JP2023544242A - 心イベントを検出及び／又は予測するための、心電図処理システム - Google Patents

Abstract

患者の心電図（ＥＣＧ）データを、相当な量のＥＣＧデータを使用して分析するためのシステム及び方法が提供される。システムは、患者に配置された、１つ又は複数のＥＣＧ誘導／電極などの感知デバイスからＥＣＧデータを受信し、これらはスマートデバイスに集積される。システムは、例えば様々な異常性、状態、及び／又は記述子を検出及び／又は予測するために、ニューラルネットワークを使用して、ＥＣＧデータを処理及び分析するサーバ上で実行される、ＥＣＧプラットフォームと通信するアプリケーションを含む。システムはまた、異常性、状態、及び／又は記述子に対応する信頼度スコアを決定する。処理されたＥＣＧデータは、グラフィックユーザインターフェースを生成するために使用され、精度が高められた、ユーザフレンドリーで対話的なやり方での表示のために、サーバからコンピュータに通信される。

Description

関連出願の相互参照
[0001] 本出願は、２０２０年１２月１５日に提出された欧州特許出願第ＥＰ２０３０６５６６．９号、及び２０２０年８月１０日に提出された米国仮特許出願第６３／０６３，８９９号に対する優先権を主張するものであり、その内容全体が参照により本明細書に組み込まれる。

[0002] 本開示は、一般に心電図（ＥＣＧ）処理システム、例えば不整脈及び異常性などの心イベントを検出及び／又は予測するための、人工知能及び機械学習の機能性を伴うＥＣＧシステムに関する。

[0003] 心電図（ＥＣＧ）は、コンピューティングデバイスによってデジタル化して記録される電気的な心信号を、心臓から受け取る。ＥＣＧは、通常、患者の特定のエリアに配置された多数の電極によって感知された心信号から生成される。ＥＣＧは、ほとんどの医療従事者によって使用される、シンプルで非侵襲的なツールである。

[0004] 心信号は、１つ又は複数の同期された一時的な信号から構成される。図１Ａは、標準１２誘導安静時ＥＣＧの記録を図示する。図１Ａに示されるように、各誘導は電気信号を生成し、１２の電気信号が得られる。図１Ａに図示されるＥＣＧは、１２の記録を与える１２誘導を伴うが、一部のＥＣＧは、より少ない記録を与える、より少ない誘導を伴う。図１Ａに示されるように、心信号は、通常Ｐ波、ＱＲＳ波群、及びＴ波を含む反復パターンを表示する。その名称から示唆されるように、ＱＲＳ波群は、Ｑ波、Ｒ波、及びＳ波を含む。例示のＰ波、ＱＲＳ波群、及びＴ波は、図１Ｂに図示されており、この図は１つの誘導信号中のいくつかの拍動に着目したものであり、１つのＲＲ時間を示している。

[0005] 診断を下すために、訓練された医療従事者は、ＥＣＧ記録を分析して、異常性及び／又は症状発現を識別する。現在、約１５０の測定可能な異常性が、ＥＣＧ記録で識別されると推定される。しかしながら、ＥＣＧから異常性を識別するためには、特定の専門知識及び／又は訓練が必要とされる。ＥＣＧ分析は、適切な専門知識を持つ医療従事者にかかる余裕がある患者、そうでなければこれらの専門家にアクセスできる人物にのみ利用可能である。

[0006] 心臓病遠隔診断（ｔｅｌｅｃａｒｄｉｏｌｏｇｙ）センターは、ＥＣＧ分析を、それ以外の方法では訓練された医療従事者へのアクセスを持たない患者に提供するために発展してきた。典型的には、ＥＣＧ記録は、非専門家によってオフサイトで生成され、心臓専門医又はＥＣＧ専門技師による分析のために、心臓病遠隔診断センターに送られる。一般的に結果は高品質であるが、プロセスはゆっくりで高価である。

[0007] また、訓練された専門家による分析の代替として、ソフトウェアシステムも開発されている。現在のソフトウェアシステムは、偽陽性を導くことも多い、品質の低い解釈を与える。現在、これらの解釈システムは、心信号について２つのタイプの情報：（１）描画と称される、各波についての時間的な場所情報、（２）心信号の分類を与える、又はその異常性をラベル付けする、分類と称されるグローバル情報を生成する。

[0008] 描画に関しては、心信号の波を見つけるための２つの主な手法が用いられる。第１の手法は、マルチスケールのウェーブレット分析に基づいている。この手法は、指定されたスケールで、所定のしきい値に達するウェーブレット係数を探す。（Ｍａｒｔｉｎｅｚら、Ａ ｗａｖｅｌｅｔ－ｂａｓｅｄ ＥＣＧ ｄｅｌｉｎｅａｔｏｒ：ｅｖａｌｕａｔｉｏｎ ｏｎ ｓｔａｎｄａｒｄ ｄａｔａｂａｓｅｓ、ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｂｉｏｍｅｄｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ、５１巻、４号、２００４年４月、５７０～５８ページ；Ａｌｍｅｉｄａら、ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｂｉｏｍｅｄｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ、５６巻、８号、２００９年８月、１９９６～２００５ページ；Ｂｏｉｃｈａｔら、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｗｅａｒａｂｌｅ ａｎｄ Ｉｍｐｌａｎｔａｂｌｅ Ｂｏｄｙ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ、２００９年、２５６～２６１ページ；Ｚｏｉｃａｓらに対する米国特許第８，９０３，４７９号を参照）。通常のプロセスには、ＱＲＳ波群、次いでＰ波、最後にＴ波の識別が伴う。この手法は、しきい値の使用により不安定となり、複数のＰ波と「隠れた」Ｐ波との識別に失敗する。

[0009] 第２の描画手法は、隠れマルコフモデル（ＨＭＭ）に基づいている。この機械学習の手法は、信号の現在の状態を、回復対象の隠れた変数として取り扱う（Ｃｏａｓｔら、ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｂｉｏｍｅｄｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ、３７巻、９号、１９９０年９月、８２６～８３６ページ；Ｈｕｇｈｅｓら、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、２００４年、６１１～６１８ページ；Ｔｒａｓｓｅｎｋｏらに対する米国特許第８，３３２，０１７号）。この手法は、上述の第１の描画手法に対する改善であるが、信号の表現を、手作りの「特徴」を使用して設計しなければならず、これらの特徴に基づいて、数学的なモデルを各波にフィットさせなければならない。アルゴリズムは、十分な数の例に基づいて、各波を認識するよう学習する。しかしながら、このプロセスは、手作りの特徴への依存性に起因して、面倒且つ不正確である。具体的には、手作りされた特徴は、学習されたものではないため、また特徴を手作りするプロセスは、極めて重要な情報を無視又は除去してしまった可能性があるため、常に次善策である。更には、モデル、通常はガウシアンであるモデルが、良く適合しない。更に、現在のモデルは隠れたＰ波を説明できない。

[0010] 分類に関して、現在のシステムでは、分析はＱＲＳ波群に対してのみ行なわれる。例えば、ＱＲＳ波群の分析は、心室拍動又はペーシング拍動を検出する。訓練には、手作りの特徴のセット及び対応する拍動ラベルが含まれる（Ｃｈａｚａｌら、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ、２００４年、５１巻、１１９６～１２０６ページ）。上述したように、手作りされた特徴は、学習されたものではないため、また特徴を手作りするプロセスは、極めて重要な情報を無視又は除去してしまった可能性があるため、常に次善策である。

[0011] 上記の問題を解決するべく、近年の研究（Ｋｉｒａｎｙａｚら、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ、２０１６年、６３巻、６６４～６７５ページ）は、盛んに研究されてきているニューラルネットワークと呼ばれる新規なアーキテクチャに目を向けており、イメージングの分野で多大な成果を出している（Ｒｕｓｓａｋｏｖｓｋｙら、ａｒＸｉｖ：１４０９．０５７５ｖ３、２０１５年１月３０日）。ニューラルネットワークは、生データ又は適度に前処理されたデータから学習し、そのため手作りの特徴の必要性を回避する。ニューラルネットワークの適用は、上述の描画及び分類手法に対する改善である一方で、現在のシステムには、一定の欠陥がある。例えば、現在のニューラルネットワークは、ＱＲＳの特徴付けのためにのみ開発されたものである。更には、現在のニューラルネットワークは、拍動ごとの様式で情報を処理し、これは拍動周辺部からのコンテキスト的な情報を把握するのに失敗する。

[0012] 異常性の識別及び／又は循環器系疾患の検出に関して、ほとんどのアルゴリズムは、描画を使用して計算された時間的及び形態学的なインジケータに基づく規則を使用する（例えば、ＰＲ時間、ＲＲ時間、ＱＴ時間、ＱＲＳ幅、ＳＴセグメントの高さ、Ｔ波の傾き）。多くの場合、アルゴリズムは、心臓専門医によって設計される。（Ｐｒｉｎｅａｓら、Ｍｉｎｎｅｓｏｔａ Ｃｏｄｅ Ｍａｎｕａｌ ｏｆ Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｉｃ Ｆｉｎｄｉｎｇｓ、Ｓｐｒｉｎｇｅｒ、ＩＳＢＮ９７８－１－８４８８２－７７７－６、２００９年）。しかしながら、現在のアルゴリズムは、心臓専門医がＥＣＧを分析するやり方を反映しておらず、粗く単純化されたものである。例えば、グラスゴー大学のアルゴリズムは、心臓専門医がＥＣＧを分析するやり方を反映していない。（Ｓｔａｔｅｍｅｎｔ ｏｆ Ｖａｌｉｄａｔｉｏｎ ａｎｄ Ａｃｃｕｒａｃｙ ｆｏｒ ｔｈｅ Ｇｌａｓｇｏｗ １２－Ｌｅａｄ ＥＣＧ Ａｎａｌｙｓｉｓ Ｐｒｏｇｒａｍ、Ｐｈｙｓｉｏ Ｃｏｎｔｒｏｌ、２００９年）。

[0013] 学習アルゴリズムを使用する、より高度な方法も開発されている。例えば、Ｓｈｅｎら、Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｃｓ（ＢＭＥＩ）、２０１０年、３巻、９６０～９６４ページでは、著書らはサポートベクタマシンを使用して脚ブロックを検出した。しかしながら、これらの方法でも、やはり不変性と安定性の性質を保存するやり方で生データを表現する必要がある。

[0014] より複雑なニューラルネットワークのアーキテクチャが提案されている一方で、これらをＥＣＧに適用する場合の限界が生じている。あるチーム（Ｊｉｎ ａｎｄ Ｄｏｎｇ、Ｓｃｉｅｎｃｅ Ｃｈｉｎａ Ｐｒｅｓｓ、４５巻、３号、２０１５年、３９８～４１６ページ、ＣＮ１０４９７０７８９）は、全ＥＣＧに対する二値分類を提案し、そのため分析されるどのＥＣＧについても分類を１つのみ与える。提案されるアーキテクチャは、誘導を全結合層に混合する前に、それらを独立的に処理する、畳み込み層を使用した。著者らはまた、二値分析とは反対に、複数のクラスの中から１つのクラスを回復することを目的とする、多クラス分析にも言及している。しかしながら、著者らは、複数のラベル（例えば、異常性）が１つの心信号に割振られる多ラベル分類を考慮しなかった。

[0015] 他のアルゴリズム及びニューラルネットワークのアーキテクチャが、心房細動のリスクを検出するために提案されている。しかしながら、そのようなアルゴリズム及びニューラルネットワークは、１２誘導及び長時間の記録を必要とすることが多い。また、典型的には、そのような予測は、長期予測（例えば、１年）である。その内容全体が参照により本明細書に組み込まれる、Ａｔｔｉａら「Ａｎ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ－ｅｎａｂｌｅｄ ＥＣＧ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｐａｔｉｅｎｔｓ ｗｉｔｈ ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ ｄｕｒｉｎｇ ｓｉｎｕｓ ｒｈｙｔｈｍ：ａ ｒｅｔｒｏｓｐｅｃｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｏｕｔｃｏｍｅ ｐｒｅｄｉｃｔｉｏｎ」、Ｔｈｅ Ｌａｎｃｅｔ、３９４巻、１０２０１号、８６１～８６７ページ、２０１９年９月７日では、著者らは、人工知能と畳み込みニューラルネットワークとを使用して無症候性心房細動を検出することを述べている。その内容全体が参照により本明細書に組み込まれる、Ｃｈｒｉｓｔｏｐｏｕｌｏｓら「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｙ ｔｏ Ｐｒｅｄｉｃｔ Ｉｎｃｉｄｅｎｔ Ａｔｒｉａｌ Ｆｉｂｒｉｌｌａｔｉｏｎ」、Ｃｉｒｃ Ａｒｒｈｙｔｈｍ Ｅｌｅｃｔｒｏｐｈｙｓｉｏｌ．、１３巻、１２号、２０２０年１２月では、著者は、洞調律時に心電図に適用される人工知能のアルゴリズムを使用して心房細動の確率を判定することを述べている。その内容全体が参照により本明細書に組み込まれる、Ｒａｇｈｕｎａｔｈら「Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ Ｃａｎ Ｐｒｅｄｉｃｔ Ｎｅｗ－Ｏｎｓｅｔ Ａｔｒｉａｌ Ｆｉｂｒｉｌｌａｔｉｏｎ Ｆｒｏｍ ｔｈｅ １２－Ｌｅａｄ ＥＣＧ ａｎｄ Ｈｅｌｐ Ｉｄｅｎｔｉｆｙ Ｔｈｏｓｅ ａｔ Ｒｉｓｋ ｏｆ Ａｔｒｉａｌ Ｆｉｂｒｉｌｌａｔｉｏｎ－Ｒｅｌａｔｅｄ Ｓｔｒｏｋｅ」、Ｃｉｒｃｕｌａｔｉｏｎ、１４３巻、１３号、２０２１年、３月３０日では、著者らは、安静時１２誘導ＥＣＧから心房細動発生の予測を判定することを述べている。

[0016] 以前から知られているシステム及び方法の、先述の限界を考慮して、正確に且つ効率的にＥＣＧデータを処理すること、及びその情報を容易に理解できる様式で提示することが望まれる。例えば、患者からサンプリングされたＥＣＧデータを分析して、心イベントを正確且つ効率的に検出する及び／又は予測するための、例えば、ＥＣＧ分析用に特別に設計された人工知能及び／又は機械学習技術を使用する、強化されたコンピューティング技術が望ましい。

[0017] 本明細書では、機械学習アルゴリズム及び医用グレードの人工知能を使用してＥＣＧデータを分析するための、精度及び効率が高められたシステム及び方法が提供される。具体的には、人工知能及と相当な量のＥＣＧデータとを使用して、患者の心電図（ＥＣＧ）データを分析するためのシステム及び方法が提供される。システムは、患者に配置された、１つ又は複数のＥＣＧ誘導／電極などの感知デバイスからＥＣＧデータを受信し、これらのデータはスマート技術（例えば、スマートウォッチ）に集積される。システムは、不整脈及び／又は心房細動（ＡＦｉｂ）を含む異常性などの心イベントを正確且つ効率的に検出する及び／又は予測するために、患者からサンプリングされたＥＣＧデータを分析する。システムは、例えば心信号の描画と様々な異常性、状態、及び／又は記述子の分類とのためのニューラルネットワークを使用してＥＣＧデータを処理及び分析するサーバ上で実行される、ＥＣＧプラットフォームと通信するアプリケーションを含む。ＥＣＧプラットフォームは、ＥＣＧデータをクラウドで処理及び分析する、クラウドベースのＥＣＧプラットフォームであってもよい。処理されたＥＣＧデータは、精度が高められた、ユーザフレンドリーで対話的なやり方での表示のために、サーバから通信される。ＥＣＧアプリケーションとＥＣＧプラットフォームとは、共に、ＥＣＧデータを受信すること、ＥＣＧデータを処理及び分析すること、ＥＣＧデータをシステムデバイスに表示すること、並びにＥＣＧデータを有するレポートを生成することのために、ＥＣＧ処理システムを実装する。

[0018] 本明細書では、複数の時間ポイントに渡って１つ又は複数の電極によって生成され、複数の拍動を含む、患者のＥＣＧデータを分析するための、コンピュータ化されたシステムが提供される。コンピュータ化されたシステムは、複数の時間ポイントにおいて少なくとも１つの波の存在の可能性に対応する波形情報を生成するために描画アルゴリズムを使用してＥＣＧデータを分析することと、少なくとも１つの波が存在すると判定される場合、複数の拍動発生と拍動消失とを生成するために、複数の拍動のうちの拍動について拍動発生情報と拍動消失情報とを更に決定することと、を行なうように設計される。コンピュータ化されたシステムは、ＥＣＧデータの複数の拍動部分の各拍動部分が、複数の拍動の１拍動に対応する、複数の拍動発生と拍動消失とに基づいてＥＣＧデータの複数の拍動部分を抽出することと、ＥＣＧデータの複数の拍動部分に基づいて、複数の拍動のうちの少なくとも２つの拍動がグループ化されるべきかどうかを判定することであって、少なくとも２つの拍動がクラスタを形成する、判定することと、を行なうように更に設計される。複数の拍動のうちの少なくとも２つの拍動がグループ化されるべきかどうかを判定することは、グループデータがしきい値を満足するかを判定することを含む。

[0019] コンピュータ化されたシステムは、複数のＥＣＧデータの部分を、複数の拍動を表現する埋め込みデータを生成するために、埋め込みアルゴリズムを使用して分析することと、グループデータを生成するためにグループ化アルゴリズムを使用して埋め込みデータを分析することとを行なうように更に設計される。複数の拍動のうちの少なくとも２つの拍動は、グループデータに基づいて、グループ化されるよう判定される。グループデータは、２つの拍動同士の距離に相当する。描画アルゴリズムは、第１のニューラルネットワークを利用し、埋め込みアルゴリズムは第２のニューラルネットワークを利用する。グループ化アルゴリズムは、第３のニューラルネットワークを利用する。コンピュータ化されたシステムは、ＥＣＧデータに関して表示されるデータに相当する不正確さに関して、入力デバイスからユーザ入力データを受信するように更に設計される。コンピュータ化されたシステムは、描画アルゴリズム、埋め込みアルゴリズム、又はグループ化アルゴリズムのうちの１つ又は複数を、ユーザ入力データに基づいて調節するように更に設計される。

[0020] コンピュータ化されたシステムは、ユーザ入力データに基づいて、表示されるデータを修正するように更に設計される。ユーザ入力データは、１つ又は複数のＱＲＳクラスタ、ＰＶＣクラスタ、又はＰＡＣクラスタを、追加すること、削除すること、又は分離することに相当する。埋め込みデータは、複数の拍動の各拍動についての、データのベクトルを含む。コンピュータ化されたシステムは、グラフィックユーザインターフェースでの表示のために、クラスタを示す情報をコンピュータに送信するように更に設計される。コンピュータ化されたシステムは、互いに重なり合う複数の拍動のうちの少なくとも２つの拍動を含む、少なくとも１つの重なりを表示するために情報を生成するように更に設計される。コンピュータ化されたシステムは、患者について心イベントに関連付けられる１つ又は複数の異常性、状態、又は識別子の存在の可能性を判定するために、クラスタ中の拍動を、分類アルゴリズムを使用して分析するように更に設計される。

[0021] コンピュータ化されたシステムは、患者について心イベントに関連付けられる１つ又は複数の異常性、状態、又は識別子の存在の可能性を判定するために、描画アルゴリズムからの波形情報を、分類アルゴリズムを使用して分析するように更に設計される。波形情報は、分類アルゴリズムに入力され、複数の拍動のうちの少なくとも２つの拍動がグループ化されるべきかどうかを判定するために別個に使用される。コンピュータ化されたシステムは、描画アルゴリズムを使用してＥＣＧデータを分析することに先立って、ＥＣＧデータからノイズを除去するためにＥＣＧデータを前処理するように更に設計される。コンピュータ化されたシステムは、ＥＣＧデータ及びＥＣＧデータに基づく情報を、レビューのためにユーザアカウントに割振る。コンピュータ化されたシステムは、ＥＣＧデータ及びＥＣＧデータに基づく情報に関するユーザ入力データを、レビューに基づいてユーザアカウントから受信する。

[0022] 複数の時間ポイントに渡って１つ又は複数の電極によって生成され、複数の拍動を含む患者の心電図（ＥＣＧ）データを分析するための方法が、本明細書で説明される。方法は、複数の時間ポイントにおいて少なくとも１つの波の存在の可能性に対応する波形情報を生成するために描画アルゴリズムを使用してＥＣＧデータを分析することと、少なくとも１つの波が存在すると判定される場合、複数の拍動発生と拍動消失とを生成するために、複数の拍動のうちの拍動について拍動発生情報と拍動消失情報とを更に決定することとを有する。方法は、ＥＣＧデータの複数の拍動部分の各拍動部分が、複数の拍動の１拍動に対応する、複数の拍動発生と拍動消失とに基づいてＥＣＧデータの複数の拍動部分を抽出することと、ＥＣＧデータの複数の拍動部分に基づいて、複数の拍動のうちの少なくとも２つの拍動がグループ化されるべきかどうかを判定することであって、少なくとも２つの拍動がクラスタを形成する、判定することとを更に有する。

[0023] 方法は、複数のＥＣＧデータの部分を、複数の拍動を表現する埋め込みデータを生成するために、埋め込みアルゴリズムを使用して分析することと、グループデータを生成するためにグループ化アルゴリズムを使用して埋め込みデータを分析することとを有する。複数の拍動のうちの少なくとも２つの拍動は、グループデータに基づいて、グループ化されるよう判定される。方法は、ＥＣＧデータ及びＥＣＧデータに基づく情報を、ＥＣＧデータのレビューのためにユーザアカウントに割振ることを更に有する。方法は、ＥＣＧデータ及びＥＣＧデータに基づく情報を、１人又は複数のレビュワーによる品質レビューのためにサブミットすることを更に有する。方法は、１人又は複数のレビュワーによって生成される品質制御入力を受信することを更に有する。方法は、更なる品質制御レビューのために、品質制御入力を表示させることを更に有する。方法は、ＥＣＧデータに基づく情報に対応する不正確さに関して、入力デバイスからユーザ入力データを受信することを更に有する。方法は、描画アルゴリズム、埋め込みアルゴリズム、又はグループ化アルゴリズムのうちの１つ又は複数を、ユーザ入力データに基づいて調節することを更に有する。方法は、表示されたデータを、品質レビューのためにユーザアカウントに割振ることを更に有する。

