TWI704519B - 篩檢心室肥大之模型建立系統 - Google Patents
篩檢心室肥大之模型建立系統 Download PDFInfo
- Publication number
- TWI704519B TWI704519B TW108127227A TW108127227A TWI704519B TW I704519 B TWI704519 B TW I704519B TW 108127227 A TW108127227 A TW 108127227A TW 108127227 A TW108127227 A TW 108127227A TW I704519 B TWI704519 B TW I704519B
- Authority
- TW
- Taiwan
- Prior art keywords
- lead
- ventricular hypertrophy
- screening
- training
- data
- Prior art date
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一種篩檢心室肥大之模型建立系統,包含一儲存單元及一處理單元。該儲存單元儲存多筆分別相關於多個受測者的受測者資料,每一受測者資料包括一基本生理參數組、一心電圖參數組,及一對應於一特定心室的心室肥大判斷結果,該特定心室為左心室或右心室。該處理單元將該等受測者資料進行離差正規化的前處理,再分群成一訓練集及一測試集,並根據該訓練集,利用合成少數類過取樣技術,藉由機器學習(例如支持向量機)演算法與交叉驗證,建立一用於篩檢該特定心室的篩檢心室肥大模型,以大幅提高預測心室肥大之敏感度。
Description
本發明是有關於一種模型建立系統,特別是指一種篩檢心室肥大之模型建立系統。
現今已有許多以十二導程心電圖參數(12-lead Electrocardiogram)預測解剖結構上心室肥大的研究方法被提出,傳統上心電圖左心室肥大常以Cornell電壓標準或Sokolow-Lyon氏電壓標準來判定,舉例來說,在Cornell電壓標準中,若男性滿足RaVL+SV3≥28公厘時,表示左心室肥大,在Sokolow-Lyon氏電壓標準中,若男性滿足[(SV1或SV2)+(RV5或RV6)]的最大值≥35公厘時,表示左心室肥大,其中1公厘為0.1毫伏;而傳統上心電圖右心室肥大常以Sokolow-Lyon氏電壓標準或Myers氏電壓標準來判定,舉例來說,在Sokolow-Lyon氏電壓標準中,若男性滿足RV1+(SV5或SV6)的最大值>10.5公厘時,表示右心室肥大,在Myers氏電壓標準中,若男性滿足(RV1/SV1>1)、(RV5/SV5>1或RV6/SV6>1),或(RV1>6公厘)其中一條件時,表示右心室肥大。近年來,有少數幾篇研究使用多項心電圖參數包括各導程中波形的電壓、波寬、電軸等做機器學習(Machine Learning)來預測影像上的左心室肥大。
然而,目前機器學習並沒有用於預測影像上的右心室肥大,且由於在一般青壯成年人中,解剖或影像呈現心室肥大的盛行率約5%,故不論是以上述的電壓標準或是機器學習後的預測模型預測心室是否肥大的預測結果的敏感度(Sensitivity)皆很低(一般小於30%),其中敏感度表示心室肥大的患者被判定出心室肥大的比例,若敏感度很低,表示大部份心室肥大患者無法單靠十二導程心電圖篩檢出來。
因此,本發明的目的,提供以基本生理參數及十二導程心電圖參數來提高預測心室肥大之敏感度的篩檢心室肥大之模型建立系統。
於是,本發明篩檢心室肥大之模型建立系統,包含一儲存單元及一處理單元。
該儲存單元儲存多筆分別相關於多個受測者的受測者資料,每一受測者資料包括一基本生理參數組、一心電圖參數組,及一對應於一特定心室的心室肥大判斷結果。
該處理單元電連接該儲存單元,並將該等受測者資料分群成一訓練集及一測試集,並根據該訓練集的所有受測者資料,利用機器學習演算法,建立一用於篩檢該特定心室的篩檢心室肥大模型。
本發明之功效在於:藉由該處理單元根據該訓練集的所有受測者資料以機器學習演算法建立該篩檢心室肥大模型,使得該篩檢心室肥大模型在預測時除了根據心電圖參數組外還根據基本生理參數組進行預測,以提高敏感度。
在本發明被詳細描述前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,本發明篩檢心室肥大之模型建立系統的一實施例,該篩檢心室肥大之模型建立系統1包含一儲存單元11及一電連接該儲存單元11的處理單元12。
