WO2025071434A1 - Method for non-invasive diagnostic assessment of the cardiovascular system and brain of patients - Google Patents
Method for non-invasive diagnostic assessment of the cardiovascular system and brain of patients Download PDFInfo
- Publication number
- WO2025071434A1 WO2025071434A1 PCT/RU2024/050101 RU2024050101W WO2025071434A1 WO 2025071434 A1 WO2025071434 A1 WO 2025071434A1 RU 2024050101 W RU2024050101 W RU 2024050101W WO 2025071434 A1 WO2025071434 A1 WO 2025071434A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- state
- brain
- parameters
- cardiovascular system
- wireless communication
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- 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
Definitions
- the invention relates to the field of medicine, namely to methods of non-invasive diagnostics of the state of the cardiovascular system and brain of patients.
- this method uses invasive methods of obtaining training data, which limit the possibilities of continuous diagnostics of the patient's body condition; the neural network is trained on a training sample compiled only from ECG, which does not allow for more accurate diagnostics of pathologies.
- this method does not provide the ability to further train the neural network on new data that was not taken into account when forming the training sample for training the neural network.
- the use of a neural network, as one of the machine learning devices does not always provide a stable and accurate result of pathology diagnostics, which is confirmed by errors of the first and second type of recognition.
- the objective of the invention is to eliminate the shortcomings of the prototype.
- the technical result of the invention is a reduction in the invasiveness of diagnostics of pathologies of the cardiovascular system and the brain of patients while ensuring the required diagnostic accuracy.
- the specified technical result is achieved due to the fact that the method for non-invasive diagnostics of the state of the cardiovascular system and the brain of patients is characterized by the fact that initially a training sample of the results of diagnostics of the state of the cardiovascular system is recorded, formed on the basis of recording electrophysiological signals, simultaneously received from electrocardiography and as a result of recording the state parameters of the wireless communication channels, then a training sample of the results of diagnostics of the brain is recorded, formed on the basis of recording electrophysiological signals, simultaneously received from the electroencephalogram and as a result of recording the state parameters of the wireless communication channels, then a machine learning model is trained, within the framework of which the machine learning model is trained first to diagnose the state of the cardiovascular system by training to compare the results of diagnostics of the patient based on electrophysiological signals obtained from electrocardiography with the results of the registered state parameters of the wireless communication channels, as
- the RSSI and CSI parameters of the wireless communication channels are recorded.
- the RSSI and CSI parameters of the state of the wireless communication channel are recorded.
- the trained machine learning model receives registered parameters of the state of wireless communication channels at the input, according to which the trained machine learning model does not produce a result of diagnosing the state of the cardiovascular system and the patient's brain, then these registered parameters of the state of wireless communication channels are fed to retrain the machine learning model.
- the method for recording electrophysiological signals of the state of the cardiovascular system and the brain of patients is characterized by the fact that initially a training sample of the results of diagnosing the state of the cardiovascular system 1 is recorded, formed on the basis of parallel recording of electrophysiological signals obtained from electrocardiography performed using an electrocardiograph, and obtained as a result of recording the RSSI and CSI parameters of the state of wireless communication channels received from a smart devices, such as a smartphone, smart watch, smart Wi-Fi router, as well as RSSI parameters of the state of wireless communication channels received from a cellular repeater and a base station communication channel, then a training sample of the results of brain diagnostics 2 is recorded, formed on the basis of parallel recording of electrophysiological signals received from an electroencephalogram performed using an electroencephalograph, and RSSI and CSI parameters of the state of the wireless communication channel received from Bluetooth devices installed in the right and left wireless earphones inserted into the patient's ears, for example, Apple AirPods wireless headphones.
- a smart devices such as a smartphone, smart watch, smart Wi
- the training of the machine learning model 3 is directly carried out, within the framework of which the machine learning model is trained first to diagnose the state of the cardiovascular system by training to compare the results of the patient's diagnosis based on the electrophysiological signals obtained from electrocardiography with the results of the registered RSSI and CSI parameters of the state of wireless communication channels, as a result of which the machine learning model is trained based on the results of the registered RSSI and CSI parameters of the state of wireless communication channels to diagnose the state of the cardiovascular system, and then to diagnose the state of the brain, to for example, nervous diseases, sleep disorders, by comparing the results of electrophysiological signals obtained from electrocardiography with the results of registered RSSI and CSI parameters of the state of the wireless communication channel, as a result of which the machine learning model is trained according to the registered RSSI and CSI parameters of the state of the wireless communication channel to diagnose the state of the brain.
- the state of the cardiovascular system and the brain 4 is diagnosed, at which the state of the cardiovascular system is diagnosed based on the registered RSSI and CSI parameters of the state of the wireless communication channels received from smart devices, such as a smartphone, smart watch, smart Wi-Fi router, as well as based on the registration of RSSI parameters of the state of the wireless communication channels received from the cellular repeater and the base station communication channel, and then the state of the brain is diagnosed based on the results of registering RSSI and CSI parameters of the state of the Bluetooth wireless communication channel.
- smart devices such as a smartphone, smart watch, smart Wi-Fi router
- the trained machine learning model at the stage of training the machine learning model 3 at the stage of diagnosing the state of the cardiovascular system and the brain 4 receives at the input registered parameters of the state of the wireless communication channels, according to which the trained machine learning model does not issue a result of diagnosing the state of the patient's cardiovascular system and the brain, then these registered parameters of the state of the wireless communication channels are fed to retrain the machine learning model 5.
