1.本发明涉及一种心血管疾病的预测，特别是一种心衰竭预测组件及心衰竭预测方法。
背景技术：
：：2.郁血性心衰竭(congestiveheartfailure，chf)是一种高度致命的综合症，其症状和体征是由心脏功能障碍引起的。在发展中国家，郁血性心衰竭的医疗保健支出占总医疗保健预算的一定比例。因此，提升对郁血性心衰竭的理解可能会产生强烈的社会和管理影响。3.众所周知，心电图(electrocardiogram，ecg)测试能被用来提取可预测的特征以评估个人患郁血性心衰竭的风险。4.ecg信号是量化心脏的电活动的循环信号。每个心搏周期(heartcycle)可以分解为五个波的总和，即p、q、r、s及t波。除了每个心搏周期的形状，心电图的另一个重要特征是心搏周期的持续时间，这些基于rr间隔的长度(即连续r峰之间的距离)进行测量，并且通常通过量化个体的心率(heartrate，hr)和心率变异性(heartratevariability，hrv)的变数进行汇总。5.计算机科学领域的机器学习(machinelearning)已被证明在建模一组可预测的变数和各种结果之间的复杂非线性关系方面非常成功。机器学习已被用于预测郁血性心衰竭的发展和其他结果，例如基于ecg信号的死亡。然而，因为机器学习方法是估计高维度特征之间的复杂非线性关系，因此通常很难解释这些高维度特征。6.此外，现今预测郁血性心衰竭的方法需要长时间的数据，尚不存在仅使用少量心电图数据便可建立适用于预测郁血性心衰竭的机器学习模型。技术实现要素：7.有鉴于此，本发明提供一个高测量效率且具有可解释性的心衰竭预测组件及心衰竭预测方法。8.依据本发明一实施例的一种心衰竭预测组件，包括：前处理电路，用于电性连接外部感测器以接收心电图的原始输入信号，该前处理电路用于过滤该原始输入信号的噪声以产生干净心电图信号；特征撷取电路，电性连接该前处理电路，该特征撷取电路依据该干净心电图信号计算多个心率特征值，依据多个主成分波形及该干净心电图信号产生多个形状特征值，并整合该些心率特征值及该些形状特征值以输出特征向量；以及预测模型电路，电性连接该特征撷取电路，该预测模型依据该特征向量产生预测结果；其中该预测结果用于指示在一指定期间内是否发生心衰竭。9.依据本发明一实施例的一种心衰竭预测方法，包括：以感测器取得原始心电图信号；以前处理电路依据该原始心电图信号产生干净心电图信号；以特征撷取电路依据该干净心电图信号进行主成分分解及心率特征分析以产生具有多个特征值的特征向量；以及以预测模型电路依据特征向量产生预测结果。10.综上所述，本发明提出的心衰竭预测组件及心衰竭预测方法，提出以新的特征：形状，其撷取自时间序列数据，配合心率及心率变异性进行郁血性心衰竭预测。本发明可产生具有可解释性的特征向量，借此让医生得以依据此特征向量所对应的临床症状向病患说明心衰竭成因。由于本发明的特征撷取电路中应用了主成分分析的技术，因此特征向量中包含心电图波形的形状特征。应用主成分分析同时也提高了本发明预测心衰竭的准确度，而且只需要收集短时间(例如30秒)的心电图信号即可产生未来长时间(数个月到数年)内的预测结果。11.以上关于本公开内容的说明及以下实施方式的说明用以示范与解释本发明的精神与原理，并且提供本发明的专利申请范围更进一步的解释。附图说明12.图1示出本发明一实施例的心衰竭预测组件的方框图；13.图2示出前处理电路的系统方框图；14.图3a及图3b呈现以前处理电路中的带通滤波器修正前后的心电图信号对比图；15.图4示出特征撷取电路的方框图；16.图5是本发明一实施例的心衰竭预测方法的流程图；以及17.图6是图5的步骤s3中关于“主成分分解”的详细流程图。18.附图标记说明：19.100心衰竭预测组件[0020]1ꢀꢀꢀ前处理电路[0021]12ꢀꢀ带通滤波器[0022]14ꢀꢀ正规化电路[0023]16ꢀꢀ品质检测电路[0024]3ꢀꢀꢀ特征撷取电路[0025]32ꢀꢀ心率特征撷取电路[0026]34ꢀꢀ形状特征撷取电路[0027]36ꢀꢀ特征整合电路[0028]5ꢀꢀꢀ预测模型电路[0029]30ꢀꢀ外部感测器[0030]50ꢀꢀ显示装置具体实施方式[0031]以下在实施方式中详细叙述本发明的详细特征以及特点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所公开的内容、权利要求书及图式，任何本领域技术人员可轻易地理解本发明相关的构想及特点。以下实施例进一步详细说明本发明的观点，但非以任何观点限制本发明的范围。[0032]请参考图1，其示出本发明一实施例的心衰竭预测组件100的方框图。所述的心衰竭预测组件100包括前处理电路1、特征撷取电路3以及预测模型电路5。[0033]前处理电路1用于电性连接外部感测器30，例如霍特感测器(holtermonitor)，以接收外部感测器30产生的心电图的原始输入信号。值得注意的是，有别于传统的预测方式需要长时间(例如约24小时)收集使用者的心电图测量信号，本发明的前处理电路1收集使用者的心电图测量信号的时间长度较短时间(例如约30秒)。[0034]请参考图2，其示出前处理电路1的系统方框图。在一实施例中，前处理电路1包括带通滤波器(band-passfilter)12、正规化电路14以及品质检测电路16。[0035]带通滤波器12用于电性连接图1的外部感测器30。在一实施例中，带通滤波器12用于过滤心电图原始信号的噪声，并且修正心电图原始信号的基线飘移(baselinewander)。修正前的心电图信号如图3a所示，修正后的心电图信号如图3b所示。修正后的心电图信号被发送至正规化电路14。[0036]正规化电路14电性连接带通滤波器12。在一实施例中，正规化电路14用于将修正后的心电图信号中的每个周期的最小值定义为0，最大值定义为1。换言之，正规化电路14将信号按比例缩放于[0,1]区间中，且不改变信号的原本分布。[0037]品质检测电路16电性连接正规化电路14。品质检测电路16用于评估经上述处理后的心电图信号的品质。具体来说，品质检测电路16计算心电图信号的信号品质指数(signalqualityindex，sqi)。sqi值高于指定阈值的信号片段被保留且作为特征撷取电路3的输入。sqi值低于指定阈值的信号片段被舍弃。[0038]本发明并不特别限制品质检测电路16的实施方式。在一实施例中，心衰竭感测组件10连接的外部感测器30还包含环境感测器，如加速度计或光感测器。环境感测器用于感测使用者的周边状态以产生修正参考信号，且带通滤波器12依据修正参考信号修正心电图原始信号。品质检测电路16依据修正后的心电图信号计算每个周期中的多个生理数值的标准值域，并判断每一个周期信号对应的生理数值与该标准值域之间的差异量，然后依据该些差异量计算出sqi。所述的标准值域例如可采用所述生理数值的平均值，或是采用这些生理数值建立一个分布模型，再取此分布模型的信赖区间作为标准值域。依据差异量计算信号品质指数的一实施方式为：品质检测电路16计算该些差异量中小于门槛值的数量占所有的该些差异量的总数的比例，并以该比例作为该信号品质指数。[0039]依据差异量计算信号品质指数的另一实施方式为：品质检测电路16依据每一差异量计算相关性，并依据该相关性与该些周期信号的总数计算该信号品质指数。[0040]特征撷取电路3电性连接前处理电路1以接收前处理电路1处理后的干净的心电图信号。图4是特征撷取电路3的方框图。特征撷取电路3包括心率特征撷取电路32、形状特征撷取电路34以及特征整合电路36。干净的心电图信号分别被输入至心率特征撷取电路32及形状特征撷取电路34。该两个特征电路32及34各自进行特征撷取之后，将各自的输出交由特征整合电路36串接(concatenate)后输出至预测模型电路5。[0041]整体而言，特征撷取电路3用于从心电图信号取出多个重要的特征并输出特征向量。此特征向量具有多个维度。在一实施例中，特征向量具有14维，其中10维的数据由心率特征撷取电路32对干净ecg信号进行运算后输出，另外4维的数据由形状特征撷取电路34对干净ecg信号进行运算后输出。上述维度数值仅为举例而非用以限制本发明。[0042]心率特征电路32所需输出的10维数据及其类型如下表所示，其中hr为心率(heartrate，hr)，hrv为心率变异性(heartratevariability，hrv)，r-r间隔(r-rinterval)为心电图信号中相邻两个r波波峰(peak)之间的距离，此距离可转换为心跳速率。[0043][0044][0045]上表中的特征的计算方式如下方式1至式9所示。