TWI896995B - 應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統 - Google Patents

Abstract

本發明涉及一種應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統，藉以透過心電圖抽取高階特徵預測左心室射出分率外，更提供變異數預測作為信心度指標，可藉由該信心程度衡量心電圖品質及預測效果，因此透過人工智慧心電圖結合信心度預測指標可作為更加精準的輔助診斷工具，有助於提供臨床預測效能及決策參考。

Description

應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統

本發明係隸屬一種輔助診斷之技術領域，具體而言係一種應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統，藉此能以心電圖結合深度學習模型結構上預測左心室功能不全外，並透過模型輸出標準差作為信心度指標，可提升預測左心室功能不全的準確度。

按，全世界約有數仟萬人患有左心室功能不全〔Left ventricular dysfunction，LVD〕，嚴重將導致心臟衰竭，進而影響生活品質及預後。臨床上左心室射出分率、腦利鈉及N端前腦利鈉肽為心臟衰竭的重要評估指標，治療策略會依病患臨床指標變化而有所不同。目前以左心室射出分率〔EF〕為主要分類標準，而多次進行EF檢測適用於對臨床治療手段有效的患者。而左心室射出分率數值則是以胸前心臟超音波檢查〔Transthoracic Echocardiogram〕，依臨床需求採用動態模式〔Motion Mode, M-Mode)或二維辛普森兩切面〔Biplane Simpson‘s method〕掃描後取得並記錄。腦利鈉〔BNP〕和N端前腦利鈉肽〔NT-pro-BNP〕是目前最用來輔助心臟超音波的診斷工具，例如對患有心臟疾病的成年人進行治療監測。然而，過去研究指出腦利鈉及N端前腦利鈉肽的準確度〔AUC〕約在0.6-0.8，且容易受到性別、年齡及疾病史干擾所影響，故臨床需要開發更有效的生物標記物以進行早期心臟檢測。

而心電圖因具有快速、便宜、且適合民眾進行社區篩查，是目前檢測心臟功能和心電活動的主要工具。隨著深度學習模型〔DLMs〕的改進，由人工智能〔AI〕輔助的心電圖已經成為一種成熟的技術，並廣泛用於無症狀的LVD篩檢。此外，人工智能心電圖識別的EF值正常的假陽性患者與真陰性患者相比，假陽性患者有更高的機率發展成嚴重的LVD，證明了人工智能心電圖識別LVD潛在病患的潛力。這些特點提高了AI-ECG在臨床實踐中的接受程度，一項隨機對照實驗顯示，通過AI-ECG還能額外識別出43%的潛在LVD患者。不過，大多數AI-ECG只提供LVD的可能性測試，而不進行嚴重程度評估。

再者，有一些心電圖的特徵被認為與典型LVD有關，包括心率、左枝傳導阻滯〔LBBB〕和QRS持續時間延長。此外，心房顫動可能導致一些EF值低的患者出現急性心功能下降。雖然EF值低的患者在心電圖上可能呈現出心房顫動，但大多數心房顫動患者的EF值正常，導致預測心房顫動患者的EF值有更高的不確定性，而醫學數據的不確定性使的診斷決策過程變得困難。基於前述原因，人工智慧心電圖模型〔AI-ECG〕雖然可以作為心臟超音波評估左心室射出分率〔EF〕的工具，但由於準確度不足，而無法評估左心室功能狀況。

除此之外，穿戴式生理監測裝置也正在改變醫療保健行業，使民眾隨時隨地都能夠監測自己的生理狀態和活動，也有能應用於遠程醫療、持續監測等優點，因此其也被廣泛應用於各場域中，而目前穿戴式生理監測裝置也發展到可以取得心電圖，如能與心電圖輔助診斷工具結合，用於長時間隨時追距患者的心電訊號，如預先準確地偵測左心室功能不全，可有效監測及預防心臟衰竭。

換言之，為了更好地量化模型預測的不確定性，開發一個具有深度學習模型之系統及方法來幫助醫師識別與左心室功能不全相關的ECG變化，供進行早期、客觀和精確的診斷，將可有效作為快速治療的證據，且進一步開發一種可以應用於穿載式生理監測裝置的輔助診斷工具，係業界的重要課題。