[0024] 患者のＥＣＧデータを分析するためのシステムは、一例では、実行されると、複数の時間ポイントに渡って患者のＥＣＧデータを取得するように設計された第１の複数の命令を含み、ＥＣＧデータを少なくとも１つのサーバに送信することを更に含む。ＥＣＧデータは、１秒当たり少なくとも２０サンプルのレートなど、所定のサンプリングレートでサンプリングされる。ＥＣＧデータを分析するためのシステムは、実行されると、少なくとも１つのサーバに、患者のＥＣＧデータを受信することと、異なる患者からの複数のＥＣＧデータセットから訓練された少なくとも１つのアルゴリズムを使用して患者のＥＣＧデータを分析することと、１つ又は複数の異常性、状態、記述子、又はそれらの組合せの存在の可能性を定量化することと、１つ又は複数の異常性、状態、記述子、又はそれらの組合せの存在に対応する情報を、表示のために少なくとも１つのサーバから遠隔にあるコンピュータに送信することとを行なわせるように設計された第２の複数の命令を更に含む。

[0025] ＥＣＧデータを分析するためのシステムは、コンピュータによって実行されると、コンピュータに、少なくとも１つのサーバから送信された情報に基づいて、１つ又は複数の異常性、状態、記述子、又はそれらの組合せの存在に対応する情報を表示させるように設計された、第３の複数の命令を更に含む。異なる患者からの複数のＥＣＧデータセットのうち、それぞれのセットは、ＥＣＧデータを取得するために用いられたレートに等しいサンプリングレートで生成されることを理解されたい。第３の複数の命令を実行するコンピュータはまた、第１の複数の命令も実行することを更に理解されたい。

[0026] 第２の複数の命令は、実行されると、少なくとも１つのサーバに、ＥＣＧデータからノイズを除去すること、又は所定のベースライン周波数でＥＣＧデータを表現することを含む、ＥＣＧデータを前処理することを更に行なわせる。更には、第２の複数の命令は、実行されると、ＥＣＧデータを描画のための第１のニューラルネットワークに適用する、少なくとも１つのアルゴリズムを使用して、患者のＥＣＧデータを分析し、複数の時間ポイントのそれぞれにおいて、Ｐ波、ＱＲＳ波群、又はＴ波のうちの少なくとも１つの存在の可能性を更に定量化する。第２の複数の命令は、Ｐ波、ＱＲＳ波群、若しくはＴ波のうちの少なくとも１つについて、少なくとも１つの発生及び少なくとも１つの消失を更に計算する、並びに／又は発生、消失、若しくは第１のニューラルネットワークの出力のうちの１つ若しくは複数から、少なくとも１つの測定を計算する。

[0027] 第２の複数の命令は、実行されると、ＥＣＧデータを分類のための第２のニューラルネットワークに適用する、少なくとも１つのアルゴリズムを使用して、患者のＥＣＧデータを分析することを更に理解されたい。具体的には、第２の複数の命令は、１つ又は複数の異常性、状態、又は識別子の存在の可能性を定量化し、第２のニューラルネットワークの出力中の少なくとも１つの値にしきい値を適用し、値がしきい値を越える場合、１つ又は複数の異常性、状態、又は識別子に対応する少なくとも１つのラベルを割振る。第２の複数の命令はまた、冗長なラベルを除去することによって、ＥＣＧデータを後処理する。

[0028] システムは、第４及び／又は第５の複数の命令を更に含む。第４の複数の命令は、実行されると、少なくとも１つのサーバに、１つ又は複数の異常性、状態、又は記述子の存在に対応する、少なくとも送信された情報を含むレポートを生成させる。第５の複数の命令は、実行されると、ＥＣＧデータに関するユーザ入力を受信し、少なくとも１つのサーバがユーザ入力を使用してレポートを生成するように、コンピュータに、ユーザ入力を少なくとも１つのサーバに送信させる。レポートは、患者の心拍数の密度を時間の関数として表現する、少なくとも１つの心拍数密度プロットを含む。第３の複数の命令は、コンピュータによって実行されると、コンピュータに、患者の心拍数の密度を時間の関数として表現する心拍数密度プロットを表示させるように更に構成されることを理解されたい。

[0029] 別の例では、患者のＥＣＧデータを分析するためのシステムは、実行されると、少なくとも１つのサーバに、複数の時間ポイントに渡って患者のＥＣＧデータのセットを受信させるように設計された、少なくとも１つのサーバに記憶された命令を含む。ＥＣＧデータのセットは、１秒当たり少なくとも２０サンプルのレートなど、所定のサンプリングレートでサンプリングされる。命令は、少なくとも１つのサーバに、少なくとも１つのアルゴリズムを使用して患者のＥＣＧデータのセットを分析することと、複数の時間ポイントのそれぞれの時間ポイントにおいて、１つ又は複数の異常性、状態、記述子、又はそれらのあらゆる組合せの存在の可能性を定量化することと、１つ又は複数の異常性、状態、又は記述子の存在の可能性に対応する情報を、表示のためコンピュータに送信することと、を行なわせるように更に設計される。少なくとも１つのアルゴリズムは、異なる患者から１秒当たり少なくとも２０サンプルのサンプリングレートで生成された、複数のＥＣＧデータのセットを使用して訓練される。

[0030] 患者のＥＣＧデータを分析するためのコンピュータ化された方法は、同様に、あるサンプリングレートでサンプリングされた複数の時間ポイントに渡る患者のＥＣＧデータのセットを受信することと、複数のＥＣＧデータのセットを使用して訓練された少なくとも１つのアルゴリズムを使用して患者のＥＣＧデータのセットを分析することとを有する。複数のＥＣＧデータのセットのうちのそれぞれのセットは、同一のサンプリングレートで異なる患者から生成される。ＥＣＧデータを分析するためのコンピュータ化された方法は、各時間ポイントにおいて、１つ又は複数の異常性、状態、記述子、又はそれらのあらゆる組合せを識別することを更に有し、１つ又は複数の異常性、状態、記述子、又はそれらのあらゆる組合せを含む情報を、表示のためにコンピュータに送信することを更に有する。コンピュータ化された方法は、ＥＣＧデータのセットからデータを破棄することなく、サンプリングされたＥＣＧデータのセット全体を分析することを有することを理解されたい。一例では、コンピュータ化された方法は、１秒当たり少なくとも２０サンプルのサンプリングレートを伴う。

[0031] コンピュータ化された方法は、ＥＣＧデータのセット及びＥＣＧデータのセットに基づく情報を、ＥＣＧデータのレビューのためにユーザアカウントに割振ることを更に有する。コンピュータ化された方法は、ＥＣＧデータのセット及びＥＣＧデータのセットに基づく情報を、１人又は複数のレビュワーによる品質レビューのためにサブミットすることを更に有する。コンピュータ化された方法は、１人又は複数のレビュワーによって生成される品質制御入力を受信することを更に有する。方法は、更なる品質制御レビューのために、品質制御入力を表示させることを更に有する。

[0032] 別の例では、患者の心電図（ＥＣＧ）データを分析するためのコンピュータ化されたシステムは、ＥＣＧデータを分析して心イベントの存在を判定するために、コンピュータ化されたシステムを含む。ＥＣＧデータの分析に基づいて、心イベントが存在すると判定される場合、コンピュータ化されたシステムは、表示用に心イベントの存在を識別するために情報を生成する。ＥＣＧデータの分析に基づいて、心イベントが存在しないと判定される場合、コンピュータ化されたシステムは、ＥＣＧデータを更に分析して、表示用に心イベントの将来的なリスクを示すリスクスコアを決定する。心イベントは、心房細動である。

[0033] コンピュータ化されたシステムは、ＥＣＧデータに対して描画を更に実施して、複数の拍動を決定し、複数の第１の特徴を複数の拍動から抽出し、複数の第１の特徴に基づいて第１のリスクスコアを決定する。第１のリスクスコアは、患者の将来的な心房細動を示す。ＥＣＧデータに対して描画を実施することは、複数のＱＲＳ発生値を決定する。コンピュータ化されたシステムは、ＥＣＧデータに対して分類を実行して、複数の拍動のうちの拍動を、正常、心房性期外収縮（ＰＡＣ）、又は心室性期外収縮（ＰＶＣ）に分類することと、複数の拍動に対応する複数のタイムスタンプを決定することと、複数のタイムスタンプに基づいて複数の心拍数値を決定することと、複数のタイムスタンプ及び複数の心拍数値に基づいて行列を決定することと、行列の図表現を生成することと、行列の図表現を少なくとも１つのニューラルネットワークを使用して処理して、患者の将来的な心房細動の第２のリスクスコアを決定することと、を更に行なう。

[0034] 少なくとも１つのニューラルネットワークは、少なくとも１つの深層ニューラルネットワーク（ＤＮＮ）である。コンピュータ化されたシステムは、患者に対応する患者情報を判定することと、心房細動を示すＥＣＧデータの複数の第２の特徴を判定することと、複数の第２の特徴を分類器に適用して患者の将来的な心房細動を示す第３のスコア値を決定することと、を更に行なう。患者情報は、患者の年齢及び性別のうち、１つ又は複数である。分類器は、ＤＮＮ、ロジスティック回帰、及びランダムフォレストのうちの１つ又は複数である。コンピュータ化されたシステムは、第１のリスクスコア、第２のリスクスコア、及び第３のリスクスコアの平均を決定して、リスクスコアを決定する。コンピュータ化されたシステムは、第１のリスクスコア、第２のリスクスコア、及び第３のリスクスコアを、リスクスコアを決定するよう訓練された第１のニューラルネットワークに適用するように更に構成される。

[0035] 別の例では、患者のＥＣＧデータを分析するためのコンピュータ化されたシステムは、描画アルゴリズムを使用してＥＣＧデータを分析して少なくとも１つの波の存在の可能性を判定し、分類アルゴリズムを使用してＥＣＧデータを分析して、ＥＣＧデータに対応する複数の特徴マップを抽出する。コンピュータ化されたシステムは、複数の特徴マップを再帰ニューラルネットワークに適用し、再帰ニューラルネットワークを使用して複数の特徴マップを分析し、少なくとも部分的に、第１の拍動の直前に生じた第２の拍動を示す、複数の特徴マップのうちの１つの特徴マップに基づいて、第１の拍動に対応するシーケンスラベルを決定することを更に行なう。シーケンスラベルは、異所性、上室性、又はＰＶＣのうちの１つである。

[0036] 別の例では、患者のＥＣＧデータを分析するためのコンピュータ化されたシステムは、描画アルゴリズムを使用してＥＣＧデータを分析して少なくとも１つの波の存在の可能性を示す波形情報を決定し、ベースライン分類アルゴリズムを使用してＥＣＧデータ及び波形情報を分析する。コンピュータ化されたシステムは、ベースライン分類アルゴリズムを使用して、少なくとも１つの心イベントの存在を示す第１の値を更に決定し、ベースライン分類アルゴリズムと比較して感度を低下させた鈍化分類アルゴリズムを使用してＥＣＧデータ及び波形情報を分析する。加えて、コンピュータ化されたシステムは、鈍化分類アルゴリズムを使用して第２の値を決定し、ベースライン分類アルゴリズムと比較して感度を高めた敏感分類アルゴリズムを使用してＥＣＧデータ及び波形情報を分析し、敏感分類アルゴリズムを使用して第３の値を決定し、少なくとも１つの心イベントの存在を示す第２及び第３の値に基づいて、ベースライン分類が確かであるかどうかを判定する。コンピュータ化されたシステムは、少なくとも１つの心イベントの存在に対応するレポートを更に自動的に生成する。

[0037] 別の例では、患者のＥＣＧデータを分析するためのコンピュータ化されたシステムは、ＥＣＧデータを、ＥＣＧデータのデータベースから、コンピュータ化されたシステムにアップロードし、ＥＣＧデータのプロファイルを割振り、所定のラベルをＥＣＧデータに関連付けるために命令を決定し、所定のラベルをＥＣＧデータに関連付けられるプロファイルに割振り、命令を決定して、所定のラベルに基づいて複数のＥＣＧプロファイルをフィルタリングし、複数のプロファイルは、プロファイルを含む。コンピュータ化されたシステムは、ＥＣＧデータを更に分析して心イベントの存在を決定し、第２のラベルをＥＣＧデータに関連付けられるプロファイルに割振り、第２のラベルは心イベントの存在に基づいている。

[0038] 別の例では、患者のＥＣＧデータを分析するためのコンピュータ化されたシステムは、第１の誘導に対応する第１のＥＣＧデータと第２の誘導に対応する第２のＥＣＧデータとを含む、複数のＥＣＧデータを決定し、ＥＣＧインターフェースに、第１のＥＣＧデータの少なくとも一部の第１の図表現を表示させ、命令を決定して、第１の図表現に加えて第２のＥＣＧデータの少なくとも一部の第２の図表現を表示し、ＥＣＧインターフェースに、第１の図表示と同期させて第２の図表示を、同時に表示させる。コンピュータ化されたシステムは、第３の誘導に対応する第３のＥＣＧデータを更に決定し、複数のＥＣＧデータは、第３のＥＣＧデータを更に含み、命令を決定して、第３のＥＣＧデータ及び第２のＥＣＧデータの少なくとも一部の第３の図表現を表示し、ＥＣＧインターフェースに、第２の図表現と同期させて第３の図表現を、同時に表示させる。

[0039] 別の例では、患者のＥＣＧデータを分析するためのコンピュータ化されたシステムは、描画アルゴリズムを使用してＥＣＧデータを分析して少なくとも１つの波の存在の可能性を示す第１の情報を決定し、複数の分類ニューラルネットワークを使用してＥＣＧデータ及び第１の情報を分析する。複数の分類ニューラルネットワークのそれぞれは、その分類ニューラルネットワークに一意な重み付けされた値を利用する。コンピュータ化されたシステムは、複数の分類ニューラルネットワークを使用して複数の出力を更に決定する。複数の出力のそれぞれの出力は、複数の分類ニューラルネットワークの１つの分類ニューラルネットワークに対応する。コンピュータ化されたシステムは、コンバイナを使用して複数の出力を更に分析して、心房細動の確率、及び心房細動の確率の精度を示す信頼度スコアを決定する。コンバイナは、複数の出力を平均することによって、平均値を決定する。代替的に、コンバイナは、複数の出力の最小値を決定する。別の例では、コンバイナは、複数の出力の最大値を決定する。

[0040] 別の例では、患者のＥＣＧデータを分析するためのコンピュータ化されたシステムは、描画アルゴリズムを使用してＥＣＧデータを分析して少なくとも１つの波の存在の可能性を示す第１の情報を決定し、入力変形器を使用してＥＣＧデータ及び第１の情報を分析してＥＣＧデータを修正し、複数の入力を生成し、分類ニューラルネットワークを使用して複数の入力を分析する。更には、コンピュータ化されたシステムは、分類ニューラルネットワークを使用して複数の出力を決定する。複数の出力のそれぞれの出力は、複数の入力の１つの入力に対応する。更には、コンピュータ化されたシステムは、コンバイナを使用して複数の出力を分析して、心房細動の確率、及び心房細動の確率の精度を示す信頼度スコアを決定する。コンバイナは、複数の出力を平均することによって、平均値を決定する。コンバイナは、複数の出力の最小値を決定する。コンバイナは、複数の出力の最大値を決定する。入力変形器は、ｆｌｏａｔ値を使用してＥＣＧデータを増幅するために、増幅変形を実行する。入力変形器は、ＥＣＧデータを時間的にワーピングするために、伸張変形を実行する。

[0041] 上述の要約は、単に例示的であり、どのようにも限定的であるよう意図されていない。上述の例示的な態様、実施形態、及び特徴に加え、以降の図面及び詳細な実施形態を参照することにより、更なる態様、実施形態、及び特徴が明らかとなろう。

[0042] 標準１２誘導安静時ＥＣＧの記録である。 [0042] 例示的なＰ波、ＱＲＳ波群、及びＴ波の記録である。 [0043] 本開示の態様による、システム及び方法を実行するための例示的なコンポーネントの図である。 [0044] 例示的なシステムデバイスの例示的なハードウェアコンポーネント及びソフトウェアコンポーネントの概略図である。 [0045] ＥＣＧデータを処理し、ＥＣＧデータを表示し、及びＥＣＧデータを含むレポートを生成する、例示的な方法のフローチャートである。 [0046] 例示的なＥＣＧ信号を表現する線グラフである。 [0046] 分析された各波タイプについて第１のニューラルネットワークの例示的な出力を表現する線グラフである。 [0047] 畳み込みニューラルネットワークの形態での、分類ニューラルネットワークの例示的な表現である。 [0047] 再帰ニューラルネットワークの形態での、分類ニューラルネットワークの例示的な表現である。 [0048] 可変数の誘導エントリ及び一定数の出力の例示的な表現である。 [0049] 最近の開示の態様により生成されたＲＲプロットを有する、例示的なユーザインターフェースである。 [0050] 図８に示されるＲＲプロットの拡大図である。 [0051] 本開示の態様により生成された心拍数密度プロットを有する、例示的なユーザインターフェースである。 [0052] 心拍数密度プロットを生成するための例示的な手法を図示するフローチャートである。 [0053] 本開示の態様により生成された例示的な心拍数密度プロットである。 [0054] ＥＣＧデータを処理し、シーケンス識別を実行し、ＥＣＧデータを表示し、及びＥＣＧデータを含むレポートを生成する、例示的な方法のフローチャートである。 [0055] 分類ニューラルネットワークを適用すること、及びシーケンスアナライザによる分析のための特徴マップを抽出するためのプロセスの、例示的な表現である。 [0056] ＥＣＧデータを分析すること、並びに異常及び／又は状態の存在の可能性の確かさ及び／又は信頼度を決定することのための、例示的な方法の図である。 [0057] ＥＣＧデータを分析すること、及び無症候性心房細動の存在を判定するための例示のプロセスである。 [0058] ラベルをＥＣＧデータに適用するプロセスの例示的な表現である。 [0059] ラベル及び他の情報をＥＣＧデータに割振るための、ユーザインターフェースの図である。 [0060] 複数の誘導からＥＣＧデータを選択して表示するためのユーザインターフェースの図である。 [0061] 心房細動のリスクスコアを決定するための例示のプロセスの図である。 [0062] 心拍数－時間行列の例示的な図表現である。

[0063] 本発明の前述の特徴及び他の特徴は、添付の図面と併せて、以下の説明及び添付の特許請求の範囲から明らかとなろう。これらの図面は、本開示による、いくつかの実施形態を描いているにすぎず、したがって本開示の範囲を限定するように考えられてはならないことを理解されたい。本開示は、添付の図面を使用することにより、更なる具体性と詳細を用いて説明される。

[0064] 本発明は、医用グレードの人工知能を有し、システムデバイス上で実行されるＥＣＧアプリケーションとサーバ上で実行されるＥＣＧプラットフォームとを伴う心電図（ＥＣＧ）処理システムを対象とする。ＥＣＧアプリケーション及びＥＣＧプラットフォームは、機械学習アルゴリズムを使用してＥＣＧデータを処理及び分析して、不整脈及び／又は心房細動（ＡＦｉｂ）を含む異常性などの心イベントを検出及び／又は予測するＥＣＧ処理システムを実装する。システムは、心信号の描画、並びに様々な異常、状態、及び記述子の分類を実現する。サーバは、システムデバイスとは異なる場所に配置することができ、サーバ同士は、互いに物理的に同じ場所に配置する必要はない（例えば、サーバは遠隔サーバであってもよい）。代替的に、サーバ及びシステムデバイスは、同じ一般的なエリア（例えば、ローカルエリアネットワーク（ＬＡＮ）上）に配置してもよい。ＥＣＧプラットフォームは、ＥＣＧデータをクラウドで処理及び分析することによってＥＣＧ処理システムを実装する、クラウドベースのＥＣＧプラットフォームであってもよい。

[0065] ＥＣＧ処理システムを実装するために、システムデバイス上で実行中のＥＣＧアプリケーションは、感知デバイスからＥＣＧデータ（つまり、心信号）を受信し、ＥＣＧデータを、サーバで実行中のＥＣＧプラットフォームに送信する。ＥＣＧプラットフォームは、第１及び第２のニューラルネットワークを実行し、ＥＣＧデータを第１及び第２のニューラルネットワークに適用する。第１のニューラルネットワークは、機械学習の機能性を有する描画ニューラルネットワークである。第２のニューラルネットワークは、機械学習の機能性を有する分類ニューラルネットワークである。第１及び／又は第２のニューラルネットワークの出力は、ＥＣＧプラットフォームによって処理されて、ＥＣＧデータの描画と分類とを実現する。ＥＣＧデータ及び／又はＥＣＧプラットフォームによって生成されるデータは、ＥＣＧプラットフォームからＥＣＧアプリケーションに通信される。ＥＣＧアプリケーションは、ＥＣＧデータ及び／又はＥＣＧプラットフォームによって生成されるデータを、対話的な様式で表示させる。ＥＣＧプラットフォームは、ＥＣＧデータ及び／又はＥＣＧプラットフォームによって生成されるデータを含むレポートを生成し、レポートをＥＣＧアプリケーションに通信する。

[0066] 次に図２を参照すると、心電図（ＥＣＧ）処理システム１０を実行するための例示的なコンポーネントが図示される。図２は、ＥＣＧ感知デバイス１３、システムデバイス１４、サーバ１５、及びドライブ１６を示す。

