TWI783561B - 應用心電圖快速偵測急性心肌梗塞之方法及其系統 - Google Patents
應用心電圖快速偵測急性心肌梗塞之方法及其系統 Download PDFInfo
- Publication number
- TWI783561B TWI783561B TW110124222A TW110124222A TWI783561B TW I783561 B TWI783561 B TW I783561B TW 110124222 A TW110124222 A TW 110124222A TW 110124222 A TW110124222 A TW 110124222A TW I783561 B TWI783561 B TW I783561B
- Authority
- TW
- Taiwan
- Prior art keywords
- electrocardiogram
- myocardial infarction
- model
- myocardial
- model data
- Prior art date
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Electrotherapy Devices (AREA)
Abstract
本發明涉及一種應用心電圖快速偵測急性心肌梗塞之方法及其系統,該系統至少具有一模型測定裝置,而本發明之特色在於該模型測定裝置至少內建有一模型資料模組及一測定運算模組,該模型資料模組中具有至少一心肌模型資料,該心肌模型資料至少包含有一心電圖與一相對應之血液檢測中的心肌梗塞標記,而該測定運算模組使用一應用心電圖快速偵測急性心肌梗塞之方法將一待測心電圖轉換成一對應之測定心肌梗塞,藉此,該模型測定裝置可連接至少一心電圖生成裝置及至少一監測應用裝置,使得其得將由該心電生成裝置所取得之待測心電圖轉換成相對應之測定心肌梗塞,並顯示於該監測應用裝置上,進而供醫療人員能有效應用於監測與介入之機制,以降低心源性猝死之危險性。
Description
本發明係隸屬一種偵測急性心肌梗塞之技術領域,具體而言係一種應用心電圖快速偵測急性心肌梗塞之方法,藉以能在配合使用人工智慧模型下,透過心電圖快速、且準確判斷ST段上升心肌梗塞及非ST段上升心肌梗塞,供應用於監測與介入之機制,以降低心源性猝死之危險性。
按,急性心肌梗塞〔Acute myocardial infarction, AMI〕儘管在全球的診斷和處理方面有所進步,它仍然是一個重要的公共衛生問題。急性心肌梗塞是指因為突發原因導致冠狀動脈未及時給予心肌所需之供血。根據心電圖〔Electrocardiography, 下稱ECG〕的表現,主要分為兩種不同的類型,ST段上升心肌梗塞〔ST-segment elevation myocardial infarction, STEMI〕和非ST段上升心肌梗塞〔non-ST-segment elevation myocardial infarction, NSTEMI〕。其中STEMI指急性完全性冠狀動脈閉塞,需要及時採取積極的治療,對閉塞的動脈(infarct-related artery, IRA)進行冠脈再灌流,以防止心臟疾病的發生。而再灌流治療是否延遲和死亡率呈現顯著相關連,同樣的,對於高風險或情況不穩定的NSTEMI,應採取侵入性再灌流治療,也可以防止更糟糕的後果發生。
由於急性心肌梗塞的及時和適當之治療仰賴快速的識別和精確的診斷。而急性心肌梗塞的診斷需要一種可指出心肌缺血的綜合症,並通過ECG和心肌生化標記檢測到一定程度的心肌壞死。儘管心臟專業協會已經製定了共同的急性心肌梗塞診斷標準,但對於急診醫師來說,快速識別急性心肌梗塞的類型仍然是一項嚴峻的挑戰。先前的研究報告指出急性心肌梗塞的首次醫療診斷漏診率落在2%~30%。未能識別出急性心肌梗塞類型的高危ECG結果導致急診科的醫療質量降低,甚至導致不良結果和死亡率提高。而診斷過程中最主要的錯誤原因之一是對檢測結果的錯誤解讀,因此改善心電圖〔ECG〕解讀的系統性過程可能對治療和結果有重要影響。
然心電圖的判斷是一門高深的學問,即使是受過訓練的專科醫師也未必能完全掌握。表1顯示了專科醫師對於心源性猝死主因之判讀準確度,可以發現心電圖判讀對受過專業訓練的臨床醫師也是一個相當大的挑戰。
表1:
檢測項目 | 敏感度 | 特異度 |
