CN117651523A - 心电图解析辅助装置、程序、心电图解析辅助方法、心电图解析辅助系统、峰值推测模型生成方法、以及区间推测模型生成方法 - Google Patents
心电图解析辅助装置、程序、心电图解析辅助方法、心电图解析辅助系统、峰值推测模型生成方法、以及区间推测模型生成方法 Download PDFInfo
- Publication number
- CN117651523A CN117651523A CN202280024153.2A CN202280024153A CN117651523A CN 117651523 A CN117651523 A CN 117651523A CN 202280024153 A CN202280024153 A CN 202280024153A CN 117651523 A CN117651523 A CN 117651523A
- Authority
- CN
- China
- Prior art keywords
- waveform data
- analysis
- peak
- learning
- electrocardiogram
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 261
- 238000000034 method Methods 0.000 title claims description 45
- 238000005520 cutting process Methods 0.000 claims abstract description 59
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 14
- 208000009729 Ventricular Premature Complexes Diseases 0.000 claims description 9
- 208000002102 Atrial Premature Complexes Diseases 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 42
- 238000012545 processing Methods 0.000 description 35
- 238000003860 storage Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 23
- 206010003119 arrhythmia Diseases 0.000 description 11
- 230000006793 arrhythmia Effects 0.000 description 11
- 239000000203 mixture Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 235000012054 meals Nutrition 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 208000002682 Hyperkalemia Diseases 0.000 description 1
- 208000001145 Metabolic Syndrome Diseases 0.000 description 1
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000004580 weight loss 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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/24—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
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/366—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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
心电图解析辅助装置(10)具备:峰值推测模型(13C),所述峰值推测模型(13C)将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,所述峰值信息表示在该波形数据中是否存在与心电图的解析有关的预先决定的种类的峰值;解析用波形获取部(11C),所述解析用波形获取部(11C)获取作为解析对象的心电图中的波形数据;解析用波形切取部(11D),所述解析用波形切取部(11D)每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从由解析用波形获取部(11C)获取部获取到的波形数据进行切取来作为解析用区分波形数据;以及导出部(11E),所述导出部(11E)通过向峰值推测模型(13C)输入由解析用波形切取部(11D)切取得到的解析用区分波形数据,导出峰值信息。
Description
技术领域
本公开涉及一种心电图解析辅助装置、程序、心电图解析辅助方法、心电图解析辅助系统、峰值推测模型生成方法、以及区间推测模型生成方法。
背景技术
近年来,随着新的心电图仪的普及,心电图的测量数据不断增加,但是解析该测量数据的专家的人数并没有增加多少,存在人员不足的问题。另一方面,虽然也有进行心电图的解析的基于规则型的解析引擎,但是其性能的提高是有限的,大多伴随有手动修正解析结果的作业,进行解析的医生和/或临床检查技师等医务人员的负担较大。因此,期望一种能够减轻医务人员的负担的技术。
以往,作为能够适用于减轻医务人员的负担的、与心电图的解析有关的技术,存在以下的技术。
在美国专利申请公开第2020/0289010号说明书中,记载有如下一种方式:基于根据包括多个心跳波形数据的数据集生成的、与训练用的心跳波形有关的输入数据,来生成输出训练用的心跳波形的心跳类型的学习模型;通过确定从数据集采样而得到的各批次的损失权重,并基于各批次的损失权重确定损失函数,来训练学习模型;以及向学习模型输入测试用的心跳波形,对测试用的心跳波形的心跳类型进行分类。
在国际公开第2016/092707号公报中,公开了一种进餐推测程序,其特征在于,作为一种为了预防以代谢症候群或糖尿病为代表的生活习惯病、进行减肥、和/或进行医疗服务等医疗保健而推测进行了进餐的时刻的技术,使计算机执行以下处理:获取心跳数的时间序列数据;针对所述心跳数的时间序列数据所包含的部分数据中的每个数据,计算与随着进餐开始后心跳数的峰值先行出现的第一峰值之后出现的第二峰值有关的特征量;使用与针对所述部分数据中的每个数据计算出的第二峰值有关的特征量,判定所述部分数据中的是否存在进餐的数据;以及根据被判定为存在所述进餐的部分数据来推测进餐时刻。
发明内容
发明要解决的课题
另外,已知在心电图中,根据心房性期外收缩、心房纤颤、心室性期外收缩等心律失常的种类而波形数据中的峰值的状况不同,本发明人等研究的结果表明,通过解析该峰值的状况,能够以较高的精度判断是否发生了特定种类的心律失常。
但是,在美国专利申请公开第2020/0289010号说明书以及国际公开第2016/092707号公报所公开的技术中,存在如下问题点:没有考虑关于心电图的波形数据的峰值的状况,未必能够有助于判断是否发生了特定种类的心律失常。
本公开是鉴于上述的问题点而完成的,其目的在于提供一种能够有助于判断是否发生了特定种类的心律失常的心电图解析辅助装置以及程序。
解决课题的手段
本公开的第一方式是一种心电图解析辅助装置,其中,所述心电图解析辅助装置具备:峰值推测模型,所述峰值推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,所述峰值信息表示在该波形数据中是否存在与所述心电图的解析有关的预先决定的种类的峰值;解析用波形获取部,所述解析用波形获取部获取作为解析对象的心电图中的波形数据;解析用波形切取部,所述解析用波形切取部每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从由所述解析用波形获取部获取到的波形数据进行切取来作为解析用区分波形数据;以及导出部,所述导出部通过向所述峰值推测模型输入由所述解析用波形切取部切取得到的解析用区分波形数据,导出所述峰值信息。
在本公开的第二方式中,在第一方式的心电图解析辅助装置中,其中,所述心电图解析辅助装置还具备:学习用波形获取部,所述学习用波形获取部获取作为学习对象的心电图中的波形数据;以及学习用波形切取部,所述学习用波形切取部从由所述学习用波形获取部获取到的波形数据切取所述第一期间的波形数据来作为学习用区分波形数据,所述峰值推测模型是将由所述学习用波形切取部切取得到的学习用区分波形数据设为输入信息并将与该学习用区分波形数据对应的所述峰值信息设为输出信息并经机器学习得到的模型。
