多组心电图（MG-ECG）分析的训练框架的制作方法

多组心电图(mg
‑
ecg)分析的训练框架
1.相关申请的交叉引用
2.本技术要求于2019年8月30日在美国专利商标局提交的第16/556,491号美国专利申请的优先权，该美国专利申请的公开内容通过引用整体并入本文。


背景技术：

3.心电图(ecg)检查是可帮助医生诊断许多心脏疾病(包括心房颤动、心肌梗死和急性冠状动脉综合征(acs))的最常见的医疗过程之一。每年记录约3亿个ecg。用于ecg分析的传统方法倾向于使用数字信号处理算法例如小波变换，来从ecg信号计算特征。然而，此类方法不全面，因此仅使用此类方法可能不足以区分多种类型的心律失常。最近的方法采用深度神经网络例如卷积神经网络(cnn)和递归神经网络(rnn)，并可基于ecg信号对多类分类任务实现良好的精度。然而，大多数现有的工作仅对单导联ecg数据有效，这不能提供心跳的全面信息。


技术实现要素：

4.ecg数据的当前训练框架依赖于单导联信号且没有考虑电极和导联的几何特性。本公开的一些实施例接受多导联信号(例如12
‑
导联)作为设置，并应用多个特定于轴的特征提取模块，随后应用精调的分析模型，以实现ecg分析的多个目标，例如ecg监测和报警以及计算机辅助诊断。
5.根据一些实施例，提供了一种通过至少一个处理器执行心电图(ecg)分析的方法，包括：接收来自多个导联的ecg数据；将ecg数据分组为多个数据组；根据多个数据组中的每个数据组，使用相应的机器学习模型生成特征向量；以及使用根据多个数据组中的每个数据组而生成的多个特征向量来执行ecg分析。
6.根据一些实施例，提供了一种用于执行心电图(ecg)分析的设备，包括：至少一个存储器，配置成存储计算机程序代码；至少一个处理器，配置成访问所述计算机程序代码并按照所述计算机程序代码的指令进行操作。计算机程序代码包括：分组代码，配置成使得至少一个处理器将至少一个处理器接收到的且来自多个导联的ecg数据分组为多个数据组；生成代码，配置成使得至少一个处理器根据多个数据组中的每个数据组，使用存储在至少一个存储器中的相应的机器学习模型生成特征向量；以及执行代码，配置成使得至少一个处理器使用根据多个数据组中的每个数据组而生成的多个特征向量来执行ecg分析。
7.根据一些实施例，提供了一种非暂时性计算机可读介质存储计算机指令，计算机指令在通过设备的至少一个处理器运行时，使得至少一个处理器：接收来自多个导联的心电图(ecg)数据；将ecg数据分组为多个数据组；根据多个数据组中的每个数据组，使用存储在存储器中的相应的机器学习模型生成特征向量；以及使用根据多个数据组中的每个数据组而生成的多个特征向量来执行ecg分析。
附图说明
8.图1是根据实施例的可实现本文描述的方法、装置和系统的环境的图。
9.图2是图1的一个或多个设备的示例组件的图。
10.图3是实施例的mg
‑
ecg分析框架的主要架构的图。
11.图4是根据实施例的用于执行ecg分析的方法的流程图。
12.图5是根据实施例的用于执行ecg分析的装置的图。
具体实施方式
13.本公开的一些实施例设计成通过单导联和多导联ecg数据实现多个数据分析任务。在一个实施例中，多组心电图(mg
‑
ecg)分析框架使用分组模块，分组模块基于不同的标准将来自多个ecg导联的数据流分组为多个组。两个标准可以是例如(1)使所有导联形成单独一组；(2)使每个导联形成特定组。在一个实施例中，多轴特征提取模块针对来自分组模块的每个预定义组采用多个模型，且来自多个模型的数据特征被收集以用于最终分析模块。因此，实施例的mg
‑
ecg分析框架可广泛地应用于各种类型的分析任务。在分析时，mg
‑
ecg分析框架还可考虑背景知识，例如几何特性、本体。
14.图1是根据实施例的可实现本文描述的方法、装置和系统的环境100的图。如图1所示，环境100可包括用户设备110、平台120和网络130。环境100的设备可通过有线连接、无线连接或者有线连接和无线连接的组合来互连。
15.用户设备110包括能够接收、生成、存储、处理和/或提供与平台120相关联的信息的一个或多个设备。例如，用户设备110可包括计算设备(例如，台式计算机、膝上型计算机、平板计算机、手持式计算机、智能扬声器、服务器等)、移动电话(例如，智能电话、无线电话等)、可穿戴设备(例如，一对智能眼镜或智能手表)或类似设备。在一些实现方式中，用户设备110可从平台120接收信息和/或向平台120发送信息。