心律不整 | 38%-90% | 86%-100% |
ST段抬升心肌梗塞 | 79%-90% | 71%-100% |
非ST段抬升心肌梗塞 | 12%-66% | 73%-100% |
高血鉀(K+>5.0) | 34%-43% | 85%-86% |
因此心電圖被認為有必要開發電腦輔助診斷工具,希望能突破人類的極限而增加準確性。雖然早期已經開發了一系列電腦輔助診斷系統,但在實際的臨床實踐中並沒有用武之地。主要係因為心臟科醫師在判讀心電圖時經常是使用形態學的變化,而這些形態眾多且難以被傳統的演算法定量,這是傳統機器學習技術的限制,其很難預先定義好完整的特徵,並且沒有辦法清楚地描述人類的「感覺」,從而導致效果不彰。
然而深度學習的人工智慧〔AI〕革命提供了一個前所未有的機會來改善醫療系統。目前已經證實深度學習模型在有大量附加說明的ECG數據庫可用時,可以實現多種診斷能力,且已經被證明在醫療應用中是有效的,例如淋巴結轉移識別、糖尿病視網膜病變檢測和皮膚癌分類等。
換言之,如果能開發一個具有深度學習模型之系統及方法來幫助醫師識別與急性心肌梗塞相關的ECG變化,供進行早期、客觀和精確的診斷,將可有效識別出急性心肌梗塞的高危心電圖,以減少因為時間緊迫和過於忙碌的急診人員所造成的延誤和誤診,故開發一種可以有效的心電圖輔助診斷工具,係業界的重要課題。
除此之外,穿戴式生理監測裝置也正在改變醫療保健行業,使民眾隨時隨地都能夠監測自己的生理狀態和活動,也有能應用於遠程醫療、持續監測等優點,因此其也被廣泛應用於各場域中,而目前穿戴式生理監測裝置也發展到可以取得心電圖,如能與心電圖輔助診斷工具結合,用於長時間隨時追距患者的心電訊號,如預先偵測急性心肌梗塞,可有效監測及預防心源性猝死。
有鑑於此,本發明即基於上述關於急性心肌梗塞之診斷需求深入探討,並藉由本發明人多年從事相關開發的經驗,而積極尋求解決之道,經不斷努力之研究與發展,終於成功的創作出一種應用心電圖快速偵測急性心肌梗塞之方法及其系統,以解決現有者輔助診斷系統無法有效進行急性心肌梗塞分類所造成的不便與困擾。
因此,本發明之主要目的係在提供一種之應用心電圖快速偵測急性心肌梗塞之方法及其系統,藉以能利用患者心電訊號、且透過人工智慧的深度學習模型對急性心肌梗塞進行分類,讓醫療人員能依患者實際的心肌梗塞類型提供相對應的治療。
其次,本發明之再一主要目的係在提供一種之應用心電圖快速偵測急性心肌梗塞之方法及其系統,其能快速判讀出急性心肌梗塞的類型,供醫療人員即時監測與介入,以降低心源性猝死之危險性。
又,本發明之另一主要目的係在提供一種之應用心電圖快速偵測急性心肌梗塞之方法及其系統,其能提供遠端的長時間追踪,可進一步維護患者的生命安全。
為此,本發明主要係透過下列的技術手段,來具體實現上述的各項目的與效能,而該應用心電圖快速偵測急性心肌梗塞之方法包含有:
一建置至少一心肌模型資料之步驟:建立至少一心肌模型資料,該心肌模型資料利用至少一參考心電圖取得至少一個相對應之醫師判定的心肌梗塞標記,其中該等心肌梗塞標記為至少三個位數、且其中僅有一位數編碼為「1」之二元數值序列,以依序代表不同類型之心肌梗塞;
一取得一待測心電圖之步驟:取得一被監測者之待測心電圖;
一測定心肌梗塞之步驟:其包含利用卷積神經網路架構之一導入預測、一加權平均及一總和輸出的方式,其中利用導入預測的方式將該待測心電圖以序列向量輸入並生成一導入預測值,之後透過加權平均的方式輸出一個加權數值,並通過一個Softmax函數限制其加總為100%,再將此權重與該導入預測值進行加權平均,而獲得一個整體估計值,而生成一個至少二個特定位數、且其中僅有一位數編碼為「1」之二元數值序列的測定心肌梗塞;
一顯示測定心肌梗塞之步驟:在求得該被監測者之測定心肌梗塞後,將其轉換成代表之心肌梗塞類型,並顯示給至少一監測者。
本發明進一步並使用下列系統來執行,該系統至少具有一模型測定裝置;
所述之模型測定裝置包含有一處理單元及分別連接該處理單元之至少一記憶單元及至少一儲存單元,其中該等儲存單元至少具有一模型資料模組及一測定運算模組,該模型資料模組中具有至少一心肌模型資料,該心肌模型資料至少包含有一心電圖與一相對應之血液檢測中的心肌梗塞標記,而該測定運算模組使用該應用心電圖快速偵測急性心肌梗塞之方法將一待測心電圖轉換成一對應之測定心肌梗塞;
藉由該模型測定裝置可連接至少一心電圖生成裝置及至少一監測應用裝置,使得其得將由該心電生成裝置所取得之待測心電圖轉換成相對應之測定心肌梗塞,並顯示於該監測應用裝置上。
藉此,透過前述技術手段的具體實現,使本發明能可大幅增進其實用性,而能增加其附加價值,並能提高其經濟效益。
為使 貴審查委員能進一步了解本發明的構成、特徵及其他目的,以下乃舉本發明之若干較佳實施例,並配合圖式詳細說明如后,供讓熟悉該項技術領域者能夠具體實施。
本發明係一種應用心電圖快速偵測急性心肌梗塞之方法及其系統,隨附圖例示本發明之具體實施例及其構件中,所有關於前與後、左與右、頂部與底部、上部與下部、以及水平與垂直的參考,僅用於方便進行描述,並非限制本發明,亦非將其構件限制於任何位置或空間方向。圖式與說明書中所指定的尺寸,當可在不離開本發明之申請專利範圍內,根據本發明之具體實施例的設計與需求而進行變化。
本發明係一種應用心電圖快速偵測急性心肌梗塞之方法及其系統,其可供快速測定心肌梗塞〔myocardial infarction,下稱MI〕ST段上升心肌梗塞〔ST-segment elevation myocardial infarction,下稱STEMI〕、非ST段上升心肌梗塞〔non-ST-segment elevation myocardial infarction,下稱NSTEMI〕或非心肌梗塞〔not- myocardial infarction,下稱not-MI〕等類型中至少二者,而如第一、二圖所示,該系統包含有一心電圖生成裝置(10)、一模型測定裝置(20)及一監測應用裝置(30),其中該心電圖生成裝置(10)、該模型測定裝置(20)及該監測應用裝置(30)之間可以是組成一體式結構、組合式結構或分離式結構,且如為分離式結構可以是利用有線技術〔如乙太網路〕、無線技術〔如Wi-Fi或3G以上行動通信〕相互連線,供相互傳輸資料。
而本發明進一步包含一個使用前述應用心電圖快速偵測急性心肌梗塞之系統的方法,如第二圖所示,該方法之施實步驟包含有:
一建置至少一心肌模型資料之步驟(S01):首先建立至少一心肌模型資料,該心肌模型資料利用一心電圖取得一相對應之醫師判定的心肌梗塞標記(MIR),其中該心肌梗塞標記(MIR)為至少二個特定位數、且其中僅有一位數編碼為「1」之二元數值序列,例如本發明最佳實施例可將欲測定之心肌梗塞定義為STEMI、NSTEMI及not-MI等三個類型,則將心肌梗塞標記(MIR)編碼為三位數之二元數值序列,分別為「100」、「010」及「001」,其中「100」代表STEMI、「010」代表NSTEMI及「001」代表not-MI;
一取得至少一待測心電圖之步驟(S02):取得一被監測者之待測心電圖;
一測定心肌梗塞之步驟(S03):接著利用該被監測者之待測心電圖進行轉換,其包含利用卷積神經網路架構之一導入預測、一加權平均及一總和輸出的方式,其中利用導入預測的方式將待測心電圖以特徵向量輸入並生成一導入預測值,之後透過加權平均的方式輸出一個加權數值,並通過一個Softmax函數限制其加總為100%,再將此權重與該導入預測值進行加權平均,而獲得一個整體估計值,之後利用該總和輸出方式根據該心肌模型資料之心肌梗塞標記進行結果預測,而生成一個至少二個特定位數、且其中僅有一位數編碼為「1」之二元數值序列,並以該三位數之二元數值測定心肌梗塞之類型;
一顯示測定心肌梗塞之步驟(S04):在求得該被監測者之心電圖的測定心肌梗塞類型後,將其顯示於至少一監測者之監測應用裝置(30)上。
且該應用心電圖快速偵測急性心肌梗塞之系統的方法進一步包含有一模型學習之步驟,其係利用卷積神經網路以不監督方式辨識指定心電圖中的特徵值進行學習,且該模型學習模組之卷積神經網路進行學習處理時的演算法可為公知的方法,並調整網路參數,供生成新的用於診斷之心肌模型資料。
又本發明之系統的詳細構成,則係如第三、四圖所揭示者,其中該心電圖生成裝置(10)具有至少一電極單元(11),供偵測至少一被監測者人體之心電訊號,該心電圖生成裝置(10)可以選自1至12導程之電極單元(11),供生成一個相對應導程數之待測心電圖(D1),例如當以標準12導程心電圖為例時,則該心電圖生成裝置(10)需要放置如RA、LA、RL、LL、V1、V2、V3、V4、V5及V6等10個電極單元(11),其可生成一個標準12導程〔Lead I、Lead II、…、Lead V6〕之待測心電圖(D1),且該心電圖生成裝置(10)可以是一穿戴式生理監測裝置或其一部,供患者直接穿載以取得至少一待測心電圖(D1),供長時間隨時監測該被監測者(如救護車上患者、慢性病患者等)。而根據某些實施例,該心電圖生成裝置(10)具有一傳輸單元(12),而該傳輸單元(12)可以利用有線技術或無線技術對上述之模型測定裝置(20)傳輸該待測心電圖(D1);
