TWI790479B - 生理狀態評估方法與生理狀態評估裝置 - Google Patents

生理狀態評估方法與生理狀態評估裝置 Download PDF

Info

Publication number
TWI790479B
TWI790479B TW109132117A TW109132117A TWI790479B TW I790479 B TWI790479 B TW I790479B TW 109132117 A TW109132117 A TW 109132117A TW 109132117 A TW109132117 A TW 109132117A TW I790479 B TWI790479 B TW I790479B
Authority
TW
Taiwan
Prior art keywords
data
model
physiological
characteristic parameter
physiological state
Prior art date
Application number
TW109132117A
Other languages
English (en)
Other versions
TW202211870A (zh
Inventor
李俊賢
蔡宗憲
陳駿宏
王維庭
李穎灝
鄭浩民
Original Assignee
宏碁股份有限公司
臺北榮民總醫院
宏碁智醫股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 宏碁股份有限公司, 臺北榮民總醫院, 宏碁智醫股份有限公司 filed Critical 宏碁股份有限公司
Priority to TW109132117A priority Critical patent/TWI790479B/zh
Priority to US17/083,340 priority patent/US11529083B2/en
Priority to CN202110245934.1A priority patent/CN114190949B/zh
Publication of TW202211870A publication Critical patent/TW202211870A/zh
Application granted granted Critical
Publication of TWI790479B publication Critical patent/TWI790479B/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Power Engineering (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Electrotherapy Devices (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

一種生理狀態評估方法與生理狀態評估裝置。所述方法包括：經由心電圖檢測裝置獲得使用者的原始心電圖資料；將所述原始心電圖資料轉換為數位整合資料；根據所述數位整合資料獲得多個生理特徵參數；藉由至少一過濾模型從所述多個生理特徵參數中過濾至少一顯著特徵參數，其中所述至少一顯著特徵參數在所述至少一過濾模型的決策過程中的決策重要性高於門檻值；根據所述至少一顯著特徵參數建立預測模型；以及藉由所述預測模型評估所述使用者的生理狀態。

Description

生理狀態評估方法與生理狀態評估裝置
本發明是有關於一種生理狀態評估技術，且特別是有關於一種生理狀態評估方法與生理狀態評估裝置。
傳統的心電圖檢測必須由醫生來對心電圖檢測裝置輸出的心電圖資料進行判讀。搭配病患的血壓量測，醫生可根據心電圖資料與血壓量測結果來確定患者是否存在心血管方面的問題。然而，針對不同的患者測得的心電圖資料及血壓量測結果有成千上萬種組合，不同的醫生根據相同的心電圖資料及血壓量測結果也可能會有不同的診斷結果。因此，實務上往往造成患者在心血管方面的診斷誤差。
本發明提供一種生理狀態評估方法與生理狀態評估裝置，可提升對使用者的生理狀態評估效率。
本發明的實施例提供一種生理狀態評估方法，其包括：經由心電圖檢測裝置獲得使用者的原始心電圖資料；將所述原始心電圖資料轉換為數位整合資料；根據所述數位整合資料獲得多個生理特徵參數；藉由至少一過濾模型從所述多個生理特徵參數中過濾至少一顯著特徵參數，其中所述至少一顯著特徵參數在所述至少一過濾模型的決策過程中的決策重要性高於門檻值；根據所述至少一顯著特徵參數建立預測模型；以及藉由所述預測模型評估所述使用者的生理狀態。
本發明的實施例另提供一種生理狀態評估裝置，其包括儲存電路與處理器。所述儲存電路用以儲存經由心電圖檢測裝置獲得的使用者的原始心電圖資料。所述處理器耦接至所述儲存電路。其中所述處理器用以將所述原始心電圖資料轉換為數位整合資料。所述處理器更用以根據所述數位整合資料獲得多個生理特徵參數。所述處理器更用以藉由至少一過濾模型從所述多個生理特徵參數中過濾至少一顯著特徵參數，其中所述至少一顯著特徵參數在所述至少一過濾模型的決策過程中的決策重要性高於門檻值。所述處理器更用以根據所述至少一顯著特徵參數建立預測模型。所述處理器更用以藉由所述預測模型評估所述使用者的生理狀態。
基於上述，在經由心電圖檢測裝置獲得使用者的原始心電圖資料後，所述原始心電圖資料可被轉換為數位整合資料。根據所述數位整合資料，多個生理特徵參數可被獲得。接著，至少一過濾模型可用以從所述多個生理特徵參數中過濾至少一顯著特徵參數。特別是，所述顯著特徵參數在所述過濾模型的決策過程中的決策重要性高於門檻值。接著，一或多個預測模型可根據所述顯著特徵參數而被建立。爾後，所述預測模型可用以評估使用者的生理狀態。
圖1是根據本發明的一實施例所繪示的生理狀態評估系統的示意圖。請參照圖1，生理狀態評估系統10包括心電圖檢測裝置11與生理狀態評估裝置12。
心電圖檢測裝置11可用以檢測使用者在運動狀態下與非運動狀態下的心血管狀態並產生對應於此使用者的心電圖資料(亦稱為原始心電圖資料)。例如，此原始心電圖資料可包括運動心電圖量測資料。運動心電圖量測資料可反映使用者在運動狀態下的心血管狀態，例如血壓及/或心率等等。此外，由心電圖檢測裝置11產生的原始心電圖資料是以可攜式文件格式(Portable Document Format, PDF)的檔案格式或影像檔的格式輸出。
圖2是根據本發明的一實施例所繪示的心電圖檢測裝置檢測使用者的心血管狀態的示意圖。請參照圖2，在一實施例中，使用者可以使用跑步機21等運動器材來運動。例如，使用者可以在跑步機21上走或跑，以處於運動狀態。當使用者處於運動狀態時，心電圖檢測裝置11可藉由心率感測器22與血壓感測器23來分別偵測使用者在運動狀態下的心率與血壓等心血管狀態。根據偵測結果，心電圖檢測裝置11可輸出對應於此使用者的原始心電圖資料。例如，心電圖檢測裝置11可將心率感測器22與血壓感測器23所量測到的訊號轉換為原始心電圖資料中的文字或影像並將其輸出。
回到圖1，生理狀態評估裝置12耦接至心電圖檢測裝置11。生理狀態評估裝置12可根據心電圖檢測裝置11產生的原始心電圖資料評估使用者的生理狀態。例如，此生理狀態可反映使用者的心血管健康狀態及/或使用者罹患特定心血管疾病的風險或機率等。在一實施例中，若進一步參照使用者的個人資料(例如年齡、身高、體重及/或性別等)及/或其他類型的檢測資料(例如血液檢測資料及/或尿液檢測資料等)，此生理狀態也可反映此使用者其他面向的生理狀態，例如使用者的整體健康狀態及/或使用者罹患特定器官(例如肝、腎等)的疾病的風險或機率等。
生理狀態評估裝置12包括儲存電路121與處理器122。儲存電路121可包括揮發性儲存電路與非揮發性儲存電路。揮發性儲存電路用以揮發性地暫存資料。例如，揮發性儲存電路可包括隨機存取記憶體(Random Access Memory, RAM)。非揮發性儲存電路用以非揮發性地儲存資料。例如，非揮發性儲存電路可包括固態硬碟(Solid State Drive, SSD)及/或傳統硬碟(Hard Disk Drive, HDD)。心電圖檢測裝置11產生的原始心電圖資料可儲存於儲存電路121。
