CN111863236A - 医疗机器合成数据和对应事件生成 - Google Patents

医疗机器合成数据和对应事件生成 Download PDF

Info

Publication number
CN111863236A
CN111863236A CN202010324565.0A CN202010324565A CN111863236A CN 111863236 A CN111863236 A CN 111863236A CN 202010324565 A CN202010324565 A CN 202010324565A CN 111863236 A CN111863236 A CN 111863236A
Authority
CN
China
Prior art keywords
data
synthetic
artificial intelligence
network model
time series
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010324565.0A
Other languages
English (en)
Inventor
拉维·索尼
张敏
戈帕尔·B·阿维纳什
文卡塔·拉特南·萨里帕利
管嘉汇
迪比亚乔蒂·帕蒂
马梓力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN111863236A publication Critical patent/CN111863236A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Bioethics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)

Abstract

本发明题为“医疗机器合成数据和对应事件生成”。本发明公开了用于医疗机器时间序列事件数据生成的***、装置、指令和方法。示例性合成时间序列数据生成装置将使用第一人工智能网络模型来生成包括多通道时间序列数据和相关联的注释的合成数据集。示例性装置将使用第二人工智能网络模型相对于真实数据集分析合成数据集。当第二人工智能网络模型将合成数据集分类为第一分类时，示例性装置将使用来自第二人工智能网络模型的反馈来调整第一人工智能网络模型。当第二人工智能网络模型将合成数据集分类为第二分类时，示例性装置将输出合成数据集。

Description

医疗机器合成数据和对应事件生成
技术领域
本公开整体涉及合成数据，并且更具体地，涉及医疗机器合成数据和对应事件的生成。
背景技术
本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。
医疗保健环境诸如医院或诊所包括信息***，诸如医院信息***(HIS)、放射线信息***(RIS)、临床信息***(CIS)和心血管信息***(CVIS)；以及存储***，诸如图片归档和通信***(PACS)、图书馆信息***(LIS)和电子病历(EMR)。例如，所存储的信息可以包括患者用药医嘱、病史、成像数据、测试结果、诊断信息、管理信息和/或计划信息。大量的信息是可用的，但是这些信息可能被存入需要单独访问、搜索和检索的各种独立***中。由于相关联的***的技术限制，医疗保健数据之间的相关性仍然难以捉摸。
此外，医疗保健提供商的整合形成了跨地域分布的医院网络，在这些医院网络中与***的物理接触太昂贵。与此同时，转介医师希望更直接访问报告中的支持性数据以及更好的合作渠道。医师具有更多患者、更少时间并且被淹没在海量数据中，并且他们渴望得到帮助。然而，大数据集是计算机驱动的解决方案(诸如神经网络和其他“人工智能”)所必需的以帮助人类临床医生进行分析、优化、改进和/或其他决策支持。此类大数据集通常是缺失的或无法使用当前***和限制条件获得。
发明内容
本发明公开了用于医疗机器时间序列事件数据生成的***、装置、指令和方法。
某些示例提供了合成时间序列数据生成装置。该示例性装置包括存储指令的存储器；以及用于执行指令的至少一个处理器。示例性处理器将使用第一人工智能网络模型至少生成包括多通道时间序列数据和相关联的注释的合成数据集；并且使用第二人工智能网络模型相对于真实数据集分析合成数据集。当第二人工智能网络模型将合成数据集分类为第一分类时，示例性处理器将使用来自第二人工智能网络模型的反馈来调整第一人工智能网络模型。当第二人工智能网络模型将合成数据集分类为第二分类时，示例性处理器将输出合成数据集。
某些示例提供了至少一种有形计算机可读存储介质，该至少一种有形计算机可读存储介质包括指令，这些指令在被执行时使至少一个处理器至少：使用第一人工智能网络模型生成包括多通道时间序列数据和相关联的注释的合成数据集；使用第二人工智能网络模型相对于真实数据集分析合成数据集；当第二人工智能网络模型将合成数据集分类为第一分类时，使用来自第二人工智能网络模型的反馈来调整第一人工智能网络模型；并且当第二人工智能网络模型将合成数据集分类为第二分类时，输出合成数据集。
某些示例提供了用于生成合成时间序列数据和相关联的注释的计算机实现的方法。该示例性方法包括：使用至少一个处理器、使用第一人工智能网络模型生成包括多通道时间序列数据和相关联的注释的合成数据集。该示例性方法包括使用至少一个处理器、使用第二人工智能网络模型相对于真实数据集分析合成数据集。该示例性方法包括：当第二人工智能网络模型将合成数据集分类为第一分类时，使用至少一个处理器、使用来自第二人工智能网络模型的反馈来调整第一人工智能网络模型。该示例性方法包括：当第二人工智能网络模型将合成数据集分类为第二分类时，使用至少一个处理器输出合成数据集。
附图说明
图1是包括用于患者的医疗设备和相关联的监测设备的示例性***的框图。
图2A至图2D是用于生成合成的一维时间序列数据的示例性***的框图。
图3示出了示例性生成式对抗网络架构的元素。
图4示出了波形中的缺失数据插补的示例。
图5示出了多通道时间序列数据的示例。
图6A至图6C示出了被转换为时间信号的示例性事件。
图7示出了多通道数据和表示为时间序列信号的事件。
图8描绘了示例性生成式对抗网络模型。
图9示出了示例性合成数据生成器装置。
图10示出了示例性模型生成器以利用来自图9的装置的合成数据。
图11至图13示出了使用图2A至图3和/或图8至图10的示例性***来生成和处理合成的一维时间序列数据的示例性方法的流程图。
图14是能够执行指令以实现本文所公开和描述的示例性***和方法的示例性处理器平台的框图。
具体实施方式
在以下详细描述中，参考形成其一部分的附图，并且其中通过图示的方式示出了可实践的具体示例。足够详细地描述了这些示例以使得本领域技术人员能够实践本主题，并且应当理解，可以利用其他示例，并且可以在不脱离本公开主题的范围的情况下进行逻辑、机械、电气和其他改变。因此提供以下详细描述的目的是为了描述示例性实施方式，而非被看作对本公开所述的主题的范围进行限制。来自以下描述的不同方面的某些特征可组合形成下文所讨论的主题的新方面。
当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”、“该”和“所述”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。如本文使用术语“连接到”、“耦接到”等，一个对象(例如，材料、元件、结构、构件等)可以连接到或耦接到另一个对象，而无论该一个对象是否直接连接或耦接到另一个对象，或者在该一个对象和另一个对象之间是否存在一个或多个介入对象。
如本文所用，术语“***”、“单元”、“模块”、“引擎”等可以包括操作以执行一个或多个功能的硬件和/或软件***。例如，模块、单元或***可包括计算机处理器、控制器和/或基于存储在有形和非暂态计算机可读存储介质(诸如计算机存储器)上的指令来执行操作的其他基于逻辑的设备。另选地，模块、单元、引擎或***可包括基于设备的硬连线逻辑来执行操作的硬连线设备。附图中示出的各种模块、单元、引擎和/或***可表示基于软件或硬连线指令操作的硬件、指示硬件执行操作的软件、或其组合。
如本文所用，单数引用(例如，“一个”，“一种”、“第一”、“第二”等)不排除多个。如本文所用，术语“一个”或“一种”实体是指一个或多个该实体。术语“一个”(或“一种”)、“一个或多个”和“至少一个”在本文中可以互换使用。此外，尽管被单独列出，但是多个装置、元件或方法动作可以由例如单个单元或处理器来实现。另外，尽管各个特征可以被包括在不同的示例或权利要求中，但是这些特征可以被组合，并且包括在不同的示例或权利要求中并不意味着特征的组合是不可行和/或不利的。
当例如以诸如A、B和/或C的形式使用时，术语“和/或”是指A、B、C的任何组合或子集，诸如(1)单独的A，(2)单独的B，(3)单独的C，(4)A与B，(5)A与C，(6)B与C，以及(7)A与B和C。如本文在描述结构、部件、项目、对象和/或事物的上下文中所使用的，短语“A和B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式：(1)至少一个A，(2)至少一个B，以及(3)至少一个A和至少一个B。类似地，如本文在描述结构、部件、项目、对象和/或事物的上下文中所使用的，短语“A或B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式：(1)至少一个A，(2)至少一个B，以及(3)至少一个A和至少一个B。如本文在描述过程、指令、动作、活动和/或步骤的执行或实行的上下文所使用的，短语“A和B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式：(1)至少一个A，(2)至少一个B，以及(3)至少一个A和至少一个B。如本文在描述过程、指令、动作、活动和/或步骤的执行或实行的上下文所使用的，短语“A或B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式：(1)至少一个A，(2)至少一个B，以及(3)至少一个A和至少一个B。
此外，应当理解，对本公开的“一个实施方案”或“实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。
机器和患者的生理信号可以被组合以改善在医疗规程、健康监测、其他患者护理等期间发生的事件的检测、预测和分类。在本文所公开的某些示例中，通过使用合成数据/事件进行数据扩充、缺失数据插补等，此类事件的数据驱动的生成有助于降低医疗保健成本并且改善护理质量。某些示例提供深度生成式模型以生成合成数据和对应事件。
示例性框架包括计算机和/或其他处理器，该计算机和/或其他处理器执行一个或多个深度生成式模型诸如生成式对抗网络等，这些模型在被转换为单一标准化数据结构格式的聚合的医疗机器时间序列数据上训练。例如，可以按患者以有序安排来组织数据以生成合成数据样本和对应的合成事件，并且/或者生成用于时间序列实际数据插补的缺失数据。因此，可以生成附加的合成数据/事件以提供更多数据用于人工智能网络模型的训练、测试等，并且/或者可以对时间序列中的缺失数据进行插补和/或以其他方式插值以提供用于建模、分析等的数据时间序列。
例如，由于信号干扰、通信问题和/或导致波形中的间隙或缺失数据的其他数据丢失，时间序列波形中的传感器数据可以出现错误或其他缺陷。某些示例确定替换数据以填充波形或使波形完整，使得可以期望处理完整波形来得出结论的人工智能模型接收完整波形进行处理。因此，虽然时间序列数据中的间隙可以以其他方式使人工智能模型“终止”并且不返回任何结果、返回不正确/错误的结果等，但是某些示例识别并且填充时间序列数据中的间隙以允许人工智能模型处理输入数据集。
可从成像设备、传感器、实验室测试和/或其他数据源获得医疗数据。医疗数据可单独地或组合地帮助诊断患者、治疗患者、形成患者群体的简档、影响临床方案等。然而，为了有用，医疗数据必须经过适当地组织，以便进行超出人类跟踪和推理能力的分析和相关性。计算机及相关联的软件和数据构建体可被实现为将不同的医疗数据变换成可操作的结果。
例如，成像设备(例如，γ相机、正电子发射断层成像(PET)扫描仪、计算机断层成像(CT)扫描仪、X射线机、磁共振(MR)成像机、超声扫描仪等)生成表示身体部位(例如，器官、组织等)的二维(2D)和/或三维(3D)医学图像(例如，原始医学数字成像与通信(DICOM)图像)以诊断和/或治疗疾病。其他设备诸如心电图(ECG)***、脑电图(EEG)、脉搏血氧饱和度(SpO2)传感器、血压测量袖带等，提供有关患者的一维波形和/或时间序列数据。
从一个或多个医疗机器和/或设备获得的时间序列数据(例如，一维波形数据等)的采集、处理、分析和存储在医疗保健环境中的患者诊断和治疗中起着重要作用。工作流中涉及的设备可以在医疗工作流的整个操作过程中配置、监测和更新。机器学习可以用于帮助配置、监测和更新医学工作流和设备。
例如，机器学习技术，无论是深度学习网络还是其他体验式/观察性学习***，都可以用于表征和以其他方式解释、外推、断定和/或完成从患者处获取的医疗数据。深度学习是机器学习的子集，该机器学习使用一套算法以使用具有多个处理层(包括线性和非线性变换)的深度图对数据中的高层抽象化进行建模。虽然许多机器学习***都是先植入初始特征和/或网络权重、再通过机器学习网络的学习和更新加以修改，但是深度学习网络是通过训练自身来识别分析的“良好”特征。使用多层架构时，采用深度学习技术的机器对原始数据的处理可好于使用常规机器学习技术的机器。使用评估或抽象化的不同层促进了各组高度相关的值或区别性主题的数据检查。
在本说明书和权利要求书中，以下术语自始至终都采取与本文明确相关联的含义，除非上下文另外清楚指明。术语“深度学习”是利用多个数据处理层来识别数据集中的各种结构并且以高准确性对这些数据集进行分类的机器学习技术。深度学习网络(DLN)(也称为深度神经网络(DNN))可以是基于多个输入和输出来学习模式的训练网络(例如，训练网络模型或设备)。深度学习网络/深度神经网络可以是由训练网络生成并响应于输入而提供输出的部署的网络(例如，部署的网络模型或设备)。
术语“监督学习”是向机器提供来自人类来源的已分类数据的深度学习训练方法。术语“无监督学习”是不向机器给予已分类数据而是使机器可用于异常检测的深度学习训练方法。术语“半监督学习”是这样的深度学习训练方法，其中向机器提供少量来自人类来源的分类数据，相比之下，更大量的未分类数据可供机器使用。
术语“卷积神经网络”或“CNN”是用于在深度学习中检测、分割和识别数据集中的相关对象和区域的互连数据的生物启发网络。CNN以多个阵列的形式评估原始数据，将数据分为一系列级，检查数据中学习到的特征。
术语“迁移学习”是机器存储正确地或不正确地解决一个问题时所使用的信息来解决与第一问题相同或类似性质的另一个问题的过程。迁移学习可也称为“归纳学习”。例如，迁移学习可利用来自先前任务的数据。
术语“主动学习”是机器选择要接收训练数据的一组示例而不是被动地接收外部实体所选的示例的机器学习过程。例如，当机器学习时，可允许机器选择机器确定将对学习最有用的示例，而非仅仅依赖外部人类专家或外部***来识别和提供示例。
术语“计算机辅助检测”或“计算机辅助诊断”是指用于建议可能的诊断而分析医疗数据的计算机。
深度学习是采用表示学习方法的一类机器学习技术，其允许机器被给予原始数据并且确定数据分类所需的表示。深度学习使用用于改变深度学习机器的内部参数(例如，节点权重)的反向传播算法来确定数据集中的结构。深度学习机器可利用多种多层架构和算法。例如，虽然机器学习涉及识别要用于训练网络的特征，但深度学习处理原始数据来识别感兴趣特征而无需外部识别。
神经网络环境中的深度学习包括许多称为神经元的互连节点。由外部来源激活的输入神经元基于受机器参数控制的与其他神经元的连接来激活这些其他神经元。神经网络以基于其自身参数的一定方式起作用。学习改善机器参数，并且广义来说，改善网络中的各神经元之间的连接，使得神经网络以所需方式起作用。
可以部署各种人工智能网络来处理输入数据。例如，利用卷积神经网络的深度学习使用卷积滤波器来分割数据以定位并且识别数据中学习到的可观测特征。CNN架构的每个滤波器或层变换输入数据以增加数据的选择性和不变性。数据的该抽象化允许机器聚焦于数据中其尝试分类的特征并且忽略不相关的背景信息。
深度学习的操作建立在许多数据集包括高级特征而高级特征又包括低级特征这一理解上。例如，当检查图像时，并不查找对象，更有效的做法是查找边缘，边缘形成模体，模体形成部分，部分形成要寻找的对象。特征的这些层次可见于许多不同形式的数据，诸如语音和文本等。
学习到的可观测特征包括机器在监督学习期间学习到的对象和可量化正则性。设置有有效分类的数据的大集合的机器更有条件区分并且提取与新数据的成功分类相关的特征。
利用迁移学习的深度学习机器可将数据特征正确地连接到由人类专家确认的某些分类。相反，同一机器可在人类专家告知分类错误时更新用于分类的参数。例如，可通过学习到的设置和/或其他配置信息的使用来引导设置和/或其他配置信息，并且当***被使用更多次(例如，反复使用和/或由多个用户使用)时，对于给定情况而言，可减少设置和/或其他配置信息的变化和/或其他可能性的数量。
例如，可使用专家分类数据集来训练示例性深度学习神经网络。该数据集构建了神经网络的第一参数，并且这将成为监督学习阶段。在监督学习阶段期间，可测试神经网络是否已实现所需行为。
一旦已实现所需神经网络行为(例如，机器经过训练以根据指定阈值来操作等)，就可部署机器以便使用(例如，使用“真实”数据来测试机器等)。在操作期间，可(例如，由专家用户、专家***、参考数据库等)确认或拒绝神经网络分类以继续改善神经网络行为。然后示例性神经网络处于迁移学习状态，因为确定神经网络行为的分类参数基于正在进行的交互来更新。在某些示例中，神经网络可向另一个过程提供直接反馈。在某些示例中，神经网络输出的数据先经过缓冲(例如经由云等)和验证，再提供给另一个过程。
深度学习机器可在与医师交互时利用迁移学习来抵消监督训练中可用的小数据集。这些深度学习机器可随时间推移通过训练和迁移学习来改进其计算机辅助诊断。然而，较大的数据集产生更准确、更稳健的部署的深度神经网络模型，可应用该深度神经网络模型将不同的医疗数据变换成可操作的结果(例如，***配置/设置、计算机辅助诊断结果、图像增强等)。
某些示例提供了一个框架，包括：a)计算机，该计算机执行一个或多个深度学习(DL)模型和混合深度强化学习(RL)模型，这些模型在被转换为单一标准化数据结构格式的聚合的机器时间序列数据上按患者以有序安排进行训练，以预测一个或多个未来事件，并且在患者的具有标准化数据结构格式的一致输入时间序列数据上汇总与预测的一个或多个未来机器事件相关的相关过去机器事件；b)电子设备的面向医疗保健提供者的界面，供医疗保健提供者治疗患者使用，该界面被配置为显示预测的患者的一个或多个未来机器事件和相关的过去机器事件。
