CN115666376A - 用于高血压监测的系统和方法 - Google Patents
用于高血压监测的系统和方法 Download PDFInfo
- Publication number
- CN115666376A CN115666376A CN202180039968.3A CN202180039968A CN115666376A CN 115666376 A CN115666376 A CN 115666376A CN 202180039968 A CN202180039968 A CN 202180039968A CN 115666376 A CN115666376 A CN 115666376A
- Authority
- CN
- China
- Prior art keywords
- hypertension
- score
- parameter
- examples
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010020772 Hypertension Diseases 0.000 title claims abstract description 299
- 238000000034 method Methods 0.000 title claims description 52
- 238000012544 monitoring process Methods 0.000 title abstract description 32
- 230000003287 optical effect Effects 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims description 58
- 239000013598 vector Substances 0.000 claims description 52
- 238000010801 machine learning Methods 0.000 claims description 45
- 206010012758 Diastolic hypertension Diseases 0.000 claims description 26
- 206010042957 Systolic hypertension Diseases 0.000 claims description 26
- 238000003066 decision tree Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000000844 transformation Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 abstract description 54
- 238000004891 communication Methods 0.000 abstract description 10
- 238000012216 screening Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000003205 diastolic effect Effects 0.000 description 18
- 230000036772 blood pressure Effects 0.000 description 15
- 230000035487 diastolic blood pressure Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000035488 systolic blood pressure Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 12
- 239000002609 medium Substances 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000013186 photoplethysmography Methods 0.000 description 10
- 230000000747 cardiac effect Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000006163 transport media Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000009528 vital sign measurement Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- 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
- 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
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
- A61B5/0225—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers the pressure being controlled by electric signals, e.g. derived from Korotkoff sounds
- A61B5/02255—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers the pressure being controlled by electric signals, e.g. derived from Korotkoff sounds the pressure being controlled by plethysmographic signals, e.g. derived from optical sensors
-
- 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- 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
- A61B2562/0233—Special features of optical sensors or probes classified in A61B5/00
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/486—Bio-feedback
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6824—Arm or wrist
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Vascular Medicine (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Ophthalmology & Optometry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
可穿戴设备可用于高血压监测。该可穿戴设备可包括运动传感器和光学传感器。来自这些传感器的数据可以在该可穿戴设备中进行处理以及/或者由与该可穿戴设备通信的另一设备处理,以提供对未诊断的高血压的早期筛查。如果该筛查估计出用户的未诊断的高血压,则可以通知该用户寻求正确的高血压诊断。该高血压监测可包括第一阶段以估计一个或多个短期高血压得分或参数。该高血压监测还可以包括第二阶段以使用所累积的短期得分/参数来估计长期高血压得分以估计高血压。
Description
相关申请的交叉引用
本申请要求2020年6月2日提交的美国临时申请第63/033,802号以及2021年2月5日提交的美国临时申请第63/146,536号的权益,这两个美国临时申请的内容全文以引用方式并入本文以用于所有目的。
技术领域
本公开整体涉及用于高血压监测的系统和方法,并且更具体地,涉及使用可穿戴设备的高血压监测。
背景技术
如果没有适当的诊断和治疗,高血压(高的血压)可增加出现健康问题诸如卒中和心脏病发作的风险。高血压通常因为可能在数月或数年内都不会出现症状而不被检测到。然而,即使没有症状,高血压也可能对心脏和血管造成损害。因此,向用户提供高血压的指示可用于改善健康。
发明内容
本公开涉及使用可穿戴设备来监测高血压的系统和方法。可穿戴设备可包括运动和/或取向传感器(例如,加速度计、陀螺仪、惯性测量单元(IMU)等)和光学传感器。来自传感器的数据可以在可穿戴设备中进行处理以及/或者由与可穿戴设备通信的另一设备处理,以提供对未诊断的高血压的早期筛查。如果筛查估计出用户的未诊断的高血压,则可以通知用户寻求正确的高血压诊断。高血压监测可包括第一阶段以估计一个或多个短期高血压得分或参数。短期高血压得分/参数可以与血压相关。在一些示例中,短期高血压得分/参数可包括收缩期血压得分(或参数)和舒张期血压得分(或参数)。高血压监测还可以包括第二阶段以使用所累积的短期得分/参数(例如,对于阈值时间段或阈值数量的短期高血压得分/参数)来估计长期高血压得分以估计高血压。