處理器122耦接至儲存電路121。處理器122可負責生理狀態評估裝置12的整體或部分操作。例如，處理器122可包括中央處理單元(CPU)、或是其他可程式化之一般用途或特殊用途的微處理器、數位訊號處理器(Digital Signal Processor, DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits, ASIC)、可程式化邏輯裝置(Programmable Logic Device, PLD)或其他類似裝置或這些裝置的組合。處理器122可存取儲存電路121中的原始心電圖資料並根據所述原始心電圖資料評估使用者的生理狀態。
在一實施例中，生理狀態評估裝置12還可包括各式輸入/輸出介面裝置，例如滑鼠、鍵盤、螢幕、網路介面卡及/或電源供應電路等等，本發明不加以限制。此外，生理狀態評估裝置12可實作為桌上型電腦、平板電腦、筆記型電腦、工業電腦或伺服器等各式電腦裝置，本發明不加以限制。
在獲得原始心電圖資料後，處理器122可將原始心電圖資料轉換為數位整合資料。例如，處理器122可從原始心電圖資料中擷取所需的資訊並整合此些資訊以產生數位整合資料。此數位整合資料可以電腦可讀的文字形式記載與使用者的生理特徵有關的描述資料，例如使用者的血壓、心率、年齡及/或體重等等。
在一實施例中，處理器122可將原始心電圖資料轉換為文字資料。例如，假設原始心電圖資料的檔案格式為PDF或某種影像檔的檔案格式，則數位整合資料的檔案格式可為逗號分隔值(Comma-Separated Values, CSV)或文字檔(TXT)等。處理器122可根據預設規則從此文字資料中擷取與使用者的生理特徵有關的描述資料。處理器122可根據所擷取的描述資料產生所述數位整合資料。
圖3與圖4是根據本發明的一實施例所繪示的原始心電圖資料的示意圖。圖5與圖6是根據本發明的一實施例所繪示的文字資料的示意圖。請參照圖3至圖6，原始心電圖資料可包括PDF檔案31與41。PDF檔案31與41呈現了某一使用者的年齡、性別、血壓、心率及量測時間等資訊。處理器122可藉由影像辨識等圖文轉換技術從PDF檔案31與41中擷取所需的資訊並根據所擷取的資訊產生文字資料。例如，所產生的文字資料包括圖5與圖6中的文字檔案51與61。文字檔案51與61分別以文字的形式反映PDF檔案31與41中相關的文字內容。
在一實施例中，處理器122可偵測文字資料中的至少一關鍵字並擷取對應於所述關鍵字的描述資料(亦稱為第一描述資料)。以圖5為例，處理器122可偵測文字檔案51中的關鍵字“yrs”、“Max BP”及“Max ST Level”並獲得此些關鍵字所分別對應的第一描述資料。所擷取的第一描述資料可記載如下表1所示。其他有用的描述資料也可藉由上述關鍵字偵測的方式從文字資料中擷取出來。 表1
關鍵字 yrs Max BP Max ST Level
描述資料 54 174/75 -2.40
在一實施例中，處理器122可根據預設欄位格式擷取文字資料中的描述資料(亦稱為第二描述資料)。以圖5為例，處理器122可根據“Phase Name”、“Stage Name”及“Time in Stage”等不同資料欄位的預設字元長度，從文字檔案51中擷取出相應的第二描述資料。所擷取的第二描述資料可記載如下表2所示。其他有用的描述資料也可藉由上述預設欄位格式偵測的方式從文字資料中擷取出來。 表2
Phase Name Stage Name Time in Stage
PRETEST SUPINE 00:22
空白 空白 00:24
EXERCISE STAGE 1 03:00
空白 STAGE 2 03:00
空白 STAGE 3 03:00
空白 STAGE 4 01:44
在一實施例中，處理器122可偵測文字資料中的空白資料區域並擷取記錄在所述空白資料區域後的描述資料(亦稱為第三描述資料)。以圖6為例，處理器122可根據文字檔案51中非規律出現的空白資料區域，擷取記錄在所述空白資料區域後的第三描述資料。所擷取的第三描述資料可記載如下表3所示。其他有用的描述資料也可藉由上述空白資料區域偵測的方式從文字資料中擷取出來。 表3
EXERCISE EXERCISE EXERCISE EXERCISE
STAGE 1 STAGE 1 STAGE 1 STAGE 1
1:56 2:01 2:06 2:11
92 92 92 94
空白 空白 空白 132/76
4.4 4.6 4.6 4.6
在一實施例中，處理器122可根據所擷取的描述資料產生如下表4及/或下表5所示的數位整合資料。例如，表4的數位整合資料記載了多個使用者的“年齡(Age)”、“Max BP”及“Max ST Level”等生理特徵參數。表5的數位整合資料記載了編號為“1”的使用者在不同量測時間與不同測試階段下測得的血壓、心率及ST段差等生理特徵參數。其中，測驗前與恢復期是指使用者處於非運動狀態，而測驗中是指使用者處於運動狀態。此外，其他有用的資訊也可記載於所述數位整合資料中。 表4
使用者ID Age Max BP Max ST Level
100001 54 174/75 -2.40
… … … …
100100 68 155/66 -0.22
表5
使用者 收縮壓 舒張壓 心率 ST段差 量測時間 測試階段
