专利名称：脉搏信号波形数据的诊断分类的制作方法
脉搏信号波形数据的诊断分类相关申请的交叉引用本申请要求2010年5月14日在印度提交的申请号为1542/MUM/2010的相应专利申请的优先权益，将其全部内容在此一并引入作为参考。
背景技术：
由于心脏(或机器)喷出血液而导致血管(通常为动脉)的搏动感觉被称为脉搏。脉搏是由于遍及动脉系统的血液的突然喷出和血液的传送而导致的动脉的急剧扩张。心脏的左心室收缩并将血液 喷入主动脉，主动脉携带血液通过外周动脉的分支注入各个器官和组织。临床医师感知到的动脉脉搏是大的可接近的动脉中的压力脉搏。通常，可以在诸如桡动脉、颈动脉、锁骨下动脉、臂部、股骨膝后弯、后胫骨、上脚面之类的部位诊察到脉搏，在临床实践中，通常的脉搏诊察部位是桡动脉。脉搏与左心室、主动脉和外周动脉的各种事件相关，因而脉搏反映了相关器官的状态。常见的脉搏诊察应用是心跳的测量，因为每次搏动都是心室收缩的结果。例如，脉搏的缺失可能暗示血栓的栓塞或剥离，减弱的脉搏可能与血管病理或心脏功能损伤相关。在低心脏输出中发现低容量和幅度(运动退减)的脉搏，而高容量和幅度(运动过度)的脉搏是例如焦虑、锻炼、发烧甲亢和贫血的征兆。还与其他功能和事件(例如，吸气与呼气相关改变作为奇脉)结合来研究脉搏。脉搏根据各种因素(如年龄、时间、疾病状态(例如，发烧时加快)、正在进行的治疗等)而改变，这些方面有助于医生对患者进行诊断。因而，脉搏诊察在评估药物反应和患者监测时也是有帮助的。存在研究通过动脉的血流的各种入侵式和非入侵式方法。入侵式方法包括插入导管来研究动脉中的血流。非入侵式技术包括多普勒超声探测、压力传感器和阻抗体积描记法(例如，基于体表电阻抗的测量来确定改变的体内组织体积)。基于脉搏诊察的研究目前致力于心血管健康、风险因素的识别和疾病的早期检测。
发明内容
在一个示例方面，提供了一种用于做出脉搏信号波形数据的诊断分类的方法，所述方法包括:接收脉搏信号波形数据；识别所述脉搏信号波形数据中与指示心跳的收缩峰相对应的收缩峰数据点；以及基于所述收缩峰数据点，识别所述脉搏信号波形数据中的波群。波群包括所述脉搏信号波形数据中大约在起始数据点与结束数据点之间的子波形，每个波群包括在起始点与结束点之间的偏转数据点。所述偏转数据点之一是与心跳相对应的收缩峰。所述方法还包括:确定波群的模式分布，所述波群的模式分布指示所述脉搏信号波形数据的波群中出现的脉搏模式的频率。所述方法还包括:基于所述模式分布，做出所述脉搏信号波形数据的诊断分类。在另一示例方面，提供了一种计算机可读介质，存储由计算设备可执行以使计算设备执行功能的指令。所述功能包括:接收脉搏信号波形数据；识别所述脉搏信号波形数据中与指示心跳的收缩峰相对应的收缩峰数据点；以及基于所述收缩峰数据点，识别所述脉搏信号波形数据中的波群。所述波群包括所述脉搏信号波形数据中大约在起始数据点与结束数据点之间的子波形，每个波群包括在起始点与结束点之间的偏转数据点。所述偏转数据点之一是与心跳相对应的收缩峰。所述方法还包括:确定波群的模式分布，所述波群的模式分布指示所述脉搏信号波形数据的波群中出现的脉搏模式的频率；以及基于所述模式分布，做出所述脉搏信号波形数据的诊断分类。在另一示例方面，提供了一种系统，所述系统包括存储脉搏信号已知模式的数据库；用于接收脉冲信号波形数据的输入接口 ；以及用于识别所述脉搏信号波形数据中与指示心跳的收缩峰相对应的收缩峰数据点的处理器。所述处理器还基于所述收缩峰数据点，识别所述脉搏信号波形数据中的波群，所述波群包括所述脉搏信号波形数据中大约在起始数据点与结束数据点之间的子波形。每个波群包括在起始点与结束点之间的偏转数据点，以及所述偏转数据点之一是与心跳相对应的收缩峰。使用所述偏转数据点，处理器将每个波群与数据库中脉冲信号已知模式进行比较，并做出所述脉搏信号波形数据的诊断分类。以上发明内容仅仅是说·明性的，而绝不是限制性的。除了上述示例性的各方案、各实施例和各特征之外，参照附图和以下详细说明，将清楚其他方案、其他实施例和其他特征。
