本公开总体上涉及医疗装置。
背景技术
恶性快速性心律失常，例如心室颤动是心脏中的心室的心肌的不协调收缩，并且是心脏骤停患者中最常见的经鉴定的心律失常。如果这种心律失常持续超过几秒，则其可能导致心源性休克以及有效血液循环的停止。因此，心脏性猝死(SCD)可能在几分钟内发生。
在具有心室颤动高风险的患者中，可植入医疗装置(IMD)，如可植入心脏复律器除颤器(ICD)的使用已经显示在预防SCD方面是有益的。ICD是电池供电的电击装置，其可以包含电壳体电极(有时被称为罐式电极)，所述电壳体电极通常耦接到放置在心脏内的一个或多个电引线。如果感测到心律失常，则ICD可以通过电引线发送脉冲，以电击心脏并且恢复其正常节律。一些ICD已被配置成在递送电击之前通过递送抗心动过速起搏(ATP)来尝试终止检测到的快速性心律失常。另外，ICD已被配置成在用电击成功终止快速性心律失常后递送相对高量值的电击后起搏，以便支持心脏从电击中恢复。一些ICD还递送心动过缓起搏、心脏再同步疗法(CRT)或其它形式的起搏。
其它类型的医疗装置可以用于诊断目的。例如，植入或非植入的医疗装置可以监测患者的心脏。如医生等用户可以检查由医疗装置针对心律失常，例如心房或心室快速性心律失常或心搏停止的发生而生成的数据。用户可以基于经鉴定的心律失常的发生来诊断患者的医疗状况。
技术实现要素：
根据本公开的技术，本文阐述了一种医疗装置系统，所述医疗装置系统解释和可视化检测患者的心律失常的机器学习系统的输出。机器学习系统可以提供用于检测和分类患者的心律失常发作的强大工具。然而，由这种机器学习系统得出的结论的基础可能难以传达给非专家。本文公开了用于简化由机器学习系统得出的关于检测患者的心律失常的结论并且以包含主题专家和非专家等具有不同能力的用户可理解的方式呈现此信息的技术。
在一个实例中，计算装置接收由医疗装置感测到的心脏电描记图数据。所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以基于所述机器学习模型确定所述患者已发生心律失常发作以及所述患者已发生所述心律失常发作的确定中的置信水平。响应于确定所述置信水平大于预定阈值，所述计算装置向用户显示所述心脏电描记图数据的一部分、已发生所述心律失常发作的指示以及已发生所述心律失常发作的所述置信水平的指示。在一些实例中，所述计算装置向高级用户提供更详细的信息并且向基本用户提供不太详细的信息。
在另一个实例中，所述计算装置接收由医疗装置感测到的心脏电描记图数据和来自用户的心律失常类型的选择。所述计算装置将所述机器学习模型应用于接收到的心脏电描记图数据，以基于所述机器学习模型确定所述患者已发生所选类型的心律失常发作以及已发生所选类型的所述心律失常发作的确定中的置信水平。所述计算装置输出所述心脏电描记图数据的至少一部分、所述患者已发生所选类型的所述心律失常发作的第一指示以及所述患者已发生所选类型的所述心律失常发作的所述置信水平的第二指示以供显示。
本公开的技术可以提供对执行心律失常检测和分类的机器学习系统的领域的具体改进。例如，本文公开的技术可以允许由这种机器学习系统执行的分析的更清晰的可解释性和可视化。进一步地，本文所述的技术可以允许对心脏电描记图数据进行快速且患者特定的解读，以供许多不同技能水平的用户使用。本文公开的技术可以减少用户利用机器学习系统提供的结论所需的训练量，所述机器学习系统执行心律失常检测和分类，以及使得这种机器学习系统能够在更广泛的系统中使用。因此，本文公开的技术可以实现对患者的心律失常的更准确且更快速的诊断和分类，同时减少临床医生诊断和提供此类心律失常的疗法所需的专业知识的量。
在一个实例中，本公开描述了一种方法，其包括：由包括处理电路系统和存储介质的计算装置接收由医疗装置感测到的心脏电描记图数据；由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以：基于所述机器学习模型确定所述患者已发生心律失常发作；以及确定所述患者已发生所述心律失常发作的确定中的置信水平；确定所述患者已发生所述心律失常发作的确定中的所述置信水平大于预定阈值；并且响应于确定所述置信水平大于所述预定阈值，由所述计算装置输出并且用于向用户显示所述心脏电描记图数据的至少一部分、所述患者已发生所述心律失常发作的第一指示以及所述患者已发生所述心律失常发作的所述置信水平的第二指示。
在另一个实例中，本公开描述了一种方法，其包括：由包括处理电路系统和存储介质的计算装置接收由医疗装置感测到的心脏电描记图数据；从用户接收心律失常类型的选择；由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以：基于所述机器学习模型确定所述患者已发生所选类型的心律失常发作；以及确定所述患者已发生所选类型的所述心律失常发作的确定中的置信水平；以及由所述计算装置输出并且用于向用户显示所述心脏电描记图数据的至少一部分、所述患者已发生所选类型的所述心律失常发作的第一指示以及所述患者已发生所选类型的所述心律失常发作的所述置信水平的第二指示。
在另一个实例中，本公开描述了一种计算装置，其包括：存储介质；以及处理电路系统，所述处理电路系统可操作地耦接到所述存储介质并且被配置成：接收由医疗装置感测到的心脏电描记图数据；将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以：基于所述机器学习模型确定所述患者已发生心律失常发作；以及确定所述患者已发生所述心律失常发作的确定中的置信水平；确定所述患者已发生所述心律失常发作的确定中的所述置信水平大于预定阈值；并且响应于确定所述置信水平大于所述预定阈值，输出所述心脏电描记图数据的至少一部分、所述患者已发生所述心律失常发作的第一指示以及所述患者已发生所述心律失常发作的所述置信水平的第二指示以便向用户显示。
在另一个实例中，本公开描述了一种计算装置，其包括：存储介质；以及处理电路系统，所述处理电路系统可操作地耦接到所述存储介质并且被配置成：接收由医疗装置感测到的心脏电描记图数据；从用户接收心律失常类型的选择；将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以：基于所述机器学习模型确定所述患者已发生所选类型的心律失常发作；以及确定所述患者已发生所选类型的所述心律失常发作的确定中的置信水平；以及输出所述心脏电描记图数据的至少一部分、所述患者已发生所选类型的所述心律失常发作的第一指示以及所述患者已发生所选类型的所述心律失常发作的所述置信水平的第二指示以便向用户显示。
本发明内容旨在提供对本公开中所描述的主题的概述。本发明内容并不旨在提供对在以下附图和描述中详细描述的设备和方法的排他性或详尽解释。在以下附图和描述中阐述了一个或多个实例的另外的细节。
附图说明
图1是展示了根据本公开的技术的用于解释心律失常的检测和分类的包含可植入医疗装置和外部装置结合患者的医疗装置系统的实例的概念图。
图2是展示了图1的可植入医疗装置的实例的框图。
图3是展示了图1的可植入医疗装置的另一个实例的框图。
图4是展示了根据本公开的一个或多个技术操作的示例计算装置的框图。
图5是展示了根据本公开的技术的示例操作的流程图。
图6是展示了根据本公开的技术的示例操作的流程图。
图7是展示了根据本公开的技术的示例操作的流程图。
图8是展示了可以用于解释根据本公开的技术的机器学习系统的示例模拟心脏电描记图数据的图。
图9A-9C是展示了根据本公开的技术的在检测心律失常发作时用于可视化附图的机器学习模型150的操作的技术的图。
图10A-10D是描绘了根据本公开的技术的用于通过医疗装置可视化患者的心脏电描记图数据的示例显示的图示。
图11A-11C是描绘了根据本公开的技术的用于通过医疗装置可视化患者的心脏电描记图数据的另一个示例显示的图示。
贯穿附图和描述，相同的附图标记指代相同的元件。
具体实施方式
执行心律失常检测的如深度学习和人工智能(AI)等机器学习系统提供用于开发具有不同目标的算法的灵活平台。例如，机器学习系统可以用于检测心房颤动(AF)区段、检测AF的存在或检测其它类型的心律失常。进一步地，这种机器学习系统可以在没有如特征描绘等其它技术可能需要的专家设计和特征工程的情况下实施。然而，由这种机器学习系统得出的结论以及在做出这些结论时得出的数据可能难以解释，从而阻碍对机器学习系统的性能的评估。
公开了用于解释和可视化检测患者的心律失常的机器学习系统的输出的技术。本公开的技术可以允许医疗装置系统通过机器学习模型来解释心律失常分类。例如，如下所述的系统可以提供执行心律失常检测的机器学习系统的可解释性和可解读性。此外，如本文所述的医疗装置系统可以呈现由机器学习系统检测到的心律失常，以便进行快速且患者特定的解读，并且将此类所检测到的心律失常呈现给可能对心脏电描记图数据的解读具有不同熟悉度和专业知识水平的各种终端用户。如本文所述的这种医疗装置系统可以提供机器学习系统的清晰的可解释性和简单的心律失常可视化，所述机器学习系统可以用作可以收集并显示心脏电描记图数据激增的消费者和医疗装置。
图1是展示了根据本公开的技术的用于解释患者4的心脏6中的心律失常的检测和分类的包含IMD 10和外部装置12的示例医疗装置系统2的概念图。在一些实例中，IMD 10是无引线IMD并且与外部装置12无线通信，如图1所展示的。在一些实例中，IMD 10可以耦接到一个或多个引线。在一些实例中，IMD 10可以植入在患者4的胸腔的外部(例如，皮下植入在图1所展示的胸肌位置中)。IMD 10可以定位在靠近和/或刚好低于心脏6水平的胸骨附近。
