技术领域
[0001] 本
发明涉及一种检测系统及方法，特别涉及一种检测实体物件(Physical Object)异常运作的系统及方法。
背景技术
[0002] 一些实体物件结合或包含循环或周期的运作，像是具有一旋转器的电动
马达能以一转速旋转、或是人类心脏能以一心率跳动(例如，执行收缩及舒张)。实体物件的循环运作可通过检测系统观察或记录出周期性或本质上为周期性的信号。虽然精确的
波形及
频率会变动，但「周期性或本质上为周期性信号」的用语(之后提及皆用「周期信号」表示)可视为受测信号的性质通常具有反复的、能代表实体物件活动特性的象征性(nominal)波形形式。一特定实体物件的异常运作可通过分析周期信号来观察。
[0003] 举例来说，一
心电图(electrocardiograph，ECG)装置可利用一或多种组合的
导线，
接触于人类或动物身上以接受检查，并转换心脏的运作为一或多笔心电图信号。一接受过训练的医疗照护提供者可以通过比较所观察心脏的心电图信号与标准测试数据中正常运作的心电图信号，判断出某种异常运作的类型。
发明内容
[0004] 在本发明中，公开一检测实体物件异常运作的方法。根据一些
实施例，可利用能代表实体物件运作特性的周期信号产生原始矩阵，并对原始矩阵进行维度缩减(dimension reduction)而产生整合性矩阵。通过比较实体物件与各种已知异常运作类型的标准数据所产生的整合性矩阵、或是比对利用整合性矩阵所产生的各种指标，可判定该实体物件与各种异常运作类型间的似然率。
[0005] 在一些实施例中，该原始矩阵的产生包括：在周期信号的预定区间中执行一第一分析以产生一第一阵列，及在相同周期信号区间中执行不同于第一分析的一第二分析以产生一第二阵列。
[0006] 在一些实施例中，该第一分析或该第二分析方式为一时域分析、一样型分析、或由该预定时间长度依据一第一空间测量结构得到的周期信号，与依据一第二空间测量结构所得到的至少一能代表该周期信号活动特性的另一周期信号，所共同推导得到一组特征参数的分析方法。
[0007] 在本发明中，公开一检测一预定时间长度心电图信号异常状态的一方法。在一些实施例中，该方法包括以下处理程序：将一预定时间长度的心电图信号依据时间先后顺序区分为多个心电图区段，每一该心电图区段包括一象征性心电图波形；对于相邻心电图区段而言，至少将相邻心电图区段其中之一区段进行重新
采样，以便产生具有相同数据点数目的两心电图阵列；对于此相邻心电图区段而言，计算该相邻心电图区段所产生的两心电图阵列的一联合概率(joint probability)及一边际概率(marginalprobability)；根据该相邻心电图区段所计算出的该联合概率及该边际概率产生一交互信息量(mutual information)阵列；以及通过比较该交互信息量阵列或由该交互信息量阵列所推导的一组指标及已知异常类型的标准样版，判定该心电图与已知异常类型间的一似然率。
[0008] 在一些实施例中，该交互信息量的计算可根据一方程式来执行：
[0009]
[0010] 其中X及Y表示该相邻心电图区段的两心电图阵列，x及y表示为对应该心电图阵列中的一元素，p(x，y)表示该两心电图阵列的该联合概率，及p(x)与p(y)表示该相邻心电图区段的该两心电图阵列所各自对应的该边际概率。
[0011] 在本发明中，公开一执行已公开方法的一异常分析系统及计算机可读存储介质，其中当一处理器执行时，可用一
计算机程序代码来编码该计算机可读存储介质，使该处理器执行该已公开的方法。
[0012] 可以了解，一或更多实施例可适用于其他不同的实施例，且一些细节也能在各方面明显之处作
修改，而这些皆未脱离所公开实施例的精神。
附图说明
[0013] 图1所示为一对应一心电图信号的波形图。
[0014] 图2所示为一些实施例在分析如图1心电图信号波形的各种方法的
流程图。
[0015] 图3所示为一根据一些实施例在分析能代表实体物件运作的周期信号的方法流程图。
[0016] 图4所示为一根据一些实施例在检测一实体物件异常运作的方法流程图。
[0017] 图5所示为根据一些实施例，适用于执行已公开在第2-4图方法中之一异常分析系统的功能区
块图。
[0018] 图6A及图6B所示为根据一些实施例在标准心电图信号上执行各种不同分析所得到的数据阵列、整合性矩阵以及注记波形的图表。