1 138 79 70 0.02 11:10 測驗前
1 144 79 71 0.15 11:12 測驗前
1 147 99 74 0.23 11:14 測驗中
1 148 100 76 0.10 11:16 測驗中
1 150 75 89 0.08 11:18 測驗中
1 155 81 91 0.06 11:20 測驗中
1 156 76 100 -0.07 11:22 測驗中
1 160 76 155 -0.03 11:23 測驗中
1 127 85 79 -0.04 11:24 恢復期
1 140 80 76 0.06 11:25 恢復期
1 139 76 75 0.17 11:30 恢復期
在一實施例中，處理器122可獲得預設資料在所擷取的描述資料中的出現次數。然後，處理器122可根據此出現次數驗證所述數位整合資料是否為有效資料。例如，處理器122可統計至少一關鍵字各別在原始心電圖資料(或文字資料)與所擷取的描述資料中的出現次數。若此些關鍵字在原始心電圖資料與所擷取的描述資料中的出現次數之間的差異不大(例如不大於一差異門檻值)，則處理器122可判定所述數位整合資料為有效資料。然而，若此些關鍵字在原始心電圖資料與所擷取的描述資料中的出現次數之間的差異較大(例如大於差異門檻值)，則處理器122可判定所述數位整合資料非為有效資料。若判定所述數位整合資料非為有效資料，則處理器122可重新執行上述將原始心電圖資料轉換為數位整合資料的操作及/或執行其他錯誤處理操作，在此不重複贅述。
以圖3與圖4為例，預設資料可以是指特定的關鍵字，例如“Tabular Summary”、“Sample Card. Cycles”、“Phase Name”及“EXERCISE”。此些關鍵字在原始心電圖資料(或文字資料)與所擷取的描述資料中的出現次數可記載如下表6所示。 表6
關鍵字 原始心電圖資料中的出現次數 數位整合資料中的出現次數
Tabular Summary 1 1
Sample Card. Cycles 1 1
Phase Name 5 4
EXERCISE 20 19
處理器122可根據表6計算一個用來表示差異度的參數D。例如，D=((1-1)+(1-1)+(5-4)+(20-19))/4=0.5。若參數D不大於差異門檻值X(例如2)，處理器122可判定所產生的數位整合資料為有效資料。或者，若參數D大於差異門檻值X(例如2)，則處理器122可判定所產生的數位整合資料非為有效資料。
在一實施例中，處理器122可根據數位整合資料(例如判定為有效資料的數位整合資)獲得多個生理特徵參數。例如，所述生理特徵參數包括時間相關特徵參數與邏輯相關特徵參數。所述時間相關特徵參數反映使用者在多個時間點所測得的生理特徵。所述邏輯相關特徵參數反映使用者的符合特定邏輯條件的生理特徵。以表5為例，時間相關特徵參數可包括使用者在不同時間點及/或不同測驗階段下測得的收縮壓、舒張壓、心率及ST段差等生理特徵參數。此外，邏輯相關特徵參數則可包括對單一測驗階段或跨測驗階段中的生理特徵參數進行邏輯分析所產生的特徵參數。
在一實施例中，搭配表5，邏輯相關特徵參數可包括測驗前的最大收縮壓(例如144)、測驗中的心率平均值(例如97.5)、最大心率比(例如155(即測驗中的最大心率)/170(即預期心率220-年齡)=91.2%)、最大收縮壓(例如160)、最大ST段差(例如0.23)、測驗前與測驗中心率最大遞降斜率(例如1-(155/70)=-1.21)及/或測驗前與測驗中心率差異最大的時間差(例如13分鐘)。須注意的是，上述時間相關特徵參數與邏輯相關特徵參數皆為範例，實務上還可以調整所採用的時間相關特徵參數及/或邏輯相關特徵參數。
在獲得所述多個生理特徵參數後，處理器122可藉由至少一過濾模型從所述多個生理特徵參數中過濾至少一顯著特徵參數。所述過濾模型可儲存於儲存電路121中。例如，所述過濾模型可包括支撐向量機(Support Vector Machine, SVM)模型、一分類(One Class)SVM模型、隨機森林(Random Forest)模型及邏輯(Logistic)分類模型的至少其中之一，且過濾模型的類型不限於此。
須注意的是，所述顯著特徵參數在所述至少一過濾模型的決策過程中的決策重要性高於門檻值。換言之，在所述至少一過濾模型的決策過程中，所述顯著特徵參數對於決策過程的重要性及/或影響力將普遍高於其餘生理特徵參數的重要性及/或影響力。
在一實施例中，處理器122可將所獲得的多個生理特徵參數輸入所述至少一過濾模型進行處理。然後，處理器122可根據所述多個生理特徵參數中的特定生理特徵參數(亦稱為第一生理特徵參數)在所述至少一過濾模型的決策過程中的參與度，決定對應於第一生理特徵參數的重要性評估值。若此重要性評估值大於一評估門檻值，處理器122可將第一生理特徵參數決定為所述顯著特徵參數的其中之一。
