JP2022523835A - 心房細動予測モデル及びその予測システム - Google Patents
心房細動予測モデル及びその予測システム Download PDFInfo
- Publication number
- JP2022523835A JP2022523835A JP2021552900A JP2021552900A JP2022523835A JP 2022523835 A JP2022523835 A JP 2022523835A JP 2021552900 A JP2021552900 A JP 2021552900A JP 2021552900 A JP2021552900 A JP 2021552900A JP 2022523835 A JP2022523835 A JP 2022523835A
- Authority
- JP
- Japan
- Prior art keywords
- atrial fibrillation
- value
- long
- gate
- prediction model
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 213
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 62
- 230000007787 long-term memory Effects 0.000 claims description 48
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 42
- 230000006403 short-term memory Effects 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000007774 longterm Effects 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 208000006011 Stroke Diseases 0.000 description 50
- 238000010586 diagram Methods 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 238000000034 method Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 208000005189 Embolism Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 208000035475 disorder Diseases 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 206010061592 cardiac fibrillation Diseases 0.000 description 3
- 230000002600 fibrillogenic effect Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 206010007559 Cardiac failure congestive Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000010378 Pulmonary Embolism Diseases 0.000 description 2
- 208000001871 Tachycardia Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000003073 embolic effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229940028444 muse Drugs 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- GMVPRGQOIOIIMI-DWKJAMRDSA-N prostaglandin E1 Chemical compound CCCCC[C@H](O)\C=C\[C@H]1[C@H](O)CC(=O)[C@@H]1CCCCCCC(O)=O GMVPRGQOIOIIMI-DWKJAMRDSA-N 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 230000006794 tachycardia Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B5/30—Input circuits therefor
- A61B5/307—Input circuits therefor specially adapted for particular uses
- A61B5/308—Input circuits therefor specially adapted for particular uses for 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]
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Description
一、参照データベース
本発明で使用される参照データベースは、中国医薬大学及び付属病院が2009/01/01~2018/12/31の病院内の非結合化された被験者の臨床内容を遡及的に収集したものであり、これは中国医薬大学及び付属病院研究倫理委員会(China Medical University & Hospital Research Ethics Committee)により承認された臨床試験計画であり、番号がCMUH107-REC2-134(AR-1)であった。データとしては、GE Healthcare MUSEシステムによってキーワードパラメータで検索するように、12誘導心電信号数列を含む、心房細動や心肌梗塞等の疾患種類を含む患者の心電図(Electrocardiography;ECG/EKG)波形データを収集し、初期データは拡張可能マークアップ言語(Extensible Markup Language;XML)フォーマットであった。画像の受け取られた被験者は、性別も特に制限されなく、年齢の範囲も特に制限されなかった。参照被験者は、心房細動のない5000人の参照被験者、及び心房細動のある10012人の参照被験者、合計で15012人の参照被験者を含んだ。以上のデータは、実際に使用された「データ数」であり、「同じ患者」の「異なる時点/日付での検査」の可能性は排除されなかった。
本試験例において、最初に最適化された心房細動予測モデルを確立した。まず、複数の参照12誘導心電信号数列を含む参照データベースを取得し、また参照12誘導心電信号数列に対して予備的分類を行い、異常データ及び非異常データに分けてマークを付けた。本発明による心房細動予測モデルの参照データベースのデータラベリングプラットフォームを示す模式図である図3を参照されたく、後で確立された心房細動予測モデルが12誘導心電信号数列に対応する疾患の問題を正しく学習できるように、まず、患者関連の如何なる個人情報も提供されなく、特定の対応関係も制限されずに、データラベリングプラットフォームを確立し、医師は、心房細動予測モデル学習の参考根拠として、このプラットフォームによって参照データベースに対して多種のマークを付けた。
一、参照データベース
