用于预测心律失常死亡的自动降噪系统的制作方法

专利名称：用于预测心律失常死亡的自动降噪系统的制作方法
用于预测心律失常死亡的自动降噪系统 相关专利申请的交叉引用
本发明要求2006年8月31日提交的美国临时申请No. 60/824, 170 的优先权，该临时申请通过引用全部纳入本说明书。
背景
本方法、系统和计算机可读介质目的在于估计电生理学数据。所 述电生理学数据可以包括，但不局限于，心电图(ECG/EKG)数据、脑 电图(EEG)数据以及诸如此类。更具体地，本方法、系统和计算机可
读介质针对用于估计电生理学数据以检测和/或预测心律失常死亡的 自动4t系统和方法。
对在心电图中观察到的R-R间期(RRi )的分析，或对在脑电图中 看到的尖峰的分析，可以预测未来的临床结果，诸如心源性猝死或癫 痫发作。R-R间期是ECG或EEG的两个相继的R波之间的持续时间。 R-R间期可以在例如0. 0001秒至5秒的范围内。所述分析和预测当被 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，是统计 上显著的。
所述分才斤和预测因为分析方法(analytic measure)而具有不准 确的问题，所述分析方法(l)是随机的(即，基于数据的随机变化)； (2)要求平稳性(stationarity)(即，生成数据的系统在记录期间 不能变化)；和(3)是线性的(即，对数据的非线性一一在本领域被 称为"混沌(chaos)"——不敏感)。
许多技术已被开发以解决这些问题，这些技术包括"D2" 、 "D2i" 和"PD2" 。 D2使得能够根据对所生成数据的样本的估计估算系统的 维数或系统的自由度数。已经有一些研究人员将D2用在生物学数据 上。然而，已经显示，对数据平稳性的假设不能被满足。
已经提出另一个理论描述，逐点标度维数(Pointwise Scaling Dimension)或"D2i"，其对来自脑、心脏或骨骼肌的数据所固有的 非平稳性不那么敏感。这或许是比D2更有用的生物学数据维数估计。然而，D2i仍有相当大的估计误差，该估计误差可能与数据非平稳性 相关。
已经提出了一种点相关维数算法(Point Correlation Dimension algorithm) ( PD2 )，其可以检测非平稳数据(即，通过将来自不同 混沌发生器的子时段(subepoch)连接而成的数据)的维数变化。
为了解决这多种技术的缺陷，已提出了改进的PD2算法一一称之 为"PD2i"以强调其时间依赖性。PD2i在本说明书中也被称为数据处 理例程，它使用确定性的并基于所引起的数据变化的分析方法。该算 法不要求数据平稳性，并且实际上跟踪数据的非平稳变化。而且，PD2i 对混沌数据和非混沌线性数据同样敏感。尽管PD2i基于总起来说用于 估计相关维数的先前的分析方法，但PD2i对数据非平稳性不敏感。因 为这个特征，PD2i可以其他方法不能具有的高敏感性和特异性预测临 床结果。美国专利No. 5, 709，214和5， 720， 294中详细描述了 PD2i算 法，这两个专利通过引用纳入本说明书。
为了用PD2i分析，将电生理学信号放大(增益为1， 000 )和数字 化(1， OOOHz )。在处理之前，数字化信号可以被进一步转换(reduce ) (例如，将ECG数据转换为RR间期数据)。已经再三发现，对RR间 期数据的分析使得能够在具有不同病理结果(例如，心室纤维性颤动 "VF"、室性心动过速"VT"或心律失常死亡"AD")的大群对象之 间进行风险预测。已经显示，使用来自高危患者的采样RR数据，PD2i 可以区分后来患有VF和未患VF的患者。
对于从以最好的低噪前置放大器和高速1， OOOHz数字转换器获取 的数字ECG生成的RR间期数据，仍存在可使非线性算法产生问题的低 电平噪声。用于产生RR间期的算法也可以导致噪声增大。所有RR间 期检测器中最准确的检测器4吏用3点运行(3-point running)的"凸 点算子(convexity operator)"。例如，可以调节遍历全部数据的 运行窗口 ( running window)中的3个点，以使在运行窗口刚好横跨 一个R波波峰时该运行窗口的输出最大化；点1在R波之前的基线上， 点2在R波的顶端，点3又在基线上。在窗口遍历数据时，点2在数 据流中的位置正确地识别每个R波波峰。这个算法，与测量R波超过 某一电平时的时间点或当每个R波的dV/dt为最大时进行检测的算法
10相比，将产生显著更无噪声的RR数据。
用最佳算法计算出的RR间期仍会具有低电平噪声，经观察该低电 平噪声峰-峰值约为+/-5个整数。这个10个整数的范围出自用于平均 R波波峰的1000个整数(即，1%的噪声)。在电极制备质量不好、环 境电磁场强、使用中等噪声前置放大器或使用低数字化率的情况下， 低电平噪声就会易于增大。例如，在1个整数-lmsec的增益(即，满 标度12位数字转换器的增益为25%)下，假如用户在数据获取方面不 小心，这个1%的最佳噪声电平可以容易地增至二倍或三倍。该噪声增 大经常发生在繁忙的临床环境中，因此必须在获取后考虑噪声电平。
为了解决这个噪声问题，提出了噪声因素算法(noise consideration algorithm) ( NCA )。美国专利申请No. 10/353， 849 中更充分地描述了 NCA，该专利申请通过引用纳入本说明书。
虽然PD2i数据处理例程和NCA带来了 R-R间期分析方面的改进， 仍需要用于提高降噪能力以及改进通过PD2i计算确定的生物学结果 预测的自动化方法、系统和计算机可读介质。

发明内容
提供了用于降低与电生理学数据关联的噪声以更有效地预测心律 失常死亡的自动化方法、系统和计算机可读介质。
另外的优点将在下文的描述中被部分阐述，或可以通过上述方法、 系统和计算机可读介质的实施被认识到。通过在所附权利要求中具体 指出的各要素和结合，将实现和获得这些优点。应理解，前面的概述 和下面的详述对所要求保护的方法、系统和计算机可读介质仅是示例 性和说明性的而不是限制性的。


附图被并入本说明书并构成本说明书的一部分，其图示了实施方 案，并与描述一起用于解释上述方法、系统和计算机可读介质的原理 图l是示例性操作环境； 图2是示例性方法流程图； 图3是示例性EEG方法流程图；图4是示例性PD2i数据处理例程方法流程图5是示例性异常值(outlier)剔除方法流程图6A-B是示例性NCA方法流程图7是示例性TZA方法流程图8A-B图示了示例性方法流程图9图示了在100Hz下数字化的R波与在1000Hz下数字化的R波 的对比；
图10示出，检测R-R间期的不同方法对数据中的噪声含量有重要 影响(implication );
图11示出了按照定义为非平稳的数据的实例；
图12示出，去除一位(即，振幅减半)不会显著地改变非线性度 量的均值或分布；
图13示出，投影在相空间中的两个维度上的心跳吸引子的三个波 瓣(lobe)看起来相当大，正如它们在洛伦兹吸引子和正弦波吸引子 中；
图14示出了去除一个噪声位对低噪声心跳文件的非线性度量的 影响；
图15示出了与图14中所见的类似的影响，但本图使用洛伦兹数 据和结果的时间图取^R柱状图(histogram);
图16示出了当先验(apriori )TZA门限祐Li殳置为1. 40时，在1. 4 和l. 6之间的过渡带中的多个PD2i分数(score)的实例。
图17示出了来自18个在1年跟踪期内死于确定的突发心律失常 (AD )的患者的RR和PD2i数据和18个对照对象的RR和PD2i数据， 这18个对照对象中的每一个都有记录在案的急性心肌梗塞(AMI)并 存活了至少l年的跟踪期；
图18示出了当生理学数据含有伪影(artifact)(心律失常、运 动伪影)时的非线性结果(PD2i);
图19图示了与图18中相同的数据文件和结果，但伪影已经通过 用线性样条(spline)覆盖伪影而被去除；
图20示出，非线性PD2i检测数据的自由度(维数)的变化，该
数据具有一些具有类似均值和标准差的子时段；图21示出了来自被认为正在产生稳态睡眠数据(steady-state sleep data)的正在睡觉的猫的脑电图数据(EEG );
图22示出了数据的PD2i分布及其随机化相替代物 (randomized-phase surrogate)的PD2i分布；
图23示出，这些PD2i分布本质上是相同的，并且数据长度的增 大导致具有更大分布的PD2i形态上变得更加单位正态；
图24图示了向洛伦兹数据(LOR)添加噪声对LOR与其随机化相 替代物的相对分离的影响；
图25A-D图示A.PD2i算法及其与另一种依赖时间的用于计算自 由度的算法一一逐点D2 ( D2i )——的比较。B.向数据添加± 5个整数 的噪声对PD2i的影响。C.该数据的随机化相替代物的PD2i。 D.该数 据和其替代物的功率镨(相同)。E.向数据添加±14个整数的噪声对 PD2i的影响；
图26示出了被接受PD2i的n/。N对照洛伦兹数据的噪声含量的曲线
图27示出了与图26中相同的结果，但为PD2i分布示出了噪声含 量(L0R+y。噪声)和。/nN;
图28示出了心跳的PD2i在识别痴呆(阿尔茨海默病)和昏厥病 例中的使用。
图29A-C示出了如何根据从数据点的两个样本生成的向量算出 PD2i;
图30示出了 ，对于大数据长度和具有有限数据长度的更实际数据 长度，(在Ni逼近无穷大时的极限内)根据PD2i的数学模型根据向 量差长度做出的相关积分是什么样子；
图31示出了两种确定Tau的方法，Tau是为了选择将以ij向量 对的形式用作用于产生VDL的坐标的数据点而略过的数据点的数目；
图32示出，要导致心室纤维性颤动(VF)的动态非稳定性，"坏 的心脏"和"坏的脑"都需要；
图33示出了对一个AD患者的R-R间期的PD2i的非线性分析，其 显示出两个大PVC(上，箭头)，其中一个PVC导致心室纤维性颤动 (参见图35和36),另一个不；图34示出，上述AD患者的R-R间期不是真正平坦的(flat), 而是具有周期为6至8个心跳的正弦振荡；
图35示出了上述AD患者的ECG,其中PVC(大的向下偏转)紧随 最后的T波的波峰出现，并且引发一个小的迅速转子(rotor)，该转 子随后导致较慢较大的转子；和
图36示出，不引发转子的PVC (PVC，无R波)和引发转子的PVC 的联律间期(coupling interval)正好是相同的，因为两条始于极左 侧的轨迹的向下偏转一直到T波波峰都完全重叠。
详述
在本方法、系统和计算机可读介质被/iS开和描述之前，应理解， 本方法、系统和计算机可读介质不局限于特定综合方法、特定组件或 特定构成，因为这些当然可以改变。也应理解，本说明书中使用的术 语仅为了描述具体实施方案的目的，而不意在进行限制。
在本说明书和所附权利要求中，单数形式的"一"、"一个"和"该"包括复数的所指物，除非上下文另有明确规定。
在本说明书中，范围可以被表达为从"大约" 一个特定值和/或到
"大约"另一个特定值。当这样的范围被表达时，另一个实施方案包 括从该一个特定值和/或到该另一个特定值。类似地，当通过使用在前 面的"大约"将一个值表示为近似值时，应理解，该特定值构成另一 个实施方案。还应理解，每个范围的端点与另一个端点相关时和与另 一个端点无关时均是有意义的。也应理解，本说明书中公开了多个值， 每个值除了其本身，在本说明书中也被公开为"大约"那个特定值。 例如，假如公开了值"10"，那么也公开了 "大约10"。也应理解， 当公开某个值时，也公开了 "小于或等于"该值的值、"大于或等于 该值"的值和这些值之间的可能范围，如本领域技术人员适当地理解 的。例如，假如公开了值"10"，那么也公开了 "小于或等于10"和
"大于或等于10"。也应理解，在整个申请中，数据以数种不同形式
提供，此数据表示终点和起点以及这些数据点任意组合的范围。例如，
假如公开了特定数据点"10"和特定数据点"15"，则应理解，大于、 大于或等于、小于、小于或等于、等于10和15以及在10和15之间都被认为,皮公开。也应理解，两个特定量(unit)之间的每个量也被 公开。例如，假如公开了 10和15，那么也公开了 11、 12、 13和14。 "可选的"或"可选地"意味着后续描述的事件或境况可能出现， 也可能不出现，并且该描述既包括所述事件或境况出现的情况，也包 括所述事件或境况不出现的情况。
I.系统
提供了一个自动化系统，其用于降低与用于预测诸如心律失常死 亡之类的生物学结果的电生理学数据一一诸如来自ECG/EKG、 EEG等等 的数据一一关联的噪声。该系统可以包括被耦合以接收电生理学数据 的处理器和带有与处理器通信的噪声修正軟件的存储装置，其中噪声
修正软件控制处理器的运作，并使得处理器执行本说明书中提供的、 用于降低与用于预测心律失常死亡的电生理学数据关联的噪声的方法
的任何功能。
本领域技术人员应意识到，这是功能描述，相应的功能可以通过 软件、硬件或软硬件的结合执行。 一个功能可以是软件、硬件或软硬 件的组合。这些功能可以包含如图1所示和本说明书中所述的噪声修 正软件106。在一个示例性方面，这些功能可以包含如图1所示和本 说明书中所述的计算机101。
图1是示出用于执行所公开的方法的一个示例性操作环境的框 图。这个示例性操作环境仅是操作环境的一个实例，而不意在暗示对 使用范围或操作环境架构的功能性有任何限制。该操作环境不应被解 释为具有与该示例性操作环境中图示的任何組件或组件组合有关的任 何依赖或要求。
该系统和方法可以与多种其他通用或专用计算系统环境或配置一 起使用。适合供该系统和方法使用的公知的计算系统、环境和/或配置 的实例包括，但不局限于个人电脑、服务器计算机、膝上型装置和 多处理器系统。另外的实例包括机顶盒、可编程消费电子设备、网 络PC、小型计算机、大型计算机、包括上迷系统或装置中任意系统或 装置的分布式计算环境等等。
在另一个方面，所公开的系统和方法的处理可以通过软件组件来
15执行。该系统和方法可以在正由计算机执行的计算机指令——诸如程
序模块——的一般环境(general context)下描述。通常，程序模块 包含执行特定任务或实现特定抽象数据类型的例程、程序、对象、组 件、数据结构等等。该系统和方法也可以在分布式计算环境中实施， 在分布式计算环境中，任务由经由通信网络链接的远程处理装置执行。 在分布式计算环境中，程序模块可以同时位于本地和远程的包括存储 器存储装置在内的计算机存储媒介中。
此外，本领域技术人员应意识到，本说明书中公开的系统和方法 可以经由计算机101形式的通用计算装置来实现。计算机101的组件 可以包括，但不局限于 一个或多个处理器或处理单元103、系统存 储器112和将包括处理器103在内的多个系统组件耦合到系统存储器 112的系统总线113。
系统总线113表示若干可能类型的总线结构中的一个或多个，所 述可能类型的总线结构包括存储器总线或存储器控制器、外围总线、 加速图形端口和处理器或使用各种总线架构中的任意架构的本地总 线。举例说，这样的架构可以包括工业标准架构(ISA)总线、微通 道架构(MCA)总线、增强ISA ( EISA )总线、视频电子标准协会(VESA) 本地总线、加速图形端口 (AGP)总线和外围组件互连(PCI)总线—— 其也被称为夹层总线。总线113和所有在本说明书中载明的总线都可 以通过有线或无线网络连接实现，并且，每个子系统——所述子系统 包括处理器103、大容量存储装置104、操作系统105、噪声修正软件 106、数据107、网络适配器108、系统存储器112、输入/输出接口 110、 显示适配器109、显示装置111和人机接口 102——都可以被容纳在一 个或多个处于物理上分开的位置、经由这种形式的总线连接的远程计 算装置114a、 b、 c中，从而实际上实现完全分布式系统。
计算机101通常包括多种计算机可读介质。示例性可读介质可以 是任何可以被计算机101访问的可得到的介质，其例如包括，但意不 在局限于，易失性和非易失性介质、移动式和非移动式介质。系统存 储器112包括易失性存储器形式的计算机可读介质一一诸如随机存取 存储器(RAM)，和/或非易失性存储器形式的计算机可读介质一一诸 如只读存储器(ROM)。系统存储器112通常含有可以被处理单元103立即访问和/或目前在处理单元103上运行的数据和/或程序模块，所 述数据诸如数据107，所述程序模块诸如操作系统105和噪声修正软 件106。
在另一个方面，计算机101也可以包括其他移动式/非移动式、易 失性/非易失性计算机存储介质。举例说，图1图示了大容量存储装置 104，其可以为计算机代码、计算机可读指令、数据结构、程序模块和 其他用于计算机IOI的数据提供非易失性存储。例如，但不意在进行 限制，大容量存储装置104可以是硬盘、可移动磁盘、可移动光盘、 盒式磁带(magnetic cassette )或其他磁性存储装置、闪存卡、CD-匪、 数字多功能光盘(DVD)或其他光学存储器、随机存取存储器(RAM)、 只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)等等。
可选地，大容量存储装置104中可以存储任意数目的程序模块， 举例说，包括操作系统105和噪声修正软件106。操作系统105和噪 声修正软件106中的每一个(或它们的某种组合)可以包含该程序和 噪声修正软件106的要素。数据107也可以被存储在大容量存储装置 104中。数据107可以被存储在一个或多个本领域已知的数据库之任 一个中。这样的数据库的实例包括DB2 、 Microsoft Access、 Microsoft SQL Server、 0racle⑧、mySQL、 PostgreSQL等等。这些 数据库可以是集中式的，或可分布到多个系统。
在另一个方面，用户可以经由输入装置(未示出)将命令和信息 输入计算机101。这样的输入装置的实例包括，但不局限于键盘、 定位装置(例如，"鼠标")、麦克风、控制杆、扫描仪等等。这些 及其他输入装置可以经由耦合到系统总线113的人机接口 102连接到 处理单元103，但也可以通过其他接口和总线结构连接，所述其他接 口和总线结构诸如并行端口、游戏端口、 IEEE 1394端口 (也#_称 为火线端口 (Firewireport))、串行端口或通用串行总线(USB)。
在又一个方面，显示装置111也可以经由诸如显示适配器109之 类的接口连接到系统总线113。可以预期，计算机101可以具有一个 以上显示适配器109,并且计算机101可以具有一个以上显示装置111。 例如，显示装置可以是监视器、LCD (液晶显示器)或投影仪。除了显 示装置111，其他输出外设可以包括诸如扬声器(未示出)和打印机(未示出)等可以经由输入/输出接口 110连接到计算机101的組件。 计算机101可以使用到一个或多个远程计算装置114a、 b、 c的逻 辑连接运行在网络环境中。举例说，所述远程计算装置可以是个人电 脑、便携式计算机、服务器、路由器、网络计算机、对等装置或其他 公共网络节点等等。计算机101和远程计算装置114a、 b、 c之间的逻 辑连接可以经由局域网(LAN)和通用广域网(WAN)来构建。这样的 网络连接可以经过网络适配器108。网络适配器108既可以在有线环 境中实现，又可以在无线环境中实现。上述网络环境在办公室、企业 范围i十算机网络(enterprise—wide computer networks)、 内联网
(intranet)和因特网115中是常规和普通的。
为了说明的目的，应用程序和其他可执行程序组件——诸如操作 系统105——在本说明书中被图示为离散方框，然而应认识到，这样 的程序和组件在不同时间存在于计算装置101的不同存储组件中，并 由计算机的数据处理器执行。噪声修正软件106的一种实现
(implementation)可以被存储在某种形式的计算机可读介质上，或 经由某种形式的计算机可读介质传送。计算机可读介质可以是任何可 以被计算机访问的可得到的介质。举例说，但意不在进行限制，计算 机可读介质可以包含"计算机存储介质"和"通信介质"。"计算机 存储介质"包含以任何方法或技术实现的用于存储诸如计算机可读指 令、数据结构、程序模块或其他数据等信息的易失性和非易失性、移 动式和非移动式介质。示例性计算机存储介质包括，但不局限于RAM、 R0M、 EEPR0M、闪存或其他存储技术、CD-R0M、数字多功能光盘(DVD) 或其他光学存储無、盒式磁带、磁带(magnetic tape)、磁盘存储器 或其他磁性存储设备、或可以用于存储所需信息并可以被计算机访问 的任何其他介质。
该方法、系统和计算机可读介质可以利用人工智能技术，诸如机 器学习和迭代学习(iterative learning)。这样的技术的实例包括， 但不局限于专家系统、基于案例的推理、贝叶斯网络、基于行为的 AI、神经网络、模糊系统、进化计算(例如，基因算法)、群体智能
(例如，蚂蚁算法)和混合智能系统(例如，通过神经网络产生的专 家推理规则(Expert inference rule)或源于统计学习的产生式规则(production rule))。
II.方法
A.电生理学数据因素
对于输入所提供的自动化方法、系统和计算机可读介质的数据 (即，R-R间期数据)，应考虑几个因素。这些因素包括噪声因素、 非平稳性因素和数据长度因素。 i.噪声因素
对于要对其进行自动化非线性分析的电生理学数据，要考虑多种 噪声因素。其中的两个源是固有的放大器噪声和固有的离散化误差(数
字化率)。
电生理学数据通常被放大，而放大器噪声一一通常为大约5uV—— 也被放大。对于全标度12位数字转换器(4112个整数，舍入为4000 ), 放大器增益被设置为使得全标度的25% (即，1000个整数)是luV-l 个整数。即，R波的通常振幅——其为大约1000uV——等于1000个整 数。从而，5uV的固有噪声等于5个整数。R波振幅(振幅域)中的这 个固有噪声也被直接转化到时域中(例如，在R-R间期检测期间)。
在R波波峰的检测中一一其中上述固有噪声在数字转换器的一个 时间桶(time-bin)(例如，对于1000Hz的数字化率， 一个桶-lmsec) 中被定义，上述固有噪声直接转化为确定两个R波之间的时间间隔所 需的两个R波的不确定性。即，对于100Hz的数字化率，离散化误差 是2除以100,这等于在时域中2%的误差。对于1000Hz的数字化率， 这降低到2除以1000，或0. 2%的离散化误差。这个误差对放大器噪声 误差是加性的(均方根)。
用于输入到所提供的方法、系统和计算机可读介质中的R-R间期 数据，可以获取自多种源一一包括R-R间期检测器。如同上述放大器， 所使用的R-R间期检测方法可以引起所获取的R-R间期数据中的噪声。 图9图示了，与寻找以1000Hz的频率数字化的相同R波的波峰相比， 3点运行窗口波峰检测器在寻找以100Hz的频率数字化的R波的波峰 上具有的困难。因为以大约100Hz的频率数字化的ECG具有大离散化 误差(即，2%),所以不可能对这些ECG进行非线性分析。大约250Hz的数字化率在此方面也存在问题。表1示出，以256Hz的频率数字化 的21个ECG中，仅有4个ECG的非线性值显著不同于它们的已过滤噪 声(filtered-noise)(随机化相)替代物。这显著的四个ECG对应 的是具有较低非线性度量(PD2i)平均值、从而要求较少数据点的文 件。在1000Hz的数字化率，在所有其他特征相同的情况下，100%的文 件的非线性结果显著不同于它们的已过滤噪声替代物。
表l
在以256Hz的频率数字化的文件中，仅有20%的文件 的非线性值(心跳平均PD2i)显著不同于它们的已 过滤噪声替代物(例如，随机化相傅立叶逆变换)。非线性替代物
度量度量
2.810.56ns
4.751.01ns
1.750.410.01
3.531.3tis
4.371.52ns
3.880.69ns
4.180.8ns
5.421.42rej
4.781.06ns
4.461.34ns
3.851.26ns
4.411.03ns
1.80.720.01
3.670.81ns
3.840.88ns
2.260.66ns
1.720.950.01
3.561.25ns
2.770.85us
3.951.13ns
1.390.90.01
ii.数据非平稳性因素 非线性分析的数据品质的另一个重要因素是数据是否平稳。基于 线性随机模型(Linear Stochastic model )(例如，正常至正常心跳
(normal to normal heartbeats)的标准差--S匪、心跳的功率谱
等等)的算法要求数据平稳性，许多非线性算法亦然。然而，包括心 跳在内的大多数处于神经系统控制下的电生理学数据，其随时间的推 移是相当非平稳的。在从例如打喷咬、突然移动等的对象获取电生理 学数据时，可以引起该非平稳性。这是生理学非平稳性的一个实例，
21因为心跳总体的各态历经性(即，它的均值、标准差、自由度等等) 会改变。
图11示出了按照定义为非平稳的数据的一个实例。该非平稳数据
(7, 200个数据点)是通过将由不同发生器生成的子时段相连接而产 生的。子时段均值和SD大约相同，但自由度略有不同正弦波(S, df-l.OO);洛伦兹(L, df-2. 06) ; Henon(H， df=l. 46);和随机
(R， df-无穷大)。本说明书中将多次讨论这些测试数据。通过将来 自电子正弦波发生器(S，连续数据)、洛伦兹发生器(L，连续数据)， Henon发生器(H, map函数)和随机白噪声发生器(R，连续数据)的 连续输出的子时段连接到一起，可以构成总时段(overall epoch)。 每个子时段(每个子时段有1， 200个数据点)可以被连接到一起，以 生成7, 200个数据点的非平稳文件，其振幅相当于心脏病患者的较小 的R波(350个整数=0. 35mV)。每个子时段发生器可以具有大致相同 的动态振幅范围以及近似相同的均值和标准差，但不具有相同的自由 度数目。本说明书中讨论的非线性分析中的许多将显示，这样细微的 数据非平稳性(即，自由度的小变化)一一其也将被示出以表示心跳 数据是什么样子一一难以解释，尤其是对于要求数据平稳性的线性或 非线性算法。
在一个示例性方面，所提供的方法、系统和计算机可读介质可以 利用由低噪放大器记录并以大约1000Hz或更高的频率数字化的电生 理学数据。此外，该方法、系统和计算机可读介质可以使用数据简化 装置，诸如R-R间期检测器和分析算法。所述分析算法可以是PD2i数 据处理例程。
iii.数据长度因素
在确定非线性分析结果时数据长度(Ni)可能是重要的，因此管 理数据长度的规则(Ni规则)已经被提出。假如从正在睡觉的猫采样 数据，图21,在超过64， 000个数据点(4. 27分钟)的范围PD2i的分 布几乎不变。图23(左)示出，64， 000个数据点的PD2i分布与128， 000 个数据点的PD2i分布基本上是相同的；注意，128， 000个点的柱状图 的峰稍高于64, OOO个点的柱状图的峰，从而展现出两条曲线。替代物 也完全重叠。图23 (右)示出，渐增的数据长度导致较大分布的PD2i形态上 变得更加单位正态。所有这些案例中向右的小偏斜(skew)是由数据 中由离散化误差引起的噪声含量导致的。对这样的偏斜的统计学修正 不导致结果解释方面的任何改变，因此这一统计学目的的修正步骤是 没有根据的。
随机化相替代物(SUR)的PD2i的形态非常正态，因为小噪声含 量对它们影响不这么大。因为显著性t测试(t-test for significance)要求单位正态分布，所以，对于替代物测试中的t测 试，较高的数据点长度似乎比16, 000个数据点的子时段更有效，但 16， 000个数据点的子时段与正态分布在统计学上并非不同，因此，如 图23 (右)中的近正态(near-normal)形态貌似会令人满意。
Swinney及其合作者(Wolf等人，1985; Kostelich和Swinney, 1989 )讨论了用于确定相空间中的非线性吸引子的自由度的数据长度 要求，并提出规则Ni>10 exp D2。这个规则被普遍应用，但仅对相 空间中的在其中每个波瓣都经常被过访(visit )的吸引子有效，例如， 如在图13中看到的正弦、洛伦兹和心跳吸引子中发生的。EEG吸引子 似乎不遵守这个规则，因为"总"睡眠吸引子(图22，左)的下均值 (lower mean)(大约2. 5 )要具有PD2i值的单位正态分布，需要大 约64， 000个数据点；然而，维数较高(大约3. 5)的REM睡眠吸引子 (图22，右)仅用1， 250个数据点即具有单位正态分布。然而，后者 的确遵守了数据长度的指数规则。这一明显差异的原因是，Ni规则要 求数据平稳性，而只有简短的(brief) REM睡眠吸引子是平稳的，这 样它就在统计学上与它的替代物(随机化相)不同。总睡眠吸引子由 许多不同的非平稳子时段组成，因而它与它的替代物无异。
假如被采样数据是平稳且无噪的，那么指数数据长度规则，即Ni 规则，(例如，Ni>10 exp PD2i),可以准确地确定所生成数据和生 理学数据的最小数据长度。
B. PD2i
PD2i测量有赖于脑神经系统、自主神经系统和内在心脏神经系统 (intrinsic cardiac nervous system)的心跳的调节器(regulator ) 的依赖时间的自由度数目。PD2i可以扩展到在普通技术人员的记录能力之内的其他生理学时间序列(time-series)数据。算法及其实施方 案已经在美国专利5， 709， 214和5, 720, 294中公开，这两个专利在此 均通过引用纳入本说明书。最大PD2i指示独立调节器的最大数目(即， 对其变异性(variability)有贡献的脑系统、自主系统和心脏系统的 数目)，最小PD2i指示存在于这些调节器之间的依赖时间的协作 (cooperation )的极值(extreme )。最小PD2i<l. 4指示心律失常死 亡的风险(Skinner、 Pratt和Vybiral, 1993 )。減小的最大心跳PD2i 指示早期阿尔茨海默病，如此处通过图28所公开的(美国专利申请 No. 60/445, 495,未决)和所确认的，图28示出了痴呆患者和昏厥患 者的结果。图28示出了心跳的PD2i在确定痴呆(阿尔茨海默病)和 昏厥病例中的使用。
i.PD2i的计算
如先前在美国专利5， 709， 214和5， 720， 294中乂>开的PD2i的计算 和其参数的选择，如图29至31中所示。图29首先示出了如何根据由 数据点的两个样本生成的向量计算PD2i。然后，图30示出了，对于 大数据长度和数据长度有限的更实际数据长度，根据PD2i数学模型
(在Ni逼近无穷大时的极限内)根据这些向量差长度做出的相关积分 是什么样子。所述相关积分是在M=l至M-12的每个嵌入维(embedding dimension)做出的按等级排序的(rank ordered)向量差长度(VDL) 的logC vs logR图。图30也图示了用于在更有限的数据长度中确定 就位于软尾(floppy tail) (FT)之上的初始小logR斜率(斜率1) 的线性度的线性判据(LC)(左下)；FT由离散化误差引起。也图示 了收敛判据(CC),其衡量随着嵌入维增加，斜率变化的缺乏程度(右 下，水平线条)。
对于真实的和合成的校准数据(calibration data)经验上观察 到的是对PD2i分析很有效的参数。LC=0. 30显示了由于与有限数字化 率结合的有限数据长度而引起的不稳定软尾。具有第一线性斜率的段
(segment);故绘图长度(Plot Length ) ( PL=0. 15 )参数限制在15%， 同时最小斜率长度是log-log图中在软尾之上的至少10个熬据点(10 点最小准则)。收敛判据(CC-0.4)要求，斜率与嵌入维(M)的关系 曲线收敛，因为限定每个PD2i的是收敛斜率值。只有满足这些参数要求的PD2i值是被接受PD2i。图31示出了如何选择参数Tau,以及为 什么对于心跳数据选择Tau=l。
图29图示了具有数据长度Ni的生理学时间序列(R-R、 EEG等) 的PD2i的计算。图29A,对于所有i值和j值均递增的简短成对数据 样本(i， j)被用作多维向量的坐标。图29B,针对三维向量(M-3) 显示的合成向量(i， j)被计算，继而向量差(VDLij)被算出。图29C, PD2i的数学模型是:在Ni(数据长度)逼近无穷大时，C被标度为(scale as)R的PD2i次方，其中C是按等级排序的VDL的累积计数，R是在 其内对VDL计数的范围；例如，对于较小的R(RO ,仅小VDL被计 数；对于较大的范围(R=6)，所有VDL都被计数；注意，对于小的R 值，每个等级中的数目通常较大。
图30图示了以LogC与LogR的关系曲线的收敛、有限斜率形式的 PD2i计算。左上从M-l至M-12，对于每个多维向量作出LogC与LogR 的关系曲线图；M-12意味着，12个数据点被用作用来生成12维的、i 或j向量合量的坐标。右上继而对于每个维(M)，作出小LogR图 的线性部分的斜率；注意，随着M增至9以上，斜率不再增大(即， 是收敛的)。左下对于有限数据，存在不稳定的、必须利用线性判 据检测的软尾(FT)。继而，就在FT之上的线性部分(斜率段l)的 斜率被测量(参数被限制为整个图的前15%)。该线性部分的最小长 度是10个数据点；否则它不被视为有效的PD2i。右下有限斜率的 图被对照M绘出，并且根据收敛判据，发现对于较高的M其是收敛的 (水平线)。PD2i算法的准则是Tau-l,即，相继的数据点被用作 坐标；LC=0. 3，即，斜率的二阶导数变化不能大于其均值的正负15°/0; CC-0.4,即，M=9至12的SD不能大于其均值的正负20%; PL=0. 15， 即，算出的斜率是M-1至M-12下的每个图中从FT到数据点总数的15%; Ni必须大于10的PD2i次方(即，以准确地计算PD2i=0. 0至3. 0 ); 如右下所示，关于Ni,即被分析的生理学数据，必须有至少10exp3 (即，〉1000 )个数据点。
PD2i与D2的区别在于，s PD2i是D2的估计，其中s是由于参考 向量的位置i与做出相关积分的VDL的所有j向量相比较而造成的误 差。对于该吸引子中i向量的所有位置，误差项(s )的均值是零。这意味着，随着i位置重复地环形通过(loop through)该吸引子， 平均PD2i在极限上将逼近D2,经验上的确如此，在图25A所示的已 知数学原型(origin)的有限数据中仅有4%的误差。
图31示出了两个确定Tau的方法，Tau是为了选择用在作为用于 做出VDL的坐标的ij向量对中的数据点而跳过的数据点的数目。Tau=l 意味着，数据的ij样本中的相继点被选作用于做出ij向量的坐标。 Tau=2意味着，每隔一个数据点地使用数据点，等等。对于从M-1至 M-12的所有嵌入维，必须使用相同的Tau,以找到收敛斜率。
图31中的上图示出了在洛伦兹数据上画出的两組点，#1和#2。 在左侧，#1和#2在时间(数据点)上是分离的，其Tau-l，在右侧， #1和#2按Tau=10分离。假如#1和#2在左侧的Tau与在右侧的Tau 相等，那么在左侧的#2点将越过该数据中的向上尖峰，并与#1处于大 致相同的值(即，在y轴上大致相同的值)。因此，这些点必须靠拢 在一起，如在左侧，以解析对在整个数据序列中发现的维数的高频影 响(contribution )。
中图示出了自相关函数，其中遍历全部数据文件的两点的相关系 数被对照其Tau绘出。当Tau是零时，点#1和#2在它们遍历这些数据 时总是重叠的，因此自相关函数图总是从相关系数=1. 0开始。当自相 关函数中的第一过零点(zero crossing)被找到时，这意味着点#1 和并2完全不相关，即，因为这两点递增地遍历数据以找到计算相关系 数的值。当相关系数为负(零以下)时，它们不同程度地负相关，最 大为-1 (完全负相关)。对于上图所示的洛伦兹数据，自相关函数图 中的第一零相关系数是在Tau=25。但Tau的这一选择不能解析上图所 示的数据的较高频率影响。
选择Tau的另一个方法是，首先做出数据文件的功率谱，如图31 的下图所示。当较高频率的成分停止对信号(和PD2i)产生影响时， 这暗示着小得多的Tau (见下方)，但该Tau将解析较高和较低频率。 在洛伦兹数据的情形下，这个截止点(cutoff)是在Tau-l。峰值功 率暗示着Tau=25。即，功率峰的频率(奈查斯特频率(Nyquist Frequency))的四分之一周期(cycle )是Tau=25，这暗示着，在这 个频率下的傅立叶变换的较低频率正弦波中，有100个数据点。在这个所指示的Tau=l的截止点处傅立叶变换的频率中，有4个数据点。 所有频率成分，不论它们的相对功率如何，都同等地对自由度(即， PD2i,用维数表示)的测量产生影响。
对于具有有限数据长度的有限数字，使用小Tau总是更好，因为 小Tau将使得对于低频和高频波瓣，都能够进行吸引子的维数的非线 性检测。在上图所示的数据中，Tau-l将检测左侧的高频尖峰和右侧 的低频(平坦)段两者的维数影响；Tau=10或25将仅检测后者。注 意，Tau-l显示出图13中所示的正弦数据、洛伦兹数据和心跳数据的 吸引子。这样，可以选择Tau=l用于心跳分析，因为这可以最优地显 示其维数通过PD2i计算出的吸引子。
使PD2i算法区别于D2i算法的特征是，限制位于不稳定软尾之上 的初始斜率1线性标度区的长度。这为非平稳数据方面的PD2i算法的 准确性作准备(图25A)。只有由同种类数据产生的ij向量差才会生 成非常小的向量差长度(VDL)。那些其中i向量和j向量是处于不同 种类数据(例如， 一个是正弦数据，另一个是洛伦兹数据，如在图11 和25A所示的非平稳数据中)中的VDL往往大于那些在i样本和j样 本是处于同种类数据中时产生的VDL。这在数学上是成立的，并且在 经验上通过标记和观察相关积分中的VDL得到了支持。
经验上已经确定，对绘图长度的15%的限制以及在软尾之上最小 IO个点的限制，在已知的非平稳数据(4%的误差，图25A)中和在其 结果已知的生理学数据(图17)中，都是很有效的。即使数据中有小 振幅的噪声，这个限制仍然很有效。例如，噪声将引起小VDL，这样 将污染其斜率为PD2i、在软尾之上的LogC与LogR关系曲线线性标度 区的初始部分。这个对斜率的噪声相关影响对根据吸引子得出的小 logR值的影响是加性的，因而将稍微增大或提高(boost )平均PD2i。 但是，在算法上可以处理该小量噪声。
一种引入PD2i算法中的计算技术是，将非常小的斜率设置为0, 因为它们很可能完全是由噪声造成的，而不是由任何有变化的信号造 成的。将小于0.5的斜率设置为0.0，为PD2i算法的士5个整数(msec) 的噪声容限电平作准备，其中±5个整数的随机噪声可以被添加到较 大振幅的数据上，而不显著增加PD2i值(图25B)。另一种解决提高的平均PD2i的技术是，使用本说明书中描述的噪 声因素算法(NCA)和过渡带算法(Transition Zone Algorithm) (TZA) (图2和图8A-C)。
ii. PD2i和噪声
