CN108778140A - 用于确定临床指征的系统和方法 - Google Patents

Abstract

根据各种实施例，提供了一种使用机器人系统来确定受检者的神经状况的方法。机器人系统包括换能器。该方法包括由计算系统确定关于受检者的血管的第一位置，机器人系统被配置成将换能器定位在第一位置。该方法还包括通过计算系统响应于换能器向血管发射声能而接收来自血管的第一信号。该方法还包括由计算系统分析所接收的第一信号以确定血管中血流的第一参数。该方法还包括由计算系统基于血管中的血流的第一参数来确定受检者的神经状况。

Description

用于确定临床指征的系统和方法

相关申请的交叉引用

本申请要求于2016年1月5日提交的美国临时申请第62/275,192号和于2017年1月5日提交的美国申请第15/399,710号的权益和优先权，其全部内容通过引用并入本文中。

技术领域

本文描述的主题总体上涉及用于确定临床指征的系统和方法。

背景技术

神经状况如创伤性脑损伤(TBI)、中风、痴呆/阿尔茨海默氏病、帕金森病、抑郁症等，每年都影响全球数百万患者。然而，使用超声获取脑血流速度(CBFV)信号需要将换能器放置在足够薄以使波能够穿透的颅骨的特定区域内，以定位所关注的动脉的信号，并维持稳定的位置以进行充分的测量，这可能很难由技术人员执行。此外，一次性完整的读取和解释扫描图像是困难的，因为使用传统分析或视觉检查不容易辨别指示神经疾病的CBFV波形的微妙特征和变化。

附图说明

图1A、图1B和图1C示出了根据一些实施例的用于确定神经状况的自动头戴式设备。

图2示出了根据一些实施例的用于确定神经状况的自动头戴式设备的侧视图。

图3A示出了根据一些实施例的用于确定神经状况的系统的操作的高级流程图。

图3B示出了根据一些实施例的用于确定神经状况的系统的操作的高级流程图。

图4示出了根据一些实施例的颅骨和与颅骨相邻的多个声学窗口。

图5示出了根据一些实施例的用于确定神经状况的系统中血管映射的流程图。

图6A示出了根据一些实施例的示出用于确定神经状况的系统中用于血管系统声波测定的换能器的定位调整的图。

图6B示出了根据一些实施例的在用于确定神经状况的系统中行走血管的方法。

图7A示出了根据一些实施例的用于确定神经状况的系统中的信号分析的流程图。

图7B示出了根据一些实施例的用于确定神经状况的系统中用于信号分析的流程图，该信号分析包括峰值分割和峰值识别。

图7C示出了根据一些实施例的用于确定神经状况的系统中用于信号分析的多个CBFV波形。

图7D示出了根据一些实施例的用于确定神经状况的系统中用于信号分析的流程图，该信号分析包括多个应用。

图7E示出了根据一些实施例的用于确定神经状况的系统中用于信号分析的多个CBFV波形。

图7F示出了根据一些实施例的用于确定神经状况的系统中用于信号分析的多个CBFV波形。

图8是根据示例性实施例的用于操纵医疗探头的虚拟支撑结构的图。

图9是根据示例性实施例的医疗探头和万向节(gimbal)结构的透视图。

图10是根据示例性实施例用于图9的医疗探头的双连杆旋转副(revolute)支撑结构的透视图。

图11是图10的支撑结构的正视图。

图12是图10的支撑结构的右侧视图。

图13是根据示例性实施例用于图9的医疗探头的棱柱形支撑结构的透视图。

图14是图13的支撑结构的正视图。

图15是图13的支撑结构的右侧视图。

图16是图10的支撑结构的示意性前视图。

图17是图13的支撑结构的示意性前视图。

图18是根据示例性实施例的用于确定致动器的输入力或转矩的方法的流程图。

图19是根据示例性实施例用于图9的医疗探头的5杆并联机构(旋转副-旋转副)支撑结构的透视图。

图20是图19的支撑结构的正视图。

图21是图19的支撑结构的右侧视图。

图22示出了混合位置力导纳控制器。

图23示出了冗余操纵器上的探头。

图24示出了安装在监控站上的冗余操纵器上的探头。

图25示出了通过颧弓扫描的冗余操纵器上的探头。

图26示出了在通过眼窝或眼眶执行眶上扫描的冗余操纵器上的探头。

图27示出了在通过枕骨扫描的冗余操纵器上的探头。

图28示出了在通过下颌骨扫描的冗余操纵器上的探头。

图29示出了TCD系统的示意图。

图30a示出了冗余操纵器上的探头。

图30b示出了冗余操纵器上的探头的力输出的测试结果。

图31示出了具有四个致动自由度以及一个被动自由度的支撑结构中的弹簧加载探头的顶部透视图。

图32示出了具有四个致动自由度以及一个被动自由度的支撑结构中的弹簧加载探头的正面透视图。

图33示出了具有四个致动自由度以及一个被动自由度的支撑结构中的弹簧加载探头的横截面图。

图34示出了根据示例性实施例的用于医疗探头的五个致动自由度棱柱形支撑结构的正面透视图。

图35示出了根据示例性实施例的用于医疗探头的五个致动自由度棱柱形支撑结构的后部透视图。

图36示出了根据示例性实施例的用于医疗探头的五个致动自由度棱柱形支撑结构的分解透视图。

具体实施方式

神经状况如创伤性脑损伤(TBI)、中风、痴呆/阿尔茨海默氏病、帕金森病、抑郁症等每年影响全球数百万患者。经颅多普勒(TCD)超声目前在大医院用于评估韦利斯氏环动脉和其他主要导管动脉或静脉(颈动脉、大脑中动脉、眼动脉、颈静脉和其他)内的脑血流动力学。然而，使用TCD获取脑血流速度(CBFV)信号需要将换能器放置在足够薄以使超声波能穿透的颅骨的特定区域内，定位所关注的动脉的信号，并保持稳定的位置以进行充分的测量。这些狭窄窗口的位置显著地因人而异。此外，一次性完整的读取和解释扫描图像是困难的，因为使用传统TCD分析或视觉检查不容易辨别指示神经疾病的CBFV波形的微妙特征和变化。这些要求使得所需的血管难以进行声穿透(即，暴露于超声波)，从而将TCD使用限制于使用昂贵的、专业的人类超声检查员来操作该装置的大医院，并且通过仅利用简单的分析而降低装置的整体效用。

因此，需要开发一种系统，用于准确和精确地解释和分析从扫描大脑内血管获取的波形(例如使用TCD)，并且基于分析的波形确定神经状况。特别是，需要一种自动化TCD超声波系统，它可以实现信号换能器的精确定位和稳定放置，并且可以测量和解释所产生的血流波形以及它们内部的细微变化。此外，大脑主要传导动脉或静脉的实时或半实时图或可视化将为临床医生提供有价值的信息以供进一步分析。根据各种实施例，用于量化脑血液动力学的自动化系统的部署将对几个神经指征或状况(包括但不限于中风、轻度(脑震荡)和严重TBI、痴呆等)具有显著影响。例如，在一些实施例中，通过观察脑血流量(CBF)信息(例如，CBFV)来检测大血管闭塞(LVO)(一种严重的中风类型)，这可以通过自动系统进行。类似地，在一些实施例中，患有TBI或痴呆的患者可以表现出传统TCD分析不能识别的CBF的小变化，但可以通过自动化装置检测和分析，使得可以使用客观生理信息(例如，CBF)用于所述状况的诊断或管理。

因此，在各种实施例中，自动化系统可以与能够通过分析CBFV波形将TCD扩展到前述神经状况的决策支持和分析框架配对。如此，本文中描述的各种实施例在诊断一个或多个神经状况时提供包括自动化(例如，机器人技术)的系统和方法，其被配置为将装置最佳地定位在邻近大脑的窄窗口内以获得最佳信号接收，通过波形分析来解释所接收的CBFV/脑部血液动力学数据信号，以及大脑某些或全部血管系统的可视化或映射。本文描述的各种实施例进一步提供了一种自动化解决方案，其可以量化脑血管系统中的细微变化，并且通过自动获取感兴趣的信号并解释测量的信息来解决技术限制，从而具有可操作的输出。

图1A-图1C示出了在其前部具有显示屏幕42的自动TCD头戴式设备40。更特别地，头戴式设备40包括侧面上的双超声探头44和围绕前方延伸以连接两个探头的头带46。如图1A-1C中所示，TCD头戴式设备40通过位于任一个太阳穴处的探头44套在患者的头盖骨上。探头44中包括可自动定位大脑中动脉(MCA)的TCD扫描器。理想地，头带46本质上是弹性的，并且使得头戴式设备40能够紧贴在各种不同头部尺寸的头部的前部上，使得探头44的内面与太阳穴良好接触。润滑凝胶优选用于改善声音传播。

图2是由患者佩戴并具有前额带52、后带54和头顶带56的另一示例性TCD头戴式设备50的侧视图。带52、54、56有助于将头戴式设备50固定在头部上，并且特别地确保一对往复式TCD扫描器58与任一太阳穴的良好接触。如由运动箭头所示，TCD扫描器58安装为用于往复向前和向后旋转到三个带52、54、56的相交处的接合构件60。在一个实施例中，TCD扫描器58围绕垂直于XY扫描平面的Z轴在每个方向上旋转约60°。尽管未示出，但接合构件60内的小型电机使得扫描器58能够移动。

三个带52、54、56的系统有效地将头戴式设备50保持在适当位置。头顶带56包括用于可调整性的维可牢尼龙搭扣，后带54理想地是弹性的，并且每个接合构件60上的一对紧固旋钮62和位于前额带52中间的紧固旋钮64能够精确调整扫描器58的位置用于XY校准。由于颌骨和相关肌肉的运动，头顶带56有助于限制头戴式设备50一旦被固定后的移动。

在一些实施例中，线缆66可附接到接合构件60以用于连接到诸如计算机67、平板电脑(为了清楚而未示出)或任何其他类型计算装置的控制单元，或者系统可与计算装置无线地通信。计算机67或其他连接的计算装置提供处理以接收和处理从超声波探头44返回的数据。

每个扫描器58理想地包括注入口68，优选地由通向通道的凹槽形成，用于将润滑凝胶引入到内部接触表面。该注入口68有助于减少凝胶的混乱涂抹。在一个优选实施例中，每个扫描器58内部的TCD传感器可以在Z方向上移位，或朝向和远离太阳穴移位，以优化声学接触。

研究轻度TBI潜在生理学的一种方法是提供刺激来加剧脑血管系统的变化，并使用描述的框架更准确地量化这些变化。刺激可以以各种不同的方式提供，包括动脉血压(运动，腿套，药物等)的变化，动脉血液供应中二氧化碳(CO₂)浓度的变化，或局部地通过改变大脑特定区域的代谢(即，闪烁的光线刺激枕叶)。

在一种技术中，脑血管床对CO₂动脉血浓度(PaCO₂)的变化极其敏感。增加的动脉CO₂水平(例如由于屏住呼吸)导致小动脉血管舒张，从而由于增加的脑血流量而导致上游大脑动脉的速度增加。相反，减少的CO₂(经由过度换气)导致由小动脉血管收缩引起的CBFV降低，从而导致CBF减少。

脑血管反应性(CVR)描述由于PaCO₂的变化而导致的CBFV的变化。CVR测试的目的是评估大脑的阻力小动脉的血管舒张或血管收缩能力，并且在严重TBI、偏头痛、长期航天飞行、中风和颈动脉狭窄后已显示出受损。最近，CVR显示出作为轻度TBI中生理功能障碍标志的潜能。使用屏气和过度换气来研究脑震荡和对照受检者以研究CVR。与将运动显示为生理压力来阐明脑震荡患者的变化类似，也显示了反复屏气和过度换气的平均CBFV动态的变化。但是，CBFV数据以1Hz采样，从分析中删除所有形态信息。在一些实施例中，CVR测试被扩展以不仅观察平均速度的效果，而且观察CBFV波形的整个形状。可以要求患者屏住呼吸以提高CO₂水平，并且可以监测CBFV。相反，可以要求患者过度换气以降低CO₂水平，并且可以监测CBFV。只用平均速度观察CVR可能会提供不完整的图像。

图3A示出了根据一些实施例的用于诊断/管理神经状况的系统的操作的高级流程图300。图3B示出了根据一些实施例的用于确定神经状况的系统的操作的高级流程图350。

在一些实施例中，提供了一种自动化的机器人系统，从而能够对几个神经指征进行准确和快速的诊断和管理。例如，机器人系统可以是完全自动化的，使得依赖于系统的有限操作或无人操作来执行神经指征的诊断和管理。在其他实施例中，机器人系统不是完全自动化的，从而依赖于一些人的交互(例如，系统相对于患者的设置，诸如输入系统操作所需的信息之类的次要操作控制，等等)。在一些实施例中，该系统包括发射声能的换能器(诸如但不限于：超声换能器，TCD，经颅彩色编码超声波检查仪(TCCS)，或声学超声换能器阵列、诸如顺序阵列或相控阵列)，所述声能能够穿透颅骨/头部或颈部中的窗口。在特定实施例中，该系统提供用于自动执行TCD扫描的机器人系统。在一些实施例中，机器人系统可包括具有由人体解剖学和脑血液动力学的先前知识驱动的运动计划的多自由度(DOF)TCD换能器定位系统。在一些实施例中，系统能够具有两个、三个、四个、五个或六个DOF。定位系统可以在X和Y轴上(例如，沿着头部的表面)平移，以将窗口定位在平移轴上，并且在Z轴上将力和位置反馈控制两者定位到两个位置，并且保持适当的力抵靠颅骨/皮肤，以通过保持适当的接触力来最大化信号质量(例如，如框301中所执行的)。两个角度自由度(例如，摇移和倾斜)可以用于使血管的正常声波最大化以使速度信号最大化。这里描述了关于机器人系统及其部件的进一步公开。

参考图3A，在框301处，运动机构(例如，机器人系统)将换能器定位在邻近患者头部的声学窗口处。在定位换能器(例如，在用于信号获取的最佳位置处)之后，在框302处，系统(例如，使用超声波)获取用于分析的最佳信号，该信号可以指示CBFV。在一些实施例中，在框303处，系统对获取的信号执行分析。在框304处，系统基于分析的信号(例如但不限于诊断或测量的度量/特征)来确定输出(例如，临床可执行的决定)。

参考图3B，在一些实施例中，为了确定框304处的输出，在框301处的机器人运动学移动用于定位和重新定位换能器，系统在框302处优化由位于各个位置的换能器所获取的信号，系统在框303处对所获取的信号执行分析。在确定框304处的输出决定之前，框301、302和303可以在不同位置处或者以变化的角度调整被执行多次。在一些实施例中，框301、302和303根据需要被执行多次(例如，n次)，以使系统获得足够的信息和数据以在框304处确定输出。

在一些实施例中，框301、302和303的多次迭代被用于大脑的血管映射(mapping,或测绘)，其在下文中进一步详细描述，其中来自沿着一个或多个血管的多个点的信息被组合以在框304处达成输出。例如，在中风的情况下，可以测量沿血管系统的多个位置以确定闭塞位于何处。例如，为了确定血管的流速，在第一次迭代期间，系统沿血管移动(在框301处)，优化所获取的信号(在框302处)并分析该信号(框303处)。随后，在第一次迭代之后的第二次迭代期间，系统稍微向下移动到该血管往下(在框301)，优化新信号(在框302)，并分析新信号(在框303)，等等。在框301、302、303的各种迭代期间，系统可以测量和比较血管中的血流速度，其中CBFV波形的速度或其他特征的变化可以指示血管闭塞，并且可以指示对中风的易感性(例如，作为框304处的输出)。血管图还可用于其他神经指征，包括TBI、痴呆和其他病理学定位，或更好地理解脑血液动力学不对称。

图4示出根据一些实施例的头盖骨200和与头盖骨400相邻的多个声学窗口402、404、406、408。

参考图4，该图示出了用于声波作用的多个声学窗口，包括经眶窗402、经颞窗404、下颌下窗406和经椎间孔(例如，枕骨)窗408。根据各种实施例，用于实现框301-304的系统是机器人自动化医疗设备(例如，头戴式或臂式安装的医疗设备)，其从任何人的颞窗404或其他声学窗口(例如，经眶窗402、下颌下窗406和经椎间孔窗408)自动搜索、定位和获取稳定的CBFV波形，而与人的年龄、体格大小、体形或人口统计学无关。在一些实施例中，系统采用力和扭矩传感器来维持适当的接触力(例如，在声学窗口402-408处)以最大化信号质量(例如，在框301处)。

图5示出了根据一些实施例的用于确定神经状况的系统中的血管映射的流程图500。在框502处，系统包括用于加速定位换能器以找到感兴趣的动脉或静脉的现有数据库或先前知识。例如，现有数据库可以包括关于患者的特定信息，例如但不限于头骨结构、头部内的血管位置(例如，血管结构的映射)、年龄、身高等。另外，现有数据库可以包括关于人体解剖学的一般信息，用于换能器的初始方向定位。在框504处，系统包括用于解释接收到的信号的信号处理。在框506和框508处，系统分别包括机器人换能器定位和坐标测量机，用于基于框504处的信号处理来物理地调整换能器的定位。在框510处，系统包括将在框506和508处由机器人技术调整的超声换能器。在框512处，系统包括超声生成和接收电子器件，以提供用于声波作用的超声波，并从受到声波作用的动脉/静脉(例如，经由在框510处的换能器)接收返回的信号。在框514处，系统获取多普勒信号，其被发送到框504以进行信号处理。相应地，因为提供了反馈环路系统，所以获取信号和调节换能器定位的循环可以无限地重复。

在一些实施例中，一旦如上所述为换能器定位以用于一个或多个脑部或颈部血管的声波作用(在框301处)，则获取最佳CBF或CBFV信号(在框302处)。在一些实施例中，在框302处，系统沿着同一血管或沿着其他颅内血管对多个附加位置进行声波作用，以提高诊断和监测准确性。额外血管的声波作用允许来自大脑的不同面积或区域的生理信息被包括在信号中，这可能是特定神经状况的重要数据。例如，TBI可以影响大脑的任何区域，并且对特定区域的血液供应的评估可以为其他区域可能未受影响的诊断和/或管理提供有用的信息。又如，特定类型的中风可能影响大脑的特定血管，评估那些特定的受影响血管以及接近受影响血管的那些血管可提供重要数据。

在一些实施例中，在框302处，系统提供头盖骨内的一个或多个血管的映射。在可比较的系统中，TCD超声波用于利用有限的附加信息在韦利斯氏环和其他大动脉和静脉周围的离散点(例如，离散的深度处)处评估CBF或CBFV。根据各种实施例，系统和方法可以使用自动机制(例如，在框301处)将两个或更多个离散点组合成大脑血管系统的“地图”。在一些实施例中，血管映射允许对神经血管的专门评估，包括血管系统的动态和位置，其可以为医疗保健专业人员提供对于多种神经状况更好的诊断、分类和监测，所述神经状况包括但不限于中风(例如出血性或缺血性)、TBI(例如脑震荡)、脑内出血、偏头痛、痴呆等。在一些实施例中，系统将超声信号与它们在空间中的位置相组合，以基于流量和流速捕获局部血管系统的表示。在一些实施例中，系统组合超声成像以另外捕获图像数据以辅助定位和映射。

参考图5，图500示出了框502、504、506、508、510、512和514。四个框502、504、506和508基于框504处来自多普勒信号的反馈自动执行高级换能器放置。

在一些实施例中，提供用于定位换能器的系统(例如，机器人系统)，用于以多个自由度(例如，x轴，y轴，z轴，摇移和/或倾斜)定位换能器的精确且可重复的方法。此外，在一些实施例中，该系统包括用于测量系统的换能器的当前坐标或定位以便连续获得换能器的精确位置信息的部件，从而模拟TCD超声医师放置和知道换能器放置(例如，在人的头上)的能力。这个自动化系统的一个优点是TCD超声医师操作的更精确和可重复的实施。例如，在一些实施例中，可以获得在平移1毫米(mm)、取向0.5度和力0.001N内的精度。这里描述关于机器人系统及其部件的进一步公开。

在信号处理框504处，系统模仿超声医师根据从多普勒超声电子设备获得的信号进一步调节换能器位置的功能。例如，在初始信号搜索期间，如本文进一步描述的，自动化系统执行系统性搜索以发现声波作用窗口并找到感兴趣的动脉。在信号获取期间，自动化系统在框506和508处稍微调整换能器的平移(x轴、y轴和z轴)和取向(摇移和倾斜)位置，以保持信号质量不会降低。

在一些实施例中，在框502处，系统利用在先数据库和先前知识帮助以加速且更准确的方式实现各种功能。例如，该系统可包括高度可能的平移点和取向点的先前知识，这些点可能会产生发现声波作用窗口并找到感兴趣的血管的最快路线。在一些实施例中，框502包括来自其他成像模式的图谱(磁共振血管造影-MRA，磁共振静脉造影-MRV，MRI飞行时间，扩散张量成像-DTI，CT血管造影-CTA等)来指导换能器定位。在一些实施例中，框502包含具有相似特征的个体的先前TCD扫描，可提供位置信息(x轴，y轴，z轴，摇移和倾斜)以及脑血液动力学信息(血流特征)。最后，在其他实施例中，框502可以将位置(传统医学成像)与动态信息结合以帮助血流评估的准确性和速度。

在一些实施例中，数据库包括磁共振成像(MRI，MRA，CT，CTA，血管造影，飞行时间MRI，相位对比MRI，或其它医学成像)图谱。在一些实施例中，构建并维护用于对共同配准的TCD波形进行解剖学建模的解剖MRI模板的数据库。在一些实施例中，数据库包括但不限于以下中的至少一个：1)全头部体积的磁共振血管造影(MRA)扫描，包括脑血管的完整图像，以及头骨和可识别的头皮基准点(或上面列出的其他成像类型)；和2)跨越不同人口统计学(例如，年龄、性别、病理史等)的多次扫描，由其可以构建年龄和性别匹配的平均模板。

在一些实施例中，提供了具有解剖MRI或其他结构成像的TCD的共同配准图谱。对于TCD数据库中每次扫描所记录的、并在人口统计学匹配的模板上可识别的头皮基准坐标，可以导出最佳对齐两个坐标系的一组平移和旋转。从个体MRI和TCD图谱，可以构建血管位置的概率图，以为新受检者或患者的血管搜索提供信息。

在一些实施例中，数据库包括计算机化局部解剖(CT)或计算机化局部解剖血管造影(CTA)图谱集。在一些实施例中，构建和维护解剖学CT或CTA模板的数据库，用于对共同配准的TCD波形的解剖学建模。在一些实施例中，数据库包括但不限于以下中的至少一个：1)全头部体积的计算机化局部解剖血管造影(CTA)扫描，包括脑血管的完整图像，以及头骨和可识别的头皮基准点；和2)跨越不同人口统计学(例如，年龄、性别、病理史等)的多次扫描，由其可以构建年龄和性别匹配的平均模板。

相应地，在各种实施例中，系统可以模仿专业TCD超声检查者来获取信号。但是，由于自动化系统具有出色的放置精度和可重复性，因此可以实施人类专业超声检查者无法实现的更高级功能。一种这样的高级功能是血管映射，其是生成脑血管系统的速度和/或几何图的过程。

图6A示出了根据一些实施例的示出对用于确定神经状况的系统中用于血管系统声波作用的换能器的定位调整的图600。在一些实施例中，过程600示出了用于重建脑血管系统的图的方法。阶段602示出换能器的波束(例如，超声波波束)的初始位置阶段。阶段604示出换能器束的过渡阶段的步进。阶段606示出换能器束的深度阶段的步进。阶段608示出换能器束的定向阶段的步进。MCA代表大脑中动脉，即一种主要的大脑传导动脉。这种方法可以扩展到头颈部的其他大动脉或静脉。

在一些实施例中，在阶段602，换能器处于初始位置，例如，从感兴趣的血管获取稳定信号的位置。因此，一旦用于获取稳定信号的位置被定位，就命令机器人系统递增地调整换能器的位置(在框506和框508处)。在一些实施例中，所命令的位置遵循预定路径(在框502处存储)。在其他实施例中，可以基于在每个新位置处获得的多普勒信号来更新换能器的定位的调整(在框514和框504处)。在一些实施例中，换能器位置的增量调整包括以下部件的变化：横向平移(阶段604)，深度增量(阶段606)，或角增量(阶段608)。虽然图6示出了横向或角度变化的一个方向，但在其他维度(例如，y轴和摇移)也可能发生相同的情况。

在增量变化之后换能器的每个新位置处，新的样品体积被施以声波作用，从而提供不同的多普勒信号(signature)。在一些实施例中，来自所有新样品体积的组合信息可以被聚合并“缝合”在一起以形成血管系统的该声波作用部分的图。在一些实施例中，在感兴趣的搜索的预定体积(例如，被确定包含整个韦利斯氏环和其它大的传导动脉或其体积)上重复该过程，以获得脑血管系统的图。例如，无论要获得的期望图的大小如何(例如，从一段血管到全部颅内动脉和静脉范围内的大小)，该过程都可适用。根据各种实施例，基于解剖学的先前知识以及来自信号的实验中反馈，可以使用各种合适的算法来提高换能器的搜索和图生成的速度和准确度。

在各种实施例中，存在各种类型的图，其可以使用图5和6中所示的系统和方法来生成。生成的图类型取决于最终使用情况规定的系统实施和时间限制。

在一些实施例中，可以获得颅内血管系统的空间图。主要使用功率运动模式多普勒(Power Motion Mode Doppler，简称PMD)，也称为M模式，可以根据上一节所述的系统搜索获得血管的位置。根据一些实施例，这种图的近似计算如下表1所示。

表1

在一些实施例中，可以获得速度或流量图。为了使用与上面关于空间图描述的相同方法获得速度图，使用频谱图(例如，用于显示反射多普勒波形的功率谱密度)来获得每个声波作用位置处的速度分量。这种方法包括在深度维度上“扫描”体积(TCD硬件的可比较实现方式通常仅在一个深度设置处输出谱图)。根据一些实施例，这种图的近似计算在下面的表2中示出。在进一步的实施例中，较粗略的搜索、精确的位置和自动化的速度都减少了表2中计算的总时间，并且预计大多数商业应用将在很短的时间内完成。

表2

在一些实施例中，脑中的血流可以被建模为分段连续的向量值函数v(x)，其给出某个位置处的血流速度。血管的位置由这个空间的非零子集给出。通过沿血管行走，获得沿特定血管内包含的我们坐标系的子空间以半规则间隔采样的一组离散点。为了近似v(x)，实现离散点的“点连接”，并且通过在样本中的连续速度值之间插值来获得速度。

但是，由于血管不是通过空间的一维线，所以可以将一些附加的近似值添加到模型中。在一些实施例中，使用圆柱形管道来合理近似于血管。管道可以使用某些给定半径的圆盘构造，这些圆盘由血管ID(例如，用于识别哪个血管)和来自现有数据库的信息确定，中心定在我们的样本xi中的每个位置上，并且取向为使得盘的平面垂直于该点处的速度矢量。然后假设血液沿平行于管道轴线的方向流动。例子可以包括等于测量速度的恒定速度，或平均速度等于测量速度的抛物线速度曲线。在一些实施例中，血管外部各处的血流速度假定为零。

在一些实施例中，维持扫描的每个受检者或患者的所获取TCD参数的数据库。数据库包括但不限于以下测量和信息中的至少一个：1)头部上的基准点(例如，耳屏、眼角、眼眉、耳顶)之间的距离的测量；2)换能器的位置和取向，以及每个血管锁处的样本体积相对于由基准定义的坐标系的深度；3)TCD波形特征(例如，平均速度、脉动性、亚峰值等)；4)人口统计学信息(例如，年龄、性别、病理史等)。

在一些实施例中，提供了一种使用TCD超声M模式数据来测绘或映射人体头部的亚体积内的血管结构的方法。血管映射协议可以结合血管搜索执行，或者与识别最佳血管信号相独立地(在之前或之后)执行，以及可以具有单一(例如，单侧)或双侧换能器配置。由于M模式能够同时显示大范围深度的信息，因此可能会将所需搜索点的空间缩小几个数量级，从而更快进行解剖重建。

在一些实施例中，该血管解剖映射程序包括经由可识别的基准点(例如，耳屏、眼角、眼眉、耳顶)将受检者头部坐标与解剖医学成像(MRI，MRA，CT，CTA等)(例如，受检者特定的，或使用年龄和/或性别匹配的模板)共同配准。该方法还包括经颞叶搜索体积分割和映射到位置和方向栅格搜索坐标的空间以覆盖搜索体积，包括每个三维像素(voxel)的多个方向。该方法还包括针对每个三维像素的M模式平滑、阈值化和跨多个取向的求和，从而导致“流动强度”指数，朝向窗口(例如，正值)或远离窗口(例如，负值)。该方法还包括通过流动强度指数的三维内插来重建对应于血管解剖结构的空间曲线，其中显示弱正/负或零流量的三维像素跨过从局部曲率推断的路径以及从结构成像图谱导出的先前知识而连接。在一些实施例中，该方法还包括对所得到的血管坐标进行流形(manifold)学习以在二维中表示血管解剖结构，以简化血管结构的可视化，并且促进对病理的分析。

相应地，在一些实施例中，该系统包括两种类型的图，这两种类型的图包括不同类型的信息。TCD图(上面列出)提供动态信息(例如关于血流的信息)。医学成像提供关于血管位置的解剖信息。如此，在一些实施例中，系统利用这两种类型的信息的组合。例如，系统(例如机器人)可以提供可以与经由超声波获取的血流信息组合的位置信息。在一些实施例中，可以用来自图谱的解剖信息(例如，特定的血管应该在特定的解剖位置)和来自TCD信息数据库的近似动态信息来补充该信息。

图6B示出了根据一些实施例的在用于确定神经状况的系统中行走血管的方法610。在一些实施例中，在框611处，血管行走方法610的输入包括当前位置矢量x_i、当前速度矢量v_i和当前血管识别概率P_ID，其作为每个潜在血管的概率矢量给出。在框612处，方法610包括计算误差估计值。该误差是给定输入值合理的置信水平的估计值，考虑到前面的点的历史记录以及我们从例如任何现有的信息数据库所具有的任何现有知识。如何计算这个值的一个例子是使用当前速度v_i和前一个速度v_i-1的点积，用前一个速度的大小进行标准化。这提供了两个向量之间的相似性度量。对于相似的向量，此乘积的结果应该接近1。这背后的动机是，血流速度矢量v(x)应该是血管内部的连续函数。所以，对于x的足够小的变化，v不应该有太大的改变。在一些实施例中，示例误差函数由以下函数定义，该函数捕获流动取向和大小的剧烈变化：

在一些实施例中，在框613处，方法610包括确定误差估计是否低于预定阈值水平。预定的阈值决定了什么程度的误差是可以接受的，以及什么程度的误差指示有错误需要解决。这个阈值可以预先决定，也可以凭经验找到。它也可以根据来自现有信息数据库的先前信息进行调整。例如，如果预计会遇到分支，则可以将误差阈值放宽适当的量，以达到预期该物理特征将修改预期速度的程度。

在一些实施例中，在框614处，方法610包括保存输入。如果误差是可接受的(框613：是)，则输入是合理的并且方法610可以正常进行。这些输入可以被附加到包含血管行走算法的输入历史的向量。

在一些实施例中，在框615处，方法610包括计算下一个点。可以使用以下等式来计算用以搜索当前血管的信号的下一个点，其中表示指向v_i方向的单位矢量，并且Δ是步长大小，并且符号的选择取决于血管行走是“向上”或“向下”。

在一些实施例中，在框616处，方法610包括减小步长。如果误差估计值过大(框613：否)，则存在指示表明可能存在错误。因此，步长大小可能会减小。在选择合适的步长时，往往会在速度和精度之间进行权衡。误差可能只是表明遇到了比直血管更复杂的结构，并且该系统应该暂时采取较小的步长来捕获更复杂血管的较小特征。

在一些实施例中，在框617处，方法610包括确定步长是否太小。考虑到TCD的分辨率受光束大小的限制，存在一个下限，超过这个界限，采取更小的步长就不再有意义了。一旦步长已被减小，则将执行检查以确保步长不小于基于TCD空间分辨率的某个合理的下限。

在一些实施例中，在框618处，方法610包括确定方法610是否应该停止。如果步长变得太小(框617：是)，那么误差应该以另一种方式处理。在某些时候，已知由于血管是有限的，血管行走算法应该停止。停止标准可以基于来自现有数据库的先前信息。到此为止走过的血管可以与现有的信息进行比较，以确定是否有足够的量可能已被映射。

在一些实施例中，在框619处，方法610包括发出停止命令。如果血管已被充分映射(框618：是)，则发出停止命令以指示系统应该移动到新的位置或血管。

在一些实施例中，在框620处，方法610包括计算下一个点。如果缩小的步长仍然是合理的大小(框617：否)，则可以使用与以上结合框615使用的相同等式来计算下一个要优化的点。

在一些实施例中，在框621处，方法610包括搜索新的点。如果到达该框，则步长太小，但血管未被充分映射以证明停止的正确性(框618：否)。例如，如果系统已经到达由于位置或方向而无法由TCD访问的血管部分，则可能发生这种情况。另外，这可能表明诸如中风的血管问题。因此该系统可以具有尝试在另一个位置选取备用血管的方式。使用某种搜索算法将可以找到一个新点。可能性包括在点附近进行局部螺旋或网格搜索，但不包括先前已访问的位置。来自现有数据库的信息也可用于通知位置搜索可能包含正在搜索的血管。

在一些实施例中，在框622处，方法610包括提供输出。主要输出是机器人在血管周围优化的下一个点的预测x_i+1。另外，保存包括位置、速度、血管识别概率和误差估计值的整个历史的向量。

图7A示出了根据一些实施例的用于确定神经状况的系统中的信号分析的流程图700。在框702处，系统包括脉冲分割和特征识别阶段。在框704处，系统包括来自框702的结果的应用阶段。

在一些实施例中，一旦在框302处使用自动机构从血管获得最佳信号，则在框303处执行所获取和优化的CBFV数据的分析。在一些实施例中，框702处的脉冲分割和特征识别被用于CBFV信号的信号分析，其解决了从先前忽略的CBFV信号中提取重要生理数据的技术问题。在框702分析数据之后，在框704处，存在CBFV信号的高级分析可被应用的一些特定的临床指征。

在一些实施例中，分析来自框302的最佳CBFV或CBF信号以用于表征之前已被忽略的生理相关信息。在一些实施例中，框702是用于提取由CBFV波形中的心脏脉冲生成的节拍和特征的节拍处理平台的示例，并且是框303处的信号分析的一部分。对于这个描述，节拍被定义为随后的心跳与产生的CBFV波形(舒张点到舒张点)之间的时间段。在一些实施例中，信号分析(例如，框303)利用TCD或超声扫描，提取出相关片段(例如，由实验协议定义)，并提取心跳。然后，系统分析节拍以获得特定拒绝标准，该标准关注节拍质量，并检测CBFV波形内的峰值和谷值。受检者的健康TCD包括三个峰值，但神经疾病可能改变搏动的健康波形形状。这种波形峰值的例子在图7C中示出，并且在下面进行描述(例如：峰值712a，712b，712c，722a，722b，722c，732a，732b和732c)。

在一些实施例中，信号分析平台(例如框303)的脉冲分割和特征识别具有多个功能标准。第一个涉及节拍处理，因为信号分析平台(例如框303)将接收CBFV时间序列，并返回对应于TCD信号中第i个节拍的节拍开始和结束索引的形式为bi＝(starti，endi)的元组的有序列表。第二，节拍可能不重叠，每当i<j时，由endi<＝startj定义。第三个标准与特征发现相关，对于返回的每个节拍，返回三个传统峰值的列表以及三个相应谷值的列表。第四个标准与节拍拒绝有关，因为节拍应符合许多信号质量保证(SQA)标准。不符合SQA标准的节拍将被拒绝，并说明拒绝原因。在一些实施例中，SQA是一组标准，由实验过程来确定。

图7B示出了根据一些实施例的用于确定神经状况的系统中包括峰值分割和峰值识别框702的信号分析的流程图。

在一些实施例中，框702处的节拍处理架构被设计为实验平台，用于分析不同方法的结果。使用配置文件以及用于组件或框的可互换方法的库来定义每个组件或框702a-702j。

在一些实施例中，为了在框702b处估计心率，原始TCD信号(来自框702a)首先被划分为相同的长度间隔，然后计算每个间隔的功率谱密度(PSD)、p^(ω)。为了确保估计心跳的基频(而不是谐波)被估计，采用谐波PSD技术，其根据以下等式组合n个频谱分量：

在一些实施例中，该方法考虑谐波频率之间的功率分布的变化。然后选择发生h()最大值的频率作为该间隔内的心率频率。估计的心率然后作为跨所有间隔的基频的平均值而返回。然后使用估计的心率来定义以下参数：1)低通滤波的截止频率，2)搜索节拍开始的窗口，3)搜索节拍中的峰值的窗口，以及4)节拍对准的参考点。

在一些实施例中，在框702c处，在估计心率之后将低通滤波器应用于TCD信号。低通滤波的截止频率根据估计的心率而变化。低通滤波器的例子有快速傅立叶变换(FFT)、有限脉冲响应(FIR)和来自scipy.signal的前向后向滤波器滤波(filter filtfilt)。滤波的目的是消除信号中的高频噪声，从而更好地确定节拍和峰值的位置。高频噪声会产生大量的局部最小值和最大值，影响处理质量。FFT和零相移数字滤波(filtfilt)的优点是不引入相移。然而，由于这些方法需要未来的信号知识，因此这些方法可能不能实时用于流数据。相应地，在一些实施例中，使用信号分析的系统(例如，框303)能够提前访问整个信号，或者引入用于实时系统的报告滞后。

在一些实施例中，在框702d处，通过找到紧跟有局部最大值的所有局部最小值来生成对于节拍开始处的初始估计，其中局部最大值高于最小值至少某个阈值(例如，如配置文件中定义的)。开始被假定为节拍的起始点(例如，来自先前节拍的舒张谷)，并且第一个峰值被假定为收缩峰值。接下来，连续的节拍起点被相互比较。在一些实施例中，如果两个连续的节拍起点彼此太接近(如由最大心率定义的)，则基于以下有序过程从考虑中去除起点之一(假设起点1接近起点2但在其之前；将峰值1和峰值2定义为相应的收缩峰)：1)如果收缩峰相同，则删除起点1，因为起点2是真实的舒张谷，因为它相对于收缩峰而言是更接近的局部最小值；2)如果从起点1到峰值1的上升大于或等于从起点2到峰值2的上升，则删除起点2，因为它实际上可能是第一个峰和第二个峰之间的谷；3)否则，删除起点l，因为它可能是前一个节拍的舒张谷中的一个局部最小值，其后跟着由于噪音引起的尖峰。

在一些实施例中，在框702e处，系统检测峰值。检测TCD峰值的问题在于它们并不总是作为时间序列的真正数学极大值来实现。这个问题经常发生于峰值二，因为它往往不够突出以将其自身与收缩峰(峰值一)相区分。为了解决这个问题，系统允许将准直最大值分类为峰值。首先，系统在数学上定义最大值的含义。对于时间序列y＝y(t)，当y'＝0且y向下凹时，获得最大值，这又意味着y”<0，或者y'在y'＝0的点具有负斜率。要找到真正的峰值，找到y'＝0且y”<0的点就足够了。但是，系统配置为也找到准最大值。这些准最大值将被定义为y的斜率为负、但几乎变为正值的点。

为了找到y的真实最大值和准最大值，系统首先找到y'的局部最大值。对于y'的每个局部最大坐标对(t_p，y_p')，执行以下分析：(1)如果y_p'≥0，则使得t_p≤t*且y'(t*)＝0的最小值t*给出(t*，y(t*))的y最大值；和(2)如果对于某个小ε，-ε<y_p'<0，则(t_p，y_p')是准最大值，并且将其保持为节拍峰值。

在一些实施例中，搜索被峰值二埋没的可能峰值。如果峰值二增长得高于峰值一，那么峰值一仍被列为收缩峰。为了解决这个问题，系统分析导致第一个检测到的峰的曲率变化。假设从舒张谷(谷一)到收缩峰(峰值一)，应该有一个拐点。在一些实施例中，系统分析该范围内的凹度变化的数量。如果凹入部分的数量大于1，那么很可能峰值二被选为第一个峰。为了推断真实收缩峰的位置，计算最大曲率点。最大曲率点按下式计算：

在一些实施例中，峰值然后向下移动。峰值三被指定为先前保持为峰值二的点，峰值二被指定为先前保持为收缩峰的点，然后收缩峰被设置为点(ts，y(ts))。在一些实施例中，通过在“准最大”步骤中查找这种情况来移除该步骤。由于准最大的计算涉及y'的峰值的ε容差，所以系统可以类似地定义0<y'<ε的容差，其中它几乎穿过零(以形成真正的最大值)。启发式是，y的斜率是正值，但它几乎变为负值，这表明是准最大值。

因此，根据各种实施例的系统和可比较的系统之间存在强烈的区别。可比较的系统将节拍最大值标记为收缩峰值，而根据各种实施例的系统即使没有将其实现为节拍最大值，也可以找到真正的收缩峰值。类似地，根据各种实施例的系统也识别真正的舒张点，而不是简单地将节拍最小值标记为舒张。在可比较的系统中收缩和舒张分析的不精确性使得很难识别亚峰之间的差异。然而，在该系统的一些实施例中，信号分析平台(例如框303)提取三个亚峰和谷，并且可以将收缩峰正确地指派给第一峰，从而提供在可比较系统中错失的舒张收缩节拍差异的适当表征。

在一些实施例中，在框702f处，系统执行节拍对齐。节拍对齐将所有节拍与单个参考点排列对准。为了对齐节拍，用户从选项中指定对齐类型：1)谷：在舒张谷处对齐；2)峰：在收缩峰处对齐；3)中上升：在舒张谷和收缩峰之间的中点对齐；和4)拐点：在舒张谷和收缩峰之间的凹陷拐点处对齐。对齐的第二个规范是时域中的一个点，用于将先前的选择与之对齐。作为一个例子，一个典型的对齐将是按照收缩峰来对齐节拍，对齐到0.1s的节拍时间点。

在一些实施例中，在框702g处，系统拒绝节拍。对于每个节拍，收集称为pre的先前节拍的集合以及称为post的后续节拍。{pre，post}对被称为节拍的背景(context)。背景的大小在配置文件中规定。SQA拒绝标准被定义为一个集合REJ＝{rej_c}_c∈crit，其中每个rej_c是一个函数，如下所示：

rej_c:{节拍，背景}→{真，假}

在一些实施例中，上述函数返回对于标准c的拒绝确定结果。如果任何rej_c∈REJ为真，那么节拍被拒绝并且记录标准c。下面描述可用的拒绝标准。

在一些实施例中，拒绝标准包括对于平均节拍的相关距离。标准化的前和后节拍的平均值被计算为m_pre和m_post。在m_pre、m_post和标准化的节拍之间计算相关距离，分别产生d_pre和d_Post。如果d_pre和d_Post两者都在定义的阈值以上，则该节拍被拒绝。

在一些实施例中，拒绝标准包括相关距离。计算每个标准化的前节拍与标准化的节拍之间的相关距离。计算出的距离的中间值被计算为med_pre。类似地，计算med_post。如果med_pre和med_post两者都超过规定的阈值，那么该节拍被拒绝。

在一些实施例中，中间值被用于取得均值，以防止前置或后置节拍组中的单个不良节拍破坏计算。然而，在其他实施例中，由于前置组已经处理了节拍拒绝，仅在池中留下“良好”的节拍，所以使用来自前置组的平均值和来自后置组的中间值。此外，可以使用标准组的“已接受节拍”与前置或后置组进行比较。在一些实施例中，建立的节拍库被手动检查以确保准确性。

在一些实施例中，拒绝标准包括到平均节拍的欧几里得距离。前和后节拍的平均值被计算为m_pre和m_post。在m_pre、m_post和节拍之间计算欧几里得距离，分别产生d_pre和d_post。如果d_pre和d_post二者都高于定义的阈值，则该节拍被拒绝。

在一些实施例中，拒绝标准包括欧几里德距离。欧几里得距离是在每个前置节拍和标准化节拍之间计算的。计算出的距离的中间值被计算为med_pre。类似地，计算med_post。如果med_pre和med_post都超过规定的阈值，则该节拍被拒绝。在一些实施例中，使用中间值来防止前置或后置节拍组中的单个不良节拍破坏计算。然而，在其他实施例中，由于前置组已经处理了节拍拒绝，仅在池中留下“良好”的节拍，所以使用来自前置组的平均值和来自后置组的中间值。

在一些实施例中，拒绝标准包括马哈拉诺比斯距离。计算每个前置节拍(例如，标准化的前置节拍)与节拍(例如标准化节拍)之间的马哈拉诺比斯距离。计算出的距离的中间值被计算为med_pre。类似地，计算med_post。如果med_pre和med_post二者都超过规定的阈值，则该节拍被拒绝。在一些实施例中，使用中间值来防止前置或后置节拍组中的单个不良节拍破坏计算。然而，在其他实施例中，使用来自前置组的平均值和来自后置组的中间值，这是因为前置组已经处理了节拍拒绝，仅在池中留下“良好”的节拍。

在一些实施例中，拒绝标准包括峰值距离。计算前置节拍的每个亚峰与标准化节拍之间的高度差。计算出的距离的平均值被计算为m_pre。类似地，计算m_post。如果m_pre和m_post都过规定的阈值，则该节拍被拒绝。这个拒绝标准被包括在内，是因为一些噪音模式是收缩峰值处的极端跳跃；然而，在其他实施例中，这些噪音模式可以使用抖动率标准容易地检测。

在一些实施例中，拒绝标准包括抖动率。术语抖动来自y”，由于TCD波是速度(一阶导数)，所以它是血液位置的三阶导数。计算节拍的y”的最大值并与规定的阈值进行比较。如果它大于阈值，则节拍被拒绝。这背后的原因是流体的加速应该平稳地改变。这个标准对于许多在波形中具有随机闪烁(blip)的扫描可能很有用。

在一些实施例中，拒绝标准包括低平均值。在整个时间域内计算节拍的平均值，并与规定的阈值进行比较。如果它太低，则节拍被拒绝。在一些实施例中，该拒绝标准包括动态地(例如，通过整个TCD信号的平均值，0.8X平均值(TCD))计算信号的阈值。在一些实施例中，将低平均阈值设置为数据分布的1个百分点。因此，可以修复以低速拒绝节拍的问题。

在一些实施例中，拒绝标准包括低起始点。将节拍的起始值(例如，先前节拍的舒张谷)与规定的阈值进行比较。如果其太低，则节拍被拒绝。相应地，当信号在扫描期间下降时，这个标准允许拒绝真正不好的信号。在一些实施例中，信号的阈值是动态计算的，例如，整个TCD信号的直方图的阈值被设置为明显超出正常范围的直方(bin)的某个截止点。在一些实施例中，低起始阈值被设置为起始点分布的1个百分点。因此，可以修复以低速拒绝节拍的问题。

在一些实施例中，拒绝标准包括小峰值。节拍的最大值与节拍平均值的阈值标量乘数进行比较。如果其太低，则节拍被拒绝。因此，该标准拒绝最大峰值不显著的节拍，表明节拍可能畸形或者不是正确分段的节拍。

在一些实施例中，对于被拒绝的每个节拍，相应的峰值列表也被拒绝。除了第一个峰值用于节拍对准之外，峰值可以在节拍拒绝之后被确定，其中节拍对准发生在拒绝之前，因为它将节拍放在相同的时间基础上。在一些实施例中，信号分析(例如，框303)两次通过节拍拒绝部件框702g。

在一些实施例中，702d由702j补充以帮助检测节拍。这可以包括但不限于心电图(ECG)、脉搏血氧测定、或与心动周期有关的其他信号。

图7C示出了根据一些实施例的用于在确定神经状况的系统中进行信号分析的多个CBFV波形710、720、730。

在一些实施例中，在框702h和702i处，在框702g处的节拍拒绝之后，输出用于分析的CBFV信号的峰值和谷值以及节拍。例如，图7C示出了多个CBFV波形或速度包络710、720、730，其可以是在框303分析的信号。波形710、720、730的x轴对应于时间，而y轴对应于血流速度。在框702处，系统已经识别CBFV波形710、720、730的峰和谷，例如，各个峰712(即，第一峰712a，第二峰712b，第三峰712c)，722(即，第一峰722a，第二峰722b，第三峰722c)，732(即，第一峰732a，第二峰732b，第三波峰732c)和各个谷714(即，第一谷714a，第二谷714b，第三谷714c)，724(即，第一谷724a，第二谷724b，第三谷724c)，734(即，第一谷734a，第二谷734b，第三谷734c)。三个峰和三个谷之间的关系可以根据底层生理学而不同，所以正确识别这些特征是至关重要的。

图7D示出了根据一些实施例的在确定神经状况的系统中用于信号分析(包括应用704)的流程图。

在一些实施例中，信号分析平台(例如框303)用于执行CBF或CBFV信号的分析。上述峰和谷的位置通过稳健地提供这些用于分析的特征的表征来解决传统TCD的技术限制。以下部分定义了由这些分析的峰提供的特定应用(例如，如图7C中所分析的)。换句话说，图7D示出了来自信号内的峰和谷的鲁棒表征的可动作输出变量的示例。表征可以包括但不限于数学特征和操纵，例如瞬时值、均值、导数、积分或其他变换。

图7E示出了根据一些实施例的用于确定神经状况的系统中用于信号分析的多个CBFV波形710、720、730。在一些实施例中，CBFV波形710、720、730的分析基于提高的P2比率704a。示出了CBFV波形710、720、730的三个示例，其具有波幅度(waveAmp)(定义为单个节拍的最大值减去最小值)746a、746b、746c，以及P2比率750a、750b、750c除以waveAmp 746a、746b、746c。关于波形720，因为第二峰值722b是脉冲的最大值，所以P2比率是1。

在一些实施例中，信号分析平台(例如，框303)的应用包括框704a处的P2比率。P2比率是定义为第二峰值(712b，722b，732b)的幅度除以所显示的CBFV脉冲的波幅度(waveAmp＝峰值CBFV和最小CBFV之间的差值(waveAmp 746a、746b、746c))的变量。P2比率与无法用传统TCD评估的动脉床的扩张和收缩有关。根据各种实施例，该分析提供了评估远端血管系统的问题的技术解决方案。

图7F示出了根据一些实施例的用于确定神经状况的系统中用于信号分析的多个CBFV波形750、760。在一些实施例中，CBFV波形750、760的分析基于减小的k1斜率分析704b(例如，谷值一和峰值一之间的斜率)。参考图7F，波形750包括斜率752，并且波形760包括斜率762。两个CBFV波形750和760包括不同的峰值一斜率，其中减小的峰值一斜率与不能用传统分析量化的特定病理学有关。在一些实施例中，使用来自波形的其他部分的斜率，例如在722a和722b之间，在722b和722c之间，或沿着波形的任何其它位置。

在一些实施例中，信号分析平台(例如，框303)的应用在框704b处包括减小的峰值一斜率。可以基于CBFV波形的峰712、722、732和谷714、724、734的位置来计算斜率。斜率提供了有关使用传统分析方法无法评估的颅穹窿的合规性(compliance)的信息。如图7F所示，提供了中风治疗后患者的波形750和760的示例。在中风患者中，波形750的斜率752与波形760的健康峰值一斜率762相比减小。在一些实施方案中，该应用的输出包括在斜率、基于对侧测量值的斜率变化、与基线相比的斜率变化、与年龄匹配对照数据库相比的斜率变化、以及其他比较中。

在一些实施例中，信号分析平台(例如，框303)的应用在框704c处包括不对称比率。采用两个匹配血管之间的比率来评估两侧之间的速度差，并将其用作不对称指数(AI)的初始因子，如以下等式所示：

在一些实施例中，当AI达到特定阈值时，其可以用作诊断。一个例子是如图7F所示的中风，其中对侧测量导致AI明显不同于1。当AI接近1时，表明速度在每一侧相似。在一些实施例中，该决定将通过屏幕(例如，使用数字或评分)、灯光(例如红色、黄色、绿色)、声音、或物理反馈(例如振动)报告给医疗保健专业人员。通过将计算出的AI与受试者的先前测量结果(例如，针对获知和存储在数据库中的不同指征或者数据的已知测量结果)进行比较来做出决定。

另外，当使用比例因子来说明预期的流量差异时，可以基于不同血管位置或不同血管的对侧测量来计算AI，例如：

其中从数据库或先前的测量结果中计算出AI-scale(AI-缩放)，例如：

例如，如果平均(例如，先前已知的平均)近端MCA速度为55.7cm/秒用于同侧速度血管一，并且大脑前动脉(ACA)AI在65mm深度和47.1cm/秒的速度用于对侧速度血管二，则AI_scale＝55.7/47.1＝1.18。然后AI_scale考虑到预期不同的血管具有不同的速度，因此在诊断测量期间，如果测量到与已知值相似的速度，则AI-diff仍然接近于1，这可以表明流量是正常的。如果使用相同的血管和位置，则AI-scale会有效地减少到1，这是更直观的情况。在一些实施例中，不同血管的速度可以彼此比较，这并不直观。

在一些实施例中，传统的速度测量是本领域普通技术人员已知的，或者可以被测量并存储在数据库中用于比较。在一些实施例中，基于人口统计学(例如但不限于年龄、种族和位置)的不同血管的精确速度的大型数据库被建立，并用于脑血管系统中任何位置的精确AI_scale值。

因此，在一些实施例中，解决了技术问题，即传统的人工操作员不能以足够的精度调整换能器以在特定位置重复定位已知的血管。通过本文所述的运动机构可以实现精确的AI_scale，因为血管系统的精确位置可以基于来自机器人控制的精确的已知位置来识别，然后相互比较，从而导致使用AI_scale。

在一些实施例中，信号分析平台(例如，框303)的应用在框704d包括脉动指数。脉动指数被定义为最大速度(例如，第一峰值712a，第二峰值722b，第一峰值732a)减去舒张速度(例如，第一谷值714a、724a、734a)再除以平均速度，或PI＝(P1-D)/V。

在一些实施例中，信号分析平台(例如，框303)的应用在框704e处包括阻力指数。阻力指数是远端阻力的量度，或RI＝(P1-D)/([P1+D)/2]。

在一些实施例中，信号分析平台(例如，框303)的应用包括框704f处的脑血管反应性。一种计算脑血管反应性的方法包括提取速度信号的DC分量。这可以通过首先对全局信号进行低通滤波，然后在二氧化碳(CO₂)浓度扰动期间选择最高峰来完成。计算整个检查的平均速度MV_BL，并且可以从以下公式得出心血管反应性CVR：

CVR＝(P_CVR–MV_BL)/MV_BL

也可以使用计算CVR的其他方法，例如但不限于，结合潮气末二氧化碳(EtCO₂)。

在一些实施例中，信号分析平台(例如，框303)的应用在框704g处包括峰值相关指数。峰值相关指数被定义为三个亚峰之间的皮尔逊相关系数。具体而言，Pc₁₂是第一峰712a、722a、732a与第二峰712b、722b、732b之间的相关系数。这允许追踪全脑血液动力学环境，其中亚峰预呈现脑血管系统的不同方面。

在一些实施例中，信号分析平台(例如，框303)的应用包括在框704h处使用waveAmp。waveAmp 746a、746b、746c被定义为CBFV波形710、720、730的最大峰值减去波形的最小值。在可比较的系统中，该测量值可能无法在TCD中完全捕获，并可提供关于颅穹窿的合规性的额外信息。

在一些实施例中，信号分析平台(例如，框303)的应用包括框704i处的幅度平均相关性。幅度平均相关性被定义为waveAmp 746a、746b、746c和CBFV波形710、720、730的平均值之间的皮尔逊相关系数。在一些实施例中，绑定到自动化机制以追踪每时每刻大脑动态的特征将导致更好管理几种神经状况。

在一些实施例中，信号分析平台(例如，框303)的应用在框704j处包括CBFV AUC或CBFV包络下的区域。在一些实施例中，通过计算CBFV波形的积分来计算AUC。

在一些实施例中，上述应用或变量是利用信号分析平台(例如框303)的例子，其可以被输出到屏幕或用于信号优化和分析的自动化之后的附加数据处理。另外，这些特征被绑定到自动信号获取和优化。因此，本文所述的系统可用于许多不同的神经状况，包括但不限于TBI、中风、痴呆、头痛、肿瘤、帕金森病、或影响脑血流的其他心理/医学病症。在一些实施例中，系统用于诊断、监测和治疗。

在进一步的实施例中，本文描述的系统可用于各种应用，包括但不限于：使用用于非语言交流的功能性TCD，个体的血管识别(例如映射)，脑疗法，术中手术，麻醉监测，身体表现，抗凝血剂监测，和药物测试。在一些实施方案中，脑疗法包括在物理治疗中使用超声波来祛疤组织和刺激血流。利用精密机器人和定位技术，这种相同的超声波可以用于刺激血液流向大脑的特定区域，以帮助例如抑郁症、TBI、中风等。在进一步的实施方案中，脑疗法包括使用系统作为能量疗法(例如，作为咖啡因的替代物)。在一些实施例中，术中手术包括几种类型的手术，包括但不限于：颈动脉内膜切除术，维拉帕米注射(verapimilinjection)，用于正常压力脑积水(NPH)的分流放置，脑积水监测，以及监测脑灌注(例如麻醉)的任何手术。在一些实施例中，麻醉监测包括确定正确的麻醉量并跟踪个体的镇静水平。在一些实施例中，身体表现包括追踪大脑健康。在一些实施例中，抗凝剂监测包括随时间监测栓子以帮助告知医生如何滴定药物。在一些实施例中，药物测试包括监测对特定药物的脑血管反应(例如，通过血流监测警戒度)。

已经参考附图描述了在此描述的实施例。附图示出了实现在此描述的系统、方法和程序的特定实施例的某些细节。然而，用附图描述实施例不应被解释为将可能存在于附图中的任何限制强加于本公开。本实施例考虑用于完成其操作的任何机器可读介质上的方法、系统和程序产品。这些实施例可以使用现有的计算机处理器、或者为了这个或其他目的而并入的专用计算机处理器、或通过硬连线系统来实现。

如上所述，本公开的范围内的实施例包括程序产品，其包含非暂时性机器可读介质，用于携带或具有存储在其上的机器可执行指令或数据结构。这种机器可读介质可以是任何可用的介质，其可以被通用或专用计算机或具有处理器的其他机器访问。举例来说，此类机器可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备，或任何其他介质，该介质可用于携带或存储机器可执行指令或数据结构形式的期望程序代码，并且可以由通用或专用计算机或具有处理器的其他机器访问。上述的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机器执行某一功能或一组功能的指令和数据。

已经在方法步骤的一般上下文中描述了实施例，这些方法步骤可以在一些实施例中通过包括机器可执行指令(例如程序代码)的程序产品来实现，例如以由联网环境中的机器执行的程序模块的形式来实现。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。机器可执行指令、关联数据结构和程序模块表示用于执行本文公开的方法步骤的程序代码的示例。这种可执行指令或关联数据结构的特定序列表示用于实现在这些步骤中描述的功能的对应动作的示例。

如前所述，实施例可以在联网环境中使用到一个或多个具有处理器的远程计算机的逻辑连接来实施。本领域技术人员将认识到，这样的网络计算环境可以包括许多类型的计算机，包括：个人计算机，手持设备，多处理器系统，基于微处理器或可编程的消费电子产品，网络PC，小型计算机，大型计算机，等等。实施例还可以在分布式计算环境中实施，其中任务由通过通信网络链接(通过硬连线链接、无线链接、或通过硬连线或无线链接的组合)的本地和远程处理设备执行。在分布式计算环境中，程序模块可以位于本地和远程存储器存储设备中。

用于实现整个系统或实施例的一部分的示例系统可以包括计算机形式的通用计算设备，包括处理单元、系统存储器、以及将包括系统存储器的各种系统组件耦接到处理单元的系统总线。系统存储器可以包括只读存储器(ROM)和随机存取存储器(RAM)。计算机还可以包括：用于读写磁硬盘的磁性硬盘驱动器，用于读取或写入可移动磁盘的磁盘驱动器，以及用于读取或写入可移动光盘的光盘驱动器(如CD ROM或其他光学介质)。驱动器及其相关的机器可读介质为计算机提供机器可执行指令、数据结构、程序模块和其他数据的非易失性存储。还应该注意，这里使用的词语“终端”旨在包含计算机输入和输出设备。如这里所述，输入设备包括键盘、小键盘、鼠标、操纵杆或执行类似功能的其他输入设备。如这里所述，输出设备包括计算机监视器、打印机、传真机或执行类似功能的其他输出设备。

应该注意的是，尽管这里的图表可以示出方法步骤或块的特定顺序和组成，但是应该理解，这些步骤或块的顺序可以不同于所描绘的。例如，可以同时执行或者部分同时执行两个或更多个步骤。而且，可以组合作为离散步骤执行的一些方法步骤，作为组合步骤执行的步骤可以分成离散步骤，某些过程的顺序可以颠倒或以其他方式变化，并且离散过程的性质或数量可以被改变或变化。根据替代实施例，任何元件或装置的顺序或序列可以变化或替换。因此，所有这样的修改旨在被包括在如所附权利要求所限定的本公开的范围内。这些变化将取决于所选择的软件和硬件系统以及设计人员的选择。应该理解，所有这些变化都在本公开的范围内。类似地，本公开的软件和网络实现可以利用具有基于规则的逻辑和其他逻辑的标准编程技术来完成，以完成各种数据库搜索步骤、关联步骤、比较步骤和决策步骤。

已经出于说明和描述的目的呈现了对实施例的上述描述。并非旨在穷举或将本公开限制为所公开的精确形式，并且根据上述教导可以进行修改和变化，或者可以从本公开中获得修改和变化。选择和描述实施方式是为了解释本公开的原理及其实际应用，以使本领域技术人员能够利用各种实施方式以及适合于预期的特定用途的各种修改。在不脱离如所附权利要求所表达的本公开的范围的情况下，可以在实施例的设计、操作条件和布置方面做出其他替代、修改、改变和省略。

根据各种实施例，使用五致动自由度(DOF)运动机构，其完全自动地对颞窗质量进行评估，并且即使在完全丢失信号之后也可以重新发现颞窗。对于本领域技术人员来说，区别存在于一方面的主动或致动自由度与另一方面的被动自由度之间。主动或致动自由度包括致动器，例如电机。被动自由度不需要这样的致动器。在本说明书中，如果使用术语“自由度”而不被限定为被动，则所讨论的自由度意味着是主动或致动自由度。在一些实施例中，计算机生成命令并且指示机构沿着头部表面平移和重新定向探头直到定位了候选信号为止。一旦定位，探头就会重新定向以增加信号强度。在一些实施例中，减少自动系统发现颞窗的搜索时间是通过将机构和探头在诸如颧弓的已知解剖学特征处对准来实现的。在一些实施例中，利用为用户引导的视觉窗口来执行对准，以将探头布置在沿着耳朵和眼睛之间的颧弓的初始起始点处。

在一些实施例中，在探头正确对准之后，探头的刚度以足够高的水平保持与表面垂直以保持探头被固定，同时足够低以便在探头顺着头部表面移入和移出时让用户感到舒适。在一些实施例中，X和Y轴可保持较高的伺服刚度，以保持探头位置的精确控制。在一些实施例中，因为探头的法向力由Z轴刚度确定，所以X轴和Y轴遇到的滑动力将被限制在舒适的水平，并且探头可以被引导以执行搜索TCD窗口。在一些实施例中，如果探头的方位需要改变，则取向刚度可以通过软件增加。

在一些实施例中，探头的运动机构包括五个电机或致动自由度Q＝{Jl,J2,J3,J4,J5)(即，电机或关节空间)以实现位置和取向X＝{x，y，z，摇移，倾斜}(即任务空间)上的五个自由度。因此，正向运动可写为电机坐标与探头坐标之间的关系：X＝fwd_kin(Q)，其中fwd_kin是代表基于机构设计的一系列方程的函数，并且通常通过Denavit-Hartenberg参数分析。

在一些实施方式中，经由具有分析逆解：Q＝inv_kin(X)的逆运动来指定TCD探头的布置，或通过使用数值微分(例如雅可比逆解dQ_cmd(n)＝J^-l(X_err(n))，其中J是雅可比行列式)来指定TCD探头的布置，以将电机的差动运动与探头的差动运动相关联，X_err(n)是时刻n时的探头位置和取向误差，dQ_cmd(n)是时刻n的差动电机命令。对于比被控制的探头位置和取向坐标具有更多电机或致动自由度的机构，运动学称为冗余，并且这种机构具有多于五个的电机。对于冗余机构，逆运动从逆雅可比行列式变化到雅可比行列式的Moore-Penrose伪逆阵(或其他广义逆矩阵)，

图8是根据示例性实施例的用于探头4020的虚拟支撑结构4010的模型的图。支撑结构4010被配置成相对于目标表面4022定位探头4020。在一些实施例中，探头4020是医疗探头，例如与经颅多普勒(TCD)设备一起使用以发出指向目标表面4022的超声波辐射的医疗探头。在其他实施例中，探头4020被配置成在操作期间发射其他类型的波，例如但不限于红外波、X射线等。在各种实施例中，探头4020可以是经颅彩色编码超声波检查法(TCCS)探头，或者它可以是阵列，例如发射波的有序阵列或相控阵列。

在一些实施例中，探头4020具有第一端4020a和第二端4020b。在一些实施例中，第一端4020a与支撑结构4010对接。在一些实施例中，第二端4020b接触探头4020在接触点4021处操作的目标表面4022。在一些实施例中，第二端4020b是凹形结构使得接触点4021为环形(即，第二端4020b沿着凹形第二端4020b的圆形外边缘接触目标表面4022)。支撑结构4010控制探头4020的相对位置(例如，z轴力、y轴力、x轴力、法线对准等)。支撑结构4010被示为虚拟结构，该虚拟结构包括：耦合在探头4020和虚拟表面4012之间并且沿着z轴4013施加力的第一虚拟弹簧4011；耦合在探头4020和虚拟表面4020之间并且沿着y轴4016施加力的第二虚拟弹簧4014；以及耦合在探头4020和虚拟表面4019之间并且沿着x轴4018施加力的第三虚拟弹簧4017。虚拟支撑结构4010还包括施加关于倾斜轴4027的扭矩的扭转弹簧4023和施加关于摇移轴4029的扭矩的第二扭转弹簧4025。在一些实施例中，虚拟支撑结构4010包括其他虚拟元件，例如虚拟阻尼器(未示出)。虚拟阻尼器代表提高系统稳定性的元件，对调整系统的动态响应非常有用。通过对机构惯性、电机旋转惯性、向心/离心效应的影响进行建模和馈送，并将其替换为任意的惯性特性，可以在装置的物理性能限制内将探头的虚拟或表观惯性设置为具有各向同性或各向异性特性。

虚拟支撑结构4010表示可用于相对于目标表面4022定位探头4020的各种机械结构，如下面更详细描述的那样。在一些实施例中，使探头4020的第二端4020b接触相对柔弱的表面，例如患者或受检者的皮肤。支撑结构被配置为调整其刚度(例如，阻抗，顺应性等)以在探头4020上提供可变的线性力和旋转力，并且可以在一些方向上是刚度相对较大，并且可以在其他方向上是相对柔顺的。例如，支撑结构4010可以施加最小的力并且可以沿着z轴4013是相对柔顺的以最小化在大致垂直于目标表面4022的方向上施加到患者或受检者的力(例如，如果患者或受检者相对于支撑结构移动)，并且可以沿着y轴4016和x轴4018是相对较硬的以提高探头4020沿大致平行于目标表面4022的平面的位置精度和精确度。此外，支撑结构4010沿着各个轴线方向的期望的刚度可以取决于手头的任务而随着时间变化。例如，支撑结构可以被配置为在支撑结构4010正在相对于患者或受检者移动的情况下(例如，在探头结构的初始设置、移除探头结构等期间)或者当在相对自由移动的情况下是有利的时(例如，在维护/清洁等期间)是相对具有顺应性的，并且在探头4020的定位精度和精确度是有利的情况下(例如，在用探头4020执行TCD程序或其他程序期间)可以被配置为在某些方向上刚度相对较大。

如下面更详细描述的，可以利用支撑结构4010的运动学模型来计算由探头4020施加到目标表面4022的力与由致动器致动支撑结构4010所施加的力(例如，扭矩)之间的关系。在理想化系统中通过探头4020施加到目标表面4022的力因此可以在理论上被确定，而不需要直接的力感测，由此消除了测力传感器的需求，该测力传感器与探头4020和/或耦合到探头4020的力扭矩传感器对齐设置以用于维持使信号质量最大化的适当接触力。在物理系统中，沿着其他非模式化物理效应的静摩擦力可能引入一些不确定性。

参考图9，根据示例性实施例示出了探头4020，该探头4020被安装到支撑结构的一部分上，该支撑结构示出为万向节结构4024，其可以在第一端4020a处围绕多个轴旋转。万向节结构4024包括能够围绕倾斜轴4027旋转的第一框架构件4026和能够围绕摇移轴4029旋转的第二框架构件4028。目标表面4022可以是不平坦的(例如，非平面的)。万向节结构4024允许探头4020进行取向，使得其在接触点4021处与目标表面4022垂直。

现在参照图10到图12，示出根据示例性实施例的用于探头4020的支撑结构4030，其是双连杆旋转副(例如，旋转副-旋转副，revolute-revolute)机器人。支撑结构4030包括第一框架构件4032、第二框架构件4034、第三框架构件4036、第四框架构件4038和万向节结构4024。第一框架构件4032被配置为静态构件。例如，第一框架构件4032可以被安装到佩戴在患者或受检者头部上的晕轮(halo)或头戴式设备4033，或者安装在将第一框架构件4032附接到患者或受检者或相对于患者或受检者固定第一框架构件4032的位置的其他结构。探头4020被配置成将能量发射到患者或受检者的头部内。

参考图10，第二框架构件4034是被构造成围绕z轴4013旋转的连杆。z轴4013大致垂直于头部表面。第二框架构件4034的第一端4040耦接到第一框架构件4032。根据示例性实施例，第二框架构件4034相对于第一框架构件4032的旋转由致动器4042控制，致动器4042示出为电机和齿轮箱，其通过第一框架构件4032连接。致动器4042用作垂直平移致动器，以沿大致垂直于头部表面的垂直轴平移探头。

第三框架构件4036是被配置为围绕z轴4013旋转的连杆。第三框架构件4036的第一端部4044被耦接到第二框架构件4034的第二端部4046。根据示例性实施例，第三框架构件4036相对于第二框架构件4034的旋转由致动器4048控制，致动器4048示为通过第二框架构件4034附接的电机和齿轮箱。

第四框架构件4038被配置为沿着z轴4013移动(例如，移入和移出、进入头部和离开头部等)。根据示例性实施例，第四框架构件4038沿着固定到第三框架构件4036的第二端4052的导轨构件4050滑动。第四框架构件38相对于第三框架构件4036的位置由致动器控制，例如电机和导螺杆(为了清楚起见未示出)。

万向节结构4024和探头4020安装到第四框架构件4038。万向节结构4024控制探头4020围绕倾斜轴4027和摇移轴4029的取向(例如摇移和倾斜)。探头4020围绕倾斜轴4027的位置由示出为电机和齿轮箱的致动器4054控制。致动器4054充当旋转致动器以旋转探头。探头4020围绕摇移轴4029的位置由示出为电机和齿轮箱的致动器4056控制。致动器4056充当旋转致动器以旋转探头。在一个实施例中，无论框架构件4034和4036的旋转如何，探头4020围绕倾斜轴4027和摇移轴4029的旋转都不同于z轴4013。

通过第二框架构件4034和第三框架4034的旋转，探头4020能够在x-y平面上移动，即由x轴4018和y轴4016限定的平移平面上移动。探头4020能够通过第四框架构件4038的平移沿着z轴4013(即平移轴)移动。此外，探头4020能够通过万向节结构4024围绕倾斜轴4027和摇移轴4029旋转。结合这五个致动自由度允许探头4020相对于目标表面4022的位置和取向被完全描述和控制，从而不理会围绕正交于摇移轴4029和倾斜轴4027的第三轴线的旋转。

根据示例性实施例，用于定位支撑结构4030的致动器是伺服电机。与步进电机相比，使用伺服电机来控制支撑结构允许为电机的扭矩输出、旋转位置和角速度以及探头4020的相应位置和探头4020与目标表面4022之间的相互作用进行更精确的控制。当然，也可以使用本领域普通技术人员已知的其他合适的电机。

现在参考图13到图15，示出根据另一个示例性实施例的用于探头4020和万向节结构4024的支撑结构4060，其示出为棱柱形(例如笛卡尔或垂直的棱柱形等)机器人。图30示出了示例性的棱柱-棱柱-棱柱机器人。支撑结构4060包括第一框架构件4062、第二框架构件4064、第三框架构件4066、第四框架构件4068和万向节结构4024。第一框架构件4062被配置为静态构件。例如，第一框架构件4062可以被安装到佩戴在患者或受检者头部上的晕轮或头戴式设备4033，或者将第一框架构件4062相对于患者或受检者的位置固定的其他结构。

第二框架构件4064被配置为沿着y轴4016移动(例如，上下移动，从耳朵的底部至耳朵的顶部移动等)。根据示例性实施例，第二框架构件4064沿着固定到第一框架构件4062的导轨构件4070滑动。第二框架构件4064相对于第一框架构件4062的位置由致动器控制，例如电机和导螺杆(为了清楚起见未示出)。

第三框架构件4066被配置为沿着x轴4018移动(例如，向前和向后移动，从耳朵到眼睛移动等)。根据示例性实施例，第三框架构件4066沿着固定到第二框架构件4064的导轨构件4072滑动。导轨构件4072与导轨构件4070正交。第三框架构件4066相对于第二框架构件4064的位置框由致动器控制，例如如电机和导螺杆(为了清楚起见未示出)。

第四框架构件4068被配置为沿着z轴4013移动(例如，移入和移出、进入头部和离开头部等)。根据示例性实施例，第四框架构件4068沿着固定到第三框架构件4066的导轨构件4074滑动。第四框架构件4068相对于第三框架构件4066的位置由致动器控制，例如电机和导螺杆(为了清楚起见未示出)。

万向节结构4024和探头4020安装到第四框架构件4068。万向节结构4024控制探头4020围绕倾斜轴线4027和摇移轴4029(例如，倾斜和摇移)的取向。探头4020围绕倾斜轴4027的位置由示出为电机和齿轮箱的致动器4084控制。探头4020围绕摇移轴4029的位置由示出为电机和齿轮箱的致动器4086控制。

探头4020能够通过第二框架构件4064和第三框架构件4066的平移在x-y平面上移动，通过第四框架构件4068的平移沿着z轴4013移动，并且通过万向节结构4024绕着倾斜轴4027和摇移轴4029旋转。结合这五个致动自由度允许探头4020相对于目标表面4022的位置和取向被完全描述和控制，从而不理会围绕正交于摇移轴4029和倾斜轴4027的第三轴线的旋转。

可以为探头4020的支撑结构的任何实施例开发运动学模型，以确定施加在探头4020上的力与由控制支撑结构的致动器施加的力之间的关系。

首先确定支撑结构的刚度矩阵。使用大量变量来确定刚度矩阵，包括支撑结构的物理性质(例如，框架构件的几何形状、各个框架构件的刚度等)、沿所选坐标系轴线的系统刚度、和基于速度的系统阻尼项。根据示例性实施例，支撑结构的期望刚度在z方向(K_z)、y方向(K_y)和x方向(K_x)(例如，如图8中的虚拟弹簧4011、4014、4017所表示的那样)、以及围绕摇移轴4029(Kω_x)和围绕倾斜轴4027(Kω_y)(例如，如图8中的虚拟扭转弹簧4023和4025所表示的那样)来定义。如上所述，在一些实施例中，虚拟刚度随时间变化并且基于用探头4020完成的任务。例如，y方向和x方向上的刚度可以具有对应于设置和移除过程中相对较低的横向刚度的下限，其中支撑结构被配置成相对具有顺应性的；并且可以具有对应于扫描过程中相对较高的刚度的上限，其中支撑结构被配置为相对较硬，从而允许更精确地定位探头4020。同样，z方向上的刚度可以具有对应于在沿z方向对探头4020进行初始定位期间相对较低的刚度的下限，其中支撑结构被配置为相对具有顺应性以允许探头4020自对准(例如，以使患者或受检者的不适感最小化)；以及具有对应于扫描过程期间相对较高的刚度的上限，其中支撑结构被配置为更硬，以克服探头4020和目标表面4022之间的摩擦力并维持探头4020的取向。进一步地，围绕y轴和x轴的旋转刚度可以具有对应于在对探头4020进行定位的过程中的相对较低的旋转刚度的下限，以符合目标表面4022的轮廓(例如，患者或受检者的头部)，其中支撑结构(例如，万向节结构4024)被配置为是相对具有顺应性的(例如，以最小化患者或受检者的不适感)；并且可以具有对应于当期望探头4020的定位更精确(例如，摇移、倾斜等)时较高的旋转刚度的上限。

然后使用以下公式导出力矢量：

其中K是刚度矩阵，并且是x、y和z方向上的预期和实际的平移位置以及围绕探头4020的x轴4018和y轴4016的旋转位置的差的矢量。

然后可以使用以下公式来确定由致动器施加的控制支撑结构的位置的力(例如，由旋转致动器施加的扭矩)：

其中J^T是由特定支撑结构的运动学确定的雅可比转置。雅可比行列式是关节位置与末端效应器位置和取向(例如，探头4020的位置)之间的差分关系。关节位置或者以弧度为单位(例如，用于旋转关节)，或者以长度为单位(例如，用于棱柱型或者直线型关节)。雅可比行列式不是静态的，而是随着支撑结构位置的用关节连接而变化。

现在参考图16，示出了支撑结构4030的示意性前视图。第二框架构件4034由具有长度l₁的第一连杆4090表示。第一连杆4090由旋转致动器4094铰接(articulate)，旋转致动器4094的旋转被示为q₁。第三框架构件4036由具有长度l₂的第二连杆4092表示。第二连杆4092由旋转致动器4096铰接，旋转致动器4096的旋转被示为q₂。致动器4094和4096在x-y平面中移动探头4020。

该装置的正向运动学是：

c₁＝cos(q₁),s₁＝sin(q₁)

c₁₂＝cos(q₁+q₂),s₁₂＝sin(q₁+q₂)

x＝l₁c₁+l₂c₁₂

(公式3)

y＝l₁s₁+l₂s₁₂

(公式4)

这样的旋转副—旋转副机器人的雅可比矩阵是通过获得关于q₁和q₂的正向运动的偏导数而导出的。

公式5中示出的雅可比行列式是旋转副-旋转副机器人在x-y平面上的笛卡尔运动(例如，沿着y轴4016和x轴4018的平移)的雅可比行列式，描述关节运动和探头运动之间的差分关系。本领域的普通技术人员将理解，在其他实施例中，可以在雅可比行列式中包括附加项以描述探头4020的运动与机器人的其他运动(例如，探头4020围绕倾斜轴4027和摇移轴4029的旋转以及沿着z轴4013的平移)之间的差分关系。

现在参考图34，示出了支撑结构4060的示意性前视图。探头4020通过第一线性致动器4100(例如电机和导螺杆)在y方向上移动并且通过第二线性致动器4102(例如电机和导螺杆)在x方向上移动。致动器4100和4102在x-y平面中移动探头4020。由于每个关节都与另一个关节正交，并且具有关节运动与笛卡尔运动的一对一映射，所以这种棱柱机器人的雅可比行列式变为单位矩阵：

公式6中所示的雅可比行列式是用于棱柱形机器人在x-y平面上的笛卡尔运动(例如，沿着y轴4016和x轴4018的平移)的雅可比行列式，以便描述关节运动与探头运动之间的差分关系。在其它实施例中，可以在雅可比行列式中包括附加项以描述探头4020的运动与机器人的其他运动(例如，探头4020围绕倾斜轴4027和摇移轴4029的旋转以及沿着z轴4013的平移)之间的差分关系。

参考图10示，支撑结构4030利用单个线性致动器(例如，电机和导螺杆)平移第四框架构件4038来沿z方向控制探头4020的位置。参考图13，类似地，支撑结构4060利用单个线性致动器(例如，电机和导螺杆)平移第四框架构件4068来控制探头4020在z方向上的位置。对于任一支撑结构，致动器的位置与探头4020的位置之间存在直接相关性。

现在参考图18，根据示例性实施例示出了确定探头支撑结构的致动器的输入力或扭矩的方法4110。首先确定用于探头的支撑结构的构造(步骤4112)。该构造可以包括任何数量的旋转关节和/或棱柱关节。在一些实施例中，支撑结构提供探头沿着一个或多个轴(例如笛卡尔坐标系中的x、y和z轴；极坐标系统中的r、θ和z轴等)的平移和/或围绕一个或多个轴的旋转。

基于支撑结构的构造和支撑结构的预期可变刚度，确定支撑结构的刚度矩阵(步骤4114)。刚度矩阵包括基于支撑结构的物理性质的项，包括框架构件的几何形状和各个框架构件的刚度、支撑结构沿z方向(Kz)、y方向(Ky)以及x方向(Kx)的期望刚度、支撑结构的期望旋转刚度(Kω_x、Kω_y)以及用于系统阻尼的基于速度的项。

基于刚度矩阵以及探头的期望平移位置和旋转位置，确定力矢量(步骤4116)。探头的期望位置可以使用任何坐标系来确定。根据示例性实施例，力矢量是从刚度矩阵与探头的期望的平移位置和旋转位置的矩阵的乘积导出的。

然后计算支撑结构的雅可比行列式(步骤4118)。雅可比行列式由具体支撑结构的运动学决定。雅克比行列式是关节位置和末端效应器位置之间的差分关系。关节位置或者以弧度为单位(例如，用于旋转关节)，或者以长度为单位(例如，用于棱柱型或者直线型关节)。雅可比行列式不是静态的，而是随着支撑结构位置用关节连接而变化。

基于力矢量和雅可比行列式，确定致动器的输入力(步骤4120)。根据一个示例性实施例，致动器的输入力由雅可比行列式和力矢量的乘积导出。

现在参照图19到图21，示出了根据另一示例性实施例的用于探头4020的支撑结构4130，示出为五连杆旋转副机器人。支撑结构4130包括第一框架构件4132；耦接到第一框架构件4132的一对近端构件，示出为第二框架构件4134a和第三框架构件4134b；一对远端构件，其彼此耦接并耦接到相应的近端框架构件，示出为第四框架构件4136a和第五框架构件4136b；耦接到远端框架构件的第六框架构件4138；以及万向节结构4024。第一框架构件4132被配置为静态构件。例如，第一框架构件4132可以被安装到佩戴在患者或受检者头部上的晕轮或头戴式设备4033，或者将第一框架构件4132相对于患者或受检者的位置固定的其他结构。

第二框架构件4134a和第三框架构件4134b是被配置成围绕z轴4013旋转的连杆。第二框架构件4134a的第一端4140a被耦接到第一框架构件4132上。类似地，第三框架构件4134b的第一端4140b被耦接到第一框架构件4132的单独部分。根据示例性实施例，第二框架构件4134a相对于第一框架构件4132的旋转由致动器4142a控制，示出为通过第一框架构件4132附接的电机和齿轮箱。根据示例性实施例，第三框架构件4134b相对于第一框架构件4132的旋转由致动器4142b控制，示出为通过第一框架构件4132附接的电机和齿轮箱。

第四框架构件4136a和第五框架构件4136b是被配置成围绕z轴4013旋转的连杆。第四框架构件4136a的第一端4144a和第二框架构件4134a的第二端4146a各自经由轴承(例如压配轴承等)耦接到轮毂构件4148a。类似地，第五框架构件4136b的第一端4144b和第三框架构件4134b的第二端4146b各自经由轴承(例如压配轴承等)耦接到轮毂构件4148b。

第四框架构件4136a和第五框架构件4136b经由轴承(例如压配轴承等)耦接在一起以形成五杆机构。轮毂构件4148a和4148b使近端构件沿着z轴4013偏离远端构件，这允许近端框架构件(例如，第二框架构件4134a和第三框架构件4134b)在连杆由致动器4142a和4142b旋转时自由移动经过远端框架构件(例如，第四框架构件4136a和第五框架构件4136b)。

万向节结构4024和探头4020安装到第六框架构件4138。第六框架构件4138联接到一个远端构件(例如，第四框架构件4136a或第五框架构件4136b)并且被配置为沿着z轴4013移动万向节结构4024和探头4020(例如，移入和移出、进入头部和离开头部等)。如上面关于支撑结构4030的第四框架构件4038(参见图10到图12)所述，第六框架构件4138可以例如在导轨上移动。万向节结构4024控制探头4020围绕倾斜轴4027和摇移轴4029的取向(例如摇移和倾斜)。探头4020围绕倾斜轴4027的位置由致动器(例如电机和齿轮箱，未示出)控制。探头4020围绕摇移轴4029的位置由致动器(例如电机和变速箱，未示出)控制。在一个实施例中，无论框架构件4134和4136的旋转如何，探头4020围绕倾斜轴线4027和摇移轴4029的旋转都不同于z轴4013。

探头4020能够通过由第一框架构件4132、第二框架构件4134a、第三框架构件4134b、第四框架构件4136a和第五框架构件4136b形成的五杆机构的移动在x-y平面上移动。探头4020能够通过第六框架构件4138的平移沿着z轴4013移动。此外，探头4020能够通过万向节结构4024绕倾斜轴4027和摇移轴4029旋转。将这五个致动自由度结合允许探头4020相对于目标表面4022的位置和取向(参见图8到图9)被完全描述和控制，而不理会围绕正交于摇移轴4029和倾斜轴4027的第三轴线的旋转。

根据示例性实施例，用于定位支撑结构4130的致动器是伺服电机。当然，可以使用任何合适的电机代替伺服电机。与步进电机相比，使用伺服电机来控制支撑结构允许对电机的旋转为止和角速度、以及探头4020的相应位置与探头4020和目标表面4022之间的相互作用进行更精确的控制。

致动器4142a和4142b的输入力可以通过上述类似的方式来计算，即通过确定力矢量、确定支撑结构4130的正向运动学、以及通过采用正向运动学相对于每个致动器4142a和4142b的旋转的偏导数来计算雅可比行列式。

在一些实施例中，对于探头4020的接触和固定，不是试图预测和控制探头4020的精确位置和方位，而是通过机械设计或通过软件来选择性地控制探头4020的阻抗。这样，探头4020的取向自由度可以具有顺应性，使得它们与头部齐平旋转并抵靠接触和固定探头4020，同时平移自由度足够硬以移动探头4020并将其保持在头部上。在一些实施例中，每个方向具有不同的阻抗。

在一些实施例中，实现软件以限制探头4020的电机扭矩和电机伺服刚度。在一些实施例中，对于每个方向可以存在不同限制，从而在不同方向上产生不同的刚度。在一些实施例中，摇移和倾斜是非常具有顺应性，而平移运动适度地变硬。在一些实施例中，通过探头4020的刚度比X、Y平移自由度更具顺应性。

在一些实施例中，实施软件以用于任务空间阻抗控制。换句话说，可以考虑探头4020取向以定义具有穿过探头4020的中心的Z轴的局部坐标系。不是通过调整电机伺服刚度和扭矩限制来操控探头4020的阻抗，而是在一些实施例中，整个机器人的运动可以考虑设置探头4020坐标系本地的五个方向X、Y、Z、摇移和倾斜中的每一个方向的阻抗。这样，探头4020可以更具顺应性地通过探头4020的中心线，但仍然保持与皮肤表面的接触，但是具有足够的局部X和Y硬度以足够精确地控制探头4020的位置。

根据各种实施例，探头4020包括串行弹性致动器。在一些实施例中，通过在机械设计中添加顺应性构件来改变装置的阻抗，可以是电机中的弹簧元件或是机器人的结构构件。在一些实施例中，实现偏转量的测量以便测量探头4020的精确位置和取向。串行弹性致动器具有被设计成具有精确顺应性的益处，并且甚至添加了阻尼元件，同时避免与编程阻抗有关的计算非线性和不稳定性。

在一些实施例中，通过监测电机的施加电流来间接测量力。对于静态情况，考虑到机器人的运动，系统的力/扭矩矢量由雅可比行列式：F＝(J^T)^-1τ计算得出，其中τ是电机所施加的电力预测的电机扭矩的矢量。

在一些实施例中，探头4020和头部之间的相互作用力和扭矩通过在探头4020后面布置力/扭矩感测机构来控制。探头的位置和方位相对于所测量的力和扭矩是被指定的，以便实现期望的力/扭矩矢量。这种闭环控制器称为导纳控制，并被编入软件。导纳控制将测量的力与期望的探头位置和取向相关联，如以下公式所示。

期望的位置矢量被用于从逆运动中计算期望的关节位置。电机关节控制器采用高伺服刚度进行编程，以增强抗干扰能力，并具有较低的伺服跟踪误差。在图22中示出了混合位置-力导纳控制器4150。

在混合位置-力控制器的该示例中，在探头的z方向上控制力，同时在x和y方向以及摇移和倾斜方位上控制位置。由探头命令输入块4154发送任务空间中的位置和力的混合命令[x_cmd，y_cmd，F_cmd，pan_cmd，tilt_cmd]4152，探头命令输入块4154确定探头的面向任务的移动，例如搜索。在这种情况下，在x、y、摇移和倾斜方向上指定位置和取向，并以长度和角度(毫米和弧度)为单位给出。力在z方向上指定，并以牛顿为单位给出。对于导纳控制器，力命令必须转换为所需的位置。与导纳力控制块154的命令用法相同，力命令F_cmd 4156从探头输入命令块4514中提取。使用所测量的力F_测量，z位置的变化Δz由导纳控制器力控制法则块4158来计算。示出了简单的单比例增益控制器，但是也可以使用其他控制器形式。在更新z命令位置块4160中，Δz 4162被添加到旧的z命令位置以创建更新的z命令Z_cmd 4164。该信息与协调探头命令块4166中的其他探头位置和取向命令合并。协调命令R_cmd4168以长度和角度单位指定探头位置和取向[x_cmd，y_cmd，z_cmd，pan_cmd，tilt_cmd]。反向运动块4170使用协调命令R_cmd 4168基于特定机器人的机构来求解新的机器人关节命令位置q_cmd 4172。从上面的讨论可以理解，机器人可以具有直接分析逆解，或者基于取决于自由度数量的逆或伪逆雅可比行列式的数值解。

关节命令位置q_cmd 4172被用作由关节电机控制器块4174、输出扭矩4176、作为物理机器人的机器人机械块4178和被测量的关节位置q4180组成的内部位置控制回路的输入。机器人机械块4178还包括力传感器，该力传感器输出测量的力F_测量4182。测量的力F_测量4182是发送到导纳力控制法则块4158的第二输入，其关闭力控制回路。

所测量的关节位置q 4180被用作正向运动学块4184计算的输入，正向运动学块4184计算当前探头位置和取向[x，y，z，摇移，倾斜]4186，并将其发送回探头命令输入框4154，用于其探头命令生成算法。

当与阻抗法则结合时，探头4020处的不同方向和取向刚度可以被编程。导纳控制适用于非反向驱动电机，这种电机难以与纯阻抗控制器一起使用，因为在没有力-扭矩传感器的情况下，当用户静止时，抵抗用户的静摩擦无法观察到。

支撑结构的其他构造包括过和欠致动机构。过致动机构或冗余机械手包括比试图被控制的任务空间坐标更多的致动自由度；例如电机的数量Q＝{Jl,J2,J3,J4,J5,…)大于正在被控制的探头的位置和取向X＝{x，y，z，摇移，倾斜}的五个自由度。对于这样的机构，将会有许多并且可能是无限数量的反向运动解。

过致动机构或冗余操纵器的一个例子是由Universal Robots制造的UR3机器人，该机器人具有六个旋转关节，每个旋转关节均由其自身的致动器或电机控制，以允许六个致动自由度的运动。参考图23，在一些实施例中，探头4020可以放置在冗余操纵器4190上。参考图14，在一些实施例中，冗余操纵器4190可以方便地安装在可包括显示屏幕4194的监视台4192上。参考图15，可以控制冗余操纵器扫描颧弓4196。参考图16，可以控制冗余操控器以通过眼窝或眼眶198执行经眶间扫描。参考图27，可以控制冗余操纵器扫描枕骨4200。参考图28，可以控制冗余操纵器来扫描下颌下部4202。

如图29所示，在一些实施例中，自动TCD系统4203包括：提供机器人定位的冗余操纵器4190，具有力传感器4206的探头保持器4204，探头驱动器板4208和控制计算机4210。冗余操纵器4190的一些实施例提供足够的运动精度，已经被认证用于其工作空间中的人周围，并且具有可设定的安全等级以限制速度和冲击力。这些特征解决了允许与人类一起使用的安全问题。可以是Spencer TCD探头、用于对患者或受试者体内的血管施加声波作用的探头4020被安装到探头保持器4204上，被称为“末端效应器”。探头保持器4204安装到冗余操纵器4190的末端，并具有轴向力传感器4206，以直接监测由冗余操纵器4190施加到被扫描表面的力。力传感器4206将力传感器信息4212发送到冗余操纵器4190。该力传感器4206用于确保在探头4020和被扫描表面之间产生足够的接触力，而且也是防止接触力过载的第二安全措施。在一些实施例中，探头驱动器板4208连接到探头4020并提供电子器件，以将电力4214发送到探头，以发射超声能量并处理返回的传感器输出信号4216。

在一些实施例中，控制计算机4210经由TCP/IP通信4218连接到冗余操纵器4190控制器4220，并且通过USB 4222连接到探头驱动器板4208。冗余操纵器4190向控制器4220提供关于诸如其当前位置、速度、施加到末端效应器的估计力、定制传感器读数和其他状态信息的信息4224，然后该信息4224经由TCP/IP 4218被传送到控制计算机4210。探头驱动器板4208的USB 4222接口提供了设置探头4020参数和操作(如深度)的方法，并返回处理后的数据，如速度包络。控制计算机4210取得所有这些信息以执行探头搜索算法并发出新的冗余操纵器4190命令来移动冗余操纵器。实施例还可以使用机器学习算法来模拟训练有素的技术人员定位声波作用血管的专业技能。在一些实施例中，控制计算机4210自主地控制探头4020扫描过程，但是在其他实施例中，人可以使用本领域技术人员已知的技术(例如NeuroArm和DaVinci手术机器人中使用的技术)来远程操作探头4020扫描过程。

现在参照图30a和图30b，图30a示出了图29的冗余操纵器4190、力传感器4206、探头保持器4204和探头4020。图30b示出使用该配置的测试结果，示出了被控制到2至10N的死区范围220的力输出。

集成测试表明，可以在整个系统上保持125Hz的控制回路，该回路足够快以读取来自探头驱动器板4208的所有数据，读取来自冗余操纵器4190的所有状态数据，更新信号处理和计划算法，并且以其伺服速率向冗余操纵器4190发出新的运动命令。

在一些实施例中，使用具有多于六个致动自由度的模块化蛇形机器人或其他机器人运动配置来代替UR3作为冗余操纵器。

现在参照图31-图33，示出了欠致动系统4300。这样的系统在x、y、摇移、倾斜轴上具有四个致动自由度，并且弹簧沿着z轴提供力。在所示的欠致动系统4300中，系统具有少于五个的致动自由度，但仍能够执行TCD定位任务。所示的欠致动系统4300是四致动自由度机构，其可以以X＝{x，y，摇移，倾斜}对探头4020进行定位和取向。在欠致动系统4300中，弹簧4302沿着z轴4013在探头4020上施加力。在五致动自由度系统中，由欠致动系统4300中的弹簧施加的力将由电机驱动机构致动。万向节结构4024允许探头4020被取向。通过表征与弹簧4302相关联的弹簧常数来监测z轴4013中起作用的力。通过致动器3404来控制x轴4018中的致动，该致动器示出为电机和导螺杆。在y轴4016中的致动由致动器4306控制，该致动器4306示出为电机和导螺杆。摇移轴4029中的致动由电机4308控制。倾斜轴4027中的致动由电机4310控制。

现在参照图34、图35和图36，示出了用于探头4020的支撑结构4400，并且示出了根据另一个示例性实施例的作为棱柱形(例如笛卡尔型、直线型等)机器人的万向节结构4024。例如，支撑结构4400可以被安装到佩戴在患者或受检者的头部上的晕轮或头戴式设备4033或其他结构。支撑结构4400包括覆盖支撑结构4400的一些机构的盖4401。在图36中，支撑结构4400的分解图示出了从支撑结构4400取下的盖4401。

第一电机4402被配置成使用第一正齿轮4404来致动导螺杆4405机构。第一正齿轮4403耦接到第二正齿轮4404，第二正齿轮4404将第一电机4402的旋转运动转换成沿着导螺杆4405的线性运动，以沿着y轴4016(例如，上下平移，从耳朵底部到耳朵顶部的平移等)平移探头4020。第二电机4406被配置为使用与第四正齿轮4408耦接的第三正齿轮4407，第四正齿轮4408又耦接到齿条和小齿轮机构4409以将探头4020沿着z轴4013朝向和远离受检者头部进行平移。如图所示，在图35，第三电机4412和轴承4410允许万向节4024围绕倾斜轴4027旋转，倾斜轴4027在该实施例中平行于x轴4018。板4414容纳两个线性导轨4416、4418，并且允许安装第四电机(为了清楚起见未示出)以沿着x轴4018平移(例如，向前和向后平移，从耳朵到眼睛平移等)。如图36所示，第五电机4420允许控制万向节4024围绕摇移轴(pan axis)4029的旋转，摇移轴4029在本实施例中平行于y轴4016，从而完成限定五自由度致动机器人系统的必要自由度。

Claims (46)

1.一种用于使用包括换能器的机器人系统来确定受检者的神经状况的方法，所述方法包括：

由计算系统确定相对于受检者的血管的第一位置，所述机器人系统被配置成将所述换能器定位在所述第一位置；

响应于所述换能器向所述血管发射声能，由所述计算系统接收来自所述血管的第一信号；

由所述计算系统分析所接收的第一信号以确定所述血管中血流的第一参数；以及

由所述计算系统基于所述血管中血流的所述第一参数来确定所述受检者的神经状况。

2.根据权利要求1所述的方法，还包括：

由所述计算系统确定相对于所述受检者的血管的第二位置，所述第二位置不同于所述第一位置，并且所述机器人系统被配置成将所述换能器定位在所述第二位置；

响应于所述换能器向所述血管发射声能，由所述计算系统接收来自所述血管的第二信号；以及

由所述计算系统分析所接收的第二信号以确定所述血管中血流的第二参数。

3.根据权利要求2所述的方法，还包括：由所述计算系统基于所述第一参数和所述第二参数来创建所述血管的映射图像。

4.根据权利要求3所述的方法，其中，所述映射图像包括所述血管的位置信息和所述血管的血流信息。

5.根据权利要求3所述的方法，其中，所述映射图像包括所述血管的超声图像。

6.根据权利要求3所述的方法，还包括：由所述计算系统访问包括所述受检者的已知血管位置信息的数据库，其中所述已知血管位置信息被用于创建所述血管的映射图像。

7.根据权利要求3所述的方法，还包括：由所述计算系统访问包括所述受检者的已知血管位置信息的数据库，其中所述已知血管位置信息被用于确定相对于所述血管的所述第一位置。

8.根据权利要求2所述的方法，还包括：

由所述计算系统基于所述第一参数和所述第二参数计算不对称比率；以及

由所述计算系统基于所述不对称比率来确定所述受检者的神经状况。

9.根据权利要求8所述的方法，还包括：

由所述计算系统从数据库检索对应于所述第二位置的缩放因子；以及

由所述计算系统使用所检索到的缩放因子来对所述第二参数进行归一化，其中，基于归一化后的第二参数来确定所述不对称比率。

10.根据权利要求8所述的方法，还包括：

由所述计算系统确定所述不对称比率大于或小于预定阈值；以及

由所述计算系统响应于对所述不对称比率大于或小于所述预定阈值的确定而检测所述神经状况。

11.根据权利要求10所述的方法，其中，所述神经状况是中风。

12.根据权利要求1所述的方法，其中，所述第一信号包括在所述第一信号中同时接收的关于所述血管的多个深度的信息。

13.根据权利要求1所述的方法，其中，所述第一参数是所述血管的脑血流速度(CBFV)。

14.根据权利要求13所述的方法，还包括：由所述计算装置提取反映所述血管的CBFV的脉搏的CBFV波形。

15.根据权利要求14所述的方法，还包括：

由所述计算装置检测所述CBFV波形的多个峰值和所述波形的多个谷值；以及

由所述计算系统基于所述CBFV波形的所述多个峰值和所述多个谷值来确定所述受检者的神经状况。

16.根据权利要求14所述的方法，还包括：

通过计算所述CBFV波形的第二峰值的幅度除以所述CBFV波形的幅度，由所述计算装置确定所述CBFV波形的P2比率；以及

由所述计算装置基于所述P2比率来确定所述受检者的神经状况。

17.根据权利要求14所述的方法，还包括：由所述计算装置基于所述CBFV波形来确定脑血管反应性、平均速度或可变性中的一个或多个。

18.根据权利要求1所述的方法，其中，分析所接收的第一信号包括：

由所述计算系统估计所述受检者的心率；

由所述计算系统确定与接收的第一信号的多个节拍对应的多个起点；

由所述计算系统检测与所述多个节拍对应的多个峰值；以及

由所述计算系统拒绝所述多个节拍的子集。

19.根据权利要求18所述的方法，其中，拒绝所述子集是基于拒绝标准，所述拒绝标准包括到平均节拍的相关距离、到所述平均节拍的欧几里德距离、峰值的距离、马哈拉诺比斯距离、抖动和峰值幅度中的一个或多个。

20.根据权利要求1所述的方法，其中，所述第一位置相对于所述受检者处于经颞叶位置。

21.根据权利要求1所述的方法，其中，所述声能是经颅多普勒(TCD)能量。

22.根据权利要求21所述的方法，其中，所述换能器包括超声换能器的阵列。

23.根据权利要求1所述的方法，还包括：由所述计算系统访问包括具有与所述受检者的特征相似特征的受检者的已知血管位置信息的数据库，其中，所述已知血管位置信息用于创建所述受检者的血管的映射图像。

24.根据权利要求23所述的方法，其中，所述相似特征包括相似的人口学特征。

25.根据权利要求1所述的方法，还包括：

由所述计算系统计算所述第一参数的导数；以及

由所述计算系统基于第一参数的导数来估计第一参数的最大值或最小值。

26.根据权利要求25所述的方法，还包括：

由所述计算系统引入所述第一参数的导数的误差容限；以及

由所述计算系统基于所述导数和所述误差容限来计算所述第一参数的准最大值或准最小值。

27.根据权利要求1所述的方法，还包括：

由所述计算系统确定所述第一参数的曲率；以及

由所述计算系统基于所述曲率来估计所述第一参数的准最大值或准最小值。

28.一种用于确定受检者的神经状况的机器人系统，所述机器人系统包括：

换能器；

控制和信号处理逻辑，被配置为控制所述换能器的定位和处理由所述换能器接收的信号，所述控制和信号处理逻辑被配置为：

确定相对于所述受检者的血管的第一位置，所述机器人系统被配置为将所述换能器定位在所述第一位置；

响应于换能器向所述血管发射声能而从所述血管接收第一信号；

分析所接收的第一信号以确定所述血管中血流的第一参数；以及

基于所述血管中血流的第一参数来确定受检者的神经状况。

29.一种用于确定受检者的神经状况的方法，所述方法包括：

由计算系统确定相对于所述受检者的血管的第一位置；

由所述计算系统接收来自所述血管的第一信号；

由所述计算系统分析所接收的第一信号以确定血管中血流的第一参数；以及

由所述计算系统基于所述血管中血流的所述第一参数来确定所述受检者的神经状况。

30.根据权利要求29所述的方法，还包括：

由所述计算系统确定相对于所述受检者的所述血管的第二位置，所述第二位置不同于所述第一位置；

由所述计算系统从所述血管接收第二信号；以及

由所述计算系统分析所接收的第二信号以确定所述血管中血流的第二参数。

31.根据权利要求30所述的方法，还包括：由所述计算系统基于所述第一参数和所述第二参数来创建所述血管的映射图像。

32.根据权利要求31所述的方法，还包括：由所述计算系统访问包括所述受检者的已知血管位置信息的数据库，其中，所述已知血管位置信息用于创建所述血管的映射图像。

33.根据权利要求30所述的方法，还包括：

由所述计算系统基于所述第一参数和所述第二参数计算不对称比率；以及

由所述计算系统基于所述不对称比率来确定所述受检者的神经状况。

34.根据权利要求33所述的方法，还包括：

由所述计算系统从数据库检索对应于所述第二位置的缩放因子；以及

由所述计算系统使用所检索的缩放因子来对所述第二参数进行归一化，其中，基于归一化后的第二参数来确定所述不对称比率。

35.根据权利要求33所述的方法，还包括：

由所述计算系统确定所述不对称比率大于或小于预定阈值；以及

由所述计算系统响应于对所述不对称比率大于或小于所述预定阈值的确定而检测所述神经状况。

36.根据权利要求1所述的方法，其中，所述第一参数是所述血管的脑血流速度(CBFV)。

37.根据权利要求36所述的方法，还包括：由所述计算装置提取反映所述血管的CBFV的脉搏的CBFV波形。

38.根据权利要求37所述的方法，还包括：

由所述计算装置检测所述CBFV波形的多个峰值和所述波形的多个谷值；以及

由所述计算系统基于所述CBFV波形的所述多个峰值和所述多个谷值来确定所述受检者的神经状况。

39.根据权利要求37所述的方法，还包括：

通过计算所述CBFV波形的第二峰值的幅度除以所述CBFV波形的幅度，由所述计算装置确定所述CBFV波形的P2比率；以及

由所述计算装置基于所述P2比率来确定所述受检者的神经状况。

40.根据权利要求37所述的方法，还包括：由所述计算装置基于所述CBFV波形来确定脑血管反应性、平均速度或可变性中的一个或多个。

41.根据权利要求29所述的方法，其中，分析所接收的第一信号包括：

由所述计算系统估计所述受检者的心率；

由所述计算系统确定与接收的第一信号的多个节拍对应的多个起点；

由所述计算系统检测与所述多个节拍对应的多个峰值；以及

由所述计算系统拒绝所述多个节拍的子集。

42.根据权利要求41所述的方法，其中，拒绝所述子集是基于拒绝标准，所述拒绝标准包括到平均节拍的相关距离、到所述平均节拍的欧几里得距离、峰值的距离、马哈拉诺比斯距离、抖动和峰值幅度中的一个或多个。

43.根据权利要求29所述的方法，还包括：

通过计算所述CBFV波形的第二峰值的幅度除以所述CBFV波形的幅度，由所述计算装置确定所述CBFV波形的P2比率；以及

由所述计算装置基于所述P2比率来确定所述受检者的神经状况。

44.根据权利要求29所述的方法，还包括：

由所述计算系统计算所述第一参数的导数；以及

由所述计算系统基于所述第一参数的导数来估计所述第一参数的最大值或最小值。

45.根据权利要求44所述的方法，还包括：

由所述计算系统引入所述第一参数的导数的误差容限；以及

由所述计算系统基于所述导数和所述误差容限来计算所述第一参数的准最大值或准最小值。

46.根据权利要求29所述的方法，还包括：

由所述计算系统确定所述第一参数的曲率；以及

由所述计算系统基于所述曲率来估计所述第一参数的准最大值或准最小值。