图1示出了用于接收和分析医疗数据的系统的示意性实施例。图2示出了被设置为接收和分析医疗数据的计算设备的示意性实施例。图3示出了用于分析脉搏信号波形数据以诊断疾病的方法的示意性实施例的流程图。图4示出了用于分析脉搏信号波形数据的另一方法的示意性实施例的流程图。图5示出了脉搏信号波形数据的示意性实施例。图6-10示出了部分脉搏信号波形数据的示意性实施例，其中标记了数据点。图11-22示出了来自糖尿病患者的部分脉搏信号波形数据的示意性实施例。图23-28示出了来自非糖尿病主体(例如,健康主体或患有其他疾病的主体)的部分脉搏信号波形数据的示意性实施例。
具体实施例方式在以下详细说明中，参考了作为详细说明的一部分的附图。在附图中，类似符号通常表示类似部件，除非上下文另行指明。
具体实施方式
部分、附图和权利要求书中记载的示例性实施例并不是限制性的。在不脱离在此所呈现主题的精神或范围的情况下，可以利用其他实施例，且可以进行其他改变。应当理解，在此一般性记载以及附图中图示的本公开的各方案可以按照在此明确和隐含公开的多种不同配置来设置、替换、组合、分割和设计。当今高压力导致的生活方式带来了全球范围的非传染疾病负担。糖尿病(DM)是引起高死亡率和高发病率的代谢疾病。根据国际糖尿病联合会，例如，预计印度在2025年DM的发病率会提高195%。早期诊断和管理可以防止并发症，并因而例如拯救过早死亡，并防止重要器官(如肾、视网膜、心脏和血管)的衰竭。在示例实施例中，描述了用于糖尿病(DM)诊断或预测的系统和方法。可以通过分析脉搏并将脉搏与发现指示主体正患有DM的形态学模式进行比较，以执行DM的诊断或预测。在一方面，例如，可以基于阻抗体积描记原理，使用生物电传感器，经由手腕电极来捕获脉搏信号，并使用特征提取对该脉搏信号进行处理，以对主体的DM倾向性进行诊断和评估。脉搏信号和脉搏形态学模式的分析提供了用于诊断DM的体外、非入侵式和低成本方法。此外，示例实施例中的方法和系统可以用于分析脉搏类型，以诊断其他疾病。例如，心律改变可以特定于某些疾病(例如，心颤中的不规则脉搏)，可以将其他脉搏模式识别为指示其他疾病。现在参照附图，图1是用于接收和分析医疗数据的系统。该系统包括向显示设备102进行输出的医疗设备100。医疗设备100包括输入接口 104，用于接收来自患者的医疗读数，并向处理器106发送该医疗读数。医疗读数可以包括例如患者的脉搏信号波形数据。可以随时间连续接收脉搏信号波形数据，或者可以随时间接收表示脉搏信号的数据。输入接口 104还可以从用户接收输入，例如包括处理医疗读数的指令。处理器106访问存储器108来执行存储于其中的任一软件功能110，例如接收医疗读数、分析并处理读数、并向显示设备102呈现数据。处理器106还访问存储器108来获取存储的历史数据112、或过去的医疗结果、包括患者的家族历史数据、患者的人体测量数据等的个人健康/医学数据，并且可以将历史数据112与接收到的医疗读数组合，以处理接收到的医疗读数。处理器106可以通过输出接口 114向显示设备102输出结果。例如，还可以提供系统总线或等同系统以实现医疗设备100与显示设备104的各元件之间的通信。医疗设备100通常可以是手持设备、膝上型计算机或个人计算机、诸如工作站和多处理器之类的更大型计算机。医疗设备100还可`以包括输入设备，如键盘和/或两键或三键鼠标(如果需要)。计算系统领域的技术人员将会理解，示例实施例不限于用于医疗设备100的计算机的任何特定类或模型，能够选择适合的系统。医疗设备100可以附在床/床垫/床罩上，以记录主体放松时的脉搏记录，例如，记录静态心率脉搏信号。此外，输入接口 104可以独立于医疗设备100，并且可以包括用于收集来自主体的所需医疗读数的任何标准医疗接口。例如，为了收集脉冲信号，输入接口104可以包括或连接到手腕脉搏信号设备。输入接口 104还可以连接到其他脉搏收集信号设备，如连接到如小腿、脚趾之类的身体的其他区域的那些类型的脉搏收集信号设备。此外，输入接口 104和输出接口 114可以是或可以包括任何标准计算机接口，并且可以包括例如键盘、触摸屏显示器等。然而，也可以使用其他接口。此外，存储器108可以包括主存储器和次级存储器。主存储器可以包括随机访问存储器(RAM)。主存储器还可以包括任何附加或可选存储器设备或存储器电路。也可以提供次级存储器，并且次级存储器可以是永久存储器，如只读存储器(ROM)、光或磁盘、紧致盘只读存储器(CD-ROM)、或任何其他易失性或非易失性存储系统。例如，存储器108也可以包括可由处理器106执行的更多软件功能110，用于记录来自患者的信号并将该信号解译为医疗读数。可以使用机器语言指令或具有面向对象指令(如，Java编程语言)的软件来提供软件功能110。然而，也可以使用其他编程语目(如，C++编程语目)。
