CN105844612A - 用于分析生物生理周期性数据的装置和方法 - Google Patents

用于分析生物生理周期性数据的装置和方法 Download PDF

Info

Publication number
CN105844612A
CN105844612A CN201610066912.8A CN201610066912A CN105844612A CN 105844612 A CN105844612 A CN 105844612A CN 201610066912 A CN201610066912 A CN 201610066912A CN 105844612 A CN105844612 A CN 105844612A
Authority
CN
China
Prior art keywords
feature
distribution
hypothesis
strong point
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610066912.8A
Other languages
English (en)
Inventor
阿斯芙·卡拉科
玛度苏·C·威金斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN105844612A publication Critical patent/CN105844612A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Power Engineering (AREA)
  • Vascular Medicine (AREA)
  • Primary Health Care (AREA)

Abstract

公开了一种用于分析生物生理周期性数据的装置和方法。一种生物生理速率特征的去噪和数据融合为单速率估计的方法。所述用于分析生物生理周期性数据的计算机实施的方法包括：接收特征数据点的流；确定每个特征数据点是位于预定的限制内还是预定的限制外部；响应于已经确定在第一子集中的每个数据点位于所述预定极限的外部，消除特征数据点的第一子集。所述方法还包括：随时间窗从特征数据点提取位于所述预定限制内的特征；执行多个假设检验以确定所述特征是否对应于多个假设分布中的任意一个；如果所述特征对应于多个最近限定估计的统计均值，则将所述特征限定为实际特征的限定估计。