在某些示例中，机器信号、患者生理信号以及机器和患者生理信号的组合提供了医疗规程期间事件的改进的预测、检测和/或分类。下表1中表示了这三个数据上下文，与可以使用相应的数据源来提供预测、检测和/或分类的示例性人工智能模型相关联。与医学治疗/规程相关的事件的数据驱动的预测有助于降低医疗保健成本并且改善护理质量。某些示例涉及用于预测此类事件的DL模型、混合RL模型，以及DL+混合RL组合模型。类似地，与患者和/或机器相关的事件的数据驱动的检测和分类有助于降低医疗保健成本并且改善护理质量。某些示例涉及用于检测和分类此类事件的DL模型、混合RL模型，以及DL+混合RL组合模型。
例如，如下所示，机器数据、患者监测数据以及机器和监测数据的组合可以与一个或多个人工智能构造一起使用，以形成一个或多个预测、检测和/或分类。
Figure BDA0002461268450000091
表1：数据源和相关联的预测、检测和/或分类模型示例。
某些示例在实时***中部署学习的模型以进行患者监测。训练数据要与收集的数据匹配，因此，例如如果在外科手术期间收集实时数据，则也将在实时外科手术数据上对模型进行训练。训练参数可以被映射到部署的参数，以便实时、动态地递送给患者场景(例如，在手术室、急诊室等)。此外，一维(1D)时间序列事件数据(例如ECG、EEG、O2等)的处理由与处理2D或3D图像的模型不同的模型进行。例如，1D时间序列事件数据可以被聚合和处理。
因此，如下所示，一个或多个医疗设备可以被应用于提取相对于患者的时间序列数据，并且一个或多个监测设备可以捕获和处理此类数据。一维时间序列数据建模的益处包括识别更多的数据驱动的事件，以避免错误警报(例如，避免错误警报疲劳等)、提供高质量的事件检测等。其他益处包括改善的患者结果。还可以实现成本节约，诸如降低成本以更好地预测事件，诸如何时减少气体、何时将患者从氧气呼吸机移开、何时将患者从手术室(OR)转移至其他护理等。
其他识别方法基于阈值而不是个性化。某些示例提供了基于患者自身生命力、医疗保健规程中的机器数据等的个性化建模。例如，对于患者心率，体重较轻的人的速率与体重较重的人的速率不同。因此，警报可以因人而异，而不是符合设置的全局阈值。模型诸如DL模型等可以确定或预测何时对警报做出反应和何时关闭警报等。某些示例可以驱动另一个机器的行为、配置等(例如，基于生理状况，机器可以向另一个机器发送通知以降低麻醉剂，减少呼吸机等；检测呼吸机营养不良并且对其做出反应等)。
如在图1的示例性***100中所示，一个或多个医疗设备110(例如，呼吸机、麻醉机、静脉滴注等)施用于患者120，而一个或多个监测设备130(例如，心电图(ECG)传感器、血压传感器、呼吸监测器等)收集有关患者生命、患者活动、医疗设备操作等的数据。此类数据可以用于训练AI模型，可以由受过训练的AI模型进行处理等。
某些示例提供了用于使用AI模型来对机器和/或生理生命数据进行缺失数据插补的***和方法。例如，如图2A的示例性***200所示，机器数据210和生理(例如，生命等)数据212、214可以从一个或多个医疗设备220、移动数字健康监测器222、一个或多个诊断心脏病学(DCAR)设备224等中捕获，在数据流230、235(例如，连续流、实时流、周期性流等)中提供给预处理器240、245，以对数据进行预处理并且应用一个或多个机器学习模型250、255(例如，AI模型，诸如DL模型、混合RL模型、DL+混合RL模型等)，以检测例如由数据流230、235等形成的一组真实数据260、265中的事件(例如，心脏病、中风、高血压、心律加快等)。
经预处理的数据从预处理器240、245提供给生成式模型270、275。生成式模型270、275是无监督学习模型，处理来自预处理器240、245的数据以确定或“学习”训练集的数据分布，模型270、275可以根据训练集的数据分布生成包括来自训练数据集的变化的附加数据点。生成式模型270、275对与输入数据集的真实数据分布尽可能类似的分布进行建模。示例性生成式模型270、275包括变分自编码器(VAE)、生成式对抗网络(GAN)等。
例如，VAE试图最大化数据对数可能性的下限，并且GAN试图在生成器和鉴别器之间实现平衡。VAE提供概率图模型，以学习输入到模型270、275(例如，训练数据集)的数据的概率分布。可以假定通过VAE模型从数据推断出的潜在变量已生成数据集，然后可以用于生成附加数据，诸如扩大数据集，对时间序列中的缺失数据进行插补等。
例如，GAN采用博弈论式的方法来寻找生成器网络和鉴别器网络之间的平衡。生成器网络模型学习捕获数据分布，并且鉴别器网络模型估计样本来自数据分布而非模型分布的概率。因此，生成器网络将生成逼真的数据，并且鉴别器网络将确定生成的数据是真实的还是虚假的。在一些示例中，诸如图2A的示例，生成式模型270、275已经被训练并且在推断模式中操作以在可能时填充缺失的数据和/或事件。
生成式模型270、275的输出(例如，由生成式模型270、275等生成的合成补充的真实数据260、265)被提供给算法选择器280、285，该算法选择器基于一个或多个参数、设置、标准等选择是否预测事件、检测事件、对事件进行分类等。所选择的算法(例如，基于AI模型的算法，诸如使用DL模型、混合RL模型、DL+混合RL模型等)280、285用于处理组合数据集以产生输出290、295。输出290、295可以包括针对***、机器、用户等的一个或多个见解、警报、动作等。例如，输出290、295可以包括基于应用于流式1D数据的模型的、对事件诸如心脏病、中风、高血压、心律加快等的发生的预测，并且可以由输出290、295提供可动作的警报，以调整静脉(IV)滴注，激活传感器和/或其他监测器，更改药物剂量，获得图像，将数据发送至另一个机器以调整其设置/配置等。
图2B示出了***200的示例性实施方式，其中将来自源220至224的数据210至214作为单个流230提供给预处理器240，该预处理器包括机器学习模型250以形成待提供给生成式模型270的真实数据集260。生成式模型270的输出(例如，由生成式模型270生成的合成数据补充的真实数据260，以推断时间序列中的缺失数据等)被提供给算法选择器280，该算法选择器基于一个或多个参数、设置、标准等来选择是否预测事件、检测事件、对事件进行分类等。所选择的算法(例如，基于AI模型的算法，诸如使用DL模型、混合RL模型、DL+混合RL模型等)280用于处理组合数据集以产生输出290。输出290可以包括针对***、机器、用户等的一个或多个见解、警报、动作等。
在某些示例中，诸如图2C所示，可以离线收集来自源220至224的数据210至214以形成真实数据集260、265。在一些示例中，仅收集机器数据210。在其他示例中，仅收集生理数据212、214。在其他示例中，机器数据210和生理数据212、214两者被收集以形成真实数据260、265。例如，预处理器240、245通过将一个或多个机器学习模型(例如，AI模型，诸如DL模型、混合RL模型、DL+混合RL模型等)应用于在一组真实数据260、265中检测到的事件，来对数据进行预处理并且将注释添加到数据260、265中的事件。
注释添加与时间序列数据相关联的标签、指示、说明、详细信息等，以使该数据能够被理解并且用于一个或多个AI模型的训练、测试等。例如，注释赋予对相关联的数据的理解，并且可以用于识别与数据流或数据序列中的点相关联发生的一个或多个事件。例如，注释可以指示在波形数据的时间序列中的某个点发生红色警报。例如，可以经由注释来指示警报、非警报和/或其他事件。然而在一些示例中，专家分析人员通过查看数据来创建注释，某些示例与合成数据一起生成合成注释。
经预处理的数据从预处理器240、245提供给生成式模型270、275。例如，生成式模型270、275是无监督学习模型，处理来自预处理器240、245的数据以确定或“学习”训练集的数据分布，模型270、275可以根据训练集的数据分布生成包括来自训练数据集的变化的附加数据点。生成式模型270、275生成附加数据和相关联的事件以形成合成数据297，该合成数据可以被输出以用于模型训练、模型测试等，诸如与AI模型训练、测试以及与患者、医疗设备等相关的1D时间序列数据的部署有关。
在某些示例中，图2C的***200的第一阶段在训练模式中与预处理器240、245和生成式模型270、275一起操作，以利用真实数据260、265训练生成式模型270、275。然后，在第二阶段，***200以推断模式操作，以利用生成式模型270、275生成合成时间序列数据和对应的事件297。
图2D示出了***200的示例性实施方式，其中来自源220至224的数据210至214被提供为离线收集的单个数据集以形成真实数据260。例如，预处理器240通过将一个或多个机器学习模型(例如，AI模型，诸如DL模型、混合RL模型、DL+混合RL模型等)应用于在一组真实数据260中检测到的事件，来对数据进行预处理并且将注释添加到数据260中的事件。例如，经预处理的数据从预处理器240提供给生成式模型270，以生成包括来自训练数据集的变化的附加数据点。生成式模型270、275生成附加数据和相关联的事件以形成合成数据297(例如，用于补充数据集，对波形和/或其他时间序列中的缺失数据进行插补等)，该合成数据可以被输出以用于模型训练、模型测试等，诸如与AI模型训练、测试以及与患者、医疗设备等相关的1D时间序列数据的部署有关。
在某些示例中，图2D的***200的第一阶段在训练模式中与预处理器240、245和生成式模型270、275一起操作，以利用真实数据260、265训练生成式模型270、275。然后，在第二阶段，***200以推断模式操作，以利用生成式模型270、275生成合成时间序列数据和对应的事件297。
如上所述，可以使用GAN来实现生成式网络270、275。在某些示例中，GAN包括两个网络：生成器网络和鉴别器(也称为判别)网络。生成器网络从潜在代码(例如，将波形或其一部分映射到对应的代码的GAN编码器的输出等)产生样本，诸如波形、其他时间序列等，并且此类数据的分布可以与训练分布没有区别。由于设计一种确定生成器网络分布是否不能与训练分布区分开的功能通常不可行，因此训练鉴别器网络以对生成器网络分布进行评估。由于网络可区分，因此可生成梯度以将这两个网络转向到正确的方向。在某些示例中，生成器是主要关注点；鉴别器是一旦训练了生成器就被丢弃的自适应损失函数。图3示出了示例性GAN架构300的元件。在某些示例中，示例性GAN架构300可以使用一种或多种GAN算法诸如逐渐增长的GAN算法(例如，由Nvidia公司等开发)等来生成高质量的合成时间序列数据。
图3所示的示例性GAN架构300包括生成器310和鉴别器320。示例性生成器310(例如，生成器神经网络)接收潜在随机变量330，并且通过处理潜在随机变量330来产生第一样本332(例如，第一时间序列或其一部分等)。真实或实际数据340可以提供第二样本342(例如，第二时间序列或其一部分等)，并且鉴别器320处理真实数据样本342和生成器样本332以在350处确定样本图像数据332与实际时间序列数据样本342相比是真实的还是虚假的。基于由鉴别器320所确定的结果350，可以确定损失360。例如，如果鉴别器320发现了真实时间序列数据样本342与合成时间序列数据样本332之间的差异(例如，虚假或合成)，则可以确定整个生成器310中的合成数据质量的损失360。这种损失或错误360(例如，呈梯度或其他自适应损失函数等的形式)可以用于生成附加的合成数据，调整生成器310的操作等。
因此，某些示例生成稳健且经过校验的合成数据，以避免无效的相关性和/或由于数据不足而导致其他故障从而导致不正确、不准确的网络，不正确、不准确的网络可导致威胁患者健康和安全的故障等。例如，缺乏足够的数据进行训练和测试可以导致神经网络模型不完整和/或不准确，从而导致输出错误、相关性不正确等。另选地或除此之外，当期望将波形中缺失的数据作为输入集的一部分进行处理时，时间序列波形中缺失的数据可以导致神经网络模型发生故障。使用合成数据，可以生成可扩展的AI模型并且将其部署用于应用诸如患者事件检测、事件预测、事件分类、临床护理、放射性药物生成等。例如，AI模型可以实现待部署在医疗设备上的算法以为患者提供精确的医疗保健。
对于深度学习任务而言，可以将数据分成多个组，并且可以在该数据上训练GAN。然后可在由这些GAN生成的数据上训练全球网络。与仅在原生数据上训练的网络相比，在合成数据或真实和合成数据的组合(例如，1∶1组合等)上训练的全球、GAN驱动的网络可提供比仅使用真实数据训练的网络更好的性能。
在某些示例中，GAN基于0与1之间的一个或多个随机数浮点向量来生成合成数据，即使存在基于真实数据的训练。使用合成数据生成器，可以生成无限数量的时间序列数据。此类一维数据具有逼真的值，但不一定重复训练中使用的任何实际时间序列。因此，实际患者数据可用于生成不与实际患者数据相对应的逼真的合成数据。可以保护患者隐私和安全，同时提供逼真的合成数据来训练和/或测试AI模型。
图4示出了使用生成式模型的时间序列波形400的缺失数据插补的示例。例如，如图4的示例中所示，形成波形400的真实数据410、415具有缺失数据的一部分，该缺失数据的一部分通过用一个或多个生成式模型270、275生成的合成数据420进行插补来填充。因此，另一个期望处理完整波形400的AI模型现在具有完整波形400要进行处理，添加的合成数据420填充真实数据410、415的间隙。例如，缺失数据可能是由于信号丢失、数据损坏、监测中断等引起，并且可以对合成数据进行插补以使波形完整。
作为数据插补的替代或补充，某些示例使用生成式模型来生成对应的事件(例如，注释)以及用于临床用例的合成、多通道、时间序列数据。例如，除了单通道数据之外或代替单通道数据，时间序列GAN可以用于生成多通道时间序列生理和/或机器数据生成。针对给定患者捕获的真实数据是多通道的，这些真实数据来自高度相关的多个传感器等。即，多通道数据流中的每个通道对应于提供一维信号数据的单变量时间序列的信号。这些通道组合成一个多通道数据集，提供多变量时间序列数据。某些示例训练、测试和部署GAN模型以生成多通道合成数据，该多通道合成数据可以进一步用于人工智能(AI)模型训练。图5示出了多通道时间序列数据500的示例，其中x轴510指示时间，y轴520指示变量(例如，通道)，并且每个线、块或区段的颜色或图案表示该变量在该时间点的值。
某些示例提供了对应的事件和/或其他注释的同时生成以及多维时间序列生理/机器数据的生成。所生成的合成事件充当注释，可以进一步用于训练事件预测、分类和/或检测模型。在一些示例中，可以将k个事件编码为k个通道上的时间序列数据，以使用一个或多个GAN和/或其他生成式模型来学习(n+k)变量/通道的分布，其中n是真实时间序列数据的通道数量。在此类示例中，可以从一个或多个传感器、监测器等获得真实、测量数据以获得n个变量(例如，真实、多通道时间序列数据等)和对应的k个事件(例如，注释等)，诸如图5的示例所示。可以为1D时间序列数据信号外部的事件生成合成注释，诸如引入麻醉气体、打开/关断气体等。还可以为1D时间序列数据信号内部的事件生成合成注释，诸如来自生理信号的事件，诸如来自ECG的R波等。示例性事件可以包括一个或多个案例、维护、流程、代理、紧急情况等，诸如表1的示例中所示的事件。
源_编号 事件_日期时间 事件_编码 日期时间
设备2 2018-01-15 07:30:01:832000 案例开始 2018-01-15 07:30:01.832
设备2 2018-01-15 07:30:44.683000 维护开始 2018-01-15 07:30:44.683
设备2 2018-01-15 07:30:44.683000 中流量开始 2018-01-15 07:30:44.683
设备2 2018-01-15 07:30:56.715000 低流量开始 2018-01-15 07:30:56.715
