TWI856824B - 基於運動心電圖的冠狀動脈心臟病風險評估方法及其系統 - Google Patents
基於運動心電圖的冠狀動脈心臟病風險評估方法及其系統 Download PDFInfo
- Publication number
- TWI856824B TWI856824B TW112135770A TW112135770A TWI856824B TW I856824 B TWI856824 B TW I856824B TW 112135770 A TW112135770 A TW 112135770A TW 112135770 A TW112135770 A TW 112135770A TW I856824 B TWI856824 B TW I856824B
- Authority
- TW
- Taiwan
- Prior art keywords
- exercise
- training
- electrocardiogram
- screening
- heart disease
- Prior art date
Links
- 208000029078 coronary artery disease Diseases 0.000 title claims abstract description 118
- 238000011156 evaluation Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 title abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 166
- 238000005259 measurement Methods 0.000 claims abstract description 139
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract 12
- 238000012549 training Methods 0.000 claims description 155
- 238000000034 method Methods 0.000 claims description 58
- 238000011084 recovery Methods 0.000 claims description 48
- 238000012502 risk assessment Methods 0.000 claims description 47
- 230000000747 cardiac effect Effects 0.000 claims description 35
- 238000013210 evaluation model Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims 2
- 238000003745 diagnosis Methods 0.000 description 10
- 230000002057 chronotropic effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000012634 fragment Substances 0.000 description 4
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 210000004351 coronary vessel Anatomy 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本發明提供一種基於運動心電圖的冠狀動脈心臟病風險評估方法，包含一資料取得步驟、一第一處理步驟以及一篩選步驟。資料取得步驟包含取得一運動心電圖資料。第一處理步驟包含將運動心電圖資料的複數心電訊號片段與不同運動階段進行配對，並選取對應於各運動階段的複數評估訊號片段。篩選步驟包含依據一第一篩選條件及一第二篩選條件篩選各評估訊號片段及各生理量測特徵而產生一篩選結果，並依據篩選結果決定是否產生冠狀動脈心臟病罹患機率值。藉此，輔助醫師進行冠狀動脈心臟病風險的判斷。
Description
本發明係關於一種冠狀動脈心臟病風險評估方法及其系統，特別是關於一種基於運動心電圖的冠狀動脈心臟病風險評估方法及其系統。
冠狀動脈心臟病在臨床上最常使用的偵測工具為運動心電圖，然而，運動心電圖的判讀除了耗時之外，也仰賴醫師的豐富經驗。此外，不同醫師在判讀上所花費的時間以及判斷的準確率皆不一致，且因醫師臨床繁忙等因素，通常無法即時對運動心電圖進行判讀。
有鑑於此，目前市場上缺乏一種協助醫師加速且提高診斷冠狀動脈心臟病的方法及其系統，故相關業者均在尋求其解決之道。
本發明之目的在於提供一種基於運動心電圖的冠狀動脈心臟病風險評估方法及其系統，其能夠輔助醫師進行冠狀動脈心臟病風險的判斷並決定後續醫療處置方法。
依據本發明的方法態樣之一實施方式提供一種基於運動心電圖的冠狀動脈心臟病風險評估方法，用以依據一使用者之一運動心電圖資料評估一冠狀動脈心臟病罹患機率值，基於運動心電圖的冠狀動脈心臟病風險評估方法包含一資料取得步驟、一第一處理步驟以及一篩選步驟。資料取得步驟包含驅動一處理器從一記憶體取得使用者的運動心電圖資料，運動心電圖資料包含複數心電訊號片段及複數生理量測特徵。第一處理步驟包含驅動處理器將各心電訊號片段與複數運動階段進行配對，並選取對應於各運動階段的複數評估訊號片段。篩選步驟包含驅動處理器依據一第一篩選條件及與第一篩選條件相異的一第二篩選條件篩選各評估訊號片段及各生理量測特徵而產生一篩選結果，並依據篩選結果決定是否產生冠狀動脈心臟病罹患機率值。其中，當處理器依據篩選結果決定產生冠狀動脈心臟病罹患機率值時，驅動處理器產生複數篩選後評估訊號片段及複數篩選後生理量測特徵。基於運動心電圖的冠狀動脈心臟病風險評估方法更包含一第二處理步驟及一評估步驟。第二處理步驟包含驅動處理器依據各篩選後生理量測特徵產生複數衍生特徵，並對各篩選後生理量測特徵與各衍生特徵進行一正規化處理而產生複數正規化生理量測特徵。評估步驟包含驅動處理器從一記憶體取得一評估模型，並將各篩選後評估訊號片段及各正規化生理量測特徵輸入至評估模型，以產生冠狀動脈心臟病罹患機率值。
前述實施方式之其他實施例如下：篩選步驟更包含一第一篩選步驟及一第二篩選步驟。第一篩選步驟包含驅動處理器確認各評估訊號片段是否滿足第一篩選條件而產生一第一篩選結果。第二篩選步驟包含驅動處理器確認各生理量測特徵是否滿足第二篩選條件而產生一第二篩選結果。其中，當第一篩選結果為是時，處理器產生各篩選後評估訊號片段並接續執行第二篩選步驟，當第一篩選結果為否時，處理器則結束篩選步驟；當第二篩選結果為是時，處理器產生各篩選後生理量測特徵並接續執行第二處理步驟，當第二篩選結果為否時，處理器則結束篩選步驟。
前述實施方式之其他實施例如下：各運動階段包含一運動前階段、一運動中階段及一恢復期階段。各評估訊號片段包含運動前階段中量測時間為最後的一前階段心電訊號片段、運動中階段中量測心跳最快的一中階段心電訊號片段及恢復期階段中量測時間最前的一恢復期心電訊號片段。
前述實施方式之其他實施例如下：第一篩選條件為前階段心電訊號片段、中階段心電訊號片段及恢復期心電訊號片段中任一者未缺失。
前述實施方式之其他實施例如下：第二篩選條件為各生理量測特徵的一缺失數量小於一預設值。
前述實施方式之其他實施例如下：第二處理步驟更包含驅動處理器對各篩選後生理量測特徵進行補值。
前述實施方式之其他實施例如下：基於運動心電圖的冠狀動脈心臟病風險評估方法更包含一模型訓練步驟。模型訓練步驟包含一訓練資料取得步驟、一資料前處理步驟及一權重訓練步驟。訓練資料取得步驟包含驅動處理器從記憶體取得複數歷史心電圖資料及對應的複數心導管資料，各歷史心電圖資料包含對應於各運動階段的複數訓練心電訊號片段及複數訓練生理量測特徵，各心導管資料為六個月內所量測的心導管數據。資料前處理步驟包含驅動處理器將各訓練心電訊號片段與各運動階段進行配對，以選取對應於各運動階段的複數訓練訊號片段，對缺失的各訓練生理量測特徵進行補值以產生複數訓練衍生特徵，並對各訓練生理量測特徵及各訓練衍生特徵進行正規化處理而產生複數正規化訓練生理量測特徵。權重訓練步驟包含驅動處理器依據各心導管資料提供各訓練訊號片段及各正規化訓練生理量測特徵權重，並對評估模型進行訓練。
前述實施方式之其他實施例如下：模型訓練步驟更包含一模型修正步驟，包含驅動處理器將各訓練訊號片段及各正規化訓練生理量測特徵輸入評估模型，以產生一訓練結果，處理器能夠對照訓練結果與各心導管資料而修正評估模型。
前述實施方式之其他實施例如下：各運動階段分別為一運動前階段、一運動中階段及一恢復期階段；三訓練訊號片段分別為運動前階段中量測時間最後的一前階段訓練訊號片段、運動中階段中量測心跳最快的一中階段訓練訊號片段及恢復期階段中量測時間最前的一恢復期訓練訊號片段。
前述實施方式之其他實施例如下：運動心電圖資料及各歷史心電圖資料的一檔案格式為一可延伸標記式語言 (Extensible Markup Language；XML)檔；基於運動心電圖的冠狀動脈心臟病風險評估方法更包含：當冠狀動脈心臟病罹患機率值大於等於一機率門檻值時，決定使用者之一後續醫療處置方法。
依據本發明的結構態樣之一實施方式提供一種基於運動心電圖的冠狀動脈心臟病風險評估系統，用以依據一使用者之一運動心電圖資料評估一冠狀動脈心臟病罹患機率值，基於運動心電圖的冠狀動脈心臟病風險評估系統包含一記憶體以及一處理器。記憶體儲存運動心電圖資料及一評估模型，運動心電圖資料包含複數心電訊號片段及複數生理量測特徵。一處理器耦接記憶體，處理器經配置以實施包含以下步驟之操作：一資料取得步驟、一第一處理步驟及一篩選步驟。資料取得步驟包含從記憶體取得使用者的運動心電圖資料。第一處理步驟包含將各心電訊號片段與複數運動階段進行配對，並選取對應於各運動階段的複數評估訊號片段。篩選步驟包含依據一第一篩選條件及與第一篩選條件相異的一第二篩選條件篩選各評估訊號片段及各生理量測特徵而產生一篩選結果，並依據篩選結果決定是否產生冠狀動脈心臟病罹患機率值。其中，當處理器依據篩選結果決定產生冠狀動脈心臟病罹患機率值時，處理器產生複數篩選後評估訊號片段及複數篩選後生理量測特徵，處理器更包含以下步驟之操作：一第二處理步驟及一評估步驟。第二處理步驟，包含依據各篩選後生理量測特徵產生複數衍生特徵，並對各篩選後生理量測特徵與各衍生特徵進行一正規化處理而產生複數正規化生理量測特徵。評估步驟包含從記憶體取得評估模型，並將各篩選後評估訊號片段及各正規化生理量測特徵輸入至評估模型，以產生冠狀動脈心臟病罹患機率值。
前述實施方式之其他實施例如下：篩選步驟更包含一第一篩選步驟及一第二篩選步驟。第一篩選步驟包含確認各評估訊號片段是否滿足第一篩選條件而產生一第一篩選結果。第二篩選步驟包含確認各生理量測特徵是否滿足第二篩選條件而產生一第二篩選結果。其中，當第一篩選結果為是時，處理器產生各篩選後評估訊號片段並接續執行第二篩選步驟，當第一篩選結果為否時，處理器則結束篩選步驟。當第二篩選結果為是時，處理器產生各篩選後生理量測特徵並接續執行第二處理步驟，當第二篩選結果為否時，處理器則結束篩選步驟。
前述實施方式之其他實施例如下：各運動階段包含一運動前階段、一運動中階段及一恢復期階段。各評估訊號片段包含運動前階段中量測時間為最後的一前階段心電訊號片段、運動中階段中量測心跳最快的一中階段心電訊號片段及恢復期階段中量測時間最前的一恢復期心電訊號片段。
前述實施方式之其他實施例如下：第一篩選條件為前階段心電訊號片段、中階段心電訊號片段及恢復期心電訊號片段中任一者未缺失。
前述實施方式之其他實施例如下：第二篩選條件為各生理量測特徵的一缺失數量小於一預設值。
前述實施方式之其他實施例如下：第二處理步驟更包含對各篩選後生理量測特徵進行補值。
前述實施方式之其他實施例如下：處理器更包含以下步驟之操作：一模型訓練步驟包含一訓練資料取得步驟、一資料前處理步驟及一權重訓練步驟。訓練資料取得步驟包含從記憶體取得複數歷史心電圖資料及對應的複數心導管資料，各歷史心電圖資料包含對應於各運動階段的複數訓練心電訊號片段及複數訓練生理量測特徵，各心導管資料為六個月內所量測的心導管數據。資料前處理步驟包含將各訓練心電訊號片段與各運動階段進行配對，以選取對應於各運動階段的複數訓練訊號片段，對缺失的各訓練生理量測特徵進行補值以產生複數訓練衍生特徵，並對各訓練生理量測特徵及各訓練衍生特徵進行正規化處理而產生複數正規化訓練生理量測特徵。權重訓練步驟包含驅動依據各心導管資料提供各訓練訊號片段及各正規化訓練生理量測特徵權重，並對評估模型進行訓練。
前述實施方式之其他實施例如下：模型訓練步驟更包含一模型修正步驟，包含將各訓練訊號片段及各正規化訓練生理量測特徵輸入評估模型，以產生一訓練結果，處理器能夠對照訓練結果與各心導管資料而修正評估模型。
前述實施方式之其他實施例如下：各運動階段分別為一運動前階段、一運動中階段及一恢復期階段。三訓練訊號片段分別為運動前階段中量測時間最後的一前階段訓練訊號片段、運動中階段中量測心跳最快的一中階段訓練訊號片段及恢復期階段中量測時間最前的一恢復期訓練訊號片段。
前述實施方式之其他實施例如下：運動心電圖資料及各歷史心電圖資料的一檔案格式為一可延伸標記式語言檔。處理器更包含以下之操作，當冠狀動脈心臟病罹患機率值大於等於一機率門檻值時，決定使用者之一後續醫療處置方法。
藉此，本發明的基於運動心電圖的冠狀動脈心臟病風險評估方法及其系統，其透過擷取並篩選冠狀動脈心臟病相關特徵數據，搭配評估模型輸出冠狀動脈心臟病的機率，能夠輔助醫師進行冠狀動脈心臟病風險的判斷並決定後續醫療處置方法。
以下將參照圖式說明本發明的複數個實施例。為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施例中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示的；並且重複的元件將可能使用相同的編號表示的。
此外，本文中當某一元件(或單元或模組等)「連接」於另一元件，可指所述元件是直接連接於另一元件，亦可指某一元件是間接連接於另一元件，意即，有其他元件介於所述元件及另一元件之間。而當有明示某一元件是「直接連接」於另一元件時，才表示沒有其他元件介於所述元件及另一元件之間。而第一、第二、第三等用語只是用來描述不同元件，而對元件本身並無限制，因此，第一元件亦可改稱為第二元件。且本文中的元件/單元/電路的組合非此領域中的一般周知、常規或習知的組合，不能以元件/單元/電路本身是否為習知，來判定其組合關係是否容易被技術領域中的通常知識者輕易完成。
參閱第1圖與第2圖所示，其中第1圖係繪示本發明之第一實施例之基於運動心電圖的冠狀動脈心臟病風險評估系統100的示意圖；及第2圖係繪示本發明之第二實施例之基於運動心電圖的冠狀動脈心臟病風險評估方法200的流程示意圖。基於運動心電圖的冠狀動脈心臟病風險評估系統100經配置以實施基於運動心電圖的冠狀動脈心臟病風險評估方法200，而用以依據一使用者之一運動心電圖資料111評估一冠狀動脈心臟病罹患機率值。必須說明的是，本發明之基於運動心電圖的冠狀動脈心臟病風險評估方法200不限於透過本發明的基於運動心電圖的冠狀動脈心臟病風險評估系統100實施。於第一及第二實施例中，定義主冠狀動脈存在≥50%狹窄者或其他冠狀動脈存在≥70%狹窄者為嚴重冠狀動脈心臟病。
