用于量化和去除生物物理信号中的异步噪声的方法和系统与流程

相关申请

本国际pct申请要求于2018年6月18日提交的、发明名称为“methodsandsystemstoquantifyandremoveasynchronousnoiseinbiophysicalsignals”的美国临时申请第62/686,245号的优先权，其通过引用整体合并于此。

本公开总体上涉及用于表征心血管循环和其他生理系统的非侵入式方法和系统。更具体地，一方面，本公开涉及从采集的生物物理信号(例如，心脏信号、脑信号等)中滤除异步噪声。另一方面，本公开涉及对所采集的信号的质量评估以及对所采集的信号的选通以用于分析。在另一方面，本公开涉及对由第一组生物物理信号测量设备采集的第一组数据集进行归一化，以及对由第二组生物物理信号测量设备采集的第二组数据集进行归一化，使得可以在机器学习操作中可以对第一组数据集和第二组数据集一起进行分析。

背景技术：

缺血性心脏病(也称为心脏缺血或心肌缺血)是一种有如下特点的疾病或一组疾病：其通常由于冠状动脉疾病(cad)导致心肌供血减少。当向心肌层或心肌供血的冠状动脉内壁发展成动脉粥样硬化(内壁变硬或变僵以及其中的斑块积聚，通常伴有异常炎症)时，通常会发生cad。随着时间的流逝，cad还可以削弱心肌并导致例如心绞痛、心肌梗塞(心脏病)、心力衰竭和心律不齐。心律不齐是一种异常的心律，其可包括正常的心脏电传导顺序的任何变化，在某些情况下其可导致心脏骤停。

cad的评估可能是复杂的，并且使用许多技术和工具来评估病症(condition)的存在和严重性。就心电图、即其中分析心脏电活动以获得有关其结构和功能的信息的心脏病学领域而言，严重的缺血性心脏病可以改变冠状动脉狭窄或闭塞下游的灌注床中心肌的心室传导性。这种病理学可以在心脏的不同位置并以不同阶段的严重程度来表达自己，使准确的诊断具有挑战性。此外，心肌的导电特性可能因人而异，其他因素(例如与测量探针的放置相关的测量可变性以及与此类探针及其相关组件相关的寄生损耗)在心脏的电生理测试期间也会影响捕获的生物物理信号。此外，当将心肌的传导性质捕获作为相对较长的心脏相位梯度信号时，它们可能表现出复杂的非线性可变性，而传统的建模技术无法有效捕获这些可变性。

期望对所采集的生物物理信号(例如，心脏信号、脑信号等)中的异步噪声和伪影进行量化和滤波，其可以促进对病理学和病症的更准确的评估。

技术实现要素：

在此描述的示例性方法和系统有助于量化和/或去除诸如骨骼肌伪影噪声污染之类的异步噪声，以更准确地评估准周期性生物物理信号系统中的复杂非线性变化，例如所采集的心脏信号脑信号等的变化。在此描述的示例性方法和系统还有助于评估所采集信号的信号质量，以对所采集信号进行选通，从而进行后续分析。

如本文所使用的，术语“心脏信号”(也称为心脏的信号)是指与心脏的电传导系统的功能和/或活动(例如，引起心肌的收缩)相关的信号，并且在一些实施例中包括心电图信号，例如经由心电图(ecg)采集的信号。随后可以使用异步噪声(例如骨骼肌相关信号污染和肌肉伪影噪声污染以及所采集的信号中的其他异步噪声污染)的水平的量化，从诸如心脏信号之类的生物物理信号的测量中自动排除这种异步噪声，对于该生物物理信号的测量，这种异步噪声的存在可能对随后的对心脏信号和/或生物物理信号的分析和/或对疾病状态的临床预测/估计(其对准周期生物物理信号的各种周期性特征进行评估)产生负面影响。

如在此所使用的，术语“脑信号”(在此也称为神经信号)是指与脑功能/活动相关的信号，并且在一些实施例中包括脑电图信号，例如经由脑电图(eeg)采集的脑电图信号。随后可以使用诸如眼外肌噪声污染和面肌噪声污染以及所采集的信号中的其他异步噪声污染的异步噪声的量化，从诸如脑信号的生物物理信号的测量中自动或手动排除这种异步噪声，对于该生物物理信号的测量，这种异步噪声的存在可能会对随后的脑信号和/或生物物理信号的分析和/或对疾病状态的临床预测/估计(对其各种准周期性特征进行评估)产生负面影响。

为了本公开的目的，术语“生物物理信号”并不旨在限于心脏信号和脑信号，而是涵盖了能够被感测的任何哺乳动物电信号或电化学信号，包括但不限于与以下相关的信号以及在哺乳动物体内任何地方以细胞水平产生的电信号：中心和周围神经系统(例如，来自大脑、脊髓和/或神经及其相关神经元的电信号)、肺、循环系统(例如血液)、淋巴、内分泌、消化、肌肉骨骼、泌尿、免疫、生殖、表皮和生殖系统。尽管本公开针对在与心脏有关的病理和病症和/或与脑有关的病理和病症(包括例如冠状动脉疾病和肺循环高压(pulmonaryhypertension)(例如肺动脉高压、左心疾病引起的肺循环高压、肺疾病引起的肺循环高压、慢性血凝块引起的肺循环高压以及其他疾病引起的肺循环高压)以及在此提到的其他与心脏有关的病症和/或疾病和/或与大脑有关的病症和/或疾病)的诊断和治疗中异步噪声的有益量化，但是这种量化也可以应用于其中生物物理信号涉及哺乳动物身体的任何相关系统的任何病理学或病症的诊断和治疗(包括药物治疗)。

骨骼肌相关信号(例如，以肌电图(emg)表征)相对于心脏信号、脑信号等通常被表征为“带内噪声”——即，其通常发生在与所采集的生物物理信号内相同或相似的频率范围内。例如，对于心脏信号，所产生的信号的主要频率分量通常在约0.5hz至约80hz之间。对于脑信号，频率分量通常在约0.1hz至约50hz之间。此外，根据污染程度，与骨骼肌相关的信号也可以具有与典型的基于心脏的波形和基于脑的波形等相同或相似的幅值。实际上，骨骼肌相关的信号与心脏信号、脑部信号等的相似性可能会对生物物理信号的自动诊断分析产生重大问题。因此，对所测量的生物物理信号中的骨骼肌相关的污染和其他异步噪声的水平进行量化对于以下来说至关重要：采集的生物物理信号的质量评估以及自动排除所采集的被污染的信号使其不被用于后续分析，和/或为后续分析提供信息以对污染进行补偿。

在对诸如心脏信号、脑信号等所采集的生物物理信号中的骨骼肌相关信号的水平进行量化时关键观察的是骨骼肌相关信号与心脏信号、脑信号等不同步，因为骨骼肌相关信号和生物物理信号的来源完全不同。例如，心脏信号源自心肌细胞的动作电位的总和，脑信号源自大脑神经元内的离子电流的总和，而骨骼肌相关信号源自原始肌肉(如胸肌、二头肌、三头肌等)的动作电位的总和。这两种来源不太可能共享可以产生同步性的更深层的共同来源。

因此，可以通过如在此所述将采集的生物物理信号和其中的循环与该患者的理想的代表性生物物理信号进行比较来量化骨骼肌相关信号(和其他异步伪影)，所采集的生物物理信号和理想的生物物理信号之间的总体差异可以被解释为所采集的生物物理信号中骨骼肌相关信号污染(和其他异步信号)的贡献。

在一个方面，公开了一种用于从所采集的生物物理信号数据集中滤除异步噪声(骨骼肌伪影噪声和其他异步噪声)的方法，该方法包括：通过处理器接收受检者的生物物理信号数据集；通过所述处理器根据在所接收的生物物理信号数据集中检测到的多个检测到的准周期信号循环，确定所述受检者的代表性准周期信号模式(例如代表性心跳模式)的至少一个模板信号矢量数据集特性；由所述处理器将所述至少一个所确定的模板信号矢量数据集应用于一个或多个降噪矢量数据集，其中，所述一个或多个降噪矢量数据集共同具有与所接收的生物物理信号数据集的要滤波的部分的矢量长度相对应的矢量长度，其中i)所述至少一个所确定的模板信号矢量数据集被应用于被确定为在所接收的心脏信号数据集的要滤波的部分中存在的每个检测到的循环；以及ii)所述至少一个所确定的模板信号矢量数据集的长度是变化的，以匹配所接收的生物物理信号数据集的要滤波的部分的相应检测到的循环的矢量长度；以及通过合并所接收的生物物理信号数据集的要滤波的部分和一个或多个生成的所述降噪矢量数据集，来生成所述生物物理信号数据集的或其一部分的滤波后的生物物理信号数据集(例如，使用基于窗口的操作，该操作在频域中应用所接收的生物物理信号和一个或多个生成的降噪矢量的加权平均值)。

在一些实施例中，该方法还包括：通过所述处理器接收一个或多个附加生物物理信号数据集，每个所述附加的生物物理信号数据集与所述生物物理信号数据集同时从所述受检者采集；通过所述处理器根据在所接收的一个或多个附加生物物理信号数据集中的每个附加生物物理信号数据集中检测到的多个检测到的心跳循环，确定所述受检者的代表性准周期信号模式的至少一个模板信号矢量数据集特性；通过所述处理器针对所接收的一个或多个附加生物物理信号数据集中的每个附加生物物理信号数据集，将多个所确定的模板信号矢量数据集以重复的方式应用于一个或多个降噪矢量数据集，其中，所述一个或多个降噪矢量数据集共同具有与所接收的附加生物物理信号数据集的要滤波的部分的矢量长度相对应的矢量长度，并且其中，i)所述多个所确定的模板信号矢量数据集中的每个模板信号矢量数据集被应用于被确定为在所接收的附加生物物理信号数据集的要滤波的部分中存在的每个检测到的循环，以及ii)所述多个所确定的模板信号矢量数据集中的每个模板信号矢量数据集的长度是变化的，以匹配所接收的附加生物物理信号数据集的要滤波的部分的对应检测到的循环的矢量长度；以及通过合并所接收的生物物理信号数据集的要滤波的部分和一个或多个生成的所述降噪矢量数据集，来生成所述生物物理信号数据集的或其一部分的滤波后的生物物理信号数据集(例如，使用基于窗口的操作，该操作在频域中应用所接收的生物物理信号和一个或多个生成的降噪矢量数据集的加权平均值)。

