CN106132297A - 在线实时采集分析用于评估每搏输出量、心输出量和全身性炎症的电压体积描记法、心电图和脑电图的方法及装置 - Google Patents

在线实时采集分析用于评估每搏输出量、心输出量和全身性炎症的电压体积描记法、心电图和脑电图的方法及装置 Download PDF

Info

Publication number
CN106132297A
CN106132297A CN201480068045.0A CN201480068045A CN106132297A CN 106132297 A CN106132297 A CN 106132297A CN 201480068045 A CN201480068045 A CN 201480068045A CN 106132297 A CN106132297 A CN 106132297A
Authority
CN
China
Prior art keywords
data
voltage curve
ecg data
index
systemic inflammatory
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.)
Granted
Application number
CN201480068045.0A
Other languages
English (en)
Other versions
CN106132297B (zh
Inventor
艾瑞克·韦伯·詹森
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.)
Quantium Medical SL
Original Assignee
Quantium Medical SL
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 Quantium Medical SL filed Critical Quantium Medical SL
Publication of CN106132297A publication Critical patent/CN106132297A/zh
Application granted granted Critical
Publication of CN106132297B publication Critical patent/CN106132297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • A61B5/026—Measuring blood flow
    • A61B5/0295—Measuring blood flow using plethysmography, i.e. measuring the variations in the volume of a body part as modified by the circulation of blood therethrough, e.g. impedance plethysmography
    • 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
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Hematology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Psychology (AREA)
  • Pulmonology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了通过从胸部测得的电压、心电图和脑电图中提取的模糊逻辑组合特征来测定每搏输出量、心输出量和全身性炎症的装置，所述装置包括：a)用于测量脑电图的传感器；b)用于测量心电图的传感器；c)从心电图中计算心率变异性；d)两个电极，所述两个电极用来测量通过另两个电极中的一恒流发生器所产生的电压；e)计算每次心跳的电压曲线下的面积；f)计算电压曲线的倒数；g)计算EEG与ECG之间的传递熵；h)采用自适应神经模糊推理系统(ANFIS)或任何其他推理器将至少3个提取的参数组合成心输出量的一最终指标；i)采用自适应神经模糊推理系统或任何其他推理器将至少3个提取的参数组合成全身性炎症的一最终指标。

Description

在线实时采集分析用于评估每搏输出量、心输出量和全身性 炎症的电压体积描记法、心电图和脑电图的方法及装置
前言
由于患者的血流动力学状态可能发生较快的变化，所以心输出量的持续监测将提供用于快速调整治疗的信息。
近30多年来，肺动脉导管(PAC)热稀释法已被普遍采纳，且与其他方法相比仍然是临床标准。
用于监测心输出量(CO)的参考方法是肺动脉导管(PAC)监测。PAC也被叫做Swan-Ganz导管，以该项技术的发明者来命名。PAC被引入到腔静脉，然后通过心脏，导管的尖端放置在肺动脉。
长期使用后，人们在技术、临床应用和不足方面已有很多经验。多年以来，许多新技术尝试取代这种热稀释法，既有侵入性方法，又有非侵入性方法。
五十年前，生物阻抗法被引进。作为一种简单、低成本的方法，它以非侵入的方式给出关于心血管系统和/或机体的(脱)水合状态的信息。为了改善相关胸阻抗方法，这些年以来，出现了多种胸阻抗测试系统。这些系统确定每搏输出量(SV)或在一个逐搏时基上的CO。超过150项的有效性研究已经被报道，并具有与参考方法相比的不同结果。当电极直接放入左室泵而非胸部时，这项技术的精确度增加了(伴随它的侵入力)。或者，可以通过采用先进的声音处理或将几个参数结合到心输出量的最终估计中而提高精确度。
背景技术
本发明采用注入恒定的电流并测定电压值。然而，由于测量电压时的电流是恒定的，电压与阻抗成正比，因此，将在接下来的部分对生物阻抗的概念进行描述。
最初Kubicek在1967.9.12申请的美国专利号3 340 867中描述了身体部位的生物阻抗测量。这项发明描述了阻抗体积描记法，特别是用于测量心输出量的阻抗体积描记法。其权利要求包括胸腔较上面和较下面的电极的位置。
后来，优先权日为1973.9.27、美国专利号3 835 840的美国专利中描述了身体部位的生物阻抗测量、阻抗体积描记法、装置和方法。这项专利描述了采用电阻抗作为主动脉或其他动脉的血流量相关性的方法。
Sramek在1982.6.29申请了专利号为4450527的专利“无创持续心输出量监测仪”，其中对原始的Nyboer方程做了修正。
参数组合
为了定义每搏输出量、心输出量和炎症指数，所述设备采用ANFIS模型来组合参数。
将从两个传感器和患者的人口统计数据提取的参数用作自适应神经模糊推理系统(Adaptive Neuro Fuzzy Inference System(ANFIS))的输入。
ANFIS综述
ANFIS是模糊逻辑系统和神经元网络之间的杂化，它不采取任何数学函数来控制输入和输出的关系。ANFIS采用数据驱动方法，在该方法中训练数据决定系统的行为。
图6展示的五层ANFIS具有以下功能：
第一层的每个节点存储用以定义钟型隶属函数的3个参数。每个节点与一个输入节点准确连接，每个节点计算获得的输入值的隶属度。
第二层的一个节点表示一条规则，每个节点被连接到上一层的所有节点，上一层的所有节点是从该规则的前提部分中得来。一个节点的所有输入信号是隶属度，所有输入信号的乘积可以确定所代表的规则的完成程度(the degree of fulfilment)。
第3层，对于每条规则来说，都有一个节点来通过归一化方程计算每条规则的相对完成程度。每个节点都被连接到第2层的所有规则节点。
第4层的节点被连接到所有输入节点，并刚好与第3层的一个节点相连接。每个节点计算一条规则的输出。
第5层的一个输出节点通过将来自第4层的所有输出信号求和来计算最终输出。
将神经元网络理论中的标准学习算法应用到ANFIS中。采用反向传播算法来学习前期参数，例如，隶属函数；在规则的结论中，采用最小二乘估计来确定线性组合的系数。该学习算法中的一步具有两次迭代。在第一次迭代中，输入模式(输入信号)正向传递，而此时为了通过训练集的当前周期固定前提参数，并采用迭代的最小均方算法来评估最优的结论参数。在第二次迭代中，模式再一次反向传播。在这次迭代中，反向传播用来修正前期参数，而结论参数仍被固定。根据所需训练次数(epoch)，重复这个算法。由于LMS算法决定一次迭代中的最优参数结果，如果基于专业知识最初的前期参数选择恰当，一次就足够；如果通过采用梯度下降法前期参数的变化不显著，LMS计算的结果也将不会产生其他结果。例如，在一个2-输入，2-规则系统，规则1被定义为：
如果x＝A，y＝B，那么f1＝p1x+q1y+r1
其中，p,q和r是线性的，被称为结论参数或唯一结论。由于高阶Sugeno fuzzy模型以较小的明显优点引入大的复杂性，最常见的f是一阶。
种类数
ANFIS系统的输入被模糊成许多预定的种类。种类的数目应大于或等于2。种类数可以由不同方法决定。在传统的模糊逻辑中，由专家定义种类。但该方法只能应用在专家能够显而易见地知道在两个种类之间的哪个位置放置地标的情况下。ANFIS优化地标的位置，如果定义种类的参数的初始值很接近最优值，然而梯度下降法更快地达到其最小值。默认地，通过将从所有数据的最小值到最大值的间隔分成n个相等的间隔(其中，n是种类数)而选择ANFIS初时地标。也可以通过将数据绘制在图表中，视觉上决定种类的足够数目，采用FIR，通过明显的聚类方法或Markov模型进行排列来选择种类的数目。本发明中默认选择ANFIS，它显示超过3个种类会在验证阶段带来不稳定性，因此，采用2或3个种类。
输入的数目
种类数和输入数都增加了模型的复杂度，例如，参数的数目。举例来说，带有4个输入的体系，通过以下2个公式，每个输入被模糊成由36个前期参数(非线性)和45个结论参数(线性)组成的3个种类：
前期参数＝种类数×输入数×3
结论参数＝种类数输入数×(输入数+1)
为获得一个有意义的参数的解决方案，输入-输出的对数一般应是比参数的数目大很多(至少大10倍)。
稳定基准(Stability criteria)
很遗憾在神经-模糊系统中不存在对稳定基准的定义。最有用的确保稳定性的工具是在一个特定数据集的情况下通过与ANFIS或其他某些神经-模糊系统工作获得的经验，以及例如将模拟获得的极端数据进行测试来获得的经验。
次数(Number of epochs)
ANFIS采用均方根误差(RMSE)来验证训练结果，在每次训练后，RMSE验证误差可以从验证数据集中计算出来。一次训练(epoch)被定义成前期参数和结论参数的一次更新。训练次数的增多将会减少训练误差。
其他术语
术语“脑电图(electroencephalography(EEG))”在下文中指沿头皮电活动的记录。EEG测量由大脑神经元内离子电流流动引起的电压波动。在临床情况下，EEG指从放置在头皮上的多个电极记录下的大脑的自发性电活动的记录。诊断应用一般把重心放在EEG的光谱内容，即能在EEG信号中观察到的神经振荡的类型。
术语“肌电图(electromyography(EMG))”在下文指一项用于评估和记录骨骼肌产生的电活动的技术。采用一个叫肌动电流描记器的设备来执行EMG以产生一个叫肌电图的记录。肌动电流描记器探测肌肉细胞在电激活或神经激活下产生的电势。分析产生的信号可以探测医疗异常、激活水平、募集顺序或分析人或动物运动的生物力学。
术语“qCON”指从EEG衍生来的催眠效应的指标。EEG是来自正面电极(图1)(3)的记录、放大(5)和数字化(7)。从EEG(8)提取特征，在这里计算qCON。qCON被定义为从0到99的等级，其中80-99代表醒着，60-80为镇静、40-60为麻醉的足够深度、0-40为深麻醉。在这些文章中进一步描述了qCON：Jensen EW,Valencia JF,López A,Anglada T,Ramos Y,Serra R,Jospin M,Pineda P,Gambus P.Monitoring hypnotic effect and nociception withtwo EEG derived indices,qCON and qNOX,during general anaesthesia(在全身麻醉期间，用两个脑电图衍生的指标，qCON和qNOX,监测催眠效应和伤害感受).ActaAnaesthesiol Scand.2014Sep；58(8):933-41。
术语“心电图(electrocardiography(ECG)”在下文中指心脏在一周期内的电活动的跨胸廓(穿过胸腔)解释，它通过附加在皮肤表面的电极来检测，并通过体外的设备来记录。这项非入侵技术产生的记录被称为心电图。一个ECG获得心脏组织的去极化产生的电脉冲，并将其转换成波形图。然后将该波形图用于测量心跳的频率和规律性，以及心室的尺寸和位置，对心脏存在的任何伤害，用于调节心脏的药物或设备的影响，例如起搏器。
术语“快速傅里叶变换(FFT)”在下文中指用于计算离散傅里叶变换(DFT)及其倒数的一种算法。一个傅里叶变换将时间(或空间)转换成频率，反之亦然；FFT快速计算这些变换。结果，快速傅里叶变换被广泛用在工程、科学和数学。
术语“RR间期”指在ECG中相邻R-峰之间的时间。
从RR间期中提取了以下参数，如表1所示。这些都是通过所述设备进行计算。NNi指RR间期。
表1时域和频域变量
本发明中用于监测心输出量的详细说明
本发明的新颖之处在于将从电压体积描记曲线中提取的一些参数和心率变异性进行组合。所述电压体积描记曲线是通过在胸腔上的上电极和最低电极之间采用400uA的恒定电流来实现，见图1中的(1)和(2)。所述电压体积描记曲线也指电压体积描记图(voltage plethysmogram(VP))或电压曲线。所述电压曲线是每次心跳所获得，连续的曲线一般具有类似的形态。测量临近上电极和最低电极(内部电极)的电极之间的电压。所述电流将寻求最低阻抗的路径，例如，血液填充的动脉。所述电压曲线和ECG也以同样的电极(1)(2)进行记录、放大(4)、数字化(6)。从所述电压曲线和ECG中提取特征(9)，这些特征被送入ANFIS模型(11)，在这里输出心输出量(11)和最终的炎症指标(12)。
每次心跳的电压体积描记法与每搏输出量(SV)相关。所述电压体积描记图(VP)会呈现周期性波动，可以从这检测到心率(HR)。所述HR也能从ECG中检测出来，这两者相比可确保正确的性能。心输出量(CO)可以从SV和HR中通过以下公式计算出来：
CO＝HR x SV.
图2展示了电压曲线的一个典型性例子。变量tc是主动脉瓣的开放时间，区域A与SV初始关联。A是通过将电压体积描记图对周期tc进行积分而计算得出。tc的起始时间被定义为VP在5-15％范围内增加，而tc的结束时间被定义为VP稳定在1-5％内变化的区间的起点。
最大正振幅和最大负振幅是从电压曲线评估得出。电压曲线的最大正振幅(maxHpos)和最大负振幅(maxHneg)如图2所示。此外，VP的导数也被计算。导数的最大值被叫做并用作ANFIS1模型的一项输入。从dV/dt曲线中，左心室射血时间(LVET)可以被估计成在所述周期(RR间期)内从dv/dt开始增加(图3上B)后的20-30％直到dv/dt的最小值(图3上X)的时间。
图3展示了电压体积描记图的导数的示意例，这表明了左心室射血时间(LVET)。图4展示了本发明中采用图形用户界面(GUI)显示VP的记录，而图5展示了本发明中采用GUI的VP和ECG。
本发明中用于CO部分的完整处理系统包括2个ANFIS模型。
ANFIS1(710)将从所述电压体积描记图中提取的参数作为输入，在一优选实施例中，至少存在3个输入，如图7所示，然而较多的输入也被包括在内。由于ANFIS2(720)的输入，也是用SV的简单估计，叫做SV圆柱估计(SV cylinder estimate)
S V c y l i n d e r e s t i m a t e = kL 2 m a x ( d V d t ) t c
其中，L是躯干(可以是较低和较上电极对之间的距离)的长度，max(dV/dt)是电压体积描记图的导数的最大值，常数k调节SV至50-150ml的正常范围。
RR间期也是ANFIS 2的一项输入。RR是HR的倒数，因此CO可以被计算成：
CO＝SV/RR。
CO的范围是0-25l/min，而正常生理学的范围是4-8l/min。
最后，把性别、年龄也添加并输入到ANFIS2中。ANFIS2的输出是心输出量(CO)的最终估计。ANFIS模型的训练是用大量数据进行，从而让患者知道CO。训练界定所述ANFIS模型的参数，然后，当提交所述输入到模型中时，ANFIS模型能预测CO。ANFIS模型的输出界定CO。
炎症指标的背景技术
Tracey的工作(Tracey,K.Understanding immunity requires more thanimmunology.Nat.Immunol.2010；11,561-564)已经清楚地定义了迷走神经的角色，迷走神经作为从攻击点到脑的传入传感器，从治疗点的角度来说，由于它的刺激促进炎症强度的过程，也许更重要的是其在反射的传出神经通路中。迷走神经，第10对脑神经，运送副交感神经系统的神经通路的纤维将其分支出去并到达每个器官。由炎症应答引起的改变的细节被(Huston JM,Tracey KJ.The pulse of inflammation:heart rate variability,thecholinergic anti-inflammatory pathway and implications for therapy(炎症的脉搏：心率变异性，胆碱能抗炎通路及对治疗的启示).J Intern Med.2011Jan；269(1):45-53)发表。
胆碱能性抗炎通路刺激迷走神经。心脏的迷失神经刺激导致心率变异性(HRV)的改变。采用数学技术，例如光谱分析来研究HRV，可以确认频率。所述频率与由副交感神经主宰的变化增加的特异性有关，也可能与迷走神经胆碱能活性的估计有关，根据1996年的ESC特别工作组(ESC Task Force)，通过分析HRV的快速频率分量可以来估计迷走神经胆碱能活性。
炎症的机制诱导行为和机体的变化，构成了与疾病有关的炎症综合症。最初，炎症是在控制之下，炎症通过分子和细胞促进了愈合。但当炎症不能适当补偿时，炎症对患者带来严重后果。炎症级联反应对患者的自身组织是非常有攻击性的，会导致败血症，甚至死亡。
至于外科攻击和产生的神经炎症，正如已被动物实验研究证实的一样，所述补偿的缺少延续了炎症神经元的参与，导致介质中的认知障碍。这个假设能证明检测到的高比例的认知改变，与高年龄的发病率增加之外的其他病因无明显关系。
专利申请PCT/IB2013/054615“METHOD AND SYSTEM FOR ASSESSING LIKELIHOODOF SEPSIS”(用于评估败血症可能性的方法和系统)公开了用于检测败血症的系统，然而本专利的不同之处在于采用ANFIS模型来组合参数。PCT/IB2013/054615公开的系统采用本发明中未采用的射频输入。
专利申请PCT/CA2012/000243“METHOD AND SYSTEM FOR DETERMINING HRV ANDRRV AND USE TO IDENTIFY POTENTIAL CONDITION ONSET”(用于确定HRV和RRV的方法和系统，及其在确认潜在病情发展的用途)公开了一种采用HRV和呼吸率变异性(RRV)用来在婴幼儿患者中检测败血症的系统，但是它没有像本发明一样采用ANFIS模型。
申请号为200501377484的美国专利申请“Method and apparatus for the earlydiagnosis of subacute,potentially catastrophic illness”(用于亚急性、潜在灾难性疾病早期诊断的方法和装置)旨在用到婴幼儿和新生儿上，它本身没有像本发明一样覆盖完整的年龄范围，而且它没有像本申请一样采用ANFIS模型。
美国专利申请US7941199B2公开了一种用于评估败血症的方法，但它既没有采用心率变异性，也没有采用ANFIS，因此本发明显著不同。
美国专利申请US 20110137852A1,“Sepsis Monitoring and Control”包括了心率的使用，但不包括心率变异性、ANFIS，因此，本发明是本质上不同的。
本发明中用于计算炎症指标的说明
本发明的第二个目的是监控炎症程度，通常但不一定是，重症监护病房的危重患者的炎症程度，监控炎症程度是通过分析心率变异性来进行，以及以从脑电图(EEG)衍生出的QCon催眠效应指数为评估例，通过修正麻醉深度的影响带来的变化来监控炎症程度。
本发明记录心电图(ECG)，从ECG中提取R-R间期和其他特征，例如p，q，r和t峰间的间距。此外，对RR间期进行FFT，从中定义心率变异性(HRV)。从HRV中，提取不同频段，例如HF和LF，见表1。
其他参数的提取也如表1所述，如RMSSD,SDSD,PNN50。
在ECG上直接进行FFT，心率的整体变化可以在光谱中检测。如图9所示，右侧来自清醒健康的对象(910)的光谱比左侧来自模拟ECG(900)的光谱宽很多。
如图8所示，从ECG衍生出的参数被输入到ANFIS模型(810)，在第二步中将它们与人口统计数据和qCON(820)相组合以确定炎症的最终指标。
这一指标的新颖之处在于，在模型中使用EEG衍生的指标，qCON，用于补偿HRV通常是受镇静期间患者的意识程度影响的这一事实。HRV通常由于麻醉的影响降低，但由于已知麻醉的深度是来自qCON的值，因此qCON和初始炎症指标被输入到ANFIS4模型，在这里以最终炎症指标是为了补偿麻醉深度的方式自动生成一条模糊规则。
本发明的另一新颖之处是应用从EEG到ECG的传递熵。符号转移熵测量源信号X对目标信号Y的因果影响，且是基于信息理论。在这里EEG等于X，而ECG等于Y。从信号X到Y的信息转移是通过两个互信息值I[YF；XP,YP]和I[YF；YP]的差异来衡量，其中XP，YP和YF分别是源信号的过去、目标信号的过去和目标信号的将来。所述差异与从源信号XP的过去到目标信号YF的将来所传递的信息相一致，而不是从目标信号自身的过去到目标信号YF的将来所传递的信息相一致。因此这里纳入文章“Vicente R,Wibral M,Lindner M,Pipa G:Transfer entropy—A model-free measure of effective connectivity for theneurosciences.J Comput Neurosci 2011；30:45–67”作为参考。(维森特R，威勒尔M，林德纳M,皮帕G:传递熵—用于神经科学的有效连接的无模型测量.计算神经科学杂志2011；30:45-67)。从EEG到ECG的传递熵，并输入到确定初始炎症指标的ANFIS3(810)模型。传递熵的脑电心电信号送入anfis3(810)模型，定义了初始炎症指数。在优选实施例中，从脑电心电传递熵，计算出频率最高的能量含量在脑电频谱的高频心电RR间期的。
在一优选实施例中，从EEG到ECG的传递熵，是从EEG的FFT光谱中带最高能量含量的频率到ECG中R-R间期的HF而计算得出。
ANFIS4(820)的输出是最终炎症指标，当患者患败血症时，最终炎症指标是低于50，当患者如图10所示已经康复时，最终炎症指标是高于200。最终炎症指标的范围是0到300，而该指标是没有单位的。
附图说明
图1是用于评估心输出量和最终炎症指标的完整系统。
图2是电压体积描记图的原理图。
图3是电压体积描记图的一阶导数示意图。
图4是记录电压体积描记图的例子。
图5是电压体积描记图和ECG的例子。
图6是Sugeno型自适应神经模糊推理系统(ANFIS)的结构。
图7是用于评估心输出量的含有2个ANFIS模型的数字信号处理途径。
图8是用于评估炎症指标的含有2个ANFIS模型的数字信号处理途径。
图9是来自模拟信号(900)，以及来自清醒健康的受试者(910)的心率的变异性的一个例子。
图10是从HRV和最终炎症指标中提取的频率参数的行为的例子。

Claims (25)

1.一种用于在对象中测定每搏输出量、心输出量或全身性炎症的设备，包括至少一个处理器和耦合到所述处理器的至少一个计算机可读介质，所述至少一个计算机可读介质包括通过所述至少一个处理器执行的一操作，所述操作为：
a.接收数据，所述数据选自脑电图数据、心电图数据和每次心跳通过一恒流发生器产生的电压曲线中的一种或多种；
b.从所述数据中计算选自下组的至少3个参数：来自所述心电图数据的心率变异性、来自所述心电图数据的心率、来自所述心电图数据的RMSSD、来自所述心电图数据的SDSD、来自所述心电图数据的pNNN50、来自所述心电图数据的高频、来自所述心电图数据的归一化的高频、来自所述心电图数据的低频、每次心跳的所述电压曲线下的面积、所述电压曲线的导数、来自所述电压曲线的最大正振幅、来自所述电压曲线的最大负振幅，以及所述脑电图数据与所述心电图数据之间的传递熵；
其特征在于，所述至少一个计算机可读介质还包括组合所述至少3个参数成一指标的操作，所述组合所述至少3个参数成一指标的操作通过一自适应神经模糊推理系统或任何其他分类器进行，所述指标选自心输出量的最终指标、全身性炎症的初始指标和每搏输出量的最终指标中的一种或多种。
2.如权利要求1所述的设备，其特征在于，所述心率变异性是通过对R-R间期的总能量和子波段的能量采用快速傅里叶变换而进行计算得出，所述子波段的能量例如所述心电图数据的高频和低频。
3.如权利要求1所述的设备，其特征在于，所述电压曲线的导数是通过从所述电压曲线数据中提取最大值的发生时间和最大值进行计算得出。
4.如权利要求1所述的设备，其特征在于，所述脑电图数据与所述心电图数据之间的所述传递熵，是经由迷走神经从所述脑电图数据到所述心电图数据的符号传递熵进行计算得出。
5.如权利要求1所述的设备，其特征在于，用于计算所述每搏输出量的最终指标的所述至少3个组合参数，选自每次心跳的所述电压曲线下的所述面积、所述电压曲线的所述导数、来自所述电压曲线的所述最大正振幅和所述最大负振幅中的一种或多种。
6.如权利要求1所述的设备，其特征在于，用于计算所述全身性炎症的初始指标的所述至少3个组合参数，为所述高频、所述RMSSD和从脑电图到心电图的所述传递熵。
7.如权利要求6所述的设备，其特征在于，所述至少一个计算机可读介质还包括，从所述脑电图数据中提取qCON催眠效应指标的操作，以及通过其修正所述全身性炎症的初始指标以生成全身性炎症的最终指标的操作。
8.如权利要求1所述的设备，其特征在于，所述设备还包括用于接收数据的至少一个传感器，所述数据选自脑电图数据、心电图数据和每次心跳通过一恒流发生器产生的电压曲线中的一种或多种。
9.如权利要求8所述的设备，其特征在于，用来测量所述脑电图数据的所述传感器包括至少3个电极，所述至少3个电极放置在所述对象的前额。
10.如权利要求8所述的设备，其特征在于，用来测量所述心电图数据的所述传感器包括至少2个电极，所述至少2个电极放置在所述对象的胸部。
11.一种用于在对象中测定每搏输出量、心输出量或全身性炎症的方法，包括以下步骤：
a.接收数据，所述数据选自脑电图数据、心电图数据和每次心跳通过一恒流发生器产生的电压曲线中的一种或多种；
b.从所述数据中计算选自下组的至少3个参数：来自所述心电图数据的心率变异性、来自所述心电图数据的心率、来自所述心电图数据的RMSSD、来自所述心电图数据的SDSD、来自所述心电图数据的pNNN50、来自所述心电图数据的高频、来自所述心电图数据的归一化的高频、来自所述心电图数据的低频、每次心跳的所述电压曲线下的面积、所述电压曲线的导数、来自所述电压曲线的最大正振幅、来自所述电压曲线的最大负振幅，以及所述脑电图数据与所述心电图数据之间的传递熵；
其特征在于，所述方法还包括组合所述至少3个参数成一指标的步骤，所述组合所述至少3个参数成一指标的步骤是通过一自适应神经模糊推理系统或任何其他分类器进行，所述指标选自心输出量的最终指标、全身性炎症的初始指标和每搏输出量的最终指标中的一种或多种。
12.如权利要求11所述的方法，其特征在于，所述心率变异性是通过对R-R间期的总能量和子波段的能量采用快速傅里叶变换而进行计算得出，所述子波段的能量例如所述心电图数据的高频和低频。
13.如权利要求11所述的方法，其特征在于，所述电压曲线的导数是通过从所述电压曲线数据中提取最大值的发生时间和最大值进行计算得出。
14.如权利要求11所述的方法，其特征在于，所述脑电图数据与所述心电图数据之间的所述传递熵，是经由迷走神经从所述脑电图数据到所述心电图数据的符号传递熵进行计算得出。
15.如权利要求11所述的方法，其特征在于，用于计算所述每搏输出量的最终指标的所述至少3个组合参数，选自每次心跳的所述电压曲线下的所述面积、所述电压曲线的所述导数、来自所述电压曲线的所述最大正振幅和所述最大负振幅中的一种或多种。
16.如权利要求11所述的方法，其特征在于，用于计算所述全身性炎症的初始指标的所述至少3个组合参数，为所述高频、所述RMSSD和从脑电图到心电图的所述传递熵。
17.如权利要求16所述的方法，其特征在于，所述至少一个计算机可读介质还包括，从所述脑电图数据中提取qCON催眠效应指标的操作，以及通过其修正所述全身性炎症的初始指标以生成全身性炎症的最终指标的操作。
18.如权利要求11所述的方法，其特征在于，所述接收数据的步骤，是通过至少一个传感器来执行，所述数据选自脑电图数据、心电图数据和每次心跳通过一恒流发生器产生的电压曲线中的一种或多种。
19.一种用于在对象中测定每搏输出量、心输出量或全身性炎症的装置，所述装置包括：
a.用来接收数据的至少一个传感器，所述数据选自脑电图数据、心电图数据和每次心跳通过一恒流发生器产生的电压曲线中的一种或多种；
b.至少一个处理器；以及
c.耦合到所述处理器的至少一个计算机可读介质，所述至少一个计算机可读介质包括通过所述至少一个处理器执行的一操作，所述操作是从所述数据中计算选自下组的至少3个参数：来自所述心电图数据的心率变异性、来自所述心电图数据的心率、来自所述心电图数据的RMSSD、来自所述心电图数据的SDSD、来自所述心电图数据的pNNN50、来自所述心电图数据的高频、来自所述心电图数据的归一化的高频、来自所述心电图数据的低频、每次心跳的所述电压曲线下的面积、所述电压曲线的导数、来自所述电压曲线的最大正振幅、来自所述电压曲线的最大负振幅，以及所述脑电图数据与所述心电图数据之间的传递熵；
其特征在于，所述至少一个计算机可读介质还包括组合所述至少3个参数成一指标的操作，所述组合所述至少3个参数成一指标的操作通过一自适应神经模糊推理系统或任何其他分类器进行，所述指标选自心输出量的最终指标、全身性炎症的初始指标和每搏输出量的最终指标中的一种或多种。
20.如权利要求16所述的装置，其特征在于，用来测量所述脑电图数据的所述传感器包括至少3个电极，所述至少3个电极放置在所述对象的前额。
21.如权利要求20所述的装置，其特征在于，用来测量所述心电图数据的所述传感器包括至少2个电极，所述至少2个电极放置在所述对象的胸部。
22.如权利要求20所述的装置，其特征在于，所述脑电图数据与所述心电图数据之间的所述传递熵，是经由迷走神经从所述脑电图数据到所述心电图数据的符号传递熵进行计算得出。
23.如权利要求20所述的装置，其特征在于，用于计算所述每搏输出量的最终指标的所述至少3个组合参数，选自每次心跳的所述电压曲线下的所述面积、所述电压曲线的所述导数、来自所述电压曲线的所述最大正振幅和所述最大负振幅中的一种或多种。
24.如权利要求20所述的装置，其特征在于，用于计算所述全身性炎症的初始指标的所述至少3个组合参数，为所述高频、所述RMSSD和从脑电图到心电图的所述传递熵。
25.如权利要求24所述的装置，其特征在于，所述至少一个计算机可读介质还包括，从所述脑电图数据中提取qCON催眠效应指标的操作，以及通过其修正所述全身性炎症的初始指标以生成全身性炎症的最终指标的操作。
CN201480068045.0A 2013-12-13 2014-12-15 用于在对象中测定全身性炎症的指标的装置 Active CN106132297B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DKPA201300689 2013-12-13
DKPA201300689 2013-12-13
PCT/DK2014/000061 WO2015086020A1 (en) 2013-12-13 2014-12-15 Methods and apparatus for the on-line and real time acquisition and analysis of voltage plethysmography, electrocardiogram and electroencephalogram for the estimation of stroke volume, cardiac output, and systemic inflammation.

Publications (2)

Publication Number Publication Date
CN106132297A true CN106132297A (zh) 2016-11-16
CN106132297B CN106132297B (zh) 2019-11-26

Family

ID=53370643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480068045.0A Active CN106132297B (zh) 2013-12-13 2014-12-15 用于在对象中测定全身性炎症的指标的装置

Country Status (4)

Country Link
US (1) US10285606B2 (zh)
EP (1) EP3188658A4 (zh)
CN (1) CN106132297B (zh)
WO (1) WO2015086020A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110740681A (zh) * 2017-06-14 2020-01-31 昆腾医疗公司 用于估计患者的脑血容量和/或脑血流量和/或麻醉深度的系统和方法
CN112826451A (zh) * 2021-03-05 2021-05-25 中山大学 一种麻醉深度及睡眠深度的评估方法及装置
CN117899356A (zh) * 2023-12-28 2024-04-19 广东省中医院（广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院） 一种自适应耳迷走神经刺激装置

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9849241B2 (en) 2013-04-24 2017-12-26 Fresenius Kabi Deutschland Gmbh Method of operating a control device for controlling an infusion device
WO2015086020A1 (en) 2013-12-13 2015-06-18 Quantium Medical Sl Methods and apparatus for the on-line and real time acquisition and analysis of voltage plethysmography, electrocardiogram and electroencephalogram for the estimation of stroke volume, cardiac output, and systemic inflammation.
JP6761468B2 (ja) * 2015-07-17 2020-09-23 クァンティウム メディカル エスエレ 覚醒、鎮静及び全身麻酔中の意識、痛み及び侵害受容のレベルを評価するデバイス及び方法
US11723579B2 (en) 2017-09-19 2023-08-15 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement
EP3684249A1 (en) * 2017-09-20 2020-07-29 Quantium Medical S.L. System and method for estimating the stroke volume and/or the cardiac output of a patient
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
US10709386B2 (en) 2017-12-12 2020-07-14 Lear Corporation Electrocardiogram waveform identification and diagnostics via electrophysiological sensor system fusion
CN111671410A (zh) * 2017-12-22 2020-09-18 森斯弗里有限公司 连续血压测量
US11478603B2 (en) 2017-12-31 2022-10-25 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to enhance emotional response
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
CN109044275B (zh) * 2018-08-07 2021-12-14 华侨大学 基于模糊推论系统的非侵入感测睡眠质量分析系统与方法
US11452839B2 (en) 2018-09-14 2022-09-27 Neuroenhancement Lab, LLC System and method of improving sleep
CN109770861B (zh) * 2019-03-29 2022-04-12 广州视源电子科技股份有限公司 心电节律模型的训练及检测方法、装置、设备和存储介质
US11786694B2 (en) 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep
US20240041383A1 (en) * 2020-12-11 2024-02-08 Gen Shinozaki Devices, systems, and methods for quantifying neuro-inflammation
CN113558632B (zh) * 2021-07-26 2023-10-20 中国人民解放军陆军军医大学 基于心脑电信号的心肺复苏后神经功能结局评估系统
CN114209339B (zh) * 2021-12-14 2024-03-29 山东大学 一种用于心肺复苏的实时脑电监测系统
WO2023131856A1 (en) 2022-01-05 2023-07-13 Coresys-Health Sl Method and apparatus for determining the level of sepsis

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101297297A (zh) * 2005-10-25 2008-10-29 卡特彼勒公司 医疗风险分层方法和系统
CN101579233A (zh) * 2008-05-14 2009-11-18 深圳市盛力康实业发展有限公司 一种心血管功能检测方法、系统及装置
US20110190601A1 (en) * 2001-10-11 2011-08-04 Osypka Markus J System for Determining the Left-Ventricular Ejection Time TLVE of a Heart of a Subject
CN103038772A (zh) * 2010-03-15 2013-04-10 新加坡保健服务集团有限公司 预测患者的存活性的方法
CN103153178A (zh) * 2010-07-23 2013-06-12 昆腾医疗公司 用于结合麻醉药和止痛药的药物效应相互作用与评估麻醉期间意识水平的脑电图的装置
CN103491868A (zh) * 2010-12-28 2014-01-01 索泰拉无线公司 用于心输出量、每搏输出量、心力以及血压的连续、无创测量的身体佩戴式系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3340867A (en) 1964-08-19 1967-09-12 Univ Minnesota Impedance plethysmograph
US3835840A (en) 1973-09-27 1974-09-17 Hope City Impedance plethysmography method and apparatus
US4450527A (en) 1982-06-29 1984-05-22 Bomed Medical Mfg. Ltd. Noninvasive continuous cardiac output monitor
DE69940153D1 (de) 1998-03-17 2009-02-05 Univ Virginia Verfahren und vorrichtung zur frühdiagnose von subakuten, potentiell katastrophalen krankheiten
US6572542B1 (en) 2000-03-03 2003-06-03 Medtronic, Inc. System and method for monitoring and controlling the glycemic state of a patient
US8112148B2 (en) * 2004-12-17 2012-02-07 Medtronic, Inc. System and method for monitoring cardiac signal activity in patients with nervous system disorders
US7941199B2 (en) 2006-05-15 2011-05-10 Masimo Laboratories, Inc. Sepsis monitor
US20080013747A1 (en) * 2006-06-30 2008-01-17 Bao Tran Digital stethoscope and monitoring instrument
US8412655B2 (en) 2007-11-13 2013-04-02 Oridion Medical 1987 Ltd. Medical system, apparatus and method
US20100280372A1 (en) 2009-05-03 2010-11-04 Pieter Poolman Observation device and method
US8527449B2 (en) 2009-11-05 2013-09-03 Mayo Foundation For Medical Education And Research Sepsis monitoring and control
WO2012122637A1 (en) 2011-03-17 2012-09-20 Mcgregor Carolyn Patricia Method and system for determining hrv and rrv and use to identify potential condition onset
CN104334076B (zh) 2012-06-05 2018-04-03 奇塔医疗公司 评估脓毒症可能性的方法和系统
WO2015086020A1 (en) 2013-12-13 2015-06-18 Quantium Medical Sl Methods and apparatus for the on-line and real time acquisition and analysis of voltage plethysmography, electrocardiogram and electroencephalogram for the estimation of stroke volume, cardiac output, and systemic inflammation.

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110190601A1 (en) * 2001-10-11 2011-08-04 Osypka Markus J System for Determining the Left-Ventricular Ejection Time TLVE of a Heart of a Subject
CN101297297A (zh) * 2005-10-25 2008-10-29 卡特彼勒公司 医疗风险分层方法和系统
CN101579233A (zh) * 2008-05-14 2009-11-18 深圳市盛力康实业发展有限公司 一种心血管功能检测方法、系统及装置
CN103038772A (zh) * 2010-03-15 2013-04-10 新加坡保健服务集团有限公司 预测患者的存活性的方法
CN103153178A (zh) * 2010-07-23 2013-06-12 昆腾医疗公司 用于结合麻醉药和止痛药的药物效应相互作用与评估麻醉期间意识水平的脑电图的装置
CN103491868A (zh) * 2010-12-28 2014-01-01 索泰拉无线公司 用于心输出量、每搏输出量、心力以及血压的连续、无创测量的身体佩戴式系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110740681A (zh) * 2017-06-14 2020-01-31 昆腾医疗公司 用于估计患者的脑血容量和/或脑血流量和/或麻醉深度的系统和方法
CN112826451A (zh) * 2021-03-05 2021-05-25 中山大学 一种麻醉深度及睡眠深度的评估方法及装置
CN117899356A (zh) * 2023-12-28 2024-04-19 广东省中医院（广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院） 一种自适应耳迷走神经刺激装置

Also Published As

Publication number Publication date
US10285606B2 (en) 2019-05-14
US20160374581A1 (en) 2016-12-29
EP3188658A1 (en) 2017-07-12
CN106132297B (zh) 2019-11-26
EP3188658A4 (en) 2018-10-03
WO2015086020A1 (en) 2015-06-18

Similar Documents

Publication Publication Date Title
CN106132297B (zh) 用于在对象中测定全身性炎症的指标的装置
Esmaelpoor et al. A multistage deep neural network model for blood pressure estimation using photoplethysmogram signals
Guidoboni et al. Cardiovascular function and ballistocardiogram: A relationship interpreted via mathematical modeling
US11826559B2 (en) Cardiac output control apparatus and method of use thereof
Ranganathan et al. Estimation of heart rate signals for mental stress assessment using neuro fuzzy technique
KR101645212B1 (ko) 일상생활 중 심부 체온 일주기 리듬 추정 방법
US20210068683A1 (en) Cardiovascular state monitoring - drug delivery apparatus and method of use thereof
Wang et al. A novel rapid assessment of mental stress by using PPG signals based on deep learning
US20200260965A1 (en) System and Method for Estimating the Stroke Volume and/or the Cardiac Output of a Patient
Quigley et al. Publication guidelines for human heart rate and heart rate variability studies in psychophysiology—Part 1: Physiological underpinnings and foundations of measurement
Bicen et al. Improved pre-ejection period estimation from ballistocardiogram and electrocardiogram signals by fusing multiple timing interval features
Anisimov et al. Comparison of heart rate derived from ECG and pulse wave signals during controlled breathing test for biofeedback systems
Tassinary et al. Peripheral physiological measures of psychological constructs.
Bassiouni et al. Combination of ECG and PPG signals for smart healthcare systems: Techniques, applications, and challenges
Yang et al. BrainZ-BP: A Non-invasive Cuff-less Blood Pressure Estimation Approach Leveraging Brain Bio-impedance and Electrocardiogram
Li et al. Noninvasive continuous blood pressure estimation algorithm based on features of pulse waves
Stump et al. Non‐invasive monitoring of cardiac contractility: Trans‐radial electrical bioimpedance velocimetry (TREV)
Gupta ECG and wearable computing for drowsiness detection
Fedorov Time series analysis in self-regulating systems
Centonze A Novel Approach For Blood Pressure Prediction Using Machine Learning Techniques
Matsuyama ECG and APG signal analysis during exercise in a hot environment
Veluvolu Wearable accelerometer based Pseudo-ECG generation
Mahmud Prediction of the HRV signal during treadmill running
Mashiyama et al. Heart rate estimation method by measuring pulse wave through conductive fibers mounted on forearms
US20210146115A1 (en) Cardiac output controlled electroactive polymer sleeve heart assist apparatus and method of use thereof

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190128

Address after: Barcelona

Applicant after: Quantium Medical SL

Address before: TCM2 Ernestrucci Street, 3rd Floor, 3.16 Office, Technology Park, Matalo Town, Barcelona, Spain

Applicant before: Quantium Medical SL

Applicant before: Eric Webb Jason

GR01 Patent grant
GR01 Patent grant