又如第三圖所示,該模型測定裝置(20)可執行前述應用心電圖快速偵測急性心肌梗塞之系統的方法,且該模型測定裝置(20)與該心電圖生成裝置(10)可以結合形成一體之穿戴式生理監測裝置,而該模型測定裝置(20)可以包含有一處理單元(21)〔Central Processing Unit,CPU〕、至少一記憶單元(23)及至少一儲存單元(24),其中該處理單元(21)用於執行系統之各項程式、指令及功能。根據某些實施例,該模型測定裝置(20)可以是一與該心電圖生成裝置(10)連線之雲端伺服裝置或伺服裝置、個人電腦、可攜式行動裝置等〕,其中該模型測定裝置(20)之處理單元(21)進一步連接有一傳輸單元(22),且該傳輸單元(22)可以有線技術或無線技術讓該模型測定裝置(20)與前述之心電圖生成裝置(10)及/或監測應用裝置(30)相互連結傳輸各項資料、畫面或指令。而該等記憶單元(23)電氣連接該處理單元(21),且該等記憶單元(23)可以包含有唯讀記憶單元〔Read Only Memory,ROM〕及/或隨機存取記憶單元〔Random Access Memory,RAM〕,用於供儲存系統程式或指令、以及作為作業系統或其他正在執行中的程式的臨時資料儲存媒介,又各該儲存單元(24)可以有線或無線連接該處理單元(21),且各該儲存單元(24)可以是一內部儲存設備或一外部儲存設備,如硬碟〔Hard Disk Drive,HDD〕、固態硬碟〔Solid State Disk,簡稱SSD〕或雲端硬碟〔Online Hard Drive〕,又各該等儲存單元(24)至少內建有一模型資料模組(25)及一測定運算模組(26),使得該模型測定裝置(20)取得待測心電圖(D1)後,可透過該模型資料模組(25)與該測定運算模組(26)之計算測定相對應於該待測心電圖(D1)的前述心肌梗塞類型;
再者,進一步參看第五、六圖所示,前述之模型資料模組(25)中具有至少一筆心肌模型資料(Myocardial infarction Data,下稱MID),而各該心肌模型資料(MID)至少包含有一參考心電圖與一相對應醫師判定之心肌梗塞標記(Myocardial infarction reference,下稱MIR),其中各該心肌模型資料(MID)之參考心電圖可以選自至少1導程以上之心電圖〔如1導程、2導程、3導程、5導程或12導程〕,且各該心肌模型資料(MID)進一步可以包含但不限定症狀、用藥、年齡、性別、體重指數〔BMI〕、冠狀動脈疾病〔CAD〕、心力衰竭〔HF〕、糖尿病〔DM〕、高血壓〔HTN〕、慢性腎臟疾病〔CKD〕、慢性阻塞性肺疾病〔COPD〕、估計的腎小球濾過率〔eGFR〕、鈉〔Na〕、鉀〔K〕、肌酸酐〔Cr〕、肌酸激酵素〔CK〕、肌鈣蛋白I〔Tro I〕、白細胞數〔WBC〕、血紅蛋白〔Hb〕、血小板〔PLT〕、葡萄糖〔GLU〕、天冬氨酸氨基轉移酶〔AST〕、丙氨酸基轉移酶〔ALT〕、總膽固醇〔TC〕、低密度脂蛋白膽固醇〔LDL〕、高密度脂蛋白膽固醇〔HDL〕、三酸甘油酯〔TG〕等個別患者之特徵資料,使該心肌模型資料(MID)能被分類得更為詳細。而心肌梗塞標記(MIR)則被指定在至少二個特定位數、且其中僅有一位數編碼為「1」之二元數值序列,如本發明最佳實施例為測定STEMI、NSTEMI及not-MI等三個類型,則其被編碼為三個位數之二元數值序列,分別為「100」、「010」及「001」,其中「100」代表STEMI、「010」代表NSTEMI及「001」代表not-MI;