在一些实例中，IMD 10可以采取两者均可从爱尔兰都柏林的美敦力公司(Medtronic plc,of Dublin,Ireland)获得的Reveal LINQTM可插入心脏监测器(ICM)或霍尔特心脏监测器(Holter Heart Monitor)的形式。外部装置12可以是被配置成在如家庭、诊所或医院等环境中使用的计算装置，并且可以进一步地被配置成通过无线遥测与IMD 10进行通信。例如，外部装置12可以通过网络25耦接到计算系统24。计算系统24可以包含如可从爱尔兰都柏林的美敦力公司获得的等远程患者监测系统。在一些实例中，外部装置12可以包括如编程器、外部监测器等通信装置或如移动电话、“智能”电话、膝上型计算机、平板计算机、个人数字助理(PDA)等移动装置。
在一些实例中，除了或者代替IMD 10，本文所述的示例技术和系统可以与外部医疗装置一起使用。在一些实例中，外部医疗装置是如可从爱尔兰都柏林的美敦力公司获得的SEEQTM移动心脏遥测(MCT)系统等可穿戴电子装置，或者如“智能”手表、“智能”贴片或“智能”眼镜等另一种类型的可穿戴“智能”电子服装。这种外部医疗装置可以定位在患者4外部(例如，定位在患者4的皮肤上)，并且可以执行本文关于IMD 10描述的任何或所有功能。
在一些实例中，如医生、技师、外科医生、电生理学家或其它临床医生等用户可以与外部装置12交互，以从IMD 10检索生理信息或诊断信息。在一些实例中，如以上所述的患者4或临床医生等用户还可以与外部装置12交互，以对IMD 10进行编程，例如，选择或调整IMD 10的操作参数的值。在一些实例中，外部装置12充当接入点，以促进通过网络25，例如通过计算系统24与IMD 10通信。计算系统24可以包括被配置成允许用户通过网络25与IMD 10交互的计算装置。
在一些实例中，计算系统24包含手持式计算装置、计算机工作站、服务器或其它联网计算装置、智能手机、平板电脑或者外部编程器中的至少一个，其包含用于向用户呈现信息和从用户接收输入的用户接口。在一些实例中，计算系统24可以包含实施如神经网络、深度学习系统或其它类型的预测分析系统等机器学习系统150的一个或多个装置。如医生、技师、外科医生、电生理学家或其它临床医生等用户可以与计算系统24交互，以从IMD 10检索生理信息或诊断信息。用户还可以与计算系统24交互，以对IMD 10进行编程，例如，选择IMD的操作参数的值。计算系统24可以包含处理器，所述处理器被配置成评估EGM和/或从IMD10发射到计算系统24的其它感测到的信号。
网络25可以包含一个或多个计算装置(未示出)，如一个或多个非边缘交换机、路由器、集线器、网关、如防火墙、入侵检测和/或入侵防护装置等安全装置、服务器、计算机终端、膝上型计算机、打印机、数据库、如蜂窝电话或个人数字助理等无线移动装置、无线接入点、网桥、电缆调制解调器、应用加速器或其它网络装置。网络25可以包含由服务提供商管理的一个或多个网络，并且因此可以形成大规模公共网络基础结构，如因特网的一部分。网络25可以向如计算系统24和IMD 10等计算装置提供对因特网的访问，并且可以提供允许计算装置彼此通信的通信框架。在一些实例中，网络25可以是提供通信框架的专用网络，所述通信框架允许计算系统24、IMD 10和/或外部装置12彼此通信，但是出于安全目的，将计算系统24、IMD 10或外部装置12中的一个或多个与网络25外部的装置隔离。在一些实例中，计算系统24、IMD 10与外部装置12之间的通信被加密。
外部装置12和计算系统24可以使用本领域已知的任何技术通过网络25上的无线通信进行通信。在一些实例中，计算系统24是通过位于网络25中的如本地接入点、无线路由器或网关等中间装置与外部装置12通信的远程装置。虽然在图1的实例中，外部装置12和计算系统24通过网络25进行通信，但是在一些实例中，外部装置12和计算系统24彼此直接通信。通信技术的实例可以包含例如根据或BLE协议的通信。还设想了其它通信技术。计算系统24还可以使用有线和无线的多种已知通信技术与一个或多个其它外部装置进行通信。
在任何此类实例中，医疗装置系统2的处理电路系统可以向远程计算机(例如，外部装置12)传输包含患者4的心脏电描记图数据的患者数据。在一些实例中，医疗装置系统2的处理电路系统可以传输患者4正在经历心律失常发作的确定，如心动过缓、心动过速、心房颤动、心室颤动或AV阻滞的发作。
外部装置12可以是通过无线遥测与IMD 10通信的计算装置(例如，在家庭、门诊、诊所或医院环境中使用)。外部装置12可以包含或耦接到如可从爱尔兰都柏林的美敦力公司获得的等远程患者监测系统。在一些实例中，外部装置12可以从IMD 10接收数据、警报、患者生理信息或其它信息。
外部装置12可以用于将命令或操作参数编程到IMD 10中以便控制其运行(例如，当被配置为IMD 10的编程器时)。在一些实例中，外部装置12可以用于询问IMD 10以检索数据，包含装置操作数据以及IMD存储器中累积的生理数据。这种询问可以根据时间表自动发生和/或可以响应于远程或本地用户命令而发生。编程器、外部监测器和消费者装置是可以用于询问IMD 10的外部装置12的实例。由IMD 10和外部装置12使用的通信技术的实例包含射频(RF)遥测，所述RF遥测可以是通过蓝牙、WiFi或医疗植入通信服务(MICS)建立的RF链路。在一些实例中，外部装置12可以包含被配置成允许患者4、临床医生或另一个用户与IMD 10远程交互的用户接口。在一些此类实例中，外部装置12和/或医疗装置系统2的任何其它装置可以是可穿戴装置(例如，以手表、项链或其它可穿戴物品的形式)。
医疗装置系统2是被配置成执行心律失常检测、验证和报告的医疗装置系统的实例。根据本公开的技术，医疗装置系统2实施机器学习心律失常检测，以检测和分类患者4的心律失常。一个或多个其它植入装置或外部装置的另外的实例可以包含被配置成向心脏6递送CRT的植入的多通道心脏起搏器、ICD、IPG、无引线(例如，心内)起搏器、血管外起搏器和/或ICD或者其它IMD或此类IMD的组合、外部监测器以及如外部起搏或电刺激装置等外部疗法递送装置或药物泵。
医疗装置系统2的装置中的每个装置(例如，IMD 10和外部装置12)的通信电路系统可以使装置能够彼此通信。另外，尽管在本文中将一个或多个传感器(例如，电极)被描述为定位在IMD 10的壳体上，但在其它实例中，此类传感器可以定位在植入患者4体内或外部的另一个装置的壳体上。在此类实例中，其它装置中的一个或多个其它装置可以包含被配置成从相应装置上的电极或其它传感器接收信号的处理电路系统和/或被配置成将信号从电极或其它传感器发射到另一个装置(例如，外部装置12)或服务器的通信电路系统。
根据本公开的技术，医疗装置系统2解释和可视化检测患者的心律失常的机器学习系统150的输出。机器学习系统150可以提供用于检测和分类患者4的心律失常发作的工具。然而，由机器学习系统150得出的结论的基础可能难以传达。如以下更详细讨论的，医疗装置系统2用于简化由机器学习系统150得出的关于患者4的心律失常的检测的结论。进一步地，医疗装置系统2以包含主题专家和非专家等具有不同能力的用户可理解的方式呈现此信息。
在一个实例中，计算系统24接收由如IMD 10和外部装置12之一等医疗装置感测到的心脏电描记图数据。计算系统24将使用多个患者的心脏电描记图数据训练的机器学习系统150的机器学习模型应用于接收到的心脏电描记图数据，以基于机器学习模型确定患者4已发生心律失常发作。机器学习系统150进一步确定患者4已发生心律失常发作的确定中的置信水平。响应于确定所述置信水平大于预定阈值，计算系统24向用户显示所述心脏电描记图数据的一部分、已发生所述心律失常发作的指示以及已发生所述心律失常发作的所述置信水平的指示。在一些实例中，计算系统24向高级用户提供更详细的信息并且向基本用户提供不太详细的信息。
在另一个实例中，计算系统24接收由例如IMD 10感测到的心脏电描记图数据和来自用户的心律失常类型的选择。计算系统24将机器学习系统150应用于接收到的心脏电描记图数据，以基于机器学习系统150的机器学习模型确定患者4已发生所选类型的心律失常发作以及已发生所选类型的心律失常发作的确定中的置信水平。计算系统24输出心脏电描记图数据的至少一部分、患者4已发生所选类型的心律失常发作的第一指示以及患者4已发生所选类型的心律失常发作的置信水平的第二指示以供显示。
本公开的技术可以提供对执行心律失常检测和分类的机器学习系统的领域的具体改进。例如，本文公开的技术可以允许由机器学习系统150执行的分析的更清晰的可解释性和可视化。进一步地，本文所述的技术可以允许对心脏电描记图数据进行快速且患者特定的解读，以供许多不同技能水平的用户使用。本文公开的技术可以减少用户利用机器学习系统提供的结论所需的训练量，所述机器学习系统执行心律失常检测和分类，以及使得这种机器学习系统能够在更广泛的系统中使用。因此，本文公开的技术可以实现对患者的心律失常的更准确且更快速的诊断和分类，同时减少临床医生诊断和提供此类心律失常的疗法所需的专业知识的量。
图2是展示了图1的无引线可植入医疗装置的实例的框图。如图2所示，IMD 10包含处理电路系统50、感测电路系统52、通信电路系统54、存储器56、传感器58、切换电路系统60和电极16A、16B(在下文中称为“电极16”)，所述电极中的一个或多个电极可以安置在IMD10的壳体内。在一些实例中，存储器56包含计算机可读指令，所述计算机可读指令在由处理电路系统50执行时使IMD 10和处理电路系统50执行归属于本文的IMD 10和处理电路系统50的各种功能。存储器56可以包含任何易失性、非易失性、磁性、光学或电介质，如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪存或任何其它数字介质。
处理电路系统50可以包含固定功能电路系统和/或可编程处理电路系统。处理电路系统50可以包含以下中的任何一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或模拟逻辑电路系统。在一些实例中，处理电路系统50可以包含如一个或多个微处理器、一个或多个控制器、一个或多个DSP、一个或多个ASIC或一个或多个FPGA的任何组合等多个组件以及其它离散或集成的逻辑电路系统。本文中归属于处理电路系统50的功能可以体现为软件、固件、硬件或其任何组合。
感测电路系统52和通信电路系统54可以通过如由处理电路系统50控制的切换电路系统60选择性地耦接到电极16A、16B。感测电路系统52可以监测来自电极16A、16B的信号，以便监测图1的患者4的心脏的电活动，并且产生患者4的心脏电描记图数据。感测电路系统52可以产生心脏电描记图的数字化版本以及去极化的时序的指示。在一些实例中，处理电路系统50可以执行所感测到的心脏电描记图数据的特征描绘，以检测患者4的心律失常发作。在一些实例中，处理电路系统50通过通信电路系统54向如图1的外部装置12等外部装置传输患者4的心脏电描记图数据。例如，IMD 10向网络25发送数字化心脏电描记图数据，以供图1的机器学习系统150处理。在一些实例中，IMD 10响应于通过特征描绘检测到心律失常发作来传输心脏电描记图数据的一个或多个区段。在另一个实例中，IMD 10响应于来自外部装置12的指令传输心脏电描记图数据的一个或多个区段(例如，当患者4经历心律失常的一个或多个症状并且向外部装置12输入命令时，所述命令指示IMD 10上传心脏电描记图数据以供监测中心或临床医生进行分析)。心脏电描记图数据可以由机器学习系统150处理，以检测和分类心律失常，如以下详细描述的。
在一些实例中，IMD 10包含一个或多个传感器58，如一个或多个加速度计、麦克风和/或压力传感器。感测电路系统52可以监测来自传感器58的信号并且将从传感器58获得的患者数据传输到如图1的外部装置12等外部装置以供分析。在一些实例中，感测电路系统52可以包含用于对从电极16A、16B中的一个或多个电极和/或其它传感器58接收到的信号进行滤波和放大的一个或多个滤波器和放大器。在一些实例中，感测电路系统52和/或处理电路系统50可以包含整流器、滤波器和/或放大器、感测放大器、比较器和/或模数转换器。
通信电路系统54可以包含用于与如外部装置12等另一个装置或如压力感测装置等另一个医疗装置或传感器进行通信的任何合适的硬件、固件、软件或其任何组合。在处理电路系统50的控制下，通信电路系统54可以借助于如天线26等内部或外部天线从外部装置12或另一个装置接收下行链路遥测以及向其发送上行链路遥测。在一些实例中，通信电路系统54可以与外部装置12进行通信。另外，处理电路系统50可以通过外部装置(例如，外部装置12)和如由爱尔兰都柏林的美敦力公司开发的美敦力网络等计算机网络与联网计算装置进行通信。
临床医生或其它用户可以使用外部装置12或通过使用被配置成通过通信电路系统54与处理电路系统50进行通信的另一个本地或联网计算装置来从IMD 10检索数据。临床医生还可以使用外部装置12或另一个本地或联网计算装置对IMD 10的参数进行编程。在一些实例中，临床医生可以选择定义IMD 10如何感测患者4的心脏电描记图数据的一个或多个参数。
IMD 10的一个或多个组件可以耦接到电源(图2中未描绘)，所述电源可以包含定位在IMD 10的壳体内的可再充电或不可再充电电池。可以选择不可再充电电池以持续若干年，而可再充电电池可以例如每天或每周从外部装置进行感应式充电。
在一些实例中，处理电路系统50通过感测电路系统52感测患者4的心脏电描记图数据，并且将此心脏电描记图数据上传到图1的外部装置12。在一些实例中，处理电路系统50执行所感测到的心脏电描记图数据的特征描绘，以执行心律失常的初步检测，并且响应于检测到心律失常发作，仅将患者4的心脏电描记图数据上传到外部装置12。在一些实例中，由IMD10执行的特征描绘具有降低的复杂性，以便节省IMD 10中的电力。
如本文所述，特征描绘是指使用通过信号处理获得的特征以用于检测或分类心律失常发作。通常，特征描绘涉及使用工程规则来鉴定或提取心脏电描记图数据中的特征、测量此类特征的特性以及使用测量值来检测或分类心律失常。例如，特征描绘可以用于鉴定如R波、QRS波群、P波、T波等特征、此类特征的速率、此类特征之间的间期、特征形态、此类特征的宽度或振幅或者在本文中未明确描述的其它或其它类型的心脏特征或此类特征的特性。特征描绘可以包含特征提取、信号滤波、峰值检测、不应分析(refractory analysis)或其它类型的信号处理、特征工程或检测规则开发。特征描绘算法可以针对实时、嵌入式和低功率应用进行优化，如供可植入医疗装置使用。然而，特征描绘算法可能需要专家设计和特征工程以准确地检测患者的心律失常。
与用于心律失常检测和分类的特征描绘技术相反，机器学习技术可以用于心律失常检测和分类。如本文所述，机器学习是指使用在训练数据集上训练的如神经网络或深度学习模型等机器学习模型来从心脏电描记图数据检测心律失常。机器学习技术可以与特征描绘形成对比，因为特征描绘依赖于信号处理，所述机器学习系统可以“学习”指示心律失常发作的心脏电描记图数据中存在的潜在特征，而无需代表系统设计者了解或理解特征与心律失常发作之间的关系。
尽管在本文中在感测患者4的心脏电描记图数据的示例IMD 10的上下文中进行了描述，但是本文公开的用于心律失常检测的技术可以与其它类型的装置一起使用。例如，所述技术可以用耦接到心血管系统外部的电极的心脏外除颤器、被配置成植入心脏内的如可从爱尔兰都柏林的美敦力公司商购获得的MicraTM经导管起搏系统等经导管起搏器、如也可从美敦力公司商购获得的Reveal LINQTM ICM等可插入心脏监测器、神经刺激器、药物递送装置、患者4外部的医疗装置、如可穿戴心脏复律除颤器等可穿戴装置、健身追踪器或其它可穿戴装置、如移动电话、“智能”电话、膝上型计算机、平板计算机、个人数字助理(PDA)等移动装置或者如“智能”眼镜、“智能”贴片或“智能”手表等“智能”服装来实施。
图3是展示了图1的无引线可植入医疗装置的另一个实例的框图。图3的组件可以不一定按比例绘制，而是可以放大以示出细节。具体地，图3是图1的IMD 10的示例配置的顶视图的框图。
图3是展示了可以包含基本上类似于图1的IMD 10的组件的示例IMD 10的概念图。除了图1和2所展示的组件之外，图3所展示的IMD 10的实例还可以包含晶片级绝缘覆盖件74，所述绝缘覆盖件可以帮助使位于壳体14上的电极16A、16B与处理电路系统50之间传递的电信号绝缘。在一些实例中，绝缘覆盖件74可以定位在开放壳体14之上，以形成用于IMD 10B的组件的壳体。可以如通过使用倒装芯片技术在绝缘覆盖件74的底侧上形成IMD10B的一个或多个组件(例如，天线26、处理电路系统50、感测电路系统52、通信电路系统54和/或切换电路系统60。绝缘覆盖件74可以翻转到壳体14上。当翻转并放置到壳体14上时，在绝缘覆盖件74的底侧上形成的IMD 10B的组件可以定位在由壳体14限定的间隙76中。壳体14可以由钛或任何其它合适的材料(例如，生物相容性材料)形成，并且厚度可以为约200微米到约500微米。这些材料和尺寸仅是实例，并且其它材料和其它厚度对于本公开的装置也是可能的。
在一些实例中，IMD 10通过感测电路系统52和/或传感器58收集患者4的包含心脏电描记图数据的患者数据。传感器58可以包含一个或多个传感器，如一个或多个加速度计、压力传感器、用于O2饱和度的光学传感器等。在一些实例中，患者数据包含患者的活动水平、患者的心率、患者的姿势、患者的心脏电描记图、患者的血压、患者的加速度计数据或其它类型的患者参数数据中的一个或多个。IMD 10通过通信电路系统54将患者数据上传到外部装置12，所述外部装置进而可以通过网络25将这些数据上传到计算系统24。在一些实例中，IMD 10每天将患者数据上传到计算系统24。在一些实例中，患者数据包含表示在长期时间段(例如，约24小时到约48小时)内患者4的平均测量值的一个或多个值。在此实例中，IMD 10将患者数据上传到计算系统24并且对患者4执行短期监测(如下所述)。然而，在其它实例中，处理患者数据以检测和/或分类患者4的心律失常的医疗装置不同于对患者4执行短期监测的医疗装置。
