具体实施方式

图1是展示了根据本公开的技术的用于分析患者14的心脏节律的一个或多个方面的系统10的框图。系统10包含医疗装置16。此类医疗装置的一个实例是植入式医疗装置(IMD)，如图1所示。如图1中的示例系统10所展示的，在一些实例中，医疗装置16可以是例如植入式心脏监测器、植入式心脏起搏器、植入式心脏复律器/除颤器(ICD)或起搏器/心脏复律器/除颤器。在一些实例中，医疗装置16是非植入式医疗装置，如非植入式心脏监测器(例如，霍尔特监测器)。

在图1的实例中，医疗装置16连接到引线18、20和22并且通信地耦接到外部装置27，所述外部装置进而通过通信网络25通信地耦接到计算系统24。医疗装置16通过一个或多个引线18、20和22上的电极或医疗装置16的壳体感测伴随心脏12的去极化和复极化的电信号，例如心脏电描记图(EGM)。医疗装置16还可以通过定位于一个或多个引线18、20和22上的电极或医疗装置16的壳体以电信号的形式向心脏12递送疗法。疗法可以为起搏、心脏复律和/或除颤脉冲。医疗装置16可以监测由引线18、20或22上的电极收集的心脏EGM信号，并且基于心脏EGM信号，诊断和治疗心律失常。

在一些实例中，医疗装置16包含通信电路系统17，所述通信电路系统包含用于与另一个装置如图1的外部装置27进行通信的任何合适的电路系统、固件、软件或其任何组合。例如，通信电路系统17可以包含一个或多个处理器、存储器、无线电、天线、收发器、接收器、调制和解调电路系统、滤波器、放大器等，用于与其它装置(如计算系统24)进行射频通信。医疗装置16可以使用通信电路系统17来接收下行链路数据以控制医疗装置16的一个或多个操作和/或将上行链路数据发送到外部装置27。

引线18、20、22延伸到患者14的心脏12中，以感测心脏12的电活动和/或向心脏12递送电刺激。在图1所示的实例中，右心室(RV)引线18延伸穿过一条或多条静脉(未示出)、上腔静脉(未示出)和右心房26，并且进入右心室28。左心室(LV)引线20延伸穿过一条或多条静脉、腔静脉、右心房26，并且进入冠状窦30中，到达与心脏12的左心室32的自由壁相邻的区域。右心房(RA)引线22延伸穿过一条或多条静脉和腔静脉，并且进入心脏12的右心房26。

尽管图1的示例系统10描绘医疗装置16，但在其它实例中，本公开的技术可以应用于不一定为可植入的其它类型的医疗装置。例如，根据本公开的技术的医疗装置可以包含患者14所穿戴的可穿戴医疗装置或“智能”服装。例如，此类医疗装置可以采取患者14佩戴的手表或以粘附方式附连到患者14的电路系统的形式。在另一个实例中，如本文所描述的医疗装置可以包含具有可植入式电极的外部医疗装置。

在一些实例中，外部装置27采取外部编程器或移动装置的形式，如移动电话、“智能”电话、膝上型计算机、平板电脑、个人数字助理(PDA)等。在一些实例中，外部装置27是可从美敦力公司(Medtronic,Inc.)获得的CareLink^TM监测器。如内科医生、技术员、外科医生、电生理学家或其它临床医生等用户可以与外部装置27交互以从医疗装置16中检索生理或诊断信息。用户(如上文所描述的患者14或临床医生)还可以与外部装置27交互以对医疗装置16进行编程，例如，为医疗装置16的操作参数选择或调整值。外部装置27可以包含能够向医疗装置16和计算系统24中的每一个传输信息和从其接收信息的处理电路系统、存储器、用户接口和通信电路系统。

在一些实例中，计算系统24采取手持式计算装置、计算机工作站、服务器或其它连网的计算装置、智能电话、平板计算机或外部编程器的形式，其包含用于向用户呈现信息并且从用户接收输入的用户接口。在一些实例中，计算系统24可以包含实施机器学习系统的一个或多个装置，如神经网络、深度学习系统或其它类型的机器学习系统。用户(如内科医生、技术人员、外科医生、电生理学家或其它临床医生)可以与计算系统24交互以从医疗装置16检索生理或诊断信息。用户还可以与计算系统24交互以对医疗装置16进行编程，例如，为IMD的操作参数选择值。计算系统24可以包含处理器，所述处理器被配置成评估从医疗装置16传输到计算系统24的心脏EGM(或其区段)和/或其它感测信号。

网络25可以包含一个或多个计算装置(未示出)，如一个或多个非边缘交换机、路由器、集线器、网关、安全装置如防火墙、入侵检测和/或入侵防御装置、服务器、计算机终端、笔记本电脑、打印机、数据库、无线移动装置如蜂窝电话或个人数字助理、无线接入点、网桥、电缆调制解调器、应用程序加速器或其它网络装置。网络25可以包含由服务提供商管理的一个或多个网络并且因此可以形成大规模公共网络基础设施例如因特网的一部分。网络25可以提供对因特网进行访问的计算装置，如计算系统24和医疗装置16，并且可以提供允许计算装置彼此通信的通信框架。在一些实例中，网络25可以是提供通信框架的专用网络，其允许计算系统24、医疗装置16和EMR数据库66彼此通信，但是出于安全目的将计算系统24、医疗装置16和EMR数据库66与外部装置隔离。在一些实例中，计算系统24、医疗装置16和EMR数据库66之间的通信被加密。

外部装置27和计算系统24可以使用本领域中已知的任何技术通过网络25经由无线或非无线通信进行通信。在一些实例中，计算系统24是经由定位于网络25中的中间装置(如本地接入点、无线路由器或网关)与外部装置27通信的远程装置。尽管在图1的实例中，外部装置27和计算系统24通过网络25通信，但在一些实例中，外部装置27和计算系统24直接彼此通信。通信技术的实例可以包含例如根据或BLE协议进行的通信。还考虑其它通信技术。计算系统24还可以使用多种已知的有线和无线通信技术与一个或多个其它外部装置进行通信。

EMR数据库66存储患者14的EMR数据。EMR数据库66可以包含处理电路系统和一个或多个存储介质(例如，随机存取存储器(RAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦可编程只读存储器(EPROM)、电子可擦可编程只读存储器(EEPROM)或闪速存储器。在一些实例中，EMR数据库66为云计算系统。在一些实例中，EMR数据库66的功能跨多个计算系统分布。

在一个实例中，计算系统24接收由患者14的医疗装置16收集的患者数据。在一些实例中，患者数据包含患者14的生理数据，如以下中的一个或多个：患者14的活动水平、患者14的心率、患者14的姿势、患者14的心脏电描记图、患者14的血压、患者14的脉搏传播时间、患者14的呼吸速率、患者14的呼吸不足指数或呼吸暂停、患者14的加速度计数据、源自患者14的加速度计数据的特征，如活动计数、姿势、统计控制过程变量等，患者14的原始肌电图或心脏EGM、源自患者14的原始肌电图的一个或多个特征，如心率可变性、t波交替、QRS形态等，间期数据和源自间期数据的特征、心音、钾水平、血糖指数、患者14的温度或可源自从上述参数化数据的任何数据或任何其它类型的患者参数数据。在一些实例中，医疗装置16或另一个装置可以通过处理来自一个或多个传感器的信息来自动生成患者参数数据。例如，医疗装置16可以经由一个或多个传感器确定患者14已经跌倒、患者14虚弱或患病，或者患者14正在遭受睡眠呼吸暂停的情况。

在一些实例中，患者数据包含环境数据，如空气质量测量、臭氧水平、颗粒计数或接近患者14的污染水平、环境温度或白昼时间。在一些实例中，医疗装置或外部装置27中的一个可以经由一个或多个传感器来感测环境数据。在另一个实例中，环境数据由外部装置27经由在外部装置27上执行的应用程序(如天气应用程序)接收，并且通过网络25上传到计算系统24。在另一个实例中，计算系统24直接从具有患者14的基于位置的数据的云服务收集环境数据。

在一些实例中，患者数据包含由患者14经由外部装置如外部装置27上传的患者症状数据。例如，患者14可以经由在智能电话上进行执行的应用程序上传患者症状数据。在一些实例中，患者14可以经由用户接口(图1中未描绘)如通过触摸屏、键盘、图形用户接口、语音命令等上传患者症状数据。

在一些实例中，患者数据包含装置相关数据，如医疗装置的一个或多个电极的阻抗、电极的选择、医疗装置的药物递送时间表、向患者递送的电起搏疗法的历史或医疗装置的诊断数据中的一项或多项。在一些实例中，收集患者数据的医疗装置是IMD。在其它实例中，收集患者数据的医疗装置为另一种类型的患者装置，如患者14的可穿戴医疗装置或移动装置(例如，智能电话)。在一些实例中，计算系统24定期例如每天接收患者数据。

在一些实例中，计算系统24进一步从EMR数据库66接收患者14的EMR数据。EMR数据可以被视为是另一种形式的患者数据。在一些实例中，由EMR数据库66存储的EMR数据可以包含许多不同类型的关于患者14的历史医疗信息。例如，作为实例，EMR数据库66可以存储患者的用药史、患者的外科手术史、患者的住院史、患者随时间的钾水平、患者14的一个或多个实验室测试结果、患者14的心血管病史或患者14的合并症，如心房纤颤、心力衰竭或糖尿病。

计算系统24可以实施可以帮助管理慢性心脏疾病的心脏EGM监测系统。根据本公开的技术，为了实施心脏EGM监测系统，计算系统24可以应用人工智能(AI)技术来分析患者数据，如心脏EGM数据。示例AI技术可以包含深度学习或其它机器学习技术。神经网络算法是深度学习算法的一个实例。

AI系统是包括存储器和被配置成执行AI技术的一个或多个处理电路的计算系统。在图1的上下文中，AI系统可以是医疗装置16、计算系统24、外部装置27、或另一种装置或装置系统。因此，在本公开中，除非另有指示，否则由AI系统执行的动作的讨论可以适用于由这些装置中的任何装置执行的动作。

AI系统可以生成关于患者14的心脏节律的一个或多个方面的数据。例如，AI系统可以至少部分地基于从一个或多个医疗装置如医疗装置16获得的心脏EGM条带生成心律失常数据，所述数据指示心脏EGM条带是否表示一种或多种心律失常的一次或多次发生。心脏EGM条带包括表示患者在连续时间段(例如，30秒、45秒等)中的心脏节律的数据。心脏EGM条带可以包括表示心脏节律的波形的一系列样本。用户(例如，技术人员、内科医生、患者、医疗保健专业人员或其它类型的用户)可以出于诊断目的或作为对患者14执行持续护理的一部分来查看检测到的一种或多种心律失常的发生。除了心脏EGM条带之外，AI系统还可以使用一种或多种其它类型的患者数据来检测心律失常的发生，如来自患者14的电子病历的信息。

AI系统可以被训练来通过应用一个或多个深度学习模型来标识患者14的心脏节律的对给定心脏EGM条带感兴趣的一个或多个方面，所述一个或多个深度学习模型已经被训练来标识患者14的心脏节律的此类方面。患者14的心脏节律的各方面可以包含各种心律失常、此类心律失常在一个或多个心脏EGM条带内的位置(其反映心律失常发生的时间)、心律失常发生的形态方面等。心脏节律分类模型可以在从受试者群体、个体患者、患者群组以及在一些实例中的其它数据中提取的心脏EGM条带上训练。

通过对向深度学习模型提供的输入数据进行预处理，可以改善深度学习模型的性能。例如，如本公开中所描述的，对数据进行预处理可以使深度学习模型能够与由多种类型的装置生成的心脏EGM条带一起使用。因此，根据本公开的技术，AI系统可以获得表示患者的心脏节律的波形的心脏EGM条带。另外地，AI系统可以对心脏EGM条带进行预处理。所述计算系统然后可以将深度学习模型应用于经过预处理的心脏EGM条带以生成指示所述心脏EGM条带是否表示一种或多种心律失常的一次或多次发生的心律失常数据。例如，可以训练深度学习系统以生成包括与不同心律失常相对应的元素向量的心律失常数据。向量中的元素的值指示对应的心律失常的发生是否出现在心脏EGM条带中。

图2是更详细地展示了图1的系统10的医疗装置16和引线18、20、22的概念图。在所展示的实例中，双极电极40和42邻近引线18的远端定位，并且双极电极48和50邻近引线22的远端定位。另外，四个电极44、45、46和47邻近引线20的远端定位。引线20可以被称为四极LV引线。在其它实例中，引线20可以包含更多或更少的电极。在一些实例中，LV引线20包括分段电极，例如，其中引线的多个纵向电极定位中的每一个，如电极44、45、46和47的定位，包含布置在围绕引线圆周的相应圆周定位处的多个离散电极。

在所展示的实例中，电极40和44-48采取环形电极的形式，并且电极42和50可以采取分别可伸缩地安装在绝缘电极头52和56内的可延伸螺旋尖端电极的形式。引线18和22还分别包含细长电极62和64，所述细长电极可以采取线圈的形式。在一些实例中，电极40、42、44-48、50、62和64中的每一个电耦接到其相关引线18、20、22的引线主体内的相应导体，并且由此耦接到医疗装置16内的电路系统。

在一些实例中，医疗装置16包含一个或多个壳体电极，如图2所展示的壳体电极4，所述壳体电极可以与医疗装置16的气密密封壳体8的外表面一体形成或以其它方式耦接到壳体8。在一些实例中，壳体电极4由医疗装置16的壳体8的面向外部的部分的未绝缘部分限定。壳体8的绝缘部分与非绝缘部分之间的其它划分可以用来限定两个或更多个壳体电极。在一些实例中，壳体电极基本上包括壳体8的全部。

壳体8封闭生成治疗性刺激(如心脏起搏、心脏复律和除颤脉冲)的信号生成电路系统，以及用于感测伴随心脏12的去极化和复极化的电信号的感测电路系统。壳体8还可以封闭用于存储感测的电信号的存储器。壳体8还可以封闭用于医疗装置16与计算系统24之间进行通信的通信电路系统17。

医疗装置16经由电极4、40、42、44-48、50、62和64感测伴随心脏12的去极化和复极化的电信号。医疗装置16可以经由电极40、42、44-48、50、62和64的任何双极组合来感测此类电信号。此外，电极40、42、44-48、50、62和64中的任一个可以与壳体电极4组合用于单极感测。

引线18、20和22以及电极的所展示数量和配置仅仅是实例。其它配置，即引线和电极的数量和定位，也是可能的。在一些实例中，系统10可以包含具有定位于心血管系统中的不同位置处用于感测和/或向患者14递送疗法的一个或多个电极的另外的引线或引线区段。例如，替代心脏间引线18、20和22或除了其之外，系统10可以包含没有定位于心脏12内的一个或多个心外膜或血管外(例如，皮下或胸骨下)引线。

医疗装置16可以将患者数据发送到计算系统24(例如，通过外部装置27)。患者数据可以包含基于由电极4、40、42、44-48、50、62和/或64检测到的电信号的数据。例如，医疗装置16可以搜集心脏EGM数据并将其发送到计算系统24。根据本公开的技术，可以由计算系统24、医疗装置16或另一个装置实施的AI系统可以对患者数据进行预处理并使用经过预处理的患者数据来确定生成心律失常数据或关于患者14的心脏节律的其它数据。在一些实例中，医疗装置16可以对心脏EGM条带进行预处理并且计算系统24或外部装置27可以将深度学习模型应用于经过预处理的心脏EGM条带以生成心律失常数据。

尽管本文在提供治疗性电刺激的示例医疗装置16的上下文中进行了描述，但本文所公开的技术可以与其它类型的装置一起使用。例如，所述技术可以用以下各项实施：耦接到心血管系统外部的电极的心外除颤器、被配置成植入心脏内的经导管起搏器，如可从爱尔兰都柏林(Dublin,Ireland)的美敦力公司商购获得的Micra^TM经导管起搏系统，插入式心脏监测器，如也可从美敦力公司商购获得的Reveal LINQ^TM ICM、神经刺激器、药物递送装置、可穿戴装置，如可穿戴心脏复律器除颤器、健身追踪器或其它可穿戴装置，移动装置，如移动电话、“智能”电话、笔记本电脑、平板计算机、个人数字助理(PDA)或“智能”服装，如“智能”眼镜或“智能”手表。

图3是根据本公开的技术的示例医疗装置16的框图。在所展示的实例中，医疗装置16包含处理电路系统58、存储器59、通信电路系统17、感测电路系统50、疗法递送电路系统52、传感器57和电源54。存储器59包含计算机可读指令，所述计算机可读指令当由处理电路系统58执行时，使医疗装置16和处理电路系统58执行本文归因于医疗装置16和处理电路系统58的各种功能(例如，执行心律失常的短期预测，递送疗法，如抗心动过速起搏、心动过缓起搏和电击后起搏疗法等)。存储器59可以包含任何易失性介质、非易失性介质、磁介质、光学介质或电介质，如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪速存储器或任何其它数字或模拟介质。

处理电路系统58可以包含以下中的任何一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或模拟逻辑电路系统。在一些实例中，处理电路系统58可以包含多个组件(如一个或多个微处理器、一个或多个控制器、一个或多个DSP、一个或多个ASIC或一个或多个FPGA的任何组合)以及其它离散或集成的逻辑电路系统。本文中归属于处理电路系统58的功能可以体现为软件、固件、硬件或其任何组合。

处理电路系统58控制疗法递送电路系统52以根据可以存储在存储器59中的疗法参数向心脏5递送刺激疗法。例如，处理电路系统58可以控制疗法递送电路系统52以递送具有由疗法参数指定的振幅、脉冲宽度、频率或电极极性的电脉冲。以这种方式，疗法递送电路系统52可以经由电极34和40将起搏脉冲(例如，ATP脉冲、心动过缓起搏脉冲或电击后起搏疗法)递送到心脏5。在一些实例中，疗法递送电路系统52可以电压或电流电脉冲的形式递送起搏刺激，例如ATP疗法、心动过缓疗法或电击后起搏疗法。在其它实例中，疗法递送电路系统52可以以其它信号(如正弦波、方波或其它基本上连续的时间信号)的形式递送这些类型的刺激中的一种或多种。

疗法递送电路系统52电耦接到承载在医疗装置16的壳体上的电极34和40。尽管医疗装置16可以仅包含两个电极，例如电极34和40，但在其它实例中，医疗装置16可以利用三个或更多个电极。医疗装置16可以使用电极的任何组合来递送疗法和/或检测来自患者12的电信号。在一些实例中，疗法递送电路系统52包含能够生成和/或存储能量以作为起搏疗法、心脏再同步化疗法、其它疗法或疗法的组合进行递送的充电电路、一个或多个脉冲发生器、电容器、转换器、交换模块和/或其它组件。在一些实例中，疗法递送电路系统52根据对疗法的振幅、频率、电压或电流或疗法的其它参数进行定义的一个或多个疗法参数集合将疗法作为一个或多个电脉冲递送。

感测电路系统50监测来自电极4、40、42、44-48、50、62(图2)和64(图2)中的两个或更多个电极的一个或多个组合(也被称为向量)的信号以监测心脏12的电活动、阻抗或其它电现象。在一些实例中，感测电路系统50包含一个或多个模拟组件、数字组件或其组合。在一些实例中，感测电路系统50包含一个或多个感测放大器、比较器、滤波器、整流器、阈值检测器、模数转换器(ADC)等。在一些实例中，感测电路系统50可以将感测到的信号转换为数字形式，并且将数字信号提供给处理电路系统58以进行处理或分析。在一个实例中，感测电路系统50放大来自电极4、40、42、44-48、50、62和64的信号并且通过ADC将经过放大的信号转换为多位数字信号。