又該具自我學習功能之測定運算模組(26)為選自第三代人工智慧之卷積深度神經網路〔Convolutional Neural Network,CNN〕,如DenseNet架構(Dense Convolutional Network),且如第五圖所示,該測定運算模組(26)至少包含一導入預測模塊(261)〔本發明定義為ECG lead block〕、一加權平均模塊(262)〔本發明定義為Attention block〕及一總和輸出模塊(263)〔本發明定義為Sum Output block〕等三個模塊。在將各該導程〔Lead I、Lead II、…、Lead V6〕之待測心電圖(D1)輸入該導入預測模塊(261)之後,針對每一導程生成一導入預測值(D2),該導入預測值(D2)將分別有一個長度為N的特徵向量與長度為1的個別預測結果,而後這個特徵向量將會通過該加權平均模塊(262)進行權重預測,最終每個加權平均模塊(262)將會輸出一個加權數值(D3)。而各該導程經過該加權平均模塊(262)之輸出將會一起通過一個Softmax函數限制其加總為100%,而後將此權重與該導入預測模塊(261)原始的導入預測值(D2)進行加權平均,獲得一個整體估計值(D4)。而在經過前述導入預測模塊(261)與加權平均模塊(262)之後,由於心肌梗塞類型已被編碼為「100」、「010」及「001」之二元數值序列,因此利用該總和輸出模塊(263)之結構來進行結果預測,並取其中比例最高者為測定之類型,而生成一測定心肌梗塞(Determination of myocardial infarction,下稱DMI),例如當「100」為98.1%、「010」為0.5%及「001」為0.6%時〔如第五、六圖第一實施例之測定報告〕,則測定該待測心電圖(D1)為STEMI之患者,又或當「100」為38.0%、「010」為50.3%及「001」為11.7%時〔如第七圖第二實施例之測定報告〕,則測定該待測心電圖(D1)為NSTEMI之患者;
而根據某些實施例,該模型測定裝置(20)進一步可以包含有一連接該處理單元(21)之圖形處理單元(27)〔Graphics Processing Unit,GPU〕,供透過分析、深度學習和機器學習演算法來執行繪圖運算工作,以提高運算速度及心電圖判讀的準確度。
又,根據某些實施例,該模型測定裝置(20)進一步包含有一卷積神經網路架構之模型學習模組(28),供生成新的用於診斷之心肌模型資料(MID)。而該模型學習模組(28)係利用卷積神經網路以不監督方式辨識指定心電圖中的特徵值進行學習,且該模型學習模組(28)之卷積神經網路進行學習處理時的演算法可為公知的方法,並調整網路參數〔權重係數、偏差等〕。而且,由該模型學習模組(28)形成之心肌模型資料(MID)〔結構資料及已學習的權重參數等〕例如與模型資料模組(25)或測定運算模組(26)一同被儲存於該儲存單元(24)中;
承如前述,該模型學習模組(28)於驅動深度學習模型訓練的方法可以使用如公知的反向傳播法〔Backpropagation〕實施學習處理。再者,根據某些實施例,該模型測定裝置(20)之模型資料模組(25)、測定運算模組(26)及模型學習模組(28)可以一同儲存於同一儲存單元(24)或分別儲存於不同儲存單元(24)中。
又如第一、二及三圖所示,至於該監測應用裝置(30)具有一傳輸單元(31),而該傳輸單元(31)可以利用有線技術或無線技術接收上述之模型測定裝置(20)傳送來之偵測值及/或心電訊號,且該監測應用裝置(30)具有一顯示單元(32),該顯示單元(32)可供顯示測定心肌梗塞(DMI)及/或心電訊號(D1)生成之心電圖,讓醫療人員能依患者實際血鉀濃度提供對應的處理及治療,供醫療人員判讀測定心肌梗塞(DMI),另根據某些實施例,該監測應用裝置(30)進一步具有一警報發送單元(35),該警報發送單元(35)可向急救人員、責任醫師或遠端監管裝置發送偵測之測定心肌梗塞(DMI)及/或心電訊號(D1)生成之心電圖,供醫療人員即時監測與介入,以降低心源性猝死之危險性。
綜上所述,可以理解到本發明為一創意極佳之發明創作,除了有效解決習式者所面臨的問題,更大幅增進功效,且在相同的技術領域中未見相同或近似的產品創作或公開使用,同時具有功效的增進,故本發明已符合發明專利有關「新穎性」與「進步性」的要件,乃依法提出發明專利之申請。
10:心電圖生成裝置
11:電極單元
12:傳輸單元
15:心電圖資料庫
20:模型測定裝置
21:處理單元
22:傳輸單元
23:記憶單元
24:儲存單元
25:模型資料模組
26:測定運算模組
261:導入預測模塊
262:加權平均模塊
263:總和輸出模塊
27:圖形處理單元
28:模型學習模組
30:監測應用裝置
31:傳輸單元
32:顯示單元
35:警報發送單元
S01:一建置至少一心肌模型資料之步驟