图4是展示了根据本公开的一个或多个技术操作的示例计算装置400的框图。在一个实例中，计算装置400是图1的计算系统24的示例实施方案。在一个实例中，计算装置400包含用于执行包含机器学习系统450的应用程序424或本文所述的任何其它应用的处理电路系统402。尽管出于实例的目的在图4中示出为独立计算装置400，但是计算装置400可以是包含用于执行软件指令的处理电路系统或其它合适的计算环境的任何组件或系统，并且例如不一定需要包含图4中所示的一个或多个元件(例如，输入装置404、通信电路系统406、用户接口装置410或输出装置412；并且在一些实例中，如存储装置408等组件可能与其它组件不位于同一位置或不位于同一底盘中)。在一些实例中，计算装置400可以是分布在多个装置上的云计算系统。
如图4的实例中所示，计算装置400包含处理电路系统402、一个或多个输入装置404、通信电路系统406、一个或多个存储装置408、用户接口(UI)装置410和一个或多个输出装置412。在一个实例中，计算装置400进一步包含如机器学习系统450等一个或多个应用程序424以及可由计算装置400执行的操作系统416。组件402、404、406、408、410和412中的每个组件被耦接(物理地、通信地和/或操作性地)进行组件间通信。在一些实例中，通信信道414可以包含系统总线、网络连接、过程间通信数据结构或用于通信数据的任何其它方法。作为一个实例，组件402、404、406、408、410和412可以通过一个或多个通信信道414耦接。
在一个实例中，处理电路系统402被配置成实施功能和/或处理用于在计算装置400内执行的指令。例如，处理电路系统402可以能够处理存储在存储装置408中的指令。处理电路系统402的实例可以包含以下中的任何一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或集成逻辑电路系统。
一个或多个存储装置408可以被配置成在操作期间将信息存储在计算装置400内。在一些实例中，存储装置408被描述为计算机可读存储介质。在一些实例中，存储装置408是临时存储器，这意味着存储装置408的主要目的不是长期存储。在一些实例中，存储装置408被描述为易失性存储器，这意味着当计算机关闭时，存储装置408不维护所存储的内容。易失性存储器的实例包含随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和本领域已知的其它形式的易失性存储器。在一些实例中，存储装置408用于存储由处理电路系统402执行的程序指令。在一个实例中，存储装置408由在计算装置400上运行的软件或应用程序424使用，以在程序执行期间临时存储信息。
在一些实例中，存储装置408还包含一个或多个计算机可读存储介质。存储装置408可以被配置成存储相比于易失性存储器更大量的信息。存储装置408可以进一步被配置成长期存储信息。在一些实例中，存储装置408包含非易失性存储元件。这种非易失性存储元件的实例包含磁性硬盘、光盘、软盘、闪存或电可编程存储器(EPROM)或电可擦除且可编程(EEPROM)存储器的形式。
在一些实例中，计算装置400还包含通信电路系统406。在一个实例中，计算装置400利用通信电路系统406与如图1的IMD 10和外部装置12等外部装置进行通信。通信电路系统406可以包含如以太网卡等网络接口卡、光收发器、射频收发器或可以发送和接收信息的任何其它类型的装置。这种网络接口的其它实例可以包含3G和WiFi无线电。
在一个实例中，计算装置400还包含一个或多个用户接口装置410。在一些实例中，用户接口装置410被配置成通过触觉、音频或视频反馈从用户接收输入。用户接口装置410的实例包含存在敏感显示器(presence-sensitive display)、鼠标、键盘、语音响应系统、摄像机、麦克风或用于检测来自用户的命令的任何其它类型的装置。在一些实例中，存在敏感显示器包含触敏屏。
一个或多个输出装置412也可以包含在计算装置400中。在一些实例中，输出装置412被配置成使用触觉、音频或视频刺激向用户提供输出。在一个实例中，输出装置412包含存在敏感显示器、声卡、视频图形适配器卡或用于将信号转换成人类或机器可理解的适当形式的任何其它类型的装置。输出装置412的另外的实例包含扬声器、阴极射线管(CRT)监测器、液晶显示器(LCD)或可以向用户生成可理解的输出的任何其它类型的装置。
计算装置400可以包含操作系统416。在一些实例中，操作系统416控制计算装置400的组件的操作。例如，在一个实例中，操作系统416促进一个或多个应用程序424和长期预测模块450与处理电路系统402、通信电路系统406、存储装置408、输入装置404、用户接口装置410和输出装置412的通信。
应用程序422还可以包含可由计算装置400执行的程序指令和/或数据。可由计算装置400执行的示例应用程序422可以包含机器学习系统450。可以可替代地或另外地包含未示出的其它另外的应用程序以提供本文所述的其它功能，并且为了简单起见未进行描绘。
根据本公开的技术，计算装置400将机器学习系统450的机器学习模型应用于由IMD 10感测到的患者数据，以检测和分类发生在患者10中的心律失常发作。在一些实例中，机器学习系统450是图1的机器学习系统150的实例。
在一些实例中，由机器学习系统450实施的机器学习模型用训练数据来训练，所述训练数据包括用描述性元数据标记的多个患者的心脏电描记图数据。例如，在训练阶段期间，机器学习系统450处理多个ECG波形。通常，所述多个ECG波形来自多个不同的患者。每个ECG波形用一种或多种类型的一次或多次心律失常发作来标记。例如，训练ECG波形可以包含多个区段，每个区段用描述符标记，所述描述符指定特定分类(例如，心动过缓、心动过速、心房颤动、心室颤动或AV阻滞)的心律失常的不存在或心律失常的存在。在一些实例中，临床医生用手标记每个ECG波形中的心律失常的存在。在一些实例中，根据特征描绘算法的分类来标记每个ECG波形中的心律失常的存在。机器学习系统450可以操作以将训练数据转换成向量和张量(例如，多维阵列)，机器学习系统450可以在所述向量和张量上应用数学运算，如线性代数、非线性或替代性计算运算。机器学习系统450使用训练数据104来教导机器学习模型，以对在心脏电描记图数据中描绘的不同特征进行权衡。在一些实例中，机器学习系统450使用心脏电描记图数据来教导机器学习模型以应用不同的系数，所述不同的系数将心脏电描记图中的一个或多个特征表示为相对于特定分类的心律失常的发生具有或多或少的重要性。通过处理用心律失常发作标记的许多此类ECG波形，机器学习系统450可以构建和训练机器学习模型，以从如图1的患者4等患者接收机器学习系统450先前尚未分析的心脏电描记图数据，并且处理此心脏电描记图数据，以高准确度检测患者中不同分类的心律失常的存在或不存在。通常，机器学习系统450所训练的心脏电描记图数据的量越大，机器学习模型在新心脏电描记图数据中检测或分类心律失常的准确性就越高。
在机器学习系统450已经训练机器学习模型之后，机器学习系统450可以接收如患者4等特定患者的如心脏电描记图数据等患者数据。机器学习系统450将经训练的机器学习模型应用于患者数据，以检测患者4的心律失常发作的发生。进一步地，机器学习系统450将经训练的机器学习模型应用于患者数据，以将患者的心律失常发作分类为指示特定类型的心律失常。在一些实例中，机器学习系统450可以输出心律失常发作指示特定类型的心律失常的确定，以及所述确定中的置信水平。响应于确定所述确定中的置信水平大于预定阈值(例如，50％、75％、90％、95％、99％)，计算装置400可以将心律失常发作分类为心律失常的特定类型，并且输出心脏电描记图数据的至少一部分(例如，在发生心律失常发作期间的ECG的一部分)、患者4已发生心律失常发作的第一指示以及已发生心律失常发作的确定中的置信水平的第二指示以便向用户显示。
在一些实例中，机器学习系统150可以处理心脏电描记图数据的一个或多个心脏特征而不是原始心脏电描记图数据本身。所述一个或多个心脏特征可以通过由IMD 10执行的特征描绘获得，如上所述。心脏特征可以包含例如患者的平均心率、患者的最小心率、患者的最大心率、患者心脏的PR间期、患者的心率的可变性、患者的心电图(ECG)的一个或多个特征的一个或多个振幅或患者的ECG的一个或多个特征之间的间期、T波交替、QRS形态量度或在本文中未明确描述的其它类型的心脏特征中的一个或多个。在此类示例实施方案中，机器学习系统可以通过用心律失常发作标记的多个训练心脏特征而不是如上所述的用心律失常发作标记的多个ECG波形来训练机器学习模型。
在一些实例中，机器学习系统450可以处理心脏电描记图数据，以导出心律失常发作的分类(例如，心动过缓、心动过速、心房颤动、心室颤动或AV阻滞)。进一步地，机器学习系统450可以针对心律失常类型分类中的每个心律失常类型分类确定指示在一段时间内分类的变化可能性的类激活数据。对于给定的心律失常类型，此类可能性值在不同时间的振幅对应于心律失常在所述时间发生的概率，其中较高值对应于较高概率。
计算装置400可以使用类激活映射来鉴定输入时间序列的区域，例如，心脏EGM数据的区域，所述区域构成时间序列被机器学习系统450的机器学习模型给予特定分类的原因。用于给定分类的类激活映射可以是单变量时间序列，其中每个元素(例如，在输入时间序列的采样频率处的每个时间戳处)可以是加权和或从神经网络或其它机器学习模型的中间层的输出导出的其它值。中间层可以是全局平均池化层和/或每个分类的输出层神经元之前的最后一层。
