JP2016521162A - 循環監視システム - Google Patents

Abstract

診断末梢動脈疾患に関する予知診断を提供するための末梢動脈流動障害検出システム。本システムは、ホストコンピュータと、たとえばＰＰＧセンサを用いたフォトプレチスモグラフィにより信号を測定するなど、被験者の手指または足趾から生理信号を検出し測定するために用いられるセンサとを含む。センサデータは、信号波形に対応するいくつかの時間領域および周波数領域計算値を計算するために用いられる前に、処理されフィルタリングされる。この計算値は、予知診断を提供する多面的アルゴリズムを用いた予測モデルで用いられ、予知診断はモニタなどの表示器に表示される。

Description

本出願は、２００７年１２月１１日に出願され、ＣＩＲＣＵＬＡＴＩＯＮ ＭＯＮＩＴＯＲＩＮＧ ＳＹＳＴＥＭ ＡＮＤ ＭＥＴＨＯＤと題され、２００９年１２月８日に米国特許第７，６２８，７６０号として現在発行されている、米国出願番号第１２／００１，５０５号から引き出された概念に依存しており、その内容および開示は、引用によりその全体が本明細書に明確に組み込まれている。

本発明は一般に、医療監視の分野に関する。より詳細には、本発明は、流動障害を特徴とする末梢動脈疾患に対する被験者の感受性を示すための循環監視および信号処理に関する。

末梢動脈疾患（ＰＡＤ：Ｐｅｒｉｐｈｅｒａｌ ａｒｔｅｒｙ ｄｉｓｅａｓｅ）、ならびに関連する冠動脈性心疾患（ＣＨＤ：ｃｏｒｏｎａｒｙ ｈｅａｒｔ ｄｉｓｅａｓｅ）および頸動脈疾患（ＣＶＤ：ｃａｒｏｔｉｄ ｖａｓｃｕｌａｒ ｄｉｓｅａｓｅ）は、死に至る可能性がある。

米国では、推計１０００万人がＰＡＤを患っている。ほぼ同数が、症状がないため、および診断機器が比較的アクセスしにくいために、未診断であると考えられる。ＰＡＤの症状のエンドポイントは深刻であり、すなわち身体障害、手足の切断、および死である。ＰＡＤ、ＣＡＤ、ＣＶＤ、および他の合併症を患っている患者を疾患の早期段階で一次診療医が識別することを補助する、より簡単かつよりアクセスしやすいツールを提供することにより、疾患のより深刻な結果の多くを早期に介入および回避できるようにすることが望ましい。

ＰＡＤは一般的に下肢粥状動脈硬化症に関連するが、ＣＨＤ、ＣＶＤ、心臓発作、脳卒中、および切断のリスク上昇に関連する。ＰＡＤの患者の約７５％は、ＣＨＤまたはＣＶＤも患っている。脳卒中のリスクは、ＰＡＤの患者では、その疾患がない患者の場合より３倍高い。ＰＡＤは、通常は下肢の動脈の狭窄または閉塞となって現れ、粥状動脈硬化症、血栓症、動脈石灰化、糖尿病、およびホモシステイン血症を含むいくつかの要因により引き起こされる。ＰＡＤは、ふくらはぎの痛みや障害、特に跛行、および重度肢虚血による制限歩行を特徴とする進行性の慢性疾患である。しかしながら、ＰＡＤの全患者の約半数が、診断時に無症状であったことに留意されたい。

現在の診断方法は通常、跛行または安静時の下肢痛の症状が見られる患者に適用される。一般的な診断経路は、安静時または運動後の足関節上腕血圧比（ＡＢＩ：Ａｎｋｌｅ−Ｂｒａｃｈｉａｌ Ｉｎｄｅｘ）の使用、反応性充血、フォトプレチスモグラフィ（ＰＰＧ：ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｙ）、分節血圧分析、容積脈波記録（ｐｕｌｓｅ ｖｏｌｕｍｅ ｒｅｃｏｒｄｉｎｇ）、複式超音波、および末梢血管造影法を含む。

ＡＢＩは、典型的には最初に行われる検査であり、通常は診療室または病院の血管検査室で行われる。ＡＢＩは、血圧計とドップラー超音波を用いて上腕動脈および足首で取得された収縮期血圧の観測値から計算される。ＡＢＩはＰＡＤの非侵襲的診断の標準と考えられているが、時間がかかり、導入しにくく、主観的であり、技術依存である。一貫した信頼性のある結果を得るためには、施術者は経験豊富で、専門的な訓練を受けていなければならない。さらにＡＢＩは、ＰＡＤの危険性がある患者において一般的に遭遇する疾患である動脈石灰化を患っている患者には有益な診断ではない。この理由は、ＡＢＩが硬直した石灰化動脈を圧迫することに依存しているためである。そのような疾患は、偽陰性診断となることが多い。

従来のフォトプレチスモグラフィシステムは、被験者の組織の領域における血液の心臓リズム量を測定する。従来のパルスオキシメータは、被験者の組織の領域内の赤血球中のヘモグロビンと結合している酸素量を測定する。フォトプレチスモグラフィもパルスオキシメトリも、血流または血循環の質に対する直接的な相関関係を与えない。

Ｆｉｓｃｈｅｒ Ｍら、「Ｓｉｍｕｌｔａｎｅｏｕｓ ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ｄｉｇｉｔａｌ ａｒｔｅｒｙ ａｎｄ ｓｋｉｎ ｐｅｒｆｕｓｉｏｎ ｐｒｅｓｓｕｒｅ ｂｙ ｔｈｅ ｌａｓｅｒ Ｄｏｐｐｌｅｒ ｔｅｃｈｎｉｑｕｅ ｉｎ ｈｅａｌｔｈｙ ｃｏｎｔｒｏｌｓ ａｎｄ ｐａｔｉｅｎｔｓ ｗｉｔｈ ｐｅｒｉｐｈｅｒａｌ ａｒｔｅｒｉａｌ ｏｃｃｌｕｓｉｖｅ ｄｉｓｅａｓｅ」、Ｅｕｒ Ｊ Ｖａｓｃ Ｅｎｄｏｖａｓｃ Ｓｕｒｇ．、１９９５年８月；１０（２）；２３１−６頁 Ｋａｒｅｌ Ｊ．Ｚｕｚａｋら、「Ｖｉｓｉｂｌｅ ｓｐｅｃｔｒｏｓｃｏｐｉｃ ｉｍａｇｉｎｇ ｓｔｕｄｉｅｓ ｏｆ ｎｏｒｍａｌ ａｎｄ ｉｓｃｈｅｍｉｃ ｄｅｒｍａｌ ｔｉｓｓｕｅ」、Ｐｒｏｃ．ＳＰＩＥ ３９１８、Ｂｉｏｍｅｄｉｃａｌ Ｓｐｅｃｔｒｏｓｃｏｐｙ：Ｖｉｂｒａｔｉｏｎａｌ Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｏｔｈｅｒ Ｎｏｖｅｌ Ｔｅｃｈｎｉｑｕｅｓ，１７（２０００年５月８日） Ｂｉｏｍｅｄｉｘ社（ｈｔｔｐ：／／ｗｗｗ．ｂｉｏｍｅｄｉｘ．ｃｏｍ／ｐｒｏｄｕｃｔｓ／ＰＡＤｎｅｔ＿ｐｌｕｓ．ａｓｐ） Ｊａｎｅ Ｃ ＧｏｌｄｅｎおよびＤａｎｉｅｌ Ｓ Ｍｉｌｅｓ、「Ａｓｓｅｓｓｍｅｎｔ ｏｆ Ｐｅｒｉｐｈｅｒａｌ Ｈｅｍｏｄｙｎａｍｉｃｓ Ｕｓｉｎｇ Ｉｍｐｅｄａｎｃｅ Ｐｌｅｔｈｙｓｍｏｇｒａｐｈｙ」、ＰＨＹＳ ＴＨＥＲ．１９８６年；６６：１５４４−１５４７頁 Ｍｙｅｒｓ，Ｋｅｎｎｅｔｈ、「Ｔｈｅ Ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ Ｐｅｒｉｐｈｅｒａｌ Ａｒｔｅｒｉａｌ Ｄｉｓｅａｓｅ Ｂｙ Ｓｔｒａｉｎ Ｇａｕｇｅ Ｐｌｅｔｈｙｓｍｏｇｒａｐｈｙ」、ＡＮＧＩＯＬＯＧＹ、１９６４年７月、１５：２９３−３０４頁

本発明は一般的に、閉塞よりも末梢側の微小血管灌流の検知、および後続の信号処理に関する。より詳細には、ホストコンピューティングプラットフォームに動作可能に接続された、一体型の発光および検知部品を有する小型の手指または足趾の形のセンサに関する。ホストコンピュータは、プロセッサおよびメモリを含むものであるが、身体四肢の末梢位置における血流の質を評価する信号処理アルゴリズムを実施する。

検出システムは、被験者の手指または足趾にうまくなじむように輪郭形成され構成された筐体を含む。筐体内にセンサがあり、センサは生理信号を検出および測定することができる。生理信号の測定は、たとえば、プレチスモグラフィセンサを用いた動脈流の検出を含むことができる。測定される他の生理信号は、赤外光、器官容積、皮膚温度、皮膚インピーダンス、微小血管血流速度、または皮膚張力を含むことができる。これらの信号は、いくつかの異なる種類のセンサ、たとえばフォトダイオード、電荷結合素子、圧力カフ、電極または歪みゲージで測定することができる。

筐体およびセンサは、ホストコンピュータに動作可能に接続される。ホストコンピュータは、センサから波形としてデータを受信し、信号処理技法を用いて処理するように構成される。信号処理技法の例には、信号アーティファクト検出、正規化、信号フィルタリング、および他の時間領域および周波数領域技法が含まれる。

センサ信号波形から、信号波形を特徴付けるいくつかの時間領域特徴値および周波数領域特徴値が、ホストコンピュータにより計算される。計算される値の例には、循環指数、高調波の傾き、高調波切片、収縮期上昇、スペクトル信号、スペクトルノイズ、およびスペクトル信号対雑音比が含まれる。測定値は、被験者の各肢から、または被験者の他の様々な位置で取得される。

計算された値を用いて、ホストコンピュータは、計算された値を入力として用いて予知診断を生成する。予知診断は、使用されるセンサの種類および収集される信号の種類に特有の予測モデル式を用いて計算される。予測モデル式において用いられる特定の変数および係数は、既知の診断を有する被験者に対して行われた測定の標本群から得られたセンサデータにロジスティック回帰を行うことで生成される。

被験者の人差し指に取り付けられたセンサに接続されたコンピュータホストの図である。 被験者の第二趾に取り付けられたセンサの図である。 高レベルの低周波ノイズと結合された低生理信号振幅を有する患者から得られたフォトプレチスモグラフィ（ＰＰＧ）波形の一例の図である。 図３のＰＰＧ波形の対応するスペクトル密度図である。 本発明の一実施形態による拍動指数（ＰＩ）を決定するための処理フロー図である。 スペクトル信号変数およびスペクトルノイズ変数を計算するためのＰＰＧ波形のスペクトル密度推定のスペクトルパワー図の一例の図である。 高調波減衰変数を計算するためのＰＰＧ波形のスペクトル密度推定のスペクトルパワー図の一例の図である。 ＰＰＧ波形の時間領域特徴に基づく収縮期上昇周期変数の計算を示す図である。 本発明の一実施形態による多面的アルゴリズムに基づく予測モデルのための処理フロー図である。 本発明の一実施形態による多面的アルゴリズムに基づく予測モデルのための処理フロー図である。

末梢動脈流検出システムの一実施形態において、このシステムは、ホストコンピュータと、被験者または患者から生理信号を収集するためのセンサとを含む。他の実施形態では、ホストコンピュータは代わりに、ノートブックコンピュータ、タブレット、モバイルスマートフォン、またはリモートサーバの形をとることもできる。

ホストコンピュータは、データを表示しユーザにシステムとインタラクトさせるソフトウェアアプリケーションを実行するように構成される。加えてシステムは、ホストコンピュータとインターフェースをとるように構成されるセンサを含む。インターフェースは、一実施形態では、ＵＳＢケーブルを介した有線接続の形をとることができる。

他の実施形態では、センサは、任意数の知られている無線プロトコル、たとえばＢｌｕｅｅＴｏｏｔｈ（登録商標）またはＩＥＥＥ８０２．１１によって、ホストコンピュータとインターフェースをとることができる。ソフトウェアアプリケーションが、ホストコンピュータ上で、センサ自体の中で、またはインターネットを介したリモートサーバ上で実行できることを当業者であれば認めよう。

一実施形態では、生理信号は、センサを介して被験者または患者から収集される。一実施形態では、生理信号は、フォトプレチスモグラフィ（ＰＰＧ）波形であって、ＰＰＧセンサを用いて収集されたものである。ＰＰＧ波形はパルス波形の形であるが、他の生理信号を収集するための異なる種類のセンサを用いた場合に、必ずしもパルス波形となるわけではないことは理解されよう。

センサからのデータは、ホストコンピュータに転送されて処理される。ホストコンピュータは、センサから収集されたデータを表示する。ホストコンピュータは、ＰＰＧ波形に基づいて、いくつかの値を計算することもできる。ホストコンピュータは、ＰＰＧ波形に特有の値を用いて、予知診断を計算しモニタまたはディスプレイに結果を表示するように、ソフトウェアアプリケーションなどで構成される。

加えて、種々の異なるセンサ型を用いて種々の生理信号を収集でき、これには、限定はされないが、フォトプレチスモグラフィ（ＰＰＧ）、レーザードップラー速度計測法（ＬＤＶ）、赤外線電荷結合素子（ＣＣＤ）、圧力変換器で構成された圧力カフ、皮膚インピーダンス電極、および皮膚歪みゲージが含まれることを当業者であれば理解しよう。

図１を参照すると、一実施形態では、ホストコンピュータ１１０はＵＳＢケーブル１２５により筐体１２０に接続される。ホストコンピュータ１１０は、筐体１２０から収集されたデータを表示するソフトウェアアプリケーションを実行する。

筐体は、末梢肢の一部、たとえば手指または足趾を受けるように輪郭形成されている。筐体１２０内に配置されているのは、生理信号を検出し測定するためのセンサである。一実施形態では、センサは、動脈流を検出および測定し、パルス波形の形のフォトプレチスモグラフィ信号を生成するＰＰＧセンサである。

前述のように、ＰＰＧセンサが、種々の生理信号を収集するための他種のセンサと代替可能であることは理解されよう。ＵＳＢケーブル１２５として示されたインターフェースが機能を損なうことなく他の有線または無線データインターフェースと代替可能であることもまた理解されよう。

図１において筐体１２０は左手１３５の人差し指１３０に取り付けられているように図示されているが、筐体１２０は、他の身体付属肢に取り付けることができる。たとえば、図２を参照すると、筐体１２０は被験者の右足１４５の第二趾１４０に取り付けることができる。本明細書でさらに説明されるように、他の付属肢、器官、または身体上の位置、たとえば手指、足趾、足、手、脚、耳、額、眼窩上、および表皮などからのセンサ読取値を取得するのが望ましいことがある。

一実施形態では、ネットブックコンピュータを、ホストコンピュータとして使用することができる。たとえばホストコンピュータは、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）ベースのオペレーティングシステムなどを実行するように構成することができる。典型的にはそのようなコンピュータは、中央処理装置、たとえばＡｔｏｍ Ｎ４５５ ＣＰＵを含み、約１ＧＢのランダムアクセスメモリ（ＲＡＭ）を含むであろう。加えてそのようなコンピュータは典型的には、ネットワークカード、ＢｌｕｅＴｏｏｔｈカード、およびユニバーサルシリアルバス（ＵＳＢ）ポートを含む、外部デバイスに接続するための手段を含むであろう。さらにそのようなＰＣは、小型のＬＣＤディスプレイを含むことがある。

代替のコンピューティングホストは、ＡｐｐｌｅのｉＯＳを実行しているタブレット、Ａｎｄｒｏｉｄタブレット、またはＷｉｎｄｏｗｓタブレットを含むことができる。ホストコンピュータがより小型であれば、医療関係者が患者間で持ち運ぶのがより簡単なので、可搬性が促進される。

一実施形態では、ソフトウェアアプリケーションはＣ＃で書くことができる。代わりに、いくつかの異なる言語が適することがあり、これには：Ｊａｖａ（登録商標）、ＭａｔＬａｂ、Ｃ、Ｃ＋＋、ＡＪＡＸ、Ｊａｖａｓｃｒｉｐｔ、Ｐｅｒｌ、Ｒｕｂｙ、Ｐｙｔｈｏｎ、ＶＢなどが含まれる。

どの生理信号が収集されるかに応じて、異なるセンサを使用できることは理解されよう。一実施形態では、センサは、手指または足趾を通る相対的な血流を測定するためのプレチスモグラフィセンサである。プレチスモグラフィセンサは、たとえばフォトプレチスモグラフィ（ＰＰＧ）センサ、誘導性プレチスモグラフィセンサ、歪みゲージ式プレチスモグラフィセンサ、および容積プレチスモグラフィセンサを含む、プレチスモグラフィ用のセンサのクラスを指すことは理解されよう。一実施形態では、ＰＰＧセンサは、９４０ｎｍで、同様の波長に感応するフォトダイオードとペアで動作する赤外発光ダイオード（ＩＲ ＬＥＤ）を含む。他の波長、たとえば６３０ｎｍおよび５３５ｎｍも使用可能であることは理解されよう。ＰＰＧセンサは、本明細書に記載の動作の多くを実施するようにプログラム可能なマイクロコントローラユニット（ＭＣＵ）をさらに含むことができる。他の実施形態では、ＰＰＧセンサのＭＣＵは、ホストコンピュータ自体の機能を提供することができる。適切なＭＣＵの例は、テキサスインスツルメンツにより製造されたものであり、たとえばＭＳＰ４３０シリーズＭＣＵである。他のコンポーネントをＰＰＧセンサに含めることもでき、これには、リニアテクノロジ社のＬＴＣ２４５１機種などのアナログ／デジタル変換器（ＡＤＣ）またはリニアテクノロジ社のＬＴＣ１６６９機種などのデジタル／アナログ変換器（ＤＡＣ）が含まれる。

前述のＰＰＧセンサを用いて、電圧出力、電流、またはＡＤＣビットカウントなどのデータ信号を提供することができる。そしてこのデータ信号は、ホストコンピュータによりさらに処理することができる。

一実施形態がＰＰＧセンサを用いて記載されているが、血管生理信号を得るために他のセンサタイプを使用できることは当業者には理解されよう。たとえば他の研究者は、以下の文献に記載のように、血管灌流を監視するために様々なセンサタイプが有用であることを実証しており、それらの開示は、引用によりそれらの全体が本明細書に明確に組み込まれている：

レーザードップラー速度計測法：Ｆｉｓｃｈｅｒ Ｍら、「Ｓｉｍｕｌｔａｎｅｏｕｓ ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ｄｉｇｉｔａｌ ａｒｔｅｒｙ ａｎｄ ｓｋｉｎ ｐｅｒｆｕｓｉｏｎ ｐｒｅｓｓｕｒｅ ｂｙ ｔｈｅ ｌａｓｅｒ Ｄｏｐｐｌｅｒ ｔｅｃｈｎｉｑｕｅ ｉｎ ｈｅａｌｔｈｙ ｃｏｎｔｒｏｌｓ ａｎｄ ｐａｔｉｅｎｔｓ ｗｉｔｈ ｐｅｒｉｐｈｅｒａｌ ａｒｔｅｒｉａｌ ｏｃｃｌｕｓｉｖｅ ｄｉｓｅａｓｅ」、Ｅｕｒ Ｊ Ｖａｓｃ Ｅｎｄｏｖａｓｃ Ｓｕｒｇ．、１９９５年８月；１０（２）：２３１−６頁。そのようなシステムは、レーザーを用いて表皮の局所領域を照射し、そして後方散乱レーザー光を測定する。この後方散乱光は、その速度に比例した周波数シフトを受ける。したがって、位相シフトに関連する生レーザー光、電圧、電流、またはＡＤＣカウントに関して、注目信号を生成し記録することができる。

赤外線ＣＣＤ：Ｋａｒｅｌ Ｊ．Ｚｕｚａｋら、「Ｖｉｓｉｂｌｅ ｓｐｅｃｔｒｏｓｃｏｐｉｃ ｉｍａｇｉｎｇ ｓｔｕｄｉｅｓ ｏｆ ｎｏｒｍａｌ ａｎｄ ｉｓｃｈｅｍｉｃ ｄｅｒｍａｌ ｔｉｓｓｕｅ」、Ｐｒｏｃ．ＳＰＩＥ ３９１８、Ｂｉｏｍｅｄｉｃａｌ Ｓｐｅｃｔｒｏｓｃｏｐｙ：Ｖｉｂｒａｔｉｏｎａｌ Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｏｔｈｅｒ Ｎｏｖｅｌ Ｔｅｃｈｎｉｑｕｅｓ，１７（２０００年５月８日）。赤外線ＣＣＤの場合、波長、電圧、電流、またはＡＤＣカウントの形で、信号を生成し記録することができる。

圧力カフおよび変換器：Ｂｉｏｍｅｄｉｘ社（ｈｔｔｐ：／／ｗｗｗ．ｂｉｏｍｅｄｉｘ．ｃｏｍ／ｐｒｏｄｕｃｔｓ／ＰＡＤｎｅｔ＿ｐｌｕｓ．ａｓｐ）。そのような圧力変換器は、圧力または圧力変化に関連する電流または電圧を生成することができる。これらの生の信号は、さらなる処理を可能にするためにさらにデジタル化することができる。

インピーダンスプレチスモグラフィ：Ｊａｎｅ Ｃ ＧｏｌｄｅｎおよびＤａｎｉｅｌ Ｓ Ｍｉｌｅｓ、「Ａｓｓｅｓｓｍｅｎｔ ｏｆ Ｐｅｒｉｐｈｅｒａｌ Ｈｅｍｏｄｙｎａｍｉｃｓ Ｕｓｉｎｇ Ｉｍｐｅｄａｎｃｅ Ｐｌｅｔｈｙｓｍｏｇｒａｐｈｙ」、ＰＨＹＳ ＴＨＥＲ．１９８６年；６６：１５４４−１５４７頁。名称が示唆するように、皮膚インピーダンスの変化が、皮膚電極で測定される。出力信号は通常は電流であり、電流をＡＤＣによりデジタル化しホストコンピュータへ中継することができる。

歪みゲージプレチスモグラフィ：Ｍｙｅｒｓ，Ｋｅｎｎｅｔｈ、「Ｔｈｅ Ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ Ｐｅｒｉｐｈｅｒａｌ Ａｒｔｅｒｉａｌ Ｄｉｓｅａｓｅ Ｂｙ Ｓｔｒａｉｎ Ｇａｕｇｅ Ｐｌｅｔｈｙｓｍｏｇｒａｐｈｙ」、ＡＮＧＩＯＬＯＧＹ、１９６４年７月、１５：２９３−３０４頁。このモダリティは、一般的には測定される器官を中心とした円周状に、表皮に貼付られた歪みゲージを介して実現される。したがって、動脈灌流は器官における容積変化をもたらし、これは歪みゲージの抵抗を変化させる傾向がある。このアナログ電圧を、デジタル化しホストコンピュータへ中継して処理することができる。

上述の技術的モダリティの各々において、動脈灌流は検知され、さらなる処理のための信号としてホストコンピュータへ中継される。

多面的アルゴリズム

多面的アルゴリズム（ＭＦＡ：ｍｕｌｔｉ−ｆａｃｅｔｅｄ ａｌｇｏｒｉｔｈｍ）の動作を以下説明することにする。被験者または患者の異なる肢からＰＰＧセンサから収集されたＰＰＧ波形との関連で説明を行うが、前述のような他種のセンサを用いて様々な体の位置において収集される生理信号データを用いて予知診断を分析し導出するために、ＭＦＡの方法を使用できることは理解されよう。

フォトプレチスモグラフィ（ＰＰＧ）のようなセンサから得られる信号トレースを分析して、形態特徴を得ることができる。ＰＰＧ波形の形態特徴は、肢の疾患状態を示す。ＰＰＧ波形の形態特徴は、時間領域特徴、たとえば収縮期上昇および正規化された信号を含むことができる。ＰＰＧ波形の形態特徴は、周波数領域特徴、たとえば高調波の傾き、高調波切片、スペクトル信号、およびスペクトル信号対雑音比をさらに含むことができる。様々な指標をＰＰＧ波形から計算することもでき、たとえば、米国特許第７，６２８，７６０号（その開示は、引用によりその全体が組み込まれている）に記載の循環指数（ＣＩ：Ｃｉｒｃｕｌａｔｉｏｎ Ｉｎｄｅｘ）、および本明細書に記載の拍動指数（ＰＩ：Ｐｕｌｓａｔｉｌｉｔｙ Ｉｎｄｅｘ）がある。さらなる計算値を、本明細書に記載のように、これらの特徴の各々から計算することができる。それらの計算の結果は、ＰＰＧ波形を特徴付けるものであるが、ＭＦＡにおける入力成分として用いて、動脈流動障害の確率を予測することができる。

ＭＦＡは、ＰＰＧ波形のスペクトル平坦性だけでなく、ＰＰＧ波形の他の周波数領域および時間領域特徴も考慮に入れる。ＰＰＧ波形の形態特徴から生成された計算値は、ＭＦＡへの入力として用いられ、この入力を用いて、ＣＩまたはＰＩ単独よりも信頼性高く流動障害の確率を予測することができる。

ＰＰＧ波形の形態特徴に基づいて生成可能な計算値の種類の例は、以下で説明される。

肢／指ごとの測定値および計算値：

各肢または各指からセンサを介してデータを収集することができる。データは、センサから中継され、測定終了時またはリアルタイムに分析される。一実施形態では、血液量測定値が、約５０回毎秒の速度でサンプリングされる。一実施形態では、指の測定は、有限時間、たとえば１５秒とすることができ、または、ユーザが終了を決定する連続測定とすることができる。

任意選択で、リアルタイムに、周期的に（たとえば毎秒１回）、または指測定の終了時に、測定値は、信号アーティファクトの存在に関して評価される。様々なアーティファクト検出方法を用いることができる。そのような方法には、バイスペクトル／バイコヒーレンス分析、ＤＣ不連続性評価、尖度、歪度が含まれる。一実施形態では、標本尖度法が用いられる。標本尖度法は、式１：

で表される。

信号アーティファクトを有さない測定値は、低尖度尺度、たとえば１．０未満で記録される。一実施形態では、１．０の尖度閾値により、臨床的に意義のあるアーティファクトの検出において９７％の感度および９７％の特異度を達成することができる。

センサデータは吸収光ではなく反射光を表すので、減算は、吸収光を表すように信号データを変換する単純な手段であり、吸収光は、撮像された細動脈床の容積変化に直接的に関連する。加えて、さらなる時間領域計算は、ＰＰＧ波形の正常な時間的な定位（ｔｅｍｐｏｒａｌ ｏｒｉｅｎｔａｔｉｏｎ）に依存する。加えて、血液量変化の直接的尺度である信号を生成する正規化ステップを行うことができる。以下の形（式２）のような単一の数式で信号を減算および正規化することは、計算機的に効率的かつ簡便である：

ここでｒａｗＤａｔａはセンサからのデータであり、ｉｎｉｔｉａｌＭｅｄｉａｎは初期の生データの、通常は３点の中央値である。初期点ではなく初期中央値を用いて正規化し、それによって初期の過渡状態または他の異常を許容する。他の正規化技法、たとえば（最初のｎ点の）初期平均、ｍ点（たとえば１秒）の移動平均、全体平均、または固定公称値、たとえば公称レベルに関するデータ（たとえば、１６ビットＡＤＣからの３２７６８ＡＤＣ点）を使用できることは認識されたい。

加えて他の減算技法、たとえば（最初のｎ点の）初期中央値、（最初のｍ点の）初期平均、移動平均（たとえば１秒）、全体平均、固定公称値（たとえば１６ビットＡＤＣからの３２７６８ＡＤＣ点）または固定最大値（たとえば１６ビットＡＤＣからの６５５３６ＡＤＣ点）を使用することができる。

平均信号レベル（ＤＣ）を表す量により信号を正規化することで、ピーク対トラフ（ｐｅａｋ−ｔｏ−ｔｒｏｕｇｈ）（ＡＣ／ＤＣ成分）が生成され、これは臨床的に意義があり得る。ＤＣ値により別途正規化されなければ、照明源からの平均光量を二倍することは、生のＡＣ成分を二倍することを伴うことになり、これは、初期中央値により提供されるような動的正規化技法の適用が必要なことを示していることを理解されたい。

正規化および減算の後、信号の正規化されたスペクトル密度が、ウェルチ（Ｗｅｌｃｈ）法の修正版を用いて推定される。具体的には、各スペクトル密度の正規化は、スペクトル密度推定のために各周波数のパワーを最大値で割ることで行われる。この技法はノイズの影響を低減し、ノイズの影響は、生理信号を絶対値パワーにおいて圧倒する傾向があるが、一過性のために、ウェルチ法に関する平均化およびこの方法への正規化の追加により緩和される。

たとえば、生理信号が、１Ｈｚおよび５０００パワー単位で発生し、ウェルチ法の各高速フーリエ変換（ＦＦＴ）を通して比較的一貫して現れると仮定する。しかしながら、多数のＦＦＴのうちのほんの一部に０．５Ｈｚの周波数において１００００単位のパワーを有するノイズが存在する場合、正規化によりそのパワーが１．０単位に変換される。加えて、ノイズは、ウェルチ法で用いられるＦＦＴのごく一部のみに存在することがある。ノイズ軽減の性質のために、スペクトル密度を正規化することで、基本周波数（Ｆ０）のより信頼性の高い推定が可能となる。

Ｆ０を推定するためのいくつかの方法が存在し、これには：突出（ｐｒｏｍｉｎｅｎｃｅ）、単純な最大値、高調波積スペクトル（ＨＰＳ）およびその変形が含まれる。ノイズを持たない強力な信号の場合、スペクトル密度に関する最大パワーを単に選択するなどの単純な技法が可能になる。そのような選択はさらに強化することができ、周波数範囲をたとえば０．６から２．５Ｈｚまでに狭めることで計算効率が向上する。

生理信号がノイズと混同される場合、Ｆ０をより良く推定するためには、より高度な技法が必要となる。ＨＰＳは１つのそのような方法であり、基本的に、所与の周波数およびその関連する高調波のパワーの積に関連する。たとえば、１．２Ｈｚのパワーに、２．４Ｈｚ、３．６Ｈｚ、４．８Ｈｚのパワーを乗算するなどである。この方法の変形例は、積の代わりに総和を含む。

特に有用な他の方法は、周囲の点に対するスペクトルのピークの突出、すなわち相対的な高さの使用を含む。たとえば、１．２Ｈｚの突出は、０．８Ｈｚおよび１．６Ｈｚにおけるパワーの平均に対する１．２Ｈｚにおけるパワーの比率として計算することができる。突出は、低周波においてパワーが高いが周波数が増加するにつれて減衰する低周波ノイズを含むスペクトルにおいて特に有利である。そのような場合、ＨＰＳは、突出法と同様に局所ピークを区別しない。隣接比較の幅（中心周波数からのスペクトル「距離」）は、突出法において重要なパラメータである。

分母比較の１つの選択肢はＦ０／２であり、これは理論的には、Ｆ０ピークに対するトラフに対応するはずである。ノイズが多い臨床データを用いた実証試験は、幅３５％が最適であることを示していた。たとえば、推定されたＦ０が１．２Ｈｚの場合、隣接比較周波数は０．７８Ｈｚおよび１．６２Ｈｚであった。以下の式３は、突出の計算を示す：

ここでＰ（ｆ）は所与の周波数におけるパワーであり、λはオフセット幅である。Ｆ０の選択は、最大の突出に関連する周波数に基づく。

突出およびＨＰＳの組み合わせが、本発明の範囲内であると見なされるべきであることを理解されたい。

Ｆ０の推定が行われると、信号をフィルタリングして、注目信号の変更を最小限にしながら低周波成分を除去することができる。すなわち、Ｆ０を知ることで、Ｆ０を最小限に減衰させるがＦ０未満の周波数を最大限に減衰させるコーナー周波数を有するハイパスフィルタを実施することができる。

ハイパスフィルタを実施することで、基本的に、信号がトレンド除去され、注目信号に対するより信頼性の高い時間領域および周波数領域処理が可能となる。いくつかの異なる方法が、時間領域および周波数領域の両方におけるハイパスフィルタリングのために使用可能であり、これには：バターワース、チェビシェフ、移動平均、および畳み込みが含まれる。

たとえば、４次の双方向バターワースフィルタにより、急峻な減衰、零位相シフトが可能となり、合理的に計算上効率的かつ安定である。加えて、帯域通過範囲において平坦な周波数応答を提供し、これは、比較的純粋な信号に依存するさらなる周波数領域処理のために特に重要である。Ｆ０の約４０％のコーナー周波数を選択すると、５％前後にＦ０の減衰が制限される傾向があるが、たとえば：不随意運動、周囲光の変化、および呼吸などに起因する成分が効果的に減衰する。

米国特許第７，６２８，７６０号に記載のように、循環指数（ＣＩ）は、信号の準周期成分の強度の尺度であり、基本的にスペクトル平坦性尺度（ＳＦＭ：Ｓｐｅｃｔｒａｌ Ｆｌａｔｎｅｓｓ Ｍｅａｓｕｒｅ）を補うものである。ＳＦＭのように、ＣＩは０から１までの大きさであるが、パーセンテージ（たとえば０％から１００％まで）として表されることもある。ＳＦＭは音声処理および他のアプリケーションで使用されているが、米国特許第７，６２８，７６０号に記載のような限定された状況を除いて、ＳＦＭは心臓血管信号アプリケーションで使用されていない。

ＣＩの計算は、様々なトレンド除去方法により信号の低周波成分を除去することで改善することができ、これらの方法には：ハイパスフィルタリング、線形回帰、多項式フィッティング、キュービックスプラインフィッティング、または平滑化事前分布が含まれる。通常は生理学的プロセスおよび／または環境条件に関連する低周波成分の除去は、細動脈循環の容積変化に関連しない。すなわち、呼吸、不随意運動、および環境光変化は、前処理ステップとして信号から基本的に除去することができ、ＣＩのより臨床的に重要な推定値を生成することができる。

スペクトル平坦性尺度（ＳＦＭ）は通常、ＰＳＤの全周波数範囲にわたって定義されるが、任意の周波数帯域に適用することもできる。具体的には、一実施形態は、０．６Ｈｚから８．０Ｈｚまでの周波数範囲を含み、この範囲にはほとんどの患者の基本周波数および対応する３つの高調波が含まれる。

一代替実施形態は、ＣＩの代わりに、またはＣＩに加えて、拍動指数（ＰＩ）を用いる。前述および米国特許第７，６２８，７６０号に記載のように、ＣＩは、陽性ＰＡＤ診断の確率を予測するための独立メトリックに関連付けられ、独立メトリックとして使用することができる。

一部の患者において、ＰＰＧ波形のスペクトル平坦性単独では、ＰＡＤ診断の信頼性の高い予測を与えることができない。近位流動障害の患者では、ＰＰＧ波形は、高レベルの低周波ノイズと結合された低生理信号振幅を示すことがある。患者の呼吸、不整脈、低周波の血流変化、または他の周囲光および運動アーティファクトもまた、ＰＰＧ波形のスペクトル平坦性に影響することがある。

被験者の左足から取得されたそのようなＰＰＧ波形の一例が図３に示される。ＰＰＧ波形２１０が、時間にわたる振幅としてプロットされている。観察され得るように、ＰＰＧ波形２１０は、高レベルの低周波ノイズに結合された低生理信号振幅を示している。このことは、ＰＰＧ波形２１０に関する対応するパワースペクトル密度図を見るとより明白となる。

図４の対応するスペクトル密度図から分かるように、波形は、低周波ピーク２２５の突出を特徴とする。この低周波パワーは、高レベルのノイズが存在することを示す。これらの種類の患者では、米国特許第７，６２８，７６０号に記載の循環指数（ＣＩ）などの方法を用いてスペクトル平坦性尺度単体からのみ計算される予測は、歪んだ結果を与えることがある。この理由は、低周波ノイズによりスペクトル平坦性尺度が低下し、ひいてはＣＩが異常に高くなるためである。

流動障害の唯一の予測因子としてのスペクトル平坦性に基づくＣＩのそのような制限を克服するために、代替のアルゴリズムを使用することができる。この代替のアルゴリズムは、拍動指数（ＰＩ）と呼ばれるが、以下説明することにする。

拍動指数（ＰＩ）は、基本周波数およびその高調波におけるスペクトルパワーを、それらの間のトラフにおけるパワーとの比較で考慮して、非生理信号ノイズを無視することで、この問題に対処する。

図５に、拍動指数を決定するための１つのそのようなアルゴリズムの主な処理ステップを示す。３１０で示される信号ｘ（ｎ）で開始して、拍動指数を決定する際の最初のステップは、ステップ３２０に示されるように信号をトレンド除去することである。これは、波形のトレンドを推定し除去することで実現することができる。トレンドは任意数の方法を用いて推定することができ、これには、限定はされないが：平滑化事前分布法、線形回帰、多項式フィッティング、キュービックスプラインの使用、またはハイパスまたはローパスフィルタの適用が含まれる。一実施形態では、波形のトレンドは、式４に示すように、トレンドを推定するための有限インパルス応答（ＦＩＲ）ローパスフィルタを用いて推定される：

ここでＭはインパルス応答ｈ（ｎ）の長さであり、ｎは離散時間インデックスであり、ｘ（ｋ）は入力信号であり、ｘ_ｔ（ｎ）は出力である。一実施形態では、インパルス応答は等しい重みを有する。他の実施形態では、Ｅｐａｎｅｃｈｎｉｋｏｖカーネルが、インパルス応答として用いられる。

カーネルの幅は、カットオフ周波数の見地から指定される。一実施形態では、アルゴリズムは、０．５Ｈｚのカットオフ周波数を用いる。０．５Ｈｚで、カットオフ周波数は、トレンドの推定において心臓周期を含まないようにするのに十分低いが、低周波ドリフトに影響する呼吸および他の要素の付加的な効果を含むのに十分高い。他の実施形態は、Ｆ０の推定値に基づいて動的なコーナー周波数を用いることができる。高速フーリエ変換（ＦＦＴ）アルゴリズムを用いて、アルゴリズムの計算コストを減らすことができる。一実装では、最初および最後の部分（たとえば０．５秒）は、フィルタのエッジ効果を除去するために、切り捨てられる。

そして、トレンド除去された信号は、単に原信号からのローパス信号（トレンド）の減算として計算される：

信号がトレンド除去された後、ステップ３３０に示されるように信号のスペクトル密度が推定される。任意数の方法を用いてスペクトル密度を推定することができ、これには、限定はされないが：パワースペクトル密度（ＰＳＤ）、ウェルチ法、およびバーグ（Ｂｕｒｇ）法が含まれる。一実施形態では、スペクトル密度推定は、パワースペクトル密度（ＰＳＤ）である。ＰＳＤは、パラメトリック法またはノンパラメトリック法を用いて推定することができる。一実装では、ＰＳＤは、ブラックマン−テューキースペクトル推定法を用いて推定される。信号の自己相関が、式７に示されるように、標準バイアス推定量（ｓｔａｎｄａｒｄ，ｂｉａｓｅｄ ｅｓｔｉｍａｔｏｒ）を用いて推定される：

ここでＮはトレンド除去されたセグメントの長さであり、セグメントのインデックスは０からＮ−１までであり、ｌは推定値が計算される遅延を示すインデックスである。

そして、自己相関にウィンドウｗ_ａ（ｌ）が乗算され、ウィンドウ化された自己相関関数の離散時間フーリエ変換が計算される。任意数のウィンドウ化技法を用いることができ、これには、限定はされないが、ブラックマン、ハミング、ハニングなどが含まれる。一実施形態では、式８に示すように、ブラックマンが用いられる：

ここでωは周波数インデックスである。心臓周期によるＰＳＤ内のピークを推定するのに十分な持続時間が存在するが、推定値の分散を大幅に低減しスプリアスピークを排除するのに十分な平滑化も与えられるように、ウィンドウが選択されるべきである。一実装では、ブラックマン自己相関ウィンドウは、８秒の持続時間を有する。

ＰＳＤが推定された後、基準を最適化する心拍数をあり得る心拍数周波数の範囲にわたって検索することで、ステップ３４０に示されるように心拍数を推定することができる。一実施形態では、０．７Ｈｚから２．５Ｈｚまでの周波数範囲で検索が行われ、この範囲は、４２から１５０拍毎分に相当する。基準は、高調波の間のトラフにおけるＰＳＤのパワーに対する候補心拍数の高調波におけるパワーの総和に基づく。この方法は、前述の突出法の変形である。高調波のパワーは、式９に示されるように、ピークの整数倍におけるＰＳＤの値として算出される：

ここでＮ_ｈは使用される高調波の数である。一実施形態は、基本波（Ｆ０）および３つの高調波（Ｆ１、Ｆ２、Ｆ３）を用いる。高調波信号のパワーは、他の方法、たとえば、近接する周囲の隣接周波数を有する各ピークの面積を計算することなどで推定することができる。

トラフのパワーは、高調波の間の周波数におけるＰＳＤの値として計算される。一実装では、高調波の各ペアの間の３つの周波数が用いられ、具体的には、式１０に示されるように、中点（５０％ピーク間点）、４０％ピーク間点、および６０％ピーク間点である：

心拍数を決定するための基準は、式１１に以下に示されるように、トラフにおけるＰＳＤパワーの総和を、ピークにおけるＰＳＤパワーの総和で割った比として計算される。

最小比を有する候補心拍数が、式１２に示されるように、推定心拍数として選択される：

ここで、関数ａｒｇｍｉｎは、ρ（ω）の最小値に関するインデックスを指す。

心拍数が推定された後、拍動指数を、式１３に示されるようにステップ３５０において計算することができる：

ここでρ（ω_ｈｒ）は、推定心拍数で評価された、より前段で記述した比である。拍動指数は、図５の参照文字ｂ３６０で表される。

ピーク周波数における高いパワーに対応する小さい比は、大きい拍動推定値となる。トラフにおけるより大きいパワー、およびピークにおけるより小さいパワーに対応する大きい比は、小さい拍動推定値に対応する結果を返す。

具体的に、ＭＦＡに戻ると、トレンド除去により低周波成分が除去された後、低周波ノイズに支配されない従来のスペクトル密度推定を行うことができる。また、以前に論じられたような様々な方法を用いることができ、これには従来のウェルチ法が含まれる。このスペクトル密度推定は、Ｆ０をより正確に推定するのに特に有益であり得る。典型的には、０．６Ｈｚから２．５Ｈｚまでのような特定の周波数範囲の間のピークパワーは、Ｆ０に対応し得る。また、Ｆ０を推定する様々な方法を用いることができる。一実施形態では、突出法が用いられる。

スペクトル密度推定により、スペクトル信号、スペクトルノイズ、スペクトル信号対雑音比（ＳＮＲ）などの変数の計算のベースが与えられる。図６に、ＰＰＧ波形４０５のスペクトル密度推定のスペクトルパワー図４００を示す。スペクトルパワー図４００から、基本周波数４１０（Ｆ０）、ならびに第１高調波４１５（Ｆ１）、第２高調波４２０（Ｆ２）、および第３高調波４２５（Ｆ３）を、ＰＰＧ波形４０５の推定スペクトル密度から識別することができる。

スペクトル信号（「ｓｐｅｃ．ｓｉｇ」）およびスペクトルノイズ（「ｓｐｅｃ．ｎｏｉｓｅ」）は以下から計算することができる：

ここでＰ_ｉはＦ０、Ｆ１、Ｆ２、．．．Ｆｎにおけるパワーであり、Ｐ_ｊはＦ０／２、３Ｆ０／２、５Ｆ０／２、．．．（Ｎ＋１）Ｆ０／２におけるパワーであり、これは通常は図６の「ｘ」マーク４１２に対応する。

スペクトルＳＮＲ（「ｓｐｅｃ．ＳＮＲ」）は、以下の式１６に示されるように計算される。スペクトルＳＮＲが前述のＰＩと多数の類似点を共有することは認識されたい。

図７を参照すると、ＰＰＧ波形４５５のスペクトル密度推定のスペクトルパワー図４５０の他の例が示されている。また、基本周波数４６０（Ｆ０）、ならびに第１高調波４６５（Ｆ１）、第２高調波４７０（Ｆ２）、および第３高調波４７５（Ｆ３）は、ＰＰＧ波形４５５の推定スペクトル密度から識別することができる。

基本周波数および高調波周波数を識別した場合、高調波減衰（ＨＤ：Ｈａｒｍｏｎｉｃ Ｄｅｃａｙ）を、式１７を用いて定義することができる：

ここでＡは高調波切片であり、ｂは高調波の傾きであり、ｆは高調波番号（０、１、２、３など）または実際の対応周波数（１．２、２．４、３．６、４．８Ｈｚなど）である。高調波番号または実際の周波数を、高調波減衰変数の計算で用いることができる。いくつかの例では、高調波番号は実際に、絶対周波数よりも統計的に重要な変数を与える。

高調波の傾き（「ｈａｒｍ．ｓｌｏｐｅ」）の計算は、標準的な最小二乗法を用いるか、または市販のソフトウェアパッケージであるＭｉｃｒｏｓｏｆｔ Ｅｘｃｅｌで使用されるＬＩＮＥＳＴ関数およびＩＮＤＥＸ関数を用いて、以下の公式で行うことができる：

ここでＰ_Ｆ０は基本周波数のパワーであり、Ｐ_ＦｉはＦ０の第ｉ高調波のパワー、すなわち第１高調波（Ｐ_Ｆ１）、第２高調波（Ｐ_Ｆ２）などである。任意数の高調波を用いることができるが、十分な臨床的有用性は通常、第３高調波（ｉ＝３）までを用いて達成することができる。上記の関数は、高調波のパワーがＦ０のパワーで正規化されること（たとえばＰ_Ｆｉ／Ｐ_Ｆ０）を示す。一代替実施形態は、この正規化を除外する。

同様に、高調波切片（「ｈａｒｍ．ｉｎｔ」）は、以下の公式を用いて計算することができる：

また、典型的な最小二乗関数を、上記のＭｉｃｒｏｓｏｆｔ Ｅｘｃｅｌ関数の代わりに用いることができる。同様に、高調波切片を、Ｆ０のパワーで正規化してもよいし、しなくてもよい。

正確な高調波減衰変数に加えて、トレンド除去された信号もまた、Ｆ０の正確な推定値のベースとなり、これはさらなる時間領域および周波数領域計算において重要である。また、いくつかの方法を用いて、前述のようにＦ０を推定することができる。一実装は、式３に記載の突出法を用いる。

信頼性の高いＦ０が推定されると、信号をさらにフィルタリングして、注目信号より高い側にある高周波成分を除去することができる。また、いくつかの方法を用いて、時間領域および周波数領域の両方において高周波成分を除去することができ、これには：バターワース、チェビシェフ、移動平均、および畳み込みが含まれる。一実装では、たとえば、Ｆ０の４．５倍のコーナー周波数を有する４次の双方向バターワースローパスフィルタを用いる。たとえば、Ｆ０＝１．２Ｈｚの場合、コーナー周波数は５．４Ｈｚに設定されることになる。このコーナー周波数の選択を選択することで、Ｆ０と第３高調波に続く「トラフ」との間で信号が変わらない。一般的には、コーナー周波数の選択は、以下の式に基づき得る：

ここでＨＮは高調波番号（たとえば、３）である。

より高い周波数成分の減衰により、注目する周波数成分のみを含む信号が得られる。高周波ノイズを除去することで、たとえば、ピークおよびトラフ検出、または単に「ピーク検出」のより信頼性の高い手段が可能となる。

周波数領域特徴に加えて、ＰＰＧ波形は、いくつかの時間領域特徴を有することになる。

頑健なピーク検出は、収縮期上昇（ＳＲ：Ｓｙｓｔｏｌｉｃ Ｒｉｓｅ）変数を信頼性高く計算するために重要である。ノイズの多い信号には積極的なフィルタリングが有利であるが、フィルタ仕様は、信号の形状を著しく変更しないように注意して選択すべきである。したがって、Ｆ０の０．４０倍から４．５倍までの周波数範囲を選択することで、合理的にフィルタリングされた信号が与えられ、これにより注目信号を歪ませることのない頑健なピーク検出が可能になる。

ＰＰＧ波形のＳＲ特徴を、図８を参照して論じることにする。波形５１０のＳＲは、周期５２０（Ｐ）のパーセンテージとして表すことができ、次のように計算される：

ここでＳは波形がトラフからピークへ上昇するのに要する時間５２５であり、Ｐは信号の周期である。あるいは、ＳＲは絶対的に表してもよい。

収縮期上昇は測定肢におけるＰＡＤと相関があり、疾患肢はＳＲ周期がより長い。ＳＲの適切な決定は、波形内の適切なピークおよびトラフの決定に左右される。一実装では、ピークの検出は、まず、最初の候補ＳＲを最大疑似傾き

に基づいて推定することで行われ、ここでｄｙはパルス振幅の変化でありｄｘは時間の変化であり、６０ミリ秒から推定周期（Ｐ０）までの様々なラン距離（ｒｕｎ ｄｉｓｔａｎｃｅ）ｄｘを通して行われ、推定周期は、推定されたＦ０から導出される。そして疑似傾き配列が生成され、疑似傾き配列は、候補ＳＲに基づく固定ラン（ｆｉｘｅｄ ｒｕｎ）（ｄｘ）を有する

を表す。疑似傾き配列は、ＰＰＧのＳＲ特徴の中心を推定するために用いられる。ピークおよびトラフを発見するのに用いられるのはこの特徴（収縮期の傾き）であり、単一点ではない。

そして、疑似傾き配列の最大値として定義された中心インデックスを用いてＰＰＧ波形を見直すことで、ピークおよびトラフが位置特定される。まず、

の第１の極大値が位置特定され、これは第１の収縮期傾き特徴に対応する。そして、ｄｘのインデックスを中心インデックスから開始して、引数

を最大化することで、トラフが識別される。最小値が発見され確認されると、対応する最大値が探索される。最小値および最大値のペアは、トラフおよびピークにそれぞれ対応し、ピーク配列に追加される。そして、次の中心インデックスが、１周期分だけ増加される。そして、その中心インデックスが、±Ｐ０／２内（半周期内）で傾き配列の最大傾きと一致するように調整される。この処理は、ＰＰＧ波形全体にわたって反復されて、ＰＰＧ波形内の周期ごとにトラフとピークのペアを識別するピーク配列が生成される。

まとめると、ピークは以下の基準に従って識別することができる：
・ペアで発生する
・Ｐ０の距離で名目上発生する
・信号の最も急峻で最長の上昇部を囲む（収縮期上昇周期５２５、Ｍ２＝ｄｙ^２／ｄｘ）
・トラフは：Ｍ２の中心からのｍａｘａｒｇ_ｘ（ｄｙ^２／ｄｘ）により識別される
・トラフは信号配列の端には無い
・ピークはトラフの後に発生する
・ピーク＞周囲の２点
・トラフおよびピークの間の距離（ｄ）は：１５％Ｐ０≦ｄ≦５０％Ｐ０

比較計算

さらなる診断精度は、後続の肢または指の測定および変数計算により達成することができる。たとえば、足趾から手指へ、または左足の足趾から右足の足趾へ行われた同じ計算を比較することで、疾患を臨床的に示す相対変数を生成することができる。一例として、足趾の循環指数（ＣＩ）を、様々な方法で手と比べることができ、たとえば比（たとえばＣＩ_ｔｏｅ／ＣＩ_{ｆｉｎｇｅｒ}）または差（たとえばＣＩ_ｔｏｅ−ＣＩ_{ｆｉｎｇｅｒ}）などである。さらに、足趾対手指変数は、種々のベース（たとえば除数または減数）を用いることができ、たとえば：平均、「最良（ｂｅｓｔ）」、最大、または最小（たとえばＣＩ_{ｌｅｆｔ−ｔｏｅ}／ＣＩ_{ＡＶＧ（ｆｉｎｇｅｒｓ）}またはＣＩ_{ｌｅｆｔ−ｔｏｅ}／ＣＩ_{ＭＡＸ（ｆｉｎｇｅｒｓ）}）などである。加えて、所与の足趾を、反対側の足趾、または足趾の平均と比較することができる（たとえばＣＩ_{ｌｅｆｔ−ｔｏｅ}／ＣＩ_{ＡＶＧ（ｔｏｅｓ）}）。本明細書に記載の各改変例が、各肢ごとの変数（たとえばＣＩ、ＰＩ、高調波の傾きなど）に適用可能であることは認識されたい。

「最良」ベースは単に、手、器官の位置、または一般の肢であり、これは特定の質に基づいて選択される。たとえば、最良の手は、２つの手のうちの最大のＳＮＲまたはＣＩに基づいて選択されることがある。したがって、その手は、各比較計算のベースとして用いられる。

したがって、いくつかの変数を用いて、相対肢変数（たとえばＣＩ_{ｌｅｆｔ−ｔｏｅ}／ＣＩ_{ＡＶＧ（ｆｉｎｇｅｒｓ）}）に加えて絶対肢変数（たとえばＣＩ_{ｌｅｆｔ−ｔｏｅ}）を用いることで、所与の肢の流動障害の確率を推定することができる。

予測モデル

流動障害に対する予測モデルは、絶対変数および相対変数を用いて生成することができる。一実装は、以下の形のロジスティック関数を用いる：

ここでＰ（Ｄｘ）は流動障害の確率であり、ｖ_１、ｖ_２、．．．ｖ_ｎは上記で議論された計算に基づく絶対変数および相対変数であり、Ｃ_０、Ｃ_１、Ｃ_２、．．．Ｃ_ｎは各変数に対応する係数である。

センサの種類または機種に特有の予測モデルを決定するために、既知の診断を有する被験者の標本集団から、センサデータがたとえば各肢から採取される。上述の技法を用いて、各肢からの信号が処理されて、上述のセンサデータを特徴付ける肢ごとの変数および比較変数が計算される。通常肢および異常肢測定値からの集約データに対して行われるロジスティック回帰モデルを用いて、各変数に対する係数が決定される。

いくつかの変数に対する係数が零であることがあり、これは変数が統計的に有意でなく省略可能であることを意味することに留意されたい。式２２は０．０から１．０までの範囲の値を生成し、特定の閾値（たとえば０．５）未満の値は、肢が流動障害であることを示唆する。

上記の閾値は、感度、特異度、および精度を考慮して、感度分析に基づいて決定することができる。一実施形態では、感度が、特異度より有利であることがある。他の実施形態では、閾値を、精度の最大化に基づいて設定することができる。

係数および閾値の値が、当業者であれば上述の方法を用いて容易に決定できることは理解されよう。

特定の例として、一実施形態は流動障害を予測するために以下の式を用いる：

ここで、使用変数および対応係数は、以下の値および９５％信頼区間を含む：

一実施形態では、センサはメモリを含むことができ、関連する係数がメモリへロードされ、ホストコンピュータへダウンロードされるようにメモリは構成される。予測モデルに対して計算される関連する係数および変数は、ホストコンピュータに接続されたセンサの種類または機種に応じて異なる場合がある。他の実施形態では、関連する係数はメモリへロードされ、ホストコンピュータに挿入されたメモリカードを介してホストコンピュータにダウンロードされる。さらに他の実施形態では、関連する係数はメモリにロードされ、ＵＳＢドライブを介してホストコンピュータにダウンロードされる。他の実施形態では、係数は、リモートサーバからホストコンピュータへロードされる。

図９Ａおよび図９Ｂに、４つの機能肢、すなわち右腕、左腕、右足、および左足を有する患者に対する一例示的実装における多面的アルゴリズムの動作ステップを説明する処理フロー図を示す。この例では、ホストコンピュータに接続されたＰＰＧセンサは、ＰＰＧセンサにデータを取得させるために、各肢に取り付けられる。

各肢に対して、ＰＰＧセンサはステップ７１０のようにデータ信号を取得する。次いで、ホストコンピュータ、あるいはセンサ自体は、ステップ７１２に示されるように、任意の信号アーティファクトを識別する。次いで、ステップ７１４に示されるように、信号は減算され正規化される。ステップ７１６に示されるように、正規化されたスペクトル密度が、取得されたセンサ信号に対して推定され、基本周波数および高調波がステップ７１８において識別される。ステップ７２０において信号はハイパスフィルタで処理されて、低周波ノイズ成分が除去される。

低周波ノイズが除去された後、異なる変数を計算するために、信号をいくつかの異なる方法で処理することができる。１つの経路では、循環指数（ＣＩ）がステップ７３０で計算されて、ステップ７３２で評価される特定の肢に対するＣＩが生成される。

図９Ａおよび図９Ｂには明示されないが、ＣＩを計算する代わりに、またはこれに加えて、ＰＩを各々に対して計算できることは理解されよう。

ステップ７４０のように、信号を処理して、ＰＰＧ波形の絶対スペクトル密度を推定することもできる。このステップから、スペクトル信号、スペクトルノイズ、およびスペクトル信号対雑音比を、ステップ７４２に示されるように計算することができる。同じ情報から、高調波の傾きおよび高調波切片を、ステップ７４４に示されるように計算することもできる。

ステップ７４０から、スペクトル密度の基本周波数を、ステップ７５０において決定することができる。そして、ステップ７６０において信号をローパスフィルタを通過させることができ、これから信号のＡＣ振幅をステップ７６２において計算することができる。ローパスフィルタステップは、信号のより高い周波数成分を減衰させる働きをして、ステップ７７０の信頼性の高いピークおよびトラフ検出を容易にする。

ピークおよびトラフがステップ７７０において検出されると、収縮期上昇周期をステップ７７２において前述のように計算することができる。

この処理は、患者の四肢の各々に対して反復される。四肢全てからのデータが収集されると、ホストコンピュータは、ステップ７８０、７８２、７８４、７８６、７８８、および７９０に示されたような比較変数を計算する。

比較変数の値を計算した場合、ホストコンピュータは、計算された比較変数および所定の係数の組を用いて、予知診断を計算する。予知診断は、ホストコンピュータに接続または統合されたモニタなどの表示器（ｉｎｄｉｃａｔｏｒ）上に表示することができる。

本発明の趣旨および範囲内で、特定の例示の機能ブロックが省略、並べ替え、結合、または分離可能であることを当業者であれば理解しよう。同様に、本発明の趣旨および範囲内で、特定の例示のソフトウェアステップが省略、並べ替え、結合、または分離可能であることを当業者であれば理解しよう。図９Ａおよび図９Ｂに示された処理フローに対する全てのそのような適切なトポロジー的および論理的に適切な代替物は、本発明の趣旨および範囲内であると考えられる。さらに、そのようなステップは、ソフトウェアにより実装されているように示されているが、ハードウェアおよび／またはファームウェアにより適切に実装することができる。

上記のステップはＰＰＧセンサに特有の用語で記載されているが、異なるセンサ技術を使用できることも当業者であれば理解しよう。加えて、上記の例は手および足、または手指および足趾の使用を示しているが、他の身体器官を同様に調べることができる。

実験

ＰＰＧセンサを用いた一実験では、実験の目的は、ＰＰＧ検知デバイスからのデータを用いて末梢動脈流動障害（ＦＯ）を予測するアルゴリズムを開発することであった。

ＰＰＧセンサからの生データが、７０人の患者から収集された。５５人の患者は、末梢動脈疾患の疑いがある兆候または症状と共に、５つの血管センターを訪れた。各患者は、各人差し指および各第二趾の両方においてＰＰＧデバイスで検査され、続いて、実績のある画像モダリティ（たとえば複式超音波、血管造影法など）で評価された。加えて、１５人の正常対照被験者も同様に、ただし追加の画像モダリティなしで測定された。

次いで、ＰＰＧセンサからの生データファイルがソフトウェアアプリケーションで分析され、このソフトウェアアプリケーションは：循環指数（ＣＩ）、収縮期上昇（ＳＲ）、高調波の傾き（ＨＳ）、高調波切片（ＨＩ）、スペクトル信号（ＳＳ）、スペクトルノイズ（ＳＮ）、スペクトル信号対雑音比（ＳＮＲ）を含むいくつかの異なる変数の計算を行った。加えて相対変数が、足趾に対して、手指と比較して計算された。ＦＯを患っている肢は１の診断値が割り当てられ、ＦＯが無い肢は０が割り当てられた。次いでこのデータは、ＸＬＳｔａｔ（バージョン２０１２．５．０２）により、モンテカルロシミュレーションにおいてロジスティック回帰分析を用いて評価された。すなわち、１０７肢がランダムに選択され、ロジスティックモデルが作成され、そして他の３０肢に対して検証された。

７０人の被験者および１３７肢から、７４肢は流動障害があり、６３肢は流動障害が存在しなかった。重要な変数には、式２４にリスト化されたもの：ＣＩ（足／手最大値）、高調波の傾き（足／手最大値）、高調波切片、高調波切片（足−手最大値）、スペクトル信号（足／手最大値）、および収縮期上昇が含まれていた。ＦＯの予測における中央値精度は、８９．７％であった。

本発明が、本明細書で説明および例示された方法、または、構造、製造、材料、用途もしくは使用の詳細に限定されないことは理解されよう。実際に、製造、使用または用途の任意の適切な変形例は、一代替実施形態と考えられ、したがって、本発明の趣旨および範囲内である。

使用もしくは動作の用途もしくは方法、構成、製造の方法、形状、大きさ、または原料の任意の変更によって得られる本発明の任意の他の実施形態は、本明細書に含まれる詳細な記載説明または例示では示されないが当業者には理解されるはずのものであり、本発明の範囲内であることがさらに意図される。

最後に、本明細書で説明され例示された発明の方法、システムおよび装置が、ソフトウェア、ファームウェアまたはハードウェア、あるいはそれらの任意の適切な組み合わせで実装できることを当業者であれば理解しよう。低コストおよび柔軟性の目的で、この３つの組み合わせで、方法および装置を実装することが好ましい。したがって、本発明の方法およびシステムの実施形態が、命令が内部で実行されるコンピュータまたはマイクロプロセッサ処理により実装可能であり、その命令がコンピュータ可読媒体上に実行用に格納され、任意の適切な命令プロセッサにより実行されることを当業者であれば理解しよう。

したがって、本発明は、発明された装置の前述の実施形態を参照して示され説明されたが、添付の特許請求の範囲に定義された本発明の趣旨および範囲から逸脱することなく形式および細部の他の変更がなされ得ることは当業者にとって明らかであろう。

Claims (20)

1. 末梢動脈流動障害検出システムであって、
   末梢肢の一部を受けるように輪郭形成された筐体と、
   筐体内にあって、検出された動脈流に基づいてパルス波形出力を生成するプレチスモグラフィ信号センサと、
   前記センサと動作可能に接続されたホストコンピュータと
   を備え、
   ホストコンピュータは、時間領域特徴計算値および周波数領域特徴計算値からなるグループから選択された少なくとも２つの計算値を含む、パルス波形に基づく値を計算するように構成され、
   ｎは、ホストコンピュータにより行われる時間領域特徴計算および周波数領域特徴計算の数の総和に等しい値を有し、
   ホストコンピュータは、式
   

   

   を用いて予知診断を計算するようにさらに構成され、
   Ｐ（Ｄｘ）は流動障害の確率であり、
   ｖ_１からｖ_ｎは、時間領域特徴計算値および周波数領域特徴計算値を含むグループから選択された少なくとも２つの計算値を含み、
   係数ｃ_０からｃ_ｎは所定の係数であり、
   計算された予知診断を表示するように構成される表示器
   を備える、システム。
2. センサがフォトダイオードを備える、請求項１に記載のシステム。
3. センサが電荷結合素子（ＣＣＤ）を備える、請求項１に記載のシステム。
4. 生理信号が赤外光を含む、請求項１に記載のシステム。
5. 係数ｃ_０からｃ_６がロジスティック回帰により決定される、請求項１に記載のシステム。
6. プレチスモグラフィ信号センサがフォトプレチスモグラフィセンサである、請求項１に記載のシステム。
7. プレチスモグラフィ信号センサが容積プレチスモグラフィセンサである、請求項１に記載のシステム。
8. 循環障害検出システムであって、
   筐体と、
   循環を示す生理信号を受けるように配置された筐体内のセンサと、
   生理信号を受信するように前記センサと動作可能に接続され、生理信号を分析し、ａ）時間領域特徴計算値およびｂ）周波数領域特徴計算値からなるグループから選択された少なくとも２つの計算値を計算するように構成されるホストコンピュータと
   を備え、
   ホストコンピュータは、循環障害の確率を予測するロジスティック関数において、前記少なくとも２つの計算値を用いて予知診断を計算するようにさらに構成され、
   計算された予知診断を表示するように構成される表示器
   を備える、システム。
9. センサがフォトダイオードを備える、請求項８に記載のシステム。
10. センサが電荷結合素子（ＣＣＤ）を備える、請求項８に記載のシステム。
11. センサが、圧力変換器で構成される圧力カフを備える、請求項８に記載のシステム。
12. センサが歪みゲージを備える、請求項８に記載のシステム。
13. 生理信号が赤外光を含む、請求項８に記載のシステム。
14. 生理信号が器官容積を含む、請求項８に記載のシステム。
15. 生理信号が皮膚温度を含む、請求項８に記載のシステム。
16. 生理信号が皮膚張力を含む、請求項８に記載のシステム。
17. 生理信号が血流速度を含む、請求項８に記載のシステム。
18. 末梢動脈流動障害検出システムであって、
    末梢肢の一部を受けるように輪郭形成された筐体であって、末梢肢の一部からフォトプレチスモグラフィ信号を検出可能なセンサをさらに備え、センサがパルス波形を生成する、筐体と、
    前記センサと動作可能に接続されたホストコンピュータであって、循環指数、高調波の傾き、高調波切片、スペクトル信号、および収縮期上昇を含む、パルス波形に基づく値を得るように構成される、ホストコンピュータと
    を備え、
    ホストコンピュータは、式
    

    

    を用いて予知診断を計算するようにさらに構成され、
    Ｐ（Ｄｘ）は流動障害の確率であり、
    ｖ_１は循環指数（足／手最大値）であり、
    ｖ_２は高調波の傾き（足／手最大値）であり、
    ｖ_３は高調波切片であり、
    ｖ_４は高調波切片（足−手最大値）であり、
    ｖ_５はスペクトル信号（足／手最大値）であり、
    ｖ_６は収縮期上昇であり、
    係数ｃ_０からｃ_６は所定の係数であり、
    計算された予知診断を表示するように構成される表示器
    を備える、システム。
19. ｃ_０が１５．９９から２０．１１までの範囲の値を有し、
    ｃ_１が−３３．９４から−３８．７６までの範囲の値を有し、
    ｃ_２が３．８０から４．３８までの範囲の値を有し、
    ｃ_３が−７．１６から−８．４６までの範囲の値を有し、
    ｃ_４が５．１２から６．５２までの範囲の値を有し、
    ｃ_５が−２．１４から３．２８までの範囲の値を有し、
    ｃ_６が４１．８１から４５．６１までの範囲の値を有する、
    請求項１８に記載のシステム。
20. ｃ_０が１８．０５の値を有し、
    ｃ_１が−３６．３５の値を有し、
    ｃ_２が４．０９の値を有し、
    ｃ_３が−７．８１の値を有し、
    ｃ_４が５．８２の値を有し、
    ｃ_５が２．７１の値を有し、
    ｃ_６が４３．７１の値を有する、
    請求項１９に記載のシステム。

Images