CN113966193A - 心震描记法中的心肺适能的多参数估计 - Google Patents
心震描记法中的心肺适能的多参数估计 Download PDFInfo
- Publication number
- CN113966193A CN113966193A CN202080041548.4A CN202080041548A CN113966193A CN 113966193 A CN113966193 A CN 113966193A CN 202080041548 A CN202080041548 A CN 202080041548A CN 113966193 A CN113966193 A CN 113966193A
- Authority
- CN
- China
- Prior art keywords
- determining
- signal feature
- measure
- window
- signal
- 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
- 230000002612 cardiopulmonary effect Effects 0.000 title claims abstract description 35
- 238000013155 cardiography Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000002802 cardiorespiratory effect Effects 0.000 claims abstract description 41
- 210000001765 aortic valve Anatomy 0.000 claims abstract description 22
- 210000000779 thoracic wall Anatomy 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 230000002107 myocardial effect Effects 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims description 41
- 230000003205 diastolic effect Effects 0.000 claims description 31
- 210000004115 mitral valve Anatomy 0.000 claims description 17
- 210000000038 chest Anatomy 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 22
- 230000000747 cardiac effect Effects 0.000 description 21
- 238000012935 Averaging Methods 0.000 description 15
- 230000009467 reduction Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000000513 principal component analysis Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000036284 oxygen consumption Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000007488 abnormal function Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000009429 distress Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000002027 skeletal muscle Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010049874 Cardio-respiratory distress Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000002565 arteriole Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000009084 cardiovascular function Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000001052 transient 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physical Education & Sports Medicine (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Vascular Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
所提出技术涉及心肺适能的量化。所述量化包括：获得(102)利用加速度计(14)记录的心震图(SCG)，所述加速度计被配置为测量由心肌运动引起的人(18)的胸壁的加速度和振动。确定(104)所述心震图(SCG)中的第一信号特征(AC)的属性，其中所述第一信号特征(AC)对应于心跳的主动脉瓣关闭(AC)。然后基于第一信号特征(AC)的属性确定(106)指示心肺适能的量度(VO2max)。
Description
技术领域
所提出技术整体涉及健身应用，并且特别地涉及用于确定心肺适能的指标的方法和系统。
背景技术
心肺适能是指循环和呼吸系统向肌肉供应氧气的能力。所述术语通常用于在持续的身体活动期间专门为骨骼肌供应氧气的能力，因此可以将其视为心血管适能的子集。
心肺适能受生理参数影响，所述生理参数包括心率、每搏量、心输出量和最大耗氧量。定期锻炼使这些系统通过以下方式更有效：扩大心肌，使得每次心搏能够泵出更多的血液，并增加经训练的骨骼肌中小动脉的数量。
心肺适能的常见量度是对应于在强度增加的锻炼期间测量的最大耗氧率的VO2max。有时，所述量度通过体重来归一化。
存在对可以给出心肺适能或VO2max的指标的低成本且便携式技术的临床需求和消费者需求两者。
心震描记法是对心震图(SCG)的分析，所述心震图示出由跳动的心脏引起的胸壁处的亚声频低频振动。更一般地，心震描记法通常涉及由心肌运动产生的胸壁加速度的非侵入性测量。心音是胸壁振动的可听成分，所述可听成分通常高于40-60Hz，而SCG振动通常低于25Hz。
通常使用加速度计测量心震图(SCG)。然而，当使用加速度计时，对低频心震描记法成分和可听成分两者同时进行采样。然后通常对来自加速度计的信号进行滤波，使得其不包含任何可听成分。
SCG揭示了不同的心血管功能，通过这些功能可以确定心肺适能。例如，心震描记法通常适用于估计心动周期中的特征之间的时间间隔。
加速度计信号由跳动的心脏所引起的高强度低频振动支配。如果使用例如40Hz的上限截止频率对加速度计信号进行低通滤波，则心音的影响将被去除。在所过滤的信号或SCG信号中，心脏周期的主要特征是二尖瓣关闭(MC)、等容运动(IM)、主动脉瓣打开(AO)、等容收缩(IC)、快速射血(RE)、主动脉瓣关闭(AC)、二尖瓣打开(MO)以及快速充盈(RF)。
发明内容
目的
本发明的一个目的是满足对可以给出心肺适能的指标的技术，并且特别地具有这种能力并且廉价且便携式的技术的上述需求。
概述
根据所提出技术的第一方面，上述目的通过一种方法实现，所述方法包括：获得利用加速度计记录的心震图(SCG)，所述加速度计被配置为测量由心肌运动引起的人的胸壁的加速度和振动。所述方法还包括：确定心震图(SCG)中的或来自心震图的第一信号特征(AC)的属性，其中第一信号特征对应于心跳或心动周期的主动脉瓣关闭或与所述主动脉瓣关闭相关。所述方法可以用于量化心肺适能或确定心肺适能的指标。所述方法还可以包括：基于第一信号特征的属性确定指示心肺适能或确定心肺适能的指标的量度(VO2max)。
在此，获得心震图并未指定获得心震图的来源或获得方式。应当理解，所述方式包括例如从数据存储装置或直接从加速度计下载，以及加速度计的主动使用。替代获得心电图的具体步骤，所提出技术的第一方面可以涉及一种方法，所述方法用于从利用加速度计记录的心震图(SCG)量化心肺适能或确定心肺适能的指标，所述加速度计被配置为测量由心肌运动引起的人的胸壁的加速度和振动。
所提出技术的核心是认识到与主动脉瓣关闭(AC)相对应的心震图(SCG)中的信号特征可用于确定心肺适能。心震图可涵盖多次心跳、单次心跳或心跳的一部分，诸如心跳的舒张段。应当理解，第一信号特征可以对应于单次心跳或平均心跳的主动脉瓣关闭(AC)。心跳在此被理解为包括完整的心动周期。还应理解，信号特征可以是联合特征的复合体，例如连接到周围局部最小值的单个峰。
在此，以及贯穿这些规范，确定或量化指示心肺适能的量度被理解为不能清楚且明确地指示异常的心血管或心肺功能、状况或结构，或者心血管或心肺病症或疾病。然而，确定指示心肺适能的量度被理解为包括确定有氧适能的指标，诸如最大耗氧量或摄取量(VO2max)。自然地，该量度可能会受到心脏的某些异常功能的间接影响，诸如病症或疾病。然而，指示心肺适能的量度(VO2max)并不指向特定的异常功能，并且因此不构成诊断量度。
加速度计可以包括压电元件。信号可以表示由压电元件生成的电压。因此，时间特征的信号强度或振幅可以表示时间特征的电压值。应当理解，来自加速度计的输出不包括任何可听成分。例如，所记录信号可已用具有低于100Hz、60Hz、40Hz、20Hz、10Hz或5Hz的上限截止频率的低通滤波器进行滤波。
在所提出技术的第二方面中，提供了一种系统，其包括：加速度计，所述加速度计被配置为放置在人的胸部上，用于测量由心肌运动引起的人的胸壁的加速度和振动。所述系统还包括可操作地连接到加速度计的处理器，其中处理器被配置为执行根据所提出技术的第一方面的方法的任何步骤。所述系统可以用于量化心肺适能或确定心肺适能的指标。
在所提出技术的第三方面中，提供了一种系统，其包括：加速度计，所述加速度计被配置为放置在人的胸部上，用于测量由心肌运动引起的人的胸壁的加速度和振动并获得心震图(SCG)。所述系统还包括：第一确定模块，其确定心震图(SCG)中的或来自心震图的第一信号特征的属性，其中第一信号特征对应于心跳的主动脉瓣关闭或与主动脉瓣关闭相关。所述系统可以用于量化心肺适能或确定心肺适能的指标。所述系统还可以包括：第二确定模块，所述第二确定模块基于第一信号特征的属性确定指示心肺适能或确定心肺适能的指标的量度(VO2max)。
在所提出技术的第四方面中，提供了一种用于在系统中使用的计算机程序产品。所述系统可以用于量化心肺适能或确定心肺适能的指标。所述系统包括：加速度计，所述加速度计被配置为放置在人的胸部上，用于测量由心肌运动引起的人的胸壁的加速度和振动，以及可操作地连接到加速度计的处理器。计算机程序产品包括程序代码指令，所述程序代码指令被配置为在由系统的处理器执行时致使处理器或系统：执行根据所提出技术的第一方面的方法的任何步骤。
在第五方面中，提供了一种非瞬态存储器，在其上存储根据所提出技术的第四方面的计算机程序产品。
下文描述了本发明的技术的其他任选细节。
详细描述
确定指示心肺适能的量度(VO2max)可以进一步基于经训练的第一机器学习模型。确定指示心肺适能的量度(VO2max)可以包括提供或加载第一机器学习模型。第一机器学习模型可以根据与第一信号特征(AC)的属性在操作上类似的信号特征的属性来训练。步骤还可以包括：通过将第一信号特征(AC)的属性应用或输入到第一机器学习模型中来确定指示心肺适能的量度(VO2max)。术语“在操作上类似”被理解为在训练中使用的信号特征的属性以与第一信号特征(AC)的属性相同的方式定义或生成，或具有相同的一般属性。
更一般地说，确定指示心肺适能的量度(VO2max)可以包括或由以下组成：提供被训练以基于第一信号特征(AC)的属性确定指示心肺适能的量度(VO2max)的第一机器学习模型；以及将第一信号特征(AC)的属性应用或输入到第一机器学习模型。更一般地说，确定指示心肺适能的量度(VO2max)可以包括：通过将第一信号特征(AC)的属性应用到经训练的第一机器学习模型来确定指示心肺适能的量度(VO2max)。
确定第一信号特征的属性可以包括：确定心震图(SCG)的多个段，确定所述多个段中的一个或多个带噪声段，以及丢弃带噪声段。未丢弃的段包括第一信号特征，并且第一信号特征是在未丢弃的段中确定的。段可以包括舒张段和/或收缩段。舒张段被理解为心震图(SCG)的对应于心动周期的舒张部分的段。类似地，收缩段被理解为心震图(SCG)的对应于心动周期的收缩部分的段。
确定第一信号特征的属性可以包括：识别第一信号特征的一个或多个(第一)基准点或参考点。可以进一步基于一个或多个(第一)基准点确定指示心肺适能的量度。基准点可以包括：第一信号特征的局部最大值(ACmax)，和/或紧接在局部最大值(ACmax)之前的第一局部最小值(ACmin)。应当理解，第一局部最小值和第二局部最小值可以对应于心动周期中的特定状态。例如，第二局部最小值可以对应于二尖瓣打开(MO)。
下文描述第一信号特征的多个属性或子特征。所述属性用于确定指示心肺适能的量度。已经发现，每个属性都有助于量化，并且应当理解，所述属性可以单独使用或相互组合使用。优选地，下文提到的所有子特征都用在相同的方法中。
因此，确定第一信号特征的属性还可以包括：确定局部最大值(ACmax)与紧接在第一信号特征的局部最大值(ACmax)之前的第一局部最小值(ACmin)之间的振幅差(ACPeakToPeak)。确定指示心肺适能的量度(VO2max)然后可以进一步基于振幅差(ACPeakToPeak)，或者振幅差(ACPeakToPeak)可以构成第一信号特征(AC)的属性，或者形成第一信号特征(AC)的属性的一部分。