在一些实例中，机器学习系统450可以将机器学习模型应用于其它类型的数据，以确定患者4已发生心律失常发作。例如，机器学习系统450可以将机器学习模型应用于与患者的心律失常、IMD 10的活动水平、IMD 10的输入阻抗或IMD 10的电池水平相关的心脏电描记图数据的一个或多个特性。
在另外的实例中，处理电路系统402可以从心脏电描记图数据生成心脏电描记图数据的中间表示。例如，处理电路系统402可以将一个或多个信号处理、信号分解、小波分解、滤波或降噪操作应用于心脏电描记图数据，以生成心脏电描记图数据的中间表示。在此实例中，机器学习系统450处理心脏电描记图数据的这种中间表示，以检测和分类患者4的心律失常发作。此外，机器学习系统可以通过用心律失常发作标记的多个训练中间表示而不是如上所述的用心律失常发作标记的多个原始ECG波形来训练机器学习模型。心脏电描记图数据的这种中间表示的使用可以允许机器学习系统450训练和开发重量较轻、计算上不太复杂的机器学习模型。进一步地，与使用原始心脏电描记图数据来训练机器学习模型相反，使用心脏电描记图数据的这种中间表示可能需要更少的迭代和更少的训练数据来构建准确的机器学习模型。
在一些实例中，计算系统24可以使用机器学习系统150来检测除了特征描绘筛选分析中检测到的心律失常之外的其它类型的心律失常。例如，用于执行由如IMD 10等低功率装置实施的特征描绘的心律失常检测算法可能不被设计成检测不太频繁发生的心律失常，如AV阻滞。机器学习系统150可以在可获得这种心律失常的大数据集上训练机器学习模型，由此相对于由例如单独的IMD 10执行的特征描绘提供更精细的颗粒度和更高的准确性。因此，机器学习系统150的使用可以通过允许IMD 10使用特征描绘来实施通用筛选算法，随后使用机器学习系统150来扩展系统2的心律失常诊断能力，所述机器学习系统可以提供更宽范围的心律失常检测的机器学习模型。在检测到未通过特征描绘检测到的心律失常的类型之后，计算系统24仍然可以使用如QRS检测等特征描绘来辅助表征和报告由机器学习系统150的机器学习模型检测到的其它类型的心律失常。
在一些实例中，计算系统24可以针对特定用例定制机器学习系统150。例如，在患者4是TAVR后患者的情况下，机器学习系统150可以实施特定于检测AV阻滞和心动过缓的机器学习模型。作为另一个实例，机器学习系统150可以实施特定于检测PVC的机器学习模型，使得PVC负担可以用于对可能针对ICD指示的患者进行风险分层。
图5是展示了根据本公开的技术的示例操作的流程图。为了方便起见，关于图1描述图5。在一些实例中，图5的操作是用于解释和可视化检测患者4的心律失常发作的机器学习系统150的输出的操作。
如图5所描绘的，IMD 10感测患者4的心脏电描记图数据。心脏电描记图数据可以是例如患者4的发作性ECG或患者4的全公开ECG。进一步地，患者4的心脏电描记图数据可以来自单通道或多通道系统。为了简单起见，在图5的实例中，患者4的心脏电描记图数据被描述为单通道发作性ECG数据。IMD 10将心脏电描记图数据上传到外部装置12。计算系统24从外部装置12接收心脏电描记图数据(502)。
计算系统24的机器学习系统150将机器学习模型应用于接收到的心脏电描记图数据，以检测患者4的心律失常发作(504)。在一些实例中，机器学习模型用临床医生或监测中心针对若干不同类型的心律失常注释的多个ECG发作来训练。在一个实例中，机器学习系统150将机器学习模型应用于归一化的输入ECG信号的一个或若干个子区段，并且生成心律失常标记和心律失常发生的可能性。在一些实例中，机器学习系统150确定患者4已发生心律失常发作，并且确定患者4已发生心律失常发作的确定中的置信水平。在一些实例中，机器学习系统150确定患者4是否已发生多种不同心律失常类型的心律失常发作，以及已发生每种心律失常类型的心律失常发作的置信水平。
计算系统24确定机器学习系统150是否已经检测到心律失常发作(506)。响应于确定机器学习系统150已经检测到心律失常发作(例如，506的“是”框)，计算系统24确定所述确定中的置信水平是否大于预定阈值(510)。在一些实例中，预定阈值为例如25％、50％、75％、90％、95％、99％等，在一些实例中，计算系统24确定所述确定中的置信水平是否大于第一预定阈值(例如，50％)以及所述确定中的置信水平是否大于第二预定阈值(例如，90％)。第一预定阈值可以与机器学习系统150已发生心律失常发作的中等置信水平相关联，而第二预定阈值可以与机器学习系统150的高置信水平相关联。
响应于确定置信水平大于预定阈值(例如，510的“是”框)，计算系统24输出心脏电描记图数据以供临床医生查看。在一些实例中，计算系统24输出心脏电描记图数据的一部分、患者4已发生心律失常发作的第一指示以及患者4已发生心律失常发作的确定中的确定性水平的第二指示(512)。在一些实例中，计算系统24根据机器学习系统150已发生心律失常发作的置信水平选择可视化方法。例如，计算系统24可以应用颜色编码来指示结果(例如，“绿色”针对相比于已发生心律失常发作低的置信度，“黄色”针对相比于已发生心律失常发作中等的置信度，或者“红色”针对相比于已发生心律失常发作高的置信度)。
在一些实例中，计算系统24使用不同的可视化技术来指示心律失常的类型。在一些实例中，计算系统24呈现ECG波形和对波形的注释，以指示心律失常发作已发生的位置。在一些实例中，注释包含突出显示ECG的一部分，指示心律失常发作的开始和/或停止时间，或者将图形图标或文本应用于ECG的区段。计算系统24可以使用如颜色编码、影线、图像或图标、形状、不同大小的指示符、光、声音、文本通知等各种不同的可视化技术来简单地将信息传达给用户。
在一个实例中，计算系统24显示患者已发生心律失常发作的指示以及与心律失常发作一致的心脏特征中的一个或多个心脏特征。在一些实例中，计算系统24将心律失常发作的分类显示为特定类型的心律失常。
在一些实例中，计算系统24显示从患者4获得的与心律失常发作一致的心脏电描记图数据的子区段。例如，计算系统24可以鉴定患者4的心脏电描记图数据的子区段，其中，所述子区段包括心律失常发作之前的第一时间段(例如，通常在心律失常发作开始之前少于10分钟)、心律失常发作发生期间的第二时间段以及心律失常发作之后的第三时间段(例如，通常在心律失常发作停止之后少于10分钟)的心脏电描记图数据。
作为实例，患者4的心脏电描记图数据的子区段的长度可以为约6秒，并且包含心律失常发作之前、期间和之后的代表性区段(如果存在于被分析的心脏电描记图数据或波形中)。在一些实例中，发作持续时间因装置类型而不同，并且可以进一步取决于医疗装置的用例、医疗装置的一个或多个设置或所感测到的心律失常的特定类型。例如，一些类型的心律失常迅速自终止(导致短持续时间发作)，而其它类型的心律失常是持续的并且具有一定长度，使得所记录的发作持续时间可以取决于医疗装置上的指定存储器空间。作为实例，对于心房颤动(AF)，患者4的心脏电描记图数据的子区段可以包含开始时间段期间的心脏电描记图数据、最大AF可能性的区段、最快AF速率的区段和AF偏移。通常，患者的心脏电描记图数据的时间长度大于第一时间段、第二时间段和第三时间段。进一步地，计算系统24鉴定与第一时间段、第二时间段和第三时间段一致的心脏特征中的一个或多个心脏特征。计算系统24显示心脏电描记图数据的子区段以及与第一时间段、第二时间段和第三时间段一致的心脏特征中的一个或多个心脏特征。
响应于确定机器学习系统150未检测到心律失常发作(例如，506的“否”框)，或响应于确定置信水平不大于预定阈值(例如，510的“否”框)中，计算系统24将所感测到的心脏电描记图数据存档，以供监测中心或临床医生在稍后的时间查看(508)。
图6是展示了根据本公开的技术的示例操作的流程图。为了方便起见，关于图1描述图6。在一些实例中，图6的操作是用于解释和可视化检测由用户选择的类型的心律失常发作的机器学习系统150的输出的操作。
图6的操作可以类似于图5的操作，因为计算系统24呈现所检测到的心律失常的如颜色编码图等可视化，以及每种心律失常存在的对应置信水平。然而，图6的操作允许用户预选择特定类型或分类的心律失常。作为响应，计算系统24过滤输出，以描绘在心脏电描记图数据内的位置上仅存在所选类型的心律失常的可能性，以及检测中的对应置信水平。
计算系统24从外部装置12接收心脏电描记图数据(602)。计算系统24的机器学习系统150将机器学习模型应用于接收到的心脏电描记图数据，以检测患者4的心律失常发作(604)。步骤602和604的操作可以分别以与图5的步骤502和504基本上类似的方式发生。
计算系统24从用户接收对特定患者的心律失常类型的选择(605)。例如，计算系统可以通过计算系统24的接口从用户接收如心动过缓、心动过速、心房颤动、心室颤动或AV阻滞等心律失常的选择作为输入。计算系统24确定机器学习系统150是否在来自特定患者的当前和后续发作中检测到所选类型的心律失常发作(606)。例如，响应于确定机器学习系统150未检测到所选类型的心律失常发作(例如，606的“否”框)，计算系统24将所感测到的心脏电描记图数据存档，以供监测中心或临床医生在稍后的时间查看(608)。