[0046]式1：[0047]式2：[0048]式3：[0049]式4：[0050]式5：[0051]式6：[0052]其中，rrdiff[i]＝rrinterval[i 1]-rrinterval[i][0053]另外，[0054]式7：[0055]式8：[0056]式9：[0057]其中a[i]是x[i]在x＝-y上的投影，b[i]是x[i]在x＝y上的投影，而且x[i]＝[rrinterval[i]，rrinterval[i 1]]t[0058]在一实施例中，依据干净的心电图信号、给定的参考心搏周期μ(t)以及一组给定的主成分(principalcomponent)波形，形状特征撷取电路34可按照式10的计算得出特征向量中其余4维的数据，即式10中的sj。在本实施例中，该组主成分波形有4个，故j＝1,2,3,4。[0059]式10：[0060]详言之，形状特征撷取电路34从干净的心电图信号中计算平均心搏周期(averageheartcycle)c(t)。并将此平均心搏周期c(t)减去给定的参考心搏周期μ(t)的结果投影至4个主成分波形pcj(t)以获得各自维度的投影量sj。式10中的k为主成分波形的数量。上述流程即所谓的主成分分析(principlecomponentanalysis，pca)。给定一组函数数据(functionaldata)和基本函数，pca分解根据基本函数和相应的系数找到数据投影，以最小表示方式让可解释的变异性最大化。[0061]每一个主成分波形相当于该笔心电图信号的一种“形状的描述”。因此，这些主成分波形具有可解释性。实务上，医生可采用这些主成分波形对应的临床症状向病患清楚地展示心衰竭疾病的原因。此外每个主成分波形对应的系数sj还可作为医生判断此主成分波形重要程度的依据。[0062]实务上，形状特征撷取电路34预先收集大量的心电图数据并依据这些数据进行特征分析(eigenanalysis)，借此得到前述的多个主成分波形。[0063]特征整合电路36电性连接心率特征撷取电路32及形状特征撷取电路34。特征整合电路36将来自心率特征撷取电路32的多维度特征数据(在本实施例为10维)以及来自形状特征撷取电路34的多维度特征数据(在本实施例为4维)整合串接并进行数据范围的缩放调整(scaling)之后，输出多维度的特征向量(在本实施例为14维)至预测模型电路5。[0064]预测模型电路5电性连接特征撷取电路3以接收多维度的特征数据。预测模型电路5还用以电性连接显示装置50以呈现其输出的预测结果。预测模型电路5使用将多维度的特征数据输入至预测模型以产生一个预测结果。所述的预测模型基本上为线性的模型，其根据多维度的特征向量产生预测结果[0065]在一实施例中，预测模型电路5包含至少一个预测模型。举例来说，预测模型包含cox比例风险(coxproportionalhazard)模型、逻辑回归(logisticregressio，lr)模型以及神经添加模型(neuraladditivemodel，nam)。cox比例风险模型可输出事件发生时间(time-to-event)，例如“在本日测量ecg信号后的未来六个月内将不会罹患郁血性心衰竭”。lr模型及nam模型则属于分类模型，仅告知在未来的指定期间内(例如一年内)是否会罹患郁血性心衰竭。上述三个模型的实施细节可参考如下文献：[0066]d.r.cox,“partiallikelihood,”biometrika,vol.62,no.2,pp.269–276,1975.[0067]r.e.wright,“logisticregression.,”readingandunderstandingmultivariatestatistics,pp.217–244,1995.[0068]r.agarwal,n.frosst,x.zhang,r.caruana,andg.e.hinton,“neuraladditivemodels:interpretablemachinelearningwithneuralnets,”arxivpreprintarxiv:2004.13912,2020.[0069]在一实施例中，本发明的预测模型电路还电性连接环境感测器以感测心衰竭预测组件100周边的环境信息。环境感测器例如为加速度计或光感测器。环境感测器感测到的环境信息将作为预测模型电路50选择多个预测模型中的一个的依据。[0070]在事件发生时间的设定中，感兴趣的数值(quantityofinterest)为ecg信号测量及心衰竭发生的时间间隔，例如使用者第一次配戴具有本发明一实施例的心衰竭感测组件的感测器的时间点。