CN110024043A

CN110024043A - 错误警报检测

Info

Publication number: CN110024043A
Application number: CN201780073762.6A
Authority: CN
Inventors: C·M·斯威舍; P·拉斯; C·C·A·M·范宗
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2016-11-29
Filing date: 2017-11-21
Publication date: 2019-07-16
Also published as: EP3549140A1; JP7057356B2; WO2018099767A1; JP2020513614A; US20190325332A1; JP7057356B6; US11537920B2

Abstract

用于检测错误警报的方法和系统。在本文中描述的方法和系统可以使用接口接收与警报信号相关联的数据，从接收到的数据中提取至少一个伪迹特征，并且然后基于提取的伪迹特征来将对至少一个警报信号的分类接收为真阳性或假阳性。所述分类器可以被配置为执行决策树的集合。

Description

错误警报检测

相关申请的交叉引用

本申请要求2016年11月29日提交的美国临时申请No.62/427220的优先权和权益，在此通过引用将其全部内容并入本文。

技术领域

本文描述的实施例总体涉及用于分析与警报相关联的数据的系统和方法，并且更具体地但非排他地，涉及用于分析数据以检测错误警报的系统和方法。

背景技术

诸如医院等的医学机构操作几种类型的设备以监测其患者的健康。如果设备检测到潜在的异常或要关注的原因，设备可能会发出警报。然后，医务人员可以执行任何所需的步骤来处置患者。

然而，医学设备执行具有高灵敏度的各种算法。这可能导致每患者每天多达数百个警报，特别是在诸如ICU和ED的临床单元中。

其中许多警报在临床上不相关的或者是假阳性警。事实上，加利福尼亚大学旧金山分校的一项研究报告称，仅仅一个月就会触发250万次警报，其中近89％是错误的。

这些错误警报导致患者安全性和员工满意度降低。具体而言，大量警报可能导致临床医师变得不敏感、不堪重负或对警报声免疫。例如，临床医师可以降低警报音量、关闭警报、调整设备设置、甚至完全忽略活动警报。临床医师可能会采取这些行动，即使警报是对应于临床上重要且可能危及生命的事件的真阳性。

这些行动可能会产生严重或致命的后果。因此，错误警报实际上会降低患者的安全性，并被认为是与技术相关的健康危害。

至少，持续警报会给患者和临床医师带来压力。持续不断的声音可能导致睡眠不足和谵妄。此外，过多的警报还会导致医学机构不断中断工作流程。

因此，存在对用于至少检测错误警报的系统和方法的需要。

发明内容

提供本发明内容以用简化形式介绍一些概念，这些概念将在下面的具体实施例部分进一步描述。本发明内容并非旨在识别或排除要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定要求保护的主题的范围。

在一个方面中，实施例涉及一种用于检测错误警报的方法。所述方法包括：使用接口来接收与警报信号相关联的数据；使用特征提取模块来从接收到的数据中提取至少一个伪迹特征；并且，使用分类器，基于所提取的所述至少一个伪迹特征，来将对所述警报信号的分类接收为真阳性或假阳性。

在一些实施例中，所述分类器是执行多个集合树(ensemble tree)的集合树分类器。

在一些实施例中，所述方法还包括在接收到假阳性的分类时使用评分模块将分数分配给所提取的所述至少一个伪迹特征。在一些实施例中，分配分数包括识别每个集合树的贡献于假阳性分类的所有节点。在一些实施例中，所述方法还包括对来自每棵树的所有特征的分数进行求和，以及识别具有超过阈值的分数的至少一个特征。

在一些实施例中，所提取的至少一个伪迹特征选自包括以下项的组：步长，高频率的标准偏差，基线漂移，警报负荷，心率，电外科装备伪迹，运动伪迹，呼吸伪迹，EMG信号，平坦线，峰度，偏度和基线的相对功率。

在一些实施例中，所述方法还包括在接收到假阳性的分类时抑制警报信号。

在一些实施例中，接收到的数据与患者相关并且从患者监测设备接收。在一些实施例中，接收到的数据包括EKG数据。在一些实施例中，所述方法还包括使用所述接口来输出总结至少一个警报信号的分类的报告。在一些实施例中，输出所述报告包括输出针对所述至少一个警报信号的分类的至少一个原因。

根据另一方面，各实施例涉及一种用于检测错误警报的系统。所述系统包括：接口，其被配置为接收与警报信号相关联的数据；存储器；处理器，其执行存储在所述存储器中的指令以提供：特征提取模块，其被配置为从接收到的数据中提取至少一个伪迹特征；以及分类器，其被配置为基于所提取的所述至少一个伪迹特征来将警报信号的分类接收为真阳性或假阳性。

在一些实施例中，所述分类器是执行多个集合树的集合树分类器。

在一些实施例中，所述系统还包括评分模块，所述评分模块被配置为在接收到假阳性的分类时将分数分配给所提取的所述至少一个伪迹特征。在一些实施例中，评分模块通过识别每个集合树的贡献于假阳性分类的所有节点来分配分数。在一些实施例中，所述分类器被配置为对来自每棵树的所有特征的分数进行求和，并且识别具有超过阈值的分数的至少一个特征。

在一些实施例中，所述处理器还被配置为在接收到假阳性的分类时抑制所述警报信号。

在一些实施例中，接收到的数据与患者有关。

根据又一方面，各实施例涉及一种包含用于检测错误警报的计算机可执行指令的计算机可读介质。所述介质包括：用于使用接口来接收与警报信号相关联的数据的计算机可执行指令；用于使用特征提取模块来从接收到的数据中提取至少一个伪迹特征的计算机可执行指令；以及用于使用分类器来基于所提取的所述至少一个伪迹特征将所述警报信号的分类接收为真阳性或假阳性的计算机可执行指令。

附图说明

参考以下附图描述本发明的非限制性和非穷举性实施例，其中，除非另有说明，否则相同的附图标记在各个视图中指代相同的部件。

图1图示了根据一个实施例的用于检测错误警报的系统；

图2图示了根据一个实施例的图1的部件的示例性工作流程；

图3图示了根据一个实施例的图1的系统提取伪迹特征；

图4图示了根据一个实施例的示出高频率和基线漂移伪迹特征的曲线图；

图5图示了根据一个实施例的示出差的增益选择的曲线图；

图6图示了根据一个实施例的示出运动伪迹的曲线图；

图7图示了根据一个实施例的由图1的分类器执行的多个决策树的集合；

图8图示了根据一个实施例的分析伪迹特征的示例性决策树；

图9图示了根据一个实施例的决策树的遍历；

图10图示了根据另一实施例的决策树的遍历；

图11图示了根据一个实施例的图9的决策树的反向映射；

图12描绘了根据一个实施例的显示在ICU单元中引起假阳性的频繁特征的计数的柱状图；

图13图示了根据一个实施例的示出各种伪迹和伪迹解决方案的表格；

图14描绘了根据一个实施例的用于检测错误警报的方法的流程图；

图15描绘了根据一个实施例的图1的集合树分类器的接收器操作特性(ROC)曲线；并且

图16描绘了根据一个实施例的混淆矩阵。

具体实施方式

以下参考附图更详细地描述了各种实施例，附图形成实施例的一部分，并且示出了具体的示例性实施例。然而，本公开的概念可以以许多不同的形式实现，并且不应该被解释为限于本文中阐述的实施例；相反，这些实施例是作为全面和完整公开的一部分提供的，以向本领域技术人员充分传达本公开的概念、技术和实现的范围。各实施例可以被实践为方法、系统或设备。因此，实施例可以采取硬件实现方式、完全软件实现方式或组合了软件和硬件方面的实现方式的形式。因此，以下详细描述不应被认为是限制性的。

说明书中对“一个实施例”或“实施例”的引用意味着结合所述实施例描述的特定特征、结构或特性被包括在根据本公开的至少一个范例实现方式中。在说明书中的各位置，短语“在一个实施例中”的出现不一定都指代相同的实施例。

以下说明的一些部关于存储在计算机存储器中的非瞬态信号的操作的符号表示来呈现。这些描述和表示是数据处理领域的技术人员用来最有效地将其工作的本质传达给本领域其他技术人员。这样的操作通常需要对物理量的物理操作。通常，但是不一定，这些量采取能够被存储、传输、组合、比较和以其他方式操纵的电、磁或光学信号的形式。有时，主要是出于通常使用的原因，将这些信号称为比特、值、元素、符号、字符、术语、数字等。此外，有时方便起见，也将需要对物理量的物理操纵的步骤的特定布置称为模块或代码设备，而不失一般性。

然而，所有这些和类似的术语都将与适当的物理量相关联，并且仅仅是应用于这些量的便利标签。除非根据以下讨论显而易见另行专门陈述，应该理解，在贯穿本说明，使用诸如“处理”或“运算”或“计算”或“确定”或“显示”等术语的讨论是指计算机系统或类似电子计算设备的动作和过程，其对表示为计算机系统存储器或寄存器或其他此类信息存储、传输或显示设备内的物理(电子)量的数据进行操纵和变换。本公开的部分包括可以以软件、固件或硬件实现的过程和指令，并且当以软件实现时，可以将其下载以驻留在各种操作系统所使用的不同平台上并由其操作。

本公开还涉及一种用于执行本文中的操作的装置。该装置可以针对期望的目的而特别构造，或者其可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可以存储在计算机可读存储介质中，诸如但不限于任何类型的盘、包括软盘、光盘、CD-ROM、磁光盘、只读存储器(ROM)随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡、专用集成电路(ASIC)、或适用于存储电子指令的任何类型的介质，并且每个都可以被耦合到计算机系统总线。此外，说明书中所指的计算机可以包括单个处理器，或者可以是采用多个处理器设计以提高计算能力的架构。

本文提出的过程和显示并不固有地与任何特定的计算机或其他装置相关。各种通用系统也可以根据本文的教导的程序一起使用，或者构造更专用的装置来执行一个或多个方法步骤可以证明是方便的。在下面的描述中讨论了针对各种这样的系统的结构。另外，可以使用足以实现本公开的技术和实现方式的任何特定编程语言。可以使用各种编程语言来实现如本文中所讨论的本公开。

此外，说明书中使用的语言主要是为了可读性和指导性目的而选择的，并且可能没有被选择来描绘或限定本公开的主题。因此，本公开旨在说明而非限制本文中所讨论的概念的范围。

本文描述的系统和方法的各种实施例的特征公开了用于从信号中识别和报告关于特征的统计的新技术，所述信号指示最终导致错误警报的可预防的非生理事件。假阳性警的可能原因可能包括，例如，运动伪迹，患者不适，电缆故障，来自患者的引线，电极放置不良以及高的增益设置。在本文中描述的系统和方法不仅检测错误警报及其相应的(一个或多个)根本原因，而且还建议防止或至少减少所述(一个或多个)根本原因的动作。具体地，在本文中描述的各种实施例的特征在训练的集合树分类器上使用反向映射方法来识别错误警报的(一个或多个)根本原因。

图1图示了根据一个实施例的用于检测错误警报的系统100。系统100包括经由一个或多个系统总线110互连的处理器120、存储器130、用户接口140、网络接口150和存储设备160。应该理解，在一些方面中，图1构成抽象，并且系统100的实际组织及其部件可以与所示的不同。

处理器120可以是能够执行存储在存储器130上，存储设备160上或者能够处理数据的指令的任何硬件设备。这样，处理器120可以包括微处理器、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其他类似设备。

存储器130可以包括各种存储器，例如L1、L2或L3高速缓存或系统存储器。这样，存储器130可以包括静态随机存取存储器(SRAM)、动态RAM(DRAM)、闪存、只读存储器(ROM)或其他类似的存储器设备和配置。

用户接口140可以包括用于实现与用户的通信的一个或多个设备。例如，用户接口140可以包括用于接收用户命令的显示器、鼠标和键盘。在一些实施例中，用户接口140可以包括命令行接口或图形用户接口，其可以经由网络接口150呈现给远程终端。用户接口140可以在诸如PC、膝上型电脑、平板电脑、移动设备等的用户设备上执行。

网络接口150可以包括用于实现与其他硬件设备的通信的一个或多个设备。例如，网络接口150可以包括被配置为根据以太网协议进行通信的网络接口卡(NIC)。另外，网络接口150可以根据TCP/IP协议实现用于通信的TCP/IP栈。用于网络接口150的各种替代或附加硬件或配置将是显而易见的。

网络接口150可以与一个或多个医学设备(例如，患者监测设备)可操作地通信。这些患者监测设备可以至少基本上实时地收集与患者有关的数据，并将患者数据传送到系统100。

存储器160可以包括一个或多个机器可读存储介质，诸如只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质，光存储介质，闪存设备或类似的存储介质。在各种实施例中，存储设备160可以存储用于由处理器120执行的指令或者处理器120可以操作的数据。

例如，存储器160可以包括数据采集模块162，特征提取模块163，执行多个决策树165的分类器164，以及评分模块166。处理器120可以执行存储在存储器130上的指令以提供这些部件中的每一个以执行本文描述的实施例的各种特征。然而，应注意，由各种模块执行的任务是处理功能，并且因此，各种模块可以配置有处理器120或者作为处理器120的一部分。

图2示出了根据一个实施例的图1的各种部件的示例性工作流程200。首先，各种患者监测设备202可以收集关于特定患者的数据。这些患者监测设备可以被配置为收集患者数据，例如心率，温度，SpO₂，EKG数据，EMG数据，生命体征数据等。所考虑的数据类型(以及用于收集数据的设备类型)可以变化，只要可以实现本文描述的各种实施例的特征即可。

一个或多个显示器204可以以易于阅读的格式呈现所收集的数据。例如，显示器204可以以图形方式将数据呈现为波形。如在图2中可见，捕获的数据和警报实例(例如，当生成警报时)可以被传送到图1中的存储器160的各个模块。

首先，数据采集模块162可以通过例如中心站或聚合模块204聚合所有数据，并采集数据的快照。在一些实施例中，数据采集模块162可以提取对应于患者健康的特定方面的波形段。例如，该波形段可包括患者的EKG和/或EMG信号的一个或多个快照。

可以将聚合数据传送到特征提取模块163。提取的特征当然可以变化，并且可以取决于所收集的数据的类型。例如，由特征提取模块163提取的特征可以包括以下中的任何一个或多个：

步长——这是指模数转换器(ADC)的分辨率。较大的步长会导致将步进引入EKG或EMG波形的步骤，这反过来意味着较差的增益设置；

高频率的标准差-这指示频谱与均值的偏差；

基线漂移——此特征给出对信号从其基线的漂移的估计；

警报负载——此特征指示是否在先前警报的预定时间段(例如，一小时)内触发了相同类型的警报(例如，心搏停止/V——fib/..)；

心率——计算患者的心率；

电外科设备伪迹——指示EKG波形中存在高频率扰动。这种扰动可能是由患者附近的电外科设备引起的；

运动伪迹——其是指由患者运动引起的EKG波形中的扰动；

呼吸伪迹——这指示由于患者呼吸引起的EKG基线的扰动；

EMG信号的无信号百分比——这指示没有高频率EMG噪声的信号频率成分的百分比；

平坦线——这指示信号的引线不活动。这可能是由于电极放置不良和/或导线从患者身上脱落；

峰度——这指示与搏动检测的性能正相关；

偏斜——这指示与真实警报的可能性正相关；以及

基线的相对功率——这给出了对由基线漂移主导的信号内容的指示。

由特征提取模块163提取的上述类型的特征仅仅是示例性的。预期可以提取其他类型的特征，并且可以取决于由各种患者监测设备202收集的数据的类型。

例如，图3图示了系统100、提取的数据302和提取的特征304-310。这些特征包括AC干扰304、躯体震颤306、不规则基线308和漂移的基线310。

图4、5和6分别图示了从EKG数据获得的其他类型的示例性特征的图400、500和600。具体地，曲线图400示出了高频率率和基线漂移，其提供了对来自其基线的信号的漂移的估计。曲线图500示出了差的增益选择，并且曲线图600示出了运动伪迹(例如，由疼痛引起的患者运动引起)。

一旦提取了适当的伪迹特征，就可以将它们传送到分类器164。分类器164可以预先在专家注释的真阳性(TP)和假阳性(FP)警报上训练。具体地，分类器164可以是执行多个决策树165的袋装集合树分类器。例如，图7示出了多个决策树t₁...t_T的集合700，其中T是集合700中的决策树的数量。

可以使用训练数据的随机子集来构建每个决策树。例如，图8示出了示例性决策树G₁(x)，G₂(x)...G_m(x)，其中，m是集合中的树的数量。每个树可以使用特征802(图8中的EKG测试波形)构建，并且可以包括多个节点804，其充当关于特征802的一些特性的滤波器或分类器。

因此，分类器164执行每个决策树165，以根据一个或多个标准分析每个提取的特征。例如，如在图8中可见，树G₁(x)的节点806询问基线漂移值是否大于某个预定阈值。如果基线漂移值大于阈值，则树G₁(x)可以确定或至少提出这是错误警报。如果基线漂移值不大于阈值，则树G₁(x)可以确定或至少提出这是真实警报。

图9图示了根据一个实施例的决策树900的遍历。首先，由患者监测设备发出警报902(例如，警报信号)。其次，数据采集模块162可以在步骤904中获得引起警报信号的数据的快照(例如，波形段)。然后，特征提取模块163可以在步骤906中从数据中提取一个或多个特征。例如，提取的特征可以涉及波形。

然后，所收集的数据和提取的特征可以遍历决策树900。遍历的路径由深色节点908和箭头910指示。取决于所遍历的节点，决策树900可以建议该特定警报信号是错误警报。基于遍历的节点，分类器164还可以建议假阳性的原因。例如，决策树900对假阳性的分类可能伴随着这种假阳性警是由不良电极接触引起的消息。

图10示出了另一个决策树1000的遍历。步骤1002、1004和1006分别类似于图9的步骤902、904和906，并且这里不再重复。分析的数据和/或提取的特征可以与图9的不同。如在图10中可见，遍历决策树1000的特定节点，其指示该警报信号是真实警报。

可以由分类器164分析所有树的输出。例如，分类器164可以注意到集合中有多少树投票认为特定信号与错误警报相关联。如果建议错误警报的树的数量高于预定阈值，则分类器164可以确定该信号是假阳性。

然后，评分模块166可以对被分类为假阳性的警报的特征进行评分。对于每个树，评分模块166可以识别贡献于警报的所有相关节点是假阳性(例如，图9的深色节点908)。

图11图示了图9中的决策树900。如前所述，该决策树900投票通知特定警报是错误警报。如在图11中可见，树900被“反向映射”以识别导致警报为假阳性的每个节点。该反向映射由箭头1102指示。

评分模块166可以分析每个树以获得针对单个警报的所有特征的总和。换句话说，评分模块166可以计算特定特征对错误警报分类的贡献次数。然后，分类器164可以将每个特征的分数与阈值进行比较。如果特定特征对错误警报投票的贡献的次数大于阈值，则可以通知临床医师该特征是错误警报的常见原因并且临床医师应该采取一些补救措施。

反向映射可以应用于数据库中的每个警报，以识别医学机构可以采取的用于减少假阳性警的最重要的动作。再次参考图2，系统100然后可以输出总结所收集的关于错误警报及其原因的统计结果206的报告。这些统计结果可能对医院(或其他类型的医学机构)以及各种机构的研发(R&D)部门有所帮助。

报告可以通过各种方式汇总统计数据。例如，图2呈现了条形图208和210，其示出了关于在各个医学机构单元中引起错误警报的特征的统计结果。作为另一个示例，图12描绘了柱状图1200，其示出了在ICU单元中引起假阳性的最常见特征的计数。

所生成的(一个或多个)报告还可以包括关于如何防止或以其他方式减轻特定特征伪迹引起错误警报的建议。图13图示了表1300，其示出了用于防止每个伪迹的各种伪迹和可能的解决方案。这些类型的报告可以经由诸如PC、膝上型电脑、平板电脑、移动设备等的用户设备呈现给临床医师。

除了向临床医师输出关于错误警报(及其原因)的数据之外，本文描述的各种实施例的系统和方法可以将该信息输出到各种机构的R&D部门。例如，设计或制造患者监测设备的公司可以利用这种类型的知识来改进他们的产品。

图14描绘了根据一个实施例的用于检测错误警报的方法的流程图1400。步骤1402涉及使用接口接收与警报信号相关联的数据。该数据可以与患者有关并且可以从一个或多个患者监测设备接收。

步骤1404涉及使用特征提取模块从接收的数据中提取至少一个伪迹特征。特征提取模块可以类似于图1的特征提取模块163。

提取的伪迹特征可以包括例如步长，高频率的标准偏差，基线漂移，警报负荷，EKG数据，心率，电外科设备伪迹，运动伪迹，呼吸伪迹，EMG信号，平坦的线，峰度，偏度和基线的相对功率中的任何一个或多个。

步骤1406涉及使用分类器，基于所提取的所述至少一个伪迹特征，来将警报信号的分类接收为真阳性或假阳性。分类器可以类似于图1的分类器164并且执行多个决策树。例如，这些决策树可以类似于图7-10的决策树，可以相对于一个或多个标准分析提取的伪迹特征，以将警报分类为假阳性或假阴性。

步骤1408涉及使用接口来输出总结至少一个警报信号的分类的报告。该报告可以帮助临床医师改善患者护理和/或可以帮助R&D部门改进患者监护设备。

步骤1410涉及在接收到假阳性的分类时抑制警报信号。虽然本文描述的各种实施例的特征涉及分析分类数据以改善患者监测设备和/或在发出警报之后改善患者治疗，但是它们还可以实时抑制警报。因此，患者和临床医师不会受到过度警报的困扰。

可以通过增加树的数量来提高系统100的准确度。例如，图15示出了接收器操作特性(ROC)曲线1500，其示出了对错误警报和真实警报进行分类的集合树的性能(例如，当树的数量n＝90时)。ROC曲线1500绘制特异性，其也称为真阳性率vs(1-特异性)，其中“特异性”是真实的阴性率。曲线下面积(AUC)为0.94。

理想的ROC曲线将具有坐标(0,1)的点，其将表示没有假阴性且没有假阳性(即，完美分类)的分类器性能。然而，曲线1500示出了从训练的分类器164获得的有利结果(例如，超过6602个训练样本和1651个测试样本)。例如，点1502对应于84.12％的敏感率和93％的(1-特异性率)。

图16示出了混淆矩阵1600，其示出了在1651测试样本上训练的分类器的结果。框1602表示1651个测试样本中的真阳性数612。框1604表示1651个测试样本中的假阳性数60。框1606表示1651个测试样本中的假阴性数130，并且框1608表示真阴性数849。每个框还包括相对于整个测试集的百分比。

框1610表示真阳性率或灵敏度。该值是通过将真阳性的总和除以条件阳性的数量而获得的。亦即：

框1610还表示假阴性率(即，1-82.5％＝17.5％)。

框1612表示假阳性率。该值是通过将假阳性的总和除以条件阴性的总和而获得的。亦即：

框1612还表示真阴性率(即，1-6.6％＝93.4％)。

框1614表示阳性预测值。该值是通过将真阳性的总和除以预测的条件阳性的总和而获得的。亦即：

框1614还表示错误发现率(即，1-91.1％＝8.9％)。

框1616表示错误遗漏率。该值是通过将假阴性的总和除以预测的条件阴性的总和而获得的。亦即：

框1616还表示阴性预测值(即，1-13.3％＝86.7)。

最后，框1618表示阴性似然比，其等于真阳性率除以真阴性率。亦即：

框1618还表示阴性似然比(即，1-88％～12％)。

上面讨论的方法、系统和设备是示例。各种配置可以适当地省略、替换或添加各种过程或部件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，并且可以添加、省略或组合各种步骤。而且，关于某些配置描述的特征可以以各种其他配置组合。可以以类似的方式组合配置的不同方面和元素。此外，技术在发展，因此，许多元素是示例，并且不限制本公开或权利要求的范围。

上面参照根据本公开的实施例的方法、系统和计算机程序产品的框图和/或操作说明来描述了本公开的实施例。方框中记载的功能/动作可能按照不同于任何流程图中所示的顺序发生。例如，取决于所涉及的功能/动作，相继地示出的两个块实际上可以基本上同时执行，或者块有时可以以相反的顺序执行。额外地或者替代地，并不是任何流程图中示出的所有块都需要执行和/或运行。例如，如果给定的流程图具有包含功能/动作的五个块，则可能的情况是，仅执行和/或运行五个块中的三个块。在该范例中，可以执行和/运执行五个块中的任意三个。

值超过(或大于)第一阈值的陈述等同于该值满足或超过略大于第一阈值的第二阈值的陈述，例如，第二阈值是一个值高于相关系统分辨率中的第一个阈值。值小于第一阈值(或在其之内)的陈述等同于该值小于或等于略低于第一阈值的第二阈值的陈述，例如，第二阈值是相关系统分辨率中低于第一阈值的一个值。

在说明书中提出了具体细节以提供对示例配置(包括实现方式)的透彻理解。然而，可以在没有这些具体细节的情况下实践配置。例如，已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节，以避免使配置模糊。本说明仅提供示例配置，并且不限制权利要求的范围、适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的实现的描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。

已经描述了若干示例配置，可以使用各种修改、替代构造和等同物而不脱离本公开的精神。例如，上述元素可以是更大系统的部件，其中，其他规则可以优先于或以其他方式修改本公开的各种实现或技术的应用。而且，可以在考虑上述元件之前、期间或之后进行许多步骤。

已经提供了本申请的描述和说明，本领域技术人员可以设想到落入本申请中所讨论的总体发明概念中的变型、修改和替代实施例，其不脱离权利要求的范围。

Claims

1.一种用于检测错误警报的方法，所述方法包括：

使用接口来接收与警报信号相关联的数据；

使用特征提取模块来从接收到的数据中提取至少一个伪迹特征；以及

使用分类器，基于所提取的所述至少一个伪迹特征，来将对所述警报信号的分类接收为真阳性或假阳性。

2.根据权利要求1所述的方法，其中，所述分类器是执行多个集合树的集合树分类器。

3.根据权利要求1所述的方法，还包括：在接收到假阳性的分类时使用评分模块将分数分配给所提取的所述至少一个伪迹特征。

4.根据权利要求3所述的方法，其中，分配所述分数包括识别每个集合树的贡献于假阳性的分类的所有节点。

5.根据权利要求4所述的方法，还包括：对来自每个树的所有特征的分数进行求和，以及识别具有超过阈值的分数的至少一个特征。

6.根据权利要求1所述的方法，其中，所提取的至少一个伪迹特征选自包括以下项的组：步长，高频率的标准偏差，基线漂移，警报负荷，心率，电外科装备伪迹，运动伪迹，呼吸伪迹，EMG信号，平坦线，峰度，偏度和基线的相对功率。

7.根据权利要求1所述的方法，还包括在接收到假阳性的分类时抑制所述警报信号。

8.根据权利要求1所述的方法，其中，所述接收到的数据与患者相关并且是从患者监测设备接收的。

9.根据权利要求8所述的方法，其中，所述接收到的数据包括EKG数据。

10.根据权利要求8所述的方法，还包括使用所述接口来输出总结至少一个警报信号的分类的报告。

11.根据权利要求10所述的方法，其中，输出所述报告包括输出针对所述至少一个警报信号的分类的至少一个原因。

12.一种用于检测错误警报的系统，所述系统包括：

接口，其被配置为接收与警报信号相关联的数据；

存储器；

处理器，其执行存储在所述存储器上的指令以提供：

特征提取模块，其被配置为从接收到的数据中提取至少一个伪迹特征；以及

分类器，其被配置为基于所提取的所述至少一个伪迹特征来将对所述警报信号的分类提供为真阳性或假阳性。

13.根据权利要求12所述的系统，其中，所述分类器是执行多个集合树的集合树分类器。

14.根据权利要求12所述的系统，还包括评分模块，所述评分模块被配置为在接收到假阳性的分类时将分数分配给所提取的所述至少一个伪迹特征。

15.根据权利要求14所述的系统，其中，所述评分模块通过识别每个集合树的贡献于假阳性的分类的所有节点来分配分数。

16.根据权利要求14所述的系统，其中，所述分类器被配置为对来自每棵树的所有特征的分数进行求和，并且识别具有超过阈值的分数的至少一个特征。

17.根据权利要求12所述的系统，其中，所提取的至少一个伪迹特征选自包括以下项的组：步长，高频率的标准偏差，基线漂移，警报负荷，心率，电外科装备伪迹，运动伪迹，呼吸伪迹，EMG信号，平坦线，峰度，偏度和基线的相对功率。

18.根据权利要求12所述的系统，其中，所述处理器还被配置为在接收到假阳性的分类时抑制所述警报信号。

19.根据权利要求12所述的系统，其中，所述接收到的数据与患者有关。

20.一种包含用于检测错误警报的计算机可执行指令的计算机可读介质，所述介质包括：

用于使用接口来接收与警报信号相关联的数据的计算机可执行指令；

用于使用特征提取模块来从接收到的数据中提取至少一个伪迹特征的计算机可执行指令；以及

用于使用分类器来基于所提取的所述至少一个伪迹特征将对所述警报信号的分类接收为真阳性或假阳性的计算机可执行指令。