CN116234493A - 用于震颤管理的系统和方法 - Google Patents

Abstract

公开了一种震颤分析系统，其被配置成接收指示患者的运动的运动信号，分析运动信号以便识别震颤，以及基于所识别的震颤控制用于抑制患者的震颤的震颤减轻设备。

Description

用于震颤管理的系统和方法

技术领域

本公开总体上涉及用于控制或管理震颤的系统(例如震颤分析器系统)、方法、计算机程序和非暂时性计算机可读介质。

技术背景

震颤是身体的一个部位或肢体的无意和不可控制的节律运动。震颤可以是间歇性的或持续性的，且它们可能自行发展，也可能指示潜在的健康问题，诸如神经障碍、神经退行性疾病或缺陷。震颤可以通过身体检查得以诊断，且潜在的原因可以通过以下方式来确定：通过CT或MRI成像研究大脑的结构缺陷或退化、通过血液/尿液化验研究任何缺陷或代谢原因。然而，这样的诊断解决方案通常独立于任何治疗设备或方法。大多数恢复患者日常生活正常的尝试通常无法提供在允许提供对减少震颤具有积极影响的补充硬件的同时能够满足患者、护理人员和主治医生的需求的令人信服的解决方案集。对震颤和震颤相关症状的不充分治疗会降低人的生活质量。

所述主题的概述

根据多个方面，提供了如在所附权利要求中限定的系统、方法和非暂时性计算机可读介质。

附图简述

可以参考附图进一步解释本公开的多个示例，其中在整个多个视图中，相似的结构由相似的附图标记表示。所示的附图不一定是按比例绘制的，而是通常强调说明本公开的原理。因此，本文中所公开的特定的结构细节和功能细节不应被解释为限制性的，而是仅仅作为用于教导本领域中的技术人员以各种方式利用一个或更多个说明性示例的代表性基础。

图1是震颤分析系统的示例的示意图；

图2是示例方法的流程图；

图3是根据本公开的另一示例的方法的流程图；

图4是本公开的系统的示例的示意图；

图5是具有震颤管理硬件的装置的图示；

图6是陀螺仪设备的图示；

图7A是震颤管理系统的示例的示意图；

图7B是运动信号的图示；

图8是控制电路的示例的示意图；

图9A是预处理的示例的示意图；

图9B是预处理的示例的示意图；

图10是网络、服务器和客户端设备的示意图；

图11是网络、客户端设备、服务器和云计算架构的示意图；

图12是云计算架构的示意图；以及

图13是云计算架构的示意图。

详细描述

本文结合附图公开了本公开的多个详细示例；然而，应当理解，所公开的示例仅仅是说明性的。此外，结合本公开的该多个示例给出的每个示例旨在是说明性的，而不是限制性的。

在整个说明书中，以下术语具有本文明确关联的含义，除非上下文另有明确规定。本文中使用的短语“在一个示例中”和“在一些示例中”不一定指相同的示例，尽管它可以指相同的示例。此外，本文使用的短语“在另一示例中”和“在一些其他示例中”不一定指不同的示例，尽管它可以指不同的示例。因此，如下所述，在不脱离本公开的范围的情况下，可以容易地组合各个示例。

本发明公开了使用信号处理的运动跟踪和分析的系统和方法。其还可以包括机器学习技术。以下示例提供了克服涉及震颤管理设备的非动态控制和实施的技术领域中的技术问题、缺点和/或缺陷的技术解决方案和技术改进。如下文更详细地解释的，本文的技术解决方案和技术改进包括以下方面：改进的信号处理技术和改进的具有启发式和机器学习技术的分析，从而利用动态设备控制信号和设备建议来改进震颤减轻设备的功能。基于这些技术特征，这些系统和方法的用户和操作者可以获得进一步的技术益处，包括陀螺仪设备或其他震颤减轻设备的智能适配。此外，还描述了所公开的技术的多个实际应用，其为用户和操作者提供了进一步的实际益处，这也是本领域中新的和有用的改进。应当理解，本文在与震颤相关的各种上下文中使用的术语“减轻(mitigate)”、“减轻(mitigating)”和“减轻(mitigation)”(例如震颤减轻设备)包括管理、控制、减少、抑制或修改震颤。

现在将参考附图描述用于管理或控制震颤的系统、设备、方法、计算机程序和非暂时性计算机可读介质的示例。

图1示出了震颤分析系统110的示例。震颤分析系统可以是软件模块或硬件、或它们的组合。震颤分析系统110被配置成接收指示患者的运动的运动信号234，并分析该运动信号以便识别震颤，以及基于所识别的震颤控制用于抑制患者的震颤的震颤减轻设备。震颤减轻设备可以是适于减少患者震颤的任何设备，例如，该设备可以是提供机械阻尼的陀螺仪、提供振动刺激(vibrostimulation)的设备和/或提供电刺激的设备。震颤减轻设备可以是硬件、软件、或它们的组合。例如，它可以是用于任何身体部位(例如手、脚、腿、脖子、手臂或手指)的可穿戴设备，或者它可以只是产生刺激以减轻震颤的硬件。可以通过震颤分析系统110生成控制信号并向震颤减轻设备发送控制信号，或者通过震颤分析系统110向用于生成控制信号并向震颤减轻设备发送控制信号的处理电路发送指令，从而基于所分析的运动信号234来控制震颤减轻设备。控制信号携带应如何操作震颤减轻的指令。下面描述可以如何操作陀螺仪以减轻震颤的示例。

现在将描述进一步的可选特征，并且这些特征在图1中用虚线示出。

在一个示例中，震颤分析系统包括严重程度模块(severity module)111，该严重程度模块111被配置成基于运动信号234确定震颤的严重程度。严重程度模块111可以被配置成基于运动信号234的幅度和/或频率来确定震颤的严重程度。震颤的严重程度指示震颤的强度。例如，对于强震颤或高严重程度震颤，运动信号将具有比轻度震颤(或低严重程度震颤)更高的频率和/或幅度。

在另一示例中，严重程度模块111被配置成基于包括形成运动信号234的一部分的欧拉角、四元数(quaternion)和矢量中的至少一个的数据来确定震颤的严重程度。在该示例中，可以从诸如惯性测量单元的加速度计接收运动信号，并且严重程度模块被配置成使用形成运动信号基础的原始加速度计数据的欧拉角、四元数和/或矢量数据来计算震颤严重程度，在欧拉角的情况下，通过计算整个数据样本的均方根乘以2的平方根来计算震颤严重程度。由于震颤可能具有围绕所有三个轴的旋转幅度分量，因此可以将围绕z、y和z轴的震颤幅度组合为具有以度为标度的矢量和。然而，如上所述，其他估计也是可能的，例如基于幅度和频率的计算。

在一个示例中，基于运动信号234的其他度量来确定或计算震颤的严重程度。例如，峰值特征(最小值、最大值)、色散特征(标准偏差、方差)、幅值特征(幅值面积(magnitude area)、矢量幅值)均值/中值/模、过零、信号能量、信号幅值面积或相位角。

在一个示例中，严重程度模块111被配置成接收运动信号234并识别在一段时间内震颤的至少一个属性。通过这样做，严重程度模块111可以记录或存储在一段时间内所识别的属性，以便建立震颤模式，该模式可以帮助确定震颤的触发因素，例如环境、外部因素、食物和/或睡眠。此外，可以在一段时间内监测震颤的严重程度，例如震颤是增加还是减少。这还可以用于在患者没有穿戴加速度计、陀螺仪或被配置为测量或感测震颤的其他设备时估计震颤严重程度的变化。震颤的至少一个属性可以是基于运动信号的任何度量或值，例如，幅度、频率、运动轴、峰值特征(最小值、最大值)、色散特征(标准偏差、方差)、幅值特征(幅值面积、矢量幅值)、均值/中值/模、过零、信号能量、信号幅值面积或相位角。

所记录的至少一个属性可以存储在严重程度模块111的存储器117或外部存储器中。该一段时间可以是一天、几天、几个月或更长。为了减少存储的数据量，可以仅记录所识别的震颤的至少一个属性，而不是连续运动信号的至少一个属性。

在一个示例中，严重程度模块111被配置成基于在一段时间内所识别的震颤的至少一个属性来确定震颤模式的变动(shift)。这是为了识别患者震颤的变化。震颤模式的变动可以被发送到外部设备以用于进一步的研究，例如，由临床医生或软件进行研究以确定变动的原因。变动的可能原因可以是患者健康状况恶化，或者震颤减轻的改善。

在一个示例中，严重程度模块111被配置成基于在一段时间内的震颤模式确定导致特征(例如震颤的严重程度、长度或发作)变化的因素。这种因素可以是患者的位置、睡眠模式或锻炼或任何其他可能的外部因素。在一个示例中，严重程度模块被配置成接收指示这种因素的附加信息。例如，严重程度模块可以从提供患者在哪里或曾经在哪里的地理信息的GPS接收位置信息。位置信息可以连续地发送，也可以间歇地发送。如果间歇地发送，位置信息可以包括患者在一段时间内的位置的信息。在一个示例中，严重程度模块111可以接收指示睡眠周期和/或锻炼周期的信息。该信息可以基于听音率和运动感测。基于所确定的因素，可以向患者提供关于如何通过例如增加睡眠和锻炼或通过避开某些位置来避免震颤发作或使震颤恶化的信息。

在一个示例中，严重程度模块111还被配置成从生理传感器接收生理数据，以及基于该生理数据，震颤分析系统被配置成预测震颤和/或震颤特征的发生。例如，严重程度模块111可以基于运动信号以及来自生理传感器的附加输入来分析模式，所述附加输入诸如是心率监测、脉搏血氧含量、皮肤电活动、血压、体温或其他。在一些示例中，严重程度引擎311采用机器学习模型来分析数据，包括例如基于完成活动或导致完成定义的一个活动/多个活动的分组的微任务的窗口的时间段或任何其他时间段，例如每日、每周或每月的震颤严重程度的模式。生理数据还可以包括指示用户是否已经使用震颤管理硬件11持续给定时间段的数据。因此，严重程度引擎111可以将震颤严重程度与设备使用模式相匹配。

在一个示例中，基于所预测的震颤或震颤的特征的发生，震颤分析系统被配置成向震颤管理设备发送控制信号，以便减轻震颤和/或向患者指示预期发生震颤。

在一个示例中，严重程度模块111还被配置成接收用户生活方式信息，以便确定用户生活方式信息和震颤特征(例如震颤严重程度、长度或发作)之间的相关性。用户生活方式信息可以通过用户界面发送到严重程度模块，在用户界面中用户可以输入诸如食物、喝的饮料、服用的药物、执行的活动、睡眠估计和行为信息之类的信息。用户生活方式信息是指示用户生活方式的信息。

在一个示例中，如上所述，严重程度模块基于运动信号、生理数据、因素和用户生活方式信息来控制震颤减轻设备。

在一个示例中，震颤分析系统包括护理人员警报模块112，该护理人员警报模块112被配置成分析运动信号以检测患者的跌倒运动，并且如果检测到跌倒运动，则护理人员警报模块被配置成发送指示患者需要帮助的警报消息。警报消息可以被发送到震颤减轻设备、患者的另外的设备或另外的用户(诸如护理人员)的设备，以向护理人员或附近的人发出患者需要帮助的警报。在一个示例中，基于从患者穿戴或附接的加速度计接收的加速度计数据来检测跌倒运动。在一个示例中，基于运动信号234检测跌倒运动，该运动信号可以基于如下所述的加速度计数据。在一个示例中，基于原始加速度计数据和/或运动信号234，护理人员警报模块112可以利用启发式算法或跌倒检测机器学习算法、或者两者，以便确定该运动对应于跌倒。在一些示例中，启发式可以包括识别加速度计数据指示震颤管理设备被接通、被患者穿戴但未移动的情况。在另一个示例中，启发式被设计成在加速度计数据中查找指示跌倒运动本身的特征(signature)，并且通过扩展确定跌倒的严重程度。在一些示例中，使用机器学习模型将加速度计数据的片段分类为指示跌倒运动本身的特征。

在一个示例中，震颤分析系统111被配置成通过设置阈值来确定震颤减轻设备的有效性，并且如果运动信号指示震颤超过阈值，则震颤分析系统被配置成向震颤管理设备发送控制信号以调整所述设备从而抑制震颤。在一个示例中，有效性由设备有效性模块113确定。如下面更详细解释的，当陀螺仪用于减轻震颤时，陀螺仪还可以用于将其有效性反馈给震颤分析器系统111，例如，当抵消震颤时，陀螺仪围绕其进动轴进动。然后可以将进动的幅值和/或频率与非震颤状态静止运动(无进动)进行比较，这可以用于提供关于设备运动和有效性的另一个数据点、以及加速度计数据的其他处理。下面描述可以如何基于有效性控制包括陀螺仪的震颤管理设备的示例。

在一个示例中，设备有效性模块113可以使用运动信号数据234来导出震颤抑制指标(index)。例如，震颤抑制指标指示震颤减轻设备减轻震颤的有效性。震颤抑制的水平可以估计为1减去在有刺激的情况下和在没有刺激的情况下的震颤功率之间的比率，使得接近1的值指示完全抑制，接近0的值指示震颤功率没有变化，以及负值指示震颤相对于基线增强。然后可以在不同的刺激(例如机械刺激、振动刺激或电刺激)条件下估计每个个体的震颤抑制的平均水平，以优化设备的有效性。可以随时间跟踪个体的震颤抑制指标，并且可以由设备有效性模块111标记震颤抑制下降的周期(天/周)，以向患者、护理人员或健康提供者发警报。

在一个示例中，震颤分析系统包括设备故障模块114，该设备故障模块114被配置成基于运动信号234确定震颤减轻设备是否有故障，并且如果有故障，则向震颤减轻设备和/或外部设备发送警报消息。“故障”应被理解为震颤减轻设备未按预期起作用。在一个示例中，运动信号234包括加速度计数据，该加速度计数据至少包括来自加速度计的加速度计值，并且如果加速度值超过阈值，则设备故障模块114被配置成确定震颤减轻设备有故障。设备故障模块114还可以被配置成从传感器接收包括至少一个传感器值的传感器数据，确定传感器值是否落在范围之外，且如果传感器值落在范围之外，则确定震颤减轻设备有故障。传感器可以是测量温度值的温度传感器、检测湿度水平的湿度传感器或测量电压的电压传感器。下面将更详细地描述它们的实现示例。在一个示例中，如果震颤减轻设备被认为有故障，则原因可能是未经授权的硬件或软件修改。

为了更详细地描述运动信号234，运动信号234包括指示患者的运动的信息。震颤分析系统111可以从能够检测患者的运动并实时输出表示运动的四元数、欧拉角和/或矢量的任何设备接收运动信号。这种设备可以是加速度计，包括IMU、MEMS加速度计、压电加速度计、磁力计或陀螺仪、或它们的组合。运动信号234可以首先包括原始运动数据，例如原始加速度计数据。可以根据参考图8、图9A和/或图9B描述的任何步骤和操作对运动数据进行预处理。作为预处理的一部分，数据可以在被本文描述的各种示例震颤分析系统分析之前被归一化和标准化。在一个示例中，运动信号基于由检测患者的运动的设备生成的原始运动数据，并且原始运动数据已经被预处理以过滤或识别与震颤相关联的数据。这意味着指示运动但与震颤无关的数据被丢弃并且不被震颤分析器系统分析。在一个示例中，原始运动数据已被预处理为时变频率信号或时变幅度信号。在一个示例中，运动信号基于包括可关于x轴、y轴、z轴或任何其他坐标系的欧拉角、四元数和/或矢量的加速度计数据。

在一个示例中，震颤分析系统111被配置成分析运动信号234，以便识别震颤并基于识别的震颤实时控制或管理用于抑制患者震颤的震颤减轻设备。也就是说，震颤分析系统连续地或间歇地分析传入的运动信号以检测震颤。为了确定患者正在经历震颤，分析运动信号的样本或一部分。一旦检测到震颤，就向震颤减轻设备发送控制信号以抵消震颤。此后，震颤分析系统111可以继续分析传入的运动信号，以确定震颤减轻设备的有效性，如上文所述并且也如下面更详细地所述。

应当理解，震颤分析系统可以包括分析本文所描述的运动信号的处理电路115。震颤分析系统还可以包括用于接收运动信号和发送控制信号的通信接口118。在可选示例中，震颤分析系统是可以由处理器执行的一组指令。

在一个示例中，震颤减轻设备包括震颤分析系统111，使得对运动信号的分析在震颤减轻设备本地发生。

在一个示例中，存在包括上述震颤分析系统的震颤管理系统。震颤管理系统包括处理电路和用于存储可由处理电路执行的指令的存储器。处理电路可以被配置成接收原始运动数据，并通过如参考图8、图9A和图9B所描述的任何操作及这些操作的任意组合来预处理原始运动数据，并且附加地但可选地还对数据进行归一化和标准化，以便产生运动信号或震颤信号，运动信号或震颤信号然后由上述震颤分析系统处理。

现在将参照图2描述控制震颤减轻设备的方法200。该方法可由震颤分析器系统、服务器或计算机执行。

方法200包括：步骤201，接收指示患者的运动的运动信号234；步骤202，分析该运动信号以便识别震颤；以及步骤203，基于所识别的震颤控制用于抑制患者震颤的震颤减轻设备。

在一个示例中，方法200包括基于运动信号234确定震颤的严重程度。该方法还可以包括基于运动信号234的幅度和频率来确定震颤的严重程度。在一个示例中，该方法包括基于包括形成运动信号234的一部分的欧拉角、四元数和矢量中的至少一个的数据来确定震颤的严重程度。

在一个示例中，方法200包括接收运动信号234并识别在一段时间内的震颤的至少一个属性。该方法还可以包括基于所识别的在一段时间内的震颤的至少一个属性确定震颤模式的变动，以便识别患者的震颤的变化。