本発明で使用される参照データベースは、中国医薬大学及び付属病院が2009/01/01~2018/12/31の病院内の非結合化された被験者の臨床内容を遡及的に収集したものであり、これは中国医薬大学及び付属病院研究倫理委員会(China Medical University & Hospital Research Ethics Committee)により承認された臨床試験計画であり、番号がCMUH107-REC2-134(AR-1)であった。データとしては、GE Healthcare MUSEシステムによってキーワードパラメータで検索するように、12誘導心電信号数列を含む、心房細動や心肌梗塞等の疾患種類を含む患者の心電図(Electrocardiography;ECG/EKG)波形データを収集し、初期データは拡張可能マークアップ言語(Extensible Markup Language;XML)フォーマットであった。画像の受け取られた被験者は、性別も特に制限されなく、年齢の範囲も特に制限されなかった。参照被験者は、心房細動のない5000人の参照被験者、及び心房細動のある10012人の参照被験者、合計で15012人の参照被験者を含んだ。以上のデータは、実際に使用された「データ数」であり、「同じ患者」の「異なる時点/日付での検査」の可能性は排除されなかった。
本試験例において、最初に最適化された心房細動予測モデルを確立した。まず、複数の参照12誘導心電信号数列を含む参照データベースを取得し、また参照12誘導心電信号数列に対して予備的分類を行い、異常データ及び非異常データに分けてマークを付けた。本発明による心房細動予測モデルの参照データベースのデータラベリングプラットフォームを示す模式図である図3を参照されたく、後で確立された心房細動予測モデルが12誘導心電信号数列に対応する疾患の問題を正しく学習できるように、まず、患者関連の如何なる個人情報も提供されなく、特定の対応関係も制限されずに、データラベリングプラットフォームを確立し、医師は、心房細動予測モデル学習の参考根拠として、このプラットフォームによって参照データベースに対して多種のマークを付けた。
110、120、130 ステップ
200 心房細動予測システム
300 心電図捕捉ユニット
400 非一時的機械可読媒体
410 参照データベース取得モジュール
420 参照特徴選択モジュール
421、441 計算ユニット
430 トレーニングモジュール
432、600 長短期記憶ユニット
440 目標特徴選択モジュール
450 比較モジュール
610 入力層
620 1次長短期記憶ユニット
630 2次長短期記憶ユニット
640 3次長短期記憶ユニット
650 4次長短期記憶ユニット
660 最大プーリング層
670 全結合層
Claims (10)
- 心房細動予測モデルであって、
その確立ステップとして、
複数の参照12誘導心電信号数列を含む参照データベースを取得するステップと、
前記参照データベースに基づいて、計算ユニットによって前記参照12誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも1つの特徴値を選択する特徴選択ステップと、
長短期記憶ユニットによって心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算し、前記相関性が第1の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、前記心房細動予測モデルを取得することで、所定の結果を取得するトレーニングステップと、
を備えることを特徴とする心房細動予測モデル。 - 前記長短期記憶ユニットは、双方向長短期記憶ユニットであることを特徴とする請求項1に記載の心房細動予測モデル。
- 前記長短期記憶ユニットは、
曲率変化の過大な前記心電信号の瞬時値をフィルタリングして、入力値を取得する忘却ゲートと、
前記入力値を入力して、Sigmoid関数によって前記相関性を計算する入力ゲートと、
前記相関性をSigmoid関数で計算して出力値を取得し、前記出力値が第2の所定閾値を超えると、前記出力値を前記長短期記憶ユニットに加える出力ゲートと、
を更に含むことを特徴とする請求項1に記載の心房細動予測モデル。 - 前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であることを特徴とする請求項3に記載の心房細動予測モデル。
- 前記第1の所定閾値及び前記第2の所定閾値は、tanh関数によって決められることを特徴とする請求項3に記載の心房細動予測モデル。
- 目標12誘導心電信号数列を取得するための心電図捕捉ユニットと、
少なくとも1つの信号により前記心電図捕捉ユニットに接続され、処理ユニットにより実行される時、予測結果を取得するためのプログラムを記憶するための非一時的機械可読媒体と、
を備え、
前記プログラムは、
複数の参照12誘導心電信号数列を含む参照データベースを取得するための参照データベース取得モジュールと、
前記参照データベースに基づいて、計算ユニットによって前記参照12誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも1つの参照特徴値を選択するための参照特徴選択モジュールと、
心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算することに使用され、前記相関性が第1の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、前記心房細動予測モデルを取得する長短期記憶ユニットを含むトレーニングモジュールと、
前記目標12誘導心電信号数列を分析して、別の計算ユニットによって前記目標12誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた目標心電信号の曲率変化が最も大きくなる画像間隔を含む目標特徴値を取得するための目標特徴選択モジュールと、
前記目標特徴値及び前記参照特徴値を前記心房細動予測モデルで分析して比較することで、所定の結果を取得するための比較モジュールと、
を含むことを特徴とする心房細動予測システム。 - 前記長短期記憶ユニットは、双方向長短期記憶ユニットであることを特徴とする請求項6に記載の心房細動予測システム。
- 前記長短期記憶ユニットは、
曲率変化の過大な前記心電信号の瞬時値をフィルタリングして、入力値を取得する忘却ゲートと、
前記入力値を入力して、Sigmoid関数によって前記相関性を計算する入力ゲートと、
前記相関性をSigmoid関数で計算して出力値を取得し、前記出力値が第2の所定閾値を超えると、前記出力値を前記長短期記憶ユニットに加える出力ゲートと、
を更に含むことを特徴とする請求項6に記載の心房細動予測システム。 - 前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であることを特徴とする請求項8に記載の心房細動予測システム。
- 前記第1の所定閾値及び前記第2の所定閾値は、tanh関数によって決められることを特徴とする請求項8に記載の心房細動予測システム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/104724 WO2021042372A1 (zh) | 2019-09-06 | 2019-09-06 | 心房颤动预测模型及其预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022523835A true JP2022523835A (ja) | 2022-04-26 |
Family
ID=74852994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021552900A Pending JP2022523835A (ja) | 2019-09-06 | 2019-09-06 | 心房細動予測モデル及びその予測システム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220262516A1 (ja) |
JP (1) | JP2022523835A (ja) |
WO (1) | WO2021042372A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116313089B (zh) * | 2023-03-13 | 2024-01-16 | 首都医科大学附属北京天坛医院 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463919A (zh) * | 2017-08-18 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度3d卷积神经网络进行面部表情识别的方法 |