在一些实施例中，确定所述代表性准周期信号模式的所述至少一个模板信号矢量数据集特性的步骤包括：通过所述处理器确定所接收的生物物理信号数据集或其一部分中特性不同的多个信号特征(例如心脏信号的r峰)；通过所述处理器确定所确定的所述多个信号特征中每个信号特征之间的多个循环区域(例如中值r-r间隔)(例如以mxn矩阵存储，其中m是检测到的循环的数目，n是该中值r-r间隔的约40％)；通过所述处理器使所述多个循环区域中每个循环区域在所述多个信号特征或位于每个所述循环区域中的另一组信号特征的相同方面彼此对准(例如对于心脏信号，特征可以包括q波的初始化、或r波的峰、或通过互相关的延迟估计)；以及通过所述处理器使用针对所述多个循环区域中每组点执行的平均值运算或中值运算来确定所述至少一个模板信号矢量数据集中的每个点。

在一些实施例中，所接收的生物物理信号数据集包括心脏信号数据集，并且其中，所述多个信号特征选自由以下构成的群组：所接收的心脏信号数据集或其一部分中的r峰，所接收的心脏信号数据集或其一部分中的s峰，所接收的心脏信号数据集或其一部分中的t峰，所接收的心脏信号数据集或其一部分中的q峰或所接收的心脏信号数据集或其一部分中的p峰。

在一些实施例中，所接收的生物物理信号数据集包括心脏信号数据集，其中，所述多个信号特征对应于所接收的心脏信号数据集或其一部分中的r峰。

在一些实施例中，确定所述代表性准周期模式的所述至少一个模板信号矢量数据集特性的步骤还包括：通过所述处理器确定从所述多个循环区域中的每个循环区域中得出的归一化参数(例如z分数)。

在一些实施例中，确定所述代表性准周期信号模式的所述至少一个模板信号矢量数据集特性的步骤还包括：通过所述处理器将多个循环区域中的每个循环区域的值或从中得出的参数(例如z分数)归一化为预定比例(例如“0”和“1”或“-1”和“1”之间，或者大于0且小于10的标准偏差值之间)。

在一些实施例中，确定所述代表性准周期信号模式的所述至少一个模板信号矢量数据集特性的步骤还包括：通过所述处理器对所述多个循环区域进行基于聚类的分析(例如pca+dbscan)，以确定是否存在多于一个的主导循环形态，其中，针对每个确定的主导循环形态确定模板信号矢量。

在一些实施例中，所述多个循环区域包括彼此相邻的循环。

在一些实施例中，彼此相邻的所述循环彼此部分重叠。

在一些实施例中，彼此相邻的所述循环彼此不重叠。

在一些实施例中，通过使用来自所述多个循环区域的两组或多组循环的两个或多个模板信号矢量数据集来生成所述滤波后的生物物理信号数据集，其中，所述多个循环区域的所述两组或多组循环彼此相邻。

在一些实施例中，在采集所述生物物理信号(例如心脏信号、肺信号、脑信号)时，几乎实时地生成所述滤波后的生物物理信号数据集。

在一些实施例中，在完全采集了所述生物物理信号之后，生成所述滤波后的生物物理信号数据集。

在一些实施例中，所述一个或多个降噪矢量数据集被布置为一维矢量。

在一些实施例中，所述一个或多个降噪矢量数据集被布置为n维矢量，其中，n对应于被确定为在所接收的生物物理信号数据集的要滤波的部分中存在的检测到的循环的数目。

在一些实施例中，将所述多个所确定的模板信号矢量数据集应用于一个或多个降噪矢量数据集的步骤包括：通过所述处理器将所述一个或多个降噪矢量数据集初始化为一维矢量，该一维矢量的长度与所接收的生物物理信号的要滤波的部分的长度相对应；以及通过所述处理器以一维矢量复制所确定的模板信号矢量，以便将与所确定的模板信号矢量的峰(例如r峰或心脏信号)相关联的至少一个数据点与在所接收的要滤波的生物物理信号中确定的每个峰(例如r峰)对准。

在一些实施例中，在所述复制步骤期间，相对于先前复制的模板信号矢量数据集的、与当前复制的模板信号矢量数据集有冲突的对应部分，为所述当前复制的模板信号矢量数据集的冲突部分分配平均值。

在一些实施例中，在所述复制步骤期间，当前复制的模板信号矢量数据集与先前复制的模板信号矢量数据集之间的一维矢量中的空白区域存储有在所述空白区域周围的最后一个填充值和下一个填充值之间内插的值。

在一些实施例中，所述基于窗口的操作包括：通过所述处理器通过具有预定窗口长度的多个窗口函数，缩放所接收的生物物理信号数据集的要滤波的部分，以生成修改后的生物物理信号数据集；通过所述处理器通过所述多个窗口函数缩放一个或多个生成的所述降噪矢量数据集，以生成修改后的降噪矢量数据集；通过所述处理器确定所述修改后的降噪矢量数据集的包络(例如使用低通滤波器)；通过所述处理器通过fft运算，将所述修改后的降噪矢量数据集和所接收的生物物理信号数据集的要滤波的部分的包络转换到所述频域；通过所述处理器使用静态插值系数或一组动态插值系数对所述修改后的降噪矢量数据集和所述修改后的生物物理信号数据集的fft包络进行加权平均运算，以生成结果数据集；以及通过所述处理器通过逆fft运算将所述结果数据集转换为时间序列数据集，作为所述生物物理信号的滤波后的生物物理信号数据集。

在另一个方面，公开了一种方法，用于对由一组第一测量设备采集(例如通过去除异步噪声)的第一组数据集和由第二组测量设备(例如被配置为去除某些异步噪声)采集的第二组数据集进行归一化，以使在机器学习操作中所述第一组数据集与所述第二组数据集一起是可分析的。该方法包括：通过处理器接收通过一组第一测量设备采集的受检者的一组生物物理信号数据集(例如，该一组第一测量设备中的每个设备具有相似或相同的噪声性能特性)；通过所述处理器根据在所接收的生物物理信号数据集中检测到的多个检测到的准周期信号循环，确定所述受检者的代表性准周期信号模式的至少一个模板信号矢量数据集特性；通过所述处理器将多个所确定的模板信号矢量数据集或从其群组中选择的矢量应用于一个或多个降噪矢量数据集，其中，所述一个或多个降噪矢量数据集共同具有与所接收的生物物理信号数据集的要滤波的部分的矢量长度相对应的矢量长度，其中i)每个所应用的模板信号矢量数据集被应用于确定为在所接收的生物物理信号数据集的要滤波的部分中存在的每个检测到的循环；以及ii)每个所应用的模板信号矢量数据集的长度是变化的，以匹配所接收的生物物理信号数据集的要过滤的部分的相应检测到的循环的矢量长度；以及生成与所述生物物理信号数据集或其一部分相关联的滤波后的生物物理信号数据集，作为所述生物物理信号的归一化数据集，其中，通过合并所接收的生物物理信号的要滤波的部分和一个或多个生成的所述降噪矢量来生成所述滤波后的生物物理信号(例如，使用基于窗口的操作，该操作在频域中应用所接收的生物物理信号和一个或多个生成的降噪矢量的加权平均值)，其中，与所述第一测量设备采集的生物物理信号相关联的归一化数据集和所述第二测量设备采集的第二数据集一起作为机器学习训练数据集是可分析的(例如，在骨骼肌相关噪声/肌伪影噪声去除的情况下)。

在一些实施例中，所接收的生物物理信号的数据集包括从选自以下群组的传感器(例如在智能设备或手持医学诊断设备)中捕获的数据：12导联表面电位感测电极系统(例如，心电图系统)、心腔内心电图、动态心电图、6导联差分表面电位感应电极系统、3导联正交表面电位感测电极系统和单导联电位感测电极系统。

在一些实施例中，所接收的生物物理信号的数据集包括宽带生物心脏相位梯度心脏信号数据(例如采样频率在约1khz以上、约10khz以上、约40khz以上、约80khz以上、约500khz以上)，所述宽带心脏相位梯度心脏信号数据是从放置在心脏附近的身体表面上的多个表面电极处同时捕获(例如具有小于约100微秒的偏斜)的生物电位信号导出的。

在另一方面，公开了一种用于排除所采集的信号的方法，包括：处理器接收受检者的生物物理信号数据集；所述处理器将所接收的生物物理信号数据集与所述生物物理信号数据集中的代表性准周期信号模式的至少一个模板信号矢量数据集特性进行比较；以及所述处理器基于比较结果排除所接收的生物物理信号数据集。

在一些实施例中，确定所述代表性准周期信号模式的所述至少一个模板信号矢量数据集特性的步骤包括：所述处理器确定所接收的生物物理信号数据集或其一部分中特性不同的多个信号特征(例如心脏信号的r峰)；所述处理器确定所确定的所述多个信号特征中每个信号特征之间的多个循环区域(例如中值r-r间隔)(例如以mxn矩阵存储，其中m是检测到的循环的数目，n是该中值r-r间隔的约40％)；所述处理器使所述多个循环区域中每个循环区域在所述多个信号特征或位于每个所述循环区域中的另一组信号特征的相同方面彼此对准(例如对于心脏信号，特征可以包括q波的初始化、或r波的峰、或通过互相关估计的延迟)；以及所述处理器使用针对所述多个循环区域中每组点执行的平均值运算或中值运算来确定所述至少一个模板信号矢量数据集中的每个点。

在一些实施例中，确定所述代表性准周期信号模式的所述至少一个模板信号矢量数据集特性的步骤还包括：所述处理器对所述多个循环区域进行基于聚类的分析(例如,pca+dbscan)，以确定是否存在多于一个的主导循环形态，其中，针对每个确定的主导循环形态确定模板信号矢量。