16.平台120包括一个或多个设备，如在本文的其他地方所描述的。在一些实现方式中，平台120可包括云服务器或一组云服务器。在一些实现方式中，平台120可设计成模块化平台，使得软件组件可根据特定需要而换入或换出。因此，平台120可容易地和/或快速地针对不同用途来重新配置。
17.在一些实现方式中，如图所示，平台120可托管在云计算环境122中。应注意，虽然本文描述的实现方式将平台120描述成托管在云计算环境122中，但是在一些实现方式中，平台120不基于云(即，可以在云计算环境之外实现)或者可部分地基于云。
18.云计算环境122包括托管平台120的环境。云计算环境122可提供不需要终端用户(例如，用户设备110)知道托管平台120的系统和/或设备的物理位置和配置的计算、软件、数据访问、存储等服务。如图所示，云计算环境122可包括一组计算资源124(这一组计算资源统称为“计算资源124”，单独一个计算资源称为“计算资源124”)。
19.计算资源124包括一个或多个个人计算机、工作站计算机、服务器设备或其他类型的计算和/或通信设备。在一些实现方式中，计算资源124可控制平台120。云资源可包括在计算资源124中运行的计算实例、在计算资源124中提供的存储设备、由计算资源124提供的数据传输设备等。在一些实现方式中，计算资源124可通过有线连接、无线连接或者有线连接和无线连接的组合与其他计算资源124通信。
20.进一步如图1所示，计算资源124包括一组云资源，例如一个或多个应用(“app”)124
‑
1、一个或多个虚拟机(“vm”)124
‑
2、虚拟化存储器(“vs”)124
‑
3、一个或多个管理程序(“hyp”)124
‑
4等。
21.应用124
‑
1包括可提供给用户设备110和/或平台120或者由用户设备110和/或平台120访问的一个或多个软件应用。应用124
‑
1可消除在用户设备110上安装和运行软件应用的需要。例如，应用124
‑
1可包括与平台120相关联的软件和/或能够通过云计算环境122提供的任何其他软件。在一些实现方式中，一个应用124
‑
1可通过虚拟机124
‑
2向一个或多个其他应用124
‑
1发送信息/从一个或多个其他应用124
‑
1接收信息。
22.虚拟机124
‑
2包括像物理机一样运行程序的机器(例如，计算机)的软件实现。根据虚拟机124
‑
2对任何实际机器的对应程度和用途，虚拟机124
‑
2可以是系统虚拟机或过程虚拟机。系统虚拟机可提供支持完整操作系统(“os”)的运行的完整系统平台。过程虚拟机可运行单个程序，且可支持单个过程。在一些实现方式中，虚拟机124
‑
2可代表用户(例如，用户设备110)运行，且可管理云计算环境122的基础设施，例如数据管理、同步或长时间数据传输。
23.虚拟化存储器124
‑
3包括在计算资源124的存储系统或设备内使用虚拟化技术的一个或多个存储系统和/或一个或多个设备。在一些实现方式中，在存储系统的环境中，虚拟化的类型可包括块虚拟化和文件虚拟化。块虚拟化可指的是逻辑存储与物理存储的抽象化(或分离)，使得可以在不考虑物理存储或异构结构的情况下访问存储系统。分离可允许存储系统的管理员在管理员如何管理终端用户的存储方面具有灵活性。文件虚拟化可消除以文件级别访问的数据与物理地存储文件的位置之间的依赖性。这可使得存储器使用、服务器整合和/或无干扰文件迁移性能得到优化。
24.管理程序124
‑
4可提供硬件虚拟化技术，硬件虚拟化技术允许多个操作系统(例如，“客户操作系统”)在主控计算机例如计算资源124上同时运行。管理程序124
‑
4可给客户操作系统呈现虚拟操作平台，且可管理客户操作系统的运行。各操作系统的多个实例可共享虚拟化硬件资源。
25.网络130包括一个或多个有线网络和/或无线网络。例如，网络130可包括蜂窝网络(例如，第五代(5g)网络、长期演进(lte)网络、第三代(3g)网络、码分多址(cdma)网络等)、公共陆地移动网络(plmn)、局域网(lan)、广域网(wan)、城域网(man)、电话网(例如，公共交换电话网(pstn))、专用网络、自组织网络、内部网、因特网、基于光纤的网络等，和/或这些或其他类型网络的组合。
