Georgia Tech Research Corporation;Emory University
发明人:
申请号：
EP17882641.8
公开号：
EP3558101A1
申请日:
2017.12.21
申请国别(地区):
EP
年份:
2019
代理人:
摘要：
The systems and methods can accurately and efficiently determine abnormal cardiac activity from motion data and/or cardiac data using techniques that can be used for long-term monitoring of a patient. In some embodiments, the method for using machine learning to determine abnormal cardiac activity may include receiving one or more may include applying a trained deep learning architecture to each tensor of the one or more periods of time to classify each window and/or each period into one or more classes using at least the one or more signal quality indices for the cardiac data and the motion data and cardiovascular features. The deep learning architecture may include a convolutional neural network, a bidirectional recurrent neural network, and an attention network. The one or more classes may include abnormal cardiac activity and normal cardiac activity.La présente invention concerne des systèmes et des procédés permettant de déterminer avec précision et efficacité une activité cardiaque anormale à partir de données de mouvement et/ou de données cardiaques à l'aide de techniques qui peuvent être utilisées pour une surveillance à long terme d'un patient. Selon certains modes de réalisation, le procédé d'utilisation de l'apprentissage automatique pour déterminer une activité cardiaque anormale peut consister à recevoir une ou plusieurs périodes de données cardiaques et de données de mouvement pour un sujet. Le procédé peut consister à appliquer une architecture d'apprentissage approfondi formée à chaque tenseur de la ou des périodes pour classifier chaque fenêtre et/ou chaque période en une ou plusieurs classes à l'aide d'un ou plusieurs indices de qualité de signal pour les données cardiaques et les données de mouvement, et/ou de caractéristiques cardiovasculaires. L'architecture d'apprentissage approfondi peut comprendre un réseau neuronal convolutionnel, un réseau neuronal récurrent bidirectionnel et un réseau d'attention. La ou les classes peuvent comprendre une a
