CN115836359A - 融合传感器数据以进行心脏监测的方法及其装置 - Google Patents

融合传感器数据以进行心脏监测的方法及其装置 Download PDF

Info

Publication number
CN115836359A
CN115836359A CN202180049770.3A CN202180049770A CN115836359A CN 115836359 A CN115836359 A CN 115836359A CN 202180049770 A CN202180049770 A CN 202180049770A CN 115836359 A CN115836359 A CN 115836359A
Authority
CN
China
Prior art keywords
cardiac monitoring
computing device
data
image data
cardiac
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
Application number
CN202180049770.3A
Other languages
English (en)
Inventor
P·J·川度
A·G·史密斯
H·E·戈默
路易斯·L·兰克尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ChemImage Corp
Original Assignee
ChemImage Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ChemImage Corp filed Critical ChemImage Corp
Publication of CN115836359A publication Critical patent/CN115836359A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G16H40/67—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 remote operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/4869—Determining body composition
    • A61B5/4875—Hydration status, fluid retention of the body
    • A61B5/4878—Evaluating oedema
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H50/20—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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
    • 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
    • A61B5/24—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]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Radiology & Medical Imaging (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

公开了一种用于改进的心脏监测的方法。该方法包括：从被配置用于监测患者的水肿的图像传感器接收图像数据。从被配置为监测与患者的心脏活动相关的一个或更多个因素的一个或更多个附加传感器接收附加数据。所接收到的图像数据与接收到的来自一个或更多个附加传感器的附加数据融合以生成融合数据集。基于融合数据集确定患者的心脏状况。还公开了一种心脏监测计算装置和非暂时性介质。

Description

融合传感器数据以进行心脏监测的方法及其装置
相关申请的交叉引用
本申请要求2020年6月1日提交的美国临时专利申请No.63/032,894的权益，该美国临时专利申请的全部通过引用并入本文。
技术领域
本公开通常涉及用于改进的心脏监测的系统和方法。特别地，本公开涉及通过融合传感器数据来改进心脏监测的系统和方法。更特别地，本公开涉及将与外周水肿相关的图像数据与其他非图像数据融合以提供潜在心力衰竭的指征的系统和方法。
背景技术
水肿是包括例如充血性心力衰竭的心脏病的系统。检测外周水肿的严重性是确定治疗选项以避免诸如心力衰竭的轻威胁性状况的重要因素。例如，心力衰竭是65岁以上人们住院的主要原因并且与所有形式的联合癌症相比占了更多的入院。在因心力衰竭而入院并治疗的患者之中，接近25％的患者在出院30天内再入院。再入院常常是必要的，因为为心力衰竭患者开的利尿剂可能需要频繁调整。当错过给药(dosing)或者未监测到对药物水平的调整时，水肿的堆积是可能需要对患者的治疗方案做出修改的首要指标之一。因此，监测水肿是监测患者是否有潜在心力衰竭的重要方面。
当前，临床医师具有用于监测出院之后的患者的各种技术。例如，临床医师能够安排定期复诊预约，跟踪患者的运动耐量和症状，监测患者的电解质水平，监测患者有没有药物副作用，并且给患者开远程监测方案，包括例如监测血压、心率、体重和其他相关的患者健康参数。
然而，最近的研究已表明，作为例行护理的辅助手段的与例如心力衰竭患者的体重和各种生命体征的监测相关的当前远程监测技术对发病率和死亡率没有显著的增量影响。为了改进对患者的潜在心力衰竭的远程监测，已经开发了利用成像数据来检测外周水肿的系统。然而，需要能够更准确地提供潜在心力衰竭的早期和客观预警的系统。
本公开致力于这个以及对心脏监测的其他有利改进。
发明内容
在一个实施例中，存在一种心脏监测的方法，该方法包括：由心脏监测计算装置从被配置用于监测患者的水肿的图像传感器接收图像数据；由心脏监测计算装置从被配置为监测与患者的心脏活动相关的一个或更多个因素的一个或更多个附加传感器接收附加数据；由心脏监测计算装置将所接收到的图像数据与接收到的来自一个或更多个附加传感器的附加数据融合以生成融合数据集；以及由心脏监测计算装置基于融合数据集确定患者的心脏状况。
在另一实施例中，将所接收到的图像数据与所接收到的附加数据融合还包括：由心脏监测计算装置对所接收到的图像数据和所接收到的附加数据应用一种或更多种数据融合算法。
在另一实施例中，应用数据融合算法包括利用以下一者或更多者：图像加权贝叶斯函数、逻辑回归、线性回归、正则化回归、朴素贝叶斯(
Figure BDA0004049339610000021
Bayes)、分类和回归树、支持向量机、或神经网络。
在另一实施例中，所接收到的附加数据是非图像数据。
在另一实施例中，一个或更多个附加传感器包括以下一者或更多者：脉搏血氧仪、心电图机、胸阻抗传感器或植入式心脏监测装置。
在另一实施例中，确定心脏状况还包括：由心脏监测计算装置识别潜在心力衰竭的一个或更多个指征。
在另一实施例中，图像传感器包括：光源，该光源被配置为用光来照射患者的组织；以及检测器，该检测器被配置为收集来自患者的组织的反射光并生成与该反射光相关联的图像数据；其中，该方法还包括：由心脏监测计算装置接收与反射光相关联的图像数据；由心脏监测计算装置计算出反射光的强度值；以及由心脏监测计算装置确定组织是否显示出水肿的症状。
在另一实施例中，患者的组织位于患者的前臂上。
在另一实施例中，图像数据是光谱数据并且图像传感器是光谱传感器。
在一个实施例中，存在一种非暂时性计算机可读介质，在其上存储有用于改进的心脏监测的指令，所述指令包括可执行代码，该可执行代码当由一个或更多个处理器执行时，使该一个或更多个处理器：从被配置用于监测患者的水肿的图像传感器接收图像数据；从被配置为监测与患者的心脏活动相关的一个或更多个因素的一个或更多个附加传感器接收附加数据；将所接收到的图像数据与接收到的来自一个或更多个附加传感器的附加数据融合以生成融合数据集；以及基于融合数据集确定患者的心脏状况。
在另一实施例中，处理器通过对所接收到的图像数据和所接收到的附加数据应用一种或更多种数据融合算法来将所接收到的图像数据与所接收到的附加数据融合。
在另一实施例中，数据融合算法包括以下一者或更多者：图像加权贝叶斯函数、逻辑回归、线性回归、正则化回归、朴素贝叶斯、分类和回归树、支持向量机、或神经网络。
在另一实施例中，处理器接收的附加数据是非图像数据。
在另一实施例中，一个或更多个附加传感器包括以下一者或更多者：脉搏血氧仪、心电图机、胸阻抗传感器或植入式心脏监测装置。
在另一实施例中，心脏状况的确定还包括：识别潜在心力衰竭的一个或更多个指征。
在一个实施例中，存在一种心脏监测计算装置，该心脏监测计算装置包括：存储器，该存储器包括存储在其上以用于心脏监测的编程指令；以及一个或更多个处理器，该一个或更多个处理器耦接到存储器并被配置为执行所存储的编程指令，其中，当编程指令被执行时，心脏监测计算装置：从被配置用于监测患者的水肿的图像传感器接收图像数据；从被配置为监测与患者的心脏活动相关的一个或更多个因素的一个或更多个附加传感器接收附加数据；将所接收到的图像数据与接收到的来自一个或更多个附加传感器的附加数据融合以生成融合数据集；以及基于融合数据集确定患者的心脏状况。
