CN108882892A - 跟踪患者运动的系统和方法 - Google Patents

跟踪患者运动的系统和方法 Download PDF

Info

Publication number
CN108882892A
CN108882892A CN201780021859.2A CN201780021859A CN108882892A CN 108882892 A CN108882892 A CN 108882892A CN 201780021859 A CN201780021859 A CN 201780021859A CN 108882892 A CN108882892 A CN 108882892A
Authority
CN
China
Prior art keywords
patient
movement
medical device
motion
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201780021859.2A
Other languages
English (en)
Inventor
T·F·史蒂沃
B·H·爱德华
G·A·弗里曼
B·W·马文科
S·S·沃尔普
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zoll Medical Corp
Original Assignee
Zoll Medical Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zoll Medical Corp filed Critical Zoll Medical Corp
Publication of CN108882892A publication Critical patent/CN108882892A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • 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
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • 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]
    • A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
    • 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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • 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
    • A61B5/683—Means for maintaining contact with the body
    • A61B5/6831—Straps, bands or harnesses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3925—Monitoring; Protecting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • 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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Emergency Alarm Devices (AREA)
  • Alarm Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

提供了流动医疗装置。所述流动医疗装置包括被配置为获取描述患者运动的传感器数据的至少一个传感器、以及连接至所述至少一个传感器的至少一个处理器。所述至少一个处理器被配置为根据所述传感器数据来检测患者运动、并对所述患者运动进行分类。

Description

跟踪患者运动的系统和方法
相关申请
根据美国法典第35条第119(e)款，本申请要求2016年3月31日提交的美国临时申请序列号62/316,196的优先权。以上引用的申请中所阐述的所有主题在此通过引用而全文并入于本申请中，如同在此进行完全阐述一样。
背景技术
本发明涉及跟踪患者运动的系统和方法。
通过及时检测指示患者健康状况的一些变化的事件，可以改善临床环境中的健康护理结果。诸如医院住院区等的临床环境监测患者的各种生命体征(例如，血压、脉搏、呼吸率)以检测变化。所监测的生命体征通常被发送至中心站，其中在该中心站处，健康护理提供者评估生命体征并对需要进一步调查的任何变化进行响应。
发明内容
一些流动医疗装置包括能够跟踪患者运动的组件。这些组件可以例如包括一个或多个惯性测量单元(IMU)，如加速度计、陀螺仪和磁力计等。在医院环境中，流动医疗装置对患者运动和患者定向的详细、连续、实时跟踪可以通过解决由传统技术不可解决的各种情况来改善患者护理。在本发明中所述的各种实现中，运动参数包括定向参数。因此，除非明确指出，对患者身体或患者身体的一部分的运动的参考包括患者身体或患者身体的一部分的空间中的定向。
因此，并且根据本发明的一些示例，提供了一种包括IMU的医疗装置。所述医疗装置被配置为监测患者的特定类型的运动并通过采取与运动类型相关联的动作来对某些类型的运动的检测进行响应，并且被设计为预防或解决该类患者运动的后果。一些被配置为检测并解决的患者运动的类型例如包括：癫痫发作、颤抖、咳嗽、失定向运动、与意识恢复相关联的运动、梦游、跌落、绊倒、以及昏倒。在一些示例中，医疗装置被配置为基于定基线或训练(即，患者特定的运动识别训练)时间段来检测这些和其它类型的患者运动，由此运动/定向传感器被贴附到患者身体的适当部分、并且患者被指示进行一系列预定义运动或活动。例如，可以在向患者安装医疗装置的初始期间记录这种定基线和/或训练，并且可以随着装置在使用期间学习患者的运动行为而随时间改进数据。可选地或附加地，根据一些示例的医疗装置不参考特定的基线或训练信息、而是参考患者运动类型的更常见但独特的特征(诸如由于患者运动所导致的患者身上的力的幅度、以及/或者患者运动的频率等)，来检测患者运动的类型。
在至少一个示例中，提供了用于监测患者运动的流动医疗装置。所述流动医疗装置包括：多个运动传感器，其被配置为位于患者的身体上的一个或多个解剖位置处、并检测与所述患者的身体的部分的运动相对应的多个运动参数；以及至少一个处理器，其通信连接至所述多个运动传感器，所述至少一个处理器被配置为执行以下操作：接收与所述患者的身体的所述部分的运动相对应的所述多个运动参数；将所述多个运动参数存储在数据存储装置中；处理所述数据存储装置中所存储的所述多个运动参数以确定所述患者的身体的所述部分的运动；基于多个预定运动语句特征来对所述患者的身体的所述部分的运动进行分类，所述多个预定运动语句特征包括至少一个预定运动基元；以及基于所述分类来发起一个或多个通知动作。
在所述流动医疗装置中，所述多个运动参数可以包括与所述患者的身体的所述部分的定向相对应的至少一个定向参数。所述多个运动传感器可以包括加速度计、陀螺仪和磁力计至少之一。所述多个预定运动语句特征可以包括多个预定运动基元、至少一个预定运动修饰符、至少一个预定运动对象、至少一个预定运动语句、以及至少一个预定运动语句序列。所述至少一个处理器可被配置为参考从附着至第一位置的第一运动传感器获取的第一传感器数据以及从附着至第二位置的第二运动传感器获取的第二传感器数据，来对所述患者的运动进行分类。所述患者的身体上的一个或多个解剖位置可以包括所述患者的身体的以下部分中的一个或多个：头、胸、腿、颈、肩、肘、膝、腕、颌、前臂、二头肌、踝和脚。所述第一位置可以包括所述患者身上的解剖位置，并且所述第二位置可以包括所述患者以外的物理对象的位置。所述物理对象可以包括床和轮椅至少之一。所述至少一个处理器可被配置为基于根据预收集的运动信息的数据库导出的一个或多个运动检测规则，来对运动进行分类。
在所述流动医疗装置中，所述至少一个处理器可被配置为使用运动识别处理来对运动进行分类、并使用来自多个患者的预定测量运动以及在定基线时间段期间导出的患者特定运动至少之一来训练所述运动识别处理。可以在睡眠时间段和6分钟行走测试时间段中的至少一个时间段期间记录在所述定基线时间段期间导出的患者特定运动。所述一个或多个通知动作可以包括向看护者通知所述患者的运动。所述一个或多个通知动作可以包括基于所述患者的运动来警告所述患者。所述至少一个处理器可被配置为识别与所述流动医疗装置分离且接近所述患者的另一医疗装置、并指示该另一医疗装置发出警报。所述至少一个处理器可被配置为识别当前时间、并执行与所述当前时间相关联的动作。所述至少一个处理器可被配置为将所述患者的运动识别为以下中的至少一项：失定向运动、跌落、绊倒、昏倒、癫痫发作、颤抖和咳嗽。所述流动医疗装置还可以包括可穿戴式除颤器。所述流动医疗装置还可以包括移动心脏监测装置。
在另一示例中，提供了一种患者运动监测系统。所述系统包括心脏监测装置。所述心脏监测装置包括：多个运动传感器，其被配置为位于患者的身体上的一个或多个解剖位置处以检测与所述患者的身体的部分的运动相对应的多个运动参数；以及至少一个处理器，其通信连接至所述多个运动传感器。所述至少一个处理器被配置为将与所述患者的身体的所述部分的运动相对应的多个运动参数发送至远程服务器。所述远程服务器被配置为执行以下操作：接收与所述患者的身体的所述部分的运动相对应的多个运动参数；将所述多个运动参数存储在数据存储装置中；处理所述数据存储装置中所存储的多个运动参数以确定所述患者的身体的所述部分的运动；基于多个预定运动语句特征来对所述患者的身体的所述部分的运动进行分类，所述多个预定运动语句特征包括至少一个预定运动基元；以及基于所述分类来发起一个或多个通知动作。所述系统还可以包括与所述远程服务器通信的至少一个客户端装置，所述至少一个客户端装置被配置为基于所述一个或多个通知动作来向看护者和所述患者至少之一通知所述患者的运动。
在一个示例中，提供了一种流动医疗装置。所述流动医疗装置包括：至少一个传感器，其被配置为获取描述患者运动的传感器数据；以及至少一个处理器，其连接至所述至少一个传感器。所述至少一个处理器被配置为执行以下操作：根据所述传感器数据来检测所述患者运动；例如使用本领域技术人员已知的模板匹配，对患者运动进行分类，其中，将所测量和检测到的运动特征与根据多个患者或其它用户的测量运动的预收集数据库导出的模板、或者在患者特定的定基线或训练时间段期间导出的患者特定模板中的模板进行比较；以及执行与所述至少一个预定模板相关联的通知组件。
在流动医疗装置中，所述至少一个传感器可以包括加速度计、陀螺仪和磁力计至少之一。所述至少一个处理器可被配置为将所述患者运动分类为包括至少一个运动基元的至少一个运动序列。所述至少一个传感器可以包括多个传感器。所述至少一个处理器可被配置为参考从附着至第一位置的第一传感器获取的第一传感器数据以及从附着至第二位置的第二传感器获取的第二传感器数据，来对所述患者运动进行分类。所述第一位置和所述第二位置可以是所述患者身上的解剖位置。所述第一位置和所述第二位置可以被所述患者的关节分隔开。所述关节可以是所述患者的膝或肘至少之一。所述第一位置可以是所述患者身上的解剖位置，并且所述第二位置可以是所述患者以外的物理对象的位置。所述物理对象可以包括床和轮椅至少之一。可以在睡眠和6分钟行走测试中的至少一个期间记录定基线和/或训练信息(例如参见下图5)。描述患者运动(包括定向)的传感器数据可以指示无运动。
在所述流动医疗装置中，所述通知组件可被配置为向看护者通知所述患者运动。所述通知组件可被配置为警告所述患者。所述至少一个处理器可被配置为识别与所述患者的状况相关联且接近所述患者的医疗装置、并指示所述医疗装置发出警报。所述状况可以与所述患者运动相关联。所述至少一个处理器可被配置为执行与所述患者的年龄相关联的动作。所述至少一个处理器可被配置为识别当前时间、并执行与所述当前时间相关联的动作。所述流动医疗装置可在白天模式和夜晚模式之间进行配置，并且所述至少一个处理器可被配置为将当前模式识别为所述白天模式或所述夜晚模式、并执行与所述当前模式相关联的动作。所述至少一个处理器还可被配置为提示患者进行一系列运动、并记录患者进行该系列中的各运动的模板。
在另一示例中，提供了一种流动医疗装置。所述流动医疗装置包括：至少一个惯性测量单元；以及至少一个处理器，其连接至所述至少一个惯性测量单元。所述流动医疗装置被配置为至少部分地通过识别测量序列来检测患者跌落，所述序列包括小于第一阈值的第一加速度、大于第二阈值的第二加速度、以及在阈值范围内的第三加速度。
在所述流动医疗装置中，所述第一阈值可以等于.5ɡ0，所述第二阈值可以等于8ɡ0，以及所述阈值范围等于[.95ɡ0,1.05ɡ0]。所述至少一个处理器可被配置为计算置信度度量、并在所述置信度度量超过第四阈值的情况下检测到患者跌落。所述至少一个处理器可被配置为在检测到患者跌落是进行行动，所述行动包括提示患者确认跌落、向旁人通知跌落、以及向医院人员通知跌落至少之一。
在另一示例中，提供了一种基于医院的流动除颤器。所述基于医院的流动除颤器包括：至少一个粘贴电极，其被配置为获取描述患者的数据；至少一个惯性测量单元；以及至少一个处理器，其连接至所述至少一个粘贴电极和所述至少一个惯性测量单元。所述至少一个处理器被配置为经由所述至少一个惯性测量单元来监测患者运动。
在所述基于医院的流动除颤器中，其中所述至少一个处理器可别配置为将所述患者运动分类为失定向运动、跌落、绊倒、和昏倒至少之一。在实现中，所述至少一个处理器可被配置为至少部分地通过将所述患者运动与根据多个患者或其它用户的测量运动的预收集数据库获得的模板、或者在患者特定的定基线或训练时间段期间导出的患者特定模板中的模板进行比较，来对所述患者运动进行分类。例如，可以在6分钟行走测试期间记录患者特定模板。所述至少一个处理器可被配置为将所述患者运动分类为癫痫发作、颤抖和咳嗽中的至少一项。所述至少一个处理器可被配置为至少部分地通过将所述患者运动的幅度与第一阈值进行比较、并且将所述患者运动的频率与第二阈值进行比较，来对所述患者运动进行分类。所述至少一个处理器可被配置为将所述患者运动分类为选自包括失定向运动、跌落、绊倒、昏倒、癫痫发作、颤抖和咳嗽的组中的至少一种运动类型，并响应于对所述患者运动进行分类而执行至少一个动作。所述至少一个动作可以包括提示患者确认患者运动属于所述至少一种运动类型、向旁人通知所述患者运动、以及向医院人员通知所述患者运动至少之一。所述至少一个处理器可被配置为计算患者距病床的距离；以及响应于该距离超过阈值而执行至少一个动作，所述至少一个动作包括提示患者进行响应、向旁人通知患者运动、以及向医院人员通知患者运动至少之一。
在另一示例中，提供了一种医疗装置的系统。该系统包括基于医院的流动除颤器和病床。所述基于医院的流动除颤器包括至少一个粘贴电极、至少一个惯性测量单元、以及连接至所述至少一个粘贴电极和所述至少一个惯性测量单元的至少一个处理器。所述至少一个处理器被配置为经由所述至少一个惯性测量单元来监测患者运动。所述病床可以包括一个或多个惯性测量单元、以及连接至所述一个或多个惯性测量单元的一个或多个处理器。所述一个或多个处理器被配置为经由所述一个或多个惯性测量单元来监测患者运动。
在所述医疗装置的系统中，所述基于医院的流动除颤器还可以包括第一网络接口。所述病床可以包括被配置为与所述第一网络接口进行通信的第二网络接口。所述一个或多个处理器可被配置为将患者运动数据发送至所述至少一个处理器。所述至少一个处理器可被配置为至少部分地通过处理所述患者运动数据来检测所述患者离开所述病床。
在另一示例中，提供了一种基于医院的流动除颤器。所述基于医院的流动除颤器包括：至少一个粘贴电极，其被配置为获取描述患者的数据；至少一个惯性测量单元；以及至少一个处理器，其连接至所述至少一个粘贴电极和所述至少一个惯性测量单元。所述至少一个处理器被配置为经由所述至少一个惯性测量单元来监测睡眠期间的患者运动。
在所述基于医院的流动除颤器中，所述至少一个处理器可被配置为将所述患者运动分类为过度或不过度。所述至少一个处理器可被配置为至少部分地通过将所述患者运动与根据来自多个患者或其它用户的测量运动的预收集数据库导出的模板、或者在患者特定的定基线或训练时间段期间导出的患者特定模板中的模板进行比较，来对所述患者运动进行分类。例如，可以在正常患者睡眠期间记录所述患者特定模板。所述至少一个处理器可被配置为至少部分地通过将所述患者运动的幅度与第一阈值进行比较、并且将所述患者运动的频率与第二阈值进行比较，来对所述患者运动进行分类。
在所述基于医院的流动除颤器中，所述描述患者的数据可以包括心电图数据。所述至少一个惯性测量单元可被配置为获取患者的心音。所述至少一个处理器可被配置为分析所述患者运动以及所述心电图数据和所述心音至少之一，以确定患者的状况。
所述基于医院的流动除颤器还可以包括连接至所述至少一个处理器的网络接口。所述描述患者的数据可以包括心电图数据。所述至少一个处理器可被配置为将所述患者运动和所述心电图数据发送至不同的医疗监测装置。
在所述基于医院的流动除颤器中，所述至少一个处理器可被配置为响应于将所述患者运动分类为过度而改变心律失常治疗方案。所述至少一个处理器可被配置为通过在默认的心律失常治疗方案前面加上触觉警报以及针对医院人员的警报，来改变所述心律失常治疗方案。
以下详细讨论了另外的其它方面、示例以及这些方面和示例的优点。此外，应当理解，前述信息和以下详细说明仅仅是各种方面和特征的说明性示例，并且旨在提供用于理解所要求保护的方面和示例的本质和特性的概述或框架。这里所公开的任何示例或特征可以与任何其它示例或特征组合。对不同示例的参考并不相互排斥，而旨在指示结合该示例所述的特定特征、结构或特性可以包括在至少一个示例中。这里的这些术语的出现不必指代同一个示例。
附图说明
以下参考附图来讨论至少一个示例的各个方面，其中附图不旨在按比例绘制。为了提供对各个方面和示例的说明及进一步理解而包括这些附图，并且将这些附图并入并构成本说明书的一部分、但不旨在作为对任何特定示例的限制的定义。附图与说明书的其余部分一起用于解释所描述和要求保护的方面和示例的原理和操作。在附图中，利用相同的附图标记来表示各图中所示出的各个相同或几乎相同的组件。为清楚起见，可以不在每个图中标记每个组件。
图1是根据本发明示例的包括被配置为与患者接近、并且与运动跟踪单元通信的多个运动/定向传感器的传感器布置的示意图。
图2是根据本发明示例的流动医疗装置的示意图。
图3是根据本发明示例的医疗装置控制器的示意图。
图4是根据本发明示例的图3中的医疗装置控制器的运动信息数据存储的示意图。
图5是示出根据本发明示例的定基线/训练处理的流程图，其中，运动识别或分类组件被配置为在定基线/训练模式下进行操作时执行。
图6是示出根据本发明示例的用于检测患者的运动、并且将所检测到的运动分类为与运动基元或多个运动基元的序列相对应的方法的流程图。
图7是在患者无支撑地跌落到地面期间的患者力矢量相对于时间的曲线图。
图8是在患者无支撑地跌落到地面期间以及患者与地面冲击之后的患者运动矢量相对于时间的曲线图。
图9是在患者无支撑地跌落到地面期间及之后的患者运动阶段的示意图。
图10是示出患者颤抖发作期间的患者运动的矢量和的曲线图。
图11是示出患者咳嗽发作期间的患者运动的矢量和的曲线图。
图12是示出患者癫痫发作期间的患者运动的矢量和的曲线图。
图13是根据本发明示例的医院环境内的分布式计算机系统的一个示例的示意图。
具体实施方式
这里所述的示例包括流动医疗装置，其具有用于获取包括描述患者运动的数据的运动参数的至少一个传感器。如以下进一步详细所述，在各种实现中，运动参数包括患者定向参数。因此，在本发明中，对患者身体或患者身体的一部分的运动的参考包括患者身体或患者身体的一部分在空间中的定向。传感器可以附着至患者所穿的衣物，或者通过一些可释放连接(诸如通过带或者与患者皮肤或衣物相容的暂时粘贴剂)而附着至患者本身。无论传感器附着至患者的哪个(哪些)部分(例如，头、臂、腿、胸腔)，都测量患者的该部分的运动(包括定向)。流动医疗装置使用所获取的数据来检测患者运动并在一些情况下对患者运动进行分类。收集并处理与所测量的运动相对应的数据以估计该特定传感器位置处的运动(包括空间中的定向)。处理运动或定向测量以检测一个或多个预定运动或定向类型(“运动基元”)的序列、并将基于运动波形的特征将运动基元分类为与一个或多个预定运动基元相对应。运动基元的一些示例可以是：“躺”、“坐”、“站立”、“放脚”、“跌落”、“滚动”、“行走”、“跑步”、“转身”、“弯曲”、“伸直”。
另外，可以存在针对运动基元的运动修饰符，诸如用于描述运动速度的“快”或“慢”、或者例如用于描述方向的“向上”、“向下”、“向左”、“向右”。另外，可以存在运动对象，例如传感器所在的“腿”或“臂”或“躯干”等身体位置。另外，可以存在运动对象修饰符(即，运动形容词)，例如用于描述哪只臂或腿正在运动的“左”或“右”、或者用于描述躯干、臂、腿或其它身体部分的哪个部分正在运动的“上”或“下”。在一些情况下，可以存在针对可允许的检测到的运动基元或运动修饰符序列的预定义规则的关联集，其中这些预定义规则构成运动语法。使用所检测到的运动基元和远东修饰符并且基于运动语法，可以构造运动语句，例如，“迈步”、“在床上坐起来”、“开门”、“沿着过道快速行走”、或者“跌落到地面”。
用于检测运动基元、修饰符、对象、形容词以及语法结构的这种运动识别处理可以通过“定基线”或训练(即，患者特定的运动识别训练)时间段来完成，通过“定基线”或训练，运动/定向传感器被贴附至患者身体的适当部分，并且患者被指示进行一系列预定义的运动或活动，例如躺下、坐着、从坐着的状态站起、从躺下的状态站起、行走等。然后系统分析患者的特定运动或活动，并用它来增加对该患者的运动的识别的精度。可选地，运动识别处理可以不采用任何定基线或训练时间段，并且可以完全依赖于完全根据规则生成之前所收集到的运动的数据库导出的运动检测规则。
然后可以分析运动识别(MR)处理的输出(例如，运动基元、修饰符、对象、形容词和语法结构)以判断MR输出是否指出患者的健康或安全受到威胁或以其它方式构成初期危险。然后可以响应于检测运动的分类来执行通知组件(诸如向健康护理提供者或其他看护者的警报或通知等)。
该特定传感器位置处的估计运动(包括空间中的定向)可以是运动相关参数的矢量，例如，加速度、速度、位置以及沿一个或多个轴(例如，x轴、y轴、z轴)的旋转。运动矢量还可以包括与运动识别处理相关的其它信息，诸如当日时间、位置(例如，经由GPS系统所了解到的地理位置、或者诸如卧室、楼梯、过道、外面等的建筑内位置)、或天气等。在一些实施例中，加速度计或其它类型的运动或定向传感器的轴可被定位在胸骨上或其附近，并且与身体的主轴(例如，纵轴(垂直的：例如加速度计传感器的“z”轴)、横轴(水平的：例如，加速度计传感器的“x”轴)、或矢状轴)对齐。
在一些实施例中，运动识别可以基于以运动参数矢量的序列作为输入的隐马尔可夫模型(HMM)。可以使用本领域技术人员已知的HMM技术来开发状态转变矩阵。特别地，运动参数估计、运动基元和运动语句的序列被建模为隐马尔可夫模型(HMM)，被定义为具有状态Q、输出字母O、转变概率A、输出概率B和初始状态概率Π的集合的有限状态机的变形。当前状态是不可观察的。作为替代，各状态以特定概率(B)产生输出。通常理解状态Q和输出O，因此HMM被称为三元组λ＝(A,B,Π)。输出字母O的各值可被赋予唯一阈值和系数集。例如，HMM存储有转变概率，作为数据库或患者特定训练的结果，从而指示这样理解的“事实”(即，运动语法)。例如，一个人将在一直“站立”之后直接“坐起来”的概率非常低：必须存在可能在噪声中丢失的中间运动基元，或者，由于“坐起来”和“跌落”、“弯曲”或“收缩”都可能涉及患者胸腔的向前旋转，因此转变为“跌落”、“弯曲”或“收缩”的概率将高于转变为“坐起来”的概率。
在另一实施例中，如果是“站立”之后检测到患者胸腔的弯曲、然后恢复“站立”定向两次或更多次(例如，“站立”“弯曲”“站立”“弯曲”)的运动语句的语法结构，则语法语句结构被检测为意味着患者处于失去平衡、跌落并使自身受到伤害的风险增加，并且MR输出指出患者的健康或安全受到威胁、或其它方式构成初期危险。然后可以响应于检测运动的分类来执行通知组件(诸如针对健康护理提供者或其他看护者的警报或通知等)。
在算法开发期间，利用多个患者或其他测试对象来针对多个运动类型(例如，坐、站立、行走、躺下)的数据库训练HMM。在一些实施例中，提供患者特定的定基线或训练时间段以改进通过缺少患者特定训练时间段的基本方法的结果。例如，训练时间段可以用于诸如以下的改善：将运动参数标准化为患者尺寸，例如躯干或肢体长度；利用特定患者来对特定运动序列进行训练，例如在床上坐起来、在床上滚动、上床和下床、上楼梯、行走；在不同的背景中执行运动类型以开发背景依赖性(例如，在不同房间、或不同床、或当日不同时间进行的相同测试)；患者相关的强度训练(例如，其中患者以不同的强度水平执行相同动作)。
可以采用HMM分类领域中已知的其它技术。例如，判别训练技术省去了对HMM参数估计的纯统计方法，而是优化了训练数据的与某一分类相关的度量。例如最大互信息(MMI)、最小分类错误(MCE)和最小电话错误(MPE)。另外，使用维特比(Viterbi)算法来求出最佳路径。其它技术是保存良好候选集而不是仅保存最佳候选，并使用更好的评分函数(重评分)来评估这些良好候选。候选集可被保存为列表(N-best列表方法)或者被保存为模型的子集(网格)。可以进行重评分以使贝叶斯风险(Bayesian risk)最小。
在一些实施例中，可以采用诸如动态时间翘曲(dynamic time warping)等的技术来使由于运动速度而引起的对识别精度的影响最小。例如，即使在患者使腿以比训练期间更慢的方式移动的情况下，也将检测到行走模式的相似性。使序列非线性地“翘曲”以使其彼此匹配。这种序列对齐方法通常用于HMM的背景中。
在一些实施例中，所谓的深度学习网络可以用于运动识别。如Deng Li和Yu Dong的“Deep Learning:Methods and Applications”(Foundations and Trends in SignalProcessing，7(3–4):197–387，2014年)中所述，深度学习网络可被分类为三个主要类：
“1.用于无监督学习或生成学习的深度网络，其旨在当与目标类标签有关的信息不可用时捕获观察或可视数据的高阶相关性以用于模式分析或合成目的。文献中的无监督特征或表示学习是指这类深度网络。在用于生成模式的情况下，还可以旨在当可见数据可用且正被视为可视数据的一部分的情况下，对可见数据的联合统计分布及其关联类进行表征。在后一种情况下，贝叶斯规则的使用可以将这类生成网络变为用于学习的判别式网络。
2.用于监督学习的深度网络，其旨在通常通过表征以可视数据为条件的类的后验分布来直接提供判别能力以用于模式分类目的。对于这种监督学习，目标标签数据总是以直接或间接形式可用。该深度网络也被称为判别式深度网络。
3.混合深度网络，其中目标是判别，所述判别通常以显著方式辅以生成性或无监督深度网络的结果。这可以通过更好地优化和/或规则化类别(2)中的深度网络来实现。该目标还可以在使用用于监督学习的判别标准来估计以上类别(1)中的深度生成网络或无监督深度网络中的任一个的参数的情况下实现。
其它常见的分类是深度神经网络(DNN)和递归神经网络(RNN)、卷积神经网络(CNN)、受限玻尔兹曼机(RBM)、深度信念网络(DBN)、深度玻尔兹曼机(DBM)等。
在一些实施例中，可以采用更简单的MR技术，诸如本领域技术人员已知的模板匹配，其中将所测量和检测到的运动特征与根据来自多个患者或其它用户的测量运动的预收集数据库导出的模板、或者在患者特定的定基线或训练时间段期间导出的患者特定模板中的模板进行比较。
示例性传感器布置
图1是被配置为感测患者身上的特定传感器位置处的患者定向和运动的传感器布置100的示意图。收集并处理与所测量的运动或定向相对应的数据以估计该特定传感器位置处的运动或定向。处理运动或定向测量以检测一个或多个预定运动或定向类型(“运动基元”)的序列、并将基于运动波形的特征的运动基元分类为与一个或多个预定运动基元相对应。运动基元的一些示例可以是：“躺”、“坐”、“站立”、“放脚”、“跌落”、“滚动”、“行走”、“跑步”、“转身”、“弯曲”、“伸直”。
另外，可以存在针对运动基元的运动修饰符，诸如用于描述运动速度的“快”或“慢”、或者例如用于描述方向的“向上”、“向下”、“向左”、“向右”。另外，可以存在运动对象，例如传感器所在的“腿”或“臂”或“躯干”等身体位置。另外，可以存在运动对象修饰符(即，运动形容词)，例如用于描述哪只臂或腿正在运动的“左”或“右”、或者用于描述躯干、臂、腿或其它身体部分的哪个部分正在运动的“上”或“下”。在一些情况下，可以存在针对可允许的检测到的运动基元或运动修饰符序列的预定义规则的关联集，其中这些预定义规则构成运动语法。使用所检测到的运动基元和远东修饰符并且基于运动语法，可以构造运动语句，例如，“迈步”、“在床上坐起来”、“开门”、“沿着过道快速行走”、或者“跌落到地面”。
用于检测运动基元、修饰符、对象、形容词以及语法结构的这种运动识别处理可以通过“定基线”(即运动识别训练)时间段来完成，通过“定基线”，运动/定向传感器被贴附至患者身体的适当部分，并且患者被指示进行一系列预定义的运动或活动，例如躺下、坐着、从坐着的状态站起、从躺下的状态站起、行走等。然后系统分析患者的特定运动或活动，并用它来增加对该患者的运动的识别的精度。可选地，运动识别处理可以不采用任何定基线或训练时间段，并且可以完全依赖于完全根据规则生成之前所收集到的运动的数据库导出的运动检测规则。
然后可以分析运动识别(MR)处理的输出(例如，运动基元、修饰符、对象、形容词和语法结构)以判断MR输出是否指出患者的健康或安全受到威胁或以其它方式构成初期危险。然后可以响应于检测运动的分类来执行通知组件(诸如向健康护理提供者或其他看护者的警报或通知等)。
所示的示例性传感器布置100包括多个运动/定向传感器104以及运动跟踪单元106，其全部附着至患者102或者由患者102穿戴。传感器布置100的运动/定向传感器104可以包括一个或多个惯性运动单元传感器(“IMU”)，包括但不限于一维加速度计、二维加速度计、三维加速度计、陀螺仪和磁力计中的一个或多个。例如，运动/定向传感器104的示例包括多轴加速度计和多轴陀螺仪，诸如来自的ADIS16362惯性系统、或者由制造的M1运动感测系统等(其还包括多轴磁力计)。另一示例性运动/定向传感器104包括来自飞思卡尔半导体的MMA7361LC±1.5g、±6g三轴低g微机械加速度计。
运动/定向传感器104所收集到的数据的计算由被配置在运动/定向传感器104本身内的微处理器、或者与运动/定向传感器104通信并且被配置在其它各处的微处理器进行。使用运动/定向传感器104所收集到的数据(例如，线性加速度、力、定向)，微处理器确定该运动/定向传感器104在三维空间中的位置和定向。
一般地，一个或多个IMU可以测量患者身体部分沿至少三个轴的位置变化：俯仰(相对于横断面向上/向下)、横摆(相对于矢状面向左/向右)、和侧倾(相对于冠状面(例如沿后向或前向)呈顺时针/逆时针)。沿这些轴的各测量导致一个或多个IMU生成与这一个或多个IMU所附着的患者身体部分相对应的一系列运动参数。例如，对于六个自由度中的各自由度(诸如x、y、z以及θx、θy和θz)，IMU可以在估计了重力的情况下随时间对感测加速度进行积分，以计算当前速度。然后，IMU可以对速度进行积分以计算当前位置。基于位置信息，IMU可以导出患者身体部分的一个或多个定向参数以用于运动识别/分类处理。
根据用于运动/定向传感器104的传感器的类型来检测运动，包括在三维空间的一个或多个维度(即，笛卡尔坐标系的x方向、y方向和z方向)中的定向。与运动相对应的数据(加速度数据、定向数据或其它测量数据)由运动/定向传感器104检测并被提供给运动跟踪单元106。该数据还可以指示无运动(即，患者没有移动)。此外，与提供数据的各传感器相对应的标识符(ID)以及检测时间被发送至运动跟踪单元。然后如以下在图4～6的背景中更详细所讨论地，使用这些数据来对运动进行分类。
在所示的示例性传感器布置100中，运动/定向传感器104沿着终止于患者102的四肢的单独路径连续地彼此连接。如图所示，各种示例性连接路径起始于运动跟踪单元106。一条路径将沿着终止于患者102的右臂的第一路径的多个传感器连接起来。另一条路径将沿着终止于患者102的头骨冠的第二路径的多个传感器连接起来。其它类似路径延伸至患者102的左臂、以及患者102的右腿和左腿。其它路径可以根据需要将被配置在患者102的身体的其它部分的一个或多个传感器连接至运动跟踪单元106。另外，一些示例可以省略一些传感器104。
选择患者102的身体上的各个运动/定向传感器104的位置以检测相应的运动/定向传感器104所附着至的患者102的部分的运动。在所示的示例中，运动/定向传感器104附着至患者身体的解剖部分，或者一般位于患者102身上可选地被关节(例如，肘、膝、腕、颈、颌)分隔开的解剖位置处，以检测臂、腿、头或躯干的不同部分的特定段的运动。如这里所述的，解剖位置可以包括患者身体上的任意位置，其中可以该任意位置处放置一个或多个运动传感器以监测患者身体的以下部分的运动(包括定向)。例如，这样的解剖位置可以包括患者身体的头、胸、腿、颈、肩、肘、膝、腕、颌、前臂、二头肌、踝和脚中的一个或多个。
以这种方式配置运动/定向传感器104有利于检测患者整体的运动，但也有利于检测患者102的所有身体部分的运动、以及甚至患者102的一个部分相对于患者102的其它部分的运动。运动/定向传感器104还可被配置为发送用于指示患者102的某些部分缺乏运动的数据。通过图示的方式，附着至躯干(或者穿戴在躯干上)的运动/定向传感器104可以有助于确定患者102已跌落到地面上。在另一图示中，附着至一条或多条腿的运动/定向传感器可以有助于确定患者102正在行走。根据前面的图示以及本发明，其它类似的图示将变得显而易见。
在其它示例中，传感器布置中的一个或多个传感器104附着至诸如床或椅(或者甚至展现出可与患者运动区分开的均匀线性移动的轮椅)等的静止物体，使得相对于已知静止物体而检测到患者运动。例如，如果穿戴着至少一个运动/定向传感器104的患者102从另一运动/定向传感器104所附着的床上下来，则两个传感器之间的这种相对运动将被检测到。这可以特别有利于向看护者通知高风险患者的运动。例如，使用传感器的这种配置，可以立即向护士警告具有增高的跌落风险的患者102处于下床的过程中，因此该护士可以介入以支撑患者。类似地，可以使用该配置(和这里所述的其它配置)来在检测到高风险运动的情况下发出警报以对患者自身进行警告，从而使得患者能够等待帮助和/或停止高风险运动。
虽然示例性传感器布置100示出多个运动/定向传感器104经由导线连接至一条路径上的其它传感器并最终连接至运动跟踪单元106，但这不是必需的。应当理解，在其它示例中，运动/定向传感器104经由无线连接而连接至运动跟踪单元106、或者未配置在患者身上的分布式计算系统的收发器。
示例性流动医疗装置
在一些情况下，这里所述的示例可以在延长的时间段内无实质中断地被患者穿戴、附着至患者、或其它方式连接至患者。例如，装置可以在数小时、数天、数周或更长时间内被患者穿戴、附着至患者、或其它方式连接至患者。例如，流动装置可被配置用于各个时间段(包括至少24小时时间段、至少一周、以及至少一个月)内的基本上连续的监测和/或治疗。例如，这种医疗装置可以包括监测和/或治疗装置，其被配置为在延长的时间段内针对特定医疗条件连续地监测患者，例如，在超过4小时的时间段内进行监测(例如睡眠呼吸暂停装置等的治疗和监测装置)、在超过12小时的时间段内进行监测(例如，移动心脏监测装置、可穿戴式除颤器装置等的治疗和/或监测装置)，并且包括在超过24小时的时间段或者甚至数天中基本上连续地监测。除了患者可以定期移除装置(例如进行淋浴、改装装置、改变装置的组件等)的时间段外，这种装置可以基本上连续地监测患者。
图2示出外部、流动且由患者102穿戴的示例性医疗装置200，诸如可从医疗公司获得的可穿戴式除颤器等。如图所示，医疗装置200包括衣服210、多个感测电极212、多个治疗电极214、医疗装置控制器220、连接舱230、患者接口舱240、以及带222。运动或定向传感器(或者更一般地，惯性测量单元)250也是医疗装置200的一部分，在这种情况下其附着至带222。
多个感测电极212可被配置在患者身体周围的各个位置处(例如，通过衣服210而保持在适当的位置，或者粘贴附着至患者的皮肤)。如图所示，感测电极212通过连接舱230电气连接至医疗装置控制器220。在一些实现中，可穿戴式医疗装置200的一些组件被贴附至可穿戴在患者躯干上的衣服210。例如，如图2所示，控制器220、至少一些感测电极212、以及可选的可经由粘贴剂而附着至患者的一个或多个治疗电极214可被安装在患者102所穿戴的带222上。感测电极212和连接舱230可以如图所示被安装或集成到衣服210中。感测电极212被配置为获取描述患者心脏功能的信号，使得控制器220可以监测患者的一个或多个心脏信号。多个治疗电极214可以通过连接舱230而电气连接至控制器220。治疗电极214被配置为在控制器220确定为治疗有保证的情况下将一个或多个这种治疗性除颤电击递送至患者的身体。连接舱230可以包括电子电路、以及被配置为监测患者活动的一个或多个传感器(例如，运动或定向传感器、加速度计等)。
可穿戴式医疗装置200可以包括可选的、连接至医疗装置控制器220的患者接口舱240。例如，患者接口舱240可以包括患者接口元件，诸如扬声器、对患者输入进行响应的麦克风、显示器、对患者输入进行响应的交互式触摸屏、以及/或者用于输入的物理按钮等。在一些实现中，这些元件并入到控制器220的外壳中。患者接口舱240可以例如通过网络接口来与控制器220无线地连接，从而将心电图数据发送至单独且不同的医疗监测装置。患者接口舱240可以采取其它形式，并且包括附加功能。例如，患者接口舱240可以在患者所携带的智能手机、平板电脑或其它移动装置上实现。在另一示例中，患者接口舱240可以作为手表而穿戴在患者腕部周围，或者作为带而穿戴在患者上臂周围。在一些实现中，控制器220可以通信特定的警报和信息，以及/或者对经由控制器220和/或患者接口舱240中所包括的患者接口元件的患者输入进行响应。患者和/或看护者可以与触摸显示器或患者接口舱240进行交互以控制医疗装置200。
除了可以可选地在存在于可穿戴式医疗装置200上以检测心音和其它患者活动的加速度计之外，在一些示例中，运动或定向传感器250也附着至可穿戴式医疗装置200。在一些示例中，运动或定向传感器250本身可被配置为检测患者的心音，因此也用作用于监测心脏功能并且用于经由心肺音来测量患者的生理状况的传感器。在一些情况下，这些测量用于患者的治疗(例如，除颤、心脏起搏、CPR、治疗呼吸困难、心力衰竭等)。虽然图2中的示例示出附着至带222的运动或定向传感器250，但该运动或定向传感器250可以附着至可穿戴式医疗装置200的其它部分。运动或定向传感器250可以包括三维加速度计和陀螺仪至少之一，使得可以确定患者102的定向以用于记录定基线或训练数据从而填充(以下参考图4所述的)数据结构、以及用于检测并分析患者102的运动。使用三维加速度计和陀螺仪至少之一使得可穿戴式医疗装置200能够检测患者102的躯干(例如，胸)或其它身体部分(例如，头、腿、肩、头、前臂、二头肌、踝、颈)加速或改变方向的运动基元或运动语句。涉及躯干运动和/或定向的改变的运动基元或语句的示例可以包括：在床上坐起来、转身、某种类型的行走步态、跌落、昏倒和/或绊倒。
在其它示例中，可穿戴式医疗装置200可以包括处理器，所述处理器连接至感测电极212和运动或定向传感器(或惯性测量单元)(或以其它方式与其进行通信)以监测睡眠期间的患者运动。在睡眠期间监测患者运动时，处理器可以使用这里所述的方法和系统来确定患者运动是否过度。例如，在定基线或训练时间段(诸如患者穿戴可穿戴式医疗装置200的第一晚)期间，可以在患者睡眠期间记录正常睡眠运动。如果采用基于模板的或者启发式的、基于逻辑的运动识别，则可以基于在用于确定运动语句“睡眠”的训练时间段期间所获取的该数据来建立阈值和/或规则(即：“静卧足够的时间段”，这又具有以下特征：运动基元“躺”；以及运动副词“静静地”和“足够的时间段”)。例如，患者躯干的角度位置的阈值可被预定义为15度或更小，或者可由看护者在定基线处理期间进行调整以适合患者的特定情况，例如注意到患者喜欢用额外的枕头睡觉、或者在床头升起的情况下睡觉。同样，可以基于睡眠期间的活动以及在一些情况下基于看护者或者检查训练时间段测量的其他人员的分类，来确定活动的水平，例如，“睡得很香”、“主动睡眠”或“唤醒睡眠”。在HMM或深度学习网络用于运动识别的情况下，针对该特定患者在定基线或训练时间段期间的数据记录将改进运动识别的精度。当日时间也可被包括作为运动矢量中的数据元素以增加精度，这是因为对于大多数人来说，在夜间将更有可能进行睡眠。
所监测并分类的运动的类型包括但不限于腿、臂、头和躯干的运动(运动方向和运动模式)。可以建立正常睡眠运动的阈值(例如，运动频率、运动幅值)，并将其用于对患者运动进行分类以及/或者触发动作。除了这些应用之外，处理器还可被配置为响应于将患者运动分类为过度而改变心律失常治疗方案。例如，在一些实现中，治疗方案可以将置信度得分与所检测到的心律失常状况进行关联。在处理器确定为患者运动运动过度(例如，运动超过了预定的运动阈值量和/或此运动的持续时间的预定阈值量)的情况下，该治疗方案与不存在此类运动的情况下的方案相比，可以将较低的置信度得分与所检测到的心律失常状况进行关联。在一些实现中，要施加到患者的除颤电流可以延迟一段时间，以允许置信度得分的改进。可选地或附加地，可以基于处理器所确定的睡眠期间的过度运动的类型或程度来向患者施加改变后的除颤电流。此外，处理器还可以通过在默认的心律失常治疗方案前面加上一个或多个附加警报、警告和/或通知(例如，针对患者的触觉警报、针对医院人员的警报等)，来改变心律失常治疗方案。
在一些示例中，可以使用阈值、通过使用这里所述的系统和方法来将患者运动分类为过度或不过度。换句话说，可以根据在定基线或训练时间段期间患者睡着时所获取的运动数据来对频率、幅度、持续时间、身体部分、以及它们的组合进行分类。例如，可以将患者运动的幅度与健康护理提供者所设置的对应阈值进行比较。在另一示例中，可以将患者运动的频率与健康护理提供者所设置的对应阈值进行比较。在又一示例中，可以将患者运动的持续时间与健康护理提供者所设置的对应持续时间阈值进行比较。在超过这些示例性阈值中的任一个或全部时可以触发动作，例如经由通信组件来向健康护理提供者警告过度运动。
图3示出根据这里所述的方法和系统的用于接收运动或定向传感器数据并存储该数据以供分类的医疗装置控制器300的示例的示意图。图3中使用虚线来呈现医疗装置控制器的可选组件。在一些示例中，医疗装置控制器300并入运动跟踪单元106或控制器220中。
医疗装置控制器300包括可选的治疗递送接口302、数据存储装置304(其包括以下参考图4所述的运动信息数据存储装置330)、可选的网络接口306、可选的用户接口308、传感器接口312、可选的运动识别分类组件316、可选的通知组件317、至少一个处理器318、以及可选的电池332。
治疗递送接口302(如果包括的话)可以连接至被配置为向患者提供治疗的一个或多个电极，例如包括一个或多个除颤电极320、起搏电极322和/或TENS电极324。传感器接口312和治疗递送接口302可以实现各种连接和通信技术以便于传感器212、感测电极328和运动传感器334、以及治疗递送装置320、322和324与医疗装置控制器300之间的数据交换。在一些示例中，一个或多个运动/定向传感器334包括运动/定向传感器104和/或运动或定向传感器250中的一个或多个。另外，在一些示例中，治疗递送装置320、322和324被包括在治疗电极214中。
数据存储装置304包括一种或多种非暂时性计算机可读介质，例如闪速存储器、固态存储器、磁存储器、光存储器、高速缓冲存储器以及其组合等。数据存储装置304被配置用于存储各个示例中的医疗装置控制器300本身的操作以及传感器布置100、运动跟踪单元106和可穿戴式医疗装置200中的一个或多个的操作所使用的可执行指令和数据。此外，如以下更详细说明的，数据存储装置304包括运动信息数据存储装置330。运动信息数据存储装置330包括由一个或多个运动/定向传感器334收集到并从其发送来的患者运动数据。运动信息数据存储装置330包含运动测量以及运动基元、运动修饰符、运动对象、运动语法和运动语句至少之一的检测和估计所必需的信息。运动基元、运动修饰符、运动对象、运动语法都被称为“运动语句特征”。在基于模板的或启发式的运动识别系统的情况下，运动语句特征可以包括阈值和其它基于逻辑的元素以及数据结构。在深度学习网络的情况下，运动语句特征可以是节点系数。在HMM方法的情况下，运动语句特征可以采用状态转变概率的形式。运动信息数据存储装置330还可以包括在定基线或训练时间段期间所获取的数据，或者是至少部分地根据在定基线或训练时间段期间所获取的数据导出的。以下进一步描述了与在医疗装置控制器的运动分类组件以监测模式操作时用于对来自一个或多个运动/定向传感器334的流入运动数据进行分类的预定运动语句特征或运动语句相对应的运动数据。
在一些示例中，网络接口306可以便于医疗装置控制器300和一个或多个其它装置或实体之间通过通信网络的信息通信。例如，在控制器300被包括在流动医疗装置(诸如医疗装置200)中的情况下，网络接口306可被配置为与医院医疗装置(诸如以下参考图13进一步所述的医院医疗装置1316)内所包括的医疗装置控制器300进行通信。在另一示例中，网络接口306可被配置为与包括处理器的远程装置(诸如以下参考图13进一步所述的可编程装置等)进行通信，其中看护者可以在该远程装置上访问与患者相关的信息。
在一些示例中，可选的用户接口308包括诸如输入装置、输出装置以及组合输入/输出装置等的一个或多个物理接口装置、以及被配置为驱动该装置的操作的软件堆栈。这些用户接口元件可以呈现视觉、听觉和/或触觉内容，包括与位置特定的处理相关的内容。因此，用户接口308可以接收输入或提供输出，从而使得用户能够与控制器300进行交互。
除了连接至一个或多个运动/定向传感器334之外，传感器接口312还可以连接至感测电极/其它传感器中的任意一个或其组合以接收指示患者参数的其它患者数据。一旦传感器接口312接收到来自传感器的数据，就利用处理器318来识别源传感器并将数据发送至医疗装置控制器300内的适当组件。例如，如果心脏数据被心脏感测电极212收集到并被发送至传感器接口312，则传感器接口312将数据发送至处理器318，其中处理器318又将数据中继至心脏事件检测器326。
在一些实现中，处理器318包括一个或多个处理器，其中各处理器被配置为执行得到操纵数据的一系列指令、以及/或者控制控制器300的其它组件的操作。在一些实现中，在执行如这里所提供的特定处理(例如，图5和图6)的情况下，处理器318被配置为基于所接收到的输入数据来进行基于特定逻辑的确定，并且还能够提供可用于控制或其它方式通知处理器318以及/或者与处理器318通信连接的其它处理器或电路所要执行的后续处理的一个或多个输出。因此，处理器318以特定方式对特定输入刺激进行反应，并基于该输入刺激而生成对应的输出。从这个意义上来说，根据一个示例的处理器318的结构由图5和图6所示的流程图定义。在一些示例性情况下，处理器318经过逻辑转变序列，其中各种内部寄存器状态以及/或者处理器318内部或外部的其它位单元状态可被设置为逻辑高或逻辑低。通过针对处理器318的电输入信号的状态来确定这种特定的逻辑转变序列，并且在执行图5和图6所示的软件处理的各软件指令时实际通过处理器318来假设专用结构。具体地，这些指令预期要接收的各种激励，并相应地改变所涉及的存储器状态。以这种方式，处理器318可以生成并存储或以其它方式提供有用的输出信号。可以预期，处理器318在处理的执行期间能够基于在各软件指令的执行期间进行的一个或多个逻辑操作来处理特定输入信号并呈现特定输出信号。如这里所提及的，处理器318被配置为在软件存储在连接至处理器318的数据存储装置中的情况下执行功能，其中该软件被配置为使处理器318经过得到该被执行功能的各种逻辑决策的序列。这里被描述为可由处理器318执行的各种组件能够以专用硬件、软件或其组合的各种形式实现。
在一些示例中，控制器300包括心脏事件检测器326，以监测患者的心脏活动、基于所接收到的心脏信号来识别患者所经历的心脏事件、并在必要的情况下通过执行可导致向患者身体递送一个或多个除颤电击的治疗方案来治疗患者。
在一些示例中，可选的运动识别或分类组件316被配置为接收并处理由一个或多个运动/定向传感器334获取的运动信息。在一些示例中，运动识别或分类组件316被配置为以定基线/训练模式和/或监测模式进行操作。图5示出在以定基线/训练模式进行操作时运动识别或分类组件316被配置执行的定基线/训练处理的一个示例。图6示出在以监测模式进行操作时运动识别或分类组件316被配置执行的运动分类处理的一个示例。运动识别或分类组件316被示出为可选的，这是因为在一些示例(例如，图13所示的示例)中，运动识别或分类组件316在不同的可编程装置(例如，服务器1302)上实现。在运动识别或分类组件316由医疗装置控制器300以外的装置实现的情况下，处理器318在例如经由网络接口306将流入传感器数据发送至远程运动分类组件之前将该传感器数据存储在运动信息数据存储装置330中(例如，存储在传感器数据结构400中)。在一些示例中，运动识别或分类组件316被配置为使用2016年3月23日提交并公布为美国公开US 20160278652A1的、标题为“SYSTEMS AND METHODS OF DETERMINING LOCATIONS USING A MEDICAL DEVICE”的美国专利申请15/077,995中所描述的技术来确定医疗装置的位置，上述文献通过引用而全文并入于此。
在一些示例中，可选的通知组件317被配置为在运动识别或分类组件316响应于检测到的患者运动序列而确定为批准警报、警告或其它通知情况下接收并处理来自该运动识别或分类组件316的一个或多个通知请求。在根据其配置执行时，通知组件317可以经由网络接口306和/或用户接口308来发出通知。例如，通知组件317可以向可编程装置(例如，以下参考图13所述的客户端装置1304)和/或医疗装置(例如，以下参考图13所述的医疗装置1316、1314、1312、1310、1308中的任一个)发送一个或多个指示，以经由可编程装置的用户接口来发出针对看护者(例如，以下参考图13所述的看护者1319)的警报。可选地或附加地，通知组件317可以经由用户接口308来向患者102呈现通知。这些通知可以包括视觉、音频或触觉组成。
在一些实现中，作为通知动作的附加或替代，通知组件317可被配置为将运动识别或分类处理的输出存储在一个或多个数据库中。在这种情况下，数据可以按运动数据的类型、收集数据的日期和当日时间、以及/或者基于信息分析的数据注释来分组。诸如看护者或支持人员等的授权人员可以使医疗装置基于数据而生成一个或多个报告。例如，这种报告可以按数据类型、以及收集数据的日期和当日时间来排序。
在各种实现中，控制器300实现用于提供文件系统和网络支持的嵌入式操作系统。在一个示例中，控制器300包括用于提供关系数据库功能、触摸屏显示驱动器、音频生成、蓝牙无线网络、低功耗蓝牙(BLE)信标技术(包括但不限于iBeacon、或者诸如有源NFC信标或者无源、非接触式RFID标签等的近场通信方法)、网络安全和防火墙、以及数据加密服务的软件特征。
可以通过放置在诸如医院等的设施内的接合点(例如，过道的两端、走廊中间位置、楼梯间内、医院的自助餐厅和入口、以及患者房间的门)处的位置信标来增强运动信息。位置信标可以利用诸如iBeacon等的近场信标来实现，其中该近场信标将在患者走过时与该患者身上的装置进行通信，并提供装置可用来校准其位置的绝对位置定位数据，并将其实际位置发送至看护者。通过使运动/定向传感器与信标系统进行组合，信标的数量可以减少，从而节省实现成本和复杂度。
图4示出用于存储多个运动参数、并且被示出为医疗装置控制器300的数据存储装置304的组件的运动信息数据存储装置330的示例。运动信息数据存储装置330包括传感器数据结构400、传感器主结构402、运动基元主结构404、运动基元数据结构406、运动序列主结构408、以及运动序列结构410。在一些示例中，数据结构402、404和408由运动识别或分类组件316在以定基线/训练模式进行操作期间(例如，在最初安装包括医疗装置控制器300的医疗装置期间)填充。在一些示例中，数据结构400、406和410由运动识别或分类组件316在以监测模式进行操作时填充。
传感器主结构402存储用于经由传感器接口312来获取运动数据并将其发送至处理器318的运动/定向传感器(例如，一个或多个运动/定向传感器334)的列表。传感器主结构402中所表示的传感器的类型的示例包括但不限于一维加速度计、二维加速度计、三维加速度计、陀螺仪和磁力计中的一种或多种。如图4所示，传感器主结构402包括至少两个参数，包括sensor_ID字段和位置字段。sensor_ID字段被配置为存储一个或多个运动/定向传感器334各自的标识符。这些标识符在图4所示的整个数据模型中使用，以将数据与所标识的传感器进行关联。位置字段被配置为存储描述患者102的身体上定位了sensor_ID所标识的传感器的解剖位置的数据。因此，位置字段中所存储的数据将传感器与患者102的身体上的位置(例如，左前臂、右前臂、左胫骨、右大腿、头冠、胸腔)进行关联。然后，该位置数据被运动信息数据存储装置330和医疗装置控制器300的其它元件(例如，运动识别或分类组件316)使用以识别患者102所进行的运动基元和可选的运动语句。由于不经常变化的信息(例如，传感器位置)不与运动数据中的各数据一起发送，因此传感器主结构402改进了医疗装置控制器300的计算效率。在一些示例中，在最初安装传感器布置(例如，传感器布置100)或流动医疗装置(例如，流动医疗装置200)期间，用实际传感器ID和解剖位置来填充传感器主结构402。
随着患者102执行运动基元，运动基元主结构404存储描述医疗装置控制器300所记录的各种预定运动基元的基线数据。如上所述，运动基元基本上是包含运动语句特征的运动语句中的“动词”。运动基元是预定义运动，其中该预定义运动通常足够简单或足够常见以至于患者102在收到命令时可以执行该预定义运动，从而在定基线/训练时间段期间收集相应的患者特定基线数据。运动基元还可被识别为包括一个或多个运动语句中的其它预定运动语句特征的更复杂运动的成分。特别有助于临床健康护理环境(例如，医院或住院诊所)的运动语句的示例是：1)“从床上站起来”＝“在床上坐起来”+“把腿放在床边”+“把脚放在地上”+“弯曲并站起来”；2)“坐到床上”；3)“从仰卧的姿势在床上坐起来”；4)“从坐着的姿势在床上躺下”；5)“左脚先迈出一步”；6)“右脚先迈出一步”；7)“开门”；8)“站在原地转身”；9)“睡得很香”；10)“从站立姿势坐在椅子或马桶上”，等等。针对穿戴着运动或定向传感器部件100或流动医疗装置200的各个患者(诸如患者102等)记录这些示例性运动基元和运动语句、或者这里未明确标识的其它运动基元、运动语句或运动语句特征中的任意一个或多个，使得特定于各个患者和各个运动/定向传感器的运动或其位置的变化和特征被反映在定基线/训练时间段期间所记录的基线数据中。
可以如以下在图5中所述在医疗装置控制器300以定基线/训练模式进行操作时针对各个患者记录并分析这些运动基元等，从而创建基线数据的库并改进针对该特定患者的运动识别算法的精度。在医疗装置控制器300正以监测模式进行操作时测量来自运动/定向传感器的数据并将其输入到运动识别算法中。运动识别算法对运动进行分类，使得运动与预定运动基元或运动语句特征最佳地对应。然后可以分析运动识别(MR)处理的输出(例如，运动基元、修饰符、对象、形容词和语法结构)以确定MR输出是否指出患者的健康或安全受到威胁或以其它方式构成初期危险。然后可以响应于检测到的运动的分类来执行通知组件(诸如针对健康护理提供者或其他看护者的警报或通知等)。可以将适当的信号提供至患者102、健康护理提供者、或者医疗装置系统的组件，其中任一个可以发起动作。在运动基元的序列预期到患者运动的危险后果的情况下，这些动作可以包括预防措施。
如图4所示，运动基元主结构404包括primitive_name字段、primitive_ID字段、位置字段、parameter_ID字段、时间字段和值字段。primitive_name字段被配置为针对要为患者102记录的各运动基元存储描述人可读名称的数据。primitive_ID字段被配置为存储各运动基元的标识符。这些标识符在图4所示的整个数据模型中使用，以将其它数据与所标识的运动基元进行关联。剩余的四个字段：位置字段、parameter_ID字段、时间字段和值字段被配置为存储在各运动基元的记录期间所获取的传感器数据。更具体地，各运动基元可以包含在特定时间(如时间字段中所指定的时间)、在解剖位置(如位置字段中所指定的位置)处记录的参数(如parameter_ID字段中所标识的参数)的一个或多个传感器值(如值字段中所指定的传感器值)。运动基元主结构还将包含描述运动对象和运动修饰符的信息。
运动序列主结构408存储描述运动语句(单个运动语句以及运动语句序列这两者)的数据。运动语句的名称的示例包括：“迈右脚”；“在床上坐起来”；“(站立时)转身”；“(从站立的姿势)坐下”；以及其它这样的示例。运动语句的序列可以描述患者的更复杂的运动。这些序列的示例包括：患者下床去洗手间、患者离开他们的房间并沿着走廊行走、以及患者进行6分钟行走测试(这可用作定基线/训练时间段期间所获得的患者特定基线数据，以识别随时间推移逐渐不稳定的行走)。如图4所示，运动序列主结构408包括sequence_name字段、sequence_ID字段、primitive_ID字段、以及动作字段。sequence_name字段被配置为在患者102正被包括医疗装置控制器300的医疗装置监测期间针对与该患者相关联的各运动语句存储描述人可读名称的数据。运动语句序列的名称的示例包括：“去洗手间”；“进行6分钟行走测试”；“去护士站”；以及其它这样的示例。因此，各序列包括共同描述整个序列活动的两个或更多个运动语句。
sequence_ID字段被配置为存储各运动序列的标识符。这些标识符在图4所示的整个数据模型中使用，以将其它数据与所标识的运动序列进行关联。primitive_ID字段被配置为存储共同构成sequence_ID字段中所标识的运动序列的一个或多个primitive_ID。动作字段被配置为存储用于响应于识别sequence_ID所标识的运动序列而识别一个或多个触发动作的数据。在一些示例中，经由该字段可识别的动作包括执行通知组件，其中该通知组件是被设计为解决所检测到的运动的后果的自动组件。例如，通知组件可以由处理器执行，并且被配置为向与用户相关联、或位于特定位置的装置发出警报，如以下参考图13进一步所述。
动作字段还可被配置为包括影响一个或多个动作何时以及其中的哪一个被触发的各种条件。例如，动作字段中可以包括患者的年龄、与运动相关联的当前时间(包括白天/晚上指定以及小时)、运动分类组件的操作模式、以及/或者要执行的动作。例如，在日间，在90岁的患者下床时，向巡视该患者的专门护士的寻呼机发送警报。可以在人手更加不足的夜班期间触发类似的警报并将该警报发送至护士站。可选地，对于20岁的患者，无论该患者何时下床，都不会触发警报。
传感器数据结构400在医疗装置控制器300正执行监测模式时存储描述各运动或定向传感器所获取的患者运动的各种数据。如图4所示，传感器数据结构包括sensor_ID字段、parameter_ID字段、时间字段和值字段。sensor_ID字段被配置为存储传感器主结构402中所定义的运动或定向传感器的标识符。parameter_ID字段被配置为存储用于指定通过sensor_ID字段中标识的传感器所获取的数据值而测得的参数的标识的数据。例如，x轴方向、y轴方向和z轴方向的力数据将各自具有用于指定力的方向的不同参数ID。同样，陀螺仪所发送的定向(例如，倾斜、旋转)数据将具有用于标识与数据相对应的测量的一个或多个参数ID。时间字段被配置为存储用于指示一个或多个运动/定向传感器获得各测量值的时间点、以及/或者运动发生的持续时间的数据。传感器数据结构400的时间字段用作索引以将针对患者102所收集到的传感器数据按顺序放置，使得可以分析多个运动以确定为一个运动语句或多个运动语句可被串成运动序列、并且还测量运动的持续时间(例如，运动何时开始和结束)。值字段被配置为存储运动/定向传感器所获取的参数测量值。这些值可以例如是运动或定向传感器所测量的、用于描述患者102的运动的标量或矢量值。应当理解，在结合sensor_ID、parameter_ID、以及运动信息数据存储装置330中的其它数据结构和/或元素中的一个或多个进行分析时，标量值可以与一个或多个矢量分量相关联。
运动基元数据结构406存储用于描述传感器数据结构404中存储的传感器数据内所展现的运动基元和其他运动语句特征的数据。如图所示，运动基元数据结构406包括primitive_ID字段、位置字段、parameter_ID字段、时间字段和值字段。在一些示例中，通过将传感器数据结构400中所存储的数据与传感器主结构402中所存储的数据进行联接、并且从具有与联接数据内的位置、parameter_ID、时间和值相匹配的关联位置、parameter_ID、时间和值的运动基元主结构404中识别primitive_ID，来确定这些字段中所存储的数据。找到匹配所需的置信度可以因示例而不同。
运动序列结构410存储用于描述运动基元数据结构406中存储的运动基元内所展现的运动语句和运动语句序列的数据。如图所示，运动序列结构410包括sequence_ID字段和primitive_ID字段。在一些示例中，通过将运动基元数据结构406中所存储的数据与运动序列主结构408中所存储的数据进行联接、并且从具有与联接数据内的primitive_ID相匹配的关联primitive_ID的运动序列主结构408中识别sequence_ID，来确定这些字段中所存储的数据。找到匹配所需的置信度可以因示例而不同。应当理解，在一些示例中，运动基元数据结构406和运动序列数据结构410可以作为视图被实现到传感器数据结构400而不是包括数据副本的数据存储装置中。
可以定义存在两个或更多个相关患者运动状态的状态空间。这些患者运动状态可以与如这里所述的一个或多个运动基元相对应。以下仅为了说明目的而呈现了示例性患者运动状态，并且在各种示例中可以预期所述的测量的一些偏差。
患者坐着：不活动-患者躯干以大于15度的角度倾斜，但是在5秒的滚动更新时间段中具有小于1ft/sec(或其它适当阈值，例如0.25、0.5、2、4、8或16ft/sec)的运动速度。在其它示例中，患者坐着：不活动的定义可以基于其它运动测量，诸如均方根(RMS)运动、加速度等或多因素组合。患者坐着的状态也可以具有“活动”的子状态，在该子状态中，运动速度大于针对“不活动”状态所定义的运动速度。
患者睡眠：不活动-患者以小于15度的角度倾斜，但是在最近的10分钟中具有小于0.25ft/sec的运动速度(或者如上文所测量的其它阈值、范围、参数)。
患者睡眠：活动-患者以小于15度的角度倾斜，但是在最近10分钟的滚动更新时间段中具有多于0.25ft/sec的运动速度(或者如上文所测量的其它阈值、范围、参数)。
患者下床–该状态之前是“患者睡眠：不活动”或“患者睡眠：活动”中的任一个。患者以大于15度的角度倾斜。患者下床状态还可被细分为如下的状态：“坐起来”，其中躯干处于向上倾斜到垂直位置的过程中；“把脚放下”，其中位于患者脚或踝上的运动/定向传感器104下降多于6英寸。在一些示例中，在位于患者大腿或躯干上的运动或定向传感器变得与脚传感器的垂直对齐小于0.5英尺的情况下指示“患者踩到地板上”。
患者睡眠：翻身-在躯干的角旋转运动超过20度的旋转(同时仍相对于水平方向保持小于15度的角度)的情况下，定义患者睡眠的翻身的子状态。如果检测到患者睡眠：翻身，则装置可以确定为生理监测传感器(例如，ECG、SpO2等)现在可能在患者身下并且被压在患者和床垫之间。作为响应，可以激活不同的一组传感器，其中该组传感器具有便于更精确地监测患者生理度量的位置(例如，这是因为它们未被压在患者和床之间)。例如，ZOLL可穿戴式除颤器包括连接至两个ECG导联(前后(FB)导联对和侧侧(SS)导联对)的两组ECG电极对。如果确定为患者正侧卧，则处理器将切换到监测SS导联而非FB导联，或者可选地可以在预计FB导联上将存在更高的压缩和运动伪影的情况下执行诸如信号滤波等的一些附加处理。
患者站起来–与患者下床状态类似，但是之前是患者坐着的状态而非患者睡眠的状态。
患者站立-患者躯干相对于垂直方向小于5度，但是在最近5秒的滚动更新时间段中具有小于1ft/sec(或其它适当阈值，例如0.25、0.5、2、4、8或16ft/sec)的水平移动运动速度。
患者跌落–先前的状态是患者站立或患者坐着，其中相对于水平方向的角速度超过10度/秒。
患者行走-患者躯干相对于垂直方向小于5度，但是在最近5秒的滚动更新时间段中具有多于1ft/sec(或其它适当阈值，例如0.25、0.5、2、4、8或16ft/sec)的水平移动运动速度。可以使用本领域技术人员已知的技术，诸如零速修正(ZUPT)或零速检测(ZVD)等，由此状态机确定患者身上的特定运动/定向传感器104在一段足以进行校准的持续时间中何时停止运动。间隔可以是规律的或无规律的。例如，校准可以基于例如“患者行走”等的已知运动状态，在这种情况下，校准可以使运动估计主要基于位于患者脚或踝上的运动/定向传感器104；或者校准可以在使用诸如Skog等人所述的算法(I.Skog,P.J.-O.Nilsson和J.Rantakokko,“Zero-velocity detection—an algorithm evaluation,”IEEETrans.Biomed.Eng.,第57卷,第11期,第2657～2666页,2010年11月，其通过引用而全文并入于此)，患者将某只脚放在地面上时的零速检测时进行。根据Skog等人的说法：“即使在步态分析和行人导航中、脚上安装的惯性传感器所提供的运动信息用于不同的目的，但这些应用领域都需要高质量的运动信息”。
Skog等人进一步描述到，“对于采用低成本传感器的惯性导航系统(INS)，位置误差与工作时间的立方成比例。因此，在执行当前可用的低成本惯性传感器的情况下，自由惯性导航仅对于几秒范围内的时间段可用。然而，可以通过使用与系统动力学有关的信息对导航解决方案施加约束来减少立方误差增长。通常用于该目的的一类信息是与系统处于静止阶段(即，系统具有恒定的位置和姿态)的时刻有关的知识。使用该信息来限制误差增长被称为使用零速修正。零速修正非常适合限制脚上安装的INS的误差增长，这是因为在寻常步态期间，脚定期地恢复至静止状态。”
Skog等人进一步解释到，“在关注脚在几步中的累积运动的基于脚上安装的惯性传感器的行人导航系统中，通常使用“软性”零速修正。即，系统何时具有零速度的知识与位置、速度和姿态误差随时间如何演变的模型一起使用，以提供自上次零速修正之后的累积误差的估计。然后将累积误差的估计反馈，以校正导航解决方案并校准导航算法”。
Skog等人将“硬性”零速修正描述如下：“在关注的是脚在各个步态周期期间的运动、而不是脚在几个周期中的累积运动的步态分析中，通常使用“硬性”零速修正。从在系统施加零速修正的情况下、位置、速度和横摆被重置为零、并且侧倾和俯仰直接根据重力加速度的加速度计读数进行初始化这一意义上来说，这些修正是硬性的”。
还可以在装置从用户的角度来看(例如，在任意不活动子状态(诸如“患者睡眠：不活动”或者“患者休息：不活动”等)期间)是不活动的、但实际正在执行无需用户或患者干预的各种自测试的期间，进行运动/定向传感器104的校准。在这些不活动时间段期间，校准间隔可以频繁至每1毫秒一次，但是可以长达每1分钟一次或每3小时一次。校准可以持续一段时间(诸如1秒、1分钟、1小时等)，在这段时间期间，可以估计诸如偏置漂移等的时间相关因素。
在这些校准期间，可以估计诸如RMS噪声、偏置和漂移等的运动特征。RMS噪声的修正估计可以用于确定零速状态的检测所用的阈值。偏置和偏置漂移的修正估计可以用于将最终定位精度降低到总行进距离的约1％，例如，每行进30英尺，误差约为3.5英寸。
示例性运动分类处理
图5是示出用于收集与运动基元、运动语句特征、运动语句、以及运动语句的特定序列相对应的基线数据的患者特定的定基线/训练处理500的流程图。患者特定的定基线/训练处理500可以由包括医疗装置控制器300的医疗装置或者包括运动识别或分类组件316的另一可编程装置进行。运动识别或分类组件316可以在患者特定的定基线/训练模式下进行操作。患者特定的定基线/训练处理500以将一个或多个运动/定向传感器(例如，一个或多个运动/定向传感器334)定位在患者(例如，患者102)身上、并将这一个或多个传感器各自的位置记录在传感器主结构402中开始。该记录可以通过默认方式、或者通过经由用户接口的向传感器的肯定位置分配来进行。如果经由用户接口来修改一个或多个传感器的默认位置，则传感器主结构402中所存储的位置数据可能要求特定传感器被放置在患者102身上的特定位置处。在一些示例中，传感器包括对传感器的合适解剖位置的视觉标记。
患者特定的定基线/训练处理继续识别502患者所要执行的运动基元，使得可以收集并分析相应的基线数据。所识别502的运动基元可以是以上呈现的示例或者用于识别患者运动并对其进行分类的其它运动基元中的任一个。然后提示506患者执行运动基元。该提示506可以通过医疗装置(或与运动信息数据存储装置330通信的类似装置)直接提供给患者102、或者通过使用医疗装置来收集基线数据的看护者提供给患者102。在患者102执行运动基元时，附着至患者102或者被患者102所穿戴的运动或定向传感器(例如，一个或多个运动/定向传感器334)记录508与运动基元相对应的传感器数据。然后将传感器数据与所识别502并执行504的运动基元关联地存储510在例如运动基元主结构404中。这建立了与所识别502并执行504的运动基元相对应的基线数据，包括运动对象、修饰符、语句和运动语句序列。
接着，定基线/训练处理500确定针对患者所请求或建议的所有运动基元的基线数据是否都已被记录510。可以基于诸如年龄、体重、身高、健康风险(失定向、疲劳、记忆丧失、昏厥等)、疾病类型、要进行的或先前进行的手术或程序的类型等的各种健康因素来为患者102识别请求或建议记录的所有运动基元的列表。另外的其它运动基元可被请求作为用以监测患者运动的标准处理的一部分，并且用于确定与正常运动的偏差(例如，确定癫痫发作，确定咳嗽，确定颤抖)。如果已经记录了针对患者所请求或建议的所有运动基元，则方法500结束。如果某些运动基元有待记录510，则患者特定的定基线/训练处理500返回至识别502要记录的下一个运动基元。然后重复患者特定的定基线/训练处理500的前述方面，直到所有运动基元已被记录并存储510为止。
虽然在单个运动基元、运动对象和修饰符(例如，坐下、迈出左腿、迈出右腿)的方面描述了以上的患者特定的定基线/训练处理500，但应当理解，可以针对运动语句的序列记录并存储510基线数据。例如，针对在床上坐起来、然后在床边移动双腿、然后站立、然后迈步的序列记录510基线数据。在另一示例中，针对行走到患者房间门口、打开房门、并走出房间的序列记录基线数据。在又一示例中，在患者进行6分钟测试期间记录510运动基元运动语句的序列和运动语句的序列。根据这里的描述，将理解其它序列。
图6是示出用于测量运动传感器输出、并将运动或定向分类为与运动基元、运动语句或运动语句序列相对应的一种可能的监测处理600的流程图。
监测处理600可以由包括医疗装置控制器300的医疗装置或者包括运动识别或分类组件316的另一可编程装置进行。在一些实现中，监测处理600可被配置为在与医疗装置分离、但是也可以由穿戴着医疗装置的患者所携带的外部可编程装置(例如，手机、个人数字助理、平板电脑或其它电子装置)上进行。在一些情况下，这种外部装置还可以由看护者、患者代理(例如，爱人)、或者可以在患者四处移动时陪伴该患者的其它个人所携带，而不是由患者携带。在一种场景中，医院环境中的护士可以在辅助可能正在医院建筑物内移动的患者时携带这种装置。例如，这种手机、个人数字助理、平板电脑或其它电子装置可以(例如，经由有线或无线连接)可操作地连接至医疗装置，并与该医疗装置交换与监测处理600有关的信息。
在一些实现中，监测处理600可被配置为在远程服务器处(例如，在医疗装置设施或看护者设施处)进行。例如，这种远程服务器可以(例如，经由支持的基站、或WiFi连接)与医疗装置无线连接，并且与该该医疗装置交换与监测处理600有关的信息。
运动识别或分类组件316可以在监测模式下进行操作。监测处理600以使用医疗装置来获取和/或测量602描述运动或休息时的患者102的传感器数据开始。将该传感器数据通信至医疗装置(或者作为分布式计算网络的一部分的类似装置)并记录在数据存储装置330中(例如，记录在传感器数据结构400中)。然后(例如，通过运动识别或分类组件316)使用包括人工神经网络、深度学习网络、HMM、特征矢量分析和距离函数分析、互相关、阈值分析、或者如以下详细讨论的其它已知技术的各种机器学习技术中的任一种来对传感器数据进行运动分类或识别604。如果针对运动分类或识别处理604采取了统计或概率方法，则确定分类的置信度水平以作为机器学习或其它分类技术的操作的一部分。如果所确定的置信度水平608小于用于设置找到匹配所需的最小拟合水平的阈值，则标记606与所检测到的运动相对应的传感器数据以供看护者检查。监测处理600在标记606传感器数据之后结束。
如果在统计识别方法的情况下，所确定的置信度水平608大于置信度阈值，则将所分类604的运动语句特征添加610至当前运动语句(例如，存储在运动基元数据结构406中)。在针对运动识别的模板匹配方法中，在定基线/训练处理期间所获取的运动语句和运动语句序列可被存储为患者特定基线数据(例如，存储在运动序列主结构408中)。然后可以将测量到的运动、检测到的运动语句特征和运动语句与通用运动序列主结构数据以及患者特定基线数据进行匹配，以找到针对运动序列的最佳匹配612。为了进行说明，如果所分类604的运动语句特征是运动基元“坐”和运动修饰符“起来”、并且先前的定向(过去的历史)是“躺下”，并且在此之前是“睡眠”，则基于通用运动数据库、患者特定基线数据和通用语法规则，分类步骤612确定为整个语句是“在床上坐起来”。如果未识别614出运动序列，则标记618运动序列以供看护者检查，并且监测处理600结束。然而，如果识别出一个或多个预定义运动语句或运动语句序列(即，并非未定义614)，则监测处理600确定患者的运动序列是否作为机器学习或其它分类技术的操作的一部分(actionable)(例如，是否具有描述运动序列主结构408中所存储的动作的数据，或者是否是使患者处于初期或直接风险的运动语句或运动语句序列)。如果是，则监测处理600执行通知动作(例如，向通知组件(例如，通知组件317)发送通知请求)。可以请求经由通知组件执行620的通知动作的示例包括：向患者、健康护理从业者或这两者警告未经授权或高风险的运动。如果运动基元的序列不应提起，则监测处理600执行动作602。在动作616中，监测处理例如通过使用所存储的语法规则来确定运动序列是否完成616。如果运动序列被判断为完成616，则开始新的运动序列(例如，向运动序列结构410添加新记录)，并且监测处理600执行动作602。
在返回动作602时，监测处理600继续等待将要通过获取602更多传感器数据来检测的另一患者运动。应当理解，在一些示例中，上述的标记606和618的动作可以包括向与看护者相关联的装置发出紧急警报，以向该看护者警告患者102执行了不可识别的动作。
在一些示例中，运动序列是否应提起至少部分地基于背景因素。例如，在动作616的各种示例中，运动识别或分类组件316还评估当日时间、患者的年龄、患者的既存医疗状况、是否违反了与患者运动有关的规定医疗指示(例如，不间断的卧床休息、一次不超过10分钟的行走)、以及/或者运动识别或分类组件316的操作模式。在一些示例中，可以在日间监测模式和夜间监测模式之间对运动识别或分类组件316进行配置。在这些示例中，一些运动序列可以是在夜间监测模式下应提起的，但在日间检测模式下不应提起，或者反之亦然。例如，去洗手间的患者的运动序列在运动识别或分类组件316正以日间监测模式进行操作的情况下是不应提起的，但相同的运动序列在运动识别或分类组件316正以夜间监测模式进行操作的情况下是应提起的。在一些示例中，可以在正常监测模式和与医疗程序(诸如静脉输液或药物输送、透析或其它医疗程序)相关的监测模式之间对运动识别或分类组件316进行配置。例如，患者站立的运动序列在正常监测模式下可能是不应提起的，但相同的运动序列在患者正接收透析或者患者被规定卧床休息的一些其它医学治疗(例如，接收镇静剂)时是应提起的。
并非需要针对每个患者记录所有的运动基元。例如，无支撑地跌落到地面上会产生如下的传感器数据，其中该传感器数据很大程度上(a)对其它运动基元是有区别的、并且(b)对大多数患者来说是常见的。出于这个原因，在一些情况下，可采用模型、由多个患者和运动的数据库生成的启发式规则、或者从先前收集到的被输入到HMM、深度学习网络中的数据学习到的分类的形式的既存通用数据可以用于识别一些运动语句特征、运动语句或运动语句序列。例如，由于描述患者跌落的传感器数据的区别性和共通性，所使用的分类处理在计算上可以更加专业和高效。
图7是可用于在无需患者自身在定基线/训练处理期间执行运动基元的情况下识别患者所展现出的运动基元序列的既存通用数据的示例。图7是在无支撑地跌落到地面期间作为时间的函数的作用于患者的力的曲线图。所示的力在笛卡尔坐标系中沿x、y和z方向定向。还示出这些力的绝对值之和。虽然图7中所示的示例性数据是从三维加速度计收集到的，但应当理解，患者无支撑地跌落到地面上的物理现象的可选表示可以取决于所使用的传感器以及这些传感器的定向。图7中所描绘的数据的正号和负号是三维加速度计的定向的函数。为了解释的目的，将仅讨论作为时间的函数的幅度。
如图所示，在时间(t)＝0秒时，患者站直。通过抵抗重力，患者(或者更具体地，附着至患者的加速度计)经受了等于1G的垂直力(根据患者身上的加速度计的定向沿负y方向)。这个1G的力持续直到约t＝0.35s，此时患者开始无支撑地跌落到地面上(也称为“自由跌落”)。在t＝0.35s至约t＝0.48s的自由跌落期间，作用于患者的净力下降，这是因为患者不再通过站直来抵抗重力的牵拉。这种下降持续到患者与地面接触为止。作用于患者的各种力仅在患者冲击地面之前约等于零。
图8显示了与图7中所示的数据类似、但是时间尺度更长的数据。图8还示出患者在与地面冲击期间和之后所经受的力。如图8中那样，患者开始处于稳定状态，作用于该患者的净力约为1G。随着患者自由跌向地面，出于与上述相同的原因，力下降。然而，如标记为“冲击”的区域中所指示，一旦患者与地面相接触，冲击力超过10G。在所示的示例中，由于患者在地面上弹起、并且由于冲击力被弹回到患者的整个身体，因此存在连续的高力波。冲击力最终消散，如标记为“冲击之后静定”的区域所示。
与其它运动基元及其序列一样，运动基元和运动序列的分类可以通过将传感器数据与各种阈值进行比较来完成。如果使用这种阈值比较技术来对运动序列进行分类，则医疗装置控制器300可以响应于数据与一个或多个阈值交叉来触发经由通知组件(例如，通知组件317)的(针对患者、监测系统和/或看护者的)通知、警告或警报。在自由跌落的情况下，将与力相对应的运动基元的序列存储为既存通用数据，并且配置阈值力以检测自由跌落的患者。这些阈值可以包括依次更大或更小的力值。随着各阈值被超过，由运动分类组件通过执行通知组件来发起新的警告或警报。跌落的阈值的示例可以包括0.8G0、0.5G0以及其间的任何值，以指示患者逐渐朝向地面。在其它示例中，用于指示冲击之后静定的阈值可以是0.95G0～1.05G0之间的任何值。另外，如上所述，置信度度量可以由运动或定向传感器数据来确定，并且用作接入通知组件的附加阈值。在示例中，诸如示例性医疗装置200等的移动流动装置还可以包括用于请求患者确认跌落的系统，可以(例如，通过警报)来通知旁人，以及/或者可以向健康护理提供者通知患者已经跌落。
图9是指示患者跌落的运动序列900的示意图。如图所示，序列900中的第一运动基元包括自由跌落运动基元902、冲击运动基元904、以及静定运动基元906。在监测处理600的背景下，可以使用动作中的阈值比较技术来对这些运动基元中的各运动基元进行分类604，从而消除了对患者特定基线数据的需要。此外，监测处理600可以在动作616中确定为包括自由跌落运动基元的任意运动序列是应提起的，并且作为响应而采取动作620中的动作。该动作可以包括执行被配置为向患者和/或看护者警报或警告跌落的通知组件。另外，监测处理600可以在运动基元904和906被添加至运动序列时采取附加的动作。
在一些示例中，用于确定患者是否跌落的运动基元可以包括描述定向的数据。例如，在患者的定向在短时间段内突然从基本垂直改变为基本水平的情况下，这里所公开的一些示例可以将该患者运动序列识别为跌落，并相应地采取动作。
与以上呈现的患者跌落的示例类似地，根据模拟数据或者其他一个或多个患者所生成的数据，既存的通用运动语句特征、运动语句和运动语句序列可以应用于患者，并且可以包括失定向运动、绊倒、以及昏倒。类似地，如图10、11和12所示以及以下更详细地说明，可以针对颤抖、咳嗽和癫痫发作而模拟或生成既存的通用语句特征等。
图10是被配置在患者身上的三个不同位置处的三个不同运动/定向传感器在患者颤抖发作期间所获取的患者运动的矢量和的曲线图。在所示的示例中，颤抖被检测为高频(例如，约50Hz～约100Hz，或者约100Hz～约1000Hz)振动。主频率可以随时间偏移，但不会在短时间段内偏移。在一些示例中，沿运动或定向传感器(例如，对于单轴、双轴或三轴加速度计)被配置为检测运动并且被定位成使得其可以检测运动(例如，运动或定向传感器运动不会由于限制在患者和床之间而受限)的轴中的一些或所有轴，来检测高配振动。在一些示例中，即使患者身上的净力约为零，但不同位置处或者沿不同轴的幅度可以改变。
图11是被配置在患者身上的三个不同位置(躯干上的两个位置以及膝上的一个位置)处的三个不同运动/定向传感器在患者咳嗽发作期间所获取的患者运动的矢量和的曲线图。如图所示，来自咳嗽的力的图案可被描绘为沿某些方向的高力加速度。这些高力加速度是瞬态的。即，作为时间的函数，患者躯干上的运动或定向传感器所检测到的力持续大约几秒。由于每次咳嗽伴有患者膈肌的压迫，因此被配置在躯干上与膈肌接近的位置处的运动传感器更有可能检测到由于咳嗽所引起的力。
图12是被配置在患者身上的三个不同位置处的三个不同运动/定向传感器在患者癫痫发作期间所获取的患者运动的矢量和的曲线图。在图12所示的癫痫发作的矢量和的示例中，利用运动/定向传感器来检测力的周期性变化。与从咳嗽中检测到的周期性频率(图11所示)不同，图12所示的示例性癫痫发作的周期性频率作为时间的函数而增大幅值，并且与咳嗽相比在更长的时间尺度上发生。由于各种类型的癫痫发作而引起的运动可以因患者和癫痫发作原因而不同。例如，热性癫痫发作期间检测到的运动基元可以与癫痫大发作期间检测到的运动基元不同。应当理解，不同类型的癫痫发作可以采用不同的既存通用数据——对于许多这些类型的情况，不可能获得患者特定基线数据。
与是否分析颤抖、咳嗽、癫痫发作、绊倒或失定向运动无关地，在一些示例中，分析来自各运动或定向传感器的矢量和是有用的，从而针对各运动或定向传感器识别作为时间函数的净力。在一些情况下，静止(例如，附着至诸如床等的近似静止表面、或者诸如轮床或救护车等的相对静止表面)的参考运动或定向传感器可以用于进一步识别在适当位置(例如，在躺在床上时颤抖)或者在流动患者运动期间所发生的患者运动。可选地或同时地，可以分析未加总的力矢量以确定患者运动是否不对称(例如，仅左侧发生癫痫，或者患者的左侧缺少运动)。
这里所公开的处理各自描绘了特定示例中的一个特定动作序列。这些处理中所包括的动作可以通过或者使用如这里所讨论地进行专门配置的一个或多个可编程装置来进行。一些动作是可选的，因此可以根据一个或多个示例而省略。另外，可以改变动作的顺序，或者可以添加其它动作而不偏离这里所讨论的系统和方法的范围。此外，如这里所讨论的，在至少一个示例中，在特定的专门配置的机器(即根据这里所公开的示例进行配置的医疗装置)上进行这些动作。
示例性医院环境
图13是根据本发明示例的医院环境内的分布式计算机系统的一个示例1300的示意图。示例1300包括可编程装置1302和1304、网络1306、以及各种医疗装置101、1308、1310、1312、1314和1316。例如，网络1306中的可编程装置包括远程服务器1302以及一个或多个客户端装置1304，诸如看护者或者其他授权人员如以下进一步详述地访问网络1306所使用的安全且授权的个人数字助理或支持互联网的智能手机等。在根据图13的一个示例中，医疗装置101与患者102相关联，并且包括传感器布置100和流动医疗装置200至少之一。示例1300示出患者102和医疗装置101随时间行进至的医院环境内的各个位置1318、1320和1322。
服务器1302包括具有一个或多个处理器并且被配置用于通过网络1306与一个或多个远程计算装置进行通信的任意计算装置。服务器1302还包括上述的运动识别或分类组件316。在一些示例中，服务器1302保持包括运动信息数据存储装置330中所存储的运动信息的本地运动信息数据存储装置。
客户端装置1304可以包括可与网络1306通信地放置的各种计算装置。在一些示例中，客户端装置1304是能够经由网络1306接收用户输入以及发送和/或接收数据的计算装置。例如，客户端装置1304可以由患者携带。例如，客户端装置1304可以由诸如护士或医生等的看护者携带。在一个实施例中，客户端装置1304是诸如台式计算机或膝上型计算机等的传统计算机系统。在另一实施例中，客户端装置1304是具有计算机功能的装置，诸如个人数字助理(PDA)、移动电话、平板计算机、智能手机或类似装置等。在一个示例中，客户端装置1304执行使得用户(例如，看护者1319)能够与网络1306进行交互、并接收各个患者的运动基元和/或运动序列的数据和分析的应用，从而变成专用计算机器。在至少一个示例中，客户端装置1304位于看护者站，并且包括被配置为接收来自运动分类组件(例如，运动识别或分类组件316)的通知请求的通知组件317。客户端装置1304可以响应于接收到请求而进行一个或多个客户端装置动作，例如包括向看护者或患者呈现一个或多个通知。
在一些实现中，远程服务器1302可被配置为将运动识别或分类处理的输出存储在一个或多个数据库中。在这种情况下，数据可以按运动数据的类型、收集数据的日期和当日时间、以及/或者基于信息分析的数据注释来分组。诸如看护者或支持人员等的授权人员可以(例如，经由客户端装置1304)使服务器1302基于数据而生成一个或多个报告。例如，这种报告可以按数据类型、以及收集数据的日期和当日时间来排序。
网络1306可以包括使用有线通信系统和无线通信系统这两者的局域网和/或广域网的任意组合。在一个实施例中，网络1306使用标准通信技术和/或协议。因此，网络1306可以包括使用诸如以太网、IEEE 802.11、全球微波接入互操作性(WiMAX)、3G、4G、CDMA、数字用户线路(DSL)等的技术的链路。同样，网络1306上所使用的网络协议可以包括多协议标签交换(MPLS)、传输控制协议/互联网协议(TCP/IP)、用户数据报协议(UDP)、超文本传输协议(HTTP)、简单邮件传输协议(SMTP)以及文件传输协议(FTP)。可以使用包括超文本标记语言(HTML)或可扩展标记语言(XML)的技术和/或格式来表示通过网络1306所交换的数据。另外，所有或一些链路可以使用诸如安全套接层(SSL)、传输层安全(TLS)、以及互联网协议安全(IPsec)等的传统加密技术来加密。
在一些示例中，医疗装置1308、1310、1312、1314和1316可以是可与网络1306、以及能够与网络1306通信并通过网络1306进行通信的其它装置进行通信的任何医疗装置或医疗装置部件。示例包括心脏除颤器、存储心脏除颤器以及用于使经历心脏骤停的患者复苏的各种其它装置、药物和工具的“急救车”、轮椅、轮床或移动病床等。这些装置以及这里未明确提及的其它装置可被配置为与网络1306以及如下所述的服务器1302中的运动识别或分类组件316进行通信。
在第一示例性位置1318中，穿戴着医疗装置101的患者102离开配备有其本身的运动/定向传感器104的病床1328。如上所述，检测患者102所穿戴的医疗装置101与附着至静止病床1328的运动/定向传感器104之间的相对运动。所检测到的运动数据通过网络1306被发送至服务器1302，并使用上述的方法和系统由运动识别或分类组件316进行分类。在一个示例中，医疗装置101的运动/定向传感器可以将数据发送至运动识别或分类组件316，其中该运动识别或分类组件316用于使用运动基元(例如，在6分钟行走测试期间记录的患者特定基线数据)的序列来确定患者迈出的步数。使用所确定的步数来估计患者102和病床1328之间的距离。基于该估计、以及先前关于患者102和病床1328之间的一个或多个允许距离设置的任何阈值，可以执行动作，例如向医院人员通知患者运动。同样，还可以通知旁人，使得他们可以帮助患者102回到床上。在一些示例中，附着至病床的运动/定向传感器104与直接连接至运动/定向传感器104(或者病床1328的类似的惯性测量单元(IMU))的一个或多个处理器进行通信。这些处理器和/或运动/定向传感器中的任一个还可以包括网络接口。该配置可以改善在使用病床1328的运动/定向传感器104来监测患者运动时的响应时间和计算效率。
可监测的患者运动的示例包括如上所述的行走，但是具有诸如附着至病床1328的运动/定向传感器104等的静止参考点的更微妙的患者运动可以是有用的。这些患者运动包括颤抖、咳嗽、癫痫发作、绊倒、晕倒或其它失定向运动。虽然具有静止参考点是可用于检测这些运动的一个示例，但该静止参考点不是必需的。应当理解，其它示例可以依赖于在使患者参与诸如行走、坐在床上、正常呼吸、睡眠及其它类似活动等的各种活动的定基线或训练期间所记录、测量和分析的基线数据，以更精确地检测患者运动并将其分类为颤抖、咳嗽、癫痫发作、绊倒、晕倒或其它失定向运动。在一些情况下，用于这些患者运动的既存通用数据由模型生成，或者是通用数据(诸如图7和图8的示例中的通用数据)，但不特定于患者102。在另外的其它示例中，与病床的运动/定向传感器104相关联的处理器或者与服务器1302相关联的处理器至少部分地通过将患者运动的幅度与第一阈值进行比较、并且将患者运动的频率与第二阈值进行比较来对患者运动进行分类。
在其它示例中，根据对患者运动进行分类，运动识别或分类组件316被配置为识别与患者的状况相关联并且与患者接近的医疗装置(诸如医疗装置1316)、并且指示医疗装置经由通知组件317来发出警报。例如，如果分类的运动是患者102下床、然后心脏骤停(如医疗装置101所检测)，则运动识别或分类组件316将响应于分类的运动和心脏骤停检测而识别与患者接近的急救车(诸如医疗装置1316等)。如果这样配备，则医疗装置1316可以发出警报(诸如音调、闪光、或者针对与看护者1319相关联的客户端装置1304的用于识别该医疗装置1316在医院中的坐标的电子通知)，以使得该医疗装置1316被响应的看护者定位到。在2015年12月18日提交并公布为WO/2016/106132的、标题为“SYSTEMS AND METHODS OFDETERMINING LOCATIONS OF MEDICAL DEVICES RELATIVE TO WEARABLE DEVICES”的国际专利申请PCT/US15/66720中描述了用于确定患者附近的医疗装置的位置的系统和方法，上述文献通过引用而全文并入于此。
在示例性位置1320中，将患者102的运动序列分类为走向卫生间1330。在示例性位置1322中，将患者102的运动序列分类为走到为他分配的病房的门外。如上所述，患者102穿戴着医疗装置101。医疗装置101的运动/定向传感器记录运动数据，通过网络1306将数据发送至远程服务器1302，其中运动识别或分类组件316使用先前讨论的各种运动识别算法来对其进行分类。根据如上所述的与患者102的运动相关联的阈值来采取警报、警告或其它动作。
在又一示例中，结合上述实施例中的一些、全部或者不结合上述实施例，可以在医院或诊所环境中使用上述的示例，以跟踪患者102在医院或诊所内的位置。即，除了监测患者运动和定向之外，一些示例还包括使用接近度传感器、信标和各种局域网(例如，Wi-Fi或ZigBee网络)的基础设施来识别位置(或者取决于所采用的技术的测量辨别力的大概位置)。与上述的一些示例类似，可以建立与患者位置有关的各种阈值，使得在患者超过阈值时通知该患者和/或看护者。在美国专利15/077,995中描述了包括跟踪患者位置的示例的附加详情。
已经如此描述了至少一个示例的多个方面，应当理解，本领域技术人员将容易想到各种改变、修改和改进。例如，这里公开的示例还可以用于其它背景中。这些改变、修改和改进旨在成为本公开的一部分，并在这里所讨论的示例的范围内。因此，前面的描述和附图仅是示例的方式。

Claims (20)

1.一种用于监测患者的运动的流动医疗装置，包括：
多个运动传感器，其被配置为位于患者的身体上的一个或多个解剖位置处，并检测与所述患者的身体的部分的运动相对应的多个运动参数；以及
至少一个处理器，其通信连接至所述多个运动传感器，所述至少一个处理器被配置为：
接收与所述患者的身体的所述部分的运动相对应的所述多个运动参数；
将所述多个运动参数存储在数据存储装置中；
处理所述数据存储装置中所存储的所述多个运动参数以确定所述患者的身体的所述部分的运动；
基于多个预定运动语句特征来对所述患者的身体的所述部分的运动进行分类，所述多个预定运动语句特征包括至少一个预定运动基元；以及
基于所述分类来发起一个或多个通知动作。
2.根据权利要求1所述的流动医疗装置，其中，所述多个运动参数包括与所述患者的身体的所述部分的定向相对应的至少一个定向参数。
3.根据权利要求1所述的流动医疗装置，其中，所述多个运动传感器包括加速度计、陀螺仪和磁力计至少之一。
4.根据权利要求1所述的流动医疗装置，其中，所述多个预定运动语句特征包括多个预定运动基元、至少一个预定运动修饰符、至少一个预定运动对象、至少一个预定运动语句、以及至少一个预定运动语句序列。
5.根据权利要求1所述的流动医疗装置，其中，所述至少一个处理器被配置为参考从附着至第一位置的第一运动传感器获取的第一传感器数据以及从附着至第二位置的第二运动传感器获取的第二传感器数据，来对所述患者的运动进行分类。
6.根据权利要求5所述的流动医疗装置，其中，所述第一位置是所述患者身上的解剖位置，并且所述第二位置是所述患者以外的物理对象的位置。
7.根据权利要求6所述的流动医疗装置，其中，所述物理对象包括床和轮椅至少之一。
8.根据权利要求1所述的流动医疗装置，其中，所述患者的身体上的一个或多个解剖位置包括所述患者的身体的以下部分中的一个或多个：头、胸、腿、颈、肩、肘、膝、腕、颌、前臂、二头肌、踝和脚。
9.根据权利要求1所述的流动医疗装置，其中，所述至少一个处理器被配置为基于根据预收集的运动信息的数据库导出的一个或多个运动检测规则，来对所述运动进行分类。
10.根据权利要求1所述的流动医疗装置，其中，所述至少一个处理器被配置为：
使用运动识别处理来对所述运动进行分类；以及
使用来自多个患者的预定测量运动以及在定基线时间段期间导出的患者特定运动至少之一来训练所述运动识别处理。
11.根据权利要求10所述的流动医疗装置，其中，在睡眠时间段和6分钟行走测试时间段中的至少一个时间段期间记录在所述定基线时间段期间导出的所述患者特定运动。
12.根据权利要求1所述的流动医疗装置，其中，所述一个或多个通知动作包括向看护者通知所述患者的运动。
13.根据权利要求1所述的流动医疗装置，其中，所述一个或多个通知动作包括基于所述患者的运动来警告所述患者。
14.根据权利要求1所述的流动医疗装置，其中，所述至少一个处理器被配置为识别与所述流动医疗装置分离且接近所述患者的另一医疗装置、并指示该另一医疗装置发出警报。
15.根据权利要求1所述的流动医疗装置，其中，所述至少一个处理器被配置为识别当前时间、并执行与所述当前时间相关联的动作。
16.根据权利要求1所述的流动医疗装置，其中，所述至少一个处理器被配置为将所述患者的运动识别为以下中的至少一项：失定向运动、跌落、绊倒、昏倒、癫痫发作、颤抖和咳嗽。
17.根据权利要求1所述的流动医疗装置，其中，所述流动医疗装置包括可穿戴式除颤器。
18.根据权利要求1所述的流动医疗装置，其中，所述流动医疗装置包括移动心脏监测装置。
19.一种患者运动监测系统，包括：
心脏监测装置，其包括：
多个运动传感器，其被配置为位于患者的身体上的一个或多个解剖位置处以检测与所述患者的身体的部分的运动相对应的多个运动参数；以及
至少一个处理器，其通信连接至所述多个运动传感器，所述至少一个处理器被配置为：
将与所述患者的身体的所述部分的运动相对应的所述多个运动参数发送至远程服务器；以及
所述远程服务器，其被配置为：
接收与所述患者的身体的所述部分的运动相对应的所述多个运动参数；
将所述多个运动参数存储在数据存储装置中；
处理所述数据存储装置中所存储的所述多个运动参数以确定所述患者的身体的所述部分的运动；
基于多个预定运动语句特征来对所述患者的身体的所述部分的运动进行分类，所述多个预定运动语句特征包括至少一个预定运动基元；以及
基于所述分类来发起一个或多个通知动作。
20.根据权利要求19所述的患者运动监测系统，还包括：
与所述远程服务器通信的至少一个客户端装置，所述至少一个客户端装置被配置为基于所述一个或多个通知动作来向看护者和所述患者至少之一通知所述患者的运动。
CN201780021859.2A 2016-03-31 2017-03-31 跟踪患者运动的系统和方法 Pending CN108882892A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662316196P 2016-03-31 2016-03-31
US62/316,196 2016-03-31
PCT/US2017/025271 WO2017173213A1 (en) 2016-03-31 2017-03-31 Systems and methods of tracking patient movement

Publications (1)

Publication Number Publication Date
CN108882892A true CN108882892A (zh) 2018-11-23

Family

ID=59958744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780021859.2A Pending CN108882892A (zh) 2016-03-31 2017-03-31 跟踪患者运动的系统和方法

Country Status (5)

Country Link
US (2) US20170281054A1 (zh)
EP (1) EP3435864A4 (zh)
JP (2) JP2019514448A (zh)
CN (1) CN108882892A (zh)
WO (1) WO2017173213A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111166286A (zh) * 2020-01-03 2020-05-19 珠海格力电器股份有限公司 一种梦游检测方法、存储介质以及梦游检测装置
CN112315575A (zh) * 2019-07-18 2021-02-05 厄比电子医学有限责任公司 用于在患者上进行电外科手术介入的装置

Families Citing this family (66)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3062142B1 (en) 2015-02-26 2018-10-03 Nokia Technologies OY Apparatus for a near-eye display
WO2018081795A1 (en) 2016-10-31 2018-05-03 Zipline Medical, Inc. Systems and methods for monitoring physical therapy of the knee and other joints
US10993829B2 (en) * 2016-11-23 2021-05-04 Stryker Corporation Thermal system
US10650552B2 (en) 2016-12-29 2020-05-12 Magic Leap, Inc. Systems and methods for augmented reality
EP3343267B1 (en) 2016-12-30 2024-01-24 Magic Leap, Inc. Polychromatic light out-coupling apparatus, near-eye displays comprising the same, and method of out-coupling polychromatic light
EP3605180B1 (en) * 2017-04-26 2021-11-17 Kyocera Corporation Imaging lens
US20180342109A1 (en) * 2017-05-25 2018-11-29 Thomson Licensing Determining full-body pose for a virtual reality environment
US20180357870A1 (en) * 2017-06-07 2018-12-13 Amazon Technologies, Inc. Behavior-aware security systems and associated methods
US10578870B2 (en) 2017-07-26 2020-03-03 Magic Leap, Inc. Exit pupil expander
US11158179B2 (en) * 2017-07-27 2021-10-26 NXT-ID, Inc. Method and system to improve accuracy of fall detection using multi-sensor fusion
CN111448497B (zh) 2017-12-10 2023-08-04 奇跃公司 光波导上的抗反射涂层
CN115826240A (zh) 2017-12-20 2023-03-21 奇跃公司 用于增强现实观看设备的插入件
US11209904B2 (en) * 2017-12-29 2021-12-28 Bhaptics Inc. Tactile stimulation providing device
JP7367993B2 (ja) * 2018-02-02 2023-10-24 ヴィアス，ディネシ ヘルニアおよび他の筋骨格系損傷を管理および予防するためのデバイスおよび方法
US11755686B2 (en) 2018-02-19 2023-09-12 Braun Gmbh System for classifying the usage of a handheld consumer device
CN112136152A (zh) 2018-03-15 2020-12-25 奇跃公司 由观看设备的部件变形导致的图像校正
JP2019164634A (ja) * 2018-03-20 2019-09-26 カシオ計算機株式会社 ウェアラブル機器、健康管理支援方法及び健康管理支援プログラム
US11386806B2 (en) * 2018-04-19 2022-07-12 Ssam Sports, Inc. Physical movement analysis
US11204491B2 (en) 2018-05-30 2021-12-21 Magic Leap, Inc. Compact variable focus configurations
US11885871B2 (en) 2018-05-31 2024-01-30 Magic Leap, Inc. Radar head pose localization
EP3804306B1 (en) 2018-06-05 2023-12-27 Magic Leap, Inc. Homography transformation matrices based temperature calibration of a viewing system
JP7421505B2 (ja) 2018-06-08 2024-01-24 マジック リープ， インコーポレイテッド 自動化された表面選択設置およびコンテンツ配向設置を用いた拡張現実ビューア
EP3588458A1 (en) 2018-06-29 2020-01-01 Koninklijke Philips N.V. A fall detection apparatus, a method of detecting a fall by a subject and a computer program product for implementing the method
US11579441B2 (en) 2018-07-02 2023-02-14 Magic Leap, Inc. Pixel intensity modulation using modifying gain values
US11856479B2 (en) 2018-07-03 2023-12-26 Magic Leap, Inc. Systems and methods for virtual and augmented reality along a route with markers
US11510027B2 (en) 2018-07-03 2022-11-22 Magic Leap, Inc. Systems and methods for virtual and augmented reality
US11571142B2 (en) * 2018-07-18 2023-02-07 American International Group, Inc. Fall detection and identification by using data from human condition safety tags
EP3827224B1 (en) 2018-07-24 2023-09-06 Magic Leap, Inc. Temperature dependent calibration of movement detection devices
WO2020023543A1 (en) 2018-07-24 2020-01-30 Magic Leap, Inc. Viewing device with dust seal integration
GB2574074B (en) 2018-07-27 2020-05-20 Mclaren Applied Tech Ltd Time synchronisation
WO2020028834A1 (en) 2018-08-02 2020-02-06 Magic Leap, Inc. A viewing system with interpupillary distance compensation based on head motion
US10795458B2 (en) 2018-08-03 2020-10-06 Magic Leap, Inc. Unfused pose-based drift correction of a fused pose of a totem in a user interaction system
US12016719B2 (en) 2018-08-22 2024-06-25 Magic Leap, Inc. Patient viewing system
EP3863516A4 (en) * 2018-10-12 2022-06-15 Magic Leap, Inc. STADING SYSTEM TO VERIFY THE ACCURACY OF A MOTION TRACKING SYSTEM
CN117111304A (zh) 2018-11-16 2023-11-24 奇跃公司 用于保持图像清晰度的图像尺寸触发的澄清
WO2020132484A1 (en) 2018-12-21 2020-06-25 Magic Leap, Inc. Air pocket structures for promoting total internal reflection in a waveguide
JP7272625B2 (ja) * 2019-01-08 2023-05-12 国立大学法人大阪大学 動画像処理方法及び動画像処理装置
WO2020163603A1 (en) 2019-02-06 2020-08-13 Magic Leap, Inc. Target intent-based clock speed determination and adjustment to limit total heat generated by multiple processors
IT201900001915A1 (zh) * 2019-02-11 2019-02-11
DE102019001509A1 (de) * 2019-03-06 2020-09-10 novapace GmbH Verfahren und Vorrichtung zur Erkennung eines Bewegungsmusters einer Person
CN113544766A (zh) 2019-03-12 2021-10-22 奇跃公司 在第一和第二增强现实观看器之间配准本地内容
JP2022530900A (ja) 2019-05-01 2022-07-04 マジック リープ， インコーポレイテッド コンテンツプロビジョニングシステムおよび方法
WO2020237102A1 (en) 2019-05-21 2020-11-26 Reflexion Health Inc. Scoring metric for physical activity performance and training
JP2022542363A (ja) 2019-07-26 2022-10-03 マジック リープ， インコーポレイテッド 拡張現実のためのシステムおよび方法
US10930140B1 (en) * 2019-09-19 2021-02-23 Comcast Cable Communications, Llc Methods and apparatus for detecting false alarms
JP6737942B1 (ja) * 2019-09-30 2020-08-12 株式会社バーチャルキャスト コンテンツ配信システム、コンテンツ配信方法、及びコンテンツ配信プログラム
CA3157362A1 (en) 2019-10-15 2021-04-22 Imperative Care, Inc. Systems and methods for multivariate stroke detection
GB2588236B (en) 2019-10-18 2024-03-20 Mclaren Applied Ltd Gyroscope bias estimation
CN110782358B (zh) * 2019-10-23 2022-11-15 泰康保险集团股份有限公司 数据处理方法及装置、存储介质、电子设备
EP4058936A4 (en) 2019-11-14 2023-05-03 Magic Leap, Inc. SYSTEMS AND METHODS FOR VIRTUAL AND AUGMENTED REALITY
WO2021097323A1 (en) 2019-11-15 2021-05-20 Magic Leap, Inc. A viewing system for use in a surgical environment
JP7343432B2 (ja) * 2020-03-24 2023-09-12 本田技研工業株式会社 解析システム、解析方法、およびプログラム
CA3173469A1 (en) * 2020-04-01 2021-10-07 Omid SAYADI Systems and methods for remote patient screening and triage
CN113892921B (zh) * 2020-07-06 2024-05-14 黄庭怀 人体姿态监测方法及装置
JP7495112B2 (ja) 2020-07-16 2024-06-04 国立大学法人神戸大学 咳嗽検出装置
US11833344B2 (en) 2021-02-11 2023-12-05 Optum Technology, Inc. Systems, apparatuses and methods for stabilizing a user's body during detected fall events
US20220265168A1 (en) * 2021-02-23 2022-08-25 Samsung Electronics Co., Ltd. Real-time limb motion tracking
CN112949503B (zh) * 2021-03-05 2022-08-09 齐齐哈尔大学 一种用于冰雪体育运动的场地监测管理方法与系统
US20240260875A1 (en) * 2021-05-12 2024-08-08 University Of Vermont And State Agricultural College System and method for remotely monitoring muscle and joint function
US20230059947A1 (en) * 2021-08-10 2023-02-23 Optum, Inc. Systems and methods for awakening a user based on sleep cycle
JP2023064594A (ja) 2021-10-26 2023-05-11 富士通株式会社 情報処理プログラム、情報処理方法、および情報処理装置
WO2023121810A1 (en) * 2021-12-22 2023-06-29 Orthofix Us Llc Image-based implant length determination and associated systems, devices, and methods
CN114440883B (zh) * 2022-04-08 2022-06-17 南京师范大学 一种基于脚部和腿部微惯性测量单元的行人定位方法
US20240192762A1 (en) * 2022-12-08 2024-06-13 Stmicroelectronics, Inc. Sensor unit with on-device unsupervised learning and classification
US20240260892A1 (en) * 2023-02-02 2024-08-08 Evan Haas Systems and methods for sensor-based, digital patient assessments
KR102671552B1 (ko) * 2023-03-03 2024-06-04 김경민 스마트 휠체어의 낙상사고 예방 시스템 및 이의 제어 방법

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1754583A (zh) * 2004-09-30 2006-04-05 Zoll医疗公司 综合复苏
US20060241521A1 (en) * 2005-04-20 2006-10-26 David Cohen System for automatic structured analysis of body activities
CN101583305A (zh) * 2006-03-03 2009-11-18 理疗波公司 生理监测系统和方法
JP2010213782A (ja) * 2009-03-13 2010-09-30 Oki Networks Co Ltd 行動認識方法、装置及びプログラム
US20100298650A1 (en) * 2009-05-20 2010-11-25 Triage Wireless, Inc. Vital sign monitoring system featuring 3 accelerometers
CN103002800A (zh) * 2010-05-18 2013-03-27 佐尔医药公司 具有多个感测电极的可穿戴移动医疗装置
CN103657055A (zh) * 2012-08-29 2014-03-26 卡西欧计算机株式会社 运动支援装置及运动支援方法
US20140171749A1 (en) * 2012-12-19 2014-06-19 Elwha Llc Systems and methods for controlling acquisition of sensor information
CN104168825A (zh) * 2011-12-09 2014-11-26 耐克创新有限合伙公司 使用移动装置来监控健身
CN104736055A (zh) * 2012-05-30 2015-06-24 瑞思迈传感器技术有限公司 用于监控心肺健康的方法和设备
US20150223541A1 (en) * 2011-01-20 2015-08-13 At&T Intellectual Property I, L.P. Wireless monitoring of safety helmets

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001327482A (ja) * 2000-05-25 2001-11-27 Matsushita Electric Ind Co Ltd 在床状態検知装置
US7733224B2 (en) * 2006-06-30 2010-06-08 Bao Tran Mesh network personal emergency response appliance
US8690772B2 (en) * 2005-11-30 2014-04-08 Swiss Reinsurance Company Ltd. Activation and control device for coupling two mutually activatable automatic intervention systems
US8140154B2 (en) * 2007-06-13 2012-03-20 Zoll Medical Corporation Wearable medical treatment device
JP4992043B2 (ja) * 2007-08-13 2012-08-08 株式会社国際電気通信基礎技術研究所 行動識別装置、行動識別システムおよび行動識別方法
JP2009195598A (ja) * 2008-02-25 2009-09-03 Omron Healthcare Co Ltd 生体情報測定装置
US8958885B2 (en) * 2008-07-11 2015-02-17 Medtronic, Inc. Posture state classification for a medical device
US8909330B2 (en) * 2009-05-20 2014-12-09 Sotera Wireless, Inc. Body-worn device and associated system for alarms/alerts based on vital signs and motion
US9717439B2 (en) * 2010-03-31 2017-08-01 Medtronic, Inc. Patient data display
US10133329B2 (en) * 2012-11-19 2018-11-20 Qualcomm Incorporated Sequential feature computation for power efficient classification
US9591456B2 (en) * 2013-07-15 2017-03-07 Samsung Electronics Co., Ltd. Triggering geolocation fix acquisitions on transitions between physical states
WO2015061712A1 (en) * 2013-10-24 2015-04-30 Tourmaline Labs, Inc. Systems and methods for collecting and transmitting telematics data from a mobile device
EP3076858B1 (en) * 2013-12-05 2020-09-09 Cyberonics, Inc. Motion-based seizure detection systems and methods
US20160074667A1 (en) * 2014-09-12 2016-03-17 West Affum Holdings Corp. Wearable cardiac defibrillator system diagnosing differently depending on motion

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1754583A (zh) * 2004-09-30 2006-04-05 Zoll医疗公司 综合复苏
US20060241521A1 (en) * 2005-04-20 2006-10-26 David Cohen System for automatic structured analysis of body activities
CN101583305A (zh) * 2006-03-03 2009-11-18 理疗波公司 生理监测系统和方法
JP2010213782A (ja) * 2009-03-13 2010-09-30 Oki Networks Co Ltd 行動認識方法、装置及びプログラム
US20100298650A1 (en) * 2009-05-20 2010-11-25 Triage Wireless, Inc. Vital sign monitoring system featuring 3 accelerometers
CN103002800A (zh) * 2010-05-18 2013-03-27 佐尔医药公司 具有多个感测电极的可穿戴移动医疗装置
US20150223541A1 (en) * 2011-01-20 2015-08-13 At&T Intellectual Property I, L.P. Wireless monitoring of safety helmets
CN104168825A (zh) * 2011-12-09 2014-11-26 耐克创新有限合伙公司 使用移动装置来监控健身
CN104736055A (zh) * 2012-05-30 2015-06-24 瑞思迈传感器技术有限公司 用于监控心肺健康的方法和设备
CN103657055A (zh) * 2012-08-29 2014-03-26 卡西欧计算机株式会社 运动支援装置及运动支援方法
US20140171749A1 (en) * 2012-12-19 2014-06-19 Elwha Llc Systems and methods for controlling acquisition of sensor information

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112315575A (zh) * 2019-07-18 2021-02-05 厄比电子医学有限责任公司 用于在患者上进行电外科手术介入的装置
CN111166286A (zh) * 2020-01-03 2020-05-19 珠海格力电器股份有限公司 一种梦游检测方法、存储介质以及梦游检测装置

Also Published As

Publication number Publication date
US20210290106A1 (en) 2021-09-23
US20170281054A1 (en) 2017-10-05
WO2017173213A1 (en) 2017-10-05
EP3435864A1 (en) 2019-02-06
JP2023002595A (ja) 2023-01-10
JP2019514448A (ja) 2019-06-06
EP3435864A4 (en) 2019-09-18

Similar Documents

Publication Publication Date Title
CN108882892A (zh) 跟踪患者运动的系统和方法
JP7422835B2 (ja) 患者転倒検出のためのシステムおよび方法
US20220157143A1 (en) Baby Vitals Monitor
JP6599580B1 (ja) ユーザをモニタリングするシステム
Sun et al. eButton: a wearable computer for health monitoring and personal assistance
US10602964B2 (en) Location, activity, and health compliance monitoring using multidimensional context analysis
US20200245900A1 (en) Systems and methods for real-time data quantification, acquisition, analysis, and feedback
US10004447B2 (en) Systems and methods for collecting and displaying user orientation information on a user-worn sensor device
US9375142B2 (en) Learning patient monitoring and intervention system
US8647268B2 (en) Patient monitoring apparatus
US7502498B2 (en) Patient monitoring apparatus
EP3402405B1 (en) System for diagnosis and notification regarding the onset of a stroke
US20150201867A1 (en) Electronic free-space motion monitoring and assessments
KR20180044942A (ko) 무선 환자 모니터링 시스템들 및 방법들
JP3225990U (ja) 連続的なセンサー信号に基づいて、アクシデントのリスクまたは補助の必要性を記録し、分析し、かつ、リアルタイム警告を提供するためのシステム
WO2014153665A1 (en) System and method for monitoring a subject
EP4120284A2 (en) Image-based risk analysis of individuals in clinical settings
Nandi et al. Application of KNN for Fall Detection on Qualcomm SoCs
Tan et al. Remote patient monitoring system
Deshpande et al. Development of a Wearable Technology for the Early Detection of Pressure Ulcers in Nursing Homes
Yang et al. Development of gravitationally aligned pendant IMU frailty identifier
Peng et al. Virtual sports rehabilitation and monitoring system for the elderly based on intelligent interaction and embedded system
Farhad Hossain Automated directive fall detection system using single 3D accelerometer and learning classifier
JP2019513457A (ja) 褥瘡検出方法、デバイスおよび技法

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