使用机器学习的心电图波分段的制作方法

背景技术：

1、心电图(ecg)使用定位在患者身体上的电极来检测患者的心博。来自ecg的测量结果通常被显示为波信号，其中心博由波中的波峰和波谷表示。可以通过监测波信号的各种特性(例如，个体心博的p波、qrs复合波和t波的特性)来检测不同的心脏事件和状况。

2、机器学习模型已经被应用于ecg波信号以检测心脏事件。这些机器学习系统面临的挑战是对由心博生成的分量波信号(例如p波、qrs复合波和t波)的准确识别。这些不准确的识别导致某些心脏状况被误诊或未被诊断，危及患者的健康。更糟糕的是，某些心脏状况(例如异位)导致连续心博的一部分在ecg测量结果中重叠。例如，心博的t波可能与下一个心博的p波重叠，这使得机器学习系统更难以准确识别t波和p波。

技术实现思路

1、根据一个示例(“示例1”)，一种方法包括将患者的心电图测量结果中分成多个分段，该多个分段包括心电图测量结果中的对应于患者的第一心博的第一部分和心电图测量结果中的对应于患者的第一心博和第二心博的第二部分。该方法还可包括分析心电图测量结果中的第二部分以识别心电图测量结果中的第二部分的特征集合并且至少基于心电图测量结果中的第一部分和心电图测量结果中的第二部分调整该特征集合。该方法可以进一步包括基于经调整的特征集合预测心电图测量结果中的第二部分中的包括由所述第二心博生成的p波的区域。

2、根据另一示例(“示例2”)，进一步根据示例1所述的方法，该方法还可包括基于经调整的特征集合预测心电图测量结果中的第二部分中的包括由第二心博生成的t波和由第二心博生成的qrs复合波的区域。

3、根据另一示例(“示例3”)，进一步根据示例1-2中任何一个所述的方法，心电图测量结果中的第二部分中的区域包括由第一心博生成的p波和t波两者。

4、根据另一示例(“示例4”)，进一步根据示例1-3中任何一个所述的方法，心电图测量结果中的第一部分和心电图测量结果中的第二部分具有相同的持续时间。

5、根据另一示例(“示例5”)，进一步根据示例1-4中任何一个所述的方法，分析心电图测量结果中的第二部分以识别特征集合是使用深度神经网络来执行的。

6、根据另一示例(“示例6”)，进一步根据示例1-5中任何一个所述的方法，调整特征集合是使用长短时存储器电路来执行。

7、根据另一示例(“示例7”)，进一步根据示例1-6中任何一个所述的方法，该方法还可以包括至少基于p波预测患者的心脏事件。

8、根据另一示例(“示例8”)，进一步根据示例1-7中任何一个所述的方法，预测包括p波的区域包括预测p波的开始时间和p波的结束时间。

9、根据另一示例(“示例9”)，进一步根据示例1-8中任何一个所述的方法，第二心博发生在第一心博之后。

10、根据一个示例(“示例10”)，一种装置包括存储器；以及通信地耦合到存储器的硬件处理器，该硬件处理器被配置为：将患者的心电图测量结果划分为多个分段，该多个分段包括心电图测量结果中的对应于患者的第一心博的第一部分和心电图测量结果中的对应于患者的第一心博和第二心博的第二部分；分析心电图测量结果中的第二部分以识别心电图测量结果中的第二部分的特征集合；至少基于心电图测量结果中的第一部分和心电图测量结果的第二部分调整特征集合，并基于经调整的特征集合预测心电图测量结果中的第二部分中的包括由第二心博生成的p波的区域。

11、根据另一示例(“示例11”)，进一步根据示例10所述的装置，硬件处理器进一步被配置为基于经调整的特征集合预测心电图测量结果中的第二部分中的包括由第二心博生成的t波和由第二心博生成的qrs复合波的区域。