处理器106可以根据操作系统进行操作，该操作系统可以是任意适合的商用嵌入式或基于盘的操作系统，或任意专用操作系统。处理器106可以包括一个或多个较小的中央处理单元，例如包括可编程数字信号处理引擎。处理器106还可以实现为单个应用特定集成电路(ASIC)以提高速度并节约空间。还应理解，这里描述的上述和其他设置仅出于示例目的。因而，本领域技术人员将会理解，也可以使用其他设置和其他元件(例如，机器、接口、功能、命令和功能分组等)作为替代，并根据所需结果省略一些元件。此外，所描述的许多元件是可以实现为分立或分布式组件、或以任意适合组合和在任意适合位置与其他组件相结合的功能实体。图2是示出了被设置为接收和分析医疗数据的另一示例计算设备200的框图。在非常基本的配置202中，计算设备200典型包括一个或多个处理器204和系统存储器206。存储器总线208可以用于在处理器204与系统总线206之间进行通信。根据期望配置，处理器204可以具有任意类型，包括但不限于微处理器(μ P)、微控制器(μ C)、数字信号处理器(DSP)或其任意组合。处理器204可以包括多于一级的缓存，如一级缓存210和二级缓存212，处理器内核214和寄存器216。示例处理器内核214可以包括:算术逻辑单元(ALU)、浮点单元(FPU)、数字信号处理内核(DSP内核)、或其任意组合。存储器控制器218也可以与处理器204 —起使用，或者在一些实施方式中，存储器控制器218可以是处理器204的内部部件。根据期望配置，系统存储器206可以是任意类型的，包括但不限于易失性存储器(如RAM)、非易失性存储器(如ROM、闪存等)、或其任意组合。系统存储器206可以包括操作系统220、一个或多个应用程序222、和程序数据224。应用程序222可以包括被设置为例如依据计算设备200的配置，执行下述图3-4中所示任一功能的算法226。程序数据224可以包括例如患者的脉搏信号波形数据228。在一些示例实施例中，应用程序922可以被设置为与操作系统220上的程序数据224进行操作。所描述的基本配置在图2中通过虚线202内的那些组件示出。 计算设备200可以具有额外特征或功能以及额外接口，以有助于基本配置202与任意所需设备和接口之间进行通信。例如，总线/接口控制器230可以有助于基本配置202与一个或多个数据存储设备232之间经由存储接口总线234进行通信。数据存储设备232可以是可移除存储设备236、不可移除存储设备238、或其组合。可移除存储设备和不可移除存储设备的示例包括磁盘设备(如软盘驱动器和硬盘驱动器(HDD))、光盘驱动器(如高密度盘(CD)驱动器或数字多功能盘(DVD)驱动器)、固态驱动器(SSD)以及磁带驱动器，这仅仅是极多例子中的一小部分。示例计算机存储介质可以包括以任意信息存储方法或技术实现的易失性和非易失性、可移除和不可移除介质，如计算机可读指令、数据结构、程序模块或其他数据。系统存储器206、可移除存储设备236和不可移除存储设备238均是计算机存储介质的示例。计算机存储介质包括(但不限于):RAM、ROM、EEPR0M、闪存或其他存储器技术，CD-ROM、数字多功能盘(DVD)或其他光存储设备，磁盒、磁带、磁盘存储设备或其他磁存储设备，或可以用于存储所需信息并可以由计算设备200访问的任意其他介质。任何这种计算机存储介质可以是计算设备200的一部分。计算设备200还可以包括接口总线240，以有助于各种接口设备(例如，输出接口、外设接口和通信接口)经由总线/接口控制器230与基本配置202进行通信。示例输出设备242包括图形处理单元244和音频处理单元246，其可被配置为经由一个或多个A/V端口248与各种外部设备(如显示器或扬声器)进行通信。