ES2960027T3 - Detección de anomalías en las señales de ECG - Google Patents

Detección de anomalías en las señales de ECG Download PDF

Info

Publication number
ES2960027T3
ES2960027T3 ES19730905T ES19730905T ES2960027T3 ES 2960027 T3 ES2960027 T3 ES 2960027T3 ES 19730905 T ES19730905 T ES 19730905T ES 19730905 T ES19730905 T ES 19730905T ES 2960027 T3 ES2960027 T3 ES 2960027T3
Authority
ES
Spain
Prior art keywords
classification
layers
subset
final
ecg
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES19730905T
Other languages
English (en)
Inventor
James Charles
Rameen Shakur
Roberto Cipolla
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cambridge Heartwear Ltd
Original Assignee
Cambridge Heartwear Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cambridge Heartwear Ltd filed Critical Cambridge Heartwear Ltd
Application granted granted Critical
Publication of ES2960027T3 publication Critical patent/ES2960027T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/332—Portable devices specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Detection And Correction Of Errors (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

Un método para detectar anomalías en señales de ECG, que comprende: proporcionar una señal de ECG a una red neuronal; dentro de un primer subconjunto de capas (210, 220) de la red neuronal, realizar una primera serie de operaciones de convolución; en una capa final (222) del primer subconjunto de capas (210, 220), determinar una clasificación preliminar que comprende una pluralidad de estimaciones de clasificación preliminar, correspondiendo cada estimación de clasificación preliminar a un segmento de tiempo de la señal de ECG; determinar datos de entrada para un segundo subconjunto de capas de la red neuronal concatenando la clasificación preliminar con la salida de una capa del primer subconjunto de capas (210, 220) que precede a la capa final (222) del primer subconjunto de capas (210, 220); dentro del segundo subconjunto de capas (240, 250) de la red neuronal, realizar una segunda serie de operaciones de convolución; en una capa final (252) del segundo subconjunto de capas (240, 250), determinar una clasificación final que comprende una pluralidad de estimaciones de clasificación final, correspondiendo cada estimación de clasificación final a un segmento de tiempo de la señal de ECG. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Detección de anomalías en las señales de ECG
Campo de la invención
La presente divulgación se refiere a un método y un aparato para detectar anomalías en la señal del electrocardiograma (ECG), y a un sistema para mejorar la salud cardiovascular.
Antecedentes de la invención
Cada año, más de 2 millones de personas en el Reino Unido se ven afectadas por arritmia cardíaca (anomalías del ritmo cardíaco) las cuales pueden provocar un accidente cerebrovascular, un paro cardíaco, o incluso una muerte cardíaca súbita. En particular, la fibrilación auricular (FA) es responsable del 20% de todos los accidentes cerebrovasculares causados por coágulos (ictus isquémico). La población de pacientes con FA es de alrededor de 1.5 millones solo en el Reino Unido.
Sin embargo, la detección precoz permite iniciar un tratamiento el cual permita a los pacientes llevar una vida normal, por lo que es de gran importancia. Sin embargo, la FA en etapas tempranas ocurre esporádicamente y de manera inconsistente en episodios cortos, denominados “FA paroxística”, los cuales pueden ser difíciles de detectar en pruebas cortas. Esto es antes de convertirse en episodios más sostenidos, denominados “FA persistente”. En estas primeras etapas, es necesario un seguimiento las 24 horas del día para captar estos breves episodios.
Las soluciones existentes son adecuadas para detectar lo que se conoce como “FA clínica”, al operar en el orden de los minutos y diagnosticar en función de la fracción de tiempo que se pasa con FA y sin FA. Este enfoque minimiza el potencial de falsas alarmas. Sin embargo, los episodios muy cortos de FA que pueden ser “subclínicos” durante la etapa paroxística pueden pasar desapercibidos por dichos algoritmos.
La FA es el tipo más común de arritmia cardíaca y es una afección del corazón en donde las aurículas (cámaras superiores del corazón) no se coordinan bien para bombear sangre por todo el cuerpo. Esto puede permitir que se formen coágulos de sangre, lo cual puede provocar un accidente cerebrovascular cuando viajan al cerebro.
Tener FA aumenta 5 veces el riesgo de accidente cerebrovascular en pacientes [1] y el riesgo general de muerte en pacientes dos veces [2]. Un accidente cerebrovascular afecta a 100,000 personas al año en Inglaterra y Gales [3] (equivalente a una persona cada 5 minutos), y el 20 % de todos los accidentes cerebrovasculares causados por dichos coágulos (conocidos como ictus isquémicos) son el resultado de la FA [4]. Se estima que 1.5 millones de personas en el Reino Unido tienen FA actualmente [2], y el NHS gasta más de 2.200 millones de libras esterlinas al año en el tratamiento de la FA y enfermedades relacionadas con la FA [2]. Cuando los adultos alcanzan los 40 años de edad, tienen un riesgo de por vida de alrededor del 25 % de desarrollar FA [5].
Si se detecta FA, los pacientes pueden recibir tratamiento y medicamentos como anticoagulantes (Warfarina en particular), los cuales pueden reducir el riesgo de accidente cerebrovascular hasta en dos tercios [6], y el riesgo de muerte en un tercio sin aumentar significativamente el riesgo de sangrado mayor [2]. Los pacientes con accidentes cerebrovasculares requieren una recuperación prolongada, y muchos sufren daños neuronales permanentes. Esto tiene un impacto significativo en la fuerza laboral y la economía, estimado en alrededor de 2.400 millones de libras esterlinas por año [2].
La Figura 1 ilustra una señal básica de electrocardiógrafo (ECG). Este tiene diversos puntos, los cuales están etiquetados como P, Q, R, S, y T. Estas características surgen de las señales eléctricas que pasan a través de los diferentes músculos del corazón de manera procesal para permitir que el corazón bombee sangre normalmente. Las estadísticas de voltaje y tiempo (altura, ancho, e intervalos de tiempo de las diversas características) son clave para diagnosticar anomalías en el ritmo cardíaco. Lo más significativo es que la onda P es el resultado de la actividad en las aurículas.
