TWI701681B - 心房顫動預測模型及其預測系統 - Google Patents

Abstract

本發明提供一種心房顫動預測系統，其包含心電圖擷取單元和非暫態機器可讀媒體。所述非暫態機器可讀媒體儲存程式，當程式由處理單元執行時用以得到預測結果。所述程式包含參照資料庫取得模組、參照特徵選取模組、訓練模組、目標特徵選取模組以及比對模組。藉此，所述心房顫動預測系統可用以預測受試者之腦中風發生機率。

Description

心房顫動預測模型及其預測系統

本發明是有關於一種醫療資訊分析模型以及系統，特別是一種心房顫動預測模型以及心房顫動預測系統。

心房顫動(atrial fibrillation)是一種因為心臟內產生節律訊號的功能異常，導致心跳不規則且經常過快的病症，每分鐘心跳可以達到350下。心房顫動是最常見的心臟節律異常，全人口中平均每100人中就有1位罹患心房顫動，隨著年齡增加，罹患心房顫動的比例愈高。60歲以上，每100人就有4位罹患心房顫動，而80歲以上，每10人就有1位罹患心房顫動。2010年全世界預估有三千三百五十萬人罹患心房顫動，除此之外可能還有許多潛在的患者因為沒有症狀而未被確診。2050年亞洲的心房顫動患者預估可以達到七千兩百萬人。

心房顫動病人相較於一般人有5倍的風險發生血栓梗塞疾病，包含中風、肺栓塞及周邊血管栓塞。過去的研究也顯示罹患心房顫動的病人當中，陣發性心房顫動的病人相較於持續性心房顫動的病人有較低的中風發生率，相較 於陣發性心房顫動，持續性心房顫動的病人罹患中風後的預後較差，也有較高的二度中風風險，因此心房顫動的發作型態和中風有高度的相關性。是以2050年亞洲因為心房顫動而導致中風的病人預估會達到二百九十萬人。持續性心房顫動的病人相較於陣發性心房顫動的病人有較高的中風發生率，罹患中風後的預後也較差。臨床上主要以CHA2DS2-VASc score來評估心房顫動病人的中風風險，CHA2DS2ⅣASc score評估的項目包含年齡、性別及共病症包括梗塞性疾病、高血壓、鬱血性心衰竭、糖尿病及血管性疾病，隨著CHA2DS2-VASc score分數增加，發生血管栓塞的風險也逐步提高，但目前為止並沒有研究針對心房顫動病人的心電圖特徵與中風的相關性進行分析。

心電圖提供心房顫動的資訊，例如一天中的發作頻率及型態，但其數據資料龐大，無法利用人工逐步分析，因此習用技術缺乏可以有效率分析大量資料，並可應用於臨床輔助醫師進一步判斷受試者是否可能為心房顫動併發腦中風的患者，以提高檢測的準確度。

有鑒於此，本發明之一目的為提供心房顫動預測模型以及心房顫動預測系統，其可客觀且準確的判斷一受試者是否具有心房顫動的狀況，並可進一步預測其發生腦中風的機率，以輔助醫生於臨床上的判斷。

本發明之一態樣是在提供一種心房顫動預測模型，包含下列建立步驟：取得參照資料庫、進行特徵選取步驟以及進行訓練步驟。所述參照資料庫包含複數個參照十二導程心電訊號數列。所述特徵選取步驟係根據參照資料庫選取至少一特徵值，所述特徵值包含利用一計算單元計算參照十二導程心電訊號數列中峰對峰值時間差所得到的心電訊號曲率變化最大的影像區間。所述訓練步驟，係利用一長短記憶單元(Long Short Term Memory,LSTM)儲存一心電訊號即時數值，並計算所述特徵值與所述心電訊號即時數值的相關性，當所述相關性超過一第一預設閥值則更新所述長短記憶單元，當訓練達到收斂時得到心房顫動預測模型，藉此得到一預設結果。

依據前述之心房顫動預測模型，其中所述長短記憶單元可為雙向長短記憶單元(Bi-directional Long Short Term Memory,Bi-directional LSTM)。

依據前述之心房顫動預測模型，其中長短記憶單元可更包含一遺忘閘(Forget Gate)、一輸入閘(Input Gate)和一輸出閘(Output Gate)。遺忘閘係過濾曲率變化過大的心電訊號即時數值，以得到一輸入值。輸入閘係輸入所述輸入值，並利用Sigmoid函數計算所述相關性。輸出閘係將所述相關性利用Sigmoid函數進行計算以得到一輸出值，當輸出值超過一第二預設閥值時，將輸出值加入所述長短記憶單元。

依據前述之心房顫動預測模型，其中所述遺忘閘、所述輸入閘和所述輸出閘可為雙向串接。

依據前述之心房顫動預測模型，其中所述第一預設閥值和所述第二預設閥值可由tanh函數決定。

本發明之另一態樣是在提供一種心房顫動預測系統，包含心電圖擷取單元和非暫態機器可讀媒體。所述心電圖擷取單元用以取得目標十二導程心電訊號數列。所述非暫態機器可讀媒體由至少一訊號連接所述心電圖擷取單元，且所述非暫態機器可讀媒體儲存一程式，當程式由至少一處理單元執行時用以得到一預測結果，所述程式包含：參照資料庫取得模組、參照特徵選取模組、訓練模組、目標特徵選取模組和比對模組。所述參照資料庫取得模組用以取得一參照資料庫，且參照資料庫包含複數個參照十二導程心電訊號數列。所述參照特徵選取模組用以根據參照資料庫選取至少一參照特徵值，所述參照特徵值包含利用一計算單元計算參照十二導程心電訊號數列中一峰對峰值時間差所得到的一心電訊號曲率變化最大的影像區間。所述訓練模組包含一長短記憶單元(Long Short Term Memory,LSTM)。所述長短記憶單元用以儲存一心電訊號即時數值，並計算所述特徵值與所述心電訊號即時數值的相關性，當所述相關性超過一第一預設閥值則更新長短記憶單元，當訓練達到收斂時得到所述心房顫動預測模型。目標特徵選取模組用以分析所述目標十二導程心電訊號數列以得到一目標特徵值，所述目標特徵值包含利用另一計算單元計算目標十二導程心電訊 號數列中一峰對峰值時間差所得到的一目標心電訊號曲率變化最大的影像區間。比對模組用以將所述目標特徵值與所述參照特徵值以所述心房顫動預測模型進行分析比對，藉此得到一預設結果。

依據前述之心房顫動預測系統，其中所述長短記憶單元可為雙向長短記憶單元(Bi-directional Long Short Term Memory,Bi-directional LSTM)。

依據前述之心房顫動預測系統，其中所述長短記憶單元可更包含一遺忘閘(Forget Gate)、一輸入閘(Input Gate)和一輸出閘(Output Gate)。所述遺忘閘用以過濾曲率變化過大的心電訊號即時數值，以得到一輸入值。所述輸入閘用以輸入所述輸入值，並利用Sigmoid函數計算所述相關性。所述輸出閘用以將所述相關性利用Sigmoid函數進行計算以得到一輸出值，當所述輸出值超過一第二預設閥值時，將所述輸出值加入所述長短記憶單元。

依據前述之心房顫動預測系統，其中所述遺忘閘、所述輸入閘和所述輸出閘可為雙向串接。

依據前述之心房顫動預測系統，其中所述第一預設閥值和所述第二預設閥值可由tanh函數決定。

上述發明內容旨在提供本揭示內容的簡化摘要，以使閱讀者對本揭示內容具備基本的理解。此發明內容並非本揭示內容的完整概述，且其用意並非在指出本發明實施例的重要/關鍵元件或界定本發明的範圍。

