JP2022089794A - ビッグデータ分析に基づいて信号拒否基準の自動設定を使用した電気物理データ点の自動取得 - Google Patents

Abstract

【課題】ビッグデータ分析に基づいて信号拒否基準の自動設定を使用した電気物理データ点の自動取得のシステム及び方法を提供すること。
【解決手段】システム及び方法は、プロセッサによって実行されるフィルタリングエンジンによって実施される。システム及び方法は、処置のための電気物理マップのデータセットを取得することと、フィルタ設定を捕捉するためのデータセットを分析することと、を含む。システム及び方法は、処置のための最適化されたフィルタセット及びフィルタ構成を識別するために機械学習ツールを実装することと、フィルタセット及びフィルタ構成を拒否基準デフォルトとして出力することと、を含む。
【選択図】図１

Description

（関連出願の相互参照）
本出願は、２０２０年１２月４日に出願された、「ＡＵＴＯＭＡＴＩＣ ＡＣＱＵＩＳＩＴＩＯＮ ＯＦ ＥＬＥＣＴＲＯＰＨＹＳＩＣＡＬ ＤＡＴＡ ＰＯＩＮＴＳ ＵＳＩＮＧ ＡＵＴＯＭＡＴＥＤ ＳＥＴＴＩＮＧ ＯＦ ＳＩＧＮＡＬ ＲＥＪＥＣＴＩＯＮ ＣＲＩＴＥＲＩＡ ＢＡＳＥＤ ＯＮ ＢＩＧ ＤＡＴＡ ＡＮＡＬＹＳＩＳ」と題された米国仮特許出願第６３／１２１，３９８号の利益を主張するものであり、これは参照により完全に記載されているかのように組み込まれる。

（発明の分野）
本発明は、信号処理のための機械学習及び／又は人工知能の方法並びにシステムに関する。より詳細には、本発明は、ビッグデータ分析に基づいて信号拒否基準の自動設定を使用した電気物理（ＥＰ）データ点の自動取得を提供する機械学習／人工知能アルゴリズムに関する。

ＥＰマッピングは、ほとんどの場合、ＥＰ情報を入手するために連続モードで行われる。連続モードでは、「誤った」チャネルを回避するためにフィルタリング（例えば、信号拒否）を必要とする。次に、有効なチャネルのみを入手するために「良好な」フィルタリング基準を設定する必要がある。更に、ＥＰマッピングでは、どのフィルタを使用するか、またフィルタをどのように使用するかを選ぶときに、品質と取得時間との兼ね合いがある。現在、マッピングシステムのフィルタは、システムデフォルトで、又はＥＰ医師／専門家の経験に従って、のどちらかで設定されている。フィルタの有効性は個別に検査するが、組み合わせによるフィルタリングは分析されていない。したがって、現在のマッピングシステムは、フィルタ選択におけるこれらの欠点の結果、処置時間が不必要に長くなっている。

ビッグデータ分析に基づいて信号拒否基準の自動設定を使用した電気物理データ点の自動取得のシステム及び方法が開示される。システム及び方法は、プロセッサによって実行されるフィルタリングエンジンによって実施される。システム及び方法は、処置のための電気物理マップのデータセットを取得することと、フィルタ設定を捕捉するためのデータセットを分析することと、を含む。システム及び方法は、処置のための最適化されたフィルタセット並びにフィルタ構成を識別するために機械学習ツールを実装することと、フィルタセット及びフィルタ構成を拒否基準デフォルトとして出力することと、を含む。

より詳細な理解は、添付の図面と併せて例として示される以下の説明より得ることができ、図中の同様の参照番号は、同様の要素を示す。
１つ又は２つ以上の実施形態によって、本開示の主題の１つ又は２つ以上の特徴を実装することができる、例示的なシステムの図を示す。 １つ又は２つ以上の実施形態による、ビッグデータ分析に基づいて信号拒否基準の自動設定を使用したＥＰデータ点の自動取得のための例示的なシステムのブロック図を示す。 １つ又は２つ以上の実施形態による例示的な方法を示す。 １つ又は２つ以上の実施形態による、人工知能システムのグラフィック描写を示す。 １つ又は２つ以上の実施形態による、ニューラルネットワークの一例を示す。 １つ又は２つ以上の実施形態による、図５Ａのニューラルネットワークで行われる方法のブロック図の一例を示す。 １つ又は２つ以上の実施形態による例示的な方法を示す。

本概念は、信号処理のための機械学習及び／又は人工知能方法並びにシステムに関する。より具体的には、本概念は、ビッグデータ分析に基づいて信号拒否基準の自動設定を使用したＥＰデータ点の自動取得を提供する機械学習／人工知能アルゴリズムに関する。例えば、機械学習／人工知能アルゴリズムは、医療デバイス機器によるプロセス操作により、及び医療デバイス機器の処理ハードウェアにルーティングされているプロセッサ実行可能コード又はソフトウェアである。例示的な一実施形態によれば、機械学習／人工知能アルゴリズムは、フィルタリングエンジンを含む。フィルタリングエンジンは、一般に、ＥＰマップのデータセットを分析して、マップの生成に使用されるフィルタの正確な設定を捕捉する。フィルタリングエンジンの技術的な効果及び利点は、心臓内科医及び医療従事者に自動フィルタ選択を提供することと、（例えば、主観的ユーザー体験ではなく、また処置時間を短縮するために）データ駆動型分析に従って、包括的なフィルタの有効性分析を構成することと、を含む。したがって、フィルタリングエンジンは、医療デバイス機器を具体的に利用し、かつ、変換して、心臓内科医及び医療従事者が他の方法では現在利用可能ではないか、又は現在行われていないＥＰデータ点の自動取得を、信号拒否基準の自動設定を使用して可能にする／実装する。

図１は、１つ又は２つ以上の実施形態による、本明細書の主題の１つ又は２つ以上の特徴が実装され得るシステム１００（例えば、医療デバイス機器）の略図である。システム１００のすべて又は一部は、情報（例えば、生体測定データ及び／又は訓練データセット）を収集するために使用することができ、かつ／又は本明細書に記載されるように機械学習及び／又は人工知能アルゴリズム（例えば、フィルタリングエンジン１０１）を実装するために使用することができる。図に示されるシステム１００は、カテーテル１１０（少なくとも１つの電極１１１を含む）、シャフト１１２、シース１１３、及びマニピュレータ１１４を備えたプローブ１０５を含んでいる。また、医師１１５（又は医療専門家若しくは臨床医）、心臓１２０、患者１２５、及びベッド１３０（又はテーブル）も例示されている。挿入図１４０及び挿入図１５０は、心臓１２０及びカテーテル１１０をより詳細に示している。システム１００はまた、図に示されるように、コンソール１６０（１つ又は２つ以上のプロセッサ１６１及びメモリ１６２を含む）及びディスプレイ１６５も含んでいる。システム１００の各要素及び／又はアイテムは、その要素及び／又はそのアイテムのうちの１つ又は２つ以上を表している。図１に示されるシステム１００の例を改変して、本明細書に開示される実施形態を実施することができる。本開示の実施形態も、他のシステム構成要素及び設定を使用して、同様に適用することができる。システム１００は、電気的活動を感知するための要素、有線又は無線コネクタ、処理及びディスプレイデバイスなどの、更なる構成要素を含んでもよい。

システム１００は、（例えば、フィルタリングエンジン１０１を使用して）心臓の状態を検出、診断、及び／又は治療するために利用することができる。心不整脈などの心臓状態は、特に老年人口において一般的かつ危険な内科疾患として根強く残っている。例えば、システム１００は、生体測定データ（例えば、心臓１２０などの患者の器官のような解剖構造の少なくとも一部の解剖学的及び電気的測定値）を取得し、心臓アブレーション処置を行うように構成された外科用システム（例えば、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒより販売されているＣＡＲＴＯ（登録商標）システム）の一部とすることができる。より詳細には、心不整脈などの心疾患の治療では、心臓組織、心腔、静脈、動脈、及び／又は電気的経路の詳細なマッピングを得ることがしばしば求められる。例えば、（本明細書に記載されるような）カテーテルアブレーションを成功裏に行うための前提条件として、心不整脈の原因が心臓１２０の心腔において正確に位置特定されることがある。このような位置特定は、ＥＰ調査によって行われて、その調査の間に、心臓１２０の心腔内に導入されたマッピングカテーテル（例えば、カテーテル１１０）によって空間的に分解された電位を検出することができる。したがって、このＥＰ調査、いわゆる電子解剖学的マッピングは、モニタ上に表示することができる３Ｄマッピングデータを提供する。多くの場合、マッピング機能及び治療機能（例えば、アブレーション）は単一のカテーテル又は一群のカテーテルによって提供され、マッピングカテーテルはまた、同時に治療（例えば、アブレーション）カテーテルとしても動作する。この場合、フィルタリングエンジン１０１は、カテーテル１１０によって直接記憶及び実行することができる。

正常洞調律（ＮＳＲ）を有する患者（例えば、患者１２５）では、心房、心室、及び興奮性伝導組織を含む心臓（例えば、心臓１２０）は、電気的に興奮して、同期した、パターンを有する形で拍動する。電気的興奮は、心内心電図（ＩＣ ＥＣＧ）データなどとして検出することができる。

心不整脈（例えば、心房細動又はａＦｉｂ）を有する患者（例えば、患者１２５）では、心臓組織の異常領域は、正常な導電性組織に伴う同期した拍動周期に従わず、ＮＳＲを有する患者とは対照的である。これに対して、心臓組織の異常領域では隣接組織への異常な伝導が行われ、これにより心臓周期が乱れて非同期的な心律動となる。非同期的な心律動はまた、ＩＣ ＥＣＧデータとして検出することができる。こうした異常伝導は、例えば、房室（ＡＶ）結節の伝導経路に沿った洞房（ＳＡ）結節の領域、又は心室及び心房の壁を形成する心筋組織など、心臓１２０の様々な領域で生じることがこれまでに知られている。

システム１００が心臓の状態を検出、診断、及び／又は治療することを支援するため、医師１１５はベッド１３０上に横たわる患者１２５の心臓１２０内にプローブ１０５を誘導することができる。例えば、医師１１５は、カテーテル１１０の近位端の近くのマニピュレータ１１４及び／又はシース１１３からの偏向を用いてシャフト１１２の遠位端を操作しながら、シース１１３を通してシャフト１１２を挿入することができる。差し込み図１４０に示されるように、カテーテル１１０をシャフト１１２の遠位端に取り付けることができる。カテーテル１１０は、折り畳まれた状態でシース１１３を通して挿入することができ、次いで、心臓１２０内で拡張させることができる。