La Figura 2 ilustra una serie de señales de ECG las cuales los médicos pueden utilizar en las clínicas para detectar la FA. Son, en orden de fiabilidad:
- Intervalos R-R irregularmente irregulares
- Ondas P faltantes
- Presencia de ondas fibrilatorias en la línea de base del ECG.
Usar cada indicador por separado tiene sus contratiempos, pero estos indicadores funcionan bien cuando se usan juntos. Los intervalos R-R irregulares, si bien son los más fáciles de detectar en la mayoría de las circunstancias, pueden no indicar FA en algunos casos, ya que existen otras arritmias que también presentan intervalos R-R irregulares.
Las ondas P faltantes son difíciles de observar en los casos en que hay niveles de ruido altos, los cuales pueden oscurecer la línea de base de la señal de ECG, o si los cables de ECG no están colocados en posiciones para captar de manera eficiente las señales eléctricas de las aurículas. También hay otras arritmias que exhiben ondas P retrasadas o avanzadas, lo que complica la detección.
Las ondas fibrilatorias en la línea base del ECG son las más difíciles de observar porque son irregulares y su amplitud varía de gruesa a fina [7]. Por lo tanto, son fácilmente oscurecidas por el ruido y otras interferencias, tal como la actividad eléctrica de los músculos. Debido a esto, las ondas fibrilatorias se consideran un “marcador suave” de FA.
Para empeorar las cosas, la FA ocurre esporádicamente (denominada “FA paroxística”) en un paciente en una etapa temprana, antes de volverse continua (denominada “FA persistente”) en una etapa posterior del paciente. A la vez que se encuentra en la etapa inicial, un paciente puede presentar FA solo en condiciones fisiológicas específicas (por ejemplo, cuando está bajo estrés físico, si consume alcohol, etc.) y estos episodios esporádicos de FA pueden ocurrir durante períodos de tiempo muy cortos, del orden de segundos. Esto significa que para la detección temprana, se necesita un seguimiento continuo para que exista la oportunidad de capturar y reconocer estos breves episodios de FA.
Ya existen algoritmos informáticos para la detección de la FA. El enfoque habitual es diagnosticar la FA por un umbral de carga de FA (es decir, el porcentaje de latidos los cuales son FA en una determinada ventana de tiempo), como se ve en [8], para reducir los falsos positivos y el diagnóstico. Esto funciona bien para el diagnóstico de lo que se denomina “FA clínica”.
Sin embargo, durante la etapa de la FA paroxística, estos episodios pueden ser lo suficientemente cortos como para que los algoritmos de detección los pasen por alto. Estos episodios muy breves se denominan “FA subclínica”. De acuerdo con una investigación reciente [9], ser diagnosticado con FA subclínica coloca a un individuo en 5.5 veces el riesgo de desarrollar FA clínica y 2.5 veces el riesgo de accidente cerebrovascular, ambos en un período de aproximadamente 2.5 años. Por lo tanto, la detección temprana de FA puede tener un impacto significativo, pero requiere una gran precisión en el algoritmo, y en altas resoluciones.
Se han utilizado técnicas de aprendizaje automático para clasificar los datos de ECG (véanse las referencias [10] y [14] a [17]), pero existe un considerable margen de mejora. KIRANYAZ SERKAN ET AL, “Clasificación de Ec G específica del paciente en tiempo real mediante redes neuronales convolucionales 1-D”, TRANSACCIONES IEEE EN INGENIERÍA BIOMÉDICA, CENTRO DE SERVICIO IEEE, PISCATAWAY, NJ, Estados Unidos, volumen 63, número 3, doi: 10.1109/TBME.2015.2468589, ISSN 0018-9294, (20160301), páginas 664 - 675, divulga un sistema de clasificación y monitorización de ECG que emplea redes neuronales convolucionales 1D.
Shaojie Bai ET AL, “Modelado de secuencia convolucional revisado”, OpenReview.net, (20180212), páginas 1 - 20, URL: https://openreview.net/forum?id=BJEX-H1Pf, divulga una evaluación sistemática de arquitecturas convolucionales y recurrentes genéricas para el modelado de secuencias.
ABHILASHA M PATEL ET AL, “Extracción de funciones de ECG en tiempo real y detección de arritmias en una plataforma móvil”, REVISTA INTERNACIONAL DE APLICACIONES INFORMÁTICAS, (20120401), volumen 44, número 23, páginas 40 - 45, divulga la detección de arritmia con base en la posición de una onda P, un complejo QRS, un pico R y una onda T.
Resumen de la invención
La invención se define en las reivindicaciones independientes adjuntas. Las realizaciones preferidas se definen en las reivindicaciones dependientes adjuntas.
Breve descripción de los dibujos
Se describirán realizaciones de la invención, únicamente a modo de ejemplo, con referencia a los dibujos adjuntos, en los cuales:
la Figura 1 es un gráfico de una señal de electrocardiógrafo (ECG) básica;
la Figura 2 es una serie de señales de ECG las cuales pueden ser utilizadas por médicos en clínicas para la detección de FA;
la Figura 3 es una arquitectura general de ejemplo de acuerdo con una realización;
la Figura 4 es una metodología general para detectar anomalías en las señales de ECG de acuerdo con una realización;
la Figura 5 es un diagrama esquemático de una red neuronal para usar en una realización;
la Figura 6 ilustra el efecto de las circunvoluciones dilatadas en la expansión del campo receptivo de las neuronas; la Figura 7 es un diagrama esquemático de un primer subconjunto de capas de una red neuronal para usar en una realización;
la Figura 8 es un conjunto de gráficos que muestran estimaciones de clasificación final de ejemplo obtenidas de acuerdo con una realización; y
la Figura 9 es otro conjunto de gráficos que muestran estimaciones de clasificación final de ejemplo obtenidas de acuerdo con una realización.
Descripción detallada de las realizaciones preferidas
La Figura 3 ilustra una arquitectura de sistema general de ejemplo de acuerdo con una realización de la presente invención. Se proporciona un dispositivo 305 de ECG, el cual comprende al menos un electrodo y un circuito de lectura asociado para obtener señales de electrocardiograma del sujeto. El dispositivo de ECG puede comprender además un convertidor de analógico a digital para convertir la señal de ECG y realizar cualquier procesamiento necesario para producir datos de ECG. Se puede proporcionar un microprocesador o microcontrolador, configurado para realizar algún procesamiento en los datos del electrocardiograma (por ejemplo, normalización, filtrado, etc.). El dispositivo de ECG puede comprender además un transmisor para comunicar de forma inalámbrica datos de ECG en bruto o procesados, por ejemplo, a través de un canal Bluetooth de baja energía, o cualquier otro canal de comunicación inalámbrico.