100‧‧‧心房顫動預測模型之建立步驟

110、120、130‧‧‧步驟

200‧‧‧心房顫動預測系統

300‧‧‧心電圖擷取單元

400‧‧‧非暫態機器可讀媒體

410‧‧‧參照資料庫取得模組

420‧‧‧參照特徵選取模組

421、441‧‧‧計算單元

430‧‧‧訓練模組

432、600‧‧‧長短記憶單元

440‧‧‧目標特徵選取模組

450‧‧‧比對模組

610‧‧‧輸入層

620‧‧‧第1階長短記憶單元

630‧‧‧第2階長短記憶單元

640‧‧‧第3階長短記憶單元

650‧‧‧第4階長短記憶單元

660‧‧‧最大池化層

670‧‧‧全連階層

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖繪示依照本發明之一實施方式之一種心房顫動預測模型之建立步驟流程圖；第2圖繪示依照本發明之另一實施方式之一種心房顫動預測系統之方塊圖；第3圖繪示本發明之心房顫動預測模型之參考資料庫的資料標記平台示意圖；第4圖繪示本發明之心房顫動預測模型之長短記憶單元的架構示意圖；第5圖繪示本發明之心房顫動預測模型之長短記憶單元的架構圖；以及第6圖為本發明之心房顫動預測系統用於預測受試者之腦中風機率的接收者操作特徵曲線圖。

下述將更詳細討論本發明各實施方式。然而，此實施方式可為各種發明概念的應用，可被具體實行在各種不同的特定範圍內。特定的實施方式是僅以說明為目的，且不受限於揭露的範圍。

請參照第1圖，繪示依照本發明之一實施方式之一種心房顫動預測模型之建立步驟100流程圖。本發明之心房顫動預測模型之建立步驟100包含步驟110、步驟120和 步驟130，建立後的心房顫動預測模型可用以預測受試者之腦中風發生機率。

步驟110是取得參照資料庫，所述參照資料庫包含複數個參照十二導程心電訊號數列。進一步，參照十二導程心電訊號數列可先進行初步分類，分為一異常資料和一無異常資料並進行標記，以將參照資料庫分為兩大類。

步驟120是進行特徵選取步驟，係根據參照資料庫選取至少一特徵值，所述特徵值包含利用一計算單元計算參照十二導程心電訊號數列中峰對峰值時間差所得到的心電訊號曲率變化最大的影像區間。

步驟130是進行訓練步驟，係利用一長短記憶單元(Long Short Term Memory,LSTM)儲存一心電訊號即時數值，並計算所述特徵值與所述心電訊號即時數值的相關性，當所述相關性超過一第一預設閥值則更新所述長短記憶單元，當訓練達到收斂時得到心房顫動預測模型，藉此得到一預設結果。其中長短記憶單元可更包含一遺忘閘(Forget Gate)、一輸入閘(Input Gate)和一輸出閘(Output Gate)。遺忘閘係過濾曲率變化過大的心電訊號即時數值，以得到一輸入值。輸入閘係輸入所述輸入值，並利用Sigmoid函數計算所述相關性。輸出閘係將所述相關性利用Sigmoid函數進行計算以得到一輸出值，當輸出值超過一第二預設閥值時，將輸出值加入所述長短記憶單元。較佳地，所述遺忘閘、所述輸入閘和所述輸出閘可為雙向串接，所述第一預設閥值和所述第二預設閥值可由tanh函數決定。其中 所述長短記憶單元可為雙向長短記憶單元(Bi-directional Long Short Term Memory,Bi-directional LSTM)。

所述第一預設閥值與第二預設閥值係由tanh函數決定，tanh函數的輸出值介於-1到1之間，其為將大量的十二導程心電訊號數列丟入機器學習的數學式計算得到的預設值。在心房顫動預測模型的訓練過程中，當特徵值與心電訊號即時數值的相關性超過第一預設閥值時，即更新長短記憶單元以達收斂得到心房顫動預測模型。其中，當相關性越趨近於-1的時候表示受試者沒有心房顫動的機率越高，反之當相關性越趨近於1的時候表示受試者有心房顫動的機率越高。使用心房顫動預測模型預測受試者是否具有心房顫動時，遺忘閘會先針對心電訊號即時數值過濾以得一輸入值，並藉由輸入閘輸入利用Sigmoid函數計算得到的相關性，輸出閘將所述相關性利用Sigmoid函數計算得到輸出值，當輸出值超過第二預設閥值時，將輸出值加入所述長短記憶單元。其中，當輸出值越趨近於-1的時候，表示受試者沒有心房顫動的機率越高，反之當輸出值越趨近於1的時候，表示受試者有心房顫動的機率越高。

請參照第2圖，繪示依照本發明另一實施方式之一種心房顫動預測系統200之方塊圖。本發明之心房顫動預測系統200包含心電圖擷取單元300和非暫態機器可讀媒體400。心房顫動預測系統200可用以預測受試者的腦中風發生機率。

