[发明专利]用于检测心律失常的计算设备

权利要求书

1.一种用于检测心律失常的设备，其特征在于，所述设备包括：存储器(10)，所述存储器被布置成接收心电图数据并存储定义用于检测心律失常的第一分类模型和用于检测心律失常的第二分类模型的数据，从通过机器学习来处理与具有第一持续时间的心电图相关联的数据而得到用于检测心律失常的第一分类模型，以及从通过机器学习来处理与具有第二持续时间的心电图相关的数据而得到用于检测心律失常的第二分类模型，所述第一持续时间小于所述第二持续时间；分类器(6)，所述分类器被布置为基于分类模型分析心电图数据，并返回分类值；以及，驱动器(8)，所述驱动器被布置为将所接收的心电图数据作为输入存储在所述存储器(10)中，以便一方面根据第一持续时间对这些数据进行汇总，并且基于用于检测心律失常的第一分类模型来使用所述分类器(6)对这些数据进行分析，以及另一方面根据第二持续时间对这些数据进行汇总，并基于用于检测心律失常的第二分类模型来使用所述分类器(6)对这些数据分析，以及所述驱动器布置为在所述分类器(6)基于第一分类模型进行的分析返回与心律失常相关的分类值时返回警报数据。

2.根据权利要求1所述的设备，其特征在于，所述第二持续时间是所述第一持续时间的整数倍，并且其中，所述驱动器(8)被布置为应用用于检测心律失常的第二分类模型，使得具有第二持续时间的电描记图数据的分类值对应于通过将具有所述第二持续时间的电描记图数据切割成具有第一持续时间的电描记图数据的多个子组并且通过将用于检测心律失常的第一分类模型应用于电描记图数据的这些子组中的每个子组而获得的分类值的线性组合。

3.根据权利要求2所述的设备，其特征在于，所述驱动器(8)被布置为计算通过将用于检测心律失常的第一分类模型应用于电描记图数据的所述子组中的每个子组而获得的分类值的加权平均值。

4.根据前述权利要求中一项所述的设备，其特征在于，还包括机器学习引擎(4)，所述机器学习引擎被布置为确定用于检测心律失常的第一分类模型和用于检测心律失常的第二分类模型。

5.根据权利要求4所述的设备，其特征在于，所述学习引擎(4)被布置为执行从监督学习、半监督学习、无监督学习或者这些学习方法中的两种或更多种的组合中选择的学习方法。

6.一种由计算机实现的用于检测心律失常的方法，包括以下操作：

a)接收心电图数据，

b)一方面根据第一持续时间，以及另一方面根据第二持续时间，对在操作a)期间接收到的数据进行汇总，所述第一持续时间小于所述第二持续时间，

c)基于用于检测心律失常的第一分类模型来利用分析器(6)分析根据第一持续时间汇总的数据，并返回第一分类值，用于检测心律失常的第一分类模型是从通过机器学习来处理与具有第一持续时间的心电图相关的数据而得出的，

d)基于用于检测心律失常的第二分类模型来利用分析器(6)分析根据第二持续时间汇总的数据，并返回第二分类值，用于检测心律失常的第二分类模型是从通过机器学习来处理与具有第二持续时间的心电图相关的数据而得出的，以及

e)当所述第一分类值与心律失常相关时发出警报数据。

7.根据权利要求6所述的方法，其特征在于，所述第二持续时间是第一持续时间的整数倍，并且在操作d)中的第二分类值的计算包括计算第一分类值的线性组合，所述第一分类值是通过将具有第二持续时间的电描记图数据切割成具有第一持续时间的电描记图数据的多个子组并且通过将操作c)应用于电描记图数据的所述子组而获得的。

8.根据权利要求7所述的方法，其特征在于，在操作d)中的线性组合包括计算通过将用于检测心律失常的第一分类模型应用于具有第一持续时间的电描记图数据的所述子组而获得的第一分类值的加权平均值。

9.根据权利要求6至8中任一项所述的方法，其特征在于，通过机器学习获得用于检测心律失常的第一分类模型和用于检测心律失常的第二分类模型。

10.根据权利要求9所述的方法，其特征在于，所述机器学习方法是从监督学习、半监督学习、无监督学习或这些学习方法中的两种或更多种的组合中选择的学习方法。