DE102015216645A1

DE102015216645A1 - Identifizieren eines typs von ischämischem ereignis aus einem herzsignalsegment

Info

Publication number: DE102015216645A1
Application number: DE102015216645.7A
Authority: DE
Inventors: Beilei Xu; Survi KYAL; Lalit Keshav MESTHA
Original assignee: Xerox Corp
Current assignee: Xerox Corp
Priority date: 2014-09-22
Filing date: 2015-08-31
Publication date: 2016-03-24
Also published as: US20160081566A1

Abstract

Offenbart werden ein System und ein Verfahren zum Identifizieren eines Typs von ischämischem Ereignis von Herzsignalen, die von einem Subjekt erhalten werden. In einer Ausführungsform werden mindestens zwei Cluster gebildet. Jeder Cluster ist einem anderen ischämischen Ereignis basierend auf Merkmalen von Interesse zugeordnet, die aus verschiedenen Herzsignalsegmenten identifiziert wurden. Mindestens einer der Cluster ist mit einem ischämischen Ereignis verknüpft, das eine Arrhythmie ist, und einer der Cluster ist mit einer Nicht-Arrhythmie verknüpft. Ein neues Herzsignalsegment eines Subjekts wird erhalten. Das Signalsegment wird analysiert, um Merkmale von Interesse zu identifizieren. Ein Abstand wird zwischen jedem der Cluster und den identifizierten Merkmalen von Interesse, die durch die Analyse des Subjekt-Herzsignalsegments erhalten wurden, identifiziert. Ein ischämisches Ereignis wird für das Subjekt basierend auf dem Typ von ischämischem Ereignis, das mit dem Cluster verknüpft ist, identifiziert, wobei die Merkmale von Interesse des Subjekts einen kürzesten Abstand dazu aufwiesen.

Description

Die Früherkennung von Herzarrhythmien kann für die Patientengenese von großer Bedeutung sein. Zunehmend modernere Systeme und Verfahren zum Überwachen von verschiedenen ischämischen Ereignissen werden zum Verbessern von Diagnose und Behandlung benötigt. Die vorliegende Erfindung betrifft das Identifizieren eines ischämischen Ereignisses aus einem Herzsignalsegment, das von einem auf einem Subjekt erhalten wird, bei dem die Herzfunktion überwacht wird.
Offenbart werden ein System und ein Verfahren zum Identifizieren eines Typs von ischämischem Ereignis aus einem Herzsignalsegment, das von einem Subjekt erhalten wird, bei dem die Herzfunktion überwacht wird. Eine Ausführungsform des vorliegenden Verfahrens beinhaltet das Bilden von mindestens zwei Clustern, die jeweils mit einem anderen ischämischen Ereignis verknüpft sind. Die Elemente der Cluster umfassen Herzsignalsegmente, die den Clustern entweder manuell oder automatisch basierend auf Merkmalen von Interesse, die von den Herzsignalsegmenten erhalten wurden, zugeordnet wurden. Mindestens einer der Cluster ist mit einem ischämischen Ereignis verknüpft, das ein arrhythmisches Ereignis wie z. B. Vorhofflimmern, ventrikuläre Kontraktion, ventrikuläre Tachykardie, Sinusbradykardie oder Sinustachykardie ist. Nach Bilden der Cluster kann ein Herzsignalsegment eines Subjekts, das wegen eines ischämischen Ereignisses überwacht wird, empfangen werden. Das neue Herzsignalsegment wird zum Bestimmen mindestens eines Merkmals von Interesse analysiert. Auf eine hierin umfassender offenbarten Weise wird ein Typ von ischämischem Ereignis für das Subjekt basierend auf einem ischämischen Ereignis, das mit einem der Cluster verknüpft ist, identifiziert, wobei das Merkmal von Interesse, das von dem Herzsignalsegment des Subjekts erhalten wurde, einen kürzesten Abstand in Bezug auf entweder die Mitte des Clusters, ein Grenzelement des Clusters oder eine gewichtete Summe der Elementen in dem Cluster aufwies. Viele Merkmale und Vorteile des vorliegenden Verfahrens werden aus der folgenden ausführlichen Beschreibung und den beiliegenden Zeichnungen ersichtlich.
Die vorstehenden und andere Merkmale und Vorteile des hierin offenbarten Gegenstands werden aus der folgenden ausführlichen Beschreibung in Verbindung mit den beiliegenden Zeichnungen ersichtlich, worin zeigen:
1 ein schematisches Diagramm eines normalen Sinusrhythmus eines menschlichen Herzens, wie auf einem Elektrokardiogramm (EKG) zu sehen;
2 eine Videobildvorrichtung, die ein Video eines Subjekts erfasst;
3 das Subjekt aus 2, das in einer aufrechten Position mit mehreren kontaktbasierten Elektroden, die an der Brust angebracht sind, liegt, wobei die Herzsignale aktiv von einer elektrokardiografischen Vorrichtung erfasst werden;
4 mehrere Cluster, die jeweils mit einem anderen Typ von ischämischem Ereignis verknüpft sind;
5 ein Flussdiagramm, das ein Ausführungsbeispiel des vorliegenden Verfahrens zum Identifizieren eines Typs von ischämischem Ereignis aus einem Herzsignalsegment darstellt, das von dem Subjekt aus 2 und 3 erhalten wird;
6 eine Fortsetzung des Flussdiagramms aus 5, wobei die Flussverarbeitung in Bezug auf Knoten A fortgesetzt wird;
7 ein Blockdiagramm eines beispielhaften Signalverarbeitungssystems zum Identifizieren eines Typs von ischämischem Ereignis aus einem Herzsignalsegment, das von dem Subjekt erhalten wurde, gemäß einer Ausführungsform in Bezug auf die Flussdiagramme aus 5 und 6;
8 zwei Metriken, d. h. PHS und pNN50, die bevor bzw. nachdem der Patient ein Kardioversionsverfahren durchlaufen hat, berechnet werden;
9 ein Beispiel, das eine Log-Transformation der Rohdaten verwendet, die für den Leistungstest der hierin offenbarten Verfahren verwendet werden;
10 ein bimodales Gauß'sches Mischverteilungsmodell (GMM), das aus dem Datensatz von 8 und 9 geschätzt wurde;
11 und 12 Darstellungen der Mahalanobis-Distanz aus SR- bzw. AF-Datenpunkten zu den Clustermitten;
13 und 14 Darstellungen von PHS ggü. pNN50 für 2 Patienten, die einen Kardioversionsablauf durchlaufen haben; und
15 die Klassifizierungsergebnisse für 11 Patienten, die einen trainierten SVM-Klassifikator in einem LOOCV-Experiment (kurz für: „Leave One Out Cross Validation”) verwendeten.
Offenbart werden ein System und ein Verfahren zum Identifizieren eines Typs von ischämischem Ereignis aus einem Herzsignalsegment, das von einem Subjekt erhalten wird, das für die Beurteilung der Herzfunktion überwacht wird.
Ein ”Subjekt” bezieht sich auf ein Lebewesen. Obschon der Ausdruck „Person” oder „Patient” in dieser Offenbarung verwendet werden können, wird man zu schätzen wissen, dass das Subjekt etwas anderes als ein Mensch sein kann, z. B. ein Primat. Daher ist die Verwendung solcher Ausdrücke nicht als den Umfang der angehängten Ansprüche strikt auf den Menschen einschränkend auszulegen.
