CN1681434A - 使用分形分析预测心脏病发作的系统和方法 - Google Patents

使用分形分析预测心脏病发作的系统和方法 Download PDF

Info

Publication number
CN1681434A
CN1681434A CNA038195801A CN03819580A CN1681434A CN 1681434 A CN1681434 A CN 1681434A CN A038195801 A CNA038195801 A CN A038195801A CN 03819580 A CN03819580 A CN 03819580A CN 1681434 A CN1681434 A CN 1681434A
Authority
CN
China
Prior art keywords
lead
lsum
time
log
value
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
Application number
CNA038195801A
Other languages
English (en)
Inventor
戴维·M·史瑞克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of CN1681434A publication Critical patent/CN1681434A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/24—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
    • A61B5/358—Detecting ST segments

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一种预测心脏病的方法，该方法通过以下步骤来实现：首先，为心电图导联组获取作为时间函数的多个导联值(103)；以及从至少3个导联的导联值定义空间曲线。计算作为时间的函数的空间曲线的分形指数，并且监测分形指数的时间变化率(104)。分形指数的负时间变化率表示正常的心搏动，而分形指数的正时间变化率表示病理性心搏动。

Description

使用分形分析预测心脏病发作的系统和方法
技术领域
本发明涉及，通过对从属于一组例行使用的导联(lead)的3个测量导联导出的合成心电图(“ECG”)导联所产生的空间环进行分形分析，来预测急性心搏动，该例行使用的一组导联包括标准的12导联ECG。
背景技术
心电图(ECG)是心脏的电活动的记录，它是许多医疗装置中普遍使用的诊断筛选检查。标准ECG记录包括12个导联波形，分别表示为I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5和V6，并且按照特定的顺序排列，该特定顺序由医生利用模式识别技术来解释。由医生、护士或其它专门训练的技师，利用专业的硬件和设备来获取ECG。在通常的配置中，把10个电极放在人体躯干上，来测量定义标准12导联的电势。这些年来，已经测试了其它导联系统。这些导联系统包括Frank心电向量图(“VCG”)系统，VCG系统使用3个几乎正交的导联，以X、Y和Z表示；4个右胸腔导联，以V3R、V4R、V5R和V6R表示；以及3个左后导联，以V7、V8和V9表示。没有哪一个制造商当前制造出允许获取所有22个导联的设备。为了获取这些导联，技师首先必须拿走附到标准电极位置的导联夹，然后把它们重新附到位于非常规位置的电极上。这需要至少3次分开的跟踪获取，以及总共21个电极位置。
在医学惯例中，通常的做法是把患有潜在的心脏异常的病人连接到律动(rhythm)监护器上，该律动监护器是一种专门设计的硬件设备，它只显示一个ECG导联，但是能够测量3个不同的导联。有一些制造商已经设计出也能够显示3个导联的律动监护器，但是通常的显示格式仍然是一个导联。利用该设备，在病人的身体躯干上安置3至4个电极，来获取3个不同的导联配置。当病人连接到律动监护器，如果预定了标准的12导联ECG，则技师安置所有的附加电极，来分别获取ECG。因此，如果存在以下这样的过程，则可以提高获取ECG的效率：借助该过程，能够利用比标准电极数量更少的电极，一经要求就从律动监护器、而非通常的ECG机器，立刻获取标准的12导联ECG、3导联VCG、4个右胸腔导联或者3个左后导联。
Nicklas等人在美国专利No.5,058,598中发明了一种系统，该系统根据开发特定病人的变换来合成ECG导联。该系统能够根据从3个导联接收数据，来合成12导联ECG。然而，该系统需要，先以通常的方式从病人获取完整的n导联ECG，以便计算特定病人的变换，然后将该特定变换应用于从该病人获取的随后ECG数据。这是不方便的，因为最终所得的变换仅适用于一个病人，并且所得变换需要被存储在可访问的介质中，以供病人住院期间使用。另外，Nicklas变换也具有时间相关性，表示病人变换可能随时间变化，以致于为了诊断的准确性，以后每当遇到该病人，可能需要重新计算该病人的变换。