在第1圖中，基於運動心電圖的冠狀動脈心臟病風險評估系統100包含一記憶體110以及一處理器120，處理器120耦接記憶體110。記憶體110儲存一運動心電圖資料111、一評估模型112、複數歷史心電圖資料113及對應複數歷史心電圖資料113的複數心導管資料114。處理器120經配置以實施基於運動心電圖的冠狀動脈心臟病風險評估方法200(如第2圖所示)。記憶體110可為能儲存供處理器120執行資訊和指令的隨機存取記憶體(Random Access Memory；RAM)或其它型式的動態儲存裝置，但本發明不以此為限。處理器120可為處理器(Processor)、微處理器(Microprocessor)、中央處理器(Central Processing Unit；CPU)、電腦、行動裝置處理器、雲端處理器或其他電子運算處理器，但本發明不以此為限。評估模型112可為卷積遞歸神經網路(Convolutional Recurrent Neural Network；CRNN)模型。
在第2圖中，基於運動心電圖的冠狀動脈心臟病風險評估方法200包含依序執行的一模型訓練步驟S01、一資料取得步驟S02、一第一處理步驟S03以及一篩選步驟S04。當處理器120依據篩選步驟S04中的一篩選結果而決定產生冠狀動脈心臟病罹患機率值時，基於運動心電圖的冠狀動脈心臟病風險評估方法200更包含一第二處理步驟S05及一評估步驟S06。
參閱第2圖與第3圖所示，第3圖係繪示依照第2圖之基於運動心電圖的冠狀動脈心臟病風險評估方法200中模型訓練步驟S01的流程示意圖。模型訓練步驟S01包含依序執行的一訓練資料取得步驟S011、一資料前處理步驟S012、一權重訓練步驟S013以及一模型修正步驟S014。
在第3圖中，訓練資料取得步驟S011包含驅動處理器120從記憶體110取得複數歷史心電圖資料113及對應的心導管資料114。歷史心電圖資料113及對應的心導管資料114取自不同受試者的歷史醫療紀錄。
歷史心電圖資料113的一檔案格式為XML檔，包含對應於不同運動階段的複數訓練心電訊號片段及複數訓練生理量測特徵，其中運動階段包含一運動前階段、一運動中階段及一恢復期階段。訓練心電訊號片段為受試者各運動階段之12導程心電訊號，各階段之12導程心電訊號紀錄時間為10秒且取樣率為500 Hz。訓練生理量測特徵包含生理特徵及量測特徵，生理特徵包含生理年齡(Age)、性別(Sex)以及身高和體重資訊，量測特徵包含最大心率(Peak Heart Rate)、最大百分比之預測心率(Max Predicted Heart Rate(%))、靜止心率（Rest Heart Rate）、最大心率和收縮壓乘積(Max Rate Pressure Product；RPP)、最大代謝當量(Maximum Workload)、最大ST段下降(Max ST)、ST段/心率指數(ST/HR index)和運動終止原因，但本發明不以此為限。心導管資料114為不同受試者六個月內所量測的心導管數據。詳細而言，當受試者過去經由運動心電圖檢查被判定為嚴重冠狀動脈心臟病，醫師將在六個月內為前述受試者進行心導管檢查而取得心導管資料114，而其心導管數據會顯示前述受試者各冠狀動脈血管之狹窄程度。
資料前處理步驟S012包含驅動處理器120將訓練心電訊號片段與運動前階段、運動中階段及恢復期階段進行配對，以選取分別對應於運動前階段、運動中階段及恢復期階段的一個訓練訊號片段。進一步說明，處理器120透過XML檔中的時間將運動階段和心率相互對應而配對，並依據以下條件選擇對於分析冠狀動脈心臟病最有意義的三訓練訊號片段，三訓練訊號片段分別為運動前階段中量測時間最後的一前階段訓練訊號片段、運動中階段中量測心跳最快的一中階段訓練訊號片段及恢復期階段中量測時間最前的一恢復期訓練訊號片段，且若前階段訓練訊號片段、中階段訓練訊號片段及恢復期訓練訊號片段其中任一片段缺失，對應受試者的歷史心電圖資料113將不予以使用。
資料前處理步驟S012更包含驅動處理器120對缺失的訓練生理量測特徵進行補值以產生複數訓練衍生特徵，並對訓練生理量測特徵及訓練衍生特徵進行一正規化處理而產生複數正規化訓練生理量測特徵。進一步說明，訓練生理量測特徵缺失值的補值方式為平均值補值。訓練生理量測特徵及訓練衍生特徵的正規化處理中，性別特徵以獨熱編碼(One Hot Encoder)處理，其餘特徵皆以最小值最大值正規化(Min-Max normalization)處理。訓練衍生特徵為依據身高和體重計算而得的身體質量指數(Body Mass Index，BMI)、依據心率、靜息心率、與年齡計算而得的變時性指數(Chronotropic index)，及依據性別與年齡計算而得的預測代謝當量百分比(Percent predicted METs)，但本發明不以此為限。
在第3圖中，權重訓練步驟S013包含驅動處理器120依據心導管資料114提供各訓練訊號片段及各正規化訓練生理量測特徵權重，並對評估模型112進行訓練。進一步說明，處理器120將各受試者的各訓練訊號片段及各正規化訓練生理量測特徵按人數分為十組，其中八組作為訓練集與驗證集。二組做為測試集使用，並透過類別權重調整依照心導管結果分為有無嚴重冠狀動脈心臟病之類別而給予不同訓練權重，並訓練評估模型112與分類器。模型修正步驟S014包含驅動處理器120將訓練訊號片段及正規化訓練生理量測特徵輸入評估模型112，以產生一訓練結果，處理器120能夠對照訓練結果與心導管資料114而修正評估模型112，以用於後續使用者冠狀動脈心臟病罹患機率值的評估。
參閱第2圖及第4圖所示，第4圖係繪示本發明之運動心電圖資料111之示意圖。資料取得步驟S02包含驅動處理器120從記憶體110取得使用者的運動心電圖資料111。運動心電圖資料111的一檔案格式為XML檔，且包含複數心電訊號片段及複數生理量測特徵。其中，心電訊號片段為使用者各運動階段之12導程心電訊號，其記錄時間及取樣頻率與前述訓練心電訊號片段相同，故不再贅述；生理量測特徵與前述訓練生理量測特徵相同，故不再贅述。第一處理步驟S03包含驅動處理器120將運動心電圖資料111的複數心電訊號片段與運動前階段、運動中階段及恢復期階段進行配對，並選取分別對應於運動前階段、運動中階段及恢復期階段的一個評估訊號片段。三評估訊號片段分別為運動前階段中量測時間為最後的一前階段心電訊號片段、運動中階段中量測心跳最快的一中階段心電訊號片段及恢復期階段中量測時間最前的一恢復期心電訊號片段。詳細而言，在運動心電圖資料111的＜PhaseName＞中，將呈現心電訊號片段所對應的運動階段名稱，其中，運動前階段為PRETEST，運動中階段為EXERCISE，恢復期階段為RECOVERY。
在第4圖中，進一步舉例說明對各心電訊號片段與運動階段的配對的詳細方式：假設欲得知一心電訊號片段所對應的運動階段，首先從運動心電圖資料111中的＜StripData＞取得心電訊號片段的量測時間＜Time＞為28秒。接著，比對到＜TrendData＞的＜EntryTime＞，可確認＜EntryTime＞為28秒時＜HeartRate＞為94 bpm。最後，比對到＜PhaseTime＞的28秒，即可於＜PhaseName＞中得知此心電訊號片段所對應的運動階段為運動前階段。需特別說明的是，於本發明實施例中，由於運動心電圖資料111的檔案格式為XML檔，透過XML檔中的原始資料即可直接進行冠狀動脈心臟病罹患機率的分析，而不需再透過臨床醫師以心電圖波形PDF檔進行判斷，而降低醫師的臨床工作量並且提升檢查的準確率。