响应于确定机器学习系统150已检测到所选类型的至少一次心律失常发作(例如，606的“是”框)，计算系统24确定机器学习系统150对患者4已发生所选类型的心律失常发作的置信水平(610)。此外，计算系统24输出心脏电描记图数据的一部分、患者4已发生心律失常发作的第一指示以及患者4已发生心律失常发作的确定中的确定性水平的第二指示(612)。
因此，图6的操作允许用户选择感兴趣的特定心律失常。计算系统24可以基于用户选择更新视觉呈现。因为计算系统24基于用户输入更新其用户接口，所以除了显示以高置信水平和中等置信水平检测到的任何心律失常之外，计算系统24还可以呈现已经以低置信度检测到的心律失常的潜在发作。在其中检测中以低置信度检测到心律失常的一些实例中，显著注意确定具有低置信度的指示符连同所检测到的心律失常中的低置信水平的对应值。因此，计算系统24可以呈现许多不同类型(和确定性)的心律失常的可视化或解释。因此，临床医生可以使用计算系统24来确认临床医生对特定类型的心律失常的分类。这可以提高临床医生对患者4的诊断的准确性，特别是对于临床医生鉴定不太普遍且更困难的类型的心律失常。计算系统24可以进一步帮助鉴定经先前鉴定的类型的心律失常发作的后续发生。
在另一个实例中，计算系统24从用户接收将心律失常发作分类为特定类型的心律失常。机器学习系统150使用接收到的分类来训练或更新机器学习模型或心律失常阈值，以提高机器学习模型150的准确性和性能。这可以允许提高机器学习系统150在检测和分类难以检测的类型的心律失常发作、取决于特定于特定患者的独特医疗诊断的类型的心律失常发作或数据稀少、不常见或具有低发生率的类型的心律失常发作或者在特定患者中其检测性能可能由于如装置位置、生理状态的变化等因素而次优的心律失常的准确性和性能。
图7是展示了根据本公开的技术的示例操作的流程图。为了方便起见，关于图1描述图7。在一些实例中，图7的操作是用于解释和可视化检测患者4的心律失常发作的机器学习系统150的输出的操作。
计算系统24从外部装置12接收心脏电描记图数据(702)。计算系统24的机器学习系统150将机器学习模型应用于接收到的心脏电描记图数据，以检测患者4的心律失常发作(704)。计算系统24确定是否检测到心律失常发作(706)，以及检测中的置信水平(710)。步骤702、704、706、708和710的操作可以分别以与图5的步骤502、504、506、508和510基本上类似的方式发生。
此外，计算系统24确定用户类型是否是高级的(714)。
在此实例中，计算系统24可以基于用户的能力来定制心脏电描记图数据的可视化。例如，计算系统24可以呈现或多或少详细的ECG波形、元数据和由AI根据需要为具有不同能力的各种用户提供的结果分析。
例如，响应于确定用户类型不是高级的(例如，基本用户类型)(例如，714的“否”框)，计算系统24输出基本心脏电描记图数据、患者4已发生心律失常发作的第一指示以及患者4已发生心律失常发作的确定中的确定性水平的第二指示(716)。例如，对于如植入心脏病学家、神经学家、HF医师、装置护士、患者/护理员等非专家，计算系统24可以呈现机器学习系统150在心律失常发作的“真和假”阳性检测方面的总体性能以供显示。在一些实例中，计算系统24可以进一步呈现ECG区段以供显示，所述区段描绘了检测到的心律失常发作与同一分类的代表性心律失常发作重叠(例如，患者4的ECG区段呈现AF与AF的代表性示例波形重叠)。在一些实例中，计算系统24可以进一步呈现ECG区段以供显示，所述区段描绘了检测到的心律失常发作与基线或非AF发作重叠。在一些实例中，计算装置24向基本用户呈现患者的ECG波形、呈现心律失常发作的第一ECG波形的第一表示和呈现正常心脏行为的第二ECG波形的第二表示。
作为另一个实例，响应于确定用户类型是高级的(例如，714的“是”框)，计算系统24输出高级心脏电描记图数据、患者4已发生心律失常发作的第一指示以及患者4已发生心律失常发作的确定中的确定性水平的第二指示(718)。例如，对于电生理学家或主题专家，计算系统24可以显示，例如对于AF发作，在每个AF区段期间连同平均RR一起呈现的每次心律失常发作的开始和停止时间与平均RR基线形成对比、在每个AF区段期间的RR变化与RR变化基线形成对比、在AF区段期间的P波证据与P波基线形成对比和形态变化。计算系统24可以呈现在本文中未明确描述的另外类型的信息，以改进专家在机器学习系统150中的置信度并辅助专家解读心律失常发作。在一些实例中，计算装置24向高级用户呈现患者4的ECG波形、心律失常发作的开始时间、心律失常发作的停止时间、心律失常发作期间患者4的平均R-R间期、心律失常发作期间患者4的R-R变化、患者4的基线R-R间期、心律失常发作期间患者4的P波、患者4的基线P波或患者4的形态变化中的一个或多个。
因此，图7的操作进一步允许基于访问数据的用户的技能、能力或经验的不同数据呈现。图7的操作可以用在例如由不太熟悉心脏波形的解读的医生利益相关者(例如，不是心脏病专家或主题专家的临床医生)向患者开心脏监测器的处方的情况下，但是所述医生利益相关者仍然想要通过机器学习系统150看到心脏电描记图数据的特性和/或分类的基本呈现。通过使用本公开的技术，如医疗装置系统2等医疗装置系统可以向终端用户提供适当量的数据。因此，医疗装置系统2可以使临床医生能够做出适当的诊断或转诊，或者确认预期心律(或心律失常)的存在或不存在。此外，医疗装置系统2可以避免使临床医生负担与其所需的理解水平无关的数据。
图8是展示了可以用于解释根据本公开的技术的机器学习系统150的示例模拟心脏电描记图数据的图。为了方便起见，关于图1的医疗系统24描述图8。
与特征工程算法不同，机器学习系统150如何操作以从患者的心脏电描记图数据检测心律失常可能不是准确清楚的。如本文所述，计算系统24可以使用如波形802、804和806等模拟心脏电描记图数据来探测由机器学习系统150执行的心律失常表征的不同方面。例如，计算系统24可以将跨多个不同特性的模拟心脏电描记图数据馈送到机器学习系统150，并且对机器学习系统150的输出进行映射(如以下关于图9A-9C更详细描述的)，以理解机器学习模型如何相对于检测特定类型的心律失常将不同特性权衡为或多或少重要。例如，计算系统24可以使用具有RR可变性(RRV)、RR速率或p波的不同值的模拟心脏电描记图数据来检查机器学习系统150如何表征AF。如本文所述，“RRV”是指对应于ECG波的QRS波群的峰值的连续“R”点之间的间期的变化。通过使用模拟心脏电描记图数据和由机器学习系统150确定模拟心脏电描记图数据的不同部分的心律失常的可能性，计算系统24可以解释机器学习系统150的操作。虽然本文描述了特定于正常窦性心律(NSR)、缓慢性心律失常和AF的实例，但是本公开的技术也可以用于其它类型的心律失常。
在一个实例中，计算系统24接收具有以下特性的波形的数据集：
·平均心率(HR)的范围为40次心跳每分钟(BPM)到120BPM；
·波形的RRV的范围为0.01秒到0.5秒；以及
·具有p波和不具有p波的QRS波群。
换句话说，计算系统24基于如这些模拟心脏电描记图数据等模拟心脏电描记图数据的特性“解释”机器学习系统150的分析，所述特性更可被本领域的专家理解并且具有“现实世界”意义。
在一些实例中，计算系统24可以使用平均心率数据、RRV数据或QRS波群的至少一部分的模拟数据，其中这些数据是不可用的。例如，患者4可能不会表现出解释模型所需的整个参数范围(例如，如BPM小于50)。此类模拟数据的使用可以允许计算系统24解释机器学习系统150的分析，而不需要来自患者4的难以或不能获得的边缘病例数据。在一些实例中，计算系统24可以使用患者4的真实数据，其中这些数据是可用的。
图8的实例描绘了3个示例波形802、804和806。波形802是具有90BPM的平均心率和0.01秒的RR可变性的波形。波形804是具有90BPM的平均心率和0.01秒的RR可变性的波形。波形806是具有90BPM的平均心率、0.5秒的RR可变性和p波的波形。在一些实例中，波形802、804和806中的一个或多个波形的至少一部分可以从模拟数据获得。
机器学习系统150处理波形802、804和806中的每个波形，并且输出提取[0,1]范围内的心律失常发生的可能性。接近0的可能性指示波形中的心律失常发作不太可能，并且接近1的可能性指示波形中的心律失常发作非常可能。计算系统24可以使用此信息来解释例如机器学习系统150以什么心率检测特定类型(例如，AF)的心律失常发作，机器学习系统150以什么RRV检测特定类型(例如，AF)的心律失常发作或机器学习系统150在什么p波水平下检测特定类型(例如，AF)的心律失常发作。
图9A-9C是展示了根据本公开的技术的在检测心律失常发作时用于可视化附图的机器学习模型150的操作的技术的图。在一些实例中，图9A-9C展示了计算系统24通过机器学习系统150对图8的示例波形802、804和806进行分析的解释。通过相对于图8的模拟心脏电描记图数据呈现机器学习系统150的输出，计算系统24可以相对于模拟心脏电描记图数据的不同特性来解释机器学习系统150的操作。