[0067] ＥＣＧ感知デバイス１３は、ＥＣＧデータを生成する、心臓の電気的な活動を感知するように設計される。例えば、感知デバイス１３は、１つ又は複数の誘導に配置される１つ又は複数の電極である。ＥＣＧ感知デバイス１３は、従来型の１２誘導配置構成などのＥＣＧ専用の感知デバイスであってもよいし、ＥＣＧ生成用に心臓の電気的な活動を感知するための感知ハードウェアを伴う多目的のデバイス、例えばカリフォルニア州クパチーノ市Ａｐｐｌｅ社から市販されているＡｐｐｌｅ Ｗａｔｃｈなどであってもよい。感知デバイス１３は、患者の胸部及び／又は患者の手足の表面に配置する。感知デバイス１３は、感知デバイス１３によって感知された電気信号がＥＣＧアプリケーション２９によって受信されるように、ＥＣＧアプリケーション２９を実行中のシステムデバイス１４と電気的に通信する。ＥＣＧアプリケーション２９は、感知デバイス１３にＥＣＧデータを感知又は取得させる命令を含む。

[0068] システムデバイス１４は、図３Ａを参照して後述するコンポーネント及び本明細書で説明される機能性を有する１つ又は複数のコンピューティングデバイス（例えば、ラップトップ、デスクトップ、タブレット、スマートフォン、スマートウォッチなど）であることが好ましい。ＥＣＧアプリケーション２９を実行中のシステムデバイス１４は、よく知られた有線又は無線接続を介して、ＥＣＧプラットフォーム３７を実行中のサーバ１５に接続する。例えば、システムデバイス１４は、よく知られた技術（例えば、ＷｉＦｉ、セルラ、ケーブル／同軸、及び／又はＤＳＬ）を使用して、インターネットに接続し、インターネット上でサーバ１５と通信する。

[0069] サーバ１５は、図３Ｂを参照して以下で説明されるコンポーネント及び本明細書で説明される機能性を有する１つ又は複数のサーバであることが好ましい。サーバ１５は、１秒当たり少なくとも２０サンプル、１秒当たり少なくとも２５０サンプル、又は１秒当たり少なくとも１０００サンプルなど、所定のしきい値より高いサンプリングレートを有する心信号をサーバ１５が処理及び分析することができるように、システムデバイス１４を上回る処理能力を有することが好ましい。当業者であれば容易に分かるように、サーバ１５は、共通の物理的な場所に、又は異なる物理的な場所に配置される、複数のサーバを含む。好ましい実施形態では、サーバ１５は、システムデバイス１４とは異なる遠隔の場所（例えば、クラウド上）に配置されるが、サーバ１５とシステムデバイス１４とは、共通の場所（例えば、ローカルエリアネットワーク（ＬＡＮ）上）に配置されてもよい。

[0070] サーバ１５は、任意選択で、特定の患者、専門家、施設及び／又はデバイスに特有のデジタル情報を記憶するために特化したメモリを有する１つ又は複数のドライブである、ドライブ１６と通信する。例えば、ドライブ１６は、揮発性（例えば、ランダムアクセスメモリ（ＲＡＭ））、非揮発性（例えば、読み取り専用メモリ（ＲＯＭ））、フラッシュメモリ、又はそれらのあらゆる組合せであってもよいが、それらに限定されない。ドライブ１６は、サーバ１５に組み込まれてもよいし、サーバ１５とは別個で異なっていてもよく、よく知られた無線又は有線接続を介してサーバ１５と通信する。

[0071] ＥＣＧ処理システム１０及び／又は本出願を通じて説明されるあらゆる他のＥＣＧ処理システムの態様は、ＷＯ２０２０１６１６０５Ａ１で説明されるＥＣＧ処理システムと同一であるか類似しており、ＷＯ２０２０１６１６０５Ａ１は、２０２０年２月３日に提出されたＰＣＴ／ＩＢ２０２０／０５０８５０の公開出願（米国特許出願第１７／３９０，７１４号に対応する）であり、Ｌｉへの米国特許第１０，９５９，６６０号に対する優先権を主張するものであり、それらのそれぞれの内容全体が参照により本明細書に組み込まれる。

[0072] 次に図３Ａ～図３Ｂを参照すると、システムデバイス１４及びサーバ１５のハードウェアコンポーネント及びソフトウェアコンポーネントを表現する例示的な機能ブロックが示される。次に図３Ａを参照すると、システムデバイス１４のハードウェアコンポーネント及びソフトウェアコンポーネントは、１つ又は複数の処理ユニット２１、メモリ２２、記憶装置２７、通信ユニット２３、電源２４、入力デバイス２５、及び出力デバイス２６を含む。

[0073] 処理ユニット３１は、連携オペレーティングシステム２８及びＥＣＧアプリケーション２９を実行し、本明細書で説明されるシステムデバイス１４のタスク及び動作を実行するように構成される１つ又は複数のプロセッサである。メモリ２２は、揮発性（例えば、ランダムアクセスメモリ（ＲＡＭ））、非揮発性（例えば、読み取り専用メモリ（ＲＯＭ））、フラッシュメモリ又はそれらのあらゆる組合せであってもよいが、それらに限定されない。通信ユニット２３は、限定はしないが感知デバイス１３及びサーバ１５を含むＥＣＧ処理システム１０内の他のコンポーネントから、及びコンポーネントに、情報を受信及び／又は送信する。通信ユニット２３は、いずれかのＩＥＥＥ８０２標準などのあらゆるよく知られた規格を含む、あらゆるよく知られた有線又は無線接続で通信を促進する、あらゆるよく知られた通信インフラストラクチャである。電源２４は、バッテリーであってもよいし、システムデバイス１４をコンセント又はあらゆる他の外部電源に接続してもよい。記憶装置２７は、例えば磁気ディスク、光学ディスク、又はテープなどのリムーバブル及び／又は非リムーバブルの記憶装置であってもよいが、それらに限定されない。

[0074] 入力デバイス２５は、システムデバイス１４に結合されるか組み込まれる、システムデバイス１４にデータを入力するための１つ又は複数のデバイスである。入力デバイス２５は、キーボード、マウス、ペン、サウンド入力デバイス（例えば、マイクロフォン）、タッチ入力デバイス（例えば、タッチパッド又はタッチスクリーン）、場所センサ、及び／又はカメラなどを更に含む。出力デバイス２６は、システムデバイス１４に結合されるか組み込まれ、データを出力するか、そうでなければ表示するためのあらゆるデバイスであり、少なくともディスプレイ１７を含む。出力デバイス２６は、例えばスピーカ及び／又はプリンタを更に含む。

[0075] ＥＣＧアプリケーション２９は、記憶装置２７に記憶され、処理ユニット２１で実行される。ＥＣＧアプリケーション２９は、感知デバイス１３及びサーバ１５との情報のやり取りを促進することを含め、本明細書で説明されるシステムデバイス１４の動作を実行するために好適な、１つ又は複数の命令のセットを有するソフトウェアアプリケーション及び／又はソフトウェアモジュールである。例えば、ＥＣＧアプリケーション２９は、システムデバイス１４に、感知デバイス１３からＥＣＧデータを受信すること、感知デバイス１３からのＥＣＧデータを記録すること、ＥＣＧデータをサーバ１５に通信すること、ＥＣＧデータを処理及び分析するようサーバ１５に命令すること、処理及び／又は分析されたＥＣＧデータをサーバ１５から受信すること、レポート生成に関するユーザ入力をサーバに通信する通信すること、並びに、生の分析及び／又は処理されたＥＣＧデータ及びそれに関するデータを表示するために好適なグラフィックユーザインターフェースを生成することを行わせる。

[0076] オペレーティングシステム２８は、記憶装置２７に記憶され、処理ユニット２１で実行される。オペレーティングシステム２８は、システムデバイス１４の全般的な動作を制御するために好適であり、ＥＣＧアプリケーション２９と協調的に動作して本明細書で説明されるシステムデバイス１４の機能性を実現する。システムデバイス１４はまた、グラフィックライブラリ、他のオペレーティングシステム、及び／又はあらゆる他のアプリケーションプログラムを、任意選択で実行する。もちろん、システムデバイス１４は、図３Ａで図示されるようなコンポーネントよりも多くの、又はそれよりも少ないコンポーネントを含むこと、またそれぞれのタイプのコンポーネントを複数含むことを理解されたい。

[0077] 次に図３Ｂを参照すると、サーバ１５のハードウェアコンポーネント及びソフトウェアコンポーネントは、１つ又は複数の処理ユニット３１、メモリ３２、記憶装置３５、電源３３、及び通信ユニット３４を含む。処理ユニット３１は、オペレーティングシステム３６及びＥＣＧプラットフォーム３７を実行し、本明細書で説明されるサーバ１５のタスク及び動作を実行するように構成される１つ又は複数のプロセッサである。処理ユニット３１に割振られるデータ及び処理タスクのボリュームを考えると、処理ユニット３１は、処理ユニット２１と比較して、それを上回る処理能力を有することを理解されたい。

[0078] メモリ３２は、揮発性（例えば、ランダムアクセスメモリ（ＲＡＭ））、非揮発性（例えば、読み取り専用メモリ（ＲＯＭ））、フラッシュメモリ又はそれらのあらゆる組合せであってもよいが、それらに限定されない。記憶装置３５は、例えば磁気ディスク、光学ディスク、又はテープなどのリムーバブル及び／又は非リムーバブルの記憶装置であってもよいが、それらに限定されない。通信ユニット３４は、限定はしないがシステムデバイス１４及び／又はドライブ１６を含むＥＣＧ処理システム１０の他のコンポーネントから、及びコンポーネントに、情報を受信及び／又は送信する。通信ユニット３４は、あらゆるよく知られた有線又は無線接続上で通信を促進する、あらゆるよく知られた通信インフラストラクチャである。電源３３は、バッテリーであってもよいし、サーバ１５をコンセント又は他の外部電源に接続してもよい。

[0079] オペレーティングシステム３６及びＥＣＧプラットフォーム３７は、記憶装置３５に記憶され、処理ユニット３１で実行される。オペレーティングシステム３６は、サーバ１５の全般的な動作を制御するために好適である。ＥＣＧプラットフォーム３７は、１つ又は複数の命令のセットを有するソフトウェアアプリケーション及び／又はソフトウェアモジュールである。ＥＣＧプラットフォーム３７は、システムデバイス１４から受信したＥＣＧデータの処理と分析、レポート生成を促進及び監視し、それ以外では本明細書で説明されるサーバ１５の動作を実行するために好適である。

[0080] ＥＣＧプラットフォーム３７は、限定はしないが、プリプロセッサ３８、描画器３９、分類器４１、埋め込み器４８とグルーパ４９とを含むクラスタラ４２、ポストプロセッサ４３、レポート生成器４４、再計算機４０及び／又はシーケンスアナライザ５０を含む、いくつかのサブモジュール及び／又はアプリケーションを含む場合がある。それぞれのサブモジュール及び／又はアプリケーションは、１つ又は複数の命令のセットを有する別個のソフトウェアアプリケーション及び／又はソフトウェアモジュールである。プリプロセッサ３８は、生のＥＣＧデータを前処理し、描画器３９は描画を実現するよう第１のニューラルネットワークを実行し、分類器４１は、分類を実現するよう第２のニューラルネットワークを実行し、クラスタラ４２は第１のニューラルネットワークによって処理されたデータ中のクラスタを識別し、ポストプロセッサ４３は、第２のニューラルネットワークによって処理されたデータを後処理し、埋め込み器４８は、埋め込みを実現するよう１つ又は複数のアルゴリズム及び／又は第３のニューラルネットワークを実行し、グルーパ４９はクラスタグループを生成するよう１つ若しくは複数のアルゴリズム及び／又は第４のニューラルネットワークを実行し、レポート生成器４４は、生のＥＣＧデータ及びＥＣＧプラットフォーム３７によって処理されたＥＣＧデータに基づいてレポートを生成し、再計算機４０はユーザ入力データに基づいて埋め込み器４８及び／又はグルーパ４９を再計算及び／又は調節する。例えば、再計算機４０は、補正された波形情報に基づいて症状発現を再計算する。シーケンスアナライザ５０は、再帰ニューラルネットワークであり得る１つ若しくは複数のアルゴリズム及び／又は第３のニューラルネットワークである。シーケンスアナライザ５０は、特徴マップを分析して１つ又は複数のシーケンスラベルを決定し、それによって以下で説明するようにシーケンス識別を実現する。ＥＣＧプラットフォーム３７はまた、システムデバイス１４から要求を受信してＥＣＧデータを処理及び／若しくは分析すること、処理及び／若しくは分析されたＥＣＧデータをシステムデバイス１４に通信すること、要求を受信してレポートを生成すること、ユーザ対話及び／若しくは命令をシステムデバイス１４に要求すること及び／若しくはシステムデバイス１４から受信すること、レポート生成に関してユーザ入力データ及び／若しくは命令情報をシステムデバイス１４から受信すること、並びに／又はレポートをシステムデバイス１４に通信することを含むが、それらに限定されない、様々な他の機能を実行する。

[0081] サーバ１５はまた、グラフィックライブラリ、他のオペレーティングシステム、及び／又はあらゆる他のアプリケーションプログラムを、任意選択で実行する。もちろん、サーバ１５は、図３Ｂで図示されるようなコンポーネントよりも多くの、又はそれよりも少ないコンポーネントを含むこと、またそれぞれのタイプのコンポーネントを複数含むことを理解されたい。

[0082] 図４は、ＥＣＧデータを受信して記録することと、ＥＣＧデータを処理して分析することと、ＥＣＧデータを含むレポートを生成することとのために、ＥＣＧ処理システム１０を実装するための例示のプロセスを図示しており、ＥＣＧ処理システム１０のフロントエンド４５とバックエンド４６との間の情報のフローを更に示す。これらは、例えば、米国特許第１０，９５９，６６０号、米国特許第１０，７７９，７４４号、及び米国特許第１０，４２６，３６４号で説明される通りであり、その内容全体が参照により本明細書に組み込まれる。フロントエンド４５は、システムデバイス１４で実行する少なくともＥＣＧアプリケーション２９を含む。バックエンド４６は、サーバ１５で実行する少なくともＥＣＧプラットフォーム３７を含む。

[0083] 図４に示されるように、ステップ５１では、ＥＣＧアプリケーション２９は、システムデバイス１４に、感知デバイス１３から生のＥＣＧデータ５２を受信及び／又は取得させる。例えば、ＥＣＧアプリケーション２９は、感知デバイス１３に心信号を感知させ、感知デバイス１３によって感知された心信号をシステムデバイス１４に通信する。生のＥＣＧデータは、感知デバイス１３によって感知された心信号である。生のＥＣＧデータ５２は、ＥＣＧ処理システム１０によって処理又は分析されていない。生のＥＣＧデータ５２は、複数回の心拍に渡って１心拍数当たり複数回サンプリングされたデータを含むことが好ましい。感知デバイス１３がアナログの心信号をデジタル信号に変換してもよいし、図２には示されていない別のコンポーネントがアナログの心信号をデジタル信号に変換してもよいし、ＥＣＧアプリケーション２９がシステムデバイス１４にアナログの心信号をデジタル信号に変換させてもよいことを理解されたい。本明細書では、アナログ及びデジタルの両方の形態の生のＥＣＧデータを、生のＥＣＧデータ５２と称する。

[0084] ＥＣＧアプリケーション２９は、生のＥＣＧデータ５２を受信すると、システムデバイス１４に生のＥＣＧデータ５２を記録させ、任意選択で、生のＥＣＧデータ５２の一部又はすべてをシステムデバイス１４に保存する。上で説明したように、信号は１つ又は複数の誘導に対応する。複数の誘導が使用される場合、すべての誘導が同時に処理される。各誘導によって生成される心信号は、異なる長さを有することを理解されたい。心信号は、短時間（例えば、標準的なＥＣＧで１０秒）である場合もあるし、長時間（ホルタで数日間）である場合もあることを、更に理解されたい。システムデバイス１４は、任意選択で、生のＥＣＧデータ５２又はその一部をディスプレイ１７に表示する。

[0085] 図４に示されるように、生のＥＣＧデータ５２は、フロントエンド４５からバックエンド４６に送信される。具体的には、ＥＣＧアプリケーション２９によって、システムデバイス１４は、生のＥＣＧデータ５２をサーバ１５で実行中のＥＣＧプラットフォーム３７に通信する。ＥＣＧプラットフォーム３７は、生のＥＣＧデータ５２を受信すると、サーバ１５に、生のＥＣＧデータ５２の一部又はすべてをサーバ１５に保存させる。更には、生のＥＣＧデータ５２を受信した後、ＥＣＧプラットフォーム３７は、ステップ５４において、プリプロセッサ３８に生のＥＣＧデータ５２を前処理させる。プリプロセッサ３８は、ＥＣＧプラットフォーム３７のスタンドアロンのコンポーネントであってもよいし、描画器３９のサブコンポーネントであってもよいことを理解されたい。

[0086] プリプロセッサ３８は、ノイズなどの心信号の邪魔な要素を生のＥＣＧデータから除去することによって、生のＥＣＧデータ５２又はその一部を処理する。ノイズのフィルタリングには、多変関数データ分析手法が使用される（Ｐｉｇｏｌｉ及びＳａｎｇａｌｌｉ、Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｔａｔｉｓｔｉｃｓ ａｎｄ Ｄａｔａ Ａｎａｌｙｓｉｓ、５６巻、２０１２年、１４８２～１４９８ページ）。感知デバイス１３によって感知される信号は、患者の動きによって変動するため、生のＥＣＧデータ５２のベースライン周波数がプリプロセッサ３８によって除去され、心信号は選択された周波数で表現される。患者の動きに相当する信号の周波数は、メジアンフィルタリングを使用して除去される（Ｋａｕｒら、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ発行のＰｒｏｃｅｅｄｉｎｇｓ、２０１１年、３０～３６ページ）。生のＥＣＧデータ５２をプリプロセッサ３８に適用することで、前処理済ＥＣＧデータ５５が生成される。この時点で、ＥＣＧプラットフォーム３７によって、前処理済ＥＣＧデータ５５は、ディスプレイ１７での表示のために、任意選択で、システムデバイス１４で実行中のＥＣＧアプリケーション２９に通信される。代替的に又は追加的に、ＥＣＧプラットフォーム３７によって、前処理済ＥＣＧデータ５５は、分類ステップ５８において入力として使用される。これは詳細に考察される。

[0087] ステップ５６では、ＥＣＧプラットフォーム３７によって、前処理済ＥＣＧデータ５５は、描画のために描画器３９に適用される。描画器３９は、描画ニューラルネットワークである第１のニューラルネットワークを、前処理済ＥＣＧデータ５５に適用する。ニューラルネットワークとは、オブジェクト（例えば、行列又はベクトル）を入力として、レイヤと呼ばれる線形及び非線形の演算のセットを通じて別のオブジェクトを出力として作り出す、数学的な構造又はアルゴリズムを指す。例えば、第１のニューラルネットワークの入力は、ノイズ及び／又はベースラインの遊走を除去するよう前処理された、１つ又は複数の多誘導心信号である。

[0088] 前処理済ＥＣＧデータ５５を第１のニューラルネットワークに適用するために、描画器３９によって、生のＥＣＧデータ５２の一部又はすべては、行列Ｘとして表現される。ただし、行列Ｘは、実数の行列である。例えば、行列Ｘは、以下でより詳細に説明する、ネットワークを訓練するために使用される周波数における、大きさがｍ×ｎの行列である。定数「ｍ」は、感知デバイス１３の誘導の数であり、典型的には１２であるが、あらゆる数の誘導が使用される。この例では、サンプルの数「ｎ」は、心信号の持続期間「ｎ／ｆ」を与え、ここでｆは心信号のサンプリング周波数である。サンプリングレートは、所定のレートより高く、１秒当たり少なくとも２０、少なくとも２５０、少なくとも５００、又は少なくとも１０００サンプルなど、比較的高いことが好ましい。一実施形態において、サンプリングされたＥＣＧデータのすべては、処理アルゴリズムへの入力のために、ＥＣＧデータをフィルタリングすることなくサーバに転送される。第１のニューラルネットワークに適用されるＥＣＧデータは前処理済ＥＣＧデータ５５であることが好ましいが、前処理されない心信号（つまり、生のＥＣＧデータ５２又はその一部）が第１のニューラルネットワークに適用されてもよいことを理解されたい。

[0089] 第１のニューラルネットワークは、出力として、心信号において複数の時間ポイントにおける１つ又は複数の波の存在の可能性に対応する値を与える。時間ポイントは、生のＥＣＧデータによって定められてもよいし、システムデバイス１４のユーザによって選択されてもよいし、予めプログラムされていてもよい。第１のニューラルネットワークは、畳み込みニューラルネットワークであり、完全畳み込みニューラルネットワークであることが好ましい。畳み込みニューラルネットワークは、学習される１つ又は複数の行列が入力要素の全線形結合をエンコードするのではなく、畳み込みを通じて心信号などの構造化された信号のすべての要素において同一の局所線形結合をエンコードする（Ｆｕｋｕｓｈｉｍａ、Ｂｉｏｌ．Ｃｙｂｅｒｎｅｔｉｃｓ、３６巻、１９８０年、１９３～２０２ページ、ＬｅＣｕｎら、Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ、１巻、１９８９年、５４１～５５１ページ）、特定のタイプのニューラルネットワークである。畳み込みネットワークのみを含むネットワークを、完全畳み込みニューラルネットワークと呼ぶ。

[0090] したがって、ステップ５６では、描画器３９によって、第１のニューラルネットワークは、心信号の各時間ポイントを読み取り、心信号の各時間ポイントを空間－時間的に分析し、１つ又は複数のタイプの波に対応する各時間ポイントにスコアを割振る。このやり方で、心信号中のすべてのタイプの波が分析され、各時間ポイントにおいて、それらの存在の可能性が単一ステップで定量化される。したがって、描画器３９によって生成される各スコアは、心信号の所与の時間ポイントにおける、特定の波タイプの存在の可能性を示す。波タイプは、例えば、Ｐ波、Ｑ波、Ｒ波、Ｓ波、複数のＱ波、複数のＲ波、複数のＳ波、ＱＲＳ波群、及び／又は複数のＴ波などの、あらゆるよく知られた波タイプである。このやり方で、描画器３９は、複数の心拍に渡って、１心拍当たり複数回サンプリングされたデータを処理する。

