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(electrocardiogram，ecg)使用定位在患者身体上的电极来检测患者的心跳。来自ecg的测量结果典型地显示为波信号，心跳由波中的波峰和波谷表示。不同的心脏事件和状况可以通过监测波信号的各种特性(例如，由各个心跳生成的p波、qrs波群和t波的特性)来检测。

2、机器学习模型已被应用于ecg波信号以检测心脏事件。一种用于训练或应用机器学习模型的技术涉及对波形信号进行归一化(normalizing)，这提高了收敛性。然而，将ecg波信号进行归一化既复杂且具有挑战性，因为不同的波信号可能来自于具有不同电压范围、增益和/或滤波器的不同ecg设备。即使波信号来自于相同ecg设备，连接到患者的ecg传感器的劣化也可能会导致测量到的波信号随时间推移而变化。此外，不同的ecg波信号可能在具有影响波信号的不同水平的噪声或干扰的不同环境中生成。例如，一些ecg波信号可能包括电压尖峰，这些电压尖峰不由心跳生成但负面影响归一化并降低其质量。又例如，一些干扰可能导致ecg波信号在电压供应轨(voltage supply rail)处衰减(这可以被称为“贴轨(railing)”)。当波信号被滤波时，波信号的衰减分段可能会被完全移除，这使得该分段看起来像是心跳停止(这可以被称为“假停搏(false pause)”)。

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划分成多个分段；使用机器学习模型，将多个分段中的第一分段分类为伪迹(artifact)；将除对应于第一分段的心电图测量结果以外的对应于多个分段的心电图测量结果进行归一化，以产生归一化后的心电图测量结果；以及将机器学习模型应用于归一化后的心电图测量结果，以检测患者的心脏事件。

2、根据示例1所述的方法的另一个示例(“示例2”)，第一分段基于第一分段中的电压尖峰被分类为伪迹。

3、根据示例1至2中任一项所述的方法的另一个示例(“示例3”)，将第一分段分类为伪迹包括：使用机器学习模型，将第一分段分类为表明患者的心脏停止的停搏；确定将第一分段为停搏是正确的概率；以及响应于确定该概率没有达到阈值，将第一分段分类为伪迹。

4、根据示例1至3中任一项所述的方法的另一个示例(“示例4”)，该方法还包括：使用标记的心电图测量结果来训练机器学习模型，其中该标记的心电图测量结果包括标记的分段，并且其中该标记的分段包括标记为伪迹的分段。

5、根据示例1至4中任一项所述的方法的另一个示例(“示例5”)，将心电图测量结果进行归一化包括：改变心电图测量结果的电压电平，使得心电图测量结果的平均电压电平为零，并且使得心电图测量结果的标准偏差为一。

6、根据示例1至5中任一项所述的方法的另一个示例(“示例6”)，将第一分段分类为伪迹还包括：确定将第一分段分类为伪迹是正确的概率；以及响应于确定该概率达到阈值，将第一分段分类为伪迹。

7、根据示例1至6中任一项所述的方法的另一个示例(“示例7”)，多个分段中的每个分段具有相同的持续时间。

8、根据一个示例(“示例8”)，一种装置包括：存储器；和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成多个分段；使用机器学习模型将多个分段中的第一分段分类为伪迹；将除对应于第一分段的心电图测量结果以外的对应于多个分段的心电图测量结果进行归一化，以产生归一化后的心电图测量结果；以及将机器学习模型应用于归一化后的心电图测量结果，以检测患者的心脏事件。

9、根据示例8所述的装置的另一个示例(“示例9”)，第一分段基于第一分段中的电压尖峰被分类为伪迹。

10、根据示例8至9中任一项所述的装置的另一个示例(“示例10”)，将第一分段分类为伪迹包括：使用机器学习模型，将第一分段分类为表明患者的心脏停止的停搏；确定将第一分段分类为停搏是正确的概率；以及响应于确定该概率没有达到阈值，将第一分段分类为伪迹。

11、根据示例8至10中任一项所述的装置的另一个示例(“示例11”)，硬件处理器还被配置为使用标记的心电图测量结果来训练机器学习模型，其中该标记的心电图测量结果包括标记的分段，并且其中该标记的分段包括标记为伪迹的分段。

12、根据示例8至11中任一项所述的装置的另一个示例(“示例12”)，将心电图测量结果进行归一化包括：改变心电图测量结果的电压电平，使得心电图测量结果的平均电压电平为零，并且使得心电图测量结果的标准偏差为一。

13、根据示例8至12中任一项所述的装置的另一个示例(“示例13”)，将第一分段分类为伪迹还包括：确定将第一分段分类为伪迹是正确的概率；以及响应于确定该概率达到阈值，将第一分段分类为伪迹。