12、根据另一示例(“示例12”)，进一步根据示例10-11所述的装置，心电图测量结果中的第二部分中的区域包括由第一心博生成的p波和t波两者。

13、根据另一示例(“示例13”)，进一步根据示例10-12所述的装置，心电图测量结果中的第一部分和心电图测量结果中的第二部分具有相同的持续时间。

14、根据另一示例(“示例14”)，进一步根据示例10-13所述的装置，分析心电图测量结果中的第二部分以识别特征集合是使用深度神经网络来执行的。

15、根据另一示例(“示例15”)，进一步根据示例10-14所述的装置，调整特征集合是使用长短时存储器电路来执行的。

16、根据另一示例(“示例16”)，进一步根据示例10-15所述的装置，硬件处理器进一步配置为至少基于p波预测患者的心脏事件。

17、根据另一示例(“示例17”)，进一步根据示例10-16所述的装置，预测包括p波的区域包括预测p波的开始时间和p波的结束时间。

18、根据另一示例(“示例18”)，进一步根据示例10-17所述的装置，第二心博发生在第一心博之后。

19、根据一个示例(“示例19”)，一种方法包括分析心电图测量结果中的与患者的第一心博和第二心博相对应的第一分段，以识别心电图测量结果中的第一分段的特征集合；至少基于与第一心博相对应的心电图测量结果中的第一分段和第二分段调整该特征集合；以及基于经调整的特征集合来预测心电图测量结果中的第二分段中的包括由第二心博生成的p波的区域。

20、根据另一示例(“示例20”)，进一步根据示例19所述的方法，该方法进一步包括基于经调整的特征集合来预测心电图测量结果中的第二分段中的包括由第二心博生成的t波和由第二心博生成的qrs复合波的区域。

21、本概述是本申请的一些教导的概述，而非旨在是对本主题的排他性或详尽的处理。关于本主题的进一步细节在详细描述和所附权利要求中找到。本公开的其它方面对于本领域技术人员在阅读和理解以下详细描述并查看构成其一部分的附图时将是显而易见的，其中的每一个都不应被视为具有限制的意义。本公开的范围由所附权利要求及其法律等同物限定。

技术特征：

1.一种方法，包括：

2.根据权利要求1所述的方法，还包括基于所述经调整的特征集合来预测所述心电图测量结果中的第二部分中的包括由所述第二心博生成的t波和由所述第二心博生成的qrs复合波的区域。

3.根据权利要求1-2中任一项所述的方法，其中，所述心电图测量结果中的第二部分中的区域包括由所述第一心博生成的p波和t波两者。

4.根据权利要求1-3中任一项所述的方法，其中，所述心电图测量结果中的第一部分和所述心电图测量结果中的第二部分具有相同的持续时间。

5.根据权利要求1-4中任一项所述的方法，其中，所述分析所述心电图测量结果中的第二部分以识别所述特征集合是使用深度神经网络来执行的。

6.根据权利要求1-5中任一项所述的方法，其中，所述调整所述特征集合是使用长短时存储器电路来执行的。

7.根据权利要求1-6中任一项所述的方法，还包括至少基于所述p波来预测所述患者的心脏事件。

8.根据权利要求1-7中任一项所述的方法，其中，预测包括所述p波的区域包括预测所述p波的开始时间和所述p波的结束时间。

9.根据权利要求1-8中任一项所述的方法，其中，所述第二心博发生在所述第一心博之后。

10.一种装置，包括：

11.根据权利要求10所述的装置，其中，所述硬件处理器进一步被配置为基于所述经调整的特征集合来预测所述心电图测量结果中的第二部分中的包括由所述第二心博生成的t波和由所述第二心博生成的qrs复合波的区域。

12.根据权利要求10-11中任一项所述的装置，其中，所述心电图测量结果中的第二部分中的区域包括由所述第一心博生成的p波和t波两者。

13.根据权利要求10-12中任一项所述的装置，其中，所述心电图测量结果中的第一部分和所述心电图测量结果中的第二部分具有相同的持续时间。

14.根据权利要求10-13中任一项所述的装置，其中，所述分析所述心电图测量结果中的第二部分以识别所述特征集合是使用深度神经网络来执行的。

15.根据权利要求10-14中任一项所述的装置，其中，所述调整所述特征集合是使用长短时存储器电路来执行的。

技术总结一种方法包括获取患者的心脏事件的多个指示、在心脏事件期间患者的心率以及心脏事件的持续时间。该方法还包括基于在心脏事件期间患者的心率和心脏事件的持续时间从多个指示中选择指示的子集，并基于由指示的子集所指示的心脏事件期间患者的心率和基于由指示的子集指示的心脏事件的持续时间对该指示的子集进行排序，以产生经排序的指示列表。该方法进一步包括从经排序的列表中传送在经排序的列表中处于第一位的指示以用于临床回顾。技术研发人员：本杰明·A·特普利茨基受保护的技术使用者：波士顿科学心脏诊断公司技术研发日：技术公布日：2024/6/11