26.图1所示的设备和网络的数量和布置作为示例来提供。在实践中，可存在额外的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或与图1所示的设备和/或网络不同地布置的设备和/或网络。此外，图1所示的两个或更多个设备可以在单个设备内实现，或者图1所示的单个设备可实现为多个分布式设备。另外或者替代地，环境100的一组设备(例如，一个或多个设备)可执行被描述成由环境100的另一组设备执行的一个或多个功能。
27.图2是图1的一个或多个设备的示例组件的图。设备200可对应于用户设备110和/或平台120。如图2所示，设备200可包括总线210、处理器220、存储器230、存储组件240、输入组件250、输出组件260和通信接口270。
28.总线210包括允许设备200的组件之间进行通信的组件。处理器220以硬件、固件或者硬件和软件的组合来实现。处理器220是中央处理单元(cpu)、图形处理单元(gpu)、加速处理单元(apu)、微处理器、微控制器、数字信号处理器(dsp)、现场可编程门阵列(fpga)、专用集成电路(asic)或另一类型的处理组件。在一些实现方式中，处理器220包括能够被编程以执行功能的一个或多个处理器。存储器230包括随机存取存储器(ram)、只读存储器(rom)和/或另一类型的动态或静态存储设备(例如，闪存、磁性存储器和/或光学存储器)，其存储供处理器220使用的信息和/或指令。
29.存储组件240存储与设备200的操作和使用相关的信息和/或软件。例如，存储组件240可包括硬盘(例如，磁盘、光盘、磁光盘和/或固态盘)、光碟(cd)、数字通用盘(dvd)、软盘、盒式磁带、磁带和/或另一类型的非暂时性计算机可读介质、以及相应的驱动器。
30.输入组件250包括允许设备200接收信息的组件，该信息例如通过用户输入(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关和/或麦克风)输入。另外或者替代地，输入组件250可包括用于感测信息的传感器(例如，全球定位系统(gps)组件、加速计、陀螺仪和/或致动器)。输出组件260包括提供来自设备200的输出信息的组件(例如，显示器、扬声器和/或一个或多个发光二极管(led))。
31.通信接口270包括类似收发器的组件(例如，收发机和/或单独的接收机和发射机)，其使得设备200能够与其他设备通信，例如通过有线连接、无线连接或者有线连接和无线连接的组合与其他设备通信。通信接口270可允许设备200从另一设备接收信息和/或向另一设备提供信息。例如，通信接口270可包括以太网接口、光学接口、同轴接口、红外接口、射频(rf)接口、通用串行总线(usb)接口、wi
‑
fi接口、蜂窝网络接口等。
32.设备200可执行本文描述的一个或多个过程。设备200可响应于处理器220运行由诸如存储器230和/或存储组件240的非暂时性计算机可读介质存储的软件指令，来执行这些过程。在本文中，计算机可读介质定义为非暂时性存储器设备。存储器设备包括单个物理存储设备内的存储器空间或者分布在多个物理存储设备上的存储器空间。
33.软件指令可通过通信接口270从另一计算机可读介质读入存储器230和/或存储组件240中，或者从另一设备读入存储器230和/或存储组件240中。当运行时，存储在存储器230和/或存储组件240中的软件指令可使得处理器220执行本文描述的一个或多个过程。另外或者替代地，可使用硬连线电路来代替软件指令或者与软件指令组合，来执行本文描述的一个或多个过程。因此，本文描述的实现方式不限于硬件电路和软件的任何特定组合。
34.图2所示的组件的数量和布置作为示例来提供。在实践中，设备200可包括额外的组件、更少的组件、不同的组件、或与图2所示的组件不同地布置的组件。另外或者替代地，设备200的一组组件(例如，一个或多个组件)可执行被描述成由设备200的另一组组件执行的一个或多个功能。
35.图3示出了实施例的mg
‑
ecg分析框架300的主要架构。