Description

用于分析生物生理周期性数据的装置和方法
本申请要求于2015年1月30日提交到美国知识产权局的第62/110,263号临时申请、于2015年2月4日提交到美国知识产权局的第62/112,032号临时申请、于2015年2月6日提交到美国知识产权局的第62/113,092号临时申请的权益以及于2015年10月17日提交到美国知识产权局的第14/924,565号美国专利申请的权益，所述申请通过引用包含于此。
技术领域
本描述总体涉及数据分析，更具体地讲，涉及生物生理速率特征的去噪和数据融合。
背景技术
数据分析一般包含针对目标(例如，准确地描述数据、发现数据中的有用信息或特征、建议结论或支持决策)的收集、清理、处理、转换和建模数据的处理。数据分析通常包括系统地应用统计或逻辑技术以描述、压缩、说明和评估数据。各种分析技术有利于将感兴趣的信号或现象与观测数据中固有的无关噪声和不确定性区分开。
传感器数据融合技术通常提供来自于在多个传感器观测的数据的高级信息，例如，除可用的内容之外，采用时空数据集成和利用冗余和互补信息。探索性数据分析通常应用用于异常检测尝试的定量数据方法以识别并消除不准确数据。此外，可产生描述性统计(诸如统计平均值、中位数、方差或标准差)来帮助解释数据。此外，还可使用数据可视化来检查图形格式的数据，提供关于嵌入数据的信息的认识。
一般来说，统计假设检验或验证数据分析采用统计推断以基于置信区间或阈值概率确定结果是否重要。可采用模型选择技术来从多个假设中确定最适合的模型。还可采用包括卡方检验的决策理论和优化技术来选择多个描述性模型的最佳模型。统计推断方法包括(但不限于)赤池信息准则(AIC)、贝叶斯信息准则(BIC)、集中信息准则(FIC)、偏差信息准则(DIC)和汉南-奎因(Hanna-Quinn)信息准则(HQC)。
光电血管容积图(PPG)是光获取的血管容积图或器官的体积测量。作为一种PPG传感器的脉搏血氧仪使用光的一个或多个颜色示出皮肤并测量在每个波长的光吸收的改变。PPG传感器使用例如光发射器(诸如发光二极管(LED))示出皮肤，并且测量穿过相对薄的身体部分(诸如手指或耳垂)而传播的光量，或者使用例如光电探测器(诸如光电二极管)测量从皮肤反射的光量。PPG传感器已被用于监视呼吸和心率、血氧饱和度、低血容量以及其它循环状况。
传统的PPG通常监视可被用于检测例如与心脏的连续心脏循环的压力脉冲相应的体积变化的向皮肤的真皮和皮下组织的血液灌流和。如果PPG不压迫皮肤地附着，则从静脉丛还可见二次压力峰值。微控制器通常处理和计算波形信号中的峰值以计数每分钟的心跳(bpm)。
然而，来自于与期望的特征无关的来源的信号噪声(例如，运动伪影和电信号污染)已被证实为影响PPG传感器读数的准确率的限制因素。虽然来自于与期望的特征无关的来源的信号噪声在临床环境中可被避免，但是这种信号噪声可对在自由生活条件中(例如，在锻炼期间)读取的PPG传感器读数具有不良效果。因此，当被用于在自由生活条件中读取的PPG传感器读数时，一些现有的数据分析方法可能具有缺点。
发明内容
根据一个实施例，一种装置包括：存储器，存储机器指令；处理器，连接到存储器，执行所述机器指令以接收多个特征数据点并从所述多个特征数据点的满足预定范围的特征数据点提取特征。处理器还执行所述机器指令以执行多个假设检验来确定所述特征是否对应于包括第一假设分布的多个预定的假设分布中的每个。如果所述特征对应于第一假设分布，则处理器还执行所述机器指令以将所述特征限定为实际特征的限定估计。
根据另一实施例，一种方法包括：接收多个特征数据点；从所述多个特征数据点的满足预定范围的特征数据点提取特征。所述方法还包括：执行多个假设检验来确定所述特征是否对应于包括第一假设分布的多个预定的假设分布中的每个。所述方法还包括：如果所述特征对应于第一假设分布，则将所述特征限定为实际特征的限定估计。
根据另一实施例，一种计算机程序产品包括：非暂时性计算机可读存储介质，以适于被处理器执行以实施接收多个特征数据点和从所述多个特征数据点的满足预定范围的特征数据点提取特征的指令进行编码。所述指令还适于实施执行多个假设检验来确定所述特征是否对应于包括第一假设分布的多个预定的假设分布中的每个。所述指令还适于实施：如果所述特征对应于第一假设分布，则将所述特征限定为实际特征的限定估计。
本公开的一个或多个实施例的细节在附图和以下描述中被阐述。本公开的其它的特征、目标和优点将通过所述描述和附图以及通过权利要求而清楚。
附图说明
图1示出描述根据实施例的示例性生物生理周期性数据分析器的框图；
图2示出根据实施例的用于分析生物生理周期性数据的多模型自适应估计的示例性方法的流程图；
图3示出描述根据实施例的用于执行关于特征数据的统计推断的示例性统计假设的曲线图；
图4A示出根据实施例的分析生物生理周期性数据的示例性方法的流程图；
图4B示出根据实施例的分析生物生理周期性数据的示例性方法的另一流程图；
图4C示出根据实施例的分析生物生理周期性数据的示例性方法的另一流程图；
图5示出描述可在根据实施例的生物生理周期性数据分析器中使用的计算系统的示意图。
具体实施方式
图1示出描述根据一个实施例的示例性生物生理周期数据分析器的框图。生物生理周期数据分析器10包括特征接收器12、速率计算器14、异常消除器16、最近速率计算器18、速率滤波器20、速率改变计算器22、生物语义(biosemantic)二进制限定器24、特征修改器26和滤波器产生器28。特征接收器12被配置为从监视对象的生物生理特征的各种传感器接收多个同时数据点(simultaneous data point)，其中，对象的生物生理特征包括但不限于心率(HR)、呼吸速率、流体溶液浓度和身体移动。对象可包括但不限于人、动物和活的有机体。
数据点包括来自多个来源的数据融合，所述多个来源来自于在相同的底层传感器或不同的传感器上的不同特征。例如，数据点包括使用光电血管容积图(PPG)传感器(诸如脉搏血氧仪)随时间观察的关于对象的心率和呼吸速率的特征数据。在一个实施例中，PPG传感器和生物生理周期数据分析器可被嵌入在固定于对象(例如，主体的头部、脚部、手指和手腕)的可穿戴装置中。
特征接收器12将监视的特征数据点分类并按顺序(例如，按逐个特征)布置数据点。特征接收器12将每个按序的数据点与同步的时间输出一起输出。速率计算器14使用最近数据点和相应的时间输出来基于一系列最近的数据点计算当前特征速率。
异常消除器16基于关于特征的一组预定的生物限制(例如，最小和最大速率限制)确定当前特征速率是否在可接受的范围内。落在可接受范围之外的当前特征速率不在后续的计算中使用。最近速率计算器18使用在期望的时间窗口期间的在可接受范围内的一系列当前特征速率来计算更新的最近特征速率。
异常消除器16基于生物生理限制对假设加以约束。例如，最小限制(minHR)和最大限制(maxHR)可基于人体心率的现实的预期范围。类似地，围绕最近观察的心率值(uRecent)的最小和最大相对限制(+/-deltaHR)可基于关于在采样时间里心率的变化速率的生理限制。
速率滤波器20对来自于生物语义二进制限定器24的限定的特征数据执行统计计算，生物语义二进制限定器24会在以下进一步解释。图2示出根据实施例的用于分析生物生理周期数据的多模型自适应估计(MMAE)的示例性方法的流程图。MMAE 30可被速率滤波器20实施以分析限定的特征数据。在实施例中，速率滤波器20包括多个卡尔曼滤波器，每个卡尔曼滤波器基于不同的模型。例如，第一卡尔曼滤波器32基于第一模型，第二卡尔曼滤波器34基于第二模型，第三卡尔曼滤波器36基于第三模型，第四卡尔曼滤波器38基于第四模型。可选择地，统计计算可实施施加于每个输入流的数据的加权，例如，表示偏重于一个流的信息甚于另一个流的信息。速率改变计算器22持续地计算关于滤波后的和未滤波的速率的当前速率的变化。
在假设层面的融合遵循等同于在通用多模型自适应估计框架中使用的方法，所述框架如P.D.Hanlon和P.S.Maybeck在2000年4月IEEE航空航天与电子系统论文集卷AES-36第2期393-406页发表的“Multiple-ModelAdaptive Estimation Using a Residual Correlation Kalman Filter Bank(使用残差相关卡尔曼滤波器组的多模型自适应估计)”(全部内容通过引用包含于此)的卡尔曼滤波器的上下文中所描述。卡尔曼滤波器估计包括系统状态的估计和不确定性。例如，在实施例中，使用与系统行为的可选假设相关联的无迹卡尔曼滤波器(unscented Kalman filter)，这种卡尔曼滤波器明确地适合来自于输入的确定性采样的分布，如Simon J.Julier和Jeffrey K.Uhlmann在1997年《航空航天/国防传感、仿真和控制》卷3第182页发表的“A new extensionof the Kalman filter to nonlinear systems(卡尔曼滤波器向非线性系统的新扩展)”(全部内容通过引用包含于此)中所描述。
生物语义二进制限定器24基于与学习的概率模型的兼容性(许多用于模型开发的可能的方法)基于针对每个输入特征的二进制选择准则而确定限定的数据或限定数据。即使当在特征数据中存在很大部分异常或不确定性时，二进制选择方法也能处理输入数据。例如，生物语义二进制限定器24包括最大似然决策引擎。生物语义二进制限定器24将限定的数据产生为输出。
在实施例中，生物语义二进制限定器24使用最近速率与滤波后的和未滤波的速率的变化来执行假设检验方法40。针对每个观察的数据点考虑多个假设模型，并且用于接受数据点的判定是基于针对每个假设的判定规则而做出。模型假设根据生物生理约束包含关于变化速率的生物限制和关于输入值的硬性限制。每个假设根据假设的特性而将输入特征不同地转换。
图3示出描述根据实施例的用于执行关于特征数据的统计推断的示例性统计假设的曲线图。曲线图50示出各种示例性检验假设。基于针对特定时间窗的窗口统计(诸如窗口速率的均值和标准差)，多个假设概率模型被训练或被开发。在实施例中，检验假设由离散的预期概率分布组成，例如，包括最近分布52、试验分布54和伪影分布56。
参照图3，提出判定问题：“应该将新的心跳58接受为合理心跳吗？”针对心率(HR)已开发两个示例性假设，如下：第一假设，最近分布52，假定测量的输入特征与最近观察的心率一致。第二假设，试验分布54，假定测量的输入特征已损坏并且与最近观察的心率的一半一致。第二假设与给出心率的一半的准确估计的特定的信号损坏有关，其针对真实的心率是非常不准确的。第三假设，伪影分布56，假定测量的输入特征已损坏并且与和真实的心率无关的伪影一致。在其它实施例中，可包括另外的假设，例如，基于输入数据流的特点的假设。
生物语义二进制限定器24基于概率检验来检验每个假设。例如，在所描述的第一假设类型的情况下，最近分布52和候选点58二者均是可利用的。因此，从分布导出的点的后验似然的计算被用来表示关联的假设的后验似然。
基于每个假设对其零假设(null hypothesis)的检验，每个假设被认为是独立的。例如，假设基于在对数似然率检验中超出阈值，或者基于针对与假设相关联的分布的亲和力超出阈值。此后，克服零假设的所有假设基于假设中的先验排名被排序，并且排名最高的假设被选择。这样的优点在于可考虑不同的假设类型，其中，一些假设具有可计算似然性的显式概率模型(explicitprobability model)，而其它假设使用不存在显式概率模型的逻辑触发。
因此，这些统计在不同的数据源中被组合，并随后应用于每个假设。可选地，单独的统计可与每个数据类型相关联地被计算，并且这些统计可被选择性地附于不同的假设。
在所有假设具有显式概率的可选实施例中，可通过计算被计算的每个假设的相关似然性并选择被选为正确的最可信假设来处理假设选择。如以下描述，这触发接受或拒绝候选点的特定逻辑。
例如，基于与最近分布52相关联的假设的相对高的相关性，特征数据点可被接受为被测量的特征数据点。否则，例如，特征修改器26可在特征数据点被接受之前基于与试验分布54相关联的假设的相对高的相关性修改特征数据点。另一方面，特征数据点可基于与伪影分布56相关联的假设的相对高的相关性从输出流中被舍弃。
滤波器产生器28更新速率滤波器20并向生物语义二进制限定器24提供反馈以开发模型假设。模型假设是计算与收集的信息的时间敏感度相关联的不确定性的增加的随机过程。如果没有最近特征数据被解释，则不确定性增长。在实施例中，例如，统计计算实施朗之万(Langevin)校正。这修改概率模型以通过在时间间隔期间增加模型方差来考虑数据的时间值。在实施例中，基于布朗运动的物理模型的朗之万模型随着时间线性地增加模型方差。
图4A至图4C示出根据实施例的分析生物生理周期性数据的示例性方法的流程图。可使用本公开中描述的本方法进行分析的生物生理周期性数据的示例包括例如心率(HR)、呼吸速率、流体溶液浓度和身体移动。本方法处理关于随着时间的生物生理特征的特征数据的一个或多个流并输出限定数据的单个流。
参照图4A，在60，输入数据轨62、64和65按逐个特征方式被提供。在实施例中，特征可包括例如心脏的心跳间隔、呼吸速率、步速(step rate)和来自于生物生理传感器的任何其它周期性信号。特征数据流在68被分离为感测事件，并在70被分离为相应时间。在70的输出时间被提供给在图4B继续的处理，在72的输出速率和/或输出试验速率被提供给在图4B和图4C继续的处理。在72，分别基于在68的事件而计算与感测事件相关联的当前速率(thisRate)和与统计假设相关联的试验速率(trialRate)。
在74，接收关于特征的一组固定的或绝对的、生物生理的限制，并且在76，作出关于在72的速率和/或试验速率是否落入由生物生理的限制限定的可接受范围内的确定。如果在76，发现在72的速率和/或试验速率在可接受范围内，则处理在图4B的80继续。否则，在78，落在可接受范围之外的在72的速率和试验速率被丢弃。生物生理的限制被发送到在图4B的80的处理。
参照图4B，如果在76，发现在72的速率和/或试验速率在可接受范围内，则在81，基于在图4A中的在72的速率和在70的时间来更新基于随着跟踪时间窗的统计的最近速率。从输入的最近速率裁剪在图4A的76处落在可接受范围之外的数据点。在82，计算块72的速率的当前速率的变化，得到在84的delta速率(deltaRate)。在86，将随着固定的时间窗而计算的最近速率存储在缓冲器中。
除了在76应用的绝对限制之外，本方法还检测可允许的变化速率已超出限制的条件。通过最近时间窗(诸如，置信间隔)来计算动态限制。例如，基于针对先前窗固定的概率模型来应用90％的置信区间、92％的置信区间或95％的置信区间。
来自于图4C的统计反馈数据被用于修改最近速率滤波器(recentRateFilt)，所述统计反馈数据随着时间窗被计算并被存储在如图4B示出的缓冲器88中。例如，如上所述，最近速率滤波器包括多个卡尔曼滤波器。在进入图4A的框图顶部的不同流中的数据融合在88的最近窗的统计的计算中被管理。参照图4B，在90，计算在88的最近速率滤波器的当前速率变化和在72的试验速率，在92得到delta速率(deltaRateFilt)。
在94，例如通过最大似然决策引擎(生物语义二进制限定器或BBQ)执行统计假设检验和数据融合，以基于在74的生物生理限制、在86的最近速率、在84的delta速率、在92的滤波器delta速率和试验delta滤波器速率以及在图4C的112的统计反馈数据来确定事件类型。在96的结果事件类型被发送到图4C的过程。
参照图4C，基于在图4B中的96的事件类型，判定逻辑在100确定假设类别(例如，类型0、类型1或类型2)。在实施例中，判定规则(判定逻辑)可被设计为问题(例如，“新观察的特征(心跳)应该被接受为合理的吗？”)。所述问题可例如基于特征是否位于每个假设的特定的置信区间内或者可选地通过计算与每个假设相关联的卡方统计(chi-squared statistics)而被概率性地回答。
如果在96的事件类型被确定为属于类型0的假设类别，则在102，不执行关于事件类型的进一步处理。如果在96的事件类型被确定为属于类型1的假设类别，则在104，不修改而使特征通过。如果在96的事件类型被确定为属于类型2的假设类别，则在106，根据合适的模型来修改特征。
在108，将在104和106输出的特征与在图4A的70的时间进行组合以产生具有时间戳的限定的特征。在110，将针对每个时间戳的结果(例如，包括限定后的特征)作为输出而发送到相应的假设类别或类型。可选地，相应权重可被包括在输出中。
此外，在可选实施例中，可对最终结果进行时域平滑来提高精确度，虽然以响应能力为代价。例如，特征流可使用各种数据平滑方法(例如，包括矩形(boxcar)移动平均滤波器、指数移动平均滤波器等)被估计。例如，限定的特征流和平滑后的特征流基于由特征数据流表示的测量的心跳速率提供随着时间的主体的真实心跳速率的两种估计。
在112，基于关于针对对应时间窗的限定特征来计算统计数据，并且过滤条件被开发以更新在图4B中的88的最近速率滤波器。例如，针对在数据流中的时间间隙(time gap)做朗之万校正。在实施例中，在112确定所有需要的过滤条件。在114，将推论输出(例如，包括诸如针对与每个时间戳相应的时间窗的限定特征均值和标准差的统计)发送到缓冲器。窗口化的统计可被用于例如产生关于输出限定特征流的置信量度。
如图5示出的，可在图1的生物生理周期性数据分析器10中使用的示例性计算装置120包括处理器122、内存124、输入/输出装置(I/O)126、存储器128和网络接口130。计算装置的各种组件由本地数据链路132连接，在各种实施例中，所述本地数据链路包括例如地址总线、数据总线、串联总线、并联总线或这些总线的任何组合。
例如，计算装置120可被用于实施图1的生物生理周期性数据分析的方法。存储在计算机可读介质(诸如存储器128或连接到计算装置120的外部存储组件)上的编程代码(诸如源代码、目标代码或可执行代码)可被装载到内存124中并由处理器122执行以执行图1的生物生理周期性数据分析的方法的功能。
本公开的各方面参考流程图或框图在这里被描述，其中，每个块或块的任何组合可由计算机程序指令实现。指令可被提供给通用计算机、专用计算机或其它可编程数据处理设备的处理器以实现机器或制造品，并且当被处理器执行时，指令创建用于实施在图中的每个块或块的组合中指定的功能、行为或事件的方法。
在这点上，在流程图或框图中的每个块可对应于包括用于实施指定的逻辑功能的一个或多个可执行指令的模块、段或代码部分。还应注意，在一些可选实施中，与任何块相关联的功能可以以不同于图中提到的顺序发生。例如，实际上，连续示出的两个块可实质上同时被执行，或者有时块可以以相反的顺序被执行。
本领域普通技术人员将理解，本公开的方面可体现为装置、系统、方法或计算机程序产品。因此，这里一般被称为电路、模块、组件或系统的本公开的方面可被以硬件、软件(包括固件、驻留软件、微代码等)或软件和硬件的任何组合(包括体现在自身上具有计算机可读程序代码的计算机可读介质中的计算机程序产品)实现。
将会理解，可做出各种修改。例如，如果公开的技术以不同顺序被执行和/或如果在公开的系统中的组件以不同方式被组合和/或被其它组件替换或补充，仍能得到有用的结果。因此，其它的实现落入权利要求的范围内。

Claims (19)

1.一种用于分析生物生理周期性数据的装置，包括：
存储器，存储机器指令；
处理器，连接到存储器，执行所述机器指令以：
接收多个特征数据点；
从所述多个特征数据点的满足预定范围的特征数据点提取特征；
执行多个假设检验来确定所述特征是否对应于包括第一假设分布的多个预定的假设分布中的每个假设分布；
如果所述特征对应于第一假设分布，则将所述特征限定为实际特征的限定估计。
2.如权利要求1所述的装置，其中，处理器还执行所述机器指令以确定与特征数据点的第一子集相关联的速率的变化，并且响应于已经确定所述速率的变化在预定的速率限制之外，而消除至少一个特征数据点。
3.如权利要求2所述的装置，其中，所述预定的速率限制包括基于在时间上先于第一子集的特征数据点的第二子集的置信区间。
4.如权利要求1所述的装置，其中，处理器还执行所述机器指令以修改特征数据点的第一子集以创建特征数据点的过滤的子集，确定与过滤的子集相关联的速率的变化并响应于已经确定所述速率的变化在预定的速率限制之外，消除至少一个特征数据点。
5.如权利要求4所述的装置，其中，处理器还执行所述机器指令以实施无迹卡尔曼滤波器以创建特征数据点的过滤的子集。
6.如权利要求1所述的装置，其中，第一假设分布表示多个最近限定估计的统计均值。
7.如权利要求1所述的装置，其中，处理器还执行所述机器指令以基于与第二假设分布相应的特征修改所述特征，并基于与第一假设分布相应的特征将经修改的特征限定为实际特征的限定估计，其中，所述多个假设分布还包括第二假设分布。
8.如权利要求7所述的装置，其中，第二假设分布表示多个最近限定估计的统计均值的一半。
9.如权利要求1所述的装置，其中，则处理器还执行所述机器指令以在如所述特征对应于第三假设分布时拒绝所述特征，其中，所述多个假设分布还包括表示与实际特征不相关的伪影的第三假设分布。
10.一种用于分析生物生理周期性数据的方法，包括：
接收多个特征数据点；
从所述多个特征数据点的满足预定范围的特征数据点提取特征；
执行多个假设检验以确定所述特征是否对应于包括第一假设分布的多个预定的假设分布中的每个；
如果所述特征对应于第一假设分布，则将所述特征限定为实际特征的限定估计。
11.如权利要求10所述的方法，还包括：
确定与特征数据点的第一子集相关联的变化的速率；
响应于已经确定所述变化的速率在预定的速率限制之外，消除至少一个特征数据点。
12.如权利要求11所述的方法，其中，所述预定的速率限制包括基于在时间上先于第一子集的特征数据点的第二子集的置信区间。
13.如权利要求10所述的方法，还包括：
将滤波器应用于特征数据点的第一子集以创建特征数据点的过滤的子集；
确定与过滤的子集相关联的变化的速率；
响应于已经确定所述变化的速率在预定的速率限制之外，消除至少一个特征数据点。
14.如权利要求13所述的方法，其中，所述滤波器包括无迹卡尔曼滤波器。
15.如权利要求10所述的方法，其中，第一假设分布表示多个最近限定估计的统计均值。
16.如权利要求10所述的方法，还包括：
如果所述特征对应于第二假设分布，则修改所述特征；
如果所述特征对应于第一假设分布，则将经修改的特征限定为实际特征的限定估计，其中，所述多个假设分布还包括第二假设分布。
17.如权利要求14所述的方法，其中，第二假设分布表示多个最近限定估计的统计均值的一半。
18.如权利要求10所述的方法，还包括：如果所述特征对应于第三假设分布，则拒绝所述特征，其中，所述多个假设分布还包括第三假设分布。
19.如权利要求16所述的方法，其中，第三假设分布表示与实际特征不相关的伪影。
CN201610066912.8A 2015-01-30 2016-01-29 用于分析生物生理周期性数据的装置和方法 Pending CN105844612A (zh)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
US201562110263P 2015-01-30 2015-01-30
US62/110,263 2015-01-30
US201562112032P 2015-02-04 2015-02-04
US62/112,032 2015-02-04
US201562113092P 2015-02-06 2015-02-06
US62/113,092 2015-02-06
US14/924,565 US20160223514A1 (en) 2015-01-30 2015-10-27 Method for denoising and data fusion of biophysiological rate features into a single rate estimate
US14/924,565 2015-10-27

Publications (1)

Publication Number Publication Date
CN105844612A true CN105844612A (zh) 2016-08-10

Family

ID=56552652

Family Applications (3)

Application Number Title Priority Date Filing Date
CN201610065271.4A Expired - Fee Related CN105832289B (zh) 2015-01-30 2016-01-29 用于使用希尔伯特变换估计生物生理速率的设备和方法
CN201610066912.8A Pending CN105844612A (zh) 2015-01-30 2016-01-29 用于分析生物生理周期性数据的装置和方法
CN201610069683.5A Pending CN105844075A (zh) 2015-01-30 2016-02-01 心血管周期、等值线分析和心率的低功耗、鲁棒估计方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201610065271.4A Expired - Fee Related CN105832289B (zh) 2015-01-30 2016-01-29 用于使用希尔伯特变换估计生物生理速率的设备和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201610069683.5A Pending CN105844075A (zh) 2015-01-30 2016-02-01 心血管周期、等值线分析和心率的低功耗、鲁棒估计方法

Country Status (3)

Country Link
US (3) US20160223514A1 (zh)
KR (3) KR20160094265A (zh)
CN (3) CN105832289B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111867462A (zh) * 2018-03-12 2020-10-30 珀西斯特发展公司 用于针对生物时间序列利用经验零假设的方法和系统

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI547265B (zh) * 2015-06-01 2016-09-01 原相科技股份有限公司 光學式呼吸率偵測裝置及其偵測方法
US11771375B2 (en) 2014-09-26 2023-10-03 Pixart Imaging Inc. Respiration rate detection device and breath detection device adopting motion denoising
WO2018085945A1 (en) * 2016-11-14 2018-05-17 Nuralogix Corporation System and method for camera-based heart rate tracking
KR101809149B1 (ko) 2016-11-25 2017-12-14 한국과학기술연구원 순환계질환 발생잠재도를 판단하는 장치 및 그 방법
TW201838584A (zh) 2017-04-18 2018-11-01 原相科技股份有限公司 能夠消除或避免偏移干擾而可準確量測生理特徵的電子裝置及方法
CN113558596B (zh) * 2017-04-27 2024-08-09 原相科技股份有限公司 量测生理特征的方法
US10973423B2 (en) * 2017-05-05 2021-04-13 Samsung Electronics Co., Ltd. Determining health markers using portable devices
CN107157475B (zh) * 2017-05-11 2020-08-25 陈一昕 心电图数据的显示方法和终端设备
US10959626B2 (en) 2017-06-30 2021-03-30 Samsung Electronics Co., Ltd. Self-powered wearable for continuous biometrics monitoring
EP3669757A1 (en) * 2018-12-18 2020-06-24 Koninklijke Philips N.V. System and method for detecting fluid accumulation
WO2020126764A1 (en) * 2018-12-18 2020-06-25 Koninklijke Philips N.V. System and method for detecting fluid accumulation
CN110338776B (zh) * 2019-07-11 2022-04-01 无锡金童科技有限公司 基于cmos集成电路技术的ppg信号采集芯片及装置
CN111189882B (zh) * 2020-01-14 2022-03-08 天津大学 一种基于相空间拓扑因果的两相流瞬时分相持率预测方法
CN113243900B (zh) * 2021-04-18 2023-05-05 南京理工大学 一种视频心率检测的rPPG信号预处理方法及系统
CN113273986B (zh) * 2021-05-19 2021-12-21 于杨 一种心率变异性分析方法、装置、智能终端及存储介质
CN113854981A (zh) * 2021-09-24 2021-12-31 南京六季光电技术研究院有限公司 一种基于毫米波雷达的运动多人生命体征监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010049622A1 (en) * 2000-02-29 2001-12-06 Gozdeck Karen Walluk Income planner for corporate sales agents
CN1802649A (zh) * 2003-07-24 2006-07-12 罗彻斯特大学 用于图像传感和处理的系统和方法
CN1914623A (zh) * 2004-02-04 2007-02-14 皇家飞利浦电子股份有限公司 用于利用数据融合和假设检验来检测icu患者记录中的伪像的方法和系统
US20110231356A1 (en) * 2009-07-01 2011-09-22 Quantum Leap Research, Inc. FlexSCAPE: Data Driven Hypothesis Testing and Generation System
CN103249357A (zh) * 2010-10-08 2013-08-14 皇家飞利浦电子股份有限公司 周期性生理信号的处理
CN103876783A (zh) * 2014-03-10 2014-06-25 续嘉 可用于监测女性生理周期的可穿戴设备及监测方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5810014A (en) * 1997-03-25 1998-09-22 Davis; Dennis W. Method and system for detection of physiological conditions
US6487523B2 (en) * 1999-04-07 2002-11-26 Battelle Memorial Institute Model for spectral and chromatographic data
CN1336156A (zh) * 2001-08-07 2002-02-20 沈宁 矢量心电图仪
US7054679B2 (en) 2001-10-31 2006-05-30 Robert Hirsh Non-invasive method and device to monitor cardiac parameters
US7200270B2 (en) * 2001-12-13 2007-04-03 Kabushiki Kaisha Toshiba Pattern recognition apparatus and method using distributed model representation of partial images
US7996075B2 (en) * 2004-10-20 2011-08-09 Cardionet, Inc. Monitoring physiological activity using partial state space reconstruction
US7680748B2 (en) * 2006-02-02 2010-03-16 Honda Motor Co., Ltd. Creating a model tree using group tokens for identifying objects in an image
US7729753B2 (en) * 2006-03-14 2010-06-01 Cardionet, Inc. Automated analysis of a cardiac signal based on dynamical characteristics of the cardiac signal
US8388543B2 (en) * 2007-05-16 2013-03-05 The Research Foundation Of State University Of New York Photoplethysmography apparatus and method employing high resolution estimation of time-frequency spectra
WO2009043028A2 (en) * 2007-09-28 2009-04-02 Tiax Llc Measurement of physiological signals
CN101642399B (zh) * 2008-12-16 2011-04-06 中国科学院声学研究所 一种基于频率调制信息的人工耳蜗语音处理方法及处理器
US20120185424A1 (en) * 2009-07-01 2012-07-19 Quantum Leap Research, Inc. FlexSCAPE: Data Driven Hypothesis Testing and Generation System
CN101620504B (zh) * 2009-08-12 2011-09-28 北京红旗中文贰仟软件技术有限公司 一种办公套件中矢量化轨迹识别的方法及装置
JP5936141B2 (ja) * 2010-04-08 2016-06-15 ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア 心臓情報を再構成するためのシステム
CA2803346A1 (en) * 2010-06-22 2011-12-29 University Of Florida Research Foundation, Inc. Systems and methods for estimating pose
JP2012019966A (ja) 2010-07-15 2012-02-02 Nippon Koden Corp ノイズ除去方法及びパルスフォトメータ
KR20120019396A (ko) * 2010-08-24 2012-03-06 삼성전자주식회사 Ｐｈｄ 표준 및 비표준 데이터를 통합 관리하는 단말기 및 서버
CN101972148B (zh) * 2010-11-19 2011-11-16 哈尔滨工业大学 基于经验模态分解的近红外脑功能检测的扰动消除方法
CN102379694B (zh) * 2011-10-12 2014-07-16 中国科学院苏州纳米技术与纳米仿生研究所 心电图r波检测方法
US20140114609A1 (en) * 2012-10-23 2014-04-24 Hewlett-Packard Development Company, L.P. Adaptive analysis of signals
CN103479349B (zh) * 2013-09-25 2017-02-01 深圳市理邦精密仪器股份有限公司 心电信号数据获取及处理方法和系统
CN103892826B (zh) * 2014-04-11 2016-01-13 北京麦迪克斯科技有限公司 基于心电图的心率分析方法及设备
US11055304B2 (en) * 2014-10-17 2021-07-06 Brandeis University System and method for differential analysis

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010049622A1 (en) * 2000-02-29 2001-12-06 Gozdeck Karen Walluk Income planner for corporate sales agents
CN1802649A (zh) * 2003-07-24 2006-07-12 罗彻斯特大学 用于图像传感和处理的系统和方法
CN1914623A (zh) * 2004-02-04 2007-02-14 皇家飞利浦电子股份有限公司 用于利用数据融合和假设检验来检测icu患者记录中的伪像的方法和系统
US20110231356A1 (en) * 2009-07-01 2011-09-22 Quantum Leap Research, Inc. FlexSCAPE: Data Driven Hypothesis Testing and Generation System
CN103249357A (zh) * 2010-10-08 2013-08-14 皇家飞利浦电子股份有限公司 周期性生理信号的处理
CN103876783A (zh) * 2014-03-10 2014-06-25 续嘉 可用于监测女性生理周期的可穿戴设备及监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KEJIA LI ET AL: "Onboard Tagging for Real-Time Quality Assessment of Photoplethysmograms Acquired by a Wireless Reflectance Pulse Oximeter", 《TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111867462A (zh) * 2018-03-12 2020-10-30 珀西斯特发展公司 用于针对生物时间序列利用经验零假设的方法和系统
CN111867462B (zh) * 2018-03-12 2024-04-26 珀西斯特发展公司 用于针对生物时间序列利用经验零假设的方法和系统

Also Published As

Publication number Publication date
KR20160094318A (ko) 2016-08-09
US20160220192A1 (en) 2016-08-04
US10405803B2 (en) 2019-09-10
CN105844075A (zh) 2016-08-10
KR20160094317A (ko) 2016-08-09
CN105832289A (zh) 2016-08-10
CN105832289B (zh) 2020-12-04
US20160223514A1 (en) 2016-08-04
US10478129B2 (en) 2019-11-19
KR102532764B1 (ko) 2023-05-16
US20160220191A1 (en) 2016-08-04
KR20160094265A (ko) 2016-08-09

Similar Documents

Publication Publication Date Title
CN105844612A (zh) 用于分析生物生理周期性数据的装置和方法
Hu et al. Automated detection of postoperative surgical site infections using supervised methods with electronic health record data
US20240057888A1 (en) Method And System For Determining Brain-State Dependent Functional Areas Of Unitary Pooled Activity And Associated Dynamic Networks With Functional Magnetic Resonance Imaging
CN105142516A (zh) 用于确定来自对象的生命体征信息的装置和方法
CN103429150A (zh) 用于监测生理信号的监测装置
CN103930027A (zh) 用于监测患者并检测该患者的谵妄的监测系统
CN103177179A (zh) 诊断因素集合确定设备和方法
CN112652398A (zh) 一种基于机器学习算法的新冠肺炎重症化预测方法及系统
CN107851465A (zh) 经改变的数据集的数据分析中的可靠性度量
Bayrak et al. Hypoglycemia early alarm systems based on recursive autoregressive partial least squares models
KR102169637B1 (ko) 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스
CN116344050A (zh) 一种基于多维度健康管理模型的评测方法
CN106419884B (zh) 一种基于小波分析的心率计算方法与系统
US20230263400A1 (en) System and method for filtering time-varying data for physiological signal prediction
Mukhopadhyay et al. A photoplethysmograph based practical heart rate estimation algorithm for wearable platforms
Beh et al. Machine-Aided PPG Signal Quality Assessment (SQA) for Multi-Mode Physiological Signal Monitoring
Arowolo et al. Detection of COVID-19 from Chest X-Ray Images using CNN and ANN Approach
CN114943695A (zh) 医学序列影像的异常检测方法、装置、设备及存储介质
Jenkins et al. Improving diffusion models for ecg imputation with an augmented template prior
CN115666376A (zh) 用于高血压监测的系统和方法
CN109003680B (zh) 癫痫数据统计方法及装置
Wu et al. ETCNN: An ensemble transformer-convolutional neural network for automatic analysis of fetal heart rate
Brown et al. Detecting repetitions and time features in resistance training using triaxial accelerometry
US20170340272A1 (en) Decision support system for cns drug development
Irshad et al. Intelligent healthcare provided by nano-enhanced biosensing systems: Progress in COVID-19 management via the artificial neural network approach

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160810