在一个示例中，方法200包括基于在一段时间内的震颤的模式确定导致震颤特征变化的因素。

在一个示例中，方法200包括从生理传感器接收生理数据，并且基于该生理数据，预测震颤和/或震颤特征的发生。

在一个示例中，方法包括基于所预测的震颤或震颤的特征的发生，向震颤管理设备发送控制信号，以便控制震颤和/或向患者指示预期发生震颤。

在一个示例中，方法200包括接收用户生活方式信息并确定用户生活方式信息和震颤特征之间的相关性。

在一个示例中，方法200包括分析运动信号以检测患者的跌倒运动，并且如果检测到跌倒运动，则发送指示患者需要帮助的警报消息。

在一个示例中，方法200包括通过设置阈值来确定震颤减轻设备的有效性，并且如果运动信号指示震颤超过阈值，则向震颤管理设备发送控制信号以调整所述设备从而抑制震颤。

在一个示例中，方法200包括基于运动信号234确定震颤减轻设备是否有故障，并且如果震颤减轻设备有故障，则向震颤减轻设备和/或外部设备发送警报消息。外部设备是执行方法200的设备。

在一个示例中，运动信号234包括至少包括来自加速度计的加速度计值的加速度计数据，并且如果加速度值超过阈值，则方法200包括确定震颤减轻设备有故障。

在一个示例中，方法200包括参考图8、图9A或图9B描述的任何预处理操作。附加地，该方法还可以包括在数据被接收201和分析202之前对数据进行归一化和标准化。

在一个示例中，方法200被实时执行。

现在将参照图3描述根据本公开的用于管理震颤的方法300。方法300包括由处理器从与用户相关联的传感器设备接收加速度计数据信号301。加速度计数据信号具有由传感器设备检测到的运动的时变频率和时变幅度。

该方法还包括由处理器至少部分地基于时变频率和指示与震颤相关联的运动的震颤频率范围来确定加速度计数据信号中的震颤302。然后，该方法包括由处理器基于在与震颤相关联的时间段期间的加速度计数据信号来确定震颤的震颤频率和震颤幅度303。该方法还包括由处理器给震颤管理设备生成机械阻尼控制信号，以使该设备响应于震颤频率和震颤幅度产生反作用力或运动阻力或者反作用力和运动阻力两者304。然后，该方法包括由处理器至少部分地基于在与震颤相关联的时间段期间的震颤频率和震颤幅度来确定震颤严重程度305。该方法还包括由处理器将在与震颤相关联的时间段期间的震颤频率、震颤幅度和震颤严重程度存储在震颤严重程度历史中306，以及然后由处理器训练震颤严重程度模式识别模型以至少部分地基于严重程度和根据震颤严重程度历史训练的经训练的震颤严重程度模型参数来识别至少一种震颤模式307，以及由处理器将震颤严重程度模式识别模型存储在震颤严重程度引擎中308。

方法300还可以包括：由处理器接收在包括行为日志界面(behavioral journalinterface)的至少一个用户界面中的用户选择，其中，用户选择包括与用户行为相关联的日期、时间和行为类型；由处理器生成记录用户选择的用户行为状态日志条目(logentry)；由处理器将用户行为状态日志条目存储在用户行为状态日志中；以及由处理器训练震颤严重程度模式识别模型，以至少部分地基于严重程度和根据震颤严重程度历史和用户行为状态日志训练的经训练的震颤严重程度模型参数来识别至少一种震颤模式。用户行为状态日志可以被存储在云环境中。

方法300还可以包括：由处理器利用震颤严重程度模式识别模型来至少部分地基于加速度计数据信号、用户选择和经训练的震颤严重程度模型参数来预测未来震颤状态；以及由处理器指示与用户相关联的至少一个用户设备显示指示未来震颤状态的警报。

方法300还可以包括：由处理器训练震颤触发识别模型以至少部分地基于震颤严重程度历史和用户行为状态日志来识别至少一个震颤触发行为，以及由处理器利用震颤触发识别模型至少部分地基于加速度计数据信号、用户选择和经训练的震颤严重程度模型参数来预测活动建议(activity recommendation)；其中，该活动建议包括参与或不参与至少一个活动以避免至少一个震颤触发行为的至少一个建议；以及由处理器指示与用户相关联的至少一个用户设备显示指示活动建议的警报。

方法300还可以包括：由处理器至少部分地基于震颤幅度和预定危险幅度阈值来确定由震颤引起的危险状态；由处理器识别与用户相关联的至少一个护理人员；以及由处理器指示与该至少一个护理人员相关联的至少一个护理人员设备显示指示危险状态的警报。

方法300还可以包括：由处理器接收来自至少一个生理传感器的生理传感器测量结果；其中，生理传感器测量结果包括与用户相关联的至少一个时变传感器测量信号；由处理器将生理传感器测量结果存储在用户生物学状态日志中；以及由处理器训练震颤严重程度模式识别模型以至少部分地基于严重程度和根据震颤严重程度历史和用户生物学状态日志训练的经训练的震颤严重程度模型参数来识别至少一种震颤模式。

方法300还可以包括：由处理器利用震颤严重程度模式识别模型来至少部分地基于加速度计数据信号和经训练的震颤严重程度模型参数来预测未来震颤状态；以及由处理器至少部分地基于对未来震颤状态的预测来生成指示震颤管理设备的建议使用时间的设备使用建议(device use suggestion)；以及由处理器指示与用户相关联的至少一个用户设备显示指示设备使用建议的警报。

参考图3描述的处理器可以形成被配置成控制震颤管理设备的控制系统的一部分。处理器可以与被配置成实现包括震颤严重程度模式识别模型的至少一个机器学习模型的机器学习环境通信。

现在转向图4，示出了包括至少五层环境的系统400，该五层环境包括：震颤管理硬件设备401、用户界面402、控制系统403、机器学习环境404和云环境405。五层环境可以被配置成实现程序指令以执行方法300的任何操作。

在一个示例中，控制系统403被配置成控制震颤管理设备。在一个示例中，机器学习环境404被配置成实现包括震颤严重程度模式识别模型的至少一个机器学习模型。

在另一示例中，系统400的至少五层环境被配置成实现程序指令以执行接收关于至少一种状态的感官数据元素的步骤，该至少一种状态包括：与用户相关联的至少一种震颤状态、与用户相关联的至少一种生理状态、与用户相关联的至少一种环境状态、与用户相关联的至少一种用户活动状态、与震颤管理硬件相关联的至少一种硬件状态、或它们的组合。该五层环境还被配置成实现程序指令以执行以下操作：生成与被记录在存储器中的历史震颤减轻改善相关联的至少一个可操作的震颤减轻动作，以及在用户计算设备处经由用户界面向用户、医疗保健提供者、或两者显示该至少一个可操作的震颤减轻动作。

一种非暂时性计算机可读介质，其上存储有软件指令，该软件指令被配置成使至少一个处理器执行方法300的任何操作。处理器可以是被配置成控制震颤管理设备的控制系统的一部分。处理器可以与被配置成实现包括震颤严重程度模式识别模型的至少一个机器学习模型的机器学习环境通信。

此外，上述方法200和300可以在接收到合适的计算机可读指令时进行，该合适的计算机可读指令可以体现在运行在计算机或服务器上的计算机程序中。计算机或服务器包括处理器和存储器。存储器包含可由处理器执行的指令，使得计算机或服务器可操作以执行方法200和/或300。

现在将描述可以如何实现系统、方法、计算机程序和非暂时性计算机可读介质的示例。应当理解，在可行的情况下，任何示例的组合都落入本公开的范围内。

如前所述，本公开涉及控制或管理被配置用于减轻或减少震颤的任何震颤减轻设备。例如，震颤减轻设备可以是提供机械阻尼的陀螺仪、提供振动刺激的设备和/或提供电刺激的设备。为了清楚起见，将在多个示例中使用陀螺仪，但是应该理解，本公开不限于此。因此，现在将参照图5和图6描述陀螺仪。

陀螺仪是一种具有可绕轴自由旋转的可旋转圆盘的设备。在一些示例中，陀螺仪试图保持其转动轴的取向，并抵抗任何试图引起该取向变化的动作。因此，使用陀螺仪的理论是，肌肉震颤的发作引起手的运动，但陀螺仪对抗该运动，大大减少或抵消掉震颤。在一些示例中，震颤管理硬件或震颤管理设备可以包括陀螺仪或包括用于震颤稳定的陀螺仪的其他设备。震颤管理硬件包括被安装到平衡环架(gimbal)上的可旋转飞轮，该平衡环架又被安装到陀螺仪设备的壳体内的转盘(turntable)上。转盘配置只是实现具有进动平衡环架的陀螺仪设备的变体之一。平衡环架通过围绕其进动轴摆动而进动，并且该进动可以围绕单个平面或多个平面(转盘配置)发生。平衡环架允许飞轮进动，并且飞轮和平衡环架可以在转盘上旋转以匹配震颤的方向。提供弹性阻尼器来控制飞轮的进动。随着圆盘旋转，陀螺仪将抵抗施加的耦合的作用，并倾向于保持固定的取向。如果陀螺仪旋转地移位，角动量通过设备围绕与圆盘旋转轴和设备移位通过的轴相互垂直的轴的章动(nutation)来维持。

陀螺仪将施加陀螺力矩，该陀螺力矩的幅值与圆盘的惯性矩、圆盘的角速度和章动的角速度成比例。陀螺力矩的方向矢量与圆盘角速度和设备的章动角速度的矢量叉积成比例。

当前公开的示例的装置可以包括被安装到患者身体(例如手腕、手或其他身体部位)的单个陀螺仪设备。在一些示例中，该装置可以包括多个陀螺仪设备，这些陀螺仪设备围绕该装置被施加到的身体部位间隔开。当身体的平衡状态受到干扰时，例如在震颤或旋转移位期间，多个陀螺仪设备一起向身体施加累积的净陀螺力矩，但是允许使用更小的陀螺仪，从而将陀螺仪的质量和体积(bulk)或体积(volume)分散到身体部位，使得设备更容易穿戴，并且还减小了装置的体积，从而与具有较大陀螺仪的已知设备相比更小程度地阻碍灵活性和运动。

图5示出了手套10形式的装置的示例，该装置具有安装在手12的背面上的震颤管理硬件或震颤管理设备11。在所示的示例中，手套10是开放或无指类型的，以允许拇指以外的手指(finger)13和拇指14的自由运动。优选地，手套被形成为陀螺仪设备的织物支撑件，可借助于带子、合适地使用钩环型可调节固定装置的带子附接到穿戴者的手腕、拇指以外的手指和拇指。该织物优选是可以长时间舒适地穿戴的柔软、舒适的材料。在优选的示例中，织物是WO 2014/127291中描述的类型，其中在柔软的硅树脂织物表面和穿戴者的皮肤之间产生范德华力，以将织物保持在适当的位置。

图6是示例性陀螺仪设备的横截面图。陀螺仪包括由无刷DC电机21驱动的可旋转圆盘20，该可旋转圆盘20适当地是金属圆盘，例如黄铜圆盘。在所示的示例中，陀螺仪由受控制电路23控制的电池形式的小DC电源驱动。在一些示例中，加速度计25被包括在控制电路23中。在替代布置中，电源和控制电路远离陀螺仪设备，且加速度计25本地安装到陀螺仪上。

陀螺仪的电机21被安装在陀螺仪台(gyroscope table)上，陀螺仪台又被安装在进动铰链(未示出)上，进动铰链被安装在铰链板上。铰链板被安装在转盘31上，转盘31又固定地固定在装置的手套10上。因此，在使用中，陀螺仪的轴能够借助由进动铰链和转盘31的组合提供的双轴锚定而进动。

陀螺仪轴的进动和受控进动确保了装置的合成阻力矢量总是基本上与震颤矢量相反。

弹性阻尼器被设置在铰链板30和陀螺仪台24之间，以限制进动角，进动角是进动陀螺仪的轴和垂直于铰链板30的轴之间的角度。

在某些示例中，磁体被结合到陀螺仪设备或每个陀螺仪设备，或者代替弹性阻尼器，或者作为补充，以进一步控制陀螺仪的进动。例如，围绕陀螺仪圆盘20设置一个或更多个磁圆盘或环或环形磁体，以控制其进动。替代布置同样合适，例如弹簧和可变电磁体。另外，转盘的取向可以例如通过步进电机和齿轮装置来控制，以利用单个陀螺仪提供对多个震颤轴的进一步控制。

可附接到手套的壳体32包围陀螺仪，并且在所示的示例中，提供开关形式的致动器，以打开和关闭电机。在一些示例中，开关或其他致动器可以远离壳体32，或者在手上或者在其他地方。例如，开关可以位于手臂上的其他地方，并拴在壳体32上，以提供例如对电机的开/关控制。

图7A是描述根据一个或更多个当前公开的示例的用于跟踪、诊断、和分析的震颤管理系统的说明性示例的框图，该震颤管理系统用于震颤的减轻并用于提供反馈以管理或控制震颤。

震颤管理系统700包括用于分析从控制电路23接收的运动信号234的震颤分析系统710。控制电路23被配置成从加速度计、传感器和陀螺仪中的至少一个接收指示身体部位的运动的原始数据，并将原始数据转发到震颤分析系统710。震颤管理系统700还可以包括向震颤分析系统710提供附加输入数据701的源。附加输入数据701可以是用户信息703，例如用户人口统计数据和健康测量结果以及震颤管理设备的用户的用户输入。附加输入数据701可以是与用户已记录的信息相关的日志数据(journal data)704，该用户已记录的信息例如是吃的食物和喝的饮料、服用的药物和剂量、执行的活动、睡眠估计以及其他行为信息。附加数据701还可以包括临床数据705，其可以是血压、血液样本结果。附加数据还可以包括或可选地包括来自传感器的数据。

虽然上面已经描述了可以包括陀螺仪或其他类似设备的陀螺仪震颤管理设备，但是震颤管理硬件11可以包括应用于其他形式的震颤管理硬件的类似反馈回路。这种震颤管理硬件的示例通常提供机械阻尼和/或体表刺激(peripheral stimulation)。因此，适合于机械阻尼、振动刺激、电刺激或其他体表刺激的任何这样的设备也被设想为震颤管理硬件11。在一些示例中，震颤管理硬件11可以包括传感器阵列，该传感器阵列包括但不限于加速度计、位置传感器、心率监测器、血氧传感器、全球定位系统(GPS)传感器、环境传感器输入(例如，家庭恒温器、温度计、物联网(IoT)传感器等)。来自这些传感器的数据可以由震颤分析系统710处理，以生成对穿戴者的健康状况、行为、活动等的各种形式的诊断或见解。这些见解被结合起来以提供整体健康状况管理解决方案，允许在单个设备中对健康状况进行评估、监测和治疗。因此，震颤分析系统710包括各种模块化计算机引擎，这些模块化计算机引擎协作来为震颤管理硬件11的用户或穿戴者、看护者、临床医生等提供整体震颤管理和见解。例如，用户的震颤状态和行为状态可以从运动信号234推断，以及生物学状态可以从其他数据推断，该其他数据例如是其他传感器数据702、用户信息03、日志数据04和临床数据705、以及其他数据源。震颤分析系统710的每个引擎可以利用这些数据向用户、看护者和临床医生的界面输出有意义的信息，这些信息被定制为每一个都在震颤相关健康状况的治疗和管理中起作用，同时还例如通过相应界面为震颤管理硬件11提供遥测和治疗建议。

震颤管理系统还可以包括震颤分析显示系统720，该震颤分析显示系统720显示或指示震颤分析系统710的结果。例如，震颤分析显示系统可以指示震颤严重程度、震颤模式、任何检测到的紧急情况、设备有效性评估、设备故障检测等。在一些示例中，震颤分析显示系统320可以包括例如配备有用于在显示器上呈现反馈的应用的移动设备或计算设备。

在一些示例中，震颤分析系统710包括多个部件(该多个部件包括硬件部件、软件部件及它们的组合)，以处理相对于附加数据701的运动信号234并开发与震颤相关的见解和反馈。在一些示例中，该多个部件可以包括基于逻辑的或编程的软件引擎、机器学习引擎或它们的组合。

图8是描绘根据当前公开的一个或更多个示例的陀螺仪设备的控制电路和加速度计装置的说明性示例的框图，该说明性示例可以是控制系统和机器学习环境的一部分，该陀螺仪设备的控制电路和加速度计装置用于预处理由震颤产生的原始加速度计数据。

在可能是控制系统和机器学习环境的一部分的一些示例中，与示例性震颤管理硬件11相关联的控制电路23可以位于震颤管理硬件11上的本地位置或远程位置，以处理来自加速度计25的数据并向震颤管理硬件11提供控制信号。因此，在一些示例中，控制电路23可以形成信号发散和/或会聚集线器(hub)以控制震颤管理硬件11的输入和输出。

在可能是控制系统和机器学习环境的一部分的一些示例中，控制电路23从加速度计25接收加速度计数据，包括任何合适的机械运动遥测，例如围绕x轴、y轴和z轴的欧拉角851。在一些示例中，加速度计25可以包括用于测量围绕x轴、y轴和z轴的运动的任何合适的设备，例如一个或更多个合适的惯性测量单元(IMU)。例如，在可能是控制系统和机器学习环境的一部分的一些示例中，可以通过使用多个IMU来采用多个输入节点，来自每个IMU的机械运动遥测用作由控制电路23使用的运动测量结果。例如，加速度计25可以包括一个或更多个IMU，例如Bosch BNO0559轴绝对定向传感器(9-axis absolute orientationsensor)，然而，可以使用任何特定的IMU，使得机械运动遥测是可确定的。可以考虑包含以下中的一个或更多个的其他设备：例如MEMS加速度计、(例如具有集成电路的)压电加速度计、磁力计、陀螺仪和能够实时输出四元数、欧拉角或矢量的高速处理器、及其他部件、以及它们的组合。在可能是控制系统和机器学习环境的一部分的一些示例中，震颤管理硬件11的陀螺仪本身可以被用于提供机械运动遥测，例如用于估量减轻震颤时的设备有效性。例如，当抵消震颤时，陀螺仪围绕其进动轴进动。然后可以将进动的幅值或频率与非震颤状态静止运动(无进动)进行比较，这可以用于提供关于设备运动和有效性的另一个数据点、以及加速度计数据的其他处理。