CN108186011A (zh) * | 2017-12-13 | 2018-06-22 | 深圳竹信科技有限公司 | 房颤检测方法、装置及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101912090B1 (ko) * | 2012-02-08 | 2018-10-26 | 삼성전자 주식회사 | 심방세동 예측 모델 생성장치 및 방법과, 심방세동 예측장치 및 방법 |
CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
TWI701681B (zh) * | 2019-05-16 | 2020-08-11 | 中國醫藥大學附設醫院 | 心房顫動預測模型及其預測系統 |
-
2019
- 2019-09-06 JP JP2021552900A patent/JP2022523835A/ja active Pending
- 2019-09-06 US US17/628,991 patent/US20220262516A1/en active Pending
- 2019-09-06 WO PCT/CN2019/104724 patent/WO2021042372A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463919A (zh) * | 2017-08-18 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度3d卷积神经网络进行面部表情识别的方法 |
CN108186011A (zh) * | 2017-12-13 | 2018-06-22 | 深圳竹信科技有限公司 | 房颤检测方法、装置及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
RASMUS S. ANDERSEN ET AL: "A deep learning approach for real-time detection of atrial fibrilation", EXPERT SYSTEMS WITH APPLICATIONS, vol. 115, JPN6022032232, 2019, pages 465 - 473, ISSN: 0005173562 * |
S. CHAUHAN AND L. VIG: "Anomaly Detection in ECG Time signals via Deep Long Short-Term Memory Networks", 2015 IEEE INTERNATIONAL CONFERENCE ON DATA SCIENCE AND ADVANCED ANALYTICS, JPN6023010039, 7 December 2015 (2015-12-07), pages 3, ISSN: 0005010875 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021042372A1 (zh) | 2021-03-11 |
US20220262516A1 (en) | 2022-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
Wang et al. | A high-precision arrhythmia classification method based on dual fully connected neural network | |
JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
CN109411041B (zh) | 心电信息处理方法和心电工作站系统 | |
TWI701681B (zh) | 心房顫動預測模型及其預測系統 | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
WO2017072250A1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
CN106815570A (zh) | 一种基于动态模式识别的心电信号st‑t段识别方法 | |
Chocron et al. | Remote atrial fibrillation burden estimation using deep recurrent neural network | |
CN113180688B (zh) | 基于残差神经网络的冠心病心电图筛查系统及方法 | |
Ansari et al. | Estimating age and gender from electrocardiogram signals: A comprehensive review of the past decade | |
Queiroz et al. | Diagnostic decision support systems for atrial fibrillation based on a novel electrocardiogram approach | |
Al-Huseiny et al. | Diagnosis of arrhythmia based on ECG analysis using CNN | |
Huang et al. | Detecting paroxysmal atrial fibrillation from normal sinus rhythm in equine athletes using Symmetric Projection Attractor Reconstruction and machine learning | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
JP2022523835A (ja) | 心房細動予測モデル及びその予測システム | |
US12040093B2 (en) | Medical diagnostic tool with neural model trained through machine learning for predicting coronary disease from ECG signals | |
Dimitri et al. | A preliminary evaluation of Echo State Networks for Brugada syndrome classification | |
Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
Agrawal et al. | A machine learning approach for classifying healthy and infarcted patients using heart rate variabilities derived vector magnitude | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210906 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210906 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220727 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220802 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221102 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230313 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231016 |