附加地或替代地，确定第一信号特征的属性还可以包括：确定第一信号特征的局部最大值(ACmax)与紧接在第一信号特征的局部最大值(ACmax)之前的第一局部最小值(ACmin)之间的第一时间间隔(ACTimePeakToPeak)。确定指示心肺适能的量度(VO2max)然后可以进一步基于第一时间间隔(ACTimePeakToPeak)，或者第一时间间隔(ACTimePeakToPeak)可以构成第一信号特征(AC)的属性，或者形成第一信号特征(AC)的属性的一部分。
附加地或替代地，确定第一信号特征的属性还可以包括：确定第一信号特征的形态量度(ACMorphology)。确定指示心肺适能的量度(VO2max)然后可以进一步基于形态量度(ACMorphology)，或者形态量度(ACMorphology)可以构成第一信号特征(AC)的属性，或者形成第一信号特征(AC)的属性的一部分。应当理解，形态量度(ACMorphology)是在心震图(SCG)的时域中确定的。形态量度被理解为表示或指示第一信号特征的形状、轮廓和/或外廓。
确定形态量度(ACMorphology)可以包括：确定心震图(SCG)的第一窗口，其中第一窗口涵盖或包封第一信号特征。确定形态量度(ACMorphology)然后可以基于第一窗口的时域。
应当理解，第一窗口可以从平均舒张段确定。替代地，可以针对心震图(SCG)的每个舒张段确定第一窗口。然后可以在确定形态量度(ACMorphology)之前确定平均第一窗口。
在优选实施例中，针对每个第一窗口或针对每个舒张段确定单独的形态量度，并且将形态量度(ACMorphology)确定为单独形态量度的平均值。
第一窗口的宽度可以是预定的。基于第一窗口的时域被理解为涵盖基于第一窗口中信号值或振幅随时间推移而变化的形态量度(ACMorphology)。第一窗口可以具有在200ms至500ms、250ms至450ms、或300ms至400ms范围内的宽度。这意味着技术可以应用到每分钟多达约100次的心率。确定第一窗口可以包括：识别形成第一信号特征的一部分的基准点，以及相对于基准点定位第一窗口。基准点可以是第一信号特征的局部最大值(ACmax)。应当理解，第一信号特征的局部最大值(ACmax)可以是包含第一信号特征的舒张段的局部最大值(ACmax)。第一窗口可以在基准点之前的40ms至60ms的范围内或在50ms处开始，并在基准点之后的200ms至500ms、300ms至400ms的范围内或在350ms处结束。
确定形态量度(ACMorphology)可以包括：提供或加载第二机器学习模型。第二机器学习模型可以在操作上类似于心震图(SCG)的第一窗口的窗口上训练(以确定形态量度)。还可以包括：通过在第二机器学习模型中应用或输入第一窗口来确定形态量度(ACMorpology)。术语“在操作上类似”被理解为涵盖以与心震图(SCG)的第一窗口相同的方式定义或生成、或者包括类似特征的在其上训练第二模型的每个窗口。
更一般地说，确定形态量度(ACMorphology)可以包括：提供经训练的第二机器学习模型以基于第一窗口确定形态量度(ACMorphology)；以及将第一窗口应用到第二机器学习模型。更一般地，确定形态学量度(ACMorphology)可以包括：通过将第一窗口应用到经训练的第二机器学习模型来确定形态量度(ACMorphology)。在此，应当理解，第一窗口是在时域中表示的。
第二机器学习模型可以包括：确定表示第一窗口或其时域的降维的第一维数量度；以及可以训练第二机器学习模型以基于第一维数量度确定形态量度(ACMorphology)。然后，在操作上类似的维数量度上训练第二机器学习模型。第一维数量度可以是主成分分析的主成分或从被构造为压缩第一窗口的自动编码器获取的节点。
确定第一信号特征的属性还可以包括：确定第一信号特征的频率量度(ACFrequency)。确定指示心肺适能的量度(VO2max)可以进一步基于频率量度(ACFrequency)，或者形态量度(ACMorphology)可以构成第一信号特征(AC)的属性，或者形成第一信号特征(AC)的属性的一部分。频率量度(ACFrequency)可以在心震图(SCG)的频域中确定。
确定频率量度(ACFrequency)可以包括：确定心震图(SCG)的第二窗口，其中第二窗口涵盖或包封第一信号特征。确定频率量度(ACFrequency)然后可以基于第二窗口的频域。
确定频率量度(ACFrequency)还可以包括：确定第二窗口的功率谱密度或谱密度。确定频率量度(ACFrequency)然后可以基于功率谱密度。
类似于第一窗口，应当理解，可以针对平均舒张段确定第二窗口或功率谱密度。替代地，可以针对心震图(SCG)的每个舒张段或第二窗口确定第二窗口或功率谱密度。在优选实施例中，针对每个第一窗口或针对每个舒张段确定单独的功率谱密度，并且从每个单独的功率谱密度确定单独频率量度，并且频率量度(ACFrequency)被确定为单独频率量度的平均值。
第二窗口可以具有上述第一窗口的任何特征。第一窗口和第二窗口可以相同，或者具有相同的特征或属性。以上，基于第二窗口的频域被理解为涵盖基于第一窗口中信号值或振幅随频率变化的频率量度(ACFrequency)。
确定频率量度(ACFrequency)可以包括：提供或加载第三机器学习模型。第三机器学习模型可以在操作上类似于心震图(SCG)的第二窗口的频域或功率谱密度的窗口的频域或功率谱密度上进行训练，以确定频率量度(ACFrequency)。还可以包括：通过将第二窗口或其频域或其功率谱密度应用或输入到第二机器学习模型来确定频率量度(ACFrequency)。术语“在操作上类似”被理解为在训练中使用的每个心震图(SCG)窗口的频域或功率谱密度以与第二窗口的频域或功率谱密度相同的方式定义或生成，或具有相同的一般属性。
更一般地说，确定频率量度(ACFrequency)可以包括：提供经训练的第三机器学习模型，以基于第二窗口或其频域或其功率谱密度来确定频率量度(ACFrequency)；以及将第二窗口或其频域或其功率谱密度应用到第三机器学习模型。更一般地，确定频率量度(ACFrequency)可以包括：通过将第二窗口或其频域或其功率谱密度应用到经训练的第三机器学习模型来确定频率量度(ACFrequency)。
第三机器学习模型可以包括：确定表示第二窗口的降维或其频域或其功率谱密度的第二维数量度；以及可以训练第三机器学习模型以基于第二维数量度确定频率量度(ACFrequency)。然后，在操作上类似的维数度量度上训练第三机器学习模型。第二维数量度可以是主成分分析的主成分或从被构造为压缩第一窗口的自动编码器获取的节点或功率谱密度。
确定指示心肺适能的量度(VO2max)可以进一步基于人口统计数据，诸如性别、年龄、身高、重量和体质量指数(BMI)。可以进一步训练第一机器学习模型以基于人口统计数据确定指示心肺适能的量度(VO2max)，并且确定指示心肺适能的量度(VO2max)还可以包括：将人口统计数据应用到第一机器学习模型。更一般地说，确定指示心肺适能的量度(VO2max)可以包括：将人口统计数据应用到经训练的第一机器学习模型。
根据所提出技术的第一方面的方法还可以包括：确定心率变异性(HRV)。确定指示心肺适能的量度(VO2max)然后可以进一步基于心率变异性(HRV)。心率变异性(HRV)可以从心震图(SCG)确定或从与心震图(SCG)同时获得或与心震图相关联地获得的心电图(ECG)确定。
确定心率变异性(HRV)还可以包括：确定连续的心跳中相同类型的基准点之间的多个时间间隔；以及作为或基于多个时间间隔的标准偏差确定心率变异性(HRV)。
确定指示心肺适能的量度(VO2max)可以包括：提供或加载以操作上类似于心率变异性(HRV)的心率变异性量度训练的第一机器学习模型。还可以包括：通过将心率变异性(HRV)应用或输入到第一机器学习模型来确定指示心肺适能的量度(VO2max)。术语“在操作上类似”被理解为在训练中使用的心率变异性量度以与心率变异性(HRV)相同的方式定义或生成，或具有相同的一般属性。
更一般地说，可以进一步训练第一机器学习模型以基于心率变异性(HRV)确定指示心肺适能的量度(VO2max)，并且确定指示心肺适能的量度(VO2max)可以进一步包括：将心率变异性(HRV)应用到第一机器学习模型。更一般地，确定指示心肺适能的量度(VO2max)可以包括：将心率变异性(HRV)应用到经训练的第一机器学习模型。
根据所提出技术的第一方面的方法还可以包括：确定心震图(SCG)中的第二信号特征的属性，其中第二信号特征与第一信号特征不同或分离。确定指示心肺适能的量度(VO2max)然后可以进一步基于第二信号特征的属性。应当理解，第二信号特征可以来自单次心跳或构成若干心跳的平均值，如上文针对第一信号特征所述。
确定第二信号特征的属性可以包括：确定心震图(SCG)的多个收缩段；以及丢弃带噪声收缩段，其中未丢弃的收缩段包括第二信号特征。收缩段被理解为心震图(SCG)的对应于心动周期的收缩部分的段。
第二信号特征可以对应于心脏周期的二尖瓣关闭(MC)和/或主动脉瓣打开(AO)。确定第二信号特征的属性可以包括：识别第二信号特征的一个或多个(第二)基准点或参考点。可以进一步基于一个或多个(第二)基准点确定指示心肺适能的量度。基准点可以包括：二尖瓣关闭(MC)的过零点和二尖瓣关闭(MC)之后主动脉瓣打开(AO)的第一局部最大值(AOmax)。
确定第二信号特征的属性然后可以包括：确定二尖瓣关闭(MC)的过零点与二尖瓣关闭(MC)之后主动脉瓣打开(AO)的第一局部最大值(AOmax)之间的第二时间间隔(SysTimeMCToAO)。确定指示心肺适能的量度(VO2max)然后可以进一步基于第二时间间隔(SysTimeMCToAO)。
在所提出方法中，确定指示心肺适能的量度(VO2max)可以进一步基于经训练的第一机器学习模型。优选地，所述方法是基于至少三个机器学习模型的，因此第一个机器学习模型用于确定指示心肺适能本身的量度(VO2max)，第二个机器学习模型用于确定形态量度(ACMorphology)，并且第三个机器学习模型用于确定频率量度(ACFrequency))。这意味着第一模型可以包括第二模型和第三模型的结果。例如，机器学习模型可以基于线性回归、神经网络回归、卷积神经网络回归或支持向量机回归。
附图说明
从以下对附图的详细描述中，将更清楚地理解本发明的上述和其他特征和优点，其中：
图1是用于确定心肺适能的指标的系统的实施例的示意图，
图2是示出了在关于图1描述的系统中采用的方法的基本步骤的流程图，图3a至图3b是示出了用于确定形态量度的不同实施例的流程图，
图4a至图4b是示出了用于确定频率量度的不同实施例的流程图，
图5是示出了心脏周期的心电图的图表，
图6是示出了与图5的心电图同时记录的心脏周期的心震图的图表，并且
图7是示出了叠加在图6的心震图上的窗口的图表。
具体实施方式
图1示意性地示出了用于量化心肺适能的系统12的实施例。系统12具有呈压电元件形式的加速度计14，所述加速度计可以放置在人18的胸部上并且用于测量由心脏运动引起的胸壁的振动。处理器20连接到加速度计14。处理器20具有瞬态存储器22，所述瞬态存储器可以存储从加速度计14接收的信号，并且通过所述瞬态存储器可以执行程序代码指令。系统12包括支撑加速度计14的支撑件26和容纳处理器20的外壳28。系统12还具有存储用于处理器20的程序代码指令的非瞬态存储器24。例如，系统12作为一个整体可以是智能电话的整体部分，或者除加速度计20和支撑件26之外的所有部分可以形成智能电话的一部分。在一个实施例中，加速度计14是智能电话的集成加速度计。
在系统12的一个实施例中，它另外具有与处理器20可操作地连接的指示器30。指示器30可以例如具有LCD显示器等，其可以显示来自处理器20的输出信息，诸如指示心肺适能的量度的数字。
系统还包括由支撑件26支撑的心电图电极32(两条引线加地线)。电极32连接到处理器20。
加速度计14的主要功能是对心震图(SCG)进行采样以供进一步分析。电极32的主要功能是对用于分割心震图(SCG)的心电图(ECG)进行采样。
非瞬态存储器24中的程序代码指令致使处理器20执行图2所示的方法。利用放置在人18的胸部上的加速度计14获得心震图(SCG)102。在替代实施例中，SCG从其先前已上传到的服务器下载。在心震图(SCG)中确定两个信号特征的属性104。下文将详细描述这是如何实现的。然后基于第一信号特征的属性确定指示心肺适能的量度(VO2max)106。
在SCG中确定多个收缩段和舒张段108。这是通过使用由电极32同时获取的心电图(ECG)作为参考的自动化分割方法来实现的。在替代实施例中，分割是基于SCG，例如类似于US8235912(B2)中所描述的技术。然后丢弃带噪声段110，例如如WO2017216375(A1)中所描述。
图5示出了心电图(ECG)，其中来自电极32的信号以伏特(mV)为单位作为时间(ms)的函数。时间已相对于R波的峰重置。图6示出了同时记录的心震图(SCG)，其中加速度计信号以重力当量(g)为单位作为时间(ms)的函数，时间以与心电图(ECG)相同的方式重置。
所得的舒张段中的每一个包括或包含对应于单次心跳的主动脉瓣关闭(AC)的第一信号特征。类似地，所得的收缩段中的每一个包括对应于心脏周期的组合的二尖瓣关闭(MC)和主动脉瓣打开(AO)的第二信号特征。
然后针对收缩段和舒张段中的相应信号特征识别基准点112，类似于WO2017216375(A1)中所描述的识别。在每个舒张段中或针对每个第一信号特征确定以下基准点：
-主动脉瓣关闭(AC)的局部最大值(ACmax)，以及
-紧接在局部最大值(ACmax)之前的第一局部最小值(ACmin)。
在每个收缩段中或针对每个第二信号特征确定以下基准点：
-二尖瓣关闭(MC)的过零点，以及
-在二尖瓣关闭(MC)之后主动脉瓣打开(AO)的第一局部最大值(AOmax)。
上述基准点如图6所示。然后至少部分地基于基准点确定信号特征的属性114。
对应于主动脉瓣关闭(AC)的第一信号特征的第一属性是局部最大值(ACmax)与第一局部最小值(ACmin)之间的振幅差(ACPeakToPeak)。根据舒张段的平均值确定表示所述属性的量度(ACPeakToPeak)。同一信号特征的第二属性是局部最大值(ACmax)与紧接在局部最大值(ACmax)之前的第一局部最小值(ACmin)之间的(第一)时间间隔(ACTimePeakToPeak)。根据归一化为一的标准偏差的舒张段的平均值来确定表示所述属性的量度(ACTimePeakToPeak)。第三属性是由形态量度(ACMorphology)表示的第一信号特征的形态。第四属性是第一信号特征的频率量度(ACFrequency)。下文进一步描述后两个属性的确定。
当确定形态量度(ACMorphology)时，在心震图(SCG)中识别(第一)窗口34。窗口34在局部最大值(ACmax)之前的50ms开始并且在局部最大值(ACmax)之后的250ms结束。图7指示了对应的窗口34，其示出了图6的心震图(SCG)。
形态量度(ACMorphology)是使用早期平均确定的。与早期平均相关的步骤如图3a所示。确定平均舒张段，并且然后在平均舒张段中识别202窗口34。窗口34中的振幅被归一化为一的标准偏差以减小振幅变化的影响。然后使用用于识别主成分的在平均舒张段的窗口34上进行的主成分分析(PCA)来执行降维204。在替代实施例中，降维204使用自动编码器(AE)、以舒张段的窗口34作为输入来执行并且被构造成使得自动编码器(AE)将窗口压缩成神经网络中的几个节点，例如10个节点。然后使用以主成分或节点作为输入的线性回归函数来执行回归206。在替代实施例中，回归函数是基于神经网络回归、卷积神经网络回归或支持向量机回归。回归206产生形态量度(ACMorphology)210，所述形态量度表示或量化第一信号特征的形状或与主动脉瓣关闭(AC)相关的心震图(SCG)的复合体。
在替代实施例中，形态量度(ACMorphology)是使用后期平均确定的。与后期平均相关的步骤如图3b所示。在每个舒张段中识别202’窗口34。每个窗口34中的振幅被归一化为一的标准偏差以减小振幅变化的影响。然后使用用于识别主成分的在窗口34的矩阵上进行的主成分分析(PCA)来执行降维204’。在替代实施例中，降维204’使用自动编码器(AE)以窗口34的矩阵作为输入来执行，所述自动编码器将所述窗口压缩成神经网络中的多个节点，诸如十个节点。然后使用以主成分或节点作为输入的线性回归函数来执行回归206。在替代实施例中，回归函数是基于神经网络回归、卷积神经网络回归或支持向量机回归。回归206’产生舒张段的每个窗口的单独量度。计算208’单独量度的平均值，从而得到形态量度(ACMorphology)210’。
当确定频率量度(ACFrequency)时，在舒张段中使用与确定形态量度(ACMorphology)时相同的窗口34。
频率量度(ACFrequency)是使用早期平均确定的。与早期平均相关的步骤如图4a所示。在每个平均舒张段中识别302’窗口34。窗口34中的振幅被归一化为一的标准偏差以减小振幅变化的影响。然后在每个窗口34中确定304功率谱密度(PSD)。确定306平均功率谱密度(PSD)，所述平均功率谱密度在与上文关于用于确定形态量度(ACMorphology)的早期平均方法描述的降维204类似的降维308中使用。然后使用所得的主成分或节点作为输入来执行回归310，类似于关于上述早期平均方法所描述的回归206。回归310产生表示或量化平均窗口的频域中的属性的频率量度(ACFrequency)314以及第一信号特征的扩展。
在替代实施例中，频率量度(ACFrequency)是使用后期平均确定的。与后期平均相关的步骤如图4b所示。在每个舒张段中识别302’窗口34。每个窗口34中的振幅被归一化为一的标准偏差，以减小振幅变化的影响。在每个窗口34中确定304功率谱密度(PSD)。代替计算平均功率谱密度(PSD)，在所确定的功率谱密度的矩阵上执行类似于上文关于用于确定形态量度(ACMorphology)的后期平均方法所描述的降维204’的降维308’。然后针对每个窗口使用主成分或节点作为输入来执行回归310’，类似于关于上述后期平均方法所描述的回归206’。回归310’产生多个单独量度，每个量度对应于舒张段的一个窗口。然后将频率量度(ACFrequency)314’确定为单独量度的平均值312，或者在替代实施例中确定为单独量度的中值。
在输入中使用第一信号特征的上述四个属性来确定106指示心肺适能的量度(VO2max)。此外，使用心率变异性(HRV)和对应于心脏周期的二尖瓣关闭(MC)和主动脉瓣打开(AO)的第二信号特征的属性作为输入。
心率变异性(HRV)通过以下方式来确定：首先在心震图(SCG)中识别连续的心跳，并且然后计算连续的心跳中的相同基准点(诸如主动脉瓣关闭(AC)的局部最大值(ACmax))之间的时间间隔的长度。
第二信号特征的属性是二尖瓣关闭(MC)的过零点与二尖瓣关闭(MC)之后、主动脉瓣打开(AO)的第一局部最大值(AOmax)之间的时间间隔(SysTimeMCToAO)。根据归一化为一的标准偏差的舒张段的平均值确定表示所述属性的量度。
还提供116表示人的年龄、性别和体质量指数的人口统计量度。
所有上述量度都用作多参数回归118中的输入，用于确定106指示心肺适能的量度(VO2max)120。实际上，在优选实施例中，回归由以下表示：
VO2maxPrKG＝ω1 ACPeakToPeak+ω2 ACTimePeakToPeak+ω3 ACFrequency+ω4ACMorphology+ω5 HRV+ω6 SysTimeMCToAO+ω7 Age+ω8 Gender+ω9 BMI
在替代实施例中，在回归118中使用较少的量度。在此，将指示心肺适能的量度(VO2maxPrKG)相对于体重进行归一化。
概念验证
所提出技术已在133名受试者的145次测量中得到验证。在每次测量中，记录心震图，并且之后立即对受试者进行传统的VO2max测试。后者被认为是黄金标准，并且性能量度被确定为由所提出技术预测的VO2max与黄金标准VO2max之间的相关性。在最终验证中，使用估计标准误差(SEE)来评估所预测的VO2max和黄金标准VO2max之间的误差。
单独特征的验证使用5倍交叉验证来进行，其中3倍用于训练，一倍用于验证，并且一倍用于测试。使用5次重复的10倍交叉验证来进行最终分数的验证。
对于频率量度(ACFrquency)，表现最佳的特征提取方法是使用早期平均的PCA后的线性回归，参见表1。对于形态量度(ACMorphology)，表现最佳的特征提取方法是使用后期平均的PCA后的线性回归，参见表2。
表3示出了参考或黄金标准VO2max与所预测的VO2max或指示心肺适能的所确定量度(VO2max)之间的相关性。示出了包括和不包括频率量度(ACFrequency)和形态量度(ACMorphology)的结果。从表3可以得出结论，这两种量度都增加了参考VO2max和所预测的VO2max的相关性。可以得出结论，频率量度(ACFrequency)和形态特征(ACMorphology)两者的添加改进了所提出的用于确定指示心肺适能的量度(VO2max)或VO2max的方法的性能。
表1：频率量度(ACFrequency)与指示心肺适能的量度(VO2max)之间的相关性取决于降维和回归方法的使用。