El dispositivo 305 de ECG se puede llevar puesto y puede comprender una correa para el pecho para mantener el al menos un electrodo en contacto con el sujeto en una configuración separada. El dispositivo 305 de ECG puede comprender un solo electrodo, o múltiples electrodos.
El dispositivo 310 móvil está configurado para recibir los datos de ECG a partir del dispositivo 305 de ECG a través de un módulo de recepción de datos (por ejemplo, un módulo de comunicación inalámbrica). El dispositivo 310 móvil puede configurarse para almacenar en memoria intermedia y cargar los datos de ECG en el servidor 315 y/o puede configurarse para realizar algún análisis del ECG. En algunas realizaciones, el dispositivo 310 móvil puede configurarse para verificar emergencias como un paro cardíaco. El dispositivo 310 móvil puede responder al análisis, por ejemplo, para enviar una alerta o un mensaje al cardiólogo en el caso de una anomalía importante. El dispositivo 310 móvil comprende un transmisor para comunicar datos al servidor (por ejemplo, a través de una red de comunicación de datos móviles, tal como 3G, 4G, etc.).
En algunas realizaciones, el dispositivo 310 móvil está configurado para realizar un análisis previo, y el servidor 315 está configurado para ejecutar un análisis más desarrollado de los datos de ECG. En algunas realizaciones, el dispositivo 310 móvil puede configurarse para realizar un análisis completo de los datos de ECG localmente usando una red neuronal, y puede comprender un módulo de informes para transmitir un informe que incluye el análisis al servidor, o a un usuario (por ejemplo, a través de una pantalla del dispositivo móvil).
El servidor comprende un módulo de recepción de datos para recibir datos a través de una red y un módulo de informes para informar la clasificación final estimada al sujeto y/o al cardiólogo. La red neuronal (ya sea que esté implementada en el dispositivo móvil o en el servidor) puede proporcionar una clasificación preliminar de los datos de ECG. El módulo de informes puede proporcionar un informe en el cual se resaltan las regiones de interés en los datos del ECG para facilitar una revisión sencilla por parte del cardiólogo 320. Esto puede reducir en gran medida la carga de trabajo del cardiólogo 320, y hacer factible la monitorización de los ECGs del sujeto durante largos periodos (por ejemplo, de forma continua o casi continua).
Con referencia a la Figura 4, se muestra una descripción general de un proceso para identificar anomalías en los datos de ECG.
En 110 se obtienen datos de ECG, por ejemplo, usando el dispositivo 305 de ECG descrito con referencia a la Figura 3, o a partir del dispositivo 310 móvil o el servidor 315.
En 120, los datos de ECG se procesan previamente. Esto puede comprender al menos uno de entre filtrar, normalizar y volver a muestrear los datos a una velocidad de datos específica. En una realización, la etapa de preprocesamiento puede comprender volver a muestrear datos de ECG. El nuevo muestreo puede ser a una velocidad de al menos 60 Hz, y preferiblemente de al menos 100 Hz (por ejemplo, 120 Hz). En algunas realizaciones, se puede omitir la etapa de preprocesamiento y se pueden proporcionar datos de ECG sin procesar a la red neuronal.
En 200 se utiliza una red neuronal para clasificar los datos de ECG. La red neuronal puede ser una red neuronal convolucional (CNN), y está configurada para proporcionar una salida 150 de clasificación. La clasificación 150 puede ser densa, por ejemplo, con una frecuencia de al menos 2 Hz, preferiblemente de al menos 5 Hz (por ejemplo, 7.5 Hz).
La salida de clasificación de la red neuronal comprende un conjunto de probabilidades correspondientes a cada una de una pluralidad de clasificaciones para cada período de tiempo de la señal de ECG de entrada. Por ejemplo, la red neuronal puede usar clasificaciones de “FA” y “no-FA”, y la salida de la clasificación puede proporcionar una estimación de la probabilidad para cada período de 0.2 s de que la señal de entrada (es decir, a 5 Hz) sea “FA” y “no-FA”. Dado que estas clasificaciones de ejemplo son mutuamente excluyentes, la suma de sus probabilidades será igual a 1, pero se apreciará que este no será necesariamente el caso (dependiendo de qué clasificaciones se busquen en la red neuronal). Se pueden usar otros tipos de clasificación, y la frecuencia de clasificación puede diferir de 5 Hz (la cual es simplemente a modo de ejemplo). La frecuencia de clasificación real dependerá de la arquitectura de la red neuronal, como se desprende de la discusión a continuación.
En algunas realizaciones, la red neuronal puede implementarse en un servidor (por ejemplo, en la nube y/o remoto del usuario), por ejemplo, mediante el uso de procesamiento de GPU, o en una unidad de procesamiento neuronal especializada (por ejemplo, Intel Nervana, unidad de procesamiento de Google Tensor, Motor Neural Apple , Cadence Tensilica o similar). La red neuronal puede estar alojada en un servicio informático en la nube, tales como los servicios de Amazon Machine Learning, Azure Machine Learning, Google Cloud AI o similares.
Una red neuronal con base en servidor (o servicio en la nube) puede procesar de manera rápida y eficiente los datos de una gran cantidad de usuarios diferentes, y proporcionar una plataforma a la que puede acceder un cardiólogo para revisar la información. En otras realizaciones, la red neuronal puede implementarse localmente (por ejemplo, en un dispositivo móvil). Esto puede significar que los datos identificables del paciente se mantengan locales en el propio dispositivo del paciente.
Los resultados pueden estar disponibles para que los revise un cardiólogo, por ejemplo, a través de una plataforma accesible en la web. La plataforma puede proporcionar datos de ECG al cardiólogo con regiones de particular interés resaltadas, de acuerdo con la clasificación 150 de la red neuronal. Por ejemplo, las regiones clasificadas como “FA” con una probabilidad superior a un umbral predeterminado (por ejemplo, 0.8) se pueden marcar o resaltar para que un cardiólogo las revise. También se puede usar un umbral con base en la duración para determinar las regiones de interés (por ejemplo, FA con una probabilidad de >0.8, durante un período de tiempo de al menos 2 segundos).
