用于检测心律失常的计算设备

本发明涉及用于检测心律失常的计算设备的领域，特别是用于检测促进房颤的心脏区域的计算设备。

检测促进房颤的心脏区域的领域除了包括实时操作以实现软件(诸如CARTO软件)的计算设备之外，还包括延时操作以实现软件(诸如Topera和CardioInsight软件)的计算设备。

Topera软件旨在重现(reconstruire)心脏心房的电活动。信号采集是通过篮式导管(basket cathéter)(在整个心房中展开的导管)进行的。分析在开始采集后延时(超过2分钟)发生。由于这种类型的导管难以安装，并且由于不能保证电极的接触，所以该解决方案是麻烦的。分析时间非常长，而且重现无法获得高清晰度的映射图，并且由于过于简单的重现，在复杂的电活动情况下(其占房颤案例的70％)，重现甚至可能失败。

CardioInsight软件旨在通过使用在患者皮肤上的多电极心电图测量背心来重现心脏的电活动。患者在手术前穿上背心，并对数据进行分析，然后在手术期间可以访问这些数据。分析在开始采集后延时(超过15分钟)发生。该解决方案的缺点是计算时间非常长，这需要时间延迟，从而使其难以实现(更具体地说，患者必须提前几天到达并穿上背心，以便可以在手术前提取数据)，并且该解决方案是非常昂贵的。此外，由于测量过于外围和过远，所以重现不能获得高清晰度的映射图，并且由于过于简单的重现，在复杂的电活动情况下重现会失败。

由Biosense&Webster发行的CARTO软件允许实现检测心律失常的算法。

因此，CFAE(Complex Fractionated Atrial Electrograms：复杂碎裂心房电图)算法可计算信号中的拐点(在那里导数改变符号的点)的数量，并生成实时彩色映射图。然后，执业医生解释这些复杂的映射图以确定感兴趣的地方。该算法不是很特殊，并且相对简单。

波纹(Ripple Mapping：波纹映射)算法是CARTO软件的模块，其允许在导管第一次通过后重现心房的电活动。通过该模块，使电波的振幅和传播可见。这生成对于执业医生而言极难理解的映射图。尽管这在简单情况下可行，但在复杂的电活动情况下，由于映射图太难以解释，因此分析会失败。

因此，这样看来并没有一种检测心律失常的计算设备可用于允许执业医生快速且可靠地检测心律失常(包括在复杂的电活动的情况)。

本发明改善了这种情况。为此，本发明提出了一种用于检测心律失常的设备，该设备包括：存储器，其被布置成接收心电图数据并存储定义用于检测心律失常的第一分类模型和用于检测心律失常的第二分类模型的数据，从通过机器学习来处理与具有第一持续时间的心电图相关联的数据而得到用于检测心律失常的第一分类模型，以及从通过机器学习来处理与具有第二持续时间的心电图相关的数据而得到用于检测心律失常的第二分类模型，第一持续时间小于第二持续时间；分类器，其被布置为基于分类模型分析心电图数据，并返回分类值；以及，驱动器，其被布置为将所接收的心电图数据作为输入存储在存储器中，以便一方面根据第一持续时间对这些数据进行汇总，并且基于用于检测心律失常的第一分类模型来使用分类器对这些数据进行分析，以及另一方面根据第二持续时间对这些数据进行汇总，并基于用于检测心律失常的第二分类模型来使用分类器对这些数据进行分析，并且所述驱动器被布置为在分类器基于第一分类模型进行的分析返回与心律失常相关的分类值时返回警报数据。

该设备特别有利，因为与现有设备相比，它获得了更加可靠和更快的检测。

在各种替代实施例中，根据本发明的设备可具有以下一个或多个特征：

-第二持续时间是第一持续时间的整数倍，并且其中驱动器被布置成应用用于检测心律失常的第二分类模型，使得具有第二持续时间的电描记图数据的分类值对应于——通过将具有第二持续时间的电描记图数据切割成具有第一持续时间的电描记图数据的多个子组并且通过将用于检测心律失常的第一分类模型应用于电描记图数据的这些子组中的每个子组而获得的——分类值的线性组合，

