具体实施方式

根据所公开主题的示例性实施方案，可通过应用历史心电图(ECG)数据来优化医疗规程，该历史心电图(ECG)数据成功地用于标测心律失常的位置以预测心律失常的位置，使得心律失常可被治疗。

另外，根据本发明所公开的主题的示例性实施方案，除了基于位置的标测之外，还可基于多个因素来改善心脏标测/渲染。可基于给定患者的评估和在从给定心脏标测校正不需要的外部的时间段(例如，30秒)内的对应标测来改善此类因素。此类不需要的外部因素可以是但不限于噪声、循环数据(例如，呼吸)、位置校正等。如本文所公开，训练数据可包括可提供的多个此类校正，使得训练给定模型以自动校正用于新心脏标测的此类不需要的外部特征，而不需要在一段时间(例如，30秒)内评估新患者。

图1是用于远程监测和传送患者生物计量(即，患者数据)的示例性系统100的框图。在图1所示的示例中，系统100包括与患者104相关联的患者生物计量监测和处理设备102、本地计算装置106、远程计算系统108、第一网络110和第二网络120。

根据实施方案，监测和处理设备102可以是处于患者体内的(例如，可皮下植入的)设备。监测和处理设备102可经由任何适用的方式插入患者体内，包括口腔注射、经由静脉或动脉的外科手术插入、内窥镜规程或腹腔镜规程。

根据实施方案，监测和处理设备102可以是处于患者外部的设备。例如，如下面更详细描述的，监测和处理设备102可包括可附接贴片(例如，其附接到患者的皮肤)。监测和处理设备102还可包括具有一个或多个电极的导管、探头、血压袖带、体重秤、手镯或智能手表生物计量跟踪器、葡萄糖监测器、持续气道正压通气(CPAP)机或可提供与患者的健康或生物计量有关的输入的几乎任何装置。

根据实施方案，监测和处理设备102可包括患者内部的部件和患者外部的部件。

在图1中示出了单个监测和处理设备102。然而，示例性系统可包括多个患者生物计量监测和处理设备。患者生物计量监测和处理设备可与一个或多个其他患者生物计量监测和处理设备通信。附加地或另选地，患者生物计量监测和处理设备可与网络110通信。

一个或多个监测和处理设备102可获取患者生物计量数据(例如，电信号、血压、温度、血糖水平或其他生物计量数据)，并且从一个或多个其他监测和处理设备102接收表示所获取的患者生物计量和与所获取的患者生物计量相关联的附加信息的患者生物计量数据的至少一部分。附加信息可以是例如诊断信息和/或从诸如可穿戴装置的附加装置获得的附加信息。每个监测和处理设备102可处理数据，包括其自身获取的患者生物计量以及从一个或多个其他监测和处理设备102接收的数据。

在图1中，网络110是近程网络(例如，局域网(LAN)或个人局域网(PAN))的示例。可使用各种近程无线通信协议(诸如蓝牙、Wi-Fi、Zigbee、Z-Wave、近场通信(NFC)、ultraband、Zigbee或红外(IR))中的任何一种经由近程网络110在监测和处理设备102与本地计算装置106之间发送信息。

网络120可以是有线网络、无线网络或包括一个或多个有线和无线网络。例如，网络120可以是远程网络(例如，广域网(WAN)、互联网或蜂窝网络)。可使用各种远程无线通信协议(例如，TCP/IP、HTTP、3G、4G/LTE或5G/新无线电)中的任何一种经由网络120发送信息。

患者监测和处理设备102可包括患者生物计量传感器112、处理器114、用户输入(UI)传感器116、存储器118和发射器-接收器(即，收发器)122。患者监测和处理设备102可经由网络110连续地或周期性地监测、存储、处理和传送任何数量的各种患者生物计量。患者生物计量的示例包括电信号(例如，ECG信号和脑生物计量)、血压数据、血糖数据和温度数据。可监测和传送患者生物计量以便对任何数量的各种疾病进行治疗，疾病诸如心血管疾病(例如，心律失常、心肌病和冠状动脉疾病)和自身免疫疾病(例如，I型和II型糖尿病)。

患者生物计量传感器112可包括，例如被配置成感测生物计量性患者生物计量的类型的一个或多个传感器。例如，患者生物计量传感器112可包括被配置成获取电信号(例如，心脏信号、脑信号或其他生物电信号)的电极、温度传感器、血压传感器、血糖传感器、血氧传感器、pH传感器、加速度计和麦克风。

如下面更详细描述的，患者生物计量监测和处理设备102可以是用于监测心脏的ECG信号的ECG监测器。ECG监测器的患者生物计量传感器112可包括用于获取ECG信号的一个或多个电极。ECG信号可用于治疗各种心血管疾病。

在另一个示例中，患者生物特征监测和处理设备102可以是连续葡萄糖监测器(CGM)，用于连续监测患者的血糖水平以治疗各种疾病，诸如I型和II型糖尿病。CGM可包括皮下设置的电极，该电极可监测来自患者间质液的血糖水平。CGM可以是例如闭环系统的部件，其中血糖数据被发送到胰岛素泵，用于在没有用户干预的情况下计算胰岛素的递送。

收发器122可包括单独的发射器和接收器。另选地，收发器122可包括集成到单个设备中的发射器和接收器。

处理器114可被配置成在存储器118中存储患者数据，诸如由患者生物计量传感器112获取的患者生物计量数据，并且经由收发器122的发射器跨网络110传送患者数据。来自一个或多个其他监测和处理设备102的数据也可由收发器122的接收器接收，如下面更详细描述的。

根据实施方案，监测和处理设备102包括UI传感器116，例如，其可以是被配置成接收用户输入(诸如轻击或触摸)的压电传感器或电容传感器。例如，响应于患者104轻击或接触监测和处理设备102的表面，可控制UI传感器116以实现电容联接。手势识别可经由各种电容类型中的任何一种来实现，诸如电阻电容、表面电容、投射电容、表面声波、压电和红外触摸。电容传感器可设置在小区域处或表面的长度上，使得表面的轻击或触摸激活监测装置。

如下面更详细描述的，处理器114可被配置成选择性地响应电容传感器(其可以是UI传感器116)的不同轻击模式(例如，单击或双击)，使得可以基于检测的模式激活贴片的不同任务(例如，数据的获取、存储或传输)。在一些实施方案中，当检测到手势时，可从处理设备102向用户给予可听反馈。

系统100的本地计算装置106与患者生物计量监测和处理设备102通信，并且可被配置成通过第二网络120充当到远程计算系统108的网关。例如，本地计算装置106可以是智能电话、智能手表、平板电脑、或被配置成经由网络120与其他装置通信的其他便携式智能装置。另选地，本地计算装置106可以是固定或独立装置，诸如包括例如调制解调器和/或路由器能力的固定基站，使用可执行程序以经由PC的无线电模块在处理设备102与远程计算系统108之间传送信息的台式计算机或膝上型计算机，或USB加密狗。可使用近程无线技术标准(例如，蓝牙、Wi-Fi、ZigBee、Z波和其他近程无线标准)，经由近程无线网络110，诸如局域网(LAN)(例如，个人局域网络(PAN))在本地计算装置106与患者生物计量监测和处理设备102之间传送患者生物计量。在一些实施方案中，本地计算装置106还可被配置成显示所获取的患者电信号和与所获取的患者电信号相关联的信息，如下面更详细描述的。

在一些实施方案中，远程计算系统108可被配置成经由作为远程网络的网络120接收所监测的患者生物计量和与被监测患者相关联的信息中的至少一者。例如，如果本地计算装置106是移动电话，则网络120可以是无线蜂窝网络，并且可经由诸如上述任何无线技术的无线技术标准在本地计算装置106与远程计算系统108之间传送信息。如下面更详细描述的，远程计算系统108可被配置成向医护专业人员(例如，医师)提供(例如，可视地显示和/或听觉地提供)患者生物计量和相关信息中的至少一者。

图2是与网络120通信的计算环境200的示例的系统图。在一些情况下，计算环境200被合并到公共云计算平台(诸如Amazon Web Services或Microsoft Azure)、混合云计算平台(诸如HP Enterprise OneSphere)或私有云计算平台。

如图2所示，计算环境200包括远程计算系统108(下文称为计算机系统)，该远程计算系统是可在其上实现本文所述的实施方案的计算系统的一个示例。

远程计算系统108可经由可包括一个或多个处理器的处理器220执行各种功能。功能可包括分析监测的患者生物计量和相关信息，并且根据医师确定的或算法驱动的阈值和参数提供(例如，经由显示器266)警报、附加信息或指令。如下面更详细描述的，远程计算系统108可用于向医疗保健人员(例如，医师)提供患者信息仪表板(例如，经由显示器266)，使得这种信息可以使医疗保健人员能够识别具有比其他人更多关键需求的患者并对其优先考虑。

如图2所示，计算机系统210可包括通信机制(诸如总线221)或用于在计算机系统210内传送信息的其他通信机制。计算机系统210还包括与总线221耦接的一个或多个处理器220，以用于处理信息。处理器220可包括一个或多个CPU、GPU或本领域中已知的任何其他处理器。

计算机系统210还包括耦接到总线221的系统存储器230，以用于存储将由处理器220执行的信息和指令。系统存储器230可包括易失性和/或非易失性存储器形式的计算机可读存储介质，诸如只读系统存储器(ROM)231和/或随机存取存储器(RAM)232。系统存储器RAM 232可包括其他动态存储装置(例如，动态RAM、静态RAM和同步DRAM)。系统存储器ROM231可包括其他静态存储装置(例如，可编程ROM、可擦除PROM和电可擦除PROM)。此外，系统存储器230可用于在处理器220执行指令期间存储临时变量或其他中间信息。基本输入/输出系统233(BIOS)可包含在计算机系统210内的元件之间，诸如在启动过程中传输信息的例程，该例程可被存储在系统存储器ROM 231中。RAM 232可包含数据和/或程序模块，该数据和/或程序模块可由处理器220立即访问和/或当前由该处理器操作。系统存储器230可另外包括例如操作系统234、应用程序235、其他程序模块236和程序数据237。

所示出的计算机系统210还包括磁盘控制器240，该磁盘控制器耦接到总线221以控制用于存储信息和指令的一个或多个存储装置，诸如硬磁盘241和可移动介质驱动器242(例如，软盘驱动器、光盘驱动器、磁带驱动器和/或固态驱动器)。可使用适当的装置接口(例如，小型计算机系统接口(SCSI)、集成装置电子器件(IDE)、通用串行总线(USB)或火线)将存储装置添加到计算机系统210。

计算机系统210还可包括耦接到总线221的显示控制器265，以控制监视器或显示器266，诸如阴极射线管(CRT)或液晶显示器(LCD)，以向计算机用户显示信息。所示出的计算机系统210包括用户输入接口260和一个或多个输入装置，诸如键盘262和指向装置261，以用于与计算机用户交互并将信息提供给处理器220。指向装置261例如可以是鼠标、轨迹球或指向杆，以用于向处理器220传送方向信息和命令选择并用于控制显示器266上的光标移动。显示器266可提供触摸屏界面，该触摸屏界面可允许输入以补充或替换指向装置261和/或键盘262对方向信息和命令选择的通信。

响应于处理器220执行包含在存储器诸如系统存储器230中的一个或多个指令的一个或多个序列，计算机系统210可执行本文所述的功能和方法的一部分或每一者。可从另一个计算机可读介质诸如硬盘241或可移动介质驱动器242将此类指令读入系统存储器230。硬盘241可包含由本文所述的实施方案使用的一个或多个数据存储库和数据文件。数据存储库内容和数据文件可以被加密以提高安全性。处理器220还可在多处理布置中采用以执行系统存储器230中包含的指令的一个或多个序列。在另选的实施方案中，可以使用硬连线电路系统取代软件指令或与软件指令结合使用。因此，实施方案不限于硬件电路系统和软件的任何特定组合。

如上所述，计算机系统210可包括至少一个计算机可读介质或存储器，以用于保存根据本文所述的实施方案编程的指令并且用于包含本文所述的数据结构、表格、记录或其他数据。如本文所用的术语计算机可读介质是指参与向处理器220提供指令以供执行的任何非临时性有形介质。计算机可读介质可以采用许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁光盘，诸如硬盘241或可移动介质驱动器242。易失性介质的非限制性示例包括动态存储器，诸如系统存储器230。传输介质的非限制性示例包括同轴缆线、铜线和光纤，包括构成总线221的导线。传输介质也可以采用声波或光波的形式，诸如在无线电波和红外数据通信期间生成的声波或光波。

计算环境200还可包括计算机系统210，该计算机系统使用到本地计算装置106和一个或多个其他装置的逻辑连接在联网环境中操作，所述一个或多个其他装置诸如为个人计算机(膝上型计算机或台式计算机)、移动装置(例如，患者移动装置)、服务器、路由器、网络PC、对等装置或其他公共网络节点，并且通常包括上面相对于计算机系统210所述的许多或所有元件。当在联网环境中使用时，计算机系统210可包括调制解调器272，该调制解调器用于在网络120诸如互联网上建立通信。调制解调器272可经由网络接口270或经由另一个适当的机构连接至系统总线221。

如图1和图2所示，网络120可以是本领域中公知的任何网络或系统，包括互联网、内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或一系列连接、蜂窝电话网络或能够促进计算机系统610与其他计算机(例如，本地计算装置106)之间的通信的任何其他网络或介质。

图3是可以实施本公开的一个或多个特征的示例性装置300的框图。例如，装置300可以是本地计算装置106。装置300可包括，例如计算机、游戏装置、手持装置、机顶盒、电视机、移动电话或平板电脑。装置300包括处理器302、存储器304、存储装置306、一个或多个输入装置308和一个或多个输出装置310。装置300还可任选地包括输入驱动器312和输出驱动器314。应当理解，装置300可包括图3中未示出的附加部件，包括人工智能加速器。

在各种另选方案中，处理器302包括中央处理单元(CPU)、图形处理单元(GPU)、位于同一管芯上的CPU和GPU，或一个或多个处理器内核，其中每个处理器内核可以是CPU或GPU。在各种另选方案中，存储器304与处理器302位于同一管芯上，或者与处理器302分开定位。存储器304包括易失性或非易失性存储器，例如，随机存取存储器(RAM)、动态RAM或高速缓存。

存储装置306包括固定或可移动存储装置，例如硬盘驱动器、固态驱动器、光盘或闪存驱动器。输入装置308包括但不限于键盘、小键盘、触摸屏、触摸板、检测器、麦克风、加速计、陀螺仪、生物识别扫描器或网络连接器(例如，用于传输和/或接收无线IEEE 802信号的无线局域网卡)。输出装置310包括但不限于显示器、扬声器、打印机、触觉反馈装置、一个或多个灯、天线或网络连接(例如，用于传输和/或接收无线IEEE802信号的无线局域网卡)。

输入驱动器312与处理器302和输入装置308通信，并且允许处理器302从输入装置308接收输入。输出驱动器314与处理器302和输出装置310通信，并且允许处理器302向输出装置310发送输出。需注意，输入驱动器312和输出驱动器314是可选部件，并且如果不存在输入驱动器312和输出驱动器314，则装置300将以相同的方式操作。输出驱动器316包括耦接到显示装置318的加速处理装置(“APD”)316。APD接受来自处理器302的计算命令和图形渲染命令，处理那些计算和图形渲染命令，并且向显示装置318提供像素输出以供显示。如下面进一步详细描述的，APD316包括一个或多个并行处理单元，以根据单指令多数据(“SIMD”)范式来执行计算。因此，尽管各种功能在本文中被描述为由APD 316执行或结合APD 316执行，但在各种另选方案中，被描述为由APD 316执行的功能附加地或另选地由具有类似能力的其他计算装置执行，这些计算装置不由主机处理器(例如，处理器302)驱动，并且向显示装置318提供图形输出。例如，预期根据SIMD范式执行处理任务的任何处理系统可执行本文所述的功能。另选地，预期不根据SIMD范式执行处理任务的计算系统执行本文所述的功能。

图4示出了结合图3的示例性装置的人工智能系统200的图形描绘。系统400包括数据410、机器420、模型430、多个结果440和底层硬件450。系统400按以下方式工作：使用数据410来训练机器420，同时构建模型430以使得能够预测多个结果440。系统400可相对于硬件450工作。在此类配置中，数据410可与硬件450相关并且可始自于例如设备102。例如，数据410可以是正在生成的数据，或者是与硬件450相关联的输出数据。机器420可作为与硬件450相关联的控制器或数据收集工作或与其相关联。模型430可被配置成对硬件450的操作建模并对从硬件450收集的数据410建模，以便预测由硬件450实现的结果。使用预测的结果440，硬件450可被配置成从硬件450提供某个期望的结果440。

图5示出了在图4的人工智能系统中执行的方法500。方法500包括在步骤510处从硬件收集数据。该数据可包括当前从硬件收集的数据、来自硬件的历史数据或其他数据。例如，该数据可包括外科规程期间的测量结果，并且可与规程的结果相关联。例如，可收集心脏的温度并将其与心脏规程的结果相关联。

在步骤520处，方法500包括在硬件上训练机器。该训练可包括在步骤510中收集的数据的分析和相关性。例如，就心脏而言，可训练温度和结果的数据以确定在规程期间心脏的温度与结果之间是否存在相关性或联系。

在步骤530处，方法500包括在与硬件相关联的数据上构建模型。构建模型可包括物理硬件或软件建模、算法建模等，如将在下文描述的。该建模可试图表示已收集和训练的数据。

在步骤540处，方法500包括预测与硬件相关联的模型的结果。对结果的这种预测可基于已训练的模型。例如，就心脏而言，如果规程期间介于97.7-100.2之间的温度由规程产生正面结果，则可在给定规程中基于规程期间心脏的温度来预测结果。虽然该模型是基本的，但它被提供用于示例性目的并增加对本教导内容的理解。

本发明的系统和方法用以训练机器、构建模型并使用算法预测结果。这些算法可用于求解已训练的模型并预测与硬件相关联的结果。这些算法通常可分成分类、回归和聚类算法。

例如，分类算法用于将因变量(其为被预测的变量)分成多个类别的情况并预测给定输入下的类别(因变量)的情况。因此，分类算法用于从一组数量的固定的预定义结果中预测结果。分类算法可包括朴素贝叶斯算法、决策树、随机森林分类器、逻辑回归、支持向量机和k个最近相邻点。

一般来讲，朴素贝叶斯算法遵循贝叶斯定理，并且遵循概率方法。应当理解，也可以使用其他基于概率的算法，并且这些算法通常使用与下文针对示例性朴素贝叶斯算法所述的那些类似的概率原理来操作。

图6示出了朴素贝叶斯计算的概率的示例。贝叶斯定理的概率方法实质上意味着该算法对于目标的每个类别具有一组先验概率，而不是直接跳跃到数据中。在输入数据之后，朴素贝叶斯算法可更新先验概率以形成后验概率。这由以下公式给出：

当需要预测您的输入是否属于给定列表的n个类别时，这种朴素贝叶斯算法以及贝叶斯算法通常可能是有用的。可使用概率方法，因为所有n个类别的概率将相当低。

例如，如图6所示，一个人打高尔夫球，这取决于包括第一数据集610中所示的外部天气在内的因素。第一数据集610在第一列中示出了天气并且在第二列中示出了与该天气相关联的打球结果。在频率表620中，生成发生某些事件的频率。在频率表620中，确定一个人在每个天气状况下打高尔夫球或不打高尔夫球的频率。由此，编译了用于生成初始概率的似然表。例如，天气为阴天的概率为0.29，而打球的一般概率为0.64。

可以根据似然表630生成后验概率。这些后验概率可被配置为回答有关天气状况以及是否在那些天气状况下打高尔夫球的问题。例如，可以通过贝叶斯公式来阐述室外晴朗并且打高尔夫球的概率：

P(是|晴朗)＝P(晴朗|是)*P(是)/P(晴朗)

根据似然表630：

P(晴朗|是)＝3/9＝0.33，

P(晴朗)＝5/14＝0.36，

P(是)＝9/14＝0.64。

因此，P(是|晴朗)＝0.33*0.64/0.36或大约0.60(60％)。

一般来讲，决策树是类似于流程图的树结构，其中每个外部节点代表对属性的测试并且每个分支表示该测试的结果。叶节点含有实际预测标签。决策树从树根开始，其中属性值被比较，直到到达叶节点。当处理高维数据时以及当已在数据准备之后花费很少时间时，决策树可以用作分类器。决策树可以采取简单决策树、线性决策树、代数决策树、确定性决策树、随机决策树、非确定性决策树和量子决策树的形式。下面在图7中提供了示例性决策树。

图7示出了决定是否打高尔夫球的决策树，该决策树遵循与上述贝叶斯示例相同的结构。在决策树中，第一节点710检查天气，从而将晴朗712、阴天714和雨天716作为选择以沿决策树向下进展。如果天气晴朗，则跟随树的支腿到检查温度的第二节点720。在该示例中，节点720处的温度可以为高722或正常724。如果节点720处的温度为高722，则出现“否”(不打)723高尔夫球的预测结果。如果节点720处的温度为正常724，则出现“是”(打)725高尔夫球的预测结果。

此外，从第一节点710开始，出现结果阴天714，则“是”(打)715高尔夫球。

从第一节点天气710开始，雨天716的结果导致(再次)检查温度的第三节点730。如果第三节点730处的温度为正常732，则“是”(打)733高尔夫球。如果第三节点730处的温度为低734，则“否”(不打)735高尔夫球。