S02:一取得一待測心電圖之步驟
S03:一測定心肌梗塞之步驟
S04:一顯示測定心肌梗塞之步驟
S05:一模型學習之步驟
第一圖:係本發明使用應用心電圖快速偵測急性心肌梗塞之系統的系統運作示意圖。
第二圖:係本發明使用應用心電圖快速偵測急性心肌梗塞之方法的流程架構示意圖。
第三圖:係本發明使用應用心電圖快速偵測急性心肌梗塞之系統的系統架構示意圖。
第四圖:係本發明使用應用心電圖快速偵測急性心肌梗塞之系統中模型測定裝置的架構示意圖。
第五圖:係本發明之系統中模型測定裝置之測定運算模組的架構示意圖。
第六圖:係本發明之系統於實際應用時的資料轉換示意圖。
S01:一建置至少一心肌模型資料之步驟
S02:一取得一待測心電圖之步驟
S03:一測定心肌梗塞之步驟
S04:一顯示測定心肌梗塞之步驟
S05:一模型學習之步驟
Claims (10)
- 一種應用心電圖快速偵測急性心肌梗塞之方法,其包含有:一建置至少一心肌模型資料之步驟:建立至少一心肌模型資料,該心肌模型資料利用至少一參考心電圖取得至少一個相對應之醫師判定的心肌梗塞標記,其中該等心肌梗塞標記為至少三個位數、且其中僅有一位數編碼為「1」之二元數值序列,以依序代表不同類型之心肌梗塞;一取得一待測心電圖之步驟:取得一被監測者之待測心電圖;一測定心肌梗塞之步驟:其包含利用卷積神經網路架構之一導入預測、一加權平均及一總和輸出的方式,其中利用導入預測的方式將該待測心電圖以序列向量輸入並生成一導入預測值,之後透過加權平均的方式輸出一個加權數值,並通過一個Softmax函數限制其加總為100%,再將此權重與該導入預測值進行加權平均,而獲得一個整體估計值,而生成一個至少二個特定位數、且其中僅有一位數編碼為「1」之二元數值序列的測定心肌梗塞;一顯示測定心肌梗塞之步驟:在求得該被監測者之測定心肌梗塞後,將其轉換成代表之心肌梗塞類型,並顯示給至少一監測者。
- 如請求項1所述應用心電圖快速偵測急性心肌梗塞之方法,其中該測定心肌梗塞之步驟中特定位數可以是三個位數之二元數值序列,供分別測定之心肌梗塞類型為STEMI、NSTEMI及not-MI,並將其分別編碼為「100」、「010」及「001」之二元數值序列,其中「100」代表STEMI、「010」代表NSTEMI及「001」代表not-MI。
- 如請求項1所述應用心電圖快速偵測急性心肌梗塞之方法,其中該心電圖可以是不同導程數之心電訊號所生成,並相對應建立有各種不同導程數之心肌模型資料。
- 如請求項1所述應用心電圖快速偵測急性心肌梗塞之方法,其中該方法進一步包含有一模型學習之步驟,其係利用卷積神經網路以不監督方式辨識指定心電圖中的特徵值進行學習,且該模型學習之步驟之卷積神經網路進行學習處理時的演算法可為公知的方法,並調整網路參數,供生成新的用於診斷之心肌模型資料。
- 一種應用心電圖快速偵測急性心肌梗塞之系統,該系統至少具有一模型測定裝置;所述之模型測定裝置包含有一處理單元及分別連接該處理單元之至少一記憶單元及至少一儲存單元,其中該等儲存單元至少具有一模型資料模組及一測定運算模組,該模型資料模組中具有至少一心肌模型資料,該心肌模型資料至少包含有一心電圖與一相對應之血液檢測中的心肌梗塞標記,而該測定運算模組使用如請求項1~4中任一項所述之應用心電圖快速偵測急性心肌梗塞之方法將一待測心電圖轉換成一對應之測定心肌梗塞;藉由該模型測定裝置可連接至少一心電圖生成裝置及至少一監測應用裝置,使得其得將由該心電生成裝置所取得之待測心電圖轉換成相對應之測定心肌梗塞,並顯示於該監測應用裝置上。
- 如請求項5所述之系統,其中該模型測定裝置進一步可以包含有一連接該處理單元之圖形處理單元,供提高運算速度。
- 如請求項5所述之系統,其中該模型測定裝置進一步包含有一模型學習模組,且該模型學習模組係利用卷積神經網路以不監督方 式辨識指定心電圖中的特徵值進行學習,且該模型學習模組之卷積神經網路進行學習處理時的演算法可為公知的方法,並調整網路參數,供生成新的用於診斷之心肌模型資料。
- 如請求項5所述之系統,其中所述,其中該心電圖生成裝置、模型測定裝置及監測應用裝置可以是組成一穿戴式生理監測裝置。
- 如請求項5所述之系統,其中該模型測定裝置之處理單元可以連接有一傳輸單元,而心電圖生成裝置與監測應用裝置分別具有可以相互連結傳輸之傳輸單元,供該模型測定裝置可與設於遠端之心電圖生成裝置及監測應用裝置連結傳輸資料。