在本公开的第三方式中,在第一方式或第二方式的心电图解析辅助装置中,所述预先决定的种类包括表示正常或心房性期外收缩的第一种类、表示心房纤颤的第二种类、以及表示心室性期外收缩的第三种类中的至少一种。
在本公开的第四方式中,在第一方式~第三方式中的任一方式的心电图解析辅助装置中,其中,所述心电图解析辅助装置还具备:区间推测模型,所述区间推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将区间种类信息设为输出信息,所述区间种类信息表示与该波形数据对应的区间是否为预先决定的种类的区间中的任一区间;第二解析用波形切取部,所述第二解析用波形切取部从由所述解析用波形获取部获取到的波形数据切取比所述第一期间长的期间的第二期间的波形数据来作为第二解析用区分波形数据;第二导出部,所述第二导出部通过向所述区间推测模型输入由所述第二解析用波形切取部切取得到的第二解析用区分波形数据,导出所述区间种类信息;以及推测部,所述推测部通过将由所述导出部导出的峰值信息以及由所述第二导出部导出的区间种类信息合成,推测作为所述解析对象的心电图所示出的状况。
在本公开的第五方式中,在第四方式的心电图解析辅助装置中,所述预先决定的种类的区间包括作为通常的区间的通常区间、作为心房纤颤的区间的心房纤颤区间、以及作为被设为解析的对象外的区间的非解析区间中的至少两个区间。
在本公开的第六方式中,一种程序使用了峰值推测模型,所述峰值推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,所述峰值信息表示在该波形数据中是否存在与所述心电图解析有关的预先决定的种类的峰值,所述程序使计算机执行以下处理:获取作为解析对象的心电图中的波形数据;每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从获取到的波形数据进行切取来作为解析用区分波形数据;以及通过向所述峰值推测模型输入切取得到的解析用区分波形数据,导出所述峰值信息。
在本公开的第七方式中,一种心电图解析辅助方法使用了峰值推测模型,所述峰值推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,所述峰值信息表示在该波形数据中是否存在与所述心电图的解析有关的预先决定的种类的峰值,在所述心电图解析辅助方法中,获取作为解析对象的心电图中的波形数据;每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从获取到的波形数据进行切取来作为解析用区分波形数据;以及通过向所述峰值推测模型输入切取得到的解析用区分波形数据,导出所述峰值信息。
在本公开的第八方式中,一种心电图解析辅助系统包括:根据权利要求1~5中任一项所述的心电图解析辅助装置;以及终端装置,所述终端装置对所述心电图解析辅助装置传输作为解析对象的心电图中的波形数据,根据该波形数据的传输接收由所述心电图解析辅助装置得到的信息并进行提示。
在本公开的第九方式中,在一种峰值推测模型生成方法中,获取作为学习对象的心电图中的第一学习用波形数据;从获取到的第一学习用波形数据切取预先决定的第一期间的波形数据来作为第一学习用区分波形数据;以及将切取得到的第一学习用区分波形数据设为输入信息,将峰值信息设为输出信息,来进行机器学习,从而生成峰值推测模型,所述峰值信息表示是否存在与该第一学习用区分波形数据对应的与心电图的解析有关的预先决定的种类的峰值。
在本公开的第十方式中,在一种区间推测模型生成方法中,获取作为学习对象的心电图中的第二学习用波形数据;从获取到的第二学习用波形数据切取第二期间的波形数据来作为第二学习用区分波形数据,所述第二期间为比预先决定的第一期间长的期间;以及将切取得到的第二学习用区分波形数据设为输入信息,将区间种类信息设为输出信息,来进行机器学习,从而生成区间推测模型,所述区间种类信息表示与该第二学习用区分波形数据对应的区间是否为预先决定的种类的区间中的任一区间。
发明效果
根据本公开,能够有助于判断是否发生了特定种类的心律失常。
附图说明
图1是示出一个实施方式所涉及的心电图解析辅助装置的硬件配置的一个示例的框图。
图2是示出一个实施方式所涉及的峰值推测模型以及区间推测模型的数据流的一个示例的示意图。
图3是示出一个实施方式所涉及的心电图解析辅助装置学习峰值推测模型以及区间推测模型时的功能性配置的一个示例的框图。
图4是示出一个实施方式所涉及的心电图解析辅助装置运用峰值推测模型以及区间推测模型时的功能性配置的一个示例的框图。
图5是用于说明使用了一个实施方式所涉及的高斯混合模型的聚类的图表。
图6是示出一个实施方式所涉及的峰值推测模型的中间层的利用状态的一个示例的示意图。
图7是示出一个实施方式所涉及的第一学习用波形数据数据库的结构的一个示例的示意图。
图8是示出一个实施方式所涉及的第二学习用波形数据数据库的结构的一个示例的示意图。
图9是示出一个实施方式所涉及的学习处理的一个示例的流程图。
图10是示出一个实施方式所涉及的心电图解析辅助处理的一个示例的流程图。
图11是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出第一解析用区分波形数据的切取状态的一个示例的波形图。
图12是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出第二解析用区分波形数据的切取状态的一个示例的波形图。
图13是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出来自峰值推测模型的输出的缩减状况的一个示例的示意图。
图14是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出来自区间推测模型的输出的一个示例的示意图。
图15是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出峰值推测模型的输出与区间推测模型的输出的合成状态的一个示例的示意图。
图16是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出峰值推测模型的输出与区间推测模型的输出的合成结果的修正状态的一个示例的示意图。
图17是示出执行一个实施方式所涉及的心电图解析辅助处理时所显示的结果画面的结构的一个示例的主视图。
图18是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出通过分类结果信息而示出的各种类型的心电图波形的一个示例的波形图。
具体实施方式
以下,参照附图,详细地说明本公开的实施方式的一个示例。需要说明的是,在各附图中,对相同或等价的构成要素以及部分标注相同的附图标记。另外,为了便于说明,有时附图的尺寸比率被夸大而与实际的比率不同。
在本实施方式中,对将本公开的技术中的心电图解析辅助装置应用于台式的个人计算机等信息处理装置的情况进行说明。但是,本公开的技术的应用对象不限于台式的信息处理装置,也能够适用于智能手机、便携式游戏设备、平板终端、笔记本型个人计算机等其他便携式的信息处理装置。
首先,参照图1~图6,说明本实施方式所涉及的心电图解析辅助装置的结构。图1是示出一个实施方式所涉及的心电图解析辅助装置的硬件配置的一个示例的框图。另外,图2是示出一个实施方式所涉及的峰值推测模型以及区间推测模型的数据流的一个示例的示意图。另外,图3是示出一个实施方式所涉及的心电图解析辅助装置学习峰值推测模型以及区间推测模型时的功能性配置的一个示例的框图。另外,图4是示出一个实施方式所涉及的心电图解析辅助装置运用峰值推测模型以及区间推测模型时的功能性配置的一个示例的框图。另外,图5是用于说明使用了一个实施方式所涉及的高斯混合模型(GMM:GaussianMixture Model)的聚类的图表。并且,图6是示出一个实施方式所涉及的峰值推测模型的中间层的利用状态的一个示例的示意图。
如图1所示,本实施方式所涉及的心电图解析辅助装置10具备:中央处理器(Central Processing Unit,CPU)11、作为临时存储区域的存储器12、非易失性存储部13、以及键盘和鼠标等输入部14。另外,本实施方式所涉及的心电图解析辅助装置10具备:液晶显示器等显示部15、以及介质读出/写入设备(R/W)16。本实施方式所涉及的心电图解析辅助装置10还具备:通信接口(I/F)部18、以及音频输出部19。CPU 11、存储器12、存储部13、输入部14、显示部15、介质读出/写入设备16、通信I/F部18、以及音频输出部19经由总线B相互连接。介质读出/写入设备16读出被写入到记录介质17中的信息以及向记录介质17写入信息。