根据该决策树，如果天气为阴天715、在正常温度晴朗天气725下和在正常温度下雨天气733下，则高尔夫球手打高尔夫球，而如果是晴朗高温723下或下雨低温735下，则高尔夫球手不打高尔夫球。

随机森林分类器是决策树的委员会，其中每个决策树已被馈送数据的属性的子集并且基于该子集进行预测。考虑决策树的实际预测值的众数以提供最终的随机森林答案。随机森林分类器通常减轻了存在于独立决策树中的过度拟合，从而得到更稳健和准确的分类器。

图8示出了用于对服装的颜色进行分类的示例性随机森林分类器。如图8所示，随机森林分类器包括五个决策树8101、8102、8103、8104和8105(统称或一般称为决策树810)。每个树被设计用于对服装的颜色进行分类。不提供对每个树和所做决策的讨论，因为每个单独的树通常作为图7的决策树来操作。在该例证中，这五个树中的三个(8101、8102、8104)确定服装为蓝色，而一个树确定服装为绿色(8103)，并且剩余的树确定服装为红色(8105)。随机森林采用五个树的这些实际预测值，并计算这些实际预测值的众数以提供服装为蓝色的随机森林答案。

逻辑回归是用于二分分类任务的另一种算法。逻辑回归基于逻辑函数(也称为S形函数)。该S形曲线可采用任何实值数，并且将其映射在0和1之间，渐近地接近那些限值。逻辑模型可用于对存在的某个类别或事件诸如通过/失败、赢/输、存活/死亡或健康/患病的概率进行建模。这可扩展到对几类事件进行建模，例如确定图像中是否包含猫、狗、狮子等。图像中检测到的每个对象将被分配一个介于0和1之间的概率，概率之和为1。

在逻辑模型中，标记为“1”的值的对数几率(几率的对数)是一个或多个自变量(“预测器”)的线性组合；这些自变量可各自为二元变量(两个类别，由指示器变量编码)或连续变量(任何实值)。标记为“1”的值的对应概率可以在0(肯定为值“0”)和1(肯定为值“1”)之间变化，因此进行标记；将对数几率转换为概率的函数是逻辑函数，因此使用此名称。对数几率标度的测量单位称为分对数，来自逻辑单位，因此使用此另选名称。也可以使用具有不同S形函数而不是逻辑函数的类似模型，诸如概率模型；逻辑模型的定义特性为增加自变量中的一个以恒定速率乘法地缩放给定结果的几率，其中每个自变量具有其自身的参数；对于二元因变量，这概括了几率比。

在二元逻辑回归模型中，因变量具有两个水平(类别上)。通过多项逻辑回归对具有超过两个值的输出进行建模，并且如果这多个类别是有序的，则通过顺序逻辑回归(例如比例优势顺序逻辑模型)进行建模。逻辑回归模型本身简单地根据输入对输出的概率进行建模，并且不执行统计分类(其不是分类器)，但其可用于例如通过选择截止值并将概率大于截止值的输入分类为一个类别、将概率低于截止值的输入分类为另一个类比来充当分类器；这是制作二元分类器的通用方式。

图9示出了示例性逻辑回归。该示例性逻辑回归使得能够基于一组变量来预测结果。例如，基于个人的平均学分绩点，可预测被学校接受的结果。平均学分绩点的过去历史以及与接受的关系使得预测能够发生。图9的逻辑回归使得能够分析平均学分绩点变量920以预测由0至1限定的结果910。在S形曲线的低端930处，平均学分绩点920预测不被接受的结果910。而在S形曲线的高端940处，平均学分绩点920预测被接受的结果910。逻辑回归可用于预测房屋价值、保险行业中的客户寿命值等。

支持向量机(SVM)可用于以尽可能远地间隔开的两个类别之间的裕度对数据进行分类。这被称为最大裕度间隔。SVM可在绘制超平面时考虑支持向量，这与线性回归不同，线性回归将数据集用于该目的。

图10示出了示例性支持向量机。在示例性SVM 1000中，数据可被分类为表示为正方形1010和三角形1020的两个不同类别。SVM 1000通过绘制随机超平面1030来操作。通过比较超平面1030与来自每个类别的最近数据点1050之间的距离(用线1040示出)来监测该超平面1030。距超平面1030最近的数据点1050被称为支持向量。基于这些支持向量1050来绘制超平面1030，并且最佳超平面具有距这些支持向量1050中的每一个的最大距离。超平面1030和支持向量1050之间的距离被称为裕度。

SVM 1000可用于通过使用超平面1030对数据进行分类，使得超平面1030与支持向量1050之间的距离最大。例如，此类SVM 1000可用于预测心脏病。

K个最近相邻点(KNN)是指通常不对基础数据分布做出假设并且执行相当短的训练阶段的一组算法。一般来讲，KNN使用被分成若干类别的许多数据点来预测新采样点的分类。操作地，KNN指定具有新样本的整数N。选择系统的模型中最靠近该新样本的N个条目。确定这些条目的最常见分类，并将该分类分配给该新样本。KNN通常要求存储空间随着训练集增大而增大。这也意味着估计时间与训练点的数量成比例地增加。

在回归算法中，输出为连续量，因此可在目标变量为连续变量的情况下使用回归算法。线性回归是回归算法的一般示例。线性回归可用于根据一个或多个一致变量来估计真实质量(房屋成本、叫拍次数、所有买断交易等)。通过拟合最佳线(从而拟合线性回归)来创建变量与结果之间的连接。该最佳拟合线被称为回归线并且通过直接条件Y＝a*X+b来表达。线性回归最好用于涉及低维度数的方法中。

图11示出了示例性线性回归模型。在该模型中，相对于测量变量1120来对预测变量1110进行建模。预测变量1110和测量变量1120的实例的集群被绘制为数据点1130。然后用最佳拟合线1140拟合数据点1130。然后在给定测量变量1120的情况下，将最佳拟合线1140用于后续预测，该线1140用于预测该实例的预测变量1110。线性回归可用于在金融组合、收入预报、房地产和在到达估计到达时间时的交通方面进行建模和预测。

聚类算法也可用于对数据集进行建模和训练。在聚类中，基于特征相似性将输入分配到两个或更多个集群中。聚类算法通常在没有任何指导的情况下从数据中学习模式和有用的见解。例如，可使用无监督学习算法如K均值聚类来执行基于观看者的兴趣、年龄、地理等将他们聚类成类似的组。

K均值聚类通常被认为是简单的无监督学习方法。在K均值聚类中，可以将类似的数据点聚集在一起并以集群的形式绑定。用于将数据点绑定在一起的一种方法是通过计算该组数据点的质心。在确定有效集群时，在K均值聚类中，评估每个点与集群的质心之间的距离。根据数据点与质心之间的距离，将数据分配给最近的集群。聚类的目标是确定一组未标记数据中的本征分组。K均值中的“K”代表形成的集群的数量。集群的数量(基本上是可对新的数据实例进行分类的类别的数量)可由用户确定。例如，可在训练期间使用反馈并查看集群的尺寸来执行该确定。

在数据集具有不同且良好间隔的点的情况下主要使用K均值，否则，如果集群未间隔，则建模可能会使集群不准确。另外，在数据集含有大量异常值或数据集为非线性的情况下，可以避免K均值。

图12示出了K均值聚类。在K均值聚类中，绘制数据点并分配K值。例如，对于图12中的K＝2，绘制数据点，如描绘1210所示。然后在步骤1220处将这些点分配给类似的中心。集群质心被识别，如1230所示。一旦质心被识别，就将这些点重新分配到集群以提供数据点到相应集群质心之间的最小距离，如1240所示。然后可确定集群的新质心，如描绘1250所示。当将数据点重新分配到集群时，可发生新的集群质心形成、迭代或一系列迭代，以使集群的尺寸最小化并且确定最佳质心的质心。然后，当测量新的数据点时，可将新的数据点与质心和集群进行比较以与该集群一起识别。

可使用集成学习算法。与可单独从任何组成学习算法获得的性能相比，这些算法使用多个学习算法来获得更好的预测性能。集成学习算法执行通过假设空间进行搜索以找到将对特定问题进行良好预测的合适假设的任务。即使该假设空间含有非常适合特定问题的假设，找到良好的假设也可能是非常困难的。集成算法组合了多个假设以形成更好的假设。术语集成通常被保留用于使用相同的基础学习器来生成多个假设的方法。多个分类器系统的更广泛的术语还涵盖不由相同基础学习器诱导的假设的混合。

与评估单个模型的预测相比，评估集成的预测通常需要更多的计算，因此集成可被认为是通过执行大量额外计算来补偿不良学习算法的方式。快速算法诸如决策树通常用在集成方法中，例如随机森林，尽管较慢算法也可受益于集成技术。

集成本身是受监督的学习算法，因为该集成可以被训练，然后用于进行预测。因此，受过训练的集成代表单个假设。然而，该假设不一定被容纳在构建该假设的模型的假设空间内。因此，可示出集成在其可表示的功能上具有更大的灵活性。理论上，这种灵活性可使得这些集成能够比单个模型更适合训练数据，但在实践中，一些集成技术(尤其是装袋)趋于减少与过度适合训练数据相关的问题。

根据经验，当模型之间存在显著多样性时，集成算法趋于产生更好的结果。因此，许多集成方法试图促进它们组合的模型之间的多样性。虽然是非直观的，但可使用更随机的算法(如随机决策树)来产生比非常有意的算法(如熵降低决策树)更强的集成。然而，使用多种强力学习算法已显示出比使用尝试丢弃模型以促进多样性的技术更有效。

集成的分量分类器的数量对预测的准确度具有很大影响。预先确定大数据流的集成尺寸和体积以及速度使得这对于在线集成分类器甚至更重要。理论框架表明，存在用于集成的理想数量的分量分类器，使得具有多于或少于该数量的分类器将降低准确度。理论框架表明，使用与类标签相同数量的独立分量分类器给出了最高准确度。

一些常见类型的集成包括贝叶斯最佳分类器、自举聚合(装袋)、提升、贝叶斯模型平均、贝叶斯模型组合、模型存储和堆叠。图13示出了示例性集成学习算法，其中装袋被并行执行1310，并且提升被顺序地执行1320。

神经网络是神经元的网络或电路，或者在现代意义上，是由人工神经元或节点组成的人工神经网络。生物神经元的连接被建模为权重。正权重反映兴奋性连接，而负值表示抑制性连接。通过权重修改输入并使用线性组合求和。激活函数可控制输出的振幅。例如，可接受的输出范围通常介于0和1之间，或者该范围可为-1和1之间。

这些人工网络可用于预测建模、自适应控制和应用，并且可经由数据集被训练。由经验产生的自学可发生在网络内，这可从复杂且看似不相关的信息组中得出结论。

为了完整起见，生物神经网络由一组或多组化学连接的或功能相关的神经元组成。单个神经元可被连接到许多其他神经元，并且网络中的神经元和连接的总数可以是广泛的。连接(称为突触)通常由轴突至枝状体形成，但树枝状突触和其他连接也是可能的。除了电信号之外，还存在由神经递质扩散引起的其他形式的信号。

