生物电磁场中异常的机器判别
阅读：199发布：2022-03-09
专利汇可以提供生物电磁场中异常的机器判别专利检索，专利查询，专利分析的服务。并且心脏、大脑和胃以及人体其他器官和组织中的电 磁场 异常可以指示严重的健康状况。本文描述了用于通过分析由器官或组织生成的 电磁场 来检测受试者的器官或组织中存在异常的方法、 软件 、系统和设备。，下面是生物电磁场中异常的机器判别专利的具体信息内容。
1.一种被配置为确定医学诊断的诊断设备，所述诊断设备包括：
(i)电磁场传感器，所述电磁场传感器被配置为感测与个体相关的电磁场测量；
(ii)处理器，所述处理器可操作地耦合至所述电磁场传感器；以及
(iii)非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质编码有包括经训练的机器学习软件模块的软件，其中所述软件是所述处理器可执行的，并使所述处理器：
(b)从所述电磁场传感器接收所述电磁场测量；
(c)使用提取技术从所述电磁场测量中提取一提取值，其中所述经训练的机器学习软件模块确定所使用的所述提取技术；
(d)使用数据关联技术将所述提取值与一个或多个其他值相关联，从而生成数据关联，其中所述经训练的机器学习软件模块确定所使用的所述数据关联技术；
(e)基于关联生成假设函数；以及
(f)基于所述假设函数确定所述个体的医学诊断。
2.如权利要求1所述的设备，包括传感器阵列，并且其中所述电磁场传感器位于所述阵列内。
3.如权利要求1所述的设备，其中所述电磁场传感器包括光泵磁强计或超导量子干涉器型传感器。
4.如权利要求1所述的设备，包括含有所述处理器的壳体，并且其中所述电磁传感器硬连接至所述壳体。
5.如权利要求1所述的设备，其中所述经训练的机器学习软件模块能够对存储数据进行访问，该存储数据包括从群体中的多个个体感测到的多个电磁场值。
6.如权利要求5所述的设备，其中所述存储数据包括与所述多个个体相关联的多个健康数据值。
7.如权利要求1所述的设备，其中所述经训练的机器学习软件模块能够对用于训练所述经训练的机器学习软件模块的数据进行访问。
8.如权利要求7所述的设备，其中用于训练所述经训练的机器学习软件模块的数据包括与心脏有关的数据。
9.如权利要求8所述的设备，其中所述与心脏有关的数据包括与所述个体的心脏相关联的电磁场。
10.如权利要求7所述的设备，其中用于训练所述经训练的机器学习软件模块的数据包括与大脑有关的数据。
11.如权利要求10所述的设备，其中所述与大脑有关的数据包括与所述个体的大脑相关联的电磁场。
12.如权利要求1所述的设备，其中所述提取值包括与所述电磁场测量相对应的电磁波形的片段。
13.如权利要求1所述的设备，其中对所述电磁场测量被滤波处理。
14.如权利要求1所述的设备，其中所述一个或多个数据值包括与来自群体中的一个或多个个体相关联的群体统计数据、医学图像数据或临床数据中的一个或多个。
15.如权利要求1所述的设备，其中所述处理器进一步被配置为将所述电磁测量转换为波形。
16.如权利要求1所述的设备，其中所述处理器进一步被配置为确定用于治疗所述诊断的疗法。
17.如权利要求1所述的设备，其中所述诊断包括与心脏有关的诊断。
18.如权利要求1所述的设备，其中所述诊断包括与大脑有关的诊断。
19.一种诊断方法，包括：
(i)从电磁场传感器接收电磁场测量，所述电磁场传感器可操作地耦合至感测设备，该感测设备包括处理器和经训练的机器学习软件模块；
(ii)使用所述处理器，使用提取技术从所述电磁场测量中提取提取值，其中经训练的机器学习软件模块确定所使用的所述提取技术；
(iii)使用所述处理器，使用数据关联技术将所述提取值与一个或多个其他值相关联，从而生成数据关联，其中所述经训练的软件模块确定所使用的所述数据关联技术；
(iv)使用所述处理器，基于所述关联生成假设函数；以及
(v)使用所述处理器，基于所述假设函数确定所述个体的医学诊断。
20.如权利要求19所述的方法，其中所述传感器设备包括传感器阵列，并且其中所述电磁场传感器定位于所述阵列内。
21.如权利要求19所述的方法，其中所述电磁场传感器包括光泵磁强计或超导量子干涉器型传感器。
22.如权利要求19所述的方法，其中所述电磁传感器硬连接至所述感测设备。
23.如权利要求19所述的方法，包括由所述经训练的机器学习软件模块访问存储数据，该存储数据包括从群体中的多个个体感测到的多个电磁场值。
24.如权利要求23所述的方法，其中所述存储数据包括与所述多个个体相关联的多个健康数据值。
25.如权利要求19所述的方法，包括由所述经训练的机器学习软件模块访问数据，该数据用于训练所述经训练的机器学习软件模块。
26.如权利要求25所述的方法，其中所述用于训练经训练的机器学习软件模块的数据包括与心脏有关的数据。
27.如权利要求26所述的方法，其中所述与心脏有关的数据包括与个体的心脏相关联的电磁场。
28.如权利要求25所述的方法，其中所述用于训练经训练的机器学习软件模块的数据包括与大脑有关的数据。
29.如权利要求28所述的方法，其中所述与大脑有关的数据包括与所述个体的大脑相关联的电磁场。
30.如权利要求19所述的方法，其中所述提取值包括与所述电磁场测量相对应的电磁波形的片段。
31.如权利要求19所述的方法，包括对所述电磁场测量进行滤波。
32.如权利要求19所述的方法，其中所述一个或多个数据值包括与来自群体中的一个或多个个体相关联的群体统计数据、医学图像数据或临床数据中的一个或多个。
33.如权利要求19所述的方法，其中所述处理器进一步被配置为将所述电磁场测量转换为波形。
34.如权利要求19所述的方法，其中所述处理器进一步被配置为确定治疗所述诊断的疗法。
35.如权利要求19所述的方法，其中所述诊断包括与心脏有关的诊断。
36.如权利要求19所述的方法，其中所述诊断包括与大脑有关的诊断。
生物电磁场中异常的机器判别
交叉引用
背景技术
[0002] 人和动物组织由于电流经过所述组织而与电磁场(EMF)相关联。例如，心磁图描记术(MCG)可用于检测与心脏相关联的EMF。例如，脑磁图描记术(MEG)可用于检测与大脑相关联的EMF。例如，胃磁图描记术(MGG)可用于检测与胃相关的EMF。在这样的电磁场中的异常可以指示严重的健康状况。
发明内容
发明内容
[0003] 心脏、大脑和胃以及人体其他器官和组织中的电磁场异常可以指示严重的健康状况。本文描述了用于分析EMF并基于由器官或组织生成的EMF来生成与个体的健康状况相关
联的输出的设备、系统、方法和软件。
联的输出的设备、系统、方法和软件。
[0005] 在一些实施方式中，使用EMF数据和包括其记录的与个体有关的数据以及与个体体内的器官和/或组织有关的数据来训练机器学习软件模块。异常数据包括器官或组织内
是否存在异常，并且所述异常与任何已知的结果或相关疾病、病症或病况一起被鉴别。与个体有关的数据包括群体统计数据、医学图像数据、临床数据(例如，来自包括电子健康记录的健康记录)、编码数据和编码特征或来源于电磁场的指标。
是否存在异常，并且所述异常与任何已知的结果或相关疾病、病症或病况一起被鉴别。与个体有关的数据包括群体统计数据、医学图像数据、临床数据(例如，来自包括电子健康记录的健康记录)、编码数据和编码特征或来源于电磁场的指标。
[0006] EMF数据包括EMF测量和EMF测量的模拟。在一些实施方式中，本文所述的机器学习软件模块在EMF数据和对应的异常数据(即，对应于EMF数据)两者上训练，使得机器学习软
件模块能够基于训练分析新的EMF数据并确定是否存在异常。此外，机器学习软件模块可以确定与检测到的异常相关的状况。
件模块能够基于训练分析新的EMF数据并确定是否存在异常。此外，机器学习软件模块可以确定与检测到的异常相关的状况。
[0007] 本文描述了通过分析由器官或组织生成的电磁场来检测受试者的器官或组织中存在异常的方法、软件、系统和设备。在一些实施方式中，EMF数据用于生成医学图像、临床数据和编码数据中的一个或多个。在这些实施方式中，医学图像数据、临床数据、编码数据和/或来源于EMF数据的其他特征或指标被用作训练机器学习算法的输入，该机器学习算法
被配置为鉴别个体中存在异常。所述异常可以与感测EMF的器官或个体中的其他器官或系
统有关。在一些实施方式中，机器学习算法被配置为确定或预测个体的异常评分。
被配置为鉴别个体中存在异常。所述异常可以与感测EMF的器官或个体中的其他器官或系
统有关。在一些实施方式中，机器学习算法被配置为确定或预测个体的异常评分。
[0008] 本文描述了用于诊断个体中存在异常的方法、软件、系统和设备，包括：使用电磁场传感器来感测与个体相关联的电磁场数据，生成医学图像数据和/或临床数据和/或编码数据和/或使用EMF数据来源于所述数据的特征或指标，使用一个或多个医学图像和/或临
床数据和/或来自EMF测量的编码数据和/或由上述数据计算出的任何特征或指标的已知患
者数据库在训练阶段构造假设函数，以及使用训练阶段的构建的假设函数根据EMF测量和/
或由一个或多个患者的以上所述数据计算出的任何特征或指标预测未知医学图像和/或临
床数据和/或编码数据中异常的概率。
床数据和/或来自EMF测量的编码数据和/或由上述数据计算出的任何特征或指标的已知患
者数据库在训练阶段构造假设函数，以及使用训练阶段的构建的假设函数根据EMF测量和/
或由一个或多个患者的以上所述数据计算出的任何特征或指标预测未知医学图像和/或临
床数据和/或编码数据中异常的概率。
[0009] 本文描述了用于诊断个体中存在异常的方法、软件、系统和设备，包括：使用电磁场传感器感测与个体相关联的电磁场数据，使用机器学习算法生成电磁场数据的分析，以及基于电磁场数据的分析确定个体中存在异常。
[0010] 本文描述了用于诊断个体中存在异常的方法，包括：使用电磁场传感器感测与个体相关联的电磁场数据，生成医学图像数据和/或临床数据和/或编码数据和/或使用EMF数
据来源于所述数据的特征或指标，使用一个或多个医学图像和/或临床数据和/或来自EMF
测量的编码数据和/或由上述数据计算出的任何特征或指标的已知患者数据库在训练阶段
构造假设函数，以及使用训练阶段的构建的假设函数根据EMF测量和/或由一个或多个患者
的以上所述数据计算出的任何特征或指标预测未知医学图像和/或临床数据和/或编码数
据中异常的概率。在一些实施方式中，异常包括心脏异常。在一些实施方式中，异常包括缺血。在一些实施方式中，机器学习算法包括神经网络。在一些实施方式中，使用从计算机仿真生成的输入来训练机器学习算法。
据来源于所述数据的特征或指标，使用一个或多个医学图像和/或临床数据和/或来自EMF
测量的编码数据和/或由上述数据计算出的任何特征或指标的已知患者数据库在训练阶段
构造假设函数，以及使用训练阶段的构建的假设函数根据EMF测量和/或由一个或多个患者
的以上所述数据计算出的任何特征或指标预测未知医学图像和/或临床数据和/或编码数
据中异常的概率。在一些实施方式中，异常包括心脏异常。在一些实施方式中，异常包括缺血。在一些实施方式中，机器学习算法包括神经网络。在一些实施方式中，使用从计算机仿真生成的输入来训练机器学习算法。
[0011] 本文描述了用于诊断个体中存在异常的方法，包括：使用电磁传感器感测与个体相关联的电磁数据；使用电磁传感器检测与个体相关联的电磁数据，使用机器学习算法生
成电磁数据的分析；以及基于电磁数据的分析来确定个体中存在异常。在一些实施方式中，异常包括心脏异常。在一些实施方式中，异常包括缺血。在一些实施方式中，机器学习算法包括神经网络。在一些实施方式中，使用从计算机仿真生成的输入来训练机器学习算法。在一些实施方式中，方法包括对电磁数据进行滤波。在一些实施方式中，对电磁数据进行滤波包括使用电磁数据生成倒谱系数。在一些实施方式中，生成倒谱系数包括：(a)将电磁数据分段成一个或多个段；(b)计算一个或多个段中的每一个的功率谱的周期图估计；(c)计算
每个周期图估计的总和；(d)对每个总和取对数；(e)为每个对数计算离散余弦变换(DCT)，从而为一个或多个段中的每一个生成倒谱系数。在一些实施方式中，方法包括丢弃至少一
个倒谱系数。在一些实施方式中，机器学习算法的输入包括至少一个倒谱系数。
成电磁数据的分析；以及基于电磁数据的分析来确定个体中存在异常。在一些实施方式中，异常包括心脏异常。在一些实施方式中，异常包括缺血。在一些实施方式中，机器学习算法包括神经网络。在一些实施方式中，使用从计算机仿真生成的输入来训练机器学习算法。在一些实施方式中，方法包括对电磁数据进行滤波。在一些实施方式中，对电磁数据进行滤波包括使用电磁数据生成倒谱系数。在一些实施方式中，生成倒谱系数包括：(a)将电磁数据分段成一个或多个段；(b)计算一个或多个段中的每一个的功率谱的周期图估计；(c)计算
每个周期图估计的总和；(d)对每个总和取对数；(e)为每个对数计算离散余弦变换(DCT)，从而为一个或多个段中的每一个生成倒谱系数。在一些实施方式中，方法包括丢弃至少一
个倒谱系数。在一些实施方式中，机器学习算法的输入包括至少一个倒谱系数。
[0012] 本文描述了计算机实现的系统，包括：电磁传感器，被配置为感测与个体相关联的电磁数据；以及计算机程序，其包括由数字处理设备执行以确定所述个体中是否存在异常的指令，该计算机程序包括：被配置为接收所述电磁数据的软件模块；包括被配置为分析所述电磁数据并确定所述异常的所述存在的机器学习算法的软件模块。在一些实施方式中，
异常包括心脏异常。在一些实施方式中，异常包括缺血。在一些实施方式中，机器学习算法包括神经网络。在一些实施方式中，使用从计算机仿真生成的输入来训练机器学习算法。在一些实施方式中，系统包括被配置为对电磁数据进行滤波的软件模块。在一些实施方式中，被配置为对电磁数据进行滤波的软件模块使用电磁数据来生成倒谱系数。在一些实施方式
中，生成倒谱系数包括：(a)将电磁数据分段成一个或多个段；(b)计算一个或多个段中的每一个的功率谱的周期图估计；(c)计算每个周期图估计的总和；(d)对每个总和取对数；(e)为每个对数计算离散余弦变换(DCT)，从而为一个或多个段中的每一个生成倒谱系数。在一些实施方式中，生成倒谱系数进一步包括丢弃至少一个倒谱系数。在一些实施方式中，机器学习算法的输入包括至少一个倒谱系数。
异常包括心脏异常。在一些实施方式中，异常包括缺血。在一些实施方式中，机器学习算法包括神经网络。在一些实施方式中，使用从计算机仿真生成的输入来训练机器学习算法。在一些实施方式中，系统包括被配置为对电磁数据进行滤波的软件模块。在一些实施方式中，被配置为对电磁数据进行滤波的软件模块使用电磁数据来生成倒谱系数。在一些实施方式
中，生成倒谱系数包括：(a)将电磁数据分段成一个或多个段；(b)计算一个或多个段中的每一个的功率谱的周期图估计；(c)计算每个周期图估计的总和；(d)对每个总和取对数；(e)为每个对数计算离散余弦变换(DCT)，从而为一个或多个段中的每一个生成倒谱系数。在一些实施方式中，生成倒谱系数进一步包括丢弃至少一个倒谱系数。在一些实施方式中，机器学习算法的输入包括至少一个倒谱系数。
[0013] 本文描述了被配置为确定医学诊断的诊断设备，所述诊断设备包括：电磁场传感器，其被配置为感测与个体相关联的电磁场测量；处理器，其可操作地耦合至电磁场传感
器；以及非暂时性计算机可读存储介质，其编码有包括经训练的机器学习软件模块的软件，其中所述软件是处理器可执行的，并使处理器：从电磁场传感器接收电磁场测量；使用提取技术从电磁场测量中提取提取值，其中经训练的机器学习软件模块确定所使用的提取技
术；使用数据关联技术将提取值与一个或多个其他值相关联，从而生成数据关联，其中经训练的机器学习软件模块确定所使用的数据关联技术；基于关联产生一个假设函数；并基于
假设函数确定个体的医学诊断。在一些实施方式中，诊断设备包括传感器阵列，并且电磁场传感器位于该阵列内。在一些实施方式中，电磁场传感器包括光泵磁强计或超导量子干涉
器型传感器。在一些实施方式中，壳体含有所述处理器，并且其中所述电磁传感器硬连接至所述壳体。在一些实施方式中，经训练的机器学习软件模块具有对包括从群体中的多个个
体感测到的多个电磁场值的存储数据的访问。在一些实施方式中，存储数据包括与多个个
体相关联的多个健康数据值。在一些实施方式中，经训练的机器学习软件模块具有对用于
训练经训练的机器学习软件模块的数据的访问。在一些实施方式中，用于训练经训练的机
器学习软件模块的数据包括与心脏有关的数据。在一些实施方式中，与心脏有关的数据包
括与个体的心脏相关联的电磁场。在一些实施方式中，用于训练经训练的机器学习软件模
块的数据包括与大脑有关的数据。在一些实施方式中，其中与大脑有关的数据包括与个体
的大脑相关联的电磁场。在一些实施方式中，提取值包括与电磁场测量相对应的电磁波形
的片段。在一些实施方式中，对电磁场测量进行滤波。在一些实施方式中，一个或多个数据值包括与来自群体中的一个或多个个体相关联的群体统计数据、医学图像数据或临床数据
中的一个或多个。在一些实施方式中，处理器进一步被配置为将电磁测量转换为波形。在一些实施方式中，处理器进一步被配置为确定用于治疗诊断的疗法。在一些实施方式中，诊断包括与心脏有关的诊断。在一些实施方式中，诊断包括与大脑有关的诊断。
器；以及非暂时性计算机可读存储介质，其编码有包括经训练的机器学习软件模块的软件，其中所述软件是处理器可执行的，并使处理器：从电磁场传感器接收电磁场测量；使用提取技术从电磁场测量中提取提取值，其中经训练的机器学习软件模块确定所使用的提取技
术；使用数据关联技术将提取值与一个或多个其他值相关联，从而生成数据关联，其中经训练的机器学习软件模块确定所使用的数据关联技术；基于关联产生一个假设函数；并基于
假设函数确定个体的医学诊断。在一些实施方式中，诊断设备包括传感器阵列，并且电磁场传感器位于该阵列内。在一些实施方式中，电磁场传感器包括光泵磁强计或超导量子干涉
器型传感器。在一些实施方式中，壳体含有所述处理器，并且其中所述电磁传感器硬连接至所述壳体。在一些实施方式中，经训练的机器学习软件模块具有对包括从群体中的多个个
体感测到的多个电磁场值的存储数据的访问。在一些实施方式中，存储数据包括与多个个
体相关联的多个健康数据值。在一些实施方式中，经训练的机器学习软件模块具有对用于
训练经训练的机器学习软件模块的数据的访问。在一些实施方式中，用于训练经训练的机
器学习软件模块的数据包括与心脏有关的数据。在一些实施方式中，与心脏有关的数据包
括与个体的心脏相关联的电磁场。在一些实施方式中，用于训练经训练的机器学习软件模
块的数据包括与大脑有关的数据。在一些实施方式中，其中与大脑有关的数据包括与个体
的大脑相关联的电磁场。在一些实施方式中，提取值包括与电磁场测量相对应的电磁波形
的片段。在一些实施方式中，对电磁场测量进行滤波。在一些实施方式中，一个或多个数据值包括与来自群体中的一个或多个个体相关联的群体统计数据、医学图像数据或临床数据
中的一个或多个。在一些实施方式中，处理器进一步被配置为将电磁测量转换为波形。在一些实施方式中，处理器进一步被配置为确定用于治疗诊断的疗法。在一些实施方式中，诊断包括与心脏有关的诊断。在一些实施方式中，诊断包括与大脑有关的诊断。
[0014] 本文还描述了诊断方法，包括：从可操作地耦合至包括处理器和经训练的机器学习软件模块的感测设备的电磁场传感器接收电磁场测量；使用处理器，使用提取技术从电
磁场测量中提取提取值，其中经训练的机器学习软件模块确定所使用的提取技术；使用处
理器，使用数据关联技术将提取值与一个或多个其他值相关联，从而生成数据关联，其中经训练的软件模块确定所使用的数据关联技术；使用处理器，基于关联生成假设函数；以及使用处理器，基于假设函数确定个体的医学诊断。
磁场测量中提取提取值，其中经训练的机器学习软件模块确定所使用的提取技术；使用处
理器，使用数据关联技术将提取值与一个或多个其他值相关联，从而生成数据关联，其中经训练的软件模块确定所使用的数据关联技术；使用处理器，基于关联生成假设函数；以及使用处理器，基于假设函数确定个体的医学诊断。
[0015] 在一些实施方式中，感测设备包括传感器阵列，并且其中电磁场传感器位于阵列内。在一些实施方式中，电磁场传感器包括光泵磁强计或超导量子干涉器型传感器。在一些实施方式中，所述电磁传感器硬连接至所述感测设备。在一些实施方式中，方法包括由经训练的机器学习软件模块访问包括从群体中的多个个体感测到的多个电磁场值的存储数据。
在一些实施方式中，存储数据包括与多个个体相关联的多个健康数据值。在一些实施方式
中，方法包括由经训练的机器学习软件模块访问用于训练经训练的机器学习软件模块的数
据。在一些实施方式中，用于训练经训练的机器学习软件模块的数据包括与心脏有关的数
据。在一些实施方式中，与心脏有关的数据包括与个体的心脏相关联的电磁场。在一些实施方式中，用于训练经训练的机器学习软件模块的数据包括与大脑有关的数据。在一些实施
方式中，与大脑有关的数据包括与个体的大脑相关联的电磁场。在一些实施方式中，提取值包括与电磁场测量相对应的电磁波形的片段。在一些实施方式中，方法包括对电磁场测量
进行滤波。在一些实施方式中，一个或多个数据值包括与来自群体中的一个或多个个体相
关联的群体统计数据、医学图像数据或临床数据中的一个或多个。在一些实施方式中，处理器进一步被配置为将电磁场测量转换为波形。在一些实施方式中，处理器进一步被配置为
确定治疗诊断的疗法。在一些实施方式中，诊断包括与心脏有关的诊断。在一些实施方式
中，诊断包括与大脑有关的诊断。
附图说明
在一些实施方式中，存储数据包括与多个个体相关联的多个健康数据值。在一些实施方式
中，方法包括由经训练的机器学习软件模块访问用于训练经训练的机器学习软件模块的数
据。在一些实施方式中，用于训练经训练的机器学习软件模块的数据包括与心脏有关的数
据。在一些实施方式中，与心脏有关的数据包括与个体的心脏相关联的电磁场。在一些实施方式中，用于训练经训练的机器学习软件模块的数据包括与大脑有关的数据。在一些实施
方式中，与大脑有关的数据包括与个体的大脑相关联的电磁场。在一些实施方式中，提取值包括与电磁场测量相对应的电磁波形的片段。在一些实施方式中，方法包括对电磁场测量
进行滤波。在一些实施方式中，一个或多个数据值包括与来自群体中的一个或多个个体相
关联的群体统计数据、医学图像数据或临床数据中的一个或多个。在一些实施方式中，处理器进一步被配置为将电磁场测量转换为波形。在一些实施方式中，处理器进一步被配置为
确定治疗诊断的疗法。在一些实施方式中，诊断包括与心脏有关的诊断。在一些实施方式
中，诊断包括与大脑有关的诊断。
附图说明
[0017] 图1A和图1B示出了以神经网络内的数据流表示的神经网络架构的示意性示例。
[0018] 图2示出了表示示例性机器学习软件模块的示意图。
[0019] 图3示出了用于感测分析EMF的示例性设备的示意图。
[0020] 图4示出了包括数字处理设备的系统的示例性实施方式的示意图。
[0021] 图5A和图5B示出了从定位于个体胸部附近的多个OPM传感器感测到的EMF数据的示例。
[0022] 图6A和图6B示出了从定位于个体胸部附近的多个SQUID传感器感测到的EMF数据的示例。
[0023] 图7A和图7B示出了从定位于胎儿附近的多个OPM传感器感测到的EMF数据的示例。
[0024] 图8A和图8B示出了从定位于胎儿附近的多个SQUID传感器感测到的EMF数据的示例。
[0025] 图9示出了健康成人心脏的磁激活的三个时空激活表示。
[0026] 图10示出了基于在个体头部附近感测到的EMF从个体感测到的MEG的示例。
[0027] 图11示出了根据从个体感测到的EMF生成的共同配准的MRI和MEG的示例。
[0028] 图12示出了由DNN接收的与心脏有关的EMF数据的示意图，该DNN被配置为输出该EMF数据X’的重建。
具体实施方式
[0029] 本文描述了用于通过感测和分析与个体相关联的EMF数据来确定个体中的异常的设备、系统、方法和软件。
软件模块
软件模块
[0030] 通过包括机器学习软件模块的软件模块接收和分析由一个或多个EMF传感器感测到的经感测的EMF数据。
[0031] 通常，本文所述的软件模块包括计算机可读和可执行代码。在各种实施方式中，软件模块包括文件、代码段、编程对象、程序结构或其组合。在进一步的各种实施方式中，软件模块包括多个文件、多个代码段、多个编程对象、多个程序结构或其组合。在各种实施方式中，作为非限制性示例，一个或多个软件模块包括网络应用、移动应用和独立应用。在一些实施方式中，软件模块在一个计算机程序或应用程序中。在一些实施方式中，软件模块在多于一个计算机程序或应用程序中。在一些实施方式中，软件模块托管在一台机器上。在一些实施方式中，软件模块托管在多于一台机器上。在进一步的实施方式中，软件模块托管在云计算平台上。在一些实施方式中，软件模块托管在一个位置中的一个或多个机器上。在一些实施方式中，软件模块托管在多于一个位置中的一个或多个机器上。
[0032] 通常，本文所述的机器学习软件模块被配置为接收数据、分析数据并生成输出。机器学习软件模块生成的输出的非限制性示例包括异常、疾病状态、失衡、诊断、预后、健康状况变化的预测、包括预防性疗法的疗法建议。
[0033] 在一些实施方式中，机器学习软件模块被配置为分析感测到的EMF数据并基于所述感测到的数据生成假设函数。在一些实施方式中，由本文所述的机器学习软件模块生成
的假设函数被配置为基于从个体感测到的并输入到机器学习软件模块中的EMF来确定个体
中的存在异常。在一些实施方式中，由本文所述的机器学习软件模块生成的假设函数被配
置为基于从个体感测到的并输入到机器学习软件模块中的EMF来确定个体的预后。在一些
实施方式中，假设函数被配置为基于从个体感测到的并输入到机器学习软件模块中的EMF
来确定针对个体的疗法建议，其中所述疗法进行治疗现有异常并防止异常发作中的一种或
多种。在一些实施方式中，通过机器学习软件模块对EMF数据的分析包括鉴别与感测到的
EMF数据相关的异常。例如，本文所述的机器学习算法可以接收从个体感测到的EMF数据并
分析所述数据以确定所述个体患有充血性心力衰竭。
的假设函数被配置为基于从个体感测到的并输入到机器学习软件模块中的EMF来确定个体
中的存在异常。在一些实施方式中，由本文所述的机器学习软件模块生成的假设函数被配
置为基于从个体感测到的并输入到机器学习软件模块中的EMF来确定个体的预后。在一些
实施方式中，假设函数被配置为基于从个体感测到的并输入到机器学习软件模块中的EMF
来确定针对个体的疗法建议，其中所述疗法进行治疗现有异常并防止异常发作中的一种或
多种。在一些实施方式中，通过机器学习软件模块对EMF数据的分析包括鉴别与感测到的
EMF数据相关的异常。例如，本文所述的机器学习算法可以接收从个体感测到的EMF数据并
分析所述数据以确定所述个体患有充血性心力衰竭。
[0034] 本文描述了被配置为使用机器学习算法(诸如例如利用一个或多个神经网络的机器学习算法)来分析EMF数据的机器学习软件模块。神经网络是可以学习输入数据集与目标
数据集之间的关系的一种计算系统。神经网络是人神经系统(例如，认知系统)的软件表示，旨在捕获由人使用的“学习”和“泛化”能力。在软件模块的一些实施方式中，软件模块包括含有卷积神经网络的神经网络。本文所述的机器学习软件的实施方式的结构组件的非限制
性示例包括：(深度)卷积神经网络、(深度)递归神经网络、(深度)扩张的卷积神经网络、(深度)完全连接神经网络、深度生成模型和(深度)(受限)玻尔兹曼机。
数据集之间的关系的一种计算系统。神经网络是人神经系统(例如，认知系统)的软件表示，旨在捕获由人使用的“学习”和“泛化”能力。在软件模块的一些实施方式中，软件模块包括含有卷积神经网络的神经网络。本文所述的机器学习软件的实施方式的结构组件的非限制
性示例包括：(深度)卷积神经网络、(深度)递归神经网络、(深度)扩张的卷积神经网络、(深度)完全连接神经网络、深度生成模型和(深度)(受限)玻尔兹曼机。
[0035] 在本文所述的软件应用程序和系统的一些实施方式中，机器学习软件模块包括递归神经网络软件模块。递归神经网络软件模块被配置为将时序数据接收为输入，如连续的
EMF测量，并且递归神经网络软件模块在每个时间步更新内部状态。
EMF测量，并且递归神经网络软件模块在每个时间步更新内部状态。
[0038] 在一些实施方式中，神经网络由称为“神经元”的一系列层组成。神经网络中的典型神经元示于图1A中。如图1B中所示，在神经网络的实施方式中，存在向其呈现数据的输入层；一层或多层内部或“隐藏”层；以及输出层。神经元可以经由具有权重的连接被连接到在其他层中的神经元，该权重是控制连接强度的参数。每层中的神经元数目可以与待解决的问题的复杂度有关。层中所需的神经元的最小数目可以由问题复杂度决定，而最大数目可
以由神经网络的泛化能力来限制。输入神经元可以从呈现的数据中接收数据，然后通过连
接的权重将数据传输到第一隐藏层，在训练期间中会该权重进行修改。第一隐藏层可以处