如本i兌明书所述，噪声可以从生理学源(例如，心房颤动或高心 律失常率)、RR检测器中的误差(与T波混杂的小R波)、损坏的设 备(产生伪影的破损引线)或低劣的数据获取技术(例如，不能适当 地指导患者或从行为上控制环境)进入R-R间期数据。而且，噪声可 以从生理学源(例如，非REM睡眠与它的替代物无异)、低劣的设备 (例如，未用适当的带通或数字化率进行记录)或低劣的数据获取技 术(环境噪声、缺乏受控环境)进入EEG数据。所有这些噪声源必须 被处理，以保持处于通过被接受的PD2i的。/。N判断的PD2i算法噪声容 限电平范围以内，否则，因为这些数据具有噪声含量，必须基于先验 从研究中排除这些数据。NCA、 TZA和异常值剔除都是用于处理小量不 可避免的噪声_ —其原本会导致其被从研究中排除一一的降噪算法。 所述NCA已经在美国专利申请No. 10/353, 849中公开，该专利申请在 此通过引用纳入本说明书。所述TZA将在本说明书中描述。
a.坚
一种应用于电生理学数据以保证该电生理学数据中的噪声不会导 致非线性算法进行虚假计算的方法是检验数据与已滤波随机噪声相 同这一无效假设(null hypothesis )(即，通过随机化相替代物测试)。 假如实验数据的结果与它们的替代物的结果在统计学上不同一一对这 两种数据类型使用相同的分析算法，那么该无效假设被否决，即该数 据不是已过滤噪声。图26和27示出，向无噪洛伦兹数据系统地添加 噪声，降低了。/。N (被接受PD2i与所有PD2i的比值)，并使该数据的 平均PD2i向替代物的平均PD2i靠拢。在。/。N〉30的情况下，噪声不改 变PD2i分数的分布，但在。/。N〈30的情况下，噪声改变PD2i分数的分 布。这构成了数学证据一一％N>30应该是用于适当采样的数据的一个 判据。假如数据不符合Ni规则(Ni〉10expPD2i),则这将表现为噪 声，因而导致依据y。N的否决。在340个ER患者的数据库中，经验 已经观察到，假如平均PD2i大于5. 25 (要求500， 000个RR间期，这将花费125个小时来记录)，那么为25%的°0是可接受的；假如平均 PD2i大于5. 75，那么为20。/。的。/nN是可接受的。即，在这些文件中没有 低维PD2i,但是，因为高平均PD2i和不适当的Ni,该y。N是不可接受 的，因此应该允许调节。/。N，因为它们都被发现是真阴性(True Negative)数据文件。举例说，用于。/。N的参数可以是。/。N〈30,除非当 没有PD2i小于1. 6时，当平均PD2i大于5. 0、 5. 25或5. 75时，分别 指示°0>29%、 。/nN〉25。/。和y。N〉20y。为可接受的。可能仍留有小量噪声，数 据仍要求附加算法处理以用于非线性分析。
被接受的PD2i的数目与总的可能PD2i的比值(％N)与数据中的 噪声量非线性相关。PD2i被否决的一个原因是，它们不符合针对相关 积分的准则。图26示出了对于洛伦兹数据(1200个数据点)，被接 受PD2i的。/。N与。/。噪声含量的非线性关系。噪声(随机)被系统地添加 到无噪声数据。对于处于或高于30。/。的。/。N值，噪声含量不改变平均PD2i
(上水平线。对于低于i9y。的y。N值，数据的噪声含量太大，以致于不
能进行无效假设一一数据的PD2i分布与已过滤噪声(即，该数据的随 机化相替代物)的PD2i分布相同——的否决。
图27示出了与图26中相同的效果，但为PD2i分布示出了噪声含 量(LOR+。/。噪声)和。/flN。因为添加1。/。的噪声完全不改变PD2i分布(完 全重叠的LOR+(T/。和LOR+1%)，为30的MN似乎是可接受的。但添加2% 的噪声导致整个PD2i分布的自由度右移0. 5度，包括左手一侧的最低 值在内。添加更多噪声(4%)虽然仍在边缘(marginally)在统计学上 显著不同于它的替代物，但是导致了更广的分布，该更广的分布具有 不同于均值的峰值，并更加移向它的替代物。
这样，y。N〉3(W可以是包括最低值在内的PD2i分布的稳定性的量 度，而不论该分布是否在统计学上显著不同于其随机化相替代物的分 布。
b.去除异常值(非平稳伪影) 对于其中存在大于偏差门限(例如，3倍标准差)的值的数据序 列，去除其中的异常值是普遍做法，因为这些值被认为是非平稳事件 (即，噪声)。对它们进行插值(线性样条或"做样条(splining)") 而不是去除它们，将维持时间上的相关性。在使用相关积分的非线性分析(D2、 D2i、 PD2i)中，数据中的这些奇异点(singular point) 通常依据线性判据和收敛判据(本说明书中讨论的)被否决，但是假 如存在几个以上的奇异点，则产生虚假值的相关积分中可以出现标度 (scaling)，如在图18中所见。图18示出了当生理学数据(RR间 期)含有伪影(心律失常、运动伪影)时的非线性结果(PD2i)。这 些伪影是在RR间期轨迹(左上)中看到的大尖峰。相应的PD2i分数 在左下方的象限中示出。右上方的象限示出了 RR间期与PD2i的关系 图，右下方的象限示出了 PD2i柱状图。具有污染参考向量的运动伪影 或心律失常(大尖峰)的PD2i中，有一些被否决，但不是全部。
假如这些伪影通过插值样条(线性插值)被去除，那么低PD2i值 被消除，如图19所示。通过用在时间上向后延伸一个点并在时间上向 前延伸一个点的线性样条覆盖异常值(即，使用i-2值和i+2值构造 线性插值，来覆盖i-l至i+l)，可以修改异常值。图19图示了与图 18相同的数据文件和结果，但其中伪影已经被覆盖它们的线性样条去 除。这样的伪影的相对重要性应该被考虑，并且应该例行地从心跳数 据中去除这样的伪影，尤其是假如虚假地产生PD2i分数的数据处于本 说明书中讨论的TZA门限以下的话。
c. NCA和NCA准则
根据示例性方面，NCA (噪声因素算法)检查高放大倍数下的低电 平噪声(例如，y轴满标度是40个整数，x轴满标度是20次心跳)， 并确定该噪声是否在预定范围之外，例如，该噪声的动态范围是否大 于V5个整数。假如是，那么通过用一个数除数据序列一一该数把噪声 带回V5个整数的范围内一一来从数据序列中去除噪声。例如，可以用 2除数据序列，从而去除一个噪声位。
因为，在小于m-12的嵌入维下计算出的相关积分的线性标度区， 当由低电平噪声(例如，具有V5个整数的动态范围)产生时，具有小 于0.5的斜率，所以不可能区分低电平噪声和真正的小斜率数据。方 便的是，因为在生物学数据中极少遇到小于0. 5的斜率，所以在算法 上将0. 5或小于0. 5的任何斜率(在相关积分中观察到的)设置为0， 将消除对这些小的自然斜率的检测，也将消除低电平噪声对PD2i值的 影响。正是这个"算法现象"解释了经验数据，并说明了当在介于-5噪声数据时其效果的缺乏。然而， 稍微更大振幅的噪声将显示出预计随非线性算法出现的噪声效应。
去除一个噪声位使噪声减半，如图12 (洛伦兹数据)和14 (RR 数据)所示，因而使斜率值回到其未提高状态(non-boosted state) (即，现在噪声小于噪声容限电平)。但对于每个数据文件都这样做 是不明智的，因为这可能使得PD2 i算法忽视来自生理学数据的小1 ogR 值一一该小logR值在某些情形下可能是重要的。换言之，在从数据中 去除噪声位之前，必须有怀疑文件含有噪声的某种理由。
噪声通常被量化为信号内容的百分比。滤除噪声的同时也滤除了 部分信号，这在非线性分析中可能潜在地导致虚假结果。通过去除一 个位(例如，将信号的振幅除以2)，该信号中的噪声也减半。图12 示出，去除一个位不会显著改变非线性度量PD2i的均值或分布。示出 了去除一个"噪声"位(RNB)对洛伦兹数据的利用点相关维数(PD2i) 的非线性度量的分布的影响。与初始未改变信号相比，将洛伦兹数据 的振幅减半(RNB)不会显著改变它的分布。相反，去除两位(将振幅 除以4),通过将分布的中部拓宽，确实改变了分布。去除2位，通 过使柱状图的中部变平并拓宽柱状图两翼，改变了分布。这是不想要 的，因为它去除了太多信号。从RR数据去除一位(图14)对包括最 小PD2i在内的较小的PD2i值没有影响。
NCA可以运行在"殆阳性(almost-Positive) " PD2i案例(即， 具有最小PD2i的阴性PD2i案例，其在分界线附近具有低维偏移 (excursion))中，如下段所定义的。去除一个噪声位对具有大R-R 间期变异性的明显阴性文件没有影响。在已经是阳性的PD2i案例中去 除一个噪声位是不需要的，因为这只会使它们更阳性。
可以被用于确定殆阳性RR间期数据中的提高的噪声含量的NCA准 则的实例包括，但不局限于1) R-R间期数据多少有点"平坦"，几 乎没有心率变异性(即，至少一段的400个相继R-R间期的SD小于 17msec) ; 2 )平均PD2i低于5. 0至6. 0这个常规正常均值(即，平 均PD2i〈4. 9) ; 3) R-R间期在15分钟的数据样本中至少一次达到指 示高心率的低值(即，5个R-R间期〈720msec);和4)数据中实际上 有少量噪声(即，在20个RR间期的运行窗口中，多于50%具有>±5
3的SD)。
d. TZA和TZA准则
假如生理学数据的非线性度量是连续尺度的(on a continuous scale),并被用于将高于分界线和低于分界线的分析结果分层(例如， 以预测心律失常死亡的风险)，那么可以要求过渡带算法(TZA)更好 地将结果分成两层(stratum)。对于结果(例如，PD2i分数)中的瞬 态生理学变化一一其表示非平稳事件，可以利用一个测试数据组中的 实际结果(例如，心律失常死亡事件或无心律失常死亡)来调节TZA 门限。这个测试-再测试调节可以首先确定TZA门限在一个数据组中的 位置，继而在后续数据组中使用该TZA门限。这种方法的一个问题是， PD2i的瞬态低维偏移可能在测试或再测试中出现，其可以逼近无穷窄 的分界线或判据电平，但不能达到，因为非线性分数被数据中的少量 噪声稍稍提升了。这样，就需要噪声修正因数。
图16示出了一个对象的一个实例，该对象有多个PD2i低维偏移 进入就位于分界线(水平线，左下)上方的过渡带。该分界线可以是， 例如，1.4。该过渡带可以在1.4和1.6之间。当先验分界线已经被设 置在1.40时，有多个PD2i分数处于在1.4和1.6之间的过渡带中。 在图16中，对象的分数可能被噪声含量稍稍提升。 一旦一个分数被确 定处于过渡带内，则该分数可以利用小的维数数目(a small number of dimensions )降低，以补偿由少量噪声导致的小提升。该维数数目可 以是，例如，0.2。
在对ER中的320个心脏病患者的研究中，有20个对象的PD2i分 数处于在1.4和1,6维之间的过渡带中，其中1.4是在先前的研究中 确定的先验分界线。在这20个对象中，有3个具有心律失常死亡(AD) 结果，且是真阳性(True Positive) (TP);有16个具有非AD结果， 且是真阴性(True Negative) (TN);还有1个具有非AD结果，且 是假阳性(False Positive) ( FP )。问题是，当PD2i分数处于就在 先验分界线上方的小过渡带中时，如何区分这3个AD对象和这17个 非AD对象。
假如检查所有320个患者的所有PD2i分数，那么很显然，AD对 象具有许多小于3. 0的PD2i,而非AD对象不是这样。图17图示了这个现象，其中，将AD对象与他们的非AD对照对象相比较，每个非AD 对照对象都有急性心肌梗塞但在1年跟踪期内没有显现AD。在图17 的上部，示出了来自18个患者的RR和PD2i数据，这18个患者在1 年跟踪期内死于确定的突发心律失常事件(AD)，多数在30天内死亡。 在图17的下部，示出了来自18个对照对象的类似数据，这18个对照 对象中的每一个都有记录在案的急性心肌梗塞(AMI)，并存活了至少 l年的跟踪期。这些出现结果暗示，可以只对3. 0以下的PD2i值计数 并找出统计上显著的结果。实际上，当这样做时，后验地，敏感性 (Sensitivity)和特异性(Specificity)均为100% (p<0. 001)。 但是，注意到，在该图上半部的各个患者方格(cell)中，有许多瞬 态低维偏移。也注意到，对于非AD患者，有相对少的单点下降到0至 3. O这个带中。
另 一个因素是，假如要使用ECG记录的10至15分钟时段内的PD2 i 的数目(随机度量)，那么必须假定这个时间间隔期间的数据平稳性， 而情况并非如此，因为低维PD2i偏移的下降(dipping)指示非平稳 事件(即，自由度是变化的)。因此，既为了实践上又为了数学上的 缘故，低维偏移的最小值是PD2i非线性度量的一个判据。
为了解决过渡带中的瞬态低维PD2i分数——所有这些PD2i分数 可以因少量噪声含量而被稍稍提升——的两难困境(dilemma)，可以 允许使用PD2i总体的独立随机度量作为一个判据，用于评估所有这些 PD2i中的噪声含量，继而相应地调节瞬态PD2i分数。
当过渡带算法(TZA)被用作噪声修正因数一一其引入小于3. 0的 被接受PD2i的35%门限且独立于本说明书中讨论的噪声因素算法—— 时，过渡带中的所有最小PD2i分数闯入(break into ) AD的正确PD2i 预测，在上述噪声因素算法中可能去除或不去除噪声位。使用非参数 统计(二项式概率，p<0. 001)，这是统计学上高度显著的分类总结 (breakout)。这样，当数据含有少量噪声时， 一般可以使用这样的 后验噪声修正因数。
总之，TZA准则包括，但不局限于1)必须有至少一个PD2i值 在过渡带内(PD2i〉1.4，但PD2i《1.6); 2 )平均PD2i必须净皮显著 地降低(少于35%的被接受PD2i〈3. 0)。假如符合这些标准，那么PD2i值可以被降低O. 2维。
III.示例性方面 A.—般方面
在一个方面，如图37中图示，提供了补偿与电生理学数据关联的 少量不可避免的噪声以更有效地预测诸如心律失常死亡之类的生物学 结果的自动化方法，这些方法的步骤包括在步骤3701,限定多个具 有关联的间期数据的间期，诸如R-R间期，其中每个间期与对应于电 生理学数据第一部分的轨迹——诸如ECG或EEG轨迹——的连续部分 之间的持续时间关联；在步骤3702，使用诸如PD2i之类的数据处理 例程分析该多个间期，以产生维数数据；在步骤3703,当维数数据小 于第一门限时，从间期数据去除至少一个极值，诸如异常值。第一门 限可以是大约1.4。去除至少一个极值可以产生精确维数数据。所述 方法还可以包括在步骤3704，使用诸如PD2i之类的数据处理例程 分析精确维数数据，以产生可接受维数数据；在步骤3705，当可接受 维数数据低于第二门限且高于限制条件时，预测心律失常死亡。第二 门限可以是大约1.4。限制条件可以是，当被接受或精确维数数据的 。/oN高于第三门限时。第三门限可以是大约百分之30。限制条件可以被 表达为。0>30%，其中y。N是被接受的PD2i的百分比。
去除至少 一个极值的步骤可以包括在多个间期中识别异常间期， 其中所述异常间期处于偏差门限以外；为异常间期定义线性样条，并 用该线性样条覆盖该异常间期。偏差门限可以是，例如，3倍标准差。
上述方法还可以包括噪声修正算法。该噪声修正算法可以是，例 如，NCA、 TZA等等。
上述方法还可以包括，确定该电生理学数据是脑电图数据还是心 电图数据。假如该电生理学数据是EEG数据，则上述方法还可以包括 EEG数据算法。该EEG数据算法可以包括选择线性判据、选择绘图 长度、选择tau、选择收敛判据和根据线性判据、绘图长度、tau和收 敛判据的选择定义被接受PD2i值。
在另一个方面，如图38中图示，提供了降低或补偿与电生理学数 据关联的小量噪声以更有效地预测诸如心律失常死亡之类的生物学结果的自动化方法，所述方法包括在步骤3801，从电生理学数据形成 R-R间期；在步骤3802，根据R-R间期定义被接受PD2i值；以及在步 骤3803，确定被接受PD2i值是否小于第一门限值。第一门限可以是 大约1.4。所述方法还可以包括在步骤3804，当被接受PD2i值小于 第一门限值时，去除R-R间期异常值；在步骤3805，根据R-R间期异 常值的去除定义精确被接受PD2i值；在步骤3806,确定被接受PD2i 值或精确被接受PD2i值是否低于第二门限；以及在步骤3807，当被 接受PD2i值或精确被接受PD2i值低于第二门限且高于第一限制条件 时，预测心律失常死亡。第二门限可以是大约1.4。第一限制条件可 以是，被接受或精确维数数据的。/。N高于第五门限。第五门限可以是大 约百分之30。
上述方法还可以包括，将电生理学数据归类为脑电图数据。 上述方法还可以包括，确定被接受PD2i值或精确被接受PD2i值 是否在过渡带内。通过当已确定被接受PD2i值或精确被接受PD2i不 低于第二门限时，确定被接受PD2i值或精确被接受PD2i值是否高于 第三门限，上述方法可以实现这一点。第三门限可以是大约1.6。上 述方法还可以包括，当已确定被接受PD2i值或精确被接受PD2i值不 高于第三门限时，应用过渡带修正(TZA),从而确定被接受PD2i值 或精确被接受PD2i值在过渡带内。
应用过渡带修正还可以包括，确定被接受PD2i值或精确被接受 PD2 i值是否符合TZA准则。通过确定被接受PD2i值或精确被接受PD2i
值是否高于第一限制条件，上述方法可以实现这一点。第一限制条件 可以是，被接受或精确维数数据的。/。N高于第五门限。第五门限可以是 大约百分之30。上述方法还包括，确定用于被接受PD2i值或精确被 接受PD2 i值的第二限制条件是否小于笫四门限。笫二限制条件可以是 小于大约3的被接受或精确PD2i值的百分比。第四门限可以是大约百 分之35。上述方法还包括，从被接受PD2i值或精确被接受PD2i值减 去偏移量，并根据偏移量的减去来预测心律失常死亡。偏移量可以是， 例如，0.2。
上述方法还可以包括，当已确定被接受PD2i值或精确被接受PD2i 值高于第三门限时，应用噪声含量(NCA)修正。在又一个方面，如图39中图示，提供了降低与电生理学数据关联 的噪声以更有效地预测诸如心律失常死亡之类的生物学结果的自动化 方法，所述方法的步骤包括在步骤3901，将电生理学数据与第一数 据类型——诸如ECG/EKG或EEG数据类型——关联；在步骤3902,从 电生理学数据形成R-R间期；在步骤3903，根据R-R间期定义被接受 PD2i值；在步骤3904,确定被接受PD2i值是否小于第一门限值；以 及在步骤3905,当被接受PD2i值小于第一门限值时，去除异常值。 第一门限可以是大约1.4。该方法还可以包括在步骤3906，根据异 常值的去除定义精确被接受PD2i值；在步骤3907，确定被接受PD2i 值或精确被接受PD2i值是否低于第二门限；以及在步骤3908，当被 接受PD2i值或精确被接受PD2i值低于第二门限且高于限制条件时， 预测心律失常死亡。第二门限可以是大约1.4，限制条件可以是，当 被接受或精确维数数据的百分之N高于第四门限时。第四门限可以是 大约百分之30。
上述方法还可以包括在步骤3909,当已确定被接受PD2i值或 精确被接受PD2i不低于第二门限时，确定被接受PD2i值或精确被接 受PD2i值是否高于第三门限；在步骤3910，当已确定被接受PD2i值 或精确被接受PD2i值高于第三门限时，应用过渡带修正；以及在步骤 3911，当已确定被接受PD2i值或精确被接受PD2i值低于第三门限时， 应用噪声含量修正。第三门限可以是大约1.6。
应用过渡带修正可以包括，从被接受PD2i值或精确被接受PD2i 值减去偏移量，并根据偏移量的减去来预测心律失常死亡。偏移量可 以是，例如，0.2。
应用噪声含量修正可以包括，去除大于R-R间期的预定数目的标 准差的异常值。标准差的该预定数目可以是3。噪声含量修正还可以 包括确定R-R间期是否符合NCA准则的预定数；假如符合NCA准则 的预定数，从每个R-R间期去除一个噪声位；根据R-R间期重新定义 被接受PD2i值；以及根据重新定义的PD2i值预测心律失常死亡。去 除一个噪声位可以包括将R-R间期振幅除以2。可以被用于确定噪声 含量的NCA准则包括，但不局限于1 )R-R间期数据多少有点"平坦"， 几乎没有心率变异性(即，至少一段的400个相继R-R间期的SD小于17msec); 2 )平均PD2i低于5. 0至6. 0这个常规正常均值(即，平 均PD2i〈4.9) ; 3) R-R间期在15分钟的数据样本中至少一次达到指 示高心率的低值(即，5个R-R间期〈720msec);和4)数据中实际上 有少量噪声(即，在20个RR间期的运行窗口中，多于50%具有>±5 的SD)。
B.详细方面
图2图示了本方法的另一个方面。该方法从步骤210开始。在步 骤210，该方法接收电生理学数据，例如EEG或ECG数据。步骤210 之后是步骤215。在步骤215,电生理学数据的类型被识别。步骤210 之后是判决步骤220。在步骤220，该方法确定数据是否是ECG数据。 假如已确定该数据不是ECG数据，则该方法前进到步骤225,并执行 EEG数据算法，该EEG数据算法的一个实例在图3中详细示出并在本 说明书中有描述。在该方法执行EEG数据算法之后，该方法前进到步 骤250。假如在判决步骤220已确定数据是ECG数据，则该方法前进 到步骤230,并形成R-R间期。步骤230之后是步骤235。在步骤235， 被接受PD"算法被运行，该被接受PD2i算法的一个实例在图4中详 细示出并在本说明书中有描述。继而该方法前进到判决步骤240，以 确定PD2i值是否《1.4。假如该PD2i值不是《1.4，则该方法前进到 步骤275。假如该PD2i值《1.4，则该方法前进到步骤245,并执行异 常值剔除算法，该异常值剔除算法的一个实例在图5中详细示出并在 本说明书中有描述。
在执行异常值剔除算法之后，该方法前进到步骤250，并运行被 接受PDH算法。继而该方法前进到判决步骤255。在判决步骤255， 确定PD2i值是否《1.4。假如该PD2i值《1.4,则该方法前进到判决 步骤260。在判决步骤260,确定被接受PD2i的。/nN是否〉30。/。。假如被 接受PD2i的y。N不是〉30。/。，则该方法前进到步骤265,并被指明为因为 低。/。N被否决。然而，假如在判决步骤260，被接受PD2i的。/。N〉30。/。，则 该方法前进到步骤270，并被指明为阳性PD2i测试。继而该方法终止。
返回判决步骤255，假如已确定PD2i值不是《1.4,则该方法前 进到判决步骤275。在判决步骤275，确定被接受PD2i值是否〉1.6。假如被接受PD2i值〉1.6，则该方法前进到步骤280,并执行NCA噪声 修正算法，以确定是否有理由指明阳性PD2i测试、阴性PD2i测试或 由于低。/。N或违反Ni规则而导致的被否决测试，该NCA噪声修正算法 的一个实例在图6A和B中详细示出并在本说明书中有描述。在执行 NCA噪声修正算法之后，该方法终止。
返回判决步骤275，假如已确定被接受PD2i值不是〉1.6，则该方 法前进到步骤285，并执行TZA噪声修正算法，以确定是否有理由指 明阳性PD2i测试、阴性PD2i测试或由于低y。N导致的被否决测试，该 TZA噪声修正算法的一个实例在图7中详细示出并在本说明书中有描 述。在执行TZA噪声修正算法之后，该方法终止。
图3图示了一个示例性EEG数据算法。该算法在步骤305开始， 在此数据被过滤。步骤305之后是步骤310。在步骤310，选择线性判 据。步骤310之后是步骤315。在步骤315，选择绘图长度。步骤315 之后是步骤320。在步骤320,选择Tau。步骤320之后是步骤325。 在步骤325,选择收敛判据。步骤325之后是步骤330。在步骤330， 执行被接受PD2i算法，该算法的一个实例在图4中详细示出并在本说 明书中有描述。在执行步骤330之后，该EEG数据算法终止。
现在转到图4，该图是图示一个示例性PD2i子例程(subroutine) 225的流程图，该PD2i子例程225在步骤410开始。在步骤410， PD2i 子例程225接收电生理学数据。虽然这被示为一个单独的步骤，但是 此数据对应于从对象接收的指示信号(indicator signal)。步骤410 之后是步骤415。在步骤415, PD2i子例程225计算向量差长度。更 具体地，PD2i子例程225计算向量差长度，获得它们的绝对值，继而 将它们按等级排序。单个向量差长度是在于一点保持固定的参考向量 i和数据序列中所有其他可能向量之任一 j之间作出的，i=j时除 外一一在此情况下零值被忽略。每个向量通过绘图在被称为嵌入维m 的多维空间中作出。该嵌入维的坐标由在"伽玛"数据序列中的每个数 据点处的m值限定，m值实际上是在考虑Tau时的相继数据点的数目。 即，伽玛富集数据(gamma-enriched data)的一短段被用来构成用于 作出m维向量的坐标。例如，3个数据点作出3维向量(m=3) ， 12个 数据点作出12维向量(m-12)。在计算始于数据点i的参考向量和j向量(可以作出的任意其他向量之一)之后，然后计算向量差并将其
绝对值存储在一个数组(array)中。继而，相对于单个固定i向量作 出所有j向量。继而点i增加，再次确定全部i-j向量差长度。继而 m增加，再次计算全部i-j向量差长度。这些步骤本质上说明了 PD2i 子例程225如何完成步骤420。
步骤420之后是步骤425。在步骤425， PD2i子例程225计算固 定参考向量所处的每个嵌入维的相关积分(例如，富集伽玛数据序列 中的m个点i)。这些相关积分一般地指示特定时间点处的自由度， 取决于标度间隔。步骤425之后是步骤430,在步骤430, PD2i子例 程225使用在步骤425确定的相关积分。继而，该子例程将标度区限 制在位于非稳定区之上的相关积分的初始小端，该非稳定区由数字转 换器的速度所导致的误差引起。更具体地，这个子例程基于绘图长度 判据限定相关积分标度区。这个判据本质上将标度限制在相关积分的 对数据非平稳性具有不敏感性的小log-R端。
步骤430之后是判决步骤435。在判决步骤435， PD2i子例程225 确定线性判据是否被满足。线性判据使得标度区本质上是线性的，并 使其不含有软尾。假如线性判据被满足，则沿"是"分支从步骤435 到步骤440。在步骤440, PD2i子例程225确定最小标度判据是否被 满足，最小标度判据被满足本质上意味着该标度区内有合适数目的数 据点。假如最小标度判据不被满足，则PD2i子例程225沿"否"分支 从步骤435到步骤445。假如线性判据不被满足，步骤440之后还有 步骤445。在步骤445, PD2i子例程225将平均(mean, or average ) 斜率和标准差存储为-1。
当最小标度判据被满足时，沿"是"分支从步骤440到步骤450。 在步骤450， PD2i子例程225存储收敛嵌入维的相关积分的标度区斜 率的平均斜率和偏差。即，这些值对应这样的斜率对于在时刻i的 关联点，增大的m不导致标度区斜率变化。
步骤455在步骤445和步骤470及475之后。在步骤455, PD2i 子例程225选择下一个PD2i点，该下一个PD2i点具有i或m增量。 步骤455之后是判决步骤460。在判决步骤460， PD2i子例程225确 定是否所有PD2i点和m都被选择。假如有剩下的未被选择的值，则沿"否"分支从步骤460到步骤415,这本质上迭代地重复子例程225， 直到在每个m下的所有i都已经被算出。假如在步骤460确定所有值 都被选择，则PD2i子例程225终止。
返回判决步骤465, PD2i子例程225确定收敛判据是否被满足。 本质上，该判据分析收敛的PD2i斜率值，并确定它们的收敛量是否大 于预定量。假如收敛判据被满足，则步骤465之后是步骤470 (即， 沿"是"分支)。在步骤470, PD2i子例程225显示"被接受"。假 如确定收敛判据不被满足，则沿"否"分支从步骤465到步骤475， 再到步骤445。在步骤475， PD2i子例程225显示"不被接受"。换 言之，"不被接受"表示PD2i因诸如噪声等的某缘故是无效的，并在 步骤445存储-l这个值。
图5图示了一个示例性异常值剔除算法。该算法在步骤510开始， 在步骤510该算法识别在偏差门限以外的第一 R-R间期。这个R-R间 期是异常值。偏差门限可以是，例如，3倍标准差。步骤510之后是 步骤515。在步骤515,定义该异常值的线性样条。步骤515之后是步 骤520。在步骤520,用该样条覆盖该异常值。步骤520之后是步骤 525。在步骤525,该算法递增到下一个异常值。步骤525之后是判决 步骤530。在判决步骤530，确定是否已经到达文件的末尾，即，是否 有i=Ni，其中i是在该文件中的当前位置，Ni是该文件中的数据点的 数目。假如确定i样Ni，则该算法返回步骤510。假如在步骤525确定 i=Ni，则该算法终止。
图6A和B图示了一个示例性NCA噪声修正算法。该算法在判决步 骤605开始，在判决步骤605，确定400个相继RRi的SD是否〉10毫 秒。假如确定400个相继RRi的SD《10亳秒，则该算法前进到判决步 骤615，本说明书中有描述。假如在判决步骤605确定400个相继RRi 的SD〉10亳秒，则该算法前进到判决步骤610。在判决步骤610，确定 平均PD2i是否低于5. 0至6. 0的常规正常值。假如平均PD2i<4. 9, 可以作出决定。假如确定平均PD2i>4. 9,则该算法前进到判决步骤 625，本^L明书中有描述。
然而，假如在判决步骤610确定平均PD2i〈4. 9，则该算法前进到 判决步骤615。在判决步骤615，可以确定在15分钟的数据样本中RRi是否至少一次达到指示高心率的低值。假如5个或更多R-R间期 <720ms，则可以做出决定。假如少于5个RRi〈720msec，则该算法前 进到判决步骤625，在本说明书中有描述。然而，假如在判决步骤615 确定5个或更多RRi〈720ms，则该算法前进到判决步骤620。在判决步 骤620，确定R-R间期数据是否多少有点"平坦"，几乎没有心率变 异性。假如至少一段的400个相继RRi的SD小于17ms，则可以做出 决定。假如至少一段的400个相继RRi的SD不小于17ms，则该算法 前进到判决步骤625。在判决步骤625，可以确定被接受PD2i的。/。N是 否>30%。假如在判决步骤625确定被接受PD2i的 >30%,则该算法前 进到判决步骤680，其在图6B中详细示出并在本说明书中有描述。然 而，假如在步骤625确定被接受PD2i的。/。N〉30y。，则该算法前进到步骤 640。
返回判决步骤620,假如确定至少一段的400个相继RRi的SD小 于17ms，则该算法前进到判决步骤635。在判决步骤635,可以确定 数据中是否有小量的噪声。假如在20个RRi的运行窗口中多于50%具 有〉士5的SD，则可以做出决定。假如在20个RRi的运行窗口中多于 50%不具有>±5的SD,则该算法前进到判决步骤650，在本说明书中 有描述。然而，假如在步骤635确定在20个RRi的运行窗口中多于 50。/。具有〉士5的SD，则该算法前进到步骤640。在步骤640,可以去除 一个噪声位。
步骤640之后是步骤645。在步骤645,可以运行被接受PD2i算 法，该算法的一个实例在图4中详细示出并在上面有描述。步骤645 之后是判决步骤650。在判决步骤650，可以确定被接受PD2i的。/。N是 否>30%。
假如确定被接受PD2 i的％N不>30%，则该算法前进到判决步骤68 0， 其在图6B中详细示出并在本说明书中有描述。假如在判决步骤625确 定被接受PD2i的。/。N〉3(T/。，则该算法前进到判决步骤670。在判决步骤 670,可以确定最小被接受PD2i是否<1.4。假如确定最小被接受 PD2i〈1.4，则该算法前进到步骤675,并指明阳性PD2i测试。假如在 判决步骤670确定最小被接受PD2i不<1. 4,则该算法前进到步骤630， 并指明阴性PD2i测试。转到图6B中的判决步骤680,可以确定平均PD2i是否〉5. 75。假 如确定平均PD2i不>5. 75，则该算法前进到判决步骤684，在本说明 书中有描述。假如在判决步骤680确定平均PD2i〉5. 75,则该算法前 进到判决步骤681。在判决步骤681,可以确定被接受PD2i的裔是否 >15%。假如被接受PD2i的y。N不〉15、则该算法前进到步骤682,并因 低。/。N而否决该测试，并结束。假如在判决步骤681被接受PD2i的 %N>15%,则该算法前进到步骤683，并宣布违反Ni规则。继而该算法 前进到在步骤689指明阴性PD2i测试。在步骤689之后，该算法终止。
返回判决步骤684,可以确定平均PD2i是否>5. 25。假如确定平 均PD2i不〉5.25,则该算法前进到判决步骤687，在本说明书中有描 述。假如在判决步骤684确定平均PD2i>5. 25,则该算法前进到判决 步骤685。在判决步骤685,可以确定被接受PD2i的y。N是否〉20。/。。假 如被接受PD2i的。/。N不>20%，则该算法前进到步骤686，并因低。/。N而 否决该测试，并结束。假如在判决步骤685被接受PD2i的。/。N〉20y。，则 该算法前进到步骤683,并宣布违反Ni规则。在步骤683之后，该算 法终止。
返回判决步骤687，可以确定平均PD2i是否>5. 0。假如确定平均 PD2i不〉5. 0，则该算法前进到判决步骤688,并宣布阴性PD2i测试， 并结束。假如在判决步骤687确定平均PD2i〉5. 0,则该算法前进到判 决步骤689。在判决步骤689，可以确定被接受PD2i的。/^是否>29%。 假如被接受PD2i的。/。N不>29%,则该算法前进到步骤690，并因低。/oN 而否决该测试。假如在判决步骤689被接受PD2i的。/。N〉29。/。，则该算法 前进到步骤683,并宣布违反Ni规则。在步骤683之后，该算法终止。
图7图示了一个示例性TZA噪声修正算法。该TZA算法在判决步 骤705开始，在判决步骤705可以确定被接受PD2i的。/。N是否>30%。 假如被接受PD2i的^不>30%,则该算法前进到步骤710,并指明该测 试为因低。/。N而被否决。假如在判决步骤705，被接受PD2i的°/^>30%， 则该算法前进到判决步骤715。在判决步骤715，可以确定被接受PD2i 的百分比是否《3. 0,该百分比可以是，例如，35、 45、 55、 65、 75， 诸如此类。在判决步骤715，可以确定是否〉35。/。的被接受PD2i《3. 0。 假如>35%的被接受PD2i不《3. 0，则该算法前进到步骤720,并指明阴性PD2i测试，并结束。假如在判决步骤715， >35%的被接受PD2i <3. 0，则该算法前进到步骤730，并指明阳性PD2i测试，并结束。
在另一个方面，图8A和8B中描述的自动化软件使用了一种计算 方法，该方法与本说明书描述的多种噪声处理算法和参数相结合，将 PD2i确定为相关积分的收敛斜率的有限标度区间。
图8A示出，首先，使用3点运行窗口算子将ECG数据转换成R-R 间期(RRi),以识别相继的R波波峰(一个极大值(maxima))。继 而，计算被接受PD2i。被接受PD2i是那些符合线性判据、收敛判据 和IO点最小准则并出现在绘图长度内的PD2i值，这些PD2i值成为被 接受PD2i。被接受PD2i与所有PD2i的比值被算出作为。M。于是，被 接受PD2i中的最小PD2i被发现位于以下三个区间之一内a) >1. 6, b)《1. 6且>1. 4，或c)《1. 4 (PD2i的选择范围)。
假如被接受PD2i中的最小PD2i在区间c中，那么检查RRi以寻 找异常值，且假如在以第一 PD2K/-1. 4为中心的-12至+12的数据点 区间内发现大于平均RRi的3倍标准差(SD)的异常值(是)，那么， 通过用来自以所检测出的点i处的异常值为中心的i-2至i+2的RRi 的线性插值样条覆盖每个异常值，可以去除所有异常值。可以设置标 记(flag),以使假如异常值已经被去除，则不再次运行该例程。继 而，重新计算最小PD21,并就区间a、 b、 c对其重新测试。假如最小 PDH仍在c中，那么对其检查。/。N。假如。/。N〉30。/。，那么显示阳性PD2i。 假如异常值已经被去除，并已经进行了 PD2i的重新计算，那么，假如 不满足WK30 i,则文件被否决(否决PD2i测试)。
图8B示出了，假如图8A中所示的直接路径没有被选择，将被选 择的TZA和NCA路径(pathway)。假如NCA路径被选择(区间a )， 则大于RRi的3 SD的异常值被去除。可以设置标记，以使这不会发生 第二次。在异常值被去除之后，就NCA的四个准则检查RRi。假如符 合所有准则(是)，那么从每个RRi去除一个噪声位；可以设置标记， 以使这个操作仅可发生一次。继而，再次计算PD2i,并识别被接受 PD2i。假如y。N〉30。/。，那么再一次就a、 b和c范围和所选择的范围检查 PD2i;假如范围是c) (PD2i《1.4),那么该测试 宣布为阳性，该 程序退出。假如范围是a) (PD2i〉1.6),那么该测试被宣布为阴性，继而退出。假如范围是b) (PD2i《1.6且〉1.4)，那么该NCA测试转 到TZA测试，闭锁开关(latch switch)被移动到位置#2 (');在退
出时，闭锁开关可以被复位。
在TZA路径中，首先求得小于3. 0的被接受PD2i的百分比，并且， 假如其百分比大于35% (是)，那么从所有PD2i减去0.2维，该测试 被宣布为阳性并退出。假如不符合TZA准则(否)，那么该TZA为阴 性，该PD2i测试通过闭锁开关的#2被宣布为阴性，并退出。
假如初始范围选择是对应a) (PD2i《1.6且".4)，那么检查小 于3. 0的被接受PD2i的相同百分比，假如符合(是)，那么该测试为 阳性。假如不符合该准则，那么该测试通过闭锁开关的#1位置被转到 NCA,但继而闭锁开关被移动到位置#2以防止连续循环，并宣布该测 试为阴性——假如再次从NCA回到TZA测试的话，因为最小PD2i仍在 过渡带中；在退出时，闭锁开关可以被复位到#1。
IV.实施例
提出下面的实施例，以为本领域普通技术人员提供对本文中所提 出的复合组件(compound )、结构(composition )、物品(article )、 装置和/或方法是如何被实现和评价的完整公开和描述，并意在只是示 例性的而不意在限制范围。已经努力确保数字(例如，量、门限等等) 的准确性，但也应考虑到一些误差和偏差。
A.针对大数据库通过手工分析得到的心跳PD2i结果与通过自动 化分析得到的心跳PD2i结果的比较
对使用相同的大量患者文件(340个ER患者、SBIR的Pilot数据、 JE Skinner、 PI,结果在第一组结果的计算之后已知)通过两种不同 方法获得的结果的盲计算(blinded calculation)进行比较，显示， 77%的结果是相同的。这两种方法是ECG文件的手工分析与自动化分 析，二者的ECG文件是相同的，但都是盲的且编码的。对于这两种方 法，所有21例心律失常死亡(AD)案例是相同的(注意，在第二组计 算中多发现了 1例AD)。对于其余的案例，下面的表2示出了从初始 结果到使用自动化软件的结果的变化。
表2
4使用自动化操作(automation)的数据库中的改变。 所有文件都来自存活了至少一年的ER患者(即，非 AD患者)
ECG文件的数目初始-自动化
29 0/,阴
5 0掘-阳 23 阳-阴
6 阴-阳 2 PM-阴 1 PM-阳
在这两组分析中使用了相同的噪声处理算法(°/。N、 NCA、 TZA、异 常值剔除、Ni规则)。显著的是，29个起初被否决(％N)的文件变成 了真阴性(即，患者存活了一年跟踪期)。同样显著的是，使用自动 化操作，23个原来的假阳性变成了真阴性。 一个AD对象起初被否决， 因为文件太短，从而没有被添加到数据库；但使用自动化操作，注意 到，按照Ni规则，对于在较低PD2i值下的有效计算，有足够的数据。 因为更准确的计算，该自动化操作正确地将6个真阴性文件改变为假 阳性。此外，该自动化操作检测到了 3个因具有起搏器(pacemaker) (PM)而起初被否决的对象，实际上这些对象的起搏器被发现是关闭 的；即，起搏器在ECG被记录时未提供按需起搏(demand pacing)。
对该数据库结果中的29个从。/。N到真阴性的变化的解释是，该自 动化方案辨认出，被否决的文件具有高平均PD2i，从而因为违反了 Ni 规则(Ni<10 exp PD2i)而违反W规则(％N<30);即，该自动化软 件应用这两个规则，并显示出，这些文件具有足够的数据，因此具有 可接受n/。N值。另有五个y。N否决文件变成阳性(假阳性)。因为它们实 际上具有>30的。/。N。对23个从假阳性到真阴性结果的变化的解释是， 在自动化操作过程中更好地去除了异常值，这去除了由剩余的异常值 引起的低PD2i的相关积分标度。
PD2i计算结果的自动化导致了噪声处理算法(％N、 NCA、 TZA、异 常值剔除、Ni规则)的更加协调(consistent)的应用，这样对于大的对象数据库，降低了否决率和假阳性率。
B.心跳PD2i:神经调节是引起心室纤维性颤动的机制中的最终环 节(link)
此处文字将参考图32,其示出，要导致心室纤维性颤动(VF)的 动态不稳定性，既要求"坏的心脏"又要求"坏的脑"。例如，在特 定部位(圆点)处的心脏去神经(cardiac denervation)或脑阻塞 (cerebral blockade)之后，冠状动脉闭塞不导致VF;然而，通常， VF与某种心肌缺血相关联地出现(见Skinner的论述，1987 )。
尚不知道是从坏的心脏到"与"门的传出输入(传出？)还是环 形通过脑中心(圆点)的其传入输入(传入？)。然而，值得注意， 脑中心(圆点)的直接电刺激可以在正常心脏中导致VF (见Skinner， 1985; 1987)。
直线(Rectilinear X HRV )模型基于以下筒单命题(proposition ): 变力性(inotropy )和变时性(chronotropy )是调节心浪t的两个变量。 已知QT间期与心脏变力性(收缩力)成反比，RR-QT与心脏变时性(心 率)成反比。这样，这个陈述有意义每个RRi间期具有一个QTi子 时段和一个RRi-QTi子时段，在该模型中，这些子时段被排布在直线 网格(方格图案(checker board))中，它们的和等于RRi。即，在 图32 (左)中，平面盘中的QT和RR-QT确定RR长度，下一个平面盘 在该长度处出现在该平面盘上方。这是简单的算术。
心率变异性(HRV)的常规度量基于RRi的变异性，其根据动物中 的经验结果(Skinner等人，1991)和患者中的经验结果(回顾， Skinner、 Pratt、 Vybiral， 1993;展望，Skinner等人，2005 )，预 测稍后由缺血引发的VF (心率失常死亡，AD)。不论是QT和RR-QT 定义直线网格还是1/QT和1/RR-QT定义直线网格，对于这两个二维平 面之任一中的每个点，在另一个二维平面中都将有一个等价点，两者
都是直线组成的(rectilinear)。
直线模型显示，变力性和变时性是控制RRi的两个变量(即，RRi 是二维的)，但就该直线模型的三个轴来说，它与非线性(Winfree) 模型(图32，右)十分相似。由Winfree描述的非线性模型(1983, 19817)是三维模型，因为时间维(搏动等待时间(Beat Latency)或RRi)"分解(break down)",并且因此是另一个独立变量。
Winfree的模型基于针对可激发介质中钠、钾和氯化物膜的电导 对非线性Goldman、 Hodgkin、 Huxley方程的计算机模拟，并且受到了 Mines的实验(1914)的影响，Mines首先显示，电流到可激发介质(孤 立的兔心脏)中的R落T上注入(R-on-T injection)常常会导致心 动过速和/或VF。搏动等待时间(时间)不总是完全由刺激强度和联 律间期确定，但通常是。Winfree的三个变量是1)注入的刺激强度， 2)联律间期，即在心博周期中注入电流的时间，和3)到下一次搏动 的等待时间(时间)。Winfree的计算机模拟图显示出了馅饼状色彩
(pie-shaped color)，其表示绘制在联律间期和刺激强度的二维平 面上的等待时间等时线。
图32示出，对于用上述模型之任一确定导致致命心室纤维性颤动
(VF)的动态不稳定性，"坏的脑"和"坏的心脏"似乎都有影响。 示出了 RRi世代(generation) ( Rl， R2, R3，.)的直线(左)和非 线性(右)模型。直线(HRV)模型没有解释VF是如何被导致的，但 非线性(Winfree)模型解释了。在非线性模型中，当穿过刺激强度和 联律间期图(盘，与QT对RR-QT图相似)的搏动等待时间轨迹(相连 接的圆点)落在临界区(点奇点(point singularity)和/或其紧邻 周边(immediate surround))上时，该搏动等待时间轨迹继而在数 学上(即，经由GHK可激发性方程(GHK equations for excitability)) 引发转子(Rotor)(旋转螺旋波(rotating spiral wave ))。这个 引发与R落T上现象相像，但以与T波相同的相向可激发介质注入电 流不总是引发VF。有一个最后环节(最后环节(Last Link))，在 该环节，可激发介质的不应性(refractoriness )由神经系统缩短， 以允许转子波前(rotor wave front)形成。
在图32 (右)中，馅饼状等时线(即，色彩)中的电流注入确定 了位于其上方的下一个盘中的等待时间，除了等时线聚在一起并紧密 地围绕临界点或如他所称的"点奇点"(临界区)盘旋的情形。点奇 点中的电流注入，如在Mines实验中，导致看上去非常像VF的旋转螺 旋波(转子)。即，该模型在数学上(即，通过非线性GHK方程)导 致VF。 Winfree称这个数学螺旋波为"转子"，因为它不是单一的旋转环，而是填充有全都具有相同去极化波前的同心环(即，顶盘中的
径向线)的旋转环。Winfree的解释是，心源性猝死是拓朴学(数学) 问题Uinfree， 1983 )。
已经在真实心肌中的真实生理学VF中观察到这样的具有分等级 的循环环(graded loops of circulation )的数学转子(Gray、 Pertsov 和Jalife, 1998 )。有趣的是，该转子的外环在更早的时候被Gordon Moe和同事在使用较不强大的计算机的计算机模拟中观察到了 (Moe 和Rheinboldt， 1964 ),促成该计算机模拟的是对其中心肌的不应期 (refractory period)具有主要重要性的VF引发(VF initiation) 的生理学研究(Moe、 Harris Wiggers， 1941)。
乍一看，直线和非线性模型似乎十分相似。RR-QT与联律间期相 同。QT是心脏收缩剧烈程度的量度(实际上是1/QT)，刺激强度如同 QT也确定心脏收缩的剧烈程度。在这两个模型中，到下一次搏动的等 待时间也是相同的。在直线模型中，RRi是QTi和RRi-QTi之和，从 而不是独立变量(即，维或自由度)。在Winfree模型中，用等时线 (绘在二维盘上的色彩)表示的等待时间是馅饼状的，因而与直线模 型中的那些直线等时线区别十分明显(例如，比较填充了深色的等时 线)。然而，非线性模型的等时线(临界点)潜在地是全彩(all color) 的，因为所有等待时间都是可能的。
直线模型并未很好地匹配真实生理学数据。例如，QTi对RR-QTi 应该是负斜率直线(Frank-Starling定律)，但它不是(图33,右上)， 并且它周围的"抖动(jitter)"不是噪声(即，因为RRi的PD2i 小，不是无穷大的)。
虽然Winfree模型对于引发和维持转子都具有坚实的数学和生理 学基础(Jalife和Berenfeld， 2004 )，然而，当提到真实的生理学 VF时，事情要复杂少许。缺血类型、心脏尺寸和物种也是有关系的 (Rogers等人，2003; Everett等人，2005 )。但首要的是，在多数 讨论中，具有主要重要性的东西常常被忽略，这就是脑和神经系统在 VF的因果机制中的作用。
在图34-36中，示出了来自在VF之前几分钟内记录了其高分辨率 ECG的心脏病患者的数据。虽然RRi保持相当恒定，但在较高增益下所见的变化(图34 )显示出6至8个搏动振荡(beat oscillation), 这些振荡是正弦的，并自然地导致在1. 00附近的平均PD2i(即，1. 07; 所有正弦曲线的自由度都是l. 00)。
在这个AD患者的ECG中，有两个异位的室性早搏(premature ventricular complex) (PVC),其等价于电流注入。如图36所示， 每个PVC,就其R波而言，具有相同的振幅(随着它们从不同方向朝 电极前进，它们向下偏转)并具有相同的联律间期——其精确地相同 并完全重合。这两个异位的搏动表示在相同联律间期的相同电流注入， 即，就高分辨率ECG所能够确定的而言，仍有一个PVC导致VF，而另 一个不。
观察到的这两个PVC的区别是，在电流注入之后，对于导致VF的 那个PVC，从不应性恢复更迅速。即，不应性允许电流注入导致转子。 这个从不应性恢复方面的区别必然与心肌的神经调节有关，因为通过 夕卜围横断(peripheral transsection )或中心神经阻塞进行去神经， 将防止冠状动脉闭塞之后出现VF (Skinner, 1985; 1987 )。
在Winfree的模型中，可激发介质的不应性完全由向外钾电 导一一其与由钠电导导致的去极化联合一一控制(即，不应性保持恒 定)。在真实心脏组织中，在从不应性恢复期间，还有其他电导被打 开，或许是用于维持VF的电导(Jalife和Berenfeld， 2004 )。但其 在从搏动到搏动基础上(on a beat-to-beat basis)的控制如何呢？
在从搏动到搏动基础上，是遍及心肌突出的神经可以几乎瞬间地 释放化学物质并改变膜电导。或许因为对针对孤立心肌的工作的强烈 关注，这个类型的VF调节似乎已经被忽略。在迅速改变脑状态一一已 知其可以改变对VF的心脏脆弱性——期间对活体内心脏不应性的直 接测量，证实了这个重要的神经调节(Skinner, 1983 )。
是较短的不应性一 一其是该因果事件中的最后环节一一导致VF。 减小的PD2i,其是限定的临床群体中的AD (VF)的预测器，也是神经 调节是否可能缩短不应性的预测器。因为心跳的PD2i是心脏之神经调 节的量度(Meyer等人，1996 )，所以预期它与不应性的该迅速恢复 是否发生关联。在图33-36中所见的证据显示，VF的因果机制中的最 终环节是这样的神经调节其确定Winfree模型中的临界点处的缺血引起的异位电流注入是否将导致转子。
图33示出了一个AD患者的R-R间期的PD2i的非线性分析，该患 者显示出两个大PVC (上，箭头)，其中一个PVC导致心室纤维性颤 动(见图35和36)，另一个不。根据左下象限中的最后28个点的相 关积分，绘出了它们的PD2i,因为它们仅有9个点在最小斜率下并被 PD2i软件中的判据否决；即，最小斜率判据从10变为9，这被认为是 合理的，因为Ni小；然而，按Ni规则——其中Ni>10 exp PD2i，小 Ni是恰当的。
图34示出，上述AD患者的R-R间期并不是真正平坦的，而是具 有周期为6至8个心跳的正弦振荡。左下图中的相关积分(M-1至12) 示出了大约相同斜率(斜率=1)的线性标度和斜率对M图中的迅速收 敛，如在右下图中所见。
图35示出了上述AD患者的ECG，其中PVC(大的向下偏转)紧接 着最后的T波波峰出现，并引发了小的迅速转子，该转子继而导致较 慢、较大的转子。注意，ST段提升指示存在急性心肌缺血(冠状动脉 功負fe不全(coronary insufficiency))。
图36显示，未引起转子的PVC (PVC,无R波)和引起转子的PVC 的联律间期正好是相同的，因为这两条始于极左侧的轨迹的向下偏转 一直到T波波峰都完全重叠。即，在左侧的在前R-R间期是相同的， 并且这两个PVC的异位R波的端部之间的凹口 (N)(异位R偏转是向 下的)和向上走的T波都完全重叠。但引起转子的PVC显示出向下T 波的、就发生在小振幅转子(转子)的开始之前的较短恢复。示出转 子的剩余部分的轨迹已经被终止(大圆点)，以便不覆盖其他两条轨 迹；在图35中可以完整地看到。这一从不应性的更迅速恢复似乎是允 许转子被引发的触发事件(即，不是通过Winfree模型)。预测此易 感性(susceptibility)的减小的PD2i是缘于心跳调节器(图32中 的圆点)之间的"协同性"。心跳的唯一神经调节的该指示似乎也控 制从不应性的更迅速恢复，因为神经阻塞会防止猪模型的冠状动脉闭 塞中的VF。不引起转子的PVC之后的T波显示出对下一个R波的抑制 (PVC，无R波)和下一个T波波形中波紋(ripple)的出现(在PVC 之后)；后者可以指示被较长的不应性中止的被中断转子。在VF的机制中，后电流注入(post-current-injection)不应性控制是重要的。 具有短的不应性的可能性在心跳PD2i的低维数中似乎是固有的，因为 它准确地预测VF的发作。
总之，在可激发介质模型一一如心脏(图35)——中机械地(即， 在数学上)导致VF的触发事件(图32),不仅与该事件在Winfree 模型中的刺激强度和联律间期平面(即，色彩)中的位置有关，而且 也与紧随它被注入可激发介质的操作的时段中的不应性神经控制(图 36)有关。此神经机制没有被Winfree模型解决，因为它出现在电流 注入之后，所以在图32中所见的因果触发事件中的最终环节是这样的 神经调节其确定临界区中的RRi轨迹在生理学上是否被允许产生VF。
虽然已经结合优选实施方案和具体实施例描述了上述方法、系统 和计算机可读介质，但并不意在将范围限制在所阐述的特定实施方案， 因为本说明书中的实施方案意在在所有方面都是说明性的而不是限制 性的。
除非另有明确规定，本说明书中阐述的任何方法绝不意在被解释 为要求以特定顺序执行其步骤。因此，若方法权利要求实际上没有通 过其步骤来陈述要遵循的顺序，或者若在权利要求或描述中没有以其 它方式特别规定这些步骤被限制为特定顺序，则在任何方面都绝不意 在推断出某顺序。这适用于任何可能的用于进行解释的未表明的内容， 包括关于步骤安排或操作流程的逻辑问题；从语法组织或标点得出 的明显含义；本说明书中描述的实施方案的数目或类型。
整个申请引用了多种出版物。这些出版物的公开内容全部通过引 用纳入本申请，以更全面地描述上述方法、系统和计算机可读介质所 属领域的现有技术。
对本领域技术人员显而易见的是，在不脱离上述方法、系统和计 算机可读介质的范围和主旨的前提下，可以做出多种修改和变化。通 过考虑本说明书及其中所公开的实践，其他实施方案对本领域技术人 员是显而易见的。意在本说明书和实施例仅被认为是示例性的，上述 方法、系统和计算机可读介质的真正范围和主旨由下列权利要求指明。
权利要求
1.一种降低与电生理学数据关联的噪声以更有效地预测心律失常死亡的自动化方法，该方法的步骤包括定义多个具有关联的间期数据的间期，其中每个间期与对应于所述电生理学数据的第一部分的轨迹的相继部分之间的持续时间关联；使用数据处理例程分析所述多个间期，以产生维数数据；当维数数据小于第一门限时，从所述间期数据中去除至少一个极值，其中去除至少一个极值产生精确维数数据；使用数据处理例程分析所述精确维数数据，以产生可接受维数数据；和当所述可接受维数数据低于第二门限且高于限制条件时，预测心律失常死亡。
2. 权利要求l的方法，还包括确定所述电生理学数据是脑电图数 据还是心电图数据。
3. 权利要求2的方法，还包括噪声修正算法。
4. 权利要求3的方法，其中所述噪声修正算法选自由NCA噪声修 正算法和TZA噪声修正算法构成的噪声修正算法组。
5. 权利要求2的方法，当所述电生理学数据是脑电图数据时，还 包括EEG数据算法。
6. 权利要求5的方法，其中所述EEG数据算法还包括以下步骤 选择线性判据；选择绘图长度； 选择tau; 选择收敛判据；和根据对线性判据、绘图长度、tau和收敛判据的选择，定义被接 受PD2i值。
7. 权利要求1的方法，其中去除所述至少一个极值包括以下步骤 在所述多个间期中识别一异常间期，其中所述异常间期在偏差门限以外；为所述异常间期定义线性样条；和 用所述线性样条覆盖所述异常间期。
8. 权利要求l的方法，其中所述数据处理例程是PD2i算法。
9. 权利要求l的方法，其中所述第一门限是1.4。
10. 权利要求l的方法，其中所述第二门限是1.4。
11. 权利要求l的方法，其中所述限制条件是被接受或精确维数 数据的。/。N高于第三门限。
12. 权利要求ll的方法，其中所述第三门限是百分之30。
13. —种降低与电生理学数据关联的噪声以更有效地预测心律失 常死亡的方法，该方法的步骤包括从所述电生理学数据形成RRi间期；根据所述RRi间期定义被接受PD2i值；确定所迷被接受PD2 i值是否小于第 一 门限值；当所述被接受PD2i值小于所述第一门限值时，去除RRi异常值；根据所述RRi异常值的去除，定义精确被接受PD2i值；确定所述被接受PD2i值或精确被接受PD2i值是否低于第二门限;和当所述被接受PD2i值或精确被接受PD2i值低于所述第二门限且 高于第一限制条件时，预测心律失常死亡。
14. 权利要求13的方法，还包括，当确定所述被接受PD2i值或 精确被接受PD2i不低于所述第二门限时，确定所述被接受PD2i值或 精确被接受PD2i值是否高于第三门限。
15. 权利要求14的方法，还包括，当确定所述被接受PD2i值或 精确被接受PD2i值不高于所述第三门限时，应用过渡带修正。
16. 权利要求15的方法，其中应用所述过渡带修正还包括以下步遞.确定所述被接受PD2i值或精确被接受PD2i值是否高于所述第一限制条件；确定用于所述被接受PD2i值或精确被接受PD2i值的第二限制条 件是否低于第四门限；从所述被接受PD2i值或精确被接受PD2i值减去一偏移量；和 根据所述偏移量的减去，预测心律失常死亡。
17. 权利要求14的方法，还包括，当确定所述被接受PD2i值或精确被接受PD2i值高于所述第三门限时，应用噪声含量修正。
18. 权利要求13的方法，还包括将所述电生理学数据分为脑电图 数据类。
19. 权利要求13的方法，其中所述第一门限是1.4。
20. 权利要求13的方法，其中所述第二门限是1.4。
21. 权利要求13的方法，其中所述第一限制条件是被接受或精确 维数数据的n/。N高于第五门限。
22. 权利要求21的方法，其中所述第五门限是百分之30。
23. 权利要求14的方法，其中所述第三门限是1.6。
24. 权利要求16的方法，其中所述第二限制条件是小于3的被接 受或精确PD2i值的百分比。
25. 权利要求16的方法，其中所述第四门限是百分之35。
26. —种降低与电生理学数据关联的噪声以更有效地预测心律失 常死亡的方法，该方法的步骤包括将所述电生理学数据与第一数据类型关联；从所述电生理学数据形成RRi间期；根据所述RRi间期定义被接受PD2i值；确定所述被接受PD2i值是否小于第一门限值；当所述被接受PD2i值小于所述第一门限值时，去除异常值；根据异常值的去除，定义精确被接受PD2i值；确定所述被接受PD2i值或精确被接受PD2i值是否低于第二门限;当所述被接受PD2i值或精确被接受PD2i值低于所述第二门限且 高于限制条件时，预测心律失常死亡；当确定所述被接受PD2i值或精确被接受PD2i值不低于所述第二 门限时，确定所述被接受PD2i值或精确被接受PD2i值是否高于第三 门限；当确定所述被接受PD2i值或精确被接受PD2i值不高于所述第三 门限时，应用过渡带修正；和当确定所述被接受PD2i值或精确被接受PD2i值高于所述第三门 限时，应用噪声含量修正。
27. 权利要求26的方法，其中应用过渡带修正包括从所述被接受PD2i值或精确被接受PD2i值减去一偏移量；和 根据所述偏移量的减去，预测心律失常死亡。
28. 权利要求26的方法，其中应用噪声含量修正包括 去除大于预定数量的所述RRi间期之标准差的异常值； 确定所迷RRi间期是否符合NCA准则的预定数； 假如符合NCA准则的预定数，从每个RRi间期去除一个噪声位； 根据RRi间期重新定义被接受PD2i值；和 根据重新定义的PD2i值，预测心律失常死亡。
29. 权利要求26的方法，其中所述第一数据类型选自由以下数据 类型构成的组脑电图数据；和 心电图数据。
30. 权利要求26的方法，
31. 权利要求26的方法
32. 权利要求26的方法
33. 权利要求26的方法， 数据的。/。N高于第四门限。
34. 权利要求33的方法，其中所迷第四门限是百分之30。
35. —个用于降低与用于预测心律失常死亡的电生理学数据关联 的噪声的系统，该系统包括处理器，其被耦合以接收所述电生理学数据；存储装置，其带有与所述处理器通信的噪声修正软件，其中所述 噪声修正软件控制所述处理器的运作并使所述处理器 从所述电生理学数据形成RRi间期； 根据所述RRi间期定义被接受PD2i值； 确定所述被接受PD2i值是否小于第一门限值； 当所迷被接受PD2i值小于所述第一门限值时，去除异常值； 根据异常值的去除，定义精确被接受PD2i值； 确定所述被接受PD2i值或精确被接受PD2i值是否低于第二 门限；和当所述被接受PD2i值或精确被接受PD2i值低于所述第二门其中所迷第一门限是1.4。 其中所述第二门限是1.4。 其中所述第三门限是1.6。 其中所述限制条件是被接受或精确维数限且高于限制条件时，预测心律失常死亡。
36. 权利要求35的系统，还包括使所述处理器 当确定所述被接受PD2i值或精确被接受PD2i不低于所述第二门限时，确定所述被接受PD2i值或精确被接受PD2i值是否高于第三门 限；当确定所述被接受PD2i值或精确被接受PD2i值不高于所述第三 门限时，应用过渡带修正；和当确定所述被接受PD2i值或精确被接受PD2i值高于所述第三门 限时，应用噪声含量修正。
37. 权利要求36的系统，还包括使所述处理器 从所述,皮接受PD2i值或精确#1接受PD2i值减去一偏移量；和 根据所述偏移量的减去，预测心律失常死亡。
38. 权利要求36的系统，还包括使所述处理器 去除大于预定数量的所述RRi间期之标准差的异常值； 确定所述RRi间期是否符合NCA准则的预定数； 假如符合NCA准则的预定数，从每个RRi间期去除一个噪声位； 根据RRi间期重新定义被接受PD2i值；根据重新定义的PD2i值，预测心律失常死亡。
39. 权利要求35的系统，其中所述第一数据类型选自由以下数据 类型构成的组脑电图数据；和 心电图数据。
40. 权利要求35的系统，其中所述第一门限是1.4。
41. 权利要求35的系统，其中所述第二门限是1.4。
42. 权利要求35的系统，其中所述第三门限是1.6。
43. 权利要求35的系统，其中所述限制条件是被接受或精确维数 数据的。/。N高于第四门限。
44. 权利要求43的系统，其中所述第四门限是百分之30。
45. —种计算机可读介质，其具有降低与电生理学数据关联的噪 声以更有效地预测心律失常死亡的指令，所述指令包括以下步骤从所述电生理学数据形成RRi间期；根据所述RRi间期定义被接受PD2i值； 确定所述被接受PD2i值是否小于第一门限值； 当所述被接受PD2i值小于所述第一门限值时，去除异常值； 根据异常值的去除，定义精确被接受PD2i值； 确定所述被接受PD2i值或精确被接受PD2i值是否低于第二门限;和当所述被接受PD2i值或精确被接受PD2i值低于所述第二门限且 高于限制条件时，预测心律失常死亡。
46. 权利要求45的计算机可读介质，还包含包括以下步骤的指令: 当确定所述被接受PD2i值或精确被接受PD2i不低于所述第二门限时，确定所述被接受PD2i值或精确被接受PD2i值是否高于第三门 限；当确定所述被接受PD2i值或精确被接受PD2i值不高于所述第三 门限时，应用过渡带修正；当确定所述被接受PD2i值或精确被接受PD2i值高于所述第三门 限时，应用噪声含量修正。
47. 权利要求46的计算机可读介质，还包含包括以下步骤的指令: 从所述被接受PD2i值或精确被接受PD2i值减去一偏移量； 根据所述偏移量的减去，预测心律失常死亡。
48. 权利要求46的计算机可读介质，还包含包括以下步骤的指令: 去除大于预定数量的所述RRi间期之标准差的异常值； 确定所述RRi间期是否符合NCA准则的预定数； 假如符合NCA准则的预定数，从每个RRi间期去除一个噪声位； 根据RRi间期重新定义被接受PD2i值； 根据重新定义的PD2i值，预测心律失常死亡。
49. 权利要求45的计算机可读介质，其中所述第一数据类型选自 由以下数据类型构成的组脑电图数据；和 心电图数据。
50. 权利要求45的计算机可读介质，其中所述第一门限是1.4。
51. 权利要求45的计算机可读介质，其中所述第二门限是1.4。
52. 权利要求45的计算机可读介质，其中所述第三门限是1.6。
53. 权利要求45的计算机可读介质，其中所述限制条件是被接受 或精确维数数据的。/。N高于第四门限。
54. 权利要求"的计算机可读介质，其中所述第四门限是百分之30。
全文摘要
提供了用于降低与电生理学数据关联的噪声以更有效地预测心律失常死亡的方法、系统和计算机可读介质。
文档编号A61B5/04GK101616629SQ200780040738
公开日2009年12月30日 申请日期2007年8月30日 优先权日2006年8月31日
发明者D·H·菲特, J·E·斯金纳, J·M·安珍 申请人:非线性医药有限公司