如果使用者在观察期间发生心衰竭事件，本发明将标注此状况的事件发生期间，并且将此使用者的数据标注为未设限(uncensored)数据。如果使用者在观察期间皆没有发生心衰竭事件，本发明将标注整个观察期间，并且将此使用者的数据标注为设限(censored)数据。在分类的设定中，感兴趣的数值被设定为例如一年内的心衰竭预测结果。若使用者在此期间内发生心衰竭则标注为1，否则标注为0。[0071]在本发明另一实施例中，特征撷取电路3及预测模型电路5可被整合，并以多层感知器(multilayerperceptron，mlp)或是卷积神经网路(convolutionneuralnetwork，cnn)实现。举例来说，多层感知器从前处理电路1接收干净的ecg信号后，可直接输出未来一年内是否会发生心衰竭的预测结果。然而此实施例相较于前一实施例则缺少可解释性的特征向量。[0072]预测模型电路5中所使用的预测模型事先以大量数据训练而产生。本发明收集大量使用者的ecg信号及这些使用者发生心衰竭的事件发生时间，并将这些数据分为三组进行预测模型的训练、验证和测试。这三组数据不共享相同使用者的数据。本发明在训练集上训练预测模型，并使用验证集选择预测模型中的超参数(hyperparameter)以及离散二元预测时所采用的阈值。本发明使用三个指标来评估预测模型在测试集上的表现，包括使用事件发生时间标签的一致性指数(c-index，indexofconcordance)、曲线下面积(areaundercurve，auc)以及使用二元标签的平衡精确度(balancedaccuracy)，其包含平均敏感性(averagesensitivity)及特异性(specificity)。无论训练阶段的标签类型如何设置，auc和平衡精确度皆适用于处理不平衡的分类示例。[0073]下方表格展示本发明一实施例的心衰竭预测方法在上述三种指标的表现。[0074]模型一致性指数曲线下面积平衡精确度无pca0.7180.7620.713cox0.7830.8170.743lr0.7880.8090.743nam0.7980.8210.75224小时nam0.8100.8340.763[0075]由上方表格可看出，当在特征撷取电路30中应用pca且预测模型使用cox时，相较于未使用pca的预测模型，其一致性指数增加0.065，曲线下面积增加0.762，平衡精确度增加0.030。由上方表格亦可看出，使用nam预测模型具有最好的表现。[0076]上方表格列出了使用nam预测模型且收集使用者24小时的ecg信号，相较于使nam预测模型且收即使用者30秒的ecg信号，其表现在一致性指数减少0.012，在曲线下面积减少0.013，在平衡精确度减少0.011。由上述可知，本发明在较短的30秒信号测量中，其准确度相较于24小时长时间的测量仅微幅降低。换言之，本发明提出的心衰竭预测组件及方法极具测量效率。[0077]图5是本发明一实施例的心衰竭预测方法的流程图。步骤s1是“取得原始心电图信号”。步骤s2是“前处理电路依据该原始心电图信号产生干净心电图信号”。步骤s3是“特征撷取电路依据干净心电图信号进行主成分分解及心率特征分析以产生多维度的特征向量”。步骤s4是“预测模型电路依据特征向量产生预测结果”。各步骤的细节如前文所述，此处不再重复。[0078]图6是图5的步骤s3中关于“主成分分解”的详细流程图。步骤s31是“计算干净心电图信号的平均心搏周期”。步骤s32是“取得多个主成分波形及参考心搏周期”。需注意的是，步骤s31及步骤s32并不特别限制执行先后顺序。步骤s33是“将平均心搏周期减去参考心搏周期的结果投影至该些主成分波形以获得多个作为特征值的投影量”。各步骤的细节如前文所述，此处不再重复。[0079]综上所述，本发明提出的心衰竭预测组件及心衰竭预测方法，提出以新的特征：形状，其撷取自时间序列数据，配合心率及心率变异性进行郁血性心衰竭预测。本发明可产生具有可解释性的特征向量，借此让医生得以依据此特征向量所对应的临床症状向病患说明心衰竭成因。由于本发明的特征撷取电路中应用了主成分分析的技术，因此特征向量中包含心电图波形的形状特征。应用主成分分析同时也提高了本发明预测心衰竭的准确度，而且只需要收集短时间(例如30秒)的心电图信号即可产生未来长时间(例如数个月到数年)内的预测结果。当前第1页12当前第1页12
背景技术：
：：2.郁血性心衰竭(congestiveheartfailure，chf)是一种高度致命的综合症，其症状和体征是由心脏功能障碍引起的。在发展中国家，郁血性心衰竭的医疗保健支出占总医疗保健预算的一定比例。因此，提升对郁血性心衰竭的理解可能会产生强烈的社会和管理影响。3.众所周知，心电图(electrocardiogram，ecg)测试能被用来提取可预测的特征以评估个人患郁血性心衰竭的风险。4.ecg信号是量化心脏的电活动的循环信号。每个心搏周期(heartcycle)可以分解为五个波的总和，即p、q、r、s及t波。除了每个心搏周期的形状，心电图的另一个重要特征是心搏周期的持续时间，这些基于rr间隔的长度(即连续r峰之间的距离)进行测量，并且通常通过量化个体的心率(heartrate，hr)和心率变异性(heartratevariability，hrv)的变数进行汇总。5.计算机科学领域的机器学习(machinelearning)已被证明在建模一组可预测的变数和各种结果之间的复杂非线性关系方面非常成功。机器学习已被用于预测郁血性心衰竭的发展和其他结果，例如基于ecg信号的死亡。然而，因为机器学习方法是估计高维度特征之间的复杂非线性关系，因此通常很难解释这些高维度特征。6.此外，现今预测郁血性心衰竭的方法需要长时间的数据，尚不存在仅使用少量心电图数据便可建立适用于预测郁血性心衰竭的机器学习模型。技术实现要素：7.有鉴于此，本发明提供一个高测量效率且具有可解释性的心衰竭预测组件及心衰竭预测方法。8.依据本发明一实施例的一种心衰竭预测组件，包括：前处理电路，用于电性连接外部感测器以接收心电图的原始输入信号，该前处理电路用于过滤该原始输入信号的噪声以产生干净心电图信号；特征撷取电路，电性连接该前处理电路，该特征撷取电路依据该干净心电图信号计算多个心率特征值，依据多个主成分波形及该干净心电图信号产生多个形状特征值，并整合该些心率特征值及该些形状特征值以输出特征向量；以及预测模型电路，电性连接该特征撷取电路，该预测模型依据该特征向量产生预测结果；其中该预测结果用于指示在一指定期间内是否发生心衰竭。9.依据本发明一实施例的一种心衰竭预测方法，包括：以感测器取得原始心电图信号；以前处理电路依据该原始心电图信号产生干净心电图信号；以特征撷取电路依据该干净心电图信号进行主成分分解及心率特征分析以产生具有多个特征值的特征向量；以及以预测模型电路依据特征向量产生预测结果。10.综上所述，本发明提出的心衰竭预测组件及心衰竭预测方法，提出以新的特征：形状，其撷取自时间序列数据，配合心率及心率变异性进行郁血性心衰竭预测。本发明可产生具有可解释性的特征向量，借此让医生得以依据此特征向量所对应的临床症状向病患说明心衰竭成因。由于本发明的特征撷取电路中应用了主成分分析的技术，因此特征向量中包含心电图波形的形状特征。应用主成分分析同时也提高了本发明预测心衰竭的准确度，而且只需要收集短时间(例如30秒)的心电图信号即可产生未来长时间(数个月到数年)内的预测结果。11.以上关于本公开内容的说明及以下实施方式的说明用以示范与解释本发明的精神与原理，并且提供本发明的专利申请范围更进一步的解释。附图说明12.图1示出本发明一实施例的心衰竭预测组件的方框图；13.图2示出前处理电路的系统方框图；14.图3a及图3b呈现以前处理电路中的带通滤波器修正前后的心电图信号对比图；15.图4示出特征撷取电路的方框图；16.图5是本发明一实施例的心衰竭预测方法的流程图；以及17.图6是图5的步骤s3中关于“主成分分解”的详细流程图。18.附图标记说明：19.100心衰竭预测组件[0020]1ꢀꢀꢀ前处理电路[0021]12ꢀꢀ带通滤波器[0022]14ꢀꢀ正规化电路[0023]16ꢀꢀ品质检测电路[0024]3ꢀꢀꢀ特征撷取电路[0025]32ꢀꢀ心率特征撷取电路[0026]34ꢀꢀ形状特征撷取电路[0027]36ꢀꢀ特征整合电路[0028]5ꢀꢀꢀ预测模型电路[0029]30ꢀꢀ外部感测器[0030]50ꢀꢀ显示装置具体实施方式[0031]以下在实施方式中详细叙述本发明的详细特征以及特点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所公开的内容、权利要求书及图式，任何本领域技术人员可轻易地理解本发明相关的构想及特点。