[0091] 第１のニューラルネットワークの出力は、行列Ｙである。ただし、行列Ｙは、実数の行列である。例えば、行列Ｙは、大きさがｐ×ｎの行列である。行列Ｙは、心信号の各時間ポイントにおいて、波のタイプごとのスコアを含む。行列Ｙでは、「ｎ」は行列Ｘに関して上で考察したようなサンプル数であり、「ｐ」は波タイプの数に波の特徴付けの数を加えたものである。以下で更に詳細に説明するが、波の特徴付けは、例えば、心信号における伝導性、期外性、異所性、及び／又は波の発生源に相当する。一例では、波タイプには（１）Ｐ波、（２）ＱＲＳ波群、及び（３）Ｔ波があり、波の特徴付けには（１）期外波、（２）ペーシング波、（３）心室性ＱＲＳ波群、（４）接合部ＱＲＳ波群、（５）異所性Ｐ波、及び（６）非伝導性Ｐ波がある。したがって、この例では、ｐ＝３＋６＝９となる。各波タイプは、開始ポイント及び終了ポイント（つまり、発生及び消失）など、その波の特定の特性にしたがって表現される。

[0092] 次に、図５Ａ及び図５Ｂを参照すると、第１のニューラルネットワークの例示的な出力が、複数のタイプの波に対応する、各時間ポイントにおけるスコアを生成する値を図示するために、各波タイプについてグラフ化されている。具体的には、図５Ａは、描画ニューラルネットワークが正常な（異常性がない）心信号を処理した場合の例示的な出力を図示しており、図５Ｂは、描画ニューラルネットワークが、例えば房室伝導ブロックによる「隠れ」Ｐ波を有する心信号を処理した場合の例示的な出力を図示している。

[0093] 次に図５Ａを参照すると、４つの線グラフが図示されており、それぞれのグラフはｘ軸に時間を示す。線グラフ７１は、複数の拍動に渡る心信号を表現している。プロットされた信号は、Ｐ波（ポイント７５）、ＱＲＳ波群（ポイント７６）、及びＴ波（ポイント７７）を有する、よく知られたＥＣＧ波形を反映している。線グラフ７２は、心信号における同一時間ポイントでのＰ波スコアのグラフである。同様に、線グラフ７３と線グラフ７４は、同一時間ポイントでのそれぞれのＱＲＳスコアとＴ波スコアのグラフである。各線グラフ７２～７４のｙ軸は、各時間ポイントに割振られた、範囲０～１のスコアである。０は特定の波の存在の可能性が低いことを示し、１は特定の波の存在の可能性が高いことを示している。例えば、線グラフ７２は、ポイント７５近くの時間ポイントに対応するスコア７８において、Ｐ波の存在の可能性が非常に高いことを示しており、線グラフ７３は、ポイント７６近くの時間ポイントに対応するスコア７９において、ＱＲＳ波群の存在の可能性が非常に高いことを示しており、線グラフ７４は、ポイント７７近くの時間ポイントに対応するスコア８０において、Ｔ波の存在の可能性が非常に高いことを示している。

[0094] 図５Ａ同様、図５Ｂは、グラフ７１～７４に類似した、４つの線グラフ、線グラフ８１～８２を図示している。具体的には、線グラフ８１はいくつかの拍動での心信号を表し、線グラフ８２はその心信号でのＰ波スコアを表し、線グラフ８３はその心信号でのＱＲＳスコアを表し、線グラフ８４はその心信号でのＴ波スコアを図示する。図５Ａとは異なり、線グラフ８１のＥＣＧ信号は、ポイント８５で示される隠れたＰ波のように、隠れたＰ波を含む。隠れたＰ波は、別の波又はＴ波のような波群の間に生じるＰ波である。描画ネットワークによって処理される心信号は、高いサンプリングレートを伴い、描画ネットワークは、各時間ポイントにおいて各波タイプについてのデータを生成するため、回復される出力は、隠れたＰ波の事例など、同時に生じる２つの波を識別するのに十分にロバストである。例えば、線グラフ８２は、ポイント８５近くの時間ポイントに対応するスコア８６において、Ｐ波の存在の可能性が非常に高いことを示している。したがって、描画ニューラルネットワークは、各時間ポイントにおいて１つの波だけを回復することに限定されず、そのためどの時間ポイントにおいてもいくつかの波を識別することができることを理解されたい。１つ又は複数のリードからの信号は、第１のニューラルネットワークによって同時に処理されることを更に理解されたい。

[0095] 各波タイプに対応する各時間ポイントに割振られたスコアを使用して（例えば、Ｐ波、ＱＲＳ波群、Ｔ波など）、描画器３９は、心信号を後処理する。後処理は、各時間ポイントに対して、１つ若しくは複数の波を割振ること又は波を１つも割振らないこと、識別された波のそれぞれの発生と消失とを計算すること、及び任意選択で波の特徴付けを決定することを含む。波は、ある特定の値が達成される場合、各時間ポイントに波が存在すると判定することによって、その時間ポイントに割振られる。各波の「発生」及び「消失」を計算することには、心信号における各波の始まり及び終わりの時間ポイントを計算することを伴い、始まりを「発生」と称し、終わりを「消失」と称する。これには、各波タイプについて最高値の始まりと終わりとに対応する時間ポイントを分析することが伴う。描画器３９は、期外性、伝導性、及び異所性を識別することによって波を特徴付ける。波の特徴付けは、各波の間及び／又は各拍動の間の、コンテキスト的な情報を活用する。例えば、特定の時間ポイントにおいて特定のしきい値が達成されると、又は複数の時間ポイントにかけてある平均値が達成されると、期外性のラベルが波に付けられる。

[0096] 心信号において、各波タイプの発生と消失とを計算した後、描画器３９は、グローバル測定値を計算する。グローバル測定値は、各波タイプの発生と消失とから導出され、波同士の間隔及び波持続時間など、心信号の特徴及び特性に関連する。例えば、グローバル測定には、ＰＲ時間、Ｐ波持続時間、ＱＲＳ波群持続時間、ＱＲＳ軸、ＱＴ時間、補正ＱＴ時間（Ｑｔｃ）、Ｔ波持続時間、ＪＴ時間、補正ＪＴ時間、心拍数、ＳＴ上昇、Ｓｏｋｏｌｏｖ ｉｎｄｅｘ、心室性期外収縮の回数、心房性期外収縮（ＰＡＣ）の回数、非伝導性Ｐ波の比率、及び／又はペーシング波の比率があるが、それらに限定されない。

[0097] 描画器３９は、描画器３９によって生成された情報のみからラベルを更に演繹する。例えば、以下のラベルは描画器３９によって演繹される：ＰＲ時間短縮（つまり、ＰＲ時間＜１２０ｍｓ）、Ｉ度ＡＶブロック（例えば、ＰＲ時間＞２００ｍｓ）、軸偏位、ＱＴｃ延長、ＱＴｃ短縮、幅の広い波群頻脈、及び／又は心室内伝導ブロック。描画器３９によって生成された情報のみから判定されたラベルは、描画ベースラベルと称される。

[0098] 再度図４を参照すると、ＥＣＧプラットフォーム３７によって、ステップ５６の出力（例えば、波形情報６２）、及び前処理済ＥＣＧデータ５５は、ステップ６３でのクラスタリングのために、クラスタラ４２に通信又は適用される。波形情報６２は、生成される発生及び消失並びに関連持続時間を含め、ＰＶＣ波及びＰＡＣ波に関するスコアを含む。クラスタラ４２は、波形情報６２を処理し、心信号の持続時間中のＰＡＣ波又はＰＡＶ波の間クラスタを識別する。識別してしまうと、クラスタラ４２は、クラスタラベル６４を１つ又は複数の時間ウィンドウに割振り、各時間ウィンドウについてＰＶＣか、それともＰＡＣか識別する。時間ウィンドウは、心信号における２つの時間ポイントによって定められる。

[0099] 再度図４を参照すると、ＥＣＧプラットフォーム３７によって更に、ステップ５６の出力（例えば、波形情報５７）及び前処理済ＥＣＧデータ５５は、ステップ５８での分類のために、分類器４１に通信又は適用される。ステップ５８における分類は、第２のニューラルネットワーク（つまり、分類ニューラルネットワーク）を前処理済ＥＣＧデータ５５に適用することを伴う。したがって、一例では、第２のニューラルネットワークの入力は、長さが可変で前処理された１つ又は複数の多誘導心信号である。分類器４１はまた、波形情報５７及び／又は患者の年齢若しくはあらゆる関連臨床情報を含む患者特有の情報など他の情報を処理する。上述したように、ステップ５６において描画が必要ない場合、ＥＣＧプラットフォーム３７によって、前処理済ＥＣＧデータ５５は、任意選択で分類器４１に直接通信され、分類器４１によって処理される。このやり方で、分類器４１は、複数の心拍に渡って、１心拍当たり複数回サンプリングされたデータを処理する。

[0100] 第２のニューラルネットワークは、心信号の各時間ポイントにおいて、１つ又は複数の異常性、状態、及び／又は記述子の存在の可能性に対応する値を有する出力を生成する。時間ポイント又は時間ウィンドウが特定の異常性、状態、及び／又は記述子に対応すると判定された場合、その異常性、状態、及び／又は記述子に対応するラベルは、その時間ポイント又はウィンドウに割振られる。一例では、１つ又は複数のラベル５９は、スコアが所定のしきい値を達成する場合、時間ポイント又は時間ウィンドウに割振られる。したがって、各時間ポイントにおいて複数の値を生成し、１つ又は複数のラベルを各時間ポイントに割振ることによって、多ラベルの局所化が、異常性、状態、及び／又は記述子について達成される。

[0101] 分類器４１は、分類ニューラルネットワークの出力を大きさがｑのベクトルとして回復する。ベクトル中の値は、各時間ポイント又は各時間ウィンドウにおける、各ラベルの存在に対応する。例えば、分類ニューラルネットワークの出力は、ベクトル［０．９８：０．８９；０．００］であり、ベクトルの要素ごとに「右脚ブロック」、「心房細動」、「正常ＥＣＧ」の対応ラベルを有する。スコアは０から１の間である。上のベクトルでは、しきい値０．５の場合、ラベル「右脚ブロック」及び「心房細動」が、分類器４１によって、そのスコアに対応する時間ポイント又は時間ウィンドウに割振られる。しきい値は、予めプログラムされていてもよいし、及び／又はユーザによって選択されてもよく、様々な程度の感度及び特異性を与えるように修正されてもよいことを理解されたい。各時間ポイントに１つ又は複数のラベルを割振ることによって、各ラベルに対応する発生及び消失が計算され、症状発現（例えば、異常性の症状発現）の持続時間を識別する。

[0102] 異常性及び状態には、心信号で識別可能なあらゆる生理学的な異常性又は状態が含まれる。現在では、約１５０の測定可能な異常性が、心信号の記録で識別される。異常性及び状態としては、洞房ブロック、麻痺又は停止、心房細動、心房粗動、心房性頻脈、接合部頻脈、上室性頻脈、洞性頻脈、心室性頻脈、ペースメーカ、心室性期外収縮、心房性期外収縮、Ｉ度房室ブロック（ＡＶＢ）、ＩＩ度ＡＶＢ Ｍｏｂｉｔｚ Ｉ、ＩＩ度ＡＶＢ Ｍｏｂｉｔｚ ＩＩ、ＩＩＩ度ＡＶＢ、ウォルフ・パーキンソン・ホワイト症候群、左脚ブロック、右脚ブロック、心室内伝導遅延、左室肥大、右室肥大、急性心筋梗塞、陳旧性心筋梗塞、虚血、高カリウム血症、低カリウム血症、ブルガダ症候群、及び／又はＱＴｃ延長を挙げることができるが、それらに限定されない。記述子は、「正常」又は「ノイズが多いＥＣＧ」など、心信号の説明的な性質を含む。

[0103] 分類器４１は、ステップ５８において、第２のニューラルネットワークを適用すると、心信号の各時間ポイント及び各グローバル測定値を読み取り、心信号の各時間ポイント及び各グローバル測定値を分析し、少なくとも２つの時間ポイントを集約することによって時間ウィンドウを計算し、各時間ウィンドウについてのスコアを計算する。スコアは、複数の非排他的なラベルに対応する。

[0104] 分類ニューラルネットワークは、畳み込みニューラルネットワーク又は再帰ニューラルネットワークである。次に図６Ａを参照すると、畳み込みニューラルネットワークの形態の分類ニューラルネットワークがＥＣＧ信号に適用されて、図示されている。ほとんどの畳み込みニューラルネットワークは、分類を与えるために、いくつかの畳み込み層を実行し、次いで標準層を実行する。ＥＣＧ信号は、ネットワークへの入力として与えられ、ネットワークは、情報を局所的に集約して、ＥＣＧの高次多ラベル分類を作り出すよう、層ごとに結合する。各ラベルには、スコアが与えられる。図６に示される畳み込みニューラルネットワークのラベルは、心房細動（ＡＦＩＢ）、右脚ブロック（ＲＢＢＢ）、及び心室性期外収縮（ＰＶＣ）である。

[0105] 次に図６Ｂを参照すると、再帰型の畳み込みニューラルネットワークの形態の分類ニューラルネットワークが図示されている。図６Ａと同様に、ＥＣＧ信号がネットワークへの入力として与えられる。再帰型の畳み込みニューラルネットワークは、適用されたことがある以前のオブジェクトの記憶を維持することができる、特定の畳み込みニューラルネットワークの構造を指す。再帰的な畳み込みニューラルネットワークは、２つのサブネットワーク：特徴を抽出し、心信号のすべての時間ポイントで計算される畳み込みニューラルネットワーク、及びその上位のニューラルネットワークであり、改良された出力を与えるために畳み込みニューラルネットワークの出力を時間を通じて蓄積するニューラルネットワークから構成される。このやり方で、畳み込みニューラルネットワークは、出力が再帰ニューラルネットワークによって時間的に蓄積されるパターン検出器として機能する。

[0106] 図６Ｂに示されるように、畳み込みニューラルネットワークの出力は、様々な時間ポイントにおいて、心室性期外収縮（ＰＶＣ）と正常（Ｎｏｒｍａｌ）とを含む４つのラベルを識別した。これらのラベルは、次いで第２のニューラルネットワークに適用され、改善された出力「心室性期外収縮」を作り出した。この例では、ネットワークは、信号の第１の部分で心室性期外収縮（ＰＶＣ、第５の最大拍動）を正確に認識したが、信号の第２の部分では正常と考えた。心信号が異常性を含んでおり、そのため、正常とは考えられず、したがって蓄積される出力は、ＰＶＣである。

[0107] 第１のニューラルネットワーク（つまり、描画ニューラルネットワーク）及び第２のニューラルネットワーク（つまり、分類ニューラルネットワーク）は、本明細書で説明される挙動と機能性とを実現するよう訓練される必要がある。描画及び分類の実施形態の両方で、ネットワークは、例えば、Ｔｅｎｓｏｒｆｌｏｗ、Ｔｈｅａｎｏ、Ｃａｆｆｅ又はＴｏｒｃｈなどのオープンソフトウェアを使用して表現されてもよい。これらのツールは、ネットワークの出力を計算するための、及び勾配降下を通じてそれらのパラメータを更新するための機能を提供する。

[0108] ニューラルネットワークの訓練は、心信号を含む膨大なデータセット及びニューラルネットワークに対する既知の出力を適用することを伴う。本明細書で説明されるシステム及び方法を使用して複数の患者から収集した心信号を含むデータセットのデータベースは、サーバ１５及び／又はドライブ１６に（例えば、クラウドに）記憶される。データベースのデータセットは、処理のためのシステムに入力される新しい心信号を分析するためにサーバ１５によって使用される。好ましい実施形態では、訓練されるニューラルネットワークに適用されるあらゆる心信号は、ニューラルネットワークを訓練するために使用されるデータセット中の心信号と同一のサンプリングレート及び／又は周波数を有する。例えば、分類ニューラルネットワークの訓練は、心信号及びそれらの既知の描画を含むデータセットを用いて始められる。上述したように、心信号は、所定の周波数で、大きさがｍ×ｎの大きさの行列として表現される。例えば、ネットワークは、２５０Ｈｚ、５００Ｈｚ、又は１０００Ｈｚで訓練されるが、どのような周波数も使用可能である。次いで、描画は、大きさがｐ×ｎの行列Ｙの形態で表現され、ここでｐは波のタイプの数である。各波は、その開始ポイント及び終了ポイントによって表現され、例えば：（Ｐ，１．２ｓ，１．３ｓ），（ＱＲＳ，１．４ｓ１．７ｓ），（Ｔ，１．７ｓ，２．１ｓ），（Ｐ，２．２ｓ，２．３ｓ）などである。この例では、行列Ｙの第１行は、Ｐ波に相当し、時間１．２ｓ及び１．３ｓにおいて値１を、それ以外では、２．２ｓ及び２．４ｓで０を有する。行列Ｙの第２行は、ＱＲＳ波群に相当し、時間１．４ｓ及び１．７ｓにおいて値１を、それ以外では０を有する。最後に、行列Ｙの第３行は、Ｔ波に相当し、時間２．２ｓ及び２．３ｓにおいて値１を、それ以外では０を有する。次いで、ネットワークのパラメータは、既知の描画とネットワークの出力とを比較しながら、コスト関数を小さくするよう修正される。多ラベル付けを可能にするために、交差エントロピー誤差関数が使用される（つまり、所与の瞬間に複数の波を可能とする）。この最小化は、勾配ステップで行なわれ、データセットのそれぞれの心信号につき少なくとも１回前述のステップを反復する。描画ニューラルネットワーク（つまり、第２のニューラルネットワーク）を訓練するために、同様の手法が使用されてもよいことを理解されたい。

[0109] ＥＣＧプラットフォーム３７によって、本明細書で説明されるニューラルネットワークは、異なる数の誘導をエントリに有する心信号を処理することを更に理解されたい。例えば、ニューラルネットワークは、入力誘導の数とは無関係なネットワークを得るために、ネットワークの始まりにおいて一連の層を含んでもよく、それによってあらゆる数ｍの誘導で心信号を処理することが可能である。例えば、図７は、２つの入力誘導（ｍ＝２）及び３つの出力信号（ｋ＝３）を図示している。しかしながら、同じ構造で、あらゆる数ｍの入力誘導を処理することが可能であり、やはり同一数の出力信号を与え、この出力信号は固定数の入力信号が必要とされるネットワークの他の部分に供給可能である。この理由のため、入力誘導の数は可変であり、固定される必要はない。

[0110] 図７に示されるように、ｍ個の入力誘導からｋ個の信号を得るために、ｋ個のフィルタによる誘導ごとの畳み込みを使用して、誘導の畳み込みが行なわれる。次いで、ｍ個の誘導のｋ個のグループを得るために、信号は畳み込みフィルタによってグループ化され、最後に各グループに数学的な関数が適用されてｋ個の誘導を得る。数学的な関数は、各時間ポイントにおける最大のものであってもよいし、当業者に既知のあらゆる他の関数であってもよい。

[0111] 再度図４を参照すると、ステップ６１では、ＥＣＧプラットフォーム３７によって、各時間ウィンドウのラベル（つまり、ラベル）は、ポストプロセッサ４３によって集約され、処理済みラベル６０を生成する。ラベルは、描画に基づいてグローバル測定値から導出してもよい。例えば、Ｉ度房室ブロックに対応するラベルは、２００ｍｓより長いＰＲ時間から導出される。上で説明したように、ＰＲ時間は、描画に基づいたグローバル測定値である。ポストプロセッサ４３はまた、描画ベースのラベルを、同じ時間ポイントに対応する分類ラベルと集約する。

[0112] ポストプロセッサ４３はまた、ラベルをフィルタリングして、冗長なラベルを除去し、ラベルの既知の階層構造にしたがってラベルを組み立てるか、又は階層構造若しくは重み付けされた値にしたがってあまり重要ではないと分かっているラベルを無視する。ポストプロセッサ４３はまた、各異常性の開始（発生）及び終了（消失）時間を計算するために、時間を通じてラベルを集約する。ポストプロセッサ４３は、スタンドアロンのコンポーネントであってもよいし、分類器４１のサブコンポーネントであってもよいことを理解されたい。

[0113] 図４に示されるように、ステップ５４、５６、５８、６１、及び任意選択で６３において、ＥＣＧプラットフォーム３７によってバックエンド４６で生成された情報は、ＥＣＧプラットフォーム３７によって、フロントエンド４５のＥＣＧアプリケーション２９に通信される。ステップ６５では、ＥＣＧアプリケーション２９によって、システムデバイス１４のディスプレイ１７に前述の情報が表示される。バックエンド４６に生成される情報は、ＥＣＧプラットフォーム３７によって自動的に送信されもよいし、情報は、ＥＣＧアプリケーション２９によって要求されるまでＥＣＧプラットフォーム３７によってサーバ１５に記憶されてもよい。データが生成されると、ＥＣＧプラットフォーム３７は、メッセージをＥＣＧアプリケーション２９に送信し、ＥＣＧアプリケーション２９にデータがＥＣＧプラットフォーム３７から利用可能であることを知らせる。

[0114] ＥＣＧアプリケーション２９は、データ（例えば、生のＥＣＧデータ、前処理済ＥＣＧデータ、波形情報、ラベル、並びにステップ５４、５６、５８、６１、及び／又は６３の間に生成されたあらゆる他のデータ）を受信し、その内容全体が参照により本明細書に組み込まれる米国特許出願公開第２０２０／００２２６０４号において説明されるように、システムデバイス１４によって表示させる。具体的には、上述の特許出願公開は、ＥＣＧ信号、ＥＣＧ信号の特徴、及び／又はＥＣＧ信号の記述子は、複数のフィールドディスプレイに対話的な様式で表示されてもよいと説明している。