La Figura 5 ilustra un ejemplo de red neuronal en forma esquemática para clasificar los datos de ECG para identificar anomalías (tal como la FA). La red neuronal comprende una capa 201 de entrada seguida de un primer subconjunto de capas 210, 220 las cuales producen estimaciones de clasificación de estimaciones preliminares. Estas estimaciones preliminares de clasificación se concatenan con una salida de una capa anterior y se proporcionan a un segundo subconjunto de capas 240, 250. El segundo subconjunto de capas proporciona las estimaciones 150 de clasificación (finales) a las que se hace referencia en la Figura 4.
El primer subconjunto de capas comprende n supercapas 210 y una supercapa 220 de predicción previa. Cada supercapa 210 comprende una capa 211 de convolución, una capa 212 de activación y una capa 213 de agrupación. En algunas realizaciones, la capa de agrupación puede omitirse en una o más supercapas.
Cada capa 211 de convolución aplica uno o más filtros de convolución (o núcleos) pasando el filtro por etapas sobre los datos proporcionados a esa capa (las etapas tienen una distancia de paso predeterminada). La salida de cada capa 211 de convolución comprende los datos producidos a partir de la convolución de los datos de entrada con cada filtro.
Al menos una de las capas 211 de convolución puede aplicar una convolución dilatada. Una convolución dilatada separa los datos a los cuales se aplica el filtro de convolución, y puede considerarse equivalente a utilizar un filtro disperso en el cual los parámetros del filtro se rellenan con ceros. Las capas de convolución dilatadas pueden aumentar el campo receptivo de las operaciones de convolución sin necesidad de un filtro/núcleo con dimensiones altas. En su lugar, se puede usar un filtro/núcleo compacto, y se puede usar una dilatación sucesiva para aumentar el campo receptivo de las neuronas subsiguientes en las capas de convolución posteriores. En algunas realizaciones, los factores de dilatación en cada capa 211 de convolución sucesiva en el primer subconjunto de capas siguen una progresión geométrica (por ejemplo, un factor de convolución en la supercapa i de 2i).
La Figura 6 ilustra este concepto. Los datos de entrada a la capa 1 son un vector, representado por una línea de cuadros. El filtro de convolución aquí es 1 x 3 x 1, con pesos a, b y c, y un factor de dilatación de 2. El filtro se centra en los datos indicados por •. En la segunda capa se aplica otro filtro de convolución, también de dimensión 1 x 3 x 1, con pesos 1, 2 y 3. El campo receptivo de la neurona en la capa 2 en • comprende los datos en la capa 1 que se utilizan para determinar esta neurona, los cuales se indican mediante a1, a2 y a3, respectivamente, indicando posiciones. Dilatar las operaciones de convolución, por lo tanto, proporciona un método computacionalmente eficiente para permitir que una red neuronal reconozca características con una gran extensión espacial (lo cual puede ser particularmente aplicable al procesamiento de ECG), y/o para producir una clasificación densa (es decir, con una frecuencia específica, en lugar de una sola clasificación para toda la señal).
Después de la capa 211 de convolución, se proporciona una capa 212 de activación, la cual asigna la salida de la capa 211 de convolución a un rango diferente de valores. Típicamente, la función de activación usada en cada una de las capas 210 será una función de activación lineal rectificada (ReLU), pero también pueden usarse otras funciones de activación.
Después de cada capa 212 de activación (por ejemplo, ReLU), se puede proporcionar una capa 213 de agrupación para reducir la dimensión espacial de los datos antes de la siguiente capa. Normalmente, la función de agrupación utilizada puede ser una agrupación máxima con un paso mayor que 1, pero también se pueden utilizar otros enfoques de agrupación. La salida de la capa de agrupación se proporciona a la supercapa 210, 220 posterior.
La secuencia de n supercapas 210 es seguida por la supercapa 220 de predicción previa , la cual comprende una capa 221 de convolución y una capa 222 de activación. La salida de la capa 222 de activación es una estimación preliminar de las clasificaciones. Se puede determinar un error 261 a partir de esta parte de predicción preliminar de la red neuronal, el cual se puede usar como parte de una función de penalización en el entrenamiento de la red. El error 261 puede determinarse en la forma de pérdida de entropía cruzada. El uso de un error previo a la predicción en el entrenamiento de la red puede hacer que el entrenamiento de la red sea más rápido y más fiable.
La salida de la capa 222 de activación de predicción previa se concatena 230 con la salida de la supercapa 210 que precede a la supercapa 220 de predicción previa, para proporcionar datos, que comprenden estimaciones de clasificación previas a la predicción y un conjunto de características para refinar aún más las estimaciones de clasificación, a las capas posteriores de la red.
La salida de la concatenación 230 se proporciona a un segundo subconjunto de capas 240, 250, el cual comprende m supercapas 240 y una supercapa 250 de predicción final. Cada supercapa 240 comprende una capa 241 de convolución, una capa 242 de activación y una capa 243 de agrupación.
Cada capa 241 de convolución aplica uno o más filtros de convolución (o núcleos) pasando el filtro por etapas sobre la entrada de datos a esa capa (las etapas tienen una distancia de paso predeterminada). La salida de cada capa 241 de convolución comprende los datos producidos a partir de la convolución de los datos de entrada con cada filtro. Las capas de convolución en el segundo subconjunto también pueden comprender capas de convolución dilatadas, por ejemplo con un factor de convolución que aumenta sucesivamente, como se describe con referencia al primer subconjunto de capas (restableciendo el mismo valor inicial del factor de dilatación, por ejemplo, 2).