人工智能、认知建模和神经网络是由生物神经系统处理数据的方式诱发的信息处理范式。人工智能和认知建模试图模拟生物神经网络的一些特性。在人工智能领域，人工神经网络已被成功地应用于语音识别、图像分析和自适应控制，以便(在计算机和视频游戏中)构建软件代理或自主机器人。

就被称为人工神经网络(ANN)或模拟神经网络(SNN)的人工神经元而言，神经网络(NN)是一组互连的天然或人工神经元，该神经网络基于计算的连接方法使用数学或计算模型进行信息处理。在大多数情况下，ANN是基于流动通过网络的外部或内部信息来改变其结构的自适应系统。更实际的术语神经网络是非线性统计数据建模或决策制定工具。这些术语神经网络可用于对输入和输出之间的复杂关系进行建模或在数据中找到模式。

人工神经网络涉及简单处理元件(人工神经元)的网络，该网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。

一种经典类型的人工神经网络是复发式霍普菲尔德网络。人工神经网络模型的实用性在于它们可用于从观察推断函数并且还可用于使用该函数。未受监督的神经网络还可用于学习捕获输入分布的显著特征的输入的表示，以及最近的深度学习算法可以隐含地学习观察到的数据的分布函数。在神经网络中的学习在数据或任务的复杂性使得手动设计此类功能不切实际的应用中特别有用。

神经网络可用于不同领域。人工神经网络所应用的任务往往落在以下广泛类别内：函数近似或回归分析，包括时间序列预测和建模；分类，包括模式和序列识别、新颖性检测和顺序决策；以及数据处理，包括过滤、集群、盲信号分离和压缩。

ANN的应用程序区域包括非线性系统识别和控制(车辆控制、过程控制)、游戏播放和决策制定(西洋双陆棋、聊天、比赛)、模式识别(雷达系统、面部识别、对象识别)、序列识别(手势、语音、手写文本识别)、医疗诊断、金融应用程序、数据挖掘(或数据库中的知识发现，“KDD”)、可视化和电子邮件垃圾筛选。例如，可以从训练用于对象识别的图片创建用户兴趣的语义特征图。

图14示出了示例性神经网络。在该神经网络中，存在由多个输入诸如1410₁和1410₂表示的输入层。输入1410₁、1410₂被提供给被描绘为包括节点1420₁、1420₂、1420₃、1420₄的隐藏层。这些节点1420₁、1420₂、1420₃、1420₄被组合以在输出层中产生输出1430。神经网络经由简单处理元件的隐藏层(节点1420₁、1420₂、1420₃、1420₄)执行简单处理，该神经网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。

图14的神经网络可在硬件中实现。如图15所示，示出了基于硬件的神经网络。

心律失常，具体地心房纤颤，一直是常见且危险的医疗疾病，在老年群体中尤为如此。对于具有正常窦性节律的患者，由心房、心室和兴奋传导组织构成的心脏在电刺激的作用下以同步、模式化方式搏动。对于心律失常的患者，心脏组织的异常区域不会像具有正常窦性心律的患者那样遵循与正常传导组织相关的同步搏动周期。相反，心脏组织的异常区域不正常地向邻近组织传导，从而将心动周期打乱为非同步心律。之前已知这种异常传导发生于心脏的各个区域处，例如窦房(SA)结区域中、沿房室(AV)结和希氏束的传导通路或形成心室和心房心腔的壁的心肌组织中。

包括房性心律失常在内的心律失常可为多子波折返型，其特征在于分散在心房腔室周围并通常自传播的电脉冲的多个异步环。另选地，或除多子波折返型外，诸如当心房内孤立的组织区域以快速重复的方式自主搏动时，心律失常还可具有病灶源。室性心动过速(V-tach或VT)是一种源于某一个心室的心动过速或快速心律。这是一种可能危及生命的心律失常，因为它可以导致心室纤颤和猝死。

当窦房结产生的正常电脉冲被起源于心房和肺静脉、会导致不规则脉冲被传输至心室的紊乱电脉冲淹没时，会发生一种类型的心律失常，即心房纤颤。从而产生不规则心跳，并且可持续几分钟至几周，或甚至几年。心房纤颤(AF)通常是慢性病症，它会使通常由中风导致的死亡风险稍有增加。风险随年龄而增加。大约8％的80岁以上人群患有一定程度的AF。心房纤颤通常是无症状的，而且其自身一般不会危及生命，但它可引起心悸、虚弱、昏晕、胸痛和充血性心力衰竭。中风的风险在AF期间增加，因为血液可在收缩不良的心房和左心耳中郁积并形成血块。AF的一线治疗是可减慢心率或使心律恢复正常的药物治疗。另外，患有AF的人通常会被给予抗凝剂，以防止他们有中风的风险。使用此类抗凝血剂会伴随其自身带有的内出血风险。对于一些患者，药物治疗是不够的，他们的AF被视为药物难治性的，即用标准药物干预是无法医治的。也可以采用同步电复律使AF恢复至正常心律。另选地，通过导管消融治疗AF患者。

基于导管消融的治疗可包括标测心脏组织的电特性(尤其是心内膜和心脏容量)，以及通过施加能量来选择性地消融心脏组织。例如创建沿着心脏组织的波传播的电势的标测图(电压标测图)或到各种组织定位点的抵达时间的标测图(局部时间激活(LAT)标测图)的心脏标测可用于检测局部心脏组织功能障碍消融，诸如基于心脏标测的那些，可停止或修改不需要的电信号从心脏的一部分传播到另一部分。

消融过程通过形成非导电消融灶来损坏不需要的电通路。已经公开了多种用于形成消融灶的能量递送形式，并且包括使用微波、激光和更常见的射频能量来沿心脏组织壁形成传导阻滞。在标测然后消融的两步规程中，通常通过向心脏中插入含有一个或多个电传感器(或电极)的导管并获取多个点处的数据来感应并测量心脏中各个点的电活动。然后利用这些数据来选择将要进行消融的心内膜目标区域。

随着临床医生治疗越来越具挑战性的病症诸如心房颤动和室性心动过速，心脏消融和其他心脏电生理规程变得日益复杂。复杂性心律失常的治疗目前依赖于使用三维(3D)标测系统以便重构感兴趣心脏腔室的解剖结构。

例如，心脏病专家依赖于软件，诸如Biosense Webster，Inc.(Diamond Bar，Calif.)生产的3 3D标测系统的复杂碎裂心房电描记图(CFAE)模块来分析心内EGM信号并确定消融点以用于治疗广泛的心脏病症，包括非典型性心房扑动和室性心动过速。

3D标测图可提供有关组织的电生理特性的多条信息，它们表示这些具有挑战性的心律失常的解剖和功能基质。

具有不同病因(缺氧、扩张型(DCM)、肥大型心肌症(HCM)、致心律失常性右心室发育异常(ARVD)、左心室致密化不全(LVNC)等)的心肌症具有可识别基质，其特征在于由功能正常的心肌细胞包围的不健康组织的区域。

图16A至16D示出了具有不同病因的心肌症的示例。作为第一示例，图16A和16B示出了具有缺血后室性心动过速(VT)的心脏1600的示例性渲染，其特征在于其中信号传导减慢的心内-心外膜低电压或中间电压区域1602。这示出了测量密集疤痕区域内部或周围的任何延长的电势可有助于识别维持VT的潜在峡部。图16A所示的缺血后VT的特征在于信号传导减慢的心内-心外膜低电压或中间电压区域。这示出了测量密集疤痕区域内部或周围的任何延长的电势可有助于识别维持VT的潜在峡部。图16A示出了心脏1600的各个扇区中的双极性信号振幅(Bi)变化。图16A示出Bi的范围为0.5mV至1.5mV。图16B示出了心脏的各个扇区中的Shortex复合间隔(SCI)变化。例如，SCI在15.0毫秒至171.00毫秒的范围内，其中感兴趣的SCI范围介于80毫秒和170毫秒之间。

图16C和16D示出了经历左心室致密化不全心肌症的心脏1610的示例性渲染。更具体地，图16C示出心外膜电压标测图，并且图16D示出电势持续时间标测图(PDM)。在图16C和16D中，1612中的三个黑色圆圈被标记为异常延长的电势，例如高于200毫秒的电势。

异常组织通常表征在于低电压EGM。然而，心内-心外膜标测中的初始临床经验指示低电压区域并不总是作为唯一的致心律失常机制存在于此类患者中。事实上，低电压或中电压的区域可在窦性节律期间表现出EGM碎片化和延长的活动，这对应于在持续和组织室性心律失常期间识别的关键峡部，例如，适用于非耐受室性心动过速。此外，在许多情况下，在显示正常或接近正常电压振幅(＞1-1.5mV)的区域中观察到EGM碎片化和延长的活动。虽然后一区域可根据电压振幅来评估，但根据心内信号不能将它们视为正常的，因此表示真实的致心律失常的基质。3D标测能够将致心律失常基质定位在右/左心室的心内膜层和/或心外膜层上，这可根据主要疾病的扩展而在分布上变化。

与这些心脏病症相关的基质与心室腔(右和左)的心内膜层和/或心外膜层中的碎裂和延长EGM的存在相关。3D标测系统诸如能够在异常EGM检测方面定位心肌症的潜在致心律失常基质。

电极导管已经普遍用于医疗实践多年。它们被用来刺激和标测心脏中的电活动，以及用来消融异常电活动的位点。使用时，将电极导管插入到主静脉或动脉例如股动脉中，并且随后引导到所关注的心脏腔室中。典型的消融规程涉及将在其远侧端部具有至少一个电极的导管插入到心脏腔室中。提供通常用胶带粘贴在患者的皮肤上的参考电极，或者可使用设置在心脏中或附近的第二导管来提供参考电极。RF(射频)电流被施加到消融导管的尖端电极，并且电流通过周围介质(即血液和组织)流向参考电极。电流的分布取决于与血液相比电极表面与组织接触的量，血液具有比组织更高的导电率。由于组织的电阻，发生组织的加热。组织被充分加热而致使心脏组织中的细胞破坏，从而导致在心脏组织内形成不导电的消融灶。在这个过程中，由于从被加热组织至电极本身的传导，还发生对电极的加热。如果电极温度变得足够高，可能高于60℃，则可在电极的表面上形成脱水血蛋白的薄透明涂层。如果温度继续升高，则该脱水层可变得越来越厚，导致在电极表面上的血液凝结。因为脱水生物材料具有比心内膜组织更高的电阻，所以对于进入组织的电能量流的阻抗也增大。如果阻抗充分地增加，则出现阻抗上升，并且可将导管从体内移除并清理尖端电极。

