CN118119331A - 用于将来自生物物理信号的视觉特征工程化以用于表征生理系统的方法和系统 - Google Patents
用于将来自生物物理信号的视觉特征工程化以用于表征生理系统的方法和系统 Download PDFInfo
- Publication number
- CN118119331A CN118119331A CN202280069594.4A CN202280069594A CN118119331A CN 118119331 A CN118119331 A CN 118119331A CN 202280069594 A CN202280069594 A CN 202280069594A CN 118119331 A CN118119331 A CN 118119331A
- Authority
- CN
- China
- Prior art keywords
- signal
- features
- signals
- biophysical
- processors
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000000007 visual effect Effects 0.000 title claims abstract description 87
- 230000000747 cardiac effect Effects 0.000 claims abstract description 98
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 86
- 201000010099 disease Diseases 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims description 110
- 208000029078 coronary artery disease Diseases 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 208000002815 pulmonary hypertension Diseases 0.000 claims description 20
- 238000013186 photoplethysmography Methods 0.000 claims description 18
- 206010019280 Heart failures Diseases 0.000 claims description 15
- 208000019622 heart disease Diseases 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000002861 ventricular Effects 0.000 claims description 12
- 206010064911 Pulmonary arterial hypertension Diseases 0.000 claims description 11
- 238000011282 treatment Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 6
- 206010007559 Cardiac failure congestive Diseases 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 206010003119 arrhythmia Diseases 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 208000003037 Diastolic Heart Failure Diseases 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000028161 membrane depolarization Effects 0.000 claims 2
- 208000008253 Systolic Heart Failure Diseases 0.000 claims 1
- 208000031225 myocardial ischemia Diseases 0.000 claims 1
- 230000002336 repolarization Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 15
- 230000035790 physiological processes and functions Effects 0.000 abstract description 8
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 46
- 238000004458 analytical method Methods 0.000 description 40
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 27
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 26
- 238000011156 evaluation Methods 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 22
- 208000035475 disorder Diseases 0.000 description 17
- 230000000004 hemodynamic effect Effects 0.000 description 16
- 238000012360 testing method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 12
- 230000007170 pathology Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 230000036541 health Effects 0.000 description 8
- 208000038003 heart failure with preserved ejection fraction Diseases 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013450 outlier detection Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 230000002685 pulmonary effect Effects 0.000 description 5
- 230000030074 regulation of atrial cardiomyocyte membrane repolarization Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000003205 diastolic effect Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000031700 light absorption Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000000692 Student's t-test Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000004872 arterial blood pressure Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000000748 cardiovascular system Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012353 t test Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 206010024119 Left ventricular failure Diseases 0.000 description 2
- 208000016285 Movement disease Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 208000004983 Phantom Limb Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 238000009610 ballistocardiography Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000003925 fat Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 208000033808 peripheral neuropathy Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002106 pulse oximetry Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000031104 Arterial Occlusive disease Diseases 0.000 description 1
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 1
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 1
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 208000008035 Back Pain Diseases 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010008874 Chronic Fatigue Syndrome Diseases 0.000 description 1
- 208000000094 Chronic Pain Diseases 0.000 description 1
- 208000006561 Cluster Headache Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000005741 Failed Back Surgery Syndrome Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000023105 Huntington disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 208000016604 Lyme disease Diseases 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 206010056238 Phantom pain Diseases 0.000 description 1
- 206010057239 Post laminectomy syndrome Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 206010037742 Rabies Diseases 0.000 description 1
- 206010039163 Right ventricular failure Diseases 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000005298 acute pain Diseases 0.000 description 1
- 238000002399 angioplasty Methods 0.000 description 1
- 208000021328 arterial occlusion Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 210000004903 cardiac system Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000025997 central nervous system neoplasm Diseases 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 208000018912 cluster headache syndrome Diseases 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 206010014599 encephalitis Diseases 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 229910001410 inorganic ion Inorganic materials 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 201000006938 muscular dystrophy Diseases 0.000 description 1
- 208000029766 myalgic encephalomeyelitis/chronic fatigue syndrome Diseases 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 201000003631 narcolepsy Diseases 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004789 organ system Anatomy 0.000 description 1
- 210000003463 organelle Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 239000008194 pharmaceutical composition Substances 0.000 description 1
- 208000028173 post-traumatic stress disease Diseases 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 210000004994 reproductive system Anatomy 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 208000027765 speech disease Diseases 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 208000020431 spinal cord injury Diseases 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001732 thrombotic effect Effects 0.000 description 1
- 231100000886 tinnitus Toxicity 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
公开了一种临床评价系统和方法,其有助于使用根据生物物理信号确定的一个或多个视觉特征或参数,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,生物物理信号是从当患者休息时放置在患者身上的表面传感器非侵入性地采集的。视觉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、医学状况或其中任一者的指征的存在或不存在。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。
Description
相关申请
本PCT申请要求以下申请的优先权和权益:美国临时专利申请号:63/236,072,于2021年8月23日提交,标题为“Methods and Systems for Engineering Visual FeaturesFrom Biophysical Signals for Use in Characterizing Physiological Systems”,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将来自生物物理信号的特征或参数工程化以用于诊断应用的方法和系统;特别是,视觉特征的工程化和使用以用于表征一个或多个生理系统及其相关功能、活动和异常。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、医学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,以及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,被定义为左心室功能保留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),特别是肺动脉高压(PAH)的临床护理标准涉及心脏右侧的心导管插入术,直接测量肺动脉的压力。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,这些图像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视觉特征或参数的使用,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。视觉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联的度量,包括疾病、医学状况或其中任一者的指征的存在或不存在。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状况的其他评价或测量模态。在某些情况下,确定可以采取数值分数和相关信息的形式。
对于心脏信号,在心脏或生物电势信号的相空间模型中确定视觉特征,以表征心脏电生理信号的重复周期的各种特性,包括与心房除极(AD)相关的波形、与心房复极(AR)相关的波形、与心室除极(VD)相关的波形以及与心室复极(VR)相关的波形的那些特性。在一些实施例中,视觉特征包括3D相空间中和3D空间的八分圆内的心脏环路(AD、VD、VR)的特征。尽管AR被称为视觉特征,但它发生在VD期间,并且在相空间视图中可能不可见。在一些实施例中,视觉特征包括3D相空间中以及3D空间的八分圆(或子区域)内的心脏矢量的特征(例如,最大心房除极矢量(MADV)、心房复极矢量(ARV)、最大心室除极矢量(MVDV)、初始心室除极矢量(IVDV)、终末心室除极矢量(TVDV)、最大心室复极矢量(MVRV))。在一些实施例中,视觉特征包括心脏环路(AD、VD、VR)在三个正交平面以及相应正交平面的象限内的投影的特征。在一些实施例中,视觉特征包括心脏矢量在三个正交平面上以及相应正交平面的象限内的投影的特征。
对于光电体积描记相关信号,视觉特征在光电体积描记信号和从光电体积描记信号导出的速度体积描记信号和加速度体积描记信号的相空间模型中确定,并且表征这些信号的重复循环的各种特性。术语“光电体积描记相关”是指光电体积描记信号和相关联的速度体积描记信号和加速度体积描记信号。
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性质或特性。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”是指对在一个或多个生理系统中的一种或多种疾病、病症或其中任一者的指征的存在、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,以通过一个或多个度量对可以取代、增强或替代其他评价模态的疾病、病症或任一者的指标进行评价。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;射血分数保留的心力衰竭(HFpEF)),(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升高或异常的左心室舒张末压(LVEDP)的存在或不存在。某些形式的肺高血压的一个示例指标是升高或异常的平均肺动脉压(mPAP)的存在或不存在。
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被配置为非侵入性地计算视觉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的示例模块或组件的示意图。
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各自示出了在诊断、治疗、监测或跟踪的实际应用中使用视觉特征/参数或其中间数据的示例方法。
图4示出了根据说明性实施例的示例视觉环路特征计算模块。
图5示出了根据说明性实施例的示例视觉矢量特征计算模块。
图6示出了根据说明性实施例的图4或图5的视觉环路或矢量特征计算模块的示例操作方法。
图7A、图7B、图7C、图7D、图7E、图8A、图8B、图9A和图9B各自示出了根据说明性实施例的由图4的视觉特征环路计算模块执行的示例操作。
图10A、图10B、图10C、图10D、图10E、图10F、图10G、图11A和图11B各自示出了根据说明性实施例的由图5的视觉矢量计算模块执行的示例操作。
图12A示出了根据说明性实施例的被配置为使用其他计算特征中的视觉特征来生成与患者的生理状态相关联的一个或多个度量的示例临床评价系统的示意图。
图12B示出了根据说明性实施例的图12A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、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命体的任何相关系统中生物物理信号涉及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。
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。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项的类型或类别:电(例如,可以通过诸如在诸如时间和/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、电流等的测量等技术而观察、识别和/或量化的某些心脏和神经系统相关信号)、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而观察、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,心脏和肺在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/或声发射度的观察。被动和主动生物物理信号采集装置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装置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装置可以与侵入性程序(例如,通过手术或侵入性放射介入方案)或非侵入性地(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,其对应于含氧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(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,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被配置为非侵入性地计算视觉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的示例模块或组件的示意图。模块或组件可用于视觉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学状况,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。除了与病症的疾病状态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。对疾病状态或医学状况存在或不存在的确定可以包括这种疾病的指征(或在诊断中使用的测量的度量)。