[0019] 图7A及图7B所示为根据一些实施例对肾脏病末期病患的心电图信号，利用RR区间分析与整合性矩阵执行多元尺度分析中的非对称性指标所产生的指标阵列图表。
[0020] 【主要元件符号说明】
[0021] C～心脏律动周期；
[0022] TRR～RR区间，代表一个心脏律动周期所需的时间；
[0023] TPR～PR区间，代表
心房去极化开始到心室去极化开始的时间；
[0024] TQT～QT区间，代表心室去极化的时间；
[0025] 100～心电图信号波形；
[0026] 110～P波，记录心房去极化时的电气活动；
[0027] 120～T波，记录心室再极化时的电气活动；
[0028] 130～QRS波组，记录心室去极化时的电气活动；
[0029] 132～Q点，QRS波组第一个往下偏折波形的极点；
[0030] 134～R点，QRS波组第一个往上偏折波形的极点；
[0031] 136～S点，QRS波组在向上偏折之后，第一个往下偏折波形的极点；
[0032] 140～PR区段，代表心房去极化终止到心室去极化开始的时间；
[0033] 150～ST区段，代表心室去极化结束到心室再极化开始的时间；
[0034] 500～异常分析系统；
[0036] 512～计算机可读存储介质；
[0037] 514～处理器；
[0039] 518～显示器；
[0040] 522～网络接口；
[0041] 524～接口；
[0042] 530～网络；
[0043] 540～转换器。
具体实施方式
[0044] 图1为对应一人类心脏的心电图信号的一波形图100，其中信号被切割并分类至不同的区段(区间)及特征点。心电图信号的一些区段及特征点包括P波110、T波120、QRS波组(QRS complex)130，其中QRS波组130还包括一Q点132、一R点134及一S点136，一PR区段140及一ST区段150。一完整的心脏律动周期C还包括一P波110区域、一PR区段140、一Q点132及一R点134、一S点136、一ST区段150及一T波120区域。在一些实施例中，为了不同的信息处理目的会定义更多的区段和/或特征点。
[0045] 心电图信号区域及特征点的定义有助于心脏运作的分析。实际上，
疾病的症状将影响心脏运作的节奏或形态且可通过分析心电图信号波形100来
鉴别。虽然一特定的疾病类型和心电图信号波形100之间的相关性通常为可鉴别的，但在心电图信号波形100中执行一
数据处理后-特别是为了加强特定的疾病类型与数据处理后的信号之间的相关性的方法，能使特定的疾病类型可以更快地鉴别。
[0046] 图2为各种分析心电图信号的典型方法的一流程图。为了产生进一步分析用的数据，在心电图信号中执行一分析的过程可视为特征参数撷取。在一些实施例中，所公开的分析可通过一计算机系统或一执行
软件程序的心电图设备来执行，例如，一组可执行的/可解译的指令。在一些实施例中，可以了解只有一些已公开的分析可被执行以分析病人的心电图信号。在一些实施例中，本领域技术人员可了解额外的操作可执行于图2的方法前、方法中和/或方法后。
[0047] 在操作程序202中，一像是描述在图1典型信号波形100中的心电图信号可通过心电图转换器，以及存储装置或经由网络传输所存储的心电图数据而获得。接着，在操作程序204中，可显示出心电图信号波形100中的心脏律动周期C。在一些实施例中，心脏律动周期C的辨认包括先检测出一些特征点。举例来说，在至少一实施例中，根据在心电图信号波形100中所检测出的R点134，能用以辨认心电图信号波形100的心脏律动周期C。
[0048] 在一些实施例中，至少会在心电图信号波形100中执行一时域分析210。在至少一实施例中，检测完R点134之后，在操作程序211中可计算两相邻R点之间TRR(图1)的时间间隔(称作RR区间或RRI)。RR区间TRR表示心脏律动周期C的周期(也可视为NN区间)，也就是一心率的反相信息。接着，在操作程序212中，即能对已计算好的RR区间TRR序列进行统计分析。在一些实施例中，可根据一或更多方法分析已计算好的RR区间TRR序列，例如：NN区间的标准差(SDNN)、平均NN区间的标准差(SDANN)、连续RR区间差值的方均根(RMSSD)、相邻NN区间差超过50毫秒(NN50)的数量、NN50除以NN区间总数量的比例值(pNN50)等。
[0049] 在至少另一实施例中，在R点134检测之后，可在操作程序213中检测出其他特征点或区域，像是Q点132、S点136、P波110及T波120。接着，可在操作程序214中计算PR区间TPR(图1)及QT区间TQT(图1)，而这两区间的其中之一或两者皆为有益于分析的特征参数，并能用以表示一心脏律动周期C的特性。最后，在操作程序215中，一与上述操作程序212类似的统计分析方法可适用于已运算完成的PR区间TPR序列及QT区间TQT序列。
[0050] 在一些实施例中，在心电图信号波形100中可执行至少一形态分析230。一形态分析可视为一根据已检查信号的波形或样式的分析。在至少一实施例中，在检测R点134后，能在操作程序232中检测及确认出其他特征点及区域，像是Q点132、S点136、P波110及T波120。接着在操作程序234中，像是ST区段150、T波120、P波110的斜率、或其他能代表已记录心脏律动周期C的样式变异的形态特征参数可被计算出来。
[0051] 在至少一实施例中，在操作程序236中，形态分析230包括从相邻两心脏律动周期C的心电图信号波形100中，考虑变异性所推导出的特征参数提取步骤。至少一其他实施例中，形态分析230中的操作程序238包括利用联合概率与边际概率所计算出的交互信息量，用以评估相邻两心脏律动周期C的心电图信号波形100之间形态变异的分析方法。
[0052] 在一些实施例中，心电图信号波形100能执行一或更多其他类型的分析240。举例来说，一些实施例在检测R点134后，可根据不同导程心电图信号各特征点(像是P波110、Q点132、R点134、S点136、T波120等)
位置的正/负值，计算出操作程序242中关于心脏电轴信息的特征参数。
[0053] 图3为根据一些实施例所
整理出来的实体物件运作周期信号分析方法的流程图。在图3中所描述的分析方法为一根据形态观点分析受测周期信号的方法，像是在图2中根据操作程序238来分析心电图信号波形100。可以了解在一些实施例中，能在图3的方法前、方法中和/或方法后执行额外的操作。
[0054] 在操作程序310中，将对应一预定时间长度的周期信号依据时间先后顺序分割成多个信号区间，每一信号区间包括一象征性波形。举例来说，在至少一实施例中，一预定时间长度的心电图信号波形100是可被分析的，象征性波形在心电图的例子上为对应一心脏律动周期C的波形图，且通过两相邻R点之间的心电图信号波形100来执行分段。在一些与心电图分析相关的实施例中，象征性波形被定义为介于相邻R点134之间的波形，并且利用心电图信号波形100中的R点134来执行分段。
[0055] 用以分析的周期信号，像是在一些实施例中的心电图信号波形100，为一离散时间信号且信号区段为连续的数据点或数据阵列。然而，因为受测周期信号中各段象征性波形的周期会随时间产生某种程度的变化，造成象征性波形的信号区段大小并不一定相同。因此，在操作程序320中，相邻的两信号阵列可通过对其中之一阵列或两阵列同时进行重新采样，以达成具相同长度的两阵列。「重新采样」可视为根据一原始数据阵列重新产生连续波形、及由该重新产生的连续波形所推导出一新的数据阵列，而新的数据阵列和原始数据阵列皆能代表同样的连续波形。在一些实施例中，可利用一线性、多项式方法或其他适用于曲线近似的
算法，对原始数据阵列执行内插法或外插法来完成重新采样。
[0056] 举例来说，在一些实施例中，相邻两心脏律动周期C中的一或两信号区段可重新采样，用以产生具有相同大小的信号阵列。举例来说，在分段之后，第一组心脏律动周期C包含262个数据点，第二组心脏律动周期C包含274个数据点，对第一组心脏律动周期或是第二组心脏律动周期重新采样，可使不同心脏律动周期具有相同的数据点数量。在一些实施例中，可固定对第二组心脏律动周期重新采样用以产生一信号阵列，该信号阵列具有与第一组心脏律动周期相同的大小，以上例而言，为262个数据点。
[0057] 在操作程序330中，在相邻信号区段重新采样之后，可以计算相邻信号区段的两信号阵列的联合概率及边际概率。在一些实施例中，联合概率及边际概率可根据相邻心电图周期信号(例如，对应相邻心脏律动周期C的相邻信号区段)所重新采样后的信号阵列X及Y来计算。信号阵列X或信号阵列Y中的元素表示心电图信号的振幅。每一信号阵列(X或Y)的边际概率可通过先累计信号阵列中每一不同元素值的数量来决定，接着计算信号阵列中每一不同元素值的累积计数与总元素数量的比例，用以获得每种不同元素值的边际概率p(x)或p(y)。依据与边际概率类似的计算方式，同时考虑两序列X及Y，可决定两事件x及y同时发生的联合概率p(x，y)。接着，在操作程序340中，根据每一组相邻信号区段所计算出来的联合概率及边际概率，能计算一交互信息量指标。在至少一实施例中，根据以下方程式的应用，可执行交互信息量指标的运算：
[0058]
[0059] X及Y表示相邻信号区段的两信号阵列，x与y为对应信号阵列X及Y中的元素，p(x，y)表示两信号阵列的联合概率，p(x)或p(y)表示相邻信号区段的两信号阵列的边际概率。
[0060] 在操作程序350中，根据已计算的交互信息量指标可产生一交互信息量阵列。举例来说，交互信息量阵列是由受测心电图信号中，每两个相邻心电图波形100所计算完成的交互信息量指标依据时间顺序排列而成的阵列。已产生的交互信息量阵列有助于更进一步的数据分析与处理。在至少一实施例中，利用受测心电图信号所产生的交互信息量阵列，以及已知疾病类型的标准样版心电图信号所产生的交互信息量阵列，可计算出受测心电图信号与各种疾病类型间的似然率(likelihood)，藉以判定受测心电图信号的疾病类型。
[0061] 虽然在图3中所描述的方法是以心电图信号作为一个例子来说明，但本领域技术人员可以了解相同的分析方法可用于分析心电图信号以外的周期信号。在一些实施例中，用以分析的周期信号可通过检测下列活动其中之一来获得：心跳、呼吸、语音、
地震波或地震活动、
天文物体的轨道运行、天文物体的周期变化、
活塞运动或马达的运转。并且，图3的分析方法可通过比较交互信息量矩阵及一对应已知异常运作类型的标准样版，计算出受测的实体物件与特定异常运作类型间的似然率。
[0062] 根据一些检测实体物件异常运作的实施例，其方法流程图可整理如图4。在图4中所描述的方法可以用分析图1中所描述的心电图信号波形100来解释。在一些实施例中，可以了解到图4中所描述的方法可用以分析一具周期信号的实体物件其各种不同的运作类型。在一些实施例中，本领域技术人员可了解额外的操作可执行在图4的方法前、方法中和/或方法后。
[0063] 大体而言，图4所描述的方法为将两种或更多种不同的分析方式或特征参数提取方法(feature extraction method)所产生的结果-例如图2所公开的方法所产生的结果，为了进一步对心电图信号进行
风险评估或是对实体物件进行异常运作检测等分析，于是合并信息成一整合性特征参数矩阵，同时也减少了总数据的数量。
[0064] 在操作程序410中，可对一周期信号的一预定部分执行一些前置处理。在分析一心电图信号的至少一实施例中，一预定时间长度的心电图信号可通过一心电图转换器获得，并记录由观察心脏的电脉冲所引起心脏肌肉细胞的电位差。在一些实施例中，更多心电图转换器或是可贴附于人体不同部位的多导程心电图转换器，被用以提供电轴信息或其他信息。然而在一些可被分析的其他
生物或非生物信号的实施例中，适当的检测系统或心电图转换器以外的其他种转换器也可以被采用。
[0065] 在一些实施例中，已检测的心电图信号更进一步地被放大和/或平移
电压电平，用以调整心电图信号的信号电平介于模拟数字转换和/或滤波的一预定范围之间。在至少一实施例中，已检测的心电图信号也会受呼吸或其他与心脏活动不相关的因素所影响。因此，噪声或是其他与心脏活动不相关的因素所造成的影响必须被抑制，进而得到如同图1心电图信号的过滤后心电图信号，以供后续的信息分析处理。
[0066] 在获得用以分析周期信号的预定部分之后，可产生一原始矩阵，该原始矩阵至少包含两组根据不同信号分析方式所推导出的数据阵列。
[0067] 举例来说，在操作程序420中，对预定部分的周期信号执行第一分析以产生一第一阵列，及对预定部分周期信号执行不同于第一分析的第二分析以产生一第二阵列。在一些实施例中，可执行超过两种不同的分析以及产生超过两个生成数据阵列(resulting data array)。
[0068] 在一些分析一非心电图信号的实施例中，第一分析或第二分析可为一时域分析、一形态分析、一样型分析、或由该预定时间长度依据一第一空间测量结构得到的周期信号，与依据一第二空间测量结构所得到的至少一能代表该周期信号活动特性的另一周期信号，所共同推导得到的一组特征参数。
[0069] 在一些其他分析一心电图波形100的实施例中，第一分析或第二分析为一时域分析、一形态分析、一电轴分析。举例来说，下列两个或更多的分析可以被执行：RR区间分析(例如，操作程序211/212)、PR或QT区间分析(例如，操作程序213/214/215)、形态特征分析(例如，操作程序232/234)、形态距离分析(例如，操作程序236)、交互信息量分析(在图3中所描述的方法)、电轴分析(操作程序242)或其他可利用的心电图信号分析。
[0070] 在操作程序430中，可利用像是图2及图3所描述的心电图分析方法、或是其他适用的心电图或生物信号分析方法，从中选择第一分析方法及第二分析方法，对周期信号进行分析并将结果合并产生一原始矩阵。在一些实施例中，原始矩阵也可合并第三或更多不同分析方法所得到的结果。
[0071] 接着在操作程序440中，利用数据维度缩减的技术，可产生数据维度小于原始矩阵的整合性特征参数矩阵。在一些实施例中，维度缩减可通过在原始矩阵中执行主分量分析(principal component analysis，又称之为主成份分析)、因子分析(factor analysis，又称之为因素分析)或
独立分量分析(independent component analysis又称之为独立成份分析)而达成。
[0072] 在操作程序450中，经由比对已知异常运作类型的标准样版所产生的整合性矩阵，可计算出受测实体物件对应于该已知异常类型的似然率。举例来说，如果一心脏心电图信号可被分析，则可检测出受测心脏的异常活动，因此也能评估与该异常活动相关的疾病类型间的似然率。
[0073] 虽然在图4中所描述的方法用于分析心电图信号，但相同的分析方法可适用于分析心电图信号以外的周期信号。在一些实施例中，分析周期信号可通过检测下列活动其中之一得到：心跳、呼吸、语音、地震或地震活动、天文物体的轨道运行、天文物体的周期变化、活塞运动或马达运转。此外，在图4中的分析方法可通过比较整合性特征参数矩阵及一对应已知异常运作类型的标准样版，计算出受测的实体物件与特定异常运作类型间的似然率。
[0074] 举例来说，在一些用于分析特定区间语音段的声学特性的实施例中，预定期间的
语音信号会分割为多个视窗，其中每一视窗包括一或更多个声音周期波形。图3的交互信息量分析方法可用于获得能反应不同视窗间变异性的交互信息量阵列。再者，结合使用其他像是图2中区块210/230/240的分析方法所推导的数据阵列，可进一步在接下来的语音处理程序中利用图4的方法抑制噪声，以得到整合性矩阵。
[0075] 根据一些实施例，图5为一异常分析系统的功能区块图，其区块图可用于执行公开在图2至图4中的方法。
[0076] 异常分析系统500包括由一计算机可读存储介质512的存储装置，与一组可执行指令的计算机程序代码所组成的一计算机系统510。计算机系统510包括了电
力上与计算机可读存储介质512直接连接的一处理器514。为了使计算机像一信号分析器一样执行受测周期信号的异常分析与风险评估，可配置处理器514以执行或中止编译于计算机可读存储介质512的计算机程序代码。
[0077] 在一些实施例中，处理器514为一中央处理单元(central processing unit，CPU)、一多元处理器、一分散式处理系统和/或任一适合的处理单元。在至少一实施例中，处理器514可从
存储器存储介质512中取得像是预定时间长度的周期信号、预定标准样版和/或其他信息。
[0078] 在一些实施例中，计算机可读存储介质512为一
电子、
磁性、光学、电磁、红外线和/或一
半导体系统(或仪器或装置)。举例来说，计算机可读存储介质512包括一半导体或固态存储器、一磁带、一便携式计算机磁片、一
随机存取存储器(random access memory，RAM)、一
只读存储器(read-only memory，ROM)、一硬式磁盘和/或一光学磁盘。在一些使用光学磁盘的实施例中，计算机可读存储介质512包括一只读式光盘(compact disc read-only memory，CD-ROM)、一可重复读写光盘(compact disc rewritable，CD-RW)和/或一数字视频光盘(digital video disk，DVD)。
[0079] 此外，计算机系统510包括一输入/输出接口516及一显示器518。输入/输出接口516与处理器514直接连接，并且为了执行在图2至图4中所描述的方法，可允许一操作者或医疗照护专业人员操作计算机系统510。图2至图4中所描述的方法的操作状况，能即时且以更好的用户图形界面(Graphical User Interface，GUI)显现于显示器518中。输入/输出接口516及显示器518以人机互动的方式允许一操作者操作计算机系统510。
[0080] 计算机系统510也包括直接连接至处理器514的一网络接口522。网络接口522允许计算机系统510能与和一网络530相连的一或更多计算机系统通信。网络接口522包括无线网络接口像是蓝牙(BLUETOOTH)、无线相容认证(Wireless Fidelity，WIFI)、全球互通
微波接入(WorldwideInteroperability for Microwave Access，WiMAX)、通用分组无线服务技术(General Packet Radio Service，GPRS)、宽带码分多重接入(Wide band CodeDivision Multiple Access，WCDMA)、有线网络接口像是以太网络(ETHERNET)、通用
串行总线(USB)或IEEE-1394。在一些实施例中，图2至图4的方法可执行在图5两个或更多个计算机系统510中，例如预定时间长度的周期信号、预定标准样版、和/或其他的信息能经由网络530在不同的计算机系统中所交换。
[0081] 在至少一实施例中，异常分析系统500还包含一转换器540。转换器540能用于观察被检测的实体物件，以及转换实体物件的运作为一具代表性的信号。在一分析心电图信号的实施例中，转换器540观察被检测的心脏并且转换心脏肌肉运作为心电图信号。
[0082] 计算机系统510更有一与转换器540及处理器514直接连接的接口524。接口524能桥接转换器540及处理器514，并将所取得的周期信号以离散时间信号格式输出。举例来说，如果转换器540取得一心电图信号，则接口524从转换器540接收心电图信号，并将心电图信号以心电图数据阵列格式输出至处理器514中。在一些实施例中，转换器540转换下列实体现象的其中之一为电子信号：心跳、呼吸、语音、地震、天文物体的轨道运行、天文物体的周期变化、活塞运动或马达运转。
[0083] 根据一些实施例，图6A的图表包括利用两种不同方法，分析能代表心脏异常运作的标准心电图信号所产生的数据阵列612/614、依据上述两种不同分析方法所产生的整合性矩阵616、以及正确标记心脏状态的注记波形(annotated waveform)618，其中视窗622～628的突波部分显示对应于心脏异常运作的时间段。
[0084] 在图6A中所描述的范例使用至少两种不同的心电图特征参数提取方法：时域RR区间分析及形态距离分析。此测试为根据一国际标准
数据库-麻省理工学院波士顿贝丝以色列医院(Massachusetts Institute of Technology and Beth Israel Hospital，MIT-BIH)心律不整数据库来执行。比较RR区间分析产生的结果612及注记波形618，应用RR区间分析能鉴别出受测心电图的异常运作所对应的视窗622与628。然而，RR区间分析产生的结果612无法鉴别视窗624及626所对应的异常运作。在相同的范例中，与注记波形618相比，形态距离分析产生的结果614显现出视窗626对应的异常运作。然而，形态距离分析产生的结果614无法鉴别视窗622、624及628所对应的异常运作。
[0085] 利用阵列612与614，以及图4所描述的信息整合与维度缩减方法后，所整合的整合性特征参数矩阵616能鉴别出视窗622、624及628所对应的异常运作。在至少一实施例中，整合性特征参数矩阵616为一可由一包含两个1×N阵列(阵列612及614)的2×N原始矩阵所推导出来的1×N阵列。N为阵列612及614中的数据点数目。
[0086] 因此，一个单一的整合性特征参数矩阵616可用来鉴别阵列612及614所能鉴别出的异常。也就是说，整合性矩阵616整合并保留了阵列612与614在后续辨识异常类型所需的信息，而过程中采用的方法可减少整体数据数据量，并能提升后续异常运作辨识的运算效率。
[0087] 图6B的图表包括利用三种不同方法，分析能代表心脏异常运作的标准心电图信号所产生的数据阵列612/614/632、依据上述三种不同分析方法所产生的整合性矩阵634、以及正确标记心脏状态的注记波形618，其中视窗622～628的突波部分显示对应于心脏异常运作的时间段。此测试为利用麻省理工学院波士顿贝丝以色列医院心律不整数据库来执行。除了RR区间分析的结果612及形态距离分析的结果614之外，数据阵列632可根据图3中所描述的交互信息量推导出来。与注记波形618相比，应用交互信息量分析除了可显现出视窗622及628对应的异常运作外，也可显现出单独利用RRI区间分析结果612与形态距离分析结果614所不易鉴别出的异常运作。虽然交互信息量分析632的结果无法鉴别视窗626所对应的异常运作，但交互信息量分析有助于补偿RR区间分析及形态距离分析的不足。
[0088] 利用阵列612、614、632、以及图4所描述的信息整合与维度缩减方法后，所整合的整合性特征参数矩阵634能鉴别出视窗622、624、626及628所对应的异常运作。在至少一实施例中，整合性特征参数矩阵634为一可由一包含三个1×N阵列(阵列612、614及632)的3×N原始矩阵所推导出来的1×N阵列。N为在数据阵列612、614及632中的数据点数目。因此，单一个维度缩减过后的整合性特征参数矩阵634可用来鉴别阵列612、614与632所能鉴别出的异常。也就是说，整合性特征参数矩阵634整合并保留了于后续辨识异常类型所需的信息，而过程中采用的方法可减少整体数据数据量，并能提升后续异常运作辨识的运算效率。
[0089] 图7A为一图表，该图表为依据一些设定，对患有或未患有糖尿病(diabetes mellitus，DM)的肾脏病末期(End Stage Renal Disease，ESRD)病患所撷取的心电图信号，利用RR区间计算多元尺度分析中的一种非对称性指标(asymmetric index，AI)所产生的指标阵列。众所周知，肾脏病末期病患的糖尿病状况可通过
糖化血色素(Glycated hemoglobin，HbAlc)的测试来辨别。患有糖尿病的肾脏病末期病患的糖化血色素值大于5.7，未患有糖尿病的肾脏病末期病患的糖化血色素值则小于5.7。在图7A的描述中，利用RR区间计算非对称性指标的分析结果，并未能对患有糖尿病的肾脏病末期病患712与未患有糖尿病的肾脏病末期病患714这两类群组的辨认上有所助益。
[0090] 根据一些实施例，图7B为一图表，该图表为对患有或未患有糖尿病的肾脏病末期病患所撷取的心电图信号，利用经RR区间分析、形态距离分析以及交互信息量分析的结果所推导出的整合性特征参数矩阵，计算多元尺度分析中的一种非对称性指标所产生的指标阵列。在图7B的描述中，可看到患有糖尿病的肾脏病末期病患数据所计算出的非对称性指标阵列722，与未患有糖尿病的肾脏病末期病患数据所计算出的非对称性指标阵列724，座落在不同的区域，而这样的特性对于区分此两类群组是相当有帮助的。因此，在一些实施例中，相较于单独执行在图2中所描述的分析方法，在图4中所描述的分析方法不仅可以合并由不同分析方法所得到的信息，而且可提高如整合性特征参数矩阵等分析结果，与一或多种对应于特定疾病或异常的样版间的相关性。此外，比起需要抽血及需在实验室测试的天数，在区分患有及未患有糖尿病的肾脏病末期病患上，分析心电图信号相对而言为具有较少人体侵入且更具时间效率的方法。
[0091] 在上述数个实施例中所提到的特征参数，可以使得本领域技术人员更容易了解本公开的观念。本领域技术人员应可了解他们可容易地使用本公开作为设计或修改过程及结构的
基础，用以执行相同目的和/或达成介绍在此实施例的相同优点。本领域技术人员也应可了解相同的结构并未脱离本公开的精神和范围，并且本领域技术人员当可在不脱离本公开的精神和范围内做不同的更动、替换与修改。