以下实施例进一步详细说明本发明的观点，但非以任何观点限制本发明的范围。[0032]请参考图1，其示出本发明一实施例的心衰竭预测组件100的方框图。所述的心衰竭预测组件100包括前处理电路1、特征撷取电路3以及预测模型电路5。[0033]前处理电路1用于电性连接外部感测器30，例如霍特感测器(holtermonitor)，以接收外部感测器30产生的心电图的原始输入信号。值得注意的是，有别于传统的预测方式需要长时间(例如约24小时)收集使用者的心电图测量信号，本发明的前处理电路1收集使用者的心电图测量信号的时间长度较短时间(例如约30秒)。[0034]请参考图2，其示出前处理电路1的系统方框图。在一实施例中，前处理电路1包括带通滤波器(band-passfilter)12、正规化电路14以及品质检测电路16。[0035]带通滤波器12用于电性连接图1的外部感测器30。在一实施例中，带通滤波器12用于过滤心电图原始信号的噪声，并且修正心电图原始信号的基线飘移(baselinewander)。修正前的心电图信号如图3a所示，修正后的心电图信号如图3b所示。修正后的心电图信号被发送至正规化电路14。[0036]正规化电路14电性连接带通滤波器12。在一实施例中，正规化电路14用于将修正后的心电图信号中的每个周期的最小值定义为0，最大值定义为1。换言之，正规化电路14将信号按比例缩放于[0,1]区间中，且不改变信号的原本分布。[0037]品质检测电路16电性连接正规化电路14。品质检测电路16用于评估经上述处理后的心电图信号的品质。具体来说，品质检测电路16计算心电图信号的信号品质指数(signalqualityindex，sqi)。sqi值高于指定阈值的信号片段被保留且作为特征撷取电路3的输入。sqi值低于指定阈值的信号片段被舍弃。[0038]本发明并不特别限制品质检测电路16的实施方式。在一实施例中，心衰竭感测组件10连接的外部感测器30还包含环境感测器，如加速度计或光感测器。环境感测器用于感测使用者的周边状态以产生修正参考信号，且带通滤波器12依据修正参考信号修正心电图原始信号。品质检测电路16依据修正后的心电图信号计算每个周期中的多个生理数值的标准值域，并判断每一个周期信号对应的生理数值与该标准值域之间的差异量，然后依据该些差异量计算出sqi。所述的标准值域例如可采用所述生理数值的平均值，或是采用这些生理数值建立一个分布模型，再取此分布模型的信赖区间作为标准值域。依据差异量计算信号品质指数的一实施方式为：品质检测电路16计算该些差异量中小于门槛值的数量占所有的该些差异量的总数的比例，并以该比例作为该信号品质指数。[0039]依据差异量计算信号品质指数的另一实施方式为：品质检测电路16依据每一差异量计算相关性，并依据该相关性与该些周期信号的总数计算该信号品质指数。[0040]特征撷取电路3电性连接前处理电路1以接收前处理电路1处理后的干净的心电图信号。图4是特征撷取电路3的方框图。特征撷取电路3包括心率特征撷取电路32、形状特征撷取电路34以及特征整合电路36。干净的心电图信号分别被输入至心率特征撷取电路32及形状特征撷取电路34。该两个特征电路32及34各自进行特征撷取之后，将各自的输出交由特征整合电路36串接(concatenate)后输出至预测模型电路5。[0041]整体而言，特征撷取电路3用于从心电图信号取出多个重要的特征并输出特征向量。此特征向量具有多个维度。在一实施例中，特征向量具有14维，其中10维的数据由心率特征撷取电路32对干净ecg信号进行运算后输出，另外4维的数据由形状特征撷取电路34对干净ecg信号进行运算后输出。上述维度数值仅为举例而非用以限制本发明。[0042]心率特征电路32所需输出的10维数据及其类型如下表所示，其中hr为心率(heartrate，hr)，hrv为心率变异性(heartratevariability，hrv)，r-r间隔(r-rinterval)为心电图信号中相邻两个r波波峰(peak)之间的距离，此距离可转换为心跳速率。[0043][0044][0045]上表中的特征的计算方式如下方式1至式9所示。