示例外设接口 250包括串行接口控制器252或并行接口控制器254，它们可被配置为经由一个或多个I/O端口 256与外部设备(如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备等))或其他外设(例如，打印机、扫描仪等)进行通信。示例通信设备258包括网络控制器260，其可以被设置为经由一个或多个通信端口 264与一个或多个其他计算设备262通过网络通信链路进行通信。通信连接可以是通信介质的一个示例。通信介质典型地可以由调制数据信号中的计算机可读指令、数据结构、程序模块或其他数据来体现，并可以包括任意信息传送介质。“调制数据信号”可以是通过设置或改变一个或多个特性而在该信号中实现信息编码的信号。例如，但并非限制性地，通信介质可以包括:有线介质(如有线网络或直接布线连接)、以及无线介质(例如声、射频(RF)、微波、红外(IR)和其他无线介质)。在一些示例中，本文所使用的术语计算机可读介质可以包括存储介质、通信介质或二者。计算设备200可以实现为小体积便携式(或移动)电子设备的一部分，如蜂窝电话、个人数据助理(PDA)、个人媒体播放设备、无线web浏览设备、个人耳机设备、专用设备或包括任意上述功能的混合设备。计算设备200也可以实现为个人计算机，包括膝上型计算机和非膝上型计算机配置。图1中的医疗设备100或图2中的计算设备200可以被配置为操作以接收脉搏信号并分析脉搏信号以诊断 疾病，如糖尿病(DM)。例如，可以通过将脉搏信号与已发现指示主体患有DM的形态学模式进行比较来执行DM的诊断。图3示出了用于分析脉搏信号波形数据以诊断疾病的方法200的示意性实施例的流程图。应当理解，对于这里公开的这一或其他过程，流程图示出了本实施例的一种可能实施方式的功能和操作。在这点上，每个块可以表示模块、部分、或程序代码的一部分，包括可由处理器执行以实现过程中的特定逻辑功能或步骤的一个或多个指令。例如，程序代码可以存储在任意类型的计算机可读介质上，如包括盘或硬驱动的存储设备。此外，每个块可以表示连线以执行过程中的特定逻辑功能的电路。可选实施方式包括在本公开的示例实施例的范围内，其中如本领域技术人员可以合理地理解，可以依据所涉及的功能，按照与所示出或所讨论的顺序不同的顺序(包括基本并发或相反顺序)来执行功能。最初，在块302收集患者数据。患者数据可以包括各种临床调查的测试结果，包括例如生物化学(例如，糖)、血液学、心电图、血管造影、脂类、X射线和其他相关调查。此外，患者数据可以包括患者的个人健康或医疗数据，如患者的个人信息、如针对像糖尿病、高血压、缺血性心脏病或其他代谢疾病或条件之类的疾病的风险因数，如来自父母的家族历史。患者数据还可以包括例如观察到的患者的体征和症状或人体测量数据，如高度、体重、身体质量指数(BMI)和腰臀比。接下来，在块304收集脉搏信号波形数据。可以通过随时间记录基于阻抗静脉搏动描记法或阻抗体积描记法(IPG)的脉搏信号数据来收集脉搏信号波形数据。基于IPG的脉搏数据可以指示反映血量变化的身体区域电阻的小变化。例如，可以使用生物电传感器，从主体的手腕获取或捕获脉搏信号。脉搏信号可以是通过使用生物电传感器捕获的阻抗体积描记脉搏信号。所收集的脉搏信号指示身体部分(如主体的手腕)中阻抗的变化率。此夕卜，可以在一段时间上收集脉搏信号，如大约5分钟，并且可以将脉搏信号配置为脉搏信号波形数据。例如，脉搏信号波形数据可以是周期性的或基本周期性的。可以在任意时间段上记录脉搏信号。在一些示例中，为了获得脉搏信号波形数据的多个模式，记录间隔可以是至少约I分钟。此外，由于脉搏信号波形数据是周期性的，长间隔不会提供任何附加信息。已发现大约5分钟的间隔提供有效和可靠的数据量。针对一些示例，在良好的条件下(例如，低噪、低扰)，可以将间隔缩短为大约4分钟。然而，可以针对在任意时间间隔上收集的脉搏信号波形数据来执行方法300。例如，针对大约5分钟的间隔，结果会更加准确可靠。接下来，在块306，处理脉搏信号波形数据。在一个示例中，还可以处理脉搏信号波形数据，并将其转换为例如ASCII格式。脉搏信号波形数据可以数字化为二进制格式，然后可以分解为以ASCII格式存储的时间序列数据。为了这样做，输入二进制数据，数据的前四个字节可以表示采样计数。例如，采样计数指示捕获的多个数据点或记录。