14、根据示例8至13中任一项所述的装置的另一个示例(“示例14”)，多个分段中的每个分段具有相同的持续时间。

15、根据一个示例(“示例15”)，一种方法包括：使用机器学习模型，将心电图测量结果的一部分分类为伪迹；将除分类为伪迹的心电图测量结果的该部分以外的心电图测量结果进行归一化；以及将机器学习模型应用于归一化后的心电图测量结果以检测心脏事件。

16、根据示例15所述的方法的另一个示例(“示例16”)，该部分基于该部分中的电压尖峰被分类为伪迹。

17、根据示例15至16中任一项所述的方法的另一个示例(“示例17”)，将该部分分类为伪迹包括：使用机器学习模型将该部分分类为表明心脏停止的停搏；确定将该部分分类为停搏是正确的概率；以及响应于确定该概率没有达到阈值将该部分分类为伪迹。

18、根据示例15至17中任一项所述的方法的另一个示例(“示例18”)，该方法还包括：使用标记的心电图测量结果来训练机器学习模型，其中该标记的心电图测量结果包括标记的分段，并且其中该标记的分段包括标记为伪迹的分段。

19、根据示例15至18中任一项所述的方法的另一个示例(“示例19”)，将心电图测量结果进行归一化包括：改变心电图测量结果的电压电平，使得心电图测量的平均电压电平为零，并且使得心电图测量的标准偏差为一。

20、根据示例15至19中任一项所述的方法的另一个示例(“示例20”)，将该部分分类为伪迹还包括：确定将该部分分类为伪迹是正确的概率；以及响应于确定该概率达到阈值，将该部分分类为伪迹。

21、本技术实现要素：是本申请的一些教导的概述，并且不旨在对本主题进行排他性或穷举性的处理。关于本主题的更多细节在详细描述和所附权利要求中找到。对于本领域技术人员而言，在阅读和理解以下详细描述并查看构成其一部分的附图后，本公开的其他方面将是显而易见的，其中的每个附图都不具有限制性意义。本公开的范围由所附权利要求及其法律等同物定义。

技术特征：

1.一种方法，所述方法包括：

2.根据权利要求1所述的方法，其中，所述第一分段基于所述第一分段中的电压尖峰被分类为所述伪迹。

3.根据权利要求1至2中任一项所述的方法，其中，将所述第一分段分类为所述伪迹包括：

4.根据权利要求1至3中任一项所述的方法，还包括：使用标记的心电图测量结果来训练所述机器学习模型，其中所述标记的心电图测量结果包括标记的分段，并且其中所述标记的分段包括标记为伪迹的分段。

5.根据权利要求1至4中任一项所述的方法，其中，将所述心电图测量结果进行归一化包括：改变所述心电图测量结果的电压电平，使得所述心电图测量结果的平均电压电平为零，并且使得所述心电图测量结果的标准偏差为一。

6.根据权利要求1至5中任一项所述的方法，其中，将所述第一分段分类为所述伪迹还包括：

7.根据权利要求1至6中任一项所述的方法，其中，所述多个分段中的每个分段具有相同的持续时间。

8.一种装置，包括：

9.根据权利要求8所述的装置，其中，所述第一分段基于所述第一分段中的电压尖峰被分类为所述伪迹。

10.根据权利要求8至9中任一项所述的装置，其中，将所述第一分段分类为所述伪迹包括：

11.根据权利要求8至10中任一项所述的装置，其中，所述硬件处理器还被配置为使用标记的心电图测量结果来训练所述机器学习模型，其中所述标记的心电图测量结果包括标记的分段，并且其中所述标记的分段包括标记为伪迹的分段。

12.根据权利要求8至11中任一项所述的装置，其中，将所述心电图测量结果进行归一化包括：改变所述心电图测量结果的电压电平，使得所述心电图测量结果的平均电压电平为零，并且使得所述心电图测量结果的标准偏差为一。

13.根据权利要求8至12中任一项所述的装置，其中，将所述第一分段分类为所述伪迹还包括：

14.根据权利要求8至13中任一项所述的装置，其中，所述多个分段中的每个分段具有相同的持续时间。

技术总结一种方法包括：将患者的心电图测量结果划分成多个分段；并且使用机器学习模型，将多个分段中的第一分段分类为伪迹。该方法还包括：将除对应于第一分段的心电图测量结果以外的对应于多个分段的心电图测量结果进行归一化，以产生归一化后的心电图测量结果；并且将机器学习模型应用于归一化后的心电图测量结果，以检测患者的心脏事件。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：2024/6/13