心電圖擷取單元300用以取得受試者的目標十二導程心電訊號數列，以及取得參照十二導程心電訊號數列。心電圖擷取單元300可為心電圖機。較佳地，心電圖擷取單元300可十二導程心電圖機，其包含10個電極貼片，於肢體上放置2個以上的電極貼片，兩兩組成一對進行測量，記錄體表12組導程的電位變化，並在心電圖紙上描繪出12組導程信號，以得到十二導程心電訊號數列。

非暫態機器可讀媒體400由至少一訊號連接心電圖擷取單元300，且非暫態機器可讀媒體400儲存一程式，其中當所述程式由至少一處理單元執行時，所述程式用以得到一預測結果，所述預測結果為受試者的腦中風發生機率。所述程式包含參照資料庫取得模組410、參照特徵選取模組420、訓練模組430、目標特徵選取模組440以及比對模組450。

參照資料庫取得模組410用以取得參照資料庫，所述參照資料庫包含複數個參照十二導程心電訊號數列。進一步，參照十二導程心電訊號數列可先進行初步分類，分為一異常資料和一無異常資料並進行標記，以將參照資料庫分為兩大類。

參照特徵選取模組420用以根據參照資料庫選取至少一參照特徵值，所述參照特徵值包含利用一計算單元421計算參照十二導程心電訊號數列中一峰對峰值時間差所得到的一心電訊號曲率變化最大的影像區間。

訓練模組430包含一長短記憶單元432。所述長短記憶單元432用以儲存一心電訊號即時數值，並計算所述特徵值與所述心電訊號即時數值的相關性，當所述相關性超過第一預設閥值則更新長短記憶單元432，當訓練達到收斂時得到所述心房顫動預測模型。而長短記憶單元432可更包含遺忘閘、輸入閘和輸出閘。遺忘閘係過濾曲率變化過大的心電訊號即時數值，以得到輸入值。輸入閘係輸入所述輸入值，並利用Sigmoid函數計算所述相關性。輸出閘係將所述相關性利用Sigmoid函數進行計算以得到輸出值，當輸出值超過第二預設閥值時，將輸出值加入所述長短記憶單元432。較佳地，所述遺忘閘、所述輸入閘和所述輸出閘可為雙向串接，所述第一預設閥值和所述第二預設閥值可由tanh函數決定。此外，所述長短記憶單元432可為雙向長短記憶單元。

目標特徵選取模組440用以分析所述目標十二導程心電訊號數列以得到一目標特徵值，所述目標特徵值包含利用另一計算單元441計算目標十二導程心電訊號數列中一峰對峰值時間差所得到的一目標心電訊號曲率變化最大的影像區間。

比對模組450用以將所述目標特徵值與所述參照特徵值以所述心房顫動預測模型進行分析比對，藉此得到一預設結果。所述預設結果為受試者3-6個月內腦中風的機率，機率值為0%-100%，用以作為醫生診斷的輔助參考。

<試驗例>

一、參照資料庫

本發明所使用的參照資料庫為中國醫藥大學暨附設醫院以回溯性方式收取2009/01/01~2018/12/31區間院內去連結化的受檢者臨床內容，為經中國醫藥大學暨附設醫院研究倫理委員會(China Medical University & Hospital Research Ethics Committee)核准之臨床試驗計劃，其編號為：CMUH107-REC2-134(AR-1)。資料透過GE Healthcare MUSE系統以關鍵字參數搜尋方式，收集包含心房顫動和心肌梗塞等疾病類別之病人心電圖(Electrocardiography,ECG/EKG)波形資料，其中包含十二導程心電訊號數列，原始資料為可延伸標示語言(Extensible Markup Language,XML)格式。收取影像之所屬受檢者性別並無特別限制，年齡亦沒有特別之區間。參照受試者包含無心房顫動的參照受試者5,000位，以及具有心房顫動的參照受試者10,012位，共計15,012位參照受試者。以上數據是實際使用的「資料筆數」，不排除有「同一位病人」在「不同時間點/日期的檢查」的可能性。

二、用於判斷受試者之腦中風機率

於本試驗例中，先建立最佳化的心房顫動預測模型。首先取得參照資料庫，參照資料庫包含複數個參照十二導程心電訊號數列，並將參照十二導程心電訊號數列進行初步分類，分為一異常資料和一無異常資料並進行標記。請參照第3圖，其繪示本發明之心房顫動預測模型之參考資料庫的資料標記平台示意圖，為了能使後續所建立的心房顫動 預測模型正確學習十二導程心電訊號數列對應的疾病問題，先將在沒有提供任何病人相關個人資訊以及限制特定連線的前提下建立一個資料標記平台，醫師將透過此平台對參照資料庫進行多種標記，作為心房顫動預測模型學習之參考依據。

再以參照特徵選取模組根據參照資料庫選取至少一特徵值，所述特徵值包含利用計算單元計算參照十二導程心電訊號數列中峰對峰值時間差所得到的心電訊號曲率變化最大的影像區間。

再進行訓練步驟，利用雙向長短記憶網路的架構作神經網絡學習，並由不同項的神經方向讓機器去學習時間序列的訊號。傳統的循環神經網路(Recurent Neural Network,RNN)在最佳化參數的時候是使用梯度下降法(Gradient Descent)來最佳化更新參數方式，求其參數變更的方式為以反向傳播(Backward Propagation)演算法來實現，然而此演算法會因為所取的參數導致梯度爆炸(Gradient Explosion)和梯度消失(Gradient Vanish)。本發明的心房顫動預測模型在進行訓練時加入遺忘閘，使得在反向傳播演算法時如果遇到梯度爆炸時，能利用遺忘閘將其擋下來，而遇到因為輸入值經數學式計算後趨近於0(即小數點以下十幾位以後的數值)使電腦會直接忽視而造成的梯度消失，能利用輔助輸入閘(Pass Gate)將訊息再傳遞下去，避免梯度消失。

詳細地，訓練步驟係利用長短記憶單元儲存心電訊號即時數值，並計算所述特徵值與所述心電訊號即時數值的相關性，當所述相關性超過第一預設閥值則更新所述長短記憶單元。請參照第4圖，其繪示本發明之心房顫動預測模型之長短記憶單元的架構示意圖。所述長短記憶單元使用一個隨著時間更新的記憶分支來加強當前的決策結果，且長短記憶單元而包含遺忘閘、輸入閘和輸出閘來決定記憶的更新與否，且遺忘閘、輸入閘和輸出閘為雙向串接。遺忘閘用以過濾曲率變化過大的心電訊號即時數值，以得到輸入值。詳細地說，遺忘閘通過計算得到的zf(f表示forget)來作為忘記門控，來控制上一個狀態的ct-1哪些需要留下或者遺忘，通常是Sigmoid函數。輸入閘用以輸入所述輸入值，並利用Sigmoid函數計算相關性。詳細地說，輸入閘決定當前的輸入(Input)及新產生的記憶單元(Memory Cell Candidate)是否加入長期記憶(Long Term Memory)中，輸入閘也是利用Sigmoid函數表示要加入與否。具體來說是對輸入xt進行選擇記憶。哪些重要則著重記錄下來，哪些不重要，則少記一些。當前的輸入內容由前面計算得到的z表示。而選擇的門控信號則是由zi(i代表information)來進行控制。輸出閘用以將所述相關性利用Sigmoid函數進行計算以得到輸出值，當輸出值超過第二預設閥值時，將輸出值加入長短記憶單元。詳細地說，輸出閘決定哪些將會被當成當前狀態的輸出。主要是通過zo來進行控制的。並且還對上一階段得到的co通過一個tanh激活函數進行變化。遺忘 閘、輸入閘和輸出閘的詳細計算方式請參照式(I)、式(II)和式(III)。

c ^t =z ^f ⊙c ^t-1+z ⁱ ⊙z…………………………式(I)；h ^t =z ^o ⊙tanh(c ^t )…………………………式(II)；y ^t =σ(W'h ^t )…………………………………式(III)。其中第一預設閥值和第二預設閥值由tanh函數決定，tanh函數式的輸出值介於-1到1之間，其為將大量的十二導程心電訊號數列丟入機器學習的數學式計算得到的預設值。當訓練達到收斂時得到心房顫動預測模型，藉此得到預設結果，所述預設結果為受試者的腦中風機率。