該儲存單元11儲存多筆分別相關於多個受測者的受測者資料,每一受測者資料包括一基本生理參數組、一心電圖參數組,及一對應於一特定心室的心室肥大判斷結果,該特定心室為左心室或右心室。值得注意的是,對於每一受測者資料,該基本生理參數組包括一年齡、一身高,及一體重,該心電圖參數組包括一每分鐘心跳次數、一導程II-P波間期、一導程II-PR區段間期、一導程II-QRS波群間期、一導程II-QT區段間期、一導程II-校正QT區段間期、一導程II-P波電軸、一導程II-QRS波群電軸、一導程II-T波電軸、一導程I-R波電壓、一導程II-R波電壓、一導程III-R波電壓、一右上肢加壓單極肢體導程R波(aVR-R)電壓、一左上肢加壓單極肢體導程R波(aVL-R)電壓、一左上肢加壓單極肢體導程S波(aVL-S) 電壓、一左下肢加壓單極肢體導程R波(aVF-R)電壓、一胸導程V1-R波電壓、一胸導程V1-S波電壓、一胸導程V2-R波電壓、一胸導程V2-S波電壓、一胸導程V3-R波電壓、一胸導程V3-S波電壓、一胸導程V4-R波電壓、一胸導程V4-S波電壓、一胸導程V5-R波電壓、一胸導程V5-S波電壓、一胸導程V6-R波電壓,及一胸導程V6-S波電壓,該心電圖參數組及該基本生理參數組為機器學習演算法之輸入特徵,而該心室肥大判斷結果為對應輸入特徵下的正確結果。值得注意的是,在本實施例中,該等受測者為一般青壯成年男性,但不以此為限。
要再注意的是,該等受測者資料的心室肥大判斷結果皆為左心室肥大判斷結果或皆為右心室肥大判斷結果,在本實施例中,是以超音波影像所量測出的舒張末期左心室內徑(Left Ventricular Internal Diameter in diastole, LVIDd)、左心室後壁厚度(Posterior Wall Thickness in diastole, PWTd)與心室中膈厚度(Inter Ventricular Septal Thickness at end diastole, IVSTd)的量測值計算出左心室質量(Left Ventricular Mass, LVM),並根據體表面積(Body Surface Area, BSA)或身高(Height)來整合計算作為判斷左心室是否肥大的基準。舉例來說,若一般青壯年男性依超音波影像量測滿足LVM/BSA≥116g/m
2或LVM/Height
2.7≥49g/m
2.7時,表示左心室肥大;而右心室肥大的判斷是以超音波影像所量測出的右心室前壁厚度(Right Ventricular anterior Wall Thickness, RVWT)作為判斷右心室是否肥大的基準,舉例來說,若一般青壯年男性依超音波影像量測滿足RVWT>5.5公厘時,表示右心室肥大。
以下將配合所附圖式來說明利用本發明篩檢心室肥大之模型建立系統1之該實施例實施時的流程步驟,其依序包含有一目標超參數獲得程序及一篩檢心室肥大之模型建立程序。
參閱圖1與圖2,該篩檢心室肥大之模型建立系統1實施該目標超參數獲得程序,並包含下列步驟。
在步驟201中,該處理單元12將該等受測者資料進行離差正規化(Min-Max Normalization)的前處理,即對於每一受測者資料,將該受測者資料的該基本生理參數組及該心電圖參數組進行線性變換,使該基本生理參數組及該心電圖參數組映射於[0,1]區間內。
在步驟202中,該處理單元12將離差正規化後的該等受測者資料分群成一訓練集及一測試集,其中,該訓練集包括N個訓練子集,N>1。值得注意的是,在本實施例中,該訓練集的受測者資料數量與該測試集的受測者資料數量比例為4:1,但不以此為限。
在步驟203中,令一相關一支持向量機(Support Vector Machine, SVM)演算法的候選超參數h初值為0.02,即h=0.02,但不以此為限。值得注意的是,該候選超參數h例如為正則化參數,在其他實施例中,該候選超參數h可為其他相關於其他機器學習演算法的超參數,且該候選超參數h初值可為其他值。
在步驟204中,令一變數k的初值為1,即k=1。
在步驟205中,該處理單元12將第k個訓練子集作為一驗證子集,並將除該驗證子集外的N-1個訓練子集的所有受測者資料進行資料合成。值得注意的是,在本實施例中,該處理單元12係利用合成少數類過取樣技術(Synthetic Minority Oversampling Technique, SMOTE)來生成該N-1個訓練子集的所有受測者資料的少數類別數量(即有心室肥大的受測者資料數量),使少數類別與多數類別數量比為1:1,解決資料類別數量不平衡的問題。
