知財求人 - 知財ポータルサイト「IP Force」
▶ アナリティクス フォー ライフ インコーポレイテッドの特許一覧
特表2024-532283生理学的システムを特徴付ける際に使用するために生物物理学的信号からウェーブレットベースの特徴を工学設計するための方法及びシステム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-09-05
(54)【発明の名称】生理学的システムを特徴付ける際に使用するために生物物理学的信号からウェーブレットベースの特徴を工学設計するための方法及びシステム
(51)【国際特許分類】
A61B 5/02 20060101AFI20240829BHJP
A61B 5/347 20210101ALI20240829BHJP
A61B 5/33 20210101ALI20240829BHJP
A61B 5/021 20060101ALI20240829BHJP
【ＦＩ】
A61B5/02 310A
A61B5/347
A61B5/33 200
A61B5/021
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024512059
(86)(22)【出願日】2022-08-19
(85)【翻訳文提出日】2024-04-17
(86)【国際出願番号】 IB2022057800
(87)【国際公開番号】W WO2023026154
(87)【国際公開日】2023-03-02
(31)【優先権主張番号】63/235,968
(32)【優先日】2021-08-23
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【識別番号】517099409
【氏名又は名称】アナリティクス フォー ライフ インコーポレイテッド
(74)【代理人】
【識別番号】100078282
【弁理士】
【氏名又は名称】山本 秀策
(74)【代理人】
【識別番号】100113413
【弁理士】
【氏名又は名称】森下 夏樹
(74)【代理人】
【識別番号】100181674
【弁理士】
【氏名又は名称】飯田 貴敏
(74)【代理人】
【識別番号】100181641
【弁理士】
【氏名又は名称】石川 大輔
(74)【代理人】
【識別番号】230113332
【弁護士】
【氏名又は名称】山本 健策
(72)【発明者】
【氏名】ファティー， ファルハド
(72)【発明者】
【氏名】バートン， ティモシー ウィリアム フォーセット
【テーマコード（参考）】
4C017
4C127
【Ｆターム（参考）】
4C017AA08
4C017AA09
4C017AA12
4C017AA19
4C017AC15
4C017AC26
4C017BB12
4C017BC11
4C017BC14
4C017BC16
4C017BD06
4C127AA02
4C127BB05
4C127FF02
4C127GG01
4C127GG02
4C127GG07
4C127GG11
(57)【要約】
例示された方法及びシステムは、非侵襲的に取得される心臓／生体電位信号及び／又はフォトプレチスモグラフィ信号などの生物物理学的信号から決定された１つ以上のウェーブレットベースの特徴又はパラメータの診断、監視、治療のための使用を容易にする。ウェーブレットベースの特徴又はパラメータは、一実施形態では、疾患又は異常コンディションの存在又は不在を含む、対象の生理学的状態に関連付けられたメトリックを推定するために、モデル又は分類器（例えば、機械学習分類器）内で使用することができる。ウェーブレットベースの特徴又はパラメータは、取得された生物物理学的信号内の関心のある波形信号内の高パワースペクトル成分又は高コヒーレンスのスペクトル画像又はデータの抽出可能な特性又は幾何学的特質から導出される尺度を含み得る。
【選択図】図１
【選択図】図１
【特許請求の範囲】
【請求項1】
疾患状態又は異常コンディションに関連付けられた１つ以上のメトリックの値を非侵襲的に推定するための方法であって、前記方法は、１つ以上のプロセッサによって、１つ以上の第１の生物物理学的信号を含む対象の生物物理学的信号データセットを取得することと、
前記１つ以上のプロセッサによって、前記生物物理学的信号データセットのウェーブレット変換から生成された二値化データオブジェクトの特性又は幾何学的形状を特徴付けるウェーブレットベースの特徴又はパラメータの値を決定することと、
前記１つ以上のプロセッサによって、前記１つ以上のウェーブレット関連特性の前記決定された値に部分的に基づいて、前記疾患状態又は異常コンディションの存在についての推定値を決定することであって、前記疾患状態又は異常コンディションについての前記推定値は、予想される疾患状態又はコンディションの前記存在を非侵襲的に推定するためにモデルにおいて使用される、決定することと、を含み、
前記推定値は、その後、前記予想される疾患状態若しくはコンディションの診断において使用するために、又は前記予想される疾患状態若しくはコンディションの治療を方向付けるために出力される、方法。
【請求項2】
前記ウェーブレットベースの特徴又はパラメータの前記値を決定することは、前記１つ以上のプロセッサによって、前記生物物理学的信号データセットの信号の複数の識別された周期的サイクルのウェーブレットベースのモデルを決定することと、
前記１つ以上のプロセッサによって、前記ウェーブレットベースのモデルのスペクトル画像又はデータを生成することと、
前記１つ以上のプロセッサによって、前記スペクトル画像又はデータ内で識別された二次元又は三次元のオブジェクトから抽出された特徴の１つ以上の値を決定することと、を含む、請求項１に記載の方法。
【請求項3】
前記スペクトル画像又はデータは、閾値演算子によって二値化画像又はデータに変換され、前記特徴の前記１つ以上の値は、前記閾値スペクトル画像又はデータの１つ以上の二値化領域において識別された二次元又は三次元のオブジェクトから抽出される、請求項１又は２に記載の方法。
【請求項4】
前記スペクトル画像又はデータは、複数の対応する閾値演算子によって複数の二値化画像又はデータに変換され、前記特徴の前記１つ以上の値は、前記複数の閾値スペクトル画像又はデータの１つ以上の二値化領域において識別された二次元又は三次元のオブジェクトから抽出される、請求項１～３のいずれか一項に記載の方法。
【請求項5】
前記スペクトル画像又はデータは、第２の閾値演算子によって第２の二値化画像又はデータに変換され、前記方法は、前記１つ以上のプロセッサによって、前記１つ以上の第２の二値化領域の第２のパワーの分布から抽出された特徴の１つ以上の値を決定することを更に含み、前記第２の閾値演算子は、前記閾値演算子の値よりも低い値を有し、前記第２のパワーは、前記二次元又は三次元のオブジェクトのパワーを除外する、請求項１～４のいずれか一項に記載の方法。
【請求項6】
前記１つ以上の特徴は、前記スペクトル画像又はデータ内で識別された前記１つ以上の二値化領域の時間範囲に関連付けられた特徴と、
前記スペクトル画像又はデータ内で識別された前記１つ以上の二値化領域の周波数範囲に関連付けられた特徴と、
前記スペクトル画像又はデータ内で識別された前記１つ以上の二値化領域の時間重心に関連付けられた特徴と、
前記スペクトル画像又はデータ内で識別された前記１つ以上の二値化領域の表面積に関連付けられた特徴と、
前記スペクトル画像又はデータ内で識別された前記１つ以上の二値化領域のうちの少なくとも１つの偏心度の尺度に関連付けられた特徴と、
前記スペクトル画像又はデータ内で識別された前記１つ以上の二値化領域のうちの前記少なくとも１つの円形度の尺度に関連付けられた特徴と、
前記スペクトル画像又はデータ内で識別された二値化領域範囲に関連付けられた特徴と、
前記スペクトル画像又はデータ内で識別された楕円の配向に関連付けられた特徴と、
前記スペクトル画像又はデータ内で識別されたパワー重心に関連付けられた特徴と、からなる群から選択される、請求項１～５のいずれか一項に記載の方法。
【請求項7】
前記ウェーブレットベースのモデルは、フォトプレチスモグラフィック信号に基づく、請求項１～６のいずれか一項に記載の方法。
【請求項8】
前記ウェーブレットベースのモデルは、フォトプレチスモグラフィック信号から導出される速度プレチスモグラフィック信号に基づく、請求項１～７のいずれか一項に記載の方法。
【請求項9】
前記ウェーブレットベースのモデルは、心臓／生体電位信号に基づく、請求項１～８のいずれか一項に記載の方法。
【請求項10】
前記ウェーブレットベースの特徴又はパラメータの前記値を決定することは、前記１つ以上のプロセッサによって、前記生物物理学的信号データセットの心臓信号の識別された周期的サイクル内の複数の事前定義された部分のウェーブレットベースのモデルを決定することであって、前記複数の事前定義された部分の各々は、心房脱分極、心室脱分極、又は心室再分極に関連付けられた分離された心臓波形を含む、決定することと、
前記１つ以上のプロセッサによって、前記ウェーブレットベースのモデルの高エネルギー成分から抽出された特徴の１つ以上の値を決定することと、を含む、請求項１～９のいずれか一項に記載の方法。
【請求項11】
前記１つ以上の特徴は、心房脱分極に関連付けられた複数の分離された心臓波形を含む、前記ウェーブレットベースのモデル内で決定された複数のパワースペクトル密度値の統計的査定に関連付けられた特徴と、
心室脱分極に関連付けられた複数の分離された心臓波形を含む、前記ウェーブレットベースのモデル内で決定された複数のパワースペクトル密度値の統計的査定に関連付けられた特徴と、
心室再分極に関連付けられた複数の分離された心臓波形を含む、前記ウェーブレットベースのモデル内で決定された複数のパワースペクトル密度値の統計的査定に関連付けられた特徴と、からなる群から選択される、請求項１～１０のいずれか一項に記載の方法。
【請求項12】
前記１つ以上の特徴は、（ｉ）前記ウェーブレットベースのモデル内で決定されたパワースペクトル密度値と、（ｉｉ）基本パワースペクトル密度関数との間で査定された分位－分位確率における線形性からの偏差の査定に関連付けられた特徴を含む、請求項１～１１のいずれか一項に記載の方法。
【請求項13】
前記１つ以上の特徴は、（ｉ）前記ウェーブレットベースのモデル内で決定された累積密度分布（ＣＣＤ）値と（ｉｉ）累積密度分布関数との間で査定された分位－分位確率における査定に関連付けられた特徴を含む、請求項１～１２のいずれか一項に記載の方法。
【請求項14】
前記１つ以上の特徴は、前記パワースペクトル密度関数（ＰＳＤ）の確率密度分布（ＰＤＤ）関数に適合されたカーネル密度推定器（ＫＤＥ）の査定に関連付けられた特徴を含む、請求項１～１３のいずれか一項に記載の方法。
【請求項15】
前記１つ以上のプロセッサによって、前記疾患状態又は異常コンディションの前記存在についての前記推定値の視覚化の生成を引き起こすことを更に含み、前記生成された視覚化は、コンピューティングデバイスのディスプレイにおいてレンダリングかつ表示され、及び／又は報告において提示される、請求項１～１４のいずれか一項に記載の方法。
【請求項16】
前記１つ以上のウェーブレット関連特性の前記値は、線形モデル、決定木モデル、ランダムフォレストモデル、サポートベクターマシンモデル、及びニューラルネットワークモデルからなる群から選択されるモデルにおいて使用される、請求項１～１５のいずれか一項に記載の方法。
【請求項17】
前記モデルは、１つ以上の脱分極波又は再分極波の伝搬関連特徴と、
１つ以上の脱分極波の伝搬偏差関連特徴と、
１つ以上のサイクル変動性関連特徴と、
１つ以上の動的システム関連特徴と、
１つ以上の心臓波形のトポロジック及び変動関連特徴と、
１つ以上のＰＰＧ波形のトポロジック及び変動関連特徴と、
１つ以上の心臓信号又はＰＰＧ信号のパワースペクトル密度関連特徴と、
１つ以上の心臓信号又はＰＰＧ信号の視覚関連特徴と、
１つ以上の予測可能性特徴と、からなる群から選択される特徴を更に含む、請求項１～１６のいずれか一項に記載の方法。
【請求項18】
前記疾患状態又は異常コンディションは、冠動脈疾患、肺高血圧、肺動脈高血圧、左心疾患に起因する肺高血圧、肺高血圧につながる稀な障害、左心室心不全又は左側心不全、右心室心不全又は右側心不全、収縮期心不全、拡張期心不全、虚血性心疾患、及び不整脈からなる群から選択される、請求項１～１７のいずれか一項に記載の方法。
【請求項19】
測定システムの１つ以上の取得回路によって、１つ以上のチャネルにわたって電圧勾配信号を取得することであって、前記電圧勾配信号は、約１ｋＨｚを超える周波数において取得される、取得することと、前記１つ以上の取得回路によって、前記取得された電圧勾配信号から前記取得された生物物理学的データセットを生成することと、を更に含む、請求項１～１８のいずれか一項に記載の方法。
【請求項20】
前記測定システムの１つ以上の取得回路によって、１つ以上のフォトプレチスモグラフィック信号を取得することと、前記１つ以上の取得回路によって、前記取得された電圧勾配信号から前記取得された生物物理学的データセットを生成することと、を更に含む、請求項１～１９のいずれか一項に記載の方法。
【請求項21】
前記１つ以上のプロセッサは、クラウドプラットフォーム内に位置する、請求項１～２０のいずれか一項に記載の方法。
【請求項22】
前記１つ以上のプロセッサは、ローカルコンピューティングデバイス内に位置する、請求項１～２０のいずれか一項に記載の方法。
【請求項23】
システムであって、プロセッサと、
命令が記憶されたメモリと、を備え、前記プロセッサによる前記命令の実行は、前記プロセッサに、請求項１～２２に記載の方法のうちのいずれかを実施させる、システム。
【請求項24】
命令を記憶した非一時的コンピュータ可読媒体であって、プロセッサによる前記命令の実行は、前記プロセッサに、請求項１～２２に記載の方法のうちのいずれかを実施させる、非一時的コンピュータ可読媒体。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願
本ＰＣＴ出願は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｗａｖｅｌｅｔ－Ｂａｓｅｄ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９６８号の優先権及び利益を主張し、その全体が参照により本明細書に組み込まれる。
本ＰＣＴ出願は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｗａｖｅｌｅｔ－Ｂａｓｅｄ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９６８号の優先権及び利益を主張し、その全体が参照により本明細書に組み込まれる。
【0002】
本開示は、概して、診断用途で使用するために、生物物理学的信号から特徴又はパラメータを工学設計するための方法及びシステムに関し、具体的には、１つ以上の生理学的システム並びにそれらの関連付けられた機能、活動、及び異常を特徴付ける際に使用するためのウェーブレットベースの特徴の工学設計及び使用に関する。特徴又はパラメータはまた、監視若しくは追跡、医療機器の制御のために、又は疾患、医学的コンディション、若しくはいずれかの兆候の治療を誘導するために使用することができる。
【背景技術】
【0003】
ヘルスケア専門家が疾患を診断するのを支援するための多くの方法及びシステムがある。これらのいくつかは、侵襲的若しくは最小侵襲的な技術、放射線、運動若しくはストレス、又は薬理学的薬剤の使用を伴い、時にはそれらの付随するリスク及び他の不利益と組み合わせて使用する。
【0004】
拡張期心不全は、罹患率及び死亡率の主な原因であり、左心室機能が維持されている患者における心不全の症状として定義される。これは、コンプライアンスが低下し、弛緩が損なわれ、左心臓カテーテル法によって測定される左心室の拡張末期圧が増加する、硬い左心室を特徴とする。肺高血圧（ＰＨ）及び肺動脈高血圧（ＰＡＨ）の診断のための現在の臨床標準的なケアは、特に、肺動脈内の圧力を直接測定する心臓の右側の心臓カテーテルを含む。冠動脈造影は、治療医によって説明される冠動脈病変を介して決定される、冠動脈疾患（ＣＡＤ）を査定するために使用される現在の標準的なケアである。磁気共鳴イメージング及びコンピュータ断層撮影などの非侵襲的イメージングシステムは、放射線科医によってレビューされる患者の血流及び動脈閉塞の画像を取得するために専門的な施設を必要とする。
【0005】
前述の欠点なしに、心臓疾患及び様々な他の疾患及びコンディションの診断においてヘルスケア専門家を支援することができるシステムを有することが望ましい。
【発明の概要】
【課題を解決するための手段】
【0006】
好ましい実施形態では、患者が安静にしている間に患者に配置された表面センサから非侵襲的に取得される心臓／生体電位信号及び／又はフォトプレチスモグラフィ信号などの生物物理学的信号から決定された１つ以上のウェーブレットベースの特徴又はパラメータの使用を容易にする臨床評価システム及び方法が開示される。ウェーブレットベースの特徴又はパラメータは、モデル又は分類器（例えば、機械学習された分類器）において使用され、疾患の存在若しくは不在、医学的コンディション、又はいずれかの兆候を含む、患者の生理学的状態に関連付けられたメトリックを推定することができる。推定されたメトリックを使用して、医師又は他のヘルスケア提供者が、疾患若しくはコンディションの存在又は不在及び／又は重症度及び／又は局在化を診断すること、又は当該疾患又はコンディションの治療を支援することができる。
【0007】
疾患、コンディション、又はいずれかの兆候の存在又は不在の推定又は決定された可能性は、疾患又は医学的コンディションの査定のための他の査定又は測定モダリティを置き換える、増強する、又は置き換えることができる。場合によっては、決定は、数値スコア及び関連情報の形態をとることができる。
【0008】
ウェーブレットベースの特徴又はパラメータの例は、取得された生物物理学的信号内の関心のある波形信号内の高パワースペクトル成分又は高コヒーレンスのスペクトル画像又はデータの抽出可能な特性又は幾何学的特質から導出される尺度を含む。ウェーブレットベースの特徴又はパラメータの更なる例は、関心のある波形信号における高パワースペクトル成分のパワーの分布の統計的定量化から導出される尺度を含む。
【0009】
本明細書で使用されるように、用語「特徴」（機械学習及びパターン認識の文脈において、並びに本明細書で使用されるように）は、概して、観察されている現象の個々の計測可能な特性又は特質を指す。特徴は、分析によって定義され、共通のモデル又は分析フレームワークからの他の特徴と組み合わせてグループで決定され得る。
【0010】
本明細書で使用される場合、「メトリック」は、生理学的システム又はシステム内のいずれかの１つ以上の疾患、コンディション、又は兆候（複数可）の存在、不在、重症度、及び／又は局在化（該当する場合）の推定又は可能性を指す。注目すべきことに、例示される方法及びシステムは、本明細書に記載されるある特定の実施形態において、生物物理学的信号を取得する、及び／又はそうでなければ患者からデータを収集するために、並びに１つ以上のメトリックを介して他の評価モダリティを置き換える、増強する、又は置き換えることができる１つの疾患、コンディション、又はインジケーターについて評価するために、信号処理及び分類器動作におけるそれらの信号及び／又はデータを評価するために使用され得る。場合によっては、メトリックは、数値スコア及び関連情報の形態をとることができる。