在一實施例中，處理器122可將多個生理特徵參數P1~P5是否在3個過濾模型M1~M3的重複2次的決策過程中被選擇做為決策重要性較高(例如高於門檻值)的生理特徵參數的結果記載於下表7。例如，根據表7，生理特徵參數P1在過濾模型M1~M3的重複2次的決策過程中都有被選擇做為決策重要性較高的生理特徵參數，而生理特徵參數P2在過濾模型M1~M3的重複2次的決策過程中僅在過濾模型M1與M2的第一次決策過程中有被選擇做為決策重要性較高的生理特徵參數，依此類推。 表7
特徵參數 M1的第一次決策 M1的第二次決策 M2的第一次決策 M2的第二次決策 M3的第一次決策 M3的第二次決策
P1 1 1 1 1 1 1
P2 1 0 1 0 0 0
P3 0 0 1 1 0 0
P4 0 0 0 0 0 1
P5 1 0 0 0 0 1
在一實施例中，處理器122可根據表7的資訊，將生理特徵參數P1~P5分別被過濾模型M1~M3選中的次數與機率以及所產生的重要性評估值記錄於下表8。以生理特徵參數P1為例，生理特徵參數P1的重要性評估值可根據((1×1/3)+(1×1/3)+(1×1/3)=1)而獲得，而生理特徵參數P2的重要性評估值可根據((0.5×1/3)+(0.5×1/3)+(0×1/3)=1/3)而獲得，以此類推。假設評估門檻值為“1/5”，則處理器122可將重要性評估值大於“1/5”的生理特徵參數P1~P3及P5決定為顯著特徵參數。 表8
生理特徵參數 被M1選擇的次數 被M2選擇的次數 被M3選擇的次數 被M1選擇的機率 被M2選擇的機率 被M3選擇的機率 重要性評估值
P1 2 2 2 1.0 1.0 1.0 1
P2 1 1 0 0.5 0.5 0.0 1/3
P3 0 2 0 0.0 1.0 0.0 1/3
P4 0 0 1 0.0 0.0 0.5 1/6
P5 1 0 1 0.5 0.0 0.5 1/3
在決定顯著特徵參數後，處理器122可根據所述顯著特徵參數建立至少一個預測模型。爾後，處理器122可藉由所建立的預測模型來評估使用者的生理狀態。
在一實施例中，處理器122可將所述顯著特徵參數輸入至少一候選模型進行處理。所述候選模型可儲存於儲存電路121中。例如，所述候選模型可包括長短期記憶(Long Short Term Memory, LSTM)模型、SVM模型、One Class SVM模型、Random Forest模型及Logistic分類模型的至少其中之一，且候選模型的類型不限於此。根據處理結果，處理器122可將所述至少一候選模型的預測準確度與一準確度門檻值進行比較。若所述至少一候選模型中的某一候選模型(亦稱為第一候選模型)的預測準確度(亦稱為第一預測準確度)高於準確度門檻值，處理器122可將第一候選模型決定為所欲建立的預測模型。
在一實施例中，所述預測準確度是以敏感性(sensitivity)、特異度(specificity)、陽性檢測率(Positive predictive value, PPV)、陰性檢測率(Negative predictive value, NPV)、陽性概似比(Positive likelihood ratio, LR+)及陰性概似比(Negative likelihood ratio, LR-)的至少其中之一來表示。
換言之，根據不同的候選模型使用顯著特徵參數執行預測的預測結果，處理器122可獲得不同的候選模型使用顯著特徵參數執行預測的預測準確度。在一實施例中，假設以LR+作為預測準確度的表示類型，則某一候選模型(例如Random Forest模型)使用顯著特徵參數的預測準確度可表示為數值“1.65”，而另一候選模型(例如LSTM模型)使用相同的顯著特徵參數的預測準確度可表示為數值“2.75”。在此實施例中，LSTM模型的預測準確度大於Random Forest模型的預測準確度，因此，處理器122可根據LSTM模型來建立最終使用的預測模型。
在一實施例中，處理器122可根據傳統上使用的Treadmill評分方法來設定準確度門檻值。例如，所述Treadmill評分方法可直接分析原始心電圖資料並產生相應的LR+分數。實務上，醫生可根據此LR+分數來評估當前使用的一個預設模型的好壞。或者，醫生也可根據此LR+分數來評估是否需要對病患執行手術。假設以傳統的Treadmill評分方法所獲得的LR+分數為“2.70”，則準確度門檻值可設定為“2.70”。在一實施例中，Random Forest模型的預測準確度(例如“1.65”)不大於此準確度門檻值，但LSTM模型的預測準確度(例如“2.75”)大於此準確度門檻值，故處理器122可根據LSTM模型來建立最終使用的預測模型。此外，所述準確度門檻值也可根據其他機制進行設定，本發明不加以限制。
在一實施例中，處理器122可將多個候選模型使用顯著特徵參數執行預測的預測準確度進行交互比較，及/或將多個候選模型使用顯著特徵參數執行預測的預測準確度與單一個準確度門檻值進行比較，本發明不加以限制，只要可以根據所設定的比較規則來從所述多個候選模型中選擇至少其中之一並根據所選擇的候選模型建立最終使用的預測模型即可。
