zh) | 2023-10-27 | 2023-10-27 | 心律预测方法、除颤控制方法及相应装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117137497A CN117137497A (zh) | 2023-12-01 |
CN117137497B true CN117137497B (zh) | 2024-01-26 |
Family
ID=88901045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311403019.6A Active CN117137497B (zh) | 2023-10-27 | 2023-10-27 | 心律预测方法、除颤控制方法及相应装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117137497B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111419215A (zh) * | 2020-04-09 | 2020-07-17 | 苏州维伟思医疗科技有限公司 | 一种除颤决策方法、装置及计算机可读存储介质 |
CN113995419A (zh) * | 2021-12-10 | 2022-02-01 | 华中科技大学 | 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 |
CN116328187A (zh) * | 2023-05-30 | 2023-06-27 | 苏州维伟思医疗科技有限公司 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
CN116712055A (zh) * | 2023-05-15 | 2023-09-08 | 深圳大学 | 心律失常检测设备及可读存储介质 |
-
2023
- 2023-10-27 CN CN202311403019.6A patent/CN117137497B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111419215A (zh) * | 2020-04-09 | 2020-07-17 | 苏州维伟思医疗科技有限公司 | 一种除颤决策方法、装置及计算机可读存储介质 |
CN113995419A (zh) * | 2021-12-10 | 2022-02-01 | 华中科技大学 | 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 |
CN116712055A (zh) * | 2023-05-15 | 2023-09-08 | 深圳大学 | 心律失常检测设备及可读存储介质 |
CN116328187A (zh) * | 2023-05-30 | 2023-06-27 | 苏州维伟思医疗科技有限公司 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117137497A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8433398B2 (en) | Signal analysis system for heart condition determination | |
Ebrahimzadeh et al. | A time local subset feature selection for prediction of sudden cardiac death from ECG signal | |
Arafat et al. | A simple time domain algorithm for the detection of ventricular fibrillation in electrocardiogram | |
Kusayama et al. | Skin sympathetic nerve activity and the temporal clustering of cardiac arrhythmias | |
US9138159B2 (en) | Non-invasive classification of atrial fibrillation by probabilistic interval analysis of a transesophageal electrocardiogram | |
US6516219B1 (en) | Arrhythmia forecasting based on morphology changes in intracardiac electrograms | |
US20180146929A1 (en) | Device for predicting ventricular arrhythmia and method therefor | |
WO2001082099A1 (en) | Method of analysis of medical signals | |
JP2012527958A (ja) | 埋め込み型装置内への適応的事象記憶 | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
US20230352180A1 (en) | Atrial fibrillation risk prediction system based on heartbeat rhythm signals and application thereof | |
US20210052180A1 (en) | Cardiac Monitoring System with Normally Conducted QRS Complex Identification | |
Parsi et al. | Heart rate variability feature selection method for automated prediction of sudden cardiac death | |
KR102417949B1 (ko) | 인공지능 기반 자동심장충격기용 심전도 분석 및 적용 방법 | |
Zhang et al. | Computational approaches for detection of cardiac rhythm abnormalities: Are we there yet? | |
Ginder et al. | Predicting malignant ventricular arrhythmias using real-time remote monitoring | |
Riasi et al. | Prediction of ventricular tachycardia using morphological features of ECG signal | |
Krasteva et al. | Assessment of ECG frequency and morphology parameters for automatic classification of life-threatening cardiac arrhythmias | |
Armoundas et al. | Utility of implantable cardioverter defibrillator electrograms to estimate repolarization alternans preceding a tachyarrhythmic event | |
US20230346305A1 (en) | Parameter determination method, parameter determination apparatus, storage medium, and electronic device | |
CN117137497B (zh) | 心律预测方法、除颤控制方法及相应装置 | |
EP4216232A1 (en) | Methods and system for cardiac arrhythmia prediction using transformer-based neural networks | |
Martínez et al. | Gaussian modeling of the P-wave morphology time course applied to anticipate paroxysmal atrial fibrillation | |
Li et al. | Classification of fibrillation organisation using electrocardiograms to guide mechanism-directed treatments | |
Martínez-Alanis et al. | Quantitative analysis of ventricular ectopic beats in short-term RR interval recordings to predict imminent ventricular tachyarrhythmia |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |