CN116194034A - 基于神经系统度量的疾病检测 - Google Patents
基于神经系统度量的疾病检测 Download PDFInfo
- Publication number
- CN116194034A CN116194034A CN202180051963.2A CN202180051963A CN116194034A CN 116194034 A CN116194034 A CN 116194034A CN 202180051963 A CN202180051963 A CN 202180051963A CN 116194034 A CN116194034 A CN 116194034A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- time interval
- disease
- heart rate
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 537
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 537
- 238000001514 detection method Methods 0.000 title abstract description 111
- 210000000653 nervous system Anatomy 0.000 title description 50
- 238000000034 method Methods 0.000 claims abstract description 248
- 230000007704 transition Effects 0.000 claims abstract description 101
- 230000007958 sleep Effects 0.000 claims description 208
- 208000024891 symptom Diseases 0.000 claims description 107
- 230000008667 sleep stage Effects 0.000 claims description 78
- 230000008859 change Effects 0.000 claims description 63
- 230000027288 circadian rhythm Effects 0.000 claims description 42
- 230000007423 decrease Effects 0.000 claims description 42
- 238000011084 recovery Methods 0.000 claims description 39
- 230000004044 response Effects 0.000 claims description 36
- 230000000284 resting effect Effects 0.000 claims description 31
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 claims description 26
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 25
- 230000036387 respiratory rate Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 10
- 206010062519 Poor quality sleep Diseases 0.000 claims description 8
- 230000008321 arterial blood flow Effects 0.000 claims description 7
- 230000004424 eye movement Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 112
- 230000027758 ovulation cycle Effects 0.000 description 102
- 238000009826 distribution Methods 0.000 description 95
- 238000012545 processing Methods 0.000 description 79
- 230000036541 health Effects 0.000 description 54
- 230000033001 locomotion Effects 0.000 description 49
- 238000010801 machine learning Methods 0.000 description 47
- 238000004891 communication Methods 0.000 description 41
- 230000037081 physical activity Effects 0.000 description 39
- 238000004422 calculation algorithm Methods 0.000 description 38
- 230000033764 rhythmic process Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 35
- 230000003821 menstrual periods Effects 0.000 description 33
- 230000003442 weekly effect Effects 0.000 description 33
- 230000004622 sleep time Effects 0.000 description 31
- 230000006399 behavior Effects 0.000 description 30
- 208000015181 infectious disease Diseases 0.000 description 30
- 230000006870 function Effects 0.000 description 27
- 238000007726 management method Methods 0.000 description 22
- 230000000737 periodic effect Effects 0.000 description 19
- 230000001932 seasonal effect Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 238000005070 sampling Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 206010022000 influenza Diseases 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 12
- 238000005096 rolling process Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 239000000758 substrate Substances 0.000 description 12
- 206010037660 Pyrexia Diseases 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 11
- 230000004617 sleep duration Effects 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 10
- 210000000987 immune system Anatomy 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000001734 parasympathetic effect Effects 0.000 description 9
- 230000002060 circadian Effects 0.000 description 8
- 230000029849 luteinization Effects 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 230000036760 body temperature Effects 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 7
- 238000010587 phase diagram Methods 0.000 description 7
- 230000002889 sympathetic effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 210000002865 immune cell Anatomy 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000011599 ovarian follicle development Effects 0.000 description 6
- 230000003542 behavioural effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 229920000642 polymer Polymers 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000001020 rhythmical effect Effects 0.000 description 5
- 210000000707 wrist Anatomy 0.000 description 5
- 102000004127 Cytokines Human genes 0.000 description 4
- 108090000695 Cytokines Proteins 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003325 follicular Effects 0.000 description 4
- 230000028993 immune response Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002757 inflammatory effect Effects 0.000 description 4
- 230000000938 luteal effect Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 210000001002 parasympathetic nervous system Anatomy 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 206010047139 Vasoconstriction Diseases 0.000 description 3
- 241000700605 Viruses Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000001185 bone marrow Anatomy 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000000624 ovulatory effect Effects 0.000 description 3
- 244000052769 pathogen Species 0.000 description 3
- 230000001717 pathogenic effect Effects 0.000 description 3
- 230000006461 physiological response Effects 0.000 description 3
- 230000004461 rapid eye movement Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 210000002820 sympathetic nervous system Anatomy 0.000 description 3
- 230000025033 vasoconstriction Effects 0.000 description 3
- 230000002618 waking effect Effects 0.000 description 3
- 208000035143 Bacterial infection Diseases 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 2
- 230000001800 adrenalinergic effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 208000022362 bacterial infectious disease Diseases 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000013477 bayesian statistics method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000001713 cholinergic effect Effects 0.000 description 2
- 230000001517 counterregulatory effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000005713 exacerbation Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002496 gastric effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 210000002540 macrophage Anatomy 0.000 description 2
- 230000003020 moisturizing effect Effects 0.000 description 2
- 210000001616 monocyte Anatomy 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000008452 non REM sleep Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002611 ovarian Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 231100000430 skin reaction Toxicity 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000001256 tonic effect Effects 0.000 description 2
- 230000029812 viral genome replication Effects 0.000 description 2
- 102100032814 ATP-dependent zinc metalloprotease YME1L1 Human genes 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000034048 Asymptomatic disease Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010013954 Dysphoria Diseases 0.000 description 1
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010022004 Influenza like illness Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 206010068319 Oropharyngeal pain Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 239000004642 Polyimide Substances 0.000 description 1
- 101800000795 Proadrenomedullin N-20 terminal peptide Proteins 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000005875 antibody response Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008512 biological response Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000008822 capillary blood flow Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000004633 cognitive health Effects 0.000 description 1
- 208000030499 combat disease Diseases 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000036757 core body temperature Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 210000002064 heart cell Anatomy 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 230000002267 hypothalamic effect Effects 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 229960001438 immunostimulant agent Drugs 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 208000037797 influenza A Diseases 0.000 description 1
- 208000037798 influenza B Diseases 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 230000009245 menopause Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001703 neuroimmune Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000016087 ovulation Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- PIRWNASAJNPKHT-SHZATDIYSA-N pamp Chemical compound C([C@@H](C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCNC(N)=N)C(N)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@H](C)NC(=O)[C@@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](C)N)C(C)C)C1=CC=CC=C1 PIRWNASAJNPKHT-SHZATDIYSA-N 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000003285 pharmacodynamic effect Effects 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920001721 polyimide Polymers 0.000 description 1
- 239000000186 progesterone Substances 0.000 description 1
- 229960003387 progesterone Drugs 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000000092 prognostic biomarker Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000001698 pyrogenic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000019491 signal transduction Effects 0.000 description 1
- 230000004620 sleep latency Effects 0.000 description 1
- 230000008454 sleep-wake cycle Effects 0.000 description 1
- 230000000920 spermatogeneic effect Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000028016 temperature homeostasis Effects 0.000 description 1
- 230000001331 thermoregulatory effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
- 239000005526 vasoconstrictor agent Substances 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- 230000009278 visceral effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0008—Temperature signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
- A61B5/02405—Determining heart rate variability
-
- 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
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
- A61B5/1118—Determining activity level
-
- 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
- A61B5/4806—Sleep evaluation
-
- 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
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- 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
-
- 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
- A61B5/72—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- 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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/029—Operational features adapted for auto-initiation
-
- 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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- 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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- A61B5/4842—Monitoring progression or stage of a disease
-
- 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
- A61B5/4857—Indicating the phase of biorhythm
-
- 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
-
- 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
- A61B5/68—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
- A61B5/6825—Hand
- A61B5/6826—Finger
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6897—Computer input devices, e.g. mice or keyboards
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Pulmonology (AREA)
- Hematology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Theoretical Computer Science (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)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
描述了用于疾病检测的方法、系统和装置。方法可包括从可穿戴设备接收与用户相关联的心率变化性(HRV)数据,该HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备收集。该方法可包括将HRV数据输入到分类器中,以及识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足偏差标准。该方法可以包括使得用户设备的图形用户界面(GUI)基于满足偏差标准来显示针对用户的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
Description
交叉引用
本专利申请要求PHO等人在2021年6月24日提交的标题为“基于神经系统度量的疾病检测(ILLNESS DETECTION BASED ON NERVOUS SYSTEM METRICS)”的美国非临时专利申请No.17/357,562的权益,该申请要求以下申请的优先权:RAI等人在2020年6月25日提交的标题为“检测健康状态与非健康状态之间的转变(DETECTING TRANSITIONS BETWEENHEALTHY AND UNHEALTHY STATES)”的美国临时专利申请No.63/043,892,由Aschbacher等人在2020年7月8日提交的标题为“检测健康状态与非健康状态之间的转变(DETECTINGTRANSITIONS BETWEEN HEALTHY AND UNHEALTHY STATES)”的美国临时专利申请No.63/049,405,以及RAI等人在2020年11月23日提交的标题为“检测健康状态与非健康状态之间的转变(DETECTING TRANSITIONS BETWEEN HEALTHY AND UNHEALTHY STATES)”的美国临时专利申请No.63/116,981,其每一个均通过引用明确地并入本文。
技术领域
以下涉及可穿戴设备和数据处理,包括基于神经系统度量的疾病检测。
背景技术
一些可穿戴设备可以被配置为从用户收集生理数据,包括温度数据、心率数据等。许多用户希望对他们的身体健康有更多洞察(insight)。
附图说明
图1示出了根据本公开的各个方面的支持疾病检测技术的系统的示例。
图2示出了根据本公开的各个方面的支持疾病检测技术的系统的示例。
图3示出了根据本公开的各个方面的支持疾病检测技术的神经系统图的示例。
图4示出了根据本公开的各个方面的支持疾病检测技术的神经系统图的示例。
图5示出了根据本公开的各个方面的支持疾病检测技术的神经系统图的示例。
图6示出了根据本公开的各个方面的支持疾病检测技术的温度数据图的示例。
图7示出了根据本公开的各个方面的支持疾病检测技术的温度数据图的示例。
图8示出了根据本公开的各个方面的支持疾病检测技术的可修改的行为预测器图的示例。
图9示出了根据本公开的各个方面的支持疾病检测技术的可修改的行为预测器图的示例。
图10示出了根据本公开的各个方面的支持疾病检测技术的可修改的行为预测器图的示例。
图11示出了根据本公开的各个方面的支持疾病检测技术的月经周期模型的示例。
图12示出了根据本公开的各个方面的支持疾病检测技术的健康管理平台的示例。
图13示出了根据本公开的各个方面的支持疾病检测技术的装置的框图。
图14示出了根据本公开的各个方面的支持疾病检测技术的可穿戴应用的框图。
图15示出了根据本公开的各个方面的包括支持疾病检测技术的设备的系统的图。
图16至图18示出了图示根据本公开的各个方面的支持疾病检测技术的方法的流程图。
具体实施方式
一些可穿戴设备可以被配置为收集来自用户的生理数据,包括温度数据、心率数据等等。所获取的生理数据可以用于分析用户的运动和其他活动,诸如睡眠模式。许多用户期望对他们的身体健康有更多洞察,包括他们的睡眠模式、活动和总体身体健康。
本公开的各个方面涉及用于检测和预测疾病的技术。具体地,本公开的计算设备可检测用户从健康状态到非健康状态的转变。例如,本公开的各个方面可在早期阶段(例如,在症状发作之前)检测从健康状态到非健康状态的转变,并通知用户在症状发作之前的潜在转变和/或与即将到来的非健康状态相关联的症状加重。从用户的角度来看,早期检测(例如,在症状发作之前检测疾病)可以表现为对用户从健康状态到非健康状态的转变的预测,或者换言之,可以指示用户正在经历免疫应答。照此,本公开的各个方面可检测和/或预测用户中非健康状态的开始。在一些实现方式中,计算设备还可检测/预测用户从非健康状态到健康状态的转变。
出于本公开的目的,术语“健康状态”以及类似术语可以用于指不存在疾病症状和/或特定诊断的用户的身体状态(例如,正常状态)。相反,术语“非健康状态”以及类似术语在本文中可以用于指当用户正在经历疾病时用户的身体状态。例如,当经历疾病症状(诸如发热、寒战、喉咙痛、头痛和其他症状)时,用户可能处于非健康状态。可引起非健康状态的示例疾病包括但不限于细菌或病毒感染,诸如流感A/B和冠状病毒性疾病2019(COVID-19)。
从健康状态到非健康状态的转变可以指从用户感觉健康的状态到用户感觉非健康的状态的转变,由此那些主观症状可以反映潜在疾病、感染、状况或诊断的存在。例如,从健康状态到非健康状态的转变可包括症状的发作,诸如发热和/或其他状况(例如,体能降低)。相反,从非健康状态到健康状态的转变可包括症状的减轻、缓解或消除。
在一些实现方式中,健康状态和非健康状态可以分别被称为症状前状态和有症状状态。例如,在健康状态中,用户可能没有正在经历症状(例如,疾病或感染的症状)。虽然用户可能没有正在经历症状(例如,疾病/感染症状),但是用户可能处于他们正在转变到他们可能经历症状的状态的场景中。例如,用户可能在没有经历症状的同时被感染了一段时间。换言之,用户可能正在经历疾病/感染,但仍可能是症状前的(例如,感觉健康)。症状前时段还可以是当个体最可能传播疾病时。因此,期望在症状前状态期间检测疾病以使得干预能够停止疾病的传播。
在一段时间(例如,潜伏期)之后,用户可转变到有症状状态(例如,非健康状态)。虽然用户可从症状前状态转变到有症状状态,但是在一些情况下,用户可能不变成有症状的。本公开的一些方面针对在症状前阶段期间(例如,在用户经历疾病的症状之前)检测疾病。然而,本文描述的技术还可以用于在用户没有变得有症状或没有变得意识到他们的症状的情况下检测疾病。
因此,本公开的一些技术可以用于基于经由可穿戴设备从用户收集的生理数据(例如,所测量的生理数据)来识别症状前阶段的疾病。示例生理参数可以包括但不限于:神经系统信息(例如,心率数据、心率变化性(HRV)数据)、温度数据、呼吸速率数据、运动/活动数据(例如,与睡眠和运动相关联的基于活动记录的数据)等。例如,在一些情况下,本文描述的技术可以利用HRV数据和其他神经系统参数的变化来识别疾病。在其他情况下,本文所描述的技术可以利用用户的温度数据的变化(例如,白天高/低温度读数的变化)结合用户的位置来识别疾病。在另外的或替代的实现方式中,本文所描述的技术可以利用与可修改的行为预测器(例如,身体活动、睡眠)相关联的数据来识别疾病。在一些方面中,本文所描述的技术可以利用模型(例如,月经周期模型、每周模式调整模型、每年模式调整模型、季节性模式调整模型)来解释用户的运动、活动和生理响应中的周期性的、可预测的变化,以便改善对疾病发作的预测。
在一些方面,本文描述的技术可以使用在多个不同时间间隔(例如,参考窗口、预测窗口)上收集的生理数据来检测疾病。在相应时间间隔上收集的生理数据的比较可以用于识别满足偏差标准,其中满足一个或更多个偏差标准可以用于识别疾病的可能性。例如,本文所描述的技术可以在用户处于健康状态时确定用户在第一时间间隔(例如,参考窗口)内的生理参数值以确定用户的运动基线参数(例如,基线温度数据、基线HRV数据)。本文所描述的技术可以进一步将在之后的第二时间间隔(例如,预测窗口)内收集的生理数据与基线参数进行比较,以便确定与基线参数的偏差,其中该偏差(例如,满足偏差标准)可以指示疾病。
在附加的或替代的实现方式中,本文描述的系统可以为健康状态下的用户确定个性化的或组衍生的“基线”生理参数值(例如,在参考窗口中)。系统然后可以基于与这些移动的基线生理参数值的一个或更多个偏差和/或基线生理参数值的分布(例如,包括在一个或更多个后续早期检测/预测窗口中的偏差)来检测/预测向非健康状态的转变。
在一些实现方式中,为了检测从健康状态到非健康状态的转变,本公开的系统和方法可以利用一个或更多个分类器(例如,机器学习分类器、算法等)。例如,在一些实现方式中,本公开的系统和方法可以在利用贝叶斯影响的半监督方法来进行体能评估的多变量空间中采用变化点或异常检测策略。分层或混合建模方法可以用于提供特定于组的模型参数,从而为特定用户区段提供更大的算法精度。在其他实现方式中,为了检测返回至健康状态的转变(例如,从COVID-19或其他疾病恢复),本公开的系统和方法可检测从偏离的参数值返回至较早基线参数值/范围。
本文描述的技术可以各种方式通知用户从健康状态到非健康状态的检测/预测的转变。例如,系统可以使得用户设备的图形用户界面(GUI)显示消息或其他通知以向用户通知潜在转变到非健康状态的可能性(例如,疾病风险度量、疾病预测度量),并且向用户做出推荐。在一个示例中,GUI可以显示用户通过休息、保湿和/或安排医生预约来为潜在疾病做准备的推荐。GUI还可以包括图形/文本,其指示用于进行即将到来的非健康状态的检测/预测的数据。例如,GUI可以指示已经基于与正常基线的温度偏差预测了即将到来的疾病。基于早期警告(例如,在可察觉症状之前),用户可以采取可以帮助降低即将到来的疾病的严重性的早期步骤。此外,用户可以基于早期警告修改/安排他们的日常活动(例如,工作和休闲时间)。
在一些实现方式中,计算设备可以通知管理员(例如,组织的管理员或监督患者组群的医疗专业人员),该管理员被指派为监测一组个体以便提供风险估计或帮助识别具有需要后续行动的最高可能性的个体,以便在该组织的部分上进行进一步测试或筛选。这样的设备可以将模型结果呈现为用于改善将被提供附加护理的个人子组的选择或用于以其他方式采用安全协议的工具。在这样的设置中,疾病检测度量和其他疾病分数可以不旨在是确定性的、绝对的或诊断的,而是帮助公司对风险、筛选或资源分配进行初步评估,这些风险、筛选或资源分配旨在与用于确认诊断的附加工具结合使用。
初始地在支持经由可穿戴设备从用户收集生理数据的系统的上下文中描述本公开的各个方面。本公开的附加方面是在示例神经系统图、温度数据图、可修改的行为预测器图、示例月经周期模型、以及示例健康管理平台的上下文中描述的。本公开的各个方面进一步由关于疾病检测技术的装置图、系统图和流程图进行图示并参考其来描述。
图1示出了根据本公开的各个方面的支持疾病检测技术的系统100的示例。系统100包括可由一个或更多个用户102穿戴和/或操作的多个电子设备(例如,可穿戴设备104、用户设备106)。系统100进一步包括网络108和一个或更多个服务器110。
电子设备可以包括本领域已知的任何电子设备,包括可穿戴设备104(例如,指环可穿戴设备、手表可穿戴设备等)、用户设备106(例如,智能电话、膝上型计算机、平板计算机)。与相应用户102相关联的电子设备可包括以下功能中的一个或更多个:1)测量生理数据;2)存储所测量数据;3)处理数据;4)基于处理的数据将输出(例如,经由GUI)提供给用户102;以及5)彼此和/或与其他计算设备通信数据。不同的电子设备可以执行一个或更多个功能。
示例可穿戴设备104可包括可穿戴计算设备,诸如被配置为穿戴在用户102的手指上的指环计算设备(以下称为“指环”)、被配置为穿戴在用户102的手腕上的手腕计算设备(例如,智能手表、健身带(fitness band)或手环)、和/或头戴式计算设备(例如,眼镜/护目镜)。可穿戴设备104还可包括可定位在其他位置中的带(band)、带子(strap)(例如,柔性或非柔性带或带子)、粘扣传感器等,诸如头部周围的带(例如,前额头带)、手臂(例如,前臂带和/或双头带)、和/或腿部(例如,大腿或小腿带)、耳朵后面、腋窝下方等。可穿戴设备104还可附接到或包括在衣服物品中。例如,可穿戴设备104可包括在衣服上的口袋和/或小袋中。作为另一示例,可穿戴设备104可被夹到和/或钉到衣服上,或者可以其他方式保持在用户102的附近。示例衣服物品可包括但不限于帽子、衬衫、手套、裤子、袜子、外套(例如,夹克)和内衣。在一些实现方式中,可穿戴设备104可包括在其他类型的设备中,诸如在身体活动期间使用的训练/体育设备。例如,可穿戴设备104可附接至或包括在自行车、滑雪板、网球拍、高尔夫球杆和/或训练重物中。
可以在指环可穿戴设备104的上下文中描述本公开的大部分内容。因此,除非本文中另外指出,否则术语“指环104”、“可穿戴设备104”以及类似术语可以可互换地使用。然而,术语“指环104”的使用不应被视为限制性的,因为本文中预期的是,本公开的各方面可以使用其他可穿戴设备(例如,手表可穿戴设备、项链可穿戴设备、手环可穿戴设备、耳环可穿戴设备、脚踝可穿戴设备等)来执行。
在一些方面,用户设备106可以包括手持式移动计算设备,诸如智能电话和平板计算设备。用户设备106还可包括个人计算机,诸如膝上型和台式计算设备。其他示例用户设备106可包括可与其他电子设备(例如,经由互联网)通信的服务器计算设备。在一些实现方式中,计算设备可以包括医疗设备,诸如外部可穿戴计算设备(例如,Holter监视器)。医疗设备还可包括可植入医疗设备,诸如起搏器和心律转复除颤器。其他示例用户设备106可包括家庭计算设备,诸如物联网(IoT)设备(例如,IoT设备)、智能电视、智能扬声器、智能显示器(例如,视频呼叫显示器)、集线器(例如,无线通信集线器)、安全系统、智能电器(例如,恒温器和冰箱)、以及健身装备。
一些电子设备(例如,可穿戴设备104、用户设备106)可以测量相应用户102的生理参数,诸如光电容积脉搏波描记波形、连续皮肤温度、脉搏波形、呼吸速率、心率、心率变化性(HRV)、体动记录、皮肤电反应、脉搏血氧测定法和/或其他生理参数。测量生理参数的一些电子设备还可执行本文描述的一些/所有计算。一些电子设备可以不测量生理参数,但可以执行本文所描述的一些/所有计算。例如,指环(例如,可穿戴设备104)、移动设备应用或服务器计算设备可处理所接收的由其他设备测量的生理数据。
在一些实现方式中,用户102可以操作多个电子设备或可以与多个电子设备相关联,这些电子设备中的一些可以测量生理参数,并且这些电子设备中的一些可以处理所测量的生理参数。在一些实现方式中,用户102可以具有测量生理参数的指环(例如,可穿戴设备104)。用户102还可以具有用户设备106(例如,移动设备、智能电话)或与用户设备106相关联,其中可穿戴设备104和用户设备106彼此通信地耦合。在一些情况下,用户设备106可从可穿戴设备104接收数据并且执行本文所描述的某些/所有计算。在一些实现方式中,用户设备106还可测量本文中描述的生理参数,诸如运动/活动参数。
例如,如图1所示,第一用户102-a(用户1)可以操作可以如本文所描述的操作的可穿戴设备104-a(例如,指环104-a)和用户设备106-a或与其相关联。在该示例中,与用户102-a相关联的用户设备106-a可以处理/存储由指环104-a测量的生理参数。相比之下,第二用户102-b(用户2)可以与指环104-b、手表可穿戴设备104-c(例如,手表104-c)和用户设备106-b相关联,其中与用户102-b相关联的用户设备106-b可以处理/存储由指环104-b和/或手表104-c测量的生理参数。此外,第n个用户102-n(用户N)可以与本文中所描述的电子设备(例如,指环104-n、用户设备106-n)的布置相关联。在一些方面中,可穿戴设备104(例如,指环104、手表104)和其他电子设备可以经由蓝牙、Wi-Fi和其他无线协议通信地耦合到相应用户102的用户设备106。
系统100的电子设备(例如,用户设备106、可穿戴设备104)可以经由有线或无线通信协议通信地耦合到一个或更多个服务器110。例如,如图1所示,电子设备(例如,用户设备106)可以经由网络108通信地耦合到一个或更多个服务器110。网络108可以实现传输控制协议和诸如因特网之类的互联网协议(TCP/IP),或者可以实现其他网络108协议。网络108与相应电子设备之间的网络连接可以促进经由电子邮件、网络、文本消息、邮件或与计算机网络108交互的任何其他适当形式的数据传输。例如,在一些实现方式中,与第一用户102-a相关联的指环104-a可通信地耦合到用户设备106-a,其中用户设备106-a经由网络108通信地耦合到服务器110。在附加的或替代的情况下,可穿戴设备104(例如,指环104、手表104)可直接通信地耦合至网络108。
系统100可以在用户设备106与一个或更多个服务器110之间提供按需数据库服务。在一些情况下,服务器110可以经由网络108从用户设备106接收数据,并且可以存储和分析数据。类似地,服务器110可以经由网络108将数据提供给用户设备106。在一些情况下,服务器110可以位于一个或更多个数据中心处。服务器110可以用于数据存储、管理和处理。在一些实现方式中,服务器110可经由网络浏览器将基于网络的界面提供给用户设备106。
在一些方面,系统100可以支持用于基于由可穿戴设备所收集的数据来进行自动睡眠阶段分类的技术。具体地,系统100检测用户102睡眠的时间段,并且将用户102睡眠的时间段分类为一个或更多个睡眠阶段。例如,如图1所示,用户102-a可以与可穿戴设备104-a(例如,指环104-a)和用户设备106-a相关联。在该示例中,指环104-a可以收集与用户102-a相关联的生理数据,包括温度、心率、HRV、呼吸速率等。在一些方面中,由指环104-a收集的数据可以被输入到机器学习分类器,其中,机器学习分类器被配置为确定用户102-a睡眠(或睡着)的时间段。此外,机器学习分类器可以被配置为将时间段分类为不同的睡眠阶段,包括醒着睡眠阶段、REM睡眠阶段、轻度睡眠阶段(非REM(NREM))和深度睡眠阶段(NREM)。
在一些方面,经分类的睡眠阶段可以经由用户设备106-a的GUI显示给用户102-a。具体地,GUI可以显示用户102-a睡着的时间间隔,其中时间间隔的区段用对应的睡眠阶段标记或以其他方式指示。在一些实现方式中,本文所述的睡眠阶段分类技术可用于向用户102-a提供关于用户的睡眠模式的反馈,例如推荐的睡觉时间、推荐的唤醒时间等。此外,在一些实现方式中,本文所描述的睡眠阶段分类技术可用于计算相应用户的分数,诸如睡眠分数、就绪(readiness)分数等。
在一些方面,系统100可以利用源自昼夜节律的特征来进一步改进生理数据收集、疾病检测、以及本文描述的其他技术。术语昼夜节律可以指调节大约每24小时重复的个体的睡眠-唤醒周期的自然的内部过程。在此方面,本文所描述的技术可以利用昼夜节律调节模型来改进睡眠阶段分类。例如,可以将昼夜节律调节模型以及经由可穿戴设备104-a从用户102-a收集的生理数据输入到机器学习分类器中。在这个示例中,昼夜节律调节模型可以被配置为“加权”或调节用户的睡眠期间收集的生理数据,以提供更准确的睡眠阶段分类。在一些实现方式中,系统可以最初从“基线”昼夜节律调节模型开始,并且可以使用从每个用户102收集的生理数据来修改基线模型,以生成特定于每个相应用户102的定制的、个性化的昼夜节律调节模型。
在一些方面,系统100可以利用其他生物节律来通过这些其他节律的相位(phase)进一步改进数据的比较。例如,如果在个体的基线数据内检测到每周节律,则该模型可以被配置为按该周的天来调节数据的“权重”。可能需要通过此方法对模型进行调节的生物节律包括:1)超日(ultradian)(比天节律更快,包括睡眠状态下的睡眠周期,以及在醒着状态期间所测量的生理变量中从小于一小时至若干小时周期性的振荡;2)昼夜节律;3)被示出为施加在昼夜节律之上的非内源的每日节律,如在工作日程中;4)每周节律,或外源施加的其他人工时间周期性(例如,在具有12天“周”的假设文化(hypothetical culture)中,可以使用12天的节律);5)女性的多日卵巢节律和男性的精子发生节律;6)月球节律(与生活在低或没有人工光的个体相关);以及7)季节节律。
生物节律不总是静止节律。例如,许多女性经历卵巢周期长度在各周期之间的可变性,并且即使在个体内,也预期不会在几天内在完全相同的时间或周期性处发生超日节律。如此,足以量化频率组成同时保持生理数据中的这些节律的时间分辨率的信号处理技术可以用于改进对这些节律的检测、将每种节律的相位分配给所测量的时间中的每个时刻、以及由此修改调节模型和时间间隔的比较。
所描述的生物节律跨生理模式不总是完全相同的。例如,在跨时区旅行之后,一些节律与新时区的对齐可以比其他节律或变量更快地发生(例如,超日节律可以比昼夜节律恢复更快,或者心率可以比呼吸速率更快地恢复其正常的节律特征)。稳定关系的类似丧失是疾病的常见标志。如此,“健康”和“非健康”时间间隔的分类可以通过包括节律参数(诸如,每变量的幅值和瞬时频率)来进一步细化,并且可以通过包括描述(如在温度的超日节律与心率的超日节律的对齐、共同信息(co-information)、一致性等中的)变量之间的节律关系的参数来进一步细化。所得到的关系参数必须以这样的方式生成,该方式保持足以用于正在比较的模型的时间分辨率。
生物节律调节模型和参数可以视情况以线性或非线性组合添加,以便更准确地捕获个体或个体组的动态基线。权重和模型然后可以用作用于改善“健康”时间间隔与“非健康”时间间隔之间的比较的准确度的特征。例如,可以将用户的自然昼夜节律(例如,“温度节律”)期间的其温度数据与相对于昼夜节律(例如,HRV节律、呼吸速率节律)评估的其他生理参数进行比较以检测/预测疾病。
在一些方面,系统100的相应设备可以支持用于识别疾病发作的技术。系统100的各方面可以支持用于在症状前阶段期间识别疾病的技术(例如,在症状发作之前的疾病检测)。具体地,图1中示出的系统100可支持用于使用分类器(例如,机器学习分类器)基于从用户收集的生理数据来识别用户将从健康状态转变成非健康状态的可能性的技术。在一些实现方式中,本文描述的技术可以比较在不同的时间间隔(例如,第一/参考时间间隔、第二/预测时间间隔)上收集的生理数据(及其节律参数)以识别满足偏差标准,其中,满足一个或更多个偏差标准可以用于预测疾病风险度量(例如,“风险分数”)、疾病预测度量、疾病严重性度量、疾病恢复度量等。
例如,如图1所示,用户102-a可以与可穿戴设备104-a(例如,指环104-a)和用户设备106-a相关联。在该示例中,指环104-a可以收集与用户102-a相关联的生理数据,包括温度、心率、HRV、呼吸速率等。在一些方面,由指环104-a收集的数据可以被输入到分类器,其中该分类器被配置为确定与用户将从健康状态转变到非健康状态的可能性或概率相关联的疾病风险度量(或其他度量)。在一些方面,输入到分类器中的数据可以被处理以确定跨生物节律和生理数据类型的节律参数(例如,温度、心率的超日节律和昼夜节律、以及那些节律的关系),所得到的参数也被输入到分类器中。在一些方面,分类器可以不是机器学习,而是基于其他人工智能方法,或者不依赖于人工智能或机器学习的经验导出的线性鉴别器。
系统100可以被配置为使用户设备106-a显示疾病风险度量的指示,该指示可以使得用户102-a能够采取预防措施和/或调整睡眠或活动例程以便防止疾病、降低疾病的严重性、减少疾病的持续时间、防止疾病的传播、或其任何组合。
在一些情况下,系统100可以利用神经系统度量(例如,指示交感/副交感活动的度量)来识别疾病。例如,系统100可比较在不同时间间隔(例如,参考窗口、预测窗口)上收集的HRV数据以识别满足偏差标准,其中满足偏差标准指示疾病发作。例如,相对于HRV数据的低频内容随时间的变化,HRV数据的高频内容随时间的变化可用于识别疾病发作。
在附加的或替代的情况下,系统100可以利用温度数据来识别疾病发作。具体地,系统100可以结合用户的地理位置利用温度数据来确定疾病发作。例如,与生活在较暖的气候(例如,迈阿密)的第二用户102的白天高温和/或低温读数的变化相比,生活在较冷的气候(例如,芬兰)的第一用户102的白天高温和/或低温读数的变化可以更多地指示疾病。类似地,生物节律的季节性变化在北方(例如,芬兰)和南方(例如,迈阿密)地区之间将不同。因此,在一些实现方式中,系统100可以使用位置数据(例如,地理位置、纬度)来确定用户的温度数据的“预测权重”,其中,预测权重与用于预测疾病的温度数据的相对预测准确度相关联。在这样的情况下,预测权重可以结合收集的温度数据使用以确定给定用户102将从健康状态转变到非健康状态的可能性。
在附加的或替代的情况下,系统100可以利用与可修改的行为预测器(例如,身体活动、睡眠)相关联的生理数据来识别疾病发作。例如,机器学习分类器可以用于识别满足指示用户的活动和/或睡眠随时间的变化的偏差标准,其中,用户的活动和/或睡眠随时间的变化可以用于识别疾病。此外,在一些实现方式中,系统100可以利用模型(例如,月经周期模型、每周模式调节模型、每年模式调节模型、季节模式调节模型)来说明用户的运动、活动、和生理响应中的周期性的、可预测的变化,以便改进对疾病发作的预测。例如,系统100可以识别和/或生成用户102-a的月经周期模型,并且可以使用月经周期模型来改善用户102-a的疾病检测。在该示例中,月经周期模型可用于基于用户的月经周期(例如,在月经期期间增加的温度)来说明用户的生理数据中的自然周期性变化,由此减少/消除假阳性疾病预测。
本文描述的技术可以使用由可穿戴设备收集的数据来提供改进的疾病检测。具体地,本文中所描述的技术可以用于基于经由可穿戴设备从用户102收集的生理数据来预测用户102是否将从健康状态转变为非健康状态(或反之亦然)。用于执行疾病检测的生理数据可以包括神经系统信息(例如,心率数据、HRV数据)、温度数据、呼吸速率数据、运动/活动数据、睡眠数据等。此外,系统100可利用附加数据(诸如位置数据)来确定用于识别疾病的不同生理参数的预测准确度,这可改善疾病检测技术的准确度。进一步地,通过考虑用户的活动、睡眠和/或生理参数(例如,月经周期模型、每周/季节/每年模式调节模型)的周期性的、可预测的变化,本文所描述的技术可进一步改善疾病检测,从而为用户102提供关于其总体身体健康的更有价值的了解。
本领域的技术人员应当理解,可以在系统100中实现本公开的一个或更多个方面,以附加地或可替代地解决除上述那些问题之外的其他问题。此外,本公开的各个方面可以为如本文描述的“常规的”系统或过程提供技术改进。然而,说明书和附图仅包括从实现本公开的方面得到的示例技术改进,并且因此不表示在权利要求的范围内提供的所有技术改进。
图2示出了根据本公开的各个方面的支持疾病检测技术的系统200的示例。系统200可以实现系统100或者由系统100实现。具体地,系统200示出了指环104(例如,可穿戴设备104)、用户设备106和服务器110的示例,如参考图1所描述的。
在一些方面中,指环104可以被配置为戴在用户手指上,并且当戴在用户手指上时可以确定一个或更多个用户生理参数。示例测量和确定可包括但不限于用户皮肤温度、脉搏波形、呼吸速率、心率、HRV、血氧水平等。
系统200进一步包括与指环104通信的用户设备106(例如,智能电话)。例如,指环104可与用户设备106进行无线和/或有线通信。在一些实现方式中,指环104可将所测量和处理的数据(例如,温度数据、光电容积脉搏波描记图(PPG)数据、运动/加速度计数据、指环输入数据等)发送到用户设备106。用户设备106还可向指环104发送数据,诸如指环104固件/配置更新。用户设备106可处理数据。在一些实现方式中,用户设备106可以向服务器110传送数据以用于处理和/或存储。
指环104可以包括壳体205,该壳体可以包括内壳体205-a和外壳体205-b。在一些方面中,指环104的壳体205可以存储或以其他方式包括指环的各种组件,这些组件包括但不限于设备电子器件、电源(例如,电池210、和/或电容器)、将设备电子器件和/或电源互连的一个或更多个基板(例如,可印刷电路板)等等。设备电子器件可以包括设备模块(例如,硬件/软件),诸如:处理模块230-a、存储器215、通信模块220-a、电源模块225等。设备电子器件还可以包括一个或更多个传感器。示例传感器可以包括一个或更多个温度传感器240、PPG传感器组合件(例如,PPG系统235)、以及一个或更多个运动传感器245。
这些传感器可以包括关联模块(未示出),这些关联模块被配置为与指环104的相应组件/模块进行通信,并且生成与相应传感器相关联的信号。在一些方面中,指环104的组件/模块中的每一者可经由有线或无线连接彼此通信地耦合。此外,指环104可包括附加的和/或替代的传感器或被配置为从用户收集生理数据的其他组件,包括光传感器(例如,LED)、血氧计等。
参照图2示出并描述的指环104仅为了说明的目的而提供。因此,指环104可包括如图2所示的那些的附加或替代组件。可制造提供本文所述的功能的其他指环104。例如,可制造具有较少组件(例如,传感器)的指环104。在特定示例中,可制造具有单个温度传感器240(或其他传感器)、电源和被配置为读取单个温度传感器240(或其他传感器)的设备电子器件的指环104。在另一特定示例中,温度传感器240(或其他传感器)可附接到用户的手指(例如,使用塑料/橡胶带和/或带子)。在这种情况下,传感器可以有线连接到另一计算设备,诸如读取温度传感器240(或其他传感器)的腕戴计算设备。在其他示例中,可制造包括附加传感器和处理功能性的指环104。
壳体205可以包括一个或更多个壳体205组件。壳体205可以包括外壳体205-b组件(例如,外壳)和内壳体205-a组件(例如,模制件)。壳体205可包括在图2中未明确示出的附加组件(例如,附加层)。例如,在一些实现方式中,指环104可包括将设备电子器件和其他导电材料(例如,电迹线)与外壳体205-b(例如,金属外壳体205-b)电绝缘的一个或更多个绝缘层。壳体205可为设备电子器件、电池210、基板和其他组件提供结构支撑。例如,壳体205可保护设备电子器件、电池210和基板免受机械力,例如压力和冲击。壳体205还可保护设备电子器件、电池210和基板免受水和/或其他化学品损害。
外壳体205-b可以由一种或更多种材料制成。在一些实现方式中,外壳体205-b可包括金属,例如钛,其可在相对轻重量下提供强度和耐磨性。外壳体205-b也可由其他材料(诸如聚合物)制成。在一些实现方式中,外壳体205-b可以为保护性的和装饰性的。
内壳体205-a可以被配置为与用户的手指接合。内壳体205-a可以由聚合物(例如,医用级聚合物)或其他材料形成。在一些实现方式中,内壳体205-a可为透明的。例如,内壳体205-a可对PPG发光二极管(LED)发射的光是透明的。在一些实现方式中,内壳体205-a组件可以被模塑到外壳体205-b上。例如,内壳体205-a可以包括被模塑(例如,注塑)以配合到外壳体205-b金属外壳中的聚合物。
指环104可以包括一个或更多个基板(未示出)。设备电子器件和电池210可以被包括在一个或更多个基板上。例如,设备电子器件和电池210可以安装在一个或更多个基板上。示例基板可包括一个或更多个印刷电路板(PCB),诸如柔性PCB(例如,聚酰亚胺)。在一些实现方式中,电子器件/电池210可包括柔性PCB上的表面安装设备(例如,表面安装技术(SMT)设备)。在一些实现方式中,一个或更多个基板(例如,一个或更多个柔性PCB)可包括提供设备电子器件之间的电通信的电迹线。电迹线还可将电池210连接到设备电子器件。
设备电子器件、电池210和基板可以按各种方式布置在指环104中。在一些实现方式中,包括设备电子器件的一个基板可沿指环104的底部(例如,下半部)安装,使得传感器(例如,PPG系统235、温度传感器240、运动传感器245和其他传感器)与用户的手指的下侧接合。在这些实现方式中,可沿指环104的顶部部分包括电池210(例如,在另一基板上)。
指环104的各种组件/模块表示可以包括在指环104中的功能(例如,电路和其他组件)。模块可包括实现能够产生归属于本文中的模块的功能的模拟和/或数字电路的任何分立和/或集成电子电路组件。例如,模块可包括模拟电路(例如,放大电路、滤波电路、模拟/数字转换电路和/或其他信号调节电路)。模块还可包括数字电路(例如,组合或时序逻辑电路、存储器电路等)。
指环104的存储器215(存储器模块)可以包括任何易失性、非易失性、磁、或电介质,诸如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪存、或任何其他存储器设备。存储器215可以存储本文描述的任何数据。例如,存储器215可以被配置为存储由相应传感器和PPG系统235收集的数据(例如,运动数据、温度数据、PPG数据)。此外,存储器215可以包括指令,该指令当由一个或更多个处理电路执行时,使得模块执行归属于本文中的模块的各种功能。本文描述的指环104的设备电子器件仅是示例设备电子器件。因此,用于实现设备电子器件的电子组件的类型可基于设计考虑而变化。
归属于本文描述的指环104的模块的功能可以被具体化为一个或更多个处理器、硬件、固件、软件、或其任何组合。将不同特征描述为模块旨在突出不同功能方面,并且不一定暗示这些模块必须由单独的硬件/软件组件来实现。相反,与一个或更多个模块相关联的功能可以由单独的硬件/软件组件执行或者集成在共同的硬件/软件组件内。
指环104的处理模块230-a可以包括一个或更多个处理器(例如,处理单元)、微控制器、数字信号处理器、片上系统(SOC)、和/或其他处理设备。处理模块230-a与指环104中包含的模块进行通信。例如,处理模块230-a可以向/从指环104的模块和其他组件(诸如传感器)发送/接收数据。如本文中所描述的,模块可由各种电路组件实现。因而,模块也可被称为电路(例如,通信电路和电源电路)。
处理模块230-a可以与存储器215进行通信。存储器215可以包括计算机可读指令,这些指令当由处理模块230-a执行时,使处理模块230-a执行归属于本文中的处理模块230-a的各种功能。在一些实现方式中,处理模块230-a(例如,微控制器)可以包括与其他模块相关联的附加特征,例如由通信模块220-a(例如,集成的蓝牙低功耗收发器)提供的通信功能和/或附加的板载存储器215。
通信模块220-a可以包括提供与用户设备106的无线和/或有线通信的电路(例如,用户设备106的通信模块220-b)。在一些实现方式中,通信模块220-a、220-b可包括无线通信电路,诸如蓝牙电路和/或Wi-Fi电路。在一些实现方式中,通信模块220-a、220-b可包括有线通信电路,诸如通用串行总线(USB)通信电路。使用通信模块220-a,指环104和用户设备106可被配置为彼此通信。指环的处理模块230-a可被配置为经由通信模块220-a向/从用户设备106发送/接收数据。示例数据可以包括但不限于运动数据、温度数据、脉搏波形、心率数据、HRV数据、PPG数据、和状态更新(例如,充电状态、电池充电水平、和/或指环104配置设置)。指环的处理模块230-a还可以被配置为从用户设备106接收更新(例如,软件/固件更新)和数据。
指环104可以包括电池210(例如,可再充电电池210)。示例电池210可以包括锂离子或锂聚合物型电池210,但是各种电池210的选择是可能的。电池210可被无线充电。在一些实现方式中,指环104可包括除电池210以外的电源,例如电容器。电源(例如,电池210或电容器)可具有与指环104的曲线相匹配的弯曲几何形状。在一些方面中,充电器或其他电源可包括附加传感器,所述附加传感器可用于收集除由指环104自身收集的数据之外的数据或补充由指环104自身收集的数据的数据。此外,指环104的充电器或其他电源可充当用户设备106,在这种情况下,指环104的充电器或其他电源可被配置为从指环104接收数据,存储和/或处理从指环104接收的数据,并在指环104和服务器110之间通信数据。
在一些方面,指环104包括电源模块225,该电源模块可控制电池210的充电。例如,电源模块225可与外部无线充电器接合,该外部无线充电器在与指环104接合时对电池210进行充电。充电器可包括与指环104基准结构配套以在指环104充电期间与指环104产生指定取向的基准结构。电源模块225还可调节设备电子器件的电压、调节输出至设备电子器件的功率、以及监测电池210的充电状态。在一些实现方式中,电池210可包括保护电路模块(PCM),其保护电池210免于高电流放电、指环104充电期间的过电压和指环104放电期间的电压不足。电源模块225还可包括静电放电(ESD)保护。
一个或更多个温度传感器240可以电耦合到处理模块230-a。温度传感器240可被配置为生成温度信号(例如,温度数据),该温度信号指示由温度传感器240读取或感测到的温度。处理模块230-a可以确定用户在温度传感器240的位置处的温度。例如,在指环104中,由温度传感器240生成的温度数据可指示用户的手指处的用户温度(例如,皮肤温度)。在一些实现方式中,温度传感器240可以接触用户的皮肤。在其他实现方式中,壳体205的一部分(例如,内壳体205-a)可以在温度传感器240与用户的皮肤之间形成屏障(例如,薄的导热屏障)。在一些实现方式中,指环104的被配置为接触用户的手指的部分可具有导热部分和热绝缘部分。导热部分可将热量从用户的手指传导至温度传感器240。热绝缘部分可将指环104的各部分(例如,温度传感器240)与环境温度绝缘。
在一些实现方式中,温度传感器240可以生成数字信号(例如,温度数据),处理模块230-a可以使用该数字信号来确定温度。作为另一示例,在温度传感器240包括无源传感器的情况下,处理模块230-a(或温度传感器240模块)可测量由温度传感器240生成的电流/电压,并基于所测量的电流/电压来确定温度。示例温度传感器240可包括热敏电阻(诸如负温度系数(NTC)热敏电阻)或其他类型的传感器,其包括电阻器、晶体管、二极管和/或其他电气/电子组件。
处理模块230-a可以随着时间对用户的温度进行采样。例如,处理模块230-a可以根据采样率对用户的温度进行采样。示例采样率可以包括每秒一个样本,但是处理模块230-a可以被配置为以高于或低于每秒一个样本的其他采样率对温度信号进行采样。在一些实现方式中,处理模块230-a可以在整个白天和夜晚连续地对用户的温度进行采样。在整个一天中以足够的速率(例如,每秒一个样本)采样可以提供足够的温度数据以进行本文描述的分析。
处理模块230-a可以将所采样的温度数据存储在存储器215中。在一些实现方式中,处理模块230-a可处理所采样的温度数据。例如,处理模块230-a可确定一段时间内的平均温度值。在一个示例中,处理模块230-a可以通过对在每分钟内收集的所有温度值求和并除以在该分钟内的样本数量来确定该分钟的平均温度值。在以每秒一个样本对温度进行采样的具体示例中,平均温度可以是一分钟的所有采样的温度之和除以六十秒。存储器215可以存储随时间的平均温度值。在一些实现方式中,存储器215可存储平均温度(例如,每分钟一个)而不是所采样的温度,以便节约存储器215。
可以存储在存储器215中的采样率可以是可配置的。在一些实现方式中,采样率在整个白天和晚上可以是相同的。在其他实现方式中,采样率在整个白天/夜晚可以变化。在一些实现方式中,指环104可以过滤/拒绝温度读数,例如不指示生理变化的温度的大尖峰(例如,来自热淋浴的温度尖峰)。在一些实现方式中,指环104可以过滤/拒绝由于其他因素(诸如,104锻炼期间的过度运动(例如,如由运动传感器245所指示的))而可能不可靠的温度读数。
指环104(例如,通信模块)可以将采样的温度数据和/或平均温度数据传送至用户设备106以供存储和/或进一步处理。用户设备106可将采样的温度数据和/或平均温度数据传输到服务器110以供存储和/或进一步处理。
虽然指环104被示出为包括单个温度传感器240,但是指环104可以在一个或更多个位置中包括多个温度传感器240,诸如沿着内壳体205-a布置在用户的手指附近。在一些实现方式中,温度传感器240可以为独立温度传感器240。附加地或可替代地,一个或更多个温度传感器240可与其他组件一起被包括(例如,与其他组件封装在一起),诸如与加速度计和/或处理器一起被包括。
处理模块230-a可以以关于单个温度传感器240所描述的类似方式从多个温度传感器240获取和处理数据。例如,处理模块230可单独地对来自多个温度传感器240中的每个温度传感器的温度数据进行采样、求平均和存储。在其他示例中,处理模块230-a可以以不同速率对传感器进行采样并且针对不同传感器求平均/存储不同值。在一些实现方式中,处理模块230-a可被配置为基于由手指上的不同位置中的两个或更多温度传感器240确定的两个或更多温度的平均值来确定单个温度。
指环104上的温度传感器240可获取用户手指(例如,任何手指)处的远端温度。例如,指环104上的一个或更多个温度传感器240可从手指的下侧或手指上的不同位置处获取用户的温度。在一些实现方式中,指环104可连续地获取远端温度(例如,以采样速率)。虽然在本文中描述了由手指处的指环104测量的远端温度,但是其他设备可以测量相同/不同位置处的温度。在一些情况下,在用户手指处测量的远端温度可不同于在用户手腕或其他外部身体位置处测量的温度。此外,在用户手指处测量的远端温度(例如,“外壳”温度)可不同于用户的核心温度。如此,指环104可提供有用的温度信号,该温度信号可能不是在身体的其他内部/外部位置处获取的。在一些情况下,手指处的连续温度测量可捕获核心温度中可能不明显的温度波动(例如,小波动或大波动)。例如,手指处的连续温度测量可以捕获提供附加洞察的一分钟一分钟的(minute-to-minute)或一小时一小时的(hour-to-hour)温度波动,该附加洞察可以不由身体中的其他地方的其他温度测量提供。
指环104可以包括PPG系统235。PPG系统235可以包括发射光的一个或更多个光发射器。PPG系统235还可以包括接收由该一个或更多个光发射器发射的光的一个或更多个光接收器。光接收器可以生成指示由光接收器接收的光量的信号(以下称为“PPG”信号)。光发射器可以照亮用户手指的区域。由PPG系统235生成的PPG信号可以指示所照亮区域中的血液的灌注。例如,PPG信号可以指示由用户的脉压引起的照射区域中的血容量变化。处理模块230-a可以对PPG信号进行采样并且基于PPG信号确定用户的脉搏波形。处理模块230-a可基于用户的脉搏波形来确定各种生理参数,诸如用户的呼吸速率、心率、HRV、氧饱和度和其他循环参数。
在一些实现方式中,PPG系统235可以被配置成反射PPG系统235,其中,一个或更多个光接收器接收通过用户手指的区域反射的透射光。在一些实现方式中,PPG系统235可被配置成透射PPG系统235,其中,一个或更多个光发射器和一个或更多个光接收器被布置成彼此相对,以使得光通过用户手指的一部分被直接透射到一个或更多个光接收器。
PPG系统235中包括的发射器和接收器的数量和比率可以变化。示例光发射器可以包括发光二极管(LED)。光发射器可以发射红外光谱和/或其他光谱中的光。示例光接收器可包括但不限于光电传感器、光电晶体管和光电二极管。光接收器可以被配置为响应于从光发射器接收的波长而生成PPG信号。发射器和接收器的位置可以改变。此外,单个设备可以包括反射和/或透射PPG系统235。
在一些实现方式中,图2中所示的PPG系统235可以包括反射PPG系统235。在这些实现方式中,PPG系统235可以包括位于中心的光接收器(例如,在指环104的底部)以及位于该光接收器的每侧上的两个光发射器。在此实现方式中,PPG系统235(例如,光接收器)可以基于从这些光发射器之一或两者接收到的光来生成PPG信号。
处理模块230-a可以控制光发射器之一或两者在对光接收器生成的PPG信号进行采样的同时发射光。在一些实现方式中,处理模块230-a可以使得具有较强接收信号的光发射器在对光接收器生成的PPG信号进行采样的同时发射光。例如,当PPG信号以采样率(例如,250Hz)进行采样时,所选择的光发射器可以连续地发射光。
对由PPG系统235生成的PPG信号进行采样可以产生脉搏波形,该脉搏波形可以被称为“PPG”。脉搏波形可指示多个心动周期的血压对时间。脉搏波形可包括指示心动周期的峰值。此外,脉搏波形可包括可用于确定呼吸速率的呼吸诱导变化。在一些实现方式中,处理模块230-a可将脉搏波形存储在存储器215中。处理模块230-a可在脉搏波形被生成时和/或来自存储器215时处理脉搏波形,以确定本文所述的用户生理参数。
处理模块230-a可以基于脉搏波形来确定用户的心率。例如,处理模块230-a可基于脉搏波形中的峰值之间的时间来确定心率(例如,以搏动每分钟为单位)。峰值之间的时间可被称为心搏间隔(IBI)。处理模块230-a可以将所确定的心率值和IBI值存储在存储器215中。
处理模块230-a可以确定随时间推移的HRV。例如,处理模块230-a可基于IBI中的变化来确定HRV。处理模块230-a可将随时间的HRV值存储在存储器215中。此外,处理模块230-a可确定用户的随时间推移的呼吸速率。例如,处理模块230-a可基于用户的IBI值在一段时间内的频率调制、振幅调制或基线调制来确定呼吸速率。附加地或替代地,呼吸速率可基于HRV数据来确定。呼吸速率可以按每分钟的呼吸或作为另一个呼吸速率(例如,每30秒的呼吸)来计算。处理模块230-a可以将随时间的用户呼吸速率值存储在存储器215中。
指环104可以包括一个或更多个运动传感器245,诸如一个或更多个加速度计(例如,6-D加速度计)和/或一个或更多个陀螺仪(陀螺仪(gyro))。运动传感器245可生成指示传感器的运动的运动信号。例如,指环104可包括生成指示加速计的加速度的加速度信号的一个或更多个加速计。作为另一示例,指环104可包括一个或更多个陀螺仪传感器,其生成指示角运动(例如,角速度)和/或取向变化的陀螺仪信号。运动传感器245可以包括在一个或更多个传感器封装中。示例加速度计/陀螺仪传感器是Bosch BM1160惯性微机电系统(MEMS)传感器,它可以测量三个垂直轴上的角速率和加速度。
处理模块230-a可以采样率(例如,50Hz)对运动信号进行采样,并且基于所采样的运动信号来确定指环104的运动。例如,处理模块230-a可对加速度信号进行采样以确定指环104的加速度。作为另一示例,处理模块230-a可以对陀螺仪信号进行采样以确定角运动。在一些实现方式中,处理模块230-a可以将运动数据存储在存储器215中。运动数据可以包括采样的运动数据以及基于采样的运动信号(例如,加速度和角度值)计算的运动数据。
指环104可以存储本文描述的各种数据。例如,指环104可存储温度数据,诸如原始采样温度数据和计算的温度数据(例如,平均温度)。作为另一示例,指环104可存储PPG信号数据,诸如脉搏波形和基于脉搏波形计算的数据(例如,心率值、IBI值、HRV值和呼吸速率值)。指环104还可存储运动数据,例如指示线运动和角运动的采样的运动数据。
指环104或其他计算设备可以基于所采样/所计算的生理数据来计算和存储附加值。例如,处理模块230可以计算和存储各种度量,诸如睡眠度量(例如,睡眠分数)、活动度量和就绪度量。在一些实现方式中,附加的值/度量可以被称为“导出值”。指环104或其他计算/可穿戴设备可计算关于运动的各种值/度量。运动数据的示例导出值可包括但不限于运动计数值、规律性值、强度值、任务值的代谢等效性(MET)和取向值。运动计数、规律性值、强度值和MET可以指示随时间的用户运动量(例如,速度/加速度)。取向值可指示指环104如何在用户的手指上定向以及指环104是戴在左手还是右手上。
在一些实现方式中,运动计数和规律性值可以通过对一个或更多个时间段(例如,一个或更多个30秒至1分钟的时间段)内的加速度峰值的数量进行计数来确定。强度值可指示运动的数目和运动的关联强度(例如,加速度值)。取决于关联的阈值加速度值,强度值可被分类为低、中和高。可基于指环104在时间段(例如,30秒)期间的运动的强度、运动的规律性/不规律性以及与不同强度相关联的运动的数目来确定MET。
在一些实现方式中,处理模块230-a可以压缩存储在存储器215中的数据。例如,处理模块230-a可以在基于采样的数据进行计算之后删除采样的数据。作为另一示例,处理模块230-a可对较长时间段内的数据求平均值以便减少所存储值的数目。在特定示例中,如果用户在一分钟内的平均温度被存储在存储器215中,则处理模块230-a可计算五分钟时间段内的平均温度以用于存储,并且随后擦除一分钟平均温度数据。处理模块230-a可基于各种因素来压缩数据,诸如所使用的/可用的存储器215的总量和/或自指环104最后将数据传送到用户设备106起流逝的时间。
虽然可以由包括在指环104上的传感器测量用户的生理参数,但其他设备也可以测量用户的生理参数。例如,虽然可由包括在指环104中的温度传感器240来测量用户的温度,但其他设备也可测量用户的温度。在一些示例中,其他可穿戴设备(例如,手腕设备)可包括测量用户生理参数的传感器。此外,诸如外部医疗设备(例如,可穿戴医疗设备)和/或可植入医疗设备之类的医疗设备可测量用户的生理参数。可以使用任何类型的计算设备上的一个或更多个传感器来实现本文所描述的技术。
生理测量结果可以在整个白天和/或夜晚连续获取。例如,在一些实现方式中,指环104可被配置为根据贯穿每天/睡眠日的全部的一个或更多个测量周期连续地获取生理数据(例如,确定温度读数、HRV读数、呼吸速率读数)。换言之,指环104可连续地从用户获取生理数据,而不考虑用于执行这些测量的“触发条件”。
在附加的或替代的实现方式中,生理测量结果可以在白天的各个部分和/或夜晚的104各个部分期间获取。在一些实现方式中,可以响应于确定用户处于特定状态(例如,活动状态、休息状态和/或睡眠状态)来获取生理测量结果。例如,指环104可在休息/睡眠状态下进行生理测量,以获取更干净的生理信号。在一个示例中,指环104或其他设备/系统可检测用户何时休息和/或睡眠并且获取所检测到的状态的生理参数(例如,温度)。当用户处于其他状态时,设备/系统可以使用休息/睡眠生理数据和/或其他数据,以便实现本公开的技术。
在一些实现方式中,如本文之前所描述的,指环104可以被配置为收集、存储和/或处理数据,并且可以将本文描述的任何数据传输至用户设备106用于存储和/或处理。在一些方面,用户设备106包括可穿戴应用250、操作系统(OS)、web浏览器应用(例如,web浏览器280)、一个或更多个附加应用、和GUI 275。用户设备106可进一步包括其他模块和组件,包括传感器、音频设备、触觉反馈设备等。可穿戴应用250可以包括可安装在用户设备106上的应用(例如,“app”)的示例。可穿戴应用250可被配置为从指环104获取数据,存储所获取的数据,以及处理所获取的数据,如本文所描述的。例如,可穿戴应用250可以包括用户界面(UI)模块255、获取模块260、处理模块230-b、通信模块220-b和被配置为存储应用数据的存储模块(例如,数据库265)。
本文描述的各种数据处理操作可以由指环104、用户设备106、服务器110或其任何组合来执行。例如,在一些情况下,由指环104收集的数据可被预处理并被传送到用户设备106。在此示例中,用户设备106可对所接收的数据执行一些数据处理操作,可将该数据传送到服务器110以进行数据处理,或两者。例如,在一些情况下,用户设备106可执行需要相对低的处理功率的处理操作和/或需要相对低的等待时间(latency)的操作,而用户设备106可将数据传送到服务器110以用于处理需要相对高的处理功率的操作和/或可允许相对较高的等待时间的操作。
在一些方面中,系统200的指环104、用户设备106和服务器110可以被配置为评估用户的睡眠模式。具体地,系统200的相应组件可以用于经由指环104从用户收集数据,并且基于所收集的数据为用户生成一个或更多个分数(例如,睡眠分数、就绪分数)。例如,如本文先前指出的,系统200的指环104可由用户佩戴以从用户收集数据,包括温度、心率、HRV等。由指环104收集的数据可用于确定用户何时睡着以评估对于给定“睡眠日”用户的睡眠。在一些方面,可以为用户计算每个相应睡眠日的分数,使得第一睡眠日与第一分数集相关联,并且第二睡眠日与第二分数集相关联。可基于指环104在相应睡眠日期间收集的数据来计算每个相应睡眠日的分数。分数可以包括但不限于睡眠分数、就绪分数等。
在一些情况下,“睡眠日”可以与传统日历日对齐,从而使得给定睡眠日从相应日历日的午夜运行至午夜。在其他情况下,睡眠日可相对于日历日偏移。例如,睡眠日可以从日历日的下午6:00(18:00)运行到随后日历日的下午6:00(18:00)。在这个示例中,下午6:00可以充当“截止时间”,其中对于当前睡眠日对在下午6:00之前从用户收集的数据进行计数,并且对于随后的睡眠日对在下午6:00之后从用户收集的数据进行计数。由于大多数个体在夜晚睡眠最多的事实,相对于日历日偏移睡眠日可以使得系统200能够以与他们的睡眠时间表一致的方式评估用户的睡眠模式。在一些情况下,用户可能够相对于日历日选择性地调整(例如,经由GUI)睡眠日的定时,使得睡眠日与相应用户通常睡眠的持续时间对准。
在一些实现方式中,可以基于一个或更多个“贡献者”、“因素”、或“贡献因素”确定/计算用户在每个相应日的每个总分数(例如,睡眠分数、就绪分数)。例如,可以对一组贡献者计算用户的总睡眠分数,包括:总睡眠、效率、烦躁不安、快速眼动(REM)睡眠、深度睡眠、等待时间、定时、或其任何组合。睡眠分数可以包括任何数量的贡献者。“总睡眠”贡献者可以指睡眠日的所有睡眠时段的总和。“效率”贡献者可以反映与在睡觉中时醒来所花费的时间相比睡着所花费的时间的百分比,并且可以使用由每个睡眠时段的持续时间加权的睡眠日的长睡眠时段(例如,主睡眠时段)的效率平均值来计算。“宁静(restfulness)”贡献者可以指示用户的睡眠有多宁静,并且可以使用由每个时段的持续时间加权的睡眠日的所有睡眠时段的平均值来计算。宁静贡献者可以基于“醒来计数”(例如,在不同睡眠时段期间检测到的所有醒来(当用户醒来时)的总和)、过度运动和“起床计数”(例如,在不同睡眠时段期间检测到的所有起床(当用户下床时)的总和)。
“REM睡眠”贡献者可以指包括REM睡眠的睡眠日的所有睡眠时段上的REM睡眠持续时间的总和。类似地,“深度睡眠”贡献者可以指包括深度睡眠的睡眠日的所有睡眠时段上的深度睡眠持续时间的总和。“等待时间”贡献者可以表示用户花费多长时间(例如,平均值、中值、最长的)进入睡眠,并且可以使用睡眠日期间的长睡眠时段的平均值来计算,该平均值由每个时段的持续时间和这样的时段的数量加权(例如,合并给定的一个或更多个睡眠阶段可以是其自身的贡献者或可以对其他贡献者加权)。最后,“定时”贡献者可以指睡眠日和/或日历日内的睡眠时段的相对定时,并且可以使用由每个时段的持续时间加权的睡眠日的所有睡眠时段的平均值来计算。
作为另一示例,可以基于贡献者集合来计算用户的总体就绪分数,该贡献者集合包括:睡眠、睡眠平衡、心率、HRV平衡、恢复指数、温度、活动、活动平衡、或其任何组合。就绪分数可以包括任何数量的贡献者。“睡眠”贡献者可以指睡眠日内的所有睡眠时段的组合睡眠分数。“睡眠平衡”贡献者可以指睡眠日内的所有睡眠时段的累积持续时间。具体地,睡眠平衡可以向用户指示该用户在某个持续时间(例如,过去的两周)内已经进行的睡眠是否与该用户的需要相平衡。通常,成人每天晚上需要7-9小时的睡眠以保持健康、警觉以及在精神上和身体上都表现得最好。然而,正常的是具有不良睡眠的偶然夜晚,因此睡眠平衡贡献者考虑长期睡眠模式以确定是否满足每个用户的睡眠需求。“静息心率”贡献者可以指示来自睡眠日的最长睡眠时段(例如,主睡眠时段)的最低心率和/或来自发生在主睡眠时段之后的小睡(nap)的最低心率。
继续参考就绪分数的“贡献者”(例如,因素、贡献因素),“HRV平衡”贡献者可以指示来自主睡眠时段和在主睡眠时段之后发生的小睡的最高HRV平均值。HRV平衡贡献者可通过将其在第一时间段(例如,两周)内的HRV趋势与在第二、某较长时间段(例如,三个月)内的平均HRV进行比较来帮助用户跟踪其恢复状态。可以基于最长睡眠时段计算“恢复指数”贡献者。恢复指数测量用户的静息心率在夜晚稳定下来花费多长时间。非常好的恢复的标志是用户的静息心率在前半夜期间稳定下来,至少六小时后用户才醒来,留下身体时间在第二天恢复。如果用户在小睡期间的最高温度高于最长时段期间的最高温度至少0.5℃,则可以基于最长睡眠时段(例如,主睡眠时段)或基于在最长睡眠时段之后发生的小睡来计算“体温”贡献者。在一些方面中,指环可以在用户睡着的同时测量用户的体温,并且系统200可以相对于用户的基线温度显示用户的平均温度。如果用户的体温在他们的正常范围之外(例如,清楚地高于或低于0.0),则体温贡献者可被高亮(例如,进入“注意”状态)或以其他方式为用户生成警报。
在一些实现方式中,系统200的各个设备可以支持用于疾病检测的技术。具体地,系统200可以基于指示在感染或疾病的症状前时段期间用户的神经免疫和神经系统应答的生理数据来支持疾病检测。在人们知道它们是有症状的之前,感染的早期潜伏期是早期检测的机会的关键窗口。源自可穿戴设备的神经系统平衡的标记可以帮助我们在人们知道他们生病之前的“潜伏期”中检测感染的发生和到有症状疾病的转变。例如,在COVID-19的上下文中,人们可能被感染,而在他们实际发展为发烧或感觉生病之前不经历任何症状长达14天。对于COVID-19,这个14天的时段可以被称为“症状前时段”。流感可以具有更短的潜伏时间或症状前时段,典型地长达4天。症状前时段也是个体最可能传播病毒的时候。因此,期望在症状前状态期间检测到疾病以使得干预能够停止疾病的传播。
对于许多种类的流感状疾病,包括COVID-19和其他病毒或细菌感染,身体对侵入的病原体的免疫应答调节自主神经系统,从而还向大脑传送信号(例如,炎性细胞因子),这些信号会导致“疾病症状”。由可穿戴设备(例如,指环104)收集的生理数据可以通过构建馈送至分类器/算法(例如,机器学习分类器)的标记或“特征”来检测这些早期神经系统改变。这些标记可以从连续的心率监测、PPG数据、导出的IBI系列、或其任何组合中导出。因为PPG和在手指处测量的其他生理数据是基于动脉血流(与毛细血管血流相比)的,所以经由指环104从手指收集的生理数据与从手腕收集的生理数据相比可能更敏感和准确,从而为神经系统平衡标记提供唯一敏感的信号以在潜伏期(或症状前时段)期间检测疾病。
用户的神经系统平衡可以涉及用户的交感和副交感神经系统应答的相对对抗作用(例如,推拉(push-and-pull))。具体地,当暴露于应激(stress)(例如,暴露于疾病/感染、或来自病原体的攻击)时,副交感神经系统(例如,与“休息和消化”或恢复相关联的神经系统的部分)可以抽出其对心脏、免疫细胞、和其他身体组织的一些紧张性(tonic)抑制输入。通过基本上“把脚从刹车上拿开”,神经系统可以允许更大的交感神经输入,从而参与“战斗或飞行”系统。这在感染的最早阶段通过将免疫细胞如单核细胞/巨噬细胞从骨髓调动到血流和它们从中寻找病毒感染的细胞的组织中而对免疫系统是有利的。因此,神经系统的变化可能在接近感染时间或在症状发作之前(例如,对于COVID-19,在症状发作之前的2-14天)发生。
在交感和副交感应答之间的对抗作用导致“神经系统平衡”,其可以描述影响心率和血管的协调肾上腺素能和胆碱能输入的组合,表现为PPG导出的标记的变化并且影响用户对感染/疾病的免疫应答。基本上,需要神经系统的两个反调节方面(交感/肾上腺素能和副交感/胆碱能),并且不总是如传统地呈现在一些教科书和其他文献中的那样以反调节方式移动。
响应于感染/疾病,大脑经由神经系统向外围免疫器官(诸如骨髓和脾)发送信号。这些信号将更多的免疫细胞(例如单核细胞/巨噬细胞)释放到血流中,其中免疫细胞可以帮助追捕并且抗击感染的细胞。需要神经系统平衡来控制对感染的该免疫应答并且引导从疾病恢复。神经系统平衡是对心脏和免疫细胞的副交感和交感神经系统输入两者的函数。此外,睡眠在神经系统平衡的上下文中是唯一的:神经系统平衡在白天对夜晚(或醒着对睡眠)期间具有不同的激活模式。因此,本文中设想,系统200的可穿戴设备104(例如,指环104)可以被配置为捕获指示睡眠和其他神经系统应答的生理数据,其可以在感染/疾病之前(以及期间)提供对夜间神经系统平衡的唯一测量。
用户的神经系统介导免疫系统与大脑之间的连接以抗击疾病/感染,这提供了关键信号通路,通过该信号通路,当身体已经被疾病(例如,流感状呼吸病毒)感染时,大脑“学习”身体何时被感染,协调对感染的全身应答,并且表现出像疲劳、疼痛等的“疾病症状”,以帮助身体抗击感染。例如,在识别出感染后,神经系统可以将炎性信号传递至调节体温的大脑的下丘脑中心,从而导致身体发烧,这可以通过抑制病毒复制来增强存活。
尽管如此,由于神经系统还对除了疾病/感染之外的许多其他刺激进行了应答,因此系统200可以被配置为组合许多标记上的细微变化,以便检测指示对疾病的应答的较大模式。实际上,与所收集的生理数据相关联的个体特征本身可能并未高度指示疾病。然而,当多个特征被组合在一起并且与许多特征/标记相组合时,系统200的机器学习分类器在检测疾病方面可以是高度准确的。因此,系统200可以利用副交感和交感神经之间的神经系统平衡的多个方面,以及感染驱动的行为后果(例如,诸如更早或更久地睡觉),以便识别疾病。换言之,本文所描述的技术可以基于用户的活动、睡眠和/或生理数据内的学习的偏差模式而不是单个参数或特征内的个体“异常”来确定/预测疾病。
因此,系统200可以支持用于使用指示神经系统应答的生理数据(例如,HRV、呼吸速率)来识别疾病发作的技术。具体来说,本文描述的技术可比较第一时间间隔(参考窗口)期间和第二时间间隔(预测窗口)期间从用户收集的HRV数据,并且可基于从第一时间间隔到第二时间间隔的HRV数据的变化来确定满足偏差标准。偏差标准的满足然后可以用于确定“疾病风险分数”、“疾病预测度量”、或指示用户的疾病的某个其他度量,并且可以经由用户设备106的GUI 275将所确定的度量报告给用户。换言之,系统200可从用户收集HRV数据,并将所收集的HRV数据与同一用户的基线HRV数据进行比较,以确定与用户的基线HRV数据的偏差,其中该偏差可指示疾病。此外或替代地,系统200可(例如,基于HRV数据)确定用户的呼吸速率,且可确定与用户的基线呼吸速率的偏差以便识别疾病发作。
在一些实现方式中,所收集的HRV数据可以被输入到分类器中,其中,该分类器被配置为跨相应的时间间隔(例如,参考窗口、预测窗口)识别满足一个或更多个偏差标准以便检测疾病。在一些实现方式中,从用户收集的HRV数据的频率内容可用于识别疾病发作。例如,系统200的指环104、用户设备106和/或服务器110可确定与从用户收集的HRV数据相关联的HRV频带和时域度量。HRV数据的时域内容/度量可包括连续差的均方根(RMSSD)。进一步地,HRV数据的频域内容/度量可以包括高频(HF:0.15-0.40Hz;min周期=30秒;滚动窗口=1min)和低频(LF:0.04-0.15Hz;min周期=90秒;滚动窗口=2-5分钟)范围、呼吸速率、以及非常低的频率(VLF:0.015-0.04Hz;min周期270秒)。在已经从信号中去除运动和其他伪像和异位搏动之后,可以在1-10分钟的窗口上滚动地计算这些频率特征,这取决于所讨论的频率的长度。
系统200的各个组件可以确定相应频带中的原始频谱功率和/或每个相应频带的峰值频率。在高分辨率粒度下的这些频率提取可以被馈送到特征工程管线中,该特征工程管线被配置为在睡眠时段期间从不同点提取不同统计参数。这些可以包括但不限于分布的分位数(例如,1%、50%、99%等)或检查整个分布中的偏移的度量,如Wasserstein度量。换言之,特征工程管线可以被配置为计算某些时间窗口的特征(例如,滚动1-10分钟时间窗口),以及计算时间窗口上的统计数据(例如,夜晚过程中的中值),其中,所计算的特征和统计数据可以被馈送至分类器(例如,机器学习分类器)中以执行本文描述的各种疾病检测技术。在一些实现方式中,可以使用贝叶斯统计来框化(frame)分布的变化,以反映关于给定用户的值范围的先验知识在不同“基线时段”内以个性化方式的影响。
在一些实现方式中,可以以“睡眠智能”方式提取与和神经系统应答相关联的生理数据(例如,HRV数据)相关联的特征,诸如在REM与非REM睡眠期间分离呼吸速率。可以从晚上的早期、中间或晚期部分提取特征,其中不同的生理影响可能占支配地位。例如,免疫系统的昼夜节律表明,在大约下午9:00和上午2:00之间,免疫系统可能保持发起强烈攻击并分泌更多的细胞因子,而在晚上的较晚部分,交感神经介导的内脏神经信号可以启动携带第二天的昼夜节律的信号,并且由此以关键性方式影响这些信号。因此,系统200可以被配置为基于在整夜睡眠期间收集的生理数据、基于在多个睡眠时段收集的生理数据、和/或基于在根据已知的昼夜节律和生理学确定的时间间隔内收集的生理数据的“睡眠阶段智能”或按时间顺序通知的特征来执行疾病检测。
在一些方面,系统200可在各个时间间隔(例如,第一/参考时间间隔、第二/预测时间间隔)内确定HRV数据的频率内容。例如,系统200(和/或机器学习分类器)的特征工程管线可以确定所收集的生理数据的夜晚期间滚动时间窗口(例如,滚动两分钟时间间隔)中的高频信号和低频信号的频率和振幅(例如,原始频谱功率)。然后,系统200可以计算关于所确定的特征(例如,滚动两分钟间隔的整个夜晚的高频振幅的50%分位数)的统计数据,以确定生理数据的相应夜晚的单个参数/值集合。
可以进一步参考图3示出和描述与所获取的HRV数据相关联的频率内容。
图3示出了根据本公开的各个方面的支持疾病检测技术的神经系统图300的示例。具体地,神经系统图300包括HRV频率内容图305-a和神经系统度量图305-b。
HRV频率内容图305-a示出了分析HRV频带如何可以用于在疾病之前捕获交感和副交感指标的发散以在症状前阶段检测疾病。具体地,HRV频率内容图305-a示出了超过10,000个经历流感状症状(包括与COVID-19相关联的症状)的个体的低频内容(低频曲线310-a)和高频内容(高频曲线310-b)。HRV频率内容图305-a的x轴图示了症状发作之前和之后的时间(例如,天),其中时间=0指示相应用户的症状发作(例如,症状的首次发展)。HRV频率内容图305-a的y轴被归一化以一起绘制两个不同度量(例如,低频曲线310-a和高频曲线310-b)。
低频曲线310-a表示在夜间睡眠时段期间从IBI系列导出的HRV度量在低频带中的峰值频率的99百分位(99%ile)。高频曲线310-b表示在夜间睡眠时段期间从IBI系列导出的另一HRV度量在高频带中的峰值频率的一百分位(1%ile)。在一些方面,低频曲线310-a可以表示交感神经系统应答,而高频曲线310-b可以表示副交感神经系统应答。
如在HRV频率内容图305-a中所示,在症状发作之前在两个频率的范围内可以存在协调移位。即,在症状发作之前,低频曲线310-a和高频曲线310-b之间存在发散。因为低频曲线310-a和高频曲线310-b分别与交感和副交感活动相关联,所以相应的曲线310在症状发作之前的发散可以使得相应的应答(例如,交感应答、副交感应答)更加明显。低频曲线310-a和高频曲线310-b之间的这种发散可以反映对免疫器官(诸如骨髓)的输入的变化,以刺激免疫细胞释放到血流中以抗击感染。
在一些方面,系统200可基于用户的HRV数据的低频内容(例如,低频曲线310-a)和/或用户的HRV数据的高频内容(例如,高频曲线310-b)来识别症状前阶段(例如,在时间=0处疾病发作之前)的疾病。在一些情况下,系统200(例如,指环104、用户设备106、服务器110、机器学习分类器)可以识别低频曲线310-a和高频曲线310-b的散度以识别疾病。例如,在第一间隔(例如,参考窗口)期间,归一化的低频曲线310-a可大于归一化的高频曲线310-b。相比较而言,在第二时间间隔(例如,预测窗口)期间,归一化的高频曲线310-b可以大于归一化的低频曲线310-a。照此,系统200可以基于第一时间间隔和第二时间间隔之间的相应曲线310之间的散度来检测疾病发作。
系统200可以利用与神经系统应答相关联的附加生理参数来确定疾病发作。例如,神经系统度量图305-b图示了源自用户的IBI系列的可用于疾病检测的三个不同的度量:静息心率(曲线310-c)、HRV平均分数(曲线310-d)、以及恢复度量(曲线310-e)。在一些实现方式中,如本文之前所描述的,静息心率、HRV平均分数(例如,“HRV平衡”)、以及恢复度量(例如,“恢复指数”)可以包括用于确定用户的就绪分数的“贡献者”或“贡献因素”。
神经系统度量图305-b的x轴示出了症状发作之前和之后的时间(例如,天),其中时间=0指示相应用户的症状发作(例如,症状的首次发展)。神经系统度量图305-b的相应曲线310-c、310-d和310-e的数据可通过将最近的数据与用户的长期平均值(其被归一化为从0到100(y轴))进行比较来计算。如图3所示,在神经系统度量图305-b中指示的相应的神经系统度量可以为症状前时段中的疾病检测提供有价值的洞察。
具体地,与用户的HRV平均分数、或“HRV平衡”相关联的曲线310-d在症状发作之前基本上下降。反映用户的HRV平均分数(例如,HRV平衡)的曲线310-d将近期晚上时间的HRV(例如,变换为对数的RMSSD的14天加权平均值,其中向更多近期数据赋予更多权重)与在过去几个月中用户的长期HRV进行比较。此外,还可以看到,反映静息心率(其将前一晚的最低十分钟心率与用户的心率的长期均值进行比较)的曲线310-c在症状发作之前也下降。最后,反映就绪分数的恢复指数(例如,恢复度量数据)的曲线310-e也表现出导致症状发作之前的天数的增加。恢复度量数据或恢复指数可以指用户的静息心率在晚上稳定下来花费多长时间。曲线310-e中的增加可反映一旦心率已达到其最低点专用于恢复的夜晚比例就增加。比通常恢复时间更长的时间可温和地预测疾病。总之,曲线310-c中的减小(例如,静息心率的减小)、曲线310-d中的减小(例如,HRV平均分数的减小)、曲线310-e中的增加(例如,恢复度量数据的增加)或其任何组合可用于疾病预测。
图4示出了根据本公开的各个方面的支持疾病检测技术的神经系统图400的示例。具体地,神经系统图400包括HRV频率内容图405-a、睡觉时间图405-b、RMSSD图405-c和REM睡眠图405-d。
相应的图405-a至405-d的x轴示出了症状发作之前和之后的日期(例如,月-日),其中,图405中的每个图中的垂直参考线示出了用户的疾病症状的发作。HRV频率内容图405-a的y轴示出了来自用户的HRV数据的高频内容和低频内容之间的相关性。睡觉时间图405-b的y轴示出了用户的睡觉时间,其被测量为相应日期的午夜之后的持续时间(以分钟计)。RMSSD图405-c的y轴示出了用户的最长睡眠持续时间的以毫秒为单位的RMSSD测量(measure),并且REM睡眠图405-d的y轴示出了用户的以秒为单位的总REM睡眠持续时间。
如在HRV频率内容图405-a中所见,在症状发作之前大致5-7天,高频HRV峰值频率和低频HRV峰值频率的相关性存在显著增加。此外,睡觉时间图405-b示出了用户可以在导致症状发作之前的天中更早地睡觉(例如,睡觉时间图405-b的曲线中的减少),并且RMSSD图405-c示出了导致症状发作之前的天中的HRV数据的较低RMSSD。RMSSD(和/或其他HRV度量)中的减少可以指示副交感神经症状的撤回,这可以指示即将而来的疾病。最后,REM睡眠图405-d示出了导致症状发作之前的REM睡眠的增加。
尽管图4中示出的各个神经系统特征/参数可能单独地有些嘈杂,但这些相应的参数可用于在一起或作为组合采用时有效地预测疾病。例如,高频和低频HRV内容之间的相关性的增加以及较早睡觉时间和增加的REM睡眠可用于识别用户可从健康状态转变为非健康状态。
图5示出了根据本公开的各个方面的支持疾病检测技术的神经系统图500的示例。具体地,神经系统图500包括示出了针对深度睡眠阶段和REM睡眠阶段的最长睡眠持续时间的第一图505-a、以及示出了被分类为深度睡眠和REM睡眠的总睡眠的相对比例的第二图505-b。
相应图505-a和505-b的x轴示出了症状发作之前和之后的时间(例如,天),其中时间=0指示相应用户的症状发作日期。相应图505-a和505-b的y轴被z归一化以示出同一图上的相应曲线,其中第一图505-a示出相应用户在REM睡眠阶段(曲线510-a)和深度睡眠阶段(曲线510-b)花费的时间长度,并且第二图505-b示出被分类为REM睡眠(曲线510-c)或深度睡眠(曲线510-d)的用户的总睡眠的相对比例。
在睡眠期间,用户表现出不同的睡眠阶段/相位(例如,深度睡眠阶段、轻度睡眠阶段、REM睡眠阶段、醒着睡眠阶段)。REM和非REM睡眠阶段具有特征上不同模式的神经系统平衡,并且相应睡眠阶段的变化可以用于预测疾病发作。具体地,系统200可以被配置为将从指环104收集的生理数据(例如,HRV数据、呼吸速率数据、温度数据等)输入到分类器(例如,机器学习分类器)中,其中分类器将生理数据分类到相应的睡眠阶段中。随后,可以使用睡眠阶段数据(例如,指示用户在相应睡眠阶段中花费的持续时间的数据)来预测疾病。在这方面,分类器/算法可以创建或“学习”发生在这些睡眠阶段与神经系统平衡或HRV的度量之间的复杂交互。通过一起查看这些特征,机器学习分类器可以开发对神经系统如何在睡眠期间对疾病作出应答的复杂性的更准确的理解。
例如,如第一图505-a中所示,用户花费在REM睡眠中的时间长度的增加(例如,曲线510-a中的增加)以及用户花费在深度睡眠中的时间长度的减少(例如,曲线510-b中的减少)可以用于预测用户将从健康状态转变为非健康状态。此外,如第二图505-b中所示,在REM睡眠中花费的用户睡眠的相对比例的增加(例如,曲线510-c中的增加)和在深度睡眠中花费的用户睡眠的相对比例的减少(例如,曲线510-d中的减少)附加地或可替代地可以用于预测症状发作。
在一些情况下,从用户获取的生理数据可以“睡眠智能”方式使用,以便预测疾病。也就是说,当预测疾病时,系统200可以仅利用在夜晚的特定时段和/或特定睡眠阶段期间收集的生理数据。例如,可基于用户的已知昼夜节律和生理学来确定按时间顺序告知的特征,其中可从晚上的早期、中间或晚期部分提取特征,其中不同的生理影响可占支配地位。
例如,可能的情况是在REM睡眠时段期间收集的HRV数据与在其他睡眠阶段(例如,深度睡眠阶段、轻度睡眠阶段)期间收集的HRV数据相比对于检测疾病更有用。如此,在一些实现方式中,系统200可以在预测疾病时利用定义的睡眠阶段、夜晚的持续时间和/或某类型睡眠阶段期间收集的生理数据。例如,系统200可利用在第一时间间隔(例如,参考窗口)内的REM睡眠阶段期间收集的HRV数据和在第二时间间隔(例如,预测窗口)内的REM睡眠阶段期间收集的HRV数据,以便识别满足偏差标准并预测疾病发作。
类似地,系统200可以利用用户的自然昼夜节律周期内以限定的时间间隔收集的生理数据来确定疾病。例如,根据用户的自然昼夜节律,在大约上午2:00和上午4:00之间的生理变化可以更加指示疾病,因为这个时间间隔可以对应于身体自然倾向于增加生物应答以抗击疾病的时间。作为另一个示例,根据用户的自然昼夜节律,在用户的正常睡觉时间之后的前180分钟(例如,预期睡眠的前180分钟)和在用户的正常醒来时间之前的后180分钟(例如,预期睡眠的后180分钟)内的生理变化可以更加指示生病。换言之,用户的自然昼夜节律可以用于识别在确定/预测疾病时可能特别感兴趣的绝对和相对时间窗口。因此,系统200可以识别用户的昼夜节律,并且可以将在昼夜节律的特定时间间隔内收集的生理数据与在昼夜节律的相同时间间隔内收集的生理数据进行比较,以检测疾病。例如,系统200可将在上午2:00和上午4:00之间收集的HRV数据与在前些天的上午2:00和上午4:00之间收集的用户的基线HRV数据进行比较,以便确定与基线HRV数据的偏差,并检测疾病。
用于确定/预测用户从健康状态转变成非健康状态的示例可以是说明性的。在该示例中,指环104可随时间推移从用户获取生理数据。例如,指环104可获取/确定用户的HRV数据、温度数据、脉搏波形数据、呼吸速率、心率、血氧水平或其任何组合中的至少一个。相应数据流(例如,温度数据、心率数据、HRV数据等)可以被称为生理数据的“参数”。指环104可将所获取/确定的生理数据传送至用户设备106。此外,在一些方面中,用户设备106可将所获取的生理数据传送到服务器110。
用户设备106和/或服务器110可以基于在第一时间间隔期间获取的数据确定健康基线值/范围,该第一时间间隔在本文中可以被称为“基线确定窗口”或“参考窗口”。用户设备106可确定用于第二时间间隔期间的偏差确定的值,第二时间间隔在本文中可被称为“早期检测窗口”或“预测窗口”。预测窗口可以是在参考窗口之后出现的时间窗口。在一些实现方式中,参考窗口可邻接早期检测窗口,使得两个时间窗口形成连续时间窗口。在一些实现方式中,两个时间窗口可以彼此分开一段时间。在一些实现方式中,相同的时间窗口可以用于计算不同的基线/偏差。在一些实现方式中,不同的时间窗口可以用于计算不同的基线/偏差。参考窗口、预测窗口、非健康时间窗口和恢复时间窗口的时间窗口可以具有任何持续时间。例如,时间窗口可在数分钟、数小时、数天或数周的数量级上。
用户设备106和/或服务器110可以确定生理数据的相应参数的健康基线值/范围。健康基线值/范围可指示当用户处于健康状态时用户的生理参数的值和/或值的范围。例如,健康基线值/范围可指示健康温度特性、呼吸速率特性、HR特性和/或HRV特性。用户设备106可确定所测量的生理参数中的每个生理参数的一个或更多个健康基线值/范围。例如,用户设备106和/或服务器110可确定健康基线HRV范围、健康基线呼吸速率范围、健康基线温度范围等。用户设备106和/或服务器110可以基于在基线参考窗口(例如,第一时间间隔)中获取的生理数据来确定相应参数的健康基线值/范围。在一些实现方式中,基线值/范围可为时域、频域或两者中的值/范围。
出于本公开的目的,术语“生理数据”、“基线生理数据”以及类似术语可以用于不仅指所收集的生理读数(例如,温度读数、心率读数等),而且还指与所收集的生理读数相关联的其他参数/特性,诸如频率、振幅、相位等。例如,术语“基线温度数据”可以指从用户收集的原始/经处理的温度读数,以及温度数据的频率内容。在这方面,术语“生理数据”以及类似术语可以与“生理参数”、“动态生理参数”、“生理特性”等等互换地使用。例如,术语“温度数据”可以与术语“动态温度参数”或“温度特性”互换地使用,以指原始/经处理的温度读数,以及其他节律温度参数,诸如频率、幅度、相位、稳定性等。
在一些情况下,用户设备106和/或服务器110可以选择用于疾病检测的第一时间间隔(例如,参考窗口)和第二时间间隔(例如,预测窗口)。在一些实现方式中,可利用贝叶斯统计方法,由此参考窗口构成先验分布且预测窗口构成后验分布。在其他实现方式中,贝叶斯方法可以用于选择适当的辨别阈值,在该辨别阈值处,模型输出的疾病概率可以从基于用户或雇主的产品的角度被分类为可操作的(actionable)或不可操作的。例如,COVID-19在局部区域或就业中心或类似人口统计中的普遍度可提供先验分布,相对其评估后验数据驱动的分布的统计可能性。
继续相同的示例,用户设备106和/或服务器110可以确定用户的最近(例如,当前)生理数据的一个或更多个参数是否偏离对应的健康基线值/范围中的一个或更多个(例如,识别满足一个或更多个偏差标准)。在一些情况下,识别满足偏差标准可以由机器学习分类器来执行。与健康基线值/范围中的一个或更多个的偏差可指示用户可从健康状态转变到非健康状态。例如,用户设备106可确定用户的温度读数偏离所确定的健康基线温度范围,以及用户的HRV读数偏离所确定的健康基线HRV范围。作为另一示例,用户设备106可确定早期检测窗口中的温度数据是否偏离健康温度基线值/范围中的一个或更多个。
随后,用户设备106和/或服务器110可基于健康到非健康转变标准(例如,偏差标准)确定是否存在从健康状态到非健康状态的转变。偏差标准可以指示一个或更多个偏差(例如,温度偏差标准、HRV偏差标准、呼吸速率偏差标准),如果满足这些偏差,则指示用户可能会从健康状态转变成非健康状态。每个健康基线值/范围可以与一个或更多个偏差标准相关联。在一些实现方式中,与健康基线范围/值的单个偏差可以满足偏差标准。在一些实现方式中,偏差标准可要求针对一个或更多个生理参数在给定时间间隔内发生多个偏差,诸如一个或更多个HRV偏差、温度偏差、一个或更多个呼吸速率偏差等。
在满足一个或更多个偏差标准的情况下,用户设备106可以通知用户已经检测/预测到从健康状态到非健康状态的转变。例如,可穿戴应用250可以另一方式(例如,推送通知)在应用GUI 275中或在用户设备106上通知用户。作为另一示例,如果服务器110做出该确定,则服务器110可经由基于web的GUI 275或另一方式(例如,推送通知)通知用户。在一些实现方式中,GUI 275可以呈现与基线数据和/或偏差相关联的生理数据(例如,在仪表板中)。在一些实现方式中,GUI 275可以提供汇总偏差和/或确定的汇总值(例如,汇总预测值)。在一些实现方式中,GUI 275可以向用户提供文本通知,该文本通知指示为什么存在用户可能在不久的将来转变到非健康状态的预测。
在一些实现方式中,用户设备106和/或服务器110可以向用户报告一个或更多个风险和/或预测值(例如,疾病风险值、疾病预测值)。除了疾病检测/预测之外,风险/预测值、其他生理数据/值和本文所述的技术还可用于多种目的。例如,数据/值可以用于诊断、预后预测(例如,谁可能要求住院或呼吸辅助)、风险分层(例如,谁最有风险)、资源分配决策制定(例如,谁应该针对COVID-19被测试以及个体应该以什么频率测试)、精确医学(例如,什么治疗对谁最有效)、治疗功效的监测(例如,是导致每天改善的给定治疗)、紧急护理分流、药效学/应答目的、以及其他目的。此类数字生物标志物可能对具有疑似COVID-19或流感状疾病的患者非常有效,以便防止疾病的传播,促进工作恢复,在有症状前或无症状个体中进行早期识别,并且潜在地识别具有后续恶化可能性的早期预后生物标志物。
在一些实现方式中,系统200可以被配置为提供关于所确定的疾病评估度量(例如,疾病风险度量、疾病预测度量)的一些信息或其他洞察。个性化洞察可以指示所收集的生理数据的方面,所述生理数据被用于生成疾病评估分数。例如,在用户没有经历高温(例如,没有发烧)但仍表现出相对高的疾病评估分数(例如,高疾病概率)的情况下,提供个性化洞察可以提供驱动高疾病评估分数的附加信息。此外,提供个性化洞察可驱动更大的用户参与。此外,个性化洞察可以提供对诸如“什么驱使我的高疾病评估分数?“如果我的温度是正常的,为什么我有高的疾病评估分数?“为什么我有时看到我的疾病风险度量(例如,健康风险管理(HRM)分数)从一天到下一天有大的变化呢?“为什么我的就绪分数说了一件事,但我的HRM分数说别的事呢?“我有哮喘,因为我的呼吸速率,我的分数才高,还是因为更多的一些?”之类的问题的回答。就这一点而言,洞察(insight)可以解释对疾病评估分数的贡献因素,而无需暴露用于生成疾病评估分数的原始生理数据、用户隐私或算法/模型的细节。
例如,用户设备106可以经由GUI 275显示所收集的生理数据的一个或更多个参数,这些参数是所生成的疾病评估分数的关键贡献者。例如,如果主要由于高温度读数而确定了高疾病评估分数,则GUI 275可以指示温度变化是高疾病评估分数的主要原因。作为另一示例,如果用户表现出增加的呼吸速率和升高的静息心率,但是温度没有增加,则GUI275可以指示呼吸速率和静息心率是高疾病评估分数的主要原因。在其他情况下,了解可以显示给定用户的所有或最高贡献者随时间推移的趋势。
在一些实现方式中,系统200可以被配置为接收关于检测到的/预测的疾病的用户输入以便训练分类器(例如,针对机器学习分类器的监督学习)并且改进疾病检测技术。例如,用户设备106可以显示指示用户将变得生病的相对可能性的生病风险度量。随后,用户可以输入一个或更多个用户输入,诸如症状的发作、阳性疾病测试等。然后这些用户输入可以被输入到分类器中以训练分类器。换言之,用户输入可以用于验证或确认所确定的疾病风险度量。
虽然在基于所获取的生理数据(例如,HRV数据、温度数据)确定/预测从健康状态到非健康状态的转变的上下文中描述了本公开的许多内容,但是本公开的各个方面还可以用于基于所获取的生理数据确定/预测从非健康状态到健康状态的转变。例如,用户设备106和/或服务器110可基于温度生物标记以及其他生理参数(例如,脉搏波形数据、呼吸速率数据、心率数据、HRV数据、活动记录仪数据、皮肤电反应数据、氧饱和度数据)来检测转变,以便确定/预测用户何时将(或当前正在)从非健康状态转变到健康状态。可以向用户提供指示检测到的转变的类似的通知和警报(例如,经由GUI 275)。
使用相应用户的基线温度范围的类似技术可用于确定/预测在症状前阶段的用户的疾病。例如,指环104可在第一时间间隔(例如,参考窗口)上从用户获取生理数据(例如,温度数据)。温度数据可以包括在用户手指上测量的皮肤温度。可以以采样率(例如,一个样本/分钟等)或温度收集周期对温度数据进行采样。在一些实现方式中,温度数据可以在整个白天和夜晚被连续地采样。虽然可使用在手指处测量的皮肤温度,但可从不同用户位置获取其他温度测量值(例如,皮肤和/或核心温度)。指环104可将所获取/确定的数据传送至用户设备106或其他计算设备(例如,服务器110)。类似地,用户设备106可将所获取的生理数据传送至服务器110。用户设备106和/或服务器110可以获取用户的一天或更多天的温度数据。此外,用户设备106和/或服务器110可继续随时间从指环104(例如,经由用户设备106)获取用户温度数据。
在一些实现方式中,用户设备106和/或服务器110可以对所接收的温度数据进行过滤。例如,服务器110可以将低通滤波器应用于温度数据。在一些实现方式中,当处理温度数据时,用户设备106和/或服务器110可实现一个或更多个变换。例如,服务器110可结合低通滤波器实现离散小波变换(DWT)。过滤温度数据可减少噪声量和温度数据中的一些极端波动。例如,对温度数据的初始过滤/处理可以去除伪异常,这可以使得系统200的相应设备能够更清楚地识别真实异常/模式,这些真实异常/模式可以更能指示早期疾病发作。此外,指环104、用户设备106、服务器110或其他计算设备可实现移除错误数据读数的处理。例如,与大量活动(例如,如运动传感器所指示的)相关联的温度读数或其他生理读数可以从数据中移除,或以其他方式通过算法进行数学调整。此外,不指示用户温度的温度(诸如热淋浴)可被移除或数学地调整。错误或不可靠数据的移除可有助于确保更可靠的预测。
随后,用户设备106和/或服务器110可以基于在第一时间间隔(例如,参考窗口)内收集的温度数据来确定与用户相关联的基线温度数据。基线温度数据可以包括温度数据的线性统计度量(例如,最小/最大/均值/中值温度读数)、以及温度读数的动态描述,诸如温度周期性、频率内容(例如,频率成分、基线频率内容)、频率随时间的稳定性(例如,温度读数相对于月经期、超日节律、昼夜节律的稳定性)、或其任何组合、以及这些动态描述与其他生理变量的那些动态描述的关系。
在一些方面中,用户设备106和/或服务器110可以接收在第二时间间隔(例如,预测窗口)内由指环104收集的附加温度数据。在该示例中,用户设备106和/或服务器110可以将附加温度数据与基线温度数据进行比较以识别是否满足一个或更多个偏差标准。例如,服务器110可以将基线温度数据和附加温度数据输入到分类器中,其中该分类器被配置为识别一个或更多个偏差标准的满足(或缺乏)。在一些情况下,分类器可以将温度数据与基线温度数据进行比较以确定温度数据与基线温度数据之间的偏差或变化是否满足(例如,大于或等于)某个温度变化阈值。换言之,分类器可以在温度读数/范围相对于用户的基线温度读数/范围之间的变化超过温度变化阈值的情况下识别偏差标准的满足。
系统200然后可以基于满足偏差标准来向用户通知所检测到的/所预测到的疾病。例如,用户设备106可以经由GUI 275显示疾病风险度量的指示,其中疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
在一些情况下,用户设备106和/或服务器110可以基于基线温度数据与附加温度数据之间的高和/或低白天温度读数(例如,最大和/或最小白天温度读数)之间的偏差来识别满足偏差标准(例如,预测疾病)。例如,在基线温度数据与附加温度数据之间的用户的典型的高白天温度读数之间的满足温度变化阈值的变化(例如,大于或等于某个阈值的变化)可以指示疾病。作为另一示例,基线温度数据与附加温度数据之间的用户的典型的低白天温度读数之间的满足温度变化阈值的变化(例如,大于或等于某个阈值的变化)可以指示疾病。在一些情况下,在症状发作之前,用户可能偏离高温和低温两者。此外,尽管温度的大偏差可以指示疾病的发生,但是在一些实现方式中,较小的偏差也可以指示疾病的发生。此外,基于用户自身的参考温度数据来确定/预测疾病可以提供不能由其他疾病检测技术(诸如依赖于绝对温度值相比于典型的一般温度阈值(例如,37℃)增加的技术)提供的个性化检测水平。
在一些实现方式中,温度数据的频率内容还可以用于预测疾病。例如,用户设备106和/或服务器110可以从指环104接收温度数据,并且可以确定频域生理数据(例如,频域温度数据)。例如,用户设备106可确定在一个或更多个时间段(例如,夜晚/白天)内频率内容的一个或更多个范围。用户设备106和/或服务器110可以将所计算的频域生理数据值输入到一个或更多个模型/分类器中。所述一个或更多个模型/分类器可以包括任何机器学习模型、机器学习分类器、或本领域已知的其他算法(例如,随机森林分类器、梯度增强分类树、神经网络算法)。
在一些实现方式中,可以通过被调谐至类似频率范围的寻找峰值算法来近似频域特征。这些寻找峰(或谷)特征可以量化峰的突起、峰的数量、相邻峰之间的距离、以及峰的宽度。频域特征的此类近似可以允许算法在实时产生环境中起作用,同时捕获正常昼夜节律和超日节律的节律模式,以及疾病可能导致的这些节律的破坏。这种近似的一个示例可以通过包括对白天最小温度值和晚上最大温度值进行量化的每日特征来对温度的昼夜22-26小时节律进行近似。组合地,此类特征可以有效地捕获疾病引起的22-26小时昼夜节律的突起或幅度的变化。
继续同一示例,用户设备106和/或服务器可以基于频域温度数据来确定健康温度基线值/范围。例如,用户设备106可基于温度基线确定窗口中的温度数据来确定健康温度基线值/范围。作为另一示例,用户设备106可基于与用户的昼夜节律相对应的22-26小时范围内的频域温度数据确定健康温度基线值/范围。
用户设备106和/或服务器110可以确定用户的最近(例如,当前)温度数据是否偏离健康温度基线值/范围中的一个或更多个。例如,用户设备106可确定在第二时间间隔(例如,预测窗口)期间低频信号强度是否偏离健康范围。作为另一示例,用户设备106可确定在第一时间间隔(例如,参考窗口)期间,用户的自然昼夜节律内的特定持续时间的低频信号强度是否相对于昼夜节律的对应持续时间偏离健康基线。
用户设备106和/或服务器110然后可以基于偏差标准(例如,健康/非健康转变标准)确定是否存在从健康状态到非健康状态的转变。偏差标准可包括一个或更多个温度偏差标准,诸如频域和/或时域温度信号中的偏差。换言之,用户设备106和/或服务器然后可以基于温度数据的频域特征来确定来自一个或更多个模型(例如,机器学习分类器)的输出是否指示用户正从健康状态转变到非健康状态。
在此应注意,频域温度数据可以产生对用户的健康状态的洞察,该洞察在时域数据中可能不是视觉上明显的。例如,时域温度数据可能不一定示出发热或其他温度变化,而频域可使用本文中所描述的技术来提供关于用户的健康状态和可能的转变的相关信息。此外,虽然本文描述的技术可以根据大致对应于昼夜节律的22至26小时范围来分析数据。此外,可使用除了对应于昼夜节律的时间范围之外的范围。例如,可以使用与8-12小时范围(例如,超日节律)、2-5小时范围(例如,超日节律)、和/或1-2小时范围(例如,睡眠相关节律)相关联的频域内容。除了本文所描述的那些之外的其他范围也可以用于分析温度偏差以及检测/预测用户在健康/非健康状态之间的转变。
在一些实现方式中,温度数据的频率分析可以被示出为热图或频谱图。例如,频谱图可以图形地示出温度的频率内容对时间信号(例如,示出随时间推移所获取的温度数据的低频内容到高频内容)。频域温度数据的频谱图示出了低频信号强度中的偏差(例如,低频功率范围中的偏差),且可使用多种技术来生成/计算。例如,可以使用连续小波变换(CWT)技术、傅里叶变换技术(例如,快速傅里叶变换)或其他技术来计算频谱图数据。
频域温度数据的频谱图的y轴可以指示以小时为单位的周期长度的单位(例如,其中周期=1/频率)。换句话说,y轴可表示就周期长度(例如,以小时计)而言的信号的频率内容。在一些情况下,频域温度数据的频谱图可示出对应于近似昼夜节律(例如,在22-26小时的周期范围内,以24小时为中心)的高信号强度,这可指示用户正从健康状态转变到非健康状态,如上所述。在一些实现方式中,用户设备106和/或服务器110可以根据相对于与用户的近似昼夜节律(例如,在22-26小时范围内的低频信号强度的模式)相对应的低频信号强度的一个或更多个偏差标准,检测/预测到非健康状态的转变。
在一些方面,所获取的温度数据的其他“节律参数”(除了温度数据的频率内容之外)也可以用于识别/预测疾病。一般而言,频率内容仅是用户的自然生理/生物节律(例如,昼夜节律、超日节律等)的一个成分。与生理节律相关联的其他源自节律的参数(或节律评估的参数)可以包括振幅、稳定性、相位等。
偏差标准(例如,健康/非健康转变标准)可以包括本文描述的偏差和转变标准中的一个或更多个,包括低频信号强度中的偏差(例如,低频功率/信号强度范围中的偏差)。当用户的频域温度数据偏离到低频信号强度的健康范围之外时(例如,基于基线温度数据),可满足偏差标准。在一些实现方式中,可以针对每个相应用户按照高于和低于中央健康低频信号强度的值的范围来定义频域温度数据的健康范围。例如,健康范围可以被定义为关于范围中心的大约一个标准偏差,如基于基线温度数据所确定的。作为另一示例,健康范围可以被定义为围绕该范围的中心的大约两个标准偏差。
在附加的或替代的实现方式中,当第二时间间隔内的用户的低频信号强度在健康范围(基于基线温度数据确定的)之外达某个阈值时间段时,可以满足偏差标准。例如,可响应于持续大于阈值时间段的高于或低于健康范围的偏差来检测/预测从健康状态到非健康状态的转变。在一些实现方式中,偏差/转变标准可以包括幅度条件。例如,可以响应于高于或低于健康范围达阈值幅度的偏差来检测/预测从健康状态到非健康状态的转变。
在一些实现方式中,偏差标准(例如,转变标准)可以包括与健康范围的多个所需偏差。例如,可响应于阈值数量的被满足的偏差标准(例如,两个或更多个)来检测/预测从健康状态到非健康状态的转变。在一些实现方式中,可能需要偏差持续阈值时间段和/或具有阈值幅值以便满足偏差标准。在一些实现方式中,偏差标准可以包括多个偏差极性。例如,可响应于检测到低偏差接着检测到高偏差来检测/预测从健康状态到非健康状态的转变。偏差标准可包括用于任何生理参数(诸如温度、呼吸速率、心率和HRV)的一个或更多个偏差。在一些实现方式中,偏差标准可以基于时域、频域或两者中的偏差。
在一些实现方式中,响应于存在阈值数量的偏差标准被满足(诸如满足温度偏差标准和一个或更多个其他偏差标准),可以检测/预测从健康状态到非健康状态的转变。在一些实现方式中,偏差标准可以包括组合确定,其中考虑了多个不同的偏差标准。例如,不同的权重可被分配到不同的偏差(例如,较重的加权被分配到较强的偏差标准),并且如果不同的加权标准之和大于阈值,则可检测/预测从健康状态到非健康状态的转变。在一些实现方式中,偏差标准可能需要满足所定义的指示符序列,诸如满足温度标准然后是另一转变标准。
已经发现,温度数据的低频信号强度在流感和发烧发生之前可能偏离健康基线范围。低频信号强度在健康基线范围之外的偏差可指示用户可进入非健康状态。此外,低频信号强度可在恢复之前返回至健康的基线范围。低频信号强度重新进入到健康范围可指示用户可重新进入健康状态。
如本文描述的,指环104(或其他设备)可以获取整个白天和夜晚的用户温度数据(例如,皮肤温度数据)。本文描述的频域分析技术可以使用白天和/或夜晚数据的任何组合来检测/预测用户在健康/非健康状态之间的转变。例如,在一些实现方式中,计算设备(例如,指环104、用户设备106、服务器110)可以对晚上数据(诸如连续夜晚的晚上数据(例如,当用户睡眠时))执行频域分析。作为另一示例,在一些实现方式中,计算设备可以对整个白天和夜晚的数据执行频域分析,使得数据包括用户在醒来时间和睡眠时间之间交替时的连续天数据。在又一些示例中,计算设备可对白天数据执行频域分析,使得该数据包括在用户醒着/活动时获取的连续天数据。
本文所述的频域分析技术可监测一个或更多个不同数据集的一个或更多个频率范围内的偏差,诸如与晚上数据、白天数据和/或整天数据(例如,连续24小时数据)相关联的频率范围内的一个或更多个信号偏差。例如,计算设备可以基于与晚上数据(例如,连续夜晚的数据)相关联的单个频率范围内的偏差来检测/预测用户的转变。作为另一示例,计算设备可以基于与晚上数据相关联的多个频率范围内的偏差来检测/预测用户的转变。作为另一示例,计算设备可以基于一个或更多个晚上频率范围内和一个或更多个白天频率范围内的偏差来检测/预测用户的转变。在一些实现方式中,计算设备(例如,用户设备106、服务器110)可以使用规则来检测/预测用户何时在健康/非健康状态之间转变。例如,一个或更多个规则可指示基于一个或更多个数据集的一个或更多个频带中的指定偏差可发生转变。
在一些实现方式中,计算设备(例如,用户设备106、服务器110)可以使用一个或更多个模型来检测/预测用户何时在健康/非健康状态之间转变。模型可使用本文描述的任何频谱图数据作为输入。例如,模型可使用基线值和偏差值中的任一者作为输入。在具体示例中,模型可以使用与一个或更多个不同数据集(例如,晚上、白天、全天)中的一个或更多个频带相关联的基线和偏差值。模型还可接收与其他用户生理参数(例如,心率、HRV、呼吸速率等)相关联的输入。输入可以以各种方式被格式化,这取决于模型。例如,输入可包括基于频率谱图数据的十进制值和/或二进制值(例如,偏差是/否)。
在一些实现方式中,模型可以输出指示用户正在状态之间转变的可能性的值(例如,从0-1的十进制值)。用户设备106和/或服务器110可将模型输出值与阈值进行比较以确定是否可能转变到非健康状态。在一些实现方式中,系统200的各个组件(例如,指环104、用户设备106、服务器110)可以实现被配置为接收输入和生成输出值的一个或更多个机器学习模型(例如,监督学习模型)。
在一些实现方式中,系统200的组件(例如,用户设备106、服务器110)可以选择将用于疾病检测的时间间隔(例如,第一时间间隔/参考窗口、第二时间间隔/预测窗口)。具体地,系统200可以选择/识别不同的时间间隔(例如,不同的窗口),使得可以将在各个时间间隔中的每个时间间隔期间获取的生理数据相互比较。通过比较在不同时间间隔期间获取的生理数据,系统200可以确定在相应时间间隔期间获取的生理数据之间是否满足偏差标准(例如,满足某个阈值的偏差),其中满足偏差标准可以指示疾病。
例如,用户设备106和/或服务器110可以选择用于所获取的生理数据(例如,温度数据、HRV数据等)的参考窗口和预测窗口。在一些方面中,用户设备106和/或服务器110可定义用于所获取的生理数据的参考窗口和后续预测窗口。在参考窗口(例如,第一时间间隔)期间获取的生理数据可以用于确定基线生理数据(例如,基线温度数据、基线HRV数据等)。比较地,在预测窗口(例如,第二时间间隔)期间获取的生理数据可以与基线生理数据进行比较,以确定是否满足相应时间间隔之间的偏差标准。在一些情况下,预测窗口可以包括最近获取的温度数据(例如,最近1-5天的温度数据)。
在一些实现方式中,参考窗口和预测窗口可以以一天的增量来定义。例如,参考窗口可以包括一天或更多天的生理数据(例如,一周的温度数据)。类似地,预测窗口可以包括一天或更多天的温度数据(例如,针对该预测窗口内的特征规范采用自回归策略)。参考窗口和预测窗口的大小可以根据可用的生理数据的量而变化。例如,当最小量的生理数据可用时,参考窗口和预测窗口可以具有最小大小,或者可以从人口统计/医学上类似的用户的现有知识中抽取。在具体示例中,如果服务器110在最少两天的生理数据上操作并且当前具有两天的用户生理数据,则服务器110可以选择参考窗口作为单天的数据,并且然后选择预测窗口作为随后天的数据。使用最小量的可用数据可允许服务器110比在服务器110等待获取较大的数据集以供计算的情况下更早地检测到健康状态与非健康状态之间的转变。
当用户设备106和/或服务器110从指环104获取更多生理数据时,用户设备106和/或服务器110可以延长参考窗口和/或预测窗口。例如,服务器110可以延长参考窗口,以便建立用于分析的更稳健的生理数据集。在具体示例中,获取第三天的数据可以使得参考窗口扩展到前两天的数据。在此具体示例中,预测窗口可占据最当前天的数据(例如,第三天的数据)。服务器110可以将参考窗口和预测窗口延长至任何长度。在一些实现方式中,服务器110可能要求一天的生理数据包括一天内(例如,一天的90%或更多)的有效数据(例如,在有意义的温度阈值内)的最小部分。虽然每个窗口可以包括一天或更多天的数据,但是可以实现包括生理数据的其他持续时间的参考窗口和预测窗口。
用于疾病检测的参考窗口和预测窗口可以表现为任何长度(例如,小时、天等的数量)。在一些情况下,参考窗口可以包括七天的数据,而预测窗口可以包括两天的数据(例如,最近两天的数据)。参考窗口和预测窗口可以是随时间移动的滚动窗口。例如,窗口可以以一天的增量或其他增量移动。在一些实现方式中,窗口可以以一天增量移动,使得不晚于早上(例如,用户的醒来时间)执行预测计算,使得可以在一天开始之前(例如,在工作之前)向用户提供预测。
虽然可以定义单个预测窗口,但是在一些实现方式中,用户设备106和/或服务器110可以定义多个预测窗口。例如,多个预测窗口可在参考窗口之后顺序地出现。该多个预测窗口中的每个预测窗口可以包括一天或更多天的数据。在一些实现方式中,服务器110可以在接收到新数据时初始地扩展参考窗口。在参考窗口扩展到期望长度(例如,七天)之后,服务器可以针对每一天的附加生理数据添加一个或更多个附加预测窗口。
虽然用户设备106和/或服务器110可以使用参考窗口和预测窗口,但是在一些实现方式中,本公开的各个方面可以基于预测窗口而不使用参考窗口来检测用户在健康状态与非健康状态之间的转变。例如,服务器110可以使用来自一个或更多个其他用户(例如,具有相似人口统计、相似生理数据等的用户)的数据来确定用户是否正在健康状态与非健康状态之间转变。在没有足够的可用数据来形成参考窗口的情况下,服务器110可以仅使用预测窗口。例如,如果只有单个当前天的生理数据是可用的,则服务器110可以使用第一天作为预测窗口。随后,服务器110可以获取附加数据(例如,附加天)并且定义参考窗口和预测窗口两者。如果参考窗口不可用,则服务器110可以基于相似的其他用户(例如,相似的年龄、性别、基本状况等)选择检测/预测参数(例如,评分特征)。
在一些方面中,用户设备106和/或服务器110可以针对每个窗口(例如,参考窗口、预测窗口)生成生理参数分布或直方图(例如,温度分布、HRV分布等)。例如,在温度数据的上下文中,分布可以指示落入指定的概率范围内的温度值的数目。例如,对于七天参考窗口,分布可以指示七天窗口期间落在指定范围内的温度值的数目。作为另一示例,对于多天预测窗口,分布可指示多天窗口期间落在指定范围内的温度值的数目。在使用多个窗口的实现方式中,可针对参考窗口和/或预测窗口中的每一者进行分布。例如,第一和第二窗口可以具有对应的第一和第二参考/预测窗口分布。
用户设备106和/或服务器110可以为这些分布中的每个分布确定一个或更多个生理参数分布值(例如,温度分布值、HRV分布值)。分布值可以是指示温度和其他信号值在窗口内如何分布的值。例如,窗口的分布值可以指示该窗口内的值的中心趋势、离差、峰度和偏斜。
用户设备106和/或服务器110可以确定每个窗口的一个或更多个分布。在一些实现方式中,每个分布可以与定义与分布值相关联的最小值或最大值的阈值相关联,和/或与在频谱的低端(例如,.001,.01)和高端(例如,.95,.975,.99)上的分布的非参数分位数相关联。例如,关于高温偏差,可以使用高百分位温度值来确定分布值。在该示例中,高于该高百分位温度值的温度值可被定义为高温度偏差。换言之,高于此高阈值温度值的任何温度可以被认为是高温偏差或异常。关于低温偏差,可以使用低百分位温度值来确定分布值。在该示例中,低于最小温度值的温度值可被定义为低温偏差。换言之,低于最小温度阈值的任何温度可以被定义为低温偏差或可能地异常。
阈值可以用多种方式来定义。在一些实现方式中,阈值可以基于包括在窗口的分布中的值来定义。例如,阈值可以被定义为分布的上/下分位数。在具体示例中,高温偏差的阈值可以被定义为大于分布中的95%的温度的温度。在另一具体示例中,低温偏差的阈值可以被定义为小于分布中最小5%的温度的温度。在一些实现方式中,可以以其他方式确定分布和/或阈值。例如,可以基于分布中的最大/最小温度、分布中的温度范围、分布中的均值/中值温度和/或基于与分布相关联的其他因素来确定分布值和/或阈值。还可以使用其他处理技术来确定分布值。
在一些实例中,所讨论的分布可以是多变量的。例如,给定活动(或MET单元)和温度之间的固有生理关系,服务器可以评估相对于多变量分布的异常或变化。类似地,心率、HRV、呼吸速率和温度的分布可以在多变量上下文内理解。在一天中的某些时间(例如,在睡眠开始时)一些信号及其多变量时间序列上的一致性或缺乏一致性可以提供用于预测、检测或预后算法的有用特征。
用户设备106和/或服务器110可以计算每个窗口的一个或更多个分布值。在一些实现方式中,用户设备106和/或服务器110可以计算两个窗口的单个分布值。例如,服务器110可以确定两个窗口的高温分布值。高温分布值可以指示大于阈值的温度值的百分比。关于参考窗口,服务器110可通过首先确定大于阈值的温度值的数量来计算高温分布值。服务器110然后可以将大于阈值的温度值的数目除以参考窗口中温度值的数目。
服务器110可以以与参考窗口相似的方式确定预测窗口中的高温分布值。在一些实现方式中,服务器110可以使用来自参考窗口的值来定义在预测窗口中使用的阈值。例如,服务器110可以使用来自参考窗口的阈值(例如,温度阈值)作为预测窗口的计算中的阈值。
在一些实现方式中,参考窗口和预测窗口的比较可以结合从多个时间尺度导出的参考窗口。例如,由于工作日-周末的变化,人类行为可能在七天的周期上显著变化,导致显著的生理变化,而人类激素周期在大约每月的基础上变化(特别是在女性中),其也具体地导致生理和皮肤温度的变化。外部温度可在每年周期中改变,并且由此会影响日常生活中观察到的皮肤温度异常。所以,适当的参考窗口可以结合来自不同信息尺度的一组加权输入,或者根据跨各种行为和生物相关的时间尺度测量的多个先前的参考分布对给定的当前分布进行加权。
在一些实现方式中,用户设备106和/或服务器110可以确定每个窗口中的多个分布值。例如,服务器110可以确定每个窗口中的多个高温(或多变量温度/活动)分布值。作为另一示例,服务器110可确定每一窗口中的多个低温分布值。作为另一示例,服务器110可以确定窗口中的高温和低温的一个或更多个分布值。在具体示例中,服务器110可以确定.999、.995和.975的阈值分位数的高温分布值。服务器110还可以确定.025、.01和.001的阈值分位数的低温分布值。在确定多个高/低温分布值的实现方式中,可将高于多个阈值的一些温度值计数两次(例如,针对每个分布值计算计数一次)。可替代地,可以基于这些阈值之间的温度值的数量来计算这些分布值。在一些迭代中,参考和早期检测/预测窗口的该比较可使用Kullback-Leibler(KL)散度方法或直接密度比估计来计算。
在一些方面,用户设备106和/或服务器110可以分析与参考窗口相比预测窗口中的生理数据(例如,温度值、HRV值)的分布,以便确定生理数据(例如,单变量或多变量分布值)在预测窗口中是否相对于参考窗口偏离。换言之,用户设备106和/或服务器110可以比较在相应窗口内收集的生理数据以识别偏差标准的满足(或缺乏),该偏差标准可以用于识别疾病。
例如,服务器110可以确定指示预测窗口与参考窗口中的温度值之间的偏差量的相对分布值(例如,相对分布比)。在一个示例中,服务器110可通过将预测窗口中的分布值除以参考窗口中的对应分布值来确定相对分布值。在其中每一窗口具有多个分布值的示例中,服务器110可确定多个分布值对中的每一对的相对分布值。
相对分布值的幅度(例如,相对风险比)可以指示从参考窗口到预测窗口的偏差量。关于高温偏差,预测窗口中的高温值相对于参考窗口的较大百分比可以产生高温度的较大相对分布值。关于低温偏差,预测窗口中低温值相对于参考窗口的较大百分比可以产生低温度的较大相对分布值。照此,较大的相对分布值可指示窗口之间的高/低温度的较大偏差。在一些实现方式中,服务器110可以基于相对分布值确定用户是否从健康状态转变到非健康状态。例如,服务器110可包括使用相对分布值来确定用户是否正在转变的一个或更多个阈值/模型。
可以使用相应窗口内的相对分布值中的峰值来识别疾病。相对分布值中的峰值(例如,.999阈值、.975阈值、.005阈值、.001阈值)的出现可以指示疾病的发作。例如,峰的数量和/或峰随时间的值可以指示疾病的发作。服务器110可基于峰的数量、峰的值、峰的布置以及本文所述的附加数据来确定用户是否正从健康状态转变为非健康状态。
随后,用户设备106和/或服务器110可基于对预测窗口和参考窗口中的生理数据分布(例如,温度分布)的分析来确定用户是否正在从健康状态转变为非健康状态。例如,用户设备106和/或服务器110可基于如由所确定的相对分布值表示的温度值的一个或更多个偏差来确定用户是否正在从健康状态转变到非健康状态。在一些方面,用户设备106和/或服务器110可以确定早期预测窗口和参考窗口之间的分布(例如,温度分布)的偏差,并且可以基于所确定的偏差(例如,满足偏差标准)来确定用户是否正在转变到非健康状态。在一些实现方式中,用户设备106和/或服务器110可实现分类器或其他机器学习模型来作出状态转变确定。
在一些实现方式中,服务器110可以输出疾病风险度量或疾病预测度量,其指示用户将从健康状态转变成非健康状态的相对概率。例如,服务器110可以基于所计算的相对分布值中的一个或更多个来确定疾病预测度量。在一些实现方式中,服务器110可生成与本文描述的一个或更多个含义相关联的单个预测值或多个预测值。在一些实现方式中,预测值可为十进制值,其可具有多种含义,这取决于服务器110如何配置。在其他实现方式中,预测值可以为二进制值,例如,值0或1,其可具有多种含义。在一些实现方式中,疾病预测度量可以指示疾病的可能性。例如,十进制值可以指示用户正转变到非健康状态的概率。作为另一示例,二进制值1可指示用户正转变到非健康状态。在此示例中,二进制值0可指示用户处于健康状态且不太可能正在转变。
用户设备106和/或服务器110可以用各种不同的方式来确定疾病风险度量(例如,疾病预测度量)。预测值的含义可取决于如何计算预测值。在一些实现方式中,服务器110可使用接收相对分布值且基于该相对分布值计算预测值的函数(例如,等式)。在一些实现方式中,函数可包括应用于不同的相对分布值的权重。在一些实现方式中,服务器110可以使用基于规则的计算来计算预测值。示例规则可以基于高于/低于阈值的相对分布值的数量、相对分布值的幅度、相对分布值中的尖峰的定时、或与相对分布值的幅度/定时/布置和/或其他分布参数有关的任何其他数据来定义预测值。
在一些实现方式中,用户设备106和/或服务器110可以使用机器学习模型(例如,有监督学习模型)来确定疾病风险度量(例如,疾病预测度量)。用于确定预测值的模型在本文中可称为“早期检测/预测模型”或“预测模型”。该预测模型可以在训练数据上进行训练。训练数据可以包括来自用户集合的根据用户何时发展出疾病的症状而标记的数据。在一些实现方式中,预测模型可接收相对分布值作为输入。该预测模型可以基于所接收的输入来生成一个或更多个疾病预测值。对一个或更多个预测值的解释可以取决于如何生成模型。在一些实现方式中,如本文中所描述的,如果模型是使用根据症状发作而标记的数据来训练的,则由模型输出的疾病风险度量可以指示疾病的可能性。
在一些实现方式中,用户设备106和/或服务器110可以实现自回归特征(例如,在建模中)。例如,服务器110可以定义多个预测窗口。在服务器110定义多个预测窗口的实现方式中,服务器110可计算每个预测窗口的相对分布值。在这些实现方式中,服务器110可基于每个预测窗口的相对分布值生成一个或更多个预测值。例如,如果预测模型将相对分布值作为输入,则在使用两个预测窗口而不是单个预测窗口的情况下,该模型可以接收两倍之多的输入。使用多个预测窗口可以在潜伏期、病毒复制期、或所预期的症状发作前的天数方面对表现不同的疾病更接近地进行建模。例如,使用单独的多个天的预测窗口可以比单个更大的预测窗口更好地捕获疾病的潜伏。在一些实现方式中,自回归成分可以检测由每日或昼夜节律频率下的多个过冲(overshoot)定义的相变(phasic transition),其覆盖于多天基线增加斜率之上,接近症状发作的那天,并且反映与发热状态和/或热原介质和/或其他无菌或病原体相关的免疫刺激(DAMP和PAMP)相关联的体温调节的设定点变化,具有影响体温调节的理论潜力。
在一些实现方式中,系统200可以利用与相应的用户相关联的位置信息(例如,用户的地理位置)来进一步改进针对该用户的疾病检测技术。身体将内部温度维持在舒适范围内(例如,不太热、不太冷)的能力对于健康功能至关重要。环境温度(例如,周围温度)的变化是我们的身体必须不断调整的主要因素之一,因此需要调整我们的身体的“恒温器”设置,或者身体如何响应于各种扰动(例如,感染、运动诱发的发热、外出和经历急剧的温度变化等)在一天内动态地升高和降低体温。
居住在更极端的纬度处(例如,更靠近极点)的用户体验更寒冷的气候,其中光的季节变化更大。因此,处于较高纬度的用户必须适应更极端的冷和光。例如,在芬兰赫尔辛基市(纬度~60°N),月平均温度可以在从约-7℃至21℃的范围内,并且日光的平均小时可以在从约6至19小时的范围内。相比之下,在希腊克雷特(Crete)(纬度约35°N),月平均温度可以在从约12℃至30℃的范围内,并且日光的平均小时可以在从约10至14.5小时的范围内。曝光是温度的每日昼夜节律的重要调节剂。
暴露于炎热或寒冷气候影响远端皮肤温度,特别是在白天,这可能导致影响疾病检测的“天花板”和“地板”效应。例如,平均而言,与生活在较暖的气候中的第二用户的九十九百分位(99%ile)皮肤温度读数相比,生活在较冷的气候中的第一用户的九十九百分位皮肤温度读数可以是略微较冷的。这种差异可能使得由疾病引起的九十九百分位的皮肤温度读数的增加对于生活在更寒冷气候中的用户更加明显。相反,在较暖气候下,外部环境对九十九百分位皮肤温度读数中的瞬时升高的影响可能增加更多“噪声”或部分掩盖疾病的影响。如此,当内部体温与周围温度之间存在较大的温度梯度时(诸如在较冷的气候下),可穿戴设备(例如,指环104)在检测温度和心率的微小增加或HRV的减小方面可具有优势,这是由于用于防止过度热损失并且促进核心温度升高的血管收缩应答。
换言之,与生活在较暖气候中的用户相比,对于生活在较冷气候中的用户而言,温度的偏差可以是更明显的。照此,与在较暖的气候中的用户的皮肤温度的偏差相比,在较冷的气候中的用户的皮肤温度的偏差可以更好地指示疾病(例如,具有更高的预测值)。将参考图6和图7进一步示出和描述该概念。
图6示出了根据本公开的各个方面的支持疾病检测技术的温度数据图600的示例。具体地,温度数据图600包括第一图605-a和第二图605-b,该第一图示出了用户在较冷气候下的高白天温度读数/范围,该第二图示出了用户在较暖气候下的高白天温度读数/范围。
图605-a和图605-b的x轴示出了症状发作之前和之后的时间(例如,天),其中时间=0指示针对较冷气候(例如,更高纬度;55°N)以及较暖气候(例如,更低的纬度;35°N)的用户的症状发作(第一次发现症状)。图605-a和图605-b中在时间=0时的疾病发作可包含多种呼吸或流感状疾病,包括COVID-19、流感和具有类似症状的其他疾病。图605-a和图605-b的y轴分别示出了在较冷气候和较暖气候中的用户的高的白天温度(以摄氏度计)。具体地,图605-a和图605-b的y轴示出了在白天期间用户的九十九百分位(99%ile)的温度读数,在过滤掉异常值之后,其可被认为是相应用户的最大白天温度。
如示出了在高纬度(例如,芬兰附近)和/或较冷气候下用户的高白天温度读数/范围的图605-a中所示,经由可穿戴设备测量的最大白天温度可以在引起症状发作的几天和几周内增加。由于白天期间外周(例如,手、手指)处的皮肤温度在寒冷气候中趋于更低的事实,可能更容易检测到身体试图通过外周处的血管收缩来增加核心温度。与睡眠期间相反,这还可能在白天期间特别明显,因为皮肤温度和核心温度在白天期间不太相关并且更加反调节。
相比之下,参照示出了在较低纬度(例如,美国南部部分)和/或较暖气候中的用户的高白天温度读数/范围的图605-b,与在较冷气候中的用户相比,用户可以在导致疾病发作的高白天温度方面展现出较不显著的增加。换言之,对于处于较暖气候下的用户,疾病可能不会确定性地表现为白天最高温度的增加。总之,已经发现,与在较暖气候中的用户相比,在较冷气候中的用户可能经历高白天温度的更显著的增加。
图7示出了根据本公开的各个方面的支持疾病检测技术的温度数据图700的示例。具体地,温度数据图700包括第一图705-a和第二图705-b,该第一图示出了较冷气候下的用户的低白天温度读数,该第二图示出了较暖气候下的用户的低白天温度读数。
图705-a和图705-b的x轴示出了症状发作之前和之后的时间(例如,天),其中时间=0分别指示针对较寒冷气候(例如,较高纬度;55°N)以及较温暖气候(例如,较低的纬度;35°N)下的用户的症状发作(例如,症状的首次发展)。图705-a和图705-b中在时间=0时的疾病发作可包含多种呼吸或流感状疾病,包括COVID-19、流感和具有类似症状的其他疾病。图705-a和705-b的y轴分别图示了较冷气候和较暖气候下的用户的低白天温度(以摄氏度计)。具体地,图705-a和705-b的y轴示出了在对异常值进行过滤之后,在白天期间用户的温度读数的一个百分位(1%ile),其可以被认为是相应用户的最小白天温度。在本文中要注意的是,与第二图705-b(25-28℃)相比,在第一图705-a(22-23℃)中,y轴的绝对值显著不同。
感染/疾病可以驱动核心体温的增加。身体实现这种增加的一种方式可以是通过防止通过身体的壳体的热损失来保存热量。皮肤部分地通过血管收缩(使皮肤表面处的小血管变窄)实现这一点。这种血管收缩可以随最低白天温度值的增加而最明显,如图7所示。这种现象可以针对不同机器学习算法被识别和/或特征化为针对用户取自一天的白天温度分布的1%ile(与针对同一用户的前一天或基线时间段相比较)。
例如,如在图705-a和705-b中所示,针对用户的1%ile的白天温度读数/范围在疾病时段期间可能升高,而不管纬度或气候如何。进一步地,图705-a和图705-b的比较示出了,生活在较寒冷气候中的用户可能会经历导致疾病发作的天和星期中的白天低温读数/范围的较大增加(例如,对于较寒冷气候中的用户来说,低白天温度的较大症状前增加)。
因此,在一些实现方式中,系统200可以利用位置信息和其他因素(例如,纬度、季节、环境暴露)来改进本文描述的疾病预测技术。例如,算法或机器学习分类器可以包括用户的纬度或经度、一年中的月,或利用季节校正的时间序列来使得所得到的温度信号相对于与气候相关的变化“稳定”。算法/分类器(诸如基于树的算法或其他机器学习模型)可学习建模暴露和环境因素与个体用户的唯一生理时间序列之间的相互作用。在一些情况下,分类器可以组合对环境、气候和季节性影响敏感的多个信号,以便提高信噪比,以便更好地检测疾病。此外,分类器可以被配置为针对基于某些类似特性分组的用户池不同地预测疾病,这些特性可以包括位置、气候和环境暴露因素。
换言之,纬度和/或其他位置信息可以用作局部温度的一般范围的粗略代理,尤其是当与基于时间的特征(像季节或一年中的月)一起考虑时。这些特征可以充当影响用于预测疾病的统计白天温度读数的相对预测值的“调节者(moderator)”或因素。这些调节者可以确定给定的白天温度特征作为疾病的预测器是否特别有用的条件。在一些实现方式中,系统200可使用更复杂的天气和区域信息,结合来自其用户设备106的用户的地理位置,以导出对环境暴露的更精确的估计,并识别个体何时在内部或外部。这样的位置信息可以用于确定用于识别疾病的温度数据的相对预测准确度。
例如,系统100的用户设备106和/或服务器110可以接收由指环104获取的与用户相关联的温度数据。用户设备106和/或服务器110可以附加地接收/识别与用户相关联的位置信息。位置信息可以包括用户的地理位置、用户的纬度或两者。在一些情况下,用户设备106和/或服务器110可以基于经由GUI 275接收的用户输入来接收用户的位置信息。例如,用户可在可穿戴应用250内输入其家庭地址或近似家庭位置。附加地或替代地,用户设备106和/或服务器110可基于用户设备106的全球定位模块(例如,全球定位卫星(GPS)模块、全球导航卫星系统(GNSS)模块)或其任何组合来确定位置信息。
在本示例中,用户设备106和/或服务器110可以将温度数据和位置数据输入到机器学习分类器中,其中,机器学习分类器被配置为基于位置信息来识别满足温度数据的一个或更多个偏差标准(例如,温度读数与用户的基线温度数据的偏差)。
具体地,机器学习分类器可以使用位置信息来识别/生成与所获取的温度数据相关联的一个或更多个“预测权重”。预测权重可以与用于检测疾病的相对预测准确度相关联。例如,如图6和图7所示和所描述的,与较暖气候下的用户相比,处于较冷气候下的用户可能经历导致疾病发作的更显著的温度变化。因此,与较暖气候下的用户的温度变化/温度读数相比,较冷气候下的用户的温度变化(和温度读数)可以具有较高的相对“预测权重”。在一些情况下,位置数据可以用于确定用户的地理位置和/或气候数据(例如,环境温度数据),这可以用于生成预测权重。环境温度数据可以基于从用户设备106获取的数据、一年中的时间、所确定的地理位置的气候数据、或其任何组合。
因此,在一些情况下,机器学习分类器可以为从较寒冷气候下的用户收集的温度数据分配相对较高的预测权重,并且为从较暖气候下的用户收集的温度数据分配相对较低的预测权重。随后,在识别从用户收集的温度数据的预测权重时,机器学习分类器可以基于(例如,使用)预测权重对所收集的温度数据进行“加权”以生成加权的温度数据。然后,机器学习分类器可以使用经加权的温度数据来识别满足偏差标准并预测疾病。
通过确定用户的位置信息并基于该位置信息(和/或环境温度数据)确定温度数据的预测权重,本文描述的技术可以被配置为补偿在不同气候下的用户之间的皮肤温度应答。换言之,位置信息(例如,纬度)可以用作外部气候/环境温度的粗略代理,其可以用于确定用于识别疾病的温度数据的相对预测准确度。照此,本文描述的技术可支持国际规模的更准确和高效的疾病检测技术。
位置还可以影响季节性变化,其表现于生物节律参数(例如,日长,其在日历年中会受纬度影响,可以影响温度的昼夜节律参数)。以这种方式,位置信息可以在一些方面中被用于加权或修改“健康”和“非健康”时间间隔的分类,其中季节性或季节阶段是因素。
进一步地,在一些方面中,如果关于疾病率的信息在用户的位置中是可用的,则可以修改个体或群组疾病检测阈值或分类器。例如,如果在迈阿密流感病例率大大提高,并且用户的位置信息指示用户位于迈阿密,则可以降低检测阈值以反映增加的本地风险。
在附加的或替代的实现方式中,代替为温度数据生成预测权重,系统200可以简单地将温度数据和位置信息两者输入到分类器中,并且可以允许分类器学习温度数据和位置信息的哪些组合是对疾病的预测。换言之,系统200可以将温度数据和位置信息输入到分类器(例如,机器学习分类器)中,并且可以训练分类器以基于所接收的温度数据和位置信息来确定/预测疾病。在这样的情况下,分类器可以被训练以识别:当取决于每个相应用户的相对位置(和/或气候/环境温度)来预测疾病时,跨用户的温度变化可以表现出变化的预测准确度。
在一些实现方式中,系统200可以附加地或可替代地使用与可修改的行为预测器(诸如睡眠和活动)相关联的数据来执行疾病检测。科学证据已经表明,健康行为(诸如更主动或更好的睡眠)可以最小化患流感状疾病(包括COVID-19)的风险,并且甚至可以改变抗体应答的强度。然而,常规可穿戴设备尚未有效地识别与睡眠和活动相关联的度量,这些度量可经由可穿戴设备收集以检测症状前阶段中的疾病。
用于识别疾病的预测算法/分类器的一些方面(诸如用户的年龄、性别、生理状况或预先存在的医疗状况)通常不受用户的控制而改变。相比之下,活动和睡眠都是用户可以修改的健康行为(“可修改的行为预测器”)。此外,这些可修改的行为预测器可以随着用户生病而展现出变化。照此,本文描述的技术可利用经由指环104收集的与可修改的行为预测器相关的数据,以便在症状前状态期间进一步精炼疾病检测技术。可以用于执行疾病检测的可修改的行为预测器可以包括但不限于白天活动、睡眠持续时间和睡眠定时(例如,睡觉时间、醒来时间)、与佩戴指环104相关联的依从性(例如,用户佩戴指环104的频率/一致性)等。
疾病的重要行为标志是感觉更容易变得疲劳并且没有太多的能量锻炼。这种疲劳的感觉是由炎性蛋白(例如,细胞因子)引起的,这些炎性蛋白在识别病毒感染的细胞时由免疫系统分泌。这些炎性细胞因子发信号通知大脑以保存能量,大脑通过修改我们的行为以减少我们的能量消耗来实现保存能量。
在一些方面中,指环104可以被配置为使用活动记录传感器和/或加速度计来测量活动(例如,运动)。指环104、用户设备106和/或服务器110可被配置为转换活动记录数据和/或与活动相关联的其他数据(例如,加速度计数据),并将这些数据流转换成MET的估计、活动期间消耗的能量的测量。这可以参考图8进一步示出和描述。
图8示出了根据本公开的各个方面的支持疾病检测技术的可修改的行为预测器图800的示例。具体地,可修改的行为预测器图800包括第一图805-a和第二图805-b,第一图805-a示出了在症状发作之前和之后的天中的三个活动相关度量(被归一化以进行比较),第二图805-b示出了在症状发作之前和之后的各天中的睡眠时间相关度量(例如,睡觉时间、醒来时间)。
图805-a和图805-b的x轴示出了症状发作之前和之后的时间(例如,天),其中时间=0指示用户的症状发作(例如,症状的首次发展)。图805-a的y轴被z归一化以示出同一曲线图内的活动相关度量随时间的相对增加和减少。图805-b的y轴以归一化单位示出了睡觉时间和醒来时间的变化。
参考图8所示的图805-a,曲线810-a示出了用户随时间的每日不活动持续时间,曲线810-b示出了用户随时间的平均每日MET(例如,能量消耗),并且曲线810-c示出了随时间推移在中强度或高强度活动期间累积的总MET分钟。如在图805-a中可见,用户倾向于在症状发作之前的几天内变得更加不活动(例如,在疾病发作之前曲线810-a中的增加)。此外,平均每日MET(能量消耗)降低(例如,曲线810-b中的降低),并且在症状发作之前的数天,中强度或高强度活动期间累积的总MET分钟下降(例如,曲线810-c中的降低)。虽然所有三条曲线810-a、810-b和810-c可以在症状发作之后展现出最显著的变化,但是在恰好在症状发作之前的降低的活动的方向上存在加速的预测性变化。照此,在一些实现方式中,系统200可利用这些特性/参数(例如,不活动性、平均每日MET、在活动期间累积的总MET)来预测疾病。
虽然减少的活动(曲线810-a中的降低)或减少的每日平均MET(曲线810-b中的降低)对于疾病检测可以是有帮助的量度,但这些变化可能是微妙的,并且活动可能由于除疾病之外的许多原因而改变。此外,基于活动或MET的度量可能不如原始的或绝对的数字更有意义,并且当被构建成检测相对于人的通常活动水平的下降时更有意义。所以,在一些实现方式中,系统200的相应组件(例如,指环104、用户设备106、服务器110)可被配置成将用户的平均每日MET确定为相对于同一用户的代表性先前基线(例如,十四天)上的先前中值每日MET的变化。换言之,系统200可以将来自第二时间间隔(例如,症状发作之前的预测窗口)的活动和/或每日MET与从先前的第一时间间隔(例如,参考窗口)确定的活动和/或每日MET进行比较,以便确定用户的预期活动和/或每日MET的变化。对此,可以使用不同时间间隔之间的活动和每日MET的变化(例如,每日MET相对于用户的基线每日MET的变化)来识别偏差标准的满足并预测疾病发作。
在一些实现方式中,系统200可以利用给定用户的原始绝对平均每日MET分数作为疾病检测的特征,同时还包括先前三十天内的每日MET平均分数的滚动均值(可以同等地加权或给予其在时间上逐渐向后递减的权重)。包括这两个特征作为用于疾病检测的机器学习分类器/算法的输入可以使得机器学习分类器能够学习用户内标准化策略。换言之,通过将用户的历史活动和每日MET值提供给机器学习分类器,机器学习分类器能够确定活动/每日MET相对于某参考时间间隔内(例如,过去月内)该用户的典型活动/每日MET水平的最近变化。
此外,锻炼加强了免疫系统,使得高度活动的用户不容易受到感染/疾病。因此,在某个参考窗口(例如,过去的月)上使用活动的滚动均值特征和每日MET可以使机器学习分类器能够识别不太可能患病的具有“更强”免疫系统的个体。
在一些实现方式中,系统200可以另外地或可替代地包括在某个参考窗口(例如,过去的月)上的平均每日MET的标准偏差作为机器学习分类器内的特征输入以改进疾病检测。平均每日MET的标准偏差可以捕获用户如何一致地参与高水平活动。相比较而言,如果个体每周进行一天的大量锻炼,均值(例如,平均值)可能很大。然而,最佳免疫系统效果可能与更一致的锻炼方案相关联。因此,包括代表性时间窗口(例如,过去的月)上的活动的均值和标准偏差两者可以允许机器学习分类器学习高度活动的用户和一致地活动的用户是否不太可能生病。
进一步地,对于一开始就不活动的用户,可能检测不到由于疾病引起的平均MET的“下降”。换言之,对于非常不活动的用户,可能难以检测到相对于用户的正常的低活动基线的活动减少。因此,当在可以学习交互的一个模型(例如,树或神经网络类型的算法)中组合在一起时,包括捕获用户的长期“特质”或“参考”活动水平、那些水平的一致性、以及还有急性或“状态”变化的特征可能是最有用的。
图9示出了根据本公开的各个方面的支持疾病检测技术的可修改的行为预测器图900的示例。具体地,可修改的行为预测器图900包括活动持续时间图905-a、活动一致性图905-b、MET图905-c和每周模式图905-d。
相应图905-a至905-d的x轴示出了症状发作之前和之后的日期(例如,月-日),其中每个图905内的5月11日(05-11)与5月18日(05-18)之间的参考线示出了用户的相应疾病症状的发作(例如,干/湿呼吸、过敏反应、胃肠症状、发热症状等的发作)。活动持续时间图905-a的y轴示出了三十天窗口内的活动持续时间(以分钟计)的滚动平均值。活动一致性图905-b的y轴示出了三十天窗口内的活动持续时间(以分钟计)的标准偏差(例如,更多或更少的活动一致性)。MET图905-c的y轴显示每天的MET消耗(例如,就努力而言的总性能)。最后,每周模式图905-d的y轴描绘了关于x轴上的给定日是否包括周末日(例如,0=工作日,1=周末)的真/假指示。通常,每周模式图905-d(例如,每周模式调整模型)可以用于基于循环的每周模式来调整针对用户的活动期望,因为用户的活动在周末通常可以更高。
如在图9中可见,用户可以在症状发作之前显现出活动持续时间的下降(例如,活动持续时间图905-a中的下降)以及活动一致性的下降(例如,活动一致性图905-b中的下降)。在活动持续时间和活动一致性中的这些模式通常可以大致同时发生,并且因此可以用作用于识别/预测疾病的特征。进一步地,将图905与每周模式图905-d进行比较,可以看到,相比于工作日,用户通常在周末显示出更高的活动。最后,在症状发作后几天的活动持续时间的增加(例如,活动持续时间图905-a中的增加)、活动一致性的增加(例如,活动一致性图905-b中的增加)以及MET消耗的增加(例如,MET图905-c中的增加)可以指示用户从非健康状态返回到健康状态(例如,疾病恢复)。
通常,系统200可以将与图9中所示出的活动特征相关联的生理数据(例如,活动持续时间、活动一致性、MET)输入到机器学习分类器中,从而使得机器学习分类器可以学习如何组合多个活动特征并且确定在症状前时间段中最佳地描述每个相应用户的模式。使用来自每个相应用户的数据来训练机器学习算法可以使得机器学习分类器能够识别每个相应用户对疾病的个性化应答,因为每个用户可能对疾病不同地进行响应。因此,图9中示出的活动特征可以用于识别/预测用户将从非健康状态转变到健康状态,反之亦然。
一般而言,活动度量示出了与工作日和周末或一周的某些天对齐的“季节性”或可预测的模式。例如,如图9所示,相比于工作日,用户在周末通常可能更多地活动。类似的循环模式可以在每月的基础上、每年的基础上等等被识别。例如,与较冷的月份相比,用户通常在较暖的月份中更多地活动。这可以是较暖的天气和较少的雨/雪的影响或者是大流行封锁改变活动生活方式的影响。
因此,在一些实现方式中,系统200可以利用一个或更多个模型(例如,模式调整模型),这些模型相对于某个时间间隔来描述相对循环的活动、行为、或其他生理参数。模型可以包括每周活动模型、每年活动模型、月经周期模型等。通过考虑活动的周期性、可预测的变化或其他生理参数,本文所述的技术可能够更有效地识别活动/生理数据中的哪些变化可归因于疾病,以及哪些变化基于可预测的周期性用户行为(例如,在周末活动更多)和/或可预测的生理应答(例如,每月月经期)。
例如,在一些情况下,系统200的组件(例如,用户设备、服务器110)可以生成将工作日表示为“0”并且将周末表示为“1”的特征或模型(例如,每周模式调整模型)(例如,每周模型:M-0、T-0、W-0、Th-0、F-0、S-1、Su-1)。在本示例中,可以将表示工作日/周末的每周模式调整模型与活动特征一起包括在机器学习分类器或算法(例如,树算法、梯度增强分类树)中以改善疾病检测。在这样的情况下,机器学习分类器可以构建或“学习”特征交互以解释周末和工作日之间的用户活动的差异以改进疾病检测。例如,通过将每周模式调整模型输入到机器学习分类器中,机器学习分类器可以被配置为确定用户在工作日较活动较少,并且因此可能不太可能将工作日的低活动度量(例如,低MET)识别为指示疾病。在一些情况下,特征可以是一周的每一天,其被假编码为一周的六个不同天和一个参考天。
在一些实现方式中,系统200可以应用季节性自回归积分移动平均(SARIMA)模型,该模型可以应用于30天或更长时间的过去时间序列,在此期间已知用户是健康的。季节性顺序参数可以被固定到7以捕获每周季节性。可以针对每个相应用户训练这种模型,并且输出反映给定用户在活动方面表现出每周模式的程度的参数。这些个性化SARIMA系数,基于过去N天的滚动窗口,然后可以作为较大的机器学习分类器的特征被输入。附加地或替代地,可使用时间序列分类模型(例如,随机卷积核变换(ROCKET)模型或MiniROCKET模型),其可固有地对自回归或其他时间相关模式进行建模。
在一些情况下,当执行疾病检测/分析时,用户依从(adherence)佩戴可穿戴设备可以包括附加可修改的行为预测器。从行为医学领域借用术语,“依从”可以指用户是否佩戴指环104,或者他们多久佩戴指环一次(例如,用户佩戴指环104的频率/一致性)。已发现,一般而言,当用户生病时(例如,增加的疾病依从),用户更频繁地佩戴指环104。此外,已经发现增加的依从指示一些用户从疾病恢复。实际上,用户通常在症状发作后不久和从疾病恢复期间表现出增加的依从(例如,更一致的佩戴时间、减少的非佩戴时间)。这可能是由于用户在生病时观看生理数据的兴趣增加,或者由于用户不太可能由于生病或各种活动而移除他们的指环104的事实。
就此而言,术语“依从数据”可以指与用户佩戴指环104的频率或一致性相关联的数据。在一些方面中,指环104可基于指环104正在充电的持续时间经由存在(或不存在)检测到的用户温度读数、呼吸速率、心率数据等来确定用户是否佩戴着指环。就此而言,指环104可以确定“依从数据”并向用户设备106和/或服务器110传送“依从数据”,该“依从数据”可以用于确定用户佩戴指环104的依从性。此外,依从数据(例如,依从数据的改变)可由系统200使用以识别疾病发作、从疾病恢复,或两者。例如,用户设备106可识别用户的依从数据的改变(例如,指环104的更频繁/一致的穿戴、指环104的更不频繁/一致的穿戴)。在该示例中,用户设备106可基于依从数据的变化来确定疾病风险度量、预测疾病发作/疾病恢复、或其任何组合。
疲劳的症状可以包括疾病的另一个重要行为标志。当身体感测到感染时,免疫系统发信号通知大脑以引导能量对抗感染。机器学习算法的睡眠定时特征可以包括比正常更早入睡(“更早睡觉”)、更快入睡(更低“等待时间”)、比通常的睡眠时间更长的睡眠持续时间、比正常更晚醒来等。在一些实现方式中,本文描述的疾病检测分类器/算法可以包括绝对值以及表示在代表性的时间段(诸如十四天)上的先前的典型平均值或中值的特征。在其他实现方式中,疾病检测算法可以将当前天的度量表示为当天的测量与先前十四天的中值(或者合理长度的代表性基线)之间的差。这样的特征可以被输入到树算法或神经网络算法中,具有或不具有星期中某天或周末/工作日的二进制特征。
例如,将再次参考图8所示的图805-b。图805-b的x轴示出了症状发作之前和之后的时间(例如,天),其中时间=0指示用户的症状发作(例如,症状的首次发展),而图805-b的y轴示出了以归一化单位的睡觉时间和醒来时间的变化。曲线810-d示出了用户的睡觉时间,其被量化为自午夜前以来的分钟,并且被计算为相对于先前代表性基线时段(例如,前7-14天)内用户的中值睡觉时间的增量。类似地,曲线810-e示出了用户的醒来时间,其被量化为自午夜前以来的分钟,并且被计算为相对于先前代表性基线时段(例如,前7-14天)内用户的中值醒来时间的增量。
如在图805-b中可以看到的,用户通常在疾病症状发作之前更早地上床睡觉(例如,曲线810-d中的降低)并且稍后醒来(例如,曲线810-e中的增加)。如此,在一些实现方式中,系统200可以确定用户的睡眠数据(例如,睡觉时间、醒来时间)以确定疾病发作。具体地,睡眠数据的变化(例如,睡觉时间和/或醒来时间的变化)可以用于识别偏差标准的满足(或缺乏),该偏差标准随后被用于识别/预测疾病。
不是所有用户都对疾病做出相同应答。此外,病毒和感染可以不同方式影响用户。所以,不同用户可以响应于疾病而在睡眠定时变量的集合上展现出不同的睡眠模式。分类器(例如,机器学习分类器、机器学习算法、基于树的算法)可被配置为跨特征小组(panel)自动检测不同睡眠数据模式和阈值,这可改进本文中所描述的疾病预测技术。此外,通过将每个用户自己的睡眠数据用作参考数据,可以针对每个用户在个性化的基础上训练分类器,这可以使得分类器能够更准确地检测每个相应用户的睡眠数据的变化,并且由此基于每个相应用户的睡眠数据来预测疾病。
图10示出了根据本公开的各个方面的支持疾病检测技术的可修改的行为预测器图1000的示例。具体地,可修改的行为预测器图1000包括睡觉时间图1005-a、醒来时间图1005-b、睡眠持续时间图1005-c和每周模式图1005-d。
相应图1005-a至1005-d的x轴示出了症状发作之前和之后的日期(例如,月-日),其中每个图1005内的5月11日(05-11)与5月18日(05-18)之间的参考线示出了用户的相应疾病症状的发作(例如,干/湿呼吸、过敏反应、胃肠症状、发热症状等的发作)。睡觉时间图1005-a的y轴示出了用户的睡觉时间,其被量化为自午夜前起的分钟,并且被计算为30天窗口内的滚动平均值。醒来时间图1005-b的y轴示出了用户的醒来时间,其被量化为自午夜前起的分钟,并且被计算为30天窗口内的滚动平均值。睡眠持续时间图1005-c的y轴示出了以每晚秒数为单位的用户睡眠的持续时间。最后,每周模式图1005-d的y轴描绘了关于x轴上的给定日是否包括周末日(例如,0=工作日,1=周末)的真/假指示。一般而言,每周模式图1005-d可用于基于循环的每周模式来调整针对用户的睡眠期望。例如,当用户不必上班时,用户通常能够在周末睡眠更多。
如在图9中可见,已经发现用户可以在导致症状发作的天中较早开始上床睡觉(例如,睡觉时间图1005-a中的增加)并且较晚醒来(例如,醒来图1005-b中的增加)。此外,用户可以在导致症状发作的天中睡眠更长(例如,睡眠持续时间图1005-c中的增加)。就这一点而言,用户的睡眠数据的这些特征(例如,睡觉时间、醒来时间、睡眠持续时间)可以被输入到分类器(例如,机器学习分类器)中以识别用于预测疾病发作的偏差标准。
各种参数的相对一致性(例如,睡觉时间的一致性、醒来时间的一致性)也可以用于执行本文描述的疾病检测技术。通常,人类具有一致的睡眠习惯(例如,用户通常每天在类似时间附近睡觉和醒来)。一致的睡眠习惯允许人体内的细胞与环境对齐并且通过知道将能量调动到血流中或对抗感染的最佳时间来优化能量效率。这样,一致的睡眠习惯可以帮助预防疾病。
因此,与用户的睡眠习惯(例如,睡觉时间和醒来时间)的“一致性”相关的睡眠定时参数/特征可以用于预测疾病发作。可以将睡觉时间一致性和醒来时间一致性测量为相比于自个体入睡或醒来的午夜前起的某个参考时间间隔(例如,先前三十天)的标准偏差。特别地,已经发现睡觉时间和醒来时间在症状发作之前的几天变得更加不一致(或变量)。这可能是由于在疾病的潜伏期过程中行为的变化。如此,在一些实现方式中,与睡眠数据的一致性(例如,睡觉时间一致性、醒来时间一致性、睡眠持续时间一致性)相关联的特征/参数可以用于预测或识别疾病,如本文所描述的。
在一些实现方式中,系统200可以利用一个或更多个“模式调整模型”来改进本文描述的疾病检测技术。模式调整模型可以用于解释用户的行为、活动、睡眠模式和/或生理数据中的可预测的变化。在一些实现中方式,模式调整模型可被用于解释重复的循环模式。模式调整模型可以包括每周模式调整模型、季节模式调整模型、每年模式调整模型、或其任何组合。
例如,如本文前面关于图9中的图905-d和图10中的图1005-d所描述的,每周模式调整模型可包括分别表示工作日和周末的一系列“0”和“1”。在本示例中,每周模式调整模型可以被使用(例如,输入到分类器中)以便考虑用户的睡眠模式和/或活动模式在工作日和周末之间的变化。照此,通过将每周模式调整模型输入到分类器中,系统200可能够更有效地区分指示即将到来的疾病的睡眠模式/活动模式的变化和归因于贯穿一周的行为的正常周期性变化的变化。
类似地,每年模式调整模型和/或季节模式调整模型可以帮助系统200区分指示即将到来的疾病的睡眠模式/活动模式的变化和归因于贯穿全年的行为的正常周期性变化的变化(例如,与夏季月份相比,用户在冬季月份期间通常活动较少)。在一些实现方式中,系统200可以在逐个用户的基础上为每个相应的用户生成模式调整模型。具体地,系统200可以获取用户的生理数据,并且可以基于所获取的生理数据生成用户的模式调整模型。
例如,通过贯穿几周收集用户的生理数据,系统200可以确定与工作日相比在周末用户上床睡觉较晚、起床较晚并且通常活动更多(其可以表示为“用户活动度度量”)。就此而言,系统200可以生成每周模式调整模型,其捕获此信息。照此,通过为用户生成每周模式调整模型,系统200可能够更有效地区分用户的行为(例如,睡眠模式、活动模式)和/或生理数据的变化,这些变化可归因于疾病并且简单地可归因于用户的正常每周例程。例如,将每周模式调整模型输入到分类器中可以降低分类器将周末睡觉时间较晚和醒来时间较晚解释为可归因于疾病的可能性。
在一些方面,模式调整模型可以用于生成“预测权重”,其可以改进本文描述的疾病检测技术。如本文先前指出的,预测权重可以指与用于检测疾病的相对预测准确度相关联的一些加权度量或其他度量。例如,更高的预测权重可以与用于预测疾病的更高的相对准确度(例如,在识别疾病时更准确)相关联,而更低的预测权重可以与用于预测疾病的更低的相对准确度(例如,在识别疾病时更不准确)相关联。
例如,与工作日相比,用户在周末通常可能上床睡觉较晚、起床较晚、并且可能更多地活动。在这个示例中,指示周末较晚睡觉时间和较晚醒来时间的睡眠数据可以与较低的“预测权重”相关联,因为这些参数更可能归因于用户的正常每周睡眠习惯而不是指示疾病。就这一点而言,系统200可以利用所确定的模式调整模型(例如,每周模式调整模型、季节模式调整模型、每年模式调整模型)来为生理数据、睡眠数据、活动数据等生成一个或更多个“预测权重”,其中这些预测权重用于改进本文描述的疾病检测技术。具体而言,预测权重和/或模式调整模型可被输入到分类器中以确定满足(或缺乏)用于识别疾病的偏差标准。具体地,在周末的较高的用户活动度量和在工作日的较低的用户活动度量可以分别用于确定在周末和工作日的不同的“预测权重”,其中,睡眠数据、活动数据或两者的变化相对于相应的预测权重被评估。
在一些实现方式中,系统200可以利用模式调整模型,该模式调整模型被配置为解释归因于正常月经周期的生理数据的可预测的周期性变化(例如,月经周期模型)。例如,已经发现,自然循环的用户基于相应用户在他们自己的月经周期内的位置,表现出生理数据的变化。这种温度偏差可归因于孕酮,一种调节月经周期的激素。例如,用户的温度可能在用户的月经周期中波动,其中用户通常可能在月经周期的黄体期期间表现出最大温度读数。对此,利用月经周期模型可使系统200能够更高效地确定可归因于疾病的生理数据和其他参数(例如,睡眠数据、活动数据)的变化,以及哪些变化仅仅是由于用户的自然月经周期造成的。具体地,月经周期模型的使用可以减少或消除系统200将整个月经周期中的自然温度增加错误地解释为指示疾病的频率。
在一些实现方式中,系统200可以为每个相应用户生成月经周期模型。换言之,系统200可以利用每个相应用户的生理数据来生成针对相应用户定制的月经周期模型。这可参照图11进一步示出和描述。
图11示出了根据本发明各个方面的支持疾病检测技术的月经周期模型1100的示例。具体地,月经周期模型1100示出了原始温度数据图1105-a、经过滤的温度数据图1105-b、方波温度数据图1105-c、和周期相位图(cycle phase diagram)1105-d。
每个相应图的x轴示出了评估用户的月经周期的时间(例如,日期)。原始温度数据图1105-a和经过滤的温度数据图1105-b的y轴示出了用户的高每日温度读数(以摄氏度计)相对于用户在某一参考时段(例如,先前六十天)内的平均高每日温度读数的所测得的偏差。换言之,图1105-a和1105-b的y轴示出了用户内温度偏差。方波温度数据图1105-c的y轴示出了该周期的预测相位,其中1指示黄体期并且0指示卵泡期。周期相位图1105-d的y轴示出了用户的月经周期从0到1的相位,其中0指示新月经时段的开始,1指示月经周期的结束。
在一些方面中,系统200可以随时间推移从用户获取生理数据(例如,温度数据)。在一些情况下,用户设备106和/或服务器110可以确定每个相应日的单个每日温度,其通常表示相应日的高夜间温度读数。在原始温度数据图1105-a中示出了单个高温读数。随后,用户设备106和/或服务器110可以过滤原始温度数据(例如,应用带通滤波器)以生成经过滤的温度数据图1105-b。过滤温度数据可以从原始温度数据图1105-a中去除任何异常高温或低温读数,其可以归因于热淋浴、在阳光下等。
可以在相应图1105上使用峰值寻找算法来识别温度读数(例如,大于或等于某个温度阈值的温度读数)中的峰值,如在相应图1105内所示出的。通常,峰值寻找算法可以寻找温度读数的峰值,该温度读数通常可以对应于月经周期内的特定相位(例如,黄体期)。换言之,在一些实现方式中,当用户通常表现出自然升高的温度时,峰值寻找算法可被用于识别可对应于月经期的结束的温度尖峰。
在一些情况下,系统200可以根据关于月经期的普遍理解的知识来实现峰值寻找算法。例如,大多数自然周期妇女的月经周期通常持续20至40天。照此,在一些情况下,峰值寻找算法可被配置成识别彼此相距至少15天的峰值,使得峰值寻找算法不识别彼此相距小于15天的温度峰值(以及因此月经期)。就此而言,系统200可以实现月经周期持续时间阈值以便生成月经周期模型。术语“月经周期持续时间阈值”可以指相对于先前月经期的估计的月经期定时(例如,月经期之间的持续时间)、相对于先前黄体期的估计的黄体期之间的持续时间定时、相对于先前卵泡期的估计的卵泡期定时、或其任何组合。月经周期持续时间阈值的使用还可使得系统能够在存在可归因于出生控制和/或绝经期的嘈杂温度读数的情况下更有效地识别月经周期内的特定相位。此外,在一些实现方式中,峰值寻找算法可被配置成仅在用户的温度读数被升高(例如,满足某一温度阈值)达某一天数时识别温度峰值。
随后,用户设备106和/或服务器110可以识别用户的月经周期的特性(例如,月经期)。在一些情况下,系统200可基于经由峰值寻找算法识别的峰值(例如,基于月经周期持续时间阈值)识别月经期。在附加的或替代的情况下,系统200可以基于经由用户设备106接收的用户输入来识别相应用户的月经周期的月经期。例如,用户可以经由用户设备106的GUI275输入一个或更多个用户输入,其中用户输入与用户的月经周期相关联。用户输入可指示月经周期的月经期的开始/结束、月经周期的排卵期等。在一些情况下,系统200可使得用户设备106(例如,GUI 275)显示与用户的月经周期相关的用户输入的提示,其中用户输入响应于该提示被接收。
就这一点而言,系统200可以被配置为利用所获取的生理数据、用户输入或两者来确定用户的月经周期的特性(例如,月经期的开始/结束、排卵周期的开始/结束、卵泡期的开始/结束、黄体期的开始/结束、整个月经周期中的温度读数等)。在一些情况下,系统200可以使得用户设备106向用户显示月经周期的一个或更多个特性(例如,经由GUI 275)。
系统200然后可以基于所识别的相应用户的月经周期的特性(例如,基于所识别的月经期的开始/结束、所识别的卵泡期/黄体期的开始/结束等)来生成用户的月经周期模型。例如,如周期相位图1105-d中所示,月经周期模型可指示用户的周期相位。周期相位可以从0至1被测量以指示随时间推移用户经过月经期有多远(例如,经过的路程的百分比)。例如,如果用户的月经期通常持续25天,则每天将占月经周期的1/25=0.04。例如,新月经期的第一天可以由周期相位图1105-d中的0.04表示(1/25=0.04),并且月经期的第二天可以由周期相位图1105-d中的0.08表示(2/25=0.08)。类似地,月经期的第二十五天(例如,可能的最后一天)可以由周期相位图1105-d中的1表示(25/25=1),其指示月经期在结束时或可能接近结束。
在为用户生成月经周期模型时,系统200可以利用月经周期模型来更有效地为用户确定分数(例如,睡眠分数、就绪分数)。例如,基于月经周期模型,分类器可被配置为识别用户通常在每个月经期结束时表现出升高的温度。对此,分类器可以被配置为当确定睡眠和就绪分数时考虑月经期的后面部分期间的预期高温。
此外,系统200可以被配置为针对每个相应用户利用月经周期模型,以便改进本文描述的疾病检测/预测技术。通过将用户的月经周期模型连同用户的生理数据输入到分类器中,分类器可被配置为更有效地识别生理数据的变化(例如,温度读数的增加)是否归因于即将到来的疾病,或简单地归因于用户的自然月经周期。
例如,在一些实现方式中,系统200可以基于所确定的月经周期模型来确定从用户获取的温度数据的一个或更多个预测权重。如本文先前指出的,预测权重可以与用于预测疾病的温度数据的相对预测准确度相关联。具体地,具有较高预测权重的温度数据可以更多地指示疾病(例如,较高预测准确度),而具有较低预测权重的温度数据可以更少地指示疾病(例如,较低预测准确度)。例如,参考周期阶段图1105-d,系统200可确定在月经期的较早部分(例如,在0-1标度上更靠近0的天)期间获取的高温读数与较高的预测权重相关联,而在月经期的较晚部分(例如,在0-1标度上更靠近1的天)期间获取的高温读数与较低的预测权重相关联。这些预测权重可以考虑以下事实:用户在每个月经期结束附近自然地表现出升高的温度读数,使得朝向每个月经期结束的升高的温度读数是自然的和预期的,并且因此不太可能指示疾病。
作为另一示例,在月经期、黄体期和/或卵泡期期间获取的用户的温度读数可以与相对较低的预测权重(例如,用于检测疾病的较低的相对预测准确度)相关联,而在月经期、黄体期和/或卵泡期之外获取的用户的温度读数可以与相对较高的预测权重(例如,用于检测疾病的较高的相对预测准确度)相关联。
用户设备106和/或服务器110可以被配置为使用该一个或更多个预测权重对随时间推移从用户获取的温度数据进行加权以生成加权温度数据。通过对所获取的温度数据进行加权,系统200(例如,由系统200实现的分类器)可以被配置为解释以下事实:贯穿自然月经周期的升高的温度读数可以或多或少地指示疾病,这取决于贯穿该月经周期何时收集相应的温度读数。然后,经加权的温度读数可以用于识别满足偏差标准,该偏差标准用于确定/预测疾病。
在一些实现方式中,系统200可以被配置为基于从多个用户收集的数据来测试和验证用于确定/预测疾病的分类器、算法、或模型。例如,系统200的服务器110可以从用户设备106的集合接收训练数据。用户设备106中的每一个可以与指环104或被配置为从相应用户收集生理数据的其他可穿戴设备104相关联(例如,通信地耦合至指环104或其他可穿戴设备104)。训练数据可以包括所收集的生理数据(例如,温度数据、HRV数据等)和/或从一组用户收集的用户状态数据。此外,服务器110可以被配置为生成疾病评估度量(例如,疾病风险度量、疾病预测度量)并向用户设备106传送疾病评估度量(例如,疾病风险度量、疾病预测度量)。
继续同一示例,服务器110可以从一组用户设备106获取生理数据(例如,温度数据)和用户状态数据。用户状态数据可以包括各种类型的数据。例如,用户状态数据可包括症状数据,诸如症状描述和定时。用户状态数据还可包括诊断状态。在一些实现方式中,用户状态数据可以包括用户可以向服务器110报告的自报告数据。在其他实现方式中,用户状态数据可以由另一方向服务器110报告。在一些实现方式中,可以由外部源(例如,医生的诊断和测试结果)来验证自报告数据。在一些实现方式中,用户状态数据可以包括从用户生理数据得出的结论,例如基于温度数据或其他用户生理数据确定的症状/疾病(例如,发烧)。
示例自报告数据可以包括指示疾病的症状,诸如A/B型流感或COVID-19。在其他实现方式中,症状可更常见地与认知或精神健康问题(诸如抑郁和焦虑)相关联,因为这些担忧也可能在感染或免疫失调的背景下出现。在一些实现方式中,服务器110和/或用户设备106可以提供症状/疾病的列表以供用户从基于web的GUI 275和/或应用GUI 275中进行选择。可以在各个时间报告用户状态数据。例如,用户状态数据可以被报告一次(例如,在疾病发作时)或多次(例如,每天)。就这一点而言,响应于接收到以算法方式生成的疾病可能性的预测,可以由用户反馈半监督疾病检测模型。例如,可以向用户提供选项菜单或可能的最近行为或环境或健康相关变化的检查列表,所述变化可以替代地考虑由指环或其他设备检测到的相变(phase transition)。然后可以(例如,以贝叶斯方式)使用用户对这样的提示的响应来调整针对该用户的未来预测。
附加的示例用户状态数据和训练数据可以包括但不限于:1)用于确认诊断或量化感染/免疫/疫苗接种响应的血液/拭子/生物或医疗测试,2)医疗记录数据,3)基于相对于用户报告已经经历症状的时间的自报告定时导出症状召回偏差(例如,模型中的相对于影响主观症状报告的召回偏差校准自报告中的置信度的特征),4)随时间推移按地区(城市、邮政编码等)的COVID-19流行率,5)特定于某些就业中心(例如,医院或肉类包装工厂或运动队)和/或职业角色(例如,护士或医院管理员)的流行率,6)关于农村/城市人口密度、SES和人口统计的基于人口普查的数据、7)关于外部温度、湿度等的天气数据以及8)交通数据(例如,用于导出用户是否乘坐公共交通的度量并且量化本地人口的移动)。
在一些实现方式中,用户状态数据可以包括其他数据,诸如与所获取的温度数据相关联的用户地理位置(例如,纬度/经度)。这样的地理位置数据可以用于生成地理位置特定的预测模型。此外,地理位置数据可以用于评估用户是否可能转变到非健康状态。用户状态数据还可以指示用户的就业位置和类型、用户人口统计数据(例如,年龄和性别)、其他健康状况、或描述用户和/或用户的环境的其他数据。本文中所描述的用户状态数据中的任一者可用于作出更具针对性的预测模型和预测确定。
服务器110(例如,模型生成模块)可以使用包括生理数据(例如,温度数据)和关联的用户状态数据的训练数据集来训练一个或更多个疾病预测模型(例如,分类器、算法、或用于检测/预测疾病的其他模型)。服务器110可以使用各种不同标记的训练数据来生成本文描述的疾病预测模型(例如,分类器)。在一些实现方式中,服务器110可以使用包括被分成每日值的相对分布值的训练数据。服务器110还可以包括指示用户是健康还是非健康的每天的相对分布数据的标签。例如,这些标签对于非健康(例如,症状发作)可以是1,并且对于健康可以是0。在该示例中,疾病预测模型可以生成用户的疾病风险度量。在一些情况下,疾病风险度量可以包括0-1之间的疾病预测值,其指示用户正在转变到非健康状态的可能性。服务器110可以使用针对每个用户的数天(例如,数周)的数据来生成疾病预测模型。
随后,服务器110可以测试/验证该一个或更多个疾病预测模型(例如,分类器)的性能。在一些实现方式中,服务器110可以通过比较来自一个或更多个疾病预测模型的输出与训练数据来测试/验证一个或更多个疾病预测模型。换言之,服务器110可以使用有监督学习技术来测试/验证一个或更多个疾病预测模型的性能。然后服务器110可以使用一个或更多个疾病预测模型来生成针对用户的疾病评估度量(例如,疾病风险度量、疾病预测值),如本文所描述的,其中疾病评估度量与相应用户将从健康状态转变到非健康状态的概率或可能性相关联。
在一些实现方式中,用户设备106和/或服务器110可以基于每个相应用户的特性来生成和/或解释疾病评估度量(例如,疾病风险度量、疾病预测值)。例如,服务器110可以基于用户的位置来生成和/或解释疾病风险度量。在一个示例中,相比于处于疾病不流行的地理位置的用户(例如,使用贝叶斯统计或其他方法),可以向处于当时疾病更流行的地理位置的用户警报更低的指示的疾病概率。类似地,服务器110可以基于与其他用户的相似性来生成/解释疾病风险度量,所述其他用户例如是处于相同地点/雇佣类型(例如,相同的办公室、相同的前线工作等)的用户,这涉及聚类或混合建模技术。在这种情况下,服务器110可以在就业地点处的其他人生病的情况下以较低的概率警告用户可能生病。在一些实现方式中,阈值可以由管理者/雇主设置。可以基于用户特性来训练和/或使用一个或更多个预测模型。
图12示出了根据本公开的各个方面的支持疾病检测技术的健康管理平台1200的示例。健康管理平台1200可以实现系统100、系统200、或两者的各个方面或由它们实现。
健康管理平台1200可以被配置为针对一个或更多个用户102执行健康监测(例如,HRM服务)。具体地,健康管理平台1200可以被配置为监测(例如,连续地监测)一个或更多个用户102的生理数据,以便向与一个或更多个用户102相关联的一些管理员(例如,管理员用户设备106-d)提供生理数据、疾病风险度量等。在一些实现方式中,管理员用户设备106-d可由医疗保健专业人员(例如,医生、护士)、组织的管理员(例如,企业主、企业经理)、私人教练、教练(例如,运动队的教练)等操作或与其相关联。就这一点而言,健康管理平台1200可以被配置为向某个管理员(管理员用户设备106-d)提供与一个或更多个用户102相关联的健康相关信息(例如,疾病风险分数)。
管理员用户设备106-d可以包括图2中所示的用户设备106的示例。在一些实现方式中,管理员用户设备106-d可包括用户设备106-a、106-b和/或106-c之一。换言之,在一些情况下,用户102-a、102-b和102-c之一可以包括管理员,管理员接收相应用户102-a、102-b和102-c中的每一个的健康相关信息。在其他情况下,管理员用户设备106-d可包括单独的设备,使得管理员不是用户102-a、102-b和102-c之一。
例如,健康管理平台1200可以包括第一用户102-a、第二用户102-b以及第三用户102-c。用户102-a、102-b和102-c中的每一个可分别与对应的可穿戴设备(例如,分别为指环104-a、104-b和104-c)和对应的用户设备106-a、106-b和106-c相关联。如本文参考图2所述,每个指环104-a、104-b和104-c可被配置为连续获取与相应用户102-a、102-b和102-c相关联的生理数据(例如,温度信息、HRV信息、呼吸速率信息)。指环104可被配置为以规则的或不规则的间隔连续地获取生理数据,并将所获取的生理数据传送至对应的用户设备106-a、106-b和106-c。
随后,用户设备106-a、106-b和106-c可被配置为对从相应指环104-a、104-b和104-c接收的生理数据执行处理操作。附加地或替代地,用户设备106-a、106-b和106-c可将所接收的生理数据传送(例如,中继、转发)到一个或更多个服务器110(例如,经由网络108),其中该一个或更多个服务器110被配置为执行本文中所描述的处理操作。
在一些实现方式中,健康管理平台1200可以使管理员用户设备106-d的GUI显示从相应用户获取的生理数据的全部或部分、和/或基于所获取的生理数据计算/识别的参数。例如,在管理员用户设备106-d与用户102-a、102-b和102-c的医生办公室的管理员相关联的情况下,管理员用户设备106-d可以接收和显示与相应用户102相关联的生理数据、相应用户102的睡眠数据(例如,睡眠阶段、睡眠持续时间)等。就这一点而言,健康管理平台1200可以使得针对每个相应用户的健康相关数据能够被连续地报告给适用的医疗专业人员或其他用户,这可以使得针对相应用户102实现更准确和全面的医疗决策。
在一些实现方式中,健康管理平台1200可以向管理员用户设备106-d报告疾病相关度量(例如,疾病风险度量、疾病预测度量)。例如,用户设备106-a、106-b、106-c和/或服务器110可以被配置为针对相应用户102-a、102-b和102-c中的每一个确定疾病风险度量(例如,疾病预测度量、疾病评估度量)。相应组件可以被配置成根据本文描述的技术,包括通过使用一个或更多个分类器(例如,机器学习分类器)来确定疾病风险度量。随后,用户设备106-a、106-b、106-c和/或服务器110可以向管理员用户设备106-d报告疾病风险度量。就这一点而言,用户设备106-a、106-b、106-c和/或服务器110可以使得管理员用户设备106-d的GUI显示针对至少一个用户102的至少一个疾病风险度量。
在一些实现方式中,健康管理平台1200可以基于相应的疾病风险度量的比较在管理员用户设备106-d上显示生理数据和/或疾病风险度量。例如,管理员用户设备106-d可以按照最处于疾病风险的用户102(例如,最高疾病风险分数)到最不处于疾病风险的用户102(例如,最低疾病风险分数)的顺序来显示相应用户的患病风险度量。在其他情况下,疾病风险分数可以以某种其他顺序显示在管理员用户设备106-d上。
在一些方面,健康管理平台1200可以基于经由管理员用户设备106-d和/或其他用户设备106接收的一个或更多个用户输入来(经由管理员用户设备106-d)报告生理数据和/或疾病风险度量。用户输入可以与疾病风险度量的识别、报告疾病风险度量、或两者相关联。换言之,用户输入可以用于定制如何报告疾病风险度量、报告哪些疾病风险度量等等。用户输入可以与用于识别疾病风险度量的阈值、用于报告疾病风险度量的阈值或两者相关联。
例如,管理员可以输入(例如,经由管理员用户设备106-d)用于报告疾病风险度量的阈值。在该示例中,健康管理平台1200可以被配置为仅当相应的疾病风险度量满足(例如,大于或等于)阈值时向管理员用户设备106-d报告疾病风险度量。就这一点而言,健康管理平台1200可以被定制成使得仅在健康管理平台1200预测用户102将以某阈值置信度生病时才生成疾病警报。这样的技术可以减少被发送到管理员用户设备106-d的警报的数量。
在一些方面,健康管理平台1200(例如,服务器110、用户设备106-a、106-b、106-c)可以使管理员用户设备106-d显示一个或更多个推荐。推荐可以与针对相应用户102-a、102-b和102-c所确定的疾病风险度量相关联。例如,管理员用户设备106-d可显示用户102安排医生预约的推荐、用户102不去工作或某个其他活动而呆在家的推荐、用户隔离的推荐、用户102为潜在疾病(例如,保湿、休息)做准备的推荐等。如此,健康管理平台1200可以帮助防止疾病的传播,并且可以防止疾病爆发的可能性。
在一些情况下,健康管理平台1200可以(经由管理员用户设备106-d)为除了被预测生病的用户102之外的用户102生成推荐。例如,如果服务器110预测第一用户102-a很可能生病(例如,高疾病风险度量),并且第一用户102-a与第二用户102-b共享小隔间,则服务器110可以使管理员用户设备106-c基于第一用户102-a的疾病风险度量以及第一用户102和第二用户102之间的潜在联系来显示第二用户102-b安排医生预约或不去工作而呆在家的推荐。
此外,健康管理平台1200可以被配置为基于另一用户102的疾病风险度量来修改一个用户102的疾病风险度量。例如,继续以上示例,第一用户102-a和第二用户102-b可以共享小隔间。该信息可以经由管理员用户设备106-d输入到健康管理平台1200中,并且可以用于确定用户102-a和102-b之间的潜在接触和/或用户102-a和102-b之间的潜在紧密接近。在该示例中,服务器110可以确定针对第一用户102-a的第一疾病风险度量和针对第二用户102-b的第二疾病风险度量。第一疾病风险度量可以指示第一用户102-a生病或将生病的可能性。照此,服务器110可以被配置成基于第一用户102-a的第一疾病风险度量和/或相应用户102-a和102-b之间的潜在接触/潜在紧密接近来选择性地修改(例如,选择性地增加)第二用户102-b的第二疾病风险度量。
图13示出了根据本公开的各个方面的支持疾病检测技术的设备1305的框图1300。设备1305可以包括输入模块1310、输出模块1315和可穿戴应用1320。设备1305还可包括处理器。这些组件中的每一个可彼此通信(例如,经由一个或更多个总线)。
输入模块1310可以提供用于接收与各个信息信道(例如,控制信道、数据信道、与疾病检测技术相关的信息信道)相关联的信息(诸如分组、用户数据、控制信息、或其任何组合)的装置。可以将信息传递到设备1305的其他组件。输入模块1310可以利用单个天线或一组多个天线。
输出模块1315可以提供用于传送由设备1305的其他组件生成的信号的装置。例如,输出模块1315可以传送与各个信息信道(例如,控制信道、数据信道、与疾病检测技术相关的信息信道)相关联的信息,诸如分组、用户数据、控制信息、或其任何组合。在一些示例中,输出模块1315可以与收发器模块中的输入模块1310位于同一位置。输出模块1315可以使用单个天线或一组多个天线。
例如,可穿戴应用1320可以包括数据获取组件1325、分类器组件1330、用户界面组件1335、或其任何组合。在一些示例中,可穿戴应用1320或其各个组件可被配置为使用输入模块1310、输出模块1315或两者或以其他方式与输入模块1310、输出模块1315或两者协作来执行各个操作(例如,接收、监控、传送)。例如,可穿戴应用1320可以从输入模块1310接收信息,向输出模块1315发送信息,或与输入模块1310、输出模块1315或两者结合集成,以接收信息、传送信息或执行如本文描述的各种其他操作。
根据如本文所公开的示例,可穿戴应用1320可以支持自动检测疾病。数据获取组件1325可以被配置为或以其他方式支持用于从可穿戴设备接收与用户相关联的HRV数据的装置,HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备收集。分类器组件1330可以被配置为或以其他方式支持用于将HRV数据输入到分类器中的装置。分类器组件1330可以被配置为或以其他方式支持用于识别第一时间间隔内收集的HRV数据的第一子集和第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准的装置。用户界面组件1335可以被配置为或以其他方式支持用于使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量的装置,该疾病风险度量与用户将从健康状态转变为非健康状态的相对概率相关联。
图14示出了根据本公开的各个方面的支持疾病检测技术的可穿戴应用1420的框图1400。可穿戴应用1420可以是如本文所描述的可穿戴应用或可穿戴应用1320或两者的方面的示例。可穿戴应用1420或其各个组件可以是用于执行如本文所描述的疾病检测技术的各个方面的装置的示例。例如,可穿戴应用1420可以包括数据获取组件1425、分类器组件1430、用户界面组件1435、睡眠阶段组件1440、昼夜节律组件1445、用户输入组件1450、或其任何组合。这些组件中的每个组件可直接或间接地彼此通信(例如,经由一个或更多个总线)。
根据本文所公开的示例,可穿戴应用1420可以支持自动检测疾病。数据获取组件1425可以被配置为或以其他方式支持用于从可穿戴设备接收与用户相关联的HRV数据的装置,HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集。分类器组件1430可被配置为或以其他方式支持用于将HRV数据输入到分类器中的装置。在一些示例中,分类器组件1430可被配置为或以其他方式支持用于识别在第一时间间隔内收集的HRV数据的第一子集和第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准的装置。用户界面组件1435可以被配置为或以其他方式支持用于使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量的装置,该疾病风险度量与用户将从健康状态转变为非健康状态的相对概率相关联。
在一些示例中,分类器组件1430可被配置为或以其他方式支持用于确定在第一时间间隔的至少一部分和第二时间间隔的至少一部分内HRV数据的频率内容的装置,其中,识别满足一个或更多个偏差标准至少部分地基于频率内容。
在一些示例中,为了支持确定HRV数据的频率内容,分类器组件1430可被配置为或以其他方式支持用于确定HRV数据的低频内容的装置。在一些示例中,为了支持确定HRV数据的频率内容,分类器组件1430可被配置为或以其他方式支持用于确定HRV数据的高频内容的装置,其中识别满足一个或更多个偏差标准至少部分地基于低频内容、高频内容或两者。
在一些示例中,分类器组件1430可被配置为或以其他方式支持用于识别第一时间间隔与第二时间间隔之间HRV数据的低频内容和HRV数据的高频内容之间的散度的装置,其中识别满足一个或更多个偏差标准至少部分地基于识别散度。
在一些示例中,数据获取组件1425可以被配置为或以其他方式支持用于从可穿戴设备接收与用户相关联的生理数据的装置,该生理数据在第一时间间隔和第二时间间隔内经由可穿戴设备进行收集。在一些示例中,睡眠阶段组件1440可被配置为或以其他方式支持用于至少部分地基于生理数据来识别与用户相关联的多个睡眠阶段的装置。在一些示例中,睡眠阶段组件1440可被配置成或以其他方式支持用于识别与第一时间间隔内的多个睡眠阶段中的第一睡眠阶段相对应的HRV数据的第一部分以及与第二时间间隔内的多个睡眠阶段中的第二睡眠阶段相对应的HRV数据的第二部分的装置,该第一睡眠阶段和该第二睡眠阶段包括相同类型的睡眠阶段,其中将HRV数据输入到分类器包括输入HRV数据的第一部分和HRV数据的第二部分。
在一些示例中,昼夜节律组件1445可以被配置为或以其他方式支持用于至少部分地基于与用户相关联的昼夜节律至少识别第一时间间隔的第一部分和第二时间间隔的第二部分的装置。在一些示例中,昼夜节律组件1445可以被配置为或以其他方式支持用于识别与第一时间间隔的第一部分相对应的HRV数据的第一部分和与第二时间间隔的第二部分相对应的HRV数据的第二部分的装置,其中将HRV数据输入到分类器中包括输入HRV数据的第一部分和HRV数据的第二部分。
在一些示例中,分类器组件1430可被配置为或以其他方式支持用于识别与HRV数据相关联的RMSSD度量的装置,其中识别满足一个或更多个偏差标准至少部分地基于RMSSD度量。
在一些示例中,数据获取组件1425可以被配置为或以其他方式支持用于从可穿戴设备接收与用户相关联的生理数据的装置,该生理数据在第一时间间隔和第二时间间隔内经由可穿戴设备进行收集。在一些示例中,分类器组件1430可以被配置为或以其他方式支持用于至少部分地基于生理数据来识别静息心率数据、HRV平均分数数据、恢复度量数据或其任何组合的装置。在一些示例中,分类器组件1430可以被配置为或以其他方式支持用于将静息心率数据、HRV平均分数数据、恢复度量数据或其任何组合输入到分类器中的装置,其中识别满足一个或更多个偏差标准至少部分地基于静息心率数据、HRV平均分数数据、恢复度量数据或其任何组合。
在一些示例中,分类器组件1430可以被配置为或以其他方式支持用于识别在第一时间间隔与第二时间间隔之间静息心率数据的降低,在第一时间间隔和第二时间间隔之间HRV平均分数数据的减小,在第一时间间隔和第二时间间隔之间恢复度量数据的增加,或其任何组合的装置,其中识别满足一个或更多个偏差标准至少部分地基于该静息心率数据的降低、HRV平均分数数据的减小、恢复度量数据的增加或其任意组合。
在一些示例中,数据获取组件1425可以被配置为或以其他方式支持用于从可穿戴设备接收与用户相关联的生理数据的装置,该生理数据在第一时间间隔和第二时间间隔内经由可穿戴设备进行收集。在一些示例中,分类器组件1430可以被配置为或以其他方式支持用于将生理数据输入到分类器中的装置。在一些示例中,分类器组件1430可以被配置为或以其他方式支持用于将在第一和第二时间间隔内所收集的生理数据分类成第一时间间隔和第二时间间隔内的多个睡眠间隔的装置,该多个睡眠间隔中的每个睡眠间隔与醒着睡眠阶段、轻度睡眠阶段、REM睡眠阶段、或深度睡眠阶段之一相关联,其中,识别满足该一个或更多个偏差标准至少部分地基于对该生理数据进行分类。
在一些示例中,分类器组件1430可以被配置为或以其他方式支持用于识别在该第一时间间隔与该第二时间间隔之间的与该REM睡眠阶段相关联的睡眠阶段的第一持续时间的第一变化、在该第一时间间隔与该第二时间间隔之间的与该深度睡眠阶段相关联的睡眠阶段的第二持续时间的第二变化或两者的装置,其中识别满足该一个或更多个偏差标准至少部分地基于该第一变化、该第二变化或两者。
在一些示例中,用户输入组件1450可以被配置为或以其他方式支持用于经由用户设备响应于使GUI显示疾病风险度量接收用户输入的装置。在一些示例中,分类器组件1430可以被配置为或以其他方式支持用于使用用户输入来训练分类器的装置。在一些示例中,用户输入指示阳性疾病测试、疾病症状的发作、或两者。
在一些示例中,可穿戴设备包括可穿戴指环设备。在一些示例中,可穿戴设备使用基于动脉血流从用户收集HRV数据。在一些示例中,用户设备包括与用户相关联的用户设备、与和包括用户的用户组相关联的管理员相关联的用户设备、或两者。
在一些示例中,HRV数据与包括该用户的多个用户相关联,并且分类器组件1430可以被配置为或以其他方式支持用于至少部分地基于每个相应用户的HRV数据来识别与该多个用户中的每个用户相关联的疾病风险度量的装置。在一些示例中,HRV数据与包括该用户的多个用户相关联,并且用户界面组件1435可以被配置为或以其他方式支持用于使管理员用户设备的GUI显示与多个用户中的至少一个用户相关联的至少一个疾病风险度量的装置。
图15示出了根据本公开的各个方面的包括支持疾病检测技术的设备1505的系统1500的图。设备1505可以是如本文所描述的设备1505的示例或包括本文所描述的设备1505的组件。在一些实现方式中,设备1505可包括本文描述的用户设备106的示例。设备1505可以包括用于与可穿戴设备(例如,指环104)和服务器110进行双向通信的组件,诸如通信模块1510、天线1515、可穿戴应用1520、用户界面组件1525、数据库1530、存储器1535和处理器1540。这些组件可以经由一条或更多条总线(例如,总线1545)进行电子通信或以其他方式耦合(例如,可操作地、通信地、功能地、电子地、电地)。
通信模块1510可以经由天线1515管理设备1505的输入和输出信号。通信模块1510可以包括图2中示出和描述的用户设备106的通信模块220-b的示例。就这一点而言,通信模块1510可管理与指环104和服务器110的通信,如图2所示。通信模块1510还可以管理未集成到设备1505中的外围设备。在一些情况下,通信模块1510可以表示到外部外围设备的物理连接或端口。在一些情况下,通信模块1510可以利用操作系统,诸如
或另一种已知的操作系统。在其他情况下,通信模块1510可以表示可穿戴设备(例如,指环104)、调制解调器、键盘、鼠标、触摸屏或类似设备或者与其进行交互。在一些情况下,通信模块1510可以被实现为处理器1540的一部分。在一些示例中,用户可以经由通信模块1510、用户界面组件1525或经由由通信模块1510控制的硬件组件与设备1505进行交互。
在一些情况下,设备1505可以包括单个天线1515。然而,在一些其他情况下,设备1505可以具有多于一个天线1515,所述天线1515可以能够同时传送或接收多个无线传输。通信模块1510可经由一个或更多个天线1515、如本文所述的有线链路或无线链路进行双向通信。例如,通信模块1510可表示无线收发器并且可与另一无线收发器双向通信。通信模块1510还可包括调制解调器,用于调制分组、将经调制的分组提供给一个或更多个天线1515以供传输、以及解调从一个或更多个天线1515接收的分组。
用户界面组件1525可以管理数据库1530中的数据存储和处理。在一些情况下,用户可以与用户界面组件1525进行交互。在其他情况下,用户界面组件1525可自动操作而无需用户交互。数据库1530可以是单个数据库、分布式数据库、多个分布式数据库、数据存储库、数据湖或紧急备用数据库的示例。
存储器1535可以包括RAM和ROM。存储器1535可存储计算机可读计算机可执行软件,其包括指令,这些指令在被执行时使处理器1540执行本文中所描述的各种功能。在一些情况下,存储器1535可以包含基本I/O系统(BIOS)等,该基本I/O系统可以控制基本硬件或软件操作,诸如与外围组件或设备进行交互。
处理器1540可以包括智能硬件设备(例如,通用处理器、数字信号处理器(DSP)、中央处理单元(CPU)、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件、分立的门或晶体管逻辑组件、分立的硬件组件、或其任何组合)。在一些情况下,处理器1540可以被配置为使用存储器控制器来操作存储器阵列。在其他情况下,存储器控制器可以被集成到处理器1540中。处理器1540可被配置为执行存储在存储器1535中的计算机可读指令以执行各种功能(例如,支持用于睡眠分阶段算法的方法和系统的功能或任务)。
根据本文所公开的示例,可穿戴应用1520可以支持自动检测疾病。例如,可穿戴应用1520可以被配置为或以其他方式支持用于从可穿戴设备接收与用户相关联的HRV数据的装置,HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集。可穿戴应用1520可以被配置为或以其他方式支持用于将HRV数据输入到分类器中的装置。可穿戴应用1520可以被配置为或以其他方式支持用于使用分类器识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准的装置。可穿戴应用1520可以被配置为或以其他方式支持用于使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准显示与用户相关联的疾病风险度量的装置,该疾病风险度量与用户将从健康状态转变为非健康状态的相对概率相关联。
通过根据如本文描述的示例包括或配置可穿戴应用1520,设备1505可以支持用于改进的疾病检测/预测的技术。具体地,本文所描述的技术可以实现基于可以经由可穿戴设备104获取的神经系统相关的特性/参数来在症状前阶段进行疾病检测。照此,通过实现在症状前阶段进行疾病检测,本文描述的技术可以减少疾病的传播,并且降低疾病的严重性。
图16示出了根据本公开的各个方面示出了支持疾病检测技术的方法1600的流程图。方法1600的操作可由如本文中所描述的用户设备106或其组件实现。例如,方法1600的操作可以如参考图1至图15所描述的由用户设备106执行。在一些示例中,用户设备106可执行指令集以控制用户设备106的功能元件执行所描述的功能。附加地或替代地,用户设备106可使用专用硬件执行所描述功能的方面。
在1605处,该方法可以包括从可穿戴设备接收与用户相关联的HRV数据,该HRV数据在第一时间间隔和该第一时间间隔之后的第二时间间隔内经由该可穿戴设备进行收集。操作1605可以根据本文公开的示例来执行。在一些示例中,操作1605的各方面可由如参考图14所描述的数据获取组件1425执行。
在1610处,该方法可以包括将HRV数据输入到分类器中。可根据如本文所公开的示例来执行操作1610。在一些示例中,可以由如参考图14所描述的分类器组件1430来执行操作1610的各方面。
在1615处,该方法可包括使用分类器识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准。可根据如本文所公开的示例来执行操作1615。在一些示例中,可以由如参考图14所描述的分类器组件1430来执行操作1615的各方面。
在1620处,该方法可以包括使得用户设备的GUI至少部分地基于满足该一个或更多个偏差标准来显示与该用户相关联的疾病风险度量,该疾病风险度量与该用户将从健康状态转变为非健康状态的相对概率相关联。操作1620可以根据本文公开的示例来执行。在一些示例中,如参考图14所描述的,操作1620的各方面可以由用户界面组件1435执行。
图17示出了根据本公开的各个方面的示出了支持疾病检测技术的方法1700的流程图。方法1700的操作可由如本文所述的用户设备106或其组件实现。例如,方法1700的操作可以如参考图1至图15所描述的由用户设备106执行。在一些示例中,用户设备106可执行指令集以控制用户设备106的功能元件执行所描述的功能。附加地或替代地,用户设备106可使用专用硬件执行所描述功能的方面。
在1705处,该方法可以包括从可穿戴设备接收与用户相关联的HRV数据,该HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集。可以根据如本文所公开的示例来执行操作1705。在一些示例中,操作1705的各方面可由如参考图14描述的数据获取组件1425来执行。
在1710处,该方法可以包括将HRV数据输入到分类器中。可以根据如本文所公开的示例来执行操作1710。在一些示例中,可以由如参考图14所描述的分类器组件1430来执行操作1710的各方面。
在1715处,该方法可包括确定第一时间间隔的至少一部分和第二时间间隔的至少一部分内HRV数据的频率内容。可以根据如本文所公开的示例来执行操作1715。在一些示例中,可以由如参考图14所描述的分类器组件1430来执行操作1715的各方面。
在1720处,该方法可包括使用分类器识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准,其中识别满足该一个或更多个偏差标准至少部分地基于频率内容。可根据如本文所公开的示例来执行操作1720。在一些示例中,可以由如参考图14所描述的分类器组件1430来执行操作1720的各方面。
在1725处,该方法可以包括使得用户设备的GUI至少部分地基于满足该一个或更多个偏差标准来显示与该用户相关联的疾病风险度量,该疾病风险度量与该用户将从健康状态转变为非健康状态的相对概率相关联。可以根据如本文所公开的示例来执行操作1725。在一些示例中,操作1725的各方面可以由如参考图14所描述的用户界面组件1435来执行。
图18示出了根据本公开的各个方面的示出了支持疾病检测技术的方法1800的流程图。方法1800的操作可由如本文所述的用户设备106或其组件实现。例如,方法1800的操作可以如参考图1至图15所描述的由用户设备106执行。在一些示例中,用户设备106可执行指令集以控制用户设备106的功能元件执行所描述的功能。附加地或替代地,用户设备106可使用专用硬件执行所描述功能的方面。
在1805处,该方法可以包括从可穿戴设备接收与用户相关联的HRV数据,该HRV数据在第一时间间隔以及第一时间间隔之后的第二时间间隔内经由该可穿戴设备进行收集。操作1805可以根据本文公开的示例来执行。在一些示例中,操作1805的各方面可由如参考图14所描述的数据获取组件1425来执行。
在1810处,该方法可以包括至少部分地基于与用户相关联的昼夜节律来至少识别第一时间间隔的第一部分和第二时间间隔的第二部分。可根据如本文所公开的示例来执行操作1810。在一些示例中,操作1810的各方面可以由如参照图14所描述的昼夜节律组件1445来执行。
在1815处,该方法可包括识别与第一时间间隔的第一部分相对应的HRV数据的第一部分和与第二时间间隔的第二部分相对应的HRV数据的第二部分。可根据如本文所公开的示例来执行操作1815。在一些示例中,操作1815的各方面可以由如参照图14所描述的昼夜节律组件1445来执行。
在1820处,该方法可包括将HRV数据输入到分类器中,其中将HRV数据输入到分类器中包括输入HRV数据的第一部分和HRV数据的第二部分。操作1820可以根据如本文所公开的示例来执行。在一些示例中,可以由如参考图14所描述的分类器组件1430来执行操作1820的各方面。
在1825处,方法可包括使用分类器识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准。操作1825可以根据如本文所公开的示例来执行。在一些示例中,操作1825的各方面可以由如参考图14所描述的分类器组件1430来执行。
在1830处,该方法可以包括使得用户设备的GUI至少部分地基于满足该一个或更多个偏差标准来显示与该用户相关联的疾病风险度量,该疾病风险度量与该用户将从健康状态转变为非健康状态的相对概率相关联。可以根据如本文所公开的示例来执行操作1830。在一些示例中,操作1830的各方面可以由如参考图14所描述的用户界面组件1435来执行。
应注意的是,以上描述的方法描述了可能的实现方式,并且这些操作和步骤可以被重新安排或以其他方式修改,并且其他实现方式是可能的。此外,可以组合来自这些方法中的两种或更多种的方面。
描述了一种用于自动检测疾病的方法。该方法可包括:从可穿戴设备接收与用户相关联的HRV数据,HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,将HRV数据输入到分类器中,使用分类器识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了一种用于自动检测疾病的装置。该装置可包括处理器、与处理器耦合的存储器、以及存储在存储器中的指令。这些指令可由处理器执行以使该装置:从可穿戴设备接收与用户相关联的HRV数据,该HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,将HRV数据输入到分类器中,使用分类器识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了另一种用于自动检测疾病的装置。该装置可包括:用于从可穿戴设备接收与用户相关联的HRV数据的装置,该HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,用于将HRV数据输入到分类器中的装置,用于使用分类器识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准的装置,以及用于使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量的装置,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了一种存储用于自动检测疾病的代码的非暂时性计算机可读介质。代码可包括可由处理器执行以进行以下操作的指令:从可穿戴设备接收与用户相关联的HRV数据,该HRV数据在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,将HRV数据输入到分类器中,使用分类器识别在第一时间间隔内收集的HRV数据的第一子集和在第二时间间隔内收集的HRV数据的第二子集之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