理数据，并通过第二组加权连接将其结果传输到下一层。每个后续层可以将来自先前层的
结果“合并(pool)”为更复杂的关系。此外，尽管传统软件程序需要编写特定的指令以执行功能，但通过用已知的样本集对其进行训练，并允许其在训练期间(和之后)进行自我修改
以提供期望的输出如输出值来对神经网络进行编程。训练后，当用新的输入数据呈现神经
网络时，将其配置为泛化训练期间“学习”的内容，并将从训练中学到的内容应用于先前未见过的新输入数据，以生成与该输入相关联的输出。
以由神经网络的泛化能力来限制。输入神经元可以从呈现的数据中接收数据，然后通过连
接的权重将数据传输到第一隐藏层，在训练期间中会该权重进行修改。第一隐藏层可以处
理数据，并通过第二组加权连接将其结果传输到下一层。每个后续层可以将来自先前层的
结果“合并(pool)”为更复杂的关系。此外，尽管传统软件程序需要编写特定的指令以执行功能，但通过用已知的样本集对其进行训练，并允许其在训练期间(和之后)进行自我修改
以提供期望的输出如输出值来对神经网络进行编程。训练后，当用新的输入数据呈现神经
网络时，将其配置为泛化训练期间“学习”的内容，并将从训练中学到的内容应用于先前未见过的新输入数据，以生成与该输入相关联的输出。
[0039] 在本文所述的机器学习软件模块的一些实施方式中，机器学习软件模块包括神经网络如深度卷积神经网络。在使用卷积神经网络的一些实施方式中，网络被构造为具有任
何数目的卷积层、扩张层或完全连接的层。在一些实施方式中，卷积层的数目在1-10层之间并且扩张层的数目在0-10层之间。在一些实施方式中，卷积层的数目在1-10层之间并且完
全连接的层的数目在0-10层之间。
何数目的卷积层、扩张层或完全连接的层。在一些实施方式中，卷积层的数目在1-10层之间并且扩张层的数目在0-10层之间。在一些实施方式中，卷积层的数目在1-10层之间并且完
全连接的层的数目在0-10层之间。
[0040] 图2示出了表示机器学习软件模块的示例性实施方式架构的流程图。在该示例性实施方式中，个体的原始EMF 240用于提取被馈送到深度学习模块中的MFCC特征245。机器
学习软件模块包括两个扩张的卷积神经网络块250、260。每个块具有5个扩张率D＝1、2、4、
8、16的扩张卷积层。块的数目以及每个块中的层数可以增加或减少，因此不限于图2中描绘的配置。
训练阶段
学习软件模块包括两个扩张的卷积神经网络块250、260。每个块具有5个扩张率D＝1、2、4、
8、16的扩张卷积层。块的数目以及每个块中的层数可以增加或减少，因此不限于图2中描绘的配置。
训练阶段
[0041] 如本文所述的机器学习软件模块被配置为经历至少一个训练阶段，其中机器学习软件模块被训练为执行包括数据提取、数据分析和输出生成的一个或多个任务。
[0042] 在本文所述的软件应用程序的一些实施方式中，软件应用程序包括训练机器学习软件模块的训练模块。训练模块被配置为向机器学习软件模块提供训练数据，所述训练数
据包括例如EMF测量和对应的异常数据。在附加的实施方式中，所述训练数据由具有对应的模拟的异常数据的模拟的EMF数据组成。在本文所述的机器学习软件模块的一些实施方式
中，机器学习软件模块利用数据的自动统计分析来确定从EMF测量中提取和/或分析哪些特
征。在这些实施方式的一些中，机器学习软件模块基于机器学习软件模块接收的训练来确
定从EMF提取和/或分析哪些特征。
据包括例如EMF测量和对应的异常数据。在附加的实施方式中，所述训练数据由具有对应的模拟的异常数据的模拟的EMF数据组成。在本文所述的机器学习软件模块的一些实施方式
中，机器学习软件模块利用数据的自动统计分析来确定从EMF测量中提取和/或分析哪些特
征。在这些实施方式的一些中，机器学习软件模块基于机器学习软件模块接收的训练来确
定从EMF提取和/或分析哪些特征。
[0043] 在一些实施方式中，以可能被描述为监督学习的方式使用数据集和目标来训练机器学习软件模块。在这些实施方式中，通常将数据集划分为训练集、测试集以及在一些情况下的验证集。指定包含数据集中的每个输入值的正确分类的目标。例如，向机器学习软件模块重复呈现来自一个或多个个体的EMF数据集，并且对于训练期间呈现的每个样品，将由机器学习软件模块生成的输出与期望目标进行比较。计算目标与输入样品集之间的差异，并
修改机器学习软件模块以使输出更接近期望目标值。在一些实施方式中，利用反向传播算
法来使输出更接近期望目标值。在大量的训练迭代后，机器学习软件模块的输出将与输入
训练集中的每个样品的期望目标紧密匹配。随后，当向机器学习软件模块呈现在训练期间
中未使用的新输入数据时，其可以生成指示新样品最可能属于哪个类别的输出分类值。据
说机器学习软件模块能够从其训练“泛化”为先前未见过的新输入样品。机器学习软件模块的该特征允许其用于对与其应被分配到的类别有数学公式化关系的几乎任何输入数据进
行分类。
修改机器学习软件模块以使输出更接近期望目标值。在一些实施方式中，利用反向传播算
法来使输出更接近期望目标值。在大量的训练迭代后，机器学习软件模块的输出将与输入
训练集中的每个样品的期望目标紧密匹配。随后，当向机器学习软件模块呈现在训练期间
中未使用的新输入数据时，其可以生成指示新样品最可能属于哪个类别的输出分类值。据
说机器学习软件模块能够从其训练“泛化”为先前未见过的新输入样品。机器学习软件模块的该特征允许其用于对与其应被分配到的类别有数学公式化关系的几乎任何输入数据进
行分类。
[0044] 在本文所述的机器学习软件模块的一些实施方式中，机器学习软件模块利用个体学习模型。个体学习模型基于已对来自单个个体的数据进行训练的机器学习软件模块，并
因此利用个体学习模型的机器学习软件模块被配置为用于数据经训练的单个个体。
因此利用个体学习模型的机器学习软件模块被配置为用于数据经训练的单个个体。
[0045] 在本文所述的机器训练软件模块的一些实施方式中，机器训练软件模块利用全局训练模型。全局训练模型基于已对来自多个个体的数据进行训练的机器训练软件模块，并
因此利用全局训练模型的机器训练软件模块被配置为用于多个患者/个体。
因此利用全局训练模型的机器训练软件模块被配置为用于多个患者/个体。
[0046] 在本文所述的机器训练软件模块的一些实施方式中，机器训练软件模块利用模拟训练模型。模拟训练模型基于已对来自模拟EMF测量的数据进行训练的机器训练软件模块。
利用模拟训练模型的机器训练软件模块被配置为用于多个患者/个体。
利用模拟训练模型的机器训练软件模块被配置为用于多个患者/个体。
[0047] 在一些实施方式中，训练模型的使用随着EMF数据的可用性而改变。例如，如果没有足够数目的适当患者数据可用于将机器训练软件模块训练到期望的精确度，则可以使用
模拟训练模型。这在实施的初期可能尤其如此，因为很少的带有相关异常的适当EMF测量可能是最初可用的。随着附加数据变得可用，训练模型可以更改为全局模型或个体模型。在一些实施方式中，训练模型的混合可以用于训练机器训练软件模块。例如，可以使用模拟和全局训练模型，利用多个患者数据和模拟数据的混合来满足训练数据要求。
模拟训练模型。这在实施的初期可能尤其如此，因为很少的带有相关异常的适当EMF测量可能是最初可用的。随着附加数据变得可用，训练模型可以更改为全局模型或个体模型。在一些实施方式中，训练模型的混合可以用于训练机器训练软件模块。例如，可以使用模拟和全局训练模型，利用多个患者数据和模拟数据的混合来满足训练数据要求。
[0048] 在一些实施方式中，使用无监督学习来训练机器训练软件模块以使用输入数据诸如例如EMF数据，并输出例如诊断或异常。在一些实施方式中，无监督学习包括由机器学习软件模块对输入数据执行的特征提取。提取的特征可以用于可视化、分类、后续监督训练，并且更普遍地用于表示后续存储或分析的输入。在某些情况下，每个训练案例可以由多个
EMF数据组成。
EMF数据组成。
[0049] 通常用于无监督训练的机器学习软件模块包括k-均值聚类、多项式分布混合、仿射传播、离散因子分析、隐马尔可夫模型、玻尔兹曼机、受限玻尔兹曼机、自动编码器、卷积自动编码器、递归神经网络自动编码器和长短期内存自动编码器。尽管有许多无监督的学
习模型，但它们都具有共同点，即对于训练，它们需要由生物序列组成且没有相关标签的训练集。
习模型，但它们都具有共同点，即对于训练，它们需要由生物序列组成且没有相关标签的训练集。
[0050] 机器学习软件模块可以包括训练阶段和预测阶段。通常向训练阶段提供数据，以训练机器学习算法。为了训练目的输入到机器学习软件模块中的数据类型的非限制性示例
包括医学图像数据、临床数据(例如，来自健康记录)、编码数据、编码特征或来源于电磁场的指标。在一些实施方式中，输入到机器学习软件模块中的数据用于构造确定存在异常的
假设函数。在一些实施方式中，机器学习软件模块被配置为确定是否实现了假设函数的结
果，并且基于该分析，对构成假设函数的数据进行确定。即，结果倾向于相对于构造假设函数的数据强化假设函数，或相对于构造假设函数的数据与假设函数矛盾。在这些实施方式
中，取决于结果倾向于假设函数所确定的结果的接近程度，机器学习算法将相对于构造假
设函数的数据对假设函数进行采用、调整或放弃。这样，本文所述的机器学习算法通过训练阶段动态地学习输入(例如，数据)的哪些特征在确定患者的EMF特征是否显示任何异常中
最具预测性。
包括医学图像数据、临床数据(例如，来自健康记录)、编码数据、编码特征或来源于电磁场的指标。在一些实施方式中，输入到机器学习软件模块中的数据用于构造确定存在异常的
假设函数。在一些实施方式中，机器学习软件模块被配置为确定是否实现了假设函数的结
果，并且基于该分析，对构成假设函数的数据进行确定。即，结果倾向于相对于构造假设函数的数据强化假设函数，或相对于构造假设函数的数据与假设函数矛盾。在这些实施方式
中，取决于结果倾向于假设函数所确定的结果的接近程度，机器学习算法将相对于构造假
设函数的数据对假设函数进行采用、调整或放弃。这样，本文所述的机器学习算法通过训练阶段动态地学习输入(例如，数据)的哪些特征在确定患者的EMF特征是否显示任何异常中
最具预测性。
[0051] 例如，向机器学习软件模块提供待于其上训练的数据，以便例如能够确定接收到的待进行操作的EMF数据的最显著特征。本文所述的机器学习软件模块训练如何分析EMF数
据，而不是使用预定义的指令分析EMF数据。这样，本文所述的机器软件模块通过训练动态地学习输入信号的哪些特征在确定EMF特征是否显示任何异常中最具预测性。
据，而不是使用预定义的指令分析EMF数据。这样，本文所述的机器软件模块通过训练动态地学习输入信号的哪些特征在确定EMF特征是否显示任何异常中最具预测性。
[0052] 在一些实施方式中，通过向机器学习软件模块重复呈现EMF数据以及例如异常数据来训练机器学习软件模块。术语“异常数据”意指包括关于器官或组织中存在或不存在异常的数据。与异常相关联的任何疾病、病症或病况均包含在异常数据中(如果有)。例如，与显示高血压、缺血或呼吸急促症状的受试者有关的信息被包括为异常数据。与受试者没有
任何不规则健康状况有关的信息也被包括在异常数据中。在通过计算机模拟生成EMF数据
的情况下，异常数据可以用作模拟器官或组织的附加数据。在一些实施方式中，异常数据中包括多于一种异常。在一些实施方式中，异常数据中包括多于一种病况、疾病或病症。
任何不规则健康状况有关的信息也被包括在异常数据中。在通过计算机模拟生成EMF数据
的情况下，异常数据可以用作模拟器官或组织的附加数据。在一些实施方式中，异常数据中包括多于一种异常。在一些实施方式中，异常数据中包括多于一种病况、疾病或病症。
[0053] 在一些实施方式中，训练在机器学习软件模块被给予EMF数据并被要求确定存在异常时开始。然后将预测的异常与对应于EMF数据的真实异常数据进行比较。使用诸如梯度下降和反向传播的优化技术来更新机器学习软件模块每一层中的权重，以便在机器学习软
件模块预测的异常概率与异常的存在之间产生更紧密的一致性。对新的EMF数据和异常数
据重复该过程，直到网络的精确度达到期望水平。在一些实施方式中，异常数据还包括异常的类型和位置。例如，异常数据可以指示存在异常，并且所述异常是心脏的左心室缺血。在这种情况下，训练在机器学习软件模块被给予对应的EMF数据并被要求确定异常的类型和
位置时开始。使用优化技术来更新机器学习软件模块每一层中的权重，以便在机器学习软
件模块预测的异常数据与真实异常数据之间产生更紧密的一致性。对新的EMF数据和异常
数据重复该过程，直到网络的精确度达到期望水平。在一些实施方式中，异常数据附加地包括与鉴别的异常相关联的已知结果或相关疾病、病症或病况。例如，异常数据可以指示受试者患有心房扑动和动脉冠状动脉疾病。在这种情况下，训练在机器学习软件模块被给予对
应的EMF数据并被要求确定是否存在病况、病症或疾病时开始。然后将输出数据与对应于
EMF数据的真实异常数据进行比较。使用优化技术来更新机器学习软件模块每一层中的权
重，以便在机器学习软件模块预测的异常概率与真实异常之间产生更紧密的一致性。对新
的EMF数据和异常数据重复该过程，直到网络的精确度达到期望水平。在用上面给出的适当异常数据进行训练之后，机器学习模块能够分析EMF测量并确定存在异常、所述异常的类型和位置以及与之相关联的状况。
件模块预测的异常概率与异常的存在之间产生更紧密的一致性。对新的EMF数据和异常数
据重复该过程，直到网络的精确度达到期望水平。在一些实施方式中，异常数据还包括异常的类型和位置。例如，异常数据可以指示存在异常，并且所述异常是心脏的左心室缺血。在这种情况下，训练在机器学习软件模块被给予对应的EMF数据并被要求确定异常的类型和
位置时开始。使用优化技术来更新机器学习软件模块每一层中的权重，以便在机器学习软
件模块预测的异常数据与真实异常数据之间产生更紧密的一致性。对新的EMF数据和异常
数据重复该过程，直到网络的精确度达到期望水平。在一些实施方式中，异常数据附加地包括与鉴别的异常相关联的已知结果或相关疾病、病症或病况。例如，异常数据可以指示受试者患有心房扑动和动脉冠状动脉疾病。在这种情况下，训练在机器学习软件模块被给予对
应的EMF数据并被要求确定是否存在病况、病症或疾病时开始。然后将输出数据与对应于
EMF数据的真实异常数据进行比较。使用优化技术来更新机器学习软件模块每一层中的权
重，以便在机器学习软件模块预测的异常概率与真实异常之间产生更紧密的一致性。对新
的EMF数据和异常数据重复该过程，直到网络的精确度达到期望水平。在用上面给出的适当异常数据进行训练之后，机器学习模块能够分析EMF测量并确定存在异常、所述异常的类型和位置以及与之相关联的状况。
[0054] 在本文所述的机器学习软件模块的一些实施方式中，机器学习软件模块接收EMF数据并直接确定受试者的异常概率，其中异常概率包括EMF测量与受试者的异常相关联的
概率。
概率。
[0055] 在一些实施方式中，机器学习软件模块将在一段时间内使用对应的异常数据在单个连续EMF测量中进行训练。这可以大大增加可用于训练机器学习软件模块的训练数据量。
例如，在由N个连续的10秒段以及伴随的异常数据组成的EMF记录中，可以生成至少N*N对这样的片段数据用于训练。
例如，在由N个连续的10秒段以及伴随的异常数据组成的EMF记录中，可以生成至少N*N对这样的片段数据用于训练。
[0056] 在一些实施方式中，个体的异常数据由系统的个体输入。在一些实施方式中，个体的异常数据由个体以外的实体输入。在一些实施方式中，实体可以是医疗保健提供者、医疗保健专业人员、家庭成员或熟人。在附加的实施方式中，实体可以是即时描述系统、设备或分析EMF测量并提供生理异常相关数据的附加的系统。
[0057] 在一些实施方式中，提供了用于收集训练数据的策略，以确保EMF测量表示广泛的状况，以便为机器学习软件模块提供广泛的训练数据集。例如，可以要求在设定的时间段内的规定数目的测量作为训练数据集的一部分。此外这些测量可以被规定为测量之间具有设
定的时间量。在一些实施方式中，随着受试者的身体状态的变化而进行的EMF测量可以被包括在训练数据集中。身体状态的示例包括心率加快和大脑信号增强。附加的示例包括在药
物影响下或在医疗过程中分析受试者的EMF数据。
定的时间量。在一些实施方式中，随着受试者的身体状态的变化而进行的EMF测量可以被包括在训练数据集中。身体状态的示例包括心率加快和大脑信号增强。附加的示例包括在药
物影响下或在医疗过程中分析受试者的EMF数据。
[0058] 在一些实施方式中，可以通过提取由受试者执行的EMF测量的随机重叠段来生成训练数据。在一些实施方式中，可以通过独立于受试者的测量记录、模型或算法来提供训练示例。受试者和非受试者训练测量的任何混合或比率均可以用于训练系统。例如，可以使用从受试者的测量值中提取的5个EMF段和从另一受试者的记录中提取的15,000个EMF段来训
练网络。可以使用两种不同的方法获取训练数据。第一种方法是直接测量受试者胸部的EMF测量。第二种方法涉及创建心脏的准确的电解剖模型。该电解剖模型可用于生成健康受试
者和患病受试者的EMF测量。通过应用比奥-萨伐尔定律获得测量值。这将计算由电流的特
定运动引起的空间中给定点处的磁场矢量。在已获取或计算EMF测量之后，将其通过分类标签馈送到网络，从而描述患病组织的存在和位置。
练网络。可以使用两种不同的方法获取训练数据。第一种方法是直接测量受试者胸部的EMF测量。第二种方法涉及创建心脏的准确的电解剖模型。该电解剖模型可用于生成健康受试
者和患病受试者的EMF测量。通过应用比奥-萨伐尔定律获得测量值。这将计算由电流的特
定运动引起的空间中给定点处的磁场矢量。在已获取或计算EMF测量之后，将其通过分类标签馈送到网络，从而描述患病组织的存在和位置。
[0059] 通常，使用医学图像和/或临床数据和/或来自一个或多个EMF测量值的编码数据和/或根据上述数据以及对应的真实值计算出的任何特征或指标的较大的患者数据库来训
练机器学习算法。训练阶段通过使用医学图像和/或临床数据和/或来自一个或多个EMF测
量的编码数据和/或根据上述未知患者的数据计算出的任何特征或指标，构建用于预测未
知患者器官或组织中异常概率的转换函数。机器学习算法通过训练动态地学习输入信号的
哪些特征在确定患者的EMF数据是否显示任何异常中最具预测性。预测阶段使用训练阶段
构造和优化的转换函数，通过使用医学图像和/或临床数据和/或来自一个或多个EMF测量
值的编码数据和/或根据上述未知患者的数据计算出的任何特征或指标，来预测未知患者
器官或组织中异常概率。
预测阶段
练机器学习算法。训练阶段通过使用医学图像和/或临床数据和/或来自一个或多个EMF测
量的编码数据和/或根据上述未知患者的数据计算出的任何特征或指标，构建用于预测未
知患者器官或组织中异常概率的转换函数。机器学习算法通过训练动态地学习输入信号的
哪些特征在确定患者的EMF数据是否显示任何异常中最具预测性。预测阶段使用训练阶段
构造和优化的转换函数，通过使用医学图像和/或临床数据和/或来自一个或多个EMF测量
值的编码数据和/或根据上述未知患者的数据计算出的任何特征或指标，来预测未知患者
器官或组织中异常概率。
预测阶段
[0060] 训练后，机器学习算法用于确定例如系统在预测阶段训练用的异常的存在或不存在。借助适当的训练数据，系统可以鉴别异常的位置和类型，并呈现与这样的异常相关联的状况。例如，对受试者的大脑进行EMF测量，并且使用所述经训练的机器学习算法将从EMF测量得出的适当数据提交给系统进行分析。在这些实施方式中，机器学习软件算法检测与癫
痫相关联的异常。在一些实施方式中，机器学习算法进一步定位与异常相关联的解剖区域，诸如例如，基于个体的EMF测量在个体中定位与癫痫症相关联的个体的大脑区域。
痫相关联的异常。在一些实施方式中，机器学习算法进一步定位与异常相关联的解剖区域，诸如例如，基于个体的EMF测量在个体中定位与癫痫症相关联的个体的大脑区域。
[0061] 附加的示例，已知受试者患有动脉缺血并且已在用药物治疗之前和之后记录了EMF测量。使用所述经训练的机器学习算法将来自EMF测量的医学图像和/或临床数据和/或
编码数据以及/或者来源于所述数据的特征和/或指标提交给系统进行分析，以便使用预测
阶段确定药物对异常血流的有效性。
编码数据以及/或者来源于所述数据的特征和/或指标提交给系统进行分析，以便使用预测
阶段确定药物对异常血流的有效性。
[0062] 预测阶段使用训练阶段构建和优化的假设函数，通过使用医学图像和/或临床数据和/或来自EMF测量的编码数据和/或根据上述未知患者的数据计算出的任何特征或指
标，来预测未知个体器官或组织中异常概率。
标，来预测未知个体器官或组织中异常概率。
[0063] 在一些实施方式中，在预测阶段，机器学习软件模块可以用于独立于本文所述的任何系统或设备来分析从其EMF测量得出的数据。在这些情况下，新的数据记录可能提供确定存在受试者异常所要求的更长的信号窗口。在一些实施方式中，更长的信号可以被切成
适当的大小，例如10秒，并随后可以在预测阶段中使用以预测新患者数据异常的概率。
适当的大小，例如10秒，并随后可以在预测阶段中使用以预测新患者数据异常的概率。
[0064] 在一些实施方式中，可以将概率阈值与最终概率结合使用以确定给定记录是否与训练的异常匹配。在一些实施方式中，概率阈值用于调整训练的网络的灵敏度。例如，概率阈值可以是1％、2％、5％、10％、15％、20％、25％、30％、35％、40％、45％、50％、55％、60％、
65％、70％、75％、80％、85％、90％、95％、98％或99％。在一些实施方式中，如果精确度、灵敏度或特异度低于预定的调整阈值，则调整概率阈值。在一些实施方式中，调整阈值用于确定训练周期的参数。例如，如果概率阈值的精确度降到调整阈值以下，则系统可以延长训练周期和/或要求附加的测量和/或异常数据。在一些实施方式中，附加的测量和/或异常数据可以被包括在训练数据中。在一些实施方式中，附加的测量和/或异常数据可以用于完善训练数据集。
输入数据
65％、70％、75％、80％、85％、90％、95％、98％或99％。在一些实施方式中，如果精确度、灵敏度或特异度低于预定的调整阈值，则调整概率阈值。在一些实施方式中，调整阈值用于确定训练周期的参数。例如，如果概率阈值的精确度降到调整阈值以下，则系统可以延长训练周期和/或要求附加的测量和/或异常数据。在一些实施方式中，附加的测量和/或异常数据可以被包括在训练数据中。在一些实施方式中，附加的测量和/或异常数据可以用于完善训练数据集。
输入数据
[0065] 如本文所述，向机器学习软件模块通常提供数据(输入)，以便训练机器学习软件模块关于如何分析EMF以确定例如存在异常。机器学习软件模块还使用输入数据来生成输
出。
出。
[0066] 在一些实施方式中，本文所述的机器学习算法的输入是由包括EMF传感器的设备或系统传输到机器学习算法的数据。在本文所述的设备、系统、软件和方法的一些实施方式中，由机器学习算法软件模块从电磁传感器作为输入接收的数据可以包括以标准测量单位
诸如例如特斯拉表示的EMF数据。
诸如例如特斯拉表示的EMF数据。
[0067] 在一些实施方式中，感测到的EMF数据包括由个体的身体基于个体的身体生成的许多不同电流而生成的整体或全部EMF。即，在一些实施方式中，一个或多个EMF传感器感测的EMF，该EMF包括与整个个体相关联并且不特定于单个器官或组织的EMF。同样地，在一些实施方式中，从个体感测到的EMF与该个体的一部分相关联但不特定于单个器官或组织。
[0068] 在一些实施方式中，感测到的EMF数据包括接近个体或个体的身体的一部分的EMF，并且包括与单个器官、器官系统或组织相关联的EMF。例如，在一些实施方式中，一个或多个EMF传感器接近个体的胸部定位，并且感测与个体的心脏相关联的EMF。例如，在一些实施方式中，一个或多个EMF传感器接近个体的头部定位，并感测与个体的大脑相关联的EMF。
例如，在一些实施方式中，一个或多个EMF传感器接近个体的胸部定位，并感测与心肺系统(即，心脏和肺)相关联的EMF。
例如，在一些实施方式中，一个或多个EMF传感器接近个体的胸部定位，并感测与心肺系统(即，心脏和肺)相关联的EMF。
[0069] 在一些实施方式中，机器学习软件模块被配置为接收EMF数据的编码长度作为输入并确定输入数据的窗口长度。例如，在本文所述的一些实施方式中，向机器学习软件模块的输入是100秒的编码EMF数据，并且机器学习软件模块在100秒数据样品中选择10秒段以
供检查。在一些实施方式中，将输入分段为多个输入，独立地分析该多个输入中的任何数
目。这些分析中的任何数目均可用于确定最终输出。
供检查。在一些实施方式中，将输入分段为多个输入，独立地分析该多个输入中的任何数
目。这些分析中的任何数目均可用于确定最终输出。
[0070] 在一些实施方式中，本文所述的设备、系统或方法被配置为感测和/或接收包括个人相关联数据的数据。在一些实施方式中，通过电磁场传感器感测数据，该电磁场传感器是本文所述的设备、系统或方法的组件。在一些实施方式中，通过从除EMF以外的源将数据传输到本文所述的软件算法来接收数据，所述EMF是还包括软件算法的设备、系统或方法的组件。即，在一些实施方式中，从远离包括软件算法的设备、系统或方法的源接收数据。在一些实施方式中，接收到的数据包括存储的数据。在一些实施方式中，接收到的数据包括由软件模块生成的数据。通常，感测和/或接收的数据包括向本文所述的机器学习算法的输入。输入用于训练机器学习算法和/或由机器学习算法使用以执行的分析或预测。
[0071] 本文所述的数据包括EMF数据以及与个体相关联的其他信息。如本文所述的用作机器学习算法的输入的数据的非限制性示例包括病历(例如，电子健康记录)、诊断、实验室值、生命体征、预后、心电图、放射线图像(包括超声、CT扫描、MRI和X射线)、脑电图和病理报告。在一些实施方式中，通过本文所述的软件算法来组合和/或关联两种或更多种不同类型的数据。
[0072] 在一些实施方式中，EMF数据用于生成本文所述的软件算法所使用的其他类型的数据。例如，在一些实施方式中，EMF数据用于生成在一些实施方式中使用磁场图(MFM)实现的医学图像数据。在一些实施方式中，EMF数据用于使用伪电流密度(PCD)图来生成医学图
像数据。在一些实施方式中，EMF数据用于使用时空激活图(STAG)来生成医学数据。
像数据。在一些实施方式中，EMF数据用于使用时空激活图(STAG)来生成医学数据。
[0073] 在一些实施方式中，EMF数据用于生成临床数据如MCG、MEG和MGG测量。
[0074] 在一些实施方式中，本文所述的软件算法的输入包括被编码为数据的一些其他形式的EMF数据，以及从诸如MFCC的编码数据计算出的特征或指标。
[0075] 在一些实施方式中，通过计算机生成本文所述的软件算法的输入。例如，在一些实施方式中，本文所述的软件算法的输入包括通过计算机模拟生成的数据。在一些实施方式中，计算机模拟生成器官或其他组织(包括皮肤、骨骼和血液)的图像或其他表示。在一些实施方式中，计算机模拟生成诸如例如血液、淋巴或胆汁的流体的流动的图像或表示。在一些实施方式中，计算机模拟生成电流的流动的图像或表示。通过计算机模拟生成的附加输入
的非限制性示例包括病历(例如，电子健康记录)、诊断、实验室值、生命体征、预后、心电图、放射线图像(包括超声、CT扫描、MRI和X射线)、脑电图和病理报告。
的非限制性示例包括病历(例如，电子健康记录)、诊断、实验室值、生命体征、预后、心电图、放射线图像(包括超声、CT扫描、MRI和X射线)、脑电图和病理报告。
[0076] 在本文所述的设备、系统、软件和方法的一些实施方式中，由机器学习算法软件模块从电磁传感器作为输入接收的数据可以包括已进行了滤波或修改的EMF数据。在一些实施方式中，滤波包括从感测的电磁场数据中去除噪声或伪像。伪像或噪声可包括例如与从
个体感测到的电磁数据一起感测到的环境电磁信号。
个体感测到的电磁数据一起感测到的环境电磁信号。
[0077] 在本文所述的设备、系统、软件和方法的一些实施方式中，感测到的EMF数据在将所述数据传输到处理器之前和/或之后进行滤波。感测到的EMF数据的滤波可以例如包括从
感测到的EMF数据去除环境信号噪声。信号噪声可以包括例如由电子设备、地球磁层、电网或其他个体(即不是以EMF数据为目标的个体)生成的环境EMF数据。
感测到的EMF数据去除环境信号噪声。信号噪声可以包括例如由电子设备、地球磁层、电网或其他个体(即不是以EMF数据为目标的个体)生成的环境EMF数据。
[0078] 在一些实施方式中，将感测到的EMF数据转换成另一形式的数据或信号，然后对该另一形式的数据或信号进行信号滤波处理。在一些实施方式中，设备或系统包括处理器，其包括被配置为将感测到的EMF数据转换为另一形式的数据或信号的软件。将感测到的EMF数
据转换成另一形式的数据或信号的过程通常包括编码过程，其中将第一形式的数据转换成
第二形式的数据或信号。
据转换成另一形式的数据或信号的过程通常包括编码过程，其中将第一形式的数据转换成
第二形式的数据或信号。
[0080] 在一些实施方式中，将感测到的EMF数据编码为音频信号，该音频信号被进一步处理为梅尔频率倒谱，从中得出一个或多个梅尔频率倒谱系数(“MFCC”)。梅尔频率倒谱
(“MFC”)表示声音的短期功率谱。它基于对数功率频谱在非线性梅尔尺度上的线性余弦变换。梅尔频率倒谱系数(“MFCC”)共同构成了MFC。这些是从音频的倒谱表示类型得出的。在MFC中，与正常倒谱中使用的线性间隔频带相比，频带在梅尔尺度上被等距隔开。该等距隔开的频带可以更好地表示音频。
(“MFC”)表示声音的短期功率谱。它基于对数功率频谱在非线性梅尔尺度上的线性余弦变换。梅尔频率倒谱系数(“MFCC”)共同构成了MFC。这些是从音频的倒谱表示类型得出的。在MFC中，与正常倒谱中使用的线性间隔频带相比，频带在梅尔尺度上被等距隔开。该等距隔开的频带可以更好地表示音频。
[0081] 在一些实施方式中，通过将感测到的EMF数据转换成音频信号或具有音频信号波的形态的信号来对感测到的EMF信号进行滤波，并随后生成MFCC。
[0082] MFCC有助于鉴别音频信号中能够区分重要内容和背景噪声的成分。
[0083] 通常，用于对从感测到的EMF数据派生的音频信号进行滤波的步骤包括：在第一步中，将音频信号成帧为短帧。在第二步中，计算每帧的功率谱的周期图估计。在第三步中，将梅尔滤波器组应用于功率谱，并对每个滤波器中的能量求和。在第四步中，确定所有滤波器组能量的对数，并计算对数滤波器组能量的DCT。在第五步中，仅保留前20个DCT系数，并舍弃剩余DCT系数。
[0084] 滤波后，滤波后的数据将传输到机器学习算法进行分析。本文所述的算法能够对人体组织的生理健康进行分类和表征。算法被设计为分析输入数据并确定由上述传感器记
录的器官中病变组织的存在和位置。
设备和系统
录的器官中病变组织的存在和位置。
设备和系统
[0085] 在一些实施方式中，使用设备或系统来感测EMF数据。在一些实施方式中，设备或系统包括一个或多个EMF传感器。在这些实施方式的一些中，如本文所述，设备或系统被配置为包括机器学习软件模块。在这些实施方式的一些中，设备或系统被配置为将感测到的
EMF传输到不被包括为设备或系统的一部分的机器学习软件模块。使用电磁传感器感测到
的EMF数据包括与通过个体的细胞、组织和/或器官(诸如例如个体的心脏)的电流通道相关
的电磁数据。通常，本文描述了包括数字处理设备的设备和系统。
EMF传输到不被包括为设备或系统的一部分的机器学习软件模块。使用电磁传感器感测到
的EMF数据包括与通过个体的细胞、组织和/或器官(诸如例如个体的心脏)的电流通道相关
的电磁数据。通常，本文描述了包括数字处理设备的设备和系统。
[0086] 在本文所述的设备和系统的一些实施方式中，设备和/或系统包括被配置为运行本文所述的软件应用程序的数字处理设备。在进一步的实施方式中，数字处理设备包括执
行设备功能的一个或多个硬件中央处理单元(CPU)或通用图形处理单元(GPGPU)。在更进一
步的实施方式中，数字处理设备进一步包括被配置为执行可执行指令的操作系统。在一些
实施方式中，数字处理设备可选地连接到计算机网络。在进一步的实施方式中，可选地连接数字处理设备到因特网，使得其访问万维网。在更进一步的实施方式中，数字处理设备可选地连接到云计算基础设施。在其他实施方式中，数字处理设备可选地连接到内联网。在其他实施方式中，数字处理设备可选地连接到数据存储设备。
行设备功能的一个或多个硬件中央处理单元(CPU)或通用图形处理单元(GPGPU)。在更进一
步的实施方式中，数字处理设备进一步包括被配置为执行可执行指令的操作系统。在一些
实施方式中，数字处理设备可选地连接到计算机网络。在进一步的实施方式中，可选地连接数字处理设备到因特网，使得其访问万维网。在更进一步的实施方式中，数字处理设备可选地连接到云计算基础设施。在其他实施方式中，数字处理设备可选地连接到内联网。在其他实施方式中，数字处理设备可选地连接到数据存储设备。
[0087] 根据本文的描述，作为非限制性示例，合适的数字处理设备包括服务器计算机、台式计算机、膝上型计算机、笔记本计算机、次笔记型计算机、上网本计算机、记事本计算机、手持式计算机和平板计算机。
[0088] 在一些实施方式中，数字处理设备包括被配置为执行可执行指令的操作系统。操作系统是例如包含程序和数据的软件，其管理设备的硬件并为应用程序执行提供服务。合
适的操作系统的非限制性示例包括FreeBSD、OpenBSD、 Linux、 Mac
OS X Windows 和 本领
域技术人员将认识到，作为非限制性示例，合适的个人计算机操作系统包括
Mac OS 和类似UNIX的操作系统如
在一些实施方式中，操作系统由云计算提供。
适的操作系统的非限制性示例包括FreeBSD、OpenBSD、 Linux、 Mac
OS X Windows 和 本领
域技术人员将认识到，作为非限制性示例，合适的个人计算机操作系统包括
Mac OS 和类似UNIX的操作系统如
在一些实施方式中，操作系统由云计算提供。
[0089] 在一些实施方式中，数字处理设备包括存储和/或存储器设备。该存储和/或存储器设备是用于临时或永久地存储数据或程序的一个或多个物理设备。在一些实施方式中，
该设备是易失性存储器，并且需要电力来维持存储的信息。在一些实施方式中，该设备是非易失性存储器，并且在数字处理设备未通电时保留所存储的信息。在进一步的实施方式中，非易失性存储器包括闪速存储器。在一些实施方式中，非易失性存储器包括动态随机存取
存储器(DRAM)。在一些实施方式中，非易失性存储器包括铁电随机存取存储器(FRAM)。在一些实施方式中，非易失性存储器包括相变随机存取存储器(PRAM)。在其他实施方式中，该设备是存储设备，作为非限制性示例，该存储设备包括CD-ROM、DVD、闪速存储器设备、磁盘驱动器、磁带、光盘驱动器和基于云计算的存储器。在进一步的实施方式中，存储和/或存储器设备是诸如本文公开的那些设备的组合。
该设备是易失性存储器，并且需要电力来维持存储的信息。在一些实施方式中，该设备是非易失性存储器，并且在数字处理设备未通电时保留所存储的信息。在进一步的实施方式中，非易失性存储器包括闪速存储器。在一些实施方式中，非易失性存储器包括动态随机存取
存储器(DRAM)。在一些实施方式中，非易失性存储器包括铁电随机存取存储器(FRAM)。在一些实施方式中，非易失性存储器包括相变随机存取存储器(PRAM)。在其他实施方式中，该设备是存储设备，作为非限制性示例，该存储设备包括CD-ROM、DVD、闪速存储器设备、磁盘驱动器、磁带、光盘驱动器和基于云计算的存储器。在进一步的实施方式中，存储和/或存储器设备是诸如本文公开的那些设备的组合。
[0090] 在一些实施方式中，数字处理设备包括向受试者发送视觉信息的显示器。在一些实施方式中，数字处理设备包括从受试者接收信息的输入设备。在一些实施方式中，输入设备是键盘。在一些实施方式中，输入设备是指向设备，作为非限制性示例，该指向设备包括鼠标、跟踪球、跟踪板、操纵杆、游戏控制器或触笔。在一些实施方式中，输入设备是触摸屏或多点触摸屏。在其他实施方式中，输入设备是捕获语音或其他声音输入的麦克风。在其他实施方式中，输入设备是捕获运动或视觉输入的摄像机或其他传感器。在更进一步的实施
方式中，输入设备是诸如本文公开的那些设备的组合。
方式中，输入设备是诸如本文公开的那些设备的组合。
[0091] 图3示出了用于感测分析EMF的示例性设备的示意图。患者的器官会发出随后从EMF感应设备375获取的EMF 370。然后，数据由数字信号处理模块380处理、滤波和分析，从而去除如果有的噪声(如果有)并从数据中提取重要信息。然后将处理后的数据馈送到由扩
张卷积神经网络组成的深度学习模块385。深度学习模块检测局部缺血并定位到器官490中
的特定区域。
张卷积神经网络组成的深度学习模块385。深度学习模块检测局部缺血并定位到器官490中
的特定区域。
[0092] 在各种实施方式中，本文所述的平台、系统、媒介和方法包括云计算环境。在一些实施方式中，云计算环境包括多个计算处理器。
[0093] 图4示出了如本文所述的包括数字处理设备401的系统的示例性实施方式。数字处理设备401包括被配置为执行数据分析如分析电磁场以确定受试者状况的软件应用程序。
设备401被配置为运行包括机器学习软件模块的软件应用，该机器学习软件模块包括机器
学习软件模块的训练，如本文所述。在该实施方式中，数字处理设备401包括中央处理单元
405(CPU，本文中亦称“处理器”和“计算机处理器”)，该中央处理单元可以是单核或多核处理器或者是用于并行处理的多个处理器。数字处理设备401还包括存储器或存储器位置410
(例如，随机存取存储器、只读存储器、闪速存储器)、电子存储单元415(例如，硬盘)、用于和一个或多个其他处理设备的通信接口420(例如，网络适配器)以及外围设备425，诸如高速
缓存器、其他存储器、数据存储和/或电子显示适配器。存储器410、存储单元415、接口420和外围设备425被配置为通过诸如母板等通信总线(实线)与CPU 405相通信。在一些实施方式
中，数字处理设备401可以借助于通信接口420可操作地耦合至计算机网络(“网络”)430。在一些实施方式中，网络430包括因特网。在一些实施方式中，网络430是电信和/或数据网络。
设备401被配置为运行包括机器学习软件模块的软件应用，该机器学习软件模块包括机器
学习软件模块的训练，如本文所述。在该实施方式中，数字处理设备401包括中央处理单元
405(CPU，本文中亦称“处理器”和“计算机处理器”)，该中央处理单元可以是单核或多核处理器或者是用于并行处理的多个处理器。数字处理设备401还包括存储器或存储器位置410
(例如，随机存取存储器、只读存储器、闪速存储器)、电子存储单元415(例如，硬盘)、用于和一个或多个其他处理设备的通信接口420(例如，网络适配器)以及外围设备425，诸如高速
缓存器、其他存储器、数据存储和/或电子显示适配器。存储器410、存储单元415、接口420和外围设备425被配置为通过诸如母板等通信总线(实线)与CPU 405相通信。在一些实施方式
中，数字处理设备401可以借助于通信接口420可操作地耦合至计算机网络(“网络”)430。在一些实施方式中，网络430包括因特网。在一些实施方式中，网络430是电信和/或数据网络。
[0094] CPU 405被配置用于执行体现在软件应用程序或模块中的机器可读指令。指令可以存储在存储位置，诸如存储器410中。
[0095] 在一些实施方式中，存储单元415被配置为存储文件，诸如受试者数据，例如，受试者偏好、受试者程序和受试者EMF数据。
[0096] 如本文所描述的方法可以通过存储在数字处理设备401的电子存储位置，诸如，举例而言，存储器410或电子存储单元415上的机器(例如，计算机处理器)可执行代码的方式
来实施。该机器可执行代码或机器可读代码可以以软件应用程序或软件模块的形式提供。
在使用期间，所述代码可由处理器405执行。在一些情况下，所述代码可以从存储单元415中取回并储存在存储器410上以供处理器405存取。在一些情况下，可以排除电子存储单元
415，而将机器可执行指令储存在存储器410上。
来实施。该机器可执行代码或机器可读代码可以以软件应用程序或软件模块的形式提供。
在使用期间，所述代码可由处理器405执行。在一些情况下，所述代码可以从存储单元415中取回并储存在存储器410上以供处理器405存取。在一些情况下，可以排除电子存储单元
415，而将机器可执行指令储存在存储器410上。
[0097] 远程设备435被配置为与数字处理设备401通信，并且可以包括任何移动计算设备，其非限制性示例包括平板计算机、膝上型计算机、智能电话或智能手表。在一些实施方式中，远程设备435可包括集成传感器或可替代地耦合至配置为感测EMF数据的传感器。
[0098] 在本文所述的设备、系统、软件和方法的一些实施方式中，直接从电磁传感器将感测到的EMF数据传输到计算设备上的处理器，该计算设备编码有被配置为分析接收到的EMF数据的机器学习算法。
[0099] 本文描述了用于对数据进行感测、分析和可选地滤波的软件模块。如本文所述，包括的一个或多个软件模块的软件可以例如是包括包括EMF传感器的一个或多个传感器的设备或系统的组件。该传感器记录生理活动期间某些器官自然发出的磁场。这样的器官可以
包括大脑、心脏或肝脏。在一些实施方式中，该传感器可以采取适合在感兴趣的器官上执行生物磁测量的磁强计、磁通门或超导量子干涉器(SQUID)的形式。
包括大脑、心脏或肝脏。在一些实施方式中，该传感器可以采取适合在感兴趣的器官上执行生物磁测量的磁强计、磁通门或超导量子干涉器(SQUID)的形式。
[0100] 在本文所述的设备和系统的一些实施方式中，设备包括传感器如光泵磁强计(OPM)作为测量工具，在一些实施方式中，其利用与封闭泵浦激光器和光电检测器设备耦合的非放射性自给碱金属电池以测量微小磁场。在本文所述的设备和系统的一些实施方式
中，设备和系统利用n×n阵列(或网格)中或替代的几何配置中的OPM来收集例如个体身体
的一部分如胸部区域上的n个离散位置处的磁场数据，在一些实施方式中，使用拾取电子设备将该磁场数据进行数字化。
中，设备和系统利用n×n阵列(或网格)中或替代的几何配置中的OPM来收集例如个体身体
的一部分如胸部区域上的n个离散位置处的磁场数据，在一些实施方式中，使用拾取电子设备将该磁场数据进行数字化。
[0101] OPM典型性配置为利用与封闭泵浦激光器和光电检测器设备耦合的非放射性自给碱金属电池以测量微小磁场。与通常也用于检测这些生物磁场的超导量子干扰设备
(SQUID)相比，OPM传感器显著更小，并且通常不要求使用低温冷却。
(SQUID)相比，OPM传感器显著更小，并且通常不要求使用低温冷却。
[0102] 地球磁场自然存在于地球各处，其振幅约为50微特斯拉。在存在地球环境磁场的情况下，至少可以通过两种示例性方式增强OPM性能。在第一种OPM增强技术中，表示地球磁场的参考值被用作矢量减法的一部分，以隔离OPM中感兴趣的信号。另一技术涉及将梯度仪用于OPM的主动噪声消除。
[0103] 如本文所述的设备和系统的一些实施方式中所利用的，传感器阵列配置包括定制的阵列配置。在一些实施方式中，传感器阵列配置被定制为个体解剖。在一些实施方式中，传感器阵列配置被定制为被测量的个体上的位置如胸部位置或头部位置。在一些实施方式
中，传感器阵列配置被定制为设备被编程为获取的测量类型。在一些实施方式中，传感器阵列配置被定制为与屏蔽件和/或臂可操作地耦合。在一些实施方式中，传感器阵列配置可以与不同的阵列配置互换——用户可以互换进行。在一些实施方式中，阵列配置包括具有深
度并包括约20cm至约50cm或约10cm至约60cm的半径的弧如大体弯曲的形状。在一些实施方
式中，诸如弧配置的阵列配置包括一个或多个可变的磁强计间距和可变的传感器密度。在
一些实施方式中，阵列配置包括凹入结构(如被配置为包裹或形成在诸如头部或胸部周围
的身体区域的凹入结构)。一个或多个磁强计定位于凹入结构的表面的至少一部分上。在一些实施方式中，凹入阵列配置包括一个或多个可变的磁强计间距和可变的传感器密度。
中，传感器阵列配置被定制为设备被编程为获取的测量类型。在一些实施方式中，传感器阵列配置被定制为与屏蔽件和/或臂可操作地耦合。在一些实施方式中，传感器阵列配置可以与不同的阵列配置互换——用户可以互换进行。在一些实施方式中，阵列配置包括具有深
度并包括约20cm至约50cm或约10cm至约60cm的半径的弧如大体弯曲的形状。在一些实施方
式中，诸如弧配置的阵列配置包括一个或多个可变的磁强计间距和可变的传感器密度。在
一些实施方式中，阵列配置包括凹入结构(如被配置为包裹或形成在诸如头部或胸部周围
的身体区域的凹入结构)。一个或多个磁强计定位于凹入结构的表面的至少一部分上。在一些实施方式中，凹入阵列配置包括一个或多个可变的磁强计间距和可变的传感器密度。
[0104] 在一些实施方式中，传感器阵列为n×n个传感器。在一些实施方式中，传感器阵列是2D矩形阵列，如2×2阵列或4×4阵列。在一些实施方式中，传感器阵列是2D非矩形阵列，
如2×1阵列或4×1阵列。在一些实施方式中，传感器阵列是圆形阵列或半圆形阵列，如定位
于弧或凹入结构中的传感器的3D阵列。在一些实施方式中，传感器阵列是2D阵列或3D阵列。
在一些实施方式中，传感器阵列的传感器包括x、y和z坐标。在一些实施方式中，阵列包括单个传感器，如n×n＝1×1。在一些实施方式中，阵列包括两个传感器，如n×n＝2×1。在一些
实施方式中，阵列包括三个传感器。在一些实施方式中，阵列包括四个传感器。在一些实施方式中，阵列包括九个传感器。在一些实施方式中，阵列包括十六个传感器。在一些实施方式中，阵列包括25个传感器。在一些实施方式中，阵列包括1、2、3、4、5、6、7、8、9、10、11、12、
13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、
38、39、40、41、42、43、44、45、46、47、48、49、50个或更多个传感器。在一些实施方式中，传感器阵列包括8个传感器。在一些实施方式中，传感器阵列包括16个传感器。在一些实施方式中，传感器阵列包括容纳在单个壳体中的单个传感器。在一些实施方式中，传感器阵列包括容纳在单个壳体中的多个传感器，如具有多个传感器配置或可变传感器配置的壳体。在一
些实施方式中，传感器阵列包括容纳在多个壳体中的多个传感器。在一些实施方式中，传感器阵列包括多个传感器，每个传感器容纳在分离的壳体中。在一些实施方式中，传感器阵列的第一传感器与第二传感器不同。在一些实施方式中，传感器阵列的第一传感器与第二传
感器相同。在一些实施方式中，传感器阵列的每个传感器是独特的。在一些实施方式中，传感器阵列的每个传感器完全相同。在一些实施方式中，传感器阵列的子集是独特的。在一些实施方式中，传感器阵列的子集完全相同。传感器在传感器阵列中的空间定位是可调节的，如由用户调节或由控制器自动调节。在一些实施方式中，传感器在传感器阵列中的空间定
位是固定的。在一些实施方式中，基于应用程序选择传感器阵列中的多个传感器。在一些实施方式中，基于测量类型或测量位置选择传感器阵列中的多个传感器。在一些实施方式中，阵列包括单通道阵列或多通道阵列。在一些实施方式中，增加传感器阵列的传感器的数目
增加了由阵列进行的测量的分辨率。在一些实施方式中，传感器的传感器阵列被密集地堆
积，例如基本上彼此相邻或接近。传感器阵列被稀疏地间隔开，例如彼此之间具有间隔。在一些实施方式中，传感器阵列的子集被密集地堆积。在一些实施方式中，传感器阵列的子集稀疏地间隔开或密集地堆积。在一些实施方式中，传感器的密集堆积的子集中的任何两个
传感器的中心点的间隔开小于约：5、4.5、4、3.5、3、2.5、2、1.5、1、0.5、0.1厘米(cm)。在一些实施方式中，密集堆积的传感器的中心点与中心点之间的间隔为约0.1cm至约2.0cm或约
0.1cm至约1.5cm或约1.0cm至约2.0cm。在一些实施方式中，稀疏堆积的传感器子集中的任
何两个传感器的中心点的间隔开大于约1.5、2、2.5、3、3.5、4、4.5、5、8、10cm。在一些实施方式中，稀疏堆积的传感器的中心点与中心点之间的间隔为约1.5cm至约3cm或约2cm至约5cm
或约2.5cm至约8cm。在一些实施方式中，中心点是传感器的中心位置，如中心轴。在一些实施方式中，圆形传感器的中心点是所有其他边缘点在该处距离相等的中心点。
如2×1阵列或4×1阵列。在一些实施方式中，传感器阵列是圆形阵列或半圆形阵列，如定位
于弧或凹入结构中的传感器的3D阵列。在一些实施方式中，传感器阵列是2D阵列或3D阵列。
在一些实施方式中，传感器阵列的传感器包括x、y和z坐标。在一些实施方式中，阵列包括单个传感器，如n×n＝1×1。在一些实施方式中，阵列包括两个传感器，如n×n＝2×1。在一些
实施方式中，阵列包括三个传感器。在一些实施方式中，阵列包括四个传感器。在一些实施方式中，阵列包括九个传感器。在一些实施方式中，阵列包括十六个传感器。在一些实施方式中，阵列包括25个传感器。在一些实施方式中，阵列包括1、2、3、4、5、6、7、8、9、10、11、12、
13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、
38、39、40、41、42、43、44、45、46、47、48、49、50个或更多个传感器。在一些实施方式中，传感器阵列包括8个传感器。在一些实施方式中，传感器阵列包括16个传感器。在一些实施方式中，传感器阵列包括容纳在单个壳体中的单个传感器。在一些实施方式中，传感器阵列包括容纳在单个壳体中的多个传感器，如具有多个传感器配置或可变传感器配置的壳体。在一
些实施方式中，传感器阵列包括容纳在多个壳体中的多个传感器。在一些实施方式中，传感器阵列包括多个传感器，每个传感器容纳在分离的壳体中。在一些实施方式中，传感器阵列的第一传感器与第二传感器不同。在一些实施方式中，传感器阵列的第一传感器与第二传
感器相同。在一些实施方式中，传感器阵列的每个传感器是独特的。在一些实施方式中，传感器阵列的每个传感器完全相同。在一些实施方式中，传感器阵列的子集是独特的。在一些实施方式中，传感器阵列的子集完全相同。传感器在传感器阵列中的空间定位是可调节的，如由用户调节或由控制器自动调节。在一些实施方式中，传感器在传感器阵列中的空间定
位是固定的。在一些实施方式中，基于应用程序选择传感器阵列中的多个传感器。在一些实施方式中，基于测量类型或测量位置选择传感器阵列中的多个传感器。在一些实施方式中，阵列包括单通道阵列或多通道阵列。在一些实施方式中，增加传感器阵列的传感器的数目
增加了由阵列进行的测量的分辨率。在一些实施方式中，传感器的传感器阵列被密集地堆
积，例如基本上彼此相邻或接近。传感器阵列被稀疏地间隔开，例如彼此之间具有间隔。在一些实施方式中，传感器阵列的子集被密集地堆积。在一些实施方式中，传感器阵列的子集稀疏地间隔开或密集地堆积。在一些实施方式中，传感器的密集堆积的子集中的任何两个
传感器的中心点的间隔开小于约：5、4.5、4、3.5、3、2.5、2、1.5、1、0.5、0.1厘米(cm)。在一些实施方式中，密集堆积的传感器的中心点与中心点之间的间隔为约0.1cm至约2.0cm或约
0.1cm至约1.5cm或约1.0cm至约2.0cm。在一些实施方式中，稀疏堆积的传感器子集中的任
何两个传感器的中心点的间隔开大于约1.5、2、2.5、3、3.5、4、4.5、5、8、10cm。在一些实施方式中，稀疏堆积的传感器的中心点与中心点之间的间隔为约1.5cm至约3cm或约2cm至约5cm
或约2.5cm至约8cm。在一些实施方式中，中心点是传感器的中心位置，如中心轴。在一些实施方式中，圆形传感器的中心点是所有其他边缘点在该处距离相等的中心点。
[0105] 在一些实施方式中，密集堆积的阵列意味着磁强计布局小于1.5cm，而大于约1.5cm的磁强计布局则构成稀疏排列的阵列。
[0106] 在一些实施方式中，壳体被配置为容纳传感器或传感器的传感器阵列。在一些实施方式中，壳体被配置为在壳体内容纳传感器间隔的单一配置。在一些实施方式中，壳体被配置为在壳体内容纳传感器间隔的多种配置。在一些实施方式中，壳体容纳(i)调节传感器间距，如密集的间距或稀疏的间距，或(ii)改变阵列内的传感器的数目。在一些实施方式
中，壳体是用于多个阵列和阵列配置的通用壳体。
中，壳体是用于多个阵列和阵列配置的通用壳体。
[0107] 在一些实施方式中，传感器被配置为感测磁场的存在或测量磁场的参数。在一些实施方式中，传感器对每根赫兹(fT/√Hz)的磁场的灵敏度约为10飞秒。在一些实施方式
中，传感器包括约1fT/√Hz至约20fT/√Hz的灵敏度。在一些实施方式中，传感器包括约
5fT/√Hz至约15fT/√Hz的灵敏度。在一些实施方式中，传感器包括约0.1fT/√Hz至约
30fT/√Hz的灵敏度。在一些实施方式中，传感器包括约0.5fT/√Hz至约12fT/√Hz的灵敏
度。在一些实施方式中，传感器包括约1fT/√Hz至约15fT/√Hz的灵敏度。在一些实施方式中，传感器包括约：0.001、0.005、0.01、0.05、0.1、0.5、1、2、3、4、5、6、7、8、10、11、12、13、14、
15、16、17、18、19、20fT/√Hz的灵敏度。
中，传感器包括约1fT/√Hz至约20fT/√Hz的灵敏度。在一些实施方式中，传感器包括约
5fT/√Hz至约15fT/√Hz的灵敏度。在一些实施方式中，传感器包括约0.1fT/√Hz至约
30fT/√Hz的灵敏度。在一些实施方式中，传感器包括约0.5fT/√Hz至约12fT/√Hz的灵敏
度。在一些实施方式中，传感器包括约1fT/√Hz至约15fT/√Hz的灵敏度。在一些实施方式中，传感器包括约：0.001、0.005、0.01、0.05、0.1、0.5、1、2、3、4、5、6、7、8、10、11、12、13、14、
15、16、17、18、19、20fT/√Hz的灵敏度。
[0108] 在一些实施方式中，传感器不要求诸如低温冷却的冷却元件来收集测量。在一些实施方式中，传感器在约30华氏度(F)至约110华氏度的温度范围内收集测量。在一些实施
方式中，传感器在约50华氏度至约110华氏度的温度范围内收集测量。在一些实施方式中，传感器在约1秒至约5小时的时间段内收集测量，而无需冷却元件。在一些实施方式中，传感器在约1秒至约1小时的时间段内收集测量，而无需冷却元件。在一些实施方式中，传感器在约1秒至约30分钟的时间段内收集测量，而无需冷却元件。
方式中，传感器在约50华氏度至约110华氏度的温度范围内收集测量。在一些实施方式中，传感器在约1秒至约5小时的时间段内收集测量，而无需冷却元件。在一些实施方式中，传感器在约1秒至约1小时的时间段内收集测量，而无需冷却元件。在一些实施方式中，传感器在约1秒至约30分钟的时间段内收集测量，而无需冷却元件。
[0109] 在一些实施方式中，噪声源包括磁场强度。在一些实施方式中，以特斯拉(T)为单位测量噪声源的磁场强度。在一些实施方式中，诸如环境噪声的噪声包括小于约100纳特斯拉(nT)的磁场强度。在一些实施方式中，噪声包括小于约1000nT的磁场强度。在一些实施方式中，噪声包括小于约500nT的磁场强度。在一些实施方式中，噪声包括小于约200nT的磁场强度。在一些实施方式中，噪声包括小于约120nT的磁场强度。在一些实施方式中，噪声包括小于约80nT的磁场强度。在一些实施方式中，诸如地球磁场的噪声源包括约50微特斯拉
(mT)的磁场强度。在一些实施方式中，噪声包括约40mT至约60mT的磁场强度。在一些实施方式中，噪声包括约10mT至约100mT的磁场强度。在一些实施方式中，噪声包括振幅分量、频率分量或其组合，并且在一些实施方式中，噪声源包括直流(DC)、交流(AC)或两者的组合。
方法
(mT)的磁场强度。在一些实施方式中，噪声包括约40mT至约60mT的磁场强度。在一些实施方式中，噪声包括约10mT至约100mT的磁场强度。在一些实施方式中，噪声包括振幅分量、频率分量或其组合，并且在一些实施方式中，噪声源包括直流(DC)、交流(AC)或两者的组合。
方法
[0111] 图5A示出了从定位于个体胸部附近并因此接近个体心脏的多个OPM传感器感测到的EMF数据的示例。感测到的EMF与由个体心脏细胞生成的电流有关。在该具体示例中，感测到的EMF数据是使用定位于接近个体胸部的多个OPM传感器从58岁的男性中感测到的。波形
500包括以EM为单位的EMF数据(在Y轴上示出)，随着以秒为单位的时间感测所述数据(在X
轴上示出)。
500包括以EM为单位的EMF数据(在Y轴上示出)，随着以秒为单位的时间感测所述数据(在X
轴上示出)。
[0112] 更具体地，波形500包括从定位于接近个体胸部的多个OPM传感器感测到的多个波形。在图5A的示例中，多个波形相对于个体胸部定位于不同位置。在该示例中，一个或多个OPM传感器被定位在传感器阵列中，其中该阵列本身被定位为接近个体胸部，使得多个OPM
传感器中的每一个相对于个体胸部处于不同的位置(尽管应理解，在本文所述的系统、方
法、设备和软件的其他实施方式中，可以以其他配置布置一个或多个OPM传感器，而不必始终以阵列布置)。在该示例中，波形500包括三个分离的单独波形502、504和506。波形502、
504和506各自对应单个PQRST复合波，如在标准ECG上所见。因此，波形502、504和506各自对应于单独的极化和去极化心动周期或一个心跳。
传感器中的每一个相对于个体胸部处于不同的位置(尽管应理解，在本文所述的系统、方
法、设备和软件的其他实施方式中，可以以其他配置布置一个或多个OPM传感器，而不必始终以阵列布置)。在该示例中，波形500包括三个分离的单独波形502、504和506。波形502、
504和506各自对应单个PQRST复合波，如在标准ECG上所见。因此，波形502、504和506各自对应于单独的极化和去极化心动周期或一个心跳。
[0113] 图5B示出了多个单个EMF波形的示例(与包括多个单个波形的图5A的单个波形相比)。在图5B的示例中，波形或追踪508和510各自表示在相同时间段上感测到的对应的EMF
信号。在这些示例中，如图5的示例中一样，感测到的EMF数据是使用多个OPM传感器从相同的58岁男性中感测到的。在图5B的示例中，追踪508和510各自表示在相同时间段上感测到
的单个波形的追踪，并且至少部分不同，因为追踪508和510中的每一个对应于分别从相对
于个体胸部(并因此相对于心脏)的位于不同位置的不同OPM感测到的EMF信号。即，追踪508对应于从第一OPM传感器感测到的第一EMF信号，并且追踪510对应于从第二OPM传感器感测
到的第二EMF信号，其中第一OPM传感器和第二OPM传感器中的每一个均位于相对于个体心
脏的不同位置处。
信号。在这些示例中，如图5的示例中一样，感测到的EMF数据是使用多个OPM传感器从相同的58岁男性中感测到的。在图5B的示例中，追踪508和510各自表示在相同时间段上感测到
的单个波形的追踪，并且至少部分不同，因为追踪508和510中的每一个对应于分别从相对
于个体胸部(并因此相对于心脏)的位于不同位置的不同OPM感测到的EMF信号。即，追踪508对应于从第一OPM传感器感测到的第一EMF信号，并且追踪510对应于从第二OPM传感器感测
到的第二EMF信号，其中第一OPM传感器和第二OPM传感器中的每一个均位于相对于个体心
脏的不同位置处。
[0114] 在传统的ECG追踪中，定位于个体身体上不同位置的十个电极产生12个ECG追踪，各自对应于心脏的不同“视图”。特定的ECG导线对应于心脏的特定“视图”，因为每个ECG追踪对应于一个或多个ECG电极与个体心脏之间的不同空间关系。
[0115] 类似于传统的ECG追踪，追踪508和510中的每一个基于一个或多个EMF传感器相对于个体胸部的位置表示心脏的不同“视图”。即，流经个体心脏的电流在不同位置生成不同的EMF，并因此基于感测EMF的传感器的位置导致出现不同的显示追踪。追踪508和510各自
包括PQRST复合波512(或者，如图所示，多个PQRST复合波)。
包括PQRST复合波512(或者，如图所示，多个PQRST复合波)。
[0116] 向本文所述的机器学习软件模块作为输入提供来自图5A和5B的示例性数据。机器学习软件模块以多种方式接收输入并相互关联数据，以使与个体有关的输入数据(包括与
输入同时接收到的个体相关的数据以及与接收输入之前和之后接收的与个体有关的数据)
与在图5A和5B的示例中示出的感测到的EMF数据相关联。
输入同时接收到的个体相关的数据以及与接收输入之前和之后接收的与个体有关的数据)
与在图5A和5B的示例中示出的感测到的EMF数据相关联。
[0117] 如本文所述的机器学习软件模块将个体的年龄(在这些示例中为58岁)和性别(在这些示例中为男性)与追踪500、508和510中的一个或多个相关联。可以提供与个体有关的
附加数据，机器学习软件模块也可以决定与输入相关。附加数据的非限制性示例包括个体
的健康记录，其包括诊断、用药、实验室结果、来自个体的其他EMF感测数据。
附加数据，机器学习软件模块也可以决定与输入相关。附加数据的非限制性示例包括个体
的健康记录，其包括诊断、用药、实验室结果、来自个体的其他EMF感测数据。
[0118] 如本文所述的机器学习软件模块进一步确定如何将来自该个体的数据相互关联以及如何将其他个体的数据相互关联，以生成用于鉴别个体中存在异常和/或预测个体出
现异常的假设函数。
现异常的假设函数。
[0119] 图6A示出了从定位于接近个体胸部并因此接近个体心脏的多个SQUID传感器感测到的EMF数据的示例。感测到的EMF与由个体心脏细胞生成的电流有关。在该具体示例中，感测到的EMF数据是使用定位于接近个体胸部的多个SQUID传感器从58岁的男性中感测到的。
波形600包括以EM为单位的EMF数据(在Y轴上示出)，随着以秒为单位的时间感测所述数据
(在X轴上示出)。
波形600包括以EM为单位的EMF数据(在Y轴上示出)，随着以秒为单位的时间感测所述数据
(在X轴上示出)。
[0120] 更具体地，波形600包括从定位于接近个体胸部的多个SQUID传感器感测到的多个波形。在图6A的示例中，多个波形相对于个体胸部定位于不同位置。在该示例中，一个或多个SQUID传感器被定位在传感器阵列中，其中该阵列本身被定位于接近个体胸部，使得多个SQUID传感器中的每一个相对于个体胸部处于不同的位置(尽管应理解，在本文所述的系
统、方法、设备和软件的其他实施方式中，可以以其他配置布置一个或多个SQUID传感器，而不必始终以阵列布置)。在该示例中，波形600包括三个分离的单独波形602、604和606。波形
602、604和606各自对应单个PQRST复合波，如在标准ECG上所见。因此，波形602、604和606各对应于一个单独的极化和去极化心动周期或一个心跳。
统、方法、设备和软件的其他实施方式中，可以以其他配置布置一个或多个SQUID传感器，而不必始终以阵列布置)。在该示例中，波形600包括三个分离的单独波形602、604和606。波形
602、604和606各自对应单个PQRST复合波，如在标准ECG上所见。因此，波形602、604和606各对应于一个单独的极化和去极化心动周期或一个心跳。
[0121] 图6B示出了多个单个EMF波形的示例(与包括多个单个波形的图6A的单个波形相比)。在图6B的示例中，波形或追踪608和610各自表示在相同时间段上感测到的对应的EMF
信号。在这些示例中，如图6A的示例中一样，感测到的EMF数据是使用多个SQUID传感器从相同的58岁男性中感测到的。在图6B的示例中，追踪608和610各自表示在相同时间段上感测
到的单个波形的追踪，并且至少部分不同，因为追踪608和610中的每一个对应于分别从相
对于个体胸部(并因此相对于心脏)的位于不同位置的不同SQUID感测到的EMF信号。即，追
踪608对应于从第一SQUID传感器感测到的第一EMF信号，并且追踪610对应于从第二SQUID
传感器感测到的第二EMF信号，其中第一SQUID传感器和第二SQUID传感器中的每一个均位
于相对于个体心脏的不同位置处。
信号。在这些示例中，如图6A的示例中一样，感测到的EMF数据是使用多个SQUID传感器从相同的58岁男性中感测到的。在图6B的示例中，追踪608和610各自表示在相同时间段上感测
到的单个波形的追踪，并且至少部分不同，因为追踪608和610中的每一个对应于分别从相
对于个体胸部(并因此相对于心脏)的位于不同位置的不同SQUID感测到的EMF信号。即，追
踪608对应于从第一SQUID传感器感测到的第一EMF信号，并且追踪610对应于从第二SQUID
传感器感测到的第二EMF信号，其中第一SQUID传感器和第二SQUID传感器中的每一个均位
于相对于个体心脏的不同位置处。
[0122] 在传统的ECG追踪中，定位于个体身体上不同位置的十个电极产生12个ECG追踪，各自对应于心脏的不同“视图”。特定的ECG导线对应于心脏的特定“视图”，因为每个ECG追踪对应于一个或多个ECG电极与个体心脏之间的不同空间关系。
[0123] 类似于传统的ECG追踪，追踪608和610中的每一个基于一个或多个EMF传感器相对于个体胸部的位置表示心脏的不同“视图”。即，流经个体心脏的电流在不同位置生成不同的EMF，并因此基于感测EMF的传感器的位置导致出现不同的显示追踪。追踪608和610各自
包括PQRST复合波612(或者，如图所示，多个PQRST复合波)。
包括PQRST复合波612(或者，如图所示，多个PQRST复合波)。
[0124] 向本文所述的机器学习软件模块作为输入提供来自图6A和图6B的示例性数据。机器学习软件模块以多种方式接收输入并相互关联数据，以使与个体有关的输入数据(包括
与输入同时接收到的个体相关的数据以及与接收输入之前和之后接收的与个体有关的数
据)与在图6A和图6B的示例中示出的感测到的EMF数据相关联。
与输入同时接收到的个体相关的数据以及与接收输入之前和之后接收的与个体有关的数
据)与在图6A和图6B的示例中示出的感测到的EMF数据相关联。
[0125] 如本文所述的机器学习软件模块将个体的年龄(在这些示例中为58岁)和性别(在这些示例中为男性)与追踪600、608和610中的一个或多个相关联。可以提供与个体有关的
附加数据，机器学习软件模块也可以决定与输入相关。附加数据的非限制性示例包括个体
的健康记录，其包括诊断、用药、实验室结果、来自个体的其他EMF感测数据。
附加数据，机器学习软件模块也可以决定与输入相关。附加数据的非限制性示例包括个体
的健康记录，其包括诊断、用药、实验室结果、来自个体的其他EMF感测数据。
[0126] 如本文所述的机器学习软件模块进一步确定如何将来自该个体的数据相互关联以及如何将其他个体的数据相互关联，以生成用于鉴别个体中存在异常和/或预测个体出
现异常的假设函数。
现异常的假设函数。
[0127] 图7A示出了从定位于接近胎儿心脏的多个OPM传感器感测到的EMF数据的示例。在该具体示例中，感测到的EMF数据是使用定位于接近胎儿的多个OPM传感器从39周零6天大
的胎儿中感测到的。波形700包括以EM为单位的EMF数据(在Y轴上示出)，随着以秒为单位的时间感测所述数据(在X轴上示出)。
的胎儿中感测到的。波形700包括以EM为单位的EMF数据(在Y轴上示出)，随着以秒为单位的时间感测所述数据(在X轴上示出)。
[0128] 更具体地，波形700包括从定位于接近个体胸部的多个OPM传感器感测到的多个波形。在图7A的示例中，多个波形相对于个体胸部定位于不同位置。在该示例中，一个或多个OPM传感器被定位在传感器阵列中，其中该阵列本身被定位于接近个体胸部，使得多个OPM
传感器中的每一个相对于个体胸部处于不同的位置(尽管应理解，在本文所述的系统、方
法、设备和软件的其他实施方式中，可以以其他配置布置一个或多个OPM传感器，而不必始终以阵列布置)。在此示例中，波形700包括三个分离的单独波形702、704和706。波形702、
704和706各自对应单个PQRST复合波，如在标准ECG上所见。因此，波形702、704和706各自对应于单独的极化和去极化心动周期或一个心跳。
传感器中的每一个相对于个体胸部处于不同的位置(尽管应理解，在本文所述的系统、方
法、设备和软件的其他实施方式中，可以以其他配置布置一个或多个OPM传感器，而不必始终以阵列布置)。在此示例中，波形700包括三个分离的单独波形702、704和706。波形702、
704和706各自对应单个PQRST复合波，如在标准ECG上所见。因此，波形702、704和706各自对应于单独的极化和去极化心动周期或一个心跳。
[0129] 图7B示出了多个单个EMF波形的示例(与包括多个单个波形的图7A的单个波形相比)。在图7B的示例中，波形或追踪708、710和714各自表示在相同时间段上感测到的对应的EMF信号。在这些示例中，如图7A的示例中一样，感测到的EMF数据是使用多个OPM传感器从相同的39周零6天大的胎儿中感测到的。在图7B的示例中，追踪708、710和714各自表示在相同时间段上感测到的单个波形的追踪，并且至少部分不同，因为追踪708、710和714中的每一个对应于分别从相对于胎儿胸部(并因此相对于心脏)的位于不同位置的不同OPM感测到
的EMF信号。即，追踪708对应于从第一OPM传感器感测到的第一EMF信号，并且追踪710对应于从第二OPM传感器感测到的第二EMF信号，其中第一OPM传感器和第二OPM传感器中的每一
个均位于相对于胎儿心脏的不同位置处。
的EMF信号。即，追踪708对应于从第一OPM传感器感测到的第一EMF信号，并且追踪710对应于从第二OPM传感器感测到的第二EMF信号，其中第一OPM传感器和第二OPM传感器中的每一
个均位于相对于胎儿心脏的不同位置处。
[0130] 在传统的ECG追踪中，定位于胎儿身体上不同位置的十个电极产生12个ECG追踪，各自对应于心脏的不同“视图”。特定的ECG导线对应于心脏的特定“视图”，因为每个ECG追踪对应于一个或多个ECG电极与胎儿心脏之间的不同空间关系。
[0131] 类似于传统的ECG追踪，追踪708、710和714中的每一个基于一个或多个EMF传感器相对于胎儿胸部的位置表示心脏的不同“视图”。即，流经胎儿心脏的电流在不同位置生成不同的EMF，并因此基于感测EMF的传感器的位置导致出现不同的显示追踪。追踪708、710和
714各自包括PQRST复合波712(或者，如图所示，多个PQRST复合波)。
714各自包括PQRST复合波712(或者，如图所示，多个PQRST复合波)。
[0132] 向本文所述的机器学习软件模块作为输入提供来自图7A和7B的示例性数据。机器学习软件模块以多种方式接收输入并相互关联数据，以使与胎儿有关的输入数据(包括与
输入同时接收到的胎儿有关的数据以及与接收输入之前和之后接收的胎儿有关的数据)与
在图7A和7B的示例中示出的感测到的EMF数据相关联。
输入同时接收到的胎儿有关的数据以及与接收输入之前和之后接收的胎儿有关的数据)与
在图7A和7B的示例中示出的感测到的EMF数据相关联。
[0133] 如本文所述的机器学习软件模块将胎儿的年龄与追踪700、708、710和714中的一个或多个相关联。可以提供与胎儿有关的附加数据，机器学习软件模块也可以决定与输入
相关联。附加数据的非限制性示例包括胎儿的健康记录，其包括诊断、用药、实验室结果、其他来自胎儿的EMF感测数据。
相关联。附加数据的非限制性示例包括胎儿的健康记录，其包括诊断、用药、实验室结果、其他来自胎儿的EMF感测数据。
[0134] 如本文所述的机器学习软件模块进一步确定如何将来自该个体的数据相互关联以及如何将其他胎儿的数据相互关联，以生成用于鉴别胎儿中存在异常和/或预测个体出
现异常的假设函数。
现异常的假设函数。
[0135] 图8A示出了从定位于接近胎儿心脏的多个SQUID传感器感测到的EMF数据的示例。在该具体示例中，感应到数据的EMF是使用多个定位于接近胎儿的SQUID传感器从39周零6
天大的胎儿中感测到的。波形800包括以EM为单位的EMF数据(在Y轴上示出)，随着以秒为单位的时间感测所述数据(在X轴上示出)。
天大的胎儿中感测到的。波形800包括以EM为单位的EMF数据(在Y轴上示出)，随着以秒为单位的时间感测所述数据(在X轴上示出)。
[0136] 更具体地，波形800包括从定位于接近个体胸部的多个SQUID传感器感测到的多个波形。在图8A的示例中，多个波形相对于个体胸部定位于不同位置。在该示例中，一个或多个SQUID传感器被定位在传感器阵列中，其中该阵列本身被定位于接近个体胸部，使得多个SQUID传感器中的每一个相对于个体胸部处于不同的位置(尽管应理解，在本文所述的系
统、方法、设备和软件的其他实施方式中，可以以其他配置布置一个或多个SQUID传感器，而不必始终以阵列布置)。在此示例中，波形800包括三个分离的单独波形802、804和806。波形
802、804和806各自对应单个PQRST复合波，如在标准ECG上所见。因此，波形802、804和806各自对应于单独的极化和去极化心动周期或一个心跳。
统、方法、设备和软件的其他实施方式中，可以以其他配置布置一个或多个SQUID传感器，而不必始终以阵列布置)。在此示例中，波形800包括三个分离的单独波形802、804和806。波形
802、804和806各自对应单个PQRST复合波，如在标准ECG上所见。因此，波形802、804和806各自对应于单独的极化和去极化心动周期或一个心跳。
[0137] 图8B示出了多个单个EMF波形的示例(与包括多个单个波形的图8A的单个波形相比)。在图8B的示例中，波形或追踪808、810和814各自表示在相同时间段上感测到的对应的EMF信号。在这些示例中，如图8A的示例中一样，感测到的EMF数据是使用多个SQUID传感器从相同的39周零6天大的胎儿中感测到的。在图8B的示例中，追踪808、810和814各自表示在相同时间段上感测到的单个波形的追踪，并且至少部分不同，因为追踪808、810和814中的每一个对应于分别从相对于胎儿胸部(并因此相对于心脏)的位于不同位置的不同SQUID感
测到的EMF信号。即，追踪808对应于从第一SQUID传感器感测到的第一EMF信号，并且追踪
810对应于从第二SQUID传感器感测到的第二EMF信号，其中第一SQUID传感器和第二SQUID
传感器中的每一个均位于相对于胎儿心脏的不同位置处。
测到的EMF信号。即，追踪808对应于从第一SQUID传感器感测到的第一EMF信号，并且追踪
810对应于从第二SQUID传感器感测到的第二EMF信号，其中第一SQUID传感器和第二SQUID
传感器中的每一个均位于相对于胎儿心脏的不同位置处。
[0138] 在传统的ECG追踪中，定位于胎儿身体上不同位置的十个电极产生12个ECG追踪，各自对应于心脏的不同“视图”。特定的ECG导线对应于心脏的特定“视图”，因为每个ECG追踪对应于一个或多个ECG电极与胎儿心脏之间的不同空间关系。
[0139] 类似于传统的ECG追踪，追踪808、810和814中的每一个基于一个或多个EMF传感器相对于胎儿胸部的位置表示心脏的不同“视图”。即，流经胎儿心脏的电流在不同位置生成不同的EMF，并因此基于感测EMF的传感器的位置导致出现不同的显示追踪。追踪808、810和
814各自包括PQRST复合波712(或者，如图所示，多个PQRST复合波)。
814各自包括PQRST复合波712(或者，如图所示，多个PQRST复合波)。
[0140] 向本文所述的机器学习软件模块作为输入提供来自图8A和8B的示例性数据。机器学习软件模块以多种方式接收输入并相互关联数据，以使与胎儿有关的输入数据(包括与
输入同时接收到的胎儿有关的数据以及与接收输入之前和之后接收的胎儿有关的数据)与
在图8A和8B的示例中示出的感测到的EMF数据相关联。如本文所述的机器学习软件模块例
如将胎儿的年龄与追踪800、808、810和814中的一个或多个相关联。可以提供与胎儿有关的附加数据，机器学习软件模块也可以决定与输入相关。附加数据的非限制性示例包括胎儿
的健康记录，其包括诊断、用药、实验室结果、其他来自胎儿的EMF感测数据。
输入同时接收到的胎儿有关的数据以及与接收输入之前和之后接收的胎儿有关的数据)与
在图8A和8B的示例中示出的感测到的EMF数据相关联。如本文所述的机器学习软件模块例
如将胎儿的年龄与追踪800、808、810和814中的一个或多个相关联。可以提供与胎儿有关的附加数据，机器学习软件模块也可以决定与输入相关。附加数据的非限制性示例包括胎儿
的健康记录，其包括诊断、用药、实验室结果、其他来自胎儿的EMF感测数据。
[0141] 如本文所述的机器学习软件模块进一步确定如何将来自该胎儿的数据相互关联以及如何将其他胎儿的数据相互关联，以生成用于鉴别胎儿中存在异常和/或预测胎儿出
现异常的假设函数。
现异常的假设函数。
[0142] 图9示出了健康成人心脏的磁激活的三个时空激活表示。第一时空激活表示902包括蝶形图。第二时空激活表示904包括心脏从基部到顶点的磁激活的“视图”。第三时空激活表示906包括心脏从左到右的磁激活的“视图”。
[0143] 向本文所述的机器学习软件模块作为输入提供的来自图5A和5B的示例性数据，作为的输入。机器学习软件模块以多种方式接收输入并相互关联数据，以使与从中获取数据
的个体有关的输入数据(包括与输入同时接收到的个体相关的数据以及与接收输入之前和
之后接收的与个体有关的数据)与其他感测到的EMF数据相关联。如本文所述的机器学习软
件模块将例如将年龄与其他与该个体有关的数据相关联。可以提供与个体有关的附加数
据，机器学习软件模块也可以决定与输入相关。附加数据的非限制性示例包括个体的健康
记录，其包括诊断、用药、实验室结果、来自个体的其他EMF感测数据。
的个体有关的输入数据(包括与输入同时接收到的个体相关的数据以及与接收输入之前和
之后接收的与个体有关的数据)与其他感测到的EMF数据相关联。如本文所述的机器学习软
件模块将例如将年龄与其他与该个体有关的数据相关联。可以提供与个体有关的附加数
据，机器学习软件模块也可以决定与输入相关。附加数据的非限制性示例包括个体的健康
记录，其包括诊断、用药、实验室结果、来自个体的其他EMF感测数据。
[0144] 如本文所述的机器学习软件模块进一步确定如何将来自该个体的数据相互关联以及如何将其他个体的数据相互关联，以生成用于鉴别个体中存在异常和/或预测个体出
现异常的假设函数。
大脑分析
现异常的假设函数。
大脑分析
[0145] 图10示出了基于接近个体头部感测到的EMF，从个体感测到的MEG的示例。在该示例中，一个或多个EMF传感器围绕个体头部定位。一个或多个EMF传感器感测与由个体的脑
组织生成的一个或多个电流相关联的EMF。然后将与由个体的脑组织生成的电流相关联的
感测到的EMF转换成表示个体的大脑的MEG的一个或多个波形。图10示出了在Y轴上具有EMF
值并且在X轴上具有时间值的四个不同的波形。第一波形包括由OPM传感器感测到的与个体
的大脑相关联的EMF。第二波形包括由进行进一步滤波以去除背景噪声的OPM传感器感测到
的与个体的大脑相关联的EMF。第三波形包括由SQUID磁强计传感器感测到的与个体的大脑
相关联的EMF。第四波形包括由SQUID梯度仪传感器感测到的与个体的大脑相关联的EMF。
组织生成的一个或多个电流相关联的EMF。然后将与由个体的脑组织生成的电流相关联的
感测到的EMF转换成表示个体的大脑的MEG的一个或多个波形。图10示出了在Y轴上具有EMF
值并且在X轴上具有时间值的四个不同的波形。第一波形包括由OPM传感器感测到的与个体
的大脑相关联的EMF。第二波形包括由进行进一步滤波以去除背景噪声的OPM传感器感测到
的与个体的大脑相关联的EMF。第三波形包括由SQUID磁强计传感器感测到的与个体的大脑
相关联的EMF。第四波形包括由SQUID梯度仪传感器感测到的与个体的大脑相关联的EMF。
[0146] 向本文所述的机器学习软件模块作为输入提供来自图10的示例性数据。机器学习软件模块以多种方式接收输入并相互关联数据，以使与从中获取数据的个体有关的输入数
据(包括与输入同时接收到的个体相关的数据以及与接收输入之前和之后接收的与个体有
关的数据)与其他感测到的EMF数据相关联。本文所述的机器学习软件模块将例如将年龄与
其他与该个体有关的数据相关联。可以提供与个体有关的附加数据，机器学习软件模块也
可以决定与输入相关。附加数据的非限制性示例包括个体的健康记录，其包括诊断、用药、实验室结果、来自个体的其他EMF感测数据。
据(包括与输入同时接收到的个体相关的数据以及与接收输入之前和之后接收的与个体有
关的数据)与其他感测到的EMF数据相关联。本文所述的机器学习软件模块将例如将年龄与
其他与该个体有关的数据相关联。可以提供与个体有关的附加数据，机器学习软件模块也
可以决定与输入相关。附加数据的非限制性示例包括个体的健康记录，其包括诊断、用药、实验室结果、来自个体的其他EMF感测数据。
[0147] 如本文所述的机器学习软件模块进一步确定如何将来自该个体的数据相互关联以及如何将其他个体的数据相互关联，以生成用于鉴别个体中存在异常和/或预测个体出
现异常的假设函数。
现异常的假设函数。
[0148] 图11示出了根据从个体感测到的EMF生成的共同配准的MRI和MEG的示例。图11具体示出了大脑磁场映射到个体的大脑的医学图像上的空间区域的相关性。
[0149] 向本文所述的机器学习软件模块作为输入提供来自图11的示例性数据。机器学习软件模块以多种方式接收输入并相互关联数据，以使与从中获取数据的个体有关的输入数
据(包括与输入同时接收到的个体相关的数据以及与接收输入之前和之后接收的与个体有
关的数据)与其他感测到的EMF数据相关联。如本文所述的机器学习软件模块将例如将年龄
与其他与该个体有关的数据相关联。可以提供与个体有关的附加数据，机器学习软件模块
也可以决定与输入相关。附加数据的非限制性示例包括个体的健康记录，其包括诊断、用
药、实验室结果、来自个体的其他EMF感测数据。
据(包括与输入同时接收到的个体相关的数据以及与接收输入之前和之后接收的与个体有
关的数据)与其他感测到的EMF数据相关联。如本文所述的机器学习软件模块将例如将年龄
与其他与该个体有关的数据相关联。可以提供与个体有关的附加数据，机器学习软件模块
也可以决定与输入相关。附加数据的非限制性示例包括个体的健康记录，其包括诊断、用
药、实验室结果、来自个体的其他EMF感测数据。
[0150] 如本文所述的机器学习软件模块进一步确定如何将来自该个体的数据相互关联以及如何将其他个体的数据相互关联，以生成用于鉴别个体中存在异常和/或预测个体出
现异常的假设函数。
演示训练和预测的实施例
现异常的假设函数。
演示训练和预测的实施例
[0151] 训练阶段：
[0152] 在包括深度神经网络(DNN)的神经网络实施例中，使用类似于图9的数据样品的10,000个正常EMF数据样品来训练DNN。这些数据样品被本实施例的神经网络用于学习正常
EMF数据的概率分布。在训练阶段结束时，DNN确定或鉴别或接收假设函数，该假设函数允许DNN从EMF数据生成正常复极(ST-T)片段的高质量重建，并使正常EMF数据的原始输入与重
建输入之间的重建误差最小。
EMF数据的概率分布。在训练阶段结束时，DNN确定或鉴别或接收假设函数，该假设函数允许DNN从EMF数据生成正常复极(ST-T)片段的高质量重建，并使正常EMF数据的原始输入与重
建输入之间的重建误差最小。
[0153] 图12示出了由DNN接收的与心脏有关的EMF数据的示意图，该DNN被配置为输出该EMF数据X’的重建。在该实施例中，被DNN用于验证EMF数据的精确度的假设函数将感测到的输入EMF数据样品与DNN生成的重建进行比较，并确定重建和输入EMF数据之间的误差度。将DNN生成的重建与输入EMF数据之间的误差度与使用接收的10,000个正常EMF数据样品生成
的阈值进行比较。
的阈值进行比较。
[0154] 预测阶段：
[0155] 预测阶段使用训练阶段构建的和优化的假设函数，通过使用患者的EMF数据预测未知患者器官或组织中异常的概率。
[0156] 基于从训练阶段中学习到的假设函数，如果重建误差大于特定阈值，则患者EMF数据样品异常。
[0157] 令T为阈值，则假设函数H被定义为：
[0158] H＝原始输入(X)与重建输入(X’)之间的重建误差(E)
[0159] H＝E＝X-X’
[0160] 如果E>＝T---->异常，E正常
[0161] 虽然本文已经示出和描述了本发明的优选实施方式，但对于本领域技术人员容易理解的是，这样的实施方式只是以示例的方式提供的。本领域技术人员现将在不偏离本发
明的情况下想到许多更改、改变和替代。应当理解，在实践本发明的过程中可以采用对本文所描述的本发明实施方式的各种替代方案。以下权利要求旨在限定本发明的范围，并因此
涵盖这些权利要求及其等效项的范围内的方法和结构。
明的情况下想到许多更改、改变和替代。应当理解，在实践本发明的过程中可以采用对本文所描述的本发明实施方式的各种替代方案。以下权利要求旨在限定本发明的范围，并因此
涵盖这些权利要求及其等效项的范围内的方法和结构。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 手势识别雷达系统和方法 | 2020-05-08 | 403 |
| 用于确定电池的操作模式的系统和方法 | 2020-05-08 | 275 |
| 用于监控电池和在电池上执行诊断的能量存储设备、系统和方法 | 2020-05-08 | 340 |
| 服务器、信息处理方法、网络系统以及空气净化器 | 2020-05-08 | 715 |
| 固相分数传感器用于评估目标药物样品的固相分数的用途和固相分数传感器 | 2020-05-08 | 940 |
| 信息处理装置、信息处理方法、程序以及可互换透镜 | 2020-05-08 | 546 |
| 在危险情况下对易受伤用户的警告 | 2020-05-08 | 861 |
| 无线电力系统的保护和控制 | 2020-05-08 | 207 |
| 用于头戴式显示系统的测距和附件跟踪 | 2020-05-08 | 313 |
| 用于测量和控制加热器系统性能的传感器系统和集成加热器-传感器 | 2020-05-11 | 533 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
传感器热门专利
QQ群二维码
意见反馈
意见反馈