背景技术：
1、肥厚型心肌病(hcm)是一种疾病，通常具有常染色体显性遗传起源，导致心壁中的肌细胞(心肌细胞)增大并导致心壁的一个或多个区域变得异常厚(肥大)。它可能导致舒张和/或收缩功能障碍，临床表现为心力衰竭或心脏瓣膜疾病。虽然美国约有100,000人被诊断患有hcm，但预计美国可能有超过500,000人患有此病症[16]。hcm每年可导致约1％的受影响人群发生心源性猝死。其症状包括例如胸痛、昏厥(晕厥)、心悸的感觉和呼吸急促。目前hcm的诊断方案包括基因测试、超声心动图、心电图(ecg/ekg)和心脏磁共振成像(mri)。其中一些测试可能成本高昂，并且通常需要在医院或临床中心的专用房间内使用专门的设备，并由经验丰富的技术人员进行。它们通常单独安排在初次就诊医疗保健提供者后的几天或几周内进行。
2、人们对hcm的早期诊断和治疗很感兴趣，例如，减少或防止心肌细胞进一步扩大到肥大状态。这种早期诊断和/或治疗可以改善患有这种病症的患者的健康和整体结果。hcm的早期诊断和治疗可以挽救生命并节省医疗费用，因为可以避免或减轻更昂贵的干预和治疗。
3、能够使用非侵入性技术、无需使用辐射、药物和/或压力来系统地筛查或评估hcm的存在、不存在和/或严重程度(无论疾病处于哪个阶段)，并且比现有方法更快、更经济高效地进行，从而可以比现有方法和系统更安全地、更低成本和/或在更短的时间内实现评估(例如，预测和/或检测)哺乳动物或非哺乳动物生物体中各种疾病、病理或病症的存在、不存在、严重程度和(在某些情况下)定位，也是有益处的。
4、本文描述的方法和系统解决了这一需求，可用于各种环境中的各种临床甚至研究需求，从医院到急诊室、实验室、战场、远程环境、患者的初级保健医生或其他护理人员的护理点，甚至家。
技术实现思路
1、公开了一种示例性方法，该方法可用于使用生物物理传感器系统(例如，多传感器系统)来诊断肥厚型心肌病(hcm)，所述生物物理传感器系统配置为非侵入性地同时从受试者获取心电图信号、震动描记信号、光电容积图和/或心音描记信号等(本文中统称为生物物理信号)。可以从患者的胸部区域收集这些信号中的一个或多个。可以评估所获取的生物物理信号以评估肥厚型心肌病的一个或多个病症或指标，并同时评估其他疾病、病症或任一者的指标。生物物理传感器系统可以包括基于mems的加速度计、换能器或传感器，以获取心震描记信号和/或心音描记信号以及其他相关信号，例如心冲击描记信号。生物物理传感器系统可包括基于表面电极的采集电路或模块，以直接获取心电图信号或心脏信号。生物物理传感器系统可包括光电容积描记传感器或模块，以直接采集光电容积描记信号或其他血液动力学信号。生物物理传感器系统可采用有线或无线通信，或者可以是独立或集成的传感器。生物物理传感器系统可操作地连接并作为临床评价系统的一部分运行，该临床评价系统包括分析系统，该分析系统包括分析引擎，该分析引擎配置为执行基于机器学习的分析，以提供与肥厚型心肌病或病症(如本文所述)的存在、不存在和/或严重程度相关的一个或多个估计指标，否则可能无法以相同程度检测或理解这些指标。在一些实施例中，临床评价系统可以包括附加分析引擎，其配置为执行附加的基于机器学习的分析以评估患者的其他生理状态，包括是否存在其他疾病、医学状况或任一者的指征，包括以下疾病和病症：(i)心力衰竭(例如，左侧或右侧心力衰竭；射血分数保留的心力衰竭(hfpef)、射血分数降低的心力衰竭(hfref))、(ii)冠状动脉疾病(cad)、(iii)各种形式的肺高压(ph)，包括但不限于肺动脉高压(pah)、(iv)左心室射血分数异常(lvef)，以及各种其他疾病或病症。可以评估的某些形式的疾病的指征的例子包括是否存在升高或异常的左心室舒张末期压力(lvedp)作为心力衰竭的指征，或升高或异常的平均肺动脉压(mpap)作为肺高压的指征。
2、在一个方面，公开了一种非侵入性地估计哺乳动物受试者的肥厚型心肌病的存在、不存在和/或严重程度的方法，该方法包括：通过一个或多个处理器从一个或多个传感器获得患者的一个或多个生物物理信号；通过所述一个或多个处理器利用所述一个或多个信号的至少一部分来确定与一个或多个特征和/或基于机器学习的分析相关联的一个或多个值；以及通过所述一个或多个处理器，使用与多个特征或基于机器学习的分析相关联的多个值来确定肥厚型心肌病的存在、不存在和/或严重程度的估计值，其中输出肥厚型心肌病的存在、不存在和/或严重程度的估计值(例如，hcm分数)以用于肥厚型心肌病的诊断和/或指导肥厚型心肌病的治疗。
3、在另一方面，公开了一种非侵入式地估计哺乳动物受试者的肥厚型心肌病的存在、不存在和/或严重程度的方法，该方法包括：通过一个或多个处理器从放置在或佩戴在患者身上的多传感器装置获得一个或多个心震描记信号(scg信号)和/或心音描记信号(pcg信号)；通过所述一个或多个处理器利用所述一个或多个心震描记信号和/或心音描记信号的至少一部分来确定与多个特征或基于机器学习的分析相关联的多个值；以及通过所述一个或多个处理器，使用与所述多个特征或基于机器学习的分析相关联的所述多个值来确定肥厚型心肌病的存在、不存在和/或严重程度的估计值，其中输出肥厚型心肌病的存在、不存在和/或严重程度的估计值(例如，hcm分数)以用于肥厚型心肌病的诊断或指导肥厚型心肌病的治疗。
4、在另一个方面，公开了一种非侵入性地估计哺乳动物受试者的肥厚型心肌病的存在、不存在和/或严重程度的方法，该方法包括：通过一个或多个处理器获得与第一光电容积描记信号和第二光电容积描记信号相关联的第一生物物理信号数据集(ppg信号)，其中所述第一生物物理数据集已在所述受试者的多个心动周期内获取；通过所述一个或多个处理器获得与心脏信号相关联的第二生物物理信号数据集(心脏信号)，其中所述第二生物物理数据集已在所述多个心动周期内与所述第一生物物理信号数据集同时获取；通过所述一个或多个处理器利用所述第一生物物理信号和所述第二生物物理信号的至少一部分来确定与多个特征或基于机器学习的分析相关联的多个值；以及通过所述一个或多个处理器，使用与所述多个特征或基于机器学习的分析相关联的多个值来确定肥厚型心肌病的存在、不存在和/或严重程度的估计值，其中输出肥厚型心肌病的存在、不存在和/或严重程度的估计值(例如，hcm分数)以用于肥厚型心肌病的诊断或指导肥厚型心肌病的治疗。
5、在一些实施例中，多个特征或基于机器学习的分析配置为量化vd波轨迹与三维建模的vd波轨迹的偏差(例如，以评估vd轨迹中的高频和低振幅模式)。
6、在一些实施例中，多个特征或基于机器学习的分析配置为量化心脏信号的逐搏变化。
7、在一些实施例中，多个特征或基于机器学习的分析配置为通过庞加莱分析和直方图分析来量化心脏、ppg和/或scg信号中已配准界标的变异性。
8、在一些实施例中，多个特征或基于机器学习的分析配置为量化心脏、ppg和/或scg信号的动态特性(例如，李雅普诺夫(lyapunov)指数、相关维度、熵、互信息、相关性和/或非线性滤波)。
9、在一些实施例中，多个特征或基于机器学习的分析配置为量化心脏、ppg和/或scg信号的属性(例如，波形幅度、持续时间、心率、形态；ppg、vpg、apg信号的属性，例如，峰值幅度、峰间距离、点间角度和各种比率)。
10、在一些实施例中，多个特征或基于机器学习的分析配置为使用小波分析来量化心脏、ppg和/或scg信号的主要频率分量。
11、在一些实施例中，多个特征或基于机器学习的分析配置为使用功率谱和相干性(交叉谱分析)分析来量化心脏、ppg和/或scg信号的功率谱和频率内容。
12、在一些实施例中，多个特征或基于机器学习的分析配置为量化3d相空间中的环路区域(例如，心房去极化、心室去极化和心室复极化)、其投影和环路向量上的心脏、ppg和/或scg信号的属性。
13、在一些实施例中，多个特征或基于机器学习的分析配置为使用(i)ppg和心脏信号或(ii)scg信号来近似呼吸波形，以评估(1)心率变异性、(2)呼吸率、(3)表示呼吸和调制信号之间的距离的差异特征和(4)表示调制和呼吸率信号之间的相关性的平方相干性，其中，近似的呼吸波形通过用于生成用于分析的scg信号的描绘的吸气部分和呼气部分而用于hcm评估。
14、在一些实施例中，多个特征或基于机器学习的分析配置为量化心脏和/或scg信号的生理方面。
15、在一些实施例中，多个特征或基于机器学习的分析配置为量化与吸气对比呼气对比瓦尔萨尔瓦动作相关联的心脏、scg和/或pcg信号的特征变化，以识别hcm患者。
16、在一些实施例中，多个特征或基于机器学习的分析配置为量化与吸气对比呼气对比瓦尔萨尔瓦动作相关联的心脏、scg和/或pcg信号的特征变化，以识别患有阻塞性hcm(hocm)的hcm患者子集。
17、在一些实施例中，多个特征或基于机器学习的分析配置为使用一个或多个scg和/或pcg信号来近似左心室射血时间(lvet)。
18、在一些实施例中，多个特征或基于机器学习的分析配置为量化三维空间中的心室去极化(vd)波和/或心室复极化(vr)波的传播特性(例如，波的速度、轨迹、轨道频率、平面性)。
19、在一些实施例中，多个特征或基于机器学习的分析在(i)一个或多个心震描记信号和/或心音描记信号的吸气区域和/或(ii)一个或多个心震描记信号和/或心音描记信号的呼气区域处被评价。
20、在另一个方面，公开了一种装置(例如，scg/pcg测量装置)，包括：传感器主体，其配置为在外部佩戴或放置在受试者的胸部区域上以获取来自胸部区域的生物物理信号，包括心脏的信号；以及两个或更多个基于mems的生物物理传感器(例如，加速度计：单轴或多轴)，包括第一基于mems的传感器和第二基于mems的传感器，其中，所述两个或更多个基于mems的传感器位于所述传感器主体内并连接到配置为放置在所述受试者身上的电极，其中，第一基于mems的传感器和所述第二基于mems的传感器在操作期间产生第一生物物理信号和第二生物物理信号，以提供给分析系统，所述分析系统配置为评价多个特征或基于机器学习的分析以生成肥厚型心肌病的存在、不存在和/或严重程度的估计值(例如，hcm分数)(例如，用于诊断肥厚型心肌病或指导肥厚型心肌病的治疗)。
21、在另一个方面，公开了一种装置(例如，scg/pcg测量装置)，包括：传感器主体，该传感器主体配置为在外部佩戴或放置在受试者的胸部区域上，以获取来自胸部区域(包括心脏)的生物物理信号；以及两个或更多个基于mems的加速度计(单轴或多轴)，包括第一基于mems的加速度计和第二基于mems的加速度计，其中两个或更多个基于mems的加速度计位于传感器主体内并连接到配置为放置在受试者身上的电极，其中第一基于mems的加速度计和第二基于mems的加速度计在操作期间产生第一震动描记信号和第二震动描记信号以提供给分析系统，该分析系统配置为评价多个特征或基于机器学习的分析以生成肥厚型心肌病的存在、不存在和/或严重程度的估计值(例如，hcm分数)(例如，用于诊断肥厚型心肌病或指导肥厚型心肌病的治疗)。
22、在一些实施例中，该装置还包括多个表面电极，多个表面电极配置为放置在受试者的胸部区域的表面上以提供受试者心脏的多个心脏信号，其中多个心脏信号被提供给分析系统以评价多个特征或基于机器学习的分析，以生成肥厚型心肌病的存在、不存在和/或严重程度的估计值。
23、在一些实施例中，该装置还包括多个光电容积描记传感器，其配置为放置在受试者身上以提供一个或多个光电容积描记信号，其中一个或多个光电容积描记信号被提供给分析系统以评价多个特征或基于机器学习的分析，以生成肥厚型心肌病的存在、不存在和/或严重程度的估计值。
24、在一些实施例中，第一基于mems的加速度计配置为放置在心脏的顶点区域附近。
25、在一些实施例中，第二基于mems的加速度计配置为放置在心脏的底部区域附近。
26、在另一个方面，公开了一种系统，该系统包括上述任何一种装置和分析系统，其中分析系统在基于云的处理和网络基础设施中实现。
27、在另一个方面，公开了一种系统(例如，云平台或本地计算平台)，该系统包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器上分别存储有指令，其中所述一个或多个处理器执行所述指令使得所述一个或多个处理器执行上述任何一种方法。
28、在另一个方面，公开了一种非暂时性计算机可读介质，包括存储在其上的指令，其中一个或多个处理器执行所述指令使得所述一个或多个处理器执行上述方法中的任一种。
1.一种非侵入性地估计哺乳动物受试者的肥厚型心肌病的存在、不存在和/或严重程度的方法，该方法包括：
2.一种非侵入性地估计哺乳动物受试者的肥厚型心肌病的存在、不存在和/或严重程度的方法，该方法包括：
3.一种非侵入性地估计哺乳动物受试者的肥厚型心肌病的存在、不存在和/或严重程度的方法，该方法包括：
4.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化vd波轨迹与三维建模的vd波轨迹的偏差。
