CN113573627A - 用于测量心率的系统 - Google Patents
用于测量心率的系统 Download PDFInfo
- Publication number
- CN113573627A CN113573627A CN202080009256.2A CN202080009256A CN113573627A CN 113573627 A CN113573627 A CN 113573627A CN 202080009256 A CN202080009256 A CN 202080009256A CN 113573627 A CN113573627 A CN 113573627A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- values
- calculating
- value
- rate value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims description 48
- 230000000694 effects Effects 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 9
- 230000000747 cardiac effect Effects 0.000 claims description 8
- 210000003205 muscle Anatomy 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 238000000528 statistical test Methods 0.000 claims description 2
- 210000001519 tissue Anatomy 0.000 claims description 2
- 210000003462 vein Anatomy 0.000 claims description 2
- 210000004204 blood vessel Anatomy 0.000 claims 1
- 210000000988 bone and bone Anatomy 0.000 claims 1
- 238000001914 filtration Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000009532 heart rate measurement Methods 0.000 description 48
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 241001465754 Metazoa Species 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 6
- 235000009854 Cucurbita moschata Nutrition 0.000 description 4
- 240000001980 Cucurbita pepo Species 0.000 description 4
- 235000009852 Cucurbita pepo Nutrition 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 235000020354 squash Nutrition 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010020843 Hyperthermia Diseases 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 210000003403 autonomic nervous system Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005189 cardiac health Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000036571 hydration Effects 0.000 description 2
- 238000006703 hydration reaction Methods 0.000 description 2
- 230000036031 hyperthermia Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 101001068052 Homo sapiens Lysine-specific demethylase hairless Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 102000053615 human HR Human genes 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—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
-
- 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]
- A61B5/339—Displays specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7445—Display arrangements, e.g. multiple display units
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种计算心率值的方法,补偿从受试者、传感器、发送和/或可能导致错误R峰值检测或错过R峰值检测的其他变量导出的噪声。该方法基于从传感器广播的数字化ECG读数的大约10秒的窗口,来计算更新的心率。大约每秒计算新值,使得ECG读数的窗口在连续计算之间显著重叠。该方法通过丢弃与先前计算的心率值相差超过阈值量的心率样本,来补偿噪声数据。基于心率样本之间的差的标准偏差来调整阈值。在计算心率值之前,可以在原始数据具有极低信噪比的情况下应用前瞻预过滤逻辑。
Description
技术领域
本公开涉及人类数据监视系统的领域。更具体地,本公开涉及一种用于测量心率的系统,例如,参与运动或其他高度活跃和移动的活动的人的心率。
背景技术
心率(HR)是心脏在各种活动中的功能和表现的关键指标。实时HR计算反映了由于潜在的身体和/或精神活动而导致的HR逐节拍变化。HR的变化可以被捕获为心率变异性(HRV),并且在心脏健康的诊断和监测中非常重要。在这样的活动期间显示瞬时HR提供了关于心脏健康以及潜在活动的影响的重要信息。
心率计算会受到由于身体运动而在心电图(ECG)信号中诱发的运动伪影的不利影响。这些变化中的一些可以被过滤掉,但是当没有识别出R峰值时,可以观察到HR的突然增加或减少。原始信号中的这种频繁的噪声周期可导致噪声HR波形。
发明内容
在一个方面,提供了一种用于测量心率的系统。该系统包括至少一个传感器、服务器和显示设备。所述至少一个传感器被配置为测量受试者身体中的电信号,将模拟测量值转换为数字读数,并发送数字读数。所述服务器接收数字读数并基于所述数字读数的重叠段通过以下步骤计算一个或多个心率值:(1)识别所述重叠段内的R峰值,(ii)基于相邻R峰值之间的时间计算样本值的数量,(iii)丢弃受错误峰值检测或错过峰值检测影响的样本,以及(iv)计算剩余样本值的平均值,该平均值可以被加权。所述显示设备将所述剩余样本值的计算传送给一个或多个用户。所述服务器可以响应于样本值与先前心率值相差大于第一阈值来确定样本受到错误峰值检测或错过峰值检测的影响。如果样本之间的差的标准偏差大于第二阈值,则所述服务器可以响应于所述样本值与所述先前心率值相差大于小于所述第一阈值的第三阈值来确定样本受到错误峰值检测或错过峰值检测的影响。
在另一方面,提供了一种用于测量心率的系统。该系统包括至少一个传感器,其被配置为测量受试者身体中的电信号,将一个或多个模拟测量值转换为一个或多个数字读数,并发送该一个或多个数字读数。服务器被配置为接收所述一个或多个数字读数,并基于所述一个或多个数字读数的一个或多个重叠段通过以下步骤来计算心率:识别所述一个或多个重叠段内的R峰值;基于相邻R峰值之间的时间计算一个或多个样本值;丢弃受错误峰值检测或错过峰值检测影响的一个或多个样本;以及计算剩余样本值的一个或多个平均值。所述系统还包括被配置为显示所述剩余样本值的一个或多个平均值的显示设备。
在另一方面,提供了一种用于测量心率的系统。该系统包括至少一个传感器、服务器和显示设备。所述至少一个传感器适于固定到受试者的皮肤,并且被配置为测量皮肤中的电信号、将模拟测量值转换为数字读数、并且发送所述数字读数。所述服务器接收所述数字读数并基于所述数字读数的一个或多个重叠段通过以下步骤来计算一个或多个心率值:(i)识别所述一个或多个重叠段内的R峰值;(ii)基于相邻R峰值之间的时间计算多个样本值;(iii)选择在先前心率值的第一阈值内的样本;以及(iv)将当前心率值设置为可被加权的所选样本的平均值。每个样本值可以与相邻R峰值之间的时间的倒数成比例。所述服务器可以响应于连续样本之间的差的标准偏差大于第三阈值来选择在先前心率值的第二阈值内的样本。所述服务器可以响应于样本数量小于第四阈值或响应于没有选择样本而将当前心率值设置为等于先前心率值。所述显示设备将一个或多个当前心率值传送给一个或多个用户。该系统可以实时或接近实时地操作,其中,所述显示设备被配置成在计算相应的后续心率值之前显示每个当前心率值,并且所述服务器在所述传感器完成测量用于计算所述后续心率值的读数的至少一部分或全部之前计算每个当前心率值。所述服务器可以通过以下步骤来计算初始心率值:接收比所述重叠段长的数字读数的初步段;识别所述初步段内的R峰值;基于相邻R峰值之间的时间计算样本值;以及计算可被加权的样本的平均值。
在又一方面,提供了一种用于测量心率的系统。该系统包括至少一个传感器,该至少一个传感器适于固定到受试者的皮肤、重要器官、肌肉、静脉、血液、血管、组织或骨骼系统,或者与受试者的皮肤、重要器官、肌肉、静脉、血液、血管、组织或骨骼系统接触,或者发送与受试者的皮肤、重要器官、肌肉、静脉、血液、血管、组织或骨骼系统有关或源自其的电子通信,并且被配置为测量受试者的身体中的一个或多个电信号、将模拟测量值转换为一个或多个数字读数、并且发送数字读数。服务器被配置为接收所述一个或多个数字读数,并且基于所述一个或多个数字读数的一个或多个重叠段通过以下步骤来计算一个或多个心率值:识别所述一个或多个重叠段内的R峰值;基于相邻R峰值之间的时间计算一个或多个样本值;在先前心率值的第一阈值内选择一个或多个样本;以及将当前心率值设置为所选样本的平均值。所述系统还包括被配置成显示一个或多个当前心率值的显示设备。
在又一方面,提供了一种用于测量一个或多个人的心率的方法。该方法包括从至少一个传感器接收读数、处理读数以及显示一个或多个结果的步骤。从所述一个或多个传感器接收第一段读数。然后识别第一段内的R峰值。然后,基于相邻R峰值之间的时间来计算多个第一样本值。例如,常数可以除以相邻R峰值之间的时间。选择所述多个第一样本值的第一子集,所述第一子集仅包括在先前心率值的第一阈值内的样本值。然后,基于样本值的第一子集的平均值来计算第一更新心率值。然后显示第一更新心率值。在以后的迭代中,可以从一个或多个传感器接收数字读数的第二段。可以通过将第二段附加到第一段来形成数字读数的第三段。然后可以识别第三段内的R峰值。可以基于相邻R峰值之间的时间来计算多个第二样本值。然后,可以计算连续样本之间的多个差。响应于所述差的标准偏差超过第二阈值,可以选择所述多个第二样本值的第二子集,所述第二子集仅包括所述第一更新心率值的第三阈值内的样本值。然后,可以基于采样值的第二子集的可被加权的平均值来计算和显示第二更新心率值。可以基于数字读数的初步段来计算初始心率值。
在又一方面,解决与信号质量有关的问题。在原始数据具有极低信噪比的情况下,可以在计算心率值之前应用附加的预滤波器逻辑。预滤波过程检测任何离群值,并且使用前瞻方法用在所生成的值的时间序列中对齐并且适合于预先建立的阈值/范围内的值来替换一个或多个离群值。这些在预先建立的阈值/范围内拟合的所生成的值将被传递通过系统以用于其对一个或多个心率值的计算。
在又一方面,提供了一种用于检测和替换从一个或多个传感器生成的一个或多个离群值的方法。该方法包括接收由所述一个或多个传感器直接或间接生成的一个或多个值的步骤。应用一个或多个统计测试来确定每个值的可接受的上限和/或下限。使用反向填充方法来用落在当前样本窗口中建立的可接受范围内的下一可用值替换一个或多个离群值。
附图说明
图1是心率测量和显示系统的示意图。
图2是示出具有增加的心率的人的ECG测量的曲线图。
图3是用于基于图1的系统中的数字化ECG测量的流来计算心率值的方法的流程图。
图4是用于执行图3的方法中的初始化步骤的流程图。
图5A和图5B示出了利用这里描述的系统和方法进行各种身体活动的人的心率测量。
具体实施方式
本文描述了本公开的实施例。然而,应当理解,所公开的实施例仅仅是示例,并且其他实施例可以采取各种和替代的形式。附图不必按比例绘制;一些特征可以被放大或最小化以示出特定部件的细节。因此,本文公开的具体结构和功能细节不应被解释为限制,而仅仅是教导本领域技术人员不同地使用本发明的代表性基础。如本领域普通技术人员将理解的,参考附图中的任何一个示出和描述的各种特征可以与一个或多个其他附图中示出的特征组合,以产生未明确示出或描述的实施例。所示特征的组合为典型应用提供代表性实施例。然而,对于特定应用或实施方案可能需要符合本公开的教示的特征的各种组合和修改。
还必须注意,如在说明书和所附权利要求书中使用的,单数形式“一”、“一个”和“该”包括多个引用,除非上下文另有明确指示。例如,以单数形式对部件的引用旨在包括多个部件。
术语“包括”与“包括有”、“具有”、“包含”或“特征为”同义。这些术语是包含性的和开放式的,并且不排除附加的、未提及的元件或方法步骤。
短语“组成”不包括权利要求中未指定的任何元件、步骤或成分。如果这一短语出现在权利要求正文的一个从句中,而不是紧接在序言之后,其只限制了该从句中所述的元素;其他元素也不排除在整个权利要求之外。
短语“基本上由...组成”将权利要求的范围限制为指定的材料或步骤,加上那些实质上不影响所要求保护的主题的基本和新颖特征的材料或步骤。
关于术语“包括”、“由...组成”和“基本上由...组成”,本文中使用这三个术语中的一个时,本公开和要求保护的主题可以包括使用其他两个术语中的任一个。
还应当理解,整数范围明确地包括所有中间整数。例如,整数范围1-10明确地包括1、2、3、4、5、6、7、8、9和10。类似地,范围1至100包括1、2、3、4、...、97、98、99、100。类似地,当要求任何范围时,可以将作为上限和下限之间的差除以10的增量的中间数作为可选的上限或下限。例如,如果范围为1.1至2.1,则可以选择以下数字1.2、1.3、1.4、1.5、1.6、1.7、1.8、1.9和2.0作为下限或上限。
术语“服务器”是指适于执行这里阐述的方法和功能的任何计算机、计算设备、移动电话、台式计算机、笔记本计算机或膝上型计算机、分布式系统、刀片、网关、交换机、处理设备或其组合。
图1示出了用于确定和显示受试者10的心率的系统。典型地,受试者10是人。然而,受试者可以是可以从其导出ECG相关数据的任何生物(例如,动物)。在细化中,受试者包括生物的一个或多个数字表示(例如,表示人工创建并与人或动物共享至少一个共同特征的人或动物的数据集),以及与人或其他动物共享一个或多个特征的一个或多个人工创建(例如,实验室培育的心脏,产生一个或多个类似于人类或动物心脏的电信号)。有利地,受试者是活动的,诸如从事运动或移动的人(例如,建筑工人、士兵、行走的个人、健身班的个人)。然而,用于确定和显示心率的系统可用于参与任何活动(例如,睡眠、坐)的任何受试者。取决于活动的性质,受试者的心率可在相对短的时间帧上显著变化。至少一个ECG传感器12和/或其一个或多个附件附接到受试者10或嵌入受试者10内,并且测量与心脏功能相关联的受试者身体(例如,皮肤)中的电变化。在细化中,至少一个ECG传感器和/或其一个或多个附件可以被附加到受试者、与受试者接触或发送与受试者有关或源自受试者的电子通信,所述受试者包括受试者的皮肤、眼球、重要器官或骨骼系统,驻留在受试者中、由受试者摄取、或者集成到直接或通过一个或多个中介与受试者接触或通信的纺织品、织物、布料、材料、固定装置、物体或装置中或作为其一部分,附着到其中或嵌入其中。示例包括经由粘合剂粘附到受试者的ECG传感器(因此充当传感器和受试者之间的中介)、集成或嵌入到受试者所穿的衬衫中的ECG传感器、集成到与受试者接触的方向盘中的ECG传感器、集成到视频游戏控制器中的ECG传感器、连接到一副眼镜并与受试者的耳朵接触的ECG传感器、集成到健身设备中的ECG传感器等。有利地,ECG传感器可以在单个传感器内具有多个传感器。在细化中,至少一个ECG传感器具有使至少一个传感器能够提供非ECG相关数据的其他感测能力。例如,ECG传感器还可以具有能够捕获和提供XYZ坐标的陀螺仪、加速计和磁力计。
至少一个传感器使一个或多个测量值数字化,并将数字化测量值发送到服务器14。可以使用一个或多个无线通信协议16将数字化测量值发送到服务器。虽然本发明不受传感器用来发送其信号的技术的限制,但是可以利用的这种无线通信协议包括蓝牙、Zigbee、Ant+和Wifi(无线网络)。在细化中,服务器作为单个单元或具有一个或多个附件的单元集成在传感器内或作为传感器的一部分、附加到传感器或与传感器组合,其可以通过有线或无线连接来发送数字化测量值。例如,收集一个或多个数字化测量值的传感器可以是手表,并且服务器可以位于手表的外壳内或者集成在包括手表的一个或多个手表部件内。在另一示例中,收集一个或多个数字化测量值的传感器和服务器可以位于眼镜的外壳内、附接到眼镜、或集成在包括眼镜的一个或多个眼镜部件内。
一个或多个通信协议可以是直接的,或者可以涉及一个或多个中间设备,以便测量值实时或接近实时地到达服务器。例如,可以利用一个或多个发送子系统来将数字化测量值发送到服务器14。发送子系统包括发送器和接收器或其组合(例如,收发器)。发送子系统可以包括接收器、发送器和/或具有单个天线或多个天线的收发器,其可以是网状网络的一部分。在细化中,发送器、接收器或收发器集成到至少一个或多个ECG传感器。在另一细化中,一个或多个发送子系统可以是可穿戴的,并且可以直接或经由一个或多个中介(例如,人所穿的衣服、设备)附接到受试者或与受试者接触。在又一细化中,一个或多个发送子系统包括体上或体内收发器(“体上收发器”),其可选地充当另一传感器或集成在至少一个ECG传感器内。体上收发器可操作以与目标受试者上的或跨一个或多个目标受试者的至少一个ECG传感器通信,并且可以跟踪除了ECG相关数据(例如,位置数据、水合数据、生物力学数据)之外的一个或多个类型的其他生物数据。在细化中,体上收发器被附着、集成或接触受试者的皮肤、重要器官、肌肉、骨骼系统、衣服、物体或受试者身体上的其他装置。有利地,体上收发器从受试者身体上的一个或多个ECG传感器实时或接近实时地收集数据,使用该特定传感器的一个或多个发送协议与每个传感器通信。在一种变型中,发送子系统可以包括或包含用于从人或物体上的至少一个ECG传感器连续流送的空中收发器。基于空中的发送子系统的示例包括但不限于一个或多个未命名的飞行器,其可以包括具有附接收发器的无人机和/或通信卫星。在2019年7月19日提交的美国第16/517,012号专利中公开了基于无人机的数据收集和分配系统的附加细节;该美国专利的全部公开内容通过引用合并于此。
优选地,每秒广播(例如,发送)250到1000个这样的测量值,但是可以根据所使用的至少一个传感器来增加或减少测量值。根据这些测量值,服务器14大约每秒计算一次心率值,但是这可以是可调参数。服务器14使用协议20将一个或多个心率值传送到显示器18。通常,显示器以可视形式传送信息。显示器可以包括多个显示器,包括该显示器。显示器可以被布置为由受试者10和/或其他人观看。有利地,显示器可以利用一个或多个其他机制来传送信息,包括经由音频或听觉格式(例如,心率测量的语言传送)、经由物理姿势(例如,提供与一个或多个心率测量相关的信息的物理振动)或其组合。协议20可以是无线协议或有线协议。在一些实施例中,显示器18和服务器14可以集成到单个物理设备中,诸如具有处理和显示能力的智能电话,或者其他计算设备(例如,AR/VR头戴式耳机)。术语“计算设备”通常指可以执行至少一个功能的任何设备,包括与另一计算设备通信。在细化中,一种计算设备包括可以执行程序步骤的中央处理单元和用于存储数据和程序代码的存储器。有利地,服务器14和/或显示器18可以由人10佩戴(例如,智能眼镜、手表)。
图2示出了ECG测量的示例性输出。注意,测量值遵循对于每个心跳重复的规则图案。重复图案中的不同点被标记为P、Q、R、S和T。R点由局部峰值指示。当1≤i≤n时,R峰值的时间标记为R_loci。连续R_loc时间之间的差在1≤i<n时被标记为心跳间隔i(IBIi)(对于图2所示的输出,n=6。)请注意,在图2所示的时间段结束附近,R峰值之间的时间比在间隔开始附近短。这表明个体的心率正在增加。当心率快速变化时计算心率比当心率稳定时计算心率更困难。虽然图2的曲线图示出了非常明显的R峰值,但实际测量值不一定如此清楚。在图1的系统中,在ECG信号中存在各种噪声源,诸如来自人的身体的移动的测量噪声、来自人或人的一部分上的伪影(例如,身体肌肉、身体脂肪)的噪声、传感器退化、导电性、环境条件和传输。
可以处理瞬时HR中的异常的方法之一是通过窗口方法。在下面的部分中描述了该方法的详细描述。可以使用诸如10秒(或更少)到5分钟(或更多)的特定持续时间的滑动窗口来查看ECG数据。其包含几个检测到的R峰值(心跳数)。在噪声信号中,这些心跳数中的一些可能是噪声峰值,从而导致非常高或非常低的HR离群值。通过分析这些值的分布,可以在HR计算之前接受或拒绝好的心跳数。为了更精细的分辨率和使用过去的HR信息,可以使用重叠的滑动窗口。这种方法对于避免HR的突然变化是非常有用和有效的。在细化中,滑动窗口的精确持续时间是可调参数,并且可以基于人工智能或机器学习技术进行调整,所述人工智能或机器学习技术查看先前收集的数据集以预测未来事件,所述未来发生可以基于包括受试者、受试者参与的活动、传感器和/或其组合的一个或多个参数。
图3示出了由服务器14执行的基于所接收的数字化ECG测量值流来计算心率值流的方法。该方法利用表示最近计算的心率值的参数Past_HR。在30,使该参数初始化。下面更详细地描述用于使Past_HR初始化的过程。在32,该方法收集大约10秒的ECG数据。要收集的数据的精确持续时间是可调参数。使用更长的周期可以使该方法对心率的快速变化的响应更小。使用太短的周期可能增加不计算更新的心率的方法的频率。在细化中,可以利用人工智能或机器学习技术来识别一个或多个模式,或者对一个或多个值进行加权,这可以使得能够利用更长的周期或更短的周期而不影响一个或多个心率值。在34,识别R峰值位置。已知用于该步骤的各种方法,包括发明人推荐的方法Pan-Thompkins算法。该步骤的结果是一系列的时间,R_loci、1≤i≤n。在36,该方法基于相邻R_loc值之间的时间来计算样本值的数量。具体地,每个样本值,即1≤i<n-1时的HRi,等于60除以相邻R_loc值之间的时间差。HRi样本值具有与受试者的心率相同的单位,每分钟心跳数,并且将有望落在相同的一般范围内。一些实施例可以使用不同但相关的样本值,例如IBI,在报告之前进行适当的转换。在38,该方法测试样本的数量是否超过预定义的最小值,例如10个。所需的样本数量是可调参数。如果没有足够数量的样本可用,则该方法分支到40并且报告先前的值而不计算更新的值。在细化中,可以基于先前收集的数据的至少一部分人为地生成(创建)一个或多个样本,以便计算更新的值。可以利用一个或多个人工智能和/或机器学习技术来生成人工数据,这可以涉及一个或多个神经网络的训练。在2019年9月6日提交的美国第62/897,064号专利中公开了用于生成模拟动物数据和模型的系统的附加细节;该美国专利的全部公开内容通过引用结合于此,并适用于在本公开中利用一个或多个人工智能和机器学习技术的其他参考文献和示例。
由于数字化ECG测量值的接收时间序列中的噪声,可能出现两种类型的峰值检测误差。第一种类型的误差是当没有检测到真正的峰值时。这类误差的结果是IBI值等于两个正确的IBI值之和。所得到的HRi值将显著小于正确的心率。第二种类型的误差是当检测到假峰值时。这类误差的结果是两个IBI值加起来就是一个正确的IBI值。所得到的两个HRi值各自大于正确的心率。对于任一类型的误差,所得到的假值不应包括在所报告的心率值的计算中。
如果样本的数量足够,则该方法选择在Past_HR阈值内的样本子集。阈值取决于样本差的标准偏差。在42,计算相邻样本之间的差,当1≤i<n-2时的Diffi。在44,计算HRi样本中的差的标准偏差并将其与第一阈值进行比较。发明人为该第一阈值推荐每分钟5次心跳的值,尽管这是可调参数。如果标准偏差小于第一阈值,则在46处基于样本是否在Past_HR的第二阈值内选择样本。发明人为该第二阈值推荐每分钟20次心跳的值,尽管这是可调参数。如果在44处标准偏差大于或等于第一阈值,则在48处基于样本是否在Past_HR的第三阈值内选择样本。发明人为该第三阈值推荐每分钟12次心跳的值,尽管这是可调参数。在50,该方法测试是否已经选择了任何样本。如果不是,则该方法分支到40并报告先前值而不计算更新值。
如果在50处选择了一些样本,则该方法在52处通过取所选样本的平均值(优选地是平均值)来计算Current_HR。然后,通过将该更新的心率值发送到显示单元来报告该更新的心率值。在54,Past_HR被设置为等于Current_HR。更新后的值将是在未来迭代中选择样本的基础。
在54处报告更新值或在40处报告先前值之后,该方法在56处收集大约一秒的附加ECG数据,并将附加数据附加到当前ECG数据窗口的末尾,该当前ECG数据窗口可以被称为段。在58,从ECG数据窗口中丢弃持续时间等于在56处添加的数据的ECG数据的最旧部分。如果更频繁或更不频繁地需要值,则可以调整56和58处的时间间隔。结果,来自先前迭代的大约90%的数据被包括在新的ECG数据窗口中。
图4描述了步骤30的初始化过程。在60,通过服务器收集大约两分钟的ECG数据。但是,这是一个可调参数。优选地,在人静止时收集该数据,使得心率相对恒定,并且人的运动不导致增加的信号噪声。在62,该方法使用例如Pan-Thompkins算法来识别所收集的ECG测量值流中的R峰值。在64,根据R峰值的时间,R_loci,来计算多个样本HRi值。在66,通过取HRi值的样本的平均值来计算初始Past_HR值。
图5A和图5B示出了利用这里描述的系统和方法进行各种身体活动的人的心率测量。在这些示例中,经由粘合剂固定到受试者胸部的单个引线传感器以每秒250个测量值的采样率生成原始数据(例如,模拟测量值),利用本文描述的系统和方法将该原始数据转换为心率测量值。图5A示出了壁球运动的心率测量值的比较,壁球运动是一种涉及人体高活动性移动的运动。线70示出了在比赛期间从用于专业壁球运动员的基于胸带的心率监测器导出的心率测量值,而线72示出了在同一比赛期间并利用本文描述的系统和方法经由单个导联传感器获得的专业壁球运动员的心率测量值。图5B示出了网球运动的心率测量值的比较,壁球运动是一种涉及人体高活动性移动的运动。线80示出了在训练阶段期间从用于专业网球运动员的基于胸带的心率监测器导出的心率测量值,而线82示出了在同一训练阶段期间并利用本文描述的系统和方法经由单个导联传感器获得的专业网球运动员的心率测量值。线84示出了线80与线82之间每分钟心跳的Δ差。
在细化中,可以同时或相继地利用两个或更多个传感器来提供必要的ECG相关读数以计算一个或多个心率测量值。例如,在计算心率测量值时,一个传感器可以放置在导联I位置,另一个传感器可以放置在导联II位置,并且另一个传感器可以放置在导联III位置,其中两个或更多个传感器与服务器通信、彼此通信、或者两者皆可,以根据由一个或多个传感器发送的数据的至少一部分来计算一个或多个心率测量值。
在大多数情况下,一个或多个传感器产生直接提供给服务器的模拟测量值(例如,原始AFE数据),其中服务器应用先前描述的方法来过滤数据并生成一个或多个心率值。然而,在数据具有极低信噪比的情况下,可能需要预过滤逻辑。发明人提出了一种预过滤方法,由此系统可以采取多个步骤来“固定”从传感器生成的数据,以确保生成的一个或多个数据值是干净的并且适合在预定范围内。该预过滤逻辑将消耗来自传感器的数据,检测任何离群值或“坏”值,用预期值或“好”值替换这些值,并传递“良好”值以用于其对一个或多个心率值的计算。通过“固定”,发明人指的是创建一个或多个替代数据值(即,“良好”值)以替换可能落在预先建立的阈值之外的值的能力,其中一个或多个“良好”数据值在所生成的值的时间序列中对齐并且在预先建立的阈值内拟合。这些步骤将在心率逻辑对接收到的数据采取行动以计算一个或多个HR值之前发生。
有利地,用于识别和替换一个或多个数据值的预过滤逻辑和方法可以应用于所收集的任何类型的传感器数据,包括原始输出和处理的输出。为了说明的目的,并且虽然诸如模拟测量(AFE)之类的原始数据可以被转换成诸如肌电图(EMG)信号之类的其他波形,但是发明人将关注其到ECG和HR值的转换。
如前所述,在从一个或多个传感器生成的AFE值的时间序列中的信噪比为零或接近于零或数值较小的情况下,预过滤逻辑变得重要。在这种情况下,在此描述的用于生成一个或多个心率值的系统和方法可以忽略一个或多个这样的值,这可以导致没有生成的心率值或者生成的心率值可能落在预先建立的参数、模式和/或阈值之外。这样的AFE值可以源自受试者采取增加一个或多个其他生理参数(例如,肌肉活动)的动作,或者源自从被引入或破坏连接的相同传感器导出的竞争信号,或者源自其他变量。这反过来又可能导致不一致的HR序列。
为了解决这个问题,发明人已经建立了一种方法,该方法使得能够通过查看未来值而不是先前生成的值来创建一个或多个数据值。更具体地,系统可以检测一个或多个离群信号值,并且用落在期望范围(例如,所建立的上界和下界)内的一个或多个信号值替换离群值,从而具有使序列平滑同时减小每个值之间的方差的效果。所建立的预期范围可以考虑多个不同的变量,包括个体、传感器的类型、一个或多个传感器参数、一个或多个传感器特性、一个或多个环境因素、个体的一个或多个特性、个体的活动等。预期范围还可以由一个或多个人工智能或机器学习技术来创建,所述人工智能或机器学习技术使用先前收集的传感器数据的至少一部分和/或其一个或多个导数,以及可能的一个或多个前述变量来预测预期范围可以是什么。预期范围还可以在一段时间内改变并且本质上是动态的,基于一个或多个变量(例如,人所从事的活动或环境条件)进行调整。在一种变型中,可以至少部分地利用一个或多个人工智能或机器学习技术来生成预期范围(例如,上限和下限)内的一个或多个模拟信号值,所述模拟信号值是从所收集的传感器数据的至少一部分和/或其来自一个或多个传感器的一个或多个导数导出的。
为了实现基于未来值创建一个或多个值的期望结果,系统首先对传感器的“正常”或“预期”AFE值中的一个或多个进行采样,并应用统计测试和探索性数据分析来确定由传感器生成的每个AFE值的可接受上限和下限,其可以包括离群值检测技术,如四分位范围(IQR)、分布和百分位数截止、峰度等等。可以通过利用先前收集的传感器数据的至少一部分来确定正常或预期AFE值。被认为是正常或预期AFE值的也可以因传感器、传感器参数、或者可以被考虑到被确定为正常或预期(例如,受试者、受试者从事的活动)的其他参数/特性而变化。
一旦识别出离群值,则预过滤逻辑随后使用反向填充方法来用落在当前样本窗口中的正常范围内的下一个可用值填充一个或多个异常值(即,落在可接受的下限和上限之外的AFE值)。这导致没有不可处理噪声的更干净和更可预测的时间序列的值。在细化中,通过利用人工智能或机器学习技术来产生一个或多个值,其中模型已被训练成在给定过去的AFE值序列的情况下预测下一个AFE值,和/或作为对一个或多个离群值的替换,以便使值序列落入正常范围内。在一种变型中,用户可以利用启发式或基于数学公式方法,其描述与从传感器产生的AFE信号类似的波形。
对于心率值,系统可以增加处理原始数据的预过滤逻辑所使用的数据量,以包括n秒值的AFE数据。随着用于识别QRS复合波的间隔数量的增加,系统收集和利用的数据量的增加使得系统能够创建HR生成值的更可预测的模式。这是因为HR是在一秒子间隔内计算的HR值的平均值。n秒数是可以是预定的或动态的可调参数。在细化中,人工智能或机器学习技术可用于基于一个或多个先前收集的数据集来预测生成落在给定范围内的一个或多个值所需的n秒AFE数据。
虽然数据的预处理可能不复制QRS复合波中可能的R峰值,但将一个或多个噪声值引入正常或预期信号的范围中允许生成HR值的下游滤波器和系统在没有质量信号的情况下产生落在预期范围内的一个或多个HR值。
在过去的许多年中,心率已经广泛地用于医疗以及消费者健康监测系统中。心率是自主神经系统(ANS)的无创测量。心率和监测在运动中被有效地用于训练和评估任何给定的表现。其还提供了有关有氧健身的见解。心率也用于广泛的各种应用中,例如优化训练和恢复、识别疾病风险、健康监测、死亡率和发病率等。另外,与其他数据集或推断耦合的心率测量可以提供与心率解释相关的附加值。例如,许多因素可以影响心率测量,包括应变和恢复,这可能导致对相同数据的多个解释。此外,与捕获心率测量值的上下文相关的信息可以是相关的(例如,在训练程序开始时捕获的心率测量值相对于训练程序中间捕获的心率测量值;体力消耗分布;训练负荷),以及收集的其他传感器数据(例如,肌肉相关数据、水合相关数据)和观察(例如,感知疲劳)。
心率测量值和/或其一个或多个导数的实时或接近实时监测可用于许多应用和广泛的各种行业,包括航空和太空旅行、医疗(例如医院)、制药、汽车、军事、体育、健身、市政当局(例如,警察、消防员)、医疗保健、金融、保险、制造、电信、食品和饮料、ICT、石油和天然气、个人健康、研究、企业健康等。例如,训练员或健身技术(例如,健身机)可基于计算的心率在训练期间调整运动员的锻炼模式。在训练或比赛期间,运动员可基于指示疲劳、次优表现或受伤风险的心率而休息。心率和/或其一个或多个导数可以用作用于诸如能量施加或压力标记的指示符的一部分。基于心脏的测量值和/或其一个或多个导数可以在体育下注应用中至少部分地用作下注/投注、用于进行下注/投注的信息、用于调整与下注/投注相关的赔率的信息、用于创建下注产品的输入、用于评估或计算概率(例如,个体将患有心脏病发作的可能性)的输入,作为策略的制定中的输入(例如,保险公司是否想要基于特定人的基于其心脏的测量为其投保)、作为减轻风险的输入(例如,对于保险公司,利用基于心脏的数据来决定不为某人投保或基于心脏的数据提高保费;对于医院,监测基于心脏的测量值,以确保一个人没有心脏病发作;对于太空旅行,监测基于心脏的数据,以确定受试者是否适合太空旅行)、作为媒体内容的输入(例如,使用您的团体健身班生成的基于心脏的测量值,在您的社交媒体或健身公司的在线社区中共享;使用心率数据作为专业体育或视频游戏内容的直播的一部分)、或作为促销中的输入。在2019年4月15日提交的美国第62/833,970号专利和2019年10月9日提交的美国第62/912,822号专利中公开了与具有可利用一个或多个心率测量值和/或其一个或多个导数的应用的动物数据预测系统有关的附加细节;这两项美国专利的全部公开内容通过引用合并于此。
在一种变型中,一个或多个基于心脏的测量值和/或其一个或多个导数的至少一部分用于实时或接近实时地监测或提供直接或间接地与一个或多个用户的健康相关的反馈。例如,一个或多个受试者可能想要全天在许多不同环境中(例如,在他们的家中、在工作时、在健身课时、在睡眠时)监测他们自己的基于心率的测量值,其中心率和/或其一个或多个导数(例如,表现区域)被实时或接近实时地显示。在另一示例中,航空公司可能想要监测其飞行员的心率或ECG,以更好地理解飞行员在飞行时的生理状况。作为与健康相关的飞行状态检查的一部分,太空旅行公司可能希望监测其乘客或机组人员的基于心脏的实时测量值。保险公司可能希望在锻炼或其他活动期间测量心率,以更好地理解其可能投保的个人的生理特征,并基于该数据调整保险费。建筑公司或石油和天然气公司可能希望监测其工人的实时心脏健康。军事组织可能想要监测其士兵的实时健康。退休机构或养老院可能想要监测其患者的心率测量值。出租车公司为了保险的目的可能想要监测与其驾驶员相关的生理数据。公司可能希望在工作时监测其员工的实时心率。健身平台,例如具有监视器/显示器的组合自行车、具有监视器/显示器的跑步机、或软件分析平台,可能想要在锻炼期间或锻炼之前或之后向其平台的用户提供实时心率反馈。在这些示例中,在一个或多个位置中的监测可以经由导出基于心脏的测量值的一个或多个传感器与在web浏览器内执行的应用之间的直接通信来发生。在2019年2月13日提交的美国第16/274,701号专利中公开了与应用于心率测量和/或其一个或多个导数的基于浏览器的生物数据跟踪系统和方法有关的附加细节;该美国专利的全部公开内容通过引用合并于此。在细化中,显示器将一个或多个心率测量值和/或其一个或多个导数传送给一个或多个用户,基于一个或多个基于心脏的测量值和/或其一个或多个导数的至少一部分,为一个或多个用户要采取的一个或多个动作提供一个或多个建议、指令或指示。例如,显示设备可以基于该数据为要采取的一个或多个动作提供一个或多个建议(例如,如果心率测量值太高,则“停止活动”;如果心率测量值或ECG不规则,则“去看医生”;如果受试者的心率测量信号表示潜在的健康问题,则启动呼叫紧急号码的动作,或者在显示设备上向用户(例如,受试者的配偶或医生)提供“呼叫紧急号码”警报。
在细化中,基于受试者的一个或多个基于心脏的测量值的至少一部分和/或其一个或多个导数,推荐、发起或采取一个或多个调整、改变、修改或动作。例如,用户(例如,汽车公司)可能想要监测车辆中的驾驶员或乘客的心率或ECG测量值,以确定车辆内的受试者的状态或状况。如果一个或多个心率测量值被解释为向驾驶员和/或乘客发出一个或多个潜在问题的信号(例如,如果乘客心脏病发作),则用户或车辆本身可以采取一个或多个校正动作(例如,停止汽车、将汽车靠边)。在另一示例中,监测受试者的心率的健身平台(例如,应用、互连的健身硬件和软件)可以基于心率测量值和/或其一个或多个导数实时或接近实时地进行调整(例如,跑步机可以根据基于心脏的目标的目标自主地减速或自动地加速;固定自行车可以基于受试者的心率自主地增加或减少难度)。在另一示例中,如果检测到人具有不规则测量值,则集成计算和显示设备可以采取动作来呼叫911。在又一示例中,保险公司可以应用上文阐述的任何系统,以基于受试者的基于心脏的测量值和/或其一个或多个导数来调整保险费。
在细化中,一个或多个受试者可以接收考虑以提供对其心率测量值的至少一部分和/或其一个或多个导数的访问。例如,运动员可以提供对他们的心率测量值和/或其一个或多个导数的访问,以供公众消费(例如,在实况体育广播中显示他们的心率数据),以换取对价(例如,金钱或有价值的东西)。在另一示例中,满足对从特定的人子集收集心率测量值感兴趣的研究组织的标准(例如,定义的年龄、体重、身高、医疗条件、社交习惯等)的人可以向研究组织提供对其心率测量值的访问,作为更大的群体研究的一部分(例如,该研究需要10,000个人,并且该人是10,000人中的1人)以换取对价。在另一示例中,健身平台(例如组合自行车/监视器、跑步机/监测器、健身机或软件分析平台)的一个或多个用户可以向对获取数据感兴趣的一个或多个当事人(例如,保险公司)提供其收集的心率测量值和/或其一个或多个导数,以交换提供回用户(例如,数据创建者)或数据权利持有者(例如,所有者)的对价,其可以是货币性质的或以另一形式提供(例如,折扣或免费接入健身平台、较低的保险费、其他免费或折扣优惠)。在2019年4月15日提交的美国第62/834,131号专利和2019年10月8日提交的美国第62/912,210号专利中公开了应用于心率测量值和/或其一个或多个导数的用于人类数据的货币化系统的附加细节;这两项美国专利的全部公开内容通过引用合并于此。
在细化中,一个或多个基于心脏的测量值和/或其一个或多个导数的至少一部分用于:(1)制定一个或多个策略;(2)提供一个或多个市场,在该一个或多个市场上可以进行一个或多个下注/投注;(3)通知一个或多个用户采取行动;(4)作为一个或多个值,在该一个或多个值上进行一个或多个下注/投注;(5)计算、修改或评估一个或多个概率或几率;(6)创建、增强或修改一个或多个产品;(7)作为一个或多个数据集或作为一个或多个模拟、应用或分析中使用的另一个或多个数据集的一部分;(8)在一个或多个模拟中,输出直接或间接与一个或多个用户接触;(9)作为一种或多种媒体或促销活动的投入;或(10)减轻一种或多种风险。产品可以包括可以获得、购买、销售、交易、许可、广告、评级、标准化、认证、租赁或分销的数据产品。
在另一细化中,心率测量值和/或其一个或多个导数可用于创建人工数据,该人工数据可经由一个或多个模拟并基于心率测量值和/或其一个或多个导数的至少一部分生成。人工数据可以用于许多应用,包括:(1)制定一个或多个策略;(2)提供一个或多个市场(例如,命题投注),在该一个或多个市场上可以进行一个或多个下注/投注;(3)通知一个或多个用户采取行动;(4)作为一个或多个值,在该一个或多个值上进行一个或多个下注/投注;(5)计算、修改或评估一个或多个概率或几率;(6)创建、增强或修改一个或多个产品;(7)作为一个或多个数据集或作为一个或多个模拟、应用或分析中使用的另一个或多个数据集的一部分;(8)在一个或多个模拟中,输出直接或间接与一个或多个用户接触;(9)作为一种或多种媒体或促销活动的投入;或(10)减轻一种或多种风险。有利地,可以利用至少部分地从心率测量值中导出的人工数据来预测未来事件或趋势。可以利用可以涉及一个或多个神经网络的训练的一个或多个人工智能和/或机器学习技术来生成人工数据。
在另一细化中,一个或多个经训练的神经网络能够利用先前收集的源自ECG的数据(例如心率测量值)来识别和/或分类数据中的一个或多个变化(例如,“有效”R-Peak vs“假”R-Peak检测),以便提供更精确和准确的心率测量值。例如,如果已经为任何给定活动中的个体收集了一个或多个ECG数据集,则可以训练一个或多个神经网络以识别和区分有效R-Peak和假R-Peak(或有噪声的R-Peak)。此外,可以训练一个或多个神经网络以生成人工心率测量值或基于真实心率测量值或所收集的ECG相关数据的其他ECG相关数据。例如,如果系统已经针对任何给定活动收集了与心率测量值相关的一个或多个数据集,则可以训练一个或多个神经网络以生成人工数据(例如,心率测量值),以通过具有调整一个或多个变量的能力来预测未来事件。如果已经收集了具有一个或多个变量(例如,85度温度、65%湿度、2000英尺高度)的任何给定运动员的生理数据集,包括心率测量值,则系统可以具有生成人工数据(例如,人工心率测量值)的能力,该人工数据包括由用户设置的一个或多个调整变量(例如,运行一个模拟,以了解运动员的心率测量值在95度高温和85度高温下的表现)。可以利用包括生成对抗网络(GAN)在内的任何数量的方法来训练神经网络。GAN是由两个神经网络组成的深度神经网络架构,两个神经网络是一个对另一个(对抗性的)。利用GAN,生成器生成可以包括一个或多个新数据集的一个或多个新数据值,而鉴别器基于一个或多个用户定义的标准来评估一个或多个新值,以证明、验证或认证新创建的值。在2019年9月6日提交的美国第62/897,064号专利中公开了用于生成模拟动物数据和模型的系统的附加细节;该美国专利的全部公开内容通过引用合并于此。
在细化中,一个或多个模拟中的一个或多个变量可以由一个或多个用户确定,并且一个或多个模拟的输出可以被分发到一个或多个用户以换取对价。
虽然以上描述了示例性实施例,但这些实施例并不旨在描述权利要求所涵盖的所有可能形式。说明书中使用的词语是描述性词语而不是限制性词语,并且应当理解,在不脱离本公开的精神和范围的情况下,可以进行各种改变。如先前所描述,各种实施例的特征可经组合以形成本发明的可不明确描述或说明的其他实施例。虽然相对于一个或多个期望的特性,各种实施例可以被描述为提供优势或优于其他实施例或现有技术实现,但是本领域普通技术人员认识到,可以折衷一个或多个特征或特性以实现期望的总体系统属性,这取决于具体应用和实现。因此,相对于一个或多个特性描述为不如其它实施例或现有技术实现方式所期望的实施例不在本公开的范围之外,并且可能是特定应用所期望的。
Claims (26)
1.一种用于测量心率的系统,该系统包括:
至少一个传感器,其被配置为测量受试者身体中的电信号,将一个或多个模拟测量值转换为一个或多个数字读数,并发送所述一个或多个数字读数;
服务器,该服务器被配置为接收所述一个或多个数字读数,并基于所述一个或多个数字读数的一个或多个重叠段通过以下步骤来计算心率:识别所述一个或多个重叠段内的R峰值,基于相邻R峰值之间的时间计算一个或多个样本值,丢弃受错误峰值检测或错过峰值检测影响的一个或多个样本,以及计算剩余样本值的一个或多个平均值;以及
显示设备,该显示设备被配置为显示所述剩余样本值的一个或多个平均值。
2.根据权利要求1所述的系统,其中,所述服务器响应于给定样本值与先前心率值相差大于第一阈值,来确定一个或多个样本受到错误峰值检测或错过峰值检测的影响。
3.根据权利要求2所述的系统,其中,响应于一个或多个样本之间的差的标准偏差大于第二阈值,所述服务器响应于所述样本值与所述先前心率值相差大于不同于所述第一阈值的第三阈值而确定所述一个或多个样本受到错误峰值检测或缺失峰值检测的影响。
4.根据权利要求3所述的系统,其中,所述第三阈值小于所述第二阈值。
5.根据权利要求1所述的系统,其中,一个或多个基于心脏的测量值和/或其一个或多个导数的至少一部分用于:(1)制定一个或多个策略;(2)提供一个或多个市场,在该一个或多个市场上可以进行一个或多个下注;(3)通知一个或多个用户采取行动;(4)作为一个或多个值,在该一个或多个值上进行一个或多个下注;(5)计算、修改或评估一个或多个概率或几率;(6)创建、增强或修改一个或多个产品;(7)作为一个或多个数据集或作为一个或多个模拟、应用或分析中使用的另一个或多个数据集的一部分;(8)在一个或多个模拟中,输出直接或间接与一个或多个用户接触;(9)作为一种或多种媒体或促销活动的投入;或(10)减轻一种或多种风险。
6.根据权利要求1所述的系统,其中,一个或多个基于心脏的测量值和/或其一个或多个导数的至少一部分用于:实时或接近实时地监测或提供直接或间接地与一个或多个用户的健康相关的反馈。
7.根据权利要求1所述的系统,其中,所述显示设备基于所述一个或多个基于心脏的测量值和/或其一个或多个导数的至少一部分,为一个或多个用户要采取的一个或多个动作提供一个或多个建议、指令或指示。
8.根据权利要求1所述的系统,其中,基于受试者的一个或多个基于心脏的测量值的至少一部分和/或其一个或多个导数,推荐、发起或采取一个或多个调整、改变、修改或动作。
9.一种用于测量心率的系统,该系统包括:
至少一个传感器,该至少一个传感器适于固定到受试者的皮肤、重要器官、肌肉、静脉、血液、血管、组织或骨骼系统,或者与受试者的皮肤、重要器官、肌肉、静脉、血液、血管、组织或骨骼系统接触,或者发送与受试者的皮肤、重要器官、肌肉、静脉、血液、血管、组织或骨骼系统有关或源自其的电子通信,并且被配置为测量受试者的身体中的一个或多个电信号、将模拟测量值转换为一个或多个数字读数、并且发送数字读数;
服务器,该服务器被配置为接收所述一个或多个数字读数,并且基于所述一个或多个数字读数的一个或多个重叠段通过以下步骤来计算一个或多个心率值:识别所述一个或多个重叠段内的R峰值,基于相邻R峰值之间的时间计算一个或多个样本值,在先前心率值的第一阈值内选择一个或多个样本,以及将当前心率值设置为所选样本的平均值;以及
显示设备,该显示设备被配置成显示一个或多个当前心率值。
10.根据权利要求9所述的系统,其中,所述显示设备在计算相应的后续心率值之前显示每个当前心率值。
11.根据权利要求10所述的系统,其中,在所述至少一个传感器完成测量用于计算后续心率值的一个或多个数字读数的至少一部分之前,所述服务器计算每个当前心率值。
12.根据权利要求9所述的系统,其中,所述服务器响应于连续样本之间的差的标准偏差大于第三阈值,来选择在先前心率值的第二阈值内的样本。
13.根据权利要求9所述的系统,其中,所述服务器响应于样本数量小于第四阈值而将所述当前心率值设置为等于所述先前心率值。
14.根据权利要求9所述的系统,其中,所述服务器响应于没有选择样本而将所述当前心率值设置为等于所述先前心率值。
15.根据权利要求9所述的系统,其中,每个样本值与相邻R峰值之间的时间的倒数成比例。
16.根据权利要求9所述的系统,其中,所述服务器通过以下步骤来计算初始心率值:接收比所述一个或多个重叠段长的数字读数的初步段;识别所述初步段内的R峰值;基于相邻R峰值之间的时间计算样本值;以及计算样本的平均值。
17.根据权利要求9所述的系统,其中,基于先前收集的数据的至少一部分并利用一种或多种人工智能或机器学习技术,来人工生成一个或多个样本。
18.一种用于测量人的心率的方法,该方法包括以下步骤:
从至少一个传感器接收第一数字读数段;
识别所述第一数字读数段内的R峰值;
基于相邻R峰值之间的时间来计算多个第一样本值;
选择所述多个第一样本值的第一子集,所述第一子集仅包括在先前心率值的第一阈值内的样本值;
基于所述多个第一样本值的第一子集的平均值来计算第一更新心率值;以及
显示所述第一更新心率值。
19.根据权利要求18所述的方法,所述方法进一步包括:
从至少一个传感器接收第二数字读数段;
通过将所述第二数字读数段附加到所述第一数字读数段来形成第三数字读数段;
识别所述第三数字读数段内的R峰值;
基于相邻R峰值之间的时间来计算多个第二样本值;
选择所述多个第二样本值的第二子集,所述第二子集仅包括在所述第一更新心率值的第一阈值内的样本值;
基于所述多个第二样本值的第二子集的平均值来计算第二更新心率值;以及
显示所述第二更新心率值。
20.根据权利要求18所述的方法,所述方法进一步包括:
从至少一个传感器接收第二数字读数段;
通过将所述第二数字读数段附加到所述第一数字读数段,来形成第三数字读数段;
识别所述第三数字读数段内的R峰值;
基于相邻R峰值之间的时间来计算多个第二样本值;
计算连续样本之间的多个差;
响应于所述差的标准偏差超过第二阈值,选择所述多个第二样本值的第二子集,所述第二子集仅包括所述第一更新心率值的第三阈值内的样本值;
基于所述多个第二样本值的第二子集的平均值来计算第二更新心率值;以及
显示所述第二更新心率值。
21.根据权利要求18所述的方法,其中,计算所述多个第一样本值包括将常数除以相邻R峰值之间的时间。
22.根据权利要求18所述的方法,所述方法进一步包括:通过以下步骤计算初始心率值:
接收数字读数的初步段;
识别所述数字读数的初步段内的R峰值;
基于相邻R峰值之间的时间计算样本值;以及
计算所述样本值的平均值。
23.一种用于检测和替换从一个或多个传感器生成的一个或多个离群值的方法,所述方法包括以下步骤:
接收由所述一个或多个传感器直接或间接生成的一个或多个值;
应用一个或多个统计测试来确定每个值的可接受的上限和/或下限;以及
利用反向填充方法来用落在当前样本窗口中建立的可接受范围内的下一可用值替换一个或多个离群值。
24.根据权利要求23所述的方法,其中,一个或多个离群值的检测和/或上限和/或下限的建立考虑了以下变量中的至少一个:受试者的一个或多个特性、传感器的类型、一个或多个传感器参数、一个或多个传感器特性、一个或多个环境因素、或者受试者参与的一个或多个活动。
25.根据权利要求24所述的方法,其中,至少部分地利用使用先前收集的传感器数据和/或其一个或多个导数的至少一部分以及至少一个变量的一个或多个人工智能或机器学习技术,来检测所述一个或多个离群值,或者创建或调整上限和/或下限。
26.根据权利要求23所述的方法,其中,至少部分地使用一个或多个人工智能或机器学习技术,来在上限和下限内生成从先前收集的传感器数据和/或其一个或多个导数的至少一部分导出的一个或多个人工值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/246,923 | 2019-01-14 | ||
US16/246,923 US20200221958A1 (en) | 2019-01-14 | 2019-01-14 | System for measuring heart rate |
PCT/US2020/013461 WO2020150203A1 (en) | 2019-01-14 | 2020-01-14 | System for measuring heart rate |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113573627A true CN113573627A (zh) | 2021-10-29 |
Family
ID=71518018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080009256.2A Pending CN113573627A (zh) | 2019-01-14 | 2020-01-14 | 用于测量心率的系统 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20200221958A1 (zh) |
EP (1) | EP3911226A4 (zh) |
JP (1) | JP2022523631A (zh) |
KR (1) | KR20210124250A (zh) |
CN (1) | CN113573627A (zh) |
CA (1) | CA3126763A1 (zh) |
WO (1) | WO2020150203A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113892930A (zh) * | 2021-12-10 | 2022-01-07 | 之江实验室 | 一种基于多尺度心率信号的面部心率测量方法和装置 |
CN114027847A (zh) * | 2021-11-17 | 2022-02-11 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
TWI790910B (zh) * | 2022-01-28 | 2023-01-21 | 興友科技股份有限公司 | 體組成分析儀之資料整合系統 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11850053B2 (en) | 2019-01-14 | 2023-12-26 | Sports Data Labs, Inc. | System for measuring heart rate |
GB2602646A (en) * | 2021-01-07 | 2022-07-13 | Prevayl Innovations Ltd | Method and system for correcting an array of candidate peaks identified from a heartrate signal |
GB2606140A (en) * | 2021-04-21 | 2022-11-02 | Prevayl Innovations Ltd | Method and system for correcting heartrate values derived from a heart rate signal |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11151231A (ja) * | 1997-11-20 | 1999-06-08 | Nissan Motor Co Ltd | 車両用精神疲労度判定装置 |
JP2002078695A (ja) * | 2000-09-08 | 2002-03-19 | Osaka Gas Co Ltd | 心電図計測装置 |
US20040228217A1 (en) * | 2003-05-13 | 2004-11-18 | Century Ocean Corporation Limited | Devices and methods for heart rate measurement and wrist-watch incorporating same |
US20070219455A1 (en) * | 2003-03-26 | 2007-09-20 | Wong Lid B | Instantaneous Autonomic Nervous Function and Cardiac Predictability Based on Heart and Pulse Rate Variability Analysis |
US20100280402A1 (en) * | 2009-04-30 | 2010-11-04 | Texas Instruments Incorporated | Method and Apparatus for Heart Rate Monitoring |
US20120271185A1 (en) * | 2011-04-22 | 2012-10-25 | Rick Sanghera | Robust Rate Calculation in an Implantable Cardiac Stimulus or Monitoring Device |
US20140073979A1 (en) * | 2012-04-11 | 2014-03-13 | Salvatore Richard Inciardi | eCard ECG Monitor |
US20140275960A1 (en) * | 2013-03-13 | 2014-09-18 | David R. Hubbard | Functional magnetic resonance imaging biomarker of neural abnormality |
US20150164411A1 (en) * | 2013-12-13 | 2015-06-18 | Vital Connect, Inc. | Automated prediction of apnea-hypopnea index using wearable devices |
CN107205679A (zh) * | 2014-10-31 | 2017-09-26 | 意锐瑟科技公司 | 无线生理监测装置和系统 |
US20180078219A1 (en) * | 2016-09-22 | 2018-03-22 | Vital Connect, Inc. | Generating automated alarms for clinical monitoring |
US20180125385A1 (en) * | 2015-05-20 | 2018-05-10 | University Health Network | Method and system for assessing qrs components and the risk of ventricular arrhythmias |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011015935A1 (en) * | 2009-08-03 | 2011-02-10 | Diacoustic Medical Devices (Pty) Ltd | Medical decision support system |
US10555677B2 (en) * | 2013-08-23 | 2020-02-11 | Medicus Engineering Aps | Method and device for improving prediction and detection of change in a physiological condition |
-
2019
- 2019-01-14 US US16/246,923 patent/US20200221958A1/en active Pending
-
2020
- 2020-01-14 JP JP2021540503A patent/JP2022523631A/ja active Pending
- 2020-01-14 WO PCT/US2020/013461 patent/WO2020150203A1/en unknown
- 2020-01-14 CN CN202080009256.2A patent/CN113573627A/zh active Pending
- 2020-01-14 CA CA3126763A patent/CA3126763A1/en active Pending
- 2020-01-14 KR KR1020217025017A patent/KR20210124250A/ko unknown
- 2020-01-14 EP EP20742114.0A patent/EP3911226A4/en active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11151231A (ja) * | 1997-11-20 | 1999-06-08 | Nissan Motor Co Ltd | 車両用精神疲労度判定装置 |
JP2002078695A (ja) * | 2000-09-08 | 2002-03-19 | Osaka Gas Co Ltd | 心電図計測装置 |
US20070219455A1 (en) * | 2003-03-26 | 2007-09-20 | Wong Lid B | Instantaneous Autonomic Nervous Function and Cardiac Predictability Based on Heart and Pulse Rate Variability Analysis |
US20040228217A1 (en) * | 2003-05-13 | 2004-11-18 | Century Ocean Corporation Limited | Devices and methods for heart rate measurement and wrist-watch incorporating same |
US20100280402A1 (en) * | 2009-04-30 | 2010-11-04 | Texas Instruments Incorporated | Method and Apparatus for Heart Rate Monitoring |
US20120271185A1 (en) * | 2011-04-22 | 2012-10-25 | Rick Sanghera | Robust Rate Calculation in an Implantable Cardiac Stimulus or Monitoring Device |
US20140073979A1 (en) * | 2012-04-11 | 2014-03-13 | Salvatore Richard Inciardi | eCard ECG Monitor |
US20140275960A1 (en) * | 2013-03-13 | 2014-09-18 | David R. Hubbard | Functional magnetic resonance imaging biomarker of neural abnormality |
US20150164411A1 (en) * | 2013-12-13 | 2015-06-18 | Vital Connect, Inc. | Automated prediction of apnea-hypopnea index using wearable devices |
CN107205679A (zh) * | 2014-10-31 | 2017-09-26 | 意锐瑟科技公司 | 无线生理监测装置和系统 |
US20180125385A1 (en) * | 2015-05-20 | 2018-05-10 | University Health Network | Method and system for assessing qrs components and the risk of ventricular arrhythmias |
US20180078219A1 (en) * | 2016-09-22 | 2018-03-22 | Vital Connect, Inc. | Generating automated alarms for clinical monitoring |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114027847A (zh) * | 2021-11-17 | 2022-02-11 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
CN114027847B (zh) * | 2021-11-17 | 2023-05-05 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
CN113892930A (zh) * | 2021-12-10 | 2022-01-07 | 之江实验室 | 一种基于多尺度心率信号的面部心率测量方法和装置 |
CN113892930B (zh) * | 2021-12-10 | 2022-04-22 | 之江实验室 | 一种基于多尺度心率信号的面部心率测量方法和装置 |
TWI790910B (zh) * | 2022-01-28 | 2023-01-21 | 興友科技股份有限公司 | 體組成分析儀之資料整合系統 |
Also Published As
Publication number | Publication date |
---|---|
CA3126763A1 (en) | 2020-07-23 |
JP2022523631A (ja) | 2022-04-26 |
US20200221958A1 (en) | 2020-07-16 |
WO2020150203A1 (en) | 2020-07-23 |
KR20210124250A (ko) | 2021-10-14 |
EP3911226A1 (en) | 2021-11-24 |
EP3911226A4 (en) | 2022-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113573627A (zh) | 用于测量心率的系统 | |
US11375948B2 (en) | Methods and systems for providing a preferred fitness state of a user | |
US11246531B2 (en) | Fatigue measurement in a sensor equipped garment | |
US9101261B2 (en) | Method, medium, and apparatus generating health state based avatars | |
US20240099639A1 (en) | System for measuring heart rate | |
AU2019202009A1 (en) | Multivariate residual-based health index for human health monitoring | |
US20190046839A1 (en) | Muscle stress measurement in a sensor equipped garment | |
US20070219059A1 (en) | Method and system for continuous monitoring and training of exercise | |
US20190046107A1 (en) | Exercise application based on muscle stress measurement | |
EP2842491A1 (en) | Device for calculating amount of retained physical activity, method for calculating amount of retained physical activity and system for calculating amount of retained physical activity | |
Montoye et al. | Comparative accuracy of a wrist-worn activity tracker and a smart shirt for physical activity assessment | |
Beh et al. | MAUS: A dataset for mental workload assessmenton N-back task using wearable sensor | |
US11488702B2 (en) | System and method for improving cardiovascular health of humans | |
CN110025321B (zh) | 一种心理压力评估方法及相关设备 | |
WO2017160186A1 (ru) | Способ непрерывного контроля уровня напряженного состояния человкеа | |
EP3376947A1 (en) | Systems and methods for adaptable presentation of sensor data | |
Dahmen et al. | Using wrist-worn sensors to measure and compare physical activity changes for patients undergoing rehabilitation | |
Whitlock et al. | A-spiro: Towards continuous respiration monitoring | |
Gajda et al. | Sports heart monitors as reliable diagnostic tools for training control and detecting arrhythmias in professional and leisure-time endurance athletes: an expert consensus statement | |
US10586619B1 (en) | System and method for improving cardiovascular health of humans | |
Dissanayake et al. | CompRate: Power efficient heart rate and heart rate variability monitoring on smart wearables | |
CN108882883A (zh) | 对副交感自主神经系统和交感自主神经系统的同时和独立活动进行测量、相关和分析的方法和系统 | |
Merrigan et al. | Validation of Garmin and Polar devices for continuous heart rate monitoring during common training movements in tactical populations | |
Hoevenaars et al. | Accuracy of heart rate measurement by the fitbit charge 2 During wheelchair activities in people With spinal cord injury: Instrument validation study | |
De Pessemier et al. | Heart rate monitoring and activity recognition using wearables |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40063131 Country of ref document: HK |