图9A描绘了机器学习系统150预测患者4的正常窦性心律(NSR)的可能性的示例图示900。例如，图9B描绘了机器学习系统150检测随平均心率变化的NSR的可能性。图9A的y轴以0％到100％的比例描绘了由机器学习系统150确定的NSR存在的可能性。图9A的颜色可以对应于y轴的值(例如，其中黄色对应于NSR存在的高可能性，并且蓝色对应于NSR存在的低可能性)。图9A的x轴描绘了以每分钟心跳次数(BPM)为单位的心率，并且图9A的z轴描绘了以秒为单位的RRV。如图9A所展示的，机器学习系统150检测NSR，其中心脏电描记图的RRV小于0.1并且心率介于65与85BPM之间。临床医生可以使用此信息来表征如何注释患者4的正常窦性心律。例如，利用来自特定诊所的数据开发图9A中描述的机器学习模型，所述特定诊所将介于65与85BPM之间的心率视为NSR。
图9B描绘了机器学习系统150检测心动过缓的可能性的示例图示910。例如，图9B描绘了机器学习系统150检测心动过缓随平均心率变化的可能性。图9B的y轴以0％到100％的比例描绘了由机器学习系统150确定的心动过缓存在的可能性。图9B的颜色可以对应于y轴的值(例如，其中黄色对应于心动过缓存在的高可能性，并且蓝色对应于心动过缓存在的低可能性)。图9B的x轴描绘了以BPM为单位的心率，并且图9B的z轴描绘了以秒为单位的RRV。如图9B所展示的，机器学习系统150检测窦性心动过缓，其中心脏电描记图的RRV小于0.1并且心率介于45与55BPM之间。临床医生可以使用此信息来表征如何注释患者4的心动过缓发作。例如，利用来自特定诊所的数据开发图9B中描述的机器学习模型，所述特定诊所将介于45与55BPM之间的心率视为窦性心动过缓。
图9C描绘了机器学习系统150检测心房颤动(AF)的可能性的示例图示920。图9C的实例描绘了机器学习系统150检测随平均心率、RR可变性和P波变化的AF的可能性。图9C的y轴以0％到100％的比例描绘了由机器学习系统150确定的AF存在的可能性。图9C的颜色可以对应于y轴的值(例如，其中黄色对应于AF存在的高可能性，并且蓝色对应于AF存在的低可能性)。图9C的x轴描绘了以BPM为单位的心率，并且图9C的z轴描绘了以秒为单位的RRV。进一步地，图9C描绘了两种情形：存在p波(924)和不存在p波(922)。如图9C所展示的，机器学习系统150检测AF，其中心脏电描记图的RRV大于0.2、心率大于75BPM，并且不存在p波。在存在p波的情况下，机器学习系统150不检测AF。虽然在图9C中未描绘，但是机器学习系统150可以在存在p波的情况下更频繁地检测PAC发作。临床医生可以使用此信息来表征如何注释患者4的AF发作。例如，利用来自特定诊所的数据开发图9C中描述的机器学习模型，所述特定诊所将心率大于75BPM并且RRV大于0.2视为AF。
图9A-9C所描绘的示例可视化技术可以通过包含其它深度学习可视化技术来扩展。例如，本公开的技术可以容易地适用于深度学习技术，以用于可视化深度网络特征或用于可视化神经风格转移。此外，本公开的技术可以适用于可视化在图9A-9C中未明确描绘的如心室颤动或AV阻滞等其它类型的心律失常。
图10A-10D是描绘了根据本公开的技术的用于通过计算装置可视化患者4的心脏电描记图数据1010的示例显示器1001-1004的图示。心脏电描记图数据1010可以由例如上文所述的IMD 10感测。显示器1000可以例如由计算系统24或外部装置12呈现。图10A描绘了呈现由IMD 10感测到的患者4的心脏电描记图数据1010的显示器1001。
图10B描绘了呈现基本心脏信息，例如心脏电描记图数据1010的ECG区段1020的显示器1002，在此期间计算系统24已经确定患者4已发生心律失常发作。在一些实例中，ECG区段1020是心脏电描记图数据1010的一个区段，其中计算系统24已经确定为呈现患者4的心房颤动发作的最高可能性。例如，当用户是不需要关于计算系统24对心律失常发作的确定的综合信息的基本用户时，可以使用图10B的示例呈现。
图10C描绘了呈现高级心脏信息的显示器1003。例如，显示器1003包含心脏电描记图数据1010，并且进一步描绘了针对心脏电描记图数据1010的多个区段，已发生一种或多种类型的心律失常发作的可能性。例如，显示器1003将计算系统24已经确定患者4已发生心房颤动的高可能性的区段着色为绿色(1012)，将计算系统24已经对患者4是否已发生心房颤动做出不确定确定的区段着色为黄色(1014)，以及将计算系统24已经确定患者4已发生心房颤动的低可能性的区段着色为红色(1016)。此外，显示器1003以蓝色描绘了随时间推移患者4已发生心房颤动的总体可能性1030。
作为另一个实例，显示器1003将计算系统24已经确定患者4已发生PVC的高可能性的区段着色为绿色(图10C中无发作)，将计算系统24已经对患者4是否已发生PVC的区段着色为黄色(1024)，以及将计算系统24已经确定患者4已发生PVC的低可能性的区段着色为红色(1026)。此外，显示器1003以品红色描绘了随时间推移患者4已发生PVC的总体可能性1040。
图10D描绘了呈现高级心脏信息的显示器1004。例如，显示器1004描绘了与图10C的显示器1003基本上类似的信息。进一步地，显示器1004进一步描绘了描绘基线ECG信号(例如，在不存在AF的情况下)的参考心脏电描记图数据1054和描绘在AF发作期间的ECG信号的参考心脏电描记图数据1052。此外，显示器1004包含RR间期图1050，其显示患者4在心脏电描记图数据1010的持续时间内的RR间期。RR间期图1050展示了在存在AF期间(例如，从时间t0到约时间t100)的高的非模式化RR可变性，以及在缺乏AF期间(例如，从时间t150到时间t250)的模式化心跳。例如，当用户是期望关于计算系统24对心律失常发作的确定的综合信息的高级基本用户时，可以使用图10C或10D的示例呈现。
图11A-11C是描绘了根据本公开的技术的用于通过计算装置可视化患者4的心脏电描记图数据1110的示例显示器1101-1103的图示。心脏电描记图数据1110可以由例如上文所述的IMD 10感测。显示器1100可以例如由计算系统24或外部装置12呈现。图11A描绘了呈现由IMD 10感测到的患者4的心脏电描记图数据1110的显示器1101。
图11B描绘了呈现基本心脏信息，例如心脏电描记图数据1110的ECG区段1120的显示器1102，在此期间计算系统24已经确定患者4已发生心律失常发作。在一些实例中，ECG区段1120是心脏电描记图数据1110的一个区段，其中计算系统24已经确定为呈现患者4的PVC发作的最高可能性。例如，当用户是不需要关于计算系统24对心律失常发作的确定的综合信息的基本用户时，可以使用图11B的示例呈现。
图11C描绘了呈现高级心脏信息的显示器1103。例如，显示器1103包含心脏电描记图数据1110，并且进一步描绘了针对心脏电描记图数据1110的多个区段，已发生一种或多种类型的心律失常发作的可能性。例如，显示器1103将计算系统24已经确定患者4已发生心房颤动的高可能性的区段着色为绿色(图11C中不存在)，将计算系统24已经对患者4是否已发生心房颤动做出不确定确定的区段着色为黄色(图11C中不存在)，以及将计算系统24已经确定患者4已发生心房颤动的低可能性的区段着色为红色(1116)。此外，显示器1103以蓝色描绘了随时间推移患者4已发生心房颤动的总体可能性1130。
作为另一个实例，显示器1103将计算系统24已经确定患者4已发生PVC的高可能性的区段着色为绿色(1122)，将计算系统24已经对患者4是否已发生PVC的区段着色为黄色(图11C中不存在)，以及将计算系统24已经确定患者4已发生PVC的低可能性的区段着色为红色(1126)。此外，显示器1103以品红色描绘了随时间推移患者4已发生PVC的总体可能性1140。
以下实例可以说明本公开的一个或多个方面。
实例1.一种方法，其包括：由包括处理电路系统和存储介质的计算装置接收由医疗装置感测到的心脏电描记图数据；由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以：基于所述机器学习模型确定所述患者已发生心律失常发作；以及确定所述患者已发生所述心律失常发作的确定中的置信水平；确定所述患者已发生所述心律失常发作的确定中的所述置信水平大于预定阈值；并且响应于确定所述置信水平大于所述预定阈值，由所述计算装置输出并且用于向用户显示所述心脏电描记图数据的至少一部分、所述患者已发生所述心律失常发作的第一指示以及所述患者已发生所述心律失常发作的所述置信水平的第二指示。
实例2.根据实例1所述的方法，其中所述心脏电描记图数据的所述至少一部分包括心电图(ECG)波形。
实例3.根据实例2所述的方法，其中所述患者已发生所述心律失常发作的所述第一指示包括对所述ECG波形的注释。
实例4.根据实例1到3中任一项所述的方法，其中所述第二指示包括颜色、图像、光、声音或文本通知中的一个或多个。
实例5.根据实例1到4中任一项所述的方法，其中所述方法进一步包括从所述用户接收心律失常类型的选择，其中将所述机器学习模型应用于所述接收到的心脏电描记图数据以确定所述患者已发生心律失常发作包括将所述机器学习模型应用于所述接收到的心脏电描记图数据以确定所述患者已发生所述所选择的心律失常类型的心律失常发作，并且其中输出所述心脏电描记图数据的所述至少一部分、所述患者已发生所述心律失常发作的第一指示符以及所述患者已发生所述心律失常发作的所述置信水平的第二指示符包括输出所述心脏电描记图数据的所述至少一部分、所述患者已发生所述所选择的心律失常类型的所述心律失常发作的第一指示符以及所述患者已发生所述所选择的心律失常类型的所述心律失常发作的所述置信水平的第二指示符。
