TW201914626A - 人工智慧心臟急性病發預警的方法 - Google Patents
人工智慧心臟急性病發預警的方法 Download PDFInfo
- Publication number
- TW201914626A TW201914626A TW106134153A TW106134153A TW201914626A TW 201914626 A TW201914626 A TW 201914626A TW 106134153 A TW106134153 A TW 106134153A TW 106134153 A TW106134153 A TW 106134153A TW 201914626 A TW201914626 A TW 201914626A
- Authority
- TW
- Taiwan
- Prior art keywords
- mfp
- risk
- heart
- physiological
- lvet
- Prior art date
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一種人工智慧心臟急性病發預警的方法,透過感測裝置測量受檢者生理訊號得到心震圖及心電圖,處理裝置辨識特徵點並計算出特徵值、生理標記,將高度相關的生理標記及對應心臟急性病症結果,輸入極限學習機以建立預測模型,再根據各生理標記不同影響因子計算病發風險綜合機率值以建立人工智慧風險評估系統;另一種方式,係將特徵點、特徵值及生理標記傳送至具有複數風險因子的人工智慧風險評估系統內,並與相對應常模比對及將異常風險因子加總後即得到病發風險綜合機率值,再透過判讀模組判定危險等級,據此回報使用者或醫療端達到事前預警。
Description
一種心臟急性病發預警的方法,尤指一種人工智慧心臟急性病發預警的方法,藉由感測裝置連續、即時進行心臟生理訊號量測,並經處理裝置自動辨識生理訊號之特徵點、特徵值及生理標記後,再藉由人工智慧風險評估系統能提供提供風險評估、回報及事前預警。
心血管疾病一直高居十大死因之一,而心血管疾病可怕之處在於可能是在無預警的情況下發生猝死,而一般大眾往往會忽略心臟急性病發的可能,除了自身毫無察覺之外,心臟急性病發當下也不一定能馬上求援,縱然患者在心臟急性病發後送醫,患者抵達醫院時間大多超過黃金90分鐘的救援時間,可能導致心肌細胞壞死、心肌組織纖維化或心衰竭等危害。
隨著醫療的進步,心臟急性病發已經能在發病前早期偵測,然而心臟急性病發風險是需要長時間的觀察及檢測,現階段的心臟病患多仰賴定期回醫院的檢查來評估病情,但病人前往醫院診間檢查的數據即使一切正常,但病人返家後仍有可能突然發病,急救不及而發生憾事。因此定期回院檢查不一定能診斷出可能發病之潛在風險。在臨床上,對於心臟急性病發的患者均係透過超音波影像或是核磁共振來評估病情,但由於設備昂貴並需要專業的醫師操作及其主觀經驗來判讀左 心室最大及最小的腔室面積,因此仍存在著複雜、費時及不同醫師因主觀意識不同而影響判別的問題;此外,並非每家醫院都設有超音波影像或是核磁共振設備,尤其急診室通常沒有設置上述設備,因此當病患緊急送達急診室時,無法立刻以超音波影像或是核磁共振設備判定心衰竭病徵,而得到適時的診斷和處置;換言之,現有的人工判讀技術無法提供事前的預警、沒有居家監測,更沒有自動判別心臟急性病發風險的功能。
有鑑於此,發明人本於多年從事醫療器材之製造開發與設計經驗,針對上述之目標,詳加設計與審慎評估後,終得一確具實用性之本發明。
為達上述目的,本發明提供一種人工智慧心臟急性病發預警的方法,包括:(1)一感測裝置可供受檢者穿戴進行心臟電訊號及心臟部位體表震動訊號的生理訊號測量,進而得到心電圖及心震圖,接著由該感測裝置將上述生理訊號數據傳送至一具智慧型功能的處理裝置;(2)該處理裝置內部設有一自動辨識演算軟件,該自動辨識演算軟件依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之特徵點,該處理裝置再依兩個特徵點發生的時間間隔差值計算出特徵值(心搏時間參數,Cardiac Time Intervals,CTIs),再由特徵值計算出生理標記(Myocardial Functional Physio-marker,MFP);(3)該處理裝置將複數受檢者臨床評估指數呈現高度相關的複數生理標記,及相對應的臨床醫師判斷心臟急性病症之結果,輸入至位於雲端平台的極限學習機以建立一預測模型,該預測模型將各該生理標記所得之預測結果,再透過各個生理標記不 同影響因子計算病發風險綜合機率值,以建立一人工智慧風險評估系統;(4)接著,該人工智慧風險評估系統會將病發風險綜合機率值由一判讀模組依病發風險綜合機率閥值來判定低風險等級、中風險等級或高風險等級,再將判讀結果回報訊息傳送至使用者或醫療端,當所述的風險等級為高風險時,該人工智慧風險評估系統將會提供預警訊號。
其中步驟(3)所述之預測結果係指各該生理標記經預測模型所產生的單一生理標記病發風險機率。
其中步驟(3)所述之計算病發風險綜合機率值公式為,R i 為某一生理標記經預測模型所產生之單一生理標記病發風險機率,W i 為對於心臟急性病發病患利用與臨床評估指數(LVEF)統計出高度正相關的複數生理標記,計算出各生理標記不同影響因子。
其中步驟(3)所述之該預測模型建立後,透過隨機採用已知結果的受檢者判例輸入至該預測模型內進行測試,檢測該預測模型的判讀結果是否與已知結果相符,如不相符會持續進行修正,以提高該預測模型的準確率。
本發明另外提供一種人工智慧心臟急性病發預警的方法,包括:(1)一感測裝置可供受檢者穿戴進行心臟電訊號及心臟部位體表震動訊號的生理訊號測量,進而得到心電圖及心震圖,接著由該感測裝置將上述生理訊號,透過一無線通訊即時匯集匣道傳送至一具智慧型功能的處理裝置;(2)該處理裝置內部設有一自動辨識演算軟件,該自動辨識演算軟件依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之心震圖特徵點及心電圖特徵點(Q、R、S),由該處理裝 置將兩個心震圖特徵點發生的時間間隔差值計算出特徵值(心搏時間參數,CTIs),再由特徵值計算出生理標記;(3)上述之特徵點、特徵值及生理標記會傳送至一人工智慧風險評估系統,該人工智慧風險評估系統係設置於該處理裝置內部,該人工智慧風險評估系統具有複數風險因子,所述複數風險因子分別結合心震圖特徵點到心電圖Q點的時間差值、心電圖QRS波形幾何參數或生理標記之任一組合,並與相對應的常模比對,再將異常之風險因子對應之加權機率值加總,得到病發風險綜合機率值;(4)該人工智慧風險評估系統會將病發風險綜合機率值由一判讀模組依病發風險綜合機率閥值來判定低風險等級、中風險等級或高風險等級,再將判讀結果回報訊息傳送至使用者或醫療端,當所述的風險等級為高風險時,該人工智慧風險評估系統將會提供預警訊號,並藉由該處理裝置通知使用者或傳送至雲端平台。
其中所述之風險因子具有5個且分別對應至心震圖的4個瓣膜AV、PV、TV、MV及心電圖的生理訊號,4個瓣膜的心震圖可根據其中一項特徵點與心電圖Q點的時間差值與常模比較是否異常,心電圖QRS波形幾何參數可與常模比較是否異常,最後再將心震圖及心電圖異常風險因子對應之加權機率值加總,即可獲得受檢者之病發風險綜合機率值。
