CN115942905A - 用于收集视网膜信号数据和去除伪影的系统和方法 - Google Patents
用于收集视网膜信号数据和去除伪影的系统和方法 Download PDFInfo
- Publication number
- CN115942905A CN115942905A CN202180041957.9A CN202180041957A CN115942905A CN 115942905 A CN115942905 A CN 115942905A CN 202180041957 A CN202180041957 A CN 202180041957A CN 115942905 A CN115942905 A CN 115942905A
- Authority
- CN
- China
- Prior art keywords
- signal data
- retinal signal
- retinal
- data
- artifacts
- 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 441
- 238000000034 method Methods 0.000 title claims abstract description 196
- 238000013178 mathematical model Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 22
- 210000001525 retina Anatomy 0.000 claims description 20
- 230000004397 blinking Effects 0.000 claims description 8
- 230000004424 eye movement Effects 0.000 claims description 8
- 208000002033 Myoclonus Diseases 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 210000000744 eyelid Anatomy 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000011514 reflex Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 33
- 238000012545 processing Methods 0.000 description 32
- 238000013480 data collection Methods 0.000 description 29
- 230000001960 triggered effect Effects 0.000 description 21
- 230000000638 stimulation Effects 0.000 description 20
- 238000007405 data analysis Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 230000004044 response Effects 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 210000001508 eye Anatomy 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 239000000090 biomarker Substances 0.000 description 6
- 210000001747 pupil Anatomy 0.000 description 6
- 206010060860 Neurological symptom Diseases 0.000 description 5
- 208000012641 Pigmentation disease Diseases 0.000 description 5
- 208000032400 Retinal pigmentation Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 210000001061 forehead Anatomy 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000002847 impedance measurement Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004301 light adaptation Effects 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 210000005252 bulbus oculi Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 201000001997 microphthalmia with limb anomalies Diseases 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 208000025721 COVID-19 Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000019612 pigmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 101710082751 Carboxypeptidase S1 homolog A Proteins 0.000 description 1
- 102100023804 Coagulation factor VII Human genes 0.000 description 1
- 229920001410 Microfiber Polymers 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000795 conjunctiva Anatomy 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 230000004300 dark adaptation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 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
- 230000005284 excitation Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000003658 microfiber Substances 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
- 230000007170 pathology Effects 0.000 description 1
- 230000010399 physical interaction Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009385 viral infection Effects 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Ophthalmology & Optometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Eye Examination Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
公开了用于生成视网膜信号数据的方法和系统。可以接收与个体对应的校准数据。可以基于校准数据来确定阈值阻抗。可以接收与个体对应的视网膜信号数据。可以将收集视网膜信号数据的电路的阻抗与阈值阻抗进行比较,以确定视网膜信号数据是否包含任何伪影。可以从视网膜信号数据去除视网膜信号数据的与伪影对应的部分。
Description
对相关申请的交叉引用
本申请要求于2020年6月12日提交的美国临时专利申请第63/038,257号、于2021年2月15日提交的美国临时专利申请第63/149,508号、两者均于2021年3月25日提交的国际申请第PCT/CA2021/050390号和美国专利申请第17/212,410号的权益。在本段中提及的申请中的每一个的其全部内容通过引用并入本文中。
技术领域
本技术涉及用于收集和/或处理由光刺激生成的视网膜信号数据的系统和方法。
背景技术
信号是传达一般关于物理或生理系统的行为或一些现象的属性的信息的函数。信号处理是从信号提取信息的过程。可以收集视网膜信号数据例如视网膜电流图(ERG)数据以用于分析。可以使用诸如附接至个体的一个或更多个电极的传感器来收集视网膜信号数据。电极可以捕捉电信号。可以使用光刺激器来触发电信号。视网膜信号数据可以由医疗从业者用作诊断辅助。
在视网膜信号数据的捕捉期间,个体的移动可能影响视网膜信号数据。这对于经受精神状况的个体可能更常见,因为这些个体可能发现在视网膜信号数据被捕捉时更难以保持静止。此外,当视网膜信号数据被记录的时间量延长时,这些移动可能更可能发生。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