在一些实施例中，该方法还包括：所述处理器生成生物物理信号数据集采集失败的通知，其中该通知提示随后采集生物物理信号数据集。

在一些实施例中，该方法还包括：所述处理器通过网络将所接收的生物物理信号数据集传输到外部分析系统，其中所述分析系统被配置为分析所接收的生物物理信号数据以确定病理或临床病症的存在或程度。

在一些实施例中，所述比较包括：确定在所采集的生物物理信号数据集中值或能量超过预定阈值的异步噪声的存在。

在一个方面，公开了一种用于量化所采集的生物物理信号中的异步噪声的方法，该方法包括：处理器接收受检者的生物物理信号数据集；

所述处理器确定所接收的生物物理信号数据集或其一部分中特征不同的多个信号特征(例如心脏信号的r峰)；所述处理器确定所确定的所述多个信号特征中每个信号特征之间的多个循环区域(例如中值r-r间隔)(例如以mxn矩阵存储，其中m是检测到的循环的数目，n是该中值r-r间隔的约40％)；所述处理器使所述多个循环区域中每个循环区域在所述多个信号特征或位于每个所述循环区域中的另一组信号特征的相同方面彼此对准(例如对于心脏信号，特征可以包括q波的初始化、或r波的峰、或通过互相关估计的延迟)；所述处理器使用针对所述多个循环区域中每组点执行的平均值运算或中值运算来确定所述至少一个模板信号矢量数据集中的每个点；以及所述处理器对所述多个循环区域进行基于聚类的分析(例如pca+dbscan)，以确定是否存在多于一个的主导循环形态，其中，针对每个确定的主导循环形态确定模板信号矢量。

公开了一种系统，包括：一个或多个处理器；以及其上存储有指令的存储器，其中由所述一个或多个处理器执行所述指令以使所述一个或多个处理器执行如上所述的方法。

公开了一种其上存储有指令的非暂态计算机可读介质，其中由一个或多个处理器执行所述指令使所述一个或多个处理器执行如上所述的方法。

附图说明

并入本说明书中并构成本说明书一部分的附图例示了实施例，并且与说明书一起用于解释在此所包含的方法和系统的原理。专利或申请文件包含至少一张彩色附图。官方将根据要求以及必要费用支付情况提供带有彩色附图的本专利公开或专利申请公开的副本。

当结合附图阅读下面的详细描述时，可以更好地根据下面的详细描述理解本发明的实施例。附图包括以下图：

图1a是根据例示实施例的、被配置为量化和去除异步噪声和伪影污染以更准确地评估准周期系统中的复杂非线性变化的示例系统的图。

图1b是根据另一例示实施例的、被配置为基于异步噪声和伪影污染的量化来排除所采集的生物物理信号的示例系统的图。

图1c是根据另一例示实施例的、被配置为去除异步噪声和/或排除所采集的生物物理信号的示例系统的图。

图2示出了根据例示实施例的、从所采集的生物物理信号(例如，所采集的心脏信号、所采集的脑信号等)中去除异步噪声的示例性方法。

图3是示出根据例示实施例的、图2的处理的示例实现方法的图。

图4是根据例示实施例的、代表性循环数据集的示例方法的流程图。

图5是根据例示实施例的、用于量化生物物理信号中的异步噪声污染的示例方法的图。

图6是根据例示实施例的、代表性准周期信号模式(例如，所采集的心脏信号中的代表性心跳模式)的代表性循环数据集特性的图。

图7示出了根据例示实施例的、用于生成模板-矢量数据集(例如，在采集的心脏信号中的)的方法的图。

图8是根据例示实施例的原始生物物理信号数据集、生成的生物物理模板-矢量数据集和所得到的去噪的生物物理信号数据集的示例图。

图9示出了根据例示实施例的、用于从生物物理信号数据集(例如，心脏信号数据集)中分割生物物理循环(例如，心动循环)以量化生物物理信号数据集中的异步噪声污染的处理的图。

图10a示出了根据例示实施例的、图4的归一化处理的结果的图。

图10b示出了叠加在用于高噪声信号的一组堆叠循环的顶部的模板信号矢量数据集。

图10c示出了叠加在用于低噪声信号的一组堆叠循环的顶部的模板信号矢量数据集。

图11示出了根据例示实施例的、所生成的循环矩阵的主元分析的示例输出。

图12是根据例示实施例的、基于代表性循环数据集和每个估计的循环的比较而确定的差异分数的分布的图。

图13a、13b和13c示出了根据例示实施例的、从图1a的测量系统采集的示例宽带脑相位梯度信号数据集。

图14示出了根据例示实施例的、在相空间中呈现的图13a-图13c的宽带脑相位梯度信号。

图15是根据例示实施例的、用于将由第一组生物物理信号测量设备采集的第一组数据集和由第二组生物物理信号测量设备采集的第二组数据集归一化的方法，从而使得所述第一组数据集与所述第二组数据集可以在机器学习操作中可一起分析。

图16是根据本公开的实现方式的、由非侵入式心脏评估系统进行分析的示例方法。

具体实施方式

在此描述的每个特征以及两个或更多个这样特征的每个组合都包括在本发明的范围内，只要这种组合中包括的特征不相互矛盾。

示例系统

图1a是根据例示实施例的、被配置为量化和去除异步噪声(例如骨骼肌相关的伪影噪声污染)并使用这种量化来更准确地评估准周期系统中的复杂非线性变化的示例系统100的图。如本文所使用的，术语“去除”是指改善或有助于后续分析的任何有意义的噪声污染的减小(全部或部分地)。

在图1a中，非侵入式测量系统102通过任意数量的测量探针114(在图1的系统100中显示为包括六个探针114a、114b、114c、114d、114e和114f)从受检者106采集多个生物物理信号104(例如，相位梯度生物电位信号)，以产生相位梯度生物物理信号数据集108，该相位梯度生物物理信号数据集108可用于非侵入式生物物理信号评估系统110(在图1中标记为“非侵入式生物物理信号评估系统”110)以确定临床输出112。在一些实施例中，临床输出包括疾病的存在与否的评估和/或研究中的生理系统的估计的生理特征。

在一些实施例中，并且如图1a所示，系统102被配置为从通过前端放大和数字化操作116生成的所采集的生物物理信号数据集117中去除异步噪声污染(例如，经由处理118)。去除操作118是基于对潜在存在于所采集的信号114中的异步噪声的量化。一旦例如根据所采集数据集的一些样本建立了代表性循环数据集，就可以几乎实时地执行去除异步噪声的处理118。在一些实施例中，可以使用几百个样本来建立代表性循环数据集。在其他实施例中，可以使用几千个样本来建立代表性循环数据集。

在一些实施例中，测量系统102包括基于生物电位的测量系统，其被配置为采集宽带生物电位生物物理信号。在心电图情形中，测量系统102被配置为捕获哺乳动物受检者(例如人)的与心脏有关的生物电位或电生理信号作为宽带心脏相位梯度信号。在公开号为2017/0119272的美国申请和申请号为15/248,838的美国专利申请中描述了测量系统102的示例，其通过引用整体并入于此。

在一些实施例中，捕获宽带生物电位生物物理信号作为未滤波的哺乳动物电生理信号，从而使得该信号的频谱分量不变。实际上，宽带生物电位生物物理信号是在未经滤波(例如，通过硬件电路和/或数字信号处理技术等)(例如，在数字化之前)的情况下被获取、转换甚至分析的，否则所述滤波可能会影响感兴趣的生物物理信号的相位线性。在一些实施例中，以微伏或亚微伏分辨率捕获宽带生物电位生物物理信号，其等于或显著低于常规心电图和其他生物物理信号采集仪器的本底噪声。在一些实施例中，以小于约1微秒的时间偏斜或“滞后”，同时采样宽带生物电位生物物理信号，在其他实施例中，以不大于约10飞秒的时间偏斜(temporalskew)或“滞后”同时采样宽带生物电位生物物理信号。值得注意的是，该示例性系统使所采集的宽带相位梯度信号中的非线性失真(例如，可以经由某些滤波器引入的非线性失真)最小化，从而不影响其中的信息。

如上所述，测量系统102可以用于捕获其他哺乳动物生物电位或电生理信号，例如，脑/神经生物电位信号或与如本文其他地方所述的各种生物系统相关的其他哺乳动物生物电位信号。

仍然参考图1a，评估系统110被配置为(例如，通过网络)接收所采集的生物物理信号数据集108(例如，在一些实施例中被去噪的生物物理信号数据集)，并通过转换操作120(标记为“相空间转换”120)来生成一个或多个三维矢量心电图数据集122，用于经由例如机器学习操作和/或预测器操作(显示为步骤124)来分析相位梯度生物物理信号数据集108。下面以及在公开号为2013/0096394的美国申请中讨论了转换操作和机器学习/预测器操作的示例，其全部内容通过引用整体并入于此。

在一些实施例中，测量系统102被配置为评估所采集的生物物理信号的信号质量并基于这种评估来排除所采集的信号数据集。图1b是根据另一例示实施例的、被配置为基于异步噪声和伪影污染的量化来排除(reject)所采集的生物物理信号的示例系统的图。在一些实施例中，测量系统102被配置为基于异步噪声的量化来执行异步噪声去除操作118和信号质量评估操作130。

因为在一些实施例中，在与测量系统102分离的系统上(例如，通过评估系统110)对所采集的生物物理信号108进行临床分析，所以信号质量检查确保了所采集的生物物理信号数据集108适合于随后的临床分析。接近实时的操作可以促进非侵入式测量系统102提示重新采集生物物理信号数据集，从而确保了所采集的生物物理信号数据集在其被进一步处理和分析或可用于进一步处理和分析以进行临床评估之前不被异步噪声污染(例如与骨骼肌相关的噪声)。

在一些实施例中，信号质量评估操作接近实时地被执行的，例如小于约1分钟或小于约5分钟，这样，系统可以提示重新采集生物物理信号数据集。接近实时的评估允许在患者离开进行测试的测试室之前重新采集生物物理信号数据集。

在一些实施例中，非侵入式测量系统102被配置为生成关于生物物理信号数据集采集失败或采集不合适的通知126(在图1b中标记为“显示失败的信号质量评估”126)，其中，该通知提示重新采集另一组生物物理信号数据集。该通知可以是提供给患者附近的技术人员的视觉输出、音频输出或触觉输出。

在一些实施例中，被排除的生物物理信号数据集可以被存储(128)，用于进一步对缺陷(其导致所采集的信号被排除)进行故障排除分析(132)。为此，被排除的生物物理信号数据集不用于产生临床输出结果112的后续分析(例如120、124)。

图1c是根据另一例示实施例的示例系统100的图，该系统100被配置为对诸如骨骼肌相关的伪影噪声污染之类的异步噪声进行量化，并使用这种量化来去除此类污染和/或排除所采集的生物物理信号。在图1c中，评估系统110被示为配置成通过排除所接收的生物物理信号数据集和/或从所接收的生物物理信号数据集中去除异步噪声来进一步预处理(134)所接收的生物物理信号数据集108。可以执行预处理操作132以代替异步噪声去除操作118(如在测量系统102上执行的)和/或信号质量评估操作130(如在测量系统102上执行的)，或作为该异步噪声去除操作118和/或该信号质量评估操作130的附加质量操作。

异步噪声去除

图2示出了根据例示实施例的、从采集的生物物理信号中去除异步噪声的示例方法118。如图2所示，方法118包括以下步骤：由处理器接收(步骤202)受检者106的生物物理信号数据集(例如，数据集108)。如上所述，去除操作118可以由测量系统102和/或评估系统110执行。对于心脏信号，可以使用手持式设备或其他设备收集患者的静息胸腔(restingthoracic)生理信号，例如，从沿与x、y和z通道相对应的三个正交轴排列的一组六个探针或电极(例如探针114a-114f)收集患者的静息胸腔生理信号。作为非侵入式测量系统102的一部分的电极可以采集相位梯度生物物理信号数据集108，而无需使用电离辐射、造影剂、运动或药理应激源(pharmacologicstressor)。在一些实施例中，非侵入式测量系统102以大约8khz采样大约30秒至大约1400秒之间的持续时间，优选地采样大约210秒。所采集的数据点作为数据集108的一部分传送到评估系统110，并由其中的分析引擎采用机器学习的算法/预测器进行评估。

其他常规电极组和电图(electrographic)采集方法可以用于在此所公开的方法和系统。

仍参考图2，方法118进一步包括通过处理器根据在所接收的心脏信号数据集(例如，集合108)中检测到的多个检测到的心跳循环，确定(步骤204)受检者的代表性心跳模式的至少一个模板信号矢量数据集(也称为“代表性矢量数据集”)特性。

仍然参考图2，方法118还包括通过处理器将所确定的模板信号矢量数据集应用于一个或多个降噪矢量数据集。在一些实施例中，将模板信号矢量数据集应用于被确定为在所接收的生物物理信号数据集(例如，数据集108)的要滤波的部分中存在的每个检测到的循环。在一些实施例中，模板信号矢量数据集的长度是变化的，以匹配所接收的生物物理信号数据集(例如，数据集108)的要滤波的部分的相应检测到的循环的矢量长度。去噪矢量数据集共同具有与所接收的生物物理信号数据集(例如，数据集108)的要滤波的部分的矢量长度相对应的矢量长度。

仍然参考图2，方法118还包括通过处理器通过合并所接收的生物物理信号数据集(例如，数据集108)的与要滤波的部分相对应的部分和所述一个或多个生成的降噪矢量数据集，来生成(步骤208)所采集的生物物理信号的或者其一部分的滤波后的生物物理信号数据集(也称为去噪的信号数据集)。在一些实施例中，使用基于窗口的操作执行合并操作，该基于窗口的操作在频域中应用所接收的生物物理信号数据集(例如，数据集108)和所述一个或多个生成的降噪矢量数据集的加权平均值。

在其他实施例中，合并操作在时域中执行。

图3是示出根据例示实施例的、图2的处理的示例实现方法118的图。方法118包括通过处理器根据在所接收的(一个或多个)生物物理信号(或与其相关的数据集)中检测到的多个检测到的准周期信号循环，创建(步骤302)一个或多个代表性循环数据集，每个数据集表征受检者的代表性准周期信号模式。对于心脏信号，可以将代表性准周期信号模式表征为代表性心跳模式。如此处中所使用的，术语准周期通常是指以至少两个频率分量循环的信号系统的特性，该两个频率分量的比率不是有理数。代表性循环数据集在本文中也称为模板信号矢量数据集。图4是根据例示实施例的代表性循环数据集的示例方法的流程图。图6是代表性准周期模式(例如，所采集的心脏信号中的代表性心跳模式)的代表性循环数据集602(示为602a、602b)特性的图。在随后的部分中将讨论图4和图6。

仍然参考图3，步骤304至步骤312描述了一个示例，用于由处理器将模板信号矢量数据集(例如，代表性循环数据集)应用于所述一个或多个降噪矢量数据集(例如，模板信号矢量数据集)以生成去噪的信号数据集。如图3所示，步骤304包括初始化“模板矢量”数据集，其长度与输入的原始信号数据集的长度相对应。即，初始化的模板矢量数据集的长度与输入的原始信号数据集的长度相同。例如，在210秒的时间段上以8khz采集的原始信号数据集经由步骤304针对每个采集的数据通道产生具有1,680,000个样本的长度的模板矢量数据集。

步骤306包括通过处理器用(一个或多个)代表性矢量数据集填充(populating)所述模板矢量数据集。也就是说，在一些实施例中，针对原始信号数据集中的每个检测到的循环，方法118包括在模板矢量数据集中放置或复制所述代表性矢量数据集602。放置每个代表性矢量数据集602，以使代表性矢量数据集602的确定的峰(例如r-peak)与每个检测到的循环的相应峰(例如r-峰值)以相同或相似的时间索引对准。

图7示出了根据例示实施例的由处理器生成模板矢量数据集的方法的图700。在图7中，图700包括：i)填充有代表性矢量数据集602(示出为704a、704b、704c、704d、704e和704f)的模板矢量数据集702的图，以及ii)对于给定的测量通道，所接收的生物物理信号数据集(例如，数据集108)的图，其中识别出了检测到的循环。如图7所示，代表性矢量数据集(例如704a-704f)被放置在模板矢量数据集702中/在模板矢量数据集702中复制，使得代表性矢量数据集(例如704a-704f)的峰(例如，与采集的心脏信号中的r峰(每个峰示为706a-706f)相对应的最大峰)与生物物理信号数据集108的峰对准。

有可能存在一个以上的代表性矢量数据集，每个代表性矢量数据集对应于评估的准周期信号模式(例如，心脏信号的心跳模式)。当存在一个以上代表性循环数据集时，在一些实施例中，方法118还包括放置被选择为与原始信号数据集中的给定当前循环相对应(即，更紧密匹配)的代表性循环数据集。

仍然参考图7，当在模板矢量数据集702中放置或再现(reproducing，复制)代表性循环数据集602时，如果放置的代表性循环数据集与模板矢量数据集中的现有数据冲突，则对现有数据样本的重叠部分(在图7中示为708a、708b)和新数据样本的重叠部分进行平均。如果在模板矢量数据集702中存在间隙(例如，示出为710a、710b)，则间隙(例如，710a、710b)可由处理器填充在模板矢量数据集中，其中数据值例如通过可选的插值操作(例如，在空白区域周围的最后一个填充值和下一个填充值之间)来确定，在图3中示为步骤308。

一旦已经创建了模板矢量数据集702，方法118包括通过处理器启动去噪处理(图3中的步骤310)。在一些实施例中，步骤310包括选择在其上执行去噪操作的窗口的窗口尺寸以及插值系数的值以控制模板矢量数据集对原始信号数据集的影响。

在一些实施例中，每个窗口具有约0.25秒的窗口尺寸。在其他实施例中，使用小于约0.25秒的窗口尺寸。在其他实施例中，使用大于约0.25秒的窗口尺寸。

在一些实施例中，插值系数的静态值约为0.75(即，归因于模板矢量数据集的影响约为原始信号数据集的影响的三倍)。在其他实施例中，插值系数的值小于约0.75。在其他实施例中，插值系数的值大于约0.75。可以基于消除噪声相对于维持信号可变性的需求来评估插值系数和窗口尺寸的值。在一些实施例中，允许窗口尺寸或插值系数例如基于信号的评估而动态变化，例如，相对于信号中自动量化的污染(例如，与骨骼-肌肉相关的污染)的水平而变化。

仍然参考图3，步骤310包括初始化将最终成为降噪信号数据集114的空白/空矢量数据集。在一些实施例中，初始化的降噪信号矢量数据集的样本数量与感兴趣的原始信号数据集114的样本数量相同，即，在随后的机器学习分析中将使用的原始信号114的相同数量的样本。

仍然参考图3，步骤312包括由处理器针对在其上执行降噪操作的每个窗口创建窗口函数。在一些实施例中，对于每个窗口，步骤312包括创建以窗口的中间部分为中心的汉明窗口(hammingwindow)数据集。当汉明窗口数据集未放置在信号数据集的确切中间样本处时，汉明窗口数据集相对于整个信号数据集不对称地放置，从而使与窗口的中间位置距离相等的样本在汉明窗口数据集中具有相等的值。在一些实施例中，窗口函数通过减少在数据的fft操作期间可能发生的泄漏的影响，来增强fft操作从信号提取频谱数据的能力。无论如何，窗口函数都可以衰减或去除高频成分，该高频成分是由于使用窗口进行分析和数据离散化时的不连续性而导致的。可以应用其他类型的窗口函数，包括例如hann窗口、blackman窗口、harris窗口、正弦窗口、nuttall窗口、三角窗口及其组合等。步骤312还包括将原始信号数据集108和填充的模板矢量数据集702中的每一个与窗口函数相乘以生成修改后的原始信号数据集和修改后的模板矢量数据集。

仍参考图3，方法118包括由处理器通过对数据集执行低通滤波操作来计算(步骤314)修改后的模板矢量数据集的包络。在一些实施例中，使用巴特沃思滤波器(butterworthfilter)。在一些实施例中，巴特沃思滤波器是具有0.025的归一化截止频率的5阶滤波器。在一些实施例中，使用切比雪夫滤波器。

步骤316包括处理器对修改后的模板矢量包络数据集和修改后的原始信号数据集中的每一个执行快速傅里叶变换(例如，离散fft)，以将它们中的每一个变换到频域。

步骤318包括由处理器在频域中将修改后的模板矢量包络数据集和修改后的原始信号数据集合并。在一些实施例中，执行频域中的修改后的模板矢量包络数据集和修改后的原始信号数据集的加权平均运算。在一些实施例中，插值中使用的权重是插值系数，该插值系数最初被设置为控制模板矢量对原始信号的影响。

步骤320包括由处理器执行傅立叶逆变换操作，以将所得数据变换回时域。将所得数据分配为降噪信号数据集的当前窗口。对所有窗口或其一部分重复该处理，以填充降噪信号数据集的其余部分。

图8是原始生物物理信号数据集108(例如，示为“原始信号”108)、所生成的模板矢量数据集702(例如，示为“模板矢量”702)、以及所得的降噪信号数据集802(例如，示为“降噪信号”)的示例图。

如图8所示，原始信号数据集108被噪声(例如，与骨骼肌肉相关的噪声)严重污染。在一些实施例中，模板矢量数据集702的应用完全去除了该噪声，同时保持了qrs波形中的一些高频信息(例如，在时间索引57.8秒周围出现的凹口808处示出的)，但是模板矢量数据集702不包含原始信号数据集中存在的大部分可变性(即，心脏信号可变性)。降噪信号数据集802包括如原始信号数据集108中所包括的可变性(即，心脏信号可变性)信息。

实际上，在此描述的方法包括通过合并所接收的生物物理信号的要滤波的部分(例如，作为修改后的原始信号)和所述一个或多个生成的降噪矢量(例如，作为修改后的模板矢量包络)，来生成心脏信号的滤波后的心脏信号(即，降噪信号)或其一部分。

确定准周期性信号模式的代表性循环

如上所述，图4是用于确定准周期信号模式的代表性循环(例如，心跳模式的代表性循环)的模板信号矢量数据集的方法400的图。方法400可以是生物物理信号(例如，心脏信号、脑信号等)中骨骼肌肉相关伪影和噪声污染的评估或量化的一部分。

如图4所示，方法400包括：首先，由处理器检测(步骤402)整个生物物理信号数据集(例如数据集108)或其一部分的峰(例如，与心脏信号的最大去极化相对应的r峰)。在一些实施例中，使用pan-tompkins算法来检测峰，例如，pan&tompkins在ieeetransactionsonbiomedicalengineering的1985年的第32-3卷、第230-236页公开的“arealtimeqrsdetectionalgorithm”，其通过引用整体并入本文。在其他实施例中，可以使用其他算法来检测心脏信号数据集中的峰。例子包括makwana等人在《internationaljournalofelectricalandcomputerengineering国际电气与计算机工程杂志》，第2卷第5期，第639页(2012)的“hilberttransformbasedadaptiveecgr-peakdetectiontechnique”中所描述的，lee等人在《annalsofbiomedicalengineering生物医学工程学》，44(7)，2292-3201(2016)的“smartecgmonitoringpatchwithbuilt-inr-peakdetectionforlong-termhrvanalysis”中所描述的；和kim等人在matecwebofconferences，54，10001(2016)上提出的人工神经网络“detectionofr-peaksinecgsignalbyadaptivelinearneuron(adaline)”中所描述的，其每一个均通过引用整体并入本文。

在一些实施例中，该系统被配置为评估生物物理信号数据集(例如，数据集108)中的循环数和循环边界，随后，所确定的相邻循环的分组中的循环子集用于确定代表性循环的模板信号矢量数据集。在一些实施例中，系统被配置为评估整个生物物理信号数据集或期望被分析的部分中的循环的边界。在其他实施例中，系统被配置为针对生物物理信号数据集(例如，数据集108)的感兴趣的部分中的预定义数量的相邻循环，评估循环的边界。

在一些实施例中，相邻/邻近循环可以被定义为围绕一组确定的循环的中间循环的±1、2，..10个循环。在其他实施例中，相邻/邻近循环可以被定义为相对于一组确定的循环的开始循环的+1、2，..20个循环。在其他实施例中，相邻/邻近循环可以被定义为相对于一组确定的循环中的最后一个循环的-1、2，..20个循环。

为此，可以生成多个模板信号矢量数据集，将每个模板信号矢量数据集分别应用于用来生成它的循环。例如，在邻域分组1由循环1…10组成并得出模板矢量#1的情况下，仅针对模板矢量#1评估循环1-10的分析(例如，如本文所述)；在邻域分组2由循环5...15组成(例如，具有一些循环并得出模板矢量#2)的情况下，则针对模板矢量#1和模板矢量#2评估循环5-10的分析(例如，如本文所述)(例如，通过矢量#1和#2的平均值)；在邻域分组3由循环10...20组成(例如，具有一些循环并得出模板矢量#2)的情况下，则针对模板矢量#2和模板矢量#3评估循环10-15的分析(例如，如本文所述)(例如，通过矢量#2和#3的平均值)。

实际上，在一些实施例中，执行分析直到已经评估了所有心动循环(例如3.5分钟的psr记录x60bpm＝210)或生物物理信号数据集的感兴趣的部分。

该邻域方法可以通过仅将局部循环并入模板中来降低对长期变化的敏感性，但是由于所使用或分析的分量循环较少，也可能降低对噪声的鲁棒性。实际上，使用完整记录可以捕获整个数据集中的自然心脏变化，但也可以在模板和测试心动循环之间产生基于非噪声的偏差。通过使用邻域(但在相邻分组中)中的所有信号，仍然可以评估所有信号(以及所采集信号的固有变化)，并且可以局部提高灵敏度。

邻域大小的数目可以是10，例如，如上所述，或者它可以是用户定义的参数。在一些实施例中，基于信号中的一些评估变化来确定邻域大小。实际上，邻域大小的数目可以是2、3、4、5、6、7、8、9、10。在一些实施例中，邻域大小的数目可以大于10，例如，在10或15之间。在一些实施例中，邻域大小的数目可以大于15，例如在15-25之间。在一些实施例中，邻域大小的数目可以大于25，例如在25-50之间。

在一些实施例中，循环的邻域或分组由偏移大小定义。在一些实施例中，偏移大小是从一个循环中的参考点到下一循环的索引计数中的距离。参考点可以是循环中的中间点、起点或终点。在上面的示例中，在从1..10、5..15、10..20等中定义循环的情况下，偏移量大小为5(每个参考点位于起点、中间或终点)。

在一些实施例中，取决于偏移量大小和邻域大小，每个给定循环可以具有一个或多个与其相比的模板信号矢量数据集，以针对该模板信号矢量数据集确定度量(例如，均值、中位数、众数、以及所讨论的其他度量)。然后可以将度量组合起来，以提供该模板信号矢量数据集的修改的分数。

例如，可以将模板信号矢量数据集定义为在给定的定义循环的中间处定义的参考点的前和后相邻点。可以仅基于前和后相邻点(而不是基于在循环中间定义的参考点)来生成模板信号矢量数据集(例如，基于均值、众数、中位数等)。一旦生成了模板信号矢量数据集，就将模板信号矢量数据集与给定定义循环的中间部分进行比较，以确定该分数的分数。

在一些实施例中，在后续循环的分数被组合的情况下，分析可以是迭代的。例如，在循环#1中，为循环#2确定分数#1。然后，对于循环#2，基于仅根据循环#2确定的局部分数确定分数#2，然后将该局部分数与来自循环#1的分数相组合。然后，对于循环#3，基于仅根据循环#3确定的局部分数来确定分数#3，然后将该局部分数与来自循环#1和#2的分数相组合。该迭代分析可以应用于感兴趣的输入数据集的全部或部分。

实际上，系统可以选择仅将模板应用于例如邻域的确切中心处的单个循环。如所讨论的，然后针对单个模板评估每个单个循环，并且该单个模板在所有可能的模板中都是唯一的。这种类型的分析提供了查看循环的局部效应的不同优势。

方法400包括由处理器使用(步骤404)检测到的峰位置以确定中值峰-峰间隔(例如，心脏信号的中值r-r峰)并在每个峰(例如，心脏信号的r峰)周围设置循环区域。对于心脏信号，循环区域设置在r峰周围，且包括p波和t波的完成两者。图9示出了处理器从生物物理信号数据集中分割生物物理信号循环以量化生物物理信号数据集中的骨骼肌相关噪声污染的处理的图。如图9所示，检测到的峰位置(例如，示为902a-902g)用于确定中值峰-峰间隔(例如，以904a-904g所示的心脏信号的中值r-r峰)并且在每个峰(例如，以908a-908g所示的心脏信号的r峰值)周围设置循环区域(例如，示为906a-906f)。图9进一步示出了，循环区域被设置在r峰周围并且包括心脏信号的p波(例如，示为910a-910g)和t波的完成(例如，示为912a-912g)。在一些实施例中，范围在中值间隔(例如，示为912a、912b)的大约-20％到大约+20％。处理器可以将每个循环区域(例如906a-906f)存储在矩阵中(也称为“循环矩阵”)。循环矩阵可以是mxn，其中m是检测到的循环数，n是中值峰-峰间隔(例如，心脏信号的中值r-r间隔)的40％，其中峰-峰间隔的40％表示循环的整个时间“宽度”。具体地，一旦在整个数据集中获知中值峰-峰间隔(例如，心脏信号的中值r-r间隔)，就可以将信号分为两半，例如获得在时间上到达峰(例如r峰)前后的“20％”以捕获其他波(例如心脏信号的t波和p波)。当然，其他循环区域长度也可以用于心脏信号以及脑信号中各种不同的波等等。

参照图4，方法400包括由处理器将每个循环归一化(步骤406)以去除任何偏移。图10a示出了根据例示实施例的图4的归一化处理的结果的图。在图10a中，处理器将生物物理信号数据集(例如，数据集108)的每个循环区域(例如，906a-906f)归一化以去除任何偏移，使得每个循环区域的平均值为零。如图所示，归一化的心脏信号数据集可以具有“1”到“-1”的范围，但是该范围可以根据数据的分布而变化。

