JP2021528148A - 生体物理信号における非同期ノイズを定量化し、かつ除去するための方法およびシステム - Google Patents

Abstract

本開示は、概して、心臓血管循環および他の生理学的系を特徴付けるための非侵襲的方法およびシステムに関する。より具体的には、ある態様において、本開示は、取得された生体物理信号（例えば、心臓信号、脳信号など）からの非同期ノイズのフィルタリングに関する。本明細書に記載される例示的な方法およびシステムは、筋肉アーチファクトノイズ汚染などの非同期ノイズの定量化および／または除去を容易にし、取得された心臓信号、脳信号などにおけるものなどの準周期的な生体物理信号システムにおける複雑な非線形変動性をより正確に評価する。
【選択図】図１Ｂ

Description

関連出願の相互参照
本国際ＰＣＴ出願は、２０１８年６月１８日に出願され、「ＭＥＴＨＯＤＳ ＡＮＤ ＳＹＳＴＥＭＳ ＴＯ ＱＵＡＮＴＩＦＹ ＡＮＤ ＲＥＭＯＶＥ ＡＳＹＮＣＨＲＯＮＯＵＳ ＮＯＩＳＥ ＩＮ ＢＩＯＰＨＹＳＩＣＡＬ ＳＩＧＮＡＬＳ」と題された米国仮特許出願第６２／６８６，２４５号の優先権および利益を主張し、参照によりその全体が本明細書に組み込まれる。

本開示は、概して、心臓血管循環および他の生理学的系を特徴付けるための非侵襲的方法およびシステムに関する。より具体的には、ある態様において、本開示は、取得された生体物理信号（例えば、心臓信号、脳信号など）からの非同期ノイズのフィルタリングに関する。別の態様において、本開示は、取得された信号の品質評価および分析のための取得された信号のゲーティングに関する。別の態様において、本開示は、生体物理信号測定機器の第１のセットで取得されたデータセットの第１のセットを正規化すること、および生体物理信号測定機器の第２のセットで取得されたデータセットの第２のセットを正規化することに関し、その結果、データセットの第１のセットは、機械学習演算においてデータセットの第２のセットで分析され得る。

虚血性心疾患は、心臓虚血または心筋虚血としても知られており、通常、冠動脈疾患（ＣＡＤ）に起因する、心臓の筋肉への血液供給の減少を特徴とする疾患または疾患群である。ＣＡＤは、典型的には、心筋または心臓の筋肉に血液を供給する冠動脈内のライニングがアテローム性動脈硬化症を発症するときに発生する（ライニングの硬化または硬直、およびその中でのプラークの蓄積、しばしば異常な炎症を伴う）。時間の経過とともに、ＣＡＤはまた、心臓の筋肉を弱め、例えば狭心症、心筋梗塞（心臓発作）、心不全および不整脈に寄与する可能性がある。不整脈は、異常な心臓拍動であり、心臓の電気伝導の正常なシーケンスからの任意の変化を含むことができ、いくつかの場合において、心臓停止につながり得る。

ＣＡＤの評価は複雑であり得、状態の存在および重症度を評価するために、多くの技術およびツールが使用される。心電図検査の場合、心臓の電気活動を分析してその構造および機能に関する情報を得る心臓学の分野では、著しい虚血性心疾患は、冠動脈狭窄または閉塞の下流の灌流床における心筋の心室伝導特性を変化させる可能性がある。この病理は、心臓の異なる場所および重症度の異なる段階で現れ得、正確な診断が困難となる。さらに、心筋の電気伝導特性は、人によって異なる可能性があり、測定プローブの配置に関連する測定変動性、ならびにそのようなプローブおよびそれらの関連成分に関連する寄生損失などの他の要因もまた、心臓の電気生理試験中に捕捉される生体物理信号に影響を及ぼし得る。さらに、心筋の伝導特性が比較的長い心相勾配信号として捕捉されるとき、それらは、従来のモデリング技術によって効率的に捕捉することができない複雑な非線形変動性を示し得る。

病態および状態のより正確な評価を容易にすることができる、取得した生体物理信号、例えば、心臓信号、脳信号などにおける非同期ノイズおよびアーチファクトの定量化およびフィルタリングが望ましい。

本明細書に記載される例示的な方法およびシステムは、骨格筋アーチファクトノイズ汚染などの非同期ノイズの定量化および／または除去を容易にし、取得された心臓信号、脳信号などにおけるものなどの準周期的な生体物理信号システムにおける複雑な非線形変動をより正確に評価する。本明細書に記載される例示の方法およびシステムは、後続の分析のために取得された信号をゲーティングするための取得された信号の信号品質の評価をさらに容易にする。

本明細書で使用される場合、「心臓信号（ｃａｒｄｉａｃ ｓｉｇｎａｌ）」（心臓信号（ｈｅａｒｔ ｓｉｇｎａｌ）とも称される）という用語は、例えば、心筋の収縮を引き起こすために、心臓の電気伝導系の機能および／または活性に関連する信号を指し、いくつかの実施形態において、心電図（ＥＣＧ）を介して取得されるものなどの心電図信号を含む。骨格筋関連信号汚染および筋肉アーチファクトノイズ汚染などの非同期ノイズレベル、ならびに取得された信号における他の非同期ノイズ汚染の定量化は、その後、そのような非同期ノイズの存在が心臓信号および／または生体物理信号の後続の分析および／またはそのような準周期生体物理信号の様々な準周期的特徴を評価する疾患状態の臨床予測／推定に悪影響を及ぼす可能性がある心臓信号などの生体物理信号の測定からのこのような非同期ノイズの自動拒否のために使用することができる。

本明細書で使用される場合、「脳信号」（本明細書では神経学的信号とも称される）という用語は、脳機能／活動に関連する信号を指し、いくつかの実施形態において、脳波図（ＥＥＧ）を介して取得されたものなどの脳波信号を含む。取得された信号における眼外筋肉ノイズ汚染および顔面筋肉ノイズ汚染、ならびに他の非同期ノイズ汚染などの非同期ノイズのレベルの定量化は、その後、そのような非同期ノイズの存在が後続の脳信号および／もしく生体物理信号の分析、ならびに／またはそのような様々な準周期的特徴を評価する疾患状態（複数可）の臨床予測／推定に悪影響を及ぼす可能性がある脳信号などの生体物理信号の測定からのこのような非同期ノイズの自動または手動拒否に使用することができる。

本開示の目的のために、「生体物理信号」という用語は、心臓信号および脳信号に限定されることを意図するものではなく、中枢神経系および末梢神経系（例えば、脳、脊髄、および／または神経ならびにそれらに関連するニューロンからの電気信号）、肺、循環器（例えば、血液）、リンパ、内分泌、消化器、筋骨格、尿、免疫、生殖、腸、および生殖系に関連するものを含むが、これらに限定されない感知されることができる、任意の哺乳類電気または電気化学的信号、ならびに哺乳類体内の任意の場所で細胞レベルで生成される電気信号を包含する。本開示は、心臓関連病態および状態、ならびに／または脳関連病態および状態（例えば、冠動脈疾患および肺高血圧（例えば、肺動脈高血圧、左心臓疾患に起因する肺高血圧、肺疾患に起因する肺高血圧、慢性血栓に起因する肺高血圧、および他の疾患に起因する肺高血圧）、ならびに本明細書で言及される他の心臓関連状態および／もしくは疾患ならびに／または脳関連状態および／もしくは疾患を含む）の診断および治療における非同期ノイズの有益な定量化を目的とし、このような定量化は、生体物理信号が哺乳類の体の任意の関連システムに関わる任意の病態または状態の診断および治療（薬理学的治療を含む）に適用され得る。

骨格筋肉関連信号（例えば、筋電図（ＥＭＧ）で特徴付けられるように）は、多くの場合、心臓信号、脳信号などに関して「バンド内ノイズ」であることを特徴付けられる。すなわち、それは、取得された生体物理信号内の同じまたは類似の周波数範囲でしばしば発生する。例えば、心臓信号については、生成される信号の支配的周波数成分は、多くの場合、約０．５Ｈｚ〜約８０Ｈｚである。脳信号については、周波数成分は、多くの場合、約０．１Ｈｚ〜約５０Ｈｚである。また、汚染の程度に応じて、骨格筋関連信号は、典型的な心臓ベースの波形および脳ベースの波形などと同じ、または類似の振幅を有することもできる。実際に、骨格筋関連信号と心臓信号、脳信号などとの類似性は、生体物理信号の自動診断分析に重大な問題を引き起こす可能性がある。したがって、測定された生体物理信号における骨格筋関連の汚染および他の非同期ノイズのレベルを定量化することは、取得された生体物理信号の品質評価および汚染された取得された信号が後続の分析で使用されることを自動的に拒否するか、かつ／または汚染に対する補償を可能にするために後続の分析に情報を提供することのいずれかにとって重要であり得る。

心臓信号、脳信号などの取得された生体物理信号における骨格筋関連信号のレベルを定量化する際の重要な観察は、骨格筋関連信号と生体物理信号とのソースが全く異なるため、骨格筋関連信号が心臓信号、脳信号などと同期していないことである。例えば、心臓信号は、心筋細胞の作用電位の合計から導出される。脳信号は、脳のニューロン内のイオン電流の合計から導出されるが、骨格筋関連信号は、起源筋肉（胸部筋肉、上腕二頭筋、上腕三頭筋など）の作用電位の合計から導出される。これら２つのソースには、同期性を生み出す可能性のあるより深い共通ソースを共有する可能性はない。

したがって、骨格筋関連信号（および他の非同期アーチファクト）は、本明細書で説明するように、取得された生体物理信号（複数可）およびその中のサイクルを、その患者にとっての理想化された代表的な生体物理信号と比較することによって定量化することができ、取得された生体物理信号と理想化された生体物理信号との間の大きな差は、取得された生体物理信号における骨格筋関連信号の汚染（および他の非同期信号）の寄与として考慮することができる。

ある態様において、取得された生体物理信号データセットから非同期ノイズ（骨格筋アーチファクトノイズおよび他の非同期ノイズ）をフィルタリングする方法が開示される。本方法は、プロセッサによって、対象の生体物理信号データセットを受信することと、プロセッサによって、受信された生体物理信号データセットにおいて検出された複数の検出された準周期信号サイクルから、対象の代表的な準周期信号パターン（例えば、代表的な心臓拍動パターン）に特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定することと、プロセッサによって、少なくとも１つの判定されたテンプレート信号ベクトルデータセットを１つ以上のノイズ除去ベクトルデータセットに適用することであって、１つ以上のノイズ除去ベクトルデータセットが、フィルタリングされる受信された生体物理信号データセットの一部分のベクトル長に対応するベクトル長を集合的に有し、少なくとも１つの判定されたテンプレート信号ベクトルデータセットが、ｉ）フィルタリングされる受信された心臓信号データセットの一部分に存在すると判定された検出されたサイクルの各々に適用され、ｉｉ）フィルタリングされる受信された生体物理信号データセットの一部分の対応する検出されたサイクルのベクトル長に一致するように長さが変化する、適用することと、フィルタリングされる受信された生体物理信号データセットの一部分、および１つ以上の生成されたノイズ除去ベクトルデータセットをマージ（結合）することによって、（例えば、周波数領域において、受信された生体物理信号および１つ以上の生成されたノイズ除去ベクトルの加重平均を適用するウィンドウベースの演算を使用して）生体物理信号データセットまたはその一部分のフィルタリングされた生体物理信号データセットを生成することと、を含む。

いくつかの実施形態において、本方法は、プロセッサによって、各々が前記生体物理信号データセットとともに対象から同時に取得される１つ以上の追加の生体物理信号データセットを受信することと、プロセッサによって、前記受信された１つ以上の追加の生体物理信号データセットの各々において検出された複数の検出された心臓拍動サイクルから、前記対象の代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定することと、プロセッサによって、受信された１つ以上の追加の生体物理信号データセットの各々について、複数の判定されたテンプレート信号ベクトルデータセットを、反復様態で１つ以上のノイズ除去ベクトルデータセットに適用することであって、１つ以上のノイズ除去ベクトルデータセットが、フィルタリングされる受信された追加の生体物理信号データセットの一部分のベクトル長に対応するベクトル長を集合的に有し、複数の判定されたテンプレート信号ベクトルデータセットの各々が、ｉ）フィルタリングされる受信された追加の生体物理信号データセットの一部分に存在すると判定された検出されたサイクルの各々に適用され、ｉｉ）フィルタリングされる受信された追加の生体物理信号データセットの一部分の対応する検出されたサイクルのベクトル長に一致するように長さが変化する、適用することと、フィルタリングされる受信された生体物理信号データセットの一部分、および１つ以上の生成されたノイズ除去ベクトルデータセットをマージすることによって、（例えば、周波数領域において、受信された生体物理信号データセットおよび１つ以上の生成されたノイズ除去ベクトルデータセットの加重平均を適用するウィンドウベースの演算を使用して）生体物理信号データセットまたはその一部分のフィルタリングされた生体物理信号データセットを生成することと、をさらに含む。

いくつかの実施形態において、代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定するステップが、プロセッサによって、受信された生体物理信号データセットまたはその一部分において特徴的に異なる複数の信号特徴（例えば、心臓信号のＲピーク）を判定することと、プロセッサによって、複数の判定された信号特徴の各々の間の複数のサイクル領域（例えば、Ｒ間間隔の中央値）（例えば、Ｍが検出されたサイクルの数であり、ＮがＲ間間隔の中央値の約４０％である、ＭｘＮマトリックスに記憶された）を判定することと、プロセッサによって、複数のサイクル領域の各々を、複数の信号特徴の同じ態様またはサイクル領域の各々に位置する信号特徴の別のセットに対して互いに整合させること（例えば、心臓信号の場合、特徴は、Ｑ波もしくはＲ波のピークの開始、または相互相関による遅延推定を含むことができる）と、プロセッサによって、複数のサイクル領域のうちの点の各セットに対して実行された平均演算またはメディアン演算を使用して、少なくとも１つのテンプレート信号ベクトルデータセットの各点を判定することと、を含む。

いくつかの実施形態において、受信された生体物理信号データセットが、心臓信号データセットを含み、複数の信号特徴が、受信された心臓信号データセットもしくはその一部分におけるＲピーク、受信された心臓信号データセットもしくはその一部分におけるＳピーク、受信された心臓信号データセットもしくはその一部分におけるＴピーク、受信された心臓信号データセットもしくはその一部分におけるＱピーク、および受信された心臓信号データセットもしくはその一部分におけるＰピーク、からなる群から選択される。

いくつかの実施形態において、受信された生体物理信号データセットが、心臓信号データセットを含み、複数の信号特徴が、受信された心臓信号データセットまたはその一部分におけるＲピークに対応する。

いくつかの実施形態において、代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定するステップは、プロセッサによって、複数のサイクル領域の各々から導出された正規化パラメータ（例えば、ｚスコア）を判定することをさらに含む。

いくつかの実施形態において、代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定するステップは、プロセッサによって、複数のサイクル領域の各々の値、またはそれから導出されたパラメータ（例えば、ｚスコア）を事前定義されたスケール（例えば、「０」〜「１」、または「−１」〜「１」、または０超〜１０未満の標準偏差値など）に正規化することをさらに含む。

いくつかの実施形態において、代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定するステップは、プロセッサによって、２つ以上の支配的なサイクル形態の存在を判定するために、複数のサイクル領域のクラスタリングベースの分析（例えば、ＰＣＡ＋ＤＢＳＣＡＮ）を実行することであって、テンプレート信号ベクトルが、判定された支配的なサイクル形態ごとに判定される、実行することをさらに含む。

いくつかの実施形態において、複数のサイクル領域が、互いに隣接するサイクルを含む。

いくつかの実施形態において、互いに隣接するサイクルが、部分的に互いに重複する。

いくつかの実施形態において、互いに隣接するサイクルが、互いに重複しない。

いくつかの実施形態において、フィルタリングされた生体物理信号データセットが、複数のサイクル領域の２つ以上のサイクル群から２つ以上のテンプレート信号ベクトルデータセットを使用することによって生成され、複数のサイクル領域の２つ以上のサイクル群が、互いに隣接する。

いくつかの実施形態において、フィルタリングされた生体物理信号データセットが、生体物理信号（例えば、心臓信号、肺信号、脳信号）が取得される際に、ほぼリアルタイムで生成される。

いくつかの実施形態において、フィルタリングされた生体物理信号データセットが、生体物理信号の取得完了後に生成される。

いくつかの実施形態において、１つ以上のノイズ除去ベクトルデータセットが、１次元ベクトルとして配置される。

いくつかの実施形態において、１つ以上のノイズ除去ベクトルデータセットが、Ｎ次元ベクトルとして配置され、Ｎが、フィルタリングされる受信された生体物理信号データセットの一部分に存在すると判定された検出されたサイクルの数に対応する。

いくつかの実施形態において、判定された複数のテンプレート信号ベクトルデータセットを１つ以上のノイズ除去ベクトルデータセットに適用するステップが、プロセッサによって、１つ以上のノイズ除去ベクトルデータセットを、フィルタリングされる受信された生体物理信号の一部分の長さに対応する長さを有する１次元ベクトルとして初期化することと、プロセッサによって、少なくとも判定されたテンプレート信号ベクトルのピーク（例えば、Ｒピークまたは心臓信号）と関連付けられたデータ点を、フィルタリングされる受信された生体物理信号において判定された各ピーク（例えば、Ｒピーク）に整合させるように、１次元ベクトル内の判定されたテンプレート信号ベクトルを複製することと、を含む。

いくつかの実施形態において、複製ステップの間に、現在複製しているテンプレート信号ベクトルデータセットの競合部分が、現在複製しているテンプレート信号ベクトルデータセットが競合を有する以前に複製されたテンプレート信号ベクトルデータセットの対応する部分に関して割り当てられた平均値である。

いくつかの実施形態において、複製ステップの間に、現在複製しているテンプレート信号ベクトルデータセットと以前に複製されたテンプレート信号ベクトルデータセットとの間の１次元ベクトル内の空の領域が、最後の埋められた値と空の領域の周りの次の埋められた値との間に補間された値とともに記憶される。

いくつかの実施形態において、ウィンドウベースの演算が、プロセッサによって、事前定義されたウィンドウ長を有する複数のウィンドウ関数でフィルタリングされる受信された生体物理信号データセットの一部分をスケーリングして、修正された生体物理信号データセットを生成することと、プロセッサによって、１つ以上の生成されたノイズ除去ベクトルデータセットを複数のウィンドウ関数でスケーリングして、修正されたノイズ除去ベクトルデータセットを生成することと、プロセッサによって、（例えば、ローパスフィルタを使用して）修正されたノイズ除去ベクトルデータセットのエンベロープを判定することと、プロセッサによって、ＦＦＴ演算を介して、修正されたノイズ除去ベクトルデータセットおよび周波数領域にフィルタリングされる受信された生体物理信号データセットの一部分のエンベロープを変換することと、プロセッサによって、修正されたノイズ除去ベクトルデータセットおよび修正された生体物理信号データセットのＦＦＴエンベロープの加重平均演算を、静的補間係数または動的補間係数セットを使用して実行して、結果として生じるデータセットを生成することと、プロセッサによって、逆ＦＦＴ演算を介して、結果として生じるデータセットを、生体物理信号のフィルタリングされた生体物理信号データセットとして時系列データセットに変換することと、を含む。

別の態様において、（例えば、非同期ノイズを除去することによって）第１の測定機器のセットで取得されたデータセットの第１のセット、および（例えば、特定の非同期ノイズを除去するように構成された）第２の測定機器のセットで取得されたデータセットの第２のセットとを正規化する方法であって、それにより、データセットの第１のセットが、機械学習演算においてデータセットの第２のセットで分析可能にする方法が開示される。本方法は、プロセッサによって、第１の測定機器のセット（例えば、第１の測定機器のセットの各機器が、類似の、または同じ性能特性を有する）で取得された対象の生体物理信号データセットのセットを受信することと、プロセッサによって、受信された生体物理信号データセットにおいて検出された複数の検出された準周期信号サイクルから、対象の代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定することと、プロセッサによって、複数の判定されたテンプレート信号ベクトルデータセット、またはその群から選択されたベクトルを１つ以上のノイズ除去ベクトルデータセットに適用することであって、１つ以上のノイズ除去ベクトルデータセットが、フィルタリングされる受信された生体物理信号データセットの一部分のベクトル長に対応するベクトル長を集合的に有し、各適用されたテンプレート信号ベクトルデータセットが、ｉ）フィルタリングされる受信された生体信号データセットの一部分に存在すると判定された検出されたサイクルの各々に適用され、ｉｉ）フィルタリングされる受信された生体物理信号データセットの一部分の対応する検出されたサイクルのベクトル長に一致するように長さが変化する、適用することと、生体物理信号データセットまたはその一部分と関連付けられたフィルタリングされた生体物理信号データセットを、生体物理信号の正規化されたデータセットとして生成することであって、フィルタリングされる受信された生体物理信号の一部分、および１つ以上の生成されたノイズ除去ベクトルを（例えば、周波数領域において、受信された生体物理信号データセットおよび１つ以上の生成されたノイズ除去ベクトルデータセットの加重平均を適用するウィンドウベースの演算を使用して）マージすることによって、フィルタリングされた生体物理信号が生成される、生成することと、を含み、第１の計測機器で取得された生体物理信号に関連付けられた正規化されたデータセットが、第２の計測機器で取得された第２のデータセットとともに機械学習訓練データセットとして分析可能である。

いくつかの実施形態において、受信された生体物理信号のデータセットが、１２リード面電位感知電極システム（例えば、心電図システム）、心臓内電位図、ホルター心電図、６リード差動面電位感知電極システム、３リード直交面電位感知電極システム、および単一リード電位感知電極システムからなる群から選択されたセンサ（例えば、スマートデバイスまたは手持ち医療診断機器内）から捕捉されたデータを含む。

いくつかの実施形態において、受信された生体物理信号のデータセットが、心臓に近接した体の表面に配置された複数の表面電極から同時に捕捉された（例えば、約１００マイクロ秒未満のずれを有する）生体電位信号から導出された広帯域心相勾配心臓信号データ（例えば、約１ＫＨｚを超え、例えば、約１０ＫＨｚを超え、約４０ＫＨｚを超え、約８０ＫＨｚを超え、約５００ＫＨｚを超えるサンプリング周波数で有する）を含む。

別の態様において、取得された信号を拒否する方法であって、プロセッサによって、対象の生体物理信号データセットを受信することと、プロセッサによって、受信された生体物理信号データセットを、生体物理信号データセット内の代表的な準周期パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットと比較することと、比較に基づいて、プロセッサによって、受信された生体物理信号データセットを拒否することと、を含む、方法が開示される。

いくつかの実施形態において、代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定するステップが、プロセッサによって、受信された生体物理信号データセットまたはその一部分において特徴的に異なる複数の信号特徴（例えば、心臓信号のＲピーク）を判定することと、プロセッサによって、複数の判定された信号特徴の各々の間の複数のサイクル領域（例えば、Ｒ間間隔の中央値）（例えば、Ｍが検出されたサイクルの数であり、ＮがＲ間間隔の中央値の約４０％である、ＭｘＮマトリックスに記憶された）を判定することと、プロセッサによって、複数のサイクル領域の各々を、複数の信号特徴の同じ態様またはサイクル領域の各々に位置する信号特徴の別のセットに対して互いに整合させること（例えば、心臓信号の場合、特徴は、Ｑ波もしくはＲ波のピークの開始、または相互相関による遅延推定を含むことができる）と、プロセッサによって、複数のサイクル領域のうちの点の各セットに対して実行される平均演算またはメディアン演算を使用して、少なくとも１つのテンプレート信号ベクトルデータセットの各点を判定することと、を含む。

いくつかの実施形態において、代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定するステップは、プロセッサによって、２つ以上の支配的なサイクル形態の存在を判定するために、複数のサイクル領域のクラスタリングベースの分析（例えば、ＰＣＡ＋ＤＢＳＣＡＮ）を実行することであって、テンプレート信号ベクトルが、判定された支配的なサイクル形態ごとに判定される、実行することをさらに含む。

いくつかの実施形態において、本方法は、プロセッサによって、生体物理信号データセットの失敗した取得の通知を生成することであって、通知が、実行される生体物理信号データセットの後続の取得を促す、生成することをさらに含む。

いくつかの実施形態において、本方法は、プロセッサによって、ネットワークを介して外部分析システムに受信された生体物理信号データセットを送信させることであって、分析システムが、病理学的または臨床状態の存在または程度について受信された生体物理信号データを分析するように構成されている、送信させることをさらに含む。

いくつかの実施形態において、比較は、事前定義された閾値を超える値またはエネルギーを有する、取得された生体物理信号データセットに存在する非同期ノイズの存在を判定することを含む。

別の態様において、取得された生体物理信号における非同期ノイズを定量化する方法が開示される。本方法は、プロセッサによって、対象の生体物理信号データセットを受信することと、プロセッサによって、受信された生体物理信号データセットまたはその一部分において特徴的に異なる複数の信号特徴（例えば、心臓信号のＲピーク）を判定することと、プロセッサによって、複数の判定された信号特徴の各々の間の複数のサイクル領域（例えば、Ｒ間間隔の中央値）（例えば、Ｍが検出されたサイクルの数であり、ＮがＲ間間隔の中央値の約４０％である、ＭｘＮマトリックスに記憶された）を判定することと、プロセッサによって、複数のサイクル領域の各々を、複数の信号特徴の同じ態様またはサイクル領域の各々に位置する信号特徴の別のセットに対して互いに整合させること（例えば、心臓信号の場合、特徴は、Ｑ波もしくはＲ波のピークの開始、または相互相関による遅延推定を含むことができる）と、プロセッサによって、複数のサイクル領域のうちの点の各セットに対して実行された平均演算またはメディアン演算を使用して、少なくとも１つのテンプレート信号ベクトルデータセットの各点を判定することと、プロセッサによって、２つ以上の支配的なサイクル形態の存在を判定するために、複数のサイクル領域のクラスタリングベースの分析（例えば、ＰＣＡ＋ＤＢＳＣＡＮ）を実行することであって、テンプレート信号ベクトルが、判定された支配的なサイクル形態ごとに判定される、実行することと、を含む。

別の態様において、システムであって、１つ以上のプロセッサと、その上に記憶された命令を有するメモリであって、１つ以上のプロセッサによる命令の実行が、１つ以上のプロセッサに上述の方法のいずれか１つを実行させる、メモリと、を備える、システムが開示される。

別の態様において、非一時的コンピュータ可読媒体であって、その上に記憶された命令を有し、１つ以上のプロセッサによる命令の実行により、１つ以上のプロセッサに上述の方法のいずれか１つを実行させるコンピュータ可読媒体が開示される。

本明細書の一部に組み込まれ、それを構成する添付図面は、実施形態を図示し、説明と併せて、本明細書に含まれる方法およびシステムの原理を説明する役割を果たす。特許または出願ファイルには、カラーで実行された、少なくとも１つの図面が包含されている。カラー図面（複数可）付きの本特許または特許出願公開物のコピーは、必要な料金の請求および支払いに応じて、特許庁によって提供される。

本発明の実施形態は、添付の図面と併せて読むと、以下の詳細な説明からよりよく理解され得る。図面は、以下の図を含む。

例示的な実施形態による、非同期ノイズおよびアーチファクト汚染を定量化し、かつ除去して、準周期的なシステムにおける複雑な非線形変動性をより正確に評価するように構成された例示的なシステムの図である。 別の例示的な実施形態による、非同期ノイズおよびアーチファクト汚染の定量化に基づいて、取得された生体物理信号を拒否するように構成された例示的なシステムの図である。 別の例示的な実施形態による、非同期ノイズを除去し、かつ／または取得された生体物理信号を拒否するように構成された例示的なシステムの図である。 例示的な実施形態による、取得された生体物理信号（例えば、取得された心臓信号、取得された脳信号など）から非同期ノイズを除去する例示的な方法を示す。 例示的な実施形態による、図２のプロセスの例示的な実施方法を示す図である。 例示的な実施形態による、代表的なサイクルデータセットの例示的な方法の流れ図である。 例示的な実施形態による、生体物理信号における非同期ノイズ汚染を定量化する例示的な方法の図である。 例示的な実施形態による、代表的な準周期信号パターン（例えば、取得された心臓信号における代表的な心臓拍動パターン）に特徴的な代表的なサイクルデータセットの図である。 例示的な実施形態による、（例えば、取得された心臓信号において）テンプレートベクトルデータセットを生成する方法の図を示す。 例示的な実施形態による、生の生体物理信号データセット、生成された生体物理テンプレートベクトルデータセット、および結果として生じるノイズ除去された生体物理信号データセットの例示的なプロットである。 例示的な実施形態による、生体物理信号データセット（例えば、心臓信号データセット）から生体物理サイクル（例えば、心臓サイクル）をセグメント化して、生体物理信号データセット内の非同期ノイズ汚染を定量化するプロセスの図を示す。 例示的な実施形態による、図４の正規化プロセスの結果のプロットを示す。 高ノイズ信号のための積み重ねられたサイクルのセットの上に重畳されたテンプレート信号ベクトルデータセットを示す。 低ノイズ信号のための積み重ねられたサイクルのセットの上に重畳されたテンプレート信号ベクトルデータセットを示す。 例示的な実施形態による、生成されたサイクルマトリックスの主成分分析の例示的な出力を示す。 例示的な実施形態による、代表的なサイクルデータセットと各評価されたサイクルとの比較に基づいて判定された差分スコアの分布のプロットである。 例示的な実施形態による、図１Ａの測定システムから取得された例示的な広帯域脳相勾配信号データセットを示す。 例示的な実施形態による、図１Ａの測定システムから取得された例示的な広帯域脳相勾配信号データセットを示す。 例示的な実施形態による、図１Ａの測定システムから取得された例示的な広帯域脳相勾配信号データセットを示す。 例示的な実施形態による、位相空間に提示された、図１３Ａ〜１３Ｃの広帯域脳相勾配信号を示す。 例示的な実施形態による、第１の測定機器のセットで取得されたデータセットの第１のセット、および第２の測定機器のセットで取得されたデータセットの第２のセットを正規化する方法であって、それにより、データセットの第１のセットが、機械学習演算においてデータセットの第２のセットで分析可能である、方法の図である。 本開示の実施態様による、非侵襲性心臓評価システムによる例示的な分析方法である。

本明細書に記載の各およびすべての特徴、ならびにそのような特徴のうちの２つ以上の各およびすべての組み合わせは、そのような組み合わせに含まれる特徴が相互に矛盾しないことを条件として、本発明の範囲内に含まれる。

例示的なシステム
図１Ａは、例示的な実施形態による、骨格筋関連アーチファクトノイズ汚染などの非同期ノイズを定量化し、かつ除去し、そのような定量化を使用して、準周期的なシステムにおける複雑な非線形変動性をより正確に評価するように構成された例示的なシステム１００の図である。本明細書で使用される場合、「除去（ｒｅｍｏｖｅ）」という用語は、その後の分析を改善するか、または有益にするノイズ汚染の全体的または部分的な任意の有意な低減を指す。

図１Ａにおいて、非侵襲的測定システム１０２は、対象１０６から、任意の数の測定プローブ１１４（図１のシステム１００に、６つのそのようなプローブ１１４ａ、１１４ｂ、１１４ｃ、１１４ｄ、１１４ｅ、および１１４ｆを含むように示される）を介して複数の生体物理信号１０４（例えば、位相勾配生体物理信号）を取得し、（図１では「非侵襲的生体物理信号評価システム」１１０とラベル付けされた）非侵襲的生体物理信号評価システム１１０に利用可能にされる位相勾配生体物理信号データセット１０８を生成し、臨床出力１１２を判定する。いくつかの実施形態において、臨床出力は、疾患の存在または非存在の評価、および／または研究中の生理学系の推定生理学的特徴を含む。

いくつかの実施形態において、かつ図１Ａに示されるように、システム１０２は、フロントエンド増幅およびデジタル化演算１１６によって生成された取得された生体物理信号データセット１１７から（例えば、プロセス１１８を介して）非同期ノイズ汚染を取り除くように構成される。除去演算１１８は、取得された信号１１４に潜在的に存在する非同期ノイズの定量化に基づく。例えば、取得されたデータセットのいくつかのサンプルから、代表的なサイクルデータセットが確立されると、非同期ノイズを除去するプロセス１１８をほぼリアルタイムで実行することができる。いくつかの実施形態において、数百個のサンプルを使用して、代表的なサイクルデータセットを確立することができる。他の実施形態において、数千個のサンプルを使用して、代表的なサイクルデータセットを確立することができる。

測定システム１０２は、いくつかの実施形態において、広帯域生体電位生体物理信号を取得するように構成された生体電位ベースの測定システムを含む。心電図コンテキストにおいて、測定システム１０２は、広帯域心相勾配信号として、哺乳動物対象（ヒトなど）の心臓関連生体電位または電気生理信号を捕捉するように構成される。測定システム１０２の例は、米国公開第２０１７／０１１９２７２号および米国特許出願第第１５／２４８，８３８号に記載されており、これらのそれぞれは、参照によりその全体が本明細書に組み込まれる。

いくつかの実施形態において、広帯域生体電位生体物理信号は、信号のスペクトル成分（複数可）が改変されないように、フィルタリングされていない哺乳類電気生理信号として捕捉される。実際に、目的の生体物理信号の位相直線性に影響を及ぼし得る広帯域生体電位生体物理信号は、フィルタリングされることなく（例えば、ハードウェア回路および／またはデジタル信号処理技術などを介して）（例えば、デジタル化前に）捕捉され、変換され、さらには分析される。いくつかの実施形態において、広帯域生体電位生体物理信号は、従来の心電図装置および他の生体物理信号取得装置のノイズフロアにあるか、またはそれを著しく下回るマイクロボルトまたはサブマイクロボルト分解能において捕捉される。いくつかの実施形態において、広帯域生体電位生体物理信号は、約１マイクロ秒未満の時間的ずれまたは「遅延」を有し、他の実施形態において、約１０フェムト秒未満の時間的ずれまたは遅延を有して、同時にサンプリングされる。注目すべきことに、例示されるシステムは、取得された広帯域位相勾配信号における非線形歪み（例えば、特定のフィルタを介して導入され得る歪み）を最小限に抑えて、その中の情報に影響を与えない。

上述のように、測定システム１０２を使用して、本明細書の他の箇所に記載されるように、様々な生物学的システムに関連する他の哺乳動物生体電位または電気生理信号、例えば、脳／神経学的生体電位信号または他の哺乳動物生体電位信号を捕捉することができる。

さらに図１Ａを参照すると、評価システム１１０は、（例えば、いくつかの実施形態において、ノイズ除去された）取得された生体物理信号データセット１０８を（例えば、ネットワークを介して）受信し、（「位相空間変換」１２０としてラベル付けされた）変換演算１２０を介して、例えば、位相勾配生体物理信号データセット１０８の機械学習演算および／または予測器演算（ステップ１２４として示される）を介して分析するための１つ以上の３次元ベクトル心電図データセット１２２を生成するように構成される。変換演算および機械学習／予測器演算の例は、参照によりその全体が本明細書に組み込まれる米国公開第２０１３／００９６３９４号と同様に、以下に記載されている。

いくつかの実施形態において、測定システム１０２は、取得された生体物理信号の信号品質を評価し、そのような評価に基づいて取得された信号データセットを拒否するように構成される。図１Ｂは、別の例示的な実施形態による、非同期ノイズおよびアーチファクト汚染の定量化に基づいて、取得された生体物理信号を拒否するように構成された例示的なシステムの図である。いくつかの実施形態において、測定システム１０２は、非同期ノイズの定量化に基づいて、非同期ノイズ除去演算１１８および信号品質評価演算１３０を実行するように構成される。

取得された生体物理信号１０８の臨床分析は、いくつかの実施形態において、測定システム１０２とは別個のシステム上で（例えば、評価システム１１０によって）実行されるため、信号品質チェックは、取得された生体物理信号データセット１０８が後続の臨床分析に適していることを確実にする。ほぼリアルタイム演算は、非侵襲的測定システム１０２によって生体物理信号データセットの再取得の促進を容易にし得、したがって、取得された生体物理信号データセットが、生体物理信号データセットが、臨床評価のためのさらなる処理および分析に供されるか、または利用可能にされる前に非同期ノイズ（骨格筋関連ノイズなど）によって汚染されないことを確実にする。

いくつかの実施形態において、信号品質評価演算は、ほぼリアルタイム、例えば、約１分未満または約５分未満で実行され、これに対して、システムは、生体物理信号データセットの再取得を促すことができる。ほぼリアルタイムの評価により、患者が試験を実施する試験室を出る前に、生体物理信号データセットを再取得することができる。

いくつかの実施形態において、非侵襲的測定システム１０２は、生体物理信号データセットの失敗した、または不適切な取得の通知１２６（図１Ｂにおいて「失敗した信号品質評価を表示する」１２６としてラベル付けされる）を生成するように構成され、通知は、生体物理信号データセットの別のセットの再取得を促す。通知は、患者に近接して技術者に提供される視覚的出力、音声出力、または触覚的出力であってもよい。

いくつかの実施形態において、拒否された生体物理信号データセットは、取得された信号の拒否につながった欠陥のさらなるトラブルシューティング分析（１３２）のために記憶され得る（１２８）。この目的のために、拒否された生体物理信号データセットは、臨床出力１１２を得るために、後続の分析（例えば、１２０、１２４）に使用されない。

図１Ｃは、別の例示的な実施形態による、骨格筋関連アーチファクトノイズ汚染などの非同期ノイズを定量化し、そのような定量化を使用して、そのような汚染を除去し、かつ／または取得した生体物理信号を拒否するように構成された例示的なシステム１００の図である。図１Ｃにおいて、評価システム１１０は、受信された生体物理信号データセットを拒否し、かつ／または受信された生体物理信号データセットから非同期ノイズを除去することによって、受信された生体物理信号データセット１０８をさらに前処理するように構成されている（１３４）。前処理演算１３２は、非同期ノイズ除去演算１１８（測定システム１０２上で実行されるように）および／または信号品質評価演算１３０（測定システム１０２上で実行されるように）の代替として、または追加の品質演算として実行されてもよい。

非同期ノイズ除去
図２は、例示的な実施形態による、取得された生体物理信号から非同期ノイズを除去する例示的な方法１１８を示す。図２に示されるように、方法１１８は、プロセッサによって、対象１０６の生体物理信号データセット（例えば、データセット１０８）を受信するステップ（ステップ２０２）を含む。上述のように、除去演算１１８は、測定システム１０２および／または評価システム１１０によって実行することができる。心臓信号については、手持ちデバイスまたは他のデバイスを使用して、Ｘ、Ｙ、およびＺチャネルに対応する３つの直交軸に沿って配置された６つのプローブまたは電極（例えば、プローブ１１４ａ〜１１４ｆ）のセットから、患者の安静時の胸部生理学的信号を収集することができる。非侵襲的測定システム１０２の一部としての電極は、電離放射線、造影剤、運動、または薬理学的ストレスを使用することなく、位相勾配生体物理信号データセット１０８を取得することができる。非侵襲的測定システム１０２は、いくつかの実施形態において、約３０〜約１４００秒間、好ましくは約２１０秒間、約８ｋＨｚでサンプリングする。取得されたデータ点は、データセット１０８の一部として評価システム１１０に転送され、機械学習アルゴリズム／予測器を使用してその中の分析エンジンによって評価される。

本明細書に開示される方法およびシステムを適用することができる他の従来の電極セット、および電子収集方法を使用することができる。

さらに図２を参照すると、方法１１８は、プロセッサによって、受信された心臓信号データセット（例えば、セット１０８）において検出された複数の検出された心臓拍動サイクルからの対象の代表的な心臓拍動パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセット（「代表的なベクトルデータセット」とも呼ばれる）を判定すること（ステップ２０４）をさらに含む。

さらに図２を参照すると、方法１１８は、プロセッサによって、判定されたテンプレート信号ベクトルデータセットを１つ以上のノイズ除去ベクトルデータセットに適用することをさらに含む。いくつかの実施形態において、テンプレート信号ベクトルデータセットは、フィルタリングされる受信された生体物理信号データセット（例えば、データセット１０８）の一部分に存在すると判定された検出されたサイクルの各々に対して適用される。いくつかの実施形態において、テンプレート信号ベクトルデータセットは、長さが変化し、フィルタリングされる受信された生体物理信号データセット（例えば、データセット１０８）の一部分の対応する検出されたサイクルのベクトル長に一致する。ノイズ除去ベクトルデータセットは、まとめて、フィルタリングされる受信された生体物理信号データセット（例えば、データセット１０８）の一部分のベクトル長に対応するベクトル長を集合的に有する。

さらに図２を参照すると、方法１１８は、フィルタリングされる信号の一部分に対応する受信された生体物理信号データセット（例えば、データセット１０８）の一部分、および１つ以上の生成されたノイズ除去ベクトルデータセットをマージすることによって、プロセッサによって、取得した生体物理信号のフィルタリングされた生体物理信号データセット（ノイズ除去信号データセットとも呼ばれる）、またはその一部を生成すること（ステップ２０８）をさらに含む。いくつかの実施形態において、マージ演算は、周波数領域において、受信された生体物理信号データセット（例えば、データセット１０８）および１つ以上の生成されたノイズ除去ベクトルデータセットの加重平均を適用するウィンドウベース演算を使用して実行される。

他の実施形態において、マージ演算は、時間領域で実行される。

図３は、例示的な実施形態による、図２のプロセスの例示的な実施方法１１８を示す図である。方法１１８は、プロセッサによって、受信された生体物理信号（複数可）（またはそれに関連付けられたデータセット）において検出された複数の検出された準周期信号サイクルから、対象の代表的な準周期信号パターンのそれぞれの特徴の１つ以上の代表的なサイクルデータセット（複数可）を作成すること（ステップ３０２）を含む。心臓信号に関して、代表的な準周期信号パターンは、代表的な心臓拍動パターンとして特徴付けられ得る。本明細書で使用される場合、準周期という用語は、概して、少なくとも２つの周波数成分でサイクルする信号システムの特徴を指し、その比率は有理数ではない。代表的なサイクルデータセットは、本明細書ではテンプレート信号ベクトルデータセットとも呼ばれる。図４は、例示的な実施形態による、代表的なサイクルデータセットの例示的な方法の流れ図である。図６は、代表的な準周期的パターン（例えば、取得された心臓信号における代表的な心臓拍動パターン）に特徴的な代表的なサイクルデータセット６０２（６０２ａ、６０２ｂとして示される）の図である。図４および図６の考察は、後続のセクションに提供される。

さらに図３を参照すると、ステップ３０４〜ステップ３１２は、プロセッサによって、テンプレート信号ベクトルデータセット（例えば、代表的なサイクルデータセット）を１つ以上のノイズ除去ベクトルデータセット（例えば、テンプレート信号ベクトルデータセット）に適用して、ノイズ除去された信号データセットを生成する実施例を説明する。図３に示すように、ステップ３０４は、入力生信号データセットの長さに対応する長さを有する「テンプレートベクトル」データセットを初期化することを含む。すなわち、初期化されたテンプレートベクトルデータセットの長さは、入力された生信号データセットの長さと同じである。例えば、８ＫＨｚで２１０秒間にわたって取得された生信号データセットは、ステップ３０４を介して、取得されたデータチャネルごとに１，６８０，０００個のサンプルの長さを有するテンプレートベクトルデータセットをもたらす。

ステップ３０６は、プロセッサによって、テンプレートベクトルデータセットに代表的なベクトルデータセット（複数可）を入力することを含む。すなわち、いくつかの実施形態において、生信号データセット内の検出されたサイクルごとに、方法１１８は、代表的なベクトルデータセット６０２をテンプレートベクトルデータセット内に配置するか、または複製することを含む。代表的なベクトルデータセット６０２の各々は、代表的なベクトルデータセット６０２の判定されたピーク（例えば、Ｒピーク）が、各検出されたサイクルの対応するピーク（例えば、Ｒピーク）と同じ、または類似のタイムインデックスに整合されるように配置される。

図７は、例示的な実施形態による、プロセッサによってテンプレートベクトルデータセットを生成する方法の図７００を示す。図７において、図７００は、ｉ）代表的なベクトルデータセット６０２（７０４ａ、７０４ｂ、７０４ｃ、７０４ｄ、７０４ｅ、および７０４ｆとして示される）で入力されたテンプレートベクトルデータセット７０２のプロット、ならびにｉｉ）所与の測定チャネルについての受信された生体物理信号データセット（例えば、データセット１０８）のプロットを含み、その中において検出されたサイクルが識別される。図７に示されるように、代表的なベクトルデータセット（例えば、７０４ａ〜７０４ｆ）は、代表的なベクトルデータセット（例えば、７０４ａ〜７０４ｆ）のピーク（例えば、取得された心臓信号におけるＲピークに対応する最大ピークであり、各ピークは７０６ａ〜７０６ｆとして示される）が生体物理信号データセット１０８のピークに整合するように、テンプレートベクトルデータセット７０２に配置／再現される。

各々が評価された準周期信号パターン（例えば、心臓信号のための心臓拍動パターン）に対応する２つ以上の代表的なベクトルデータセットが存在し得る。２つ以上の代表的なサイクルデータセットが存在する場合、方法１１８は、いくつかの実施形態において、生信号データセット内の所与の電流サイクルに対応する（すなわち、より密接に一致する）ように選択された代表的なサイクルデータセットを配置することをさらに含む。

なお、図７を参照すると、テンプレートベクトルデータセット７０２に代表的なサイクルデータセット６０２を配置するか、または再現する際に、配置されている代表的なサイクルデータセットがテンプレートベクトルデータセットの既存データと競合する場合、次いで、既存のデータサンプルの重複する一部分（図７の７０８ａ、７０８ｂとして示される）および新しいデータサンプルの重複する一部分が平均化される。テンプレートベクトルデータセット７０２にギャップ（例えば、７１０ａ、７１０ｂとして示される）がある場合、ステップ３０８として図３に示される、データ値が判定されたテンプレートベクトルデータセット内のプロセッサによって、例えば、任意の補間演算（例えば、最後の埋められた値と、空の領域の周りの次の埋められた値との間）で、ギャップ（例えば、７１０ａ、７１０ｂ）が埋められ得る。

テンプレートベクトルデータセット７０２が作成されると、方法１１８は、プロセッサによってノイズ除去プロセスを開始すること（図３のステップ３１０）を含む。ステップ３１０は、いくつかの実施形態において、ノイズ除去演算が実行されるウィンドウのウィンドウサイズ、および生信号データセットに対するテンプレートベクトルデータセットの影響を制御するための補間係数の値を選択することを含む。

いくつかの実施形態において、各ウィンドウは、約０．２５秒のウィンドウサイズを有する。他の実施形態において、約０．２５秒未満のウィンドウサイズが使用される。さらに他の実施形態において、約０．２５秒を超えるウィンドウサイズが使用される。

いくつかの実施形態において、補間係数の静的値は、約０．７５である（すなわち、テンプレートベクトルデータセットに帰属する影響は、生信号データセットの約３倍である）。他の実施形態において、補間係数は、約０．７５未満の値を有する。さらに他の実施形態において、補間係数は、約０．７５を超える値を有する。補間係数およびウィンドウサイズの値は、信号変動性を維持するためにノイズ対ノイズを排除する必要性に基づいて評価することができる。いくつかの実施形態において、ウィンドウサイズまたは補間係数は、例えば、信号の評価に基づいて、例えば、信号中の自動的に定量化された汚染レベル（例えば、骨格筋関連汚染）に対する変化を動的に変化させることが可能である。

さらに図３を参照すると、ステップ３１０は、最終的にノイズ除去信号データセット１１４になるブランク／ヌルベクトルデータセットを初期化することを含む。初期化されたノイズ除去信号ベクトルデータセットは、いくつかの実施形態において、関心の生信号データセット１１４と同じ数のサンプル、すなわち、後続の機械学習分析において使用される生信号１１４の同じ数のサンプルを有する。

さらに図３を参照すると、ステップ３１２は、プロセッサによって、ノイズ除去演算を実行するためのウィンドウの各々についてのウィンドウ関数を作成することを含む。いくつかの実施形態において、各ウィンドウについて、ステップ３１２は、ウィンドウの中間部分を中心としたハミングウィンドウデータセットを作成することを含む。ハミングウィンドウデータセットが信号データセットの正確な中間サンプルに配置されない場合、次いでハミングウィンドウデータセットは、ウィンドウの中央から等しい距離のサンプルがハミングウィンドウデータセットにおいて等しい値を有するように、フル信号データセットに対して非対称関係に配置される。ウィンドウ関数は、いくつかの実施形態において、データのＦＦＴ演算中に生じ得る漏出の影響を低減することによって、ＦＦＴ演算が信号からスペクトルデータを抽出する能力を強化する。言い換えれば、ウィンドウ関数は、データの離散化およびウィンドウを使用した分析における不連続性から生じる高周波成分を減衰するか、または除去することができる。とりわけ、例えば、ハンウィンドウ、ブラックマンウィンドウ、ハリスウィンドウ、サインウィンドウ、ナットールウィンドウ、三角ウィンドウ、およびそれらの組み合わせを含む、他のタイプのウィンドウ関数が適用され得る。ステップ３１２は、ウィンドウ関数に対して生信号データセット１０８および入力されたテンプレートベクトルデータセット７０２のそれぞれに乗算して、修正された生信号データセットおよび修正されたテンプレートベクトルデータセットを生成することをさらに含む。

さらに図３を参照すると、方法１１８は、プロセッサによって、データセットに対してローパスフィルタリング演算を実行することによって、修正されたテンプレートベクトルデータセットのエンベロープを計算することを含む（ステップ３１４）。いくつかの実施形態において、バターワースフィルタが使用される。いくつかの実施形態において、バターワースフィルタは、０．０２５の正規化されたカットオフ周波数を有する５次フィルタである。いくつかの実施形態において、チェビシェフフィルタが使用される。

ステップ３１６は、プロセッサによって、修正されたテンプレートベクトルエンベロープデータセットおよび修正された生信号データセットの各々の高速フーリエ変換（例えば、別個のＦＦＴ）を実行して、それらの各々を周波数領域に変換することを含む。

ステップ３１８は、プロセッサによって、修正されたテンプレートベクトルエンベロープデータセット、および周波数領域内の修正された生信号データセットをマージすることを含む。いくつかの実施形態において、修正されたテンプレートベクトルエンベロープデータセット、および周波数領域内の修正された生信号データセットの加重平均演算が実行される。いくつかの実施形態において、補間において使用された重みは、生信号に対するテンプレートベクトルの影響を制御するように最初に設定された補間係数である。

ステップ３２０は、プロセッサによって逆フーリエ変換演算を実行して、結果として生じるデータを時間領域に変換することを含む。結果として生じるデータは、ノイズ除去信号データセットの現在のウィンドウとして割り当てられる。この処理は、すべてのウィンドウ、またはその一部分に対して繰り返され、ノイズ除去信号データセットの残りの部分を入力する。

図８は、生の生体物理信号データセット１０８（例えば、「生信号」１０８として示される）、生成されたテンプレートベクトルデータセット７０２（例えば、「テンプレートベクトル」７０２として示される）、および結果として生じるノイズ除去信号データセット８０２（例えば、「ノイズ除去信号」として示される）の例示的なプロットである。

図８に示されるように、生信号データセット１０８は、ノイズ（例えば、骨格筋関連ノイズ）によって重度に汚染される。いくつかの実施形態において、テンプレートベクトルデータセット７０２の適用は、ＱＲＳ波形内のいくつかの高周波情報（例えば、時間インデックス５７．８秒前後に生じるノッチ８０８に示される）を維持しながら、そのノイズを完全に除去するが、テンプレートベクトルデータセット７０２は、生信号データセットに存在する変動性（すなわち、心臓信号変動性）の大部分を含まない。ノイズ除去信号データセット８０２は、生信号データセット１０８にあるようなそのような変動性（すなわち、心臓信号変動性）情報を含む。

実際に、本明細書に記載の方法は、フィルタリングされる受信された生体物理信号の一部（例えば、修正された生の信号として）、および１つ以上の生成されたノイズ除去ベクトル（例えば、修正されたテンプレートベクトルエンベロープとして）をマージすることによって、心臓信号またはその一部のフィルタリングされた心臓信号（すなわち、ノイズ除去信号）を生成することを伴う。

準周期信号パターンの代表的なサイクルの判定
上述のように、図４は、準周期信号パターンの代表的なサイクル（例えば、心臓拍動パターンの代表的なサイクル）のテンプレート信号ベクトルデータセットを判定する方法４００の図である。方法４００は、生体物理信号（例えば、心臓信号、脳信号など）における骨格筋関連アーチファクトおよびノイズ汚染の評価または定量化の一部であり得る。

図４に示されるように、方法４００は、まず、プロセッサによって、生体物理信号データセット（例えば、データセット１０８）またはその一部にわたるピーク（例えば、心臓信号の最大脱分極に対応するＲピーク）を検出すること（ステップ４０２）を含む。いくつかの実施形態において、ピークは、参照によりその全体が本明細書に組み込まれる、Ｐａｎ ＆ Ｔｏｍｐｋｉｎｓ，Ａ Ｒｅａｌ Ｔｉｍｅ ＱＲＳ Ｄｅｔｅｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｖｏｌｕｍｅ ３２−３，２３０−２３６，１９８５に記載されているように、Ｐａｎ＆Ｔｏｍｐｋｉｎｓアルゴリズムを使用して検出される。他の実施形態において、心臓信号データセット内のピークを検出するための他のアルゴリズムを使用することができる。例としては、Ｍａｋｗａｎａ ｅｔ ａｌ．“Ｈｉｌｂｅｒｔ ｔｒａｎｓｆｏｒｍ ｂａｓｅｄ ａｄａｐｔｉｖｅ ＥＣＧ Ｒ−ｐｅａｋ ｄｅｔｅｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅ，”Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，２（５），６３９（２０１２）；Ｌｅｅ ｅｔ ａｌ．、”Ｓｍａｒｔ ＥＣＧ Ｍｏｎｉｔｏｒｉｎｇ Ｐａｔｃｈ ｗｉｔｈ Ｂｕｉｌｔ−ｉｎ Ｒ−Ｐｅａｋ Ｄｅｔｅｃｔｉｏｎ ｆｏｒ Ｌｏｎｇ−Ｔｅｒｍ ＨＲＶ Ａｎａｌｙｓｉｓ，”Ａｎｎａｌｓ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ．４４（７），２２９２−３２０１（２０１６）、およびＫｉｍ ｅｔ ａｌ．、“Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｒ−Ｐｅａｋｓ ｉｎ ＥＣＧ Ｓｉｇｎａｌ ｂｙ Ａｄａｐｔｉｖｅ Ｌｉｎｅａｒ Ｎｅｕｒｏｎ（ＡＤＡＬＩＮＥ）”、”Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ｐｒｅｓｅｎｔｅｄ ａｔ ＭＡＴＥＣ Ｗｅｂ ｏｆ Ｃｏｎｆｅｒｅｎｃｅｓ，５４，１０００１（２０１６）が含まれ、これらのそれぞれは参照によりその全体が本明細書に組み込まれる。

いくつかの実施形態において、システムは、次に、判定された隣接サイクルの群におけるサイクルのサブセットを使用して、代表的サイクルのテンプレート信号ベクトルデータセットを判定する、生体物理信号データセット（例えば、データセット１０８）におけるサイクルの数および境界を評価するように構成される。いくつかの実施形態において、システムは、生体物理信号データセット全体におけるサイクルの境界、または分析されることが所望される一部分を評価するように構成される。他の実施形態において、システムは、関心の生体物理信号データセット（例えば、データセット１０８）の一部分における事前定義された数の隣接するサイクルに関するサイクルの境界を評価するように構成される。

近傍／隣接サイクルは、いくつかの実施形態において、判定されたサイクルのセットの中間サイクルの周りに、±１、２、．．１０サイクルと定義されてもよい。他の実施形態において、近傍／隣接サイクルは、判定されたサイクルセットの開始サイクルに関して、＋１、２、．．２０サイクルと定義されてもよい。他の実施形態において、近傍／隣接サイクルは、判定されたサイクルセットの最後のサイクルに関して、−１、２、．．２０サイクルと定義されてもよい。

この目的のために、各テンプレート信号ベクトルデータセットがそれぞれ生成するために使用されるサイクルに適用される複数のテンプレート信号ベクトルデータセットが生成されてもよい。例えば、近傍群１がサイクル１…１０から構成され、テンプレートベクトル＃１を導出する場合、サイクル１〜１０（例えば、本明細書で説明するように）の分析は、テンプレートベクトル＃１に対してのみ評価され、近傍群２がサイクル５．．．１５から構成され（例えば、いくつかのテンプレートベクトル＃２を有し、テンプレートベクトル＃２を導出する）、サイクル５〜１０の分析（例えば、本明細書で説明するように）は、テンプレートベクトル＃１およびテンプレートベクトル＃２に対して評価され（例えば、ベクトル＃１および＃２の平均によって）、近傍群３は、サイクル１０．．．２０から構成され（例えば、いくつかのテンプレートベクトル＃２を有し、テンプレートベクトル＃２を導出する）、サイクル１０〜１５の分析（例えば、本明細書で説明するように）は、テンプレートベクトル＃２およびテンプレートベクトル＃３に対して評価される（例えば、ベクトル＃２および＃３の平均により）。

実際に、いくつかの実施形態において、分析は、すべての心臓サイクル（例えば、３．５分のＰＳＲ記録×６０ＢＰＭ＝２１０）、または関心の生体物理信号データセットの一部が評価されるまで実行される。

この近傍アプローチは、ローカルサイクルのみをテンプレートに組み込むことによって長期変動に対する感度を低下させ得るが、また、使用されるか、または分析される成分サイクルが少ないため、ノイズに対する堅牢性を低下させ得る。実際に、完全な記録を使用すると、データセット全体の自然な心臓変動を捕捉することができるが、テンプレートと試験心臓サイクルの間にノイズベースの偏差がないこともある。隣接群ではなく近傍ですべての信号を使用することで、すべての信号（および取得された信号における固有の変動）が依然として評価され、感度が局所的に改善される。

近傍サイズの数は、例えば、上述のように１０であってもよく、またはユーザ定義のパラメータであってもよい。いくつかの実施形態において、近傍サイズは、信号におけるいくつかの評価された変動に基づいて判定される。実際に、近傍サイズの数は、２、３、４、５、６、７、８、９、１０であってもよい。いくつかの実施形態において、近傍サイズの数の数は、１０を超えてもよく、例えば、１０〜１５であってもよい。いくつかの実施形態において、近傍サイズの数の数は、１５を超えてもよく、例えば、１５〜２５であってもよい。いくつかの実施形態において、近傍サイズの数は、２５を超えてもよく、例えば、２５〜５０であってもよい。

いくつかの実施形態において、サイクルの近傍またはグルーピングは、オフセットサイズによって定義される。いくつかの実施形態において、オフセットサイズは、１つのサイクルにおける基準点から次のサイクルまでのインデックス計数における距離である。基準点は、サイクル内の中間点、開始点、または終了点であってもよい。上記の例では、サイクルが１．．１０、５．．１５、１０．．２０などから定義される場合、オフセットサイズは５である（基準点ごとに、始点、中間点、または終点となる）。

いくつかの実施形態において、オフセットサイズおよび近傍サイズに応じて、各所与のサイクルは、それと比較して１つ以上のテンプレート信号ベクトルデータセットを有して、そのテンプレート信号ベクトルデータセットのメトリクス（例えば、本明細書で説明されるように、とりわけ平均、中央値、モード）を判定してもよい。次いで、メトリクスを組み合わせて、そのテンプレート信号ベクトルデータセットの修正されたスコアを提供することができる。

例えば、テンプレート信号ベクトルデータセットは、所与の定義されたサイクルの中間に定義された基準点の先行点および尾部隣接点として定義され得る。テンプレート信号ベクトルデータセットは、（例えば、平均、モード、中央値などに基づいて）先行点および尾部隣接点のみに基づいて（かつサイクルの中間に定義された基準点に基づいてではない）生成することができる。テンプレート信号ベクトルデータセットが生成されると、テンプレート信号ベクトルデータセットは、所与の定義されたサイクルの中間と比較され、そのスコアに関するスコアを判定する。

いくつかの実施形態において、分析は反復的であり得、後続のサイクルのスコアが組み合わされる。例えば、サイクル＃１において、スコア＃１は、サイクル＃２について判定される。次いで、サイクル＃２について、サイクル＃２のみから判定されたローカルスコアに基づいてスコア＃２が判定され、次いで、そのローカルスコアがサイクル＃１からのスコアと組み合わされている。次いで、サイクル＃３について、サイクル＃３のみから判定されたローカルスコアに基づいてスコア＃３が判定され、次いで、そのローカルスコアがサイクル＃１および＃２からのスコアと組み合わされている。この反復分析は、関心の入力データセットのすべてまたは一部に適用され得る。

実際に、システムは、例えば、近傍の正確な中心において、テンプレートを単一サイクルにのみ適用することを選択し得る。説明されるように、次いで、すべての単一サイクルが単一のテンプレートに対して評価され、その単一のテンプレートは、可能なすべてのテンプレートにわたって一意である。このタイプの分析は、サイクルのローカル効果を表示するさまざまな利点を提供する。

方法４００は、プロセッサによって、検出されたピーク位置を使用して、ピーク間間隔の中央値（例えば、心臓信号のＲ間間隔の中央値）を判定し、各ピーク（例えば、心臓信号のＲピーク）の周りにサイクル領域を設定することを含む（ステップ４０４）。心臓信号の場合、サイクル領域はＲピークの周囲に設定され、Ｐ波とＴ波の完了の両方が含まれる。図９は、プロセッサが、生体物理信号データセットから生体物理信号サイクルをセグメント化して、生体物理信号データセット内の骨格筋関連ノイズ汚染を定量化するプロセスの図を示す。図９に示すように、検出されたピーク位置（例えば、９０２ａ〜９０２ｇとして示される）を使用して、ピーク間間隔の中央値（例えば、９０４ａ〜９０４ｇで示されるような心臓信号のＲ間間隔の中央値）を判定し、各ピーク（例えば、９０８ａ〜９０８ｇで示されるような心臓信号のＲピーク）の周りにサイクル領域（例えば、９０６ａ〜９０６ｆとして示される）を設定する。図９は、サイクル領域がＲピークの周りに設定され、心臓信号のＰ波（例えば、９１０ａ〜９１０ｇとして示される）およびＴ波（例えば、９１２ａ〜９１２ｇとして示される）の完了の両方を含むことをさらに示す。いくつかの実施形態において、範囲は、中央値間隔の約−２０％〜約＋２０％である（例えば、９１２ａ、９１２ｂとして示される）。サイクル領域（例えば、９０６ａ〜９０６ｆ）の各々は、マトリックス（「サイクルマトリックス」とも称される）内のプロセッサによって記憶され得る。サイクルマトリックスは、Ｍが検出されたサイクルの数であり、Ｎがピーク間間隔の中央値（例えば、心臓信号のＲ間間隔の中央値）の４０％であり、ピーク間間隔の４０％がサイクルの全時間的「幅」を表すＭｘＮであってもよい。具体的には、ピーク間間隔の中央値（例えば、心臓信号のＲ間間隔の中央値）がデータセット全体で既知であれば、信号を半分に分割して、例えば、ピーク（例えば、Ｒピーク）から時間内に前後の両方に到達する「２０％」を取得して、他の波（例えば、心臓信号のＴ波およびＰ波）を捕捉することができる。もちろん、他のサイクル領域の長さは、心臓信号および脳信号における様々な異なる波などに使用され得る。

図４を参照すると、方法４００は、プロセッサによって、任意のオフセットを除去するための各サイクルを正規化すること（ステップ４０６）を含む。図１０Ａは、例示的な実施形態による図４の正規化プロセスの結果のプロットを示す。図１０Ａにおいて、生体物理信号データセット（例えば、データセット１０８）の各サイクル領域（例えば、９０６ａ〜９０６ｆ）は、プロセッサによって正規化され、各サイクル領域の平均値がゼロであるように任意のオフセットを除去する。正規化された心臓信号データセットは、示されるように、「１」〜「−１」の範囲を有することができるが、その範囲はデータの分布に応じて変化することができる。

いくつかの実施形態において、中心化演算は、波形間で同じ特徴部（例えば、ピーク）を時間整合させる演算を含む。これらの特徴の例は、とりわけ、心臓信号について、Ｑ波の開始、Ｒ波のピーク、または相互相関演算によって判定された遅延推定を含む。いくつかの実施形態において、振幅正規化演算は、ゲイン項を判定するための基礎としてＱＲＳ波形の特徴を使用する（例えば、ＱＲＳの直前に短い平均を取ってもよい）。

他の実施形態において、各サイクルは、ｚスコアに従って正規化される。テンプレート信号ベクトルデータセットの所与のデータ点のＺスコア値は、所与のデータ点の値と、その所与のデータ点のサイクルのセットの同じインデックス化されたデータ値に対する標準偏差によって差分が正規化されるサイクルのセットの平均との差分として計算することができる。いくつかの実施形態において、ｚスコアは、サイクル変動性スコアとして出力され得る。サイクル変動性は、とりわけ非同期ノイズに起因し得る、取得された生体物理データセットにおけるサイクル間の変動性の程度を指し得る。

さらに図４を参照すると、方法４００は、プロセッサによって、生成されたサイクルマトリックス上で主成分分析（ＰＣＡ）を実行して、最初の２つの主成分を抽出することをさらに含む。図１１は、生成されたサイクルマトリクスに対して行われた主成分分析演算の例示的な出力を示している。

さらに図４を参照すると、方法４００は、プロセッサによって、主成分分析の出力に対してクラスタリング演算を実行すること（ステップ４１０）をさらに含む。使用できるクラスタリング演算の例としては、Ｅｓｔｅｒ，Ｋｒｉｅｇｅｌ，Ｓａｎｄｅｒ，Ｘｕ，”Ａ ｄｅｎｓｉｔｙ ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｄｉｓｃｏｖｅｒｉｎｇ ｃｌｕｓｔｅｒｉｎｇ ｉｎ ｌａｒｇｅ ｓｐａｃｅ ｄａｔａｂａｓｅ ｗｉｔｈ ｎｏｉｓｅ，”Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｅｃｏｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ２２６〜２３１ページに記載される、ＤＢＳＣＡＮアルゴリズムが挙げられ、参照によりその全体が本明細書に組み込まれる。いくつかの実施形態において、クラスタリング演算は、いくつかの実施形態において、２次元空間におけるサイクルを表す最初の２つのＰＣＡ成分に対して実行されるように構成される。アルゴリズムが、全サイクル数の１０％を超える第２の支配的なクラスタを検出する場合、それは、心室の早期収縮などの第２の支配的なサイクル形態の存在を意味する。図１１は、ＤＢＳＣＡＮによる識別に従って、複数の異なるサイクル形態を含有しないことに留意されたい。このデータセットは、信号中のＥＭＧレベルに起因して視覚的に２つのレベルを有するように現れる。

さらに図４を参照すると、方法４００は、例えば、ＤＢＳＣＡＮによって検出されるように、支配的なＰＣＡクラスタに対応するサイクルのすべてまたは一部に基づいて、プロセッサによって代表的なサイクルを抽出すること（ステップ４１２）を含む。代表的なサイクルは、各々が異なる特徴を有する１つまたはいくつかの方法で抽出され得る。いくつかの実施形態において、代表的サイクルにおけるデータ点の各々は、基礎となる分布を具現化し、その分布は、すべてのＭサイクルにおいてその時点で構成される。例えば、平均を取ること（ＮごとにすべてのＭ点にわたって）は、ローパスフィルタリング効果（高周波情報およびノイズの両方を除去する）を有する一方で、中央値を取ることは、非線形様式で高周波情報を保持する。圧縮技術の異なる影響、平均対中央値は、様々な基礎となる分布によって説明される。Ｍ点が正常に分布する場合、次いで平均値および中央値は同じ結果を有するが、非ゼロ偏差、特に負数の尖度との組み合わせ、または多様式の存在下での、より複雑な分布で異なり始める。

上述のように、図６は、同じ基礎となるサイクルの中央値代表サイクル（例えば、６０２ａ）および中央値代表サイクル（例えば、６０２ｂ）の例を示す。断片化（例えば、中央値サイクルで保持されるが、例えば、矢印６０４に示されるように、平均サイクルで除去される高周波数コンテンツ）は、３０００〜３５００個のサンプルの中央値サイクルで保持され、一方、平均サイクルはその特徴を除去していることが観察される（６０４）。さらに、いくつかの高周波ノイズは、代表的なサイクル全体を通じて、平均拍動ではなく中央値拍動に見られる。中央値演算を使用すると、時間の経過とともにＱＲＳ形態が変化するか、または拍動検出整合に関連する時間的スミアリングのために、平均表現に存在しない可能性のある高周波特徴が保持される。加えて、分布を説明する関数が使用されてもよく、そのような関数は、除去または保持に望ましい特性（例えば、基礎となる分布のカーネル密度推定のモードなど）を除去するか、または強化することができるスペクトルマスクを作成するであろう。

すなわち、平均拍動を使用して、サイクルの「よりクリーンな」表現を生成することができる（すなわち、その高周波数コンテンツが信号特性およびノイズ特性の両方を含む、より少ない高周波数コンテンツ）が、中央値拍動は、その高周波数コンテンツを含む。状況に応じて、これらのアプローチのいずれかがより望ましい場合がある。例えば、ｉ）分析を曇らせる可能性のあるいくつかの高周波ノイズが存在する場合であっても、生体物理信号特性の高周波成分が捕捉され、分析のために維持されることを保証することが所望される場合、またはｉｉ）信号に高周波ノイズがほとんど存在しないか、または低い場合、中央値拍動を使用してもよい。

準周期信号サイクルの代表的なサイクルを判定する図４のプロセスは、取得した生体物理信号における骨格筋関連ノイズおよび他の非同期ノイズ汚染を定量化するための大規模な研究の一部とすることができる。

いくつかの実施形態において、結果として生じるウィンドウのうちのウィンドウのセット内の近傍である一部分が組み合わされ、評価される（例えば、テンプレート信号を生成する、または信号を拒否する）。図１０Ｂは、高ノイズ信号のための積み重ねられたサイクルセットの上に重畳されたテンプレート信号ベクトルデータセットを示す。図１０Ｃは、低ノイズ信号のための積み重ねられたサイクルセットの上に重畳されたテンプレート信号ベクトルデータセットを示す。図１０Ａは単一のＰＳＲ記録に基づいており、図１０Ｂは第２の単一のＰＳＲ記録に基づいている。

サイクルが識別されると（例えば、これらのケースの各々において）、識別されたサイクルを積み重ねることができる（すなわち、互いに上にプロットするか、または配置する）。例えば、サイクル１データ点１はｘ＝１に配置され、サイクル１データ点６０００はｘ＝６０００に配置され、次いで、サイクル１５０（例えば）データ点１もｘ＝１に配置され、サイクル１５０データ点６０００もｘ＝６０００に配置される。

図１０Ｂおよび１０Ｃにおいて、データが積み重ねられると、所与のサイクルのためのテンプレートに対応するテンプレート信号ベクトルデータセット７０２が生成され得る。

特に、図１０Ｂおよび１０Ｃは、実施形態の中間出力を示す。図１０Ｂは、この技術が、非常に高いノイズの存在下で（典型的なサイクルが視覚的に明らかではない場合）有意なテンプレートベクトルを抽出することができることを示し、図１０Ｃは、この技術が、理想的な条件下で典型的なサイクルを抽出することができることを示す。

生体物理信号における骨格筋アーチファクトノイズ汚染の定量化
図５は、例示的な実施形態による、取得された生体物理信号における骨格筋関連アーチファクトノイズ汚染をプロセッサによって定量化する例示的な方法５００の図である。

方法５００は、図４に関連して説明されるステップ４０２〜４１２を含み、プロセッサによって、判定された代表的サイクルデータセットと生信号データセット（複数可）との差分の分布を定量化するステップをさらに含む。

方法５００は、生の信号データセットサイクルにおいて各検出されたサイクルを、代表的なサイクルデータセットと比較することをさらに含む。比較は、まず、試験中のサイクルの各々と代表的なサイクルを位相整合することによって実行される（ステップ５０２）。いくつかの実施形態において、相互相関の最大値を見つけるなどの方法が使用される。

比較は、代表的なサイクルデータセットと検査中の位相整合されたサイクルとの間の差分を判定することをさらに含む（ステップ５０４）。いくつかの実施形態において、２つの信号間の相関などの方法が使用される。他の実施形態において、絶対誤差中央値が使用される。さらに他の実施形態において、平均絶対誤差が使用される。２つ以上の代表的なサイクルデータセットが存在する場合（例えば、２次元ＰＣＡ出力上のクラスタリングによって検出されるような）、次いで、所与のサイクルに最も一致する対応する代表的なサイクルデータセットが使用される。

比較は、例えば、分布ベースのフィルタを使用して判定された差分スコアに基づいて、外在サイクルと内在サイクルを区別すること（ステップ５０６）をさらに含む。いくつかの実施形態において、分布ベースフィルタは、平均からの１を超える標準偏差を有するサイクルを識別するように構成される。図１２は、代表的なサイクルデータセットと、サイクルインデックスの関数として評価されたサイクルの各々との比較に基づいて判定された差分スコアの分布のプロットである。図１２に示されるように、内在サイクルは（例えば、１２０２によって示される領域において）分布の平均の１つの標準偏差内であると識別され（ライン１２０４として示される）、外在サイクルは（例えば、１２０６によって示される領域において）平均から１つの標準偏差領域外であると識別される。骨格筋関連ノイズによる生体物理信号の汚染の最終評価は、平均または中央値などの内在する差分スコアの代表的な値を取ることによって実行することができる。

特定の理論に束縛されることを望まないが、外在サイクルの存在は、研究中の生体物理信号の生理学的変動性によって導入されたノイズおよび基礎となる生理学系を含むいくつかの要因に起因することができる。心臓信号に関して、外在サイクルは、とりわけ、脱分極または再分極サイクルの長さおよび／またはエネルギーの変動に起因し得る。

議論
上述のように、骨格筋関連アーチファクトなどの非同期ノイズ汚染、および生体物理信号（心臓信号など）におけるノイズ汚染の定量化は、複雑であり得る。骨格筋関連アーチファクトおよびノイズは、例えば、生体物理信号に関してバンド内ノイズとして現れ得る。すなわち、それは、生体物理信号の支配的な成分と同じ周波数範囲で、典型的には、心臓信号については約０．５Ｈｚ〜８０Ｈｚ、脳信号については約０．１〜５０Ｈｚで生じ得る。さらに、ＥＭＧは、典型的な心臓または脳波形と同じ振幅を有し得る。

骨格筋関連アーチファクトおよびノイズ汚染の生体物理信号との類似性は、そのような信号の自動診断分析の問題を引き起こす可能性があり、したがって、信号における骨格筋関連アーチファクトおよびノイズ汚染のレベルを定量化することは、後続の分析において失敗する可能性が高い信号の自動拒否および／または後続の分析におけるそのような汚染に対する補償を容易にすることができる。

特に心臓信号について、骨格筋関連アーチファクトおよび生体物理信号におけるノイズのレベルを定量化するとき、骨格筋関連アーチファクトおよびノイズが生体物理信号と同期していないことが観察される。２つの供給源が異なるため（すなわち、心臓信号が心筋細胞の作用電位の合計から導出される一方で、ＥＭＧが起源筋肉（胸部筋肉、上腕二頭筋、上腕三頭筋など）の作用電位の合計から導出される）、供給源は、同期性を生み出す可能性のあるより深い共通供給源を共有する可能性は低い。実際に、骨格筋関連アーチファクトおよびノイズは、各心臓サイクルを、骨格筋関連アーチファクトおよび生体物理信号におけるノイズ汚染の存在によって、グロス差を説明することができる患者のための理想化された心臓サイクルと比較することによって定量化することができる。

骨格筋関連アーチファクトおよびノイズ定量化が問題であるのと同様に（例えば、骨格筋関連アーチファクトおよびノイズは、物理信号とバンド内にある）、骨格筋関連アーチファクトおよびノイズ除去も同様に課題である。

骨格筋関連アーチファクトおよびノイズ定量化からの同じ洞察を活用することによって、代表的なサイクルの時系列データセットを生成することができ、それに対して周波数ベースの分析または時間ベースの分析を実行して、骨格筋関連アーチファクトおよびノイズならびに他の非同期汚染を除去するか、または低減することができる。

実際に、いくつかの実施形態において、周波数領域内の元の信号のサンプルバイサンプル比較、続いて、代表的なサイクルベクトルから判定されたスペクトルマスクに基づいてノイズ除去信号を導出するための信号間の周波数領域ノイズ除去演算を実行し、それを使用して周波数領域内の元の信号内のノイズ特徴をマスクすることができる。例示的なノイズ除去アプローチは、代表的なサイクルに含まれる堅牢な情報とともに、生データに含まれる生体物理信号の変動に関する情報を利用する。

例示される方法およびシステムは、心臓信号に関して上で実証される。例示的な方法およびシステムは、脳信号および他の生体物理信号に適用され得ることに留意されたい。図１３Ａ、１３Ｂ、および１３Ｃは、図１Ａの測定システム１０２から取得された例示的な広帯域脳相勾配信号データセットを示す。図１４は、位相空間に提示された、図１３Ａ〜１３Ｃの広帯域脳位相勾配信号を示す。実際に、広帯域脳相勾配信号は、準周期系であり、その点で例示される方法およびシステムが適用され得る心臓広帯域心臓相勾配信号に類似する。

デバイス正規化プロセス
別の態様において、本明細書に記載される非同期汚染除去演算は、例えば、機械学習ベースの疾患関連のためにそのようなプラットフォームから取得されたデータを対象とする前に、複数の異なる取得プラットフォームから取得された心臓信号を正規化するために使用され得る。正規化は、少なくとも部分的に、ディープラーニングからの理論的トポロジーの違いと洞察の知識によって推進される。デバイス正規化プロセスは、例えば、機械学習訓練プロセスを改善することができる信号の群間の類似性（機械学習および電気工学理論の両方によって誘導されるように）を増大させるために、２つ以上の異なる世代からである複数の取得デバイスから取得されたデータに適用され得る。

図１５は、第１の測定機器のセットで取得されたデータセットの第１のセット、および第２の測定機器のセットで取得されたデータセットの第２のセットを正規化する方法であって、それにより、データセットの第１のセットが、機械学習演算においてデータセットの第２のセットで分析可能である、方法の図である。図１５に示されるように、対象の第１のセット（例えば、１５０４として示される）の心臓信号データセットの第１のセット（例えば、１５０２として示される）は、生体物理信号測定機器の第１のセット（例えば、１５０６として示される）で取得され、対象の第２のセット（例えば、１５１０として示される）の心臓信号データセットの第２のセット（例えば、１５０８として示される）は、生体物理信号測定機器の第２のセット（例えば、１５１２として示される）で取得される。

いくつかの実施形態において、心臓信号データセットの第１のセット（例えば、１５０２）は、図１に関して説明されるように、非同期ノイズ汚染を除去するためにプロセッサで処理され、心臓信号データセットの第１のセットと心臓信号データセットの第２のセットとの間の類似性を改善し、機械学習演算のための同じ訓練データセット内の心臓信号データセットの第１のセットと心臓信号データセットの第２のセットの使用を容易にする。

いくつかの実施形態において、心臓信号データセットの第２のセット（例えば、１５０８）は、心臓信号データセットの第１のセットと心臓信号データセットの第２のセットとの間の類似性を改善するために、図１Ａに関して説明される非同期ノイズ汚染を除去するためにプロセッサで処理される。

実験結果
冠動脈疾患学習アルゴリズム開発（ＣＡＤＬＡＤ）研究は、機械学習アルゴリズムの開発および試験をサポートするための２つの異なる段階を伴って実施された。ステージ１では、対の臨床データを使用して、前処理、特徴抽出、および機械学習ステップの設計および開発を誘導した。すなわち、収集された臨床試験データは、３つのコホートに分割される：トレーニング（５０％）、妥当性確認（２５％）、検証（２５％）。分析のために患者からの信号を処理するための上述のステップと同様に、各信号は、データをクリーニングし、かつ正規化するために最初に前処理される。これらのプロセスに続いて、特徴のセットが、特徴の各セットが真の状態の表現（例えば、有意なＣＡＤの有無のバイナリ分類）と対になる信号から抽出される。このステージの最終出力は、測定システム内で具現化された固定アルゴリズムである。ＣＡＤＬＡＤ試験のステージ２では、機械学習アルゴリズムを使用して、以前に試験されていない臨床データのプールに対する有意なＣＡＤの判定を提供する。疾患の基準は、Ａｍｅｒｉｃａｎ Ｃｏｌｌｅｇｅ ｏｆ Ｃａｒｄｉｏｌｏｇｙ（ＡＣＣ）臨床ガイドラインで定義されているように、具体的には血管造影による７０％超の狭窄またはフローワイヤによる０．８０％未満の狭窄として確立されている。

研究の一部について、早期取得ハードウェア（例えば、「第１世代」）（例えば、測定システム１０４）と関連付けられた心臓信号データセットの第１のセットは、図１Ａに関連して説明されるように非同期ノイズ汚染を除去するように処理され、ＣＡＤＬＡＤ研究における機械学習演算のための訓練データセットとして、心臓信号データセットの第１のセットおよび（後期取得ハードウェア、例えば、「第２世代」で取得された）心臓信号データセットの第２のセット（例えば、測定システム１０４）の使用を容易にする。例示的な早期取得ハードウェア（例えば、単極感知フロントエンドを含む）のさらなる記述は、参照によりその全体が本明細書に組み込まれる米国公開第２０１７／０１１９２７２号に見出すことができ、後期取得ハードウェア（例えば、双極感知フロントエンドを含む）のさらなる記述は、参照によりその全体が本明細書に組み込まれる米国出願第１５／９１１，０４７号に見出すことができる。

評価システム１１０は、いくつかの実施形態において、特徴に基づく予測に正常に一致することができるそれらの組み合わせを見つけることを目的として、様々な機能的置換における特徴の組み合わせを自動的にかつ反復的に探索する。ソリューションが訓練データに過剰に適合しないように、妥当性確認セットは、比較器として使用される。候補予測器が開発されると、それらは次いで、検証データセットに手動で適用され、予測器を生成するために全く使用されていないデータに対して予測器性能を評価する。データセットが十分に大きい場合、検証セットに対する選択された予測器の性能は、新しいデータに対するその予測器の性能に近いであろう。

図１６は、本開示の実装態様による、非侵襲性心臓評価システム１１０によって位相空間体積オブジェクト１２２を生成し、かつ分析する例示的な方法１６００である。他の実装態様は、本開示に基づいて、当業者に明らかになり得る。方法１６００は、いくつかの実施形態において、位相勾配生体物理信号データセット１０８の生の示差分チャネル信号からベースライン変動を除去すること（演算１６０２）を含む。いくつかの実装態様において、生の差分チャネル信号は、測定システム１０２によって同時にサンプリングされた６つの信号から導出される。

いくつかの実装態様において、対象に特有な、信号が取得された信号のリード間タイミングおよび位相情報を埋め込む生の差分チャネル信号データセットとして、静止対象から６つの同時にサンプリングされた信号が捕捉される。脱分極波の位相面における他の直交リードとの干渉から生じる幾何学的コントラストを使用することができ、これは、心臓の３次元表現上の位相空間情報の重畳を容易にすることができる。ノイズレス亜空間は、これらの波の位相の観測をさらに容易にする。すなわち、直交リードの位相は、構造に関する情報を担持し、画像に幾何学的コントラストを生成する。位相コントラストは、異なる生体電気構造が異なるインピーダンスを有するという事実を利用し、スペクトルおよび非スペクトル伝導が心臓を通る位相空間軌道の軌道を異なる量遅延させ、かつ曲げる。軌道におけるこれらの小さな変化は、正規化され、拍動間で定量化して、異常または不良なリード配置に関して補正され得、正規化された位相空間積分は、視覚化のために幾何学的メッシュにマッピングすることができる。

いくつかの実装態様において、生の差分チャネル信号データセットが正規化され、修正された移動平均フィルタを使用してベースライン変動が除去される。例えば、いくつかの実装態様において、ベースライン変動は、１５００ミリ秒の順序で中央値フィルタを使用して生の差分チャネル信号の各々から抽出され、１Ｈｚローパスフィルタで平滑化され、信号から減算される。次いで、バイアスは、カーネルス平滑化関数で計算された確率密度の最大値を使用して信号の推定値を減算することによって、結果として生じる信号から除去される。すべての信号、またはその一部は、正規化プロセスを完了するために、それらのそれぞれの四分位間範囲で分割されてもよい。

次いで、方法１６００は、いくつかの実施形態において、候補基底関数のセットを分解し、かつ選択してスパース数学モデルを作成することによってノイズレスモデル信号を再構築すること（演算１６０４）を含む。いくつかの実装態様において、修正マッチング追跡（ＭＭＰ）アルゴリズムを使用して、生の差分チャネル信号のノイズレスモデルを見つける。進化可能な数学モデル、記号回帰、直交マッチング追跡、ラッソ、周期座標降下、直交検索、高速直交検索、および周期座標降下を使用して最適化された線形モデルを含むが、これらに限定されない、他のスパース近似アルゴリズムを使用することができる。いくつかの実装態様において、再構築演算５０４は、基底関数項が最初に空の基底に順次付加され、近似誤差を低減しながら目標関数を近似する基底関数の加重和を有する関数としてモデルを生成する。

次いで、方法１６００は、いくつかの実施形態において、選択された基底関数および係数から亜空間成分（例えば、低エネルギー周波数亜空間成分）を選択すること（演算５０６）を含む。低エネルギー亜空間成分は、モデリングエラーに最も寄与しないＸ％低マグニチュードサブセット係数（周波数コンテンツ）のみを使用して再構成されたモデルを含む。いくつかの実装態様において、低エネルギー亜空間成分は、信号のスパース表現の一部として、位相空間座標において後に選択される高次候補項を含む。すなわち、最後の５パーセント、１０パーセント、１５パーセント、２０パーセント、２５パーセント、３０パーセントの候補項（より高い順序の候補項として）が使用される。他のパーセンテージ値が使用され得る。

次いで、方法１６００は、いくつかの実施形態において、部分的に位相空間体積オブジェクト１２２を画定する３次元点クラウドを生成するために（例えば、数値分数微積分演算を介して）事前定義された^ｎ次微積分結果セットを再構築すること（演算１６０８）を含む。いくつかの実装態様において、分数階積分演算は、Ｇｒｕｎｗａｌｄ−Ｌｅｔｎｉｋｏｖ分積分法に基づく。いくつかの実装態様において、分数階微分演算は、ルビッチの分数線形多段階法に基づく。いくつかの実装態様において、分数階積分演算は、分積分アダムスムルトン法に基づく。いくつかの実装態様において、分数階積分演算は、リーマンリオビル分数導関数法に基づく。いくつかの実装態様において、分数階微分演算は、リーズ分数階微分法に基づく。分数階微分を行う他の方法が使用されてもよい。

方法１６００は、いくつかの実装態様において、次いで、ポイントクラウドの表面特徴（すなわち、面）を生成するために三角測量演算を実行すること（１６１０）を含む。いくつかの実装態様において、再構築されたノイズレスモデル信号に対して、事前定義された半径（α）を有するアルファ包三角測量を実行する。他の実装態様において、デラウネイ三角測量、アルファ形状、ボール旋回、メッシュ生成、凸包三角測量などが使用される。

次いで、方法１６００は、いくつかの実装態様において、ポイントクラウド内の頂点の各々について１つ以上の値を計算すること（１６１２）を含む。いくつかの実装態様において、頂点値を提示可能な色範囲にわたってスケーリングする。いくつかの実装態様において、頂点値は、モデル化されたチャネルデータセット（例えば、Ｘ軸データセット、Ｙ軸データセット、またはＺ軸データセット）とベースライン生チャネルデータセット（例えば、対応するＸ軸データセット、Ｙ軸データセット、またはＺ軸データセット）との間の分散である。いくつかの実装態様において、分散は、モデル化されたチャネルデータセットの対応するデータ点を用いてベースライン生チャネルデータセットのデータ点を減算することによって判定される。モデリングされたチャネルデータセットは、いくつかの実装態様において、ベースライン生チャネルデータの再構築されたノイズレス信号を生成するために、ベースライン生チャネルデータセットのスパース近似に基づく。いくつかの実装態様において、位相空間体積オブジェクト１２２の各面は、隣接する境界頂点色値（例えば、３の境界頂点色）の間で三角形に補間された面色値を割り当てられる。

いくつかの実装態様において、位相空間体積オブジェクト１２２の様々な図は、例えばウェブポータルを介して医師に、肺動脈高血圧の存在または非存在の評価を支援するために、計算された位相空間断層撮影画像として提示するために捕捉される。いくつかの実装態様において、位相空間体積オブジェクトまたは計算された位相空間断層撮影画像は、肺動脈高血圧の存在または非存在を評価するように構成された訓練されたニューラルネットワーク分類子によって評価される。いくつかの実装態様において、計算された断層撮影画像は、医師が診断を行うのを支援するために機械生成された予測の結果とともに提示される（例えば、２次元ビューのセット）。

他の実装態様において、位相空間体積オブジェクト１２２は、１つ以上の冠動脈生理学的パラメータを判定するために、後続の機械学習演算（例えば、画像ベースの機械学習演算または特徴ベースの機械学習演算）において分析される。いくつかの実装態様において、評価システム１１０は、位相空間体積オブジェクト１２２の体積メトリック（例えば、アルファ包体積）を判定するように構成される。いくつかの実装態様において、評価システム１１０は、生成された位相空間体積オブジェクト１２２のいくつかの異なる本体（例えば、異なる体積）を判定するように構成される。いくつかの実装態様において、評価システム１１０は、生成された位相空間体積オブジェクト１２２の最大色バリエーション（例えば、色グラデーション）を評価するように構成される。いくつかの実装態様において、これらの特徴のすべては、数学的特徴として位相空間体積オブジェクト１２２から評価される。

いくつかの実装態様において、位相空間体積オブジェクト１２２の数学的特徴は、収集された生体物理信号の特定の態様を表す何百もの他の異なる数学的特徴とともに抽出される。評価システム１１０の特徴抽出エンジンは、特定の式／アルゴリズムとして各特徴を抽出し得る。いくつかの実装態様において、特徴抽出プロセスが入力生体物理信号に適用されるとき、出力は、例えば、数百を超える実数のリスト、各特徴が信号の動的、幾何学的、分数階微分、混沌、および／またはトポロジー特性の１つ以上の態様を表す特徴ごとに１つの数値を含む、すべての計算された特徴のマトリックスである。

いくつかの実施態様において、機械学習アルゴリズム（例えば、メタ遺伝子アルゴリズム）は、肺動脈高血圧に関連する心筋組織の存在を検出するために、陽性（すなわち、疾患を有する）および陰性（すなわち、疾患を有しない）症例の両方を表す患者の母集団にわたって位相空間モデル（例えば、特徴のプール）の態様を連結する予測器を生成するために使用される。いくつかの実装態様において、候補予測器の性能は、以前に見られなかった患者プールに対して検証プロセスを通じて評価される。いくつかの実装態様において、機械学習アルゴリズムは、メタ遺伝子アルゴリズムを呼び出して、大きなプールから描画された特徴のサブセットを自動的に選択する。この機能サブセットは、次いで、陽性および陰性の両方の症例を表す患者の母集団全体にわたって肺動脈高血圧を診断するための予測器を生成するために、適応ブースト（ＡｄａＢｏｏｓｔ）アルゴリズムによって使用される。候補予測因子の性能は、以前に見られなかった患者プールに対する検証を通じて判定される。ＡｄａＢｏｏｓｔアルゴリズムのさらなる説明は、Ｆｒｅｕｎｄ，Ｙｏａｖ，ａｎｄ Ｒｏｂｅｒｔ Ｅ．Ｓｃｈａｐｉｒｅ，“Ａ Ｄｅｃｉｓｉｏｎｉｏｎ−Ｔｈｅｏｒｙ Ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｏｆ Ｏｎｌｉｎｅ ｌｅａｒｎｉｎｇ ａｎｄ ａ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｂｏｏｓｔｉｎｇ，”Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｉｎａｔｉｏｎａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ．Ｓｐｒｉｎｇｅｒ，Ｂｅｒｌｉｎ，Ｈｅｉｄｅｌｂｅｒｇ（１９９５）に記載されており、参照によりその全体が本明細書に組み込まれる。

いくつかの実装態様において、評価システム１１０は、頂点、面三角測量、および頂点色が提示される位相空間体積オブジェクト１２２の表現の１つ以上の画像を生成する。いくつかの実装態様において、表現の複数のビューが生成され、レポートに含まれる。いくつかの実装態様において、１つ以上の画像は、ユーザの入力に基づいて回転、スケーリング、および／またはパンすることができる３次元オブジェクトとして提示される。実際に、そのような提示は、当業者によって視覚的に評価され、対象が肺動脈高血圧の非存在の存在を有するかどうかを判定するために使用され得る。

ニューラルネットワークの分類
３次元位相空間体積物体または計算された位相空間断層撮影画像は、訓練された神経ネットワーク分類子によって直接評価されて、肺動脈高血圧の存在または非存在を判定することができる。いくつかの実装態様において、ニューラルネットワーク分類子は、肺動脈高血圧の存在および非存在について評価された冠動脈血管造影結果と対になるグレースケール断層撮影画像のセット上で訓練されたニューラルネットワークであってもよい。いくつかの実装態様において、ニューラルネットワークベースの非線形分類子が使用される。いくつかの実装態様において、ニューラルネットワークベースの非線形分類子は、生成された断層撮影画像からの個々の画素をバイナリ疾患状態予測（すなわち、状態が存在するかまたは存在しない）または推定された生理学的特徴にマッピングするように構成される。いくつかの実装態様において、このマッピングを制御するニューラルネットワークの重みは、勾配降下技術を使用して最適化される。

疾患状態予測の例としては、有意な冠動脈疾患の存在／非存在、肺高血圧の存在／非存在、肺動脈高血圧の存在／非存在、左心臓疾患による肺高血圧の存在／非存在、肺疾患による肺高血圧の存在／非存在、慢性血栓による肺高血圧の存在／非存在などが挙げられるが、これらに限定されない。

推定される生理学的特徴の例としては、血流予備量、狭窄の程度、虚血の程度、血糖値、心室のサイズおよび機械的機能などが挙げられるが、これらに限定されない。

例示される方法およびシステムとともに使用され得る処理のさらなる例は、「Ｎｏｎ−ｉｎｖａｓｉｖｅ Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｙｓｔｅｍｓ」と題された米国特許第９，２８９，１５０号、「Ｎｏｎ−ｉｎｖａｓｉｖｅ Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｙｓｔｅｍｓ」と題された米国特許第９，６５５，５３６号、「Ｎｏｎ−ｉｎｖａｓｉｖｅ Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｙｓｔｅｍｓ」と題された米国特許第９，９６８，２７５号、「Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄ ｆｏｒ Ｅｖａｌｕａｔｉｎｇ ａｎ Ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｉｇｎａｌ」と題された米国特許第８，９２３，９５８号、「Ｎｏｎ−ｉｎｖａｓｉｖｅ Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｙｓｔｅｍｓ ａｎｄ Ａｌｌ−Ｃａｕｓｅ Ｍｏｒｔａｌｉｔｙ ａｎｄ Ｓｕｄｄｅｎ Ｃａｒｄｉａｃ Ｄｅａｔｈ Ｒｉｓｋ」と題された米国特許第９，４０８，５４３号、「Ｎｏｎ−ｉｎｖａｓｉｖｅ Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｙｓｔｅｍｓ ａｎｄ Ａｌｌ−Ｃａｕｓｅ Ｍｏｒｔａｌｉｔｙ ａｎｄ Ｓｕｄｄｅｎ Ｃａｒｄｉａｃ Ｄｅａｔｈ Ｒｉｓｋ」と題された米国特許第９，９５５，８８３号、「Ｎｏｎｉｎｖａｓｉｖｅ Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｉｃ Ｍｅｔｈｏｄ ｆｏｒ Ｅｓｔｉｍａｔｉｎｇ Ｍａｍｍａｌｉａｎ Ｃａｒｄｉａｃ Ｃｈａｍｂｅｒ Ｓｉｚｅ ａｎｄ Ｍｅｃｈａｎｉｃａｌ Ｆｕｎｃｔｉｏｎ」と題された米国特許第９，７３７，２２９号、「Ｎｏｎｉｎｖａｓｉｖｅ Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｉｃ Ｍｅｔｈｏｄ ｆｏｒ Ｅｓｔｉｍａｔｉｎｇ Ｍａｍｍａｌｉａｎ Ｃａｒｄｉａｃ Ｃｈａｍｂｅｒ Ｓｉｚｅ ａｎｄ Ｍｅｃｈａｎｉｃａｌ Ｆｕｎｃｔｉｏｎ」と題された米国特許第１０，０３９，４６８号、「Ｎｏｎｉｎｖａｓｉｖｅ Ｍｅｔｈｏｄ ｆｏｒ Ｅｓｔｉｍａｔｉｎｇ Ｇｌｕｃｏｓｅ，Ｇｌｙｃｏｓｙｌａｔｅｄ Ｈｅｍｏｇｌｏｂｉｎ ａｎｄ Ｏｔｈｅｒ Ｂｌｏｏｄ Ｃｏｎｓｔｉｔｕｅｎｔｓ」と題された米国特許第９，５９７，０２１号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｓｙｓｔｅｍｓ Ｆｒｏｍ Ｓｉｎｇｌｅ Ｃｈａｎｎｅｌ Ｄａｔａ」と題された米国特許第９，９６８，２６５号、「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ Ｕｓｉｎｇ Ｍａｔｈｅｍａｔｉｃａｌ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｔｏ Ｄｉａｇｎｏｓｅ Ｄｉｓｅａｓｅ」と題された米国特許第９，９１０，９６４号、「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｗｉｄｅ−Ｂａｎｄ Ｐｈａｓｅ Ｇｒａｄｉｅｎｔ Ｓｉｇｎａｌ Ａｃｑｕｉｓｉｔｉｏｎ」と題された米国特許公開第２０１７／０１１９２７２号、「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｗｉｄｅ−Ｂａｎｄ Ｐｈａｓｅ Ｇｒａｄｉｅｎｔ Ｓｉｇｎａｌ Ａｃｑｕｉｓｉｔｉｏｎ」と題されたＰＣＴ公開番号ＷＯ２０１７／０３３１６４、「Ｎｏｎ−ｉｎｖａｓｉｖｅ Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｍｅａｓｕｒｉｎｇ Ｍｙｏｃａｒｄｉａｌ Ｉｓｃｈｅｍｉａ，Ｓｔｅｎｏｓｉｓ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，Ｌｏｃａｌｉｚａｔｉｏｎ ａｎｄ Ｆｒａｃｔｉｏｎａｌ Ｆｌｏｗ Ｒｅｓｅｒｖｅ Ｅｓｔｉｍａｔｉｏｎ」と題された米国特許公開第２０１８／００００３７１号、「Ｎｏｎ−ｉｎｖａｓｉｖｅ Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｍｅａｓｕｒｉｎｇ Ｍｙｏｃａｒｄｉａｌ Ｉｓｃｈｅｍｉａ，Ｓｔｅｎｏｓｉｓ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，Ｌｏｃａｌｉｚａｔｉｏｎ ａｎｄ Ｆｒａｃｔｉｏｎａｌ Ｆｌｏｗ Ｒｅｓｅｒｖｅ Ｅｓｔｉｍａｔｉｏｎ」と題されたＰＣＴ公開番号ＷＯ２０１７／２２１２２１、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｖｉｓｕａｌｉｚａｔｉｏｎ ｏｆ Ｈｅａｒｔ Ｔｉｓｓｕｅ ａｔ Ｒｉｓｋ」と題された米国特許第１０，２９２，５９６号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｖｉｓｕａｌｉｚａｔｉｏｎ ｏｆ Ｈｅａｒｔ Ｔｉｓｓｕｅ ａｔ Ｒｉｓｋ」と題された米国特許出願第１６／４０２，６１６号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｗｉｄｅ−ｂａｎｄ Ｐｈａｓｅ Ｇｒａｄｉｅｎｔ Ｓｉｇｎａｌ Ａｃｑｕｉｓｉｔｉｏｎ」と題された米国特許公開第２０１８／０２４９９６０号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｐｈａｓｅ Ｓｐａｃｅ Ｖｏｌｕｍｅｔｒｉｃ Ｏｂｊｅｃｔｓ」と題された米国特許出願第１６／２３２，８０１号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｐｈａｓｅ Ｓｐａｃｅ Ｖｏｌｕｍｅｔｒｉｃ Ｏｂｊｅｃｔｓ」と題されたＰＣＴ出願Ｎｏ．ＩＢ／２０１８／０６０７０８、「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｏｆ Ｄｅ−Ｎｏｉｓｉｎｇ Ｍａｇｎｅｔｉｃ−Ｆｉｅｌｄ Ｂａｓｅｄ Ｓｅｎｓｏｒ Ｄａｔａ ｏｆ Ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｉｇｎａｌｓ」と題された米国特許公開第ＵＳ２０１９／０１１７１６４号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｐｈａｓｅ Ｓｐａｃｅ Ｔｏｍｏｇｒａｐｈｙ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ」と題された米国特許出願第１６／２３２，５８６号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｐｈａｓｅ Ｓｐａｃｅ Ｔｏｍｏｇｒａｐｈｙ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ」と題されたＰＣＴ出願第ＰＣＴ／ＩＢ２０１８／０６０７０９号、「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｔｏ Ｑｕａｎｔｉｆｙ ａｎｄ Ｒｅｍｏｖｅ Ａｓｙｎｃｈｒｏｎｏｕｓ Ｎｏｉｓｅ ｉｎ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ」と題された、本願と同時に出願される（代理人整理番号１０３２１−０３３ｕｓ１を有し、米国特許仮出願第６２／６８６，２４５の優先権を主張する）米国特許出願第＿＿／＿＿／＿＿号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｐｈａｓｅ Ｓｐａｃｅ Ｔｏｍｏｇｒａｐｈｙ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ」と題された（代理人整理番号１０３２１−０３４ｐｖ１を有し、米国特許仮出願第６２／７８４，９８４の優先権を主張する）米国特許出願第＿＿／＿／＿号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｐｕｌｍｏｎａｒｙ Ｈｙｐｅｒｔｅｎｓｉｏｎ Ｕｓｉｎｇ Ｐｈａｓｅ Ｓｐａｃｅ Ｔｏｍｏｇｒａｐｈｙ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ」と題された米国特許出願第１６／４２９，５９３号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ａｕｔｏｍａｔｅｄ Ｑｕａｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｓｉｇｎａｌ Ｑｕａｌｉｔｙ」と題された（代理人整理番号１０３２１−０３６ｐｖ１を有し、米国特許仮出願第６２／７８４，９６２号の優先権を主張する）米国特許出願第＿＿／＿＿／＿＿号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｃｏｎｆｉｇｕｒｅ ａｎｄ Ｕｓｅ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｔｏ Ａｓｓｅｓｓ Ｍｅｄｉｃａｌ Ｄｉｓｅａｓｅ」と題された（代理人整理番号１０３２１−０３７ｐｖ１を有し、米国特許仮出願第６２／７８４，９２５号の優先権を主張する）米国特許出願第＿＿／＿＿／＿＿号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｐｈａｓｅ Ｓｐａｃｅ Ｖｏｌｕｍｅｔｒｉｃ Ｏｂｊｅｃｔ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ」と題された（代理人整理番号１０３２１−０３８ｐｖ１を有し、米国特許仮出願第６２／７８５，１５８号の優先権を主張する）米国特許出願第＿＿／＿＿／＿＿号、「Ｄｉｓｃｏｖｅｒｉｎｇ Ｎｏｖｅｌ Ｆｅａｔｕｒｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ，ｓｕｃｈ ａｓ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ Ｄｉａｇｎｏｓｉｎｇ Ｍｅｄｉｃａｌ Ｃｏｎｄｉｔｉｏｎｓ」と題された米国特許出願第１５／６５３，４３３号、「Ｄｉｓｃｏｖｅｒｉｎｇ Ｇｅｎｏｍｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ」と題された米国特許出願第１５／６５３，４３１号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｄｙｎａｍｉｃａｌ Ａｎａｌｙｓｉｓ ｏｆ Ｃａｒｄｉａｃ ａｎｄ Ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｉｃ Ｓｉｇｎａｌｓ」と題された、本願と同時に出願される、（代理人整理番号１０３２１−０４１ｐｖ１を有する）米国仮出願第＿＿／＿＿／＿＿号に記載され、各々について、参照によりその全体が本明細書に組み込まれる。

特に明示的に記載されていない限り、本明細書に記載されるいずれの方法も、そのステップを特定の順序で実行する必要があると解釈されることは決して意図されない。したがって、方法特許請求の範囲が、そのステップに続く順序を実際に列挙しない場合、またはステップが特定の順序に限定されることが特許請求の範囲または説明に特に記載されていない場合、いかなる点においても、順序が推測されることを意図するものではない。これは、ステップまたは演算フローの配置に関する論理的事項、文法的な組織または句読点から導き出される明確な意味、本明細書に記載される実施形態の数またはタイプを含む、解釈のための任意の可能な非明示的な根拠に有効である。

方法およびシステムは、ある特定の実施形態および特定の例に関連して説明されてきたが、本明細書の実施形態は、制限的ではなく例示的であることがすべての態様で意図されるため、範囲は、示される特定の実施形態に限定されることは意図されない。

本明細書に記載の方法、システム、およびプロセスは、哺乳類（例えば、ヒト）対象の動脈などの血管内に血管ステントを配置するなどの手順、ならびに他の介入および手術システムまたはプロセスに関連して使用するための狭窄およびＦＦＲ出力を生成するために使用され得る。一実施形態において、本明細書に記載の方法、システム、およびプロセスは、ＦＦＲ／狭窄出力を使用して、特に所与の血管内の展開の最適な位置を含む、哺乳類（例えば、ヒト）に配置されるいくつかのステントを演算内で判定および／または修正するように構成することができる。

例示的な方法およびシステムを使用して全体的にまたは部分的に分析され得る他の生体物理信号の例としては、心電図（ＥＣＧ）データセット、脳波（ＥＥＧ）データセット、ガンマ同期信号データセット、呼吸機能信号データセット、パルスオキシメトリ信号データセット、灌流データ信号データセット、準周期生物信号データセット、胎児心電図データセット、血圧信号、心臓磁場データセット、および心臓拍動数信号データセットが挙げられるが、これらに限定されない。

例示的な分析を使用して、心疾患、心臓不整脈、糖尿病性自律神経失調症、パーキンソン病、てんかんの形態、脳損傷、認知状態の変化、異なる心臓拍動数における心臓の安定性、投薬の有効性、虚血性、サイレント虚血、心房細動、心室細動、心室頻拍、血管ブロック、肺高血圧、注意欠損障害などを含むが、これらに限定されない様々な病態および状態を特定することができる。

Claims (32)

1. 取得された生体物理信号データセットから非同期ノイズをフィルタリングする方法であって、
   プロセッサによって、対象の生体物理信号データセットを受信することと、
   前記プロセッサによって、前記受信された生体物理信号データセットにおいて検出された複数の検出された準周期サイクルから、前記対象の代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定することと、
   前記プロセッサによって、前記少なくとも１つの判定されたテンプレート信号ベクトルデータセットを１つ以上のノイズ除去ベクトルデータセットに適用することであって、前記１つ以上のノイズ除去ベクトルデータセットが、フィルタリングされる前記受信された生体物理信号データセットの一部分のベクトル長に対応するベクトル長を集合的に有し、前記少なくとも１つの判定されたテンプレート信号ベクトルデータセットが、ｉ）フィルタリングされる受信された心臓信号データセットの前記一部分に存在すると判定された前記検出されたサイクルの各々に適用され、ｉｉ）フィルタリングされる前記受信された生体物理信号データセットの前記一部分の対応する検出されたサイクルの前記ベクトル長に一致するように長さが変化する、ことと、
   フィルタリングされる前記受信された生体物理信号データセットの前記一部分、および前記１つ以上の生成されたノイズ除去ベクトルデータセットをマージすることによって、前記生体物理信号データセットまたはその一部分のフィルタリングされた生体物理信号データセットを生成することと、を含む、方法。
2. 前記プロセッサによって、各々が前記生体物理信号データセットとともに前記対象から同時に取得される１つ以上の追加の生体物理信号データセットを受信することと、
   前記プロセッサによって、前記受信された１つ以上の追加の生体物理信号データセットの各々において検出された複数の検出された心臓拍動サイクルから、前記対象の代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定することと、
   前記プロセッサによって、前記受信された１つ以上の追加の生体物理信号データセットの各々について、複数の判定されたテンプレート信号ベクトルデータセットを、反復様態で１つ以上のノイズ除去ベクトルデータセットに適用することであって、前記１つ以上のノイズ除去ベクトルデータセットが、フィルタリングされる前記受信された追加の生体物理信号データセットの一部分のベクトル長に対応するベクトル長を集合的に有し、前記複数の判定されたテンプレート信号ベクトルデータセットの各々が、ｉ）フィルタリングされる受信された追加の生体物理信号データセットの前記一部分に存在すると判定された前記検出されたサイクルの各々に適用され、ｉｉ）フィルタリングされる前記受信された追加の生体物理信号データセットの前記一部分の対応する検出されたサイクルの前記ベクトル長に一致するように長さが変化する、ことと、
   フィルタリングされる前記受信された生体物理信号データセットの前記一部分、および前記１つ以上の生成されたノイズ除去ベクトルデータセットをマージすることによって、前記生体物理信号データセットまたはその一部分のフィルタリングされた生体物理信号データセットを生成することと、をさらに含む、請求項１に記載の方法。
3. 前記代表的な準周期信号パターンに特徴的な前記少なくとも１つのテンプレート信号ベクトルデータセットを判定するステップが、
   前記プロセッサによって、前記受信された生体物理信号データセットまたはその一部分において特徴的に異なる複数の信号特徴を判定することと、
   前記プロセッサによって、前記複数の判定された信号特徴の各々の間の複数のサイクル領域を判定することと、
   前記プロセッサによって、前記複数のサイクル領域の各々を、前記複数の信号特徴の同じ態様または前記サイクル領域の各々に位置する信号特徴の別のセットに対して互いに整合させることと、
   前記プロセッサによって、前記複数のサイクル領域のうちの点の各セットに対して実行された平均演算またはメディアン演算を使用して、前記少なくとも１つのテンプレート信号ベクトルデータセットの各点を判定することと、を含む、請求項１または２に記載の方法。
4. 前記受信された生体物理信号データセットが、心臓信号データセットを含み、前記複数の信号特徴が、前記受信された心臓信号データセットもしくはその一部分におけるＲピーク、前記受信された心臓信号データセットもしくはその一部分におけるＳピーク、前記受信された心臓信号データセットもしくはその一部分におけるＴピーク、前記受信された心臓信号データセットもしくはその一部分におけるＱピーク、および前記受信された心臓信号データセットもしくはその一部分におけるＰピーク、からなる群から選択される、請求項１〜３のいずれか一項に記載の方法。
5. 前記受信された生体物理信号データセットが、心臓信号データセットを含み、前記複数の信号特徴が、前記受信された心臓信号データセットまたはその一部分におけるＲピークに対応する、請求項１〜４のいずれか一項に記載の方法。
6. 前記代表的な準周期パターンに特徴的な前記少なくとも１つのテンプレート信号ベクトルデータセットを判定する前記ステップが、
   前記プロセッサによって、前記複数のサイクル領域の各々から導出される正規化パラメータを判定することをさらに含む、請求項１〜５のいずれか一項に記載の方法。
7. 前記代表的な準周期信号パターンに特徴的な前記少なくとも１つのテンプレート信号ベクトルデータセットを判定する前記ステップが、
   前記プロセッサによって、前記複数のサイクル領域の各々の値、またはそれから導出されるパラメータを、事前に定義されたスケールに正規化することをさらに含む、請求項１〜６のいずれか一項に記載の方法。
8. 前記代表的な準周期信号パターンに特徴的な前記少なくとも１つのテンプレート信号ベクトルデータセットを判定する前記ステップが、
   前記プロセッサによって、２つ以上の支配的なサイクル形態の存在を判定するために、前記複数のサイクル領域のクラスタリングベースの分析を実行することであって、テンプレート信号ベクトルが、判定された支配的なサイクル形態ごとに判定される、ことをさらに含む、請求項１〜７のいずれか一項に記載の方法。
9. 前記複数のサイクル領域が、互いに隣接するサイクルを含む、請求項１〜８のいずれか一項に記載の方法。
10. 互いに隣接する前記サイクルが、互いに部分的に重複する、請求項９に記載の方法。
11. 互いに隣接する前記サイクルが、互いに重複しない、請求項９に記載の方法。
12. 前記フィルタリングされた生体物理信号データセットが、前記複数のサイクル領域の２つ以上のサイクル群から２つ以上のテンプレート信号ベクトルデータセットを使用することによって生成され、前記複数のサイクル領域の前記２つ以上のサイクル群が、互いに隣接する、請求項９〜１１のいずれか一項に記載の方法。
13. 前記フィルタリングされた生体物理信号データセットが、前記生体物理信号が取得される際に、ほぼリアルタイムで生成される、請求項１〜１２のいずれか一項に記載の方法。
14. 前記フィルタリングされた生体物理信号データセットが、前記生体物理信号の取得完了後に生成される、請求項１〜１３のいずれか一項に記載の方法。
15. 前記１つ以上のノイズ除去ベクトルデータセットが、１次元ベクトルとして配置される、請求項１〜１４のいずれか一項に記載の方法。
16. 前記１つ以上のノイズ除去ベクトルデータセットが、Ｎ次元ベクトルとして配置され、Ｎが、フィルタリングされる受信された生体物理信号データセットの前記一部分に存在すると判定された検出されたサイクルの数に対応する、請求項１〜１５のいずれか一項に記載の方法。
17. 前記複数の前記判定されたテンプレート信号ベクトルデータセットを１つ以上のノイズ除去ベクトルデータセットに適用する前記ステップが、
    前記プロセッサによって、前記１つ以上のノイズ除去ベクトルデータセットを、フィルタリングされる受信された生体物理信号の前記一部分の長さに対応する長さを有する１次元ベクトルとして初期化することと、
    前記プロセッサによって、少なくとも前記判定されたテンプレート信号ベクトルのピークと関連付けられたデータ点を、フィルタリングされる前記受信された生体物理信号において判定された各ピークに整合させるように、前記１次元ベクトル内の前記判定されたテンプレート信号ベクトルを複製することと、を含む、請求項１〜１６のいずれか一項に記載の方法。
18. 前記複製ステップの間に、現在複製しているテンプレート信号ベクトルデータセットの競合部分が、前記現在複製しているテンプレート信号ベクトルデータセットが競合を有する以前に複製されたテンプレート信号ベクトルデータセットの対応する部分に関して割り当てられた平均値である、請求項１７に記載の方法。
19. 前記複製ステップの間に、現在複製しているテンプレート信号ベクトルデータセットと以前に複製されたテンプレート信号ベクトルデータセットとの間の前記１次元ベクトル内の空の領域が、最後の埋められた値と前記空の領域の周りの次の埋められた値との間に補間された値とともに記憶される、請求項１７または１８に記載の方法。
20. 請求項１〜１９のいずれか一項に記載の方法であって、前記ウィンドウベースの演算が、
    前記プロセッサによって、事前に定義されたウィンドウ長を有する複数のウィンドウ関数でフィルタリングされる前記受信された生体物理信号データセットの前記一部分をスケーリングして、修正された生体物理信号データセットを生成することと、
    前記プロセッサによって、前記１つ以上の生成されたノイズ除去ベクトルデータセットを前記複数のウィンドウ関数でスケーリングして、修正されたノイズ除去ベクトルデータセットを生成することと、
    前記プロセッサによって、前記修正されたノイズ除去ベクトルデータセットのエンベロープを判定することと、
    前記プロセッサによって、ＦＦＴ演算を介して、前記修正されたノイズ除去ベクトルデータセットおよび前記周波数領域にフィルタリングされる前記受信された生体物理信号データセットの前記一部分の前記エンベロープを変換することと、
    前記プロセッサによって、前記修正されたノイズ除去ベクトルデータセットおよび前記修正された生体物理信号データセットの前記ＦＦＴエンベロープの加重平均演算を、静的補間係数または動的補間係数セットを使用して実行して、結果として生じるデータセットを生成することと、
    前記プロセッサによって、逆ＦＦＴ演算を介して、前記結果として生じるデータセットを、前記生体物理信号の前記フィルタリングされた生体物理信号データセットとして時系列データセットに変換することと、を含む、方法。
21. 第１の測定機器のセットで取得されたデータセットの第１のセット、および第２の測定機器のセットで取得されたデータセットの第２のセットを正規化する方法であって、それにより、前記データセットの第１のセットが、機械学習演算において前記データセットの第２のセットで分析可能であり、前記方法が、
    プロセッサによって、第１の測定機器のセットで取得された対象の生体物理信号データセットのセットを受信することと、
    前記プロセッサによって、前記受信された生体物理信号データセットにおいて検出された複数の検出された準周期信号サイクルから、前記対象の代表的な準周期信号パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットを判定することと、
    前記プロセッサによって、複数の前記判定されたテンプレート信号ベクトルデータセット、またはその群から選択されたベクトルを１つ以上のノイズ除去ベクトルデータセットに適用することであって、前記１つ以上のノイズ除去ベクトルデータセットが、フィルタリングされる前記受信された生体物理信号データセットの一部分のベクトル長に対応するベクトル長を集合的に有し、前記各適用されたテンプレート信号ベクトルデータセットが、ｉ）フィルタリングされる受信された生体信号データセットの前記一部分に存在すると判定された前記検出されたサイクルの各々に適用され、ｉｉ）フィルタリングされる前記受信された生体物理信号データセットの前記一部分の対応する検出されたサイクルの前記ベクトル長に一致するように長さが変化する、ことと、
    前記生体物理信号データセットまたはその一部分と関連付けられたフィルタリングされた生体物理信号データセットを、前記生体物理信号の正規化されたデータセットとして生成することであって、フィルタリングされる前記受信された生体物理信号の前記一部分、および前記１つ以上の生成されたノイズ除去ベクトルをマージすることによって、前記フィルタリングされた生体物理信号が生成される、ことと、を含み、
    前記第１の計測機器で取得された前記生体物理信号に関連付けられた前記正規化されたデータセットが、第２の計測機器で取得された第２のデータセットとともに機械学習訓練データセットとして分析可能である、方法。
22. 前記受信された生体物理信号のデータセットが、１２リード面電位感知電極システム、心臓内電位図、ホルター心電図、６リード差動面電位感知電極システム、３リード直交面電位感知電極システム、および単一リード電位感知電極システムからなる群から選択されたセンサから捕捉されたデータを含む、請求項１〜２１のいずれか一項に記載の方法。
23. 前記受信された生体物理信号のデータセットが、心臓に近接した体の表面に配置された複数の表面電極から同時に捕捉された生体電位信号から導出された広帯域心相勾配心臓信号データを含む、請求項１〜２２のいずれか一項に記載の方法。
24. 取得された生体物理信号を拒否する方法であって、
    プロセッサによって、対象の生体物理信号データセットを受信することと、
    前記プロセッサによって、前記受信された生体物理信号データセットを、前記生体物理信号データセット内の代表的な準周期パターンに特徴的な少なくとも１つのテンプレート信号ベクトルデータセットと比較することと、
    前記比較に基づいて、前記プロセッサによって、前記受信された生体物理信号データセットを拒否することと、を含む、方法。
25. 前記代表的な準周期パターンに特徴的な前記少なくとも１つのテンプレート信号ベクトルデータセットを判定する前記ステップが、
    前記プロセッサによって、前記受信された生体物理信号データセットまたはその一部分において特徴的に異なる複数の信号特徴を判定することと、
    前記プロセッサによって、前記複数の判定された信号特徴の各々の間の複数のサイクル領域を判定することと、
    前記プロセッサによって、前記複数のサイクル領域の各々を、前記複数の信号特徴の同じ態様または前記サイクル領域の各々に位置する信号特徴の別のセットに対して互いに整合させることと、
    前記プロセッサによって、前記複数のサイクル領域のうちの点の各セットに対して実行された平均演算またはメディアン演算を使用して、前記少なくとも１つのテンプレート信号ベクトルデータセットの各点を判定することと、を含む、請求項２４に記載の方法。
26. 前記代表的な準周期パターンに特徴的な前記少なくとも１つのテンプレート信号ベクトルデータセットを判定する前記ステップが、
    前記プロセッサによって、２つ以上の支配的なサイクル形態の存在を判定するために、前記複数のサイクル領域のクラスタリングベースの分析を実行することであって、テンプレート信号ベクトルが、判定された支配的なサイクル形態ごとに判定される、ことをさらに含む、請求項２５に記載の方法。
27. 請求項１〜２６のいずれか一項に記載の方法であって、
    前記プロセッサによって、生体物理信号データセットの失敗した取得の通知を生成することであって、前記通知が、実行される前記生体物理信号データセットの後続の取得を促す、ことをさらに含む、方法。
28. 請求項１〜２７のいずれか一項に記載の方法であって、
    前記プロセッサによって、ネットワークを介して外部分析システムに前記受信された生体物理信号データセットを送信させることであって、前記分析システムが、病理学的または臨床状態の存在または程度について前記受信された生体物理信号データを分析するように構成されている、ことをさらに含む、方法。
29. 前記比較が、
    事前に定義された閾値を超える値またはエネルギーを有する、前記取得された生体物理信号データセットに存在する非同期ノイズの存在を判定することを含む、請求項１〜２８のいずれか一項に記載の方法。
30. 取得された生体物理信号の非同期ノイズを定量化する方法であって、
    プロセッサによって、対象の生体物理信号データセットを受信することと、
    前記プロセッサによって、前記受信された生体物理信号データセットまたはその一部分において特徴的に異なる複数の信号特徴を判定することと、
    前記プロセッサによって、前記複数の判定された信号特徴の各々の間の複数のサイクル領域を判定することと、
    前記プロセッサによって、前記複数のサイクル領域の各々を、前記複数の信号特徴の同じ態様または前記サイクル領域の各々に位置する信号特徴の別のセットに対して互いに整合させることと、
    前記プロセッサによって、前記複数のサイクル領域のうちの点の各セットに対して実行された平均演算またはメディアン演算を使用して、前記少なくとも１つのテンプレート信号ベクトルデータセットの各点を判定することと、
    前記プロセッサによって、２つ以上の支配的なサイクル形態の存在を判定するために、前記複数のサイクル領域のクラスタリングベースの分析を実行することであって、テンプレート信号ベクトルが、判定された支配的なサイクル形態ごとに判定される、ことと、を含む、方法。
31. システムであって、
    １つ以上のプロセッサと、
    その上に記憶された命令を有するメモリであって、前記１つ以上のプロセッサによる前記命令の実行が、前記１つ以上のプロセッサに請求項１〜３０に記載の方法のいずれか１つを実行させる、メモリと、を備える、システム。
32. １つ以上のプロセッサによる前記命令の実行により、前記１つ以上のプロセッサに請求項１〜３０に記載の方法のいずれか１つを実行させる、非一時的コンピュータ可読媒体。

Images