-驱动器被布置为计算通过将用于检测心律失常的第一分类模型应用于电描记图数据的每个子组而获得的分类值的加权平均值，

-根据前述权利要求中的任一项所述的设备，还包括机器学习引擎，所述机器学习引擎被布置为确定用于检测心律失常的第一分类模型和用于检测心律失常的第二分类模型，以及

-学习引擎被布置执行从监督学习、半监督学习、无监督学习或这些学习方法中的两种或更多种的组合中选择的学习方法。

本发明还涉及一种由计算机实现的检测心律失常的方法，该方法包括以下操作：

a)接收心电图数据，

b)一方面根据第一持续时间，以及另一方面根据第二持续时间，对在操作a)期间接收到的数据进行汇总，第一持续时间小于第二持续时间，

c)基于用于检测心律失常的第一分类模型来分析根据第一持续时间汇总的数据，并确定第一分类值，用于检测心律失常的第一分类模型是从通过机器学习来处理与具有第一持续时间的心电图相关的数据而得出的，

d)基于用于检测心律失常的第二分类模型来分析根据第二持续时间汇总的数据，并确定第二分类值，用于检测心律失常的第二分类模型是从通过机器学习来处理与具有第二持续时间的心电图相关的数据而得出的，以及

e)当第一分类值与心律失常相关时发出警报数据。

在各种替代实施例中，根据本发明的设备可具有以下一个或多个特征：

-第二持续时间是第一持续时间的整数倍，并且在操作d)中的第二分类值的计算包括计算第一分类值的线性组合，该第一分类值是通过将具有第二持续时间的电描记图数据切割成具有第一持续时间的电描记图数据的多个子组并通过将操作c)应用于电描记图数据的这些子组而获得的，

-操作d)中的线性组合包括计算通过将用于检测心律失常的第一分类模型应用于具有第一持续时间的电描记图数据的子组而获得的第一分类值的加权平均值，

-通过机器学习获得用于检测心律失常的第一分类模型和用于检测心律失常的第二分类模型，以及

-机器学习方法是从监督学习、半监督学习、无监督学习或这些学习方法中的两种或更多种的组合中选择的学习方法。

通过阅读下面的描述，将更好地理解本发明的其他特征和优点，这可从出于说明目的提供而非限制性的示例中得出，在附图中：

-图1示出了根据本发明的设备的实施例，以及

-图2示出了由图1中的设备实现的功能的示例性实现。

下面的附图和说明基本上包含明确性质的元素。因此，它们不仅可以用来帮助理解本发明的理解，而且可以在适当的情况下有助于其定义。

本说明书包含可能已经提出版权主张的元素。版权拥有者不反对任何人复制本专利文件或其描述(如其出现在正式记录中一样)，但保留所有其他版权。

图1示出了根据本发明的用于检测心律失常的设备的实施例。

设备2包括引擎4、分类器6、驱动器8和存储器10。

在这里描述的示例中，设备2在计算机上实现，该计算机接收作为输入的心电图数据，并通过未示出的图形用户界面向执业医生提供输出。在这种情况下，此计算机是配备有Windows 10操作系统以及能够管理一个或多个显示器的显卡的个人计算机。当然，其可以按不同的方式、用不同的操作系统、用与一个或多个显示器的无线或有线通信来实现。术语“计算机”必须在广义上解释。例如，它可以是平板电脑或智能手机、具有计算服务器的交互终端或在分布式资源网格上的元件等。

在这种情况下，引擎4、分类器6和驱动器8是由计算机的处理器运行的程序。替代地，这些元件中的一个或多个可以通过专用处理器以不同的方式实现。必须将术语“处理器”理解为是指适合于下文描述的数据处理操作的任何处理器。可以按任何已知方式实现这种处理器，形式为用于个人计算机的微处理器、FPGA或SoC(片上系统)类型的专用芯片、网格(grille)上的计算资源、微控制器或适用于提供执行下文所述操作所需的计算能力的任何其他形式。这些元件中的一个或多个也可以按专门的电子电路例如ASIC的形式实现。也可以考虑电子电路-处理器的组合。

存储器10可以是适合于接收数字数据的任何类型的数据存储装置：硬盘、固态硬盘(SSD)、任何形式的闪存、随机存取存储器、磁盘、云或本地分布式存储装置等。可以将设备2所计算的数据存储在类似于存储器10的任何类型的存储器中或存储在存储器10中。这些数据可以在设备已经执行完任务后被抹去，或者可以被保存。