在一些实施例中，对中操作(centeringoperation)包括在多个波形中对相同特征(例如，峰)进行时间对准的操作。这些特征的示例包括对于心脏信号而言的q波的发起，r波的峰或通过互相关运算确定的延迟估计等。在一些实施例中，幅值归一化操作使用qrs波形的特征作为确定增益项的基础(例如，可以在qrs之前采取短平均值)。

在其他实施例中，根据z分数将每个循环归一化。可以将模板信号矢量数据集中给定数据点的z分数值计算作为给定数据点的值与一组循环的平均值之间的差值，然后通过该给定数据点与该组循环的相同索引数据值之间的标准偏差将该差值归一化。在一些实施例中，可以将z分数输出作为循环可变性得分。循环可变性可以指所采集的生物物理数据集中的循环之间的可变性的程度，其可以归因于异步噪声等等。

仍然参考图4，方法400进一步包括处理器对所生成的循环矩阵执行主分量分析(pca)，以提取前两个主分量。图11示出了对所生成的循环矩阵执行的主分量分析操作的示例输出。

仍然参考图4，方法400还包括由处理器对主分量分析的输出执行聚类操作(步骤410)。可以使用的聚类操作的示例包括在第二届知识发现和数据挖掘国际会议的论文集，第226-231页发表的ester、kriegel、sander、xu的“adensity-basedalgorithmfordiscoveringclusteringinlargespatialdatabaseswithnoise”中描述的dbscan算法，其通过引用整体并入本文。在一些实施例中，聚类操作被配置为对前两个pca分量执行，在一些实施例中，其表示二维空间中的循环。如果该算法检测到代表10％以上的循环总数的第二个主导的聚类(cluster)，则表明存在第二个主导的循环形态，例如心室过早收缩。请注意，根据dbscan的识别，图11不包含多个不同的循环形态。由于信号中的emg级别，因此数据集在视觉上看起来具有两个级别。

仍参考图4，方法400包括由处理器基于与(例如，由dbscan检测到的)主导pca聚类相对应的全部或一些循环，来提取(步骤412)代表性循环。可以以一种或几种方式提取代表性循环，每种方式具有不同的特性。在一些实施例中，代表性循环中的每个数据点将体现基础(underlying)分布，其中该分布由所有m个循环中的该时间点组成。例如，取平均值(对于每个n，在所有m个点上)具有低通滤波效应(去除高频信息和噪声)，而取中值则以非线性方式保留高频信息。压缩技术的不同影响(均值与中值)是由于改变基础分布而导致的。如果m点呈正态分布，则均值和中位数具有相同的结果，但随着更复杂的分布(例如具有非零偏度的那些分布，尤其是与负峰度的组合，或存在多峰性)而开始有所不同。

如上所述，图6示出了对于相同基础循环的示例平均值代表循环(例如602a)和中值代表性循环(例如602b)。观察到碎片(例如，在中值循环中保留但在平均值循环中被去除的高频成分，例如箭头604所示)保留在中值循环中，在3000-3500个样本之间，而平均值循环已去除该特征(604)。此外，在整个代表性循环中，一些高频噪声在中值搏动(medianbeat)中会看到，但在平均值搏动(meanbeat)中看不到。使用中值运算可保留高频特征，该高频特征由于qrs形态随时间的变化或由于与搏动检测对准相关的时间拖尾(timesmearing)而在平均值表示中可能不存在。另外，可以使用函数描述分布。这种函数将创建可以去除期望去除的特性或者增强需要保存的特性的频谱遮罩(mask)(例如，基础分布的内核密度估计的模式)。

换句话说，平均搏动(meanbeat)可用于生成循环的“更清洁的”的表示(即，较少的高频成分，其中高频成分包括信号和噪声特性)，而中值搏动包含高频成分。根据情况，这些方法之一可以是更适当的。例如，当i)期望确保捕获并保持生物物理信号特性的高频分量以进行分析时(即使存在一些可能使分析模糊的高频噪声也是如此)，或者ii)信号中的高频噪声很小或很低时，可以使用中值搏动。

确定准周期信号循环的代表性循环的图4的处理可以是对所采集的生物物理信号中的骨骼肌相关噪声和其他异步噪声污染进行量化的大量研究的一部分。

在一些实施例中，作为一组窗口内的相邻窗口的所得窗口的各部分被组合和评估(例如，以生成模板信号或用于排除信号)。图10b示出了叠加在用于高噪声信号的一组堆叠循环的顶部上的模板信号矢量数据集。图10c示出了叠加在用于低噪声信号的一组堆叠循环的顶部上的模板信号矢量数据集。图10a基于单个psr记录，并且图10b基于第二单个psr记录。

一旦识别出循环(例如，在这些情况的每一种中)，则可以堆叠(即，在彼此之上绘制或布置)所识别的循环。例如，将循环1数据点1放在x＝1处，将循环1数据点6000放在x＝6000处；然后将循环150(例如)数据点1也放置在x＝1处，并将循环150数据点6000也放置在x＝6000。

在图10b和10c中示，一旦将数据堆叠，就可以生成与用于给定循环的模板相对应的模板信号矢量数据集702。

值得注意的是，图10b和10c示出了实施例的中间输出。图10b示出了该技术能够在噪声非常高的情况下提取有意义的模板矢量(在这种情况下，典型循环在视觉上不明显)，而图10c示出了该技术在理想条件下能够提取典型循环。

生物物理信号中骨骼肌伪影噪声污染的量化

图5是根据例示实施例的由处理器量化所采集的生物物理信号中的骨骼肌相关伪影噪声污染的示例方法500的图。

方法500包括如图4所讨论的步骤402-412，并且还包括由处理器量化所确定的代表性循环数据集与(一个或多个)原始信号数据集之间的差的分布的步骤。

方法500还包括将原始信号数据集循环中每个检测到的循环与代表性循环数据集进行比较。通过首先将代表性循环与所检查的每个循环进行相位对准(步骤502)来执行该比较。在一些实施例中，使用诸如找到互相关的最大值的方法。

比较还包括确定(步骤504)代表性循环数据集与所检查的相位对准的循环之间的差异。在一些实施例中，使用诸如两个信号之间的相关性的方法。在其他实施例中，使用中值绝对误差。在其他实施例中，使用平均值绝对误差。如果存在一个以上代表性循环数据集(例如，其通过对二维pca输出进行聚类而检测到)，则使用与给定循环最匹配的相应代表性循环数据集。

比较还包括基于差异分数(该差异分数是例如使用基于分布的滤波器确定的)来区分外部循环(outlyingcycle)和内部循环(inlyingcycle)(步骤506)。在一些实施例中，基于分布的滤波器被配置为识别标准偏差比平均值大1的循环。图12是基于代表性循环数据集和每个估计循环的比较而确定的差异分数作为循环指标的函数的分布的图。如图12所示，将内部循环识别为(例如，在用1202表示的区域内)在分布的平均值的一个标准偏差内(如线1204所示)，并将外部循环识别为(例如，由1206表示的区域中)在与平均值距离一个标准偏差区域之外。对于骨骼肌相关噪声对生物物理信号的污染的最终评估可以通过采用内部差异分数的代表值(例如平均值或中位数)来进行。

在不希望受限于特定理论的情况下，外部循环的存在可以归因于若干因素，包括由所研究的生物物理信号和基础生理系统的生理可变性引起的噪声。对于心脏信号，外部循环可能归因于去极化或复极化循环的长度和/或能量的变化，等等。

讨论

如上所述，对生物物理信号(例如心脏信号)中的异步噪声污染(例如骨骼肌相关伪影和噪声污染)的量化可能很复杂。例如，与骨骼肌相关伪影和噪声可能显示为相对于生物物理信号的带内噪声，也就是说，它可以在与生物物理信号的主导分量相同的频率范围内发生，对于心脏信号通常约为0.5hz-80hz，对于大脑信号约为0.1-50hz。此外，emg还可以具有与典型心脏或大脑波形相似的幅值。

骨骼肌相关伪影和噪声污染与生物物理信号的相似性可能导致对此类信号的自动诊断分析有问题，因此，对信号中的骨骼肌相关伪影和噪声污染的水平进行量化可以促使对可能在后续分析中不成功的信号的自动排除和/或在后续分析中补偿此类污染。

当对生物物理信号(尤其是心脏信号)中骨骼肌相关伪影和噪声的水平进行量化时，观察到骨骼肌相关伪影和噪声与生物物理信号不同步。因为两者的来源不同(即，心脏信号源自心肌细胞的动作电位的总和，而emg源自原始肌肉(如胸肌、二头肌、三头肌等)的动作点位的总和，这些来源不太可能共享可以产生同步性的更深层的公共来源。实际上，骨骼肌相关伪影和噪声可以通过比较该患者的每个心动循环与理想化心动循环来量化，其中总体差异可以通过生物物理信号中的骨骼肌相关伪影和噪声污染的存在来解释。

骨骼肌相关伪影和噪声的量化成为问题(例如，骨骼肌相关伪影和噪声在物理信号的带内)，因此骨骼肌伪影和噪声去噪也是挑战。

通过利用与骨骼肌相关的伪影和噪声量化的相同观察，可以生成代表性循环的时间序列数据集，并可以对其进行基于频率的分析或基于时间的分析，以去除或减少与骨骼肌有关的伪影和噪声以及其他异步污染。

实际上，在一些实施例中，可以在频域中执行原始信号的逐样本比较，随后是信号之间的频域降噪操作，以基于根据代表性循环矢量确定的频谱掩膜并使用它来掩盖原始信号在频域中的噪声特征来得出降噪信号。示例性的降噪方法利用了代表性循环中包含的鲁棒信息以及原始数据中包含的有关生物物理信号变化的信息。

以上关于心脏信号说明了示例性的方法和系统。注意，示例性的方法和系统可以应用于脑信号和其他生物物理信号。图13a、13b和13c示出了从图1a的测量系统102采集的示例宽带脑相位梯度信号数据集。图14示出了在相空间中呈现的图13a-13c的宽带脑相位梯度信号。实际上，宽带脑相位梯度信号是准周期系统，并且在这方面类似于心脏宽带心脏相位梯度信号，可以将示例性方法和系统应用到该信号。

装置归一化处理

在另一方面，如在此所述的异步污染去除操作可用于将从多个不同的采集平台采集的心脏信号归一化；例如，在对从此类平台采集的数据进行基于机器学习的疾病关联之前。归一化至少部分是由理论拓扑差异的知识和来自深度学习的见解驱动的。可以将装置归一化处理应用于从多个采集装置(例如，来自两个或多个不同代的采集装置)采集的数据，以提高可改进机器学习训练处理的信号组之间的相似度(如机器学习和电气工程理论所指导的)。

图15是用于对利用第一组生物物理信号测量设备采集的第一组数据集和利用第二组生物物理信号测量设备采集的第二组数据集进行归一化以使得在机器学习操作中第一组数据集可以与第二组数据集一起分析的方法的示意图。如图15所示，利用第一组生物物理信号测量设备(例如，示出为1506)采集第一组受检者(例如，示出为1504)的第一组心脏信号数据集(例如，示出为1502)。利用第二组生物物理信号测量设备(例如，示出为1512)采集第二组受检者(例如，示出为1510)的第二组心脏信号数据集(例如，示出为1508)。

在一些实施例中，如关于图1所述，用处理器处理第一组心脏信号数据集(例如1502)以去除异步噪声污染，从而改进第一组心脏信号数据集和第二组心脏信号数据集之间的相似性，并便于使用第一组心脏信号数据集和第二组心脏信号数据集作为机器学习操作的同一训练数据集。

在一些实施例中，通过处理器处理第二组心脏信号数据集(例如，1508)，以去除异步噪声污染，如关于图1a所述，以便改进第一组心脏信号数据集和第二组心脏信号数据集之间的相似性。

实验结果

进行了涉及两个不同阶段的冠状动脉疾病-学习算法开发(cadlad)研究，以支持机器学习算法的开发和测试。在阶段1中，使用成对的临床数据来指导预处理、特征提取和机器学习步骤的设计和开发。也就是说，将收集的临床研究数据分为三批：训练(50％)、验证(25％)和证实(25％)。类似于上述用于处理来自患者的信号以进行分析的步骤，首先对每个信号进行预处理，以清理和归一化数据。在这些处理之后，从信号中提取一组特征，其中每组特征都与真实情况的表示配对——例如，是否存在显著cad的二进制分类。该阶段的最终输出是在测量系统中实现的固定算法。在cadlad研究的第2阶段中，将使用机器学习算法来提供针对先前未经测试的临床数据的数据池的显著cad的确定。按照美国心脏病学会(acc)临床指南中的定义建立疾病标准，特别是按照血管造影术确定的狭窄程度大于70％或使用流线术确定的小于0.80部分流(fraction-flow)来建立疾病标准。

对于部分研究而言，与早期采集硬件(例如，“gen1”)(例如，测量系统104)相关联的第一组心脏信号数据集被处理以去除异步噪声污染(如关于图1a所描述的)，以便于使用第一组心脏信号数据集和第二组心脏信号数据集(通过后面的采集硬件，例如“gen2”采集)(例如，测量系统104)作为cadlad研究中机器学习操作的训练数据集。示例早期采集硬件(例如，包括单极感测前端)的进一步描述可以在公开号为2017/0119272的美国专利申请中找到，其通过引用整体并入于此，并且后续采集硬件的进一步描述(例如，包括双极性感测前端)可以在美国专利申请第15/911,047号中找到，其也通过引用整体并入于此。

在一些实施例中，评估系统110自动且迭代地探索各种功能排列中的特征的组合，其目的是找到基于特征能够成功匹配预测的那些组合。为了避免对训练数据的解(solution)的过度拟合，将验证集用作比较器。一旦开发了候选预测器，便将其手动应用于证实数据集，以针对尚未用于生成预测器的数据评估预测器性能。如果数据集足够大，则针对证实集的所选预测器的性能将接近于该预测器针对新数据的性能。

图16是根据本公开的实施方式的由非侵入式心脏评估系统110产生和分析相空间体积物体122的示例方法1600。基于本公开，其他实施方式对于本领域的普通技术人员而言将变得显而易见。在一些实施例中，方法1600包括从相位梯度生物物理信号数据集108的原始差分信道信号中去除基线漂移(操作1602)。在一些实施方式中，原始差分信道信号是根据同时由测量系统102采样的六个信号得出的。

在一些实施方式中，从静止的受检者捕获六个同时采样的信号作为原始差分信道信号数据集，其中信号嵌入了所采集信号的导联间定时和相位信息，这对于受检者是特有的。可以使用由其他正交导联对去极化波的相平面的干扰而产生的几何对比度，这可以促进将相空间信息叠加在心脏的三维表示上。无噪声子空间进一步便于观察这些波的相位。也就是说，正交导联的相位携带有关结构的信息，并在图像中产生几何对比度。相位对比(phase-contrast)利用了以下事实：不同的生物电结构具有不同的阻抗，因此光谱和非光谱传导会使得穿过心脏的相空间轨道的轨迹延迟和弯曲不同的量。可以对轨迹的这些细微变化进行归一化和逐次心搏量化以及针对异常或不良的导联放置进行校正，并且可以将归一化的相空间积分映射到几何网格以进行可视化。

在一些实施方式中，将原始差分信道信号数据集归一化，并且使用修改的移动平均滤波器去除基线漂移。例如，在一些实施方式中，使用1500毫秒量级的中值滤波器从每个原始差分信道信号中提取基线漂移，并用1hz低通滤波器进行平滑，以及从信号中减去该基线漂移。然后，通过使用内核平滑函数计算出的最大概率密度减去信号的估计值，从所得的信号中去除偏差。所有信号或其一部分可以除以其各自的四分位距(interquartilerange)，以完成归一化处理。

在一些实施例中，方法1600然后包括通过分解和选择候选基函数的集合以创建稀疏数学模型来重构(操作1604)无噪声模型信号。在一些实施方式中，修改的匹配追踪(mmp)算法用于找到原差分信道信号的无噪声模型。可以使用其他稀疏近似算法，包括但不限于可进化的数学模型、符号回归、正交匹配追踪、lasso、使用循环坐标下降法优化的线性模型、正交搜索，快速正交搜索和循环坐标下降。在一些实施方式中，重构操作504生成模型作为具有基函数的加权和的函数，其中基函数项被顺序地附加到初始为空的基上以近似目标函数，同时减小近似误差。

然后，在一些实施例中，方法1600包括从所选择的基函数和系数中选择(操作506)子空间分量(例如，低能量频率子空间分量)。低能量子空间分量包括通过仅使用对建模误差贡献最小的x％的低幅值子集系数(频率成分)重建的模型。在一些实施方式中，低能量子空间分量包括更高阶的候选项，这些项随后在相空间坐标中被选择，作为信号的稀疏表示的一部分。也就是说，使用通过稀疏近似最后选择的候选项(作为更高阶候选项)的最后5％、10％、15％、20％、25％、30％。可以使用其他百分比值。

在一些实施例中，方法1600然后包括：重建(操作1608)n阶分数微积分结果集的预定义集合(例如，经由数值分数阶微积分运算)以生成三维点云，其部分定义了相空间体积对象122。在一些实施方式中，分数微积分运算基于grünwald-letnikov分数微分方法。在某些实施方式中，分数导数运算基于lubich的分数线性多步方法。在一些实施方式中，分数微积分运算基于分数adams-moulton方法。在一些实施方式中，分数微积分运算基于riemann-liouville分数微分方法。在一些实施方式中，分数导数运算基于riesz分数导数方法。可以使用执行分数微积分的其他方法。

在一些实施方式中，方法1600然后包括执行(1610)三角剖分操作(triangulationoperation)以生成点云的表面特征(即，面部)。在一些实施方式中，对重构的无噪声模型信号执行具有预定半径(α)的alphahull三角剖分。在其他实施方式中，使用delaunay三角剖分、alpha形状、球枢转、网格生成、convexhull三角剖分等。

在一些实施方式中，方法1600然后包括针对点云中的每个顶点计算(1612)一个或多个值。在一些实施方式中，顶点值在可呈现的颜色范围内缩放。在一些实施方式中，顶点值是建模的信道数据集(例如，x轴数据集、y轴数据集或z轴数据集)和基线原始信道数据集(例如，相应的x轴数据集、y轴数据集或z轴数据集)之间的方差。在一些实施方式中，通过将基线原始信道数据集的数据点与建模的信道数据集的对应数据点相减来确定该方差。在一些实施方式中，建模的信道数据集基于基线原始信道数据集的稀疏近似，以生成基线原始信道数据的重构无噪声信号。在一些实施方式中，为相空间体积对象122的每个面分配在相邻的边界顶点颜色值(例如3个边界顶点颜色)之间三角插值的面颜色值。

在一些实施方式中，捕获相空间体积对象122的各种视图，以作为计算出的相空间断层图像呈现，例如经由网络门户呈现给医师，以辅助医师评估肺动脉高压是否存在。在一些实施方式中，相空间体积对象或计算出的相空间层析图像由训练后的神经网络分类器评估，该神经网络分类器被配置为评估肺动脉高压的存在与否。在一些实施方式中，与机器生成的预测的结果一起呈现所计算的断层图像(例如，二维视图的集合)以帮助医师进行诊断。

在其他实施方式中，在随后的机器学习操作(例如，基于图像的机器学习操作或基于特征的机器学习操作)中分析相空间体积对象122，以确定一个或多个冠状动脉生理参数。在一些实施方式中，评估系统110被配置为确定相空间体积对象122的体积度量(例如，alphahull体积)。在一些实施方式中，评估系统110被配置为确定所生成的相空间体积对象122的多个不同的主体(例如，不同的体积)。在一些实施方式中，评估系统110被配置为评估所生成的相空间体积对象122的最大颜色变化(例如颜色梯度)。在一些实施方式中，根据相空间体积对象122评估所有这些特征作为数学特征。

在一些实施方式中，相空间体积对象122的数学特征与代表所收集的生物物理信号的特定方面的数百个其他不同的数学特征一起被提取。评估系统110的特征提取引擎可以将每个特征提取为特定的公式/算法。在一些实施方式中，当特征提取处理应用于输入的生物物理信号时，输出是所有计算出的特征的矩阵，该矩阵包括例如超过数百个实数的列表,每个特征一个数字，其中每个特征代表信号的动态、几何、分数微积分、混沌和/或拓扑特性中的一个或多个方面。

在一些实施方式中，机器学习算法(例如，元遗传算法)用于生成预测器，该预测器将代表阳性(即，有疾病)病例和阴性(即，没有疾病)病例的整个患者群体的相空间模型的各个方面(例如，特征池)链接在一起，以检测是否存在与肺动脉高压相关的心肌组织。在一些实施方式中，通过针对先前未见过的患者群的证实处理来评估候选预测器的性能。在一些实施方式中，机器学习算法调用元遗传算法以从大型池中自动选择特征子集。然后，自适应增强(adaboost)算法使用此特征子集来生成预测器，以诊断代表阳性和阴性病例的整个患者群体的肺动脉高压。候选预测器的性能是通过对先前未见过的患者池进行证实来确定的。在springer、berlin、heidelberg(1995)的关于计算学习理论的欧洲会议上，freund、yoav和roberte.schapire等的“adecision-theoreticgeneralizationofon-linelearningandanapplicationtoboosting”提供了有关adaboost算法的进一步描述，其通过引用整体并入于此。

在一些实施方式中，评估系统110生成相空间体积对象122的表示的一个或多个图像，其中呈现顶点、面三角剖分和顶点颜色。在一些实施方式中，生成该表示的多个视图并将其包括在报告中。在一些实施方式中，所述一个或多个图像被呈现为三维对象，该三维对象可以基于用户的输入进行旋转、缩放和/或平移。实际上，这种呈现可以被熟练的操作者用于视觉评估，以确定受检者是否存在肺动脉高压。

神经网络分类

训练的神经网络分类器可以直接对三维相空间体积物体或计算出的相空间断层图像进行评估，以确定肺动脉高压的存在与否。在一些实施方式中，神经网络分类器可以是在一组灰度断层图像上训练的神经网络，该灰度断层图像与针对是否存在肺动脉高压进行评估的冠状血管造影结果配对。在一些实施方式中，使用基于神经网络的非线性分类器。在一些实施方式中，基于神经网络的非线性分类器被配置为将来自所生成的断层图像的各个像素映射到二元疾病状态预测(即，该状况存在或不存在)或估计的生理特性。在一些实施方式中，使用梯度下降技术优化了控制此映射的神经网络权重。

疾病状态预测的示例可以包括但不限于重大冠状动脉疾病的存在与否、肺高压的存在与否、肺动脉高压的存在与否、左心疾病引起的肺动脉高压的存在与否、肺疾病引起的肺动脉高压的存在与否、慢性血凝块引起的肺动脉高压的存在与否等。

评估的生理特征的示例可以包括但不限于血流储备分数、狭窄程度、局部缺血程度、血糖水平、心腔大小和机械功能等。

可以与示例性方法和系统一起使用的处理的其他示例在以下专利文献中进行了描述：专利号为9,289,150、发明名称为“non-invasivemethodandsystemforcharacterizingcardiovascularsystems”的美国专利；专利号为9,655,536、发明名称为“non-invasivemethodandsystemforcharacterizingcardiovascularsystems”的美国专利；专利号为9,968,275、发明名称为“non-invasivemethodandsystemforcharacterizingcardiovascularsystems”的美国专利；专利号为8,923,958、发明名称为“systemandmethodforevaluatinganelectrophysiologicalsignal”的美国专利；专利号为9,408,543、“non-invasivemethodandsystemforcharacterizingcardiovascularsystemsandall-causemortalityandsuddencardiacdeathrisk”的美国专利；专利号为9,955,883、发明名称为“non-invasivemethodandsystemforcharacterizingcardiovascularsystemsandall-causemortalityandsuddencardiacdeathrisk”的美国专利；专利号为9,737,229、发明名称为“noninvasiveelectrocardiographicmethodforestimatingmammaliancardiacchambersizeandmechanicalfunction”的美国专利；专利号为10,039,468、发明名称为“noninvasiveelectrocardiographicmethodforestimatingmammaliancardiacchambersizeandmechanicalfunction”的美国专利；专利号为9,597,021、发明名称为“noninvasivemethodforestimatingglucose,glycosylatedhemoglobinandotherbloodconstituents”的美国专利；专利号为9,968,265、发明名称为“methodandsystemforcharacterizingcardiovascularsystemsfromsinglechanneldata”的美国专利；专利号为9,910,964、发明名称为“methodsandsystemsusingmathematicalanalysisandmachinelearningtodiagnosedisease”的美国专利；公开号为2017/0119272、发明名称为“methodandapparatusforwide-bandphasegradientsignalacquisition”的美国专利申请；公开号wo2017/033164、发明名称为“methodandapparatusforwide-bandphasegradientsignalacquisition”的pct申请；公开号为2018/0000371、发明名称为“non-invasivemethodandsystemformeasuringmyocardialischemia,stenosisidentification,localizationandfractionalflowreserveestimation”的美国专利申请；公开号为wo2017/221221、发明名称为“non-invasivemethodandsystemformeasuringmyocardialischemia,stenosisidentification,localizationandfractionalflowreserveestimation”的pct申请；专利号为10,292,596、发明名称为“methodandsystemforvisualizationofhearttissueatrisk”的美国专利；申请号为16/402,616、发明名称为“methodandsystemforvisualizationofhearttissueatrisk”的美国专利申请；公开号2018/0249960、发明名称为“methodandsystemforwide-bandphasegradientsignalacquisition”的美国专利申请；申请号为16/232,801、发明名称为“methodandsystemtoassessdiseaseusingphasespacevolumetricobjects”的美国专利申请；申请号为ib/2018/060708、发明名称为“methodandsystemtoassessdiseaseusingphasespacevolumetricobjects”的pct申请；公开号为us2019/0117164、发明名称为“methodsandsystemsofde-noisingmagnetic-fieldbasedsensordataofelectrophysiologicalsignals”的美国专利申请；申请号为16/232,586、发明名称为“methodandsystemtoassessdiseaseusingphasespacetomographyandmachinelearning”的美国专利申请；申请号为pct/ib2018/060709、发明名称为“methodandsystemtoassessdiseaseusingphasespacetomographyandmachinelearning”的pct申请；与本申请同时提交的发明名称为“methodsandsystemstoquantifyandremoveasynchronousnoiseinbiophysicalsignals”的美国专利申请第__/__/__号(代理人卷号为10321-033us1，并要求美国专利临时申请第62/686,245号的优先权)；发明名称为“methodandsystemtoassessdiseaseusingphasespacetomographyandmachinelearning”的美国专利申请第__/__/__号(代理人档案号为10321-034pv1，并要求美国专利临时申请第62/784,984号的优先权)；申请号为16/429,593号、发明名称为“methodandsystemtoassesspulmonaryhypertensionusingphasespacetomographyandmachinelearning”的美国专利申请；发明名称为“methodandsystemforautomatedquantificationofsignalquality”的美国专利申请第__/__/__号(代理人卷号为10321-036pv1，并要求美国专利临时申请第62/784,962号的优先权)；发明名称为“methodandsystemtoconfigureanduseneuralnetworktoassessmedicaldisease”的美国专利申请第__/__/__号(代理人档案号为10321-037pv1，并要求美国专利临时申请号第62/784,925号的优先权)；发明名称为“methodandsystemtoassessdiseaseusingphasespacevolumetricobjectandmachinelearning”的美国专利申请第__/__/__号(代理人档案号为10321-038pv1，并要求美国专利临时申请第62/785,158号的优先权)；申请号为15/653,433、发明名称为“discoveringnovelfeaturestouseinmachinelearningtechniques,suchasmachinelearningtechniquesfordiagnosingmedicalconditions”的美国专利申请；申请号为15/653,431、发明名称为“discoveringgenomestouseinmachinelearningtechniques”的美国专利申请；与之同时提交的发明名称为“methodandsystemtoassessdiseaseusingdynamicalanalysisofcardiacandphotoplethysmographicsignals”的美国临时申请第__/__/__号(代理人案号为10321-041pv1)，上述均通过引用整体并入本文。

除非另有明确说明，否则决不意图将本文阐述的任何方法解释为要求其步骤以特定顺序执行。因此，在方法权利要求没有实际记载其步骤要遵循的顺序的情况下，或者在权利要求书或说明书中没有以其他方式具体说明步骤应限于特定的顺序的情况下，从任何方面，都不意味着该顺序是有意设置的。这适用于任何可能的非表达的解释基础，包括：有关步骤或操作流程设置的逻辑问题；源自语法组织或标点符号的简单含义；说明书中描述的实施例的数量或类型。

尽管已经结合某些实施例和特定示例描述了上述方法和系统，但是不旨在将范围限于所阐述的特定实施例，因为本文中的实施例在所有方面都旨在是示例性的而不是限制性的。

本文所述的方法、系统和处理可用于产生狭窄和ffr输出，以与诸如将血管支架放置在诸如哺乳动物(例如，人类)受检者的动脉之类的血管内的处理以及其他介入性和手术系统或处理结合使用。在一个实施例中，本文所述的方法、系统和处理可以被配置为使用ffr/狭窄输出来在手术中确定和/或修改要放置在哺乳动物(例如人)中的支架的数量，包括支架布置在给定血管中的最佳位置等等。

可以使用示例性方法和系统整体或部分地分析的其他生物物理信号的示例，包括但不限于心电图(ecg)数据集、脑电图(eeg)数据集、伽马同步信号数据集、呼吸功能信号数据集、脉搏血氧饱和度信号数据集、灌注数据信号数据集、准周期生物信号数据集、胎儿ecg数据集、血压信号、心脏磁场数据集和心率信号数据集。

示例性分析可用于识别各种病理和病症，包括但不限于心脏病、心律不齐、糖尿病性自主神经病、帕金森氏病、癫痫的形式、脑损伤、认知状态改变，心脏处于不同的心率的稳定性、药物治疗、局部缺血、无症状局部缺血、房颤、室颤、室性心动过速、血管阻塞、肺高压、注意力缺失等。