[0046]式1：[0047]式2：[0048]式3：[0049]式4：[0050]式5：[0051]式6：[0052]其中，rrdiff[i]＝rrinterval[i 1]-rrinterval[i][0053]另外，[0054]式7：[0055]式8：[0056]式9：[0057]其中a[i]是x[i]在x＝-y上的投影，b[i]是x[i]在x＝y上的投影，而且x[i]＝[rrinterval[i]，rrinterval[i 1]]t[0058]在一实施例中，依据干净的心电图信号、给定的参考心搏周期μ(t)以及一组给定的主成分(principalcomponent)波形，形状特征撷取电路34可按照式10的计算得出特征向量中其余4维的数据，即式10中的sj。在本实施例中，该组主成分波形有4个，故j＝1,2,3,4。[0059]式10：[0060]详言之，形状特征撷取电路34从干净的心电图信号中计算平均心搏周期(averageheartcycle)c(t)。并将此平均心搏周期c(t)减去给定的参考心搏周期μ(t)的结果投影至4个主成分波形pcj(t)以获得各自维度的投影量sj。式10中的k为主成分波形的数量。上述流程即所谓的主成分分析(principlecomponentanalysis，pca)。给定一组函数数据(functionaldata)和基本函数，pca分解根据基本函数和相应的系数找到数据投影，以最小表示方式让可解释的变异性最大化。[0061]每一个主成分波形相当于该笔心电图信号的一种“形状的描述”。因此，这些主成分波形具有可解释性。实务上，医生可采用这些主成分波形对应的临床症状向病患清楚地展示心衰竭疾病的原因。此外每个主成分波形对应的系数sj还可作为医生判断此主成分波形重要程度的依据。[0062]实务上，形状特征撷取电路34预先收集大量的心电图数据并依据这些数据进行特征分析(eigenanalysis)，借此得到前述的多个主成分波形。[0063]特征整合电路36电性连接心率特征撷取电路32及形状特征撷取电路34。特征整合电路36将来自心率特征撷取电路32的多维度特征数据(在本实施例为10维)以及来自形状特征撷取电路34的多维度特征数据(在本实施例为4维)整合串接并进行数据范围的缩放调整(scaling)之后，输出多维度的特征向量(在本实施例为14维)至预测模型电路5。[0064]预测模型电路5电性连接特征撷取电路3以接收多维度的特征数据。预测模型电路5还用以电性连接显示装置50以呈现其输出的预测结果。预测模型电路5使用将多维度的特征数据输入至预测模型以产生一个预测结果。所述的预测模型基本上为线性的模型，其根据多维度的特征向量产生预测结果[0065]在一实施例中，预测模型电路5包含至少一个预测模型。举例来说，预测模型包含cox比例风险(coxproportionalhazard)模型、逻辑回归(logisticregressio，lr)模型以及神经添加模型(neuraladditivemodel，nam)。cox比例风险模型可输出事件发生时间(time-to-event)，例如“在本日测量ecg信号后的未来六个月内将不会罹患郁血性心衰竭”。lr模型及nam模型则属于分类模型，仅告知在未来的指定期间内(例如一年内)是否会罹患郁血性心衰竭。上述三个模型的实施细节可参考如下文献：[0066]d.r.cox,“partiallikelihood,”biometrika,vol.62,no.2,pp.269–276,1975.[0067]r.e.wright,“logisticregression.,”readingandunderstandingmultivariatestatistics,pp.217–244,1995.[0068]r.agarwal,n.frosst,x.zhang,r.caruana,andg.e.hinton,“neuraladditivemodels:interpretablemachinelearningwithneuralnets,”arxivpreprintarxiv:2004.13912,2020.[0069]在一实施例中，本发明的预测模型电路还电性连接环境感测器以感测心衰竭预测组件100周边的环境信息。环境感测器例如为加速度计或光感测器。环境感测器感测到的环境信息将作为预测模型电路50选择多个预测模型中的一个的依据。[0070]在事件发生时间的设定中，感兴趣的数值(quantityofinterest)为ecg信号测量及心衰竭发生的时间间隔，例如使用者第一次配戴具有本发明一实施例的心衰竭感测组件的感测器的时间点。