如图1所示，存储器10接收有助于设备2的功能的多种不同类型的数据。因此，引擎4访问训练数据12以计算用于检测心律失常的第一分类模型14和用于检测心律失常的第二分类模型16。这些数据然后用于对输入数据18进行分类。

在这里描述的示例中，引擎4是监督机器学习引擎。因此，训练数据12包括已被标记从而指示它们是否与所寻找的心脏失常相关的心电图。在此处描述的示例中，所针对的心脏失常涉及房颤。在其他实施方案中，它可以是一种或多种其他的心脏失常。

同样可替代地，引擎4可以使用另一机器学习引擎，例如半监督或无监督机器学习引擎。在输入数据18和引擎4之间的虚线箭头表示引擎在半监督或非监督模式下运行的能力。引擎4还可以实现监督、半监督和/或无监督机器学习方法的组合。在这里描述的示例中，引擎4主要使用数据聚类(clustering)算法。

替代地，引擎4可以实现回归算法、基于实例的算法、正则化算法、决策树、贝叶斯算法、神经网络、深度学习算法或这些算法的组合。

替代地，可以省略引擎4，并且设备2可以基于用于检测心律失常的预定模型来运行。

在这里描述的实施例中，输入数据代表心电图，即，源自心脏活动的电信号。为了处理它们，将这些电描记图切割成选定的持续时间的序列。以优选方式，该持续时间对应于用于检测心律失常的模型的参数。这意味着，通常，为确定用于引擎4的模型而以其切割电描记图数据的持续时间与设备2在其操作功能期间所使用的电描记图数据的持续时间相同。

因此，驱动器8接收输入数据，并根据与寻找分类所用的模型相关联的持续时间来切割输入数据，然后利用模型和切割数据调用分类器6。

申请人发现，当使用两个模型时，检测更为有效。为此，在此所述的示例中，使用用于电描记图数据的第一持续时间(5秒)建立用于检测心律失常的第一模型，而使用第二持续时间建立用于检测心律失常的第二模型，第二持续时间是第一个持续时间的整数倍。在此处描述的示例中，所述整数倍等于5。替代地，该整数倍可以在2到10之间变化。

在此处描述的示例中，这两个模型使用从电描记图数据计算出的两个估计量中的最小者。这些估计量的目的是确定与电描记图数据关联的循环持续时间。为此，将电描记图数据存储在向量中，其每个元素对应于由电描记图数据表示的信号样本。然后，自相关参数T用于定义两个大小为T的向量：第一向量包括电描记图数据向量的最前面T个样本，以及第二向量包括电描记图数据向量的最后T个样本。

在这里描述的示例中，第一估计量通过测量归一化的自相关来计算，所述测量是通过确定第一向量和第二向量的数量积(produit scalaire)，并除以第一向量和第二向量的欧几里得范数(normes euclidiennes)的乘积。通过改变T，确定第一估计量的最大值和最小值，然后将为第一估计量保留的值选择成关于该值有T的值最小，以使得用该T值计算的第一估计量大于第一估算量的最大值减去第一估算量的最大值和最小值之差的0.3倍的差。替代地，例如通过改变系数0.3或者通过搜索使估计量优化(以经验或穷举的方式或者通过机器学习)的T值，可以不同地确定第一估计量。

在此处描述的示例中，通过对于每个T值计算在第一向量和第二向量之间的差的欧几里德范数平方，除以在第一向量中具有最高绝对值的样本和在第二向量中具有最高绝对值的样本的乘积，来计算第二估计量。对于第一估计量，确定第二估计量的最大值和最小值，然后将为第二估计量保留的值选择为关于该值有T的值最小，以使得用该T值计算的第二估计量大于第二估计量的最小值加上第二估计器的最大值和最小值之间的差的0.2倍的和。替代地，例如通过改变系数0.3或者通过搜索使估计量优化(以经验或穷举的方式或者通过机器学习)的T值，可以不同地确定第一估计量。

同样可替代地，除了第一和第二估计量之外或替代第一和第二估计量，第一模型和第二模型可以基于其他特征。

这两个模型的组合是特别有利的，因为第一个模型由于第一个持续时间短而实现起来非常快，尽管第二个持续时间长得多，但第二个模型非常精确。

应当注意的是，心电图是通过在感兴趣区域内移动心脏内部的电极而获得的。因此，电极的移动速度对于检测至关重要，但是为了限制手术风险，它一定不能太慢。电极的该移动速度不可避免地影响测量精度。更具体地，随着电极从第一区域逐渐移动到第二区域，所进行的测量与第一区域越来越少地相关，并且与第二区域越来越多地相关。

在本发明的范围内，由于第二持续时间的较长的持续时间，这会使用于检测心律失常的第二模型的效率更低。因此，尽管第一个模型不太精确，但是它可以让执业医生对(必须在其中花费更多时间的)感兴趣的区域进行初步检测，以便第二个模型可以确定地指明这些区域是否相关。应当注意的是，无论是在过程中实时使用根据本发明的设备还是以延迟模式使用根据本发明的设备，该优点仍然有效，以便限制假阴性(faux négatif)，即本应该被检测为相关的区域，但是对于这些区域，执业医生移动得“太快”。

传统上，当分类器6将用于检测心律失常的第一模型或用于检测心律失常的第二模型应用于心电图数据时，其在输出处返回值。该值表示是否将有关的电描记图数据视为指示检测到心律失常的可能性。

有利地，当驱动器8将用于检测心律失常的第一模型应用于心电图数据时，并且当响应值超过所选择的检测阈值(例如70％)时，发出警报数据20。但是，仅当用于检测心律失常的第二模型返回超过第二所选择的阈值(例如80％)的响应值时，才可以认为从其得出心电图数据的区域是相关的。因此，警报数据20允许指示一区域是感兴趣的区域，并要求进行更深入的分析以便最优地应用第二模型。

图2示出了驱动器8的检测功能的一种示例实现。

该功能从操作200开始，其中除了诸如第一持续时间d1和第二持续时间d2的执行参数，以及针对第一模型的检测阈值s1和针对第二模型的检测阈值s2之外，还接收输入数据。

按照惯例，输入数据以包的形式被接收。图2示出了包的处理，针对每个新的包重复该功能。为了简化该表示，这里描述的示例涉及数据包对应于第二持续时间的情况。在包大于或小于第二持续时间的情况下，图2中的功能可以容易地调整，以考虑丢失的或过量的数据。

然后，在操作210中，根据第一持续时间切割数据，然后将指标i设置为0，并且在操作220中计算与第二持续时间除以第一持续时间对应的整数倍。

因此，启动循环以将第一模型应用于具有第一持续时间的每段输入数据，并将第二模型作为整体应用于输入数据。

为此目的，在操作230中，循环退出测试在操作中核查指标i是否严格小于倍数k。如果是这种情况的话，在操作240中，将第一模型应用于具有指标i的输入数据块，并且在操作250中，将结果值v1与阈值s1进行比较。如果值v1超过阈值s1，则在操作255中发出警报数据。如果值v1未超过阈值s1，或在操作255之后，在操作260中将指标i递增，并在操作230中通过测试恢复循环。在这里描述的示例中，阈值s1可以被设置为0.5。替代地，它可以被不同地设置和/或被优化。

当已经浏览了所有数据块时，操作270将第二模型应用于所有的块，然后在操作280中将结果值v2与阈值s2进行比较。如果值v2超过阈值s2，则在操作285中发出检测数据。如果值v2未超过阈值s2，或者在操作285之后，该功能在操作299中结束。在这里描述的示例中，阈值s2可以被设置为0.7。替代地，它可以被不同地设置和/或被优化。

应该注意的是，操作270的分类可以通过对自身应用模型来执行，或者甚至通过基于从第一模型的应用得出的值执行操作来执行。因此，值v2可以是在循环中计算出的值v1的线性组合，例如，假设值v1与高的指标i相关联，则权重就更大。更具体地，指标i越低，相应的数据在时间上与检测时间相距越远，并且电极远离相关区域的风险越大。

替代地，可以实现其他类型的功能，诸如阈值、算术平均值或基于值v1的任何组合。

同样可替代地，可以将所谓的参考导管放置在已知健康的心脏区域中，并且可以如上文所述处理从其得出的电描记图数据以确定第一估计量和第二估计量，从而得出最低的估计量值。可以将该值与以类似方式为当前电描记图数据确定的值进行比较，如果确定这些值之间的差值大于150ms，或者如果当前电描记图给出小于150ms的值，则可以触发与操作255中的警报类似的警报。