Después de la capa 241 de convolución, se proporciona una capa de activación, la cual asigna la salida de la capa 241 de convolución a un rango diferente de valores. Típicamente, la función de activación usada en cada una de las capas 240 será una función de activación lineal rectificada (ReLU), pero también pueden usarse otras funciones de activación.
Después de cada capa de activación (por ejemplo, ReLU), se puede proporcionar una capa 243 de agrupación para reducir la dimensión espacial de los datos antes de la siguiente capa. Normalmente, la función de agrupación utilizada puede ser una agrupación máxima con un paso mayor que 1, pero también se pueden utilizar otros enfoques de agrupación. La salida de la capa 243 de agrupación se proporciona a la supercapa 240, 250 posterior.
La secuencia de m supercapas 240 es seguida por la supercapa 250 de predicción final, la cual comprende una capa 251 de convolución y una capa 252 de activación. La salida de la capa 252 de activación puede ser una estimación final de las probabilidades de clasificación. Se determina un error 262 a partir de esta parte de predicción previa de la red neuronal, el cual se utiliza como parte de una función de penalización en el entrenamiento de la red. El error 262 puede determinarse en la forma de pérdida de entropía cruzada. Se puede encontrar una predicción final para la clase de cada segmento usando una función Argmax para identificar la clasificación con la probabilidad más alta. Una clase para todo el ECG puede identificarse como la clase de modo sobre todos los segmentos.
La combinación de una arquitectura de predicción previa y dilataciones sucesivas puede permitir una red relativamente compacta, con un número relativamente pequeño de neuronas (es decir, computacionalmente eficiente, tanto para entrenar como para ejecutar), que aún puede incorporar grandes cantidades de contexto en su clasificación.
La Figura 7 ilustra una arquitectura de ejemplo para el primer subconjunto de capas con más detalle. La capa 201 de entrada comprende un vector de entrada de datos de ECG, con dimensión 1 x N x 1, siendo la segunda dimensión N el número de muestras (es decir, correspondiente al tiempo). En algunas realizaciones, la (primera) dimensión de los datos de entrada puede ser mayor, por ejemplo, en el caso de datos de entrada que comprenden múltiples canales (por ejemplo, cada uno correspondiente a datos sin procesar obtenidos de cada uno de una pluralidad de electrodos).
Los datos de entrada se proporcionan a la primera supercapa 210a, la cual comprende una capa 211a de convolución (conv), y una capa 212a ReLU. La primera capa 210a conv puede aplicar filtros C1, cada uno con un núcleo de dimensión 1 x A1 x 1, con un factor de dilatación E1 y un paso de D1. La forma de la salida de conv y ReLU 211a, 212a es de dimensión 1 x N/D1 x C1 (la longitud del vector disminuye en proporción al paso, y la tercera dimensión (la cual puede pensarse como filas) aumenta en proporción al número de filtros aplicados por la capa 211a conv, ya que hay un vector de salida por filtro). El número de filtros C1 en la primera capa 210a conv puede ser al menos 8, y puede estar en el rango de 8 a 64, por ejemplo, 16 o 32. El paso del conv 211a puede ser 1, de modo que la red neuronal pueda discriminar características con máxima resolución.
La capa de agrupación posterior tiene un tamaño de 1 x F1 y un paso G-i>1, de modo que la segunda dimensión espacial que sigue a la agrupación se reduce en un factor de G1. Por lo tanto, la siguiente supercapa 210b recibe datos con una extensión de 1 x N/(D-iG-i) x C1.
La segunda supercapa 210b comprende filtros C2, cada uno con extensión 1 x A2x B2. Preferiblemente, B2= C1 (o más en general para i > 2, Bi= Cm ), de modo que cada filtro conv pase por encima de todos los datos de la capa anterior en una sola dirección. El número de filtros C2 en la segunda supercapa 210b está preferiblemente en el rango de 32 a 256, por ejemplo 128. La salida del segundo conv y ReLU 211b, 212b es de dimensión 1 x N/P1D2G1) x C2. El paso de la segunda capa 211b conv (y las capas sucesivas) es preferiblemente 1, por las mismas razones que para la primera capa, pero esto no es esencial (por ejemplo, un paso más alto puede ser apropiado para datos de ECGs con alta frecuencia de muestreo).
La resolución temporal de la salida de cada capa sucesiva se reduce por el producto de las distancias de paso de las capas precedentes, y puede disminuir sucesivamente. En el caso de un n = 4, con cuatro supercapas 210 que preceden a la capa 220 conv final en el primer subconjunto, y cada supercapa 210 tiene un paso conv de 1 y un paso de capa de agrupación de 2, la resolución temporal de la clasificación será un factor de 234 menos que la frecuencia de muestreo del<e>C<g>(por lo que una frecuencia de muestreo de 120 Hz en el ECG daría lugar a una frecuencia de clasificación de 7.5 Hz: una estimación de clasificación preliminar para cada período de 133 ms del ECG).
La clasificación preliminar se produce utilizando un filtro para cada tipo de clasificación (por ejemplo, “FA”, “Normal”, etc.), seguida de una capa de activación sigmoidea, la cual asigna la salida de cada filtro en una estimación de clasificación que suma 1 en todas las clasificaciones posibles (produciendo una estimación de probabilidad si ese período particular de los datos de ECG está dentro de cada clasificación).
El segundo subconjunto de capas puede configurarse de manera similar al primer subconjunto, excepto que en lugar de recibir datos de ECG de entrada, el segundo subconjunto recibe una concatenación de la salida de las n supercapas 210 que preceden a la supercapa 220 de clasificación preliminar. La capa conv en 220 tiene preferiblemente un paso de 1 para que los datos tengan la misma longitud (segunda dimensión) para que puedan concatenarse fácilmente en forma de filas adicionales de datos.