在可能是控制系统和机器学习环境的一部分的一些示例中，控制电路23经由例如合适的通信系统从加速度计25接收欧拉角851。例如，在控制电路23位于加速度计25本地的情况下，控制电路23可以经由例如合适的计算机接口接收欧拉角851，该计算机接口诸如是通用串行总线(USB)、外围组件互连快速(PCIe)、Thunderbolt^TM、处理器总线或处理器高速缓存、或其他直接有线连接或无线连接或模拟连接接口。在一些示例中，接口可以是串行或并行或者串行和并行组合操作的一个或更多个数字接口。在一些示例中，计算机接口是以太网协议，以平衡部件选择复杂性、流安全性和高带宽，例如一小时内每秒约3.6兆字节或更多兆字节(例如，12个通道，7个来自加速度计25，5个来自控制电路23或其他处理设备的诊断)。然而，USB可以提供类似或更好的性能。在控制电路23远离加速度计25的一些示例中，控制电路23可以经由例如合适的网络系统接收欧拉角851，该合适的网络系统例如是互联网、WiFi网络、蓝牙、局域网、内联网、Zigbee网络、Z-Wave网络或其他有线网络连接或无线网络连接。如上所述，联网可以通过容纳具有安全性(例如，加密和高带宽，例如，以太网)的复杂数据流的网络连接来实现。

在可能是接口和控制系统的一部分的一些示例中，控制电路23可以包括至少一个软件部件和/或至少一个软件部件与至少一个硬件部件的组合，该至少一个软件部件和/或至少一个软件部件与至少一个硬件部件的组合被设计/编程/配置成管理/控制其他软件和/或硬件部件(例如库、软件开发工具包(SDK)、对象等)。

硬件元件可以包括处理器、微处理器、电路、电路元件(例如，晶体管、电阻器、电容器、电感器等)、集成电路、专用集成电路(ASIC)、可编程逻辑器件(PLD)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、逻辑门、寄存器、半导体器件、芯片、微芯片、芯片组等。

在可能是硬件、控制系统和机器学习环境的一部分的一些示例中，处理器可以包括具有数据处理能力的任何类型的处理设备，诸如硬件逻辑电路，例如专用集成电路(ASIC)和可编程逻辑，或者诸如计算设备，例如，包括可编程微处理器或机器学习核的微型计算机或微控制器(我们将提到新的专门构建的机器学习核(MLC)作为硬件块。例如。ST最近发布了具有内置机器学习核的IMU)。在一些示例中，处理器可以包括由微处理器提供的数据处理能力，包括例如单个处理器、并行处理器、嵌套处理器或用于操控设备操作和数据处理的其他单处理流或多处理流计算设备。在一些示例中，微处理器可以包括存储器、处理件、接口资源、控制器和计数器。在一些示例中，微处理器还可以包括存储在存储器中的一个或更多个程序。如果示例使用硬件逻辑电路，则逻辑电路通常包括操作预处理器831、幅度计算器832、频率计算器833以及其他组件的逻辑结构。

在可能是五层环境的一部分的一些示例中，每个组件可以包括硬件、软件或它们的组合。软件的示例可以包括软件部件、程序、应用、计算机程序、应用程序、系统程序、机器程序、操作系统软件、中间件、固件、软件模块、例程、子例程、函数、方法、过程、软件接口、应用程序接口(API)、指令集、计算代码、计算机代码、代码段、计算机代码段、字(word)、值、符号、或它们的任意组合。确定是否使用硬件元件和/或软件元件实现示例可以根据任何数量的因素而变化，该因素例如是期望的计算速率、功率电平、热容差、处理周期预算、输入数据速率、输出数据速率、存储器资源、数据总线速度和其他设计或性能约束。

在一些示例中，控制电路23可以在震颤管理硬件11上。然而，在可能是云环境的一部分的一些示例中，控制电路23可以在现场或非现场位置处远程利用更大的计算资源。在一些示例中，控制电路23可以包括用于例如给定数据流的并行处理的多个处理单元。例如，控制电路23可以位于移动设备处、计算设备处、部分在下一个计算单元上，或者例如跨网络位于远程服务器、计算设备或云平台上。

例如，在控制电路23完全或部分远离震颤管理硬件11的情况下，控制电路23可以包括计算设备或部分或全部结合到计算设备中，该计算设备包括至少一个个人计算机(PC)、膝上型计算机、超膝上型计算机(ultra-laptop computer)、平板电脑、触摸板、便携式计算机、手持计算机、掌上电脑、个人数字助理(PDA)、蜂窝电话、蜂窝电话/PDA组合、电视、智能设备(例如，智能电话、智能平板电脑或智能电视)、移动互联网设备(MID)、消息传递设备、数据通信设备等。

类似地，在可能是接口和控制系统的一部分的一些示例中，控制电路23可以包括移动设备或部分地或全部地并入到移动设备中，该移动设备包括可以启用或不启用位置跟踪功能(例如，MAC地址、互联网协议(IP)地址等)的任何便携式电子设备。例如，移动电子设备可以包括但不限于移动电话、平板电脑计算设备、智能手机、智能手表或任何其他合理的移动电子设备。

在可能是机器学习环境和控制系统的一部分的一些示例中，预处理器831从加速度计25接收欧拉角851，并清理和过滤数据以产生包括与震颤相关联的幅度和频率的震颤信号。因此，在一些示例中，预处理器831可以应用一个或更多个滤波器来过滤掉噪声和非震颤运动数据，例如低通滤波器、高通滤波器、带通滤波器、带阻滤波器(band-stopfilter)或带阻滤波器(band-reject filter)、陷波滤波器、梳状全通滤波器、或其他线性和非线性滤波器。例如，预处理器831可以采用例如带通滤波器来提取与震颤相关的加速度计数据，同时过滤掉与震颤不相关的加速度计数据，从而产生表示与震颤相关的欧拉角的震颤信号。

然而，在可能是机器学习环境和控制系统的一部分的一些示例中，震颤信号可以由频率计算器833修改，以基于震颤信号确定震颤的时变频率信号。在一些示例中，可以使用关于带通滤波数据的时间加窗变换(time windowed transform)来表示时变信号，以生成指示随时间变化的震颤频率的频率信号。在一些示例中，时间加窗变换可以包括例如傅立叶变换，诸如快速傅立叶变换(FFT)或其他合适的傅立叶变换或其他变换。在一些示例中，在时间加窗时在频率信号中的峰值的位置可以被识别为峰值时间处的当前震颤幅度。

在可能是机器学习环境和控制系统的一部分的一些示例中，幅度计算器832可以生成震颤的聚合(aggregate)幅度或总(overall)幅度的表示。在一些示例中，幅度计算器832可以分析震颤信号或频率信号并识别震颤周期。例如，幅度计算器832可以识别频率信号中存在连续频率信号的周期。可选地，震颤周期可以是任何给定的时间窗口，使得对于围绕计算震颤幅度的时间的震颤周期窗口连续地计算幅度。在另一示例中，震颤周期可以是收集的欧拉角851的整个周期，例如，自最后一次震颤以来、自最后一次重置以来、自最近一天以来或自其他事件以来。在一些示例中，幅度计算器832然后可以基于欧拉角851的样本的至少一部分或全部来确定震颤幅度信号。例如，与震颤周期相关联的欧拉角851的整个样本的均方根可用于确定幅度。在使用均方根的情况下，在一些示例中，均方根然后可以乘以2的平方根。然而，其他幅度计算技术可以被采用来表示在任何给定震颤周期期间的震颤强度。因为震颤可能具有围绕所有三个轴的旋转幅度分量，所以围绕x、y和z的震颤幅度被组合为矢量和。在一些示例中，周期性地或连续地重新计算震颤幅度。例如，震颤幅度可以根据一个周期来重新计算，该一个周期包括例如1秒、5秒、15秒、30秒、1分钟、15分钟、30分钟、1小时、2小时、3小时、6小时、12小时、24小时或其他合适的周期。从而，可以产生时变震颤幅度的信号作为幅度信号。

因此，控制电路23可以产生包括频率信号和幅度信号的震颤信号234。在一些示例中，震颤信号234然后可以被记录在数字或模拟介质(例如模拟存储装置，例如磁介质、采样保持电路、电容器等)上，例如被记录在合适的存储设备(诸如，例如集中式或分布式数据库、云存储平台、分散式系统、服务器或服务器系统、以及其他存储系统、或者在硬盘驱动器、固态驱动器、闪存驱动器、或其他合适的存储设备)、或者随机存取存储器、高速缓存、缓冲器、或其他合适的存储器设备、或者任何其他数据存储解决方案及它们的组合中。在一些示例中，震颤信号234还可以或可选地被提供给分析系统，以执行震颤分析，例如严重程度跟踪、紧急性检测(例如，关于穿戴者的不利状况的紧急性检测或关于震颤管理硬件11本身的不利状况的紧急性检测)、设备有效性跟踪、设备故障跟踪、设备校准或主动震颤治疗、震颤减轻建议、以及其他分析。

在可能是控制系统的一部分的一些示例中，震颤信号234可以被提供回震颤管理硬件11和/或用户计算设备，以提供反馈。通过将震颤信号234中的震颤检测与报告和设备反馈集成，震颤信号234被集成到治疗设备中，用于直接和即时的震颤减轻和跟踪。因此，在一些示例中，例如通过调整由震颤管理硬件11产生的陀螺力矩的幅值和方向对准，可以实时分析震颤和震颤趋势以进行实时减轻。

图9A是描绘根据当前公开的一个或更多个示例的用于预处理由于震颤而产生的原始加速度计数据的预处理器的说明性示例的框图。

在可能是机器学习环境、控制系统和震颤管理硬件11的一部分的一些示例中，预处理器831可以从加速度计25接收原始数据901，包括例如手、手臂和手腕加速度计数据25。在一些示例中，关于手、手臂和手腕中的每一个的数据可以串行地、单独地或结合地被接收。然而，在一些示例中，为了便于对原始数据901进行有意义的处理以精确地模拟身体运动，原始数据901被调节以例如实施参考系和移除任何误差、不连续性、异常值和其他不准确之处。

在可能是机器学习环境的一部分的一些示例中，在框902处，原始数据901可以从相对参考系转换到绝对参考系。例如，可以处理原始数据901的四元数，可以对角速度进行积分，以及用于将原始数据转换为运动的绝对度量的其他技术。

然后，在框910处，可以对度量进行调节。调节可以包括在框911处分离误差和伪像(artifacts)。例如，可以使用例如Hampel滤波器或用于移除可被识别为异常值或噪声的数据的其他滤波器来识别和移除异常值数据。在框912处，还可以识别和移除数据的时间序列表示中的不连续性，以消除不连续性。例如，可以识别和移除数据信号中定义的跳变区域(jump regions)，并且还可以例如，除了跳变移除器之外，还使用Butterworth滤波器或其他合适的滤波器，来针对其他伪像对数据进行过滤。数据调节还可以包括在框913处对身体运动进行分类。例如，如根据频率和/或幅度，与给定类型的身体运动(例如，震颤、或诸如书写、绘画、进食、准备食物等的特定活动)相关的数据可以从数据中分离和提取。例如，数据调节可以采用例如百分数限幅(percentile clipping)、带通滤波或其他类型的身体运动分类和提取。

在可能是机器学习和云环境的一部分的一些示例中，基于数据调节910，预处理器831可以生成净化的、去噪的和被分类的身体运动模型数据903。在一些示例中，身体运动模型数据903可以包括身体运动建模，该身体运动建模将输出信号与给定类型的运动(例如，书写、绘画、饮水、进食、准备食物、服用药物或其他感兴趣的行为)相关联。

图9B是描绘根据当前公开的一个或更多个示例的使用图9A的预处理器的方法的示例来预处理由于震颤而产生的原始加速度计数据的预处理器的说明性示例的框图。

在可能是机器学习和云环境的一部分的一些示例中，预处理器831从加速度计25接收原始欧拉角851。在一些示例中，加速度计25可以包括用于检测和传送例如分别对应于用户的手、手臂和手腕的欧拉角的原始手欧拉角921、原始手臂欧拉角922和原始手腕/进动欧拉角923的一个或更多个设备。如上所述，原始欧拉角可以包括震颤运动信息以及与用户相关的其他运动。因此，预处理器931可以包括用于从原始欧拉角分离和提取震颤信号的部件。在一些示例中，该部件可以包括例如IF函数924、Hampel滤波器925、跳变移除器926、Butterworth带通滤波器927和百分数限幅器928等。

在可能是机器学习环境的一部分的一些示例中，IF函数924可以通过搜索大于正负165度或正负330度的两个连续数据点之间的变化来校正180度的不连续性和360度的不连续性。如果发现这种变化，则通过相应地相对于数据点(根据步进方向)加或减180度或360度来校正。

在可能是机器学习环境的一部分的一些示例中，Hampel滤波器925然后可以使用7点移动平均值(中值)和标准偏差来识别数据中的异常值。移除距离中值1.5倍标准偏差(std)(3倍标准偏差，或任何其他合适倍数的标准偏差)的任何数据点，并用中值替换。

在一些示例中，跳变移除器926然后可以识别和替换由加速度计25中引起原始数据中的偏差的传感器问题引起的数据中的不连续性，诸如重新校准。不连续性可以被定义为发生在两个连续数据点之间的差大于阈值不连续性差(例如，如(基于以12Hz振荡并以100Hz的速率采样的正负20度的幅度震颤)大于例如15度或10度)时。

在可能是机器学习环境和控制系统的一部分的一些示例中，Butterworth带通滤波器927然后可以使由跳变移除器926产生的具有高于和低于与震颤(例如帕金森震颤、癫痫性震颤(epileptic tremors)、癫痫发作震颤(seizure tremors)等)相关联的频率的震颤频率范围的频率的信号衰减。例如，震颤频率范围可以在大约例如2Hz到12Hz的范围内。在一些示例中，Butterworth带通滤波器407也可以将数据集中在例如大约0度，但是也可以考虑其他集中点(center)。因此，Butterworth带通滤波器927可根据与震颤相关联的预定频率移除与震颤无关的运动的数据。

然而，在一些情况下，由穿戴震颤管理硬件11的用户执行的某些活动可能导致转换成在震颤频率范围内的频率的欧拉角。例如，在一些情况下手写可能在Butterworth带通滤波器927中幸存下来(survive)。因此，在可能是机器学习环境和震颤管理硬件11的一部分的一些示例中，震颤可以被解释为倾向于姿势性的，其中不同的姿势引起不同的震颤特征。因此，在一些示例中，在设置震颤管理硬件11时，用户可能需要在穿戴设备震颤管理硬件11的同时执行一系列姿势，以训练控制电路23和预处理器831。在这些姿势期间，加速度计25可以收集描述用户在给定姿势时的震颤的欧拉角数据以及附加到该姿势的震颤信号或震颤信号的片段的震颤描述符。当使用震颤管理硬件11来执行活动时，这些“震颤描述”可以被调用并被用于过滤原始欧拉角851以分离有意运动。

在可能是机器学习环境的一部分的一些示例中，百分数限幅器928可以分别用99.5百分数和0.5百分数的值替换所有数据点中高于99.5百分数和低于0.5百分数的数据点。这种替换可以移除与未被Butterworth滤波器移除的有意运动相关联的运动伪影的影响。

从而，预处理器831产生与穿戴震颤管理硬件11的用户的震颤的欧拉角相关联的经调节的运动信号。

从上面可以看出，可以应用预处理方法来预处理原始运动数据。应当理解，在通过示例震颤分析系统进行分析之前，数据也可以被归一化和标准化。

为了形成整体震颤管理解决方案，经预处理、归一化和标准化的信号可以用于形成如上所述的控制或震颤信号234，并由震颤分析系统解释，以跟踪、诊断和分析用户震颤和震颤模式，然后向震颤管理硬件11、用户和与用户相关联的患者护理专业人员提供反馈，以管理、控制和/或减轻震颤。

现在返回到本文描述的震颤分析系统710，在可能是机器学习环境的一部分的一些示例中，示例性的有创造性的震颤分析系统710可以被配置成利用一个或更多个示例性AI/机器学习技术，这些AI/机器学习技术选自以下项但不限于以下项：决策树增强、支持向量机、神经网络、最近邻算法、朴素贝叶斯(

Bayes)、装袋(bagging)、随机森林等。在一些示例中，并且可选地结合上文或下文描述的任何示例，示例性神经网络技术可以是但不限于前馈神经网络、径向基函数网络、递归神经网络、卷积网络(例如U-net)或其他合适的网络中的一种。在一些示例中，并且可选地，结合上文或下文描述的任何示例，示例性神经网络可以如下执行。

在一些示例中，并且可选地，结合上文或下文描述的任何示例，示例性经训练的神经网络模型可以至少通过神经网络拓扑、一系列激活函数和连接权重来指定神经网络。例如，神经网络的拓扑可以包括神经网络的节点的配置以及这些节点之间的连接。在一些示例中，并且可选地，结合上文或下文描述的任何示例，示例性经训练的神经网络模型也可以被指定为包括其他参数，包括但不限于偏差值/函数和/或聚合函数。例如，节点的激活函数可以是阶跃函数、正弦函数、连续或分段线性函数、sigmoid函数、双曲正切函数或表示激活节点的阈值的其他类型的数学函数。在一些示例中，并且可选地，结合上文或下文描述的任何示例，示例性聚合函数可以是将到节点的输入信号进行组合(例如，求和、求积等)的数学函数。在一些示例中，并且可选地，结合上文或下文描述的任何示例，示例性聚合函数的输出可以用作示例性激活函数的输入。在一些示例中，并且可选地，结合上文或下文描述的任何示例，偏置项(bias)可以是可以被聚合函数和/或激活函数使用以使节点更可能或更不可能被激活的常数值或函数。在一些示例中，震颤分析系统710可以包括例如严重程度引擎711、护理人员警报引擎712、设备有效性引擎713、设备故障引擎714以及用于实现用于分析运动信号234及任何附加数据301以开发用于减轻震颤和/或诊断震颤和震颤模式的震颤反馈的软件的其他引擎。在一些示例中，严重程度引擎711、护理人员警报引擎712、设备有效性引擎713、设备故障引擎714中的每一个可以单独地或结合地、串行地或并行地利用基于逻辑的分析和机器学习分析来开发相应的严重程度、紧急情况、设备有效性和设备故障指示和模式以及对这些的自动响应。在一些示例中，震颤分析系统710是模块化的，允许添加或移除额外的震颤分析引擎，其中每个引擎可以利用加速度计数据25以及其他健康和临床数据，从而提供智能反馈、设备控制以及用户警报、护理人员警报和临床医生警报。

在可能是机器学习环境的一部分的一些示例中，震颤分析系统710的软件可以在后台连续运行反馈回路并生成控制系统解决方案，该控制系统解决方案使震颤患者、医疗保健提供者或两者都做出是否应用“新”设备操作参数更改的最终决策。当在可能是控制系统和机器学习环境的一部分的一些示例中时，硬件和软件的操作状态是自动化系统，用户参与或干预有限，除了打开/关闭设备。然而，例如设置机器学习环境的初始阶段，存在对于应急操作状态的需求，由此可以基于小得多的数据集和/或不充分的数据分辨率来外推控制系统解决方案。

因此，在一些示例中，包括软件引擎和震颤管理硬件11的本发明的震颤分析系统710的使用将使用运动信号数据234导出“震颤严重程度”的客观标度。这将为对震颤和震颤相关系统的突破性分析和治疗提供客观基础，尽管“震颤严重程度”在医学领域中主要是在主观尺度上构思和理解的。因此，该反馈回路将训练所生成的控制系统解决方案，以与用户或医生对“震颤严重程度”的感知一致，并针对人类主观输入进一步优化其客观作用。

在一些示例中，由震颤分析系统710的每个引擎产生的反馈可以被提供给一个或更多个用户计算设备720，以指示震颤严重程度、震颤模式、任何检测到的紧急情况、设备有效性评估(例如震颤抑制)、设备故障检测等。在一些示例中，用户计算设备720可以包括例如配备有用于在显示器上呈现反馈的应用的移动设备或计算设备。在一些示例中，该应用在震颤分析系统710被包括在一个或更多个用户计算设备720中的情况下可以经由例如直接板载通信从震颤分析系统710接收反馈，或者在震颤分析系统710和一个或更多个用户计算设备720彼此远离的情况下经由应用编程接口(API)从震颤分析系统710接收反馈，以提供警报、显示对加速度计数据的分析、确定震颤管理硬件11的使用状态(震颤管理硬件11当前是否被穿戴)、以及其他功能。在一些示例中，一个或更多个用户计算设备720与穿戴震颤管理硬件11的用户相关联，然而在一些示例中，一个或更多个用户计算设备720可以包括与治疗穿戴震颤管理硬件11的用户的医疗保健专业人员相关联的设备，或者包括与用户相关联的设备和与医疗保健专业人员相关联的设备两者。例如，在一些示例中，每个引擎可以向与穿戴震颤管理硬件11的用户相关联的穿戴者计算设备721、与相对于穿戴者处于看护角色的用户相关联的看护者(护理人员)计算设备722、临床医生计算设备723、以及与对穿戴者的护理相关联的其他用户提供信息。因此，震颤分析系统710的客观反馈可用于经由例如震颤管理硬件11以及面向用户的接口更好地管理震颤。

在一些示例中，在反馈包括设备指令反馈的情况下，例如，在可以通过对由震颤管理硬件11的致动产生的陀螺力矩的强度和方向对准的调制和/或调整来提高设备有效性的情况下，或者在可以实时确定震颤管理硬件11的致动以减轻当前震颤的情况下，震颤分析系统710可以向震颤管理硬件11的控制电路23提供反馈以控制震颤管理硬件11的致动，以及基于震颤模式提供在震颤管理方面的可操作见解和震颤管理建议。

在一些示例中，与震颤管理硬件11的智能控制相耦合的震颤管理硬件11能够使用客观反馈信号和客观震颤测量结果经由陀螺仪致动进行智能震颤管理。这种震颤管理可以改善容易震颤的人(例如患有癫痫、帕金森病症或其他病症的人)的整体健康和生活质量。例如，可以将运动信号与陀螺仪进动信号进行比较，以将陀螺仪致动的强度与震颤的强度进行比较，从而确定震颤管理硬件11的有效性和控制策略。作为另一个示例，调制可以被用于确定陀螺仪设备没有被穿戴，从而向震颤管理硬件11提供反馈以关停。考虑了其他可能的反馈控制。在一些示例中，控制电路23可以在震颤分析系统710被包括在控制电路23中的情况下经由例如直接板载通信从震颤分析系统710接收反馈，或者在震颤分析系统710和控制电路23彼此远离的情况下经由应用编程接口(API)从震颤分析系统710接收反馈。

在一些示例中，上述控制系统可以派生作为分支系统，以允许震颤管理硬件11作为能够生成受控振动并因此提供振动刺激的旋转系统而被操纵。这种控制系统可以通过对不限于以下项的旋转特征的改变而产生：1.初始转子平衡等级、2.系统的转动速度、3.转子质量、4.电机线圈定相、5.电机换向、6.转子质量密度分布、7.进动态、8.进动范围、9.进动轴的取向、以及10.主轴支架。对这些控制元件的单独的或一前一后的操纵可用于通过改变转子的共振频率来生成处于特定频率的具有幅度控制的振动。这是通过以下方式来实现的：首先对转子组件实施包括对控制元件的1、3、4、7、8、9和10的操纵的形态特征(topographical features)，然后对控制元件的2、4、5和7进行运行中的操纵(on-the-flymanipulations)。通过模拟或根据经验进行的转子动力学分析，运行中的调整与振动模式和频率相关。因此，与相关转动速度耦合的期望频率的周期性激励允许精确的高幅度振动脉冲的产生，其中通过振动模式选择(其扭转、弯曲和谐波)实现对脉冲所指向的平面的一些控制。

在一些示例中，上述控制系统可以派生作为分支系统，以允许震颤管理硬件11作为能够生成受控振动并因此提供振动刺激的旋转系统而被操纵。这种控制系统可以通过对不限于以下项的旋转特征的改变而产生：1.初始转子平衡等级、2.系统的转动速度、3.转子质量、4.电机线圈定相、5.电机换向、6.转子质量密度分布、7.进动态、8.进动范围、9.进动轴的取向、以及10.主轴支架。对这些控制元件的单独的或一前一后的操纵可用于通过改变转子的共振频率来生成处于特定频率的具有幅度控制的振动。这是通过以下方式来实现的：首先对转子组件实施包括对控制元件的1、3、4、7、8、9和10的操纵的形态特征，然后对控制元件的2、4、5和7进行运行中的操纵。通过模拟或根据经验进行的转子动力学分析，运行中的调整与振动模式和频率相关。因此，与相关转动速度耦合的期望频率的周期性激励允许精确的高幅度振动脉冲的产生，其中通过振动模式选择(其扭转、弯曲和谐波)实现对脉冲所指向的平面的一些控制。

在一些示例中，可采用调谐质量阻尼器系统来抵消身体部位的周期性运动，该调谐质量阻尼器系统包括系留质量块(captive mass)和在一个或更多个运动轴上作用于该质量块的偏置元件。调谐质量阻尼器系统通常被设计成通过瞄准特定频率来改变受激励力影响的系统的动力学。改变动力学，以便将系统的共振频率移向更期望的值，以及改变处于所述共振频率的振动模式，以利于前述质量块而不是系统安装在其上的主体的运动。发生这种效应的频率通常是窄带，其不适合抑制在宽频率范围内发生的震颤。通过上述偏置元件的弹簧刚度(spring rate)的变化而植入的对质量阻尼器系统的动态控制允许对发生阻尼效应的频率进行控制。采用在可穿戴设备上实现的反馈回路能够监测身体部位运动的状态，并自主调整调谐质量阻尼器系统的调谐，以针对被认为对正常肢体功能不利的周期性运动。前面详述的陀螺仪阻尼系统可用于形成调谐质量阻尼器系统，其中飞轮被视为系留质量块，且进动偏置元件被用作质量偏置元件。对进动轴以及偏置元件的弹簧刚度的一前一后的控制能够产生可调谐的调谐质量阻尼器效应，作为辅助或独立的特征。为了实现调谐质量阻尼器效应，飞轮不需要进行转动。

陀螺仪阻尼系统可以被描述为充当速率相关的运动阻尼器，其中运动阻力与运动速率成比例地生成。在陀螺运动阻尼的情况下，速率相关的阻力效应被应用于旋转运动。同样的效应可以通过机械传动和将线性运动转换为绕陀螺仪元件作用于其上的轴的旋转运动而被线性地施加。运动速率与生成的阻力大小的比例极大地影响阻尼器系统的性能，其中所述比例的自适应控制导致在更广泛的情况(例如多个不同用户或在执行不同活动时的同一用户所经历的情况)下改善震颤阻尼性能。在基于陀螺仪的系统中，除了其他设计特征之外，容易通过改变陀螺仪飞轮的旋转速度来改变运动速率和生成的阻力大小之间的比例。流体阻尼器是相似的阻力设备，采用类似的速率相关运动阻力系统。流体阻尼器也可以作用于旋转运动和线性运动，然而最简单的示例仅限于线性运动。大多数示例由粘性流体作用在其上的活塞组成。流体和活塞被保持在封闭的腔中。可以使用具有可变粘度(例如磁流变)的流体以及可变几何形状的活塞/气缸特征来实现对阻力率的控制。可以使用其他速率相关的现象，包括有色金属中的磁感应、边界膜电阻和气动系统。这使得能够控制阻力率，该控制可以与运动测量设备耦合，以自主地对不希望的运动做出反应。速率相关的运动阻力也可以通过采用恒定阻力元件来实现。这些元件可以在具有主动阻力控制的基于摩擦的运动阻力系统(例如缆式制动器、盘式制动器)中实现。将主动阻力控制引入反馈系统允许通过采用运动测量系统并相应地做出反应来模拟速率相关的运动阻尼。在这种情况下，运动阻力与(线性或旋转)运动速率的比例可以通过直接在软件中高效且有效地调整。应当注意，在多级或多腔流动实现中多种流体类型(例如气体(空气、氮气、氦气)、液体(矿物油、水))、泵类型(小型化齿轮、叶片等)的使用是可以被作为控制系统的一部分的软件包访问的控制参数。从而，通过以上的扩展，在震颤管理硬件11和控制系统的一些示例中，可以穿过人体的关节施加很大的作用力。

在可能是接口、机器学习和云环境的一部分的一些示例中，这三层可以集成到存在于其他震颤管理系统中的反馈回路中，从而被认为是震颤管理硬件11的扩展。在这种扩展的震颤管理硬件11的一些示例中，这种系统可以是直接辅助性质的，或者对震颤具有在刺激暴露的最初阶段之后有意延迟但持续的作用。延迟治疗的示例可以采取经由电脉冲、振动刺激或电磁场暴露等的经皮刺激的形式。如36中所述，陀螺仪设备能够提供体表刺激，且因此控制系统可以从横向理解中产生，即可以通过改变不限于以下项的刺激特征来实现向身体提供模式化刺激：1.定位或单个或多个刺激点在身体上、2.对身体刺激的时间间隔或同时多次激活、3.身体上线性或非线性邻近刺激点的顺序激活。因此，单独地或一前一后地操纵这些控制元件可用于利用机器学习环境以指定的脉冲生成模式刺激，从而完成反应性反馈和控制回路。

在实现对用户有意义的接口的一些示例中，用户计算设备720可以被配置成基于震颤分析系统710解释：接收/处理用户的语音命令——不仅对核心设备有影响，而且在患者、看护者和临床医生/科学家之间提供多路交互/通信，以实现对遭受震颤的用户的语音控制。由于他们的病症，患有震颤的人通常很难与数字界面互动或输入信息。诸如打字、写字或选择按钮等活动都很有挑战性。因此，提出了一种基于语音的界面以用于针对患有震颤的人的应用。

在实现对用户有意义的接口的一些示例中，包括穿戴者计算设备721的用户计算设备720可以提供日志功能或日志接口，其使得陀螺仪设备的穿戴者能够提供日志数据704。例如，用户可以记录消费的食物和饮料、服用的药物和剂量、执行的活动、睡眠估计以及其他行为信息。因此，日志接口可以提供用于将用户生活方式数据合并到震颤分析系统710中以通过分析引擎对与用户活动和行为相关的震颤进行更全面的分析的方式。这种信息可以与其他用户数据组合，该其他用户数据例如是，如由临床医生经由临床医生计算设备523提供的临床数据704、来自例如可穿戴健康跟踪器和其他传感器的传感器数据302，包括例如心率、血压、心率变异性、燃烧的卡路里、健身活动、步数、血氧含量等。在可能是云能力的一部分的一些示例中，日志数据应该被共享，并使用户和医疗保健提供者可以查看。

此外，为了便于用户计算设备720的使用，用户计算设备720还可以配置有例如基于运动信号234的自补偿用户界面，由此，该界面移动或频闪(strobes)从而补偿由于用户震颤引起的位移。

在可能是机器学习环境的一部分的一些示例中，计算设备523可以利用用户活动(包括例如预先安排的或已知的未来活动和事件)来推断可能触发震颤的焦虑或紧张。例如，计算设备523可以利用个人的日历以及结合传感器数据302来识别可能引起焦虑或紧张的个人事件，例如约会或会议。还可以检测可能触发震颤的其他类型的事件和情绪，以前瞻性地识别有引起震颤的风险的场景。作为响应，计算设备523可以包括用于例如提醒用户应用震颤管理硬件11、采取震颤减轻步骤或练习、或者以其他方式采用策略来降低震颤的风险的功能。在可能是云能力的一部分的一些示例中，日志数据应该被共享，并使用户和医疗保健提供者可以查看。在可能是接口和机器学习环境的一部分的一些示例中，医疗保健提供者将能够通过直接写入该日志数据存储库或编程条件机器学习生成的建议来对生活方式的改变提出建议或推动用户的行为。

在一些示例中，震颤分析系统710可以包括各种引擎，这些引擎可能是用于分析震颤相关病症和震颤管理硬件11的遥测和条件的不同方面的机器学习环境的一部分。机器学习环境的引擎描述如下。各种引擎(也可以称为模块)可以单独操作或合作操作(例如共享数据和分析)，可以利用各种数据输入(包括运动信号234和附加数据301)，以识别整体震颤相关和非震颤相关穿戴者度量，从而用于整体用户健康状况分析。这样的引擎可以包括例如震颤严重程度引擎711、护理人员警报引擎712、设备有效性引擎713、设备故障引擎714等。这些引擎还可以被称为震颤严重程度模块711、护理人员警报模块712、设备有效性模块713和设备故障模块714。

A.震颤严重程度引擎711

在可能是机器学习环境的一部分的一些示例中，严重程度引擎711可以分析震颤严重程度，包括跟踪震颤严重程度和震颤严重程度模式、以及跟踪与震颤相关的疾病或病症。与震颤相关的病症是退化性的，且因此随着时间的推移，震颤往往会变得更糟。常规来看，这种进展由临床医生监测，但这样的看病可能不频繁(每6-12个月一次)，且使医疗资源紧张。在一些示例中，严重程度引擎711可用于任何人口统计的用户或患者，然而，那些高于例如约65岁的用户或患者可能具有更有可能导致去医院或看医生的震颤症状。因此，使严重程度引擎711瞄准65岁以上的人对于减少医疗访问可能具有最大的效果，从而缓解了以下难题：旅行方式受限、需要亲自护理者或其他的困难，进而减少资源紧张。替代地，震颤分析系统710可用于跟踪震颤状态和/或震颤退化。例如，在一些示例中，震颤严重程度引擎711可以采用被设计成聚集成临床评定量表(rating scale)(例如，类似于统一帕金森病评定量表、以及关于帕金森病、癫痫和其他震颤相关病症的类似量表)的震颤严重程度的度量。因此，严重程度引擎711可以利用用于推断震颤状态的运动信号234以及附加数据301(包括用户提供的日志数据704)，从而利用各种输入参数(包括作为反馈和输入的大量日志)提供智能震颤管理。

在可能是机器学习环境的一部分的一些示例中，严重程度引擎711可以例如在应用内或在设备上计算震颤幅度和频率计算，而无需任何复杂和资源密集型的机器学习或传递到外部服务器。在一些示例中，严重程度引擎711可以随时间跟踪震颤严重程度。震颤会随着时间的推移而显著变化，诸如压力、焦虑、疲劳和饥饿等因素以及特定活动的表现会影响其严重程度。这种变化使得震颤患者很难评估他们执行任务或保持社会承诺的能力。因此，严重程度引擎711随时间以及其他因素的这种跟踪可有助于经由用户计算设备720提供有用的见解以帮助管理其健康状况。

在可能是机器学习环境的一部分的一些示例中，严重程度引擎711可以使用在一段时间内(例如在显著的一段时间内(其中显著的一段时间包括几个月数量级的一段时间))的板载加速度计数据，震颤严重程度引擎711可以接收运动信号并记录随时间的震颤特性。在一些示例中，震颤严重程度引擎511可以将震颤特性记录为例如幅度、频率、运动轴以及震颤信号中表示的其他数据的例如绘图、表格、阵列或其他表示，该其他数据是例如峰值特征(最小值、最大值)、色散特征(标准偏差、方差)、幅值特征(幅值面积、矢量幅值)、平均值/中值/模、过零、信号能量、信号幅值面积、相位角等。使用该数据，严重程度引擎711可以估计当用户不穿戴设备时震颤严重程度的变化。

在可能是机器学习环境的一部分的一些示例中，严重程度引擎711可以使用在一段时间内(例如在显著的一段时间内(其中显著的一段时间包括几个月数量级的一段时间))的板载传感器数据来记录随时间的震颤特性。在一些示例中，震颤严重程度引擎711可以将震颤特性记录为例如幅度、频率、运动轴以及运动信号中表示的其他数据的例如曲线图、表格、阵列或其他表示。使用该数据，严重程度引擎711可以估计当用户不穿戴设备时震颤严重程度的变化。在一些示例中，设备可以采用一个或更多个存储解决方案来将运动信号和震颤特性记录在例如设备存储设备(例如，固态存储设备、随机存取存储器、闪存、硬盘驱动器或其他设备)上、或者在使用例如云存储、一个或更多个数据库和/或服务器、或其他远程存储解决方案或它们的组合的远程存储设备上。

在可能是机器学习环境的一部分的一些示例中，震颤严重程度引擎711基于记录的震颤特性和震颤抑制水平的视图来确定模式的变动发生在哪里。在一些示例中，例如，震颤严重程度引擎711可以识别震颤严重程度变动发生的位置，并标记该变动以用于进一步分析。例如，震颤严重程度引擎711将震颤严重程度变动与其他用户信息703和/或传感器数据702相关联，以将异常震颤模式与特定行为相关联。在一些示例中，这种震颤模式可以包括在用户不穿戴设备时例如，基于经学习的模式和时间、任何事件以及到不穿戴设备时的时间前的运动信号来推断震颤。因此，即使当用户没有穿戴设备时，震颤严重程度引擎711也可以通过使用先前穿戴设备的长时间段学习震颤模式来推断震颤严重程度。

然而，在可能是机器学习环境的一部分的一些示例中，严重程度引擎711可以替代地或附加地分析来自加速度计输入以及任何附加输入的模式，附加输入是例如生理传感器的输入，附加输入是例如心率监测、脉搏血氧含量、皮肤电活动、血压、体温或其他。在一些示例中，严重程度引擎711采用机器学习模型来分析数据，包括例如基于完成活动或导致完成定义的一个或多个活动的分组微任务的窗口的时间段或任何其他时间段，例如震颤严重程度的每日、每周或每月的模式。类似的模型也可以用于寻找将震颤严重程度与附加数据701输入相关联的模式。例如，附加有用的数据输入可以包括传感器数据702，例如心率、血氧水平和睡眠模式，这些数据可以经由设备内传感器测量或经由第三方可穿戴设备收集。事实上，附加数据701还可以包括指示用户是否已经使用震颤管理硬件11持续给定时间段的数据。因此，严重程度引擎711可以将震颤严重程度与设备使用模式相匹配。

此外，严重程度引擎711可以经由智能手机GPS数据或板载GPS数据来使用位置。例如，在一些示例中，基于附加数据301，严重程度引擎711可以预测或预计震颤的发生和相关联的震颤严重程度，以例如提供预计的震颤减轻信号给震颤管理硬件11的模块，或者经由用户计算设备720警告用户，例如，通过在设备本身或用户或看护者的个人计算设备(例如电话、平板电脑等)上找到的显示/声音/触觉反馈的方式，利用这些方式来生成这种反馈。

在可能是机器学习环境的一部分的一些示例中，机器学习模型可以被训练成随着时间的推移使用例如震颤评级问卷和相继的活动完成度量来适应用户的生活方式或活动。例如，问卷可以包括例如震颤被感知到有多严重、在震颤期间执行了什么活动(例如，书写、绘画、打字、与触摸屏交互、进食、准备食物等)以及客观和主观地量化设备对震颤患者的有效性的其他输入。例如，机器学习模型可以被训练来识别例如比较有可能引发具有给定幅值的震颤的特定的社交事件、食物或活动(例如，驾驶、运动、公开演讲等)。因此，随着用户的生活方式随时间的推移而改变和演变，严重程度引擎711可以通过不断地接收活动信息并将活动与震颤严重程度相匹配而不断地被训练。

在可能是机器学习环境的一部分的一些示例中，严重程度引擎711可以基于例如运动信号234的幅值和频率来估计震颤的严重程度。在一些示例中，严重程度引擎711通过例如计算整个样本的均方根乘以2的平方根，使用由手动IMU输出的加速度计数据25的欧拉角数据来估计严重程度。因为震颤很可能具有围绕所有三个轴的旋转幅度分量，所以围绕x、y和z的震颤幅度被组合为标度为度的矢量和。然而，其他估计也是可能的，例如基于幅度和频率的计算、计算中的方差。幅度/频率之外的其他信号度量包括：峰值特征(最小值、最大值)、色散特征(标准偏差、方差)、幅值特征(幅值面积、矢量幅值)、均值/中值/模、过零、信号能量、信号幅值面积或相位角。

在可能是机器学习环境的一部分的一些示例中，基于由严重程度引擎711确定和记录的震颤严重程度和震颤严重程度模式，严重程度引擎711可以基于在用户的震颤严重程度中发现的模式来提供可操作的见解或预测。例如，可以发现用户的震颤在特定地理位置、在一周的特定时间或当用户没有足够的睡眠时变得更严重，用户的震颤管理硬件11的使用频率指示严重程度的增加还是严重程度的减少等。然后可以(经由该设备或第三方设备)向用户提供提示，以检查在那些导致症状恶化的特定位置或时间发生了什么，或者提醒他们(例如)更早睡觉以避免症状变得更严重。

在可能是机器学习环境的一部分的一些示例中，可操作的见解将由严重程度引擎711自动生成，并在相应的用户计算设备720处呈现给用户和临床医生。例如，用户可以连接一个应用，该应用询问他们是否想要提高设备的速度(即强度)。

在可能是机器学习环境和ii.接口的一部分的一些示例中，可操作的见解可以经由例如应用以简短的概要呈现，该简短的概要总结了严重程度模式以及在给定时间窗口(例如一天、一周、两周或一个月)中严重程度和其他因素之间的建议相关性，从而允许用户就生活方式决策和活动做出明智的选择。例如，可操作的见解可以呈现对震颤在一周中最糟糕的时间或一天中最糟糕的时间的分析、可能已经导致更好或更坏症状的活动或事件的指示(包括用户在给定时间段内使用震颤管理硬件11的频率)以及设备已经有多有效的指示。在一些示例中，可操作的见解可以采取通知的形式，以提醒用户对震颤在一周中最糟糕的时间或一天中最糟糕的时间采取动作来减轻症状或采取其他动作。

在可能是机器学习环境和接口的一部分的一些示例中，震颤严重程度模式可以与在其中用户可以输入用户信息703的用户日志相结合。例如，用户可以记录他们去了哪里、他们做了什么、他们吃了什么、他们喝了多少水、服用了多少药物和什么药物、开出的药物和剂量、他们睡了多长时间、以及其他信息。然后，可以将用户日志与震颤严重程度模式相匹配，以指示用户行为和震颤严重程度之间的相关性。在一些示例中，用户日志可以是用户输入的数字记录，以便于用户(患者)和看护者(临床医生或助手/护士/家庭成员)对被写入的相同用户简档/文件进行多次访问。在可能是接口的一部分的一些示例中，在穿戴者计算设备721处的患者和在护理人员计算设备722处的家庭成员/助手可以具有查看所呈现的信息的能力和编辑所呈现的信息的有限能力。在一些示例中，在临床医生计算设备723处的临床医生/护士可以具有查看数据收集的能力和利用数据收集用于诊断目的的灵活性。在这两种情况下，用户和看护者都可以要求可视化/列表化的活动日记/消费日志。

在可能是机器学习环境和接口的一部分的一些示例中，用户日志也可以用于确认震颤检测或震颤严重程度，例如以训练机器学习模型或其他算法。实际上，用户日志可以用作人工注释数据集，对照该人工注释数据集，可以检查由严重程度引擎711确定的震颤严重程度，包括用户自己对震颤严重程度评级。在一些示例中，严重程度引擎711可以与用户信息703结合，用户信息703包括与用户相关的医疗保健提供者信息到关于震颤实际上如何发展以及震颤潜在地与什么相关联的全套信息(包括用户正在服用的其他特定药物或用户在这段时间内已经经历的其他治疗)。例如，对于可能是机器学习环境的一部分的示例，严重程度引擎711可以提供就医学和非医学因素而言震颤如何在该用户的生活方式中实际运行的完整映射图。因此，提供者通过图形用户界面查看患者看到的一切以及用于临床医生的附加见解，例如，在规定的时间段内震颤的完全分解、或者被分解用于分析的所有震颤严重程度数据的图形显示、以及它们的组合等。然而，在可能是机器学习环境和接口的一部分的一些示例中，严重程度引擎711可以附加地或可选地经由例如基于语音的接口、增强或虚拟现实接口或用于提供在震颤和用户的生活方式、活动和行为之间的相互作用的映射图的任何其他合适的接口来提供见解。

这些见解允许提供更全面的症状管理平台，不仅解决症状，而且通过向用户和医疗保健提供者提供对原因和恶化因素的理解来帮助减轻其严重程度和发生率。在一些示例中，用户受益于在没有额外的临床医生就诊的情况下以较高的保真度监测他们的疾病进展的能力。事实证明，鉴于全世界目前正在面临极具挑战性的COVID-19，且随着近距离接触时间的执行和不鼓励，这一点更显得极其重要。

B.护理人员警报引擎712

在可能是机器学习环境和接口的一部分的一些示例中，震颤分析系统710可以包括护理人员警报引擎712，以检测指示需要帮助的用户定义的状况，并例如通过用户计算设备720自动向负责该用户护理的人发出警报。例如，震颤管理硬件11可能经常由老年人使用，他们具有跌倒、突发疾病或受伤的比较大的风险。这些使用者通常由亲属照顾，这些亲属不得不在照顾责任与工作、孩子等之间周旋。持续地让看护者为患者服务是耗时的，并且可能是有压力的。因此，护理人员警报引擎712可自动检测用户何时处于紧急情况，并自动向护理人员或一组预定护理人员发出警报。在可能是机器学习环境和接口的一部分的一些示例中，护理人员警报引擎712可以采用一系列护理人员的功能流来发布警报，例如基于位置、可用性指示或护理人员可用性的其他确定。因此，护理人员警报引擎712可以连续地向顺序系列中的每个护理人员发出警报，其中该顺序基于对最可能可用的护理人员的确定。

在可能是机器学习环境的一部分的一些示例中，护理人员警报引擎712基于加速度计数据25来检测跌倒。例如，许多用户可能是老年人或由于跌倒而容易受伤的人，例如受伤或其他并发症可能导致慢性并发症或受伤。在可能是机器学习环境的一部分的一些示例中，护理人员警报引擎712可以利用运动信号234来识别跌倒，然而，控制电路23可能已经过滤掉将指示跌倒的加速度计数据851。在一些示例中，基于原始加速度计数据和/或运动信号234，护理人员警报引擎712利用例如启发式算法或跌倒检测机器学习算法、或两者来将数据与跌倒的指示相关联。在一些示例中，启发式可以包括识别加速度计数据指示震颤管理硬件11开启且不移动的位置。然而，这种方法可能会生成许多误报(false positive)。因此，在可能是机器学习环境的一部分的一些示例中，启发式被设计成在加速度计数据中寻找指示跌倒运动本身的特征，并且通过扩展确定跌倒的严重程度。在一些示例中，机器学习模型用于将加速度计数据的片段分类为指示跌倒运动本身的特征。在可能是机器学习环境和接口的一部分的一些示例中，在检测到跌倒时，可以向护理人员发送例如在与用户相关联的附加数据301中被识别为指示潜在跌倒紧急情况的警报。在可能是机器学习环境和接口的一部分的一些示例中，护理人员警报还可以包括其他警报条件，例如，与其他传感器数据302和临床数据705相关的警报条件。例如，在用户具有例如由医生或可穿戴健康跟踪设备测量的生物测定参数的情况下，落在阈值条件之外的参数可能导致向看护者发出警报。例如，当用户的血压或脉搏下降到低于阈值水平或上升到高于阈值水平时，护理人员警报引擎712可以向护理人员发出警报。因此，护理人员警报引擎712可以例如经由有线或无线网络连接(例如与互联网的WiFi连接)或者经由用户的穿戴者计算设备721，将警报传送到与远程护理人员相关联的护理人员计算设备722，穿戴者计算设备721则可以经由互联网将警报中继到护理人员计算设备522。类似的警报也可以在临床医生计算设备523处被提供给临床医生。

C.设备有效性引擎713

在可能是机器学习环境的一部分的一些示例中，设备有效性引擎713可以被用于基于例如由上述严重程度引擎711提供的震颤严重程度模式来跟踪用户的设备有效性。由于影响震颤和设备有效性的各种因素，通常难以评估(对于给定用户)用户在什么情况下将对震颤管理硬件11做出良好响应。从而，设备有效性引擎713可以随时间和跨一系列背景(不同的活动、药物状态等)跟踪设备的有效性。

在可能是硬件、控制系统和机器学习环境的一部分的一些示例中，震颤管理硬件11可以包括板载加速度计和位置传感器，其跟踪穿戴者的手在自由空间中的运动和位置。在一些示例中，设备有效性引擎713可以采用运动信号234，该运动信号234包括在手套打开的情况下用于跟踪震颤严重程度的加速度计数据、以及陀螺仪振荡、在穿戴设备但没有陀螺仪输出时的附加校准数据(例如，用户从经认证的或临床认可的问卷中提供的信息等)、一天中的时间、所识别的由用户执行的活动、以及包括例如用户的健康状况、年龄、体重、身高和其他健康和生理相关数据的用户信息302。

在可能是机器学习环境的一部分的一些示例中，震颤管理硬件11可以评估这些参数或使用这些参数以确定震颤严重程度是否低于估计的震颤基线(在没有震颤管理硬件11来减轻震颤的情况下的用户震颤严重程度)。在可能是机器学习环境的一部分的一些示例中，类似于严重程度引擎711，设备有效性引擎713可以确定在持续较长时间段(例如，一周、一个月、两个月、三个月、六个月、一年等)穿戴震颤管理硬件11之后(例如，如果用户可以在更长的时间段内执行更多的活动)，用户的任何活动模式或震颤严重程度模式是否正在改变。设备有效性引擎713可以使用运动信号数据234来导出如[0045]中所描述的震颤抑制指数，其中值1表示完全抑制，接近0的值表示震颤功率没有变化，以及负值表示相对于基线震颤增强。可以随时间跟踪个体的震颤抑制指数，并且可以由设备有效性引擎711标记震颤抑制衰减的周期(天/周)，以向用户/护理人员/健康提供者发出警报。

在可能是控制系统和机器学习环境的一部分的一些示例中，为了确定震颤严重程度是否被有效地减轻(例如，低于估计的基线)以及活动模式和/或震颤严重程度模式是否已经被改善，设备有效性引擎713可以采用有效性机器学习模型来将运动信号234与改进的度量相关联。在一些示例中，有效性机器学习模型可以基于由用户标记的运动信号进行训练，其中每个运动信号被标记有设备有效性(震颤抑制增加)或无效性(稳定或震颤抑制衰减)或两者的周期。在一些示例中，有效性机器学习模型可以利用与每个运动信号相关联的原始用户的上述度量和特征、它们对设备的响应以及背景(例如正在执行的活动等)来识别与高设备功效相关联的特征和背景。在一些示例中，震颤抑制的水平可以被估计为1减去在有刺激和没有刺激的情况下震颤功率之间的比率，使得接近1的值指示完全抑制，接近0的值指示震颤功率没有变化，以及负值指示相对于基线震颤增强。然后，可以在不同的刺激条件下估计每个个体的震颤抑制的平均水平，以优化设备的有效性。

因此，在可能是控制系统和机器学习环境的一部分的一些示例中，在有效性机器学习模型被馈送用户的未标记运动信号234和附加数据301的情况下，有效性机器学习模型可以将用户特征和用户背景(例如，活动、地点、天气等)与预期的和/或观察到的设备有效性相关联。然后，有效性机器学习模型可以例如响应于由设备有效性引擎713指示的设备有效性，使用在用户计算设备720处的用户输入，被进一步训练。例如，用户可以指示使用运动信号234数据检测到的震颤实际上是用户在握手。作为另一个示例，用户可以指示低设备功效指示实际上是由震颤发作引起的。基于用户输入，可以计算误差，并且可以执行交叉验证以将误差反向传播到有效性机器学习模型。

从而，在可能是机器学习环境的一部分的一些示例中，设备有效性引擎713可以分析震颤和震颤管理硬件11的数据，以确定可以在临床医生计算设备723处输出给临床医生的功效模式，以通知在哪些背景下具有震颤管理硬件11的最大的益处。在一些示例中，设备有效性引擎713可以提供例如设备有效性评估。然而，在可能是控制系统和机器学习环境的一部分的一些示例中，设备有效性引擎713可以附加地或替代地向临床医生提供与用户运动信号的描述相邻的震颤管理硬件11的陀螺仪的运动信号的描述(参见图7B)，其中陀螺仪的高运动与用户的低运动指示有效性，而陀螺仪的高运动或低运动与用户的高运动指示无效性(参见图7B，其中顶部信号对应于陀螺仪，以及底部信号对应于用户的手)。

这允许用户最小化对用户舒适度和健康影响较小的对设备的不太相关的使用，以最大化有效性。实际上，穿戴震颤管理硬件11持续延长的长时间段可能不是用户喜好。因此，使设备的使用最小化到仅最有利影响的背景下可以改善用户体验和设备的接受度。此外，指示何时可能不需要震颤管理硬件11可以导致减少不必要的使用，这可以通过最小化“无用(unhelpful)”使用来增加震颤管理硬件11的可用寿命。

D.设备故障引擎714

在可能是接口、控制系统和机器学习环境的一部分的一些示例中，患有手部震颤的人在完成日常生活活动时已经面临重大挑战，因此认为对有缺陷设备的深思熟虑的解决要素是必要的。在可能是机器学习环境的一部分的一些示例中，震颤分析系统710可以利用设备故障引擎714来识别其中震颤管理硬件11已经被损坏的设备损坏事件。作为机械工具的陀螺仪设备可包括在其寿命期间需要维护的部件，例如在跌落后可能需要更换的轴承或者因为其随着时间的推移而失去容量的电池。因此，其可能是接口、控制系统和机器学习环境一部分，设备故障引擎714可以与用户计算设备720通信以向用户发出警报、向用户提供故障排除引导(还可以向患者提供针对简单问题的简单故障排除步骤)、向用户的医疗保健专业人员或其他护理人员发出警报、提供关于请求技术支持或检索以用于进一步维护或诊断的帮助、以及关于损坏事件问题的其他通知及它们的组合。

在可能是机器学习环境的一部分的一些示例中，设备故障引擎714可以分析直接来自加速度计的加速度计数据，例如运动信号234或欧拉角。基于加速度计数据，设备故障引擎714可以监测大的加速度值，例如匹配或超过重力的加速度。这样的加速度可能指示撞击或跌落。在一些示例中，加速度计数据可以通过第二数据302中的振动传感器数据来增强或用第二数据302中的振动传感器数据来代替，以检测影响震颤管理硬件11的振动。在发现满足或超过由于重力引起的加速度的值的情况下，记录潜在故障指示，并且生成警报以在用户计算设备720处向用户或医疗保健提供者发出警报。在一些示例中，例如100倍重力加速度(100“g”)的加速度，点击的轴承可能已经损坏。此外，设备故障引擎714可以跟踪经历的时间期间的高加速度读数，以跟踪潜在损坏并推断震颤管理硬件11的退化。

在可能是机器学习环境的一部分的一些示例中，设备故障引擎714还可以经由传感器数据703中的温度读数来监测温度。设备故障引擎714可以在识别到极端温度的情况下，例如超出震颤管理硬件11的正常操作条件(例如，低于约22华氏度(30摄氏度)或高于约175华氏度(130摄氏度))，或者超出基于震颤管理硬件11的电机的操作规格的其他温度范围(例如，其中用户使陀螺仪设备经受北极或南极天气，或者将震颤管理硬件11放在烘箱或衣物烘干机中)，推断温度对陀螺仪设备造成损坏。然后，设备故障引擎714可以生成并记录潜在故障指示，生成警报以在用户计算设备720处向用户或医疗保健提供者发出警报。

在可能是机器学习环境的一部分的一些示例中，设备故障引擎714还可以经由传感器数据703中的湿度(humidity)或水分(moisture)读数来监测水分。在例如在震颤管理硬件11的外壳内识别到水分的情况下(例如，在用户将震颤管理硬件11掉落在水体、浴缸、水槽或其他有水的地方的情况下)，设备故障引擎714可以推断水分对震颤管理硬件11造成损坏。然后，设备故障引擎714可以生成并记录潜在故障指示，生成警报以在用户计算设备720处向用户或医疗保健提供者发出警报。

在可能是控制系统和机器学习环境的一部分的一些示例中，设备故障引擎714还可以经由传感器数据703中的电压读数来监测电池电压。其中汲取的电池电流下降到低于阈值电流。例如，汲取的电流可以随时间跟踪，并且可以随时间积分，以确定例如在放电循环(放电到特定百分比，例如20％)中汲取的总电流，其中一旦汲取的总电流下降到低于原始或标称汲取电流的百分比，例如低于约80％，就可以确定电池退化。然后，设备故障引擎714可以生成并记录潜在故障指示，生成警报以在用户计算设备720处向用户或医疗保健提供者发出警报。

类似地，在可能是控制系统和机器学习环境的一部分的一些示例中，设备故障引擎714还可以经由传感器数据703中的电压读数来监测由回流电动势(EMF)引起的电压尖峰的电压。例如，当电机以错误的方向旋转时、当电池电压不足以使陀螺仪电机旋转时、或者当充电电缆以相反或不正确的极性插入时，可能会检测到回流。回流可能会损坏电池和其他部件。因此，在电压尖峰的情况下，设备故障引擎714则可以生成并记录潜在故障指示，生成警报以在用户计算设备720处向用户或医疗保健提供者发出警报。然而，在一些示例中，震颤管理硬件11可以配备有针对这种故障模式的保护措施，以降低设备故障引擎714识别与电压浪涌相关的故障的风险。例如，为电池充电的电连接可以是单向连接的，使得只有电缆的正确侧可以插入电池进行充电，或者霍尔效应传感器极性特定磁体可以集成在连接中，以仅将连接器机械地连接到适当的端口，并直接向处理器提供关于正确或不正确连接的反馈。

在可能是控制系统和机器学习环境的一部分的一些示例中，设备故障引擎714还可以经由软件安全扫描器和许可来监测软件渗透。例如，在设备故障引擎714识别到未经授权固件映像/代码的停止侧加载(stop side-loading)的情况下，识别出软件安全或软件渗透故障。然后，设备故障引擎714可以生成并记录潜在故障指示，生成警报以在用户计算设备720处向用户或医疗保健提供者发出警报。

因此，在可能是接口、控制系统和机器学习环境的一部分的一些示例中，用户被提前发出故障或服务要求的警报，从而确保震颤管理硬件11的最佳性能。

E.震颤管理建议引擎315

在可能是接口、控制系统和机器学习环境的一部分的一些示例中，管理建议引擎315可以在用户计算设备720处为用户产生智能震颤管理建议。个体震颤患者通常会发展个人应对策略或管理技术来应对他们的震颤。这些通常在支持小组或通过其他个人关系分享。然而，患有震颤的个体通常与其他患者分离，无法接近这些支持系统。从而，基于对由严重程度引擎711确定的震颤严重程度模式和疾病进展模式以及其他用户震颤特征的分析，可以基于来自其他用户的数据来建议管理策略。震颤症状高度因用户而异，且在原发性震颤和帕金森病等疾病之间也有很大差异。因此，当患者能够在较短/较长的活动持续时间内他/她自己准备好需要较高/较低水平的精细运动控制的完整活动时，解决这种不一致的症状有助于独立性的恢复。

在可能是控制系统和机器学习环境的一部分的一些示例中，来自运动信号234的震颤幅度和频率可以被馈送到震颤管理机器学习模型中，这些模型用针对每个个体的运动信号的震颤管理策略来标记。在一些示例中，标记的数据可以用于训练无监督学习模型，例如，聚类算法，该聚类算法可以将震颤特征聚类成震颤管理策略的类别，从而有助于识别不同运动信号234的最佳震颤应付策略。例如，基于运动信号234或运动信号234的一部分，管理建议引擎315可以基于经学习的震颤管理机器学习模型产生适合运动信号234的特征的震颤管理策略的建议。

例如，管理建议引擎315基于所学到的应付和/或行为策略提供推荐，例如呼吸练习、食物和饮料消费模式、任务的微观管理、以及要改变或用于管理震颤严重程度的其他行为。例如，冥想/正念练习可以包括进行心智练习(例如，进行专注、正念或其他练习)的建议，从而培养对完成活动或任务的所有微运动和程序步骤的意识。例如，用户可以被建议摄入更多或更少的给定物质，例如酒精和咖啡因。例如，用户可以被建议在午餐或晚餐时饮用酒精，包括例如一杯葡萄酒，以最小化酒精对身体的震动利用初始效应。例如，可以提出关于任务的微观管理的建议，例如泡杯茶，首先确保处理干/冷成分，以及然后在添加热水作为最后一步之前将茶、牛奶和糖加入马克杯中。

F.附加引擎

在可能是控制系统和机器学习环境的一部分的一些示例中，震颤分析系统710还可以包括除了上述引擎之外或代替上述引擎用于执行附加震颤分析的引擎。在一些示例中，每个附加引擎可以引擎间彼此合作，例如，使用来自各种引擎的输出作为特定引擎的输入。

对于可能是界面、控制系统和机器学习环境的一部分的示例，活动识别和跟踪引擎可以被用来标记可能指示更广泛的健康问题的显著行为变化。

在可能是控制系统和机器学习环境的一部分的一些示例中，健康状况诊断引擎可以被用来诊断患者震颤的潜在健康状况，并基于震颤特征缩小要探索的可能的诊断路径的范围。

在可能是控制系统和机器学习环境的一部分的一些示例中，消耗引擎可以被用来跟踪物质消耗并在不需要用户输入的情况下提供诸如酒精的物质对震颤严重程度的影响的指示。指示评估引擎可以被用来使用来自现有设备用户的表现和功效数据来识别将对该设备反应良好的未来患者。

在可能是接口、控制系统和机器学习环境的一部分的一些示例中，正念引擎可以被用来引导用户通过简单的正念或冥想练习，包括例如专注放慢、有节奏的触觉脉搏并使他们的呼吸与其节奏相匹配。

在可能是五层环境的一部分的一些示例中，震颤治疗增强引擎可以被用来考虑其他震颤治疗和药物以用于对震颤的补充减轻。

在可能是接口、控制系统和机器学习环境的一部分的一些示例中，活动识别和调整引擎可以被用来自动识别加速度计数据中的特定活动，并提供震颤管理硬件11调制以促进这些活动的执行。

类似地，在可能是接口、控制系统和机器学习环境的一部分的一些示例中，震颤严重程度跟踪和调整引擎可以被用来基于震颤严重程度模式提供震颤管理硬件11调制以预测和减轻震颤发作。

类似地，在可能是五层环境的一部分的一些示例中，活动识别、震颤严重程度跟踪和其他生理传感器数据可以被单独地或结合地处理，以导出生理“指纹”的等价物。在可能是接口、机器学习和云环境的一部分的一些示例中，该“指纹”可以被应用为数字系统中的认证因素，类似于如何利用经由软件生成的安全密钥来获得对安全软件应用的访问。身体震颤患者通常在精细运动控制方面有困难，并且发现很难访问小按钮和相对微小的触摸点以获取生成这种安全密钥(例如，Yubikeys、Google身份验证器、DUO身份验证器、Microsoft身份验证器、物理安全密钥生成Fobs)的权限。

在可能是接口和机器学习环境的一部分的一些示例中，安装在身体外部的感官平台可以用于获得关于人体运动的数据。这可以采取作为震颤管理硬件11的一部分嵌入的传感器的形式，或者通过诸如网状织物、穿孔氯丁橡胶的填隙材料层嵌入到身体上的传感器的形式，或者作为放置在衣服口袋内的模块化插入物直接附着。在可能是接口和机器学习网络的扩展的一部分的一些示例中，身体本身可以用作直接感官平台，并且因此通过扩展被认为是震颤管理硬件11的一部分，提供以这种受控方式将电流传导到人体并通过人体的能力，以用作电路网络或甚至脉宽调制过程中的开关或门。这被认为非常有利于通过将身体运动聚合和/或分组为标识符标签，特别是在我们的机器学习环境的帮助下，来更准确地推断活动监测结果。

图10描绘了根据本公开的一个或更多个示例的示例性基于计算机的系统和平台1200的框图。然而，并非所有这些部件都需要实践一个或更多个示例，并且在不脱离本公开的各种示例的范围的情况下，可以对部件的布置和类型做出变化。在可能是机器学习和云环境的一部分的一些示例中，示例性基于计算机的系统和平台1200的说明性计算设备和说明性计算部件可以被配置成管理大量成员和并发事务，如本文所详述的。在一些示例中，示例性的基于计算机的系统和平台1200可以基于可扩展的计算机和网络架构，该可扩展的计算机和网络架构结合了用于评估数据、高速缓存、搜索和/或数据库连接池的各种策略。可扩展架构的一个示例是能够操作多个服务器的架构。

在可能是机器学习和云环境的一部分的一些示例中，参考图10，示例性的基于计算机的系统和平台1200的成员1202-1204(例如，客户端)可以包括几乎任何计算设备，这些计算设备能够通过诸如网络1205的网络(例如，云网络)向另一计算设备(例如服务器1206和1207)彼此之间接收和发送消息等。在一些示例中，成员设备1202-1204可以是个人计算机、多处理器系统、基于微处理器或可编程消费电子产品、网络PC等。在一些示例中，成员设备1202-1204中的一个或更多个成员设备可以包括通常使用无线通信介质连接的计算设备，例如蜂窝电话、智能电话、寻呼机、对讲机、射频(RF)设备、红外(IR)设备、CB、组合一个或更多个前述设备的集成设备或几乎任何移动计算设备等。在一些示例中，成员设备1202-1204中的一个或更多个成员设备可以是能够使用有线或无线通信介质进行连接的设备，例如PDA、掌上电脑、可穿戴计算机、膝上型电脑、平板电脑、台式计算机、上网本、视频游戏设备、寻呼机、智能电话、超移动个人计算机(UMPC)和/或被装备成通过有线和/或无线通信介质(例如，NFC、RFID、NBIOT、3G、4G、5G、GSM、GPRS、WiFi、WiMax、CDMA、卫星、ZigBee等)进行通信的任何其他设备。在一些示例中，成员设备1202-1204中的一个或更多个成员设备可以包括可以运行一个或更多个应用，例如互联网浏览器、移动应用、语音呼叫、视频游戏、视频会议和电子邮件等。在一些示例中，成员设备1202-1204中的一个或更多个成员设备可以被配置为接收和发送网页等。在一些示例中，本公开的示例性具体编程的浏览器应用可以被配置成使用几乎任何基于web的语言来接收和显示图形、文本、多媒体等，该任何基于web的语言包括但不限于标准通用标记语言(SMGL)(例如超文本标记语言(HTML))、无线应用协议(WAP)、手持设备标记语言(HDML)(例如无线标记语言(WML))、WMLScript、XML、JavaScript等。在一些示例中，成员设备1202-1204中的成员设备可以通过Java、.Net、QT、C、C++和/或其他合适的编程语言来具体编程。在一些示例中，成员设备1202-1204中的一个或更多个成员设备可以被具体编程为包括或执行应用以执行各种可能的任务，例如但不限于消息收发功能、浏览、搜索、播放、流式传输或显示各种形式的内容，包括本地存储或上传的消息、图像和/或视频和/或游戏。

在可能是机器学习和云环境的一部分的一些示例中，示例性网络1205可以向与其耦合的任何计算设备提供网络访问、数据传输和/或其他服务。在一些示例中，示例性网络1205可以包括和实现至少一个专用网络架构，该至少一个专用网络架构可以至少部分地基于例如但不限于全球移动通信系统(GSM)协会、互联网工程任务组(IETF)和全球微波接入互操作性(WiMAX)论坛设置的一个或更多个标准。在一些示例中，示例性网络1205可以实现GSM架构、通用分组无线服务(GPRS)架构、通用移动电信系统(UMTS)架构以及被称为长期演进(LTE)的UMTS演进中的一个或更多个。在一些示例中，示例性网络1205可以包括和实现由WiMAX论坛定义的WiMAX架构，作为替代上述一个或更多个或与上述一个或更多个结合。在一些示例中，并且可选地，结合上文或下文描述的任何示例，示例性网络1205还可以包括例如以下中的至少一种：局域网(LAN)、广域网(WAN)、互联网、虚拟LAN(VLAN)、企业LAN、三层虚拟专用网络(VPN)、企业IP网络或它们的任意组合。在一些示例中，并且可选地，结合上文或下文描述的任何示例，可以至少部分地基于一种或更多种通信模式来传输示例性网络1205上的至少一个计算机网络通信，通信模式例如但不限于：NFC、RFID、窄带物联网(NBIOT)、ZigBee、3G、4G、5G、GSM、GPRS、WiFi、WiMax、CDMA、卫星及它们的任意组合。在一些示例中，示例性网络1205还可以包括大容量存储装置，例如网络附属存储(NAS)、存储区域网络(SAN)、内容分发网络(CDN)或其他形式的计算机或机器可读介质。

在可能是机器学习和云环境的一部分的一些示例中，示例性服务器1206或示例性服务器1207可以是运行网络操作系统的web服务器(或一系列服务器)，其示例可以包括但不限于Microsoft Windows Server、Novell NetWare或Linux。在一些示例中，示例性服务器1206或示例性服务器1207可以用于和/或提供云和/或网络计算。尽管在图10中未示出，但在一些示例中，示例性服务器1206或示例性服务器1207可以连接到外部系统，如电子邮件、SMS消息传递、文本消息传递、广告内容提供商等。示例性服务器1206的任何特征也可以在示例性服务器1207中实现，反之亦然。

在可能是机器学习和云环境的一部分的一些示例中，示例性服务器1206和1207中的一个或更多个可以被具体编程为在非限制性示例中执行认证服务器、搜索服务器、电子邮件服务器、社交网络服务服务器、SMS服务器、IM服务器、MMS服务器、交换服务器、照片共享服务服务器、广告提供服务器、金融/银行相关服务服务器、旅游服务服务器或用于成员计算设备1201-1204的用户的任何类似合适的基于服务的服务器。

在可能是机器学习和云环境的一部分的一些示例中；而且，可选地，结合上文或下文描述的任何示例，例如，一个或更多个示例性计算成员设备1202-1204、示例性服务器1206和/或示例性服务器1207可以包括具体编程的软件模块，该具体编程的软件模块可以被配置为使用以下项来发送、处理和接收信息：脚本语言、远程过程调用、电子邮件、推文、短消息服务(SMS)、多媒体消息服务(MMS)、即时消息(IM)、互联网中继聊天(IRC)、mIRC、Jabber、应用编程接口、简单对象访问协议(SOAP)方法、公共对象请求代理架构(CORBA)、HTTP(超文本传输协议)、REST(表述性状态转移)或它们的任何组合。

图11描绘了根据本公开的一个或更多个示例的另一示例性基于计算机的系统和平台1300的框图。然而，并非所有这些部件都需要实践一个或更多个示例，并且在不脱离本公开的各种示例的范围的情况下，可以对部件的布置和类型做出变化。在一些示例中，所示的成员计算设备1302a、1302b至1302n中的每一个至少包括计算机可读介质，例如耦合到处理器1310或闪存的随机存取存储器(RAM)1308。在一些示例中，处理器1310可以执行存储在存储器1308中的计算机可执行程序指令。在一些示例中，处理器1310可以包括微处理器、ASIC和/或状态机。在一些示例中，处理器1310可以包括介质，或者可以与介质通信，介质例如是计算机可读介质，其存储指令，该指令当由处理器1310执行时，可以使处理器1310执行本文描述的一个或更多个步骤。在一些示例中，计算机可读介质的示例可以包括但不限于能够向处理器(例如客户端1302a的处理器1310)提供计算机可读指令的电子、光学、磁性或其他存储或传输设备。在一些示例中，合适介质的其他示例可以包括但不限于软盘、CD-ROM、DVD、磁盘、存储芯片、ROM、RAM、ASIC、配置的处理器、所有光学介质、所有磁带或其他磁性介质、或者计算机处理器可以从中读取指令的任何其他介质。此外，各种其他形式的计算机可读介质可以向计算机(包括路由器、专用或公共网络或其他有线和无线传输设备或信道)传输或携带指令。在一些示例中，指令可以包括来自任何计算机编程语言的代码，计算机编程语言包括例如C、C++、Visual Basic、Java、Python、Perl、JavaScript等。