其中風險因子具有12個,分別對應12項心震圖之心臟搏動週期所計算的生理標記,該12項生理標記分別為MFP-1、MFP-2、MFP-3、MFP-4、MFP-5、MFP-6、MFP-7、MFP-8、MFP-9、MFP-10、MFP-11、MFP-12,上述12個風險因子之異常發生機率為平均分配;各個生理標記與其相對應之常模比對,該人工智慧風險評估系統即可判定各個風險因子是否異 常,最後再將異常風險因子所對應之加權機率值加總,即可獲得受檢者之病發風險綜合機率值。
其中風險因子具有20個,分別對應12項心震圖之心臟搏動週期所計算的生理標記及8項特徵值變異數計算後之生理標記,該12項生理標記分別為MFP-1、MFP-2、MFP-3、MFP-4、MFP-5、MFP-6、MFP-7、MFP-8、MFP-9、MFP-10、MFP-11、MFP-12,該8項特徵值變異數計算後之生理標記分別為MFP-13、MFP-14、MFP-15、MFP-16、MFP-17、MFP-18、MFP-19、MFP-20,上述20個風險因子的異常發生機率均為平均分配;該12項生理標記以及該8項經過特徵值變異數計算後之生理標記各別與其相對應之常模比對,該人工智慧風險評估系統即可判定各個風險因子是否異常,最後再將異常風險因子所對應之加權機率值加總,即可獲得受檢者之病發風險綜合機率值。
其中所述特徵點分別為二尖瓣瓣膜關閉時點(Mitral valve close,MC)、等容移動時點(Isovolumic movement,IM)、主動脈瓣瓣膜開啟時點(Aortic valve open,AO)、等容收縮時點(Isovolumic contraction,IC)、左心室快速射血時點(Rapid ventricular ejection,RE)、主動脈瓣瓣膜關閉時點(Aortic valve close,AC)、二尖瓣瓣膜開啟時點(Mitral valve open,MO)、心房舒張充血最快速度時點(Peak of rapid diastolic filling,RF)、心房收縮最快速度時點(Peak of atrial systole,AS)、左心室側壁收縮最大速度時點(Left ventricular lateral wall contraction peak velocity,LCV)、心室中膈收縮最大速度時點(Septal wall contraction peak velocity,SCV)、經主動脈瓣血流最快流速時點(Trans-aortic valvular maximal flow,AF)、經肺動脈瓣血流最快流速時 點(Trans-pulmonary maximal flow,PF)、經二尖瓣血流收縮部分最快流速時點(Trans-mitral ventricular relaxation maximal flow,MFE)、經二尖瓣心房收縮部分最快流速時點(Trans-mitral atrial contraction maximal flow,MFA),各個特徵點採用特徵波形擷取法則,並於特定時間區間內進行辨識及擷取,十五個特徵點的擷取法則如下:(1)MC:在ECG-R波對齊線往後,在0.015秒之內,由二尖瓣瓣膜區的最高峰值點;(2)IM:在ECG-R波對齊線往後,在0.06秒之內,由肺動脈瓣膜區的最低谷值點;(3)AO:在ECG-R波對齊線往後,在0.015~0.038秒之內,由主動脈瓣膜區的最高峰值點;(4)IC:在ECG-R波對齊,AO點後的最低谷值點;(5)RE:在ECG-R波對齊線往後0.085~0.15秒之間,由主動脈瓣膜區的第二高峰值點;(6)AC:在ECG-R波對齊線往後0.35~0.4025秒之內主動脈瓣膜區的最大峰值點;(7)MO:在ECG-R波對齊0.39~0.5秒之內三尖瓣區位置最大峰值點對應到二尖瓣區的鄰近谷值點;(8)RF:在ECG-R波對齊0.3~0.5秒之內二尖瓣膜區的第四峰值點;(9)AS:在ECG-R波對齊線往前,二尖瓣膜區位置,0.02秒外的第二峰值點;(10)LCV:在ECG-R波對齊線往後0.05~0.11秒之間,二尖瓣膜區最大峰點;(11)SCV:在ECG-R波對齊線往後0.05~0.11秒之間,由三尖瓣膜區的第二個峰點;(12)AF:在ECG-R波對齊線往後0.085~0.15秒之間,由主動脈瓣膜區的第二個峰點;(13)PF:在ECG-R波對齊線往後0.085~0.15秒之間,由肺動脈瓣膜區的第二個峰點;(14)MFE:在ECG-R波對齊線往後0.37秒之後,由三尖瓣膜區的最大峰點後的第二個峰點對應到二尖瓣膜區的峰點;(15)MFA:在ECG-R波對齊線往前,二尖瓣膜區位置,0.02秒外的第二個峰點。
上述中,所述之特徵值使用的計算方式列舉說明為△T(a-b)= Tb-Ta(a,b:為特徵點;△T:為時間差值;△T(a-b):b特徵點之時間值減去a特徵點之時間值),根據上述計算方式,本案所使用特徵值的運算式如下所述:EMD=△T(Q-MC)=TMC-TQ、IVCT=△T(MC-AO)=TAO-TMC、PEP=△T(Q-AO)=TAO-TQ、RET=△T(AC-AF)=TAF-TAC、LVET=△T(AO-AC)=TAC-TAO、SYS=△T(MC-AC)=TAC-TMC、IVRT=△T(AC-MO)=TMO-TAC、、LVFT=△T(MO-(MC)n+1=T(MC)n+1-TMO、DIA=△T(AC-(MC)n+1)=T(MC)n+1-TAC。
其中所述心震圖之心臟搏動週期所計算的生理標記計算式分別為:MFP-1=PEP/LVET=(EMD+IVCT)/LVET、MFP-2=(IVCT+IVRT)/LVET、MFP-3=(EMD+IVCT+IVRT)/LVET=(PEP+IVRT)/LVET、MFP-4=(PEP/LVET)+[(IVCT+IVRT)/LVET]=(EMD+2*IVCT+IVRT)/LVET、MFP-5=(PEP/LVET)*[(IVCT+IVRT)/LVET]=[(EMD+IVCT)(IVCT+IVRT)]/LVET2、MFP-6=IVCT/LVET、、MFP-8=(PEP+RET)/LVET、MFP-9=LVET/SYS、MFP-10=IVCT/SYS、MFP-11=PEP/SYS、MFP-12=(IVCT+IVRT)/SYS;特徵值變異數計算後之生理標記計算式分別為MFP-13=RR變異數、MFP-14=(MC)n-(MC)n+1變異數、MFP-15=PEP變異數、MFP-16=RET變異數、MFP-17=LVET變異數、MFP-18=IVRT變異數、MFP-19=RFT變異數、MFP-20=LVFT變異數。
其中所述之病發風險綜合機率閥值低風險等級為30%(不含)以下,中風險等級為30-75%(不含),高風險等級為75%以上。
本案的特點在於能自動辨識心震圖的特徵點,及人工智慧風險評估系統可自動判讀發生心臟急性病發風險綜合機率值,取代人工分析及減少比對所耗費的時間,並增加判定結果準確率;此外本案能同時比 對巨量心震圖與心電圖進行快篩找出特徵點,並由該人工智慧風險評估系統在最短的時間內篩選出心臟急性病發的高危險群,讓病患得到事前發病預警服務,把握黃金救援時間進行治療,此外也能將經過醫生確切診斷結果的檔案進行儲存及整理,並再次納入資料庫中作為母群體之一。
其中,所述之該預測模型建立後,透過隨機採用已知結果的受檢者判例輸入至該預測模型內進行測試,檢測該預測模型判讀的結果是否與已知結果相符,如不相符將會持續進行修正,以提升該預測模型的準確率。
其中該處理裝置可為電腦、筆電、手機、平板;該無線通訊即時匯集匣道係以有線或無線傳輸的方式將訊號傳送至該處理裝置;該感測裝置為穿戴式的裝置,該感測裝置內部係設置複數感測器,部分之該等感測器設置加速規或陀螺儀,係對應心臟部位體表以取得心臟部位體表震動訊號;部分之該等感測器設置電極貼片,係貼附於近肋骨體表兩側位置以取得心臟電訊號。當採用上述結構時,該穿戴式裝置能準確地測量心臟部位體表震動訊號及心臟電訊號,提高準確的測量,供使用者達到隨身、隨時、隨地、隨動的四大功效,不再受限於地點或診療時間。
有關本發明所採用之技術、手段及其功效,茲舉較佳實施例並配合圖式詳細說明於後,相信本發明上述之目的、構造及特徵,當可由之得一深入而具體的瞭解。
10‧‧‧感測裝置
12‧‧‧感測器
15‧‧‧無線通訊即時匯集匣道
20‧‧‧處理裝置
22‧‧‧自動辨識演算軟件
30‧‧‧人工智慧風險評估系統
31‧‧‧預測模型
32‧‧‧判讀模組
圖1係為本發明第一種人工智慧心臟急性病發預警的方法流程示意圖
圖2係為本發明第二種人工智慧心臟急性病發預警的方法流程示意圖
圖3係為本發明第一種之系統示意圖
圖4係為本發明第二種之系統示意圖
圖5係為本發明採用人工擷取法則找出九個特徵點的示意圖
圖6係為圖5所找出的九個特徵點示意圖
圖7係為本發明採用特徵波形辨識擷取法則找出六個特徵點的示意圖
圖8係為圖 所找出的六個特徵點示意圖
圖9係為本發明之極限學習機判讀生理標記結合心衰竭急性病發風險評估示意圖
圖10係為本發明預測模型採用MFP-1=PEP/LVET的實測結果示意圖
圖11係為本發明預測模型採用MFP-2=(IVCT+IVRT)/LVET的實測結果示意圖
圖12係為本發明預測模型採用MFP-3=(PEP+IVRT)/LVET的實測結果示意圖
圖13係為本發明預測模型採用MFP-4=(PEP/LVET)+[(IVCT+IVRT)/LVET]的實測結果示意圖
圖14係為本發明預測模型採用MFP-5=(PEP/LVET)*[(IVCT+IVRT)/LVET]的實測結果示意圖
圖15係為本發明預測模型採用MFP-6=IVCT/LVET的實測結果示意圖
圖16係為本發明預測模型採用MFP-8=(PEP+RET)/LVET的實測結果示意圖
圖17係為本發明預測模型採用MFP-10=IVCT/SYS的實測結果示意圖
圖18係為本發明預測模型採用MFP-11=PEP/SYS的實測結果示意圖
圖19係為本發明預測模型採用MFP-12=(IVCT+IVRT)/SYS的實測結果示意 圖
圖20A係為本發明心電圖QRS波形幾何參數定義
圖20B係為本發明心電圖QRS波形幾何參數判斷異常之常模
圖21係為本發明四個瓣膜AV、PV、MV、TV之特定特徵點時點常模表
圖22為12項生理標記之常模判定標準
圖23為8項特徵值變異數計算後之生理標記的常模判定標準
圖24係為本發明使用風險因子對應結合心電圖及心震圖四個瓣膜之異常風險因子所對應之加權機率值加總的實施例示意圖
圖25係為本發明使用風險因子對應結合心臟搏動週期所計算的生理標記之異常風險因子所對應之加權機率值加總的實施例示意圖
圖26係為本發明使用風險因子對應結合心臟搏動週期所計算的生理標記與特徵值變異數計算後之生理標記之異常風險因子所對應之加權機率值加總的實施例示意圖
根據臨床醫師的判斷,當病人心臟急性病發時均呈現心臟衰竭之症狀,因此本發明係使用人工智慧心臟急性病發預警方法評估心臟衰竭發生的可能性,並以此作為心臟急性病發的風險預測。
本發明為一種人工智慧心臟急性病發預警的方法,透過人工智慧的智能運算在最短的時間內篩選出心衰竭異常的高危險群,達到健康預警的功能。
為達上述方法,圖1係揭露一種人工智慧心臟急性病發預警的方法,包括:(1)一感測裝置10可供受檢者穿戴進行心臟電訊號及心 臟部位體表震動訊號的生理訊號測量,進而得到心電圖及心震圖,並由該感測裝置10將上述生理訊號,透過一無線通訊即時匯集匣道15傳送至一具智慧型功能的處理裝置20;(2)該處理裝置20內部設有一自動辨識演算軟件22,該自動辨識演算軟件22依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之特徵點,該處理裝置20再依兩個特徵點發生的時間間隔差值計算出特徵值(心搏時間參數,CTIs),再由特徵值計算出生理標記;(3)該處理裝置20將複數受檢者臨床評估指數(例如:左心室射血分率)呈現高於0.6的複數生理標記,及相對應的臨床醫師判斷心臟急性病症結果輸入至位於雲端平台的極限學習機,透過極限學習機內部隱藏層的激活函數運算後以建立出與各個生理標記相對應之一預測模型31,該預測模型31對於各該生理標記所得的預測結果,再透過各個生理標記不同影響因子經由公式計算病發風險綜合機率值,即可建立一人工智慧風險評估系統30;(4)接著,該人工智慧風險評估系統30會將病發風險綜合機率值由一判讀模組32依病發風險綜合機率閥值來判定低風險等級、中風險等級或高風險等級,所述之低風險等級為30%以下(不含),中風險等級為30-75%(不含),高風險等級為75%以上,再將判讀結果回報訊息傳送至使用者或醫療端,當所述的風險等級為高風險時,該人工智慧風險評估系統30將會提供預警訊號。
上述中,R i 為某一生理標記經預測模型所產生之單一生理標記病發風險機率,W i 為對於心臟急性病發病患利用與臨床評估指數(LVEF)統計出高度正相關的複數生理標記,計算出各生理標記不同影響因子。
上述中,當該預測模型31建立後,透過隨機採用已知結果的受檢者判例輸入至該預測模型31內進行測試,檢測該預測模型31的判讀結果是否與已知結果相符,如不相符會持續進行修正,以提高極限學習機之該預測模型31的準確率。
圖2另揭露一種人工智慧心臟急性病發預警的方法,包括:(1)一感測裝置10可供受檢者穿戴進行心臟電訊號及心臟部位體表震動訊號的生理訊號測量,進而得到心電圖及心震圖,接著由該感測裝置10將上述生理訊號,透過一無線通訊即時匯集匣道15送至一具智慧型功能的處理裝置20;(2)該處理裝置20內部設有一自動辨識演算軟件22,該自動辨識演算軟件22依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之心震圖特徵點及心電圖特徵點(Q、R、S),由該處理裝置20將兩個心震圖特徵點發生的時間間隔差值計算出特徵值(心搏時間參數,CTIs),再由特徵值計算出生理標記;(3)上述之特徵點、特徵值及生理標記會傳送至一人工智慧風險評估系統30,該人工智慧風險評估系統30係設置於該處理裝置20內部,該人工智慧風險評估系統30具有複數風險因子,所述複數風險因子分別結合心震圖特徵點到心電圖Q點的時間差值、心電圖QRS波形幾何參數或生理標記之任一組合,並與相對應的常模比對,再將異常風險因子對應之加權機率值加總,得到病發風險綜合機率值;(4)該人工智慧風險評估系統30會將病發風險綜合機率值由一判讀模組32依病發風險綜合機率閥值來判定低風險等級、中風險等級或高風險等級,所述病發風險綜合機率閥值低風險等級為30%以下(不含),中風險等級為30-75%(不含),高風險等級為 75%以上,接著再將判讀結果回報訊息傳送至使用者或醫療端,當所述的風險等級為高風險時,該人工智慧風險評估系統30將會提供預警訊號,並藉由該處理裝置20通知使用者或傳送至雲端平台,所述之雲端平台為醫療端。
圖3搭配圖1揭露其中一種人工智慧心臟急性病發預警系統的實施態樣,係由該感測裝置10、該處理裝置20及該人工智慧風險評估系統30所組成。該感測裝置10應用於心臟搏動生理訊號的心電圖及心震圖,該感測裝置10係為穿戴式的裝置,其內部設有複數感測器12及一個能使用有線或無線方式傳送上述生理訊號的無線通訊即時匯集匣道15,部分之該等感測器12設置加速規或陀螺儀,係對應心臟部位體表以取得心臟部位體表震動訊號;部分之該等感測器12設置電極貼片,係貼附於近肋骨體表兩側位置以取得心臟電訊號;該自動辨識演算軟件22設置於能即時接收上述生理訊號之該具有智慧型功能的處理裝置20上,該處理裝置20可為手持式智慧型裝置(如手機、平板)、桌上型智慧裝置(如電腦、筆電),該自動辨識演算軟件22係依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之特徵點,由該處理裝置20依兩個特徵點發生的時間間隔差值計算出特徵值(心搏時間參數,CTIs),再由特徵值計算出生理標記;該處理裝置20將複數受檢者臨床評估指數呈現高度相關的複數生理標記,及相對應的臨床醫師判斷心臟急性病症之結果,輸入至位於雲端平台的極限學習機以建立該預測模型31,該預測模型31對於複數生理標記所得之預測結果,透過各個生理標記不同影響因子以公式計算病發風險綜合機率值, 以建立該人工智慧風險評估系統30;藉由上述系統,該人工智慧風險評估系統30會將病發風險綜合機率值由該判讀模組32依病發風險綜合機率閥值來判定低風險等級、中風險等級或高風險等級,再將判讀結果回報訊息傳送至使用者或醫療端,當所述的風險等級為高風險時,該人工智慧風險評估系統30將會提供預警訊號。
圖4搭配圖2揭露另一種人工智慧心臟急性病發預警系統的實施態樣,係由該感測裝置10、該處理裝置20及該人工智慧風險評估系統30所組成。該感測裝置10可供受檢者穿戴進行心臟電訊號及心臟部位體表震動訊號的生理訊號測量,進而得到心電圖及心震圖,接著由該感測裝置10將上述生理訊號,透過該無線通訊即時匯集匣道15送至具智慧型功能的該處理裝置20;該處理裝置20內部設有該自動辨識演算軟件22,該自動辨識演算軟件22依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之心震圖特徵點及心電圖特徵點(Q、R、S),由該處理裝置20將兩個心震圖特徵點發生的時間間隔差值計算出特徵值(心搏時間參數,CTIs),再由特徵值計算出生理標記;上述之特徵點、特徵值及生理標記會傳送至位於該處理裝置20內部之該人工智慧風險評估系統30,該人工智慧風險評估系統30具有複數風險因子,所述複數風險因子分別結合心震圖特徵點到心電圖Q點的時間差值、心電圖QRS波形幾何參數或生理標記之任一組合,並與相對應的常模比對,再將異常風險因子對應之加權機率值加總,得到病發風險綜合機率值;該人工智慧風險評估系統30會將病發風險綜合機率值由該判讀模組32依病發風險綜合機率閥值來判定低風險等級、中風險等級或高風險 等級,接著再將判讀結果回報訊息傳送至使用者或醫療端,當所述的風險等級為高風險時,該人工智慧風險評估系統30將會提供預警訊號,並藉由該處理裝置20通知使用者或傳送至雲端平台,所述之雲端平台為醫療端。
圖5~圖8係揭露本發明所找出的特徵點分別為:二尖瓣瓣膜關閉時點(Mitral valve close,MC)、等容移動時點(Isovolumic movement,IM)、主動脈瓣瓣膜開啟時點(Aortic valve open,AO)、等容收縮時點(Isovolumic contraction,IC)、左心室快速射血時點(Rapid ventricular ejection,RE)、主動脈瓣瓣膜關閉時點(Aortic valve close,AC)、二尖瓣瓣膜開啟時點(Mitral valve open,MO)、心房舒張充血最快速度時點(Peak of rapid diastolic filling,RF)、心房收縮最快速度時點(Peak of atrial systole,AS)、左心室側壁收縮最大速度時點(Left ventricular lateral wall contraction peak velocity,LCV)、心室中膈收縮最大速度時點(Septal wall contraction peak velocity,SCV)、經主動脈瓣血流最快流速時點(Trans-aortic valvular maximal flow,AF)、經肺動脈瓣血流最快流速時點(Trans-pulmonary maximal flow,PF)、經二尖瓣血流收縮部分最快流速時點(Trans-mitral ventricular relaxation maximal flow,MFE)、經二尖瓣心房收縮部分最快流速時點(Trans-mitral atrial contraction maximal flow,MFA)。
圖5搭配圖6係揭露本發明採用特徵波形於特定時間區間內進行辨識及擷取,所採用的九個特徵點擷取法則如下:(1)MC:在ECG-R波對齊線往後,在0.015秒之內,由二尖瓣瓣膜區的最高峰值點;(2)IM:在ECG-R波對齊線往後,在0.06秒之內,由肺動脈瓣膜區的最低谷值點; (3)AO:在ECG-R波對齊線往後,在0.015~0.038秒之內,由主動脈瓣膜區的最高峰值點;(4)IC:在ECG-R波對齊,AO點後的最低谷值點;(5)RE:在ECG-R波對齊線往後0.085~0.15秒之間,由主動脈瓣膜區的第二高峰值點;(6)AC:在ECG-R波對齊線往後0.35~0.4025秒之內主動脈瓣膜區的最大峰值點;(7)MO:在ECG-R波對齊0.39~0.5秒之內三尖瓣區位置最大峰值點對應到二尖瓣區的鄰近谷值點;(8)RF:在ECG-R波對齊0.3~0.5秒之內二尖瓣膜區的第四峰值點;(9)AS:在ECG-R波對齊線往前,二尖瓣膜區位置,0.02秒外的第二峰值點。而圖6為上述特徵波形辨識法則所找出的九個特徵點。
圖7搭配圖8係揭露本發明採用特徵波形於特定時間區間內進行辨識及擷取,所採用的六個特徵點擷取法則如下:(10)LCV:在ECG-R波對齊線往後0.05~0.11秒之間,二尖瓣膜區最大峰點,即可找到左心室側壁收縮最大速度,此點即為LCV;(11)SCV:在ECG-R波對齊線往後0.05~0.11秒之間,由三尖瓣膜區的第二個峰點,可以找到心室中膈收縮最大速度,此點即為SCV;(12)AF:在ECG-R波對齊線往後0.085~0.15秒之間,由主動脈瓣膜區的第二個峰點,可以找到流經主動脈瓣血流最大的部分,此點即為AF;(13)PF:在ECG-R波對齊線往後0.085~0.15秒之間,由肺動脈瓣膜區的第二個峰點,可以找到流經肺動脈瓣血流最大的部分,此點即為PF;(14)MFE:在ECG-R波對齊線往後0.37秒之後,由三尖瓣膜區的最大峰點後的第二個峰點對應到二尖瓣膜區的峰點,即可找到流經二尖瓣血流收縮部分最快流速的部分,此點即為MFE;(15)MFA:在ECG-R波對齊線往前,二尖瓣膜區位置,0.02秒外的第二個峰點,即可找到流經二尖瓣心 房收縮部分最快流速,此點即為MFA。而圖8為上述特徵波形辨識擷取法則所找出的六個特徵點。
上述中,特徵值(心搏時間參數,CTIs)的運算式如下所述:EMD=△T(Q-MC)=TMC-TQ、IVCT=△T(MC-AO)=TAO-TMC、PEP=△T(Q-AO)=TAO-TQ、RET=△T(AC-AF)=TAF-TAC、LVET=△T(AO-AC)=TAC-TAO、SYS=△T(MC-AC)=TAC-TMC、IVRT=△T(AC-MO)=TMO-TAC、、LVFT=△T(MO-(MC)n+1)=T(MC)n+1-TMO、DIA=△T(AC-(MC)n+1)=T(MC)n+1-TAC。