須注意的是，相較於SVM模型、One Class SVM模型、Random Forest模型及/或Logistic分類模型，在LSTM模型等與時間特徵相關的預測模型的決策過程中，LSTM模型可進一步針對所述生理特徵參數中的時間相關特徵參數進行處理。因此，採用LSTM模型等與時間特徵相關的預測模型作為候選模型的至少其中之一可提高所述候選模型整體的預測準確度。
在一實施例中，所述LSTM模型等與時間特徵相關的預測模型也可進一步搭配深度神經網路(Deep Neural Network, DNN)進行設計而產生LSTM+DNN的混合模型。此混合模型也可作為所述候選模型的其中之一。
在一實施例中，所建立的預設模型可進一步進行訓練。例如，訓練的過程可參考前述實施例中獲得顯著特徵參數的操作，並將所述顯著特徵參數輸入至預測模型中進行預測與訓練，從而提高預測模型的預測準確度。經訓練的預測模型可更準確地評估使用者的生理狀態。
在一實施例中，在以圖2的方式或類似方式測得某一使用者的原始心電圖資料後，此原始心電圖資料可經過處理器122的處理並將相應的生理特徵參數(或顯著特徵參數)輸入至所建立的預測模型中。根據所輸入的生理特徵參數(或顯著特徵參數)，預測模型可產生評估資料以反映此使用者的生理狀態。
圖7是根據本發明的一實施例所繪示的生理狀態評估方法的流程圖。請參照圖7，在步驟S701中，經由心電圖檢測裝置獲得使用者的原始心電圖資料。在步驟S702中，將所述原始心電圖資料轉換為數位整合資料。在步驟S703中，根據所述數位整合資料獲得多個生理特徵參數。在步驟S704中，藉由至少一過濾模型從所述多個生理特徵參數中過濾至少一顯著特徵參數，其中所述至少一顯著特徵參數在所述至少一過濾模型的決策過程中的決策重要性高於門檻值。在步驟S705中，根據所述至少一顯著特徵參數建立預測模型。在步驟S706中，藉由所述預測模型評估所述使用者的生理狀態。
圖8是根據本發明的一實施例所繪示的生理狀態評估方法的流程圖。請參照圖8，在步驟S801中，將原始心電圖資料轉換為文字資料。在步驟S802中，根據預設規則從所述文字資料中擷取與使用者的生理特徵有關的描述資料。在步驟S803中，根據所擷取的描述資料產生所述數位整合資料。
圖9是根據本發明的一實施例所繪示的生理狀態評估方法的流程圖。請參照圖9，在步驟S901中，將多個生理特徵參數輸入至至少一過濾模型。在步驟S902中，根據所述多個生理特徵參數中的第一生理特徵參數在所述至少一過濾模型的決策過程中的參與度，決定對應於所述第一生理特徵參數的重要性評估值。在步驟S903中，判斷所述重要性評估值是否大於評估門檻值。若所述重要性評估值大於評估門檻值，將所述第一生理特徵參數決定為顯著特徵參數。或者，若所述重要性評估值不大於評估門檻值，可回到步驟S902持續獲得其他生理特徵參數的重要性評估值並執行步驟S903的判斷。
圖10是根據本發明的一實施例所繪示的生理狀態評估方法的流程圖。請參照圖10，在步驟S1001中，將至少一顯著特徵參數輸入至至少一候選模型。在步驟S1002中，將所述至少一候選模型的預測準確度與準確度門檻值進行比較。在步驟S1003中，根據比較結果將所述至少一候選模型中的第一候選模型決定為最終使用的預測模型。
然而，圖7至圖10中各步驟已詳細說明如上，在此便不再贅述。值得注意的是，圖7至圖10中各步驟可以實作為多個程式碼或是電路，本發明不加以限制。此外，圖7至圖10的方法可以搭配以上範例實施例使用，也可以單獨使用，本發明不加以限制。
綜上所述，在經由心電圖檢測裝置獲得使用者的原始心電圖資料後，所述原始心電圖資料可被轉換為數位整合資料。根據所述數位整合資料，多個生理特徵參數可被獲得。接著，至少一過濾模型可用以從所述多個生理特徵參數中過濾至少一顯著特徵參數。特別是，所述顯著特徵參數在所述過濾模型的決策過程中的決策重要性高於門檻值。接著，一或多個預測模型可根據所述顯著特徵參數而被建立。爾後，所述預測模型可用以評估使用者的生理狀態。藉此，可提升對使用者的生理狀態評估效率。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
10:生理狀態評估系統 11:心電圖檢測裝置 12:生理狀態評估裝置 121:儲存電路 122:處理器 21:跑步機 22:心率感測器 23:血壓感測器 31,41:PDF檔案 51,61:文字檔案 S701~S706,S801~S803,S901~S904,S1001~S1003:步驟
圖1是根據本發明的一實施例所繪示的生理狀態評估系統的示意圖。 圖2是根據本發明的一實施例所繪示的心電圖檢測裝置檢測使用者的心血管狀態的示意圖。 圖3與圖4是根據本發明的一實施例所繪示的原始心電圖資料的示意圖。 圖5與圖6是根據本發明的一實施例所繪示的文字資料的示意圖。 圖7是根據本發明的一實施例所繪示的生理狀態評估方法的流程圖。 圖8是根據本發明的一實施例所繪示的生理狀態評估方法的流程圖。 圖9是根據本發明的一實施例所繪示的生理狀態評估方法的流程圖。 圖10是根據本發明的一實施例所繪示的生理狀態評估方法的流程圖。
S701~S706:步驟

