[發明專利]使用機器學習來進行心磁圖分類

有效

• 申請號: 201010224927.5
• 申請日: 2004-07-01
• 公開（公告）號: CN101926646A
• 公開（公告）日: 2010-12-29
• 發明（設計）人: 卡斯滕·斯特尼克爾;馬克·J·恩布克斯;伯勒斯洛·K·希曼斯基
• 申請（專利權）人: 卡迪爾馬格成像公司
• 主分類號: A61B5/04
• 分類號: A61B5/04;G06K9/00
• 代理公司: 永新專利商標代理有限公司 72002
• 代理人: 劉炳勝;王英

本申請是2004年7月1日提交的申請號為200480018683.8、名稱為‘使用機器學習來進行心磁圖分類’的分案申請。

背景技術

雖然心磁描記法(MCG)早在二十世紀六十年代就被引入作為可能的診斷工具，但是花費了近三十年的時間才成功地證明了它的臨床價值?，F在，它代表新近出現的、全世界醫院中內科醫師采用的心臟病學技術之一。MCG方法的臨床應用明顯受益于現代多通道傳感器技術、成熟的軟件以及硬件中的最新改善，所述硬件允許使用所述設備而無需磁屏蔽室。

MCG研究是快速的、安全的并且是完全非侵入性的。因此，它為患者提供了極大的便利。目前，許多組織從事建立參考數據庫和數據標準化的工作。在多種臨床應用中，MCG已經提供了臨床上有益的結果。例如，MCG可以診斷并且定位急性心肌梗塞、區分具有或不具有惡性心室心律不齊易感性的心肌梗塞患者、檢測心室肥厚和心臟移植之后的排異性、定位心室預激勵的位置和各類心律不齊以及揭示胎兒心律不齊和傳導紊亂[40]。另外，最近已經研究了MCG的其它幾種臨床應用：心肌病的檢測和危險分類(擴張、肥大、心律不齊、糖尿病)、自發心室纖維性顫動之后的危險分類、心肌耐久性的檢測和定位以及胎兒生長和神經系統完整性的后續檢查。某些研究已經明顯地表明：MCG對復極(化)過程中(例如在心肌梗塞之后或者在遺傳性長QT綜合癥[42]中)的變化非常靈敏。在[41]中可以找到MCG應用以及目前使用的分析技術的最相關的綜述。

然而，具有重大挑戰性的是減少或者消除因MCG數據的人為解釋所引入的偏離，并且明顯改善基于機器的分類性能和推廣質量，并同時使計算機處理時間與實時診斷相容。

當把人工智能(機器學習)應用于測量數據時，始終執行三個基本步驟：1、數據測量，2、測量數據的預處理，3、自適應分類器的訓練。將這種基本方案編入EKG/ECG數據或者其它生物數據的專利包括美國專利5,092,343；5,280,792；5,465,308；5,680,866；5,819,007；6,128,608；6,248,063；6,443,889；6,572,560；6,714,925以及6,728,691。

使用人工智能進行MCG場圖分析十分局限于數據。把人工智能應用于分析生物磁性信號的一篇參考文獻是第5,417,211號美國專利，公開了一種用來對活體內發生的電生理活動所生成的場圖進行分類的方法，包括如下步驟：使用多通道測量設備來測量作為對象體外電生理活動結果而出現的場圖、生成對應于所測場圖的特征向量、把所述特征向量提供給自適應分類器以及利用訓練場圖來訓練自適應分類器，其中所述訓練場圖已經由可定位電生理活動代用模型生成。所述方法還包括步驟：在自適應分類器的輸出端為每個場圖生成概率值，該概率值表示能夠由所選可定位代用模型來生成每一個場圖的概率。類似于上面引用的EKG/ECG參考文獻，該文獻論述了機器學習對測量數據的普遍適用性，但是它沒有提及改善分類性能以及推廣質量的細節。

在所有情況中，用于確定成功的兩個關鍵措施是分類性能以及推廣質量。對非預處理數據進行訓練會導致很差的分類結果，而所謂的過度訓練則防礙自適應分類器推廣到實際數據的正常識別。

成功的關鍵在于數據的最優預處理，迄今為止，本文引用的任何參考文獻還沒有實現這一點。最重要的是識別能確定被探查數據集的所屬分類的所有特征。識別那些特征既不是顯而易見的也不是微不足道的。此外，這些特征可以根據生物系統的不同以及測量數據類型的不同而有所不同。因此，大部分基于人工智能的過程都在如何執行預處理方面存在差別。

正如此處將要詳細公開的那樣，為機器學習而使用核變換以及小波變換對數據進行預處理為成功的機器學習方法提供了基礎，就準確分類、推廣質量以及處理速度而言，所述方法明顯改進了現有技術。這些內容在本文引用的任何現有技術中均沒有被公開或者建議。

發明內容