CN113164071A - 导航健康空间的健康地图 - Google Patents

Abstract

公开了一种基于多个用户的生理脉冲形状特征空间构建健康图的方法，该方法包括由至少一个传感器感知脉冲流；从特征中提取特征并形成模糊聚类：利用n维空间的二维投影构造健康图。

Description

导航健康空间的健康地图

技术领域

目前披露的主题涉及健康状况的可视化。更具体地，目前披露的主题涉及使用可在其中导航的模糊聚类方法来生成健康空间和健康图。

背景技术

连续记录24/7生理信号的数字健康可穿戴设备会生成大量有价值的数据。但是，医生、护士甚至用户迷失在这种信息泛滥中。在这里，可以使用人工智能和机器学习在直观的显示中总结健康状况随时间的变化。一目了然地监测心血管健康状况的恶化是本公开的目标之一。进行了几种尝试使用综合评分来预测患者的病情恶化或进展的方法。但是，由于综合评分仅仅是结合了许多参数的数值，因此无法提供多维健康状况或在需要立即采取行动时如何采取行动，何时打电话给医生或如何做急救。

一般医学，包括心脏病学，没有可接受的明确框架来界定病人在心血管健康领域的位置、她/他的目标区域以及从当前健康状况到目标健康状况的路径(干预措施)。这使得很难决定每种替代治疗的成本/收益，甚至更多。以一种医生和病人都能理解的方式来量化疗效并将其可视化。

发明内容

根据本发明的一个方面，可以将血压脉冲形状用作患者心血管状况的指示，并创建一个由其N维特征跨越的连续空间。

因此，根据本发明的示例性实施例，提供了一种基于多个用户的生理脉冲形状特征空间构造健康图的方法，该方法包括：

至少一个传感器感测脉冲流，

提取特征并从特征中形成模糊聚类，

通过n维空间的2维投影构造健康图。

根据另一优选实施例，还提供了在特定时间用户的特定脉冲形状的位置指示该用户在该时间点t的健康状态。

根据另一优选实施例进一步提供，用户超时的脉冲形状的多个位置生成指示健康状态随时间变化的轨迹。

根据另一个优选实施例进一步提供，用户超时的脉冲形状的指示产生轨迹，该轨迹指示随着时间的变化并且指示诸如药物，运动，睡眠，进餐，毒素暴露等的干预。

根据另一个优选的实施方案进一步提供，所述干预选自诸如特定药物，特定剂量的药物，与其他药物的相互作用、身体康复、外科手术、压力状况、生活方式干预，例如运动、睡眠、健康和不健康的膳食、葡萄糖负荷、空气纯度、传染病、电离和非电离辐射等。

根据另一个优选实施例进一步提供，健康状态选自诸如健康的一组健康状态。患有健康疾病，而不是健康疾病男性，女性，老年，年轻，患有充血性心力衰竭(CHF)，高血压，糖尿病，患有慢性阻塞性肺疾病(COPD)，具有血液分析物疾病。电活动障碍，以上各项的组合等。

根据另一个优选实施例，进一步提供，所述方法还包括：

至少一个传感器感测一个人的脉冲流，

通过分解个体的感测脉冲来提取特征，

对特征的模糊聚类进行分类，

估计个体的生理参数，

将所述生理参数随时间放置在健康图上，以形成个人健康导航系统。

根据提出的主题的又一个优选实施例，还提供了一种用于个人的个人健康导航系统，该系统包括：

提供之前显示的健康状况图，以及从用户位置到健康地图上目标区域的推荐路径。

根据另一个优选实施例进一步提供，健康图包括指示生理生理指标的模糊簇，并且因此形成指示健康状况的健康人区域。

根据另一个优选实施方案进一步提供，健康状况选自健康状况的组，例如健康，生病，不健康，男性，女性，年老，患有充血性心力衰竭(CHF)，患有高血压，患有糖尿病，慢性阻塞性肺疾病(COPD)等。

根据另一优选实施例进一步提供，将个人的健康参数放置在健康地图上提供了个人在地图上的位置的指示。

根据另一个优选实施例进一步提供，根据脉搏特征向健康人提供健康和不健康区域的指示。

根据另一优选实施例进一步提供，导航系统还包括在健康地图上指示的治疗路径。

根据另一个优选实施例进一步提供，健康图包括机器学习机制，该机器学习机制被配置为以个体的不同生理参数来确认。

根据另一个优选实施例，进一步提供，所述机器学习机制被配置为：

根据PPG信号估算血压，

确定脉搏在动脉树中传播的生理模型，

将信号描绘为单独的脉冲，

使用PPG信号的二阶导数和指示个体生理状况的高斯特征。

根据另一个优选实施例，还提供了所述机器学习机制，该机器学习机制被配置为：将特征向量表示为N维特征空间中的点；

根据健康图和从一组详细信息(例如性别，年龄，身高，体重，以前的BP测量结果)中选择的个人详细信息，构造质心点，等等；

基于记录的脉冲执行模糊聚类(包括降维)以改善质心；

将每个BP脉冲向量定位在聚类空间中。

除非另有定义，否则本文所使用的所有技术和科学术语具有与本公开的本发明所属领域的普通技术人员通常所理解的相同含义。尽管与本文描述的那些类似或等同的方法和材料可以用于本公开主题的实践或测试中，但是在下面描述了合适的方法和材料。如有冲突，以规范(包括定义)为准。另外，材料，方法和实施例仅是说明性的，并不意图是限制性的。

附图说明

仅通过示例的方式，参考附图描述了所公开的主题的一些实施例。现在具体地具体参考附图，要强调的是，所示的细节仅是示例性的，并且仅是出于对本公开主题的优选实施例进行说明性讨论的目的，并且出于提供所认为的目的而提出。在这点上，没有做出比对本主题的基本理解所必需的更详细地示出所公开的主题的结构细节的尝试。公开的主题，结合附图进行的描述对于本领域技术人员来说是显而易见的，如何在实践中体现公开的主题的几种形式。

图1A示意性地示出了根据所公开的主题的一些示例性实施例的环，该环用于无创且无干扰地获取脉搏波，该脉搏在其中生成健康空间和用户位置。

图1B示出了根据所公开的主题的一些示例性实施例的环的透视图，该环用于无创且无干扰地获取脉搏波，该脉搏是在其中生成健康空间和用户位置所需的。

图2A示出了根据所公开的主题的一些示例性实施例的，用于以非侵入性和非侵入性方式获取脉搏波的手持式设备，该脉搏波在其中生成健康空间和用户位置。

图2B示出了根据所公开的主题的一些示例性实施例的腕带，其用于放置在人类手腕上的用于无创且无干扰地获取脉搏波，以生成健康空间和其中的用户位置。

图3描绘了根据所公开的主题的一些示例性实施例的，用于在其中生成健康空间和用户位置所需的脉搏波的非侵入性和非干扰性采集的框图。

图4A至图4D描绘了根据所公开的主题的一些示例性实施例的，用于无创且无干扰地获取在其中生成健康空间和用户位置所需的脉搏的系统所接收的原始信号的示例。

图5A示出了根据所公开主题的一些示例性实施例描述了图4C的流脉冲的噪声段中的收放。

图5B描绘了根据所公开的主题的一些示例性实施方式的葡萄糖光谱曲线。

图5C描绘了根据所公开主题的一些示例性实施例的生物阻抗脉冲。

图5D描绘了根据所公开的主题的一些示例性实施例的直观的心电图(ECG)波形；

图6A示出了用于通过两个高斯分布(对应于前向和后向波)提取典型的血压脉搏的特征提取的叠加模型。根据所公开的主题的一些示例性实施方式。

图6B描绘了根据所公开主题的一些示例性实施例的通过两个高斯分布对血压脉冲进行叠加建模的特征提取方案。

图7A示出了根据所公开的主题的一些示例性实施例的，对应于年龄(数十年)的人体血压脉冲的不同形状。

图7B示意性地描绘了根据所公开主题的一些示例性实施例的包括多个归一化脉冲的二维特征空间。

图8是根据所公开的主题的一些示例性实施例的，用于无创地且无干扰地获取脉搏波的方法的流程图，该脉搏波用于在其中生成健康空间和用户位置。

图9示出了根据所公开的主题的一些示例性实施例的血压脉冲形状的示例。

图10A-10C示出了根据所公开的主题的一些示例性实施例的，通过在血压脉冲特征空间中的模糊聚类构造的血压脉冲形状的不同聚类，从而围绕质心生成模糊聚类。

图11描绘了根据本主题的示例性实施例的，从连续PPG导出的血压脉冲形状和血压水平之间的映射的示例。

图12描绘了根据本主题的示例性实施例的健康图。

图13描绘了健康汇编，其中指示了与各种疾病相对应的健康区域和不健康区域。根据本主题的示例性实施例。

具体实施方式

在详细解释所公开的主题的至少一个实施例之前，应理解，所公开的主题的应用不限于在以下描述中阐述的构造细节和组件的布置在附图中示出。所公开的主题内容能够具有其他实施例，或者能够以各种方式被实践或执行。同样，应当理解，本文采用的措词和术语是出于描述的目的，而不应被认为是限制性的。附图通常不按比例绘制。为了清楚起见，在一些附图中省略了不必要的元件。

术语“包括”，“包含”，“包括”，“包含”和“具有”以及它们的结合词是指“包括但不限于”。术语“由...组成”具有与“包括并限于”相同的含义。

术语“基本上由...组成”是指该组合物，方法或结构可以包括另外的成分，步骤和/或部分，但前提是该另外的成分，步骤和/或部分不会实质上改变其基本和新颖的特征。要求保护的组成，方法或结构。

如本文所用，单数形式“a”。除非上下文另外明确指出，否则“an”和“the”包括复数形式。例如，术语“一种化合物”或“至少一种化合物”可包括多种化合物，包括其混合物。

在整个本申请中，可以以范围格式来呈现所公开的主题的各种实施例。应当理解，范围格式的描述仅是为了方便和简洁，并且不应被解释为对所公开主题的范围的不灵活的限制。因此，范围的描述应被认为已经具体公开了所有可能的子范围以及该范围内的单个数值。

应当理解，为清楚起见，在单独的实施例的上下文中描述的所公开主题的某些特征也可以在单个实施例中组合提供。相反，为简洁起见，公开的主题的各种特征。在单个实施例的上下文中描述的情况下，也可以单独地或以任何合适的子组合或如在所公开的主题的任何其他所述的实施例中合适的方式来提供。在各种实施例的上下文中描述的某些特征不应被认为是那些实施例的必要特征，除非该实施例在没有那些要素的情况下是必须的。

本公开主题的一个目的是提供一种执行连续血压测量的易于使用的无创且持续的血液动力学监测(CHM)系统和方法，其中该系统可以被嵌入在不引人注目的可穿戴设备或手持式设备中。这些设备可以是但不限于手镯，戒指，手表，耳环，手套，固定手指的夹子，衣服，皮带，方向盘，操纵杆，遥控器，在一些示例性实施例中，上述不引人注目的可穿戴设备被配置为拥抱肢体，例如手腕，手指或任何人体表面，其中该皮肤非常靠近患者或使用者的皮肤。对于手持设备的示例性实施例，只要用户触摸手持设备，就连续测量血压。

应当注意，在本公开的主题中使用术语“患者”或“用户”来表示任何个体主题，例如运动员，患者，活跃的人，老人或任何可以佩戴或持有无创CHM设备以进行血液动力学监测。

如本发明中所描述的系统和方法教导了通过非侵入性地获取血压脉冲流的连续血液动力学参数的估计。处理并分析脉搏以估计血压和其他血液动力学参数。CHM系统和方法是基于示波法的自动BP测量的优良替代方案。自1876年以来一直使用，并提供连续监视而不是间歇监视。

在一些示例性实施例中，CHM系统包括透射和/或反射光学传感器：生物阻抗传感器：ECG传感器，其组合等，用于获取表示患者的生理状况的信号。此外或者另一种方法，在一些示例性实施例中，CHM系统包括凹形光学PPG传感器和压力或力传感器。通常，将光学传感器放置在光学传感器的最佳位置，在提供高质量连续PPG信号的位置，而将压力或力传感器放置在桡动脉的上方。

所公开的主题所处理的一个技术问题是，用于评估血液动力学参数的大量数据点被用于可商购的深度学习概念中，并不一定要解决输入和输出之间的关系。任何给定的患者。这种关系基于大量的统计数据，这导致了冗长而繁琐的计算，并且无法阐明生理现象。而且，产品利用这种Nd的方法会忽略大多数数据，并牺牲了准确性以加快计算速度。尽管基于大量统计数据的深度学习在大多数情况下是正确的，但尽管过程冗长，但并非对所有患者都是正确的。

所公开的主题处理的另一技术问题是动脉的传播特性。显然，动脉压力脉冲在从心脏向周围动脉行进时会发生变化。这些变化会影响平均压力和舒张压，而收缩压却不受影响。因此，中心脉压与周围脉压之间的关系取决于动脉的传播特性。虽然血压计给出了收缩压和舒张压的值，但是本发明人的CHM系统可以从时变脉搏波形中获得附加信息，这些信息可以改善心脏和其他中央器官上的收缩压负荷的量化。

由芯片上系统(SoC)实施的CHM系统的一种技术解决方案是基于模型的方法，该模型利用了需要较少数据点的自适应机器学习。将采样收敛到相关的状态，并继续监控每个人。此外，该方法随着时间的使用提高了结果的准确性。将注意的是，尽管以下描述的实施例集中于血液动力学监测，但是可以将所公开的主题用于测量和监测其他生理参数。

本公开中提供的另一种技术方案是利用一个或多个光学传感器，生物阻抗传感器，其组合来获取包括血压脉冲流的信号。血压传感之后，利用独特的算法对传感器信号进行实时分析，以确定患者的连续血压和血液动力学参数。每个脉冲都由一个模型脉冲来近似，该模型脉冲至少包含两个分量，即前向运动波和反射波。前向运动波分量是由心脏左心室的血液排出所产生的。反射波是动脉树的前向运动成分与毛细血管系统相互作用的结果。

利用本公开的非侵入性CHM系统和方法的一个优点是消除了熟练的医务人员进行CHM程序的需要。非侵入性系统适合用于医院和保健，其作为可穿戴消费品的用途不需要医学背景。

使用无创CHM系统和目前披露方法的另一个优点是减少并发症、不愉快和疼痛以及住院费用。

使用无创CHM系统和现有披露方法的另一个优点是测量准确，可与有创方法相媲美。

应当注意，血压脉冲由向前移动的分量和反射的分量组成。向前移动的分量是由心脏左心室的血液喷射产生的，而反射的分量是由于向前的分量与动脉树和毛细血管系统之间的相互作用而产生的。每个脉冲可以根据包括至少两个具有不同峰值和扩展的部分重叠的高斯函数的脉冲模型来表征。因此，前向运动分量和反射分量可以分别由至少两个高斯函数之一来表示。

注意，本文公开的方法利用被动模式，主动模式，其组合等来获取血压和其他血液动力信号。主动模式可以通过其传感器技术和/或激活方式彼此区分开。在一些示例性实施例中，主动模式可以基于包括生物阻抗传感器的多个传感器。眼压血压仪和光学传感器，例如：光体积扫描传感器(PPG)和光谱传感器。被动模式可以是心电图(ECG)传感器，或类似的东西。

还应注意，从先前描述的传感器或设备获取的信号(血液动力学脉冲序列)包含噪声和其他伪像。因此，并非所有获取的脉冲都可有助于分析患者的血液动力学参数。诸如血压和ECG脉冲之类的脉动脉冲在本领域中是众所周知的，并且可以用代表血液动力学脉冲基线的一对高斯函数来表征(典型脉冲)。在一些示例性实施例中，这样的基线可以用于滤除对脉冲分析无用的噪声脉冲和/或信号部分。此外或者另一种方法，过滤器基线参数可以根据患者特定数据(诸如人口统计和前提条件信息)而偏移。

在一些示例性实施例中，本公开的CHM系统可以利用模糊聚类来确定质心脉冲，该质心脉冲随后可以从两个高斯叠加合成。所合成的脉冲最能代表脉冲序列，可用于确定血液动力学参数。

现在参考图1A，其示意性地示出了用于在其中生成健康空间和用户位置所需的用于非侵入性和非侵入性地获取脉搏的环。根据所公开的主题的一些示例性实施例，将其放置在成像的人手指上。设置有用于无创CHM的系统的环100被放置在食指10上。应该注意的是，环100是优选的实施例，但是，可以使用多个不引人注目的可穿戴物品来体现无创CHM。不显眼的可穿戴物品可以是被构造成在动脉紧邻患者的皮肤的区域中包围患者的四肢例如腕部的带状元件。可穿戴物品可以是，例如：手镯，手表，戒指等。

示出的环100被放置在食指10上，其中环与被数字表示的动脉11非常接近。环以非侵入性方式放置在手指上。

现在参考图1B，其示出了根据所公开的主题的一些示例性实施例的用于无创且无干扰地采集脉搏的环的透视图，该环是在其中生成健康空间和用户位置所需要的。环100包括至少一个本体传感器121，至少一个生物阻抗传感器122，至少一个ECG传感器123，芯片上的CHM系统(SoC)300，显示器130，另一侧的照明LED(红色/红外线)140，两者的组合，或类似的等。环100被调整去适人的手指。环100的形状因数可适于在手指10和提供给环100的传感器之间实现良好的耦合。例如，环100的压力传感器可最佳地放置于手指的动脉附近(本图未显现)。

应该注意，环100的所有组件都可以通过环内的导线相互互连，尤其是与SoC 300互连，这将在下面进行详细讨论。

在一些示例性实施例中，，所公开的主题的系统和方法可以利用多个传感器，例如光体积扫描传感器(PPG)、张力传感器、心电图传感器以及它们的组合等等。

在一些示例性实施例中，光学传感器121可用于光体积描记器(PPG)，即光学获得的器官的体积测量。光学传感器121可包括至少一个光电二极管和至少一个发光二极管(LED)。PPG可以通过测量被LED照射的器官的光吸收变化的光电二极管来获得。

在一些示例性实施例中，光学传感器121可以是光学透射传感器或光学反射传感器，光学凹面传感器，它们的组合等。此外或者另一种方法，可以利用光谱模态来获取脉冲。估计连续血压所需要的。在这种方式中，光学传感器121包括多个波长光源(LED)和多个波长接收器(光电二极管)。

应当注意，环100中的传感器可以以各种方式使用。作为示例，环100可以被配置用于连续地估计血压；例如，血压计可以被配置为用于血压的连续估计。心律输出：来自红色和红外PPG信号的外周血中风氧饱和度(Sp02)；它们的组合等。还应该注意，尽管可以采用类似于市售血氧仪的原理(PPG信号)，但是本公开内容披露在通过更加集中收集在红色和红外光的峰值以及通过期间红色和红外光的吸收率的变化来合成脉冲，远超血氧仪。

在一些示例性实施例中，生物阻抗传感器122可以用作阻抗体积描记器，用于测量手指血管内的体积变化，以便确定循环容量或心输出量。此外或者另一种方法，生物阻抗传感器122可以用作用于ECG测量的补偿电极。

在一些示例性实施例中，可以通过用对侧手的手指触摸电极来激活ECG传感器123，其中另一个电极是生物阻抗传感器122。

在某些示例性实施例中，显示器130可以是字母数字或位图、LED显示器。液晶显示器(LCD)、其组合或类似物。显示器130可以连接到Soc 300，并配置为显示Soc 300的输出结果，如间断/连续收缩压/舒张压、平均动脉压SPo2、心率、搏出量、心肌输出量，以及它们的组合，或类似的结果。

在一些典型实施例中，天140嵌入环100中，天线140可以与SoC 300的收发器相互耦合，用于与蓝牙通信和/或Wi-Fi设备通信。

现在参照图2A，图2A说明了一种用于无创和无损伤采集脉冲波的手持设备，该设备根据所公开的主题的一些示例性实施例生成健康空间和其中的用户位置。所述手持设备200包括无创模板221和显示器211，以及二者的组合。

在一些典型实施例中，手持设备210可以是蜂窝电话、电话听筒、智能手机、手持遥控器、电子设备手柄、操纵杆、汽车方向盘、平板电脑、笔记本、以及他们的组合。需要指出的是，显示器211可以作为手持设备210的组成部分，可以用于显示血液动力学信息。例如:心率，动脉血氧饱和度，收缩压和舒张压，心肌输出量，搏出量，两者的结合，或诸如此类。

在所披露主题的某些示例性实施例中，非侵入性触摸板221可嵌入手持设备210中，作为一个例子:三星Galaxy智能手机，触摸板221被配置为只要用户的手指10放在触摸板221上，就可以感知用户的血压脉搏。触摸板221包括光学传感器、反射光学传感器或凹面光学传感器、其组合或类似物。

此外，或者，该无创触摸板221还包括生物阻抗传感器(未显示)、心电传感器(未显示)、SOC(未显示)，如SOC 300以及其组合。在一些示例性实施例中，触摸板221可以直接连接到手持设备210的处理器上，以便执行手术要求的持续监测患者血流动力学状况。

应当理解，用户皮肤必须接触本公开的主题事项中所述的实施例的非侵入性可穿戴物品。

现在参照图2B，说明了一种用于非侵入性和非侵入性采集脉搏波的手环，用于生成健康空间和用户在其中的位置。根据所述主题的某些示例性实施例放置在人的手腕上。腕带230包括一个地形传感器(图中未显示)，内置在腕带内侧的充气式囊231。腕带230还包括与环100中使用的传感器类似的传感器(未显示)。此外，腕带230包括组件(未显示)，如芯片(SoC)上的CHM系统，稍后将讨论，显示器，天线，如图1B中所示的环100。应该注意的是，腕带230可以配置为执行过程和结果与环100提供的过程和结果相似或相同，因此估计间歇或连续收缩压/舒张压、平均动脉压、动脉血氧饱和度心率、搏出量，心输出量、组合，或者类似的。

在一些典型实施例中，腕带230提供张力传感器，进一步被配置为臂式无创伤连续血压监测设备，最好是腕带的方式，当可充气囊231充气时，以一种方式将腕带230和可充气囊231固定在可触及的动脉上，如桡动脉11上。腕带形式可以配置，以实现径向动脉和压力传感器/执行器之间良好的耦合，利用张力的概念来估计持续血压。

腕带230可配备CHM系统控制器，如图1B的SoC 300，通过无创操作放置在桡动脉11上的充气囊231来感受动脉的压力并获取血压脉冲。随后，控制器可以执行所需的计算指令，以提供估计的CHM信息。

现在参照图3所示的a的方框图，该方框图描述了产生健康空间和用户在其中的位置所需要的无创和无干扰的脉冲波获取。系统根据所披露的标的物的某些示例性实施例。SoC300可以作为一种计算机化的部件，用于获取和处理血流动力学信号。在某些示例性实施例中，可将SoC 300及其任何子组件合并到专用于执行图8所示方法的单微电子芯片上，以实时测定血流动力学信息。

在某些示例性实施例中，SoC 300包括处理器310。处理器310可以是中央处理单元(CPU)、微处理器、现场可编程门阵列(FPGA)、应用程序专用集成电路(ASIC)、包含多个集成电路(IC)的电子电路、其组合，或类似的东西。处理器310可用于血流动力学传感器的实时信号处理，以及SoC 300或其任何子组件所需的计算，以确定患者的血流动力学参数/数据。

在所披露主题的某些示例性实施例中，SoC 300包括前端电子器件(FFE)320。FFE320可用于从靠近患者皮肤的传感器获取数据。这些传感器产生模拟信号，指示人体血流动力学脉冲；该传感器可以是传感器如光学传感器121；生物阻抗传感器122；心电传感器123，图1b；无创触摸板221，图1b；两者或类似物的组合。

FFE 320可以是包含多个集成电路(IC)的电子电路，如模数转换器(ADC)、噪声滤波器、放大器、其组合或类似的电路。在某些示例性实施例中，可以使用FFE 320对原始信号进行预处理，以去除噪声段并隔离适合于分析的段。原始信号中的噪声、尖峰和运动伪影典型的结果是传感器相对于皮肤的运动。在滤除原始信号的噪声后，FFE 320先对这些模拟信号进行形状处理，然后再由费用的ADC将它们转换为数字表示。

传感器的数字表示可被310处理器保留为传感器的原始数据。另外，或者另一种选择，FEE 320可以将光学传感器的光调制为频率信号，然后将信号与处理器310通信。

在一些示例性实施例中，处理器310可以通信实时CHM的结果和/或存储的CHM参数以显示在显示器上，如图1B中所示的显示器130。在示例性实施例中，其中显示器130是可穿戴设备的组成部分，显示器130可以连接到SoC 300以通信所述结果，其中所述线嵌入在所述设备中。在其他示例性实施例中，SoC 300包括显示器330。显示器330可以并入SoC 300，并配置为执行相当于显示器130的功能。

值得注意的是，SoC 300的结果可以是描述患者/用户血流动力学参数的字母数字信息。例如，结果包括收缩压/舒张压、平均动脉压SPo2、心率、搏出量、心输出量，以及两者的组合，或类似的东西。

另外，或另一方法，SoC 300包括收发器341。收发器341可用于向外部设备(如PC、显示设备、智能手机、平板、医院监测器、互联网等)提供血流动力学参数结果的无线通信接口。收发器341可以使用无线通信技术，例如蓝牙。Wi-Fi，其组合或类似物，用于通过天线140传输结果和接收指令(也如图1B所示)。

在所披露的主题的某些示例性实施例中，从医疗中心、医生办公室或类似场所传送的指令可由收发器341接收并由处理器310处理。说明书可以包括但不限于:系统激活、系统休眠、检索过去的血流动力学数据、选择所需的血流动力学参数、其组合或类似内容。值得注意的是，将血流动力学参数结果传输到互联网可以将结果传输到云上进行患者监测。

在某些示例性实施例中，SoC 300包括存储器313。存储器313可以是硬盘驱动器、闪存盘、随机存取存储器(RAM)、存储器芯片、闪存或其组合，或类似的东西。在某些示例性实施例中，存储器313可用于保留软件元素、数据元素、其组合或类似的元素。软件元素可以包括算法、程序、指令、功能和文件，这些操作可以使处理器310执行如图8所示的方法，以及与SoC 300及其子组件相关的行为。在某些示例性实施例中，所述数据元素是包含传感器、CHM的原始数据和结果、其组合或类似物的存储器模块。

现在参照图4A、4B、4C、4D和5A，这些图描述了接收到的用于无创、无干扰地获取脉搏波的原始信号的例子，这些信号是生成健康空间和用户在其中的位置所必需的。系统分别根据所述主题的某些示例性实施例和放大图4C流脉冲的噪声段。图4A～4D和图5A所示的原始信号为图1b中传感器(如光学传感器121)采集到的血压流脉冲；无创触摸板221，图2a；可充气囊231，图2b；两者或类似物的组合。

通常，原始信号包括高频噪声和由传感器相对于皮肤运动引起的运动伪影产生的峰值。在一些示例性实施例中，图3的FFE 320用于对原始信号进行预处理，以去除极具噪声的片段并找到携带相对质量较好的信号的片段。应该注意的是，一个无噪声的血压脉冲持续大约一秒钟，振幅只有几微伏。在某些实施例中，FFE 320可以放大原始信号以进行进一步处理。

图4A所示的有噪声的原始信号是不可接受的信号的一个例子，它具有300秒的持续时间和显著的直流分量漂移。在图4B的示例中，原始信号具有120秒的持续时间和稳定的直流；然而，由于运动伪影，它的交流分量是不稳定的。

图4C描绘了一段流脉冲，该脉冲具有大量的信号，被噪声431(标记为黑色)和少量可接受脉冲(标记为灰色)wo20/031106％/IB2019/05672019430所污染，这表明这些脉冲大多无法接受分析。可接受脉冲和不可接受脉冲之间的区别可以使用阈值水平来简化处理。图4D描绘了一段流脉冲，有灰色标记的正峰值，这表明这些脉冲大多是可以接受的分析。图5A是图4C流脉冲噪声段的放大图。用圈510标记的脉冲是可接受的脉冲，而用X511标记的脉冲是损坏的脉冲。

需要注意的是，上述不可接受的脉冲可能远离模糊聚类的质心(下文将详细描述)，因此对确定的质心的影响不显著。

现在参照描绘葡萄糖光谱曲线的图5B，其符合所公开的主题的一些示例性实施例。葡萄糖光谱曲线的信息可通过传感器获取，如光学传感器121；图3。在一些示例性实施例中，包括主成分载荷520和纯成分葡萄糖光谱521的光谱呈现可用于从葡萄糖光谱中学习血液中的葡萄糖浓度。

现在参照图5C，图5C描述了根据所公开的主题物的一些示例性实施例由生物阻抗传感器获得的原始信号的示例。在某些示例性实施例中，诸如心输出量估计、搏量、血压及其组合等生理参数；可以通过分析从图3中传感器122接收到的生物阻抗信号来计算。

现在参照图5D，根据所披露主题的某些示例性实施例，图5D描述了心电图(ECG)波形的示例。以图3所示的心电图传感器123为例，可以获得心电图波形。

应该注意，原始信号由不同的传感器获得，像上面描述的那样可以通过各种建模方法以提取生理参数CHM脉冲的一个模范的建模方法是基于计算获得脉冲的二阶导数的高峰。另一种模拟脉冲的示例性方法是基于or WO 2020/031106％pct/ib2019/05672020，至少两条对应的高斯曲线的叠加，例如，对应于正波和反波。由于这两种模型都是已知的，并且为了简单起见，本公开的重点是使用高斯模型来提取所述方法所需的数据点。

现在参考图6A，图6A阐明了根据所公开的主题的一些示例性实施例，通过对应于正波和反波的两个高斯分布对典型血压脉搏进行叠加建模。

曲线61所代表的前进波是由左心室(代表血压脉搏的舒张部分)射血产生的。曲线62所代表的后向波是由动脉血压反射引起的，主要反射来自髂分支。在一些示例性实施例中，通过本发明公开的传感器获取脉冲60。

左心室射血所产生的正向波被数学建模(归一化)为第一高斯曲线(1GC)610，表示血压脉搏的舒张部分。主要反射来自髂分支的动脉系统反射引起的反向波在数学上归一化为第二高斯曲线(second Gaussian curve，2GC)620，小于1GC 610，并在时间上移位。高斯数学模型至少可以包含以下特征:

·[t1]表示从脉冲开始到收缩期峰值的时间长度，

·[t2]表示从收缩期峰值到脉冲结束的时间长度，

·[a1]表示1GC 610峰值幅度，

·[a2]表示2GC 620峰值幅度，

·[b1]相对于t1的1GC 611上升时间，

·[b2]相对于t1的2GC 621上升时间，

·[c1]相对于IGC 612持续时间扩展，

·[c2]表示2GC 622时间段，

·[m1]表示直流分量斜率，

·[m0]直流分量偏置。

需要注意的是，基于心脏泵送模型，分别代表收缩波和反射波的IGC 610和2GC620具有与上述特征相对应的生理参数。例如:a1相当于中枢血压的收缩压；c1为左室容积乘以射血分数；c2代表反射波和全身血管阻力；b2-b1与主动脉脉波速度成正比，主动脉脉波主要反射来自髂分叉。

在一些示例性实施例中，每个归一化的脉冲可以根据下式计算。

其中

是由参数

定义的曲线，

是残差，T≡[0，η_T1+η_T2]是定义脉冲的归一化时域，n＝1....N为节拍计数器。自原始信号的脉冲将向前和向后波的叠加，下面的模型，由两条高斯曲线的总和(SoGj)，可以被用于:

参数定义如下:

ai人工智能模型曲线的振幅；

bi是最大值的位置；以及

ci表示它们的宽度。

在某些示例性实施例中，y(t)在脉冲的任何给定时间表示表示实际血流动力学脉冲的归一化脉冲600的值，如所示。GC 60。需要注意的是，为了提取每个脉冲至少N个特征，可以在每个脉冲60个持续时间内重复计算y(t)N次。通过对y(t)的反复计算，图3所示的SoC300确定了一个表示归一化脉冲600的n维向量。因此，SoC 300可以在每个预定时间(δt)采样脉冲60。举例，如果脉冲持续时间为1200毫秒，(δt)＝4毫秒，则(n)＝300个样本。应该理解的是，y(t)是为每个(δt)计算的，n维向量的精度，代表归一化脉冲600，直接与(n)成比例。从原始信号获得的流脉冲的数量，每个研究，可能会根据特定的检查患者/用户活动条件而变化。这种状况可以是休息、睡眠、运动、已有的医疗状况、稳定状态、两者的结合，或类似的情况。在某些示例性实施例中，每个研究(σ)的流脉冲数可以在每个研究10至40个脉冲之间变化；此外，每个研究都可以显示详细的用户血流动力学参数的结果。可以理解的是，这些研究可能会无限期地重复。从而提高了血流动力学参数估计的准确性。

现在参照图7A，根据所披露主题的一些示例性实施例，阐明了与年龄(几十年)相对应的不同形状的人类血压脉冲。这张图是通过对血压脉搏的统计分析得出的，清晰地展示了人的生命周期中脉搏的显著变化。此外，这种统计分析可以按年、按性别、按身高、按体重、按两者的组合或类似情况进行。对于每幅图，显示随年龄变化的肱动脉脉型，可以实现如图6B所示的叠加建模。此外，还可以对统计分析进行调整，使其包含额外的分析信息，如准确的年龄、性别、身高、体重、医疗先决条件、其组合等。由此，可以为每个个体确定n个特征向量，因此可以根据用户匹配的个体为其提供n个特征向量的基线(基线向量)。

现在参考图7B示意性地描述了根据所公开的主题物的一些示例性实施例所包含的多个归一化脉冲的二维特征空间。图7B描述了两个维度，只是为了说明，但这两个维度是从至少n维空间中提取出来的，n维空间代表了前面讨论的特征。在这个特定的示例中，两个维度分别是表示第一个GC峰值振幅的a1和表示第二个GC峰值振幅的a2。在某些示例性实施例中，用归一化脉冲代替每个采样的实际脉冲，可以用n个特征向量来表示。所述N维空间可实现为分配用于存储所获取脉冲的多个N个特征向量的簇，其中所述簇可以是存储器的一部分，如图3中的存储器313，配置为存储N个特征向量。n个特征向量的多个的最大数量等于每次研究的流脉冲数(σ)加上基线向量(σ+1)。

在某些示例性实施例中，向量720可以是指示用户最适合的脉冲的基线向量。矢量722是一个指示允许脉冲的例子，其中和的比例是典型的老年。矢量724和725是指示不允许脉冲的例子。矢量723是一个指示允许脉冲的例子，具有相对较小的振幅，也对应较老的生理年龄。此外，或作为替代，对角线721表现为损坏脉冲的滤波器。所有位于对角线721以下的脉冲，即具有a1<a2的脉冲，都可以丢弃，因为根据定义，代表收缩压振幅的a1必须大于代表舒张压的a2。在一些示例性实施例中，可以利用相似类型的特征关系分析来滤除损坏的脉冲。

在一些示例性实施例中，在填充N维簇后，向量720，即基线向量，可以最初指定为簇的质心。

现在参照图8，图8表示根据所披露的主题事项的一些示例性实施例，用于生成健康空间和其中的用户位置所需的脉搏波的无创和平和的获取方法的流程图。

在步骤801中获取用户信息。在某些示例性实施例中，用户信息包括配置信息，如记录在案的年龄、性别、身高、体重、医疗先决条件、血压和心率、记录在案的测量类型、其组合等。

在步骤802中，一个基线向量被确定。在某些示例性实施例中，基线向量可以基于适合用户的概要文件的至少N个特征向量。另外，或者也可以将基线向量作为初始模糊聚类过程的质心，下文将详细描述。

在步骤803中，获得来自所述多个血流动力学传感器的至少一个信号。传感器包括生物阻抗传感器、张力压力传感器、PPG光学传感器、光谱多波长光学传感器和ECG生物电位传感器，或其组合，或类似的。

在步骤804中，至少可以分割一个血流动力学信号。在某些示例性实施例中，SoC300的FEE 320(如图3所示)可用于滤除噪声段。原始信号(如图4C所示的片段)，其中信号质量指数低于某一阈值。此外，剩余的可以分为脉冲。

在步骤805中，脉冲被归一化。在某些示例性实施例中，归一化可以基于包含1GC610和2GC 620的高斯分布模型，如图6A所示。进而确定了脉冲的至少N个特征，即脉冲向量。

在步骤806中，开始快速学习。在一些模范化身，快速学习是初始化填充基线向量和向量归一化脉冲的多元化，“在规范化的多数脉冲的数量(每个拥有至少N特性)是给定的流脉冲的数量每给定研究(σ)。在这个最初的步骤中，基线向量指定为集群的重心。

在步骤807中，执行一个模糊聚类过程。在某些示例性实施例中，聚类的模糊聚类过程第一质心采用基线向量的值。然后，以簇生长中归一化脉冲的个数作为学习质心的值。质心是相邻归一化脉冲在10维空间中的加权平均值，其中每个归一化脉冲在星团中的权重与它与质心的距离成反比。因此，脉冲距离越远，它对质心的影响就越小。

质心的模糊聚类和形成可以通过以下伪代码实现:

i.对K个非空隶属函数建立模糊划分u(·)，u(·)≠0，1≤i≤k和2≤k≤n。其中n为数据集x的元素个数。

ii.k个加权均值的计算公式如下:

是(x)中最小的整数，

iii.一个新的分区，构造如下:

让let I(x)＝{1≤i≤k|v_i＝x}＝0

得出

否则让

是I(x)中最小的整数，然后

iv.如果u(·)与

的差值小于特定的阈值，则T停止；否则，设置u(·)为

然后执行步骤II。

经过模糊聚类过程，质心可以在N维空间中移动，以反映相邻归一化脉冲的贡献，从而成为一个学习的质心。值得注意的是，与通常的模糊聚类相反，本公开资料迭代地利用模糊聚类过程来制定与包含脉冲的准平稳血流动力学信号段相对应的单个聚类的质心。在一些示例性实施例中，可以用新学习的质心重复模糊聚类过程。当两个连续质心的差值小于给定的阈值时，可以得出模糊聚类的结论。

在第808步中，根据得到的学习质心确定生理参数，质心被合成为最能代表一个片段的脉冲序列的脉冲。在某些示例性实施例中，生理参数结果包括收缩压和舒张压、心输出量、搏出量心率、动脉血氧饱和度(SpO2)及其组合，或类似物。

在一些示例性实施例中，通过学习质心脉冲形状并将其表示为N维特征空间中的向量，就可以预测生理参数值。这可以通过学习脉冲形状特征向量和目标生理值随时间的映射来实现。例如，给定与特定脉冲形状对应的血压值，从而学习N维向量与血压的映射关系。该模型的使用可以显示出与血压预测更相关的特征。

在一些示例性实施例中，入射脉冲峰值和反射波峰值之间的间隔与血压成反比，因为血压越高反射波越快。例如，这些参数值可以显示在健康指示板中，如图2A所示。

在一些示例性实施例中，所有簇中每个点的隶属度的广泛人群模糊聚类空间提供了一个根据特征聚类单个脉冲形状的空间。这种对总体的模糊聚类是多维的，用于内部计算。

在步骤809中，包含所述生理参数的结果以显示形式显示，例如图3中所示的显示130或类似形式显示。在某些示例性实施例中，可以通过Wi-Fi通过互联网将所述生理参数通信到所述用户或服务器。蓝牙技术，或类似技术的一种组合。

应该注意的是，人口的N维模糊聚类的构建有助于创建一个景观，其中一个个体用户的位置与她/他的人口群体有关。输入参数来自PPG、心电图、光谱学等实时表示给定时刻的健康状况的信号，以及用户健康历史背景数据和问卷回答。除了传统的血压参数外，本文还对其基本组成和原因进行了分析。例如，本文披露的CHM系统不仅可以基于回归或神经网络，还可以估算血压的总值，并根据生理模型将其分为“好血压”和“坏血压”两部分。

由于好血压增加导致的“良性血压”与导致血管阻力增加的“不良血压”相比，本研究区分了良性和不良血压，并指出了高血压的来源2020/031106РСТ/b2019/05672027。也就是说，如果血压升高的原因是CC(正常血压)的增加，或者是心脏血管阻力(负荷后)的增加。这将有助于区分大的好血压因子(良好的血压)和小的SVR(系统血管阻力)，主要是因为狭窄的动脉阻塞导致高的SVR(坏的BP)，假设BP＝CO×SVR。

根据当前主题的其他方面，提供了一种方法和装置生成个人健康为每个病人提供地图，乍一看，病人健康地图上的位置在任何给定的时间和跟踪在地图上的位置。理论框架为模糊集，每个患者在不同的病理和健康状况下得到不同的隶属度；也就是说，护士可以从护士站追踪任何意识状态下的所有患者的个人健康地图，并在任何患者的健康恶化和需要关注时发出警报。例如，个人健康地图显示了患者夜间的病程，并且可以在地图中一眼就能评估病情。相关的健康地图也可以在“负责医生”智能手机上共享。如下文所示，使用已知方法对实际患者进行监测，并与本文教授的连续方法进行比较。结果表明，本披露方法的有效性和可靠性。

在所有执行的研究中，血压的数以万计的血压测量脉冲形状，模糊聚类算法，是由这个主题了集群的发明者的脉冲形状N维特征空间，减少维度通过寻找最小的维度空间，和它的二维投影。通过这样做，人们发现不同的健康状况属于不同的集群。例如，糖尿病患者往往属于他们自己的一类，糖尿病病情的严重程度表明处于糖尿病中心和健康受试者之间。

发现血压脉冲形状聚类可以定义不同的健康状况，生成一个连续的健康空间。代表不同脉冲形状的聚类质心属于不同的健康状况。这提供了一个强有力的工具，以定量的方式观察病人的进展或恶化，也为更有效的干预指明了方向。本发明可帮助夜班时如何在不干扰的情况下自动检测早期恶化。

参考图9给出的血压脉冲形状示例。模糊聚类中的每个质心都可以用本文示例中的血压脉冲形状或任何其他血压脉冲形状来表示。标记为k179的脉冲形状具有中等大小的反射波，向前喷射的脉冲与反射的脉冲之间有中等的间隔。

第二个脉冲形状，标记为k227，反射脉冲小得多，向前移动的脉冲分量(冲击)和反射脉冲之间有很长的间隔。可以看出，在这两者之间的潮汐脉冲是由可弯曲的主动脉产生的，对年轻的受试者(30岁或以下)是典型的。通常情况下，这种脉搏形状与更年轻、更健康的受试者有关。在可以基于这些脉冲形状的例子的健康图中，这被认为是典型的健康区域，如下图所示。

第三个脉冲形状标记为k3表明高反射波更接近向前移动的脉冲分量(冲击)。这是典型的，如果记录在休息，健康地图的不健康对象和不健康区域，将在这里描述。

正如我们前面提到的，脉搏形状会随着时间的推移而改变，这是生活方式(锻炼、睡眠、健康或不健康的饮食、放松等)或药物等干预的结果。干预措施可以是特定药物、特定剂量的药物、与其他药物的相互作用、物理康复、外科手术、紧张情况、生活方式干预，如运动、睡眠、健康和不健康饮食、葡萄糖负荷、空气纯度、传染病、电离辐射和非电离辐射，等等。

在加尔各答医院对高血压和糖尿病患者的临床研究中，u型高血压和糖尿病患者连续监测24小时，ABPM每15分钟记录血压和心率，连续PPG、SpO2、呼吸预测血压和心排血量。在第二个临床试验，血液动力学的比较，预测从一个连续血液动力学CNAP装置，在费森尤斯公司肾脏血液透析中心，在圣路易斯医院使用2-4光波长，使当前主题的发明家也来质疑毛细血管床在不同渗透率级别估计特性与微循环有关。

所进行的研究提供了数万个同时具有血压脉冲形状的血压测量数据。采用基于主题的模糊聚类算法对N维特征空间中的脉冲形状进行聚类，并通过寻找最小的维数空间及其二维投影来使其维数最小化。人们惊讶地发现，不同的健康状况属于不同的类别。例如，糖尿病患者往往属于他们自己的一类，糖尿病病情的严重程度表明处于糖尿病中心和健康受试者之间。

发现血压脉冲形状聚类可以定义不同的健康状况，生成一个连续的健康空间。代表不同脉冲形状的聚类质心属于不同的健康状况。这为定量观察患者的进展或恶化提供了有力的工具，也为更有效的干预提供了途径。例如，本文所披露的主题可以帮助在守夜期间以一种不显眼和自动的方式在早期阶段发现可能的恶化。

本课题所述的个人健康导航系统使用机器学习机制来确认个人的不同生理参数。

机器学习机制配置为:

从PPG信号估计血压，

确定脉搏在动脉树中传播的生理模型，

描绘信号以分离脉冲，

使用PPG信号的二阶导数和表明个体生理状况的高斯特征。

同样配置的机器学习机制:特征向量表示为点在N维特征空间构造质心点根据卫生地图和个人细节从一群选择细节，如性别、年龄、身高、体重、前英国石油公司测量，等等；执行模糊聚类包括降维提高重心基于记录脉冲；每个血压在集群脉冲矢量空间位置。

现在参考图10A-10C，它描绘了血压脉冲形状的不同簇，这些簇是由血压脉冲特征空间中的模糊聚类构建的，以根据已披露的主题的一些示例性实施例在质心周围生成模糊簇。如前所述，血压脉冲N个特征描述了N维特征空间，其中每个血压脉冲形状是这个N维空间中的一个向量。包括降维在内的模糊聚类的应用。为了实现可视化，我们使用了信息最丰富的2D投影。这个2D的健康空间是为各种各样的人创造的，他们的血压脉搏形状各异:男性和女性，老年人和年轻人，所谓的健康和患有各种疾病的患者，如充血性心力衰竭(CHF)，高血压糖尿病，慢性阻塞性肺疾病(COPD)，或类似的疾病。此外，这些潜在的使用者有不同的身体活动、饮食习惯和各种药物。受试者被跟踪24小时，同时使用动态血压监测仪(每隔预定时间间隔(如每15分钟)激活一次，连续记录他们的PPG(血压脉冲)和Sp02。三个个体在24小时内对应的矢量序列所产生的时间轨迹如图10A-10c所示。10A-10C表示在二维健康地图105a上形成的区域或模糊集群。在105b和105c上分别形成了110a、110b和110c的曲线，这是通过时间的实际测量得出的。这些曲线代表了总体模糊聚类结果形成的健康地图上这个人的具体健康状况。如前所述，地图105a-c上的不同区域代表不同的健康状况。在健康地图105a-c的左上角，有一个健康区域——健康人群的模糊集群聚集在这些区域。从那里对角线，在健康地图105a-c的右下角，非健康人群的结果聚集在一起。根据本公开的实施例，110a-c曲线是在白天和晚上对用户血流动力学参数进行连续监测的结果。如果可以看到，当个人正在服药时，曲线110a位于健康地图的左上方(图中以加号+106表示)。

同样，曲线110b显示了测量参数在健康地图105b上的移动。用药后，箭头107表示，曲线110b转一圈，进入健康区域。用户会在这里呆上几个小时。

同样，如图10c所示的用户，可以清楚地看到用药后从非健康区域移动到健康区域。

使用这些健康地图可以帮助照护者或使用者自己通过改变他的生活方式或服用适当的药物来浏览健康地图。通过健康地图上的曲线即时跟踪用户的状态，有助于理解服用某种药物、改变习惯、改变饮食等的后果。

参见图11，图11描述了根据本主题内容的示例性实施例，从连续PPG派生的血压脉冲形状和血压水平之间的映射的两个主题的示例。在血压脉冲形状和血压水平之间存在一对一映射的假设可能是不正确的。这种基于模糊聚类隶属度的预测算法的调整，使发明者能够很好地跟踪测量的血压，如图所示。

参见图12，该图描述了根据本主题事项的示例性实施方式绘制的健康地图。健康地图显示了所谓的“健康”和“病态”(高血压、糖尿病…)的脉搏形状。蓝色的圆圈表示健康，绿色的脉冲表示生病。可以看出，这种区分有些武断，因为健康的脉搏形状在疾病区，反之亦然。这是可以理解的，因为高血压，用户服用药物可以有脉冲形状，看起来健康。所谓的健康人群包括高血压前期和糖尿病前期。但是我们仍然可以看到，在地图上，蓝色的圆圈大部分在左下方，绿色的集中在右上方。

参见图13，其中健康空间由已知的平均动脉压和心输出量轴所跨越。根据当前主题的首选实施例，这允许识别典型的健康状态区域(主要位于中间)、空间左侧充血性心力衰竭区域(CHF)以及其他疾病和情况。这样的地图不仅可以显示出一个人离健康区域有多远，而且可以指出特定疾病的风险，甚至可以指出哪种治疗方法最适合这个人。

这一假设是大多数现有算法根据血压脉冲形状推导血压的基础，导致他们无法正确预测正在服药或较长时间内的人的血压水平，导致频繁需要校准。

本公开的主题可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括具有计算机可读程序指令的计算机可读存储介质(或介质)，用于使处理器执行本公开的主题内容的某些方面。

计算机可读存储介质可以是一种有形的设备，它可以保留和存储指令，供指令执行设备使用。计算机可读存储介质可以是，例如，但不限于，电子存储设备，磁存储设备，光存储设备，电磁存储设备，半导体存储设备，以及上述任何适当的组合。计算机可读存储介质的更具体例子的非详尽列表包括以下内容:便携式计算机软盘、硬盘、随机存取存储器(RAM)，一个只读存储器(ROM)，一个可擦可编程只读存储器(EPROM或闪存)，一个静态随机存取存储器(SRAM)，一个便携式光盘只读存储器(cd-ROM)，数字多功能磁盘(DVD)，记忆棒，软盘，机械编码设备如穿孔卡片或提高结构在一个槽有指令记录，和上述的任何合适的组合。计算机可读存储介质，如使用，并不被视为是暂时的信号本身，如无线电波或其他自由传播电磁波电磁波传播通过波导或其他传播媒体(例如，光脉冲通过光纤电缆)，或电子信号通过导线传播。

此处描述的计算机可读程序指令可以通过网络，例如因特网、局域网、广域网和/或无线网络，从计算机可读存储介质或外部计算机或外部存储设备下载到相应的计算/处理设备。该网络可能包括铜传输电缆、光纤传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令，以便存储在各自的计算/处理设备中的计算机可读存储介质中。

计算机可读程序的指令进行操作的披露的主题可能是汇编指令，指令集架构(ISA)指令，机器指令，机器相关的指令，微码，固件指示，国家数据，或源代码或对象编写的代码的任何组合一个或多个编程语言，包括面向对象的编程语言如Smalltalk、c++或类似的，和传统的过程式编程语言，如“C”编程语言或类似的编程语言。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为一个单独的软件包执行，部分在用户的计算机上执行，部分在远程计算机上执行，或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以连接到用户的计算机通过任何类型的网络，包括局域网(LAN)和广域网(WAN)，或连接可能是一个外部计算机(例如通过互联网使用一个互联网服务提供商)。在一些体现，电子电路包括，例如，可编程逻辑电路，现场可编程门阵列(FPGA)，或可编程逻辑阵列(PLA)可以执行的计算机可读程序指令通过利用计算机可读程序指令的状态信息个性化的电子电路，为了执行方面的披露的主题。

本文参照方法、装置(系统)和计算机程序产品的流程图和/或方框图，根据所公开的主题的实施例来描述本公开主题的各个方面。要理解的是，流程图图例和/或框图中的每一块，以及流程图图例和/或框图中的块的组合，都可以通过计算机可读的程序指令来实现。

这些计算机可读程序指令可以提供一台通用计算机的处理器、专用电脑，或其他可编程数据处理装置生产的机器，这样的指令，执行通过计算机的处理器或其他可编程数据处理装置，为实现创造意味着中指定的功能/行为流程图和/或框图块或块。这些计算机可读程序指令也可以存储在一个计算机可读存储介质，可以直接一台电脑，一个可编程数据处理设备、和/或其他设备运行在一个特定的方式，这样的计算机可读存储介质有生产指令存储在其中包含一篇文章包括指令实现方面的功能/行为流程图和/或框图中指定块或块。

的计算机可读程序指令也可以装上一台电脑，其他可编程数据处理设备，或其他设备造成的一系列操作步骤要在计算机上执行，其他可编程设备或其他设备生产计算机实现过程，这样在电脑上执行的指令，其他可编程设备，或其它装置实现流程图和/或方框图中规定的功能/行为。

图中的流程图和方框图说明了根据本公开的主题内容的各种实施例的系统、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这方面，流程图或框图中的每个块可以表示一个模块、段或部分指令，这些指令由一个或多个可执行指令组成，用于实现指定的逻辑功能。在一些替代的实现中，在块中记录的函数可能会出现在图中记录的顺序之外。例如，两个连续显示的块实际上可能同时执行，或者这些块有时可能按照相反的顺序执行，这取决于所涉及的功能。它也将指出，每个块的块图和/或流程图说明，和组合块的方框图和/或流程图说明，可以通过特殊目的的实现基于硬件系统，执行指定的函数或行为或进行组合的专用硬件和计算机指令。

以下权利要求书中所有手段或步骤加功能要素的相应结构、材料、行为和等效物，旨在包括与其他明确要求的要素相结合来执行功能的任何结构、材料或行为。本披露主题的描述是为了说明和描述的目的而提出的，但不打算详尽或仅限于披露的形式的披露主题。许多修改和变化将是明显的那些普通技能的艺术，而不背离的范围和精神披露的主题。体现选择和描述为了最好的解释的原则披露主题和实际应用，并使其他普通的技能在艺术了解披露各种化身各种主题修改为适合特定的使用计划。

Claims (16)

1.一种基于多用户的生理脉冲形状特征空间构建健康地图的方法，该方法包括:

由至少一个传感器感知脉冲流，

从特征中提取特征并形成模糊聚类，

并利用n维空间的二维投影构造健康图。

2.根据权利要求1所述的方法，其特征在于，用户在特定时间的特定脉冲形状的位置指示用户在该时间点的健康状态。

3.根据权利要求1所述的方法，其特征在于，用户超时的脉冲形状的多个位置生成指示健康状态随时间变化的跟踪。

4.根据权利要求3所述的方法，其特征在于，用户的脉冲形状的位置产生一个跟踪，表明随着时间的变化，并表明干预，如药物，锻炼，睡眠，饮食，毒素暴露等。

5.根据权利要求4所述的方法，其特征在于，干预等干预措施的选择特定的药物，具体剂量的药物，与其他药物相互作用，物理康复治疗，外科手术，紧张的情况下，生活方式的干预措施，如运动、睡眠、健康的和不健康的饮食、葡萄糖负荷、空气纯净传染病、电离和非电离辐射。

6.根据权利要求2所述的方法，其特征在于，一组的健康状况选择健康状态如健康、疾病、不健康、男、女、老、年轻,、有充血性心力衰竭(CHF)、高血压、糖尿病、慢性阻塞性肺病(COPD)、血液样本障碍、脑电活动紊乱、上面的组合等。

7.根据权利要求1所述的方法，其特征在于，所述方法进一步包括由至少一个传感器感知个体脉冲流：

通过分解个体感知脉冲提取特征，

对特征的模糊聚类进行分类，

估计个体的生理学参数；

并将随时间变化的生理参数放在健康地图上，形成个人健康导航系统。

8.一种用于个人的个人健康导航系统，包括：

提供根据权利要求1所述的健康地图，

以及从用户位置到运行状况地图上目标区域的推荐路径。

9.根据权利要求8所述的个人健康导航系统，其特征在于，所述健康地图包括指示生理参数的模糊集群，因此在健康地图上形成指示健康状态的区域。

10.根据权利要求9所述的个人健康导航系统，其特征在于，所述健康状态是从健康、疾病、不健康、男性、女性、年老、年轻、充血性心力衰竭(CHF)、高血压、糖尿病、慢性阻塞性肺疾病(COPD)等一组健康状态中选择的。

11.根据权利要求7所述的个人健康导航系统，其特征在于，将个人的健康参数放置在健康地图上提供了个人在地图上位置的指示。

12.根据权利要求7所述的个人健康导航系统，其特征在于，所述健康地图根据脉搏特征提供健康和不健康区域的指示。

13.根据权利要求7所述的个人健康导航系统，其特征在于，所述导航系统进一步包括健康地图上指示的治疗路径。

14.根据权利要求7所述的个人健康导航系统，其特征在于，包含由机器学习机制组成的健康地图，被配置为与个人的不同生理参数进行确认。

15.根据权利要求14所述的个人健康导航系统，其特征在于，机器学习机制配置为：

从PPG信号估计血压，

确定生理模型的脉冲传播动脉树，

描绘不同的脉冲信号，

利用分的二阶导数信号和高斯特性的个人生理条件的说明。

16.根据权利要求14所述的个人健康导航系统，其特征在于，配置为机器学习机制，特征向量表示为点的N维特征空间，构建重心点根据卫生地图和个人细节选择的细节,如性别、年龄、身高、体重、前英国石油公司测量，诸如此类，根据记录的脉冲进行模糊聚类，包括降维以改善质心，在聚类空间中定位每个血压脉冲向量。

Images