实例6.根据实例1到5中任一项所述的方法，其中所述方法进一步包括由所述计算装置确定所述用户是基本用户，其中输出所述心脏电描记图数据的所述至少一部分、所述患者已发生所述心律失常发作的所述第一指示符以及所述患者已发生所述心律失常发作的所述置信水平的所述第二指示符包括响应于确定所述用户是基本用户而输出所述患者已发生所述心律失常发作的所述第一指示符、所述患者已发生所述心律失常发作的所述置信水平的所述第二指示符以及以下中的一种或多种：所述患者的心电图(ECG)波形；呈现心律失常发作的第一ECG波形的第一表示；以及呈现正常心脏行为的第二ECG波形的第二表示。
实例7.根据实例1到5中任一项所述的方法，其中所述方法进一步包括由所述计算装置确定所述用户是高级用户，其中输出所述心脏电描记图数据的所述至少一部分、所述患者已发生所述心律失常发作的所述第一指示符以及所述患者已发生所述心律失常发作的所述置信水平的所述第二指示符包括响应于确定所述用户是高级用户而输出所述患者已发生所述心律失常发作的所述第一指示符、所述患者已发生所述心律失常发作的所述置信水平的所述第二指示符以及以下中的一种或多种：所述患者的心电图(ECG)波形；所述心律失常发作的开始时间；所述心律失常发作的停止时间；在所述心律失常发作期间所述患者的平均R-R间期；在所述心律失常发作期间所述患者的R-R变化；所述患者的基线R-R间期；在所述心律失常发作期间所述患者的P波；所述患者的基线P波；以及所述患者的形态变化。
实例8.根据实例1到7中任一项所述的方法，其中所述患者的所述心律失常发作是心动过缓、心动过速、心房颤动、心室颤动或AV阻滞的发作中的至少一个。
实例9.根据实例1到8中任一项所述的方法，其中使用所述多个患者的心脏电描记图数据训练的所述机器学习模型包括使用多个心电图(ECG)波形训练的机器学习模型，每个ECG波形用所述多个患者中的一个患者的一次或多次心律失常发作来标记。
实例10.根据实例1到9中任一项所述的方法，其中将所述机器学习模型应用于所述接收到的心脏电描记图数据包括将所述机器学习模型应用于以下中的至少一个：所述患者的心电图(ECG)数据；与所述患者的心律失常相关的特性；所述患者的所述心律失常的类型；可植入医疗装置的活动水平；可植入医疗装置的输入阻抗；或可植入医疗装置的电池水平。
实例11.根据实例1到10中任一项所述的方法，其中输出所述心脏电描记图数据的所述至少一部分包括：鉴定所述患者的心电图(ECG)的子区段，其中所述子区段包括在所述心律失常发作之前的第一时间段、在所述心律失常发作期间的第二时间段和在所述心律失常发作之后的第三时间段的ECG数据，并且其中所述患者的所述ECG的时间长度大于所述第一时间段、所述第二时间段和所述第三时间段；以及输出所述ECG的所述子区段。
实例12.根据实例1到11中任一项所述的方法，其中所述预定阈值是第一预定阈值，并且其中所述方法进一步包括确定所述患者已发生所述心律失常发作的确定中的所述置信水平是否大于第二预定阈值，所述第二预定阈值大于所述第一预定阈值，其中响应于确定所述置信水平大于所述预定阈值，输出所述心脏电描记图数据的所述至少一部分、所述第一指示和所述第二指示包括：响应于确定所述置信水平大于所述第一预定阈值但不大于所述第二预定阈值，输出所述心脏电描记图数据的所述至少一部分、所述第一指示和所述患者已发生所述心律失常发作的中等置信水平的指示；响应于确定所述置信水平大于所述第一预定阈值且大于所述第二预定阈值，输出所述心脏电描记图数据的所述至少一部分、所述第一指示和所述患者已发生所述心律失常发作的高置信水平的指示。
实例13.一种方法，其包括：由包括处理电路系统和存储介质的计算装置接收由医疗装置感测到的心脏电描记图数据；从用户接收心律失常类型的选择；由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以：基于所述机器学习模型确定所述患者已发生所选类型的心律失常发作；以及确定所述患者已发生所选类型的所述心律失常发作的确定中的置信水平；以及由所述计算装置输出并且用于向用户显示所述心脏电描记图数据的至少一部分、所述患者已发生所选类型的所述心律失常发作的第一指示以及所述患者已发生所选类型的所述心律失常发作的所述置信水平的第二指示。
实例14.根据实例13所述的方法，其中所述心脏电描记图数据的所述至少一部分包括心电图(ECG)波形。
实例15.根据实例14所述的方法，其中所述患者已发生所述心律失常发作的所述第一指示包括对所述ECG波形的注释。
实例16.根据实例13到15中任一项的所述的方法，其中所述第二指示包括颜色、图像、光、声音或文本通知中的一个或多个。
实例17.根据实例13到16中任一项所述的方法，其中所述方法进一步包括由所述计算装置确定所述用户是基本用户，其中输出所述心脏电描记图数据的所述至少一部分、所述患者已发生所述心律失常发作的所述第一指示符以及所述患者已发生所述心律失常发作的所述置信水平的所述第二指示符包括响应于确定所述用户是基本用户而输出所述患者已发生所述心律失常发作的所述第一指示符、所述患者已发生所述心律失常发作的所述置信水平的所述第二指示符以及以下中的一种或多种：所述患者的心电图(ECG)波形；呈现心律失常发作的第一ECG波形的第一表示；以及呈现正常心脏行为的第二ECG波形的第二表示。
实例18.根据实例13到16中任一项所述的方法，其中所述方法进一步包括由所述计算装置确定所述用户是高级用户，其中输出所述心脏电描记图数据的所述至少一部分、所述患者已发生所述心律失常发作的所述第一指示符以及所述患者已发生所述心律失常发作的所述置信水平的所述第二指示符包括响应于确定所述用户是高级用户而输出所述患者已发生所述心律失常发作的所述第一指示符、所述患者已发生所述心律失常发作的所述置信水平的所述第二指示符以及以下中的一种或多种：所述患者的心电图(ECG)波形；所述心律失常发作的开始时间；所述心律失常发作的停止时间；在所述心律失常发作期间所述患者的平均R-R间期；在所述心律失常发作期间所述患者的R-R变化；所述患者的基线R-R间期；在所述心律失常发作期间所述患者的P波；所述患者的基线P波；以及所述患者的形态变化。
实例19.根据实例13到18中任一项所述的方法，其中所述患者的所述心律失常发作是心动过缓、心动过速、心房颤动、心室颤动或AV阻滞的发作中的至少一个。
实例20.根据实例13到19中任一项所述的方法，其中使用所述多个患者的心脏电描记图数据训练的所述机器学习模型包括使用多个心电图(ECG)波形训练的机器学习模型，每个ECG波形用所述多个患者中的一个患者的一次或多次心律失常发作来标记。
实例21.根据实例13到20中任一项所述的方法，其中将所述机器学习模型应用于所述接收到的心脏电描记图数据包括将所述机器学习模型应用于以下中的至少一个：所述患者的心电图(ECG)数据；与所述患者的心律失常相关的特性；所述患者的所述心律失常的类型；可植入医疗装置的活动水平；可植入医疗装置的输入阻抗；或可植入医疗装置的电池水平。
实例22.根据实例1到21中任一项所述的方法，其中输出所述心脏电描记图数据的所述至少一部分包括：鉴定所述患者的心电图(ECG)的子区段，其中所述子区段包括在所述心律失常发作之前的第一时间段、在所述心律失常发作期间的第二时间段和在所述心律失常发作之后的第三时间段的ECG数据，并且其中所述患者的所述ECG的时间长度大于所述第一时间段、所述第二时间段和所述第三时间段；以及输出所述ECG的所述子区段。
在一些实例中，本公开的技术包含系统，其包括用于执行本文所述的任何方法的构件。在一些实例中，本公开的技术包含计算机可读介质，其包括使处理电路系统执行本文所述的任何方法的指令。
应当理解，本文公开的各个方面可以与说明书和附图中具体呈现的组合不同的组合进行组合。还应理解，根据实例，本文所述的过程或方法中的任一个的某些动作或事件可以以不同顺序执行，可以被添加、合并或完全省略(例如，所有描述的动作或事件对于执行技术可能不是必需的)。另外，尽管为了清楚起见，将本公开的某些方面描述为由单个模块、单元或电路来执行，但是应当理解，本公开的技术可以由与例如医疗装置相关联的单元、模块或电路系统的组合来执行。
在一个或多个实例中，所描述的技术可以在硬件、软件、固件或其任何组合中实施。如果以软件实施，则可以将功能以一个或多个指令或代码的形式存储在计算机可读介质上并且可以由基于硬件的处理单元执行。计算机可读介质可以包含非暂时性计算机可读介质，其对应于有形介质，如数据存储介质(例如，RAM、ROM、EEPROM、闪存或可以用于存储呈指令或数据结构形式的期望程序代码并且可以由计算机访问的任何其它介质)。
指令可以由一个或多个处理器执行，如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其它等效的集成或离散逻辑电路系统。因此，如本文所使用的术语“处理器”或“处理电路系统”可以是指前述结构中的任何结构或适于实施所描述的技术的任何其它物理结构。而且，所述技术可完全实施于一个或多个电路或逻辑元件中。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