Ein „ischämisches Ereignis” ist ein Ereignis, das mit der Funktion des Herzens verknüpft ist. Ischämische Ereignisse können arrhythmisch und/oder nicht arrhythmisch sein.
”Herzarrhythmien”, (auch Herzrhythmusstörungen) bezeichnen einen unregelmäßigen Herzschlag. Eine gewöhnliche Herzarrhythmie ist Vorhofflimmern. Andere Arrhythmien schließen ventrikuläre Tachykardie, Sinustachykardie, Sinusbradykardie und ventrikuläre Kontraktion ein, wie hinreichend in den medizinischen Wissenschaften bekannt ist. Nicht arrhythmisch bezeichnet den normalen Sinusrhythmus des Herzens. 1 zeigt ein schematisches Diagramm eines Sinusrhythmus (SR) eines menschlichen Herzens auf einem Elektrokardiogramm. Obgleich eine kurze Beschreibung verschiedener Arrhythmien bereitgestellt wird, wird der Leser auf eine Reihe medizinischer Literatur und Sachbücher für eine ausführlichere Erläuterung verwiesen.
”Vorhofflimmern” (AF oder A-fib) ist eine der häufigsten Herzarrhythmien. Bei AF werden elektrische Impulse, die von dem Sinusknoten erzeugt werden, durch disorganisierte elektrische Impulse überwältigt, die zu einer unregelmäßigen Impulsleitung zu den Ventrikeln führen, die den Herzschlag erzeugen. Beim AF sind die P-Wellen aufgrund unorganisierter elektrischer Aktivität mit unregelmäßigen RR-Intervallen aufgrund einer ungleichförmigen Leitung der Impulse zu den Ventrikeln abwesend (was bei schneller Rate schwer zu bestimmen ist). AF kann in Episoden auftreten, die Minuten bis Tage anhalten, oder permanent sein. Eine Reihe medizinischer Zustände können die Gefahr von Vorhofflimmern mit einer Verkleinerung der Öffnung der Herzklappe (Mitralstenose) erhöhen.
”Ventrikuläre Tachykardie” ist eine Arrhythmie, die eine Tachykardie (schnelle Herzrate), die in den Ventrikeln des Herzens verursacht wird, ist. Die ventrikuläre Tachykardie kann zu Kammerflimmern, Asystolie und Herzinsuffizienz führen.
”Sinustachykardie” ist eine Arrhythmie, die eine Tachykardie aufgrund einer erhöhten Rate von Impulsen ist, die aus dem Sinusknoten stammen. Bei Menschen wird die Sinustachykardie oft als eine Herzrate definiert, die höher als 100 bpm (bpm = beats per minute – Schläge pro Minute) ist.
”Sinusbradykardie” ist eine Arrhythmie, die eine Bradykardie (langsame Herzrate) ist, die von dem Sinusknoten verursacht wird. Bei Menschen wird die Sinusbradykardie oft als eine Herzrate definiert, die niedriger als 60 bpm ist.
„Ventrikuläre Kontraktion” (VPC), auch vorzeitige ventrikuläre Kontraktion (PVC), vorzeitiger ventrikulärer Schlag (VES) und ventrikuläre Extrasystole (VES) tritt auf, wenn der Herzschlag von Purkinje-Fasern in den Ventrikeln eingeleitet wird, statt von der leitenden Aktivität des Sinusatrialknotens. VPC-Arrhythmien sind oftmals gutartig. Einzelschlag-VPC können bei relativ gesunden Individuen asymptomatisch sein.
Ein „Herzsignal” ist ein Signal, das sich auf die Herzfunktion des Subjekts bezieht. Die Herzsignale können z. B. ein videoplethysmografisches (VPG) Signal sein, das aus einem Zeitreihensignal extrahiert wird, das aus der Verarbeitung sich überschneidender Serien von Bildframes erhalten wird, die von einer Bilderfassungsvorrichtung wie z. B. einer Video-Kamera, RGB-Kamera, einem multispektralen oder hyperspektralen Bilderfassungssystem und einer hybriden Vorrichtung, umfassend jede Kombination davon, erfasst werden. Solche Bilderfassungsvorrichtungen besitzen typischerweise mehrere Ausgänge, in denen die erfassten Bilder auf pro-Kanal-Basis erhalten werden. 2 zeigt ein Ausführungsbeispiel einer Video-Bilderfassungsvorrichtung 202, die aktiv Video 201 eines Subjekts 200 erfasst. Die Videobildframes des Subjekts werden einer entfernten Computervorrichtung über ein drahtloses transmissives Element 203 übermittelt, das als Antenne dargestellt ist, wobei die Bildframes des Videos in sich zum Teil überschneidenden Serien verarbeitet werden, um ein Zeitreihensignal zu erhalten. VPG-Signale werden aus den Zeitreihensignalen extrahiert. Ein Herzsignal kann auch von medizinischen Spezialgeräten wie z. B. einer elektrokardiografischen Vorrichtung, einer echokardiografischen Vorrichtung, einer elektromyografischen Vorrichtung, einer elektroenzephalografischen Vorrichtung, einer phonokardiografischen Vorrichtung und einer ballistokardiografischen Vorrichtung empfangen werden. 3 zeigt einen Patienten 300, der in einer aufrechten Position mit mehreren kontaktbasierten Elektroden, die an der Brust angebracht sind, liegt, wobei die Herzsignale aktiv von einer elektrokardiografischen Vorrichtung 301 auf einem Wagen erfasst werden. Die elektrokardiografische Vorrichtung empfängt Herzsignale von dem Patienten. In einer Ausführungsform nimmt das Herzsignal des Patienten die Form eines Elektrokardiogramms 302 an. Verschieden Bilderfassungsvorrichtungen und medizinische Spezialgeräte zum Erhalten von Herzsignalen können einen Speicher, eine Speichervorrichtung und einen oder mehrere Mikroprozessoren einschließen, die maschinenlesbare Programmanweisungen ausführen.
Ein „Herzsignalsegment” ist mindestens ein Abschnitt eines Herzsignals. Ein Herzsignalsegment kann jede Länge aufweisen. Verfahren zum Erhalten eines Segments eines Signals sind in der Signalverarbeitungswissenschaft hinreichend bekannt. Das Herzsignalsegment kann auf eine Frequenz eines normalisierten Herzschlages normalisiert werden. Eine Länge des Herzsignalsegments kann ein einzelner Herzzyklus oder ein normalisierter Herzzyklus sein. Die Herzsignalsegmente werden analysiert, um Merkmale von Interesse zu erhalten.
„Merkmale von Interesse” werden durch Analysieren eines Herzsignalsegments erhalten und werden hierin zur Abstandsbestimmung und ischämischen Ereignisidentifikation verwendet. Ein Merkmal von Interesse kann ein oder mehrere Aspekte z. B. einer Frequenzdomänenversion des Herzsignalsegments sein. Merkmale von Interesse können die Form einer oder mehrerer übergeordneter statistischer Mengen annehmen, die aus der Analyse des Herzsignalsegments erhalten werden. Merkmale von Interesse können die Form einer oder mehrerer Herzraten-Variabilitätsmetriken annehmen, die aus der Analyse des Herzsignalsegments erhalten werden. Die Patientenakte und Anamnese können des Weiteren mit den verschiedenen Herzsignalsegmenten und Merkmalen von Interesse verknüpft sein.
Eine „übergeordnete statistische Menge” wird durch Analysieren eines Satzes von Peak-to-Peak-Intervallen eines Herzsignalsegments in Bezug auf eines der folgenden erhalten: Mittelwert, Standardabweichung, Schräge und Kurtosis.
