用于估计血液动力学参数的方法

技术领域

本发明涉及一种用于无创估计血液动力学参数的方法。

背景技术

重症监护室(ICU)中的危重患者和手术室(OR)中的患者需要监测各种生理参数。这些生理参数包括常规的生命体征监测，例如：心率(HR)、呼吸率(RR)、动脉血氧饱和度(SpO

另外，患者经常接受血液动力学监测。血液动力学监测试图测量负责体内血液循环的力。它实际上是心血管系统的性能指标。典型的中心血液动力学参数包括心输出量(CO)、每搏输出量(SV)和每搏输出量变异度。

需要血液动力学监测来早期检测、识别和管理危及生命的临床状况(例如，败血症和心源性休克)以及评估药物干预的功效(例如，施用血管加压药)。

有许多不同的方法来监测血液动力学参数。举例来说，现在将描述三种临床上流行的监测心输出量的方法。

第一示例是热稀释法。这使用了Swan-Ganz肺动脉导管(PAC)。人们普遍认为这是临床上评估中心血液动力学最准确的方法。它被认为是对危重心脏病患者的血液动力学监测的“黄金标准”，并且是验证和比较新技术的典型参考测量。然而，尽管如此，Swan-Ganz方法仍然表现出显著的不精确性，其中，心输出量测量结果的变化高达10-15％。

最近开发的用于心输出量监测的第二示例方法是PiCCO(脉搏轮廓心输出量)系统。这是相对于PAC的有创性较小的替代方法，因为放置动脉管线的位置不太重要，动脉管线能够位于腋动脉、肱动脉、股动脉或桡动脉中。PiCCO方法也需要中心静脉导管。PiCCO方法基于使用脉搏轮廓分析方法的连续心输出量监测。这涉及使用动脉波形信息以及间歇性经肺热稀释来估计CO和SV以用于校准目的。对于已经有中央动脉管线的患者，PiCCO只需要插入一根动脉导管，从而使它比Swan Ganz方法的有创性更小。然而，PiCCO测量的准确性高度依赖于全身血管阻力(SVR)的潜在变化和自上次校准点以来的时间间隔(即，自上次热稀释以来的时间点)。施用血管活性药物引起的SVR的突然变化会导致PiCCO测量不准确。而且，随着时间的推移，由于逐渐自主调节，SVR可能会发生变化。因此，需要对PiCCO系统进行间歇性校准以获得准确的测量结果。

作为第三示例，存在用于血液动力学监测的微创方法和无创方法。这些方法包括微创

更准确的确定血液动力学参数的方法的主要限制包括测量模态的高度有创性——这也增加了患者的风险——以及插入动脉管线需要高水平的技能，尤其是在PAC的情况下。此外，PAC方法和PiCCO方法都需要间歇性校准来获得准确的测量结果。当热稀释用于校准时，这是有问题的，因为热稀释不能经常进行。一些PAC方法包括加热少量血液的加热元件，从而允许连续的热稀释来校准系统。

关于FloTrac和ClearSight，它们的准确度较低，因为它们未经校准。这也意味着它们对于临床相关事件是不可靠的，例如，当施用液体或药物时，由于SVR发生预期的变化。

因此，现有的血液动力学监测方法要么是高度有创的，要么缺乏准确性，或者二者兼而有之。识别一种与现有方法相比具有更高准确度的无创血液动力学监测方法将是有利的。

发明内容

本发明由权利要求来限定。

根据依据本发明的一个方面的示例，提供了一种用于导出对象的一个或多个血液动力学参数的计算机实施的方法，包括：

获得表示在时间窗口内的在至少一根血管的测量位置处的血液速度的血液速度波形，优选地，其中，所述血液速度波形至少部分基于从所述测量位置采集的多普勒超声数据；

获得表示在所述时间窗口内的在所述测量位置处的所述至少一根血管的直径或与所述直径成比例的参数的动脉直径波形，其中，所述直径波形至少部分基于来自所述测量位置的超声数据；

根据所述血液速度波形来计算预定义的血液速度参数并根据所述动脉直径波形来计算预定义的动脉直径参数；

获得表示在所述时间窗口内的所述对象的至少一个预定义的另外的生理参数的数据；

提供所述血液速度参数、所述动脉直径参数和所述至少一个另外的生理参数作为针对机器学习模型的输入集合，所述机器学习模型适于处理所述输入参数并生成对一个或多个血液动力学参数的估计结果作为输出；并且

生成指示由所述机器学习模型输出的所估计的一个或多个血液动力学参数的数据输出。

本发明的实施例基于利用与对象的动脉分支中的血流相关的超声采集参数的组合来估计血液动力学参数。这是基于发明人进行的以下研究，该研究发现作为独立信号源采集和处理的血液速度波形和动脉直径波形与中心血液动力学有很好的相关性。该方法通过采用与在动脉位置(例如，颈动脉)处测量的血流参数相关的特征来使用基于统计学或机器学习的模型以估计中心血液动力学。统计学或机器学习模型体现了输入与输出的血液动力学参数之间的预先确定的函数关系。这能够基于有监督的学习或训练流程。它可以基于回归拟合流程。

可以例如通过以下操作来获得血液速度波形和动脉直径波形：

(例如从存储先前导出的测量数据的数据存储装置中)接收分别表示血液速度波形和动脉直径波形的数据输入，优选地，其中，这两个波形最初都是从超声数据中导出的；或者

接收至少一根血管的多普勒超声数据并处理该多普勒超声数据以导出血液速度波形，并且接收表示该测量位置处的血管的超声成像数据并处理该超声成像数据以导出动脉直径波形。

可以从超声扫描装置接收超声数据，或者可以从(例如存储先前采集的超声数据的)数据存储装置接收超声数据。在任一情况下，直径波形和速度波形都应当对应于同一个同时发生的时间窗口，例如，从针对时间窗口的同一超声数据集导出这两者，或者从覆盖时间窗口的同时记录的超声数据集导出这两者。

血液动力学参数是中心血液动力学参数，例如，每搏输出量、每搏输出量变异度或心输出量。

血管优选是动脉，例如，外周动脉。举一个示例，所使用的血管可以是颈动脉。

血液速度波形意指在时间窗口内的作为时间的函数的血液速度的波形。例如，它可以以在时间窗口内的各个间隔处的血液速度值的数据系列的形式来表示。直径波形意指在时间窗口内的作为时间的函数的血管直径或与血管直径成比例的参数的波形。例如，它可以以在时间窗口内的各个间隔处的血管直径值(或与血管直径值成比例的值)的数据系列的形式来表示。

“动脉直径”意指血管直径或其常数倍数或因子，例如，动脉半径或横截面面积或动脉周长。一般而言，该参数可以是血管横截面的任何维度参数，即，该参数指示血管的腔体的宽度的尺寸。

血液速度参数简单地意指从血液速度波形(的处理)中导出的参数。动脉直径参数简单地意指从动脉直径波形(例如，对其的处理)中导出的参数。例如，这些参数中的每个参数可以是相应波形的统计参数，例如，平均值、波形下的面积(例如，积分)、区间范围、范围、中值、归一化或对波形执行的这些操作的任何顺序组合。例如，它们也可能被称为从血液速度波形中导出/提取的第一参数和从动脉直径波形中导出/提取的第二参数。

机器学习算法是任何处理输入数据以产生或预测输出数据的自我训练算法。在本发明中采用的合适的机器学习算法对于技术人员来说是显而易见的。合适的机器学习算法的示例包括线性回归算法、决策树算法和人工神经网络。其他机器学习算法(例如，逻辑回归、支持向量机或朴素贝叶斯模型)都是合适的替代方法。

在一些实施例中，所述方法可以包括接收所述至少一根血管的所述测量位置的多普勒超声数据并处理所述多普勒超声数据以导出所述血液速度波形。

在一些实施例中，所述方法可以包括接收所述至少一根血管的所述测量位置的超声数据并处理所述超声数据以导出所述动脉直径波形。

超声数据可以是超声成像数据。它可以是B模式超声数据，例如，通过使用自动分割流程，能够从该B模式超声数据中提取直径。在另外的示例中，可以使用A线超声数据来估计直径。

多普勒超声数据可以是脉搏波多普勒数据。

所述至少一个另外的参数是对象的生物学参数。它可以是生理参数。在一些实施例中，所述获得所述至少一个另外的生理参数可以包括：接收所述至少一根血管的超声数据；并且处理所述超声数据以导出所述至少一个预定义的另外的参数。

例如，所述至少一个预定义的另外的参数可以从用于导出所述动脉速度波形和所述动脉直径波形中的一者或两者的同一超声数据中导出。

额外地或替代地，获得所述至少一个另外的生理参数可以包括从一个或多个生理参数传感器(例如，心率/脉搏率传感器、血氧计或血压传感器)接收传感器信号。

在一些实施例中，所计算的血液速度参数可以包括以下各项中的至少一项：在所述时间窗口内的所述速度波形的十分位数间距；在所述时间窗口内的血流速度的平均值；在所述时间窗口内的峰值收缩速度的平均值；通过由所述时间窗口跨越的多个心动周期归一化的在所述时间窗口内的所述血流速度的平均值；和/或通过由所述时间窗口跨越的所述多个心动周期归一化的在所述时间窗口内的所述速度波形关于时间的积分。

如将在本公开内容中稍后解释的，已经通过实验发现这些参数与中心血液动力学参数具有特别好的相关性。

在一些实施例中，所述动脉直径参数可以包括以下各项中的至少一项：在所述时间窗口内的所述动脉直径的平均值；以及在所述时间窗口内的所述至少一根血管的横截面面积的平均值。

在一些实施例中，所述至少一个另外的生理参数可以包括所述对象的心率和/或根据所述心率导出的参数。在一些实施例中，所述方法可以包括接收所述至少一根血管的多普勒超声数据并处理所述多普勒超声数据以导出所述对象的所述心率的度量。

优选地，使用与用于导出血液速度波形相同的超声数据来导出另外的生理参数。

在一些实施例中，所述至少一个另外的生理参数可以包括多个生理参数。在一些实施例中，所述至少一个另外的生理参数可以包括至少六个生理参数的集合。

在一些实施例中，所述获得所述至少一个另外的生理参数可以包括处理所述速度波形和所述动脉直径波形以导出动脉每搏输出量波形。所述获得所述至少一个另外的生理参数还可以包括处理所述动脉每搏输出量波形以导出以下各项中的至少一项：通过由所述时间窗口跨越的多个心动周期归一化的在所述时间窗口内的所述动脉每搏输出量波形下的面积；或者任选地通过由所述时间窗口跨越的多个心动周期归一化的在所述时间窗口内的所述动脉每搏输出量波形的平均值。

特别地，导出动脉每搏输出量波形可以包括：处理速度波形以导出单个心动周期内的波形下的面积(例如通过计算单个完整心动周期内的波形的速度-时间积分)，以及处理直径波形以导出在同一心动周期内的横截面面积波形。可以基于速度波形下的所述面积和基于横截面面积波形来导出每搏输出量波形。例如，可以导出心动周期的平均横截面面积并对其乘以速度-时间积分结果。

在一些实施例中，所述获得所述至少一个另外的参数可以包括：处理所述动脉直径波形以导出针对所述时间窗口的动脉横截面面积波形；基于对所述速度波形和所述动脉横截面面积波形的处理来导出针对所述时间窗口的动脉血流波形；并且处理所述动脉血流波形以导出在所述时间窗口内的平均动脉血流值。

动脉血流值意指单位时间内的血液量。动脉血流波形可以作为动脉横截面面积波形与动脉速度波形的乘积来导出。

在一些实施例中，所述至少一个另外的生理参数可以包括一个或多个生命体征，例如：心率、呼吸率和/或血压。它可以额外地或替代地包括一个或多个人口统计学参数，例如，年龄、性别和/或体重指数。这些参数能够有助于在导出中心血液动力学参数中提高准确度。

在一些实施例中，所述一个或多个血液动力学参数可以包括以下各项中的一项或多项：心输出量、每搏输出量，以及每搏输出量变异度。

优选地，先前提到的时间窗口跨越至少一个心动周期，并且更优选地跨越多个心动周期。

在一些实施例中，所述机器学习模型是多参数线性回归模型。

根据本发明的另外的方面的示例提供了一种包括计算机可读介质的计算机程序产品，所述计算机可读介质具有体现在其中的计算机可读代码，所述计算机可读代码被配置为使得在由合适的计算机或处理器运行时使所述计算机或处理器执行根据以上概述的或以下描述的任何示例或实施例或者根据本申请的任何权利要求所述的方法。

根据本发明的另外的方面的示例提供了一种处理装置，所述处理装置包括：输入部/输出部；以及一个或多个处理器。所述一个或多个处理器适于执行以下步骤：

获得表示在时间窗口内的在至少一根血管的测量位置处的血液速度的动脉速度波形，优选地，其中，所述速度波形至少部分基于所述测量位置的多普勒超声数据；

获得表示在所述时间窗口内的在所述测量位置处的所述至少一根血管的直径或与所述直径成比例的参数的动脉直径波形，优选地，其中，所述动脉直径波形至少部分基于所述测量位置的超声成像数据；

根据所述血液速度波形来计算预定义的血液速度参数并根据所述动脉直径波形来计算预定义的动脉直径参数；

获得表示在所述时间窗口内的所述对象的至少一个预定义的另外的生理参数的(一个或多个)值的数据；

提供所述血液速度参数、所述动脉直径参数和所述至少一个另外的生理参数作为针对机器学习模型的输入集合，其中，所述机器学习模型适于接收参数的所述集合并处理所述参数以生成对一个或多个血液动力学参数的估计结果；并且

生成指示由所述机器学习模型输出的所估计的一个或多个血液动力学参数的数据输出。

根据本发明的另外的方面的示例提供了一种系统。所述系统包括：根据本公开内容中描述的任何示例或实施例或者根据本申请的任何权利要求所述的处理装置。所述系统还包括超声扫描装置，所述超声扫描装置包括：至少一个换能器单元，其用于采集所述对象的所述至少一根血管的超声回波信号数据；以及处理单元，其用于处理所述回波数据以导出多普勒超声数据和超声图像数据。所述处理装置的所述输入部/输出部与所述超声扫描装置的输出部操作性耦合，以用于接收所述多普勒超声数据和所述超声图像数据。

所述换能器单元例如可以是超声探头。

参考下文描述的(一个或多个)实施例，本发明的这些方面和其他方面将变得明显并且得到阐明。

附图说明

为了更好地理解本发明并且更清楚地示出如何将本发明付诸实践，现在将仅通过示例的方式参考附图，在附图中：

图1图示了动脉流量与心输出量之间的示例相关标绘图；

图2概述了根据一个或多个实施例的示例方法的步骤；

图3示出了根据一个或多个实施例的示例系统的部件；

图4示出了示例脉搏波多普勒信号包络；

图5示出了适于同时采集脉搏波多普勒数据和B模式数据的超声扫描装置的示例显示输出；

图6图示了根据一个或多个实施例的用于导出血液动力学参数的估计结果的机器学习模型的示例输入参数之间的依赖性；

图7-9示出了根据一个或多个实施例的适合使用的三个不同的机器学习模型的集合的准确度结果；并且

图10示出了示例超声系统。

具体实施方式

将参考附图来描述本发明。

应当理解，详细描述和具体示例虽然指示装置、系统和方法的示例性实施例，但是这仅用于说明的目的而并不旨在限制本发明的范围。根据以下描述、权利要求和附图将更好地理解本发明的装置、系统和方法的这些和其他特征、方面和优点。应当理解，这些附图仅仅是示意性的并且不是按比例绘制的。还应当理解，贯穿整个附图使用相同的附图标记来指示相同或相似的部分。

本发明提供了一种用于基于血液速度度量和动脉直径度量来导出一个或多个血液动力学参数的方法，在一段时间内对每个血液速度度量和动脉直径度量进行循环或连续地采样以获得跨越时间窗口的数据系列中的每个数据系列(即，波形)。这优选地与至少一个另外的生理参数(例如，心率)结合使用，以导出一个或多个血液动力学参数。使用传递函数或机器学习模型来处理输入以获得所估计的血液动力学参数。

为了更好地理解本发明，将首先概述由发明人进行的研究的背景说明，该背景说明提供了所要求保护的发明的发展的信息。

该研究基于以下假设：与动脉直径和血流速度相关的动脉流量测量结果与中心血液动力学参数(例如，心输出量(CO)、每搏输出量(SV)和每搏输出量变异度(SVV))的变化存在内在联系。目的是使用例如在颈动脉处获得的超声(US)导出参数并通过开发适当的传递函数来估计中心血液动力学。所建立的不同的血液动力学模态(包括PiCCO和Flotrac(前面讨论过))用作参考标准。

参考临床数据集用于先前获得的患者测量结果。这包括在颈动脉处的187次超声测量。对于其中的每次测量，分别存在来自15个、9个和12个患者的PiCCO(n＝140)、FloTrac(n＝99)和ClearSight(n＝73)的血液动力学参考测量结果。

对于这些超声测量中的每次超声测量，US B模式和US脉冲波多普勒(PWD)数据系列是可用的，使得能够准连续地测量动脉直径(根据B模式数据)和速度波形(根据PWD数据)。此外，速度波形能够任选地用于在每次心跳的基础上估计心率。根据前述基于US的参数(直径、速度波形和基于US的心率)导出了多个参数。

在下表1中列出了可以根据动脉直径和动脉速度波形导出的示例参数的列表。

表1

图6示出了这些不同参数之间的关系和依赖性。从第一参数指向第二参数的箭头指示了第二参数至少部分取决于第一参数(即，第二参数可以是至少部分基于第一参数来导出的)。所有特征都依赖于原始US参数(动脉直径和速度波形)中的一个或多个参数。

在研究过程中，每个数据条目的US测量数据通常跨越约30到60秒的时期(时间窗口)，因此跨越多次心跳。为了使所导出的参数的测量误差最小化，表1所示的所有基于US的参数都是通过对一个时期的数据进求平均而计算出的。例如，平均值(或中值)可以是从波形导出的特定界标，例如，一个时期内的所有PSV的平均值或整个波形本身的平均值，例如，该时期的速度波形的平均值。类似地，血液动力学(HDM)参考测量结果(PiCCO、FloTrac)是基于计算与所存储的US测量结果相对应的每个时期中的HDM参考变量(CO、SV、SVV)的平均值或中值而导出的。HDM参考变量的平均值和中值具有可比性，并且研究中的所有分析均是使用中值进行的。

使用线性多参数传递函数对患者研究数据进行分析，其中，将不同的超声导出参数作为输入，并且将临床血液动力学测量结果作为参考测量结果(真实情况)。通过计算从传递函数导出的CO和SV相对于来自不同临床参考标准的CO和SV的R

作为说明，颈动脉血流量(每单位时间的体积)与PiCCO之间的相关性相对较差，其中，R

基于线性回归建模的多参数方法用于估计中心血液动力学的度量。通过将相应的传递函数或模型训练或拟合到相关的组合或参数并然后评估与(如使用PiCCO、Flotrac和/或Clearsight方法所获得的)真实情况血液动力学参数的拟合优度来测试根据从超声数据中提取的血流相关参数导出的多个不同的特征组合。

用于导出传递函数的分析方法概述如下。

首先，通过使用前面提到的参考数据集将来自组合的所有患者的所有可用测量结果随机分成大小相等的训练集和测试集。举例来说，将其中将PiCCO充当参考HDM度量的140个US测量结果分成每组大小为70个的训练集和测试集。

第二，对于选择超声导出特征(例如，选择表1中概述的那些特征)，通过使用与训练集相对应的数据，每次针对HDM参考测量结果中的一个HDM参考测量结果(例如，CO、SV)拟合回归模型。然后在训练集和测试集上都评估其性能。回归拟合是众所周知的技术过程，并且技术人员将立即意识到用于实施该技术过程的方法，例如，最小二乘法、梯度下降法等。性能测量结果包括根据相关散点图获得的线性回归拟合优度(R

第三，第二步骤重复100次(相当于重复2重交叉验证)，其中，随机选择测量结果来分别作为训练集和测试集，然后使用它们来计算性能指标(例如，R

图2概述了根据本发明的一个或多个实施例的示例方法的步骤。该方法可以是计算机实施的。该方法用于导出对象的一个或多个血液动力学参数。

该方法包括获得12表示在时间窗口内的在至少一根血管的测量位置处的血液速度的血液速度波形。血液速度波形基于从测量位置采集的多普勒超声数据。

在一些实施例中，血管可以是外周动脉。外周动脉意指心脏和脑部之外的动脉，例如，在颈部、手臂、腿部、手部或脚部处的动脉。

血液速度波形可以由在时间窗口(或时期)内的规则时间间隔处的血液速度测量样本的数据系列来表示。能够例如从数据存储装置或超声扫描装置接收血液速度波形，或者可以基于接收到的多普勒超声数据(例如，脉搏波多普勒数据)来导出血液速度波形。该方法可以与超声数据收集一起实时执行，或者基于先前采集的超声测量数据在稍后时间执行。

该方法还包括获得14表示在时间窗口内的在测量位置处的所述至少一根血管的直径的动脉直径波形。直径波形基于来自测量位置的超声数据。超声数据例如可以是B模式、C模式或A线数据。提取直径测量结果可以基于自动分割算法或者基于另一图像处理算法。本领域技术人员将立即意识到用于从超声数据中提取直径测量结果的合适的技术手段。

该方法还包括根据血液速度波形来计算16预先确定的血液速度参数并根据动脉直径波形来计算预先确定的动脉直径参数。

该方法还包括获得18表示在时间窗口内的对象的至少一个预定义的另外的生理参数的数据。所述另外的生理参数可以是对象的心率或根据对象的心率导出的参数。可以基于动脉速度波形、动脉直径波形和心率测量结果中的一项或多项来导出另外的生理参数。

该方法还包括提供20血液速度参数、动脉直径参数和至少一个另外的生理参数作为针对统计学或机器学习模型的输入集合，所述模型被训练为处理所述输入参数并生成一个或多个血液动力学参数的估计结果作为输出。

该方法还包括生成22指示由模型输出的所估计的一个或多个血液动力学参数的数据输出。在一些示例中，这可以被传送到用户接口(例如，患者监测系统)。可以使用显示设备来显示数据输出。可以将数据输出传送到数据存储单元用于以后的检索。可以经由网络或互联网链接将数据输出传送到远程计算机或远程数据存储装置。

有不同的选择来获得数据。

在一些示例中，该方法可以包括：接收所述至少一根血管的测量位置的多普勒超声数据，并且处理该多普勒超声数据以导出血液速度波形。在其他示例中，可以从外部源接收速度波形。

在一些示例中，该方法可以包括：接收所述至少一根血管的测量位置的超声数据，并且处理该超声数据以导出动脉直径波形。在其他示例中，可以从外部源接收直径波形。

关于至少一个另外的生理参数，该方法可以包括从外部源(例如，测量传感器或患者监测系统或子系统)接收参数。该方法可以包括从接收到的感测数据中导出或计算参数。在一些示例中，可以从超声数据中导出参数。例如，在一些实施例中，该方法可以包括：接收至少一根血管的超声数据；并且处理该超声数据以导出至少一个预定义的另外的生理参数。

图3示出了根据本发明的一个方面的示例系统40。该系统包括处理装置32，处理装置32包括：输入部/输出部34；以及一个或多个处理器36。根据本发明的另外的方面，所述处理装置可以由其自己来提供。

处理装置的一个或多个处理器36被配置为执行上面概述的方法的步骤，或者根据本公开内容中描述的任何实施例或本申请的任何权利要求所述方法的步骤来执行。

关于系统40，该系统还可以包括超声扫描装置50，超声扫描装置50包括：至少一个换能器单元54，其用于采集对象的至少一根血管的超声回波信号数据；以及处理单元52，其用于处理回波数据以导出多普勒超声数据和超声空间数据(例如，B模式数据或A线数据)。

图4示意性地图示了根据超声回波数据导出的示例脉搏波多普勒(PWD)包络。在这个示例中，PWD包络跨越了四个心动周期。

图5示意性地图示了同时生成B模式数据和PWD超声数据(双工模式)的超声扫描装置的示例显示输出。在这个示例中，超声数据表示颈动脉。通过由超声扫描装置实施的分割算法来自动提取动脉的直径。

关于所计算的血液速度参数、动脉直径参数和另外的生理参数，存在不同的选项，这些参数充当针对机器学习模型的输入。

关于血液速度参数和直径参数，这些标记意味着这些参数是根据血液速度波形和动脉直径波形来计算或提取的。换句话说，它们是血液速度导出的参数和动脉直径导出的参数。例如，它们可能被替代地称为第一参数、第二参数和第三参数。

现在将参考表1来讨论针对不同参数的不同选项，表1列出了大量不同的参数。

关于血液速度参数，通过一组非限制性示例，这可以是以下各项中的任意一项或多项：

在时间窗口内的速度波形的十分位数间距(表1中的IDRVelWave)；

在时间窗口内的血液速度的平均值(表1中的meanVelWave)；

在时间窗口内的峰值收缩速度的平均值(表1中的PSV)；

通过由时间窗口跨越的多个心动周期归一化的在时间窗口内的血液速度的平均值(表1中的meanVelNormPerBeat)；

通过由时间窗口跨越的多个心动周期归一化的在时间窗口内的速度波形相对于时间的积分(表1中的VTINormPerBeat)。

在一些实施例中，这些参数中的两个或更多个参数的组合可以用作针对传递函数的输入。

关于动脉直径参数，根据一组非限制性示例，这可以是以下各项中的一项或多项：

在时间窗口内的动脉直径的平均值(表1中的Dia)；

在时间窗口内的至少一根血管的横截面面积的平均值(表1中的CSArea)。

关于至少一个另外的生理参数，在一些示例中，这可以包括对象的心率(表1中的HR)。在一些实施例中，该方法可以包括：接收至少一根血管的多普勒超声数据，并且处理该多普勒超声数据以导出对象的心率的度量。

在一些示例中，至少一个另外的参数可以包括从每搏输出量波形的处理中导出的参数。例如，该方法可以包括处理速度波形和动脉直径波形以导出动脉每搏输出量波形。能够通过处理速度波形(例如通过计算在单个完整心动周期内的波形的速度-时间积分)以导出在单个心动周期内的波形下的面积并处理直径波形以导出在同一心动周期内的横截面面积波形来计算动脉每搏输出量波形。可以基于在速度波形下的所述面积并基于横截面面积波形来导出每搏输出量波形。

通过一个示例，至少一个另外的参数可以包括通过由时间窗口跨越的多个心动周期归一化的在时间窗口内的动脉每搏输出量波形下的面积。

额外地或替代地，至少一个另外的参数可以包括任选地通过由时间窗口跨越的多个心动周期归一化的在时间窗口内的动脉每搏输出量波形的平均值。

在一些示例中，至少一个另外的参数可以包括针对时间窗口的平均动脉血流值(每单位时间的体积流量)。这可以通过以下操作来计算：处理动脉直径波形以导出针对时间窗口的动脉横截面面积波形；基于计算速度波形与动脉横截面面积波形的乘积来导出针对该时间窗口的动脉血流波形；并且处理该动脉血流波形以导出在该时间窗口内的平均动脉血流值。

在一些示例中，至少一个另外的生理参数可以包括一个或多个生命体征，例如：心率、呼吸率和/或血压。在一些示例中，这些可以从接收自一个或多个生理参数传感器的传感器信号中获得。

在一些实施例中，机器学习模型可以适于接收对象的一个或多个人口统计学特征作为另外的输入，例如，年龄、性别和/或体重指数(BMI)。

表1提供了一组非限制性示例参数的总结，其中的一些或全部参数可以被选择作为要获得的输入并被提供给机器学习模型，以便导出一个或多个血液动力学参数。

关于所导出的一个或多个血液动力学参数，通过非限制性示例的方式，这些参数可以包括以下各项中的一项或多项：心输出量、每搏输出量，以及每搏输出量变异度。

如上所述，使用包括一种或多种机器学习算法的机器学习模型来执行对参数的处理以导出一个或多个血液动力学参数，所述机器学习算法已经被训练为将预定义的输入参数集合映射到一个或多个血液动力学参数的集合。

机器学习算法是任何处理输入数据以产生或预测输出数据的自我训练算法。这里，输入数据包括预先选择的血液速度参数、动脉直径参数和另外的参数，并且输出数据包括一个或多个血液动力学参数。

在本发明中使用的合适的机器学习算法对于技术人员来说是显而易见的。合适的机器学习算法的示例包括线性回归算法、决策树算法和人工神经网络。其他机器学习算法(例如，逻辑回归、支持向量机或朴素贝叶斯模型)都是合适的替代方法。

在下面呈现的示例中，使用呈多参数线性回归模型形式的机器学习算法来演示本发明构思的原理。然而，应当理解，在每个示例中，机器学习模型可以被不同类型的机器学习模型所替代，而不会影响有利的技术效果。

具体关于多参数线性回归模型，通过首先构建模型或算法来建立模型，该模型或算法并入所期望的输入参数中的每个输入参数作为模型的(自变量)参数(其具有对应的系数或权重)，其次基于训练数据集来训练所构建的模型，从而拟合模型系数或权重，以便提供训练数据集的输入参数与训练数据集的对应的输出参数之间的最佳拟合。所期望的输入参数形成模型的自变量，而目标血液动力学参数是模型的因变量。该模型将正在估计的相关血液动力学参数表示为常数项(截距)与因变量中的每个因变量与相应的权重或系数的乘积的线性和。

训练数据集将包括训练输入数据条目和对应的训练输出数据条目。在这种情况下，训练输入数据条目对应于预先选择的血液速度参数、动脉直径参数和另外的生理参数的示例值。训练输出数据条目对应于预先确定的一个或多个血液动力学参数。

将初始化的机器学习算法应用于每个输入数据条目以生成预测的输出数据条目。所预测的输出数据条目与对应的训练输出数据条目之间的误差用于修正机器学习算法。能够重复该过程，直到误差收敛并且所预测的输出数据条目与训练输出数据条目足够相似(例如，±1％)为止。这通常被称为有监督的学习技术。

对于多参数回归模型，训练过程是将模型权重/系数拟合到训练数据集的过程。一旦训练或拟合过程完成了，就能够使用在训练或拟合过程中获得的权重或系数来部署模型，以将输入参数(自变量)映射到输出血液动力学参数。

可以通过在训练之后在测试数据集上运行该模型并评估由该模型生成的输出预测值与实际真实情况值之间的误差来评估生成的机器学习模型的性能或准确性。例如，对于线性回归模型，性能测量结果能够包括线性回归的拟合优度(R

现在将描述表示本发明的优选实施例的多个特定示例。

根据一个或多个实施例，用作输入以导出血液动力学参数的参数包括如下各项：

上表1中列出的血液速度相关参数中的任意参数，例如，优选地从脉搏波多普勒(PWD)数据中导出的PSV、VTINormPerBeat、meanVelNormPerBeat、meanVelWave和/或IDRVelWave；

例如从B模式超声数据中导出的在时间窗口内的平均直径(表1中的Dia)；以及

例如从脉搏波多普勒(PWD)数据中导出的在时间窗口内的平均心率(表1中的HR)。

在优选示例中，所使用的血液速度参数是IDRVelWave(在时间窗口内的速度波形的十分位数间距)。这三个特征源自不同的来源并且为估计CO和SV提供补充信息。

在测试中，生成了不同的多参数线性回归模型的集合，将每个多参数线性回归模型配置为将该输入集合映射到心输出量(CO)和每搏输出量(SV)中的一项，并且使用训练数据集来训练这些模型。下表2示出了基于与血液动力学参考值(“HDM参考”)的比较对在测试数据集上的模型的性能统计数据的总结。

对于每个模型，表2列出了模型适于接受的输入参数，即，模型的独立参数。在每种情况下，模型的输出值(即，因变量)都是在HDM参考条目中列出的特定的血液动力学参数(即，CO或SV)。

在该示例中，PiCCO和FloTrac方法用作针对训练数据集和测试数据集这两者的参考测量结果(真实情况)。性能指标(例如，R

表2

测试集的R

图7(左)示出了相关标绘图，而图7(右)示出了当应用于数据集时表2的第2列中概述的传递函数的性能的Bland-Altman标绘图，此时PiCCO测量结果用作参考标准。

根据第二实施例，能够使用更多数量的输入参数，例如，结合若干血液速度导出参数、动脉直径参数和/或HR相关参数。从生理学上讲，这些参数都是优选的特征。与上述实施例相比，结合了更多数量的特征来提高模型或传递函数的性能。因为组合的参数提供了互补信息，所以性能得到了提高。此外，若干组合的参数是底层信号(血液速度)的更鲁棒的度量(例如，IDRVelWave相比于PSV)并且对信号中的伪影是鲁棒的。

下表3示出了根据该实施例建立的模型集合的总结以及当应用于测试数据集时基于与血液动力学参考值(“HDM参考”)的比较的性能统计数据。建立每个模型以将输入参数的集合映射到CO或SV中的一项。

在该示例中，PiCCO和FloTrac方法用作训练数据集和测试数据集这两者的参考测量(真实情况)。性能指标(如R

表3

第4行中使用的输入参数标签对应于上表1中列举的那些标签。

举例说明，图8示出了表3的第1列中概述的模型的性能，该模型被配置为生成心输出量(CO)的估计结果，其中，PiCCO方法测量作为真实情况参考。图8(左)示出了相关标绘图，而图8(右)示出了针对传递函数的性能的Bland-Altman标绘图。图9示出了在表3的第2列中概述的模型的性能，该模型被配置为生成心输出量(CO)的估计结果，其中，FloTrac方法测量作为真实情况参考。图9(左)示出了相关标绘图，而图9(右)示出了针对传递函数的性能的Bland-Altman标绘图。

将表2的模型的结果与表3的模型的结果进行比较，能够看出，例如，PiCCO参考CO传递函数通过并入8个特征而不是3个特征(R

如上所述，根据本发明的实施例的方法可以有利地应用于对对象的血液动力学的连续的或正在进行的监测。该方法可以包括：生成指示由模型生成的所估计的一个或多个血液动力学参数的数据输出，并且将该数据输出传输到患者监测系统，并且其中，患者监测系统包括显示设备并且适于在显示设备上显示所导出的一个或多个血液动力学参数的视觉表示。患者监测系统可以额外地或替代地在本地或远程存储或缓存所导出的血液动力学参数。它可以将参数输出到远程系统(例如，机构网络或服务器)。

根据本发明的另外的方面，提供了一种方法，该方法提供了用于导出一个或多个血液动力学参数的机器学习模型。该方法包括：生成初始机器学习模型，该初始机器学习模型适于接收预定义的参数集合作为输入并处理所述接收到的参数以生成一个或多个血液动力学参数的估计结果。预定义的输入参数集合包括：根据表示在时间窗口内的在至少一根血管的测量位置处的血液速度的血液速度波形计算的参数；从表示在时间窗口内的在测量位置处的所述至少一根血管的直径的动脉直径波形中提取的参数；以及在时间窗口内的对象的至少一个预定义的另外的生理参数。

该方法还包括提供训练数据集，该训练数据集包括多个训练输入数据条目和对应的多个训练输出数据条目，每个训练输入数据条目包括预定义的输入参数集合中的每个预定义的输入参数的值，并且每个训练输出数据条目包括一个或多个血液动力学参数的对应值。

该方法还包括将机器学习算法应用于训练输入数据条目并调节机器学习模型的内部参数以使模型生成的输出与训练输出数据条目之间的误差最小化。

如上所述，某些实施例可以包括超声扫描装置或用于处理超声回波数据以导出另外的数据的模块。

通过进一步的更详细的解释，现在将参考图10来描述示例性超声系统的一般操作。

该系统包括阵列换能器探头104，阵列换能器探头104具有换能器阵列106，换能器阵列106用于发射超声波和接收回波信息。换能器阵列106可以包括：CMUT换能器；压电换能器，其由诸如PZT或PVDF之类的材料形成；或任何其他合适的换能器技术。在该示例中，换能器阵列106是能够扫描感兴趣区域的二维平面或三维体积的换能器108的二维阵列。在另一示例中，换能器阵列可以是一维阵列。

换能器阵列106被耦合到微波束形成器112，微波束形成器112控制由换能器元件进行的信号接收。微波束形成器能够对由换能器的子阵列(通常被称为“组”或“拼片”)接收的信号进行至少部分波束形成，如在美国专利US 5997479(Savord等人)、US 6013032(Savord)和US 6623432(Powers等人)中描述的那样。

应当注意，微波束形成器通常完全是任选的。另外，该系统包括发射/接收(T/R)开关116，该T/R开关116能够耦合到微波束形成器112并且将阵列在发射模式与接收模式之间切换，并且在不使用微波束形成器并且主系统波束形成器直接操作换能器阵列的情况下保护主波束形成器120免受高能量发射信号的影响。超声波束从换能器阵列106的发射由换能器控制器118来指导，换能器控制器118通过T/R开关116被耦合到微波束形成器并且被耦合到主发射波束形成器(未示出)，该主发射波束形成器能够从用户接口或控制面板138接收来自用户操作的输入。控制器118能够包括发射电路，该发射电路被布置为在发射模式期间(直接地或者经由微波束形成器)驱动阵列106的换能器元件。

根据本发明的实施例，可以由超声控制器单元来促进该示例系统中的控制面板138的功能。

在典型的逐行成像序列中，探头内的波束形成系统可以如下操作。在发射期间，波束形成器(取决于实施方式，其可以是微波束形成器或主系统波束形成器)激活换能器阵列或换能器阵列的子孔径。子孔径可以是较大阵列内的一维换能器行或二维换能器拼片。在发射模式中，如下所述地控制由阵列或阵列的子孔径生成的超声波束的聚焦和转向。

在接收到来自对象的反向散射的回波信号时，使所接收的信号经受接收波束形成(如下所述)，以便对准所接收的信号，并且在使用子孔径的情况下，然后例如通过一个换能器元件使子孔径移位。然后激活移位的子孔径并重复该过程，直到激活了换能器阵列的所有换能器元件为止。

对于每行(或每个子孔径)，用于形成最终的超声图像的相关联行的总接收信号将是在接收时段期间由给定的子孔径的换能器元件测得的电压信号的总和。在下面的波束形成过程之后，结果得到的行信号通常被称为射频(RF)数据。然后，由各个子孔径生成的每个行信号(RF数据集)都经受额外的处理以生成最终的超声图像的行。行信号的幅度随时间的变化将贡献于超声图像的亮度随深度的变化，其中，高幅度峰值将对应于最终的图像中的亮像素(或像素集合)。在行信号开始附近出现的峰值将表示来自浅层结构的回波，而在行信号后期逐步出现的峰值将表示来自对象内的深度不断增加的结构的回波。

由换能器控制器118控制的功能之一是波束转向和聚焦的方向。波束可以从(垂直于)换能器阵列笔直向前转向，或者以不同的角度转向以获得更宽的视场。可以根据换能器元件致动时间来控制发射波束的转向和聚焦。

在一般的超声数据采集中能够区分两种方法：平面波成像和“波束转向”成像。这两种方法的区别在于在发射模式(“波束转向”成像)和/或接收模式(平面波成像和“波束转向”成像)中存在波束成形。

首先看聚焦功能，通过同时激活所有换能器元件，换能器阵列生成平面波，该平面波在行进通过对象时会发散。在这种情况下，超声波的波束保持未聚焦。通过将取决于位置的时间延迟引入换能器的激活，能够使波束的波阵面会聚在期望的点处，该点被称为聚焦区。聚焦区被定义为其中横向波束宽度小于发射波束宽度的一半的点。通过这种方式，提高了最终的超声图像的横向分辨率。

例如，如果时间延迟引起换能器元件从最外面的元件开始串行激活并在换能器阵列的(一个或多个)中心元件处结束激活，则将在距探头给定距离处形成聚焦区，其与(一个或多个)中心元件在一条线上。聚焦区与探头的距离将根据换能器元件激活的每个后续回合之间的时间延迟而变化。在波束通过聚焦区之后，它将开始发散，从而形成远场成像区域。应当注意，对于位于靠近换能器阵列的聚焦区，超声波束将在远场中迅速发散，从而导致最终的图像中的波束宽度伪影。通常，由于超声波束中的大量重叠，位于换能器阵列与聚焦区之间的近场示出的细节很少。因此，改变聚焦区的位置能够引起最终的图像的质量的显著变化。

应当注意，在发射模式中，除非将超声图像划分成多个聚焦区(多个聚焦区中的每个聚焦区可能具有不同的发射焦点)，否则只能定义一个焦点。

另外，在从对象内部接收到回波信号时，能够执行上述过程的逆过程，以便执行接收聚焦。换句话说，传入的信号可以被换能器元件接收并且在被传递到系统中以用于信号处理之前经受电子时间延迟。这种情况的最简单的示例被称为延迟和求和波束形成。能够根据时间来动态调整换能器阵列的接收聚焦。

现在来看波束转向的功能，通过对换能器元件正确施加时间延迟，能够在超声波束离开换能器阵列时对超声波束赋予期望的角度。例如，通过激活换能器阵列的第一侧上的换能器并且然后在阵列的相对侧处以序列结束其余的换能器，波束的波阵面将朝向第二侧形成角度。相对于换能器阵列的法线的转向角的大小取决于随后的换能器元件激活之间的时间延迟的大小。

另外，能够聚焦经转向的波束，其中，被施加到每个换能器元件的总时间延迟是聚焦时间延迟和转向时间延迟这两者之和。在这种情况下，换能器阵列被称为相控阵。

在要求DC偏置电压以用于其激活的CMUT换能器的情况下，换能器控制器118能够被耦合以控制针对换能器阵列的DC偏置控件145。DC偏置控件145设置被施加到CMUT换能器元件的(一个或多个)DC偏置电压。

对于换能器阵列的每个换能器元件，通常被称为通道数据的模拟超声信号通过接收通道而进入系统。在接收通道中，微波束形成器112根据通道数据来产生部分波束形成的信号，该部分波束形成的信号然后被传递到主接收波束形成器120，在主接收波束形成器120中，来自换能器的个体拼片的部分波束形成的信号被组合成完全波束形成的信号(其被为射频(RF)数据)。在每个阶段执行的波束形成可以如上所述地执行，或者可以包括额外的功能。例如，主波束形成器120可以具有128个通道，其中的每个通道从几十个或数百个换能器元件的拼片接收部分波束形成的信号。通过这种方式，由换能器阵列的数千个换能器接收的信号能够有效地贡献于单个波束形成的信号。

波束形成的接收信号被耦合到信号处理器122。信号处理器122能够以各种方式处理所接收的回波信号，这些方式例如为带通滤波；抽取；I和Q分量分离；以及谐波信号分离，其用于分离线性信号与非线性信号，从而能够识别从组织和微泡返回的非线性(基频的高次谐波)回波信号。信号处理器还可以执行额外的信号增强，例如，散斑减少、信号复合和噪声消除。信号处理器中的带通滤波器能够是跟踪滤波器，当从越来越深的深度接收回波信号时，跟踪滤波器的通带会从较高的频带滑动到较低的频带，从而抑制来自较大深度的较高频率的噪声(其通常没有解剖信息)。

用于发射的波束形成器和用于接收的波束形成器以不同的硬件来实施并且能够具有不同的功能。当然，接收器波束形成器的设计要考虑到发射波束形成器的特性。为了简化，在图10中仅示出了接收器波束形成器112、120。在整个系统中，还将有发射链，其包含发射微波束形成器和主发射波束形成器。

微波束形成器112的功能是提供对信号的初始组合，以便减少模拟信号路径的数量。这通常是在模拟域中执行的。

最终的波束形成是在主波束形成器120中完成的，并且通常是在数字化之后完成的。

发射通道和接收通道使用具有固定频带的相同换能器阵列106。然而，发射脉冲占据的带宽能够根据所使用的发射波束形成而变化。接收通道能够捕获整个换能器带宽(这是经典方法)，或者通过使用带通处理，这样它只能提取包含期望信息(例如，主谐波的谐波)的带宽。

然后，可以将RF信号耦合到B模式(即，亮度模式或2D成像模式)处理器126和多普勒处理器128。B模式处理器126对所接收的超声信号执行幅度检测，以对身体中的结构(例如，器官组织和血管)进行成像。在逐行成像的情况下，每行(波束)均由相关联的RF信号表示，其幅度用于生成要被分配给B模式图像中的像素的亮度值。图像内的像素的确切位置是通过沿着RF信号的相关联的幅度测量的位置以及RF信号的行(波束)数来确定的。如美国专利US 6283919(Roundhill等人)和美国专利US 6458083(Jago等人)所述，这样的结构的B模式图像可以以谐波图像模式或基波图像模式或这两者的组合形成。多普勒处理器128处理因组织移动和血液流动所引起的在时间上不同的信号以用于检测移动的物质(例如，图像场中的血细胞流)。多普勒处理器128通常包括壁滤波器，其参数被设置为使得通过或拒绝从身体中的选定类型的材料返回的回波。

由B模式处理器和多普勒处理器产生的结构信号和运动信号被耦合到扫描转换器132和多平面重新格式化器144。扫描转换器132以期望的图像格式以回波信号被接收时的空间关系布置回波信号。换句话说，扫描转换器用于将RF数据从圆柱坐标系转换到适合于在图像显示器140上显示超声图像的笛卡尔坐标系。在B模式成像的情况下，给定坐标处的像素的亮度与从该位置接收到的RF信号的幅度成比例。例如，扫描转换器可以将回波信号布置成二维(2D)扇形格式或金字塔形的三维(3D)图像。扫描转换器能够在B模式结构图像上覆盖与图像场中的各个点处的运动相对应的颜色，在这些点处的多普勒估计速度产生给定的颜色。组合的B模式结构图像与彩色多普勒图像描绘了结构图像场内的组织运动和血液流动。如美国专利US 6443896(Detmer)所述，多平面重新格式化器将将从身体的体积区域中的公共平面中的点接收到的回波转换成该平面的超声图像。如美国专利US 46530885(Entrekin等人)所述，体积绘制器142将3D数据集的回波信号转换成如从给定的参考点所观看到的投影的3D图像。

2D图像或3D图像从扫描转换器132、多平面重新格式化器144和体积绘制器142被耦合到图像处理器130以用于进一步增强、缓冲和临时存储以供在图像显示器140上进行显示。成像处理器可以适于从最终的超声图像中移除一些成像伪影，例如：因强衰减器或折射所引起的声影；例如因弱衰减器所引起的后增强；例如高度反射的组织界面紧邻的位置处的混响伪影等。另外，图像处理器可以适于处理某些散斑减少功能，以便提高最终的超声图像的对比度。

除了用于成像之外，由多普勒处理器128产生的血流值和由B模式处理器126产生的组织结构信息还能够被耦合到量化处理器134。除了结构测量结果(例如，器官大小和胎龄)之外，量化处理器还产生对不同流量状况的度量(例如，血流的体积速率)。量化处理器可以从用户控制面板138接收输入(例如，在图像的解剖结构中要进行测量的点)。

来自量化处理器的输出数据被耦合到图形处理器136，以用于在显示器140上将图像与测量图形和测量值一起再现并且用于从显示设备140进行音频输出。图形处理器136还能够生成图形叠加物以用于与超声图像一起显示。这些图形叠加物能够包含标准识别信息(例如，患者姓名)、图像的日期和时间、成像参数等。为此，图形处理器从用户接口138接收输入(例如，患者姓名)。用户接口还被耦合到发射控制器118，以控制从换能器阵列106发生的超声信号生成并因此控制由换能器阵列和超声系统产生的图像。控制器118的发射控制功能仅仅是所执行的功能之一。控制器118还考虑到(由用户给定的)操作模式以及接收器模数转换器中的对应需要的发射器配置和带通配置。控制器118能够是具有固定状态的状态机。

用户接口还被耦合到多平面重新格式化器144，以用于选择和控制多幅多平面重新格式化(MPR)图像的平面，该平面可以用于在MPR图像的图像场中执行量化的测量。

上述超声系统可以与前述处理装置32操作性耦合。处理装置可以从上述超声系统接收多普勒超声数据和空间超声数据(例如，B模式)。例如，在一些示例中，上述超声系统可以用于实施图3所示的系统40的超声感测装置50。

上面描述的本发明的实施例采用了一种处理装置。该处理装置通常可以包括单个处理器或多个处理器。它可以位于单个包含设备、结构或单元中，或者它可以分布在多个不同的设备、结构或单元之间。因此，提及适于或被配置为执行特定步骤或任务的处理装置可以对应于由多个处理部件中的任何一个或多个处理部件单独或组合执行的步骤或任务。本领域技术人员将理解如何能够实施这种分布式处理装置。处理装置包括用于接收数据并将数据输出到其他部件的通信模块或输入部/输出部。

处理装置的一个或多个处理器能够用软件和/或硬件以多种方式实施，从而执行所要求的各种功能。处理器通常采用一个或多个微处理器，这一个或多个微处理器可以使用软件(例如，微代码)来编程以执行所要求的功能。处理器可以被实施为执行一些功能的专用硬件与执行其他功能的一个或多个经编程的微处理器和相关联的电路的组合。

可以在本公开内容的各种实施例中采用的电路的示例包括但不限于常规的微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。

在各种实施方式中，处理器可以与一种或多种存储介质相关联，这一种或多种存储介质例如为易失性计算机存储器和非易失性计算机存储器，例如，RAM、PROM、EPROM和EEPROM。可以用一个或多个程序对存储介质进行编码，当在一个或多个处理器和/或控制器上运行这一个或多个程序时，这一个或多个程序执行所要求的功能。各种存储介质可以被固定在处理器或控制器内或者可以是可转移的，使得存储在其上的一个或多个程序能够被加载到处理器中。

本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。

单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。

虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。如果在权利要求或说明书中使用了术语“适于”，则应当注意，术语“适于”旨在等同于术语“被配置为”。

计算机程序可以被存储/分布在合适的介质上，例如，与其他硬件一起或作为其他硬件的部分而供应的光学存储介质或固态介质，但是它也可以以其他形式分布，例如经由互联网或其他有线或无线的电信系统进行分布。

权利要求中的任何附图标记都不应被解释为对范围的限制。