TWI758039B - 選擇心電圖的特徵的電子裝置和方法 - Google Patents

Abstract

提出一種選擇心電圖的特徵的電子裝置和方法。方法包含：取得心電圖；對心電圖進行第一前處理以產生第一心電圖；在第一心電圖上標記對應於至少一種波的多個端點；根據至少一種波的多個端點計算對應於第一特徵的第一特徵值，根據第一特徵值產生對應於機器學習模型的第一效能指標，並且根據第一效能指標判斷是否選擇第一特徵；以及響應於選擇第一特徵而輸出第一特徵。

Description

選擇心電圖的特徵的電子裝置和方法

本發明是有關於一種選擇心電圖（electrocardiogram，ECG）的特徵的電子裝置和方法。

心血管疾病長年占據十大死因之一。由於心血管疾病並無明顯的病徵，故其對患者造成很大的威脅。供給心臟血液的冠狀動脈的血管壁可能因為老化、菸害、三高、遺傳或飲食習慣等因素而發生硬化或變得狹窄。如此，可能導致心臟的供血不足，從而造成心絞痛或心肌梗塞等問題。

為了檢查冠狀動脈的相關疾病，醫生常使用運動心電圖以進行非侵入式的檢查。然而，相較於直接侵入式檢查的方法，利用運動心電圖進行心血管疾病的檢查存在偽陽性（false positive，FP）過高的問題。因此，如何提出一種能改善用於分析心電圖的機器學習模型的效能的方法，是本領域人員致力的目標之一。

本發明提供一種選擇心電圖的特徵的電子裝置和方法，可找出與心臟疾病高度相關的一個或多個特徵。

本發明的一種選擇心電圖的特徵的電子裝置，包含處理器、儲存媒體以及收發器。儲存媒體儲存多個模組。處理器耦接儲存媒體以及收發器，並且存取和執行多個模組，其中多個模組包含資料收集模組、第一前處理模組、標記模組、特徵建立模組、特徵選擇模組以及輸出模組。資料收集模組通過收發器取得心電圖。第一前處理模組對心電圖進行第一前處理以產生第一心電圖。標記模組在第一心電圖上標記對應於至少一種波的多個端點。特徵建立模組根據至少一種波的多個端點計算對應於第一特徵的第一特徵值，並且根據第一特徵值產生對應於機器學習模型的第一效能指標。特徵選擇模組根據第一效能指標判斷是否選擇第一特徵。輸出模組響應於選擇第一特徵而通過收發器輸出第一特徵。

在本發明的一實施例中，上述的至少一種波包含R波，其中多個模組更包含第二前處理模組。第二前處理模組對第一心電圖進行第二前處理以產生第二心電圖，其中標記模組根據窗函數將第二心電圖區分成多個部分，並且響應於多個部分中的第一部分包含大於零的至少一資料點而將第一部分中具有最大值的第一資料點標記為第一參考點，其中第一參考點對應於第一參考時間點，其中標記模組根據第一參考時間點決定第一心電圖的第一時段，並且將第一時段中具有最大值的第二資料點標記為第一R波端點，其中第一參考時間點位在第一時段的中心，其中多個端點包含第一R波端點。

在本發明的一實施例中，上述的至少一種波更包含Q波，其中第一R波端點對應於第一時間點，其中標記模組根據第一時間點決定第一心電圖的第二時段，並且將第二時段中具有最小值的第三資料點標記為第一Q波端點，其中第一時間點為第二時段的最晚時間點，其中多個端點包含第一Q波端點。

在本發明的一實施例中，上述的標記模組響應於第三資料點的斜率為正而將早於第二時段的第三時段中具有最小值的第四資料點標記為第一Q波端點。

在本發明的一實施例中，上述的第一Q波端點對應於第二時間點，其中標記模組在第一心電圖上標記包含第一R波端點的多個R波端點，根據多個R波端點計算平均RR間隔，根據多個R波端點的數量決定權重，並且根據平均RR間隔以及權重決定第二窗函數，其中標記模組根據第二窗函數以決定早於第二時間點的第四時段，並且將第四時段中具有最大值的第五資料點標記第一P波端點，其中第二時間點對應於第四時段的第二最晚時間點，其中多個端點包含第一P波端點。