可以以两个字节的序列存储数据，进而转换为表示在某时刻的阻抗的长数(例如，十进制数)。类似地，可以根据多个两个字节的集合来计算阻抗，可以确定阻抗变化率，并作为文本文件中以逗号隔开的值来随时间输出，例如输出ASCII格式的脉搏时间序列数据文件。在另一示例中，进一步处理脉搏信号波形数据，以去除信号噪声。例如，使用带通滤波对脉搏信号波形数据的不期望频率进行滤波，以降低背景噪声并优化信噪比。为了去除信号噪声，可以使用ASCII格式的脉搏时间序列数据文件。针对在大约5分钟上收集并以大约IOOHz的频率采样的脉搏信号波形数据，收集到大约30，000个数据点。例如，可以通过向数据应用快速傅里叶变换(FFT)算法，对30，000个数据点执行离散傅里叶变换，以将数据点分解为不同频率的分量。接下来，可以获得FFT分解后的数据点的功率谱密度，并且可以识别集中了高信号功率或高强度的频率。可以确定反映了低信号功率或低能量的阈值。可以对FFT分解后的数据点应用阈值滤波技术，以将在具有比阈值小的能量的频率处的FFT系数设置为零。 可以向修改后的FFT系数应用逆FFT (iFFT)，以提供去噪的脉搏信号波形数据。接下来，在块308，识别脉搏信号波形数据的特征。由于脉搏信号波形数据的输入数据包括大约30，000个数据点，并且由于脉搏信号波形数据是基本周期性的，所以数据点可以包括重复或冗余信息。因而，可以将数据点变换为保留了有用信息的缩减的特征表示集合，并可以丢弃冗余信息。由于脉搏信号波形数据是基本周期性的，所以脉搏信号波形数据包括子波形或波群。为了识别脉搏信号波形数据的特征，提取波群，波群由脉搏信号波形数据中相应子波形的起始数据点和结束数据点来定义或标识。每个波群可以包括起始数据点与结束数据点之间的数据点，该数据点是与心跳相对应的收缩峰。在脉搏波形信号数据中会看到不适合的峰，它们会导致异位的波群。由于静态心率的正常范围是大约每分钟60-90次，出现在预定心跳范围之外的异常峰可以被解释为病理，或者，如果发现这些峰为噪声或被解释为噪声，则忽略这些峰。在正常操作中，很少或没有多个高幅值峰被汇集到一起。然而，在一些实例中，峰可能在前一峰之后过快出现(基于正常静态心率)，或者在缺失心跳或缺失心跳记录的情况下，峰可能缺失。为考虑脉搏形态，可以忽略出现在期望范围之外的峰、或缺失的峰，但是针对例如心动过缓或心动过速情况的实例，应当引起注意。
还可以识别每个波群的其他特征，包括收缩峰之前和之后的数据点，以表征波群。此外，可以识别数据点的其他特征，如脉搏信号波形数据中数据点的幅值、数据点之间的间隔、以及数据点之间的相关性。还可以获得成对数据点之间的数学关系(例如，相等、大于、小于等)，以表征与每个波群相关联的脉搏信号波形数据。此外，例如，可以获得数据点中的其他代数关系，以唯一地表征与每个波群相关联的模式。接下来，在块310，可以将识别的特征与脉搏信号波形数据的已知模式进行比较，并输出脉搏形态。例如，数据库可以包括脉搏信号波形数据中的脉搏信号的多个已知模式和每个已知模式的相应特征。可以将脉搏信号波形数据的所识别特征与每个已知模式的相应特征进行比较，以识别匹配。依据所比较的多个特征，可以识别多个匹配。如果找到可接受数量的匹配(例如，特征可以近似映射到数据库中的已知现有模式)，则可以通过相应已知模式的标签来对脉搏信号波形数据进行标记。如果发现少于可接受数量的匹配，则可以在数据库中存储脉搏信号波形数据，作为具有新标签的新模式。输出包括模式标签的数据，作为脉搏信号波形数据的脉搏形态。因此，可以通过向数据库填充在脉搏波形信号数据中找到的新模式，来构造脉搏波形信号数据中观察到的独特脉冲模式的数据库，并给予新模式的特征唯一的标签。匹配的可接受数量可以取决于所比较的特征的数量，例如，可以是至少约50%至约75%或更高匹配率。此外，如果定义了特征的数据点具有近似相同的幅度或幅度在彼此的预定容限内，则会出现特征的匹配。可选地，可以不比较偏转点的绝对值，而是观察偏转点的值的关系(例如，小于、等于或大于)。此外，由于随时间观察脉搏信号波形数据的特征，所以特征的定时或特征之间的定时也可以与已知模式中特征的定时匹配。为了匹配定时特征，特征的定时可以近似相同或在彼此的预定容限之内。