具体实施方式

将参考附图来描述本发明。

应当理解，详细描述和具体示例虽然指示装置、系统和方法的示例性实施例，但这仅用于说明的目的且并不旨在限制本发明的范围。根据以下描述、权利要求和附图将更好地理解本发明的装置、系统和方法的这些和其他特征、方面和优点。应当理解，这些附图仅仅是示意性的且并未按比例绘制。还应当理解，在整个附图中使用相同的附图标记来指示相同或相似的部件。

本发明提供了用于处理胎儿多普勒超声数据以提取表示不同的心率信号来源(即，母体心率和胎儿心率)的信号的集合的处理单元和方法。接收对应于胎儿区域中的多个不同深度的多普勒数据，这些多普勒数据被处理到输入通道的集合中，每条输入通道对应于不同的深度。然后相继地通过PCA算法和ICA算法来处理这些多普勒数据，这项工作将输入通道中的每条输入通道中存在的多个心率信号来源解除混合，并且根据ICA来导出输出信号的集合，所述输出信号的集合能够被用来表示单独的心率来源。

对于在超声换能器的超声拾取范围(观察的体积)内存在若干脉冲信号的情况，现有技术的电子胎儿监测(EFM)方法通常并不令人满意。由于已知的设备无法区分不同的心率来源，从而导致在进行测量时发生来源的混合，因此会生成错误的胎儿心率(FHR)读数。这会导致不必要的手术介入或不利的递送结果。

本发明的实施例提供了基于使用两项关键数学技术(主成分分析(PCA)和独立成分分析(ICA))对胎儿心率监测的改进方法。

如上所述，已知的EFM超声系统使用迭代方法，该方法从不同的深度区域迭代地试验信号采集，从而寻求具有最优信号强度的接收窗口。

本发明应用了不同的方法，其中不是使用具有可调深度参数的接收窗口，换能器在具有固定长度的多个相邻的深度窗口上采集超声数据。这可以涉及在相继的时间窗口(接收窗口)上选通传入的多普勒超声信号，从而导出对应于对象内的相继且相邻的深度区域的多个信号。

图2示意性地图示了采集来自三个深度区16a、16b、16c的示例集合的超声信号。来自不同区的信号提供多条深度通道，这些深度通道一起作为信号输入的集合而被提供给PCA算法，然后被提供给ICA算法，这将在下文中进行解释。

根据本发明的第一方面的示例提供了用于在胎儿监测中区分接收到的多普勒超声数据内的不同心率来源的超声处理单元。

图3示出了以框图形式图示由处理单元执行的基本步骤的流程图。

处理单元适于接收32输入多普勒超声数据，所述输入多普勒超声数据包括对应于对象的子宫区域内的多个不同深度的数据。

然后，处理单元从输入数据中提取34输入信号通道的集合，每条输入信号通道表示对象内的不同组织深度。

然后，该单元执行主成分分析PCA流程36，该PCA流程36被配置为识别输入信号通道的在统计学上不相关的一个或多个线性组合，该线性组合定义第一输出信号的集合。PCA流程将对所识别的输入信号的线性组合的指示作为输入而提供给ICA。在一些示例中，这可以是输入信号的线性系数或加权的集合的形式。PCA流程可以包括基于所导出的线性组合来生成第一输出信号。在一些示例中，这些第一输出信号可以作为输入而被提供给ICA流程，要么代替线性系数(加权)，要么补充线性系数(加权)。

该单元然后执行独立成分分析ICA流程38，该ICA流程38被配置为识别所述第一输出信号的在统计学上彼此独立的一个或多个线性组合，所述线性组合定义第二输出信号的集合。第二输出信号的集合被用来表示被探查区域内的单独的不同脉冲速率来源。ICA流程可以根据所识别的第一输出信号的线性组合来识别第二输出信号的集合。这些第二输出信号可以被提供作为输出。这些第二输出信号可以被显示在例如相关联的显示设备上以供用户(例如，临床医生)进行观察。

图4更加详细地示意性描绘了根据一个或多个实施例的针对处理单元的示例工作流程。虽然某些功能被示为由单独的部件执行，但是这仅用于在该附图中进行说明。应当理解，通常，由这些部件执行的功能可以由一个或多个部件的不同组合(例如在一些示例中由单一处理器)来执行。

首先使用超声换能器单元来获得多普勒超声数据。换能器单元可以包括多个超声换能器或单个换能器。接收到的超声数据表示目标身体内的多个不同深度。根据该数据，可以提取对应于针对不同通道的信号的多条输入通道。

更详细地，在操作中，超声脉冲可以由超声接收/发射单元13发射到被探查的身体(即，对象的子宫区域)中。在定义的发射窗口或反复出现的发射窗口集合上以定义的频率发射脉冲。接收/发射单元包括用于生成和感测超声信号的一个或多个超声换能器。它是超声换能器单元的一种形式，但是不包括信号处理部件(在该示例中，信号处理部件在该单元的外部)。

然后在超声接收-发射单元13处接收反射的超声信号。取决于信号在哪个深度被反射，将在不同时间点在接收-发射单元处接收到反射。由于已知超声在组织中的传播速度(约1000米/秒)，因此可以将发射与接收之间的时间延迟映射到超声脉冲已经行进的距离。然后，该距离与深度成比例。

在一些示例中，在单个方向上发射信号，并且接收和选通对应于所述单个圆柱形波束场内的不同深度的超声信号。

在另外的示例中，超声换能器单元可以包括个体超声发射器的阵列，并且其中，控制单元被配置为使用该阵列来施加波束形成以控制生成的超声波束的方向性。可以控制波束形成，以便采集来自多个不同波束方向的超声数据。在这种情况下，可以在每个定向波束内采集来自多个不同深度的信号。在这种情况下，超声处理单元可以被配置为从每个波束中提取多个不同深度通道(根据下述流程)。该方法允许利用单个换能器单元来扫描更大的组织体积，并同时为PCA算法生成更多数量的超声通道以用于处理。

在任一种情况下，输入数据都可以由放大器42放大，然后被分成44多个单独的输入通道52，其对应于对象内的不同深度区域。

例如，可以通过在不同的时间接收窗口上选通传入的信号来分离44对应于不同深度的信号，每个选通信号然后提供对应于不同深度的不同输入信号通道52。

在一些示例中，可以调整发射脉冲和接收窗口的持续时间以及发射脉冲与接收窗口之间的定时，使得能够获得来自特定期望深度的信号，然后在适当的时间窗口上选通这些信号以在每条深度通道52上提供不同的深度信号。

任选地，可以通过在接收-发射(或超声换能器)单元13中包括的数字逻辑单元(例如，微控制器、FPGA等)来产生针对通道的选通脉冲。随后可以利用模数转换器对选通信号进行采样。可以使用相对较低的采样率(例如，数百至数千Hz)。

本领域技术人员将意识到众多用于选通信号的方法，以提取对应于被探测的身体内的不同深度的通道。

不同的选通深度信号各自提供不同的输入信号通道52，如图4所示。

将预处理步骤46、48应用于每条输入信号通道52。可以在分离不同的输入信号通道52之后(如图4所图示的示例中那样)或之前应用这些预处理步骤。

特别地，可以将解调和信号积分46应用于每条输入信号通道52的输入信号。与原始发射信号相比，解调生成具有等于测量的多普勒信号的多普勒(频率)移位的频率的信号。

可以将带通滤波48应用于每条输入信号通道52。滤波被配置为选择传入信号的在期望用于心跳测量的频率范围内的频率分量。这确保了仅保留数据的相关频率分量，从而降低了整体噪声。

在一些示例(未示出)中，可以额外地应用包络解调器。对于每条输入信号通道52，该操作提供了针对所选择的(经滤波的)频率范围的对应于信号强度(例如，强度或方差)的变化(作为时间的函数)的包络信号。

在某些示例中，解调46功能可以被结合到超声换能器单元13所包括的数字微处理器中，在这种情况下，可以利用模数转换器以高采样率(发射的超声脉冲的频率的数倍(例如，若干MHz)对所发射的脉冲的反射进行采样，并且换能器单元13中的数字逻辑单元或软件可以对接收到的信号进行解调并且计算针对每条深度通道的信号值。这可以使得不需要选通脉冲和模拟解调电路。

提供能够以所要求的分辨率和速度进行模数转换的数字微处理器以与信号采集同步地提供处理，这对于当前的微处理器技术来说会具有挑战性。在替代示例中，可以替代地使用在超声换能器单元13中包括的专用模数(A/D)转换器来执行对输入信号通道的划分。A/D转换器在这种情况下应同步操作，这意味着超声频率匹配A/D转换频率(优选地，与A/D转换频率完全相同)。

在预处理之后，将每条输入信号通道(深度通道)作为输入而提供给主成分分析(PCA)算法54。

总而言之，该算法确定输入信号(深度)通道的捕获信号的最大强度(方差)并同时在统计学上不相关的线性组合(加权和)。当被组成时，这些线性组合对应于第一输出信号56的集合。

PCA算法54的输出提供对在深度信号的集合中存在的心跳信号来源的总数的指示。然而，PCA的第一输出信号56仍然可以包含原始心跳信号来源的混合物。因此，仅PCA可能不足以完全分离不同的心跳来源。

PCA能够用于将输入通道52的初始数量(在超声换能器单元使用许多深度通道的情况下，输入通道52的初始数量可能非常大)减少到不相关的强脉冲速率信号(即，第一输出信号56)的数量。第一输出信号56的集合的数量通常比输入信号通道52的总数少。

减少通道的数量简化了后续处理步骤并排除了仅包含噪声的深度通道向量的数学子空间。PCA算法有效地执行对不同脉冲信号来源的解除混合的第一阶段。

能够利用多种算法(包括例如在线神经网络算法或其他机器学习算法)来执行PCA。PCA通常可以被认为是机器学习的子集(或特定技术)。

举例来说，在Karhunen和Oja的书籍“Independent ComponentAnalysis”中的第6章(“Principal Component Analysis and Whitening”)中详细描述了用于实施合适的主成分分析流程的流程。本章特别描述了PCA的几个元素，包括：逐一提取主成分和并行提取多个主成分；逐样本和批量模式算法；以及用于确定应被提取的分量的数量的方法。

然后将第一输出信号56作为输入而提供给更复杂的独立成分分析(ICA)流程58。该技术确定第一输出通道56的在统计学上独立的线性组合。在理想情况下，这样会得到多个第二输出信号通道60，其中，每个第二输出信号主要仅包含腹部中的一个脉冲信号来源的多普勒超声信号。ICA算法完成对原始脉冲信号来源的解除混合。

现在将更详细地解释PCA算法和ICA算法。

PCA算法54处理输入信号通道52，并且可以提供描述如何(线性)组合输入通道52以形成第一输出通道56的权重向量(或线性系数)的集合作为输出。优选地，PCA还输出第一输出通道56本身，第一输出通道56可以包括也可以不包括比输入通道52的集合的通道更小数量的通道。PCA可以输出输出通道的向量。

以向量/矩阵形式将PCA计算为：

Z(T)＝V*X(t)

其中，x是对应于输入信号通道52的n个元素列向量，z是对应于输出通道的m个元素的列向量，并且V是具有m行和n列的矩阵，这使得z的元素在统计学上不相关并且通常也将其统计方差归一化为1。

如果输出信号都是不相关的并且它们的方差都被归一化，则该过程也被称为“白化”。

PCA算法确定在给定x作为输入的情况下V和z的值。对于V和z，通常不存在单一独特解；PCA算法从无限多的可能解中找到一个解来使z的元素不相关。PCA在工作时仅考虑输入信号52的方差和互相关(即，所谓的二阶统计)，因此它能够实现不相关性，但是不能完成z的元素的统计独立性。