[0115] 次に図８を参照すると、例示的なディスプレイである、対話的なディスプレイ１０１が図示されている。対話的なディスプレイ１０１は、第１のサイド１０２と第２のサイド１０３とを含む。第１のサイド１０２は、第２のグラフィックウィンドウ１０５及び第１のグラフィックウィンドウ１０４を更に含み、ＥＣＧ信号に対応するデータを含むプロット１１０を有する。第１のグラフィックウィンドウ１０４は、ＥＣＧ信号のグローバルなビューを与えるプロット１１０を含む。

[0116] 次に図９を参照すると、第１のグラフィックウィンドウ１０４の拡大図バージョンが図示される。この例示的なディスプレイでは、プロット１１０は、時間を通じたＲＲ時間（２つのＱＲＳ波同士の間隔）のプロットである、ＲＲ時間プロットである。図９に示すように、第１のグラフィックウィンドウ１０４の上側領域は、複数のラベルボタン１０９を含む。各ラベルボタン１０９は、関連付けられるラベルを説明するテキストを有し、テキストはボタンの近くに表示される。ユーザによってラベルボタン１０９が選択された場合に、グラフィック部分１１１が、ラベルボタン１０９に関連付けられるラベルに対応する症状発現及び／又はイベントの存在を視覚的に示すためにプロット１１０に表示されるように、各ラベルボタン１０９には、色が関連付けられる。これは、ユーザに視覚的な参照を与え、心信号に沿った特定カテゴリのイベント及び／又は症状発現の容易な識別を可能にする。図９で図示される例示的なディスプレイには、第２のラベル１１２が含まれる。この例示的なディスプレイでは、第２のラベル１１２には、拍動ラベルＰＶＣ（心室性期外収縮）及びＰＳＶＣ（上室性期外収縮）が含まれているが、他の第２のラベルが含まれてもよいことを理解されたい。ラベルＰＶＣ及びＰＳＶＣに関連付けられるプロット１１０におけるポイントは、図９に示されるように、黒ではない色のポイントの存在により色付けされる。

[0117] 第１のグラフィックウィンドウ１０４は、プロット１１０の時間軸と平行に、時間バー１１５を更に含む。時間バー１１５は、全ＥＣＧ取得時間の線形な表現を与え、症状発現又はイベントに関連付けられる時間は、色付けされたセグメントとして表現される。図９に示されるように、時間バー１１５の濃灰色ゾーンは、ノイズが多い信号の時間に相当する（例えば、信号がアーチファクトされ過ぎ、分析アルゴリズムが描画及び適当な検知を提案できない場合）。第１のグラフィックウィンドウ１０４は、対話的なカーソル１１６を更に含む。ＥＣＧアプリケーション２９を使用するユーザは、対話的なカーソル１１６を時間バー１１５に沿って動かし、全ＥＣＧ取得時間に沿ったプロット１１０のナビゲーションを可能にする。第１のグラフィックウィンドウ１０４は、その右下角部に、プロット１１０を拡大及び縮小させるように構成された第２の対話的な手段１１７を含む。

[0118] 再度図８を参照すると、第２のサイド１０３は、複数の症状発現プロット１０６を含む。各症状発現プロット１０６は、検出した症状発現に相当するＥＣＧストリップの少なくとも１つのセグメントを表示し、持続時間に関するテキスト（例えば、「持続時間：１ｈ３８ｍ」）及び／又は症状発現の開始時間（例えば、「Ｄａｙ３／０９：３９：３０」）を含む場合もある。各症状発現プロット１０６は、レポートに含めるための対応する症状発現プロットを選択するために、第３の対話的なアイコン１０８を含む。各症状発現プロット１０６は、ユーザが個々のＥＣＧプロットを対話的なディスプレイ１０１から除去できるようにするために、第４の対話的なアイコン１０７を更に含む。第２のサイド１０３は、症状発現プロット１０６のうちの１つ又は複数を説明するテキストを更に含む。

[0119] 対話的なディスプレイ１０１は、ＥＣＧストリップ１１８を含むグラフィックウィンドウ１０５を、カーソル１１６によって選択された時間ポイントで開始する第２の時間ウィンドウ内に更に含む。第２のグラフィックウィンドウ１０５は、ＥＣＧストリップ１１９を、第２の時間ウィンドウよりも大きく第２の時間ウィンドウを含む第３の時間ウィンドウに更に含む。第３の時間ウィンドウは、第２の時間ウィンドウに対応する網掛け部分を含む。

[0120] 次に図１０を参照すると、類似のディスプレイである、対話的なディスプレイ１２１が図示されている。対話的なディスプレイ１２１は、第１のサイド１２２と第２のサイド１２３とを含む。第１のサイド１２２は、第１のグラフィックウィンドウ１２４及び第２のグラフィックウィンドウ１２５を更に含む。第２のサイド１１３は、上述の第２のサイド１０３と同じ機能性を有し、症状発現プロット１０６と類似した症状発現プロット１２６を含む。更には、第２のグラフィックウィンドウ１２５は、第２のグラフィックウィンドウ１０５と同じ機能性を有し、ＥＣＧストリップ１３８、及びＥＣＧストリップ１１８とストリップ１１９と類似のＥＣＧストリップ１３９を含む。

[0121] 第１のグラフィックウィンドウ１２４は、プロット１３０を除いて第１のグラフィックウィンドウ１０４と類似している。第１のグラフィックウィンドウ１０４と同様に、第１のグラフィックウィンドウ１２４は、複数のラベルボタン１０９と同じ機能性を有する複数のラベルボタン１２９、第２のラベル１１２と同じ機能性を有する第２のラベル１３２、時間バー１１５及びカーソル１１６と同じ機能性を有する時間バー１３５及びカーソル１３６、並びに第２の対話的な手段１１７と同じ機能性を有する第２の対話的な手段１３７を含む。プロット１１０とは異なり、プロット１３０は、時間の関数としての、心拍数密度のヒストグラムの二変量強度プロットに対する投影である、心拍数密度プロットである。

[0122] 次に図１１を参照すると、プロット１３０などの、心拍数密度プロットを生成してプロットするためのステップが与えられている。ステップ１４１では、ＥＣＧプラットフォーム３７は、心信号（例えば、ＥＣＧデータ）におけるＲＲ時間を計算する。例えば、ＥＣＧプラットフォーム３７は、心信号を描画ニューラルネットワークに適用して、上述のようにＲＲ時間を決定する。ステップ１４２では、ＥＣＧプラットフォーム３７は、時間に対する心拍数プロットを生成する。例示的な心拍数プロットである、ＨＲＤＰ１５０が図１２に図示される。

[0123] 図１２に示されるように、時間はｘ軸に投影され、心拍数（例えば、１分間当たりの拍動）はｙ軸に投影される。一実施形態において、時間と心拍数との両方が、線形にスケーリングされる。しかしながら、時間及び／又は心拍数は、対数的に、又は他のよく知られたスケールを使用してスケーリングされてもよい。簡潔のため、図１２には４つのみの心拍を示す。

[0124] 再度図１１を参照すると、ステップ１４３では、ＥＣＧプラットフォーム３７によって、ｙ軸及びｘ軸は、それぞれＨＲビン及び時間ビンと称される基本要素に分けられる。例えば、図１２には、ＨＲビン１５１と時間ビン１５２とが図示されている。ＨＲビン１５１は、第１の心拍数値及び第２の心拍数値（例えば、ｈ_ｂ ^１及びｈ_ｂ ^２）によって定められる。同様に、時間ビン１５２は、第１の時間値及び第２の時間値（例えば、ｔ_ｂ ^１及びｔ_ｂ ^２）によって定められる。ＨＲビンと時間ビンとの交差を、ビンと称する。換言すると、ビンは、第１及び第２の心拍数値と、第１及び第２の時間値とによって定められる。図１２では、ビン１５３は、ＨＲビン１５１及び時間ビン１５２によって図示され、定められる。

[0125] 再度図１１を参照すると、ステップ１４４では、ＥＣＧプラットフォーム３７によって、各心拍がビンに割振られる。具体的には、所与の時間ビンの時間ウィンドウの間に生じる心拍（例えば、ＱＲＳ波群）は、その時間ビンに対応するカラムの計算に含められる。更には、その心拍に対応する心拍数は、時間ビンによって定められるカラムのうちどのＨＲビンに属するかを決定する。例えば、図１２では、心拍１５４及び心拍１５５それぞれは、それぞれが時間ビン１５２及びＨＲビン１５１の範囲内である、対応する時間及び心拍数値を有する。それとは逆に、心拍１５６及び心拍１５７それぞれは、時間ビン１５１の範囲外となる時間値を有し、そのためいずれもビン１５３に含まれない。

[0126] 再度図１１を参照すると、ステップ１４５では、ＥＣＧプラットフォーム４７は、時間ビンごとに心拍数密度を計算する。所与のビンでは、個々の時間ビンと心拍数ビンとによって定められるエリアは、そのビンに含まれる心拍の密度（つまり、ビン内の心拍の数）にしたがって表現される。次いで、各ビンは、密度にしたがって色コーディングされる。例えば、各ビンは、特定の色又はパターンの網掛け、例えばグレーレベルなどを有してもよい。図１２の例では、ビンは、心拍数の密度が大きくなると濃くなるグレーレベルとして表現される。図１２に示されるように、２心拍を含むビン１５３は、１心拍しかないビンよりも濃いグレーの網掛けであるが、３つ以上の心拍を有するビンよりも淡いグレーの網掛けによって表現されている。

[0127] 好ましい実施形態では、密度は、ＨＲビンの心拍数で割ったビン中のＲ波の数の関数として計算される（例えば、時間ウィンドウの最小限界と最大限界との平均）。この好ましい密度の計算は、特定のビンに費やされた時間を考慮している。例えば、３分間の時間ビンでは、第１のＨＲビンにおいて５０ｂｐｍ（ｂｅａｔｓ ｐｅｒ ｍｉｎｕｔｅ：１分間当たりの拍動）の心拍数で１００拍動が生じ、第２のＨＲビンにおいて１００ｂｐｍで１００拍動生じる場合、各ビンに同じ数の拍動があるが、５０ｂｐｍで２分間費やされ、１００ｂｐｍでは１分間のみ費やされる。したがって、拍動の数だけが考慮される場合、このビンは同一密度表現を持つことになる。しかしながら、拍動数を心拍数で割った考慮する場合、心拍数による除算によって心拍数値が小さいほど高く重み付けされるため、５０ｂｐｍの心拍数ビンに対応する第１のビンは、１００ｂｐｍの心拍数に対応するビンよりも濃くなる。したがって、好ましい実施形態は、拍動の数のみを考慮するよりも良好に、この時間的な情報を把握する。

[0128] 再度図１１を参照すると、ステップ１４６では、ＥＣＧプラットフォーム３７は、ビンごとに心拍数密度をプロットする。ｘ軸の関数として通常与えられる時間的な情報に加え、カラム（時間ビン）の時間的な情報を把握することは、プロット１１０のＲＲプロットなどのＥＣＧ信号が集約された表現の他の形態よりも優れたやり方で、密度の表現を容易にすることを理解されたい。

[0129] ＨＲ密度プロットのｘ軸の限界は、信号の始まり及び終わりであることを理解されたい。しかしながら、好ましい実施形態では、ｘ軸の限界は、ユーザによって行なわれる拡大及び縮小のアクションに伴って対話的に変わってもよい。ｙ軸の限界は、このアクションが行なわれる際、固定されたままである。再度図１０を参照すると、プロット１３０は、心拍数密度プロット上で拡大するために使用される対話的な手段１３７を含む。拡大アクションは、プロット表示の大きさを変えるだけである。代替的に、拡大及び縮小は、時間ビンに対応する時間ウィンドウの大きさを変える。拡大アクションによって、同じピクセル数で表現されるビンによってカバーされる時間ウィンドウは短くなる。したがって、拡大によって、より細かい時間分割でヒストグラムの新しい計算が行なわれ、結果的により細かい時間的な情報の計算が行なわれる。これにより、どのような拡大のレベルでもヒストグラムが可読且つ有用なままとなるように、表示用に選択される時間スケールの関数として、変動する情報の集約レベルを示すＥＣＧ信号の表現が可能となる。

[0130] 次に図１３を参照すると、ＥＣＧデータを受信して記録し、ＥＣＧデータ及びＥＣＧデータのシーケンスを処理して分析し、それらを含むレポートを生成するために、ＥＣＧ処理システム５００を実装するための例示のプロセスが図示される。図１３は、図４と同様に、ＥＣＧ処理システム１０のフロントエンド４５とバックエンド４６との間の情報のフローを示す。上で説明したように、フロントエンド４５は、システムデバイス１４で実行する少なくともＥＣＧアプリケーション２９を含み、バックエンド４６は、サーバ１５で実行する少なくともＥＣＧプラットフォーム３７を含む。

[0131] やはり図４と同じように、ステップ５１では、ＥＣＧアプリケーション２９は、システムデバイス１４に、感知デバイス１３から生のＥＣＧデータ５２を受信及び／又は取得させる。ＥＣＧアプリケーション２９は、生のＥＣＧデータ５２を受信すると、任意選択で、システムデバイス１４に生のＥＣＧデータ５２を記録させ、任意選択で、生のＥＣＧデータ５２の一部又はすべてをシステムデバイス１４に保存する。上で説明したように、信号は１つ又は複数の誘導に対応する。システムデバイス１４は、任意選択で、生のＥＣＧデータ５２又はその一部をディスプレイ１７に表示する。

[0132] 図１３に示されるように、また図４に関して上で説明したように、生のＥＣＧデータ５２は、ＥＣＧアプリケーション２９によってフロントエンド４５からバックエンド４６に送信され、それによってシステムデバイス１４は、サーバ１５で実行中のＥＣＧプラットフォーム３７に生のＥＣＧデータ５２を通信する。ＥＣＧプラットフォーム３７は、生のＥＣＧデータ５２を受信すると、サーバ１５に、生のＥＣＧデータ５２の一部又はすべてをサーバ１５に保存させる。更には、ＥＣＧプラットフォーム３７は、生のＥＣＧデータ５２を受信した後、任意選択で、ステップ５４において、プリプロセッサ３８に生のＥＣＧデータ５２を前処理させる。生のＥＣＧデータ５２をプリプロセッサ３８に適用することで、前処理済ＥＣＧデータ５５が生成される。プリプロセッサ３８は、生のＥＣＧデータ５２を、図４に関して上で説明したように、処理する。この時点で、ＥＣＧプラットフォーム３７によって、前処理済ＥＣＧデータ５５は、ディスプレイ１７での表示のために、任意選択で、システムデバイス１４で実行中のＥＣＧアプリケーション２９に通信される。代替的に又は追加的に、ＥＣＧプラットフォーム３７によって、前処理済ＥＣＧデータ５５は、分類ステップ５８において入力として使用される。代替的に、生のＥＣＧデータ５２が、分類ステップ５８において入力として使用されてもよい。

[0133] ステップ５６では、ＥＣＧプラットフォーム３７によって、前処理済ＥＣＧデータ５５又は生のＥＣＧデータ５２は、描画のために描画器３９に適用される。上で説明したように、描画器３９は、描画ニューラルネットワークである第１のニューラルネットワークを、前処理済ＥＣＧデータ５５又は生のＥＣＧデータ５２に適用し、それによってＥＣＧデータの一部又はすべてを、実数の行列である行列Ｘとして表現する。第１のニューラルネットワークに適用されるＥＣＧデータは前処理済ＥＣＧデータ５５であることが好ましいが、前処理されない心信号（つまり、生のＥＣＧデータ５２又はその一部）が第１のニューラルネットワークに適用されてもよいことを理解されたい。第１のニューラルネットワークは、出力として、心信号において複数の時間ポイントにおける１つ又は複数の波の存在の可能性に対応する値を与える。第１のニューラルネットワークは、畳み込みニューラルネットワークであり、完全畳み込みニューラルネットワークであることが好ましい。したがって、ステップ５６では、描画器３９によって、第１のニューラルネットワークは、心信号の各時間ポイントを読み取り、心信号の各時間ポイントを空間－時間的に分析し、１つ又は複数のタイプの波に対応する各時間ポイントにスコアを割振る。

[0134] 第１のニューラルネットワークの出力は、行列Ｙである。ただし、行列Ｙは実数の行列である。例えば、行列Ｙは、上で説明したように、大きさがｐ×ｎの行列である。行列Ｙは、心信号の各時間ポイントにおいて、波のタイプごとのスコアを含み、各波のタイプは、開始ポイント及び終了ポイント（つまり、発生及び消失）など、その波の特定の特性にしたがって表現される。第１のニューラルネットワークの出力は、入力ＥＣＧデータにおける拍動を検出する場合もあるし、ＥＣＧデータ中の拍動を検出するために使用されてもよい。ＥＣＧプラットフォーム３７によって、ステップ５６の出力（例えば、波形情報５７）、及び前処理済ＥＣＧデータ５５又は生のＥＣＧデータ５２が、ステップ５８での分類のために、分類器４１に通信又は適用される。

[0135] 図４に関して上述したように、ステップ５８における分類は、第２のニューラルネットワーク（つまり、分類ニューラルネットワーク）を前処理済ＥＣＧデータ５５又は生のＥＣＧデータ５２に適用することを伴う。分類器４１はまた、波形情報５７及び／又は患者の年齢若しくはあらゆる関連臨床情報を含む患者特有の情報など他の情報を処理する。ステップ５６において描画が必要ない場合、ＥＣＧプラットフォーム３７によって、任意選択で、前処理済ＥＣＧデータ５５又は生のＥＣＧデータ５２は、分類器４１に直接通信され、分類器４１によって処理される。第１のニューラルネットワーク及び第２のニューラルネットワークは、代替的には、第１のニューラルネットワーク及び第２のニューラルネットワークの機能及び動作を実行する単一のニューラルネットワークであってもよいことを理解されたい。

[0136] 図４に関して上で説明したように、ステップ５８において、第２のニューラルネットワークは、心信号の各時間ポイントにおいて、１つ又は複数の異常性、状態、及び／又は記述子の存在の可能性に対応する値を有する出力を生成する。時間ポイント又は時間ウィンドウが特定の異常性、状態、及び／又は記述子に対応すると判定された場合、その異常性、状態、及び／又は記述子に対応するラベルは、ラベル５９として、その時間ポイント又はウィンドウに割振られる。一例では、１つ又は複数のラベル５９は、スコアが所定のしきい値を達成する場合、時間ポイント又は時間ウィンドウに割振られる。加えて、ステップ５８では、第２のニューラルネットワークは、第２のニューラルネットワークに入力される生のＥＣＧデータ５２、ＥＣＧデータ５４、及び／又は波形情報５７に対応する特徴マップ５０１を決定する。

[0137] ステップ５０２では、特徴マップ５０１は、１つ又は複数のアルゴリズム及び／又は第３のニューラルネットワークである、シーケンスアナライザ５０によって抽出される。例えば、第３のニューラルネットワークは、再帰ニューラルネットワークである。シーケンスアナライザ５０は、特徴マップ５０１を分析して１つ又は複数のシーケンスラベル５０３を決定し、それによってＥＣＧデータのシーケンス識別を達成する。

[0138] 次に図１４を参照すると、ステップ５６、５８、及び５０２が図示される。図１４に示されるように、生のＥＣＧデータ５２は、波形情報５７を出力する第１のニューラルネットワーク（つまり、描画ニューラルネットワーク）に入るように示されている。図１４は、分類器４１及びシーケンスアナライザ５０を更に図示する。図１３を参照して上述したように、ＥＣＧデータ５２及び／又は波形情報５７は、分類器４１によって入力として第２のニューラルネットワーク（つまり、分類ニューラルネットワーク）に適用される。分類ニューラルネットワークは、分類を与えるために、いくつかの畳み込み層、次いで標準層を有する畳み込みニューラルネットワークである。ＥＣＧ信号は、ネットワークへの入力として与えられ、ネットワークは、情報を局所的に集約して、ＥＣＧの高次多ラベル分類を作り出すよう、層ごとに結合する。

[0139] 図１４に示されるように、ニューラルネットワークの層のユニットは、特徴マップ５０１にセグメント化される。特徴マップ５０１は、ＥＣＧデータに適用されるフィルタの出力を表現しており、ニューラルネットワークへの入力における特定の特徴（例えば、ＥＣＧデータ）を識別するために使用される。特徴マップ５０４は、高次情報（例えば、心室性頻脈の発生（例えば、連続した３つのＰＶＣ）についての情報）を含む。したがって、分類器４１は、描画ニューラルネットワークによって決定された拍動を、特徴マップに射影して、拍動ごとに固定サイズの特徴を作成する。

[0140] 分類器４１によって決定される特徴マップ５０１は、ステップ５０２でシーケンスアナライザ５０によって抽出されてもよい。シーケンスアナライザ５０は、各拍動の座標に対応する特徴マップを更に抽出するか、そうでなければ分解し、特徴マップ部分５０５を得る。特徴マップ部分５０５は、ＥＣＧデータにおける各拍動の位置にしたがって、順に編成される。シーケンスアナライザ５０は、第３のニューラルネットワーク（例えば、長短期記憶ニューラルネットワーク、又は単純再帰ニューラルネットワーク）に特徴マップ部分５０５のシーケンスを与える。再帰ニューラルネットワークである第３のニューラルネットワークは、各特徴マップ部分５０５を、隣接特徴マップ部分及び／又は先行シーケンスのマップ部分に関して分析して、特徴マップ部分５０５のシーケンスについての情報を抽出する。再帰ニューラルネットワークである第３のニューラルネットワークは、エンドツーエンドに訓練される。第３のニューラルネットワークは、特定のシーケンスラベル５０３に対応する特徴マップ部分５０５についての確率を出力する。

[0141] シーケンスラベル５０３は、１拍動マップ部分５０５に関連付けられる拍動に割振られ、周囲の拍動及び／又は拍動のシーケンスに基づいて決定された情報を示す。例えば、シーケンスラベル５０３には、異所性、上室性、ＰＶＣ、又は正常のラベルが含まれる。各特徴マップ部分５０５についての確率は、シーケンスラベルの存在を決定するために、しきい値を使用して処理される場合があることを更に理解されたい。図１４に示されるように、ＰＶＣに対応する拍動マップ部分（例えば、赤色の拍動マップ部分）は、ＰＶＣのしきい値を満たして「１」を割振られ、ＥＣＧデータストリップの他の拍動マップ部分（例えば、緑色の拍動マップ部分）は、しきい値を満たさず「０」を割振られる。

[0142] 再度図１３を参照すると、ステップ５８で特徴マップ５０１及びラベル５９を決定した後、またシーケンス識別５０２及びシーケンスラベル５０３を決定した後、図４に関して上述したように、ステップ６１が開始される。具体的には、ステップ６１では、ＥＣＧプラットフォーム３７によって、各時間ウィンドウのラベル（つまり、ラベル）は、ポストプロセッサ４３によって集約され、処理済みラベル６０を生成する。ラベルは、ラベル５９及び／又はシーケンスラベル５３である。ポストプロセッサ４３はまた、ラベルをフィルタリングして、冗長なラベルを除去し、ラベルの既知の階層構造にしたがってラベルを組み立てるか、又は階層構造若しくは重み付けされた値によってあまり重要ではないと分かっているラベルを無視する。ポストプロセッサ４３はまた、各異常性の開始（発生）及び終了（消失）時間を計算するために、時間を通じてラベルを集約する。ポストプロセッサ４３は、スタンドアロンのコンポーネントであってもよいし、分類器４１のサブコンポーネントであってもよいことを理解されたい。

[0143] 図４に関して上で説明したように、ステップ５４、５６、５８、５０２、６１において、ＥＣＧプラットフォーム３７によってバックエンド４６で生成された情報は、ＥＣＧプラットフォーム３７によって、フロントエンド４５のＥＣＧアプリケーション２９に通信される。ステップ６５では、ＥＣＧアプリケーション２９によって、システムデバイス１４のディスプレイ１７に前述の情報が表示される。更には、ステップ６６では、ユーザがレポートを要求してもよく、レポートに含める特定のデータなどカスタマイズされた特徴を選択してもよい（例えば、異常性／状態データ、症状発現データ、症状発現プロットなど）。ステップ６７では、ＥＣＧアプリケーション２９は、レポート及び選択されたカスタマイズ可能な特徴（例えば、レポートに含めるＥＣＧデータ）に対する要求を、ＥＣＧプラットフォーム３７に送信し、ＥＣＧプラットフォーム３７は、要求及び情報を受信する。ＥＣＧプラットフォーム３７は、要求のログを取り、ＥＣＧアプリケーション２９から受信した情報を保存する。ステップ６８では、ＥＣＧプラットフォーム３７によって、レポート生成器４４は、システムのＥＣＧアプリケーション２９から受信した情報にしたがって、レポート６９を生成する。

[0144] 次に図１５Ａを参照すると、分類システムにおける確かさを決定するための、並びに異常及び／又は状態の存在に関するレポートを自動的に生成するための例示のプロセスが図示される。ステップ５１１～５１３は、上述の図４のステップ５２～５６に類似している。具体的には、ステップ５１１では、システムは、患者のＥＣＧデータを、受信する、判定する、又は取得する。ステップ５１２では、ＥＣＧデータ（例えば、生のＥＣＧデータ又は前処理済ＥＣＧデータ）は、描画アルゴリズムを使用して分析されて、波形情報（例えば、ｔ波、ｐ波、ＱＲＳ波群の存在の可能性に対応するスコアなど）を生成する。更には、任意選択のステップ５１３では、拍動の発生と消失は、（例えば、波形情報に基づいて）任意選択で決定され、ＥＣＧデータの拍動部分は、拍動の発生と消失に基づいて抽出される。

[0145] ステップ５１４では、ＥＣＧデータ（例えば、拍動部分及び／又は波形情報）は、ベースラインセッティングを有する分類アルゴリズムを使用して分析される。ベースラインセッティングは、分類アルゴリズムを訓練することによって決定されたベースライン感度を含む。ステップ５１４は、上述の図４のステップ５８に実質的に類似している。ステップ５１５では、分類アルゴリズムは、ＥＣＧデータを処理して、異常、ラベル、及び／又は状態（例えば、心房細動、ＡＶブロック、正常）の存在を判定する。例えば、分類アルゴリズムは、１つ又は複数の異常、ラベル、及び／又は状態の存在の可能性を判定する。１つ又は複数の異常、ラベル、及び／又は状態の存在の可能性に対してしきい値が適用され、可能性がしきい値を満たすかどうかに基づいて、異常、ラベル、及び／又は状態の存在を判定する。

[0146] ステップ５１６では、ステップ５１４で分析されたＥＣＧデータは、ステップ５１４の分類アルゴリズムと比較して感度を低下させた分類アルゴリズムによって分析される。感度を低下させた分類アルゴリズムは、アルゴリズムが低い感度を持つように訓練することによって決定される。例えば、ステップ５１６における分類アルゴリズムは、同一のＥＣＧデータが与えられた場合に、ステップ５１４におけるベースライン分類アルゴリズムよりも頻繁に、１つ又は複数の異常、ラベル、及び／又は状態の存在を識別するように訓練される。ステップ５１７では、ステップ５１６に対応する異常、ラベル、及び／又は状態の存在が、ステップ５１５と同様に判定される。

[0147] ステップ５１８では、ステップ５１４で分析されたＥＣＧデータ及び／又は対応する波形情報は、ステップ５１４の分類アルゴリズムと比較して感度を高めた分類アルゴリズムによって分析される。感度を高めた分類アルゴリズムは、アルゴリズムが高い感度を持つように訓練することによって決定される。例えば、ステップ５１６における分類アルゴリズムは、同一のＥＣＧデータが与えられた場合に、ステップ５１４におけるベースライン分類アルゴリズムより少ない頻度で、１つ又は複数の異常、ラベル、及び／又は状態の存在を識別するように訓練される。ステップ５１９では、ステップ５１８に対応する異常、ラベル、及び／又は状態の存在が、ステップ５１５と同様に決定される。ステップ５１６～５１７、及びステップ５１８～５１９は、並行して、又は連続して生じてもよいことを理解されたい。

[0148] 決定５２０において、ＥＣＧシステム（例えば、ＥＣＧプラットフォーム３７）は、異常／状態／ラベルが、ステップ５１４及び５１５で存在すると判定されたかどうかを判定し、またステップ５１６及び５１７並びに５１８及び５１９で存在すると判定されたかどうかも判定される。したがって、決定５２０では、システムは、感度を低下させた分類アルゴリズム及び感度を高めた分類アルゴリズムも、やはり異常、ラベル、及び／又は状態が存在するという判定になるかどうかを判定する。

[0149] 感度を低下させた分類アルゴリズム及び感度を高めた分類アルゴリズムのうちの１つ又は複数に基づいて、異常、ラベル、及び／又は状態が、存在しないと判定された場合、ベースライン分類アルゴリズムによる異常、ラベル、及び／又は状態の存在するという（例えば、ステップ５１４及び５１５での）判定は、確かではないと識別され、任意選択のステップ５２１において、システムはＥＣＧデータが（例えば、ユーザによる）更なる分析を必要とすることを提案及び／又は推奨する。

[0150] 代替的に、感度を低下させた分類アルゴリズム及び感度を高めた分類アルゴリズムの両方に基づいて、異常、ラベル、及び／又は状態が、存在すると判定された場合、ベースライン分類アルゴリズムによる異常、ラベル、及び／又は状態が存在するという（例えば、ステップ５１４及び５１５での）判定は、確かであると識別され、任意選択のステップ５２２において、異常、ラベル、及び／又は状態の存在に基づいたレポートが生成される。例えば、レポートは、上述の図４のステップ６８及び６９にしたがって生成される。一例では、レポートは、完全に自動的であり、そのため、いかなる人間対話を伴わずに生成される。５１６～５２０で説明されるプロセスは、スタンドアロンのアルゴリズムのセットであってもよいし、分類ニューラルネットワークの上位の１つ又は複数の層であってもよいことを理解されたい。図１５Ａで説明されるステップは、図４に関して上述した動作に含まれる、本明細書で説明される他の動作に加えて、又は他の動作とともに実行されてもよいことを、更に理解されたい。

[0151] 分類アルゴリズムの確かさは、代替的には、受信者操作特性（ＲＯＣ）曲線の曲線下面積（ＡＵＣ）を決定することによって判定されてもよいし、ＡＵＣを決定することによって更に情報を与えられてもよいことを更に理解されたい。具体的には、ニューラルネットワークの感度は、１－ｓｐｅｃｉｆｉｃｉｔｙ（特異度）に対してプロットされ、曲線下面積は、モデルの正確さの情報を与える。特異度は、真陽性の数を真陽性と偽陰性との合計で割ることによって決定される。更に、「１－ｓｐｅｃｉｆｉｃｉｔｙ」は、偽陽性の数を偽陽性と真陰性との合計で割ることによって決定される。１に近い値の曲線下面積は、正確なモデルを示す。

[0152] 次に図１５Ｂを参照すると、ロバストな分類システム５６５が図示される。図１５Ａに関して上述したプロセスと同様に、ロバストな分類システム５６５は、上述したＥＣＧ処理システム（例えば、ＥＣＧ処理システム１０、ＥＣＧ処理システム１０’、及び／又はＥＣＧ処理システム５００）のコンポーネントである。例えば、ＥＣＧ処理システム５６５は、分類ステップ５８を置き換えるか、補うことができる。具体的には、ロバストな分類モジュール５６８は、分類ステップ５８を置き換える。ロバストな分類モジュール５６８は、上述の分類器４１と同一又はそれに類似の分類器５６９を含む。具体的には、分類器５６９は、ニューラルネットワークを実行して分類を達成する。分類器５６９は、前処理済ＥＣＧデータ５６６及びＲＲデータ５６７を入力として受信する。前処理済ＥＣＧデータ５６６は、上述の前処理済ＥＣＧデータ５６と同じである。更には、ＲＲデータ５６７は、上述の描画ステップ５６の出力などの、描画ニューラルネットワークの出力である。例えば、ＲＲデータ５６７は、上述の波形情報５７と同じである。

[0153] 図１５Ｂに示されるように、分類器５６９は、上述の分類ステップ５８の分類器４１と同様に、前処理済ＥＣＧデータ５６６及びＲＲデータ５６７を処理して、ＡＦｉｂ確率５７１を決定する。ＡＦｉｂ確率５７１は、前処理済ＥＣＧデータ５６６が心房細動の症状発現を含む可能性である。分類器５６９の出力、前処理済ＥＣＧデータ５６６及び／又はＲＲデータ５６７はまた、信頼度推定器５７０に適用されて処理され、ＡＦｉｂ確率５７１が正確である及び／又は確かである可能性に相当する信頼度スコア５７２を決定する。信頼度推定器５７０は、１つ又は複数のアルゴリズム（例えば、ニューラルネットワーク）であってもよいし、分類器５６９と同じ分類器構造（例えば、アーキテクチャ）を有してもよいが、より具体的であるように訓練される。例えば、信頼度推定器５７０は、図１５Ａに関して上述した、ステップ５１６～５１７と類似のステップを実行する。

[0154] 次に図１５Ｃを参照すると、ロバストな分類システム５７３が図示されており、ロバストな分類システム５６５に類似しているが、ロバストな分類モジュール５７４を含んでいる。やはりロバストな分類システム５６５と同様に、ロバストな分類システム５７３は、上述の分類ステップ５８を置き換えるか、補うことができる。ロバストな分類モジュール５７４は、ロバストな分類モジュール５６８と同様に、ＥＣＧ前処理済データ５６６及びＲＲデータ５６７を受信し、ＡＦｉｂ確率５７１及び信頼度スコア５７２を出力する。ロバストな分類モジュール５６８とは異なり、ロバストな分類モジュール５７４は、分類器５６９と信頼度推定器５７０の代わりに、信頼度分類器５７５を含む。信頼度分類器５７５は、分類器５６９及び信頼度推定器５７０の同一の機能及び動作を実施し、ＡＦｉｂ確率５７１及び信頼度スコア５７２を出力する、１つのニューラルネットワークである。

[0155] 次に図１５Ｄを参照すると、ロバストな分類システム５７６が図示される。ロバストな分類システム５６５及びロバストな分類システム５７３と同様に、ロバストな分類システム５７６は、前処理済ＥＣＧデータ５６６及びＲＲデータ５６７を入力として含み、上述の分類ステップ５８を置き換えるか、補うことができる。ＥＣＧ分類システム５７６は、ロバストな分類モジュール５７７を含む。

[0156] ロバストな分類モジュール５７７は、上述の分類器４１と同一又はそれに類似の分類器５８０を含む。具体的には、分類器５８０は、ニューラルネットワークを実行して分類を達成する。ロバストな分類モジュール５７７は、入力変形器５７８とコンバイナ５８２を更に含む。入力変形器５７８は、ロバストな分類モジュール５７７への入力（例えば、前処理済ＥＣＧデータ５６６及び／又はＲＲデータ５６７）を処理し、そのような入力に変形を適用する。変形は、例えば増幅、伸張、及び／又は誘導選択である。増幅変形は、ｆｌｏａｔ値を使用して信号（例えば、前処理済ＥＣＧデータ５６６）を増幅させる。伸張変形は、時間的にワーピングした信号（例えば、前処理済ＥＣＧデータ５６６）並びに結果的に調節及び／又は修正されたＲＲデータ５６７を伴う。ＥＣＧシステムによって受信されたＥＣＧデータが、２つ以上の誘導に対応する場合、データのサブセット（例えば、前処理済ＥＣＧデータ及び／又はＲＲデータ）は、保存及び／又は維持され、検索されてもよい。前処理済ＥＣＧデータ５６６及びＲＲデータ５６７を入力変形器５７８に適用することによって、変形された入力５７９が生成される。変形された入力５７９は、同一の信号の、いくつかの（例えば、４つの）変形された複製を含む。図１５Ｃには４つの変形された入力５７９が図示されるが、あらゆる数の変形された入力が生成されてもよいことを理解されたい。変形された入力５７９を生成するために、増幅、伸張、誘導選択、及び／又はあらゆる他の変形技法が使用されてもよいことを更に理解されたい。

[0157] 図１５Ｄに示されるように、変形された入力５７９は、分類器５８０に適用されて処理される。分類器５６９と同様に、分類器５８０は、上述の分類器４１と同一であるか又はそれに類似している。具体的には、分類器５８０は、ニューラルネットワークを実行して分類を達成する。分類器５８０は、出力５８１を生成する。分類器５８０は、変形された入力５７９の各複製を処理し、各複製についての出力を生成する。したがって、変形された入力５７９は、信号の４つの変形された複製を含み、分類器５８０は、４つの出力を生成する。

[0158] ロバストな分類モジュール５７７は、コンバイナ５８２を更に含む。出力５８１は、コンバイナ５８２に適用されて処理される。コンバイナ５８２は、同じフォーマットを有する（例えば、大きさがＮ）分類器５８０の出力を取得して、出力を結合する。例えば、コンバイナ５８２は、出力５８１の平均を取ることによって出力５８１を結合し、これは大きさＮを有する単一の出力を与える。代替的に、より高い感度を達成するために、コンバイナは、代わりに出力５８１の最大値を決定する。同様に、より低い感度を達成するために、コンバイナは、代わりに出力５８１の最小値を決定する。コンバイナ５８２は、ＡＦｉｂ５７１及び信頼度スコア５７２を出力する。例えば、分類器５８０は、信頼度分類器５７５と類似であってもよく、ＡＦｉｂ確率５７１に対応する出力５８１の１セットは、信頼度スコア５７２に対応する出力５８１の第２のセットに加えて生成される。コンバイナは、異なる出力セットを別個に処理して、ＡＦｉｂ確率５７１及び信頼度スコア５７２を与える。代替的に、コンバイナ５８２及び／又は分類器５８０は、信頼度分類器５７５と類似しており、併せてＡＦｉｂ確率５７１及び信頼度スコア５７２を決定する。

[0159] 次に図１５Ｅを参照すると、ロバストな分類システム５８３が図示される。ロバストな分類システム５６５、ロバストな分類システム５７３、及びロバストな分類システム５７６と同様に、ロバストな分類システム５８３は、前処理済ＥＣＧデータ５６６及びＲＲデータ５６７を入力として含み、上述のように、分類ステップ５８を置き換えるか、補うことができる。ＥＣＧ分類システム５８３は、ロバストな分類モジュール５８４を含む。

[0160] ロバストな分類モジュール５８４は、それぞれが上述の分類器４１と同一又はそれに類似の、複数の別個の分類器である分類器５８５を含む。具体的には、分類器５８１は、それぞれがニューラルネットワークを実行して分類を達成する。各分類器は、異なるように（例えば、異なるデータセットを使用して、及び／又はそれぞれが異なる重みを有して）訓練されてもよい。例えば、分類器５８１は、それぞれが異なる重みを持つ同一の構造（例えば、アーキテクチャ）であり、異なる分類器を与えてもよい。図１５Ｅに示されるように、分類器３８１は、それぞれが４つの異なる訓練データセットを使用して訓練され、結果的に異なる重みのセットを有する４つの分類器を含む。これにより、分類器は程度の異なる感度を持つ（例えば、一部の分類器は他より低い感度を有する、及び／又は他より高い感度を有する）。同一の前処理済ＥＣＧデータ５６６及び／又はＲＲデータ５６７は、分類器５８５の各分類器によって入力されて処理される。分類器５８５の各分類器は、次いで、対応する出力を生成する。分類器５８５は、共に出力５８６を生成する。

[0161] ロバストな分類モジュール５８４は、コンバイナ５８７を更に含む。出力５８６は、コンバイナ５８７に適用されて処理される。例えば、コンバイナ５８７は、同じフォーマットを有する（例えば、大きさがＮ）分類器５８６の出力を取得し、出力を結合する。コンバイナは、コンバイナ５８６の平均を取ることによって出力５８６を結合し、これは大きさがＮの単一の出力を与える。代替的に、より高い感度を達成するために、コンバイナは、代わりに出力５８６の最大値を決定する。同様に、より低い感度を達成するために、コンバイナは、代わりに出力５８６の最小値を決定する。コンバイナ５８７は、ＡＦｉｂ５７１及び信頼度スコア５７２を出力する。例えば、分類器５８５は、信頼度分類器５７５と類似であってもよく、各分類器では、ＡＦｉｂ確率５７１に対応する出力５８６の１出力は、信頼度スコア５７２に対応する出力５８１の第２の出力に加えて生成される。コンバイナは、異なる出力セットを別個に処理して、ＡＦｉｂ確率５７１及び信頼度スコア５７２を与える。代替的に、コンバイナ５８７及び／又は分類器５８６は、信頼度分類器５７５と類似しており、併せてＡＦｉｂ確率５７１及び信頼度スコア５７２を決定する。

[0162] ＡＦｉｂ確率５７１及び信頼度スコア５７２に基づいて、ＥＣＧシステムは、高い信頼度で心房細動が存在しないこと、低い信頼度で心房細動が存在しないこと、高い信頼度で心房細動が存在すること、又は高い信頼度で心房細動が存在することを判定する。信頼度が低い場合、対応するＥＣＧ信号は、確かではないと識別される。信頼度が高い場合、ＥＣＧ信号は、心房細動を有する、又は心房細動を有していないとして、認定及び／又は識別される。ＥＣＧ信号が心房細動を有する、又は心房細動を有していないと認定されると、ＥＣＧシステムはレポートを生成する。例えば、レポートは、日常的な心拍数傾向、特定の基準に基づいたＥＣＧデータの最も関連性のあるＥＤＧストリップ（例えば、心房細動症状発現の始まり、最も速い心房細動の症状発現など）、並びに／又は心房細動の存在についての結論及び／若しくは決定を含む。ＥＣＧ信号が確かではないと認定された場合、ＥＣＧ信号は、フラグ付けされる、及び／又は人間によるレビューにサブミットされる。

[0163] 図１５Ｄ及び図１５Ｅで図示され上で説明される手法は、入力変形器及びそれぞれが異なるように訓練された複数の分類器を含むロバストな分類システムを含むように組み合わせることができることを理解されたい。例えば、手法は、１つの信号を取得してＮ個の修正された信号に変形し、これらがそれぞれＭ個の分類器に入力され、ＡＦｉｂ確率及び信頼度スコアを決定するために１つのコンバイナに適用可能なＮ^＊Ｍの出力を与える、ロバストな分類モジュールとして組み合わされる。

[0164] 前処理済ＥＣＧデータ５６６は分類器５６９及び／又は信頼度推定器５７０への入力として説明されたが、生のＥＣＧデータは、代替的には図１５Ｂ～図１５Ｅのロバストな分類モジュールへの入力であってもよいことも、やはり理解されたい。図１５Ａ～図１５Ｅは、上では心房細動に関して説明したが、同一システムは、ＥＣＧデータ及び対応する信頼度スコアを使用して検出可能なあらゆる他の状態及び／又は異常を検出するために訓練されてもよいことを更に理解されたい。