【0011】
心血管系及び呼吸器系の文脈では、そのようなメトリックが関連することができる疾患及びコンディションの例としては、例えば、（ｉ）心不全（例えば、左側又は右側の心不全；駆出率（ＨＦｐＥＦ）が保持された心不全）、（ｉｉ）冠動脈疾患（ＣＡＤ）、（ｉｉｉ）肺動脈高血圧（ＰＡＨ）を含むがこれらに限定されない様々な形態の肺高血圧（ＰＨ）、（ｉｖ）左心室駆出率（ＬＶＥＦ）の異常、及び様々な他の疾患又はコンディションが挙げられる。ある特定の形態の心不全の例示的なインジケーターは、左心室拡張末期圧（ＬＶＥＤＰ）の上昇した、又は異常な圧力の存在である。肺高血圧の特定の形態の例示的なインジケーターは、上昇又は異常な平均肺動脈圧（ｍＰＡＰ）の存在又は不在である。
【0012】
本明細書に組み込まれ、その一部を構成する添付図面は、実施形態を例解し、本明細書と一緒に、方法及びシステムの原理を説明する役割を果たす。
【0013】
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。例解のみを目的とするかかる実施形態は、本発明の新規かつ非自明の態様を示す。図面は、以下の図を含む。
【図面の簡単な説明】
【0014】
【図1】例示的な実施形態による、ウェーブレットベースの特徴又はパラメータを非侵襲的に計算して、患者の生理学的状態に関連付けられた１つ以上のメトリックを生成するように構成された例示的なモジュール又は構成要素の概略図である。
【図2】例示的な実施形態による、例示的な生物物理学的信号キャプチャシステム又は構成要素、及び臨床設定における患者の生物物理学的信号を非侵襲的に収集する際のその使用を示す。
【図3A】各々、例示的な実施形態による、診断、治療、監視、又は追跡のための実際の用途においてウェーブレットベースの特徴／パラメータ又はそれらの中間出力を使用するための例示的な方法を示す。
【図3B】各々、例示的な実施形態による、診断、治療、監視、又は追跡のための実際の用途においてウェーブレットベースの特徴／パラメータ又はそれらの中間出力を使用するための例示的な方法を示す。
【図4A】各々、例示的な実施形態による、１つ以上の取得された生物物理学的信号のウェーブレット関連特性の値を決定するように構成された例示的なウェーブレット特徴計算モジュールを例解する。
【図4B】各々、例示的な実施形態による、１つ以上の取得された生物物理学的信号のウェーブレット関連特性の値を決定するように構成された例示的なウェーブレット特徴計算モジュールを例解する。
【図5】例示的な実施形態による、１つ以上の取得された生物物理学的信号のウェーブレット分布に関連する特性の値を決定するように構成された例示的なウェーブレット分布特徴計算モジュールを例解する。
【図7A】各々、例示的な実施形態による、心臓信号及びフォトプレチスモグラフィック信号を前処理する例示的な方法を示す。
【図7B】各々、例示的な実施形態による、心臓信号及びフォトプレチスモグラフィック信号を前処理する例示的な方法を示す。
【図8A】例示的な実施形態による、後続のウェーブレットベースのスペクトル分析のために、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトル関心領域を描出するための例示的な方法を示す。
【図8B】例示的な実施形態による、後続のウェーブレットベースのスペクトル分析のために、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトル関心領域を描出するための例示的な方法を示す。
【図8C】例示的な実施形態による、後続のウェーブレットベースのスペクトル分析のために、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトル関心領域を描出するための例示的な方法を示す。
【図8D】例示的な実施形態による、後続のウェーブレットベースのスペクトル分析のために、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトル関心領域を描出するための例示的な方法を示す。
【図8E】例示的な実施形態による、後続のウェーブレットベースのスペクトル分析のために、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトル関心領域を描出するための例示的な方法を示す。
【図8F】例示的な実施形態による、後続のウェーブレットベースのスペクトル分析のために、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトル関心領域を描出するための例示的な方法を示す。
【図9A】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの二値化スペクトル画像からウェーブレットベースの特徴を生成するための、図４Ａのウェーブレット特徴モジュールの例示的な方法を示す。
【図9B】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの二値化スペクトル画像からウェーブレットベースの特徴を生成するための、図４Ａのウェーブレット特徴モジュールの例示的な方法を示す。
【図9C】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの二値化スペクトル画像からウェーブレットベースの特徴を生成するための、図４Ａのウェーブレット特徴モジュールの例示的な方法を示す。
【図9D】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの二値化スペクトル画像からウェーブレットベースの特徴を生成するための、図４Ａのウェーブレット特徴モジュールの例示的な方法を示す。
【図10A】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの複数の二値化スペクトル画像において確立された傾向からウェーブレットベースの特徴を計算するための、図４Ｂのウェーブレット特徴モジュールの例示的な方法を示す。
【図10B】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの複数の二値化スペクトル画像において確立された傾向からウェーブレットベースの特徴を計算するための、図４Ｂのウェーブレット特徴モジュールの例示的な方法を示す。
【図10C】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの複数の二値化スペクトル画像において確立された傾向からウェーブレットベースの特徴を計算するための、図４Ｂのウェーブレット特徴モジュールの例示的な方法を示す。
【図10D】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの複数の二値化スペクトル画像において確立された傾向からウェーブレットベースの特徴を計算するための、図４Ｂのウェーブレット特徴モジュールの例示的な方法を示す。
【図10E】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの複数の二値化スペクトル画像において確立された傾向からウェーブレットベースの特徴を計算するための、図４Ｂのウェーブレット特徴モジュールの例示的な方法を示す。
【図10F】例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの複数の二値化スペクトル画像において確立された傾向からウェーブレットベースの特徴を計算するための、図４Ｂのウェーブレット特徴モジュールの例示的な方法を示す。
【図11】例示的な実施形態による、複数の生物物理学的信号から生成されたコヒーレンススペクトル画像からウェーブレットベースの特徴を生成するための、図４Ａのウェーブレット特徴モジュールの例示的な方法を示す。
【図15A】例示的な実施形態による、患者の生理的状態に関連する１つ以上のメトリックを生成するために、他の計算された特徴の中でも特にウェーブレットベースの特徴を使用するように構成された例示的な臨床評価システムの概略図を示す。
【発明を実施するための形態】
【0015】
本明細書に記載のありとあらゆる特徴、並びにそのような特徴のうちの２つ以上のありとあらゆる組み合わせは、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。
【0016】
本開示は、心臓関連病態及びコンディションの診断、追跡、及び治療における生物物理学的信号、例えば、生又は事前処理されたフォトプレスモグラフィック信号、生体電位／心臓信号などの実用的な査定を対象としているが、このような査定は、生物物理学的信号が生体の任意の関連システムに関わる任意の病態又はコンディションの診断、追跡、及び治療（外科的、最小侵襲的、生活方式、栄養学的、及び／又は薬理学的治療などを含むがこれに限定されない）に適用され得る。査定は、医療機器又はウェアラブルデバイスの制御において、又は監視アプリケーションにおいて（例えば、本明細書で考察されるウェーブレットベースの特徴、パラメータ、又は中間出力を報告するために）使用され得る。
【0017】
本明細書で使用される「対象」及び「患者」という用語は、一般的に、例示的なシステム及び方法によって実施された分析を受けた人々を指すために互換的に使用される。
【0018】
本明細書で使用される「心臓信号」という用語は、例えば、心筋の収縮を引き起こす、その信号の電気／電気化学的伝導の態様を含む、心血管系の構造、機能、及び／又は活動に直接的若しくは間接的に関連する１つ以上の信号を指す。心臓信号は、いくつかの実施形態では、生体電位信号若しくは心電図信号、例えば、心電図（ＥＣＧ）、心臓波形及びフォトプレチスモグラフィック波形、又は本明細書で後に説明される信号キャプチャ器具若しくは記録器具、又は他のモダリティを介して取得されるものを含み得る。
【0019】
本明細書で使用される「生物物理学的信号」という用語は、これらに限定されないが、１つ以上の心臓信号、神経信号、バリストカルジオグラフィック信号、及び／又はフォトプレスモグラフィック信号を含むが、それはまた、情報が取得され得る任意の生理学的信号をより広く包含する。例によって限定されることを意図しないが、生物物理学的信号を、例えば、電気（例えば、時間及び／又は周波数などの様々なドメインにおける電圧／電位（例えば、生体電位）、インピーダンス、抵抗率、伝導性、電流などの測定などの技術によって観察、識別、及び／又は定量化され得る、ある特定の心臓及び神経系関連信号）、磁気、電磁気、光学（例えば、反射率、干渉法、分光法、吸光度、透過率、視覚的観察、フォトプレチスモグラフィ、及び同等物などの技術によって観察、識別、及び／又は定量化され得る信号）、音響、化学、機械（例えば、流体流動、圧力、運動、振動、変位、歪みに関連する信号）、熱、及び電気化学（例えば、グルコースなどのある特定の分析物の存在に相関され得る信号）を含むことができる、タイプ又はカテゴリに分類してもよい。場合によっては、生物物理学的信号は、生理学的系（例えば、呼吸器系、循環器系（循環器系、肺系）、神経系、リンパ系、内分泌系、消化器系、排泄物、筋肉系、骨格系、腎臓系／尿路系／排泄物系、免疫系、外皮系／外分泌系、及び生殖系）、１つ以上の臓器系（例えば、心臓及び肺が一緒に働くときに固有のものであり得る信号）の文脈において、又は組織（例えば、筋肉、脂肪、神経、結合組織、骨）、細胞、器官、分子（例えば、水、タンパク質、脂肪、炭水化物、ガス、遊離ラジカル、有機イオン、鉱物、酸、及び他の化合物）、元素、並びにそれらの亜原子成分の文脈において記載され得る。特に明記しない限り、「生物物理学的信号取得」という用語は、一般に、哺乳類又は非哺乳類生物などの生理学的系から生物物理学的信号を取得する任意の受動的又は能動的手段を指す。受動的及び能動的生物物理学的信号取得は、一般に、身体組織の自然又は誘導電気、磁気、光学、及び／又は音響放射線の観察を指す。受動的及び能動的生物物理学的信号取得手段の非限定的な例としては、例えば、体組織の自然放射線を観察する電圧／電位、電流、磁気、光学、音響、及び他の非能動的な方式が挙げられ、いくつかの例では、そのような放射線を誘導する。受動的及び能動的生物物理学的信号取得手段の非限定的な例としては、例えば、超音波、電波、マイクロ波、赤外線及び／又は可視光（例えば、パルスオキシメトリー又はフォトプレチスモグラフィでの使用のための）、可視光、紫外線、及び電離エネルギー又は放射線（例えば、Ｘ線）を含まない身体組織を能動的に調べる他の方式が挙げられる。能動的生物物理学的信号取得は、励起放出分光法（例えば、励起放出蛍光を含む）を含み得る。能動的生物物理学的信号取得はまた、イオン化エネルギー又は放射線（例えば、Ｘ線）（「イオン化生物物理学的信号」とも称される）を体組織に伝達することを含み得る。受動的及び能動的生物物理学的信号取得手段は、侵襲的手順（例えば、手術又は侵襲的放射線介入プロトコルを介して）又は非侵襲的（例えば、撮像、アブレーション、心臓収縮調節（例えば、ペースメーカーを介して）、カテーテル留置などを介して）と併せて実行され得る。
【0020】
本明細書で使用される「フォトプレスモグラフィック信号」という用語は、赤色及び赤外線スペクトル内の波長を有する光などの酸素化及び脱酸素化ヘモグロビンによる光吸収の測定された変化に対応する、光学センサから取得された１つ以上の信号又は波形を指す。フォトプレチスモグラフィック信号（複数可）は、いくつかの実施形態において、パルスオキシメータ又はフォトプレスモグラム（ＰＰＧ）を介して取得された生の信号（複数可）を含む。いくつかの実施形態において、フォトプレチスモグラフィック信号（複数可）は、健康を監視すること、及び／又は疾患若しくは異常コンディションを診断することを目的として、そのような信号波形を取得するように構成される、市販の、カスタムの、及び／又は専用の機器若しくは回路から取得される。フォトプレチスモグラフィック信号（複数可）は、典型的には、赤色のフォトプレチスモグラフィック信号（例えば、最も優勢に約６２５～７４０ナノメートルの波長を有する可視光スペクトル内の電磁信号）及び赤外線のフォトプレチスモグラフィック信号（例えば、可視スペクトルの公称赤縁から最大約１ｍｍまで延在する電磁信号）を含むが、近赤外線、青、及び緑などの他のスペクトルは、用いられているＰＰＧのタイプ及び／又はモードに応じて、異なる組み合わせで使用されてもよい。
【0021】
本明細書で使用される場合、「バリストカルジオグラフィック信号（ｂａｌｌｉｓｔｏｃａｒｄｉｏｇｒａｐｈｉｃ ｓｉｇｎａｌ）」という用語は、振動、音響、移動、又は配向を通して観察され得る全身を通る血流を概して反映する信号又は信号の群を指す。いくつかの実施形態では、バリストカルジオグラフィック信号は、心臓に近接して搭載されるセンサによって記録されるような身体の振動若しくは配向を測定することができる、振動、音響、移動、又は配向ベースのサイズモカルジオグラム（ＳＣＧ）センサなどのウェアラブルデバイスによって取得される。サイズモカルジオグラムセンサは、概して、本明細書において「バリストカルジオグラム」という用語と互換的に使用される「サイズモカルジオグラム」を取得するために使用される。他の実施形態において、バリストカルジオグラフィック信号は、血液が頭部と足との間の長手方向に前後に移動するときの体重の変化などの現象を測定する外部機器、例えば、ベッド又は表面ベースの機器によって取得され得る。そのような実施形態において、各場所における血液量は、動力学的に変化し得、ベッド上の各場所で測定された重量並びにその重量の変化速度に反映され得る。
【0022】
加えて、本明細書の様々な実施形態に記載される方法及びシステムは、それほど限定されず、生体の別の生理学的システム、又はシステム、臓器、組織、細胞などの任意の文脈で利用され得る。例としてのみ、心血管の文脈において有用であり得る２つの生物物理学的信号タイプは、従来の心電図（ＥＣＧ／ＥＫＧ）機器を介して取得され得る心臓／生体電位信号、本明細書に記載されるものなどの他の機器から取得され得るバイポーラ広帯域生体電位（心臓）信号、及び、例えば、フォトプレチスモグラフィなどの様々な心電図法によって取得され得る信号を含む。別の例では、２つの生物物理学的信号タイプは、バリストカルジオグラフィック技術によって更に増強され得る。
【0023】
図１は、例示的な実施形態による、ウェーブレットベースの特徴又はパラメータを非侵襲的に計算して、分類器（例えば、機械学習された分類器）を介して、患者の生理学的状態に関連付けられた１つ以上のメトリックを生成するように構成された例示的なモジュール又は構成要素の概略図である。モジュール又は構成要素は、ウェーブレットベースの特徴及び他のクラスの特徴の生成アプリケーション又は開発において使用され得る。
【0024】
本明細書に記載の例示的な分析及び分類器は、心臓及び心臓肺関連の病態及び医学的コンディション、又はそのインジケーターの診断及び／又は治療においてヘルスケア提供者を支援するために使用され得る。例としては、本明細書に開示される様々な他の疾患及びコンディションの中で、有意な冠動脈疾患（ＣＡＤ）、例えば、駆出率が保持された心不全（ＨＦｐＥＦ）、うっ血性心不全、様々な形態の不整脈、弁不全、様々な形態の肺高血圧などの１つ以上の形態の心不全が挙げられる。
【0025】
加えて、いくつかの形態の心不全に関連する左心室拡張末期圧（ＬＶＥＤＰ）値の上昇又は異常、いくつかの形態の心不全に関連する左心室駆出率（ＬＶＥＦ）値の異常、又は肺高血圧及び／又は肺動脈高血圧に関連する平均肺動脈圧（ｍＰＡＰ）値の上昇などの疾患又はコンディションの可能性のインジケーターが存在する。本明細書に記載の例示的な分析及び分類器によって提供されるものなど、そのようなインジケーターが異常／上昇又は正常である可能性のインジケーターは、ヘルスケア提供者が、患者が所与の疾患又はコンディションを有するか、又は有しないかを査定又は診断するのを助けることができる。コンディションの疾患状態に関連付けられたこれらのメトリックに加えて、身体検査及び／又は他の試験の結果、患者の病歴、現在の薬物などの他の測定値及び要因の診断を行う際にヘルスケア専門家によって採用することができる。疾患状態又は医学的コンディションの存在又は不在の決定は、そのような疾患の兆候（又は診断に使用される測定のメトリック）を含むことができる。
【0026】
図１では、構成要素は、少なくとも１つの非侵襲的な生物物理学的信号レコーダ又はキャプチャシステム１０２、及び、例えばクラウド若しくはリモートインフラストラクチャ、又はローカルシステムに位置された査定システム１０３を含む。生物物理学的信号キャプチャシステム１０２（生物物理学的信号レコーダシステムとも称される）は、この実施形態では、例えば、同期的に取得された患者の電気信号及び血行動態信号を１つ以上のタイプの生物物理学的信号１０４として取得し、処理し、記憶し、送信するように構成される。図１の例では、生物物理学的信号キャプチャシステム１０２は、測定プローブ１０６（例えば、血行動態信号１０４ａのための血行動態センサを備える、例えば、プローブ１０６ａ及び１０６ｂ、並びに電気／心臓信号１０４ｂのための導線を備えるプローブ１０６ｃ～１０６ｈとして示される）から取得される、第１の生物物理学的信号１０４ａ（例えば、他の第１の生物物理学的信号に同期して取得される）及び第２の生物物理学的信号１０４ｂ（例えば、他の生物物理学的信号に同期して取得される）として示される２つのタイプの生物物理学的信号を同期してキャプチャするように構成される。プローブ１０６ａ～ｈは、例えば、患者１０８の表面組織（患者場所１０８ａ及び１０８ｂに示される）に接着される、又はそれに隣接して配置されることによって、その上に配置される。患者は、好ましくは、ヒト患者であるが、任意の哺乳類患者であり得る。取得された生の生物物理学的信号（例えば、１０６ａ及び１０６ｂ）は共に、生物物理学的信号データセット１１０（それぞれ、第１の生物物理学的信号データセット１１０ａ及び第２の生物物理学的信号データセット１１０ｂとして図１に示される）を形成し、これは、例えば、好ましくは、記録／信号キャプチャ番号によって、及び／又は患者の名前及び医療記録番号によって識別可能な単一のファイルとして記憶され得る。
【0027】
図１の実施形態では、第１の生物物理学的信号データセット１１０ａは、場所１０８ａでの患者からの酸素化ヘモグロビン及び／又は脱酸素化ヘモグロビンの光吸収の測定された変化に関連付けられた、生のフォトプレチスモグラフィック信号又は血行動態信号（複数可）のセットを含み、第２の生物物理学的信号データセット１１０ｂは、心臓の電気信号に関連する生の心臓信号又は生体電位信号（複数可）のセットを含む。図１において、生のフォトプレチスモグラフィック信号又は血行動態信号（複数可）は、患者の指で取得されるように示されているが、信号は、代替的に、患者のつま先、手首、額、耳たぶ、首などで取得されてもよい。同様に、心臓信号又は生体電位信号（複数可）は、直交誘導の３つのセットを介して取得されるように示されているが、他の誘導構成（例えば、１１誘導構成、１２誘導構成など）が使用されてもよい。
【0028】
プロット１１０ａ’及び１１０ｂ’は、それぞれ、第１の生物物理学的信号データセット１１０ａ及び第２の生物物理学的信号データセット１１０ａの例を示す。具体的には、プロット１１０ａ’は、取得されたフォトプレスモグラフィック又は血行動態信号の例を示す。プロット１１０ａ’において、フォトプレチスモグラフィック信号は、２つの光源（例えば、赤外線及び赤光源）から取得されたときの時間の関数としての信号電位を有する時系列信号である。プロット１１０ｂ’は、３チャネル電位時系列プロットを含む例示的な心臓信号を示す。いくつかの実施形態において、生物物理学的信号キャプチャシステム１０２は、好ましくは、非侵襲的手段又は構成要素（複数可）を介して生物物理学的信号を取得する。代替の実施形態において、侵襲的又は最小侵襲的手段又は構成要素（複数可）は、非侵襲的手段（例えば、埋め込まれた圧力センサ、化学センサ、加速度計など）を補完するために、又はその代わりとして使用され得る。なおも更に代替の実施形態では、生物物理学的信号を収集することができる非侵襲的及び非接触プローブ又はセンサは、任意の組み合わせ（例えば、本明細書で考察されるように、受動温度計、スキャナ、カメラ、Ｘ線、磁気、又は非接触若しくは接触エネルギーデータ収集システムの他の手段）で、非侵襲的及び／又は侵襲的／最小侵襲的手段を補完するために、又はその代わりとして使用され得る。信号の取得及び記録に続いて、生物物理学的信号キャプチャシステム１０２はその後、例えば、無線通信システム又は有線通信システム及び／又はネットワークを通じて送信することによって、取得された生物物理学的信号データセット１１０（又はそこから導出又は処理されたデータセット、例えば、フィルタリング又は事前処理されたデータ）を査定システム１０３のデータリポジトリ１１２（例えば、クラウドベースのストレージエリアネットワーク）に提供する。いくつかの実施形態において、取得された生物物理学的信号データセット１１０は、分析のために査定システム１０３に直接送信されるか、又は安全な臨床医のポータルを介してデータリポジトリ１１２にアップロードされる。
【0029】
生物物理学的信号キャプチャシステム１０２は、いくつかの実施形態において、回路及びコンピューティングハードウェア、ソフトウェア、ファームウェア、ミドルウェアなどで構成され、キャプチャされた生物物理学的信号の両方を取得、記憶、送信、及び任意選択的に処理して生物物理学的信号データセット１１０を生成する。例示的な生物物理学的信号キャプチャシステム１０２及び取得された生物物理学的信号セットデータ１１０は、「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｗｉｄｅ－Ｂａｎｄ Ｐｈａｓｅ Ｇｒａｄｉｅｎｔ Ｓｉｇｎａｌ Ａｃｑｕｉｓｉｔｉｏｎ」と題された米国特許第１０，５４２，８９８号、又は「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｗｉｄｅ－Ｂａｎｄ Ｐｈａｓｅ Ｇｒａｄｉｅｎｔ Ｓｉｇｎａｌ Ａｃｑｕｉｓｉｔｉｏｎ」と題された米国特許公開第２０１８／０２４９９６０号に記載されており、これらの各々は、参照によりその全体が本明細書に組み込まれる。
【0030】
いくつかの実施形態において、生物物理学的信号キャプチャシステム１０２は、第１の生物物理学的信号（例えば、フォトプレスモグラフィック信号）を取得するための第１の信号取得構成要素（図示せず）を含む２つ以上の信号取得構成要素を含み、第２の生物物理学的信号（例えば、心臓信号）を取得するための第２の信号取得構成要素（図示せず）を含む。いくつかの実施形態において、電気信号は、数分間でマルチキロヘルツの速度、例えば、１ｋＨｚ～１０ｋＨｚで取得される。他の実施形態において、電気信号は、１０ｋＨｚ～１００ｋＨｚで取得される。血行動態信号は、例えば、１００Ｈｚ～１ｋＨｚで取得されてもよい。
【0031】
生物物理学的信号キャプチャシステム１０２は、信号を取得するための１つ以上の他の信号取得構成要素（例えば、機械音響、バリストグラフィック、バリストカルジオグラフィックなどのセンサ）を含み得る。信号キャプチャシステム１０２の他の実施形態では、信号取得構成要素は、従来の心電図（ＥＣＧ／ＥＫＧ）機器（例えば、ホルターデバイス、１２誘導ＥＣＧなど）を含む。
【0032】
査定システム１０３は、いくつかの実施形態では、データリポジトリ１１２と、分析エンジン又は分析器（図示せず、図１５Ａ及び図１５Ｂ参照）とを備える。査定システム１０３は、特徴モジュール１１４及び分類器モジュール１１６（例えば、ＭＬ分類器モジュール）を含み得る。図１において、査定システム１０３は、取得された生物物理学的信号データセット１１０を、例えば、データリポジトリ１１２から取り出し、それを特徴モジュール１１４において使用するように構成され、これは、ウェーブレット特徴モジュール１２０及び他のモジュール１２２（本明細書において後に説明される）を含むように図１に示される。特徴モジュール１１４は、分類器モジュール１１６に提供するために、ウェーブレットベースの特徴の値を含む特徴又はパラメータの値を計算し、分類器モジュールは、患者の生理学的状態（例えば、疾患状態、医学的コンディションの存在又は不在の兆候、あるいはいずれかの兆候）に関連付けられたメトリックの出力１１８、例えば、出力スコアを計算する。いくつかの実施形態では、出力１１８は、その後ヘルスケア医師ポータル（図示せず、図１５Ａ及び図１５Ｂ参照）に提示されて、病態又は医学的コンディションの診断及び治療のためにヘルスケア専門家によって使用される。いくつかの実施形態において、ポータルは、例えば、患者、介護者、研究者などによるアクセスのために構成されてもよく（例えば、カスタマイズされてもよい）、出力１１８は、ポータルの意図された視聴者のために構成されてもよい。他のデータ及び情報はまた、出力１１８（例えば、取得された生物物理学的信号又は他の患者の情報及び病歴）の一部であり得る。
【0033】
分類器モジュール１１６（例えば、ＭＬ分類器モジュール）は、限定はしないが、決定木、ランダムフォレスト、ニューラルネットワーク、線形モデル、ガウス過程、最近傍、ＳＶＭ、Ｎａｉｖｅ Ｂａｙｅｓなどのアルゴリズムに基づいて開発された伝達関数、ルックアップテーブル、モデル、又は演算子を含み得る。いくつかの実施形態では、分類器モジュール１１６は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題する米国仮特許出願第６３／２３５，９６０号、「Ｄｉｓｃｏｖｅｒｉｎｇ Ｎｏｖｅｌ Ｆｅａｔｕｒｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ，ｓｕｃｈ ａｓ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ Ｄｉａｇｎｏｓｉｎｇ Ｍｅｄｉｃａｌ Ｃｏｎｄｉｔｉｏｎｓ」と題する米国特許出願公開第２０１９／００２６４３０号又は「Ｄｉｓｃｏｖｅｒｉｎｇ Ｇｅｎｏｍｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ」と題する米国特許出願公開第２０１９／００２６４３１号に記載されているＭＬ技術に基づいて開発されたモデルを含むことができ、これらの各々は、参照によりその全体が本明細書に組み込まれる。
【0034】
生物物理学的信号取得の例。
図２は、例示的な実施形態による、生物物理学的信号キャプチャシステム１０２（１０２ａとして示される）と、臨床設定における患者の生物物理学的信号を非侵襲的に収集することにおけるその使用とを示す。図２において、生物物理学的信号キャプチャシステム１０２ａは、患者が安静している間に、患者１０８からの２つのタイプの生物物理学的信号をキャプチャするように構成される。生物物理学的信号キャプチャシステム１０２ａは、患者の、（ｉ）直交して配置されたセンサ（１０６ｃ～１０６ｈ、１０６ｉは７番目のコモンモンドモード基準リードである）を使用して、胴体からの電気信号（例えば、第２の生物物理学的信号データセット１１０ｂに対応する心臓信号）、及び（ｉｉ）フォトプレチスモグラフィックセンサ（例えば、信号１０６ａ、１０６ｂを収集する）を使用して、指からの血行動態信号（例えば、第１の生物物理学的信号データセット１１０ａに対応するＰＰＧ信号）を同期的に取得する。
図２は、例示的な実施形態による、生物物理学的信号キャプチャシステム１０２（１０２ａとして示される）と、臨床設定における患者の生物物理学的信号を非侵襲的に収集することにおけるその使用とを示す。図２において、生物物理学的信号キャプチャシステム１０２ａは、患者が安静している間に、患者１０８からの２つのタイプの生物物理学的信号をキャプチャするように構成される。生物物理学的信号キャプチャシステム１０２ａは、患者の、（ｉ）直交して配置されたセンサ（１０６ｃ～１０６ｈ、１０６ｉは７番目のコモンモンドモード基準リードである）を使用して、胴体からの電気信号（例えば、第２の生物物理学的信号データセット１１０ｂに対応する心臓信号）、及び（ｉｉ）フォトプレチスモグラフィックセンサ（例えば、信号１０６ａ、１０６ｂを収集する）を使用して、指からの血行動態信号（例えば、第１の生物物理学的信号データセット１１０ａに対応するＰＰＧ信号）を同期的に取得する。
【0035】
図２に示すように、電気信号及び血行動態信号（例えば、１０４ａ、１０４ｂ）は、患者の皮膚に適用された市販のセンサを介して受動的に収集される。信号は、患者が電離放射線又は放射線造影剤に曝露することなく、かつ患者の運動又は薬理学的ストレス要因を使用することなく、有益に取得することができる。生物物理学的信号キャプチャシステム１０２ａは、技術者又は看護師などのヘルスケア専門家が必要なデータを取得することにつながる、及びセルラー信号又はＷｉ－Ｆｉ接続を確立することができる、任意の設定で使用され得る。
【0036】
電気信号（例えば、第２の生物物理学的信号データセット１１０ｂに対応する）は、基準リードと共に、患者の胸部及び背部にわたって配置された３つの直交ペアの表面電極を使用して収集される。いくつかの実施形態において、電気信号は、数分間（例えば、２１５秒間）、マルチキロヘルツ速度（例えば、６つのチャネルの各々について、１秒当たり８０００サンプル）でローパスアンチエイリアシングフィルタ（例えば、約２ｋＨｚ）を使用して取得される。代替の実施形態において、生物物理学的信号は、監視のために連続的／間欠的に取得されてもよく、取得された信号の部分が分析のために使用される。血行動態信号（例えば、第１の生物物理学的信号データセット１１０ａに対応する）は、指に配置されたフォトプレチスモグラフィックセンサを使用して収集される。赤色光（例えば、６００～７５０ｎｍの任意の波長）及び赤外線光（例えば、８５０～９５０ｎｍの任意の波長）の光吸収は、いくつかの実施形態において、同じ期間にわたって１秒当たり５００サンプルの速度で記録される。生物物理学的信号キャプチャシステム１０２ａは、信号中のコモンモード環境ノイズを低減するコモンモード駆動を含み得る。フォトプレチスモグラフィック信号及び心臓信号は、各患者について同時に取得された。データにおけるジッタ（モダリティ間ジッタ）は、約１０マイクロ秒（μｓ）未満であり得る。心臓信号チャネル間のジッタは、１０マイクロ秒未満、例えば、約１０フェムト秒（ｆｓ）であり得る。
【0037】
患者メタデータ及び信号データを含む信号データパッケージは、信号取得手順の完了時にコンパイルされ得る。このデータパッケージは、生物物理学的信号キャプチャシステム１０２ａがパッケージをデータリポジトリ１１２に転送する前に暗号化され得る。いくつかの実施形態において、データパッケージが、査定システムに転送される（例えば、１０３）。転送は、いくつかの実施形態において、ユーザの介入なしに信号取得手順の完了後に開始される。データリポジトリ１１２は、いくつかの実施形態において、患者のデータパッケージ、例えば、Ａｍａｚｏｎ Ｓｉｍｐｌｅ Ｓｔｏｒａｇｅ Ｓｅｒｖｉｃｅ（すなわち、「Ａｍａｚｏｎ Ｓ３」）に安全な、冗長な、クラウドベースのストレージを提供することができるクラウドストレージサービス上でホストされる。生物物理学的信号キャプチャシステム１０２ａはまた、施術者が不適切な信号取得に対する通知を受信して、施術者に患者から直ちに追加のデータを取得するように警告するためのインターフェースを提供する。
【0038】
【0039】
疾患状態又は兆候コンディションの存在の推定。図３Ａはウェーブレットベースのパラメータ又は特徴を採用し、例えば、診断、追跡、又は治療を支援するために、疾患状態、医学的コンディション、又はいずれかの兆候の存在の推定値を決定する、方法３００ａを示す。方法３００ａは、例えば、図１及び２若しくは本明細書に記載の他の例に関連して説明されるように、患者から生物物理学的信号（例えば、心臓信号、フォトプレチスモグラフィック信号、バリストカルジオグラフィック信号）を取得するステップ（３０２）を含む。いくつかの実施形態において、取得された生物物理学的信号は、リモートストレージ及び分析のために送信される。他の実施形態において、取得された生物物理学的信号は、ローカルに記憶され、分析される。
【0040】
上述のように、心臓の文脈における一例は、異常な左心室拡張末期圧（ＬＶＥＤＰ）又は平均肺動脈圧（ｍＰＡＰ）、有意な冠動脈疾患（ＣＡＤ）、異常な左心室駆出率（ＬＶＥＦ）、及び肺動脈高血圧（ＰＡＨ）などの１つ以上の形態の肺高血圧（ＰＨ）の存在の推定である。推定され得る他の病態又は兆候コンディションとしては、例えば、本明細書に開示される様々な他の疾患及び医学的コンディションの中で、例えば、駆出率が保持された心不全（ＨＦｐＥＦ）、不整脈、うっ血性心不全、弁不全などの１つ以上の形態の心不全が挙げられる。
【0041】
方法３００ａは、データセットを取り出し、生物物理学的信号データセットに対して実行されたウェーブレット変換から生成された二値化されたデータオブジェクトの特性又は幾何学的形状を特徴付けるウェーブレットベースの特徴又はパラメータの値を決定するステップ（３０４）を更に含む。ウェーブレットベースの特徴又はパラメータの値を決定するための例示的動作は、本明細書で後に考察される図４～図１４に関連して提供される。方法３００ａは、決定されたウェーブレットベースの特徴の推定モデル（例えば、ＭＬモデル）への適用に基づいて、疾患状態、医学的コンディション、又はいずれかの兆候の存在に関する推定値を決定するステップ（３０６）を更に含む。例示的な実装形態が、図１５Ａ及び図１５Ｂに関して提供される。
【0042】
方法３００ａは、例えば、図１、図１５Ａ、及び図１５Ｂ、並びに本明細書に説明される他の例に関連して説明されるように、報告（例えば、疾患状態、医学的コンディション、又はいずれかの兆候の診断又は治療に使用される）内の疾患状態又は異常コンディションの存在に関する推定値（複数可）を出力するステップ（３０８）を更に含む。
【0043】
ウェーブレットベースの特徴又はパラメータを使用する診断又はコンディション監視又は追跡。図３Ｂは、医療機器又は健康モニタリングデバイスのモニタリング又は制御のためにウェーブレットベースの特徴又はパラメータ又は特徴を用いる方法３００ｂを示す。方法３００ｂは、患者から生物物理学的信号（例えば、心臓信号、フォトプレチスモグラフィック信号、バリストカルジオグラフィック信号など）を取得するステップ（３０２）を含む。動作は、例えば、報告のための出力を提供するために、又は医療機器若しくは健康監視デバイスのための制御として、連続的又は断続的に実施され得る。
【0044】
方法３００ｂは、例えば図４～図１４に関連して説明されるように、取得された生物物理学的データセットからウェーブレットベースの特徴又はパラメータを決定すること（３１０）を更に含む。決定は、移動ウィンドウにわたって連続的に取得された信号の分析に基づいてもよい。
【0045】
方法３００ｂはウェーブレットベースの特徴又はパラメータを（例えば、診断において使用するための報告において、又は制御のための信号として）出力すること（３１２）を更に含む。本明細書で考察されるように、ウェーブレットベースの特徴又はパラメータは、所与の生物物理学的信号（例えば、生体電位／心臓、フォトプレチスモグラフィック信号、バリストカルジオグラフィック信号）におけるスペクトルパワーの高エネルギー含有量の特徴付け又は兆候を提供することができる。監視及び追跡するために、出力は、ウェアラブルデバイス、ハンドヘルドデバイス、又は医療診断機器（例えば、パルス酸素濃度計システム、ウェアラブル健康監視システム）を介して、健康に関連付けられた拡張データを提供することができる。いくつかの実施形態では、出力は、周波数スペクトル情報が所望される、蘇生システム、心臓又は肺のストレス試験機器、ペースメーカーなどで使用されてもよい。
【0046】
ウェーブレットベースの特徴又はパラメータ
図４Ａ、図４Ｂ、及び図５はそれぞれ、例示的な実施形態による、ウェーブレットベースの特徴又はパラメータの値を決定するように構成された合計３つの例示的なモジュールについて、例示的なウェーブレットベースの特徴計算モジュールを示す。図４Ａ及び図４Ｂのウェーブレット特徴計算モジュール４００ａ及びウェーブレット傾向特徴計算モジュール４００ｂはそれぞれ、取得された生物物理学的信号（例えば、フォトプレチスモグラフィック及び／又は生体電位／心臓信号）の所与のサイクルにおける関心のある波形（例えば、あるピーク又は別個の領域）のスペクトルパワーに関連付けられた特徴又はパラメータを決定する。スペクトルパワーは、ウェーブレット演算子を使用して、各サイクルの周波数、時間、及びパワーのスペクトル画像又はスペクトルデータとして決定される。対応する数のサイクルからの複数のスペクトル画像を評価することができ、結果の統計的定量化をウェーブレットベースの特徴又はパラメータとして提供することができる。モジュール４００ａでは、時間範囲、周波数範囲、時間重心、表面積、偏心、円形度、範囲、配向、及び／又はパワー重心が、ウェーブレットベースの特徴又はパラメータとして、その二値化画像又はデータから抽出され得る、二値化画像又はデータ（関心のある波形の高パワースペクトル成分に関連付けられる）を生成するように、単一閾値が、所与のサイクルに関するスペクトル画像又はスペクトルデータに適用される。モジュール４００ｂは、ウェーブレットベースの特徴又はパラメータとして提供される、傾向に対するスペクトル画像又はデータに閾値のセットを適用することによって、波形の高パワースペクトル成分を評価する。図５のウェーブレット分布計算モジュール５００は、分布の統計的定量化がウェーブレットベースの特徴又はパラメータとして抽出される、様々な波形の周波数、時間、及びパワーのスペクトル画像又はスペクトルデータのスペクトルエネルギーのパワー分布（例えば、パワースペクトル密度、累積密度関数）を査定する。パワーの分布は、パワースペクトル密度（ＰＳＤ）分布、累積濃度関数（ＣＤＦ）分布（例えば、ＣＤＦＮｏｒｍａｌ又はＣＤＦＫｅｒｎｅｌ）、又はパワー分布関数（ＰＤＦ）分布（例えば、ＰＤＦＫｅｒｎａｌ）に基づき得る。
図４Ａ、図４Ｂ、及び図５はそれぞれ、例示的な実施形態による、ウェーブレットベースの特徴又はパラメータの値を決定するように構成された合計３つの例示的なモジュールについて、例示的なウェーブレットベースの特徴計算モジュールを示す。図４Ａ及び図４Ｂのウェーブレット特徴計算モジュール４００ａ及びウェーブレット傾向特徴計算モジュール４００ｂはそれぞれ、取得された生物物理学的信号（例えば、フォトプレチスモグラフィック及び／又は生体電位／心臓信号）の所与のサイクルにおける関心のある波形（例えば、あるピーク又は別個の領域）のスペクトルパワーに関連付けられた特徴又はパラメータを決定する。スペクトルパワーは、ウェーブレット演算子を使用して、各サイクルの周波数、時間、及びパワーのスペクトル画像又はスペクトルデータとして決定される。対応する数のサイクルからの複数のスペクトル画像を評価することができ、結果の統計的定量化をウェーブレットベースの特徴又はパラメータとして提供することができる。モジュール４００ａでは、時間範囲、周波数範囲、時間重心、表面積、偏心、円形度、範囲、配向、及び／又はパワー重心が、ウェーブレットベースの特徴又はパラメータとして、その二値化画像又はデータから抽出され得る、二値化画像又はデータ（関心のある波形の高パワースペクトル成分に関連付けられる）を生成するように、単一閾値が、所与のサイクルに関するスペクトル画像又はスペクトルデータに適用される。モジュール４００ｂは、ウェーブレットベースの特徴又はパラメータとして提供される、傾向に対するスペクトル画像又はデータに閾値のセットを適用することによって、波形の高パワースペクトル成分を評価する。図５のウェーブレット分布計算モジュール５００は、分布の統計的定量化がウェーブレットベースの特徴又はパラメータとして抽出される、様々な波形の周波数、時間、及びパワーのスペクトル画像又はスペクトルデータのスペクトルエネルギーのパワー分布（例えば、パワースペクトル密度、累積密度関数）を査定する。パワーの分布は、パワースペクトル密度（ＰＳＤ）分布、累積濃度関数（ＣＤＦ）分布（例えば、ＣＤＦＮｏｒｍａｌ又はＣＤＦＫｅｒｎｅｌ）、又はパワー分布関数（ＰＤＦ）分布（例えば、ＰＤＦＫｅｒｎａｌ）に基づき得る。
【0047】
ウェーブレット演算子は、マザーウェーブレットψを使用して構築された正規直交ウェーブレット基底関数によって作成された正規直交空間内の時系列の分解としてウェーブレット系列を生成することができる。数学的には、ここでＷによって示される実信号ｘ（ｔ）の連続ウェーブレット変換（ＣＷＴ）は、式１を使用して計算することができる。
【数1】
【0048】
式１において、αはウェーブレットスケール（畳み込みカーネルウィンドウサイズと同様）であり、τは平行移動である。高速フーリエ変換（ＦＦＴ）は、周波数領域における定常信号の分解に適用可能であるが、ウェーブレット変換は、スペクトル内容が時間と共に変化し得る非定常信号に対して柔軟な時間－周波数分析を与える。
【0049】
離散ウェーブレット変換（ＤＷＴ）は、保存された精度で変換の性能を計算的に向上させるために、スケール及び変換の値を制限するウェーブレットのクラスである。ＤＷＴは、概して、スケールを２の累乗（ａ＝１、２、４、８、…）に離散化し、離散時系列の場合のように整数値に変換する（ｂ＝１、２、３、…）。
【0050】
使用され得るウェーブレット分解の例は、連続ウェーブレット変換（ＣＷＴ）及び離散ウェーブレット変換（ＤＷＴ）を含むが、これらに限定されない。
【0051】
例＃１－ウェーブレットベースの特徴
図４Ａは、３つの例示的な特徴又はパラメータカテゴリのうちの１番目として、所与の生物物理学的信号内の関心のある波形領域の高スペクトルエネルギー特質を抽出するように構成される、例示的ウェーブレット特徴計算モジュール４００ａを例解する。スペクトル画像又はスペクトルデータは、波形領域の高スペクトルパワー特質に対応する二値化されたスペクトル画像又はデータを生成するために閾値演算子が適用される関心のある所与の波形領域のウェーブレット変換から生成される。計算は、好ましくは、ウェーブレットベースの特徴又はパラメータとして、波形領域の高スペクトルエネルギー特質の時間範囲、周波数範囲、時間重心、表面積、偏心、円形度、範囲、配向、及び／又はパワー重心の統計的特性を抽出するように、複数の心周期にわたって行われる。図９Ａ～図９Ｄは、例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの二値化スペクトル画像からウェーブレットベースの特徴を生成するための図４Ａのウェーブレット特徴モジュールの例示的な方法を示す。
図４Ａは、３つの例示的な特徴又はパラメータカテゴリのうちの１番目として、所与の生物物理学的信号内の関心のある波形領域の高スペクトルエネルギー特質を抽出するように構成される、例示的ウェーブレット特徴計算モジュール４００ａを例解する。スペクトル画像又はスペクトルデータは、波形領域の高スペクトルパワー特質に対応する二値化されたスペクトル画像又はデータを生成するために閾値演算子が適用される関心のある所与の波形領域のウェーブレット変換から生成される。計算は、好ましくは、ウェーブレットベースの特徴又はパラメータとして、波形領域の高スペクトルエネルギー特質の時間範囲、周波数範囲、時間重心、表面積、偏心、円形度、範囲、配向、及び／又はパワー重心の統計的特性を抽出するように、複数の心周期にわたって行われる。図９Ａ～図９Ｄは、例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの二値化スペクトル画像からウェーブレットベースの特徴を生成するための図４Ａのウェーブレット特徴モジュールの例示的な方法を示す。
【0052】
モジュール４００ａがスペクトル画像を生成する実装形態では、画像は、時間及び周波数の２次元軸で表されてもよく、パワーは、色として示される。この目的のために、閾値演算子を使用して、特定のレベルを超える全てのパワーに同じ色が割り当てられ、残りのパワーに異なる色が割り当てられた二値化画像を生成することができる。画像としてのスペクトルエネルギーの分析は、スペクトル画像から視覚的に識別可能な特質を容易に抽出することができる画像処理動作が使用されることを可能にする。
【0053】
表１は、生成された二値化スペクトル画像又はデータからの関心のある波形領域の１１個の抽出可能な高スペクトルエネルギー特質の例示的なセットを示す。
【表1-1】
【表1-2】
【0054】
図６Ａは、例示的な実施形態による、例えば、図４Ａのウェーブレット特徴計算モジュール４００ａによって行われるような、ウェーブレットベースの特徴又はパラメータを生成するための方法６００ａを示し、これは、全体的又は部分的に、ウェーブレットベースの特徴又はパラメータを生成するために使用されることができ、その出力は、機械学習分類器において使用され、研究中の対象の生理学的システムに関連付けられたメトリックを決定する。表１の特徴を決定するために、モジュール４００ａは、いくつかの実施形態では、（ｉ）取得された生物物理学的信号を前処理し（６０２）、（ｉｉ）所与の信号の関心のある波形領域を分離し（６０４）、（ｉｉｉ）スペクトル画像又はデータとして分離された領域のウェーブレットパワースペクトル（又はコヒーレンスモデル）を生成し（６０６）、（ｉｖ）閾値演算子を介してスペクトル画像又はデータから二値化スペクトル画像又はデータを生成し（６０８）、（ｖ）二値化スペクトル画像又はデータの態様から特徴を決定する（６１０）ように構成される。
【0055】
図６Ａにおいて、方法６００ａは、取得された生物物理学的信号を前処理すること（６０２）を含む。前処理６０２の動作は、例えば、分析の精度を改善するために、又は計算効率を改善するために、サブシグナリング、ダウンサンプリング、及び／又はベースライン除去を含み得る。サブシグナリングは、初期又は他の遷移期間をなくすために信号の第１の部分又は他の部分を除去することを含む。図７Ａは、例示的な実施形態による、心臓信号を前処理する例示的な方法６０２（６０２ａとして示される）を示す。図７Ａでは、前処理動作６０２ａは、（ｉ）ベースライン変動を除去し（７０２）、（ｉｉ）信号の第１のｘ秒（例えば、３０秒）を除去して（７０４）、初期遷移期間を排除し、次いで、（ｉｉｉ）信号をダウンサンプリングする（７０６）（例えば、８ｋＨｚ～５００Ｈｚに）。図７Ｂは、例示的な実施形態による、フォトプレチスモグラフィック信号を前処理する例示的な方法６０２（６０２ｂとして示される）を示す。図７Ｂにおいて、前処理動作６０２ｂは、（ｉ）取得された信号を１２５Ｈｚにダウンサンプリングし（７０８）、（ｉｉ）最初のｘ秒の信号（例えば、３０秒）を除去し（７１０）、（ｉｉｉ）信号をウィンドウ（例えば、１０秒のスキップ間隔を有する２０秒のセグメント）にセグメント化する（７１２）。
【0056】
方法６００ａは、次いで、例えば、ウェーブレット変換を使用して、生物物理学的信号内のスペクトル関心の１つ以上の領域を分離又は検出すること（６０４）（描出することとも称される）を含む。波形領域検出６０４は、分析のための特定の波形領域の分離を容易にし、パワースペクトル分析に対する他の拍動及び時間的ノイズの影響を最小化することができる。ウェーブレット演算子は、経時的な周波数ドリフトを考慮することができるため、波形周波数成分のより正確な分析を容易にする。心臓信号の場合、検出動作（６０４）は、例えば、心房脱分極（「Ｐ波」とも称される）、心室脱分極（ＱＲＳ波又はピークとも称される）、及び／又は心室再分極（「Ｔ波」とも称される）に関連する心臓波形の１つ以上の領域を分離することを含むことができる。フォトプレチスモグラフィック信号の場合、検出動作（６０４）は、フォトプレチスモグラフィック信号（複数可）又はフォトプレチスモグラフィック信号（複数可）から導出された速度プレシズモグラム信号（複数可）内のベース目印、ピーク目印、及び最小目印に関連付けられた波形領域を分離することを含み得る。描出動作６０４の更なる説明は、図８Ａ～図８Ｆに関連して提供される説明において提供される。
【0057】
スペクトル画像又はデータ生成。次いで、方法６００ａは、ウェーブレット分解／変換動作を使用して、スペクトル画像又はスペクトルデータとして、分離された領域のウェーブレット－パワースペクトルモデルを生成すること（６０６）を含む。パワースペクトルは、分離された波形（すなわち、Ｐ波）のそれぞれ又は実質的な部分（例えば、＞５０％）について計算することができる。所与の生物物理学的信号における複数のサイクルについての、心臓信号のＴ波及びＱＲＳ群、コヒーレンス波形、又はフォトプレチスモグラフィック若しくは速度プレシズモグラム信号内のピーク若しくは目印）。（例えば、図３Ｂのための）連続リアルタイム実装形態の場合、変換は、取得された信号の現在のウィンドウに対して実行され得る。
【0058】
心臓、フォトプレチスモグラフィック、及び／又はコヒーレンスパワースペクトルは、検出された波形（例えば、Ｐ波）の各々について計算されてもよい。Ｔ波、心臓信号のＱＲＳ群、又はフォトプレチスモグラフィック若しくは速度プレシズモグラム信号内のピーク若しくは目印など）。いくつかの実施形態では、マザーウェーブレットとして、Ｍｏｒｌｅｔ（Ｇａｂｏｒとも称される）ウェーブレットなどの１－Ｄ連続ウェーブレット変換が適用される。例えば、時間及び周波数において等しい分散を有する他のウェーブレット、例えば、ガウシアン、メキシカンハット、スプライン、及びマイヤーウェーブレットが使用されてもよい。ウェーブレットは、１オクターブ当たり４８ボイスの解像度を有し得る。Ｍｏｒｌｅｔウェーブレットは、式２に示すように、ガウス窓（包絡線）を乗じた複素指数（搬送波）からなるウェーブレットである。
ψ（ｔ）＝ｅｘｐ（ｉωｔ）ｅｘｐ（－ｔ２／２σ２） （式２）
ψ（ｔ）＝ｅｘｐ（ｉωｔ）ｅｘｐ（－ｔ２／２σ２） （式２）
【0059】
式２において、ωはウェーブレット中心周波数であり、σ＝ｎ／２πｆは、時間－周波数分解能のトレードオフを制御するｎ（サイクル数）を有するガウス窓の幅である。
【0060】
コヒーレンス波形は、心臓信号データセット内の２つのチャネル間、又はフォトプレチスモグラフィック信号データセット内の２つのチャネル間、又は異なるモダリティの２つのチャネル間などの時系列信号間の相関の尺度として決定されてもよい。ウェーブレットコヒーレンスは、例えば、式３によって決定することができる。
【数2】
【0061】
式３において、クロススペクトルＣｘｙは、式４によって与えられる時間－周波数領域における２つの信号ｘ及びｙのパワーの分布の尺度である。
【数3】
【0062】
式４において、上付き文字
は複素共役を示し、Ｓは時間及びスケールにおける平滑化演算子である。いくつかの実施形態では、コヒーレンススペクトル演算子は、例えば、ペアにされたチャネル（例えば、チャネルＸとＹとの間、チャネルｘとＸとの間、及びチャネルＹとＺとの間）のコヒーレンススペクトルを見つけるために、１オクターブ当たり３２個の音声で実行される。コヒーレンススペクトルは、心臓信号とフォトプレチスモグラフィック信号との間で生成され得る。
【数4】
【0063】
高パワースペクトル画像又はデータ生成。図６Ａを参照すると、方法６００ａは、関心のある波形信号の高パワースペクトル成分のスペクトル画像又はスペクトルデータの二値化スペクトル画像を生成すること（６０８）を含む。方法６０６は、心房脱分極波形（例えば、Ｐ波スペクトル画像）、心室脱分極波形（例えば、ＱＲＳスペクトル画像）、心室再分極波形（例えば、Ｔ波スペクトル画像）、フォトプレチスモグラフィック信号の収縮期波形、フォトプレチスモグラフィック信号の拡張期波形、フォトプレチスモグラフィック信号のパルスベース波形、速度プレシズモグラム信号のピーク波形、速度プレシズモグラム信号の最小波形、速度プレシズモグラム信号のベース波形のための高パワースペクトル画像又はスペクトルデータを生成することができる。高パワースペクトル画像又はスペクトルデータは、コヒーレンス分析から生成されてもよい。
【0064】
図９Ａは、例示的な実施形態による、スペクトルウェーブレットモデルの二値化スペクトル画像又はデータを生成するための方法６０６（６０６ａとして示される）の例示的な実装形態である。方法６０６ａは、パワースペクトル又はコヒーレンス分析からの周波数、時間、及びパワーのスペクトル画像（例えば、三次元データ）をレンダリングすること（９０２）を含む。
【0065】
方法６０６ａは、いくつかの実施形態では、生成されたスペクトル画像又はデータをトリミングして（９０４）、例えばウェーブレット円錐の影響に起因して、ウェーブレット変換における信頼度が低い画像又はデータ内の領域を除去することを含む。これらの領域は、典型的には、非常に低い周波数及び時間的境界にある。
【0066】
次いで、動作６０６ａは、（ｉ）スペクトル画像を時間的にクロップして、画像の中心期間に制限すること（９０６）と、（ｉｉ）周波数領域において画像をクロップして、最大周波数に制限すること（９０６）とを含む。心臓信号の場合、画像は、画像を中心の０．６秒に制限するために、一時的に（例えば、時間／時間軸、例えば、ｘ軸において）クロップされ得る。画像は、最大周波数に制限するために周波数領域においてクロップされ得る。最大周波数は、異なる波形領域に対して異なって適用されてもよい。例えば、Ｐ波波形に対する切り取られた最大周波数は６０Ｈｚであり、ＱＲＳ波形に対しては８０Ｈｚであり、Ｔ波波形に対しては６０Ｈｚであり得る。ＱＲＳ波形は、Ｐ波及びＴ波と比較して、より高い周波数成分の分析を容易にするために、より高い周波数が許容され得る。
【0067】
動作６０６ａは、取得された信号のスペクトル特質の二値化された論理表現を生成するために、画像を閾値処理すること（９０８）を含む。いくつかの実施形態では、画像は、パーセンタイルを使用して閾値化され、特定のパーセンタイルを上回る全ての値（画像内のスペクトルパワーに対応する）が維持され、その閾値を下回る全てのパワーが除去される。表２は、様々な心臓波形タイプに対する例示的な閾値レベルを示す。
【表2】
【0068】
表２に示されるように、閾値化は、波形に依存してもよく、例えば、上位１％（すなわち、０．０１の閾値）が、Ｐ波及びＱＲＳ波のために使用され、２．５％（すなわち、０．０２５の閾値）が、Ｔ波のために使用される。より低い閾値は、心室再分極（Ｔ波）に関連するより低い周波数成分のより多くにおけるパワーの分析を容易にする。二値化されたスペクトル画像又はデータ内の閾値処理された領域は、したがって、取得された生物物理学的信号内のその周波数場所及び時間場所を参照して、スペクトル画像の高パワー領域を含む。
【0069】
図９Ｂは、例示的な実施形態による、図９Ａの方法に従ってスペクトルウェーブレットモデルから生成された２つの例示的なウェーブレットスペクトル画像（９１０、９１２として示される）及び関連する二値化要素（９１４として示される）を示す。図９Ｂでは、ウェーブレットスペクトル画像（９１０、９１２）は各々、時間がｘ軸に提供され、周波数がｙ軸に提供される、時間－周波数プロットとして示される。
【0070】
図９Ｂでは、ウェーブレットスペクトル画像９１０は、複数のピークを有するように示され、ウェーブレットスペクトル画像９１２は、単一の区別可能なピークを有するように示される。図９Ｂはまた、画像９１０、９１２を生成するために使用される対応する三次元データ空間（９１６及び９１８）を示す。図９Ｂでは、三次元データ空間は、時間がｘ軸に提供され、周波数がｙ軸に提供され、パワーがｚ軸に提供される、時間－周波数－パワープロットとして示される。特徴及びそれらの関連する値を決定することができる所定の閾値を超える二値化された領域の各々の境界を定める凸包カプセル化（９２０として示される）も示される。上述したように、分析は画像に関して提示されるが、それらは視覚的フォーマットではない同様のデータ空間上で実行されてもよい。
【0071】
図９Ｂは、心臓信号のチャネルのスペクトルウェーブレットモデルを示す。図９Ｂでは、スペクトル画像を生成するために使用される心臓信号波形領域９２２が、それぞれのウェーブレットスペクトル画像上に重ね合わされて示されている。信号９２２は、時間対振幅で示されている。図９Ｃは、図９Ａの方法に従ってフォトプレチスモグラフィック信号のスペクトルウェーブレットモデルから生成された例示的なウェーブレットスペクトル画像（９２４として示される）及び関連する二値化要素（９２６）を示す。図９Ｃはまた、画像９２４を生成するために使用される対応する三次元データ空間（９２８）を示す。図９Ｄは、図９Ａの方法に従って速度プレシズモグラム信号データセットのスペクトルウェーブレットモデルから生成された例示的なウェーブレットスペクトル画像及び関連する二値化要素を示す。
【0072】
特徴計算。図６Ａを参照すると、方法６００ａは、二値化スペクトル画像又はデータにおける特性又はパラメータを検出又は定量化することによって、生成された二値化スペクトル画像又はデータの態様から特徴及び関連する値を決定すること（６１０）を含む。スペクトル画像又はデータ内の特性又はパラメータを定量化するために、モジュール４００ａ（及び／又はモジュール４００ｂ）は、凸包演算子又は領域をカプセル化することができる任意の演算子を使用して、スペクトル画像又はデータ内の各個別領域にバウンディングボックスを割り当ててもよい。複数の別個の領域が識別される場合、計算された特徴値は、複数の領域にわたる値の加重平均として決定され得る。画像データの場合、加重平均は、画像の表面積／ピクセル数に基づき得る。データの場合、加重平均はデータ点に基づき得る。モジュール４００ａ（及び／又はモジュール４００ｂ）は、非常に小さい表面積を有する領域を特徴計算に関与することから除外／ノイズ除去することができる。
【0073】
心臓信号スペクトル画像ベースの特徴。表３Ａは、関心のあるそれぞれの波形信号領域（例えば、心臓信号の所与の信号チャネル（表３Ａにおいて信号チャネルＸ、Ｙ、及び／又はＺと称される）における心房脱分極（Ｐ波）領域、心室脱分極（ＱＲＳ）波領域、及び心室再分極（Ｔ波）領域）に対する二値化スペクトル画像又はデータにおける高パワースペクトル成分情報から抽出されて、最大９９個の特徴を提供することができる１１個の幾何学的又は特性（表３Ａにおいて「ＴｉｍｅＲａｎｇｅ」、「ＴｉｍｅＣｅｎｔｒｏｉｄ」、「ＦｒｅｑｕｅｎｃｙＣｅｎｔｒｏｉｄ」、「ＳｕｒｆａｃｅＡｒｅａ」、「Ｅｃｃｅｎｔｒｉｃｉｔｙ」、「Ｃｉｒｃｕｌａｒｉｔｙ」、及び「Ｅｘｔｅｎｔ」として示される）を対象とする１９８個の特徴の要約されたセットを示す。ウェーブレットベースの特徴又はパラメータは、多くの心周期にわたって生成されたスペクトル画像から計算され得る。計算された特徴値を（例えば、ＭＬに好適な）要約特徴に圧縮するために、モジュール４００ａは、（ｉ）特徴がサイクルにわたってどのように変化するかを示す四分位範囲（「ＩＱＲ」）、又は（ｉｉ）特徴値の分布における中間値（「中央値」）を採用することができる。ＩＱＲ又は中央値について定量化されると、モジュール４００ａは、例えば、合計１９８個の潜在的ウェーブレットベースの特徴又はパラメータを計算することができる。
【0074】
様々な波形信号領域及び信号チャネルの間の時間範囲、周波数範囲、時間重心、周波数重心、表面積、偏心、円形度、範囲、配向、及びパワー重心は、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定、具体的には、上昇ＬＶＥＤＰの存在又は不在の判定において有意な有用性を有することが、実験を通して観察されている。様々な波形信号領域及び信号チャネルの間の時間範囲、周波数範囲、時間重心、周波数重心、表面積、偏心、円形度、範囲、及び配向が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも実験を通して観察されている。それぞれ、異常な又は上昇ＬＶＥＤＰの存在又は不在及び有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定のウェーブレットベースの特徴又はパラメータのリストを表８Ａ及び表９Ａに提供する。
【表3】
【0075】
ＰＰＧ信号スペクトル画像ベースの特徴。表３Ｂは、最大２６４個の特徴を提供するために、２つのフォトプレチスモグラフィック信号の３つの例示的領域及び対応する２組の速度プレシズモグラム信号の３つの例示的領域に対する同じ１１個のパラメータのうちの１３２個の抽出可能なウェーブレットベースの特徴又はパラメータの例示的なセットを示す。パラメータは、複数のフォトプレチスモグラフィック信号サイクル又は速度プレシズモグラム信号サイクルにわたって抽出されてもよく、四分位範囲（「ＩＱＲ」）又は中央値として定量化され、合計２６４の特徴を提供することができる。また、実験を通して、ＰＰＧチャネル及びＶＰＧチャネルの間の時間範囲、周波数範囲、時間重心、周波数重心、表面積、偏心、円形度、範囲、配向、パワー重心、及び領域の数が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定のウェーブレットベースの特徴又はパラメータのリストを、表９Ａに提供する。
【表4-1】
【表4-2】
【0076】
コヒーレンス分析スペクトル－画像特徴。表３Ｃは、３つのコヒーレンス波形、すなわち、心臓信号ＸＹ、ＸＺ、及びＹＺに対して計算された、表１の１１個のパラメータに対する３３個の抽出可能なウェーブレットベースの特徴又はパラメータの例示的なセットを示す。周波数重心パラメータ及び偏心パラメータは、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定、具体的には、上昇ＬＶＥＤＰの存在又は不在の判定において有意な有用性を有することが、実験を通して観察されている。また、実験を通して、周波数範囲、時間重心、周波数重心、円形度、及び程度パラメータが、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。異常な又は上昇ＬＶＥＤＰの存在又は不在及び有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定のウェーブレットベースの特徴又はパラメータのリストを、それぞれ、表８Ａ及び表９Ａに提供する。
【表5】
【0077】
図１１は、図９Ａの方法による３つのコヒーレンス分析から生成された例示的な二値化ウェーブレットスペクトルコヒーレンス要素（１１０２として示される）を示す。図１１において、コヒーレンス分析は、心臓信号データセットについて、チャネルＸとＹとの間、チャネルＸとＺとの間、及びチャネルＹとＺとの間で実行される。ｘ軸は時間（秒）を示し、ｙ軸は周波数（Ｈｚ）を示す。二値化ウェーブレットスペクトルコヒーレンス要素１１０２は、図１１において、０．９５の静的閾値を介して生成される（ここで、１．００は、その周波数及び時間におけるパワーが両方のチャネルにわたって同一であることを示す）。図１１では、チャネルＸとＺとの間に有意なコヒーレンスが存在することが観察され得る。更に、チャネルＸとＺとの間のコヒーレンスは、典型的には、ＱＲＳにおいて最大であり、Ｔ及びＴＰ等電期間の間に低下することが観察され得る。対照的に、他のチャネル対は、静的閾値０．９５より上では、はるかに低い周波数でコヒーレントである。
【0078】
例＃２－ウェーブレットベースの特徴
図４Ｂは、３つの例示的な特徴又はパラメータカテゴリのうちの第２のものとして、所与の生物物理学的信号内の関心のある波形領域の高スペクトルエネルギー特質を抽出するように構成される、例示的ウェーブレット傾向特徴計算モジュール４００ｂを例解する。図１０Ａ～図１０Ｆは、例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの複数の二値化されたスペクトル画像内に確立された傾向からウェーブレットベースの特徴を算出するための図４Ｂのウェーブレット特徴モジュールの例示的な方法を示す。
図４Ｂは、３つの例示的な特徴又はパラメータカテゴリのうちの第２のものとして、所与の生物物理学的信号内の関心のある波形領域の高スペクトルエネルギー特質を抽出するように構成される、例示的ウェーブレット傾向特徴計算モジュール４００ｂを例解する。図１０Ａ～図１０Ｆは、例示的な実施形態による、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号のスペクトルウェーブレットモデルの複数の二値化されたスペクトル画像内に確立された傾向からウェーブレットベースの特徴を算出するための図４Ｂのウェーブレット特徴モジュールの例示的な方法を示す。
【0079】
パワー閾値に対するモジュール４００ａのウェーブレット特徴又はパラメータの潜在的感度に起因して、モジュール４００ａは、かかる依存性を軽減するように、モジュール４００ｂの付加的ウェーブレットベースの特徴又はパラメータで補完又は補完されてもよい。モジュール４００ｂは、異なる閾値での複数の閾値演算が実行されて、対応する数の二値化されたスペクトル画像又はデータを生成する、所与の関心のある波形領域（又はモジュール４００ａからの使用された中間出力）のウェーブレット変換からスペクトル画像又はスペクトルデータを生成してもよい。各二値化スペクトル画像又はデータは、傾向線が決定され得る波形領域の高スペクトルエネルギー特質の所与のパラメータ（例えば、時間範囲、周波数範囲、時間重心、表面積、偏心、円形度、範囲、配向、及び／又はパワー重心）について評価される。この傾向及び感度評価は、「減衰」分析とも称される。
【0080】
図６Ｂは、例示的な実施形態による、例えば、図４Ｂのウェーブレット傾向特徴計算モジュール４００ｂによって行われるような、ウェーブレットベースの特徴又はパラメータを生成する方法６００ｂを示し、これは、全体的又は部分的に、ウェーブレットベースの特徴又はパラメータを生成するために使用されることができ、その出力は、機械学習された分類器において使用され、研究中の対象の生理学的システムに関連付けられたメトリックを決定する。ウェーブレットベースの特徴又はパラメータを決定するために、モジュール４００ｂは、いくつかの実施形態では、（ｉ）取得された生物物理学的信号を前処理し（６０２）、（ｉｉ）所与の信号の関心のある波形領域を分離し（６０４）、（ｉｉｉ）スペクトル画像又はデータとして、分離された領域のウェーブレットパワースペクトル（又はコヒーレンスモデル）を生成する（６０６）ように構成される。単一の閾値を適用するのではなく、モジュール４００ｂは、異なる閾値で複数の閾値演算を適用して、対応する数の二値化スペクトル画像又はデータを生成するように構成される。
【0081】
表４Ａ及び表４Ｂはそれぞれ、生体電位信号の所与の信号チャネル（「信号チャネル」と称される）に対する関心のある波形信号領域の高パワー成分スペクトル成分の閾値感度分析から計算された９９個のウェーブレットベースの特徴（「パラメータ」）の要約されたセットを示す。表４Ａでは、ウェーブレットベースの特徴が、３つの潜在的波形領域（「信号領域」として示される）、すなわち、心房脱分極（Ｐ波）領域、心室脱分極（ＱＲＳ）波領域、及び心室再分極（Ｔ波）領域から、取得されたチャネル（例えば、Ｘ、Ｙ、及びＺチャネル）の各々に対して生成されて示される。パラメータは、多くのサイクルにわたって計算され、四分位範囲（「ＩＱＲ」）として、又は中央値として定量化され、合計１９８の特徴を提供してもよい。
【0082】
表４Ａにおいて、波形信号領域及び信号チャネルの各々についての「Ｄｅｃａｙ＿ＴｉｍｅＲａｎｇｅ」、「Ｄｅｃａｙ＿ＦｒｅｑｕｅｎｃｙＲａｎｇｅ」、「Ｄｅｃａｙ＿ＴｉｍｅＣｅｎｔｒｏｉｄ」、「ＦｒｅｑｕｅｎｃｙＣｅｎｔｒｏｉｄ」、「Ｄｅｃａｙ＿Ｅｃｃｅｎｔｒｉｃｉｔｙ」、「Ｄｅｃａｙ＿Ｃｉｒｃｕｌａｒｉｔｙ」、「Ｄｅｃａｙ＿Ｅｘｔｅｎｔ」、「Ｄｅｃａｙ＿Ｏｒｉｅｎｔａｔｉｏｎ」、及び「Ｄｅｃａｙ＿ＰｏｗｅｒＣｅｎｔｒｏｉｄ」に関連付けられた幾何学的又は特性は、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定、具体的には、上昇ＬＶＥＤＰの存在又は不在の決定において有意な有用性を有することが実験的に決定されている。また、実験を通して、Ｄｅｃａｙ＿ＴｉｍｅＲａｎｇｅ、「Ｄｅｃａｙ＿ＴｉｍｅＣｅｎｔｒｏｉｄ」、「Ｄｅｃａｙ＿ＳｕｒｆａｃｅＡｒｅａ」、「Ｄｅｃａｙ＿Ｅｃｃｅｎｔｒｉｃｉｔｙ」、「Ｄｅｃａｙ＿Ｃｉｒｃｕｌａｒｉｔｙ」、「Ｄｅｃａｙ＿Ｅｘｔｅｎｔ」、及び「Ｄｅｃａｙ＿Ｏｒｉｅｎｔａｔｉｏｎ」パラメータが、冠状動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。それぞれ、異常な又は上昇ＬＶＥＤＰの存在又は不在及び有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定の特徴のリストを表８Ｂ及び表９Ｂに提供する。
【表6】
【0083】
表４Ｂは、合計１３２個の特徴を提供するために、フォトプレチスモグラフィック信号及び／又は対応する速度プレシズモグラム信号（例えば、ＰＰＧ ＩＲチャネル、ＰＰＧ赤チャネル、ＶＰＧ ＩＲチャネル、及びＶＰＧ赤チャネル）の３つの波形信号領域（例えば、最大ピーク領域、最小ピーク領域、及びベースパルス領域）について計算された表４Ａの１１個の特徴を示す。特徴は、複数のサイクルにわたって生成されてもよく、これは、四分位範囲又は中央値分布で表され、総数２６４の特徴を提供することができる。
【表7】
【0084】
一例において、図１０Ａは、取得された心臓信号の１つのチャネルにおける１つの波形領域（すなわち、Ｐ波領域）に対して異なる閾値から生成された二値化スペクトル画像のセットを示す。図１０Ａでは、（画像１００２ａ～１００２ｋとして示される）１％～１１％までの範囲のパワー閾値に基づくパワー抑制の変動が示されている。
【0085】
図１０Ｂは、異なるレベルの閾値（１％～１１％）に対する表１の１１個のパラメータと、それぞれのデータから導出された対応する傾向線とを示す。図１０Ｂでは、適合関数（１００４ａ～１００４ｋとして示される）が適用され、適合に関連付けられたパラメータ（例えば、傾き）がウェーブレット特徴又はパラメータとして使用される。図１０Ｂでは、各プロットのｙ軸はパラメータ値を示し、ｘ軸はそのパラメータ値に関連付けられた閾値を示す。
【0086】
図１０Ｃ及び図１０Ｄは、フォトプレチスモグラフィック信号のウェーブレットベースの特徴又はパラメータの同様の計算を示す。図１０Ｃにおいて、閾値は、１％～２．５％の間で変化するように示されている。図１０Ｄでは、表１の１１個のパラメータが、フォトプレチスモグラフィック信号に対する異なるレベルの閾値（１％～８％）に対して示される。
【0087】
ウェーブレット分布特徴－例＃３
図５は、３つの例示的な特徴又はパラメータカテゴリのうちの第３のものとして、統計的演算を使用して、所与の生物物理学的信号における関心のある波形領域の時間及び周波数におけるパワーの分布を査定するように構成される、例示的ウェーブレット分布特徴計算モジュール５００を例解する。図１２Ａ～図１２Ｂ、図１３Ａ～図１３Ｄ、及び図１４Ａ～図１４Ｄは、例示的な実施形態による、ウェーブレット分布特徴を生成するための図５のウェーブレット分布特徴モジュールの例示的な方法を示す。
図５は、３つの例示的な特徴又はパラメータカテゴリのうちの第３のものとして、統計的演算を使用して、所与の生物物理学的信号における関心のある波形領域の時間及び周波数におけるパワーの分布を査定するように構成される、例示的ウェーブレット分布特徴計算モジュール５００を例解する。図１２Ａ～図１２Ｂ、図１３Ａ～図１３Ｄ、及び図１４Ａ～図１４Ｄは、例示的な実施形態による、ウェーブレット分布特徴を生成するための図５のウェーブレット分布特徴モジュールの例示的な方法を示す。
【0088】
モジュール５００は、パワーパーセンタイル閾値を使用することによって別々にフィルタリングされたＰ波、ＱＲＳ群、及びＴ波のパワースペクトルの高パワー領域のパワー分布を計算するように構成される。分布分析は、心室脱分極波及び再分極波に存在する周波数成分の大部分の分析に焦点を当てるために、１～６０Ｈｚの範囲の周波数にわたって実行される。
【0089】
分布は、（ｉ）ウェーブレットベースのモデル内で決定された分布関数と、（ｉｉ）基本分布関数（例えば、一様分布又は正規分布）との間で査定された分位－分位確率を含むことができる。分布は、パワー密度関数又は累積密度関数に基づき得る。
【0090】
表５は、関心のある波形領域のパワースペクトルの高パワー領域に対するパワー分布の２５個の抽出可能なウェーブレットベースの特徴又はパラメータの例示的なセットを示す。最初の１３個の特徴は、パワースペクトル密度分布から計算される。
【表8-1】
【表8-2】
【表8-3】
【0091】
図６Ｃは、例示的な実施形態による、例えば、図５のウェーブレット分布特徴計算モジュール５００によって行われるような、ウェーブレットベースの特徴又はパラメータを生成するための方法６００ｃを示し、これは、全体的又は部分的に、ウェーブレットベースの特徴又はパラメータを生成するために使用されることができ、その出力は、機械学習された分類器において使用され、研究下の対象の生理学的システムに関連付けられたメトリックを決定する。表５の特徴を決定するために、モジュール５００は、いくつかの実施形態では、（ｉ）取得された生物物理学的信号を前処理し（６０２）、（ｉｉ）所与の信号の関心のある波形領域を分離し（６０４）、（ｉｉｉ）スペクトル画像又はデータとして分離された領域のウェーブレット－パワースペクトル（又はコヒーレンスモデル）を生成し（６０６）、（ｉｖ）閾値演算子を介してスペクトル画像又はデータから二値化スペクトル画像又はデータを生成し（６１２）、（ｖ）二値化画像又はデータのパワースペクトル密度（ＰＳＤ）又は累積密度関数（ＣＤＦ）を決定し（６１４）、（ｖｉ）パワースペクトル密度（ＰＳＤ）又は累積密度関数（ＣＤＦ）の態様から特徴を決定する（６１６）ように構成される。
【0092】
図６Ｃでは、方法６００ｃは、図６Ａに関連して説明されるように、取得された生物物理学的信号（例えば、サブシグナリング、ダウンサンプリング、及びベースライン除去）を前処理すること（６０２）を含む。次いで、方法６００ｃは、例えば、ウェーブレット変換を使用して、図６Ａに関して説明されるように、生物物理学的信号内のスペクトル関心の１つ以上の領域を検出すること（６０４）を含む。次いで、方法６００ｃは、例えば、図６Ａに関連して説明されるように、ウェーブレット分解／変換動作を使用して、スペクトル画像又は２Ｄ／３Ｄスペクトルデータとして、分離された領域のウェーブレット－パワースペクトルモデルを生成すること（６０６）を含む。