作为简单的示例，可以在x中提供三条输入通道，并且目前已知在x的通道中总共存在两个处于不同信号强度的心率信号来源。问题是寻求两条输出通道56和2×3矩阵形式的V。

如果在x的第一输入通道和第二输入通道52中存在相等强度的第一心率信号来源，并且在x的第三输入通道52中仅存在第二心率信号来源，则PCA算法应当得到以下形式的V：

在这个特定示例中，PCA算法实际上也将实现对两个来源的完全分离(因为他们一开始就没有实际混合)。

应当注意，由于在胎儿监测应用中独立信号来源的最大数量通常是已知的，因此，有利的是，该信息可以用于减小PCA流程的复杂性，从而减少要求PCA算法在处理中考虑的维度的数量。在这种情况下，并不要求该算法本身确定应当产生多少输出通道。这可以提高算法的速度。

特别地，由于在算法中涉及矩阵运算，因此计算复杂度随着通道的数目的三次幂增大。因此，将问题从四个(或更多个)通道减小到两个或三个通道(在双胎妊娠的情况下)显著降低了算法的计算要求。

这种简化可以被预先编程在该算法中，或者这种简化可以被提供为可调整的算法设置。例如，该处理单元可以被配置为接收表示心率来源信号的总数的用户输入，这是例如基于是存在单胎妊娠还是双(或更多)胎妊娠来确定的。

PCA是信号分析领域内的公知流程，并且本领域技术人员将意识到其背后的原理以及用于实施该流程的详细手段。举例来说，Comon和Jutten的书籍“Handbook of BlindSource Separation”提供了关于可以根据本发明的实施例应用的PCA算法的更多信息。

独立成分分析(ICA)算法还可以输出权重向量集合(例如以矩阵形式表示)，其定义导出的第一输出信号的线性组合的集合。它还可以输出第二输出信号的向量。

通常，ICA算法找到矩阵W，使得y(t)的元素是统计学独立的。

Y(t)＝W*z(t)

z(t)是PCA/白化算法的输出。

ICA算法的考量超出了PCA算法所考虑的二阶统计数据，并且还考虑了诸如y的通道的峰度、信号熵或互信息之类的另外的统计属性，因为这些属性量化了统计依赖性/独立性。

通常，可以通过以下操作来构建ICA算法：选取要通过找到合适的W而被最小化或最大化的代价函数(例如，峰度、信号熵或互信息)，并且为最小化/最大化选择优化算法(例如，梯度下降、随机梯度下降、牛顿方法)。

由于代价函数是非线性的，因此要求算法在几个近似解上进行迭代，以便找到使代价函数最小化/最大化的W，从而考虑适用的约束(这样的约束例如能够用于防止优化算法将W简单地设置为零以使代价函数最小化，或者通过使W的值增大而无需界定来使代价函数最大化)。

在应用了PCA流程和ICA流程之后，可以任选地将矩阵W和V组合成“分离矩阵”B，其中，

y(t)＝W*z(t)＝W*V*x(t)＝B*x(t)

这里，B直接描述形成y的输出通道的x的线性组合。B提供指示x的通道是否以及多么强烈地显现为y中的每条输出通道的分量的信息。

ICA是信号分析领域内的公知流程，并且技术人员将意识到其背后的原则以及用于实施该流程的详细手段。关于示例ICA算法的进一步细节可以在AppoJuhaKarhunen、Erkki Oja的书籍“Independent Component Analysis”(John Wiley&Sons，Inc，2001年)中找到。

ICA的第二输出信号通道60可以被用来表示个体心率信号来源。

随后可以将ICA的第二输出信号60作为输入而提供给心率计算算法。用于基于多普勒超声信号导出心率测量结果或信号的算法是本领域公知的。例如，一些算法基于自相关。

举例来说，文献US 4403184中概述了一个合适的示例心率计算算法。该示例基于自相关。使用自相关来确定重复信号的频率是该领域中已建立的技术。

由于每条第二输出信号通道主要仅包括一个心率信号来源，因此与现有解决方案相比，可以非常显著地减少由于混合信号引起的错误的FHR读数的发生次数。

根据一个或多个有利实施例，处理单元还可以被配置为导出针对第二输出信号60中的每个第二输出信号的生理来源归属，即，被配置为确定每个信号是对应于母体心率还是对应于胎儿心率。

该归属过程可以基于比较方法，包括比较第二输出信号的一个或多个属性。

例如，可以比较不同的第二输出信号60的属性(例如，识别的信号来源的平均深度、信号的脉冲速率、频谱内容)，并且将结果用于为归属提供信息。可以分别存储针对母体心率信号和胎儿心率信号的这些属性中的一个或多个属性的已知平均值或典型值，并且将这些值用作确定针对第二输出信号60中的每个第二输出信号的归属的参考。在一些示例中，可以额外地使用诸如母体ECG或SpO₂脉冲速率之类的其他属性来为归属过程提供信息。

对信号来源进行分类的比较方法(比较各种输出信号60的信号属性)比依次考虑每个来源并分析每个来源以确定归属的方法更简单。

图5图示了本发明的方法的有效性。图示了两条输入信号通道52，这两条输入信号通道52表示被探查的对象内的不同深度：输入信号通道1(“输入通道1”)和输入信号通道2(“输入通道2”)。每条信号通道都表示底层的心率来源的混合物。

利用常规的自相关方法处理这两个信号中的每个信号都不可能产生准确的心率读数。

替代地利用PCA方法54、ICA方法58来处置两个输入信号52显著提高了输出信号质量并消除了心率信号来源之间的任何干扰。

PCA算法54与ICA算法58的组合生成了两个输出信号60，这两个输出信号60表示两个底层的心率信号来源HR1和HR2。当随后计算心率的心跳间值时，对其他通道的干扰分量中的每个干扰分量内的消除避免了伪造和错误计算。

如上面所讨论的，本发明的方法提供了对用于检测胎儿心率的现有方法的显著改善。

区分母体心率与胎儿心率是常规的处理方法的难题。信号常常能够在不同时间变化幅度和强度，从而导致被设计用于分离信号的算法中产生混淆。

利用当前的EFM技术和已知的深度选择算法，常常会发生胎儿心率信号与干扰的母体心率信号之间的幅度相等的情况。

由于信号叠加，因此会有效地模糊胎儿心跳的真正峰值位置，从而导致心率计算不准确。具有胎儿信号与母体信号的强混合物的片段常常表现为计算的心率的减小或增大，这会分别被不正确地解读为心率的减速或加速。这会导致不恰当的医学介入。

当前的EFM技术还要求操作者在将EFM换能器放置在母体腹部时小心地使用，以便使采集多个独立的脉冲信号来源(要么是母体信号来源，要么是胎儿信号来源；或者在多胎妊娠的情况下是多个胎儿来源)的风险最小化。这要求对操作者进行熟练的训练并且还增加了EFM流程所要求的时间。

本发明的实施例以多种不同的方式提供对EFM技术的改进。通过将由超声波束覆盖的体积分离成若干深度切片(如上所述)并使用PCA和ICA来隔离独立的脉冲信号，大大减小了由于混合脉冲信号而引起的计算错误脉冲速率的风险。这减少了不必要的外科介入和不利结果的发生次数。

另外，本发明的信号分离过程的提高的鲁棒性意味着在将超声换能器定位在母体腹部时要求较少的约束。这使得EFM系统更加容易，使用更加方便，并且还提高了患者的舒适度。

另外，本发明的实施例能够确定超声视场内的独立脉冲信号来源的总数，并且单独分析来源信号中的每个来源信号。除了胎儿脉冲速率之外，这还能够用于提供母体脉冲速率，或者用于利用单个换能器来监测多个胎儿。

根据本发明的另外的方面的示例提供了患者监测系统。图6示出了根据一个或多个实施例的示例患者监测系统70。

患者监测系统70包括根据上述或下述的任何示例或实施例的或者根据本申请的任何权利要求所述的超声处理单元。在所示的示例中，超声处理单元被并入在基站单元72内部。然而，在其他示例中，超声处理单元可以在本地被并入在超声换能器单元76内，基站单元(能)与超声换能器单元76相连接。