Se implementó una red neuronal siguiendo la arquitectura descrita en las Figuras 6 y 7, capaz de recibir datos de ECG sin procesar remuestreados y producir una clasificación densa e identificación confiable de FA. La red neuronal se entrenó utilizando el conjunto de datos FA Desafío 2017 [13] utilizando el optimizador RMSprop hasta la convergencia. El conjunto de datos utilizado para el entrenamiento incluía solo una única etiqueta de verdad en tierra para cada registro de ECG (de hasta 60 segundos). El entrenamiento requiere una clasificación de verdad para cada segmento de tiempo de la señal de ECG, por lo que la señal única se replicó en todos los segmentos con fines de entrenamiento, y la pérdida de entrenamiento se calculó como la pérdida de entropía cruzada media en todos los segmentos. La red neuronal resultante fue capaz de generar una probabilidad de clasificación densa confiable, lo cual permitirá a un cardiólogo centrar inmediatamente su atención en la porción más relevante de la señal de ECG, ahorrando así tiempo y mejorando los resultados del paciente. Las realizaciones iniciales de las redes de clasificación de ejemplo tienen una tasa de verdaderos positivos del 89 % (probado en un conjunto reservado del conjunto de datos utilizado para generar datos de entrenamiento), con un falso positivo (para FA) de aproximadamente el 3%.
La Figura 8 ilustra clasificaciones para datos de ECG obtenidos de acuerdo con una realización, que muestran, para una región particular de datos de ECG, las estimaciones 401 -404 de clasificación para cada categoría. Las categorías son respectivamente 401 “Normal”, 402 “FA”, 403 “Otro” y 404 “Ruido” (por ejemplo, resultante del movimiento del sujeto). El blanco corresponde a una probabilidad alta, y el negro a una probabilidad baja. La red neuronal identifica con precisión un período de ruido 404, y también clasifica con precisión las señales anómalas que preceden a este como “Otras”, es decir, no “Normal”, “FA” o “Ruido”.
La Figura 9 ilustra una clasificación similar, en la cual se identifica un período 405 que tiene una alta probabilidad de ser fibrilación auricular. La red neuronal se puede utilizar para resaltar este tipo de región en un ECG para que la revise un cardiólogo. De forma alternativa o adicional, un sistema de acuerdo con la invención puede registrar la acumulación de periodos de FA de alta probabilidad dentro de un marco de tiempo específico (por ejemplo, una semana), y alertar al sujeto o a su cardiólogo si la acumulación supera un umbral predeterminado (el cual puede ser inferior a un umbral clínico para FA). La identificación temprana de FA preclínica puede permitir que el sujeto tome medidas tempranas para mejorar su salud.
Aunque se han descrito diversos ejemplos, estos no pretenden limitar el alcance de la invención, el cual se determinará con referencia a las reivindicaciones adjuntas.
Referencias
[1] “Arrhythmia”, NHS, Londres, Reino Unido, 8 de julio de 2015. [En línea]. Disponible: http://www.nhs.uk/conditions/arrhythmia/Pages/arrhythmia.aspx
[2] “The AF report. Atrial fibrillation - preventing a stroke crisis”, Asociación de fibrilación auricular, Warwickshire, Anticoagulation Europe, Kent, Reino Unido, 12 de abril de 2012. [En línea]. Disponible: http://www.preventafstrokecrisis.org/files/files/The AF Report 14 April 2012.pdf
[3] K. Carroll, S. Murad, J. Eliahoo y A. Majeed, “Stroke incidence and risk factors in a population-based prospective cohort study”, Oficina de Estadísticas Nacionales, Newport, Gales del Sur, Reino Unido, Rep. Estadísticas de Salud Trimestral 12, 2001. [En línea]. Disponible: http://www.ons.gov.uk/ons/rel/hsq/health-statistics-Quarterly/no-12-winter-2001/stroke-incidence-and-risk-factors-in-a-population-based-prospective-cohort-study.pdf
[4] C. Marini et al., “Contribution of atrial fibrillation to incidence and outcome of ischemic stroke: results from a population-based study”, Accidente cerebrovascular, volumen 36, páginas 1115-1119, 2005. DOI: 10.1161/01.STR.0000166053.83476.4a
[5] D.M. Lloyd-Jones et al., “Lifetime risk for development of atrial fibrillation: the Framingham heart study,”, Circulación volumen 110, número 9, páginas 1042-1046, 31 de agosto de 2004. DOI: 10.1161101.CIR.0000140263.20897.42
[6] G.Y.H. Lip y HS Lim, “Atrial fibrillation and stroke prevention”, La Neurología de Lanceta, volumen 6, número 11, páginas. 981-993, noviembre de 2007. DOI: 10.1016/S1474-4422(07)70264-8
[7] M. Cesarelli, P. Bifulco y M. Bracale, “An algorithm for the detection of the atrial fibrillation from the Surface ECG for an of home-care evaluation of the implanted atrial defribrillators”, en Proceso Conferencia Mediterránea Ingeniería e Informática Médica y Biológica, Chipre, 1998. ARK: /87278/s6np23vh
[8] M. Carrara et al., “Classification of cardiac rhythm using heart rate dynamical measures: validation in MIT-BIH databases,” J. de Electro cardiología, volumen 48, número 6, páginas 943-946, noviembre-diciembre 2015. DOI: 10.1016/j.jelectrocard.2015.08.002
[9] J.S. Healy et al., “Subclinical atrial fibrillation and the risk of stroke,” El J. de Medicina de Nueva Inglaterra, volumen 366, número 2, páginas 120-129, 12 de enero de 2012. DOI: 10.1056/NEJMoa1105575
[10] . Melo, SL, Caloba, LP, y Nadal, J. Análisis de arritmias mediante red neuronal artificial y datos electrocardiográficos diezmados. En ordenadores in cardiología 2000, páginas 73-76. IEEE, 2000
[12] . Moody, George B and Mark, Roger G. Un nuevo método para detectar la fibrilación auricular mediante intervalos RR. Ordenadores en Cardiología, 10(1):227-230, 1983. 3. Pan, Jiapu y Tompkins, Willis J. Un algoritmo de detección de QRS en tiempo real. Transacciones IEEE sobre ingeniería biomédica, (3): 230-236, 1985.
[13] . Clifford, GD, Liu, CY, Moody, B, Lehman, L, Silva, I, Li, Q, Johnson, AEW y Mark, RG. Clasificación Af a partir de un registro de ECG corto de una sola derivación: La computación fisiored en el desafío de cardiología 2017. 2017.
[14] . Artis, Shane G, Mark, RG y Moody, GB. Detección de fibrilación auricular mediante redes neuronales artificiales. En Ordenadores en Cardiología 1991, Actas., páginas 173-176. IEEE, 1991.
[15] . Levi Tan. Informe técnico del proyecto del cuarto año.
[16] . Schwab, P., Scebba, G., Zhang, J., Delai, M. y Karlen, W., 2017. Latido a latido: Clasificación de las arritmias cardíacas con redes neuronales recurrentes. preimpresión de arXiv arXiv:1710.06319.
[17] . Rajpurkar, P., Hannun, A.Y., Haghpanahi, M., Bourn, C. y Ng, A.Y. Detección de arritmias a nivel de cardiólogo con redes neuronales convolucionales. preimpresión de arXiv arXiv:1707.01836.
[18] . Pfister, T. y Charles, J. y Zisserman, A. ConvNets fluidos para la estimación de la pose humana en vídeos, Conferencia Internacional en Visión Informática, 2015.
[19] . Yu, F. y Koltun, V. Agregación de contexto multiescala por convoluciones dilatadas. preimpresión de arXiv arXiv:1511.07122.