在另一实施例中，处理器通过对所接收到的图像数据和所接收到的附加数据应用一种或更多种数据融合算法来将所接收到的图像数据与所接收到的附加数据融合。
在另一实施例中，数据融合算法包括以下一者或更多者：图像加权贝叶斯函数、逻辑回归、线性回归、正则化回归、朴素贝叶斯、分类和回归树、支持向量机、或神经网络。
在另一实施例中，处理器接收的附加数据是非图像数据。
在另一实施例中，一个或更多个附加传感器包括以下一者或更多者：脉搏血氧仪、心电图机、胸阻抗传感器或植入式心脏监测装置。
在另一实施例中，确定心脏状况还包括：识别潜在心力衰竭的一个或更多个指征。
在另一实施例中，图像传感器包括：光源，该光源被配置为用光来照射患者的组织；以及检测器，该检测器被配置为收集来自患者的组织的反射光并生成与该反射光相关联的图像数据；其中，心脏监测计算装置还：接收与反射光相关联的图像数据；计算出反射光的强度值；以及确定组织是否显示出水肿的症状。
在另一实施例中，图像数据是光谱数据并且图像传感器是光谱传感器。
附图说明
被并入在本说明书中并形成本说明书的一部分的附图示出了本发明的实施例，并且与书面描述一起用来说明本发明的原理、特性和特征。在附图中：
图1是具有示例性心脏监测计算装置的环境的框图；
图2是图1的示例性心脏监测计算装置的框图；
图3是用于改进的使用传感器数据融合的心脏监测的示例性方法的流程图。
具体实施方式
本公开不限于所描述的特定系统、装置和方法，因为这些可以变化。描述中使用的术语仅用于描述特定版本或实施例的目的，而不旨在限制范围。
如本文档中使用的，除非上下文另外清楚地规定，否则单数形式“一”、“一个”和“该”包括复数引用。除非另外定义，否则本文使用的所有技术术语和科学术语都具有与本领域的普通技术人员通常所理解的相同的含义。本公开中的任何内容不应被解释为承认本公开中描述的实施例无权借助于在先发明而先于这种公开。如本文档中使用的，术语“包括”意指“包含有但不限于”。
在下面描述的本教导的实施例不意在为详尽的或者将教导限于以下详细描述中公开的精确形式。相反，实施例被选取并描述为使得本领域的其他技术人员可以领会并理解本教导的原理和实践。
参照图1，示出了具有示例性心脏监测计算装置的示例性环境。此示例中的心脏监测计算装置经由通信网络110耦接到多个服务器装置107、多个客户端装置108、图像传感器106和多个附加传感器109，然而心脏监测计算装置101、服务器装置107、图像传感器106和/或附加传感器109可以经由其他拓扑耦接在一起。此技术提供许多优点，包括提供了提供改进的心脏监测的方法、非暂时性计算机可读介质和心脏监测计算装置101。特别地，此技术的某些实现方式利用来自多个传感器的数据融合(包括与外周水肿相关的图像数据)以提供心力衰竭的更准确、可靠、早期且客观的指征。
参照图1-2，此示例中的心脏监测计算装置101包括通过总线或其他通信链路105耦接在一起的处理器102、存储器103和/或通信接口111，然而心脏监测计算装置101能够在其他配置中包括其他类型和/或数量的元件。心脏监测计算装置101的处理器102可以执行用于本文描述和说明的任何数量的功能的、存储在存储器103中的编程指令。例如，心脏监测计算装置101的处理器102可以包括具有一个或更多个处理核的一个或更多个CPU或通用处理器，然而还能够使用其他类型的处理器。
心脏监测计算装置101的存储器103存储用于如本文描述和说明的本技术的一个或更多个方面的这些编程指令，然而一些或所有编程指令能够被存储在别处。诸如以下的各种不同类型的存储器存储装置能够被用于存储器：随机存取存储器(RAM)、只读存储器(ROM)、硬盘、固态硬盘、闪存、或由耦接到处理器的磁性、光学或其他读写系统从中读取和写入到的其他计算机可读介质。
因此，心脏监测计算装置101的存储器能够存储应用，该应用能够包括可执行指令，这些可执行指令当由处理器执行时，使心脏监测计算装置101执行动作，诸如执行在下面参照图3描述和说明的动作。能够将应用实现为其他应用的模块或部件。此外，能够将应用实现为操作系统扩展、模块、插件等。
甚至进一步地，应用可以在基于云的计算环境中运行。能够在可以在基于云的计算环境中管理的虚拟机或虚拟服务器中执行应用，或者能够将应用作为可以在基于云的计算环境中管理的虚拟机或虚拟服务器来执行。另外，应用以及甚至心脏监测计算装置它本身可以位于在基于云的计算环境中运行的虚拟服务器中，而不是被绑定到一个或更多个特定的物理网络计算装置。另外，应用可以在在心脏监测计算装置101上执行的一个或更多个虚拟机(VM)中运行。另外地，在此技术的一个或更多个实施例中，在心脏监测计算装置101上运行的虚拟机可以由管理程序管理或监督。
在此特定示例中，心脏监测计算装置101的存储器103包括融合模块104，然而存储器103能够包括例如其他策略、模块、数据库或应用。此示例中的融合模块104被配置为将来自图像传感器106的图像数据与来自一个或更多个附加传感器的非图像数据融合，然而融合模块104还能够将图像数据与从一个或更多个服务器装置107接收到的数据融合。融合模块104能够将来自图像传感器106的图像数据与来自任何数量和/或类型的附加传感器109的数据融合。融合模块104被配置为对来自图像传感器106的图像数据和附加非图像数据应用一种或更多种数据融合算法。仅作为示例，融合模块104可以应用以下一者或更多者来提供融合数据：图像加权贝叶斯函数、逻辑回归、线性回归、正则化回归、最小角回归(leastangle regression)、朴素贝叶斯、分类和回归树(CART)、支持向量机、相关向量机(RVM)、神经网络或线性判别分析。融合模块104有利地融合了图像数据和非图像数据以如在下面关于图3中示出的示例性方法详细地描述的那样提供用于心脏监测。
心脏监测计算装置的通信接口111在通过示出的通信网络耦接在一起的以下项之间可操作地耦接并通信：心脏监测计算装置、图像传感器、附加传感器、客户端装置和/或服务器装置，然而还能够使用具有与其他装置和/或元件的其他类型和/或数量的连接和/或配置的其他类型和/或数量的通信网络或系统。
仅作为示例，图1所示的通信网络能够包括局域网(LAN)或广域网(WAN)，并且能够使用基于以太网的TCP/IP和工业标准协议，然而能够使用其他类型和/或数量的协议和/或通信网络。此示例中的通信网络能够采用包括以下的任何合适的接口机制和网络通信技术：例如，任何合适形式的电信业务(例如，语音、调制解调器等)、公用交换电话网络(PSTN)、基于以太网的分组数据网络(PDN)、它们的组合等。
例如，心脏监测计算装置可以是独立装置或者与诸如图像传感器或一个或更多个服务器装置或客户端装置的一个或更多个其他装置或设备集成。在一个特定示例中，心脏监测计算装置能够包括服务器装置之一或客户端装置之一或者由服务器装置之一或客户端装置之一托管，并且其他布置也是可能的。
在此示例中，图像传感器是被配置用于监测患者的组织中的水肿的装置。作为示例，图像传感器可以是如美国专利申请公开No.2019-0231260中公开的用于检测水肿的系统，该美国专利申请的公开内容特此通过引用整体地并入。图像传感器允许获得图像数据，该图像数据能够用于测量外周水肿以便监测心脏活动，包括潜在心力衰竭。图像传感器能够有利地用于诸如从患者的前臂测量非胫骨位置中的外周水肿。尽管图像传感器被示出为独立装置，但是图像传感器可能被并入在心脏监测计算装置中，或者并入在服务器装置或客户端装置之一中。
在其他实施例中，光谱传感器被配置用于监测患者的组织中的水肿。光谱传感器不受限制并且包括确定从患者的被怀疑或已知患有水肿的组织发出的光谱的传感器。水肿是通过对从组织反射的光谱进行分析来监测的，并且包括拉曼光谱学或傅里叶变换红外光谱学(FTIR)，或这些技术或类似技术的任何组合。在光谱传感器的某些实现方式中，光谱传感器生成光谱数据，并且该光谱数据能够与由附加传感器收集的附加数据融合，从而生成融合数据集。
附加传感器是本领域内已知可以用于收集与心脏监测相关的非图像数据的传感器。仅作为示例，附加传感器能够包括脉搏血氧仪(或被配置为测量血流动力学(hemodynamics)的其他传感器)、心电图(ECG或EKG)、用于测量胸阻抗的传感器或植入式心脏监测装置，然而能够采用能够测量与心脏活动相关的数据的任何其他传感器。
此示例中的每一个服务器装置包括通过总线或其他通信链路耦接在一起的处理器、存储器和通信接口，然而能够使用其他数量和/或类型的网络装置。此示例中的服务器装置能够托管与附加传感器相关联的数据或其他患者数据。
此示例中的客户端装置包括能够与心脏监测计算装置接口以提交数据和/或接收GUI的任何类型的计算装置。此示例中的每一个客户端装置包括通过总线或其他通信链路耦接在一起的处理器、存储器和通信接口，然而能够使用其他数量和/或类型的网络装置。
客户端装置能够运行诸如标准web浏览器或独立客户端应用的接口应用，这些接口应用可以提供用于经由通信网络与心脏监测计算装置通信的接口。例如，客户端装置还可以包括诸如显示屏或触摸屏的显示装置，和/或诸如键盘的输入装置。在一个示例中，客户端装置能够由医院工作人员利用来便利改进的心脏监测，然而在其他示例中，还能够使用由其他类型的用户(诸如患者)利用的其他类型的客户端装置。在一个示例中，例如，客户端装置接收包括诸如姓名、出生日期、病史等的患者信息的数据。在其他示例中，此信息被存储在服务器装置之一上。
尽管本文描述和说明了具有心脏监测计算装置、服务器装置、客户端装置、图像传感器、附加传感器和通信网络的示例性环境，但是能够使用其他拓扑中的其他类型和/或数量的系统、装置、部件和/或元件。应当理解，本文描述的示例的系统是用于示例性目的，因为如相关领域的技术人员将领会的那样，用于实现示例的特定硬件和软件的许多变化是可能的。
例如，环境中描绘的一个或更多个装置(诸如心脏监测计算装置、客户端装置或服务器装置)可以被配置为作为同一物理机器上的虚拟实例运行。换句话说，心脏监测计算装置、客户端装置或服务器装置中的一者或更多者可以在同一物理装置上运行，而不是作为通过通信网络通信的独立装置运行。另外地，可以存在比图1中示出的更多或更少的心脏监测计算装置、客户端装置或服务器装置。
另外，两个或更多个计算系统或装置能够取代任何示例中的系统或装置中的任一者。因此，还能够视需要而定实现分布式处理的原理和优点(诸如冗余和复制)，以提高示例的装置和系统的鲁棒性和性能。还可以在使用任何合适的接口机制和业务技术跨任何合适的网络扩展的计算机系统上实现示例，所述任何合适的网络仅作为示例包括无线网络、蜂窝网络、PDN、因特网、内联网及它们的组合。
还可以将示例体现为在其上存储有用于如本文通过示例描述和说明的本技术的一个或更多个方面的指令的一个或更多个非暂时性计算机可读介质(例如，存储器)。一些示例中的指令包括可执行代码，该可执行代码当由一个或更多个处理器(例如，处理器)执行时，使处理器实行实现本文文字描述和图示的此技术的示例的方法所必需的步骤。
现在将参照图3描述使用包括图像数据和非图像数据两者的融合传感器数据的心脏监测的示例性方法。首先，在框301中，心脏监测计算装置从被配置用于监测患者的水肿的图像传感器接收图像数据。作为示例，图像传感器可以是如美国专利申请公开No.2019-0231260中公开的用于检测水肿的系统，该美国专利申请的公开内容特此通过引用整体地并入。例如，图像传感器能够包括光源，该光源被配置为用光来照射患者的组织。组织可能位于患者的前臂中，然而能够利用其他组织位置。图像传感器还包括检测器，该检测器被配置为收集来自患者的组织的反射光并生成与该反射光相关联的图像数据。能够接收并使用图像数据来计算出强度值，以如美国专利申请公开No.2019-0231260中描述的那样确定组织是否显示出水肿的症状，该美国专利申请的公开内容特此通过引用整体地并入。在一个示例中，能够在心脏监测计算装置上处理图像数据。
接下来，在框302中，心脏监测计算装置从被配置为监测与患者的心脏活动相关的一个或更多个因素的一个或更多个附加传感器接收附加数据。在一个示例中，从附加传感器接收到的数据是与患者的心脏状况相关的非图像数据。附加传感器能够包括能够包括脉搏血氧仪(或被配置为测量血流动力学的其他传感器)、心电图(ECG或EKG)、用于测量胸阻抗的传感器或植入式心脏监测装置，然而能够采用能够测量与心脏活动相关的数据的任何其他传感器。在另一示例中，心脏监测计算装置能够从一个或更多个服务器装置或客户端装置接收附加数据。
在框303中，心脏监测计算装置将接收到的来自图像传感器的图像数据与接收到的来自一个或更多个附加传感器的附加数据融合以生成融合数据集。心脏监测计算装置对所接收到的图像数据和所接收到的附加数据利用应用一种或更多种数据融合算法以便生成融合数据集。作为示例，心脏监测计算装置使用以下一者或更多者：图像加权贝叶斯函数、逻辑回归、线性回归、正则化回归、朴素贝叶斯、分类和回归树、支持向量机、相关向量机(RVM)、最小角回归、线性判别分析或神经网络，然而可以采用其他数据融合技术或系统。
接下来，在框304中，心脏监测计算装置基于融合数据集确定患者的心脏状况。在一个示例中，心脏监测计算装置能够对融合数据集应用一个或更多个机器学习模型来确定心脏状况。心脏监测计算装置能够基于来自图像传感器和非图像传感器的融合数据集来存储和/或获得与心脏状况确定相关的训练数据。心脏监测计算装置能够基于训练数据和所生成的融合数据集生成或者训练机器学习模型。在一个示例中，机器学习模型是诸如人工神经网络或卷积神经网络的神经网络，然而在其他示例中还能够使用其他类型的神经网络或机器学习模型。在一个示例中，神经网络是全卷积神经网络。能够使用训练后的模型来评估前一步骤中生成的融合数据集以确定患者的心脏状况。
接下来，在由框305描绘的一个实现方式中，心脏监测计算装置识别是否存在潜在衰竭。如果否，则从开头重复过程以收集用于监测患者的心脏状况的附加数据。然后能够使用已生成的融合数据集来进一步训练机器学习模型。如果识别了潜在衰竭，则向一个或更多个服务器装置和/或客户端装置输出警报。尽管描述了基于潜在衰竭提供信息的示例，但是还能够利用所确定的心脏状况来向患者提供治疗方案变更或其他信息，并且/或者提供所提供的医疗保健。
利用此技术，将与外周水肿相关的图像数据与和心脏监测相关的非图像传感器数据融合，以提供监测心脏活动的更高效且有效的方法的实际应用。该技术有利地组合多个传感器逻辑以提供对潜在心脏衰竭或其他心脏问题的早期警告。该技术能够进一步用于提供改进的对具有心脏相关问题的患者的远程监测。
在本公开的某些实施例中，在框306中，心脏监测计算装置生成对心脏健康的客观量度。例如，客观量度可以是心脏状况的相对概率。在其他示例中，客观量度是指示患者的水肿的严重性程度的综合指标。通过生成患者的心脏健康的客观数值量度(包括患者的水肿的严重性)，临床医师能够更好地预期或者调整被给予给患者的干预水平和类型。更进一步地，心脏监测计算装置能够记录所生成的随着时间的推移的客观量度，这使得临床医师能够甚至进一步预测特定患者的健康。
在以上详细描述中，参考了形成其一部分的附图。在附图中，除非上下文另外规定，否则类似的符号通常标识类似的部件。在详细描述、附图和权利要求中描述的说明性实施例不意在为限制性的。在不背离本文呈现的主题的精神或范围的情况下，可以使用其他实施例，并且可以做出其他改变。应容易地理解，能够按各式各样不同的配置布置、取代、组合、分离和设计如本文通常描述的并在附图中示出的本公开的各种特征，所有这些都在本文中被显式地设想。
本公开在本申请中描述的特定实施例方面将不受限制，这些特定实施例旨在作为各种特征的说明。如对本领域的技术人员而言将显而易见的是，在不背离精神和范围的情况下，能够做出许多修改和变化。根据前面的描述，除了本文枚举的那些之外的在本公开的范围内的功能上等同的方法和设备对本领域的技术人员而言将是显而易见的。这样的修改和变化旨在落入所附权利要求的范围内。本公开仅受所附权利要求的条款以及这样的权利要求被授权的等同形式的完全范围限制。应当理解，本公开不限于当然能够变化的特定方法、试剂、化合物、组合物或生物系统。还应当理解，本文使用的术语仅用于描述特定实施例的目的，而不旨在为限制性的。
关于本文中基本上任何复数和/或单数术语的使用，本领域的技术人员能够如适于上下文和/或应用从复数翻译为单数和/或从单数翻译为复数。为了清楚起见，可以在本文中明确地阐述各种单数/复数置换。
本领域的技术人员应理解，一般而言，在本文中并且尤其在所附权利要求(例如，所附权利要求的正文)中使用的术语通常旨在作为“开放”术语(例如，术语“包含有”应当被解释为“包含有但不限于”，术语“具有”应当被解释为“具有至少”，术语“包含”应当被解释为“包含但不限于”等等)。虽然各种组合物、方法和设备是按“包括”各种部件或步骤(被解释为意指“包括有但不限于”)而描述的，但是组合物、方法和设备还能够“基本上由”或者“由”各种部件和步骤“构成”，并且这种术语应当被解释为定义基本上封闭成员组。本领域的技术人员应进一步理解，如果引入的权利要求的特定数量是有意的，则将在权利要求中显式地叙述这样的意图，并且在不存在这样的叙述的情况下，不存在这种意图。
例如，作为对理解的帮助，以下所附权利要求可以包含用于引入权利要求叙述的引入性短语“至少一个”和“一个或更多个”的用法。然而，这样的短语的使用不应当被解释为暗示通过不定冠词“一”或“一个”对权利要求叙述的引入将包含这样的引入的权利要求叙述的任何特定权利要求限于包含仅一种这样的叙述的实施例，即使当同一权利要求包括引入性短语“一个或更多个”或“至少一个”以及诸如“一”或“一个”的不定冠词时也如此(例如，“一”和/或“一个”应当被解释为意指“至少一个”或“一个或更多个”)；同样道理也适用于用于引入权利要求叙述的定冠词的使用。
另外，即使显式地叙述了引入的权利要求叙述的特定数量，本领域的技术人员也将认识到，这样的叙述应当被解释为意指至少所叙述的数量(例如，在没有其他修饰语的情况下，“两种叙述”的仅有叙述意指至少两种叙述，或两种或更多种叙述)。此外，在使用了类似于“A、B和C中的至少一者等等”的约定的那些情况下，一般而言，这样的构造在本领域的技术人员将理解该约定的意义上是有意的(例如，“具有A、B和C中的至少一者的系统”将包括但不限于具有单独A、单独B、单独C、A和B一起、A和C一起、B和C一起和/或A、B和C一起等等的系统)。在使用了类似于“A、B或C中的至少一者等等”的约定的那些情况下，一般而言，这样的构造在本领域的技术人员将理解该约定的意义上是有意的(例如，“具有A、B或C中的至少一者的系统”将包括但不限于具有单独A、单独B、单独C、A和B一起、A和C一起、B和C一起和/或A、B和C一起等等的系统)。本领域的技术人员应进一步理解，无论在说明书、权利要求或附图中，呈现两个或更多个替代术语的几乎任何非连接词和/或短语应当被理解为设想包括术语中的一个、术语中的任一个或两个术语的可能性。例如，短语“A或B”将被理解为包括“A”或“B”或“A和B”的可能性。
另外，在按马库什(Markush)组描述本公开的特征的情况下，本领域的技术人员将认识到，还因此按马库什组的任何单独的成员或成员的子组描述本公开。
如本领域的技术人员将理解的那样，出于任何和所有目的，诸如在提供书面描述方面，本文公开的所有范围也都包含任何和所有可能的子范围及其子范围的组合。能够将任何列举的范围容易地识别为充分地描述并使得能实现相同范围能够被分解成至少相等的二分之一、三分之一、四分之一、五分之一、十分之一等等。作为非限制性示例，本文讨论的每个范围能够被容易地分解成下三分之一、中三分之一和上三分之一等等。如本领域的技术人员还应理解的那样，诸如“多达”、“至少”等的所有语言都包括所叙述的数字并且指能够被随后分解成如以上所讨论的子范围的范围。最后，如本领域的技术人员应理解的那样，范围包括每个单独的成员。因此，例如，具有1-3个单元的组指具有1、2或3个单元的组。类似地，具有1-5个单元的组指具有1、2、3、4或5个单元的组，依此类推。
可以将各种以上公开的及其他特征和功能或它们的替代方案组合成许多其他不同的系统或应用。本领域的技术人员可以随后做出本文各种目前未预见或未预料到的替代方案、修改、变化或改进，其中的每一者也旨在被所公开的实施例包含。

Claims (23)

1.一种心脏监测的方法，所述方法包括：
由心脏监测计算装置从被配置用于监测患者的水肿的图像传感器接收图像数据；
由所述心脏监测计算装置从被配置为监测与患者的心脏活动相关的一个或更多个因素的一个或更多个附加传感器接收附加数据；
由所述心脏监测计算装置将所接收到的图像数据与所接收到的来自所述一个或更多个附加传感器的附加数据融合以生成融合数据集；以及
由所述心脏监测计算装置基于所述融合数据集确定患者的心脏状况。
2.根据权利要求1所述的方法，其中，将所接收到的图像数据与所接收到的附加数据融合还包括：
由所述心脏监测计算装置对所接收到的图像数据和所接收到的附加数据应用一种或更多种数据融合算法。
3.根据权利要求2所述的方法，其中，应用所述数据融合算法包括利用以下一者或更多者：图像加权贝叶斯函数、逻辑回归、线性回归、正则化回归、朴素贝叶斯、分类和回归树、支持向量机、或神经网络。
4.根据权利要求1所述的方法，其中，所接收到的附加数据是非图像数据。
5.根据权利要求1所述的方法，其中，所述一个或更多个附加传感器包括以下一者或更多者：脉搏血氧仪、心电图机、胸阻抗传感器或植入式心脏监测装置。
6.根据权利要求1所述的方法，其中，确定所述心脏状况还包括：
由所述心脏监测计算装置识别潜在心力衰竭的一个或更多个指征。
7.根据权利要求1所述的方法，其中，所述图像传感器包括：
光源，所述光源被配置为用光来照射患者的组织；以及
检测器，所述检测器被配置为收集来自患者的所述组织的反射光并生成与所述反射光相关联的图像数据；
其中，所述方法还包括：
由所述心脏监测计算装置接收与所述反射光相关联的所述图像数据；
由所述心脏监测计算装置计算出所述反射光的强度值；以及
由所述心脏监测计算装置确定所述组织是否显示出水肿的症状。
8.根据权利要求7所述的方法，其中，患者的所述组织位于患者的前臂上。
9.根据权利要求1所述的方法，其中，所述图像数据是光谱数据并且所述图像传感器是光谱传感器。
10.一种非暂时性计算机可读介质，在其上存储有用于改进的心脏监测的指令，所述指令包括可执行代码，所述可执行代码当由一个或更多个处理器执行时，使所述一个或更多个处理器：
从被配置用于监测患者的水肿的图像传感器接收图像数据；
从被配置为监测与患者的心脏活动相关的一个或更多个因素的一个或更多个附加传感器接收附加数据；
将所接收到的图像数据与所接收到的来自所述一个或更多个附加传感器的附加数据融合以生成融合数据集；以及
基于所述融合数据集确定患者的心脏状况。
11.根据权利要求10所述的非暂时性计算机可读介质，其中，所述处理器通过对所接收到的图像数据和所接收到的附加数据应用一种或更多种数据融合算法来将所接收到的图像数据与所接收到的附加数据融合。
12.根据权利要求11所述的非暂时性计算机可读介质，其中，所述数据融合算法包括以下一者或更多者：图像加权贝叶斯函数、逻辑回归、线性回归、正则化回归、朴素贝叶斯、分类和回归树、支持向量机、或神经网络。
13.根据权利要求10所述的非暂时性计算机可读介质，其中，所述处理器接收的所述附加数据是非图像数据。
14.根据权利要求10所述的非暂时性计算机可读介质，其中，所述一个或更多个附加传感器包括以下一者或更多者：脉搏血氧仪、心电图机、胸阻抗传感器或植入式心脏监测装置。
15.根据权利要求10所述的非暂时性计算机可读介质，其中，确定所述心脏状况还包括：
识别潜在心力衰竭的一个或更多个指征。
16.一种心脏监测计算装置，所述心脏监测计算装置包括：存储器，所述存储器包括存储在其上的用于心脏监测的编程指令；以及一个或更多个处理器，所述一个或更多个处理器耦接到所述存储器并且被配置为执行所述存储的编程指令，其中，当所述编程指令被执行时，所述心脏监测计算装置：
从被配置用于监测患者的水肿的图像传感器接收图像数据；
从被配置为监测与患者的心脏活动相关的一个或更多个因素的一个或更多个附加传感器接收附加数据；
将所接收到的图像数据与所接收到的来自所述一个或更多个附加传感器的所述附加数据融合以生成融合数据集；以及
基于所述融合数据集确定患者的心脏状况。
17.根据权利要求16所述的心脏监测计算装置，其中，所述处理器通过对所接收到的图像数据和所接收到的附加数据应用一种或更多种数据融合算法来将所接收到的图像数据与所接收到的附加数据融合。
18.根据权利要求17所述的心脏监测计算装置，其中，所述数据融合算法包括以下一者或更多者：图像加权贝叶斯函数、逻辑回归、线性回归、正则化回归、朴素贝叶斯、分类和回归树、支持向量机、或神经网络。
19.根据权利要求16所述的心脏监测计算装置，其中，所述处理器接收的所述附加数据是非图像数据。
20.根据权利要求16所述的心脏监测计算装置，其中，所述一个或更多个附加传感器包括以下一者或更多者：脉搏血氧仪、心电图机、胸阻抗传感器或植入式心脏监测装置。
21.根据权利要求16所述的心脏监测计算装置，其中，确定所述心脏状况还包括：
识别潜在心力衰竭的一个或更多个指征。
22.根据权利要求16所述的心脏监测计算装置，其中，所述图像传感器包括：
光源，所述光源被配置为用光来照射患者的组织；以及
检测器，所述检测器被配置为收集来自患者的所述组织的反射光并生成与所述反射光相关联的图像数据；
其中，所述心脏监测计算装置还：
接收与所述反射光相关联的所述图像数据；
计算出所述反射光的强度值；以及
确定所述组织是否显示出水肿的症状。
23.根据权利要求16所述的心脏监测计算装置，其中，所述图像数据是光谱数据并且所述图像传感器是光谱传感器。
CN202180049770.3A 2020-06-01 2021-06-01 融合传感器数据以进行心脏监测的方法及其装置 Pending CN115836359A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063032894P 2020-06-01 2020-06-01
US63/032,894 2020-06-01
PCT/US2021/035207 WO2021247541A1 (en) 2020-06-01 2021-06-01 A method for fusing sensor data for cardiac monitoring and devices thereof

Publications (1)

Publication Number Publication Date
CN115836359A true CN115836359A (zh) 2023-03-21

Family

ID=78707155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180049770.3A Pending CN115836359A (zh) 2020-06-01 2021-06-01 融合传感器数据以进行心脏监测的方法及其装置

Country Status (5)

Country Link
US (1) US11935650B2 (zh)
EP (1) EP4158661A1 (zh)
JP (1) JP2023527449A (zh)
CN (1) CN115836359A (zh)
WO (1) WO2021247541A1 (zh)

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2210791A1 (en) * 1997-07-18 1999-01-18 The University Of Manitoba Diagnosis of edema
US7096061B2 (en) * 2002-07-03 2006-08-22 Tel-Aviv University Future Technology Development L.P. Apparatus for monitoring CHF patients using bio-impedance technique
US20070127789A1 (en) * 2005-11-10 2007-06-07 Hoppel Bernice E Method for three dimensional multi-phase quantitative tissue evaluation
WO2010042790A2 (en) 2008-10-10 2010-04-15 Cardiac Pacemakers, Inc. Multi-sensor strategy for heart failure patient management
US10893824B2 (en) 2010-12-20 2021-01-19 Cardiac Pacemakers, Inc. Heart failure detection with a sequential classifier
US9389681B2 (en) * 2011-12-19 2016-07-12 Microsoft Technology Licensing, Llc Sensor fusion interface for multiple sensor input
US20140276166A1 (en) * 2013-03-13 2014-09-18 Cardiologic Innovations Ltd Method of measuring bioimpedance
CN106132286B (zh) * 2014-03-07 2020-04-21 心脏起搏器股份公司 多级心力衰竭事件检测
US9717417B2 (en) * 2014-10-29 2017-08-01 Spectral Md, Inc. Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification
US11123556B2 (en) * 2015-01-26 2021-09-21 CyMedica Orthopedics, Inc. Patient therapy systems and methods
US10172517B2 (en) * 2016-02-25 2019-01-08 Samsung Electronics Co., Ltd Image-analysis for assessing heart failure
CN109788902A (zh) * 2016-07-06 2019-05-21 开米美景公司 用于检测水肿的系统和方法
WO2018092071A1 (en) * 2016-11-16 2018-05-24 Navix International Limited Estimators for ablation effectiveness
US20190336076A1 (en) * 2018-05-02 2019-11-07 Medtronic, Inc. Sensing for heart failure management

Also Published As

Publication number Publication date
EP4158661A1 (en) 2023-04-05
US20210369208A1 (en) 2021-12-02
US11935650B2 (en) 2024-03-19
JP2023527449A (ja) 2023-06-28
WO2021247541A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
Fagerström et al. LiSep LSTM: a machine learning algorithm for early detection of septic shock
Borzì et al. Prediction of freezing of gait in Parkinson’s disease using wearables and machine learning
US20170147777A1 (en) Method and apparatus for predicting health data value through generation of health data pattern
Rajput et al. Providing diagnosis on diabetes using cloud computing environment to the people living in rural areas of India
Fu et al. A Bayesian approach for sleep and wake classification based on dynamic time warping method
JP6145042B2 (ja) 患者の病気重篤性、致死性および滞在長さの連続的な予測の方法
Hill et al. Imputation of the continuous arterial line blood pressure waveform from non-invasive measurements using deep learning
JP6608295B2 (ja) 被験者の健康状態を予測する方法およびシステム
US20140257058A1 (en) Automated personal medical diagnostic system, method, and arrangement
Liu et al. Utility of vital signs, heart rate variability and complexity, and machine learning for identifying the need for lifesaving interventions in trauma patients
US20150148621A1 (en) Methods and systems for creating a preventative care plan in mental illness treatment
Ramesh et al. Atrial fibrillation classification with smart wearables using short-term heart rate variability and deep convolutional neural networks
Agrawal et al. Machine learning models for non-invasive glucose measurement: towards diabetes management in smart healthcare
Karamanli et al. A prediction model based on artificial neural networks for the diagnosis of obstructive sleep apnea
WO2021148966A1 (en) A computer-implemented system and method for outputting a prediction of an exacerbation and/or hospitalization of asthma
Bulgarelli et al. Prediction on critically ill patients: the role of “big data”
Yun et al. Prediction of critical care outcome for adult patients presenting to emergency department using initial triage information: an XGBoost algorithm analysis
CN112183572A (zh) 一种生成预测肺炎严重程度的预测模型的方法及装置
Dash et al. REVOLUTIONIZING CARDIOVASCULAR DISEASE PREVENTION WITH MACHINE LEARNING: A COMPREHENSIVE REVIEW
Joung et al. Continuous cuffless blood pressure monitoring using photoplethysmography-based PPG2BP-net for high intrasubject blood pressure variations
Špenko et al. Training history, cardiac autonomic recovery from submaximal exercise and associated performance in recreational runners
Bragada et al. Validation of StepTest4all for Assessing Cardiovascular Capacity in Young Adults
CN113436738A (zh) 管理风险用户的方法、装置、设备及存储介质
EP4093270A1 (en) Method and system for personalized prediction of infection and sepsis
US11935650B2 (en) Method for fusing sensor data for cardiac monitoring and devices thereof

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