[发明专利]多通道和伴心律迁移学习

说明书

公开了对心电图(ECG)数据中的心脏事件进行分类的技术。通过使用机器学习架构中的第一阶段分析患者的ECG数据来生成特征集。基于所述特征集，使用所述机器学习架构中的所述第一阶段对所述ECG数据中的第一心脏事件进行分类。基于所述经分类的第一心脏事件和所述特征集，使用所述机器学习架构中的第二阶段对所述ECG数据中的第二心脏事件进行分类。所述第二心脏事件与所述第一心脏事件至少在时间上部分地重叠。此外，使用机器学习架构中的路径生成对应于多通道ECG数据的多个特征集。基于所述多个特征集使用所述机器学习架构对所述ECG数据中的心脏事件进行分类。

相关申请的交叉引用

本申请要求于2018年11月30日提交的美国临时申请序号62/773,817的权益。上述相关专利申请的全部内容通过引用并入本文中。

背景技术

用于收集生物特征数据的便携式监视设备在诊断和治疗患者的身体疾病方面正变得越来越普遍。移动心脏遥测(MCT)就是示例之一。MCT使医生获得了有关各种心脏疾病和异常的发生和规律的宝贵信息。可以分析使用MCT收集的ECG数据以检测各种心脏疾病，包括各种异常心跳和心律。

附图说明

为了能够详细地理解本公开的特征的方式，可以通过参考实施例获得上面简要概述的本公开的更具体的描述，附图中示出了其中一些实施例。然而，应注意，附图仅示出了示例性实施例，因此不应被视为限制其范围，可以允许其他同等有效的实施例。

图1示出了根据一个实施例的示例性计算环境。

图2示出了根据一个实施例的并行处理计算环境。

图3示出了根据一个实施例的用于处理接收到的健康事件的事件引擎。

图4A-B示出了根据一个实施例的用于从ECG数据识别主心律和“伴心律(withrhythms)”的深度学习架构。

图5是根据一个实施例的用于训练从ECG数据识别主心律和“伴心律”的深度学习架构的流程图。

图6是根据一个实施例的用于使用深度学习架构对主心律和“伴心律”进行分类的流程图。

图7示出了根据一个实施例的用于使用单通道ECG数据对心脏事件进行分类的深度学习架构。

图8示出了用于使用多通道ECG数据对心脏事件进行分类的深度学习架构。

图9是根据一个实施例的使用多通道ECG数据对心脏事件进行分类的深度学习架构。

图10是根据一个实施例的使用多通道ECG数据和深度学习架构对心脏事件进行分类的流程图。

为了便于理解，相同附图标记(在可能的情况下)表示图中共同的相同元素。可以设想，一个实施例的元素和特征可以有益地并入其他实施例，而无需进一步叙述。

具体实施方式

概述

本文描述的实施例是一种用于对心脏事件进行分类的计算机实现的方法。该方法包括通过使用机器学习架构中的第一阶段分析患者的心电图(ECG)数据来生成特征集。该方法还包括基于特征集使用所述机器学习架构中的第一阶段对ECG数据中的第一心脏事件进行分类。该方法还包括基于经分类的第一心脏事件和特征集，使用机器学习架构的第二阶段对ECG数据中的第二心脏事件进行分类。第二心脏事件与第一心脏事件至少在时间上部分重叠。

本文所述的另一个实施例是一种用于对心脏事件进行分类的计算机实现的方法。该方法包括接收与患者有关的多个心电图(ECG)数据通道。该方法还包括生成多个特征集，每个特征集对应于多个ECG数据通道中的对应一个。每个特征集是使用机器学习架构中的相应路径生成的。该方法还包括基于多个特征集，使用机器学习架构对ECG数据中的心脏事件进行分类。