- the technical result of the invention is a reduction in the invasiveness of diagnostics of pathologies of the cardiovascular system and the brain of patients while ensuring the required diagnostic accuracy, which is achieved due to the fact that recording training samples of the results of diagnostics of the state of the cardiovascular system and the brain, formed on the basis of recording electrophysiological signals, simultaneously received from electrocardiography and electroencephalogram, and the corresponding parameters of wireless communication channels, makes it possible to significantly improve the quality of training the machine learning model and, as a consequence, ensure the required accuracy of diagnostics of the state of the cardiovascular system and the brain, while such an approach to training the machine learning model and subsequently diagnostics of the state of the cardiovascular system and the brain, performed on the basis of the registered parameters of wireless communication channels, makes it possible to reduce invasiveness in diagnostics while ensuring the required diagnostic accuracy, as well as expand the possibilities of diagnostics using non-invasive methods, since the smart devices used to record the parameters of wireless communication channels can always be worn by patients. In addition, maintaining the required accuracy while adhering to approaches in non-invasive diagnostics is achieved by
- This example reflects the implementation of the claimed method.
- a group of patients aged 25 to 65 years was collected.
- training samples of the results of diagnostics of the state of the cardiovascular system and the brain were recorded, at first the patients were connected to an electrocardiograph and electrocardiography was recorded for five days, 10 electrocardiographs with a recording period of one hour each, as a result, 50 electrocardiographs were collected, which were analyzed and according to the obtained data (deviations of the main teeth: P, Q, R,
- patient Ivan, 39 years old was diagnosed with the following cardiovascular pathologies, namely:
- angina pectoris which was accompanied by changes in the terminal part of the ventricular QRS complex: depression of the S-T segment; various changes in the T wave, such as a decrease in amplitude, biphasicity, isoelectricity or negativity; focal nature of the indicated changes: recorded in one or two leads, since the observed hypoxia is local in nature, developing in the basin of a separate branch of the coronary artery;
- Tachycardia which was accompanied by an increase in heart rate, with the heart rhythm being 100-150 beats per minute, which was reflected by an increase in the automatism of the sinus node, a decrease in the R - R interval was also noted, since the T - P interval was shortened, the P - Q segment was shortened; the degree of increase in heart rate was directly proportional to the decrease in Q - T, an upward shift of the RS - T segment downward from the isoelectric line was observed.
- RSSI recorded parameters were the power indicators of incoming signals, interference and noise coming from base stations of cellular communication and repeaters, measured in dBm
- CSI recorded parameters were the parameters of the signal propagated from the transmitter to the receiver and reflecting scattering, fading and reduction in signal power, namely the parameters of instantaneous, statistical CSI.
- RSSI and CSI parameters of wireless Bluetooth communication channels were recorded, which were taken from Bluetooth devices inserted into the ears of wireless Apple AirPods headphones and recorded on a smartphone.
- a machine learning model namely a convolutional neural network
- the training sample consisting of data sets including ECG and EEG readings and the corresponding parameters of wireless communication channels
- the neural network was trained without retraining with a quality of 97% of correct diagnosis of the state of the cardiovascular system and brain based on the parameters of wireless communication channels used in the test sample, which was not involved in training, but was used to assess the quality of training of the convolutional neural network.
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Description
СПОСОБ НЕИНВАЗИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ СЕРДЕЧНОСОСУДИСТОЙ СИСТЕМЫ И ГОЛОВНОГО МОЗГА ПАЦИЕНТОВ METHOD OF NON-INVASIVE DIAGNOSTICS OF THE STATE OF THE CARDIOVASCULAR SYSTEM AND BRAIN OF PATIENTS
ОПИСАНИЕ DESCRIPTION
Изобретение относится к области медицины, а именно к способам неинвазивной диагностики состояния сердечно-сосудистой системы и головного мозга пациентов. The invention relates to the field of medicine, namely to methods of non-invasive diagnostics of the state of the cardiovascular system and brain of patients.
Из уровня техники известен СПОСОБ ОБУЧЕНИЯ СЕТИ ОБНАРУЖЕНИЯ АНОМАЛИЙ ЭЛЕКТРОКАРДИОГРАММЫ И СПОСОБ И УСТРОЙСТВО РАННЕГО ПРЕДУПРЕЖДЕНИЯ ОБ АНОМАЛИЯХ ЭЛЕКТРОКАРДИОГРАММЫ [CN112022144 (А), опубл. 04.12.2020], характеризуется тем, что включает следующие этапы: получение сигналов электрокардиограммы пациентов с аномальной электрокардиограммой и сигналов электрокардиограммы без аномалий, извлечение обучающих данных из полученных сигналов электрокардиограммы, обучение бинарной нейронной сети путем принятия обучающих данных и использования обученной бинарной нейронной сети в качестве сети обнаружения аномалий электрокардиографии, причем для каждого сетевого уровня в сети обнаружения аномалий электрокардиографии значения и веса узлов сетевого уровня являются двоичными данными, и выполняется двоичная операция на значениях и весах узлов сетевого уровня, чтобы получить значение узла следующего сетевого уровня. A METHOD FOR TRAINING AN ELECTROCARDIOGRAPHY ANOMALY DETECTION NETWORK AND A METHOD AND DEVICE FOR EARLY WARNING OF ELECTROCARDIOGRAPHY ANOMALIES are known in the prior art [CN112022144 (A), published 04.12.2020], characterized in that it includes the following steps: obtaining electrocardiogram signals of patients with an abnormal electrocardiogram and electrocardiogram signals without anomalies, extracting training data from the obtained electrocardiogram signals, training a binary neural network by accepting the training data and using the trained binary neural network as an electrocardiography anomaly detection network, wherein for each network layer in the electrocardiography anomaly detection network, the values and weights of the nodes of the network layer are binary data, and a binary operation is performed on the values and weights of the nodes of the network layer to obtain the value of a node of the next network layer.
Недостатками аналога являются: - в данном техническом решении для получения обучаемых данных используются инвазивные методы диагностирование, которые усложняют процедуры непрерывной диагностики состояния организма пацеинтов; The disadvantages of the analogue are: - this technical solution uses invasive diagnostic methods to obtain training data, which complicates the procedures for continuous diagnostics of the patient’s body condition;
- в данном техническом решении диагностика аномалий производится только по данным электрокардиограммы, что не дает достаточной точности проведения диагностики; - in this technical solution, diagnostics of anomalies is performed only based on electrocardiogram data, which does not provide sufficient diagnostic accuracy;
- отсутствует дообучение нейронной сети в случае выявления новых данных, которые были не учтены в обучающей выборке при обучении нейронной сети. - there is no additional training of the neural network in the event of detection of new data that were not taken into account in the training sample when training the neural network.