- 如請求項5所述之系統,其中該監測應用裝置具有一顯示單元及一警報發送單元,該顯示單元可供顯示測定心肌梗塞及/或心電訊號生成之心電圖,且該警報發送單元可供通知醫療人員即時監測與介入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110124222A TWI783561B (zh) | 2021-07-01 | 2021-07-01 | 應用心電圖快速偵測急性心肌梗塞之方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110124222A TWI783561B (zh) | 2021-07-01 | 2021-07-01 | 應用心電圖快速偵測急性心肌梗塞之方法及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI783561B true TWI783561B (zh) | 2022-11-11 |
TW202302044A TW202302044A (zh) | 2023-01-16 |
Family
ID=85794398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110124222A TWI783561B (zh) | 2021-07-01 | 2021-07-01 | 應用心電圖快速偵測急性心肌梗塞之方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI783561B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201713273A (zh) * | 2015-10-07 | 2017-04-16 | 圖爾庫大學 | 用於產生指示心臟狀況的資訊之方法和設備 |
TW202108076A (zh) * | 2019-08-19 | 2021-03-01 | 美商維托臣股份有限公司 | 判斷心電圖的r波波峰點的方法 |
-
2021
- 2021-07-01 TW TW110124222A patent/TWI783561B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201713273A (zh) * | 2015-10-07 | 2017-04-16 | 圖爾庫大學 | 用於產生指示心臟狀況的資訊之方法和設備 |
TWI724035B (zh) * | 2015-10-07 | 2021-04-11 | 芬蘭商普瑞寇迪奧公司 | 用於產生指示心臟狀況的資訊之方法和設備 |
TW202108076A (zh) * | 2019-08-19 | 2021-03-01 | 美商維托臣股份有限公司 | 判斷心電圖的r波波峰點的方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202302044A (zh) | 2023-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Santos et al. | Online heart monitoring systems on the internet of health things environments: A survey, a reference model and an outlook | |
EP2964077B1 (en) | System of determining a risk score for triage | |
Magnani et al. | P-wave indices and atrial fibrillation: cross-cohort assessments from the Framingham Heart Study (FHS) and Atherosclerosis Risk in Communities (ARIC) study | |
Javaid et al. | Medicine 2032: The future of cardiovascular disease prevention with machine learning and digital health technology | |