有鑑於此，本發明即基於上述關於左心室功能不全之診斷需求深入探討，並藉由本發明人多年從事相關開發的經驗，而積極尋求解決之道，經不斷努力之研究與發展，終於成功的創作出一種應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統，以解決現有者輔助診斷系統因準確度不足無法有效評估左心室功能狀況所造成的不便與困擾。

因此，本發明之主要目的係在提供一種之應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統，藉以能利用患者心電訊號、且透過人工智慧的深度學習模型之系統及方法來幫助醫師識別與左心室功能不全相關的心電圖變化，供進行心臟衰竭之早期、客觀和精確的診斷。

其次，本發明之再一主要目的係在提供一種之應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統，其能快速評估左心室功能狀況，以預測心臟衰竭之機率，供醫療人員即時監測與介入。

又，本發明之另一主要目的係在提供一種之應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統，其能提供遠端的長時間追踪，以預測心臟衰竭之機率，可進一步維護患者的生命安全。

為此，本發明主要係透過下列的技術手段，來具體實現上述的各項目的與效能，其包含有：

一建置至少一射出分率模型資料之步驟：建立至少一筆左心室之射出分率模型，其模型訓練係利用至少一筆心電圖訊號及至少一筆與該等心電圖訊號相對應之心臟超音波的左心室射出分率數值；

一取得一待測心電圖之步驟：取得一被監測者之待測心電圖；

一測定具信心度射出分率之步驟：其包含利用深度神經網路架構之一導入預測模塊、一加權平均模塊及一總和輸出模塊的方式，透過導入預測模塊將該待測心電圖以序列向量輸入並生成一導入預測值，之後透過加權平均模塊輸出一個加權數值，而至少一導極的加權平均模塊之輸出將會一起通過一個全連接層，並設定輸出為2個隱藏層，而後將此權重與原始導入預測模塊的個別預測結果進行加權平均，其中一個隱藏層以Sigmoid 輸出機率向量並限制為10至90的點估計值，另外一個隱藏層直接輸出為變異數後進行指數轉換形成信心度指標，並將其投影至常態分布之機率密度函數中進行模型優化，以u為實際左心室射出分率，y為點估計值，σ為變異數之平方根進行轉換，如公式（1）；

………………………公式（1）

一轉換心臟衰竭機率之步驟：使用常態分布之累積分佈函數進行將點估計值與變異數轉換為心臟衰竭之機率，累積分佈函數主要描述在給定分布下，變數X小於或等於x的機率。在本發明中，u為點估計值，x設定為左心室射出分率小於或等於40作為心臟衰竭診斷標準，若為f(x) 為連續型函數，則為將其導數作為累積機率密度函數，可獲得一個預測之心臟衰竭機率值，如公式（2）及公式（3）；

……………………公式（2）

……………………………….公式（3）

一顯示左心室功能測定結果之步驟：在求得該被監測者之心電圖、測定之左心室射出分率及心臟衰竭預測機率值後，將該等資料傳輸、並顯示給至少一監測者。

並使用下列系統來執行，該系統至少具有一左心室功能測定裝置；

所述之左心室功能測定裝置包含有一處理單元及分別連接該處理單元之至少一記憶單元及至少一儲存單元，其中該等儲存單元至少具有一模型資料模組及一測定運算模組，該模型資料模組中具有至少一射出分率模型資料，該射出分率模型資料包含有至少一筆心電圖訊號及至少一筆與該等心電圖訊號相對應之心臟超音波的左心室射出分率數值，而該測定運算模組使用如申請專利範圍第1～4項中任一項所述之應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法將一待測心電圖轉換成一個預測之心臟衰竭機率值；

藉由該左心室功能測定裝置可連接至少一心電圖生成裝置及至少一監測顯示裝置，使得其得將由該心電生成裝置所取得之待測心電圖轉換成相對應之預測心臟衰竭機率值，並顯示於該監測顯示裝置上。

透過前述技術手段的具體實現，使本發明能可大幅增進其實用性，而能增加其附加價值，並能提高其經濟效益。

為使　貴審查委員能進一步了解本發明的構成、特徵及其他目的，以下乃舉本發明之若干較佳實施例，並配合圖式詳細說明如后，供讓熟悉該項技術領域者能夠具體實施。

本發明係一種應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法及其系統，隨附圖例示本發明之具體實施例及其構件中，所有關於前與後、左與右、頂部與底部、上部與下部、以及水平與垂直的參考，僅用於方便進行描述，並非限制本發明，亦非將其構件限制於任何位置或空間方向。圖式與說明書中所指定的尺寸，當可在不離開本發明之申請專利範圍內，根據本發明之具體實施例的設計與需求而進行變化。

本發明係一種應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法，其可供快速測定左心室功能不全的狀態，以預測心臟衰竭之機率，而如第一、二圖所示，該方法用於一應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之系統，該系統包含有至少一心電圖生成裝置（10）、一左心室功能測定裝置（20）及至少一監測顯示裝置（30），其中該等心電圖生成裝置（10）、該左心室功能測定裝置（20）及該等監測顯示裝置（30）之間可以是組成一體式結構、組合式結構或分離式結構，且如為分離式結構可以是利用有線技術〔如乙太網路〕、無線技術〔如無線醫療系統、Wi-Fi或3G以上行動通信〕相互連線，供相互傳輸資料。

而如第二圖所示，該方法之施實步驟包含有：

一建置至少一射出分率模型資料之步驟（S01）：首先訓練至少一筆左心室之射出分率模型（Left Ventricular Ejection Fraction Model，又稱EFMD），其模型訓練係利用至少一筆取自該等心電圖生成裝置（10）或醫療院所心電圖資料庫中之心電圖訊號（Reference ECG，又稱R.ECG）〔如12導極心電圖〕及至少一筆與該等心電圖訊號相對應之心臟超音波的左心室射出分率數值（Reference Left Ventricular Ejection Fraction，又稱R.EF），其中12導極心電圖被轉化為「時間-序列」資料，並以每一小段時間記錄一個電位訊號的形式記錄，如每2毫秒紀錄1個訊號，並連續紀錄10秒。而左心室射出分率數值則是以胸前心臟超音波檢查〔Transthoracic Echocardiogram〕，依臨床需求採用動態模式〔Motion Mode, M-Mode〕或二維辛普森兩切面〔Biplane Simpson‘s method〕掃描後取得並記錄，並儲存於前述之左心室功能測定裝置（20）中；

一取得至少一待測心電圖之步驟（S02）：利用一個心電圖生成裝置（10）取得一被監測者之待測心電圖；

一測定具信心度射出分率之步驟（S03）：在模型上，本發明使用一個可設於該左心室功能測定裝置（20）內之一個深度神經網路的測定運算預測模式〔又稱ECG12Net〕進行預測模式的建立，該ECG12Net揭露於中華民國申請第109108808號發明專利案中，如第三圖所示，其中該ECG12Net包含了3個重要的構造，分別是導入預測模塊〔ECG lead block〕、加權平均模塊〔Attention block〕以及總和輸出模塊〔Sum Output block〕。將至少一導程〔如12個導程之Lead I、Lead II、…、Lead V6〕在經過「ECG lead block」之後，12個導程的輸出將分別有一個長度為N的特徵向量與長度為1的個別預測結果，而後這個特徵向量將會通過「Attention block」進行權重預測。「Attention block」的結構為「全連接層→批量歸一層→線性整流層→全連接層→批量歸一層」，最終每個「Attention block」將會輸出1個數值。而12個導極的「Attention block」之輸出將會一起通過一個全連接層，並設定輸出為2個隱藏層，而後將此權重與原始「ECG lead block」的個別預測結果進行加權平均，其中一個隱藏層以Sigmoid 輸出機率向量並限制為10至90的點估計值，另外一個隱藏層直接輸出為變異數後進行指數轉換形成信心度指標。並將其投影至常態分布之機率密度函數中進行模型優化，以u為實際左心室射出分率，y為點估計值，σ為變異數之平方根進行轉換，如公式（1）。

…………………………公式（1）

一轉換心臟衰竭機率之步驟（S04）：接著利用該被監測者之待測心電圖導入該左心室功能測定裝置（20）中進行轉換，利用該左心室功能測定裝置（20）中之ECG12Net之「ECG lead block」、「Attention block」以及「Sum Output block」的預測運算模式，其中利用導入預測的方式將待測心電圖以特徵向量輸入，經公式（1）所得一具信心度模型之測定左心室射出分率（Determination of left ventricular ejection fraction，DEF）後，本發明並使用常態分布之累積分佈函數進行將點估計值與變異數轉換為心臟衰竭之機率，累積分佈函數主要描述在給定分布下，變數X小於或等於x的機率。在本發明中，u為點估計值，x設定為左心室射出分率小於或等於40作為心臟衰竭診斷標準，若為f(x) 為連續型函數，則為將其導數作為累積機率密度函數，可獲得一個預測之心臟衰竭機率值（Prediction of heart failure probability value，PHF），如公式（2）及公式（3）。

………………………公式（2）

…………………………………公式（3）

一顯示左心室功能測定結果之步驟（S05）：在獲得該被監測者之心電圖、測定之左心室射出分率及心臟衰竭預測機率值後，將該等資料傳輸、顯示於至少一監測者之監測顯示裝置（30）上。

且該應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法進一步包含有一模型學習之步驟（S06），其係利用卷積神經網路以不監督方式辨識指定心電圖中的特徵值進行學習，且該模型學習模組之卷積神經網路進行學習處理時的演算法可為公知的方法，並調整網路參數，供生成新的用於診斷之射出分率模型資料。

又本發明之系統的詳細構成，則係如第一、四圖所揭示者，其中該等心電圖生成裝置（10）具有至少一電極單元（11），供量測至少一被監測者之心電訊號，該等心電圖生成裝置（10）可以選自1至12導程之電極單元（11），供生成一個相對應導程數之待測心電圖（D1），例如當以標準12導程心電圖為例時，則該心電圖生成裝置（10）需要放置如RA、LA、RL、LL、V1、V2、V3、V4、V5及V6等10個電極單元（11），其可生成一個標準12導程〔Lead I、Lead II、…、Lead V6〕之待測心電圖（D1），又該等心電圖生成裝置（10）具有一電器連接該電極單元（11）之傳輸單元（12），而該傳輸單元（12）可以利用有線技術或無線技術對上述之左心室功能測定裝置（20）傳輸該電極單元（11）生成之待測心電圖（D1）。根據某些實施例，該等心電圖生成裝置（10）可以是一穿戴式生理監測裝置（50）或其一部，供患者直接穿載以取得至少一待測心電圖（D1），用於長時間隨機監測該被監測者〔如救護車上患者、慢性病患者等〕；

又如第五圖所示，該左心室功能測定裝置（20）可執行該應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法，而該左心室功能測定裝置（20）可以包含有一處理單元（21）、一傳輸單元（22）、至少一記憶單元（23）及至少一儲存單元（24），其中該處理單元（21）用於執行系統之各項程式、指令及功能，且該傳輸單元（22）可以有線技術或無線技術讓該左心室功能測定裝置（20）與前述之心電圖生成裝置（10）及/或監測顯示裝置（30）相互連結傳輸各項資料、畫面或指令，而該等記憶單元（23）電氣連接該處理單元（21），且該等記憶單元（23）用於供儲存系統程式或指令、以及作為作業系統或其他正在執行中的程式的臨時資料儲存媒介，該記憶單元（23）可以是唯讀記憶單元〔Read Only Memory，ROM〕及/或隨機存取記憶單元〔Random Access Memory，RAM〕，又各該儲存單元（24）可以有線或無線連接該處理單元（21），且各該儲存單元（24）可以是一內部儲存設備或一外部儲存設備，如硬碟〔Hard Disk Drive，HDD〕、固態硬碟〔Solid State Disk，簡稱SSD〕或雲端硬碟〔Online Hard Drive〕，又各該等儲存單元（24）至少內建有一模型資料模組（25）及一測定運算模組（26），使得該左心室功能測定裝置（20）取得待測心電圖後，可透過該模型資料模組（25）與該測定運算模組（26）之計算測定相對應於該待測心電圖（D1）求得一心臟衰竭預測機率值。且根據某些實施例，該左心室功能測定裝置（20）與該等心電圖生成裝置（10）可以結合形成一體之穿戴式生理監測裝置（50）。再者，根據某些實施例，該左心室功能測定裝置（20）可以是雲端伺服裝置、資訊工作站、個人電腦或可攜式行動裝置等。而根據某些實施例，該模型測定裝置（20）進一步可以包含有一連接該處理單元（21）之圖形處理單元（27）〔Graphics Processing Unit，GPU〕，供透過分析、深度學習和機器學習演算法來執行繪圖運算工作，以提高運算速度及心電圖判讀的準確度。又根據某些實施例，該模型測定裝置（20）進一步包含有一卷積神經網路架構之模型學習模組（28），供生成新的用於診斷之心室射出分率模型資料。而該模型學習模組（28）係利用卷積神經網路以不監督方式辨識指定心電圖中的特徵值進行學習，且該模型學習模組（28）之卷積神經網路進行學習處理時的演算法可為公知的方法，並調整網路參數〔權重係數、偏差等〕。而且，由該模型學習模組（28）形成之心室射出分率模型資料〔結構資料及已學習的權重參數等〕例如與模型資料模組（25）或測定運算模組（26）一同被儲存於該儲存單元（24）中，且該模型學習模組（28）於驅動深度學習模型訓練的方法可以使用如公知的反向傳播法〔Backpropagation〕實施學習處理。

至於，該監測顯示裝置（30）具有一傳輸單元（31），而該傳輸單元（31）可以利用有線技術或無線技術接收上述之向量轉換裝置（20）傳送來之偵測值及/或心電訊號，且該監測顯示裝置（30）具有一顯示單元（32），該顯示單元（32）可供顯示左心室射出分率、心臟衰竭預測機率值及/或心電訊號（D1）生成之心電圖，供醫療人員判讀預測心臟衰竭之機率，另根據某些實施例，該監測顯示裝置（30）進一步具有一警報發送單元（35），該警報發送單元（35）可向急救人員、責任醫師或遠端監管裝置發送超出預設值之左心室射出分率、心臟衰竭預測機率值及/或心電訊號（D1）生成之心電圖，供醫療人員即時監測與介入。

綜上所述，可以理解到本發明為一創意極佳之發明創作，除了有效解決習式者所面臨的問題，更大幅增進功效，且在相同的技術領域中未見相同或近似的產品創作或公開使用，同時具有功效的增進，故本發明已符合發明專利有關「新穎性」與「進步性」的要件，乃依法提出發明專利之申請。

10: 心電圖生成裝置 11: 電極單元 12: 傳輸單元 15: 心電圖資料庫 20: 左心室功能測定裝置 21: 處理單元 22: 傳輸單元 23: 記憶單元 24: 儲存單元 25: 模型資料模組 26: 測定運算模組 27: 圖形處理單元 28: 模型學習模組 30: 監測顯示裝置 31: 傳輸單元 32: 顯示單元 35: 警報發送單元 50: 穿戴式生理監測裝置 S01: 建置至少一射出分率模型資料 S02: 取得一待測心電圖 S03: 測定具信心度射出分率 S04: 轉換心臟衰竭機率 S05: 顯示左心室功能測定結果 S06: 模型學習

第一圖：係本發明使用應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之系統的運作示意圖。

第二圖：係本發明使用應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法的流程架構示意圖。

第三圖：係本發明之方法中左心室功能測定運算的模型架構示意圖。

第四圖：係本發明之系統的架構示意圖。

第五圖：係本發明之系統中左心室功能測定裝置的架構示意圖。

第六圖：係本發明之系統於實際應用時的資料轉換示意圖。

S01: 建置至少一射出分率模型資料 S02: 取得一待測心電圖 S03: 測定具信心度射出分率 S04: 轉換心臟衰竭機率 S05: 顯示左心室功能測定結果 S06: 模型學習

Claims (10)