图17是可实现本公开主题的一个或多个特征的示例性系统1720的图示。系统1720的全部或部分可用于为训练数据集收集信息，并且/或者系统1720的全部或部分可用于实现已训练模型。系统1720可包括被配置成损坏体内器官的组织区域的部件，诸如导管1740。导管1740也可被进一步配置成获得生物计量数据。虽然导管1740示为尖导管，但是应当理解，包括一个或多个元件(例如电极)的任何形状的导管均可用于实施本文公开的实施方案。系统1720包括探头1721，该探头具有可由医师1730导航到躺在台1729上的患者1728的身体部位诸如心脏1726中的轴。根据实施方案，可提供多个探头，然而，为了简洁起见，本文描述了单个探头1721，但是应当理解，探头1721可以代表多个探头。如图17所示，医师1730可穿过护套1723插入轴1722，同时使用导管1740的近侧端部附近的操纵器1732和/或从护套1723偏转来操纵轴1722的远侧端部。如插图1725所示，导管1740可装配在轴1722的远侧端部。导管1740可在塌缩状态下穿过护套1723插入，并且然后可在心脏1726内展开。如本文进一步公开的，导管1740可包括至少一个消融电极1747和导管针1748。

根据示例性实施方案，导管1740可被配置成消融心脏1726的心腔的组织区域。插图1745以放大视图示出了在心脏1726的心腔内的导管1740。如图所示，导管1740可包括联接到导管的主体上的至少一个消融电极1747。根据其他示例性实施方案，多个元件可经由形成导管1740的形状的长条连接。可以提供一个或多个其他元件(未示出)，该一个或多个其他元件可以是被配置成消融或获得生物计量数据的任何元件，并且可以是电极、换能器或一个或多个其他元件。

根据本文所公开的实施方案，消融电极诸如电极1747可被配置成向体内器官诸如心脏1726的组织区域提供能量。能量可以是热能并且可从组织区域的表面开始并延伸到组织区域的厚度中对组织区域造成损伤。

根据本文公开的示例性实施方案，生物计量数据可包括局部激活时间(LAT)、电活动、拓扑结构、双极标测图、主频、阻抗等中的一项或多项。LAT可以是基于归一化初始起点来计算的对应于局部激活的阈值活动的时间点。电活动可以是可以基于一个或多个阈值来测量并且可以基于信噪比和/或其他滤波器来感测和/或增强的任何适用的电信号。拓扑结构可以对应于身体部位或身体部位的一部分的物理结构，并且可以对应于物理结构相对于身体部位的不同部分或相对于不同身体部位的变化。主频可以是在身体部位的一部分处普遍存在的频率或频率范围，并且在相同身体部位的不同部分中可以不同。例如，心脏的肺静脉的主频可以不同于同一心脏的右心房的主频。阻抗可以是在身体部位的给定区域处的电阻测量值。

如图17所示，探头1721和导管1740可连接到控制台1724。控制台1724可包括处理器1741(诸如通用计算机)，该处理器具有合适的前端和接口电路1738，用于向导管传输信号和从导管接收信号，以及用于控制系统1720的其他部件。在一些实施方案中，处理器1741可进一步被配置成接收生物计量数据，诸如电活动，并确定给定的组织区域是否导电。根据一个实施方案，处理器可位于控制台1724的外部，并且可位于例如导管中、外部装置中、移动装置中、基于云的装置中，或者可以是独立的处理器。

如上所指出，处理器1741可包括通用计算机，该通用计算机可用软件编程以执行本文所述的功能。软件可以例如通过网络以电子形式下载到通用计算机，或者可另选地或另外地设置和/或存储在非临时性有形介质(诸如磁存储器、光存储器或电子存储器)上。图17所示的示例性配置可被修改成实施本文所公开的实施方案。本发明所公开的实施方案可以类似地使用其他系统部件和设置来应用。另外，系统1620可包括附加部件，诸如用于感测电活动的元件、有线或无线连接器、处理和显示装置等。

根据一个实施方案，连接到处理器(例如，处理器1741)的显示器可以位于远程位置诸如单独的医院处或位于单独的医疗保健提供者网络中。另外，系统1720可为外科系统的一部分，该外科系统被配置成获得患者器官(诸如心脏)的解剖测量结果和电测量结果，并执行心脏消融规程。此类外科系统的示例是由Biosense Webster销售的系统。

系统1720还可以并且任选地使用超声、计算机断层摄影(CT)、磁共振成像(MRI)或本领域已知的其他医疗成像技术来获得生物计量数据，诸如患者心脏的解剖测量结果。系统1720可使用导管、心电图(EKG)或测量心脏的电特性的其他传感器来获得电测量结果。如图17所示，然后可将包括解剖测量结果和电测量结果的生物计量数据存储在标测系统1720的存储器1742中。生物计量数据可从存储器1742传输到处理器1741。另选地或除此之外，可使用网络1662将生物计量数据传输到可以是本地的或远程的服务器1760。

网络1762可以是本领域公知的任何网络或系统，诸如内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或一系列连接、蜂窝电话网络，或者能够促进标测系统1720和服务器1760之间的通信的任何其他网络或介质。网络1662可以是有线的、无线的或它们的组合。可以使用以太网、通用串行总线(USB)、RJ-11或本领域公知的任何其他有线连接来实现有线连接。可以使用Wi-Fi、WiMAX和蓝牙、红外、蜂窝网络、卫星或本领域公知的任何其他无线连接方法来实现无线连接。另外，几个网络可以单独工作或彼此通信以促进网络1762中的通信。

在一些情况下，服务器1762可被实现为物理服务器。在其他情况下，服务器1762可被实现为公共云计算提供商(例如，Amazon Web Services的虚拟服务器。

控制台1724可通过缆线1739连接到体表电极1743，该体表电极可包括附连到患者1730的粘合剂皮肤贴片。处理器与电流跟踪模块相结合可确定导管1740在患者的身体部位(例如心脏1726)内的方位坐标。方位坐标可基于在体表电极1743和电极1748或导管1740的其他电磁部件之间测得的阻抗或电磁场。附加地或另选地，定位垫可位于床1729的表面上并且可与床1729分离。

处理器1741可包括通常被配置为现场可编程门阵列(FPGA)的实时降噪电路系统，之后是模数(A/D)ECG(心电图)或EMG(肌电图)信号转换集成电路。处理器1741可将信号从A/D ECG或EMG电路传递到另一处理器并且/或者可被编程以执行本文所公开的一个或多个功能。

控制台1724还可包括输入/输出(I/O)通信接口，该输入/输出(I/O)通信接口使得控制台能够传递来自电极1747的信号，并且/或者将信号传递到该电极。

在规程期间，处理器1741可促进在显示器1727上向医师1730呈现身体部位渲染1735，并且将表示身体部位渲染1735的数据存储在存储器1742中。存储器1742可包括任何合适的易失性和/或非易失性存储器，诸如随机存取存储器或硬盘驱动器。在一些实施方案中，医疗专业人员1730可能能够使用一个或多个输入装置(诸如触摸板、鼠标、键盘、手势识别设备等)来操纵身体部位渲染1735。例如，输入装置可用于改变导管1740的位置，使得渲染1735被更新。在另选的实施方案中，显示器1727可包括触摸屏，该触摸屏可被配置成除了呈现身体部位渲染1735之外，还接受来自医疗专业人员1730的输入。

诸如心律失常的心脏病症的治疗通常需要获得心脏组织、腔室、静脉、动脉和/或电通路的详细标测。例如，成功执行导管消融的先决条件是心律失常的原因准确地位于心脏腔室中。此类定位可经由电生理研究来完成，在该电生理研究期间，用引入到心脏腔室中的标测导管空间分辨地检测电势。该电生理研究(所谓的电解剖标测)因此提供可在监视器上显示的3D标测数据。在许多情况下，标测功能和治疗功能(例如，消融)由单个导管或一组导管提供，使得标测导管也同时作为治疗(例如，消融)导管操作。

心脏区域诸如心脏区域、组织、静脉、动脉和/或电通路的标测可导致识别问题区域诸如疤痕组织、动脉血症源(例如，电转子)、健康区域等。心脏区域可被标测，使得使用显示器提供标测心脏区域的视觉渲染，如本文进一步公开的。另外，心脏标测可包括基于一种或多种模态的标测，诸如但不限于LAT、电活动、拓扑结构、双极性标测图、主频或阻抗。对应于多种模态的数据可使用插入患者体内的导管来捕获，并且可基于医疗专业人员的对应设置和/或偏好同时或在不同时间提供渲染。

心脏标测可使用一种或多种技术来实现。作为第一技术的示例，心脏标测可通过根据心脏内的精确位置感测心脏组织的电特性(例如，LAT)来实现。对应的数据可通过一个或多个导管获取，这些导管使用在其远侧末端中具有电传感器和位置传感器的导管推进到心脏中。作为具体示例，最初可在心脏的内表面上的约10个至约20个点上测量位置和电活动。这些数据点通常可足以生成心脏表面的质量令人满意的初步重构或标测图。初步图可与取自额外的点处的数据结合，以便产生更全面的心脏电活动图。在临床环境中，积累100个或更多个位点处的数据以生成心脏腔室电活动的详细且全面的标测图并不少见。所产生的详细的图可接着作为基础以用于决定例如组织消融的治疗行动过程，以改变心脏电活动的传播和恢复正常心律。

包含位置传感器的导管可用于确定心脏表面上的点的轨线。这些轨线可用于推断运动特性，诸如组织的收缩性。当在心脏中足够数量的点处采样轨迹信息时，可构建描绘此类运动特性的标测图。

通常可将在其远侧末端处或附近包含电传感器的导管推进到心脏中的某点处，用传感器接触组织并获取该点处的数据，通过这种方式来测量心脏中该点处的电活动。使用包含单个远侧末端电极的导管标测心腔的一个缺点是在对于腔室总体的详细图所需的必要数量的点上逐点采集数据需要的时间较长。因此，已开发出多电极导管以同时在心脏腔室中的多个点处测量电活动。

多电极导管可使用任何适用的形状来实现，诸如具有多个电极的线性导管、包括分散在使球囊成形的多个脊上的电极的球囊导管、具有多个电极的套索或环导管，或任何其他适用的形状。图18A示出了包括可用于标测心脏区域的多个电极1804、1805和1806的线性导管1802的示例。线性导管1802可为完全或部分弹性的，使得其可基于所接收的信号和/或基于在线性导管1802上施加外力(例如，心脏组织)来扭曲、弯曲和/或以其他方式改变其形状。