在本發明的一實施例中，上述的標記模組響應於第五資料點的斜率為負而將早於第四時段的第五時段中具有最大值的第六資料點標記為第一P波端點。

在本發明的一實施例中，上述的第一前處理包含：對心電圖進行基線漂移移除、去雜訊以及標準化以產生第一心電圖。

在本發明的一實施例中，上述的第二前處理包含：將第一心電圖分割成三個部分，其中三個部分包含第一時段心電圖、晚於第一時段心電圖的第二時段心電圖以及晚於第二時段心電圖的第三時段心電圖，其中第一時段心電圖以及第三時段心電圖的長度相同；計算對應於第一時段心電圖的第一標準差以及對應於第二時段心電圖的第二標準差；以及響應於第一標準差與第二標準差之間的差值大於第一閾值而自第一心電圖中刪除第一時段心電圖。

在本發明的一實施例中，上述的第二前處理更包含：對第一心電圖進行小波轉換以產生經轉換心電圖；將經轉換心電圖標準化成標準分數；以及將標準分數中小於第二閾值的多個資料點設為零以產生第二心電圖。

在本發明的一實施例中，上述的資料收集模組通過收發器接收多個心電圖，其中多個心電圖包含第一導程心電圖和第二導程心電圖，其中資料收集模組將第一導程心電圖標準化成第一標準分數函數，響應於第一標準分數函數中的至少一第一標準分數的至少一第一絕對值大於第一標準分數函數中的第一標準分數的第一絕對值而從第一標準分數函數的多個第一標準分數中選擇至少一第一標準分數以計算第一總合，其中資料收集模組將第二導程心電圖標準化成第二標準分數函數，響應於第二標準分數函數中的至少一第二標準分數的至少一第二絕對值大於第二標準分數函數中的第二標準分數的第二絕對值而從第二標準分數函數的多個第二標準分數中選擇至少一第二標準分數以計算第二總合，其中資料收集模組根據第一總合和第二總合的正負以從多個心電圖中選擇對應於第三導程的心電圖。

在本發明的一實施例中，上述的第一導程心電圖對應於導程I，其中第二導程心電圖對應於導程aVF，其中第三導程對應於下列的其中之一：導程II、導程aVL、導程aVF以及導程aVR。

在本發明的一實施例中，上述的特徵選擇模組響應於第一效能指標大於效能閾值而選擇第一特徵。

在本發明的一實施例中，上述的特徵建立模組根據至少一種波的多個端點計算對應於第二特徵的第二特徵值，並且根據第二特徵值產生對應於機器學習模型的第二效能指標，其中特徵選擇模組響應於第一效能指標大於第二效能指標而從第一特徵和第二特徵中選出第一特徵。

本發明的一種選擇心電圖的特徵的方法，包含：取得心電圖；對心電圖進行第一前處理以產生第一心電圖；在第一心電圖上標記對應於至少一種波的多個端點；根據至少一種波的多個端點計算對應於第一特徵的第一特徵值，根據第一特徵值產生對應於機器學習模型的第一效能指標，並且根據第一效能指標判斷是否選擇第一特徵；以及響應於選擇第一特徵而輸出第一特徵。

基於上述，本發明可從心電圖的眾多特徵中挑選出與心臟疾病高度相關的一個或多個特徵並輸出所述特徵以提示使用者。因此，使用者可根據本發明所選擇出的特徵來訓練具有較佳效能的機器學習模型。機器學習模型可用於根據心電圖判斷受測者的冠狀動脈的健康狀況。

為了使本發明之內容可以被更容易明瞭，以下特舉實施例作為本發明確實能夠據以實施的範例。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。

圖1根據本發明的實施例繪示一種選擇心電圖的特徵的電子裝置100的示意圖。電子裝置100可包含處理器110、儲存媒體120以及收發器130。

處理器110例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微控制單元（micro control unit，MCU）、微處理器（microprocessor）、數位信號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuit，ASIC）、圖形處理器（graphics processing unit，GPU）、影像訊號處理器（image signal processor，ISP）、影像處理單元（image processing unit，IPU）、算數邏輯單元（arithmetic logic unit，ALU）、複雜可程式邏輯裝置（complex programmable logic device，CPLD）、現場可程式化邏輯閘陣列（field programmable gate array，FPGA）或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130，並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。

儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟（hard disk drive，HDD）、固態硬碟（solid state drive，SSD）或類似元件或上述元件的組合，而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中，儲存媒體120可儲存包含第一前處理模組121、第二前處理模組122、資料收集模組123、標記模組124、特徵選擇模組125、輸出模組126以及特徵建立模組127等多個模組，其功能將於後續說明。

收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。

資料收集模組123可通過收發器130接收受測者的多個心電圖，其中所述多個心電圖可分別對應於多個導程（lead）。舉例來說，多個導程可包含導程I、導程II、導程III、導程aVR、導程aVL、導程aVF、導程V1、導程V2、導程V3、導程V4、導程V5或導程V6等。