Guidi et al. | A multi-layer monitoring system for clinical management of Congestive Heart Failure | |
TWI701681B (zh) | 心房顫動預測模型及其預測系統 | |
Asadi et al. | A computer vision approach for classifying isometric grip force exertion levels | |
Walinjkar et al. | ECG classification and prognostic approach towards personalized healthcare | |
US11864900B2 (en) | Advanced cardiac waveform analytics | |
Vijayalaxmi et al. | Multi-disease prediction with artificial intelligence from core health parameters measured through non-invasive technique | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
Sujatha et al. | Heart Failure Patient Survival Analysis with Multi Kernel Support Vector Machine. | |
Usharani et al. | Pregnancy Women—Smart Care Intelligent Systems: Patient Condition Screening, Visualization and Monitoring with Multimedia Technology | |
TWI783561B (zh) | 應用心電圖快速偵測急性心肌梗塞之方法及其系統 | |
Aghav et al. | Health track | |
TWI732489B (zh) | 應用心電圖快速偵測鉀離子異常之方法及其系統 | |
Durga | Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach | |
Mesa et al. | Gocardio: A novel approach for mobility in cardiac monitoring | |
Kotkar et al. | An IoT enabled healthcare framework for arrhythmia detection based on Qos aware trust aided osprey routing protocol and ensemble learning | |
Kong et al. | Deciphering 3D human sphygmopalpation pulse patterns using “X-ray” images acquired from tactile robotic fingers | |
Shen | ECG classification and the" heart age" prediction using machine learning | |
Agarwal et al. | Ecg heartbeat classification of myocardial infarction and arrhythmia using cnn | |
Pawar et al. | Development of Health Monitoring Wearable Device using ESP32 | |
Abirami | AI Clinical Decision Support System (AI-CDSS) for Cardiovascular Diseases | |
Dhiman et al. | Application of Artificial Intelligence in IoT-Based Healthcare Systems |