5.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化心脏信号的逐搏变化。
6.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为通过庞加莱分析和直方图分析来量化心脏、ppg、scg和/或pcg信号中已配准界标的变异性。
7.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化心脏、ppg、scg和/或pcg信号的动态特性。
8.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化(i)心脏、ppg和/或scg信号的属性。
9.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为使用小波分析来量化心脏、ppg、scg和/或pcg信号的主要频率分量。
10.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为使用功率谱和相干性分析来量化心脏、ppg、scg和/或pcg信号的功率谱和频率内容。
11.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化3d相空间中的环路区域、其投影和环路向量上的心脏、ppg、scg和/或pcg信号的属性。
12.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为使用(i)ppg和心脏信号或(ii)scg和/或pcg信号来近似呼吸波形，以评估(1)心率变异性、(2)呼吸率、(3)表示呼吸和调制信号之间距离的差异特征和(4)表示调制和呼吸率信号之间相关性的平方相干性之一，其中，近似的呼吸波形通过用于生成用于分析的scg信号和/或pcg信号的描绘的吸气部分和呼气部分而用于hcm评估。
13.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化心脏、scg和/或pcg信号的生理方面。
14.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化与吸气对比呼气对比瓦尔萨尔瓦动作相关联的心脏、scg和/或pcg信号的特征变化，以识别hcm患者。
15.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化与吸气对比呼气对比瓦尔萨尔瓦动作相关联的心脏、scg和/或pcg信号的特征变化，以识别患有阻塞性hcm(ohcm)的hcm患者子集。
16.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为使用一个或多个scg和/或pcg信号来近似左心室射血时间。
17.根据权利要求1-3中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析配置为量化三维空间中的心室去极化(vd)波和/或心室复极化(vr)波的传播特性。
18.根据权利要求1-2和4-17中的任一项所述的方法，其中，所述多个特征或基于机器学习的分析在(i)一个或多个心震描记信号和/或心音描记信号的吸气区域和/或(ii)一个或多个心震描记信号和/或心音描记信号的呼气区域处被评价。
19.一种装置，包括：
20.一种装置，包括：
21.根据权利要求19或20所述的装置，还包括：
22.根据权利要求19-21中的任一项所述的装置，还包括：
23.根据权利要求19-21中的任一项所述的装置，其中，作为加速度计或声学传感器的所述第一基于mems的传感器配置为非侵入性地放置在所述受试者的胸部上，靠近所述受试者的心脏的顶点区域。
24.根据权利要求19-23中的任一项所述的装置，其中，作为加速度计或声学传感器的所述第二基于mems的传感器配置为非侵入性地放置在所述受试者的胸部上，靠近所述受试者的心脏的底部区域。
25.一种系统，包括：
26.一种系统，包括：
27.一种非暂时性计算机可读介质，包括存储在其上的指令，其中所述一个或多个处理器执行所述指令使得所述一个或多个处理器执行方法权利要求1-25中的任一个步骤。