為了從心電圖中挑選出特徵，電子裝置100可先在心電圖上標記出P波、Q波、R波、S波或T波的端點（extreme point），其中所述端點包含波峰（wave peak）或波谷（wave trough）。由於並非所有導程的心電圖都適合於標記端點，因此，在取得多個心電圖後，資料收集模組123可從多個心電圖中選出對應於主要導程（primary lead）的心電圖（即：主要心電圖），其中所述心電圖可用於標記波的端點。

具體來說，資料收集模組123可從多個心電圖中挑選出導程I心電圖和導程aVF心電圖。資料收集模組123可將導程I心電圖標準化（standardizing）成第一標準分數（standard score）函數。接著，資料收集模組123可響應於第一標準分數函數中的至少一第一標準分數的至少一第一絕對值大於第一標準分數函數中的第一標準分數的第一絕對值而從第一標準分數函數的多個第一標準分數中選擇所述至少一第一標準分數以計算第一總合。舉例來說，假設第一標準分數函數包含100個第一標準分數。資料收集模組123可從第一標準分數函數中選出對應於前2%的絕對值的2個第一標準分數（此2個第一標準分數的絕對值大於其他98個第一標準分數的絕對值），並且將所述2個第一標準分數相加以計算第一總合。

相似地，資料收集模組123可將導程aVF心電圖標準化成第二標準分數函數。接著，資料收集模組123可響應於第二標準分數函數中的至少一第二標準分數的至少一第二絕對值大於第二標準分數函數中的第二標準分數的第二絕對值而從第二標準分數函數的多個第二標準分數中選擇所述至少一第二標準分數以計算第二總合。舉例來說，假設第二標準分數函數包含100個第二標準分數。資料收集模組123可從第二標準分數函數中選出對應於前2%的絕對值的2個第二標準分數（此2個第二標準分數的絕對值大於其他98個第二標準分數的絕對值），並且將所述2個第二標準分數相加以計算第二總合。

在取得第一總合和第二總合後，資料收集模組123可根據第一總合和第二總合的正負選出主要導程，從而從多個心電圖中挑選出與主要導程相對應的心電圖。具體來說，資料收集模組123可根據表1來決定主要導程。 表1

第一總合的正負(導程I)	第二總合的正負(導程aVF)	主要導程
正	正	導程II
正	負	導程aVL
負	正	導程aVF
負	負	導程aVR

在挑選出對應於主要導程的心電圖後，第一前處理模組121可對心電圖進行第一前處理以產生第一心電圖。第一前處理可包含基線漂移移除（baseline wandering removal）、去雜訊（noise removal）或標準化等步驟，但本發明不限於此。圖2根據本發明的實施例繪示第一前處理的示意圖。第一前處理模組121可對心電圖21進行第一前處理以產生第一心電圖23。心電圖21的原始訊號可能因測量環境或誤差等因素而導致基線漂移（baseline wandering）。因此，第一前處理模組121可通過例如帶阻濾波器（band rejection filter）或陷波濾波器（notch filter）來對心電圖21進行基線漂移移除以產生較為規律的心電圖22。接著，第一前處理模組121可通過例如低通濾波器來對經過調整的心電圖22進行去雜訊，以平滑化心電圖22。而後，第一前處理模組121可對平滑化後的心電圖22進行標準化以產生平均值為0的第一心電圖23。

在一實施例中，在取得主要導程前，第一前處理模組121可先對資料收集模組123所收集到的分別對應於多個導程的多個心電圖進行第一前處理，並且根據經過第一前處理的多個心電圖來決定主要導程。

在取得第一心電圖23後，第二前處理模組122可對第一心電圖23進行第二前處理以產生第二心電圖25。圖3A根據本發明的實施例繪示第二前處理的示意圖。由於心電圖的測量訊號常在開始測量或結束測量時受到雜訊干擾而導致失真。因此，第二前處理模組122可去除第一心電圖23的首部及尾部。具體來說，第二前處理模組122可將第一心電圖23分割成三個部分，其中所述三個部分可包含第一時段心電圖31、晚於第一時段心電圖31的第二時段心電圖32以及晚於第二時段心電圖32的第三時段心電圖33，其中第一時段心電圖31與第三時段心電圖33的長度相同。具體來說，若第一時段心電圖31占了第一心電圖23的m%（m為正實數），則第三時段心電圖33可占第一心電圖23的m%，並且第二時段心電圖32可占第一心電圖23的（1-2*m）%。例如，若第一時段心電圖31占了第一心電圖23的10%，則第三時段心電圖33可占第一心電圖23的10%，並且第二時段心電圖32可占第一心電圖23的80%。