在可能是接口、机器学习和云环境的一部分的一些示例中，成员计算设备1302a到1302n还可以包括多个外部或内部设备，例如鼠标、CD-ROM、DVD、物理或虚拟键盘、显示器或其他输入或输出设备。在一些示例中，成员计算设备1302a到1302n(例如，客户端)的示例可以是连接到网络1306的任何类型的基于处理器的平台，例如但不限于个人计算机、数字助理、个人数字助理、智能电话、寻呼机、数字平板电脑、膝上型计算机、互联网设备和其他基于处理器的设备。在一些示例中，成员计算设备1302a到1302n可以根据本文详述的一个或更多个原理/方法用一个或更多个应用程序具体编程。在一些示例中，成员计算设备1302a到1302n可以在能够支持浏览器或支持浏览器的应用的任何操作系统(例如Microsoft^TM、Windows^TM和/或Linux)上操作。在一些示例中，所示的成员计算设备1302a到1302n可以包括例如执行浏览器应用(例如Microsoft公司的Internet Explorer^TM、Apple计算机公司的Safari^TM、Mozilla Firefox和/或Opera)的个人计算机。在一些示例中，通过成员计算客户端设备1302a到1302n，用户1312a到1302n可以通过示例性网络1306彼此通信和/或与耦合到网络1306的其他系统和/或设备通信。如图11所示，示例性服务器设备1304和1313也可以耦合到网络1306。在一些示例中，一个或更多个成员计算设备1302a至1302n可以是移动客户端。

在可能是机器学习和云环境的一部分的一些示例中，示例性数据库1307和1315中的至少一个数据库可以是任何类型的数据库，包括由数据库管理系统(DBMS)管理的数据库。在一些示例中，示例性DBMS管理的数据库可以被具体编程为控制相应数据库中数据的组织、存储、管理和/或检索的引擎。在一些示例中，示例性DBMS管理的数据库可以被具体编程为提供查询、备份和复制、实施规则、提供安全性、计算、执行更改和访问日志记录和/或自动化优化的能力。在一些示例中，示例性DBMS管理的数据库可以选自Oracle数据库、IBMDB2、Adaptive Server Enterprise、FileMaker、Microsoft Access、Microsoft SQLServer、MySQL、PostgreSQL和NoSQL实现。在一些示例中，示例性DBMS管理的数据库可以根据本公开的特定数据库模型被具体编程以定义示例性DBMS中每个数据库的每个相应模式，该特定数据库模型可以包括分层模型、网络模型、关系模型、对象模型或一些其他合适的组织，这些组织可以产生一个或更多个可应用的数据结构，该数据结构可以包括字段、记录、文件和/或对象。在一些示例中，示例性DBMS管理的数据库可以被具体编程为包括关于所存储的数据的元数据。

在可能是机器学习和云环境的一部分的一些示例中，本公开的说明性基于计算机的系统或平台可以被具体配置为在例如但不限于以下项的云计算/架构中操作：基础设施即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。图12和图13示出了云计算/架构的示例性实现的示意图，其中本公开的说明性基于计算机的系统或平台可以被具体配置进行操作。

术语“基于(based on)”不是排他性的，且允许基于未描述的其他因素，除非上下文另有明确规定。此外，在整个说明书中，“一个(a)”、“一个(an)”和“该(the)”的含义包括复数引用。“在……里(in)”的含义包括“在……里(in)”和“在……上(on)”。

应当理解，本文描述的各种示例的至少一个方面/功能可以实时和/或动态地执行。如本文所使用的，术语“实时”指的是当另一个事件/动作已经发生时可以瞬间或几乎瞬间发生的事件/动作。例如，“实时处理”、“实时计算”和“实时执行”都与相关物理过程(例如，用户与移动设备上的应用交互)发生的实际时间期间的计算的执行有关，以便计算结果可以用于引导物理过程。

如本文所使用的，术语“动态地”和术语“自动地”以及它们的逻辑和/或语言相对性和/或派生词意味着某些事件和/或动作可以在没有任何人为干预的情况下被触发和/或发生。在一些示例中，根据本公开的事件和/或动作可以是实时的和/或基于以下至少一种的预定周期：纳秒、几纳秒、毫秒、几毫秒、秒、几秒、分钟、几分钟、每小时、几小时、每天、几天、每周、每月等。

如本文所使用的，术语“运行时间(runtime)”对应于在软件应用或软件应用的至少一部分的执行期间动态确定的任何行为。

在可能是机器学习和云环境的一部分的一些示例中，具有相关设备的示例性发明的、具体编程的计算系统和平台被配置为在分布式网络环境中操作，通过一个或更多个合适的数据通信网络(例如，互联网、卫星等)彼此通信，以及利用一个或更多个合适的数据通信协议/模式，例如但不限于IPX/SPX、X.25、AX.25、AppleTalk(TM)、TCP/IP(例如，HTTP)、近场无线通信(NFC)、RFID、窄带物联网(NBIOT)、3G、4G、5G、GSM、GPRS、WiFi、WiMax、CDMA、卫星、ZigBee和其他合适的通信模式。在一些示例中，NFC可以表示短程无线通信技术，其中支持NFC的设备被“滑动(swiped)”、“碰撞(bumped)”、“轻敲(tap)”或以其他方式移动到非常接近的位置以进行通信。在一些示例中，NFC可以包括一组短程无线技术，通常需要10cm或更小的距离。在一些示例中，NFC可以在ISO/IEC 18000-3空中接口上以13.56MHz操作，并且以从106kbit/s到424kbit/s的速率操作。在一些示例中，NFC可以涉及发起者和目标；发起者主动生成可以为无源目标供电的射频场。在一些示例中，这可以使NFC目标采用非常简单的形状因子，例如标签、贴纸、密钥卡或不需要电池的卡。在一些示例中，当多个支持NFC的设备(例如，智能电话)彼此非常接近时，可以进行NFC的对等通信。

本文公开的材料可以以软件或固件或它们的组合来实现，或者作为存储在机器可读介质上的指令来实现，该指令可以由一个或更多个处理器来读取和执行。机器可读介质可以包括用于以机器(例如，计算设备)可读的形式存储或传输信息的任何介质和/或机构。例如，机器可读介质可以包括只读存储器(ROM)；随机存取存储器(RAM)；磁盘存储介质；光存储介质；闪存设备；电、光、声或其他形式的传播信号(例如，载波、红外信号、数字信号等)，等等。

如本文所使用的，术语“计算机引擎”和“引擎”标识至少一个软件部件和/或至少一个软件部件和至少一个硬件组件的组合，其被设计/编程/配置成管理/控制其他软件和/或硬件部件(例如库、软件开发工具包(SDK)、对象等)。

硬件元件的示例可以包括处理器、微处理器、电路、电路元件(例如，晶体管、电阻器、电容器、电感器等)、集成电路、专用集成电路(ASIC)、可编程逻辑器件(PLD)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、逻辑门、寄存器、半导体器件、芯片、微芯片、芯片组等。在一些示例中，一个或更多个处理器可以被实现为复杂指令集计算机(CISC)或精简指令集计算机(RISC)处理器；x86指令集兼容处理器、多核或任何其他微处理器或中央处理器(CPU)。在各种实现中，一个或更多个处理器可以是双核处理器、双核移动处理器等等。

本文中使用的计算机相关系统、计算机系统和系统包括硬件和软件的任意组合。软件的示例可以包括软件部件、程序、应用、操作系统软件、中间件、固件、软件模块、例程、子例程、函数、方法、过程、软件接口、应用程序接口(API)、指令集、计算机代码、计算机代码段、字、值、符号或它们的任意组合。确定是否使用硬件元件和/或软件元件实现示例可以根据任何数量的因素而变化，例如期望的计算速率、功率电平、热容差、处理周期预算、输入数据速率、输出数据速率、存储器资源、数据总线速度和其他设计或性能约束。

至少一个示例的一个或更多个方面可以通过存储在机器可读介质上的代表性指令来实现，该指令表示处理器内的各种逻辑，当被机器读取时，使机器制造逻辑来执行本文描述的技术。这种被称为“IP核”的表示可以存储在有形的机器可读介质上，并被提供给各种客户或制造设施，以加载到制造逻辑或处理器的制造机器中。值得注意的是，本文描述的各种示例当然可以使用任何适当的硬件和/或计算软件语言(例如，C++、Objective-C、Swift、Java、JavaScript、Python、Perl、QT等)来实现。

在一些示例中，本公开的一个或更多个说明性基于计算机的系统或平台可以包括或部分或全部结合至少一个个人计算机(PC)、膝上型计算机、超膝上型计算机、平板电脑、触摸板、便携式计算机、手持计算机、掌上电脑、个人数字助理(PDA)、蜂窝电话、蜂窝电话/PDA组合、电视、智能设备(例如，智能电话、智能平板电脑或智能电视)、移动互联网设备(MID)、消息设备、数据通信设备等。

如本文所使用，术语“服务器”应被理解为指提供处理、数据库和通信设施的服务点。作为示例而非限制，术语“服务器”可以指具有相关联的通信和数据存储以及数据库设施的单个物理处理器，或者它可以指处理器和相关联的网络和存储设备、以及支持服务器提供的服务的操作软件和一个或更多个数据库系统和应用软件的联网或集群复合体。云服务器就是示例。

在可能是机器学习和云环境的一部分的一些示例中，如本文所详述的，本公开的一个或更多个基于计算机的系统可以(例如，从特定应用的内部和/或外部)获得、操纵、传输、存储、转换、生成和/或输出任何数字对象和/或数据单元，这些数字对象和/或数据单元可以是任何合适的形式，例如但不限于文件、联系人、任务、电子邮件、消息、地图、整个应用(例如，计算器)、数据点和其他合适的数据。在一些示例中，如本文所详述的，本公开的一个或更多个基于计算机的系统可以跨各种计算机平台中的一个或更多个来实现，例如但不限于：(1)Linux、(2)Microsoft Windows、(3)OS X(Mac OS)、(4)Solaris、(5)UNIX、(6)VMWare、(7)Android、(8)Java平台、(9)开放Web平台、(10)Kubernetes或其他合适的计算机平台。在一些示例中，本公开的说明性基于计算机的系统或平台可以被配置成利用硬连线电路，该硬连线电路可以被用来代替软件指令或与软件指令结合以实现与本公开的原理一致的特征。因此，与本公开的原理一致的实现不限于硬件电路和软件的任何特定组合。例如，各种示例可以以许多不同的方式体现为软件部件，例如但不限于独立的软件包、软件包的组合，或者其可以是作为“工具”结合在更大的软件产品中的软件包。

例如，根据本公开的一个或更多个原理具体编程的示例性软件可以作为独立产品或作为安装在现有软件应用中的附加包从网络(例如网站)下载。例如，根据本公开的一个或更多个原理具体编程的示例性软件也可以作为客户端-服务器软件应用或作为web支持的软件应用。例如，根据本公开的一个或更多个原理具体编程的示例性软件也可以体现为安装在硬件设备上的软件包。

在可能是接口、机器学习和云环境的一部分的一些示例中，本公开的说明性基于计算机的系统或平台可以被配置为处理多个并发用户，该多个并发用户可以是但不限于至少100个(例如，但不限于100-999个)、至少1,000个(例如，但不限于1,000-9,999个)、至少10,000个(例如，但不限于10,000-99,999个)、至少100,000个(例如，但不限于100,000-999,999个)、至少1,000,000个(例如，但不限于1,000,000-9,999,999个)、至少10,000,000个(例如，但不限于10,000,000-99,999,999个)、至少100,000,000个(例如，但不限于100,000,000-999,999,999个)、至少1,000,000,000个(例如，但不限于1,000,000,000-999,999,999,999个)，等等。

在可能是接口、机器学习和云环境的一部分的一些示例中，本公开的说明性基于计算机的系统或平台可以被配置成输出到本公开的不同的、具体编程的图形用户界面实现(例如，桌面、web应用等)。在本公开的各种实现中，最终输出可以显示在显示屏上，显示屏可以是但不限于计算机的屏幕、移动设备的屏幕等。在各种实现中，显示器可以是全息显示器。在各种实现中，显示器可以是可以接收视觉投影的透明表面。这种投影可以传达各种形式的信息、图像或对象。例如，这种投影可以是移动增强现实(MAR)应用的视觉覆盖。

在可能是接口、机器学习和云环境的一部分的一些示例中，本公开的说明性基于计算机的系统或平台可以被配置成在各种应用中使用，这些应用可以包括但不限于游戏、移动设备游戏、视频聊天、视频会议、实时视频流、视频流和/或增强现实应用、移动设备信使应用以及其他类似合适的计算机设备应用。

如本文所使用的，术语“移动电子设备”等可以指代可以启用或不启用位置跟踪功能(例如，MAC地址、互联网协议(IP)地址等)的任何便携式电子设备。例如，移动电子设备可以包括但不限于移动电话、个人数字助理(PDA)、Blackberry^TM、寻呼机、智能电话或任何其他合理的移动电子设备。

如本文所使用的，术语“接近度检测(proximity detection)”、“定位”、“位置数据”、“位置信息”和“位置跟踪”指的是任何形式的位置跟踪技术或定位方法，其可用于至少部分地基于以下技术和设备中的一个或更多个但不限于以下项来提供例如本公开的特定计算设备、系统或平台以及任何相关联的计算设备的位置：加速度计、陀螺仪、全球定位系统(GPS)；使用Bluetooth^TM访问的GPS；使用任何合理形式的无线和非无线通信访问的GPS；WiFi^TM服务器位置数据；基于Bluetooth^TM的位置数据；三角测量，例如但不限于基于网络的三角测量、基于WiFi^TM服务器信息的三角测量、基于Bluetooth^TM服务器信息的三角测量；基于小区识别的三角测量、基于增强小区识别的三角测量、基于上行链路到达时间差(U-TDOA)的三角测量、基于到达时间(TOA)的三角测量、基于到达角(AOA)的三角测量；使用地理坐标系的技术和系统，所述地理坐标系例如但不限于基于纵向和纬度的、基于测地线高度的、基于笛卡尔坐标的；射频识别，例如但不限于长距离RFID、短距离RFID；使用任何形式的RFID标签，例如但不限于有源RFID标签、无源RFID标签、电池辅助无源RFID标签；或用于确定位置的任何其他合理的方法。为方便起见，有时上述变体没有列出或仅部分列出；这绝不意味着是一种限制。

如本文所使用的，术语“云”、“互联网云”、“云计算”、“云架构”和类似术语对应于以下至少一个：(1)通过实时通信网络(例如，互联网)连接的大量计算机；(2)提供在许多连接的计算机(例如，物理机、虚拟机)上同时运行程序或应用的能力；(3)基于网络的服务，其看起来由真实的服务器硬件提供，并且实际上由虚拟硬件(例如，虚拟服务器)提供，由运行在一个或更多个真实机器上的软件模拟(例如，允许在不影响最终用户的情况下动态地移动和放大(或缩小)。

在可能是接口、机器学习和云环境的一部分的一些示例中，本公开的说明性基于计算机的系统或平台可以被配置成通过利用一种或更多种加密技术(例如，私钥/公钥对、三重数据加密标准(3DES)、分组密码算法(例如，IDEA、RC2、RC5、CAST和Skipjack)、加密散列算法(例如，MD5、RIPEMD-160、RTR0、SHA-1、SHA-2、Tiger(TTH)、WHIRLPOOL、RNGs)来安全地存储和/或传输数据。

当然，上述示例是说明性的而不是限制性的。

如本文所使用的，术语“用户”应具有至少一个用户的含义。在一些示例中，术语“用户”、“订户”、“消费者”或“客户”应该被理解为指本文描述的一个或多个应用的用户和/或由数据提供商提供的数据的消费者。作为示例而非限制，术语“用户”或“订户”可以指在浏览器会话中通过互联网接收由数据或服务提供商提供的数据的人，或者可以指接收数据并存储或处理数据的自动化软件应用。

如本文所使用的，术语“和”和“或”可以互换使用，以指代合取(conjunctive)和析取(disjunctive)的一组项目，以便包含项目的组合和替代的完整描述。举例来说，一组项目可以用析取词“或”或用连词“和”列出。在这两种情况下，该一组都被解释为将每一个项目单独地表示为备选方案，以及所列项目的任何组合。

本文档中引用的出版物通过引用以其整体并入本文。尽管已经描述了本公开的一个或更多个示例，但是应当理解，这些示例仅仅是说明性的，而不是限制性的，并且对于本领域普通技术人员来说，许多修改可能变得明显，这些修改包括本文描述的创造性方法、说明性系统和平台以及说明性设备的各种示例可以彼此任意组合使用。此外，可以以任何期望的顺序执行各种步骤(并且可以添加任何期望的步骤和/或可以消除任何期望的步骤)。

Claims (52)

1.一种震颤分析系统(110、710)，被配置成：

接收指示患者的运动的运动信号(234)，

分析所述运动信号以便识别震颤，以及

基于所识别的震颤，控制用于抑制所述患者的震颤的震颤减轻设备。

2.根据权利要求1所述的震颤分析系统，包括严重程度模块(111、711)，所述严重程度模块被配置成基于所述运动信号(234)确定震颤的严重程度。

3.根据权利要求2所述的震颤分析系统，其中，所述严重程度模块(111、711)被配置成基于所述运动信号(234)的幅度和频率来确定震颤的严重程度。

4.根据权利要求2所述的震颤分析系统，其中，所述严重程度模块(111、711)被配置成基于包括形成所述运动信号(234)的一部分的欧拉角、四元数和矢量中的至少一个的数据来确定震颤的严重程度。

5.根据权利要求2至4所述的震颤分析系统，其中，所述严重程度模块(111、711)被配置成接收所述运动信号(234)并识别在一段时间内震颤的至少一个特性。

6.根据权利要求5所述的震颤分析系统，其中，所述严重程度模块(111、711)被配置成基于在一段时间内所识别的震颤的至少一个特性来确定震颤模式的变动，以便识别患者震颤的变化。

7.根据权利要求2至6中任一项所述的震颤分析系统，其中，所述严重程度模块(111、711)被配置成基于在一段时间内的震颤模式来确定导致震颤的特征变化的因素。

8.根据任一前述权利要求所述的震颤分析系统，其中，所述严重程度模块(111、711)还被配置成从生理传感器接收生理数据，并且基于所述生理数据，所述震颤分析系统被配置成预测震颤的发生和/或震颤的特征。

9.根据权利要求8所述的震颤分析系统，其中，基于所预测的震颤的发生或震颤的特征，所述震颤分析系统被配置成向震颤管理设备发送控制信号，以便控制所述震颤和/或向所述患者指示预期发生震颤。

10.根据权利要求2至9中任一项所述的震颤分析系统，其中，所述严重程度模块(111、711)还被配置成接收用户生活方式信息并确定所述用户生活方式信息与震颤特征之间的相关性。

11.根据任一前述权利要求所述的震颤分析系统，包括护理人员警报模块(112、712)，所述护理人员警报模块被配置成分析所述运动信号以检测所述患者的跌倒运动，并且如果检测到跌倒运动，则所述护理人员警报模块被配置成发送指示所述患者需要帮助的警报消息。

12.根据任一前述权利要求所述的震颤分析系统，还被配置成通过设置阈值来确定所述震颤减轻设备的有效性，并且如果所述运动信号指示震颤超过所述阈值，则所述震颤分析系统被配置成向震颤管理设备发送控制信号以调整所述设备从而抑制所述震颤。

13.根据任一前述权利要求所述的震颤分析系统，还包括设备故障模块(114、714)，所述设备故障模块被配置成基于所述运动信号(234)确定所述震颤减轻设备是否有故障，并且如果有故障，则向所述震颤减轻设备和/或外部设备发送警报消息。

14.根据权利要求13所述的震颤分析系统，其中，所述运动信号(234)包括加速度计数据，所述加速度计数据至少包括来自加速度计的加速度计值，并且如果所述加速度值超过阈值，则所述设备故障模块(114、714)被配置成确定所述震颤减轻设备有故障。

15.根据权利要求14所述的震颤分析系统，其中，所述设备故障模块(114、714)被配置成从传感器接收包括至少一个传感器值的传感器数据，确定所述传感器值是否落在范围之外，并且如果落在所述范围之外，则确定所述震颤减轻设备有故障。

16.根据任一前述权利要求所述的震颤分析系统，其中，所述运动信号(234)基于已被预处理以过滤与震颤相关联的数据的原始运动数据。

17.根据任一前述权利要求所述的震颤分析系统，其中，所述运动信号(234)基于包括欧拉角、四元数和/或矢量的加速度计数据。

18.根据任一前述权利要求所述的震颤分析系统，其中，所述运动信号(234)基于由MEMS加速度计、压电加速度计、磁力计和陀螺仪中的任何一个生成的数据。

19.根据任一前述权利要求中所述的震颤分析系统，所述震颤分析系统被配置成分析所述运动信号以便识别震颤并实时地基于所识别的震颤控制用于抑制所述患者的震颤的震颤减轻设备。

20.一种震颤减轻设备，包括根据权利要求1至19所述的震颤分析系统。

21.根据权利要求20所述的震颤减轻设备，其中，所述震颤减轻设备是陀螺仪。

22.一种非暂时性计算机可读介质，其包括指令，所述指令当被执行时使计算装置的处理器：分析指示患者的运动的运动信号以便识别震颤，以及基于所识别的震颤控制用于抑制所述患者的震颤的震颤减轻设备。

23.一种方法，包括：

由处理器从与用户相关联的传感器设备接收加速度计数据信号，所述加速度计数据信号具有由所述传感器设备检测到的运动的时变频率和时变幅度；

由所述处理器至少部分地基于所述时变频率和指示与震颤相关联的运动的震颤频率范围来确定所述加速度计数据信号中的震颤；

由所述处理器基于在与所述震颤相关联的时间段期间的所述加速度计数据信号来确定所述震颤的震颤频率和震颤幅度；

由所述处理器给震颤管理设备生成机械阻尼控制信号，以使所述设备响应于所述震颤频率和所述震颤幅度而产生反作用力或运动阻力或者反作用力和运动阻力两者；

由所述处理器至少部分地基于在与震颤相关联的所述时间段期间的所述震颤频率和所述震颤幅度来确定震颤严重程度；

由所述处理器将在与所述震颤相关联的所述时间段期间的所述震颤频率、所述震颤幅度和所述震颤严重程度存储在震颤严重程度历史中；

由所述处理器训练震颤严重程度模式识别模型，以至少部分地基于所述严重程度和根据所述震颤严重程度历史训练的经训练的震颤严重程度模型参数来识别至少一种震颤模式；以及

由所述处理器将所述震颤严重程度模式识别模型存储在震颤严重程度引擎中。

24.根据权利要求23所述的方法，还包括：

由所述处理器接收包括行为日志界面的至少一个用户界面中的用户选择；其中，所述用户选择包括与用户行为相关联的日期、时间和行为类型；

由所述处理器生成记录所述用户选择的用户行为状态日志条目；

由所述处理器将所述用户行为状态日志条目存储在用户行为状态日志中；以及

由所述处理器训练所述震颤严重程度模式识别模型，以至少部分地基于所述严重程度和根据所述震颤严重程度历史和所述用户行为状态日志训练的所述经训练的震颤严重程度模型参数来识别至少一种震颤模式。

25.根据权利要求24所述的方法，其中，所述用户行为状态日志被存储在云环境中。

26.根据权利要求24所述的方法，还包括：

由所述处理器利用所述震颤严重程度模式识别模型来至少部分地基于所述加速度计数据信号、所述用户选择和所述经训练的震颤严重程度模型参数来预测未来震颤状态；以及

由所述处理器指示与所述用户相关联的至少一个用户设备显示指示所述未来震颤状态的警报。

27.根据权利要求24所述的方法，还包括：

由所述处理器训练震颤触发识别模型，以至少部分地基于所述震颤严重程度历史和所述用户行为状态日志来识别至少一个震颤触发行为；

由所述处理器利用所述震颤触发识别模型来至少部分地基于所述加速度计数据信号、所述用户选择和所述经训练的震颤严重程度模型参数来预测活动推荐；其中，所述活动推荐包括参与或不参与至少一个活动以避免所述至少一个震颤触发行为的至少一个推荐；以及

由所述处理器指示与所述用户相关联的至少一个用户设备显示指示所述活动推荐的警报。

28.根据权利要求23所述的方法，还包括：

由所述处理器至少部分地基于所述震颤幅度和预定危险幅度阈值来确定由所述震颤引起的危险状态；

由所述处理器识别与所述用户相关联的至少一个护理人员；以及

由所述处理器指示与所述至少一个护理人员相关联的至少一个护理人员设备显示指示所述危险状态的警报。

29.根据权利要求23所述的方法，还包括：

由所述处理器接收来自至少一个生理传感器的生理传感器测量结果；其中，所述生理传感器测量结果包括与所述用户相关联的至少一个时变传感器测量信号；

由所述处理器将所述生理传感器测量结果存储在用户生物学状态日志中；以及

由所述处理器训练所述震颤严重程度模式识别模型，以至少部分地基于所述严重程度和根据所述震颤严重程度历史和所述用户生物学状态日志训练的所述经训练的震颤严重程度模型参数来识别至少一种震颤模式。

30.根据权利要求23所述的方法，还包括：

由所述处理器利用所述震颤严重程度模式识别模型来至少部分地基于所述加速度计数据信号和所述经训练的震颤严重程度模型参数来预测未来震颤状态；

由所述处理器至少部分地基于对所述未来震颤状态的预测来生成指示所述震颤管理设备的建议使用时间的设备使用建议；以及

由所述处理器指示与所述用户相关联的至少一个用户设备显示指示所述设备使用建议的警报。

31.根据权利要求23所述的方法，其中，所述处理器是被配置成控制所述震颤管理设备的控制系统的一部分。

32.根据权利要求23所述的方法，其中，所述处理器与机器学习环境通信，所述机器学习环境被配置成实现包括所述震颤严重程度模式识别模型的至少一个机器学习模型。

33.一种系统，包括：至少五层环境，所述五层环境包括：

i)震颤管理硬件设备，

ii)用户接口，

iii)控制系统，

iv)机器学习环境，以及

v)云环境；

其中，所述五层环境被配置成实现程序指令以执行以下步骤：

从与用户相关联的传感器设备接收加速度计数据信号，所述加速度计数据信号具有由所述传感器设备检测到的运动的时变频率和时变幅度；

至少部分地基于所述时变频率和指示与震颤相关联的运动的震颤频率范围来确定所述加速度计数据信号中的震颤；

基于在与所述震颤相关联的时间段期间的所述加速度计数据信号来确定所述震颤的震颤频率和震颤幅度；

给所述震颤管理设备生成机械阻尼控制信号，以使所述设备响应于所述震颤频率和所述震颤幅度而产生反作用力或运动阻力或者反作用力和运动阻力两者；

至少部分地基于在与震颤相关联的所述时间段期间的所述震颤频率和所述震颤幅度来确定震颤严重程度；

将在与所述震颤相关联的所述时间段期间的所述震颤频率、所述震颤幅度和所述震颤严重程度存储在震颤严重程度历史中；

训练震颤严重程度模式识别模型，以至少部分地基于所述严重程度和根据所述震颤严重程度历史训练的经训练的震颤严重程度模型参数来识别至少一种震颤模式；以及

将所述震颤严重程度模式识别模型存储在震颤严重程度引擎中。

34.根据权利要求33所述的系统，其中，所述五层环境还被配置成实现程序指令以执行以下步骤：

接收包括行为日志界面的至少一个用户界面中的用户选择；其中，所述用户选择包括与用户行为相关联的日期、时间和行为类型；

生成记录所述用户选择的用户行为状态日志条目；

将所述用户行为状态日志条目存储在用户行为状态日志中；以及

训练所述震颤严重程度模式识别模型以至少部分地基于所述严重程度和根据所述震颤严重程度历史和所述用户行为状态日志训练的所述经训练的震颤严重程度模型参数来识别至少一种震颤模式。

35.根据权利要求34所述的系统，其中，所述用户行为状态日志被存储在云环境中。

36.根据权利要求34所述的系统，其中，所述五层环境还被配置成实现程序指令以执行以下步骤：

利用所述震颤严重程度模式识别模型来至少部分地基于所述加速度计数据信号、所述用户选择和所述经训练的震颤严重程度模型参数来预测未来震颤状态；以及

指示与所述用户相关联的至少一个用户设备显示指示所述未来震颤状态的警报。

37.根据权利要求34所述的系统，其中，所述五层环境还被配置成实现程序指令以执行以下步骤：

训练震颤触发识别模型以至少部分地基于所述震颤严重程度历史和所述用户行为状态日志来识别至少一个震颤触发行为；

利用所述震颤触发识别模型来至少部分地基于所述加速度计数据信号、所述用户选择和所述经训练的震颤严重程度模型参数来预测活动推荐；其中，所述活动推荐包括参与或不参与至少一个活动以避免所述至少一个震颤触发行为的至少一个推荐；以及

指示与所述用户相关联的至少一个用户设备显示指示所述活动推荐的警报。

38.根据权利要求33所述的系统，其中，所述五层环境还被配置成实现程序指令以执行以下步骤：

至少部分地基于所述震颤幅度和预定危险幅度阈值来确定由所述震颤引起的危险状态；

识别与所述用户相关联的至少一个护理人员；以及

指示与所述至少一个护理人员相关联的至少一个护理人员设备显示指示所述危险状态的警报。

39.根据权利要求33所述的系统，其中，所述五层环境还被配置成实现程序指令以执行以下步骤：

接收来自至少一个生理传感器的传感器测量结果；其中，所述生理传感器测量结果包括与所述用户相关联的至少一个时变传感器测量信号；

将所述生理传感器测量结果存储在用户生物学状态日志中；以及

训练所述震颤严重程度模式识别模型以至少部分地基于所述严重程度和根据所述震颤严重程度历史和所述用户生物学状态日志训练的所述经训练的震颤严重程度模型参数来识别至少一种震颤模式。

40.根据权利要求33所述的系统，其中，所述五层环境还被配置成实现程序指令以执行以下步骤：

利用震颤严重程度模式识别模型来至少部分地基于所述加速度计数据信号和所述经训练的震颤严重程度模型参数来预测未来震颤状态；

至少部分地基于对所述未来震颤状态的预测，生成指示所述震颤管理设备的建议使用时间的设备使用建议；以及

指示与所述用户相关联的至少一个用户设备显示指示所述设备使用建议的警报。

41.根据权利要求33所述的系统，其中，所述控制系统被配置成控制所述震颤管理设备。

42.根据权利要求33所述的系统，其中，所述机器学习环境被配置成实现包括所述震颤严重程度模式识别模型的至少一个机器学习模型。

43.一种其上存储有软件指令的非暂时性计算机可读介质，所述软件指令被配置成使至少一个处理器执行包括以下项的步骤：

从与用户相关联的传感器设备接收加速度计数据信号，所述加速度计数据信号具有由所述传感器设备检测到的运动的时变频率和时变幅度；

至少部分地基于所述时变频率和指示与震颤相关联的运动的震颤频率范围来确定所述加速度计数据信号中的震颤；

基于在与所述震颤相关联的时间段期间的所述加速度计数据信号来确定所述震颤的震颤频率和震颤幅度；

给震颤管理设备生成机械阻尼控制信号，以使所述设备响应于所述震颤频率和所述震颤幅度而产生反作用力或运动阻力或者反作用力和运动阻力两者；

至少部分地基于在与震颤相关联的所述时间段期间的所述震颤频率和所述震颤幅度来确定震颤严重程度；

将在与所述震颤相关联的所述时间段期间的所述震颤频率、所述震颤幅度和所述震颤严重程度存储在震颤严重程度历史中；

训练震颤严重程度模式识别模型，以至少部分地基于所述严重程度和根据所述震颤严重程度历史训练的经训练的震颤严重程度模型参数来识别至少一种震颤模式；以及

将所述震颤严重程度模式识别模型存储在震颤严重程度引擎中。

44.根据权利要求43所述的非暂时性计算机可读介质，其中，所述软件指令还被配置成使至少一个处理器执行包括以下项的步骤：

接收包括行为日志界面的至少一个用户界面中的用户选择；其中，所述用户选择包括与用户行为相关联的日期、时间和行为类型；

生成记录所述用户选择的用户行为状态日志条目；

将所述用户行为状态日志条目存储在用户行为状态日志中；以及

训练所述震颤严重程度模式识别模型以至少部分地基于所述严重程度和根据所述震颤严重程度历史和所述用户行为状态日志训练的所述经训练的震颤严重程度模型参数来识别至少一种震颤模式。

45.根据权利要求44所述的非暂时性计算机可读介质，其中，所述用户行为状态日志被存储在云环境中。

46.根据权利要求44所述的非暂时性计算机可读介质，其中，所述软件指令还被配置成使至少一个处理器执行包括以下项的步骤：

利用所述震颤严重程度模式识别模型来至少部分地基于所述加速度计数据信号、所述用户选择和所述经训练的震颤严重程度模型参数来预测未来震颤状态；以及

指示与所述用户相关联的至少一个用户设备显示指示所述未来震颤状态的警报。

47.根据权利要求44所述的非暂时性计算机可读介质，其中，所述软件指令还被配置成使至少一个处理器执行包括以下项的步骤：

训练震颤触发识别模型，以至少部分地基于所述震颤严重程度历史和所述用户行为状态日志来识别至少一个震颤触发行为；

利用所述震颤触发识别模型来至少部分地基于所述加速度计数据信号、所述用户选择和所述经训练的震颤严重程度模型参数来预测活动推荐；其中，所述活动推荐包括参与或不参与至少一个活动以避免所述至少一个震颤触发行为的至少一个推荐；以及

指示与所述用户相关联的至少一个用户设备显示指示所述活动推荐的警报。

48.根据权利要求43所述的非暂时性计算机可读介质，其中，所述软件指令还被配置成使至少一个处理器执行包括以下项的步骤：

至少部分地基于所述震颤幅度和预定危险幅度阈值来确定由所述震颤引起的危险状态；

识别与所述用户相关联的至少一个护理人员；以及

指示与所述至少一个护理人员相关联的至少一个护理人员设备显示指示所述危险状态的警报。

49.根据权利要求43所述的非暂时性计算机可读介质，其中，所述软件指令还被配置成使至少一个处理器执行包括以下项的步骤：

接收来自至少一个生理传感器的生理传感器测量结果；其中，所述生理传感器测量结果包括与所述用户相关联的至少一个时变传感器测量信号；

将所述生理传感器测量结果存储在用户生物学状态日志中；以及

训练所述震颤严重程度模式识别模型以至少部分地基于所述严重程度和根据所述震颤严重程度历史和所述用户生物学状态日志训练的所述经训练的震颤严重程度模型参数来识别至少一种震颤模式。

50.根据权利要求43所述的非暂时性计算机可读介质，其中，所述软件指令还被配置成使至少一个处理器执行包括以下项的步骤：

利用所述震颤严重程度模式识别模型来至少部分地基于所述加速度计数据信号和所述经训练的震颤严重程度模型参数来预测未来震颤状态；

至少部分地基于对所述未来震颤状态的预测，生成指示所述震颤管理设备的建议使用时间的设备使用建议；以及

指示与所述用户相关联的至少一个用户设备显示指示所述设备使用建议的警报。

51.根据权利要求43所述的非暂时性计算机可读介质，其中，所述处理器是被配置成控制所述震颤管理设备的控制系统的一部分。

52.根据权利要求43所述的非暂时性计算机可读介质，其中，所述处理器与机器学习环境通信，所述机器学习环境被配置成实现包括所述震颤严重程度模式识别模型的至少一个机器学习模型。

Images