另一方面,存储部13通过硬盘驱动器(Hard Disk Drive,HDD)、固态硬盘(SolidState Drive,SSD)、闪存等来实现。在作为存储介质的存储部13中,存储有学习程序13A以及心电图解析辅助程序13B。关于学习程序13A,是通过在介质读出/写入设备16中设置写入有该程序13A的记录介质17,并且介质读出/写入设备16从记录介质17中读出该程序13A,而存储到存储部13中。另外,关于心电图解析辅助程序13B,是通过在介质读出/写入设备16中设置写入有该程序13B的记录介质17,并且介质读出/写入设备16从记录介质17中读出该程序13B,而存储在存储部13中。CPU 11从存储部13中读出学习程序13A以及心电图解析辅助程序13B并在存储器12中展开,依次执行学习程序13A以及心电图解析辅助程序13B所具有的进程。
这样,在本实施方式所涉及的心电图解析辅助装置10中,将学习程序13A以及心电图解析辅助程序13B经由记录介质17安装于心电图解析辅助装置10中,但并不限于此。例如,也可以设为如下的方式:通过经由通信I/F部18进行下载,从而将学习程序13A以及心电图解析辅助程序13B安装于心电图解析辅助装置10中。
另外,在存储部13中,存储有峰值推测模型13C以及区间推测模型13D。
本实施方式所涉及的峰值推测模型13C将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,该峰值信息表示在该波形数据中是否存在与心电图的解析有关的预先决定的种类的峰值。
需要说明的是,在本实施方式中,作为上述预先决定的种类,设为包括表示正常或心房性期外收缩的第一种类、表示心房纤颤的第二种类、以及表示心室性期外收缩的第三种类的所有种类,但并不限于此。例如,也可以设为包括这三个种类中的一个种类或两个种类的组合来作为上述预先决定的种类,还可以设为包括在上述三个种类中加入的其他心律失常的种类来作为上述预先决定的种类。以下,将上述第一种类也表现为“N or S(N或S)”或“N”,将上述第二种类也表现为“small_n”或“n”,将上述第三种类也表现为“PVC”或“V”。另外,以下,将不存在上述预先决定的种类的峰值的情况下的种类也表现为“FALSE”。
另外,在本实施方式中,作为上述峰值信息,不仅包括表示在上述波形数据中是否存在与心电图的解析有关的预先决定的种类的峰值的信息,还包括表示在存在该峰值的情况下的上述预先决定的种类的信息。因此,本实施方式所涉及的峰值推测模型13C除了上述的“FALSE”以外,还将表示不是“FALSE”的情况、即存在该峰值的情况下的“N or S”等心律失常的种类的信息作为峰值信息进行输出。
另一方面,本实施方式所涉及的区间推测模型13D将心电图中的波形数据的一部分区间的波形数据设为输入信息,将区间种类信息设为输出信息,该区间种类信息表示与该波形数据对应的区间是否为预先决定的种类的区间中的任一区间。
需要说明的是,在本实施方式中,作为上述预先决定的种类的区间,包括作为通常的区间的通常区间、作为心房纤颤的区间的心房纤颤区间、以及作为成为解析的对象外的区间的非解析区间的所有区间,但并不限于此。例如,也可以设为包括这三个种类中的两个种类的组合来作为上述预先决定的种类的区间,还可以设为包括在上述三个种类中加入的其他区间来作为上述预先决定的种类的区间。
在本实施方式中,作为峰值推测模型13C以及区间推测模型13D,应用了基于卷积神经网络(Convolutional Neural Network,CNN)的模型,但并不限于此。例如,也可以设为应用基于循环神经网络(Recurrent Neural Network,RNN)的模型来作为峰值推测模型13C以及区间推测模型13D中的至少一方的方式。
作为一个示例,如图2所示,在本实施方式中,作为峰值推测模型13C以及区间推测模型13D,应用了包括卷积层以及池化层(pooling layer)而构成的CNN层为四层,Dense层为两层的一维CNN。
另外,在存储部13中,存储有第一学习用波形数据数据库13E以及第二学习用波形数据数据库13F。关于第一学习用波形数据数据库13E以及第二学习用波形数据数据库13F,将在后面详细记述。
接着,参照图3,对本实施方式所涉及的心电图解析辅助装置10学习峰值推测模型13C以及区间推测模型13D时的功能性配置进行说明。
如图3所示,学习峰值推测模型13C以及区间推测模型13D时的心电图解析辅助装置10包括学习用波形获取部11A以及学习用波形切取部11B。心电图解析辅助装置10的CPU11通过执行学习程序13A,从而作为学习用波形获取部11A以及学习用波形切取部11B而发挥功能。
本实施方式所涉及的学习用波形获取部11A获取成为与峰值推测模型13C以及区间推测模型13D的各模型相对的学习对象的心电图中的波形数据(以下称为“学习用波形数据”。)。
需要说明的是,在本实施方式中,与峰值推测模型13C相对的学习用波形数据(以下,称为“第一学习用波形数据”。)通过从后述的第一学习用波形数据数据库13E中读出而进行获取。另外,在本实施方式中,与区间推测模型13D相对的学习用波形数据(以下,称为“第二学习用波形数据”。)通过从后述的第二学习用波形数据数据库13F中读出而进行获取。但是,并不限于该方式,也可以设为经由通信I/F部18等直接获取由心电图仪得到的波形数据来作为学习用波形数据的方式。
另外,本实施方式所涉及的学习用波形切取部11B从由学习用波形获取部11A获取到的第一学习用波形数据中切取预先决定的第一期间(以下,简称为“第一期间”。)的波形数据来作为学习用区分波形数据(以下,称为“第一学习用区分波形数据”。)。
需要说明的是,在本实施方式所涉及的学习用波形切取部11B中,第一学习用区分波形数据的切取是通过以第一学习用波形数据中的时间轴的中心作为中心来切取第一期间的波形数据而进行的,但并不限于此。例如,也可以设为通过以第一学习用波形数据中的时间轴的前端作为前端来切取第一期间的波形数据而进行的方式,还可以设为通过以第一学习用波形数据中的时间轴的后端作为后端来切取第一期间的波形数据而进行的方式。
另外,在本实施方式中,应用2秒作为第一期间,但并不限于此。例如,也可以设为应用1.8秒、2.5秒等这样的2秒以外的期间作为第一期间的方式。其中,应用2秒作为第一期间的原因在于,心电图的通常的峰值间隔约为1秒,如果是2秒左右,则能够适当地得到峰值以及该峰值前后的信息。
另外,本实施方式所涉及的学习用波形切取部11B从由学习用波形获取部11A获取到的第二学习用波形数据中切取作为比第一期间长的期间的第二期间(以下,简称为“第二期间”。)的波形数据来作为学习用区分波形数据(以下,称为“第二学习用区分波形数据”。)。
需要说明的是,在本实施方式所涉及的学习用波形切取部11B中,第二学习用区分波形数据的切取是通过以第二学习用波形数据中的时间轴的中心作为中心来切取第二期间的波形数据而进行的,但并不限于此。例如,也可以设为通过以第二学习用波形数据中的时间轴的前端作为前端来切取第二期间的波形数据而进行的方式,还可以设为通过以第二学习用波形数据中的时间轴的后端作为后端来切取第二期间的波形数据而进行的方式。
另外,在本实施方式中,应用5秒作为第二期间,但并不限于此。例如,也可以设为应用4.8秒、5.5秒等这样的5秒以外的期间作为第二期间的方式。其中,之所以应用5秒作为第二期间是因为本发明人等经过反复试验的结果得出如下结果:如果第二期间为5秒左右,则能够得到足以判定心房纤颤区间以及非解析区间的信息且还能够抑制心房纤颤区间与非解析区间混合存在。
而且,本实施方式所涉及的峰值推测模型13C是通过将由学习用波形切取部11B切取得到的第一学习用区分波形数据设为输入信息并将与该第一学习用区分波形数据对应的上述峰值信息设为输出信息来进行机器学习的。另外,本实施方式所涉及的区间推测模型13D是通过将由学习用波形切取部11B切取得到的第二学习用区分波形数据设为输入信息并将与该第二学习用区分波形数据对应的上述区间种类信息设为输出信息并经机器学习得到的。
接着,参照图4,对本实施方式所涉及的心电图解析辅助装置10运用峰值推测模型13C以及区间推测模型13D时的功能性配置进行说明。
如图4所示,运用峰值推测模型13C以及区间推测模型13D时的心电图解析辅助装置10包括:解析用波形获取部11C、解析用波形切取部11D、导出部11E、第二解析用波形切取部11F、第二导出部11G、推测部11H、中间信息获取部11I、以及分类部11J。心电图解析辅助装置10的CPU11通过执行心电图解析辅助程序13B,从而作为解析用波形获取部11C、解析用波形切取部11D、导出部11E、第二解析用波形切取部11F、第二导出部11G、推测部11H、中间信息获取部11I、以及分类部11J而发挥功能。
本实施方式所涉及的解析用波形获取部11C获取作为解析对象的心电图中的波形数据(以下,称为“解析用波形数据”。)。需要说明的是,在本实施方式中,设为经由通信I/F部18等从心电图仪直接获取解析用波形数据的方式。但是,不限于该方式,也可以设为如下的方式:通过将作为解析对象的心电图的波形数据预先进行数据库化,并从该数据库中读出,从而获取解析用波形数据。
另外,本实施方式所涉及的解析用波形切取部11D每次使第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间(以下简称为“移动期间”。)的同时,从由解析用波形获取部11C获取到的解析用波形数据进行切取来作为第一解析用区分波形数据。
