CN115668395A - 用于处理视网膜信号数据和标识状况的系统和方法 - Google Patents
用于处理视网膜信号数据和标识状况的系统和方法 Download PDFInfo
- Publication number
- CN115668395A CN115668395A CN202180030622.7A CN202180030622A CN115668395A CN 115668395 A CN115668395 A CN 115668395A CN 202180030622 A CN202180030622 A CN 202180030622A CN 115668395 A CN115668395 A CN 115668395A
- Authority
- CN
- China
- Prior art keywords
- condition
- signal data
- retinal signal
- retinal
- patient
- 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
- 230000002207 retinal effect Effects 0.000 title claims abstract description 413
- 238000000034 method Methods 0.000 title claims abstract description 246
- 238000012545 processing Methods 0.000 title description 27
- 238000013178 mathematical model Methods 0.000 claims abstract description 65
- 208000028017 Psychotic disease Diseases 0.000 claims description 45
- 208000020925 Bipolar disease Diseases 0.000 claims description 39
- 201000000980 schizophrenia Diseases 0.000 claims description 34
- 208000024714 major depressive disease Diseases 0.000 claims description 29
- 230000003287 optical effect Effects 0.000 claims description 29
- 230000000638 stimulation Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 20
- 210000001525 retina Anatomy 0.000 claims description 19
- 239000000090 biomarker Substances 0.000 claims description 18
- 210000001747 pupil Anatomy 0.000 claims description 13
- 238000011282 treatment Methods 0.000 claims description 13
- 239000003814 drug Substances 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 201000009032 substance abuse Diseases 0.000 claims description 9
- 231100000736 substance abuse Toxicity 0.000 claims description 9
- 208000011117 substance-related disease Diseases 0.000 claims description 9
- 208000024827 Alzheimer disease Diseases 0.000 claims description 8
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 claims description 8
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 claims description 8
- 206010003805 Autism Diseases 0.000 claims description 8
- 208000020706 Autistic disease Diseases 0.000 claims description 8
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 claims description 8
- 208000018737 Parkinson disease Diseases 0.000 claims description 8
- 208000012641 Pigmentation disease Diseases 0.000 claims description 8
- 208000006011 Stroke Diseases 0.000 claims description 8
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 208000035231 inattentive type attention deficit hyperactivity disease Diseases 0.000 claims description 8
- 201000006417 multiple sclerosis Diseases 0.000 claims description 8
- 208000028173 post-traumatic stress disease Diseases 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 64
- 238000005516 engineering process Methods 0.000 description 43
- 238000013507 mapping Methods 0.000 description 34
- 238000000513 principal component analysis Methods 0.000 description 26
- 238000013480 data collection Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 15
- 238000007405 data analysis Methods 0.000 description 13
- 210000001508 eye Anatomy 0.000 description 13
- 230000004630 mental health Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 230000003340 mental effect Effects 0.000 description 10
- 238000007620 mathematical function Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 208000028683 bipolar I disease Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 206010060860 Neurological symptom Diseases 0.000 description 5
- 208000032400 Retinal pigmentation Diseases 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000000926 neurological effect Effects 0.000 description 5
- 230000007170 pathology Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000000844 transformation Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 208000025307 bipolar depression Diseases 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002847 impedance measurement Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 208000025721 COVID-19 Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 208000004547 Hallucinations Diseases 0.000 description 1
- 101000635799 Homo sapiens Run domain Beclin-1-interacting and cysteine-rich domain-containing protein Proteins 0.000 description 1
- 238000010824 Kaplan-Meier survival analysis Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 229920001410 Microfiber Polymers 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 102100030852 Run domain Beclin-1-interacting and cysteine-rich domain-containing protein Human genes 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 210000000795 conjunctiva Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000004300 dark adaptation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004301 light adaptation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003658 microfiber Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 230000010399 physical interaction Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
- A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- A61B5/30—Input circuits therefor
- A61B5/307—Input circuits therefor specially adapted for particular uses
- A61B5/315—Input circuits therefor specially adapted for particular uses for electrooculography [EOG]; for electroretinography [ERG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Developmental Disabilities (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Ophthalmology & Optometry (AREA)
- Pharmacology & Pharmacy (AREA)
Abstract
公开了用于预测患者患有一个或更多个状况的可能性的方法和系统。可以接收与患者对应的视网膜信号数据。可以从视网膜信号数据提取视网膜信号特征。可以从视网膜信号特征提取描述符。可以将描述符应用于第一数学模型和第二数学模型。第一数学模型可以对应于第一状况。第二数学模型可以对应于第二状况。可以生成第一状况的第一预测概率。可以生成第二状况的第二预测概率。可以输出第一预测概率和第二预测概率。
Description
对相关申请的交叉引用
本申请要求于2020年3月26日提交的美国临时专利申请第63/000,055号、于2020年6月12日提交的美国临时专利申请第63/038,257号、以及于2021年2月15日提交的美国临时专利申请第63/149,508号的权益,上述美国临时专利申请的全部内容通过引入并入本文。
技术领域
本技术涉及用于处理通过光刺激生成的视网膜信号数据的系统和方法。
背景技术
临床医师可能希望确定患者是否患有医学状况,例如精神状况或神经状况。临床医师可以将患者与已知标准进行比较,以确定患者患有的状况。在一些情况下,患者可能符合多个状况,并且临床医师可能难以或不可能在这些状况之间进行区分。如果临床医师具有工具来帮助确定和/或确认患者是否患有医学状况以及/或者在这些状况之间进行区分,则可能是优选的。
本技术的目的是改善现有技术中存在的限制中的至少一些限制。
发明内容
已基于开发者对与用于确定医学状况的现有系统相关联的某些缺点的认识开发了本技术的实施方式。
状况(例如,精神、心理或神经状况,例如精神分裂症,第一型躁郁症或抑郁症)的生物标志物和/或生物征迹(biosignature)的标识可以使得医疗保健专业人员能够对状况作出更早的确定,当存在多个候选状况时标识患者患有的状况,以及/或者进行早期和可能预防性干预。这种医学状况的早期确定可以改善患者的治疗和/或其预后。
本技术的实施方式是基于开发者的观察而开发的,其中在视网膜电流图(ERG)中获得的数据可以提供对确定医学状况的一些洞察。然而,现有的收集和分析视网膜电流图(ERG)的方法仅能够从捕捉到的电信号中收集和分析有限的信息量。已发现,关于对光刺激的视网膜响应而收集的信息量的扩展使得能够产生具有更高的信息密度、更高的信息量和/或附加类型的信息的视网膜信号数据。该视网膜信号数据实现电信号和/或其他数据的多模态映射,并且使得能够检测特定于某些状况的多模态映射中的附加特征。多模态映射可以包括视网膜信号数据的多个参数,例如时间、频率、光刺激参数和/或任何其他参数。
本技术的实施方式形成了基于视网膜信号数据的处理来确定医学状况的改进方法的基础,该视网膜信号数据与传统的ERG数据相比具有更多的信息量、更多的信息密度和/或附加类型的信息细节,并且在本文中将其命名为“视网膜信号处理和分析”(RSPA)。在某些实施方式中,该视网膜信号数据允许包含多种信息的数据集的数学模型、视网膜信号特征的标识、以及使用例如视网膜信号特征标识视网膜信号数据中的生物标志物和/或生物征迹的能力。本技术的某些非必要的实施方式还提供用于收集视网膜信号数据的方法,该视网膜信号数据与ERG数据相比具有更多的信息量,更多的信息密度和/或附加类型的信息。
在本技术的某些实施方式中,可以获得对某些医学状况的更准确检测或医学状况之间的更多判别分开。可以在相关(例如,性别、年龄、疾病的发作、视网膜色素沉着、虹膜颜色)和/或混杂因子(例如,状况的发作、药物的使用、一些治疗的效果、精神病的发作、焦虑、抑郁、若干状况共有的病征和症状的交叠)的多样性内获得对医学状况的检测或状况之间的判别分开。该技术能够捕捉和分析的视网膜信号特征的细节和/或数目级的增加对使用视网膜信号数据标识生物标志的潜力具有直接影响,以更好地在诸如病理状况的状况之间进行判别,以及与对照(其可以被称为非病理状况)相比更好地描绘状况。例如,本方法的实施方式可以基于与常规ERG相比以更高的采样频率和/或更长的时段捕捉到的视网膜信号数据。视网膜信号数据可以包括用电信号例如但不限于到达视网膜的光强度、光谱、光波长或阻抗记录的附加特征。以更高的采样频率的附加信息的捕捉以及/或者在延长的时间段内利用扩展的视网膜光刺激范围收集的数据,以及其多维表示,可以被称为“高密度视网膜信号数据”。以高密度捕捉到的视网膜信号数据可以包括与先前在ERG(被称为“常规ERG”)期间捕捉到的数据相比更多的信息。与常规ERG不同,视网膜信号数据可以是电压无关的和/或时间无关的。
在某些实施方式中,使用高密度视网膜信号数据可以更高效地处理视网膜信号数据。与常规ERG数据相比,高密度视网膜信号数据的优点是受益于与电信号和附加视网膜信号特征有关的更大量的信息,并且因此受益于更详细的生物征迹。因此,通过更高级细节,因此可以在不同状况之间更好地进行判别并且准备表示每个状况的生物征迹特征的一系列分类器。
根据本技术的第一广泛方面,提供了一种用于生成与第一状况对应的数学模型的方法,该方法能够由计算机系统的至少一个处理器执行,方法包括:生成与第一状况对应的数学模型,该方法能够由计算机系统的至少一个处理器执行,方法包括:接收与多个患者对应的经标记的视网膜信号数据的多个数据集,其中,每个数据集包括患者的视网膜信号数据和标记,其中,标记指示患者是否患有第一状况;从视网膜信号数据提取特征集合;从特征集合中选择特征子集,其中,特征子集对应于第一状况的生物标志物;以及基于特征子集来确定将第一状况与第二状况区分开的一个或更多个分类器。
在方法的一些实现方式中,特征集合包括电压、电路阻抗、信号收集时间、采样频率、光刺激同步时间、光刺激偏移、或哪些视网膜区域被照射的指示。
在方法的一些实现方式中,特征集合包括眼睛位置、瞳孔尺寸、所施加的亮度的强度、光刺激的频率、视网膜信号采样的频率、照射的波长、照射时间、背景波长、或背景亮度。
在方法的一些实现方式中,一个或更多个分类器将第一状况的生物征迹与第二状况的生物征迹区分开。
在方法的一些实现方式中,方法还包括:基于每个特征与第一状况的生物征迹的相关性来对特征集合进行排名,并且其中,选择特征子集包括选择特征集合中的排名最高的特征。
在方法的一些实现方式中,方法还包括:接收与多个患者对应的临床信息辅因子,其中,每个数据集包括患者的临床信息辅因子;以及选择临床辅因子的子集,其中,临床辅因子的子集中的临床辅因子影响生物标志物的检测。
在方法的一些实现方式中,临床信息辅因子指示相应患者的年龄、性别、皮肤色素沉着或虹膜颜色。
在方法的一些实现方式中,确定一个或更多个分类器包括基于临床辅因子的子集来确定一个或更多个分类器。
在方法的一些实现方式中,方法还包括:基于一个或更多个分类器来生成数学模型。
在方法的一些实现方式中,方法还包括:向数学模型输入与患者对应的视网膜信号数据和临床信息辅因子;以及由数学模型输出患者患有第一状况的预测可能性。
在方法的一些实现方式中,方法还包括:向数学模型输入与患者对应的视网膜信号数据和临床信息辅因子;以及由数学模型输出患者不患有第一状况的预测可能性。
在方法的一些实现方式中,第一状况是精神分裂症、躁郁症、重性抑郁症或精神病。
在方法的一些实现方式中,第一状况是创伤后精神紧张性障碍、中风、物质滥用、强迫症、阿尔茨海默症、帕金森症、多发性硬化、孤独症或注意力缺损症。
在方法的一些实现方式中,视网膜信号数据具有4kHz至24kHz之间的采样频率。
在方法的一些实现方式中,视网膜信号数据是在200毫秒至500毫秒的信号收集时间内收集的。
在方法的一些实现方式中,视网膜信号数据包括在捕捉视网膜信号数据时连续记录的接收电路的阻抗成分。
在方法的一些实现方式中,视网膜信号数据包括一个或更多个光学参数。
在方法的一些实现方式中,光学参数包括视网膜光刺激的亮度或瞳孔尺寸。
根据本技术的另一广泛方面,提供了一种用于预测患者患有一个或更多个状况的概率的方法,该方法能够由计算机系统的至少一个处理器执行,方法包括:接收与患者对应的视网膜信号数据;从视网膜信号数据提取一个或更多个视网膜信号特征;从视网膜信号特征提取一个或更多个描述符;将一个或更多个描述符应用于第一数学模型和第二数学模型,其中,第一数学模型对应于第一状况并且第二数学模型对应于第二状况,从而生成第一状况的第一预测概率和第二状况的第二预测概率;以及输出第一预测概率和第二预测概率。
在方法的一些实现方式中,方法还包括:显示包括第一预测概率和第二预测概率的界面。
在方法的一些实现方式中,方法还包括:存储第一预测概率和第二预测概率。
在方法的一些实现方式中,方法还包括:收集视网膜信号数据。
在方法的一些实现方式中,方法还包括:获得从与患者对应的临床信息提取的临床信息辅因子;以及将临床信息辅因子应用于第一数学模型和第二数学模型。
在方法的一些实现方式中,临床信息辅因子对应于患者的年龄、性别、皮肤色素沉着或虹膜颜色。
在方法的一些实现方式中,视网膜信号数据具有4kHz至24kHz之间的采样频率。
在方法的一些实现方式中,视网膜信号数据是在200毫秒至500毫秒的信号收集时间内收集的。
在方法的一些实现方式中,视网膜信号数据包括在捕捉视网膜信号数据时连续记录的接收电路的阻抗成分。
在方法的一些实现方式中,视网膜信号数据包括一个或更多个光学参数。
在方法的一些实现方式中,光学参数包括视网膜光刺激的亮度或瞳孔尺寸。
在方法的一些实现方式中,第一状况是医学状况,并且其中,第二状况是对照状况。
在方法的一些实现方式中,第一状况或第二状况是精神分裂症、躁郁症、重性抑郁症或精神病。
在方法的一些实现方式中,第一状况或第二状况是创伤后精神紧张性障碍、中风、物质滥用、强迫症、阿尔茨海默症、帕金森症、多发性硬化、孤独症或注意力缺损症。
在方法的一些实现方式中,方法还包括:接收指示对第一状况和第二状况的选择的用户输入。
在方法的一些实现方式中,方法还包括:基于第一预测概率和第二预测概率来选择药物;以及将药物给予患者。
根据本技术的另一广泛方面,提供了一种用于确定状况的生物征迹的方法,该方法能够由计算机系统的至少一个处理器执行,方法包括:接收与多个患者对应的经标记的视网膜信号数据的多个数据集,其中,每个数据集包括患者的视网膜信号数据和标记,其中,标记指示患者是否患有状况;从视网膜信号数据提取特征集合;从特征集合中选择特征子集,其中,特征子集对应于状况的生物标志物;以及基于特征子集来确定标识状况的生物征迹的一个或更多个分类器。
在方法的一些实现方式中,方法还包括:接收与多个患者对应的临床信息辅因子,其中,每个数据集包括患者的临床信息辅因子;以及选择临床辅因子的子集,其中,临床辅因子的子集中的临床辅因子影响生物标志物的检测,并且其中,确定一个或更多个分类器包括基于临床辅因子的子集来确定一个或更多个分类器。
在方法的一些实现方式中,方法还包括:基于每个特征与第一状况的生物征迹的相关性来对特征集合进行排名,并且其中,选择特征子集包括选择特征集合中的排名最高的特征。
根据本技术的另一广泛方面,提供了一种用于预测患者患有一个或更多个状况的概率的系统,系统包括:光刺激器;一个或更多个传感器;计算机系统,其包括系统,该系统包括至少一个处理器和存储多个可执行指令的存储器,多个可执行指令当由至少一个处理器执行时使系统:使光刺激器向患者的视网膜提供光刺激信号;经由一个或更多个传感器收集响应于光刺激的电信号;基于电信号来生成与患者对应的视网膜信号数据;从视网膜信号数据提取一个或更多个视网膜信号特征;从视网膜信号特征提取一个或更多个描述符;将一个或更多个描述符应用于第一数学模型和第二数学模型,其中,第一数学模型对应于第一状况并且第二数学模型对应于第二状况,从而生成第一状况的第一预测概率和第二状况的第二预测概率;以及输出第一预测概率和第二预测概率。
在系统的一些实现方式中,视网膜信号数据包括在捕捉视网膜信号数据时记录的光波长成分。
在系统的一些实现方式中,视网膜信号数据包括在捕捉视网膜信号数据时记录的光谱成分。
在系统的一些实现方式中,视网膜信号数据包括在捕捉视网膜信号数据时记录的光强度成分。
在系统的一些实现方式中,视网膜信号数据包括在捕捉视网膜信号数据时记录的被照射视网膜表面成分。视网膜表面成分可以指示被照射的视网膜的表面区域。
根据本技术的另一广泛方面,提供了一种用于预测患者患有一个或更多个状况的概率的系统,系统包括计算机系统,该计算机系统包括至少一个处理器和存储多个可执行指令的存储器,多个可执行指令当由至少一个处理器执行时使计算机系统:接收与患者对应的视网膜信号数据;从视网膜信号数据提取一个或更多个视网膜信号特征;从视网膜信号特征提取一个或更多个描述符;将一个或更多个描述符应用于第一数学模型和第二数学模型,其中,第一数学模型对应于第一状况并且第二数学模型对应于第二状况,从而生成第一状况的第一预测概率和第二状况的第二预测概率;以及输出第一预测概率和第二预测概率。
在系统的一些实现方式中,系统还包括光刺激器和一个或更多个传感器,并且指令当由至少一个处理器执行时使计算机系统:使光刺激器向患者的视网膜提供光刺激信号;经由一个或更多个传感器收集响应于光刺激的电信号;以及基于电信号来生成视网膜信号数据。
在系统的一些实现方式中,系统还包括显示器,并且其中,指令当由至少一个处理器执行时使系统经由显示器输出包括第一预测概率和第二预测概率的界面。
根据本技术的另一广泛方面,提供了一种用于监视患者的状况的方法,方法能够由计算机系统的至少一个处理器执行,该方法包括:接收与患者对应的视网膜信号数据;从视网膜信号数据提取一个或更多个视网膜信号特征;从视网膜信号特征提取一个或更多个描述符;将一个或更多个描述符应用于与状况对应的数学模型,从而生成状况的预测概率;以及输出预测概率。
在方法的一些实现方式中,方法还包括:基于预测概率来选择药物;以及将药物给予患者。
在方法的一些实现方式中,视网膜信号数据包括在针对状况对患者的治疗期间捕捉到的视网膜信号数据。
在方法的一些实现方式中,状况是精神分裂症、躁郁症、重性抑郁症、精神病、创伤后精神紧张性障碍、中风、物质滥用、强迫症、阿尔茨海默症、帕金森症、多发性硬化、孤独症或注意力缺损症。
在本说明书的上下文中,除非另有明确地说明,否则计算机系统可以指但不限于“电子装置”、“操作系统”、“系统”、“基于计算机的系统”、“控制器单元”、“控制装置”和/或适合于当前相关任务的其任何组合。
在本说明书的上下文中,除非另有明确地说明,否则表述“计算机可读介质”和“存储器”旨在包括任何性质和任何种类的介质,其非限制性示例包括RAM、ROM、磁盘(CD-ROM、DVD、软盘、硬盘驱动器等)、USB密钥、闪存卡、固态驱动器和磁带驱动器。
在本说明书的上下文中,“数据库”是任何结构化的数据集合,而不管其特定结构、数据库管理软件或其上存储、实现或以其他方式呈现数据以供使用的计算机硬件。数据库可以驻留在与存储或利用存储在数据库中的信息的过程相同的硬件上,或者数据库可以驻留在分开的硬件例如专用服务器或多个服务器上。
在本说明书的上下文中,除非另有明确地说明,否则词语“第一”、“第二”、“第三”等用作形容词,仅是为了使得能够在它们所修饰的名词彼此之间进行区分的目的,而不是为了描述这些名词之间的任何特定关系的目的。
本技术的实施方式各自具有以上提及的目的和/或方面中的至少之一,但是不一定具有它们全部。应当理解,由于试图获得以上提及的目的而产生的本技术的一些方面可能不满足该目的以及/或者可能满足本文中未具体叙述的其他目的。
根据以下描述、附图和所附权利要求,本技术的实施方式的附加和/或替选特征、方面和优点将变得明显。
附图说明
为了更好地理解本技术以及本技术的其他方面和另外的特征,参考以下要结合附图使用的描述,在附图中:
图1是根据本技术的各种实施方式的示例计算环境的框图;
图2是根据本技术的各种实施方式的视网膜信号处理系统的框图;
图3示出了根据本技术的各种实施方式的信息处理方法的示例性功能架构,该信息处理方法产生用于预测患者是否患有状况的数学函数的构造;
图4示出了根据本技术的各种实施发方式的用于预测医学状况的可能性的方法的流程图;
图5示出了根据本技术的各种实施方式的用于生成用于预测患者是否患有状况的数学模型的方法的流程图;
图6示出了根据本技术的各种实施方式的用于训练机器学习算法(MLA)以预测医学状况的可能性的方法的流程图;
图7示出了根据本技术的各种实施方式的用于使用MLA来预测医学状况的可能性的方法的流程图。
图8至图27示出了根据本技术的各种实施方式的基于较高幅度的频率的统计显著性的判别区域的时间-频率分析和选择的示例;
图28至图42示出了根据本技术的各种实施方式的视网膜信号特征选择和选择的视网膜信号特征的统计显著性映射的示例;以及
图43至图58示出了根据本技术的各种实施方式的基于两个状况之间的区别的幅度的描述符选择和映射的示例。
应当注意,除非本文中另有明确地指定,否则附图未按比例绘制。
具体实施方式
本技术的某些方面和实施方式针对用于处理视网膜信号的方法和系统。大体上,本技术的某些方面和实施方式是基于可以以任何方式获得的具有较高密度的视网膜信号数据,任何方式例如通过例如增加光刺激的条件(例如,光强度的数目和范围)、添加用于收集电信号的电路的动态电阻(阻抗)、捕捉视网膜信号数据达较长时间段、以及/或者以较高频率捕捉视网膜信号数据。提供本计算机实现的方法以用于分析视网膜信号数据并提取视网膜信号特征,该视网膜信号特征组合地用于进一步解译生物标志物和/或生物征迹,以最小化、减少或避免关于现有技术指出的限制。在某些可选实施方式中,提供方法和系统以用于捕捉高密度视网膜信号数据。
本技术的某些方面和实施方式提供了可以分析视网膜信号数据并提供特定状况的预测可能性、同时考虑了许多不同的临床信息辅因子的方法和系统。状况可以是精神状况、心理状况、神经状况和/或任何其他类型的医学状况。预测可能性可以指示患者当前患有状况和/或患者处于患病的风险中。例如,如果患者的父母患有状况,则可以分析患者的视网膜信号数据以确定患者是否可能会患有与其父母相同的状况。
本文中描述的系统和方法可以是完全或至少部分自动的,以最小化临床医师在确定医学状况或医学状况的治疗计划时的输入。由本文中描述的系统和方法输出的预测可以用作临床医师在确定医学状况和/或为患者制定治疗计划时的帮助。
本文中描述的系统和方法可以包括通过以下方式生成用于标识患者与状况的生物征迹的距离的数学模型:1)从患者收集视网膜信号数据,2)用指示患者的潜在医学状况(其可能已由临床医师诊断)的标记来标记每个患者的视网膜信号数据,3)从视网膜信号数据提取视网膜信号特征,4)选择与状况的生物标志物对应的特征子集,以及/或者5)确定将状况的生物征迹与其他状况的生物征迹区分开的分类器。生物征迹可以包括特定于状况的视网膜信号数据的部分。视网膜信号数据可以包括若干生物征迹,其中每个生物征迹特定于状况。状况可以是但不限于精神分裂症、躁郁症、重性抑郁症、精神病、创伤后精神紧张性障碍、中风、物质滥用、强迫症、阿尔茨海默症、帕金森症、多发性硬化、孤独症、注意力缺损症和/或任何其他状况。可以使用这些步骤来建立具有嵌入视网膜信号数据中的生物标志物的任何状况的数学模型。如本文中所述的用于收集视网膜信号数据的步骤可以适用于对特定于在视网膜信号数据中表达的任何状况的特征的分析。
本文中描述的系统和方法可以包括通过以下方式预测患者是否患有状况:1)收集患者的视网膜信号数据,2)接收对要检查的状况的选择,3)检索与选择的状况对应的数学模型,4)从视网膜信号数据提取视网膜信号特征,5)从视网膜信号特征提取描述符,其中,描述符与视网膜信号数据内的所选择的状况的生物征迹相关,6)将描述符应用于数学模型,以及/或者7)输出患者患有每个状况的预测概率。可以收集患者的临床信息。可以使用临床信息生成临床信息辅因子。临床信息辅因子也可以应用于数学模型。
本文中描述的系统和方法可以基于与由常规ERG捕捉到的数据相比具有更高级信息的视网膜信号数据。可以使用数学和统计计算分析收集的视网膜信号数据以提取特定的视网膜信号特征。视网膜信号特征可以包括视网膜信号数据的参数和/或使用视网膜信号数据生成的特征。可以从视网膜信号特征提取描述符。发现的图形表示可以被开发和输出,并且可以为在选择相关视网膜信号特征和/或描述符中作出的选择提供视觉支持。应用可以应用结果的数学和/或统计分析,允许这些视网膜信号特征和/或描述符的量化和各种状况之间的比较。基于视网膜信号数据和/或任何其他临床信息,可以构造描述在视网膜信号数据中标识的状况的生物征迹的分类器。可以收集患者的视网膜信号数据,并可以例如通过使用分类器确定患者的视网膜信号数据与标识的生物征迹之间的距离。
计算环境
图1示出了可以用于实现和/或执行本文中描述的方法中的任何方法的计算环境100。在一些实施方式中,计算环境100可以通过任何常规的个人计算机、网络装置和/或电子装置(例如但不限于移动装置、平板装置、服务器、控制器单元、控制装置等)和/或适合于当前相关任务的其任何组合来实现。在一些实施方式中,计算环境100包括各种硬件部件,该硬件部件包括由处理器110共同表示的一个或更多个单核或多核处理器、固态驱动器120、随机存取存储器130和输入/输出接口150。计算环境100可以是专门设计成操作机器学习算法(MLA)的计算机。计算环境100可以是通用计算机系统。
在一些实施方式中,计算环境100还可以是以上列出的系统中之一的子系统。在一些其他实施方式中,计算环境100可以是“现成的”通用计算机系统。在一些实施方式中,计算环境100还可以分布在多个系统之中。计算环境100还可以专用于本技术的实现方式。如本技术领域的技术人员可以认识到的,可以在不脱离本技术的范围的情况下设想关于如何实现计算环境100的多个变型。
本领域技术人员将认识到,处理器110通常表示处理能力。在一些实施方式中,代替一个或更多个常规中央处理单元(CPU)或者除了一个或更多个常规中央处理单元(CPU)之外,可以设置一个或更多个专用处理核。例如,代替一个或更多个CPU或者除了一个或更多个CPU之外,可以设置一个或更多个图形处理单元111(GPU)、张量处理单元(TPU)和/或其他所谓的加速处理器(或处理加速器)。
系统存储器将典型地包括随机存取存储器130,但是更一般地旨在包括任何类型的非瞬态系统存储器,例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步DRAM(SDRAM)、只读存储器(ROM)或其组合。固态驱动器120被示出为大容量存储装置的示例,但是更一般地,这样的大容量存储装置可以包括被配置成存储数据、程序和其他信息并且使数据、程序和其他信息能够经由系统总线160访问的任何类型的非暂态存储装置。例如,大容量存储装置可以包括固态驱动器、硬盘驱动器、磁盘驱动器和/或光盘驱动器中的一个或更多个。
计算环境100的各种部件之间的通信可以由包括与各种硬件部件电耦接的一个或更多个内部和/或外部总线(例如,PCI总线、通用串行总线、IEEE 1394“火线(Firewire)”总线、SCSI总线、串行ATA总线、ARINC总线等)的系统总线160实现。
输入/输出接口150可以使得能够实现诸如有线或无线接入的联网能力。作为示例,输入/输出接口150可以包括联网接口,例如但不限于网络端口、网络套接字、网络接口控制器等。如何可以实现联网接口的多个示例对于本技术领域的技术人员将变得明显。例如,联网接口可以实现特定的物理层和数据链路层标准,例如以太网、光纤信道、Wi-Fi、令牌环或串行通信协议。特定的物理层和数据链路层可以为完整网络协议栈提供基础,从而使得能够在同一局域网(LAN)上的小群组计算机之间的通信和通过诸如因特网协议(IP)的可路由协议的大规模网络通信。
输入/输出接口150可以耦接至触摸屏190以及/或者耦接至一个或更多个内部和/或外部总线160。触摸屏190可以是显示器的一部分。在一些实施方式中,触摸屏190是显示器。触摸屏190同样可以被称为屏幕190。在图1中示出的实施方式中,触摸屏190包括触摸硬件194(例如,嵌入显示器的层中的压敏单元,其使得能够检测用户与显示器之间的物理交互)和触摸输入/输出控制器192,其使得能够与显示接口140以及/或者一个或更多个内部和/或外部总线160通信。在一些实施方式中,代替触摸屏190或者除了触摸屏190之外,输入/输出接口150可以连接至键盘(未示出)、鼠标(未示出)或触控板(未示出),从而使得用户能够与计算装置100交互。
根据本技术的一些实现方式,固态驱动器120存储适于被加载到随机存取存储器130中并且由处理器110执行的用于执行本文中描述的一个或更多个方法的动作的程序指令。例如,程序指令中的至少一些可以是应用或库的一部分。
视网膜信号处理系统
图2是根据本技术的各种实施方式的视网膜信号处理系统200的框图。视网膜信号处理系统200可以从患者收集视网膜信号数据。如上所述,当与常规ERG相比时,使用视网膜信号处理系统200捕捉到的视网膜信号数据可以包括附加特征和/或数据,例如阻抗、较高的测量频率、扩展的视网膜光刺激范围和/或较长的测量时间。视网膜信号处理系统200可以处理和/或分析收集的数据。视网膜信号处理系统200可以输出患者患有诸如医学状况的给定状况的预测可能性。
应当明确地理解,所描绘的系统200仅是本技术的说明性实现方式。因此,以下其描述旨在仅是本技术的说明性示例的描述。该描述不旨在限定范围或阐述本技术的界限。在一些情况下,以下也可以阐述被认为是对系统200的修改的有用示例。这样做仅是为了帮助理解,并且同样不是为了限定范围或阐述本技术的界限。这些修改并非详尽的列表,并且如本领域技术人员将理解的,其他修改可能是可能的。此外,在没有这样做的情况下(即,在没有阐述修改的示例的情况下),不应当被解释为修改是不可能的以及/或者所描述的是实现本技术的要素的唯一方式。如本领域技术人员将理解的,这可能不是这种情况。另外,应当理解,系统200可以在某些情况下提供本技术的简单实现方式,并且在这种情况下,它们已以这种方式被呈现以帮助理解。如本领域技术人员将理解的,本技术的各种实现方式可能具有较大的复杂度。
视网膜信号处理系统200可以包括光刺激器205,其可以是光学刺激器,用于向患者的视网膜提供光刺激信号。视网膜信号处理系统200可以包括用于收集响应于光学刺激而出现的电信号的传感器210。视网膜信号处理系统200可以包括数据收集系统215,其可以是计算环境100,用于控制光刺激器205和/或收集由传感器210测量的数据。例如,光刺激器205和/或传感器210可以是市场上能买到的ERG系统,例如来自DIAGNOSYS,LLC的Espion视觉电生理学系统或由LKC技术有限公司制造的UTAS和RETEVAL系统。
光刺激器205可以是任何种类的光源或源,其单独或组合地可以生成在特定波长、强度、频率和/或持续时间范围内的光。光刺激器205可以将生成的光引导到患者的视网膜上。光刺激器205可以包括与其他光源例如一个或更多个氙灯组合的发光二极管(LED)。光刺激器205可以提供背景光源。
光刺激器205可以被配置成向患者的视网膜提供光刺激信号。收集的视网膜信号数据可以取决于光刺激条件。为了最大化在视网膜信号数据中生成相关视网膜信号特征的潜力,光刺激器205可以被配置成提供许多种光条件。光刺激器205可以被配置成控制背景光和/或在闪光时被引导到视网膜上的刺激光。
光刺激器可以包括能够生成不同波长(例如,从约300纳米至约800纳米)、光强度(例如,从约0.001cd.s/m2至约3000cd.s/m2)、照射时间(例如,从约1毫秒至约500毫秒)、具有不同背景波长(例如,从约300纳米至约800纳米)和背景亮度(例如,约0.01cd/m2至约900cd/m2)的每次闪光之间的时间(例如,约0.2秒至约50秒)的光束的任何源。
视网膜信号处理系统200可以包括传感器210。传感器210可以被布置成检测来自视网膜的电信号。传感器210可以包括一个或更多个电极。传感器210可以是视网膜电图传感器。接地电极可以放置在前额中间的皮肤上。每只眼睛的参考电极可以放置在眼睛附近的颞区或耳垂或者其他皮肤区域上。
来自视网膜的电信号可以由来自光刺激器205的光刺激触发,并且由传感器210收集作为视网膜信号数据。视网膜信号数据可以由传感器210收集,例如由被定位在眼球上或眼区域附近的电极收集。光可以触发由患者的视网膜细胞生成的低振幅的电信号。取决于光的性质(例如,强度、波长、光谱、频率和闪光持续时间)和光刺激的条件(例如,经受该过程的个体的背景光、暗适应或明适应),可以生成不同的电信号,因为将触发不同类型的视网膜细胞。该信号在眼睛内传播并且最终经由视神经传播至脑视觉区域。然而,作为任何电信号,其取决于组织的导电性在所有可能的方向上传播。因此,电信号可以被收集在眼球外部的组织中,该组织能够从外部接近,例如结膜。
存在若干类型的电极,其可以用于收集电信号。它们是基于特定的线导电性和几何形状。应当理解,存在记录电极的许多可能的设计,并且任何合适的设计或设计的组合可以用于传感器210。传感器210可以包括接触透镜、金箔、金线、角膜芯、线环、微纤维和/或皮肤电极。每种电极类型均具有其自己的记录特性和固有伪影。
除了传感器210之外,系统200还可以包括其他这种以监视眼睛位置和/或瞳孔尺寸,这两者均对到达视网膜的光量有影响,并且因此影响响应于该刺激而触发的电信号。系统200可以包括记录光波长、光谱和/或光强度的传感器,例如光谱仪和/或光电检测器。
可以利用来自接地电极的差分记录,获得有源眼电极(被定位在眼睛上)与参考电极之间的电信号。传感器210的电极可以连接至数据收集系统215,该数据收集系统可以包括记录装置。数据收集系统215可以允许电信号的放大和/或电信号到数字信号的转换以用于进一步处理。数据收集系统215可以实现可以应用于来自传感器210的电信号的频率滤波处理。数据收集系统215可以以电压与时间点的格式将电信号存储在数据库中。
数据收集系统215可以被布置成接收例如来自传感器210的患者的测量电信号,和/或例如来自光刺激器205的刺激光数据,并且将该收集的数据存储为视网膜信号数据。数据收集系统215可以可操作地耦接至光刺激器205,其可以被布置成触发电信号并将数据提供给数据收集系统215。数据收集系统215可以将光刺激与电信号捕捉和记录同步。
收集的数据可以经由任何合适的方法例如经由存储装置(未示出)和/或网络提供给数据收集系统215。数据收集系统215可以经由通信网络(未示出)可连接至传感器210和/或光刺激器205。通信网络可以是因特网和/或内联网。可以设想通信网络的多个实施方式,并且多个实施方式对于本技术领域的技术人员将变得明显。
视网膜信号数据可以包括以若干采样频率(例如,0.2kHz至24kHz)在若干信号收集时间(例如,5毫秒至500毫秒)与光刺激同步时间(闪光时间)和/或偏移(光刺激之前的基线电压和阻抗)收集的电响应数据(例如,电压和电路阻抗)。数据收集系统215可以以4kHz至16kHz或更高的频率(即,采样率)收集视网膜信号数据。该频率可以高于常规ERG。可以连续地或间歇地收集电响应数据。
数据收集系统215可以包括用于测量用于收集视网膜信号数据的电气电路的阻抗的传感器处理器。可以与其他电信号的捕捉同时地记录电气电路的阻抗。收集的阻抗数据可以被存储在视网膜信号数据中。与电信号的捕捉的同时地确定电路的阻抗的方法可以基于通过电信号的记录信道注入已知频率和振幅的参考信号的过程。然后,可以单独地滤出该参考信号并对其进行处理。通过测量具有激励信号频率的输出的幅度,可以计算电极阻抗。然后,可以使用阻抗作为协变量以在电信号的记录的每个时间点处利用电路的电阻来增强信号密度。
数据分析系统220可以处理由数据收集系统215收集的数据。数据分析系统220可以从视网膜信号数据提取视网膜信号特征和/或描述符,以及/或者对视网膜信号数据执行任何其他处理。数据分析系统220可以接收患者的临床信息和/或从临床信息提取临床信息辅因子。
预测输出系统225可以从数据分析系统220接收数据,并且生成要由临床医师使用的输出。输出可以是输出用户界面、报告或其他文档等。输出可以指示患者患有一个或更多个状况的预测可能性。对于每个状况,输出可以指示患者患有该状况的预测可能性。输出可以指示患者定位在病理中。输出可以由临床医师使用以帮助确定患者是否患有医学状况以及/或者确定患者患有哪种医学状况。
数据收集系统215、数据分析系统220和/或预测输出系统225可以由一个或更多个用户例如通过他们各自的诊所和/或通过服务器(未描绘)进行访问。数据收集系统215、数据分析系统220和/或预测输出系统225还可以连接至预约管理软件,该预约管理软件可以基于系统200的实施方式对状况的确定来安排预约或随访。
数据收集系统215、数据分析系统220和/或预测输出系统225可以分布在多个系统中和/或组合在系统或多个系统内。数据收集系统215、数据分析系统220和/或预测输出系统225可以在地理上分布。
本文中描述的系统和方法可以包括:1)检索从多个个体例如从计算机系统的存储器收集的视网膜信号数据,2)从视网膜信号数据提取和/或生成视网膜信号特征,视网膜信号数据例如电压、电路阻抗、信号收集时间、采样频率、光刺激同步时间和/或偏移、以及/或者可以从视网膜信号数据提取或使用视网膜信号数据生成的任何其他类型的数据,3)将视网膜信号特征与来自与在相应个体中观察到的状况相关的临床信息的辅因子组合,4)从提取的特征和组合的特征中选择视网膜信号特征,并且取决于视网膜信号特征的相关性确定具有排名的层级,5)将该信息汇集到数学描述符中,6)从这些数学描述符估计分类器,7)构建与这些状况相关的分类器的数学域,和/或8)从这些分类器获得密度函数。
数学描述符可以是组合来自视网膜信号数据和/或临床辅因子的特征的数学函数。鉴于患者群组之间的进一步区别,描述符可以指示特定于状况或群体的视网膜信号特征。可能使用的描述符的示例包括偏斜度、峰度、紧密度、本征向量、质心坐标、局部二值模式、时间序列回归系数、谱熵、任何形式的量子熵、Rényi熵、冯诺依曼熵、Hartley熵、Tsallis熵、Unified熵、Hu矩、Haralick特征和/或基于本征值的函数。描述符可以用于获得分类器。分类器可以是数学或统计函数,其使用描述符通过根据描述符的统计显著性对描述符进行排名来将数据映射到信息的类别或分类。描述符可以基于用于描述生物征迹的特定成分的其相关性来排名。可以将描述符分组成描述符的目录。当训练MLA时,可以使用描述符的目录。
本文中描述的系统和方法可以包括:1)检索从个体例如从计算机系统的存储器收集的视网膜信号数据,2)从视网膜信号数据提取和/或生成视网膜信号特征,视网膜信号数据例如电压、电路阻抗、信号收集时间、采样频率、光刺激同步时间和/或偏移、以及/或者可以从视网膜信号数据提取或使用视网膜信号数据生成的任何其他类型的数据,3)将视网膜信号特征与来自与在个体中观察的状况相关的临床信息的辅因子组合,4)计算个体属于一个或若干域(即,患有状况)的概率,和/或5)将该个体与这些域的数学接近度确定为患者患有与域对应的状况的预测概率。
临床信息可以包括指示个体的一般健康状况的信息,例如关于伴发疾病、治疗、先前的医学状况、咖啡使用、酒精使用或烟草使用、物质滥用的信息、以及/或者任何其他一般健康状况数据。临床信息可以包括与特定精神状况有关的信息,例如来自特定于精神状况的结构化问卷的信息。这些结构化问卷可以包括与焦虑、情感和情绪成分、认知损伤、感觉、习惯、幻觉、行为有关的问题和/或与精神状况有关的其他问题。可以从临床信息提取临床信息辅因子,例如指示年龄、性别、虹膜颜色和/或作为视网膜色素沉着的代表的皮肤色素沉着等的临床信息辅因子。
视网膜信号数据可以包括若干生物征迹,其中每个生物征迹特定于状况。可以使用分类器标识与给定患者的状况对应的生物征迹。状况可以是精神状况,例如但不限于躁郁症、精神分裂症和抑郁症。状况还可以是神经状况、非精神状况或处于这样的状况的风险中。如本文中所述的用于分析视网膜信号数据的步骤可以适用于对特定于在视网膜信号数据中表达的任何状况的视网膜信号特征的分析。
发现的图形表示可以被开发和输出,并且可以为在选择要在数学模型中使用的视网膜信号特征中作出的选择提供视觉支持。应用可以应用结果的数学和/或统计分析来评估数据适用性、信息的鲁棒性和在分析过程期间生成的结果的准确性。
从记录的视网膜信号数据提取的视网膜信号特征可以包括电参数,例如电压和电路阻抗、信号收集时间(例如,5毫秒至500毫秒)、采样频率(例如,0.2kHz至24kHz)、光刺激同步时间(闪光时间)和偏移(光刺激之前的基线电压和阻抗)、照射的视网膜区域和/或影响视网膜信号数据的其他视网膜信号特征。可以基于提取的视网膜信号特征例如通过对提取的视网膜信号特征中的一个或更多个执行数学运算来生成视网膜信号特征。从视网膜信号数据提取的视网膜信号特征可以包括与视网膜信号有关的数据,例如眼睛位置、瞳孔尺寸、从光源到眼睛或眼睛的一部分(瞳孔、视网膜)的距离和/或应用的亮度参数(光刺激的频率、强度、波长、光谱、视网膜信号采样的频率、波长、照射时间、背景波长、背景亮度)。视网膜信号特征可以是电压无关的和/或时间无关的。可以使用本文中描述的系统和方法来分析这些特征的全部或一部分。
视网膜信号数据处理方法
图3示出了信息处理方法300的示例性功能架构,该信息处理方法产生用于预测患者是否患有状况的数学函数的构造。方法300可以用于根据从患有状况的患者收集的视网膜信号数据来对信息的数学域进行建模。可以在信息输入阶段310、特征提取阶段320、特征选择和定位阶段330、特征加权和汇集阶段340、分类器排名和区别阶段350、对抗阶段360和/或预测输出阶段370期间执行方法300的全部或部分。
视网膜信号数据和收集的临床信息可以取决于信息的水平和特异性被不同地处理。视网膜信号特征可以是由针对属性的说明变量给出的指示符的分类或类别。描述符可以是特定于在区别过程之后确定的条件或群体的相关特征。分类器可以是数学或统计函数,其使用描述符在排名过程之后将数据映射到类别或分类。区域可以被标识为数学函数的范围的子集或者用分类器构建的函数的集合。域可以被标识为特定于状况的区域。
应当明确地理解,如图3所描绘的功能架构仅是本技术的说明性实现方式。因此,以下其描述旨在仅是本技术的说明性示例的描述。该描述不旨在限定范围或阐述本技术的界限。
在一些情况下,以下也可以阐述被认为是对图3中描绘的功能架构的修改的有用示例。这样做仅是为了帮助理解,并且同样不是为了限定范围或阐述本技术的界限。这些修改并非详尽的列表,并且如本领域技术人员将理解的,其他修改可能是可能的。此外,在没有这样做的情况下(即,在没有阐述修改的示例的情况下),不应当被解释为修改是不可能的以及/或者所描述的是实现本技术的要素的唯一方式。如本领域技术人员将理解的,这可能不是这种情况。另外,应当理解,图3中描绘的功能架构可以在某些情况下提供本技术的简单实现方式,并且在这种情况下,它们已以这种方式被呈现以帮助理解。如本领域技术人员将理解的,本技术的各种实现方式可能具有较大的复杂度。
在一个或更多个方面,方法300或者其一个或更多个步骤可以由诸如计算环境100的计算系统执行。方法300或者其一个或更多个步骤可以体现在计算机可执行指令中,该计算机可执行指令存储在计算机可读介质例如非暂态大容量存储装置中,加载到存储器中并且由CPU执行。方法300是示例性的,并且应当理解,图中的一些步骤或步骤的部分可以在顺序上改变和/或省略。
在某些实施方式中,状况的特定数学建模的潜力由特定于在演示期间已考虑的状况的信息的域的图形表示来支持,并且随后用于描述数学域的概念。鲁棒性和准确度分析的结果用于演示利用本技术构建的数学域的相关性和特异性。
通过将分析策略扩大到附加计算过程,然后生成附加数学描述符,可以丰富用于解译视网膜信号数据中包括的生物征迹的方法。
信息输入
在步骤311处,可以使用去除了伪影或没有去除伪影的收集的视网膜信号数据执行信息输入,该伪影可以包括失真信号、干扰和/或任何其他类型的伪影。伪影可以通过以下中的一个或更多个出现:并非源自视网膜的被无意地捕捉到的电信号、眼电极定位的移位、接地或参考电极接触的改变、眼睑眨眼和/或眼移动。
在步骤312处,可以例如通过将视网膜信号数据转置成另一一维或多维尺度,例如缩放、移位、初等函数变换(例如,对数、多项式、幂、三角)、时间序列(产生分布形状的改变)、小波变换(产生量图)、经验模式分解(产生固有模式函数(IMF))、梯度变换(产生向量)和/或核分解(产生分布形状的改变和/或长度尺度和信号方差)来变换收集的视网膜信号数据。可以对视网膜信号数据执行滤波(有限脉冲响应、无限脉冲响应),例如高通滤波器、低通滤波器、带通滤波器、陷波滤波器。希尔伯特-黄变换(IMF的瞬时频率)。
在步骤313处,可以例如通过将临床数据转置成另一一维或多维尺度,例如缩放、移位、初等函数变换(例如,对数、多项式、幂、三角)和/或对复合变量中的变量进行重组来变换临床信息。
在步骤314处,可以例如通过确保要处理的所有数据将满足适合于预期处理的标准化格式来测试和确认在信息输入阶段310期间生成的数据的数据适合性。
特征提取
在步骤321处,可以通过例如时间-频率分析(量图中的特定位置的幅度、幅度最小值和最大值的位置)、核分解、主成分分析(PCA)、各种时间-频率间隔中的几何(代数)操作例如最小(例如,a波)、最大(例如,b波)、延迟、斜率、梯度、曲率、积分、能量(平方幅度的和)、方差、内聚分散(均匀性、密度)和/或用于从视网膜信号数据检索或生成视网膜信号特征的任何其他方法来获得被认为包含生物征迹的成分的视网膜信号特征。
在步骤322处,可以通过例如多成分分析(卡方与方差组合)和随后的分组、基于逐步回归的前向选择、最佳子集回归(使用辅因子的指定集合)、根据临床实践(即,状况的辅因子,例如,疾病的持续时间、病情急转/住院治疗的次数)和/或用于从临床信息获得临床信息辅因子的任何其他方法来从临床信息获得被认为影响生物征迹的成分的潜在临床信息辅因子。
在步骤323处,可以评估在特征提取阶段320期间生成的信息的鲁棒性和结果的准确度。
特征选择和定位
在步骤331处,可以通过例如时间-频率视觉分析或量图(在这种情况下,视网膜信号特征是在某些时间-频率窗口处的信号的幅度,其被发现是判别的)、利用交叉验证的逐步回归、利用预定义阈值的辅因子调整的或未调整的基于稀疏表示的分类(SRC)、最相关的视网膜信号特征的选择和组合以在例如监督PCA(SPCA)过程中生成主成分、最小绝对收缩和选择算子(LASSO)、脊回归、弹性网、贝叶斯或尖峰板方法和/或任何其他选择方法,来选择包含生物征迹的最显著成分的视网膜信号特征。
在步骤332处,可以通过例如i)混杂方法(随机化、限制和匹配);分层,随后是Mantel-Haenszel估计器;和/或多元方法,例如ANCOVA、线性和逻辑回归,以及/或者ii)调解和缓和方法:例如,Baron&Kenny方法;Fairchild&MacKinnon方法和/或其他合适的方法来确定辅因子层级(混杂、调解者、缓和者),即,评估最重要的视网膜信号特征和临床信息辅因子的影响方向和层级,作为生物征迹的成分,它们一起对分析模型有高贡献。
在步骤333处,可以从临床信息中选择对数学模型具有高贡献的临床信息辅因子,即,影响生物征迹的成分并且一起对数学模型具有高贡献的这些临床信息辅因子(因此成为“合格的”辅因子)。
在步骤334处,可以评估在特征选择和定位阶段330期间生成的信息的鲁棒性和结果的准确度。
特征加权和汇集
在步骤341处,可以执行重构和/或加权相关视网膜信号特征以生成描述符。例如,可以确定和/或映射视网膜信号特征的贡献。可以通过例如多元回归分析或相关过程来标识包含生物征迹的描述符并对模型有影响的视网膜信号特征。
在步骤342处,可以将描述符与最显著的临床信息辅因子(即,合格的辅因子)汇集。然后,通过例如使用数学表达式或关系匹配-合并描述符和辅因子,通过使用例如PCA、SPCA或用于选择和/或组合视网膜信号数据特征的其他方法,可以选择描述符以获得一起对数学模型贡献最多的生物征迹的成分。
在步骤343处,可以评估在特征加权和汇集阶段340期间生成的信息的鲁棒性和结果的准确度。
分类器排名和区别
在步骤351处,可以通过使用汇集的描述符和/或临床信息辅因子训练分类器来估计分类器。可以基于分类器的性能通过例如逻辑回归、概率回归、概率建模(高斯过程、核估计模型、贝叶斯建模)、最佳子集回归(使用预测子的指定集合)、SVM、神经元网络方法、决策树、随机森林、加权投票、提升和套袋、Kaplan-Meier分析、Cox回归和/或其他选择或排名方法来选择和/或排名分类器。
在步骤352处,可以通过选择特定于状况的分类器并将其映射到表示其最特定生物征迹的数学函数中,通过例如由数学构造(例如,小波、Kullback-Leibler散度等)、在域之间进行区分的Neyman-Pearson、和/或其他相关方法增强的回归结果的可视化来构建区域和域。
在步骤353处,可以评估在分类器排名和区别阶段350期间生成的信息的鲁棒性和结果的准确度。
来自视网膜信号解译的对抗发现
在步骤361处,可以获得并比较密度函数,即,通过从视网膜信号数据和临床辅因子获得包含最高密度的生物征迹成分的数学函数,并且通过例如直方图;核密度估计(例如,Parzen-Rosenblatt窗口、带宽选择)、特征函数密度和其他相关估计量、数据聚类技术(包括向量量化)、重建方法(基于样本累积概率分布或基于样本矩)和/或其他方法来比较跨状况的这些函数。
完成视网膜信号解译
在步骤371处,通过例如使用密度函数;估计CPF(累积概率函数)和/或其他相关方法在比较在各种状况下获得的数学函数时,可以从包含来自视网膜信号数据和临床信息辅因子的生物征迹成分的相关密度的数学函数计算概率。
在步骤372处,可以通过标识在各种状况下与高密度信息的区或区域之间的距离最相关的生物征迹成分,并且通过例如将概率与贝叶斯统计先验进行比较将距离计算为数学表达式,来确定与区域的距离。基于熵的方法、Kullback-Leibler散度参数评估改变的方向,而Neyman-Pearson评估区域之间的距离。可以使用半参数最大似然估计过程库-相邻-违反-算法(PAVA)以及挑战归因于模型的每个个体部分(即,区域)的医学状况并且使用IPWE(逆概率加权估计器)或相关方法重新评估它们属于该模型的其他方法。
在步骤373处,可以评估在完成阶段370期间生成的信息的鲁棒性和结果的准确度。
预测方法
图4示出了根据本技术的各种实施方式的用于预测患者患有状况的可能性的方法400的流程图。方法400的全部或部分可以由数据收集系统215、数据分析系统220和/或预测输出系统225执行。在一个或更多个方面,方法400或者其一个或更多个步骤可以由诸如计算环境100的计算系统执行。方法400或者其一个或更多个步骤可以体现在计算机可执行指令中,该计算机可执行指令存储在计算机可读介质例如非暂态大容量存储装置中,加载到存储器中并且由CPU执行。方法400是示例性的,并且应当理解,流程图中的一些步骤或步骤的部分可以在顺序上改变和/或省略。
方法400包括执行各种活动,例如从视网膜信号数据提取视网膜信号特征、选择与特定状况最相关的视网膜信号特征、组合和比较这些视网膜特征以生成与要分析或比较的状况最具判别力的数学描述符、生成多模态映射、标识状况的生物标志物和/或生物征迹、以及/或者预测患者患有状况中的任何一种的可能性,如现在将在下面进一步详细描述的。
在步骤405处,可以从患者捕捉视网膜信号数据。可以使用预定义的收集协议来捕捉视网膜信号数据。视网膜信号数据可以包括由放置在患者身上的电极捕捉到的测量电信号。视网膜信号数据可以包括用于捕捉视网膜信号数据的系统的参数,例如光刺激的参数。视网膜信号数据可以包括在测量电信号的装置中使用的接收电气电路的阻抗。在某些实施方式中,省略该步骤405。
视网膜信号数据可以包括阻抗测量和/或其他电参数。视网膜信号数据可以包括光学参数,例如瞳孔尺寸改变和/或应用的亮度参数(光刺激的频率、强度、波长、光谱、视网膜信号采样的频率)。
为了生成视网膜信号数据,可以例如通过使用可以是一个或更多个光学刺激器的光刺激器205刺激患者的视网膜。视网膜信号数据可以由传感器收集,例如传感器210,其可以包括一个或更多个电极和/或其他传感器。
光刺激器可以包括能够生成不同波长(例如,从约300纳米至约800纳米)、光强度(例如,从约0.01cd.s/m2至约3000cd.s/m2)、照射时间(例如,从约1毫秒至约500毫秒)、具有不同背景波长(例如,从约300纳米至约800纳米)和背景亮度(例如,约0.1cd/m2至约800cd/m2)的每次闪光之间的时间(例如,约0.2秒至约50秒)的光束的任何源。
视网膜信号数据可以包括以若干采样频率(例如,0.2kHz至24kHz)在若干信号收集时间(例如,5毫秒至500毫秒)与光刺激同步时间(闪光时间)和偏移(光刺激之前的基线电压和阻抗)收集的电响应数据(例如,电压和电路阻抗)。因此,步骤405可以包括以4kHz至16kHz的频率收集视网膜信号数据。
在例如由从业者收集视网膜信号数据之后,可以将视网膜信号数据上载至服务器例如数据分析系统220以供分析。视网膜信号数据可以存储在计算机系统的存储器130中。
在步骤410处,如果省略步骤405,则可以从存储器130检索视网膜信号数据。可以从视网膜信号数据提取视网膜信号特征。视网膜信号特征的提取可以基于视网膜信号数据的处理和/或使用多种信号分析方法的其变换,所述多种信号分析方法例如多项式回归、小波变换和/或经验模式分解(EMD)。视网膜信号特征的提取可以基于从这些分析或特定建模中得出的参数,例如主成分和最具判别力的预测子、来自线性或非线性回归函数的参数、较高幅度的频率、差的Kullback-Leibler系数、高斯核的特征、差的对数似然性和/或高能量的区域。这些分析可以用于确定每个特定视网膜信号特征的贡献并且在统计上比较视网膜信号特征。
要提取的视网膜信号特征可能已预先确定。要提取的视网膜信号特征可能已通过分析多个患者的视网膜信号数据的标记数据集而确定。数据集中表示的每个患者可以具有患者患有的一个或更多个相关联的医学状况和/或患者不患有的一个或更多个医学状况。这些医学状况可以是每个患者的数据集的标记。通过分析来自共同患有医学状况的患者的视网膜信号数据的集合,可以确定要提取的视网膜信号特征。可以基于视网膜信号特征来生成多模态映射。可以基于多模态映射来确定域。
在步骤415处,可以从视网膜信号特征提取描述符。数学描述符可以是组合来自视网膜信号数据和/或临床辅因子的特征的数学函数。鉴于患者群组之间的进一步区别,描述符可以指示特定于状况或群体的视网膜信号特征。如以上在方法300的步骤342处所述,通过例如使用数学表达式或关系匹配-合并描述符和辅因子,通过使用例如PCA、SPCA或用于选择和/或组合视网膜信号数据特征的其他方法,可以选择描述符以获得一起对数学模型贡献最多的生物征迹的成分。
在步骤420处,可以接收患者的临床信息。临床信息可以包括医疗记录和/或关于患者收集的任何其他数据。临床数据可以包括问卷和/或医疗保健从业者的临床检查的结果。
在步骤425处,可以使用临床信息生成临床信息辅因子。可以基于临床信息辅因子对视网膜信号数据的影响来选择临床信息辅因子。临床信息辅因子可以包括患者的年龄、性别、可以用作视网膜色素沉着的代表的皮肤色素沉着的指示、以及/或者对应于患者的任何其他临床信息。
在步骤430处,临床信息辅因子和/或描述符可以应用于状况的数学模型。可以使用任何数目的数学模型。临床医师可以选择使用哪个数学模型。每个模型可以对应于特定的状况或对照。
在步骤435处,每个模型可以确定患者与模型的状况的生物征迹之间的距离。视网膜信号数据的主成分可以位于与状况对应的域内。描述符和/或临床信息辅因子可以与每个模型的生物征迹进行比较。
在步骤440处,每个模型可以输出患者患有模型的状况的预测概率。可以基于在将个体的描述符的幅度和位置与模型中的这些描述符的幅度和位置进行比较时的统计显著性水平来预测患者患有状况的可能性。预测概率可以是二元的,并且指示在患者的视网膜信号数据中存在或不存在状况的生物征迹。预测概率可以是指示患者有多大可能性患有状况的百分比。
在步骤445处,可以输出患者患有每个状况的预测概率。可以输出界面和/或报告。可以在显示器上输出界面。可以将界面和/或报告输出给临床医师。输出可以指示患者患有一个或更多个状况的可能性。输出可以指示患者定位在病理中。可以存储预测概率。
输出可以包括确定医学状况、医学状况的预测概率、以及/或者患者的视网膜信号数据与该状况和/或其他状况一致的程度。预测概率可以是医学状况的对应百分比的格式,其可以提供客观的神经生理学测量,以进一步帮助临床医师的医学状况假设。
可以将输出与临床医师的临时医学状况假设结合使用,以提高临床医师对医学状况的确定的舒适水平和/或开始更早或更有效的治疗计划。可以使用输出来更早地开始治疗,而不是花费额外的时间来明确医学状况和治疗计划。输出可以降低临床医师和/或患者对临床医师的临时医学状况假设的不确定性水平。可以使用输出来选择要给予患者的药物。然后可以将所选择的药物给予患者。
可以使用方法400来监视患者的状况。患者可能先前已被诊断患有状况。可以使用方法400来监视状况的进展。可以使用方法400来监视和/或改变状况的治疗计划。例如,可以使用方法400来监视用于治疗状况的药物的有效性。可以在患者正在经历针对状况的治疗之前、期间和/或之后收集视网膜信号数据。
可以使用方法400来标识和/或监视感染(例如,病毒感染)的神经症状。例如,可以使用方法400来标识和/或监视感染COVID-19的患者的神经症状。可以从感染或已感染COVID-19的患者收集视网膜信号数据。可以使用方法400评估视网膜信号数据,以确定患者是否患有神经症状、神经症状的严重性和/或制定针对神经症状的治疗计划。
生成数学模型
图5示出了根据本技术的各种实施方式的用于生成用于预测患者是否患有状况的数学模型的方法500的流程图。方法500的全部或部分可以由数据收集系统215、数据分析系统220和/或预测输出系统225执行。在一个或更多个方面,方法500或者其一个或更多个步骤可以由诸如计算环境100的计算系统执行。方法500或者其一个或更多个步骤可以体现在计算机可执行指令中,该计算机可执行指令存储在计算机可读介质例如非暂态大容量存储装置中,加载到存储器中并且由CPU执行。方法500是示例性的,并且应当理解,流程图中的一些步骤或步骤的部分可以在顺序上改变和/或省略。
方法500可以处理视网膜信号数据和/或其他临床信息的数据集,以基于特定于各种状况的域来创建分类模型。视网膜信号数据的数学建模可以通过使用若干序列分析来执行,所述若干序列分析处理视网膜信号数据和/或临床信息辅因子以基于特定于状况的域来生成分类度量。分析具有若干机制,其组合视网膜信号数据和临床信息辅因子例如视网膜生物征迹中的特定描述符,以选择最具判别力的成分作为描述符。可以与临床信息辅因子组合的这些描述符可以用于训练分类器,并且然后基于分类器在提供患者患有状况的概率因子方面的性能来选择分类器。描述符可以用于构建特定于状况中的每一种的密度函数。可以使用判别特征、主成分和高统计显著性的描述符的映射的多模态分析来形成域聚类。
在步骤505处,可以从患者收集视网膜信号数据。收集的视网膜信号数据可以包括阻抗测量和/或其他电参数。视网膜信号数据可以包括光学参数,例如从光源到眼睛或眼睛的一部分(瞳孔、视网膜)的距离、瞳孔尺寸改变和/或应用的亮度参数(光刺激的频率、光强度、光波长、光谱、视网膜信号采样的频率)。在某些实施方式中,可以省略步骤505。
在步骤510处,可以用状况标记每个患者的视网膜信号数据。标记可以是患者被诊断患有的一个或更多个状况。标记可以指示患者未被诊断患有任何状况,在这种情况下,患者可以被称为对照目标。状况可以是精神分裂症、躁郁症、重性抑郁症、精神病、创伤后精神紧张性障碍、中风、物质滥用、强迫症、阿尔茨海默症、帕金森症、多发性硬化、孤独症、注意力缺损症和/或任何其他状况。如果省略步骤505,则步骤510可以包括从存储器例如计算环境100的存储器130检索存储的视网膜信号数据。
在步骤515处,可以接收患者的临床信息辅因子。临床信息辅因子可以从医疗记录中提取。临床信息辅因子可以包括群体参数例如年龄、性别和/或作为视网膜色素沉着的代表的皮肤色素沉着、虹膜颜色等的指示。可以接收针对其收集了视网膜信号数据的患者的全部或子集的临床信息辅因子。
在步骤520处,可以针对每个患者生成数据集。数据集可以包括患者的视网膜信号数据、分配给患者的一个或更多个标记、以及/或者患者的临床信息辅因子。数据集可以存储在数据库中和/或以任何其他合适的格式存储。
在步骤525处,可以从数据集中的视网膜信号数据提取视网膜信号特征。可以使用任何合适的数学选择过程来选择要提取的视网膜特征,数学选择过程例如主成分分析(PCA)、广义线性模型(GLM)、基于稀疏表示的分类(SRC)、最小绝对收缩和选择算子(LASSO)和/或旨在变换所选择的视网膜信号特征并生成在内聚和密度(信息密度)方面关注的描述符的若干模型的组合,其目的是选择最具判别力的视网膜信号特征并生成统计显著性的映射。可以使用各种方法来分析收集的视网膜信号数据,方法例如但不限于时间-频率分析、从参考数据集生成的原型母小波、概率建模、信息的内聚和分散、主成分分析(PCA)(其可以是监督的或无监督的)、广义线性模型(GLM)、基于稀疏表示的分类(SRC)、最小绝对收缩和选择算子(LASSO)和/或类似的选择方法或若干方法的组合。可以使用映射来描绘视网膜信号数据的最具判别力的区域(N维),以分开每个状况的域并将个体定位在这些域(距离)内。
状况的生物征迹可以包括状况特有的视网膜信号数据的部分。可以选择最具判别力的视网膜信号特征中的一个或更多个作为某种状况的描述符。描述符可以在多模态计算过程中进行组合。
特定数学建模的潜力由特定于在演示期间已考虑的状况的信息的域的图形表示来支持,并且随后用于描述域。可以在使用多模态分析获得的视网膜信号特征中定义相关预测子的聚类。
通过将分析策略扩大到附加计算过程,然后生成附加视网膜信号特征,可以丰富用于解译视网膜信号数据中包括的生物征迹的这些成分。
频率(光谱)分析
可以使用母小波来执行时间-频率分析,以用于例如离散小波变换(DWT)或连续小波变换(CWT)和/或经验模式分解(EMD)滤波。可以可视化和/或计算常用特征,例如较高幅度的频率、出现时间、频率映射(量图)、时间-频率域、作为小波变换的输出的小波系数、小波系数的相对出现频率和/或复合参数。
可以构造特定母小波(原型小波)并将其调整到数据的性质(对照组或具有特定病理的个体的组)。可以通过再处理和滤波不被认为是显著特征的频率来验证特定母小波(小波设计)。可以使用该策略来调整已知的预定义母小波,并且执行具有或不具有时间聚类的更特定时间-频率分析(即,具有取决于被分析的视网膜信号波形的部分而调整的母小波的时间-频率分析)。
可以使用应用来比较分析,并且示出来自患有状况例如精神状况的患者的视网膜信号数据与来自未诊断患有这些状况的个体(对照目标)的视网膜信号数据之间的差异。
主成分分析
可以执行主成分分析(PCA)。为了从视网膜信号数据提取最具判别力的视网膜信号特征,PCA可以是监督的(SPCA)或无监督的(PCA)。PCA可以确定所谓的“主成分”——其可以是对响应变量具有最大依赖性的视网膜信号特征,在这种情况下是疑似状况。PCA可以分析视网膜信号特征与状况之间的依赖性,并且允许对具有最大依赖性的这些视网膜信号特征的选择。
视网膜信号特征可以与特定于伴发病理或医学状况的附加人口统计或临床变量组合分析。这些分析可以产生在定义视网膜信号特征中使用的特定数据向量(主成分得分),该特定数据向量然后可以被组合和重新分析(“对抗”)以基于其与预定义阈值的统计显著性来得出最具判别力的视网膜信号特征的分类。这样的分类可以允许对视网膜信号特征的选择,该视网膜信号特征可以用于构建特定于状况的向量化域。
概率建模
可以使用概率建模来在视网膜信号数据内找到关注的区域。可以使用标准高斯和/或非高斯过程建模来定义收集的大量信息内的事件的概率。可以基于特定于来自患有特定状况的患者的视网膜信号数据的数据集和特定于对照目标的数据集(不患有状况的患者的数据集)来选择被选择用于构建模型(以训练模型)的视网膜信号特征。
在步骤530处,可以选择与状况的生物标志物对应的视网膜信号特征子集。可以基于视网膜信号特征与状况的相关性对视网膜信号特征进行排名。较高排名的视网膜信号特征中的一些或全部可以被选择为在该子集中。
在步骤535处,可以确定将状况的生物征迹与其他状况的生物征迹区分开的分类器。分类器可以包括临床信息辅因子和/或视网膜信号特征子集。分类器可以是指示生物征迹的数学模型。为了预测患者患有状况的可能性,可以确定患者的视网膜信号数据与状况的分类器之间的距离。
图6示出了根据本技术的各种实施方式的用于训练机器学习算法(MLA)以预测诸如精神状况或神经状况的医学状况的可能性的方法600的流程图。方法600的全部或部分可以由数据收集系统215、数据分析系统220和/或预测输出系统225执行。在一个或更多个方面,方法600或者其一个或更多个步骤可以由诸如计算环境100的计算系统执行。方法600或者其一个或更多个步骤可以体现在计算机可执行指令中,该计算机可执行指令存储在计算机可读介质例如非暂态大容量存储装置中,加载到存储器中并且由CPU执行。方法600是示例性的,并且应当理解,流程图中的一些步骤或步骤的部分可以在顺序上改变和/或省略。
在步骤605处,可以检索视网膜信号数据的数据集。如上所述,可能已使用方法500的步骤505至步骤520生成数据集。每个数据集可以包括患者的视网膜信号数据、与患者已被诊断患有的状况对应的一个或更多个标记、以及与患者对应的临床信息辅因子。视网膜信号数据可以对应于多个患者。可以基于特定患者群体来选择视网膜信号数据。例如,可以检索与特定性别和年龄范围对应的所有视网膜信号数据。
检索的数据集可以包括阻抗测量和/或其他电参数。检索的数据集可以包括光学参数,例如瞳孔尺寸改变和/或应用的亮度参数(光刺激的频率、光强度、波长、光谱、视网膜信号采样的频率)。检索的数据集可以包括群体参数,例如年龄、性别、虹膜颜色和/或作为视网膜色素沉着的代表的皮肤色素沉着等。
可以标记视网膜信号数据。对于数据中表示的每个患者,可以指示患者已被诊断患有的一个或更多个状况。对于未被诊断患有任何可获得状况的患者,可以指示无状况或者可以指示指示患者为对照目标的标记。
在步骤610处,可以生成视网膜信号特征。可以使用变换过程生成视网膜信号特征。可以针对在步骤605处检索的视网膜信号数据的每个集合生成视网膜信号特征。
在步骤615处,可以从数据集中的视网膜信号特征提取描述符。描述符可以是被选择为状况最具代表性的特征的特征。
在步骤620处,可以对描述符进行排名。当测试描述符对判别状况之间和/或状况与对照(即,没有诊断的状况)之间的贡献时,可以基于描述符的统计显著性水平来对每个描述符进行排名。
在步骤625处,可以基于描述符的排名来选择描述符。可以选择预定量的排名最高的描述符。
在步骤630处,可以使用所选择的描述符训练MLA。可以对在605处检索的数据集进行过滤以去除除了在步骤625处选择的这些描述符之外的描述符。然后可以使用数据集的全部或部分来训练MLA。MLA可以被训练成基于与患者对应的描述符的集合来预测患者患有状况的可能性。
在训练MLA之后,可以使用MLA来基于测量的视网膜信号数据预测患者患有状况的可能性。图7示出了根据本技术的各种实施方式的用于使用MLA来预测精神状况的可能性的方法700的流程图。方法700的全部或部分可以由数据收集系统215、数据分析系统220和/或预测输出系统225执行。在一个或更多个方面,方法700或者其一个或更多个步骤可以由诸如计算环境100的计算系统执行。方法700或者其一个或更多个步骤可以体现在计算机可执行指令中,该计算机可执行指令存储在计算机可读介质例如非暂态大容量存储装置中,加载到存储器中并且由CPU执行。方法700是示例性的,并且应当理解,流程图中的一些步骤或步骤的部分可以在顺序上改变和/或省略。
在步骤705处,可以收集患者的视网膜信号数据。在步骤505处执行的动作可以类似于以上关于步骤405描述的这些动作。
在步骤710处,可以从视网膜信号数据提取视网膜信号特征和/或描述符。可以提取描述符以对应于MLA,例如使用方法600生成的MLA。
在步骤715处,可以将描述符输入至MLA。患者的临床信息辅因子也可以输入至MLA。MLA可以被配置成基于描述符和/或临床信息辅因子来预测患者患有状况的可能性。MLA可以是使用方法600生成的MLA。
在步骤720处,可以确定是否应当向MLA输入更多数据。MLA可以确定在步骤715处输入的数据不足以进行预测。MLA可以确定数据量不足。MLA可以确定数据不够准确,无法进行预测,例如数据中存在错误。MLA可以输出预测的置信水平,并且可以确定置信水平低于阈值置信水平,例如预定阈值置信水平。如果MLA需要更多数据,则可以在步骤705处捕捉更多数据。否则,如果MLA具有足够的数据量来进行预测,则方法700可以继续到步骤725。
在步骤725处,MLA可以输出患者患有一个或更多个状况的预测可能性。对于每个状况,MLA可以输出患者患有状况的预测可能性。病理中的患者定位可以由MLA输出和/或可以基于由MLA输出的预测来确定。患者定位可以指示患者与状况的生物征迹的距离。可以生成用户界面和/或报告并将其输出至临床医师,以用作确定患者的医学状况和/或确认医学状况的辅助。
在图8至图27中示出了基于较高幅度的频率的统计显著性对判别区域的时间-频率分析和选择的示例。在这些实施方式中,对来自患有精神分裂症、躁郁症或重性抑郁症的患者、处于精神病风险的年轻群体(即,父母受精神分裂症、躁郁症或抑郁影响的年轻后代)和来自未受这些状况影响的对照目标的视网膜信号数据进行时间-频率分析(利用不同母小波的小波变换)并比较。利用任何已知的母小波或从参考数据集(对照目标或患有特定状况的个体)准备的特定母小波(原型母小波)进行时间-频率分析。
在图28至图42中示出了视网膜信号特征的选择和统计显著性映射的示例。在这些实施方式中,选择并比较在患有精神分裂症、躁郁症或重性抑郁症的患者、处于精神病风险的年轻群体(即,父母受精神分裂症、躁郁症或抑郁影响的年轻后代)中通过信号频率分析获得的视网膜信号特征和来自未受这些状况影响的对照目标的视网膜信号特征。然后从特征选择准备最具判别力的特征的映射。
在图43至图58中示出了视网膜信号描述符的选择和统计显著性映射的示例。在这些实施方式中,将在患有精神分裂症、躁郁症或重性抑郁症的患者、处于精神病风险的年轻群体(即,父母受精神分裂症、躁郁症或抑郁影响的年轻后代)中获得的视网膜信号描述符和来自未受这些状况影响的对照目标的视网膜信号描述符组合,并评估它们在若干状况中进行区分的潜力。然后,基于描述符的区分潜力和它们在信息量中的位置,从该选择准备最具判别力的描述符的映射。
图8示出了使用Morlet波形的离散近似作为母小波,在患有精神分裂症的患者(较亮点)与未诊断患有心理健康状况的个体(对照目标;较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图9示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有精神分裂症的患者(较亮点)与未诊断患有心理健康状况的个体(对照目标;较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图10示出了使用Morlet波形的离散近似作为母小波,在患有躁郁症的患者(较亮点)与未诊断患有心理神健康状况的个体(对照目标;较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图11示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有躁郁症的患者(较亮点)与未诊断患有心理健康状况的个体(对照目标;较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图12示出了使用Morlet波形的离散近似作为母小波,在患有重性抑郁症的患者(较亮点)与未诊断患有心理健康状况的个体(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图13示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有重性抑郁症的患者(较亮点)与未诊断患有心理健康状况的个体(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图14示出了使用Morlet波形的离散近似作为母小波,在处于精神病风险的患者(较亮点)与未诊断患有心理神健康状况的个体(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图15示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在处于精神病风险的患者(较亮点)与未诊断患有心理健康状况的个体(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图16示出了使用Morlet波形的离散近似作为母小波,在患有精神分裂症的患者(较亮点)与患有躁郁症的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图17示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有精神分裂症的患者(较亮点)与患有躁郁症的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图18示出了使用Morlet波形的离散近似作为母小波,在患有重性抑郁症的患者(较亮点)与患有躁郁症的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图19示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有重性抑郁症的患者(较亮点)与患有躁郁症的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图20示出了使用Morlet波形的离散近似作为母小波,在患有重性抑郁症的患者(较亮点)与患有精神分裂症的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图21示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有重性抑郁症的患者(较亮点)与患有精神分裂症的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图22示出了使用Morlet波形的离散近似作为母小波,在患有躁郁症的患者(较亮点)与处于精神病风险的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图23示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有躁郁症的患者(较亮点)与处于精神病风险的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图24示出了使用Morlet波形的离散近似作为母小波,在患有精神分裂症的患者(较亮点)与处于精神病风险的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图25示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有精神分裂症的患者(较亮点)与处于精神病风险的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图26示出了使用Morlet波形的离散近似作为母小波,在患有重性抑郁症的患者(较亮点)与处于精神病风险的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图27示出了使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有重性抑郁症的患者(较亮点)与处于精神病风险的患者(较暗点)中视网膜信号数据频率分析的比较。SRC系数的幅度与时间和频率处于90%的阈值比较。
图28示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有躁郁症的患者与患有精神分裂症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)对小波系数进行的。颜色是SRC在特定位置中的幅度的尺度。较暗点描绘SRC高于定义的阈值(在示出的示例中,阈值从70%至100%)的SRC位置。
图29示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有躁郁症的患者与患有精神分裂症的患者中在统计p值≤0.05的阈值处通过基于统计显著性的主成分分析分类进行的。
图30示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子及其显著性水平(统计p值)的映射,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有躁郁症的患者与患有精神分裂症的患者中通过由统计显著性排名的主成分分析分类进行的。在该示例中,两个最具判别力的成分被认为在p≤±0.05的阈值处。颜色(灰度)是判别能力的幅度的尺度。
图31示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有躁郁症的患者与患有重性抑郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)对小波系数进行的。阴影示出了在特定位置的SRC的幅度的尺度。较暗点描绘SRC高于定义的阈值(在示出的示例中,阈值从70%至100%)的SRC位置。
图32示出了来自特征选择(在示出的示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有躁郁症的患者与患有重性抑郁症的患者中在统计p值≤0.05的阈值处通过基于统计显著性的主成分分析分类进行的。
图33示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子及其显著性水平(统计p值)的映射,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有躁郁症的患者与患有重性抑郁症的患者中通过由统计显著性排名的主成分分析分类进行的。在示出的示例中,两个最具判别力的成分被认为在p≤±0.05的阈值处。灰度阴影指示判别能力的幅度的尺度。
图34示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有躁郁症的患者与处于精神病风险的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)对小波系数进行的。阴影指示在特定位置的SRC的幅度的尺度。较暗点描绘SRC高于定义的阈值(在示出的示例中,阈值从70%至100%)的SRC位置。
图35示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有躁郁症的患者与处于精神病风险的患者中在统计p值≤0.05的阈值处通过基于统计显著性的主成分分析分类进行的。
图36示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子及其显著性水平(统计p值)的映射,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有躁郁症的患者与处于精神病风险的患者中通过由统计显著性排名的主成分分析分类进行的。在示出的示例中,两个最具判别力的成分被认为在p≤±0.05的阈值处。阴影指示判别能力的幅度的尺度。
图37示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有精神分裂症的患者与处于精神病风险的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)对小波系数进行的。阴影指示在特定位置的SRC的幅度的尺度。较暗点描绘SRC高于定义的阈值(在示出的示例中,阈值从70%至100%)的SRC位置。
图38示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有精神分裂症的患者与处于精神病风险的患者中在统计p值≤0.05的阈值处通过基于统计显著性的主成分分析分类进行的。
图39示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子及其显著性水平(统计p值)的映射,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有精神分裂症的患者与处于精神病风险的患者中通过由统计显著性排名的主成分分析分类进行的。在该示例中,两个最具判别力的成分被认为在p≤±0.05的阈值处。阴影指示判别能力的幅度的尺度。
图40示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波的离散近似,在患有重性抑郁症的患者与处于精神病风险的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)对小波系数进行的。阴影指示在特定位置的SRC的幅度的尺度。较暗点描绘SRC高于定义的阈值(在示出的示例中,阈值从70%至100%)的SRC位置。
图41示出了来自特征选择(在示出的示例中为频率分析成分)的最具判别力的预测子,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有重性抑郁症的患者与处于精神病风险的患者中在统计p值≤0.05的阈值处通过基于统计显著性的主成分分析分类进行的。
图42示出了来自特征选择(在该示例中为频率分析成分)的最具判别力的预测子及其显著性水平(统计p值)的映射,该特征选择是使用利用来自对照目标的视网膜信号数据集特别设计的母小波,在患有重性抑郁症的患者与处于精神病风险的患者中通过由统计显著性排名的主成分分析分类进行的。在该示例中,两个最具判别力的成分被认为在p≤±0.05的阈值处。阴影指示判别能力的幅度的尺度。
图43示出了在处于精神病风险的患者与未诊断患有心理健康状况的个体(对照目标)中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为谱熵)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图44示出了在处于精神病风险的患者与未诊断患有心理健康状况的个体(对照目标)中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在示出的示例中为峰度)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图45示出了在处于精神病风险的患者与未诊断患有心理健康状况的个体(对照目标)中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为Hu矩)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图46示出了在处于精神病风险的患者与未诊断患有心理健康状况的个体(对照目标)中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为三个描述符:谱熵、峰度和Hu矩)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。当将描述符与图43、图44和图45中呈现的这些描述符进行比较时,看出附加的可提取的特定视网膜信号描述符(在信息的位置和统计显著性两者上)的益处。
图47示出了在处于精神病风险的患者与患有躁郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为谱熵)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图48示出了在处于精神病风险的患者与患有躁郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为峰度)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图49示出了在处于精神病风险的患者与患有躁郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为Hu矩)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图50示出了在处于精神病风险的患者与患有躁郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为三个描述符:谱熵、峰度和Hu矩)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。当将描述符与图47、图48和图49中呈现的这些描述符进行比较时,看出附加的可提取的特定视网膜信号描述符(在信息的位置和统计显著性两者上)的益处。
图51示出了在处于精神病风险的患者与患有精神分裂症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为谱熵)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图52示出了在处于精神病风险的患者与患有精神分裂症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为峰度)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图53示出了在处于精神病风险的患者与患有精神分裂症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为Hu矩)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图54示出了在处于精神病风险的患者与患有精神分裂症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为三个描述符:谱熵、峰度和Hu矩)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。当将描述符与图51、图52和图53中呈现的这些描述符进行比较时,看出附加的可提取的特定视网膜信号描述符(在信息的位置和统计显著性两者上)的益处。
图55示出了在处于精神病风险的患者与患有重性抑郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为谱熵)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图56示出了在处于精神病风险的患者与患有重性抑郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为峰度)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图57示出了在处于精神病风险的患者与患有重性抑郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为Hu矩)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。
图58示出了在处于精神病风险的患者与患有重性抑郁症的患者中在p≤0.05的阈值处通过基于稀疏表示的分类(SRC)进行的最具判别力的所选择的描述符(在该示例中为三个描述符:谱熵、峰度和Hu矩)的映射。较暗点是SRC大于定义的阈值(在示出的示例中,阈值为80%)的较高判别能力的位置。当将描述符与图55、图56和图57中呈现的这些描述符进行比较时,看出附加的可提取的特定视网膜信号描述符(在信息的位置和统计显著性两者上)的益处。
应当明确地理解,本文中提及的所有技术效果并非都需要实现在本技术的每个和每一实施方式中。
对本技术的上述实现方式的修改和改进对于本领域技术人员将变得明显。前述描述旨在是示例性的而非限制性的。因此,本技术的范围旨在仅由所附权利要求的范围来限制。
Claims (48)
1.一种用于生成与第一状况对应的数学模型的方法,所述方法能够由计算机系统的至少一个处理器执行,所述方法包括:
接收与多个患者对应的经标记的视网膜信号数据的多个数据集,其中,每个数据集包括患者的视网膜信号数据和标记,其中,所述标记指示所述患者是否患有所述第一状况;
从所述视网膜信号数据提取特征集合;
从所述特征集合中选择特征子集,其中,所述特征子集对应于所述第一状况的生物标志物;以及
基于所述特征子集来确定将所述第一状况与第二状况区分开的一个或更多个分类器。
2.根据权利要求1所述的方法,其中,所述特征集合包括电压、电路阻抗、信号收集时间、采样频率、光刺激同步时间、光刺激偏移、或哪些视网膜区域被照射的指示。
3.根据权利要求1至2中的任一项所述的方法,其中,所述特征集合包括眼睛位置、瞳孔尺寸、所施加的亮度的强度、光刺激的频率、视网膜信号采样的频率、照射的波长、照射时间、背景波长、或背景亮度。
4.根据权利要求1至3中的任一项所述的方法,其中,所述一个或更多个分类器将所述第一状况的生物征迹与所述第二状况的生物征迹区分开。
5.根据权利要求4所述的方法,还包括:基于每个特征与所述第一状况的生物征迹的相关性来对所述特征集合进行排名,并且其中,选择所述特征子集包括选择所述特征集合中的排名最高的特征。
6.根据权利要求1至5中的任一项所述的方法,还包括:
接收与所述多个患者对应的临床信息辅因子,其中,每个数据集包括所述患者的临床信息辅因子;以及
选择所述临床辅因子的子集,其中,所述临床辅因子的子集中的所述临床辅因子影响所述生物标志物的检测。
7.根据权利要求6所述的方法,其中,所述临床信息辅因子指示相应患者的年龄、性别、皮肤色素沉着或虹膜颜色。
8.根据权利要求6至7中的任一项所述的方法,其中,确定所述一个或更多个分类器包括基于所述临床辅因子的子集来确定所述一个或更多个分类器。
9.根据权利要求1至8中的任一项所述的方法,还包括:基于所述一个或更多个分类器来生成所述数学模型。
10.根据权利要求1至9中的任一项所述的方法,还包括:
向所述数学模型输入与患者对应的视网膜信号数据和临床信息辅因子;以及
由所述数学模型输出所述患者患有所述第一状况的预测可能性。
11.根据权利要求1至9中的任一项所述的方法,还包括:
向所述数学模型输入与患者对应的视网膜信号数据和临床信息辅因子;以及
由所述数学模型输出所述患者不患有所述第一状况的预测可能性。
12.根据权利要求1至11中的任一项所述的方法,其中,所述第一状况是精神分裂症、躁郁症、重性抑郁症或精神病。
13.根据权利要求1至12中的任一项所述的方法,其中,所述第一状况是创伤后精神紧张性障碍、中风、物质滥用、强迫症、阿尔茨海默症、帕金森症、多发性硬化、孤独症或注意力缺损症。
14.根据权利要求1至13中的任一项所述的方法,其中,所述视网膜信号数据具有4kHz至24kHz之间的采样频率。
15.根据权利要求1至14中的任一项所述的方法,其中,所述视网膜信号数据是在200毫秒至500毫秒的信号收集时间内收集的。
16.根据权利要求1至15中的任一项所述的方法,其中,所述视网膜信号数据包括在捕捉所述视网膜信号数据时连续记录的接收电路的阻抗成分。
17.根据权利要求1至16中的任一项所述的方法,其中,所述视网膜信号数据包括一个或更多个光学参数。
18.根据权利要求17所述的方法,其中,所述光学参数包括视网膜光刺激的亮度或瞳孔尺寸。
19.根据权利要求1至18中的任一项所述的方法,其中,所述视网膜信号数据包括在捕捉所述视网膜信号数据时记录的光波长成分、在捕捉所述视网膜信号数据时记录的光谱成分、在捕捉所述视网膜信号数据时记录的光强度成分、或在捕捉所述视网膜信号数据时记录的被照射视网膜表面成分。
20.一种用于预测患者患有一个或更多个状况的概率的方法,所述方法能够由计算机系统的至少一个处理器执行,所述方法包括:
接收与所述患者对应的视网膜信号数据;
从所述视网膜信号数据提取一个或更多个视网膜信号特征;
从所述视网膜信号特征提取一个或更多个描述符;
将所述一个或更多个描述符应用于第一数学模型和第二数学模型,其中,所述第一数学模型对应于第一状况并且所述第二数学模型对应于第二状况,从而生成所述第一状况的第一预测概率和所述第二状况的第二预测概率;以及
输出所述第一预测概率和所述第二预测概率。
21.根据权利要求20所述的方法,还包括:显示包括所述第一预测概率和所述第二预测概率的界面。
22.根据权利要求20至21中的任一项所述的方法,还包括:存储所述第一预测概率和所述第二预测概率。
23.根据权利要求20至22中的任一项所述的方法,还包括:收集所述视网膜信号数据。
24.根据权利要求20至23中的任一项所述的方法,还包括:
获得从与所述患者对应的临床信息提取的临床信息辅因子;以及
将所述临床信息辅因子应用于所述第一数学模型和所述第二数学模型。
25.根据权利要求24所述的方法,其中,所述临床信息辅因子对应于所述患者的年龄、性别、皮肤色素沉着或虹膜颜色。
26.根据权利要求20至24中的任一项所述的方法,其中,所述视网膜信号数据具有4kHz至24kHz之间的采样频率。
27.根据权利要求20至26中的任一项所述的方法,其中,所述视网膜信号数据是在200毫秒至500毫秒的信号收集时间内收集的。
28.根据权利要求20至27中的任一项所述的方法,其中,所述视网膜信号数据包括在捕捉所述视网膜信号数据时连续记录的接收电路的阻抗成分。
29.根据权利要求20至28中的任一项所述的方法,其中,所述视网膜信号数据包括一个或更多个光学参数。
30.根据权利要求29所述的方法,其中,所述光学参数包括视网膜光刺激的亮度或瞳孔尺寸。
31.根据权利要求20至30中的任一项所述的方法,其中,所述第一状况是医学状况,并且其中,所述第二状况是对照状况。
32.根据权利要求20至31中的任一项所述的方法,其中,所述第一状况或所述第二状况是精神分裂症、躁郁症、重性抑郁症或精神病。
33.根据权利要求20至31中的任一项所述的方法,其中,所述第一状况或所述第二状况是创伤后精神紧张性障碍、中风、物质滥用、强迫症、阿尔茨海默症、帕金森症、多发性硬化、孤独症或注意力缺损症。
34.根据权利要求20至33中的任一项所述的方法,还包括:接收指示对所述第一状况和所述第二状况的选择的用户输入。
35.根据权利要求20至34中的任一项所述的方法,还包括:
基于所述第一预测概率和所述第二预测概率来选择药物;以及
将所述药物给予所述患者。
36.一种用于确定状况的生物征迹的方法,所述方法能够由计算机系统的至少一个处理器执行,所述方法包括:
接收与多个患者对应的经标记的视网膜信号数据的多个数据集,其中,每个数据集包括患者的视网膜信号数据和标记,其中,所述标记指示所述患者是否患有所述状况;
从所述视网膜信号数据提取特征集合;
从所述特征集合中选择特征子集,其中,所述特征子集对应于所述状况的生物标志物;以及
基于所述特征子集来确定标识所述状况的生物征迹的一个或更多个分类器。
37.根据权利要求36所述的方法,还包括:
接收与所述多个患者对应的临床信息辅因子,其中,每个数据集包括所述患者的临床信息辅因子;以及
选择所述临床辅因子的子集,其中,所述临床辅因子的子集中的所述临床辅因子影响所述生物标志物的检测,并且其中,确定所述一个或更多个分类器包括基于所述临床辅因子的子集来确定所述一个或更多个分类器。
38.根据权利要求36至37中的任一项所述的方法,还包括:基于每个特征与所述第一状况的生物征迹的相关性来对所述特征集合进行排名,并且其中,选择所述特征子集包括选择所述特征集合中的排名最高的特征。
39.一种系统,所述系统包括至少一个处理器和存储多个可执行指令的存储器,所述多个可执行指令当由所述至少一个处理器执行时使所述系统执行根据权利要求1至38中的任一项所述的方法。
40.一种非暂态计算机可读介质,所述非暂态计算机可读介质包含指令,所述指令当由处理器执行时使所述处理器执行根据权利要求1至38中的任一项所述的方法。
41.一种用于预测患者患有一个或更多个状况的概率的系统,所述系统包括:
光刺激器;
一个或更多个传感器;
计算机系统,所述计算机系统包括至少一个处理器和存储多个可执行指令的存储器,所述多个可执行指令当由所述至少一个处理器执行时使所述计算机系统:
使所述光刺激器向所述患者的视网膜提供光刺激信号;
经由所述一个或更多个传感器收集响应于光刺激的电信号;
基于所述电信号来生成与所述患者对应的视网膜信号数据;
从所述视网膜信号数据提取一个或更多个视网膜信号特征;
从所述视网膜信号特征提取一个或更多个描述符;
将所述一个或更多个描述符应用于第一数学模型和第二数学模型,其中,所述第一数学模型对应于第一状况并且所述第二数学模型对应于第二状况,从而生成所述第一状况的第一预测概率和所述第二状况的第二预测概率;以及
输出所述第一预测概率和所述第二预测概率。
42.一种用于预测患者患有一个或更多个状况的概率的系统,所述系统包括计算机系统,所述计算机系统包括至少一个处理器和存储多个可执行指令的存储器,所述多个可执行指令当由所述至少一个处理器执行时使所述计算机系统:
接收与所述患者对应的视网膜信号数据;
从所述视网膜信号数据提取一个或更多个视网膜信号特征;
从所述视网膜信号特征提取一个或更多个描述符;
将所述一个或更多个描述符应用于第一数学模型和第二数学模型,其中,所述第一数学模型对应于第一状况并且所述第二数学模型对应于第二状况,从而生成所述第一状况的第一预测概率和所述第二状况的第二预测概率;以及
输出所述第一预测概率和所述第二预测概率。
43.根据权利要求42所述的系统,还包括光刺激器和一个或更多个传感器,并且其中,所述指令当由所述至少一个处理器执行时使所述计算机系统:
使所述光刺激器向所述患者的视网膜提供光刺激信号;
经由所述一个或更多个传感器收集响应于光刺激的电信号;以及
基于所述电信号来生成所述视网膜信号数据。
44.根据权利要求42至43中的任一项所述的系统,还包括显示器,并且其中,所述指令当由所述至少一个处理器执行时使所述计算机系统经由所述显示器输出包括所述第一预测概率和所述第二预测概率的界面。
45.一种用于监视患者的状况的方法,所述方法能够由计算机系统的至少一个处理器执行,所述方法包括:
接收与所述患者对应的视网膜信号数据;
从所述视网膜信号数据提取一个或更多个视网膜信号特征;
从所述视网膜信号特征提取一个或更多个描述符;
将所述一个或更多个描述符应用于与所述状况对应的数学模型,从而生成所述状况的预测概率;以及
输出所述预测概率。
46.根据权利要求45所述的方法,还包括:
基于所述预测概率来选择药物;以及
将所述药物给予所述患者。
47.根据权利要求45所述的方法,其中,所述视网膜信号数据包括在针对所述状况对所述患者的治疗期间捕捉到的视网膜信号数据。
48.根据权利要求45至47中的任一项所述的方法,其中,所述状况是精神分裂症、躁郁症、重性抑郁症、精神病、创伤后精神紧张性障碍、中风、物质滥用、强迫症、阿尔茨海默症、帕金森症、多发性硬化、孤独症或注意力缺损症。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063000055P | 2020-03-26 | 2020-03-26 | |
US63/000,055 | 2020-03-26 | ||
US202063038257P | 2020-06-12 | 2020-06-12 | |
US63/038,257 | 2020-06-12 | ||
US202163149508P | 2021-02-15 | 2021-02-15 | |
US63/149,508 | 2021-02-15 | ||
PCT/CA2021/050390 WO2021189144A1 (en) | 2020-03-26 | 2021-03-25 | Systems and methods for processing retinal signal data and identifying conditions |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115668395A true CN115668395A (zh) | 2023-01-31 |
Family
ID=77855016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180030622.7A Pending CN115668395A (zh) | 2020-03-26 | 2021-03-25 | 用于处理视网膜信号数据和标识状况的系统和方法 |
Country Status (11)
Country | Link |
---|---|
US (1) | US20210298687A1 (zh) |
EP (1) | EP4128270A4 (zh) |
JP (1) | JP2023519581A (zh) |
KR (1) | KR20230003483A (zh) |
CN (1) | CN115668395A (zh) |
AU (1) | AU2021242809A1 (zh) |
BR (1) | BR112022019113A2 (zh) |
CA (1) | CA3173341A1 (zh) |
IL (1) | IL296708A (zh) |
MX (1) | MX2022012017A (zh) |
WO (1) | WO2021189144A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12021726B2 (en) * | 2021-07-15 | 2024-06-25 | Level 3 Communications, Llc | Systems and methods for identifying defects in local loops |
WO2023114446A2 (en) * | 2021-12-16 | 2023-06-22 | Peter Koulen | A machine learning-based framework using electroretinography for detecting early-stage glaucoma |
US20230248237A1 (en) * | 2022-02-09 | 2023-08-10 | Diamentis Inc. | Systems and methods for retinal stimulation and/or collecting retinal signal data |
WO2024137633A1 (en) * | 2022-12-22 | 2024-06-27 | Oculogica, Inc. | Method and system for detecting substance use |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7222961B2 (en) * | 2002-08-05 | 2007-05-29 | Kestrel Corporation | Method for detecting a functional signal in retinal images |
US20060122529A1 (en) * | 2004-12-06 | 2006-06-08 | Yang Tsau | Low noise amplifier for electro-physiological signal sensing |
US20060244913A1 (en) * | 2004-12-21 | 2006-11-02 | Werner Gellermann | Imaging of macular pigment distributions |
US7365856B2 (en) * | 2005-01-21 | 2008-04-29 | Carl Zeiss Meditec, Inc. | Method of motion correction in optical coherence tomography imaging |
US8771689B2 (en) * | 2006-12-11 | 2014-07-08 | The Board Of Trustees Of The Leland Stanford Junior University | Alpha B-crystallin as a therapy for ischemia or inflammation |
US7828440B2 (en) * | 2007-08-17 | 2010-11-09 | Peyman Gholam A | Method of detecting glaucoma |
US8128227B2 (en) * | 2008-04-15 | 2012-03-06 | The United States Of America As Represented By The Secretary Of Agriculture | Method to detect transmissible spongiform encephalopathies via electroretinogram |
US20110190657A1 (en) * | 2009-08-10 | 2011-08-04 | Carl Zeiss Meditec, Inc. | Glaucoma combinatorial analysis |
US20160029919A1 (en) * | 2013-03-14 | 2016-02-04 | UNIVERSITé LAVAL | Use of electroretinography (erg) for the assessment of psychiatric disorders |
US20150105689A1 (en) * | 2013-10-10 | 2015-04-16 | Robert F. Miller | Pattern electroretinography for evaluating a neurological condition |
EP3110308B1 (en) * | 2014-02-28 | 2023-09-06 | Board of Regents, The University of Texas System | System for traumatic brain injury detection using oculomotor tests |
US11865189B2 (en) * | 2014-12-18 | 2024-01-09 | Sorbonne Universite | Transgenic RPE cells overexpressing OTX2 for the treatment of retinal degeneration |
US20170354326A1 (en) * | 2016-06-10 | 2017-12-14 | Johnson & Johnson Vision Care, Inc. | Electronic ophthalmic lens with medical monitoring |
WO2018034945A1 (en) * | 2016-08-19 | 2018-02-22 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Selective estrogen-receptor modulators (serms) confer protection against photoreceptor degeneration |
US20190127684A1 (en) * | 2017-11-01 | 2019-05-02 | Yale University | Composition and methods for culturing retinal progenitor cells |
WO2019118309A1 (en) * | 2017-12-11 | 2019-06-20 | Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain) | Method, module and system for analysis of physiological signal |
EP3890586A4 (en) * | 2018-12-07 | 2022-08-17 | University of Miami | SYSTEMS AND PROCEDURES FOR DETECTING COGNITIVE IMPAIRMENTS |
-
2021
- 2021-03-25 AU AU2021242809A patent/AU2021242809A1/en active Pending
- 2021-03-25 CN CN202180030622.7A patent/CN115668395A/zh active Pending
- 2021-03-25 BR BR112022019113A patent/BR112022019113A2/pt unknown
- 2021-03-25 CA CA3173341A patent/CA3173341A1/en active Pending
- 2021-03-25 KR KR1020227037151A patent/KR20230003483A/ko unknown
- 2021-03-25 US US17/212,410 patent/US20210298687A1/en active Pending
- 2021-03-25 JP JP2022558122A patent/JP2023519581A/ja active Pending
- 2021-03-25 EP EP21774883.9A patent/EP4128270A4/en active Pending
- 2021-03-25 IL IL296708A patent/IL296708A/en unknown
- 2021-03-25 WO PCT/CA2021/050390 patent/WO2021189144A1/en active Application Filing
- 2021-03-25 MX MX2022012017A patent/MX2022012017A/es unknown
Also Published As
Publication number | Publication date |
---|---|
US20210298687A1 (en) | 2021-09-30 |
IL296708A (en) | 2022-11-01 |
BR112022019113A2 (pt) | 2022-12-06 |
KR20230003483A (ko) | 2023-01-06 |
MX2022012017A (es) | 2022-12-15 |
JP2023519581A (ja) | 2023-05-11 |
AU2021242809A1 (en) | 2022-10-13 |
WO2021189144A1 (en) | 2021-09-30 |
CA3173341A1 (en) | 2021-09-30 |
EP4128270A1 (en) | 2023-02-08 |
EP4128270A4 (en) | 2024-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gómez et al. | Automatic seizure detection based on imaged-EEG signals through fully convolutional networks | |
Guerrero et al. | EEG signal analysis using classification techniques: Logistic regression, artificial neural networks, support vector machines, and convolutional neural networks | |
CN115668395A (zh) | 用于处理视网膜信号数据和标识状况的系统和方法 | |
Boisvert et al. | Predicting task from eye movements: On the importance of spatial distribution, dynamics, and image features | |
Dissanayake et al. | Geometric deep learning for subject independent epileptic seizure prediction using scalp EEG signals | |
Soni et al. | Graphical representation learning-based approach for automatic classification of electroencephalogram signals in depression | |
Sun et al. | Seizure prediction in scalp EEG based channel attention dual-input convolutional neural network | |
Sisodia et al. | Handbook of research on advancements of artificial intelligence in healthcare engineering | |
Gaber et al. | Classification of facial paralysis based on machine learning techniques | |
Laskaris et al. | Improved detection of amnestic MCI by means of discriminative vector quantization of single-trial cognitive ERP responses | |
Santos Febles et al. | Machine learning techniques for the diagnosis of schizophrenia based on event-related potentials | |
Zhou et al. | Phase space reconstruction, geometric filtering based Fisher discriminant analysis and minimum distance to the Riemannian means algorithm for epileptic seizure classification | |
Chavan et al. | Effective epileptic seizure detection by classifying focal and non-focal EEG signals using human learning optimization-based hidden Markov model | |
Leal et al. | Unsupervised eeg preictal interval identification in patients with drug-resistant epilepsy | |
Liu et al. | Automated Machine Learning for Epileptic Seizure Detection Based on EEG Signals. | |
Slanzi et al. | Predicting Web user click intention using pupil dilation and electroencephalogram analysis | |
US20220199245A1 (en) | Systems and methods for signal based feature analysis to determine clinical outcomes | |
Wu et al. | The superiority verification of morphological features in the EEG-based assessment of depression | |
Gavrishchaka et al. | Multi-complexity ensemble measures for gait time series analysis: Application to diagnostics, monitoring and biometrics | |
Cimr et al. | Enhancing EEG signal analysis with geometry invariants for multichannel fusion | |
Zhao et al. | Identifying depression disorder using multi-view high-order brain function network derived from electroencephalography signal | |
Sourkatti et al. | Investigation of different ML approaches in classification of emotions induced by acute stress | |
Lim et al. | Review of EEG Affective Recognition with a Neuroscience Perspective | |
Siuly et al. | An efficient Parkinson's disease detection framework: Leveraging time-frequency representation and AlexNet convolutional neural network | |
Abumalloh et al. | Parkinson’s Disease Diagnosis Using Deep Learning: A Bibliometric Analysis and Literature Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |