具体实施方式

本文公开了一种人工智能和机器学习自动编码器(在本文中通常称为自动编码器)。自动编码器可以是处理器可执行代码或软件，该处理器可执行代码或软件必然来源于由医疗装置设备进行的处理操作和该医疗装置设备的处理硬件，以提供用于治疗心脏病症的改进的ECG。根据一个实施方案，自动编码器可提供用于医疗装置设备的特定编码和解码方法。该特定编码和解码方法可涉及心脏的电信号的多步骤数据操纵，该多步骤数据操纵从电信号中移除信号干扰、信号伪影和信号噪声。

就这一点而言以及在操作中，自动编码器可接收输入心内信号(例如，心脏的包括信号干扰、信号伪影和信号噪声的电信号)。该心内信号可由监测和处理设备(例如，其中具有自动编码器的导管)实时记录和处理，并且/或者由监测和处理设备记录和传输到其中具有自动编码器的计算装置。

该自动编码器可利用心内数据集(例如，心脏的没有信号干扰、信号伪影和信号噪声的预先确定且经批准的电信号)对输入心内信号进行编码。由该自动编码器进行的这种编码从输入心内信号产生潜在表示。该自动编码器可进一步该潜在表示进行解码以产生输出心内信号。输出心内信号可以是在没有信号干扰、信号伪影和信号噪声的情况下重构的输入心内信号。然后根据输出心内信号生成用于治疗心脏病症的改进的ECG。

自动编码器的技术效果包括实时产生输出心内信号，从而进一步使得能够为医生(诸如在心脏规程期间)生成改进的ECG，该医生使用这些改进的ECG来研究心脏活动以识别心脏病症的潜在起源位置。改进的ECG没有被原始输入心内信号的信号干扰、信号伪影和信号噪声模糊，因为这些伪影已在解码期间被移除。此外，自动编码器的技术效果包括产生准确度已提高的其中信号干扰、信号伪影和信号噪声被移除的改进的ECG，以允许实时分别提供心室和心房的起源位置。

在一个实施方案中，可利用自动编码器来训练系统分解由电极通过分析大量数据点而检测到的近场信号和远场信号。比特可被选择作为训练集的一部分，用于训练系统识别远场信号分量。

可提供信号，并且可通过提供具有大量远场信号的信号和具有大量远场信号和近场信号两者的信号来尝试重新生成该信号。可向自动编码器提供信号以重构远场信号。一旦网络经受训练，该网络就可从所提供的信号输出远场分量。

图1示出了可实现本公开主题的一个或多个特征的示例性系统100(例如，医疗装置设备)的图示。系统100的全部或部分可用于为心内数据集(例如，训练数据集)收集信息，并且/或者系统100的全部或部分可用于实现本文所述的自动编码器(例如，经训练的模型)。

系统100可包括被配置为损害体内器官的组织区域的部件，诸如导管105。导管105还可被进一步配置为获得包括心脏的电信号(例如，心内信号)的生物识别数据。虽然导管105示出为尖导管，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现本文公开的实施方案。

系统100包括探头110，该探头具有可由医生或医疗专业人员115导航到躺在床(或台)130上的患者125的身体部位(诸如心脏120)的轴。根据实施方案，可提供多个探头。然而，为简明起见，本文描述了单个探头110。但是，应当理解，探头110可代表多个探头。

示例性系统100可用于检测、诊断和治疗心脏病症(例如，使用心内信号)。心脏病症，诸如心律失常(具体地为心房纤颤)，一直是常见且危险的医学病症，在老年群体中尤为如此。在具有正常窦性节律的患者(例如，患者125)中，包括心房、心室和兴奋性传导组织的心脏(例如，心脏120)被电激励而以同步的模式化的方式跳动。该电激励可被检测为心内信号。

对于具有心律失常的患者(例如，患者125)，心脏组织的异常区域不会像具有正常窦性节律的患者那样遵循与正常传导组织相关联的同步搏动周期。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。这种非同步心律也可被检测为心内信号。之前已知此类异常传导发生于心脏(例如，心脏120)的各个区域，例如，窦房(SA)结区域中、沿房室(AV)结的传导通路或形成心室和心房心腔壁的心肌组织中。

此外，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(例如，心内信号的另一个示例)。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。(例如，心内信号的另一个示例)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(例如，心内信号的另一个示例)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(例如，信号干扰)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。AF的第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对心脏组织进行选择性地消融。心脏标测包括创建例如沿着心脏组织的波传播的电势的标测图(例如，电压标测图)或到各种组织定位点的抵达时间的标测图(例如，局部时间激活(LAT)标测图)。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消融，可停止或改变不需要的电信号从心脏的一个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(例如，心脏120)中插入含有一个或多个电传感器(例如，导管105的至少一个消融电极134)的导管(例如，导管105)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。然后利用该数据(例如，包括心内信号的生物识别数据)来选择要执行消融的心内膜目标区域。由于使用由示例性系统100(例如，医疗装置设备)采用的自动编码器，该数据比ECG的包括信号干扰、信号伪影和信号噪声的底层电信号更准确且能更好地支持选择用于消融的心内膜目标区域。信号干扰、信号伪影和信号噪声在本文中可统称为伪影。伪影的示例包括但不限于功率噪声(例如，电路与50或60Hz电源线之间的静电和电磁耦合)、Fluro噪声(例如，荧光灯)、接触噪声(例如，导管电极之间的碰撞)和偏转噪声(例如，在导管偏转期间静电的放电)。

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。就此而言，本文中由示例性系统100(例如，医疗装置设备)采用的自动编码器提供底层输出信号，使得可生成用于治疗心脏病症的改进的3D标测图和/或ECG。

例如，心脏病专家依赖于软件，诸如由BiosenseWebster，Inc.(Diamond Bar，Calif.)生产的3 3D标测系统的复杂碎裂心房电图(CFAE)模块，以生成并分析心内心电描记图(EGM)。示例性系统100(例如，医疗装置设备)的自动编码器增强该软件以生成和分析改进的心内电描记图(EGM)，使得可确定消融点以用于治疗一系列的心脏病症，包括非典型性心房扑动和室性心动过速。

由自动编码器支持的改进的3D标测图可提供关于组织的电生理特性的多条信息，该多条信息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。