Claims (20)

  1. 一種生理狀態評估方法，包括： 經由一心電圖檢測裝置獲得一使用者的一原始心電圖資料； 將該原始心電圖資料轉換為一數位整合資料； 根據該數位整合資料獲得多個生理特徵參數； 藉由至少一過濾模型從該多個生理特徵參數中過濾至少一顯著特徵參數，其中該至少一顯著特徵參數在該至少一過濾模型的一決策過程中的一決策重要性高於一門檻值； 根據該至少一顯著特徵參數建立一預測模型；以及 藉由該預測模型評估該使用者的一生理狀態。
  2. 如請求項1所述的生理狀態評估方法，其中該原始心電圖資料包括一運動心電圖量測資料。
  3. 如請求項1所述的生理狀態評估方法，其中將該原始心電圖資料轉換為該數位整合資料的步驟包括： 將該原始心電圖資料轉換為文字資料； 根據一預設規則從該文字資料中擷取與該使用者的生理特徵有關的描述資料；以及 根據所擷取的描述資料產生該數位整合資料。
  4. 如請求項3所述的生理狀態評估方法，其中根據該預設規則從該文字資料中擷取與該使用者的該生理特徵有關的該描述資料的步驟包括以下多個步驟的至少其中之一： 偵測該文字資料中的一關鍵字並擷取對應於該關鍵字的第一描述資料； 根據一預設欄位格式擷取該文字資料中的第二描述資料；以及 偵測該文字資料中的一空白資料區域並擷取記錄在該空白資料區域後的第三描述資料。
  5. 如請求項3所述的生理狀態評估方法，其中將該原始心電圖資料轉換為該數位整合資料的步驟包括： 獲得一預設資料在所擷取的描述資料中的一出現次數；以及 根據該出現次數驗證該數位整合資料是否為有效資料。
  6. 如請求項1所述的生理狀態評估方法，其中該多個生理特徵參數包括一時間相關特徵參數與一邏輯相關特徵參數，該時間相關特徵參數反映該使用者在多個時間點所測得的生理特徵，且該邏輯相關特徵參數反映該使用者的符合一邏輯條件的生理特徵。
  7. 如請求項1所述的生理狀態評估方法，其中藉由至少一過濾模型從該多個生理特徵參數中過濾該至少一顯著特徵參數的步驟包括： 將該多個生理特徵參數輸入至該至少一過濾模型； 根據該多個生理特徵參數中的一第一生理特徵參數在該至少一過濾模型的該決策過程中的一參與度，決定對應於該第一生理特徵參數的一重要性評估值；以及 若該重要性評估值大於一評估門檻值，將該第一生理特徵參數決定為該至少一顯著特徵參數的其中之一。
  8. 如請求項1所述的生理狀態評估方法，其中根據該至少一顯著特徵參數建立該預測模型的步驟包括： 將該至少一顯著特徵參數輸入至至少一候選模型； 將該至少一候選模型的一預測準確度與一準確度門檻值進行比較；以及 若該至少一候選模型中的一第一候選模型的一第一預測準確度高於該準確度門檻值，將該第一候選模型決定為該預測模型。
  9. 如請求項8所述的生理狀態評估方法，其中該至少一候選模型包括長短期記憶(Long Short Term Memory, LSTM)模型、支撐向量機(Support Vector Machine, SVM)模型、一分類(One Class)SVM模型、隨機森林(Random Forest)模型及邏輯(Logistic)分類模型的至少其中之一。
  10. 如請求項8所述的生理狀態評估方法，其中該預測準確度是以敏感性(sensitivity)、特異度(specificity)、陽性檢測率(Positive predictive value, PPV)、陰性檢測率(Negative predictive value, NPV)、陽性概似比(Positive likelihood ratio, LR+)及陰性概似比(Negative likelihood ratio, LR-)的至少其中之一表示。
  11. 一種生理狀態評估裝置，包括： 一儲存電路，用以儲存經由一心電圖檢測裝置獲得的一使用者的一原始心電圖資料； 一處理器，耦接至該儲存電路， 其中該處理器用以將該原始心電圖資料轉換為一數位整合資料， 該處理器更用以根據該數位整合資料獲得多個生理特徵參數， 該處理器更用以藉由至少一過濾模型從該多個生理特徵參數中過濾至少一顯著特徵參數，其中該至少一顯著特徵參數在該至少一過濾模型的一決策過程中的一決策重要性高於一門檻值， 該處理器更用以根據該至少一顯著特徵參數建立一預測模型，並且 該處理器更用以藉由該預測模型評估該使用者的一生理狀態。
  12. 如請求項11所述的生理狀態評估裝置，其中該原始心電圖資料包括一運動心電圖量測資料。
  13. 如請求項11所述的生理狀態評估裝置，其中將該原始心電圖資料轉換為該數位整合資料的操作包括： 將該原始心電圖資料轉換為文字資料； 根據一預設規則從該文字資料中擷取與該使用者的生理特徵有關的描述資料；以及 根據所擷取的描述資料產生該數位整合資料。
  14. 如請求項13所述的生理狀態評估裝置，其中根據該預設規則從該文字資料中擷取與該使用者的該生理特徵有關的該描述資料的操作包括以下多個操作的至少其中之一： 偵測該文字資料中的一關鍵字並擷取對應於該關鍵字的第一描述資料； 根據一預設欄位格式擷取該文字資料中的第二描述資料；以及 偵測該文字資料中的一空白資料區域並擷取記錄在該空白資料區域後的第三描述資料。
  15. 如請求項13所述的生理狀態評估裝置，其中將該原始心電圖資料轉換為該數位整合資料的操作包括： 獲得一預設資料在所擷取的描述資料中的一出現次數；以及 根據該出現次數驗證該數位整合資料是否為有效資料。
  16. 如請求項11所述的生理狀態評估裝置，其中該多個生理特徵參數包括一時間相關特徵參數與一邏輯相關特徵參數，該時間相關特徵參數反映該使用者在多個時間點所測得的生理特徵，且該邏輯相關特徵參數反映該使用者的符合一邏輯條件的生理特徵。
  17. 如請求項11所述的生理狀態評估裝置，其中藉由至少一過濾模型從該多個生理特徵參數中過濾該至少一顯著特徵參數的操作包括： 將該多個生理特徵參數輸入至該至少一過濾模型； 根據該多個生理特徵參數中的一第一生理特徵參數在該至少一過濾模型的該決策過程中的一參與度，決定對應於該第一生理特徵參數的一重要性評估值；以及 若該重要性評估值大於一評估門檻值，將該第一生理特徵參數決定為該至少一顯著特徵參數的其中之一。
  18. 如請求項11所述的生理狀態評估裝置，其中根據該至少一顯著特徵參數建立該預測模型的操作包括： 將該至少一顯著特徵參數輸入至至少一候選模型； 將該至少一候選模型的一預測準確度與一準確度門檻值進行比較；以及 若該至少一候選模型中的一第一候選模型的一第一預測準確度高於該準確度門檻值，將該第一候選模型決定為該預測模型。
  19. 如請求項18所述的生理狀態評估裝置，其中該至少一候選模型包括長短期記憶(Long Short Term Memory, LSTM)模型、支撐向量機(Support Vector Machine, SVM)模型、一分類(One Class)SVM模型、隨機森林(Random Forest)模型及邏輯(Logistic)分類模型的至少其中之一。
  20. 如請求項18所述的生理狀態評估裝置，其中該預測準確度是以敏感性(sensitivity)、特異度(specificity)、陽性檢測率(Positive predictive value, PPV)、陰性檢測率(Negative predictive value, NPV)、陽性概似比(Positive likelihood ratio, LR+)及陰性概似比(Negative likelihood ratio, LR-)的至少其中之一表示。
TW109132117A 2020-09-17 2020-09-17 生理狀態評估方法與生理狀態評估裝置 TWI790479B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW109132117A TWI790479B (zh) 2020-09-17 2020-09-17 生理狀態評估方法與生理狀態評估裝置
US17/083,340 US11529083B2 (en) 2020-09-17 2020-10-29 Physiological status evaluation method and physiological status evaluation apparatus
CN202110245934.1A CN114190949B (zh) 2020-09-17 2021-03-05 生理状态评估方法与生理状态评估装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109132117A TWI790479B (zh) 2020-09-17 2020-09-17 生理狀態評估方法與生理狀態評估裝置

