具体实施方式

根据本原理的布置包括与完全集成的智能可穿戴超声系统有关的材料、装置、系统和方法。根据实现方式，可以采用以下功能模块。

参考图1，可穿戴装置100可以包括耦合到超声模拟前端(AFE)104的超声换能器阵列102和用于控制和通信的数字电路106。可穿戴装置100可以耦合到接收器200，该接收器包括分析系统，该分析系统包括用于从数字电路106接收信号的通信电路108。接收器200还包括运行交互式软件的计算环境112，该软件可以与各种后端设备例如智能电话通信以允许可视化人体生物界面运动波形。机器学习算法模块114还可用于各种功能，包括自动换能器频道选择和来自超声RF信号的接口运动波形解码。

超声换能器阵列102可以是传递超声以及接收反射声信号的共形阵列。超声模拟前端104可用于超声生成、回波信号接收和放大。AFE的其他组件包括高压脉冲发生器、发射/接收(T/R)开关、多路复用器和射频(RF)放大器。

数字电路106可用于系统控制、信号数字化、车载传输和高速无线传输，以及可能需要的其他功能。这种数字电路106通常包括具有内置模数转换器(ADC)以及Wi-Fi模块的微控制器单元(MCU)。

现在将更详细地描述这些模块的各个方面，以及它们在中心血压的无创测量和其他应用中的使用。

图2A说明了生物界面运动监测的一般原理，图2A说明了跟踪血管壁运动的设备。目标生物界面A(103)上方的超声换能器元件102产生超声105并从其接收反射信号。可以看出，由换能器单元传输的声波可以对准和瞄准特定元件，例如搏动的动脉107。

当这些界面移动时，反射峰在时域中对应于它们的运动而偏移。所有信号通过AFE104放大，由数字电路106内的MCU中的ADC数字化，并无线传输到智能手机或其他分析系统200，其可以运行软件114。包含在软件114中的机器学习算法可以是用于识别目标界面的反射信号并连续捕捉其运动轨迹。该算法可以位于智能手机上或位于例如连接的计算环境(例如云服务器)上。该算法可以采用机器学习来识别由感兴趣位置的运动引起的偏移，并且可以进一步使用机器学习来将偏移与期望被监测的参数相关联，例如期望为了诊断和其他目的而确定的生理参数.

更详细地，在第一步中，并参考图2B和2C，耦接到换能器阵列102的模拟前端电路104包括多路复用器136、高压升压脉冲发生器134、射频(RF)放大器142、发射/接收(T/R)开关138、和模数转换器。多个频道允许波束控制，并且该同一波束从由数字电路106控制以产生超声的升压脉冲发生器134出现。使用构成高速模数转换器的一部分的T/R开关138和多路复用分配器136和放大器142放大和收集回波信号。插图显示了信号流。

其次，数字化信号由现场可编程门阵列(FPGA)或MCU处理。原始超声数据可以被解码为血压波形。最后，解码后的波形可以通过蓝牙或Wi-Fi无线传输并显示在显示器上。一个可充电的微型电池可以为整个系统提供电源。

超声波发射器由升压电路构成，该电路将低压控制信号(CS)转换为高压脉冲。T/R开关用于切断超量程电压并保护接收电路。多路复用器用于频道选择。RF放大器放大接收到的回波信号(ES)，用于后续ADC采样。所有组件都可以制造在柔性印刷电路板(FPCB)上。

图2C图示了在类似布置中具有类似组件的无线超声前端电路的另一种实施方式。

可以看出，与软超声探头接口的硬件可以执行换能器选择、换能器激活、回波信号接收和无线数据传输。在一种实施方式中，由微控制器(MCU)149控制的高压(HV)开关147可以选择适当数量的换能器作为有源像素。一旦选择了有源像素，脉冲发生器134就可以向像素传送电脉冲以产生超声波。产生超声波后，即可开始回波信号接收。接收的信号可以通过发射/接收(T/R)开关138和模拟滤波器141，由RF放大器142放大。最后，放大的信号可以由模数转换器(ADC)143接收，这也可能是MCU。一旦信号被接收并数字化，Wi-Fi模块151就可以将信号无线传输到终端设备(例如，PC或智能手机)112。

示例性共形超声换能器阵列的细节在图3中示出，其图示了共形超声换能器阵列的示意图和单个换能器元件(插图)的结构。在该示例性实施例中，“岛桥”结构用于为装置提供足够的柔韧性以提供对皮肤的合适贴合。

刚性部件116与岛集成，并且波浪形蛇形金属互连118用作桥。桥可以弯曲和扭曲以吸收外部施加的应变。因此，整个结构在岛中局部是刚性的，但通过在弯曲、拉伸和扭曲过程中调整刚性岛之间的间距，可以全局拉伸。结果是一个自然的界面，能够以最小的机械约束适应皮肤表面的几何形状和运动，从而建立一个坚固的、无刺激性的设备/皮肤接触，弥合了传统刚性平面高性能电子器件和软曲线动态生物之间的差距。在一种实施方式中，作为刚性部件116的超声换能器被提供在具有用于互连的通孔122的基板120上。

如在插图中所见，示例性元件116可以采用1-3压电复合超声阵列组件124，也称为压电柱，由Cu/Zn电极126覆盖，Cu/Zn电极126在顶面和底面上由铜电极128覆盖，并具有聚酰亚胺覆盖物132。然而，应当注意，这里使用的有源超声材料不限于1-3复合材料，而是可以采用任何刚性压电材料。聚酰胺层可以提供基底以及覆盖物。

图4图示了数字电路106的工作逻辑。如上所述，数字电路可以包括MCU149、集成ADC(例如元件143)和Wi-Fi模块151。现在参考附图，对于超声传输，触发信号153用于在触发步骤144中产生超声脉冲。在该触发信号153之后，由换能器接收的超声回波的RF信号155。在步骤146中，同时激活ADC以对接收的超声回波进行数字采样。为了实现足够的采样频率，嵌入式ADC在一种实现方式中可以交错方式工作。设计的采样率可以与嵌入式ADC的数量和1的采样率成正比。典型的合成采样率为20MHz。ADC可以在预定义的时间门范围内工作，并将所有数据存储到MCU的内置存储器中。之后，在步骤148中，可以通过TCP/IP协议将该数据无线传输到终端设备。可以采用直接存储器访问(DMA)技术来保证数据访问速度。该数字电路可以在FPCB平台上制造并集成到AFE电路中。

参考图5，可以在终端设备112上采用软件152，例如在诸如智能电话、膝上型电脑、平板电脑、台式机等的计算环境上，以从可穿戴装置100接收无线传输的数据，以处理数据，并可视化检测到的生物界面运动(例如动脉壁的运动)。例如，在图形用户界面(GUI)154上，用户可以将后端终端112连接到可穿戴装置100。频道选择156可以由用户手动完成或自动完成。运动波形158可以通过终端设备查看，例如在合适的计算环境中。

然后使用机器学习可以采用算法来进行自动信号处理。特别地，参考图6A，可以采用机器学习算法来实现至少以下两个主要功能：自动频道选择和生物界面运动跟踪。

参考图6A中所示的步骤，对于频道选择，RF信号可以被扫描162并且可以被记录164用于某个频道，然后可以将其转换166为M模式图像。该图像可以输入到开发的卷积神经网络(CNN)模型中。可以评估168“该频道处于正确位置”的预测可能性。在扫描所有频道172之后，可以确定或选择174最可能的频道并且用于生物界面运动监测。可以跟踪176峰值并且可以使用K均值聚类算法178来识别182信号的哪一部分代表目标生物界面。最后，可以通过例如卡尔曼滤波器跟踪目标的运动，将其应用184到识别的信号区域。

参考图6B，可以看到根据本原理的软件设计的图示，包括自主动脉识别和壁跟踪。超声RF数据175产生B模式图像177，从中可以定位对象。此功能可以通过为对象定位而设计的各种深度学习模型来实现。通过一系列连续帧检测对象，可以执行连续对象跟踪179，并且可以通过原始RF信号的互相关来执行例如使用移位信号的壁跟踪181(见图7)。最后，处理的颈动脉壁波形183随后可以在图形用户界面上可视化。

如上所述，当界面移动时，反射峰将在与其运动相对应的时域中移动。这可以在图7中看出，其中前壁和后壁的原始峰被显示为偏移。

整个系统可以集成至少两大功能模块：超声图像增强，寻找换能器位置从而提高重建图像的质量；以及超声图像分析，其自动分析从软超声探头获取的超声图像。

关于第一个主要功能模块，使用软探头进行超声成像的一个主要挑战是换能器元件的位置对于大多数应用场景是不确定的。为了正确重建图像，应以亚波长级精度确定换能器元件位置。在用于诊断目的的传统超声探头中，换能器通过刚性外壳固定在平面中。然而，当集成到人体皮肤上时，软探头位于并符合动态曲线表面，换能器的位置将不断变化。因此，如果不采用适当的方法来补偿换能器元件位移，则从软探头重建的图像将显著失真。

为了解决这个问题，可以应用无监督机器学习算法来找到换能器位置，从而提高重建图像的质量。该算法受生成对抗网络(GAN)的启发，如图8A所示。图8A示出了传统GAN的工作原理和应用，并且在图8B中示出了用于超声图像质量增强的提议算法。GAN由生成器302和鉴别器304组成。生成器302(G)合成图像，而鉴别器304(D)尝试将这些与一组真实图像303区分开来。这两个模块被联合训练，因此D只能实现随机猜测性能。这意味着G合成的图像与真实图像无法区分。在所提出的解决方案中，如图8B所示，GAN生成器被用于超声图像重建的标准延迟求和(DAS)算法305替代。可以使用来自商业仪器的超声图像307的大数据集作为真实图像的训练集来训练这两个模块。该算法将从软探头获取的射频电压数据作为输入，并学习重建超声图像所需的DAS波束形成器参数。训练继续进行，直到这些重建的图像无法与现有的真实图像区分开来。

关于超声图像分析，开发了一种基于神经网络的模型来自动分析从软超声探头获取的超声图像。可以使用针对语义分割训练的深度学习网络从超声图像(分别为M模式403、多普勒405和B模式407)中提取血压、血流和心脏压力信号。通常，该模型在从大型图像数据集训练后效果很好。然而，这样的数据集不太可能用于软探针超声，至少在最初阶段是这样。为了克服这个问题，应用了两组技术来支持小数据集的训练。

更详细地，图9说明了用于超声图像解释的深度学习架构(9A)和双向域适应方法(9B)。请注意，“EN”表示编码器网络，“DN”表示解码器网络。

使用小数据集进行训练的第一种技术(如图9A所示)依赖于不同任务之间的参数共享。这利用了现代分割网络是用编码器解码器对实现的事实。编码器将输入图像抽象为捕获其语义组成的低维代码。然后解码器将此代码映射到逐像素分割。通常，每个任务都会独立学习网络。然而，这需要学习大量参数。该Al系统中的架构包括图9A右侧所示的架构，其中参数在任务之间共享。特别地，编码器409通过三个任务(411和413和415)共享。因此，要学习的参数总数减少了，适合在小数据集上进行训练。

第二种，如图9B所示，依赖于图像传输技术。目标是利用现有的大型超声数据集来帮助训练图9A的网络。这里的架构是域适配。域适配将在称为源域的大型图像数据集(在本例中为现有超声图像)上训练的网络应用于新的目标域(在本例中为软探针超声图像)，在该新目标域中大型数据集不存在。这通常超过在目标域上训练的网络的性能。在该系统中，双向适应用于保持网络的性能。这在两个步骤之间迭代。在转换步骤421中，图像到图像转换模块423用于将现有超声的图像转换为软探针超声的图像。在适应步骤425中，使用对抗学习程序将在前者上训练的分割模块427转移到后者。该过程在两个步骤之间迭代，逐渐适应在软探针超声上学习的网络。该算法应用于图9A的架构，以进一步增加分割的鲁棒性。

示例：中央血压监测

在示例性实施例中，系统和方法可以应用于皮肤集成的共形超声装置502，用于从深埋的血管中非侵入性地获取中心血压(CBP)波形。

图10A和10B图示出了在用户身上使用共形超声贴片。当安装在患者颈部时，该设备可以通过向深部血管发射超声波脉冲来监测CBP波形。图10B说明了人颈部的中央血管。CA是颈动脉，与左心脏相连。JV是连接到右心脏的颈静脉。两条动脉都位于皮肤下方约3-4厘米处。

由于它靠近心脏，与使用袖带测量外周血压相比，CBP可以提供一种更好、更准确的方法来诊断和预测心血管事件。共形超声贴片可发出穿透人体约10厘米的超声，测量中央血管中的脉搏波速度，可将其转化为心脏附近的CBP信号。

此外，血压袖带只能确定两个离散的血压值，收缩压和舒张压。然而，血压水平每分钟都是动态的，随着我们的情绪、兴奋、进餐、药物和运动而波动。因此袖带只能捕捉一段的快照。由于共形超声贴片在持续佩戴在皮肤上时每秒可发射多达5000个超声脉冲，因此可提供连续的逐搏血压波形。波形中的每个特征，例如波谷、凹口和波峰，都对应于中央心血管系统中的一个特定过程，为临床医生提供了丰富的关键信息。

如上所述，并将在下面更详细地描述，贴片的控制电子设备能够聚焦和引导超声波束以准确定位目标血管，而不管贴片的位置和方向如何，从而可以自动地纠正任何用户错误。集成的蓝牙天线可以将血压波形无线传输到云端以供进一步分析。

在目前的临床实践中，CBP只能通过将带有微型压力传感器的导管植入感兴趣的血管中来实现。这种类型的测量通常在手术室和重症监护室进行，其侵入性大且成本高，并且不允许对一般人群进行常规和频繁的测量。根据本原理的系统和方法，使用所描述的共形超声贴片，不仅导致改善诊断结果和患者体验，而且赋予患者随时随地连续自我监测血压的能力。获取的大量数据可为分析血压波动模式提供基础，这对于精确诊断和预防心血管疾病至关重要。

图11示出了共形超声换能器阵列的示例性实施方式，其指示符合于弯曲的身体表面。

图12-15示出了根据本原理的系统和方法的示例性实施方式，特别是布置为用于成像和多普勒超声的密集阵列设备。在图12中，换能器阵列102接收反射光束。为了构建高分辨率超声图像，经常使用密集排列的换能器。然而，换能器的密集布置牺牲了换能器尺寸。因此，与大换能器相比，阵列102内的每个精细换能器元件116将具有较弱的信号幅度。

为了应对这一挑战，开发了接收波束成形技术。每个精细元件116接收的超声信号根据频道之间的相位延迟相加以增加信噪比。换言之，原始信号451被校准以创建校准的信号453。此外，可以采用接收变迹，其使用窗函数来加权接收的信号(统称为步骤和/或模块455)以进一步增强图像对比度。

利用这种波束成形技术，可以使用可伸缩的超声贴片实现对金属工件和生物医学B模式图像的无损检测，如示例应用中所示和图13A/13B以及图14中分别所示。

传输波束成形

与传统的刚性超声探头不同，传统的刚性超声探头可以通过探头操作轻松创建任何所需的多普勒角，可伸缩超声贴片不能物理倾斜以创建用于多普勒测量的适当入射角。

然而，通过利用传输波束成形技术，超声波束可以通过电子方式倾斜和聚焦。为了在目标点实现波束倾斜和聚焦，尤其是在动态和复杂曲率上，可以自动计算主动和实时时延分布并将其应用于每个换能器元件。具体来说，可以采用实时、高速的相位像差方法来实现这一任务。相位畸变校正的一个主要原理是，一个频道中接收到的信号可以通过另一个频道接收到的信号的延时复制来近似。因此，飞行时间误差(即相位畸变)在互相关函数中被发现作为最大值位置。这样就可以计算出相位延迟，以补偿各单元位移带来的误差。每个元件发出的光束会相互干扰，从而合成一个高度定向的超声波束。通过调整确定的时间延迟分布，超声波束可以在一个宽的横向窗口(从-20°到20°)中倾斜。可操纵的超声波束允许在人体感兴趣的特定器官/组织处产生适当的多普勒角。

下面的例子分别显示了对心肌组织收缩力和颈动脉血流谱的连续监测。

特别是，图16A和16B显示根据现有原理的技术应用，该技术用于心肌组织的组织多普勒成像，图17A和17B示出了根据本原理的技术的应用，该技术特别用于颈动脉的血流监测。

该系统和方法可以在任何数量的计算设备中完全实现。通常，指令被布置在计算机可读介质上，通常是非暂时性的，并且这些指令足以允许计算设备中的处理器实现本发明的方法。计算机可读介质可以是具有指令的硬盘驱动器或固态存储器，该指令在运行时加载到随机存取存储器中。对应用程序的输入，例如来自多个用户或来自任何一个用户，可以是任意数量的适当计算机输入设备。例如，用户可以使用键盘、鼠标、触摸屏、操纵杆、触控板、其他指点设备或任何其他此类计算机输入设备来输入与计算相关的数据。还可以通过插入的存储芯片、硬盘驱动器、闪存驱动器、闪存、光学介质、磁介质或任何其他类型的文件存储介质来输入数据。输出可以通过视频图形卡或集成图形芯片组连接到用户可能看到的显示器的方式传送给用户。或者，可以使用打印机来输出结果的硬拷贝。鉴于该教导，本发明也将理解任何数量的其他有形输出。例如，输出可以存储在存储芯片、硬盘驱动器、闪存驱动器、闪存、光学介质、磁介质或任何其他类型的输出上。还应该注意的是，本发明可以在任何数量的不同类型的计算设备上实现，例如个人计算机、膝上型计算机、笔记本计算机、上网本计算机、手持计算机、个人数字助理、移动电话、智能手机、平板计算机，以及专门为这些目的而设计的设备。在一种实施方式中，智能电话或Wi-Fi连接设备的用户使用无线互联网连接从服务器下载应用程序的副本到他们的设备。适当的认证程序和安全交易过程可以规定向卖方付款。应用程序可以通过移动连接、Wi-Fi或其他无线网络连接下载。然后用户可以运行该应用程序。这种联网系统可以为其中多个用户向系统和方法提供单独输入的实施方法提供合适的计算环境。在其中考虑患者监测的以下系统中，多个输入可以允许多个用户同时输入相关数据。

虽然这里公开的本发明能够实现上述目的，但应当理解，本公开内容仅是对本发明当前优选实施例的说明，除所附权利要求中描述的内容外，不打算进行任何限制。例如，本发明可用于多种环境。