生物异常的检测和/或预测制造技术

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。

【技术实现步骤摘要】
【国外来华专利技术】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。
技术介绍
本专利技术涉及用于整理生物或物理数据的方法和系统。更具体而言，本专利技术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。自从专利技术弦线电流计以来，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”，并可通过经验证本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
【国外来华专利技术】US 2003-1-29 10/353,849;US 2003-2-6 60/445,4951.一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PD2iPD2i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PD2iPD2i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PD2iPD2i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2...

【专利技术属性】
技术研发人员：J斯金纳，J安钦，
申请(专利权)人：维克技术公司，
类型：发明
国别省市：US[美国]