Publications (2)

Publication Number Publication Date
TW202211870A TW202211870A (zh) 2022-04-01
TWI790479B true TWI790479B (zh) 2023-01-21

Family

ID=80625914

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109132117A TWI790479B (zh) 2020-09-17 2020-09-17 生理狀態評估方法與生理狀態評估裝置

Country Status (3)

Country Link
US (1) US11529083B2 (zh)
CN (1) CN114190949B (zh)
TW (1) TWI790479B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI763215B (zh) * 2020-12-29 2022-05-01 財團法人國家衛生研究院 篩選用於預測生理狀態的特徵的電子裝置和方法
CN115063891B (zh) * 2022-08-19 2022-11-04 山东新蓝海科技股份有限公司 一种人体异常体征数据监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190313920A1 (en) * 2018-03-16 2019-10-17 Tata Consultancy Services Limited System and method for classification of coronary artery disease based on metadata and cardiovascular signals
US20190333639A1 (en) * 2018-04-26 2019-10-31 Vektor Medical, Inc. Generating a model library of models of an electromagnetic source
TW201944429A (zh) * 2018-03-04 2019-11-16 美商阿奇力互動實驗室公司 針對免疫調節及神經退化性失調的認知篩檢、監測和認知處理

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002177229A (ja) * 2000-12-13 2002-06-25 Terumo Corp 心電図データ通信システム、心電図データ送信システム、および心電図データ格納方法
US20070208232A1 (en) * 2006-03-03 2007-09-06 Physiowave Inc. Physiologic monitoring initialization systems and methods
JP5095463B2 (ja) * 2008-03-26 2012-12-12 フクダ電子株式会社 生体情報測定装置
CN101785670A (zh) 2009-01-22 2010-07-28 陈跃军 模糊心电图智能在线分析仪系统
US20110066042A1 (en) * 2009-09-15 2011-03-17 Texas Instruments Incorporated Estimation of blood flow and hemodynamic parameters from a single chest-worn sensor, and other circuits, devices and processes
EP2547252B1 (en) * 2010-03-17 2021-06-02 Web Biotechnology Pte Ltd Electrocardiographic monitoring system
CN102973263B (zh) 2012-12-05 2014-05-07 上海宏康信息科技有限公司 一种智能移动心电图综合处理装置
CN104398254B (zh) 2014-11-14 2017-02-22 中国科学院深圳先进技术研究院 一种心电图分析系统、分析设备及预测模型采集设备
CN105147248B (zh) * 2015-07-30 2019-02-05 华南理工大学 基于生理信息的抑郁症评估系统及其评估方法
CN105105743B (zh) 2015-08-21 2017-03-29 山东省计算中心（国家超级计算济南中心） 基于深度神经网络的心电图智能处理方法
TWI697912B (zh) * 2018-10-30 2020-07-01 宏碁股份有限公司 生理狀態的風險評估系統、方法及電子裝置
CN110070873A (zh) * 2019-05-07 2019-07-30 上海良相智能化工程有限公司 一种监察数字审讯系统及设备
TWI784256B (zh) * 2020-04-10 2022-11-21 宏碁股份有限公司 分析心電圖訊號的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201944429A (zh) * 2018-03-04 2019-11-16 美商阿奇力互動實驗室公司 針對免疫調節及神經退化性失調的認知篩檢、監測和認知處理
US20190313920A1 (en) * 2018-03-16 2019-10-17 Tata Consultancy Services Limited System and method for classification of coronary artery disease based on metadata and cardiovascular signals
US20190333639A1 (en) * 2018-04-26 2019-10-31 Vektor Medical, Inc. Generating a model library of models of an electromagnetic source

Also Published As

Publication number Publication date
TW202211870A (zh) 2022-04-01
US20220079463A1 (en) 2022-03-17
CN114190949B (zh) 2023-07-04
CN114190949A (zh) 2022-03-18
US11529083B2 (en) 2022-12-20

Similar Documents

Publication Publication Date Title
Senan et al. Score and Correlation Coefficient‐Based Feature Selection for Predicting Heart Failure Diagnosis by Using Machine Learning Algorithms
Bashir et al. BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting
El-Bialy et al. Feature analysis of coronary artery heart disease data sets
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
CN111710420B (zh) 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质
Li et al. Identifying informative risk factors and predicting bone disease progression via deep belief networks
Mary et al. Predicting heart ailment in patients with varying number of features using data mining techniques
TWI790479B (zh) 生理狀態評估方法與生理狀態評估裝置
JP6379199B2 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
Hossain et al. Heart disease prediction using distinct artificial intelligence techniques: performance analysis and comparison
Inbar et al. A machine learning approach to the interpretation of cardiopulmonary exercise tests: Development and validation
TWI816078B (zh) 樣本分群探勘方法
Bah Knn algorithm used for heart attack detection
Al-Alshaikh et al. Comprehensive evaluation and performance analysis of machine learning in heart disease prediction
TWI715250B (zh) 特徵識別方法與電子裝置
Mandava MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning
Hooda et al. Examining the effectiveness of machine learning algorithms as classifiers for predicting disease severity in data warehouse environments
Ketpupong et al. Applying text mining for classifying disease from symptoms
Zhang et al. Application of L 1/2 regularization logistic method in heart disease diagnosis
CN110033862B (zh) 一种基于加权有向图的中医量化诊断系统及存储介质
Deepa et al. Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle
TWM605545U (zh) 慢性病的風險評估裝置
Ridwan et al. Classification of Heart Failure using the Na� ve Bayes Algorithm
Sinha et al. CARDPSoML: Comparative approach to analyze and predict cardiovascular disease based on medical report data and feature fusion approach
Ben Yehuda et al. Early Identification of Pulmonary Embolism Upon Hospital Admission Using Machine Learning