Eine „Herzraten-Variabilitätsmetrik” wird durch Analysieren eines Herzsignalsegments in Bezug auf eines der folgenden erhalten: Standardabweichung der RR-Intervalle (SDRR), Effektivwert der sukzessiven RR-Differenz (RMSSD), Proportion des NN- oder RR-Intervalls, wenn dies 50 Millisekunden (pNN50) überschreitet, Shannon-Entropie (ShE), Standardabweichung 1 (SD1), Standardabweichung 2 (SD2), pulsharmonische Stärke (PHS) und normalisierte pulsharmonische Stärke (NPHS).
Eine „Grundfrequenz” (oder einfach „Grundton”) ist die Frequenz einer periodischen Wellenform mit der höchsten Leistung. Der Grundton ist wie folgt gegeben: f₀ = 1 / T worin T die Grundtonperiode ist. Die erste Oberschwingung wird oftmals als f₁ abgekürzt. In einigen Kontexten ist der Grundton f₀ die erste Oberschwingung. Wenn die Grundfrequenz f₀ ist, besitzt die Oberschwingung die Frequenzen 2f₀, 3f₀, 4f₀, ... usw. Oberschwingungen haben die Eigenschaft, dass sie alle am Grundton periodisch sind. Daher ist die Summe der Oberschwingungen auf der Grundfrequenz ebenfalls periodisch.
„Spektrale Leistungsdichte” (PSD) beschreibt, wie die Leistung eines Signals oder einer Zeitreihe über unterschiedliche in dem Signal enthaltenen Frequenzen verteilt ist. Allgemein ist die Leistung P eines Signals x(t) ein Durchschnittswert über das Zeitintervall [–T, T], der wie folgt gegeben ist:
Es ist vorteilhaft, mit einer nicht voll funktionsfähigen Fourier-Transformation zu arbeiten, wenn das Signal nur über ein endliches Intervall integriert wird. Verfahren zum Berechnen von spektralen Leistungsdichten sind in der Signalverarbeitungswissenschaft hinreichend bekannt. Aus der PSD werden die Grundfrequenz und Oberschwingung identifiziert.
„Pulsharmonische Stärke (PHS)” ist ein Verhältnis zwischen Signalstärke auf der Grundfrequenz und Oberschwingung und einer Stärke eines Basissignals ohne diese Grundfrequenz und Oberschwingung. Die Frequenzen in der Nachbarschaft dieser Oberschwingungen definieren ein Band. Im vorliegenden Kontext beträgt dieses Band etwa 0,2 Hz (≈ 12 bpm). Die PHS repräsentiert die Gesamtstärke der Pulsleistung, weil sich die Leistung auf die Herzschläge und die Oberschwingungen dieser Schläge konzentriert. Die gesamte Leistung ist in diesem Band integriert, das als P_sig bezeichnet wird. Die Leistung in allen restlichen Bändern wird separat integriert, und wird wie folgt bezeichnet P_noi. PHS ist vorgegeben durch:
worin P_Total die Gesamtenergie des Signals ist.
„Normalisierte pulsharmonische Stärke (NPHS)” ist ein Verhältnis zwischen einer Signalstärke auf der Grundfrequenz und Oberschwingung und einer Stärke eines Basissignals. Die NPHS besitzt einen Wert zwischen 0 und 1 und ist vorgegeben durch:
Ein „Cluster” enthält Herzsignalsegmente, die mit dem gleichen Typ von ischämischem Ereignis verknüpft sind, das auf den Merkmalen von Interesse basiert, die für jedes der Signalsegmente bestimmt werden. Mindestens einer der Cluster ist mit einem ischämischen Ereignis verknüpft, das eine Arrhythmie ist. In verschiedenen Ausführungsformen ist einer der Cluster mit einem ischämischen Ereignis verknüpft, das kein arrhythmisches Ereignis ist. Verfahren zum Bilden von Clustern basierend auf Merkmalen, die aus der Analyse von Signalsegmenten erhalten werden, schließen K-Mittelwert-Tests, Vektorquantisierung (wie der Linde-Buzo-Gray-Algorithmus), eingeschränktes Clustering, Fuzzy-Clustering, Clustering des nächsten Nachbarn, lineare Diskriminanzanalyse, Gauß'sches Mischverteilungsmodell und eine Support-Vektor-Maschine ein, wie sie allgemein bekannt sind. Verschiedene Schwellenwerte können zum Erleichtern weiterer Diskriminanzen der verschiedenen Merkmalssätze eingesetzt werden. Die Cluster können basierend auf EKG-Kurven, Apriori-Wissen unterschiedlicher Typen von ischämischen Ereignissen und einer Herzraten-Variabilitätsmetrik markiert werden. Die Cluster können auch manuell gebildet und/oder manuell markiert werden. Die Cluster werden vor dem Analysieren eines Herzsignalsegments eines Subjekts auf die Merkmale von Interesse analysiert. Die Cluster werden zum Erleichtern einer Identifikation eines ischämischen Ereignisses beim Subjekt verwendet.
Es wird nun Bezug genommen auf die Ausführungsform aus 4, die mehrere Cluster zeigt, die jeweils mit einem anderen Typ von ischämischem Ereignis verknüpft sind. Ein erster Cluster, der bei 402 als cluster(1) dargestellt ist, umfasst hier zwei Herzsignalsegmente, die als SIG₁ und SIG₂ bezeichnet werden. Das ischämische Ereignis 405, das mit dem Cluster 402 verknüpft ist, ist Vorhofflimmern. Die Merkmale von Interesse werden durch die Analyse der zwei Signalsegmente des Clusters 402 erhalten. Diese Merkmale helfen bei der Definition, welchem ischämischen Ereignis ein vorgegebenes Signalsegment zuzuordnen ist. In der dargestellten Ausführungsform sind die Merkmale von Interesse, die durch Analyse des ersten und des zweiten Herzsignalsegments erhalten wurden, wie folgt gegeben: SIG₁ < A₁, B₁, C₁ > bzw. SIG₂ < A₂, B₂, C₂ >, wobei < A, B, C > unterschiedliche Merkmale repräsentiert, welche die Verknüpfung von SIG₁ und SIG₂ mit dem ischämischen Ereignis des Vorhofflimmerns erleichtert. Auf die gleiche Weise umfasst ein zweiter Cluster, der bei 403 als cluster(2) dargestellt ist, drei Herzsignalsegmente, die als SIG₃, SIG₄ und SIG₅ bezeichnet werden. Das ischämische Ereignis 406, das mit dem Cluster 403 verknüpft ist, ist ventrikuläre Tachykardie. Die Merkmale von Interesse, die durch die Analyse der Herzsignalsegmente von cluster(2) erhalten werden, sind wie folgt gegeben: SIG₃ < D₁, E₁, F₁ >, SIG₄ < D₂, E₂, F₂ > bzw. SIG₅ < D₃, E₃, F₃ >, wobei < D, E, F > die Merkmale repräsentiert, die den drei Signalsegmenten gemeinsam sind. Die Merkmale < D, E, F > erleichterten die Verknüpfung von SIG₃, SIG₄ und SIG₅ mit dem ischämischen Ereignis der ventrikulären Tachykardie. Ein dritter Cluster, der bei 404 als cluster(3) dargestellt ist, umfasst drei Herzsignalsegmente, die als SIG₆, SIG₇ und SIG₈ bezeichnet werden. Das ischämische Ereignis 407, das mit dem Cluster 404 verknüpft ist, ist Sinusbradykardie. Die Merkmale von Interesse, die durch die Analyse der Herzsignalsegmente von cluster(3) erhalten werden, sind wie folgt gegeben: SIG₆ < H₁, J₁, >, SIG₇ < H₂, J₂, > bzw. SIG₈ < H₃, J₃, >, wobei < H, J > die Merkmale repräsentiert, die den drei Signalsegmenten gemeinsam sind. Die Merkmale < H, J > erleichterten die Verknüpfung von SIG₆, SIG₇ und SIG₈ mit dem ischämischen Ereignis der Sinusbradykardie. Ein vierter Cluster, der bei 408 als cluster(4) dargestellt ist, ist mit dem ischämischen Ereignis 409 des normalen Sinusrhythmus (d. h. einem nicht arrhythmischen Ereignis) verknüpft. Cluster(4) umfasst ein Herzsignalsegment, das als SIG₉ bezeichnet wird. Die Merkmale von Interesse, die durch die Analyse des Herzsignalsegments von Cluster(4) bei 408 erhalten werden, sind wie folgt gegeben: SIG₉ < K₁, L₁, >, wobei die Merkmale < K, L > die Verknüpfung von SIG₉ mit dem normalen Sinusrhythmus erleichterten. Auch bei 410 dargestellt ist ein neues Herzsignalsegment, das als SIG_Patient bezeichnet wird und zur Verarbeitung empfangen wurde. Die Merkmale von Interesse, die aufgrund der Analyse des Herzsignalsegments des Patienten erhalten wurden, sind wie folgt gegeben: SIG_Patient < X, Y, Z >. Gemäß den Lehren hierin muss eine Bestimmung gemacht werden, welcher Cluster der Merkmale von Interesse, die von dem Herzsignalsegment des Patienten erhalten wurden, einen Mindestabstand von D₁, D₂, D₃ bzw. D₄ aufweisen, sodass ein ischämisches Ereignis für das Subjekt identifiziert werden kann.