在一些实例中，感测电路系统50执行心脏电描记图的感测以确定心率或心率可变性，或检测心律失常(例如，快速性心律失常或心动过缓)或感测来自心脏电描记图的其它参数或事件。感测电路系统50还可以包含切换电路系统，所述切换电路系统用于根据在电流感测配置中使用哪种电极组合或电极向量来选择使用可用电极中的哪个电极(和电极极性)来感测心脏活动。处理电路系统58可以控制切换电路系统来选择用作感测电极的电极和其极性。感测电路系统50可以包含一个或多个检测通道，所述检测通道中的每个检测通道可以耦接到所选电极配置以经由所述电极配置检测心脏信号。在一些实例中，感测电路系统50可以将经过处理的信号与阈值进行比较，以检测心房或心室去极化的存在并且向处理电路系统58指示心房去极化(例如，P波)或心室去极化(例如，R波)的存在。感测电路系统50可以包括一个或多个放大器或其它电路系统，用于将心脏电描记图振幅与阈值进行比较，所述阈值可以是可调整的。

处理电路系统58可以包含定时和控制模块，所述定时和控制模块可以体现为硬件、固件、软件或其任何组合。定时和控制模块可以包括与其它处理电路系统58组件(如微处理器)分离的专用硬件电路(如ASIC)，或者由可以为微处理器或ASIC的处理电路系统58的组件执行的软件模块。定时和控制模块可以实施可编程计数器。如果医疗装置16被配置成生成心动过缓起搏脉冲并将其递送到心脏12，则此类计数器可以控制与DDD、VVI、DVI、VDD、AAI、DDI、DDDR、VVIR、DVIR、VDDR、AAIR、DDIR或其它起搏模式相关的基本时间间期。

在一些实例中，医疗装置16的处理电路系统58实施AI系统300。例如，处理电路系统58可以将深度学习模型应用于心脏EGM条带，如本公开中别处所描述的。处理电路系统58可以使用专用电路系统或通过执行存储在如存储器59等计算机可读介质上的软件指令来实施AI系统300。感测电路系统50可以基于从电极4、40、42、44-48、50、62和64接收的数据生成心脏EGM条带。通信电路系统17可以将心脏EGM条带和/或其它数据传输到外部装置27。

存储器59可以被配置成存储各种操作参数、疗法参数、感测和检测到的数据以及与患者12的疗法和治疗相关的任何其它信息。在图3的实例中，存储器59可以存储例如与检测到或预测的心律失常相关的感测到的心脏EGM，以及对由疗法递送电路系统52提供的疗法递送进行定义的疗法参数。在其它实例中，存储器59可以充当用于存储数据的临时缓冲器，直到所述数据可以被上传到计算系统24。

通信电路系统17包含任何合适的电路系统、固件、软件或其任何组合，用于经由图1的网络25与另一个装置(如计算系统24)进行通信。例如，通信电路系统17可以包含一个或多个天线、调制和解调电路系统、滤波器、放大器等，用于经由网络25与其它装置(如计算系统24)进行射频通信。在处理电路系统58的控制下，通信电路系统17可以借助可以是内部和/或外部的天线从计算系统24接收下行链路遥测并将上行链路遥测发送到所述计算系统。处理电路系统58可以例如经由地址/数据总线提供要上行传输到计算系统24的数据和用于通信电路系统17内的遥测电路的控制信号。在一些实例中，通信电路系统17可以经由多路复用器将接收到的数据提供到处理电路系统58。

电源54可以是被配置成保持电荷以操作医疗装置16的电路系统的任何类型的装置。电源54可以作为可再充电或不可再充电电池提供。在其它实例中，电源54可以并入能量清除系统，所述能量清楚系统存储来自患者12内的医疗装置16移动的电能。

根据本公开的技术，医疗装置16经由感测电路系统50和/或传感器57收集患者14的患者数据。传感器57可以包含一个或多个传感器，如一个或多个加速度计、压力传感器、用于O2饱和度的光学传感器等。在一些实例中，患者数据包含以下中的一项或多项：患者14的活动水平、患者14的心率、患者14的姿势、患者14的心脏电描记图(例如，患者14的心脏EGM条带)、患者14的血压，患者14的加速度计数据，或其它类型的患者参数数据。医疗装置16经由通信电路系统17将患者参数数据通过网络25上传到计算系统24。在一些实例中，医疗装置16每天将患者参数数据上传到计算系统24。在一些实例中，患者参数数据包含表示患者14在长期时间段(例如，约24小时到约48小时)内的平均测量值的一个或多个值。例如，一个或多个其它装置，如患者14的可穿戴医疗装置或移动装置(例如，智能电话)，可以收集患者参数数据并将患者参数数据上传到外部装置27和/或计算系统24。

尽管本文在提供治疗性电刺激的示例医疗装置16的上下文中进行了描述，但本文所公开的用于心律失常的短期预测的技术可以与其它类型的装置一起使用。例如，所述技术可以用以下各项实施：被配置成植入心脏内的经导管起搏器，如可从爱尔兰都柏林(Dublin,Ireland)的美敦力公司商购获得的Micra^TM经导管起搏系统，插入式心脏监测器，如也可从美敦力公司商购获得的Reveal LINQ^TM ICM、神经刺激器、药物递送装置、可穿戴装置，如可穿戴心脏复律器除颤器、健身追踪器或其它可穿戴装置，移动装置，如移动电话、“智能”电话、笔记本电脑、平板计算机、个人数字助理(PDA)或“智能”服装，如“智能”眼镜或“智能”手表。

图4是展示了根据本公开的一种或多种技术的进行操作的示例计算系统24的框图。在一个实例中，计算系统24包含处理电路系统402，所述处理电路系统用于执行包含监测系统450的应用程序424或本文所描述的任何其它应用程序。尽管出于实例的目的在图4中示出为独立计算系统24，但计算系统24可以是包含处理电路系统或用于执行软件指令的其它合适的计算环境的任何组件或系统，并且例如不必包含图4中所示的一个或多个元件(例如，通信电路系统406；并且在一些实例中，如存储装置408等组件可以与其它组件不在同一位置或位于同一机架中)。在一些实例中，计算系统24可以是跨多个装置分布的云计算系统。

如图4的实例中所示，计算系统24包含处理电路系统402、一个或多个输入装置404、通信电路系统406、一个或多个输出装置412、一个或多个存储装置408以及用户接口(UI)装置410。在一个实例中，计算系统24进一步包含可由计算系统24执行的一个或多个应用程序424(如监测系统450)和操作系统416。组件402、404、406、408、410和412中的每一个被耦接(物理地、通信地和/或可操作地)用于组件间通信。在一些实例中，通信信道414可以包含系统总线、网络连接、过程间通信数据结构或用于传送数据的任何其它方法。作为一个实例，组件402、404、406、408、410和412可以通过一个或多个通信信道414耦接。

在一个实例中，处理电路系统402被配置成实施功能和/或处理用于在计算系统24内执行的指令。例如，处理电路系统402可以能够处理存储在存储装置408中的指令。处理电路系统402的实例可以包含以下中的任何一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或集成逻辑电路系统。

一个或多个存储装置408可以被配置成在操作期间将信息存储在计算系统24内。在一些实例中，存储装置408被描述为计算机可读存储介质。在一些实例中，存储装置408是临时存储器，这意味着存储装置408的主要目的不是长期存储。在一些实例中，存储装置408被描述为易失性存储器，这意味着当计算机关闭时，存储装置408不维护所存储的内容。易失性存储器的实例包含随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和本领域中已知的其它形式的易失性存储器。在一些实例中，存储装置408用于存储由处理电路系统402执行的程序指令。在一个实例中，存储装置408被在计算系统24上运行的软件或应用程序424用于在程序执行期间临时存储信息。

在一些实例中，存储装置408还包含一个或多个计算机可读存储介质。存储装置408可以被配置成存储比易失性存储器大的信息量。存储装置408可以被进一步配置成长期存储信息。在一些实例中，存储装置408包含非易失性存储元件。此类非易失性存储元件的实例包含磁性硬盘、光盘、软盘、闪速存储器，或多种形式的电可编程存储器(EPROM)或电可擦除并且可编程(EEPROM)存储器。在一些实例中，存储装置408可以存储患者数据，如心脏EGM条带。

在一些实例中，计算系统24还包含通信电路系统406。在一个实例中，计算系统24利用通信电路系统406与外部装置(如图1的医疗装置16和EMR数据库66)进行通信。通信电路系统406可以包含网络接口卡，如以太网卡、光学收发器、射频收发器或可以发送和接收信息的任何其它类型的装置。此类网络接口的其它实例可以包含3G、4G、5G和WI-FI^TM无线电。

在一个实例中，计算系统24还包含一个或多个用户接口装置410。在一些实例中，用户接口装置410被配置成通过触觉、音频或视频反馈从用户接收输入。用户接口装置410的实例包含对存在敏感的显示器、鼠标、键盘、语音响应系统、摄像机、麦克风或用于检测来自用户的命令的任何其它类型的装置。在一些实例中，对存在敏感的显示器包含触敏屏。

一个或多个输出装置412也可以被包含在计算系统24中。在一些实例中，输出装置412被配置成使用触觉、音频或视频刺激向用户提供输出。在一个实例中，输出装置412包含对存在敏感的显示器、声卡、视频图形适配器卡或用于将信号转换为人类或机器可理解的适当形式的任何其它类型的装置。在一些实例中，输出装置412包含显示装置。输出装置412的另外的实例包含扬声器、阴极射线管(CRT)监测器、液晶显示器(LCD)或可以向用户生成可理解的输出的任何其它类型的装置。

计算系统24可以包含操作系统416。在一些实例中，操作系统416控制计算系统24的组件的操作。例如，在一个实例中，操作系统416促进一个或多个应用程序424和监测系统450与处理电路系统402、通信电路系统406、存储装置408、输入装置404、用户接口装置410和输出装置412的通信。

应用程序422还可以包含可由计算系统24执行的程序指令和/或数据。可由计算系统24执行的示例应用程序422可以包含监测系统450。可以可替代地或另外地包含未示出的其它另外应用程序，以提供本文所描述的其它功能，并且为了简单起见而不描绘。

根据本公开的技术，应用程序424包含监测系统450。监测系统450可以被配置成接收患者数据、评估患者数据并生成输出数据。例如，在一个实例中，当监测系统450确定患者14(图1)很可能经历了属于一种或多种类型的心律失常的一种或多种心律失常事件时，监测系统450可以生成通知。在另一个实例中，监测系统450可以生成示出了患者14的心脏节律的一个或多个方面的变化的一个或多个图。

如图4的实例所示，在一些实例中，监测系统450可以实施包含预处理单元452和深度学习模型454的AI系统451。尽管本公开的其余部分涉及预处理单元452和深度学习模型454，但此类参考可以同样适用于在除计算系统24之外的装置或系统中(如在医疗装置16或外部装置27中或其组合中)实施的预处理单元和深度学习模型。此外，AI系统451、预处理单元452和深度学习模型454可以在监测系统的上下文之外实施。预处理单元452可以预处理AI系统451作为输入提供到深度学习模型454的输入数据，包含心脏EGM条带。

在一些实例中，深度学习模型454是使用一个或多个神经网络系统、深度学习系统或其它类型的监督式或非监督式机器学习系统来实施的。例如，深度学习模型454可以由前馈神经网络如卷积神经网络、径向基函数神经网络、递归神经网络、模块化或关联神经网络来实施。在一些实例中，AI系统451用包含心脏EGM条带的一个或多个患者群体的患者数据来训练深度学习模型454，以生成关于群体中患者的心脏节律的一个或多个方面的数据。在一些实例中，在AI系统451已经预训练了深度学习模型454之后，AI系统451可以用特定于患者14或更小的患者群组的患者数据来进一步训练深度学习模型454。

在一些实例中，AI系统451用患者群体的患者数据来训练深度学习模型454，确定深度学习模型454的误差率，并且然后将所述误差率反馈回到深度学习模型454以允许深度学习模型454基于误差率更新其预测。在一些实例中，误差率可以对应于由深度学习模型454基于输入数据确定的输出数据与相同输入数据的预先标记的输出数据之间的差异。在一些实例中，AI系统451可以使用误差函数来确定误差率。可以以常规用于检测心律失常的发生的方式使用信号处理技术和试探法来实施误差函数。在一些实例中，监测系统450可以从用户(例如，患者14、临床医生或另一种类型的人)接收指示检测到的心律失常是否在特定时间段内发生在患者14中的反馈。在一些实例中，监测系统450可以从医疗装置16接收指示医疗装置16已经检测到(或没有检测到)患者14的心律失常的发生的消息。在一些实例中，监测系统450可以以其它方式获得反馈，如通过周期性地检查EMR数据以确定是否发生心律失常。监测系统450可以用反馈更新深度学习模型454。因此，训练过程可以迭代地发生，以通过从过去由深度学习模型454生成的正确和不正确数据“学习”来逐步改善由深度学习模型454生成的数据。进一步，训练过程可以用于进一步微调使用基于群体的数据进行训练的深度学习模型454，以针对特定个体生成更准确的数据。在一些实例中，监测服务的人员可以提供反馈。

在一些实例中，深度学习模型454是使用神经网络实施的。神经网络可以包含输入层和输出层，以及输入层与输出层之间的一个或多个隐藏层。神经网络的每个层可以包含一个或多个人工神经元，本公开将其简称为神经元。神经网络的输入层包含多个输入神经元。输入层可以包含用于心脏EGM条带的区段的每个样本值的单独的输入神经元。在一些实例中，所述区段可以与心脏EGM条带相连。在其它实例中，所述区段可以是心脏EGM条带的子区段。例如，在心脏EGM条带包括表示患者14的45秒心脏节律的样本的实例中，所述区段可以包括表示心脏EGM条带的前10秒的样本。

AI系统451可以向深度学习模型454提供心脏EGM条带的重叠区段。例如，AI系统451可以提供包括表示心脏EGM条带的第0秒到第10秒的样本的区段，然后提供包括表示心脏EGM条带的第5秒到第15秒的样本的区段，然后提供包括表示心脏EGM条带的第10秒到第20秒的样本的区段，等等。在一些实例中，计算系统24可以提供跨越两个或更多个心脏EGM条带的区段。为便于说明，将深度学习模型应用于心脏EGM条带实际上可以指将深度学习模型应用于心脏EGM条带的区段。

在一些实例中，深度学习模型454包括卷积神经网络(CNN)。例如，在一个实例中，卷积层可以跟在上文所描述的类型的输入层之后。第一卷积层神经元可以接收来自由给定数量的连续输入层神经元组成的第一组输入层神经元的输入；第二卷积层神经元可以接收来自第二组输入层神经元的输入，所述第二组输入层神经元由相同给定数量的连续输入层神经元组成，但与第一组输入层神经元的第一输入层神经元偏移了步幅长度；第三卷积层神经元可以接收来自第三组输入层神经元的输入，所述第三组输入层神经元由相同给定数量的连续输入层神经元组成，但与第二组输入层神经元的第一输入层神经元偏移了步幅长度；等等。给定的连续输入神经元数量和步幅长度是CNN的不同超参数。一个或多个全连接隐藏层可以跟在卷积层之后。

在本公开的一些实例中，对于一组一个或多个心律失常中的每个相应心律失常，深度学习模型454可以生成指示相应心律失常的一次或多次发生是否在心脏EGM条带的区段中进行表示的数据。例如，在一个实例中，深度学习模型454的隐藏层向深度学习模型454的输出层提供输入数据。对于一组心律失常中的每个相应心律失常，深度学习模型454的输出层包含对应于相应心律失常的单独输出神经元。对应于相应心律失常的输出神经元从深度学习模型454的隐藏层中的单个神经元接收输入数据，所述输入数据也对应于相应心律失常类型。由隐藏层神经元生成的对应于相应心律失常的数据包括指示心律失常的发生已经在心脏EGM条带的区段中出现的概率的概率值。输出神经元的激活函数可以将阈值函数应用于由隐藏层神经元生成的概率值。对于每个输出神经元，如果向输出神经元提供的概率值大于阈值，则阈值函数可以使输出神经元生成第一值(例如，1)，并且如果向输出神经元提供的概率值小于相同的阈值，则生成第二值(例如，0)。

此外，在先前段落的实例中，AI系统451可以使用由隐藏层生成的概率值来跟踪心脏EGM条带内出现心律失常的发生的位置。例如，如上所述，心脏EGM条带可以细分为区段并且AI系统451将所述区段作为输入向深度学习模型454提供。因此，通过确定心脏EGM条带的哪个区段导致对应于心律失常的最高概率值，AI系统451可以确定哪个区段最有可能表示心律失常的发生。

如本公开中别处所指出的，向深度学习模型454提供的输入除了心脏EGM条带的区段之外还可以包含患者数据。例如，在一些实例中，患者数据可以另外包含关于患者的生理状态(例如，患者生理状态，如活动、姿势、呼吸等)的数据，所述生理状态也可以由医疗装置16捕获。对应于不同生理条件的患者数据(例如，休息、夜间休息、夜间高姿态角度休息等)可以用作模型训练的另外的参数或深度学习模型454的输入数据。使用此类数据可以使AI系统450能够检测在其它疾病状况期间心律失常的发生(例如，休息期间心动过速的敏感模型可以用于监测心脏衰竭(HF)患者；活动期间心动过缓的模型可以用于监测患者的变时性功能不全)。在一些实例中，监测系统450经由通信电路系统406从EMR数据库66接收患者14的EMR数据。在一些实例中，由EMR数据库66存储的EMR数据可以包含许多不同类型的关于患者14的历史医疗信息。例如，EMR数据库66可以存储患者的用药史、患者的外科手术史、患者的住院史、患者随时间的钾水平或患者的一个或多个实验室测试结果等。EMR数据可以形成用作输入到深度学习模型454的患者数据的一部分。

在一些实例中，深度学习模型454将患者数据转换成表示患者数据的一个或多个向量和张量(例如，多维数组)。深度学习模型454可以将数学运算应用于一个或多个向量和张量以生成患者数据的数学表示。深度学习模型454可以确定对应于患者数据与心律失常发生之间的所标识关系的不同权重。深度学习模型454可以将不同的权重应用于患者数据以生成概率值。

图5是展示了根据本公开的技术的示例操作的流程图。为了方便起见，关于图1和图4描述图5。本公开的流程图作为实例呈现。根据本公开的技术的其它实例可以包含更多、更少或不同的动作，或者可以以不同顺序或并行执行动作。图5的操作可以由在医疗装置16、计算系统24、外部装置27和/或其它装置中的一个或多个上实施的AI系统来执行。

在图5的实例中，AI系统可以获得患者14(即，当前患者)的一个或多个心脏EGM条带(500)。AI系统可以以各种方式中的一种或多种方式获得患者14的一个或多个心脏EGM条带。例如，在计算系统24实施AI系统的实例中，计算系统24可以从医疗装置16(例如，通过外部装置27和网络25)获得患者14的一个或多个心脏EGM条带。在AI系统在医疗装置16中实施的一些实例中，AI系统可以通过基于来自电极的数据生成一个或多个心脏EGM条带来获得一个或多个心脏EGM条带。在一些实例中，AI系统可以从存储当前患者的一个或多个心脏EGM条带的数据库(例如，EMR数据库66)获得当前患者的一个或多个心脏EGM条带。在本公开的别处描述了获得心脏EGM条带的其它实例。

此外，在图5的实例中，预处理单元452可以预处理一个或多个心脏EGM条带(502)。预处理单元452可以以各种方式中的一种或多种方式预处理一个或多个心脏EGM条带。例如，图6、7、9、11和15展示了对一个或多个心脏EGM条带进行预处理的示例方式。在一些实例中，深度学习模型454可以使用具有某些特性如信号极性、信号振幅水平和变化、硬件特性等的心脏EGM条带来训练。在此类实例中，在训练之后，预处理单元452可以预处理一个或多个心脏EGM条带，使得所述一个或多个心脏EGM条带具有训练心脏EGM条带的特性。这可以允许深度学习模型454与由更多类型的医疗装置生成的心脏EGM条带一起使用。例如，如下文详细描述的，图7和图15是其中预处理单元452对一个或多个心脏EGM条带进行预处理以符合深度学习模型454在其上进行训练的心脏EGM条带的一个或多个特性的实例。此外，在一些实例中，深度学习模型452可以使用由预处理单元452生成的经过预处理的心脏EGM条带来训练。例如，在图6、图7、图9和图15的实例中，AI系统可以使用经过预处理的心脏EGM条带来训练深度学习模型454。

在预处理单元452对一个或多个心脏EGM条带进行预处理之后，AI系统可以将深度学习模型454应用于一个或多个经过预处理的心脏EGM条带以生成指示一个或多个心脏EGM条带是否表示一种或多种心律失常的一次或多次发生的心律失常数据(504)。也就是说，到深度学习模型454的输入可以包含一个或多个经过预处理的心脏EGM条带或其区段。深度学习模型454可以根据本公开别处所描述的实例中的任何实例进行训练。当AI系统将深度学习模型454应用于一个或多个经过预处理的心脏EGM条带时，AI系统可以执行通过深度学习模型454的神经网络的神经元的前馈传递。心律失常数据可以是神经网络的输出。

此外，在一些实例中，AI系统可以基于心律失常数据生成输出数据。例如，AI系统可以生成指示检测到的心律失常的发生的时间和类型的表格。所述时间可以基于由具有心脏EGM条带的医疗装置16提供的时间戳来确定。在另一个实例中，AI系统可以生成示出患者14随时间经历心律失常发生的速率的图。AI系统可以将输出数据呈现给一种或多种类型的用户。例如，AI系统可以将输出数据呈现给患者14、患者14的医疗保健提供者、医疗保健监测组织的用户或其它类型的人。

图6是展示了根据本公开的一个或多个技术的用于预处理一个或多个心脏EGM条带的第一示例操作的流程图。在图6的实例中，预处理单元452可以通过修改一个或多个心脏EGM条带的时间分辨率以匹配深度学习模型的预期时间分辨率来生成一个或多个时间修改的心脏EGM条带(602)。例如，预处理单元452可以将一个或多个心脏EGM条带的时间分辨率从128个样本/秒修改为200个样本/秒。预处理单元452可以以各种方式之一修改一个或多个心脏EGM条带。例如，在深度学习模型的预期时间分辨率大于一个或多个心脏EGM条带的时间分辨率的实例中，预处理单元452可以在一个或多个心脏EGM条带的样本之间内插样本。在深度学习模型的预期时间分辨率小于一个或多个心脏EGM条带的时间分辨率的实例中，预处理单元452可以抽取一个或多个心脏EGM条带中的样本。修改一个或多个心脏EGM条带的时间分辨率的其它技术是可能的。

另外地，预处理单元452可以通过从一个或多个时间修改的心脏EGM条带的样本中减去一个或多个时间修改的心脏EGM条带的样本的平均值来生成一个或多个经过预处理的心脏EGM条带(604)。例如，预处理单元452可以确定一个或多个时间修改的心脏EGM条带的样本的平均值，并且然后从一个或多个时间修改的心脏EGM条带的样本中的每一个减去所述平均值。在另一个实例中，预处理单元452可以从一个或多个原始心脏EGM条带减去一个或多个原始心脏EGM条带的样本的平均值，并且然后修改一个或多个所得心脏EGM条带的时间分辨率，从而反转动作600和602的顺序。

图7是展示了根据本公开的一种或多种技术的用于预处理心脏EGM条带的第二示例操作的流程图。医疗装置可以用于具有不同生理状况(例如，脂肪/肌肉量)或潜在心脏病的患者。因此，心脏EGM条带中的信号水平可以不同。同一患者的心脏EGM条带中的信号水平也可能存在振幅变化，例如，由于姿势变化或心室早发性收缩(PVC)。因为在此类状况下可能没有足够的训练数据来从头开始训练深度学习模型454或用于迁移学习(例如，使用外部/静息霍尔特监测器开发的深度学习模型应用于来自活动患者的所植入监测器的心脏EGM条带)，将另外的归一化应用于去除平均值的波形可以改善深度学习模型的心律失常和QRS检测性能。

因此，在图7的实例中，预处理单元452可以通过修改一个或多个心脏EGM条带的时间分辨率以匹配深度学习模型的预期时间分辨率来生成一个或多个时间修改的心脏EGM条带(700)。另外地，预处理单元452可以通过从一个或多个时间修改的心脏EGM条带的样本中减去一个或多个时间修改的心脏EGM条带的样本的平均值来生成一个或多个减去平均值的心脏EGM条带(702)。预处理单元452可以以与关于图6的动作600和602所描述的相同的方式执行动作700和702。

此外，在图7的实例中，为了对变化的振幅水平进行归一化，预处理单元452可以在一个或多个减去平均值的心脏EGM条带的滑动窗口上计算移动信号包络(704)。滑动窗口可以是0.5秒的持续时间、1秒的持续时间、1.5秒的持续时间，或者具有另一种持续时间。在一些实例中，包络可以是移动窗口中波形样本的标准偏差或移动窗口中波形样本的第99个和第1个百分位，或移动窗口中波形样本的最大值和最小值。

图8A是展示了根据本公开的一种或多种技术确定的示例波形和包络的概念图。具体地，图8A示出了在移动窗口中具有第99个(上虚线)和第1个(下虚线)百分位样本的1秒移动窗口上计算的波形(实线)和包络的实例。

此外，在图7的实例中，预处理单元452可以基于移动信号包络对减去平均值的心脏EGM条带进行归一化(706)。例如，在一个实例中，令d指示波形，dU指示上包络，并且dL指示下包络(例如，如图8A所示)。在此实例中，归一化波形可以按d/(dU-dL)进行采样计算。图8B是展示了根据本公开的一种或多种技术生成的示例归一化波形的概念图。应注意，在图8B中，波形QRS振幅变化被最小化。在图7的实例中，AI系统可以提供归一化的减去平均值的心脏EGM条带作为到深度学习模型454的输入。

在其它实例中，预处理单元452可以执行另外的预处理动作。例如，预处理单元452可以通过其标准偏差对整个波形进行归一化，通过恒定增益因子对波形进行归一化，和/或执行其它动作。

图9是展示了根据本公开的一种或多种技术的AI系统的示例操作的流程图。上述实例涉及仅应用于心脏EGM波形上的深度学习模型。由于一些装置(例如，医疗装置16)具有有限的存储器和电池电力，因此所述装置存储和传输有限的波形区段。然而，此类装置还可以生成和存储另外的标志物通道信息。标志物通道信息可以对应于所记录的心脏EGM波形所对应的时间段期间和之前的时间段。标志物通道信息可以提供另外的心律失常诊断。例如，在一个实例中，标志物通道可以指示检测到的QRS复合波。因此，在此实例中，标志物通道可以包括一系列样本，所述样本各自指示在对应于样本的时间段期间是否检测到QRS复合波。根据此数据，可以确定患者14的心脏节律的R-R速率。图9的实例涉及使用标志物通道来确认和扩展深度学习模型454的心律失常检测。

如图9的实例中所示，AI系统使用标志物通道来确认和扩展深度学习模型454的心律失常检测。波形通道(例如，心脏EGM条带)和标志物通道可以由两个单独的模型处理：A.)基于波形的深度学习模型454和B.)基于标志物通道的模型。如果由两个模型检测到的心律失常在波形的持续时间期间一致，则AI系统会增加心律失常检测的置信度，并且将心律失常检测的时间进程扩展到刚好超出所记录的波形持续时间。换句话说，AI系统可以使生成波形通道和标志物通道的装置继续生成波形通道。然而，如果两个模型不一致，AI系统可以调整心律失常检测的置信度(例如，如果基于标志物的模型具有高可靠性)，但不会延长心律失常检测的时间进程。换句话说，AI系统可以使生成波形通道和标志物通道的装置停止生成波形通道。不生成波形通道可以降低装置的功耗。

在图9的实例中，AI系统可以获得一个或多个心脏EGM条带和标志物通道(900)。在一些实例中，标志物通道指示在患者14的心脏节律中检测到的QRS复合波。预处理单元452可以对一个或多个心脏EGM条带进行重新采样和归一化，例如，如关于图7所描述的(902)。另外地，AI系统可以将深度学习模型454(即，基于波形的深度学习模型)应用于一个或多个经过预处理的心脏EGM条带以生成第一组心律失常数据(904)。AI系统可以以与关于图5所描述的相同的方式应用深度学习模型454。

此外，在图9的实例中，预处理单元452可以预处理标志物通道(906)。例如，预处理单元452可以基于标志物通道确定R-R间期、平均心率、一个或多个移动平均心率趋势、异常值去除、基于标志物的洛伦兹图、心率可变性或其它类型的数据。另外地，预处理单元452可以将基于标志物通道的深度学习模型应用于经过预处理的标志物通道以生成指示一种或多种心律失常的第二组发生的第二心律失常数据(908)。在此实例中，基于标志物通道的深度学习模型可以实施为神经网络，所述神经网络被训练以标识经过预处理的标志物通道中的心律失常的发生。

在图9的实例中，AI系统可以确定第一组心律失常数据和第二组心律失常数据是否一致(910)。例如，AI系统可以检查是否存在不在第一组和第二组心律失常数据的结合中的任何检测到的心律失常事件。此外，AI系统可以基于心律失常的发生是在第一组发生和第二组发生两者中还是仅在第一组发生和第二组发生中的一个中来调整心律失常之一的发生的置信水平。例如，如果第一组心律失常数据和第二组心律失常数据对于检测到的心律失常发生一致(910的“是”分支)，则AI系统可以增加检测到的心律失常发生的置信水平并扩展心律失常检测(912)。例如，AI系统可以使医疗装置16继续生成心脏EGM条带。另一方面，如果第一组心律失常数据和第二组心律失常数据对于检测到的心律失常发生不一致(910的“NO”分支)，则AI系统可以调整检测到的心律失常发生的置信水平并且不扩展心律失常检测(914)。例如，AI系统可以使医疗装置16停止生成心脏EGM条带。因此，AI系统可以执行以下中的一个或多个：基于心律失常的发生是在第一组发生和第二组发生两者中还是仅在第一组发生和第二组发生中的一个，基于心律失常的发生在第一组发生和第二组发生中来调整心律失常之一发生的置信水平，生成一个或多个心脏EGM条带的医疗装置的监测会话的持续时间。

可以以各种方式使用置信水平。例如，监测系统450可以输出用于显示的置信水平。在此实例中，显示置信水平可以帮助监测专业人员或医疗保健专业人员确定如何对关于心律失常的信息采取行动。在一些实例中，如果置信水平低于预定阈值，则监测系统450不向用户呈现关于心律失常的信息。

此外，在一些实例中，医疗装置16在检测到心律失常或患者触发的发生时生成有限持续时间(例如，45秒)的心脏EGM条带。诊断装置具有患者触发器(例如，装置上的按钮)，患者可以在感觉到症状时按下所述触发器。这些被视为是有症状的ECG发作。在患者激活/触发时间前后，所述装置会捕获被传输以供查看的扩展的波形信号。另外地，在此类实例中，医疗装置16在更延长的持续时间内(例如，在检测到心律失常或患者触发的发生之前5分钟和之后5分钟)生成标志物通道。与图9的实例一致，AI系统可以预处理心脏EGM条带(902)并将深度学习模型454应用于经过预处理的心脏EGM条带以生成心律失常数据(904)。此外，在此类实例中，AI系统可以将基于标志物通道的模型应用于标志物通道标志物的与心脏EGM条带对应的时间之前和期间的时间相对应的一部分(908)。在此类实例中，AI系统可以确定基于波形的深度学习模型454和基于标志物通道的深度学习模型的输出是否一致。例如，如果深度学习模型454确定心脏EGM条带的波形包含室性心动过速的发生并且基于标志物的深度学习模型检测到具有低RR可变性的高速率发作，则AI系统可以确定基于波形的深度学习模型454的输出与基于标志物通道的深度学习模型的输出一致。

基于两个模型的输出是否一致，AI系统可以调整波形中整体心律失常发生的可能性。例如，如果基于标志物通道的模型与基于波形的深度学习模型454之间存在一致性(例如，在所记录波形的持续时间内，标志物通道检测到大于或等于120次/分钟(BPM)的快速性心律失常，并且基于波形的深度学习模型45检测到室性心动过速(VT))，监测系统450可以使用标志物通道的趋势来呈现关于在心脏EGM条带中检测到的心律失常开始之前发生了什么的信息。例如，监测系统450可以输出示出了患者的心脏在心律失常发作之前的表现的图，如图10B中所示的图。这可以帮助内科医生诊断患者14的心脏状况。

在一个实例中，医疗装置16可以响应于确定正在发生心律失常的板载检测算法来生成表示有限持续时间的波形的一个或多个心脏EGM条带。医疗装置16本身可以实施板载检测算法。在一个实例中，板载检测算法可以确定从上午10:30:00到上午10:30:45发生了45秒的心动过速发作。在此实例中，医疗装置16可以向AI系统提供表示45秒波形的一个或多个心脏EGM条带以报告心律失常。此外，在此实例中，AI系统可以应用基于波形的深度学习模型454来确定一个或多个心脏EGM条带在45秒时间段(即，从上午10:30:00到上午10:30:45)期间是否含有任何心律失常。监测系统450可以基于一个或多个心脏EGM条带报告由深度学习模型454检测到的任何心律失常。另外地，在一些实例中，医疗装置16可以生成覆盖更长持续时间(例如，从上午10:20:00到上午10:35:00)的标志物通道。医疗装置16还可以向AI系统提供此标志物通道以进行心律失常报告。AI系统的基于标志物通道的模型可以使用标志物通道来检测与一个或多个心脏EGM条带相对应的时间段期间和与其相邻的时间段中的心律失常(例如，上午10:29:00到上午10:31:00)。如果在与一个或多个心脏EGM条带相对应的时间段期间和与所述时间段相邻的时间段中，由基于标志物通道的模型检测到的心律失常与由基于波形的深度学习模型454检测到的心律失常一致，则监测系统450可以基于上午10:30:00到上午10:30:45的时间段内的一个或多个心脏EGM条带输出对由基于波形的深度学习模型454检测到的心律失常的指示。另外地，监测系统450可以从标志物通道(从上午10:20:00到上午10:35:00)输出另外的信息，如在所记录波形持续时间之前、期间和之后的平均HR和HR可变性趋势。以这种方式，监测系统450可以输出向内科医生提供另外的心律失常相关信息的信息。例如，内科医生可能能够看到是否存在突然发作的心动过速。

在一些实例中，如果医疗装置16实施基于波形的深度学习模型454和基于标志物通道的模型两者，则医疗装置16可以确定在一段时间内由基于波形的深度学习模型454与基于标志物通道的模型标识的心律失常之间是否存在一致性，医疗装置16可以在更长的持续时间内保持记录波形。如果医疗装置16确定不存在一致性，则医疗装置16可以停止记录/删除此波形片段。

图10A是展示了示例心脏波形和装置检测到的QRS标志物的图的概念图。图10B是展示了示例基于标志物通道的心率随时间变化的图的概念图。图10A和图10B针对相同的数据并且在x轴上时间对齐。在图10A的实例中，标志物通道信息示出为布置在水平线上的一系列点。从第95秒左右开始的深色锯齿线是由一个或多个心脏EGM条带表示的波形。在图10A中，标志物从有限波形区段之前的时间段开始存储在医疗装置16上。与心脏EGM条带相比，生成和存储标记数据可能需要更少的计算资源。如图13B的实例所示，基于波形的深度学习模型和基于标志物通道的深度学习模型同意检测是在约130秒标记处发生室性心动过速(VT)，并且心律失常检测的时间进程从仅120-130秒区段(在波形持续时间内)延长到心律失常发作前约2分钟；这指示HR和VT事件迅速增加。

尽管本公开中描述的其它实例直接在经过预处理的心脏EGM条带上使用深度学习模型452，但在其它实例中，AI系统可以对经过变换的信号(例如，在频域中)执行深度学习QRS和心律失常检测。例如，在一个实例中，神经网络可以有几个初始卷积层来提取输入信号的低水平特征。在一些实例中，AI系统可以直接从数据中学习卷积核/滤波器参数。在一些实例中，为了在保持性能的同时降低计算复杂度，可以使用现有的专家知识对深度学习的数据进行预处理。例如，作为对一个或多个心脏EGM条带进行预处理的一部分，AI系统可以将由一个或多个心脏EGM条带所标识的波形分解为对应于不同频带的分解波形。不同的频带可以对应ECG信号的不同方面，如高频QRS信号、低频P波信号等。在此实例中，AI系统可以通过将深度学习模型452应用于分解的波形来生成心律失常数据。

图11是展示了根据本公开的一种或多种技术的用于预处理心脏EGM条带的第三示例操作的流程图。在图11的实例，作为对一个或多个心脏EGM条带进行预处理的一部分，预处理单元452可以对由一个或多个心脏EGM条带所表示的波形进行缩放(1100)。此实例以及本公开的其它部分中的缩放可以用于限制模型需要在其上进行训练的EGM振幅缩放的范围。另外地，在图11的实例中，预处理单元452可以将由一个或多个心脏EGM条带表示的波形分解成对应于不同频带的多个通道(1002)。随后，作为将深度学习模型454应用于经过预处理的心脏EGM条带的区段的一部分，AI系统可以将深度学习模型应用于通道以生成心律失常数据。

因此，在图11的实例中，在进行波形缩放之后，信号被分解成多个通道，其中每个通道对应于不同的频带。图12是展示了根据本公开的一种或多种技术的示例原始心脏波形和与不同频带相对应的通道的波形的概念图。图12示出了其中代替用于深度学习的原始波形1200，使用源自原始波形1200的使用(i)平稳小波分解和(ii)用于QRS对齐的频带特定时间延迟的3个通道(1202、1204和1206)的实例。应注意，通道1202主要由高频特征(通常对应于QRS区段)组成，并且频带1206由低频特征(例如，p波)组成。因此，代替将1x N向量作为到深度学习模型454的输入，而是3x N矩阵(具有平稳小波分解和对齐信号)作为输入。具有经过预处理的信号可以帮助加速学习和/或降低深度学习模型454的复杂性。

图13是展示了根据本公开的一种或多种技术的用于预处理心脏EGM条带的第四示例操作的流程图。在图13的实例，作为对一个或多个心脏EGM条带进行预处理的一部分，预处理单元452可以对由一个或多个心脏EGM条带所表示的波形进行缩放(1300)。预处理单元452可以根据上文关于图11所提供的实例中的任何实例来缩放波形。

此外，在图13的实例中，预处理单元452可以通过将经过缩放的波形变换成二维时频域来生成一个或多个经过变换的心脏EGM条带(1302)。例如，预处理单元452可以将经过缩放的波形变换成光谱图。随后，AI系统可以通过将深度学习模型应用于一个或多个经过变换的心脏EGM条带来将深度学习模型454应用于一个或多个经过预处理的心脏EGM条带。监测系统450可以输出光谱图的图像以供显示。此外，在一些实例中，可以以类似于图像识别深度学习模型的方式来实施深度学习模型454。例如，深度学习模型454可以包括将各个滤波器应用于光谱图的卷积层。此外，在一些实例中，通过将整个光谱图呈现给深度学习模型454，AI系统可以使深度学习模型454能够为此组信号确定一组最佳频率和特征。

图14是展示了根据本公开的一种或多种技术的AI系统的示例操作的概念图。在图14的实例中，预处理单元452可以预处理心脏EGM条带(1400)。例如，在图14的实例中，预处理单元452可以将学习的缩放因子应用于由心脏EGM条带表示的波形。在一些实例中，AI系统可以通过用训练数据重复测试不同的缩放因子并确定哪些缩放因子结果在正确检测心律失常方面具有最佳性能来学习缩放因子。

AI系统可以提供经过预处理的心脏EGM条带作为到深度神经网络1402的输入。深度神经网络1402可以是深度学习模型454的一部分。

在图14的实例，作为应用深度学习模型454的一部分，AI系统可以执行QRS检测(1402)。作为执行QRS检测的一部分，深度神经网络1402可以确定对应于多个时间点的QRS概率值。QRS概率值中的每一个指示QRS复合波的峰值在与QRS概率值相对应的时间点期间出现的相应概率。例如，深度神经网络的一组初始层可以基于经过预处理的EGM条带来确定QRS概率值。

另外，深度神经网络1402可以基于经过预处理的心脏EGM条带和QRS概率值来执行心律失常分类(1406)。也就是说，深度神经网络1402可以通过提供QRS概率值和经过预处理的心脏EGM条带作为到生成心律失常数据的神经网络的输入来检测一个或多个心律失常的一组发生。因此，在此步骤中，QRS概率值与深度学习模型454的更深层组合以检测心律失常事件。

如图14的实例所示，AI系统可以分别输出QRS概率值和发生时间以及指示心脏EGM条带是否以及在何处表示一种或多种心律失常的一次或多次发生的心律失常数据。这可以提供为QRS提供两条单独路径的优点，并且心律失常检测是可解释性的，因为本领域受过训练的ECG读取器/技术人员通常使用QRS是心律失常确定的第一步骤。此外，QRS与心律失常检测模块之间的2向交互可以帮助提供特定于心律失常的QRS检测和基于检测到的心律失常发生的增强QRS检测(例如，如果QRS模型标记了PVC/二联律但不确定哪个，并且如果心律失常模型声称其PVC，那么节律就是二联律，否则就是T波过度感测)。

图15是展示了根据本公开的一种或多种技术的用于预处理心脏EGM条带的第五示例操作的流程图。在图15的实例中，操作包含根据本公开的一种或多种技术的信号极性和信号特性预处理。在一些实例中，深度学习模型454用来自某种类型的硬件和心脏EGM信号特性的数据进行训练。例如，用户可能想要使用大型数据集来训练深度学习模型454。数据集可以包含“直立”的波形形态，但是深度学习模型454也可能需要与波形形态并不总是直立的装置一起使用。例如，一些装置生成其中R波最初在负方向上偏转的心脏EGM信号，并且其它装置可能生成其中R波最初在正方向上偏转的心脏EGM信号。为了解决此类情况，可以在一组原始波形和其极性反转版本上训练深度学习模型454，其中两者都具有相同的心律失常内容。在其中AI系统需要使用预先存在的深度学习模型(即，其中重新训练是不可能的)的情况下，可以对波形信号进行变换以满足深度学习的输入特性。

因此，在图15的实例中，AI系统可以确定心脏EGM条带的极性(1500)。AI系统然后可以确定心脏EGM条带的极性是否与深度学习模型454的预期极性相同(1502)。响应于确定心脏EGM条带的极性不是深度学习模型454的预期极性(1502的“否”)，AI系统可以对心脏EGM条带的极性进行反转(1504)。否则，AI系统不对心脏EGM条带的极性进行反转(1506)。

AI系统可以以各种方式之一确定心脏EGM条带的极性。例如，在一个实例中，当医疗装置16被植入患者14时，植入内科医生可以对设置进行编程以指示极性是否被反转。在此实例中，医疗装置16可以在由医疗装置16生成的心脏EGM条带中包含指示由医疗装置16生成的心脏EGM条带的极性的数据。

在另一个实例中，当在监测中心查看和分析来自医疗装置16的数据如心脏EGM条带时，如果患者14的波形形态被反转，则监测中心技术人员可以标记所述数据。对于短中期监测，此类标记可能只需要在监测开始时进行。对于长期应用程序，可以定期(例如，每个月)进行此类形态标记以解决任何装置漂移。

在确定心脏EGM条带的极性的另一个实例中，AI系统可以使用P波和T波形态来估计波形形态是否被翻转。也就是说，P波和T波开始和结束心动循环总是在同一方向偏转。因此，基于对P波和T波的初始检测，AI系统可以确定心脏EGM条带的极性。

在确定心脏EGM条带的极性的另一个实例中，AI系统可以使用深度学习模型来检测波形极性，作为用于应用深度学习模型(例如，深度学习模型454)进行心律失常检测的前驱。因此，在此实例中，深度学习模型454可以被视为是第一深度学习模型并且AI系统可以将另外的深度学习模型应用于心脏EGM条带以确定心脏EGM条带的极性。另外的深度学习模型可以包括人工神经网络，所述人工神经网络被训练以对心脏EGM条带的极性进行分类。

在相关实例中，AI系统可以使用深度学习相似性模型来检查输入信号形态是否与心律失常检测模型和执行适当的信号变换所需的信号形态类似。深度学习相似性模型可以将多个波形作为输入，并且可以生成指示波形是否类似的输出数据。此实例中的波形可以是由心脏EGM条带所表示的波形。在此实例中，“相似性”在此可以指相同的形态/极性。换句话说，深度学习相似性模型可以比较来自多个装置的心脏EGM条带的波形以确定波形是否具有类似的形态。深度学习相似性模型可以实施为神经网络。

除了心脏EGM条带的极性之外或作为心脏EGM条带的极性的替代，AI系统可以修改心脏EGM条带的性质。例如，AI系统可以生成指示生成心脏EGM条带的装置的类别的装置分类数据。不同类别的装置可以具有不同的硬件特性(例如，输入信号的带宽)。因此，在将深度学习模型应用于心脏EGM条带之前重新滤波和/或变换心脏EGM条带的信号以匹配深度学习模型454的输入特性可能是有利的。例如，AI系统可以对心脏EGM条带的信号进行滤波以改变信号的带宽。例如，在此实例中，AI系统可以对心脏EGM条带的信号样本进行缩放，使得样本分布在深度学习模型454的预期样本值范围内。在一些实例中，作为对心脏EGM条带的信号进行滤波以改变信号的带宽的一部分，AI系统可以增加或降低心脏EGM条带的信号的采样速率以匹配深度学习模型454的预期采样速率。AI系统可以使用插值来调整采样速率。由于不同类别的装置的不同特性，深度学习模型454可能无法正确标识由多种类型装置生成的心脏EGM条带中的心律失常的发生。

图16是展示了根据本公开的一种或多种技术的包含自编码器的AI系统的示例操作的概念图。在图16的实例中，AI系统使用自动编码来判定装置分类。换句话说，AI系统可以使用自动编码来检查分配给心脏EGM条带的分类数据是否正确。分配给心脏EGM条带的分类数据可以包括由另一个装置(例如，医疗装置16)生成的指示在心脏EGM条带中检测到的心律失常的数据。

如图16的实例所示，到AI系统的输入可以包含一个或多个经过预处理的心脏EGM条带1600和分类数据1602。经过预处理的心脏EGM条带1600表示患者14的心脏节律的波形。经过预处理的心脏EGM条带1600可以以各种方式中的一种或多种方式进行预处理，包含根据本公开别处所提供的实例中的任何实例。分类数据1602可以包含指示在心脏EGM条带中检测到的心律失常类别的数据，经过预处理的心脏EGM条带1600基于所述数据。例如，分类数据1602可以指示医疗装置16确定心脏EGM条带含有心房纤颤的发生。

自编码器1604对分类数据1602正确的概率进行分类。自编码器1604可以实施为深度神经网络。自编码器1604的深度神经网络包括输入层1604、一组隐藏层和输出层。自编码器1604被训练，使得当经过预处理的心脏EGM条带和一组分类数据被提供作为到自编码器1604的输入时，输出层输出经过预处理的心脏EGM条带的重建版本。可以根据本领域已知的用于训练自编码器的各种技术之一来训练自编码器1604。例如，AI系统可以将经过预处理的心脏EGM条带的重建版本与原始预处理心脏EGM条带1600进行比较，以确定可以在反向传播算法中使用的误差值，以更新自编码器1604的深度神经网络的参数。如图16的实例所示，AI系统可以向自编码器1604的深度神经网络的输入层1606提供经过预处理的心脏EGM条带1600或其区段和装置分类数据1602中的一个或多个。

自编码器1604的深度神经网络的隐藏层之一的输出可以生成概率值1606。概率值中的每一个对应于不同类别的心律失常并且指示分类数据1602正确标识心脏EGM条带中的心律失常类别的置信水平。在一些实例中，为了加速自编码器1604的深度神经网络的训练，向上到中间层的层与自编码器1604的深度神经网络的后续层分离进行预训练。

此外，在图16的实例，AI系统可以使用概率值1606来确定分类数据1602是否正确标识心脏EGM条带中的心律失常。例如，AI系统可以标识概率值1606中最高的概率值，并且将与概率值1606中最高的概率值相对应的心律失常与由分类数据1602指示的心律失常进行比较，以确定分类数据1602是否指示于概率值1606中最高的概率值相对应的心律失常。

图17是展示了根据本公开的一种或多种技术的其中使用自编码器来确认装置分类的示例操作的流程图。如图17的实例所示并且与图16的实例一致，AI系统可以获得训练输入向量(1700)。训练输入向量中的每一个包括训练心脏EGM条带的区段和指示在训练心脏EGM条带中检测到的一种或多种心律失常的装置分类数据。AI系统可以基于训练输入向量来训练自编码器1604以重建训练输入向量的训练心脏EGM条带(1702)。

此外，在图17的实例中，AI系统可以获得另外的分类数据(1704)。例如，在一个实例中，AI系统可以从如医疗装置16等医疗装置接收另外的分类数据。

AI系统可以向自编码器1604的输入层1606提供经过预处理的心脏EGM条带的区段和分类数据(1706)。此外，AI系统可以基于由自编码器1604的中间层生成的概率值来确定分类数据是否正确标识经过预处理的心脏EGM条带中的心律失常(如果有的话)(1708)。概率值中的每一个对应于不同的心律失常并且指示经过预处理的心脏EGM条带含有心律失常的置信水平。

以下是根据本公开的一种或多种技术的一组非限制性实例。

实例1.一种方法，其包括：由计算系统获得表示患者的心脏节律的波形的一个或多个心脏电描记图(EGM)条带；由所述计算系统对所述一个或多个心脏EGM条带进行预处理；以及由所述计算系统将深度学习模型应用于一个或多个经过预处理的心脏EGM条带以生成指示所述一个或多个心脏EGM条带是否表示一种或多种心律失常的一次或多次发生的心律失常数据。

实例2.根据实例1所述的方法，其中对所述一个或多个心脏EGM条带进行预处理包括：由所述计算系统通过修改所述一个或多个心脏EGM条带的时间分辨率以匹配深度学习模型的预期时间分辨率来生成一个或多个时间修改的心脏EGM条带；以及由所述计算系统通过从所述一个或多个时间修改的心脏EGM条带的样本中减去所述一个或多个时间修改的心脏EGM条带的样本的平均值来生成一个或多个经过预处理的心脏EGM条带。

实例3.根据实例1所述的方法，其中对所述一个或多个心脏EGM条带进行预处理包括：

由所述计算系统通过修改所述一个或多个心脏EGM条带的时间分辨率以匹配所述深度学习模型的预期时间分辨率来生成一个或多个时间修改的心脏EGM条带；由所述计算系统通过从所述一个或多个时间修改的心脏EGM条带的样本中减去所述一个或多个时间修改的心脏EGM条带的样本的平均值来生成一个或多个减去平均值的心脏EGM条带；由所述计算系统在所述一个或多个减去平均值的心脏EGM条带的滑动窗口上计算移动信号包络；以及由所述计算系统基于所述移动信号包络对所述一个或多个减去平均值的心脏EGM条带进行归一化。

实例4.根据实例1到3中任一项所述的方法，其中：所述心律失常数据是第一心律失常数据；所述方法进一步包括：由所述计算系统获得标志物通道；由所述计算系统对所述标志物通道进行预处理；由所述计算系统将基于标志物通道的深度学习模型应用于经过预处理的标志物通道以生成指示所述一种或多种心律失常的第二组发生的第二心律失常数据；由所述计算系统确定所述第一心律失常数据与所述第二心律失常数据是否一致；以及以下至少一项：由所述计算系统基于所述心律失常的发生是在所述第一组发生和所述第二组发生两者中还是仅在所述第一组发生和所述第二组发生中的一个中来调整所述心律失常之一的发生的置信水平；或者由所述计算系统基于所述心律失常的发生处于所述第一组发生和所述第二组发生两者中来延长生成所述一个或多个心脏EGM条带的医疗装置的监测会话的持续时间。

实例5.根据实例4所述的方法，其中所述标志物通道指示检测到的QRS复合波。

实例6.根据实例1到5中任一项所述的方法，其中：对所述一个或多个心脏EGM条带进行预处理包括：由所述计算系统对由所述一个或多个心脏EGM条带表示的波形进行缩放；以及由所述计算系统将由所述一个或多个心脏EGM条带表示的波形分解成对应于不同频带的多个通道，并且将所述深度学习模型应用于所述一个或多个经过预处理的心脏EGM条带包括由所述计算系统将所述深度学习模型应用于所述通道以生成所述心律失常数据。

实例7.根据实例1到6中任一项所述的方法，其中：对所述一个或多个心脏EGM条带进行预处理包括：由所述计算系统对由所述一个或多个心脏EGM条带表示的波形进行缩放；由所述计算系统通过将经过缩放的波形变换成二维时频域来生成经过变换的波形，并且将所述深度学习模型应用于所述一个或多个经过预处理的心脏EGM条带包括将所述深度学习模型应用于所述经过变换的波形。

实例8.根据实例1到7中任一项所述的方法，其中：对所述一个或多个心脏EGM条带进行预处理包括由所述计算系统将学习的缩放因子应用于由所述一个或多个心脏EGM条带表示的波形，并且应用所述深度学习模型包括：由所述计算系统确定与所述多个时间点相对应的QRS概率值，所述QRS概率值中的每个概率值指示QRS复合波的峰值在与所述QRS概率值相对应的时间点期间出现的相应概率；以及检测由所述计算系统通过提供所述QRS概率值和所述一个或多个经过预处理的心脏EGM条带作为到生成所述心律失常数据的神经网络的输入来检测所述一个或多个心律失常的所述一组发生。

实例9.根据实例1到8中任一项所述的方法，其中对所述一个或多个心脏EGM条带进行预处理包括：由所述计算系统确定所述一个或多个心脏EGM条带的极性；以及基于所述一个或多个心脏EGM条带的所述极性不是所述深度学习模型的预期极性，由所述计算系统对所述一个或多个心脏EGM条带的所述极性进行反转。

实例10.根据实例9所述的方法，其中：所述深度学习模型是第一深度学习模型，并且确定所述一个或多个心脏EGM条带的所述极性包括由所述计算系统将第二深度学习模型应用于所述一个或多个心脏EGM条带以确定所述一个或多个心脏EGM条带的所述极性。

实例11.根据实例1到10中任一项所述的方法，其中所述方法进一步包括：由所述计算系统获得训练输入向量，其中所述训练输入向量中的每个训练输入向量包括训练心脏EGM条带的区段和指示在所述训练心脏EGM条带中检测到的一种或多种心律失常的装置分类数据；由所述计算系统基于所述训练输入向量对自编码器进行训练以重建所述训练输入向量的训练心脏EGM条带；由所述计算系统获得另外的装置分类数据；由所述计算系统向所述自编码器的输入层提供所述一个或多个经过预处理的心脏EGM条带和所述另外的装置分类数据；以及由所述计算系统基于由所述自编码器的中间层生成的概率值确定所述分类数据是否正确标识所述经过预处理的心脏EGM条带中的心律失常，如果有的话，其中所述概率值中的每个概率值对应于不同的心律失常并且指示所述一个或多个经过预处理的心脏EGM条带含有所述心律失常的置信水平。

实例12.根据实例1到11中任一项所述的方法，其中对所述一个或多个心脏EGM条带进行预处理包括以下中的一项或多项：对所述一个或多个心脏EGM条带的信号的样本进行缩放，使得所述一个或多个心脏EGM条带的所述信号的所述样本分布在所述深度学习模型的预期样本值范围内，或者增加或减少所述一个或多个心脏EGM条带的所述信号的采样速率以匹配所述深度学习模型的预期采样速率。

实例13.一种计算系统，其包括：存储装置，所述存储装置被配置成存储表示患者的心脏节律的波形的一个或多个心脏电描记图(EGM)条带；一个或多个处理电路，所述一个或多个处理电路被配置成：对所述一个或多个心脏EGM条带进行预处理；以及将深度学习模型应用于一个或多个经过预处理的心脏EGM条带以生成指示所述一个或多个心脏EGM条带是否表示一种或多种心律失常的一次或多次发生的心律失常数据。

实例14.根据实例13所述的计算系统，其被进一步配置成执行根据实例2到12中任一项所述的方法。

实例15.一种计算机可读存储介质，其具有存储在其上的指令，所述指令在被执行时，使计算系统执行根据实例1到12中任一项所述的方法。

实例16.一种如说明书中描述的方法。

在一些实例中，本公开的技术包含一种系统，所述系统包括用于执行本文所描述的任何方法的装置。在一些实例中，本公开的技术包含计算机可读介质，所述计算机可读介质包括使处理电路系统执行本文所描述的任何方法的指令。

应当理解，本文所公开的各个方面和实例可以以不同的组合而非说明书和附图中具体呈现的组合而组合。还应当理解，根据实例，本文所描述的任何过程或方法的动作或事件可以以不同顺序执行，可以被添加、合并或完全排除(例如，所有描述的动作和事件对于执行技术可能不是必需的)。另外，尽管为了清楚起见，将本公开的某些方面描述为由单个模块、单元或电路来执行，但是应当理解，本公开的技术可以由与例如医疗装置相关的单元、模块或电路系统的组合来执行。

在一个或多个实例中，所描述技术可以以硬件、软件、固件或其任何组合实施。如果以软件实施，则可以将功能以一个或多个指令或代码的形式存储在计算机可读介质上并且可以由基于硬件的处理单元执行。计算机可读介质可以包含非暂时性计算机可读介质，其对应于有形介质，如数据存储介质(例如，RAM、ROM、EEPROM、闪速存储器或可以用于存储呈指令或数据结构形式的期望程序代码并且可以由计算机访问的任何其它介质)。

指令可以由一个或多个处理器执行，所述处理器如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其它等效的集成或离散逻辑电路系统。因此，如本文所使用的术语“处理器”或“处理电路系统”可以指代任何前述结构或者适合于实施所描述的技术的任何其它物理结构。而且，所述技术可以完全实施在一个或多个电路或逻辑元件中。

已经描述了各个实例。这些以及其它实例在以下权利要求书的范围内。