Dower在美国专利No.4,850,370中利用Frank VCG 3导联系统来推导12导联ECG，然而，该系统是非常规的，并且大多数临床工作人员都不熟悉该系统。Dower也开发了另一种非常规的、被称为EASI系统的非常规导联配置，但是该配置需要获取4个导联，来推导12个导联ECG。
发明内容
本发明通过利用抽象因素分析(abstract factor analysis)和单纯形优化(simplex optimization)算法的数学技术推导可应用于所有病人的、且独立于时间的通用变换矩阵，来解决上述问题。因此，当需要时，可应用该通用变换矩阵，并且该通用变换矩阵不需要在其实施之前，为每个病人获取完整的n导联ECG。
为此，首先测量并数字化某组ECG导联的电压-时间数据，以定义ECG训练组。没有限制，导联组的例子包括以下格式：
12导联：I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6；
15导联：I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6、X、Y、Z；
15导联：I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6、V7、V8、V9；
16导联：I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6、V3R、V4R、V5R、V6R；
18导联：I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6、V7、V8、V9、X、Y、Z；
19导联：I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6、V7、V8、V9、V3R、y4R、V5R、V6R；
22导联：I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6、V7、V8、V9、V3R、V4R、V5R、V6R、X、Y、Z。
一旦已经获取电压-时间数据阵列，就对每个ECG电压-时间数据阵列训练组应用抽象因素分析(“AFA”)技术，以便使测量的阵列中的误差最小化。最后的步骤是，应用单纯形优化(“SOP”)技术，以便推导可应用于所有病人的、并且独立于时间的通用变换矩阵。然后，该通用变换矩阵可以应用于标准的、测量的3导联子系统，来推导标准12导联ECG以及其它系统，并且能够产生直到22个导联，使得能够更准确地解释心电活动。和观测的导联测量相比，这些推导的ECG值近似98％地准确。用于合成12导联ECG的标准3导联系统是属于标准12导联系统的I、aVF和V2导联。该测量的导联组是常规的，并且为临床工作人员所熟悉，因此易于应用。在本发明人于2002年5月17日提交的、专利申请序号为10/150,719的一同待决申请“合成心电图导联的系统和方法(SYSTEM AND METHOD FORSYNTHESIZING LEADS OF AN ELECTROCARDIOGRAM)”中，描述了抽象因素分析和单纯形优化的应用，该申请的内容在此被引入作为参考。因为该导联组近似正交系统，因此可以在3维空间中绘制这些导联向量相对于彼此的关系曲线，以便产生其属性可以和冠状病理相关的空间曲线。可以通过计算曲线的分形指数，来表征3维空间曲线的特性，并且这些分形指数的值预示急性心脏症状。
在应用数学领域中，分形分析抽象技术是周知的。分形指数的概念最先是由Mandelbrot在 The Fractal Geometry of Nature，Freeman，New York，1983一书中阐明的，该书在此被引入作为参考。对于平面曲线的分形指数计算的讨论，请参见Katz， Fractals and the Analysis of Waveforms，Comput.Biol.Med.18：3，PP.145-156(1988)一文，其内容在此被引入作为参考。
附图说明
图1描述了怎样计算和使用本发明的通用变换矩阵的流程图。
图2描述了，测量的ECG和通过应用本发明的通用变换矩阵预测的ECG的比较。
图3描述了累积百分方差，该累积百分方差作为如通过抽象因素分析确定的多个特征值的函数。
图4描述了如通过ECG测量的典型心电周期。
图5描述了ECG打印输出，该ECG打印输出对测量值和通过单纯形优化方法导出的值进行比较。
图6描述了正常的3维空间ECG环。
图7描述了便携式床边心脏监护器。
图8描述了代表急性下壁心肌梗塞(MI)的3维空间ECG环。