Claims (14)

REIVINDICACIONES
1. Un método implementado por ordenador para detectar anomalías en las señales de ECG, que comprende: proporcionar una señal de ECG a una red (200) neuronal;
dentro de un primer subconjunto de capas de la red (200) neuronal, realizar una primera serie de operaciones de convolución;
en una capa (222) final del primer subconjunto de capas, determinar una clasificación preliminar que comprende una pluralidad de estimaciones de clasificación preliminar, correspondiendo cada estimación de clasificación preliminar con un segmento de tiempo de la señal de ECG;
determinar datos de entrada para un segundo subconjunto de capas de la red neuronal concatenando (230) la clasificación preliminar con la salida de una capa (213) del primer subconjunto de capas que precede a la capa (222) final del primer subconjunto de capas;
dentro de un segundo subconjunto de capas de la red (200) neuronal, realizar una segunda serie de operaciones de convolución;
en una capa (252) final del segundo subconjunto de capas, determinar una clasificación final que comprende una pluralidad de estimaciones de clasificación final, correspondiendo cada estimación de clasificación final con un segmento de tiempo de la señal de ECG;
en donde las estimaciones de clasificación final incluyen una estimación de la probabilidad de que cada segmento de tiempo comprenda fibrilación (402) auricular; y
la red (200) neuronal ha sido entrenada, comprendiendo el entrenamiento:
determinar una clasificación preliminar y una clasificación final para cada uno de una pluralidad de períodos de tiempo de una señal de ECG con un conjunto inicial de valores de filtro de convolución para la red (200) neuronal; determinar una función de penalización que responda tanto a la clasificación preliminar como a la clasificación final, usando datos de clasificación de entrenamiento para cada período de tiempo; y
ajustar los valores del filtro de convolución para minimizar la función de penalización.
2. El método de la reivindicación 1, en donde al menos algunas de las operaciones de convolución en el primer subconjunto de capas y/o el segundo subconjunto de capas son operaciones de convolución dilatada.
3. El método de la reivindicación 2, en donde las sucesivas operaciones de convolución dilatada en el primer subconjunto de capas y/o el segundo subconjunto de capas tienen un factor de dilatación creciente.
4. El método de la reivindicación 3, en donde el factor de dilatación de las operaciones de convolución dilatada sucesivas en el primer subconjunto de capas y/o el segundo subconjunto de capas aumenta por un factor de 2 en cada capa sucesiva.
5. El método de la reivindicación 1, en donde el segmento de tiempo correspondiente a cada estimación de clasificación final es inferior a 1 segundo o inferior a 0.5 segundos.
6. El método de la reivindicación 1, en donde las estimaciones de clasificación final incluyen una estimación de la probabilidad de que cada segmento de tiempo comprenda al menos uno de: ruido (404), un ECG (401) normal y otro (403).
7. El método de la reivindicación 1, comprendiendo además entrenar la red (200) neuronal, que comprende: determinar una clasificación preliminar y una clasificación final para cada uno de una pluralidad de períodos de tiempo de una señal de ECG con un conjunto inicial de valores de filtro de convolución para la red (200) neuronal; determinar una función de penalización que responda tanto a la clasificación preliminar como a la clasificación final, usando datos de clasificación de entrenamiento para cada período de tiempo; y
ajustar los valores del filtro de convolución para minimizar la función de penalización.
8. El método de la reivindicación 7, en donde los datos de clasificación de entrenamiento se determinan replicando una sola clasificación para toda la señal de ECG en cada uno de los períodos de tiempo.
9. Un medio legible por ordenador no transitorio que comprende instrucciones las cuales, cuando son ejecutadas por un ordenador, hacen que el ordenador lleve a cabo el método de la reivindicación 1.
10. Un sistema para mejorar la salud cardiovascular, que comprende:
un ordenador que comprende:
un módulo de recepción de datos para recibir datos de ECG obtenidos de un sujeto de prueba;
una red (200) neuronal para determinar una clasificación final que comprende una pluralidad de estimaciones de clasificación final, correspondiendo cada estimación de clasificación final con un segmento de tiempo de la señal de ECG, en donde la red neuronal comprende:
un primer subconjunto de capas que realiza una primera serie de operaciones de convolución, y determina una clasificación preliminar que comprende una pluralidad de estimaciones de clasificación preliminar, correspondiendo cada estimación de clasificación preliminar con un segmento de tiempo de la señal de ECG; y
un segundo subconjunto de capas que recibe la clasificación preliminar y la salida de una capa (213) del primer subconjunto de capas que precede a la capa (222) final del primer subconjunto de capas, la capa (252) final del segundo subconjunto de capas que determina una clasificación final que comprende una pluralidad de estimaciones de clasificación final, correspondiendo cada estimación de clasificación final con un segmento de tiempo de la señal de ECG; y
un módulo de informes para informar las estimaciones de clasificación final a un sujeto y/o cardiólogo;
en donde las estimaciones de clasificación final incluyen una estimación de la probabilidad de que cada segmento de tiempo comprenda fibrilación (402) auricular; y
la red (200) neuronal ha sido entrenada, comprendiendo el entrenamiento:
determinar una clasificación preliminar y una clasificación final para cada uno de una pluralidad de períodos de tiempo de una señal de ECG con un conjunto inicial de valores de filtro de convolución para la red neuronal; determinar una función de penalización que responda tanto a la clasificación preliminar como a la clasificación final, usando datos de clasificación de entrenamiento para cada período de tiempo; y
ajustar los valores del filtro de convolución para minimizar la función de penalización.
11. El sistema de la reivindicación 10, en donde el ordenador es:
i) un servidor (315), y el módulo de recepción de datos recibe los datos de ECG a través de una red; o
ii) un dispositivo (310) móvil, y el módulo de recepción de datos comprende un receptor inalámbrico.
12. El sistema de la reivindicación 10, en donde se puede acceder al módulo de informes mediante una interfaz basada en web, y está configurado para superponer la estimación de clasificación final en la señal de ECG para llamar la atención sobre regiones del ECG con una clasificación específica.
13. El sistema de la reivindicación 12, en donde la clasificación específica comprende la fibrilación auricular.
14. El sistema de la reivindicación 10, comprendiendo además un dispositivo (305) de ECG portátil para obtener las señales de ECG del sujeto y, opcionalmente, comprendiendo además un dispositivo (310) móvil configurado para recibir de forma inalámbrica las señales de ECG del dispositivo (305) de ECG portátil, y para transmitir las señales de ECG al ordenador.
ES19730905T 2018-06-08 2019-06-10 Detección de anomalías en las señales de ECG Active ES2960027T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/003,897 US11538585B2 (en) 2018-06-08 2018-06-08 Detecting abnormalities in ECG signals
PCT/GB2019/051607 WO2019234457A1 (en) 2018-06-08 2019-06-10 Detecting abnormalities in ecg signals

