CN111107891A - 使用可穿戴设备进行心室辅助设备调整的方法和系统 - Google Patents

Abstract

本文提供一种用于使用放置在患者的手上的可穿戴设备来调节VAD设备参数的方法，方法包括以下步骤：从可穿戴设备中的传感器获取一组信号；计算至少一个质量度量；以及调节至少一个VAD操作参数，以便优化至少一个质量度量。

Description

使用可穿戴设备进行心室辅助设备调整的方法和系统

背景技术

高血压是一种血液对动脉壁的长期作用力足够高以至于可能最后导致诸如心脏病的健康问题的常见病症。血压由心脏泵出的血液量和对动脉中血流的阻力大小两者确定。心脏泵出的血液越多且动脉越狭窄，血压则越高。

一个人可以多年患有高血压(即原发性高血压)而没有任何症状。即使没有症状，对血管和心脏的损害仍在继续并且可以被检测出。不受控制的高血压会增加严重健康问题的风险，包括心脏病发作和中风。高血压通常会持续多年发展，并且它最终影响到几乎所有人。幸运的是，高血压可以容易地被检测出。

当前，心血管疾病在全球报告的所有死亡中占很大比例。这些疾病被认为是严重且共同的风险，在中低收入国家中承担着大部分负担。增加心力衰竭或中风的风险、加快血管硬化并降低预期寿命的主要因素是原发性高血压或高血压。

原发性高血压是一种慢性健康病症，其中循环血液施加在血管壁上的压力升高。为了确保血管中适当的血液循环，原发性高血压患者的心脏必须比正常人更努力地工作，这会增加心脏病发作、中风和心力衰竭的风险。然而，健康的饮食和锻炼可以显著地改善血压控制并降低并发症的风险。有效的药物治疗也是可行的。因此，重要的是要找到血压升高的人并定期地监测他们的血压信息。

在每次心跳期间，血压在最大压(即收缩压)和最小压(即舒张压)之间变化。测量血压的传统无创方法是使用加压袖带并检测血流开始脉动(即袖带压力介于收缩压和舒张压之间)以及根本不存在血流(即袖带压力超过收缩压)的压力水平。然而，已经发现，使用者倾向于考虑测量情况，以及加压袖带乏味且甚至令人紧张，特别在长期监测中。另外，熟知的白大褂综合症倾向于在测量期间升高血压，这导致诊断不精确。

作为监测和改善健康的一种方式，可穿戴设备的使用正在流行，可穿戴设备用于在较长的一段时间内无创地、持续地和/或间歇地监测身体生理参数(例如血压、心率(HR)脉搏、体温、血糖水平、运动模式等)。

传统的血压测量需要可充气袖带，当使用机械传感器(例如听诊器)收听由血管中的血流涡流生成的声音时，可充气袖带从完全的管闭塞状态逐渐放气到较低的压力。该方法的优点是其对运动的相对鲁棒性，而缺点是其大的形状因子并且需要使用者手动充气或需要大量能量的自动泵。由于能源效率和小的形状因子是可穿戴设备的主要要求，因此可充气袖带血压感测并不是该领域的有用范例。

现有技术的血压测量设备具有显著的缺点。第一，传感器在桡动脉上的定位或放置对使用者构成挑战。第二，传感器通常需要校准以获得正确的读数。第三，从传感器获得的信噪比(SNR)可能不足以获取可靠的血压读数。

因此，需要一种能够持续测量和监测血压的机制，以克服传统现有技术的设备和方法的缺点。例如，测量血压的机制不应要求使用可充气袖带及其相关联的高能量要求。另外，机制应该能够感测手臂动脉(即桡动脉和尺动脉)中的一个或多个上的血压波形，同时显著减少或消除波形中的运动伪像。

机械循环支持(即心室辅助设备-VAD)成为晚期心力衰竭患者的主要疗法，作为心脏移植过渡支持，替代治疗和心功能恢复治疗。然而，这种疗法仍然带有需要多次再入院的不良事件概况，这限制了技术的有益效果。具体而言，8-25％的患者将在1年内经历神经系统事件。越来越多的证据表明，血压控制是神经系统事件的危险因素，然而，在技术的持续发展过程中，如何测量血压以及遵循哪个参数的知识存在显著差距。目前，将对血压控制的建议分为可触及脉搏的患者(其中可以使用传统示波技术测量收缩压和舒张压(占患者的40％))和不可触及的患者(其中已经使用开放性多普勒血压评估平均动脉压)。清楚的是需要最佳血压测量技术来优化设备设置并降低这种可怕并发症的风险。

此外，一般来说，有10-20％的人将因心力衰竭重新入院，而右心室衰竭似乎更常见，有5-15％的人将经历复发性心律不齐。设备流取决于流入的套管暴露在左心室内部的预负载以及在升主动脉中测量的后负载。影响设备流的第二个参数是当前只能在医疗临床过程中更改的设置速度。使用导致上述不良事件的现有技术无法实现日常生活所要求的在心脏输出中的动态变化。

发明内容

根据一些实施例，本公开包括一种使用基于压力传感器阵列来进行血压信号获取的系统和方法。根据一些实施例，提供了一种用于非可充气、无创性、持续的血压波形和血压获取系统的解决方案。系统可操作以组合来自各种感测元件的信号，其中利用更精确的传感器元件来校准不太精确的传感器元件。

根据一些实施例，一种获取血压的技术是使用非常灵敏的压力传感器(其通过使用灵敏压力传感器实现)，其可以例如通过电容或电阻感测装置在微型电子机械系统(MEMS)中实现。小心地放置在桡动脉或尺动脉上的这种传感器可以检测到通过皮肤的轻微压力变化，如果小心采样和处理，可以产生血压信号，然后又可以对血压信号进行处理以产生实际收缩压连续和/或间歇血压读数和舒张压连续和/或间歇血压读数。

根据一些实施例，本发明克服了这种系统的三个关键技术障碍：(1)如何将传感器精确地放置在目标动脉上；(2)如何校准传感器；以及(3)如何提高血压波形的信噪比。

关于传感器放置，典型的桡动脉的直径只有几毫米。对准传感器压力传感器，以使其垂直、并在桡动脉上接触皮肤可能是具有挑战性的，特别在可穿戴设备的情况下。根据一些实施例，本发明通过提供(例如线性、二维等)传感器阵列来克服该困难，由此传感器覆盖腕部的足够区域，使得极有可能至少一个传感器最佳地或接近最佳地位于桡动脉或尺动脉上。

关于传感器校准，由于电容MEMS压力传感器对温度、批次和其他参数的极度依赖，它们固有地不适用于未经校准地以mmHg的精度来测量绝对压力。根据一些实施例，本发明通过在传感器阵列中包括电容传感器(即，较低精度)和电阻传感器(即，高精度)来克服该困难。更精确的电阻型传感器用于校准不太精确的电容型传感器。

关于信噪比(SNR)，由于要求血压测量值具有良好的信噪比，并且感测到的实际信号是通过血管边界和皮肤组织传送的压力波形，因此存在显著的衰减，导致噪声比减小。再加上患者的生理变化，很难始终如一地感测压力波形。根据一些实施例，本发明通过提供改善传感器数据的SNR的技术来克服该困难。通过估算比例因子(即权重)并将其应用于传感器数据来生成合成血压波形。将按比例换算后的数据相加，然后输出合成波形。可替换地，读取来自所有传感器的数据并且计算一个或多个质量度量，并且选择对应于领先度量的传感器数据用于进一步处理，同时丢弃来自未选择的传感器的数据。

因此，根据本公开的一些实施例的系统和方法提供了紧凑的传感器元件家族，其减轻了上文描述的所有三个设计问题。由于多个传感器，因此可以使用几种传感器类型，其可以校准不太精确的传感器，即电容压力MEMS传感器或力敏电阻器(FSR)设备。

另外，因为系统可以对每一个传感器中的信号进行采样和检测，所以它可以基于信号质量检测哪个传感器最合适放置在目标动脉上，并使用来自该传感器的信号或对来自各个元件的信号进行加权。

此外，由于传感器阵列大约放置在目标动脉上，因此很有可能多于一个元件将从动脉获取信号。多个这样的相关信号与不相关的噪声相结合将产生信噪比增强，从而产生更精确的血压读数。

根据一些实施例，本公开是一种有用且新颖的方法和装置，其用于在最初住院和患者日常生活期间持续测量血压和其他血流动力学参数的设备。通过测量来自腕戴式设备以及可选地其他可植入设备以及可选地来自VAD设备本身的信号，系统能够计算各种血流动力学参数以及对于预防主动脉瓣关闭不全至关重要的瓣膜活动。此外，可以计算风险等级，从而允许对不良影响或事件给患者充分的警告，并允许他/她有时间寻求专业护理。

根据一些实施例，本公开还教导了一种方法和设备，其可以测量诸如预负载和后负载的参数，将其与泵进行通信，并且可选地与从泵和其他植入设备得到的其他参数一起创建用于泵速度的自动控制循环以解决日常生活期间心输出量的动态变化。

附图说明

在此，根据一些实施例，仅通过示例的方式、参考附图描述本发明，其中：

图1是图示说明根据一些实施例的可操作以测量使用者的血压的示例可穿戴设备的第一视图的示意图；

图2是图示说明根据一些实施例的可操作以测量使用者的血压的示例可穿戴设备的第二视图的示意图；

图3A是图示说明根据一些实施例的使用者的腕部的横截面的示意图，其示出血管、压力传感器和设备壳体的定向；

图3B是图示说明根据一些实施例的适于放置在手臂上并且可操作以测量使用者的血压的示例可穿戴设备的示意图；

图4A是图示说明根据一些实施例的示例血压传感器阵列的第一实施例的示意图；

图4B是图示说明根据一些实施例的示例血压传感器阵列的第二实施例的示意图；

图4C是图示说明根据一些实施例的示例血压传感器阵列的第三实施例的示意图；

图5是图示说明根据一些实施例的表示多个压力传感器的信号输出的多条迹线的示意图，每个压力传感器在使用者的腕部上具有不同的位置；

图6是图示说明根据一些实施例构造的示例可穿戴设备的框图；

图7是图示说明根据一些实施例的用于生成合成血压波形的示例电路的框图；

图8是图示说明根据一些实施例的血压波形组合的示例方法的流程图；

图9是图示说明根据一些实施例的用于选择来自多个压力传感器中的一个的血压波形的示例电路的框图；

图10是图示说明根据一些实施例的血压波形选择的示例方法的流程图；

图11示出根据一个优选实施例的系统的高级框图；

图12示出根据一些实施例的方法的高级示意图；

图13示出根据一些实施例的方法的示意图；以及

图14是根据一些实施例的又一方法的示意图。

具体实施方式

在下面的详细描述中，阐述许多具体细节以便提供对本发明的透彻理解。然而，本领域技术人员将理解的是，可以在没有这些具体细节的情况下实践本发明。在其他实例中，未详细描述公知的方法、过程和组件，以免模糊本发明。

在说明书的结论部分中特别指出并明确要求保护被视为本发明的主题。然而，当结合附图阅读时，通过参考以下详细描述，可以最好地理解本发明的有关组织和操作方法以及其目的、特征和优点。

将理解的是，为了图示的简单和清楚起见，图中所示的元件未必按比例绘制。例如，为了清楚起见，一些元件的尺寸可能相对于其他元件被放大。此外，在认为适当的情况下，可以在附图之间重复附图标记以指示相应或相似的元件。

因为本发明图示的实施例大部分可以使用本领域技术人员已知的电子组件和电路来实现，所以为了理解和评价本发明的基本构思并且为了不混淆或转移本发明的教导，将不以超出认为必要的更大程度来解释细节。

说明书中对方法的任何引用均应当经必要的修改应用于能够执行该方法的系统。说明书中对系统的任何引用均应当经必要的修改应用于系统可以执行的方法。

如本领域技术人员将理解的是，本发明可以体现为系统、方法、计算机程序产品或其组合。因此，本发明可以采取硬件实施例、软件实施例(包括固件、常驻软件、微代码等)或结合软件和硬件方面的实施例的形式，这在本文中通常都被称为“电路”、“模块”或“系统”。此外，本发明的各部分可以采用体现在任何有形表达介质中的计算机程序产品的形式，计算机程序产品具有体现在介质中的计算机可用程序代码。

可以在由计算机执行的计算机可执行指令(诸如程序模块)的一般上下文中描述本发明。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。本发明也可以在分布式计算环境中实践，其中任务由通过通信网络链接的远程处理设备执行。在分布式计算环境中，程序模块可以位于包括存储器存储设备的本地计算机存储介质和远程计算机存储介质中。

可以利用一个或多个计算机可用或计算机可读介质的任意组合。计算机可用或计算机可读介质可以是例如但不限于电、磁、光、电磁、红外或半导体系统、装置、设备或传播介质。计算机可读介质的更具体示例(非详尽列表)将包括以下：具有一根或多根电线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CDROM)、光学存储设备、传输介质(诸如支持互联网或内部网的介质)或磁存储设备。注意，计算机可用或计算机可读介质甚至可以是纸或在其上打印程序的另一合适介质，因为可以例如通过光学扫描纸或其他介质来电子地捕获程序，如果必要然后对其进行编译、解释或以其他适当方式处理，然后存储在计算机存储器中。在本文的上下文中，计算机可用或计算机可读介质可以是可以包含或存储由指令执行系统、装置或设备使用或与其结合使用的程序的任何介质。

可以以一种或多种编程语言的任何组合来编写用于实施本发明的操作的计算机程序代码，这些编程语言包括面向对象的编程语言(诸如Java、Smalltalk、C++、C#等)、常规的过程编程语言(诸如“C”编程语言)、以及功能性编程语言(诸如Prolog和Lisp)、机器代码、汇编程序、或任何其他合适的编程语言。程序代码可以全部或部分在可穿戴设备、主机设备和/或云中执行。在后一种场景中，可穿戴设备、主机和/或云可以通过使用任何类型的网络协议的任何类型的网络(包括例如局域网(LAN)或广域网(WAN))进行连接，或者可以与外部计算机建立连接(例如，通过使用互联网服务提供商的互联网)。

下面参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图描述本发明。将理解的是，流程图图示和/或框图的每个框、以及流程图图示和/或框图中的框的组合可以由计算机程序指令来实现或支持。可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图中的框指定的功能/动作的装置。

这些计算机程序指令还可以存储在计算机可读介质中，其可以指导计算机或其他可编程数据处理装置以特定方式运作，使得存储在计算机可读介质中的指令产生包括实现流程图和/或框图中的框指定的功能/动作的指令装置的制造品。

也可以将计算机程序指令加载到计算机或其他可编程数据处理装置上，以使在计算机或其他可编程装置上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程装置上执行的指令提供用于实现流程图和/或框图中的框指定的功能/动作的过程。

本发明可与多种通用或专用计算系统环境或配置一起操作。可以适于与本发明(包括可穿戴设备处理器、主机设备和云)一起使用的公知的计算系统、环境和/或配置的示例包括但不限于个人计算机、服务器计算机、云计算、手持或便携式设备、多处理器系统、微处理器、基于微控制器或微型计算机的系统、机顶盒、可编程消费电子产品、ASIC或FPGA内核、DSP内核、网络PC、小型计算机、大型计算机、包括以上系统或设备的分布式计算环境等。

附图中的流程图和框图图示说明根据本发明的各个实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。就这一点而言，流程图或框图中的每个框可以表示代码的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。还应当注意的是，在一些可替换实现方式中，框中指出的功能可以不按附图中指出的顺序发生。例如，取决于所涉及的功能，实际上可以基本上同时执行连续示出的两个框，或者有时可以以相反的顺序执行这些框。还应当注意的是，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作的基于专用硬件的系统来实现，或通过专用硬件和计算机指令的组合来实现。

根据一些实施例的可操作以测量使用者的血压的示例可穿戴设备的第一视图的示意图被示出在图1中。图示说明根据一些实施例的可操作以测量使用者的血压的示例可穿戴设备的第二视图的示意图被示出在图2中。一般被标识为10的可穿戴设备包括被安装在包含CPU、存储器、有线和无线通信等的壳体中的显示器16(例如可见的OLED等)、一个或多个按钮22、容纳压力传感器阵列12的腕带14、一个或多个光学或其他非压力传感器18以及表带闭合、保持或锁定机构20。腕带在其上具有嵌入式压力传感器，并且意图紧靠腕部同时将传感器阵列12施加在桡动脉、尺动脉和肱动脉中的至少一个上，并且在其上施加中等压力(即显著低于收缩压但足以感测压力波形)。

图示说明左手腕部的横截面(即横切面)的示意图被示出在图3A中，其中手面向使用者的腕部的内部(一般被标记为30)，示出血管、压力传感器和设备壳体的定向。可穿戴设备的主壳体42位于腕部的顶部，其中表带14围绕腕部放置。横截面示出桡骨40和尺骨38；以及手臂的桡动脉34和尺动脉36。在该示例中，压力传感器阵列12被放置在腕部中桡动脉34所位于的区域中。

图示说明根据一些实施例的适于放置在手臂上并且可操作以测量使用者的血压的示例可穿戴设备的示意图被示出在图3B中。在可替换实施例中，可穿戴设备被配置为放置在使用者的手臂上，在肘部上方或下方。可穿戴设备包括臂带33、包括多个传感器元件37的传感器阵列31以及包含电子设备、显示器、按钮等的壳体35。

在操作中，传感器阵列31位于臂带的底部上，并且以虚线示出，在肱动脉39分支成为桡动脉和尺动脉之前，传感器阵列31被放置在肱动脉39上。可替换地，可以将传感器阵列和臂带放置在肘部下方的手臂上，在此处感测来自桡动脉或尺动脉的血压。设备可以包括通信系统，由此血压数据被中继到外部主机设备，该外部主机设备可操作以处理信号数据并从中生成血压测量值。可替换地，设备可以包括合适编程的处理器，该处理器适于处理传感器信号数据本身并生成连续的血压测量值。在另一实施例中，设备可以被配置为与如上描述的腕戴式设备结合操作，由此臂带设备与腕戴式设备无线通信。例如，原始传感器信号数据可以从臂带设备无线传送到腕戴式设备，其中原始传感器数据被处理、并且在腕戴式设备上向使用者显示血压测量值。

注意，压力传感器阵列可以包括许多不同的配置。本发明不限于任何一种配置，因为可以构想许多配置。现在将呈现出几个示例配置。

图示说明根据一些实施例的示例血压传感器阵列的第一实施例的示意图被示出在图4A中。在该示例中，传感器阵列12包括三个压力传感器。三个传感器被配置在腕带上，这样当被放置在使用者的腕部上时，它们将大致位于桡动脉上。设备被配置为同时接收来自所有三个传感器的信号。可以选择信号中的一个作为血压波形用于进一步处理，或者可以使用由所有信号的加权和构成的合成信号来生成血压波形。

重要的是注意，从多个压力传感器获取多个信号消除压力传感器阵列的正确放置的问题。只要压力传感器中的至少一个被正确地或足够正确地放置，接收到的信号就可以足以从血压波形中得到正确血压读数。

图示说明根据一些实施例的示例血压传感器阵列的第二实施例的示意图被示出在图4B中。在该示例中，腕带14上的压力传感器阵列13包括被配置成线性阵列的多个传感器15。设备被配置为同时接收来自所有传感器的信号。可以选择信号中的一个作为血压波形用于进一步处理，或者可以使用由所有信号的加权和构成的合成信号来生成血压波形。从以线性阵列布置的多个压力传感器获取多个信号消除压力传感器阵列的正确放置的问题。只要压力传感器中的至少一个被正确地或足够正确地放置，接收到的信号就可以足以从血压波形中得到正确血压读数。应当理解的是，传感器的线性阵列可以被配置为垂直于腕带，如图4B所示，或者可以被配置为相对于腕带成任何期望的角度。

图示说明根据一些实施例的示例血压传感器阵列的第三实施例的示意图被示出在图4C中。在该示例中，腕带14上的压力传感器阵列17包括被配置成二维(2D)阵列的多个传感器19。设备被配置为同时接收来自所有传感器的信号。可以选择信号中的一个作为血压波形用于进一步处理，或者可以使用由所有信号的加权和构成的合成信号来生成血压波形。从以2D阵列布置的多个压力传感器获取多个信号消除压力传感器阵列的正确放置的问题。只要压力传感器中的至少一个被正确地或足够正确地放置，接收到的信号就可以足以从血压波形中得到正确血压读数。应当理解的是，传感器的2D阵列可以被配置为垂直于腕带，如图4B所示，或者可以被配置为相对于腕带成任何期望的角度。

图示说明表示多个压力传感器的信号输出的多条迹线的示意图被示出在图5中，每个传感器在使用者的腕部上具有不同的位置。所示的五条迹线(即迹线150、152、154、156、158)表示来自五个不同压力传感器的输出信号，诸如上文描述的，五个不同压力传感器被配置成传感器阵列，并被放置在使用者的腕部上。x轴表示时间，而y轴表示与传感器输出信号的幅度有关的mmHg。

如所预期的，信号中的一些比其他信号的质量高。特别地，迹线152和156中的信号几乎没有获得任何信号、并且非常微弱，表明它们不在适当的位置以获得来自桡动脉的压力。迹线150和154中的信号获得较强的信号、但仍然相当弱，表明它们也不在桡动脉的适当位置上。然而，迹线158中的信号相对较强，表明它被很好地放置在桡动脉上，并且可以用作血压波形用于进行后续处理。应当理解的是，尽管五个压力传感器信号被示出在该示例中，但在不脱离本发明的范围的情况下，可以使用任何数量的两个或更多个传感器。

在另一实施例中，组成阵列的各个压力传感器可以包括不同类型的传感器。例如，传感器的第一部分可以包括通常具有低功耗和低精度的电容压力传感器。传感器的第二部分可以包括通常具有高功耗但具有更好精度的电阻压力传感器。在一个实施例中，从一个或多个电阻压力传感器(即，精度相对较高的传感器)获得的信号用于校准来自一个或多个电容压力传感器(即，精度相对较低的传感器)的读数，从而产生具有明显更高精度的血压读数。

在一个实施例中，将来自阵列中的压力传感器中的一个的信号选择为用于从其中得到血压读数的血压波形。忽略或丢弃来自所有其他未选择的传感器的信号。可以针对任何期望的一个或多个质量度量(例如，SNR、RSSI等)分析传感器信号。

在另一实施例中，使用加权方案组合来自阵列中全部或部分压力传感器的信号，以生成具有改善的信噪比(SNR)的合成血压波形。然后，将合成血压波形用于生成更精确的血压读数。

在另一实施例中，可以结合上面描述的两种技术，其中基于任何期望的质量度量选择一个或多个传感器信号，并且对这些信号进行加权和组合以生成合成血压波形。

图示说明根据一些实施例构造的示例可穿戴设备的框图被示出在图6中。可穿戴设备(一般被标记为70)包括通过数字总线84彼此通信的腕带传感器单元72和控制单元74。腕带传感器单元72包括多个压力传感器(1到N)78，每个压力传感器耦合到模数转换器80。ADC的输出被输入到多路复用器82，多路复用器82被提供以发送被多路复用到数字总线84上的所有输入信号。在一个实施例中，从所有传感器78输出的信号被输入到控制单元74。

控制单元74包括处理器86(例如，CPU、微控制器、微处理器等)、显示子系统88、存储器102(例如，易失性、非易失性、闪存等)、无线和有线通信子系统100以及一个或多个其他非压力传感器104(例如光学传感器、光体积描记法传感器、温度传感器等)。控制单元74经由无线和/或有线通信信道(诸如，无线LAN、蓝牙低功耗(BLE)、通用串行总线(USB)连接等)与主机设备76通信。处理器86被配置为经由数字总线84与腕带传感器单元发送和接收数据。显示子系统被配置为显示血压测量值。

图示说明根据一些实施例的用于生成合成血压波形的示例电路的框图被示出在图7中。电路(一般被标记为110)包括自适应加权算法块118、乘法器(1到N)114和求和器116。在操作中，将N个比例因子应用于从N个压力传感器接收的血压波形数据样本112。血压波形数据被输入到乘法器114以及自适应加权算法块118。合成血压波形119也被输入到自适应加权算法。算法可操作以从输入数据生成N个比例因子(即系数)α₁到α_N113，其分别应用到N个乘法器114。由乘法器生成的乘积115经由求和器116被相加以生成合成血压波形119，然后将合成血压波形119进一步处理以生成血压读数。

自适应权重算法118被配置为接受N个血压波形信号以及合成输出波形119，并且估算系数α₁到α_N，使得合成血压波形119上的SNR最大化。

在示例实施例中，基于最小二乘最大比率合成(MRC)技术，根据以下等式，经由块147来计算权重：

其中：

是输出的估算血压波形信号；

α_i是与从第i个压力传感器获取的信号相关联的权重；

x_i是从第i个压力传感器获取的信号；

是x_i的估算幅度；

在一个实施例中，可以使用任何合适的公知技术(诸如均方根估算(RMS)、方差等)来估算信号的幅度。

图示说明根据一些实施例的血压波形组合(或校准)的示例方法的流程图被示出在图8中。注意，在此示例方法中，N个传感器的一部分P具有较高的精度(例如，电阻MEMS型压力传感器)，而N个传感器的一部分R具有较低的精度(例如，电容MEMS型压力传感器)，其中R+P＝N。传感器1到P是较高精度的传感器，传感器P+1到N是较低精度的传感器。

参考图8，首先，获取来自多个N个压力传感器的信号(步骤130)。然后估算来自R个压力传感器P+1到N的血压波形的比例因子校准(步骤132)。将来自R个压力传感器P+1到N的血压波形乘以在步骤132中所获得的估算的比例因子(步骤134)。然后将从传感器1到N所获得的按比例换算后的血压波形进行组合(步骤136)，并且输出合成血压波形用于进一步处理并从中得到血压读数(步骤138)。该方法产生具有较高SNR的合成血压波形。

图示说明根据一些实施例的用于选择来自多个压力传感器中的一个的血压波形的示例电路的框图被示出在图9中。电路(一般被标记为120)包括多个(N个)压力传感器输入模块122、多路复用器121、电源管理单元127和处理器块129。每个压力传感器输入模块122包括压力传感器124、可选的滤波电路126和模数转换器(ADC)128。处理器129尤其包括扫描定序器143和质量度量计算块147。

如上描述的，在一个实施例中，可穿戴设备通过选择单个压力传感器输出的信号并忽略来自所有其他传感器的信号来最大化一个或多个质量度量。这可以经由处理器86(图6)使用软件来实现，由此接收来自所有传感器的信号波形并且丢弃除一个以外的所有传感器的信号波形。

在该实施例120中，通过禁用除一个以外的所有压力传感器输入模块的电源来降低功耗。在操作中，来自所有N个传感器输入模块的信号被输入到处理器，并且经由块147计算一个或多个质量度量。扫描定序器控制来自N个传感器输入模块的信号数据的收集。根据所计算的度量，基于领先度量选择传感器输入模块中的一个。

一旦选择了传感器输入模块，则通过电源管理块127生成的电源使能信号145来禁用对N-1个未选择的传感器输入模块的供电。处理器还生成适当的选择命令141到多路复用器121，以传递由选择的传感器输入模块生成的信号。从多路复用器输出的血压波形125然后被进一步处理以生成血压读数。在一个实施例中，可以重新评估(即，重新扫描)来自所有N个压力传感器的数据，并选择新的传感器。可以定期地(例如，每十秒钟)执行重新评估，或者可以动态地执行重新评估，从而在从传感器数据计算出的某个度量低于阈值(例如，传感器输出低于某个SNR或RSSI)时启动扫描。

注意，由处理器块147计算出的一个或多个质量度量可以包括任何期望的度量。示例度量包括SNR和RSSI。然而，应当理解的是本发明不限于这些度量。

图示说明根据一些实施例的血压波形选择的示例方法的流程图被示出在图10中。首先，获取来自多个(N个)压力传感器的信号并将其输入到处理器(步骤140)。计算一个或多个质量度量(例如，SNR、RSSI等)(步骤142)。比较度量计算值并确定领先度量(步骤144)。然后选择对应于领先质量度量的传感器信号(步骤146)。选择的血压波形被输出到血压确定处理(步骤148)。可选地，为了减少功耗，禁用对应于未选择的传感器的传感器输入模块的电源。如上描述的，可以重新扫描来自所有N个压力传感器的数据并选择新的传感器。

在下面的详细描述中，阐述许多具体细节以便提供对本发明的透彻理解。然而，本领域技术人员将理解的是，可以在没有这些具体细节的情况下实践本发明。在其他实例中，未详细描述公知的方法、过程和组件，以免模糊本发明。

图11示出图示说明根据本发明的一个优选实施例的系统的高级框图。患者210具有可植入的心室辅助设备(LVAD)212，在心尖的左心室和患者心脏214的升主动脉之间泵送血液。心脏再同步设备和除颤器216也被植入患者210中。患者在他/她的腕部上佩戴根据本发明实施例的教导的可穿戴设备218。可穿戴设备218能够收集信号，诸如压力、光体积描记(PPG)、血氧饱和度(SpO2)、加速度和/或皮肤温度，并与外部VAD控制器222无线通信。VAD系统由可再充电电池220供电，可再充电电池220经由一组驱动线(电线)224连接到VAD 212，驱动线(电线)通过患者的皮肤并为VAD泵提供电力。

根据一些实施例，本发明是一种有用且新颖的装置和方法，用于从可穿戴腕部设备、VAD设备本身内的传感器以及其他可植入设备(例如，CRT)获取信号，并且测量各种血流动力学参数并检测瓣膜活动。

在本发明的另一优选实施例中，从上面提及到的各种源中提取的参数被用于以闭环控制VAD设置(即速度)，以便优化某个质量度量(即恒定的心输出量、血压或常规的心脏瓣膜活动)。

图12示出根据一些实施例的方法的高级示意图。在开始步骤230之后，在步骤232中通过各种传感器获取信号。这些信号可以包括来自腕戴式腕部设备的压力、SpO2、活动(加速度计)、皮肤温度或用光学PPG传感器检测到的血流，和/或来自可植入设备(例如CRT设备)的信号，和/或来自VAD设备本身内的传感器的信号。应当理解的是，本领域技术人员可以从植入患者体内或戴在他/她身上的各种其他传感器中设计出其他信号和传感器。在步骤234中，计算质量度量，该质量度量可以是例如：预负载(即肺毛细血管楔压)、后负载(即血压)和/或心输出量。

在步骤236中，某些VAD参数(即速度)被优化，以便优化在步骤234中计算出的质量度量。

根据本发明的优选实施例，系统可以选择保持预负载恒定，同时将后负载(血压)限制到某个允许的最大值。因此，根据越来越多的临床证据，降低了发生诸如中风(缺血性或血尿性)、RV衰竭、室性心律失常、超级室性心律失常、低血容量或高血容量的不良反应的风险。根据本发明的另一优选实施例，系统可以选择在一定时间内维持瓣膜活动，从而降低主动脉瓣关闭不全的风险。

然后，系统从步骤236循环回到步骤232，从而创建闭环控制回路，该回路将患者的心脏维持在比具有恒定设定速度的现有系统更好的状态下。

根据本发明的方法的示意图被示出在图13中。根据一些实施例，在开始步骤250之后，系统从各种传感器获取信号。这些信号可能包括来自腕戴式腕部设备的压力、SpO2、活动(加速度计)、皮肤温度或用光学PPG传感器检测到的血流，和/或来自可植入设备(例如CRT设备)的信号，和/或来自VAD设备本身内的传感器的信号。这些信号是步骤254中特征计算的基础。这些特征可以包括收缩上升时间、舒张下降时间、心率、重搏切迹位置、重搏切迹时机、重搏切迹检测、傅立叶脉冲系数和脉搏振幅。应当理解的是，本领域技术人员可以从所述传感器信号中得到许多其他特征。步骤254中得到的特征是步骤256中瓣膜活动的基础。然后系统循环回到步骤252，从而周期性地预先测量瓣膜活动。步骤256中的瓣膜活动的计算可以基于机器学习算法，诸如支持向量机(SVM)、随机森林等，其基于对诸如经胸超声心动图(TTE超声)的黄金标准瓣膜测量的监督学习中所预先测量的数据库。

此外，根据一些实施例，本发明教导，在步骤256中用于计算瓣膜活动的算法可以对植入VAD的特定患者在初次或反复医疗过程中针对已确立的瓣膜活动测量(诸如TTE)进行优化/机器学习，从而提供一种高度精确的算法。

根据一些实施例的又一方法的示意图被示出在图14中。在开始步骤270之后，在步骤272中从各种传感器获取信号。这些信号可以包括来自腕戴式腕部设备的压力、SpO2、活动(加速度计)、皮肤温度或用光学PPG传感器检测到的血流，和/或来自可植入设备(例如CRT设备)的信号，和/或来自VAD设备本身内的传感器(诸如压力传感器)的信号，或VAD当前运行的实际转速/频率。

在步骤274中，从在步骤272中获得的各种信号计算特征。这些特征可以包括收缩上升时间、舒张下降时间、心率、重搏切迹位置、重搏切迹时机、重搏切迹检测、傅立叶脉冲系数和脉搏振幅或实际脉搏样本。应当理解的是，本领域技术人员可以从所述传感器信号中得到许多其他特征。在步骤276中，从在步骤274中计算出的特征来计算血流动力学参数。血流动力学参数可以包括收缩压、舒张压、平均动脉压、心率、心率变异性，或者肺动脉收缩压、肺动脉舒张压、平均肺动脉压、肺毛细血管楔压，或左心室舒张末压。步骤256中的血流动力学参数的计算可以基于机器学习算法，诸如支持向量机(SVM)、随机森林、深度学习等，其基于对黄金标准血液动力学测量(诸如桡动脉或股动脉处的动脉线等)的监督学习中的预先测量的数据库。

步骤278是可选步骤，由此可以根据步骤274中计算出的特征和步骤276中计算出的血流动力学参数两者来计算风险等级。这些参数可以示出不良影响(诸如在不久的将来发生中风)的可能性，允许系统警告患者并建议他/她寻求医疗护理。

本领域技术人员将认识到，逻辑和电路块之间的边界仅是说明性的，并且可替换实施例可以合并逻辑块或电路元件，或者对各种逻辑块或电路元件施加功能的可替换分解。因此，应当理解的是，本文描绘的架构仅是示例性的，并且实际上实现相同功能的许多其他架构可以被实现。

有效地“相关联”用于实现相同功能的组件的任何布置，使得实现期望的功能。因此，本文中组合以实现特定功能的任何两个组件可以被视为彼此“相关联”，使得期望的功能被实现，而与架构或中间组件无关。同样地，如此相关联的任何两个组件也可以被视为彼此“可操作地连接”或“可操作地耦合”以实现期望的功能。

此外，本领域技术人员将认识到，上面描述的操作之间的边界仅仅是示例性的。多个操作可以组合成单个操作。单个操作可以分布在附加操作中，并且操作可以在时间上至少部分重叠地执行。而且，可替换实施例可以包括特定操作的多个实例，并且在各种其他实施例中可以改变操作的顺序。

本文所使用的术语仅出于描述特定实施例的目的，而无意于限制本发明。如本文所使用的，单数形式的“一”，“一个”和“该”也意图包括复数形式，除非上下文另外明确指出。将进一步理解的是，当在本说明书中使用术语“包括”和/或“包含”时，指定存在所述特征、整数、步骤、操作、元件和/或组件，然而不排除存在或增加一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组。

在权利要求中，放在括号之间的任何附图标记不应解释为对权利要求的限制。权利要求中使用诸如“至少一个”和“一个或多个”的介绍性短语不应解释为暗示：通过不定冠词“一”或“一个”对另一权利要求元素的引入将包含这样引入的权利要求元素的任何特定权利要求限制为仅包含一个这样的元件的发明，即使同一权利要求包括介绍性短语“一个或多个”或“至少一个”以及诸如“一”或“一个”的不定冠词。对于定冠词的使用也是如此。除非另有说明，否则诸如“第一”，“第二”等的术语用于任意地区分此类术语描述的元素。因此，这些术语不一定旨在表示此类元素的时间或其他优先顺序。在互不相同的权利要求中记载某些措施的事实并不表示不能有利地使用这些措施的组合。

所附权利要求书中的所有装置或步骤加上功能元件的相应结构、材料、作用和等同物意图包括用于与具体要求保护的其他要求保护的元件组合地执行功能的任何结构、材料或作用。出于说明和描述的目的已经呈现出本发明的描述，但并不意图是穷举的或将本发明限制为所公开的形式。由于本领域技术人员将容易想到许多修改和改变，因此意图是本发明不限于本文描述的有限数量的实施例。因此，将理解的是，在不脱离本发明的精神和范围的情况下，可以诉诸所有适合的变化、修改和等同形式。选择和描述实施例是为了最好地解释本发明的原理和实际应用，并使本领域的其他普通技术人员能够理解本发明的各种实施例，这些实施例具有适于所设想的特定用途的各种修改。

Claims (29)

1.一种用于使用放置在患者手上的可穿戴设备调节VAD设备参数的方法，包括以下步骤：

从所述可穿戴设备中的传感器获取一组信号；

计算至少一个质量度量；以及

调节至少一个VAD操作参数，以便优化所述至少一个质量度量。

2.根据权利要求1所述的方法，其中，所述VAD设备是LVAD(左心室辅助设备)。

3.根据权利要求1所述的方法，其中，所述可穿戴设备中的传感器组包括以下传感器中的至少一个：放置在桡动脉上的压力传感器、光体积描记法(PPG)传感器、血氧饱和度(SpO2)传感器、加速度计和温度传感器。

4.根据权利要求1所述的方法，还包括从VAD设备内的传感器获取信号的步骤。

5.根据权利要求1所述的方法，还包括从附加的植入设备(例如除颤器、起搏器、心脏再同步治疗-CRT、迷走神经刺激器)内的传感器获取信号的步骤。

6.根据权利要求4所述的方法，其中，VAD设备中的传感器组包括以下传感器中的至少一个：压力传感器、转速传感器和功率传感器。

7.根据权利要求1所述的方法，其中，所述质量度量包括以下度量中的至少一个：收缩压、舒张压、平均动脉压、心率、心率变异性、血压变异性、活动水平或皮肤温度、以及心输出量。

8.根据权利要求6所述的方法，其中，所述度量被持续获取(例如，无创血压测量)。

9.根据权利要求1所述的方法，其中，所述步骤被周期性地重复(即，闭环调节)。

10.根据权利要求1所述的方法，其中，被优化的VAD参数至少包括VAD转速或频率。

11.根据权利要求1所述的方法，其中，所述度量包括瓣膜活动的检测(例如，主动脉瓣开放)。

12.根据权利要求1所述的方法，其中，所述方法还包括：使放置在肱动脉上的袖带从完全肱动脉闭塞的状态缓慢放气，直到所述传感器检测到脉搏。

13.一种使用包含至少一个传感器的腕戴式设备检测VAD患者的瓣膜活动的方法，包括以下步骤：

从可穿戴设备中的传感器获取信号；

从所述信号计算一组特征；以及

运行算法以提取其中存在瓣膜活动的时间部分。

14.根据权利要求13所述的方法，还包括从VAD设备内的传感器获取信号的步骤。

15.根据权利要求12所述的方法，其中，可穿戴设备中的传感器组包括以下传感器中的至少一个：放置在桡动脉上的压力传感器、光体积描记法(PPG)传感器、血氧饱和度(SpO2)传感器、加速度计和温度传感器。

16.根据权利要求12所述的方法，其中，所述特征包括以下中的至少一个：收缩上升时间、舒张下降时间、心率、重搏切迹位置、重搏切迹时机、重搏切迹检测、傅立叶脉冲系数和脉搏振幅。

17.根据权利要求12所述的方法，其中，使用以下方法中的一个从机器学习中得到所述算法：随机森林、决策树学习、支持向量机(SVM)、人工神经网络和深度学习。

18.根据权利要求12所述的方法，其中，在设备变为可操作之前从对从特定患者收集的信号的机器学习中得到用于所述算法的参数。

19.一种使用包含至少一个传感器的腕戴式设备计算至少一个VAD植入的患者血流动力学参数的方法，包括以下步骤：

从可穿戴设备中的传感器获取信号；

从所述信号计算一组特征；以及

运行算法以计算所述血流动力学参数。

20.根据权利要求18所述的方法，其中，所述血流动力学参数是收缩压、舒张压、平均动脉压、心率、心率变异性，或者肺动脉收缩压、肺动脉舒张压、平均肺动脉压、肺毛细血管楔压，或左心室舒张末压。

21.根据权利要求18所述的方法，还包括从VAD设备内的传感器获取信号的步骤。

22.根据权利要求19所述的方法，还包括从其他植入设备(例如，心脏-MEM、除颤器、起搏器、心脏再同步治疗-CRT或迷走神经刺激器)内的传感器获取信号的步骤。

23.根据权利要求19所述的方法，其中，可穿戴设备中的传感器组包括以下传感器中的至少一个：放置在桡动脉上的压力传感器、光体积描记法(PPG)传感器、血氧饱和度(SpO2)传感器、加速度计和温度传感器。

24.根据权利要求19所述的方法，其中，所述特征包括以下中的至少一个：收缩上升时间、舒张下降时间、心率、重搏切迹位置、重搏切迹时机、重搏切迹检测、傅立叶脉冲系数和脉搏振幅。

25.根据权利要求19所述的方法，其中，使用以下方法中的一个从机器学习中得到所述算法：随机森林、决策树学习、支持向量机(SVM)、人工神经网络和深度学习。

26.根据权利要求19所述的方法，其中，在设备变为可操作之前从对从特定患者收集的信号的机器学习中得到用于所述算法的参数。

27.根据权利要求19所述的方法，其中，所述方法还基于所述特征或所述血流动力学参数计算风险等级。

28.根据权利要求26所述的方法，其中风险等级与以下中的至少一个有关：中风(缺血性或血尿性)、RV衰竭、室性心律失常、超级室性心律失常、低血容量或高血容量以及主动脉瓣关闭不全。

29.根据权利要求26所述的方法，其中，使用以下方法中的一个从机器学习中得到风险等级算法：随机森林、决策树学习、支持向量机(SVM)、人工神经网络和深度学习。

Images