图18B示出了包括多个长条的球囊导管1812的示例。在图18B所示的示例中，存在12个长条，包括长条1814、1815、1816，并且每个长条上的多个电极包括电极1821、1822、1823、1824、1825和1826，如图所示。球囊导管1812可被设计成使得当部署到患者体内时，球囊导管1812电极可保持抵靠心内膜表面紧密接触。例如，球囊导管1812可以插入内腔，诸如肺静脉(PV)。球囊导管1812可以收缩状态插入PV中，使得球囊导管在插入PV中时不占据其最大体积。球囊导管1812可在PV内部膨胀，使得球囊导管上的电极与PV的整个圆形节段接触。与PV的整个圆形节段或任何其他内腔的此类接触可实现有效的标测和/或消融。

图18C示出了包括可用于标测心脏区域的多个电极1832、1834和1836的环导管1830(也称为套索导管)的示例。环导管1830可以是完全或部分弹性的，使得其可以基于所接收的信号和/或基于在环导管1830上施加外力(例如，心脏组织)来扭曲、弯曲和/或以其他方式改变其形状。

根据一个示例，多电极导管诸如线性导管1802、球囊导管1812和环导管1830可被推进到心脏的腔室中。可获得前后荧光图(AP)和侧向荧光图以建立每个电极的位置和取向。可由与心脏表面接触的电极中的每个电极记录相对于时间基准(诸如，从来自体表ECG的窦性节律中的P波开始)的电描记图。如本文进一步公开的，该系统可区分记录电活动的那些电极和不记录电活动的那些电极。不记录电活动可能是由于不紧密接近心内膜壁。在记录初始电描记图之后，可重新定位多电极导管，并且可再次记录荧光图和电描记图。可根据上述过程的迭代构建电标测图。。

根据一个示例，可基于心内电势场的检测来生成心脏标测。可实施同时获取大量心脏电信息的非接触技术。例如，具有远侧端部部分的导管可设置有分布在其表面上并且连接到绝缘电导体以用于连接到信号感测和处理装置的一系列传感器电极。端部部分的尺寸和形状可使得电极与心腔的壁基本上间隔开。可在单次心跳期间检测心内电势场。根据一个示例，传感器电极可分布在位于彼此间隔开的平面中的一系列圆周上。这些平面可垂直于导管的端部部分的长轴。可在端部的长轴的端部处相邻地提供至少两个附加电极。作为更具体的示例，导管可包括四个圆周，其中八个电极在每个圆周上等角地间隔开。因此，在该具体实施中，导管可包括至少34个电极(32个周向电极和2个端部电极)。

根据另一个示例，可实现基于非接触式和非膨胀多电极导管的电生理心脏标测系统和技术。可用具有多个电极(例如，42至122个电极之间)的导管获得电描记图。根据该具体实施，对探头和心内膜的相对几何形状的了解可诸如通过独立的成像模态诸如经食道超声心动图来获得。在独立成像之后，非接触电极可用于测量心脏表面电势并由其构造标测图。该技术可包括以下步骤(在独立成像步骤之后)：(a)利用设置在定位在心脏中的探头上的多个电极来测量电势；(b)确定探头表面和心内膜表面的几何关系；(c)产生表示所述探头表面和心内膜表面的几何关系的系数矩阵；以及(d)基于电极电势和系数矩阵确定心内膜电势。

根据另一个示例，可实现用于标测心脏腔室的电势分布的技术和设备。心内多电极标测导管组件可插入患者的心脏中。标测导管组件可包括具有整体参考电极的多电极阵列，或者另选地，包括配套参考导管。电极可以基本上球形阵列的形式部署。电极阵列可通过参考电极或通过与心内膜表面接触的参考导管在空间上以心内膜表面上的点为参考。电极阵列导管可承载多个单独的电极位点(例如，至少24个)。另外，该示例性技术可通过了解阵列上电极位点中的每个电极位点的位置以及了解心脏几何形状来实现。这些位置可通过阻抗容积描记术的技术来确定。

根据另一个示例，心脏标测导管组件可包括限定多个电极位点的电极阵列。标测导管组件还可包括内腔以接纳具有远侧末端电极组件的参考导管，该远侧末端电极组件可用于探测心脏壁。标测导管可包括绝缘线的编织物(例如，在编织物中具有24至64根线)，并且每根线可用于形成电极位点。导管可易于定位在心脏中以用于从第一组非接触电极位点和/或第二组接触电极位点采集电活动信息。

根据另一个示例，可实施用于标测心脏内的电生理活动的另一个导管。导管主体可包括适于递送用于对心脏起搏的刺激脉冲的远侧末端或用于消融与末端接触的组织的消融电极。导管还可包括至少一对正交电极以生成指示邻近正交电极的局部心脏电活动的差值信号。

根据另一个示例，可实现用于测量心脏腔室中的电生理数据的过程。该方法可部分地包括将一组有源电极和无源电极定位到心脏中，向有源电极提供电流，从而在心脏腔室中产生电场，以及测量无源电极位点处的电场。无源电极可包含在定位在球囊导管的可充胀球囊上的阵列中。在实施方案中，阵列可具有60至64个电极。

根据另一个示例，心脏标测可使用一个或多个超声换能器来实现。超声换能器可插入患者的心脏中，并且可在心脏内的各种位置和取向处收集多个超声切片(例如，2D或3D切片)。可记录给定超声换能器的位置和取向，并且可存储所收集的超声切片，使得它们可在稍后的时间显示。可显示与探头(例如，治疗导管)在稍后的时间的位置对应的一个或多个超声切片，并且探头可覆盖在一个或多个超声切片上。

根据其他示例，身体贴片和/或体表电极可定位在患者身体上或患者身体附近。具有一个或多个电极的导管可定位在患者的身体内(例如，患者的心脏内)，并且该导管的位置可由系统基于在该导管的一个或多个电极与身体贴片和/或体表电极之间传输和接收的信号来确定。另外，导管电极可感测来自患者体内(例如，心脏内)的生物计量数据(例如，LAT值)。生物计量数据可与所确定的导管的位置相关联，使得可显示患者的身体部位(例如，心脏)的渲染，并且可显示覆盖在身体部位形状上的生物计量数据，如由导管的位置所确定的。

根据示例性实施方案，可通过应用用于标测心律失常的位置的历史ECG数据来预测心律失常的位置来优化医疗规程，使得心律失常可被有效地治疗。为了清楚起见，用于识别成功治疗心律失常的消融的历史ECG数据的许多实例可用作训练数据以生成根据如本文所提供附图的模型。可训练模型，使得可将新ECG馈送到模型中，并且基于模型的受过训练的部件，可识别心律失常部位。此类具体实施可减轻或消除手动识别心律失常部位以减少人为误差的需要，并且可允许更高置信度的消融。

图19是用于基于ECG数据和模型来识别心脏位置的流程图1900。如图19的流程图1900所示，在步骤1902处，可收集历史ECG数据和对应的心脏位置。对应的心脏位置可以是基于ECG数据被识别为引起心律失常的心脏位置。如本文进一步公开的，在步骤1902处收集的ECG数据和对应的位置可对应于心律失常被成功治疗(例如，经由消融)的规程。在步骤1902中，可丢弃或不收集不成功手术的数据。另选地，不成功的手术的数据可作为负数据提供并相应地考虑。

在图19的过程1900的步骤1904处，在步骤1902处收集的ECG数据和对应位置可用作学习系统的训练数据。在步骤1904处，训练数据可用于基于给定算法训练学习系统。在图19的过程1900的步骤1906处，受过训练的学习系统可用于生成模型。可生成模型，使得给定新的ECG输入，该模型被配置成提供新的心脏位置作为输出，该心脏位置对应于由模型预测的预测心律失常位置。

在图19的过程1900的步骤1908处，患者的新ECG数据可由在步骤1906处生成的模型接收或作为输入提供。在步骤1910处，模型可输出用于治疗(例如，通过消融)的心律失常位置。

如图19的流程图1900所示，在步骤1902处，可收集历史ECG数据和对应的心脏位置。ECG数据可通过使用多导联ECG(例如，12导联ECG)来获得，使得心脏信号和心脏的电子活动被记录并且可被观察以识别心脏的状况，诸如心律失常。ECG可基于可放置在患者身体表面上的位置处的身体表面(BS)电极贴片。虽然本公开整体涉及基于BS电极的ECG，但应当理解，心内电极可替代地用于获得心脏信号以生成ECG。可使用一个或多个磁传感器、电极传感器、信号滤波算法、高级导管位置(ACL)技术等来获得数据。

如本文进一步公开的，可为大量患者提供历史ECG数据。大量患者可以是例如超过100名患者、超过1000名患者、超过10,000名患者等。使用历史ECG数据的患者的数量可取决于ECG的质量、对应消融的成功程度、历史ECG数据集中的ECG读数的可变性等中的一者或多者。

根据具体实施，为大量患者提供的ECG数据可对应于通过使用相应ECG识别心律失常的位置来成功治疗心律失常的规程。例如，一组100个ECG可用于训练系统，如本文进一步公开的。从100个可用ECG中，70个ECG可对应于其中ECG用于识别心律失常的位置的规程，然后心律失常被成功治疗(例如，经由消融)。70个ECG可用作本文所公开的实施方案的训练数据。相比之下，不用于识别心律失常的位置或识别心律失常的位置但基于所识别的位置的治疗不成功的30个ECG可能不被包括作为训练数据。

根据具体实施，ECG可用于识别诸如心律失常的心脏病症的位置。例如，室性心动过速(VT)期间的QRS复合波可从焦点VT的给定起源位点或从折返VT期间受约束舒张峡部的退出位点生成。给定患者的心室几何形状和激活可支配VT中看到的ECG图案。例如，左心室游离壁VT可显示右束分支块(RBBB)构型，而从介入隔膜或右心室退出的VT显示左束分支块(LBBB)构型。又如，中隔出口可与符合同步激活而不是顺序心室激活的较窄QRS复合波相关联。又如，基础位点可示出正向心前协调，而负向协调可在起源的顶端位点中看到。QRS轴可主要随着沿下轴的出口偏移而变化，但也可随着右移而发生。即使在存在显著的结构性心脏病的情况下，也可应用此类区别属性，但与先前的梗塞、心肌症和先天性心脏病显著的疤痕可降低作为定位工具的ECG的精度。

又如，解剖学变化可以是可导致给定心律失常起源的ECG矢量的预期模式中断的因素。这可起因于心脏与胸壁的正常关系的平移、旋转或横向偏移，或起因于心脏纵隔解剖结构本身内的变化。抗心律失常药通过影响心肌传导特性，可预期影响VT的表面ECG外观。

作为用于识别用于治疗的潜在心律失常位置的ECG数据的示例，图20A示出了将ECG与潜在心律失常的位置相关联的示例。具体地讲，图20A示出了在移除两个心房腔室之后环形和流出道区域的基础视图。示出了各种流出道与围绕中心纤维心脏骨架的环形结构的紧密三维解剖关系。示出了肺动脉(PA)、右心室流出道(RVOT)、左冠状瓣(LCC)、右冠状瓣(RCC)、左冠状动脉(LCA)和右冠状动脉(RCA)。在图20A中，2002示出了由RVOT的自由壁的后面引起的VT的示例性表面ECG外观。看到具有下轴的LBBB构型，其在V3之后具有后期心前转变并且在下导联中形成凹口。导联I中的正力意味着后(或向右)焦点。在2004处，示出了具有前中隔RVOT起源的VT的表面ECG外观的示例。在V3之前的早期心前转变被视为具有负导联I形态。在2004处，可在流出道VT中看到导联V1中的多相凹口构型，所述流出道VT源自瓦氏主动脉窦的左冠状瓣。在2008处，由左心室流出道的心外膜产生的VT的示例被标测至前室间静脉区域(其中激活在QRS开始之前45ms发生)。ECG示出了左束分支块(LBBB)、具有149ms的宽QRS复合波和浆化的固有偏转的下轴构型。

图20B示出了识别可用于识别潜在心律失常的位置的ECG标准的示例。具体地讲，图20B示出了用于识别左心室心外膜(EPI)VT起源部位的报告间隔和形态学ECG标准由两个不同的观察者针对快速VT 2022和慢速VT 2024来评估。值得注意的是，对于快速VT 2022，QRS开始被不同地定义，从而影响间隔标准的测量。如图20B中所应用的，CL指示循环长度；IDT，固有偏转时间；MDI，最大偏转指数；PDW，伪δ波；以及SRS，最短RS复合波。

应当理解，图1和图2所示。20A和20B作为示例提供，并且可使用一种或多种其他技术基于ECG数据来识别潜在心律失常部位。可基于心律失常的相应成功治疗来过滤此类ECG数据，使得对应于不成功治疗的ECG数据被滤除。

在图19的过程1900的步骤1904处，经滤波的ECG数据可用于训练学习系统。可使用硬件、软件和/或固件进行训练。该训练可包括在步骤1902中收集的ECG数据的分析和相关性。给定ECG的属性(例如，诸如图20B所示的那些属性)可用于确定给定方面与对应心律失常位置之间是否存在相关性或链接。

在步骤1902处收集的ECG数据的特征可被提取，并且可包括ECG属性(例如，诸如图20B所示的那些)、患者历史、疤痕信息、导管位置、消融标签(例如，visitag)等。可基于所提取的特征生成特征矩阵，并且可在步骤1904处训练学习系统。根据一个具体实施，可基于诸如本文所述的机器学习算法来训练学习系统。

在步骤1906处，可使用算法训练学习系统以生成模型。算法可以是例如分类算法、回归算法、聚类算法或能够使用ECG数据生成预测心律失常位置的模型的任何适用算法。

例如，图21示出了逻辑回归图以预测某些ECG特征是否可能对应于具有心律失常的给定心脏位置。该逻辑回归使得能够基于ECG属性预测心律失常位置。例如，基于多个QRS开始、周期长度和最大偏转指数，可确定心律失常是否源自左心房的结果。给定QRS开始、周期长度和最大偏转指数的组合的过去历史以及与源自左心房的心律失常的关系使得预测能够发生。图21的逻辑回归使得能够分析给定QRS开始、循环长度和最大偏转指数变量2120的组合，以预测心律失常是否来源于左心房，概率2110由0至1定义。在S形曲线的下端2130处，QRS开始、循环长度和最大偏转指数2120的给定组合预测结果2110不在左心房中。而在S形曲线的高端2140处，组合2120预测结果2110处于左心房中。

如上所述，此类特征的大量各种组合(例如，ECG属性、患者历史、疤痕信息等)可用于生成多个基于逻辑回归的结果，每个结果基于这些特征预测不同位置处心律失常的位置的可能性。此类基于逻辑回归的结果的组合可用于在步骤1906处生成逻辑回归模型，该逻辑回归模型基于在步骤1904处对学习系统的训练而生成。

应当理解，虽然提供了基于逻辑回归的模型作为示例，但可在步骤1906处使用任何适用的算法(例如，分类、回归聚类等)来生成相应的模型。

一旦使用充足的训练数据(例如，特征)来训练学习系统并生成适用的模型，该模型就可与新数据一起使用。在步骤1908处，可将新ECG应用于模型，并且模型可从新ECG和/或外部特征(例如，患者历史、疤痕信息等)提取特征。可生成特征向量并将其输入到在1906处生成的模型中。在步骤1910处，模型可使用特征向量作为输入(例如，如图15所示)并且可基于输入来预测心律失常位置。根据一个具体实施，可提供多个潜在心律失常位置，使得每个潜在心律失常位置被给予评分(例如，相关性评分)，该评分指示如由模型所确定的心律失常在预测位置处的概率。

根据本发明所公开的主题的具体实施，可经由起搏规程来确认预测的心律失常位置。起搏过程可为人工诱导的电信号，其充当潜在心律失常的来源。

起搏导管可在一个或多个心律失常位置处使用，并且可在一个或多个预测的心律失常位置中的每一个处诱导人工生成的电子信号。可观察所得ECG图案以确认给定位置是否为心律失常的来源。根据具体实施，起搏导管可在由在步骤1906处生成的模型识别的两个或更多个潜在心律失常位置处使用。如本文所公开，该模型可提供两个或更多个潜在的心律失常位置，并且可为这些位置中的每一个提供得分(例如，相关性得分)。医疗专业人员或自动化系统然后可在这两个或更多个位置处使用起搏导管并且观察对应的ECG信号模式以确认这些位置中的哪一个对应于心律失常位置。

根据本发明所公开的主题的具体实施，在步骤1902处，患者特征可用于增强学习系统的训练。患者特征可以是除患者特有的ECG数据之外的特征。患者特征可包括但不限于患者年龄、性别、身高、体重，并且还可包括关于患者的任何附加信息，诸如病史、心脏结构(例如，基于MRI或CT扫描)等。例如，儿童的心脏可小于成长成人，因此，识别心律失常位置可由此类附加信息支持。

根据该具体实施，除了与确认的心律失常位置相关联的ECG数据之外，患者特征可补充ECG数据，使得通过将患者特征与确认的心律失常位置相关联来训练在步骤1902处训练的学习系统，如本文所公开的。因此，除ECG数据之外，在步骤1906处生成的模型可允许患者特征作为输入。

例如，在步骤1902处收集的训练数据的子集可对应于儿童。因此，当在1904处训练学习系统时，该训练数据子集的对应ECG数据也可与儿童相关。因此，可训练模型以认识到当提供儿童的新的ECG数据时，适用于历史儿童ECG数据的训练比成人ECG数据更高度适用。

根据另一个具体实施，导管在ECG数据被收集时的位置可用于在步骤1902处增强学习系统的训练。导管的位置可对应于心脏、心腔、静脉内的位置，和/或可对应于与组织的接近度或另一基于位置的特征。

根据该具体实施，导管的位置可补充ECG数据，使得除了与确认的心律失常位置相关联的ECG数据之外，还通过将导管的位置与确认的心律失常位置相关联来训练在步骤1902处训练的学习系统，如本文所公开的。因此，除了ECG数据之外，在步骤1906处生成的模型可允许导管的位置作为输入。另外，ECG数据和导管的位置可与图像上的导管位置(诸如CT/MRI/网格)一起使用，作为训练模型的附加输入，通过以导管位置位于3D模型的“相同区域”中的方式归一化解剖结构。

例如，在步骤1902处收集的训练数据的子集可对应于位于肺静脉(PV)中的导管。因此，当在1904处训练学习系统时，该训练数据的子集的对应ECG数据也可与PV相关。因此，可训练模型以认识到，当提供在患者的PV中收集的新ECG数据时，适用于历史PV ECG数据的训练比非PV ECG数据更高度适用。

如所公开的，可在步骤1910处识别一个或多个潜在的心律失常位置。可使用心脏的渲染或标测(统称为“标测”)来识别一个或多个心脏位置。例如，可在心脏的标测上显示或突出显示一个或多个所识别的心脏位置。可在图19的过程1900的外部生成对心脏的标测，并且可使用利用电磁信号(例如，使用一个或多个导管、定位垫、BS电极等或它们的组合)的位置跟踪来生成。

根据本发明所公开的主题的具体实施，可使用基于算法解决方案的对标测的历史改善来生成改善的标测，该算法解决方案考虑了与电描记图定时和复杂激活模式的呈现相关的不准确性，以及与数据投影到刚性腔室重构中相关的不准确性。这种改善的标测在本文中被称为相干标测。如本文进一步公开的，相干标测可通过改善传统标测来实现，该传统标测可使用电磁信号来实现以识别导管位置(例如，基于电磁导管、定位垫、BS贴片等)、心脏边界(例如，组织接近指示)、超声成像等。相干标测可基于在一段时间(例如，30秒)内收集的基于时间的数据收集(例如，噪声、慢性信号诸如呼吸、与电描记图定时和复杂激活模式的呈现相关的不准确性、以及与数据投影到刚性腔室重构中相关的不准确性等)来改善传统标测。

如图22的流程图2200中所示，在步骤2202处，可收集历史相干标测数据。相干标测数据可包括患者特定数据和基于患者特定数据进行的相干标测调整。为了清楚起见，相干标测数据增强了传统电磁标测，如本文所公开的。

在图22的过程2200的步骤2204处，在步骤2202处收集的相干标测数据可用作学习系统的训练数据。在步骤2204处，训练数据可用于基于给定算法训练学习系统。在图22的过程2200的步骤2206处，受过训练的学习系统可用于生成模型。可生成模型，使得给定新的患者特定数据，可提供标测，并且该模型可被配置成提供相干标测(即，改善的标测)，而不必重新计算给定新患者的此类相干标测数据。

在图22的过程2200的步骤2208处，新的患者特定数据可以由在步骤2206处生成的模型接收或作为输入提供给在步骤2206处生成的模型。在步骤2210处，模型可基于新的患者特定数据输出相干标测数据，使得获得相干标测数据而不基于患者特定数据来收集相干标测数据(例如，在诸如30秒的时间段内)，而是由模型输出。

如步骤2202所示，可收集历史相干标测数据。可使用一个或多个磁传感器、电极传感器、信号滤波算法、高级导管位置(ACL)技术、相干标测算法等来收集数据。相干标测数据可包括患者特定数据和基于患者特定数据进行的相干标测调整。相干标测调整可以是对传统标测的改进，并且可以更好地表示复杂基质中的激活波，其中介绍中提出的限制是最明显的。如本文所述，相干标测算法解决方案考虑与电描记图定时和复杂激活图案的呈现相关的不准确性，以及与数据投影到刚性腔室重构中相关的不准确性。

本文公开了LAT测定及其在3D腔室重构上的表示。电描记图时间注释可通过传统的标测算法来确定。根据该算法，LAT通过分析每个双极性电描记图及其对应的单极性电描记图来确定，使得局部时间注释被标记在具有最大单极性-dV/dt的分量处。然而，在具有相对相似的-dV/dt值的多个电势的复杂基质中，单个电势的注释可能是误导的并且导致LAT不一致。为了解决这个问题，相干标测可被设计成识别每个单独的电描记图和室数据的可能电势。一旦获得室数据，该算法就利用每个单独的电描记图的可能性来确定生理传导下最相干的全局传播。