表2：形态量度(ACMorphology)与指示心肺适能的量度(VO2max)之间的相关性取决于降维和回归方法的使用。
表3：频率量度(ACFrequency)、形态量度(ACMorphology)和参考VO2max之间的相关性取决于降维和回归方法的使用。
Claims (15)
1.一种用于量化心肺适能的方法(100)，包括：
-获得(102)利用加速度计(14)记录的心震图(SCG)，所述加速度计被配置为测量由心肌运动引起的人(18)的胸壁的加速度和振动，
-确定(104)所述心震图(SCG)中的第一信号特征(AC)的属性，其中所述第一信号特征(AC)对应于心跳的主动脉瓣关闭(AC)，其中确定(104)所述第一信号特征(AC)的属性包括：
--确定(114)所述第一信号特征(AC)的频率量度(ACFrequency)，以及
--确定(114)所述第一信号特征(AC)的形态量度(ACMorphology)，并且
其中所述频率量度(ACFrequency)和所述形态量度(ACMorphology)形成所述第一信号特征(AC)的属性的一部分，并且
所述方法还包括：
-通过将所述第一信号特征(AC)的属性应用到经训练的第一机器学习模型，基于所述第一信号特征(AC)的属性来确定(106)指示心肺适能的量度(VO2max)。
2.根据权利要求1所述的方法，其中确定(104)所述第一信号特征(AC)的属性包括：
-确定(108)所述心震图(SCG)的多个舒张段，以及
-丢弃(110)带噪声舒张段，其中未丢弃的舒张段包括所述第一信号特征(AC)。
3.根据权利要求2所述的方法，其中确定(104)所述第一信号特征(AC)的属性包括：
-识别(112)所述第一信号特征(AC)的一个或多个基准点，
并且进一步基于所述一个或多个基准点确定所述指示心肺适能的量度，其中
所述基准点包括：所述第一信号特征(AC)的局部最大值(ACmax)，和/或紧接在所述局部最大值(ACmax)之前的第一局部最小值(ACmin)。
4.根据权利要求1至3中任一项所述的方法，其中确定(104)所述第一信号特征(AC)的属性包括：
-确定(114)所述局部最大值(ACmax)与紧接在所述第一信号特征(AC)的所述局部最大值(ACmax)之前的所述第一局部最小值(ACmin)之间的振幅差(ACPeakToPeak)，以及
-进一步基于所述振幅差(ACPeakToPeak)确定(106)所述指示心肺适能的量度(VO2max)。
5.根据权利要求1至4中任一项所述的方法，其中确定(104)所述第一信号特征(AC)的属性包括：
-确定(114)所述局部最大值(ACmax)与紧接在所述第一信号特征(AC)的所述局部最大值(ACmax)之前的所述第一局部最小值(ACmin)之间的第一时间间隔(ACTimePeakToPeak)，以及
-基于所述第一时间间隔(ACTimePeakToPeak)确定(106)所述指示心肺适能的量度(VO2max)。
6.根据权利要求1至5中任一项所述的方法，
其中确定(114)所述形态量度(ACMorphology)包括：
-确定(202,202’)所述心震图(SCG)的第一窗口(34)，其中所述第一窗口(34)涵盖或包封所述第一信号特征(AC)，以及
-基于所述第一窗口(34)的时域确定(210,210’)所述形态量度(ACMorpology)。
7.根据权利要求6所述的方法，其中所述第一窗口(34)的宽度在200ms至500ms、250ms至450ms、或300ms至400ms的范围内。
8.根据权利要求1至7中任一项所述的方法，
其中确定(104)所述频率量度(ACFrequency)包括：
-确定(302,302’)所述心震图(SCG)的第二窗口(34)，其中所述第二窗口(34)涵盖或包封所述第一信号特征(AC)，以及
-基于所述第二窗口(34)的频域确定(314,314’)所述频率量度(ACFrequency)。
9.根据权利要求1至8中任一项所述的方法，还包括：
-确定(114)心率变异性(HRV)，以及
-进一步基于所述心率变异性(HRV)确定(106)所述指示心肺适能的量度(VO2max)。
10.根据权利要求1至9中任一项所述的方法，还包括：
-确定(104)所述心震图(SCG)中的第二信号特征(MC+AC)的属性，其中所述第二信号特征(MC+AC)与所述第一信号特征(AC)不同或分离，以及
-进一步基于所述第二信号特征(MC+AC)的属性确定(106)所述指示心肺适能的量度(VO2max)，
其中
所述第二信号特征(MC+AC)对应于心脏周期的二尖瓣关闭(MC)和/或主动脉瓣打开(AO)。
11.根据权利要求10所述的方法，其中确定(104)所述第二信号特征(MC+AC)的属性还包括：
-确定(114)所述二尖瓣关闭(MC)的过零点与所述二尖瓣关闭(MC)之后、所述主动脉瓣打开(AO)的所述第一局部最大值(AOmax)之间的第二时间间隔(SysTimeMCToAO)，以及
-进一步基于所述第二时间间隔(SysTimeMCToAO)确定(106)所述指示心肺适能的量度(VO2max)。
12.根据权利要求1至11中任一项所述的方法，其中所述第一机器学习模型根据与所述第一信号特征(AC)的属性在操作上类似的信号特征的属性来训练。
13.一种用于量化心肺适能或确定心肺适能的指标的系统(12)，包括：
(A)加速度计(14)，所述加速度计被配置为放置在人(18)的胸部上，用于测量由心肌运动引起的所述人(18)的胸壁的加速度和振动，以及
(B)能够操作地连接到所述加速度计(14)的处理器(20)，其中所述处理器(20)被配置为执行根据权利要求1至12所述的方法的任何步骤。
14.一种用于在量化心肺适能或确定心肺适能的指标的系统(12)中使用的计算机程序产品，其中所述系统包括：(A)加速度计(14)，所述加速度计被配置为放置在人(18)的胸部上，用于测量由心肌运动引起的所述人(18)的胸壁的加速度和振动；以及(B)能够操作地连接到所述加速度计的处理器(20)，其中所述计算机程序产品包括程序代码指令，所述程序代码指令被配置为在由所述系统(12)的所述处理器(20)执行时执行根据权利要求1至12所述的方法的任何步骤。
15.一种非瞬态存储器(24)，在其上存储根据权利要求14所述的计算机程序产品。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19178424.8A EP3748641A1 (en) | 2019-06-05 | 2019-06-05 | Multiparameteric estimation of cardiorespiratory fitness in seismocardiography |
| EP19178424.8 | 2019-06-05 | ||
| PCT/EP2020/065601 WO2020245340A1 (en) | 2019-06-05 | 2020-06-05 | Multiparameteric estimation of cardiorespiratory fitness in seismocardiography |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113966193A true CN113966193A (zh) | 2022-01-21 |
Family
ID=66857628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080041548.4A Pending CN113966193A (zh) | 2019-06-05 | 2020-06-05 | 心震描记法中的心肺适能的多参数估计 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20220296173A1 (zh) |
| EP (2) | EP3748641A1 (zh) |
| JP (1) | JP2022534879A (zh) |
| CN (1) | CN113966193A (zh) |
| AU (1) | AU2020286758A1 (zh) |
| CA (1) | CA3138830A1 (zh) |
| WO (1) | WO2020245340A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117281494A (zh) * | 2023-11-27 | 2023-12-26 | 安徽通灵仿生科技有限公司 | 一种动脉血压信号的信号特征点识别方法及装置 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220125330A1 (en) * | 2020-10-27 | 2022-04-28 | LLA Technologies Inc. | Tri-axial seismocardiography devices and methods |
| AU2023217909A1 (en) * | 2022-02-10 | 2024-09-12 | Université Libre de Bruxelles | System and method for measurement of cardiorespiratory fitness of a subject |
| EP4306048A1 (en) * | 2022-07-13 | 2024-01-17 | Acarix A/S | Autoencoders in quantitative seismocardiography |
| WO2024097390A1 (en) * | 2022-11-04 | 2024-05-10 | The General Hospital Corporation | Method and device to predict exercise peak vo2, cardiovascular outcomes and future death using ecg deep learning models |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140221859A1 (en) * | 2010-06-08 | 2014-08-07 | David E. Albert | Cardiac performance monitoring system for use with mobile communications devices |
| US20140288442A1 (en) * | 2010-02-25 | 2014-09-25 | Tonino Bombardini | Method and apparatus for quantification and monitoring of cardiovascular function during induced stress or physical activity and at rest |
| US20170188978A1 (en) * | 2016-01-04 | 2017-07-06 | AventuSoft, LLC | System and method of measuring hemodynamic parameters from the heart valve signal |
| WO2017216375A1 (en) * | 2016-06-16 | 2017-12-21 | Acarix A/S | Cardiovascular and cardiorespiratory fitness determination |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8235912B2 (en) | 2009-03-18 | 2012-08-07 | Acarix A/S | Segmenting a cardiac acoustic signal |
| WO2019126866A1 (en) * | 2017-12-28 | 2019-07-04 | Heart Force Medical Inc. | Sensor apparatuses, methods of operating same, and systems including same, and methods and systems for sensing and analyzing electromechanical characteristics of a heart |
-
2019
- 2019-06-05 EP EP19178424.8A patent/EP3748641A1/en not_active Withdrawn
-
2020
- 2020-06-05 CN CN202080041548.4A patent/CN113966193A/zh active Pending
- 2020-06-05 EP EP20733695.9A patent/EP3981006A1/en active Pending
- 2020-06-05 US US17/596,036 patent/US20220296173A1/en active Pending
- 2020-06-05 WO PCT/EP2020/065601 patent/WO2020245340A1/en unknown
- 2020-06-05 AU AU2020286758A patent/AU2020286758A1/en active Pending
- 2020-06-05 JP JP2021569208A patent/JP2022534879A/ja active Pending
- 2020-06-05 CA CA3138830A patent/CA3138830A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140288442A1 (en) * | 2010-02-25 | 2014-09-25 | Tonino Bombardini | Method and apparatus for quantification and monitoring of cardiovascular function during induced stress or physical activity and at rest |
| US20140221859A1 (en) * | 2010-06-08 | 2014-08-07 | David E. Albert | Cardiac performance monitoring system for use with mobile communications devices |
| US20170188978A1 (en) * | 2016-01-04 | 2017-07-06 | AventuSoft, LLC | System and method of measuring hemodynamic parameters from the heart valve signal |
| WO2017216375A1 (en) * | 2016-06-16 | 2017-12-21 | Acarix A/S | Cardiovascular and cardiorespiratory fitness determination |
| CN109310371A (zh) * | 2016-06-16 | 2019-02-05 | 阿克瑞克公司 | 定量心震描记法 |
| CN109310370A (zh) * | 2016-06-16 | 2019-02-05 | 奥尔堡大学 | 心血管和心肺健康确定 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117281494A (zh) * | 2023-11-27 | 2023-12-26 | 安徽通灵仿生科技有限公司 | 一种动脉血压信号的信号特征点识别方法及装置 |
| CN117281494B (zh) * | 2023-11-27 | 2024-03-12 | 安徽通灵仿生科技有限公司 | 一种动脉血压信号的信号特征点识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CA3138830A1 (en) | 2020-12-10 |
| US20220296173A1 (en) | 2022-09-22 |
| EP3748641A1 (en) | 2020-12-09 |
| JP2022534879A (ja) | 2022-08-04 |
| WO2020245340A1 (en) | 2020-12-10 |
| EP3981006A1 (en) | 2022-04-13 |
| AU2020286758A1 (en) | 2022-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113966193A (zh) | 心震描记法中的心肺适能的多参数估计 | |
| US11389069B2 (en) | Hemodynamic reserve monitor and hemodialysis control | |
| JP6835395B2 (ja) | 生体情報分析装置、生体情報分析システム、プログラム、及び、生体情報分析方法 | |
| US8668649B2 (en) | System for cardiac status determination | |
| CN105530858B (zh) | 用于估计人员的心血管健康的系统和方法 | |
| JP3641830B2 (ja) | 生体状態測定装置 | |
| EP2849639B1 (en) | Monitoring of cardiac output | |
| US11395634B2 (en) | Estimating physiological states based on changes in CRI | |
| US10278595B2 (en) | Analysis and characterization of patient signals | |
| JP5696501B2 (ja) | 覚醒時データ生成装置、覚醒時データ生成方法、覚醒時データ生成プログラム及び覚醒度判定装置 | |
| US11075009B2 (en) | System and method for sympathetic and parasympathetic activity monitoring by heartbeat | |
| US20100185084A1 (en) | Non-invasive Cardiac Characteristic Determination System | |
| JP6547054B1 (ja) | 医療機器及びプログラム | |
| US20220031220A1 (en) | Model-based sensor technology for detection of cardiovascular status | |
| WO2020126576A1 (en) | Control unit for deriving a measure of arterial compliance | |
| CN105310673A (zh) | 生物信息测量装置和生物信息测量方法 | |
| EP3203900A1 (en) | Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis | |
| US9320445B2 (en) | System for cardiac condition detection responsive to blood pressure analysis | |
| CN108430310A (zh) | 评估血压测量结果的可靠性的方法和用于实施该方法的装置 | |
| US20160287092A1 (en) | Blood vessel mechanical signal analysis | |
| JP3637916B2 (ja) | 生体状態測定装置 | |
| CN115281636A (zh) | 血压数据的处理方法、装置以及电子设备 | |
| KR102149753B1 (ko) | 심폐음 신호 획득 방법 및 장치 | |
| Castro et al. | Analysis of the electromechanical activity of the heart from synchronized ECG and PCG signals of subjects under stress | |
| WO2022270099A1 (ja) | コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム |
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 |