一般に、心臓１２０内のある点における電気的活動は典型的には、遠位先端又はその近くに電気センサを収容したカテーテル１１０（例えば、少なくとも１つの電極１１１）を心臓１２０内のその点へと前進させ、組織をセンサと接触させ、その点におけるデータを取得することによって測定することができる。単一の遠位先端電極のみを収容したカテーテルタイプを使用して心腔をマッピングすることに伴う１つの難点は、心腔全体としての詳細なマップに求められる必要な数の点にわたって各点ごとにデータを集積するために長い時間が必要とされることがあることである。したがって、心腔内の複数の点における電気的活動を同時に測定するために、多電極カテーテル（例えば、カテーテル１１０）が開発されてきた。

少なくとも１つの電極１１１及びその本体上に連結されたカテーテル針を含むことができるカテーテル１１０は、体内臓器（例えば、心臓１２０）の電気的信号などの生体測定データを得て、かつ／又はその組織領域（例えば、心臓１２０の心腔）をアブレーションするように構成することができる。電極１１１は、追跡コイル、圧電変換器、電極、又は組織領域をアブレーションするか又は生体測定データを取得するように構成された要素の組み合わせなどの任意の同様の要素を代表するものである。１つ又は２つ以上の実施形態によれば、カテーテル１１０は、軌跡情報を決定するために使用される１つ又は２つ以上の位置センサを含むことができる。この軌跡情報を使用して、組織の収縮性などの運動特性を推測することができる。

生体測定データ（例えば、患者生体測定値、患者データ、又は患者生体測定データ）は、局所興奮時間（ＬＡＴ）、電気的活動、トポロジー、双極マッピング、基準活動、心室活動、優位周波数、インピーダンスなどのうちの１つ又は２つ以上を含むことができる。ＬＡＴは、正規化された初期開始点に基づいて計算された、局所活性化に対応する閾値活動の時点であり得る。電気的活動は、１つ又は２つ以上の閾値に基づいて測定され得る任意の適用可能な電気信号であってよく、信号対ノイズ比及び／又はその他のフィルタに基づいて、検知及び／又は拡張され得る。トポロジーは、身体部分又は身体部分の一部の物理的構造に対応し得、身体部分の異なる部分に関する、又は異なる身体部分に関する物理的構造における変化に対応し得る。優位周波数は、身体部分の一部で一般的に見られる周波数又は周波数の範囲であってよく、同じ身体部分の異なる部分において異なり得る。例えば、心臓のＰＶの優位周波数は、同じ心臓の右心房の優位周波数と異なり得る。インピーダンスは、身体部分の特定の領域における抵抗測定値であり得る。

生体測定データの例としては、これらに限定されるものではないが、患者識別データ、ＩＣ ＥＣＧデータ、双極心臓内基準信号、解剖学的及び電気的測定値、軌跡情報、身体表面（ＢＳ）ＥＣＧデータ、履歴データ、脳生体測定値、血圧データ、超音波信号、無線信号、音声信号、２次元又は３次元画像データ、血糖データ、及び温度データが挙げられる。生体測定データは一般的に、心血管疾患（例えば、不整脈、心筋症、及び冠動脈疾患）、及び自己免疫疾患（例えば、Ｉ型及びＩＩ型糖尿病）などの任意の数の様々な疾患を監視、診断、及び治療するために使用され得る。ＢＳ ＥＣＧデータは、患者の表面上の電極から収集されたデータ及び信号を含むことができ、ＩＣ ＥＣＧデータは、患者体内の電極から収集されたデータ及び信号を含むことができ、アブレーションデータは、アブレーションされた組織から収集されたデータ及び信号を含むことができる。更に、ＢＳ ＥＣＧデータ、ＩＣ ＥＣＧデータ、及びアブレーションデータは、カテーテル電極位置データと共に、１つ又は２つ以上の処置記録から導出することができる。

例えば、カテーテル１１０は、電極１１１を使用して血管内超音波及び／又はＭＲＩカテーテル法を実施して心臓１２０を画像化する（例えば、生体測定データを取得及び処理する）ことができる。差し込み図１５０は、心臓１２０の心腔内のカテーテル１１０を拡大図で示す。カテーテル１１０はポイントカテーテルとして示されているが、１つ又は２つ以上の電極１１１を含む任意の形状が、本明細書に開示される実施形態を実装するために使用され得ることが理解されるであろう。

カテーテル１０６の例としては、これらに限定されるものではないが、複数の電極を有する線状カテーテル、バルーンを形成する複数のスパイン上に分散した電極を含むバルーンカテーテル、複数の電極を有するラッソーカテーテル若しくはループカテーテル、又は他の任意の適用可能な形状が挙げられる。直線状カテーテルは、受信信号に基づいて及び／又は直線状カテーテルに対する外力（例えば、心臓組織）の作用に基づいて、捻れ、折れ曲がり、及び／又は他の形でその形状を変化させることができるように、完全に又は部分的に弾性であってよい。バルーンカテーテルは、患者の身体内に配備される際、その電極を心内膜表面に対して密接に接触した状態に保持することができるように設計することができる。一例として、バルーンカテーテルは、肺静脈（ＰＶ）などの管腔内に挿入され得る。バルーンカテーテルは収縮状態でＰＶに挿入することができ、それにより、ＰＶに挿入されている間にバルーンカテーテルがその最大体積を占有することはない。バルーンカテーテルは、ＰＶの内側にある間に拡張することができ、それにより、バルーンカテーテル上の電極は、ＰＶの円形部分全体と接触する。ＰＶ又は任意の他の管腔の円形部分全体とのこのような接触は、効率的な撮像及び／又はアブレーションを可能とする。

他の例によれば、身体パッチ及び／又は身体表面電極を患者１２５の身体上又は身体に近接して配置することもできる。１つ又は２つ以上の電極１１１を有するカテーテル１１０を身体内（例えば、心臓１２０内）に配置することができ、カテーテル１１０の位置を、カテーテル１１０の１つ又は２つ以上の電極１１１と身体パッチ及び／又は身体表面電極との間で送受信される信号に基づいてシステム１００により決定することができる。加えて、電極１１１は、患者１２５の体内（例えば、心臓１２０内）から生体測定データ（例えば、ＬＡＴ値）を感知することができる。生体測定データは、決定されたカテーテル１１０の位置と関連付けることができ、それにより、患者の身体部分（例えば、心臓１２０）のレンダリングを表示し、身体部分の形状に重ね合わされた生体測定データを示すことができる。

プローブ１０５及びシステム１００の他のアイテムは、コンソール１６０に接続することができる。コンソール１６０は、機械学習及び／又は人工知能アルゴリズム（フィルタリングエンジン１０１として表される）を用いる任意のコンピューティングデバイスを含むことができる。一実施形態によれば、コンソール１６０は、１つ又は２つ以上のプロセッサ１６１（任意のコンピューティングハードウェア）及びメモリ１６２（任意の非一時的有形媒体）を含み、１つ又は２つ以上のプロセッサ１６１は、フィルタリングエンジン１０１に関するコンピュータ命令を実行し、メモリ１６２は、１つ又は２つ以上のプロセッサ１６１による実行のためのこれらの命令を記憶する。例えば、コンソール１６０は、生体測定データを受信及び処理して特定の組織領域が電気を伝導するかどうかを判定するように構成することができる。いくつかの実施形態では、コンソール１６０は、フィルタリングエンジン１０１によって（ソフトウェアで）更にプログラムされて、処置のための電気物理マップのデータセットを取得し、フィルタ設定を捕捉するためのデータセットを分析し、処置のための最適化されたフィルタセット及びフィルタ構成を識別するための機械学習ツールを実装し、フィルタセット及びフィルタ構成を拒否基準デフォルトとして出力する機能を実行することができる。１つ又は２つ以上の実施形態によれば、フィルタリングエンジン１０１は、コンソール１６０の外部にあってもよく、例えば、カテーテル１１０内、外部デバイス内、モバイルデバイス内、クラウドベースのデバイス内に位置してもよく、又はスタンドアロン型プロセッサであってもよい。この点に関して、フィルタリングエンジン１０１は、ネットワークを介して電子形態で転送可能／ダウンロードすることができる。

一例では、コンソール１６０は、本明細書に記載のように、ソフトウェア（例えば、フィルタリングエンジン１０１）及び／又はプローブ１０５との間で信号を送受信するために、並びにシステム１００の他の構成要素を制御するために好適なフロントエンド及びインタフェース回路を備える、汎用コンピュータなどのハードウェア（例えば、プロセッサ１６１及びメモリ１６２）を含む、任意のコンピューティングデバイスであり得る。例えば、フロントエンド回路及びインタフェース回路は、コンソール１６０が少なくとも１つの電極１１１から信号を受信及び／又は少なくとも１つの電極１１１に信号を転送することを可能にする入出力（Ｉ／Ｏ）通信インタフェースを含む。コンソール１６０は、典型的には、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）の後に続くアナログデジタル（Ａ／Ｄ）ＥＣＧ又は心電図／筋電図（ＥＭＧ）信号変換集積回路として構成されたリアルタイムノイズ低減回路を含み得る。コンソール１６０は、Ａ／Ｄ ＥＣＧ又はＥＭＧ回路から別のプロセッサへ信号を伝えることができ、かつ／又は本明細書に開示される１つ若しくは２つ以上の機能を実行するようにプログラムすることができる。

生体測定データを視覚的に提示するための任意の電子デバイスであり得るディスプレイ１６５は、コンソール１６０に接続されている。一実施形態によれば、処置中、コンソール１６０は、ディスプレイ１６５上で、医師１１５への身体部分のレンダリングの提示を促進し、メモリ１６２に身体部分のレンダリングを表すデータを記憶することができる。例えば、運動特性を示すマップを、心臓１２０内の十分な数の点でサンプリングされた軌跡情報に基づいてレンダリング／構築することができる。一例として、ディスプレイ１６５は、身体部分のレンダリングを提示することに加えて、医療専門家１１５からの入力を受けるように構成され得るタッチスクリーンを含んでもよい。

いくつかの例示的な実施形態では、医師１１５は、タッチパッド、マウス、キーボード、ジェスチャ認識装置などの１つ又は２つ以上の入力デバイスを使用して、システム１００の要素及び／又は身体部分のレンダリングを操作することができる。例えば、入力デバイスを使用して、レンダリングが更新されるようにカテーテル１１０の位置を変更することができる。ディスプレイ１６５は、同じ場所、若しくは離れた病院などの遠隔地、又は別個の医療供給者ネットワーク内に位置することができる。

１つ又は２つ以上の実施形態によれば、システム１００は、超音波、コンピュータ断層撮影（ＣＴ）、ＭＲＩ、又はカテーテル１１０若しくは他の医療機器を利用する他の医療撮像技術を使用して生体測定データを得ることもできる。例えば、システム１００は、１つ又は２つ以上のカテーテル１１０又は他のセンサを使用して、心臓１２０のＥＣＧデータ及び／又は解剖学的及び電気的測定値（例えば、生体測定データ）を得ることができる。より詳細には、コンソール１６０は、ケーブルによって、患者１２５に貼付された接着皮膚パッチを含むＢＳ電極に接続することができる。ＢＳ電極は、ＢＳ ＥＣＧデータの形態で生体測定データを入手／生成することができる。例えば、プロセッサ１６１は、患者１２５の身体部分（例えば、心臓１２０）内のカテーテル１１０の位置座標を決定することができる。位置座標は、身体表面電極と、カテーテル１１０又は他の電磁構成要素の電極１１１との間で測定されるインピーダンス又は電磁場に基づいたものであってよい。追加的に、又は代替的に、位置パッドが、ベッド１３０の表面上に配置されてもよく、またベッド１３０から分離されてもよい。生体測定データは、コンソール１６０に送信し、メモリ１６２に記憶させることができる。追加的に、又は代替的に、生体データは、本明細書で更に記載するようなネットワークを使用して、ローカル又はリモートであってよいサーバに送信されてもよい。

１つ又は２つ以上の実施形態によれば、カテーテル１１０は、心臓１２０の心腔の組織領域をアブレーションするように構成され得る。差し込み図１５０は、心臓１２０の心腔内のカテーテル１１０を拡大図で示す。例えば、少なくとも１つの電極１１１などのアブレーション電極を、体内の臓器（例えば、心臓１２０）の組織領域にエネルギーを与えるように構成することができる。エネルギーは、熱エネルギーであってよく、組織領域の表面から始まって組織領域の厚さに延びる組織領域への損傷を引き起こす可能性がある。アブレーション処置に関する生体測定データ（例えば、アブレーション組織、アブレーション位置など）は、アブレーションデータとみなすことができる。

一例によれば、生体測定データを取得することに関して、多電極カテーテル（例えば、カテーテル１１０）を心臓１２０の心腔内に前進させることができる。電極のそれぞれの位置及び向きを確立するために、前後方向（ＡＰ）及び横方向の蛍光写真を取得することができる。ＥＣＧは、ＢＳ ＥＣＧからの洞調律におけるＰ波の開始などの時間的基準に関連して、心臓表面と接触する電極１１１の各々から記録することができる。本明細書で更に開示されるシステムは、電気的活動を記録する電極と、心内膜壁に近接していないことにより電気的活動を記録しない電極と、を区別することができる。最初のＥＣＧが記録された後、カテーテルを再配置することができ、蛍光写真及びＥＣＧを再び記録することができる。次に、（例えば、心臓マッピングを介して）電気的マップは、上記のプロセスの反復から構築することができる。

心臓マッピングは、１つ又は２つ以上の技術を使用して実施することができる。一般に、心臓１２０の心臓領域、組織、静脈、動脈、及び／又は電気経路などの心臓領域のマッピングによって、瘢痕組織、不整脈源（例えば、電気的ローター）などの問題領域、健康な領域などの特定につながり得る。心臓領域は、本明細書で更に開示されるように、マッピングされた心臓領域の視覚的レンダリングがディスプレイを使用して提供されるようにマッピングすることができる。更に、心臓マッピング（心臓撮像の例）は、局所活性化時間（ＬＡＴ）、電気活動、トポロジー、双極マッピング、優位周波数、又はインピーダンスなどであるがそれらに限定されない１つ又は２つ以上のモダリティに基づくマッピングを含み得る。複数のモダリティに対応するデータ（例えば、生体測定データ）は、患者の身体に挿入されたカテーテル（例えば、カテーテル１１０）を使用して取得することができ、対応する設定及び／又は医師１１５の好みに基づいて、同時に又は異なる時間にレンダリングするために与えることができる。

第１の技術の一例として、心臓マッピングは、心臓１２０内の正確な位置の関数として、心臓組織の電気的特性、例えばＬＡＴを感知することによって実施することができる。対応するデータ（例えば、生体測定データ）は、心臓１１２０内に前進させられる、かつ遠位先端に電気及び位置センサ（例えば、電極１１１）を有する１つ又は２つ以上のカテーテル（例えば、カテーテル１１０）により取得することができる。具体例として、場所及び電気的活動は、心臓１２０の内側表面上の約１０～約２０箇所の点で最初に測定することができる。これらのデータ点は一般に、心臓表面の予備復元又はマップを満足な品質で生成するのに十分であり得る。予備マップは多くの場合、更なる点で測定されたデータと結合されて心臓の電気的活動の更に包括的なマップが生成され得る。臨床的な状況では、心腔の電気活動の詳細で包括的なマップを生成するために、１００以上の部位にデータを集積することは珍しいことではない。その後、生成された詳細なマップは、心臓の電気的活動の伝播を変化させ、正常な心律動を回復させるための治療活動方針、例えば、本明細書に記載される組織のアブレーションについての決定を行うための基準となり得る。

更に、心臓マッピングは、心内電位場（例えば、ＩＣ ＥＣＧデータ及び／又は双極心内基準信号の一例である）の検出に基づいて生成することができる。大量の心臓電気的情報を同時に取得するために非接触的な方法を実施することができる。例えば、遠位端部分を有するカテーテルタイプは、その表面上にわたって分布し、信号感知及び処理手段への接続のために絶縁導電体に接続された一連のセンサ電極を備えることができる。端部のサイズ及び形状は、電極が心腔の壁から大きな間隔を隔てて配置されるようなものとすることができる。心内電位場は、１回の心拍の間に検出することができる。一例によれば、センサ電極は、互いに間隔を置いた平面内に位置する一連の円周上に分布させることができる。これらの平面は、カテーテルの端部の長軸に対して垂直であってよい。少なくとも２個の追加の電極を、端部の長軸の両端に隣接して配設することができる。より具体的な例として、カテーテルは、各円周上に等角で間隔を置いて配置された８個の電極を有する４つの円周を含んでもよい。したがって、この特定の実装形態では、カテーテルは、少なくとも３４個の電極（３２個の周方向電極と２個の端部電極）を含むことができる。

電気的又は心臓マッピングの例として、非接触式及び非拡張式多電極カテーテル（例えば、カテーテル１１０）に基づくＥＰ心臓マッピングシステム及び技術を実装することができる。ＥＣＧは、複数の電極（例えば、４２～１２２個の電極など）を有する１つ又は２つ以上のカテーテル１１０を用いて得ることができる。この実装形態により、プローブ及び心内膜の相対的な幾何学的形状の知見を、経食道心エコー法などの独立した撮像モダリティによって得ることができる。独立した撮像の後、非接触式電極を使用して心臓表面電位を測定し、この表面電位からマップを構築することができる（例えば、場合によっては、双極心内基準信号を使用する）。この技術は、（独立した撮像工程の後に）以下の工程を含むことができる。すなわち、（ａ）心臓１２０内に配置されたプローブ上に配置された複数の電極を用いて電位を測定する工程、（ｂ）プローブ表面と心内膜表面及び／又は他の基準との幾何学的関係を決定する工程、（ｃ）プローブ表面と心内膜表面との幾何学的関係を表す係数の行列を生成する工程、及び（ｄ）電極電位及び係数の行列に基づいて心内膜電位を決定する工程。

電気的又は心臓マッピングの別の例として、心腔の電位分布をマッピングするための技術及び装置を実装することができる。心臓内多電極マッピングカテーテルアセンブリを心臓１２０に挿入することができる。マッピングカテーテル（例えば、カテーテル１１０）アセンブリは、１つ又は２つ以上の一体型基準電極（例えば、１つ又は電極１１１）を有する複数電極アレイ又はコンパニオン基準カテーテルを含むことができる。

１つ又は２つ以上の実施形態によれば、電極は、実質的に球状のアレイの形態で展開することができ、この球状のアレイは、基準電極によって、又は心内膜表面と接触させられる基準カテーテルによって心内膜表面上の点に対して空間的に参照することができる。電極アレイカテーテルは、いくつかの個々の電極部位（例えば、少なくとも２４個）を担持し得る。加えて、この例示的な技術は、アレイ上の電極部位の各々の位置を知ること、及び心臓の幾何学的形状を知ることで実施することができる。これらの位置は、インピーダンスプレチスモグラフィ法によって決定される。

電気的又は心臓マッピングの観点から、また、別の例によれば、カテーテル１１０は、いくつかの電極部位を画定する電極アレイを含み得る心臓マッピングカテーテルアセンブリとすることもできる。この心臓マッピングカテーテルアセンブリはまた、心臓壁を精査するために使用することが可能な遠位先端電極アセンブリを有する基準カテーテルを受容するための管腔を備えている。マップ心臓マッピングカテーテルアセンブリは、絶縁ワイヤの編組（例えば、編組内に２４～６４本のワイヤを有する）を含むことができ、ワイヤのそれぞれを使用して電極部位を形成することができる。心臓マッピングカテーテルアセンブリは、非接触電極部位の第１のセット及び／又は接触電極部位の第２のセットから電気的活動情報を取得するために使用されるように心臓１２０内に容易に配置可能である。

更に、別の例によれば、心臓内のＥＰ活動のマッピングを実施することができるカテーテル１１０は、心臓をペーシングするための刺激パルスを送達するように適合された遠位先端、又は先端と接触する組織をアブレーションするためのアブレーション電極を含むことができる。このカテーテル１１０は、直交電極の近傍の局所的な心臓電気的活動を示す差分信号を生成するための少なくとも一対の直交電極を更に備えてもよい。

本明細書で述べられるように、システム１００を用いて心臓状態を検出、診断、及び／又は治療することができる。例示的な動作では、心腔内のＥＰデータを測定するためのプロセスを、システム１００によって実施することができる。このプロセスは、部分的に、能動電極と受動電極のセットを心臓１２０内に配置することと、能動電極に電流を供給し、それにより心腔内に電場を発生させることと、受動電極部位の電場を測定することと、を含むことができる。受動電極は、バルーンカテーテルの膨張可能なバルーン上に配置されたアレイに含まれる。好ましい実施形態では、アレイは６０～６４個の電極を有すると言われる。

別の例示的な動作として、心臓マッピングは、１つ又は２つ以上の超音波トランスデューサを使用してシステム１００によって実施することもできる。超音波トランスデューサは、患者の心臓１２０に挿入することができ、心臓１２０内の様々な位置及び向きの複数の超音波スライス（例えば、２次元又は３次元スライス）を収集することができる。特定の超音波トランスデューサの位置及び向きが分かる場合もあり、収集された超音波スライスは、後で表示することができるように記憶させることができる。プローブ１０５（例えば、カテーテル１１０として示される治療カテーテル）の位置に対応する１つ又は２つ以上の超音波スライスを表示することができ、１つ又は２つ以上の超音波スライス上にプローブ１０５を重ね合わせることができる。