„Identifizieren eines ischämischen Ereignisses” für ein Subjekt bedeutet das Bestimmen, welcher Cluster das bzw. die Merkmal/e von Interesse, das/die von dem Subjekt-Herzsignalsegment erhalten wurde/n, einen kürzesten Abstand in Bezug auf entweder eine Mitte des Clusters, ein Grenzelement des Clusters oder eine gewichtete Summe eines oder mehrerer Elemente, die den Cluster umfassen, aufwies. Wenn Cluster(1...n), wobei n > 2 ist, wird das identifizierte ischämische Ereignis bestimmt durch: Min(D₁, D₂, ..., D_n) Ereignis ← Cluster(j) wobei D_i der Abstand zwischen dem i^th-Cluster und dem Merkmal von Interesse ist, das durch Analysieren des Herzsignalsegments des Subjekts erhalten wird. Das identifizierte Ereignis ist das ischämische Ereignis, das mit dem j^th-Cluster mit einem Mindestabstand D_j verknüpft ist. In dem Beispiel aus 4 sei vorausgesetzt, dass D₃ der Mindestabstand war. Daher wäre das ischämische Ereignis, das für das Subjekt basierend auf den Merkmalen von Interesse, die durch Analyse des Herzsignalsegments des Subjekts erhalten wurden, das Ereignis, das bei 404 mit cluster(3) verknüpft ist, d. h. Sinusbradykardie 407. Auf die gleiche Weise wäre, wenn D₄ der Mindestabstand war, das für das Subjekt identifizierte ischämische Ereignis basierend auf den Merkmalen von Interesse, die durch Analyse des Herzsignalsegments des Subjekts erhalten wurden, das Ereignis, das bei 408 mit cluster(4) verknüpft ist, d. h. normaler Sinusrhythmus 409.
Die Schritte des „Identifizierens”, „Analysierens”, „Erhaltens” und „Verarbeitens” wie hierin verwendet, schließen die Anwendung verschiedener Signalverarbeitungs- und mathematischer Operationen ein, die auf die Signale gemäß jedem beliebigen spezifischen Kontext oder für jeden beliebigen bestimmten Zweck durchgeführt werden. Die Ausdrücke der ausführlichen Beschreibung und den Patentansprüchen hierin sollen jede Aktivität in Hardware oder Software einschließen, welche die grundlegende Auswirkung der mathematischen oder signalverarbeitenden Aktion beinhaltet (z. B. Subtrahieren, Mitteln, Enttrenden). Man wird zu schätzen wissen, dass solche Schritte von einem Mikroprozessor erleichtert oder anders ausgeführt werden können, der maschinenlesbare Programmanweisungen, die von einem Speicher oder einer Speichervorrichtung erhalten werden, ausführt.
Es wird nun Bezug genommen auf das Flussdiagramm aus 5, das ein Ausführungsbeispiel des vorliegenden Verfahrens zum Identifizieren eines Typs von ischämischem Ereignis aus einem von einem Subjekt erhaltenen Herzsignalsegment darstellt. Die Flussverarbeitung startet bei Schritt 500 und geht unverzüglich zu Schritt 502.
Bei Schritt 502 bilden sich mindestens zwei Cluster aus Herzsignalsegmenten, wobei jeder Cluster mit einem anderen Typ von ischämischem Ereignis verknüpft ist. Die Elemente der Cluster wurden den Clustern basierend auf Merkmalen von Interesse zugeordnet, die jeweils von ihren zugehörigen Herzsignalsegmenten erhalten wurden. Beispielcluster werden mit Bezug auf 4 besprochen und dargestellt.
Bei Schritt 504 wird ein Herzsignalsegment eines auf Beurteilung der Herzfunktion überwachten Subjekts empfangen. Das Herzsignalsegment des Subjekts wurde noch keinem der Cluster zugeordnet (die bei Schritt 502 gebildet wurden).
Bei Schritt 506 wird das Herzsignalsegment des Subjekts zum Erhalten mindestens eines Merkmals von Interesse analysiert. Das Herzsignalsegment des Subjekts kann in Bezug auf jedes der Merkmale von Interesse, die hierin offenbart sind, analysiert werden.
Bei Schritt 508 wird ein erster der Cluster (der bei Schritt 502 gebildet wurde) ausgewählt. Eine Auswahl kann mithilfe einer Benutzerschnittstelle der Arbeitsstation aus 7 ausgeführt werden.
Bei Schritt 510 wird ein Abstand zwischen dem Merkmal von Interesse von dem Herzsignalsegment des Subjekts und dem ausgewählten Cluster bestimmt. Der Abstand kann sich entweder eine Mitte des Clusters, ein Grenzelement des Clusters oder eine gewichtete Summe aus einem oder mehreren Elementen, die den Cluster umfassen, beziehen.
Bei Schritt 512 wird bestimmt, ob dieser Abstand ein Mindestabstand ist. Wenn ja, wird bei Schritt 514 dieser Mindestabstand in einem Speicher oder einer Speichervorrichtung 713 gespeichert und das Verfahren geht zu Knoten A. Der Cluster, der mit diesem Mindestabstand verknüpft ist, wird auch gespeichert. Anderenfalls wird, wenn der Abstand kein Mindestabstand ist, bei Schritt 516 dieser Abstand ignoriert und das Verfahren geht zu Knoten A.
Es wird nun Bezug genommen auf das Flussdiagramm aus 6, das eine Fortsetzung des Flussdiagramms aus 5 ist, wobei die Flussverarbeitung in Bezug auf Knoten A fortgesetzt wird.
Bei Schritt 518 wird bestimmt, ob weitere Cluster zur Auswahl bleiben. Wenn ja, wird die Verarbeitung mit Bezug auf Knoten B fortgesetzt, wobei bei Schritt 508 ein nächster Cluster ausgewählt wird. Dann wird ein Abstand zwischen dem Merkmal von Interesse des Herzsignalsegments des Subjekts und dem nächsten ausgewählten Cluster bestimmt. Dann wird bestimmt, ob dieser nächste Abstand ein Mindestabstand ist. Wenn ja, werden dieser neue Mindestabstand und der zugehörige Cluster gespeichert (bei Schritt 514), um die zuvor gespeicherten Daten zu überschreiben. Die Flussverarbeitung wiederholt sich auf ähnliche Weise, bis bei Schritt 508 keine Cluster mehr zur Auswahl bleiben. Danach wird die Flussverarbeitung in Bezug auf Schritt 520 fortgesetzt.
Bei Schritt 520 werden der Mindestabstand und der Cluster, der mit diesem Mindestabstand verknüpft ist, von der der Speichervorrichtung 713 erhalten.
Bei Schritt 522 wird das ischämische Ereignis für das Subjekt basierend auf dem Typ von ischämischem Ereignis identifiziert, das mit dem Cluster mit dem Mindestabstand bis zum Merkmal von Interesse des Subjekts verknüpft ist.
Bei Schritt 524 wird das identifizierte ischämische Ereignis einer Anzeigevorrichtung kommuniziert. In dieser Ausführungsform findet keine weitere Verarbeitung statt. In anderen Ausführungsformen wird das identifizierte ischämische Ereignis einem Speicher, einer Speichervorrichtung, einer tragbaren drahtlosen Vorrichtung, einer tragbaren mobilen Vorrichtung und einer entfernten Vorrichtung über ein Netzwerk kommuniziert. Ein Warnsignal kann ausgegeben werden und ein Signal zum medizinischen Fachpersonal gesendet werden.
Man wird zu schätzen wissen, dass die Flussdiagramme, die hierin dargestellt sind, rein veranschaulichend sind. Eine oder mehrere der Operationen, die in den Flussdiagrammen dargestellt sind, können in einer anderen Reihenfolge durchgeführt werden. Andere Operationen können hinzugefügt, verändert, erweitert oder konsolidiert werden. Variationen davon fallen in den Umfang der angehängten Ansprüche.
Es wird nun Bezug genommen auf 7, die ein Blockdiagramm eines beispielhaften Signalverarbeitungssystems 700 zum Identifizieren eines Typs von ischämischem Ereignis aus einem von einem Subjekt erhaltenen Herzsignalsegment zeigt, gemäß einer Ausführungsform in Bezug auf die Flussdiagramme aus 5 und 6.
Die Video-Bilderfassungsvorrichtung 701 erfasst ein Streaming-Video eines freigelegten Körperbereichs 702 des Subjekts 200, das zur Herzfunktionsbeurteilung gemäß den Lehren hierin überwacht wird. Die Video-Bildframes (zusammen bei 703) werden einem VPG-Signalextraktor 704 kommuniziert, der Serien von Bildframes empfängt und die Pixel isoliert, die mit dem freigelegten Körperbereich in jedem der Bildframes verknüpft sind. Die isolierten Pixel werden verarbeitet, um ein Zeitreihensignal für jede Serie zu erhalten. Ein VPG-Signal wird dann aus den Zeitreihensignalen extrahiert. Der VPG-Signalextraktor 704 gibt ein Herzsignalsegment 705 aus, das in dieser Ausführungsform ein VPG-Signal umfasst, das der Herzfunktion des Subjekts entspricht.
In einem anderen Schritt empfängt der Signalempfänger 706 insgesamt n > 2 Herzsignalsegmente (zusammen bei 707) und stellt die empfangenen Herzsignalsegmente einem Merkmalextraktormodul 708 bereit, das in dieser Ausführungsform ein PSD-Analysiergerät 709 und einen PHS-Rechner 710 umfasst. Das PSD-Analysiergerät 709 berechnet eine spektrale Leistungsdichte über alle Frequenzen innerhalb der Herzsignalsegmente. Der PHS-Rechner 710 berechnet eine pulsharmonische Stärke für jedes empfangene Herzsignalsegment. Der Komparator 711 vergleicht die Resultate von dem PSD-Analysiergerät und dem PHS-Rechner mit bekannten Parametern, die mit unterschiedlichen Typen von ischämischen Ereignissen verknüpft sind. Ein Ergebnis jedes Vergleichs wird dem Clustergenerator 712 bereitgestellt, der jedes der empfangenen Herzsignalsegmente 707 einem Cluster zuordnet. Neue Cluster werden nach Bedarf gebildet. Auf solche Weise werden Cluster, die mit unterschiedlichen ischämischen Ereignissen verknüpft sind, gebildet und in der Speichervorrichtung 713 gespeichert. Ein Beispiel von gebildeten Clustern und verschiedenen zugeordneten Herzsignalsegmenten ist in Bezug auf 4 dargestellt und beschrieben. 4.
Nach dem Bilden der Cluster und Zuordnen aller empfangenen Herzsignalsegmente 707 zu den zugehörigen Clustern wird in einem nächsten Schritt das VPG-Signal 705 von dem Merkmalextraktormodul 708 empfangen, das der Subjekt-Herzfunktion entspricht, wobei das PSD-Analysiergerät 709 und der PHS-Rechner 710 ihre Funktion auf dem Subjekt-Herzsignalsegment 705 durchführen, sodass Merkmale von Interesse daraus erhalten werden können. Beispielhafte Merkmale von Interesse, die aus der Verarbeitung des Subjekt-Herzsignalsegments erhalten werden (VPG-Signal), sind in 4 bei 410 dargestellt. Die extrahierten Merkmale von Interesse werden dem Abstandsbestimmer 714 bereitgestellt. Der Bestimmer 714 ruft die erzeugten Cluster und deren Elemente aus der Speichervorrichtung 703 ab und bestimmt dann einen Abstand zwischen den Merkmalen von Interesse, die aus der Analyse des Subjekt-Herzsignalsegments 705 und jedem der gebildeten Cluster, die von dem Clustergenerator 712 erzeugt werden, erhalten wurden. Der Abstandsbestimmer 714 stellt die berechneten Abstände einem Mindestabstandmodul 715 bereit, das bestimmt, welcher der berechneten Abstände ein Mindestabstand war. Ein Ergebnis davon wird dem Ereignisidentifikator 716 bereitgestellt, der dann den Typ von ischämischem Ereignis identifiziert, das mit dem Cluster verknüpft ist, der einen Mindestabstand zu den Merkmalen von Interesse aufweist, die von dem Subjekt-Signalsegment 705 erhalten wurden. Der Alarmgenerator 717 empfängt das identifizierte ischämische Ereignis und leitet als Reaktion auf ein ischämisches Ereignis einer Arrhythmie über die Antenne 718 ein Alarmsignal an die Anzeigevorrichtung.
Der zentrale Prozessor (CPU) 719 ruft maschinenlesbare Programmanweisungen aus dem Speicher 720 ab und wird zum Erleichtern der Funktion jedes der Module des Signalverarbeitungssystems 700 bereitgestellt. Der Prozessor 719, der allein oder zusammen mit anderen Prozessoren arbeitet, kann zum Unterstützen oder anders Durchführen der Funktion jedes der Blockmodule des Systems 700 konfiguriert sein. Der Prozessor 719 erleichtert ferner die Kommunikation zwischen System 700 und Arbeitsstation 721.