在可选实施例中，不在块310处将所识别的特征与脉搏信号波形数据的已知模式相比较，而是由于模 式是在脉搏信号波形数据中观察到的，所以可以将每个波群的所识别特征用于构造模式数据库。通过数据点的特征(例如数据点的幅值)中的数学关系来唯一表征模式。一旦数据库填充了模式，则句法模式识别技术可以用于模式匹配，因为例如在脉搏形态中观察到清楚的结构。 然后，在块312，确定脉冲形态中模式的频率分布。例如，确定每个不同模式在脉冲形态中出现的次数。可以准备包括每个不同模式在脉冲形态中出现的次数的表。然后，在块312提供脉搏信号波形数据的诊断分类。在5分钟的间隔内捕获的脉搏信号可以显示与不同波群相对应的不同形态模式。针对诊断分类，可以识别在特定间隔内出现在脉搏形态内的最主要模式(例如最频繁出现的模式)，并确定最主要模式的标签。该标签可以指示由具有特定脉搏信号波形数据的患者表征的特定疾病。可选地，在识别了最主要模式之后，可以将最主要模式与分类为指示了特定疾病的脉搏模式进行比较。在一个示例中，最主要模式可以与被分类为指示了糖尿病或代谢综合症(例如，提高发展为心血管疾病和糖尿病的风险的医学失调的组合)的脉搏模式进行比较。此外，由于阻抗体积描记法是检测血管堵塞的技术，确定四肢中的体积变化，因而可以使用方法300来诊断影响血管/心血管健康的其他失调或疾病。可以使用方法300诊断的示例失调包括心血管心脏病、缺血性心脏病、动脉硬化症、心绞痛、中风、脑血管疾病、充血性心力衰竭、冠状动脉疾病、心肌梗死、或外周动脉疾病。为了诊断这些疾病中的任何一个，确立表征或指示疾病的特定脉搏模式，并将其与出现在脉搏信号波形数据中的最主要模式进行比较。为了生成或识别表征模式，进行涉及例如健康的主体和患有标记疾病的患者及患有其他疾病的患者的盲观测研究。图4示出了用于分析脉搏信号波形数据的另一方法400的示意性实施例的流程图，图5示出了示例脉搏信号波形数据。最初，在块402收集脉搏信号波形数据。例如，可以随时间收集一系列脉搏信号波形数据。接下来，在块404，将脉搏信号波形数据特征化为数据点的窗。该窗可以被称为波群。可以在大约5分钟的时间段上收集脉搏信号波形数据，并且可以在大约IOOHz的采样频率处收集数据，以收集总数为大约30，000个数据点。例如，窗可以包括大约100个数据点或等同于大约I秒。可以基于患者的静态心率来选择窗大小。例如，静态心率的 正常低边界值为大约每分钟60次心跳，或大约每秒I次心跳。因而，在一秒的窗大小内，心脏将跳动大约I次。因而，在每个波群内，将会出现大约I个收缩峰。在图5所示的脉搏信号波形数据中，绘出大约4秒的时间段上的数据，在该时间段内，心跳大约4次，导致4个收缩峰数据点。因而，接下来在块406，通过在例如大约300秒间隔内的整个脉搏信号波形数据上的大约100个数据点的窗内找到具有最大幅值的数据点，来识别每个窗内的收缩峰。给予表示收缩峰的数据点唯一的标签，如图5中的“C”。例如，可以忽略波群中的伪峰，该伪峰指示超出每分钟约60次到约100次的静态心率范围。接下来，识别收缩峰数据点周围的偏转数据点。例如，在块408识别在收缩峰数据点之前具有局部最小幅值的第一在前数据点。给予该第一在前数据点标签，如图5中的“A”。可以将该第一在前数据点称为指示收缩峰起始点的起始数据点。如图5所示，为了识别起始数据点“A”，执行识别收缩峰“C”数据点之前的局部最小值的算法。将收缩峰“C”之前的数据点的幅值彼此比较，直至识别出局部最小值(例如，直至曲线的变化率开始改变)。或者，例如，比较数据点的幅值，直至发现指示局部最小值的变化(如，在相邻数据点从幅值减小到幅值增大的变化)。接下来，识别收缩峰C之后的偏转点。例如，在块410，通过发现在收缩峰数据点之后具有局部最小幅值的第一在后数据点来识别下一偏转点。给予第一在后数据点标签，如图5中的“X”。接下来，在块412识别在第一在后数据点之后具有局部最大幅值的第二在后数据点。给予该第二在后数据点标签，如图5中的“Y”。为了发现局部最大值，执行与发现局部最小值类似的算法，如将数据点的幅值进行比较，直至发现将会指示局部最大值的变化(如，在相邻数据点中从幅值增大到幅值减小的变化)。接下来，在块414识别在第二在后数据点之后具有局部最小幅值的第三在后数据点。给予该第三在后数据点标签，如图5中的Y'。接下来，在块416识别在第三在后数据点之后具有局部最大幅值的第四在后数据点。给予该第四在后数据点标签，如图5中的“O”。最后，在块418识别在第四在后数据点之后具有局部最小幅值的第五在后数据点。给予该第五在后数据点标签，如图5中的“Z”。例如，数据点Z被称为指示了窗的结束的结束数据点。如图5所示，从数据点A至Z的子波形被称为波群。由于脉搏信号波形数据是周期性的，这些波群在例如5分钟的记录间隔内重复。数据点A是各个波群中子波形的起始数据点，数据点Z是结束数据点，数据点A、C、X、Y、Y'、O和Z是每个波群的偏转点。在示例实施例中，使用图3和4的方法，可以执行脉搏形态模式识别，可以提供诊断分类以指示主体是否患有疾病。还可以捕获关于生理变量、临床调查和家族历史等的数据来验证诊断分类。例如，用于诊断分类的方法300和400是体外的、非入侵式的和低成本的。执行实验研究以评估方法300和400。利用健康的志愿者、糖尿病患者和患有其他代谢疾病(如，缺血性心脏病)的非糖尿病患者，在多个中心收集数据。以下的表I和2指示不同中心、患者和患者的相应疾病。注意，患者可能已患有多于一种疾病/失调。因而，尽管所研究的患者总数是316，但是所研究的案例的总数是394。
权利要求
1.一种用于做出脉搏信号波形数据的诊断分类的方法，所述方法包括: 接收脉搏信号波形数据； 识别所述脉搏信号波形数据中与指示心跳的收缩峰相对应的收缩峰数据点； 基于所述收缩峰数据点，识别所述脉搏信号波形数据中的波群，其中波群包括所述脉搏信号波形数据中大约在起始数据点与结 束数据点之间的子波形，以及每个波群包括在起始点与结束点之间的偏转数据点，所述偏转数据点之一是与心跳相对应的收缩峰； 确定波群的模式分布，其中所述模式分布指示所述脉搏信号波形数据的波群中出现的脉搏模式的频率；以及 基于所述模式分布，做出所述脉搏信号波形数据的诊断分类。
2.根据权利要求1所述的方法，其中做出所述脉搏信号波形数据的诊断分类包括:确定所述脉搏信号波形数据指示糖尿病或高血糖引发的脉管病变。
3.根据前述任一权利要求所述的方法，还包括:针对每个波群，如下确定偏转数据点: 识别收缩峰数据点之前具有局部最小幅值的第一在前数据点，所述第一在前数据点是所述起始数据点； 识别收缩峰数据点之后具有局部最小幅值的第一在后数据点； 识别所述第一在后数据点之后具有局部最大幅值的第二在后数据点； 识别所述第二在后数据点之后具有局部最小幅值的第三在后数据点； 识别所述第三在后数据点之后具有局部最大幅值的第四在后数据点；以及识别所述第四在后数据点之后具有局部最小幅值的第五在后数据点，所述第五在后数据点是所述结束数据点。
4.根据权利要求3所述的方法，其中做出所述脉搏信号波形数据的诊断分类包括:当基本满足以下关系时，确定所述脉搏信号波形数据指示糖尿病， A > X > Y'， 其中A是第一在前数据点，X是第一在后数据点，Y’是第三在后数据点。
5.根据前述任一权利要求所述的方法，还包括:接收从中记录了所述脉搏信号波形数据的患者的个人健康和医疗数据，并基于患者的个人健康和医疗数据，做出所述脉搏信号波形数据的诊断分类。
6.根据前述任一权利要求所述的方法，还包括:将所述脉搏信号波形数据转换为以ASCII格式存储的时间序列数据。
7.根据权利要求6所述的方法，还包括:如下对所述脉搏信号波形数据进行滤波: 对所述时间序列数据执行离散傅立叶变换，以将数据点分解为不同频率的分量； 确定分解后的数据点的功率谱密度； 识别信号功率集中所在的频率； 基于所识别的频率，确定反映低信号功率的阈值； 将在具有比阈值小的信号功率的频率处的分解后的数据点设置为零，以提供修改后的数据点；以及 对修改后的数据点执行快速傅里叶逆变换(iFFT)，以输出去噪的脉搏信号波形数据。
8.根据前述任一权利要求所述的方法，还包括:通过识别每个波群中具有最大幅值的数据点来识别每个波群中与心跳相对应的收缩峰。
9.根据前述任一权利要求所述的方法，还包括:基于偏转数据点之间的关系，表征所述脉搏信号波形数据中的每个波群。
10.根据前述任一权利要求所述的方法，还包括:在波群的模式分布内识别所述脉搏信号波形数据中最频繁出现的模式。
11.根据权利要求10所述的方法，还包括:将所述脉搏信号波形数据中最频繁出现的模式与分类为指示了疾病的模式进行比较。
12.根据前述任一权利要求所述的方法,还包括:将波群的模式分布内波群模式的偏转数据点与脉搏信号已知模式中的偏转数据点进行比较，以识别匹配。
13.根据权利要求12所述的方法，还包括:当波群的给定模式的偏转数据点与任一脉搏信号已知模式中的偏转数据点不充分匹配时，向在脉搏波形信号数据中观察到的独特脉搏信号模式的数据库填充所述给定模式。
14.根据前述任一权利要求所述的方法，其中接收脉搏信号波形数据包括:接收随时间变化的基于阻抗静脉描记/阻抗体积描记的脉搏信号数据。
15.根据前述任一权利要求所述的方法，其中接收脉搏信号波形数据包括:接收在一时间段上收集的脉搏信号波形数据，其中基于患者的静态心率来选择所述脉搏信号波形数据中子波形的时间间隔，使得在子波形的时间间隔内出现指示心跳的大约I个收缩峰。
16.一种计算机可读介质，存储有计算设备可执行以使计算设备执行以下功能的指令: 接收脉搏信号波形数据； 识别所述脉搏信号波 形数据中与指示心跳的收缩峰相对应的收缩峰数据点； 基于所述收缩峰数据点，识别所述脉搏信号波形数据中的波群，其中波群包括所述脉搏信号波形数据中大约在起始数据点与结束数据点之间的子波形，以及每个波群包括在起始点与结束点之间的偏转数据点，所述偏转数据点之一是与心跳相对应的收缩峰； 确定波群的模式分布，其中所述波群的模式分布指示所述脉搏信号波形数据的波群中出现的脉搏模式的频率；以及 基于所述模式分布，做出所述脉搏信号波形数据的诊断分类。
17.根据权利要求16所述的计算机可读介质，其中所述功能还包括:确定所述脉搏信号波形数据指示糖尿病。
18.根据权利要求16或17所述的计算机可读介质，其中所述功能还包括:针对每个波群，如下确定偏转数据点: 识别收缩峰数据点之前具有局部最小幅值的第一在前数据点，所述第一在前数据点是所述起始数据点； 识别收缩峰数据点之后具有局部最小幅值的第一在后数据点； 识别所述第一在后数据点之后具有局部最大幅值的第二在后数据点； 识别所述第二在后数据点之后具有局部最小幅值的第三在后数据点； 识别所述第三在后数据点之后具有局部最大幅值的第四在后数据点；以及识别所述第四在后数据点之后具有局部最小幅值的第五在后数据点，所述第五在后数据点是所述结束数据点， 其中做出所述脉搏信号波形数据的诊断分类包括:当基本满足以下关系时，确定所述脉搏信号波形数据指示糖尿病， A > X > Y'， 其中A是第一在前数据点，X是第一在后数据点，Y’是第三在后数据点。
19.根据权利要求16-18之一所述的计算机可读介质，其中所述功能还包括: 在波群的模式分布内识别所述脉搏信号波形数据中最频繁出现的模式；以及 将所述脉搏信号波形数据中最频繁出现的模式与分类为指示了疾病的模式进行比较。
20.—种系统,包括: 数据库，存储脉搏信号已知模式； 输入接口，用于接收脉冲信号波形数据；以及 处理器，用于识别所述脉搏信号波形数据中与指示心跳的收缩峰相对应的收缩峰数据点，所述处理器还基于所述 收缩峰数据点，识别所述脉搏信号波形数据中的波群，其中波群包括所述脉搏信号波形数据中大约在起始数据点与结束数据点之间的子波形，每个波群包括在起始点与结束点之间的偏转数据点，其中所述偏转数据点之一是与心跳相对应的收缩峰， 其中所述处理器使用所述偏转数据点，将每个波群的模式与数据库中脉冲信号已知模式进行比较，并做出所述脉搏信号波形数据的诊断分类。
全文摘要
本发明提供了脉搏信号波形数据的诊断分类。在一个示例中，通过分析脉搏信号波形数据并将脉搏信号波形数据的各方面与已发现指示主体正患有特定疾病的形态模式进行比较来执行疾病的诊断或预测。可以例如基于阻抗体积描记法原理，使用生物电传感器，经由手腕电极来捕获脉搏信号，并使用特征提取对该脉搏信号进行处理，以对主体的患有疾病的程度进行诊断和评估。脉搏信号和脉搏形态模式的分析提供了诊断疾病的体外、非入侵式和低成本方法。
文档编号A61B5/02GK103153175SQ201080068035
公开日2013年6月12日 申请日期2010年7月23日 优先权日2010年5月14日
发明者梅达·桑吉·杜兰达, 吉里什·什里卡什纳·蒂卢 申请人:先进计算发展中心