在第2圖中，篩選步驟S04包含驅動處理器120依據一第一篩選條件C1及與第一篩選條件C1相異的一第二篩選條件C2篩選評估訊號片段及生理量測特徵而產生篩選結果，並依據篩選結果決定是否產生冠狀動脈心臟病罹患機率值。其中，當處理器120依據篩選結果決定產生冠狀動脈心臟病罹患機率值時，驅動處理器120產生複數篩選後評估訊號片段及複數篩選後生理量測特徵。進一步說明，篩選步驟S04包含依序執行的一第一篩選步驟S041及一第二篩選步驟S042。第一篩選步驟S041包含驅動處理器120確認三評估訊號片段是否滿足第一篩選條件C1而產生一第一篩選結果。當第一篩選結果為是時，處理器120產生篩選後評估訊號片段並接續執行第二篩選步驟S042，當第一篩選結果為否時，處理器120則結束篩選步驟S04，並停止後續冠狀動脈心臟病的評估。第二篩選步驟S042包含驅動處理器120確認生理量測特徵是否滿足第二篩選條件C2而產生一第二篩選結果。當第二篩選結果為是時，處理器120產生篩選後生理量測特徵並接續執行第二處理步驟S05，當第二篩選結果為否時，處理器120則結束篩選步驟S04，並停止後續冠狀動脈心臟病的評估。其中，第一篩選條件C1為前階段心電訊號片段、中階段心電訊號片段及恢復期心電訊號片段中任一者未缺失。第二篩選條件C2為生理量測特徵的一缺失數量小於一預設值，於第二實施例中，預設值為5。
在第2圖中，第二處理步驟S05包含驅動處理器120對篩選後生理量測特徵的缺失值進行補值，並依據篩選後生理量測特徵產生複數衍生特徵，並對篩選後生理量測特徵與衍生特徵進行正規化處理而產生複數正規化生理量測特徵。其中，篩選後生理量測特徵與衍生特徵的正規化處理方式與前述訓練生理量測特徵及訓練衍生特徵的正規化處理相同，故不再贅述。衍生特徵與前述訓練衍生特徵相同，故不再贅述。評估步驟S06包含驅動處理器120從記憶體110取得評估模型112，並將篩選後評估訊號片段及正規化生理量測特徵輸入至評估模型112生成輔助診斷報告，以產生冠狀動脈心臟病罹患機率值。當冠狀動脈心臟病罹患機率值大於等於一機率門檻值時，決定使用者之一後續醫療處置方法。詳細地說，輔助診斷報告的內容包含使用者的正規化生理量測特徵、運動資料、冠狀動脈心臟病罹患機率值，以及前階段心電訊號片段、中階段心電訊號片段與恢復期心電訊號片段的心電圖波形。需特別說明的是，在第二篩選步驟S042中，使用者的生理量測特徵在滿足第二篩選條件C2但仍有缺失的情況下，輔助診斷報告中將備註資料有缺失的警告。
以下進一步舉例說明，分別以一患有冠狀動脈心臟病的使用者及一未患有冠狀動脈心臟病的使用者為個案進行驗證：
＜個案一＞使用者患有冠狀動脈心臟病
在資料取得步驟S02中，取得對應於使用者的運動心電圖資料111。在第一處理步驟S03中，將運動心電圖資料111的複數心電訊號片段與運動前階段、運動中階段及恢復期階段進行配對，並取得對應的評估訊號片段，配對結果與對應的評估訊號片段如下表1A所示。
| 表1A | ||
| 運動階段 | 訊號片段量測時間和心跳 | 評估訊號片段 |
| 運動前階段 | 00分32秒 心跳75 bpm 00分50秒 心跳75 bpm 01分52秒 心跳81 bpm | 01分52秒(時間為最後) |
| 運動中階段 | 04分41秒 心跳104 bpm 06分58秒 心跳115 bpm 07分41秒 心跳121 bpm 08分17秒 心跳122 bpm | 08分17秒(心跳最快) |
| 恢復期階段 | 09分06秒 心跳95 bpm 11分06秒 心跳88 bpm 14分06秒 心跳82 bpm 16分59秒 心跳79 bpm 17分06秒 心跳79 bpm | 09分06秒(量測時間最前) |
在篩選步驟S04中，由上表1A可知前階段心電訊號片段、中階段心電訊號片段及恢復期心電訊號片段中任一者未缺失而滿足第一篩選條件C1。使用者對應的生理量測特徵如下表1B所示，由下表1B可知生理量測特徵缺失數量為1，而滿足第二篩選條件C2。
| 表1B | ||||
| Age | SEX | BMI | Peak Heart Rate | Max Predicted Heart Rate |
| 61 | 0 (MALE) | 28.400548 | 122 | 76 |
| Rest Heart Rate | Max Rate Pressure Product | Maximum Workload | Max ST | ST/HR index |
| 82 | 13936 | 7.6 | NaN | 6.34 |
在第二處理步驟S05中，對篩選後生理量測特徵的缺失值(NaN)進行補值，並依據篩選後生理量測特徵產生複數衍生特徵，並對篩選後生理量測特徵與衍生特徵進行正規化處理而產生複數正規化生理量測特徵。使用者對應的篩選後生理量測特徵及衍生特徵如下表1C所示，正規化生理量測特徵如下表1D所示。由下表1C可知，表1B所缺失的特徵Max ST已透過平均值補值補入。
| 表1C | |||
| Age | SEX | BMI | Peak Heart Rate |
| 61 | 0 (MALE) | 28.400548 | 122 |
| Max Predicted Heart Rate | Rest Heart Rate | Max Rate Pressure Product | Maximum Workload |
| 76 | 82 | 13936 | 7.6 |
| Max ST | ST/HR index | Chronotropic index | Percent predicted METs |
| -1.888268 | 6.34 | 51.948052 | 0.858757 |
| 表1D | ||||
| Age | SEX | BMI | Peak Heart Rate | |
| 0.626866 | 1.0 | 0.0 | 0.524312 | 0.347518 |
| Max Predicted Heart Rate | Rest Heart Rate | Max Rate Pressure Product | Maximum Workload | |
| 0.4 | 0.472222 | 0.177992 | 0.383117 | |
| Max ST | ST/HR index | Chronotropic index | Percent predicted METs | |
| 0.729843 | 0.345881 | 0.182267 | 0.34783 | |
在評估步驟S06中，生成輔助診斷報告以產生冠狀動脈心臟病罹患機率值，輔助診斷報告如下表1E所示，由下表1E可知，個案一使用者冠狀動脈心臟病罹患機率值為0.9587124。當冠狀動脈心臟病罹患機率值大於等於一機率門檻值(例如：50%)時，決定使用者之後續醫療處置方法。由於個案一之使用者被評估患有冠狀動脈心臟病，故須進行後續醫療處置，而對個案一使用者的醫療處置為放置心臟支架。
| 表1E |
| i. 生理量測特徵 |