异常组织通常通过低压EGM来表征。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，低压或中压区域可在窦性节律期间表现出EGM碎裂和延长的活动，该窦性节律对应于在持续和组织的室性心律失常期间识别的关键峡部，例如，仅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的电压振幅(＞1-1.5mV)的区域中观察到EGM碎裂和延长的活动。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室(右和左)的心内膜层和/或心外膜层中的碎裂和延长的EGM的存在相关。3D标测系统，诸如3，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(例如，导管105)用于医疗实践中。所述电极导管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。射频(RE)电流被施加至消融导管的尖端电极，并且电流通过围绕其的介质(即，血液和组织)流向该参考电极。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摄氏度，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，并且必须将导管从体内移除并清理尖端电极。

心脏病症(诸如心律失常)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导致心律失常的原因准确位于心脏腔室中。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。在这种情况下，自动编码器可由导管105直接存储和执行。

心脏区域(诸如心脏区域、组织、静脉、动脉和/或心脏(例如，120)的电通路)的标测可导致识别问题区域诸如疤痕组织、心律失常源(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，所述一种或多种模态诸如但不限于局部激活时间(LAT)、电活动、拓扑、双极性标测、主频率或阻抗。使用插入患者体内的导管可捕获对应于多种模态的数据，并且可基于医疗专业人员的对应设置和/或偏好同时或不同时提供对应于多种模态的数据以用于渲染。

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。具体例如，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。

如图1所示，医疗专业人员115可穿过护套136插入轴137，同时使用导管105的近侧端部附近的操纵器138和/或从护套136偏转来操纵轴137的远侧端部。如插图140所示，导管105可装配在轴137的远侧端部处。导管105可在塌缩状态下穿过护套136插入并且然后可在心脏120内展开。如本文进一步所述的，导管105可包括至少一个消融电极134和导管针。

根据实施方案，导管105可被配置为消融心脏120的心腔的组织区域。插图150以放大视图示出了在心脏120的心脏腔室内的导管105。如图所示，导管105可包括联接到导管的主体上的至少一个消融电极134。根据其他实施方案，多个元件可经由形成导管105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，消融电极诸如至少一个消融电极134可被配置为向体内器官诸如心脏120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。

根据本文所公开的实施方案，生物计量数据可以包括LAT、电活动、拓扑结构、双极标测图、主频、阻抗等中的一者或多者。LAT可以是基于归一化初始起点来计算的对应于局部激动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1所示，探头110和导管105可连接到控制台160。控制台160可包括采用如本文所述的自动编码器的计算装置161。根据一个实施方案，控制台160和/或计算装置161至少包括处理器和存储器，其中该处理器执行关于本文所述的自动编码器的计算机指令，该存储器存储供该处理器执行的指令。

计算装置161可以是包括软件和/或硬件的任何计算装置，诸如通用计算机，该计算装置具有合适的前端和接口电路162，以用于向导管105传输信号和从导管105接收信号，以及用于控制系统100的其他部件。计算装置161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)心电图或肌电图(EMG)信号转换集成电路。计算装置161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。

例如，该一个或多个功能包括接收输入心内信号，利用心内数据集对该输入心内信号进行编码以产生潜在表示，以及对该潜在表示进行解码以产生输出心内信号。前端和接口电路162包括输入/输出(I/O)通信接口，该I/O通信接口使控制台160能够从至少一个消融电极134接收信号和/或将信号传输到至少一个消融电极134。

在一些实施方案中，计算装置161可被进一步配置为接收生物识别数据，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，计算装置161可位于控制台160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。

如上所述，计算装置161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自动编码器的功能。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(例如，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)上。图1所示的示例性配置可被修改为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100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，显示器165连接到计算装置161。在规程期间，计算装置161可促进在显示器165上向医疗专业人员115呈现身体部位渲染，并且将表示身体部位渲染的数据存储在存储器中。在一些实施方案中，医疗专业人员115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。例如，输入装置可用于改变导管105的位置，使得渲染被更新。在另选的实施方案中，显示器165可包括触摸屏，该触摸屏可被配置为除了呈现身体部位渲染之外，还接受来自医疗专业人员115的输入。显示器165可位于相同的位置或远程位置，诸如单独的医院或在单独的医疗保健提供者网络中。另外，系统100可为外科系统的一部分，该外科系统被配置为获得患者器官(诸如心脏120)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BiosenseWebster销售的系统。

控制台160可通过缆线连接到体表电极，该体表电极可包括附连到患者125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105在患者125的身体部位(例如心脏120)内的方位坐标。位置坐标可以基于在体表电极和电极或导管105的其他电磁部件(例如，至少一个消融电极134)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130的表面上并且可与床130分离。

系统100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识别数据，诸如心脏120的解剖测量结果。系统100可使用导管或测量心脏120的电特性的其他传感器来获得ECG或电测量结果。然后可将包括解剖和电测量结果的生物识别数据存储在控制台160的非临时性有形介质中。生物识别数据可从非临时性有形介质传输到计算装置161。另选地或除此之外，可使用网络1762将生物计量数据传输到可以是本地的或远程的服务器1760。

根据一个或多个实施方案，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120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(至少一个消融电极134)或附近包含电传感器的导管105推进到心脏120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120中该点处的电活动。使用仅包含单个远侧末端电极的导管105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。线性导管可以是完全或部分弹性的，使得其可基于所接收的信号和/或基于在该线性导管上施加外力(例如，心脏组织)来扭曲、弯曲或以其他方式改变其形状。球囊导管可被设计成使得在其被部署到患者体内时，其电极可保持与心内膜表面紧密接触。例如，球囊导管可插入内腔，诸如肺静脉(PV)。球囊导管可以收缩状态插入PV中，使得球囊导管在插入PV中时不占据其最大体积。球囊导管可在PV内部膨胀，使得球囊导管上的那些电极与PV的整个圆形节段接触。与PV的整个圆形部分或任何其他内腔的此类接触可实现有效的标测和/或消融。

根据一个示例，多电极导管可被推进到心脏120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EGM。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由于不紧密接近心内膜壁而不记录电活动的那些电极。在记录初始EGM之后，可重新定位导管，并且可再次记录荧光图和EGM。然后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的一系列传感器电极，以用于连接到信号感测和处理装置。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，其中在每个圆周上等角地间隔开八个电极。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，可实现基于非接触和非膨胀多电极导管的电生理心脏标测系统和技术。EGM可通过具有多个电极(例如，42至122个电极)的导管获得。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120的探头上的多个电极测量电势；(b)确定所述探头表面和所述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120中。标测导管组件可包括具有整体参考电极的多电极阵列，或者优选地，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。优选的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。这些位置优选地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材的编织物(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120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获取电活动信息。

根据另一个示例，可实现用于标测心脏内的电生理活动的另一个导管。该导管主体可包括适于递送用于心脏起搏的刺激脉冲的远侧末端或用于消融与所述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该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120中，向所述有源电极供应电流，从而在心脏腔室中产生电场，以及测量所述无源电极位点处的电场。无源电极包含在定位在球囊导管的可充胀球囊上的阵列中。在优选的实施例中，该阵列据称具有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120中，并且可在心脏120内的各种位置和取向处收集多个超声切片(例如，二维或三维切片)。给定超声换能器的位置和取向可以是已知的，并且可以存储所收集的超声切片，使得它们可以在稍后的时间显示。可显示一段时间后与探头(例如，治疗导管)的位置对应的一个或多个超声切片，并且所述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120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120内)的生物识别数据(例如，LAT值)。生物识别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120)的渲染，并且可显示覆盖在身体形状上的生物识别数据。

现在参见图2，示出了用于远程监测和传送生物识别数据(即，患者生物识别、患者数据或患者生物识别数据)的示例性系统200的框图。在图2所示的示例中，系统200包括与患者204相关联的监测和处理设备202(即，患者数据监测和处理设备)、本地计算装置206、远程计算系统208、第一网络210和第二网络211。根据一个或多个实施方案，监测和处理设备202可以是图1的导管105的示例，患者204可以是图1的患者125的示例，并且本地计算装置206可以是图1的控制台160的示例。

监测和处理设备202包括患者生物识别传感器212、处理器214、用户输入(UI)传感器216、存储器218和发射器-接收器(即，收发器)222。在操作中，监测和处理设备202获取患者204的生物识别数据(例如，电信号、血压、温度、血糖水平或其他生物识别数据)，并且/或者从一个或多个其他患者生物识别监测和处理设备接收表示任何所获取的患者生物识别和与所获取的患者生物识别相关联的附加信息的生物识别数据的至少一部分。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。

监测和处理设备202可采用本文所述的自动编码器来处理数据，包括所获取的生物识别数据以及从一个或多个其他患者生物识别监测和处理设备接收的任何生物识别数据。例如，就此而言，在处理数据时，该自动编码器可包括神经网络，该神经网络用于以无监督方式从生物识别数据中学习潜在表示(或数据编码)。此外，自动编码器可通过训练神经网络通过考虑干净数据集忽略信号干扰、信号伪影和信号噪声来学习检测特定数据，而无需用特定规则进行预编程。

监测和处理设备202可经由网络210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识别(例如，所获取的生物识别数据)。如本文所述的，患者生物识别的示例包括电信号(例如，ECG信号和脑生物识别)、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)。

患者生物识别传感器212可包括例如一个或多个换能器，该一个或多个换能器被配置为将一个或多个环境条件转换为电信号，使得获取不同类型的生物识别数据。例如，患者生物识别传感器212可包括被配置为获取电信号(例如，心脏信号、脑信号或其他生物电信号)的一个或多个电极、温度传感器(例如，热电偶)、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。

如本文更详细所述的，监测和处理设备202可以是用于监测心脏(例如，图1的心脏120)的ECG信号的ECG监测器。就此而言，ECG监测器的患者生物识别传感器212可包括用于获取ECG信号的一个或多个电极(例如，图1的导管105的电极)。ECG信号可用于治疗各种心血管疾病。

在另一个示例中，监测和处理设备202可以是连续血糖监测器(CGM)，用于连续监测患者的血糖水平以持续治疗各种疾病，诸如I型和II型糖尿病。就此而言，CGM的患者生物识别传感器212可包括皮下设置的电极(例如，图1的导管105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。

处理器214可被配置为接收、处理和管理由患者生物识别传感器212获取的生物识别数据，并且经由收发器222将生物识别数据传送到存储器218以用于存储和/或跨网络210。来自一个或多个其他监测和处理设备202的数据也可通过收发器222由处理器214接收，如本文更详细所述的。如本文更详细描述的，处理器214可被配置为选择性地响应从UI传感器216(例如，其中的电容传感器)接收的不同轻击模式(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，处理器214可相对于检测手势生成可听反馈。

UI传感器216可包括例如被配置为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204轻击或接触监测和处理设备202的表面，可控制UI传感器216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。

存储器218是任何非临时性有形介质，诸如磁性存储器、光学存储器或电子存储器(例如，任何合适的易失性存储器和/或非易失性存储器，诸如随机存取存储器或硬盘驱动器)。根据一个或多个实施方案，存储器218可存储训练算法和自动编码器的处理器可执行代码、软件或指令。

收发器222可包括单独的发射器和单独的接收器。另选地，收发器222可包括集成到单个设备中的发射器和接收器。

根据一个实施方案，监测和处理设备202可以是处于患者204体内的(例如，可皮下植入的)设备。监测和处理设备202可经由任何适用的方式插入患者204的体内，包括口腔注射、经由静脉或动脉的外科规程插入、内窥镜规程或腹腔镜规程。

根据一个实施方案，监测和处理设备202可以是处于患者204外部的设备。例如，如本文更详细描述的，监测和处理设备202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202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识别跟踪器、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识别有关的输入的几乎任何装置。

根据一个实施方案，监测和处理设备202可包括患者内部的部件和患者外部的部件。

虽然图2示出了单个监测和处理设备202，但示例性系统可包括多个患者生物识别监测和处理设备。例如，监测和处理设备202可与一个或多个其他患者生物识别监测和处理设备通信。除此之外或另选地，一个或多个其他患者生物识别监测和处理设备可与网络210和系统200的其他部件进行通信。

本地计算装置206和/或远程计算系统208连同监测和处理设备202可以是单独或共同存储、执行和实现自动编码器及其功能的软件和/或硬件的任何组合。此外，本地计算装置206和/或远程计算系统208连同监测和处理设备202可以是电子计算机框架，包括和/或采用利用各种通信技术的任何数量和组合的计算装置和网络，如本文所述。本地计算装置206和/或远程计算系统208连同监测和处理设备202可易于缩放、扩展和模块化，具有改变为不同服务或独立于其他特征重新配置一些特征的能力。

根据一个实施方案，本地计算装置206和远程计算系统208连同监测和处理设备202可至少包括处理器和存储器，其中处理器执行关于自动编码器的计算机指令，存储器存储供该处理器执行的指令。

系统200的本地计算装置206与监测和处理设备202通信，并且可被配置为通过第二网络211充当到远程计算系统208的网关。例如，本地计算装置206可以是智能电话、智能手表、平板电脑、或被配置为经由网络211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206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202与远程计算系统208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210，诸如局域网(LAN)(例如，个人局域网络(PAN))在本地计算装置206与监测和处理设备202之间传送生物识别数据。在一些实施方案中，本地计算装置206还可被配置为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，如本文更详细描述的。

在一些实施方案中，远程计算系统208可被配置为经由作为远程网络的网络211接收所监测的患者生物识别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206是移动电话，则网络211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206与远程计算系统208之间传送信息。如本文更详细描述的，远程计算系统208可被配置为向医疗专业人员、医生、医护专业人员提供(例如，可视地显示和/或听觉地提供)患者生物识别和相关信息中的至少一者。

在图2中，网络210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210在监测和处理设备202与本地计算装置206之间发送信息。

网络211可以是有线网路、无线网络或包括一个或多个有线和无线网络的网络，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，或者能够促进本地计算装置206和远程计算系统208之间的通信的任何其他网络或介质。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211发送信息。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。可使用Wi-Fi、WiMAX和蓝牙、红外、蜂窝网络、卫星或任何其他无线连接方法来实现无线连接。另外，几个网络可单独工作或彼此通信以促进网络211中的通信。在一些情况下，远程计算系统208可被实现为网络211上的物理服务器。在其他情况下，远程计算系统208可被实现为网络211上的公共云计算提供商(例如，AmazonWeb Services)的虚拟服务器。

图3示出了根据一个或多个实施方案的人工智能系统300。人工智能系统300可包括数据310、机器320、模型330、多个结果340和底层硬件350。图4示出了在图3的人工智能系统中执行的方法400。为了便于理解，参照图2对图3和图4进行描述。

通常，人工智能系统300通过使用数据310来训练机器320(例如，图2的本地计算装置206)，同时构建模型330以实现多个结果340(可被预测)来操作方法400。在此配置中，人工智能系统300可以相对于硬件350(例如，图2的监视和处理装置202)操作，以训练机器320、构建模型330并使用算法预测结果。这些算法可用于求解已训练的模型330并预测与硬件350相关联的结果340。这些算法通常可分成分类、回归和聚类算法。

在框410处，方法400可包括从硬件350收集数据310。机器320可作为与硬件350相关联的控制器或数据收集件来操作和/或与其相关联。数据310(例如，可源自图2的监测和处理设备202的生物识别数据)可与硬件350相关。例如，数据310可以是正在生成的数据，或者是与硬件350相关联的输出数据。该数据310还可包括当前从硬件350收集的数据、历史数据或其他数据。例如，该数据310可包括外科规程期间的测量结果，并且可与外科规程的结果相关联。例如，可收集心脏(例如，患者204的心脏)的温度并将其与心脏规程的结果相关联。

在框420处，方法400包括诸如相对于硬件350训练机器320。该训练可包括在框410中收集的数据310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310以确定在心脏规程期间心脏(例如，患者204的心脏)的温度与结果之间是否存在相关性或联系。

在框430处，方法400可包括基于与硬件350相关联的数据310构建模型330。构建模型330可包括物理硬件或软件建模、算法建模等。该建模可试图表示已收集和训练的数据310。根据一个实施方案，模型330可被配置为对硬件350的操作建模并对从硬件350收集的数据310建模，以便预测由硬件350实现的结果。根据一个或多个实施方案，相对于自动编码器，模型330可区别心室远场和基于心房的激活，并且针对心房和心室激活生成有区别的标测图。

在框440处，方法400可包括预测与硬件350相关联的模型330的多个结果340。对多种结果340的这种预测可基于已训练的模型330。例如，为了增加对本公开的理解，就心脏而言，如果规程期间的温度在36.5摄氏度和37.89摄氏度之间(即，97.7华氏度和100.2华氏度)，从心脏规程产生正面的结果，该结果可在给定规程中基于心脏规程期间的心脏温度来预测。因此，使用预测的结果340，硬件350可被配置为从硬件350提供某个期望的结果340。

现在转到图5，示出了根据一个或多个实施方案的神经网络500的示例。神经网络500可作为自动编码器的具体实施来操作。神经网络500可在硬件诸如机器320(例如，图2的本地计算装置206)和/或硬件350(例如，图2的监测和处理设备202)中实现。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。

例如，ANN可涉及处理元件(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。神经元的网络或电路的这些连接可被建模作为权重。正权重可反映兴奋性连接，而负值可表示抑制性连接。可通过权重修改输入并使用线性组合对其进行求和。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。

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。在更实际的术语中，神经网络是非线性统计数据建模或决策工具，其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。因此，ANN可用于预测建模和自适应控制应用，同时经由数据集进行训练。根据经验产生的自学可发生在ANN内，这可从复杂且看似不相关的信息组中得出结论。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。ANN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的应用领域可包括非线性系统识别和控制(车辆控制、过程控制)、玩游戏和决策制定(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。

现在转到图6，示出了根据一个或多个实施方案的方法600的框图。方法600描绘了神经网络500(例如，自动编码器)的操作。转到图5，在神经网络500中，输入层510由多个输入诸如512和514表示。相对于图6的框610，输入层510可接收该多个输入(例如，输入心内信号)作为初始操作。该多个输入可以是超声信号、无线电信号、音频信号或二维图片。更具体地，该多个输入可表示为输入数据(X)，其为从心房记录的原始数据。期望的信息可存在于心脏的高频区(例如，心房)中，并且自动编码器提供输入心内信号的更好构造。根据一个或多个实施方案，该多个输入可以是心内ECG和体表ECG的组合(以从心内信号中移除远场噪声)。

在图6的框620处，神经网络500可利用心内数据集对输入心内信号进行编码以产生潜在表示。该潜在表示可包括从输入心内信号导出的一个或多个中间图像。根据一个或多个实施方案，该潜在表示由自动编码器的逐元素激活函数(例如，S型函数或整流线性单元)生成，该逐元素激活函数将权重矩阵应用于输入心内信号并将偏置向量添加到结果。权重矩阵和偏置向量的权重和偏置可随机初始化，然后在训练期间迭代地更新。

心内数据集可以是训练数据集或干净数据，其包括没有干扰、伪影和噪声的预先确定且经批准的信号(即，干净的示例)。在一个实施方案中，专家级医疗专业人员、医生等可检查、编辑以移除信号干扰、信号伪影和信号噪声，并且批准心内数据集的每个电信号。在一个实施方案中，心内数据可具有大约数千或更大数量级的电信号，其中使用模板匹配和消隐来检查每个电信号的信号形态。例如，利用心内数据集(例如，心内ECG信号的“干净版本”的数据库)，可执行任何IC-ECG伪影的降噪。考虑到电信号的数量以及检查、编辑和批准的复杂性，心内数据集的创建可以被视为由自动编码器进行的多步骤数据操纵的数据训练部分。

如图5所示，输入512和514被提供给描绘为包括节点532、534、536和538的隐藏层530。该编码提供维度降低的输入心内信号。维度降低是通过获得一组主要变量来减小所考虑的(多个输入的)随机变量的数量的过程。例如，维度降低可以是将数据(例如，多个输入)从高维空间(例如，多于10个维度)转换到低维空间(例如，2-3个维度)的特征提取。降低维度的技术有益效果包括减少数据的时间和存储空间，改进数据的可视化，以及改进用于机器学习的参数解释。该数据变换可以是线性的或非线性的。接收(框610)和编码(框620)的操作可被视为由自动编码器进行的多步骤数据操纵的数据准备部分。

根据一个实施方案，数据准备还可包括心房(血液进入心脏的心室通过的上部腔室)的心内心电图(IC-ECG)数据收集，其中从心室(心脏的两个下部腔室)同时记录。

在图6的框630处，神经网络500可对潜在表示进行解码以产生输出心内信号。就IC-ECG而言，输出心内信号可以是心室远场估计。如图5所示，节点532、534、536和538可组合以在输出层550中产生输出552，其中输出层550可在减小的维度上但在没有信号干扰、信号伪影和信号噪声的情况下重构输入512和514。神经网络500可经由节点532、534、536和538的隐藏层530执行处理以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。输出层550的目标数据可包括目标数据类型一心室活动(Y1)，并且包括远场衰减(Y2)后的目标数据类型二输入数据。远场可导致关于生成和导航3D标测图的问题(例如，心室远场可干扰心房激活)。因此，采用神经网络500的自动编码器的技术效果和益处包括由于伪影(相对于远场)移除而提高3D标测图的准确性。

根据一个或多个实施方案，采用神经网络500的自动编码器的模型可区别心室远场和基于心房的激活，并且针对心房和心室激活生成有区别的标测图。

根据一个实施方案，自动编码器可以是降噪自动编码器以查找标测函数(f，g)，使得f(X)＝Y1并且g(X)＝Y2。就此而言，自动编码器的任务可以是通过输入X的一些维度降低来学习从X到X的标测(例如，构建两个神经网络(F，G)，使得h＝F(X)并且X＝G(h))。h的维度小于X的维度。在降噪自动编码器中，虽然架构类似，但是降噪自动编码器学习从X到Y的标测，其中Y是X的降噪版本。

参见图7，示出了根据一个或多个实施方案的信号700的图形描绘。如信号700所示，ECG信号包含P波710(由于心房去极化)、QRS波群720(由于心房复极化和心室去极化)和T波730(由于心室复极化)。ECG信号由心脏的心房肌和心室肌的收缩(去极化)和舒张(复极化)产生。为了记录ECG信号，电极可放置在人体上的特定位置处，或者可经由导管定位在人体内。伪影(例如，噪声)是与电信号诸如ECG信号合并的不想要的信号，并且有时会对心脏病症的诊断和/或治疗造成障碍。电信号中的伪影可以是基线漂移、电源线干扰、EMG噪声、电源线噪声等。也就是说，伪影的示例包括但不限于功率噪声(例如，电路与50或60Hz电源线之间的静电和电磁耦合)、Fluro噪声(例如，荧光灯)、接触噪声(例如，导管电极之间的碰撞)和偏转噪声(例如，在导管偏转期间静电的放电)。

基线漂移可发生在信号的基部轴线(x轴)位置，其看起来是“漂移”或上下移动的而不是直的。这可导致整个信号从其正常基部偏移。在ECG信号中，可由于不适当的电极接触(例如，电极-皮肤阻抗)、患者移动和周期性移动(例如，呼吸)而引起基线漂移。

图8示出了根据一个或多个实施方案的在曲线图800中示出的信号810的图形描绘。就此而言，信号800是受基线漂移820影响的典型的ECG信号。基线漂移的频率含量在0.5Hz的范围内。运动或压力测试期间身体运动的增加会增加基线漂移的频率含量。根据具体实施，鉴于基线信号是低频信号，可使用截止频率为0.5Hz的有限脉冲响应(FIR)高通零相位前向后向滤波来估计和移除ECG信号810中的基线漂移820。

由电力线引起的电磁场表示电信号诸如ECG中的共同噪声源，以及从患者的身体记录的任何其他生物电信号。此类噪声的特征在于例如50或60Hz正弦干涉，可能伴有多个谐波。此类窄带噪声使得ECG的分析和解释更加困难，因为低振幅波形的描绘变得不可靠并且可能引入伪波形。当ECG信号叠加低频ECG波如P波710和T波730时，可能需要从这些ECG信号中移除电源线干扰。

肌肉噪声的存在可干扰诸如ECG应用的许多电信号应用，因为低振幅波形可变得模糊。与基线漂移820和50/60Hz干扰相比，肌肉噪声不是通过窄带滤波移除的，而是呈现不同的滤波问题，因为肌肉活动的光谱含量与PQRST复合体720的光谱含量显著重叠。由于ECG信号810是重复信号，因此可用技术以类似于对诱发电势的处理的方式来降低肌肉噪声。图9示出了根据一个或多个实施方案示出的信号905的图形描绘900。就此而言，信号905是受EMG噪声910干扰的ECG信号。

用于测量诸如ECG信号的电信号的仪器通常检测对应于线路或干线频率的电干扰。尽管标称设定为50Hz或60Hz，但大多数国家中的线路频率可与这些标称值相差若干百分比。

可实现用于从电信号中移除电干扰的各种技术。这些技术中的若干技术使用一个或多个低通滤波器或陷波滤波器。例如，可实现用于ECG信号中的噪声的可变滤波的系统。该系统可具有多个低通滤波器，包括例如在大约50Hz处具有3dB点的一个滤波器和例如在大约5Hz处具有3dB点的第二低通滤波器。

根据另一个示例，用于拒绝电信号的线路频率分量的系统可通过使信号通过两个串联连接的陷波滤波器来实现。可实现具有陷波滤波器的系统，该陷波滤波器可具有用于从ECG信号移除线频率分量的低通系数和高通系数中的任一者或两者。该系统还可支持移除脉冲串噪声并从陷波滤波器输出计算心率。

根据另一个示例，可实现用于去除干扰的具有若干单元的系统。所述单元可包括用于在若干心动周期内生成平均信号的平均值单元、用于从输入信号中减去平均信号以生成残余信号的减法单元、用于从残余信号提供经滤波的信号的滤波器单元、和/或用于将经滤波的信号添加到平均信号的加法单元。

根据另一个示例，模数(A/D)转换器可通过使转换器的时钟与设置为线路频率的锁相环同步来提供噪声抑制。

另外，生物计量(例如，生物电势)患者监视器可使用表面电极来进行生物电势的测量，诸如ECG或脑电图(EEG)。这些测量的保真性受限于电极与患者的连接的有效性。电极系统对电流的流动的电阻(称为电阻抗)表征连接的有效性。通常，阻抗越高，测量的保真性越低。几种机制可能导致较低的保真性。

来自具有高阻抗的电极的信号受到热噪声(或所谓的约翰逊噪声)的影响，该热噪声是随着阻抗值的平方根而增加的电压。此外，生物电势电极的电压噪声往往超过约翰逊所预测的电压噪声。另外，由生物电势电极进行测量的放大器系统在较高电极阻抗下可具有降低的性能。损伤的特征在于共模排斥不良，这会增加噪声源(诸如患者运动和可在患者上或患者周围使用的电子设备)对生物电信号的污染。这些噪声源在规程室中尤为普遍，并且可包括设备诸如电外科单元(ESU)、心肺旁路泵(CPB)、电动马达驱动的外科锯、激光器和其他源。

在心脏规程期间，通常期望在监测患者时实时连续测量电极阻抗。为此，通常通过电极注入非常小的电流并测量所得的电压，从而使用欧姆定律建立阻抗。可使用DC或AC源注入该电流。由于电极阻抗，通常不可能将电压与由干扰引起的电压伪影分开。干扰会增加所测量的电压并因此增加所测量的表观阻抗，从而导致生物电势测量系统错误地检测到比实际存在的阻抗更高的阻抗。通常，此类监测系统具有最大阻抗阈值限制，该最大阻抗阈值限制可被编程为在其检测到阻抗超过这些限制时阻止其操作。这对于进行非常小的电压诸如EEG的测量的系统尤其如此。此类系统需要非常低的电极阻抗。

使用高分辨率心内电描记图(EGM)可指导心脏消融规程。心脏消融等可用于治疗室性心动过速(VT)，其中快速和不规则的心跳是由复杂的电生理(EP)电路和心室中的一个心室中的再进入导致的。因此，导管消融目的是靶向VT的起源。VT电路的标测及其源的识别对于VT消融的成功至关重要。在VT存在的情况下解释心内EGM的主要挑战在于，EGM信号可具有复杂形态，使得难以以足够高的空间分辨率提取局部激活时间(LAT)。这继而使得难以精确地标测心室中的复杂电路，这对于定位相关消融目标是至关重要的。

与双极信号相比，单极EGM信号通常具有低得多的信噪比，因此双极信号当前是用于提取LAT的主要工具。然而，单极信号可能提供更好的空间和时间分辨率，这可显著改进VT电路的标测。因此，高级数字信号处理(DSP)方法可应用于从具有噪声的单极信号中提取准确的LAT。高级数字信号处理方法或系统旨在降低或减弱来自信号的噪声，并且可包括多种数字滤波器。线性平滑滤波器(例如，低通滤波器或高通滤波器)或可与信号进行卷积的任何其他平滑算子可用于降低或减弱噪声。非线性滤波器(例如，用于降噪的中值滤波器)可用于降低或减弱噪声。可使用既可实现噪声降低又可实现特征保留的小波变换。可使用统计降噪方法，其可使用环境或相邻信号或任何其他模式来减少信号中不需要的分量。

双极信号来自两个相邻的单极电极。单极信号来自单极电极和参考电极，并且是远场贡献和近场贡献的组合。单极信号中的主要噪声源是由于远程组织的电压去极化而产生的远场信号。由于单极电极和参考电极之间的距离较大，因此远场信号通常未被完全计入，并且与双极信号相比其未从信号中完全移除。由于形成单极对的两个单极信号具有非常相似的远场，因此使得除了在单极信号中的每个单极信号处存在局部活动的情况之外，它们之间的差异几乎为零。该局部活动被称为近场信号，并且可被指示为双极信号上的小峰值。

在单极电极位于不产生电活动的疤痕组织下方的情况下，与由健康组织引起的情况相比，近场可具有比远场更低的振幅。这使得应用经典DSP方法来区别远场信号与近场信号变得特别困难。在这种情况下，近场可非常低并且可忽略不计。因此，双极信号可不具有任何激活并且可有效地为零。这种类型的单极可表示为纯远场信号，因为不存在明显的局部活动。在这种情况下，双极信号可看起来是平坦的，并且两个单极信号可以是几乎相同的。这些类型的信号可通过将导管放置在不与心脏肌肉接触的位置来获得或作为体表ECG信号，这些体表ECG信号基本上为远场信号。这些类型的单极信号可以是训练数据集，以使神经网络学习这种类型的活动，并且能够将远场分量与混合单极信号区分开。

虽然在当前上下文中，远场贡献被认为是要移除的噪声，但在其他上下文中，远场贡献本身可包含有用的信息。这可提供分离这两种贡献的额外动机。

基于深度神经网络(DNN)的深度学习(DL)已成为在计算机算法应用于各种领域(诸如，计算机视觉和DSP)方面的颠覆性技术。DL允许从信号和图像中提取复杂的模式和数据，这通常是在这种提取是先前不可能的或者只能通过耗时的手动分析才可能的情况下发生的。因此，将DL应用于心内EGM特别有吸引力，其中减少规程时间并增加临床成功率是关键目标。

机器学习(ML)是用于数据分析的一组算法和统计模型，该组算法和统计模型用于执行特定任务。DL是机器学习算法的子集，其在训练过程期间设置模型参数，以允许准确预测未见数据的期望输出。ML和DL技术允许分析经典算法难以分析的高度复杂的时空信息。虽然机器学习通常基于使用关于数据的启发法列表的特征提取，但是DL基于从示例学习并且通常不需要从数据中提取特征。DL和传统ML之间的主要差异在于训练过程需要大量数据。给定足够量的数据，基于DL的算法的性能通常优于传统的ML算法。

因此，DL是用于分解ECG信号中以及具体地VT信号中的近场分量和远场分量的有用工具。这将允许仅对近场活动进行激活检测。这是有用的，因为在标测心室活动时，远场可较强并掩蔽近场活动，从而误导注释机制。就心房纤颤(AFIB)而言，这也是有用的，因为心室信号较强，其可能被错误地注释为心房活动。

因此，期望DL方法通过向医务人员(例如，心脏病专家和电生理学家)基于当前仅可通过经训练的临床医生进行手动数据分析获得的见解来缩短整个临床规程的时间，并且识别当前不能手动或使用经典算法(例如，DSP和计算机视觉)识别的深度数据模式，并且因此允许在当前不可治疗的更复杂情况下识别消融目标。

DL训练可以是无监督的。即，虽然存在预先记录的单极EGM信号的大主体，并且如果需要可收集附加信号，但是应用DL来移除远场噪声的主要挑战在于缺少用于训练DL模型的基准真相数据。任何远场和近场信号分解均为评估，并且不一定相当于特定电极处的真实远场信号和近场信号。因此，DL方法可以是无监督的而不是监督的。体表ECG可与远距电极一起使用，作为远场分量的基准真相。

图10示出了根据一个或多个实施方案的远场移除的信号进程1000的图形描绘(10A、10B、10C、10D、10E和10F)。图10A至图10E中的信号是沿冠状窦(CS)从不同位置记录的心内(IC)ECG信号。在图10A中，信号1021表示体表IC ECG信号。分界线1032表示局部激活时间(LAT)。分界线1032也存在于图10C、图10D、图10E和图10F中。分界线1043表示QRS位置。分界线1043也存在于图10A、图10C、图10D、图10E和图10F中。在图10中，X轴线表示时间，而Y轴线表示mV。

如图10所示，1054表示IC ECG信号的远场分量。图10C、图10D、图10E和图10F示出了其中远场移除的量增加的信号1054的进程，其中信号1065表示远场移除之后的IC ECG信号。远场移除可通过例如创建消隐周期来实现，例如IC ECG信号1065在远场周期期间可为零。

图11示出了根据一个或多个实施方案的方法1100的框图。根据一个实施方案，方法1100可通过降噪自动编码器来实现。软件和/或硬件(例如，本地计算装置206和远程计算系统208连同监视和处理设备202)的任何组合可单独地或共同地存储、执行和实现降噪自动编码器及其功能。降噪自动编码器可训练自动编码器重构来自其自身损坏版的输入，以迫使隐藏层(例如，图5的隐藏层530)发现更稳健的特征(即，将构成输入的更好更高级别表示的有用特征)并防止其学习特性(即，总是返回到相同的值)。就此而言，降噪自动编码器可对输入进行编码(例如，以保留关于输入的信息)并且可反转随机应用于自动编码器的输入的损坏过程的效果。

根据一个或多个实施方案，降噪自动编码器可实现长短期记忆神经网络架构、卷积神经网络架构或其他类似架构。该降噪自动编码器的架构可相对于多个层、多个连接(例如，编码器/解码器连接)、正则化技术(例如，压差或BN)进行配置；以及优化特征。

长短期记忆神经网络架构可包括反馈连接并且可处理单个数据点(例如，诸如图像)以及整个数据序列(例如，诸如语音或视频)。长短期记忆神经网络架构的单元可由单元、输入门、输出门和忘记门组成，其中单元在任意时间间隔内记住值，并且门调节进出单元的信息流。

卷积神经网络架构可以是具有平移不变性特征的共享权重架构，其中一个层中的每个神经元连接到下一个层中的所有神经元。卷积神经网络架构的正则化技术可利用数据中的层级模式，并使用更小且更简单的模式组装更复杂的模式。如果降噪自动编码器实现卷积神经网络架构，则该架构的其他可配置方面可包括每个级处滤波器的数量、内核大小、每层内核的数量。

方法1100从框1105处开始，其中降噪自动编码器可接收来自从多个电信号的“干净且经批准的”心内数据集。如本文所指，专家级医疗专业人员、医生等可检查和编辑数据集以移除信号干扰、信号伪影和信号噪声，并且批准心内数据集的每个电信号。在框1110处，降噪自动编码器根据干净且经批准的心内数据集构建模型(例如，图3的模型330)。

在框1115处，降噪自动编码器可接收至少包括远场伪影的输入心内信号。输入心内信号可由一个或多个监测和处理设备(例如，具有二十个电极的五射线导管、具有六十四个电极的篮形导管、多个体表引线等)记录。远场可导致关于生成和导航3D标测图的问题(即，心室远场可干扰心房激活)。

在框1120处，降噪自动编码器可使用模型(来自框1110)对输入心内信号进行编码。该编码根据模型如何指示降低来提供维度降低的输入心内信号，该信号移除至少远场伪影。编码的结果是产生潜在表示。在框1130处，降噪自动编码器可对潜在表示进行解码以产生输出心内信号。

在框1135处，降噪自动编码器可标测输出心内信号。例如，降噪自动编码器(利用其底层架构)找到标测函数(f，g)，使得f(X)＝Y1并且g(X)＝Y2。

在框1140处，可根据标测的输出心内信号生成ECG。ECG可由正在执行降噪自动编码器的计算装置或由另一个装置生成。然后可向医疗专业人员展示由于信号干扰、信号噪声和信号伪影被移除而得到改进的ECG。改进的ECG可显著减少花费在每个心脏病例上的时间。

如本文所指，在心内电描记图标测期间，标测导管可记录心房和心室激活两者。在一些情况下，心室远场可干扰心房激活(例如，信号干扰)，这可影响对Carto标测图的临床理解和解释。根据一个或多个实施方案，降噪自动编码器的技术效果和益处可包括区别心室远场和基于心房的激活，并且针对心房和心室激活生成有区别的标测图(例如，降噪自动编码器在解码期间使用模型区别一个或多个输出心内信号内的心室远场和基于心房的激活)。