需要说明的是,在本实施方式中,应用0.1秒作为移动期间,但并不限于此。例如,也可以设为应用0.05秒、0.2秒等比第一期间短的其他期间作为移动期间的方式。其中,之所以应用0.1秒作为移动期间是因为本发明人等经过反复试验的结果得出如下结果:如果移动期间为0.1秒左右,则能够防止未检测心电图的峰值且能够防止运算时间变长。
而且,本实施方式所涉及的导出部11E通过向峰值推测模型13C输入由解析用波形切取部11D切取得到的第一解析用区分波形数据,从而使峰值推测模型13C导出上述峰值信息。
另一方面,本实施方式所涉及的第二解析用波形切取部11F从由解析用波形获取部11C获取到的解析用波形数据切取第二期间的波形数据来作为第二解析用区分波形数据。另外,本实施方式所涉及的第二导出部11G通过向区间推测模型13D输入由第二解析用波形切取部11F切取得到的第二解析用区分波形数据,从而使区间推测模型13D导出上述区间种类信息。
而且,本实施方式所涉及的推测部11H将通过由导出部11E输入第一解析用区分波形数据来使峰值推测模型13C导出的峰值信息与通过由第二导出部11G输入第二解析用区分波形数据来使区间推测模型13D导出的区间种类信息合成,由此推测作为解析对象的心电图所示出的状况。
另一方面,本实施方式所涉及的中间信息获取部11I获取通过向峰值推测模型13C输入由解析用波形切取部11D切取得到的第一解析用区分波形数据而在该峰值推测模型13C的中间层生成的、表示该第一解析用区分波形数据中所包含的峰值的形状的特征的中间信息(以下,简称为“中间信息”。)。
而且,本实施方式所涉及的分类部11J使用由中间信息获取部11I获取到的中间信息,来对作为解析对象的心电图的波形的类型进行分类。
需要说明的是,在本实施方式中,作为上述波形的类型,设为包括标准的类型、T波比该标准的类型大的类型、QRS波的宽度比上述标准的类型宽的类型、以及其他类型中的所有类型,但并不限于此。例如,也可以设为包括这四个种类的类型中的两个种类或三个种类的组合来作为上述波形的类型,还可以设为包括在上述四个种类中加入的其他类型来作为上述波形的类型。
另外,在本实施方式所涉及的分类部11J中,设为通过对中间信息进行聚类来进行上述分类的方式。
需要说明的是,在本实施方式中,作为上述聚类,作为一个示例,如图5所示,应用使用了高斯混合模型(Gaussian Mixture Model,GMM)的聚类。使用高斯混合模型进行的聚类是通过将多个高斯分布相加来对任意的连续函数进行近似的方法,高斯分布的数量是分类数量。但是,上述聚类并不限于使用高斯混合模型进行的聚类,例如,也可以设为使用谱聚类(Spectral Clustering)等其他聚类方法来进行上述分类的方式。
作为一个示例,如图6所示,在本实施方式所涉及的心电图解析辅助装置10中,将由峰值推测模型13C中的第一层的Dense层生成的数据应用为中间信息,并将该数据用作聚类的对象。
接着,参照图7,对本实施方式所涉及的第一学习用波形数据数据库13E进行说明。图7是示出一个实施方式所涉及的第一学习用波形数据数据库13E的结构的一个示例的示意图。
本实施方式所涉及的第一学习用波形数据数据库13E如上所述用于存储与用于学习峰值推测模型13C的第一学习用波形数据有关的信息。
如图7所示,本实施方式所涉及的第一学习用波形数据数据库13E存储波形ID(Identification)、波形数据以及峰值信息的各信息。
上述波形ID是预先对波形数据中的每个数据赋予不同的ID以识别对应的波形数据的信息。另外,上述波形数据是表示第一学习用波形数据本身的信息,上述峰值信息是表示在输入有对应的波形数据的情况下应从峰值推测模型13C输出的正确的峰值信息(正确信息)的信息。
接着,参照图8,对本实施方式所涉及的第二学习用波形数据数据库13F进行说明。图8是示出一个实施方式所涉及的第二学习用波形数据数据库13F的结构的一个示例的示意图。
本实施方式所涉及的第二学习用波形数据数据库13F如上所述用于存储与用于学习区间推测模型13D的第二学习用波形数据有关的信息。
如图8所示,本实施方式所涉及的第二学习用波形数据数据库13F存储波形ID、波形数据、以及区间种类信息的各信息。
上述波形ID是预先对波形数据中的每个数据赋予不同的ID以识别对应的波形数据的信息。另外,上述波形数据是表示第二学习用波形数据本身的信息,上述区间种类信息是表示在输入有对应的波形数据的情况下应从区间推测模型13D输出的正确的区间种类信息(正确信息)的信息。
接着,参照图9~图18,对本实施方式所涉及的心电图解析辅助装置10的作用进行说明。首先,参照图9,对学习峰值推测模型13C以及区间推测模型13D的情况下的心电图解析辅助装置10的作用进行说明。图9是示出一个实施方式所涉及的学习处理的一个示例的流程图。
心电图解析辅助装置10的CPU11通过执行学习程序13A,来执行图9所示的学习处理。图9所示的学习处理是在用户经由输入部14进行了开始执行学习程序13A的指示输入的情况下执行的。需要说明的是,为了避免错综复杂,下面对第一学习用波形数据数据库13E以及第二学习用波形数据数据库13F已经构筑完毕的情况进行说明。
在图9的步骤100中,CPU11从第一学习用波形数据数据库13E中读出一组波形数据(第一学习用波形数据)以及峰值信息。在步骤102中,CPU11如上述那样地从读出的第一学习用波形数据切取第一学习用区分波形数据。
在步骤104中,CPU11将切取得到的第一学习用区分波形数据设为输入信息,将读出的峰值信息设为输出信息(正确信息),对峰值推测模型13C进行机器学习。在步骤106中,CPU11针对在第一学习用波形数据数据库13E中存储的所有的波形数据判定基于步骤104进行的机器学习是否结束,在为否定判定的情况下,返回到步骤100,另一方面,在为肯定判定的情况下,转移到步骤108。需要说明的是,在重复执行步骤100~步骤106的处理的情况下,CPU11将此前为止没有被作为处理对象的第一学习用波形数据作为处理对象。
在步骤108中,CPU11从第二学习用波形数据数据库13F中读出一组波形数据(第二学习用波形数据)以及区间种类信息。在步骤110中,CPU11如上述那样地从读出的第二学习用波形数据切取第二学习用区分波形数据。
在步骤112中,CPU11将切取得到的第二学习用区分波形数据设为输入信息,将读出的区间种类信息设为输出信息(正确信息),对区间推测模型13D进行机器学习。在步骤114中,CPU11针对在第二学习用波形数据数据库13F中存储的所有的波形数据判定基于步骤112进行的机器学习是否结束,在为否定判定的情况下,返回到步骤108,另一方面,在为肯定判定的情况下,结束该学习处理。需要说明的是,在重复执行步骤108~步骤114的处理的情况下,CPU11将此前为止没有被作为处理对象的第二学习用波形数据作为处理对象。
通过以上的学习处理,对峰值推测模型13C以及区间推测模型13D进行学习。需要说明的是,也可以设为在通过以上的学习处理得到的峰值推测模型13C以及区间推测模型13D的推测精度不充分的情况等下重复执行相同的学习处理的方式。
接着,参照图10~图18,对在运用峰值推测模型13C以及区间推测模型13D的情况下的心电图解析辅助装置10的作用进行说明。图10是示出一个实施方式所涉及的心电图解析辅助处理的一个示例的流程图。另外,图11是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出第一解析用区分波形数据的切取状态的一个示例的波形图。并且,图12是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出第二解析用区分波形数据的切取状态的一个示例的波形图。
心电图解析辅助装置10的CPU11通过执行心电图解析辅助程序13B,来执行图10所示的心电图解析辅助处理。图10所示的心电图解析辅助处理是在用户经由输入部14进行了开始执行心电图解析辅助程序13B的指示输入的情况下执行的。需要说明的是,为了避免错综复杂,下面对峰值推测模型13C以及区间推测模型13D的学习已结束的情况进行说明。另外,下面,对佩戴在作为心电图的解析对象的人身上的未图示的心电图仪与心电图解析辅助装置10的通信I/F部18连接并且来自该心电图仪的心电图的波形数据为可由心电图解析辅助装置10接收的状态的情况进行说明。
在图10的步骤200中,CPU11开始向存储部13存储从上述心电图接收到的波形数据(相当于上述的解析用波形数据,以下,称为“解析用波形数据”。)。在步骤202中,CPU11判定被预先决定为由峰值推测模型13C进行推测的定时的定时(以下,称为“第一定时”。)是否到来,在为否定判定的情况下,转移到步骤212。另外,CPU11在步骤202中为肯定判定的情况下,转移到步骤204。需要说明的是,在本实施方式中,作为上述第一定时,应用了以预先决定的基准时间(在本实施方式中为开始执行该心电图解析辅助处理的时刻)为起点而第一期间结束且移动期间结束的定时。
在步骤204中,CPU11通过从存储部13读出第一期间的解析用波形数据,将第一解析用区分波形数据切取。在步骤206中,CPU11向峰值推测模型13C输入切取得到的第一解析用区分波形数据,在步骤208中,CPU11根据该第一解析用区分波形数据的输入来获取从峰值推测模型13C输出的峰值信息。在步骤210中,CPU11将获取到的峰值信息存储在存储部13中。
通过重复执行以上的步骤202~步骤210的处理,作为一个示例,如图11所示,被设为第一期间(在本实施方式中为2秒)的宽度的第一解析用区分波形数据以移动期间(在本实施方式中为0.1秒)的步长被输入到峰值推测模型13C,与此相应地从峰值推测模型13C输出的峰值信息被存储到存储部13中。
在步骤212中,CPU11判定被预先决定为由区间推测模型13D进行推测的定时的定时(以下,称为“第二定时”。)是否到来,在为否定判定的情况下,转移到步骤222。另外,CPU11在步骤212中为肯定判定的情况下,转移到步骤214。需要说明的是,在本实施方式中,作为上述第二定时,应用了以上述基准时间为起点而第二期间结束的定时。
在步骤214中,CPU11通过从存储部13读出第二期间的解析用波形数据,切取第二解析用区分波形数据。在步骤216中,CPU11向区间推测模型13D输入切取得到的第二解析用区分波形数据,在步骤218中,CPU11根据该第二解析用区分波形数据的输入来获取从区间推测模型13D输出的区间种类信息。在步骤220中,CPU11将获取到的区间种类信息存储在存储部13中。
通过重复执行以上的步骤212~步骤220的处理,作为一个示例,如图12所示,被设为第二期间(在本实施方式中为5秒)的宽度的第二解析用区分波形数据被输入到区间推测模型13D,与此相应地从区间推测模型13D输出的区间种类信息被存储到存储部13中。
在步骤222中,CPU11判定被预先决定为获取作为由分类部11J进行的聚类的对象的中间信息的定时的定时(以下称为“第三定时”。)是否到来,在为否定判定的情况下,转移到步骤232。另外,CPU11在步骤222中为肯定判定的情况下转移到步骤224。需要说明的是,在本实施方式中,作为上述第三定时,应用了通过步骤210的处理而存储的峰值信息为“FALSE”以外的定时,即应用了在解析用波形数据中任一峰值被检测出的定时。
在步骤224中,CPU11通过从存储部13读出第一期间的解析用波形数据,切取解析用区分波形数据。在步骤226中,CPU11向峰值推测模型13C输入切取得到的解析用区分波形数据,在步骤228中,CPU11根据该解析用区分波形数据的输入来获取在峰值推测模型13C的中间层(在本实施方式中为第一层的Dense层)生成的中间信息。在步骤230中,CPU11将获取到的中间信息存储在存储部13中。
在步骤232中,CPU11判定结束预先决定的测量的定时(以下,称为“结束定时”。)是否到来,在为否定判定的情况下,返回到步骤202,另一方面,在为肯定判定的情况下,转移到步骤234。需要说明的是,在本实施方式中,作为上述结束定时,应用了从上述基准时间起在解析用波形数据中产生峰值的数量到达预先决定的阈值(在本实施方式中为60)的定时,但并不限于此。例如,也可以设为将从上述基准时间起经过预先决定的时间(在本实施方式中为60秒)的定时应用为上述结束定时的方式。
在步骤234中,CPU11停止通过步骤200的处理开始的向存储部13存储解析用波形数据。在步骤236中,CPU11从存储部13读出通过以上的处理而存储的峰值信息、区间种类信息以及中间信息中的所有信息。
在步骤238中,CPU11使用读出的峰值信息以及区间种类信息,来推测作为解析对象的心电图所示出的状况。下面,参照图13~图16,对该推测进行说明。需要说明的是,图13是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出来自峰值推测模型的输出的缩减状况的一个示例的示意图。另外,图14是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出来自区间推测模型的输出的一个示例的示意图。另外,图15是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出峰值推测模型的输出与区间推测模型的输出的合成状态的一个示例的示意图。并且,图16是用于说明一个实施方式所涉及的心电图解析辅助处理的图,并且是示出峰值推测模型的输出与区间推测模型的输出的合成结果的修正状态的一个示例的示意图。
另外,图13~图16中的各两列结构的图的上半部分表示经过时间,下半部分表示来自对应的模型的输出信息。另外,在从图13~图16中的峰值推测模型13C输出的峰值信息中,将“FALSE”表示为“F”,将“N or S”表示为“N”,将“PVC”表示为“V”,将“small_n”表示为“n”。并且,在从图14~图16中的区间推测模型13D输出的区间种类信息中,将通常区间表示为“N”,将心房纤颤区间表示为“n”,将非解析区间表示为“N/A”(No Analyze)。
首先,CPU 11根据预先决定的规则将读出的峰值信息仅缩减为表示峰值的位置以及峰值的种类的信息。需要说明的是,在本实施方式中,作为上述规则,应用下面的规则。
(规则1)峰值的位置:对于单独的峰值,应用该峰值的位置,对于多次连续的峰值,应用该峰值组的中心位置。
(规则2)峰值的种类:对于单独的峰值,应用该峰值的种类,对于多次连续的峰值,应用该峰值组的种类中的最多的种类。在该情况下,有时最多的种类存在多个,但在该情况下,以“PVC”→“N or S”→“small_n”的优先顺序进行确定。
需要说明的是,设为上述优先顺序的理由如下所示。
即,关于心室性期外收缩V(PVC),需要尽可能地减少漏诊。因此,如果有心室性期外收缩V的可能性,则应判定该心室性期外收缩V,基于这样的想法,将心室性期外收缩V的优先级设定为最高。
另一方面,是否为心房纤颤n(small_n)最终是基于区间推测模型13D的结果进行判定的,峰值推测模型13C的心房纤颤n的判定只是补充性的判定。因此,将心房纤颤n的优先级设定为最低。
通过该处理,读出的峰值信息为图13的上图的情况下的缩减结果为如图13的下图所示的结果。
接着,CPU11将缩减得到的峰值信息与读出的区间种类信息合成。此时,CPU11如下所示进行峰值信息与区间种类信息之间的合成。
第一,CPU11将位于在区间推测模型13D中被判定为通常区间N的区间内的“small_n”的峰值修正为“N or S”。
第二,CPU11将位于在区间推测模型13D中被判定为心房纤颤区间n的区间内的“Nor S”的峰值修正为“small_n”。
第三,CPU11将位于在区间推测模型13D中被判定为非解析区间N/A的区间内的峰值视为错误检测出噪音的峰值,并将其全部从峰值中排除。(但是,在内部将其保持。)
从峰值推测模型13C输出并进行了上述缩减后的信息如图13所示,在从区间推测模型13D输出的区间种类信息为如图14所示的区间种类信息的情况下进行了上述合成后的结果为如图15所示的结果。
在该情况下,将3.45秒以及6.9秒的峰值从“small_n”修正为“N or S”。另外,将13.6秒以及14.45秒的峰值从“N or S”修正为“small_n”。并且,将15.25秒以后的峰值从峰值中排除。
作为一个示例,图15的下图所示的合成后的数据是通过推测部11H得到的表示作为解析对象的心电图所示出的状况的数据,以下将该数据称为“心电图状况信息”。
最后,CPU 11使用与已有的基于规则型的解析相同的缩短率规则,进行将从峰值推测模型13C输出的“N or S”分为正常N与心房性期外收缩APC的判定,并修正心电图状况信息。下面,对本实施方式所涉及的缩短率规则进行说明。
即,正常N与心房性期外收缩APC在波形本身上没有较大的差异,但是相对于正常N的峰值规律性地出现,心房性期外收缩APC的峰值在比通常更早的定时出现。因此,在基于规则型的算法中,如果与前一个峰值之间的间隔比通常短,则判定为心房性期外收缩APC。具体地,如果与前一个峰值之间的间隔为移动平均的0.8倍以下,则判定为心房性期外收缩APC。将该0.8倍的阈值称为“缩短率”。
通过该修正,作为一个示例,如图16所示,得到最终的心电图状况信息。
在步骤240中,CPU11对读出的中间信息如上所述地进行聚类(在本实施方式中为使用了GMM的聚类),由此导出表示将作为解析对象的心电图的类型分类得到的结果的分类结果信息。
在步骤242中,CPU11使用通过以上的处理导出的心电图状况信息以及分类结果信息,控制显示部15以显示被设为预先决定的结构的结果画面,在步骤244中,CPU11待机直到被输入规定信息。
在图17中,示出了本实施方式所涉及的结果画面的一个示例。如图17所示,在本实施方式所涉及的结果画面中,显示表示作为解析对象的心电图的各峰值的类别、各峰值的位置、以及分类结果的信息。因此,用户能够通过参照结果画面,来掌握这些各信息。需要说明的是,在图18中,示出了表示通过分类结果信息示出的各种类型的心电图波形的一个示例的波形图。图18中的(A)为属于标准的类型的波形的一个示例,图18中的(B)为属于T波比标准的类型大的类型的波形的一个示例。另外,图18中的(C)为属于QRS波的宽度比标准的类型宽的类型的波形的一个示例,图18中的(D)为属于其他类型的波形一个示例。
作为一个示例,当图17所示的结果画面显示在显示部15中时,用户在掌握显示内容之后,经由输入部14来指定结束按钮15A。当结束按钮15A被用户指定时,步骤244为肯定判定,并且结束该心电图解析辅助处理。
如上所述,根据一个实施方式,具备峰值推测模型13C、解析用波形获取部11C、解析用波形切取部11D以及导出部11E,峰值推测模型13C将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,该峰值信息表示在该波形数据中是否存在与该心电图的解析有关的预先决定的种类的峰值,解析用波形获取部11C获取作为解析对象的心电图中的波形数据,解析用波形切取部11D每次使移动预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从由解析用波形获取部11C获取到的波形数据进行切取来作为解析用区分波形数据,导出部11E通过向峰值推测模型13C输入由解析用波形切取部11D切取得到的解析用区分波形数据,导出峰值信息。因此,通过使用由峰值推测模型13C得到的峰值信息,能够有助于判断是否产生了特定种类的心律失常。
另外,根据一个实施方式,还具备学习用波形获取部11A和学习用波形切取部11B,学习用波形获取部11A获取作为学习对象的心电图中的波形数据,学习用波形切取部11B从由学习用波形获取部11A获取到的波形数据切取第一期间的波形数据来作为学习用区分波形数据,其中,将峰值推测模型13C设为如下的模型:将由学习用波形切取部11B切取得到的学习用区分波形数据设为输入信息,将与该学习用区分波形数据对应的峰值信息设为输出信息,并经机器学习得到。因此,与在与运用峰值推测模型13C时的波形数据不同的期间使用切取得到的波形数据来进行机器学习的情况相比,能够有助于以更高精度判断是否发生了特定种类的心律失常。
另外,根据一个实施方式,将上述预先决定的种类设为包括表示正常或心房性期外收缩的第一种类、表示心房纤颤的第二种类、以及表示心室性期外收缩的第三种类中的至少一种。因此,能够有助于发现已应用的种类的心律失常。
另外,根据一个实施方式,还具备区间推测模型13D、第二解析用波形切取部11F、第二导出部11G以及推测部11H,区间推测模型13D将心电图中的波形数据的一部分区间的波形数据设为输入信息,将区间种类信息设为输出信息,该区间种类信息表示与该波形数据对应的区间是否为预先决定的种类的区间中的任一区间,第二解析用波形切取部11F从由解析用波形获取部11C获取到的波形数据切取比第一期间长的期间的第二期间的波形数据来作为第二解析用区分波形数据,第二导出部11G通过向区间推测模型13D输入由第二解析用波形切取部11F切取得到的第二解析用区分波形数据,导出区间种类信息,推测部11H通过将由导出部11E导出的峰值信息以及由第二导出部11G导出的区间种类信息合成,推测作为解析对象的心电图所示出的状况。因此,与没有使用区间推测模型13D的情况相比,能够有助于以更高精度判断是否发生了特定种类的心律失常。
另外,根据一个实施方式,将上述预先决定的种类的区间设为包括作为通常的区间的通常区间、作为心房纤颤的区间的心房纤颤区间、以及作为被设为解析的对象外的区间的非解析区间中的至少两个区间。因此,能够有助于确定已应用的区间。
另外,根据一个实施方式,心电图解析辅助装置使用了峰值推测模型13C,峰值推测模型13C将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,该峰值信息表示在该波形数据中是否存在与该心电图的解析有关的预先决定的种类的峰值,该心电图解析辅助装置具备解析用波形获取部11C、解析用波形切取部11D、中间信息获取部11I以及分类部11J,解析用波形获取部11C获取作为解析对象的心电图中的波形数据,解析用波形切取部11D从由解析用波形获取部11C获取到的波形数据切取预先决定的第一期间的波形数据来作为解析用区分波形数据,中间信息获取部11I获取通过向峰值推测模型13C输入由解析用波形切取部11D切取得到的解析用区分波形数据而在该峰值推测模型13C的中间层生成的、表示该解析用区分波形数据所包含的峰值的形状的特征的中间信息,分类部11J使用由中间信息获取部11I获取到的中间信息,来对作为解析对象的心电图的波形的类型进行分类。因此,能够有助于确定作为解析对象的心电图的波形的类型。
另外,根据一个实施方式,将上述波形的类型设为包括标准的类型、T波比该标准的类型大的类型、QRS波的宽度比标准的类型宽的类型、以及其他类型中的至少两个类型。因此,能够有助于确定已应用的类型。需要说明的是,T波比上述标准的类型大的类型是与高钾血症对应的类型,通过将该类型包含在上述波形的类型,能够掌握血清电解质异常的可能性。另外,QRS波的宽度比上述标准的类型宽的类型是与束支传导阻滞对应的类型,通过将该类型包含在上述波形的类型,能够掌握严重的心肌疾病等的可能性。
并且,根据一个实施方式,通过对中间信息进行聚类,来进行上述分类。因此,与不对中间信息进行聚类的情况相比,能够有助于更准确地确定作为解析对象的心电图的波形的类型。
需要说明的是,在上述实施方式中,虽然对通过由显示部进行显示来提示心电图状况信息以及分类结果信息的情况进行了说明,但并不限于此。例如,也可以设为通过由音频输出部19输出的音频来提示心电图状况信息以及分类结果信息的方式,还可以设为通过由打印机等图像形成装置进行的印刷来提示心电图状况信息以及分类结果信息的方式。
另外,在上述实施方式中,虽然对通过被设为单体结构的装置构成本公开的心电图解析辅助装置的情况进行了说明,但并不限于此。例如,也可以设为通过使用云服务器等服务器装置和终端装置之类的多个装置的系统来构成本公开所涉及的心电图解析辅助装置的方式。在该情况下,例如,通过终端装置来测量用户的心电图,向服务器装置传输通过该测量得到的波形数据,将通过服务器装置接收到的波形数据设为解析对象,作为一个示例,执行如图10所示的心电图解析辅助处理。而且,能够示例出如下的方式:向终端装置发送如此得到的心电图状况信息以及分类结果信息,通过终端装置来提示这些信息。
另外,在上述实施方式中,例如,作为执行学习用波形获取部11A、学习用波形切取部11B、解析用波形获取部11C、解析用波形切取部11D、导出部11E、第二解析用波形切取部11F、第二导出部11G、推测部11H、中间信息获取部11I、以及分类部11J的各处理的处理部(processing unit)的硬件构造,可以使用如下所述的各种处理器(processor)。在上述各种的处理器中,如上所述,除了执行软件(程序)并作为处理部而发挥功能的通用的处理器、即CPU之外,还包括在制造现场可编辑门阵列(Field-Programmable Gate Array,FPGA)等后可变更电路结构得处理器即可编辑逻辑器件(Programmable Logic Device,PLD)、以及专用集成电路(Application Specific Integrated Circuit,ASIC)等具有专门设计以执行特定处理的电路结构的处理器即专用电路等。
处理部可以由这些各种处理器中的一个构成,也可以由同种或不同种的两个以上的处理器的组合(例如,多个FPGA的组合、或CPU与FPGA的组合)构成。另外,也可以用一个处理器构成处理部。
作为用一个处理器构成处理部的示例,第一,已知如下一种方式:如以客户机以及服务器等计算机为代表那样,用一个以上的CPU与软件的组合构成一个处理器,该处理器作为处理部而发挥功能。第二,已知如下一种方式:以系统芯片(System On Chip,SoC)等为代表那样,使用通过一个集成电路(Integrated Circuit,IC)实现包括处理部的整个系统的功能的处理器。这样,作为硬件的结构,使用上述各种处理器中的一个以上来构成处理部。
并且,作为这些各种处理器的硬件构造,更具体地,可以使用将半导体元件等电路元件组合得到的电路(circuitry)。
(附记)
关于以上的实施方式,还公开以下的附记。
(附记项1)
一种心电图解析辅助装置,其中,所述心电图解析辅助装置具备处理器,
所述处理器执行以下处理:
获取作为解析对象的心电图中的波形数据;
每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从获取到的波形数据进行切取来作为解析用区分波形数据;以及
通过向峰值推测模型输入切取得到的解析用区分波形数据,导出所述峰值信息,所述峰值推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,该峰值信息表示在该波形数据中是否存在与所述心电图的解析有关的预先决定的种类的峰值。
(附记项2)
一种非暂时性存储介质,其存储有使用了峰值推测模型的程序,所述峰值推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,所述峰值信息表示在该波形数据中是否存在与所述心电图的解析有关的预先决定的种类的峰值,所述非暂时性存储介质存储有用于使计算机执行以下处理的程序:
获取作为解析对象的心电图中的波形数据;
每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从获取到的波形数据进行切取来作为解析用区分波形数据;以及
通过向所述峰值推测模型输入切取得到的解析用区分波形数据,导出所述峰值信息。
2021年3月24日申请的日本专利申请2021-050381号的公开内容通过引用,其全部内容并入本申请的说明书中。
Claims (10)
1.一种心电图解析辅助装置,其中,所述心电图解析辅助装置具备:
峰值推测模型,所述峰值推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,所述峰值信息表示在该波形数据中是否存在与所述心电图的解析有关的预先决定的种类的峰值;
解析用波形获取部,所述解析用波形获取部获取作为解析对象的心电图中的波形数据;
解析用波形切取部,所述解析用波形切取部每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从由所述解析用波形获取部获取到的波形数据进行切取来作为解析用区分波形数据;以及
导出部,所述导出部通过向所述峰值推测模型输入由所述解析用波形切取部切取得到的解析用区分波形数据,导出所述峰值信息。
2.根据权利要求1所述的心电图解析辅助装置,其中,所述心电图解析辅助装置还具备:
学习用波形获取部,所述学习用波形获取部获取作为学习对象的心电图中的波形数据;以及
学习用波形切取部,所述学习用波形切取部从由所述学习用波形获取部获取到的波形数据切取所述第一期间的波形数据来作为学习用区分波形数据,
所述峰值推测模型是将由所述学习用波形切取部切取得到的学习用区分波形数据设为输入信息并将与该学习用区分波形数据对应的所述峰值信息设为输出信息并经机器学习得到的模型。
3.根据权利要求1或2所述的心电图解析辅助装置,其中,
所述预先决定的种类包括表示正常或心房性期外收缩的第一种类、表示心房纤颤的第二种类、以及表示心室性期外收缩的第三种类中的至少一种。
4.根据权利要求1~3中任一项所述的心电图解析辅助装置,其中,所述心电图解析辅助装置还具备:
区间推测模型,所述区间推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将区间种类信息设为输出信息,所述区间种类信息表示与该波形数据对应的区间是否为预先决定的种类的区间中的任一区间;
第二解析用波形切取部,所述第二解析用波形切取部从由所述解析用波形获取部获取到的波形数据切取比所述第一期间长的期间的第二期间的波形数据来作为第二解析用区分波形数据;
第二导出部,所述第二导出部通过向所述区间推测模型输入由所述第二解析用波形切取部切取得到的第二解析用区分波形数据,导出所述区间种类信息;以及
推测部,所述推测部通过将由所述导出部导出的峰值信息以及由所述第二导出部导出的区间种类信息合成,推测作为所述解析对象的心电图所示出的状况。
5.根据权利要求4所述的心电图解析辅助装置,其中,
所述预先决定的种类的区间包括作为通常的区间的通常区间、作为心房纤颤的区间的心房纤颤区间、以及作为被设为解析的对象外的区间的非解析区间中的至少两个区间。
6.一种程序,其使用了峰值推测模型,所述峰值推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,所述峰值信息表示在该波形数据中是否存在与所述心电图解析有关的预先决定的种类的峰值,所述程序用于使计算机执行以下处理:
获取作为解析对象的心电图中的波形数据;
每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从获取到的波形数据进行切取来作为解析用区分波形数据;以及
通过向所述峰值推测模型输入切取得到的解析用区分波形数据,导出所述峰值信息。
7.一种心电图解析辅助方法,使用了峰值推测模型,所述峰值推测模型将心电图中的波形数据的一部分区间的波形数据设为输入信息,将峰值信息设为输出信息,所述峰值信息表示在该波形数据中是否存在与所述心电图的解析有关的预先决定的种类的峰值,在所述心电图解析辅助方法中,
获取作为解析对象的心电图中的波形数据;
每次使预先决定的第一期间的波形数据移动被预先决定为比该第一期间短的期间的移动期间的同时,从获取到的波形数据进行切取来作为解析用区分波形数据;以及
通过向所述峰值推测模型输入切取得到的解析用区分波形数据,导出所述峰值信息。
8.一种心电图解析辅助系统,其中,所述心电图解析辅助系统包括:
根据权利要求1~5中任一项所述的心电图解析辅助装置;以及
终端装置,所述终端装置对所述心电图解析辅助装置传输作为解析对象的心电图中的波形数据,并根据该波形数据的传输接收由所述心电图解析辅助装置得到的信息并进行提示。
9.一种峰值推测模型生成方法,其中,
获取作为学习对象的心电图中的第一学习用波形数据;
从获取到的第一学习用波形数据切取预先决定的第一期间的波形数据来作为第一学习用区分波形数据;以及
将切取得到的第一学习用区分波形数据设为输入信息,将峰值信息设为输出信息,来进行机器学习,从而生成峰值推测模型,所述峰值信息表示是否存在与该第一学习用区分波形数据对应的、与心电图的解析有关的预先决定的种类的峰值。
10.一种区间推测模型生成方法,其中,
获取作为学习对象的心电图中的第二学习用波形数据;
从获取到的第二学习用波形数据切取第二期间的波形数据来作为第二学习用区分波形数据,所述第二期间为比预先决定的第一期间长的期间;以及
将切取得到的第二学习用区分波形数据设为输入信息,将区间种类信息设为输出信息,来进行机器学习,从而生成区间推测模型,所述区间种类信息表示与该第二学习用区分波形数据对应的区间是否为预先决定的种类的区间中的任一区间。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-050381 | 2021-03-24 | ||
JP2021050381A JP7032747B1 (ja) | 2021-03-24 | 2021-03-24 | 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム |
PCT/JP2022/013743 WO2022202942A1 (ja) | 2021-03-24 | 2022-03-23 | 心電図解析支援装置、プログラム、心電図解析支援方法、心電図解析支援システム、ピーク推定モデル生成方法、及び区間推定モデル生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117651523A true CN117651523A (zh) | 2024-03-05 |
Family
ID=81213046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280024153.2A Pending CN117651523A (zh) | 2021-03-24 | 2022-03-23 | 心电图解析辅助装置、程序、心电图解析辅助方法、心电图解析辅助系统、峰值推测模型生成方法、以及区间推测模型生成方法 |
Country Status (10)
Country | Link |
---|---|
US (1) | US20240164692A1 (zh) |
EP (1) | EP4318335A1 (zh) |
JP (1) | JP7032747B1 (zh) |
KR (1) | KR20230159566A (zh) |
CN (1) | CN117651523A (zh) |
AU (1) | AU2022245591A1 (zh) |
BR (1) | BR112023019438A2 (zh) |
CA (1) | CA3213192A1 (zh) |
IL (1) | IL307210A (zh) |
WO (1) | WO2022202942A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023248308A1 (ja) * | 2022-06-20 | 2023-12-28 | 日本電信電話株式会社 | 学習装置、情報提供装置、学習方法、情報提供方法及びプログラム |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7853317B2 (en) * | 2004-10-13 | 2010-12-14 | Sigmed, Inc. | Method and system for cardiac signal decomposition |
EP3231362A4 (en) | 2014-12-12 | 2017-12-06 | Fujitsu Limited | Meal intake estimation program, meal intake estimation method, and meal intake estimation device |
CN107837082B (zh) * | 2017-11-27 | 2020-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
US11620528B2 (en) * | 2018-06-12 | 2023-04-04 | Ciena Corporation | Pattern detection in time-series data |
CN109875545A (zh) * | 2018-12-17 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于cnn的个体化12导联心电图重建方法 |
KR102171236B1 (ko) | 2019-03-14 | 2020-10-28 | 서울시립대학교 산학협력단 | 심장 박동의 타입을 분류하는 방법 및 이를 이용한 장치 |
CN109846476A (zh) * | 2019-03-19 | 2019-06-07 | 苏州哈特智能医疗科技有限公司 | 一种基于机器学习技术的室颤识别方法 |
CN109864739A (zh) * | 2019-03-19 | 2019-06-11 | 苏州哈特智能医疗科技有限公司 | 一种从10秒心电图中识别二度房室传导阻滞的方法 |
CN111714111A (zh) * | 2019-03-22 | 2020-09-29 | 安徽华米信息科技有限公司 | 心电数据处理方法、装置、可穿戴设备及存储介质 |
CN109864714A (zh) * | 2019-04-04 | 2019-06-11 | 北京邮电大学 | 一种基于深度学习的心电信号分析方法 |
EP3981321A4 (en) * | 2019-07-29 | 2022-08-03 | Cardio Intelligence Inc. | ELECTROCARDIOGRAM DISPLAY DEVICE, ELECTROCARDIOGRAM DISPLAY METHOD AND PROGRAM |
JP6756994B1 (ja) | 2019-09-24 | 2020-09-16 | 冨士ダイス株式会社 | 積層造形用粉末、積層造形物の製造方法及び積層造形物焼結体の製造方法 |
-
2021
- 2021-03-24 JP JP2021050381A patent/JP7032747B1/ja active Active
-
2022
- 2022-03-23 WO PCT/JP2022/013743 patent/WO2022202942A1/ja active Application Filing
- 2022-03-23 IL IL307210A patent/IL307210A/en unknown
- 2022-03-23 US US18/283,485 patent/US20240164692A1/en active Pending
- 2022-03-23 AU AU2022245591A patent/AU2022245591A1/en active Pending
- 2022-03-23 EP EP22775724.2A patent/EP4318335A1/en active Pending
- 2022-03-23 CN CN202280024153.2A patent/CN117651523A/zh active Pending
- 2022-03-23 KR KR1020237036139A patent/KR20230159566A/ko unknown
- 2022-03-23 CA CA3213192A patent/CA3213192A1/en active Pending
- 2022-03-23 BR BR112023019438A patent/BR112023019438A2/pt unknown
Also Published As
Publication number | Publication date |
---|---|
IL307210A (en) | 2023-11-01 |
KR20230159566A (ko) | 2023-11-21 |
US20240164692A1 (en) | 2024-05-23 |
JP7032747B1 (ja) | 2022-03-09 |
CA3213192A1 (en) | 2022-09-29 |
AU2022245591A1 (en) | 2023-11-09 |
JP2022148631A (ja) | 2022-10-06 |
WO2022202942A1 (ja) | 2022-09-29 |
EP4318335A1 (en) | 2024-02-07 |
BR112023019438A2 (pt) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10980429B2 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
CN113613559A (zh) | 用于描绘和分类的心电图处理系统 | |
US9125622B2 (en) | Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analyzing program stored therein | |
CN117425431A (zh) | 心电图解析辅助装置、程序、心电图解析辅助方法、以及心电图解析辅助系统 | |
US20200074281A1 (en) | Computer-readable recording medium, abnormality determination method, and abnormality determination device | |
US20210204858A1 (en) | Automatic sensing of features within an electrocardiogram | |
CN111345816B (zh) | 多导联qrs波群检测方法、装置、设备及存储介质 | |
US11412978B2 (en) | Information processing system and program | |
WO2021238092A1 (zh) | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 | |
CN111657925A (zh) | 基于机器学习的心电信号分类方法、系统、终端以及存储介质 | |
CN108125678B (zh) | 心电信号的方向检测方法、装置及电子设备 | |
CN117651523A (zh) | 心电图解析辅助装置、程序、心电图解析辅助方法、心电图解析辅助系统、峰值推测模型生成方法、以及区间推测模型生成方法 | |
Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
CN113171102B (zh) | 基于持续深度学习的ecg数据分类方法 | |
CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
CN111493856B (zh) | 心搏分类的修正方法、装置、心电图检查系统及存储介质 | |
US20220262516A1 (en) | Atrial Fibrillation Prediction Model And Prediction System Thereof | |
CN111345814A (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
US20240047074A1 (en) | Information processing device, recording medium, and method for processing information | |
EP3933715A1 (en) | Method and system for generating synthetic time domain signals to build a classifier | |
CN115919324A (zh) | 心电图的分类方法、训练方法、装置、设备和存储介质 | |
CN117158985A (zh) | 一种十年内心源性猝死风险的预测方法、系统及设备 | |
James et al. | Simplifying oscillometric blood pressure measurement models using global sensitivity analysis |
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 |