CN1914623A - 用于利用数据融合和假设检验来检测icu患者记录中的伪像的方法和系统 - Google Patents

Abstract

一种用于监视患者的方法对几个受监视信号中的每一个采用假设检验来确定在所述受监视信号中是否存在伪像。在假设检验中，虚假设包括：假定几个受监视信号的高度相关受监视信号的样本对具有预定分布。所述方法当虚假设为真的可能性低于预定置信度值时，确定伪像可存在于多个受监视信号之一中。这个方法可以以智能模块加以实施，所述智能模块用于处理来自于一个或多个患者的多个数据以便从那些因伪像而造成的变化中过滤出患者在临床上的显著变化。

Description

用于利用数据融合和假设检验 来检测ICU患者记录中的伪像的方法和系统

技术领域

本发明一般地涉及专家系统，更具体而言，涉及供在评估来自于患者的数据中使用的专家系统。

背景技术

保健技术(例如，生物医学传感器、监视系统和医疗器械)在现代的重病监护室(ICU)中，在性能和完全普及(许多器械)方面快速发展。附加数据流的创建正在对保健工作人员施加显著的″信息超载″挑战，保健工作人员也面对要满足ICU患者人数需要的特护工作人员的奇缺情况。

发明内容

因此，本发明针对解决开发一种用于减少在特护环境或其它保健环境中必须人工处理的信息量的方法和设备的问题。

本发明通过提供一种方法和由智能模块构成的设备来解决这个及其它问题，所述智能模块能够使来源于宽阵列传感器和系统的多个数据流同化并且能够从临床无意义的变化或伪像中区分患者状态上的临床显著变化。

根据本发明的一个方面，用于监视患者的方法的示例性实施例包括：对几个受监视信号中的每一个采用假设检验以确定在受监视信号中是否存在伪像。在假设检验中，虚假设包括：假定几个受监视信号的高度相关受监视信号的样本对具有预定分布。所述方法的示例性实施例接着当虚假设为真的可能性低于预定置信级时，确定伪像可存在于多个受监视信号之一中。一般而言，假设检验指示所获取的数据是否匹配来自于具有相似条件的患者的历史数据。被匹配的数据包括：相对于相同受监视信号的历史版本的受监视信号的样本对，所述样本对是高度相关受监视信号。

根据本发明的另一方面，一种用于检测多个受监视信号(S₁…S_n)的一个或多个样本(s₁…s_n)中的伪像的方法的示例性实施例，包括：为受监视信号(S₁…S_n)的一个或多个样本(s₁…s_n)的每一个(s_m)计算观察假定了虚假设为真的每一个样本(s_m)和另一个样本(s_k)的交叉概率(p_mk)，其中虚假设(H₀)是每一个样本(s_m)和每一个其它样本(s_k)具有与所存的版本相同的分布；计算与每一个交叉概率(p_mk)相关联的置信级(c_mk)；对于高度相关受监视信号对的所有组合重复计算步骤；为每一个样本(s_m)，对与包括该样本(s_m)的一对高度相关信号(S_mk)相关联的所有交叉概率(p_mk)进行求和；以及为每一个样本(s_m)输出结果以作为在每一个样本中不包含伪像的概率，其中如果不包含伪像的一个或多个概率低于预定阈值，则向用户指示与一个或多个概率相关联的一个或多个样本可能包含伪像。

根据本发明的另一个方面，一种用于监视患者的设备的示例性实施例包括多个导线、存储器和处理器。每一个导线接收受监视信号的样本。所述存储器存储每一个接收到的受监视信号的样本。所述处理器耦合于存储器并且被编程用于：对每一个受监视信号采用假设检验以确定在受监视信号中是否存在伪像，其中虚假设包括假定受监视信号的高度相关受监视信号的样本对具有预定分布；以及当虚假设为真的可能性低于预定置信级时，确定伪像可存在于多个受监视信号之一中。所述设备可包括用户接口，用于以有意义的方式向用户输出该信息。

根据本发明的又一个方面，在此所述方法可在计算机可读介质中被编码为处理器的指令。

附图说明

当考虑下列附图回顾详细说明时，本发明的其它方面将对本领域的技术人员而言是显而易见的。

图1描绘了根据本发明一个方面的用于处理多个数据流的方法的示例性实施例的框图。

图2描绘了根据本发明又一个方面的用于监视患者的方法的示例性实施例的流程图。

图3描绘了根据本发明再又一个方面的用于监视患者的方法的另一个示例性实施例的流程图。

图4描绘了根据本发明仍又一个方面的用于监视患者的设备的框图。

具体实施方式

在此对″一个实施例″或″一实施例″的任何引用都是指结合实施例所描述的具体特征、结构或特性被包含在本发明的至少一个实施例中。短语″在一个实施例中″在说明书中不同地方的出现未必全都指同一个实施例。

本发明特别地提供了一种用于利用由智能模块构成的系统，所述模块能够使来源于宽阵列传感器和系统的多个数据流同化，并且能够区分患者状态方面的临床显著变化与临床无意义的变化或伪像的方法。本发明包括一种数据流融合方法，其实现了多参数监视能力。

根据本发明的一个方面，本发明还包括一种用于基于统计分析来检测给定的受监视信号(或一组受监视信号)中的伪像的方法。假设检验能用来确定受监视信号是伪像的结果还是显著临床变化的结果。假设检验是用于确定关于某人群特性的推断在统计上是否合理的过程。

根据本发明的一个方面，假设检验能用来确定在最新获得的数据中是否存在一个或多个伪像。例如，假设最新获得的数据具有遵循相似数据分布的分布，所述相似数据分布是经过长期的一段时间(或经过许多患者)获得的。如果假设为真(在某一置信区间之内)，那么最新获得的数据很可能不包含伪像，然而如果假说不为真，那么情况很可能相反。通过将高度相关信号用作为假设检验的基础，可获得结果中置信度的提高。

假定存在许多受监视信号(s₁，s₂，s₃…，s_n)，为此需要具有在每一个信号中存在伪像的指示符。所述过程开始于在这些信号的记录存储体之中运行脱机相关检验。ECG/EEG信号数据库源是公众可用的并且可容易地被获得。所得到的相关矩阵给出了这些信号中的每一对之间的互相关性的指示符并且将为如下形式：

$\left[\begin{array}{ccc}{r}_{11}& \·\·\·& r_{1n}\\ .& & .\\ .& & .\\ .& & .\\ r_{n1}& \·\·\·& r_{\mathrm{nn}}\end{array}\right]---\left(1\right)$

其中r₁₁是信号s₁与自身(r₁₁＝1)的自相关性，而r_1n是信号s₁与s_n之间的互相关性。这些互相关值是如图1所示的统计分析所需要的。国家标准卫生研究所已经开发出这种数据库，从中可获得这些互相关值。

假设检验(具有预定显著性水平即置信区间的虚假设假设检验)用于确定伪像存在的概率。假设检验是用于确定关于人群特性的推断是否合理的过程。虚假设是初始推断。在这种情况下，虚假设是所研究的信号具有与相似信号的数据库相同的分布H0。

备选假设是所研究的信号与相似信号的数据库不属于相同的人群H1。

显著性水平与拒绝有利于备选的虚假设所需的肯定程度有关。通过获得小样本，人们无法确信自己的结论。事实上，样本越小，人们对于数据对其它数据的分布的关系就越不肯定。例如，如果根据相似数据的样本均值的几个标准偏差而获得的单个数据点可能是统计不规则的(即数据有效但只是表示出现可能性非常小，而仍然可能出现的点)或者可能是伪像。然而，随着数据点数量增加置信度，具有所述置信度人们可声明所述数据是不规则的或者是基于伪像增加的，明显在主要分布之外的几个数据点的可能性也随着变得越来越不大可能。

所以人们必须在拒绝虚假设之前先判断观察采样结果的概率是否小于显著性水平。许多研究者采用约百分之五的显著性水平。对于典型的百分之五(5％)的显著性水平，符号表示法为α＝0.05。对于这种显著性水平，当其实际上为真时错误拒绝虚假设的概率是5％。为了更好地防止这种错误，应该选择较低的值α。

p值是在假定了虚假设为真之下所观察的给定采样结果的概率。如果p值小于α，则应该拒绝虚假设。例如，如果α＝0.05并且p值为0.03，则拒绝虚假设。相反的是不为真。如果p值大于α，则人们具有不充分的证据来拒绝虚假设。

许多假设检验函数的输出也包括置信区间。正如在此使用所述术语，置信区间是具有包含真假设量的所选概率的数值范围。在上文的例子中，假设样本值对于平均值μ落在95％置信区间之内。这相当于不能以0.05的显著性水平拒绝虚假设。相反地，如果100(1-α)置信区间不包含p值，则人们以显著性水平α来拒绝虚假设。

根据存储在数据库中的所研究的受监视信号(s₁，s₂，s₃，…，s_n)的先验测试以及在等式(1)中对相关信号进行识别，我们设置某一阈值来确定相关性的接受水平(例如，拒绝小于40％的任何相关因数r_ij)。我们为每一个检查中的临床状况(例如，咽痛、流血、脑损伤、肺水肿、索组织紧缩、代谢性昏迷、呼吸衰竭，…，等等)重复相同的实验(其导致不同的相关矩阵)。每一种临床状况将具有其自己的相关矩阵，所述相关矩阵描述了让任何两个信号当相对于彼此进行比较时成功通过假设检验。例如，如图1所示，信号s₁和s₂具有确定的相关因数r₁₂，并且就咽痛而论，具有确定范围的p值(例如，P_minAngina、P_maxAngina)，其不同于呼吸衰竭的情况。当前产生的来自正常范围的值越接近，其具有的相应权重就越高。这是通过给较接近标称值的p值分派更大权重来测量的。例如：

$p_{i,j}=\frac{p_{i,j}-\left({p_{i,j\max \mathrm{Angina}}+p}_{i,j\min \mathrm{Angina}}\right)/2}{\left(p_{i,j\max \mathrm{Angina}}-p_{i,j\min \mathrm{Angina}}\right)}\×c_{i,j}---\left(2\right)$

其中c_i，j是置信因数(1-累加分布)。

对这些单独值进行求和，所研究的信号在其中没有伪像的概率为：

$p_{\mathrm{noartifact}\sin \mathrm{signali}}=\underset{j}{\mathrm{\Σ}}{p}_{i,j}---\left(3\right)$

其中求和j是跨越所有与信号i高度相关的信号的。显然，在信号i中具有伪像的概率为(1-P_{no artifacts in signal i})。图1示出了上述过程的框图。

转向图2，在其中示出了一种用于确定在从正在为特定临床状况而进行治疗或观察的患者那里获得的受监视信号中是否存在伪像的方法的示例性实施例。例如，受监视信号可能是心电图、呼吸率、心率或者提供与患者健康有关的信息的其它信号。这种方法使医学临床医生或操作员能够集中于包括与伪像相反的临床显著变化的患者的那些方面，这些方面需要被不同地针对解决。在伪像的情况下，需要检查信号导线以核实数据完整性，这例如可由技术人员来完成。在临床显著变化的情况下，可能需要医生或专家来审阅数据以确定适当的反应。

在步骤21中，为受监视信号计算如下的互相关矩阵：

$\left[\begin{array}{ccc}{r}_{11}& \·\·\·& r_{1n}\\ .& & .\\ .& & .\\ .& & .\\ r_{n1}& \·\·\·& r_{\mathrm{nn}}\end{array}\right]$

所述互相关矩阵可从受监视信号的数据库中获得，所述受监视信号是从在相似的临床状况下的患者那里获得的。这个矩阵定量地描述了受监视信号之间的关系或相关性。由此，r_ij量化两个受监视信号之间的互相关性(S_i和S_j)。例如，r₁₁表示信号(S₁)和它本身之间的相关性，其为一。这个矩阵可从临床状况到临床状况变化；因此应该从所存储的受监视信号中获得每一个互相关矩阵，所述受监视信号是从许多具有相同临床状况的患者那里观察到的。

在步骤22中，识别高度相关的那些信号对。例如，超过0.40或40％的矩阵中的每一个值指示高度相关的两个信号。在这种情况下，那些具有超过这个预定阈值(比如，40％)的互相关值的信号，被视作为高度相关。这些信号对能用来验证数据，因为高度相关的信号应该具有类似相关的样本。如果没有，则增加了样本被沾染的可能性。

在步骤23中，最大和最小概率值是根据每一个互相关对的数据库所确定的。例如，用于观察信号对的最小值是从数据库中识别出的，且最大值也是。

在步骤24中，对于其中存在样本(s_i)(感兴趣样本)的每一个受监视信号(S_i)，确定正在观察的受监视信号(S_i)的样本(s_i)连同来自高度相关的受监视信号(S_i)之一的样本(s_j)的概率(p_ij)。这些概率(p_ij…p_ik)是为给定感兴趣样本的每一个高度相关的信号(其中存在样本)而确定的。例如，如果信号S₂、S₅和S₈(如图1所示)相对于信号S₁是高度相关的，则确定交叉概率p₁₂、p₁₅和p₁₈。相关联的置信度值(c_ij)也是为每一个已确定的概率而确定的，而在这种情况下该值为c₁₂、c₁₅和c₁₈。正在被观察的受监视信号的两个样本的概率是基于如下假设来计算的，即假定两个样本具有相同且预定的概率分布。例如，第一个十分钟的第一信号的样本(比如ECG I导线信号)和第二个十分钟的第二信号的样本(比如ECG II导线信号)是假定第一和第二样本遵循预定人群分布(比如，正态分布或与受监视信号的数据库相同的分布)来计算的。这可利用柯尔莫哥罗夫-斯米尔诺夫检验来实现，其检验从中得到成对数据样本的人群分布遵循假设分布的虚假设。如果正如所选假设检验确定的那样虚假设为真，则产生观察数据样本的概率，以及相关置信度值或置信区间。如果基于所述假设检验虚假设不可能为真，则样本可能被伪像沾染。

在步骤25中，接着利用给定的医学状况的概率范围来加权所计算的概率。最终结果是不具有伪像样本的概率。具有伪像的样本的概率简单地为一减去这个概率。

在步骤26中，在给定样本的所有高度相关信号上对加权概率进行求和。

在步骤27中，为每一个样本输出结果以作为在每一个样本中不包含伪像的概率。如果一个或多个不包含伪像的概率低于预定阈值，则用户就获知一个或多个与所述概率相关联的样本可能包括伪像。

在步骤28中，确定是否存在更多数据，而在这样情况下只要新的样本存在就不断重复上述过程。

转向图3，在其中示出了用于根据本发明的另一个方面监视患者的方法的另一个示例性实施例。

在步骤31中，从患者接收几个受监视信号，每个受监视信号都提供了与所述患者的健康有关的信息。这些信号可以是EEG信号、ECG信号、ABP信号、呼吸信号、脑波等等。

在步骤32中，对几个受监视信号中的每一个采用假设检验以确定在所述受监视信号中是否存在伪像。在假设检验中，虚假设包括：假定几个受监视信号的高度相关受监视信号的样本对具有预定分布。所述预定分布可包括与对应的受监视信号的已存储版本对相同的分布或者一些标准概率分布，比如高斯分布。所述假设检验将产生每一受监视信号包括伪像的概率。

在步骤33中，当虚假设为真的可能性低于预定置信级时，则确定伪像可能存在于几个受监视信号之一中。

在步骤34中，当在步骤32产生的概率超出预定阈值时，产生输出信号以警告操作员至少其中一个受监视信号包括伪像。

转向图4，在其中示出了用于处理从正在监视其医学状况的患者接收的数据的设备。所述设备可属于智能模块的系统的一部分，每个智能模块处理来自于患者的信息使得可立即通知或警告临床医生或医生有关正在被监视的患者的临床状况上的变化。

处理器41执行上述方法以识别伪像在来自于患者的数据中的存在。其它模块可识别临床上的显著变化，并且对存在于数据中的伪像的识别可用来滤出因伪像而造成的变化以及因患者状况上变化而造成的变化。能够执行数以千计的样本的矩阵操作的任何处理器应该足以执行这里所述的方法。一种可能的处理器包括英特尔奔腾处理器。

一个或多个导线45向CPU 41发送样本。这些导线可以是标准的ECG导线或者将数据从患者转发给中央处理部件以供进一步处理的通信系统。这些导线可能是无线或有线的。就无线而论，所述导线可能是单个或者多个天线。在有线导线的情况下，所述导线可能是承载多个信号的单个导线或者用于每一个样本的单个导线。

存储器43存储处理器41所需的任何信息。例如，存储器43可是其上编码有用于编程处理器41的指令的计算机可读介质。存储器43还可是存储用于由处理器41后续处理的所有新来样本的数据库以便样本可被累加，同时处理器41正在估计先前的样本。存储器43存储这些样本以便处理器可重用它们以便通过使用例如在每一次迭代期间越来越多的数据来精调其分析，从而更好地估计新来的样本。50千兆字节的存储器应该足以用于此目的。存储器43可以是随机存取存储器或其它存储器，其中数据可被写入以及从中读出。

示出了CPU 41耦合于存储感兴趣的受监视信号的历史版本的数据库42。这种耦合能够以实际通信连接的形式，以便CPU 41可实时地获得上面所述的期望参数。作为选择，这种耦合可用数字形式表示，因为期望的参数从数据库42中被获得，然后在处理器中被编程或者被存储在存储器43中。如上所述，这个数据库的例子是由NIH开发的。

用户接口44耦合于处理器41以便操作员可获知在从患者接收的样本中是否存在伪像。可向所述操作员示出所计算的概率以及相关的置信级。此外，当检测到伪像时可产生警告，所述警告可以是音频或视觉指示符的形式。

将会认识到的是，在不脱离本发明的精神和给定范围的情况下，本发明的修改和变形被上述教导所涵盖并且落在所附权利要求的限定范围内。虽然上述实施例论述了用于在求和之前加权各种概率的确定的加权技术，然而也可采用其它的加权技术。此外，虽然上述实施例描述了确定的假设检验，但是也可使用其它假设检验。此外，这些例子不应该被解释成限制权利要求所涵盖的本发明的修改和变形，而仅仅是可能变形的举例说明。

Claims (20)

1.一种用于监视患者的方法，包括：

对多个受监视信号中的每一个采用假设检验以确定在多个受监视信号中是否存在伪像，其中虚假设包括假定多个受监视信号的高度相关受监视信号的样本对具有预定分布；并且

当虚假设为真的可能性低于预定置信级时确定伪像可存在于多个受监视信号之一中。

2.根据权利要求1所述的方法，进一步包括：

从患者接收多个受监视信号，每一个受监视信号都提供与患者的健康有关的信息。

3.根据权利要求1所述的方法，其中预定分布包括与对应的多个受监视信号的已存储版本对相同的分布。

4.根据权利要求1所述的方法，其中假设检验包括产生每一个受监视信号包含伪像的概率。

5.根据权利要求4所述的方法，进一步包括当所产生的概率超出预定阈值时，产生输出信号以警告操作员至少其中一个受监视信号包含伪像。

6.一种用于检测多个受监视信号(S₁...S_n)的一个或多个样本(s₁...s_n)中的伪像的方法，包括：

为多个受监视信号(S₁...S_n)的一个或多个样本(s₁...s_n)的每一个(s_m)计算观察假定了虚假设为真的样本(s_m)和另一个样本(s_k)的交叉概率(p_mk)，其中虚假设(H₀)是样本(s_m)和另一个样本(s_k)具有与多个受监视信号的样本(s_m)的已存储版本相同的分布；

计算与每一个交叉概率(p_mk)相关联的置信级(c_mk)；

对于多个受监视信号的高度相关受监视信号对的所有组合重复计算步骤；

为每一个样本(s_m)，对与包括该样本(s_m)的一对高度相关信号(S_mk)相关联的所有交叉概率(p_mk)进行求和；并且

为每一个样本(s_m)输出结果以作为在该样本中不包含伪像的概率，其中如果不包含伪像的一个或多个概率低于预定阈值，则向用户指示与一个或多个概率相关联的一个或多个样本可能包含伪像。

7.根据权利要求6所述的方法，进一步包括：

根据多个所存储的受监视信号的数据库来计算如下的多个受监视信号(S₁...S_n)的相关矩阵：

$\left[\begin{array}{ccc}{r}_{11}& \·\·\·& r_{1n}\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ r_{n1}& \·\·\·& r_{\mathrm{nn}}\end{array}\right]$

其中r₁₁是多个受监视信号(S₁...S_n)的第一受监视信号(S₁)与它本身的自相关性(r₁₁＝1)，而r_1n是多个受监视信号(S₁...S_n)的第一受监视信号(S₁)与多个受监视信号(S₁...S_n)的另一个受监视信号(S_n)之间的互相关性。

8.根据权利要求7所述的方法，进一步包括：

通过确定受监视信号对中的哪一对或者多对具有超出预定阈值的互相关性，来在多个受监视信号之中识别一个或多个高度相关受监视信号对。

9.根据权利要求6所述的方法，进一步包括：

加权每一个所计算的交叉概率，使得较接近于定额的样本具有较大的权重。

10.根据权利要求9所述的方法，进一步包括为给定的临床状况确定多个所存储的受监视信号的交叉概率的范围，其中所述加权包括：

按如下加权每一个所计算的交叉概率(p_mk)：

$P_{\mathrm{mk}}=\frac{p_{\mathrm{mk}}-(p_{\mathrm{mk}\max \mathrm{specific\; clinical\; condition}}+p_{\mathrm{mk}\min \mathrm{specific\; clinical\; condition}})/2}{(p_{\mathrm{mk}\max \mathrm{specific\; clinical\; condition}}-p_{\mathrm{mk}\min \mathrm{specific\; clinical\; condition}})}\×c_{\mathrm{mk}}$

其中：

p_{mk max specific clinical condition}表示来自于一对受监视信号的已存储版本的最大概率值，和

p_{mk min specific clinical condition}表示来自于一对受监视信号的已存储版本的最小概率值。

11.一种用于检测多个受监视信号(S₁...S_n)的一个或多个样本(s₁...s_n)中的伪像的方法，包括：

为多个受监视信号(S₁...S_n)的一个或多个样本(s₁...s_n)的每一个(s_m)计算观察假定了虚假设为真的每一个样本(s_m)和另一个样本(s_k)的交叉概率(p_mk)，其中虚假设是样本(s_m)和另一个样本(s_k)的组合分布具有预定分布；

计算与每一个交叉概率(p_mk)相关联的置信级(c_mk)；

对于多个受监视信号的高度相关受监视信号对的组合重复计算步骤；

为每一个样本(s_m)，对与每一对都包括样本(s_m)的多对高度相关信号(S_mk)相关联的多个交叉概率(p_mk)进行求和；

为每一个样本输出结果，其中对于每一个样本(s_m)，所述结果是通过从一中减去所述求和而获得的，以作为在每一个样本中包含伪像的概率；以及

如果一个或多个包含伪像的概率超出预定阈值，则向监视系统的操作员指示与超过预定阈值的一个或多个概率相关联的一个或多个样本可能包括伪像。

12.根据权利要求11所述的方法，进一步包括只要正在从患者接收信号就周期性地不断执行计算、求和和减法。

13.一种用于监视患者的设备，包括：

多个导线，每一个都用于接收受监视信号的样本；

存储器，用于存储每一个接收到的受监视信号的样本；和

耦合于存储器的处理器，所述处理器被编程用于：

对多个受监视信号的每一个采用假设检验以确定在多个受监视信号中是否存在伪像，其中虚假设包括假定多个受监视信号的高度相关受监视信号的样本对具有预定分布；以及

当虚假设为真的可能性低于预定置信级时，确定伪像可存在于多个受监视信号之一中。

14.根据权利要求13所述的设备，其中所述处理器被进一步编程用于：

产生每一个受监视信号包含伪像的概率。

15.根据权利要求14所述的设备，其中所述处理器被进一步编程用于：

当所产生的概率超出预定阈值时，产生输出信号以警告操作员至少其中一个受监视信号包含伪像。

16.一种用于检测多个受监视信号(S₁...S_n)的一个或多个样本(s₁...s_n)中的伪像的设备，包括：

所耦合的一个或多个导线，用于接收多个受监视信号(S₁...S_n)的一个或多个样本(s₁...s_n)的其中一个；

存储器，用于存储所接收的多个受监视信号的一个或多个样本中的每一个；和

处理器，其耦合于存储器和一个或多个导线(45)并且被编程用于：

为多个受监视信号(S₁...S_n)的一个或多个样本(s₁...s_n)的每一个(s_m)计算观察假定了虚假设为真的每一个样本(s_m)和另一个样本(s_k)的交叉概率(p_mk)，其中虚假设(H₀)是每一个样本(s_m)和另一个样本(s_k)具有与多个受监视信号的样本(s_m)的已存储版本相同的分布；

计算与每一个交叉概率(p_mk)相关联的置信级(c_mk)；

对于多个受监视信号的高度相关受监视信号对的所有组合重复计算步骤；

为每一个样本(s_m)，对与包括该每一个样本(s_m)的一对高度相关信号(S_mk)相关联的所有交叉概率(p_mk)进行求和；以及

为每一个样本(s_m)输出结果以作为在该样本中不包含伪像的概率，其中如果不包含伪像的一个或多个概率低于预定阈值，则向用户指示与一个或多个概率相关联的一个或多个样本可能包含伪像。

17.根据权利要求16所述的设备，其中所述处理器被进一步编程用于：

根据多个所存储的受监视信号的数据库来计算如下的多个受监视信号(S₁...S_n)的相关矩阵：

$\left[\begin{array}{ccc}{r}_{11}& \·\·\·& r_{1n}\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ r_{n1}& \·\·\·& r_{\mathrm{nn}}\end{array}\right]$

其中r₁₁是多个受监视信号(S₁...S_n)的第一受监视信号(S₁)与它本身的自相关性(r₁₁＝1)，而r_1n是多个受监视信号(S₁...S_n)的第一受监视信号(S₁)与多个受监视信号(S₁...S_n)的另一个受监视信号(S_n)之间的互相关性。

18.根据权利要求17所述的设备，其中所述处理器进一步被编程用于：

通过确定受监视信号对中的哪一对或者多对具有超出预定阈值的互相关性，来在多个受监视信号之中识别一对或多对高度相关受监视信号。

19.根据权利要求16所述的设备，其中所述处理器进一步被编程用于：

加权每一个所计算出的交叉概率，使得较接近于定额的样本具有较大的权重，并且所述加权包括：

按如下加权每一个所计算出的交叉概率(p_mk)：

$P_{\mathrm{mk}}=\frac{p_{\mathrm{mk}}-(p_{\mathrm{mk}\max \mathrm{specific\; clinical\; condition}}+p_{\mathrm{mk}\min \mathrm{specific\; clinical\; condition}})/2}{(p_{\mathrm{mk}\max \mathrm{specific\; clinical\; condition}}-p_{\mathrm{mk}\min \mathrm{specific\; clinical\; condition}})}\×c_{\mathrm{mk}}$

其中：

p_{mk max specific clinical condition}表示来自于一对受监视信号的已存储版本的最大概率值，和

p_{mk min specific clinical condition}表示来自于一对受监视信号的已存储版本的最小概率值。

20.一种在其上编码有多个指令的计算机可读介质，所述指令使处理器执行：

对多个受监视信号中的每一个采用假设检验以确定在多个受监视信号中是否存在伪像，其中虚假设包括假定多个受监视信号的高度相关受监视信号的样本对具有预定分布；并且

当虚假设为真的可能性低于预定置信级时，确定伪像可存在于多个受监视信号之一中。

Images