如果使用者在观察期间发生心衰竭事件，本发明将标注此状况的事件发生期间，并且将此使用者的数据标注为未设限(uncensored)数据。如果使用者在观察期间皆没有发生心衰竭事件，本发明将标注整个观察期间，并且将此使用者的数据标注为设限(censored)数据。在分类的设定中，感兴趣的数值被设定为例如一年内的心衰竭预测结果。若使用者在此期间内发生心衰竭则标注为1，否则标注为0。[0071]在本发明另一实施例中，特征撷取电路3及预测模型电路5可被整合，并以多层感知器(multilayerperceptron，mlp)或是卷积神经网路(convolutionneuralnetwork，cnn)实现。举例来说，多层感知器从前处理电路1接收干净的ecg信号后，可直接输出未来一年内是否会发生心衰竭的预测结果。然而此实施例相较于前一实施例则缺少可解释性的特征向量。[0072]预测模型电路5中所使用的预测模型事先以大量数据训练而产生。本发明收集大量使用者的ecg信号及这些使用者发生心衰竭的事件发生时间，并将这些数据分为三组进行预测模型的训练、验证和测试。这三组数据不共享相同使用者的数据。本发明在训练集上训练预测模型，并使用验证集选择预测模型中的超参数(hyperparameter)以及离散二元预测时所采用的阈值。本发明使用三个指标来评估预测模型在测试集上的表现，包括使用事件发生时间标签的一致性指数(c-index，indexofconcordance)、曲线下面积(areaundercurve，auc)以及使用二元标签的平衡精确度(balancedaccuracy)，其包含平均敏感性(averagesensitivity)及特异性(specificity)。无论训练阶段的标签类型如何设置，auc和平衡精确度皆适用于处理不平衡的分类示例。[0073]下方表格展示本发明一实施例的心衰竭预测方法在上述三种指标的表现。[0074]模型一致性指数曲线下面积平衡精确度无pca0.7180.7620.713cox0.7830.8170.743lr0.7880.8090.743nam0.7980.8210.75224小时nam0.8100.8340.763[0075]由上方表格可看出，当在特征撷取电路30中应用pca且预测模型使用cox时，相较于未使用pca的预测模型，其一致性指数增加0.065，曲线下面积增加0.762，平衡精确度增加0.030。由上方表格亦可看出，使用nam预测模型具有最好的表现。[0076]上方表格列出了使用nam预测模型且收集使用者24小时的ecg信号，相较于使nam预测模型且收即使用者30秒的ecg信号，其表现在一致性指数减少0.012，在曲线下面积减少0.013，在平衡精确度减少0.011。由上述可知，本发明在较短的30秒信号测量中，其准确度相较于24小时长时间的测量仅微幅降低。换言之，本发明提出的心衰竭预测组件及方法极具测量效率。[0077]图5是本发明一实施例的心衰竭预测方法的流程图。步骤s1是“取得原始心电图信号”。步骤s2是“前处理电路依据该原始心电图信号产生干净心电图信号”。步骤s3是“特征撷取电路依据干净心电图信号进行主成分分解及心率特征分析以产生多维度的特征向量”。步骤s4是“预测模型电路依据特征向量产生预测结果”。各步骤的细节如前文所述，此处不再重复。[0078]图6是图5的步骤s3中关于“主成分分解”的详细流程图。步骤s31是“计算干净心电图信号的平均心搏周期”。步骤s32是“取得多个主成分波形及参考心搏周期”。需注意的是，步骤s31及步骤s32并不特别限制执行先后顺序。步骤s33是“将平均心搏周期减去参考心搏周期的结果投影至该些主成分波形以获得多个作为特征值的投影量”。各步骤的细节如前文所述，此处不再重复。[0079]综上所述，本发明提出的心衰竭预测组件及心衰竭预测方法，提出以新的特征：形状，其撷取自时间序列数据，配合心率及心率变异性进行郁血性心衰竭预测。本发明可产生具有可解释性的特征向量，借此让医生得以依据此特征向量所对应的临床症状向病患说明心衰竭成因。由于本发明的特征撷取电路中应用了主成分分析的技术，因此特征向量中包含心电图波形的形状特征。应用主成分分析同时也提高了本发明预测心衰竭的准确度，而且只需要收集短时间(例如30秒)的心电图信号即可产生未来长时间(例如数个月到数年)内的预测结果。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
