CN118076289A

CN118076289A - 用于将来自生物物理信号的基于小波的特征工程化以用于表征生理系统的方法和系统

Info

Publication number: CN118076289A
Application number: CN202280068066.7A
Authority: CN
Inventors: F·法西恩; T·W·F·伯顿
Original assignee: Analytics 4 Life Inc
Current assignee: Analytics 4 Life Inc
Priority date: 2021-08-23
Filing date: 2022-08-19
Publication date: 2024-05-24
Also published as: EP4391891A1; CA3229058A1; US20230072281A1; WO2023026154A1

Abstract

示例性方法和系统便于将从生物物理信号确定的一个或多个基于小波的特征或参数用于诊断、监测、治疗，所述生物物理信号例如是非侵入性采集的心脏/生物电势信号和/或光电体积描记信号。在一个实施例中，基于小波的特征或参数可以在模型或分类器(例如机器学习分类器)内使用来估计与受试者的生理状态相关的度量，包括疾病或异常状况的存在或不存在的度量。基于小波的特征或参数可以包括从所获取的生物物理信号中感兴趣的波形信号中的高功率谱成分或高相干性的谱图像或数据的可提取属性或几何特性导出的量度。基于小波的特征或参数还可以包括从感兴趣波形信号中的高功率谱成分的功率分布的统计量化导出的量度。

Description

用于将来自生物物理信号的基于小波的特征工程化以用于表征生理系统的方法和系统

相关申请

本PCT申请要求以下申请的优先权和权益：美国临时专利申请No.63/235,968，于2021年8月23日提交，标题为“Methods and Systems forEngineering Wavelet-BasedFeatures From Biophysical Signals for Use inCharacterizing PhysiologicalSystems”，其全部内容通过引用并入本文。

技术领域

本公开总体上涉及用于从生物物理信号工程化特征或参数以用于诊断应用的方法和系统；特别是，用于表征一个或多个生理系统及其相关功能、活动和异常的基于小波的特征的工程化和使用。这些特征或参数还可用于监视或跟踪、控制医疗设备，或指导疾病、医疗状况或其中任一者的指征的治疗。

背景技术

存在多种用于协助医疗保健专业人员诊断疾病的方法和系统。其中一些涉及使用侵入性或微创技术、辐射、运动或应力，或药物制剂，有时结合使用，具有随之而来的风险和其他缺点。

舒张性心力衰竭是发病和死亡的主要原因，被定义为代偿(preserved)左心室功能的患者的心力衰竭症状。其特点是左心室僵硬，顺应性降低，舒张(relaxation)受损，导致左心室舒张末压增加，左心室舒张末压是通过左心导管插入术测量的。当前诊断肺高血压(PH)，特别是肺动脉高血压(PAH)的临床护理标准特别涉及心脏右侧的心导管插入术，其直接测量肺动脉中的压力。冠状动脉造影是当前用于评估冠状动脉疾病(CAD)的护理标准，通过治疗医生描述的冠状动脉病变来确定。磁共振成像和计算机断层扫描等非侵入性成像系统需要专门的设施来获取患者血流和动脉阻塞的图像，并由放射科医生进行检查。

期望有一种能够帮助医疗保健专业人员诊断心脏病和各种其他疾病和病症而没有上述缺点的系统。

发明内容

公开了一种临床评价系统和方法，其有助于从生物物理信号确定的一个或多个基于小波的特征或参数的使用，所述生物物理信号例如是心脏/生物电势信号和/或光电体积描记信号，在优选实施例中，所述生物物理信号非侵入性地从当患者休息时放置在患者身上的表面传感器采集(acquired，获取)。基于小波的特征或参数可以用在模型或分类器(例如，机器学习分类器)中来估计与患者的生理状态相关的度量，包括疾病、医疗状况或其中任一者的指征的存在或不存在。所估计的度量可以用于帮助医生或其他医疗保健提供者诊断疾病或病症的存在或不存在和/或严重性和/或定位或者治疗所述疾病或病症。

疾病、病症或其中任一者的指征存在或不存在的估计或确定的可能性可以取代、增强或替代用于评估疾病或医学病症的其他评价或测量方式。在某些情况下，所述确定可以采取数值分数和相关信息的形式。

基于小波的特征或参数的示例包括从所获取的生物物理信号中感兴趣的波形信号中的高功率谱成分或高相干性的谱图像或数据的可提取属性或几何特征导出的量度。基于小波的特征或参数的附加示例包括从感兴趣波形信号中高功率谱成分的功率分布的统计量化导出的量度。

如本文所使用的，术语“特征”(在机器学习和模式识别的背景下以及如本文所使用的)一般指的是被观察的现象的单独可测量的属性或特性。特征是通过分析来定义的，并且可以结合来自公共模型或分析框架的其他特征来分组确定。

如本文所使用的，“度量”是指对无论是在一个或多个生理系统中的一种或多种疾病、病症或指征的存在、不存在、严重性和/或定位(如果适用)的估计或可能性。值得注意的是，示例性的方法和系统可用于本文描述的某些实施例中以获取生物物理信号和/或以其他方式从患者收集数据并在信号处理和分类器操作中评价这些信号和/或数据以对疾病、病症或指征进行评价，其可以通过一个或多个度量取代、增强或替代其他评价方式。在某些情况下，度量可以采用数值分数和相关信息的形式。

在心血管和呼吸系统的背景下，与这些度量相关的疾病和病症的例子包括，例如：(i)心力衰竭(例如，左侧或右侧心力衰竭；射血分数保留(HFpEF)的心力衰竭)，(ii)冠状动脉疾病(CAD)，(iii)各种形式的肺高血压(PH)，包括但不限于肺动脉高血压(PAH)，(iv)左心室射血分数异常(LVEF)，以及各种其他疾病或病症。某些形式的心力衰竭的一个示例指标是是否存在升高或异常的左心室舒张末压(LVEDP)。某些形式的肺高血压的一个示例指标是是否存在升高或异常的平均肺动脉压(mPAP)。

附图说明

并入本说明书并构成本说明书的一部分的附图示出了实施例，并且与具体描述一起用于解释方法和系统的原理。

当结合附图阅读时，通过以下详细描述可以更好地理解本发明的实施例。这些实施例仅用于说明性目的，描绘了本发明的新颖且非显而易见的方面。附图包括以下图：

图1是根据说明性实施例的示例模块或组件的示意图，其被配置为非侵入性地计算基于小波的特征或参数以生成与患者的生理状态相关联的一个或多个度量。

图2示出了根据说明性实施例的示例生物物理信号捕获系统或组件及其在临床环境中非侵入性地收集患者的生物物理信号中的用途。

图3A-3B各自示出了根据说明性实施例的在诊断、治疗、监测或跟踪的实际应用中使用基于小波的特征/参数或其中间输出的示例方法。

图4A和图4B各自示出了根据说明性实施例的的示例小波特征计算模块，其被配置为确定一个或多个采集的生物物理信号的小波关联属性的值。

图5示出了根据说明性实施例的示例小波分布特征计算模块，其被配置为确定一个或多个采集的生物物理信号的小波分布关联属性的值。

图6A、图6B和图6C分别示出了根据说明性实施例的用于生成基于小波的特征或参数的例如图4A、图4B和图5的模块的示例方法。

图7A-7B各自示出了根据说明性实施例的预处理心脏信号和光电体积描记信号的示例方法。

图8A-8F示出了根据说明性实施例的示例方法，以描绘心脏信号、光电体积描记信号和速度体积描记信号的谱感兴趣区域以用于后续基于小波的谱分析。

图9A-9D示出了根据说明性实施例的图4A的小波特征模块的示例方法，以从心脏信号、光电体积描记信号和速度体积描记信号的谱小波模型的二值化谱图像生成基于小波的特征。

图10A-10F示出了根据说明性实施例的图4B的小波特征模块的示例方法，以根据在心脏信号、光电体积描记信号和速度体积描记信号的谱小波模型的多个二值化谱图像中建立的趋势来计算基于小波的特征。

图11示出了根据说明性实施例的图4A的小波特征模块的示例方法，以根据由多个生物物理信号生成的相干谱图像生成基于小波的特征。

图12A-12B、图13A-13D和图14A-14D示出了根据说明性实施例的图5的小波分布特征模块的示例方法，以生成小波分布特征。

图15A示出了根据说明性实施例的示例临床评价系统的示意图，其被配置为使用其他计算特征中的基于小波的特征来生成与患者的生理状态相关联的一个或多个度量。

图15B示出了根据说明性实施例的图15A的示例临床评价系统的操作的示意图。

具体实施方式

本文描述的每个特征以及两个或更多个这样的特征的每个组合都包括在本发明的范围内，只要包括在这样的组合中的特征不是相互矛盾的。

虽然本公开涉及在心脏相关病理和病症的诊断、跟踪和治疗中对生物物理信号(例如，原始或预处理的光电体积描记信号(photoplethysmographicsignal)、生物电势/心脏信号等)的实际评估，这样的评估可以应用于生物物理信号参与生命体的任何相关系统的任何病理或状况的诊断、跟踪和治疗(包括但不限于手术、微创、生活方式、营养和/或药物治疗等)。该评估可用于医疗设备或可穿戴设备的控制或监测应用(例如，例如，报告本文讨论的基于小波的特征、参数或中间输出)。

如本文所使用的术语“受试者”和“患者”通常可互换地使用以指代已经经历了由示例性系统和方法执行的分析的那些人。

本文使用的术语“心脏信号”是指与心血管系统的结构、功能和/或活动直接或间接相关的一种或多种信号——包括该信号的电/电化学传导的方面——例如，引起心肌收缩的信号。在一些实施例中，心脏信号可以包括生物电势信号或心电图信号，例如通过心电图(ECG)采集的那些，心脏和光电体积描记波形或本文稍后描述的信号捕获或记录仪器、或其他模态。

本文使用的术语“生物物理信号”包括但不限于一种或多种心脏信号、神经学信号、心冲击描记信号和/或光电体积描记信号，但其更广泛地还涵盖可以从中获得信息的任何生理信号。不旨在受示例限制，可以将生物物理信号分类为可以包括例如以下的类型或类别：电(例如，某些心脏和神经系统相关信号，其可以通过诸如测量在诸如时间和/或频率的各个域的电压/电势(例如，生物电势)、阻抗、电阻率、电导率、电流等的技术观察、识别和/或量化)、磁、电磁、光学(例如，可以通过诸如反射、干涉测量、光谱、吸光度、透射率、视觉观察、光电体积描记法等技术观察、识别和/或量化的信号)、声学、化学、机械(例如，与流体流动、压力、运动、振动、位移、应变相关的信号)、热和电化学(例如，与某些分析物(例如葡萄糖)的存在相关的信号)。在某些情况下，生物物理信号可以在生理系统的背景下描述(例如，呼吸、循环(心血管、肺)、神经、淋巴、内分泌、消化、排泄、肌肉、骨骼、肾/泌尿/排泄、免疫、外皮/外分泌和生殖系统)，一个或多个器官系统(例如，心脏和肺协同工作时可能特有的信号)，或组织背景(例如，肌肉、脂肪、神经、结缔组织、骨)、细胞、细胞器、分子(例如水、蛋白质、脂肪、碳水化合物、气体、自由基、无机离子、矿物质、酸和其他化合物、元素及其亚原子成分。除非另有说明，否则术语“生物物理信号采集”一般指从生理系统(例如哺乳动物或非哺乳动物生物体)采集生物物理信号的任何被动或主动方式。被动和主动生物物理信号采集通常是指对身体组织的自然或感应电、磁、光和/或声发射度(acousticsemmittance)的观察。被动和主动生物物理信号采集方式的非限制性示例包括例如电压/电势、电流、磁、光、声和观察身体组织的自然发射度并且在一些情况下诱导这样的发射度的其他非主动方式。被动和主动生物物理信号采集方式的非限制性示例包括例如超声波、无线电波、微波、红外和/或可见光(例如，用于脉搏血氧饱和度测定法或光电体积描记法)、可见光、紫外光和其他主动询问身体组织、不涉及电离能量或辐射(例如X射线)的方式。主动生物物理信号采集可以涉及激发-发射光谱(包括例如激发-发射荧光)。主动生物物理信号采集还可以涉及将电离能量或辐射(例如，X射线)(也称为“电离生物物理信号”)传输到身体组织。被动和主动生物物理信号采集方式可以与侵入性程序(例如，通过手术或侵入性放射介入方案)一起执行，或者可以非侵入性地(例如，通过成像、消融、心脏收缩调节(例如，通过起搏器)、导管插入术等)来执行。

本文使用的术语“光电体积描记信号”是指从光学传感器获取的一个或多个信号或波形，其对应于氧合血红蛋白和脱氧血红蛋白的光吸收的测量变化，例如具有红色和红外光谱中的波长的光。在一些实施例中，光电体积描记信号包括经由脉搏血氧计或光电体积描记图(PPG)获取的原始信号。在一些实施例中，从现成的、定制的和/或专用的设备或电路获取光电体积描记信号，所述设备或电路被配置为获取这样的信号波形以用于监测健康和/或诊断疾病或异常状况的目的。光电体积描记信号通常包括红色光电体积描记信号(例如，主要具有大约625至740纳米的波长的可见光谱中的电磁信号)和红外光电体积描记信号(例如，从可见光谱的标称红色边缘延伸高达约1mm的电磁信号)，但是根据所采用的PPG的类型和/或模式，可以以不同的组合使用其他光谱，例如近红外、蓝色和绿色。

如本文所使用的，术语“心冲击描记信号”指的是通常反映通过整个身体的血液流动的信号或信号组，其可以通过振动、声学、运动或定向(orientation)来观察。在一些实施例中，心冲击描记信号由可穿戴设备采集，例如基于振动、声学、运动或定向的心震图(seismocardiogram)(SCG)传感器，其可以测量由安装在靠近心脏的传感器记录的身体的振动或定向。心震图传感器通常用于获取“心震图”，其在本文中与术语“心冲击描计图”可互换使用。在其他实施例中，心冲击描记信号可以通过外部设备获取，例如测量诸如当血液在头部和脚之间的纵向方向上来回移动时的体重变化之类的现象的基于床或基于表面的设备。在这样的实施例中，每个位置中的血量可以动态地变化并且反映在床上的每个位置处测量的重量以及该重量的变化率中。

另外，本文的各个实施例中描述的方法和系统不限于此，并且可以在活体的另一个或多个生理系统、器官、组织、细胞等的任何背景下使用。仅作为示例，可用于心血管背景的两种生物物理信号类型包括可通过常规心电图(ECG/EKG)设备采集的心脏/生物电势信号、可从诸如本文描述的那些的其他设备采集的双极宽带生物电势(心脏)信号，以及可以通过诸如光电体积描记术的各种体积描记技术获取的信号。在另一个示例中，所述两种生物物理信号类型可以通过心冲击描计技术进一步增强。

图1是根据说明性实施例的示例模块或组件的示意图，其被配置为非侵入性地计算基于小波的特征或参数，以经由分类器(例如，机器学习分类器)生成与患者的生理状态相关联的一个或多个度量。所述模块或组件可用于基于小波的特征和其他类别特征的产生应用或开发中。

本文描述的示例性分析和分类器可以用于协助医疗保健提供者诊断和/或治疗心脏和心肺相关的病理和医疗状况，或其中任一者的指标。实例包括严重的冠状动脉疾病(CAD)、一种或多种形式的心力衰竭，例如射血分数保留的心力衰竭(HFpEF)、充血性心力衰竭、各种形式的心律失常、瓣膜衰竭、各种形式的肺高血压、以及本文公开的各种其他疾病和病症。

另外，存在疾病或病症的可能的指标，例如升高的或异常的左心室舒张末压(LVEDP)值，因为其与某些形式的心力衰竭有关，异常的左心室射血分数(LVEF)值，因为它们与某些形式的心力衰竭有关，或升高的平均肺动脉压(mPAP)值，因为它与肺高血压和/或肺动脉高血压有关。此类指标异常/升高或正常的可能性的指标，例如由本文描述的示例分析和分类器提供的那些指标，可以帮助医疗保健提供者评估或诊断患者患有或不患有给定的疾病或病症。除了与疾病状态或病症相关联的这些度量之外，医疗保健专业人员可以在做出诊断时采用其他测量值和因素，例如体检和/或其他测试的结果、患者的病史、当前的药物治疗，等等。对疾病状态或医疗状况存在或不存在的确定可以包括这种疾病的指征(或在诊断中使用的量度度量)。

在图1中，组件包括至少一个非侵入性生物物理信号记录器或捕获系统102以及位于例如云或远程基础设施中或本地系统中的评估系统103。在该实施例中，生物物理信号捕获系统102(也称为生物物理信号记录器系统)被配置为例如获取、处理、存储和传输同步获取的患者的电信号和血液动力学信号作为一种或多种类型的生物物理信号104。在图1的示例中，生物物理信号捕获系统102被配置为同步捕获两种类型的生物物理信号，示出为从测量探头106(例如，示出为探头106a和106b，例如，包括用于血液动力学信号104a的血液动力学传感器，以及探头106c-106h，包括用于电/心脏信号104b的导联(lead))获取的第一生物物理信号104a(例如，与其他第一生物物理信号同步采集)和第二生物物理信号104b(例如，与其他生物物理信号同步获取)。探头106a-h例如通过粘附放置到患者108的表面组织(在患者位置108a和108b处示出)上或靠近患者108的表面组织(在患者位置108a和108b处示出)放置。患者优选是人类患者，但也可以是任何哺乳动物患者。所获取的原始生物物理信号(例如，106a和106b)一起形成生物物理信号数据集110(在图1中分别示出为第一生物物理信号数据集110a和第二生物物理信号数据集110b)，其可以例如优选地存储为单个文件，该文件可通过记录/信号捕获号码和/或通过患者姓名和医疗记录号码来识别。

在图1的实施例中，第一生物物理信号数据集110a包括与测量的来自位置108a处的患者的氧合和/或脱氧血红蛋白的光吸收的变化相关联的一组原始光电体积描记或血液动力学信号，并且第二生物物理信号数据集110b包括与心脏的电信号相关联的一组原始心脏或生物电势信号。尽管在图1中，示出了在患者的手指处采集原始光电体积描记信号或血液动力学信号，但是也可以替代地在患者的脚趾、手腕、前额、耳垂、颈部等处采集信号。类似地，尽管示出了心脏或生物电势信号是通过三组正交导联采集的，也可以使用其他导联配置(例如，11导联配置、12导联配置等)。

绘图110a'和110b'分别示出第一生物物理信号数据集110a和第二生物物理信号数据集110a的示例。具体而言，绘图110a'示出了采集的光电体积描记信号或血液动力学信号的示例。在绘图110a'中，光电体积描记信号是时间序列信号，其具有从两个光源(例如，红外光源和红光源)获取的、作为时间函数的信号电压电势。绘图110b'示出了包括3通道电势时间序列图的示例心脏信号。在一些实施例中，生物物理信号捕获系统102优选地经由非侵入性装置或部件采集生物物理信号。在替代实施例中，侵入性或微创装置或部件可用于补充或替代非侵入性装置(例如，植入的压力传感器、化学传感器、加速计等)。在又一替代实施例中，能够收集生物物理信号的非侵入性和非接触式探头或传感器可以用于以任何组合(例如，被动式温度计、扫描仪、相机、X射线、磁性或本文讨论的非接触或接触能量数据收集系统的其他方式)补充或取代非侵入性和/或侵入性/微创装置。在信号采集和记录之后，生物物理信号捕获系统102然后将所采集的生物物理信号数据集110(或从中导出或处理的数据集，例如，经滤波或预处理的数据)提供给评估系统103的数据储存库112(例如，基于云的存储区域网络)，例如通过无线或有线通信系统和/或网络发送。在一些实施例中，直接发送所获取的生物物理信号数据集110到评估系统103进行分析或者通过安全临床医生门户上传到数据储存库112。

在一些实施例中，生物物理信号捕获系统102配置有电路和计算硬件、软件、固件、中间件等，以获取、存储、传输和可选地处理所获取的生物物理信号以生成所述生物物理信号数据集110。示例性生物物理信号捕获系统102和所采集的生物物理信号数据集110在标题为“Method andApparatus for Wide-Band Phase Gradient Signal Acquisition”的美国专利No.10,542,898或标题为“Method and Apparatus for Wide-Band PhaseGradientSignal Acquisition”的美国专利公开No.2018/0249960进行了描述，上述每一篇均通过引用整体并入本文。

在一些实施例中，生物物理信号捕获系统102包括两个或更多个信号采集组件，包括用于采集第一生物物理信号(例如，光电体积描记信号)的第一信号采集组件(未示出)并且包括用于采集第二生物物理信号(例如，心脏信号)的第二信号采集组件(未示出)。在一些实施例中，电信号以数千赫兹速率采集几分钟，例如在1kHz到10kHz之间。在其他实施例中，在10kHz与100kHz之间采集电信号。可以例如在100Hz到1kHz之间采集血液动力学信号。

生物物理信号捕获系统102可以包括用于采集信号的一个或多个其他信号采集组件(例如，诸如机械声学、冲击描记(ballistographic)、心冲击描记等的传感器)。在信号捕获系统102的其他实施例中，信号采集组件包括常规心电图(ECG/EKG)设备(例如，Holter设备、12导联ECG等)。

在一些实施例中，评估系统103包括数据储存库112和分析引擎或分析器(未示出——参见图15A和图15B)。评估系统103可以包括特征模块114和分类器模块116(例如，ML分类器模块)。在图1中，评估系统103被配置为例如从数据存储库112检索所获取的生物物理信号数据集110，并将其用在特征模块114中，特征模块114在图1中示出为包括小波特征模块120和其他模块122(本文稍后描述)。特征模块114计算特征或参数的值，包括基于小波的特征的值，以提供给分类器模块116，分类器模块116计算与患者的生理状态(例如，疾病状态、医疗状况或其中任一者的指征的存在或不存在的指示)相关联的度量的输出118(例如，输出分数)。在一些实施例中，输出118随后被呈现在医疗保健医师门户(未示出——参见图15A和图15B)处，以由医疗保健专业人员用于诊断和治疗病理或医疗状况。在一些实施例中，门户可以被配置(例如，定制)以供例如患者、护理人员、研究人员等访问，其中输出118被配置用于门户的预期受众。其他数据和信息也可以是输出118的一部分(例如，获取的生物物理信号或其他患者的信息和病史)。

分类器模块116(例如，ML分类器模块)可以包括基于算法开发的传递函数、查找表、模型或算子，例如但不限于决策树、随机森林、神经网络、线性模型、高斯过程、最近邻、SVM、朴素贝叶斯等。在一些实施例中，分类器模块116可以包括基于在以下文献中描述的ML技术开发的模型：美国临时专利申请No.63/235,960，于2021年8月23日提交，标题为“Method and System to Non-Invasively Assess Elevated Left VentricularEnd-Diastolic Pressure”；美国专利公开No.20190026430，标题为“Discovering NovelFeatures to Use in Machine Learning Techniques,such asMachine LearningTechniques for Diagnosing Medical Conditions”；或美国专利公开No.20190026431，标题为“Discovering Genomes to Use in MachineLearning Techniques”，以上每一篇均通过引用整体并入本文。

示例生物物理信号采集。

图2示出了根据说明性实施例的生物物理信号捕获系统102(示出为102a)及其在临床环境中非侵入性地收集患者的生物物理信号中的使用。在图2中，生物物理信号捕获系统102a被配置为在患者休息时从患者108捕获两种类型的生物物理信号。生物物理信号捕获系统102a同步地(i)使用正交放置的传感器(106c-106h；106i是第7共模参考导联)从躯干采集患者的电信号(例如，对应于第二生物物理信号数据集110b的心脏信号)和(ii)使用光电体积描记传感器(例如，收集信号106a、106b)从手指采集患者的血液动力学信号(例如，对应于第一生物物理信号数据集110a的PPG信号)。

如图2所示，电信号和血液动力学信号(例如，104a、104b)通过应用于患者皮肤的市售传感器被动地收集。可以有利地获取信号，而无需患者暴露于电离辐射或放射性造影剂，并且无需患者锻炼或使用药物应激源(pharmacologic stressor)。生物物理信号捕获系统102a可以用在有利于医疗保健专业人员(例如技术人员或护士)的任何环境中，以获取必要的数据并且可以在其中建立蜂窝信号或Wi-Fi连接。

使用沿参考导联跨患者胸部和背部布置的三个正交配对的表面电极来收集电信号(例如，对应于第二生物物理信号数据集110b)。在一些实施例中，使用低通抗混叠滤波器(例如，～2kHz)以数千赫兹速率(例如，对于六个通道中的每一个通道每秒8000个样本)采集电信号几分钟(例如，215秒)。在替代实施例中，可以连续/间歇地获取生物物理信号以用于监测，并且所获取的信号的部分用于分析。使用放置在手指上的光电体积描记传感器来收集血液动力学信号(例如，对应于第一生物物理信号数据集110a)。在一些实施例中，在相同时间段内以每秒500个样本的速率记录红光(例如，600-750nm之间的任何波长)和红外光(例如，850-950nm之间的任何波长)的光吸收。生物物理信号捕获系统102a可以包括减少信号中的共模环境噪声的共模驱动器。同时采集每位患者的光电体积描记信号和心脏信号。数据中的抖动(模态间抖动)可小于约10微秒(μs)。心脏信号通道之间的抖动可以小于10微秒，例如大约十飞秒(fs)。

包含患者元数据和信号数据的信号数据包可以在信号采集过程完成时被汇编(compile)。该数据包可以在生物物理信号捕获系统102a将包传输到数据储存库112之前被加密。在一些实施例中，数据包被传输到评估系统(例如，103)。在一些实施例中，在信号获取过程完成之后发起传输，而无需任何用户干预。在一些实施例中，数据储存库112托管在云存储服务上，该云存储服务可以为患者的数据包提供安全、冗余、基于云的存储，例如亚马逊简单存储服务(Amazon Simple Storage Service)(即“AmazonS3”)。生物物理信号捕获系统102a还为从业者提供接口以接收不正确信号采集的通知，以警告从业者立即从患者采集附加数据。

示例操作方法

图3A-3B各自示出了在诊断、治疗、监测或跟踪的实际应用中使用基于小波的特征或其中间输出的示例方法。

疾病状态或指示状态的存在的估计。图3A示出了方法300a，其采用基于小波的参数或特征来确定疾病状态、医疗状况或其中任一者的指征的存在的估计器，例如以帮助诊断、跟踪或治疗。方法300a包括从患者获取(302)生物物理信号(例如，心脏信号、光电体积描记信号、心冲击描记信号)的步骤，例如，如关于图1和图2以及本文描述的其他示例所描述的。在一些实施例中，所获取的生物物理信号被传输用于远程存储和分析。在其他实施例中，所获取的生物物理信号在本地存储和分析。

如上所述，心脏背景中的一个实例是对异常左心室舒张末压(LVEDP)或平均肺动脉压(mPAP)、显著冠状动脉疾病(CAD)、异常左心室射血分数(LVEF)或和一种或多种形式的肺高血压(PH)(例如肺动脉高压(PAH))的存在的估计。可以估计的其他病理或指示状况包括例如一种或多种形式的心力衰竭，例如射血分数保留的心力衰竭(HFpEF)、心律失常、充血性心力衰竭、瓣膜衰竭以及本文公开的各种其他疾病和医疗状况。

方法300a进一步包括：检索(retrieving)(304)数据集并确定基于小波的特征或参数的值的步骤，所述基于小波的特征或参数表征从对生物物理信号数据集执行的小波变换生成的二值化数据对象的属性或几何形状。参考本文稍后将讨论的图4-14提供了确定基于小波的特征或参数的值的示例操作。方法300a还包括：基于将所确定的基于小波的特征应用到估计模型(例如，ML模型)来确定(306)疾病状态、医疗状况或其中任一者的指征的存在的估计值的步骤。结合图15A和图15B提供了示例实施方式。

方法300a进一步包括：在报告中输出(308)关于疾病状态或异常状况的存在的估计值(例如，用于疾病状态、医疗状况或其中任一者的指征的诊断或治疗)的步骤，例如，如关于图1、图15A和图15B以及本文描述的其他示例所描述的。

使用基于小波的特征或参数进行诊断或状况监测或跟踪。图3B示出了采用基于小波的特征或参数或特征来监测或控制医疗设备或健康监测装置的方法300b。方法300b包括：从患者获得(302)生物物理信号(例如，心脏信号、光电体积描记信号、心冲击描记信号等)的步骤。该操作可以连续或间歇地执行，例如，以提供报告的输出或作为医疗设备或健康监测装置的控制。

方法300b还包括：从所获取的生物物理数据集确定(310)基于小波的特征或参数，例如，如关于图4-14所描述的。该确定可以基于对移动窗口上连续获取的信号的分析。

方法300b还包括：输出(312)基于小波的特征或参数(例如，在报告中用于诊断或作为用于控制的信号)。如本文所讨论的，基于小波的特征或参数可以提供给定生物物理信号(例如，生物电势/心脏、光电容积描记信号、心冲击描记信号)中谱功率的高能成分(content)的表征或指示。为了监测和跟踪，输出可以通过可穿戴设备、手持设备或医疗诊断设备(例如，脉搏血氧计系统、可穿戴健康监测系统)，来提供与健康状况相关的增强数据。在一些实施例中，输出可用于其中需要频谱信息的复苏系统、心脏或肺压力测试设备、起搏器等等。

基于小波的特征或参数

图4A、图4B和图5各自示出了根据说明性实施例的示例性基于小波的特征计算模块，总共三个示例性模块，这些模块被配置为确定基于小波的特征或参数的值。图4A和图4B的小波特征计算模块400a和小波趋势特征计算模块400b分别每个都确定与所采集的生物物理信号(例如，光电体积描记信号和/或生物电势/心脏信号)的给定周期中感兴趣的波形的谱功率(例如，某些峰值或不同区域)相关的特征或参数。使用小波算子将谱功率确定为对于每个周期的频率、时间和功率的谱图像或谱数据。可以评价来自相对应数量的周期的多个谱图像，并且可以提供结果的统计量化作为基于小波的特征或参数。在模块400a中，将单个阈值应用于对于给定周期的谱图像或谱数据以生成二值化图像或数据(与感兴趣波形的高功率谱成分相关联)，对其可以从该二值化图像或数据中提取其时间范围、频率范围、时间质心、表面积、偏心率、圆度、范围(extent)、取向和/或功率质心作为所述基于小波的特征或参数。模块400b通过将一组阈值应用于谱图像或将数据应用于趋势来评价波形的高功率谱内容，其被提供为所述基于小波的特征或参数。图5的小波分布计算模块500评估各种波形的频率、时间和功率的谱图像或谱数据的谱能量的功率分布(例如，功率谱密度、累积密度函数)，对其提取分布的统计量化作为所述基于小波的特征或参数。功率的分布可以基于功率谱密度(PSD)分布、累积密度函数(CDF)分布(例如，CDFNormal或CDFKernel)或功率分布函数(PDF)分布(例如，PDFKernal)。

小波算子可以生成小波序列作为时间序列在正交空间中的分解，该正交空间由使用母小波ψ构造的正交小波基函数创建。从数学上讲，实信号x(t)的连续小波变换(CWT)(此处用W表示)可以使用等式1计算。

在等式1中，a是小波尺度(类似于卷积核窗口大小)，τ是平移。快速傅立叶变换(FFT)适用于频域中的平稳信号分解，而小波变换则为频谱成分可能随时间变化的非平稳信号提供灵活的时频分析。

离散小波变换(DWT)是一类小波，它限制尺度和平移的值，以在计算上增强变换的性能并保持精度。DWT通常将尺度离散化为2的幂(a＝1,2,4,8,...)并将平移离散化为离散时间序列情况中的整数值(b＝1,2,3,...)。

可以使用的小波分解的示例包括但不限于连续小波变换(CWT)和离散小波变换(DWT)。

示例#1-基于小波的特征

图4A示出了示例性小波特征计算模块400a，作为三个示例性特征或参数类别中的第一个，其被配置为提取给定生物物理信号中的感兴趣波形区域的高谱能量特性。谱图像或谱数据是由给定感兴趣波形区域的小波变换生成的，阈值算子被应用于该波形区域以生成与波形区域的高谱功率特性相对应的二值化谱图像或数据。优选地在多个心动周期(heart cycle)上执行所述计算以提取波形区域的高谱能量特性的时间范围、频率范围、时间质心、表面积、偏心率、圆度、范围(extent)、取向(orientation)和/或功率质心(powercentroid)的统计表征，作为所述基于小波的特征或参数。图9A-9D示出了根据说明性实施例的图4A的小波特征模块的示例方法，以从心脏信号、光电体积描记信号和速度体积描记信号的谱小波(spectral wavelet)模型的二值化谱图像生成基于小波的特征。

在模块400a生成谱图像的实施方式中，图像可以以时间和频率的二维轴表示，并且功率被示出为颜色。为此，可以使用阈值算子(thresholdoperator)来产生二值化图像，其中高于特定水平的所有功率被分配相同的颜色并且剩余的功率被分配不同的颜色。将谱能量作为图像的分析允许使用图像处理操作，图像处理操作可以容易地从谱图像中提取视觉上可辨别的特征。

表1显示了来自生成的二值化谱图像或数据的感兴趣波形区域的11个可提取的高谱能量特性的示例集。

表1

/>

图6A示出了根据说明性实施例的方法600a，例如由图4A的小波特征计算模块400a执行，以生成基于小波的特征或参数，该方法可以全部或部分地用于生成基于小波的特征或参数及其输出，用于机器学习分类器，以确定与所研究的受试者的生理系统相关的度量。为了确定表1的特征，在一些实施例中，模块400a被配置为(i)预处理(602)获取的生物物理信号，(ii)隔离(604)给定信号的感兴趣波形区域，(iii)生成(606)所隔离区域的小波功率谱(或相干模型)作为谱图像或数据，(iv)通过阈值算子从所述谱图像或数据生成(608)二值化谱图像或数据，以及(v)根据所述二值化谱图像或数据的各方面确定(610)特征。

在图6A中，方法600a包括：预处理(602)所获取的生物物理信号。所述预处理602操作可以包括取子信号(sub-signaling)、下采样和/或基线去除，例如以提高分析的准确性或提高计算效率。取子信号包括去除信号的第一部分或其他部分以消除初始或其他过渡期。图7A示出了根据说明性实施例的预处理心脏信号的示例方法602(示出为602a)。在图7A中，预处理操作602a(i)去除(702)基线漂移(baseline wandering)，(ii)去除(704)信号的前x秒(例如，30秒)以消除初始过渡期，并且然后(iii)对信号进行下采样(706)(例如，从8kHz到500Hz)。图7B示出了根据说明性实施例的预处理光电体积描记信号的示例方法602(示出为602b)。在图7B中，预处理操作602b(i)将所获取的信号下采样(708)至125Hz，(ii)去除(710)前x秒信号(例如，30秒)，(iii)将信号分割(712)成窗口(例如，具有10秒跳跃间隔的20秒分段)。

然后，方法600a包括：例如使用小波变换来隔离或检测(604)(也称为描绘(delineating))生物物理信号中的一个或多个感兴趣的谱区域。波形区域检测604有利于隔离特定波形区域以进行分析，这可以最小化其他节拍和时间噪声对功率谱分析的影响。小波算子有助于更准确地分析波形频率分量，因为它们可以解释随时间的频率漂移。对于心脏信号，检测操作(604)可以包括隔离心脏波形的一个或多个区域，例如与心房除极(也称为“P波”)、心室除极(也称为QRS波或峰)和/或心室复极(也称为“T波”)相关的区域。对于光电体积描记信号，检测操作(604)可以包括隔离与光电体积描记信号或从光电体积描记信号导出的速度体积描记信号中的基值、峰值和最小特征点(landmark)相关联的波形区域。描绘操作604的进一步描述在关于图8A-8F提供的描述中提供。

谱图像或数据生成。方法600a然后包括使用小波分解/变换操作生成(606)所述隔离区域的小波功率谱模型作为谱图像或谱数据。可以针对对于给定生物物理信号中的多个周期的所隔离的波形(即，心脏信号的P波、T波和QRS复合波、相干波形或光电体积描记信号或速度体积描记信号内的峰值或特征点)的每个或大部分(例如，>50％)计算功率谱。对于连续实时实现(例如，对于图3B)，可以对所获取的信号的当前窗口上执行所述变换。

可以针对每个检测到的波形(例如，心脏信号的P波、T波、QRS复合波或者光电体积描记信号或速度体积描记信号内的峰值或特征点等)计算心脏的、光电体积描记的和/或相干功率谱。在一些实施例中，应用一维连续小波变换，例如Morlet(也称为Gabor)小波作为母小波。可以使用其他小波，例如在时间和频率上具有相等方差(variance)的小波，例如高斯小波、墨西哥帽小波(Mexican Hat)、样条小波和迈耶小波(Mayerwavelet)。小波可以具有每倍频(octave)48个声音的分辨率。Morlet小波是由复指数(载波)乘以高斯窗(包络)组成的小波，如等式2所示。

ψ(t)＝exp(iωt)exp(-t²/2σ²)(等式2)

在等式2中，ω是小波中心频率，σ＝n/2πf是高斯窗口的宽度，其中n(周期数)控制时频分辨率权衡。

相干波形可以被确定为时间序列信号之间的相关性的量度，例如心脏信号数据集中的两个通道之间或光电体积描记信号数据集中的两个通道之间或不同模态的两个通道之间。小波相干性可以例如通过等式3来确定。

在等式3中，互谱(cross-spectrum)C_xy是等式4给出的时频域中两个信号x和y的功率分布的量度。

在等式4中，上标*表示复共轭，S是时间和尺度上的平滑算子。在一些实施例中，例如用每倍频32个语音来执行相干谱算子，以找到配对通道(例如，通道X和Y之间、通道x和X之间以及通道Y和Z之间)的相干谱。可以在心脏信号和光电体积描记信号之间生成相干谱。

高功率谱图像或数据生成。参照图6A，方法600a包括：生成(608)感兴趣的波形信号的高功率谱成分的谱图像或谱数据的二值化谱图像。方法606可以生成心房除极波形(例如，P波谱图像)、心室除极波形(例如，QRS谱图像)、心室复极波形(例如，T波谱图像)、光电体积描记信号的收缩波形、光电体积描记信号的舒张波形、光电体积描记信号的脉冲基波形(pulse base waveform)、速度体积描记信号的峰值波形、速度体积描记信号的最小波形、速度体积描记信号的基础波形的高功率谱图像或谱数据。高功率谱图像或谱数据也可以从相干性分析中生成。

图9A是根据说明性实施例的方法606(示出为606a)的示例实施方式，以生成谱小波模型的二值化谱图像或数据。方法606a包括渲染(902)来自功率谱或相干性分析的频率、时间和功率的谱图像(例如，三维数据)。

在一些实施例中，方法606a包括：修整(trimming)(904)所生成的谱图像或数据以去除图像或数据中小波变换的置信度低(例如由于小波影响锥)的区域。这些区域通常处于非常低的频率并且位于时间边界处。

操作606a然后包括(i)在时间上裁剪(cropping)(906)谱图像以限制到图像的中心时间段，以及(ii)在频域中裁剪(906)图像以限制到最大频率。对于心脏信号，可以临时裁剪图像(例如，在时间/时间轴上，例如，x轴)以将图像限制在中心0.6秒。可以在频域中裁剪图像以限制到最大频率。对于不同的波形区域可以不同地应用最大频率。例如，对于P波波形，裁剪最大频率可以是60Hz；对于QRS波形，裁剪最大频率可以是80Hz；对于T波波形，裁剪最大频率可以是60Hz。与P波和T波相比，QRS波形可以被允许更高的频率以促进更高频率成分的分析。

操作606a包括对图像进行阈值化处理(908)以生成所获取的信号的谱特性的二值化逻辑表示。在一些实施例中，使用百分位数对图像进行阈值化，其中保持高于某个百分位数的所有值(对应于图像中的谱功率)，并且去除低于该阈值的所有功率。表2显示了对于各种心脏波形类型的示例阈值水平。

表2

波形类型	阈值水平
		心房除极(P波)图像	前1％的阈值
心室除极(QRS波)图像	前1％的阈值
		心室复极(T波)图像	前2.5％的阈值

如表2所示，阈值化可以取决于波形，例如，最高的1％(即，阈值0.01)用于P波和QRS波，而2.5％(即，阈值0.025)用于T波。较低的阈值有利于分析更多与心室复极(T波)相关的较低频率分量的功率。因此，二值化谱图像或数据中的阈值化区域包括关于其在所采集的生物物理信号内的频率位置和时间位置的谱图像的高功率区域。

图9B示出了根据说明性实施例的根据图9A的方法从谱小波模型生成的两个示例小波谱图像(示出为910、912)和相关联的二值化元素(示出为914)。在图9B中，小波谱图像(910、912)各自被示出为时间-频率图，其中在x轴中提供时间并且在y轴中提供频率。

在图9B中，小波谱图像910被示出为具有多个峰值，并且小波谱图像912被示出为具有单个可区分的峰值。图9B还示出了用于生成图像910、912的相应三维数据空间(916和918)。在图9B中，三维数据空间被示出为时间-频率-功率图，其中x轴提供了时间，y轴提供了频率，z轴提供了功率。还示出了凸包封装(示为920)，其界定了(bound)预定义阈值之上的每个二值化区域，对于所述预定义阈值，可以确定特征及其关联值。如上所述，虽然分析是针对图像呈现的，但它们可以在不采用视觉格式的类似数据空间上执行。

图9B示出了心脏信号的通道的谱小波模型。在图9B中，用于生成谱图像的心脏信号波形区域922被示出为叠加在相应的小波谱图像上。信号922以时间对幅度的形式示出。图9C示出了根据图9A的方法从光电体积描记信号的谱小波模型生成的示例小波谱图像(示为924)和相关联的二值化元素(926)。图9C还示出了用于生成图像924的对应三维数据空间(928)。图9D示出了根据图9A的方法由速度体积描记信号数据集的谱小波模型生成的示例小波谱图像和关联的二值化元素。

特征计算。参考图6A，方法600a包括：通过检测或量化二值化谱图像或数据中的属性或参数来确定(610)来自所生成的二值化谱图像或数据的各方面的特征和关联值。为了量化谱图像或数据中的属性或参数，模块400a(和/或模块400b)可以使用凸包算子或可以封装区域的任何算子来将边界框指派给谱图像或数据中的每个不同(distinct)区域。在识别多个不同区域的情况下，所计算的特征值可以被确定为跨多个区域的值的加权平均值。对于图像数据，加权平均值可以基于图像的表面积/像素计数。对于数据，加权平均值可以基于数据点。模块400a(和/或模块400b)可以将具有非常小的表面积的区域排除/去噪以使其不参与特征计算。

基于心脏信号谱图像的特征。表3A显示了针对11个几何(geometric)或属性的198个特征的汇总集(在表3A中显示为“TimeRange”、“TimeCentroid”、“FrequencyCentroid”、“SurfaceArea”、“Eccentricity”、“Circularity”和“Extent”)，其可以从二值化谱图像或中的高功率谱成分信息或对于感兴趣的相应波形信号区域(例如，心脏信号的给定信号通道(表3A中提到的信号通道X、Y和/或Z)中的心房除极(P波)区域、心室除极(QRS)波区域和心室复极(T波)的数据中提取，以提供多达99个特征。所述基于小波的特征或参数可以根据跨许多心动周期生成的谱图像来计算。为了将计算出的特征值压缩为概括特征(summaryfeature)(例如，适合于ML)，模块400a可以采用(i)四分位距(“IQR”)，其显示特征如何跨周期变化或(ii)特征值分布的中间值(“中值”)。当对IQR或中值进行量化时，模块400a可以计算例如总共198个潜在的基于小波的特征或参数。

通过实验已经观察到，各种波形信号区域和信号通道之间的时间范围、频率范围、时间质心、频率质心、表面积、偏心率、圆度、范围、取向和功率质心在评估是否存在至少一种心脏病或病症——特别是确定是否存在LVEDP升高——方面具有显著的效用。通过实验还观察到，各种波形信号区域和信号通道之间的时间范围、频率范围、时间质心、频率质心、表面积、偏心率、圆度、范围和取向在评估冠状动脉疾病的存在或不存在方面具有显著的效用。表8A和表9A分别提供了被确定在评估是否存在异常或升高的LVEDP以及是否存在显著CAD方面具有显著效用的特定基于小波的特征或参数的列表。

表3A

提取特征的信号区域	特征名称	提取特征的信号通道	分布概要
				wtPwave	TimeRange^,*	X	Iqr
wtQRSwave	FrequencyRange**	Y	中值
				wtTwave	TimeCentroid^,*	Z
	FrequencyCentroid^,*
					SurfaceArea,*
	Eccentricity^,*
					Circularity^,*
	Extent^,*
					Orientation^,*
	PowerCentroid*
					Numregions

基于PPG信号谱图像的特征。表3B示出了对于两个光电体积描记信号的三个示例区域和对应的两组速度体积描记信号的三个示例区域的相同11个参数的264个可提取的基于小波的特征或参数的示例集合，以提供多达132个特征。可以跨多个光电体积描记信号周期或速度体积描记信号周期来提取参数，并且可以将所述参数量化为四分位距(“IQR”)或中值，以提供总共264个特征。通过实验还观察到，PPG和VPG通道中的时间范围、频率范围、时间质心、频率质心、表面积、偏心率、圆度、范围、取向、功率质心和区域数量在评估冠状动脉疾病的存在或不存在方面具有显著的效用。表9A中提供了被确定在评估显著CAD的存在或不存在中具有显著效用的特定基于小波的特征或参数的列表。

表3B

提取特征的信号区域	特征名称	提取特征的信号通道	分布概要
				收缩峰值(针对PPG)	timeRange**	PPG_IR	Iqr
舒张峰值(针对PPG)	frequencyRange**	PPG_red	中值
				脉冲基底(针对PPG)	timeCentroid**	VPG_IR
最大峰值(针对VPG)	FrequencyCentroid**	VPG_red
				最小峰值(针对VPG)	surfaceArea
基底(针对VPG)	Eccentricity**
					Circularity**
	Extent**
					Orientation**
	powerCentroid**
					Numregions**

相干分析谱图像特征。表3C示出了表1的11个参数的33个可提取的基于小波的特征或参数的示例集，其针对三个相干波形(即在心脏信号XY、XZ和YZ之间)计算。通过实验观察到，频率质心参数和偏心率参数在评估是否存在至少一种心脏病或病症——特别是确定是否存在升高的LVEDP——方面具有显著效用。通过实验还观察到，频率范围、时间质心、频率质心、圆度和范围参数在评估是否存在冠状动脉疾病方面具有显著效用。表8A和表9A分别提供了被确定在评估是否存在异常或升高的LVEDP以及是否存在显著CAD方面具有显著效用的特定基于小波的特征或参数的列表。

表3C

/>

图11示出了根据图9A的方法从三个相干性分析生成的示例二值化小波谱相干元素(示为1102)。在图11中，在用于心脏信号数据集的通道X和Y、通道X和Z以及通道Y和Z之间执行相干性分析。x轴显示时间(以秒为单位)，y轴显示频率(Hz)。在图11中，通过0.95的静态阈值生成二值化小波谱相干元素1102(其中1.00表示在该频率和时间处的功率在两个通道上是相同的)。在图11中，可以观察到通道X和Z之间存在显著的相干性。此外，可以观察到通道X和Z之间的相干性通常在QRS中最大，并且在T和TP等电位期(isoelectric period)期间下降。相比之下，其他通道对在高于静态阈值0.95时频率相干性要低得多。

示例#2-基于小波的特征

图4B示出了示例小波趋势特征计算模块400b，作为三个示例特征或参数类别中的第二个，其被配置为提取给定生物物理信号中的感兴趣波形区域的高谱能量特征。图10A-10F示出了根据说明性实施例的图4B的小波特征模块的示例方法，以根据在心脏信号、光电体积描记信号和速度体积描记信号的谱小波模型的多个二值化谱图像中建立的趋势来计算基于小波的特征。

由于模块400a的小波特征或参数对功率阈值的潜在敏感性，模块400a可以用模块400b的附加的基于小波的特征或参数来补充或增补，以减轻这种依赖性。模块400b可以根据给定感兴趣波形区域(或使用的来自模块400a的中间输出)的小波变换生成谱图像或谱数据，对其执行不同阈值处的多个阈值操作以生成相应数量的二值化谱图像或数据。针对可以确定趋势线的波形区域的高谱能量特性的给定参数(例如，时间范围、频率范围、时间质心、表面积、偏心率、圆度、范围、取向和/或功率质心)，评估每个二值化谱图像或数据。这种趋势和敏感性评价也称为“衰减(decay)”分析。

图6B示出了根据说明性实施例的用于生成基于小波的特征或参数的方法600b，例如，如由图4B的小波趋势特征计算模块400b执行，该方法可以整体或者部分地用于生成基于小波的特征或参数及其输出，用于机器学习分类器来确定与所研究的受试者的生理系统相关联的度量。为了确定所述基于小波的特征或参数，在一些实施例中，模块400b被配置为(i)预处理(602)所获取的生物物理信号，(ii)隔离(604)给定信号的感兴趣的波形区域，(iii)生成(606)所隔离区域的小波功率谱(或相干模型)作为谱图像或数据。模块400b被配置成应用不同阈值处的多个阈值操作，而不是应用单个阈值，来生成相应数量的二值化谱图像或数据。

表4A和表4B各自示出了99个基于小波的特征(“参数”)的概括集合，这些特征是根据生物电势信号的给定信号通道(称为“信号通道”)的感兴趣波形信号区域的高功率成分谱内容的阈值灵敏度分析而计算出的。在表4A 中，显示了从三个电位(potential)波形区域(显示为“信号区域”)以及针对每个所采集的通道(例如，X通道、Y通道和Z通道)生成的所述基于小波的特征，所述三个点位波形区域即为心房除极(P波)区域、心室除极(QRS)波区域和心室复极(T波)区域。该参数可以跨多个周期进行计算，并量化为四分位距(“IQR”)或中值，以提供总共198个特征。

在表4A中，与每个波形信号区域和信号通道的“Decay_TimeRange”、“Decay_FrequencyRange”、“Decay_TimeCentroid”、FrequencyCentroid、“Decay_Eccentricity”、“Decay_Circularity”、“Decay_Extent”、“Decay_Orientation”和“Decay_PowerCentroid”相关联的几何或属性已通过实验确定在评估是否存在至少一种心脏病或病症——特别是确定是否存在升高的LVEDP——方面具有显著效用。通过实验还观察到，Decay_TimeRange、“Decay_TimeCentroid”、“Decay_SurfaceArea”、“Decay_Eccentricity”、“Decay_Circularity”、“Decay_Extent”和“Decay_Orientation”参数在评估是否存在冠状动脉疾病方面具有显著效用。表8B和表9B分别提供了被确定在评估异常或升高的LVEDP的存在或不存在以及显著的CAD的存在或不存在方面具有显著效用的具体特征的列表。

表4A

表4B示出针对光电体积描记信号和/或对应的速度体积描记信号(例如，PPG IR通道、PPG红色通道、VPG IR通道和VPG红色通道)的三个波形信号区域(例如，最大峰值区域、最小峰值区域和基底(base)脉冲区域)计算的表4A的11个特征，从而总共提供132个特征。这些特征可以跨多个周期生成，可以用四分位距或中值分布来表示，以提供总共264个特征。

表4B

提取特征的信号区域	特征名称	提取特征的信号通道	分布概要
				最大峰值	Decay_TimeRange	PPG_IR	Iqr
最小峰值区域	Decay_FrequencyRange	PPG_red	中值
				基底脉冲区域	Decay_TimeCentroid	VPG_IR
	Decay_FrequencyCentroid	VPG_red
					Decay_SurfaceArea
	Decay_Eccentricity
					Decay_Circularity
	Decay_Extent
					Decay_Orientation
	Decay_PowerCentroid
					Decay_Numregions

在示例中，图10A示出了根据一个通道中所获取的心脏信号中的一个波形区域(即，P波区域)的不同阈值生成的一组二值化谱图像。在图10A中，示出了基于范围从1％到11％的功率阈值的功率抑制的变化(如图像1002a-1002k所示)。

图10B示出了针对不同水平的阈值(从1％到11％)的表1的11个参数以及从各个数据导出的相应趋势线。在图10B中，应用拟合函数(示为1004a-1004k)，对于拟合函数，与拟合相关联的参数(例如，斜率)被用作小波特征或参数。在图10B中，每个图的y轴显示参数值，并且x轴显示与该参数值相关联的阈值。

图10C和图10D示出了光电体积描记信号的基于小波的特征或参数的类似计算。在图10C中，阈值显示在1％到2.5％之间变化。在图10D中，针对光电体积描记信号的不同阈值水平(从1％到8％)示出了表1的11个参数。

小波分布特征-示例#3

图5示出了作为三个示例特征或参数类别中的第三个的示例小波分布特征计算模块500，其被配置为使用统计操作来评估给定生物物理信号中的感兴趣波形区域的功率在时间和频率上的分布。图12A-12B、图13A-13D和图14A-14D示出了根据说明性实施例的图5的小波分布特征模块生成小波分布特征的示例方法。

模块500被配置为计算通过使用功率百分位数阈值分别过滤的P波、QRS复合波和T波的功率谱的高功率区域的功率分布。在1-60Hz范围内的频率上进行分布分析，重点分析心室除极波和复极波中存在的大部分频率分量。

该分布可以包括在(i)在所述基于小波的模型内确定的分布函数和(ii)基本分布函数(例如，均匀分布或正态分布)之间评估的分位数-分位数概率。该分布可以基于功率密度函数或累积密度函数。

表5示出了感兴趣波形区域的功率谱的高功率区域的功率分布的25个可提取的基于小波的特征或参数的示例集。前13个特征是根据功率谱密度分布计算得出的。

表5

/>

图6C示出了根据说明性实施例的生成基于小波的特征或参数的方法600c，例如，如由图5的小波分布特征计算模块500执行，该方法可以整体或者部分地用于生成基于小波的特征或参数及其输出，用于机器学习分类器以确定与所研究的受试者的生理系统相关的度量。为了确定表5的特征，在一些实施例中，模块500被配置为(i)预处理(602)所获取的生物物理信号，(ii)隔离(604)给定信号的感兴趣的波形区域，(iii)生成(606)所隔离区域的小波功率谱(或相干模型)作为谱图像或数据，(iv)通过阈值算子从谱图像或数据生成(612)二值化谱图像或数据(v)确定(614)二值化图像或数据的功率谱密度(PSD)或累积密度函数(CDF)，以及(vi)从功率谱密度(PSD)或累积密度函数(CDF)的各个方面确定(616)特征。

在图6C中，方法600c包括：如关于图6A所描述的那样对所获取的生物物理信号进行预处理(602)(例如，取子信号(sub-signaling)、下采样和基线去除)。然后，方法600c包括：例如使用小波变换来检测(604)生物物理信号中的一个或多个感兴趣的谱区域，如关于图6A所描述的。然后，方法600c包括：使用小波分解/变换操作来生成(606)所隔离区域的小波功率谱模型作为谱图像或2D/3D谱数据，例如，如关于图6A所描述的。

方法600c然后包括：确定(612)所生成的小波谱图像的高功率区域。对于心脏信号，例如，可以例如使用分别具有0.01、0.01和0.025的功率百分位阈值的滤波器来评估P波、QRS复合波和T波的高功率区域。分布分析仅限于1-60Hz范围内的频率，该范围包含心室除极和复极波中存在的大部分频率分量。对于光电体积描记信号，PPG和VPG Red的小波功率谱分别使用4％和0.3％最高功率百分位(对应于阈值0.04、0.003)进行滤波。PPG和VPG的分布分析分别限于10Hz和15Hz以下的频率。

方法600c然后包括：确定(614)高功率区域的分布，例如功率谱密度或累积分布函数。在一些实施例中，功率谱密度(PSD)是通过在每个指定频率处对功率(例如图像的z轴)在频谱时间(例如图像的x轴)上进行积分来获得的。

方法600c然后包括：根据下面提供的表6A和表6B从所生成的分布的各方面确定(616)特征和关联值。

心脏小波分布特征。表6A示出了针对表5的25个分布参数的213个特征的概括集合。在表6A中，可以针对给定心脏信号(例如，通道X、Y和Z)的三个示例波形区域(例如，心房除极(P波)区域、心室除极(QRS)波区域和心室复极(T波)区域)中的任意一个确定21个特征，同时可以针对其中所述区域中的两个确定4个特征。基于小波的特征或参数可以根据跨多个心动周期生成的谱图像来计算。为了将计算出的特征值压缩为概要特征(例如，适合于ML)，模块500可以采用特征值分布中的中值。

已经观察到，各种波形信号区域和信号通道之间的14个特征(“Dist_medianPSD”、“Dist_stdPSD”、“Dist_skewPSD”、“Dist_entropy”、“Dist_peakWidthPSD”、“Dist_peakDispPSD”、“Dist_qqslop uniform”、“Dist_qqr2 uniform”、“Dist_qqsse normal”、“Dist_qqr2 normal”、“Dist_cdfNormal_L1norm”、“Dist_cdfNormal_std”、“Dist_pdftkernel_L1norm”和“Dist_pdfkernal_std”)已通过实验确定在评估是否存在至少一种心脏病或病症——具体来说，确定是否存在LVEDP升高方面具有显著效用。通过实验还观察到“medianPSD”、“stdPSD”、“kurtPSD”、“entropy”、“peakWidthPSD”、“qqslop_uniform”和“qqr2_uniform”、“qqslop_normal”、“qqsse_normal”、“qqr2_normal”、“dfNormal_L1norm”和“pdfKernal_std”参数在评估是否存在冠状动脉疾病方面具有显著效用。表8C和表9C中分别提供了被确定在评估异常或升高的LVEDP的存在或不存在以及显著的CAD的存在或不存在中具有显著效用的特定基于小波的特征或参数的列表。

表6A

PPG/VPG小波分布特征。表6B示出了针对表5的25个分布参数的50个特征的汇总集合。在表6B中，可以针对每个信号的每个周期(例如，VPG和PPG)确定所述25个特征，并且通过它们跨周期的中值来压缩。通过实验还观察到“sumPSD”、“stdPSD”、“skewPSD”、“kurtPSD”、“entropy”、“peakWidthPSD”、“peakRatioPSD”、“numpeakPSD”、peakRatioPSD、“fpeakRatioPSD”、“peakDispRate””、“qqslop_uniform”、“qqsse_normal”、“qqslop_normal”、“Pdftkernal_L1_norm”、“Pdftkernal_std”、“powerpeak”、“peakDispPSD”和“Pdftkernal_numpeak”参数在评估是否存在冠状动脉疾病方面具有显著效用。表9C中提供了被确定在评估显著CAD的存在或不存在中具有显著效用的特定基于小波的特征或参数的列表。

表6B

PSD分布特征。图12A、图13A和图13C分别示出了小波谱图像1202，其分别包括心脏信号、光电体积描记信号和速度体积描记信号的小波谱的评估的高功率区域(示出为1204)。图12B、图13B和图13D分别示出了图12A、图13A和图13D的高功率区域的评估的功率密度分布特征曲线(profile)(1206)。示例提取的参数(在图12A、图13B和图13D中)包括可用于评估该集合中的各种特征的峰的宽度(1208)和高度(1210)。

功率谱密度(PSD)分位数-分位数概率特征。图14A示出了相对于理论分位数值(例如，高斯正态分布和均匀分布)(x轴)绘制的波形的高功率谱成分的功率谱密度函数(y轴)的分位数的示例分位数-分位数概率图(示出为1402a和1402b)。如果PSD数据来自相同的理论分布，则数据图呈现线性(如线1404所示)，斜率指示比例(scale)。在分析中，分位数-分位数图中相对于线性的偏差可以通过以下方式来捕获：计算针对分位数-分位数图中数据的最佳线性拟合的估计的调整后的R平方(例如，表6A或表6B的“qqr2”特征)或标准误差(例如，表6A或表6B的“qqsse”特征)。回归线的斜率可以作为特征输出(例如，表6A或表6B的“qqslop”特征)。计算多个周期内每个心脏波形(例如心房除极(P波)区域、心室除极(QRS)波区域和心室复极(T波)区域)的特征，并按中值进行压缩。

累积密度分布(CDD)特征。图14B示出了相对于高斯正态CDD函数(x轴)绘制的功率谱密度(PSD)函数(y轴)的示例累积密度分布(CDD)。“Dist_cdfNormal_l1norm”特征是从CDD之间的绝对差中提取的，作为L1距离。来自CDD的“Dist_cdfNormal_std”特征是L1距离与L1距离的标准差之和。图14C示出了示例核密度估计器(KDE)(1406)，其拟合到二值化谱图像或数据的高功率谱区域的功率谱密度(PSD)的功率密度分布(PDD)(1408)。图14D示出了在图14C的回归线和数据之间确定的示例L1距离，其可用于提供估计的优度的指示。

波形区域隔离操作

心脏信号。图8A-8C示出了对于心脏信号的波形区域隔离操作。图8A示出了描绘与心室除极(QRS)、心房除极(P波)和心室复极(T波)相关联的一个或多个波形的方法604a的图。

在图8A的示例中，描绘操作604a包括将所采集的心脏信号数据集的通道信号变换(802)为单个时间序列然后，描绘操作604a包括例如经由局部最大值检测器(例如Matlab中的findpeak函数)检测(804)变换后的时间序列/>的每个周期中的峰(对应于心室除极(QRS峰))。

图8B示出了根据说明性实施例的确定变换后的信号的心室除极(VD)起始和心室除极(VD)偏移区域的描绘操作806(示为806a)。描绘操作806a包括使用小波变换(例如，连续1-D Morlet小波、高斯小波、MexicanHat小波、样条小波和Mayer小波(例如，作为母小波))来分解(810)各通道的心脏信号。然后，描绘操作806a包括根据经过带通滤波的小波谱(例如，在40-60Hz之间)生成(812)时间序列信号。然后，描绘操作806a包括：确定(814)重构信号中的索引(indices)，例如具有在每次检测到的心室除极(VD)峰之前和之后第一次落至低于动态阈值(例如，累积功率的前25个百分位数)的累积功率。可以使用信号的导数来执行偏移起始(offset-onset)校正，以去除任何错误检测到的基准点。三通道校正可以应用于检测到的心室除极起始和偏移，以消除任何错误特征点，所述错误特征点为所有三个通道指派用于起始和偏移的相同时间索引。

然后，描绘操作604a包括对变换后的信号(806)中与心室复极和心房除极相关联的波形进行分割(segmenting)/隔离(808)。在一些实施例中，通过对QRS_off,i和下一个连续周期QRS_onset,i+1之间的信号进行分割来隔离心室复极和心房除极段(也称为T-P段)。将T-P段隔离后，TP段的2/3可指派给与心室复极(T波)相关联的波形区域，其余1/3指派给心房除极(P波)。可以使用其他分割，例如，D.B.Dubin,Rapid Interpretation ofEKG’s:Aninteractive course,6th ed.tampa:Cover Pub,2000中描述的分割。

图8C示出了根据说明性实施例的使用图8A中所描述的方法604a来描绘感兴趣的基准点或特征点的示例心脏信号。在图8C中，针对三个示例心脏信号中的每一个示出了下采样心脏信号(818)、变换后信号(820)的带通滤波表示以及检测到的心室除极起始和偏移量(分别为822和824)。图8D示出了包括三个通道(824、826和828)的示例心脏信号数据集。图8D还示出了对于每个通道的心脏信号数据集的QRS复合波(830a、830b、830c)、T波(832a、832b、832c)和P波(834a、834b、834c)的隔离的心脏波，其从每个周期中提取。显示随机节拍(beat)(836)以供参考。在830a-830c、832a-832c和834a-834c中，示出了多个循环(836)以及随机选择的节拍(838)以供参考。/>

光电体积描记信号。图8E-8F示出了对于光电体积描记信号和速度体积描记信号的波形区域隔离操作(例如，血液动力学描绘器)。图8E和图8F分别示出了检测和隔离所述光电体积描记信号和速度体积描记信号的感兴趣谱区域的示例方法604b和604c。在图8E中，血液动力学描绘器操作被示出为检测PPG基础特征点、PPG收缩峰特征点和舒张峰特征点。在图8F中，血液动力学描绘器操作被示出为检测VPG峰特征点、PPG最小特征点和舒张基础脉冲特征点。

血液动力学描绘器可以首先确定PPG脉冲基底(pulse base)，然后可以将其用于检测其他特征点。为了确定PPG脉冲基底，在图8E中，方法836包括：(i)反转(848)信号，使得脉冲基底呈现为反转时间序列中的峰，(ii)检测(850)峰，(iii)对检测到的峰进行滤波(852)，以及(iv)将信号再次反转(854)回到其原始位置。峰(根据操作852)可以被定义为具有125ms的最小脉冲(例如，等于最小搏动持续时间的25％，在120bpm的心率下为500ms)。过滤器(操作852)可以使用以下标准：(i)具有小于125ms的最小脉冲宽度的最小峰宽度(在一半突出处)，(ii)脉冲基值应始终小于零(因为信号的DC分量被去除)，(iii)并且脉冲基值与检测到的脉冲基底的中值的距离应小于十标度(ten scaled)的中值绝对偏差(MAD)。

在PPG脉冲基底确定之后，可以确定收缩峰838。峰可被定义为具有125ms的最小脉冲并使用以下标准进行过滤：(i)最小峰宽度(在一半突出处)小于125ms的最小脉冲宽度，以及(ii)收缩峰值与检测到的脉冲基底的中值的距离小于十标度的中值绝对偏差(MAD)。可以应用最大过滤器来检测两个连续脉冲基底内检测到的峰的最大值作为对于相应周期的收缩峰。

在PPG脉搏基底确定之后，可以确定舒张峰。舒张峰(操作842)可以通过以下方式确定：(i)使用周期n处的VPG min(下面讨论)的索引和周期n+1处的连续PPG脉冲基底对PPG信号进行分割(858)，使用平滑算子对分割的PPG进行平滑(860)，从平滑后的PPG信号确定(862)VPG信号，并且检测(862)所确定的VPG信号中的峰。作为一个示例，平滑操作(860)可以采用20数据点高斯加权移动平均滤波器。峰检测(864)可以被配置为通过应用时间约束来检测VPG峰，该时间约束将局部最大值约束为分割的VPG的索引的前50％。在一些实施例中，将最大值过滤器应用于原始PPG(未平滑)以搜索平滑的PPG中检测到的舒张峰周围的局部最大值以确定舒张峰。

为了确定VPG min，可以使用周期n处的PPG收缩峰和周期n+1处的连续PPG脉冲基底的索引来对PPG信号进行分割。可以例如使用20数据点高斯加权移动平均滤波器来平滑所述分割的PPG。VPG信号可以从经平滑的PPG导出，并且使用峰查找器算子来检测对于反转的VPG的峰。可以通过应用时间约束来对检测到的峰进行过滤，该时间约束也就是VPGmin应当出现在分割的VPG的索引的前30％处。最大值过滤器应用于原始VPG(未平滑)，其搜索在经平滑的VPG中检测到的VPG min周围的局部最小值。

图8F示出了用于检测VPG峰特征点(操作842)、PPG最小值特征点(操作844)和舒张基础脉冲特征点(操作844)的示例速度体积描记图波形分割操作604c。

为了找到VPG峰，方法842包括(i)从光电体积描记信号中分割(866)对应于光电体积描记信号中单调增加的分段(也称为PPG上升分段)的索引，(ii)使用峰查找器算子检测(868)VPG峰，以及(iii)对检测到的峰进行过滤(870)并应用最大值过滤器来将PPG上升分段内检测到的峰的最大值识别为对应周期的VPG峰。PPG上升分段(根据操作866)可以被识别为周期n处的PPG脉冲基底和周期n+1处的连续PPG收缩峰之间的数据点。为了检测(868)VPG峰，可以使用峰查找器算子，例如配置有跨VPG信号的PPG升高持续时间(与PPG上升分段相关联的以ms为单位的时间)的中值的25％的最小脉冲宽度。为了对检测到的峰进行过滤，过滤器可以应用以下标准：(i)最小峰宽度(在一半突出处)小于VPG最小脉冲宽度，并且(ii)VPG峰值与检测到的峰的中值的距离小于十标度的MAD。

为了确定VPG min，方法844包括(i)使用周期n处的PPG收缩峰和周期n+1处的连续PPG脉冲基底的索引来对PPG信号进行分割(872)，(ii)对分割的PPG进行平滑(874)，(iii)从经平滑的PPG确定(876)反转的VPG信号并检测反转的VPG的峰，以及(iv)将最大值过滤器应用(878)到原始VPG(非平滑的)以搜索经平滑的VPG中检测到的VPGmin周围的局部最小值。为了平滑所述分割的PPG，可以使用20数据点高斯加权移动平均滤波器，作为一个示例。为了检测峰(876)，可以使用过滤器，该过滤器被配置为过滤具有时间约束的检测到的峰，该时间约束即VPG min出现在分割的VPG的索引的前30％处。方法844可以。

为了确定VPG基底，方法846包括(i)根据可能在PPG的数值推导(numericalderivatization)期间发生的VPG信号来校正(880)基线，以及(ii)通过对VPG进行过零(zero-crossing)来确定(882)VPG基底，其中与检测到的基底中值的距离小于四标度中值绝对偏差(MAD)的VPG基底被去除。基线校正(880)可以通过以下方式来进行：对VPG进行百分位数过滤，以识别具有在VPG信号的20％和50％百分位数之间的值的数据点；然后从百分位数过滤的VPG的均值中减去VPG信号。基线校正880可以使用周期n处的VPG min和周期n+1处的连续VPG峰的索引来对基线校正的VPG进行分割。

实验结果和示例

已经进行了一些开发研究来开发特征集，进而开发可用于估计疾病、医疗状况或其中任一个的指征的存在或不存在、严重性或定位的算法。在一项研究中，开发了用于对异常或升高的LVEDP进行非侵入性评估的算法。如上所述，异常或升高的LVEDP是各种形式的心力衰竭的指标。在另一项开发研究中，开发了用于冠状动脉疾病非侵入性评估的算法和特征。

作为这两项开发研究的一部分，使用生物物理信号捕获系统并根据图2中描述的方案从成人患者收集临床数据。信号采集后，受试者接受心导管插入术(用于CAD和异常LVEDP评价的当前的“金标准”测试)，并评价导管插入结果，用于CAD标签和升高的LVEDP值。收集的数据被分为不同的群组：一个群组用于特征/算法开发，另一个群组用于验证。

在特征开发阶段内，开发了特征，包括基于小波的特征，以从旨在表示心血管系统的属性的生物电势信号(作为本文讨论的心脏信号的示例)和光吸收信号(作为本文讨论的血流动力学或光电体积描记法的示例)提取分析框架中的特性。还使用分类器模型、线性模型(例如Elastic Net)、决策树模型(XGB分类器、随机森林模型等)、支持向量机模型和神经网络模型开发了相应的分类器，以非侵入性地估计升高或异常的LVEDP的存在。进行单变量特征选择评估和交叉验证操作，以识别用于感兴趣的特定疾病指征的机器学习模型(例如分类器)的特征。机器学习训练和评估的进一步描述在2021年8月23日提交的题为“Methodand System toNon-Invasively Assess Elevated Left Ventricular End-DiastolicPressure”的美国临时专利申请No.63/235,960号中进行了描述，其全部内容通过引用并入本文。

单变量特征选择评估评价了许多场景，每个场景由使用t检验、互信息和AUC-ROC评价的阴性和阳性数据集对(dataset pair)定义。t检验是一种统计检验，可以确定方差未知的两个总体的两个样本均值之间是否存在差异。此处，t检验是针对零假设进行的，即这些组中的特征均值之间没有差异，例如，正常LVEDP与升高(用于LVEDP算法开发)；CAD-与CAD+(用于CAD算法开发)。小p值(例如，≤0.05)表明有强有力的证据反对零假设(nullhypothesis)。

进行互信息(MI)操作以评估LVEDP升高或异常或显着冠状动脉疾病对某些特征的依赖性。MI分数大于1表明所评价的变量之间的依赖性较高。MI分数小于1表明此类变量的依赖性较低，而MI分数为零表明没有此类依赖性。

接受者工作特性曲线或ROC曲线示出了二元分类器系统在其辨别阈值变化时的诊断能力。ROC曲线可以通过在各种阈值设置下绘制真阳性率(TPR)相对于假阳性率(FPR)的关系来创建。AUC-ROC量化了接受者工作特征(ROC)曲线下的面积——该面积越大，模型在诊断上越有用。当95％置信区间的下限大于0.50时，ROC和AUC-ROC值被认为具有统计显着性。

表7示出了单变量特征选择评估中使用的阴性和阳性数据集对的示例列表。具体而言，表7显示阳性数据集，被定义为具有大于20mmHg或25mmHg的LVEDP测量值，而阴性数据集被定义为具有小于12mmHg的LVEDP测量值或属于被确定为具有正常LVEDP读数的受试者组。

表7

阴性数据集	阳性数据集
		≤12(mmHg)	≥20(mmHg)
≤12(mmHg)	≥25(mmHg)
		正常LVEDP	≥20(mmHg)
正常LVEDP	≥25(mmHg)

表8A、8B和8C各自示出了已被确定为在临床评价系统中执行的算法中估计是否存在升高的LVEDP具有效用的基于小波的特征的列表。表8A、表8B和表8C的特征以及相应的分类器已经被验证具有与测量升高的LVEDP的金标准侵入性方法相当的临床性能。

表8A

/>

表8B

/>

表8C

表9A、表9B和表9C各自示出了已被确定为在临床评价系统中执行的算法中估计显著CAD的存在和不存在具有效用的基于功率谱的特征的列表。表9A、表9B和表8C的特征以及相应的分类器已经被验证具有与测量CAD的金标准侵入性方法相当的临床性能。

表9A

/>

表9B

/>

表9C

/>

某些基于小波的特征在估计升高的LVEDP的存在和不存在或显著的CAD的存在和不存在中具有临床效用的确定提供了使用这些基于小波的特征或参数以及本文描述的其他特征在估计其他疾病、医学状况或特别是但不限于本文描述的心脏病或状况的其中任一者的指征的存在或不存在和/或严重性和/或定位中使用的基础。

实验结果进一步表明基于小波的特征的中间数据或参数在诊断以及治疗、控制、监测和跟踪应用中也具有临床效用。

示例性临床评价系统

图15A示出了示例临床评价系统1500(也称为临床和诊断系统)，其实现图1的模块以非侵入性地计算基于小波的特征或参数以及其他特征或参数，以根据实施例经由分类器(例如，机器学习分类器)生成与患者或受试者的生理状态相关联的一个或多个度量。实际上，特征模块(例如，图1、图4-14)通常可以被视为系统(例如，临床评价系统1500)的一部分，其中可以针对疾病状态、医疗状况、其中任一者的指征或感兴趣的其组合利用任何数量和/或类型的特征，例如，不同的实施例具有不同的特征模块配置。这在图15A中另外示出，其中临床评价系统1500是模块化设计，其中特定于疾病的附加模块1502(例如，评估升高的LVEDP或mPAP、CAD、PH/PAH、异常LVEF、HFpEF和本文描述的其他的)能够单独或在多个实例中与单一平台(即，基本系统1504)集成以实现系统1500的完整操作。模块化允许临床评价系统1500被设计为利用相同的同步采集的生物物理信号和数据集以及基础平台来评估多种不同疾病的存在，因为开发了这种特定于疾病的算法，从而减少了测试和认证时间和成本。

在各种实施例中，不同版本的临床评价系统1500可以通过包括不同的特征计算模块来实现评估系统103(图1)，所述不同的特征计算模块可以针对给定的疾病状态、医疗状况或感兴趣的指征状态进行配置。在另一实施例中，临床评价系统1500可以包括多于一个评估系统103，并且可以选择性地用于生成特定于该引擎103的分类器116的不同分数。以此方式，图1和图15的模块在更一般意义上可以被视为模块化系统的一种配置，其中可以根据所需模块的配置来使用具有不同和/或多个相应分类器116的不同和/或多个引擎103。因此，可以存在图1的模块的任何数量的实施例，具有或不具有基于小波的特定特征均可。

在图15A中，系统1500可以使用机器学习的特定于疾病的算法来分析一个或多个生物物理信号数据集(例如，110)以评估病理或异常状态的升高的LVEDP(作为一个示例)的可能性。系统1500包括硬件和软件组件，它们被设计为组合在一起工作，以促进使用算法来分析和呈现估计分数，以允许医生使用该分数，例如，评估是否存在疾病状态、医疗状况或其中任何一者的指征。

基础系统1504可以提供功能和指令的基础，每个附加模块1502(其包括特定于疾病的算法)然后基于该功能和指令进行接口以评估病理或指示状况。如图15A的示例所示，基础系统1504包括基础分析引擎或分析器1506、网络服务数据传输API 1508(示为“DTAPI”1508)、报告数据库1510、门户网站服务模块1513和数据储存库111(示出为112a)。

数据储存库112a可以是基于云的，存储来自信号捕获系统102(示为102b)的数据。在一些实施例中，生物物理信号捕获系统102b可以是被设计为单个单元的可重复使用的设备，牢固地附接有(即，不可移除)七通道导联组和光电体积描记图(PPG)传感器。信号捕获系统102b连同其硬件、固件和软件一起提供用户界面以收集输入其中的患者特定的元数据(例如，姓名、性别、出生日期、病历号、身高和体重等)以同步采集患者的电信号和血液动力学信号。信号捕获系统102b可以将元数据和信号数据作为单个数据包直接安全地传输到基于云的数据储存库。在一些实施例中，数据储存库112a是基于云的安全数据库，其被配置为接受和存储特定于患者的数据包并允许分析引擎或分析器1506或1514对其进行检索。

基础分析引擎或分析器1506是安全的基于云的处理工具，其可以执行所获取的信号的质量评估(经由“SQA”模块1516执行)，其结果可以在护理点传达给用户。基础分析引擎或分析器1506还可以对所获取的生物物理信号(例如，110-参见图1)执行预处理(通过预处理模块1518示出)。门户网站1513是安全的基于网络的门户，被设计为向医疗保健提供者提供对他们的患者报告的访问。门户网站1513的示例输出由可视化1536示出。报告数据库(RD)1512是安全数据库并且可以与其他系统安全地接口和通信，例如医院或医生托管的、远程托管的、或远程电子健康记录系统(例如，Epic、Cerner、Allscrips、CureMD、Kareo等)，以便输出分数(例如，118)和相关信息可以整合到患者的一般健康记录中并与其一起保存。在一些实施例中，门户网站1513由呼叫中心访问以通过电话提供输出临床信息。数据库1512可以由能够生成要通过邮件、快递服务、个人递送等递送的报告的其他系统访问。

附加模块1502包括与基础分析引擎(AE)或分析器1506一起操作的第二部分1514(本文中也称为分析引擎(AE)或分析器1514并且示为“AE附加模块”1514)。分析引擎(AE)或分析器1514可以包括特定于给定疾病的算法的主功能循环，例如特征计算模块1520、分类器模型1524(示出为“集合(ensemble)”)模块1524)，以及异常值评估和拒绝模块1524(示为“异常值(outlier)检测”模块1524)。在某些模块化配置中，分析引擎或分析器(例如，1506和1514)可以在单个分析引擎模块中实现。

主功能循环可以包括指令以(i)验证执行环境以确保所有需要的环境变量值都存在，以及(ii)执行分析管道(pipeline，流水线)，该分析管道分析包括所获取的生物物理信号的新信号捕获数据文件以使用特定于疾病的算法来计算患者分数。为了执行分析管道，AE附加模块1514可以包括并执行用于如关于图1所描述的各种特征模块114和分类器模块116的指令，来确定与患者的生理状态相关联的度量的输出分数(例如，118)。AE附加模块1514中的分析管道可以计算特征或参数(示出为“特征计算”1520)并且通过基于特征提供异常值相对于非异常值的信号级响应的异常值检测返回来识别所计算的特征是否是异常值(示出为“异常值检测”1522)。可以针对用于建立(例如，模块116的)分类器的训练数据集来评估异常值。AE附加模块1514可以使用特征和分类器模型的计算值来生成患者的输出分数(例如，118)(例如，经由分类器模块1524)。在用于估计升高的LVEDP的评价算法的示例中，输出分数(例如，118)是LVEDP分数。对于CAD的估计，输出分数(例如，118)是CAD分数。

临床评价系统1500可以使用网络服务DTAPI 1508(在一些实施例中也可以称为HCPP网络服务)来管理组件内和跨组件的数据。DTAPI 1508可用于从数据储存库112a检索所获取的生物物理数据集并将信号质量分析结果存储到数据储存库112a。还可以调用DTAPI 1508来检索所存储的生物物理数据文件并将其提供给分析引擎或分析器(例如，1506、1514)。分析引擎对患者信号的分析结果可以使用DTAPI 1508传送到报告数据库1510。DTAPI 1508还可以根据医疗保健专业人员的请求用于将给定患者数据集取回到门户网站模块1513，门户网站模块1513可以向医疗保健从业者提供报告，以在安全的网络可访问界面中进行查看和解释。

临床评价系统1500包括一个或多个特征库1526，其存储基于小波的特征120和特征模块122的各种其他特征。特征库1526可以是附加模块1502(如图15A所示)或基本系统1504(未示出)的一部分，并且在一些实施例中由AE附加模块1514访问。

模块的模块化和各种配置的进一步细节在于2021年8月19日提交的标题为“Modular Disease Assessment System”的美国临时专利申请No.63/235,960中提供，其全部内容通过引用并入本文。

模块化临床评价系统的示例操作

图15B示出了根据说明性实施例的图15A的临床评价系统1500的分析引擎或分析器(例如，1506和1514)的操作和工作流程的示意图。

信号质量评估/拒绝(1230)。参考图15B，基础分析引擎或分析器1506在分析管道正在执行时经由SQA模块1516评估(1530)所获取的生物物理信号数据集的质量。评估结果(例如，通过/失败)立即返回到信号捕获系统的用户界面以供用户读取。满足信号质量要求的采集信号数据被认为是可接受的(即“通过”)，并由AE附加模块1514进一步处理和分析，用于确定与病理或指示条件相关的度量的存在(例如，升高的LVEDP或mPAP、CAD、PH/PAH、异常LVEF、HFpEF)。被认为不可接受的所获取的信号被拒绝(例如，“失败”)，并且立即向用户发送通知以通知用户立即从患者获取另外的信号(参见图2)。

基础分析引擎或分析器1506执行两组信号质量评估，一组针对电信号，一组针对血液动力学信号。电信号评估(1530)确认电信号具有足够的长度，不存在高频噪声(例如，高于170Hz)，并且不存在来自环境的电源线噪声。血液动力学信号评估(1530)确认血液动力学数据集中的异常值的百分比低于预定义的阈值，并且血液动力学数据集的信号被跟踪(railed)或饱和的百分比和最大持续时间低于预定义的阈值。

特征值计算(1532)。AE附加模块1514执行特征提取和计算以计算特征输出值。在LVEDP算法的示例中，在一些实施例中，AE附加模块1514确定属于18个不同特征族(例如，在模块120和122中生成)的总共446个特征输出，包括基于小波的特征(例如，在模块120中生成)。对于CAD算法，AE附加模块1214的示例实现方式确定一组特征，包括对应于相同的18个特征族的456个特征。

各种特征的附加描述，包括那些在LVEDP算法中使用的特征以及其他特征及其特征族，在以下文献中进行了描述：美国临时专利申请No.63/235,960，于2021年8月23日提交，标题为“Method and System toNon-Invasively Assess Elevated Left VentricularEnd-Diastolic Pressure”；美国临时专利申请No.63/236,072，于2021年8月23日提交，标题为“Methodsand Systems for Engineering Visual Features From BiophysicalSignals for Usein Characterizing Physiological Systems”；美国临时专利申请No.63/235,963，于2021年8月23日提交，标题为“Methods and Systems forEngineeringPower Spectral Features From Biophysical Signals for Use inCharacterizingPhysiological Systems”；美国临时专利申请No.63/235,966，于2021年8月23日提交，标题为“Method and System for Engineering Rate-Related FeaturesFromBiophysical Signals for Use in Characterizing Physiological Systems”；美国临时专利申请No.63/130,324，标题为“Method and System to AssessDisease Using CycleVariability Analysis of Cardiac andPhotoplethysmographic Signals”；美国临时专利申请No.63/235,971，于2021年8月23日提交，标题为“Methods and Systems forEngineeringphotoplethysmography Waveform Features for Use inCharacterizingPhysiological Systems”；美国临时专利申请No.63/236,193，于2021年8月23日提交，标题为“Methods and Systems for Engineering CardiacWaveformFeatures From Biophysical Signals for Use in CharacterizingPhysiologicalSystems”；美国临时专利申请No.63/235,974，于2021年8月23日提交，标题为“Methods and Systems for Engineering Conduction Deviation FeaturesFromBiophysical Signals for Use in Characterizing Physiological Systems”，上述每一篇均特此通过引用全文并入本文。

分类器输出计算(1534)。AE附加模块1514然后使用分类器模型(例如，机器学习的分类器模型)中计算的特征输出来生成一组模型分数。AE附加模块1514将该组模型分数加入到构成模型的集合中，在一些实施例中，构成模型的集合对分类器模型的输出进行平均，在LVEDP算法的示例中如等式5所示。

在一些实施例中，分类器模型可以包括基于以下文献中描述的ML技术开发的模型：题为“Discovering Novel Features to Use in Machine LearningTechniques,suchas Machine Learning Techniques for Diagnosing MedicalConditions”的美国专利公开No.20190026430；或题为“Discovering Genomesto Use in Machine LearningTechniques”的美国专利公开No.20190026431，以上每一篇均通过引用整体并入本文。

在LVEDP算法的示例中，十三(13)个机器学习分类器模型均使用计算出的特征输出进行计算。这13个分类器模型包括4个ElasticNet机器学习分类器模型、4个RandomForestClassifier机器学习分类器模型和5个极限梯度提升(XGB)分类器模型。在一些实施例中，可以使用患者的元数据信息，例如年龄、性别、BMI值。集合估计的输出可以是连续分数。通过减去用于在门户网站内呈现的阈值，可以将分数移至零阈值。可以将阈值选择为敏感性和特异性之间的权衡。阈值可以在算法内定义并用作测试阳性(例如，“可能升高的LVEDP”)和测试阴性(例如，“不太可能升高的LVEDP”)条件的确定点。

在一些实施例中，分析引擎或分析器可以将模型分数集与基于体重指数的调整或基于年龄或性别的调整融合。例如，分析引擎或分析器可以用具有形式的患者BMI的Sigmoid函数对模型估计进行平均。

医师门户可视化(1536)。患者的报告可以包括所获取的患者数据和信号以及疾病分析结果的可视化1536。在一些实施例中，分析以报告中的多个视图呈现。在图15B所示的示例中，可视化1536包括分数汇总部分1540(示为“患者LVEDP分数汇总”部分1540)、阈值部分1542(示为“LVEDP阈值统计”部分1542)和频率分布部分1544(示为“频率分布”部分1508)。医疗保健提供者(例如医生)可以查看报告并对其进行解释，以提供疾病的诊断或生成治疗计划。

如果给定患者的获取的信号数据集满足信号质量标准，则医疗保健门户可以列出患者的报告。如果可以进行信号分析，报告可能会表明特定于疾病的结果(例如LVEDP升高)可用。用于特定于疾病的分析的患者的估计分数(通过视觉元素118a、118b、118c示出)可以相对于建立的阈值来解释。

在图15B的示例中所示的分数汇总部分1540中，患者的分数118a和相关联的阈值被叠加在双色调颜色条(例如，部分1540中所示)上，其中阈值位于条的中心，定义值“0”代表测试阳性和测试阴性之间的界限。阈值的左侧可以是浅色阴影的光并指示阴性测试结果(例如，“不太可能升高的LVEDP”)，而阈值的右侧可以是深色阴影以指示阳性测试结果(例如，“可能升高的LVEDP”)。

阈值部分1542示出了阈值的报告的统计，其被提供给验证群体，所述验证群体定义用于患者分数(例如，118)的估计的敏感性和特异性。无论个体患者的分数(例如，118)如何，每次测试的阈值都是相同的，这意味着每个分数，无论是阳性还是阴性，都可以根据所提供的敏感性和特异性信息来准确解释。对于给定的特定于疾病的分析以及随着临床评价的更新，分数可能会发生变化。

频率分布部分1544示出了两个验证群体中所有患者的分布(例如，(i)未升高的群体，指示假阳性估计的可能性，以及(ii)升高的群体，指示假阴性估计的可能性)。图表(1546、1548)呈现为平滑直方图，以提供用于解释相对于测试表现验证群体患者的患者分数118(例如，118b、118c)的背景。

频率分布部分1540包括：第一图表1546(示为“未升高的LVEDP群体”1546)，其示出分数(118b)，指示在不存在该疾病、病症或指征的验证群体的分布内不存在疾病、病症或指征的可能性，以及第二图表1548(示为“升高的LVEDP群体”1548)，其示出分数(118c)，指示在存在该疾病、病症或指征的验证群体的分布内存在该疾病、病症或指征的可能性。在评估升高的LVDEP的示例中，第一图表1546示出了验证群体的非升高的LVEDP分布，其识别真阴性(TN)和假阳性(FP)区域。第二图表1548示出了识别假阴性(TN)和真阳性(FP)区域的验证群体的升高的LVEDP分布。

频率分布部分1540还包括患者评分相对于验证群体组中的其他患者的解释文本(以百分比形式)。在此示例中，患者的LVEDP分数为-0.08，该分数位于LVEDP阈值的左侧，表明患者“LVEDP不太可能升高”。

该报告可以呈现在医疗保健门户(portal)中，例如由医生或医疗保健提供者在他们的左心衰竭指征的诊断中使用。在一些实施例中，指征包括疾病、医疗状况或其中任一者的指征的存在的概率或严重性评分。

异常值评估和拒绝检测(1538)。在AE附加模块1514计算所述特征值输出之后(在过程1532中)并且在将它们应用到分类器模型之前(在过程1534中)，AE附加模块1514在一些实施例中被配置为执行特征值输出的异常值分析(过程1538中所示)。在一些实施例中，异常值分析评价过程1538执行机器学习的异常值检测模块(ODM)，以通过参考从验证和训练数据生成的特征值识别和排除异常特征输出值来识别和排除异常采集的生物物理信号。异常值检测模块评估出现在孤立区域的稀疏簇内的异常值，这些孤立区域相对于其余观测值超出分布范围(out of distribution)。过程1538可以降低异常值信号被不适当地应用于分类器模型并产生供患者或医疗保健提供者查看的不准确评估的风险。异常值模块的准确性已使用保留(hold-out)验证集进行了验证，其中ODM能够以可接受的异常值检测率(ODR)泛化(generalization)来识别测试集中的所有标记的异常值。

虽然已经结合某些实施例和具体示例描述了方法和系统，但并不旨在将范围限制于所阐述的特定实施例，因为本文的实施例在所有方面都旨在是说明性的而不是限制性的。本文讨论的基于小波的特征可最终用于进行或协助医生或其他医疗保健提供者进行非侵入性诊断或确定其他疾病、医疗状况或其中任一者的指征的存在或不存在和/或严重程度，诸如例如，冠状动脉疾病、肺高血压和本文使用类似或其他开发方法描述的其他病理。另外，示例性分析，包括基于小波的特征，可以用于诊断和治疗其他心脏相关的病理和指示症状以及神经相关的病理和指示症状，这样的评估可以应用于任何病理或指示状况的诊断和治疗(包括外科手术、微创和/或药物治疗)，其中生物物理信号涉及活体任何相关系统。心脏背景的一个实例是CAD和本文公开的其他疾病、医疗状况或指示病症的诊断以及通过多种疗法单独或组合进行的治疗，例如在冠状动脉中放置支架、进行斑块切除术、血管成形术、药物治疗处方和/或运动处方、营养和其他生活方式改变等。可以诊断的其他心脏相关病理或指示症状包括例如心律失常、充血性心力衰竭、瓣膜衰竭、肺高血压(例如，肺动脉高压、左心疾病引起的肺高血压、肺部疾病引起的肺高血压、慢性血栓引起的肺高血压、以及其他疾病(例如血液或其他疾病)引起的肺高血压)，以及其他心脏相关的病理、指示症状和/或疾病。可以诊断的神经相关疾病、病理或指示症状的非限制性实例包括例如癫痫、精神分裂症、帕金森病、阿尔茨海默病(和所有其他形式的痴呆)、自闭症谱系(包括阿斯伯格综合征)、注意力缺陷多动症障碍、亨廷顿病、肌肉营养不良、抑郁症、双向情感障碍、脑/脊髓肿瘤(恶性和良性)、运动障碍、认知障碍、言语障碍、各种精神病、脑/脊髓/神经损伤、慢性创伤性脑病、丛集性头痛、偏头痛、神经病(各种形式，包括周围神经病)、幻肢/疼痛、慢性疲劳综合症、急性和/或慢性疼痛(包括背痛、背部手术失败综合症等)、运动障碍、焦虑症、由感染或外来因素引起的指示症状(例如莱姆病、脑炎、狂犬病)、发作性睡病和其他睡眠障碍、创伤后应激障碍、与中风、动脉瘤、出血性损伤等相关的神经系统症状/影响、耳鸣和其他听力相关疾病/指示症状和视力相关疾病/指示症状。

另外，本文描述的临床评价系统可以被配置为分析生物物理信号，例如心电图(ECG)、脑电图(EEG)、伽马同步(gamma synchrony)、呼吸功能信号、脉搏血氧测定信号、灌注数据信号；准周期生物信号、胎儿ECG信号、血压信号；心脏磁场信号、心率信号等等。

可以与本文披露的示例方法和系统一起使用的进一步的处理示例描述于：美国专利号：9,289,150；9,655,536；9,968,275；8,923,958；9,408,543；9,955,883；9,737,229；10,039,468；9,597,021；9,968,265；9,910,964；10,672,518；10,566,091；10,566,092；10,542,897；10,362,950；10,292,596；10,806,349；美国专利公开号：2020/0335217；2020/0229724；2019/0214137；2018/0249960；2019/0200893；2019/0384757；2020/0211713；2019/0365265；2020/0205739；2020/0205745；2019/0026430；2019/0026431；PCT公布号：WO2017/033164；WO2017/221221；WO2019/130272；WO2018/158749；WO2019/077414；WO2019/130273；WO2019/244043；WO2020/136569；WO2019/234587；WO2020/136570；WO2020/136571；美国专利申请号16/831,264；16/831,380；17/132869；PCT申请号PCT/IB2020/052889；PCT/IB2020/052890，以上每一个均特此通过引用整体并入本文。

Claims

1.一种用于非侵入性地估计与疾病状态或异常状况相关的一个或多个度量的值的方法，该方法包括：

由一个或多个处理器获取受试者的生物物理信号数据集，包括一个或多个第一生物物理信号；

由所述一个或多个处理器确定基于小波的特征或参数的值，所述基于小波的特征或参数表征从所述生物物理信号数据集的小波变换生成的二值化数据对象的属性或几何形状；

由所述一个或多个处理器部分地基于所确定的一个或多个小波相关属性的值来确定对于疾病状态或异常状况的存在的估计值，其中对于所述疾病状态或异常状况的估计值用于模型中以非侵入性地估计预期疾病状态或状况的存在，

其中所述估计值随后被输出以用于所述预期疾病状态或状况的诊断或用于指导所述预期疾病状态或状况的治疗。

2.根据权利要求1所述的方法，其中确定所述基于小波的特征或参数的值包括：

由所述一个或多个处理器确定所述生物物理信号数据集的信号的多个识别的周期循环的基于小波的模型；

由所述一个或多个处理器生成所述基于小波的模型的谱图像或数据；以及

由所述一个或多个处理器确定从在所述谱图像或数据内识别的二维或三维对象提取的特征的一个或多个值。

3.根据权利要求1或2所述的方法，其中通过阈值算子将所述谱图像或数据转换为二值化图像或数据，并且其中从在阈值谱图像或数据的一个或多个二值化区域中识别的二维或三维对象中提取所述特征的所述一个或多个值。

4.根据权利要求1-3中的任一项所述的方法，其中通过多个对应的阈值算子将所述谱图像或数据转换为多个二值化图像或数据，并且其中从所述多个阈值谱图像或数据的一个或多个二值化区域中识别的二维或三维对象中提取所述特征的所述一个或多个值。

5.根据权利要求1-4中的任一项所述的方法，其中通过第二阈值算子将所述谱图像或数据转换为第二二值化图像或数据，所述方法还包括：

由所述一个或多个处理器确定从所述一个或多个第二二值化区域的第二功率的分布中提取的特征的一个或多个值，其中所述第二阈值算子的值低于所述阈值算子的值，并且其中所述第二功率不包括所述二维或三维对象的功率。

6.根据权利要求1-5中的任一项所述的方法，其中所述一个或多个特征选自由以下组成的组：

与在所述谱图像或数据中识别的所述一个或多个二值化区域的时间范围相关联的特征；

与在所述谱图像或数据中识别的所述一个或多个二值化区域的频率范围相关联的特征；

与在所述谱图像或数据中识别的所述一个或多个二值化区域的时间质心相关联的特征；

与在所述谱图像或数据中识别的所述一个或多个二值化区域的表面积相关联的特征；

与在所述谱图像或数据中识别的所述一个或多个二值化区域中的至少一个的偏心率的度量相关联的特征；

与在所述谱图像或数据中识别的所述一个或多个二值化区域中的至少一个的圆度的度量相关联的特征；

与在所述谱图像或数据中识别的二值化区域范围相关联的特征；

与在所述谱图像或数据中识别的椭圆的取向相关联的特征；以及

与在所述谱图像或数据中识别的功率质心相关联的特征。

7.根据权利要求1-6中的任一项所述的方法，其中所述基于小波的模型基于光电体积描记信号。

8.根据权利要求1-7中的任一项所述的方法，其中所述基于小波的模型基于从光电体积描记信号导出的速度体积描记信号。

9.根据权利要求1-8中的任一项所述的方法，其中所述基于小波的模型基于心脏/生物电势信号。

10.根据权利要求1-9中的任一项所述的方法，其中确定所述基于小波的特征或参数的值包括：

由所述一个或多个处理器确定所述生物物理信号数据集的心脏信号的识别的周期性循环内的多个预定义部分的基于小波的模型，其中所述多个预定义部分中的每一个包括与心房除极、心室除极或心室复极相关联的隔离的心脏波形；以及

由所述一个或多个处理器确定从所述基于小波的模型的高能量分量提取的特征的一个或多个值。

11.根据权利要求1-10中的任一项所述的方法，其中所述一个或多个特征选自由以下组成的组：

与在所述基于小波的模型内确定的多个功率谱密度值的统计评估相关联的特征，包括与心房除极相关联的多个隔离的心脏波形；

与在所述基于小波的模型内确定的多个功率谱密度值的统计评估相关联的特征，包括与心室除极相关联的多个隔离的心脏波形；以及

与在所述基于小波的模型内确定的多个功率谱密度值的统计评估相关联的特征，包括与心室复极相关联的多个隔离的心脏波形。

12.根据权利要求1-11中的任一项所述的方法，其中所述一个或多个特征包括与相对于分位数-分位数概率中的线性度的偏差的评估相关联的特征，所述分位数-分位数概率在(i)在所述基于小波的模型内确定的功率谱密度值与(ii)基本功率谱密度函数之间评估。

13.根据权利要求1-12中的任一项所述的方法，其中所述一个或多个特征包括与在(i)在所述基于小波的模型内确定的累积密度分布(CCD)值与(ii)累积密度分布函数之间评估的分位数-分位数概率中的评估相关联的特征。

14.根据权利要求1-13中的任一项所述的方法，其中所述一个或多个特征包括与核密度估计器(KDE)的评估相关联的特征，其拟合到所述功率谱密度函数(PSD)的概率密度分布(PDD)函数。

15.根据权利要求1-14中的任一项所述的方法，还包括：

由所述一个或多个处理器使得生成所述疾病状态或异常状况的存在的估计值的可视化，其中所生成的可视化被渲染并显示在计算设备的显示器上和/或呈现在报告中。

16.根据权利要求1-15中的任一项所述的方法，其中一个或多个小波关联属性的值被用在选自由线性模型、决策树模型、随机森林模型、支持向量机模型、神经网络模型组成的组的模型中。

17.根据权利要求1-16中的任一项所述的方法，其中所述模型还包括选自由以下各项组成的组的特征：

一个或多个除极或复极波传播相关特征；

一个或多个除极波传播偏差相关特征；

一个或多个周期变异性相关特征；

一个或多个动态系统相关特征；

一个或多个心脏波形拓扑和变化相关特征；

一个或多个PPG波形拓扑和变化相关特征；

一个或多个心脏或PPG信号功率谱密度相关特征；

一个或多个心脏或PPG信号视觉相关特征；以及

一个或多个可预测性特征。

18.根据权利要求1-17中的任一项所述的方法，其中所述疾病状态或异常状况选自由以下各项组成的组：冠状动脉疾病、肺高血压、肺动脉高压、由于左心疾病导致的肺高血压、导致肺高血压的罕见病症、左心室心力衰竭或左侧心力衰竭、右心室心力衰竭或右侧心力衰竭、收缩性心力衰竭、舒张性心力衰竭、缺血性心脏病和心律失常。

19.根据权利要求1-18中的任一项所述的方法，还包括：

由所述测量系统的一个或多个采集电路在一个或多个通道上采集电压梯度信号，其中所述电压梯度信号是以大于约1kHz的频率采集的；以及

由所述一个或多个采集电路从所采集的电压梯度信号生成所获得的生物物理数据集。

20.根据权利要求1-19中的任一项所述的方法，还包括：

由所述测量系统的一个或多个采集电路采集一个或多个光电体积描记信号；以及

21.根据权利要求1-20中的任一项所述的方法，其中所述一个或多个处理器位于云平台中。

22.根据权利要求1-20中的任一项所述的方法，其中所述一个或多个处理器位于本地计算设备中。

23.一种系统，包括：

处理器；以及

其上存储有指令的存储器，其中所述处理器对所述指令的执行使得所述处理器执行根据权利要求1-22所述的方法中的任一项。

24.一种非暂时性计算机可读介质，其上存储有指令，其中处理器对所述指令的执行使得所述处理器执行根据权利要求1-22所述的方法中的任一项。