Die Arbeitsstation 721 weist ein Computergehäuse auf, das verschiedene Komponenten wie ein Motherboard mit einem Prozessor und Speicher, eine Netzwerkkarte, eine Videokarte, ein Festplattenlaufwerk, das maschinenlesbare Medien 722 wie ein Floppy-Disk, optisches Laufwerk, CD-ROM, DVD, Magnetband und dergleichen und andre Software und Hardware, die zum Durchführen einer Funktion der Computer-Arbeitsstation benötigt werden, lesen/schreiben kann. Die Arbeitsstation weist ferner eine Anzeigevorrichtung 723 wie ein CRT, LCD, eine Berührungsbildschirmvorrichtung zum Anzeigen von Informationen, Video, Abständen, Clustern, Merkmalen von Interesse, berechneten Werten, medizinischen Informationen, Resultaten und dergleichen auf, die generiert oder anders von einem beliebigen der Blockmodule des Systems 700 erzeugt werden. Ein Benutzer kann jede dieser Informationen ansehen und eine Auswahl aus den Menüoptionen, die darauf angezeigt sind, treffen. Die Tastatur 724 und Maus 725 führen nach Bedarf die Benutzereingabe oder Auswahl durch.
Die Arbeitsstation implementiert eine Datenbank in die Speichervorrichtung 726, in der die Patientenaufzeichnungen gespeichert, verändert und als Antwort auf eine Abfrage abgerufen werden. Solche Aufzeichnungen können in verschiedenen Ausführungsformen die Form einer Patienten-Krankenakte annehmen, die zusammen mit Informationen zum Identifizieren des Patienten und der medizinischen Informationen gespeichert wird. Man wird zu schätzen wissen, dass die Datenbank 726 die gleiche wie die Speichervorrichtung 713 sein kann oder, wenn es sich um getrennte Vorrichtungen handelt, einige oder alle Informationen enthalten kann, die in einer beliebigen der Speichervorrichtungen enthalten sind. Obschon die Datenbank als eine externe Vorrichtung dargestellt ist, kann die Datenbank in der Arbeitsstation integriert sein, z. B. auf einer Festplatte darin. Man wird zu schätzen wissen, dass die Arbeitsstation ein Betriebssystem und andere spezialisierte Software aufweist, die zum Anzeigen von alphanumerischen Werten, Menüs, Scroll-Leisten, Wahlscheiben, verschiebbaren Leisten, Pull-Down-Optionen, wählbaren Schaltflächen und dergleichen zum Eingeben, Auswählen, Ändern und Annehmen von Informationen konfiguriert sind, die zum Identifizieren eines ischämischen Ereignisses bei einem Subjekt gemäß den hierin offenbarten Verfahren benötigt werden. Die Arbeitsstation kann ferner die Bildframes 703, die das Video enthalten, anzeigen. In anderen Ausführungsformen verwendet ein Benutzer oder Techniker die Arbeitsstation zum Ansehen von Clustern, Erzeugen von Clustern, zum Markieren oder erneuten Markieren von Clustern, zum Zuordnen oder erneuten Zuordnen von Herzsignalsegmenten zu Clustern, zum Identifizieren von Merkmalen von Interesse, zum Verknüpfen verschiedener Merkmale von Interesse mit unterschiedlichen ischämischen Ereignissen, zum Zuordnen oder erneuten Zuordnen von ischämischen Ereignissen zu unterschiedlichen Clustern, zum Setzen verschiedener Parameter, zum Auswählen oder anderweitigen Definieren von Herzsignalen zur Verarbeitung und zum Verwenden der Arbeitsstation zum Erleichtern der Funktion jedes der Module des Systems 700. Die Benutzereingabe und Benutzerauswahl können in jeder der Speichervorrichtungen 713 und 726 gespeichert/abgerufen werden. Standardeinstellungen und anfängliche Parameter können von jeder Speichervorrichtung abgerufen werden. Ein Benutzer kann die verschiedenen Parameter, die benutzt werden, einstellen oder die Einstellungen dynamisch in Echtzeit während der Verarbeitung einstellen. Das Warnsignal, das von Modul 717 erzeugt wird, kann abgerufen und durch die Arbeitsstation angesehen werden und/oder einer oder mehreren entfernten Vorrichtungen über das Netzwerk 727 kommuniziert werden.
Obschon als Desktop-Computer dargestellt, wird man zu schätzen wissen, dass die Arbeitsstation ein Laptop, Mainframe oder ein Spezialzweckcomputer wie ein ASIC, Schaltung oder dergleichen sein kann. Die Ausführungsform der Arbeitsstation ist veranschaulichend und kann andere aus dem Stand der Technik bekannte Funktionen einschließen. Jede der Komponenten der Arbeitsstation kann in Kommunikation mit einem beliebigen der Module des Systems 700 oder jeder beliebigen damit kommunizierenden Vorrichtung angeordnet werden. Des Weiteren kann jedes der Module des Systems 700 mit der Speichervorrichtung 726 und/oder den computerlesbaren Medien 722 kommunizieren und Daten, Variablen, Aufzeichnungen, Parameter, Funktionen und/oder maschinenlesbare/-ausführbare Programmanweisungen speichern/abrufen, wie zum Durchführen der bezweckten Funktionen benötigt. Jedes der Module des Systems 700 kann in mit einer oder mehreren Remote-Vorrichtungen über das Netzwerk 727 kommunizieren. Man wird zu schätzen wissen, dass einige oder alle der Funktionen, die von einem der Module oder Verarbeitungseinheiten des Systems 700 durchgeführt werden, zum Teil oder ganz von der Arbeitsstation durchgeführt werden. Die dargestellte Ausführungsform ist veranschaulichend und darf nicht als den Umfang der angehängten Ansprüche auf diese Konfiguration eingeschränkt betrachtet werden. Verschiedene Module können eine oder mehrere Komponenten bezeichnen, die wiederum Software und/oder Hardware zum Durchführen der bezweckten Funktion umfassen können.
In 8 sind zwei Metriken, d. h. PHS und pNN50, grafisch dargestellt, die bevor bzw. nachdem der Patient ein Kardioversionsverfahren durchlaufen hat, berechnet werden. Die Punkte 801 bzw. 802 sind von AF-(davor) bzw. SR-(danach)Segmenten. Die Segmente wurden manuell von gelernten Fachkräften gemessen und verglichen. Zum weiteren Trennen der zwei Klassen können verschiedene Transformationen eingesetzt werden.
9 zeigt ein Beispiel, das eine Log-Transformation unserer Rohdaten verwendet. Ein bimodales Gauß'sches Mischverteilungsmodell (GMM) wurde aus diesem Datensatz geschätzt und ist in 10 dargestellt. Wie in 10 zu sehen, werden von dem GMM zwei Cluster gebildet. Die Log-Transformation ist nur ein Beispiel aus vielen möglichen Auswahlen von Transformationen. Obschon das GMM nur 2 Metriken verwendete, können zusätzliche Metriken benutzt werden. In 8 wurde ein biomodales GMM aufgrund vorheriger Kenntnis der Daten gebaut, die in mehreren 15-Sekunden-Segmenten sowohl vor AF als auch nach SR genommen wurden. In Fällen, bei denen der Patient nur entweder vor oder nach dem Kardioversionsablauf beobachtet werden kann, kann eine unimodale Verteilung des spezifischen Zustands konstruiert werden. Des Weiteren können in Fällen, bei denen man nicht sicher sein kann, dass die Daten aus nur einem der zwei Zustände bestehen (vorher ggü. nachher) oder eine Mischung der beiden Zustände sind, die Daten mit unimodalen und bimodalen Verteilungen angeglichen werden und das Akaike Informationskriterium (AIC) oder Bayes Informationskriterium (BIC) verwendet werden, um das Modell mit besserer Leistung auszuwählen. Sowohl AIC als auch BIC sind negative Log-Wahrscheinlichkeiten für Daten mit Einbußen im Hinblick auf die Anzahl geschätzter Parameter. Beide können zum Bestimmen einer angemessenen Anzahl von Komponenten für ein Modell verwendet werden, wenn die Anzahl von Komponenten unspezifisch ist. Sobald das Modell erhalten wird, werden für jeden neuen empfangenen Datenpunkt eine oder ein Satz statistischer Messungen (z. B. Mahalanobis-Distanz) oder Hypothesetest (z. B. ∟²-Test) berechnet, um die Wahrscheinlichkeit eines neuen Datenpunkts, der aus der besonderen Verteilung (AF oder SR) stammt, zu bestimmen. Dieser Ansatz ermöglicht das Erkennen der Gegenwart von AF mit sehr begrenzten Datenpunkten zur Früherkennung eines Wiederauftretens von AF nach einem Kardioversionsablauf. Er erfordert kein manuelles Markieren der Vergleichsmessung jedes Segments für einen Lehrsatz. Die neuen Datenpunkte können auch leicht in das Modell aufgenommen werden, indem die Modellparameter wie Mittel und Standardabweichung für eine normale Verteilung neu berechnet werden.
Hierin wurde die Mahalanobis-Distanz zu den Clustermitten zum Identifizieren von AF durch Auswählen des kürzeren Abstands zu den Clustermitten verwendet. Alternativ kann ein vorbestimmter Schwellenwert verwendet werden. Zum Beispiel wurde für den Patienten aus 8 das GMM-Modell unter Verwendung aller Datenpunkte konstruiert, es wurde jeweils nur einer vor oder einer nach jeder Kardioversion ausgelassen (d. h. die Leave-One-Out-Kreuzvalidierungstechnik (LOOCV-Technik)). Die Modellparameter sind hierin wie folgt dargestellt:
Gauß'sche Mischverteilung mit 1 Komponente in 2 Dimensionen
Komponente 1:
Mischanteil: 1,000000
Mittel: 10,5441 9,2350

und

Gauß'sche Mischverteilung mit 2 Komponenten in 2 Dimensionen
Komponente 1:
Mischanteil: 0,660841
Mittel: 9,6757 9,5137

Komponente 2:
Mischanteil: 0,339159
Mittel: 12,2362 8,6922
Das zweite Modell wurde basierend auf einem geringeren AIC-Wert zwischen den zwei Modellen ausgewählt.
Die Mahalanobis-Distanzen zu den 2 Clustermitten wurden dann berechnet und der kürzere Abstand zwischen den zwei Distanzen zum Identifizieren jedes Segments als AF oder SR verwendet. 11 und 12 zeigen die Abstandsverteilungen für Segmente, die vor bzw. nach dem Kardioversionsverfahren genommen wurden. Die Fehlerrate beträgt etwa 10%, wobei alle als FP bezeichnet werden (SR als AF klassifiziert). Der gleiche Ansatz wurde bei drei weiteren Patienten mit mehreren Merkmalsmetriken mit einer Fehlerrate von etwa 15% wiederholt.
Es sei darauf hingewiesen, dass nicht alle Patienten, die das Kardioversionsverfahren durchliefen, die gleiche Fehlerrate zeigten. Zum Beispiel war bei 2 der Patienten kein ausreichender Unterschied zwischen den 2 Zuständen erkenntlich. Für die zwei Patienten in 13 und 14 wurde nur ein Cluster (2 identische Cluster) identifiziert. Da man weiß, dass die Daten sowohl aus AF als auch SR bestehen, ist dieses Modell offensichtlich nicht 100% korrekt. Eine mögliche Ursache war die begrenzte Probenzahl von diesen zwei Patienten (z. B. hatte 13 nur 38 Datenpunkte insgesamt). Bei der Verwendung der Hälfte aller verfügbaren Segmente aller Patienten zum Konstruieren des Modells und der anderen Hälfte zum Testen betrug die Fehlerrate 20% insgesamt, bei etwa 70% einer echten Positivrate und etwa 20% einer falschen Positivrate. Eine weitere Ursache ist das Rauschen beim Extrahieren der Metrik, z. B. Peakerkennung, die zu Rauschen bei 6 von 7 Metriken führt. In dem gesamten Datensatz betrug die Fehlerrate etwa 19% allein in der Peak-Erkennung (etwa 1% Übererkennung und etwa 18% Fehlerkennung). Hier waren unsere Modellparameter wie folgt:
Gauß'sche Mischverteilung mit 2 Komponente in 2 Dimensionen
Komponente 1:
Mischanteil: 0,493615
Mittel: 9,7546 9,4401
Komponente 2:
Mischanteil: 0,506385
Mittel: 9,7546 9,4401
Obgleich das vorliegende Verfahren nicht für alle Patienten in der von uns analysierten Patientengruppe perfekt war, wurden Verbesserungen z. B. durch Erhöhen der Probenzahl (von jedem Patienten oder Patientengruppe) und Untersuchung von mehr Merkmalen von Interesse antizipiert. Es geht jedoch deutlich aus unseren Tests hervor, dass ein personalisiertes Modell für Individuen und Gruppen von Individuen konstruiert werden kann, das u. a. die folgenden Vorteile bereitstellt: (1) es ist nicht auf ein bestimmtes Merkmal beschränkt; (2) die Konstruktion des Modells erfordert keine Markierung der Bodenverifikation jedes Signalsegments; und (3) es erfordert kein Vorkommen von AF und SR für die Clusterbildung. Wenn die Vergleichsmessung eines Signalsegmentsatzes bekannt ist, ist ein anderer Ansatz das Trainieren eines Klassifikators, wie eines SVM oder eines anderen, wie z. B. eines Neuralnetzwerks- oder diskriminanzbasierten Klassifikators. Der Klassifikator kann für jeden einzelnen Patienten oder Patientenpool geschult werden.
15 zeigt die Klassifikationsergebnisse für 11 Patienten, die einen trainierten SVM-Klassifikator in einem LOOCV-Experiment verwendeten. Die gewichtete durchschnittliche Fehlerrate beträgt etwa 17%.
Insgesamt ist das vorliegende Verfahren anpassungsfähig, weil es jedes von vielen Merkmalen verwenden kann, die als „von Interesse” zum Erkennen von verschiedenen ischämischen Ereignissen identifiziert wurden, verwenden kann. Die Konstruktion des Modells erfordert keine Markierung der Vergleichsmessung jedes Signalsegments.
Die Lehren hierin können in Hardware oder Software unter Verwendung bekannter oder später entwickelter Systeme, Strukturen, Vorrichtungen und/oder Software von einem Fachmann im anwendbaren Stand der Technik implementiert werden, ohne von der funktionalen Beschreibung, die hierin bereitgestellt wird, mit einem allgemeinen Fachwissen auf dem Gebiet ausgeführt werden. Einer oder mehrere Aspekte der hierin beschriebenen Verfahren dienen zur Integration davon in einen Herstellungsartikel. Der Herstellungsartikel kann transportiert, verkauft, vermietet oder anders separat entweder allein oder als Teil einer Produktsuite oder einer Dienstleistung bereitgestellt werden.