在步驟206中,該處理單元12根據除該驗證子集外資料合成後的該N-1個訓練子集的所有受測者資料及該候選超參數h,利用該支持向量機演算法建立一對應該候選超參數h的訓練模型。值得注意的是,在其他實施方式中,該處理單元12亦可利用其他機器學習演算法建立該訓練模型,不以此為限。
在步驟207中,該處理單元12根據該驗證子集的所有受測者資料及該訓練模型獲得一對應該候選超參數的精確度-召回度曲線(Precision-Recall Curve),以下稱PR曲線,並計算出該PR曲線的曲線下面積(Area Under Curve, AUC)。
搭配參閱圖3,步驟207包含子步驟2071~2073,以下說明步驟207的子步驟。
在步驟2071中,該處理單元12利用該訓練模型對該驗證子集的所有受測者資料的基本生理參數組及心電圖參數組進行預測,以獲得多個對應該驗證子集的所有受測者資料的驗證預測結果。
在步驟2072中,該處理單元12根據該等驗證預測結果及該驗證子集的所有受測者資料的心室肥大判斷結果,獲得該PR曲線。
在步驟2073中,該處理單元12計算出該PR曲線的曲線下面積。
在步驟208中,該處理單元12將該變數k加1,即k=k+1。
在步驟209中,該處理單元12判定該變數k是否大於N。若該處理單元12判定出該變數k大於N,流程進行步驟210;若該處理單元12判定出該變數k不大於N,則重複步驟205。
在步驟210中,該處理單元12計算所有(N個)對應該候選超參數h的PR曲線的曲線下面積的平均,以獲得一面積值。
要特別注意的是,在其他實施方式中,該目標超參數獲得程序亦可不包含交叉驗證,即亦可不包含步驟204、208、209、210,在步驟205中該處理單元12以任意訓練子集作為一驗證子集後,進行步驟205~207,其中,步驟207中該處理單元12所計算出的該PR曲線的曲線下面積即為該面積值。
在步驟211中,該處理單元12判定該候選超參數h是否大於一臨界值M。若該處理單元12判定出該候選超參數h不大於該臨界值M,則流程進行步驟212;若該處理單元12判定出該候選超參數h大於該臨界值M,流程進行步驟214。值得注意的是,在本實施例中,該臨界值M例如為1,但不以此為限。若該候選超參數h為相關於其他機器學習的演算法的超參數,則該臨界值M可為其他值。
在步驟212中,該處理單元12將該候選超參數h及該面積值儲存至該儲存單元11。
在步驟213中,該處理單元12將該候選超參數h加上一預定值P後,h=h+P,重複步驟204。值得注意的是,在本實施例中,該預定值P例如為0.001,但不以此為限。若該候選超參數h為相關於其他機器學習的演算法的超參數,則該預定值P可為其他值。
在步驟214中,該處理單元12根據儲存單元11儲存的該等面積值,從所對應的該等候選超參數h決定該目標超參數h’。值得注意的是,在本實施例中,該目標超參數h’對應的面積值為所有面積值中之最高者,但不以此為限。
參閱圖1與圖4,該篩檢心室肥大之模型建立系統1實施該篩檢心室肥大之模型建立程序,並包含下列步驟。
在步驟301中,該處理單元12將該訓練集的所有受測者資料進行資料合成。值得注意的是,在本實施例中,該處理單元12係利用合成少數類過取樣技術(SMOTE)來生成該訓練集的所有受測者資料少數類別數量(即有心室肥大的受測者資料數量),使少數類別與多數類別數量比為1:1。
在步驟302中,該處理單元12根據資料合成後的該訓練集的所有受測者資料及該目標超參數,利用該支持向量機演算法,建立該篩檢心室肥大模型。值得注意的是,在其他實施方式該處理單元12亦可利用其他機器學習演算法建立該篩檢心室肥大模型,不以此為限。
在步驟303中,該處理單元12根據該測試集的所有受測者資料及一預定機率切點評估該篩檢心室肥大模型。值得注意的是,在本實施例中係以該測試集代入該篩檢心室肥大模型所獲得的特異度在70%~75%之間的情況下找出該預定機率切點,但不以此為限。
搭配參閱圖5,步驟303包含子步驟3031~3033,以下說明步驟303的子步驟。
在步驟3031中,該處理單元12藉由該預定機率切點找出該支持向量機演算法的一超平面(Hyperplane)。
在步驟3032中,該處理單元12利用該篩檢心室肥大模型對該測試集的所有受測者資料的基本生理參數組及心電圖參數組進行預測,以獲得多個對應該測試集的所有受測者資料的測試預測結果。
在步驟3033中,該處理單元12根據該等測試預測結果及該測試集的所有受測者資料的心室肥大判斷結果,獲得一混淆矩陣(Confusion Matrix)、一敏感度(Sensitivity, Recall)、一特異度(Specificity)、一準確度(Accuracy) 、一陽性預測值(Positive Predictive Value, PPV, Precision)、一F
1分數、一接收者操作特徵曲線(Receiver Operating characteristic Curve, ROC Curve)的曲線下面積、一PR曲線的曲線下面積之其中至少一項,以評估該篩檢心室肥大模型。
舉例來說,若機率切點為0.45且該特定心室為左心室時,則該測試集的所有受測者資料的基本生理參數組及心電圖參數組資料代入該篩檢心室肥大模型之機率為0.45以上則預測為有左心室肥大,反之預測為非左心室肥大。此時該測試集有2196筆受測者資料,有2046筆為非左心室肥大,而其中1531筆測試預測結果為正確,即真陰性(True Negative, TN),515筆測試預測結果為錯誤,即偽陽性(False Positive, FP);有150筆為左心室肥大,而其中121筆測試預測結果為正確,即真陽性(True Positive, TP),29筆測試預測結果為錯誤,即偽陰性(False Negative, FN),則該混淆矩陣如下表1。
表1
由表1可計算出該敏感度的值為80.67%即TP/(TP+FN),該特異度的值為74.83%即TN/(FP+TN),該準確度的值為75.23%即(TN+TP)/(TN+FP+FN+TP),該陽性預測值為19.03%即TP/(TP+FP),該F1分數為0.31即2×(敏感度×陽性預測值)/(敏感度+陽性預測值),該ROC曲線如圖6所示,該ROC曲線的曲線下面積為0.864,其中該機率切點落在1-特異度的25%~30%之間(即特異度在70%~75%之間),敏感度的80%左右,該PR曲線如圖7所示,該PR曲線的曲線下面積為0.308,其中該機率切點落在召回度(敏感度)的80%左右,精確度(陽性預測值)的20%左右。
預測非左心室肥大 | 預測左心室肥大 | |
實際非左心室肥大 | 1531 | 515 |
實際左心室肥大 | 29 | 121 |
綜上所述,本發明篩檢心室肥大之模型建立系統,該處理單元12將該等受測者資料進行離差正規化的前處理,以提升模型收斂速度及預測效果,接著將離差正規化後的該等受測者資料分群成該訓練集及該測試集,利用合成少數類過取樣之資料合成技術來生成該訓練集中除驗證子集的所有受測者資料少數類別數量,並再以驗證子集及資料合成後的訓練子集進行交叉驗證,以找出最佳的該目標超參數,再利用資料合成來生成該訓練集的所有受測者資料的少數類別數量,且根據資料合成後的該訓練集的所有受測者資料及該目標超參數,利用該支持向量機演算法建立該篩檢心室肥大模型,最後根據該測試集及該預定機率切點評估該篩檢心室肥大模型,使得該篩檢心室肥大模型在預測時除了根據心電圖參數組外還根據基本生理參數組進行預測,以提高敏感度,故確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
1:篩檢心室肥大之模型建立系統
11:儲存單元
12:處理單元
201~214:步驟
2071~2073:步驟
301~303:步驟
3031~3033:步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊圖,說明本發明篩檢心室肥大之模型建立系統的一實施例;
圖2是一流程圖,說明利用本發明篩檢心室肥大之模型建立系統之實施例,實施一目標超參數獲得程序;
圖3是一流程圖,輔助說明圖2之步驟207之子步驟;
圖4是一流程圖,說明利用本發明篩檢心室肥大之模型建立系統之實施例,實施一篩檢心室肥大之模型建立程序;
圖5是一流程圖,輔助說明圖4之步驟303之子步驟;
圖6是一示意圖,說明一接收者操作特徵曲線;及
圖7是一示意圖,說明一精確度-召回度曲線。
1:篩檢心室肥大之模型建立系統
11:儲存單元
12:處理單元
Claims (8)
- 一種篩檢心室肥大之模型建立系統,包含:一儲存單元,儲存多筆分別相關於多個受測者的受測者資料,每一受測者資料包括一基本生理參數組、一心電圖參數組,及一對應於一特定心室的心室肥大判斷結果,該特定心室為左心室或右心室;一處理單元,電連接該儲存單元,將該等受測者資料分群成一訓練集及一測試集,該訓練集包括N個訓練子集,N>1,該處理單元將該等N個訓練子集之其中一個作為一驗證子集,並根據除該驗證子集外的N-1個訓練子集的所有受測者資料及多個相關一支持向量機演算法的候選超參數,利用該支持向量機演算法,建立多個分別對應該等候選超參數的訓練模型,再根據該驗證子集的所有受測者資料及該等訓練模型獲得多個分別對應該等候選超參數的精確度-召回度曲線,並計算該等精確度-召回度曲線的曲線下面積,以獲得多個對應等精確度-召回度曲線的曲線下面積值,該處理單元根據該等面積值,從該等候選超參數決定該目標超參數,並根據該訓練集的所有受測者資料及該目標超參數,利用該支持向量機演算法,建立一用於篩檢該特定心室的篩檢心室肥大模型。
- 如請求項1所述的篩檢心室肥大之模型建立系統,其中,該基本生理參數組包括一年齡、一身高,及一體重。
- 如請求項1所述的篩檢心室肥大之模型建立系統,其中,該心電圖參數組包括一每分鐘心跳次數、一導程II-P波間 期、一導程II-PR區段間期、一導程II-QRS波群間期、一導程II-QT區段間期、一導程II-校正QT區段間期、一導程II-P波電軸、一導程II-QRS波群電軸、一導程II-T波電軸、一導程I-R波電壓、一導程II-R波電壓、一導程III-R波電壓、一右上肢加壓單極肢體導程R波電壓、一左上肢加壓單極肢體導程R波電壓、一左上肢加壓單極肢體導程S波電壓、一左下肢加壓單極肢體導程R波電壓、一胸導程V1-R波電壓、一胸導程V1-S波電壓、一胸導程V2-R波電壓、一胸導程V2-S波電壓、一胸導程V3-R波電壓、一胸導程V3-S波電壓、一胸導程V4-R波電壓、一胸導程V4-S波電壓、一胸導程V5-R波電壓、一胸導程V5-S波電壓、一胸導程V6-R波電壓,及一胸導程V6-S波電壓。
- 如請求項1所述的篩檢心室肥大之模型建立系統,其中,該處理單元還將該等受測者資料進行離差正規化,以將該等受測者資料的該等基本生理參數組及該等心電圖參數組進行線性變換,使該等基本生理參數組及該等心電圖參數組映射於[0,1]區間內,該處理單元將離差正規化後的該等受測者資料分群成該訓練集及該測試集。
- 如請求項1所述的篩檢心室肥大之模型建立系統,其中,該處理單元先將該訓練集的所有受測者資料進行資料合成,再根據資料合成後的該訓練集的所有受測者資料及該目標超參數,利用該支持向量機演算法建立該篩檢心室肥大模型。
- 如請求項1所述的篩檢心室肥大之模型建立系統,其中, 該處理單元先將除該驗證子集外的N-1個訓練子集的所有受測者資料進行資料合成,再根據資料合成後的該N-1個訓練子集的所有受測者資料及該等候選超參數,利用該支持向量機演算法建立該等訓練模型。
- 如請求項5或6所述的篩檢心室肥大之模型建立系統,其中,該處理單元係利用合成少數類過取樣技術來生成受測者資料的少數類別數量,使少數類別與多數類別數量比為1:1,以進行資料合成。
- 一種篩檢心室肥大之模型建立系統,包含:一儲存單元,儲存多筆分別相關於多個受測者的受測者資料,每一受測者資料包括一基本生理參數組、一心電圖參數組,及一對應於一特定心室的心室肥大判斷結果,該特定心室為左心室或右心室;一處理單元,電連接該儲存單元,將該等受測者資料分群成一訓練集及一測試集,該訓練集包括N個訓練子集,N>1,該處理單元分別將該等N個訓練子集之其中一個作為一驗證子集,以獲得N個訓練驗證組合,對於每一訓練驗證組合,根據除該驗證子集外的N-1個訓練子集的所有受測者資料及多個相關一支持向量機演算法的候選超參數,利用該支持向量機演算法,建立多個分別對應該等候選超參數的訓練模型,再根據該驗證子集的所有受測者資料及該等訓練模型獲得多個分別對應該等候選超參數的精確度-召回度曲線,接著,對於每一候選超參數,計算該候選超參數在不同訓練驗證組合下所獲得的所有 精確度-召回度曲線的曲線下面積,並將所有精確度-召回度曲線的曲線下面積平均,以獲得一面積值,該處理單元根據每一候選超參數對應的該面積值,從該等候選超參數中決定該目標超參數,並根據該訓練集的所有受測者資料及一相關一支持向量機演算法的目標超參數,利用該支持向量機演算法,建立一用於篩檢該特定心室的篩檢心室肥大模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108127227A TWI704519B (zh) | 2019-07-31 | 2019-07-31 | 篩檢心室肥大之模型建立系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108127227A TWI704519B (zh) | 2019-07-31 | 2019-07-31 | 篩檢心室肥大之模型建立系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI704519B true TWI704519B (zh) | 2020-09-11 |