システム１００を考慮すると、心房性不整脈を含めた心不整脈は、心房の周りで散乱して、自己伝播することが多い電気インパルスの複数の非同期的ループを特徴とする、マルチウェーブレットリエントラント型である場合がある（例えば、ＩＣ ＥＣＧデータの別の例）。マルチウェーブレットリエントラント型に加えて、又はそれに代わって、心不整脈はまた、心房の組織の孤立領域が、急速かつ反復する形で自律的に興奮するときなどの、巣状興奮源を有する場合もある（例えば、ＩＣ ＥＣＧデータの別の例）。心室性頻脈症（Ｖ－ｔａｃｈ又はＶＴ）は、心室のうちの１つから発生する頻脈症又は高速な心律動である。これは、心室細動及び突然死につながり得るため、潜在的に致死性の不整脈である。

例えば、ａＦｉｂは、洞房結節によって生成される通常の電気インパルス（例えば、ＩＣ ＥＣＧデータの別の例）が心房静脈及びＰＶで生じる無秩序な電気インパルス（例えば、信号干渉）によって圧倒され、不規則なインパルスを心室に伝導させる場合に発生する。その結果、不規則な心拍が生じ、数分～数週間、又は更には数年間持続する場合がある。多くの場合、ａＦｉｂは、しばしば脳卒中による死亡リスクをわずかに増加させる慢性的な状態である。ａＦｉｂの治療の第一の選択は、心拍数を低下させるか、又は心臓リズムを正常に戻す投薬治療である。更には、ａＦｉｂを有する患者は、脳卒中のリスクから守るために抗凝血剤を投与される場合が多い。そのような抗凝血剤の使用は、それ自体のリスクである内出血を伴う。一部の患者では、投薬治療は十分ではなく、その患者のａＦｉｂは、薬剤不応、すなわち、標準的な薬理学的介入では治療不可能であると判断される。同期された電気的除細動もまた、ａＦｉｂを通常の心律動に変換するために使用することができる。あるいは、ａＦｉｂの患者には、カテーテルアブレーションによる治療も行われる。

カテーテルアブレーションベースの治療には、心臓組織、特に心内膜及び心臓容積の電気的特性をマッピングすること、並びにエネルギーの印加によって心臓組織を選択的にアブレーションすることが含まれてもよい。電気又は心臓マッピング（例えば、本明細書に記載される任意のＥＰ心臓マッピングシステム及び技術によって実施される）には、心臓組織に沿った波伝播の電位マップ（例えば、電圧マップ）、又は様々な組織内に位置する点への到達時間のマップ（例えば、ＬＡＴマップ）を作成することが含まれる。局所的な心臓組織の機能不全を検出するために、電気的又は心臓マッピング（例えば、心臓マップ）を使用することができる。心臓マッピングに基づくアブレーションなどのアブレーションは、不要な電気信号が心臓１２０のある部分から別の部分へと伝播することを停止させるか又は変化させることができる。

アブレーション法は、非伝導性の損傷部を形成することによって望ましくない電気経路を破壊するものである。様々なエネルギー送達の様式が、損傷部を形成する目的でこれまでに開示されており、心臓組織壁に沿って伝導ブロックを作るためのマイクロ波、レーザ、及びより一般的には無線周波エネルギーの使用が挙げられる。２段階の処置（マッピングに続いてアブレーション）においては、典型的には、１つ又は２つ以上の電気センサ（例えば、電極１１１）を収容したカテーテル１１０を心臓１２０内に前進させ、多数の点におけるデータ（例えば、一般には生体測定データとして、又は具体的にはＥＣＧデータとして）を取得／獲得することによって、心臓１２０内の点における電気的活動が感知及び測定される。次いでＥＣＧデータを用いて、アブレーションを実施する心内膜の標的領域が選択される。

心房細動及び心室頻拍などの困難な疾患を医師が治療する際の心臓アブレーション及び他の心臓ＥＰ処置は、ますます複雑化している。難治性不整脈の治療は現在、対象となる心腔の解剖学的形態を再構成するうえで３次元（３Ｄ）マッピングシステムの使用に依存することができる。これに関して、本明細書でシステム１００によって使用されるフィルタリングエンジン１０１は、一般に生体測定データ、又は具体的にはＥＣＧデータを操作及び評価して、より正確な診断、画像、スキャン、及び／又は異常な心拍若しくは不整脈を治療するためのマップを可能にする改善された組織データを生成する。例えば、心臓専門医は、ＥＣＧデータを生成及び分析するうえで、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ，Ｉｎｃ．（Ｄｉａｍｏｎｄ Ｂａｒ，Ｃａｌｉｆ．）により製造されるＣＡＲＴＯ（登録商標）３ ３ＤマッピングシステムのＣｏｍｐｌｅｘ Ｆｒａｃｔｉｏｎａｔｅｄ Ａｔｒｉａｌ Ｅｌｅｃｔｒｏｇｒａｍｓ（ＣＦＡＥ）モジュールなどのソフトウェアに依存する。システム１００のフィルタリングエンジン１０１は、このソフトウェアを強化して、改善された生体測定データを生成及び分析し、これにより更に、ａＦｉｂの心臓基質（解剖学的及び機能的）を表す心臓１２０（瘢痕組織を含む）のＥＰ特性に関する複数の情報を更に提供する。

したがって、システム１００は、異常ＥＣＧの検出の観点から、心筋症の潜在的な不整脈原性基質の位置を特定するために、ＣＡＲＴＯ（登録商標）３ ３Ｄマッピングシステムなどの３Ｄマッピングシステムを実装することができる。これらの心臓疾患に関連する基質は、心室腔（右及び左）の心内膜及び／又は心外膜層の細分化及び遅延ＥＣＧの存在と関連付けられている。一般に、異常組織は、低電圧のＥＣＧによって特徴付けられる。しかしながら、心内膜－心外膜マッピングにおける初期の臨床経験によって、低電圧の領域は、こうした患者における唯一の不整脈発生機序として常に存在するとは限らないことが示されている。実際に、低電圧又は中電圧の領域は、洞律動の間にＥＣＧの細分化及び遅延活動を示す場合があり、これは、持続性のまとまりのある心室性不整脈の際に識別される臨界峡部（critical isthmus）に対応する（例えば、許容されない心室頻拍のみに当てはまる）。更に、多くの場合、ＥＣＧの細分化及び遅延活動は、正常又はほぼ正常な電圧振幅（＞１～１．５ｍＶ）を示す領域で観察される。後者の領域は、電圧振幅に従って評価することができるが、心内信号によれば正常とはみなされず、したがって真の不整脈原性基質を表している。３Ｄマッピングは、主要疾患の進展によって分布にばらつきがあり得る、右／左心室の心内膜及び／又は心外膜層上の不整脈原性基質の位置を特定することができる。

別の例示的な動作として、心臓マッピングは、１つ又は２つ以上の多電極カテーテル（例えば、カテーテル１１０）を使用してシステム１００によって実施することもできる。多電極カテーテルは、心臓１２０内の電気的活動を刺激及びマッピングし、異常な電気的活動が見られる部位をアブレーションするために使用される。使用時には、多電極カテーテルは、主要な静脈又は動脈、例えば大腿動脈に挿入された後、対象となる心臓１２０の心腔内へと案内される。典型的なアブレーション処置では、その遠位端に少なくとも１つの電極１１１を有するカテーテル１１０を心腔内に挿入することを伴う。基準電極が、患者の皮膚にテープで貼り付けられるか、あるいは心臓内又は心臓付近に配置される第２のカテーテルによって、あるいはカテーテル１１０の１つ又は他の電極１１１から選択することによって、提供される。高周波（ＲＦ）電流がアブレーションカテーテル１１０の先端電極１１１に印加され、先端電極の周囲の媒質（すなわち、血液及び組織）に基準電極に向かって電流が流れる。電流の分布は、組織より高い導電性を有する血液と比較した場合、組織と接触する電極表面の量に依存する。組織の加熱は、組織の電気抵抗に起因して生じる。組織が十分に加熱されると、心臓組織において細胞破壊が引き起こされ、結果として、非電導性である心臓組織内に損傷部が形成される。この過程では、加熱された組織から電極自体への伝導によって先端電極１１１の加熱も生じる。電極の温度が十分に高くなり、場合により６０℃を超えると、脱水された血中タンパク質の薄く透明な皮膜が、電極１１１の表面上に形成され得る。温度が上昇し続けると、この脱水層が徐々に厚くなり得、電極表面上に血液が凝固する。脱水された生物学的材料は、心内膜組織よりも高い電気抵抗を有するため、電気エネルギーの組織内部への流れに対するインピーダンスもまた増大する。インピーダンスが十分に高くなると、インピーダンス上昇が起こり、カテーテル１１０を身体から抜き取り、先端電極１１１を洗浄しなければならない。

ここで図２を参照すると、１つ又は２つ以上の実施形態による、本開示の主題の１つ又は２つ以上の特徴が実装され得るシステム２００の略図が示される。システム２００は、患者２０２（例えば、図１の患者１２５の一例）に対して、装置２０４、ローカルコンピューティングデバイス２０６、リモートコンピューティングシステム２０８、第１のネットワーク２１０、及び第２のネットワーク２１１を含んでいる。装置２０４は、生体測定センサ２２１（例えば、図１のカテーテル１１０の一例）、プロセッサ２２２、ユーザー入力（ＵＩ）センサ２２３、メモリ２２４、及び送受信機２２５を含むことができる。説明を容易とし、簡潔にするため、図１のフィルタリングエンジン１０１を図２で再使用している。

一実施形態によれば、装置２０４は、図１のシステム１００の一例であってよく、装置２０４は、患者の内部の構成要素及び患者の外部の構成要素の両方を含むことができる。一実施形態によれば、装置２０４は、取り付け可能なパッチ（例えば、患者の皮膚に取り付けられる）を含む患者２０２の外部にある装置であってもよい。別の実施形態によれば、装置２０４は、患者２０２の身体の内部のもの（例えば、皮下移植可能な）とすることができ、装置２０４を、経口注入、静脈若しくは動脈を介した外科的挿入、内視鏡手術、又は腹腔鏡手術を含む任意の適用可能な方法によって患者２０２の体内に挿入することができる。一実施形態によれば、単一の装置２０４が図２に示されているが、例示的なシステムは、複数の装置を含むことができる。

したがって、装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、フィルタリングエンジン１０１に関するコンピュータ命令を実行するようにプログラムすることができる。一例として、メモリ２２３は、装置２０４が生体測定センサ２０１を介して生体測定データを受信及び処理することができるように、プロセッサ２２２による実行のためのこれらの命令を記憶する。このように、プロセッサ２２及びメモリ２２３は、ローカルコンピューティングデバイス２０６及び／又はリモートコンピューティングシステム２０８のプロセッサ及びメモリを代表するものである。

装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、フィルタリングエンジン１０１及びその機能を個別若しくは集合的に記憶、実行、及び実装するソフトウェア並びに／又はハードウェアの任意の組み合わせとすることができる。更に、装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、本明細書に記載されるように、様々な通信技術を利用した任意の数及び組み合わせのコンピューティングデバイス及びネットワークを含む、及び／又は使用する電子的コンピュータフレームワークとすることができる。装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、異なるサービスに合わせて変更することが可能な、又は他と独立していくつかの機能を再構成することが可能な、容易にスケーラブルで、拡張可能な、モジュール式のものとすることができる。

ネットワーク２１０及びネットワーク２１１は、有線ネットワーク、無線ネットワークであってもよく、又は１つ若しくは２つ以上の有線及び無線ネットワークを含んでもよい。一実施形態によれば、ネットワーク２１０は、近距離ネットワーク（例えば、ローカルエリアネットワーク（ＬＡＮ）、又はパーソナルエリアネットワーク（ＰＡＮ））の一例である。情報は、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ－Ｆｉ、Ｚｉｇｂｅｅ、Ｚ－Ｗａｖｅ、近接場通信（ＮＦＣ）、ウルトラバンド、Ｚｉｇｂｅｅ、又は赤外線（infrared、ＩＲ）などの様々な近距離無線通信プロトコルのうちのいずれか１つを使用して、装置２０４とローカルコンピューティングデバイス２０６との間で近距離ネットワーク２１０を介して送信することができる。更に、ネットワーク２１１は、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、直接接続若しくは一連の接続、セルラー電話ネットワーク、又はローカルコンピューティングデバイス２０６とリモートコンピューティングシステム２０８との間の通信を容易にすることが可能な任意のその他のネットワーク若しくは媒体のうちの１つ若しくは２つ以上のものの一例である。情報は、様々な長距離無線通信プロトコル（例えば、ＴＣＰ／ＩＰ、ＨＴＴＰ、３Ｇ、４Ｇ／ＬＴＥ、又は５Ｇ／Ｎｅｗ Ｒａｄｉｏ）のいずれか１つを使用して、ネットワーク２１１を介して送信することができる。ネットワーク２１０及び２１１の有線接続は、イーサネット、ユニバーサルシリアルバス（ＵＳＢ）、ＲＪ－１１、又は任意の他の有線接続を使用して実装することができ、無線接続は、Ｗｉ－Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラーネットワーク、衛星通信、又は任意の他の無線接続法を使用して実装することができる。

動作中、装置２０４は、ネットワーク２１０を介して、患者２０２に関連する生体測定データを、連続的又は定期的に、取得、監視、記憶、処理、及び通信することができる。更に、装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８は、ネットワーク２１０及び２１１を介して通信する（例えば、ローカルコンピューティングデバイス２０６は、装置２０４とリモートコンピューティングシステム２０８との間のゲートウェイとして構成することができる）。例えば、装置２０４は、ネットワーク２１０を介してローカルコンピューティングデバイス２０６と通信するように構成された図１のシステム１００の一例であり得る。ローカルコンピューティングデバイス２０６は、例えば、固定／独立型デバイス、基地局、デスクトップ／ラップトップコンピュータ、スマートフォン、スマートウォッチ、タブレット、又はネットワーク２１１及び２１０を介して他のデバイスと通信するように構成された他のデバイスとすることができる。ネットワーク２１１上の、若しくはネットワーク２１１に接続された物理サーバとして、又はネットワーク２１１のパブリッククラウドコンピューティングプロバイダ（例えば、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）（登録商標））内の仮想サーバとして実装されるリモートコンピューティングシステム２０８は、ネットワーク２１１を介してローカルコンピューティングデバイス ２０６と通信するように構成することができる。これにより、患者２０２に関連する生体測定データをシステム２００全体を通じて通信することができる。

装置２２４の要素がここで説明される。生体測定センサ２２１は、例えば、異なる種類の生体測定データが観察／取得／入手されるように、１つ又は２つ以上の環境条件を電気信号に変換するように構成された１つ又は２つ以上のトランスデューサを含むことができる。例えば、生体測定センサ２２１は、電極（例えば、図１の電極１１１）、温度センサ（例えば、熱電対）、血圧センサ、血糖センサ、血中酸素センサ、ｐＨセンサ、加速度計、及びマイクロフォンのうちの１つ又は２つ以上を含むことができる。

フィルタリングエンジン１０１を実行する際に、プロセッサ２２２は、生体測定センサ２２１によって取得された生体測定データを受信、処理、及び管理し、かつ、生体測定データを、記憶させるためにメモリ２２４に、及び／又は送受信機２２５を介してネットワーク２１０全体に通信するように構成することができる。１つ又は２つ以上の他の装置２０４からの生体測定データはまた、送受信機２２５を介してプロセッサ２２２によって受信されてもよい。また、以下でより詳細に説明するように、プロセッサ２２２は、ＵＩセンサ２２３から受信される異なるタッピングパターン（例えば、シングルタップ又はダブルタップ）に選択的に応答して、パッチの異なるタスク（例えば、データの取得、記憶、又は送信）が、検出されたパターンに基づいて起動されるように構成することができる。いくつかの実施形態では、プロセッサ２２２は、ジェスチャの検出に関して可聴フィードバックを生成することができる。

ＵＩセンサ２２３は、例えば、タップ又はタッチなどのユーザー入力を受信するように構成された圧電センサ又は静電容量センサを含む。例えば、ＵＩセンサ２２３は、患者２０２が装置２０４の表面をタップ又はタッチすることに応答して、容量性結合を実施するように制御されてもよい。ジェスチャ認識は、抵抗容量性、表面容量性、投影容量性、表面超音波、圧電及び赤外線タッチなどの、様々な容量型のうちのいずれか１つを介して実装することができる。静電容量センサは、表面のタップ又はタッチが監視デバイスを起動させるように、表面の小さい領域又は長さにわたって配置されてもよい。

メモリ２２４は、磁気、光学、又は電子メモリ（例えば、ランダムアクセスメモリ又はハードディスクドライブなどの任意の適当な揮発性及び／又は不揮発性メモリ）などの任意の非一時的有形媒体である。メモリ２２４は、プロセッサ２２２によって実行されるコンピュータ命令を記憶する。

送受信機２２５は、別個の送信機及び別個の受信機を含み得る。あるいは、送受信機２２５は、単一のデバイスに一体化された送信機及び受信機を含み得る。

動作中、フィルタリングエンジン１０１を利用する装置２０４は、生体測定センサ２２１を介して患者２０２の生体測定データを観察し／取得して、メモリ内に生体測定データを記憶し、送受信機２２５を介してシステム２００全体でこの生体測定データを共有する。次いで、フィルタリングエンジン１０１は、モデル、ニューラルネットワーク、機械学習、及び／又は人工知能を利用して、データ駆動型分析に従った心臓の自動フィルタ選択並びに構成、包括的なフィルタの有効性分析、及びこれらの自動設定並びにフィルタの有効性分析を使用したＥＰデータ点の自動取得を提供することができる。

ここで図３を参照すると、１つ又は２つ以上の例示的な実施形態による、方法３００（例えば、図１及び／又は図２のフィルタリングエンジン１０１によって行われる）が示されている。方法３００は、ＥＰの理解をより正確に改善することができる電気信号の多段階操作を提供することによって、選択をフィルタリングするために、不必要に長くなった処置時間を短縮する必要性に対処する。

本方法は、ブロック３２０で始まり、フィルタリングエンジン１０１は、１つ又は２つ以上の処置のためのＥＰマップのデータセットを取得する。データセットは、装置２０４、ローカルコンピューティングデバイス２０６、及び／又はリモートコンピューティングシステム２０８から、フィルタエンジン１０１によって取得することができる。データセットは、医師のセットアップ及び転帰、パラメータ構成、並びに必要とされる任意の再構成及び再構成に関連する設定、不整脈の関連セットアップ及び任意の再構成で治療された不整脈、医師の間で同様のセットアップを含む医師構成に関する情報を含んでもよい。必要とする介入が少ないセットアップには、より高いスコアが提供されてもよい。共通パラメータなどの共通性は、より高いスコアが得られる可能性がある。リード上のノイズを監視し、エラーを記録することができる。処置が停止され、再構成が必要である場合、データはフラグ付けされてもよい。このデータは、例えば、再構成、中断、カテーテル交換、操作及びその必要数、並びにデバイスの変更を考慮してもよい。

ブロック３４０において、フィルタリングエンジン１０１は、データセットを分析して１つ又は２つ以上のフィルタ設定を捕捉する。フィルタリングエンジン１０１は、データセットを分析して、１つ又は２つ以上のフィルタ設定、並びにいくつかのデータ点、削除されたいくつかの点、時間と品質との相関、及び／又はマップ品質を含む処置情報を捕捉することができる。１つ又は２つ以上のフィルタ設定は、各フィルタの識別、及び各ＥＰマップの生成に使用されるそのフィルタの正確な設定を含む。

ブロック３６０において、フィルタリングエンジン１０１は、１つ又は２つ以上の処置のための最適化されたフィルタセット及びフィルタ構成を識別するために機械学習ツールを実装する。フィルタリングエンジン１０１によって実装された強化学習アルゴリズムは、１つ又は２つ以上のフィルタが累積報酬を最大化する活動をどのようにもたらすかを決定する。

ブロック３８０において、フィルタリングエンジン１０１は、フィルタセット及びフィルタ構成を拒否基準デフォルトとして出力する。拒否基準デフォルトは、誤ったチャネルをフィルタリングすることによってＥＰデータ点の自動取得を提供する。この出力は、処置の設定を事前構成することによって、又は処置の設定を推奨することによってワークフローを最適化するように設計されてもよい。

図４は、１つ又は２つ以上の実施形態による人工知能システム４００の図解を示す。人工知能システム４００は、データ４１０（例えば、生体測定データ）、マシン４２０、モデル４３０、転帰４４０、及び（下層の）ハードウェア４５０を含む。適切な場合、理解を容易にするため、図４～図５Ａ、図５Ｂの説明は、図１～図３を参照して行う。例えば、マシン４１０、モデル４３０、及びハードウェア４５０は、図１～図２のフィルタリングエンジン１０１の態様を表し得る（例えば、機械学習及び／又はその中の人工知能アルゴリズム）が、一方、ハードウェア４５０も、図１のカテーテル１１０、図１のコンソール１６０、及び／又は図２の装置２０４を表し得る。一般的に、人工知能システム４００の機械学習及び／又は人工知能アルゴリズム（例えば、図１～図２のフィルタリングエンジン１０１によって実施される）は、データ４１０を使用してハードウェア４５０に対して動作して、マシン４２０を訓練してモデル４３０を構築し、転帰４４０を予測する。

例えば、マシン４２０は、ハードウェア４５０に関連付けられたコントローラ又はデータ収集として動作するか、及び／又はハードウェア４５０に関連付けられる。データ４１０（例えば、本明細書に記載される生体測定データ）は、ハードウェア４５０に関連付けられた進行中データ又は出力データであってよい。データ４１０はまた、現在収集中のデータ、履歴データ、又はハードウェア４５０からの他のデータも含むことができ、外科手術中の測定値を含むことができ、外科手術の転帰と関連付けることができ、収集され、心臓処置の転帰と相関する図１の心臓１４０の温度を含むことができ、ハードウェア４５０に関連付けることができる。データ４１０は、マシン４２０によって１つ又は２つ以上のサブセットに分割され得る。

更に、マシン４２０は、例えば、ハードウェア４５０などに対して訓練される。この訓練はまた、収集されたデータ４１０の分析及び相関を含むことができる。例えば、心臓の場合では、温度及び転帰のデータ４１０を、心臓処置中の図１の心臓１４０の温度と転帰との間に相関又は関連が存在するかを判定するために訓練することができる。別の実施形態によれば、マシン４２０を訓練することは、１つ又は２つ以上のサブセットを用いた図１のフィルタリングエンジン１０１による自己訓練を含むことができる。この点に関して、図１のフィルタリングエンジン１０１は、点ごとの症例分類を検出するように学習する。

更に、モデル４３０は、ハードウェア４５０に関連付けられたデータ４１０上に構築される。モデル４３０を構築することは、物理的ハードウェア又はソフトウェアモデリング、アルゴリズムモデリング、及び／又は収集及び訓練されたデータ４１０（又はそのサブセット）を表すことを目的とした同様のモデリングを含むことができる。いくつかの態様では、モデル４３０の構築は、マシン４２０による自己訓練動作の一部である。モデル４３０は、ハードウェア４５０の動作をモデル化すると共に、ハードウェア４５０から収集されたデータ４１０をモデル化してハードウェア４５０によって得られる転帰４４０を予測するように構成することができる。（ハードウェア４５０に関連付けられたモデル４３０の）転帰４４０の予測では、訓練されたモデル４３０を用いることができる。例えば、また、本開示の理解を深めるため、心臓の場合、３６．５℃～３７．８９℃（すなわち、華氏９７．７度及び華氏１００．２度）の処置中の温度が心臓処置による正の転帰をもたらす場合、これらの温度を使用した特定の処置で転帰４４０を予測することができる。したがって、予測された転帰４４０を使用して、マシン４２０、モデル４３０、及びハードウェア４５０を適宜構成することができる。

したがって、人工知能システム４００がデータ４１０を使用してハードウェア４５０に対して動作し、マシン４２０を訓練し、モデル４３０を構築し、転帰４４０を予測するためには、機械学習及び／又はその中の人工知能アルゴリズムがニューラルネットワークを含むことができる。一般に、ニューラルネットワークは、ニューロンのネットワーク又は回路であり、あるいは現代的な意味では、人工ニューロン又はノード又はセルで構成される人工ニューラルネットワーク（ＡＮＮ）である。

例えば、ＡＮＮは、処理要素と要素パラメータとの間の接続によって決定される複雑なグローバル挙動を示すことができる処理要素（人工ニューロン）のネットワークを含む。ニューロンのネットワーク又は回路のこれらの接続は、重みとしてモデル化される。正の重みは興奮性の接続を反映し、負の値は抑制性の接続を意味する。入力は重みで修正され、線形結合を使用して合計される。活性化関数が、出力の振幅を制御することができる。例えば、出力の許容範囲は通常０～１であるが、－１～１の場合もある。多くの場合、ＡＮＮは、ネットワークを通って流れる外部情報又は内部情報に基づいてその構造を変更する適応型システムである。

より実用的な言葉で言えば、ニューラルネットワークは、入力と出力との間の複雑な関係をモデル化するために、又はデータのパターンを見つけるために使用することができる非線形統計データモデリング又は意思決定ツールである。したがって、ＡＮＮは、データセットを介して訓練される間に、予測モデリング及び適応制御アプリケーションに使用することができる。経験から生じる自己学習がＡＮＮ内で発生する可能性があり、複雑で一見無関係な一組の情報から結論を導き出すことができる。人工ニューラルネットワークモデルの有用性は、それらを使用して、観測から関数を推定し、かつそれを使用することができるという事実にある。教師なしニューラルネットワークは、入力分布の顕著な特徴をキャプチャする入力の表現の学習、及び、最近では、観測データの分布関数を暗黙的に学習することができるディープラーニングアルゴリズムにも使用することができる。ニューラルネットワークでの学習は、データ（例えば、生体測定データ）又はタスク（例えば、任意の数の様々な疾患の監視、診断、及び治療）の複雑さのためにそのような関数の設計を手作業では行えない用途において特に有用である。

ニューラルネットワークは、様々な分野において使用することができる。したがって、人工知能システム４００では、機械学習及び／又はその中の人工知能アルゴリズムは、それらが適用されるタスクに従って大まかに分割されたニューラルネットワークを含むことができる。これらの分割は、時間系列予測及びモデリングを含む回帰分析（例えば、関数近似）、パターン及び配列認識を含む分類、新規な検出及び連続的意思決定の作成、フィルタリングを含むデータ処理、クラスタリング、盲信号分離、及び圧縮のカテゴリ内に入る傾向がある。例えば、ＡＮＮの適用領域には、非線形システムの識別及び制御（車両制御、プロセス制御）、ゲームのプレー及び意思決定（バックギャモン、チェス、レース）、パターン認識（レーダーシステム、顔識別、オブジェクト認識）、シーケンス認識（ジェスチャ、スピーチ、手書きテキスト認識）、医療診断及び治療、金融アプリケーション、データマイニング（又はデータベースでの知識発見（knowledge discovery in database）、すなわち「ＫＤＤ」）、視覚化並びに電子メールスパムフィルタリングが含まれる。例えば、医療処置から得られる患者の生体測定データの意味的プロファイルを作成することが可能である。

１つ又は２つ以上の実施形態によれば、ニューラルネットワークは、長・短期記憶ニューラルネットワークアーキテクチャ、畳み込みニューラルネットワーク（ＣＮＮ）アーキテクチャ、又は他の同様のものを実装し得る。ニューラルネットワークは、いくつかの層、いくつかの接続（例えば、エンコーダ／デコーダ接続）、規則化技術（例えば、ドロップアウト）、及び最適化特徴に関して構成可能であり得る。

長・短期記憶ニューラルネットワークアーキテクチャは、フィードバック接続を含み、単一のデータポイント（例えば、画像など）をデータのシーケンス全体（例えば、スピーチ又は動画）と共に処理することができる。長・短期メモリニューラルネットワークアーキテクチャの単位は、セル、入力ゲート、出力ゲート、及び忘却ゲートで構成することができ、セルは任意の時間間隔にわたって値を記憶し、ゲートは、セルへの及びセルからの情報の流れを調節する。

ＣＮＮアーキテクチャは、１つの層内の各ニューロンが次の層内のすべてのニューロンに接続される並進不変特性を有する共有重みアーキテクチャである。ＣＮＮアーキテクチャの正則化技術は、データ内の階層パターンを利用し、より小さくより単純なパターンを使用してより複雑なパターンを編成することができる。ニューラルネットワークがＣＮＮアーキテクチャを実装する場合、アーキテクチャの他の構成可能な態様は、それぞれのステージにおけるいくつかのフィルタ、カーネルサイズ、層ごとのいくつかのカーネルを含み得る。

ここで図５Ａ及び図５Ｂを参照すると、図５Ａのニューラルネットワーク５００の一例及び図５Ａのニューラルネットワーク５００内で行われる、図５Ｂの方法５０１のブロック図が、１つ又は２つ以上の実施形態に従って示されている。ニューラルネットワーク５００は、本明細書に記載される機械学習及び／又は人工知能アルゴリズムの実装（例えば、図１～図２のフィルタリングエンジン１０１によって実装される）を支援するように動作する。ニューラルネットワーク５００は、図４のマシン４２０及び／又はハードウェア４５０などのハードウェアに実装することができる。本明細書に示されるように、図４～図５Ａ、図５Ｂの説明は、適切な場合、理解を容易にするため、図１～図３を参照して行う。

例示的な動作では、図１のフィルタリングエンジン１０１は、ハードウェア４５０からデータ４１０を収集することを含む。ニューラルネットワーク５００では、入力層５１０は、複数の入力（例えば、図５Ａの入力５１２及び５１４）によって表される。方法５０１のブロック５２０に関して、入力層５１０は入力５１２及び５１４を受信する。入力５１２及び５１４は、生体測定データを含むことができる。例えば、データ４１０を収集することは、ハードウェア４５０の１つ又は２つ以上の処置記録からデータセット（データ４１０によって表される）に生体測定データ（例えば、ＢＳ ＥＣＧデータ、ＩＣ ＥＣＧデータ、及びアブレーションデータ）を集積することであり得る。

方法５０１のブロック５２５において、ニューラルネットワーク５００は、データ４１０の任意の部分（例えば、人工知能システム４００によって生成されたデータセット及び予測）を用いて入力５１２及び５１４を符号化して、潜在表現又はデータ符号化を生成する。潜在表現は、複数の入力から導出される１つ又は２つ以上の中間的データ表現を含む。１つ又は２つ以上の実施形態によれば、潜在表現は、図１のフィルタリングエンジン１０１の要素ごとの活性化関数（例えば、シグモイド関数又は正規化線形関数）によって生成される。図５Ａに示すように、入力５１２及び５１４は、ノード５３２、５３４、５３６、及び５３８を含むように示された隠れ層５３０に提供される。ニューラルネットワーク５００は、ノード５３２、５３４、５３６、及び５３８の隠れ層５３０を介して処理を実行して、処理要素と要素パラメータとの間の接続によって決定される、複雑なグローバル挙動を示す。したがって、層５１０と５３０との間の移行は、入力５１２及び５１４を受けて、これをディープニューラルネットワーク（層５３０内）に転送して、入力の一部のより小さな表現（例えば、結果的に生じる潜在表現）を学習するエンコーダ段階とみなすことができる。

ディープニューラルネットワークは、ＣＮＮ、長・短期記憶ニューラルネットワーク、完全接続ニューラルネットワーク、又はそれらの組み合わせであり得る。入力５１２及び５１４は、心内ＥＣＧ、身体表面ＥＣＧ、又は心内ＥＣＧ及び身体表面ＥＣＧであってよい。このコード化は、入力５１２及び５１４の次元数削減をもたらす。次元数削減は、一組の主要変数を得ることによって、考慮されている（入力５１２及び５１４の）ランダム変数の数を低減するプロセスである。例えば、次元数削減は、データ（例えば、入力５１２及び５１４）を、高次元空間（例えば、１０次元よりも高い）から低次元空間（例えば、２～３次元）に変換する特性抽出であり得る。次元数削減の技術的効果及び利点としては、データ４１０の時間及び記憶空間要件を低減すること、データ４１０の可視化性を改善すること、及び機械学習のためのパラメータ解釈性を改善することが挙げられる。このデータ変換は、線形又は非線形であり得る。受信（ブロック５２０）及びコード化（ブロック５２５）の動作は、フィルタリングエンジン１０１による多段階データ操作のデータ準備部分とみなすことができる。

方法５１０のブロック５４５において、ニューラルネットワーク５００は、潜在表現をデコード化する。デコード化ステージは、エンコーダ出力（例えば、結果として生じる潜在表現）を受け、別のディープニューラルネットワークを使用して入力５１２及び５１４の特定の形態を再構築することを試みる。この点に関して、ノード５３２、５３４、５３６、及び５３８は組み合わされて、方法５１０のブロック５６０に示すように、出力層５５０に出力５５２を生成する。すなわち、出力層５９０は、削減された次元で、ただし信号干渉、信号アーチファクト、及び信号ノイズなしで、入力５１２及び５１４を復元する。出力５５２の例としては、クリーンにされた生体測定データ（例えば、ＩＣ ＥＣＧデータのクリーン／ノイズ除去バージョンなど）が挙げられる。クリーンにされた生体測定データの技術的効果及び利益には、任意の数の様々な疾患のより正確な監視、診断、及び治療を可能にすることが含まれる。

ここで図６を参照すると、１つ又は２つ以上の例示的な実施形態による、方法６００（例えば、図１及び／又は図２のフィルタリングエンジン１０１によって行われる）が示されている。方法６００は、ＥＰの理解を、例えばより正確に改善することができる電気信号の多段階操作を提供することによって、選択をフィルタリングするために、不必要に長くなった処置時間を短縮することに対処する。

本方法は、ブロック６１０で始まり、フィルタリングエンジン１０１は、１つ又は２つ以上の処置中に作成されたＥＰマップのデータセットを取得する。データセットは、ローカルコンピューティングデバイス２０６及び／又はリモートコンピューティングシステム２０８から、フィルタエンジン１０１によって取得することができる。１つ又は２つ以上の実施形態によれば、各ＥＰマップについて、データセットは、１つ又は２つ以上の処置が進行中である間の関連情報を、直接データ（例えば、使用されているフィルタ、及び各フィルタについて使用されている特定の設定）及び間接データ（例えば、マップの品質及びプロセスの品質を反映するすべての他の情報）にかかわらず含む。例えば、データセットは、フィルタタイプ（例えば、サイクル長フィルタ、ＬＡＴ安定性フィルタ、位置安定性フィルタ、最小電圧フィルタなど）、入力されたいくつかのデータ点、取得されたいくつかの点、自動的に削除されたいくつかの点、時間と品質との相関（例えば、「良い点」対「悪い点」）、マップの品質、ユーザーが削除したいくつかの点、処置時間、及び取得時間を含むことができる。データセットの任意のフィルタ情報は、範囲（例えば、０～１）で、又は測定値として（例えば、ミリメートル）表現することができる。データセットは、任意の多電極カテーテル及び自動取得の技術的思想をカプセル化するものであり、図１及び／又は図２のフィルタリングエンジン１０１は、入力データのいくつかをフィルタリングする（例えば、ノイズなどを低減するために）。

ブロック６２０において、フィルタリングエンジン１０１は、ユーザープロファイル情報など、医師１１５に関するリアルタイムの情報を更に取得する。このようにして、フィルタエンジン１０１は、「誰が」システム１００を動作させているのか、また、彼らが現在どのような処置を行っているのかを認識している。

ブロック６３０において、フィルタリングエンジン１０１は、データセットを分析する。分析は、本明細書に記載されるように、１つ又は２つ以上のフィルタ設定及び処置情報を捕捉する。また、本明細書に示すように、１つ又は２つ以上のフィルタ設定は、各フィルタの識別、及び各ＥＰマップの生成に使用されるそのフィルタの正確な設定を含む。

フィルタリングエンジンは、一般に、ＥＰマップのデータセットを分析して、マップの生成に使用されるフィルタの正確な設定を捕捉する。フィルタリングエンジンの技術的な効果及び利点は、心臓内科医及び医療従事者に自動フィルタ選択を提供することと、（例えば、主観的ユーザー体験ではなく、また処置時間を短縮するために）データ駆動型分析に従って、包括的なフィルタの有効性分析を構成することと、を含む。同じ条件で同じタイプの前の生成で選択されたフィルタは、その次の生成で自動的に適用されるフィルタを決定する際のデータ点として使用することができる。したがって、フィルタリングエンジンは、医療デバイス機器を具体的に利用し、かつ、変換して、心臓内科医及び医療従事者が他の方法では現在利用可能ではないか、又は現在行われていないＥＰデータ点の自動取得を、信号拒否基準の自動設定を使用して可能にする／実装する。

ブロック６４０において、フィルタリングエンジン１０１は、機械学習を実装して、医師１１５のために、また、医師達が行っている処置のために、最適化されたフィルタセット及びフィルタ構成を識別する。例えば、ブロック６４３に示すように、機械学習ツールは、データセットによって識別された１つ又は２つ以上の処置のマッピング時間及び品質メトリクスに基づいて、１つ又は２つ以上の設定属性を捕捉することができる（ブロック６１０を参照）。ブロック６４６に示すように、機械学習は、データセットによって識別された１つ又は２つ以上の処置のＥＰマップから削除された点に基づいて、１つ又は２つ以上の設定属性を削除（又は無視）することができる（ブロック６１０を参照）。１つ又は２つ以上の実施形態によれば、機械学習及びフィルタリングエンジン１０１は、強化学習を使用して、メトリクス（例えば、マッピング時間／品質のような）に基づいて報酬を与え、また、ユーザーが削除した点などのものに対して罰を与える、属性捕捉及び罰／報酬ソリューションへのアプローチを提供する。具体的には、フィルタリングエンジン１０１は、前に成功した生成で使用されたフィルタリングを組み込み、その生成の構成を使用して、同様の条件が提示されたときに同様のフィルタリングを使用することを学習してもよい。理解され得るように、例えば、同様の成功した生成からのデータを組み合わせるために、成功したフィルタ設定の重み付けを使用してもよい。

ブロック６７０において、フィルタリングエンジン１０１は、医師１１５による選択のために、拒否基準デフォルト（例えば、ブロック６４０の機械学習ツールの結果）を出力する。拒否基準デフォルトを出力することにより、フィルタリングエンジン１０１は、システム１００を動作のために設定することができる。例えば、拒否基準デフォルトは、最も効果的なフィルタリング設定を得るために新しい拒否基準デフォルトを設定すること（例えば、処置の品質に関連する基準を設定すること）、新しいフィルタを定義すること（例えば、マッピング点でより多くの属性を捕捉する）、及び／又はカテーテル１１０をどのように曲げるかを提案すること、を提供する。したがって、拒否基準デフォルトは、医師１１５が現在の処置を始めるときに、誤ったチャネルをフィルタリングすることによってＥＰデータ点の自動取得を提供する。ブロック６８０において、フィルタリングエンジン１０１は、リアルタイムの情報に関してユーザープロファイル情報を更新する（例えば、フィルタリングエンジン１０１は、ユーザーベースごとにこの動作を行うことができる）。例えば、フィルタリングエンジン１０１は、その医師１１５による対応する処置履歴に基づいて、特定のＥＰプロセス及び処置について医師１１５に推奨を提供することができる。

出力デフォルトは、生成を行う際に設定された最良のフィルタリングとして提供され得る。この出力デフォルトは、例えば、使用されているハードウェア、実験室条件、患者の人口統計及び条件を含む、例えば医師を含む現在の生成の設定を考慮してもよい。

図中の流れ図及びブロック図は、本発明の様々な実施形態によるシステム、方法、及びコンピュータプログラム製品の考えられる実装形態の構造、機能性、及び動作を示すものである。この点に関して、流れ図又はブロック図における各ブロックは、示された論理機能を実施するための１つ又は２つ以上の実行可能な命令を含むモジュール、セグメント、又は命令の部分を表し得るものである。いくつかの代替的な実装形態において、ブロックに示される機能は、図に示される順序以外の順序で行われてもよい。例えば、連続して示す２つのブロックは、実際に、実質的に同時に実行されてもよく、あるいはそれらのブロックは、時には、関連する機能性に応じて、逆の順序で実行されてもよい。また留意されたい点として、ブロック図及び／又はフロー図の各ブロック、並びにブロック図及び／又はフロー図のブロックの組み合わせは、特定の機能又は動作を実行する専用のハードウェアベースシステムによって実施されてもよく、あるいは、専用のハードウェアとコンピュータ命令との組み合わせを動作させる、又は実行することもできる。

特徴及び要素が特定の組み合わせで上に記載されるが、当業者であれば、特徴又は要素の各々を単独で又は他の特徴及び要素と組み合わせて使用することができることを理解するであろう。加えて、本明細書に記載される方法は、コンピュータ又はプロセッサで実行するために、コンピュータ可読媒体に組み込まれるコンピュータプログラム、ソフトウェア、又はファームウェアにおいて実装され得る。本明細書で使用するコンピュータ可読媒体とは、電波又は他の自由に伝搬する電磁波、導波管若しくは他の伝送媒体を通って伝搬する電磁波（例えば、光ファイバーケーブルを通過する光パルス）、又は動線を通って伝送される電気信号などの、それ自体が一過性の信号であるものとして解釈されるべきではない。

コンピュータ可読媒体の例としては、電気信号（有線又は無線接続を介して送信される）及びコンピュータ可読記憶媒体が挙げられる。コンピュータ可読記憶媒体の例としては、限定されないが、レジスタ、キャッシュメモリ、半導体メモリデバイス、内部ハードディスク及びリムーバブルディスクなどの磁気媒体、光磁気媒体、コンパクトディスク（ＣＤ）及びデジタル多用途ディスク（ＤＶＤ）などの光学媒体、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能プログラマブル読み取り専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、及びメモリスティックなどが挙げられる。プロセッサをソフトウェアと共に使用して、端末、基地局、又は任意のホストコンピュータで使用するための無線周波数送受信機を実装することができる。

本明細書で使用される用語は、あくまで特定の実施形態を説明する目的のものに過ぎず、限定を目的としたものではない。本明細書で使用するとき、文脈上特に明記されない限り、単数形「ａ」、「ａｎ」及び「ｔｈｅ」は複数の形態をも含むものとする。用語「含む（comprise）」及び／又は「含んでいる（comprising）」は、本明細書で用いられる場合、記載された特徴、整数、工程、動作、要素、及び／又は構成部品の存在を示すものであるが、１つ又は２つ以上の他の特徴、整数、工程、動作、要素、構成要素、及び／又はそれらの群の存在若しくは追加を除外するものではない点を理解されたい。

本明細書の異なる実施形態の説明は例示の目的で示されたものであるが、網羅的であることも開示される実施形態に限定されることも意図していない。多くの改変及び変形が、記載される実施形態の範囲及び趣旨から逸脱することなく、当業者には明らかとなろう。本明細書で使用される用語は、実施形態の原理、実用的な用途、又は市場に見られる技術と比較した技術的改良点を最も良く説明するため、又は当業者による本明細書に開示される実施形態の理解を可能とするために選択されたものである。

〔実施の態様〕
（１） 方法であって、
１つ又は２つ以上のプロセッサによって実行されるフィルタリングエンジンによって、１つ又は２つ以上の処置のための電気物理マップのデータセットを取得することと、
前記フィルタリングエンジンによって、１つ又は２つ以上のフィルタ設定を捕捉するために前記データセットを分析することと、
前記フィルタリングエンジンによって、前記１つ又は２つ以上の処置のための最適化されたフィルタセット及びフィルタ構成を識別することと、
前記フィルタリングエンジンによって、前記フィルタセット及び前記フィルタ構成を拒否基準デフォルトとして出力することと、を含む、方法。
（２） 前記フィルタリングエンジンが、少なくとも１つのフィルタ及び前記１つ又は２つ以上のフィルタ設定を捕捉するために前記データセットを分析する、実施態様１に記載の方法。
（３） 前記少なくとも１つのフィルタが、サイクル長フィルタ、ＬＡＴ安定性フィルタ、位置安定性フィルタ、又は最小電圧フィルタを含む、実施態様２に記載の方法。
（４） 前記フィルタリングエンジンが、前記１つ又は２つ以上のフィルタ設定及び処置情報を捕捉するために前記データセットを分析する、実施態様１に記載の方法。
（５） 前記処置情報が、いくつかのデータ点、削除されたいくつかの点、時間と品質との相関、又はマップ品質を含む、実施態様４に記載の方法。

（６） 前記１つ又は２つ以上のフィルタ設定が、各フィルタの識別、及び各電気物理マップの生成に使用されるそのフィルタの正確な設定を含む、実施態様１に記載の方法。
（７） マッピング時間及び品質メトリクスに基づいて１つ又は２つ以上の設定属性を捕捉する強化学習アルゴリズムを含む機械学習ツールが、前記最適化されたフィルタセットを識別する、実施態様１に記載の方法。
（８） 削除された点に基づいて１つ又は２つ以上の設定属性の削除を捕捉する強化学習アルゴリズムを含む機械学習ツールが、前記最適化されたフィルタセットを識別する、実施態様１に記載の方法。
（９） 前記拒否基準デフォルトが、誤ったチャネルをフィルタリングすることによって電気物理データ点の自動取得を提供する、実施態様１に記載の方法。
（１０） 前記拒否基準デフォルトが、ユーザーベースごとに出力される、実施態様１に記載の方法。

（１１） システムであって、
フィルタリングエンジンのためのプログラムコードを記憶するメモリと、
前記メモリに通信可能に結合された１つ又は２つ以上のプロセッサであって、前記システムに、
前記フィルタリングエンジンによって、１つ又は２つ以上の処置のための電気物理マップのデータセットを取得することと、
前記フィルタリングエンジンによって、１つ又は２つ以上のフィルタ設定を捕捉するために前記データセットを分析することと、
前記フィルタリングエンジンによって、前記１つ又は２つ以上の処置のための最適化されたフィルタセット及びフィルタ構成を識別することと、
前記フィルタリングエンジンによって、前記フィルタセット及び前記フィルタ構成を拒否基準デフォルトとして出力することと、を行わせるために、前記プログラムコードを実行するように構成された１つ又は２つ以上のプロセッサと、を含む、システム。
（１２） 前記フィルタリングエンジンが、少なくとも１つのフィルタ及び前記１つ又は２つ以上のフィルタ設定を捕捉するために前記データセットを分析する、実施態様１１に記載のシステム。
（１３） 前記少なくとも１つのフィルタが、サイクル長フィルタ、ＬＡＴ安定性フィルタ、位置安定性フィルタ、又は最小電圧フィルタを含む、実施態様１２に記載のシステム。
（１４） 前記フィルタリングエンジンが、前記１つ又は２つ以上のフィルタ設定及び処置情報を捕捉するために前記データセットを分析する、実施態様１１に記載のシステム。
（１５） 前記処置情報が、いくつかのデータ点、削除されたいくつかの点、時間と品質との相関、又はマップ品質を含む、実施態様１４に記載のシステム。

（１６） 前記１つ又は２つ以上のフィルタ設定が、各フィルタの識別、及び各電気物理マップの生成に使用されるそのフィルタの正確な設定を含む、実施態様１１に記載のシステム。
（１７） マッピング時間及び品質メトリクスに基づいて１つ又は２つ以上の設定属性を捕捉する強化学習アルゴリズムを含む機械学習ツールが、前記最適化されたフィルタセットを識別する、実施態様１１に記載のシステム。
（１８） 削除された点に基づいて１つ又は２つ以上の設定属性の削除を捕捉する強化学習アルゴリズムを含む機械学習ツールが、前記最適化されたフィルタセットを識別する、実施態様１１に記載のシステム。
（１９） 前記拒否基準デフォルトが、誤ったチャネルをフィルタリングすることによって電気物理データ点の自動取得を提供する、実施態様１１に記載のシステム。
（２０） 前記拒否基準デフォルトが、ユーザーベースごとに出力される、実施態様１１に記載のシステム。

Claims (20)

1. システムであって、
   フィルタリングエンジンのためのプログラムコードを記憶するメモリと、
   前記メモリに通信可能に結合された１つ又は２つ以上のプロセッサであって、前記システムに、
   前記フィルタリングエンジンによって、１つ又は２つ以上の処置のための電気物理マップのデータセットを取得することと、
   前記フィルタリングエンジンによって、１つ又は２つ以上のフィルタ設定を捕捉するために前記データセットを分析することと、
   前記フィルタリングエンジンによって、前記１つ又は２つ以上の処置のための最適化されたフィルタセット及びフィルタ構成を識別することと、
   前記フィルタリングエンジンによって、前記フィルタセット及び前記フィルタ構成を拒否基準デフォルトとして出力することと、を行わせるために、前記プログラムコードを実行するように構成された１つ又は２つ以上のプロセッサと、を含む、システム。
2. 前記フィルタリングエンジンが、少なくとも１つのフィルタ及び前記１つ又は２つ以上のフィルタ設定を捕捉するために前記データセットを分析する、請求項１に記載のシステム。
3. 前記少なくとも１つのフィルタが、サイクル長フィルタ、ＬＡＴ安定性フィルタ、位置安定性フィルタ、又は最小電圧フィルタを含む、請求項２に記載のシステム。
4. 前記フィルタリングエンジンが、前記１つ又は２つ以上のフィルタ設定及び処置情報を捕捉するために前記データセットを分析する、請求項１に記載のシステム。
5. 前記処置情報が、いくつかのデータ点、削除されたいくつかの点、時間と品質との相関、又はマップ品質を含む、請求項４に記載のシステム。
6. 前記１つ又は２つ以上のフィルタ設定が、各フィルタの識別、及び各電気物理マップの生成に使用されるそのフィルタの正確な設定を含む、請求項１に記載のシステム。
7. マッピング時間及び品質メトリクスに基づいて１つ又は２つ以上の設定属性を捕捉する強化学習アルゴリズムを含む機械学習ツールが、前記最適化されたフィルタセットを識別する、請求項１に記載のシステム。
8. 削除された点に基づいて１つ又は２つ以上の設定属性の削除を捕捉する強化学習アルゴリズムを含む機械学習ツールが、前記最適化されたフィルタセットを識別する、請求項１に記載のシステム。
9. 前記拒否基準デフォルトが、誤ったチャネルをフィルタリングすることによって電気物理データ点の自動取得を提供する、請求項１に記載のシステム。
10. 前記拒否基準デフォルトが、ユーザーベースごとに出力される、請求項１に記載のシステム。
11. 方法であって、
    １つ又は２つ以上のプロセッサによって実行されるフィルタリングエンジンによって、１つ又は２つ以上の処置のための電気物理マップのデータセットを取得することと、
    前記フィルタリングエンジンによって、１つ又は２つ以上のフィルタ設定を捕捉するために前記データセットを分析することと、
    前記フィルタリングエンジンによって、前記１つ又は２つ以上の処置のための最適化されたフィルタセット及びフィルタ構成を識別することと、
    前記フィルタリングエンジンによって、前記フィルタセット及び前記フィルタ構成を拒否基準デフォルトとして出力することと、を含む、方法。
12. 前記フィルタリングエンジンが、少なくとも１つのフィルタ及び前記１つ又は２つ以上のフィルタ設定を捕捉するために前記データセットを分析する、請求項１１に記載の方法。
13. 前記少なくとも１つのフィルタが、サイクル長フィルタ、ＬＡＴ安定性フィルタ、位置安定性フィルタ、又は最小電圧フィルタを含む、請求項１２に記載の方法。
14. 前記フィルタリングエンジンが、前記１つ又は２つ以上のフィルタ設定及び処置情報を捕捉するために前記データセットを分析する、請求項１１に記載の方法。
15. 前記処置情報が、いくつかのデータ点、削除されたいくつかの点、時間と品質との相関、又はマップ品質を含む、請求項１４に記載の方法。
16. 前記１つ又は２つ以上のフィルタ設定が、各フィルタの識別、及び各電気物理マップの生成に使用されるそのフィルタの正確な設定を含む、請求項１１に記載の方法。
17. マッピング時間及び品質メトリクスに基づいて１つ又は２つ以上の設定属性を捕捉する強化学習アルゴリズムを含む機械学習ツールが、前記最適化されたフィルタセットを識別する、請求項１１に記載の方法。
18. 削除された点に基づいて１つ又は２つ以上の設定属性の削除を捕捉する強化学習アルゴリズムを含む機械学習ツールが、前記最適化されたフィルタセットを識別する、請求項１１に記載の方法。
19. 前記拒否基準デフォルトが、誤ったチャネルをフィルタリングすることによって電気物理データ点の自動取得を提供する、請求項１１に記載の方法。
20. 前記拒否基準デフォルトが、ユーザーベースごとに出力される、請求項１１に記載の方法。

Images