图9描述了3维空间ECG环中的心脏电势的矢量力。
图10描述了，怎样描绘出随时间变化的3维空间ECG环。
图11描述了3维空间ECG环的区域三角形。
图12描述了正常男性心脏的3维空间ECG环。
图13描述了，展示急性MI的男性心脏的3维空间ECG环。
图14显示了正常心搏动对比MI心搏动的分形指数分离。
图15和16显示了，正常心搏动和MI心搏动的女性心脏的分形指数值分离，以及正常心搏动和MI心搏动的男性心脏的分形指数值分离。
图17描述了导联值和分形指数的表。
具体实施方式
由被称为PQRST波的波来表示心搏动的完整周期，由H.E.Huff和P.Sekelj翻译的、在Am.Heart J.40：163，1950再版的Einthoven， Arch. Ges Phys.150：275，1913定义了该PQRST波。PQRST波代表心脏的完全收缩和松弛。图4中显示了PQRST波的例子。一个完整的心搏动周期平均为1/72秒。
抽象因素分析
图1所示流程图描述了本发明的全过程。方框100中所示的第一步骤是，对训练数据组应用抽象因素分析(Abstract factor analysis)。对本发明中的整个n导联ECG测量数据矩阵应用抽象因素分析(AFA)，来“预处理”ECG的训练组，通过单纯形优化从该ECG训练组得出变换矩阵，以便使该训练组中的固有误差最小化。AFA的优点是，该技术消除了可以从数据组预测的误差，诸如基线波动、基线噪声和导联位置误差，并产生了改善的、测量的数据组。图2中显示了如通过测量的和如通过AFA预测的导联I的ECG值的比较，图2显示出二者近似一致。
为了执行AFA，在n维系统中、通过乘积项的线性和，来表示ECG。标准的12导联ECG是n＝12的系统。在特定时间t，12导联ECG可以表示为
V(t)＝V1(t)L1+V2(t)L2+...+Vn(t)Ln，
其中V是12维向量，Vm是第m个导联的电势，Lm是12维空间中的单位向量，t是时间。也可以用生成空间的一组正交基向量{X}，来表示电势V(t)：
V(t)＝∑n m＝1Km(t)Xm。
抽象因素分析确定：影响数据组的因素的数目n；变换系数矩阵K；以及抽象导联向量组X。
为了执行AFA，我们考虑电压-时间测量的N×M数据矩阵[V]，
其中N是导联的数目，M是数据点的数目。在AFA中，使协方差矩阵对角线化，以产生一组特征值λj，可以按大小对该组特征值λj进行排序。可以把协方差矩阵定义为[Z]＝[V]T[V]，它是一个具有最多M个特征值的M×M矩阵，或者可以把协方差矩阵定义为[Z]＝[V][V]T，它是一个具有最多N个特征值的N×N矩阵。每个特征值λj对应于正交基特征向量Xj。对角线化过程涉及发现使[Z]对角线化的矩阵[Qj]：[Z][Qj]＝λj[Qj]。在ECG的环境下，在一个完整周期内，M通常为300个测量数据。对N×M矩阵的多个训练组应用AFA技术。
根据AFA在数据组的应用，我们发现3个导联就能够获得n导联ECG中的几乎全部信息量，其中n为12至22个导联。可以借助于累积百分方差来演示这一点。可以定义方差为：
Var＝λj/∑n k＝1λk，
其中n＝12，...，22，并且λj是第j个特征值的大小。把累积百分方差定义为
Cum％Var＝∑c k＝1λk/∑n k＝1λk，
其中c等于按大小排序的特征值λj序列中的第c个特征值。因此，累积百分方差是系统的信息量的测度。图3是累积百分方差与λj的函数关系曲线图，并显示出系统的大部分信息量被包含在最先的3个特征值中。实际上，AFA演示了，3个导联能够占据12导联ECG的大约98-99％的信息量。因此，对于12导联系统，所得的变换矩阵[K]是纯化ECG数据的3×12矩阵，如图1的方框101中所示。给定3个导联的一组M个电压-时间测量，可以通过使变换矩阵[K]乘以3个测量导联的3×M电压-时间数据矩阵，来计算全组的12导联的测量值。可以容易地把该结果推广到具有任意数量的导联的系统，由此推广到我们的n导联ECG术语。
单纯形优化(simplex optimization)
推导本发明的通用变换矩阵的下一步骤是，对进行了AFA分析的训练组应用单纯形优化技术(“SOP”)，如图1中的方框102所示。因为3个导联占有n导联ECG的几乎全部信息，因此把SOP应用于由{I，aVF，V2}组成的3导联组，来计算其它导联。
单纯形优化和用于使受约束线性系统最小化的单纯形算法不同，该单纯形优化是这样一种方法，该方法用于当基础函数(underlyingfunction)未知时寻找多变量函数的最大值。单纯形是由(n+1)个点定义的几何图形，(n+1)是大于变量数的数。对于两个变量的函数z＝f(x，y)，以3个点{(x1，y1)，(x2，y2)，(x3，y3)}开始，并且对这3个点测量函数的值。然后，把这3个点标记为“B”、“N”和“W”，分别对应于最好、次最好(或次最差)和最差的值。因为我们在寻找最大值点，最好的值具有最大的大小。