圖9搭配圖1為本案機械學習機判讀生理標記及結合心衰竭病發風險綜合機率值之示意圖,首先會先將受檢者資料進行分析包含提取心臟電訊號(Electrocardiography,ECG)及心臟部位體表震動訊號(Seismocardiography,SCG)原始資料,該自動辨識演算軟件22依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之心震圖特徵點,再利用特徵點計算出特徵值(心搏時間參數,CTIs),最後透過特徵值計算生理標記並擷取臨床評估指數(如:左心室射血分率)呈現相關係數高於0.6的生理標記,本研究取用12項生理標記各別作為極限學習機(Extreme Learning Machine,ELM)之輸入層資料,透過上述ELM隱藏層之激活函數運算後,即可以建立出12個單一生理標記之該預測模型31,各該預測模型31對於該生理標記所得之預測結果,再透過公式計算病發風險綜合機率值,以建立出該人工智慧風險評估系統30,其中R i 為是某一生理標記經預測模型所產生之單一生理標記病發風險機率,W i 為對於心衰竭病患利用與臨床評估指數(LVEF)統計出高度正相關的複數生理標記,計算出各生理標記不同影響因子。
圖10~圖19搭配圖1為10個生理標記使用該預測模型31的實測結果示意圖分別如下所述:圖10為第一種單一生理標記病發風險機率,其係為MFP-1=PEP/LVET,總樣本值為100人,模型準確率為Accuracy99%,敏感度為98%,特異性為100%。
圖11為第二種單一生理標記病發風險機率,其係為MFP-2=(IVCT+IVRT)/LVET,總樣本值為100人,模型準確率為Accuracy89%,敏感度為84%,特異性為98%。
圖12為第三種單一生理標記病發風險機率,其係為MFP-3=(PEP+IVRT)/LVET,總樣本值為100人,模型準確率為Accuracy97%,敏感度為98%,特異性為96%。
圖13為第四種單一生理標記病發風險機率,其係為MFP-4=MFP-1+MFP-2,總樣本值為100人,模型準確率為Accuracy97%,敏感度為96%,特異性為98%。
圖14為第五種單一生理標記病發風險機率,其係MFP-5=MFP-1 * MFP-2,總樣本值為100人,模型準確率為Accuracy93%,敏感度為86%,特異性為100%。
圖15為第六種單一生理標記病發風險機率,其係為MFP-6=IVCT/LVET,總樣本值為90人,模型準確率為Accuracy82%,敏感度為80%,特異性為100%。
圖16為第八種單一生理標記病發風險機率,其係為MFP-8=(PEP+RET)/LVET,總樣本值為100人,模型準確率為Accuracy87%,敏感 度為76%,特異性為98%。
圖17為第十種單一生理標記病發風險機率,其係為MFP-10=IVCT/SYS,總樣本值為90人,模型準確率為Accuracy91.11%,敏感度為80%,特異性為100%。
圖18為第十一種單一生理標記病發風險機率,其係為MFP-11=PEP/SYS,總樣本值為90人,模型準確率為Accuracy97.78%,敏感度為97.5%,特異性為80%。
圖19為第十二種單一生理標記病發風險機率,其係為MFP-12=(IVCT+IVRT)/SYS,總樣本值為90人,模型準確率為Accuracy98.88%,敏感度為95%,特異性為98%。
圖10至圖19中的英文縮寫名詞及意思分別如下所述:真陽性(True positive,TP)是有病且被檢驗為陽性,偽陽性(False positive,FP)是沒病卻被檢驗為陽性,真陰性(True negative,TN)為沒病且被檢驗為陰性,偽陰性(False negative,FN)有病卻被檢驗為陰性,IVCT為等容收縮時間、IVRT為等容舒張時間、LVET為左心室射血時間、PEP為預射血時間、MFE為經二尖瓣血流收縮部分最快流速時點、MFA為經二尖瓣心房收縮部分最快流速時點、MC為二尖瓣瓣膜關閉時點、MO為二尖瓣瓣膜開啟時點、RET為主動脈開啟到全開時最大射血流速時間、SYS為二尖瓣瓣膜關閉到主動脈瓣瓣膜關閉時間,而圖10~圖19所採用的定義及公式為:
圖20A~圖26搭配圖2係為本案使用該人工智慧風險評估系統30進行心臟急性病發預警的示意圖。參閱圖24搭配圖20A~圖21為本發明使用風險因子結合心電圖及心震圖四個瓣膜功能之異常機率的綜合風險運算,其中左側分支為心電圖對應至一個風險因子,右側分支為心震圖中的4個瓣膜分別對應至4個風險因子,心電圖與心震圖各佔0.5的異常機率做為計算的基礎。圖24中左側心電圖佔0.5的異常機率(此處以符號E代替心電圖),上述心電圖又可以從其波型及判定心室頻脈(VT)與心室纖維顫動(VF)、伴隨運動產生與心肌缺血及心肌梗塞(MI)有關之ST電位偏移及可分別反應自律神經系統失衡及心室電位不穩定之心率變異度(HRV)與T波交替(TWA)等決定,可使用圖20A、圖20B的心電圖QRS波形幾何參數定義及判斷異常的常模作為基準進行比較,QRS的長度為|X q -X s |,其範圍值介於40-160ms之間;QRS的高度為|Y r -Y s |,其範圍值介於0.05-1.5mV之間;垂直線R的最小值為範圍值為X r 到X q 的距離,最大值為X r 到X s 的距離;水平線Q的長度為|Y q -Y s |,其範圍介於0~1.5mV之間;RR間的距離係透過|R i -R i-1|進行運算,其範圍值為250-1500ms之間;右側心震圖佔0.5的異常機率則是再平均分配給四個瓣膜,分別為主動脈瓣膜(AV)、肺動脈瓣膜(PV)、二尖瓣(MV)及三尖瓣(TV),每一個瓣膜異常發生機率均為0.125,上述4個瓣膜可根據心震圖的其中一項特徵點與心電圖Q點時間差值的常模(參閱圖21,其中圖中FPi的FP為Figure Points之縮寫,i代表15個特徵點)比較是否異常,例如:主動脈瓣膜(AV)的異常對應至△T(Q-AO),肺動脈瓣膜(PV)的異常對應至△T(Q-PF),二尖瓣(MV)的異常對應至△T(Q-MC),三尖瓣(TV)的異常則 是對應至△T(Q-SCV),若數值超出常模之區域值即判定為異常,而後再將心震圖及心電圖異常風險因子對應之加權機率值加總,即可獲得受檢者之病發風險綜合機率值。例如:圖24中CC i 表示第i個心臟作動週期,左側分支的心電圖發生異常(此處顯示灰階)表示發生機率佔了0.5,而右側分支的PV、TV、MV發生異常(此處顯示灰階)表示發生機率為0.5*3/4=0.375,接著再將心電圖的0.5加總心震圖的0.375為0.875,此異常機率即為病發風險綜合機率值。
圖25搭配圖2、圖22為本發明使用風險因子結合心震圖之心臟搏動週期所計算的生理標記異常機率的綜合風險運算,其中所述之風險因子具有12個,分別對應12項心震圖之心臟搏動週期所計算的生理標記,此12項生理標記分別為MFP-1=PEP/LVET=(EMD+IVCT)/LVET、MFP-2=(IVCT+IVRT)/LVET、MFP-3=(EMD+IVGT+IVRT)/LVET=(PEP+IVRT)/LVET、MFP-4=(PEP/LVET)+[(IVCT+IVRT)/LVET]=(EMD+2*IVCT+IVRT)/LVET、MFP-5=(PEP/LVET)*[(IVCT-+IVRT)/LVET]=[(EMD+IVCT)(IVCT+IVRT)]/LVET2、MFP-6=IVCT/LVET、、MFP-8=(PEP+RET)/LVET、MFP-9=LVET/SYS、MFP-10=IVCT/SYS、MFP-11=PEP/SYS、MFP-12=(IVCT+IVRT)/SYS,上述12個風險因子之異常發生機率為平均分配;各個生理標記與其相對應常模比對,該人工智慧風險評估系統30即可判定各別生理標記是否異常,最後再將異常風險因子所對應之加權機率值加總,即可獲得受檢者之病發風險綜合機率值。例如:圖25中CC i 表示第i個心臟作動週期,將心震圖的12項生理標記異常發生機率為平均分配,各個生理標記發生機率均為1/12,從圖25中可看出MFP-2、MFP-6、MFP-8、MFP- 10、MFP-11發生異常(此處顯示灰階),因此所發生異常的機率為5*1/12=5/12=0.416,此異常機率即為病發風險綜合機率值。