| Age：61歲 Sex：男性 BMI：28.4 (173 cm / 85 kg) Peak Heart Rate：122 bpm Max Predicted Heart Rate：76% Rest Heart Rest：82 bpm Max Rate Pressure Product：13936 Maximum Workload (Mets)：7.6 Max ST：NaN ST/HR index：6.34 Chronotropic index：51.95 Percent predicted METs：0.86 |
| ii. 患者運動資料 |
| 運動時間：06分25秒 終止原因：Dyspnea(呼吸困難) |
| iii. 冠狀動脈心臟病罹患機率值 |
| 冠狀動脈心臟病(LM ≥ 50% or Other ≥ 70%)機率：95.87% |
| iv. 備註 |
| 特徵缺少：Max_ST |
＜個案二＞使用者未患有冠狀動脈心臟病
在資料取得步驟S02中，取得對應於使用者的運動心電圖資料111。在第一處理步驟S03中，將運動心電圖資料111的複數心電訊號片段與運動前階段、運動中階段及恢復期階段進行配對，並取得對應的評估訊號片段，配對結果與對應的評估訊號片段如下表2A所示。
| 表2A | ||
| 運動階段 | 訊號片段量測時間和心跳 | 評估訊號片段 |
| 運動前階段 | 00分50秒 心跳75 bpm 00分56秒 心跳78bpm 02分14秒 心跳83 bpm | 02分14秒(時間為最後) |
| 運動中階段 | 05分04秒 心跳139 bpm 08分04秒 心跳153 bpm 08分20秒 心跳153 bpm | 08分20秒(心跳最快，若在此階段有兩個以上的片段心跳皆為最快，則取最後一個) |
| 恢復期階段 | 08分30秒 心跳157 bpm 09分11秒 心跳141 bpm 11分11秒 心跳99bpm 14分11秒 心跳92 bpm 17分11秒 心跳90 bpm 17分24秒 心跳90 bpm | 08分30秒(量測時間最前) |
在篩選步驟S04中，由上表2A可知前階段心電訊號片段、中階段心電訊號片段及恢復期心電訊號片段中任一者未缺失而滿足第一篩選條件C1。使用者對應的生理量測特徵如下表2B所示，由下表2B可知生理量測特徵缺失數量為1，而滿足第二篩選條件C2。
| 表2B | ||||
| Age | SEX | BMI | Peak Heart Rate | Max Predicted Heart Rate |
| 64 | 1 (FEMALE) | 18.552876 | 160 | 102 |
| Rest Heart Rate | Max Rate Pressure Product | Maximum Workload | Max ST | ST/HR index |
| 83 | 28424 | 7.1 | NaN | 2.63 |
在第二處理步驟S05中，對篩選後生理量測特徵的缺失值進行補值，並依據篩選後生理量測特徵產生複數衍生特徵，並對篩選後生理量測特徵與衍生特徵進行正規化處理而產生複數正規化生理量測特徵。使用者對應的篩選後生理量測特徵及衍生特徵如下表2C所示，正規化生理量測特徵如下表2D所示。由下表2C可知，表2B所缺失的特徵Max ST已透過平均值補值補入。
| 表2C | |||
| Age | SEX | BMI | Peak Heart Rate |
| 64 | 1 (FEMALE) | 18.552876 | 160 |
| Max Predicted Heart Rate | Rest Heart Rate | Max Rate Pressure Product | Maximum Workload |
| 102 | 83 | 28424 | 7.1 |
| Max ST | ST/HR index | Chronotropic index | Percent predicted METs |
| -1.888268 | 2.63 | 105.479452 | 1.112853 |
| 表2D | ||||
| Age | SEX | BMI | Peak Heart Rate | |
| 0.67164179 | 1.0 | 0.0 | 0.1324331 | 0.61702128 |
| Max Predicted Heart Rate | Rest Heart Rate | Max Rate Pressure Product | Maximum Workload | |
| 0.70588235 | 0.48611111 | 0.58920867 | 0.35064935 | |
| Max ST | ST/HR index | Chronotropic index | Percent predicted METs | |
| 0.72984344 | 0.14348063 | 0.44375243 | 0.5113775 | |
在評估步驟S06中，生成輔助診斷報告以產生冠狀動脈心臟病罹患機率值，輔助診斷報告如下表2E所示，由下表2E可知，個案二使用者冠狀動脈心臟病罹患機率值為0.04812117。當冠狀動脈心臟病罹患機率值大於等於一機率門檻值(例如：50%)時，決定使用者之一後續醫療處置方法。由於個案二之使用者被評估未患有冠狀動脈心臟病，故無須進行後續醫療處置。
| 表2E |
| i. 生理量測特徵 |
| Age：64歲 Sex：女性 BMI：18.6 (154 cm / 44 kg) Peak Heart Rate：160 bpm Max Predicted Heart Rate：102% Rest Heart Rest：83 bpm Max Rate Pressure Product：28424 Maximum Workload (Mets)：7.1 Max ST：NaN ST/HR index：2.63 Chronotropic index：105.48 Percent predicted METs：1.11 |
| ii. 患者運動資料 |
| 運動時間：06分07秒 終止原因：Target heart rate achieved (達到目標心率) |
| iii. 冠狀動脈心臟病罹患機率值 |
| 冠狀動脈心臟病(LM ≥ 50% or Other ≥ 70%)機率：4.81% |
| iv. 備註 |
| 特徵缺少：Max_ST |
由上述實施方式可知，本發明具有下列優點：其一，透過評估模型輸出冠狀動脈心臟病的機率，能夠輔助醫師快速診斷並決定後續醫療處置方法。其二，透過擷取並篩選冠狀動脈心臟病相關特徵數據搭配評估模型，能夠提升冠狀動脈心臟病判斷的準確率，並降低醫師的臨床工作量。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:基於運動心電圖的冠狀動脈心臟病風險評估系統
110:記憶體
111:運動心電圖資料
112:評估模型
113:歷史心電圖資料
114:心導管資料
120:處理器
200:基於運動心電圖的冠狀動脈心臟病風險評估方法
C1:第一篩選條件
C2:第二篩選條件
S01:模型訓練步驟
S011:訓練資料取得步驟
S012:資料前處理步驟
S013:權重訓練步驟
S014:模型修正步驟
S02:資料取得步驟
S03:第一處理步驟
S04:篩選步驟
S041:第一篩選步驟
S042:第二篩選步驟
S05:第二處理步驟
S06:評估步驟
第1圖係繪示本發明之第一實施例之基於運動心電圖的冠狀動脈心臟病風險評估系統的示意圖；
第2圖係繪示本發明之第二實施例之基於運動心電圖的冠狀動脈心臟病風險評估方法的流程示意圖；
第3圖係繪示依照第2圖之基於運動心電圖的冠狀動脈心臟病風險評估方法中模型訓練步驟的流程示意圖；及
第4圖係繪示本發明之運動心電圖資料之示意圖。
200:基於運動心電圖的冠狀動脈心臟病風險評估方法
C1:第一篩選條件
C2:第二篩選條件
S01:模型訓練步驟
S02:資料取得步驟
S03:第一處理步驟
S04:篩選步驟
S041:第一篩選步驟
S042:第二篩選步驟
S05:第二處理步驟
S06:評估步驟
Claims (20)
- 一種基於運動心電圖的冠狀動脈心臟病風險評估方法，用以依據一使用者之一運動心電圖資料評估一冠狀動脈心臟病罹患機率值，該基於運動心電圖的冠狀動脈心臟病風險評估方法包含透過一處理器以實施包含以下步驟之操作：一資料取得步驟，包含驅動該處理器從一記憶體取得該使用者的該運動心電圖資料，該運動心電圖資料包含複數心電訊號片段及複數生理量測特徵；一第一處理步驟，包含驅動該處理器將該些心電訊號片段與複數運動階段進行配對，並選取對應於各該運動階段的複數評估訊號片段；以及一篩選步驟，包含驅動該處理器依據一第一篩選條件及與該第一篩選條件相異的一第二篩選條件篩選該些評估訊號片段及該些生理量測特徵而產生一篩選結果，並依據該篩選結果決定是否產生該冠狀動脈心臟病罹患機率值；其中，當該處理器依據該篩選結果決定產生該冠狀動脈心臟病罹患機率值時，驅動該處理器產生複數篩選後評估訊號片段及複數篩選後生理量測特徵，該基於運動心電圖的冠狀動脈心臟病風險評估方法更包含：一第二處理步驟，包含驅動該處理器依據該些篩選後生理量測特徵產生複數衍生特徵，並對該些篩選後生理量測特徵與該些衍生特徵進行一正規化處理而產生複數正規化生理量測特徵；及 一評估步驟，包含驅動該處理器從該記憶體取得一評估模型，並將該些篩選後評估訊號片段及該些正規化生理量測特徵輸入至該評估模型，以產生該冠狀動脈心臟病罹患機率值。
- 如請求項1所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，其中該篩選步驟更包含：一第一篩選步驟，包含驅動該處理器確認該些評估訊號片段是否滿足該第一篩選條件而產生一第一篩選結果；及一第二篩選步驟，包含驅動該處理器確認該些生理量測特徵是否滿足該第二篩選條件而產生一第二篩選結果；其中，當該第一篩選結果為是時，該處理器產生該些篩選後評估訊號片段並接續執行該第二篩選步驟，當該第一篩選結果為否時，該處理器則結束該篩選步驟；當該第二篩選結果為是時，該處理器產生該些篩選後生理量測特徵並接續執行該第二處理步驟，當該第二篩選結果為否時，該處理器則結束該篩選步驟。
- 如請求項2所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，其中，該些運動階段包含一運動前階段、一運動中階段及一恢復期階段；及該些評估訊號片段包含該運動前階段中量測時間為最後的一前階段心電訊號片段、該運動中階段中量測心跳最快 的一中階段心電訊號片段及該恢復期階段中量測時間最前的一恢復期心電訊號片段。
- 如請求項3所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，其中該第一篩選條件為該前階段心電訊號片段、該中階段心電訊號片段及該恢復期心電訊號片段中任一者未缺失。
- 如請求項2所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，其中該第二篩選條件為該些生理量測特徵的一缺失數量小於一預設值。
- 如請求項5所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，其中該第二處理步驟更包含驅動該處理器對該些篩選後生理量測特徵進行補值。
- 如請求項1所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，更包含透過該處理器實施以下步驟之操作：一模型訓練步驟，包含：一訓練資料取得步驟，包含驅動該處理器從該記憶體取得複數歷史心電圖資料及對應的複數心導管資料，該些歷史心電圖資料包含對應於各該運動階段的複數訓練心電訊號片段及複數訓練生理量測特徵，該些心導管資 料為六個月內所量測的心導管數據；一資料前處理步驟，包含驅動該處理器將該些訓練心電訊號片段與該些運動階段進行配對，以選取對應於各該運動階段的複數訓練訊號片段，對缺失的該些訓練生理量測特徵進行補值以產生複數訓練衍生特徵，並對該些訓練生理量測特徵及該些訓練衍生特徵進行該正規化處理而產生複數正規化訓練生理量測特徵；及一權重訓練步驟，包含驅動該處理器依據該些心導管資料提供該些訓練訊號片段及該些正規化訓練生理量測特徵權重，並對該評估模型進行訓練。
- 如請求項7所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，其中該模型訓練步驟更包含：一模型修正步驟，包含驅動該處理器將該些訓練訊號片段及該些正規化訓練生理量測特徵輸入該評估模型，以產生一訓練結果，該處理器能夠對照該訓練結果與該些心導管資料而修正該評估模型。
- 如請求項7所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，其中，該些運動階段分別為一運動前階段、一運動中階段及一恢復期階段；及該三訓練訊號片段分別為該運動前階段中量測時間最後的一前階段訓練訊號片段、該運動中階段中量測心跳最快 的一中階段訓練訊號片段及該恢復期階段中量測時間最前的一恢復期訓練訊號片段。
- 如請求項7所述之基於運動心電圖的冠狀動脈心臟病風險評估方法，其中，該運動心電圖資料及該些歷史心電圖資料的一檔案格式為一可延伸標記式語言檔；該基於運動心電圖的冠狀動脈心臟病風險評估方法更包含：當該冠狀動脈心臟病罹患機率值大於等於一機率門檻值時，決定該使用者之一後續醫療處置方法。
- 一種基於運動心電圖的冠狀動脈心臟病風險評估系統，用以依據一使用者之一運動心電圖資料評估一冠狀動脈心臟病罹患機率值，該基於運動心電圖的冠狀動脈心臟病風險評估系統包含：一記憶體，儲存該運動心電圖資料及一評估模型，該運動心電圖資料包含複數心電訊號片段及複數生理量測特徵；以及一處理器，耦接該記憶體，該處理器經配置以實施包含以下步驟之操作：一資料取得步驟，包含從該記憶體取得該使用者的該運動心電圖資料；一第一處理步驟，包含將該些心電訊號片段與複數運 動階段進行配對，並選取對應於各該運動階段的複數評估訊號片段；及一篩選步驟，包含依據一第一篩選條件及與該第一篩選條件相異的一第二篩選條件篩選該些評估訊號片段及該些生理量測特徵而產生一篩選結果，並依據該篩選結果決定是否產生該冠狀動脈心臟病罹患機率值；其中，當該處理器依據該篩選結果決定產生該冠狀動脈心臟病罹患機率值時，該處理器產生複數篩選後評估訊號片段及複數篩選後生理量測特徵，該處理器更包含以下步驟之操作：一第二處理步驟，包含依據該些篩選後生理量測特徵產生複數衍生特徵，並對該些篩選後生理量測特徵與該些衍生特徵進行一正規化處理而產生複數正規化生理量測特徵；及一評估步驟，包含從該記憶體取得該評估模型，並將該些篩選後評估訊號片段及該些正規化生理量測特徵輸入至該評估模型，以產生該冠狀動脈心臟病罹患機率值。
- 如請求項11所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中該篩選步驟更包含：一第一篩選步驟，包含確認該些評估訊號片段是否滿足該第一篩選條件而產生一第一篩選結果；及一第二篩選步驟，包含確認該些生理量測特徵是否滿足 該第二篩選條件而產生一第二篩選結果；其中，當該第一篩選結果為是時，該處理器產生該些篩選後評估訊號片段並接續執行該第二篩選步驟，當該第一篩選結果為否時，該處理器則結束該篩選步驟；當該第二篩選結果為是時，該處理器產生該些篩選後生理量測特徵並接續執行該第二處理步驟，當該第二篩選結果為否時，該處理器則結束該篩選步驟。
- 如請求項12所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中，該些運動階段包含一運動前階段、一運動中階段及一恢復期階段；及該些評估訊號片段包含該運動前階段中量測時間為最後的一前階段心電訊號片段、該運動中階段中量測心跳最快的一中階段心電訊號片段及該恢復期階段中量測時間最前的一恢復期心電訊號片段。
- 如請求項13所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中該第一篩選條件為該前階段心電訊號片段、該中階段心電訊號片段及該恢復期心電訊號片段中任一者未缺失。
- 如請求項12所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中該第二篩選條件為該些生理 量測特徵的一缺失數量小於一預設值。
- 如請求項15所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中該第二處理步驟更包含對該些篩選後生理量測特徵進行補值。
- 如請求項11所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中該處理器更包含以下步驟之操作：一模型訓練步驟，包含：一訓練資料取得步驟，包含從該記憶體取得複數歷史心電圖資料及對應的複數心導管資料，該些歷史心電圖資料包含對應於各該運動階段的複數訓練心電訊號片段及複數訓練生理量測特徵，該些心導管資料為六個月內所量測的心導管數據；一資料前處理步驟，包含將該些訓練心電訊號片段與該些運動階段進行配對，以選取對應於該些運動階段的複數訓練訊號片段，對缺失的該些訓練生理量測特徵進行補值以產生複數訓練衍生特徵，並對該些訓練生理量測特徵及該些訓練衍生特徵進行該正規化處理而產生複數正規化訓練生理量測特徵；及一權重訓練步驟，包含驅動依據該些心導管資料提供該些訓練訊號片段及該些正規化訓練生理量測特徵權重，並對該評估模型進行訓練。
- 如請求項17所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中該模型訓練步驟更包含：一模型修正步驟，包含將該些訓練訊號片段及該些正規化訓練生理量測特徵輸入該評估模型，以產生一訓練結果，該處理器能夠對照該訓練結果與該些心導管資料而修正該評估模型。
- 如請求項17所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中，該些運動階段分別為一運動前階段、一運動中階段及一恢復期階段；及該三訓練訊號片段分別為該運動前階段中量測時間最後的一前階段訓練訊號片段、該運動中階段中量測心跳最快的一中階段訓練訊號片段及該恢復期階段中量測時間最前的一恢復期訓練訊號片段。
- 如請求項17所述之基於運動心電圖的冠狀動脈心臟病風險評估系統，其中，該運動心電圖資料及該些歷史心電圖資料的一檔案格式為一可延伸標記式語言檔；該處理器更包含以下之操作：當該冠狀動脈心臟病罹患機率值大於等於一機率門檻值時，決定該使用者之一後續醫療處置方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202363466787P | 2023-05-16 | 2023-05-16 | |
| US63/466,787 | 2023-05-16 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI856824B true TWI856824B (zh) | 2024-09-21 |
| TW202447644A TW202447644A (zh) | 2024-12-01 |
Family
ID=93518610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112135770A TWI856824B (zh) | 2023-05-16 | 2023-09-19 | 基於運動心電圖的冠狀動脈心臟病風險評估方法及其系統 |
Country Status (2)
| Country | Link |
|---|---|
| TW (1) | TWI856824B (zh) |
| WO (1) | WO2024234641A1 (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101420904A (zh) * | 2006-03-03 | 2009-04-29 | 心脏科学公司 | 使用运动诱导的心率变异性指标量化心脏死亡风险的方法 |
| US9149195B2 (en) * | 2006-04-21 | 2015-10-06 | Mortara Instrument, Inc. | Methods and apparatus for quantifying the risk of cardiac death using exercise induced heart rate recovery metrics |
| TWI610657B (zh) * | 2015-11-13 | 2018-01-11 | 慶旺科技股份有限公司 | 藉由心跳相關訊號評估個人心臟健康之穿戴式裝置及其訊號處理方法 |
| TW201918222A (zh) * | 2017-11-03 | 2019-05-16 | 南韓商三星電子股份有限公司 | 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 |
| TWI690336B (zh) * | 2017-10-03 | 2020-04-11 | 長庚大學 | 人工智慧心臟急性病發預警的系統 |
| CN115440381B (zh) * | 2022-11-09 | 2023-02-07 | 中山大学附属第一医院 | 一种基于运动方案的心脏风险等级评估方法、设备及介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10048649A1 (de) * | 2000-09-26 | 2002-04-11 | Biotronik Mess & Therapieg | Risikomontoring |
| US8437839B2 (en) * | 2011-04-12 | 2013-05-07 | University Of Utah Research Foundation | Electrocardiographic assessment of arrhythmia risk |
| CN114052746A (zh) * | 2022-01-05 | 2022-02-18 | 毕胜普生物科技有限公司 | 运动心电数据处理方法、装置、计算机设备和存储介质 |
| CN115394448B (zh) * | 2022-10-28 | 2023-03-28 | 合肥伊阳健康科技有限公司 | 冠心病运动反应性预测模型的建模方法、模型、设备 |