设备2 2018-01-15 07:31:40.884000 低流量开始 2018-01-15 07:31:40.884
设备2 2018-01-15 07:34:57.898000 中流量开始 2018-01-15 07:34:57.898
设备2 2018-01-15 07:34:57.898000 维护开始 2018-01-15 07:34:57.898
设备2 2018-01-15 07:35:17.925000 低流量开始 2018-01-15 07:35:17.925
设备2 2018-01-15 07:36:30.312000 维护开始 2018-01-15 07:36:30.312
设备2 2018-01-15 07:36:30.312000 中流量开始 2018-01-15 07:36:30.312
设备2 2018-01-15 07:37:10:473000 低流量开始 2018-01-15 07:37:10:473
设备2 2018-01-15 07:38:34:558000 低流量开始 2018-01-15 07:38:34:558
设备2 2018-01-15 07:47:52.330000 低流量开始 2018-01-15 07:47:52.330
设备2 2018-01-15 07:47:52.330000 七氟醚开始 2018-01-15 07:47:52.330
设备2 2018-01-15 08:23:59.001000 麻醉剂结束 2018-01-15 08:23:59.001
设备2 2018-01-15 08:23:59.001000 紧急情况开始 2018-01-15 08:23:59.001
设备2 2018-01-15 08:34:10.396000 案例结束 2018-01-15 08:34:10.396
设备2 2018-01-15 08:34:10.396000 案例创建 2018-01-15 08:34:10.396
表1：所捕获的事件示例
训练数据可以被处理以形成修改后的真实训练数据。例如，修改后的训练数据用于训练多通道GAN模型。GAN模型学习多变量数据及其对应事件的分布。例如，如表1所示，在这种情况下，“案例”、“高流量”、“低流量”、“维护”、“七氟醚”、“紧急情况”、“麻醉剂”等是事件。任何事件的开始和结束都可以分别表示为相关联的信号的上升(从低到高)和下降(从高到低)过渡。例如，图6A至图6C示出了被转换为时间信号的示例性事件。图6A的示例描绘了一段时间内的情况。图6B的示例描绘了该时间段期间的麻醉剂事件。图6C的示例描绘了该时间段期间的紧急事件。图7示出了多通道数据500(例如，参见图5)和表示为时间序列信号的事件700。
一旦生成器模型被训练，生成器模型就可以生成(n+k)个数据通道。n+k个通道中的最后k个通道可以被解码并且转换回人类可读的事件。可以使用一种或多种训练测试方法进一步验证数据和事件。
在一些示例中，条件GAN对所提供的输入进行操作以指定由GAN生成的条件和/或类别。例如，用户可以定义并且指示受过训练的GAN生成数字“5”的图像。然而，在某些示例中，时间序列GAN(t-GAN)将学习和生成多通道时间序列数据以及来自相同分布的多个对应的事件。因此，可以在训练t-GAN时学习时间序列数据和对应的事件分布两者。
此外，条件GAN不能解决多标签、多类问题。相反，在某些示例中，受过训练的生成器与数据一起生成多个事件，其中这些事件的开始、停止和持续时间可能会有很大差异。某些示例生成生理和/或机器数据以及相关联的事件的多个通道以训练和测试神经网络和/或其他AI模型。
因此，某些示例使用一个或多个递归GAN生成1D时间序列数据。在训练期间，生成器网络学***衡、数据缺失、数据可访问性受限等。
递归GAN模型800的示例性架构如图8所示。在图8的示例中，生成器810将产生具有预定义序列长度的时间序列。鉴别器820将确定序列是来自基于模型的分布(例如，“虚假的”还是合成的)还是来自“真实的”数据分布。例如，生成器810模型和鉴别器820模型两者利用长期短期存储器(LSTM)电路。LSTM电路可以基于卷积神经网络、递归神经网络、其他机器学习网络等。生成器810可以用于生成单独的、合成的、单通道的信号或合成的N通道信号，具体取决于其配置、输入参数、触发器等。生成器810可以为1D时间序列数据信号外部的事件(诸如麻醉气体的引入、打开/关断气体等)和/或1D时间序列数据信号内部的事件(诸如来自生理信号的事件，诸如来自ECG的R波等)生成合成注释。
如图8的示例所示，生成器810可以通过使潜在输入向量840至844中的随机噪声通过多个LSTM电路812至816来生成多通道合成数据信号830，以生成合成数据信号样本832至836，而鉴别器820被训练为使用LSTM电路822至826从输入850至854和输出860至864识别真实序列或合成序列，每个时间步长分别为一或零。如图8的示例所示，通过对每个时间步长进行投票而进行真实/合成识别来获得总体序列870的最终决策。投票和/或其他决策可以使用决策聚合器确定，该决策聚合器使用多数池化、均值、中位数、其他基于概率的方法等中的一种或多种来实现。因此，鉴别器820利用可以用作反馈来调节/训练生成器810的第一分类(例如，“虚假的”或合成的)或第二分类(例如，“真实的”)对所生成的合成数据集830进行分类，以产生可用于训练、测试和/或其他AI模型的生成、数据插补等的逼真的合成数据830。
如图8的示例所示，本征向量840至844输入到LSTM电路812至816以生成多通道合成数据序列830。本征向量840至844表示由电路812至816使用以形成合成数据值830的随机噪声和/或值的其他数据分布(例如，信号数据变化的概率分布等)。每个电路812至816对于特定的时间点t0、t1、…tn利用多通道部分832至836对合成时间序列数据830有贡献。在时间t0、t1、…tn处的时间序列数据部分、区段或快照832至836的集合形成多通道合成数据流830。每个部分832至836包括多个通道880至892。通道880至892包括数据通道880至888和注释或事件通道890至892。每个数据通道880至888表示时间序列数据的不同来源(例如，不同的传感器、监测器等，提供波形诸如ECG、SpO2、大脑活动等)。例如，注释通道890至892指示在与对应的数据通道880至888中的数据相同的时间点t0、t1、…tn处发生的事件和/或其他触发。因此，电路812至816在每个时间点t0、t1、…tn处生成合成1D时间序列数据的多个通道880至888以及附加通道890至892，从而提供与时间序列数据880至888相关联的合成生成的事件890至892。时间t0、t1、…tn上的时间序列数据880至888和相关联的事件注释890至892共同形成合成数据流830。鉴别器820可以将该合成数据流830与真实捕获的多通道时间序列数据流835进行比较。
对于每个时间t0、t1、…tn，合成数据流830和实际收集的时间序列数据835的流作为成对的输入850至854提供，以由电路822至826处理以确定输入850至854是真实的还是虚假的。因此，LSTM电路822至826基于真实数据835确定合成数据832至836的时间样本是否与真实数据835的特征、格式、外观、图案等匹配。电路822至826通过鉴别器820提供关于数据流830是“真实的”还是“虚假的”/合成的指示“投票”或分类870的输出860至864。例如，该输出870可以确定合成数据流830是否适合用于训练、测试和/或以其他方式开发AI模型。
因此，例如，最初，合成数据序列830可以类似于随机噪声(例如，基于潜在输入向量840至844等)，但是随着时间的流逝并且基于反馈，合成数据系列830变得类似于真实数据835的内容和模式，使得合成数据830可以用于补充和/或代替真实数据835，以训练、测试和/或以其他方式开发AI模型进行部署以处理患者1D时间序列波形数据。使用由特定电路812至816生成的、在特定时间t0、t1、…tn对应于多通道数据832至836的离散输出860至864，可以调节生成器810以产生更逼真的合成数据830。
在某些示例中，电路822至826可以计算对应的真实830和合成835的通道值880至892之间的损失函数。数据之间的丢失或差异确定模型的输出860至864。输出870中表示的丢失可以提供反馈，以修改一个或多个电路812至816和/或相关联的本征向量840至844的一个或多个参数、设置、配置等。例如，输出870可以包括误差梯度以训练生成器810的部件。在某些示例中，本征向量840至844可以与由来自鉴别器820的反馈870修改的数据的概率分布相关联。
在某些示例中，装置800可以在训练模式或推断模式中操作。例如，在训练模式中，使用来自鉴别器820的输出870(以及相关联的损失函数等)来训练生成器810，以产生可用于AI模型训练的逼真的合成数据830。例如，在推断模式中，鉴别器820可以被停用和/或以其他方式忽略/丢弃，以允许生成器810生成和输出包括由一个或多个AI模型和/或相关联的生成器/训练器使用的波形数据值和注释指示符的合成数据830，除非/直到反馈和/或外部输入触发生成器810的重新训练/修改。
因此，示例性装置800采用并发的时间序列880至888和对应的辅助890至892数据来改善时间序列患者波形数据的注释。随时间序列1D数据进行的合成注释能够对AI模型进行训练，以识别与时间序列数据相关联的事件。
图9示出了示例性合成数据生成器装置900，该示例性合成数据生成器装置包括通信接口910、数据存储库920、1D数据生成器930，以及输出处理器940。在图9的示例中，装置900经由通信接口910(例如，无线接口(例如，WiFiTM、蓝牙TM、BLETM、近场通信等)、有线接口(例如，线缆、其他线材等)和/或用于接收和发送数据的其他接口等)接收输入数据(例如，可以从一个或多个医疗设备220、移动数字健康监测器222、一个或多个诊断心脏病(DCAR)设备224等捕获机器数据210和生理(例如，生命)数据212、214)。数据可以被存储在数据存储库920中(例如，使用随机存取存储器(RAM)、闪存存储器、硬盘驱动器等作为缓冲区半永久地暂时保留，直到被删除/覆写/擦除/等)，以供1D时间序列数据生成器930等使用。
在示例性装置900中，1D数据生成器930包括一个或多个AI模型，诸如t-GAN、其他GAN等(例如，生成式模型270、275，GAN 300、800等)，以处理一维时间序列数据以生成合成(例如，人工)数据，以对波形中缺失的数据进行插补(例如，如图4的示例等所示)，生成用于训练和/或测试数据集(例如，如图5至图6的示例性数据集500等所示)的附加合成数据等。例如，可以使用图8的示例性GAN装置800来实现数据生成器930。合成数据可以是多通道数据，并且可以包括其中还生成与序列数据相关联的合成事件、标签和/或其他注释的通道(例如，如表1的示例和图6A至图7等所示)。在某些示例中，时间序列数据通道之间的相关性被学习/识别，并且被用于在注释通道中产生事件。相关的时间序列数据/注释输出由输出处理器940提供给通信接口910以被传输以供存储和/或用于例如训练A1模型、测试A1模型、插补和/或内插不完整的波形中缺失的数据等。
如图10的示例所示，来自输出处理器940的输出可以被提供给模型生成器1000以训练和测试A1模型，诸如RL网络模型、混合RL网络模型、其他DL网络模型等。示例性模型生成器1000包括通信接口1010(例如，无线接口(例如，WiFiTM、蓝牙TM、BLETM、近场通信等)、有线接口(例如，线缆、其他线材等)和/或其他接口以接收和发送数据等)、数据存储库1020(例如，RAM、闪存存储器、硬盘驱动器等)、模型训练器1030、模型测试器1040，以及模型部署器1050。由装置900提供的合成数据被通信接口1010接收，并且被存储(例如，缓冲、保存等)在数据存储库1020中。数据可以由模型训练器1030单独使用或与其他合成数据、实际测量/监测/捕获的数据等组合使用以训练AI模型。一旦被训练，模型测试器1040就可以单独地或与其他合成数据、真实数据等组合来使用合成数据，以测试受过训练的AI模型适当地处理输入以实现期望或预期的输出。然后例如可以将经过测试、受过训练的AI模型存储在数据存储库1020中，由模型部署器1050部署，以供其他设备、***、装置等使用。
因此，图9的示例性装置900与图10的模型生成器1000一起使用，以使得能够对数据进行建模并且对数据通道进行处理，以产生具有相关联的注释输出的合成时间序列数据流。合成输出注释在各种数据通道之间相关，并且作为合成数据提供，以便在训练、测试和/或以其他方式制定AI模型等过程中与实际数据一起使用和/或取代实际数据。因此，可以使用包括自动生成的合成数据的合成注释的合成数据来形成扩展数据集，而不需要手动注释。另选地或除此之外，可以通过合成插补来使一个或多个1D波形完整。
例如，合成时间序列数据可以以正弦波的形式生成。可以将噪声添加到正弦波中，并且可以调整幅度。幅值的变化可以指示正弦波在该点处正在发生的事件。其他变化，诸如相位、频率等的变化，也可以指示在该时间点发生事件。例如，GAN可以使用一个或多个数据通道和相关联的注释通道，与基础数据一起生成此类事件。
例如，GAN可以用于模拟测量波形值(例如，心电图(EEG)、呼吸/氧气流量、脉搏等)的传感器。该传感器可以专注于事件，诸如麻醉应用、心脏病、中风、其他紧急情况等。如果波形符号高，则表明事件发生。如果波形信号为低，则事件未发生。例如，可以合成方式生成此类信号(例如，参见图6A至图6C)。在一些示例中，单变量信号提供每个通道的信号事件。在一些示例中，多变量信号为每个通道和/或多个通道提供多个事件。例如，可以基于所表示的数据类型来改变此类实施方式。
例如，为了评估递归GAN模型的重建性能，可以评估包括波形诸如正弦波、锯齿波、三角波和矩形波的单变量数据集。非线性变化可以通过改变幅值、频率和相位来引入。为了评估递归GAN模型的整体训练的性能，可以使用信号的重建。信号重建还可以用于检测信号中的异常值。扩展到多变量数据集的信号重建表明，递归GAN模型可以有效地学***滑且周期性的多变量信号。
对于内插分析，可以从样本空间中的两个或多个样本获得本征向量，并且可以通过在潜在空间中进行内插来生成多个本征向量。本征向量被投影回样本空间。例如，可以训练模型来对合成样本进行内插，以获取氧饱和度(SpO2)、正弦+矩形、心电图(EKG)+SpO2数据集等。
对于监督学习任务，需要高质量的注释数据。对于医疗时间序列数据，这些注释以各种形式出现，诸如事件。数据生成器930(更一般地，示例性装置900等)可以用于生成此类注释以及对应的数据。可以为时间序列数据生成注释，这些时间序列数据包括各种波形(诸如正弦波、锯齿波等)和包括幅值、相位、频率等的变化的对应的事件。例如，可以对事件进行预处理并且在附加的注释通道中编码为方波信号，其中一指示事件的存在，并且零指示事件不存在。GAN模型学习包括注释通道在内的多个时间序列通道之间的相关性。例如，为了评估该模型，可以重建训练数据集，并且该模型学习若干数据点之间的相关性，生成事件，在时间序列数据中发生幅值变化。
因此，AI模型诸如递归GAN等可以从具有周期性结构的输入信号中有效地学习图案。在某些示例中，注释可以与信号数据一起编码。在某些示例中，可以对缺失的数据进行插补。在某些示例中，可以使用损失函数等在训练中对AI模型进行惩罚。
因此，某些示例补充和/或替换经由一个或多个监测设备从一个或多个医疗设备(例如，ECG、EEG、呼吸机等)和患者捕获的1D时间序列(例如，波形)数据。生理数据和其他1D时间序列信号可以指示与从中获得数据的身体部位相关联的生理状况(例如，因为该信号对应于身体部位的电活动等)。因此，可以处理时间序列生理信号数据、机器数据等，以用于有关患者、医疗设备等的临床决策。可以相对于患者、一组患者、患者群体等捕获和/或合成各种波形(例如，心电图、心率(HR)、呼吸气体运动、中心静脉压、动脉压、氧气分数、波形二氧化碳图等)。
图11是处理1D时间序列数据的示例性方法1100的流程图。在框1102处，处理原始时间序列数据。例如，示例性处理器可以处理来自附接到和/或以其他方式监测患者、医疗设备、其他设备、医疗保健环境等的一个或多个传感器的1D波形数据，以识别数据(例如，数据类型、数据格式、数据源等)并且适当地路由数据。
在框1104处，确定待应用于数据的处理方法。处理器可以基于数据类型、数据源、检查原因、患者状态、患者类型、相关联的医疗保健专业人员、相关联的医疗保健环境等动态地确定该处理方法。例如，该处理方法是自下而上的或自上而下的处理方法。当处理方法是自下而上的处理方法时，在框1106处，清除数据。例如，数据可以由处理器清除以相对于其他数据和/或参考/标准值归一化该数据。例如，数据可以由处理器清除以对时间序列中的缺失数据进行插值。例如，数据可以由处理器清除以调整数据的格式。在框1108处，识别并且过滤数据中的异常值。例如，从正在处理的数据中过滤掉(例如，移除、分离、减少等)超出边界、阈值、标准偏差等的异常数据点。
在框1110处，使用数据来构建学习模型。例如，建立机器学习模型(例如，训练和测试监督机器学习神经网络和/或其他学习模型等)。例如，模型训练器1030和/或模型测试器1040可以利用归一化数据、合成数据、插补数据等来训练机器学习模型，以将输出与输入相关并且测试模型的准确性。
在框1112处，部署学习模型。例如，一旦模型测试器1040对训练和测试满意，示例性模型部署器1050就可以部署可执行的网络模型。所部署的模型可以用于处理数据、将输出(例如，图形表示、异常的识别、趋势的识别等)与输入数据相关、将波形数据转换为相对的图形表示等。
在框1114处，从部署模型的使用中捕获反馈。例如，可以从部署的模型本身捕获反馈，可以使用模型从应用程序捕获反馈，可以从人类用户捕获反馈等。
当处理方法是自上而下的处理方法时，在框1116处，将数据可视化。例如，可以使用处理器来处理数据，以将源波形和/或其他1D时间序列数据变换成图形表示。示例性处理器可以归一化和/或以其他方式清除数据，并且将1D数据变换成一个或多个可视构造，诸如块/簇、条/区段等(参见例如图5和图7)。示例性处理器可以基于患者、位置/组织/队列、紧急事件、其他参考事件或标记等来关联块、条等。在框1118处，识别并且过滤数据中的异常值。例如，从由示例性处理器正在处理的数据中过滤掉(例如，移除、分离、减少等)超出边界、阈值、标准偏差等的异常数据点。
在框1120处，使用数据来构建可视化模型。例如，示例性模型训练器1030和模型测试器1040使用数据和相关联的图形表示来构建可视化模型(例如，训练和测试通用可视化模型等)以聚集患者的表示，以围绕触发事件(例如，紧急情况、异常情况、特定的生理价值等)的相对对准将患者分组在一起。该模型因此可以学习如何以及何时对类似或不类似的图形表示进行分组、以可视方式突出显示异常等。
在框1122处，部署可视化模型。例如，一旦模型测试器1040对训练和测试满意，示例性模型部署器1050就可以部署可执行的可视化模型。所部署的模型可以用于处理数据、将输出(例如，图形表示、异常的识别、趋势的识别等)与输入数据相关、将波形数据转换为相对的图形表示、根据一个或多个标准相对地组织图形表示等。
在框1114处，从部署模型的使用中捕获反馈。例如，可以从部署的模型本身捕获反馈，可以使用模型从应用程序捕获反馈，可以从人类用户捕获反馈等。
图12是生成合成1D时间序列数据的示例性方法1200的流程图。在框1210处，评估用于合成数据生成的指令以确定合成数据生成的类型。例如，合成数据生成可以是对波形中缺失数据的插补。例如，合成数据生成可以是包括注释的1D时间序列数据集的生成，用于训练和/或测试AI模型。在某些示例中，可以包括多个指令以首先对波形中缺失的数据进行插补，然后使用完整波形来生成附加的合成数据，以形成合成或合成加真实1D时间序列数据的1D时间序列数据集，诸如用于训练和/或测试AI模型。
在框1220处，如果要插补缺失数据，则对输入波形进行处理以生成合成数据来使波形完整。例如，对输入波形进行处理(例如，通过预处理器240、245，数据生成器930等)，以确定或“学习”波形和附加训练数据的数据分布，模型270、275、300、800、930可以从中生成包括训练数据集变化的附加数据点。生成式模型270、275、300、800对分布进行建模，该分布(例如，基于概率分布等)尽可能类似于输入数据集的真实数据分布以对缺失数据进行插补。
在框1230处，重新评估用于合成数据生成的指令以确定是否保留任何指令。如果保留一个或多个附加指令，则控制返回到框1210以处理此类指令。如果无另外的指令保持生成合成数据，则在框1240处，将合成数据输出提供给另一个***、装置、设备或处理器。例如，输出处理器940可以输出多通道信号，组合多个组成数据和注释通道等，以用于进一步处理、存储、显示、用于训练和/或测试AI模型等。输出处理器可以输出单通道插补波形用于进一步的处理、存储、显示、用于训练和/或测试AI模型等。例如，示例性输出处理器940准备相关数据/注释输出，以经由通信接口910输出，并且用于训练AI模型、测试AI模型等。
在框1250处，如果要生成训练和/或测试数据集，则使用第一AI网络模型来生成合成1D时间序列数据。例如，可以使用递归GAN模型等生成合成1D时间序列数据。如上所述，生成式模型270、275，GAN 300、800，数据生成器930等可以用于生成表示1D时间序列数据的一个或多个波形等。
例如，在示例性装置900中，1D数据生成器930包括一个或多个AI模型，诸如t-GAN、其他GAN等(例如，生成式模型270、275，GAN 300等)，以处理一维时间序列数据以生成合成(例如，人工的)数据，以对波形中缺失的数据进行插补(例如，如图4的示例所示)，生成用于训练和/或测试数据集(例如，如图5至图6的示例性数据集500等所示)的附加合成数据等。在某些示例中，多通道时间序列数据和/或特定类型的多通道时间序列数据(例如，对应于特定源(例如，传感器、监测器等)的时间序列数据的每个通道)可以包括连通时间序列数据发生的、对应于内部和/或外部事件、标签等的注释通道。例如，合成时间序列数据可以被关联以形成对应于相对于该数据发生的事件(例如，心脏病、麻醉应用、呼吸急促、打开/关断麻醉、心电图r波等)的注释。包括1D数据和注释的多通道时间序列形成用于训练、测试和/或其他开发/部署AI模型、缺失数据插补等的合成数据输出。
图13是用于生成合成时间序列数据的示例性方法1300的流程图(例如，图12的示例的框1250)。在框1310处，在一个或多个通道中针对多个时间t0、t1、…tn中的每一个生成第一组合成1D时间序列数据。例如，使用装置800、数据生成器930和/或其他数据生成器来生成数据。例如，数据可以是多通道数据，包括一个或多个信号数据通道以及每个时间点t0、t1、…tn的注释/事件/标签通道。例如，可以使用一个或多个模型诸如GAN、LSTM、CNN、RNN，针对每个时间段t0、t1、…tn生成数据通道和注释通道。
在框1320处，对第一组合成数据进行分析或分类以确定其与实际的或“真实的”所捕获的时间序列数据的相似性。例如，第一组合成数据可以由图8的示例性生成器810生成并且由示例性鉴别器820分析。鉴别器820根据两个或更多个分类(诸如，真实的、合成的等)对合成数据集进行分类。如果第一组合成数据与真实数据的图案、值范围和/或其他特征相匹配(例如，使得鉴别器820无法判断合成数据是虚假的)，则在框1330处，输出第一组合成数据作为训练、测试和/或其他AI模型生成/完成数据集(和/或与其他真实和/或合成数据组合以形成此类数据集等)。例如，如果鉴别器820认为合成数据是真实数据(例如，将合成数据集分类为“真实的”)，则第一合成数据集可以被“最终确定”并且输出以供使用(例如，至模型生成器1000等)。
然而，如果第一组合成数据与真实数据的预期/观察/预测图案、值范围和/或其他特征不匹配(例如，使得鉴别器820确定第一组合成数据的全部或大部分是“虚假的”，并且将合成数据集分类为虚假的或合成的)，则在框1340处，调整合成数据生成参数。例如，可以调整合成数据生成权重、输入变量/向量等，以使生成器810生成不同的第二组合成数据(例如，包括数据和注释通道，仅数据通道等)。控制然后返回到框1310以生成第二组合成数据，该第二组合成数据将根据框1310至1340被分析和输出或进一步完善。
因此，通过一个或多个AI模型诸如t-GAN、递归GAN、其他GAN等(例如，生成式模型270、275，GAN 300、800等)生成多通道时间序列合成数据输出(带有或不带有相关联的事件或标签注释等，诸如表1和图6A至图7的示例所示)。可以将该合成数据输出提供给数据仓库、其他数据存储装置，以及/或者直接提供给模型生成器(例如，模型生成器1000等)，以用于AI模型、数据插补等的测试、训练等。
虽然本文中公开和描述了示例性实施方式，但是本文中公开和描述的过程和/或设备可以以任何其他方式组合、划分、重新布置、省略、消除和/或实现。此外，本文所公开和描述的部件可由硬件、机器可读指令、软件、固件、以及/或者硬件、机器可读指令、软件和/或固件的任何组合来实现。因此，例如，本文所公开和描述的部件可由模拟和/或数字电路、逻辑电路、可编程处理器、专用集成电路(ASIC)、可编程逻辑设备(PLD)和/或现场可编程逻辑设备(FPLD)来实现。当读到本专利中的任一项覆盖纯粹的软件和/或固件实现的装置或***权利要求时，这些部件中的至少一者在此明确地被定义为包括存储软件和/或固件的有形计算机可读存储设备或存储盘，诸如存储器、数字通用盘(DVD)、压缩盘(CD)、蓝光盘等。
本文公开并且描述了表示用于实现部件的示例性机器可读指令的流程图。在示例中，机器可读指令包括用于由处理器执行的程序。程序可以被体现在有形计算机可读存储介质(诸如CD-ROM、软盘、硬盘驱动器、数字通用盘(DVD)、蓝光盘或与处理器相关联的存储器)上存储的机器可读指令中，但是整个程序和/或其部分另选地由除了处理器之外的设备执行以及/或者被体现在固件或专用硬件中。进一步地，尽管参考流程图描述了示例性程序，但是可以另选地使用实现本文所公开和描述的部件的许多其他方法。例如，可改变框的执行顺序，并且/或者可改变、消除或组合所述的一些框。尽管流程图以所示顺序描绘了示例性操作，但是这些操作不是穷举性的，并且不限于所示顺序。另外，本领域技术人员可在本公开的实质和范围内作出各种变化和修改。例如，流程图中示出的框可按另选顺序执行或者可并行执行。
如上所述，示例性方法可以使用存储在有形计算机可读存储介质上的编码指令(例如，计算机和/或机器可读指令)来实现，该有形计算机可读存储介质为诸如硬盘驱动器、闪存存储器、只读存储器(ROM)、光盘(CD)、数字通用盘(DVD)、高速缓存、随机存取存储器(RAM)和/或信息在其中存储任何持续时间(例如，延长的时间段、永久、短暂实例、临时缓冲和/或高速缓存信息)的任何其他存储设备或存储盘。如本文所用，术语有形计算机可读存储介质明确地被定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号且排除传输介质。如本文所用，“有形计算机可读存储介质”和“有形机器可读存储介质”可互换使用。附加地或另选地，示例性方法可以使用存储在非暂态计算机和/或机器可读介质上的编码指令(例如，计算机和/或机器可读指令)来实现，该非暂态计算机和/或机器可读介质为诸如硬盘驱动器、闪存存储器、只读存储器、光盘、数字通用盘、高速缓存、随机存取存储器和/或信息在其中存储任何持续时间(例如，延长的时间段、永久、短暂实例、临时缓冲和/或高速缓存信息)的任何其他存储设备或存储盘。如本文所用，术语非暂态计算机可读介质明确地被定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号并且排除传输介质。如本文所用，当短语“至少”用作权利要求前序中的过渡性术语时，与术语“包含”是开放式的一样，其也是开放式的。另外，与术语“包含”是开放式的一样，术语“包括”也是开放式的。
图14是示例性处理器平台1400的框图，该处理器平台被构造成执行图11至图13的指令以实现例如图1至图10的示例性装置900以及其他***、装置等，诸如装置800、1000等。处理器平台1400可以是例如服务器、个人计算机、工作站、自学***板电脑诸如iPadTM)、个人数字助理(PDA)、互联网设备、游戏控制台、个人录像机、机顶盒、头戴式耳机或其他可穿戴设备或任何其他类型的计算设备。
所示示例的处理器平台1400包括处理器1412。所示示例的处理器1412是硬件。例如，处理器1412可以由来自任何期望的产品系列或制造商的一个或多个集成电路、逻辑电路、微处理器、GPU、DSP或控制器来实现。硬件处理器可以是基于半导体的(例如，基于硅的)设备。在该示例中，处理器1412实现示例性装置900，但是还可以用于实现本文所公开的其他***，诸如***和/或装置110、130、200、300、800、1000等。
所示示例的处理器1412包括本地存储器1413(例如，高速缓存)。所示示例的处理器1412经由总线1418与包括易失性存储器1414和非易失性存储器1416的主存储器通信。易失性存储器1414可以由SDRAM、DRAM、
Figure BDA0002461268450000281
和/或任何其他类型的随机存取存储器设备实现。非易失性存储器1416可以由闪存存储器和/或任何其他所需类型的存储器设备来实现。由存储器控制器控制对主存储器1414、1416的存取。
所示示例的处理器平台1400还包括接口电路1420。接口电路1420可以由任何类型的接口标准(诸如以太网接口、USB、
Figure BDA0002461268450000282
接口、NFC接口和/或PCI Express接口)来实现。
在所示示例中，一个或多个输入设备1422连接至接口电路1420。输入设备1422准许用户将数据和命令输入到处理器1412中。输入设备可以由例如音频传感器、麦克风、相机(静物相机或摄像机)、键盘、按钮、鼠标、触摸屏、触控板、轨迹球、isopoint和/或语音识别***来实现。
一个或多个输出设备1424还连接至所示示例的接口电路1420。输出设备1424可以例如由显示设备(例如，LED、OLED、LCD、CRT显示器、IPS显示器、触摸屏等)、触觉输出设备、打印机和/或扬声器来实现。因此，所示示例的接口电路1420通常包括图形驱动器卡、图形驱动器芯片和/或图形驱动器处理器。
所示示例的接口电路1420还包括通信设备，诸如发射器、接收器、收发器、调制解调器、家庭网关、无线接入点和/或网络接口，以促进经由网络1426与外部机器(例如，任何种类的计算设备)交换数据。通信可以经由例如以太网连接、DSL连接、电话线连接、同轴电缆***、卫星***、直线对传式无线***、蜂窝电话***等来进行。
所示示例的处理器平台1400还包括用于存储软件和/或数据的一个或多个大容量存储设备1428。此类大容量存储设备1428的示例包括软盘驱动器、硬盘驱动器、光盘驱动器、蓝光盘驱动器、RAID***，以及DVD驱动器。
图11至图13的机器可执行指令1432可以被存储在大容量存储设备1428中、易失性存储器1414中、非易失性存储器1416中和/或可移动的非暂态计算机可读存储介质诸如CD或DVD上。
根据前述内容，将意识到，已经公开了能够生成合成的一维时间序列数据的示例性方法、装置和制品。所公开的装置、***、方法和制品不仅使得能够生成此类数据，而且使得能够生成对应于合成数据中的合成事件的注释。因此，某些示例通过利用人工智能模型、波形和/或其他时间序列数据的变换和扩展、患者数据的比较分析等来改进处理器***、存储器和其他相关联的电路的能力、效率和有效性。在某些示例中，可以使用人工智能模型来插补波形中缺失的数据。在某些示例中，可以将一系列人工智能模型组合在一起以生成和理解合成数据，关联合成数据(单独或与真实数据结合)，生成合成事件注释，以及将合成事件注释与合成数据结合以进行训练、测试和部署其他人工智能模型。因此，所公开的方法、装置和制品涉及计算机和/或其他处理器及其相关联的接口的功能的一个或多个改进。本文所公开的装置、方法、***、指令和介质在人脑中不可实现，并且不能被人类用户手动实现。
虽然本文已描述了某些示例性方法、装置和制品，但本专利的覆盖范围不限于此。相反，本专利覆盖合理落入本专利的权利要求书的范围内的所有方法、装置和制品。

Claims (20)

1.一种合成时间序列数据生成装置，包括：
存储器，所述存储器存储指令；以及
至少一个处理器，所述至少一个处理器用于执行所述指令以至少：
使用第一人工智能网络模型生成包括多通道时间序列数据和相关联的注释的合成数据集；
使用第二人工智能网络模型相对于真实数据集分析所述合成数据集；
当所述第二人工智能网络模型将所述合成数据集分类为第一分类时，使用来自所述第二人工智能网络模型的反馈来调整所述第一人工智能网络模型；以及
当所述第二人工智能网络模型将所述合成数据集分类为第二分类时，输出所述合成数据集。
2.根据权利要求1所述的装置，其中所述第一人工智能模型包括生成式对抗网络模型的生成器，并且其中所述第二人工智能模型包括所述生成式对抗网络模型的鉴别器。
3.根据权利要求1所述的装置，其中所述注释包括与所述时间序列数据相关联的事件。
4.根据权利要求3所述的装置，其中所述事件包括在由所述时间序列数据表示的信号外部的第一事件或在由所述时间序列数据表示的信号内部的第二事件中的至少一个。
5.根据权利要求1所述的装置，其中所述处理器将针对多个时间使用一个或多个潜在输入向量生成所述合成数据集。
6.根据权利要求1所述的装置，其中所述一维时间序列合成数据包括合成波形信号数据。
7.根据权利要求6所述的装置，其中所述处理器将所述合成波形信号数据作为缺失数据进行插补，以使所捕获的波形完整。
8.根据权利要求1所述的装置，其中将所述合成数据集提供给模型生成器，以对第三人工智能网络模型进行训练或测试中的至少一种。
9.根据权利要求1所述的装置，其中所述第一分类包括作为合成数据的分类，其中所述第二分类包括作为真实数据的分类，并且其中所述分类由所述至少一个处理器使用决策聚合器来确定。
10.至少一种有形计算机可读存储介质，包括指令，所述指令在被执行时使至少一个处理器至少：
使用第一人工智能网络模型生成包括多通道时间序列数据和相关联的注释的合成数据集；
使用第二人工智能网络模型相对于真实数据集分析所述合成数据集；
当所述第二人工智能网络模型将所述合成数据集分类为第一分类时，使用来自所述第二人工智能网络模型的反馈来调整所述第一人工智能网络模型；以及
当所述第二人工智能网络模型将所述合成数据集分类为第二分类时，输出所述合成数据集。
11.根据权利要求10所述的至少一种有形计算机可读存储介质，其中所述第一人工智能模型包括生成式对抗网络模型的生成器，并且其中所述第二人工智能模型包括所述生成式对抗网络模型的鉴别器。
12.根据权利要求10所述的至少一种有形计算机可读存储介质，其中所述注释包括与所述时间序列数据相关联的事件。
13.根据权利要求12所述的至少一种有形计算机可读存储介质，其中所述事件包括在由所述时间序列数据表示的信号外部的第一事件或在由所述时间序列数据表示的信号内部的第二事件中的至少一个。
14.根据权利要求10所述的至少一种有形计算机可读存储介质，其中所述指令在被执行时使所述处理器针对多个时间使用一个或多个潜在输入向量来生成所述合成数据集。
15.根据权利要求10所述的至少一种有形计算机可读存储介质，其中所述一维时间序列合成数据包括合成波形信号数据。
16.根据权利要求15所述的至少一种有形计算机可读存储介质，其中所述指令在被执行时使所述处理器将所述合成波形信号数据作为缺失数据进行插补，以使所捕获的波形完整。
17.根据权利要求10所述的至少一种有形计算机可读存储介质，其中所述指令在被执行时使所述处理器将所述合成数据集提供给模型生成器，以对第三人工智能网络模型进行训练或测试中的至少一种。
18.根据权利要求10所述的至少一种有形计算机可读存储介质，其中所述第一分类包括作为合成数据的分类，并且其中所述第二分类包括作为真实数据的分类。
19.一种用于生成合成时间序列数据和相关联的注释的计算机实现的方法，所述方法包括：
使用至少一个处理器、使用第一人工智能网络模型生成包括多通道时间序列数据和相关联的注释的合成数据集；
使用所述至少一个处理器、使用第二人工智能网络模型相对于真实数据集分析所述合成数据集；
当所述第二人工智能网络模型将所述合成数据集分类为第一分类时，使用所述至少一个处理器、使用来自所述第二人工智能网络模型的反馈来调整所述第一人工智能网络模型；以及
当所述第二人工智能网络模型将所述合成数据集分类为第二分类时，使用所述至少一个处理器输出所述合成数据集。
20.根据权利要求19所述的方法，其中所述第一分类包括作为合成数据的分类，并且其中所述第二分类包括作为真实数据的分类。
CN202010324565.0A 2019-04-24 2020-04-22 医疗机器合成数据和对应事件生成 Pending CN111863236A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962838022P 2019-04-24 2019-04-24
US62/838,022 2019-04-24
US16/689,798 2019-11-20
US16/689,798 US11984201B2 (en) 2019-04-24 2019-11-20 Medical machine synthetic data and corresponding event generation

Publications (1)

Publication Number Publication Date
CN111863236A true CN111863236A (zh) 2020-10-30

Family

ID=72917105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010324565.0A Pending CN111863236A (zh) 2019-04-24 2020-04-22 医疗机器合成数据和对应事件生成

Country Status (3)

Country Link
US (3) US20200342968A1 (zh)
KR (1) KR102480192B1 (zh)
CN (1) CN111863236A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113749622A (zh) * 2021-09-30 2021-12-07 杭州电子科技大学 基于图卷积神经网络的低通气和呼吸暂停自动识别***
CN114366030A (zh) * 2021-12-31 2022-04-19 中国科学院苏州生物医学工程技术研究所 一种用于麻醉手术的智能辅助***及方法
WO2023060399A1 (en) * 2021-10-11 2023-04-20 GE Precision Healthcare LLC Medical devices and methods of making medical devices for providing annotations to data
CN116759041A (zh) * 2023-08-22 2023-09-15 之江实验室 一种考虑诊疗事件关系的医疗时序数据生成方法及装置
CN117012348A (zh) * 2023-05-26 2023-11-07 常州萨柏美格医用气体设备有限公司 一种医用气体可视化运行管理方法及***
CN117421548A (zh) * 2023-12-18 2024-01-19 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及***

Families Citing this family (106)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10678244B2 (en) 2017-03-23 2020-06-09 Tesla, Inc. Data synthesis for autonomous control systems
US10671349B2 (en) 2017-07-24 2020-06-02 Tesla, Inc. Accelerated mathematical engine
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11157441B2 (en) 2017-07-24 2021-10-26 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US20200243178A1 (en) * 2018-04-10 2020-07-30 Mobile Innovations Llc Advanced health monitoring system and method
US11215999B2 (en) 2018-06-20 2022-01-04 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11361457B2 (en) 2018-07-20 2022-06-14 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
SG11202103493QA (en) 2018-10-11 2021-05-28 Tesla Inc Systems and methods for training machine models with augmented data
US11196678B2 (en) 2018-10-25 2021-12-07 Tesla, Inc. QOS manager for system on a chip communications
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
EP3671660A1 (en) * 2018-12-20 2020-06-24 Dassault Systèmes Designing a 3d modeled object via user-interaction
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US10997461B2 (en) 2019-02-01 2021-05-04 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US10956755B2 (en) 2019-02-19 2021-03-23 Tesla, Inc. Estimating object properties using visual image data
US11426255B2 (en) 2019-02-21 2022-08-30 Theator inc. Complexity analysis and cataloging of surgical footage
KR102572006B1 (ko) 2019-02-21 2023-08-31 시어터 인코포레이티드 수술 비디오의 분석을 위한 시스템 및 방법
WO2020185234A1 (en) * 2019-03-14 2020-09-17 Hewlett-Packard Development Company, L.P. Preprocessing sensor data for machine learning
EP3924845A4 (en) 2019-03-14 2022-12-07 Hewlett-Packard Development Company, L.P. RESPONDING TO MACHINE LEARNING REQUESTS FROM MULTIPLE CUSTOMERS
US11697799B2 (en) 2019-04-15 2023-07-11 Ossium Health, Inc. System and method for extraction and cryopreservation of bone marrow
US20200342968A1 (en) * 2019-04-24 2020-10-29 GE Precision Healthcare LLC Visualization of medical device event processing
US11373093B2 (en) 2019-06-26 2022-06-28 International Business Machines Corporation Detecting and purifying adversarial inputs in deep learning computing systems
CA3088674A1 (en) * 2019-07-31 2021-01-31 Royal Bank Of Canada Devices and methods for reinforcement learning visualization using immersive environments
US20210057056A1 (en) * 2019-08-19 2021-02-25 Apricity Health LLC System and Method for Developing Artificial Intelligent Digital Therapeutics with Drug Therapy for Precision and Personalized Care Pathway
US11042799B2 (en) 2019-08-20 2021-06-22 International Business Machines Corporation Cohort based adversarial attack detection
US11017902B2 (en) * 2019-10-25 2021-05-25 Wise IOT Solutions System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud
US10708122B1 (en) * 2019-10-30 2020-07-07 T-Mobile Usa, Inc. Network fault detection and quality of service improvement systems and methods
KR20210058676A (ko) * 2019-11-13 2021-05-24 영남대학교 산학협력단 심장신호 처리장치 및 방법, 이를 포함하는 모니터링 시스템
US11651194B2 (en) * 2019-11-27 2023-05-16 Nvidia Corp. Layout parasitics and device parameter prediction using graph neural networks
US11055838B2 (en) * 2019-12-09 2021-07-06 GE Precision Healthcare LLC Systems and methods for detecting anomalies using image based modeling
EP3836085B1 (en) * 2019-12-13 2024-06-12 Sony Group Corporation Multi-view three-dimensional positioning
US11836122B2 (en) * 2019-12-19 2023-12-05 Capital One Services, Llc Schema validation with data synthesis
US11164044B2 (en) * 2019-12-20 2021-11-02 Capital One Services, Llc Systems and methods for tagging datasets using models arranged in a series of nodes
KR20210080919A (ko) * 2019-12-23 2021-07-01 한국전자통신연구원 데이터의 비식별화 방법 및 데이터의 비식별화 방법을 수행하는 장치
US11295756B2 (en) * 2019-12-27 2022-04-05 Robert Bosch Gmbh Ontology-aware sound classification
JP7244443B2 (ja) * 2020-01-06 2023-03-22 株式会社東芝 情報処理装置、情報処理方法及びコンピュータプログラム
US11902327B2 (en) * 2020-01-06 2024-02-13 Microsoft Technology Licensing, Llc Evaluating a result of enforcement of access control policies instead of enforcing the access control policies
US20210209486A1 (en) * 2020-01-08 2021-07-08 Intuit Inc. System and method for anomaly detection for time series data
US20210232956A1 (en) * 2020-01-27 2021-07-29 GAVS Technologies Pvt. Ltd. Event correlation based on pattern recognition and machine learning
KR20230010624A (ko) 2020-03-10 2023-01-19 밋카이, 인크. 다중 언어, 다중 턴, 다중 도메인 가상 어시스턴트를 강화하기 위한 병렬 가설적 추론
US20210287805A1 (en) * 2020-03-11 2021-09-16 National Taiwan University Systems and methods for prognosis prediction of acute myeloid leukemia patients
US11991253B2 (en) 2020-03-17 2024-05-21 MeetKai, Inc. Intelligent layer to power cross platform, edge-cloud hybrid artificial intelligence services
US11995561B2 (en) * 2020-03-17 2024-05-28 MeetKai, Inc. Universal client API for AI services
DE102020203848A1 (de) * 2020-03-25 2021-09-30 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Ansteuerung eines medizinischen Geräts
US20210313050A1 (en) 2020-04-05 2021-10-07 Theator inc. Systems and methods for assigning surgical teams to prospective surgical procedures
US10853563B1 (en) * 2020-04-22 2020-12-01 Moveworks, Inc. Method and system for configuring form filling application to minimize form filling effort
US11551039B2 (en) * 2020-04-28 2023-01-10 Microsoft Technology Licensing, Llc Neural network categorization accuracy with categorical graph neural networks
US20210330259A1 (en) * 2020-04-28 2021-10-28 Vita Innovations, Inc. Vital-monitoring mask
US11216621B2 (en) * 2020-04-29 2022-01-04 Vannevar Labs, Inc. Foreign language machine translation of documents in a variety of formats
KR102159052B1 (ko) * 2020-05-12 2020-09-23 주식회사 폴라리스쓰리디 영상 분류 방법 및 장치
KR102216236B1 (ko) * 2020-05-27 2021-02-17 주식회사 메디오 인공 지능 기반의 건강 컨텐츠 연관 의료 정보 제공 방법 및 이러한 방법을 수행하는 장치
CN111753543B (zh) * 2020-06-24 2024-03-12 北京百度网讯科技有限公司 药物推荐方法、装置、电子设备及存储介质
EP4181675A4 (en) 2020-07-18 2024-04-24 Ossium Health Inc PERMEATION OF WHOLE VERTEBRAL BODY WITH CRYOPROTECTIVE USING VACUUM-ASSISTED DIFFUSION
US20220015657A1 (en) * 2020-07-20 2022-01-20 X Development Llc Processing eeg data with twin neural networks
US20220027784A1 (en) * 2020-07-27 2022-01-27 International Business Machines Corporation Incremental learning through reverse data distribution
US20220031208A1 (en) * 2020-07-29 2022-02-03 Covidien Lp Machine learning training for medical monitoring systems
US20220039735A1 (en) * 2020-08-06 2022-02-10 X Development Llc Attention encoding stack in eeg trial aggregation
US20220084686A1 (en) * 2020-09-11 2022-03-17 International Business Machines Corporation Intelligent processing of bulk historic patient data
US11223543B1 (en) * 2020-09-29 2022-01-11 Dell Products L.P. Reconstructing time series datasets with missing values utilizing machine learning
WO2022076471A1 (en) 2020-10-05 2022-04-14 MeetKai, Inc. System and method for automatically generating question and query pairs
US11763947B2 (en) * 2020-10-14 2023-09-19 Etiometry Inc. System and method for providing clinical decision support
EP4228406A1 (en) 2020-10-14 2023-08-23 Ossium Health, Inc. Systems and methods for extraction and cryopreservation of bone marrow
US11195616B1 (en) * 2020-10-15 2021-12-07 Stasis Labs, Inc. Systems and methods using ensemble machine learning techniques for future event detection
CN112270451B (zh) * 2020-11-04 2022-05-24 中国科学院重庆绿色智能技术研究院 一种基于强化学习的监护预警方法及***
CN112508170A (zh) * 2020-11-19 2021-03-16 中南大学 一种基于生成对抗网络的多相关时间序列预测***及方法
US20220183748A1 (en) * 2020-12-16 2022-06-16 Biosense Webster (Israel) Ltd. Accurate tissue proximity
CN112612871B (zh) * 2020-12-17 2023-09-15 浙江大学 一种基于序列生成模型的多事件检测方法
EP4262831A1 (en) 2020-12-18 2023-10-25 Ossium Health, Inc. Methods of cell therapies
CN112699113B (zh) * 2021-01-12 2022-08-05 上海交通大学 时序数据流驱动的工业制造流程运行监测***
JP2022127818A (ja) * 2021-02-22 2022-09-01 三菱電機株式会社 データ分析装置、データ分析システムおよびプログラム
WO2022182163A1 (ko) * 2021-02-24 2022-09-01 (주) 제이엘케이 데이터 가공 및 인공지능 모델 생성과 성능 고도화 자동 제공 방법 및 장치
CN112948716B (zh) * 2021-03-05 2023-02-28 桂林电子科技大学 一种基于多头注意力机制的连续兴趣点包推荐方法
CN112966773B (zh) * 2021-03-24 2022-05-31 山西大学 一种无人机飞行工况模式识别方法及***
CN117501375A (zh) * 2021-03-31 2024-02-02 西罗纳医疗公司 用于人工智能辅助图像分析的***和方法
US20220335347A1 (en) * 2021-04-15 2022-10-20 Business Objects Software Ltd Time-series anomaly prediction and alert
CN113053530B (zh) * 2021-04-15 2022-06-28 北京理工大学 一种医疗时序数据综合信息提取方法
US20220335328A1 (en) * 2021-04-20 2022-10-20 GE Precision Healthcare LLC Automated machine learning model feedback with data capture and synthetic data generation
CN113127716B (zh) * 2021-04-29 2023-07-28 南京大学 一种基于显著性图的情感时间序列异常检测方法
CA3227002A1 (en) * 2021-05-28 2022-12-01 Yu Kan Au Augmented artificial intelligence system and methods for physiological data processing
CN113535399B (zh) * 2021-07-15 2023-04-25 电子科技大学 一种nfv资源调度方法、装置以及***
CN113505716B (zh) * 2021-07-16 2022-07-01 重庆工商大学 静脉识别模型的训练方法、静脉图像的识别方法及装置
US20230019194A1 (en) * 2021-07-16 2023-01-19 Dell Products, L.P. Deep Learning in a Virtual Reality Environment
CN115688873A (zh) * 2021-07-23 2023-02-03 伊姆西Ip控股有限责任公司 图数据处理方法、设备及计算机程序产品
CN113642512B (zh) * 2021-08-30 2023-10-24 深圳先进技术研究院 呼吸机人机异步检测方法、装置、设备及存储介质
CN113868941A (zh) * 2021-09-02 2021-12-31 深圳先进技术研究院 基于dqn增强学习的通气人机异步检测模型训练方法及装置
CN117916814A (zh) * 2021-09-07 2024-04-19 皇家飞利浦有限公司 用于评估患者早期警告评分的可靠性的***和方法
CN113920213B (zh) * 2021-09-27 2022-07-05 深圳技术大学 基于长距离注意力模型重建的多层磁共振成像方法及装置
US11493665B1 (en) * 2021-10-19 2022-11-08 OspreyData, Inc. Machine learning approach for automated probabilistic well operation optimization
US11763949B1 (en) * 2022-02-01 2023-09-19 Allegheny Singer Research Institute Computer-based tools and techniques for optimizing emergency medical treatment
CN114712643B (zh) * 2022-02-21 2023-07-18 深圳先进技术研究院 基于图神经网络的机械通气人机异步检测方法、装置
CN114611015B (zh) * 2022-03-25 2024-06-11 阿里巴巴达摩院(杭州)科技有限公司 交互信息处理方法、装置和云服务器
US20230351517A1 (en) * 2022-05-02 2023-11-02 Optum, Inc. System for predicting healthcare spend and generating fund use recommendations
US20230380771A1 (en) * 2022-05-26 2023-11-30 X Development Llc Classifying time series using reconstruction errors
WO2024010931A1 (en) * 2022-07-07 2024-01-11 CalmWave, Inc. Information management system and method
CN114913968B (zh) * 2022-07-15 2022-10-25 深圳市三维医疗设备有限公司 一种基于人工智能的医疗设备状态监控***及方法
KR20240037437A (ko) * 2022-09-14 2024-03-22 재단법인 아산사회복지재단 지역 차분 프라이버시 기반 적대적 생성 네트워크를 활용한 합성 환자 데이터 생성 방법 및 장치
WO2024080977A1 (en) * 2022-10-11 2024-04-18 Carefusion 303, Inc. Intelligent infusion based on anticipating procedural events
WO2024081343A1 (en) * 2022-10-14 2024-04-18 The Johns Hopkins University Systems and methods for acoustic-based diagnosis
WO2024078746A1 (en) 2022-10-14 2024-04-18 NEC Laboratories Europe GmbH A computer-implemented method for providing one or more missing values of a feature in a graph and a corresponding system
WO2024085414A1 (ko) * 2022-10-17 2024-04-25 삼성전자주식회사 전자 장치 및 그 제어 방법
CN117012374B (zh) * 2023-10-07 2024-01-26 之江实验室 一种融合事件图谱和深度强化学习的医疗随访***及方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150112182A1 (en) * 2013-10-17 2015-04-23 Siemens Aktiengesellschaft Method and System for Machine Learning Based Assessment of Fractional Flow Reserve
CN104866727A (zh) * 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
US20170308671A1 (en) * 2016-04-20 2017-10-26 Bionous, LLC Personal health awareness system and methods
CN107615395A (zh) * 2015-03-26 2018-01-19 外科安全技术公司 用于事件和差错预测的手术室黑盒设备、***、方法和计算机可读介质
CN107909621A (zh) * 2017-11-16 2018-04-13 深圳市唯特视科技有限公司 一种基于双生成对抗网络的医学图像合成方法
KR101843066B1 (ko) * 2017-08-23 2018-05-15 주식회사 뷰노 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치
US20180144214A1 (en) * 2016-11-23 2018-05-24 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
CN108309263A (zh) * 2018-02-24 2018-07-24 乐普（北京）医疗器械股份有限公司 多参数监护数据分析方法和多参数监护***
CN108491497A (zh) * 2018-03-20 2018-09-04 苏州大学 基于生成式对抗网络技术的医疗文本生成方法
US20180315182A1 (en) * 2017-04-28 2018-11-01 Siemens Healthcare Gmbh Rapid assessment and outcome analysis for medical patients
US20190035075A1 (en) * 2017-07-26 2019-01-31 Delineo Diagnostics, Inc Method and apparatus for classifying a data point in imaging data
CN109376862A (zh) * 2018-10-29 2019-02-22 中国石油大学(华东) 一种基于生成对抗网络的时间序列生成方法
CN109378064A (zh) * 2018-10-29 2019-02-22 南京医基云医疗数据研究院有限公司 医疗数据处理方法、装置电子设备及计算机可读介质
CN109522973A (zh) * 2019-01-17 2019-03-26 云南大学 基于生成式对抗网络与半监督学习的医疗大数据分类方法及***
US20190198156A1 (en) * 2017-12-21 2019-06-27 International Business Machines Corporation Medical Image Classification Based on a Generative Adversarial Network Trained Discriminator
US20190325597A1 (en) * 2018-04-24 2019-10-24 Ford Global Technologies, Llc Simultaneous Localization And Mapping Constraints In Generative Adversarial Networks For Monocular Depth Estimation

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9053222B2 (en) * 2002-05-17 2015-06-09 Lawrence A. Lynn Patient safety processor
US20050119534A1 (en) 2003-10-23 2005-06-02 Pfizer, Inc. Method for predicting the onset or change of a medical condition
WO2013036677A1 (en) * 2011-09-06 2013-03-14 The Regents Of The University Of California Medical informatics compute cluster
US10490309B1 (en) 2014-08-27 2019-11-26 Cerner Innovation, Inc. Forecasting clinical events from short physiologic timeseries
US20210076966A1 (en) 2014-09-23 2021-03-18 Surgical Safety Technologies Inc. System and method for biometric data capture for event prediction
WO2016077786A1 (en) 2014-11-14 2016-05-19 Zoll Medical Corporation Medical premonitory event estimation
US9652712B2 (en) 2015-07-27 2017-05-16 Google Inc. Analyzing health events using recurrent neural networks
US20180107791A1 (en) 2016-10-17 2018-04-19 International Business Machines Corporation Cohort detection from multimodal data and machine learning
WO2018128927A1 (en) 2017-01-05 2018-07-12 The Trustees Of Princeton University Hierarchical health decision support system and method
US11935634B2 (en) 2017-07-28 2024-03-19 Google Llc System and method for predicting and summarizing medical events from electronic health records
WO2019031794A1 (ko) 2017-08-11 2019-02-14 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
US10650306B1 (en) * 2017-09-29 2020-05-12 Amazon Technologies, Inc. User representation using a generative adversarial network
KR101848321B1 (ko) 2017-10-27 2018-04-20 주식회사 뷰노 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치
US10766137B1 (en) * 2017-11-03 2020-09-08 Amazon Technologies, Inc. Artificial intelligence system for modeling and evaluating robotic success at task performance
US20200327986A1 (en) 2017-12-15 2020-10-15 Samsung Electronics Co., Ltd. Integrated predictive analysis apparatus for interactive telehealth and operating method therefor
EP3547226A1 (en) 2018-03-28 2019-10-02 Koninklijke Philips N.V. Cross-modal neural networks for prediction
US20190286990A1 (en) 2018-03-19 2019-09-19 AI Certain, Inc. Deep Learning Apparatus and Method for Predictive Analysis, Classification, and Feature Detection
EP3573068A1 (en) 2018-05-24 2019-11-27 Siemens Healthcare GmbH System and method for an automated clinical decision support system
US11295867B2 (en) * 2018-06-05 2022-04-05 Koninklljke Philips N.V. Generating and applying subject event timelines
US11810671B2 (en) 2018-12-11 2023-11-07 K Health Inc. System and method for providing health information
US10798386B2 (en) * 2019-01-25 2020-10-06 At&T Intellectual Property I, L.P. Video compression with generative models
US11593716B2 (en) 2019-04-11 2023-02-28 International Business Machines Corporation Enhanced ensemble model diversity and learning
US20200342968A1 (en) * 2019-04-24 2020-10-29 GE Precision Healthcare LLC Visualization of medical device event processing
DE102019210545B4 (de) * 2019-07-17 2024-02-01 Siemens Healthcare Gmbh Bereitstellen eines Ergebnisbilddatensatzes und einer trainierten Generatorfunktion

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150112182A1 (en) * 2013-10-17 2015-04-23 Siemens Aktiengesellschaft Method and System for Machine Learning Based Assessment of Fractional Flow Reserve
CN107615395A (zh) * 2015-03-26 2018-01-19 外科安全技术公司 用于事件和差错预测的手术室黑盒设备、***、方法和计算机可读介质
CN104866727A (zh) * 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
US20170308671A1 (en) * 2016-04-20 2017-10-26 Bionous, LLC Personal health awareness system and methods
US20180144214A1 (en) * 2016-11-23 2018-05-24 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
US20180315182A1 (en) * 2017-04-28 2018-11-01 Siemens Healthcare Gmbh Rapid assessment and outcome analysis for medical patients
US20190035075A1 (en) * 2017-07-26 2019-01-31 Delineo Diagnostics, Inc Method and apparatus for classifying a data point in imaging data
KR101843066B1 (ko) * 2017-08-23 2018-05-15 주식회사 뷰노 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치
CN107909621A (zh) * 2017-11-16 2018-04-13 深圳市唯特视科技有限公司 一种基于双生成对抗网络的医学图像合成方法
US20190198156A1 (en) * 2017-12-21 2019-06-27 International Business Machines Corporation Medical Image Classification Based on a Generative Adversarial Network Trained Discriminator
CN108309263A (zh) * 2018-02-24 2018-07-24 乐普（北京）医疗器械股份有限公司 多参数监护数据分析方法和多参数监护***
CN108491497A (zh) * 2018-03-20 2018-09-04 苏州大学 基于生成式对抗网络技术的医疗文本生成方法
US20190325597A1 (en) * 2018-04-24 2019-10-24 Ford Global Technologies, Llc Simultaneous Localization And Mapping Constraints In Generative Adversarial Networks For Monocular Depth Estimation
CN109378064A (zh) * 2018-10-29 2019-02-22 南京医基云医疗数据研究院有限公司 医疗数据处理方法、装置电子设备及计算机可读介质
CN109376862A (zh) * 2018-10-29 2019-02-22 中国石油大学(华东) 一种基于生成对抗网络的时间序列生成方法
CN109522973A (zh) * 2019-01-17 2019-03-26 云南大学 基于生成式对抗网络与半监督学习的医疗大数据分类方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHU. F等: "Electrocardiogram generation with a bidirectional LSTM-CNN generative adversarial network", 《SCIENTIFIC REPORTS》, vol. 9, 1 January 2019 (2019-01-01), pages 239 - 5 *
刘海东 等: "基于生成对抗网络的乳腺癌病理图像可疑区域标记", 《科研信息化技术与应用》, vol. 8, no. 6, 31 October 2018 (2018-10-31), pages 52 - 64 *
张彬 等: "《图像复原优化算法》", 国防工业出版社, pages: 239 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113749622A (zh) * 2021-09-30 2021-12-07 杭州电子科技大学 基于图卷积神经网络的低通气和呼吸暂停自动识别***
WO2023060399A1 (en) * 2021-10-11 2023-04-20 GE Precision Healthcare LLC Medical devices and methods of making medical devices for providing annotations to data
CN114366030A (zh) * 2021-12-31 2022-04-19 中国科学院苏州生物医学工程技术研究所 一种用于麻醉手术的智能辅助***及方法
CN114366030B (zh) * 2021-12-31 2024-04-09 中国科学院苏州生物医学工程技术研究所 一种用于麻醉手术的智能辅助***及方法
CN117012348A (zh) * 2023-05-26 2023-11-07 常州萨柏美格医用气体设备有限公司 一种医用气体可视化运行管理方法及***
CN117012348B (zh) * 2023-05-26 2024-01-19 常州萨柏美格医用气体设备有限公司 一种医用气体可视化运行管理方法及***
CN116759041A (zh) * 2023-08-22 2023-09-15 之江实验室 一种考虑诊疗事件关系的医疗时序数据生成方法及装置
CN116759041B (zh) * 2023-08-22 2023-12-22 之江实验室 一种考虑诊疗事件关系的医疗时序数据生成方法及装置
CN117421548A (zh) * 2023-12-18 2024-01-19 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及***
CN117421548B (zh) * 2023-12-18 2024-03-12 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及***

Also Published As

Publication number Publication date
US20200342362A1 (en) 2020-10-29
US11404145B2 (en) 2022-08-02
US11984201B2 (en) 2024-05-14
US20200342968A1 (en) 2020-10-29
US20200337648A1 (en) 2020-10-29
KR102480192B1 (ko) 2022-12-21
KR20200124610A (ko) 2020-11-03

Similar Documents

Publication Publication Date Title
US11984201B2 (en) Medical machine synthetic data and corresponding event generation
US11341646B2 (en) Systems and methods to deliver point of care alerts for radiological findings
US11507822B2 (en) Scalable artificial intelligence model generation systems and methods for healthcare
US11049250B2 (en) Systems and methods to deliver point of care alerts for radiological findings
US10438354B2 (en) Deep learning medical systems and methods for medical procedures
CN111344801B (zh) 针对***癌的多模态计算机辅助诊断***和方法
US11003988B2 (en) Hardware system design improvement using deep learning algorithms
US10984894B2 (en) Automated image quality control apparatus and methods
JP2020500377A (ja) ディープラーニング医療システムおよび画像収集のための方法
US11061537B2 (en) Interactive human visual and timeline rotor apparatus and associated methods
US11893729B2 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
JP6885517B1 (ja) 診断支援装置及びモデル生成装置
EP3723042A1 (en) Artifical intelligence-based copd assessment
US20220284579A1 (en) Systems and methods to deliver point of care alerts for radiological findings
EP3965117A1 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
JEMAA et al. Digital Twin For A Human Heart Using Deep Learning and Stream Processing Platforms
EP4379672A1 (en) Methods and systems for classifying a medical image dataset
MK et al. A Comprehensive Survey of Arti cialIntelligence in Precision Healthcare: Shedding Light on Interpretability
Saripalli Scalable and Data Efficient Deep Reinforcement Learning Methods for Healthcare Applications
Xu et al. A Comprehensive Review on Synergy of Multi-Modal Data and AI Technologies in Medical Diagnosis
Tang Improving Deep Learning for Medical Time Series Data by Modeling Multidimensional Dependencies
Van Steenkiste Machine learning for time-series analysis in health care
KR20240067026A (ko) 인공지능 기반의 임상시험 영상 자동 표준화 장치, 방법 및 프로그램

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination