CN1768342A - 生物异常的检测和/或预测 - Google Patents

生物异常的检测和/或预测 Download PDF

Info

Publication number
CN1768342A
CN1768342A CNA2004800087993A CN200480008799A CN1768342A CN 1768342 A CN1768342 A CN 1768342A CN A2004800087993 A CNA2004800087993 A CN A2004800087993A CN 200480008799 A CN200480008799 A CN 200480008799A CN 1768342 A CN1768342 A CN 1768342A
Authority
CN
China
Prior art keywords
data
data sequence
log
slope
pd2i
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA2004800087993A
Other languages
English (en)
Inventor
J·斯金纳
J·安钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vicor Technologies Inc
Original Assignee
Vicor Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Vicor Technologies Inc filed Critical Vicor Technologies Inc
Publication of CN1768342A publication Critical patent/CN1768342A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Abstract

通过使用数据处理例程分析输入的生物或物理数据检测和/或预测诸如脑疾病等生物异常。数据处理例程包括一套与生物数据相关的应用程序参数，该生物数据与生物异常关联。数据处理例程使用一种算法生成数据序列，如PD2i数据序列。使用该数据序列检测或预测生物异常的发作。为降低数据序列中的噪声，当斜率小于一个预定值时，则将其设为一个预定数。为进一步降低噪声，确定数据序列中的噪声区间，并且如果噪声区间在预定范围内，则用另一个预定数除数据序列，并为数据序列生成新的值。

Description

生物异常的检测和/或预测
           相关申请的交叉引用
本申请要求于2003年1月29日提出申请的美国实用申请No.10/353,849和于2003年2月6日提出申请的美国临时申请No.60/445,495的优先权。这些申请特此通过援引的方式纳入。
                发明背景
本发明涉及用于整理生物或物理数据的方法和系统。更具体而言，本发明涉及用于整理生物或物理数据以检测和/或预测生物异常的系统和方法。
自从发明弦线电流计以来，对电生理电位的记录已可用于医学领域。自二十世纪30年代以后，电生理学已用于诊断心脏损伤和脑性癫痫。
现代医学的最新技术指出分析在心电图中观察到的R-R间期或在脑电图中看到的峰形可预测未来的临床结果，例如心源性猝死或癫痫发作。尽管所述分析和预测在用来在显示或未显示所预测结果的大群患者之间区分结果时具有统计显著性，但已知分析方法在用于单个患者时并不十分精确。已知分析测量方法的这一普遍失效归因于大量的错误预测；即该测量方法在其预测方面的统计敏感性和特异性较低。
虽然通常已知在所研究的生物系统中正在进行某种“病态”过程，但是现有分析方法的敏感性和特异性不足以令其用于单个患者。
本领域普遍存在的不准确的问题是因为现有的分析测量方法(1)是随机的(即基于数据的随机变化)，(2)需要平稳性(stationarity)(即产生数据的系统在记录过程中不能变化)，(3)是线性的(即对数据的非线性，也就是本领域所称的“混沌(chaos)”不敏感)。
已知有多种关于维数的理论描述，例如“D0”(Hausdorff维数)、“D1”(信息维数)和“D2”(关联维数)。
D2使得能够根据对所产生数据的样本的整理估算系统的维数或自由度数。已有数位研究人员将D2用于生物数据。然而，研究结果表明不能满足对数据平稳性的假定。
已经提出另一种理论描述，即逐点标度维数(Pointwise ScalingDimension)或“D2i”，它对来自脑、心脏或骨骼肌的数据所固有的非平稳性不怎么敏感。因此可能比D2更适用于估算生物数据的维数。然而，D2i仍然具有相当多的估算误差，该估算误差可能与数据的非平稳性相关。
已经提出一种点关联维数(Point Correlation Dimension，PD2)算法，它在探测非平稳数据(即通过连接来自不同混沌发生器的亚初相(subepoch)而产生的数据)中维数的变化上优于D2和D2i。
已提出一种改进的PD2算法，称之为“PD2i”以强调它的时间依赖性。该算法采用的分析测量方法是确定性的并且基于引起的数据变化。该算法不需要数据平稳性，并且实际上跟踪的是数据的非平稳变化。此外，PD2i对混沌和非混沌线性数据同样敏感。虽然，总起来说，PD2i所基于的前述分析测量方法都是用于估算关联维数的算法，但是PD2i对数据的非平稳性不敏感。由于上述特征，PD2i可以其它测量方法所不具备的高敏感性和特异性预测临床结果。
PD2i算法在美国专利No.5,709,214和5,720,294中有详细描述，所述专利特此通过援引的方式纳入。为便于理解，下面对PD2i进行简单描述，并将其与其它测量方法进行比较。
PD2i的模型是C(r，n，ref*，)～r·eD2，其中ref*是可接受的参考点，从该点产生多个m维参考矢量，因为这些参考矢量将具有一个最大长度PL的标度区，而该标度区满足线性准则(LC)和收敛准则(CC)。因为在各m维参考矢量中，各ref*始于一个新的坐标，并且所述新的坐标可为任何值，所以从统计上看PD2i的参考矢量可以相互独立。
PD2i算法限制小log-r值的范围，在该范围内线性标度和收敛通过使用一个称为曲线长度(Plot Length)的参数进行判断。从小log-r端开始计起，曲线长度的值确定各log-log曲线上寻找线性标度区的点的百分率。
在非平稳数据中，当介于亚初相，比方说，正弦波内的一个固定参考矢量(i矢量)之间的小log-r值，从比方说，洛伦兹亚初相内的多个j矢量中减去时，将不会产生很多小的矢量差长度，特别是在较高的嵌入维数下。也就是说，相对于如果所述洛伦兹亚初相的j矢量是在正弦波亚初相中的情况下将会产生的小log-r矢量差长度而言，将不会有充足的小log-r矢量差长度。当来自非平稳数据的所有矢量差长度混合在一起并排序后，只有那些介于相对于含有参考矢量的亚初相平稳的亚初相之间的小log-r值对标度区，即将检查其线性和收敛的区域，有贡献。如果所述小log-r区受到其它非平稳亚初相的显著污染，则线性准则或收敛准则将会失败，并且其估算值将从PD2i平均中除去。
PD2i算法将如下思想引入本领域，即如果存在数据非平稳性(即生物数据的常态)应考虑线性标度区的最小起始部分。这是因为当且仅当j矢量所在的数据亚初相与i矢量(参考矢量)所在的数据亚初相是同一种类时，即在极限情况下或当数据长度变大时，才会产生充足的最小log-r矢量。因此，为避免关联积分受到相对于参考矢量所在的种类非平稳的数据种类的污染，本领域的技术人员必须仅考虑关联积分中位于“软尾(floppy tail)”之上的仅一小段距离中的斜率。
“软尾”是充分小的log-r范围，在该范围内因为由有限数据长度引起的这部分关联积分缺乏数据点而未出现线性标度。因此，通过将PD2i标度限制到“软尾”之上的最小部分log-r范围内将使得PD2i算法对数据非平稳性不敏感。需注意D2i总是采用全线性标度区，而如果数据中存在非平稳性，则该标度区总是会被污染。
图1A示出了log C(r，n，nref*)-log r图。该图说明了PD2i算法背后的关键思想。即如果存在数据非平稳性，则只应考虑线性标度区的最小起始部分。在该例中，数据是通过连接来自正弦波、洛伦兹数据、正弦波、Henon数据、正弦波和随机噪声的1200个点数据亚初相得到的。参考矢量位于洛伦兹亚初相中。对于嵌入维数m＝1的关联积分，通过线性准则LC＝0.30使软尾(“FT”)段(segment)无效；整个区间的线性标度区(D2i)由以下数据确定：曲线长度PL＝1.00、收敛准则CC＝0.40以及最小标度MS＝10个点。通过将曲线长度降到PL＝0.15或更低来设置i矢量和j矢量均在洛伦兹数据中的种类特定标度区(PD2i)。需注意在较高的嵌入维数(例如m＝12)下，在斜率-嵌入维数的收敛出现以后，PD2i段的斜率不同于D2i的斜率。这是因为D2i段的上部(D2i-PD2i)受到非平稳i-j矢量差的污染，其中j矢量位于相对于i矢量所在的种类非平稳的数据种类中。
PD2i的这种短距离斜率估算对于线性区的任何log-log曲线都是完全有效的；在确定斜率时无论是采用全部数据点或是仅采用起始段都不重要。因此，通过根据经验将曲线长度设为“软尾”之上的一个小区间(通过设置线性准则LC使该小区间后面的无效)，可仅以小的误差跟踪数据的非平稳性，所述的误差即一个完全由有限的数据长度而不是非平稳性的污染引起的误差。
因此，通过适当调整算法以仅检查刚好位于“软尾”之上的那部分标度区，本领域的技术人员可消除测量方法对数据非平稳性的敏感性，所述那部分标度区由(1)线性准则LC，(2)最小标度准则MS，以及(3)曲线长度准则PL确定。
这就是如何使j矢量来自与i矢量所在的数据种类相同的数据种类的“窍门”，并可通过经验证明：将图形标记置于i矢量和j矢量上，并在关联积分中观察所述标记。尽管从数学上来讲，标度区的起始部分仅在极限情况下不受污染，但是就实际情况而言，它对有限数据非常有效。这可用连接数据通过计算证明。当PD2i用于由正弦、洛伦兹、Henon和其它类型的已知线性及非线性数据发生器生成的数据的连接亚初相时，短标度段的矢量差长度将仅由相对于彼此平稳的i矢量和j矢量差构成；也就是说，将发现1200个点亚初相的误差小于其极限值的5.0％，并且这些误差是由有限的数据长度而不是标度污染引起的。
图1B比较了两种非线性算法，即点关联维数(PD2i)和逐点标度维数(D2i)，对数据序列(data series)自由度的计算。所述两种算法都是依赖于时间的，并且当用于非平稳数据时都比经典D2算法精确。大多数生理数据由于体系组织的方式(机制是非线性的)是非线性的。生理体系是固有地非平稳的，因为存在不受控制的神经调节(例如，静坐时突然想到某些“恐惧”的事情，从而产生心跳数据)。
通过连接由具有不同统计性能的数学发生器产生的单独数据序列可使非平稳数据无噪声。物理发生器总是会具有一些低电平噪声。图1B所示的数据(DATA)由正弦(S)、洛伦兹(L)、Henon(H)和随机(R)数学发生器的亚初相组成。根据定义，当各亚初相(S、L、H、R)具有不同的随机性能，即不同的标准偏差，但平均值相近时，该数据序列是非平稳的。针对该数据计算得到的PD2i和D2i结果示于该数据下面的两个图样(trace)中，且有很大差异。D2i算法是与PD2i最接近的比较算法，但与PD2i不同的是，D2i未限制关联积分中的小log-r标度区。而该标度限制是PD2i能很好地分析非平稳数据的原因。
示于图1B中的PD2i结果使用了缺省参数(LC＝0.3、CC＝0.4、Tau＝1、PL＝0.15)，其针对的是1200个数据点亚初相。各亚初相的PD2i平均值在针对各数据类型(使用长数据长度)单独计算得到的已知D2值的4％以内。S、L、H和R数据的已知D2值分别为1.00、2.06、1.26和无穷大。考察D2i值，可看到相当不同的结果(即伪结果)。注意D2i是与PD2i最接近的算法，因为它也是依赖于时间的。然而，D2i需要数据平稳性，正如D2值本身需要一样。对于平稳数据，D2＝D2i＝PD2i。而只有PD2i正确跟踪非平稳数据的自由度数。所示D2i值的平均值接近针对相同非平稳数据计算得到的单个D2值。
对于利用PD2i进行的分析，将电生理信号放大(增益为1,000)和数字化(1,000Hz)。在处理该数字化信号之前可进一步对其进行转换(例如，将ECG数据转化为RR间期数据)。已屡次发现对RR间期数据的分析使得能在具有不同病理结果(例如心室颤动“VF”或室性心动过速“VT”)的大组对象之间进行风险预测。已表明PD2i可使用来自高危患者的抽样RR数据来区分那些后来患有VF的患者和那些没有患VF的患者。
对于根据用最佳低噪声前置放大器和快速1,000Hz数字转换器获得的数字ECG生成的RR间期数据，仍然存在可使非线性算法产生问题的低电平噪声。用来产生RR间期的算法还可导致噪声增加。所有RR间期检测器中最精确的检测器采用了3点运行的“凸算子(convexityoperator)”。例如，可以调整通过整个数据的运行窗口中的3个点以在该运行窗口恰好跨在R波峰两边时使检测器的输出最大；点1在前R波基线上，点2在R波峰顶上，点3又在基线上。当窗口通过数据时，点2在数据流中的位置正确识别各R波峰。与测量R波超过某一电平的时刻或在各R波的dV/dt最大时进行检测的算法相比，所述算法将产生大量更多无噪声RR数据。
用最佳算法计算的RR间期仍然会具有低电平噪声，经观察该低电平噪声峰-峰值为约+/-5个整数。对平均R波峰来说，所述10个整数范围出自1000个整数(即1％的噪声)。在电极制备质量不好、环境电磁场较强、使用中等噪声前置放大器或使用较低的数字化速度的情况下，低电平噪声可容易地增大。例如，在1个整数＝1毫秒的增益下(即满标度12位数字转换器的增益为25％)，如果使用者不仔细获取数据，所述1％的最佳噪声水平可容易地增至双倍或三倍。噪声的上述增加在繁忙的临床环境中经常发生，因此在获取后必须考虑噪声电平。
因此需要一种改进的、考虑到噪声的分析测量方法。并且在医疗领域也需要这样的测量方法以，例如，检测诸如脑疾病等生物异常。
                    发明内容
结合以下描述和附图，本发明的目的、优点和特征将更加明显。
根据示例性实施方案，通过使用数据处理例程分析输入的生物或物理数据检测和/或预测生物异常。数据处理例程包括一套与生物数据相关的应用程序参数(application parameter)，所述生物数据与生物异常关联。数据处理例程使用一种算法产生数据序列，例如，PD2i数据序列，所述数据序列用来检测或预测生物异常的发作。
根据本发明的一个方面，为降低数据序列中的噪声，如果斜率低于预定值，例如0.5，则将斜率设为预定数，例如0。
根据另一个方面，确定数据序列中的噪声区间(noise interval)，并且如果该噪声区间在预定范围内，则用另一个预定数，例如2，除数据序列，从而为数据序列产生新的值。
根据示例性实施方案，降低数据序列中的噪声将改善对诸如心律失常、脑性癫痫发作和心肌缺血等生物异常的检测/预测。
本发明的方法和设备还可用来检测和预测脑疾病的发作，所述脑疾病有，例如人类蛋白感染素疾病(雅-克病)和各种痴呆症(心血管、外伤性、遗传)，包括阿尔茨海默病。本发明的方法还可用来检测和预测牛海绵状脑炎、羊瘙痒病和麋鹿萎缩病的发作。
                   附图说明
图1A图解了常规PD2i算法的log C(r，n，nref*)-log r图；
图1B所示图显示了两种依赖于时间的算法在用于无噪声的非平稳数据时对自由度(维数)的计算；
图2A和2B图解了当把低电平噪声加至非平稳数据中时，PD2i的性能；
图3图解了对从两个数字ECG产生的两组RR间期内低电平噪声的检查；
图4A-4F图解了在患有急性心肌梗死的对照病人的RR间期内的低电平噪声(插入)；
图4G-4L图解了心律失常死亡患者的RR间期内的低电平噪声；
图5A说明了在心脏病学中应用于ECG数据的NCA逻辑的示例性流程图；
图5B说明了在神经生理学中应用于EEG数据的NCA逻辑的示例性流程图及神经生理学中的相关概念；
图6说明了根据一个示例性实施方案在软件中实现的NCA的示例性操作程序图；
图7说明了与年龄匹配的正常个体相比，患有早期痴呆症并且10年后才得到证实的患者的心跳(RR)的PD2i；和
图8图解了在患有早期和晚期牛海绵状脑炎(BSE)的牛中，心跳(RR)的PD2i之间的关系。
                 具体实施方式
根据一个示例性实施方案，提出了一种技术以消除低电平噪声对非线性分析测量方法，如PD2i的影响。
为了解为什么噪声是重要的，参考图2A和2B。在图2A和2B中，数据均为相同的、如参考图1B所述的S、L、H和R数据。根据定义，所述数据是由数学发生器产生的，所以不含任何噪声。
在图2A中，已向非平稳数据序列中加入了5个整数的低电平噪声。虽然在各亚初相中，1200个数据点中有几个大值，但各亚初相的PD2i平均值并未显著改变。
然而，加入14个整数的噪声立刻就导致伪PD2i值，其平均值全都近似相同，如图2B所示。
根据示例性实施方案，NCA(噪声考虑算法，noise considerationalgorithm)在高放大率(例如，y轴全标度为40个整数，x轴全标度为20次心跳)下检测低电平噪声并确定噪声是否落在预定范围外，例如，噪声的动态范围是否大于5个整数。如果是的话，则将数据序列除以一个数，使噪声落在5个整数的范围内。在一个实例中，数据序列可除以2，因为仅有12位整数数据的低位位(low-level bit)含有噪声。
由于在嵌入维数小于m＝12下进行计算时，由低电平噪声(例如，动态范围为5个整数)生成的关联积分的线性标度区，其斜率小于0.5，因此无法区分低电平噪声和真实的小斜率数据。方便的是，由于在生物数据中很少遇到小于0.5的斜率，因此将等于或小于0.5(在关联积分中观察到的)的任何斜率设为零的算法将消除对这些小的固有斜率的检测，并且还将消除低电平噪声对PD2i值的影响。该“算法现象”解释了经验数据，并且说明了在-5至5区间内的噪声被加入到无噪声数据中时缺乏影响的原因(图2A)。但是，振幅略大的噪声将表现出预计会发生在非线性算法中的噪声效应(例如，图2B)。
根据在生理数据中的应用，现在了解到必须考虑低电平噪声，并以某种方式将低电平噪声维持在预定范围内，例如5个整数之间，或基于经验数据的任何其它相关范围内。上述考虑将防止低维数据(即自由度较低的数据)PD2i伪增大，如图2B所示。这一概念的证明有赖于其简单的解释(“算法现象”)，但可能更有说服力的是支持使用NCA的经验数据。所述数据现在将给出。
图3的上部分示出了死于心律失常死亡(AD)的患者的临床RR间期数据。一小段20次心跳的RR间期数据放大后示于图3的底部。线性回归代表数据段中信号的缓慢变化，而上下锯齿形变化代表噪声。ECG和RR数据看似相近，但是对数据(20次心跳，40个整数的y轴)的低电平观察结果表明其中一种数据的变化在±5个整数之间(适宜)，而另一种数据的变化在±10个整数之间(过大)。不对振幅较大的段(“过大”)进行识别和校正，则PD2i值将伪增大，如图2B所示。上述PD2i值伪增大的一个后果是基于PD2i的测试可能得出错误的有关患者心脏对致死心律失常发生的易损性的临床预测。
根据示例性实施方案，如图3(过大)所示的振幅较大的段可采用噪声考虑算法(NCA)进行识别和校正。
表1-4示出了作为支持NCA概念的研究的一部分获得的临床数据。表1-4所示研究的目的在于根据对各患者的数字ECG进行的PD2i测试预测心律失常死亡(AD)的发生率。在对320名在急诊室中表现出胸痛并且根据哈佛医学院程式确定为高危心脏病患者的研究中，约有三分之一的患者需要应用NCA提供有意义的数据。如果未开发和使用NCA，那么从这些患者中获得的数据在低电平噪声过大的情况下将是毫无意义的。
表1A示出了预测AD结果(即真阳性、真阴性、假阳性、假阴性)的列联表和用几种非线性确定性算法(PD2i、DFA、1/f-斜率、ApEn)分析数据集的相对风险统计(Rel，Relative Risk statistic)。表1B示出了预测AD结果的列联表和用更一般的线性随机算法(SDNN、平均NN、LF/HF、LF(ln))分析数据集的Rel。
表1A和1B对320名在急诊室表现出胸痛并且急性MI的评估风险大于7％的高危患者(N)中的HRV算法进行了比较。对所有个体均记录了ECG并完成了12个月的跟踪。将确定的心律失常死亡结果表达为真或假预测(T或F)乘阳性或阴性HRV测试(P或N)。表中的缩写表示如下含义：SEN＝敏感性(％)；SPE＝特异性(％)；REL＝相对风险统计；SUR＝替代排斥(surrogate-rejection)；OUT＝异常值排斥(outlier-rejection)(＞3SD)；AF＝心房纤颤排斥。
                      非线性确定性算法：
  PD2i≤1.4   PD2i＞1.4   DFA OUT   DFA IN   1/fS≤-1.07   1/fS＞-1.07   ApEn≤1   ApEn＞1
  TP＝19   TN＝140   TP＝6   TN＝52   TP＝6   TN＝158   TP＝4   TN＝166
  FP＝96   FN＝1   FP＝227   FN＝14   FP＝75   FN＝14   FP＝61   FN＝16
  SEN＝95**   SUR＝65   SEN＝30   SUR＝15   SEN＝30   SUR＝65   SEN＝20   SUR＝65
  SPE＝59**   OUT＝0   SPE＝19   OUT＝6   SPE＝68   OUT＝2   SPE＝73   OUT＝8
  REL＞＞23**   N＝320   REL＝0.12   N＝320   REL＝0.91   N＝320   REL＝0.80   N＝320
                               表1A
                            线性随机算法：
SDNN≤65 SDNN＞65 MNN≤750 MNN＞750 LF/HF≤16 LF/HF＞1.6   LF(ln)≤5.5   LF(ln)＞55
  TP＝19   TN＝59   TP＝19   TN＝163   TP＝7   TN＝196   TP＝19   TN＝96
  FP＝202   FN＝6   FP＝98   FN＝6   FP＝63   FN＝18   FP＝163   FN＝6
  SEN＝76   AF＝29   SEN＝76   AF＝29   SEN＝28   AF＝29   SEN＝76   AF＝29
  SPE＝23   OUT＝5   SPE＝62   OUT＝5   SPE＝76   OUT＝7   SPE＝37   OUT＝7
  REL＝0.93   N＝320   REL＝4.57   N＝320   REL＝1.19   N＝320   REL＝1.78   N＝320
                    表1B
**p≤0.001；二项式概率检验；用多次检验α保护(protection)(所需的α水平比8倍小一些)；(P+Q)n×8倍保护的展开式表明p＝0.00016，即p≤0.001；并且对2×2列联表中的行列联合利用Fisher精确检验也有p≤0.001；所有其它项利用二项式概率检验均不显著。*仅对Fisher精确检验有p≤0.001；即利用二项式概率检验不显著。PD2i＝点关联维数(如果最小的PD2i≤1.4维，且有多于12个PD2i值有系统低维偏移(low-dimensional excursion)，则为阳性)；随机相替代排斥(SUR)的情况与FN≤33％的情况相同。
DFA-OUT＝去势波动分析(Detrended Fluctuation Analysis)(如果α1[短期]落在标准范围0.85～1.15以外，则α1[短期]为阳性)；随机序列替代排斥(SUR)。
1/fS＝1/f斜率(如果对log[微伏2/Hz]-log[Hz]的斜率在0.04Hz～0.4Hz上积分，≤-1.075，则为阳性)。
ApEn＝近似熵(若割点(cut-point)≤1.0单位斜距，则为阳性)。
SDNN＝正常心跳的标准偏差(如果≤65msec，则为阳性；在为阳性的情况下，如果≤50msec，则TP＝17)。
MNN＝正常RR间期的平均值(如果≤750msec，则为阳性)。
LF/HF＝低频功率(0.04～0.15Hz)/高频功率(0.15～0.4Hz)(≤1.6，则为阳性)。
LF(ln)＝低频功率(0.04～0.15Hz)，用自然对数进行标准化(≤5.5，则为阳性)。
#仅有该AD患者在第79天死亡并且可能不是真FN；数字ECG在两次正常的临床ECG之前记录，而两次正常的临床ECG之后是第三阳性ECG(即，该患者可归为“发展中的急性MI”，即在记录ECG时可能已经为TN)。
从表1A和1B的数据可知，仅有PD2i算法在该急诊室人群中具有统计上显著的敏感性、特异性和相对风险统计。
表2示出了各个亚组的高危心脏病患者的相对风险统计。表2的数据清楚表明PD2i在所有算法中表现最佳。
表2示出了在急诊室中的320名高危心脏病患者中，心律失常死亡的算法预测的相对风险。
  AMI   非AMI   后MI   非后MI
  PD2i   7.39**   ＞12.17**   ＞4.51*   ＞16.85**
  DFA   0.70   0.44   0.63   0.48
  1/f斜率   1.67   0.56   0.87   0.90
  ApEn   0.50   1.44   0.00   0.72
  SDNN   0.68   1.75   0.83   1.34
  MNN   1.94   ＞20.82**   3.00   3.61*
  LF/HF   1.08   0.66   2.52   0.61
  LF(ln)   1.08   ＞5.13*   0.73   2.09
                           表2
对2×2列联表中的行列联合进行Fisher精确检验，**代表p≤0.001，*代表p≤0.05；＞表示RR趋于无穷大，因为FN＝0；使用所示值FN＝1。相对风险＝真阳性/假阴性×[真阴性+假阴性/真阳性+假阳性]。
表3示出了在对RR间期数据使用NCA和未对RR间期数据使用NCA的情况下，PD2i在对急诊室中的320名高危心脏病患者进行心律失常死亡预测方面的表现。
  使用NCA   未使用NCA
  PD2i≤1.4   PD2i＞1.4   PD2i≤1.4   PD2i＞1.4
  TP＝19   TN＝140   TP＝12   TN＝140
  FP＝96   FN＝1#   FP＝96   FN＝8
  REL＞＞23**   N＝320   REL＝1.8#   N＝320
                             表3
**p＜0.001
#统计上不显著
表3说明了使用或不使用NCA可如何改变相对风险统计的研究结果。如果不考虑噪声，PD2i将不会具有如此出色的预测性能，并且任何其它算法也不会表现得非常好。
表4说明了另一种在预测AD方面也表现良好的PD2i测量准则。表4示出了16名心律失常死亡患者的、自由度(维数)在3～0之间的所有PD2i值的百分比，所述各死亡患者在其ECG被记录后的180天内死亡，而其匹配对照均具有急性心肌梗死的记录，但在其后1年内未死亡。两组的平均值均具有高度的统计显著性(t检验的P＜0.0000001)。
  心律失常死亡(180天内)   匹配对照(AMI，一年内未患有AD)
  患者编号   3＜％PD2i＞0   患者编号   3＜％PD2i＞0
  Bn032   95   Ct024-n   13
  Bn078   90   Gr077-n   7
  Bn100   90   Bn126   0
  Bn090   90   Bn157   0
  Bn113   70   Bn158   1
  Bn137-n   90   Bn160   0
  Bn159   98   Bn167   *3
  Bn141-n   97   Ct001   0
  Bn162   80   B216   0
  Bn215-n   55   C002   5
  Gr012   98   Bn220   1
  Bn226-n   95   Ct005   6
  Gr064   99   Ct008-n   0
  B227   95   Ct022-n   0
  Gr076   99   Ct009   1
  Gf056-n   65   Gr047   5
  Gr107   40   C021   0
  Gr111   90   Gr090   0
  平均值±SD   83±20**   平均值±SD   2.3±3.6**
                             表4
*这些值是由在3～0的范围内产生了某些标度的过度异位心搏引起的。
**t检验的P＜0.000001；所有的AD个体都符合PD2i＜1.4LDE和0＜PD2i＞3.0的准则；敏感度＝100％，特异性＝100％
从表4可知，在未死亡的高危ER患者(阴性试验)中，其PD2i结果大部分高于3维(自由度)。在那些死亡的患者(阳性试验)中，其PD2i结果大部分低于3维。该％PDi2＜3的准则完全区分了AD患者与其患有急性心肌梗死、但未死于AD的匹配对照(敏感度＝100％；特异性＝100％)。这些结果也完全依赖于NCA的使用以防止分布发生重叠，并保持敏感度和特异性为100％。那些在其中去除了噪声位的对象用文件名末尾的-n表示，之所以去除噪声位是因为所述对象的RR间期中的低电平噪声过高。
用于预测心律失常死亡的PD2i准则
以上各表1～4是基于对低维偏移(LDE)至PD2i为1.4或1.4以下的低维偏移(LDE)的观察。换言之，PD2i＜1.4是预测AD的准则。采用该准则时不存在假阴性(FN)。FN病例是对医学的诅咒，因为患者被告知“你是健康的”，但接着他或她回家后却在数天或数周内死于AD。预计有很多假阳性病例，因为统计人群是一个其患者具有急性心肌梗死、单态异位病灶和其它高危诊断的高危人群。尽管这些阳性试验患者肯定处于危险中，并且应当就医，但是他们可能因为在医院里施用的药物或手术介入而不会死亡。换言之，FP分类不是对医学的诅咒。对PD2i在这些ER患者中的应用来说值得注意的是，1)所有AD患者都出现在阳性试验患者中，并且2)51％的阴性试验患者可安全出院，并且未在追踪研究的年限内死亡。虽然所有这些临床结果都是有意义的，但它们完全依赖于NCA的使用以保持敏感度和特异性为100％，并维持高的相对风险。
图4A～4L说明了PD2i＜1.4LED和％PD2i＜3的准则，在某些情况(NCA)下如果不使用NCA，所述两个准则均将发生显著变化。虽然这两个准则相互关联，但是在NCA检查的数据中使用这两个准则可能是在高危心脏病患者中预测AD的最佳和最通用的方法。所述结合保持统计敏感度和特异性为100％，如针对AD患者及其急性MI对照所看到的(表4；图4A～4L)。
图4A～4F说明了6名急性心肌梗死(急性MI)对照患者的RR间期中的低电平噪声，图4G～L说明了6名心律失常死亡(AD)患者的RR间期中的低电平噪声。
各图片中的长段代表15分钟ECG中的所有RR间期。短段显示的是在高增益下一20次心跳的小段中的低电平噪声图样。因此，在各图片中，噪声叠加到较大的动态活动上。对于所有研究对象而言，所有的增益都是相同的(长的RR图样＝500～1000个整数；短的RR图样＝0～40个整数)。
在计算PD2i之前，对那些已断定其噪声范围大于5个整数(1msec＝1个整数)的对象执行噪声考虑算法(NCA)。因此，例如，对图4B、4C和4F所表示的对照对象及图4K和4L所表示的AD对象应用NCA。
各RRi所对应的PD2i值示于一个0～3维(自由度)的标度上。对于图4G～4L所表示的AD对象，有很多PD2i值小于3.0。关于这一点，表4显示，对所有的研究对象来说，平均有83％的PD2i值低于3.0。
如果不考虑数据的噪声含量，则临床数据的可预测性结果将不是统计上显著的。在所有上述应用中实际使用的NCA包括，1)观察噪声的动态范围是否在10个整数的区间外，以及如果是，则2)充分降低RR间期的振幅，以除去过量噪声。约有1/3的对象需要进行NCA。与其将各数据点乘以一个会将噪声的动态范围刚好降到10个整数以下的值，倒不如确定乘数为0.5(即，去除12位数据的一个整位)。
NCA的所有应用都是在数据结果未知的情况下进行的(心律失常死亡在用NCA完成PD2i分析后才确定)。该过程排除了实验者有偏见的可能性，并且对统计分析而言是必需的设计。
根据一个示例性实施方案，上述噪声考虑算法可在软件中实现。噪声区间的确定可通过显示在，例如，计算机监视器上，的数据直接看到。数据可以固定的放大率显示，例如，以所显示段的平均值为中心的40个整数全标度。如果值落在±5个整数的范围外，使用者可决定用预定值除数据序列，或可自动进行除法运算。
图5A说明了应用于ECG数据的NCA逻辑的示例性流程图。根据一个示例性实施方案，研究对象的ECG通过常规放大器进行采集、数字化，然后被提供作为计算机的输入供分析。首先，根据ECG数据生成RR和QT间期；然后，用PD2i软件(PD2-02.EXE)和QT vs RR-QT软件(QT.EXE)对RR和QT间期进行分析。
根据示例性实施方案，在两个时刻应用NCA，例如，当部分执行PD2i和QT vs RR-QT软件时，以及执行PD2i和QT vs RR-QT软件后。例如，NCA可在PD2i和QT vs RR-QT软件的执行过程中应用，以将logc(n，r，nref*)-log r的斜率设为0，如果斜率＜0.5且＞0的话。此外，NCA可在执行PD2i和QT vs RR-QT软件后应用，以用一个预定整数除PD2i数据序列，如果低电平噪声落在一个预定区间外的话，例如，在-5至5的区间外。如果出现这样的除法运算，则通过再次执行PD2i和QT vs RR-QT软件对被除后的数据重复进行PD2i计算。
完成PD2i和QT vs RR-QT软件的执行后，将点关联维数计算成时间的函数，并显示出来。另外，绘制QT对RR-QT图并显示出来。然后针对评估风险出具图形报告(Graphics Report)。可下载数字化ECG供存储。
以上描述在很大程度上涉及改进对根据ECG数据生成的非平稳心跳间期内的、作为致死性心律失常征兆的确定性低维偏移的检测/预测。以上描述还涉及改进对在以前观察到的禁止区域内的、作为致死性心脏动力学心律失常征兆的QT对RR-QT共同绘制的心跳子间期的动力学的检测。然而，应领会的是，本发明对于使用，例如，脑电图(EEG)数据改进对其它生物异常的检测/预测也是适用的。例如，NCA可适用于改进对由非平稳EEG数据引起的作为认知状态改变之测度的、确定性维重建(dimensional reconstruction)的持续改变的检测。NCA还可适用于改进对作为早期阵发性癫痫活动征兆的、EEG电位的确定性维变化的增大方差的检测。
图5B示出了NCA算法针对经受神经分析的癫痫患者或正常对象的示例性执行过程。研究对象的EEG数据由常规放大器生成、进行数字化，然后被提供作为计算机的输入供分析。然后执行PD2i.exe软件(PD2-02.exe)，必要时将斜率设为，例如，零。然后，如果低电平噪声落在预定区间以外，则用预定整数除PD2i数据序列，并通过再次执行PD2i和QT vs RR-QT软件对被除后的数据重复进行PD2i计算。
然后对点关联维数作图，接着出具图形报告，以评估癫痫病灶的位置和/或认知状态的改变。
NCA可在，例如，微型计算机上实现。虽然图5A和图5B中的元件显示为独立元件，但是其中的一个或所有元件可在CPU中实现。
虽然以上描述的重点主要在于评估ECG数据和EEG数据，但应领会的是，本发明的其它类似应用也是可能的。电生理信号的来源可以不同，并且图形报告的结构可以是针对医疗和/或生理目的而特定的。所有分析都可使用某种软件形式的PD2i算法和NCA，并可伴随有其它验证性分析。
本发明还提供一种检测或预测脑疾病的发作的方法，包括如下步骤：使用数据处理例程分析输入的生物或物理数据以产生数据序列，所述数据处理例程包括一套与生物数据相关的应用程序参数，所述生物数据与脑疾病关联，并确定所述数据序列的斜率是否小于预定值；如果斜率小于预定值，则将斜率设为预定数；以及，使用所述数据序列检测或预测脑疾病的发作。
图6的流程图说明了根据一个示例性实施方案，可以将NCA实现为软件的过程。流程以采集数据开始。根据数据产生i和j矢量并将它们相减(i-j DIFF)。将所述矢量差长度根据其值(X，1～1000)在所使用的嵌入维数(m，1～12)下输入到MXARAY中。所述输入作为MXARAY各单元处计数器的增量。
生成矢量差长度的工作完成以后，接着使用计数器的数字(3，7，9，8，2，6，7，4...)产生各嵌入维数的关联积分；这是通过在各m.sub.1处产生为X的函数的累计柱状图、然后生成其累计值的log-log图(例如，PLOT log C(n，r)-log r)来完成的。累计柱状图结果表示为log-log数据，该log-log数据在各嵌入维数(m)的关联积分中标出。
然后针对五项准则检验关联积分。首先，确定各m处的斜率是否小于0.5。如果斜率小于0.5，则将其设为零。然后，找到符合线性准则(LC)的最长线性标度区。是这样完成的：通过用LC检查各关联积分以找到落在规定参数范围内的最长二阶导数段(LC＝0.30表示在平均斜率±15％的偏差范围内)；所述迭代LC检验将找到“软尾”(即由于数据长度有限而不稳定的最小log-r区)之上的一个范围，并抬高关联积分直至超出LC准则(顶部关联积分的粗体部分)。
然后，确定上述段是否符合曲线长度(PL)准则。如果符合，则根据PL准则重置关联积分标度区；从关联积分中的最小数据点开始计起，将PL值设为其准则值(例如，15％，从顶部关联积分起第二个支架形部分)。观察上述关联积分标度区的上限和下限，以确定其是否至少具有最小标度(MS)准则所要求的数据点个数，例如，10。针对所有关联积分(m＝1至m＝12)的选定区域作图，并用CC检查以确定在较高的嵌入维数(例如，m＝9至m＝12)处是否出现收敛；换言之，确定选定区域是否具有基本相同的斜率，其中平均值的标准偏差在由CC设定的范围内(即，CC＝0.40表示平均值的标准偏差在平均值的±20％以内)。如果通过了CC准则，则将平均斜率和标准偏差存入文件，并且例如显示出来。
最后，由用户检查低电平噪声以检验动态范围是否在-5到+5的区间外。如果是，则从数据文件中除去噪声位(即，各数据点值除以2)，然后重新计算经修改的文件，显示并储存。
如果在流程的任何早期准则(LC、PL、MS)中失败，则程序将退出并将PD2i参考矢量移至下一个数据点，然后完全重新开始。如果在CC中失败，将保存平均值和标准偏差而不退出，因为情况可能是以后需要改变CC；即CC是一个过滤器，它决定在以后的图形例程中是否需要对PD2i(即，m＝9至m＝12的平均斜率)作图。
                     实施例
本申请人研究了HRV中的自由度，发现在有心脏移植(4)的人类中，心跳的变化非常规则并且几乎根本不改变。对这些移植受体中HRV的非线性分析表明自由度仅为1.0。相反地，在正常个体中，变化较多，自由度在3～5之间。去神经性心脏的这一结果表明首先产生HRV的是由脑投射至心脏的神经活动。
对心跳动力学的非线性研究是潜在动力学的敏感检测器。它可清楚地检测其它HRV测量方法所无法检测的对致死心律失常发生的易损性(5)。当仅有内在的心脏神经系统调节心跳间期时(6，7)，或当牵涉包括额叶在内的高级认知系统时(8)，所述非线性研究还可检测调节性神经元的变化。
HRV与认知功能
HRV与老年人日常生活自理能力中认知功能及活动的联系尚不清楚(9)。已发现老年个体痴呆亚组中的HRV的总功率(即功率谱的LF和LF/HF比值)显著低于正常个体(9)。因此，与HRV的降低有关的不是年龄本身。相反，这一结果证实了去神经支配研究，这表明正是因为缺乏投射至心脏的高级神经活动导致了HRV减少。
重要的是知道HRV实际上是在进行性总神经攻击(challenge)中的哪一点开始变化的。该变化的振幅或振荡功率的改变，其伴随等同于降神经横断(transsection)的总神经受累发生，即为晚期结果并且在医疗上已经不太有用。可能在该过程的早期出现了更微妙的变化，表现为自由度的改变。在如BSE和/或阿尔茨海默病开始阶段中的早期总攻击很有可能对许多总神经元有影响，因此HRV的自由度数将显著减小。如果情况是这样的话，则HRV的这一非线性测量结果可成为将在10年后导致病变的起源的征兆。
研究了一个老年个体，SGW。该个体的健康状况良好(每周打3次网球)，并且无认知损伤。虽然该个体在回想生僻的名称(例如，各种公开手稿的作者)时存在一些小困难，但肯定尚未出现其它短期或长期记忆缺失的征兆，或痴呆症的任何迹象。然而，所述个体的HRV在当时有相当的下降，变为2.0～1.0维之间的一个值。在其它年龄匹配对照中明显没有非线性维数(自由度)这一下降的情况，所述对照具有与其他年轻正常个体范围相同的值，在5～3维之间。SGW与年龄匹配的正常个体之间在平均PD2i值上的差异具有高度统计显著性(t检验，p＜0.001)。所述10年研究中最重要的观察结果是，10年以后，该特定个体(SGW)表现出严重的短期记忆缺失以及严重的痴呆症(图7)。
这说明HRV的自由度(维数)的明显降低是待发生的神经痴呆的长期预测器。相同的机理也类似地存在于牛早期的牛海绵状脑炎检测以及类似也需要10年时间发展的人类蛋白感染素疾病(雅-克病)中。
在以前的研究中，用于评估HRV的功率谱算法假定的是线性随机模型，这又要求呼吸调节的变化以平均值为中心随机分布，并且是平稳的数据序列。上述两个假设在所述生理数据序列中均不成立，因为任何行为均可干扰呼吸并且使数据发生非线性和不平稳的变化。
申请人指出，基于非线性确定性模型的非线性算法，即点关联维数(PD2i)解决了非平稳数据的问题。它能精确跟踪非平稳数据序列中的变化的自由度改变(10)。在以前的研究(1)中所采用的功率谱要求数据具有平稳性，而这种平稳性在有意识行为的动物中不太可能存在。
将PD2i算法应用到高危心脏病患者的临床心率变化研究中时，PD2i算法在心律失常死亡结果的预测能力方面明显优于包括功率谱在内的本领域其它常用算法(11，12)。
本发明表明人类心跳变化PD2i的下降预测了进行性脑疾病，如脑痴呆。所述相同的非线性心跳测量方法同样地也可预测动物的进行性脑疾病，特别是受到牛海绵状脑炎感染的牛。已有研究表明心跳的脑调节使PD2的维数提高(4)。并且进一步发现随着脑炎的进行，所述脑调节与PD2i维数下降之间可存在定量关系(图8)。相同的可预测性可用于人类其它流行性脑疾病的早期检测，所述脑疾病包括，但不限于，人类蛋白感染素疾病(雅-克病)以及多种痴呆症(心血管、外伤性、遗传)，包括阿尔茨海默病。该技术还可用于动物中的相似或等同的疾病，包括但不限于，牛海绵状脑炎、羊瘙痒病和麋鹿萎缩病。
心跳间期变化将生理病理学编码为早期进行性总疾病是因为其测量竞争控制心跳的各种传入-传出环(afferent-efferent loop)的“协同性(cooperativity)”(10)。所述传入-传出环从完全包含在心脏中的内在神经系统(6，7)开始一直到那些循环通过额页的神经系统(8)。因此，该技术对心跳自主调节中的所有级别的中枢神经系统以及外周神经系统进行采样。
PD2i算法在定量描述HRV的变化方面所固有的精确性是因为其基于非线性确定性模型，并解决了数据非平稳性的问题。
虽然结合具体实施方案对本发明进行了描述，但可在不偏离本发明范围的情况下，构建本发明的改进方案和变体方案。例如，虽然对NCA的描述是针对其在PD2i数据序列中的应用来进行的，但应领会的是NCA也可用于在其它类型的算法中降低噪声，所述算法有例如，D2、D2i或任何其它预测算法。
应理解的是以上描述和附图仅为示例性的。可预见到许多种不偏离本发明范围和主旨的改进方案。
以上描述仅出于示例的目的，而并不拟以任何方式限制本发明。
整个本申请引用了多个公开物。这些公开物的公开内容在此通过援引的方式完整纳入本申请中，以更充分地描述现有技术。所公开的公开物通过援引的方式个别并特定地纳入，以引入在提及这些参考文献的部分讨论的材料。
                        参考文献
1.Pomfrett，CJD，Austin，AR，Bovine spongiform encepha lopathy(BSE)disrupts heart rate variability(HRV).J.Physiol.501：69页，1997
2.Austin AR，Pawson L，Meek S，Webster S.Abnormalities of heartrate and rhythm in bovine spongiform encephalopathy.Vet Rec141(14)：352-7，1997年10月5日
3.Braun U，Abgottspon S，Gubler E，Schweizer T.Decreasedsedation by xylazine and high blood pressure in cows with BSE.Vet Rec 144(26)：715-7，1999年6月26日.
4.Meyer，M.，Marconi，C.，Ferretti，G.，Fiocchi，R.，Cerretelli，P.，Skinner，J.E.Heart Rate Variability in the HumanTransplanted Heart：Nonlinear Dynamics and QT-vs-RR-QTAlterations During Exercise Suggesta Return of NeurocardiacRegulation in Long-Term Recovery.Integ.Physiol.Behav.Sci.31：289-305，1996.
5.Skinner，J.E.，Pratt，C.M.，Vybiral，T.A reduction in thecorrelation dimension of heart beat intervals preceedsimminent ventricular fibrillation in human subjects.Am.Heart J.，125(3)：731-743，1993.
6.Skinner，J.E.，Nester，B.A.和Dalsey，W.C.Nonlinear dynamicsof heart rate variability during experimental hemorrhage inketamine-anesthetized rats.Amer.J.Physiol.-Heart Circ.Physiol.，297：H1669-H1678，2000.
7.J.E.；Wolf，S.G.；Kresh，J.Y.；Izrailtyn，I.，Armour，J.A.，Huang，M-He.Application of Chaos Theory to a Model BiologicalSystem：Evidence of Self-Organization in the IntrinsicCardiac Nervous System.Integ.Physiol.Behav.Sci.，31(2)：122-146.1996.
8.Skinner，J.E.和Reed，J.C.Blockade of a frontocortical-brainstem pathway prevents ventricular fibrillation of theischemic heart in pigs.Am.J.Physiol.，240：H156-H163，1981.
9.Murakami S，Yamanaka T，Kubo Y，Wada T，Yano S，NishimuraY，Shinagawa M，Matsubayashi K，Otsuka K，Ohkawa S，KawataH.Heart rate variability analysis and neurobehavioralfunction in community-dwelling older people aged 75 or older.Nippon Ronen Igakkai Zasshi；39(5)：520-6，2002年9月.
10.Skinner，J.E.，Molnar，M.Event-related dimensionalreductions of the primary auditory cortex of the consciouscat are revealed by new techniques for enhancing the nonlineardimensional algorithms.Int.J.Psychophysiol.，34：21-35，1999.
11.Skinner JE，Pratt CM，Vybiral T(1993)A reduction in thecorrelation dimension of heart beat intervals precedesimminent ventricular fibrillation in human subjects.AmerHeart 125：731-743，1993.
还可参考Vybiral，T；Skinner，JE.The point correlationdimension of RR-intervals predicts sudden cardiac death amonghigh-risk patients.Computers in Cardiology，257-260，2002年9月.
12.Skinner，JE，Zebrowski，JJ，Kowalik，ZJ.(1997)Newnonlinear algorithms for analysis of heart rate variability：low-dimensional chaos predicts lethal arrhythmias.In，Mayer-Kress，G，Kantz，H，Kurths，J(编辑)NonlinearTechniques in Physiological Time Series Analysis，Springer，纽约，1-37.

Claims (62)

1.一种检测或预测生物异常的方法，包括如下步骤：
使用数据处理例程分析输入的生物或物理数据以生成一个数据序列，所述数据处理例程包括一套与生物数据相关的应用程序参数，该生物数据与生物异常关联；
确定所述数据序列的斜率是否小于一个预定值；
如果斜率小于一个预定值，则将斜率设为一个预定数；以及
使用所述数据序列检测或预测生物异常的发作。
2.权利要求1的方法，其中数据处理例程使用如下算法生成数据序列PD2i：
PD2ilog C(n，r，nref*)/log r
其中表示标度为(scales as)，C是PD2i的关联积分，其中的n等于数据长度，r等于标度范围，nref*等于参考矢量的位置，以在无非平稳数据影响的限定小log-r范围内，估算log C/log r的标度区斜率。
3.权利要求1的方法，其中预定值为约0.5。
4.权利要求1的方法，其中预定数为0。
5.权利要求1的方法，还包括：
确定数据序列中的噪声区间；以及
如果噪声区间在预定范围内，则用另一个预定数除数据序列，并重复分析的步骤，以为数据序列产生新的值。
6.权利要求5的方法，其中另一个预定数为2。
7.权利要求5的方法，其中预定范围为-x至+x，x为任何数。
8.权利要求7的方法，其中预定范围为-5至+5。
9.权利要求1的方法，其中输入的生物或物理数据包括电生理数据。
10.权利要求9的方法，其中输入的生物或物理数据包括ECG数据，对该ECG数据进行分析，以检测或预测心律失常和脑性癫痫发作中至少一种疾病的发作，和/或测量心肌缺血的严重程度。
11.一种检测或预测生物异常的方法，包括如下步骤：
使用数据处理例程分析输入的生物或物理数据以生成一个数据序列，所述数据处理例程包括一套与生物数据相关的应用程序参数，该生物数据与生物异常关联；
确定数据序列中的噪声区间；以及
如果噪声区间在预定范围内，则用一个预定数除数据序列，并重复分析的步骤，以为数据序列产生新的值；或者
如果噪声区间在预定范围外，则使用数据序列检测或预测生物异常的发作。
12.权利要求11的方法，其中数据处理例程使用如下算法生成数据序列PD2i：
PD2ilog C(n，r，nref*)/log r
其中表示标度为，C是PD2i的关联积分，其中的n等于数据长度，r等于标度范围，nref*等于参考矢量的位置，以在无非平稳数据影响的限定小log-r范围内，估算log C/log r的标度区斜率。
13.权利要求11的方法，其中预定数为2。
14.权利要求11的方法，其中预定范围为-x至+x，x为任何数。
15.权利要求14的方法，其中预定范围为-5至+5。
16.权利要求11的方法，还包括：
确定所述数据序列的斜率是否小于一个预定值；以及
如果斜率小于一个预定值，则将斜率设为另一个预定数。
17.权利要求16的方法，其中预定值为约0.5。
18.权利要求16的方法，其中另一个预定数为0。
19.权利要求11的方法，其中生物或物理数据包括电生理数据。
20.权利要求19的方法，其中电生理数据为ECG数据，对该ECG数据进行分析，以检测或预测心律失常和脑性癫痫中至少一种疾病的发作，和/或测量心肌缺血的严重程度。
21.一种检测或预测生物异常的装置，所述装置包括：
使用数据处理例程分析输入的生物或物理数据以生成一个数据序列的装置，所述数据处理例程包括一套与生物数据相关的应用程序参数，该生物数据与生物异常关联；
确定所述数据序列的斜率是否小于一个预定值的装置；
如果斜率小于一个预定值、则将斜率设为一个预定数的装置；和
使用所述数据序列检测或预测生物异常的发作的装置。
22.权利要求21的装置，其中数据处理例程使用如下算法生成数据序列PD2i：
PD2ilog C(n，r，nref*)/log r
其中表示标度为，C是PD2i的关联积分，其中的n等于数据长度，r等于标度范围，nref*等于参考矢量的位置，以在无非平稳数据影响的限定小log-r范围内，估算log C/log r的标度区斜率。
23.权利要求21的装置，其中预定值为约0.5。
24.权利要求21的装置，其中预定数为0。
25.权利要求21的装置，还包括：
确定数据序列中的噪声区间的装置；和
一种装置，用于在噪声区间在预定范围内时用另一个预定数除数据序列，并将被除后的数据序列提供给分析装置以为数据序列产生新的值。
26.权利要求25的装置，其中另一个预定数为2。
27.权利要求25的装置，其中预定范围为-x至+x，x为任何数。
28.权利要求27的装置，其中预定范围为-5至+5。
29.权利要求21的装置，其中输入的生物或物理数据包括电生理数据。
30.权利要求29的装置，其中输入的生物或物理数据包括ECG数据，对该ECG数据进行分析，以检测或预测心律失常和脑性癫痫中至少一种疾病的发作，和/或测量心肌缺血的严重程度。
31.一种检测或预测生物异常的装置，所述装置包括：
使用数据处理例程分析输入的生物或物理数据以生成一个数据序列的装置，所述数据处理例程包括一套与生物数据相关的应用程序参数，该生物数据与生物异常关联；
确定数据序列中的噪声区间的装置；
如果噪声区间在预定范围内、则用一个预定数除数据序列并将被除后的数据提供给分析装置以为数据序列产生新的值的装置；以及
如果噪声区间在预定范围外、则使用数据序列检测或预测生物异常的发作的装置。
32.权利要求31的装置，其中数据处理例程使用如下算法生成数据序列PD2i：
PD2ilog C(n，r，nref*)/log r
其中表示标度为，C是PD2i的关联积分，其中的n等于数据长度，r等于标度范围，nref*等于参考矢量的位置，以在无非平稳数据影响的限定小log-r范围内，估算log C/log r的标度区斜率。
33.权利要求31的装置，其中预定数为2。
34.权利要求31的装置，其中预定范围为-x至+x，x为任何数。
35.权利要求34的装置，其中预定范围为-5至+5。
36.权利要求31的装置，还包括：
确定所述数据序列的斜率是否小于一个预定值的装置；和
如果斜率小于一个预定值、则将斜率设为另一个预定数的装置。
37.权利要求36的装置，其中预定值为约0.5。
38.权利要求36的装置，其中另一个预定数为0。
39.权利要求31的装置，其中生物或物理数据包括电生理数据。
40.权利要求39的装置，其中电生理数据为ECG数据，对该ECG数据进行分析，以检测或预测心律失常和脑性癫痫中至少一种疾病的发作，和/或测量心肌缺血的严重程度。
41.一种检测或预测脑疾病的方法，包括如下步骤：
使用数据处理例程分析输入的生物或物理数据以生成一个数据序列，所述数据处理例程包括一套与生物数据相关的应用程序参数，该生物数据与脑疾病关联；
确定所述数据序列的斜率是否小于一个预定值；
如果斜率小于一个预定值，则将斜率设为一个预定数；以及
使用所述数据序列检测或预测脑疾病的发作。
42.权利要求41的方法，其中脑疾病为牛海绵状脑炎。
43.权利要求41的方法，其中脑疾病为阿尔茨海默病。
44.权利要求41的方法，其中数据处理例程使用如下算法生成数据序列PD2i：
PD2ilog  C(n，r，nref*)/log r
其中表示标度为，C是PD2i的关联积分，其中的n等于数据长度，r等于标度范围，nref*等于参考矢量的位置，以在无非平稳数据影响的限定小log-r范围内，估算log C/log r的标度区斜率。
45.权利要求41的方法，其中预定值为约0.5。
46.权利要求41的方法，其中预定数为0。
47.权利要求41的方法，还包括：
确定数据序列中的噪声区间；以及
如果噪声区间在预定范围内，则用另一个预定数除数据序列，并重复分析的步骤，以为数据序列产生新的值。
48.权利要求47的方法，其中另一个预定数为2。
49.权利要求47的方法，其中预定范围为-x至+x，x为任何数。
50.权利要求49的方法，其中预定范围为-5至+5。
51.权利要求41的方法，其中输入的生物或物理数据包括电生理数据。
52.一种检测或预测脑疾病的方法，包括如下步骤：
使用数据处理例程分析输入的生物或物理数据以生成一个数据序列，所述数据处理例程包括一套与生物数据相关的应用程序参数，该生物数据与脑疾病关联；
确定数据序列中的噪声区间；以及
如果噪声区间在预定范围内，则用一个预定数除数据序列，并重复分析的步骤，以为数据序列产生新的值；或者
如果噪声区间在预定范围外，则使用数据序列检测或预测脑疾病的发作。
53.权利要求52的方法，其中脑疾病为牛海绵状脑炎。
54.权利要求52的方法，其中脑疾病为阿尔茨海默病。
55.权利要求52的方法，其中数据处理例程使用如下算法生成数据序列PD2i：
PD2ilog C(n，r，nref*)/log r
其中表示标度为，C是PD2i的关联积分，其中的n等于数据长度，r等于标度范围，nref*等于参考矢量的位置，以在无非平稳数据影响的限定小log-r范围内，估算log C/log r的标度区斜率。
56.权利要求52的方法，其中预定数为2。
57.权利要求52的方法，其中预定范围为-x至+x，x为任何数。
58.权利要求57的方法，其中预定范围为-5至+5。
59.权利要求52的方法，还包括：
确定所述数据序列的斜率是否小于一个预定值；以及
如果斜率小于一个预定值，则将斜率设为另一个预定数。
60.权利要求59的方法，其中预定值为约0.5。
61.权利要求59的方法，其中另一个预定数为0。
62.权利要求52的方法，其中生物或物理数据包括电生理数据。
CNA2004800087993A 2003-01-29 2004-01-29 生物异常的检测和/或预测 Pending CN1768342A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US10/353,849 2003-01-29
US10/353,849 US7076288B2 (en) 2003-01-29 2003-01-29 Method and system for detecting and/or predicting biological anomalies
US60/445,495 2003-02-06

Publications (1)

Publication Number Publication Date
CN1768342A true CN1768342A (zh) 2006-05-03

Family

ID=32736273

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2004800087993A Pending CN1768342A (zh) 2003-01-29 2004-01-29 生物异常的检测和/或预测

Country Status (4)

Country Link
US (3) US7076288B2 (zh)
EP (1) EP2293209A3 (zh)
CN (1) CN1768342A (zh)
ZA (1) ZA200506909B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104185443A (zh) * 2011-12-09 2014-12-03 加利福尼亚大学董事会 确定与生物节律异常有关的规律性的方法和系统
US9398883B2 (en) 2011-05-02 2016-07-26 The Regents Of The University Of California System and method for reconstructing cardiac activation information
US9549684B2 (en) 2010-04-08 2017-01-24 The Regents Of The University Of California System and method for reconstructing cardiac signals associated with a complex rhythm disorder
US9655535B2 (en) 2011-05-02 2017-05-23 The Regents Of The University Of California System and method for targeting heart rhythm disorders using shaped ablation
US9668666B2 (en) 2011-05-02 2017-06-06 The Regents Of The University Of California System and method for reconstructing cardiac activation information
CN107408149A (zh) * 2015-03-06 2017-11-28 心脏起搏器股份公司 用于显示医疗数据的系统和方法
US9955879B2 (en) 2008-10-09 2018-05-01 The Regents Of The University Of California System for analysis of complex rhythm disorders
TWI630903B (zh) * 2016-04-20 2018-08-01 國立勤益科技大學 基於擬合曲線之心跳訊號的檢測方法、檢測裝置以及處理方法
US10085655B2 (en) 2013-03-15 2018-10-02 The Regents Of The University Of California System and method to define drivers of sources associated with biological rhythm disorders
TWI653967B (zh) 2017-12-08 2019-03-21 國立成功大學 心律不整診斷系統與裝置及心律不整辨識方法
US10434319B2 (en) 2009-10-09 2019-10-08 The Regents Of The University Of California System and method of identifying sources associated with biological rhythm disorders

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9050469B1 (en) 2003-11-26 2015-06-09 Flint Hills Scientific, Llc Method and system for logging quantitative seizure information and assessing efficacy of therapy using cardiac signals
US7801601B2 (en) 2006-01-27 2010-09-21 Cyberonics, Inc. Controlling neuromodulation using stimulus modalities
US8160682B2 (en) * 2006-02-06 2012-04-17 The Board Of Trustees Of The Leland Stanford Junior University Non-invasive cardiac monitor and methods of using continuously recorded cardiac data
US20100152595A1 (en) * 2006-08-31 2010-06-17 Non-Linear Medicine, Inc. Automated noise reduction system for predicting arrhythmic deaths
US7899225B2 (en) * 2006-10-26 2011-03-01 Mcgill University Systems and methods of clinical state prediction utilizing medical image data
US9398863B2 (en) * 2007-06-20 2016-07-26 General Electric Company Detection of anomalies in measurement of level of hypnosis
EP2170456A4 (en) * 2007-07-11 2016-09-21 Mayo Foundation PREDICTION OF CRASH FALLS, MICROPROGRAM PREVENTION EVENTS AND RELEVANT THERAPEUTIC PROCEDURES AND DEVICES
US8346349B2 (en) * 2008-01-16 2013-01-01 Massachusetts Institute Of Technology Method and apparatus for predicting patient outcomes from a physiological segmentable patient signal
US8571643B2 (en) 2010-09-16 2013-10-29 Flint Hills Scientific, Llc Detecting or validating a detection of a state change from a template of heart rate derivative shape or heart beat wave complex
US8337404B2 (en) 2010-10-01 2012-12-25 Flint Hills Scientific, Llc Detecting, quantifying, and/or classifying seizures using multimodal data
US8382667B2 (en) 2010-10-01 2013-02-26 Flint Hills Scientific, Llc Detecting, quantifying, and/or classifying seizures using multimodal data
US8676303B2 (en) 2008-05-13 2014-03-18 The Regents Of The University Of California Methods and systems for treating heart instability
US8340746B2 (en) * 2008-07-17 2012-12-25 Massachusetts Institute Of Technology Motif discovery in physiological datasets: a methodology for inferring predictive elements
US8417344B2 (en) 2008-10-24 2013-04-09 Cyberonics, Inc. Dynamic cranial nerve stimulation based on brain state determination from cardiac data
US20100211404A1 (en) * 2009-02-17 2010-08-19 Nonlinear Medicine, Inc. Methods and Systems for Real-Time RRi Values PD2i of Heartbeat Intervals
US8239028B2 (en) 2009-04-24 2012-08-07 Cyberonics, Inc. Use of cardiac parameters in methods and systems for treating a chronic medical condition
US8827912B2 (en) 2009-04-24 2014-09-09 Cyberonics, Inc. Methods and systems for detecting epileptic events using NNXX, optionally with nonlinear analysis parameters
US20110184303A1 (en) 2009-08-07 2011-07-28 Nonlinear Medicine, Inc. Methods and Systems Related to Respiration
US10398326B2 (en) 2013-03-15 2019-09-03 The Regents Of The University Of California System and method of identifying sources associated with biological rhythm disorders
US8562536B2 (en) 2010-04-29 2013-10-22 Flint Hills Scientific, Llc Algorithm for detecting a seizure from cardiac data
US8649871B2 (en) 2010-04-29 2014-02-11 Cyberonics, Inc. Validity test adaptive constraint modification for cardiac data used for detection of state changes
US8831732B2 (en) 2010-04-29 2014-09-09 Cyberonics, Inc. Method, apparatus and system for validating and quantifying cardiac beat data quality
KR101513288B1 (ko) 2010-05-12 2015-04-17 아이리듬 테크놀로지스, 아이엔씨 장기간 부착을 위한 장치 특징부들 및 설계 요소들
EP2575605A4 (en) 2010-05-28 2015-01-21 Res Triangle Inst Int DEVICE, SYSTEM AND METHOD FOR DETECTING STROKE SYMPTOMS
US8914319B2 (en) * 2010-06-15 2014-12-16 The Regents Of The University Of Michigan Personalized health risk assessment for critical care
US8990135B2 (en) 2010-06-15 2015-03-24 The Regents Of The University Of Michigan Personalized health risk assessment for critical care
US8679009B2 (en) 2010-06-15 2014-03-25 Flint Hills Scientific, Llc Systems approach to comorbidity assessment
US8641646B2 (en) 2010-07-30 2014-02-04 Cyberonics, Inc. Seizure detection using coordinate data
US8684921B2 (en) 2010-10-01 2014-04-01 Flint Hills Scientific Llc Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis
US20120171650A1 (en) * 2010-12-29 2012-07-05 Warner Adrian F Methods and systems for developing medical waveforms and training methods
US9504390B2 (en) 2011-03-04 2016-11-29 Globalfoundries Inc. Detecting, assessing and managing a risk of death in epilepsy
US8725239B2 (en) 2011-04-25 2014-05-13 Cyberonics, Inc. Identifying seizures using heart rate decrease
US9402550B2 (en) 2011-04-29 2016-08-02 Cybertronics, Inc. Dynamic heart rate threshold for neurological event detection
US8165666B1 (en) 2011-05-02 2012-04-24 Topera, Inc. System and method for reconstructing cardiac activation information
US10206591B2 (en) 2011-10-14 2019-02-19 Flint Hills Scientific, Llc Seizure detection methods, apparatus, and systems using an autoregression algorithm
US10448839B2 (en) 2012-04-23 2019-10-22 Livanova Usa, Inc. Methods, systems and apparatuses for detecting increased risk of sudden death
US10220211B2 (en) 2013-01-22 2019-03-05 Livanova Usa, Inc. Methods and systems to diagnose depression
JP6198849B2 (ja) 2013-01-24 2017-09-20 アイリズム・テクノロジーズ・インコーポレイテッドｉＲｈｙｔｈｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ，Ｉｎｃ． 生理学的信号をモニターする電子装置、及び該電子装置の部分を除去交換する方法
US9056195B2 (en) 2013-03-15 2015-06-16 Cyberonics, Inc. Optimization of cranial nerve stimulation to treat seizure disorderse during sleep
WO2014168841A1 (en) 2013-04-08 2014-10-16 Irhythm Technologies, Inc Skin abrader
US9295397B2 (en) 2013-06-14 2016-03-29 Massachusetts Institute Of Technology Method and apparatus for beat-space frequency domain prediction of cardiovascular death after acute coronary event
US9302109B2 (en) 2014-04-25 2016-04-05 Cyberonics, Inc. Cranial nerve stimulation to treat depression during sleep
US9585611B2 (en) 2014-04-25 2017-03-07 Cyberonics, Inc. Detecting seizures based on heartbeat data
US20160120434A1 (en) 2014-10-31 2016-05-05 Irhythm Technologies, Inc. Wireless physiological monitoring device and systems
US11083371B1 (en) 2020-02-12 2021-08-10 Irhythm Technologies, Inc. Methods and systems for processing data via an executable file on a monitor to reduce the dimensionality of the data and encrypting the data being transmitted over the wireless network
WO2022032118A1 (en) 2020-08-06 2022-02-10 Irhythm Technologies, Inc. Electrical components for physiological monitoring device
CN116322497A (zh) 2020-08-06 2023-06-23 意锐瑟科技公司 粘性生理监测装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4215697A (en) * 1978-12-26 1980-08-05 Regents Of The University Of California Aperiodic analysis system, as for the electroencephalogram
US4365636A (en) * 1981-06-19 1982-12-28 Medicon, Inc. Method of monitoring patient respiration and predicting apnea therefrom
US5215099A (en) * 1989-06-30 1993-06-01 Ralph Haberl System and method for predicting cardiac arrhythmia utilizing frequency informatiton derived from multiple segments of the late QRS and the ST portion
US5113869A (en) * 1990-08-21 1992-05-19 Telectronics Pacing Systems, Inc. Implantable ambulatory electrocardiogram monitor
US5482045A (en) * 1994-10-12 1996-01-09 Advanced Technology Laboratories, Inc. Ultrasonic diagnostic system gain control
US5709214A (en) * 1996-05-02 1998-01-20 Enhanced Cardiology, Inc. PD2i electrophysiological analyzer
WO2003083490A2 (en) * 2001-06-29 2003-10-09 Biomerieux, Inc. Method for predicting antiphospholid syndrome

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9955879B2 (en) 2008-10-09 2018-05-01 The Regents Of The University Of California System for analysis of complex rhythm disorders
US10434319B2 (en) 2009-10-09 2019-10-08 The Regents Of The University Of California System and method of identifying sources associated with biological rhythm disorders
US9549684B2 (en) 2010-04-08 2017-01-24 The Regents Of The University Of California System and method for reconstructing cardiac signals associated with a complex rhythm disorder
US9655535B2 (en) 2011-05-02 2017-05-23 The Regents Of The University Of California System and method for targeting heart rhythm disorders using shaped ablation
US9398883B2 (en) 2011-05-02 2016-07-26 The Regents Of The University Of California System and method for reconstructing cardiac activation information
US9668666B2 (en) 2011-05-02 2017-06-06 The Regents Of The University Of California System and method for reconstructing cardiac activation information
US10485438B2 (en) 2011-05-02 2019-11-26 The Regents Of The University Of California System and method for targeting heart rhythm disorders using shaped ablation
US9913615B2 (en) 2011-05-02 2018-03-13 The Regents Of The University Of California System and method for reconstructing cardiac activation information
US10058262B2 (en) 2011-12-09 2018-08-28 The Regents Of The University Of California System and method of identifying sources for biological rhythms
CN104185443A (zh) * 2011-12-09 2014-12-03 加利福尼亚大学董事会 确定与生物节律异常有关的规律性的方法和系统
CN104185443B (zh) * 2011-12-09 2016-07-06 加利福尼亚大学董事会 确定与生物节律异常有关的规律性的方法和系统
US10085655B2 (en) 2013-03-15 2018-10-02 The Regents Of The University Of California System and method to define drivers of sources associated with biological rhythm disorders
US10098560B2 (en) 2013-03-15 2018-10-16 The Regents Of The University Of California System and method to identify sources associated with biological rhythm disorders
US11446506B2 (en) 2013-03-15 2022-09-20 The Regents Of The University Of California System and method of identifying sources associated with biological rhythm disorders
CN107408149A (zh) * 2015-03-06 2017-11-28 心脏起搏器股份公司 用于显示医疗数据的系统和方法
CN107408149B (zh) * 2015-03-06 2020-09-15 心脏起搏器股份公司 用于显示医疗数据的系统和方法
TWI630903B (zh) * 2016-04-20 2018-08-01 國立勤益科技大學 基於擬合曲線之心跳訊號的檢測方法、檢測裝置以及處理方法
TWI653967B (zh) 2017-12-08 2019-03-21 國立成功大學 心律不整診斷系統與裝置及心律不整辨識方法

Also Published As

Publication number Publication date
EP2293209A3 (en) 2012-05-23
US20040147815A1 (en) 2004-07-29
US7076288B2 (en) 2006-07-11
ZA200506909B (en) 2007-03-28
US20100185110A1 (en) 2010-07-22
US20060084882A1 (en) 2006-04-20
EP2293209A2 (en) 2011-03-09

Similar Documents

Publication Publication Date Title
CN1768342A (zh) 生物异常的检测和/或预测
Mumtaz et al. A wavelet-based technique to predict treatment outcome for major depressive disorder
US7276026B2 (en) Method and system for detecting and/or predicting cerebral disorders
Hass et al. Quantitative normative gait data in a large cohort of ambulatory persons with Parkinson’s disease
Güler et al. Classification of EMG signals using PCA and FFT
JP2006516923A5 (zh)
JP2010536479A (ja) Ｅｅｇをベースとする癲癇発作検出器内のチャネルの数を減少させるための方法および装置
CN1359656A (zh) 评估脑皮层中神经元损伤程度的方法与装置
Baud et al. Unsupervised learning of spatiotemporal interictal discharges in focal epilepsy
Wen et al. Hybrid approach of eeg stress level classification using k-means clustering and support vector machine
Mortensen et al. Multi-class stress detection through heart rate variability: A deep neural network based study
Usharani et al. Neuropathic complications: Type II diabetes mellitus and other risky parameters using machine learning algorithms
KR101640310B1 (ko) 뇌파 분석을 통한 조현병 환자 또는 정신질환 환자의 증상 심각도를 예측하는 방법 및 장치
Tsiouris et al. Unsupervised detection of epileptic seizures from EEG signals: A channel-specific analysis of long-term recordings
Rohira et al. Automatic epilepsy detection from EEG signals
CN113693584B (zh) 抑郁症症状预测变量的选择方法、计算机设备及存储介质
Nurfirdausi et al. Wavelet Decomposition and Feedforward Neural Network for Classification of Acute Ischemic Stroke based on Electroencephalography
Wilkinson et al. Application of the Muse portable EEG system to aid in rapid diagnosis of stroke
Lobacheva et al. Automated real-time classification of functional states based on physiological parameters
Wang et al. ECG‐based cardiodynamicsgram can reflect anomalous functional information in coronary artery disease
Wen et al. Electroencephalogram Stress Classification of Single Electrode using K-means Clustering and Support Vector Machine
Jiang et al. An epileptic seizure prediction model based on a simulation block and a pretrained resnet
Raveendran et al. Scalp EEG-based classification of disorder of consciousness states using machine learning techniques
Tsiouris et al. An unsupervised methodology for the detection of epileptic seizures using EEG signals: a multi-dataset evaluation
Sawan et al. MACHINE LEARNING-BASED STROKE DISEASE DIAGNOSIS USING ELECTROENCEPHALOGRAM (EEG) SIGNALS

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20060503