【0093】
次いで、方法６００ｃは、生成されたウェーブレットスペクトル画像の高パワー領域を決定すること（６１２）を含む。心臓信号については、例えば、Ｐ波、ＱＲＳ群、及びＴ波の高パワー領域が、例えば、それぞれ０．０１、０．０１、及び０．０２５のパワーパーセンタイル閾値を有するフィルタを使用して査定されてもよい。分布分析は、心室脱分極波及び再分極波に存在する周波数成分の大部分を含む１～６０Ｈｚの範囲の周波数に限定される。フォトプレチスモグラフィック信号について、ＰＰＧ及びＶＰＧ Ｒｅｄのウェーブレットパワースペクトルは、それぞれ、４％及び０．３％の最高パワーパーセンタイル（０．０４、０．００３の閾値に対応する）を使用することによってフィルタリングされる。ＰＰＧ及びＶＰＧの分布分析は、それぞれ１０Ｈｚ及び１５Ｈｚ未満の周波数に限定される。
【0094】
方法６００ｃは、次いで、パワースペクトル密度又は累積分布関数など、高パワー領域の分布を決定すること（６１４）を含む。いくつかの実施形態では、パワースペクトル密度（ＰＳＤ）は、各指定された周波数におけるスペクトル時間（例えば、画像のｘ軸）にわたってパワー（例えば、画像のｚ軸）を積分することによって得られる。
【0095】
次いで、方法６００ｃは、以下に提供される表６Ａ及び６Ｂに従って、生成された分布の態様から特徴及び関連する値を決定すること（６１６）を含む。
【0096】
心臓ウェーブレット分布特徴。表６Ａは、表５の２５の分布パラメータに向けられた２１３の特徴の要約されたセットを示す。表６Ａでは、２１の特徴が、所与の心臓信号（例えば、チャネルＸ、Ｙ、及びＺ）の３つの例示的波形領域（例えば、心房脱分極（Ｐ波）領域、心室脱分極（ＱＲＳ）波領域、及び心室再分極（Ｔ波）領域）のうちの任意の１つに対して判定されてもよい一方で、特徴のうちの４つは、領域のうちの２つに対して判定されてもよい。ウェーブレットベースの特徴又はパラメータは、多くの心周期にわたって生成されたスペクトル画像から計算され得る。計算された特徴値を（例えば、ＭＬに好適な）要約特徴に圧縮するために、モジュール５００は、特徴値の分布中の中央値を採用することができる。
【0097】
様々な波形信号領域及び信号チャネルの中の１４の特徴（「Ｄｉｓｔ＿ｍｅｄｉａｎＰＳＤ」、「Ｄｉｓｔ＿ｓｔｄＰＳＤ」、「Ｄｉｓｔ＿ｓｋｅｗＰＳＤ」、「Ｄｉｓｔ＿ｅｎｔｒｏｐｙ」、「Ｄｉｓｔ＿ｐｅａｋＷｉｄｔｈＰＳＤ」、「Ｄｉｓｔ＿ｐｅａｋＤｉｓｐＰＳＤ」、「Ｄｉｓｔ＿ｑｑｓｌｏｐ ｕｎｉｆｏｒｍ」、「Ｄｉｓｔ＿ｑｑｒ２ ｕｎｉｆｏｒｍ」、「Ｄｉｓｔ＿ｑｑｓｓｅ ｎｏｒｍａｌ」、「Ｄｉｓｔ＿ｑｑｒ２ ｎｏｒｍａｌ」、「Ｄｉｓｔ＿ｃｄｆＮｏｒｍａｌ＿Ｌ１ｎｏｒｍ」、「Ｄｉｓｔ＿ｃｄｆＮｏｒｍａｌ＿ｓｔｄ」、「Ｄｉｓｔ＿ｐｄｆｔｋｅｒｎｅｌ＿Ｌ１ｎｏｒｍ」、及び「Ｄｉｓｔ＿ｐｄｆｋｅｒｎａｌ＿ｓｔｄ」）が、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定、特に、上昇ＬＶＥＤＰの存在又は不在の決定において有意な有用性を有することが実験的に決定されたことが観察されている。また、実験を通して、「ｍｅｄｉａｎＰＳＤ」、「ｓｔｄＰＳＤ」、「ｋｕｒｔＰＳＤ」、「ｅｎｔｒｏｐｙ」、「ｐｅａｋＷｉｄｔｈＰＳＤ」、「ｑｑｓｌｏｐ＿ｕｎｉｆｏｒｍ」、及び「ｑｑｒ２＿ｕｎｉｆｏｒｍ」、「ｑｑｓｌｏｐ＿ｎｏｒｍａｌ」、「ｑｑｓｓｅ＿ｎｏｒｍａｌ」、「ｑｑｒ２＿ｎｏｒｍａｌ」、「ｄｆＮｏｒｍａｌ＿Ｌ１ｎｏｒｍ」、及び「ｐｄｆＫｅｒｎａｌ＿ｓｔｄ」パラメータが、冠状動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。それぞれ、異常な又は上昇ＬＶＥＤＰの存在又は不在及び有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定のウェーブレットベースの特徴又はパラメータのリストを表８Ｃ及び表９Ｃに提供する。
【表9】
【0098】
ＰＰＧ／ＶＰＧウェーブレット分布特徴。表６Ｂは、表５の２５個の分布パラメータに向けられた５０個の特徴の要約されたセットを示す。表６Ｂでは、２５個の特徴が、信号ごとに各サイクルについて決定され（例えば、ＶＰＧ及びＰＰＧ）、サイクルにわたるそれらの中央値によって圧縮され得る。また、実験を通して、「ｓｕｍＰＳＤ」、「ｓｔｄＰＳＤ」、「ｓｋｅｗＰＳＤ」、「ｋｕｒｔＰＳＤ」、「ｅｎｔｒｏｐｙ」、「ｐｅａｋＷｉｄｔｈＰＳＤ」、「ｐｅａｋＲａｔｉｏＰＳＤ」、「ｎｕｍｐｅａｋＰＳＤ」、「ｆｐｅａｋＲａｔｉｏＰＳＤ」、「ｐｅａｋＤｉｓｐＲａｔｅ」、「ｑｑｓｌｏｐ＿ｕｎｉｆｏｒｍ」、「ｑｑｓｓｅ＿ｎｏｒｍａｌ」、「ｑｑｓｌｏｐ＿ｎｏｒｍａｌ」、「Ｐｄｆｔｋｅｒｎａｌ＿Ｌ１＿ｎｏｒｍ」、「Ｐｄｆｔｋｅｒｎａｌ＿ｓｔｄ」、「ｐｏｗｅｒｐｅａｋ」、「ｐｅａｋＤｉｓｐＰＳＤ」、及び「Ｐｄｆｔｋｅｒｎａｌ＿ｎｕｍｐｅａｋ」パラメータが、冠状動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定のウェーブレットベースの特徴又はパラメータのリストを、表９Ｃに提供する。
【表10】
【0099】
ＰＳＤ分布特徴。図１２Ａ、図１３Ａ、及び図１３Ｃはそれぞれ、心臓信号、フォトプレチスモグラフィック信号、及び速度プレシズモグラム信号それぞれのウェーブレットスペクトルの査定された高パワー領域（１２０４として示される）を含むウェーブレットスペクトル画像１２０２を示す。図１２Ｂ、図１３Ｂ、及び図１３Ｄは、それぞれ、図１２Ａ、図１３Ａ、及び図１３Ｄの高パワー領域の査定されたパワー密度分布特質プロファイル（１２０６）を示す。（図１２Ａ、図１３Ｂ、及び図１３Ｄにおける）例示的抽出パラメータは、本セット内の様々な特徴を査定するために使用され得る、ピークの幅（１２０８）及び高さ（１２１０）を含む。
【0100】
パワースペクトル密度（ＰＳＤ）分位数－分位数確率特徴。図１４Ａは、理論的分位値（例えば、ガウス正規分布及び一様分布）（ｘ軸）に対してプロットされた波形の高パワースペクトル成分のパワースペクトル密度関数（ｙ軸）の分位点の例示的な分位－分位確率プロット（１４０２ａ及び１４０２ｂとして示される）を示す。ＰＳＤデータが同じ理論分布に由来する場合、データプロットは、スケールを示す傾きを有する線形（線１４０４として示される）に見える。分析において、分位数－分位数プロットにおける線形性からの偏差は、分位数－分位数プロットにおけるデータに対する最良の線形適合のための推定の調整されたＲ二乗（例えば、表６Ａ又は表６Ｂの「ｑｑｒ２」特徴）又は標準エラー（例えば、表６Ａ又は６Ｂの「ｑｑｓｓｅ」特徴）を計算することによってキャプチャされ得る。回帰直線の傾きは、特徴（例えば、表６Ａ又は図６Ｂの「ｑｑｓｌｏｐ」特徴）として出力され得る。特徴は、複数のサイクルにわたって各心臓波形（例えば、心房脱分極（Ｐ波）領域、心室脱分極（ＱＲＳ）波領域、及び心室再分極（Ｔ波）領域）について計算され、それらの中央値によって圧縮される。
【0101】
累積密度分布（ＣＤＤ）特徴。図１４Ｂは、ガウス正規ＣＤＤ関数（ｘ軸）に対してプロットされたパワースペクトル密度（ＰＳＤ）関数（ｙ軸）の例示的な累積密度分布（ＣＤＤ）を示す。「Ｄｉｓｔ＿ｃｄｆＮｏｒｍａｌ＿ｌ１ｎｏｒｍ」特徴は、Ｌ１距離としてＣＤＤ間の絶対差から抽出される。ＣＤＤからの「Ｄｉｓｔ＿ｃｄｆＮｏｒｍａｌ＿ｓｔｄ」特徴は、Ｌ１距離とＬ１距離の標準偏差との和である。図１４Ｃは、二値化されたスペクトル画像又はデータの高パワースペクトル領域のパワースペクトル密度（ＰＳＤ）のパワー密度分布（ＰＤＤ）（１４０８）に適合された例示的なカーネル密度推定器（ＫＤＥ）（１４０６）を示す。図１４Ｄは、図１４Ｃの回帰直線とデータとの間で決定された例示的なＬ１距離を示し、これは、推定の良好さの指標を提供するために使用され得る。
【0102】
波形領域分離動作
心臓信号。図８Ａ～図８Ｃは、心臓信号の波形領域分離動作を示す。図８Ａは、心室脱分極（ＱＲＳ）、心房脱分極（Ｐ波）、及び心室再分極（Ｔ波）に関連付けられた波形のうちの１つ以上を描出するための方法６０４ａの図を示す。
心臓信号。図８Ａ～図８Ｃは、心臓信号の波形領域分離動作を示す。図８Ａは、心室脱分極（ＱＲＳ）、心房脱分極（Ｐ波）、及び心室再分極（Ｔ波）に関連付けられた波形のうちの１つ以上を描出するための方法６０４ａの図を示す。
【0103】
描出動作６０４ａは、図８Ａの例では、取得された心臓信号データセットのチャネル信号を
ごとに単一の時系列
に変換すること（８０２）を含む。次いで、描出動作６０４ａは、例えば、極大値検出器（例えば、Ｍａｔｌａｂ（登録商標）におけるｆｉｎｄｐｅａｋ関数）を介して、変換された時系列
の各サイクルにおけるピーク（心室脱分極（ＱＲＳピーク）に対応する）を検出すること（８０４）を含む。
【数5】
【数6】
【数7】
【0104】
図８Ｂは、例示的な実施形態による、変換された信号の心室脱分極（ＶＤ）開始及び心室脱分極（ＶＤ）オフセット領域を決定するための描出動作８０６（８０６ａとして示される）を示す。描出動作８０６ａは、ウェーブレット変換、例えば、（例えば、マザーウェーブレットとしての）連続１－Ｄモーレットウェーブレット、ガウシアン、メキシカンハット、スプライン、及びマイヤーウェーブレットを使用して、心臓信号のチャネルを分解すること（８１０）を含む。次いで、描出動作８０６ａは、帯域通過フィルタリングされたウェーブレットスペクトル（例えば、４０～６０Ｈｚの間）から時系列信号を生成すること（８１２）を含む。次いで、描出動作８０６ａは、例えば、各検出された心室脱分極（ＶＤ）ピークの前及び後の第１の時間に動的閾値（例えば、累積パワーの上位２５パーセンタイル）を下回る累積パワーを有する、再構成された信号内のインデックスを決定すること（８１４）を含む。オフセットオンセット補正は、誤って検出された基準点を除去するために、信号の微分を使用して実行されてもよい。３チャネル補正は、検出された心室脱分極開始及びオフセットに適用されて、開始及びオフセットに対して同じ時間インデックスを３つ全てのチャネルに割り当てるあらゆる誤った目印を排除することができる。
【0105】
次いで、描出動作６０４ａは、変換された信号（８０６）における心室再分極及び心房脱分極に関連付けられた波形をセグメント化／分離すること（８０８）を含む。いくつかの実施形態では、心室再分極及び心房脱分極セグメント（Ｔ－Ｐセグメントとも称される）は、ＱＲＳｏｆｆ，ｉと次の連続サイクルＱＲＳｏｎｓｅｔ，ｉ＋１との間の信号をセグメント化することによって分離される。Ｔ－Ｐセグメントを分離すると、ＴＰセグメントの２／３を心室再分極（Ｔ波）に関連付けられた波形領域に割り当て、残りの１／３を心房脱分極（Ｐ波）に割り当てることができる。例えば、Ｄ．Ｂ．Ｄｕｂｉｎ，Ｒａｐｉｄ Ｉｎｔｅｒｐｒｅｔａｔｉｏｎ ｏｆ ＥＫＧ’ｓ：Ａｎ ｉｎｔｅｒａｃｔｉｖｅ ｃｏｕｒｓｅ，６ｔｈ ｅｄ．ｔａｍｐａ：Ｃｏｖｅｒ Ｐｕｂ，２０００で説明されている他のセグメント化を使用することができる。
【0106】
図８Ｃは、例示的な実施形態による、図８Ａに説明される方法６０４ａを使用して、描出された基準又は関心のある目印を伴う、例示的な心臓信号を示す。図８Ｃでは、ダウンサンプリングされた心臓信号（８１８）、変換された信号
の帯域通過フィルタリングされた表現（８２０）、並びに検出された心室脱分極開始及びオフセット（それぞれ、８２２及び８２４）が、３つの例示的な心臓信号の各々に対して示される。図８Ｄは、３つのチャネル（８２４、８２６、及び８２８）を含む例示的な心臓信号データセットを示す。図８Ｄは更に、各サイクルから抽出された心臓信号データセットの各チャネルについて、ＱＲＳ群（８３０ａ、８３０ｂ、８３０ｃ）、Ｔ波（８３２ａ、８３２ｂ、８３２ｃ）、及びＰ波（８３４ａ、８３４ｂ、８３４ｃ）の分離された心臓波を示す。参照のためにランダム拍動（８３６）が示されている。８３０ａ～８３０ｃ、８３２ａ～８３２ｃ、及び８３４ａ～８３４ｃでは、複数のサイクル（８３６）が、参照のためにランダムに選択された拍動（８３８）と共に示されている。
【数8】
【0107】
フォトプレチスモグラフィック信号。図８Ｅ～図８Ｆは、フォトプレチスモグラフィック及び速度プレシズモグラム信号のための波形領域隔離動作（例えば、血行動態デリニエータ）を示す。図８Ｅ及び図８Ｆは、それぞれ、フォトプレチスモグラフィック信号及び速度プレシズモグラム信号のスペクトル関心領域を検出及び分離するための例示的な方法６０４ｂ及び６０４ｃを示す。図８Ｅでは、ＰＰＧベース目印、ＰＰＧ収縮期ピーク目印、及び拡張期ピーク目印を検出するための血行動態デリニエータ動作が示されている。図８Ｆでは、ＶＰＧピーク目印、ＰＰＧ最小目印、及び拡張期ベースパルス目印を検出するための血行動態デリニエータ動作が示されている。
【0108】
血行動態デリニエータは、最初にＰＰＧパルスベースを決定することができ、次いで、他の目印の検出のために使用することができる。ＰＰＧパルスベースを決定するために、図８Ｅにおいて、方法８３６は、（ｉ）パルスベースが反転された時系列においてピークとして提示されるように信号を反転させること（８４８）と、（ｉｉ）ピークを検出すること（８５０）と、（ｉｉｉ）検出されたピークをフィルタリングすること（８５２）と、（ｉｖ）信号を再び元の位置に戻すように再反転させること（８５４）とを含む。（動作８５２による）ピークは、１２５ｍｓ（例えば、最小拍動持続時間の２５％に等しい、１２０ｂｐｍの心拍数で５００ｍｓ）の最小パルスを有するものとして定義することができる。フィルタ（動作８５２）は、以下の基準を使用することができる。（ｉ）１２５ｍｓの最小パルス幅よりも小さい最小ピーク幅（ハーフプロミネンスにおける）、（ｉｉ）パルスベース値は常にゼロよりも小さくなるべきである（信号のＤＣ成分が除去されるので）、（ｉｉｉ）パルスベース値は、検出されたパルスベースの中央値から離れた１０個のスケーリングされた中央値絶対偏差（ＭＡＤ）よりも小さくなるべきである。
【0109】
ＰＰＧパルスベースの決定に続いて、収縮期ピーク８３８が決定され得る。ピークは、１２５ｍｓの最小パルスを有するものとして定義され、以下の基準を使用してフィルタリングすることができる。（ｉ）１２５ｍｓの最小パルス幅よりも小さい（半突出における）最小ピーク幅、及び（ｉｉ）検出されたパルスベースの中央値から離れた１０スケールの中央値絶対偏差（ＭＡＤ）よりも小さい収縮期ピーク値を使用してフィルタリングすることができる。最大フィルタを適用して、２つの連続するパルスベース内の検出されたピークの最大値を、対応する周期の収縮期ピークとして検出することができる。
【0110】
ＰＰＧパルスベースの決定に続いて、拡張期ピークを決定することができる。拡張期ピーク（動作８４２）は、（ｉ）サイクルｎにおけるＶＰＧ最小（下で考察される）のインデックス及びサイクルｎ＋１における連続ＰＰＧパルスベースを使用してＰＰＧ信号をセグメント化すること（８５８）、平滑化演算子を使用してセグメント化されたＰＰＧを平滑化すること（８６０）、平滑化されたＰＰＧ信号からＶＰＧ信号を決定すること（８６２）、及び決定されたＶＰＧ信号内のピークを検出すること（８６２）によって決定され得る。平滑化動作（８６０）は、一例として、２０データ点のガウス加重移動平均フィルタを用いることができる。ピーク検出（８６４）は、極大値をセグメント化されたＶＰＧのインデックスの最初の５０％に制約する時間制約の適用によって、ＶＰＧピークを検出するように構成されてもよい。いくつかの実施形態では、拡張期ピークを決定するために、平滑化されたＰＰＧにおける検出された拡張期ピークの周りの極大値を探索するために、元のＰＰＧ（平滑化されていない）に最大フィルタが適用される。
【0111】
ＶＰＧ最小を決定するために、ＰＰＧ信号は、サイクルｎにおけるＰＰＧ収縮期ピークのインデックスと、サイクルｎ＋１における連続したＰＰＧパルスベースとを使用してセグメント化され得る。セグメント化されたＰＰＧは、例えば、２０データ点ガウス加重移動平均フィルタを用いて平滑化されてもよい。ＶＰＧ信号は、平滑化されたＰＰＧから導出することができ、反転されたＶＰＧのピークは、ピークファインダ演算子を使用して検出される。検出されたピークは、ＶＰＧ最小がセグメント化されたＶＰＧのインデックスの最初の３０％で生じるべきであるという時間制約を適用することによってフィルタリングされてもよい。元のＶＰＧ（平滑化されていない）に最大フィルタが適用され、平滑化されたＶＰＧにおいて検出されたＶＰＧ最小の周囲の極小値が探索される。
【0112】
図８Ｆは、ＶＰＧピーク目印（動作８４２）、ＰＰＧ最小目印（動作８４４）、及び拡張期ベースパルス目印（動作８４４）を検出するための例示的な速度プレシズモグラム波形セグメント化動作６０４ｃを示す。
【0113】
ＶＰＧピークを見つけるために、方法８４２は、（ｉ）ＰＰＧ上昇セグメントとも称されるフォトプレチスモグラフィック信号内の単調増加セグメントに対応するフォトプレチスモグラフィック信号からインデックスをセグメント化すること（８６６）と、（ｉｉ）ピークファインダ演算子を使用してＶＰＧピークを検出すること（８６８）と、（ｉｉｉ）検出されたピークをフィルタリングし、最大フィルタを適用して、ＰＰＧ上昇セグメント内の検出されたピークの最大値を、対応するサイクルのＶＰＧピークとして識別すること（８７０）とを含む。（動作８６６による）ＰＰＧ上昇セグメントは、サイクルｎにおけるＰＰＧパルスベースとサイクルｎ＋１における連続するＰＰＧ収縮期ピークとの間のデータ点として識別され得る。ＶＰＧピークを検出する（８６８）ために、例えば、ＶＰＧ信号にわたるＰＰＧ上昇持続時間（ＰＰＧ上昇セグメントに関連付けられたｍｓ単位の時間）の中央値の２５％の最小パルス幅で構成されたピークファインダ演算子を使用することができる。検出されたピークをフィルタリングするために、以下の基準でフィルタを適用することができる。（ｉ）（半突出における）最小ピーク幅は、ＶＰＧ最小パルス幅よりも小さく、（ｉｉ）ＶＰＧピーク値は、検出されたピークの中央値から離れた１０個のスケーリングされたＭＡＤよりも小さい。
【0114】
ＶＰＧ最小を決定するために、方法８４４は、（ｉ）サイクルｎにおけるＰＰＧ収縮期ピーク及びサイクルｎ＋１における連続するＰＰＧパルスベースのインデックスを使用してＰＰＧ信号をセグメント化すること（８７２）と、（ｉｉ）セグメント化されたＰＰＧを平滑化すること（８７４）と、（ｉｉｉ）平滑化されたＰＰＧから反転ＶＰＧ信号を決定し、反転ＶＰＧのピークを検出すること（８７６）と、（ｉｖ）元のＶＰＧ（平滑化されていない）に最大フィルタを適用して、平滑化されたＶＰＧにおいて検出されたＶＰＧ最小の周りの極小値を探索すること（８７８）とを含む。セグメント化されたＰＰＧを平滑化するために、一例として、２０データ点のガウス加重移動平均フィルタが使用され得る。ピークを検出する（８７６）ために、ＶＰＧ最小がセグメント化されたＶＰＧのインデックスの最初の３０％で発生するという時間制約を有する検出されたピークをフィルタリングするように構成されたフィルタが使用されてもよい。方法８４４は、以下であり得る。
【0115】
ＶＰＧベースを決定するために、方法８４６は、（ｉ）ＰＰＧの数値微分中に発生し得るＶＰＧ信号からベースラインを補正すること（８８０）と、（ｉｉ）検出されたベースの中央値から離れた４スケール中央絶対偏差（ＭＡＤ）未満のＶＰＧベースが除去されるＶＰＧのゼロ交差を通じてＶＰＧベースを決定すること（８８２）とを含む。ベースライン補正（８８０）は、ＶＰＧ信号の２０％パーセンタイルと５０％パーセンタイルとの間の値を有するデータ点を識別するためにＶＰＧをパーセンタイルフィルタリングし、次いで、パーセンタイルフィルタリングされたＶＰＧの平均からＶＰＧ信号を減算することによって実行されてもよい。ベースライン補正８８０は、サイクルｎにおけるＶＰＧ最小及びサイクルｎ＋１における連続したＶＰＧピークのインデックスを使用して、ベースライン補正されたＶＰＧをセグメント化することができる。
【0116】
実験結果及び例
特徴セットを開発するために複数の開発研究が行われており、更に、疾患、医学的コンディション、若しくはいずれかの兆候の存在若しくは不在、重症度、又は局在化を推定するために使用され得るアルゴリズムが行われている。ある研究では、異常又は上昇したＬＶＥＤＰの非侵襲的査定のためのアルゴリズムが開発された。上述のように、異常又は上昇したＬＶＥＤＰは、様々な形態の心不全のインジケーターである。別の開発研究では、冠動脈疾患の非侵襲的査定のためのアルゴリズム及び特徴が開発された。
特徴セットを開発するために複数の開発研究が行われており、更に、疾患、医学的コンディション、若しくはいずれかの兆候の存在若しくは不在、重症度、又は局在化を推定するために使用され得るアルゴリズムが行われている。ある研究では、異常又は上昇したＬＶＥＤＰの非侵襲的査定のためのアルゴリズムが開発された。上述のように、異常又は上昇したＬＶＥＤＰは、様々な形態の心不全のインジケーターである。別の開発研究では、冠動脈疾患の非侵襲的査定のためのアルゴリズム及び特徴が開発された。
【0117】
これら２つの開発研究の一部として、生物物理学的信号キャプチャシステムを使用し、図２に関連して説明されるプロトコルに従って、成人ヒト患者から臨床データを収集した。対象は、信号取得後に心臓カテーテル留置（ＣＡＤ及び異常ＬＶＥＤＰ評価のための現在の「ゴールドスタンダード」試験）を受け、カテーテル留置結果をＣＡＤラベル及び上昇ＬＶＥＤＰ値について評価した。収集されたデータは、特徴／アルゴリズム開発のためのものと、それらの検証のための他のものとの別々のコホートに階層化された。
【0118】
特徴開発フェーズ内では、心臓血管系のプロパティを表すことを意図された生体電位信号（本明細書で考察される心臓信号の例として）及び光吸収信号（本明細書で考察される血行動態又はフォトプレチスモグラフィックの例として）から分析フレームワーク内の特質を抽出するために、ウェーブレットベースの特徴を含む特徴が開発された。対応する分類器も、分類モデル、線形モデル（例えば、弾性ネット）、決定木モデル（ＸＧＢ分類器、ランダムフォレストモデルなど）、サポートベクトルマシンモデル、及びニューラルネットワークモデルを使用して開発され、上昇した又は異常なＬＶＥＤＰの存在を非侵襲的に推定した。単変量特徴選択査定及び交差検証演算を実行して、関心のある特定の疾患兆候のための機械学習モデル（例えば、分類器）で使用する特徴を識別した。機械学習訓練及び査定の更なる説明は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題された米国仮特許出願第６３／２３５，９６０号に記載されており、その全体が参照により本明細書に組み込まれる。
【0119】
単変量特徴選択査定は、各々がｔ検定、相互情報量、及びＡＵＣ－ＲＯＣ評価を使用して陰性及び陽性データセット対によって定義される多くのシナリオを評価した。ｔ検定は、未知の分散を有する２つの集団からの２つのサンプル平均の間に差があるかどうかを決定することができる統計的検定である。ここで、ｔ検定は、これらの群、例えば、正常ＬＶＥＤＰ対上昇（ＬＶＥＤＰアルゴリズム開発のため）、ＣＡＤ－対ＣＡＤ＋（ＣＡＤアルゴリズム開発のため）における特徴の平均間に差異がないという帰無仮説に対して行われた。小さいｐ値（例えば、≦０．０５）は、帰無仮説に対する強い証拠を示す。
【0120】
相互情報（ＭＩ）操作を行って、上昇した若しくは異常なＬＶＥＤＰ又は有意な冠動脈疾患のある特定の特徴への依存性を査定した。１より大きいＭＩスコアは、評価されている変数間のより高い依存性を示す。１未満のＭＩスコアは、かかる変数のより低い依存性を示し、ゼロのＭＩスコアは、かかる依存性がないことを示す。
【0121】
受信者動作特質曲線、すなわちＲＯＣ曲線は、その識別閾値を変化させたときのバイナリ分類器システムの診断能力を例解する。ＲＯＣ曲線は、様々な閾値設定で偽陽性率（ＦＰＲ）に対して真陽性率（ＴＰＲ）をプロットすることによって作成することができる。ＡＵＣ－ＲＯＣは、受信者動作特質（ＲＯＣ）曲線下の面積を定量化し、この面積が大きいほど、モデルは診断上有用である。ＲＯＣ値及びＡＵＣ－ＲＯＣ値は、９５％信頼区間の下端が０．５０より大きい場合に統計的に有意であると考えられる。
【0122】
表７は、単変量特徴選択査定において使用される陰性及び陽性データセット対の例示的なリストを示す。具体的には、表７は、２０ｍｍＨｇ又は２５ｍｍＨｇを上回るＬＶＥＤＰ測定値を有するものとして定義される陽性データセットと、１２ｍｍＨｇ未満のＬＶＥＤＰ測定値を有するか、又は正常ＬＶＥＤＰ読取値を有すると判定された対象群に属するものとして定義された陰性データセットとを示す。
【表11】
【0123】
表８Ａ、表８Ｂ、及び表８Ｃは各々、臨床評価システムにおいて実行されるアルゴリズムにおいて上昇ＬＶＥＤＰの存在及び不在を推定する際に有用性を有すると判定されたウェーブレットベースベースの特徴のリストを示す。表８Ａ、表８Ｂ、及び表８Ｃの特徴並びに対応する分類子は、上昇ＬＶＥＤＰを測定するためのゴールドスタンダードの侵襲的方法に匹敵する臨床的性能を有することが検証されている。
【表12-1】
【表12-2】
【表12-3】
【表13-1】
【表13-2】
【表14-1】
【表14-2】
【0124】
表９Ａ、表９Ｂ及び表９Ｃは各々、臨床評価システムにおいて実行されるアルゴリズムにおける有意なＣＡＤの存在及び不在を推定する際に有用性を有すると判定されたパワースペクトルベースの特徴のリストを示す。表９Ａ、表９Ｂ、及び表８Ｃの特徴並びに対応する分類子は、ＣＡＤを測定するためのゴールドスタンダードの侵襲的方法に匹敵する臨床的性能を有することが検証されている。
【表15-1】
【表15-2】
【表16-1】
【表16-2】
【表17-1】
【表17-2】
【0125】
ある特定のウェーブレットベースの特徴が、上昇ＬＶＥＤＰの存在及び不在、又は有意なＣＡＤの存在及び不在を推定する際に臨床的有用性を有するという判定は、他の疾患、医学的コンディション、又は特に、限定ではないが、本明細書に説明される心臓疾患若しくはコンディション、又はいずれかの兆候の存在若しくは不在及び／又は重症度及び／又は局在化を推定する際に、これらのウェーブレットベースの特徴又はパラメータ、並びに本明細書に説明される他の特徴の使用のための基礎を提供する。
【0126】
実験結果は更にウェーブレットベースの特徴の中間データ又はパラメータもまた、診断並びに治療、制御、監視、及び追跡用途において臨床的有用性を有することを示す。
【0127】
例示的な臨床評価システム
図１５Ａは、一実施形態による、分類器（例えば、機械学習された分類器）を介して、患者又は対象の生理学的状態に関連付けられた１つ以上のメトリックを生成するように、他の特徴又はパラメータと共にウェーブレットベースの特徴又はパラメータを非侵襲的に計算するように図１のモジュールを実装する、例示的臨床評価システム１５００（臨床及び診断システムとも称される）を示す。実際に、（例えば、図１、図４～図１４の）特徴モジュールは、一般に、システム（例えば、臨床評価システム１５００）の一部とみなすことができ、システムでは、任意の数及び／又はタイプの特徴が、例えば、異なる構成の特徴モジュールを有する異なる実施形態を用いて、関心のある疾患状態、医学的コンディション、いずれかの兆候、又はそれらの組み合わせに対して利用され得る。これは、図１５Ａに更に例解され、臨床評価システム１５００は、疾患特異的アドオンモジュール１５０２（例えば、上昇ＬＶＥＤＰ又はｍＰＡＰ、ＣＡＤ、ＰＨ／ＰＡＨ、異常なＬＶＥＦ、ＨＦｐＥＦ、及び本明細書に記載される他のものを査定するための）が、システム１５００の完全な動作を実現するために、単独で、又は複数の事例において、単一のプラットフォーム（すなわち、ベースシステム１５０４）と統合されることが可能である、モジュール設計である。モジュール性は、臨床評価システム１５００が、同じ同期的に取得された生物物理学的信号及びデータセット、並びにベースプラットフォームを活用して、そのような疾患特有のアルゴリズムが開発されるときに、いくつかの異なる疾患の存在について査定するように設計されることを可能にし、それによって、試験及び認証の時間及びコストを低減する。
図１５Ａは、一実施形態による、分類器（例えば、機械学習された分類器）を介して、患者又は対象の生理学的状態に関連付けられた１つ以上のメトリックを生成するように、他の特徴又はパラメータと共にウェーブレットベースの特徴又はパラメータを非侵襲的に計算するように図１のモジュールを実装する、例示的臨床評価システム１５００（臨床及び診断システムとも称される）を示す。実際に、（例えば、図１、図４～図１４の）特徴モジュールは、一般に、システム（例えば、臨床評価システム１５００）の一部とみなすことができ、システムでは、任意の数及び／又はタイプの特徴が、例えば、異なる構成の特徴モジュールを有する異なる実施形態を用いて、関心のある疾患状態、医学的コンディション、いずれかの兆候、又はそれらの組み合わせに対して利用され得る。これは、図１５Ａに更に例解され、臨床評価システム１５００は、疾患特異的アドオンモジュール１５０２（例えば、上昇ＬＶＥＤＰ又はｍＰＡＰ、ＣＡＤ、ＰＨ／ＰＡＨ、異常なＬＶＥＦ、ＨＦｐＥＦ、及び本明細書に記載される他のものを査定するための）が、システム１５００の完全な動作を実現するために、単独で、又は複数の事例において、単一のプラットフォーム（すなわち、ベースシステム１５０４）と統合されることが可能である、モジュール設計である。モジュール性は、臨床評価システム１５００が、同じ同期的に取得された生物物理学的信号及びデータセット、並びにベースプラットフォームを活用して、そのような疾患特有のアルゴリズムが開発されるときに、いくつかの異なる疾患の存在について査定するように設計されることを可能にし、それによって、試験及び認証の時間及びコストを低減する。
【0128】
様々な実施形態では、臨床評価システム１５００の異なるバージョンは、所与の疾患状態（複数可）、医学的コンディション（複数可）、又は対象の兆候コンディション（複数可）のために構成され得る、異なる特徴計算モジュールを含有することを含むことによって、査定システム１０３（図１）を実装してもよい。別の実施形態では、臨床評価システム１５００は、２つ以上の査定システム１０３を含むことができ、そのエンジン１０３の分類器１１６に固有の異なるスコアを生成するために選択的に利用することができる。このようにして、より一般的な意味での図１及び図１５のモジュールは、異なる及び／又は複数の対応する分類器１１６を有する異なる及び／又は複数のエンジン１０３が、所望のモジュールの構成に応じて使用され得る、モジュール式システムの１つの構成とみなすことができる。したがって、ウェーブレットベースの特定の特徴（複数可）を伴う、又は伴わない、図１のモジュールの任意の数の実施形態が存在してもよい。
【0129】
図１５Ａでは、システム１５００は、機械学習された疾患特異的アルゴリズムを使用して、１つ以上の生物物理学的信号データセット（例えば、１１０）を分析し、一例として、病態又は異常状態の上昇ＬＶＥＤＰの可能性について査定することができる。システム１５００は、アルゴリズムを使用して推定スコアの分析及び提示を容易にし、医師がそのスコアを使用して、例えば、疾患状態、医学的コンディション、又はいずれかの兆候の存在又は不在について査定することを可能にするように、組み合わせて協働するように設計されるハードウェア及びソフトウェア構成要素を含む。
【0130】
ベースシステム１５０４は、各アドオンモジュール１５０２（疾患特有のアルゴリズムを含む）が、次いで、病態又は兆候コンディションを査定するためにインターフェースをとる、機能及び命令の基盤を提供することができる。図１５Ａの例に示されるようなベースシステム１５０４は、ベース分析エンジン又は分析器１５０６、ウェブサービスデータ転送ＡＰＩ１５０８（「ＤＴＡＰＩ」１５０８として示される）、報告データベース１５１０、ウェブポータルサービスモジュール１５１３、及びデータリポジトリ１１１（１１２ａとして示される）を含む。
【0131】
クラウドベースであり得るデータリポジトリ１１２ａは、信号キャプチャシステム１０２（１０２ｂとして示される）からのデータを記憶する。生物物理学的信号キャプチャシステム１０２ｂは、いくつかの実施形態では、７チャネルリードセット及びフォトプレチスモグラム（ＰＰＧ）センサが確実に取り付けられた（すなわち、取り外し可能ではない）単一ユニットとして設計される、再使用可能デバイスである。信号キャプチャシステム１０２ｂは、そのハードウェア、ファームウェア、及びソフトウェアと一緒に、ユーザインターフェースを提供し、その中に入力された患者特有のメタデータ（例えば、名前、性別、生年月日、医療記録番号、身長、及び体重など）を収集し、患者の電気及び血行動態信号を同期して取得する。信号キャプチャシステム１０２ｂは、メタデータ及び信号データを単一のデータパッケージとしてクラウドベースのデータリポジトリに直接安全に送信することができる。データリポジトリ１１２ａは、いくつかの実施形態では、患者特有のデータパッケージを受け入れ、記憶し、分析エンジン又は分析器１５０６若しくは１５１４によるその読み出しを可能にするように構成された、セキュアなクラウドベースのデータベースである。
【0132】
ベース分析エンジン又は分析器１５０６は、（「ＳＱＡ」モジュール１５１６を介して実行された）取得された信号の品質査定を実施することができる安全なクラウドベースの処理ツールであり、その結果は、ポイントオブケアにおいてユーザに通信することができる。ベース分析エンジン又は分析器１５０６はまた、取得された生物物理学的信号（例えば、１１０（図１参照））の前処理（前処理モジュール１５１８を介して示される）を実施してもよい。ウェブポータル１５１３は、ヘルスケア提供者に彼らの患者の報告へのアクセスを提供するように設計された安全なウェブベースのポータルである。ウェブポータル１５１３の例示的な出力は、視覚化１５３６によって示される。報告データベース（ＲＤ）１５１２は、セキュアなデータベースであり、出力されたスコア（複数可）（例えば、１１８）及び関連する情報が患者の一般的な健康記録に統合され、保存されるように、病院内の又は医師がホストする、遠隔でホストする、又は遠隔の電子健康記録システム（例えば、Ｅｐｉｃ、Ｃｅｒｎｅｒ、Ａｌｌｓｃｒｉｐｓ、ＣｕｒｅＭＤ、Ｋａｒｅｏなど）などの他のシステムとセキュアにインターフェースし、通信してもよい。いくつかの実施形態では、ウェブポータル１５１３は、電話を介して出力臨床情報を提供するためにコールセンターによってアクセスされる。データベース１５１２は、郵便、宅配便、手交などを介して配達される報告を生成することができる他のシステムによってアクセスされてもよい。
【0133】
アドオンモジュール１５０２は、ベース分析エンジン（ＡＥ）又は分析器１５０６と共に動作する第２の部分１５１４（本明細書では分析エンジン（ＡＥ）又は分析器１５１４とも称され、「ＡＥアドオンモジュール」１５１４として示される）を含む。分析エンジン（ＡＥ）又は分析器１５１４は、所与の疾患特有のアルゴリズムの主要な機能ループ、例えば、特徴計算モジュール１５２０、分類器モデル１５２４（「アンサンブル」モジュール１５２４として示される）、及び外れ値査定及び拒否モジュール１５２４（「外れ値検出」モジュール１５２４として示される）を含み得る。ある特定のモジュール式構成では、分析エンジン又は分析器（例えば、１５０６及び１５１４）は、単一分析エンジンモジュール内に実装されてもよい。
【0134】
主機能ループは、（ｉ）全ての必要な環境変数値が存在することを確実にするために実行環境を検証し、（ｉｉ）取得された生物物理学的信号を含む新しい信号キャプチャデータファイルを分析する分析パイプラインを実行して、疾患特有のアルゴリズムを使用して患者のスコアを計算するための命令を含み得る。分析パイプラインを実行するために、ＡＥアドオンモジュール１５１４は、図１に関連して説明されるような様々な特徴モジュール１１４及び分類器モジュール１１６のための命令を含み、実行し、患者の生理学的状態に関連付けられたメトリックの出力スコア（例えば、１１８）を判定することができる。ＡＥアドオンモジュール１５１４内の分析パイプラインは、特徴又はパラメータを計算することができ（「特徴計算」１５２０として示される）、特徴に基づいて、外れ値対非外れ値の信号レベル応答に対する外れ値検出リターンを提供することによって、計算された特徴が外れ値であるかどうかを識別する（「外れ値検出」１５２２として示される）。外れ値は、（モジュール１１６の）分類器を確立するために使用される訓練データセットに関して査定され得る。ＡＥアドオンモジュール１５１４は、特徴及び分類器モデルの計算された値を使用して、（例えば、分類器モジュール１５２４を介して）患者の出力スコア（例えば、１１８）を生成し得る。上昇ＬＶＥＤＰの推定のための評価アルゴリズムの例では、出力スコア（例えば、１１８）は、ＬＶＥＤＰスコアである。ＣＡＤの推定では、出力スコア（例えば、１１８）はＣＡＤスコアである。
【0135】
臨床評価システム１５００は、ウェブサービスＤＴＡＰＩ１５０８（いくつかの実施形態では、ＨＣＰＰウェブサービスとも称され得る）を使用して、構成要素内及び構成要素にわたってデータを管理することができる。ＤＴＡＰＩ１５０８を使用して、取得された生物物理学的データセットをデータリポジトリ１１２ａから取り出し、信号品質分析結果をデータリポジトリ１１２ａに格納することができる。ＤＴＡＰＩ１５０８はまた、記憶された生物物理学的データファイルを取り出し、分析エンジン又は分析器（例えば、１５０６、１５１４）に提供するために呼び出されてもよく、患者信号の分析エンジンの分析の結果は、ＤＴＡＰＩ１５０８を使用して、報告データベース１５１０に転送されてもよい。ＤＴＡＰＩ１５０８はまた、ヘルスケア専門家による要求に応じて、ウェブポータルモジュール１５１３に対して所与の患者データセットを読み出すために使用されてもよく、これは、セキュアなウェブアクセス可能インターフェースにおける精査及び解釈のために、報告をヘルスケア施術者に提示してもよい。
【0136】
臨床評価システム１５００は、ウェーブレットベースの特徴１２０及び特徴モジュール１２２の様々な他の特徴を記憶する、１つ以上の特徴ライブラリ１５２６を含む。特徴ライブラリ１５２６は、アドオンモジュール１５０２（図１５Ａに示す）又はベースシステム１５０４（図示せず）の一部であってもよく、いくつかの実施形態では、ＡＥアドオンモジュール１５１４によってアクセスされる。
【0137】
モジュールのモジュール性及び様々な構成の更なる詳細は、２０２１年８月１９日に出願された「Ｍｏｄｕｌａｒ Ｄｉｓｅａｓｅ Ａｓｓｅｓｓｍｅｎｔ Ｓｙｓｔｅｍ」と題された米国仮特許出願第６３／２３５，９６０号に提供されており、その全体が参照により本明細書に組み込まれる。
【0138】
モジュール式臨床評価システムの例示的な動作
図１５Ｂは、例示的な実施形態による、図１５Ａの臨床評価システム１５００の分析エンジン又は分析器（例えば、１５０６及び１５１４）の動作及びワークフローの概略図を示す。
図１５Ｂは、例示的な実施形態による、図１５Ａの臨床評価システム１５００の分析エンジン又は分析器（例えば、１５０６及び１５１４）の動作及びワークフローの概略図を示す。
【0139】
信号品質査定／拒否（１５３０）。図１５Ｂを参照すると、ベース分析エンジン又は分析器１５０６は、分析パイプラインが実行されている間に、ＳＱＡモジュール１５１６を介して、取得された生物物理学的信号データセットの品質を査定する（１５３０）。査定の結果（例えば、合格／不合格）は、ユーザによる読み取りのために、信号キャプチャシステムのユーザインターフェースに直ちに返される。信号品質要件を満たす取得された信号データは、容認可能（すなわち、「合格」）とみなされ、更に処理され、ＡＥアドオンモジュール１５１４によって、病態又は兆候コンディション（例えば、上昇ＬＶＥＤＰ又はｍＰＡＰ、ＣＡＤ、ＰＨ／ＰＡＨ、異常ＬＶＥＦ、ＨＦｐＥＦ）に関連付けられるメトリックの存在についての分析を受ける。許容できないとみなされた取得信号は拒否され（例えば、「不合格」）、患者から追加の信号を直ちに取得するようにユーザに通知するために、通知が直ちにユーザに送信される（図２を参照）。
【0140】
基本分析エンジン又は分析器１５０６は、信号品質についての２組の査定、すなわち、電気信号についての１組の査定及び血行動態信号についての１組の査定を実行する。電気信号査定（１５３０）は、電気信号が十分な長さであること、高周波ノイズ（例えば、１７０Ｈｚ超）がないこと、及び環境からの電力線ノイズがないことを確認する。血行動態信号査定（１５３０）は、血行動態データセット内の外れ値の割合が事前定義された閾値を下回ること、及び血行動態データセットの信号がレール又は飽和される割合及び最大持続時間が事前定義された閾値を下回ることを確認する。
【0141】
特徴値計算（１５３２）。ＡＥアドオンモジュール１５１４は、特徴抽出及び計算を実行して、特徴出力値を計算する。ＬＶＥＤＰアルゴリズムの例では、ＡＥアドオンモジュール１５１４は、いくつかの実施形態では、ウェーブレットベースの特徴（例えば、モジュール１２０で生成される）を含む、１８個の異なる特徴ファミリー（例えば、モジュール１２０及び１２２で生成される）に属する合計４４６個の特徴出力を決定する。ＣＡＤアルゴリズムの場合、ＡＥアドオンモジュール１２１４の例示的な実装形態は、同じ１８個の特徴ファミリーに対応する４５６個の特徴を含む特徴のセットを決定する。
【0142】
ＬＶＥＤＰアルゴリズムで使用されるものを含む、様々な特徴並びに他の特徴及びそれらの特徴ファミリーの追加の説明は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題された米国仮特許出願第６３／２３５，９６０号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｉｓｕａｌ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３６，０７２号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９６３号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒａｔｅ－Ｒｅｌａｔｅｄ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９６６号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｃｙｃｌｅ Ｖａｒｉａｂｉｌｉｔｙ Ａｎａｌｙｓｉｓ ｏｆ Ｃａｒｄｉａｃ ａｎｄ Ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｉｃ Ｓｉｇｎａｌｓ」と題された米国仮特許出願第６３／１３０，３２４号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｉｃ Ｗａｖｅｆｏｒｍ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９７１号、２０２１年８月２３日に出願され、「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃａｒｄｉａｃ Ｗａｖｅｆｏｒｍ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題され、米国仮特許出願第６３／２３６，１９３号、２０２１年８月２３日に出願され、「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｎｄｕｃｔｉｏｎ Ｄｅｖｉａｔｉｏｎ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９７４号、に記載されており、それらの各々は参照によりその全体が本明細書に組み込まれる、
【0143】
分類器出力計算（１５３４）。ＡＥアドオンモジュール１５１４は、次いで、分類器モデル（例えば、機械学習された分類器モデル）中の計算された特徴出力を使用して、モデルスコアのセットを生成する。ＡＥアドオンモジュール１５１４は、モデルスコアのセットを構成要素モデルのアンサンブルに結合し、これは、いくつかの実施形態では、ＬＶＥＤＰアルゴリズムの例における式５に示されるように、分類器モデルの出力を平均する。
【数9】
【0144】
いくつかの実施形態では、機械学習器モデルは、「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公開第２０１９／００２６４３０号、又は「Ｄｉｓｃｏｖｅｒｉｎｇ Ｇｅｎｏｍｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ」と題された米国特許出願公開第２０１９／００２６４３１号に記載されているＭＬ技術に基づいて開発されたモデルを含むことができ、これらの各々は、その全体が参照により本明細書に組み込まれる。
【0145】
ＬＶＥＤＰアルゴリズムの例では、１３個の機械学習された分類器モデルが各々、計算された特徴出力を使用して計算される。１３個の分類器モデルは、４つのＥｌａｓｔｉｃＮｅｔ機械学習分類器モデルと、４つのＲａｎｄｏｍＦｏｒｅｓｔＣｌａｓｓｉｆｉｅｒ機械学習分類器モデルと、５つの極端勾配ブースティング（ＸＧＢ）分類器モデルとを含む。いくつかの実施形態では、年齢、性別、及びＢＭＩ値などの患者のメタデータ情報が、使用されてもよい。アンサンブル推定の出力は、連続スコアであってもよい。スコアは、ウェブポータル内の提示のための閾値を減算することによって、ゼロの閾値にシフトされてもよい。閾値は、感度と特異度との間のトレードオフとして選択され得る。閾値は、アルゴリズム内で定義され、試験陽性（例えば、「上昇ＬＶＥＤＰの可能性が高い」）及び試験陰性（例えば、「上昇ＬＶＥＤＰの可能性が低い」）コンディションの判定点として使用されてもよい。
【0146】
いくつかの実施形態では、分析エンジン又は分析器は、モデルスコアのセットを、ボディマス指数ベースの調整又は年齢若しくは性別に基づく調整と融合することができる。例えば、分析エンジン又は分析器は、
の形態を有する患者ＢＭＩのシグモイド関数を用いてモデル推定を平均化することができる。
【数10】
【0147】
医師ポータル視覚化（１５３６）。患者の報告は、取得された患者データ及び信号並びに疾患分析の結果の視覚化１５３６を含み得る。分析は、いくつかの実施形態では、報告内の複数のビューで提示される。図１５Ｂに示される例では、視覚化１５３６は、スコア要約セクション１５４０（「患者ＬＶＥＤＰスコア要約」セクション１５４０として示される）と、閾値セクション１５４２（「ＬＶＥＤＰ閾値統計」セクション１５４２として示される）と、頻度分布セクション１５４４（「頻度分布」セクション１５０８として示される）とを含む。ヘルスケア提供者、例えば医師は、報告をレビューし、それを解釈して、疾患の診断を提供するか、又は治療計画を生成することができる。
【0148】
ヘルスケアポータルは、所与の患者の取得された信号データセットが信号品質基準を満たす場合、患者についての報告をリスト化することができる。報告は、信号分析が実行され得る場合に利用可能である疾患特有の結果（例えば、上昇ＬＶＥＤＰ）を示すことができる。疾患特異的分析のための患者の推定スコア（視覚的要素１１８ａ、１１８ｂ、１１８ｃを介して示される）は、確立された閾値に対して解釈され得る。
【0149】
図１５Ｂの例に示されるスコア要約セクション１５４０では、患者のスコア１１８ａ及び関連付けられた閾値は、２トーンカラーバー（例えば、セクション１５４０に示される）上に重畳され、閾値は、バーの中心に位置し、定義された値「０」は、試験陽性と試験陰性との間の描出を表す。閾値の左側は、明るい陰影付きの光であってもよく、陰性試験結果（例えば、「上昇ＬＶＥＤＰの可能性が低い」）を示し、一方、閾値の右側は、陽性試験結果（例えば、「上昇ＬＶＥＤＰの可能性が高い」）を示すために暗い陰影付きであってもよい。
【0150】
閾値セクション１５４２は、患者スコア（例えば、１１８）の推定のための感度及び特異度を定義する検証集団に提供される閾値の報告された統計を示す。閾値は、個々の患者のスコア（例えば、１１８）にかかわらず、全ての試験について同じであり、これは、全てのスコア（陽性又は陰性）が、提供された感度及び特異性の情報を考慮して、正確さについて解釈され得ることを意味する。スコアは、臨床評価の更新と同様に、所与の疾患特異的分析について変化し得る。
【0151】
頻度分布セクション１５４４は、２つの検証集団（例えば、（ｉ）偽陽性推定の可能性を示す上昇していない集団、及び（ｉｉ）偽陰性推定の可能性を示す上昇した集団）における全ての患者の分布を例解する。グラフ（１５４６、１５４８）は、試験性能検証集団患者に対する患者のスコア１１８（例えば、１１８ｂ、１１８ｃ）を解釈するためのコンテキストを提供するために、滑らかなヒストグラムとして提示される。
【0152】
頻度分布セクション１５４０は、その疾患、コンディション、又は兆候が存在しない検証集団の分布内の、疾患、コンディション、又は兆候が存在しない可能性を示すスコア（１１８ｂ）を示す第１のグラフ１５４６（「非上昇ＬＶＥＤＰ集団」１５４６として示される）と、その疾患、コンディション、又は兆候が存在する検証集団の分布内の、疾患、コンディション、又は兆候が存在する可能性を示すスコア（１１８ｃ）を示す第２のグラフ１５４８（「上昇ＬＶＥＤＰ集団」１５４８として示される）とを含む。上昇ＬＶＤＥＰの査定の例では、第１のグラフ１５４６は、真陰性（ＴＮ）及び偽陽性（ＦＰ）面積を識別する検証集団の非上昇ＬＶＥＤＰ分布を示す。第２のグラフ１５４８は、偽陰性（ＴＮ）及び真陽性（ＦＰ）領域を識別する検証集団の上昇ＬＶＥＤＰ分布を示す。
【0153】
頻度分布セクション１５４０はまた、検証集団群内の他の患者に対する患者のスコアの解釈テキストを（割合として）含む。この例では、患者は、ＬＶＥＤＰ閾値の左側に位置する－０．０８のＬＶＥＤＰスコアを有し、患者が「上昇ＬＶＥＤＰの可能性が低い」を有することを示す。
【0154】
報告は、例えば、医師又はヘルスケア提供者が左心不全の兆候について診断する際に使用するために、ヘルスケアポータルに提示することができる。兆候は、いくつかの実施形態では、疾患、医学的コンディション、又はいずれかの兆候の存在についての確率又は重症度スコアを含む。
【0155】
外れ値査定及び拒否検出（１５３８）。ＡＥアドオンモジュール１５１４が（プロセス１５３２において）特徴値出力を計算した後、（プロセス１５３４において）それらを分類器モデルに適用する前に、ＡＥアドオンモジュール１５１４は、いくつかの実施形態では、特徴値出力の（プロセス１５３８に示される）外れ値分析を実施するように構成される。外れ値分析評価プロセス１５３８は、いくつかの実施形態では、機械学習外れ値検出モジュール（ＯＤＭ）を実行して、検証及び訓練データから生成された特徴値を参照して異常な特徴出力値を識別及び除外することによって、異常な取得された生物物理学的信号を識別及び除外する。外れ値検出モジュールは、観察の残りからの分布外である隔離された領域における疎なクラスタ内に存在する外れ値について査定する。プロセス１５３８は、外れ値信号が分類器モデルに不適切に適用され、患者又はヘルスケア提供者によって見られる不正確な評価を生成するリスクを低減することができる。外れ値モジュールの精度は、ＯＤＭが許容可能な外れ値検出率（ＯＤＲ）一般化を用いて試験セット内の全てのラベル付けされた外れ値を識別することができるホールドアウト検証セットを使用して検証されている。
【0156】
方法及びシステムは、ある特定の実施形態及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全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。本明細書で考察されるウェーブレットベースの特徴は、最終的に、類似又は他の開発アプローチを使用して、例えば、冠動脈疾患、肺高血圧、及び本明細書に説明されるような他の病態などの他の疾患、医学的コンディション、又はいずれかの兆候の存在若しくは不在及び／又は重症度の非侵襲的診断若しくは判定を行うために、あるいはそれを行う際に医師若しくは他のヘルスケア提供者を支援するために採用されてもよい。加えて、ウェーブレットベースの特徴を含む、例示的分析は、他の心臓関連病態及び兆候コンディション並びに神経関連病態及び兆候コンディションの診断及び治療において使用されることができ、そのような査定は、生物物理学的信号が生体の任意の関連システムに関与する、任意の病態又は兆候コンディションの診断及び治療（外科手術、低侵襲、及び／又は薬理学的治療を含む）に適用されることができる。心臓の状況における一例は、ＣＡＤ、及び本明細書に開示される他の疾患、医学的コンディション、又は兆候コンディションの診断、並びに冠状動脈におけるステントの配置、アテレクトミーの実施、血管形成術、薬物療法の処方、及び／又は運動、栄養及び他の生活様式の変更の処方などのような、任意の数の治療単独若しくは組み合わせによるその処置である。診断され得る他の心臓関連の病態又は兆候コンディションとしては、例えば、不整脈、うっ血性心不全、弁不全、肺高血圧症（例えば、肺動脈高血圧、左心疾患に起因する肺高血圧、肺疾患に起因する肺高血圧、慢性血餅に起因する肺高血圧、及び他の疾患（例えば、血液又は他の障害）に起因する肺高血圧症）、他の心臓関連病態、兆候コンディション及び／又は疾患が挙げられる。診断され得る神経関連疾患、病態、又は兆候コンディションの非限定的な例としては、例えば、てんかん、統合失調症、パーキンソン病、アルツハイマー病（及び他の全ての形態の認知症）、自閉症スペクトラム（アスペルガー症候群を含む）、注意欠陥多動性障害、ハンチントン病、筋ジストロフィー、うつ病、双極性障害、脳／脊髄腫瘍（悪性及び良性）、移動障害、認知機能障害、発話障害、様々な精神病、脳／脊髄／神経損傷、慢性外傷性脳症、クラスタ頭痛、偏頭痛、神経障害（その様々な形態には、末梢神経性疾患を含む）、幻肢痛、慢性疲労症候群、急性疼痛及び／又は慢性疼痛（背痛、脊椎手術後痛症候群などを含む）、ジスキネジア、不安症、感染症又は外来因子によって引き起こされる兆候コンディション（例えば、ライム病、脳炎、狂犬病）、ナルコレプシー及び他の睡眠障害、外傷後ストレス障害、脳卒中に関連する神経学的兆候コンディション／影響、動脈瘤、出血性損傷など、耳鳴及び他の聴覚関連の疾患／兆候コンディション、並びに視覚関連の疾患／兆候コンディションなどが挙げられる。
【0157】
加えて、本明細書に記載の臨床評価システムは、とりわけ、心電図（ＥＣＧ）、脳波（ＥＥＧ）、ガンマ同期性、呼吸機能信号、パルスオキシメトリー信号、灌流データ信号、準周期的生物学的信号、胎児ＥＣＧ信号、血圧信号、心臓磁場信号、心拍数信号などの生物物理学的信号を分析するように構成され得る。
【0158】
例示される方法及びシステムと共に使用され得る処理の更なる例は、米国特許第９，２８９，１５０号、同第９，６５５，５３６号、同第９，９６８，２７５号、同第８，９２３，９５８号、同第９，４０８，５４３号、同第９，９５５，８８３号、同第９，７３７，２２９号、同第１０，０３９，４６８号、同第９，５９７，０２１号、同第９，９６８，２６５号、同第９，９１０，９６４号、同第１０，６７２，５１８号、同第１０，５６６，０９１号、同第１０，５６６，０９２号、同第１０，５４２，８９７号、同第１０，３６２，９５０号、同第１０，２９２，５９６号、同第１０，８０６，３４９号、米国特許公開第２０２０／０３３５２１７号、同第２０２０／０２２９７２４号、同第２０１９／０２１４１３７号、同第２０１８／０２４９９６０号、同第２０１９／０２００８９３号、同第２０１９／０３８４７５７号、同第２０２０／０２１１７１３号、同第２０１９／０３６５２６５号、同第２０２０／０２０５７３９号、同第２０２０／０２０５７４５号、同第２０１９／００２６４３０号、同第２０１９／００２６４３１号、ＰＣＴ国際公開第ＷＯ２０１７／０３３１６４号、同第ＷＯ２０１７／２２１２２１号、同第ＷＯ２０１９／１３０２７２号、同第ＷＯ２０１８／１５８７４９号、同第ＷＯ２０１９／０７７４１４号、同第ＷＯ２０１９／１３０２７３号、同第ＷＯ２０１９／２４４０４３号、同第ＷＯ２０２０／１３６５６９号、同第ＷＯ２０１９／２３４５８７号、同第ＷＯ２０２０／１３６５７０号、同第ＷＯ２０２０／１３６５７１号、米国特許出願第１６／８３１，２６４号、同第１６／８３１，３８０号、同第１７／１３２８６９号、ＰＣＴ国際出願第ＰＣＴ／ＩＢ２０２０／０５２８８９号、同第ＰＣＴ／ＩＢ２０２０／０５２８９０号、に記載されており、これらの各々は、参照によりその全体が本明細書に組み込まれている。
【図1】
【図2】
【図3A】
【図3B】
【図4A】
【図4B】
【図5】
【図6A】
【図6B】
【図6C】
【図7A】
【図7B】
【図8A】
【図8B】
【図8C】
【図8D】
【図8E】
【図8F】
【図9A】
【図9B】
【図9C】
【図9D】
【図10A】
【図10B】
【図10C】
【図10D】
【図10E】
【図10F】
【図11】
【図12A】
【図12B】
【図13A】
【図13B】
【図13C】
【図13D】
【図14A】
【図14B】
【図14C】
【図14D】
【図15A】
【図15B】
【国際調査報告】