圖26搭配圖2、圖22、圖23為本發明使用風險因子結合心震圖之心臟搏動週期所計算的生理標記與經過特徵值變異數計算後之生理標記的異常機率綜合風險運算,其中右側分支為12項心震圖之心臟搏動週期所計算的生理標記,其分別對應至12個風險因子,左側分支為8項經過特徵值變異數計算後之生理標記,其分別對應至8個風險因子,心震圖之心臟搏動週期所計算的生理標記與特徵值變異數計算後之生理標記各佔0.5的異常機率做為計算的基礎。如圖22所示,12項心震圖之心臟搏動週期所計算的生理標記分別為MFP-1=PEP/LVET=(EMD+IVCT)/LVET、MFP-2=(IVCT+IVRT)/LVET、MFP-3=(EMD+IVCT+IVRT)/LVET=(PEP+IVRT)/LVET、MFP-4=(PEP/LVET)+[(IVCT+IVRT)/LVET]=(EMD+2*IVCT+IVRT)/LVET、MFP-5=(PEP/LVET)*[(IVCT+IVRT)/LVET]=[(EMD+IVCT)(IVCT+IVRT)]/LVET2、MFP-6=IVCT/LVET、、MFP-8=(PEP+RET)/LVET、MFP-9=LVET/SYS、MFP-10=IVCT/SYS、MFP-11=PEP/SYS、MFP-12=(IVCT+IVRT)/SYS,此12項生理標記的異常發生機率平均分配為1/12,接著再依照相對應的常模比對判定各別生理標記是否異常;如圖23所示,8項經過特徵值變異數計算後之生理標記,將接續MFP-12之後以MFP-13接續編號,分別為MFP-13=RR變異數、MFP-14=(MC)n-(MC)n+1變異數、MFP-15=PEP變異數、MFP-16-RET變異數、MFP-17-LVET變異數、MFP-18=IVRT變異數、MFP-19=RFT變異數、MFP-20=LVFT變異數,此8項經過特徵值變異數計算後之生理標記各別發生異常機率平均分配為1/8,與其相對應的常模比對判 定各別生理標記是否異常;而後再將心震圖之心臟搏動週期所計算的生理標記與特徵值變異數計算後之生理標記之機率值分別乘上0.5再加總便可估算受檢者之病發風險綜合機率值。例如:圖26的CC i 表示第i個心臟作動週期,從圖中可看出左側分支的MFP-13、MFP-16發生異常(此處顯示灰階)的發生機率為0.5*2/8=0.125,右側分支MFP-2、MFP-6、MFP-8、MFP-10、MFP-11發生異常(此處顯示灰階),因此所發生異常的機率為0.5*5*1/12=0.208(近似值),接著再將左側分支與右側分支發生異常的機率進行加總得到0.125+0.208=0.333,此異常機率即為病發風險綜合機率值。
其中所述之該預測模型31建立後,透過隨機採用已知結果的受檢者判例輸入至該預測模型31內進行測試,使該預測模型31所判讀的結果與已知結果相同,如不相同會持續進行修正,以提高極限學習機之該預測模型31的準確率。歸納上述說明,藉由本發明上述系統及方法設計,可有效克服目前心臟急性病發高危險群者無法於事前得到發病預警的訊息及把握黃金救援時間的治療之缺失,進一步更具有上述眾多的優點及實用價值,因此本發明為一創意極佳之發明創作,且在相同的技術領域中未見相同或近似的系統及方法創作或公開使用,故本發明已符合發明專利有關「新穎性」與「進步性」之要件,乃依法提出申請。
Claims (16)
- 一種人工智慧心臟急性病發預警的方法,包括:(1)一感測裝置可供受檢者穿戴進行心臟電訊號及心臟部位體表震動訊號的生理訊號測量,進而得到心電圖及心震圖,接著由該感測裝置將上述生理訊號,透過一無線通訊即時匯集匣道傳送至一具智慧型功能的處理裝置;(2)該處理裝置內部設有一自動辨識演算軟件,該自動辨識演算軟件依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之特徵點,該處理裝置再依兩個特徵點發生的時間間隔差值計算出特徵值(心搏時間參數,CTIs),再由特徵值計算出生理標記;(3)該處理裝置將複數受檢者臨床評估指數呈現高度相關的複數生理標記,及相對應的臨床醫師判斷心臟急性病症之結果,輸入至位於雲端平台的極限學習機以建立一預測模型,該預測模型將各該生理標記所得之預測結果,再透過各個生理標記不同影響因子計算病發風險綜合機率值,以建立一人工智慧風險評估系統;(4)接著,該人工智慧風險評估系統會將病發風險綜合機率值由一判讀模組依病發風險綜合機率閥值來判定低風險等級、中風險等級或高風險等級,再將判讀結果回報訊息傳送至使用者或醫療端,當所述的風險等級為高風險時,該人工智慧風險評估系統將會提供預警訊號。
- 如申請專利範圍第1項所述之人工智慧心臟急性病發預警的方法,其中 步驟(3)所述之預測結果係指各該生理標記經預測模型所產生的單一生理標記病發風險機率。
- 如申請專利範圍第1項所述之人工智慧心臟急性病發預警的方法,其中步驟(3)所述之計算病發風險綜合機率值公式為 , R i 為某一生理標記經預測模型所產生之單一生理標記病發風險機率, W i 為對於心臟急性病發病患利用與臨床評估指數(LVEF)統計出高度正相關的複數生理標記,計算出各生理標記不同影響因子。
- 如申請專利範圍第1項所述之人工智慧心臟急性病發預警的方法,其中步驟(3)所述之該預測模型建立後,透過隨機採用已知結果的受檢者判例輸入至該預測模型內進行測試,檢測該預測模型的判讀結果是否與已知結果相符,如不相符會持續進行修正,以提高極限學習機之該預測模型的準確率。
- 一種人工智慧心臟急性病發預警的方法,包括:(1)一感測裝置可供受檢者穿戴進行心臟電訊號及心臟部位體表震動訊號的生理訊號測量,進而得到心電圖及心震圖,接著由該感測裝置將上述生理訊號,透過一無線通訊即時匯集匣道傳送至一具智慧型功能的處理裝置;(2)該處理裝置內部設有一自動辨識演算軟件,該自動辨識演算軟件依據心臟部位體表震動訊號比對心臟電訊號,自動辨識心臟搏動週期特定事件發生時間之心震圖特徵點及心電圖特徵點(Q、R、S),由該處理裝置將兩個心震圖特徵點發生的時間間隔差值計算出特徵值(心搏時間參數,CTIs),再由特徵值計算出生理標記; (3)上述之特徵點、特徵值及生理標記會傳送至一人工智慧風險評估系統,該人工智慧風險評估系統係設置於該處理裝置內部,該人工智慧風險評估系統具有複數風險因子,所述複數風險因子分別結合心震圖特徵點到心電圖Q點的時間差值、心電圖QRS波形幾何參數或生理標記之任一組合,並與相對應的常模比對,再將異常之風險因子對應之加權機率值加總,得到病發風險綜合機率值;(4)該人工智慧風險評估系統會將病發風險綜合機率值由一判讀模組依病發風險綜合機率閥值來判定低風險等級、中風險等級或高風險等級,再將判讀結果回報訊息傳送至使用者或醫療端,當所述的風險等級為高風險時,該人工智慧風險評估系統將會提供預警訊號,並藉由該處理裝置通知使用者或傳送至雲端平台。