Publications (1)

Publication Number Publication Date
ES2960027T3 true ES2960027T3 (es) 2024-02-29

Family

ID=66867567

Family Applications (1)

Application Number Title Priority Date Filing Date
ES19730905T Active ES2960027T3 (es) 2018-06-08 2019-06-10 Detección de anomalías en las señales de ECG

Country Status (4)

Country Link
US (1) US11538585B2 (es)
EP (1) EP3803709B1 (es)
ES (1) ES2960027T3 (es)
WO (1) WO2019234457A1 (es)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2797980C (en) 2010-05-12 2015-08-18 Irhythm Technologies, Inc. Device features and design elements for long-term adhesion
JP6198849B2 (ja) 2013-01-24 2017-09-20 アイリズム・テクノロジーズ・インコーポレイテッドｉＲｈｙｔｈｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ，Ｉｎｃ． 生理学的信号をモニターする電子装置、及び該電子装置の部分を除去交換する方法
US20160120434A1 (en) 2014-10-31 2016-05-05 Irhythm Technologies, Inc. Wireless physiological monitoring device and systems
WO2020086865A1 (en) * 2018-10-26 2020-04-30 Mayo Foundation For Medical Education And Research Neural networks for atrial fibrillation screening
JP6865329B1 (ja) * 2019-07-29 2021-04-28 株式会社カルディオインテリジェンス 表示装置、表示方法及びプログラム
JP7406001B2 (ja) 2020-02-12 2023-12-26 アイリズム・テクノロジーズ・インコーポレイテッド 患者の生理学的特徴を推論するための、非侵襲的な心臓モニタ、および記録された心臓データの使用方法
CN111557660A (zh) * 2020-06-08 2020-08-21 东北大学 一种亚群体深度学习框架下的心律失常识别方法
WO2022032117A1 (en) 2020-08-06 2022-02-10 Irhythm Technologies, Inc. Adhesive physiological monitoring device
JP7796108B2 (ja) 2020-08-06 2026-01-08 アイリズム・テクノロジーズ・インコーポレイテッド 生理学的モニタリング装置の電気部品
CN112232165B (zh) * 2020-10-10 2024-03-01 腾讯科技（深圳）有限公司 一种数据处理方法、装置、计算机及可读存储介质
WO2022244291A1 (ja) * 2021-05-21 2022-11-24 株式会社カルディオインテリジェンス プログラム、出力装置及びデータ処理方法
USD1063079S1 (en) 2021-08-06 2025-02-18 Irhythm Technologies, Inc. Physiological monitoring device
CN116778968B (zh) * 2023-06-20 2024-03-12 山东省人工智能研究院 一种基于深度可分离卷积与注意力机制的心音分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU5900299A (en) * 1998-08-24 2000-03-14 Emory University Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity
US10602942B2 (en) 2017-08-25 2020-03-31 Cambridge Heartwear Limited Method of detecting abnormalities in ECG signals
US11013470B2 (en) 2018-06-08 2021-05-25 Cambridge Heartwear Limited Detecting abnormalities in ECG signals

Also Published As

Publication number Publication date
EP3803709B1 (en) 2023-08-02
US11538585B2 (en) 2022-12-27
WO2019234457A1 (en) 2019-12-12
US20190378617A1 (en) 2019-12-12
EP3803709A1 (en) 2021-04-14
EP3803709C0 (en) 2023-08-02

Similar Documents

Publication Publication Date Title
ES2960027T3 (es) Detección de anomalías en las señales de ECG
ES2980617T3 (es) Detección de anomalías en las señales de ECG
ES3039789T3 (en) Detecting abnormalities in ecg signals
Owida et al. Classification of chest X-ray images using wavelet and MFCC features and support vector machine classifier
Murugesan et al. Ecgnet: Deep network for arrhythmia classification
Lee et al. QRS detection method based on fully convolutional networks for capacitive electrocardiogram
EP3453321B1 (en) Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing
CN109009102B (zh) 一种基于脑电图深度学习的辅助诊断方法及系统
Wang et al. A novel multi-scale dilated 3D CNN for epileptic seizure prediction
Gadaleta et al. Deep learning techniques for improving digital gait segmentation
KR20220040515A (ko) 딥러닝 기반 심전도를 이용한 심정지 위험도 예측 시스템
KR20220040516A (ko) 심전도를 이용한 딥러닝 기반 관상동맥질환 예측 시스템
Wu et al. Motion-robust atrial fibrillation detection based on remote-photoplethysmography
US12521068B2 (en) System and method of estimating vital signs of user using artificial intelligence
Xu et al. Interpatient ECG arrhythmia detection by residual attention CNN
US20230148879A1 (en) Computer-based platforms and systems configured for cuff-less blood pressure estimation from photoplethysmography via visibility graph and transfer learning and methods of use thereof
US20250040894A1 (en) Personalized chest acceleration derived prediction of cardiovascular abnormalities using deep learning
Liu et al. Adaptive-weight network for imaging photoplethysmography signal extraction and heart rate estimation
Liu et al. Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks
Jenifer et al. YOLO-ECG: Multi-stage ECG arrhythmia classification using deep learning based YOLO network for portable monitoring
Raghukumar et al. Investigation and Feature Extraction of Heart Attack from the ECG Graph Reports
US20230293089A1 (en) Brain function determination apparatus, brain function determination method, and computer-readable medium
KR20250153276A (ko) 심음 (heart sounds) 을 검색하고 분석함으로써 개체들 (subjects) 의 심혈관 상태들을 예측하기 위한 시스템 및 방법
Барковська et al. System for detecting critical human health conditions based on the analysis of physiological indicators
CN114631796B (zh) 基于人脸视频的房颤检测方法及系统