附图说明
图1A至图1B示出了根据本公开的示例的可用于高血压监测的示例性系统。
图2示出了根据本公开的示例的高血压监测的示例性框图。
图3示出了根据本公开的示例的用于高血压监测的示例性过程。
图4A至图4B示出了根据本公开的示例的短期高血压得分生成器的示例性框图。
图5A至图5C示出了根据本公开的示例的长期高血压得分生成器的示例性框图。
具体实施方式
在以下对示例的描述中将参考形成以下描述的一部分的附图并且在附图中以举例的方式示出了可被实施的具体示例。应当理解,在不脱离所公开的示例的范围的情况下,可使用其他示例并且可进行结构性变更。
本公开涉及使用可穿戴设备来监测高血压的系统和方法。可穿戴设备可包括运动和/或取向传感器(例如,加速度计、陀螺仪、惯性测量单元(IMU)等)和光学传感器。来自传感器的数据可以在可穿戴设备中进行处理以及/或者由与可穿戴设备通信的另一设备处理,以提供对未诊断的高血压的早期筛查。如果筛查估计出用户的未诊断的高血压,则可以通知用户寻求正确的高血压诊断。
高血压监测可包括第一阶段以估计一个或多个短期高血压得分或参数。短期高血压得分/参数可以与血压相关。在一些示例中,短期高血压得分/参数可包括收缩期血压得分(或参数)和舒张期血压得分(或参数)。高血压监测还可以包括第二阶段以使用所累积的短期得分/参数(例如,对于阈值时间段或阈值数量的短期高血压得分/参数)来估计长期高血压得分以估计高血压。
如本文所用,“短期”高血压得分/参数可以表示根据来自一个或多个传感器的输入数据的片段计算的高血压得分/参数,每个片段对应于第一时间段(例如,30秒、1分钟、2分钟、5分钟等)。短期高血压得分/参数可以与(例如,包括在第一时间段中获取的数据的)片段的血压相关。如本文所用,“长期”高血压得分可以表示根据在第二时间段(例如,数天、一周、数周、一个月等)内获得的输入数据计算的高血压得分,该高血压得分可以与第二时间段的血压相关。因此,“短期”和“长期”反映第一时间段和第二时间段之间的相对差异。用于“长期”高血压得分的第二时间段可以比用于“短期”高血压得分/参数的第一时间段长若干数量级。
图1A至图1B示出了根据本公开的示例的可用于高血压监测的示例性系统。该系统可包括一个或多个传感器和处理电路,以使用来自一个或多个传感器的数据来估计一段时间内的高血压。在一些示例中,系统可以在可穿戴设备(例如,可穿戴设备100)中实现。在一些示例中,系统可以在多于一个设备(例如,可穿戴设备100和与可穿戴设备100通信的第二设备)中实现。
图1A示出了可以使用条带146或其他紧固件附接到用户的示例性可穿戴设备100。可穿戴设备100可包括用于使用来自一个或多个传感器的数据来估计一段时间内的高血压的一个或多个传感器,并且可选地可包括触摸屏128以显示如本文所述的高血压监测的结果。
图1B示出了根据本公开的示例的用于监测高血压的可穿戴设备100的架构的示例性框图。如图1B所示,可穿戴设备100可包括一个或多个传感器。例如,可穿戴设备100可以可选地包括光学传感器,该光学传感器包括一个或多个光发射器102(例如,一个或多个发光二极管(LED))和一个或多个光学传感器104(例如,一个或多个光电探测器/光电二极管)。一个或多个光发射器可以产生在对应于红外(IR)、绿色、琥珀色、蓝色和/或红色光的范围内的光,以及其他可能性。光学传感器可用于将光发射到用户的皮肤114中并且检测从皮肤反射回来的光的反射。光学传感器的光学传感器测量结果可以表示时域光电容积脉搏波(PPG)信号。光学传感器的光学传感器测量结果可以经由模数转换器(ADC)105b转换成数字信号用于处理。在一些示例中,光学传感器以及一个或多个处理器108对光信号的处理可以用于各种功能,包括估计生理特性(例如,心率、动脉血氧饱和度等)、监测生理状况(例如,高血压),以及/或者检测与用户的接触(例如,手腕上/手腕外检测)。
在一些示例中,一个或多个处理器108对光信号的处理可包括标识来自光学传感器的光信号中的心动周期(脉冲)。例如,对光信号的处理可包括标识PPG信号中的心动周期的一个或多个特征(例如,收缩期峰、舒张期陷波、舒张期峰等)。一个或多个特征可用于标识每个心动周期(例如,未被运动伪影破坏的那些)和心动周期在时间上的位置(例如,对应于特征中的一个特征的定时)。另外,一个或多个处理器108对光信号的处理可包括(例如,基于PPG信号的形态)计算与每个心动周期相关联的置信度参数。在一些示例中,一个或多个处理器108对光信号的处理可包括使用心动周期的一个或多个特征来标识光信号中的合格的心动周期(合格脉冲),其中置信度参数满足一个或多个合格标准。在一些示例中,心动周期可以在置信度参数高于阈值时合格并且在置信度参数低于阈值时不合格。
一个或多个传感器可以包括运动和/或定向传感器,诸如加速度计、陀螺仪、惯性测量单元(IMU)等。例如,可穿戴设备100可以包括加速度计106,该加速度计可以是多通道加速度计(例如,3轴加速度计)。如本文中更详细描述的,运动和/或取向传感器可用于高血压监测。在一些示例中,运动和/或取向信息可用于提供可能影响(例如,破坏)PPG信号的一些样本的运动伪影和/或用户姿态的指示。附加地或另选地,运动和/或取向数据还可以携带关于心跳的信息,并且该信息(以及其相对于PPG信号中的心跳的定时)可以用于估计如本文所述的高血压得分/参数。加速度计106的测量结果可以被转换为数字信号以经由ADC105a进行处理。
可穿戴设备100还可以可选地包括其他传感器,包括但不限于光热传感器、磁力仪、气压计、指南针、接近传感器、相机、环境光传感器、温度计、全球定位系统传感器,以及可以感测剩余电池寿命、功率消耗、处理器速度,CPU负载等的各种系统传感器。尽管描述了各种传感器,但应当理解,可以使用更少的、更多的或不同的传感器。
从一个或多个传感器获取的数据(例如,运动数据、光学数据等)可被存储在可穿戴设备100的存储器中。例如,可穿戴设备100可以包括数据缓冲器(或其他易失性或非易失性存储器或存储装置),以临时(或永久)存储来自传感器的数据,以供由处理电路进行处理。在一些示例中,易失性或非易失性存储器或存储装置可用于存储经处理的数据(例如,经滤波的数据、短期高血压得分或参数、长期高血压得分等)以用于进一步处理或用于存储和/或显示高血压监测结果。在一些示例中,易失性或非易失性存储器或存储装置可用于存储经处理的数据,该经处理的数据在本文中称为指示合格脉冲的位置或指示脉冲的位置的脉冲数据以及与脉冲的位置相关联的置信度参数。附加地或另选地,易失性或非易失性存储器或存储装置可用于存储在本文中称为所提取的特征数据的经处理的数据,所提取的特征数据包括在输入片段中的一些或全部脉冲上(可选地在输入片段中跨一些或全部脉冲对每脉冲提取的特征求平均或以其他方式合计(aggregate))在每脉冲的基础上从光学数据提取的特征。
可穿戴设备100还可以包括处理电路以实现本文所述的各种处理,包括生成高血压得分/参数以及估计高血压。处理电路可包括一个或多个处理器108。处理器中的一个或多个处理器可以包括数字信号处理器(DSP)109、微处理器、中央处理单元(CPU)、可编程逻辑设备(PLD)、现场可编程逻辑阵列(FPGA)等。
在一些示例中,一些处理可以由与可穿戴设备通信的外围设备118执行。外围设备118可以是智能电话、媒体播放器、平板计算机、台式计算机、膝上型计算机、数据服务器、云存储服务或任何其他便携式或非便携式电子计算设备(包括第二可穿戴设备)。可穿戴设备100还可以包括通信电路110以经由有线或无线通信链路124通信地耦接到外围设备118。例如,通信电路110可包括用于包括蜂窝、蓝牙、Wi-Fi等的一个或多个无线通信协议的电路。
在一些示例中,可穿戴设备100可以包括触摸屏128以显示高血压监测结果(例如,显示寻求医疗诊断的通知)以及/或者从用户接收输入。在一些示例中,触摸屏128可以由非触敏显示器代替,或者触摸和/或显示功能可以在另一设备中实现。在一些示例中,可穿戴设备100可以包括用于音频输入/输出功能的麦克风/扬声器122、向用户提供触觉反馈的触觉电路,以及/或者其他传感器和输入/输出设备。可穿戴设备100还可以包括能量存储设备(例如,电池)以向可穿戴设备100的部件提供电源。
一个或多个处理器108(本文中也称为处理电路)可以连接到程序存储装置111,并且可被配置为(被编程为)执行存储在程序存储装置111(例如,非暂态计算机可读存储介质)中的指令。例如,处理电路可以提供控制和数据信号以在触摸屏128上生成显示图像,诸如用户界面(UI)的显示图像,可选地包括高血压监测的结果。处理电路还可以从触摸屏128接收触摸输入。触摸输入可以由存储在程序存储装置111中的计算机程序用于执行动作,这些动作可包括但不限于:移动对象诸如光标或指针、滚动或平移、调节控制设置、打开文件或文档、查看菜单、作出选择、执行指令、操作连接到主机设备的外围设备、应答电话呼叫、拨打电话呼叫、终止电话呼叫、改变音量或音频设置、存储与电话通信相关的信息(诸如地址、频繁拨打的号码、已接来电、未接来电)、登录到计算机或计算机网络上、允许经授权的个体访问计算机或计算机网络的受限区域、加载与用户优选的计算机桌面的布置相关联的用户配置文件、允许访问网页内容、启动特定程序、对消息进行加密或解密等。处理电路还可以执行可能与触摸处理和显示不相关的附加功能。在一些示例中,处理电路可以执行本文所述的信号处理功能中的一些信号处理功能(例如,高血压监测/评分)。
需注意,本文所述的一个或多个功能,包括高血压监测,可以由存储在存储器中的固件或存储在程序存储装置111中并且由处理电路执行的指令来执行。该固件也可以存储和/或输送于任何非暂态计算机可读存储介质内,以供指令执行系统、装置或设备诸如基于计算机的系统、包括处理器的系统或可以从指令执行系统、装置或设备获取指令并执行指令的其他系统使用或与其结合。在本文档的上下文中,“非暂态计算机可读存储介质”可以是可包含或存储程序以供指令执行系统、装置或设备使用或与其结合的任何介质(不包括信号)。计算机可读存储介质可包括但不限于电子、磁性、光学、电磁、红外或半导体系统、装置或设备,便携式计算机磁盘(磁性)、随机存取存储器(RAM)(磁性)、只读存储器(ROM)(磁性)、可擦除可编程只读存储器(EPROM)(磁性),或闪存存储器诸如紧凑型闪存卡、安全数字卡、USB存储器设备、记忆棒等。
该固件也可传播于任何传输介质内以供指令执行系统、装置或设备诸如基于计算机的系统、包括处理器的系统或可从指令执行系统、装置或设备获取指令并执行指令的其他系统使用或与其结合。在本文的上下文中,“传输介质”可以是可传送、传播或传输程序以供指令执行系统、装置或设备使用或与其结合的任何介质。传输介质可包括但不限于电子、磁性、光学、电磁或红外有线或无线传播介质。
显而易见的是,图1B所示的架构仅是一个示例性架构,并且可穿戴设备可以具有比所示出的部件更多或更少的部件,或者不同的部件配置。图1B中所示的各种部件可在硬件、软件、固件或它们的任何组合(包括一个或多个信号处理和/或专用集成电路)中实现。另外,图1B所示的部件可以包括在单个设备内,或者可以分布在多个设备之间。
图2示出了根据本公开的示例的高血压监测的示例性框图。框图200可以包括处理电路(例如,对应于图1B中的一个或多个处理器108和/或DSP 109)以计算高血压得分和/或参数。在一些示例中,处理电路可以包括短期高血压得分生成器205(第一阶段)和长期高血压得分生成器215(第二阶段)。框图还可以包括存储器210,该存储器可以存储由短期高血压得分生成器205生成的短期高血压得分/参数,并且可以由长期高血压得分生成器215访问。
短期高血压得分生成器205可以接收来自一个或多个传感器的数据作为输入。数据可以包括来自光学传感器(例如,PPG信号)的光学数据和来自运动传感器(例如,三轴加速度计)的运动数据。光学数据和运动数据两者可以在第一时间段的持续时间的片段内(例如,30秒、1分钟、2分钟、5分钟等)被并行捕获。在一些示例中,对短期高血压得分生成器205的输入还可以包括指示合格脉冲的位置(或脉冲的位置以及与合格脉冲的位置相关联的置信度参数)的脉冲数据。光学数据和运动数据的获取(以及/或者光学和/或运动数据的处理,用于生成脉冲数据)可以是在没有对获取数据的接近用户请求的情况下执行的后台处理的一部分。附加地或另选地,在一些示例中,可以响应于用户请求(例如,使用光学和运动传感器来测量心跳的用户请求)来获取光学数据和运动数据(以及/或者光学和/或运动数据的处理,用于生成脉冲数据)。在一些示例中,获取光学数据和运动数据的后台处理(以及/或者处理光学和/或运动数据,用于生成脉冲数据)可以连续地、周期性地(例如,每小时或每天整数次)、在光学/运动数据的最后测量之后的阈值时间段或者响应于各种触发来执行。在一些示例中,获取光学数据和运动数据的后台处理(以及/或者处理光学和/或运动数据,用于生成脉冲数据)的频率可以被限制为分配给后台处理的总功率的函数。
短期高血压得分生成器205可以处理光学数据和加速度计数据(以及可选地,脉冲数据)的片段,以生成可以与血压相关的短期高血压得分/参数。在一些示例中,短期高血压得分/参数可以包括每个片段的所估计的收缩期血压和舒张期血压(或与收缩期血压和舒张期血压相关的收缩期得分和舒张期得分)。在一些示例中,短期高血压得分/参数可以包括从输入数据中提取的多个参数(例如,对应于特征),而不是每个片段的单个得分。在一些示例中,短期高血压得分/参数可以包括每个片段的所估计的总体高血压得分(而不分解收缩期得分和舒张期得分)。在一些示例中,可针对片段内的子片段(例如,以每脉冲为基础)估计短期高血压得分/参数。在一些示例中,每个片段的短期高血压得分/参数可被存储在存储器210中。
在一些示例中,一旦(例如,响应于在第一时间段获取足够的光学和运动数据来执行短期高血压评分)获取片段(例如,第一时间段)的数据,就可以由短期高血压得分生成器205处理光学和运动数据(以及可选地,脉冲数据)。在一些示例中,光学和运动数据(以及可选地,脉冲数据)的片段可以被存储(例如,存储在存储器210中或存储在数据缓冲器(未示出)中)并且可以稍后进行处理。
长期高血压得分生成器215可以处理短期高血压得分/参数(例如,来自存储器210),并且可以生成可以与血压和/或高血压估计值相关的长期高血压得分。可以使用在第二时间段期间的短期高血压得分/参数的合计(aggregation)来估计长期高血压得分。
图3示出了根据本公开的示例的用于高血压监测的示例性过程。过程300可以由包括处理器108和/或DSP 109的处理电路来执行。在305处,可以在第一时间段的持续时间(例如,30秒、1分钟、2分钟、5分钟等)内获取光学数据和运动数据。在一些示例中,除了获取光学数据和运动数据之外,在308处,可以针对片段获取(或使用光学数据和/或运动数据生成)指示该片段的合格脉冲的脉冲数据。光学数据段和运动数据(以及可选地,脉冲数据)的获取可以是后台处理的一部分。在310处,短期高血压得分/参数可以由短期高血压得分生成器205使用光学和运动数据的片段(以及可选地,脉冲数据)生成。根据确定所获取的短期高血压得分/参数不足(315),可以重复305处的光学和运动数据的获取(以及可选地,308处的脉冲数据的获取)和310处的短期高血压评分。根据确定所获取的短期高血压得分/参数充足(315),在320处,可以由长期高血压得分生成器215生成长期高血压得分。
在一些示例中,短期高血压得分/参数的充足或不足的确定可以基于对应于阈值数量的运动和光学数据的片段的阈值数量(例如,50、100、120、250等)的短期高血压得分/参数。在一些示例中,短期高血压得分/参数的充足或不足可以基于时间段。例如,短期高血压得分/参数的充足可以在阈值时间段诸如第二时间段(例如,数天、一周、数周、一个月等)之后确定。在一些示例中,短期高血压得分/参数的充足可通过针对时间段的每个子时间段(例如,用于针对第二时间段中的每一天生成短期高血压得分/参数的至少一个片段)具有阈值数量的短期高血压得分/参数来确定。
在325处,可以对长期高血压得分/参数进行阈值处理。如果长期高血压得分/参数超过阈值,则可以在330处向用户报告高血压估计结果。例如,可以显示通知以指示未诊断的高血压病症的可能性以及/或者建议用户寻求医疗护理以诊断高血压。附加地或另选地,在一些示例中,用户可以接收包括关于高血压监测的音频反馈和/或触觉反馈的反馈。在一些示例中,可以将结果报告给健康应用程序。在一些示例中,如果用户授权,则可以向用户的医生/医疗团队提供通知。如果长期高血压得分/参数未超过阈值,则可以不向用户通知结果。在一些示例中,可以再次执行根据过程300的高血压监测过程(例如,在第二时间段)以继续监测高血压。
可以基于经验数据来调整在325处使用的阈值,以减少假阳性结果的数量(例如,高血压的错误指示)并且增加真阳性结果的数量(例如,高血压的真实指示)。在一些示例中,可以调整阈值以最大化阶段II高血压的真实阳性通知的数量并且最小化关于非高血压个体的通知的数量。尽管过程300被描述为生成长期高血压得分并且使用单个阈值来区分高血压估计值(和报告)与非高血压(和不报告)估计值,但应当理解,在一些示例中,可以使用多个阈值来区分关于血压的多个水平。例如,阈值可以区分非高血压、升高的血压、阶段I高血压或阶段II高血压。在一些示例中,可针对一些水平(例如,阶段I和阶段II高血压)向用户报告结果,而针对其他水平(例如,非高血压而升高的)不报告结果。在一些示例中,特定水平可以作为向用户报告高血压估计值的一部分被报告以及/或者可以报告给用户的医生(向用户报告或不报告特定水平)。
图4A至图4B示出了根据本公开的示例的短期高血压得分生成器的示例性框图。图4A示出了根据本公开的示例的短期高血压得分生成器的示例性框图。短期高血压得分生成器400可以对应于图2中的短期高血压得分生成器205。在一些示例中,短期高血压得分生成器400可以包括光学数据滤波器405、运动数据滤波器410和机器学习处理电路415。光学数据滤波器405可以对来自光学传感器的光学数据(例如,来自包括一个或多个光发射器102和一个或多个光学传感器104的光学传感器的PPG信号)进行带通滤波(例如,使范围诸如0.1Hz至8Hz之间或0.5Hz至20Hz之间的频率通过)。运动数据滤波器410可以对来自运动传感器(例如,多轴加速度计106)的运动数据进行带通滤波。
机器学习处理电路415可以是具有自注意力的双头卷积神经网络(CNN)。在一些示例中,CNN的主干可包括多个卷积层,这些卷积层可以组织成残差块。CNN可以变换经滤波的光学和运动数据(例如,光学/运动数据的片段)的输入时序张量以提取预测头部的一组特征(短期高血压参数)。然后,预测头部可以对这些特征进行计算,以生成收缩期高血压得分和舒张期高血压得分。例如,预测头部输出中的第一预测头部输出可以是舒张期高血压得分420,并且预测头部输出中的第二预测头部输出可以是收缩期高血压得分425。这些收缩期高血压和舒张期高血压得分可以与样本的血压相关。在一些示例中,每个预测头部可以嵌入有自注意力机制,该自注意力机制可以使相应的预测头部能够注意特征空间中对其目标最突出的部分(例如,收缩期血压或舒张期血压)。特征表示(例如,特征集合)和自注意力两者可以端对端的方式从所标记的训练数据中自动学习。例如,可以通过用设备(例如,血压袖带)测量血压来获取训练数据,以在经由可穿戴设备测量PPG和加速度计数据的同时(或与此接近时)提供所标记的收缩期血压和舒张期血压。在一些示例中,可以调整CNN的系数,以最小化输出短期高血压得分和来自训练数据的短期收缩期血压和舒张期血压标记之间的平均绝对误差(MAE)。在一些示例中,可以将特征存储为短期高血压参数,而不是计算短期高血压得分。短期高血压得分和/或参数可以存储在存储器中。
图4B示出了根据本公开的示例的短期高血压得分生成器的另一示例性框图。短期高血压得分生成器450可以对应于图2中的短期高血压得分生成器205。在一些示例中,短期高血压得分生成器450可以接收经滤波的光学数据、经滤波的运动数据和脉冲数据。在一些示例中,脉冲数据可包括关于一个或多个脉冲在时间上的相对位置的信息和/或关于对应于脉冲的光学数据的质量的信息。在一些示例中,脉冲数据可包括合格脉冲(例如,具有满足一个或多个限定标准的置信度参数的脉冲)的位置。在一些示例中,脉冲在时间上的相对位置可以由光信号的形态中的特定特征(诸如在光信号中表示的心动周期的特征)在时间上的位置来定义。在一些示例中,特征可以是收缩期峰、舒张期陷波或舒张期峰。在一些示例中,短期高血压得分生成器450可包括光学数据滤波器(例如,类似于参考图4A描述的光学数据滤波器405,但在图4B中未示出)和/或运动数据滤波器(例如,类似于参考图4A描述的运动数据滤波器410,但在图4B中未示出)。在一些示例中,短期高血压得分生成器450还可以接收从光学数据中提取的提取特征数据(例如,PPG信号的特征的频率、幅值、相位和/或其他定时特性)。在一些示例中,所提取的特征数据可以从满足相同或类似的合格标准(例如,满足或超过阈值置信度的脉冲)的一个或多个脉冲的光学数据中提取。
短期高血压得分生成器450可包括预处理电路455、机器学习处理电路460和变换电路465。预处理电路455(本文中也称为预处理器)可以接收经滤波的光学和运动数据的输入时序张量(例如,光学/运动数据的片段)和脉冲数据,以将经滤波的光学和运动数据的输入时序张量划分为离散子片段(本文中也称为脉冲窗口)。在一些示例中,每个子片段/脉冲窗口可以具有相同的持续时间(例如,0.5秒、0.75秒、1秒等),并且可以相对于由脉冲数据指示的合格脉冲在时间上的位置来定义子片段/脉冲窗口。在一些示例中,脉冲窗口可以由脉冲数据指示的脉冲在时间上的位置为中心。在一些示例中,脉冲窗口可以在由脉冲数据指示的脉冲在时间上的位置开始。
在一些示例中,可以限制输入时序张量的脉冲窗口的数量(例如,在50个脉冲窗口处、在60个脉冲窗口处、在70个脉冲窗口处等)。在一些示例中,可以限制脉冲窗口的数量,使得合格脉冲的数量乘以脉冲窗口的持续时间小于或等于输入时间序列张量的持续时间。在一些示例中,使用对应于具有最高置信度的脉冲的脉冲窗口,并且可以丢弃高于具有最低置信度的脉冲窗口的最大数量的脉冲窗口(不用于短期高血压评分)。在一些示例中,输入时序张量被顺序地划分为脉冲窗口,并且一旦实现了最大数量的脉冲窗口,就可以结束输入时序张量的划分。
在一些示例中,短期高血压评分可能需要最小数量的脉冲窗口。当脉冲窗口的数量小于脉冲窗口的最小数量(例如,作为预处理的一部分来确定)时,短期高血压得分生成器可以用小于最小数量的脉冲窗口来旁路输入时序张量的短期高血压评分。当脉冲窗口的数量等于或大于脉冲窗口的最小数量时(例如,作为预处理的一部分来确定),短期高血压得分生成器可以至少利用最小数量的脉冲窗口来对输入时序张量执行短期高血压评分。在一些示例中,最小数量的脉冲窗口可以是一个脉冲窗口。在一些示例中,最小数量的脉冲窗口可以大于一个脉冲窗口(例如,2、5、10等)。
在一些示例中,预处理电路455可以缩放脉冲窗口。在一些示例中,用于合格脉冲的脉冲窗口中的每一个脉冲窗口的光学数据和/或运动数据可以通过信道特定标准偏差来缩放(例如,光学数据的第一信道可以通过第一信道的时序输入张量的标准偏差来缩放)。在一些示例中,脉冲窗口中的每一个脉冲窗口的光学数据和/或运动数据可以被限制在最大值(例如,绝对值大于1的限幅值)。
预处理电路455的输出(例如,一个或多个经滤波的和经缩放的脉冲窗口)可以用作机器学习处理电路460的输入。机器学习处理电路460可以是卷积神经网络(CNN)。在一些示例中,CNN的主干可以由卷积层组成,这些卷积层被组织成形成短期高血压得分生成器的“特征提取器”的残差块。CNN可针对每个脉冲窗口提取一组特征(短期高血压参数),这在本文中可以称为特征向量。在一些示例中,CNN可以分支到预测头部中以生成收缩期高血压参数和舒张期高血压参数的特征表示,这些也可以分别称为收缩期特征向量和舒张期特征向量。在一些示例中,收缩期高血压参数和舒张期高血压参数/特征向量可以被组合成一组特征(例如,将收缩期高血压参数和舒张期高血压参数连接成单个向量)。
在一些示例中,可以在输入中跨脉冲窗口合计特征集合(例如,在生成输入片段中的每个脉冲窗口的特征集合之后)。在一些示例中,合计(aggregation)可以是每个脉冲窗口的特征集合中的每个特征的平均。在一些示例中,合计可以是输入片段中跨脉冲窗口的收缩期特征向量中的每个特征的平均值和输入片段中跨脉冲窗口的舒张期特征向量中的每个特征的平均值。
在一些示例中,特征集合可以分支到预测头部中,预测头部对特征集合(例如,合计的收缩期特征向量和舒张期特征向量)执行计算以生成可以与输入片段的血压相关联的收缩期高血压得分和舒张期高血压得分。收缩期高血压得分和舒张期高血压得分可用于生成输入片段的短期高血压得分。在一些示例中,可以使用一个或多个变换来实现生成收缩期高血压得分和舒张期高血压得分以及短期高血压的计算。
例如,如图4B所示,CNN 460的特征表示输出可以使用变换电路465进行变换,以对特征表示应用一个或多个变换来生成短期高血压得分470。短期高血压得分470可被存储在存储器中。在一些示例中,变换电路465可以应用一个或多个线性变换来将由CNN 460输出的高维特征向量转换成标量值的短期高血压得分。例如,线性变换可以将特征表示向量旋转到新的基(basis)。例如,可以使用一个线性变换将特征表示变换为相互独立并且根据重要性排序的正交表示(例如,高血压结果中特征所占的方差)。例如,可以将主成分分析(PCA)应用于训练数据,以学习将特征向量旋转为标准正交表示的基变换矩阵WPCA。可以应用一个或多个附加的线性变换来预测长期收缩期压力得分和舒张期压力得分和/或长期高血压得分。例如,可以将第一多输出岭回归(例如,使用L2正则化)应用于训练数据以预测新的基的长期收缩期血压得分和舒张期血压得分。可以将第二岭回归(例如,使用L2正则化)应用于训练数据以从所预测的收缩期血压得分和舒张期血压得分预测长期高血压状态/得分。从第一岭回归和第二岭回归得到的回归权重可以学习矩阵WBP(收缩期血压权重/舒张期血压权重)和矩阵WHT(高血压权重)。
在一些示例中,可以在多个操作中应用上述线性变换。例如,可以使用矩阵WPCA将第一变换应用于短期特征向量以改变基,然后可以使用WBP将第二变换应用于新的基中的特征向量以预测收缩期血压得分和舒张期血压得分,然后可以使用WHT将第三转换应用于所预测的收缩期血压得分和舒张期血压得分以预测短期高血压得分(例如,标量值)。在一些示例中,可以用更少的步骤或单个步骤来组合和应用一些或所有变换。例如,单个综合权重矩阵(omnibus weight matrix)WO可以在一个变换操作中应用于由CNN 460输出的特征向量,其中WO=WPCA*WBP*WHT。单个综合权重可以减少存储需求(一个矩阵而不是三个矩阵)并且减少处理时间/操作(一个变换而不是三个变换)。
在一些示例中,所提取的特征数据可以与收缩期高血压参数和舒张期高血压参数/特征向量组合成组合的特征集合(例如,将所提取的特征数据与收缩期高血压参数和舒张期高血压参数/向量连接成单个向量)。在一些示例中,组合可以在执行任何变换之前发生。在一些示例中,组合可以在应用第一变换(例如,用于改变基的第一线性变换)之后发生,并且随后的变换(例如,第二线性变换和第三线性变换)可以应用于组合的特征集合。所提取的特征数据可以细化短期高血压评分,并且提供高血压估计的提升的准确度。
尽管上述跨脉冲的特征集合的合计应用于收缩期特征向量和舒张期特征向量,但应当理解,合计可应用于不同的处理阶段。在一些示例中,可以在分支到单独的收缩期头部和舒张期头部之前,合计在处理中更早地应用于全部的特征集合。在一些示例中,上述收缩期特征向量和舒张期特征向量可用于计算每个脉冲的收缩期头部和舒张期头部的收缩期高血压得分和舒张期高血压得分,然后可以在输入片段中跨每个脉冲窗口合计收缩期高血压得分和舒张期高血压得分。
图5A至图5C示出了根据本公开的示例的长期高血压得分生成器的示例性框图。长期高血压得分生成器500、长期高血压得分生成器530或长期高血压得分生成器550可以对应于图2中的长期高血压得分生成器215。应当理解,长期高血压得分生成器500、530和550是示例性实施方式,并且其他实施方式也是可能的。更一般地,长期高血压得分生成器可以接收短期高血压得分/参数并且输出长期高血压得分(例如,使用短期高血压得分/参数的合计以及/或者使用机器学习模型)。
参考图5A,长期高血压得分生成器500可以包括特征提取块505、舒张期决策树510和收缩期决策树515。长期高血压得分生成器500可用于使用由短期高血压得分生成器400输出的合计的短期高血压得分(例如,短期高血压得分的可变长度时间序列)来生成单个长期高血压得分。
特征提取块505可以接收短期高血压得分(例如,存储在存储器210中)作为输入。在一些示例中,特征提取块505可以从合计的短期高血压得分中提取统计特征。例如,高血压得分的分布可以通过平均值、中值、众数、方差和/或百分位数的一些或全部以及其他可能的合计统计度量来概括。
舒张期决策树510和收缩期决策树515各自可以是梯度提升决策树机器学习模型。舒张期决策树510和收缩期决策树515可以各自接收特征提取块505的输出作为输入,并且可以输出长期收缩期高血压得分(长期收缩期高血压得分与合计收缩期血压相关)和长期舒张期高血压得分(长期舒张期高血压得分与合计舒张期血压相关)。可以使用短期高血压得分和长期的用户级血压标签来训练决策树。训练可以使长期的用户级血压标签和决策树输出之间的MAE最小化。在一些示例中,为了防止过度拟合,可以限制梯度提升决策树可以学习的树的数量(例如,基于与训练数据类似但分开的验证数据集上的误差测量)。梯度提升决策树可针对输入特征学习不同的加权参数(序列中的每个后续树通过应用不同的权重来校正前驱树的错误),使得决策树的集成可以提供非线性预测函数。
在一些示例中,如图5A所示,长期高血压得分生成器500可以包括单独的梯度提升决策树以利用对于收缩期血压或舒张期血压可以是唯一的特征组合。然后可以将结果(例如,使用加权平均)合计到单个长期高血压得分520中,当长期高血压得分高于阈值时,该单个长期高血压得分可用于估计高血压以及/或者报告高血压(例如,如关于过程300所述)。在一些示例中,代替使用单独的收缩期梯度提升决策树510和舒张期梯度提升决策树515,可以使用一组梯度提升决策树来生成长期高血压得分520(而无需干预收缩期得分和舒张期得分)。
参考图5B,长期高血压得分生成器530可以包括特征提取块535和机器学习模型540(例如,用正则化线性回归模型)。长期高血压得分生成器530可用于从合计由短期高血压得分生成器400输出的短期高血压参数来生成单个长期高血压得分。特征提取块535可以接收短期高血压参数(例如,存储在存储器210中)作为输入。
在一些示例中,特征提取块535可以合计短期高血压参数。例如,可以计算短期高血压参数的合计统计值。在一些示例中,合计统计值可以包括平均向量,计算该平均向量以对短期高血压参数的集合(每个片段一个集合)求平均。例如,来自短期高血压得分生成器的短期高血压参数的每个估计值可包括可以用向量表示的N个参数(特征)。可以对来自M个短期估计值(针对M个片段)中的每一个短期估计值的N个参数求平均,以产生具有N个参数的平均向量(例如,针对N个参数,来自M个短期估计值中的每一个短期估计值的平均参数1,来自M个短期估计值中的每一个短期估计值的平均参数2,等等)。在一些示例中,合计统计值还可以包括跨M个短期估计值的N个参数中的每个参数的方差或标准偏差。在一些示例中,可以计算其他合计统计值。
在一些示例中,特征提取块535还可以计算短期高血压参数(例如,来自M个短期估计值中的每一个短期估计值的N个参数)的协方差(矩阵)。协方差矩阵可以由其本征向量(eigenvector)表示,并且可以用作输入到机器学习模型540中的附加参数。在一些示例中,为了减少输入参数的数量,可以使用更小的维数来估计协方差以及/或者可以用协方差矩阵的更少的本征向量来表示特征。例如,在一些示例中,可以最先基于N个参数中的每一个参数的方差对短期高血压参数进行分类(例如,使用主分量分析),并且可针对短期高血压参数的维度的子集计算协方差(对于具有最高方差或在方差范围内的那些参数<N个维度)。在一些示例中,协方差矩阵的近似可以使用协方差矩阵的本征向量的子集(例如,一个或多个本征向量)。该本征向量子集可以与均值向量一起用作机器学习模型540的输入。
机器学习模型540可以是线性回归机器学习模型(例如,岭回归)。机器学习模型540可以各自接收特征提取块535的输出作为输入,并且可以输出长期高血压得分。可以使用短期高血压参数(以及相关联的提取特征)和长期的用户级高血压标签来训练机器学习模型。训练可以用于最小化长期的用户级高血压标签和机器学习模型540的输出之间的MAE。
参见图5C,长期高血压得分生成器550可用于使用由短期高血压得分生成器450输出的合计的短期高血压得分(例如,短期高血压得分的可变长度时间序列)来生成单个长期高血压得分。长期高血压得分生成器550可包括平均值块555,以计算短期高血压得分的算术平均值(例如,由短期高血压得分生成器450输出)。
应当理解,图4A至图5C所示的框图的部件可以用硬件或软件或它们的组合来实现。另外,应当理解,框图是示例,并且实施方式可包括更少的、更多的或不同的框。例如,短期高血压得分生成器400的滤波器可以在系统的单独部分中实现(例如,经滤波的数据流可以不专门用于高血压监测)。另外,应当理解,可以使用与图5A至图5C所示不同的合计技术和/或特征提取技术和/或机器学习技术来生成长期高血压得分。例如,可以使用不同于图5A的梯度提升决策树和图5B的正则化线性回归模型的其他机器学习模型。
如上所述,本技术的各方面包括生理信息的收集和使用。该技术可以与涉及收集与用户的健康相关和/或唯一地识别或可以用于联系或定位特定人的个人数据的技术一起实施。此类个人数据可以包括人口统计数据、出生日期、基于位置的数据、电话号码、电子邮件地址、家庭地址,以及与用户的健康或健康水平相关的数据或记录(例如,生命体征测量、药物信息、锻炼信息等)。
本公开认识到,用户的个人数据(包括生理信息,诸如由本技术生成和使用的数据)可以用于造福用户。例如,评估用户的睡眠状况、心率和/或血压可以允许用户跟踪或以其他方式获得关于他们的健康的见解。
本公开设想负责收集、分析、公开、传输、存储或其他使用此类个人数据的实体将遵守既定的隐私政策和/或隐私实践。具体地,此类实体应当实行并坚持使用被公认为满足或超出对维护个人信息数据的隐私性和安全性的行业或政府要求的隐私政策和实践。此类政策应该能被用户方便地访问,并应随着数据的采集和/或使用变化而被更新。来自用户的个人信息应当被收集用于实体的合法且合理的用途,并且不在这些合法使用之外共享或出售。此外,此类收集/共享应要求收到用户的知情同意。此外,此类实体应考虑采取任何必要步骤,保卫和保障对此类个人信息数据的访问,并确保有权访问个人信息数据的其他人遵守其隐私政策和流程。另外,这种实体可使其本身经受第三方评估以证明其遵守广泛接受的隐私政策和实践。可以根据地理区域和/或被收集和使用的个人数据的特定类型和性质来调整这些策略和实践。
不管前述情况如何,本公开还设想用户选择性地阻止收集、使用或访问包括生理信息的个人数据的实施方案。例如,用户可能能够禁用收集生理信息的硬件和/或软件元件。另外,本公开预期可提供硬件和/或软件元件,以防止或阻止对已收集的个人数据的访问。具体地,用户可选择移除、禁用或限制对某些收集用户的个人健康或健身数据的健康相关应用的访问。
因此,根据上述内容,本公开的一些示例涉及一种电子设备。电子设备可包括:光学传感器;运动传感器;以及处理电路,该处理电路耦接到光学传感器和运动传感器。处理电路可被配置为:生成高血压得分或参数的多个估计值,高血压得分或参数的多个估计值中的每个相应估计值使用来自光学传感器和运动传感器的数据的相应片段;以及使用多个估计值来生成合计的高血压得分。作为上文所公开的示例中的一个或多个示例的补充或替代,处理电路可进一步被配置为:根据合计的高血压得分超过阈值,生成关于可能的高血压的通知;以及根据合计的高血压得分未超过阈值,放弃生成通知。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,相应片段可以对应于第一时间段的持续时间,并且合计的高血压得分可以对应于大于第一时间段的第二时间段。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,处理电路可以包括第一机器学习模型,该第一机器学习模型被配置为生成高血压得分或参数的多个估计值。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,第一机器学习模型可以包括卷积神经网络。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,第一机器学习模型可包括被配置为生成收缩期高血压得分或参数的第一预测头部和被配置为生成舒张期高血压得分或参数的第二预测头部。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,处理电路可以包括第二机器学习模型,该第二机器学习模型被配置为生成合计的高血压得分。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,第二机器学习模型可以包括一个或多个梯度提升决策树或正则化线性回归模型。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,生成合计的高血压得分可包括使用多个估计值来计算统计参数并且使用统计参数来生成合计的高血压得分。
作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,处理电路可进一步被配置为将来自光学传感器和运动传感器的数据的相应片段划分为一个或多个脉冲窗口。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,处理电路进一步被配置为缩放一个或多个脉冲窗口。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,处理电路可以包括机器学习模型,该机器学习模型被配置为生成高血压得分或参数的多个估计值。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,使用来自光学传感器和运动传感器的数据的相应片段来生成高血压得分或参数的多个估计值的相应估计值可包括:将多个脉冲窗口输入到机器学习模型中,以针对多个脉冲窗口中的每一个脉冲窗口生成高血压参数的特征向量;以及对多个脉冲窗口的特征向量求平均,以针对相应片段生成合计的特征向量。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,使用来自光学传感器和运动传感器的数据的相应片段来生成高血压得分或参数的多个估计值的相应估计值可包括变换相应片段的合计的特征向量以生成具有标量值的相应估计值。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,变换合计的特征向量可包括应用一个或多个线性变换。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,一个或多个线性变换可包括用于将相应片段的合计的特征向量的基改变为新的基的变换。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,一个或多个线性变换可以包括用于根据新的基中的相应片段的合计特征向量来预测收缩期高血压得分或参数和舒张期高血压得分或参数的变换。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,一个或多个线性变换可以包括用于根据收缩期高血压得分或参数和舒张期高血压得分或参数来预测高血压得分的相应估计值的变换。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,生成合计的高血压得分包括对多个估计值求平均以生成合计的高血压得分。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,可以在一个或多个线性变换之前或期间将从光学数据提取的特征添加到合计的特征向量。
本公开的一些示例涉及一种方法。该方法可包括:生成高血压得分或参数的多个估计值,高血压得分或参数的多个估计值中的每个相应估计值使用来自光学传感器和运动传感器的数据的相应片段;以及使用多个估计值来生成合计的高血压得分。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,该方法还可以包括:根据合计的高血压得分超过阈值,生成关于可能的高血压的通知;以及根据合计的高血压得分未超过阈值,放弃生成通知。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,相应片段可以对应于第一时间段的持续时间,并且合计的高血压得分可以对应于大于第一时间段的第二时间段。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,生成高血压得分或参数的多个估计值可包括将第一机器学习模型应用于来自光学传感器和运动传感器的数据的多个片段。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,第一机器学习模型可以包括卷积神经网络。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,第一机器学习模型可包括被配置为生成收缩期高血压得分或参数的第一预测头部和被配置为生成舒张期高血压得分或参数的第二预测头部。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,生成合计的高血压得分可包括将第二机器学习模型应用于多个估计值。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,第二机器学习模型可以包括一个或多个梯度提升决策树或正则化线性回归模型。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,生成合计的高血压得分可包括使用多个估计值来计算统计参数并且使用统计参数来生成合计的高血压得分。
作为上述示例中的一个或多个示例的补充或替代,在一些示例中,该方法还可以包括将来自光学传感器和运动传感器的数据的相应片段划分为一个或多个脉冲窗口。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,该方法还可以包括缩放一个或多个脉冲窗口。作为上述示例中的一个或多个示例的补充或替代,在一些示例中,生成高血压得分或参数的多个估计值可包括应用机器学习模型,该机器学习模型被配置为生成高血压得分或参数的多个估计值。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,使用来自光学传感器和运动传感器的数据的相应片段来生成高血压得分或参数的多个估计值的相应估计值可包括:将多个脉冲窗口输入到机器学习模型中,以针对多个脉冲窗口中的每一个脉冲窗口生成高血压参数的特征向量;以及对多个脉冲窗口的特征向量求平均,以针对相应片段生成合计的特征向量。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,使用来自光学传感器和运动传感器的数据的相应片段来生成高血压得分或参数的多个估计值的相应估计值可包括变换相应片段的合计的特征向量以生成具有标量值的相应估计值。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,变换合计的特征向量可包括应用一个或多个线性变换。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,一个或多个线性变换可包括用于将相应片段的合计的特征向量的基改变为新的基的变换。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,一个或多个线性变换可以包括用于根据新的基中的相应片段的合计特征向量来预测收缩期高血压得分或参数和舒张期高血压得分或参数的变换。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,一个或多个线性变换可以包括用于根据收缩期高血压得分或参数和舒张期高血压得分或参数来预测高血压得分的相应估计值的变换。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,生成合计的高血压得分包括对多个估计值求平均以生成合计的高血压得分。作为上文所公开的示例中的一个或多个示例的补充或替代,在一些示例中,可以在一个或多个线性变换之前或期间将从光学数据提取的特征添加到合计的特征向量。
本公开的一些示例涉及非暂态计算机可读存储介质。非暂态计算机可读存储介质可以存储指令,这些指令在由包括处理电路的设备执行时可以使处理电路执行上述方法中的任何一种方法。
尽管参照附图对本公开的示例进行了全面的描述,但应注意,各种变化和修改对于本领域内的技术人员而言将变得显而易见。应当理解,此类变化和修改被认为被包括在由所附权利要求所限定的本公开的示例的范围内。
Claims (39)
1.一种电子设备,包括:
光学传感器;
运动传感器;以及
处理电路,所述处理电路耦接到所述光学传感器和所述运动传感器,所述处理电路被配置为:
生成高血压得分或参数的多个估计值,高血压得分或参数的所述多个估计值中的每个相应估计值使用来自所述光学传感器和所述运动传感器的数据的相应片段;以及
使用所述多个估计值来生成合计的高血压得分。
2.根据权利要求1所述的电子设备,所述处理电路进一步被配置为:
根据所述合计的高血压得分超过阈值,生成关于可能的高血压的通知;以及
根据所述合计的高血压得分未超过所述阈值,放弃生成所述通知。
3.根据权利要求1所述的电子设备,其中所述相应片段对应于第一时间段的持续时间,并且所述合计的高血压得分对应于大于所述第一时间段的第二时间段。
4.根据权利要求1所述的电子设备,其中所述处理电路包括第一机器学习模型,所述第一机器学习模型被配置为生成高血压得分或参数的所述多个估计值。
5.根据权利要求4所述的电子设备,其中所述第一机器学习模型包括卷积神经网络。
6.根据权利要求5所述的电子设备,其中所述第一机器学习模型包括被配置为生成收缩期高血压得分或参数的第一预测头部和被配置为生成舒张期高血压得分或参数的第二预测头部。
7.根据权利要求4所述的电子设备,其中所述处理电路包括第二机器学习模型,所述第二机器学习模型被配置为生成所述合计的高血压得分。
8.根据权利要求7所述的电子设备,其中所述第二机器学习模型包括一个或多个梯度提升决策树或正则化线性回归模型。
9.根据权利要求1所述的电子设备,其中生成所述合计的高血压得分包括:使用所述多个估计值来计算统计参数,以及使用所述统计参数来生成所述合计的高血压得分。
10.根据权利要求1所述的电子设备,所述处理电路进一步被配置为:
将来自所述光学传感器和所述运动传感器的数据的所述相应片段划分为一个或多个脉冲窗口。
11.根据权利要求10所述的电子设备,所述处理电路进一步被配置为:
缩放所述一个或多个脉冲窗口。
12.根据权利要求10所述的电子设备,其中所述处理电路包括机器学习模型,所述机器学习模型被配置为生成高血压得分或参数的所述多个估计值。
13.根据权利要求12所述的电子设备,其中使用来自所述光学传感器和所述运动传感器的数据的所述相应片段来生成高血压得分或参数的所述多个估计值中的所述相应估计值包括:
将多个所述脉冲窗口输入到所述机器学习模型中以生成所述多个脉冲窗口中的每一个脉冲窗口的高血压参数的特征向量;以及
对所述多个脉冲窗口的所述特征向量求平均,以生成所述相应片段的合计的特征向量。
14.根据权利要求13所述的电子设备,其中使用来自所述光学传感器和所述运动传感器的数据的所述相应片段来生成高血压得分或参数的所述多个估计值中的所述相应估计值包括:
变换所述相应片段的所述合计的特征向量以生成具有标量值的所述相应估计值。
15.根据权利要求14所述的电子设备,其中变换所述合计的特征向量包括应用一个或多个线性变换。
16.根据权利要求15所述的电子设备,其中所述一个或多个线性变换包括用于将所述相应片段的所述合计的特征向量的基改变为新的基的变换。
17.根据权利要求16所述的电子设备,其中所述一个或多个线性变换包括用于从所述新的基中的所述相应片段的所述合计的特征向量预测收缩期高血压得分或参数和舒张期高血压得分或参数的变换。
18.根据权利要求17所述的电子设备,其中所述一个或多个线性变换包括用于从所述收缩期高血压得分或参数和所述舒张期高血压得分或参数预测所述高血压得分的所述相应估计值的变换。
19.根据权利要求1所述的电子设备,其中生成所述合计的高血压得分包括对所述多个估计值求平均以生成所述合计的高血压得分。
20.一种方法,包括:
生成高血压得分或参数的多个估计值,高血压得分或参数的所述多个估计值中的每个相应估计值使用来自光学传感器和运动传感器的数据的相应片段;以及
使用所述多个估计值来生成合计的高血压得分。
21.根据权利要求20所述的方法,还包括:
根据所述合计的高血压得分超过阈值,生成关于可能的高血压的通知;以及
根据所述合计的高血压得分未超过所述阈值,放弃生成所述通知。
22.根据权利要求20所述的方法,其中所述相应片段对应于第一时间段的持续时间,并且所述合计的高血压得分对应于大于所述第一时间段的第二时间段。
23.根据权利要求20所述的方法,其中生成高血压得分或参数的所述多个估计值包括将第一机器学习模型应用于来自所述光学传感器和所述运动传感器的数据的多个片段。
24.根据权利要求23所述的方法,其中所述第一机器学习模型包括卷积神经网络。
25.根据权利要求24所述的方法,其中所述第一机器学习模型包括被配置为生成收缩期高血压得分或参数的第一预测头部和被配置为生成舒张期高血压得分或参数的第二预测头部。
26.根据权利要求23所述的方法,其中生成所述合计的高血压得分包括将第二机器学习模型应用于所述多个估计值。
27.根据权利要求26所述的方法,其中所述第二机器学习模型包括一个或多个梯度提升决策树或正则化线性回归模型。
28.根据权利要求20所述的方法,其中生成所述合计的高血压得分包括:使用所述多个估计值来计算统计参数,以及使用所述统计参数来生成所述合计的高血压得分。
29.根据权利要求20所述的方法,还包括:
将来自所述光学传感器和所述运动传感器的数据的所述相应片段划分为一个或多个脉冲窗口。
30.根据权利要求20所述的方法,还包括:
缩放所述一个或多个脉冲窗口。
31.根据权利要求20所述的方法,其中生成高血压得分或参数的所述多个估计值包括应用机器学习模型来生成高血压得分或参数的所述多个估计值。
32.根据权利要求31所述的方法,其中使用来自所述光学传感器和所述运动传感器的数据的所述相应片段来生成高血压得分或参数的所述多个估计值中的所述相应估计值包括:
将多个所述脉冲窗口输入到所述机器学习模型中以生成所述多个脉冲窗口中的每一个脉冲窗口的高血压参数的特征向量;以及
对所述多个脉冲窗口的所述特征向量求平均,以生成所述相应片段的合计的特征向量。
33.根据权利要求32所述的方法,其中使用来自所述光学传感器和所述运动传感器的数据的所述相应片段来生成高血压得分或参数的所述多个估计值中的所述相应估计值包括:
变换所述相应片段的所述合计的特征向量以生成具有标量值的所述相应估计值。
34.根据权利要求33所述的方法,其中变换所述合计的特征向量包括应用一个或多个线性变换。
35.根据权利要求34所述的方法,其中所述一个或多个线性变换包括用于将所述相应片段的所述合计的特征向量的基改变为新的基的变换。
36.根据权利要求35所述的方法,其中所述一个或多个线性变换包括用于从所述新的基中的所述相应片段的所述合计的特征向量预测收缩期高血压得分或参数和舒张期高血压得分或参数的变换。
37.根据权利要求36所述的方法,其中所述一个或多个线性变换包括用于从所述收缩期高血压得分或参数和所述舒张期高血压得分或参数预测所述高血压得分的所述相应估计值的变换。
38.根据权利要求20所述的方法,其中生成所述合计的高血压得分包括对所述多个估计值求平均以生成所述合计的高血压得分。
39.一种存储指令的非暂态计算机可读存储介质,所述指令在由包括处理电路的设备执行时使所述处理电路执行根据权利要求20至38中任一项所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063033802P | 2020-06-02 | 2020-06-02 | |
US63/033,802 | 2020-06-02 | ||
US202163146536P | 2021-02-05 | 2021-02-05 | |
US63/146,536 | 2021-02-05 | ||
PCT/US2021/035304 WO2021247613A1 (en) | 2020-06-02 | 2021-06-01 | Systems and methods for hypertension monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115666376A true CN115666376A (zh) | 2023-01-31 |
Family
ID=76601832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180039968.3A Pending CN115666376A (zh) | 2020-06-02 | 2021-06-01 | 用于高血压监测的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210375473A1 (zh) |
EP (1) | EP4157077A1 (zh) |
JP (1) | JP2023528861A (zh) |
CN (1) | CN115666376A (zh) |
WO (1) | WO2021247613A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2622396A (en) | 2022-09-14 | 2024-03-20 | Carelight Ltd | Real time opto-physiological monitoring method and system |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2396844B1 (es) * | 2010-12-01 | 2014-01-27 | Universitat Politècnica De Catalunya | Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial |
US10561321B2 (en) * | 2013-12-12 | 2020-02-18 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
US10559220B2 (en) * | 2015-10-30 | 2020-02-11 | Logitech Europe, S.A. | Systems and methods for creating a neural network to provide personalized recommendations using activity monitoring devices with biometric sensors |
US20170181649A1 (en) * | 2015-12-28 | 2017-06-29 | Amiigo, Inc. | Systems and Methods for Determining Blood Pressure |
US10716518B2 (en) * | 2016-11-01 | 2020-07-21 | Microsoft Technology Licensing, Llc | Blood pressure estimation by wearable computing device |
-
2021
- 2021-06-01 WO PCT/US2021/035304 patent/WO2021247613A1/en unknown
- 2021-06-01 JP JP2022574280A patent/JP2023528861A/ja active Pending
- 2021-06-01 US US17/336,188 patent/US20210375473A1/en active Pending
- 2021-06-01 CN CN202180039968.3A patent/CN115666376A/zh active Pending
- 2021-06-01 EP EP21734722.8A patent/EP4157077A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4157077A1 (en) | 2023-04-05 |
US20210375473A1 (en) | 2021-12-02 |
WO2021247613A1 (en) | 2021-12-09 |
JP2023528861A (ja) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11147463B2 (en) | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device | |
JP6435128B2 (ja) | 生理学的パラメータの監視 | |
KR101870121B1 (ko) | 심층신경망을 이용한 혈류상태 분석시스템, 방법 및 프로그램 | |
Tazarv et al. | A deep learning approach to predict blood pressure from ppg signals | |
EP3453321B1 (en) | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing | |
CN111183424B (zh) | 识别用户的系统和方法 | |
KR20160094265A (ko) | 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법 | |
US10342441B2 (en) | Estimating heart rate by tracking optical signal frequency components | |
US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
Shin | Deep convolutional neural network-based signal quality assessment for photoplethysmogram | |
CN112203582A (zh) | 脉冲传播时间确定方法和系统 | |
US20230036114A1 (en) | System and methods for determining health-related metrics from collected physiological data | |
Kumar et al. | A novel CS-NET architecture based on the unification of CNN, SVM and super-resolution spectrogram to monitor and classify blood pressure using photoplethysmography | |
US20210375473A1 (en) | Systems and methods for hypertension monitoring | |
US11324411B2 (en) | Method and system for determining cardiovascular parameters | |
Kumar et al. | Edge-Based Computation of Super-Resolution Superlet Spectrograms for Real-Time Estimation of Heart Rate Using an IoMT Based Reference Signal Less PPG Sensor | |
US20240180434A1 (en) | System and method for blood pressure measurement, computer program product using the method, and computer-readable recording medium thereof | |
US20240020882A1 (en) | Camera-Based Contactless Monitoring of Physiological Parameters | |
Malini | Non-Contact Heart Rate Monitoring System using Deep Learning Techniques | |
JP7507984B1 (ja) | 体調検出装置、体調検出システム、体調検出方法、及び体調検出プログラム | |
US20230148880A1 (en) | Method and system for determining cardiovascular parameters | |
Lima et al. | Remote detection of heart beat and heart rate from video sequences | |
WO2023175612A1 (en) | Devices and methods for predicting effect of a cardiovascular medication administration program | |
Rawat et al. | Heart Rate Monitoring Using External Camera | |
Sayyaf et al. | Heart Rate Evaluation by Smartphone: An Overview |
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 |