- 如申請專利範圍第5項所述之人工智慧心臟急性病發預警的方法,其中所述之風險因子具有5個且分別對應心震圖的4個瓣膜AV、PV、TV、MV及心電圖的生理訊號,4個瓣膜的心震圖可根據其中一項特徵點與心電圖Q點的時間差值與常模比較是否異常,心電圖QRS波形幾何參數可與常模比較是否異常,最後再將心震圖及心電圖異常風險因子對應之加權機率值加總,即可獲得受檢者之病發風險綜合機率值。
- 如申請專利範圍第5項所述之人工智慧心臟急性病發預警的方法,其中風險因子具有12個,分別對應12項心震圖之心臟搏動週期所計算的生理標記,該12項生理標記分別為MFP-1、MFP-2、MFP-3、MFP-4、MFP-5、MFP-6、MFP-7、MFP-8、MFP-9、MFP-10、MFP-11、MFP-12,上述12個風險因子之異常發生機率為平均分配;各個生理標記與其相對應之 常模比對,該人工智慧風險評估系統即可判定各個風險因子是否異常,最後再將異常風險因子所對應之加權機率值加總,即可獲得受檢者之病發風險綜合機率值。
- 如申請專利範圍第5項所述之人工智慧心臟急性病發預警的方法,其中風險因子具有20個,分別對應12項心震圖之心臟搏動週期所計算的生理標記及8項特徵值變異數計算後之生理標記,該12項生理標記分別為MFP-1、MFP-2、MFP-3、MFP-4、MFP-5、MFP-6、MFP-7、MFP-8、MFP-9、MFP-10、MFP-11、MFP-12,該8項特徵值變異數計算後之生理標記分別為MFP-13、MFP-14、MFP-15、MFP-16、MFP-17、MFP-18、MFP-19、MFP-20,上述20個風險因子的異常發生機率均為平均分配;該12項生理標記以及該8項經過特徵值變異數計算後之生理標記各別與其相對應之常模比對,該人工智慧風險評估系統即可判定各個風險因子是否異常,最後再將異常風險因子所對應之加權機率值加總,即可獲得受檢者之病發風險綜合機率值。
- 如申請專利範圍第1項或第5項所述之人工智慧心臟急性病發預警的方法,其中步驟(4)所述之病發風險綜合機率閥值低風險等級為30%(不含)以下,中風險等級為30-75%(不含),高風險等級為75%以上。
- 如申請專利範圍第1項或第5項所述之人工智慧心臟急性病發預警的方法,其中所述特徵點分別為二尖瓣瓣膜關閉時點(MC)、等容移動時點(IM)、主動脈瓣瓣膜開啟時點(AO)、等容收縮時點(IC)、左心室快速射血時點(RE)、主動脈瓣瓣膜關閉時點(AC)、二尖瓣瓣膜開啟時點(MO)、心房舒張充血最快速度時點(RF)、心房收縮最快速度時點(AS)、左心室側 壁收縮最大速度時點(LCV)、心室中膈收縮最大速度時點(SCV)、經主動脈瓣血流最快流速時點(AF)、經肺動脈瓣血流最快流速時點(PF)、經二尖瓣血流收縮部分最快流速時點(MF E)、經二尖瓣心房收縮部分最快流速時點(MF A)。
- 如申請專利範圍第1項或第5項所述之人工智慧心臟急性病發預警的方法,其中特徵值的運算式為:EMD=△T (Q-MC)=T MC-T Q、IVCT=△T (MC-AO)=T AO-T MC、PEP=△T (Q-AO)=T AO-T Q、RET=△T (AC-AF)=T AF-T AC、LVET=△T (AO-AC)=T AC-T AO、SYS=△T (MC-AC)=T AC-T MC、IVRT=△T (AC-MO)=T MO-T AC、 、LVFT=△T ((MO-(MC)n+1)=T (MC)n+1-T MO、DIA=△T (AC-(MC)n+1)=T (MC)n+1-T AC。
- 如申請專利範圍第1項、第7項或第8項所述之人工智慧心臟急性病發預警的方法,其中心震圖之心臟搏動週期所計算的生理標記計算式分別為MFP-1=PEP/LVET=(EMD+IVCT)/LVET、MFP-2=(IVCT+IVRT)/LVET、MFP-3=(EMD+IVCT+IVRT)/LVET=(PEP+IVRT)/LVET、MFP-4=(PEP/LVET)+[(IVCT+IVRT)/LVET]=(EMD+2*IVCT+IVRT)/LVET、MFP-5=(PEP/LVET)*[(IVCT+IVRT)/LVET]=[(EMD+IVCT)(IVCT+IVRT)]/LVET 2、MFP-6=IVCT/LVET、 、MFP-8=(PEP+RET)/LVET、MFP-9=LVET/SYS、MFP-10=IVCT/SYS、MFP-11=PEP/SYS、MFP-12=(IVCT+IVRT)/SYS。
- 如申請專利範圍第8項所述之人工智慧心臟急性病發預警的方法,其中特徵值變異數計算後之生理標記計算式分別為MFP-13=RR變異數、MFP-14=(MC) n-(MC) n+1變異數、MFP-15=PEP變異數、MFP-16=RET變異數、MFP- 17=LVET變異數、MFP-18=IVRT變異數、MFP-19=RFT變異數、MFP-20=LVFT變異數。
- 如申請專利範圍第1項或第5項所述之人工智慧心臟急性病發預警的方法,其中該感測裝置係為穿戴式的裝置,該感測裝置內部設有複數感測器,部分之該等感測器設置加速規或陀螺儀,係對應心臟部位體表以取得心臟部位體表震動訊號;部分之該等感測器設置電極貼片,係貼附於近肋骨體表兩側位置以取得心臟電訊號。
- 如申請專利範圍第1項或第5項所述之人工智慧心臟急性病發預警的方法,其中該處理裝置可為電腦、筆電、手機、平板。
- 如申請專利範圍第1項或第5項所述之人工智慧心臟急性病發預警的方法,其中該無線通訊即時匯集匣道係以有線或無線傳輸的方式將訊號傳送至該處理裝置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106134153A TWI690336B (zh) | 2017-10-03 | 2017-10-03 | 人工智慧心臟急性病發預警的系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106134153A TWI690336B (zh) | 2017-10-03 | 2017-10-03 | 人工智慧心臟急性病發預警的系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201914626A true TW201914626A (zh) | 2019-04-16 |
TWI690336B TWI690336B (zh) | 2020-04-11 |
Family
ID=66991544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106134153A TWI690336B (zh) | 2017-10-03 | 2017-10-03 | 人工智慧心臟急性病發預警的系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI690336B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110491500A (zh) * | 2019-08-07 | 2019-11-22 | 王满 | 一种基于心脏功能动态监测与分析的身份识别系统及方法 |
CN111000551A (zh) * | 2019-12-05 | 2020-04-14 | 常州市第一人民医院 | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 |