Claims

Verfahren zum Identifizieren eines Typs von ischämischem Ereignis aus einem Herzsignal, das von einem Subjekt erhalten wird, wobei das Verfahren umfasst: Bilden von mindestens zwei Clustern, die Elemente enthalten, die mindestens die Herzsignalsegmente umfassen, die den Clustern basierend auf Merkmalen von Interesse zugeordnet sind, die von jedem zugehörigen Signalsegment erhalten werden, wobei jeder der Cluster mit einem anderen ischämischen Ereignis verknüpft ist; Empfangen eines neuen Herzsignalsegments eines Subjekts, das noch nicht einem der Cluster zugeordnet wurde; Analysieren des neuen Herzsignalsegments zum Erhalten mindestens eines Merkmals von Interesse; und Identifizieren eines Typs von ischämischem Ereignis für das Subjekt basierend auf dem ischämischen Ereignis, das mit einem der Cluster verknüpft ist, wobei das Merkmal von Interesse von dem Subjekt-Herzsignalsegment mit dem kürzesten Abstand erhalten wurde.
Verfahren nach Anspruch 1, wobei die Herzsignalsegmente zu einem der Cluster basierend auf Folgendem zugeordnet wurden: einer manuellen Zuordnung und einer automatischen Zuordnung basierend auf einem Abstand zwischen Signalsegmenten.
Verfahren nach Anspruch 1, wobei das Merkmal von Interesse jedes beliebige von Folgenden ist: Herzsignal, Frequenzdomänenversion des Herzsignalsegments, übergeordnete statistische Mengen des Herzsignalsegments, umfassend eines von: einem Mittelwert, einer Standardabweichung, einer Schräge und einer Kurtosis eines Satzes von Peak-to-Peak-Intervallen des Herzsignalsegments und einer Herzratenvariabilitätsmetrik umfassend eines von: Standardabweichung der RR-Intervalle (SDRR), Effektivwert der sukzessiven RR-Differenz (RMSSD), Proportion des NN- oder RR-Intervalls, das 50 Millisekunden (pNN50) überschreitet, Shannon-Entropie (ShE), Standardabweichung 1 (SD1), Standardabweichung 2 (SD2), pulsharmonische Stärke (PHS) und normalisierte pulsharmonische Stärke (NPHS).
Verfahren nach Anspruch 1, ferner umfassend das Markieren der Cluster durch einen Typ von ischämischem Ereignis, basierend auf einem von: EKG-Kurven, manuelle Markierung, Apriori-Wissen über unterschiedliche ischämische Ereignisse und Herzratenvariabilitätsmetrik für das Herzsignalsegment, umfassend eines von: Standardabweichung der RR-Intervalle (SDRR), Effektivwert der sukzessiven RR-Differenz (RMSSD), Proportion des NN- oder RR-Intervalls, das 50 Millisekunden (pNN50) überschreitet, Shannon-Entropie (ShE), Standardabweichung 1 (SD1), Standardabweichung 2 (SD2), pulsharmonische Stärke (PHS) und normalisierte pulsharmonische Stärke (NPHS).
Verfahren nach Anspruch 1, wobei der kürzeste Abstand zwischen dem Merkmal von Interesse und einem der Cluster in Bezug auf eines von Folgendem bestimmt wird: einer Mitte des Clusters, einem Grenzelement des Clusters und einer gewichteten Summe von mindestens einigen Elementen in dem Cluster, wobei der Abstand jeder beliebige von folgenden ist: euklidischer Abstand, Mahalanobis-Distanz, Bhattacharyya-Abstand, Hamming-Abstand und Hellingerabstand.
System zum Identifizieren eines Typs von ischämischem Ereignis aus einem Herzsignal, das von einem Subjekt erhalten wird, wobei das System umfasst: eine Speichervorrichtung zum Speichen von mindestens zwei Clustern, die Elemente enthalten, die mindestens die Herzsignalsegmente umfassen, die den Clustern basierend auf Merkmalen von Interessen zugeordnet sind, die von jedem zugehörigen Signalsegment erhalten werden, wobei jeder der Cluster mit einem anderen ischämischen Ereignis verknüpft ist; und einen Prozessor in Kommunikation mit einem Speicher und der Speichervorrichtung, wobei der Prozessor maschinenlesbare Befehle zum Durchführen von Folgendem ausführt: Empfangen eines neuen Herzsignalsegments eines Subjekts, das noch nicht einem der Cluster zugeordnet wurde; Analysieren des neuen Herzsignalsegments zum Erhalten mindestens eines Merkmals von Interesse; und Identifizieren eines Typs von ischämischem Ereignis für das Subjekt basierend auf dem ischämischen Ereignis, das mit einem der Cluster verknüpft ist, wobei das Merkmal von Interesse von dem Subjekt-Herzsignalsegment mit dem kürzesten Abstand erhalten wurde.
System nach Anspruch 6, wobei die Herzsignalsegmente einem der Cluster basierend auf Folgendem zugeordnet wurden: einer manuellen Zuordnung und einer automatischen Zuordnung basierend auf einem Abstand zwischen Signalsegmenten.
System nach Anspruch 6, wobei das Merkmal von Interesse jedes beliebige von Folgenden ist: Herzsignal, Frequenzdomänenversion des Herzsignalsegments, übergeordnete statistische Mengen des Herzsignalsegments, umfassend eines von: einem Mittelwert, einer Standardabweichung, eine Schräge und eine Kurtosis eines Satzes von Peak-to-Peak-Intervallen des Herzsignalsegments und einer Herzratenvariabilitätsmetrik, umfassend eines von: Standardabweichung der RR-Intervalle (SDRR), Effektivwert der sukzessiven RR-Differenz (RMSSD), Proportion des NN- oder RR-Intervalls, das 50 Millisekunden (pNN50) überschreitet, Shannon-Entropie (ShE), Standardabweichung 1 (SD1), Standardabweichung 2 (SD2), pulsharmonische Stärke (PHS) und normalisierte pulsharmonische Stärke (NPHS).
System nach Anspruch 6, ferner umfassend das Markieren der Cluster durch einen Typ von ischämischem Ereignis, basierend auf einem von: EKG-Kurven, manueller Markierung, Apriori-Wissen über unterschiedliche ischämische Ereignisse und Herzratenvariabilitätsmetrik für das Herzsignalsegment, umfassend eines von: Standardabweichung der RR-Intervalle (SDRR), Effektivwert der sukzessiven RR-Differenz (RMSSD), Proportion des NN- oder RR-Intervalls, das 50 Millisekunden (pNN50) überschreitet, Shannon-Entropie (ShE), Standardabweichung 1 (SD1), Standardabweichung 2 (SD2), pulsharmonische Stärke (PHS) und normalisierte pulsharmonische Stärke (NPHS).
System nach Anspruch 6, wobei der kürzeste Abstand zwischen dem Merkmal von Interesse und einem der Cluster in Bezug auf eines von Folgendem bestimmt wird: einer Mitte des Clusters, einem Grenzelement des Clusters und einer gewichteten Summe von mindestens einigen Elementen in dem Cluster, wobei der Abstand jeder beliebige von folgenden ist: euklidischer Abstand, Mahalanobis-Distanz, Bhattacharyya-Abstand, Hamming-Abstand und Hellingerabstand.