[0165] 次に図１６を参照すると、心イベントとして無症候性である（例えば、心房細動の症状発現を欠いている）ＥＣＧデータについての心イベント（例えば、心房細動）のリスクを判定するための例示のプロセスが図示される。プロセスは、ＥＣＧプラットフォーム３７によって実施される。プロセスは、心房細動のリスクを判定するように例示的に説明されるが、プロセスは他の心イベントのリスクを判定するために使用されてもよい。図１５Ａと同様に、図１６では、例示のプロセスは、ステップ５１１と類似のステップ５３１において患者のＥＣＧデータを受信又は取得することで開始し、ステップ５１２と類似のステップ５３２において描画アルゴリズムを使用してＥＣＧデータを分析して波形情報を生成し、ステップ５１４と類似のステップ５３３において分類アルゴリズムを使用してＥＣＧデータ（及び／又は波形情報）を分析する。図１６では、プロセスは、心房細動の可能性を判定することを含むステップ５３４を更に含む。図１５Ａのステップ５１５と同様に、ステップ５３４では、分類アルゴリズムがＥＣＧデータを処理して、心房細動の存在を判定する。例えば、分類アルゴリズムは、心房細動の存在の可能性を判定する。心房細動の存在の可能性に対してしきい値が適用され、可能性がしきい値を満たすかどうかに基づいて、心房細動の存在を判定する。

[0166] 決定５３５では、ＥＣＧプラットフォーム３７は、ステップ５３４で行なわれた判定に基づいて、ＥＣＧデータに心房細動が存在するかどうかを判定する。ＥＣＧデータに心房細動が存在すると判定された場合、次いでステップ５３６では、ＥＣＧデータは心房細動が存在するとして識別される。例えば、心房細動に対応する図４のラベル５９が、ＥＣＧデータに割振られ、上述のように図４のステップ６１、６５、６６、及び６８のうちの１つ又は複数が開始される。

[0167] 代替的に、決定５３５において、ステップ５３４で行なわれた判定に基づいてＥＣＧデータに心房細動が存在しないと判断された場合、ステップ５３３で分析されたＥＣＧデータは、心房細動（ＡＦ）リスク分析器を使用して分析される。ＡＦリスク分析器は、スタンドアロンのアルゴリズムのセット（例えば、ニューラルネットワーク）であってもよいし、分類ニューラルネットワークの上位の１つ又は複数の層であってもよい。

[0168] ＡＦリスク分析器は、ステップ５３４において心房細動が検出されないにもかかわらず、ＥＣＧデータに対応する患者が心房細動を有する可能性を示す１つ又は複数の値を出力する。例えば、ＡＦリスク分析器は、例えば形態学的特徴及び時間的特徴などの、ＥＣＧデータ及び又は波形情報を分析する畳み込みニューラルネットワークである。ＡＦリスク分析器は、いくつかのブロック（例えば、１つ又は複数の層）を含む。例えば、ＡＦリスク分析器は、データ分布の正規化及び非線形の正規化ユニット（ＲｅＥＵ）関数を説明するために、バッチ正規化層を含む。ＲｅＥＵ関数は、負の入力に対して出力ゼロを、正の入力に対しては恒等出力を有し、特徴抽出を容易にする。ブロックは、ショートカットリンクを含み、ニューラルネットワークの層及び／又はコンポーネント同士の勾配伝播を許可し、プーリング層、１つ若しくは複数の畳み込み層、ドロップアウト層、及び／又は出力層を更に含む。ＡＦリスク分析器は、心房細動があると診断されるがＥＣＧデータには心房細動の症状発現が存在しない患者からのＥＣＧデータを使用して訓練され、心房細動のある患者に関連付けられるＥＣＧデータにおける特徴を識別又は判定することを理解されたい。

[0169] ステップ５３８では、ＡＦリスク分析器の出力は、心房細動リスク値を決定するために使用される。例えば、分類アルゴリズムは、心房細動の存在の可能性を判定する。心房細動の存在の可能性に対してしきい値が適用され、可能性がしきい値を満たすかどうかに基づいて、心房細動の存在を判定する。

[0170] 決定５３９では、システム（例えば、ＥＣＧプラットフォーム３７）は、心房細動の兆候がＥＣＧデータに存在するかどうかを判定する。例えば、しきい値が満足される（例えば、心房細動の存在の可能性がしきい値を越える、又はしきい値と同じ）場合、ＥＣＧデータ中に心房細動の兆候があると判定される。ＥＣＧデータ中に心房細動の兆候がない、及び／又はしきい値が満足されないと判定された場合、任意選択のステップ５４０では、システムは何もしないか、心房細動を有していないとして、ＥＣＧデータをラベル付けする。代替的に、ＥＣＧデータ中に心房細動の兆候がある、及び／又はしきい値が満足されないと判定された場合、ステップ５４１において、心房細動のリスクが識別される。例えば、心房細動ラベル又は心房細動のリスクラベルが、ＥＣＧデータに割振られる。

[0171] 任意選択のステップ５４２では、システムによって、心房細動のリスクが、ディスプレイ１７に表示される。リスクは、スコアとして、又は何らかのリスクレベルのインジケーションとして表示される。例えば、リスクは、計算されたリスク値として所定のスケール（例えば、１００分の７５）で表示される。リスクはまた、計算されたリスク値が所定のしきい値リスク範囲のどこに含まれるかに基づいて、カテゴリ化されてもよい（例えば、１００分の０～３５は「低」に相当し、１００分の３５～７０は「中」に相当し、１００分の７０～１００は「高い」に相当する）。カテゴリ化は、計算されたリスク値とともに表示されてもよいし、リスク値を伴わずに表示されてもよい。また、任意選択のステップ５４３では、Ｐ波の形態学分析、ＰＡＣアナリティクス、及び／又は心房細動のリスクに相当する他の情報が、本明細書で説明されるように判定され、任意選択で、ディスプレイ１７に表示される。図１６で説明されるステップは、図４に関して説明した動作に含まれる、本明細書で説明される他の動作に加えて、又は他の動作とともに実行されてもよいことを理解されたい。リスク分析器は、分析されたＥＣＧデータでは無症候性である、別の異常及び／又は状態（例えば、心イベント）の存在を検出するように訓練されてもよいことを更に理解されたい。

[0172] 次に図１７を参照すると、ＥＣＧデータのラベル付けが図示される。図１７に示されるように、ＥＣＧデータ５５１が判定又は取得されると、システム（例えば、ＥＣＧプラットフォーム３７及び／又はＥＣＧアプリケーション２９）は、プロファイル５５２をＥＣＧデータ５５１に割振る。プロファイル５５２は、ディスプレイ１７に表示され、ＥＣＧデータ５５１について一定の情報を含む。例えば、プロファイル５５２は、レビューステータス５５３、タイトル５５４、及びＥＣＧ情報５５５を含む。レビューステータス５５３は、ＥＣＧデータ５５１がレビューされたかどうかについての情報を含む。例えば、レビューステータス５５３は、「レビュー保留中」又は「レビュー済」である。タイトル５５４は、ＥＣＧデータ５５１に関連付けられる文字と数字を含み、ＥＣＧデータ５５１を識別するために使用される。ＥＣＧ情報５５５は、記録持続時間（例えば、１日と２３時間）及び／又はアップロード日付（例えば、２０２０年６月１９日）などのＥＣＧデータ５５１についての情報を含む。

[0173] プロファイル５５２は、ＥＣＧデータ５５１に割振られた１つ又は複数のラベルを含む。例えば、ＥＣＧラベル５５８及びＥＣＧラベル５５９が、プロファイル５５２に追加される。ＥＣＧラベル５５８は、ＥＣＧデータ５５１に割振られる技師又は医療従事者を識別する。ＥＣＧラベル５５９は、異常、状態、ラベル及び／又はＥＣＧデータ５５１を分析するために割振られたシーケンスラベルを識別する。ＥＣＧデータは、描画及び／又は分類ニューラルネットワークによって自動的に処理され、そのためシステムは、ＥＣＧデータにおける異常、症状発現及び／又は状態の存在を自動的に判定し、ＥＣＧラベルをＥＣＧデータ５５１のプロファイル５５２に割振って、ＥＣＧデータを、その異常、症状発現又は状態に関連付けることを理解されたい。例えば、ＥＣＧラベル５５９は、「異常Ｙ」を示す。代替的に、このラベルは手動で追加されてもよい。プロファイル５５２は、ラベルを追加する追加ボタン５５６、及びプロファイル５５２からラベルを削除する削除ボタン５５７を含む。したがって、ＥＣＧラベル５５２は、自動的に生成されてもよいし、ユーザによって生成されてもよい。

[0174] システムによって判定又は取得された様々なＥＣＧデータは、プロファイル５５２中の情報に基づいてカテゴリ化及び／又はフィルタリングされる。例えば、プロファイル５５２中のＥＣＧデータ５５１に割振られたラベルは、ＥＣＧデータをフィルタリングするために使用されてもよい。図１７に図示される例では、ＥＣＧデータ５５２は、ＥＣＧデータの３つの異なるグループに分けられる。第１に、ＥＣＧデータ５５１は、異常Ｙを有するＥＣＧデータを含むグループ５６１に含められる。第２に、ＥＣＧデータ５６３は、技師Ｘに割振られたＥＣＧデータを含むグループ５６３に含められる。加えて、ＥＣＧデータ５５１は、技師Ｘ及び異常Ｙの両方のラベルを有するグループ５６２に更にグループ化される。これらのグループは、個々のグループについて所与のラベルに関連付けられる他のＥＣＧデータを閲覧するために使用される。これは、技師が自身に割振られたＥＣＧデータを見つけるために、及び／又はユーザが類似のラベルを持つＥＣＧデータを閲覧するために、有用なツールである。

[0175] プロファイルは、ＥＣＧデータに埋め込まれていないがＥＣＧデータがＥＣＧシステム内で管理されるやり方に影響を及ぼし得るＥＣＧデータについての情報を含むことを理解されたい。ラベルは、同一組織内のすべてのユーザに可視であってもよいし、そうではなく、組織内の特定のユーザに限定されることもある。

[0176] 次に図１８Ａを参照すると、インターフェース６０１が図示される。インターフェース６０１は、処理ウィンドウ６０２、保留中レビューウィンドウ６０３、及びレビュー済ウィンドウ６０４を含む。処理ウィンドウ６０２は、ＥＣＧ信号のアップロードするために押下されるアップロードボタン６０７を含む。例えば、アップロードボタン６０７によって、ＥＣＧプラットフォーム３７は、データベースからＥＣＧ信号を検索してもよいし、電極にＥＣＧ信号を取得させてもよい。ウィンドウ６０３は、アップロードされてあるがレビューされていないＥＣＧ信号のＥＣＧプロファイルを含む。例えば、プロファイル６０５は、保留中ウィンドウ６０３に含まれ、プロファイル５５２と類似している。追加的に、レビュー済ウィンドウ６０４は、アップロードされ、レビュー済となったＥＣＧ信号のＥＣＧプロファイルを含む。例えば、プロファイル６０６は、レビュー済ウィンドウ６０６に含まれ、プロファイル５５２と類似している。

[0177] 次に図１８Ｂを参照すると、例示のプロファイル６１１が図示される。例示のプロファイル６１１は、処理ウィンドウ６０２又はレビュー済ウィンドウ６０３に含まれる。例示のプロファイル６１１は、プロファイル５５２に類似したプロファイル６１２を含み、タイトル、ＥＣＧ情報、及び少なくとも１つのラベルを含む。図１８に示されるように、プロファイル５５２は、ＥＣＧデータが「分析に戻された」ことを伝える通知６１３を含む。上述したように、これは、ＥＣＧプラットフォーム３７が、分析又は状態及び／若しくは異常の判定において高い信頼度を有していない場合に起こる。また図１８Ｂに示されるように、プロファイル６１２は、ＥＣＧデータが分析される必要がないことを示すために「ｓｔａｔ」を示すラベル６１４などのラベルを更に含む。更には、ラベル追加ボタン６１７は、更なるラベルをプロファイル６１２に追加するために押下される。例えば、ラベルボタン６１７を押下すると、利用可能なラベル及び選択されたラベルプロファイル６１２を示すラベルウィンドウ６１５が与えられる。この例では、ラベル「ｓｔａｔ」が選択され、ラベル「ｎｏｔｉｆｉｃａｔｉｏｎ」は利用可能であるが選択されていない。更には、新しいラベル作成ボタン６１８が、プロファイル６１２用に新しいラベルを作成するためにラベルウィンドウ６１５に含まれる。作成される新しいラベルは、いずれのＥＣＧプロファイルによっても使用される。特定のラベルはデフォルトで利用可能である場合もあるし（例えば、ｓｔａｔ、ｎｏｔｉｆｉｃａｔｉｏｎ）、及び／又は編集には利用可能ではない場合もあることを理解されたい。

[0178] 次に図１８Ｃを参照すると、プロファイル６１１に類似したプロファイル６２５が図示されている。プロファイル６２５は、タイトル、ＥＣＧ情報、及び少なくとも１つのラベルを含むため、プロファイル６１１に類似したプロファイル６２１を含む。例えば、プロファイル６２１は、プロファイル６２１のＥＣＧデータに対応する患者がペースメーカを有していることを示すラベル６２２を含む。ラベルウィンドウ６２６は、プロファイル６２１に含まれ、ラベルウィンドウ６１５と類似している。ラベルウィンドウ６２６は、編集ボタン６２３及び削除ボタン６２４を更に含む。編集ボタン６３２は、ラベルウィンドウ６２２中でラベルの名称を編集するために押下される。更には、削除ボタン６２４は、ラベルウィンドウ６２６中でラベルを削除するために押下される。

[0179] 次に図１８Ｄを参照すると、インターフェース６３１は、保留中レビューウィンドウ６０３に類似した保留中レビューウィンドウ６３２、及びレビュー済ウィンドウ６０４に類似したレビュー済ウィンドウ６３３を図示する。図１８Ｄに示されるように、インターフェース６３１は、ＥＣＧシステムのプロファイルをフィルタリングするために使用されるフィルタウィンドウ６３４を含む。フィルタウィンドウ６３４は、カテゴリセクション６３６及びラベルセクション６３７を含む。カテゴリセクション６３６は、状態、異常、又はイベントに対応する、特殊なタイプのラベルを含む。ラベルセクション６３７は、「ｓｔａｔ」及び「ｎｏｔｉｆｉｃａｔｉｏｎ」などの個々のＥＣＧプロファイルについての情報を示すために、ラベルを含む。ｎｏｔｉｆｉｃａｔｉｏｎは、ＥＣＧデータのハイライトされた部分又はフラグ付けされた部分に相当し、及び／又はＥＣＧデータについての特定の情報を含む。フィルタウィンドウ６３４のカテゴリ及び／又はラベルは、選択されたカテゴリ及び／又はラベルを有するＥＣＧプロファイルのみを表示するように選択される。クリアボタン６３５は、フィルタをリセットするために使用される。

[0180] 次に図１８Ｅを参照すると、新しいＥＣＧ信号をアップロードするために使用されるインターフェース６４１が図示されている。アップロードインターフェース６４１は、図１８Ａ中のアップロードボタン６０７が押下されると生成される。インターフェース６４１は、ＥＣＧデータをＥＣＧシステムにアップロードするために使用されるアップロードウィンドウ６４２を含む。アップロードするＥＣＧファイルが選択されると、ＥＣＧファイルはアップロードキュー６４３に配置され、このアップロードキュー６４３は、アップロードされるよう選択されたファイルを示し、ＥＣＧシステムへのアップロードの進行を視覚的に表示するダウンロードプログレスメータ６４４を更に示す。アップロードキューから、ラベルをＥＣＧファイルに追加するためにラベルウィンドウ６４６が示され、その間ＥＣＧファイルがＥＣＧシステムにアップロードされる。アップロードインターフェースは、アップロードキュー６４３においてＥＣＧ信号用に選択されたラベルを示すラベルウィンドウ６４５を更に含む。

[0181] 次に図１８Ｆを参照すると、保留中レビューウィンドウ６０３に類似した保留中レビューウィンドウ６５１が図示されており、レビューを保留中のＥＣＧプロファイル６５２を含む。図１８Ｆに示されるように、個々のＥＣＧプロファイルの隣にある選択ボタン６５４を押下することによって、２つ以上のＥＣＧプロファイル６５２が同時に選択されてもよい。複数のＥＣＧプロファイル６５２が選択されると、１つ又は複数のラベル及び／又はカテゴリを選択されたＥＣＧプロファイルに追加するために、ラベルウィンドウ６５３が表示される。例えば、ラベルウィンドウ６５３は、複数のラベル選択肢、及び選択されたＥＣＧプロファイルに新しいラベルを追加するために選択される「新しいラベルを作成」選択肢を含む。

[0182] 次に図１８Ｇを参照すると、保留中レビューウィンドウ６０３に類似した保留中レビューウィンドウ６６１が図示されており、ＥＣＧプロファイル６６２を含む。ＥＣＧプロファイル６６２は、タイトル、ＥＣＧ情報、及び少なくとも１つのラベルを含むため、プロファイル６１１に類似している。例えば、ラベル６６３は、プロファイル６６２に対応するＥＣＧデータに通知が追加されたことを示す。ラベル６６３で識別されるラベルはまた、ＥＣＧデータが異なるインターフェース内で拍動ストリップとして表示されている場合に、ＥＣＧデータにも関連付けられる。例えば、次に図１８Ｈを参照すると、インターフェース６７１は、拍動ストリップ６７２などの様々な拍動ストリップを表示する。拍動ストリップ６７２は、ＥＣＧプロファイル６６２に関連付けられるＥＣＧデータに対応する。更なる拍動ストリップ６７２は、ラベル６６３と同一であってもよい、及び／又はフラグのアイコンを含んでもよい、通知６７３を含む。通知６７３は、ラベル６６３と同一の通知を示す。一例では、通知は、ＥＣＧストリップ内での症状発現の存在を示す。通知は、ユーザによって生成される場合もあるし（例えば、医師による通知）、自動的に生成されて（例えば、異常、症状発現、状態などが検出される場合）ＥＣＧプロファイルに割振られる場合もある。通知をＥＣＧデータに追加することによって、そのフラグ付けされたＥＣＧストリップ又はその一部は、ＥＣＧデータに関して最終的に生成されるレポートに自動的に追加される。

[0183] 次に図１９Ａを参照すると、対話的なディスプレイ７０１が図示される。対話的なディスプレイ７０１は、第１のグラフィックウィンドウ１２４に類似した第１のグラフィックウィンドウ７０２、及び第２のグラフィックウィンドウ１２５に類似した第２のグラフィックウィンドウ７０３を含む。対話的なディスプレイ７０１はまた、第１のグラフィックウィンドウ７０２における複数の拍動についての分析又は更なる情報を含む第３のグラフィックウィンドウ７０４を含む。例えば、第３のグラフィックウィンドウ７０４は１つ又は複数の形態を図示しており、それぞれが、上述のようにマッチングされた又は特定の類似性に基づいてグループ化された、複数の拍動ストリップを含む。対話的なディスプレイは、誘導ボタン７０６が押下されると誘導ウィンドウ７０５を開く誘導ボタン７０６を含む。誘導ウィンドウ７０５は、第２のグラフィックウィンドウ７０３及び／又は第３のグラフィックウィンドウ７０４において、選択及び閲覧するために利用可能な誘導のリストを含む。図１９Ａに示されるように、双極誘導１が選択されており、双極誘導２及び双極誘導３もまた、第２のグラフィックウィンドウ７０３及び／又は第３のグラフィックウィンドウ７０４における表示用に利用可能であるが、選択されていない。更には、誘導追加ボタン７０７は、第２の誘導からのＥＣＧデータを同時に表示するために押下される。

[0184] 次に図１９Ｂを参照すると、第２のグラフィックウィンドウ７０３及び／又は第３のグラフィックウィンドウ７０４における表示用に選択された２つの誘導を用いる対話的なディスプレイ７０１が図示される。具体的には、図１９Ａの誘導ボタン７０７が押下された後、誘導ウィンドウ７０５に類似した誘導ウィンドウ７１２に加えて第２の誘導ボタン７１１が現れ、第２のグラフィックウィンドウ７０３及び／又は第３のグラフィックウィンドウ７０４において選択及び表示する、利用可能な誘導の同一のリストを含む。誘導ボタン７０６及び７１１を使用して、第２のグラフィックウィンドウ７０３及び／又は第３のグラフィックウィンドウ７０４において表示に利用可能な誘導のリストから２つの異なる誘導が選択される。２つの異なる誘導は、同一時間フレームに対応し、同一のサンプリング周波数を有する。誘導は、患者の身体の異なる部位に配置された２つの異なる誘導であるため、これらの誘導が検出する心臓活動が同一であっても、わずかに異なるＥＣＧデータが検出される場合がある。

[0185] 図１９Ｂに示されるように、検出されたデータが水平なｘ軸に沿って同一時間において示されるように、第２のグラフィックウィンドウ７０３及び第３のグラフィックウィンドウ７０４は、２つの異なる誘導から同期したＥＣＧデータ（例えば、ストリップ）を表示する。具体的には、ＥＣＧストリップ７１３及びＥＣＧストリップ１４は、第３のグラフィックウィンドウ７０４に表示され、ＥＣＧストリップ７１５及びＥＣＧストリップ７１６は第２のグラフィックウィンドウ７０３に表示される。ＥＣＧストリップ７１３は、ＥＣＧストリップ７１５に対応し、ＥＣＧストリップ７１４はＥＣＧストリップ７１６に対応する。２つの異なるＥＣＧストリップを同時に表示することは、ＥＣＧイベント、症状発現、異常、不規則性、及び／又は状態のより良い理解を促進することを理解されたい。例えば、１つの誘導がノイズを検出しても、他の誘導でノイズが検出されない場合は、このノイズは無視されてもよい。別の例では、あるＥＣＧストリップで異常がかすかなものであっても、２つ目のＥＣＧストリップでは、１つ目の誘導に対する２つ目の誘導の場所に起因して、はるかに顕著な場合がある。更なる比較のために、誘導ウィンドウ７１２を使用して、示される２つ以外の異なる誘導を選択してもよいことを更に理解されたい。第２のグラフィックウィンドウ７０３及び第３のグラフィックウィンドウ７０４には２つの誘導が示されるが、３つ以上の誘導（例えば、３誘導、４誘導、５誘導など）が表示されてもよいことを更に理解されたい。

[0186] 次に図２０を参照すると、心房細動のリスクスコアを決定するための例示のプロセスが図示される。図２０に図示されるプロセスを使用して、心房細動イベントを含んでいないＥＣＧデータに基づいて、近い将来（例えば、今後７日間）の心房細動のリスクが判定される。ＥＣＧデータは、１～３誘導など１２未満の誘導から生成され、ＥＣＧ記録デバイスは移動式デバイスであることを理解されたい。図２０で描かれるプロセスのステップの一部又はすべては、あらゆる数のデバイス（例えば、コンピューティングデバイス及び／又はサーバ）に分散した様式で実行されてもよい。例えば、図２０に図示されるプロセスは、図２に関して上述したサーバ１５によって実施される。プロセスのステップの一部又はすべては任意選択であり、異なる順序で実施されてもよい。

[0187] 図２０で説明されるプロセスを開始するために、ステップ８０２では、ＥＣＧデータを含むＥＣＧ信号が決定される。例えば、これにはＥＣＧプラットフォームで生のＥＣＧデータを受信することを含む。生のＥＣＧデータは、任意選択で、（例えば、ノイズを除去するために）上述のように前処理される。ＥＣＧデータは、一定の時間（例えば、２４時間）に渡ってもよいし、及び／又は２４時間ホルタによって生成されてもよい。代替的に、ＥＣＧデータは、長い記録（例えば、７日間ホルタ記録）の一部（例えば、２４時間）であってもよい。あらゆる他の記録時間が使用されてもよいことを理解されたい。

[0188] ＥＣＧデータを受信及び／又は決定すると、ステップ８０４では、ＥＣＧデータは、描画を実施するために、少なくとも１つの描画アルゴリズムを使用して分析及び／又は処理される。例えば、１つ又は複数のアルゴリズム及び／又はニューラルネットワークは、描画を実施するよう訓練され、ＥＣＧデータを処理してＱＲＳ発生を決定する。ステップ８０４の後、ステップ８０６～８１２、８１４～８２８、及び／又は８３０～８３６が、順次又は同時に実施される。ステップ８０６では、拍動のシーケンスが決定される。例えば、ＱＲＳ発生に基づいて、拍動のシーケンスが識別され、この情報に基づいてＥＣＧデータがセグメント化される、及び／又はＥＣＧデータのセグメントがスタックされるかグループ化される。ステップ８０８では、各拍動から特徴が抽出される。例えば、各拍動（例えば、ＥＣＧデータのセグメント）は、各拍動から特徴を抽出する１つ又は複数のニューラルネットワーク（例えば、深層ニューラルネットワーク）によって処理される。モデル（例えば、ニューラルネットワーク）は、心房細動のリスクを示す、及び／又はそのリスクを予測する若しくはそのリスクに関する予測を知らせる、特徴を判定するように訓練される。

[0189] ステップ８１０では、拍動は、各拍動から抽出した特徴に基づいて比較される。例えば、特定の特徴を有する拍動が識別されてもよいし、特定の特徴を有する拍動の傾向若しくはパターンが判定されてもよいし、及び／又は類似の特徴を有する拍動がグループ化されてもよい。ステップ８１２では、ステップ８０８において抽出された特徴、及び／又はステップ８１０の拍動の比較に基づいて心房細動リスクスコアが生成される。例えば、ステップ８０８で識別された特定の特徴の存在、及び／又はステップ８１０で識別された特定の特徴を有する拍動の傾向若しくはパターンは、ステップ８１２で心房細動リスクスコアを決定するために使用される。この心房細動リスクスコアは、近い将来（例えば、今後７日間）における患者の心房細動イベントのリスクを示す。

[0190] 再度ステップ８０４を参照すると、描画が行なわれた後、ＥＣＧデータ及び／又は描画アルゴリズムの１つ若しくは複数の出力は、ステップ８１４で分類を実施するために、少なくとも１つの分類アルゴリズムを使用して分析及び／又は処理される。例えば、ＥＣＧデータ及び／又は描画アルゴリズムの１つ若しくは複数の出力（例えば、ＱＲＳ発生）は、拍動に対応するＥＣＧデータ又はその一部を、正常、ＰＡＣ、又はＰＶＣに分類するために分析される。ステップ８０４の後、ステップ８１６～８２８、及び８３０～８３６が、順次又は同時に実施される。

[0191] ステップ８１６では、ＥＣＧデータで検出された拍動についてのタイミングデータが決定される。例えば、タイムスタンプ又は他の時間データが、各拍動について決定される。タイムスタンプは、記録の始まり以降で拍動が発生した時間である。ステップ８１８では、識別された拍動に基づく心拍数データが決定される。心拍数データは、各拍動に対して決定されたタイムスタンプに基づいて、各拍動のＲＲ時間を識別することによって決定される。ステップ８２０では、心拍数－時間（ＨＲ時間）行列が決定される。ＨＲ－時間行列は、ステップ８１６で決定された時間データと、ステップ８１８で決定された心拍数データとによって形成される。例えば、ＨＲ－時間行列の各行は、心拍数値のビンを表し、各列は、タイムスタンプのビンを表し、図１１及び図１２に関して上述した手法に類似している。

[0192] ステップ８２４では、ＨＲ－時間行列の図表現が生成される。ＨＲ－時間行列の図表現は、ステップ８１４で識別された拍動カテゴリ（例えば、正常、ＰＡＣ、及びＰＶＣ）を使用して構築される。例えば、ＨＲ－時間行列の図表現は、図２１に図示される。図２１に示されるように、図表現８５０は、ｘ軸に沿った時間を含み、時間に対してプロットされた複数の心拍数ポイントを含む。図表現８５０は、識別子８５２及び識別子８５３を含み、これらの識別子は、図表現８５０の時間に関してＰＡＣ又はＰＶＣを識別する。特定のカテゴリ（例えば、ＰＡＣ、ＰＶＣなど）では、拍動のみを用いて類似の図表現が生成されることを理解されたい。

[0193] 再度図２０を参照すると、ステップ８２６では、ステップ８２４で生成された図表現は、心房細動のリスク又は可能性を判定するように訓練された１つ又は複数のニューラルネットワークによって処理される。１つ又は複数のニューラルネットワークは、例えばＤＮＮ及び／又はＣＮＮである。ステップ８２８では、心房細動のリスクを示すスコアが、図表現を処理するために使用された１つ又は複数のニューラルネットワークによって生成される。一例では、１つ又は複数のニューラルネットワークは、追加的に又は代替的に、ＰＡＣ及び／又はＰＶＣと分類された拍動のみを使用して図表現を処理することがある。

[0194] ステップ８１４の後、代替的に、ステップ８３０で患者情報が判定される。例えば、ステップ８０２で決定されたＥＣＧデータに対応する患者についての情報、例えば年齢、性別、患者病歴、家族病歴などが判定される。ステップ８３２では、ＰＡＣの数、ＰＶＣの数、心拍数統計値、年齢などの特徴が判定される。心拍数統計値は、例えば最大心拍数、最小心拍数、及び／又は平均心拍数である。一例では、１つ又は複数のニューラルネットワークは、心房細動のリスクに関連する特徴を抽出及び／又は判定するために使用される。例えば、後で（例えば、数日後）心房細動があると分かるが、ＥＣＧ信号には心房細動が見られないＥＣＧデータセットを、１つ又は複数のニューラルネットワークを使用して処理して、後で（例えば、今後７日間以内）心房細動を発症したと分かっている患者に関連付けられる、心房細動のないＥＣＧデータに関連する特徴（例えば、ＰＡＣの数、ＰＶＣの数、ＨＲ統計値、年齢、及び／又は性別）を判定することができる。

[0195] ステップ８３４では、ステップ８３２で判定された特徴を分類器（例えば、１つ又は複数のニューラルネットワーク）に適用して、そのようなＥＣＧデータ及び患者情報についてのリスクスコアを最終的に決定する。例えば、分類器は、将来（例えば、今後７日間）に患者が心房細動を発症する可能性又はリスクを知らせるために使用され得る１つ又は複数の特徴の存在を判定する。一例では、分類器は、ＤＮＮ、ロジスティック回帰、及び／又はランダムフォレストである。

[0196] ステップ８３８では、ステップ８１２、ステップ８２８、及び／又はステップ８３６で決定された心房細動リスクスコアは、最終心房細動リスクスコアを決定するために使用され、この最終心房細動リスクスコアは、近い将来（例えば、今後２～３日間、今後７日間、翌月など）患者が１つ又は複数の心房細動イベントを発症するリスク又は可能性を示す。ステップ８０２で判定されるＥＣＧデータは、心房細動イベントを含んでいないが、ステップ８１２、８２８、８３６、及び８３８で決定されるスコアは、将来的な心房細動イベントの可能性又はリスクを示すことを理解されたい。

[0197] ステップ８１２、８２８、及び／又は８３６で決定される心房細動リスクスコアは、最終心房細動リスクスコアを決定するように訓練されたモデル（例えば、１つ又は複数のニューラルネットワーク）に入力してもよい。別の例では、ステップ８１２、８２８、８３６で決定されるリスクは平均化されてもよいし、代替的に重み付けされた平均又は結合されたスコアが決定されてもよい。代替的に、これらのリスクは、ステップ８３８で最終心房細動リスクスコアを決定するように、他のやり方で結合されてもよい。

[0198] 任意選択のステップ８３９では、ＥＣＧモニタリング期間は、最終心房細動リスクに基づいて調節される。例えば、最終心房細動リスクスコアが、近い将来患者が心房細動を発症するリスクが高いことを示す（例えば、最終心房細動リスクが、今後７日間以内で心房細動のリスクが高いことを示す一定のしきい値を満足する及び／又は越える）場合、ＥＣＧ処理システムによって、ＥＣＧレコーダは、予測される心房細動イベントを（例えば、今後７日間で）捉えるために、ＥＣＧモニタリングをセット、延長、及び／又は調節する。例えば、ＥＣＧ処理システムによって、移動式記録デバイスは、予測される心房細動イベントを捉える期間、ＥＣＧデータを記録する。

[0199] 本明細書で上述したどの動作も、少なくとも一部、コンピュータ可読メモリに記憶されるコンピュータ可読命令として実行されることを理解されたい。プロセッサによってコンピュータ可読命令が実行されると、コンピュータ可読命令によって、ノードが動作を実行する。もちろんのことであるが、本明細書で説明される実施形態は例示的であり、コンポーネントは多様で異なる構成で配置、置換、結合、及び設計され、それらのすべてが、本開示の範囲内で企図され、その範囲に含まれることも理解されたい。

[0200] 例示的な実施形態の前述の説明は、例示目的及び説明目的で提示された。開示される精密な形態に関して、網羅的又は限定的であるよう意図されておらず、修正形態及び変形形態は、上記教示に照らして可能であるか、開示される実施形態の実用から得られる場合もある。本発明の範囲は、特許請求の範囲によって定められるよう意図されている。

Claims (30)

1. 患者の心電図（ＥＣＧ）データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
   心イベントの存在を判定するために前記ＥＣＧデータを分析することと、
   前記ＥＣＧデータの前記分析に基づいて、前記心イベントが存在すると判定される場合、表示用に前記心イベントの前記存在を識別するために情報を生成することと、
   前記ＥＣＧデータの前記分析に基づいて、前記心イベントが存在しないと判定される場合、前記ＥＣＧデータを更に分析して、表示用に前記心イベントの将来的なリスクを示すリスクスコアを決定することと
   を行なう、コンピュータ化されたシステム。
2. 前記心イベントが、心房細動である、請求項１に記載のコンピュータ化されたシステム。
3. 前記コンピュータ化されたシステムが、
   前記ＥＣＧデータに対して描画を実施して、複数の拍動を決定することと、
   前記複数の拍動から複数の第１の特徴を抽出することと、
   前記複数の第１の特徴に基づいて第１のリスクスコアを決定することであって、前記第１のリスクスコアが、前記患者の将来的な心房細動を示す、当該決定することと
   を更に行なう、請求項１に記載のコンピュータ化されたシステム。
4. 前記ＥＣＧデータに対して描画を実施することが、複数のＱＲＳ発生値を決定する、請求項３に記載のコンピュータ化されたシステム。
5. 前記コンピュータ化されたシステムが、
   前記ＥＣＧデータに対して分類を実行して、前記複数の拍動のうちの拍動を、正常、心房性期外収縮（ＰＡＣ）、心室性期外収縮（ＰＶＣ）に分類することと、
   前記複数の拍動に対応する複数のタイムスタンプを決定することと、
   前記複数のタイムスタンプに基づいて複数の心拍数値を決定することと、
   前記複数のタイムスタンプ及び前記複数の心拍数値に基づいて行列を決定することと、
   前記行列の図表現を生成することと、
   前記行列の前記図表現を少なくとも１つのニューラルネットワークを使用して処理して、前記患者の将来的な心房細動を示す第２のリスクスコアを決定することと
   を更に行なう、請求項３に記載のコンピュータ化されたシステム。
6. 前記少なくとも１つのニューラルネットワークが、少なくとも１つの深層ニューラルネットワーク（ＤＮＮ）である、請求項５に記載のコンピュータ化されたシステム。
7. 前記コンピュータ化されたシステムが、
   前記患者に対応する患者情報を判定することであって、前記患者情報が前記患者の年齢及び性別のうち、１つ又は複数を含む、当該判定することと、
   心房細動を示す前記ＥＣＧデータの複数の第２の特徴を判定することと、
   前記複数の第２の特徴を分類器に適用して、前記患者の将来的な心房細動を示す第３のリスクスコアを決定することと
   を更に行なう、請求項５に記載のコンピュータ化されたシステム。
8. 前記分類器が、ＤＮＮ、ロジスティック回帰、及びランダムフォレストのうちの１つ又は複数である、請求項７に記載のコンピュータ化されたシステム。
9. 前記リスクスコアが、前記第１のリスクスコア、前記第２のリスクスコア、及び前記第３のリスクスコアのうちの１つ又は複数に基づいている、請求項７に記載のコンピュータ化されたシステム。
10. 前記コンピュータ化されたシステムが、
    前記第１のリスクスコア、前記第２のリスクスコア、及び前記第３のリスクスコアの平均を決定して、前記リスクスコアを決定すること
    を更に行なう、請求項７に記載のコンピュータ化されたシステム。
11. 前記コンピュータ化されたシステムが、
    前記第１のリスクスコア、前記第２のリスクスコア、及び前記第３のリスクスコアを、前記リスクスコアを決定するよう訓練された第１のニューラルネットワークに適用すること
    を更に行なう、請求項７に記載のコンピュータ化されたシステム。
12. 前記リスクスコアが、一定期間における心房細動の可能性を示し、前記コンピュータ化されたシステムが、
    ＥＣＧレコーダに、前記一定期間、第２のＥＣＧデータを捉えさせること
    を更に行なう、請求項１に記載のコンピュータ化されたシステム。
13. 患者の心電図（ＥＣＧ）データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
    描画アルゴリズムを使用して前記ＥＣＧデータを分析して少なくとも１つの波の存在の可能性を示す波形情報を決定することと、
    ベースライン分類アルゴリズムを使用して前記ＥＣＧデータ及び前記波形情報を分析することと、
    前記ベースライン分類アルゴリズムを使用して、少なくとも１つの心イベントの存在を示す第１の値を決定することと、
    前記ベースライン分類アルゴリズムと比較して感度を下げた鈍化分類アルゴリズムを使用して前記ＥＣＧデータ及び前記波形情報を分析することと、
    前記鈍化分類アルゴリズムを使用して第２の値を決定することと、
    前記ベースライン分類アルゴリズムと比較して感度を高めた敏感分類アルゴリズムを使用して前記ＥＣＧデータ及び前記波形情報を分析することと、
    前記敏感分類アルゴリズムを使用して第３の値を決定することと、
    前記少なくとも１つの心イベントの前記存在を示す前記第２の値及び前記第３の値に基づいて、前記ベースライン分類が有効であることを判定することと
    を行なう、コンピュータ化されたシステム。
14. 前記コンピュータ化されたシステムが、前記少なくとも１つの心イベントの前記存在に対応するレポートを自動的に生成することを更に行なう、請求項１３に記載のコンピュータ化されたシステム。
15. 患者の心電図（ＥＣＧ）データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
    描画アルゴリズムを使用して前記ＥＣＧデータを分析して少なくとも１つの波の存在の可能性を示す第１の情報を決定することと、
    複数の分類ニューラルネットワークを使用して前記ＥＣＧデータ及び前記第１の情報を分析することであって、前記複数の分類ニューラルネットワークのそれぞれが、前記分類ニューラルネットワークに一意な重み付けされた値を利用する、当該分析することと、
    前記複数の分類ニューラルネットワークを使用して複数の出力を決定することであって、前記複数の出力のそれぞれの出力が、前記複数の分類ニューラルネットワークのうちの１つの分類ニューラルネットワークに対応する、当該決定することと、
    コンバイナを使用して前記複数の出力を分析して、心房細動の確率、及び前記心房細動の確率の精度を示す信頼度スコアを決定することと
    を行なう、コンピュータ化されたシステム。
16. 前記コンバイナが、前記複数の出力を平均することによって、平均値を決定する、請求項１５に記載のコンピュータ化されたシステム。
17. 前記コンバイナが、前記複数の出力の最小値を決定する、請求項１５に記載のコンピュータ化されたシステム。
18. 前記コンバイナが、前記複数の出力の最大値を決定する、請求項１５に記載のコンピュータ化されたシステム。
19. 患者の心電図（ＥＣＧ）データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
    描画アルゴリズムを使用して前記ＥＣＧデータを分析して少なくとも１つの波の存在の可能性を示す第１の情報を決定することと、
    入力変形器を使用して前記ＥＣＧデータ及び前記第１の情報を分析して前記ＥＣＧデータを修正し、複数の入力を生成することと、
    分類ニューラルネットワークを使用して前記複数の入力を分析することと、
    前記分類ニューラルネットワークを使用して複数の出力を決定することであって、前記複数の出力のそれぞれの出力が、前記複数の入力のうちの１つの入力に対応する、当該決定することと、
    コンバイナを使用して前記複数の出力を分析して、心房細動の確率、及び心前記房細動の確率の精度を示す信頼度スコアを決定することと
    を行なう、コンピュータ化されたシステム。
20. 前記コンバイナが、前記複数の出力を平均することによって、平均値を決定する、請求項１９に記載のコンピュータ化されたシステム。
21. 前記コンバイナが、前記複数の出力の最小値を決定する、請求項１９に記載のコンピュータ化されたシステム。
22. 前記コンバイナが、前記複数の出力の最大値を決定する、請求項１９に記載のコンピュータ化されたシステム。
23. 前記入力変形器が、フロート値を使用して前記ＥＣＧデータを増幅するために、増幅変形を実行する、請求項１９に記載のコンピュータ化されたシステム。
24. 前記入力変形器が、前記ＥＣＧデータを時間的にワーピングするために、伸張変形を実行する、請求項１９に記載のコンピュータ化されたシステム。
25. 患者の心電図（ＥＣＧ）データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
    描画アルゴリズムを使用して前記ＥＣＧデータを分析して少なくとも１つの波の存在の可能性に対応する第１の情報を決定することと、
    分類アルゴリズムを使用して前記ＥＣＧデータ及び前記第１の情報を分析して、前記ＥＣＧデータに対応する複数の特徴マップを抽出することと、
    前記複数の特徴マップを再帰ニューラルネットワークに適用することと、
    前記再帰ニューラルネットワークを使用して前記複数の特徴マップを分析して、第１の拍動の直前に生じた第２の拍動を示す、前記複数の特徴マップのうちの１つの特徴マップに基づいて、前記第１の拍動に対応するシーケンスラベルを決定することと
    を行なう、コンピュータ化されたシステム。
26. 前記シーケンスラベルが、異所性、上室性、又はＰＶＣのうちの１つである、請求項２５に記載のコンピュータ化されたシステム。
27. 患者の心電図（ＥＣＧ）データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
    第１の誘導に対応する第１のＥＣＧデータと第２の誘導に対応する第２のＥＣＧデータとを含む、複数のＥＣＧデータを決定することと、
    ＥＣＧインターフェースに、前記第１のＥＣＧデータの少なくとも一部の第１の図表現を表示させることと、
    命令を決定して、前記第１の図表現に加えて前記第２のＥＣＧデータの少なくとも一部の第２の図表現を表示することと、
    前記ＥＣＧインターフェースに、前記第１の図表示と同期させて前記第２の図表示を、同時に表示させることと
    を行なう、コンピュータ化されたシステム。
28. 前記コンピュータ化されたシステムが、
    第３の誘導に対応する第３のＥＣＧデータを決定することであって、前記複数のＥＣＧデータが、前記第３のＥＣＧデータを更に含む、決定することと、
    命令を決定して、前記第３のＥＣＧデータ及び前記第２のＥＣＧデータの少なくとも一部の第３の図表現を表示することと、
    前記ＥＣＧインターフェースに、前記第２の図表現と同期させて前記第３の図表現を、同時に表示させることと
    を更に行なう、請求項２７に記載のコンピュータ化されたシステム。
29. 患者の心電図（ＥＣＧ）データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
    ＥＣＧデータを、ＥＣＧデータのデータベースから、前記コンピュータ化されたシステムにアップロードすることと、
    プロファイルを前記ＥＣＧデータに割振ることと、
    所定のラベルを前記ＥＣＧデータに関連付けるために命令を決定することと、
    前記所定のラベルを前記ＥＣＧデータに関連付けられる前記プロファイルに割振ることと、
    命令を決定して、前記所定のラベルに基づいて複数のＥＣＧプロファイルをフィルタリングすることであって、前記複数のプロファイルが前記プロファイルを含む、フィルタリングすることと
    を行なう、コンピュータ化されたシステム。
30. 前記コンピュータ化されたシステムが、
    心イベントの存在を判定するために前記ＥＣＧデータを分析することと、
    第２のラベルを前記ＥＣＧデータに関連付けられる前記プロファイルに割振ることであって、前記第２のラベルが前記心イベントの前記存在に基づいている、割振ることと
    を更に行なう、請求項２９に記載のコンピュータ化されたシステム。

Images