Наиболее близким по технической сущности является СПОСОБ И СИСТЕМА НЕИНВАЗИВНОЙ СКРИНИНГОВОЙ ОЦЕНКИ ФИЗИОЛОГИЧЕСКИХ ПАРАМЕТРОВ И ПАТОЛОГИЙ [RU2016146176A, опубл. 24.05.2018], включающий следующие шаги: формируют обучающую и тестовую выборки записей пациентов, имеющих заданную патологию или физиологические параметры, зависящие от сердечной деятельности пациентов, включающие записи о пациентах разного пола и возраста, причем каждая запись содержит, по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте; получают записи из обучающей выборки, причем для каждой записи производят обработку, по крайней мере, одного кардиологического отведения ЭКГ-сигнала, а также рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла; обучают искусственную нейронную сеть выявлению заданной патологии или физиологических параметров, используя записи обучающей и тестовой выборки, сопоставляя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациентах; сохраняют связи и веса обученной искусственной нейронной сети; получают по крайней мере, одно кардиологическое отведение ЭКГ-сигнала и информацию о пациенте; производят обработку полученного, по крайней мере, одного кардиологического отведения ЭКГ- сигнала, рассчитывают параметры вариабельности сердечного ритма и усредненного кардиоцикла; определяют физиологические параметры или наличие заданной патологии, при помощи обученной нейронной сети, используя параметры обработанного ЭКГ-сигнала, рассчитанные параметры вариабельности сердечного ритма и усредненного кардиоцикла, информацию о пациенте. The closest in technical essence is the METHOD AND SYSTEM FOR NON-INVASIVE SCREENING ASSESSMENT OF PHYSIOLOGICAL PARAMETERS AND PATHOLOGIES [RU2016146176A, published 05/24/2018], which includes the following steps: forming training and test samples of patient records with a given pathology or physiological parameters that depend on the cardiac activity of patients, including records of patients of different genders and ages, wherein each record contains at least one cardiac lead of the ECG signal and information about the patient; obtaining records from the training sample, wherein for each record at least one cardiac lead of the ECG signal is processed, and the parameters of heart rate variability and the average cardiac cycle are calculated; train an artificial neural network to detect a given pathology or physiological parameters using records of the training and test samples, comparing the parameters of the processed ECG signal, the calculated parameters of heart rate variability and the average cardiac cycle, and information about patients; save the connections and weights of the trained artificial neural network; obtain at least one cardiological ECG signal derivation and patient information; processing of at least one received cardiac ECG signal derivation, calculation of heart rate variability parameters and average cardiac cycle; determination of physiological parameters or presence of a given pathology, using a trained neural network, parameters of the processed ECG signal, calculated heart rate variability parameters and average cardiac cycle, patient information.
Основной проблемой прототипа является то, что в данном способе используются инвазивные методы получения обучающих данных, которые ограничивают возможности непрерывной диагностики состояния организма пациентов, обучение нейронной сети производится на обучающей выборке, составленной только по ЭКГ, что не позволяет более точно диагностировать патологии. Кроме того, в данном способе отсутствует возможность дообучения нейронной сети на новые данные, не учтенные при формировании обучающей выборки для обучения нейронной сети. Также стоит отметить, что применение нейронной сети, как одного из аппаратов машинного обучения, не всегда дает стабильный и точный результат диагностики патологий, что подтверждается ошибками первого и второго рода распознавания. The main problem with the prototype is that this method uses invasive methods of obtaining training data, which limit the possibilities of continuous diagnostics of the patient's body condition; the neural network is trained on a training sample compiled only from ECG, which does not allow for more accurate diagnostics of pathologies. In addition, this method does not provide the ability to further train the neural network on new data that was not taken into account when forming the training sample for training the neural network. It is also worth noting that the use of a neural network, as one of the machine learning devices, does not always provide a stable and accurate result of pathology diagnostics, which is confirmed by errors of the first and second type of recognition.
Задачей изобретения является устранение недостатков прототипа. The objective of the invention is to eliminate the shortcomings of the prototype.
Техническим результатом изобретения является снижение инвазивности диагностики патологий сердечно-сосудистой системы и головного мозга пациентов с обеспечением требуемой точности диагностики. Указанный технический результат достигается за счет того, что способ неинвазивной диагностики состояния сердечно-сосудистой системы и головного мозга пациентов характеризуется тем, что первоначально производят запись обучающей выборки результатов диагностики состояния сердечно-сосудистой системы, сформированной на основе регистрации электрофизиологических сигналов, параллельно получаемых с электрокардиографии и в результате регистрации параметров состояния беспроводных каналов связи, далее проводят запись обучающей выборки результатов диагностики головного мозга, сформированной на основе регистрации электрофизиологических сигналов, параллельно получаемых с электроэнцефалограммы и в результате регистрации параметров состояния беспроводных каналов связи, далее проводят обучение модели машинного обучения, в рамках которого осуществляют обучение модели машинного обучения вначале на диагностику состояния сердечно-сосудистой системы путем обучения на сопоставление результатов диагностики пациента по электрофизиологических сигналам, полученным с электрокардиографии, с результатами зарегистрированных параметров состояния беспроводных каналов связи, в результате чего модель машинного обучения обучается по результатам регистрируемых параметров состояния беспроводных каналов связи диагностировать состояние сердечно-сосудистой системы, а затем на диагностику состояния головного мозга по сопоставлению результатов диагностики пациента по электрофизиологических сигналам, полученным с электрокардиографии с результатами зарегистрированных параметров состояния беспроводных каналов связи, в результате чего модель машинного обучения обучается по зарегистрированным параметрам состояния беспроводных каналов связи диагностировать состояние головного мозга, затем с помощью обученной модели машинного обучения на этапе обучения модели машинного обучения производят диагностику состояния сердечнососудистой системы и головного мозга, на котором диагностируют состояние сердечно-сосудистой системы и головного мозга по регистрируемым параметрам состояния беспроводных каналов связи. The technical result of the invention is a reduction in the invasiveness of diagnostics of pathologies of the cardiovascular system and the brain of patients while ensuring the required diagnostic accuracy. The specified technical result is achieved due to the fact that the method for non-invasive diagnostics of the state of the cardiovascular system and the brain of patients is characterized by the fact that initially a training sample of the results of diagnostics of the state of the cardiovascular system is recorded, formed on the basis of recording electrophysiological signals, simultaneously received from electrocardiography and as a result of recording the state parameters of the wireless communication channels, then a training sample of the results of diagnostics of the brain is recorded, formed on the basis of recording electrophysiological signals, simultaneously received from the electroencephalogram and as a result of recording the state parameters of the wireless communication channels, then a machine learning model is trained, within the framework of which the machine learning model is trained first to diagnose the state of the cardiovascular system by training to compare the results of diagnostics of the patient based on electrophysiological signals obtained from electrocardiography with the results of the registered state parameters of the wireless communication channels, as a result of which the machine learning model is trained based on the results of the recorded state parameters of the wireless communication channels to diagnose the state of the cardiovascular system, and then to diagnose the state of the brain by comparing the results of diagnostics of the patient based on the electrophysiological signals received from electrocardiography with the results of the registered parameters of the state of wireless communication channels, as a result of which the machine learning model is trained according to the registered parameters of the state of wireless communication channels to diagnose the state of the brain, then, using the trained machine learning model, at the stage of training the machine learning model, diagnostics of the state of the cardiovascular system and the brain are performed, where the state of the cardiovascular system and the brain is diagnosed based on the recorded parameters of the state of the wireless communication channels.
В частности, для записи обучающей выборки результатов диагностики состояния сердечно-сосудистой системы проводят регистрацию RSSI и CSI параметров состояния беспроводных каналов связи. In particular, to record the training sample of the results of cardiovascular system diagnostics, the RSSI and CSI parameters of the wireless communication channels are recorded.
В частности, для записи обучающей выборки результатов диагностики состояния головного мозга проводят регистрацию RSSI и CSI параметров состояния беспроводного канала связи. In particular, to record the training sample of the results of the diagnosis of the state of the brain, the RSSI and CSI parameters of the state of the wireless communication channel are recorded.
В частности, если обученная модель машинного обучения на входе получает зарегистрированные параметры состояния беспроводных каналов связи, по которым обученная модель машинного обучения не выдает результат диагностики состояния сердечно-сосудистой системы и головного мозга пациента, то данные зарегистрированные параметры состояния беспроводных каналов связи подаются на переобучение модели машинного обучения. In particular, if the trained machine learning model receives registered parameters of the state of wireless communication channels at the input, according to which the trained machine learning model does not produce a result of diagnosing the state of the cardiovascular system and the patient's brain, then these registered parameters of the state of wireless communication channels are fed to retrain the machine learning model.
Осуществление изобретения. Implementation of the invention.
Способ регистрации электрофизиологических сигналов состояния сердечнососудистой системы и головного мозга пациентов характеризуется тем, что первоначально производят запись обучающей выборки результатов диагностики состояния сердечно-сосудистой системы 1, сформированной на основе параллельной регистрации электрофизиологических сигналов, получаемых с электрокардиографии, выполненной с использованием электрокардиографа, и получаемых в результате регистрации RSSI и CSI параметров состояния беспроводных каналов связи, получаемых со смарт- устройств, таких как смартфон, смарт-часы, смарт Wi-Fi роутер, а также RSSI параметров состояния беспроводных каналов связи, получаемых с репитера сотовой связи и канала связи базовой станции, далее проводят запись обучающей выборки результатов диагностики головного мозга 2, сформированной на основе параллельной регистрации электрофизиологических сигналов, получаемых с электроэнцефалограммы, выполненной с использованием электроэнцефалографа, и RSSI и CSI параметров состояния беспроводного канала связи, получаемых с Bluetooth- устройств, установленных в правый и левый беспроводной наушник, вставленных в уши пациента, например беспроводные наушники apple airpods. При этом при формировании обучающей выборки для обоих случаев учитываются различные сценарии поведения пациентов, разные состояния здоровья сердечно-сосудистой системы и головного мозга (без патологий, с различными патологиями), а также учитываются половой признак и возраст пациентов, в том числе для формирования обучающей выборки результатов диагностики состояния сердечно-сосудистой системы учитываются данные по состоянию сердечно-сосудистой системы плода в утробе матери и непосредственно самой беременной женщины. The method for recording electrophysiological signals of the state of the cardiovascular system and the brain of patients is characterized by the fact that initially a training sample of the results of diagnosing the state of the cardiovascular system 1 is recorded, formed on the basis of parallel recording of electrophysiological signals obtained from electrocardiography performed using an electrocardiograph, and obtained as a result of recording the RSSI and CSI parameters of the state of wireless communication channels received from a smart devices, such as a smartphone, smart watch, smart Wi-Fi router, as well as RSSI parameters of the state of wireless communication channels received from a cellular repeater and a base station communication channel, then a training sample of the results of brain diagnostics 2 is recorded, formed on the basis of parallel recording of electrophysiological signals received from an electroencephalogram performed using an electroencephalograph, and RSSI and CSI parameters of the state of the wireless communication channel received from Bluetooth devices installed in the right and left wireless earphones inserted into the patient's ears, for example, Apple AirPods wireless headphones. In this case, when forming a training sample for both cases, various scenarios of patient behavior, different health states of the cardiovascular system and brain (without pathologies, with various pathologies) are taken into account, and the gender and age of patients are also taken into account, including data on the state of the cardiovascular system of the fetus in the womb and the pregnant woman herself are taken into account when forming a training sample of the results of diagnosing the state of the cardiovascular system.
Далее непосредственно проводят обучение модели машинного обучения 3, в рамках которого осуществляют обучение модели машинного обучения вначале на диагностику состояния сердечно-сосудистой системы путем обучения на сопоставление результатов диагностики пациента по электрофизиологических сигналам, полученным с электрокардиографии, с результатами зарегистрированных RSSI и CSI параметров состояния беспроводных каналов связи, в результате чего модель машинного обучения обучается по результатам регистрируемых RSSI и CSI параметров состояния беспроводных каналов связи диагностировать состояние сердечнососудистой системы, а затем на диагностику состояния головного мозга, к примеру, нервных заболеваний, нарушений сна, по сопоставлению результатов по электрофизиологических сигналам, полученным с электрокардиографии, с результатами зарегистрированных RSSI и CSI параметров состояния беспроводного канала связи, в результате чего модель машинного обучения обучается по зарегистрированным RSSI и CSI параметрам состояния беспроводного канала связи диагностировать состояние головного мозга. Next, the training of the machine learning model 3 is directly carried out, within the framework of which the machine learning model is trained first to diagnose the state of the cardiovascular system by training to compare the results of the patient's diagnosis based on the electrophysiological signals obtained from electrocardiography with the results of the registered RSSI and CSI parameters of the state of wireless communication channels, as a result of which the machine learning model is trained based on the results of the registered RSSI and CSI parameters of the state of wireless communication channels to diagnose the state of the cardiovascular system, and then to diagnose the state of the brain, to for example, nervous diseases, sleep disorders, by comparing the results of electrophysiological signals obtained from electrocardiography with the results of registered RSSI and CSI parameters of the state of the wireless communication channel, as a result of which the machine learning model is trained according to the registered RSSI and CSI parameters of the state of the wireless communication channel to diagnose the state of the brain.
Затем с помощью обученной модели машинного обучения на этапе обучения модели машинного обучения 3 производят диагностику состояния сердечнососудистой системы и головного мозга 4, на котором диагностируют состояние сердечно-сосудистой системы по регистрируемым RSSI и CSI параметрам состояния беспроводных каналов связи, получаемых со смарт- устройств, таких как смартфон, смарт-часы, смарт Wi-Fi роутер, а также на основе регистрации RSSI параметров состояния беспроводных каналов связи, получаемых с репитера сотовой связи и канала связи базовой станции, а затем диагностируют состояние головного мозга по результатам регистрации RSSI и CSI параметров состояния беспроводного канала связи Bluetooth. Then, using the trained machine learning model, at the stage of training the machine learning model 3, the state of the cardiovascular system and the brain 4 is diagnosed, at which the state of the cardiovascular system is diagnosed based on the registered RSSI and CSI parameters of the state of the wireless communication channels received from smart devices, such as a smartphone, smart watch, smart Wi-Fi router, as well as based on the registration of RSSI parameters of the state of the wireless communication channels received from the cellular repeater and the base station communication channel, and then the state of the brain is diagnosed based on the results of registering RSSI and CSI parameters of the state of the Bluetooth wireless communication channel.
В случае, если обученная модель машинного обучения на этапе обучения модели машинного обучения 3 на этапе диагностики состояния сердечнососудистой системы и головного мозга 4 на входе получает зарегистрированные параметры состояния беспроводных каналов связи, по которым обученная модель машинного обучения не выдает результат диагностики состояния сердечно-сосудистой системы и головного мозга пациента, то данные зарегистрированные параметры состояния беспроводных каналов связи подаются на переобучение модели машинного обучения 5. Технический результат изобретения снижение инвазивности диагностики патологий сердечно-сосудистой системы и головного мозга пациентов с обеспечением требуемой точности диагностики достигается за счет того, что запись обучающих выборок результатов диагностики состояния сердечнососудистой системы и головного мозга, сформированной на основе регистрации электрофизиологических сигналов, параллельно получаемых с электрокардиографии и электроэнцефалограммы, и соответствующих параметров беспроводных каналов связи, позволяет существенно повысить качество обучение модели машинного обучения и, как следствие, обеспечение требуемой точности диагностики состояния сердечнососудистой системы и головного мозга, при этом такой подход к обучению модели машинного обучения и в впоследствии диагностики состояния сердечно-сосудистой системы и головного мозга, производящаяся на основе зарегистрированных параметров беспроводных каналов связи, позволяет снизить инвазивность при проведении диагностики при обеспечении требуемой точности диагностики, а также расширить возможности проведения диагностики неинвазивными методами, так как используемые для регистрации параметров беспроводных каналов связи смарт-устройства могут всегда быть надеты на пациентах. Кроме того, сохранение требуемой точности при соблюдении подходов в неинвазивной диагностике достигается за счет переобучения модели машинного обучения в случаях, когда в ходе диагностики регистрируются параметры беспроводных каналов связи, которые были не учтены при обучении модели машинного обучения. If the trained machine learning model at the stage of training the machine learning model 3 at the stage of diagnosing the state of the cardiovascular system and the brain 4 receives at the input registered parameters of the state of the wireless communication channels, according to which the trained machine learning model does not issue a result of diagnosing the state of the patient's cardiovascular system and the brain, then these registered parameters of the state of the wireless communication channels are fed to retrain the machine learning model 5. The technical result of the invention is a reduction in the invasiveness of diagnostics of pathologies of the cardiovascular system and the brain of patients while ensuring the required diagnostic accuracy, which is achieved due to the fact that recording training samples of the results of diagnostics of the state of the cardiovascular system and the brain, formed on the basis of recording electrophysiological signals, simultaneously received from electrocardiography and electroencephalogram, and the corresponding parameters of wireless communication channels, makes it possible to significantly improve the quality of training the machine learning model and, as a consequence, ensure the required accuracy of diagnostics of the state of the cardiovascular system and the brain, while such an approach to training the machine learning model and subsequently diagnostics of the state of the cardiovascular system and the brain, performed on the basis of the registered parameters of wireless communication channels, makes it possible to reduce invasiveness in diagnostics while ensuring the required diagnostic accuracy, as well as expand the possibilities of diagnostics using non-invasive methods, since the smart devices used to record the parameters of wireless communication channels can always be worn by patients. In addition, maintaining the required accuracy while adhering to approaches in non-invasive diagnostics is achieved by retraining the machine learning model in cases where, during diagnostics, parameters of wireless communication channels are recorded that were not taken into account when training the machine learning model.
Примеры достижения технического результата: Examples of achieving technical results:
У пациента Екатерины, 55 лет, на этапе регистрации RSSI и CSI параметров беспроводных каналов связи, получаемых со смарт-устройств, а именно со смартфона, смарт-часов, смарт Wi-Fi роутера, а также регистрации RSSI параметров состояния беспроводных каналов связи, получаемых с репитера сотовой связи и канала связи базовой станции, для диагностики состояния сердечно-сосудистой системы и RSSI и CSI параметров состояния беспроводного канала связи, получаемых с Bluetooth-устройств беспроводных наушников, вставленных в уши пациента, для диагностики состояния головного мозга с использованием обученной модели машинного обучения были выявлены следующие патологии сердечно-сосудистой системы, а именно миокардит, гипертония и патологии головного мозга, а именно развитие эпилептической болезни, невротические симптомы, проявляющиеся в панических атаках и нарушении сна. После выявления данных патологий сердечно-сосудистой системы и головного мозг, пациент был продиагностирован на основе анализа ЭКГ и ЭЭГ, в результате чего диагнозы были подтверждены с точностью 97%. Patient Ekaterina, 55 years old, at the stage of registering RSSI and CSI parameters of wireless communication channels received from smart devices, namely from a smartphone, smart watch, smart Wi-Fi router, as well as registering RSSI parameters of the state of wireless communication channels received from the cellular repeater and the base station communication channel, for diagnosing the state of the cardiovascular system and RSSI and CSI parameters of the state of the wireless communication channel received from Bluetooth devices of wireless headphones inserted into the patient's ears, for diagnosing the state of the brain using the trained machine learning model, the following pathologies of the cardiovascular system were identified, namely myocarditis, hypertension and pathologies of the brain, namely the development of epileptic disease, neurotic symptoms manifested in panic attacks and sleep disorders. After identifying these pathologies of the cardiovascular system and the brain, the patient was diagnosed based on the analysis of ECG and EEG, as a result of which the diagnoses were confirmed with an accuracy of 97%.
Пациент Елена, 32 года, на восьмом месяце беременности. На этапе регистрации RSSI и CSI параметров беспроводных каналов связи, получаемых со смарт Wi-Fi роутера, для диагностики состояния сердечно-сосудистой системы с использованием обученной модели машинного обучения у плода внутри беременной женщины были зарегистрированы параметры беспроводных каналов связи, по которым было диагностировано нормальное, без отклонений состояние сердечно-сосудистой системы. При этом у матери по зарегистрированным параметрам состояния беспроводных каналов связи была выявлена тахикардия. Разделение параметров беспроводных каналов связи, регистрируемых от внутриутробного плода и непосредственно беременной женщины, производится на основе учета особенностей их электрокардиограмм и параллельно регистрируемых при этом параметров беспроводных каналов связи, которые закладываются при обучении модели машинного обучения. После выявленные с помощью обученной модели машинного обучения состояния сердечно-сосудистой системы плода и беременной женщины были проверены на основе анализа ЭКГ плода и беременной женщины, в результате чего диагнозы были подтверждены с точностью 95%. Patient Elena, 32 years old, eight months pregnant. At the stage of registering the RSSI and CSI parameters of wireless communication channels received from a smart Wi-Fi router, for diagnosing the state of the cardiovascular system using a trained machine learning model, the parameters of wireless communication channels were registered in the fetus inside the pregnant woman, according to which a normal, without deviations, state of the cardiovascular system was diagnosed. At the same time, tachycardia was detected in the mother according to the registered parameters of the state of wireless communication channels. The separation of the parameters of wireless communication channels registered from the intrauterine fetus and the pregnant woman itself is made on the basis of taking into account the features of their electrocardiograms and the parameters of wireless communication channels registered in parallel, which are laid down during the training of the machine learning model. After identified using The trained machine learning model of the cardiovascular status of the fetus and pregnant woman were tested based on the analysis of the ECG of the fetus and pregnant woman, resulting in diagnoses confirmed with 95% accuracy.
Данный пример отражает реализацию заявляемого способа. Для этого была собрана группа пациентов в возрасте от 25 до 65 лет. С помощью данных пациентов производились записи обучающих выборок результатов диагностики состояния сердечно-сосудистой системы и головного мозга, вначале пациентов подключали к электрокардиографу и снимали электрокардиографию на протяжении пять дней по 10 электрокардиографий с периодом снятия каждой один час, в итоге было собрано 50 электрокардиографий, которые были проанализированы и по полученным данным (отклонениям основных зубцов: Р, Q, R,
1) гипертрофия отделов сердца, что сопровождалось увеличением времени внутреннего отклонения, поскольку в гипертрофированном миокарде возбуждение дольше распространяется на участке от эндокарда к эпикарду, возрастанием амплитуды зубца R, ишемией субэндокардиальных слоев сердца, обусловленная недостатком крови, притекающей по коронарным артериям, нарушением проводимости, отклонением электрической оси сердца в сторону гипертрофированного отдела, так как его масса возрастает из-за роста кардиомиоцитов, изменением электрической позиции сердца; смещением переходной зоны (V3), проявляющееся изменением соотношения зубцов R и S в третьем грудном отведении; 1) hypertrophy of the heart sections, which was accompanied by an increase in the time of internal deviation, since in the hypertrophied myocardium excitation spreads longer in the area from the endocardium to the epicardium, an increase in the amplitude of the R wave, ischemia of the subendocardial layers of the heart, caused by a lack of blood flowing through the coronary arteries, conduction disturbances, deviation of the electrical axis of the heart towards the hypertrophied section, since its mass increases due to the growth of cardiomyocytes, a change in the electrical position of the heart; displacement of the transition zone (V3), manifested by a change in the ratio of the R and S waves in the third chest lead;
2) стенокардия, что сопровождалось изменениями конечной части желудочкового комплекса QRS: депрессия сегмента S - Т; разнообразные изменения зубца Т, например, уменьшение амплитуды, двухфазность, изоэлектричность или негативность; очаговый характер указанных изменений: регистрировались в одном или двух отведениях, так как наблюдающаяся гипоксия носит локальный характер, развиваясь в бассейне отдельной ветви коронарной артерии; 2) angina pectoris, which was accompanied by changes in the terminal part of the ventricular QRS complex: depression of the S-T segment; various changes in the T wave, such as a decrease in amplitude, biphasicity, isoelectricity or negativity; focal nature of the indicated changes: recorded in one or two leads, since the observed hypoxia is local in nature, developing in the basin of a separate branch of the coronary artery;
3) Тахикардия, что сопровождалось повышением частоты сердечных сокращений, при этом ритм сердца составлял 100-150 ударов в минуту, что отражалось повышением автоматизма синусового узла, также отмечалось уменьшение промежутка R - R, поскольку укоротился интервал Т - Р, сократился отрезок Р - Q; степень учащения сердечного ритма была прямо пропорциональна уменьшению Q - Т, наблюдалось восходящее смещение сегмента RS - Т вниз от изоэлектрической линии. 3) Tachycardia, which was accompanied by an increase in heart rate, with the heart rhythm being 100-150 beats per minute, which was reflected by an increase in the automatism of the sinus node, a decrease in the R - R interval was also noted, since the T - P interval was shortened, the P - Q segment was shortened; the degree of increase in heart rate was directly proportional to the decrease in Q - T, an upward shift of the RS - T segment downward from the isoelectric line was observed.
Параллельно при снятии электрокардиографий регистрировались RSSI и CSI параметры беспроводных каналов связи, которые снимались со смарт- устройств, а именно пассивного Wi-fi роутера, смарт-часов и регистрировались на мобильный телефон: RSSI регистрируемыми параметрами были показатели мощности входящих сигналов, помехи и шумы, поступающих с базовых станций сотовой связи и репитеров, измеряемые в дБм, a CSI регистрируемыми параметрами были параметры сигнала, распространяемые от передатчика к приемнику и отражающие рассеяние, замирание и уменьшения мощности сигнала, а именно параметры мгновенной, статистической CSI. In parallel, when taking electrocardiographs, RSSI and CSI parameters of wireless communication channels were recorded, which were taken from smart devices, namely a passive Wi-Fi router, smart watches and recorded on a mobile phone: RSSI recorded parameters were the power indicators of incoming signals, interference and noise coming from base stations of cellular communication and repeaters, measured in dBm, and CSI recorded parameters were the parameters of the signal propagated from the transmitter to the receiver and reflecting scattering, fading and reduction in signal power, namely the parameters of instantaneous, statistical CSI.
Затем пациентов подключили к электроэнцефалографу и снимали электроэнцефалограмму на протяжении пять дней по 10 электроэнцефалограмм с периодом снятия каждой один час, в итоге было собрано 50 электроэнцефалограмм, которые были проанализированы и по полученным данным (частота, амплитуда, степень проявления и зональные различия, a-ритм, R-ритм, 0-колебания, б-активность, а именно их форма волн, модуляция, асимметрия, склонность к формированию вспышек) у пациента были диагностировано следующие патологии сердечно-сосудистой системы, а именно наличие очага парциальной эпилептиформной активности в лобновисочной области правого полушария, которые сопровождались следующими параметрами: a-ритм слабомодулирован, фрагментарный, неустойчив по частоте, с амплитудой до 50 мкВ, преобладанием в теменных отделах правого полушария; выраженный очаг б- и R-активности в правой лобно-височной области; 9-активность незначительно представлена в лобноцентральных отделах; пароксизмальная активность характеризовалась синхронными генерализованными разрядами комплекса острых и медленных волн; гипервентиляция вызывала незначительное усиление дезорганизации ЭЭГ. Then the patients were connected to an electroencephalograph and an electroencephalogram was recorded for five days, 10 electroencephalograms with a recording period of one hour each, as a result 50 electroencephalograms were collected, which were analyzed and based on the data obtained (frequency, amplitude, degree of manifestation and zonal differences, a-rhythm, R-rhythm, 0-oscillations, b-activity, namely their waveform, modulation, asymmetry, tendency to form flashes) the patient was diagnosed with the following pathologies of the cardiovascular system, namely the presence of a focus of partial epileptiform activity in the frontotemporal region of the right hemisphere, which were accompanied by the following parameters: a-rhythm is weakly modulated, fragmentary, unstable in frequency, with an amplitude of up to 50 μV, predominance in the parietal regions of the right hemisphere; a pronounced focus of b- and R-activity in the right frontotemporal region; 9-activity is slightly represented in the frontocentral regions; paroxysmal activity was characterized by synchronous generalized discharges of a complex of sharp and slow waves; hyperventilation caused a slight increase in EEG disorganization.
Параллельно при снятии электроэнцефалографий регистрировались RSSI и CSI параметры беспроводных каналов связи Bluetooth, которые снимались с Bluetooth-устройств вставленных в уши беспроводных наушников apple airpods и регистрировались на смартфон. In parallel, when recording electroencephalographs, RSSI and CSI parameters of wireless Bluetooth communication channels were recorded, which were taken from Bluetooth devices inserted into the ears of wireless Apple AirPods headphones and recorded on a smartphone.
На основе полученной обучающей выборки была проведено обучение модели машинного обучения, а именно сверточной нейронной сети. Для чего обучающая выборка, состоящая из наборов данных, включающих показания ЭКГ и ЭЭГ и соответствующих им параметрам беспроводных каналов связи, была разделана на обучающую - 50%, контрольную - 30% и тестовую 20%. В результате чего нейронная сеть обучилась без переобучения с качеством 97% правильного диагностирования диагнозов состояния сердечно-сосудистой системы и головного мозга по параметрам беспроводных каналов связи, используемые в тестовой выборке, которая не участвовала при обучении, а использовалась для оценки качества обучения сверточной нейронной сети. Based on the obtained training sample, a machine learning model, namely a convolutional neural network, was trained. For this purpose, the training sample, consisting of data sets including ECG and EEG readings and the corresponding parameters of wireless communication channels, was divided into training - 50%, control - 30% and test 20%. As a result, the neural network was trained without retraining with a quality of 97% of correct diagnosis of the state of the cardiovascular system and brain based on the parameters of wireless communication channels used in the test sample, which was not involved in training, but was used to assess the quality of training of the convolutional neural network.
Claims
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EA202392460 EA045741B1 (en) | 2023-09-29 | METHOD FOR NON-INVASIVE DIAGNOSTICS OF THE CONDITION OF THE CARDIOVASCULAR SYSTEM AND BRAIN OF PATIENTS | |
| EA202392460 | 2023-09-29 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2025071434A1 true WO2025071434A1 (en) | 2025-04-03 |
Family
ID=95201364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/RU2024/050101 Pending WO2025071434A1 (en) | 2023-09-29 | 2024-05-16 | Method for non-invasive diagnostic assessment of the cardiovascular system and brain of patients |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2025071434A1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130172691A1 (en) * | 2006-05-16 | 2013-07-04 | Bao Tran | Health monitoring appliance |
| US20140249429A1 (en) * | 2006-05-24 | 2014-09-04 | Bao Tran | Fitness monitoring |
| RU2016146176A (en) * | 2016-11-24 | 2018-05-24 | Александр Викторович Ежков | METHOD AND SYSTEM OF NON-INVASIVE SCREENING ASSESSMENT OF PHYSIOLOGICAL PARAMETERS AND PATHOLOGIES |
| US20210186329A1 (en) * | 2006-06-30 | 2021-06-24 | Koninklijke Philips N.V. | Mesh network personal emergency response appliance |
-
2024
- 2024-05-16 WO PCT/RU2024/050101 patent/WO2025071434A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130172691A1 (en) * | 2006-05-16 | 2013-07-04 | Bao Tran | Health monitoring appliance |
| US20140249429A1 (en) * | 2006-05-24 | 2014-09-04 | Bao Tran | Fitness monitoring |
| US20210186329A1 (en) * | 2006-06-30 | 2021-06-24 | Koninklijke Philips N.V. | Mesh network personal emergency response appliance |
| RU2016146176A (en) * | 2016-11-24 | 2018-05-24 | Александр Викторович Ежков | METHOD AND SYSTEM OF NON-INVASIVE SCREENING ASSESSMENT OF PHYSIOLOGICAL PARAMETERS AND PATHOLOGIES |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mhajna et al. | Wireless, remote solution for home fetal and maternal heart rate monitoring | |
| CN108309262A (en) | Multi-parameter monitoring data analysing method and multi-parameter monitor | |
| US20130102856A1 (en) | Non-invasive detection of fetal or maternal illness | |
| US20220175324A1 (en) | Computer-based prediction of fetal and maternal outcomes | |
| CN108577830A (en) | A kind of user oriented sign information dynamic monitor method and dynamic monitor system | |
| WO2016142793A1 (en) | Portable electronic device to process a signal acquired from a living body and method thereof | |
| WO2019100563A1 (en) | Method for assessing electrocardiogram signal quality | |
| Coccia et al. | Design and validation of an e-textile-based wearable system for remote health monitoring | |
| US20240315632A1 (en) | Predicting erroneous classifications of physiological parameter segments | |
| US11464458B2 (en) | System for evaluating the maturation of a premature baby | |
| CN114580477A (en) | A wearable dynamic respiration rate estimation system based on multi-time series fusion | |
| Marnani et al. | Advancements and challenges in non-invasive electrocardiography for prenatal, intrapartum, and postnatal care: A comprehensive review | |
| KR102547511B1 (en) | Dementia prediction method based on machine learning | |
| JP2024532285A (en) | Method and system for engineering cardiac waveform features from biophysical signals for use in characterizing physiological systems - Patents.com | |
| WO2025071434A1 (en) | Method for non-invasive diagnostic assessment of the cardiovascular system and brain of patients | |
| US20230165506A1 (en) | Apparatus for non-invasive acquisition of maternal and/or fetal physiological signals | |
| RU2248745C1 (en) | Method and device for studying functional state of brain | |
| EA045741B1 (en) | METHOD FOR NON-INVASIVE DIAGNOSTICS OF THE CONDITION OF THE CARDIOVASCULAR SYSTEM AND BRAIN OF PATIENTS | |
| US20230200746A1 (en) | System for acquisition and analysis of maternal and/or fetal physiological signals | |
| KR102743454B1 (en) | A Method and Apparatus for Parkinson's Disease Prediction based on Multi-modal AI Using Polysomnography Records | |
| US12023165B2 (en) | Screening cardiac conditions using cardiac vibrational energy spectral heat maps | |
| WO2016055129A1 (en) | Device and method for the evaluation of neurodegenerative disorders | |
| Eenkhoorn et al. | Evaluation and patient experience of wireless noninvasive fetal heart rate monitoring devices | |
| CN116138787A (en) | A method for obtaining fetal electrocardiogram for non-diagnostic purposes | |
| Bhalla | Electrocardiogram (ECG) outline exploration and classification through the range of CWT (cross wavelet transform) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 24873113 Country of ref document: EP Kind code of ref document: A1 |