CN108366761A - 用于校准医学监测设备的方法和装置 - Google Patents
用于校准医学监测设备的方法和装置 Download PDFInfo
- Publication number
- CN108366761A CN108366761A CN201680073907.8A CN201680073907A CN108366761A CN 108366761 A CN108366761 A CN 108366761A CN 201680073907 A CN201680073907 A CN 201680073907A CN 108366761 A CN108366761 A CN 108366761A
- Authority
- CN
- China
- Prior art keywords
- monitoring device
- medical monitoring
- measurement result
- conversion factor
- equipment
- 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
Classifications
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/1495—Calibrating or testing of in-vivo probes
-
- 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]
- A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- 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
- A61B5/14532—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 for measuring glucose, e.g. by tissue impedance measurement
-
- 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
Abstract
提供了用于校准使用医学监测设备产生的测量结果的方法和装置。可以获得转换因子,所述转换因子包括描述使用第一医学监测设备产生的测量结果与使用第二医学监测设备产生的测量结果之间的相关度的第一互相关。所述第一转换因子然后可以被用于将来自所述第一医学监测设备的测量转换到与来自所述第二医学监测设备的测量相同的标度上。
Description
技术领域
本文中描述的各种实施例涉及医学监测设备的领域。更具体而言,但是非排它地,各种实施例涉及校准使用医学监测设备产生的测量结果的方法。
背景技术
基于家庭的健康监测设备越来越多地被大众使用,用于监测已知的健康状况以及更一般地用于健康和健身监测两者。这样的监测设备可以包含生命体征监测(诸如血压(BP)监测)和/或具有跟踪疾病的进展的能力。便携式ECG设备例如能够用来监测心脏疾病。一些基于家庭的监测器用于健身领域(例如,健身带/手环)和非医学使用情况,像主要用于游戏但是包含生命体征监测器的游戏控制台。
尽管这样的设备帮助人们监测其一般健康和其健康的改变,但是读数通常不准确到足以被临床医生直接用来进行临床诊断或决策。临床医生不能使用这样的设备的输出,因为基于家庭的设备记录患者参数的方式不同于相同参数在临床环境中使用基准设备来记录的方式。例如,基于家庭的BP监测器使用检测心脏收缩和心脏舒张搏动的自动方法(其例如涉及动脉壁的振动的检测),然而在临床设置中,护理者使用听诊器来倾听心脏收缩和心脏舒张跳动。这些不同的测量血压的方式能够造成基于家庭的与临床设备之间的系统性差异,并且因此来自基于家庭的设备的值可能不适合于临床决策制定。
发明内容
如上面提及的,来自基于家庭的医学监测设备的测量可以被系统性地偏移到更传统的临床准许的设备。为了克服这些问题,具有用于校准医学监测设备的改善的方法和装置将会是有价值的。
因此,根据各种实施例,提供了一种校准使用医学监测设备产生的测量结果的方法,所述方法包括:获得第一转换因子,所述第一转换因子包括描述使用第一医学监测设备产生的测量结果与使用第二医学监测设备产生的测量结果之间的相关度的第一互相关;并且使用所述第一转换因子将来自所述第一医学监测设备的测量转换到与来自所述第二医学监测设备的测量相同的标度上。
在一些实施例中,获得的步骤包括从所述第一医学监测设备接收第一组测量结果,从所述第二医学监测设备接收第二组测量结果,并且将所述第一互相关计算为所述第一组测量结果与所述第二组测量结果之间的互相关;
在一些实施例中,获得的步骤还包括根据所述第一互相关通过以下中的至少一项来生成所述第一转换因子:i)将偏移添加到其,以及ii)使用缩放因子来对所述第一互相关进行缩放,其中,所述偏移和所述缩放因子包括与所述第一医学监测设备和所述第二医学监测设备中的至少一个有关的一个或多个参数。
在一些实施例中,所述一个或多个参数涉及所述第一医学监测设备和所述第二医学监测设备中的至少一个的随着时间的性能的退化。
在一些实施例中,所述性能的退化通过指数项来描述,并且生成第一转换因子的步骤包括将所述指数项添加到所述第一互相关。
在一些实施例中,所述第一转换因子C通过下式给出:
其中,表示来自所述第一医学监测设备的测量结果x与来自所述第二医学监测设备的测量结果y之间的相关度,表示所述第一医学监测设备的测量结果的自相关,表示来自所述第二医学监测设备的测量之间的自相关,并且e-ωt表示所述第一医学监测设备的设备性能退化。
在一些实施例中,所述方法还包括从所述第一医学监测设备接收第三组测量结果,从所述第二医学监测设备接收第四组测量结果,并且使用接收的第三和第四组测量结果来更新所述第一转换因子。
在一些实施例中,所述方法还包括从所述第一医学监测设备接收第五组测量结果,从第三设备接收第六组测量结果,计算所述第五组测量结果与所述第六组测量结果之间的第二互相关,并且使用所述第一互相关和第二互相关来生成第二转换因子以将来自所述第三设备的测量转换到与来自所述第二医学监测设备的测量相同的标度上。
在一些实施例中,生成第二转换因子的步骤包括使用所述第二互相关计算中间转换因子以将来自所述第三设备的测量转换到与所述第一医学监测设备相同的标度上,并且将所述中间转换因子乘以所述第一转换因子以获得所述第二转换因子。
在一些实施例中,使用所述第一转换因子的步骤包括:获得针对所述用户的校准因子,其中,所述校准因子指示所述生理测量结果是应当除以还是乘以所述转换因子;并且如果所述校准因子指示所述生理测量结果应当除以所述转换因子,则将所述生理测量结果除以所述转换因子;并且如果所述校准因子指示所述生理测量结果应当乘以所述转换因子,则将所述生理测量结果乘以所述转换因子。
在一些实施例中,所述校准因子由下式给出:
因子=1×sign(∑(x-y)),
其中,x和y分别是所述第一设备和第二设备的同时的测量结果的对。
在一些实施例中,所述第一组测量结果和第二组测量结果被同时取得。
在一些实施例中,所述第一医学监测设备是基于家庭的医学监测设备,并且所述第二医学监测设备是临床设备。
根据一些实施例,提供了一种医学监测设备,所述医学监测设备包括被配置为执行根据上面的方法中的任一项所述的计算机处理器。
根据一些实施例,提供了一种校准使用医学监测设备取得的用户的生理测量结果的方法,所述方法包括:获得与所述设备和所述用户中的至少一个有关的一个或多个特性;使用所述一个或多个特性和基于模式的模型来从所述设备的多个用户中识别用户;获得针对所识别的使用所述设备的用户的转换因子,以用于校准所述生理测量结果;并且使用所述转换因子来校准所述生理测量结果。
在一些实施例中,所述方法还包括:获得针对所述用户的校准因子,其中,所述校准因子指示所述生理测量结果是应当除以还是乘以所述转换因子;其中,校准的步骤包括:如果所述校准因子指示所述生理测量结果应当除以所述转换因子,则将所述生理测量结果除以所述转换因子;并且如果所述校准因子指示所述生理测量结果应当乘以所述转换因子,则将所述生理测量结果乘以所述转换因子。
根据一些实施例,提供了一种将在医学监测设备上进行的生理测量结果关联到所述设备的多个用户中的具体用户的方法,所述方法包括:接收训练数据,所述训练数据包括使用所述设备进行的一组测量结果,其中,所述训练数据还包括将所述组测量结果中的每个与所述设备的用户相关联的一个或多个参数;使用所述训练数据来生成模型,其中,所述模型能够用根据在所述设备上产生的测量结果来识别用户;并且及使用所述模型将在所述设备上进行的新的测量关联到所述设备的具体用户。
在一些实施例中,所述模型是基于模式的模型或线性预测器模型。
在一些实施例中,所述一个或多个参数涉及所述设备的一个或多个性质或一个或多个用户特性。
在一些实施例中,所述一个或多个参数包括所述设备的识别码、设备型号、容差极限、操作环境、准确度、性能或性能退化、用户生成测量所花费的时间、生成测量所需的功率和训练数据集中的试验的次数中的至少一个。
在一些实施例中,所述生理测量结果是血压测量,所述医学监测设备是血压监测器,并且所述线性预测器模型由下式给出:
Pk=β0,k+β1,kDi,d+β2,kRt+β3,kP+β4,kIt+β5,kDt+β6,kN
其中,Pk是针对第k个患者的患者识别码,β0,k是常数系数,β1,k至β6,k是与对应参数相关联的系数,Did是设备识别码,Rt是由患者测量血压所花费的总时间,P生成压力以进行测量所需的功率,It是给小腿封套充气所花费的时间,Dt是给小腿封套放气所花费的时间,并且N是重复试验的次数。
根据一些实施例,提供了一种包括非瞬态计算机可读介质的计算机程序产品,所述计算机可读介质具有被嵌入在其中的计算机可读代码,所述计算机可读代码被配置为使得,在被合适的计算机或处理器执行时,引起所述计算机或处理器执行上面描述的方法中的任一种。
附图说明
为了更好地理解本发明并且为了更清楚地示出它可以如何被实施,现在将会仅以范例的方式参照附图,其中:
图1是图示根据一实施例的校准使用医学监测设备产生的测量结果的方法的范例的方框图;
图2是根据另一实施例的校准医学监测设备的方法的范例的示意图;
图3是示出将在医学监测设备进行的生理测量结果关联到设备的多个用户中的具体用户的方法的范例的方框图;
图4是根据一实施例的校准医学监测设备的方法的范例的示意图;
图5是根据一实施例的校准医学监测设备的方法的范例的方框图;
图6是用于校准医学监测设备的范例装置的示意图;并且
图7是图示根据又一实施例的校准医学监测设备的方法的又一范例的方框图。
具体实施方式
本文中呈现的描述和附图图示了各种原理。应认识到,尽管未在本文中进行明确地描述或示出,但是本领域技术人员将能够设想采用这些原理并且被包括在本公开的范围内的各种布置。如本文中使用的,术语“或”指的是非排他的或(即,或),除非另外指出(例如,“否则”或“或替代地”)。额外地,本文中描述的各种实施例不一定是相互排斥的,并且可以进行组合以产生包含本文中描述的原理的额外实施例。
为了解决家庭与临床设备之间的差异,患者可以从基于家庭的设备的读数添加或减去特定的值。然而,自我校准的这种方法可能不能够针对每个患者和每个设备足够可靠。此外,这种转换对于患者来说是麻烦的,特别是如果患者数据以数据流而非离散值的方式提供。基于家庭的设备的准确度也会随着时间改变(例如变坏)或如果患者改变其基于家庭的设备而不向其临床医生报告该改变,因为老的偏移值不能适于新的设备。
根据上述内容,将希望提供具有增加的可靠性的改善的校准方法。也将会希望提供适合于改变设备状况(诸如设备或设备交换的准确度的劣化)的这种校准方法。
如上面提及的,各种实施例提供了用于校准医学监测设备的改善的方法
图1图示了校准使用医学监测设备产生的测量结果的方法100。在方框102处,该方法包括获得第一转换因子,所述第一转换因子包括描述使用第一医学监测设备产生的测量结果与使用第二医学监测设备产生的测量结果之间的相关度的第一互相关。在方框104处,该方法然后包括使用第一转换因子将来自第一医学监测设备的测量转换到与来自第二医学监测设备的测量相同的标度上。
包括使用要被校准的设备产生的测量结果与第二医学监测设备之间的互相关的转换因子的使用是产生对于医学监测设备(例如基于家庭的医学监测设备)的定制校准的有效且可靠的方式。特别地,互相关提供了第一设备和第二设备的测量结果如何与彼此相关的统计度量。使用数据驱动的方法以此方式改善了校准的准确度。
在一些实施例中,第一医学监测设备是基于家庭的医学监测设备,例如,血压监测器或便携式ECG设备。第一医学监测设备也可以是具有适合于监测用户或患者的生理特性的基于家庭的设备,例如健身带、健身手环或要不然可以例如在游戏中使用的收集生理数据的游戏控制台。第一设备可以能够连续监测用户的一个或多个生理特性,并且产生数据值的连续流。来自第一医学监测设备的读数一般会需要在它们能够被临床医生用来进行临床诊断和决策之前进行校准。
第一医学监测设备能够用来监测用户的任何生理特性,诸如用户的血压、肌肉电活动(EMG)、大脑活动(EEG)、心率或血糖水平。
在一些实施例中,第二设备是临床设备或“基准”设备,例如,存在于医院中的血压监测器或ECG设备。使用第二医学监测设备产生的测量结果可以被临床医生用来进行临床诊断或临床决策。将第一医学监测设备校准到与第二医学监测设备相同的标度上将会是有益的。
如上面描述的,转换因子可以包括描述使用第一医学监测设备产生的测量结果与使用第二医学监测设备产生的测量结果之间的互相关度的第一互相关。获得102的步骤因此可以包括通过以下来计算所述互相关:从第一医学监测设备接收第一组测量结果、从第二医学监测设备接收第二组测量结果并且将第一互相关计算为所述第一组测量结果与所述第二组测量结果之间的互相关。
所述第一组测量结果和所述第二组测量结果可以例如已经在近似相同的时刻同时地取得。在此背景下,同时能够意味着所述第一组测量结果和所述第二组测量结果是在由第一医学监测设备测量的生理特性近似为恒定值(或在测量之间不显著改变)的时间间隔内取得的。例如,临床医生可以在与腕戴的基于家庭的设备获取用户的血压的测量相同的时间在临床设备上进行对用户的血压的一次或多次测量。这具有处理参数的时间变化以确保第一组测量结果和第二组测量结果可比较并且能够可靠地用来校准第一医学监测设备而不必考虑在取得第一组测量结果与获取第二组测量结果时之间生理参数的值的改变的优点。
在一些实施例中,第一互相关r可以根据以下公式来根据第一组测量结果和第二组测量结果计算:
其中,x表示来自第一医学监测设备的测量结果,y表示来自第二医学监测设备的测量结果,表示测量结果x与y之间的相关;表示第一医学监测设备的测量结果的自相关;并且表示来自第二医学监测设备的测量结果之间的自相关。
在一些实施例中,第一转换因子等于第一互相关r。在其他实施例中,第一转换因子是根据所述第一互相关通过以下中的至少一项来生成的:将偏移添加到互相关以及使用缩放因子对所述第一互相关进行缩放。偏移或缩放因子可以涉及第一医学监测设备和第二医学监测设备中的至少一个的特性,诸如第一医学监测设备或第二医学监测设备的性能随着时间的退化。
例如,如果知晓第一医学监测设备系统地低估测量的生理参数并且这种低估每一个月以系数d变得更显著,那么第一转换因子C可以根据C=r/dm从第一互相关来生成,其中,m是自进行第一组测量和第二组测量之后的月数。
在另一范例中,性能的退化可以通过指数项来描述,并且生成第一转换因子的步骤可以包括将指数项添加到第一互相关。第一转换因子C因此可以由下式给出:
其中,表示来自第一医学监测设备的测量结果x与来自第二医学监测设备的测量结果y之间的相关度;表示第一医学监测设备的测量结果的自相关;表示来自第二医学监测设备的测量结果之间的自相关;并且e-ωt表示第一医学监测设备的设备性能退化。以此方式,即使它在性能上退化,第一设备也能够在其寿命内被可靠地校准。
在一些实施例中,在方框102中,获得第一转换因子包括从计算机存储设备(例如从存储器模块、网络位置或数据库)获得第一转换因子。
在其他实施例中,方框102包括生成第一转换因子,例如,计算如上面描述的互相关,计算互相关,并且然后对互相关进行缩放和/或将偏移添加到互相关,或根据预先计算的互相关来生成第一转换因子,并且对预先计算的互相关进行缩放和/或将偏移添加到预先计算的互相关。第一转换因子因此能够用作用于在校准中使用的单个值,或替代地,第一互相关能够与偏移和/或缩放因子分开存储,并且在运行时刻被组合以形成第一转换因子。替代地,第一转换因子以及偏移和/或缩放因子中的一个或两个能够在运行时刻被计算或被更新。如果偏移或缩放因子涉及从第一或第二医学监测设备实时接收的一个或多个参数,这是特别有意义的。
当用户第一次开始使用第一医学监测设备时,当用户开始第一医学监测设备上的校准例程时,第一转换因子的生成也可以以规则的间隔发生(例如,转换因子可以被周期性地更新),或者第一转换因子可以被实时生成,并且每当使用第一医学监测设备产生的测量结果需要被校准时就被重新计算。
转换因子可以使用来自第一医学监测设备和第二医学监测设备的额外测量来更新。例如,在一些实施例中,该方法可以包括从第一医学监测设备接收第三组测量结果,从第二医学监测设备接收第四组测量结果,并且使用接收的第三组测量结果和第四组测量结果来更新第一转换因子。
所述第三组测量结果和所述第四组测量结果(或任何随后的组测量结果)可以是当用户处于临床设置时(例如当用户访问的手术室或医院时)取得的。以此方式,能够同时(例如在近似相同的时刻、或在正被测量生理参数未显著改变的时间标度内)取得第三组测量结果和第四组测量结果,使得测量能够用于校准而不必考虑第三组测量结果和第四组测量结果之间的生理参数的任何改变。当用户访问临床设置时,第一转换因子因此能够被周期性地更新。
使用第一转换因子104的步骤可以包括将使用第一医学监测设备产生的测量结果乘以或除以第一转换因子。在一些实施例中,使用第一转换因子可以包括接收指示使用第一医学监测设备产生的测量结果是应当乘以还是除以第一转换因子的校准因子,以便被校准到使用第二设备产生的测量结果相同的标度上。校准因子能够是整数,例如,校准因子可以由+1或-1表示,其中,+1指示测量应当乘以第一转换因子,并且-1指示测量应当除以第一转换因子。
在一些实施例中,校准因子由下式给出:
因子=1×sign(∑(x-y)),
其中,x和y分别是第一设备和第二设备的同时的测量结果的对,并且sign表示提取其操作数的符号(例如+或-)的sign或signum函数。
在以下范例中图示了这些计算,其中,表1示出了使用临床和基于家庭的血压监测设备进行的血压测量的列表。表1中的每行的测量同时(例如近似相同的时刻)进行,使得潜在的血压不在读数之间显著地改变。临床与基于家庭的读数之间的差因此反映设备之间的偏移,而非正被测量的基础血压的差。
表1
使用上面给出的公式,对于收缩压和舒张压测量,互相关r等于分别等于0.9889和0.9784,并且校准因子分别为1和-1。考虑转换因子等于互相关值的范例,将使用基于家庭的设备进行的心脏收缩和心脏舒张测量结果转换到与临床设备相同的标度上的转换因子也分别为0.9889和0.9784。
校准因子指示在这种情况下,使用基于家庭的设备进行的心脏收缩血压测量需要乘以心脏收缩转换因子(0.9889),以便将它们转换到与临床设备相同的标度上。相反,来自基于家庭的设备的心脏舒张测量需要除以针对心脏舒张测量结果的转换因子(0.9784),以便将它们转换到与心脏舒张临床测量相同的标度上。
在该范例中,如果基于家庭的监测设备要进行115/75的血压测量,那么使用上面给出的转换因子和校准因子,当被缩放到与临床设备相同的标度上时,这将会等于114/77。
在第二范例,如果根据下面的表2中的数据知晓基于家庭的设备要退化,那么在6个月之后,转换因子能够根据下式来进行计算:
如上面所描述,其中,是如在上面的范例1中计算的基于家庭的医学监测设备与临床医学监测设备之间的互相关,并且e-ωt表示基于家庭的医学监测设备的设备性能退化。
表2
设备的年龄(月) | 性能退化(%) |
1 | 0 |
2 | 0.5 |
3 | 0.6 |
4 | 1.0 |
5 | 2.0 |
6 | 2.5 |
在这种情况下,在6个月之后,针对心脏收缩和心脏舒张测量结果的转换因子现在分别是0.9891和0.9782。校准因子仍然分别是1和-1。如果在6个月之后,家庭设备要进行116/76的血压测量,那么使用上面的转换因子和校准因子,这然后将会在临床医学监测设备的标度上被转换为114/77。
图2图示了校准如上面描述的设备的方法的实施例。在方框202中,用户访问临床医生(诸如医生)或护士使用临床设备206获取生理参数的一组临床测量204的临床设置。该组临床测量适合于用来进行临床决策或诊断。在上面的描述的背景下,临床设备是第二医学监测设备,并且该组临床测量是第二组测量结果。
当进行该组临床测量时,相同参数的一组基于家庭的测量208使用基于家庭的设备210(诸如基于家庭的血压监测器ECG、健身手环或游戏控制台)来进行。在上面的讨论的背景下,该组测量结果是第一组测量结果,并且基于家庭的设备210是第一医学监测设备。在该范例中,由基于家庭的设备进行的所述一组测量结果被称为所述一组基于家庭的测量。所述一组基于家庭的测量例如基本上在与该组临床测量相同的时刻同时进行,如在上面详细地描述的。
第一互相关和第一转换因子然后根据所述一组临床测量204和所述一组基于家庭的测量208来计算。在方框212和214中,在稍后的时刻(例如当用户在家或未处于临床设置时的时刻)在基于家庭的设备210上产生的测量结果216、218然后能够使用第一转换因子被校准到与来自临床设备206的测量相同的标度上。
如果在一些稍后的时刻,在方框220中,用户返回到临床设置,相同生理参数的第四组测量结果222能够同时或基本上在与第三组测量结果224使用基于家庭的设备210进行相同的时刻使用临床设备来进行。第三和第四组测量结果222、224然后能够用来更新第一互相关和第一转换因子。在稍后的时刻228使用基于家庭的设备210进行的随后的测量226然后能够使用更新的互相关和更新的第一转换因子来校准。
如果在一些时间之后,用户决定购买新的基于家庭的设备230来取代原始的基于家庭的设备210,通过首先将新的基于家庭的设备230校准到与原始的基于家庭的设备210相同的标度上并且然后使用用于将来自原始的基于家庭的设备的标度的测量校准到临床设备的标度的已知的第一转换因子,新的基于家庭的设备230能够被校准(方框232)到临床设备上。以此方式,新的基于家庭的设备230能够经由旧的基于家庭的设备210被校准到临床设备206上,而无需用户重新访问临床设置。
这能够通过获取使用原始的基于家庭的设备210的第五组测量结果234和来自新的基于家庭的设备230的第六组测量结果236并且计算第五组测量结果234与第六组测量结果236之间的第二互相关来实现。第二转换因子然后能够使用第一互相关和第二互相关来生成,以将来自新的基于家庭的设备230的测量结果转换到与来自临床设备206的测量结果相同的标度上。
能够通过以下来生成第二转换因子:使用将来自第三设备的测量结果转换到与第一医学监测设备相同的标度上的第二互相关来计算中间转换因子并且然后将中间转换因子乘以第一转换因子以获得第二转换因子。
在稍后的时刻238、240,使用新的基于家庭的设备230产生的测量结果242、244能够使用第二转换因子被校准到与临床设备206相同的标度上。以此方式,经由旧的基于家庭的设备将新的基于家庭的设备校准到临床设备上具有使得用户能够将新的基于家庭的设备校准到临床标准而无需用户必须访问临床医生来获得新的临床测量的优点。
使用上面提到的方法校准基于家庭的设备提供了使用来自传统的基于家庭的医学监测设备(诸如血压监测器和ECG监测器)、以及来自诸如健身监测器和游戏控制台的其他设备的测量连续临床监测患者的机会。这样的测量可以被发送给临床医生用于个体的监测,或为了统计目的,诸如在多组个体的健康结果被分析的人口健康研究中。
在此背景下,能够将匿名的健康数据和生理测量结果匹配到个体是重要的。能够在多于一个用户使用设备的情况下将生理测量结果匹配到具体用户也是重要的。
为此目的,图3示出了将在医学监测设备上进行的生理测量结果关联到设备的多个用户中的具体用户的方法300。在方框302中,该方法包括接收包括使用设备进行的一组测量结果的训练数据,其中,所述训练数据还包括将所述一组测量结果中的每个测量结果与设备的用户相关联的一个或多个参数。在方框304中,模型然后包括使用训练数据来生成模型,其中,模型能够用来根据在设备上产生的测量结果识别用户。在方框306中,使用所述模型将在设备上进行的新测量与所述设备的具体用户相关联。
在一些实施例中,所述一个或多个参数涉及设备的一个或多个性质,诸如设备的识别码、设备型号、容差极限、操作环境、准确度、性能或性能退化。所述一个或多个参数还能够涉及一个或多个用户特性,诸如用户生成测量所花费的时间、生成测量所需的功率、训练数据集中的试验的次数、记录测量的日期、24小时时段内的记录次数、或所测量的实际值。一般来说,任何参数都能够被使用,只要它能够在一个或多个用户与设备组合之间进行区别。
在一些实施例中,模型是基于模式的模型或线性预测器模型。这可以由公式来表示,例如:
Pk=β0,k+β1,kp1+β2,kp2+β3,kp3+…+βN,kpn
其中,Pk是用于使用具体设备的第k个患者的特有患者识别码,β0,k是常数系数,并且β1,k至βN,k是与对应的参数p1至pn相关联的常数系数。如果患者使用多于一个设备,则他们可以具有多于一个唯一患者识别码。每个患者识别码因此识别使用具体设备的具体用户的用户情况。
基于模式的模型的常数系数能够使用机器学习算法来生成。合适的机器学习算法的范例包括支持向量机、线性回归和径向基函数回归。参数的数量和被选择用于在模型中使用的参数的具体组合取决于训练数据集中的用户和具体设备。一般来说,只要能够找到产生针对每个用户的特有值的所选参数的加权组合,任何数量的参数和参数的任何组合都能够被使用。以此方式,患者能够使用与生理测量结果相关联的参数值的加权组合来识别。
在图4中进一步图示了该方法,图4示出了多个医学监测设备402和数据库404。数据库404包含与多个医学监测设备402有关的参数值。参数值可以是公共信息(诸如设备规范信息、容差极限、操作环境信息和随着时间的设备性能)或之前从设备接收的值。来自设备的测量和针对每个设备的参数值406被供给到人工智能(AI)引擎408内。人工智能引擎408使用机器学习算法来从输入的数据生成模型410。如上面描述的,模型可以是将与用户、测量结果和/或设备有关的某些参数链接到使用特定设备的特定用户的基于模式的模型或线性预测器模型。
模型410可以被存储在云中、在中央服务器上或在设备本身上。当试图在设备的不同用户之间进行区别时,将模型直接存储在设备上可以是特别相关的。
对于多个医学监测设备中的每个医学监测设备,转换因子使用上面描述的方法中的一种来获得,所述转换因子能够用来将来自所述监测设备的测量转换到与来自临床监测设备的测量相同的标度上。转换因子包括描述使用所述医学监测设备与临床设备产生的测量结果之间的相关的互相关。转换因子和互相关使用上面描述的方法中的任一种来获得。
当新的测量410使用多个医学监测设备402中的一个的设备412来进行时,测量结果和一个或多个参数然后用来使用一个或多个参数和模型410识别相关联的用户。一旦用户被识别,就能够针对识别的用户和设备来检索转换因子,并且生理测量结果能够使用转换因子来进行校准。用户身份和校准的测量412然后能够被发送给门诊部414用于由临床医生416使用。
上面的方法也能够被应用于匿名数据,在患者ID不必与识别相关联的个体(例如个体的姓名或地址)的细节相关联地被存储或以与识别相关联的个体(例如个体的姓名或地址)的细节相关联的任何方式被存储的意义上。个体因此能够仅仅使用患者ID、用于例如在人口健康的研究中使用的数据随着时间被匿名地跟踪。
在图5中示出了该方法的更一般图示。在第一步骤502中,该方法包括获得与设备和用户中的至少一个有关的一个或多个特性。在504处,该方法包括使用一个或多个特性和基于模式的模型从设备的多个用户中识别用户。在506处,该方法包括获得针对使用设备的识别的用户的校准生理测量结果的转换因子,并且在508处,该方法包括使用转换因子来计算生理测量结果。
如上面描述的,所述一个或多个特性涉及设备的一个或多个性质,诸如设备的识别码、设备型号、容差极限、操作环境、准确度、性能或性能退化。所述一个或多个参数还能够涉及一个或多个用户特性,诸如用户生成测量所花费的时间、生成测量所需的功率、训练数据集中的试验的次数、记录测量的日期、24小时时段内的记录次数、或所测量的实际值。
所使用的参数的精确数量和组合可以改变,并且一般来说,参数的任何数量和组合都能够被使用,只要它们能够在基于模式的模型中以便于得到针对每个的特有值的方式进行组合。
现在将会给出前述方法的又一范例,其中,第一医学监测设备是基于家庭的血压监测器,并且第二医学监测设备是临床血压监测器。
在该范例中,第一步骤是在时刻T1从临床设备(例如第二医学监测设备)和基于家庭的设备(例如第一医学监测设备)两者收集患者血压读数。在步骤2中,产生获取测量的时刻与基于家庭的血压设备读数(HSBP*αT1,HDySBP*βT1)的心脏收缩和心脏舒张之间的相关以生成时间独立的值。α和β是这些公式中的缩放参数。
在步骤3中,临床测量结果与家庭设备测量结果之间的以下关系然后变为:
CSBP→HSBP*αT1
CDySBP→HDySBP*βT1
其中,CSBP和CDySBP是在T1时使用临床设备进行的心脏收缩和心脏舒张BP读数,和HSBP和HDySBP在T1时使用基于家庭的设备的心脏收缩和心脏舒张BP读数。
在步骤4中,时间被延迟以时间间隔Tx。
在步骤5中,以下额外的参数也被记录:设备ID(DID)、由患者测量BP所花费的时间(R时间)、生成小腿压力所需的功率(P所需)、给小腿套充气所花费的时间(Inf时间)、给小腿套放气所花费的时间(Def时间)和重复试验的次数(N试验)。
在步骤6中,重复阶段1至4直至收集了n个样本。
在步骤7中,获得基于家庭的设备标定细节,例如设备标定降级速率。
在步骤8中:用于心脏收缩BP的转换因子使用下面的公式来进行计算:
其中,表示临床(x=CSBP)与基于家庭的时间独立的(y=HSBP*αT)心脏收缩BP读数之间的相关;表示临床设备心脏收缩BP读数的自相关;表示时间独立的基于家庭的设备心脏收缩BP读数的自相关,并且e-ωt表示设备标定降级速率(设备性能退化速率)。应注意,用于心脏收缩血压的转换因子包括互相关项
在步骤9中:针对心脏舒张BP的转换因子根据下式来进行计算:
其中,表示临床(x=CDySBP)与基于家庭的时间独立的(y=HDySBP*βT)心脏舒张BP读数之间的相关,表示临床设备心脏舒张BP读数的自相关,表示时间独立的基于家庭的设备心脏舒张BP读数的自相关,并且e-ωt表示设备标定降级速率(设备性能退化速率)。应注意,针对心脏舒张血压的转换因子包括互相关项
在步骤10中:心脏收缩和心脏舒张转换因子两者都被存储在服务器上或在云中,其中,它们与特有的患者ID和设备ID相关联。
在步骤11中:步骤1-10能够被重复,具有当基于家庭的和临床设备在一起时(例如当测量能够在生理参数未显著改变的时间段内进行)(诸如当用户访问其临床医生或医生时)每次用户记录额外测量的额外数据。
在实践中,心脏收缩和心脏舒张转换因子能够配合患者识别模块(在连接的家庭设备的情况下)来使用:
患者识别模块将会是负责将正确的模型与正确的设备和患者ID相匹配的复杂逻辑的一部分。在设备被直接连接到互联网并且数据被设备推动而无需患者识别信息(如哪一个患者已经使用设备)和/或当设备被多个用户共享时的情况下将会需要该模块。患者识别模块使用如下面描述的模式识别技术来建立。
在阶段1中:在训练阶段期间记录的参数与患者ID相关联。范例参数是设备ID(DID)、由患者测量BP所花费的时间(R时间)、生成小腿压力所需的功率(P所需)、给小腿封套充气所花费的时间(Inf时间)、给小腿封套放气所花费的时间(Def时间)和重复试验的次数(N试验)。
在阶段2中:建立将患者ID与在训练阶段期间记录的参数相关联的基于模式的AI模型(例如线性预测器模型)。基于模式的模型由下式给出:
Pk=β0,k+β1,kDid+β2,kRt+β3,kP+β4,kIt+β5,kDt+β6,kN
其中:
Pk是针对第k个患者的患者ID
β0,k常数系数。β1,k至β6,k是与对应参数相关联的系数
Did设备ID
Rt由患者测量BP所花费的总时间
P生成小腿压力所需的功率
It给小腿套充气所花费的时间
Dt给小腿封套放气所花费的时间
N重复试验的次数
在阶段3中:模型然后被存储,并且能够用作将未知的患者数据匹配到具体患者和设备的复杂逻辑的一部分。
一般而言,模型能够通过增加参数的数量来增强,例如,记录测量的日期、24小时内的记录次数和/或测量的实际值都能够在模型中用来在不同的患者之间进行区分。
图6图示了适合于校准使用医学监测设备产生的测量结果的设备的示范性硬件示意图600。如图所示,设备600包括经由一个或多个系统总线610相互连接的处理器620、存储器630、用户接口640、网络接口650和存储设备660。应理解,在一些方面中,图6构成抽象概念,并完全设备600的部件的实际组织会比图示的更复杂。
处理器620可以是能够执行被存储在存储器630或存储设备660中的指令或者处理数据的任何硬件设备。因此,处理器可以包括微处理器、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或者其他类似的设备。
存储器630可以包括各种存储器诸如,例如L1、L2或L3高速缓冲存储器或者系统存储器。因此,存储器630可以包括静态随机存取存储器(SRAM)、动态RAM(DRAM)、闪存、只读存储器(ROM)或者其他类似的存储器设备。
用户接口640可以包括用于实现与用户(诸如管理者)的通信的一个或多个设备。例如,用户接口640可以包括显示器、鼠标和用于接收用户命令的键盘。在一些实施例中,用户接口640可以包括可以经由网络接口650被呈现给远程终端的命令行接口或图形用户接口。
网络接口650可以包括用于实现与其他硬件设备(诸如一个或多个医学监测设备)的通信的一个或多个设备。例如,网络接口650可以包括被配置为根据以太网协议进行通信的网络接口卡(NIC)。此外,网络接口650可以根据TCP/IP协议实施TCP/IP存储栈用于通信。用于网络接口650的各种替代性或额外的硬件或构造将会是显而易见的。
存储设备660可以包括一个或多个机器可读存储介质,诸如只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存设备或者类似的存储介质。在各种实施例中,存储设备660可以存储用于由处理器620执行的指令或处理器620可以对其进行操作的数据。例如,存储设备660可以存储用于控制硬件600的各种基本操作的基本操作系统661。
存储设备660也可以存储用于基于AI的引擎662的指令,所述基于AI的引擎662用于生成能够用来将在设备上产生的测量结果匹配到设备的用户的模型。模型能够是如上面描述的基于模式的模型或线性预测器模型。存储设备660也可以存储用于患者识别模块663的指令,所述患者识别模块663被配置为使用由基于AI的引擎662生成的模型将从基于家庭的监测设备接收的数据匹配到个体用户。此外,处理器还包括用于将更新模块664和转换因子计算模块665互相关的指令,所述互相关更新模块664和转换因子计算模块665分别用于计算如上面描述的多对第一与第二设备之间的互相关和转换因子。
存储设备660能够还包括数据库666,数据库666可以存储由设备产生的测量结果、与所述设备有关的参数、医学监测设备之间的互相关、医学监测设备之间的转换因子和由基于AI的引擎662生成的模型,等等。
显而易见,如所描述的被存储在存储设备660中的各种信息可以被额外地或替代地存储在存储器630中。在这方面,存储器630也可以被认为构成“存储设备”,并且存储设备660可以被认为是“存储器”。各种其他布置将会是显而易见的。进一步地,存储器630和存储设备660都可以被认为是“非瞬态机器可读介质”。如本文中所使用,术语“非瞬态”应被理解为排除瞬态信号,但是包括所有形式的存储设备,包括易失性和非易失性存储器两者。
虽然主设备600被示为包括每个描述的部件中的一个,但是各种部件可以在各种实施例中被复制。例如,处理器620可以包括多个微处理器,所述多个微处理器被配置为独立地执行本文中描述的方法或被配置为执行本文中描述的步骤或子程序使得多个处理器协作来实现本文中描述的功能。进一步地,在设备600被实施在云计算系统中的情况下,各种硬件部件可以属于单独的物理系统。例如,处理器620可以包括在第一服务器中的第一处理器和在第二服务器中的第二处理器。
图7示出了校准来自医学监测设备的生理测量结果的范例方法,该范例方法能够使用诸如在上面的图6中描述的装置600的装置来执行。
在第一方框702中,患者数据例如通过网络接口(诸如网络接口650)而被接收。在此背景下,患者数据可以指的是要被校准的生理测量结果、或者与用户或用来进行生理测量结果的医学监测设备有关的参数数据。参数数据的范例在上面被提供在之前的范例中。
在704处,确定接收的数据是否来自远程位置。如果数据从远程位置接收,那么这意味着患者数据已经从基于家庭的设备接收,然而如果数据不是来自远程位置,那么这意味着数据来自临床设置并且存在更新相关联的基于家庭的设备的校准模型的机会。在704中,如果确定数据不是来自远程位置(例如可能临床数据),那么在706中接收的患者数据与来自基于家庭的设备的数据一同被收集。临床和基于家庭的测量分别被用于在互相关更新模块(诸如互相关更新模块664)和转换因子计算模块(诸如转换因子计算模块665)中更新互相关(在708中)和转换因子(在710中)。在步骤712中,除了经更新的互相关和转换因子外,接收的数据然后被推送给数据库(诸如数据库666)。
在步骤714中,与(一次或多次)测量、临床设备和/或家庭设备有关的参数用来改善由基于AI的引擎(诸如基于AI的引擎662)生成的模型以用于将测量结果匹配到用户。在该范例中,由基于AI的引擎生成的模型患者识别模型。在步骤712中,一旦患者识别模型被基于AI的引擎662更新,它们就被发送给数据库(诸如数据库666)。
现在返回到步骤704,如果确定测量来自远程位置,那么该方法进入到将患者数据匹配到个体。在步骤718中,确定患者细节是否可用于测量。如果患者细节可用,那么该方法进入到步骤720,其中,对于使用识别的设备的识别的患者,从数据库(诸如数据库666)检索合适的转换因子。在步骤722中,转换因子用来校准接收的测量,并且在712中,利用新校准的测量来更新数据库(诸如数据库666)。
如果在步骤718中确定患者细节不可用,那么该方法进行到步骤724,其中,患者数据被发送给患者识别模块(诸如患者识别模块663)。在步骤726中,患者识别模块使用可用的数据和由基于AI的引擎(诸如基于AI的引擎662)生成的患者识别模型来识别患者。
一旦患者被识别,那么该方法就进行到步骤720,其中,适合于识别的患者的转换因子从数据库(诸如数据库666)被检索,并且在步骤722中用来校准患者数据。
以此方式,新的数据被有效地用来尽可能改善校准过程和患者识别模型。
本领域技术人员通过研究附图、公开内容以及权利要求,在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中,但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上,例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质,但是也可以被以其他形式分布,例如经由互联网或其他有线或无线的电信系统。权利要求中的任何附图标记都不应被解释为对范围的限制。
从前面的描述应明白,本发明的各种示范性实施例可在硬件和/或固件中实施。此外,各种示范性实施例可作为存储在机器可读存储介质上的指令来实施,所述指令可被至少一个处理器读取和运行以执行本文详细描述的操作。机器可读存储介质可包括用于以机器可读的形式存储信息的任何机制,所述机器例如是个人或膝上型电脑、服务器或其他计算设备。因此,机器可读存储介质可包括只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存设备和类似的存储介质。
本领域技术人员将理解,本文的任何框图表示体现了发明原理的例示性电路的概念性视图。类似地,将理解,任何流程图、流图、状态转移图、伪码等表示实质上可在机器可读介质上表示并因此由计算机或处理器运行的各种处理,不论该计算机或处理器是否被明确示出。
尽管已具体参考各种示范性实施例的某些示范性方面详细描述了各种示范性实施例,但是应理解,本发明能够具有其他实施例并且其细节能够在各种明显的方面被修改。如本领域技术人员容易明白的,变化和修改可以在保持在本发明的精神和范围内的同时生效。因此,前述公开、描述和附图仅用于例示性目的并且不以任何方式限制本发明,本发明仅由权利要求限定。
Claims (15)
1.一种校准使用医学监测设备产生的测量结果的方法,所述方法包括:
-获得第一转换因子,所述第一转换因子包括描述使用第一医学监测设备产生的测量结果与使用第二医学监测设备产生的测量结果之间的相关度的第一互相关;并且
-使用所述第一转换因子将来自所述第一医学监测设备的测量结果转换到与来自所述第二医学监测设备的测量结果相同的标度上。
2.根据权利要求1所述的方法,其中,获得的步骤包括:
-从所述第一医学监测设备接收第一组测量结果;
-从所述第二医学监测设备接收第二组测量结果;并且
-将所述第一互相关计算为所述第一组测量结果与所述第二组测量结果之间的互相关。
3.根据权利要求1或2所述的方法,其中,获得的步骤还包括:
-通过以下中的至少一项来根据所述第一互相关生成所述第一转换因子:
添加偏移;以及
使用缩放因子对所述第一互相关进行缩放,
其中,所述偏移和所述缩放因子包括与所述第一医学监测设备和所述第二医学监测设备中的至少一个有关的一个或多个参数。
4.根据权利要求3所述的方法,其中,所述一个或多个参数与所述第一医学监测设备和所述第二医学监测设备中的至少一个的随着时间的性能的退化有关。
5.根据权利要求4所述的方法,其中,所述性能的退化通过指数项来描述,并且生成第一转换因子的步骤包括将所述指数项添加到所述第一互相关。
6.根据权利要求5所述的方法,其中,所述第一转换因子C由下式给出:
其中,表示来自所述第一医学监测设备的测量结果x与来自所述第二医学监测设备的测量结果y之间的相关度;表示所述第一医学监测设备的测量结果的自相关;表示来自所述第二医学监测设备的测量结果之间的自相关;并且e-ωt表示所述第一医学监测设备的设备性能退化。
7.根据前述权利要求中的任一项所述的方法,其中,所述方法还包括:
-从所述第一医学监测设备接收第三组测量结果;
-从所述第二医学监测设备接收第四组测量结果;并且
-使用接收到的第三组测量结果和第四组测量结果来更新所述第一转换因子。
8.根据权利要求2至7中的任一项所述的方法,其中,所述方法还包括:
-从所述第一医学监测设备接收第五组测量结果;
-从第三设备接收第六组测量结果;
-计算所述第五组测量结果与所述第六组测量结果之间的第二互相关;并且
-使用所述第一互相关和所述第二互相关来生成第二转换因子以将来自所述第三设备的测量结果转换到与来自所述第二医学监测设备的测量结果相同的标度上。
9.根据权利要求8所述的方法,其中,生成第二转换因子的步骤包括:
-使用所述第二互相关来计算中间转换因子以将来自所述第三设备的测量结果转换到与所述第一医学监测设备相同的标度上;并且
-将所述中间转换因子乘以所述第一转换因子以获得所述第二转换因子。
10.根据前述权利要求中的任一项所述的方法,其中,使用所述第一转换因子的步骤包括:
-获得针对所述用户的校准因子,其中,所述校准因子指示所述生理测量结果应当除以还是乘以所述转换因子;并且
-如果所述校准因子指示所述生理测量结果应当除以所述转换因子,则将所述生理测量结果除以所述转换因子;并且如果所述校准因子指示所述生理测量结果应当乘以所述转换因子,则将所述生理测量结果乘以所述转换因子。
11.根据权利要求10所述的方法,其中,所述校准因子由下式给出:
因子=1×sign(∑(x-y)),
其中,x和y分别是所述第一设备和所述第二设备的同时的测量结果的对。
12.根据权利要求2至11中的任一项所述的方法,其中,所述第一组测量结果和所述第二组测量结果是同时取得的。
13.根据前述权利要求中的任一项所述的方法,其中,所述第一医学监测设备是基于家庭的医学监测设备,并且所述第二医学监测设备是临床设备。
14.一种医学监测设备,其包括被配置为运行根据前述权利要求中的任一项所述的校准的方法的计算机处理器。
15.一种包括非瞬态计算机可读介质的计算机程序产品,所述计算机可读介质具有被嵌入在其中的计算机可读代码,所述计算机可读代码被配置为使得,在由合适的计算机或处理器运行时,使所述计算机或处理器执行根据前述权利要求中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN6716CH2015 | 2015-12-15 | ||
IN6716/CHE/2015 | 2015-12-15 | ||
PCT/EP2016/080160 WO2017102521A1 (en) | 2015-12-15 | 2016-12-08 | Methods and apparatus for calibrating a medical monitoring device |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108366761A true CN108366761A (zh) | 2018-08-03 |
Family
ID=59055876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680073907.8A Pending CN108366761A (zh) | 2015-12-15 | 2016-12-08 | 用于校准医学监测设备的方法和装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11039793B2 (zh) |
EP (1) | EP3389493B1 (zh) |
JP (1) | JP2019508080A (zh) |
CN (1) | CN108366761A (zh) |
CA (1) | CA3008240A1 (zh) |
WO (1) | WO2017102521A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111481181A (zh) * | 2019-01-28 | 2020-08-04 | 联发科技股份有限公司 | 生命体征估计器的生命体征估计装置和校准方法 |
TWI768344B (zh) * | 2020-04-23 | 2022-06-21 | 大陸商疆域康健創新醫療科技成都有限公司 | 生理參數測量校準方法、裝置、電腦裝置及存儲介質 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6309884B1 (en) * | 1997-02-26 | 2001-10-30 | Diasense, Inc. | Individual calibration of blood glucose for supporting noninvasive self-monitoring blood glucose |
US20120215461A1 (en) * | 2003-08-01 | 2012-08-23 | Dexcom, Inc. | System and methods for processing analyte sensor data |
CN102961143A (zh) * | 2011-01-23 | 2013-03-13 | 兹诺伽医药有限公司 | 联合非侵入式和侵入式生物参数测量设备 |
US20140051940A1 (en) * | 2012-08-17 | 2014-02-20 | Rare Light, Inc. | Obtaining physiological measurements using ear-located sensors |
US20140180048A1 (en) * | 2012-12-20 | 2014-06-26 | Becton, Dickinson And Company | System and method for using multiple sensor calibration methods |
US20150061837A1 (en) * | 2013-06-28 | 2015-03-05 | Google Inc. | Reader Communication with Contact Lens Sensors and Display Device |
US20150257689A1 (en) * | 2006-05-15 | 2015-09-17 | Cercacor Laboratories, Inc. | Physiological monitor calibration system |
CN104970776A (zh) * | 2015-07-03 | 2015-10-14 | 深圳市掌康科技有限公司 | 一种体温检测方法和一种高精度动态校准电子体温计装置 |
US20150289820A1 (en) * | 2014-04-09 | 2015-10-15 | Halo Wearables LLC | Calibration of a wearable medical device |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU6645796A (en) | 1995-08-01 | 1997-02-26 | Medispectra, Inc. | Optical microprobes and methods for spectral analysis of materials |
US7079984B2 (en) | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
US7565194B2 (en) | 2004-05-12 | 2009-07-21 | Zoll Medical Corporation | ECG rhythm advisory method |
US10478115B2 (en) | 2004-10-04 | 2019-11-19 | Spirofriend Technology Aps | Handheld home monitoring sensors network device |
US7885698B2 (en) * | 2006-02-28 | 2011-02-08 | Abbott Diabetes Care Inc. | Method and system for providing continuous calibration of implantable analyte sensors |
US20100081946A1 (en) | 2008-09-26 | 2010-04-01 | Qualcomm Incorporated | Method and apparatus for non-invasive cuff-less blood pressure estimation using pulse arrival time and heart rate with adaptive calibration |
AU2011289159C1 (en) * | 2010-08-13 | 2015-12-10 | Respiratory Motion, Inc. | Devices and methods for respiratory variation monitoring by measurement of respiratory volumes, motion and variability |
-
2016
- 2016-12-08 WO PCT/EP2016/080160 patent/WO2017102521A1/en active Application Filing
- 2016-12-08 EP EP16810310.9A patent/EP3389493B1/en active Active
- 2016-12-08 JP JP2018531129A patent/JP2019508080A/ja not_active Withdrawn
- 2016-12-08 CA CA3008240A patent/CA3008240A1/en not_active Abandoned
- 2016-12-08 US US16/061,925 patent/US11039793B2/en active Active
- 2016-12-08 CN CN201680073907.8A patent/CN108366761A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6309884B1 (en) * | 1997-02-26 | 2001-10-30 | Diasense, Inc. | Individual calibration of blood glucose for supporting noninvasive self-monitoring blood glucose |
US20120215461A1 (en) * | 2003-08-01 | 2012-08-23 | Dexcom, Inc. | System and methods for processing analyte sensor data |
US20150257689A1 (en) * | 2006-05-15 | 2015-09-17 | Cercacor Laboratories, Inc. | Physiological monitor calibration system |
CN102961143A (zh) * | 2011-01-23 | 2013-03-13 | 兹诺伽医药有限公司 | 联合非侵入式和侵入式生物参数测量设备 |
US20140051940A1 (en) * | 2012-08-17 | 2014-02-20 | Rare Light, Inc. | Obtaining physiological measurements using ear-located sensors |
US20140180048A1 (en) * | 2012-12-20 | 2014-06-26 | Becton, Dickinson And Company | System and method for using multiple sensor calibration methods |
US20150061837A1 (en) * | 2013-06-28 | 2015-03-05 | Google Inc. | Reader Communication with Contact Lens Sensors and Display Device |
US20150289820A1 (en) * | 2014-04-09 | 2015-10-15 | Halo Wearables LLC | Calibration of a wearable medical device |
CN104970776A (zh) * | 2015-07-03 | 2015-10-14 | 深圳市掌康科技有限公司 | 一种体温检测方法和一种高精度动态校准电子体温计装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111481181A (zh) * | 2019-01-28 | 2020-08-04 | 联发科技股份有限公司 | 生命体征估计器的生命体征估计装置和校准方法 |
TWI768344B (zh) * | 2020-04-23 | 2022-06-21 | 大陸商疆域康健創新醫療科技成都有限公司 | 生理參數測量校準方法、裝置、電腦裝置及存儲介質 |
Also Published As
Publication number | Publication date |
---|---|
WO2017102521A1 (en) | 2017-06-22 |
US11039793B2 (en) | 2021-06-22 |
EP3389493B1 (en) | 2020-01-08 |
JP2019508080A (ja) | 2019-03-28 |
CA3008240A1 (en) | 2017-06-22 |
US20180368779A1 (en) | 2018-12-27 |
EP3389493A1 (en) | 2018-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alazzam et al. | A novel smart healthcare monitoring system using machine learning and the Internet of Things | |
CN105361869B (zh) | 血压测量 | |
JP6918794B2 (ja) | 解剖モデリングシステム及びその作動方法 | |
KR101834051B1 (ko) | 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 | |
US20230055828A1 (en) | Systems and methods for processing electronic images and updating based on sensor data | |
Hill et al. | Imputation of the continuous arterial line blood pressure waveform from non-invasive measurements using deep learning | |
Irawan et al. | Detecting Heart Rate Using Pulse Sensor As Alternative Knowing Heart Condition | |
CN105138813B (zh) | 将病人数据从一种生理状态映射为另一种的系统和方法 | |
Tophøj et al. | Validity and reliability evaluation of four commercial activity trackers' step counting performance | |
JP2017530849A (ja) | 生理データに基づく患者の継続的な心拍出量(cco)を予測する方法およびシステム | |
CN110051336A (zh) | 处理生理数据的方法、装置和存储介质 | |
US20160374624A1 (en) | Systems and methods for noninvasive intracranial pressure calibration without the need for invasive icp | |
CN108366761A (zh) | 用于校准医学监测设备的方法和装置 | |
Cosoli et al. | Methods for the metrological characterization of wearable devices for the measurement of physiological signals: state of the art and future challenges | |
Speed et al. | Measure by measure: Resting heart rate across the 24-hour cycle | |
CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
Khan et al. | Novel statistical time series data augmentation and machine learning based classification of unobtrusive respiration data for respiration Digital Twin model | |
CN113140315B (zh) | 一种健康自测系统、服务器及健康检测系统 | |
CN116019429A (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
Vizuete et al. | Indeterminate Control Diagrams as Health Control Tools | |
WO2023210217A1 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
Korenevskaya et al. | A programmable system for psychophysiological studies based on an android platform with an Analog Front-End (AFE) interface | |
WO2023017654A1 (ja) | 予測装置、予測方法、および予測プログラム | |
Neissi Shooshtari Jr | Predicting Mortality of Intensive Care Patients with Machine Learning Using Electronic Health Record and Non-Invasive Signals | |
Vanbelle et al. | Modeling agreement on categorical scales in the presence of random scorers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20180803 |