TW202107399A TW202107399A (zh) | 2021-02-16 |
Family
ID=73644206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108127227A TWI704519B (zh) | 2019-07-31 | 2019-07-31 | 篩檢心室肥大之模型建立系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI704519B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112885459A (zh) * | 2021-02-09 | 2021-06-01 | 清华珠三角研究院 | 一种心室肥大的预测系统、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7598228B2 (en) * | 2001-02-16 | 2009-10-06 | Asubio Pharma Co., Ltd. | Therapeutic methods and agents for diseases associated with decreased expression of AOP-1 gene or AOP-1 |
TW201538132A (zh) * | 2014-04-15 | 2015-10-16 | Fei-Pei Lai | 心電訊號的分析系統及方法 |
TW201546640A (zh) * | 2013-09-16 | 2015-12-16 | Biodesix Inc | 使用微分類器及規則化之組合的分類器產生方法與其用途 |
US20160022162A1 (en) * | 2013-03-08 | 2016-01-28 | Singapore Health Services Pte Ltd | System and method of determining a risk score for triage |
-
2019
- 2019-07-31 TW TW108127227A patent/TWI704519B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7598228B2 (en) * | 2001-02-16 | 2009-10-06 | Asubio Pharma Co., Ltd. | Therapeutic methods and agents for diseases associated with decreased expression of AOP-1 gene or AOP-1 |
US20160022162A1 (en) * | 2013-03-08 | 2016-01-28 | Singapore Health Services Pte Ltd | System and method of determining a risk score for triage |
TW201546640A (zh) * | 2013-09-16 | 2015-12-16 | Biodesix Inc | 使用微分類器及規則化之組合的分類器產生方法與其用途 |
TW201538132A (zh) * | 2014-04-15 | 2015-10-16 | Fei-Pei Lai | 心電訊號的分析系統及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112885459A (zh) * | 2021-02-09 | 2021-06-01 | 清华珠三角研究院 | 一种心室肥大的预测系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
TW202107399A (zh) | 2021-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11826174B2 (en) | Monitoring physiological status based on bio-vibrational and radio frequency data analysis | |