在心房顫動預測模型的訓練過程中，當特徵值與心電訊號即時數值的相關性超過第一預設閥值時即更新長短記憶單元以達收斂得到心房顫動預測模型，其中，當相關性越趨近於-1的時候，表示受試者沒有心房顫動的機率越高，反之當相關性越趨近於1的時候，表示受試者有心房顫動的機率越高。使用心房顫動預測模型判斷預測心房顫動的時候，遺忘閘會先針對心電訊號即時數值過濾以得輸入值並藉由輸入閘輸入利用Sigmoid函數計算得到的相關性，輸出閘將所述相關性利用Sigmoid函數計算得輸出值，當輸出值超過第二預設閥值時，將輸出值加入所述長短記憶單元，其中，當輸出值越趨近於-1的時候，表示受試者沒有心房顫動的機率越高，反之越趨近於1的時候，表示受試者有心房顫動的機率越高。

此外，請再參照第5圖，其繪示本發明之心房顫動預測模型之長短記憶單元600的架構圖。本發明之心房顫動預測模型之長短記憶單元600為四階長短記憶組內部有128*4的長短記憶單元，其包含輸入層610、第1階長短記憶單元620、第2階長短記憶單元630、第3階長短記憶單元640、第4階長短記憶單元650、最大池化層660和全連階層670。其中第1階長短記憶單元620、第2階長短記憶單元630、第3階長短記憶單元640和第4階長短記憶單元650分別具有128個長短記憶單元。第1階長短記憶單元620能處理複雜程度低的特徵值，第2階長短記憶單元630能處利複雜程度略高的特徵值，第3階長短記憶單元640能處利複雜程度更高的特徵值，第4階長短記憶單元650能處利複雜程度最高的特徵值。最大池化層會依據四階長短記憶學習的特徵做統整蒐集，全連接層(Sigmod函數/tanh函數)會依特徵學習的部分輸出最後結果。

於本試驗例中進一步將包含所建立的心房顫動預測模型的心房顫動預測系統用於預測受試者之腦中風。其步驟如下：提供前述建立好的心房顫動預測模型。提供受試者之目標十二導程心電訊號數列。將目標十二導程心電訊號數列以目標特徵選取模組分析得到的目標特徵值。最後利用比對模組將所述目標特徵值與所述參照特徵值以所述心房顫動預測模型進行分析比對，藉此得到預設結果，以預測受試者的腦中風機率。

請參照第6圖，為本發明之心房顫動預測系統用於預測受試者之腦中風機率的接收者操作特徵曲線(receiver operating characteristic curve,ROC)圖。結果顯示，當以本發明之心房顫動預測模型預測受試者的腦中風機率時，其試驗(Test)的曲線下面積(Area under the Curve,AUC)為0.996，ROC數值為99.6%。顯示本發明之心房顫動預測模型以及心房顫動預測系統可以精準地以十二導程心電訊號數列預測受試者的腦中風機率。

藉此，本發明提供一種心房顫動預測模型以及一種心房顫動預測系統，透過長短記憶網路的架構作神經網絡學習，並由不同項的神經方向讓機器去學習時間序列的訊號，能可客觀且準確以十二導程心電訊號數列判斷受試者是否具有心房顫動的狀況，並可進一步預測其發生腦中風的機率，可提供第二意見給專科醫師，以輔助醫生於臨床上的判斷。從原始影像輸入到判讀結果，平均只需0.1-1秒即可完成，且正確率可高達0.996。是以本發明之心房顫動預測模型以及心房顫動預測系統，可以藉由個案之十二導程心電訊號數列進行自動化且快速的數據分析，輔助醫事人員進行判讀而即早確診，提高早期中風的發現率，以利醫師擬定患者的後續療程。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

200‧‧‧心房顫動預測系統

300‧‧‧心電圖擷取單元

400‧‧‧非暫態機器可讀媒體

410‧‧‧參照資料庫取得模組

420‧‧‧參照特徵選取模組

421、441‧‧‧計算單元

430‧‧‧訓練模組

432‧‧‧長短記憶單元

440‧‧‧目標特徵選取模組

450‧‧‧比對模組

Claims (8)