重构腔室是动态解剖结构的静态和刚性表示。激活标测图通过从腔室中的各个位置对LAT进行采样来创建。由于呼吸变化、导管对腔室壁的机械效应(拉伸)或心律失常期间室动力学的变化，这些测量很少落在刚性重构上。当前的标测算法将这些点投影到最近的表面上，但重构上的最近位置通常与采样位置不同。此外，使用最近的位置将来自不同位置和不同LAT的样本与重构的类似位置相关联，如图23A所示。

根据所公开主题的示例性实施方案，可通过将表面分成具有小三角形的网格来收集相干标测数据，从而减小与投影中的误差相关的内插的量值，如图23B所示。此外，每个单独的数据点对激活图的影响可以设计成与其离最近三角形的距离成正比，这样离表面较远的数据点与离表面较近的数据点相比，获得的权重较低，如图23C所示。该相干标测解决方案可减少与在不同搏动期间收集的数据点的投影相关的激活标测不准确性。

图23A-图23C示出了与腔室重构和数据投影相关的固有限制。图23A包括不同的LAT测量值与相同位置的关联的显示。图23B示出了被分成由小三角形(≈0.5mm)构成的三角网格的重构腔室，从而允许更准确地分配测量。图23C示出了具有基于所计算的LAT着色的线的重构腔室的矢状截面，其中每个单独的测量与其距离成比例地影响所计算的LAT(光环表示随距离的衰减效应)。

相干标测算法为重构网格上的每个三角形分配例如3个描述符：LAT值、传导矢量和非传导性概率。传导速度使用LAT值以及三角形之间的已知距离和方向来计算。这些描述符值对于具有直接测量的三角形是初始已知的，但对于重构网格上的其他三角形是未知的。为了解决这个问题，应用了以下基于生理学的假设：(1)速度连续性：在传导连续性的区域，传导速度与相邻三角形尽可能保持相似，并允许逐渐变化。三角形之间的这种关系是通过寻找上述关系的最小均方差的数学公式来执行的。最佳解决方案在大多数位置处产生最小差异，从而允许在与连续性相矛盾的足够测量的区域中产生较大差异；以及(2)通过在相同位置处的多个测量来识别非导电区域，指示电极驻留在具有至少2个不同波的区域中。在这些区域中，传导减慢或完全阻断的概率由传播矢量和所计算的传导速度确定。在具有用于传导的结构障碍物的区域中，传播矢量可绕过障碍物或以慢速传导通过障碍物。传导阻滞被定义为低于人心房中最低生理传导速度(10cm/s)的值。上述标准用于设定三角形处于非导电区域中的概率。对公式进行求解，直到所得的LAT、传导速度和非传导性概率稳定而没有进一步变化，这表示最优解。

LAT、矢量数据和非导电或缓慢导电区域的识别用于生成综合相干激活标测图。该相干激活标测图显示为矢量标测图。

可实现上述技术，使得在步骤2202处提供对应于大量患者(例如，100名患者、1000名患者、10,000名患者等)的相干标测数据。相干标测数据可包括患者特定数据(例如，心脏结构、呼吸变化、导管对腔室壁的机械效应(伸展)、心律失常期间腔室动力学的变化等)以及根据数据进行的对应的相干标测调整。

在步骤2204处，可基于在步骤2202处收集的相干标测数据来训练学习系统。训练可以包括从相干标测数据中提取特征以创建特征矩阵。可将该特征矩阵应用于在步骤2206处用于生成模型的算法。该算法可以是例如分类算法、回归算法、聚类算法或能够使用相干标测数据生成模型的任何适用的算法，该模型基于新患者的患者特定数据来预测相干标测调整。

例如，图13示出了可被实现为在步骤2206处训练模型的示例性神经网络。在该神经网络中，存在由多个输入诸如1410₁和1410₂表示的输入层。输入可包括患者特定数据(例如，心脏结构、呼吸变化、导管对腔室壁的机械效应(伸展)、心律失常期间腔室动力学的变化等)。将输入1410₁、1410₂提供给被描绘为包括节点1420₁、1420₂、1420₃、1420₄的隐藏层。将这些节点1420₁、1420₂、1420₃、1420₄组合以在输出层中产生输出1430。输出例如可为在图22的步骤2202处提供的历史相干标测调整，并且可为神经网络的隐藏层所针对的目标。神经网络可经由简单处理元件的隐藏层(节点1420₁、1420₂、1420₃、1420₄)执行处理，该神经网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。

在步骤2206处，可生成所得模型，使得在步骤2208处接收到的新的患者特定数据的集合可应用于模型，并且在2210处，可基于模型自动输出相干标测调整。值得注意的是，通过使用该模型，可提供相干标测调整，而无需花费时间和资源来在规程期间测量和计算此类相干标测调整。

一旦创建模型并提供相干映射调整，或者作为创建相干模型时的替代路径，本系统还可使用相干算法提供局部噪声识别。如本文所述，存在用于构建解剖心脏模型的多种类型的测量。这些测量包括例如CT、MRI和超声测量。这些测量可由心内导管(接近度、阻抗、温度等)和其他来源提供。如上所述，可基于心脏的这些测量结果(组织和体积)来构造和显示3D模型。

另外，表面ECG测量值以及来自插入的导管的测量值被输入到现有系统，该现有系统计算位置和时间上的平均信号流并且在相干标测/着色中显示流动矢量。该系统需要约20分钟的记录信号作为输入。考虑到输入的持续时间，需要约30秒-60秒来产生输出。因此，该过程不向用户提供实时指示。

为了向用户提供更实时的指示，系统可基于部分测量向用户提供一些初步的近似相干标测。例如，这些部分测量可包括两分钟的数据而不是传统的20分钟数据。部分测量可在计算精确标测之前提供，或另外提供。虽然部分测量可能不是当前患者的精确标测，但部分测量可通过给予早期反馈并引导用户将导管移动到更相关的区域以进行进一步测量来节省时间。

该系统可提供关于导管在特定时间点在特定位置进行的测量的准确性的反馈。

由导管在特定时间点在特定位置进行的测量连同来自患者的先前测量一起用于计算该位置的LAT，如上所述。考虑到体内和来自在LAT中提供错误的器械的各种噪声源，例如在该LAT值的准确性上提供分数(诸如介于0和1之间)可提供附加益处。

如本文所述，每个患者的数据包含患者ID和相关患者参数，诸如年龄、性别、一些身体尺寸等。数据还可包括来自器械(ECG和导管)随时间和位置的测量值。系统的输出可包括本文所述的现有相干标测。

可基于该数据训练神经网络。NN的输入可包括患者参数、器械测量值和特定感兴趣的位置点，其中针对该位置点计算LAT值。NN可输出介于0和1之间的分数，指示输入位置点的LAT值的准确性。该输出分数可向用户提供反馈，并且可提供测量的实时噪声滤波作为相干标测系统的输入。

在特定过去患者的数据上，每个特定位置点的已知相干标测LAT值用作NN的监督训练的期望输出(“标记”)。最小化的误差是在位置点上NN的输出和正确的已知LAT值之间的差值。因此，不需要手动标记。可向NN提供对新患者的测量以及特定感兴趣的位置点和所计算的LAT值，并且输出为指示LAT值的准确性的0至1的分数。与花费30秒-60秒产生输出的系统不同，从先前病例收集的数据可用于训练NN，该NN然后可在短得多的时间量内产生标测。NN的输入是从患者获取的测量值，并且输出是完整的相干标测。

用于接近标测的间接方式是从先前患者检索与当前患者类似的病例，并且显示其相干标测的一些聚合(例如，平均)。每个不健康心脏的行为略有不同，并且心律失常可位于心脏内部的不同位置。该变化可展示出发现来自先前病例的数据的益处，这些数据与来自当前患者的测量值最类似。因此，在给定当前患者的部分测量值的情况下检索类似病例可能很重要。

该过程可通过定义病例的表示之间的距离函数来实现。患者的表示可包含患者的测量值。距离函数可以是例如矢量空间中的简单距离量度，诸如欧几里得距离、余弦相似性等，或者是由专家定义的更复杂的函数。距离函数可用于通过使用算法诸如上述k最近邻法来提供最类似的先前病例。

另选地，可训练神经网络以计算距离函数。NN的输入是一对两个表示，并且输出是介于0和1之间的分数，指示两个表示的相似性。给定N个先前表示的数据集，可以准备大小为N2的相似性表，其中如果表示i和j相同，则条目(i，j)包含0，如果表示i和j不同，则条目(i，j)包含1(或者，另选地，指示它们的相似性的0和1之间的分数)。该相似性表可以由指示哪些病例相似的专家填写，或者通过计算与表示相关联的相干标测之间的相似值来自动(或半自动)填写。

每个心脏的形状略有不同。因此，需要对3D位置进行归一化，使得网格上的电流测量位置可与先前数据进行比较。可创建“标准心脏”的3D模型。投影算法可用于修改原始位置并且将原始位置投影到3D模型中的标准位置上。这是在预处理阶段中在仪器测量的位置上以及相干标测的数据上进行的。

可通过使用分类器来提高系统的准确性，该分类器指示哪种类型的心脏异常(例如，颤动、VT、微取向等)与当前患者相关。该分类器可用于系统中的预处理阶段。具体地讲，可对先前数据和当前患者数据两者进行分类以检测相关类别。不是仅创建一个模型来解释所有情况，而是可以为每个类构建单独的模型。每个模型可专门用于仅一个(或几个)特定类别以提高结果的准确性。

另选地，来自先前患者的数据可包含由医师分配的相关分类。监督学习可用于基于该数据来构建分类器，其中输入是患者的数据，并且输出是分配的异常类别。

即使在系统准备就绪并被部署在医院中之后，也可累积附加数据。可以将累积的数据添加到训练数据集中，并且可以重新训练系统，以不断提高系统的准确性。

虽然上文具体地描述了特征和元件，但本领域的普通技术人员将会知道，每个特征或元件均可以单独使用或以与其它特征和元件的任何组合使用。此外，本文所述的方法可在被结合在计算机可读介质中的计算机程序、软件或固件中实现，以供计算机或处理器执行。计算机可读介质的示例包括电子信号(通过有线或无线连接传输)和计算机可读存储介质。计算机可读存储介质的示例包括但不限于只读存储器(ROM)、随机存取存储器(RAM)、寄存器、高速缓存存储器、半导体存储器装置、磁介质(诸如内部硬盘和可移动盘)、磁光介质以及光学介质(诸如CD-ROM盘和数字通用盘(DVD))。与软件相关联的处理器可用于实现在WTRU、UE、终端、基站、RNC或任何主计算机中使用的射频收发器。