1. 一種應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法，其包含有：一建置至少一射出分率模型資料之步驟：建立至少一筆左心室之射出分率模型，其模型訓練係利用至少一筆心電圖訊號及至少一筆與該等心電圖訊號相對應之心臟超音波的左心室射出分率數值；一取得一待測心電圖之步驟：取得一被監測者之待測心電圖；一測定具信心度射出分率之步驟：其包含利用深度神經網路架構之一導入預測模塊、一加權平均模塊及一總和輸出模塊的方式，透過導入預測模塊將該待測心電圖以序列向量輸入並生成一導入預測值，之後透過加權平均模塊輸出一個加權數值，而至少一導極的加權平均模塊之輸出將會一起通過一個全連接層，並設定輸出為2個隱藏層，而後將此權重與原始導入預測模塊的個別預測結果進行加權平均，其中一個隱藏層以Sigmoid 輸出機率向量並限制為10至90的點估計值，另外一個隱藏層直接輸出為變異數後進行指數轉換形成信心度指標，並將其投影至常態分布之機率密度函數中進行模型優化，以u為實際左心室射出分率，y為點估計值，σ為變異數之平方根進行轉換，如公式（1）；………………………公式（1）一轉換心臟衰竭機率之步驟：使用常態分布之累積分佈函數進行將點估計值與變異數轉換為心臟衰竭之機率，累積分佈函數主要描述在給定分布下，變數X小於或等於x的機率，在本發明中，u為點估計值，x設定為左心室射出分率小於或等於40作為心臟衰竭診斷標準，若為f(x) 為連續型函數，則為將其導數作為累積機率密度函數，可獲得一個預測之心臟衰竭機率值，如公式（2）及公式（3）；……………………公式（2）……………………………….公式（3）一顯示左心室功能測定結果之步驟：在求得該被監測者之心電圖、測定之左心室射出分率及心臟衰竭預測機率值後，將該等資料傳輸、並顯示給至少一監測者。
2. 如申請專利範圍第1項所述應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法，其中該建置至少一射出分率模型資料之步驟中的左心室射出分率數值是以胸前心臟超音波檢查，依臨床需求採用動態模式或二維辛普森兩切面掃描後取得並記錄。
3. 如申請專利範圍第1項所述應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法，其中該建置至少一射出分率模型資料之步驟中心電圖可以是不同導程數之心電訊號所生成，並相對應建立有各種不同導程數之射出分率模型資料。
4. 如申請專利範圍第1項所述應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法，其中該方法進一步包含有一模型學習之步驟，其係利用卷積神經網路以不監督方式辨識指定心電圖中的特徵值進行學習，且該模型學習模組之卷積神經網路進行學習處理時的演算法可為公知的方法，並調整網路參數，供生成新的用於診斷之射出分率模型資料。
5. 一種應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之系統，該系統至少具有一左心室功能測定裝置；所述之左心室功能測定裝置包含有一處理單元及分別連接該處理單元之至少一記憶單元及至少一儲存單元，其中該等儲存單元至少具有一模型資料模組及一測定運算模組，該模型資料模組中具有至少一射出分率模型資料，該射出分率模型資料包含有至少一筆心電圖訊號及至少一筆與該等心電圖訊號相對應之心臟超音波的左心室射出分率數值，而該測定運算模組使用如申請專利範圍第1～4項中任一項所述之應用心電圖以人工智慧信心度模型輔助診斷左心室功能不全之方法將一待測心電圖轉換成一個預測之心臟衰竭機率值；藉由該左心室功能測定裝置可連接至少一心電圖生成裝置及至少一監測顯示裝置，使得其得將由該心電生成裝置所取得之待測心電圖轉換成相對應之預測心臟衰竭機率值，並顯示於該監測顯示裝置上。
6. 如申請專利範圍第5項所述之系統，其中該左心室功能測定裝置進一步可以包含有一連接該處理單元之圖形處理單元，供提高運算速度。
7. 如申請專利範圍第5項所述之系統，其中該左心室功能測定裝置進一步包含有一模型學習模組，且該模型學習模組係利用卷積神經網路以不監督方式辨識指定心電圖中的特徵值進行學習，且該模型學習模組之卷積神經網路進行學習處理時的演算法可為公知的方法，並調整網路參數，供生成新的用於診斷之射出分率模型資料。
8. 如申請專利範圍第5項所述之系統，其中該心電圖生成裝置、左心室功能測定裝置及監測顯示裝置可以是組成一穿戴式生理監測裝置。
9. 如申請專利範圍第5項所述之系統，其中該左心室功能測定裝置之處理單元可以連接有一傳輸單元，而心電圖生成裝置與監測顯示裝置分別具有可以相互連結傳輸之傳輸單元，供該左心室功能測定裝置可與設於遠端之心電圖生成裝置及監測顯示裝置連結傳輸資料。
10. 如申請專利範圍第5項所述之系統，其中該監測顯示裝置具有一顯示單元及一警報發送單元，該顯示單元可供顯示測定心肌梗塞及/或心電訊號生成之心電圖，且該警報發送單元可供通知醫療人員即時監測與介入。