CN113362952A (zh) * | 2021-06-21 | 2021-09-07 | 平安国际智慧城市科技股份有限公司 | 基于模型的风险预测方法、装置、计算机设备和存储介质 |
CN113545787A (zh) * | 2020-04-21 | 2021-10-26 | 宏碁股份有限公司 | 分析心电图信号的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU1996092A (en) * | 1991-05-10 | 1992-12-30 | Seismed Instruments, Inc. | Seismocardiographic analysis system |
WO2014036436A1 (en) * | 2012-08-30 | 2014-03-06 | Alivecor, Inc. | Cardiac performance monitoring system for use with mobile communications devices |
-
2017
- 2017-10-03 TW TW106134153A patent/TWI690336B/zh active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110491500A (zh) * | 2019-08-07 | 2019-11-22 | 王满 | 一种基于心脏功能动态监测与分析的身份识别系统及方法 |
CN111000551A (zh) * | 2019-12-05 | 2020-04-14 | 常州市第一人民医院 | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 |
CN113545787A (zh) * | 2020-04-21 | 2021-10-26 | 宏碁股份有限公司 | 分析心电图信号的方法 |
CN113545787B (zh) * | 2020-04-21 | 2023-08-08 | 宏碁股份有限公司 | 分析心电图信号的方法 |
CN113362952A (zh) * | 2021-06-21 | 2021-09-07 | 平安国际智慧城市科技股份有限公司 | 基于模型的风险预测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
TWI690336B (zh) | 2020-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105228508B (zh) | 一种测定用于分类的危险评分的系统 | |
Aydemir et al. | Classification of decompensated heart failure from clinical and home ballistocardiography | |
CN101061950B (zh) | 利用spo2进行心房纤颤检测 | |
KR101674997B1 (ko) | 웨어러블 생체신호측정 기기, 서버, 시스템 및 방법 | |
JP5906234B2 (ja) | 診断ecgにおける心筋梗塞サイズの可視化 | |
TWI690336B (zh) | 人工智慧心臟急性病發預警的系統 | |
Ashouri et al. | Automatic detection of seismocardiogram sensor misplacement for robust pre-ejection period estimation in unsupervised settings | |
US10004473B2 (en) | Heart rate detection method and device using heart sound acquired from auscultation positions | |
CN109414242A (zh) | 用于监测人类心脏的特定活动参数的方法和测量装置 | |
US20210204857A1 (en) | Method and device for cardiac monitoring | |
JP7079553B2 (ja) | 循環器系の状態の評価を支援するための評価支援システム及び評価支援方法 | |
US10327648B2 (en) | Blood vessel mechanical signal analysis | |
US20220125323A1 (en) | Systems, devices, and methods for detecting brain conditions from cranial movement due to blood flow in the brain | |
WO2020257609A1 (en) | Diagnostics and treatments for cardiac disease | |
Yumang et al. | Vital signs determination from ECG and PPG signals obtained from arduino based sensors | |
Ehara et al. | Comprehensive evaluation of the apex beat using 64-slice computed tomography: Impact of left ventricular mass and distance to chest wall | |
Durga | Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach | |
Li et al. | Real-time PVC Recognition System Design based on Multi-Parameter SE-ResNet | |
US12023165B2 (en) | Screening cardiac conditions using cardiac vibrational energy spectral heat maps | |
EP3437554A1 (en) | Device and method for detecting atrial fibrillation of a subject | |
US20240260907A1 (en) | Predicting worsening heart failure using intermittent noninvasive biomarker measurements | |
EP4398262A1 (en) | Systems for diagnosis structural heart disease based on electrocardogram data | |
Salman et al. | Minimally Invasive and Non‐Invasive Sensor Technologies for Predicting Heart Failure: An Overview | |
TWI678187B (zh) | 利用定序圖表示心搏動特徵點並表現心臟生理狀態之方法 | |
US10398321B2 (en) | Thermal patient signal analysis |