本文所描述的方法、装置和非暂态计算机可读介质的一些示例可以进一步包括用于确定在第一时间间隔的至少一部分和第二时间间隔的至少一部分内HRV数据的频率内容的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于该频率内容。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,确定HRV数据的频率内容可包括用于确定HRV数据的低频内容并确定HRV数据的高频内容的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可至少部分地基于低频内容、高频内容或两者。
本文中所描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别第一时间间隔与第二时间间隔之间HRV数据的低频内容与HRV数据的高频内容之间的散度的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于识别该散度。
本文所描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于执行以下步骤的操作、特征、装置或指令:从可穿戴设备接收与用户相关联的生理数据,该生理数据在第一时间间隔和第二时间间隔内经由可穿戴设备进行收集,至少部分地基于生理数据来识别与用户相关联的多个睡眠阶段,以及识别与第一时间间隔内的多个睡眠阶段中的第一睡眠阶段相对应的HRV数据的第一部分以及与第二时间间隔内的多个睡眠阶段中的第二睡眠阶段相对应的HRV数据的第二部分,第一睡眠阶段和第二睡眠阶段包括相同类型的睡眠阶段,其中,将HRV数据输入到分类器中包括输入HRV数据的第一部分和HRV数据的第二部分。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于至少部分地基于与用户相关联的昼夜节律至少识别第一时间间隔的第一部分和第二时间间隔的第二部分以及识别与第一时间间隔的第一部分相对应的HRV数据的第一部分和与第二时间间隔的第二部分相对应的HRV数据的第二部分的操作、特征、装置或指令,其中将HRV数据输入到分类器包括输入HRV数据的第一部分和HRV数据的第二部分。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可进一步包括用于识别与HRV数据相关联的RMSSD度量的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可至少部分地基于RMSSD度量。
本文所描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于执行以下步骤的操作、特征、装置或指令:从可穿戴设备接收与用户相关联的生理数据,该生理数据在第一时间间隔和第二时间间隔内经由可穿戴设备进行收集,至少部分地基于生理数据来识别静息心率数据、HRV平均分数数据、恢复度量数据或其任何组合,以及将静息心率数据、HRV平均分数数据、恢复度量数据或其任何组合输入到分类器中,其中识别满足一个或更多个偏差标准可以至少部分地基于静息心率数据、HRV平均分数数据、恢复度量数据或其任意组合。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别在第一时间间隔与第二时间间隔之间静息心率数据的减小、在第一时间间隔和第二时间间隔之间HRV平均分数数据的减小、在第一时间间隔和第二时间间隔之间恢复度量数据的增加、或其任何组合的操作、特征、装置、或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于静息心率数据的减小、HRV平均分数数据的减小、恢复度量数据的增加或其任意组合。
本文所描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于执行以下步骤的操作、特征、装置或指令:从可穿戴设备接收与用户相关联的生理数据,该生理数据在第一时间间隔和第二时间间隔内经由可穿戴设备进行收集,将生理数据输入到分类器中,以及将在第一时间间隔和第二时间间隔内收集的生理数据分类成第一时间间隔和第二时间间隔内的多个睡眠间隔,该多个睡眠间隔中的每个睡眠间隔与醒着睡眠阶段、轻度睡眠阶段、REM睡眠阶段、或深度睡眠阶段之一相关联,其中识别满足一个或更多个偏差标准可以至少部分地基于对生理数据进行分类。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可进一步包括用于识别在第一时间间隔与第二时间间隔之间与REM睡眠阶段相关联的睡眠阶段的第一持续时间的第一变化、在第一时间间隔与第二时间间隔之间与深度睡眠阶段相关联的睡眠阶段的第二持续时间的第二变化、或者两者的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于第一变化、第二变化、或两者。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于响应于使GUI显示疾病风险度量而经由该用户设备接收用户输入并且使用该用户输入来训练分类器的操作、特征、装置、或指令。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,用户输入指示阳性疾病测试、疾病症状的发作、或两者。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于至少部分地基于HRV数据来识别与用户相关联的呼吸速率数据并且将呼吸速率数据输入到分类器中的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于呼吸速率数据。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,可穿戴设备包括可穿戴指环设备。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,可穿戴设备使用基于动脉血流从用户收集HRV数据。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,用户设备包括与用户相关联的用户设备、与和包括用户的用户组相关联的管理员相关联的用户设备、或两者。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,HRV数据可与包括该用户的多个用户相关联,该方法、装置和非暂时性计算机可读介质可进一步包括用于执行以下步骤的操作、特征、装置、或指令:使用分类器至少部分地基于多个用户中的每个用户的HRV数据来识别与每个相应用户相关联的疾病风险度量;以及使管理员用户设备的GUI显示与该多个用户中的至少一个用户相关联的至少一个疾病风险度量。
描述了一种用于自动检测疾病的方法。该方法可以包括:从可穿戴设备接收与用户相关联的温度数据,该温度数据在第一时间间隔内经由可穿戴设备进行收集;至少部分地基于在第一时间间隔内收集的温度数据来识别与用户相关联的基线温度数据,从可穿戴设备接收与用户相关联的附加温度数据,该附加温度数据在第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,将基线温度数据和附加温度数据输入到分类器中,使用分类器识别基线温度数据与附加温度数据之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了一种用于自动检测疾病的装置。该装置可包括处理器、与处理器耦合的存储器、以及存储在存储器中的指令。这些指令可以由处理器执行以使得该装置:从可穿戴设备接收与用户相关联的温度数据,该温度数据在第一时间间隔内经由可穿戴设备进行收集,至少部分地基于在第一时间间隔内收集的温度数据来识别与用户相关联的基线温度数据,从可穿戴设备接收与用户相关联的附加温度数据,该附加温度数据在第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,将基线温度数据和附加温度数据输入到分类器中,使用分类器来识别基线温度数据与附加温度数据之间满足一个或更多个偏差标准,以及至少部分地基于满足一个或更多个偏差标准来使得用户设备的GUI显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了用于自动检测疾病的另一种装置。该装置可以包括:用于从可穿戴设备接收与用户相关联的温度数据的装置,该温度数据在第一时间间隔内经由可穿戴设备进行收集;用于至少部分地基于在第一时间间隔内收集的温度数据来识别与用户相关联的基线温度数据的装置,用于从可穿戴设备接收与用户相关联的附加温度数据的装置,该附加温度数据在第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集;用于将基线温度数据和附加温度数据输入到分类器中的装置,用于使用分类器来识别基线温度数据与附加温度数据之间满足一个或更多个偏差标准的装置,以及用于使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量的装置,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了一种存储用于自动检测疾病的代码的非暂时性计算机可读介质。代码可以包括可由处理器执行以进行以下操作的指令:从可穿戴设备接收与用户相关联的温度数据,该温度数据在第一时间间隔内经由可穿戴设备进行收集,至少部分地基于在第一时间间隔内收集的温度数据来识别与用户相关联的基线温度数据,从可穿戴设备接收与用户相关联的附加温度数据,该附加温度数据在第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,将基线温度数据和附加温度数据输入到分类器中,使用分类器来识别基线温度数据与附加温度数据之间满足一个或更多个偏差标准,以及至少部分地基于满足一个或更多个偏差标准来使得用户设备的GUI显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于执行以下步骤的操作、特征、装置、或指令:识别与用户相关联的基线温度数据的基线频率内容、识别附加温度数据的附加频率内容、以及将基线频率内容和附加频率内容输入到分类器中,其中识别满足一个或更多个偏差标准可以至少部分地基于基线频率内容和附加频率内容。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于在第一时间间隔内的至少第一天的基线温度数据内识别第一高白天温度范围并且在第二时间间隔内的至少第二天的附加温度数据内识别第二高白天温度范围的操作、特征、装置、或指令,其中该第一和第二高白天温度范围可以分别大于或等于在该第一和第二天内从该用户收集的温度读数的百分位阈值,其中识别满足一个或更多个偏差标准可以至少部分地基于第一高白天温度范围、第二高白天温度范围、或者两者。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,识别满足一个或更多个偏差标准可以包括用于识别第一高白天温度范围与第二高白天温度范围之间的变化超过温度变化阈值的操作、特征、装置或指令。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于在第一时间间隔内的至少第一天的基线温度数据内识别第一低白天温度范围和在第二时间间隔内的至少第二天的附加温度数据内识别第二低白天温度范围的操作、特征、装置或指令,其中该第一和第二低白天温度范围可以分别小于或等于在第一和第二天内从该用户收集的温度读数的百分位阈值,其中识别满足一个或更多个偏差标准可以至少部分地基于第一低白天温度范围、第二低白天温度范围、或者两者。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,识别满足一个或更多个偏差标准可以包括用于识别第一低白天温度范围与第二低白天温度范围之间的变化超过温度变化阈值的操作、特征、装置或指令。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别基线温度数据的第一子集和识别附加温度数据的第二子集的操作、特征、装置或指令,该第一子集是由可穿戴设备在第一时间间隔内的每天的白天间隔内收集的,该第二子集是由可穿戴设备在第二时间间隔内的每天的白天间隔内收集的,其中将温度数据输入到分类器中包括将基线温度数据的第一子集和附加温度数据的第二子集输入到分类器中。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于至少部分地基于与用户相关联的位置信息、日出日落日历、与用户相关联的所识别的就寝时间、与用户相关联的所识别的醒来时间、或其任意组合来识别白天间隔的操作、特征、装置、或指令。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别在第一时间间隔的至少一部分和第二时间间隔的至少一部分内的与用户相关联的位置信息并且将该位置信息输入到该分类器中的操作、特征、装置或指令,其中该分类器可以被配置为至少部分地基于该位置信息来识别满足一个或更多个偏差标准。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于至少部分地基于位置信息识别与用户的地理位置相关联的环境温度数据并且将环境温度数据输入到分类器中的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于环境温度数据。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别气候数据、一年中的时间、或两者的操作、特征、装置、或指令,其中识别环境温度数据可以至少部分地基于气候数据、一年中的时间、或两者。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,识别位置信息可以包括用于从用户设备接收位置信息的指示的操作、特征、装置或指令。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,位置信息包括用户的地理位置、用户的纬度、或两者。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于使用分类器至少部分地基于位置信息来识别与附加温度数据相关联的一个或更多个预测权重的操作、特征、装置、或指令,该一个或更多个预测权重与用于检测疾病的相对预测准确度相关联,其中识别满足一个或更多个偏差标准可以至少部分地基于一个或更多个预测权重。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于执行以下步骤的操作、特征、装置或指令:使用分类器至少部分地基于一个或更多个预测权重对附加温度数据进行加权以生成加权温度数据,从可穿戴设备接收与用户相关联的附加生理数据,该附加生理数据在第一时间间隔和第二时间间隔内经由可穿戴设备进行收集,以及将附加生理数据输入到分类器中,其中识别满足一个或更多个偏差标准可以至少部分地基于加权温度数据、附加生理数据或其组合。
在本文描述的方法、装置和非暂时性计算机可读介质的一些示例中,接收第一时间间隔内的温度数据可以包括用于根据第一时间间隔的多天中的每一天内的温度收集周期性来接收与用户相关联的多个温度读数的操作、特征、装置、或指令。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,可穿戴设备包括可穿戴指环设备。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,可穿戴设备基于动脉血流从用户收集生理数据。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,用户设备包括与用户相关联的用户设备、与和包括用户的用户组相关联的管理员相关联的用户设备、或两者。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,温度数据和附加温度数据可以与包括该用户的多个用户相关联,并且方法、装置和非暂时性计算机可读介质可以进一步包括用于执行以下步骤的操作、特征、装置、或指令:至少部分地基于所接收的温度数据来识别与多个用户中的每个用户相关联的基线温度数据,将多个用户中的每个用户的基线温度数据输入到分类器中,使用分类器至少部分地基于每个相应用户的基线温度数据来识别与多个用户中的每个用户相关联的疾病风险度量,以及使管理员用户设备的GUI显示与多个用户中的至少一个用户相关联的至少一个疾病风险度量。
描述了一种用于自动检测疾病的方法。该方法可以包括:从可穿戴设备接收与用户相关联的生理数据,该生理数据在第一时间间隔以及第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,至少部分地基于所接收的生理数据来识别在第一时间间隔的至少一部分和第二时间间隔的至少一部分内的与用户相关联的身体活动数据、睡眠数据或两者,将身体活动数据、睡眠数据或两者输入到分类器中,使用分类器来识别在第一时间间隔内收集的身体活动数据的第一子集、睡眠数据的第一子集或两者与在第二时间间隔内收集的身体活动数据的相应第二子集、睡眠数据的相应第二子集或两者之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的概率相关联。
描述了一种用于自动检测疾病的装置。该装置可包括处理器、与处理器耦合的存储器、以及存储在存储器中的指令。这些指令可以由处理器执行以使该装置:从可穿戴设备接收与用户相关联的生理数据,该生理数据在第一时间间隔以及第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,至少部分地基于所接收的生理数据来识别在第一时间间隔的至少一部分和第二时间间隔的至少一部分内的与用户相关联的身体活动数据、睡眠数据或两者,将身体活动数据、睡眠数据或两者输入到分类器中,使用分类器来识别在第一时间间隔内收集的身体活动数据的第一子集、睡眠数据的第一子集或两者与在第二时间间隔内收集的身体活动数据的相应第二子集、睡眠数据的相应第二子集或两者之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的概率相关联。
描述了用于自动检测疾病的另一种装置。这些装置可以包括:用于从可穿戴设备接收与用户相关联的生理数据的装置,该生理数据在第一时间间隔以及第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,用于至少部分地基于所接收的生理数据来识别在第一时间间隔的至少一部分和第二时间间隔的至少一部分内的与用户相关联的身体活动数据、睡眠数据或两者的装置,用于将身体活动数据、睡眠数据或两者输入到分类器中的装置,用于使用分类器来识别在第一时间间隔内收集的身体活动数据的第一子集、睡眠数据的第一子集或两者与在第二时间间隔内收集的身体活动数据的相应第二子集、睡眠数据的相应第二子集或两者之间满足一个或更多个偏差标准的装置,以及用于使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准显示与用户相关联的疾病风险度量的装置,该疾病风险度量与用户将从健康状态转变到非健康状态的概率相关联。
描述了一种存储用于自动检测疾病的代码的非暂时性计算机可读介质。代码可以包括可由处理器执行以进行以下操作的指令:从可穿戴设备接收与用户相关联的生理数据,该生理数据在第一时间间隔以及第一时间间隔之后的第二时间间隔内经由可穿戴设备进行收集,至少部分地基于所接收的生理数据来识别在第一时间间隔的至少一部分和第二时间间隔的至少一部分内的与用户相关联的身体活动数据、睡眠数据或两者,将身体活动数据、睡眠数据或两者输入到分类器中,使用分类器来识别在第一时间间隔内收集的身体活动数据的第一子集、睡眠数据的第一子集或两者与在第二时间间隔内收集的身体活动数据的相应第二子集、睡眠数据的相应第二子集或两者之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的概率相关联。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于至少部分地基于第一时间间隔与第二时间间隔之间的与用户相关联的身体活动数据、能量消耗的减少或两者来识别在该第一时间间隔与该第二时间间隔之间与该用户相关联的身体活动的减少的操作、特征、装置、或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于身体活动的减少、能量消耗的减少、或两者。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于至少部分地基于第一时间间隔与第二时间间隔之间的与用户相关联的身体活动数据、身体活动的一致性的降低或两者来识别在该第一时间间隔与该第二时间间隔之间与该用户相关联的身体活动的持续时间的减少的操作、特征、装置、或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于身体活动的持续时间的降低、身体活动的一致性的降低、或两者。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于执行以下步骤的操作、特征、装置、或指令:从可穿戴设备接收与用户相关联的附加生理数据,该附加生理数据在第一时间间隔的至少一部分之前的第三时间间隔内经由可穿戴设备进行收集,至少部分地基于附加生理数据来识别与用户相关联的用户活动度量,以及基于用户活动度量识别与身体活动数据、睡眠数据或两者相关联的一个或更多个预测权重,该一个或更多个预测权重与用于检测疾病的相对预测准确度相关联,其中识别满足一个或更多个偏差标准可至少部分地基于一个或更多个预测权重。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别与用户的活动模式、用户的睡眠模式、或两者相关联的模式调整模型并且将该模式调整模型输入到该分类器中的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于该模式调整模型。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,该模式调整模型包括每周模式调整模型、季节模式调整模型、每年模式调整模型、或其任何组合。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,识别模式调整模型可以包括用于执行以下步骤的操作、特征、装置或指令:从可穿戴设备接收与用户相关联的附加生理数据,该附加生理数据在第一时间间隔的至少一部分之前的第三时间间隔内经由可穿戴设备进行收集,以及至少部分地基于附加生理数据生成模式调整模型。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于分别基于活动模式和睡眠模式来识别与身体活动数据、睡眠数据、或两者相关联的一个或更多个预测权重的操作、特征、装置、或指令,该一个或更多个预测权重与用于检测疾病的相对预测准确度相关联,其中识别满足一个或更多个偏差标准可以至少部分地基于一个或更多个预测权重。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别在第一时间间隔期间收集的睡眠数据的第一部分与在第二时间间隔期间收集的睡眠数据的第二部分之间的一个或更多个变化满足一个或更多个阈值的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于该一个或更多个变化。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,该一个或更多个变化包括用户的就寝时间的变化、用户的醒来时间的变化、用户的睡眠持续时间的变化、用户的睡眠等待时间的变化、用户的床时间的一致性的变化、用户的醒来时间的一致性的变化、或其任何组合。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别与用户相关联的依从数据和识别依从数据的变化的操作、特征、装置或指令,该依从数据与用户佩戴可穿戴设备的频率相关联,其中识别满足一个或更多个偏差标准、使得用户设备的GUI显示疾病风险度量、或两者可以至少部分地基于识别依从数据的变化。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,该可穿戴设备包括可穿戴指环设备。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,可穿戴设备基于动脉血流从用户收集生理数据。
在本文描述的方法、装置和非暂时性计算机可读介质的一些示例中,该用户设备包括与用户相关联的用户设备、与和包括该用户的用户组相关联的管理员相关联的用户设备、或两者。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,生理数据可以与包括该用户的多个用户相关联,方法、装置和非暂时性计算机可读介质可以包括用于执行以下步骤的进一步操作、特征、装置、或指令:至少部分地基于所接收的生理数据来识别与多个用户中的每个用户相关联的身体活动数据、睡眠数据或两者,将针对多个用户中的每个用户的身体活动数据、睡眠数据或两者输入至分类器中,使用分类器至少部分地基于多个用户中的每个用户的身体活动数据、睡眠数据或两者来识别与多个用户中的每个用户相关联的疾病风险度量,以及使管理员用户设备的GUI显示与多个用户中的至少一个用户相关联的至少一个疾病风险度量。
描述了一种用于自动检测疾病的方法。该方法可以包括:识别与用户的月经周期相关联的月经周期模型,从可穿戴设备接收与用户相关联的生理数据,该生理数据至少包括在第一时间间隔和第一时间间隔之后的第二时间间隔内经由可穿戴设备收集的温度数据,将生理数据和月经周期模型输入到分类器中,使用分类器并且至少部分地基于月经周期模型来识别在第一时间间隔内收集的温度数据的第一子集和在第二时间间隔内收集的温度数据的第二子集之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了一种用于自动检测疾病的装置。该装置可包括处理器、与处理器耦合的存储器、以及存储在存储器中的指令。指令可由处理器执行以使该装置:识别与用户的月经周期相关联的月经周期模型,从可穿戴设备接收与用户相关联的生理数据,该生理数据至少包括在第一时间间隔以及第一时间间隔之后的第二时间间隔内经由可穿戴设备收集的温度数据,将生理数据和月经周期模型输入到分类器中,使用分类器并且至少部分地基于月经周期模型识别在第一时间间隔内收集的温度数据的第一子集和在第二时间间隔内收集的温度数据的第二子集之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了用于自动检测疾病的另一种装置。该装置可以包括:用于识别与用户的月经周期相关联的月经周期模型的装置;用于从可穿戴设备接收与用户相关联的生理数据的装置,该生理数据至少包括在第一时间间隔以及第一时间间隔之后的第二时间间隔内经由可穿戴设备收集的温度数据;用于将生理数据和月经周期模型输入到分类器中的装置,用于使用分类器并且至少部分地基于月经周期模型来识别在第一时间间隔内收集的温度数据的第一子集和在第二时间间隔内收集的温度数据的第二子集之间满足一个或更多个偏差标准的装置,以及用于使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量的装置,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
描述了一种存储用于自动检测疾病的代码的非暂时性计算机可读介质。代码可包括可由处理器执行以进行以下操作的指令:识别与用户的月经周期相关联的月经周期模型;从可穿戴设备接收与用户相关联的生理数据,该生理数据至少包括在第一时间间隔以及第一时间间隔之后的第二时间间隔内经由可穿戴设备收集的温度数据,将生理数据和月经周期模型输入到分类器中,使用分类器并且至少部分地基于月经周期模型识别在第一时间间隔内收集的温度数据的第一子集和在第二时间间隔内收集的温度数据的第二子集之间满足一个或更多个偏差标准,以及使得用户设备的GUI至少部分地基于满足一个或更多个偏差标准来显示与用户相关联的疾病风险度量,该疾病风险度量与用户将从健康状态转变到非健康状态的相对概率相关联。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于经由用户设备接收与月经周期的月经期的开始、月经周期的月经期的结束、月经周期的排卵期、或其任何组合相关联的一个或更多个用户输入以及至少部分地基于该一个或更多个用户输入生成月经周期模型的操作、特征、装置、或指令。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于执行以下步骤的操作、特征、装置或指令:从可穿戴设备接收与用户相关联的附加生理数据,该附加生理数据在第一时间间隔的至少一部分之前的第三时间间隔内经由可穿戴设备进行收集,至少部分地基于附加生理数据来识别与用户的月经周期相关联的一个或更多个特性,以及至少部分地基于一个或更多个识别的特性生成月经周期模型。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于执行以下步骤的操作、特征、装置或指令:使得用户设备的GUI至少部分地基于识别一个或更多个特性来显示与用户的月经周期相关联的提示,以及响应于该提示经由用户设备接收一个或更多个用户输入,其中生成月经周期模型可以至少部分地基于一个或更多个用户输入。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,该一个或更多个特性包括月经周期的月经期的开始、月经周期的月经期的结束、月经周期的排卵期、整个月经周期的温度读数、或其任何组合。
在本文描述的方法、装置和非暂时性计算机可读介质的一些示例中,识别与月经周期相关联的一个或更多个特性可以包括用于至少部分地基于附加生理数据来识别满足温度阈值的多个温度读数的操作、特征、装置或指令,其中该多个温度读数中的每个温度读数对应于该月经周期的月经期、该月经周期的黄体期、该月经周期的卵泡期、或其任何组合。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于识别与月经周期相关联的月经周期持续时间阈值的操作、特征、装置或指令,该月经周期持续时间阈值与相对于先前月经期的该月经期的估计定时、相对于先前黄体期的该黄体期的估计定时、相对于先前卵泡期的该卵泡期的估计定时、或其任何组合相关联,其中该多个月经期中的每个月经期可以至少部分地基于该月经周期持续时间阈值来识别。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于使用分类器至少部分地基于月经周期模型来识别与温度数据相关联的一个或更多个预测权重的操作、特征、装置或指令,该一个或更多个预测权重与用于检测疾病的相对预测准确度相关联,其中识别满足一个或更多个偏差标准可以至少部分地基于该一个或更多个预测权重。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于使用分类器至少部分地基于一个或更多个预测权重对温度数据进行加权以生成加权温度数据的操作、特征、装置或指令,其中识别满足一个或更多个偏差标准可以至少部分地基于加权温度数据。
描述了一种用于自动疾病检测的方法。该方法可以包括:接收与一个或更多个用户相关联的生理数据,该生理数据是经由与相应的一个或更多个用户相关联的一个或更多个可穿戴设备连续地收集的;至少部分地基于经由一个或更多个可穿戴设备中的相应可穿戴设备从每个相应用户连续地收集的生理数据的第一子集来识别一个或更多个用户中的每个用户的基线生理数据,将一个或更多个用户中的每个用户的生理数据的第二子集和基线生理数据输入到分类器中,使用分类器至少部分地基于与每个相应用户相关联的生理数据的第二子集和基线生理数据来识别与一个或更多个用户中的每个用户相关联的疾病风险度量,以及使管理员用户设备的GUI显示与一个或更多个用户中的至少一个用户相关联的至少一个疾病风险度量,该至少一个疾病风险度量与至少一个用户将从健康状态转变到非健康状态的相对概率相关联。
描述了一种用于自动疾病检测的装置。该装置可包括处理器、与处理器耦合的存储器、以及存储在存储器中的指令。这些指令可以由处理器执行以使该装置接收与一个或更多个用户相关联的生理数据,该生理数据是经由与相应的一个或更多个用户相关联的一个或更多个可穿戴设备连续地收集的,至少部分地基于经由一个或更多个可穿戴设备中的相应可穿戴设备从每个相应用户连续地收集的生理数据的第一子集来识别一个或更多个用户中的每个用户的基线生理数据,将一个或更多个用户中的每个用户的生理数据的第二子集和基线生理数据输入到分类器中,使用分类器至少部分地基于与每个相应用户相关联的生理数据的第二子集和基线生理数据来识别与一个或更多个用户中的每个用户相关联的疾病风险度量,以及使得管理员用户设备的GUI显示与一个或更多个用户中的至少一个用户相关联的至少一个疾病风险度量,该至少一个疾病风险度量与至少一个用户将从健康状态转变到非健康状态的相对概率相关联。
描述了用于自动疾病检测的另一种装置。该装置可以包括:用于接收与一个或更多个用户相关联的生理数据的装置,该生理数据是经由与相应的一个或更多个用户相关联的一个或更多个可穿戴设备连续地收集的;用于至少部分地基于经由一个或更多个可穿戴设备中的相应可穿戴设备从每个相应用户连续地收集的生理数据的第一子集来识别一个或更多个用户中的每个用户的基线生理数据的装置,用于将一个或更多个用户中的每个用户的生理数据的第二子集和基线生理数据输入到分类器中的装置,用于使用分类器至少部分地基于与每个相应用户相关联的生理数据的第二子集和基线生理数据来识别与一个或更多个用户中的每个用户相关联的疾病风险度量的装置,以及用于使得管理员用户设备的GUI显示与一个或更多个用户中的至少一个用户相关联的至少一个疾病风险度量的装置,该至少一个疾病风险度量与至少一个用户将从健康状态转变到非健康状态的相对概率相关联。
描述了一种存储用于自动疾病检测的代码的非暂时性计算机可读介质。代码可包括可由处理器执行以接收与一个或更多个用户相关联的生理数据的指令,该生理数据是经由与相应的一个或更多个用户相关联的一个或更多个可穿戴设备连续地收集的,至少部分地基于经由一个或更多个可穿戴设备中的相应可穿戴设备从每个相应用户连续地收集的生理数据的第一子集来识别一个或更多个用户中的每个用户的基线生理数据,将一个或更多个用户中的每个用户的生理数据的第二子集和基线生理数据输入到分类器中,使用分类器至少部分地基于与每个相应用户相关联的生理数据的第二子集和基线生理数据来识别与一个或更多个用户中的每个用户相关联的疾病风险度量,以及使得管理员用户设备的GUI显示与一个或更多个用户中的至少一个用户相关联的至少一个疾病风险度量,该至少一个疾病风险度量与至少一个用户将从健康状态转变到非健康状态的相对概率相关联。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于使管理员用户设备的GUI显示与一个或更多个用户相关联的一个或更多个疾病风险度量的操作、特征、装置或指令,其中一个或更多个疾病风险度量的顺序可以至少部分地基于对一个或更多个疾病风险度量的比较。
本文所描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于使与至少一个用户相关联的用户设备的GUI至少部分地基于至少一个疾病风险度量来显示一个或更多个通知的操作、特征、装置或指令。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,一个或更多个通知包括安排医生预约的推荐、呆在家的推荐、通过休息或保湿为潜在疾病做准备的推荐、或其任何组合。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,识别与一个或更多个用户中的每个用户相关联的疾病风险度量可以包括用于至少部分地基于与一个或更多个用户中的第一用户相关联的生理数据的第一子集来识别与该第一用户相关联的第一疾病风险度量,以及至少部分地基于第一疾病风险度量并且至少部分地基于第一用户和第二用户之间的潜在接触来选择性地修改与第二用户相关联的第二疾病风险度量的操作、特征、装置或指令。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于使与至少一个用户相关联的用户设备的GUI显示通知的操作、特征、装置或指令,该通知指示至少一个疾病风险度量的一个或更多个贡献因素。
本文描述的方法、装置和非暂时性计算机可读介质的一些示例可以进一步包括用于经由管理员用户设备接收与疾病风险度量相关联的一个或更多个用户输入的操作、特征、装置、或指令,其中识别疾病风险度量、使管理员用户设备显示至少一个疾病风险度量、或两者可以至少部分地基于一个或更多个用户输入。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,一个或更多个用户输入包括用于识别疾病风险度量的第一阈值、用于向管理员用户设备报告疾病风险度量的第二阈值、或两者。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,管理员用户设备可以与以下各项相关联:与一个或更多个用户相关联的组织的管理员、与一个或更多个用户相关联的医疗保健专业人员、与一个或更多个用户相关联的雇主、与一个或更多个用户相关联的管理员、与一个或更多个用户相关联的教练、或其任何组合。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,生理数据包括至少一个用户的HRV数据,方法、装置和非暂时性计算机可读介质可包括用于执行以下步骤的进一步操作、特征、装置或指令:将基线HRV数据和参考时间间隔之后的第二时间间隔内收集的HRV数据的第二子集输入到分类器中,以及使用分类器识别在HRV数据的第二子集与基线HRV数据之间满足一个或更多个偏差标准,其中识别至少一个用户的疾病风险度量可至少部分地基于满足一个或更多个偏差标准。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,生理数据包括至少一个用户的温度数据,方法、装置和非暂时性计算机可读介质可以进一步包括用于执行以下步骤的操作、特征、装置、或指令:将基线温度数据和在参考时间间隔之后的第二时间间隔内收集的温度数据的第二子集输入到分类器中,以及使用分类器识别在温度数据的第二子集与基线温度数据之间满足一个或更多个偏差标准,其中识别与至少一个用户相关联的疾病风险度量可以至少部分地基于满足一个或更多个偏差标准。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,方法、装置和非暂时性计算机可读介质可以进一步包括用于执行以下步骤的操作、特征、装置、或指令:至少部分地基于生理数据来识别与至少一个用户相关联的身体活动数据、睡眠数据或两者,至少部分地基于在参考时间间隔内收集的身体活动数据的第一子集和在参考时间间隔内收集的睡眠数据的第一子集分别识别至少一个用户的基线身体活动数据、至少一个用户的基线睡眠数据、或两者,将基线身体活动数据、基线睡眠数据或两者输入到分类器中,将在参考时间间隔之后的第二时间间隔内收集的身体活动数据的第二子集、在第二时间间隔内收集的睡眠数据的第二子集或两者输入到分类器中,使用分类器识别在基线身体活动数据与身体活动数据的第二子集之间、在基线睡眠数据与睡眠数据的第二子集之间、或两者满足一个或更多个偏差标准,以及使用分类器至少部分地基于满足一个或更多个偏差标准来识别至少一个用户的疾病风险度量。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,方法、装置和非暂时性计算机可读介质可以进一步包括用于执行以下步骤的操作、特征、装置或指令:识别与至少一个用户的月经周期相关联的月经周期模型;将月经周期模型输入到分类器中;以及使用分类器至少部分地基于月经周期模型和生理数据的第二子集来识别与至少一个用户相关联的至少一个疾病风险度量。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,一个或更多个可穿戴设备中的至少一个可穿戴设备包括可穿戴指环设备。
在本文所描述的方法、装置和非暂时性计算机可读介质的一些示例中,一个或更多个可穿戴设备中的至少一个可穿戴设备基于动脉血流从相应用户收集生理数据。
本文结合附图阐述的描述描述了示例配置,并且不表示可以实现或在权利要求的范围内的所有示例。本文中使用的术语“示例性的”是指“用作示例、实例或例证”,而不是“优选的”或“优于其他示例”。具体实施方式包括出于提供对所描述的技术的理解的目的的具体细节。然而,这些技术可以在没有这些具体细节的情况下实践。在一些实例中,公知的结构和设备以框图形式示出,以避免模糊所描述示例的概念。
在附图中,类似的组件或特征可以具有相同的参考标记。此外,相同类型的各个组件可以通过在参考标记后面跟随短划线和区别类似组件的第二标记来区分。如果在说明书中仅使用第一参考标记,那么描述适用于具有相同第一参考标记的相似组件中的任一个,而不考虑第二参考标记。
可以使用多种不同技术和手段中的任一种来表示本文所描述的信息和信号。例如,可通过电压、电流、电磁波、磁场或磁粒子、光场或光粒子或其任何组合来表示可在以上描述中参考的数据、指令、命令、信息、信号、位、符号和码片(chip)。
结合本文中的本公开所描述的不同说明性框和模块可以用通用处理器、DSP、ASIC、FPGA或其他可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或被设计成执行本文中所描述的功能的其任何组合来实现或执行。通用处理器可以是微处理器,但是在替代方案中,该处理器可以是任何常规处理器、控制器、微控制器、或状态机。处理器还可实现为计算设备的组合(例如,DSP与微处理器的组合、多个微处理器、结合DSP核心的一个或更多个微处理器,或任何其他此类配置)。
本文描述的功能可以以硬件、由处理器执行的软件、固件、或其任何组合来实现。如果以由处理器执行的软件实现,那么功能可作为一个或更多个指令或代码存储在计算机可读介质上或在计算机可读介质上传送。其他示例和实现方式在本公开和所附权利要求的范围内。例如,由于软件的性质,可以使用由处理器执行的软件、硬件、固件、硬连线、或者这些中的任何的组合来实现上述功能。实现功能的特征也可以物理地位于各种位置,包括是分布式的,以使得功能的各部分在不同的物理位置实现。此外,如本文所使用的,包括在权利要求书中,如在项目列表(例如,以诸如“中的至少一个”或“中的一个或更多个”的短语开始的项目列表)中使用的“或”指示包含性列表,使得例如,A、B或C中的至少一个的列表意味着A或B或C或AB或AC或BC或ABC(即,A和B和C)。而且,如本文所使用的,短语“基于”不应被解释为引用一组封闭条件。例如,在不背离本公开的范围的情况下,描述为“基于条件A”的示例性步骤可基于条件A和条件B两者。换言之,如本文所使用的,短语“基于”应当以与短语“至少部分地基于”相同的方式来解释。
计算机可读介质包括非暂时性计算机存储介质和通信介质两者,这些通信介质包括促进将计算机程序从一个地方转移至另一个地方的任何介质。非暂时性存储介质可以为可由通用或专用计算机访问的任何可用介质。作为示例而非限制,非暂时性计算机可读介质可包括RAM、ROM、电可擦除可编程ROM(EEPROM)、压缩盘(CD)ROM或其他光盘存储、磁盘存储或其他磁存储设备、或可用于携带或存储指令或数据结构形式的期望程序代码装置并且可由通用或专用计算机、或通用或专用处理器访问的任何其他非暂时性介质。而且,任何连接被适当地称为计算机可读介质。例如,如果使用同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或诸如红外、无线电和微波之类的无线技术从网站、服务器或其他远程源传送软件,则同轴电缆、光纤电缆、双绞线、DSL或诸如红外、无线电和微波之类的无线技术被包括在介质的定义中。如本文中所使用的磁盘和光盘包括CD、激光光盘、光学光盘、数字多功能盘(DVD)、软盘和蓝光光盘,其中磁盘通常磁性地再现数据,而光盘使用激光来光学地再现数据。上述的组合也包括在计算机可读介质的范围内。
提供本文的描述以使本领域技术人员能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说将是显而易见的,并且本文中定义的一般原理可应用于其他变型而不背离本公开的范围。由此,本公开不限于本文描述的示例和设计,而是要符合与本文公开的原理和新颖特征一致的最广范围。
Claims (20)
1.一种用于自动检测疾病的方法,包括:
从可穿戴设备接收与用户相关联的心率变化性数据,所述心率变化性数据在第一时间间隔以及所述第一时间间隔之后的第二时间间隔内经由所述可穿戴设备收集;
将所述心率变化性数据输入到分类器中;
使用所述分类器识别在所述第一时间间隔内收集的所述心率变化性数据的第一子集和在所述第二时间间隔内收集的所述心率变化性数据的第二子集之间满足一个或更多个偏差标准;以及
使得用户设备的图形用户界面至少部分地基于满足所述一个或更多个偏差标准来显示与所述用户相关联的疾病风险度量,所述疾病风险度量与所述用户将从健康状态转变到非健康状态的相对概率相关联。
2.根据权利要求1所述的方法,进一步包括:
确定所述第一时间间隔的至少一部分内和所述第二时间间隔的至少一部分内所述心率变化性数据的频率内容,其中识别满足所述一个或更多个偏差标准至少部分地基于所述频率内容。
3.根据权利要求2所述的方法,其中确定所述心率变化性数据的所述频率内容包括:
确定所述心率变化性数据的低频内容;
确定所述心率变化性数据的高频内容,其中识别满足所述一个或更多个偏差标准至少部分地基于所述低频内容、所述高频内容或两者。
4.根据权利要求3所述的方法,进一步包括:
识别所述第一时间间隔和所述第二时间间隔之间所述心率变化性数据的低频内容和所述心率变化性数据的高频内容之间的散度,其中识别满足所述一个或更多个偏差标准至少部分地基于识别所述散度。
5.根据权利要求1所述的方法,进一步包括:
从所述可穿戴设备接收与所述用户相关联的生理数据,所述生理数据在所述第一时间间隔和所述第二时间间隔内经由所述可穿戴设备收集;
至少部分地基于所述生理数据来识别与所述用户相关联的多个睡眠阶段;以及
识别与所述第一时间间隔内的所述多个睡眠阶段中的第一睡眠阶段相对应的所述心率变化性数据的第一部分,以及与所述第二时间间隔内的所述多个睡眠阶段中的第二睡眠阶段相对应的所述心率变化性数据的第二部分,所述第一睡眠阶段和所述第二睡眠阶段包括相同类型的睡眠阶段,其中将所述心率变化性数据输入到所述分类器中包括:输入所述心率变化性数据的第一部分和所述心率变化性数据的第二部分。
6.根据权利要求1所述的方法,进一步包括:
至少部分地基于与所述用户相关联的昼夜节律,至少识别所述第一时间间隔的第一部分和所述第二时间间隔的第二部分;
识别与所述第一时间间隔的第一部分相对应的所述心率变化性数据的第一部分,以及与所述第二时间间隔的第二部分相对应的所述心率变化性数据的第二部分,其中将所述心率变化性数据输入到所述分类器中包括:输入所述心率变化性数据的第一部分和所述心率变化性数据的第二部分。
7.根据权利要求1所述的方法,进一步包括:
识别与所述心率变化性数据相关联的连续差均方根(RMSSD)度量,其中识别满足所述一个或更多个偏差标准至少部分地基于所述RMSSD度量。
8.根据权利要求1所述的方法,进一步包括:
从所述可穿戴设备接收与所述用户相关联的生理数据,所述生理数据在所述第一时间间隔和所述第二时间间隔内经由所述可穿戴设备收集;
至少部分地基于所述生理数据来识别静息心率数据、心率变化性平均分数数据、恢复度量数据或其任何组合;以及
将所述静息心率数据、所述心率变化性平均分数数据、所述恢复度量数据或其任何组合输入到所述分类器中,其中识别满足所述一个或更多个偏差标准至少部分地基于所述静息心率数据、所述心率变化性平均分数数据、所述恢复度量数据或其任何组合。
9.根据权利要求8所述的方法,进一步包括:
识别所述第一时间间隔与所述第二时间间隔之间所述静息心率数据的减小、所述第一时间间隔与所述第二时间间隔之间所述心率变化性平均分数数据的减小、所述第一时间间隔与所述第二时间间隔之间所述恢复度量数据的增加、或其任何组合,其中识别满足所述一个或更多个偏差标准至少部分地基于所述静息心率数据的减小,所述心率变化性平均分数数据的减小、所述恢复度量数据的增加、或其任何组合。
10.根据权利要求1所述的方法,进一步包括:
从所述可穿戴设备接收与所述用户相关联的生理数据,所述生理数据在所述第一时间间隔和所述第二时间间隔内经由所述可穿戴设备收集;
将所述生理数据输入到所述分类器中;
将在所述第一时间间隔和所述第二时间间隔内收集的所述生理数据分类成所述第一时间间隔和所述第二时间间隔内的多个睡眠间隔,所述多个睡眠间隔中的每个睡眠间隔与唤醒睡眠阶段、轻度睡眠阶段、快速眼动睡眠阶段或深度睡眠阶段之一相关联,其中识别满足所述一个或更多个偏差标准至少部分地基于对所述生理数据进行分类。
11.根据权利要求10所述的方法,进一步包括:
识别所述第一时间间隔和所述第二时间间隔之间与所述快速眼动睡眠阶段相关联的第一睡眠阶段持续时间的第一变化、所述第一时间间隔和所述第二时间间隔之间与所述深度睡眠阶段相关联的第二睡眠阶段持续时间的第二变化、或两者,其中识别满足所述一个或更多个偏差标准至少部分地基于所述第一变化、所述第二变化、或两者。
12.根据权利要求1所述的方法,进一步包括:
经由所述用户设备并且响应于使所述图形用户界面显示所述疾病风险度量,接收用户输入;以及
使用所述用户输入来训练所述分类器。
13.根据权利要求12所述的方法,其中所述用户输入指示阳性疾病测试、疾病症状的发作、或两者。
14.根据权利要求1所述的方法,进一步包括:
至少部分地基于所述心率变化性数据来识别与所述用户相关联的呼吸速率数据;以及
将所述呼吸速率数据输入到所述分类器中,其中识别满足所述一个或更多个偏差标准至少部分地基于所述呼吸速率数据。
15.根据权利要求1所述的方法,其中所述可穿戴设备包括可穿戴指环设备。
16.根据权利要求1所述的方法,其中所述可穿戴设备使用基于动脉血流量从所述用户收集所述心率变化性数据。
17.根据权利要求1所述的方法,其中所述用户设备包括与所述用户相关联的用户设备、与和包括所述用户的用户组相关联的管理员相关联的用户设备、或两者。
18.根据权利要求1所述的方法,其中所述心率变化性数据与包括所述用户的多个用户相关联,所述心率变化性数据经由与所述多个用户相关联的多个可穿戴设备收集,所述方法进一步包括:
使用所述分类器至少部分地基于所述多个用户中的每个用户的所述心率变化性数据来识别与每个相应用户相关联的疾病风险度量;以及
使得管理员用户设备的图形用户界面显示与所述多个用户中的至少一个用户相关联的至少一个疾病风险度量。
19.一种用于自动检测疾病的装置,包括:
处理器;
存储器,其与所述处理器耦合;以及
指令,其存储在所述存储器中且能够由所述处理器执行以使所述装置:
从可穿戴设备接收与用户相关联的心率变化性数据,所述心率变化性数据在第一时间间隔以及所述第一时间间隔之后的第二时间间隔内经由所述可穿戴设备收集;
将所述心率变化性数据输入到分类器中;
使用所述分类器识别在所述第一时间间隔内收集的所述心率变化性数据的第一子集和在所述第二时间间隔内收集的所述心率变化性数据的第二子集之间满足一个或更多个偏差标准;以及
使得用户设备的图形用户界面至少部分地基于满足所述一个或更多个偏差标准来显示与所述用户相关联的疾病风险度量,所述疾病风险度量与所述用户将从健康状态转变到非健康状态的相对概率相关联。
20.根据权利要求19所述的装置,其中所述指令能够由所述处理器进一步执行以使所述装置:
确定所述第一时间间隔的至少一部分内和所述第二时间间隔的至少一部分内所述心率变化性数据的频率内容,其中识别满足所述一个或更多个偏差标准至少部分地基于所述频率内容。
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063043892P | 2020-06-25 | 2020-06-25 | |
US63/043,892 | 2020-06-25 | ||
US202063049405P | 2020-07-08 | 2020-07-08 | |
US63/049,405 | 2020-07-08 | ||
US202063116981P | 2020-11-23 | 2020-11-23 | |
US63/116,981 | 2020-11-23 | ||
US17/357,562 | 2021-06-24 | ||
US17/357,562 US20210401314A1 (en) | 2020-06-25 | 2021-06-24 | Illness Detection Based on Nervous System Metrics |
PCT/US2021/039263 WO2021263212A1 (en) | 2020-06-25 | 2021-06-25 | Illness detection based on nervous system metrics |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116194034A true CN116194034A (zh) | 2023-05-30 |
Family
ID=79031336
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180051963.2A Pending CN116194034A (zh) | 2020-06-25 | 2021-06-25 | 基于神经系统度量的疾病检测 |
CN202180051959.6A Pending CN116322477A (zh) | 2020-06-25 | 2021-06-25 | 基于温度数据的疾病检测 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180051959.6A Pending CN116322477A (zh) | 2020-06-25 | 2021-06-25 | 基于温度数据的疾病检测 |
Country Status (5)
Country | Link |
---|---|
US (4) | US20210401377A1 (zh) |
JP (2) | JP2023548642A (zh) |
CN (2) | CN116194034A (zh) |
CA (2) | CA3187942A1 (zh) |
WO (2) | WO2021263212A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117379021A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市光速时代科技有限公司 | 基于智能穿戴设备的老年人健康指标监测系统 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9092797B2 (en) * | 2010-09-22 | 2015-07-28 | The Nielsen Company (Us), Llc | Methods and apparatus to analyze and adjust demographic information |
US11869024B2 (en) | 2010-09-22 | 2024-01-09 | The Nielsen Company (Us), Llc | Methods and apparatus to analyze and adjust demographic information |
US11963756B2 (en) * | 2020-09-09 | 2024-04-23 | Cardiac Pacemakers, Inc. | COVID-19 remote monitoring |
NL2031101B1 (en) * | 2022-02-28 | 2022-12-05 | Univ Guilin Medical | Household body temperature monitoring and managing system based on big data for avoiding coronavirus disease 2019 infection |
WO2024054378A1 (en) * | 2022-09-06 | 2024-03-14 | Apple Inc. | User interfaces for health tracking |
CN116269220A (zh) * | 2023-02-21 | 2023-06-23 | 广东壹健康健康产业集团股份有限公司 | 一种睡眠数据持续监测和管理的方法及可穿戴设备 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5596993A (en) * | 1994-09-21 | 1997-01-28 | Beth Israel Hospital | Fetal data processing system and method |
AU2005204433B2 (en) * | 2004-01-16 | 2010-02-18 | Compumedics Medical Innovation Pty Ltd | Method and apparatus for ECG-derived sleep disordered breathing monitoring, detection and classification |
JP4885660B2 (ja) * | 2006-09-13 | 2012-02-29 | テルモ株式会社 | 心拍ゆらぎ検出装置およびその情報処理方法 |
US8821418B2 (en) * | 2007-05-02 | 2014-09-02 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
US8666482B2 (en) * | 2009-01-08 | 2014-03-04 | Simon Christopher Wegerif | Method, system and software product for the measurement of heart rate variability |
US20140275887A1 (en) * | 2013-03-15 | 2014-09-18 | Nellcor Puritan Bennett Ireland | Systems And Methods For Monitoring Respiratory Depression |
US11030708B2 (en) * | 2014-02-28 | 2021-06-08 | Christine E. Akutagawa | Method of and device for implementing contagious illness analysis and tracking |
US9711060B1 (en) * | 2014-07-14 | 2017-07-18 | Senstream, Inc. | Biometric sensor ring for continuous wear mobile data applications |
US20160188799A1 (en) * | 2014-08-28 | 2016-06-30 | ehumanlife, Inc. | Method and system for online delivery of healthcare |
GB2532919B (en) * | 2014-10-24 | 2019-05-15 | Cambridge temperature concepts ltd | Monitoring physiology |
WO2016102971A2 (en) * | 2014-12-23 | 2016-06-30 | Fertility Focus Limited | Processing a Physical Signal |
US20160302671A1 (en) * | 2015-04-16 | 2016-10-20 | Microsoft Technology Licensing, Llc | Prediction of Health Status from Physiological Data |
GB2563578B (en) * | 2017-06-14 | 2022-04-20 | Bevan Heba | Medical devices |
US11147459B2 (en) * | 2018-01-05 | 2021-10-19 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
WO2019217368A1 (en) * | 2018-05-08 | 2019-11-14 | University Of Pittsburgh-Of The Commonwealth System Of Higher Education | System for monitoring and providing alerts of a fall risk by predicting risk of experiencing symptoms related to abnormal blood pressure(s) and/or heart rate |
US11250356B2 (en) * | 2019-03-27 | 2022-02-15 | Panasonic Intellectual Property Management Co., Ltd. | Method and system for apportioning tasks to persons in environment |
GB201904861D0 (en) * | 2019-04-05 | 2019-05-22 | Mookerjee Rajeshwar | Diagnosis |
US20210298625A1 (en) * | 2020-03-25 | 2021-09-30 | Cohere-Med Inc. | System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms |
US20210345896A1 (en) * | 2020-05-06 | 2021-11-11 | Elite HRV, Inc. | Heart Rate Variability Monitoring and Analysis |
US11127506B1 (en) * | 2020-08-05 | 2021-09-21 | Vignet Incorporated | Digital health tools to predict and prevent disease transmission |
-
2021
- 2021-06-24 US US17/357,921 patent/US20210401377A1/en active Pending
- 2021-06-24 US US17/357,930 patent/US20210401378A1/en active Pending
- 2021-06-24 US US17/357,562 patent/US20210401314A1/en active Pending
- 2021-06-24 US US17/357,922 patent/US20210407684A1/en active Pending
- 2021-06-25 CA CA3187942A patent/CA3187942A1/en active Pending
- 2021-06-25 JP JP2022579829A patent/JP2023548642A/ja active Pending
- 2021-06-25 CA CA3187943A patent/CA3187943A1/en active Pending
- 2021-06-25 WO PCT/US2021/039263 patent/WO2021263212A1/en active Application Filing
- 2021-06-25 JP JP2022579813A patent/JP2023538995A/ja active Pending
- 2021-06-25 WO PCT/US2021/039260 patent/WO2021263209A1/en active Application Filing
- 2021-06-25 CN CN202180051963.2A patent/CN116194034A/zh active Pending
- 2021-06-25 CN CN202180051959.6A patent/CN116322477A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117379021A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市光速时代科技有限公司 | 基于智能穿戴设备的老年人健康指标监测系统 |
CN117379021B (zh) * | 2023-12-13 | 2024-03-08 | 深圳市光速时代科技有限公司 | 基于智能穿戴设备的老年人健康指标监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CA3187942A1 (en) | 2021-12-30 |
US20210401378A1 (en) | 2021-12-30 |
US20210401377A1 (en) | 2021-12-30 |
JP2023548642A (ja) | 2023-11-20 |
WO2021263212A1 (en) | 2021-12-30 |
CN116322477A (zh) | 2023-06-23 |
US20210401314A1 (en) | 2021-12-30 |
WO2021263209A1 (en) | 2021-12-30 |
US20210407684A1 (en) | 2021-12-30 |
JP2023538995A (ja) | 2023-09-13 |
CA3187943A1 (en) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210407684A1 (en) | Illness Detection Based on Temperature Data | |
US9743848B2 (en) | Heart rate variability with sleep detection | |
US20230106450A1 (en) | Wearable infection monitor | |
US20220375590A1 (en) | Sleep staging algorithm | |
EP4011281A1 (en) | Detecting sleep intention | |
US20220313148A1 (en) | Pregnancy-related complication identification and prediction from wearable-based physiological data | |
CN117320638A (zh) | 月经周期跟踪 | |
JP2024515933A (ja) | 月経周期追跡 | |
US20220409187A1 (en) | Illness detection with menstrual cycle pattern analysis | |
US20240074709A1 (en) | Coaching based on reproductive phases | |
US20230084205A1 (en) | Techniques for menopause and hot flash detection and treatment | |
US20230371890A1 (en) | Techniques for determining a circadian rhythm chronotype | |
US20240032836A1 (en) | Prenatal, perinatal, or postnatal mental or emotional distress identification and prediction | |
JP2024513825A (ja) | ウェアラブルベースの生理学的データからの無排卵周期の検出 | |
WO2023230442A1 (en) | Techniques for determining a circadian rhythm chronotype | |
AU2023270274A1 (en) | Coaching based on reproductive phases | |
CA3222143A1 (en) | Sleep staging algorithm | |
WO2022212755A1 (en) | Miscarriage identification and prediction from wearable-based physiological data | |
CA3222141A1 (en) | Automatic sleep staging classification with circadian rhythm adjustment | |
WO2022212758A1 (en) | Pregnancy-related complication identification and prediction from wearable-based physiological data |
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 |