CN106255449A - 具有用于生命体征扫描的多个集成传感器的便携式装置 - Google Patents
具有用于生命体征扫描的多个集成传感器的便携式装置 Download PDFInfo
- Publication number
- CN106255449A CN106255449A CN201580023418.7A CN201580023418A CN106255449A CN 106255449 A CN106255449 A CN 106255449A CN 201580023418 A CN201580023418 A CN 201580023418A CN 106255449 A CN106255449 A CN 106255449A
- Authority
- CN
- China
- Prior art keywords
- signal
- sensor
- invasive methods
- vital sign
- scanner
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 137
- 230000008569 process Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 56
- 230000003993 interaction Effects 0.000 claims abstract description 45
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 110
- 238000005259 measurement Methods 0.000 claims description 105
- 230000033001 locomotion Effects 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 28
- 230000036541 health Effects 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 18
- 210000003813 thumb Anatomy 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000009528 vital sign measurement Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 13
- 210000003811 finger Anatomy 0.000 claims description 12
- 230000035487 diastolic blood pressure Effects 0.000 claims description 10
- 230000000241 respiratory effect Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 206010041235 Snoring Diseases 0.000 claims description 2
- 239000004020 conductor Substances 0.000 claims 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000002565 electrocardiography Methods 0.000 claims 1
- 238000010408 sweeping Methods 0.000 claims 1
- 210000000038 chest Anatomy 0.000 description 55
- 230000008859 change Effects 0.000 description 25
- 230000036772 blood pressure Effects 0.000 description 24
- 239000008280 blood Substances 0.000 description 19
- 210000004369 blood Anatomy 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 238000010606 normalization Methods 0.000 description 14
- 230000001133 acceleration Effects 0.000 description 10
- 101000878457 Macrocallista nimbosa FMRFamide Proteins 0.000 description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 9
- 229910052760 oxygen Inorganic materials 0.000 description 9
- 239000001301 oxygen Substances 0.000 description 9
- 238000006213 oxygenation reaction Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 210000001061 forehead Anatomy 0.000 description 8
- 230000004927 fusion Effects 0.000 description 8
- 210000005224 forefinger Anatomy 0.000 description 7
- 238000002156 mixing Methods 0.000 description 7
- 230000036961 partial effect Effects 0.000 description 7
- 229920006395 saturated elastomer Polymers 0.000 description 7
- 230000035488 systolic blood pressure Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000010247 heart contraction Effects 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 230000035479 physiological effects, processes and functions Effects 0.000 description 6
- 238000012421 spiking Methods 0.000 description 6
- 210000001994 temporal artery Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 210000004247 hand Anatomy 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 208000012802 recumbency Diseases 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 101100166455 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) ccg-4 gene Proteins 0.000 description 2
- 101150114608 PPG1 gene Proteins 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001166 anti-perspirative effect Effects 0.000 description 1
- 239000003213 antiperspirant Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 210000004177 elastic tissue Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009325 pulmonary function Effects 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000000661 sodium alginate Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- MEYZYGMYMLNUHJ-UHFFFAOYSA-N tunicamycin Natural products CC(C)CCCCCCCCCC=CC(=O)NC1C(O)C(O)C(CC(O)C2OC(C(O)C2O)N3C=CC(=O)NC3=O)OC1OC4OC(CO)C(O)C(O)C4NC(=O)C MEYZYGMYMLNUHJ-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- 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
- A61B5/14551—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 for measuring blood gases
-
- 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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- 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
- A61B5/02—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
- A61B5/02427—Details of sensor
-
- 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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/24—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]
- A61B5/332—Portable devices specially adapted therefor
-
- 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
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
在本发明的一个实施方式中,公开了一种具有用于生命体征扫描的多个集成传感器的便携式装置和利用该装置的方法。该便携式个人扫描装置包括用于确定用户的生命体征的多个传感器,诸如多个ECG、温度计、PPG、加速度计及麦克风。该方法包括:利用一个或更多个传感器同时扫描,利用其它同时传感器扫描和患者交互作用模型来证实并增强各个传感器扫描的结果,单独地或组合地处理传感器扫描以提取用户的生命体征,证实通过与生理模型比较而提取的生命体征,并且根据对生成生命体征的处理的质量的量度的确定,融合从超过一个处理提取的相似生命体征。
Description
相关申请的交叉引用
本申请要求Bernard Burg等人于2014年5月5日提交的、名为PORTABLE DEVICEWITH MULTIPLE INTEGRATED SENSORS FOR VITAL SIGNS SCANNING的美国临时专利申请No.61/988,899的权益,出于全部目的通过引用而将其并入于此。
本申请还涉及Max Little等人于2015年3月6日提交的美国专利申请No.14/641,303,和Wenyi Zhao等人于2014年5月30日提交的美国专利申请No.12/292,820,出于全部意图和目的通过引用而这两者并入于此。美国专利申请No.14/641,303要求Max Little等人于2014年3月6日提交的美国临时专利申请No.61/949,235的权益,美国专利申请No.12/292820要求Wenyi Zhao等人于2014年1月6日提交的美国临时专利申请系列No.61/924,230的权益。
技术领域
本发明总体上涉及利用具有多个集成传感器的便携式装置的生命体征扫描。
背景技术
健康护理是任何现代社会的一个关键要素。自我监测和早期检测是在使费用受控制的同时防止和控制疾病与疼痛的关键要素。现代技术将医疗精度级的装置带给终端用户,允许他们在他们的家庭环境或者办公室中更频繁地、隐蔽地收集测量的结果。这些新的装置从医生预约和就诊期间量取几个测量点到可以自动下载至个人医疗记录的近乎连续的一组测量,带来了医学前沿方面的巨大改变。与它们的采样频率相联系的这种数据的量允许新类型的数据解释。例如,趋势和趋向允许预测和预测性测量,而非如本领域中目前所做的实际事件之后检测。
要在市场上被采用并且变得在医学上成功,生命体征测量装置应当是用户友好的并且使用简单,这样,它们就可以如剃须刀、吹风机或微波炉一样每天使用。用生命体征测量装置进行的测量可以成为日常生活的一部分,或者贯穿该天不时使用。普遍存在的生命体征测量装置可以包括高级特征。这种普遍存在的生命体征测量装置是单一集成装置,其出于用户友好性而短时段对进行多个生命体征测量。生命体征测量快速且离散;而不是花费几分钟时间来设置和使用,有噪声以及有关所执行生命体征测量的类型非常明确。例如利用血压袖带的情况就是这样。按这种方式,用户可以在他们的家庭或办公室日常生活期间不必为难地执行生命体征测量。测量装置的用户界面可以向用户示出有用的用户友好结果。来自测量装置的生命体征结果被本地存储并且可以按透明方式发送至远端的服务器,举例来说,诸如用电子/个人健康记录。
单独测量
对于生命体征测量装置来说,有利的是,覆盖大范围的测量,来监测尽可能多的状态或体征。那样,生命体征测量装置可以对尽可能多的用户有用。一些用户利用由医护人员规定的精确类型的测量来监测一组病状,而其他用户出于好奇心来监测他们的身体以更好了解自身,或者监测发展趋势。一些重要的测量包括:温度、心率、脉搏率、血液氧合、血压(收缩压和舒张压)以及呼吸率。
诸如记录声音和运动的附加测量可以按许多方式来解释,包括呼吸率,并且更具体地说,肺功能和心脏功能。而且,加速度计、陀螺仪以及GPS已经成为运动和健身设备的基础,也是活动监测的基础。
已经开发出许多单独生命体征测量装置,这些装置聚焦于测量患者的一种类型的生命体征。对于患者来说,通常有四种生命体征希望加以测量。典型地讲,使用四个单独分离的生命体征测量装置来测量这四种生命体征,如温度计、脉搏血氧仪、血压袖带以及心电图(ECG)监视器。用户通常通过几个步骤顺序地执行这些测量。在利用四个独立装置时,顺序执行所有这些测量可能要五至七分钟。这种分离的生命体征测量装置通常尺寸较大,因此不便携带。
发明内容
本发明的实施方式通过下面跟随的权利要求书来概括。然而,简短地说,本发明的实施方式在同一测量时段,利用一个集成的生命体征扫描装置同时并行地进行至少四个生命体征测量。
为执行用于生命体征监测的生理测量,将多个传感器集成到生命体征扫描仪中,包括处于集中式信号处理器的控制之下的温度传感器(温度计)、ECG传感器、双重-红和红外–光电血管容积图(PPG)传感器、声音传感器(麦克风)以及运动传感器(3D加速度计)。这些传感器允许同时捕获多个生命体征测量结果,包括:核心温度、心率、脉搏率、血液氧合(SpO2)、呼吸率以及血压。
本发明的实施方式的生命体征扫描仪依靠电池工作,并且具有紧凑的形状因子,允许其成为便携式生命体征扫描仪。该生命体征扫描仪可以比其可以替代的单独测量装置紧凑一百倍。紧凑的形状因子允许其例如容易适合用户的口袋或钱包。
本发明的实施方式的生命体征扫描仪是自动化、用户友好且便于使用的。本发明的实施方式的生命体征扫描仪的自动化缩减了用于捕获生命体征数据的时间,并且改进了生命体征扫描装置的可用性。本发明的实施方式的生命体征扫描仪的用户可以聚焦于在合适的时间进行高质量的测量。该生命体征扫描仪的自动化数据处理操作对于用户是透明的。不需要向袖带充气。本发明的实施方式的生命体征扫描仪具有快速的启动时间,避免了用于引导或者经历热身阶段的等待时间。本发明的实施方式的生命体征扫描仪记录并存储结果。那样,用户就可以避免利用钢笔/铅笔在纸上写下结果。本发明的实施方式的生命体征扫描仪使用信号处理技术,以在测量会话期间进行生命体征测量,使得避免了诸如血压袖带和用于向其充气的有噪声的泵的不便利性。
相干测量集
并行地进行测量带来了新的挑战、新的机遇,并由此需要新的解决方案。测量应当在每一个测量会话内完成。利用几个传感器的同时测量可能受相互干扰影响。需要研究传感器之间的交互作用,因此产生了新的挑战。
合一的扫描仪中的多个生命体征传感器可以提供多个生命体征测量的同时捕获,多个生命体征测量包括:核心温度、心率、脉搏率、血液氧合(SpO2)、呼吸率及血压。
然而,所有这些测量共有时基(time base)和某些噪声,因为所有测量都是通过单个生命体征扫描装置执行的。像运动和振动的机械噪声、光照条件以及环境温度是可以利用生命体征扫描装置捕获的常见测量。捕获这些噪声源的量度允许该生命体征扫描仪执行噪声消除以改进信噪比,而且如果该信号太差而不能获取有用测量,则采取校正动作。
利用多个不同类型传感器数据的相干时基,可以将传感器融合应用至从单独传感器获取的信号,以通过冗余和交叉证实来增强数据。
附图说明
出于易于理解本发明的目的,附图和描述例示了其优选实施方式,据此,可以理解并懂得本发明、其结构的各种实施方式、构造和操作方法,以及许多优点。
图1例示了用户在食指与拇指之间保持该装置。
图2A例示了本发明的示例性实施方式的立体图。
图2B例示了在生命体征扫描仪100内使用的信号处理器的功能框图。
图3A提供了测量温度的示例性处理的流程图描述。
图3B例示了温度计与患者交互作用模型。
图3C至图3D例示了示例性温度生理模型。
图4A是测量用户的ECG的示例性处理的流程图。
图4B例示了ECG与患者交互作用模型的细节。
图4C至图4E例示了示例性心率生理模型。
图5A是测量用户的脉搏率的示例性处理的流程图。
图5B例示了示例性PPG与患者交互作用模型。
图5C至图5D例示了示例性脉搏率生理模型。
图6A是例示测量血液氧合(SpO2)的示例性处理的流程图。
图6B至图6C例示了示例性血液氧合生理模型。
图7A是例示测量用户的PWTT的示例性处理的流程图。
图7B至图7C例示了可以合并起来的不同示例性脉冲宽度渡越时间(PWTT)生理模型。
图8A是例示测量血压的示例性处理的流程图。
图8B例示了示例性血压生理模型。
图9A是例示测量呼吸率的基于ECG/PPG的示例性的处理的流程图。
图9B例示了示例性呼吸率生理模型。
图10A例示了获得声音记录的示例性处理。
图11A是例示测量呼吸率的基于麦克风的示例性处理的流程图。
图11B例示了示例性的麦克风与患者交互作用模型。
图11C例示了示例性麦克风生理模型。
图12例示了获得加速度计运动记录的示例性处理。
图13A是例示测量呼吸率的基于加速度计的示例性处理的流程图。
图13B例示了示例性加速度计与患者交互作用模型。
图13C例示了示例性加速度计生理模型。
图14是例示在太阳穴测量方面跨传感器共有的噪声的框图。
图15是例示胸部测量的流程图,其中在胸部测量至存在跨传感器共有的噪声。
图16是例示在太阳穴测量方面跨传感器的传感融合的框图。
图17是例示在胸部测量方面针对传感器的传感融合处理的流程图。
图18例示了该示例性便携式无线生命体征扫描仪内的电子电路的功能框图。
具体实施方式
在本发明的实施方式的下列详细描述中,阐述了许多具体细节以便提供对本发明实施方式的详尽理解。然而,对本领域技术人员显见的是,本发明的实施方式可以在不需要这些具体细节的情况下来实践。在其它情况下,公知方法、过程、组件及电路未被详细描述,以不使不必要地模糊本发明实施方式的多个方面。
本发明的实施方式包括用于具有多个集成传感器的便携式生命体征扫描仪的方法、装置及系统。
保持装置
下面,参照图1,示出了生命体征扫描仪100的示例性使用。在图1中,用户将生命体征扫描装置100保持在左手的食指111A与拇指111B之间,使在食指、拇指或两者之下与ECG电极122接触。用户将生命体征扫描仪100抵着左侧太阳穴或前额轻推一段时间。这样,生命体征扫描仪100侧面的ECG电极123与用户的左侧太阳穴或前额相接触。电极123附近的温度计传感器125和PPG传感器124也被施加在用户的太阳穴或前额上。生命体征扫描仪100内的一个或更多个加速度计附接至印刷电路板(PCB),PCB链接至该扫描装置100壳体的外壳。生命体征扫描仪100还包括麦克风。因此,在通过其它传感器捕获生命体征信号时,生命体征扫描仪100可以同时地利用麦克风捕获声音和利用加速度计捕获移动。
应注意,出于解释的目的,在图中示出了手指/拇指的位置。然而,手指在生命体征扫描仪100上的定位可以根据实现而改变。例如,在另一实现中,可以将食指111A和拇指111B定位在扫描仪的侧面上,并且一个或两个手指联接至ECG电极,以完成经由身体与第二ECG电极123的回路。
在另一使用例子中,如图13A至图13B所示,将生命体征扫描装置100抵着胸部平推,以在另一时段期间,利用麦克风捕获声音和利用一个或更多个加速度计捕获胸部的运动。
传感器的位置
图2A例示了根据本发明的一个实施方式的传感器的示例性位置。ECG电极122可以位于食指111A、拇指111B或者食指与拇指两者之下并且被用户挤压。ECG电极123抵着用户的太阳穴/前额定位。在ECG电极接触的情况下,ECG电极闭合与用户身体的电气回路,该回路包括经由手、臂及心脏直至太阳穴的回路路径。
研究(诸如Isler,A.等人于2013年通过International Emergency Nursing发表的“Comparison of temporal artery to mercury and digital measurement inpediatrics”(参见http://dx.doi.org/10.1016/j.ienj.2013.09.003))已经表明,太阳穴附近的颞动脉是以高准确度来感测温度的一个专用位置。因此,温度计传感器125可以直接感测用户的太阳穴或前额处的表面温度。
图2A所示PPG传感器124也用于在用户的太阳穴处进行感测。太阳穴位置优于例如手腕位置的主要优点在于血管膜(vascular tunic)的构造在组织弹性的存在/含量方面在很大程度上影响“信号逼真度”。例如,太阳穴处的读数比手腕处的读数更有代表性得多,其在动脉膜中包括完全更大百分比的弹性组织等。
太阳穴也是获得PPG测量的较好位置,因为其经由颞动脉与心脏直接连接。不同于手指/拇指被用于已知脉搏血氧仪的PPG测量,太阳穴处的血流仅被身体构造(直头、回头、站着、坐着)而略微修改。利用身体构造上的这种自由度,太阳穴PPG测量在未受控制环境下对用户限制很少。扫描装置100利用处于身体上的一些最可靠部位处的传感器来感测生命体征参数,同时最小化对用户的不便利。
下面,参照图2B,生命体征扫描仪100包括信号处理器206,存储装置208和多个传感器210联接至信号处理器206。信号处理器206控制多个传感器210在测量时段期间同时捕捉获数据。处理器206联接至诸如存储器的存储装置208,以读取指令并且执行信号处理算法以实现如在此描述的生成生命体征测量的方法。还可以将多个算法模型存储在存储器内,这些算法模型由处理器206所执行的信号处理算法使用。对于生命体征扫描装置100所执行的各种类型的测量来说,使用将三种类型的局部模型链接起来的增强测量模型。图18中示出了生命体征扫描仪100的示意图并在本文中加以描述。
第一局部模型是针对传感器生成的信号执行的信号处理模型。由传感器生成的模拟信号通过模数转换变换成数字信号。接着,数字信号被信号处理器利用信号处理算法进行初始信号处理,以典型地去除噪声。诸如PPG光电二极管的许多光电器件中的噪声在到达信号处理器和信号处理算法之前被去除。例如,在来自检测器的光子流通过互阻抗放大器(例如,Z Amp)转换成电压之后,Z Amp噪声可以利用“消波(chop)电路”去除,其斩掉(chopout)噪声和op amp偏移电压浮动中的任何浮动。接着,信号处理算法还可以在最终把将要显示的所得生命体征测量值提供给用户或者存储在健康护理记录中之前,执行附加的变换或数据处理。
第二局部模型是捕获用户与传感器之间的交互作用的交互作用模型。该交互作用模型可能引起诸如温度传感器的某些传感器的滞后或惯性。对于其它传感器,该交互作用模型可以包括用户可能引入的噪声影响,诸如针对PPG传感器的光污染噪声或者针对感测运动的加速度计的振动噪声。该交互作用模型可以包括传感器与用户身体之间的接触的模型。例如,像导电率、弹性或颜色的皮肤物理特性可以是在传感器与用户身体相接触时所考虑的事项。包括该交互作用模型作为利用生命体征扫描仪100从用户获取生命体征的方法的明确部分,信号处理算法可以嵌入交互作用模型,利用(leverage)并校正它们,以提供改进的生命体征测量结果。而且,可以将传感器用于多个身体部位,以获取不同的生命体征。针对生命体征扫描仪的传感器的不同位置,交互作用模型可以随着该扫描仪而具有不同交互条件。因此,本发明的实施方式可以响应于所捕获的生命体征和该传感器在不同身体位置处的使用,改变成不同的交互作用模型。
第三局部模型是生理模型。生理模型链接至所测量的生命体征。人体生理学在全世界已经研究达几个世纪。Ambroise Paré(1510-1590)的早期医学研究从信仰通向证据并且最终通向医学科学,建模生命机能,并且生成生命体征作为该机能的指标。
医学或生理模型通常是医学术语的构成模块。例如,医科学生学习基于人的ECG信号模型的P、Q、R、S、T相来分析ECG图案。人的心率的另一公知的生理范围是心脏跳动速率在每分钟25次至每分钟250次之间变化。针对温度的另一公知的生理模型是人类的核心温度在28摄氏度(C)至43摄氏度之间变化。
在生命体征扫描仪100中,生理模型可以被信号处理器及其信号处理算法所使用,以确认得到的生命体征测量。由传感器生成并被发送至信号处理器以供信号处理的在数学上正确的信号可由于生理原因被视为噪声。例如,根据Nyquist-Shannon采样定理,按频率10赫兹(Hz)采样体温可以显示温度信号的直至5Hz的某种变化。然而,温度的生理模型排除了高于0.015K/s的任何温度变化。这是因为处于正常条件下的人体不能更快速改变温度。因此,温度信号的更高速率的变化很可能是可被消除的噪声。
由生命体征扫描仪提供的信号处理在生成生命体征值的处理中将这三个模型组合在一起。根据Nyquist-Shannon采样定理,该生命体征扫描仪和其中的信号处理器使用信号处理方法来提取在该装置的采样率内在数学上相关的信号。生命体征扫描仪和其中的信号处理器使用传感器交互作用模型来执行链接至读数的污染的校正,诸如因测量点的人一侧和该传感器的物理特性两者而造成在交互作用点产生的噪声。生命体征扫描仪和其中的信号处理器还使用测量的生理模型,其中,人体参数保持在信号的可能范围、形状、动态以及带宽的族中。
针对生命体征的有效测量应当遵从这些局部模型。针对生命体征的有效测量应当针对信号处理在数学上正确。用于针对生命体征的有效测量的接触交互作用应当在该测量的持续时间或时间长度期间加以证实和校正。有效生命体征测量的测量信号应当在医学上相关。
该生命体征扫描仪及其信号处理器所使用的方法和信号处理算法可以针对每一个局部模型在每一个步骤引入校正,导致针对每一个测量(温度、心率、脉搏率、血液氧合、血压、呼吸率)获得高准确度测量,其中每一个测量都在身体上的一些最佳部位(太阳穴、前额、手指/拇指)执行。
该生命体征扫描仪及其信号处理器所使用的方法和信号处理算法还可以使用传感器融合模型来利用多个测量,并通过数据融合来改进一种或更多种不同类型测量的结果。在同一测量时段期间,生命体征扫描仪100同时从其多个传感器捕获信号。因此,针对多个传感器中的一个或更多个的信号数据可以用于改进针对另一传感器和生命体征的信号数据和测量结果。一些信号污染(例如,信号噪声)因多个传感器的物理位置和它们在生命体征扫描仪100的外壳或装置外罩中的共有机械链接而跨传感器地共有。例如,加速度计测量生命体征扫描装置的运动和振动,删除运动伪影。生命体征扫描仪的运动和振动可以在信号解释期间耦合至信号处理器或者反馈至其它传感器,以确认或者作废该数据,或者进行数据校正以改进该信号数据。
温度计和温度测量
参照图3A所示流程图,抵着用户的太阳穴按压温度传感器或温度计装置A301,以测量颞动脉上方的表面温度。来自温度计的输出信号被耦合至信号处理模块A302以进行信号处理。
信号处理模块A302(例如,FFT/IFFT)初始地去除来自温度计传感器的输出信号中的噪声,以获取所预期的希望数据信号。考虑到温度计-患者交互作用模型A305,由信号处理模块A302进一步处理该数据信号。当传感器读数稳定(参见图3B和图3C及其描述)或者具有足够低的噪声,并且处于预期范围内时,由信号处理模块A302生成证实信号。利用有效数据信号,可以出现进一步处理。
使所得的有效数据信号耦合到模型合并模块A303中。该模型合并模块A303根据下面的公式计算核心温度Tc的值,
Tc=k(Ts-Ta)+Ta
其中,Ta是环境温度,Ts是皮肤温度,这两者通过两个不同的温度计部件并行测量。用于核心温度方程的k值是通过二次逼近获取的实验性校准参数,举例来说,如在MarybethPompei通过Exergen Corporation公布的“Temperature Assessment via the TemporalArtery:Validation of a New Method”(版权1999)中描述的。该核心温度Tc接着针对温度生理模型A306检查生理有效性(参见参照图3D的附加说明)。总体温度结果A304被显示给用户和/或存储到健康记录中。
图3B示出了定位温度计装置A301的示例。抵着用户的太阳穴施加温度计装置A301。温度计装置A301包括环境温度传感器A301a和表面温度传感器A301s,这两者与其它生命体征一起并行地同时进行测量。
根据构造,表面温度传感器A301s退回生命体征扫描仪的外壳B301中。表面温度传感器A301s不与用户的皮肤进行直接接触,而是通过空气介体B302来进行其测量。空气介体B302提供了被温度计-患者交互作用模型所考虑的小的热惯性。利用空气介体B302来避免传感器直接接触皮肤,可以避免复杂的交互作用模型。而且,该传感器避免被可以依附于用户皮肤上的皮肤产品、汗等弄脏。
图3C例示了示出随着时间改变的温度计输出信号C303的示例性温度计-患者交互作用模型。在时刻t0在C301接触用户太阳穴之前,输出信号C303在temp1处恒定。在时刻t0之后,温度计信号C303增长以到达temp2的渐近线C302。该温度计-患者模型提供接触之后的阈值时间tm C304,其需要在证实渐近线C302之前被超出,以使一旦该信号稳定化,就输出太阳穴的温度。这种算法的一种机制测量该信号随着时间的相对变化。由此,该算法还可以在将温度计从用户的太阳穴去除时起作用。
图3D例示了用于确定核心温度的示例性温度生理模型。该模型的图表例示了代表范围的线D301、D302、D303、D304,在这些范围内,针对该用户的温度信号不会超出。信号D305代表来自温度计的原始温度信号。
活人可以在摄氏28度(28℃)(例如,参见线D302)至摄氏43度(43℃)(例如,参见线D301)之间正常活动。该温度生理模型例示了在扫描期间温度低于32℃(例如,参见线D304)和温度高于41℃(例如,参见线D303)都宣布医疗急救。另外,生命体征扫描仪可以假定在其未被使用时用户未经历医疗急救。
另外,身体的核心温度因身体中血液的热力学原理和容量而仅在时间上缓慢改变。同样地,该温度生理模型具有限制于0.015K/s或0.015赫兹(Hz)的带宽。对于信号D305来说,这意指应当废弃较高速率的温度变化。这是因为按较高速率的频率变化的信号分量在生理学上是不可能的。因此,可以使用具有接近带宽限制0.015Hz的截止点的低通滤波器,以从该温度信号中滤出按较高速率的频率变化的信号分量作为噪声。
ECG和心率
ECG和心率生命体征值的计算包括噪声模型和心率生理模型。噪声模型规定,比拒绝阈值R低的峰值将被放弃。噪声模型还规定,具有小于0.02秒钟的持续时间的峰值将被放弃。心率生理模型包括心率的有效范围(例如,每分钟35次至每分钟250次)。该范围之外的值无效。心率生理模型还包括预期信号频率范围,其中,心率变化被限制为最大阈值。该预期信号频率范围之外的信号或者具有比最大阈值大的变化的信号被视为无效。
参照图4A所示流程图,ECG传感器A401使联接至电极A401f的用户手指/拇指与联接至电极A401t的用户太阳穴之间的电气回路闭合。来自ECG传感器的输出信号馈送到有限脉冲响应(FIR)或者快速傅立叶变换/快速傅立叶逆变换(FFT/IFFT)滤波器A402,以从该数据去除噪声。使用ECG-患者交互作用模型A408(还参见参照图4B的描述)来证实该阶段的测量。接着,将经滤波的ECG信号的强度归一化成耦合到L1趋势滤波器A404中的归一化信号A403。L1趋势滤波器A404生成分段线性的趋势估计,并因此完全适于分析具有底层分段线性趋势的时间系列。为去除噪声,针对经L1趋势滤波的ECG信号,通过自相关器执行自相关处理A405。来自自相关A405的输出信号被耦合到模型合并处理A406中。模型合并处理A406合并ECG生理模型A409(参见图4C中的附加解释)与信号处理模型。应用ECG生理模型A409以减小噪声L1趋势滤波ECG信号,以便生成最终的心率值A407。心率值A407在显示装置上的用户界面中向用户示出和/或存储到健康记录中。
图4B示出了定位ECG电极的示例。当拿着装置外壳B401时,用户的食指/拇指压在电极A401f上。利用这种夹持构造,手指/拇指与该电极之间的接触提供了可靠的电气接触。同时,抵着用户的太阳穴施加装置的外壳B401,抵着太阳穴或前额推压电极A401t。由于手的稳定性有限,因而在测量期间产生小运动。因此,太阳穴电极A401t可能间歇地失去与太阳穴的接触,从而产生电气污染或噪声。
图4C例示了通过电极B401f和B401t收集的ECG信号的示例。ECG信号可以被分解成多个区间(例如,P、Q、R、ST区间,未被示出),其中,C401指向QRS复合信号(complex)。然而,由于如上所述的可能出现的间歇接触,一些附加峰值C402因上述通过传感器-用户交互作用模型所引入的污染/噪声而出现。乍一看,那些尖峰信号对于QRS复合信号C401来说可能是错误的,但经验表明,因这些污染而产生的尖峰信号在时间上被限制为大约0.02秒钟。
与此相反,该生理模型生成范围在0.12秒钟至0.20秒钟之间变动的峰值C401。因此,传感器-用户模型在QRS复合信号C401与这些间歇接触尖峰信号C402之间引入区别。用于从ECG提取心率的一种常见方式是提取ECG的R-R区间D401,如图4D所示。
图4E例示了用于确定心率的示例性生理模型。各个心跳都用尖峰信号E401表示。心率的生理模型提供每分钟的最小和最大心跳(例如,成年人每分钟25至250次心跳)。另一重要的生理限制来自心率可变性,已知心率不能比指定MAXHEARTBEATVARIATION(最大心跳变化)阈值更快地变化。
PPG和脉搏率
PPG和脉搏率计算使用噪声模型和脉搏率生理模型。该噪声模型例如用于比100赫兹大的信号。该脉搏率生理模型限定了上限值与下限值之间的有效脉搏率范围。预期脉搏率信号处于0.5Hz至40Hz的范围内。预期脉搏率变化小于最大阈值。
下面,参照图5A所示流程图,抵着用户太阳穴来定位一对光电二极管传感器PPG1(A501)和PPG2(A502),以捕获PPG信号。其中一个光电二极管传感器是红外(IR)光电二极管,而另一个光电二极管传感器是红色光电二极管。仅来自该对光电二极管传感器的信号需要被用于确定用户的脉搏率。选择处理A503选择来自所述光电二极管传感器的两个原始传感器信号中的一个加以处理。虽然图5A中仅一个信号示出被处理,但应当明白,为了冗余、噪声消除以及选择更可靠的脉搏率信号和PPG信号,两个原始传感器信号可以一起并行处理。
所选择的原始传感器信号被馈送到FIR或FFT/IFFT滤波器A504中,以从数据去除噪声。图5A的PPG-患者交互作用模型A511(还参见图5B和5C)在该阶段同样被用于预先证实所述测量。如果信号测量无效,则可以使用另一光电二极管传感器数据。如果两个信号测量都无效,则可以请求用户重复信号捕获过程。如果有效测量数据被发现该信号数据,则通过归一化化过程A505将该信号的强度归一化。在信号归一化之后,将该信号耦合至第一导数(梯度)滤波器A506。将来自第一导数(梯度)滤波器A506的输出信号耦合到L1趋势滤波器A507中。接着将滤波的数据耦合到自相关器A508中,以经历自相关处理A508,从而从滤波的信号数据中去除噪声。接着,将减少了噪声的信号耦合到合并模型A509中,模型509将PPG生理模型A512(参见图5D)应用至经信号处理的信号。合并模型A509是表示PPG生理模型A512的数学算法。来自合并模型A509的所得输出是用户的脉搏率值A510。脉搏率值A510通过显示装置向用户显示和/或存储到健康记录中。
图5B例示了光电二极管传感器PPG1(A501)和PPG2(A502)的最佳定位。当抵着太阳穴保持装置外壳B501时,PPG光电二极管传感器A501和A502与太阳穴直接接触。希望用该直接接触来阻挡来自外部光源的环境干扰光A503。由于测量期间手的不稳定和其它小的运动,因而用于PPG光电二极管A501和A502的检测器可间歇地受干扰光A503扰动。这转化成信号的饱和。
图5C例示了在一段时间中利用PPG光电二极管传感器A501和A502捕捉的PPG信号的图表。该光电二极管传感器捕获具有与各个脉搏率相对应的峰值C501和峰值C503的信号。环境光扰动通过外壳B501的遮光设计而最小化。然而,如果PPG受干扰光A503扰动(如由于用户的手移动),则可以出现PPG信号饱和,如C502处所示。该PPG-用户交互作用模型利用用于检测和滤出干扰光的算法来解决环境光扰动。
该算法的一个示例基于识别的峰值C501来实时(on the fly)估计脉搏率的频率(1/Δt),并且预报将来的峰值(间隔了Δt)。在遭遇像在C502处看到的噪声污染时,失去峰值检测,并且所预测的峰值位置不匹配该信号。该算法丢弃这些错过的峰值,而使用现有预测以在以后时间寻找峰值。一旦检测到峰值C503,算法检查这些峰值可与C501的频率兼容(例如,tC503 peaks=x*Δt+tC501 peaks),以最终基于所有检测到的峰值来预测脉搏率。
图5D例示了用于测量脉搏率的示例性生理模型。每一次脉搏跳动都用与C501和C503峰值之一相对应的尖峰D501表示。脉搏率的生理模型提供每分钟最小和最大脉搏跳动,通常,成年人为每分钟三十五(35)至二百五十(250)次跳动。另一重要的生理限制来自脉搏率可变性。心率不能比最大心跳变化阈值更快地变化。可以将最大心跳变化阈值合并到该生理模型中,以排除超出该阈值的脉搏率变化。生理模型还可以包括因心脏条件而恶化的脉搏信号,其中,脉搏可在心率增加时减少甚或消失。这种现象可以使用各种传感器的组合来测量。
双重PPG和氧合
血液氧合包括噪声模型和生理模型。噪声模型预期SpO2值在测量时段期间相对恒定。生理模型预期SpO2值处于有效值的范围内。例如,在99%至80%之间。
参照图6A所示流程图,两个PPG光电二极管传感器A501和A502抵着用户太阳穴定位。两个信号A602和A606按下列顺序并行处理:信号馈送到FIR或FFT/IFFT滤波器(A603,相应地,A607)中,以从数据去除噪声。图5A的PPG-患者交互作用模型A511(参见图5B中的附加解释)在该阶段被用于证实该测量。接着,信号的强度分别在A604和A608中归一化。两个信号A604和A608流入A609中,如下执行它们之间的比率。
所述项如下定义:ACred是交流电流红光电二极管信号;DCred是直流电流红光电二极管信号;ACIR是交流电流红外光电二极管信号;DCIR是直流电流红外光电二极管信号。A609的结果在A610中与SpO2生理模型A612合并(参见图6C中的附加解释)。氧合值在A611中向用户示出和/或存储到健康记录中。
图5B示出了PPG二极管的最佳定位。当抵着太阳穴保持装置外壳B501时,PPG二极管A501和A502与太阳穴直接接触,并且具有从A503干扰光源/检测器对遮住外部光干扰的特征。由于测量期间手的不稳定性和其它小的运动,PPG二极管A501和A502可间歇地受干扰环境光扰动,这会降低SpO2预测的准确度。环境光干扰还可以转化成信号的饱和。
图6B例示了针对各种水平的SpO2饱和,分别通过PPG光电二极管A501和A502收集PPG信号B601和B602的示例。红外(IR)PPG光电二极管A502生成针对不同饱和水平的信号B602。红光电二极管A501生成针对不同饱和水平的信号B601。
经典的脉搏血氧饱和度算法通过针对IR光电二极管信号B602和红光电二极管信号B601中的每一个,将交流电流(AC)分量除以直流电流(DC)分量来归一化它们的输入。接着,这些算法确定红信号与IR信号之间的比率。接着,通过图6C所示关系,将该比率用于计算SpO2饱和度。
在生理学上,SpO2对于平均水平的警觉用户来说,是缓慢改变参数,而且有时可以在测量周期期间视为恒定的。在其它时候,SpO2随着时间的可变性可以被用于确定呼吸率。氧合在健康的人中应当是96%至99%之间的值。如果氧合降低至92%,那么用户应当使用氧气来增加该水平。如果氧合降低至87%,那么重要的是,使用氧来避免损害。低于85%,可能出现心智功能损害。
ECG+PPG和血压
计算脉冲宽度渡越时间(PWTT:Pulse Width Transit Time)
该脉冲宽度渡越时间(PWTT)包括生理模型和一对噪声模型。第一噪声模型要使用提取的PWTT值和通过不同信号处理方法确定的交叉相关PWTT值,并将它们融合在一起,以确定比单独根据峰值检测所确定的值更精确且更稳定的值。第二噪声模型要经由对PWTT的局部估计(其允许丢弃没有峰值的信号部分),通过利用峰值检测的测量来获取提取的PWTT值。生理模型考虑到PWTT取决于心脏血压和血管系统。
参照图7A所示流程图,两个PPG光电二极管传感器A501和A502抵着用户太阳穴定位。来自PPG光电二极管传感器A501和A502的信号通过PPG处理器A701处理,以形成图7B所示的PPG信号A701。
当用户保持该生命体征扫描仪时,用户的手指/拇指与ECG传感器的ECG电极A401f相接触。同时,与抵着用户太阳穴定位的PPG光电二极管传感器并行地,ECG传感器的ECG电极A401t与用户的太阳穴相接触。利用这两个连接,与ECG传感器的电气回路闭合,以生成图7B所示的ECG信号S706。
PPG信号S701耦合到有限脉冲响应(FIR)或者快速傅立叶变换(FFT/IFFT)滤波器A702,以从数据去除噪声。PPG-患者交互作用模型A511(参见图5B、图5C和图5D中的附加解释)在该阶段接着被用于证实测量。接着,PPG信号的强度在处理A703中归一化,并且流向第一导数(时间梯度)滤波器A704,以形成微分PPG信号S704。微分PPG信号S704还通过L1趋势滤波器A705滤波,以形成图7B所示L1趋势微分PPG信号S705。
同时,与PPG信号处理并行地,将A706ECG信号耦合到FIR或FFT/IFFT滤波器A707中,以从ECG信号中的期望数据去除噪声。接着,使用ECG-患者交互作用模型A408(参见参照图4B、图4C、图4D、图4E的附加解释)来证实该阶段的ECG信号的测量。接着,ECG信号的强度通过归一化器A708归一化,接着被耦合到L1趋势滤波器A709中,以生成图7B所示L1趋势ECG信号S706t。
来自L1趋势滤波器A709的L1趋势ECG信号S706t与L1趋势微分PPG信号S705通过交叉相关函数A710交叉相关,以形成最大ECG QRS复信号A710。作为交叉相关的结果的最大ECG-QRS复信号S710被耦合到峰值检测器中,以在峰值检测处理A711下计算原始PWTT值。模型合并器处理A712随着PWTT值和PWTT生理模型A714出现,以证实并形成最终PWTT值。在公开处理A713下,将该最终PWTT值显示给用户和/或存储到健康记录中。这些最终PWTT值可以被称为交叉相关PWTT值。
图7B提供PWTT算法的图形例示。ECG信号S706对应于归一化ECG信号。该信号经历L1趋势滤波器,以生成L1趋势ECG信号S706t。将该L1趋势ECG信号S706t首先输入到交叉相关函数A710中。并行地,该PPG信号在A701中归一化,经历微分函数A704,以最终经历L1趋势滤波器,变换成信号S705。将该L1趋势微分PPG信号S705第二输入到交叉相关函数A710中。从交叉相关函数A710获得的信号进入到最大峰值模块A711中,提取与该交叉相关的最大峰值相对应的PWTT。
参照图7C,现在,对计算用户的PWTT的提取处理A750进行描述。ECG提取处理从ECG信号S706提取特征,以形成ECG QRS复合特征信号。PPG提取处理提取PPG信号S701的特征,以形成PPG特征信号。针对ECG-QRS复合特征信号执行另一峰值提取处理,以提取与ECG-QRS复合信号的R特征相对应的峰值特征ECG峰值C701。针对PPG特征信号执行另一峰值提取处理,以提取与PPG信号S701相关联的峰值特征PPG峰值C702(或上升时间)。这些峰值提取特征基于局部特性。
接着,基于ECG峰值C701与PPG峰值C702之间的时间差计算PWTT信号C703。有关PWTT的总误差是来自峰值提取的误差加上峰值对准算法中的误差之和。然而,该总误差通过观察窗口中的峰值的数量或者样本的时间窗来平均化。这些PWTT值可以被称为提取的PWTT值。
在图7A中,通过提取处理A750计算的PWTT值被耦合到模型合并模块A712中。通过提取处理A750计算的PWTT值可以与通过由最大峰值检测处理A711所生成的相关处理计算的PWTT以及PWTT生理模型A714相组合。利用图7B和图7C所示的两个PWTT计算模型,合并或融合算法可以减轻误差的风险。
在模型合并处理A712中使用的一种合并或融合方法是基于峰值匹配算法来计算PWTT以得到近似值,和基于峰值检测的数量来评估该信号的质量。一旦证实该信号,就可以使用交叉相关算法,来执行更精确的确定并且证实总体PWTT结果。有效且准确的PWTT值在计算血压方面是重要的。
计算血压
血压的计算包括生理模型和噪声模型。该噪声模型要使用针对PWTT、脉搏率、心率、PPG频谱斜率、PPG波形、ECG频谱斜率以及ECG扩展的值之和,来改进信号质量。生理模型考虑到,收缩和舒张血压在测量时段期间应当相对恒定,并且收缩血压的值大于舒张血压的值。
一般来说,通过该生命体征扫描仪100利用信号处理模型计算血压在Max Little等人于2015年3月6日提交的美国专利申请No.14/641,303中进行了描述,并且通过引用并入于此。然而,该血压计算还可以与交互作用模型和特征提取模型合并,以进一步改进血压测量的结果。
下面,参照图8A所示流程图,对血压计算处理A800进行描述,该处理包括PPG/患者交互作用模型。两个PPG传感器A501、A502抵着用户太阳穴定位。PPG传感器A501和A502的输出信号在PPG处理A801期间被处理,以确定并选择更可靠并且可能更少噪声的PPG信号,以经历进一步信号处理。
同时,与PPG信号捕获处理并行地,通过ECG传感器及其分别与用户的手指和太阳穴相接触的电极A401f、A401T,在ECG捕获处理A810期间捕获ECG信号。
来自ECG捕获处理A810的ECG信号被耦合到心率信号处理算法A400中,以生成心率信号A407。另外,来自ECG捕获处理A810的ECG信号和来自PPG捕获处理A801的PPG信号被耦合到PWTT计算处理A700中,以计算PWTT结果A713。该PPG信号还被耦合到FIR或FFT/IFFT滤波器A802中,以从数据去除噪声。PPG-患者交互作用模型A511(还参见图5B和图5C及其描述)在该阶段被用于证实测量。接着,通过归一化处理A803将PPG信号的强度/幅度归一化,以形成按几个方向流动的归一化信号A803。
归一化PPG信号A803被耦合到脉搏率计算器A520中,以生成用户的脉搏率A510。另外,将归一化PPG信号A803联接到谐波分析A804中,以生成PPG波形A807。而且,该归一化PPG信号A803流动到潜在剖面分析(latent profile analysis)(LPA)A805中,以计算PPG频谱斜率A808。而且,将归一化PPG信号A803馈送到统计模块A806中,以计算被称为PPG扩展A809的标准偏差和绝对偏差。
所计算的值A809、A808、A807、A510、A713以及A407接着全部耦合到函数f(.)A822和函数h(.)A821中。函数f(.)A822和函数h(.)A821将数学变换应用至传入的数据值,以将它们变换成收缩血压和舒张血压的分量。这些变换的所得分量被耦合到回归算法A825中。
并行地,将患者生理数据A820(例如,年龄、性别、体重、身高…)耦合到函数g(.)A824和函数h(.)A823中。函数g(.)A824和函数h(.)A823将数学变换应用至传入的数据值,以将它们变换成收缩血压和舒张血压的分量。这些变换的所得分量被耦合到回归算法A825中。
最初,响应于校准处理,用户利用一组用户参数来校准回归算法A825,以加权收缩血压值和舒张血压值的传入分量,其接着被加起来,从而获得已知校准收缩血压值和舒张血压值。随后,用于回归算法A825的用户参数被用于计算收缩血压值和舒张血压值。
来自该变换的收缩血压值和舒张血压值的所得分量被耦合到回归算法A825中。响应于用户的定制参数集和来自该变换的所得分量值,回归算法A825生成舒张血压值(DBP)A826和收缩血压值(SBP)A827的输出。
图8B例示了可用于证实通过图8A中所述处理确定的血压测量的示例性血压生理模型。例如,图8B中的图表示出了范围在60-230mm Hg的SBP和范围在30-130mmHg的DBP。该范围之外的血压测量可以被视为可疑的。
有关图8A至图8B所示处理的附加细节可以在作为附录A附加于此的美国临时专利申请系列No.61/949,235和作为附录B附加于此的美国临时专利申请系列No.61/924,230中找到,这两者通过引用并入于此。
ECG、PPG以及呼吸率
下面,对图9A所示流程图进行说明。呼吸率可以利用相似算法从PPG信号和/或从ECG信号中提取。在该处理期间,使用生理模型和噪声模型。生理模型例示了针对成年人、独自生活的老年人、长期护理生活的老年人以及愤怒的预期速率范围的呼吸率(例如,每分钟10次跳动至每分钟30次跳动),所述范围暗示了身体状况。第一噪声模型使用ECG峰值幅度和身体噪声,以及在同一扫描期间ECG数据比PPG数据更稳定的确定。第二噪声模型使用信号处理来寻找20Hz周围的声音信号中的模式。第三噪声模型寻找加速度计噪声。加速度的组成由三维加速度形成,并且根据生命体征扫描仪的位置与预期信号相比较。
利用PPG来提取呼吸率,将传感器A501和A502抵着用户太阳穴定位。仅来自PPG传感器之一的信号需要被处理来确定呼吸率。来自PPG传感器的PPG信号S901被耦合到FIR或FFT/IFFT滤波器A902中。FIR或FFT/IFFT滤波器A902从该PPG数据信号去除噪声。
PPG-患者交互作用模型A511(参见图5B、图5C及图5D中的附加解释)可以被用于证实来自PPG传感器的PPG测量。所得信号去往带通滤波器A903,以去除低频分量和高频分量信号。该信号接着被峰值检测算法A904处理,该处理响应于该信号的幅度。在一时段期间被峰值信号检测器检测到的幅度中的峰值的数量被用于确定呼吸率。
按类似方式,具有电极A401t和A401f的单个ECG传感器A401使具有联接至电极A401f的手指/拇指与联接至电极A401t的用户太阳穴之间的用户身体的电气回路闭合。ECG传感器的ECG信号A906被耦合到FIR或FFT/IFFT滤波器A907中,以从该数据信号去除信号噪声。
PPG-患者交互作用模型A408(参见图4B、图4C、图4D及图4E中的附加解释)用于证实来自ECG传感器的ECG信号测量。所得信号去往带通滤波器A908,以从该ECG信号去除低频分量和高频分量。接着,滤波的ECG信号经历由信号处理器执行的利用峰值检测算法A909的峰值检测处理。响应于滤波的信号的幅度,在一时段期间检测到的峰值的数量提供呼吸率。更具体地,ECG峰值(R-波)的分布给出作为时间的函数的有关心率的信息。心率可变性可以根据该函数来推断。呼吸率可以根据心率可变性来估计。
分离或一起使用的PPG提取方法或ECG提取方法使信号A904和/或A909进入模型合并A910,将它们与生理呼吸率模型A912进行比较。生理呼吸率模型A912并入呼吸率的生理限制。例如,一般成人的呼吸频率在每分钟10次与30次呼吸之间。
图9B例示了被用于提取呼吸率的示例性ECG算法的细节。ECG信号A906馈送到FIR或FFT/IFFT滤波器A907中,以形成滤波的信号S907。滤波的ECG信号S907经历带通滤波器A908,以生成图9B所示带通ECG信号S908。带通ECG信号S908进入峰值检测算法A909,以生成经峰值检测的ECG信号S909。执行峰值检测的一种方法是设置阈值B902,并且对信号B901延伸超出该阈值的次数进行计数。也可以使用本领域已知的其它算法。
麦克风和呼吸率
参照图11A所示流程图,抵着用户胸部按压麦克风A1101以测量胸部声音。来自麦克风A1101的输出信号被耦合到信号处理器A1102中。信号处理器A1102执行一个或更多个信号处理算法(包括FFT/IFFT算法A1102),以从胸部声音信号中去除某些噪声。该处理器接着可以从已经去除了某些噪声的胸部声音信号中提取初始呼吸率。
信号处理器A1102还接收麦克风-患者交互作用模型A1105(参见参照图11B和图11C的附加解释)。麦克风-患者交互作用模型A1105包括识别的噪声信号。FFT/IFFT算法A1102可以使用麦克风-患者交互作用模型A1105从胸部声音信号去除更多噪声(例如,识别的噪声信号)。信号处理器A1102接着可以从已经去除了更多噪声的胸部声音信号中提取中间呼吸率。注意,麦克风-患者交互作用模型A1105还可以被信号处理器A1102使用以比较和识别数据信号中的呼吸状态。
在噪声减少之后,模型合并A1103包括比较中间呼吸率与生理呼吸模型A906的证实处理。该比较包括检查中间呼吸率的生理有效性。生理呼吸模型A906包括从ECG传感器捕获的ECG信号(参见参照图9B描述的附加解释)。如果确定为有效,则接受该中间呼吸作为总体呼吸率A904。总体呼吸率A904被呈现给用户和/或存储到存储装置上的健康记录中。
图11B例示了将该装置定位在用户的胸部上。生命体征扫描装置B1101的外壳紧贴着用户胸部。生命体征扫描装置B1101中的麦克风A1101记录胸部周围的肺音。如果用户仰面躺着,则生命体征扫描装置B1101可以简单地放置到用户胸部上。
图11C例示了由麦克风捕获的典型肺音。这些肺音被分类成制定完善的声音类别,如肺泡音、啰音(crackle)、喘息声、鼾音、支气管音、胸膜摩擦音以及支气管肺泡音。已知怎样分析这些声音中的每一种以从信号中提取呼吸率。
图10A示出了用于确定呼吸率的简单示例性处理。将麦克风A1101放置在用户胸部上,并且使声音记录进入声音记录系统A1001。对该记录进行分析并提取呼吸率。
加速度计和呼吸率
参照图13A所示流程图,外壳中的三维加速度计A1301紧贴用户胸部,以随着用户呼吸来测量胸部运动。来自三维加速度计A1301的3D加速度计输出信号被耦合到信号处理模块A1302中。信号处理模块A1302从该胸部运动信号中去除某些噪声(例如,通过应用FFT/IFFT)。处理模块A1302还利用移动平均峰值检测器来检测胸部运动信号中的峰值(例如,估计峰值至峰值时间间隔)。处理器模块A1302可以使用检测到的峰值从胸部运动信号中提取初始呼吸。
信号处理模块A1302还接收来自加速度计-患者交互作用模型A1305的第二输入(例如,噪声信号)。在此,还参照图13B和图13C对加速度计-患者交互作用模型A1305进行描述。
来自信号处理块A1302的峰值检测信号被耦合到峰间间隔估计器A1303中,峰间间隔估计器A1303执行更多峰间时间间隔检测。该峰间间隔是对应于用户的中间呼吸率的测量。
比较器A1304将所测量的峰间时间间隔与生理呼吸模型A906进行比较。参照图9B,对生理呼吸模型A906进行描述。比较器A1304检查所测量的峰间时间间隔的生理有效性。如果所测量的峰间时间间隔在生理上有效,则在处理A904将总体呼吸率在显示装置上显示给用户和/或存储到具有健康记录数据库的存储装置中。
图13B例示了将生命体征扫描装置B1101定位在用户的胸部上。将装置B1101的外壳简单地紧贴用户的胸部。装置B1101中的3D加速度计A1301记录胸部运动。如果用户仰面躺着以获取更好读数,则该装置可以简单地放置在用户胸部上。
图13C例示了的示例性加速度计-用户交互作用模型的波形。波形信号C1301表示在呼吸时胸壁的垂直或正交运动。该模型表示用户的胸部随着用户呼吸的预期垂直运动。然而,用户胸部的运动频率仍需要加以确定。胸部移动通过加速度计A1301来测量。加速度计A1301生成作为胸部移动检测的结果的信号,例如,垂直于胸部的矢量分量,或者胸部的加速度的X、Y和Z轴的矢量和。通过信号处理器执行的峰值检测算法A1302响应于模型A1305,提取用户随着时间的呼吸吸入频率。信号处理器还分析该呼吸吸入频率中的峰间时间间隔,并利用呼吸率算法A1303将其转换成测得的呼吸率。在生成输出呼吸率A904之前,比较算法A1304比较测量呼吸率与呼吸率生理模型A906,以确信该测量呼吸率有效。
胸部移动的原始记录数据可以以后在某些情况下加以分析。如果是这种情况,则可以使用诸如图12A所示的更简单的实施方式来记录和存储胸部移动。具有三维加速度计A1301的生命体征扫描装置B1101抵着用户胸部放置。来自加速度计A1301的输出信号随着时间通过运动记录系统A1201来记录。所记录输出信号可以存储在存储装置中,供以后分析和比较。
噪声和多传感器
太阳穴测量
根据设计,在此描述的系统并行地执行多个测量。因为传感器全部紧密定位在生命体征扫描仪100的同一外壳中,所以它们接收诸如振动或运动的相似噪声。
下面,参照图14A所示流程图,生命体征扫描仪的外壳或外罩A1401包括多个传感器,包括加速度计A1301。外壳中的加速度计A1301记录扫描仪100的振动和运动A1201。加速度计的振动和运动A1201可以与其它传感器共享。
一些传感器(像麦克风A1101)直接受振动扰动,因为声音和振动都是机械振动。同样,可以使用像噪声减少和交叉相关的校正方法。
其它传感器、温度计A301、PPG传感器A501和A502、ECG(401t、A401f)间接受振动扰动。它们不直接对振动或运动起反应,但它们的信号的质量取决于传感器/患者交互作用模型。
在温度计的情况下,振动因传感器与太阳穴之间的机械设计所保持的恒定气隙而具有较少影响。然而,如果传感器在颞动脉上移动,则太阳穴与传感器之间的相对运动可以示出差异,因为颞动脉中的血液比太阳穴其它血液暖和。
对于PPG和ECG传感器来说,最小的振动可以产生显著的误差。来自ECG传感器的ECG信号显示出响应于小振动的噪声污染尖峰信号。来自PPG传感器的PPG信号显示出当外部光打破该装置与太阳穴之间的密封时的信号饱和。
从利用多个传感器获得的改进的示例是针对组合了加速度计A1301、麦克风A1101以及PPG-ECG(A501、A502、A401t及A401f)传感器数据的结果的呼吸率的算法。该融合算法初始地考虑加速度计测量胸部运动的结果,因为这是单一维度下的简单正弦运动。最大胸部运动(最高速度)对应于呼吸动作中的峰值。最小胸部运动(最低速度)对应于完全吸入和完全呼出。这提供了呼吸率的初始确定,并且精确时刻对应于最大吸入时间点tin和最大呼出时间点tex。通过将时间点tin和tex提供给麦克风呼吸率算法和PPG-ECG呼吸率算法,可以预测针对最大吸入时间点和最大呼出时间点的相间的测量t’in和t’ex,以验证对呼吸率的预测。呼吸率A1401的最终确定可以是从对最大吸入时间点tin和最大呼出时间点tex和相间的最小吸入时间点t’in和相间的最大呼出时间点t’ex的测量所确定的呼吸率的组合。
诸如血压(BP)、心率(HR)、脉搏率(PR)、血液氧合(SpO2)及核心温度的其它生命体征测量也通过识别来自加速度计的信号中的噪声特征(noise signature)来改进。来自加速度计的信号中的噪声特征可以被传送至用于扫描仪100的用户界面,以向用户提供反馈。该用户界面响应于该噪声特征,可以鼓励用户改进扫描装置的抓握和定位。例如,检测的装置振动可以表示更加用力地将该装置抵着用户太阳穴按压。可以进行信号质量方面的另一可能改进,检测扫描仪100的稳定运动。扫描装置100的稳定运动可以造成某些测量(如来自温度传感器的温度)捕获不太准确的数据,从而生成不太准确的结果。响应于加速度计感测到的扫描装置的运动,可以通过用户界面向用户呈现消息,以保持扫描仪稳定。
还可以通过生命体征扫描仪100的用户界面软件应用来提供训练。训练可以示出扫描仪100要抵着身体哪里定位。训练可以被用于示出扫描仪100要怎样抓握。用户界面的训练可以提出用于解决使用该装置可能造成的常见错误的锻炼。在这些训练期间,可以通过生命体征扫描仪及其用户界面发出声音,以在达到该装置最佳使用方面训练用户。在训练之后,该装置可以被用于在统计上收集加速度计测量,以评估用户对生命体征扫描仪的使用的改进并且发现在其使用方面进一步改进的机会。
胸部测量
对于胸部测量来说,该装置并行地执行两个测量。因为传感器紧密地定位在装置外壳中,所以它们共享噪声,特别是振动和运动。
下面,参照图15A所示流程图,装置外罩A1401用包含全部传感器的形状来表示。加速度计A1301记录机身外罩的所有加速度,而麦克风A1101记录所有声音。因为两者都是机械振动,所以它们可以被用于彼此校正并且提供更准确的呼吸率。
组合加速度计和麦克风的结果是改进用于确定呼吸率的算法的另一示例。首先,考虑加速度计测量胸部运动的结果,因为这是单一维度下的简单正弦运动。呼吸吸入和呼出分别对应于最大胸部运动和最小胸部运动。这提供了呼吸率的初始确定,并且精确时刻对应于最大吸入tin和最大呼出tex。通过将tin和tex提供给麦克风呼吸率算法,可以进行有关音轨的简单验证技术,以代替进行更复杂的确定。呼吸率A1501的最终确定可以来自麦克风A1100,或者来自加速度计A1300。
如果用户在躺着时进行测量,则该装置可以位于它们的胸部上。这减少了的信号污染,因为加速度计仅感测上下胸部运动而非用户摇摆、烦躁等时的移动。
传感器融合
太阳穴测量
生命体征扫描仪100在同一处理器的控制下,在测量时段期间,利用多个传感器同时并行地执行多个测量。由于同一时间线上的这些并行操作,因而来自一个或更多个传感器的一些测量可以被用于校正/证实其它测量,从而改进由该装置生成的生命体征测量的质量。
下面,参照图16A所示流程图,装置外壳A1401用包含多个传感器的一形状来表示。加速度计A1301记录外壳的加速度,其可以与其它传感器共有。来自生命体征扫描装置100中的多个传感器的传感器数据或信号可以融合起来,或许同样与其它数据融合,以改进生命体征的测量质量。
温度计A301与其信号处理A300、PPG传感器A501和A502连接至下列全部:脉搏率A500、SpO2率A600、血压A800以及呼吸率A900。与太阳穴上的电极A401t和手指/拇指上的电极A401f具有单导ECG的ECG传感器连接至下列全部:心率A400、呼吸率A900以及血压A800。同时捕获的、来自麦克风A1101的传感器数据和来自加速度计A1301的传感器数据可以通过信号处理器融合在一起,以生成用户的呼吸率A900的更高质量测量。
因为通过传感器采取的测量同时并行执行,所以传感器数据中的一个或更多个信号可以被用于在测量证实处理A1601中证实其它数据或生命体征测量。可以使用数据融合算法将不同数据融合起来,以证实或增强生命体征测量的质量。融合算法例如接收来自三个源PPG-ECG、麦克风及加速度计的呼吸率的测量,并且比较它们以评估它们的测量的有效性。来自各个源的呼吸率的不同测量可以基于它们的数据中的感知质量来加权。例如,如果来自加速度计的被用于确定呼吸率的信号不太嘈杂,则其信号和测量可以在输出的加权和中被赋予较大权重。如果根据融合的PPG-ECG传感器数据确定的呼吸率可比得上根据加速度计和麦克风确定的呼吸率,则该融合算法可以提升ECG和PPG两者的置信度,并且在输出的加权和中赋予其较大权重。在根据融合的PPG-ECG传感器数据确定的呼吸率可比得上根据加速度计和麦克风确定的呼吸率的情况下,该融合算法还可以在信号处理器的血压计算处理A800中提升它们的使用的置信度。
用于融合来自不同传感器的不同数据的融合算法的另一示例是比较已经在信号处理过程A500和A400中确定的脉搏率和心率。在大多数情况下,这些值非常相似。在信号处理器在相应处理A500和A400中确定相似的脉搏率和心率的情况下,ECG传感器数据和PPG传感器数据的信任度可以提升,并且因传感器数据具有更高质量而更大地加权。因为ECG和PPG还被用于确定血液氧合和脉搏率的生命体征,并且它们的传感器数据质量被确定为较高,所以对在信号处理步骤A600和A500中确定的SpO2和脉搏率的生命体征测量的信任度较高。
扫描装置100的运动A1201可以被用于证实和无效传感器数据与生命体征测量。例如,在扫描装置100在用户太阳穴附近很少运动时,可以信任根据通过温度传感器A301测量的传感器数据所确定的核心温度。如果一个或更多个加速度计A1301感测到的运动A1201近乎为零,则核心温度确定在质量上更高,并且可以由于缺乏运动而被证实。如果一个或更多个加速度计A1301感测的运动A1201大,则核心温度确定具有低质量,并且在测量证实处理A1610期间被无效。
该测量证实算法和信号处理过程A1601在某些情况下可以按全有或全无模式来证实数据。所有生命体征测量在某些情况下可能被无效。例如,如果多个传感器未捕获数据,或者具有无变化的恒定数据,则扫描仪100可能不适当,因此,所有生命体征数据应被视为低质量并且可能废弃。另选的是,在其它情况下,该测量证实算法和信号处理过程A1601可以部分地证实数据,仅更新经证实的生命体征测量,并且针对无效的生命体征测量设置用于输出生命体征值的空白或零值。
胸部测量
针对在测量时段期间在用户胸部处进行的生命体征测量,生命体征扫描装置100可以同时并行执行两个测量。在用户的胸部处,可以同时执行声音测量或声音捕获(麦克风A1101)和加速度的测量和捕获(加速度计A1301)。由于这些传感器包含在生命体征扫描装置100的同一外壳内,因而可以向这些传感器提交相似激励,但按不同方式捕获。因此,这些传感器的信号(包括麦克风捕获的声音信号)共有同一时间线。因此,声音信号中声音的特征例如可以在时间上与加速度计捕获的运动信号的特征相比较。
下面,参照图17A,用于呼吸率的融合算法例如将加速度计和麦克风的结果或信号组合。最初考虑加速度计测量胸部运动的结果A1300,因为它们的模型在单一维度上是简单的正弦运动。呼吸吸入和呼出分别对应于最大或峰值胸部位置和最小或最低胸部位置。这提供了呼吸率的初始确定,并且峰值胸部位置和最低胸部位置在时间上的精确时刻对应于最大吸入时间tin和最大呼出时间tex。
最大吸入时间tin的时间点和最大呼出时间tex的时间点被耦合到麦克风呼吸率算法A1100中。麦克风呼吸率算法A1100可以利用最大吸入tin和最大呼出tex,来向所记录声音的音轨使用简单验证技术,以代替进行更复杂的确定。测量证实A1701(包括最终证实算法)可以通过检查麦克风确定呼吸率A1100等于或足够接近根据加速度计A1301确定的加速度计呼吸率A1300以证实所显示的呼吸率A1702来加以实现。如果加速度计呼吸率A1300和麦克风确定呼吸率A1100实质上不同,则可以将所显示的呼吸率A1702设置成空白值。
如果用户在躺着时进行测量,则可以将生命体征扫描装置100定位在他们的胸部上来测量呼吸率。这减少了信号污染,因为加速度计仅仅感测上下胸部运动,并且避免了测量诸如来自用户摇摆、烦躁等时的其它用户移动。
生命体征扫描仪细节
通过图1和图2A、图2B及其描述介绍了生命体征扫描仪100。图18例示了有关生命体征扫描仪100的进一步细节。Wenyi Zhao等人于2014年5月30日提交并且通过引用并入本文的美国专利申请No.12/292,820也描述了该生命体征扫描仪100。
下面,参照图18,示出了便携式无线生命体征扫描仪100内的电子电路800的功能框图。便携式无线生命体征扫描仪100的电子电路800包括处于系统中心的处理器840。该处理器840可以是利用嵌入式操作系统软件操作的精简指令集处理器。在本发明的一个实施方式中,该处理器是利用MICRIUM的嵌入式实时操作系统(RTOS)操作的ARM处理器。
为了向诸如智能电话或平板计算机的便携式装置提供无线通信信道103A、103B,将无线射频设备870联接至处理器841。无线射频设备870联接至天线871,天线871可以是内部的、作为整个射频系统的一部分或者处于无线射频设备870外部。被用作无线连接指示器的可选发光二极管848联接至该无线射频设备,以指示与个人便携式无线数字多功能装置104成功配对。为了在诸如10秒钟的时段期间扫描生命体征,电子系统800包括红外温度计812、加速度计885、脉搏血氧饱和度传感器和脉搏血氧饱和度电路880以及模拟心电图电路860。联接至心电图电路860的是底或顶电极806B、前电极711、底/顶电极连接部以及前电极连接部806F。如图1A所示,人体的一部分联接至前电极711和顶/底电极806B以形成一回路。
脉搏血氧饱和度电路880联接至一对发光二极管808A-808B。这些发光二极管中的每一个都发射光图案,其被用户前额/太阳穴内部地反射。所反射的光被光电二极管810捕获并且耦合至电路880。即,来自发光二极管808A-808B的入射光891被用户头部116内部反射,作为被光电二极管(PD)810接收到的反射光892。
红外温度计812通过测量从用户头部116(或将扫描仪按压至的其它身体部分)发出的热辐射(称为黑体辐射)813来检测用户前额/太阳穴(或别的地方)的表面温度。
为了向个人便携式无线生命体征扫描仪100的系统800中的电路供电,当开关852闭合时,可充电电池850与电压调节器及电池充电控制器854一起联接到系统800中的电路中。电池充电控制器854被联接至串口连接器856的电源插针,以接收外部DC电源。该外部电源可用于在被连接时向电池充电和向系统800供电。由于电路的低功耗和为执行用户的生命体征扫描所需的有限时段,因而即使在每天期间扫描多次,可充电电池850也可以充一次电保持七天的时段。即,预计生命体征扫描仪100在一天期间不连续通电,而是在需要时周期性地加电来执行扫描。
处理器840可以包括用于存储系统指令的处理器存储器841,系统指令用于控制系统中的电路以获取扫描并将通过那些扫描获取的信息处理成合适的用户格式。为存储来自这些扫描中的各个扫描的用户数据,非易失性存储器844联接至处理器840。该非易失性存储器844可以被焊接至具有处理器840的印刷电路板。在本发明的另选实施方式中,提供连接器845,使得非易失性存储器844是可去除的存储卡,使得若需要的话,可以将用户的数据从一个扫描仪转移至下一个。
电源LED 851可以联接至处理器840,以提供对电子系统800加电的指示。该系统可以经由扫描软件应用140人工关机,以使扫描仪100断电。然而,扫描仪100还可以在预定时段之后自动关机,以保存电力和可充电电池850上的电荷。接着,用户只需要再一次按压电源开关852以将系统重新打开,并且扫描用户的生命体征。
处理器840包括一个或更多个模数转换器842,以便接收来自红外温度计812、加速度计885、脉搏血氧饱和度电路880以及ECG模拟电路860的模拟信号。电子系统800还可以包括立体声麦克风875,麦克风875由皆联接至立体声麦克风放大器874的上麦克风875T和下麦克风875B构成。立体声麦克风放大器可以具有其自身的模数转换器,或者处理器的模数转换器842可用于将模拟信号转换成数字信号。例如,可以利用处理器的模数转换器842将ECG模拟信号转换成数字信号。立体声麦克风875捕获无线生命体征扫描仪100附近的音频信号。加速度计885捕获便携式无线生命体征扫描仪100的移动。
可以利用音频信息和移动信息的组合来确定被生命体征捕获电路获取的扫描信息的质量。例如,立体声麦克风875可用于捕获来自用户说话的噪声,并将其标绘在指示噪声尖峰信号的图形或噪声线330上,如图3A所示。这向用户提供有关在这些间隔的扫描质量的反馈。加速度计885和运动信息可以被类似地用于进行有关红外温度计812的生命体征电路、脉搏血氧饱和度电路880以及ECG模拟电路860捕获的生命体征扫描信息的质量的判断。
便携式无线扫描仪120中的麦克风875还可以被用于捕获诸如图1E至图1F所示的身体声音,并将所捕获身体声音存储在存储器844中,作为用户身体的身体状况的潜在征兆。例如,在将扫描仪100抵着某人心脏156附近的胸部114的皮肤定位时,可以通过麦克风875捕获心跳声音155,如图1E中所示。作为另一示例,当将扫描仪100抵着某人身体中的肺部158附近的胸部114的皮肤定位时,可以通过麦克风875捕获肺或空气进入和退出某人肺部的呼吸,呼吸声157,如图1F中所示。
为进一步最优化扫描结果,扫描质量算法监测生命体征扫描处理,并且可以向用户提供反馈(可视和/或可听),如经由多功能装置104。
扫描仪100中的可选的可听声音生成器847可以联接至处理器840,以在扫描处理期间向用户提供可听的用户反馈。用户反馈可以帮助用户利用无线生命体征扫描仪100来执行更好的生命体征扫描,并且获取更高质量的生命体征测量。可听声音生成器847可以生成指示扫描处理何时开始和结束的提醒声音。其还可以生成向用户指示他未正确使用扫描仪100的出错信号并且提供指令。
结论
提供了各种特定材料、设计、尺寸等,并且在一个方面被视为本公开的非常有益的实施方式。然而,在其它方面,这种细节也仅例示了本公开的更宽泛方面,而不应当必需视为对这种更宽泛方面的限制,除非需要明确指定。具体来说,作为这种实施例提供的各种特定尺寸旨在有关所提供的任何特殊值,并且普通技术人员应当清楚合适另选例的典型公差和范围。在针对某些实施方式的示例性例示提供这种尺寸的特定组合的情况下,它们之间的相对关系还被设想为已经在此公开为附加有益方面(即使相对尺寸的特定值改变)。例如,针对特定组合体示出并描述的特定组件的某些长度、宽度和/或深度提供总体几何形状,其可以通过改变这种尺寸的某些子集来改变,但尽管该值改变,也可以相对于这些值的比率来固定(只要它们的一般关系保持恒定即可)。类似的是,不同组件部件的这种尺寸还具有相似的相对关系,类似地对其加以设想,而且如普通技术人员所清楚的。
当以软件来实现时,本发明实施方式的组件基本上是用于执行在此描述的功能性任务的代码段或指令。代码段或指令可通过诸如图2B所示的信号处理器206的处理器执行,并且可以存储在诸如存储器208的存储装置或处理器可读存储介质中,等待执行。处理器可读存储介质可以包括可存储信息的任何介质。处理器可读记录介质的示例包括:电子电路、半导体存储器装置、只读存储器(ROM)、闪速存储器、可擦除可编程只读存储器(EPROM)、软盘、CD-ROM、光盘、硬盘。代码段或指令可以经由诸如因特网、内联网等计算机网络下载到处理器可读存储介质中。
公开的组件和实施方式与方面的各种组合和子组合以及可以做出的修改无论是否在此具体公开都被设想到这种程度,并且如本领域普通技术人员回顾本公开时所清楚的和为了适应特别的预期目的或应用。
虽然已经描述了本公开的某些实施方式,但这些实施方式仅通过示例的方式进行了呈现,并非旨在限制本公开的范围。实际上,在此描述的新颖方法、系统及装置可以按多种其它形式来具体实施。而且,可以在不脱离本公开的精神的情况下,按在此描述的方法、系统以及装置的形式进行各种省略、替代以及改变。例如,本说明书中在分离实现的背景下描述的某些特征还可以在单一实现中组合实现。相反的是,在单一实现的背景下描述的各种特征还可以按多个实现、分离地或者按子组合来实现。而且,尽管上面将特征描述为在某些组件中起作用,甚至最终同样要求保护,但来自要求保护的组合的一个或更多个特征在某些情况下可以从该组合删除,并且要求保护的组合可以指向子组合或子组合的变型。因此,要求保护的本发明要仅通过下面的专利权利要求书来限制。
Claims (44)
1.一种便携式生命体征扫描仪,该便携式生命体征扫描仪包括:
中空外壳;
基础印刷电路板(PCB),该基础印刷电路板安装在所述外壳中并且具有多条导线迹线;
处理器,该处理器安装至所述主PCB,联接至所述多条导线迹线中的一条或更多条;
多个传感器,所述多个传感器联接至所述处理器以同时捕获传感器数据,所述多个传感器包括:
心电图(ECG)传感器,该心电图传感器具有位于所述外壳的正面的第一电极以及位于所述外壳的底部的第二电极;
一个或更多个光电血管容积图(PPG)传感器,所述一个或更多个光电血管容积图传感器位于所述外壳的正面,靠近所述ECG传感器的所述第一电极,所述一个或更多个PPG传感器用于捕获PPG数据;以及
温度计,该温度计位于所述外壳的正面,靠近所述第一电极;以及
联接至所述处理器的存储装置,所述存储装置用于存储供所述处理器执行的指令,所述指令用于利用所述多个传感器来同时捕获多个不同的传感器数据。
2.根据权利要求1所述的便携式生命体征扫描仪,其中,所述多个传感器还包括:
安装至所述外壳的加速度计,所述加速度计用于捕获所述扫描仪的运动。
3.根据权利要求2所述的便携式生命体征扫描仪,其中,所述存储装置存储供所述处理器执行的另一些指令,所述另一些指令用于
分析所述扫描仪的被捕获的运动,以确定耦合至所述多个传感器中的一个或更多个传感器的噪声和由所述多个传感器中的所述一个或更多个传感器捕获的传感器数据的质量。
4.根据权利要求2所述的便携式生命体征扫描仪,其中,所述存储装置存储供所述处理器执行的另一些指令,所述另一些指令用于
从信号数据中减小耦合至所述多个传感器中的所述一个或更多个传感器的所述噪声,所述噪声因捕获的运动而导致。
5.根据权利要求1所述的便携式生命体征扫描仪,其中,所述多个传感器还包括:
麦克风,该麦克风位于所述外壳中的开口的下面,所述麦克风用于捕获所述扫描仪周围的声音。
6.根据权利要求4所述的便携式生命体征扫描仪,其中,所述存储装置存储供所述处理器执行的另一些指令,所述另一些指令用于
分析在所述扫描仪周围捕获的声音,以确定耦合至所述多个传感器中的一个或更多个传感器的噪声和由所述多个传感器中的所述一个或更多个传感器捕获的传感器数据的质量。
7.根据权利要求6所述的便携式生命体征扫描仪,其中,所述存储装置存储供所述处理器执行的另一些指令,所述另一些指令用于
从所述信号数据减小耦合至所述多个传感器中的所述一个或更多个传感器的所述噪声。
8.根据权利要求7所述的便携式生命体征扫描仪,其中,
一些信号噪声因以下中的至少一个而跨所述多个传感器共有:
所述多个传感器的物理位置;或者
位于所述中空外壳中的并且在所述多个传感器间共有的机械链接。
9.根据权利要求2所述的便携式生命体征扫描仪,其中,所述多个传感器还包括:
麦克风,该麦克风位于所述外壳中的开口的下面,所述麦克风用于捕获所述扫描仪周围的声音。
10.根据权利要求9所述的便携式生命体征扫描仪,其中,所述存储装置存储供所述处理器执行的另一些指令,所述另一些指令用于
分析在所述扫描仪周围捕获的声音和所述扫描仪的被捕获的运动,以确定耦合至所述多个传感器中的一个或更多个传感器的噪声和由所述多个传感器中的所述一个或更多个传感器捕获的传感器数据的质量;以及
从所述信号数据减小耦合至所述多个传感器中的所述一个或更多个传感器的所述噪声。
11.一种利用便携式多传感器生命体征扫描仪来测量生命体征的非侵入式方法,所述测量生命体征的非侵入式方法包括:
在第一测量时段期间,通过将所述扫描仪的第一电极接触用户的太阳穴并且将所述扫描仪的第二电极接触所述用户的保持所述扫描仪的手指/拇指而与所述用户的身体形成电子回路,同时地扫描ECG数据;
在所述第一测量时段期间,利用所述扫描仪的放置在所述用户的太阳穴附近的PPG传感器来同时地扫描PPG数据;
在所述第一测量时段期间,利用所述扫描仪的放置在所述用户的太阳穴附近的温度传感器来同时地扫描温度数据;以及
响应于从所述第一测量时段期间的所述同时扫描获取的所述ECG数据、所述PPG数据以及所述温度数据,确定所述用户的多个生命体征。
12.根据权利要求11所述的非侵入式方法,其中,
通过将所述ECG数据和所述PPG数据融合在一起,确定所述用户的至少一个生命体征。
13.根据权利要求11所述的非侵入式方法,所述非侵入式方法还包括:
将针对ECG数据、PPG数据以及温度数据的所述同时扫描重复至少一个或更多个测量时段;
确定至少两个或更多个测量时段的扫描的传感器数据的质量的量度,并且
其中,确定所述用户的所述多个生命体征还响应于:将两个或更多个同时扫描的结果融合在一起;以及响应于所述至少两个或更多个测量时段的扫描的传感器数据的质量的量度,对所述两个或更多个同时扫描的结果加权。
14.根据权利要求11所述的非侵入式方法,所述非侵入式方法还包括:
在第二测量时段期间,利用所述扫描仪的靠近所述用户的胸部放置的加速度计,确定所述用户呼吸的胸部运动的量度;
在所述第二测量时段期间,利用所述扫描仪的放置在所述用户的胸部附近的麦克风来记录所述用户的呼吸音;以及
响应于在所述第二测量时段期间捕获的胸部运动的量度和所述用户的呼吸音的记录,确定呼吸率的生命体征。
15.根据权利要求11所述的非侵入式方法,所述非侵入式方法还包括:
在确定所述多个生命体征之前,
利用一个或更多个患者交互作用模型,来证实通过所述同时扫描捕获的所述PPG数据、所述ECG数据以及所述温度数据。
16.根据权利要求11所述的非侵入式方法,所述非侵入式方法还包括:
在确定所述多个生命体征之前,
利用生理模型,证实通过所述同时扫描捕获的所述PPG数据、所述ECG数据以及所述温度数据。
17.根据权利要求15所述的非侵入式方法,所述非侵入式方法还包括:
在所述确定所述多个生命体征之前,
利用生理模型,证实通过所述同时扫描捕获的所述PPG数据、所述ECG数据以及所述温度数据。
18.根据权利要求11所述的非侵入式方法,所述非侵入式方法还包括:
在确定所述多个生命体征之前,
检测一个扫描的传感器数据中的噪声;以及
响应于所述一个扫描的传感器数据,减小另一个扫描的传感器数据中的噪声。
19.根据权利要求11所述的非侵入式方法,其中,确定多个生命体征包括:
向所述ECG信号和所述PPG信号应用包括相关在内的信号处理,以获取包括脉冲宽度渡越时间(PWTT)结果在内的值;
向包括所述PWTT在内的所述值应用附加信号处理,其中,所述附加信号处理包括向包括所述PWTT在内的所述值应用回归算法;以及
基于所述回归算法的结果,生成舒张压和收缩压。
20.根据权利要求19所述的非侵入式方法,其中,所述ECG信号和所述PPG信号的所述信号处理包括:
从所述ECG信号提取特征,其中,所提取的特征包括ECG峰值;
从所述PPG信号提取特征,其中,所提取的特征包括PPG峰值;
计算所述ECG峰值与所述PPG峰值之间的、表示第二PWTT值的时间差;以及
将所述第二PWTT值与所述第一PWTT值合并,以改进所得的PWTT值、生成的收缩压值以及生成的收缩压值。
21.一种利用便携式多传感器生命体征扫描仪来测量生命体征的非侵入式方法,所述测量生命体征的非侵入式方法包括:
训练用户使用所述便携式多传感器生命体征扫描仪;
在第一测量时段期间,按照第一使用配置,利用紧贴着用户的太阳穴的所述生命体征扫描仪同时扫描多个生命体征数据;以及
在第二测量时段期间,按照第二使用配置,利用紧贴着用户的胸部的所述生命体征扫描仪同时扫描多个生命体征数据。
22.根据权利要求21所述的非侵入式方法,所述非侵入式方法还包括:
利用信号处理模型,对在所述第一测量时段期间捕获的多个传感器信号进行信号处理,以减小噪声并且获取一个或更多个生命体征的值。
23.根据权利要求21所述的非侵入式方法,所述非侵入式方法还包括:
响应于与所述生命体征扫描仪的用户交互作用,利用第一交互作用模型,对在所述第一测量时段期间捕获的所述多个传感器信号进行信号处理,以校正并改进所述生命体征测量结果。
24.根据权利要求23所述的非侵入式方法,所述非侵入式方法还包括:
将所述生命体征测量结果与生理模型进行比较,以证实所述生命体征测量结果。
25.根据权利要求21所述的非侵入式方法,所述非侵入式方法还包括:
响应于与所述生命体征扫描仪的用户交互作用,利用第二交互作用模型,对在所述第二测量时段期间捕获的所述多个传感器信号进行信号处理,以校正并改进所述生命体征测量结果。
26.根据权利要求25所述的非侵入式方法,所述非侵入式方法还包括:
将所述生命体征测量结果与生理模型进行比较,以证实所述生命体征测量结果。
27.根据权利要求21所述的非侵入式方法,所述非侵入式方法还包括:
利用第一信号处理模型,对在所述第一测量时段期间通过第一传感器捕获的传感器信号进行信号处理,以减小噪声并且获取生命体征的第一值;
利用第二信号处理模型,对在所述第一测量时段期间通过所述第一传感器捕获的所述传感器信号进行信号处理,以减小噪声并且获取所述生命体征的第二值;以及
将所述生命体征的所述第一值和所述第二值融合在一起,以生成所述生命体征的生命体征输出值。
28.根据权利要求27所述的非侵入式方法,其中,
所述生命体征是脉冲宽度渡越时间(PWTTT)。
29.一种利用便携式生命体征扫描仪来测量生命体征的非侵入式方法,所述测量生命体征的非侵入式方法包括:
接收从压靠用户胸部的麦克风捕获的胸部声音信号,其中,所述麦克风连接至所述便携式生命体征扫描仪;
通过执行具有快速傅立叶变换/快速傅立叶逆变换(FFT/IFFT)的信号处理算法,从所述胸部声音信号去除某些噪声;以及
从被去除了某些噪声的所述胸部声音信号提取初始呼吸率。
30.根据权利要求29所述的非侵入式方法,所述非侵入式方法还包括:
识别从压靠所述用户胸部的所述麦克风捕获的噪声信号,其中,所述噪声信号被分类成一个或更多个类别的麦克风-患者交互作用模型;
通过去除识别的噪声信号,从所述胸部声音信号去除更多噪声;以及
从被去除了更多噪声的所述胸部声音信号提取中间呼吸率。
31.根据权利要求30所述的非侵入式方法,其中,所述一个或更多个类别的麦克风-患者交互作用模型包括以下中的至少一个:
肺泡音;啰音;喘息声;鼾音;支气管音;胸膜摩擦音;或支气管肺泡音。
32.根据权利要求30所述的非侵入式方法,所述非侵入式方法还包括:
接收从心电图(ECG)传感器捕获的ECG信号;
基于所述心电图(ECG)信号,生成生理呼吸模型;以及
比较所述生理呼吸模型与所述中间呼吸率,以检查所述中间呼吸率的生理有效性。
33.根据权利要求32所述的非侵入式方法,所述非侵入式方法还包括:
基于对所述生理呼吸模型与所述中间呼吸率的所述比较,确定所述中间呼吸率有效;
接受所述中间呼吸率作为总体呼吸率。
34.根据权利要求32所述的非侵入式方法,其中,对所述ECG信号的所述信号处理包括:
应用有限脉冲响应(FIR)或快速傅立叶变换/快速傅立叶逆变换(FFT/IFFT)滤波器;
应用带通滤波器;以及
应用峰值检测算法。
35.一种利用便携式生命体征扫描仪来测量生命体征的非侵入式方法,所述测量生命体征的非侵入式方法包括:
接收从压靠用户胸部的加速度计捕获的胸部运动信号,其中,所述加速度计联接至所述便携式生命体征扫描仪;
通过应用快速傅立叶变换/快速傅立叶逆变换(FFT/IFFT),从所述胸部运动信号去除某些噪声;
利用平均峰值检测器检测所述胸部运动信号中的峰值;以及
从被去除了某些噪声的所述胸部运动信号提取初始呼吸率,其中,提取所述初始呼吸率包括利用检测到的峰值。
36.根据权利要求36所述的非侵入式方法,所述非侵入式方法还包括:
识别从压靠所述用户胸部的所述加速度计捕获的噪声信号,其中,所述噪声信号是加速度计-患者交互作用模型的一部分;
通过去除识别的噪声信号,从所述胸部运动信号去除更多噪声;
根据被去除了更多噪声的所述胸部运动信号的检测到的峰值,计算峰间时间间隔;以及
从被去除了更多噪声的所述胸部运动信号提取中间呼吸率,其中,提取所述中间呼吸率包括利用所述峰间时间间隔。
37.根据权利要求37所述的非侵入式方法,所述非侵入式方法还包括:
接收从心电图(ECG)传感器捕获的ECG信号;
基于所述心电图(ECG)信号,生成生理呼吸模型;以及
比较所述生理呼吸模型与所述中间呼吸率,以检查所述中间呼吸率的生理有效性。
38.根据权利要求38所述的非侵入式方法,所述非侵入式方法还包括:
基于对所述生理呼吸模型与所述中间呼吸率的所述比较,确定所述中间呼吸率有效;
接受所述中间呼吸率作为总体呼吸率。
39.一种利用便携式多传感器生命体征扫描仪来测量生命体征的非侵入式方法,所述测量生命体征的非侵入式方法包括:
接收从压靠用户胸部的麦克风捕获的胸部声音信号,其中,所述麦克风联接至所述便携式生命体征扫描仪;
接收从压靠用户胸部的加速度计捕获的胸部运动信号,其中,所述加速度计联接至所述便携式生命体征扫描仪;
通过执行具有快速傅立叶变换/快速傅立叶逆变换(FFT/IFFT)的信号处理算法,从所述胸部声音信号去除某些噪声;以及
通过应用快速傅立叶变换/快速傅立叶逆变换(FFT/IFFT),从所述胸部运动信号去除某些噪声;
从所述胸部声音信号与所述胸部运动信号的组合提取初始呼吸率,其中,提取所述初始呼吸率包括利用检测到的峰值。
40.根据权利要求40所述的非侵入式方法,其中,
一些信号噪声因以下中的至少一个而跨所述麦克风和所述加速度计共有:
所述多个所述麦克风与所述加速度计的物理位置;或者
所述中空外壳中的并且在所述麦克风与所述加速度计之间共有的机械链接。
41.一种利用便携式生命体征扫描仪来测量生命体征的非侵入式方法,所述测量生命体征的非侵入式方法包括:
感测从压靠用户太阳穴的温度计捕获的温度,其中,所述温度计联接至所述便携式生命体征扫描仪;
利用信号处理模块从所述温度去除某些噪声;
从被去除了某些噪声的所述温度提取初始温度。
42.根据权利要求42所述的非侵入式方法,所述非侵入式方法还包括:
识别从压靠所述用户太阳穴的所述温度计捕获的噪声信号,其中,所述噪声信号被分类成一个或更多个类别的温度计-患者交互作用模型;
通过去除识别的噪声信号,从所述温度去除更多噪声;以及
基于被去除了更多噪声的所述温度,提取中间温度。
43.根据权利要求43所述的非侵入式方法,所述非侵入式方法还包括:
接收从心电图(ECG)传感器捕获的ECG信号;
基于人的核心温度范围,生成温度生理模型;以及
比较所述温度生理模型与所述中间温度,以检查所述中间温度的生理有效性。
44.根据权利要求44所述的非侵入式方法,所述非侵入式方法还包括:
基于对所述温度生理模型与所述中间温度的所述比较,确定所述中间温度有效;
接受所述中间温度作为总体温度。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201461988899P | 2014-05-05 | 2014-05-05 | |
US61/988,899 | 2014-05-05 | ||
PCT/US2015/029330 WO2015171667A1 (en) | 2014-05-05 | 2015-05-05 | Portable device with multiple integrated sensors for vital signs scanning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106255449A true CN106255449A (zh) | 2016-12-21 |
Family
ID=54392922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580023418.7A Pending CN106255449A (zh) | 2014-05-05 | 2015-05-05 | 具有用于生命体征扫描的多个集成传感器的便携式装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3139825A4 (zh) |
CN (1) | CN106255449A (zh) |
WO (1) | WO2015171667A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109350017A (zh) * | 2018-12-13 | 2019-02-19 | 温州医科大学 | 一种基于多传感器阵列的生命体征监测装置及方法 |
CN109876272A (zh) * | 2019-03-13 | 2019-06-14 | 安徽华米信息科技有限公司 | 减压设备及生理参数采集系统 |
CN110123325A (zh) * | 2019-04-03 | 2019-08-16 | 数智医疗(深圳)有限公司 | 一种呼吸监测方法及系统 |
CN111920395A (zh) * | 2020-07-22 | 2020-11-13 | 上海掌门科技有限公司 | 一种脉搏采集装置 |
CN112773359A (zh) * | 2019-11-06 | 2021-05-11 | 达尔生技股份有限公司 | 电子装置以及血氧浓度补偿方法 |
TWI729387B (zh) * | 2019-05-03 | 2021-06-01 | 華碩電腦股份有限公司 | 穿戴式生理數值偵測裝置 |
CN113384280A (zh) * | 2021-06-16 | 2021-09-14 | 武汉久乐科技有限公司 | 一种提升长程心跳间期完整性的检测装置及方法 |
CN114630645A (zh) * | 2019-11-05 | 2022-06-14 | 瑞福莱克特创新有限公司 | 用于减轻压力的装置、系统和方法 |
WO2022141119A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 生理信号处理方法、装置、监护仪及计算机可读存储介质 |
US11490822B2 (en) | 2019-06-12 | 2022-11-08 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating bio-information |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10991096B2 (en) | 2014-05-12 | 2021-04-27 | Healthy.Io Ltd. | Utilizing personal communications devices for medical testing |
US11087467B2 (en) | 2014-05-12 | 2021-08-10 | Healthy.Io Ltd. | Systems and methods for urinalysis using a personal communications device |
EP3251332B1 (en) | 2015-01-27 | 2021-07-07 | Healthy.IO Ltd | Measuring and monitoring skin feature colors, form and size |
IT201700031915A1 (it) * | 2017-03-23 | 2018-09-23 | Univ Degli Studi Di Modena E Reggio Emilia | Sistema e metodo per la rilevazione di parametri fisiologici vitali di un soggetto. |
EP3488781B1 (en) | 2017-11-28 | 2022-05-18 | Current Health Limited | Apparatus and method for estimating respiration rate |
US11331014B2 (en) | 2018-03-14 | 2022-05-17 | Welch Allyn, Inc. | Compact, energy efficient physiological parameter sensor system |
US11250944B2 (en) | 2019-01-02 | 2022-02-15 | Healthy.Io Ltd. | Uniquely coded color boards for analyzing images |
KR20200112095A (ko) * | 2019-03-20 | 2020-10-05 | 삼성전자주식회사 | 혈압을 측정하는 전자 장치 및 혈압 측정 방법 |
CN110811582A (zh) * | 2019-12-09 | 2020-02-21 | 北京明略软件系统有限公司 | 心率检测方法、装置和设备 |
GB202000438D0 (en) * | 2020-01-13 | 2020-02-26 | Surepulse Medical Ltd | Improved ppg measurement |
CN114515147B (zh) * | 2021-12-20 | 2023-10-03 | 之江实验室 | 一种基于bcg信号与ppg信号融合的生理监测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119586A1 (en) * | 2003-04-10 | 2005-06-02 | Vivometrics, Inc. | Systems and methods for respiratory event detection |
CN2717387Y (zh) * | 2004-07-19 | 2005-08-17 | 余羡鸣 | 便携式网络生命体征监护仪 |
CN202932908U (zh) * | 2012-10-18 | 2013-05-15 | 北京启迪时代科技有限公司 | 生命体征测量装置 |
CN103142219A (zh) * | 2013-03-28 | 2013-06-12 | 江苏晓山信息产业股份有限公司 | 一种无约束式生命体征监测床垫 |
CN103596492A (zh) * | 2011-02-09 | 2014-02-19 | 麻省理工学院 | 耳戴式生命体征监视器 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4016868A (en) * | 1975-11-25 | 1977-04-12 | Allison Robert D | Garment for impedance plethysmograph use |
CA2538940A1 (en) * | 2006-03-03 | 2006-06-22 | James W. Haslett | Bandage with sensors |
US20080221418A1 (en) * | 2007-03-09 | 2008-09-11 | Masimo Corporation | Noninvasive multi-parameter patient monitor |
KR20080090194A (ko) * | 2007-04-04 | 2008-10-08 | 엘지전자 주식회사 | 혈압 검출 방법 및 그 장치 |
JP5602629B2 (ja) * | 2007-09-07 | 2014-10-08 | フローレ,インゴ | 診断用センサユニット |
WO2009138927A1 (en) * | 2008-05-12 | 2009-11-19 | Koninklijke Philips Electronics N.V. | A method and apparatus for monitoring blood pressure |
KR20100114330A (ko) * | 2009-04-15 | 2010-10-25 | 이영우 | 심전도와 심음을 포함한 생체 신호의 동시 측정 및 분석을 위한 휴대형 측정기 |
US8961185B2 (en) * | 2011-08-19 | 2015-02-24 | Pulson, Inc. | System and method for reliably coordinating musculoskeletal and cardiovascular hemodynamics |
US8954135B2 (en) * | 2012-06-22 | 2015-02-10 | Fitbit, Inc. | Portable biometric monitoring devices and methods of operating same |
US9161697B2 (en) * | 2013-08-07 | 2015-10-20 | Dynosense, Corp. | System for measuring and recording a user's vital signs |
-
2015
- 2015-05-05 WO PCT/US2015/029330 patent/WO2015171667A1/en active Application Filing
- 2015-05-05 EP EP15789393.4A patent/EP3139825A4/en not_active Withdrawn
- 2015-05-05 CN CN201580023418.7A patent/CN106255449A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119586A1 (en) * | 2003-04-10 | 2005-06-02 | Vivometrics, Inc. | Systems and methods for respiratory event detection |
CN2717387Y (zh) * | 2004-07-19 | 2005-08-17 | 余羡鸣 | 便携式网络生命体征监护仪 |
CN103596492A (zh) * | 2011-02-09 | 2014-02-19 | 麻省理工学院 | 耳戴式生命体征监视器 |
CN202932908U (zh) * | 2012-10-18 | 2013-05-15 | 北京启迪时代科技有限公司 | 生命体征测量装置 |
CN103142219A (zh) * | 2013-03-28 | 2013-06-12 | 江苏晓山信息产业股份有限公司 | 一种无约束式生命体征监测床垫 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109350017A (zh) * | 2018-12-13 | 2019-02-19 | 温州医科大学 | 一种基于多传感器阵列的生命体征监测装置及方法 |
CN109350017B (zh) * | 2018-12-13 | 2021-07-13 | 温州医科大学 | 一种基于多传感器阵列的生命体征监测装置及方法 |
CN109876272A (zh) * | 2019-03-13 | 2019-06-14 | 安徽华米信息科技有限公司 | 减压设备及生理参数采集系统 |
CN110123325A (zh) * | 2019-04-03 | 2019-08-16 | 数智医疗(深圳)有限公司 | 一种呼吸监测方法及系统 |
TWI729387B (zh) * | 2019-05-03 | 2021-06-01 | 華碩電腦股份有限公司 | 穿戴式生理數值偵測裝置 |
US11490822B2 (en) | 2019-06-12 | 2022-11-08 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating bio-information |
CN114630645A (zh) * | 2019-11-05 | 2022-06-14 | 瑞福莱克特创新有限公司 | 用于减轻压力的装置、系统和方法 |
CN112773359A (zh) * | 2019-11-06 | 2021-05-11 | 达尔生技股份有限公司 | 电子装置以及血氧浓度补偿方法 |
CN111920395A (zh) * | 2020-07-22 | 2020-11-13 | 上海掌门科技有限公司 | 一种脉搏采集装置 |
WO2022141119A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 生理信号处理方法、装置、监护仪及计算机可读存储介质 |
CN113384280A (zh) * | 2021-06-16 | 2021-09-14 | 武汉久乐科技有限公司 | 一种提升长程心跳间期完整性的检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2015171667A1 (en) | 2015-11-12 |
EP3139825A4 (en) | 2018-06-27 |
EP3139825A1 (en) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106255449A (zh) | 具有用于生命体征扫描的多个集成传感器的便携式装置 | |
US11229370B2 (en) | Portable device with multiple integrated sensors for vital signs scanning | |
EP3773155B1 (en) | System and method for non-invasive determination of blood pressure dip based on trained prediction models | |
US10624586B2 (en) | Pulse wave measuring device, mobile device, medical equipment system and biological information communication system | |
US20150313484A1 (en) | Portable device with multiple integrated sensors for vital signs scanning | |
CN106413533B (zh) | 用于检测对象的呼吸暂停的设备、系统和方法 | |
CN108135487A (zh) | 用于获得对象的生命体征信息的设备、系统和方法 | |
Yu et al. | Video-based heart rate measurement using short-time Fourier transform | |
CN105592788A (zh) | 用于脑健康的多模态生理评估的形成因素 | |
KR20130010207A (ko) | 무구속 무자각 생체신호 획득을 통한 워치타입 건강상태 분석시스템 | |
US11699524B2 (en) | System for continuous detection and monitoring of symptoms of Parkinson's disease | |
KR20160108967A (ko) | 생체신호 측정장치 및 이를 이용한 생체신호 측정방법 | |
CN113838544A (zh) | 用于提供与医学检查有关的反馈的系统、方法和计算机程序产品 | |
US20210244289A1 (en) | Methods and apparatuses for measuring multiple vital signs based on arterial pressure waveforms | |
CN108882853A (zh) | 使用视觉情境来及时触发测量生理参数 | |
KR20160025285A (ko) | 생체 정보 처리 방법 및 그 장치 | |
Boccanfuso et al. | Collecting heart rate using a high precision, non-contact, single-point infrared temperature sensor | |
US11241173B2 (en) | Physiological monitoring systems and methods of estimating vital-sign data | |
CN115578789A (zh) | 脊柱侧弯检测装置、系统及计算机可读存储介质 | |
US20240164687A1 (en) | System and Method for Blood Pressure Assessment | |
JP6869205B2 (ja) | 生体の拍動を検出する生体情報検出装置、プログラム及び方法 | |
Angelva | Heartbeat detection with dictionary learning from ballistocardiography | |
ERDEM | Group Members |
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: 20161221 |