接著，第二前處理模組122可計算對應於每一時段心電圖的標準差（standard deviation）。第二前處理模組122可計算對應於第一時段心電圖31的第一標準差（或對應於第三時段心電圖33的第三標準差）以及對應於第二時段心電圖32的第二標準差。若第一標準差（或第三標準差）與第二標準差之間的差值大於第一閾值，則第二前處理模組122可自第一心電圖23中刪除第一時段心電圖31（或第三時段心電圖33），藉以去除第一心電圖23的首部及尾部。第一閾值可由使用者依需求而調整。

為了將心電圖的波形的端點變得更顯著以利標記，第二前處理模組122可進一步對第一心電圖23進行小波轉換（wavelet transform）以產生經轉換心電圖24。第二前處理模組122可將經轉換心電圖24標準化為標準分數，並且將標準分數中小於第二閾值的多個資料點設為0以產生第二心電圖25。第二閾值可由使用者依需求而調整。例如，第二閾值可被配置為標準分數的X倍標準差，其中X可為正實數。

標記模組124可以第二心電圖25作為參考以在第一心電圖23上標記出R波端點（即：R波波峰）。具體來說，在產生第二心電圖25後，標記模組124可根據第二心電圖25決定窗函數。舉例來說，標記模組124可根據公式（1）計算窗函數W1，其中mbpm為最大心率（單位為beats per minute，bpm），並且SR為心電圖的取樣率（sample rate），其中mbpm可由使用者依需求而調整。

…(1)

標記模組124可根據窗函數W1以將第二心電圖25分成多個部分，並且響應於所述多個部分中的一部分包括大於零的至少一資料點而將所述部分中具有最大值的資料點標記為參考點，其中所述參考點對應於參考時間點。圖3B根據本發明的實施例繪示標記心電圖的各種波的端點的示意圖。舉例來說，標記模組124可根據窗函數W1將第二心電圖25分成包含部分41和部分42的多個部分。標記模組124可響應於部分41包含了大於零的多個資料點而將部分41中具有最大值的資料點標記為參考點51，其中參考點51可對應於參考時間點52。相對來說，由於部分42並未包含大於零的資料點，故標記模組124將不會在部分42中標記出任何參考點。

在一實施例中，標記模組124可對距離太近的多個參考點進行過濾。舉例來說，標記模組124可預存最小允許距離。若兩個參考點之間的距離小於最小允許距離，則標記模組124可刪除兩個參考點中值較小的參考點。最小允許距離可由使用者根據需求而定義。例如，使用者可根據未患有冠狀動脈疾病的人的RR間隔（RR interval）來決定最小允許距離。

在第二心電圖25上標記完參考點後，標記模組124可根據對應於參考點的參考時間點以在第一心電圖23上標記至少一種波的多個端點，其中所述至少一種波可包含P波、Q波、R波、S波或T波，其中所述多個端點可包含P波的波峰、Q波的波谷、R波的波峰、S波的波谷或T波的波峰。

圖3C根據本發明的實施例繪示圖3B的第一心電圖23的第一局部放大圖。標記模組124可根據參考時間點52決定第一心電圖23的時段P1，其中參考時間點52可位於時段P1的中心。舉例來說，時段P1中的最早時間點可為參考時間點52減去k秒，並且時段P1的最晚時間點可為參考時間點52加上k秒，其中k可為正實數。標記模組124可將時段P1中具有最大值的資料點標記為R波端點61，其中R波端點61對應於R波的波峰。

在決定第一心電圖23上的R波端點61的位置後，標記模組124可根據R波端點61標記出Q波端點62，其中R波端點61和Q波端點62對應於相同的心搏。具體來說，若R波端點61對應於時間點t1，則標記模組124可根據時間點t1決定第一心電圖23的時段P2，其中時間點t1可為時段P2的最晚時間點。舉例來說，時段P2的最早時間點可為時間點t1減去i秒，並且時段P2的最晚時間點可為時間點t1，其中i可為正實數。醫學領域的技術人員常將i設為0.1。標記模組124可將時段P2中具有最小值的資料點標記為Q波端點62，其中Q波端點62可為Q波的波谷。

在一些情況下，時段P2可能不包含Q波端點62。如此，上述的方法可能使標記模組124誤將位於時段P2的邊緣的資料點（例如：資料點81）標記為Q波端點。因此，在一實施例中，標記模組124可計算時段P2中具有最小值的資料點81的斜率。若資料點81的斜率為正，則標記模組124可將時段P3中具有最小值的資料點標記為Q波端點62，其中時段P3早於時段P2。

另一方面，標記模組124可根據R波端點61標記出S波端點64，其中R波端點61和S波端點64對應於相同的心搏。具體來說，若R波端點61對應於時間點t1，則標記模組124可根據時間點t1決定第一心電圖23的時段P6，其中時間點t1可為時段P6的最早時間點。舉例來說，時段P6的最早時間點可為時間點t1，並且時段P6的最晚時間點可為時間點t1加上i秒，其中i可為正實數。醫學領域的技術人員常將i設為0.1。標記模組124可將時段P6中具有最小值的資料點標記為S波端點64，其中S波端點64可為S波的波谷。

在一些情況下，時段P6可能不包含S波端點64。如此，上述的方法可能使標記模組124誤將位於時段P6的邊緣的資料點（例如：資料點82）標記為S波端點。因此，在一實施例中，標記模組124可計算時段P6中具有最小值的資料點82的斜率。若資料點82的斜率為負，則標記模組124可將時段P7中具有最小值的資料點標記為S波端點64，其中時段P7晚於時段P6。

在標記出Q波端點62和S波端點64後，標記模組124可取得對應於Q波端點62的時間點t2以及對應於S波端點64的時間點t4。標記模組124可根據時間點t2標記出P波端點63，並可根據時間點t4標記出T波端點65。圖3D根據本發明的實施例繪示圖3B的第一心電圖23的第二局部放大圖。標記模組124可在第一心電圖23標記出包含R波端點61和R波端點71的所有R波端點，並且根據所有R波端點計算平均RR間隔。RR間隔為相鄰的R波端點之間的間隔。圖3D示出了R波端點61和R波端點71之間的RR間隔。標記模組124可根據公式（2）計算平均RR間隔RRI，其中p為第一心電圖的R波端點的數量（例如：根據圖3B，對應於第一心電圖23的p等於10）並且

為R波端點的索引（例如：

可代表R波端點61並且

可代表R波端點71）。

…(2)

標記模組124可根據第一心電圖23中的多個R波端點的數量p決定權重PT，如公式（3）所示，其中S1和S2為可由使用者自定義的正數。舉例來說，若p等於10、S2大於等於10並且10大於等於S1，則權重PT等於3（即：3.5-0.05*10 = 3）。

…(3)

標記模組124可根據權重PT以及平均RR間隔RRI決定窗函數W2，如公式（4）所示。

…(4)

在決定窗函數W2後，標記模組124可根據窗函數W2決定早於對應於Q波端點62的時間點t2的時段P4。舉例來說，時段P4的最晚時間點可為時間點t2，並且時段P4的最早時間點可為時間點t2減去窗函數W2。在時段P4決定後，標記模組124可將時段P4中具有最大值的資料點標記為P波端點63。

在一些情況下，時段P4可能不包含P波端點63。如此，上述的方法可能使標記模組124誤將位於時段P4的邊緣的資料點（例如：資料點83）標記為P波端點。因此，在一實施例中，標記模組124可計算時段P4中具有最小值的資料點83的斜率。若資料點83的斜率為負，則標記模組124可將時段P5中具有最大值的資料點標記為P波端點63，其中時段P5早於時段P4。

另一方面，標記模組124可根據窗函數W2決定晚於對應於S波端點64的時間點t4的時段P8。舉例來說，時段P8的最早時間點可為時間點t4，並且時段P8的最晚時間點可為時間點t4加上窗函數W2。在時段P8決定後，標記模組124可將時段P8中具有最大值的資料點標記為T波端點65。

在一些情況下，時段P8可能不包含T波端點65。如此，上述的方法可能使標記模組124誤將位於時段P8的邊緣的資料點（例如：資料點84）標記為T波端點。因此，在一實施例中，標記模組124可計算時段P8中具有最小值的資料點84的斜率。若資料點84的斜率為正，則標記模組124可將時段P9中具有最大值的資料點標記為T波端點65，其中時段P9晚於時段P8。

在標記完第一心電圖23上的多個端點（例如：P波端點、Q波端點、R波端點、S波端點或T波端點）後，特徵建立模組127可根據所述多個端點計算分別對應於多個特徵的多個特徵值，其中所述多個特徵（或所述多個特徵值）可關聯於如表2或表3所示的欄位1、欄位2和欄位3的組合，其中表2關聯於單一心搏的特徵，並且表3關聯於多個心搏的特徵。舉例來說，由表2可知，多個特徵可包含對應於「PQ間隔的最大值」或「角PQR的餘弦值的平均值」等特徵。舉另一例來說，由表3可知，多個特徵可包含對應於「PP間隔的標準差」的特徵。 表2