US20210259560A1 (en) | Methods and systems for determining a physiological or biological state or condition of a subject | |
Potes et al. | Ensemble of feature-based and deep learning-based classifiers for detection of abnormal heart sounds | |
DK3100675T3 (en) | METHOD AND SYSTEM FOR RECOGNIZING PHYSIOLOGICAL SOUND | |
KR101910576B1 (ko) | 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치 | |
Tjahjadi et al. | Noninvasive classification of blood pressure based on photoplethysmography signals using bidirectional long short-term memory and time-frequency analysis | |
EP3840642A1 (en) | Methods and systems for determining a physiological or biological state or condition of a subject | |
Dima et al. | On the detection of myocadial scar based on ECG/VCG analysis | |
US11826152B2 (en) | Arrhythmia classification using correlation image | |
JP2016523599A (ja) | 心不全を検出するための方法及び装置 | |
CN111166294B (zh) | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 | |
JP2021194540A (ja) | 安定した不整脈心拍を検出するための、心臓マッピングアノテーションを計算及び検出するためのシステム及び方法 | |
JP2021186686A (ja) | コヒーレントアルゴリズムを使用したローカルノイズ識別 | |
TWI704519B (zh) | 篩檢心室肥大之模型建立系統 | |
Chen et al. | Heart murmurs clustering using machine learning | |
JP6103591B2 (ja) | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム | |
Amiruddin et al. | Feature reduction and arrhythmia classification via hybrid multilayered perceptron network | |
TWI590802B (zh) | 心律不整診斷資料庫建立方法與心電圖心律不整判斷系統 | |
Panindre et al. | Instantaneous heart rate-based automated monitoring of hypertension using machine learning | |
US20230263451A1 (en) | Medical data providing device, medical data providing method and computer program | |
JP2022523835A (ja) | 心房細動予測モデル及びその予測システム | |
WO2018223269A1 (zh) | 用于检测直立性低血压的设备 | |
Xitong et al. | A real-time ECG signal classification algorithm | |
TWI766260B (zh) | 用於訓練一多任務學習網路以判別心電圖資料的方法及系統 | |
Elena N | Physiological Objectification of the Spread of Phase Trajectories of the Heart's Electrical Activity in a Digital ECG Research |