1. 一種心房顫動預測模型，包含以下建立步驟：取得一參照資料庫，其中該參照資料庫包含複數個參照十二導程心電訊號數列；進行一特徵選取步驟，其係根據該參照資料庫選取至少一特徵值，該特徵值包含利用一計算單元計算該參照十二導程心電訊號數列中一峰對峰值時間差所得到的一心電訊號曲率變化最大的影像區間；以及進行一訓練步驟，係利用四長短記憶組進行訓練，各該長短記憶組具有128個長短記憶單元(Long Short Term Memory,LSTM)，且各該長短記憶單元為一雙向長短記憶單元(Bi-directional Long Short Term Memory,Bi-directional LSTM)，各該長短記憶單元儲存一心電訊號即時數值，並計算該特徵值與該心電訊號即時數值的相關性，當該相關性超過一第一預設閥值則更新該長短記憶單元，當訓練達到收斂時得到該心房顫動預測模型，藉此得到一預設結果，其中該訓練步驟不包含利用一卷積神經網絡對該特徵值進行訓練。
2. 如申請專利範圍第1項所述之心房顫動預測模型，其中該長短記憶單元更包含： 一遺忘閘(Forget Gate)，係過濾曲率變化過大的該心電訊號即時數值，以得到一輸入值；一輸入閘(Input Gate)，係輸入該輸入值，並利用Sigmoid函數計算該相關性；以及一輸出閘(Output Gate)，係將該相關性利用Sigmoid函數進行計算以得到一輸出值，當該輸出值超過一第二預設閥值時，將該輸出值加入該長短記憶單元。
3. 如申請專利範圍第2項所述之心房顫動預測模型，其中該遺忘閘、該輸入閘和該輸出閘為雙向串接。
4. 如申請專利範圍第2項所述之心房顫動預測模型，其中該第一預設閥值和該第二預設閥值係由tanh函數決定。
5. 一種心房顫動預測系統，包含：一心電圖擷取單元，用以取得一目標十二導程心電訊號數列；以及一非暫態機器可讀媒體，由至少一訊號連接該心電圖擷取單元，其中該非暫態機器可讀媒體用以儲存一程式，當該程式由一處理單元執行時係用以得到一預測結果，且該程式包含： 一參照資料庫取得模組，用以取得一參照資料庫，且該參照資料庫包含複數個參照十二導程心電訊號數列；一參照特徵選取模組，用以根據該參照資料庫選取至少一參照特徵值，該參照特徵值包含利用一計算單元計算該參照十二導程心電訊號數列中一峰對峰值時間差所得到的一心電訊號曲率變化最大的影像區間；一訓練模組，包含：四長短記憶組，各該長短記憶組具有128個長短記憶單元(Long Short Term Memory,LSTM)，且各該長短記憶單元為一雙向長短記憶單元(Bi-directional Long Short Term Memory,Bi-directional LSTM)，各該長短記憶單元用以儲存一心電訊號即時數值，並計算該特徵值與該心電訊號即時數值的相關性，當該相關性超過一第一預設閥值則更新該長短記憶單元，當訓練達到收斂時得到該心房顫動預測模型，其中該訓練模組不包含一卷積神經網絡；一目標特徵選取模組，用以分析該目標十二導程心電訊號數列以得到一目標特徵值，該目標特徵值包含利用另一計算單元計算該目標十二導程心電訊號數 列中一峰對峰值時間差所得到的一目標心電訊號曲率變化最大的影像區間；及一比對模組，用以將該目標特徵值與該參照特徵值以該心房顫動預測模型進行分析比對，藉此得到一預設結果。
6. 如申請專利範圍第5項所述之心房顫動預測系統，其中該長短記憶單元更包含：一遺忘閘(Forget Gate)，用以過濾曲率變化過大的該心電訊號即時數值，以得到一輸入值；一輸入閘(Input Gate)，用以輸入該輸入值，並利用Sigmoid函數計算該相關性；以及一輸出閘(Output Gate)，用以將該相關性利用Sigmoid函數進行計算以得到一輸出值，當該輸出值超過一第二預設閥值時，將該輸出值加入該長短記憶單元。
7. 如申請專利範圍第6項所述之心房顫動預測系統，其中該遺忘閘、該輸入閘和該輸出閘為雙向串接。
8. 如申請專利範圍第6項所述之心房顫動預測系統，其中該第一預設閥值和該第二預設閥值係由tanh函數決定。

Images