图12是根据实施方案的分解近场信号和远场信号的方法1200的示例性流程图。在训练阶段中，可获取远场心室测量结果(1210)。这些可以是单极信号。可使用多电极导管和/或体表ECG来获取测量结果。可存在许多远场测量结果。远场测量结果可以是纯远场信号。在一个实施方案中，纯远场信号可来自双极信号为零或几乎为零的记录。因此，单极信号中的近场可能不存在或非常小。在一个实施方案中，可通过使用例如可生成纯远场信号的专业模拟软件来将模拟用于纯远场测量结果。这可通过控制生成ECG信号的源并仅使用远源来完成。在一个实施方案中，专家可确定纯远场度。在一个实施方案中，体表ECG可主要包含远场。在一个实施方案中，来自疤痕组织的区域的测量结果可用于纯远场测量结果，该纯远场测量结果可能不包含局部活动，因此近场被忽略。

可添加合成局部场信号(1220)。合成局部场信号可例如来自ECG信号的模拟。可在训练阶段中引入大量单极信号，因此算法可学习识别单极信号形态。此外，算法可暴露于远场信号并且可能够学习检测这些远场信号。

该算法可被配置为评估或学习纯远场信号以及远场信号和近场信号的组合或混合(真实或合成混合信号)两者。该算法可从混合信号检测或预测远场分量，该远场分量是所有电极(远场)的公共部分。近场对于电极是唯一的，因为其具有仅影响组织的小区域的局部活动，而远场具有大得多的贡献(在信号幅值和组织内的色散两方面)，因此其被称为公共部分，这是因为其对于大量电极是共同的。通过从原始信号中减去远场分量，电极的公共部分可以是纯近场信号。

可常规地在EP规程(1240)处从多个患者收集数据并将其提供给系统。数据可包括规则的单极信号，这些规则的单极信号为远场信号和近场信号的组合。可使用多电极导管在任何VT规程中收集这些信号。另一种方法可以是使用组合远场分量和近场分量的合成信号。例如，模拟或合成数据可用于生成可用作黄金标准的纯远场信号。这些信号可使用专业模拟软件或可控制ECG信号源的任何其他模拟程序来生成。数据可包括唯一的单极信号，这些单极信号仅包括远场贡献而不包括任何近场分量。可通过将导管放置在不接触心脏肌肉的位置来获得该单极信号。这些信号可包括ECG值和3D位置(针对每个电极，使得信号＝V(x，y，z，t)。数据可包括体表ECG信号，这些体表ECG信号基本上为远场信号。该数据还可包括识别底层近场信号的某些特征(具体地LAT)的单极信号的手动注释。体表ECG信号数据和/或手动注释数据可用于帮助训练和/或验证任何DL模型。

在处理单极数据以提取训练阶段(1230)中的近场贡献之前，可执行预处理滤波步骤以移除不相关的信号和伪影。可为单极信号提供手动注释。预处理滤波可由用户(半自动)评估，而在稍后阶段，注释数据可用于训练常规分类卷积神经网络(CNN)以自动执行滤波。

神经网络训练获得远场信号估计(1230)。通过了解远场贡献，近场信号为在从规则的单极信号中移除远场信号之后剩余的残余信号。然后可在两个单极信号集之间重构双极信号。

在远场衰减模型(1250)中，由于从神经网络训练(1230)中已知远场信号和近场信号是什么样的，因此自动编码器可从测得的信号(1240)自动分解近场和远场。

神经网络可通过多种示例性方法来实现，包括自动编码器和连体网络，这些方法可应用于远场贡献和近场贡献的分解或分离(1250)。

自动编码器(AE)是一类无监督DNN，其学习给定数据集的降低维度表示，使得然后它们能够产生在统计上类似于原始数据集的新数据。

在当前方法的上下文中，如果使用仅包含远场贡献而不包含近场贡献的EGM信号来训练适当选择的AE，则该AE可用于从任何任意EGM信号中提取远场贡献。训练阶段旨在使输入X和输出X′(纯远场)相等，而预测阶段将任何任意EGM信号标测到包括其的远场信号。存在包含例如可利用的元件的若干AE类型(例如，各种AE、重构AE、降噪AE、对抗AE)。

以完全监督的方式训练包括两个相同部分的连体网络，以区分相似和不相似的特征对。然后，当呈现参考特征和新特征时，网络预测新特征是否可信(即，是否类似于参考)。近年来，连体网络的概念已被推广到DNN，并且成功应用于面部识别和面部验证。最近，连体NN已被应用于无监督学习以用于视觉表示和医疗诊断。由于来自非常接近的电极(其形成双极对)的两个单极信号通常具有非常相似的远场分量，因此可利用连体网络。因此，如果将两个单极信号馈送至连体网络的每个部分，则可构建趋于使两个部分的输出相等的价值函数。为了避免获得平凡解(诸如，相同的零信号)，可将约束项添加到价值函数。这是例如趋于使两个输入信号的结果和平均值之间的差值最小化的项。

附图中的流程图和框图示出了根据本发明的各种实施方案的系统、方法和计算机程序产品的可能具体实施的架构、功能和操作。就此而言，流程图或框图中的每个框可表示指令的模块、部段或部分，该指令包括用于实现指定逻辑功能的一个或多个可执行指令。在一些替代具体实施中，框中指出的功能可不按附图中指出的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可基本上同时执行，或者框有时可以以相反的顺序执行。还应当注意，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可通过执行指定功能或动作的基于专用硬件的系统或者通过专用硬件和计算机指令的组合来实现。

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他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。如本文所用，计算机可读介质不应理解为暂态信号本身，诸如无线电波或其他自由传播电磁波、传播通过波导或其他传输介质的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线传输的电信号。

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寄存器、高速缓存存储器、半导体存储器设备、磁介质诸如内部硬盘和可移动磁盘、磁光介质、光学介质，诸如光盘(CD)和数字通用盘(DVD)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存存储器)、静态随机存取存储器(SRAM)和记忆棒。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。

应当了解，本文所用的术语只是为了描述具体实施方案的目的，并非旨在进行限制。如本文所用，除非上下文另有明确说明，否则单数形式“一个”、“一种”和“该/所述”包括复数指代。还应当理解，术语“包括”和/或“包含”在用于本说明书中时指定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件部件和/或其组的存在或添加。

本文对各种实施方案的描述是出于说明的目的而呈现的，但并非旨在穷举或限于所公开的实施方案。在不脱离所述实施方案的范围和实质的情况下，许多修改和变型对于本领域的普通技术人员而言将是显而易见的。选择本文所用的术语是为了最好地解释实施方案的原理、相对于市场上存在的技术的实际应用或技术改进，或者使得本领域的其他普通技术人员能够理解本文所公开的实施方案。