36.框架300可包括三个主要模块：(1)分组模块320，(2)一个或多个特征提取模块340，(3)ecg分析模块360。分组模块320可将多导联ecg数据分组为多个小组。在一个实施例中，支持分组标准池325可提供不同策略，不同策略可帮助分组模块320确定组分配。每个特征提取模块可提取具有相同参数集的一组ecg数据。ecg分析模块360可完成诸如聚集、分类、预测等特定任务，然后实现框架300的最终目标。
37.在一个实施例中，分组模块320可接收多个ecg数据310，多个ecg数据310包括例如ecg数据310
‑
1、ecg数据310
‑
2、ecg数据310
‑
3、
……
ecg数据310
‑
n，其中每个ecg数据来自相应的导联。分组模块320可从例如包括用于ecg检查的多个电极和多个导联的ecg设备接收多个ecg数据310。分组模块320可将多个ecg数据310分组为多个小组330。在一个实施例中，分组模块320可将多个ecg数据310分组为多个组330
‑
1、330
‑
2、
……
330
‑
n。在每一组330中，数据共享某些类型的特征或具有共同特性。分组模块320可使用分组标准池325或设计成决定ecg数据310如何分组的一组内置规则。例如，假设ecg数据310的每个导联的几何特性用作分组的标准，则通过假设ecg信号的相似方向提供相似特征，使得来自不同导联的ecg数据300可根据电极的放置方式来分组。分组模块320，特别是分组标准池325，可能需要领域知识和专家意见来创建用于分组的规则和标准。标准的多个示例包括但不限于限定ecg导联的轴的电极放置方式、导联的连续性(contiguity of leads)和随机分组策略。可以在分组模块320中执行用于每一组330的ecg数据的预处理过程，以生成归一化且干净的数据观测。
38.在一个实施例中，框架300可包括一个或多个特征提取模块340。例如，框架300可包括特征提取模块340
‑
1、340
‑
2、
……
340
‑
n。分组的ecg数据通常共享相似的特征集和共同特性。可以给数据组330中的相应一个数据组设计特定于组的特征提取模块340。例如，可以给数据组330
‑
1设计特征提取模块340
‑
1。在一个实施例中，特征提取模块340可具有类似的结构，使得提取的特征是可比的。特征提取模块340可接受预处理的ecg数据330作为输入，并生成特征向量350作为输出。例如，特征向量350可包括特征向量350
‑
1、350
‑
2、
……
350
‑
n。每个特征向量350可以是例如一组特征。在一个实施例中，每个特征提取模块可输出特征向量350中的相应一个(或多个)特征向量。例如，特征提取模块340
‑
1可输出特征向量350
‑
1。在模型方面，特征提取模块340可使用任何机器学习方法，包括例如支持向量机(svm)、随机森林(rf)或深度学习模型，例如cnn和rnn。每个特征提取模块340可使用相应的一个模型或多个模型。可单独训练每个特征提取模块340的参数以获取特定于组的提取方法。
39.ecg分析模块360可接受提取的特征并产生最终结果370，例如分类结果、离群值警报、包括例如病理征兆的预测诊断。结果370可用于或包括例如监测和报警、计算机辅助诊断和检测病理征兆。ecg分析模块360可设置有特定于任务的模块池365。特定于任务的模块池365可以是用于各种ecg相关任务的不同模型的集合。例如，此类模型可包括用于ecg监测和报警的若干统计过程控制算法、用于计算机辅助诊断的若干预测模型和分类器模型、以及用于常见病理状态计算的一些统计工具。根据使用框架300的目标，ecg分析模块360可部署来自于特定于任务的模块池365的适当工具，以完成端到端框架并实现最终目标。
40.至少一个处理器可配置成分组模块320、特征提取模块340和ecg分析模块360，使得至少一个处理器执行各模块的功能。例如，至少一个处理器中的一个或多个处理器可一起执行一个或多个模块的功能，或者至少一个处理器中的相应处理器或多个处理器可执行每个模块的功能。
41.图4示出了由本公开的实施例的至少一个处理器执行的方法。
42.在实施例中，至少一个处理器可接收多个ecg数据310(410)。随后，至少一个处理器可通过执行分组模块320的功能，将多个ecg数据310分组为多个组330(420)。例如，在对多个ecg数据310进行分组时，至少一个处理器可使用存储在存储器中的支持分组标准池
325。然后，至少一个处理器可通过执行每个特征提取模块340的功能，从每一组330中生成特征向量350(430)。然后，至少一个处理器可通过执行ecg分析模块360的功能来分析特征向量350并产生结果370(440)。例如，在分析特征向量350时，至少一个处理器可使用存储在一个或多个存储器中的特定于任务的模块池365。
43.图5是根据实施例的用于执行ecg分析的装置500的图。如图5所示，装置500包括数据分组代码510、特征生成代码520和执行代码540。装置500可包括至少一个处理器以执行这些代码中的一个或多个代码。
44.数据分组代码510可配置成通过使得至少一个处理器执行分组模块320的功能来使得至少一个处理器将多个ecg数据310分组为多个组330。特征生成代码520可包括多个特征生成代码。多个特征生成代码中的每一个可配置成通过使得至少一个处理器执行相应的特征提取模块340的功能来使得至少一个处理器从多个组330中的相应组中生成特征向量350。执行代码530可配置成通过使得至少一个处理器执行ecg分析模块360的功能来使得至少一个处理器分析特征向量350并产生结果370。
45.本公开的实施例，例如图1所示的实施例，可以是端到端框架。本公开的实施例是对ecg分析模型的现有方法的改进，因为例如，本公开的实施例可通过定义具有相同结构的提取模块340来考虑不同导联的相似性和差异，并包括将多个导联划分成多个小组330的分组模块320。
46.此外，本公开的实施例可接受12
‑
导联ecg数据，12
‑
导联ecg数据可提供综合信息，以实现模型的更好性能。此外，实施例的分组模块可减小整个模型的尺寸，以使得该模型能够应用于较小的设备例如膝上型计算机和移动设备。
47.在本公开的实施例中，分组模块320的分组标准可作为内置规则而不是标准池来加载。这种方法对于特定任务更有效。在本公开的实施例中，分组模块320的分组结果可以是互斥组或重叠组。
48.在本公开的实施例中，特征提取模块340可以针对不同的组应用不同类型的模型。这种方法对于重叠分组策略来说是更好的选项。在本公开的实施例中，特征提取模块340的类似模型可共享参数子集，以考虑组之间的相似性。
49.本公开的实施例可提供被设计成端到端过程的框架，使得整个框架的优化和修改同时进行。可选地，该过程可以是逐步训练过程，其中特征提取模块340可例如使用编码器和解码器结构来单独进行训练。
50.本公开的实施例不限于应用于ecg分析。即，本公开的实施例可扩展到具有多个输入源的其他应用。
51.前述公开内容提供了说明和描述，但并不旨在穷举或将实施方式限制为所公开的精确形式。可根据上述公开内容进行修改和变型，或者可从实施方式的实践中获得修改和变型。
52.如本文所使用的，术语“组件”旨在被广义地解释为硬件、固件或硬件和软件的组合。
53.显然，本文所描述的系统和/或方法可以以不同形式的硬件、固件或者硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码并不限制实施方式。因此，本文在不参考特定软件代码的情况下描述了系统和/或方法的操作和行为—
应当理解，可将软件和硬件设计成实现基于本文的描述的系统和/或方法。
54.即使在权利要求中叙述和/或在说明书中公开了特征的多种组合，这些组合也不旨在限制可能的实施方式的公开内容。实际上，这些特征中的许多特征可以以权利要求中未具体叙述和/或说明书中未具体公开的方式进行组合。虽然下面列出的每个从属权利要求可能仅直接从属于一个权利要求，但是可能的实施方式的公开内容包括每个从属权利要求与权利要求集合中的任何其他权利要求结合。
55.除非明确地描述，否则本文中使用的要素、动作或指令均不应被解释为关键的或必不可少的。另外，如本文所使用的，冠词“一”和“一个”旨在包括一个或多个项，且可以与“一个或多个”互换地使用。此外，如本文所使用的，术语“集合”旨在包括一个或多个项(例如，相关项、不相关项、相关项和不相关项的组合等)，且可以与“一个或多个”互换地使用。在仅旨在指示一项的情况下，使用术语“一个”或类似语言。此外，如本文所使用的，术语“具有”、“具备”、“含有”等旨在指示开放式术语。此外，除非另有明确说明，否则短语“基于”旨在表示“至少部分地基于”。