欄位1	欄位2	欄位3
PQ PR PS PT QR QS QT RS RT ST	間隔(interval) 電壓(voltage) 斜率(slope) 線下面積(area under line)	最大值 最小值 平均值 標準差 全距(最大值-最小值) 第一四分位數Q1 第二四分位數Q2 第三四分位數Q3 熵(entropy)
PQR PQS PQT PRS PRT PST QRS QRT QST RST	角度 正弦(sine) 餘弦(cosine) 正切(tangent)	最大值 最小值 平均值 標準差 全距(最大值-最小值) 第一四分位數Q1 第二四分位數Q2 第三四分位數Q3 熵(entropy)

表3

欄位1	欄位2	欄位3
PP QQ RR SS TT	間隔 電壓	最大值 最小值 平均值 標準差 全距(最大值-最小值) 第一四分位數Q1 第二四分位數Q2 第三四分位數Q3 熵(entropy)

特徵選擇模組125可從多個特徵中挑選出一或多個特徵，並且判斷各個特徵對機器學習模型的效能指標，從而決定如何選擇特徵。機器學習模型可包含但不限於隨機森林（random forest，RF）模型、支持向量機（support vector machine，SVM）模型、最小絕對收斂和選擇算子（least absolute shrinkage and selection operator，Lasso）模型、合交叉驗證之遞迴特徵刪除（recursive feature elimination with cross validation，RFECV）模型或統計測試（statistical test）模型，其中統計測試模型可關聯於卡方檢定（Chi-square test）或變異數分析（analysis of variance，ANOVA）。效能指標可對應於混淆矩陣（confusion matrix）中的參數，諸如準確度（accuracy，ACC）、精密度（precision）、召回率（recall rate）、偽陽性（false positive，FP）或F1分數等。

以多個特徵中的第一特徵為例，特徵建立模組127可根據第一特徵的第一特徵值產生對應於機器學習模型的第一效能指標。具體來說，特徵選擇模組125可使用包含第一特徵的資料訓練機器學習模型，並測試機器學習模型的效能以產生第一效能指標。同樣地，特徵建立模組127可產生分別對應於多個特徵的多個效能指標。多個效能指標可包含對應於第一特徵的第一效能指標、對應於第二特徵的第二效能指標或對應於第三特徵的第三效能指標等等。

特徵選擇模組125可根據第一效能指標判斷是否選擇第一特徵。若特徵選擇模組125判斷選擇第一特徵，則輸出模組126可通過收發器130輸出第一特徵以供使用者參考。

在一實施例中，特徵選擇模組125可響應於第一效能指標大於效能閾值而判斷選擇第一特徵。效能閾值可由使用者依需求而定義。舉例來說，特徵選擇模組125可產生對應於「PQ間隔的最大值」特徵的「準確度」。若「準確度」大於預設的效能閾值「90%」，則特徵選擇模組125可選擇「PQ間隔的最大值」特徵。

在一實施例中，特徵選擇模組125可響應於對應於第一特徵的第一效能指標大於對應於第二特徵的第二效能指標而從第一特徵和第二特徵中選擇第一特徵。換句話說，特徵選擇模組125可選擇對應於較高效能指標的數個特徵。舉例來說，特徵建立模組127可產生對應於「PQ間隔的最大值」特徵的「第一精密度」、對應於「角PQR的餘弦值的平均值」特徵的「第二精密度」以及對應於「PP間隔的標準差」特徵的「第三精密度」。若特徵選擇模組125欲選擇對應於前66.67%的精密度的特徵，則特徵選擇模組125可響應於「第一精密度」大於「第三精密度」而從「PQ間隔的最大值」特徵和「PP間隔的標準差」特徵中選擇「PQ間隔的最大值」，並可響應於「第二精密度」大於「第三精密度」而從「角PQR的餘弦值的平均值」特徵和「PP間隔的標準差」特徵中選擇「角PQR的餘弦值的平均值」。

圖4根據本發明的實施例繪示一種選擇心電圖的特徵的方法的流程圖，其中所述方法可由如圖1所示的電子裝置100實施。在步驟S401中，取得心電圖。在步驟S402中，對心電圖進行第一前處理以產生第一心電圖。在步驟S403中，在第一心電圖上標記對應於至少一種波的多個端點。在步驟S404中，根據至少一種波的多個端點計算對應於第一特徵的第一特徵值，根據第一特徵值產生對應於機器學習模型的第一效能指標，並且根據第一效能指標判斷是否選擇第一特徵。在步驟S405中，響應於選擇第一特徵而輸出第一特徵。