利用R＝P+(P-W)，来确定用于测量函数f的下一个点R，其中P是除去最差值的点时的图形的质心。
一旦已经相对于R测量了函数，则对于下一个步骤，就有3种可能性。首先，如果对于R的值好于对于B的值，则尝试用通过E＝P+2(P-W)定义的新点来扩展。如果对于E的值好于对于B，则保留E，并且用N、B和E定义新的单纯形。如果对于E的值并不好于对于B的值，则认为扩展已经保存(filed)，并且用B、R和N来定义新的单纯形。
第二，如果对于R的值介于对于B的值和对于N的值之间，则把新的单纯形定义为B、R和N，并且重新开始处理。
最后，如果对于R的值小于对于N的值，则是在错误的方向上执行步骤，并且应该产生新的单纯形。有两种可能性。如果对于R的值介于对于N的值和对于W的值之间，则R应该比W更接近新的点：CR＝P+0.5(P-W)，并且用B、N和CR来定义新的单纯形。如果在R点的值差于W点的值，则W应该比R更接近新的点：CW＝P-0.5(P-W)。然后，用B、N和CW来定义新的单纯形。重复该过程，直到找到最大值为止。
对于3导联ECG的情况，计算其它导联的值，作为优选地为{I，aVF，V2}的3导联组的函数。因此，单纯形将是由代表{I，aVF，V2}的初值的4个点定义的3维图形。该优化的结果用于在步骤S103定义N×3通用变换矩阵[K]，以致于当在特定时间使变换矩阵[K]乘以包括3个导联{I，aVF，V2}的向量时，产生完整的n导联ECG。尤其是，相对于心搏的完整PP周期，以及相对于PP周期内的段，诸如PR间期(interval)、QRS间期、SP间期和QT间期，来计算[K]矩阵。通过对II、III、aVR和aVL导联的推导值及推导系数和这些导联的测量值进行比较，来检查和验证优化的精度。图5中描述了，基于从单纯形优化推导的值的合成ECG和测量ECG的比较。
空间环
如上所述，本发明人已经通过AFA的应用证实了，显示的信息的～98-99％可以从仅仅3个导联的测量来重现。因为这些导联是近似正交的，因此可以在3维空间中，来绘制这些同时获取的值相对于彼此的关系曲线，产生了空间ECG环。实际上，12导联ECG中的全部信息都在3维空间ECG环中。另外，本发明人已经证实了，可以从仅仅3个测量的导联来重现直到22个导联的导联配置的信息量。通过把导联空间增加到22个导联，医生能够更准确地诊断心脏病理，诸如右心肌梗塞或后壁心肌梗塞。
图6显示了正常男性心脏的典型3维(“3D”)空间环。能够容易地把这种类型的显示嵌入到图7所示的标准心脏监护器中，该标准心脏监护器结合了如当前现有的单一波形配置。也可以打印该空间环，用于之后的病人病历卡。图8中显示的3维空间环代表急性下壁MI(心肌梗塞)。当和图6中所示的正常心功能的显示相比，可以看出，按时间顺序行进的矢量力明显不同。在图12和13中可以发现，正常心搏动的3维空间环与急性MI心搏动的3维空间环的比较的另一个例子。在图9中描述的逆时针3维空间ECG环中，显示了心脏电势的矢量力。除了提供诊断信息以外，3维空间ECG环还能够用作教学装置，来教导心电生理学领域的临床医生。
一般，心电向量按时间跟踪N维环，其中N是导联的数量。抽象因素分析已经演示了，我们能够把N取为3，并且因为导联I、aVF和V2是近似正交的，因此我们绘制I、aVF和V2相对于彼此的关系曲线。然而，关于空间环不能被看成N维空间中的曲线是没有根本理由的，其中N为导联的数量。该空间环具有定义的表面积，该表面积由环向量按时间前进时扫过的三角形来定义。图10中显示了这点。由该空间环定义的长度结构和表面积能够产生表征病人病理状况的信息。尤其是，可以在图1的步骤104，从空间环计算分形指数，并且在图1的步骤105，可以利用该指数的值来预测，是否存在病理性急性冠状动脉综合症(“ACS”)。该指数还能够用作触发器，借此能够自动地打印合成的ECG，节约了时间和金钱，以及有可能挽救病人的生命，因为有可能在症状发展之前，能够在服务点(point of service)进行ACS诊断。
可以用各种分形指数来表征该空间曲线的特性。指数值相对于基线值的时间变化率也预示了心搏动。当电势ECG向量环按时间随每次心搏来跟踪空间中的环时，可以从由面积A(t)和周长L(t)形成的三角形序列，来计算分形指数，如图11所示。基于逐个心搏的分形指数函数的变化是自律活动的测量。可以通过诸如图7中所示的便携式床边心脏监护器，来计算这些分形指数。
计算在ECG分析中有用的空间环的分形指数的一种方法是，基于适于平面曲线的分形指数计算，如在Katz文章中相对于2维X-Y数据所描述的。平面曲线的分形维D被定义为D＝log(L)/log(d)，其中L是曲线的总长，d是曲线的直径或平面广度(planar extent)。可以依据逐点之间的平均步长或距离a，以及曲线中的步数n，n＝L/a，来定义长度，在此情况下，分形维D＝log(n)/(log(n)+log(d/L))。Katz文章提供了应用于几种基本的30点波形的该公式的例子，在Katz文章的图1中给出了这几种波形的每一种。
用于X-Y数据的Katz公式的方法能够容易地应用于由ECG导联值定义的空间环，适用于任何维的空间环。为了定义N维环的分形维，定义一些预备量是有用的。首先，我们定义
D(tk)＝(∑N i＝1 xi 2(tk))1/2
L(tk)＝(∑N i＝1(xi(tk)-xi(tk-1))2)1/2
DD(tk)＝max(D(tk)，DD(tk-1))
以及
LSUM(tk)＝LSUM(tk-1)+L(tk)，
其中xi(tk)代表N导联ECG中的第i个ECG导联在时间tk的值。可以看出，D是N维空间中的长度，而L是由D(tk)与D(tk-1)之差定义的N维空间中的弧段，D(tk-1)是在前一时间tk-1的长度。可以把时间tk看作kδt，其中δt是时间单位。然后，我们把分形维(fractal dimension)定义为时间k的函数，如下
FD(k)＝log(k)/(log(k)+log(DD(tk)/LSUM(tk)))。
图17描述了在心动周期的ST段内46次测量的导联值的电子表格。这些导联值代表标准的12导联组，即I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5和V6。标记为“D”、“L”、“DD”、“LSUM”的列，和“FD”的“Y”列，分别对应于如上定义的D(tk)、L(tk)、DD(tk)、LSUM(tk)和FD(k)的值。标记为“ST”和“X”的列是时间间隔计数器的值，k。
当k增大时随k而变的FD时间变化率，被称为FD的时间导数，可以容易地为空间环计算FD的时间导数。本发明人已经发现，FD的时间导数，以下被称为FD′，是ACS的优秀预测器，这是因为根据正常心搏动和异常心搏动的对比，FD′分别分成了负值和正值。图14、15和16图解显示了FD′值的这种分离。因此，FD′从负值到到正值的跨越可以用作触发器，用来产生警报以及自动地打印合成ECG，节约了时间和金钱，并且有可能挽救病人的生命。FD′的跨越预示MI的发作这一事实，允许有可能在ACS的症状实际发展之前，在服务点进行ACS诊断。对于挽救病人的生命，这个时间差关系重大。
还有其它分形指数可用于预测异常的心功能。为了定义这些分形指数，我们需要一些附加的预备量：
PerimTot(tk)＝D(tk)+LSUM(tk)
Area(tk)＝1/4((D(tk)+D(tk-1)+L(tk))((D(tk)-D(tk-1)+L(tk))
              (-D(tk)+D(tk-1)+L(tk))(D(tk)+D(tk-1)-L(tk)))1/2
以及
SumArea(tk)＝SumArea(tk-1)+Area(tk)。
我们现在可以定义两个附加的分形指数：
K1＝(LSUM(tk)^FD(k))/SumArea(tk)，
以及
K2＝(PerimTot(tk)^FD(k))/SumArea(tk)。
再一次，随k而变的、这些指数的时间导数是ACS的优秀预测器，因为根据正常心搏动和异常心搏动的对比，时间导数再次分别分成了负值和正值。
在此给出的分形指数只是可能用于ECG空间环分析的可能分形指数的抽样。对于其它分形维测量的一般讨论，请参见Francis C.Moon，Chaotic and Fractal Dynamics，John Willey & Sons，Inc.，第七章，其内容在此被引入作为参考。
能够利用任何可得的编程语言、在任何计算机系统上实施本发明的方法。本发明的一个实施例是利用在运行Windows操作系统的个人计算机上执行的Microsoft Visual Basic得以实施的。然而，本发明不限于该实施，并且利用在诸如Mackintosh的其它机器上执行的其它编程语言的实施，或者利用在Unix操作系统或诸如Linux的变型下运行的工作站的实施，都在本发明的范围内。
作为替换，本发明的方法可以在已被更改成同相地获取3个导联的标准心脏监护器中被实施，可以显示3维空间环，可以计算该空间环的分形指数，以及可以监测该分形指数的时间变化率。可以通过向心脏监护器添加专用的计算机硬件和软件，来实现这些更改。可以利用在本发明人的一同待决申请中所要求的通用变换矩阵，来对该软件进行编程，以便从获取的3个导联计算N导联ECG，显示空间环，计算分形指数，以及监测分形指数的时间变化率。另外，当分形指数的时间导数变化预示心脏病的发作时，该已更改的监护器能够打印全部的N导联ECG和声音，或者显示警报。
虽然已经在各个优选和替换实施例中描述和显示了本发明，但是不应该把这种描述和显示看成是限制性的。因此，本发明包括在仅由以下权利要求限定的本发明范围内的任何变化、修改和/或替换实施例。

Claims (18)

1.一种预测心脏病的方法，包括以下步骤：
为心电图导联组获取作为时间的函数的多个导联值；
从至少3个导联的导联值定义空间曲线；
计算作为时间的函数的、空间曲线的分形指数；以及
监测该分形指数的时间变化率。
2.根据权利要求1所述的方法，进一步包括步骤：
根据从附在病人上的电极获取的电极读数，来计算导联值。
3.根据权利要求1所述的方法，其中，分形指数的负时间变化率表示正常的心搏动，以及分形指数的正时间变化率表示异常的心搏动。
4.根据权利要求1所述的方法，其中所述心电图导联组包括从3到大约80个导联，以及，可以利用通用变换矩阵，从至少3个心电图导联的子集计算全部的心电图导联组。
5.根据权利要求1所述的方法，其中所述分形指数由下式定义：
FD(k)＝log(k)/(log(k)+log(DD(tk)/LSUM(tk)))，
其中：
tk＝kδt，它是k个时间间隔单位δt之后的时间；
LSUM(tk)＝LSUM(tk-1)+(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
DD(tk)＝max((∑N i＝1xi 2(tk))1/2，DD(tk-1))；
N代表心电图导联的数量；以及xi(tk)代表N导联组中的第i个ECG导联在时间tk的值。
6.根据权利要求1所述的方法，其中所述分形指数由下式定义：
K1＝(LSUM(tk)^FD(k))/SumArea(tk)，
其中
tk＝kδt，它是k个时间间隔单位δt之后的时间；
LSUM(tk)＝LSUM(tk-1)+(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
FD(k)＝log(k)/(log(k)+log(DD(tk)/LSUM(tk)))，
DD(tk)＝max((∑N i＝1xi 2(tk))1/2，DD(tk-1))；
SumArea(tk)＝SumArea(tk-1)+
        1/4((D(tk)+D(tk-1)+L(tk))((D(tk)-D(tk-1)+L(tk))
        (-D(tk)+D(tk-1)+L(tk))(D(tk)+D(tk-1)-L(tk)))1/2，
其中
    D(tk)＝(∑N i＝1xi 2(tk))1/2以及
    L(tk)＝(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
N代表心电图导联的数量；以及xi(tk)代表N导联组中的第i个ECG导联在时间tk的值。
7.根据权利要求1所述的方法，其中所述分形指数由下式定义：
K1＝(PerimTot(tk)^FD(k))/SumArea(tk)，
其中
tk＝kδt，它是k个时间间隔单位δt之后的时间；
PerimTot(tk)＝(∑N i＝1xi 2(tk))1/2+LSUM(tk)
LSUM(tk)＝LSUM(tk-1)+(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
FD(k)＝log(k)/(log(k)+log(DD(tk)/LSUM(tk)))，
DD(tk)＝max((∑N i＝1xi 2(tk))1/2，DD(tk-1))；
SumArea(tk)＝SumArea(tk-1)+
        1/4((D(tk)+D(tk-1)+L(tk))((D(tk)-D(tk-1)+L(tk))
           (-D(tk)+D(tk-1)+L(tk))(D(tk)+D(tk-1)-L(tk)))1/2，
其中
    D(tk)＝(∑N i＝1xi 2(tk))1/2以及
    L(tk)＝(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
N代表心电图导联的数量；以及xi(tk)代表N导联组中的第i个ECG导联在时间tk的值。
8.根据权利要求1所述的方法，其进一步包括步骤：在心脏监护器中显示空间环。
9.根据权利要求1所述的方法，其进一步包括以下步骤：在心脏监护器中显示分形指数值，以及把所述分形指数值存储在所述心脏监护器中。
10.一种监测心搏动的设备，包括：
用于为心电图导联组获取作为时间的函数的多个导联值的装置；
用于从至少3个导联的导联值定义空间曲线的装置；
用于计算作为时间的函数的空间曲线分形指数的装置；以及
用于监测分形指数的时间变化率的装置。
11.根据权利要求10所述的设备，其进一步包括：用于根据从附在病人上的电极获取的电极读数来计算导联值的装置。
12.根据权利要求10所述的设备，其中分形指数的负时间变化率表示正常的心搏动，以及分形指数的正时间变化率表示异常的心搏动。
13.根据权利要求10所述的设备，其中所述心电图导联组包括从3到大约80个导联，以及所述设备进一步包括：利用通用变换矩阵从至少3个心电图导联的子集来计算全部心电图导联组的装置。
14.根据权利要求10所述的设备，其中所述分形指数由下式定义：
FD(k)＝log(k)/(log(k)+log(DD(tk)/LSUM(tk)))，
其中：
tk＝kδt，它是k个时间间隔单位δt之后的时间；
LSUM(tk)＝LSUM(tk-1)+(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
DD(tk)＝max(D(tk)，DD(tk-1))；
N代表心电图导联的数量；以及xi(tk)代表N导联组中的第i个ECG导联在时间tk的值。
15.根据权利要求10所述的设备，其中所述分形指数由下式定义：
K1＝(LSUM(tk)^FD(k))/SumArea(tk)，
其中
tk＝kδt，它是k个时间间隔单位δt之后的时间；
LSUM(tk)＝LSUM(tk-1)+(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
FD(k)＝log(k)/(log(k)+log(DD(tk)/LSUM(tk)))，
DD(tk)＝max((∑N i＝1xi 2(tk))1/2，DD(tk-1))；
SumArea(tk)＝SumArea(tk-1)+
        1/4((D(tk)+D(tk-1)+L(tk))((D(tk)-D(tk-1)+L(tk))
           (-D(tk)+D(tk-1)+L(tk))(D(tk)+D(tk-1)-L(tk)))1/2，
其中
    D(tk)＝(∑N i＝1xi 2(tk))1/2以及
    L(tk)＝(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
N代表心电图导联的数量；以及xi(tk)代表N导联组中的第i个ECG导联在时间tk的值。
16.根据权利要求10所述的设备，其中所述分形指数由下式定义：
K1＝(PerimTot(tk)^FD(k))/SumArea(tk)，
其中
tk＝kδt，它是k个时间间隔单位δt之后的时间；
PerimTot(tk)＝(∑N i＝1xi 2(tk))1/2+LSUM(tk)
LSUM(tk)＝LSUM(tk-1)+(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
FD(k)＝log(k)/(log(k)+log(DD(tk)/LSUM(tk)))，
DD(tk)＝max((∑N i＝1xi 2(tk))1/2，DD(tk-1))；
SumArea(tk)＝SumArea(tk-1)+
        1/4((D(tk)+D(tk-1)+L(tk))((D(tk)-D(tk-1)+L(tk))
           (-D(tk)+D(tk-1)+L(tk))(D(tk)+D(tk-1)-L(tk)))1/2，
其中
    D(tk)＝(∑N i＝1xi 2(tk))1/2以及
    L(tk)＝(∑N i＝1(xi(tk)-xi(tk-1))2)1/2；
N代表心电图导联的数量；以及xi(tk)代表N导联组中的第i个ECG导联在时间tk的值。
17.根据权利要求10所述的设备，其进一步包括：用于显示空间环的装置。
18.根据权利要求10所述的设备，其进一步包括：用于显示分形指数值以及存储所述分形指数值的装置。
CNA038195801A 2002-07-01 2003-04-28 使用分形分析预测心脏病发作的系统和方法 Pending CN1681434A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/187,662 2002-07-01
US10/187,662 US6920349B2 (en) 2002-07-01 2002-07-01 System and method for predicting the onset of cardiac pathology using fractal analysis

Publications (1)

Publication Number Publication Date
CN1681434A true CN1681434A (zh) 2005-10-12

Family

ID=29780060

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA038195801A Pending CN1681434A (zh) 2002-07-01 2003-04-28 使用分形分析预测心脏病发作的系统和方法

Country Status (12)

Country Link
US (1) US6920349B2 (zh)
EP (1) EP1534127B1 (zh)
JP (1) JP4724417B2 (zh)
CN (1) CN1681434A (zh)
AT (1) ATE505133T1 (zh)
AU (1) AU2003231150B2 (zh)
CA (1) CA2491470C (zh)
DE (1) DE60336729D1 (zh)
ES (1) ES2370890T3 (zh)
HK (1) HK1076702A1 (zh)
WO (1) WO2004002304A1 (zh)
ZA (1) ZA200500879B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7117108B2 (en) * 2003-05-28 2006-10-03 Paul Ernest Rapp System and method for categorical analysis of time dependent dynamic processes
JP2005079834A (ja) * 2003-08-29 2005-03-24 Pentax Corp 色変換マトリクス算出方法および画像信号処理装置
IL163796A0 (en) * 2004-08-30 2005-12-18 Gribova Orna A Device for detecting changes in blood glucose level or dardiovacular condition
US8303507B2 (en) * 2004-09-07 2012-11-06 Kabushiki Kaisha Toshiba Ultrasonic doppler diagnostic apparatus and measuring method of diagnostic parameter
US8219600B2 (en) * 2006-10-10 2012-07-10 Michael Epelbaum Generating and applying analytic measurements
US7840259B2 (en) * 2006-11-30 2010-11-23 General Electric Company Method and system for electrocardiogram evaluation
US8321005B2 (en) * 2009-10-13 2012-11-27 Siemens Medical Solutions Usa, Inc. System for continuous cardiac pathology detection and characterization
US8296108B2 (en) * 2010-04-02 2012-10-23 Yugen Kaisha Suwa Torasuto Time series data analyzer, and a computer-readable recording medium recording a time series data analysis program
KR101510522B1 (ko) 2013-07-17 2015-04-10 건국대학교 산학협력단 심전도 신호 분류 시스템
EP3062688B1 (en) * 2013-12-20 2019-01-16 St. Jude Medical, Cardiology Division, Inc. Coaxial electrode catheters for extracting electrophysiologic parameters
US10602946B2 (en) * 2015-12-30 2020-03-31 Vectracor, Inc. Mobile cardiac monitoring device
DE102021100558B3 (de) 2021-01-13 2022-05-05 Oliver Hein Verfahren und Vorrichtung zur technischen Unterstützung der Analyse von messtechnisch erfassten Signalen, die einen zeit- und raumabhängigen Signalverlauf aufweisen
CN117100283B (zh) * 2023-07-26 2024-05-03 兴化市人民医院 一种十二导联心电图的生成方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4850370A (en) * 1987-07-22 1989-07-25 Dower Gordon E Method and apparatus for sensing and analyzing electrical activity of the human heart
US5058598A (en) * 1990-08-03 1991-10-22 Nicklas John M Method and apparatus for synthesizing leads of an electrocardiogram
US5161539A (en) * 1991-05-09 1992-11-10 Physio-Control Method and apparatus for performing mapping-type analysis including use of limited electrode sets
US6021345A (en) * 1991-05-17 2000-02-01 Cedars-Sinai Medical Center Methods for detecting propensity for fibrillation using an electrical restitution curve
GB9310604D0 (en) * 1993-05-21 1993-07-07 British Tech Group Analysis of heart waveforms
WO1995003739A1 (en) * 1993-08-03 1995-02-09 Peter Walter Kamen A method of measuring autonomic activity of a patient
US5471991A (en) * 1993-11-16 1995-12-05 Trustees Of The University Of Pennsylvania Wavelet analysis of fractal systems
US6144877A (en) * 1998-08-11 2000-11-07 The United States Of America As Represented By The Department Of Health And Human Services Determining the hurst exponent for time series data