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、存储和传输同步采集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)采集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例如通过粘附而放置到患者108的表面组织(示出为在患者位置108a和108b处)上或靠近患者108的表面组织(示出为在患者位置108a和108b处)放置。患者优选是人类患者,但也可以是任何哺乳动物患者。所采集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包括与在位置108a处从患者测量的氧合和/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图或血液动力学信号,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图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、作为时间的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式能量数据收集系统的其他装置)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,直接发送所采集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,以采集、存储、传输和可选地处理所捕获的生物物理信号以生成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集数据110在以下文献进行了描述:美国专利号:10,542,898,标题为“Method and Apparatus for Wide-BandPhase Gradient Signal Acquisition”;或美国专利公开号:2018/0249960,标题为“Method and Apparatus for Wide-Band Phase Gradient Signal Acquisition”,上述每一篇均通过引用方式全文并入本文。
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12A和图12B)。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检索所采集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中示出为包括视觉特征模块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,包括提供给分类器模块116的视觉特征的值,分类器模块116计算与患者的生理状态(例如,疾病状态、医学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12A和12B)处,以由医疗保健专业人员用于诊断和治疗病理或医学状况。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:美国临时专利申请号:63/235,960,于2021年8月23日提交,标题为“Method and System to Non-Invasively Assess Elevated Left Ventricular End-Diastolic Pressure”;美国专利公开号:20190026430,标题为“Discovering NovelFeatures to Use in Machine Learning Techniques,such as Machine LearningTechniques for Diagnosing Medical Conditions”;或美国专利公开号:20190026431,标题为“Discovering Genomes to Use in Machine Learning Techniques”,以上每一篇均通过引用方式全文并入本文。
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。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。
使用沿参考导联布置在患者胸部和背部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,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/间歇地采集生物物理信号以用于监测,并且所采集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,在相同周期内以每秒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)可能小于约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,在信号采集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“Amazon S3”)。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额外数据。
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视觉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,其采用视觉参数或特征来确定疾病状态、医学状况或其中任一者的指征的存在的估计量,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,所采集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)、显着冠状动脉疾病(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病症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学状况。
方法300a还包括检索(304)数据集并确定视觉特征的值的步骤。关于本文稍后将讨论的图4-11提供了确定视觉特征的值的示例操作。方法300a还包括:基于所确定的视觉特征对估计模型(例如,ML模型)的应用来确定(306)疾病状态、医学状况或其中任一者的指征的存在的估计值的步骤。关于图12A和图12B提供了示例实现方式。
方法300a进一步包括:在报告中输出(308)疾病状态或异常状况的存在的估计值(例如,用于疾病状态、医学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12A和图12B以及本文描述的其他示例所描述的。
诊断或状况监测或跟踪。图3B示出了采用视觉参数或特征来监测健康或医疗设备或健康监测装置的控制的方法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,以提供输出用于报告或作为医疗设备或健康监测装置的控制。
方法300b还包括从所采集的生物物理数据集确定(310)视觉特征值,例如,如关于图4-11所描述的。
方法300b还包括输出(312)视觉特征或参数的值(例如,在用于诊断的报告中或作为用于控制的信号)。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)来提供与健康相关的增强数据。在一些实施例中,输出可用在复苏系统、心脏或肺压力测试设备以及起搏器中。
视觉预测器(visual predictor)特征
图4和图5各自示出了根据说明性实施例的被配置为确定一个或多个视觉预测器相关属性的值的总共两个示例模块的示例视觉特征评估模块。具体地,图4的视觉环路特征评估模块400可以计算视觉环路特征和从它们的正交投影生成的特征的值,用于(i)心脏信号中感兴趣的波形区域(示出为心房除极(AD)波形区域、心室复极(VR)波形区域、心室除极(VR)波形区域)和(ii)PPG信号(显示为PPG信号#1和#2),每个信号均以相空间模型表示,以评估所研究的波形区域的形态和变异性。环路特征可以包括与点云模型或针对每个感兴趣的波形从点云生成的实体模型的周长、表面积、体积、曲率和涡度相关联的特征。对于心脏信号,这些可以包括特定波形区域,例如AD、VD和VR波形区域,而对于PPG信号,这些可以包括整个信号。
图5的视觉矢量特征评估模块500可以计算视觉矢量特征的值以及从它们的正交投影生成的特征的值,用于(i)心脏信号中感兴趣的波形区域(示为AD、VD和VR波形区域))和(ii)PPG信号(显示为PPG信号#1和#2),每个信号均以相空间模型表示,以评估所研究的波形区域的形态和变异性。对于心脏信号,这些可以包括特定波形区域,例如AD、VD和VR波形区域,并且对于PPG信号,这些可以包括整个信号。
示例#1——视觉环路特征
图4示出了作为两个示例视觉(visual)特征类别中的第一个的示例视觉环路特征评估模块400,其被配置为确定视觉特征或参数的输出值,这些视觉特征或参数表征从感兴趣的波形生成的点云或由点云生成的实体模型的诸如周长、表面积、体积、曲率和/或涡度等视觉属性。可以为实体模型的二维投影或象限确定附加特征。对于心脏信号,可以计算作为感兴趣的波形的特定波形区域的视觉属性,例如心房除极(AD)波形区域、心室复极(VR)波形区域和心室除极(VD)波形区域。对于PPG信号,可以计算所采集波形的视觉属性。可以从(i)采集的心脏信号或(ii)PPG信号以及从该PPG信号生成的相关联的VPG和APG信号的三个通道中的数据点生成点云或实体模型。
表1示出了12个提取的视觉环路特征的示例集,这12个提取的视觉环路特征可以从生物物理信号或其中的波形区域中提取。在实施例中,可以针对心脏或生物电势信号的3个波形区域的部分或全部以及2个PPG信号来确定12个视觉特征,以提供多达总共75个特征。在表1中,用符号“*”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定升高的LVEDP的存在或不存在。在表1中,用符号“**”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定冠状动脉疾病的存在或不存在。表10A和表10B以及表11A和表11B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着CAD的存在或不存在方面具有显着效用的具体特征的列表。
表1
表2示出了表1的表面积和体积环路特征中可以从生物物理信号或其中的波形区域中提取的附加4种类型的提取的视觉环路特征的示例集。不同于确定如表1的特征中所提供的整个3D相空间模型的特征,表2的特征确定了3D相空间模型的子区域(称为八分圆)的特征。在实施例中,可以针对8个八分圆区域,针对心脏或生物电势信号的3个波形区域的一些或全部以及2个PPG信号确定表1的4个视觉特征,以提供多达总共235个特征。在表2中,用符号“*”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定升高的LVEDP的存在或不存在。标有符号“**”的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在(例如确定冠状动脉疾病的存在或不存在)方面具有显着的效用。表10A和表10B以及表11A和表11B中分别提供了被确定在评估异常或升高的LVEDP的存在或不存在方面具有显着效用的具体特征的列表。
表2
表3示出了附加8种类型的提取的视觉环路特征的示例集,这附加8种类型的提取的视觉环路特征可以基于表1的特征的投影或此类投影的象限分析从生物物理信号或其中的波形区域提取,包括周长、面积、曲率和环量(circulation)。表3示出了附加特征偏心率。在一个实施例中,可以针对表3的8种特征类型中的每一种确定3个投影,其中对于每个投影,可以评估5个特征(总值及其在4个象限中的细分)以提供多达总共135个特征。在表3中,用符号“*”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定升高的LVEDP的存在或不存在。在表3中,用符号“**”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定冠状动脉疾病的存在或不存在。表10A和表10B以及表11A和表11B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着CAD的存在或不存在方面具有显着效用的具体特征的列表。
表3
图6示出了根据说明性实施例的视觉环路特征计算模块400的实现方式(600),其可以全部或部分地用于生成视觉环路特征或参数以及它们的输出以用于机器学习分类器来确定与所研究患者的生理系统相关的度量。为了确定表1的示例特征,在一些实施例中,方法600包括(i)信号准备(602),(ii)隔离(604)感兴趣的波形区域,(iii)生成(606)隔离信号的点云相位空间模型,以及(iv)确定视觉特征。图6示出了示例心脏信号相空间模型610,其包括针对三个感兴趣片段区域(即,AD波形区域612、VD波形区域614和VR波形区域616)识别的多个心动周期数据。相空间模型610还示出了不属于这三个区域的区域618。图6示出了针对PPG信号622及其相关联的VPG信号624和APG信号626生成的PPG信号相空间模型620的示例。图6还示出了具有感兴趣的基准点的PPG信号相空间模型620,包括收缩期PPG峰值628、舒张期PPG峰值630、峰值VPG 632、最小VPG 634、峰值APG 636、最小APG 638、基础APG 640和原点640。下面提供附加描述。
周长特征。图7A和图7B示出了计算心脏信号和PPG信号的周长特征的示例操作。在图7A所示的示例中,对于心脏信号数据,模块400可以生成一组点云数据,其中每个组包括针对单个心动周期和针对感兴趣的波形区域(例如,AD波形区域612、VD波形区域614和VR波形区域616(在图7A中,仅示出了针对VD波形区域614(示出为614a)的示例))的数据。然后可以将给定波形区域的周长值确定为该波形区域的点云数据中的每对连续点之间的欧几里德距离之和。因为采集了多个心动周期,所以模块400可以确定每个周期的周长特征值,然后选择该组的众数、均值或中值,例如多达3个特征,如关于表1所示和所描述的。在用于LVEDP评估的示例特征中,使用了众数。
在图7B所示的示例中,对于PPG信号,模块400可以生成一组点云数据620(示为620a),每个点云数据用于单个PPG周期。然后,给定波形区域的周长值可以被确定为该点云数据中每对连续点之间的欧几里得距离之和,可以选择该组的众数、均值或中值,例如,多达附加2个特征,如关于表1所示和所描述的。
另外,模块400可以基于3个正交平面(XY、XZ和YZ)计算点云数据620的投影的周长。对于心脏信号相空间,正交平面可以表示为通道X和Y、通道X和Z以及通道Y和Z(本文也称为“ORTH12”、“ORTH13”和/或“ORTH23”平面)。对于PPG信号相空间,正交平面可以被表示为PPG和VPG、PPG和APG、以及VPG和APG(本文也称为“PPG_VPG”、“PPG_APG”和“PPG_APG”平面)。
图7C和图7D示出了将心脏信号数据中的波形区域(例如,VD波形区域、VR波形区域、AD波形区域)或PPG信号的点云数据的投影投射到三个正交平面(ORTH12(702)、ORTH13(704)和ORTH23(706))上的示例操作。在图7C所示的示例中,根据VD波形区域(614a)的3D相空间数据生成三个正交投影ORTH12(708)、ORTH13(710)和ORTH23(712)(对于VR和AD波形区域可以执行类似的操作)。在图7D所示的示例中,可以从PPG信号的3D相空间数据生成多达三个正交投影,例如ORTH12(708)、ORTH13(710)和ORTH23(712)(对于其他PPG信号可以执行类似操作)。模块400可以针对3个正交投影中的每一个确定心脏信号数据的3个波形区域或2个PPG信号数据的每个周期的2d周长(2dperimeter)特征值,然后选择该组的众数、均值或中值,例如,多达附加15个特征,如关于表3所描述的。
另外,模块400可以计算3个正交平面投影的特定象限的周长。图7E示出了将心脏信号数据中的波形区域(例如,VD波形区域、VR波形区域、AD波形区域)或PPG信号的正交投影分割到三个正交平面的每一个的象限区域716(ORTH12(702)的象限[1..4](参见716)、ORTH13(704)的象限[1..4](参见716)、以及ORTH23(706)的象限[1..4](参见716))上的示例操作。在图7E所示的示例中,VD波形区域710(示出为710a)的正交投影被示出为划分为象限718、720、722和724(可以对VD波形区域以及VR和AD波形区域以及2个PPG信号的每个正交投影执行类似的操作)。因此,模块400可以针对3个正交投影的每个象限(4)确定心脏信号数据的3个波形区域或2个PPG信号数据的每个周期的2d周长(2dperimeter)特征值,然后选择该组的众数、均值或中值,例如,多达附加60个特征,如关于表3所描述的。
表面积、体积、面积投影特征。图8A和图8B示出了计算心脏和PPG信号的表面积和体积特征的示例操作。在图8A所示的示例中,对于心脏信号数据,模块400可以生成(i)在多个心动周期上感兴趣波形区域的点云数据802,例如AD波形区域612、VD波形区域614和VR波形区域616(在图8A中,仅示出了针对VD波形区域614的示例)和/或(ii)信号(例如PPG信号#1和PPG信号#2)的点云数据808。模块400然后可以从点云数据(802、808)生成阿尔法形状对象(804、810)或凸包对象(806、812)。
观察到心脏环路和PPG信号环路在三维空间中具有明显的轨迹,其中该轨迹例如由于固有的生物变化而在逐次搏动或逐周期略有变化。因此,心脏环路和PPG环路可以在相空间中创建一个区域,数据点集中在该区域内并形成三维环路。图8A示出了信号数据的三十秒窗口的VD环路802。模块400可以将环路数据(例如,802)包装为阿尔法形状对象804(例如,阿尔法半径自动设置为最小值以确保覆盖所有点)和凸包对象806。图8B示出了用于所采集的PPG信号的PPG环路808。模块400可以将环路数据(例如,808)包装为阿尔法形状对象810(例如,阿尔法半径自动设置为最小值以确保覆盖所有点)和凸包对象812。
模块400然后可以计算3D AlphaShape和ConvexHull形状的表面积和体积作为特征值,例如心脏信号数据的3个波形区域和2PPG信号数据的多达20个特征,如关于表1所示和所描述的。
此外,模块400可以计算每个八分圆区域(例如,8个区域-参见表4)的3DAlphaShape和ConvexHull形状的表面积和体积作为特征值,例如,心脏信号数据的3个波形区域和2个PPG信号数据的多达附加160个特征,如关于表2所示和所描述的。八分圆区域的示例布局如图10B所示。表4示出了八分圆识别区域。
表4
八分圆编号 | Orth1或PPG符号 | Orth2或VPG符号 | Orth3或APG符号 |
八分圆1 | + | + | + |
八分圆2 | - | + | + |
八分圆3 | - | - | + |
八分圆4 | + | - | + |
八分圆5 | + | + | - |
八分圆6 | - | + | - |
八分圆7 | - | - | - |
八分圆8 | + | - | - |
另外,模块400可以计算3个正交平面投影的象限(4)的面积。在图7E中,可以确定心脏信号数据的波形区域(例如,VD波形区域、VR波形区域、AD波形区域)或2个PPG信号数据的正交投影的每个象限的面积726、728、730、732以及象限的总面积,例如多达附加75个特征,如关于表3所描述的。面积可以使用TrapZ函数等(例如,由Matlab制造)来计算以计算每个象限内的面积。总面积可以使用matlab函数polyarea计算。
另外,模块400可以确定3个正交投影数据中包含最大面积的特定象限以提供例如多达附加15个特征,如关于表3所描述的。
最大拟合平面面积特征。图9A和图9B示出了计算心脏信号和PPG信号的最大拟合平面面积特征的示例操作。在图9A和图9B所示的示例中,模块400可以生成(i)在多个心动周期上感兴趣的波形区域(例如AD波形区域612、VD波形区域614和VR波形区域616)的最大拟合平面902(在图9A中,仅示出了针对VD波形区域614a的示例)和(ii)信号(例如PPG信号#1和PPG信号#2)的最大拟合平面904。对于给定的心脏环路或PPG环路,包围环路的点不一定位于单个3D平面中。最大拟合平面是通过给定心脏或PPG环路的点的最佳拟合平面。也就是说,最佳拟合平面是其中环路具有最小曲率或最平坦的单个平面。然后,模块400可以将心脏或PPG环路的点(902、904)投影到最佳拟合平面上,例如心脏信号数据的3个波形区域和2个PPG信号数据的多达5个特征,如关于表1所示和所描述的。
曲率、涡度、环量、传播速度、偏心率特征。环路中单个点的曲率,无论是心脏环路还是PPG环路,都可以定义为圆的半径的倒数,该圆经过特定点、在给定点之前5ms的点、以及比给定点提前5ms的点。这三个点,如果不共线,则唯一地标识一个圆。
模块400可以计算最大曲率和平均曲率两者,例如心脏信号数据的3个波形区域和2个PPG信号数据的多达附加10个特征,如关于表1所示和所描述的。
另外,可以确定3个正交平面中的2D投影的平均曲率和最大曲率,例如,以针对心脏信号数据的3个波形区域和2个PPG信号数据提供多达附加30个特征。
涡度表示相空间中构成环路的点的旋转。模块400可以针对环路中的每个点计算涡度,作为将该点连接到原点的矢量的旋度。该点的旋度可以表示为矢量,矢量的大小代表环路中该点的旋转大小。环路中每个点的旋度可以根据等式2来计算。
在等式2中,是连接原点到心脏环路中给定点的矢量,和分别是心脏信号或PPG信号的ORTH1/PPG(x轴)、ORTH2/VPG(y轴)和ORTH3/APG(z轴)的单位矢量。模块400可以计算环路中所有点的平均旋度,例如心脏信号数据的3个波形区域和2个PPG信号数据的多达5个特征,如关于表1所示和所描述的。
环量是对构成环路的点的旋转的宏观测量(而涡度是对环路中的点的局部旋转的量度,并在环路中的每个点处进行计算)。换句话说,环量是整个环路的旋转的表示。可根据等式3进行计算。
等式3中,<x.y>表示矢量x和y之间的点积,V表示环路中两个连续点之间的速度矢量,另外,ds表示环路中两个连续点之间的方向距离矢量,其中M是心脏环路或PPG环路的单个周期的数据点数。模块400可以计算环量,例如心脏信号数据的3个波形区域和2个PPG信号数据的多达附加5个特征,如关于表1所示和所描述的。
另外,可以确定3个正交平面中的每一个中的2D投影的环量,例如,以针对心脏信号数据的3个波形区域和2个PPG信号数据提供多达附加的15个特征。
传播速度可以计算为(i)心脏环路的波形区域或(ii)PPG环路的任意两个连续点之间的欧几里德距离除以这两点采样之间的时间差。由于所有患者的采样率保持恒定,因此两个连续点之间的距离可以用作传播速度的指标。对于示例心脏信号,时间差是1/1000的恒定值(对于1000Hz的下采样信号)。对于PPG信号,时间差是1/250的常数值(对于250Hz的下采样信号)。模块400可以计算最大速度值和平均速度值,例如心脏信号数据的3个波形区域和2个PPG信号数据的多达10个特征,如关于表1所示和所描述的。
根据等式4,偏心率可以使用投影到环路上的垂直长轴和短轴的长度来近似环路偏离圆形的程度。
e=sqrt(1-b2/a2) (等式4)
在等式4中,b是环路的短轴(736)的长度,a是环路的长轴(738)的长度。在图7E所示的示例中,示出了心脏信号数据的VD波形区域710a的投影的偏心率734。模块400可以计算心脏信号数据的3个波形区域或2个PPG信号中的每一个的3个正交投影中的每一个的偏心率,例如以提供多达15个特征。
示例#2–视觉矢量特征
图5示出了作为两个示例视觉特征类别中的第二个的示例视觉环路特征评估模块500,其被配置为确定表征3D相空间中的视觉特性的视觉特征或参数的输出值,例如3D相空间模型中定义的一组矢量的矢量幅度、矢量方位角和仰角相关特征、某些矢量的八分圆位置、以及涡度。图10A-10F将这些矢量示出为心脏信号的最大心房除极矢量(MADV)(1002)、心房复极矢量(ARV)(1004)、最大心室除极矢量(MVDV)(1006)、初始心室除极矢量(IVDV)(1008)、终末心室除极矢量(TVDV)(1010)和最大心室复极矢量(MVRV)(1012)。对于PPG信号数据,图10G示出了可以通过在PPG、VPG和APG波形中定义的基准点来定义矢量,包括收缩压、舒张压、脉冲基底PPG界标矢量(分别为1014、1016、1018);VPG峰值、基底、最小界标矢量(分别为1020、1022、1024),以及APG峰值、基底、最小界标矢量(分别为1026、1028、1030)。表6中提供了这些矢量的定义。可以为3D矢量的2D投影确定附加特征。
表5示出了可以从诸如心脏信号或PPG信号之类的生物物理信号中提取的5个提取的视觉矢量特征的示例集。在实施例中,可以针对心脏或生物电势信号的部分或全部以及2个PPG信号确定5个视觉矢量特征,以提供多达总共82个特征。在表5中,用符号“*”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定升高的LVEDP的存在或不存在。在表5中,用符号“**”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定冠状动脉疾病的存在或不存在。表10A和表10B以及表11A和表11B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着CAD的存在或不存在方面具有显着效用的具体特征的列表。
表5
表6
表7示出了附加的6种类型的提取的视觉矢量特征的示例集,这6种类型的提取的视觉矢量特征可以基于幅度到正交平面的投影或与正交平面所成的角度从诸如心脏信号或PPG信号的生物物理信号中提取。在实施例中,可以针对心脏或生物电势信号的部分或全部以及2个PPG信号确定6个视觉矢量特征,以提供多达总共150个特征。在表7中,用符号“*”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定升高的LVEDP的存在或不存在。在表7中,用符号“**”指定的特征已通过实验确定在评估至少一种心脏病、医学状况或其中任一者的指征的存在或不存在方面具有显着效用,例如确定冠状动脉疾病的存在或不存在。表10A和表10B以及表11A和表11B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着CAD的存在或不存在方面具有显着效用的具体特征的列表。
表7
矢量幅度特征。图10A-10G示出了计算心脏信号和PPG信号的幅度特征的示例操作。每个矢量特征可以通过心脏或PPG信号环路中的起始位置(例如,心脏信号的xstart、ystart、zstart)和结束位置(例如,xend、yend、zend)来指定。模块500可以分别通过计算矢量的ORTH1、ORTH2和ORTH3分量(对于心脏)的平方和的平方根或者计算矢量的PPG、VPG和APG分量(对于PPG)的平方和的平方根,来确定矢量幅度作为三维矢量的量值。模块500可以确定表6的6个心脏矢量和8个PPG矢量的矢量幅度值,例如以提供心脏信号数据和2个PPG信号数据的多达22个特征。
另外,模块500可以计算给定矢量在3个正交平面中的投影的量值,例如作为投影的正交分量之和的平方根。因此,模块500可以针对3个正交平面确定表6的6个心脏矢量和8个PPG矢量的2d幅度值,例如,以提供心脏信号数据和2个PPG信号数据的多达66个特征。
矢量方位角、仰角、2dAngle、VDVR_Angle、3dAngle_VectorPair、2dAngle_VectorPair特征。矢量方位角是心脏信号和PPG信号的每个矢量在3D相空间中的3D矢量的2D投影与预定义轴所成的角度。仰角是给定矢量与该矢量在预定义正交平面(例如ORTH12平面)中的投影的角度。可以以度(或弧度)来计算特征。图11示出了矢量方位角1102和仰角1104的图。模块500可以确定表6的(i)6个心脏矢量的矢量方位角值和仰角值以及(ii)8个PPG矢量的仰角,例如针对心脏信号数据和2个PPG信号数据提供多达28个特征。
另外,模块500可以计算三个正交平面中的给定正交平面的投影矢量与水平轴所成的角度。角度(θ(Theta))的大小可以以度为单位计算。因此,模块500可以针对3个正交平面确定表6的6个心脏矢量和8个PPG矢量的2dAngle值,例如,以提供心脏信号数据和2个PPG信号数据的多达66个特征。
另外,模块500可以计算心室除极平面和心室复极平面之间的角度(VDVR_Angle)作为表6的特征。心室除极平面可以被定义为在心室除极环路中对于所有点具有最小平方残差的平面。
另外,模块500可以计算心脏信号的矢量对(3dAngle_VectorPairs)之间的3D角度。示例性矢量对包括(i)MVDV和MVRV矢量对,(ii)IVDV和MVRV矢量对,(iii)TVDV和MVRV矢量对,(iv)IVDV和MVDV矢量对,以及(v)TVDV和MVDV矢量对。模块500还可以计算三个2D角度:(i)两个矢量在ORTH12平面中的投影之间的2D角度,(ii)两个矢量在ORTH13平面中的投影之间的2D角度,以及(iii)两个矢量在ORTH23平面中的投影之间的2D角度。
模块500因此可以确定5个心脏矢量对的3dAngle值和三个2dAngle值,例如,以提供心脏信号数据的多达20个特征。
八分圆位置和涡度矢量特征。八分圆位置是心脏信号数据的由八分圆标识符(参见表4)给定的矢量的端点位置。模块500可以确定表6的6个心脏矢量的八分圆编号,例如以提供心脏信号数据的多达6个特征。
涡度表示相空间中构成环路的点的旋转,如关于等式2所描述的。模块500可以确定表6的5个MADV、ARV、MVDV、IVDV、TVDV矢量的涡度,例如,心脏信号数据的多达5个特征。
2dAngle_Plane特征。2dAngle是投影矢量与给定正交平面的水平轴所成的角度,例如,以度为单位(见图11B)。模块500可以确定表6的6个心脏矢量在3个正交平面中的2dAngle,例如以提供心脏信号数据的多达18个特征。
示例#3–视觉特征
除了本文讨论的特征之外,例如在示例#1和示例#2中,可以应用cos/sin编码来消除波形边界处的不连续性,以生成新类别的特征。由于相空间中数据的“环量性”,边界处可能会形成不连续性。例如,考虑到边界上的过渡,10.0度和359.9可能仅相差10.1度,但可能看起来相差349.0度(359.9-10.0)。使用cos/sin编码可以促进该环量的显式编码,但代价是从一个特征扩展到两个。
示例计算方法
如上所述,图6示出了根据说明性实施例的视觉环路特征计算模块400或500的实现方式(600),其可以全部或部分地用于生成视觉环路特征或参数以及它们的输出,用于机器学习分类器,来确定与所研究患者的生理系统相关的度量。为了确定表1的示例特征,在一些实施例中,方法600包括(i)信号准备(602),(ii)隔离(604)感兴趣的波形区域,(iii)生成(606)隔离信号的点云相空间模型,以及(iv)确定视觉特征。图6示出了示例心脏信号相空间模型610,其包括针对三个感兴趣片段区域(即,AD波形区域612、VD波形区域614和VR波形区域616)识别的多个心动周期数据。相空间模型610还示出了不属于这三个区域的区域618。图6示出了针对PPG信号622及其相关联的VPG信号624和APG信号626生成的PPG信号相空间模型620的示例。图6还示出了具有感兴趣的基准点的PPG信号相空间模型620,包括收缩期PPG峰值628、舒张期PPG峰值630、峰值VPG 632、最小VPG 634、峰值APG 636、最小APG638、基底APG 640和原点640。
心脏信号准备(602)。对于具有3个正交信号的示例心脏信号,模块400或500可以(i)将采集的信号下采样(例如,通过抽取)至1kHz,(ii)去除信号的瞬态部分(例如,来自采集的信号的前31个信号),(iii)消除基线漂移(例如,通过二阶正向-反向0.67Hz高通滤波器),以及(iv)对信号加窗以生成子信号(例如,分成持续时间为30秒的8个子信号,连续子信号之间有15秒重叠)。
心脏信号描绘(604)。模块400或500可以将经预处理的心脏信号隔离成与心房除极相关联的波形区域(也称为“P波”)、与心室除极相关联的波形区域(也称为QRS波或峰)以及与心室复极相关联的波形区域(也称为“T波”)。图12A示出了用于将经预处理的心脏信号隔离成感兴趣的波形区域的模块400或500的示例实现方式。在图12A所示的示例中,模块400或500可以(i)将经预处理的心脏信号变换为单个时间序列(例如,(ii)检测变换后的时间序列的每个周期中的峰值(例如心室除极),(iii)检测变换后的时间序列的相应的心室除极(VD)起始和心室除极(VD)偏移区域,以及(iv)对VDoff,i和下一个连续周期VDonset,i+1之间的信号进行分段,并将该段的三分之二指定为心室复极区域,其余三分之一指定为心房除极(P波)区域。可以使用其他分割,例如,如D.B.Dubin,Rapid Interpretation of EKG’s:An interactive course,6thed.tampa:Cover Pub,2000中所述。
根据步骤(ii),可以使用被配置为检测局部最大值的任意数量的峰值检测算子(例如,由Mathworks制造的Matlab的“findpeak”函数)来确定心室除极。为了确定心室除极(VD)起始和心室除极(VD)偏移区域,按照步骤(iii),模块400或500可以(a)使用小波变换(例如,使用连续1-D Morlet小波或高斯、墨西哥帽、样条和Mayer小波(例如,作为母小波))对每个通道的预处理信号进行分解,(b)对小波谱进行滤波(例如,通过40-60Hz之间的带通滤波器),(c)生成来自带通滤波小波谱的时间序列信号,以及(d)确定重构信号中具有低于动态阈值的累积功率的索引(例如,将QRS起始和偏移分配给累积功率低于动态阈值时的时间索引,例如累积功率的前25个百分位数,每个检测到的QRS峰值之前和之后的第一时间)。
PPG-信号准备(602)。对于一组光电体积描记信号,模块400或500可以(i)将采集的信号下采样至250Hz,(ii)去除信号的瞬态部分(例如,两个信号的前10秒和最后2秒),(iii)从PPG信号生成速度体积描记图(VPG)和加速度体积描记图(APG)(例如,作为PPG信号中连续点的振幅差或VPG信号中连续点的振幅差),以及(iv)对两个采集的PPG信号之间的PPG、VPG和APG信号的信号值进行归一化(例如,使用z分数变换)。
PPG-信号描绘(604)。模块400或500可以描绘经预处理的PPG、VPG和APG信号以识别收缩压、舒张压、脉冲基底PPG界标矢量(分别为1014、1016、1018);VPG峰值、基底、最小界标矢量(分别为1020、1022、1024),以及APG峰值、基底、最小界标矢量(分别为1026、1028、1030)。表8A、表8B和表8C分别总结了PPG界标(landmark,特征点)、VPG界标和APG界标的示例方法。
表8A
表8B
表8C
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、医学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无创评估的算法和特征。
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关于图2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(当前用于CAD和异常LVEDP评价的“金标准”测试),并评价导管插入结果的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,另一个群组用于其验证。
在特征开发阶段内,开发了特征,包括视觉特征,以从旨在表示心血管系统的特性的生物电势信号(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信号的示例)提取分析框架中的特性。还使用分类器模型、线性模型(例如弹性网(Elastic Net))、决策树模型(XGB分类器、随机森林模型等)、支持矢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参见申请号为63/235,960、2021年8月23日提交的、标题为“Method and System to Non-Invasively Assess ElevatedLeft Ventricular End-Diastolic Pressure”的美国临时专利申请,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来定义。t检验是一种统计检验,其可以确定方差未知的两个群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,正常的LVEDP与升高的(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。
进行互信息(MI)操作以评估升高或异常的LVEDP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)与假阳性率(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6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6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6
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10A和表10B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升高的LVEDP的存在或不存在方面具有效用的视觉特征的列表。表10A和表10B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可比的的临床性能。
表10A
表10B
表11A和表11B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着CAD的存在和不存在方面具有效用的视觉特征的列表。表11A和表11B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可比的临床性能。表11A和表11B(以及表10A和表10B)中的每个特征通常由矢量(例如,“AD”、“IVDV”、“MVDV”、“TVDV”、“VD”、“baseVPG”、“diasVPG”等)、特征类型(例如“2Dangle”、“Azimuth(方位角)”)和关联通道命名。在适用的情况下,在特征类型和关联通道之间提供象限信息(例如“Quad1”、“Quad2”等)。
表11A
表11B
某些视觉特征在估计升高的LVEDP的存在和不存在或显着的CAD的存在和不存在方面具有临床效用的确定提供了在估计特别是但不限于本文描述的心脏病或病症的其他疾病、医学状况或其中任一者的指征的存在或不存在和/或严重性和/或定位方面使用这些视觉特征或参数以及本文描述的其他特征的基础。
示例性临床评价系统
图12A示出了示例临床评价系统1200(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视觉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和图5的)通常可以被视为系统(例如,临床评价系统1200)的一部分,其中可以针对疾病状态、医学状况、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12A中另外示出,其中临床评价系统1200是模块化设计,其中疾病特定附加模块1202(例如,评估升高的LVEDP或mPAP、CAD、PH/PAH、异常LVEF、HFpEF和本文描述的其他疾病)能够单独或在多个实例中与单一平台(即,基础系统1204)集成以实现系统1200的完整操作。模块化允许临床评价系统1200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,因为开发了这种疾病特定的算法,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1200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、医学状况或感兴趣的指示病症进行配置。在另一实施例中,临床评价系统1200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12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,可以存在具有或不具有视觉特定特征的图1的模块的任何数量的实施例。
在图12A中,系统1200可以使用机器学习的疾病特定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作为一个示例的升高的LVEDP的可能性。系统1200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,评估疾病状态、医学状况或其中任何一者的指征的存在或不存在。
基础系统1204可以提供功能和指令的基础,每个附加模块1202(其包括疾病特定算法)然后基于该基础进行接口以评估病理或指示病症。如图12A的示例所示,基础系统1204包括基础分析引擎或分析器1206、网络服务数据传输API 1208(示为“DTAPI”1208)、报告数据库1210、网络门户服务模块1213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,七通道导联组和光电体积描记图(PPG)传感器牢固地附接(即,不可移除)。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流动力学信号。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是安全的基于云的数据库,其被配置为接受和存储患者特定数据包并允许分析引擎或分析器1206或1214对其进行检索。
基础分析引擎或分析器1206是安全的基于云的处理工具,其可以执行所采集的信号的质量评估(经由“SQA”模块1216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1206还可以对所采集的生物物理信号(例如,110-参见图1)执行预处理(通过预处理模块1218示出)。网络门户1213是安全的基于网络的门户,其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。网络门户1213的示例输出由可视化1236示出。报告数据库(RD)1212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,网络门户1213由呼叫中心访问以通过电话提供输出临床信息。数据库1212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1202包括与基础分析引擎(AE)或分析器1206一起操作的第二部分1214(本文中也称为分析引擎(AE)或分析器1214并且示为“AE附加模块”1214)。分析引擎(AE)或分析器1214可以包括给定疾病特定算法的主功能循环,例如特征计算模块1220、分类器模型1224(示出为“集合”)模块1224),以及异常值评估和拒绝模块1224(示为“异常值检测”模块1224)。在某些模块化配置中,分析引擎或分析器(例如,1206和1214)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)执行分析管线,该分析管线分析包括所采集的生物物理信号的新信号捕获数据文件以使用疾病特定算法来计算患者分数。为了执行分析管线,AE附加模块1214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的指令以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1214中的分析管线可以计算特征或参数(示出为“特征计算”1220)并且通过提供基于特征的异常值与非异常值相比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”1222)。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1214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1224)。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1200可以使用网络服务DTAPI 1208(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 1208可用于从数据储存库112a检索采集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DTAPI1208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,1206、1214),并且分析引擎对患者信号分析的结果可以使用DTAPI 1208传送到报告数据库1210。DTAPI 1208还可以根据医疗保健专业人员的请求用于检索给网络门户模块1213的给定患者数据集,该网络门户模块1213可以向医疗保健从业者提供报告,以供在安全的网络可访问界面中进行审查和解释。
临床评价系统1200包括一个或多个特征库1226,其存储视觉特征120和特征模块122的各种其他特征。特征库1226可以是附加模块1202(如图12A所示)或基础系统1204(未示出)的一部分,并且在一些实施例中由AE附加模块1214访问。
模块的模块化和各种配置的进一步细节在申请号为63/235,960、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12B示出了根据说明性实施例的图12A的临床评价系统1200的分析引擎或分析器(例如,1206和1214)的操作和工作流程的示意图。
信号质量评估/拒绝(1230)。参考图12B,基础分析引擎或分析器1206在分析管线正在执行时经由SQA模块1216评估(1230)所采集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所采集的信号数据被认为是可接受的(即“通过”),并由AE附加模块1214进一步处理和分析与病理或指示病症相关的度量的存在(例如,升高的LVEDP或mPAP、CAD、PH/PAH、异常LVEF、HFpEF)。被认为不可接受的所采集的信号被拒绝(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额外信号(参见图2)。
基础分析引擎或分析器1206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(1230)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力线噪声。血液动力学信号评估(1230)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升高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(1232)。AE附加模块1214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1214确定属于18个不同特征族的总共446个特征输出(例如,在模块120和122中生成),包括视觉特征(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:美国临时专利申请号:63/235,960,于2021年8月23日提交,标题为“Method and System to Non-Invasively Assess Elevated LeftVentricular End-Diastolic Pressure”;美国临时专利申请号:63/236,072,于2021年8月23日提交,标题为“Methods and Systems for Engineering Visual Features FromBiophysical Signals for Use in Characterizing Physiological Systems”;美国临时专利申请号:63/235,963,于2021年8月23日提交,标题为“Methods and Systems forEngineering Power Spectral Features From Biophysical Signals for Use inCharacterizing Physiological Systems”;美国临时专利申请号:63/235,966,于2021年8月23日提交,标题为“Method and System for Engineering Rate-Related FeaturesFrom Biophysical Signals for Use in Characterizing Physiological Systems”;美国临时专利申请号:63/235,968,于2021年8月23日提交,标题为“Methods and Systemsfor Engineering Wavelet-Based Features From Biophysical Signals for Use inCharacterizing Physiological Systems”;美国临时专利申请号:63/130,324,标题为“Method and System to Assess Disease Using Cycle Variability Analysis ofCardiac and Photoplethysmographic Signals”;美国临时专利申请号:63/235,971,于2021年8月23日提交,标题为“Methods and Systems for Engineeringphotoplethysmographic Waveform Features for Use in CharacterizingPhysiological Systems”;美国临时专利申请号:63/236,193,于2021年8月23日提交,标题为“Methods and Systems for Engineering Cardiac Waveform Features FromBiophysical Signals for Use in Characterizing Physiological Systems”;美国临时专利申请号:63/235,974,于2021年8月23日提交,标题为“Methods and Systems forEngineering Conduction Deviation Features From Biophysical Signals for Use inCharacterizing Physiological Systems”,上述每一篇在此均通过引用方式全文并入本文。
分类器输出计算(1234)。AE附加模块1214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1214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,如LVEDP算法的示例中的等式6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:美国专利公开号:20190026430,题为“Discovering Novel Features to Use inMachine Learning Techniques,such as Machine Learning Techniques forDiagnosing Medical Conditions”;或美国专利公开号:20190026431,题为“DiscoveringGenomes to Use in Machine Learning Techniques”,以上每一篇在此均通过引用方式全文并入本文。
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[9]、4个RandomForestClassifier机器学习分类器模型[10]、以及5个极限梯度提升(XGB)分类器模型[11]。在一些实施例中,可以使用患者的元数据信息,例如年龄、性别和BMI值。集合估计的输出可以是连续分数。通过减去用于在网络门户内呈现的阈值,可以将分数向零阈值移动。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用于测试阳性(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合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S型函数对模型估计进行平均。
医师门户可视化(1236)。患者的报告可以包括所采集的患者数据和信号以及疾病分析结果的可视化1236。在一些实施例中,分析以报告中的多个视图呈现。在图12B所示的示例中,可视化1236包括分数汇总部分1240(示为“患者LVEDP分数汇总”部分1240)、阈值部分1242(示为“LVEDP阈值统计”部分1242)和频率分布部分1244(示为“频率分布”部分1208)。医疗保健提供者(例如医生)可以审查报告并对其进行解释,以提供疾病的诊断或生成治疗计划。
如果给定患者的采集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,报告可能会表明疾病特定的结果(例如LVEDP升高)可用。用于疾病特定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12B的示例中所示的分数汇总部分1240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1240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1242示出了提供给验证群体的定义用于患者分数(例如,118)的估计的敏感性和特异性的阈值的报告的统计数据。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,为了准确,都可以基于所提供的敏感性和特异性信息进行解释。对于给定的疾病特定分析以及临床评价的更新,分数可能会发生变化。
频率分布部分1244示出了两个验证群体(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)中所有患者的分布。图表(1246、1248)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1240包括:第一图表1246(示为“未升高的LVEDP群体”1246),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1248(示为“升高的LVEDP群体”1248),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1246示出了验证群体的未升高的LVEDP分布,其识别真阴性(TN)和假阳性(FP)区域。第二图表1248示出了验证群体的升高的LVEDP分布,其识别假阴性(TN)和真阳性(FP)区域。
频率分布部分1240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,表明患者具有“不太可能升高的LVEDP”。
该报告可以呈现在医疗保健门户中,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、医学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(1238)。在AE附加模块1214计算特征值输出(在过程1232中)之后并且在将它们应用到分类器模型(在过程1234中)之前,AE附加模块1214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1238中所示)。在一些实施例中,异常值分析评价过程1238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,这些孤立区域与其余观测值不是同分布。过程1238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)泛化来识别测试集中的所有标记异常值。
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。本文讨论的视觉特征可最终被采用以使用类似或其他开发方法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、医学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、肺高血压和本文描述的其他病理。另外,示例性分析,包括视觉特征,可以用于诊断和治疗其他心脏相关的病理和指示病症以及神经相关的病理和指示病症,这样的评估可以应用于活体的任何相关系统中生物物理信号所涉及的任何病理或指示病症的诊断和治疗(包括外科手术、微创和/或药物治疗)。心脏背景的一个实例是CAD和本文公开的其他疾病、医学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病症包括例如心律失常、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、指示病症和/或疾病。可以诊断的神经相关疾病、病理或指示病症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病症(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病症/影响、耳鸣和其他听力相关疾病/指示病症和视力相关疾病/指示病症。
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、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。
在本文披露的示例方法和系统中可以使用的进一步的处理示例描述在以下文献中: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公开号: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,以上每一个文献在此均通过引用方式全文并入本文。
Claims (20)
1.一种非侵入性地评估与受试者的疾病状态或异常状况相关联的度量的方法,该方法包括:
通过一个或多个处理器获得所述受试者的生物物理信号数据集;
通过所述一个或多个处理器确定所述生物物理信号数据集的一个或多个视觉预测器相关属性的值;以及
通过所述一个或多个处理器,部分地基于将所述一个或多个视觉预测器相关属性的所确定的值应用于所述度量的估计模型来确定对于与所述疾病状态或异常状况相关联的所述度量的存在的估计值,
其中,在所述估计模型中使用对于所述度量的存在的估计值来非侵入性地估计预期疾病状态或状况的存在,以用于诊断所述预期疾病状态或状况或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,其中所述生物物理信号数据集包括针对三个测量通道获取的生物电势信号。
3.根据权利要求1所述的方法,其中所述生物物理信号数据集包括从光学传感器获取的光电体积描记信号。
4.根据权利要求2或3所述的方法,还包括:
通过所述一个或多个处理器生成所述生物物理信号数据集的相空间模型;
通过所述一个或多个处理器确定从所述相空间模型提取的一个或多个特征的一个或多个值,其中所述一个或多个特征选自由以下特征组成的组:
与所述相空间模型的三维周长相关联的特征;
与所述相空间模型中确定的最大拟合平面内封闭的面积相关联的特征;
与在所述相空间模型中确定的三维平均曲率或三维最大曲率相关联的特征;
与定义所述相空间模型中的环路的点的旋转的宏观量度相关联的特征;
与所述相空间模型中确定的旋度矢量的量值的平均值相关联的特征;以及
与所述相空间模型中定义的环路中的连续点之间的欧几里德距离相关联的特征。
5.根据权利要求1-4中的任一项所述的方法,还包括:
通过所述一个或多个处理器生成所述生物物理信号数据集的相空间模型的正交投影;
通过所述一个或多个处理器确定从所述正交投影提取的一个或多个特征的一个或多个值,其中所述一个或多个特征选自由以下特征组成的组:
与所述正交投影中定义的环路的二维周长相关联的特征;
定义象限的特征,该象限具有在所述正交投影中定义的环路的最大二维周长;
与所述正交投影中定义的环路的二维面积相关联的特征;
定义象限的特征,该象限具有在所述正交投影中定义的环路的最大二维面积;
与所述正交投影中定义的环路的偏心率相关联的特征;
与在所述正交投影中确定的二维平均曲率或二维最大曲率相关联的特征;以及
与定义所述正交投影中的环路的点的旋转的宏观量度相关联的特征。
6.根据权利要求1-5中的任一项所述的方法,还包括:
通过所述一个或多个处理器确定从所述生物物理信号数据集中提取的特征的一个或多个值,所述生物物理信号数据集包括光电体积描记信号或其导出量的其中所述一个或多个特征选自由以下特征组成的组:
由将所述光电体积描记信号中的预定义原点界标连接到所述光电体积描记信号中确定的峰值位置的矢量定义的特征;
由将i)从所述光电体积描记信号导出的速度体积描记信号中的预定义原点界标连接到ii)在所述速度体积描记信号中确定的峰值位置的矢量定义的特征;
由将i)从所述光电体积描记信号导出的所述速度体积描记信号中的预定义原点界标连接到ii)在所述速度体积描记信号中确定的最小值位置的矢量定义的特征;
由将i)从所述光电体积描记信号导出的所述速度体积描记信号中的预定义原点界标连接到ii)在所述速度体积描记信号中确定的基底位置的矢量定义的特征;
由将i)从所述光电体积描记信号导出的加速度体积描记信号中的预定义原点界标连接到ii)在所述加速度体积描记信号中确定的峰值位置的矢量定义的特征;
由将i)从所述光电体积描记信号导出的所述加速度体积描记信号中的预定义原点界标连接到ii)在所述加速度体积描记信号中确定的最小值位置的矢量定义的特征;以及
由将i)从所述光电体积描记信号导出的所述加速度体积描记信号中的预定义原点界标连接到ii)在所述加速度体积描记信号中确定的基底位置的矢量定义的特征。
7.根据权利要求1-6中的任一项所述的方法,还包括:
通过所述一个或多个处理器生成所述生物物理信号数据集的相空间模型;以及
通过所述一个或多个处理器确定从所述生物物理信号数据集中提取的特征的一个或多个值,其中所述一个或多个特征选自由以下特征组成的组:
由连接所述心脏信号中的心脏信号峰值界标中的预定义原点界标的三维矢量定义的特征;
由将所述光电体积描记信号中的预定义原点界标连接到所述光电体积描记信号中确定的峰值、最小值或基底位置的三维矢量定义的特征;
由仰角定义的特征,该仰角定义将所述预定义的原点界标连接到所述心脏信号中的峰值界标的三维矢量;
由将i)从所述光电体积描记信号导出的速度体积描记信号中的预定义原点界标连接到所述速度体积描记信号中确定的峰值、最小值或基底位置的三维矢量定义的特征;
由将i)从所述光电体积描记信号导出的加速度体积描记信号中的预定义原点界标连接到ii)在所述加速度体积描记信号中确定的峰值、最小值或基底位置的三维矢量定义的特征;
由仰角定义的特征,该仰角定义将所述光电体积描记信号中的预定义原点界标连接到所述光电体积描记信号中确定的峰值、最小值或基底位置的三维矢量;
由仰角定义的特征,该仰角定义将i)从所述光电体积描记信号导出的速度体积描记信号中的预定义原点界标连接到ii)所述速度体积描记信号中确定的峰值、最小值或基底位置的三维矢量;以及
由仰角定义的特征,该仰角定义将i)从所述光电体积描记信号导出的加速度体积描记信号中的预定义原点界标连接到ii)所述加速度体积描记信号中确定的峰值、最小值或基底位置的三维矢量。
8.根据权利要求1-7中的任一项所述的方法,还包括:
通过所述一个或多个处理器生成所述相空间模型;以及
通过所述一个或多个处理器确定从所述生物物理信号数据集中提取的特征的一个或多个值,所述生物物理信号数据集包括光电体积描记信号或其导出量,其中所述一个或多个特征选自由以下特征组成的组:
由矢量的二维量值定义的特征,该矢量定义在i)所述相空间模型中定义的一个或多个正交平面的投影中的原点位置和ii)所述正交平面中的峰值、最小值或基底位置之间;以及
由矢量的角度定义的特征,该矢量定义在i)所述相空间模型中定义的一个或多个正交平面的投影中的原点位置和ii)所述正交平面中的峰值、最小值或基底位置之间。
9.根据权利要求1-8中的任一项所述的方法,还包括:
通过所述一个或多个处理器生成所述生物物理信号数据集的相空间模型;以及
通过所述一个或多个处理器确定从所述生物物理信号数据集中提取的特征的一个或多个值,所述生物物理信号数据集包括光电体积描记信号或其导出量,其中所述一个或多个特征包括由所述相空间模型中的定义的几何形状的表面积或体积参数定义的特征。
10.根据权利要求9所述的方法,其中所述定义的几何形状包括阿尔法包形状或凸包形状。
11.根据权利要求1-10中的任一项所述的方法,还包括:
通过所述一个或多个处理器使得生成对于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。
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视觉预测器相关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、支持矢量机模型,神经网络模型组成的组的模型中。
13.根据权利要求12所述的方法,其中所述模型还包括选自由以下项组成的组的特征:
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。
14.根据权利要求1-13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。
15.根据权利要求1-14中的任一项所述的方法,还包括:
通过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
通过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。
16.根据权利要求1-14中的任一项所述的方法,还包括:
通过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
通过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。
17.根据权利要求1-16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。
18.根据权利要求1-16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。
19.一种系统,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1-18所述的方法中的任一项。
20.一种非暂时性计算机可读介质,其上存储有指令,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1-18所述的方法中的任一项。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163236072P | 2021-08-23 | 2021-08-23 | |
US63/236,072 | 2021-08-23 | ||
PCT/IB2022/057794 WO2023026151A1 (en) | 2021-08-23 | 2022-08-19 | Methods and systems for engineering visual features from biophysical signals for use in characterizing physiological systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118119331A true CN118119331A (zh) | 2024-05-31 |
Family
ID=85322540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280069594.4A Pending CN118119331A (zh) | 2021-08-23 | 2022-08-19 | 用于将来自生物物理信号的视觉特征工程化以用于表征生理系统的方法和系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230071085A1 (zh) |
EP (1) | EP4391888A1 (zh) |
JP (1) | JP2024532280A (zh) |
CN (1) | CN118119331A (zh) |
CA (1) | CA3229089A1 (zh) |
WO (1) | WO2023026151A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9289150B1 (en) * | 2012-08-17 | 2016-03-22 | Analytics For Life | Non-invasive method and system for characterizing cardiovascular systems |
CN108024730B (zh) * | 2015-06-25 | 2021-01-22 | 生命解析公司 | 使用数学分析和机器学习来诊断疾病的方法和系统 |
US20200211713A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Method and system to characterize disease using parametric features of a volumetric object and machine learning |
-
2022
- 2022-08-19 EP EP22860719.8A patent/EP4391888A1/en active Pending
- 2022-08-19 WO PCT/IB2022/057794 patent/WO2023026151A1/en active Application Filing
- 2022-08-19 CA CA3229089A patent/CA3229089A1/en active Pending
- 2022-08-19 CN CN202280069594.4A patent/CN118119331A/zh active Pending
- 2022-08-19 US US17/891,526 patent/US20230071085A1/en active Pending
- 2022-08-19 JP JP2024512055A patent/JP2024532280A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023026151A1 (en) | 2023-03-02 |
CA3229089A1 (en) | 2023-03-02 |
EP4391888A1 (en) | 2024-07-03 |
JP2024532280A (ja) | 2024-09-05 |
US20230071085A1 (en) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220192596A1 (en) | Method and system for engineering cycle variability-related features from biophysical signals for use in characterizing physiological systems | |
US20230075634A1 (en) | Methods and systems for engineering conduction deviation features from biophysical signals for use in characterizing physiological systems | |
US20230055617A1 (en) | Methods and Systems for Engineering Photoplethysmographic-Waveform Features From Biophysical Signals for Use in Characterizing Physiological Systems | |
JP2024532279A (ja) | 上昇左心室拡張末期圧を非侵襲的に査定するための方法及びシステム | |
US20230071085A1 (en) | Methods and systems for engineering visual features from biophysical signals for use in characterizing physiological systems | |
US20230076069A1 (en) | Methods and Systems for Engineering Cardiac Waveform Features From Biophysical Signals for Use in Characterizing Physiological Systems | |
US20230127355A1 (en) | Methods and Systems for Engineering Respiration Rate-Related Features From Biophysical Signals for Use in Characterizing Physiological Systems | |
US20230072281A1 (en) | Methods and Systems for Engineering Wavelet-Based Features From Biophysical Signals for Use in Characterizing Physiological Systems | |
US20230075570A1 (en) | Methods and Systems for Engineering Power Spectral Features From Biophysical Signals for Use in Characterizing Physiological Systems |
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 |