| CN115581465A (zh) * | 2022-11-21 | 2023-01-10 | 毕胜普生物科技有限公司 | 冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统 |
-
2023
- 2023-09-19 TW TW112135770A patent/TWI856824B/zh active
- 2023-12-18 WO PCT/CN2023/139440 patent/WO2024234641A1/zh not_active Ceased
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101420904A (zh) * | 2006-03-03 | 2009-04-29 | 心脏科学公司 | 使用运动诱导的心率变异性指标量化心脏死亡风险的方法 |
| US9149195B2 (en) * | 2006-04-21 | 2015-10-06 | Mortara Instrument, Inc. | Methods and apparatus for quantifying the risk of cardiac death using exercise induced heart rate recovery metrics |
| TWI610657B (zh) * | 2015-11-13 | 2018-01-11 | 慶旺科技股份有限公司 | 藉由心跳相關訊號評估個人心臟健康之穿戴式裝置及其訊號處理方法 |
| TWI690336B (zh) * | 2017-10-03 | 2020-04-11 | 長庚大學 | 人工智慧心臟急性病發預警的系統 |
| TW201918222A (zh) * | 2017-11-03 | 2019-05-16 | 南韓商三星電子股份有限公司 | 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 |
| CN115440381B (zh) * | 2022-11-09 | 2023-02-07 | 中山大学附属第一医院 | 一种基于运动方案的心脏风险等级评估方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024234641A1 (zh) | 2024-11-21 |
| TW202447644A (zh) | 2024-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pal et al. | CardioNet: An efficient ECG arrhythmia classification system using transfer learning | |
| US7771364B2 (en) | Method and system for cardiovascular system diagnosis | |
| US8388542B2 (en) | System for cardiac pathology detection and characterization | |
| JP3710823B2 (ja) | 心拍出量の測定のための改良された方法及び装置 | |
| US20080045844A1 (en) | Method and system for cardiovascular system diagnosis | |
| JP2021534939A (ja) | 被験者の生理学的または生物学的状態または疾患を特定するための方法およびシステム | |
| Altan et al. | A new approach to early diagnosis of congestive heart failure disease by using Hilbert–Huang transform | |
| WO2012106729A1 (en) | System and method for evaluating an electrophysiological signal | |
| US11075009B2 (en) | System and method for sympathetic and parasympathetic activity monitoring by heartbeat | |
| CN111358453B (zh) | 一种血压分类预测方法和装置 | |
| KR102400652B1 (ko) | 딥러닝 기반 비침습 데이터를 활용한 환자의 저혈압 예측 방법 및 장치 | |
| US20060161064A1 (en) | Computer-assisted detection of systolic murmurs associated with hypertrophic cardiomyopathy | |
| US20250169700A1 (en) | Machine learning techniques for estimating carotid-femoral pulse wave velocity and/or vascular age from single-site arterial waveform measurements | |
| CN116649985A (zh) | 心电数据处理方法、装置、计算机设备与存储介质 | |
| US20240398315A1 (en) | Apparatus for predicting atrial fibrillation based on artificial intelligence, and operating method thereof | |
| WO2022044130A1 (ja) | 肺音分析システム | |
| TWI856824B (zh) | 基於運動心電圖的冠狀動脈心臟病風險評估方法及其系統 | |
| Ignacz et al. | NB-SQI: A novel non-binary signal quality index for continuous blood pressure waveforms | |
| AU2021318908B2 (en) | Analysis of an acoustic signal | |
| KR102149753B1 (ko) | 심폐음 신호 획득 방법 및 장치 | |
| Chudácčk et al. | Fetal heart rate data pre-processing and annotation | |
| US20250132041A1 (en) | Output method, output apparatus, and computer-readable storage medium that non-transitorily stores program | |
| KR102803314B1 (ko) | 다중 심층신경망을 이용한 심전도 데이터 분석 방법 및 기록매체 | |
| EP4736757A2 (en) | Lap signal processing to automatically calculate a/v ratio | |
| US20240108270A1 (en) | Method and system for estimating the extent of ischemia in an individual |