Also Published As

Publication number Publication date
CA2491470C (en) 2013-02-26
EP1534127A4 (en) 2010-02-10
AU2003231150A1 (en) 2004-01-19
CA2491470A1 (en) 2004-01-08
JP4724417B2 (ja) 2011-07-13
ATE505133T1 (de) 2011-04-15
US6920349B2 (en) 2005-07-19
DE60336729D1 (de) 2011-05-26
HK1076702A1 (en) 2006-01-27
AU2003231150B2 (en) 2008-05-29
EP1534127A1 (en) 2005-06-01
ZA200500879B (en) 2005-10-26
JP2005531359A (ja) 2005-10-20
US20040002661A1 (en) 2004-01-01
WO2004002304A1 (en) 2004-01-08
ES2370890T3 (es) 2011-12-23
EP1534127B1 (en) 2011-04-13

Similar Documents

Publication Publication Date Title
CN101254095B (zh) 合成心电图导联的系统和方法
EP1935336B1 (en) Method for electrocardiogram evaluation
CN1447668A (zh) 用于合成导联和提供精确性量度的心电图系统
CN1009330B (zh) 一种电脑电信号检测处理装置
CN1681434A (zh) 使用分形分析预测心脏病发作的系统和方法
EP2412308B1 (en) Derived electrocardiogram generating system and derived electrocardiogram generating method
CN1788265A (zh) 用于从混沌时间序列中提取因果信息的方法和设备
EP2505135B1 (en) TWA measuring electrocardiograph, TWA measuring method, and TWA measurement system
Zarrabi et al. A system for accurately predicting the risk of myocardial infarction using PCG, ECG and clinical features
US9474460B2 (en) Non-invasive evaluation of cardiac repolarisation instability for risk stratification of sudden cardiac death
JP7253380B2 (ja) Ｅｃｇトレーニング及びスキル向上
Matveev et al. Possibilities of signal-averaged orthogonal and vector electrocardiography for locating and size evaluation of acute myocardial infarction with ST-elevation
Chen et al. On the trade-off of accuracy and computational complexity for classifying normal and abnormal ECG in remote CVD monitoring systems
Vondrak et al. Statistical evaluation of transformation methods accuracy on derived pathological vectorcardiographic leads
Moreira et al. Online heartbeat classification using low cost algorithms
Pantelidis et al. Machine learning models for automated interpretation of 12-lead electrocardiographic signals: a narrative review of techniques, challenges, achievements and clinical relevance
Bender Toward Trustworthiness of Deep Learning Models for 12-Lead ECGs
Kornreich et al. Multigroup diagnosis of the standard 12-lead electrocardiogram
CN113223702A (zh) 一种基于心电单极导联v2、v5推衍导联v3、v4的方法及设备
Brohet et al. Diagnostic reliability of ECG processing by multivariate analysis
Hadad et al. Temporal Comparison of Arrhythmia States Sequence

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication