CN118119333A

CN118119333A - 用于将来自生物物理信号的传导偏差特征工程化以用于表征生理系统的方法和系统

Info

Publication number: CN118119333A
Application number: CN202280070111.2A
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: 2024-05-31
Also published as: WO2023026158A1; JP2024534131A; US20230075634A1; EP4391894A1; CA3229112A1

Abstract

公开了一种临床评估系统和方法，其有助于使用从诸如心脏或生物电势信号的生物物理信号确定的一个或多个传导偏差特征或参数。传导偏差特征或参数可以包括VD传导偏差特征或参数和/或VD传导偏差庞加莱特征或参数。传导偏差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，以估计与患者的生理状态相关的度量，包括是否存在疾病、医疗状况、或两者中任一者的指征。所估计的度量可以用于辅助医师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

用于将来自生物物理信号的传导偏差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.63/235,974，于2021年8月23日提交，标题为“Methods and Systems for Engineering ConductionDeviation Features From Biophysical Signals for Use in CharacterizingPhysiological 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、活动和异常的传导偏差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(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，其有助于使用从诸如心脏信号或生物电势信号的生物物理信号确定的一个或多个传导偏差特征或参数。传导偏差特征或参数可以包括心室除极(VD)传导偏差特征或参数和/或VD传导偏差庞加莱特征或参数。传导偏差特征或参数可以用在模型或分类器(例如，机器学习的分类器)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。

VD传导偏差属性是一组度量，其可以量化输入信号(例如，诸如心脏信号的生物物理信号)与所采集信号的模型在低维子空间中的偏差。在一些实施例中，模型由多维傅立叶分解器(MDFD)生成，可以根据输入信号和模型之间的差异生成残差，但是也可以使用其他信号估计技术。

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方式。在某些情况下，确定可以采取数值分数和相关信息的形式。

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、病症或任一者的指征进行评价，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传导偏差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各自示出了在诊断、治疗、监测或跟踪的实际应用中使用传导偏差特征/参数或其中间数据的示例方法。

图4说明了根据说明性实施例的示例性心室除极传导偏差特征计算模块，其被配置为确定与一个或多个采集的生物物理信号的属性相关联的VD传导偏差的值。

图5说明了根据说明性实施例的示例心室除极传导偏差庞加莱特征计算模块，其被配置为确定从一个或多个采集的生物物理信号的VD传导偏差相关联属性导出的庞加莱模型的值。

图6示出了根据说明性实施例的使用信号分解运算对生物物理信号进行建模的示例方法。

图7A的图示出了根据说明性实施例的三个通道的示例心脏信号的估计模型信号，其由与源输入信号相关的、图4的信号估计方法生成。

图7B示出了根据说明性实施例的相空间中的图5A的模型信号和样本信号。

图7C示出了对应于心室除极传导偏差的残差点云模型的相空间3D散点图。

图8A、图8B和图8C各自示出了根据说明性实施例的用于评估图6的模块的心室除极传导偏差特征的示例方法。

图9A示出了根据说明性实施例的由图6的心室除极传导偏差特征计算模块使用的信号的隔离心室除极区域的计算的传导偏差距离的示例。

图9B示出了根据说明性实施例的隔离的心室除极区域。

图9C示出了根据说明性实施例的可以针对多个周期计算的每个所获取通道的信号的隔离心室除极区域内的计算的传导偏差。

图9D示出了根据说明性实施例的应用于排序的传导偏差距离数据集的示例拟合。

图10的图示出了根据说明性实施例的由图7的心室除极传导偏差特征计算模块使用的评估心室除极传导偏差的庞加莱图的示例方法。

图11示出了根据说明性实施例的可用于分析最大传导偏差幅度的动态的庞加莱图。

图12A示出了根据说明性实施例的示例性临床评价系统的示意图，该系统被配置为使用传导偏差特征以及其他计算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，报告传导偏差特征、参数或本文讨论的中间输出)。

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，其引起心肌收缩。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、或其他方式采集的那些。

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，可以通过诸如测量在诸如时间和/或频率的各个域中的电压/电势(例如，生物电势)、阻抗、电阻率、电导率、电流等的等技术观察、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(acquire，获取)生物物理信号的任何被动(passive)或主动(active)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的或感应的电、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，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传导偏差(conduction deviation)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(metrics)。所述模块或组件可用于所述传导偏差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特定的疾病或病症。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，所述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(passive)温度计、扫描仪、相机、X射线、磁性或本文讨论的非接触式或接触式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 and Apparatus 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 PhaseGradient Signal Acquisition”的美国专利公开No.2018/0249960中进行了描述，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中示出为包括传导偏差特征模块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，包括传导偏差特征的值，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，所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 Ventricular End-Diastolic Pressure”；美国专利公开No.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No.20190026431，标题为“Discovering Genomes to Use in Machine Learning 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将该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“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传导偏差特征或其中间输出的示例方法。

疾病状态或指示状况的存在的估计。图3A示出了方法300a，其采用传导偏差相关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)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)数据集并确定传导偏差特征的值的步骤，所述传导偏差特征量化输入信号(例如，诸如心脏信号的生物物理信号)与所获取的低维度子空间中的信号的模型的偏差。参考本文稍后将讨论的图4-11提供了确定基于传导偏差的特征的值的示例操作。方法300a还包括：基于将所确定的传导偏差特征应用于估计模型(例如，ML模型)来确定(306)对于疾病状态、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12A和图12B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12A和图12B以及本文描述的其他示例所描述的。

使用传导偏差特征或参数进行诊断或状态监测或跟踪。图3B示出了采用传导偏差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进一步包括：确定(310)传导偏差特征或根据所获取的生物物理数据集确定传导偏差特征，例如，如关于图4-11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)传导偏差特征或参数(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装置、手持装置或医疗诊断设备(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，输出可用于复苏系统、心脏或肺压力测试设备以及起搏器。

心室除极传导偏差分析

图4和图5均示出了根据说明性实施例的示例性传导偏差分析特征计算模块，总共两个示例性模块，它们被配置为确定生物物理信号的传导性偏差特征或参数的值。VD传导偏差特征计算模块400可以计算传导性跳跃(conductive skipping)的评估，包括传导跳跃的次数、传导跳跃的最大次数、传导跳跃的张力(tonicity)以及传导跳跃相对于基线的相对时间。模块400还可以计算传导偏差距离分布的形状的评估，包括与对传导偏差的排序分布应用的拟合(fit)相关联的衰减系数(decay coefficent)、距离分布的中值、分布的均值、分布的标准偏差以及分布的相对大小。VD传导偏差庞加莱特征计算模块600可以确定XY、YZ和XZ通道上的传导跳跃的庞加莱评估。该评估可以包括确定多个值，这些值包括庞加莱模型的阿尔法包(alpha hull)的半径、庞加莱模型的阿尔法包的表面积、庞加莱模型的阿尔法包的周长、庞加莱模型的阿尔法包的周长与表面积的比值、庞加莱模型的阿尔法包的密度、庞加莱模型的凸包的表面积、庞加莱模型的形状的空隙面积(阿尔法包与阿尔法包的表面积之差)、以及庞加莱模型的形状的孔隙率(空隙面积与凸包表面积之比)。

传导偏差(conduction deviation)可以被定义为所获取的信号与相空间中的建模信号的空间偏差。该模型可以在约化空间(reduced space)(维度为3×M的数组，其中M<N)中表示所采集的信号(维度为3×N的数组)，该空间捕获信号的基本特征，对于其，可以生成所述模型与所获取的信号之间的残差(residue)。为此，该模型可以被视为降维信号，该降维信号旨在保留信号中嵌入的重要信息，同时忽略更高维的信息。

在一些实施例中，使用多维傅立叶分解器(decomposer)(MDFD)来对心脏信号建模。可以使用其他信号建模方法，包括稀疏分解算法，例如匹配追踪(Matching Pursuit)、正交匹配追踪(Orthogonal Matching Pursuit)、套索(Lasso)、快速正交搜索(FastOrthogonal Search)等。

使用多维傅立叶分解器(MDFD)进行信号建模

MDFD是一种基于傅立叶的算法，可以通过迭代选择候选项来分解多维时间序列(MDTS)，这些候选项共同形成子空间信号模型。

图6示出了根据说明性实施例的使用信号估计操作402(例如，多维傅立叶分解器)对生物物理信号进行建模的示例方法600。在图6中，方法600可以包括信号准备操作604(例如，经由预处理模块)，信号准备操作604被配置为去除瞬态时间(以提供用于分析的子信号)、去除基线漂移、以及对所获取的生物物理信号进行下采样。

多维傅立叶分解器602可以通过基于快速傅立叶函数及其幂来评估每个候选基(candidate basis)(例如，复正交正弦和余弦对、指数、复基(complex basis)等)，将给定信号分解606为其频率分量。分解器602可以首先将快速傅立叶函数应用606到预处理后的信号以确定复傅立叶系数。FFT计算一次，并根据计算进行选择。在一些实施例中，作为复数傅立叶系数的候选基是被定义为a·cos(πωt)和b·sin(πωt)的成对基，其中ω是频率，并且a和b是与该频率的功率相关联的计算系数。

为了提高计算效率，在一些实施例中，方法600被配置为将正交基(也称为候选者(candidates))的数量限制为小于输入信号的原始维度。假设输入信号的维度等于信号(N)中数据点的数量。并且，给定信号维度和采样频率(f_s)，可以根据等式1基于模型截止频率(f_cut-off)计算候选者的数量(M)。

在等式1中，f_cut-off<f_s可被应用来创建维度小于输入信号的子控件，M<N，同时仍足以获取主要频率分量。截止频率可以通过实验来确定，该实验评估不同的截止频率并确定方法600的所得残差是否存在任何变化(例如，功率或SNR)。在一些实施例中，截止频率40Hz用作用于对信号建模的低通滤波器。截止频率的变化可能会改变残差分布，因此应根据一些示例信号来选择截止频率。在示例中，对于采样频率为1KHz、维度为183000×3的预处理信号(对应于长度为183秒的信号)，使用40Hz的截止频率会导致信号的维度减少到7321×3(即从1000Hz/40Hz减少25倍)。并且，对于7321×3成对候选者，MDFD算法可以使用14642个非成对正弦和余弦候选者来对信号集进行建模。

方法600可以基于对于给定频率的计算功率来选择608候选者。为了进一步减小信号的维度，操作608可以通过在频域中选择候选者来限制能量子空间以包含信号能量的最高百分位(top percentile)。在一些实施例中，相对于信号的功率对傅立叶空间(傅立叶系数和频率)进行排序，并且选择与80％子空间能量相关联的候选的子集。

一旦选择了候选基，方法600就可以通过构造复傅立叶系数的增广镜像矩阵(augmented mirrored matrix)来合成610子空间模型。在构造复傅立叶系数矩阵期间，可以保留与所选频率相关联的任何系数，同时将未选频率的系数设置为零。在进行逆FFT时，生成关于奈奎斯特频率的对称的FFT系数增广矩阵，使得复数傅立叶系数具有相同的实部和负虚部。例如，如果奈奎斯特为100，则镜像系数为90和110，它们是各自的共轭。

方法600可以执行612逆FFT以合成所获取的信号的时间序列多通道估计信号并且计算所述时间序列多通道估计信号与所获取的信号之间的残差。可以从残差的部分中提取特征并对残差进行分析。

MDFD算法可以通过模型输入参数进行调整，例如通过下采样频率、候选池最小频率或间隔、候选池最大频率、模型持续时间、模型起始点和点云模型持续时间等。表1列出了在此讨论的一些实施例中用于对信号进行建模并生成传导偏差特征的MDFD输入参数及其值的示例。

表1

图7A的图示出了根据说明性实施例的对于三个通道的心脏信号的估计模型信号702(示出为702a、702b、702c)，在该示例中，心脏信号是由图6的信号估计方法(例如，通过MDFD)与源输入信号704相关地生成的。图7B示出了相空间(即，相空间坐标系)中的相同模型信号702和样本信号704(预处理并示出为“原始信号”)，其中在该相空间中，每个轴对应于所述三个通道的所采集的心脏信号。

在图7A和图7B中，可以观察到方法600(例如，MDFD)可以在时域和相空间子空间中充分且有效地捕获波形的形态。值得注意的是，与高频活动相对应的凹口(notch)和波动(fluctuation)(例如，显示为接近704b)可以观察到而不进行建模。信号704和模型702之间的这些差异代表传导偏差，其可以被有效地捕获为信号704和模型702之间的残差。

图7C示出了对应于心室除极传导偏差的残差点云模型706的相空间3D散点图(scatter plot)。在图7C中，传导偏差点云(y')被构造为对于每个相对应的通道组、根据等式2、在相空间中的任何相对应数据点处输入信号(y)(例如704)和模型之间的差异。

通过增加候选者的数量可以实现更高精度的模型，该模型更类似于具有更多细节的输入信号；然而，这可能会导致残差和随后的传导偏差分析中驻留的信息较少。据观察，在MDFD算法中使用80％的最高能量候选信号可以在模型精度和传导偏差之间提供稳健的权衡，尽管也可以使用其他百分位数(例如50％和99％之间的任何百分位数，例如，50％、55％、60％、65％、70％、75％、80％、85％、90％、95％、97.5％、99％)。在后续分析中使用残差有助于对输入信号中的较低能量的准周期分量进行计算有效的(computation-efficient)量化，这些准周期分量可指示心室除极的异常传导，并且通常需要更多的计算资源来建模或者可能完全不能建模(例如，具有混沌分量)。

在一些实施例中，方法600包括计算模型的导数。为了提高计算效率，可以通过将模型的各项乘以i2πf_i来在频域(而不是时域)中执行导数。从数学上可以证明，离散信号y^N(n)的时间导数可以在频域上通过等式3和等

式4替换地得到。

因此，在频域中乘以因子i2πf_i，然后进行逆FFT，可以提供与在时域中对信号求导类似的结果，但具有非常高的计算效率。在一些实施例中，导数信息用于对所得到的相空间模型进行着色。在其他实施例中，导数信息被用作提取的特征的一部分。

心室除极传导偏差特征示例#1

图4示出了根据说明性实施例的示例心室除极传导偏差特征计算模块400，作为两个示例特征或参数类别中的第一个，其被配置为确定一个或多个采集的生物物理信号的VD传导偏差相关属性的值。如图4所示，心室除极传导偏差特征计算模块400可以输出传导跳跃402的评估和/或传导偏差距离分布404的形状的评估。传导跳跃(与402相关联)指的是相对于心室除极能量的显著的传导偏差。在图4中，心室除极传导偏差特征计算模块400被配置为提供与检测到的传导跳跃的次数、传导跳跃的最大值、传导跳跃的张力(tonicity)以及传导跳跃与基线之间的相对时间相关联的特征。

图8A示出了评估给定信号中的传导跳跃特征602的示例方法800。图8B和图8C各自示出了示例方法(分别为920和940)，用于评估传导偏差距离分布的形状，作为对于给定信号的特征604。

为了识别传导跳跃，方法800(图8A)可以包括在例如根据图6的描述生成的计算的残差点云中隔离(802)对于每个心动周期(即，心跳)的心室除极区域的步骤。一些实施例中，方法800可以通过执行Pan Tompkins操作来检测每个心动周期中的心室除极起始(也称为QRS起始)和心室除极偏移(也称为QRS偏移)，以检测心动周期的时间序列数据集中的峰，并在所确定的峰周围建立一个带。时间序列数据中的隔离区域可以索引到相空间中的相对应数据。

方法800然后包括评估(804)对于与心室除极相关联的数据点的欧几里德距离。在一些实施例中，欧几里德距离可以被确定为在相空间中的信号和信号的估计模型之间确定的最大三维矢量的幅度。然后可以确定(806)与欧几里德距离相关联的参数。对于周期M，可以根据等式5计算传导偏差距离(D_M)。

表2显示了一组VD传导偏差特征及其相应描述的示例。在表2中，至少一种特征类型(参见表2中的“*”)已被观察到在评估是否存在至少一种心脏病或病症——特别是确定LVEDP升高的存在或不存在方面——具有显著效用。通过实验还观察到，至少一种特征类型(参见表2中的“**”)在评估是否存在冠状动脉疾病方面具有显著效用。表5中提供了被确定在评估是否存在异常或升高的LVEDP方面具有显著效用的具体特征列表，表6中提供了被确定在评估是否存在显著CAD方面具有显着效用的具体特征列表。

表2

如表2的示例中所述，传导跳跃的数量(特征“numCondSkip”)被评估为信号的心室除极区域中评估的峰超过预定义阈值的频率或数量。所有传导跳跃分析(包括此特征)都可以在由来自三个心脏矢量的幅度数据创建的三维空间中执行。传导跳跃的最大值(“maxCondDist”)可以被评估为最大评估峰的幅度值。

图9A示出了信号的隔离的心室除极区域的计算的传导偏差距离(在y轴上)。x轴显示9个隔离的心室除极区域数据点的索引(显示为902)。传导跳跃被示出为计算的传导偏差距离中的峰(904)，其值大于QRSvector_max的0.03的阈值(906)和QRSvector_max的0.015的峰突出度。传导跳跃的数量(特征“numCondSkip”)可以被评估为信号的隔离的心室除极区域内超过该阈值的传导偏差距离的数量(例如，图9A)。传导跳跃的最大值(“maxCondDist”)可以被评估为例如信号的隔离的心室除极区域的最大评估峰的幅度值(例如，图9A)。

图9B示出了分别在窗口908a、908b、908c中示出的对于三个通道的隔离的心室除极区域，其中每个窗口包括所获取的心脏生物物理信号的通道和使用MDFD算法生成的该信号的对应模型(示出为910a、910b、910c)。图9C示出了针对窗口912、914、916中的每个通道在窗口912'、914'和916'中计算的传导偏差。在每个窗口912'、914'、916'中，示出了对于一个周期的传导偏差，它是跨多个周期的信号和模型数据计算的。在图9C中，每个窗口(912'、914'、916')示出了在心脏生物物理信号和模型信号之间确定的差异的时间索引(在x轴上)。可以针对每个周期和每个通道确定传导偏差，然后将传导偏差聚合(aggregate)以提供图9A中所示的传导偏差的分布。

参考图8B和图8C，图8B和图8C各自示出了示例方法(分别为820和840)，用于评估传导偏差距离分布的形状，作为对于给定的隔离信号区域的特征404。为了识别传导偏差距离分布，方法820(图8B)可以首先执行如关于图8A所描述的隔离(802)和残差点云操作(804)。方法820和840然后执行所生成的欧几里德距离分布的形状的评估。

在图8B中，在确定对于每个隔离区域的欧几里德距离(804)之后，方法820包括对欧几里德距离的分布进行排序(822)，然后确定(824)排序后的分布内的拟合。对于指数拟合的示例(例如，y_fit＝ce^-αt)，从拟合中提取的特征参数可以是衰减率(α)(在表2中称为“decayRateCondDist”)和/或衰减系数(c)(表2中称为“decayCoefCondDist”)。图9D示出了应用于经排序的传导偏差距离数据集的示例指数拟合。可以采用其他类型的拟合，例如多项式拟合。

在图8C中，在确定对于每个隔离区域的欧几里德距离(804)之后，方法840包括累积(842)所计算的传导距离(例如，按照等式5)并产生多个周期中的累积传导距离分布(也称为“累积传导距离”)。在一些实施例中，累积传导距离由等式6确定。

方法840然后包括确定(842)所述累积传导距离分布的统计评估。统计评估的示例可以包括中值(例如表2中的“medianCondDelay_3D”)、平均值、标准偏差(例如“stdCondDelay_3D”、“stdCondDelay_X”、“stdCondDelay_Y”和“stdCondDelay_Z”)、相对大小(例如“relCondDelay_X”、“relCondDelay_Y”和“relCondDelay_Z”)。

在表2中，分布的相对大小可以确定为给定通道的累积传导跳跃与总累积传导距离的比值。对于“stdCondDelay_3D”特征，可以根据所有通道的多个周期上的所有评估传导距离生成累积分布。对于“stdCondDelay_X”、“stdCondDelay_Y”和“stdCondDelay_Z”，可以针对各个通道(称为“X”、“Y”和“Z”)中的多个周期上的所有评估的传导距离生成累积分布。

心室除极传导偏差庞加莱特征示例#2

图5示出了根据说明性实施例的示例性心室除极传导偏差庞加莱特征计算模块700，作为两个示例性特征或参数类别中的第二个，其被配置为确定从一个或多个所采集的生物物理信号的VD传导偏差相关属性导出的庞加莱模型的值。如图5所示，心室除极传导偏差特征计算模块500可以输出传导偏差距离分布604的庞加莱分析的评估，包括包围在庞加莱分析周围的形状(例如，阿尔法包或凸包)的几何评估。

这些特征可以量化通过庞加莱分析得出的传导偏差的逐搏变化，特别是为了捕获短期动态(dynamics)。庞加莱分析可以应用于三个通道中每一个通道的最大传导延迟，以及三个二维庞加莱分析(例如，全部使用最佳拟合阿尔法形状)。分析可以在2D空间或3D空间中进行(例如，通过相空间)。

表3-1示出了示例性VD传导偏差庞加莱特征及其对应的描述，其一个或多个或全部可以由心室除极传导偏差庞加莱特征计算模块700生成。

表3-1

图10是示出根据说明性实施例的由图5的心室除极传导偏差特征计算模块500使用的评估心室除极传导偏差的庞加莱图的示例方法1000的图。

可以使用庞加莱图来执行基于庞加莱的分析以量化最大传导延迟，以检查不同通道的所获取的信号(例如，心脏信号)之间的状态空间的周期性变化的交集。状态空间变化可以在二维图或数据空间中表示为庞加莱图，其对于所有可用时间t或数据索引n具有(状态t，状态t+1)的坐标。如果庞加莱图中表示的系统缺乏任何变化，则对于所有t，状态t＝状态t+1，并且图中看起来只有一个点，因为它们都是相同的。如果系统状态发生变化，庞加莱图就会出现散射点。例如，庞加莱图可用于评估三个通道中每个通道的最大传导延迟。

在图10的示例中，方法1000可以首先执行如关于图8A所描述的隔离(802)和残差点云操作(804)。

方法1000然后包括确定(1002)欧几里德距离的最大值集合，其中在所确定的欧几里德距离集合内确定每个描绘区域的最大值。

方法1000然后包括：确定(1004)跨通道的最大欧几里德距离的庞加莱图，例如对于具有X、Y和Z通道的3通道心脏信号，X通道与Y通道之间、X通道与Z通道之间以及Y通道与Z通道之间的最大欧几里德距离的庞加莱图。在一些实施例中，庞加莱图是相对于三轴中的两个轴根据相空间模型来确定的。

方法1000然后包括：在庞加莱图中拟合(1006)数据的阿尔法形状或凸包或其他封闭的形状或几何形状。可以将阿尔法包形状创建为包围一组2-D的边界区域(或对于3-D点的体积)。操作1006可以调整阿尔法包的半径或拟合操作以确定最佳拟合(例如，确定表2中的“MaxCondDelay_XY Alpha”)。

在一些实施例中，方法1000然后包括评估(1008)阿尔法包或凸包的一个或多个几何参数。几何参数的示例可以包括但不限于表面积、周长、密度、空隙面积和孔隙率。

阿尔法形状或凸包形状的密度可以被确定为通过用于生成形状的数据点的数量归一化的表面积。

空隙面积可以被确定为凸包的确定的表面积与阿尔法包的确定的表面积之间的差，例如，如等式7中所示。

Void＝surface_area_{convex_hull}–surface_area_{alpha_hull}(等式7)

孔隙率可以被确定为所确定的空隙面积与所确定的凸包表面积的比率，例如，如等式8所示。

图11示出了根据说明性实施例的庞加莱图，其可用于分析最大传导偏差幅度的动态。在图11的示例中，最大传导偏差幅度1102在XY、XZ和YZ通道之间在相空间中针对其中的各个隔离VD周期而生成并且在庞加莱图1104中示出。图11还示出了窗口1106、1108、1110中的庞加莱图1104的三个2D投影。在窗口1106中，针对X_n和Y_n+1数据点示出2D庞加莱图。在窗口1108中，示出了针对X_n和Z_n+1数据点的2D庞加莱图。在窗口1110中，示出了针对Y_n和Z_n+1数据点的2D庞加莱图。

表3-2示出了可以从2D或3D庞加莱图生成的VD传导偏差庞加莱特征的示例。可以生成这些特征中的一个或多个或全部。在表3-2中，已观察到，至少一种特征类型(参见表3-2中的“*”)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——具有显着效用。表5提供了在评估是否存在异常或升高的LVEDP方面具有显着效用的具体特征列表。

表3-2

在一些实施例中，庞加莱分析可以基于被评估的两个通道之间的滞后(lag)来评估，例如沿着每个轴在x和x-2之间，而不是在x和x-1之间。

表3-3示出了可以在滞后信号之间创建的VD传导偏差庞加莱特征的示例。可以生成这些特征中的一个或多个或全部。在表3-3中，已观察到，至少一种特征类型(参见表3-3中的“*”)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。表5提供了在评估是否存在异常或升高的LVEDP方面具有显著效用的具体特征列表。

表3-3

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(对于CAD和异常LVEDP评价的当前的“金标准”测试)，并对于CAD标签和升高的LVEDP值来评价导管插入结果。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，包括传导偏差特征，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(作为本文讨论的血液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参见2021年8月23日提交的、标题为“Method and System to Non-Invasively Assess Elevated Left Ventricular End-Diastolic Pressure”的美国临时专利申请No.63/235,960，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，每个场景使用t检验、互信息和AUC-ROC评价由阴性和阳性数据集对(dataset pair)定义。t检验是一种统计检验，可以确定来自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升高或异常或显著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著性。

表4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4显示阳性数据集，其被定义为具有大于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4

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5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方面具有效用的传导偏差特征的列表。表5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5

表6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的存在和不存在方面具有效用的传导偏差特征的列表。表6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6

某些传导偏差特征在估计升高的LVEDP的存在和不存在或显著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传导偏差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传导偏差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实用性。

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1200)，其实现图1的模块以非侵入性地计算传导偏差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4-5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12A中另外示出，其中临床评价系统1200是模块化设计，其中特定于疾病的附加模块1202(例如，评估升高的LVEDP或mPAP、CAD、PH/PAH、异常LVEF、HFpEF和本文描述的其他的)能够单独或在多个实例中与单一平台(即，基本系统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、医疗状况或感兴趣的指示状况进行配置。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，可以存在图1的模块的任何数量的实施例，具有或不具有传导偏差特定特征的均可。

在图12A中，系统1200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1204可以提供功能和指令的基础，每个附加模块1202(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、门户网站服务模块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，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，其可以执行所获取的信号的质量评估(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1218示出)。门户网站1213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，所述其他系统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可以包括特定于给定疾病的算法的主功能循环，例如特征计算模块1220、分类器模型1224(示出为“集合(ensemble)”)模块1224)，以及异常值评估和拒绝模块1224(示为“异常值(outlier)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。为了执行所述分析管道，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，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1214中的分析管道可以计算特征或参数(示出为“特征计算”1220)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结果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可以使用特征的计算值和分类器模型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 1208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)。分析引擎对患者信号的分析结果可以使用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将给定患者数据集取回到门户网站模块1213，门户网站模块1213可以向医疗保健从业者展示报告，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1200包括一个或多个特征库1226，其存储传导偏差特征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或基本系统1204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在分析管道正在执行时经由SQA模块1216评估(1230)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所采集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，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源线噪声。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(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(例如，在模块120和122中生成)的总共446个特征输出，包括传导偏差特征(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 to Non-Invasively Assess Elevated LeftVentricular End-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“Methods and Systems for Engineering Visual Features FromBiophysical Signals for Use in 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 forEngineering Power Spectral Features From Biophysical Signals for Use inCharacterizing Physiological 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 FeaturesFrom Biophysical Signals for Use in Characterizing Physiological Systems”；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 Systemsfor Engineering Wavelet-Based Features From Biophysical Signals for Use inCharacterizing Physiological Systems”；美国临时专利申请No.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No.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No.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”，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(1234)。AE附加模块1214然后在分类器模型(例如，机器学习的分类器模型)中使用计算的特征输出来生成一组模型分数。AE附加模块1214将构成模型的集合中的该组模型分数进行汇总，在一些实施例中，其对分类器模型的输出进行平均，如LVEDP算法的示例中的等式9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 Learning Techniques,suchas Machine Learning Techniques for Diagnosing Medical Conditions”的美国专利公开No.20190026430；或题为“Discovering Genomes to 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[9]、4个RandomForestClassifier机器学习分类器模型[10]和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”)状况的确定点。

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Sigmoid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获取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)可以查看报告并对其进行解释，以提供疾病的诊断或制定治疗计划。

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1244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(1246、1248)呈现为平滑直方图，以提供用于相对于测试表现验证群体患者来解释患者分数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1248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“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分数。

异常值评估和拒绝检测(1238)。在AE附加模块1214计算所述特征值输出之后(在过程1232中)并且在将它们应用到分类器模型之前(在过程1234中)，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，这些孤立区域相对于其余观测值超出分布范围(out of distribution)。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(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。本文讨论的传导偏差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，包括传导偏差特征，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、医疗状况或指示症状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。

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。

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。

Claims

1.一种用于非侵入性评估受试者的疾病状态或异常状况的方法，所述方法包括：

通过一个或多个处理器获得所述受试者的包括心脏信号的生物物理信号数据集；

通过所述一个或多个处理器确定与所述心脏信号内的心室除极相关联的一个或多个传导偏差属性的值；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传导偏差相关联属性的所确定的值应用于与所述疾病状态或异常状况相关联的度量的估计模型，来确定对于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，其中确定与心室除极相关联的一个或多个传导偏差属性的值的步骤包括：

通过所述一个或多个处理器生成所述心脏信号的高能量子空间模型；

通过所述一个或多个处理器根据所述高能量子空间模型和所述心脏信号确定残差模型；以及

通过所述一个或多个处理器确定从与传导跳跃相关联的残差模型提取的一个或多个特征的一个或多个值。

3.根据权利要求2或3所述的方法，其中所述一个或多个特征选自由以下各项组成的组：

与在所述残差模型的除极相关联部分内识别的评估的传导跳跃数量相关联的特征；

与在所述残差模型的除极相关联部分内识别的评估的传导距离相关联的特征；

与所述残差模型的除极相关联部分中的最大传导跳跃事件的时间索引相关联的特征；以及

与在所述残差模型的除极相关联部分内识别的跳跃峰的张力相关联的特征；

与所述残差模型的除极相关联部分内确定的评估的累积传导距离的统计评估相关联的特征。

4.根据权利要求1-3中的任一项所述的方法，其中确定与心室除极相关联的一个或多个传导偏差属性的值的步骤包括：

通过所述一个或多个处理器根据所述高能量子空间模型和所述心脏信号确定三维残差模型；以及

通过所述一个或多个处理器确定从与传导跳跃相关联的三维残差模型提取的特征的一个或多个值。

5.根据权利要求1-4中的任一项所述的方法，其中所述一个或多个特征选自由以下各项组成的组：

与从所述三维残差模型导出的庞加莱模型生成的几何参数相关联的特征；以及

与从所述三维残差模型生成的阿尔法形状的阿尔法半径相关联的特征。

6.根据权利要求1-5中的任一项所述的方法，其中所述几何参数选自由以下各项组成的组：阿尔法半径参数、周长参数、表面积参数、与周长与表面的比率相关联的参数、密度参数、空隙参数和孔隙率参数。

7.根据权利要求1-6中的任一项所述的方法，其中所述几何参数具有包括阿尔法包形状或凸包形状的几何形状。

8.根据权利要求1-7中的任一项所述的方法，其中所述高能量子空间模型是根据信号建模算法生成的，所述信号建模算法通过选择一个或多个候选信号来生成能量子空间，所述能量子空间仅包括所述信号的能量的最高百分位。

9.根据权利要求1-8中的任一项所述的方法，其中所述信号建模算法基于傅立叶分析。

10.根据权利要求1-9中的任一项所述的方法，其中所述信号建模算法基于傅立叶分析或基于稀疏分解算法。

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处和/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，其中与心室除极相关联的所述一个或多个传导偏差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中的估计模型中。

13.根据权利要求1-12中的任一项所述的方法，其中所述估计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。

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。

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根据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

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。