患者监测系统70还包括呈输入连接器端口74的形式的连接接口，该连接接口用于在使用时连接到超声换能器单元76，所述超声换能器单元76用于接收输入多普勒超声数据或由其导出的数据。图6示出了用于在使用时连接到基站的超声换能器单元76的示例。换能器单元包括输出连接器78，所述输出连接器78被整形为与基站的输入连接器74相接合。

在基站72中包括超声处理单元的情况下，输入连接器74可以被耦合到超声处理单元以传送接收到的超声数据。

在图6中，连接器74被示为有线连接器端口。在其他示例中，连接器可以包括用于连接到无线超声探头的无线连接接口。

患者监测系统70还可以包括被耦合到所述输入连接器的超声换能器单元76。例如，换能器单元均可以是超声探头。

本示例中的患者监测系统还包括显示器80，所述显示器80被操作性耦合到基站72的超声处理单元，以用于显示所执行的分析流程的结果，例如显示一个或多个第二输出信号的视觉表示。

患者监测系统70还可以包括控制器，所述控制器适于控制由连接的换能器单元在使用时对超声数据的采集。

控制器可以控制超声换能器单元的发射和接收电路以采集表示不同深度的超声信号。控制器可以控制发射脉冲和接收窗口的持续时间以及发射脉冲与接收窗口之间的定时。控制器可以在定义的时间窗口上控制对输入多普勒信号数据的选通，从而分离对应于对象的组织内的不同深度的不同输入信号通道。

在一些示例中，所述控制器可以在本地被包括在超声换能器单元内，或者由所述控制器执行的控制步骤可以在超声换能器单元处本地执行。

如上面所提到的，超声换能器单元可以包括超声处理单元。它可以是超声探头单元，例如包含一个或多个超声换能器以及与处理单元操作性耦合的超声处理单元。超声换能器单元可以在本地执行上述超声数据预处理步骤和/或控制步骤的至少子集。

患者监测系统可以采用与上述形式不同的形式。例如，患者监测系统可以包括监测站(例如，推车型监测站)，该监测站包括显示器并且能与超声换能器单元相连接。

在任何示例中，患者监测系统能够与任何数量的用于监测同一患者或不同患者的其他传感器或数据来源相连接。

根据本发明的另外的方面的示例提供了超声装置，所述超声装置包括：根据上述或下述的任何示例或实施例的或者根据本申请的任何权利要求所述的超声处理单元；以及一个或多个超声换能器，其被操作性耦合到超声处理单元，用于向超声处理单元提供输入多普勒超声数据。

该装置可以例如包括超声探头单元，探头单元包含超声处理单元以及一个或多个超声换能器。例如，探头可以包括包含一个或多个超声换能器以及超声处理单元的壳体。

根据本发明的另外的方面的示例提供了用于区分接收到的多普勒超声数据内的心率来源的超声处理方法，该方法包括：

接收输入多普勒超声数据并且从所述数据中提取输入信号通道的集合，所述输入多普勒超声数据包括对应于对象的子宫区域内的多个不同深度的数据，每条输入信号通道表示所述对象内的不同的组织深度；

执行主成分分析PCA流程以识别所述输入信号通道的在统计学上彼此不相关的一个或多个线性组合，当被组成时，所述线性组合定义第一输出信号的集合，并且

执行独立成分分析ICA流程，所述ICA流程被配置为识别所述第一输出信号的在统计学上彼此独立的一个或多个线性组合，所述线性组合定义第二输出信号的集合。

所述方法还可以包括根据所识别的线性组合来生成所述第二输出信号的集合。

所述方法还可以包括处理所述第二输出信号以根据每个第二输出信号来导出心率信号或心率测量结果。

本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。如果计算机程序在上面被讨论过，则该计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分而供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统分布。如果在权利要求或说明书中使用了术语“适于”，则应当注意，该术语“适于”旨在等同于术语“被配置为”。权利要求中的任何附图标记都不应被解释为对范围的限制。