基于开发者对与收集、处理和/或分析视网膜信号数据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。视网膜信号数据可以包括伪影。这些伪影可能妨碍视网膜信号数据的进一步分析。可能优选的是使用不包含伪影和/或包含较少伪影的视网膜信号数据。可以使用收集视网膜信号数据的电路的动态电阻例如电路的阻抗来确定视网膜信号数据是否包含伪影。
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诸如医学状况的状况的一些洞察。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生成具有更高的信息密度、更高的信息量和/或附加的信息类型的视网膜信号数据。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。
在常规ERG记录期间,可能不会收集对电信号有直接影响的若干参数或数据。然而,触发的电信号可能直接取决于这些参数。这些参数可以包括光谱、光强度、照射面积和/或收集电信号的电路的阻抗的实时测量。
本技术的实施形成收集和/或处理视网膜信号数据的基础,该视网膜信号数据与常规ERG数据相比具有更多的信息量、更多的信息密度和/或附加的信息细节类型。可以增加光刺激的光强度的数目和/或范围。在某些实施方式中,该视网膜信号数据允许对包含多种信息的数据集的数学建模、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常规ERG数据相比具有更多的信息量、更多的信息密度和/或附加的信息类型。
在一些情况下,视网膜信号数据或与光刺激相关联的任何其他信号数据可以包含伪影。伪影可以包括失真信号、干扰和/或任何其他类型的伪影。伪影可能通过以下中的一个或更多个发生:并非源自视网膜的被无意地捕捉到的电信号、电极定位的移位、接地或参考电极接触的改变、光肌阵挛反射、眼睑眨眼、眼移动和/或外部电干扰。这些伪影可能限制视网膜信号数据的进一步分析,或使进一步分析偏斜。如果可以去除、补偿或防止这些伪影,则将是有益的。
可以测量由个体发射的电信号的参数,例如电压、电流、阻抗和/或任何其他参数。可以在一段时间内连续测量这些参数。在该段时间期间,个体可以暴露于闪光。在闪光之前收集的数据可以用作校准数据。在闪光后收集的数据可以是视网膜信号数据。可以使用校准数据来确定捕捉电信号的电气电路的基线参数,例如基线电压、基线电流、基线阻抗和/或任何其他参数。可以基于基线阻抗来确定阈值阻抗。可以将视网膜信号数据与阈值阻抗进行比较。如果在收集视网膜信号数据期间电路的阻抗超过阈值阻抗,则可以确定视网膜信号数据具有伪影。还可以确定电路的阻抗的变化量和/或阻抗的变化率以指示伪影的存在。
在常规ERG中,具有相同参数的闪光可以重复多次,例如十次。每次可以收集响应于闪光的电信号。可以例如通过确定电信号的平均电压对关于这些电信号的数据进行平均。可以重复相同的闪光(即,具有相同闪光参数的闪光)以减小伪影对收集的数据的影响。例如,如果闪光重复十次,并且响应于这些闪光之一在电信号中出现伪影,则将通过将在该闪光之后收集的数据与在其他九次闪光之后收集的数据进行组合来减小这些伪影的影响。
可以通过其他手段来检测伪影,例如通过监测收集电路的动态电阻例如收集电信号的电路的阻抗、导纳和/或电纳。不是多次重复相同的闪光,而是可以收集响应于单次闪光和/或减少次数的闪光的视网膜信号数据。可以分析视网膜信号数据以确定视网膜信号数据是否包含伪影。例如,可以将视网膜信号数据的阻抗与阈值阻抗进行比较。如果视网膜信号数据的阻抗不超过阈值阻抗,则可以确定视网膜信号数据不包含伪影。然后可以存储视网膜信号数据。以这种方式,可以在不重复具有相同参数的闪光的情况下收集视网膜信号数据,并且/或者可以减少重复具有相同参数的闪光的次数。这可以减少用于收集视网膜信号数据的时间量并且/或者减少伪影对视网膜信号数据的影响。
在某些实施方式中,与ERG数据相比,视网膜信号数据的更高效处理是可能的。与常规ERG数据相比,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。该附加数据可以用于标识视网膜信号数据中的伪影、去除视网膜信号数据中的伪影、减少视网膜信号数据中的伪影、以及/或者补偿视网膜信号数据中的伪影。
在某些实施方式中,从视网膜信号数据检测和/或去除伪影。可以在视网膜信号数据的收集完成之后和/或在视网膜信号数据的收集期间实时地检测和/或去除伪影。如果在视网膜信号数据的收集期间检测到伪影,则可以向操作者显示已经检测到伪影的指示。可以确定在具有伪影的视网膜信号数据之前触发的闪光的参数,并且可以触发具有相同参数的闪光。在闪光之后发生的视网膜信号数据可以被捕捉和/或存储以用于进一步分析。
根据本技术的第一广泛方面,提供了一种由计算系统的至少一个处理器执行的方法,该方法包括:接收与个体对应的视网膜信号数据;通过确定收集视网膜信号数据的电路的阻抗超过电路的阈值阻抗来确定在视网膜信号数据中存在一个或更多个伪影;修改视网膜信号数据以补偿伪影;以及存储视网膜信号数据。
在该方法的一些实现方式中,修改视网膜信号数据以补偿伪影包括去除视网膜信号数据的与伪影对应的至少一部分。
在该方法的一些实现方式中,该方法还包括:接收与个体对应的校准数据;以及基于校准数据来确定电路的阈值阻抗。
在该方法的一些实现方式中,视网膜信号数据响应于来自光刺激器的至少一次闪光,其中,校准数据在至少一次闪光之前由收集视网膜信号数据的相同电路收集,并且其中,该方法还包括使光刺激器生成至少一次闪光。
在该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。
在该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。
在该方法的一些实现方式中,一个或更多个伪影包括视网膜信号数据中的失真。
在该方法的一些实现方式中,一个或更多个伪影由以下中的一项或更多项导致:并非源自视网膜的电信号的捕捉、电极定位的偏移、接地或参考电极接触的改变、光肌阵挛反射、眼睑眨眼和眼移动。
在该方法的一些实现方式中,该方法还包括: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。
根据本技术的另一广泛方面,提供了一种由计算系统的至少一个处理器执行的方法,该方法包括:接收与个体对应的视网膜信号数据;通过确定收集视网膜信号数据的电路的阻抗超过电路的阈值阻抗来确定在视网膜信号数据中存在一个或更多个伪影;在视网膜信号数据中存储与一个或更多个伪影对应的时间段的指示;以及存储视网膜信号数据。
在该方法的一些实现方式中,该方法还包括:接收与个体对应的校准数据;以及基于校准数据来确定电路的阈值阻抗。
在该方法的一些实现方式中,该方法还包括:通过确定视网膜信号数据的阻抗超过阈值阻抗的时间段来确定与一个或更多个伪影对应的时间段。
在该方法的一些实现方式中,视网膜信号数据响应于来自光刺激器的至少一次闪光,其中,校准数据在至少一次闪光之前被收集,并且其中,方法还包括使光刺激器生成至少一次闪光。
在该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。
在该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。
在该方法的一些实现方式中,一个或更多个伪影包括视网膜信号数据中的失真。
在该方法的一些实现方式中,一个或更多个伪影由以下中的一项或更多项导致:并非源自视网膜的电信号的捕捉、电极定位的偏移、接地或参考电极接触的改变、光肌阵挛反射、眼睑眨眼和眼移动。
在该方法的一些实现方式中,该方法还包括: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。
根据本技术的另一广泛方面,提供了一种由计算系统的至少一个处理器执行的方法,该方法包括:
记录与个体对应的视网膜信号数据的第一集合;
通过确定收集视网膜信号数据的第一集合的电路的阻抗超过电路的第一阈值阻抗来确定在视网膜信号数据的第一集合中存在一个或更多个伪影;记录与个体对应的视网膜信号数据的第二集合;确定在记录视网膜信号数据的第二集合时电路的阻抗没有超过电路的第二阈值阻抗;以及存储视网膜信号数据的第二集合。
在该方法的一些实现方式中,该方法还包括:在记录视网膜信号数据的第一集合之前,记录与个体对应的校准数据的第一集合;基于校准数据的第一集合来确定电路的第一阈值阻抗;在记录视网膜信号数据的第二集合之前,记录与个体对应的校准数据的第二集合;以及基于校准数据的第二集合来确定电路的第二阈值阻抗。
在该方法的一些实现方式中,该方法还包括:在记录校准数据的第一集合之后,触发光刺激器以基于闪光参数的集合生成第一闪光,其中,视网膜信号数据的第一集合响应于第一闪光;以及在记录校准数据的第二集合之后,触发光刺激器以基于闪光参数的集合生成第二闪光,其中,视网膜信号数据的第二集合响应于第二闪光。
在该方法的一些实现方式中,视网膜信号数据的第一集合和视网膜信号数据的第二集合具有4kHz至24kHz之间的采样频率。
在该方法的一些实现方式中,视网膜信号数据的第一集合和视网膜信号数据的第二集合是在200毫秒至500毫秒的信号收集时间内收集的。
在该方法的一些实现方式中,该方法还包括:从视网膜信号数据的第二集合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。
根据本技术的另一广泛方面,提供了一种由计算系统的至少一个处理器执行的方法,该方法包括:接收与个体对应的视网膜信号数据;将视网膜信号数据输入至机器学习算法(MLA),其中,MLA使用标记的视网膜信号数据来训练,并且其中,标记的视网膜信号数据中的每个视网膜信号数据集合包括指示相应的视网膜信号数据集合是否包括任何伪影的标记;通过MLA输出经调整的视网膜信号数据;以及存储经调整的视网膜信号数据。
在该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。
在该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。
在该方法的一些实现方式中,MLA去除视网膜信号数据的与伪影对应的部分。
在该方法的一些实现方式中,MLA将指示符添加至视网膜信号数据,指示符指示视网膜信号数据的哪些部分包括伪影。
在本说明书的上下文中,除非另有明确规定,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,除非另有明确规定,否则词语“第一”、“第二”、“第三”等被用作形容词,仅出于允许在它们修饰的名词彼此之间进行区分的目的,而不是出于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数据处理系统的框图;
图3是根据本技术的各种实施方式的用于收集视网膜信号数据的示例性电极放置的图;
图4是根据本技术的各种实施方式的用于补偿视网膜信号数据中的伪影的方法的流程图;
图5是根据本技术的各种实施方式的用于在视网膜信号数据的收集期间检测伪影并输出警报的方法的流程图;
图6是根据本技术的各种实施方式的用于使用机器学习算法(MLA)从视网膜信号数据去除伪影的方法的流程图;
图7是根据本技术的各种实施方式的用于预测医学状况的可能性的方法的流程图;
图8示出了根据本技术的各种实施方式的以16kHz的采样频率在明视条件(适应背景光)下以从0.4cd.sec/m2至794cd.sec/m2的45个增量光强度(亮度步长)生成的三维视网膜信号数据;
图9是根据本技术的各种实施方式的以16kHz的采样频率在明视条件(适应背景光)以及与视网膜信号的振幅同时地进行的阻抗捕捉下以从0.4cd.sec/m2至794cd.sec/m2的45个增量光强度(亮度)生成的视网膜信号数据的三维阻抗;
图10是根据本技术的各种实施方式的以16kHz的采样频率在明视条件(适应背景光)以及同时的阻抗捕捉下以从0.4cd.sec/m2至794cd.sec/m2的45个增量光强度(亮度)生成的四维视网膜信号数据(振幅与阻抗与刺激光亮度与时间);
图11是根据本技术的各种实施方式的以4kHz的采样频率在明视条件(适应背景光)下以从0.4cd.sec/m2至851cd.sec/m2的75个增量光强度(亮度)生成的四维视网膜信号数据(振幅与阻抗与刺激光亮度与时间)。在信号记录期间在亮度9(0.9cd.sec/m2)和亮度72(624cd.sec/m2)处发现阻抗的改变,其中阻抗高于基线值不超过500欧姆,这指示信号中存在两个失真;
图12是根据本技术的各种实施方式的以4kHz的采样频率在明视条件(适应背景光)下以从0.4cd.sec/m2至851cd.sec/m2的75个增量光强度(亮度)生成的四维视网膜信号(电流与导纳与刺激光亮度与时间)。在图11中呈现的信号记录期间分别在亮度9(0.9cd.sec/m2)和亮度72(624cd.sec/m2)处发现的阻抗的改变已被本技术拒绝,并且信号已被相应地校正;以及
图13是以4kHz的采样频率在明视条件(适应背景光)下以0.4cd.sec/m2至851cd.sec/m2的75个增量光强度(亮度)生成的四维视网膜信号(电流与导纳与刺激光亮度与时间)。在图11中呈现的视网膜信号记录中分别在亮度9(0.9cd.sec/m2)和亮度72(624cd.sec/m2)处发现的两个失真已被校正。
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收集视网膜信号数据的方法和系统。大体上,本技术的某些方面和实施方式包括通过例如以下方式来获得视网膜信号数据的过程:扩大光刺激的条件(例如,光强度的数目和范围)、记录用于收集信号本身的电分量中的视网膜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(采样率)捕捉视网膜信号数据。可以分析和/或处理视网膜信号数据以去除视网膜信号数据中的伪影。伪影可能由捕捉并非源自视网膜的电信号引起。伪影可以包括视网膜信号数据中的失真电信号,该伪影可能由于例如与收集信号的表面的接触或电极定位的移位、接地或参考电极接触的改变、光肌阵挛反射、眼睑眨眼和/或眼移动而发生。可以基于用于收集视网膜信号数据的电气电路的阻抗值来检测和/或去除伪影。可以基于阻抗值来校正视网膜信号数据的信号振幅值。可以从视网膜信号数据去除视网膜信号数据的与伪影对应的部分。
光刺激的特性例如光刺激的光谱、光强度和/或持续时间或者被照射的表面可以对由光刺激触发的电信号有直接影响。这些特性可以例如在视网膜信号数据的收集期间实时地测量。这些特性可能导致电信号的更准确的记录和/或分析。
本技术的某些方面和实施方式提供了可以通过使用阻抗的实时记录将视网膜信号数据(电压振幅)转换成电流值(电荷流)的方法和系统。该转换可以在视网膜信号数据的收集期间实时地执行。
本技术的某些方面和实施方式提供了可以通过分析收集电信号的电路(包括该电路的一些或全部电极部分)的阻抗来检测伪影的发生的方法和系统。伪影的检测可以在视网膜信号数据的收集期间实时地执行。
本技术的某些方面和实施方式提供了可以通过将视网膜信号数据转换成电流并分析与时间-电压函数相对的时间-电流函数来校正伪影的方法和系统。
本技术的某些方面和实施方式提供了可以通过基于预定义阻抗阈值重建视网膜信号数据来去除伪影的方法和系统。
本文中描述的系统和方法可以是完全地或至少部分地自动化的,以使临床医师在收集和/或处理视网膜信号数据时的输入最小化。
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。可以收集个体的视网膜信号数据,并且可以例如通过使用分类器确定个体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,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还可以专门致力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暂态系统存储器,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,该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。可以如何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的网络协议栈提供基础,从而使得能够在同一局域网(LAN)上的小型计算机组之间进行通信,并且通过可路由协议例如因特网协议(IP)进行大规模网络通信。
输入/输出接口150可以耦接至触摸屏190并且/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。
视网膜信号数据处理系统
图2是根据本技术的各种实施方式的视网膜信号数据处理系统200的框图。视网膜信号数据处理系统200可以从个体收集视网膜信号数据。如上所述,当与常规ERG相比时,使用视网膜信号数据处理系统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。视网膜信号数据处理系统200可以处理和/或分析收集的数据。视网膜信号数据处理系统200可以在从视网膜信号数据检测和/或去除诸如失真或干扰的伪影之后输出视网膜信号数据。
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。
视网膜信号数据处理系统200可以包括光刺激器205,其可以是光学刺激器,用于向个体的视网膜提供光刺激信号。视网膜信号数据处理系统200可以包括用于收集响应于光学刺激而发生的电信号的传感器210。视网膜信号数据处理系统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个体的视网膜上。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可以被配置成向个体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205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)、具有不同背景光波长(例如,从约300纳米至约800纳米)和背景光强度(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)的光束的光的任何源。
视网膜信号数据处理系统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。下面描述的图3示出了电极放置的示例。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、耳垂、前额和/或其他皮肤区域上。接地电极可以用作电信号的正或负极性的零参考。接地电极可以位于前额的中心处、头部的顶部上和/或手腕上。收集电信号所涉及的电路的任何部分均可以受益于实时阻抗监测。
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。光可以触发由个体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;它们基于特定的材料、导电性和/或几何形状。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可以包括例如接触透镜、箔、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。
响应于光刺激而源自视网膜的电信号借助于由不同电极(例如传感器210的电极)形成的电路来收集。电路可以包括前置放大器、放大器、滤波器、模数转换器和/或任何其他电信号处理装置。电信号可以作为放置在从视网膜(例如,角膜或眼球)接收电信号的区域中的电极(被称为“有源”电极)与放置在该位置附近的电极(被称为“参考”电极)之间的电势差来收集。通常关于相对于接地电极的电中性点收集电势差。
除了传感器210之外,系统200还可以包括监测和记录光刺激波长和/或光强度的其他装置。这些装置可以包括光谱仪、光度计和/或用于收集光特性的任何其他装置。光刺激波长和/或光强度可能对到达视网膜并且因此响应于该刺激而触发视网膜信号的光刺激的量有影响。收集的光刺激波长和/或光强度数据可以包括在视网膜信号数据中。收集的光刺激波长和/或光强度数据可以用于调整视网膜信号数据的各种值。可以在视网膜信号数据的收集之后和/或在视网膜信号数据的收集期间实时地执行这些调整。
除了传感器210之外,系统200还可以包括用于监测眼睛位置和/或瞳孔尺寸的其他装置(例如,跟踪瞳孔定位和孔径的摄像装置),眼睛位置和瞳孔尺寸这两者均对到达视网膜的刺激光量有影响,并且因此影响响应于该刺激而触发的电信号。眼睛位置和/或瞳孔尺寸数据可以包括在视网膜信号数据中。可以在视网膜信号数据的收集期间和/或之后使用该数据以调整视网膜信号数据。
可以在有源电极(定位在眼睛上或眼睛附近)与参考电极之间获得电信号。电信号可以在有或没有来自接地电极的差分记录的情况下获得。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。在被记录之前,电信号可以通过任何数目的前置放大器、放大器、滤波器、模数转换器和/或任何其他信号处理装置。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可以例如以电压相对于时间点的格式将描述电信号的数据存储在数据库中。
数据收集系统215可以被布置成接收例如来自传感器210的个体的测量电信号和/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,该光刺激器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。数据收集系统215可以捕捉闪光之前的校准数据和闪光之后的视网膜信号数据。校准数据和视网膜信号数据可以具有相同的参数并使用相同的电路。
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。
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诸如瞳孔尺寸改变、照射的视网膜面积和/或应用的亮度参数(强度、光的频率、信号采样的频率)的光学参数。视网膜信号数据可以包括诸如年龄、性别、虹膜色素沉着、视网膜色素沉着和/或作为视网膜色素沉着的代表的皮肤色素沉着等的群体参数。视网膜信号数据可以包括导纳、电导和/或电纳数据。
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收集的视网膜信号数据。数据分析系统220可以使用记录的信号数据和/或其他信息(与用于收集视网膜信号数据的过程有关)来建立视网膜信号数据和/或从视网膜信号数据去除伪影成分。数据收集系统215可以实现用于处理视网膜信号数据的方法800、方法900和/或方法1000(下面进一步详细描述)中的任何方法。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。
数据输出系统225可以输出由数据收集系统215收集的数据。数据输出系统225可以输出由数据分析系统220生成的结果。数据输出系统225可以输出诸如个体经受一种或更多种状况例如精神状况的预测可能性的预测。对于每种状况,输出可以指示个体经受该状况的预测可能性。输出可以由临床医师使用以辅助确定个体是否经受医学状况以及/或者确定个体经受哪种医学状况。
数据收集系统215、数据分析系统220和/或数据输出系统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/或数据输出系统225还可以连接至视网膜信号数据管理软件,该视网膜信号数据管理软件可以进一步提取视网膜信号特征并分析嵌入式生物征迹和/或生物标志物。数据收集系统215、数据分析系统220和/或数据输出系统225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/或数据输出系统225可以分布在多个系统之中和/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/或数据输出系统225可以在地理上分布。
图3是根据本技术的各种实施方式的用于收集视网膜信号数据的示例性电极放置的图300。接地电极310可以放置在前额中间的皮肤上。接地电极310可以用作由参考电极320、330、340和350收集的电信号的正或负极性的零参考。参考电极320、330、340和350捕捉从个体发出的电信号。可以使用接地电极310和/或参考电极320、330、340和350来形成电路。可以记录电路的各种参数,例如电流、电压、阻抗和/或任何其他电参数。接地电极310和参考电极320、330、340和350可以是任何类型的电极,可以具有任何形状,可以由任何合适的材料制成,并且/或者可以是不同类型的电极的任何组合。例如,接地电极310可以是第一类型的电极,而参考电极320、330、340和350可以是与第一类型的电极不同的第二类型的电极。
应当理解,图300是电极在个体上的一种布置的示例,并且可以使用任何数目的电极以及/或者可以将电极放置在任何其他合适的区域中。例如,接地电极310可以放置在个体的手腕上而不是前额上。
在数据收集期间,接地电极310和/或参考电极320、330、340和/或350的移动可能导致视网膜信号数据中的伪影。下面描述的方法可以用于警告临床医师正在发生伪影,补偿视网膜信号数据中的伪影,以及/或者重新记录受伪影影响的视网膜信号数据。这些方法可以减少和/或去除放置在可能导致视网膜信号数据中发生伪影的位置的电极的影响。通过使用下面描述的方法,可以补偿放置电极和/或收集数据时发生的任何错误以及/或者可以减少这些错误的影响。
用于去除失真信号的方法
图4是根据本技术的各种实施方式的用于补偿视网膜信号数据中的伪影的方法400的流程图。视网膜信号数据可以使用或已经使用视网膜信号数据处理系统200记录。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,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省略和/或在顺序上改变。
在步骤405处,可以收集校准数据。可以在预定时间段例如20毫秒期间收集校准数据。在校准数据的收集期间,个体的视网膜可能不被光学刺激器刺激。换言之,在校准数据的记录期间,个体可能不暴露于任何光刺激。可以在步骤405处收集电参数和/或任何其他数据。可以收集电流、电压、阻抗和/或任何其他电参数。
可以在步骤405处确定基线参数,例如基线电流、电压、阻抗和/或任何其他参数。基线参数可以基于校准数据来确定。基线参数可以是校准数据中记录的参数的平均值和/或中值。例如,基线阻抗可以作为校准数据中记录的阻抗的平均值来确定。基线参数可以用于所有的稍后测量。例如,可以确定平均电压,并且可以从诸如在步骤410处执行的测量的稍后测量中减去该平均电压。
在步骤410处,可以从个体捕捉视网膜信号数据。视网膜信号数据可以包括可能影响视网膜信号数据的性质和质量的参数和协变量,例如光刺激的参数和用于收集视网膜信号数据的接收电气电路的阻抗。可以在装置中实现电气电路。视网膜信号数据可以包括由放置在个体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测量电信号的接收电气电路的阻抗。
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以下参数,例如眼睛位置、瞳孔尺寸、应用的亮度的强度、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、背景光波长和/或背景光强度。视网膜信号数据可以包括诸如年龄、性别、虹膜色素沉着、视网膜色素沉着和/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。因此,在某些实施方式中,方法400包括在步骤410处收集阻抗测量。同一参数集合可以在步骤405和步骤410处被记录。
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刺激个体的视网膜。视网膜信号数据可以由可以包括一个或更多个电极和/或其他传感器的传感器(例如传感器210)来收集。
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)、具有不同背景光波长(例如,从约300纳米至约800纳米)和背景光强度(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)的光束的光的任何源。
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410可以包括以4kHz至16kHz的频率收集视网膜信号数据。
基线参数还可以用作电流、电压和/或任何其他电参数的偏移。例如,可以基于基线电压和/或基线电流对电压和/或电流进行归一化。
可以重复步骤405和步骤410以收集视网膜信号数据。在来自光刺激器205的每次闪光之前,可以在步骤405处记录校准数据。例如,可以在闪光之前收集校准数据达20毫秒,并且然后可以在步骤410处在闪光之后收集视网膜信号数据。然后,在下次闪光之前,可以在步骤405处记录校准数据。图5更详细地描述了该序列。
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传至服务器例如数据分析系统220以用于分析。视网膜信号数据可以存储在计算机系统的存储器130中。在其他实施方式中,在收集视网膜信号数据的同时,将视网膜信号数据实时地上传至数据分析系统220。
在步骤415处,可以确定收集的视网膜信号数据在数据中具有伪影例如失真信号。失真信号可能包括尖峰或其他不寻常的特征。从放置在个体的组织上的任何电极记录的电信号中的伪影可能对该电极作为其一部分的电路的振幅、阻抗、导纳和/或电导(电荷在某一路径上流动的能力)有直接影响。可以通过分析视网膜信号数据的时间进程并定位可能指示伪影的振幅、阻抗、导纳和/或电导的改变来检测这些伪影。基于电路的阻抗的变化量和/或阻抗的变化率,可以确定视网膜信号数据可能包含伪影。
视网膜信号数据可以与预定标准或模式进行比较,以确定视网膜信号数据中是否存在伪影。例如,可以将在非常短的时间段内斜率和/或基线的突然改变以及/或者振幅和/或阻抗的高变化标识为指示伪影。可以分析视网膜信号数据的参数的变化率例如阻抗的变化率,以确定是否存在伪影。伪影可能在视网膜信号数据的记录的电信号和/或视网膜信号数据内包含的任何其他类型的数据中。
收集的视网膜信号数据中的阻抗可以与使用在步骤405处记录的校准数据确定的基线阻抗进行比较。可以基于校准数据来确定阈值阻抗。例如,阈值阻抗可以比在步骤405处确定的基线阻抗高百分之十。如果视网膜信号数据的阻抗在任何时候均在阈值以上,则可以确定视网膜信号数据包含伪影。可以确定与阻抗在阈值以上对应的时间段。可以将在该时间段期间记录的视网膜信号数据标记为包含伪影以及/或者可以删除与该时间段对应的视网膜信号数据。
在步骤420处,可以从视网膜信号数据去除伪影。可以使用用于收集电信号的电路的动态特性来确定视网膜信号数据的哪些部分包含伪影。例如,包括“有源”电极和“参考”电极的电路中的电导的改变或者具有相对于接地电极的电中性点的电路中的电导的改变均是用于检测和去除伪影的参数。用于收集电信号的电路的阻抗越低,收集的电信号的质量就越好。用于收集视网膜信号数据的合适的电路的阻抗通常在5千欧姆以下。在一些情况下,可以通过适当的电极和电路实现包括“有源”电极和“参考”电极的电路的低至100欧姆的阻抗。
使用实时阻抗测量来关于收集信号的电路的电导率对收集的电信号进行整流,可以检测、补偿和/或去除伪影。可以基于触发电信号的刺激的特性(例如,光强度、光谱、照射的视网膜表面)来调整电信号。例如通过调整电流和/或电压的振幅,这些调整可以去除和/或补偿伪影。
可以确定与伪影对应的时间段,并且可以整流或去除在这些时间段期间记录的信号的全部或部分。伪影可以从视网膜信号数据被去除和/或忽略以用于后续信号分析。例如,可以将视网膜信号数据中的时间段标记为对应于伪影。在这些时间段期间收集的数据可能不会在以后分析视网膜信号数据时使用。
以较高采样频率工作和/或收集较大量的信号信息可以使去除任何伪影的影响最小化。在某种程度上,还可以通过考虑接收电路的动力学来校正信号,这是基于对视网膜信号数据的特征(作为视网膜信号数据的附加视网膜信号特征)添加电导。
可以确定响应于单独的闪光的视网膜信号数据包含伪影,并且可以从视网膜信号数据去除响应于该闪光的所有视网膜信号数据。可以去除响应于闪光的视网膜信号数据的子集。例如,可以记录电信号达200毫秒,并且记录电路的阻抗可能在前150毫秒在阈值阻抗以下,并且然后在最后50毫秒在阈值阻抗以上。可以存储前150毫秒的视网膜信号数据并将其用于进一步的处理,而可以不存储最后50毫秒的视网膜信号数据并不将其用于进一步的处理。
在步骤425处,可以重新记录视网膜信号数据。视网膜信号数据的部分可以被确定为可能具有伪影。可以基于在视网膜信号数据的记录期间阻抗在阈值以上来确定这些时间段。代替在步骤420处去除伪影或除了在步骤420处去除伪影之外,可以重新记录视网膜信号数据的受伪影影响的部分。可以重新施加在检测到伪影时的时间段期间施加至个体的刺激,并且可以记录响应于该刺激而产生的电信号。可以在电信号的捕捉期间监测阻抗。如果阻抗保持在阈值阻抗以下——这指示重新记录的数据可能不包含伪影,则可以将重新记录的数据存储为视网膜信号数据。视网膜信号数据的包含伪影的原始部分可以被重新记录的数据代替。
在步骤430处,可以存储记录的视网膜信号数据以用于进一步的分析。可以使用视网膜信号数据来预测个体是否经受诸如精神障碍的状况。尽管方法400在本文中被描述为应用于视网膜信号数据,但是应当理解,方法400可以应用于任何其他类型的收集的信号数据。
用于提供失真信号警报的方法
图5是根据本技术的各种实施方式的用于在视网膜信号数据的收集期间检测伪影并输出警报的方法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,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省略和/或在顺序上改变。
在步骤505处,可以记录校准数据。在步骤505处执行的动作可以类似于以上关于方法400的步骤405描述的这些动作。可以基于校准数据来确定基线和/或阈值参数。例如,可以在步骤505处确定基线和阈值阻抗。
在步骤510处,可以用预定参数触发闪光。闪光的参数可以包括亮度、波长、照射时间、背景光波长和/或背景光强度。
在步骤515处,可以从个体捕捉视网膜信号数据。在步骤510处执行的动作可以类似于以上关于方法400的步骤410描述的这些动作。在步骤510处触发的闪光的参数的指示符可以与在步骤515处捕捉的对应视网膜信号数据一起存储。
在步骤520处,可以将收集的视网膜信号数据与在步骤505处基于校准数据确定的阈值阻抗进行比较。如果在步骤515处收集的视网膜信号数据在任何时间均在阈值以上,则可以确定视网膜信号数据包含伪影和/或可能包含伪影。可以将收集视网膜信号数据的电路的阻抗与阈值阻抗进行比较。如果收集视网膜信号数据的电路的阻抗在任何时候均在阈值以上,则可以确定视网膜信号数据包含伪影。在步骤515处执行的动作可以类似于以上关于方法400的步骤415描述的这些动作。尽管步骤520描述了将阻抗与阈值阻抗进行比较,但是可以使用电路的动态电阻的任何其他指示符。例如,可以确定阈值导纳和/或阈值电纳。可以将收集在步骤515处收集的视网膜信号数据的电路的导纳和/或电纳与阈值导纳和/或阈值电纳进行比较。如果导纳和/或电纳在任何时候均在阈值以上,则在步骤520处可以确定收集的视网膜信号数据包含伪影。
可以在收集视网膜信号数据的同时例如实时地或接近实时地执行伪影检测。可以连续监测和/或在预定时间段监测视网膜信号数据。可以监测视网膜信号数据的全部或部分以确定数据中是否存在任何伪影。伪影可能出现在关于视网膜信号数据中的电信号的数据(例如,收集的电信号的电流和/或电压的振幅)中。
视网膜信号数据可以与预定标准或模式进行比较,以确定视网膜信号数据中是否存在伪影。例如,可以将在非常短的时间段内斜率和/或基线的突然改变以及/或者振幅和/或阻抗的高变化标识为指示伪影。伪影可能在视网膜信号数据的记录的电信号和/或视网膜信号数据内包含的任何其他类型的数据中。
如果阻抗超过阈值阻抗和/或使用任何其他技术检测到伪影,则方法500可以在步骤525处继续。在步骤525处,可以输出已经检测到伪影的警报。可以在已经在视网膜信号数据中检测到一个或更多个伪影之后发出警报。当阻抗在阈值阻抗以上时,可以发出警报。例如,如果电极在记录期间改变位置或移动,则可以输出警报。由于例如眼睛移动或眨眼引起的任何漂移均可能导致输出警报。可以在检测到伪影达阈值时间段例如两秒之后发出警报。警报可以指示哪个传感器正在引起伪影。可以基于斜率和/或基线的突然改变以及/或者振幅和/或阻抗的高变化来输出警报。警报可以是音频警报和/或视觉警报。
在步骤530处,操作者可以基于警报来调整数据收集系统215、传感器210和/或光刺激器205。操作者可以调整一个或更多个传感器和/或数据收集系统的任何其他部件。可以例如通过清除通知来向操作者通知调整是否成功地校正了问题。步骤525和步骤530是可选的。
在步骤530之后,可以在步骤510处用相同的参数再次触发闪光。可以在步骤515处捕捉对应的视网膜信号数据,并且在步骤520处,可以将视网膜信号数据与阈值阻抗进行比较,以确定视网膜信号数据是否包含伪影。如果视网膜信号数据没有超过阈值阻抗,则方法500可以继续到步骤535。否则,如果视网膜信号数据再次具有伪影,则方法500可以进行到步骤525,并且可以在步骤510处触发相同的闪光。
在步骤535处,可以存储视网膜信号数据。可以存储视网膜信号数据以用于进一步的分析,例如用于预测个体是否经受医学状况。视网膜信号数据可以与在步骤510处触发的闪光的参数一起存储。在步骤535处执行的动作可以类似于以上关于方法400的步骤430描述的这些动作。尽管方法500在本文中被描述为应用于视网膜信号数据,但是应当理解,方法500可以应用于任何视网膜信号数据和/或任何其他类型的收集的信号数据。
在步骤540处,可以针对闪光选择下一参数集合。闪光参数的序列可能已预定,并且可以从预定序列中选择下一参数集合。如果没有更多参数要选择,则方法500可以结束。否则,方法500可以继续到步骤510,并且可以用选择的参数触发闪光。
不是在每次闪光被触发之后在步骤520处检查阻抗,而是可以在所有闪光已被触发之后或者在一系列闪光已被触发之后执行伪影检测。例如,可以触发第一亮度的一系列闪光,并且可以针对每次闪光捕捉视网膜信号数据,并且然后可以将视网膜信号数据的阻抗与每次闪光的阈值阻抗进行比较,以确定视网膜信号数据中的任何视网膜信号数据是否可能包含伪影。然后,可以触发第二亮度的一系列闪光。在每次闪光之前,可以收集校准数据,并且可以针对每次单独的闪光确定阈值阻抗。用于使用MLA去除失真信号的方法
图6是根据本技术的各种实施方式的用于使用机器学习算法(MLA)以从视网膜信号数据去除伪影的方法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,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省略和/或在顺序上改变。
在步骤605处,可以从个体捕捉视网膜信号数据。视网膜信号数据可以是视网膜信号数据。在步骤605处执行的动作可以类似于以上关于方法400的步骤410描述的这些动作。也可以例如在触发视网膜信号数据之前捕捉校准数据。
在步骤610处,可以将捕捉到的视网膜信号数据的全部或部分输入至机器学习算法(MLA)。校准数据也可以输入至MLA。MLA可以标识视网膜信号数据的包含伪影的部分。MLA可以基于任何合适的MLA架构例如神经网络,并且可以包括一个或更多个MLA。
MLA可以基于接收电路的动力学中的预定义阈值例如阻抗或信号振幅的阈值、或基线、或这些参数的改变来去除伪影。MLA还可以基于从具有已知伪影的信号获得的学习的模式来去除伪影,在各种类型的伪影例如信号失真和/或不是从视网膜生成的去除的不想要的信号之间进行区分。这些单独的任务中的每一个可以由单独的MLA执行。MLA可以输出没有伪影的重建信号。
可以基于标记的训练数据来训练MLA。标记的训练数据可以包括受具有已知起源的伪影影响的视网膜信号数据的数据集。标记可以指示伪影的性质(例如,电极位移、眨眼、眼移动和/或诸如漂移或干扰的信号失真)。在被训练之后,MLA能够预测发生伪影的时间段。MLA还可以预测伪影的原因。
MLA可以用于基于先前记录的数据和/或被实时地记录的数据进行预测。如果在信号收集期间使用MLA,则MLA可以在检测到伪影时输出通知。
在步骤615处,MLA可以输出已经去除了伪影的经调整的视网膜信号数据。可以例如通过用其他数据代替伪影、或对失真信号进行整流、或忽略信号的已经检测到伪影的部分来补偿伪影。
在步骤620处,可以存储经调整的视网膜信号数据。在步骤620处执行的动作可以类似于以上关于方法400的步骤430描述的这些动作。尽管方法600在本文中被描述为应用于视网膜信号数据,但是应当理解,方法600可以应用于任何视网膜信号数据和/或任何其他类型的收集的信号数据。
用于预测医学状况的可能性的方法
图7是根据本技术的各种实施方式的用于预测医学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,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省略和/或在顺序上改变。
方法700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705处,可以接收视网膜信号数据。可能已经使用预定义收集协议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。
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)。
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传至服务器例如数据分析系统220以用于分析。在步骤705处,可以从数据分析系统220检索视网膜信号数据。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705处接收的视网膜信号数据可能已经例如使用方法400、方法500和/或方法600中的任何一种方法被收集和/或处理以减少、去除和/或补偿伪影。如以上所讨论的,视网膜信号数据的部分可以被标记为包含伪影,例如收集超过阈值阻抗的视网膜信号数据的电路的部分。经标记的数据可能不用于方法700的以下步骤。例如,如果与单独的闪光对应的视网膜信号数据被确定为具有伪影,则与该闪光对应的视网膜信号数据可能不用于方法700的以下步骤。
在步骤710处,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/或患者没有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715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。通过例如使用数学表达式或关系的匹配-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状况的数学模型贡献最多的生物征迹的成分。
在步骤720处,可以接收个体的临床信息。临床信息可以包括医疗记录和/或关于个体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725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个体的年龄、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/或者与个体对应的任何其他临床信息。
在步骤730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状况或对照。
在步骤735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740处,每个模型可以输出个体经受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个体经受状况的可能性。预测概率可以是二元的,并且指示在个体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个体有多大可能经受状况的百分比。
在步骤745处,可以输出个体经受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。输出可以指示个体经受一个或更多个状况的可能性。输出可以指示个体在病理中的定位。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/或者个体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/或个体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个体的药物。然后可以将所选择的药物给予个体。
可以使用方法700来监测个体的状况。个体可能先前已被诊断有状况。可以使用方法700来监测状况的进展。可以使用方法700来监测和/或改变状况的治疗计划。例如,可以使用方法700来监测用于治疗状况的药物的有效性。可以在个体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700来标识和/或监测感染(例如,病毒感染)的神经症状。例如,可以使用方法700来标识和/或监测感染COVID-19的个体的神经症状。可以从感染或已感染COVID-19的个体收集视网膜信号数据。可以使用方法700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。
图8是根据本技术的各种实施方式的以16kHz的采样频率在明视条件(适应背景光)下以从0.4cd.sec/m2至794cd.sec/m2的45个增量光强度(亮度步长)生成的三维视网膜信号数据。记录在触发视网膜信号(由黑线指示的0毫秒处的光刺激)之前20毫秒开始,以确定每个光刺激亮度的基线振幅值。
图9是根据本技术的各种实施方式的以16kHz的采样频率在明视条件(适应背景光)以及与视网膜信号的振幅同时地进行的阻抗捕捉下以从0.4cd.sec/m2至794cd.sec/m2的45个增量光强度(亮度)生成的视网膜信号数据的三维阻抗。对于每个45个光强度,在0毫秒处触发视网膜信号。
图10是根据本技术的各种实施方式的以16kHz的采样频率在明视条件(适应背景光)以及同时的阻抗捕捉下以从0.4cd.sec/m2至794cd.sec/m2的45个增量光强度(亮度)生成的四维视网膜信号数据(振幅与阻抗与刺激光亮度与时间)。灰度指示按照图的右侧处的比例的阻抗值。基线阻抗通常低于2千欧姆,并且在视网膜信号记录期间不显著变化,除非在伪影、电极位移或信号干扰的情况下。
图11是根据本技术的各种实施方式的以4kHz的采样频率在明视条件(适应背景光)下以从0.4cd.sec/m2至851cd.sec/m2的75个增量光强度(亮度)生成的四维视网膜信号数据(振幅与阻抗与刺激光亮度与时间)。灰度指示按照图的右侧处的比例的阻抗值。在信号记录期间在亮度9(0.9cd.sec/m2)和亮度72(624cd.sec/m2)处发现阻抗的改变,其中阻抗高于基线值不超过500欧姆,这指示信号中存在两个失真。亮度9处的伪影1110可能由电极位移和/或失去接触造成。亮度72处的伪影1120可能由信号漂移造成。
图12是根据本技术的各种实施方式的以4kHz的采样频率在明视条件(适应背景光)下以从0.4cd.sec/m2至851cd.sec/m2的75个增量光强度(亮度)生成的四维视网膜信号(电流与导纳与刺激光亮度与时间)。灰度指示按照图的右侧处的比例的导纳值。在图11中呈现的信号记录期间分别在亮度9(0.9cd.sec/m2)和亮度72(624cd.sec/m2)处发现的阻抗的改变已被本技术拒绝,并且信号已被相应地校正,如由振幅和导纳的值所示。
图13是以4kHz的采样频率在明视条件(适应背景光)下以0.4cd.sec/m2至851cd.sec/m2的75个增量光强度(亮度)生成的四维视网膜信号(电流与导纳与刺激光亮度与时间)。灰度指示按照图的右侧处的比例的导纳值。在图11中呈现的视网膜信号中分别在亮度9(0.9cd.sec/m2)和亮度72(624cd.sec/m2)处发现的两个失真已被校正。
在本文中描述的技术、系统和方法可以应用于任何类型的信号,其中电极定位和电导与所记录信号的质量直接相关,即允许去除与信号本身不相关的成分,或者调整例如电极位移。
Claims (33)
1.一种由计算系统的至少一个处理器执行的方法,所述方法包括:
接收与个体对应的视网膜信号数据;
通过确定收集所述视网膜信号数据的电路的阻抗超过所述电路的阈值阻抗来确定在所述视网膜信号数据中存在一个或更多个伪影;
修改所述视网膜信号数据以补偿所述伪影;以及
存储所述视网膜信号数据。
2.根据权利要求1所述的方法,其中,修改所述视网膜信号数据以补偿所述伪影包括去除所述视网膜信号数据的与所述伪影对应的至少一部分。
3.根据权利要求1至2中任一项所述的方法,还包括:
接收与所述个体对应的校准数据;以及
基于所述校准数据来确定所述电路的阈值阻抗。
4.根据权利要求1至3中任一项所述的方法,其中,所述视网膜信号数据响应于来自光刺激器的至少一次闪光,其中,所述校准数据在所述至少一次闪光之前由收集所述视网膜信号数据的相同电路收集,并且其中,所述方法还包括使所述光刺激器生成所述至少一次闪光。
5.根据权利要求1至4中任一项所述的方法,其中,所述视网膜信号数据具有4kHz至24kHz之间的采样频率。
6.根据权利要求1至5中任一项所述的方法,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。
7.根据权利要求1至6中任一项所述的方法,其中,所述一个或更多个伪影包括所述视网膜信号数据中的失真。
8.根据权利要求1至7中任一项所述的方法,其中,所述一个或更多个伪影由以下中的一项或更多项导致:并非源自所述视网膜的电信号的捕捉、电极定位的偏移、接地或参考电极接触的改变、光肌阵挛反射、眼睑眨眼和眼移动。
9.根据权利要求1至8中任一项所述的方法,还包括:
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。
10.一种由计算系统的至少一个处理器执行的方法,所述方法包括:
接收与个体对应的视网膜信号数据;
通过确定收集所述视网膜信号数据的电路的阻抗超过所述电路的阈值阻抗来确定在所述视网膜信号数据中存在一个或更多个伪影;
在所述视网膜信号数据中存储与所述一个或更多个伪影对应的时间段的指示;以及
存储所述视网膜信号数据。
11.根据权利要求10所述的方法,还包括:
接收与所述个体对应的校准数据;以及
基于所述校准数据来确定所述电路的阈值阻抗。
12.根据权利要求10至11中任一项所述的方法,还包括通过确定所述视网膜信号数据的阻抗超过所述阈值阻抗的所述时间段来确定与所述一个或更多个伪影对应的所述时间段。
13.根据权利要求10至12中任一项所述的方法,其中,所述视网膜信号数据响应于来自光刺激器的至少一次闪光,其中,所述校准数据在所述至少一次闪光之前被收集,并且其中,所述方法还包括使所述光刺激器生成所述至少一次闪光。
14.根据权利要求10至13中任一项所述的方法,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10至14中任一项所述的方法,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10至15中任一项所述的方法,其中,所述一个或更多个伪影包括所述视网膜信号数据中的失真。
17.根据权利要求10至16中任一项所述的方法,其中,所述一个或更多个伪影由以下中的一项或更多项导致:并非源自所述视网膜的电信号的捕捉、电极定位的偏移、接地或参考电极接触的改变、光肌阵挛反射、眼睑眨眼和眼移动。
18.根据权利要求10至17中任一项所述的方法,还包括:
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。
19.一种由计算系统的至少一个处理器执行的方法,所述方法包括:
记录与个体对应的视网膜信号数据的第一集合;
通过确定收集所述视网膜信号数据的第一集合的电路的阻抗超过所述电路的第一阈值阻抗来确定在所述视网膜信号数据的第一集合中存在一个或更多个伪影;
记录与所述个体对应的视网膜信号数据的第二集合;
确定在记录所述视网膜信号数据的第二集合时所述电路的阻抗没有超过所述电路的第二阈值阻抗;以及
存储所述视网膜信号数据的第二集合。
20.根据权利要求19所述的方法,还包括:
在记录所述视网膜信号数据的第一集合之前,记录与所述个体对应的校准数据的第一集合;
基于所述校准数据的第一集合来确定所述电路的第一阈值阻抗;
在记录所述视网膜信号数据的第二集合之前,记录与所述个体对应的校准数据的第二集合;以及
基于所述校准数据的第二集合来确定所述电路的第二阈值阻抗。
21.根据权利要求20所述的方法,还包括:
在记录所述校准数据的第一集合之后,触发光刺激器以基于闪光参数的集合生成第一闪光,其中,所述视网膜信号数据的第一集合响应于所述第一闪光;以及
在记录所述校准数据的第二集合之后,触发所述光刺激器以基于所述闪光参数的集合生成第二闪光,其中,所述视网膜信号数据的第二集合响应于所述第二闪光。
22.根据权利要求19至21中任一项所述的方法,其中,所述视网膜信号数据的第一集合和所述视网膜信号数据的第二集合具有4kHz至24kHz之间的采样频率。
23.根据权利要求19至22中任一项所述的方法,其中,所述视网膜信号数据的第一集合和所述视网膜信号数据的第二集合是在200毫秒至500毫秒的信号收集时间内收集的。
24.根据权利要求19至23中任一项所述的方法,还包括:
从所述视网膜信号数据的第二集合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。
25.一种由计算系统的至少一个处理器执行的方法,所述方法包括:
接收与个体对应的视网膜信号数据;
将所述视网膜信号数据输入至机器学习算法(MLA),其中,所述MLA使用标记的视网膜信号数据来训练,并且其中,所述标记的视网膜信号数据中的每个视网膜信号数据集合包括指示相应的视网膜信号数据集合是否包括任何伪影的标记;
通过所述MLA输出经调整的视网膜信号数据;以及
存储所述经调整的视网膜信号数据。
26.根据权利要求25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25至26中任一项所述的方法,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25至27中任一项所述的方法,其中,所述MLA去除所述视网膜信号数据的与伪影对应的部分。
29.根据权利要求25至28中任一项所述的方法,其中,所述MLA将指示符添加至所述视网膜信号数据,所述指示符指示所述视网膜信号数据的哪些部分包括伪影。
30.一种系统,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在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29中任一项所述的方法。
31.根据权利要求30所述的系统,还包括所述光刺激器。
32.根据权利要求30或31所述的系统,还包括用于收集所述视网膜信号数据的一个或更多个传感器。
33.一种非暂态计算机可读介质,其包含指令,所述指令在由处理器执行时使所述处理器执行根据权利要求1至29中任一项所述的方法。
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 | ||
CAPCT/CA2021/050390 | 2021-03-25 | ||
PCT/CA2021/050390 WO2021189144A1 (en) | 2020-03-26 | 2021-03-25 | Systems and methods for processing retinal signal data and identifying conditions |
US17/212,410 | 2021-03-25 | ||
US17/212,410 US20210298687A1 (en) | 2020-03-26 | 2021-03-25 | Systems and methods for processing retinal signal data and identifying conditions |
PCT/CA2021/050796 WO2021248248A1 (en) | 2020-06-12 | 2021-06-11 | Systems and methods for collecting retinal signal data and removing artifacts |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115942905A true CN115942905A (zh) | 2023-04-07 |
Family
ID=78824043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180041957.9A Pending CN115942905A (zh) | 2020-06-12 | 2021-06-11 | 用于收集视网膜信号数据和去除伪影的系统和方法 |
Country Status (12)
Country | Link |
---|---|
US (1) | US20210386380A1 (zh) |
EP (1) | EP4164496A1 (zh) |
JP (1) | JP2023529469A (zh) |
KR (1) | KR20230173645A (zh) |
CN (1) | CN115942905A (zh) |
AU (1) | AU2021289620A1 (zh) |
BR (1) | BR112022024871A2 (zh) |
CA (1) | CA3182240A1 (zh) |
IL (1) | IL298876A (zh) |
MX (1) | MX2022015803A (zh) |
WO (1) | WO2021248248A1 (zh) |
ZA (1) | ZA202212854B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4171696A (en) * | 1978-01-30 | 1979-10-23 | Roy John E | Prevention of distortion of brainwave data due to eye movement or other artifacts |
US20070135727A1 (en) * | 2005-12-12 | 2007-06-14 | Juha Virtanen | Detection of artifacts in bioelectric signals |
EP2948040B1 (en) * | 2013-01-28 | 2023-06-07 | LKC Technologies, Inc. | Visual electrophysiology device |
CA2905202C (en) * | 2013-03-14 | 2019-12-31 | Universite Laval | Use of electroretinography (erg) for the assessment of psychiatric disorders |
CA3184173A1 (en) * | 2013-06-06 | 2014-12-11 | Tricord Holdings, L.L.C. | Modular physiologic monitoring systems, kits, and methods |
-
2021
- 2021-06-11 BR BR112022024871A patent/BR112022024871A2/pt unknown
- 2021-06-11 IL IL298876A patent/IL298876A/en unknown
- 2021-06-11 CA CA3182240A patent/CA3182240A1/en active Pending
- 2021-06-11 US US17/345,419 patent/US20210386380A1/en active Pending
- 2021-06-11 KR KR1020237000878A patent/KR20230173645A/ko active Search and Examination
- 2021-06-11 EP EP21821168.8A patent/EP4164496A1/en active Pending
- 2021-06-11 AU AU2021289620A patent/AU2021289620A1/en active Pending
- 2021-06-11 WO PCT/CA2021/050796 patent/WO2021248248A1/en active Application Filing
- 2021-06-11 CN CN202180041957.9A patent/CN115942905A/zh active Pending
- 2021-06-11 JP JP2022576158A patent/JP2023529469A/ja active Pending
- 2021-06-11 MX MX2022015803A patent/MX2022015803A/es unknown
-
2022
- 2022-11-25 ZA ZA2022/12854A patent/ZA202212854B/en unknown
Also Published As
Publication number | Publication date |
---|---|
IL298876A (en) | 2023-02-01 |
WO2021248248A1 (en) | 2021-12-16 |
ZA202212854B (en) | 2024-04-24 |
US20210386380A1 (en) | 2021-12-16 |
MX2022015803A (es) | 2023-01-24 |
JP2023529469A (ja) | 2023-07-10 |
KR20230173645A (ko) | 2023-12-27 |
BR112022024871A2 (pt) | 2023-11-28 |
CA3182240A1 (en) | 2021-12-16 |
EP4164496A1 (en) | 2023-04-19 |
AU2021289620A1 (en) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10743809B1 (en) | Systems and methods for seizure prediction and detection | |
KR101395197B1 (ko) | 수면 상태 및 각성 상태의 자동 검출 방법 및 장치 | |
Wilson et al. | Spike detection: a review and comparison of algorithms | |
US20210267530A1 (en) | Multiclass classification method for the estimation of eeg signal quality | |
Aydın et al. | The impact of musical experience on neural sound encoding performance | |
US20210298687A1 (en) | Systems and methods for processing retinal signal data and identifying conditions | |
Desai et al. | Electrodermal activity (EDA) for treatment of neurological and psychiatric disorder patients: a review | |
US20220022805A1 (en) | Seizure detection via electrooculography (eog) | |
EP3768154A1 (fr) | Méthode de génération d'un indicateur d'état d'une personne dans le coma | |
Mridha et al. | Temporal features and machine learning approaches to study brain activity with EEG and ECG | |
US20210386380A1 (en) | Systems and methods for collecting retinal signal data and removing artifacts | |
JP2024502245A (ja) | 信号ベース特徴分析により臨床転帰を決定するためのシステムおよび方法 | |
Wipperman et al. | A pilot study of the Earable device to measure facial muscle and eye movement tasks among healthy volunteers | |
Knierim et al. | Detecting Daytime Bruxism Through Convenient and Wearable Around-the-Ear Electrodes | |
KR20160022578A (ko) | 뇌파검사 장치 | |
US20230293089A1 (en) | Brain function determination apparatus, brain function determination method, and computer-readable medium | |
Negreyros et al. | Real-time eye blinking detection for reducing the effects caused by computer vision syndrome | |
Narayanan | Using EEG Data to Detect Eye Movement | |
Rajendra | Characterization and Identification of Distraction During Naturalistic Driving Using Wearable Non-Intrusive Physiological Measure of Galvanic Skin Responses | |
US20200397381A1 (en) | Information processing device and non-transitory computer readable medium | |
Shashidhar et al. | EEG Data Analysis for Stress Detection using K-Nearest Neighbor | |
Swapnil et al. | An Ensemble Approach to Classify Mental Stress using EEG Based Time-Frequency and Non-Linear Features | |
CN118079178A (zh) | 基于脑机接口的主被动融合昏迷促醒评估方法 |
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 |