綜上所述，本發明可從心電圖的眾多特徵中挑選出與心臟疾病高度相關的一個或多個特徵。在取得分別對應於不同導程的多個心電圖後，本發明可根據對應導程I的心電圖和對應導程aVF的心電圖來判斷哪一種導程的心電圖較適合用於挑選特徵。本發明可對心電圖進行第一前處理以產生訊號較為規律且平滑的第一心電圖。為了減少不同病患之間的訊號範圍差異，本發明可將第一心電圖轉換成標準分數的形式以產生第二心電圖。本發明可利用第二心電圖以在第一心電圖上準確地標記出R波的波峰，從而根據R波的波峰標記出P波、Q波、S波和T波的波峰或波谷。在取得各類型波的多個端點後，本發明可根據所述多個端點計算特定特徵的特徵值，並且根據特徵值判斷所述特定特徵是否能改善機器學習模型的效能。若考慮了所述特定特徵可顯著地改善機器學習模型的效能，則本發明可輸出所述特定特徵以提示使用者。因此，使用者可根據本發明所選擇出的特徵來訓練具有較佳效能的機器學習模型。機器學習模型可用於根據心電圖判斷受測者的冠狀動脈的健康狀況。

100:電子裝置 110:處理器 120:儲存媒體 121:第一前處理模組 122:第二前處理模組 123:資料收集模組 124:標記模組 125:特徵選擇模組 126:輸出模組 127:特徵建立模組 130:收發器 21、22:心電圖 23:第一心電圖 24:經轉換心電圖 25:第二心電圖 31:第一時段心電圖 32:第二時段心電圖 33:第三時段心電圖 41、42:部分 51:參考點 52:參考時間點 61、71:R波端點 62:Q波端點 63:P波端點 64:S波端點 65:T波端點 81、82、83、84:資料點 t1、t2、t3、t4、t5:時間點 P1、P2、P3、P4、P5、P6、P7、P8、P9:時段 S401、S402、S403、S404、S405:步驟 W1、W2:窗函數

圖1根據本發明的實施例繪示一種選擇心電圖的特徵的電子裝置的示意圖。 圖2根據本發明的實施例繪示第一前處理的示意圖。 圖3A根據本發明的實施例繪示第二前處理的示意圖。 圖3B根據本發明的實施例繪示標記心電圖的各種波的端點的示意圖。 圖3C根據本發明的實施例繪示圖3B的第一心電圖的第一局部放大圖。 圖3D根據本發明的實施例繪示圖3B的第一心電圖的第二局部放大圖。 圖4根據本發明的實施例繪示一種選擇心電圖的特徵的方法的流程圖。

S401、S402、S403、S404、S405:步驟

Claims (14)

1. 一種選擇心電圖的特徵的電子裝置，包括： 收發器； 儲存媒體，儲存多個模組；以及 處理器，耦接所述儲存媒體以及所述收發器，並且存取和執行所述多個模組，其中所述多個模組包括： 資料收集模組，通過所述收發器取得心電圖； 第一前處理模組，對所述心電圖進行第一前處理以產生第一心電圖； 標記模組，在所述第一心電圖上標記對應於至少一種波的多個端點； 特徵建立模組，根據所述至少一種波的所述多個端點計算對應於第一特徵的第一特徵值，並且根據所述第一特徵值產生對應於機器學習模型的第一效能指標； 特徵選擇模組，根據所述第一效能指標判斷是否選擇所述第一特徵；以及 輸出模組，響應於選擇所述第一特徵而通過所述收發器輸出所述第一特徵。
2. 如請求項1所述的電子裝置，其中所述至少一種波包括R波，其中所述多個模組更包括： 第二前處理模組，對所述第一心電圖進行第二前處理以產生第二心電圖，其中 所述標記模組根據窗函數將所述第二心電圖區分成多個部分，並且響應於所述多個部分中的第一部分包括大於零的至少一資料點而將所述第一部分中具有最大值的第一資料點標記為第一參考點，其中所述第一參考點對應於第一參考時間點，其中 所述標記模組根據所述第一參考時間點決定所述第一心電圖的第一時段，並且將所述第一時段中具有最大值的第二資料點標記為第一R波端點，其中所述第一參考時間點位在所述第一時段的中心，其中所述多個端點包括所述第一R波端點。
3. 如請求項2所述的電子裝置，其中所述至少一種波更包括Q波，其中所述第一R波端點對應於第一時間點，其中 所述標記模組根據所述第一時間點決定所述第一心電圖的第二時段，並且將所述第二時段中具有最小值的第三資料點標記為第一Q波端點，其中所述第一時間點為所述第二時段的最晚時間點，其中所述多個端點包括所述第一Q波端點。
4. 如請求項3所述的電子裝置，其中 所述標記模組響應於所述第三資料點的斜率為正而將早於所述第二時段的第三時段中具有最小值的第四資料點標記為所述第一Q波端點。
5. 如請求項3所述的電子裝置，其中所述第一Q波端點對應於第二時間點，其中 所述標記模組在所述第一心電圖上標記包括所述第一R波端點的多個R波端點，根據所述多個R波端點計算平均RR間隔，根據所述多個R波端點的數量決定權重，並且根據所述平均RR間隔以及所述權重決定第二窗函數，其中 所述標記模組根據所述第二窗函數以決定早於所述第二時間點的第四時段，並且將所述第四時段中具有最大值的第五資料點標記第一P波端點，其中所述第二時間點對應於所述第四時段的第二最晚時間點，其中所述多個端點包括所述第一P波端點。
6. 如請求項5所述的電子裝置，其中 所述標記模組響應於所述第五資料點的斜率為負而將早於所述第四時段的第五時段中具有最大值的第六資料點標記為所述第一P波端點。
7. 如請求項1所述的電子裝置，其中所述第一前處理包括： 對所述心電圖進行基線漂移移除、去雜訊以及標準化以產生所述第一心電圖。
8. 如請求項2所述的電子裝置，其中所述第二前處理包括： 將所述第一心電圖分割成三個部分，其中所述三個部分包括第一時段心電圖、晚於所述第一時段心電圖的第二時段心電圖以及晚於所述第二時段心電圖的第三時段心電圖，其中所述第一時段心電圖以及所述第三時段心電圖的長度相同； 計算對應於所述第一時段心電圖的第一標準差以及對應於所述第二時段心電圖的第二標準差；以及 響應於所述第一標準差與所述第二標準差之間的差值大於第一閾值而自所述第一心電圖中刪除所述第一時段心電圖。
9. 如請求項8所述的電子裝置，其中所述第二前處理更包括： 對所述第一心電圖進行小波轉換以產生經轉換心電圖； 將所述經轉換心電圖標準化成標準分數；以及 將所述標準分數中小於第二閾值的多個資料點設為零以產生所述第二心電圖。
10. 如請求項1所述的電子裝置，其中 所述資料收集模組通過所述收發器接收多個心電圖，其中所述多個心電圖包括第一導程心電圖和第二導程心電圖，其中 所述資料收集模組將所述第一導程心電圖標準化成第一標準分數函數，響應於所述第一標準分數函數中的至少一第一標準分數的至少一第一絕對值大於所述第一標準分數函數中的第一標準分數的第一絕對值而從所述第一標準分數函數的多個第一標準分數中選擇所述至少一第一標準分數以計算第一總合，其中 所述資料收集模組將所述第二導程心電圖標準化成第二標準分數函數，響應於所述第二標準分數函數中的至少一第二標準分數的至少一第二絕對值大於所述第二標準分數函數中的第二標準分數的第二絕對值而從所述第二標準分數函數的多個第二標準分數中選擇所述至少一第二標準分數以計算第二總合，其中 所述資料收集模組根據所述第一總合和所述第二總合的正負以從所述多個心電圖中選擇對應於第三導程的所述心電圖。
11. 如請求項10所述的電子裝置，其中所述第一導程心電圖對應於導程I，其中所述第二導程心電圖對應於導程aVF，其中所述第三導程對應於下列的其中之一： 導程II、導程aVL、導程aVF以及導程aVR。
12. 如請求項1所述的電子裝置，其中 所述特徵選擇模組響應於所述第一效能指標大於效能閾值而選擇所述第一特徵。
13. 如請求項1所述的電子裝置，其中 所述特徵建立模組根據所述至少一種波的所述多個端點計算對應於第二特徵的第二特徵值，並且根據所述第二特徵值產生對應於所述機器學習模型的第二效能指標，其中 所述特徵選擇模組響應於所述第一效能指標大於所述第二效能指標而從所述第一特徵和所述第二特徵中選出所述第一特徵。
14. 一種選擇心電圖的特徵的方法，包括： 取得心電圖； 對所述心電圖進行第一前處理以產生第一心電圖； 在所述第一心電圖上標記對應於至少一種波的多個端點； 根據所述至少一種波的所述多個端點計算對應於第一特徵的第一特徵值，根據所述第一特徵值產生對應於機器學習模型的第一效能指標，並且根據所述第一效能指標判斷是否選擇所述第一特徵；以及 響應於選擇所述第一特徵而輸出所述第一特徵。

Images