CN117279560A - 利用异位搏动作为早期心脏健康标志的健康监测和管理系统 - Google Patents

Abstract

提供了一种健康监测方法，包括至少一个能够收集和存储数据的非侵入性可穿戴设备，以及显示和分析数据以进行准确监测和异常检测的外部监测设备。所述可穿戴设备被配置为收集低延迟的PPG衍生生物信号，且可利用多个设备实现准确性和连续性。该系统可以进一步包括分析信息以及显示基本信息(诸如床位数目(使用中、可用的)、员工与患者之比等)的仪表板。所述数据可被远程收集和访问，且可在患者从临床环境中被派遣之前、期间和/或之后使用。

Description

利用异位搏动作为早期心脏健康标志的健康监测和管理系统

相关申请的交叉引用

本申请要求享有于2020年12月30日提交的第63/132,124号美国临时专利申请的利益，所述美国临时专利申请以整体引用的方式纳入本文。

背景技术

异位搏动被很好地描述，且当心脏由于起源于心脏原生起搏器之外的信号而收缩时发生异位搏动。这会导致过早的收缩周期，且会像正常搏动那样广泛地起源于上腔(心房)，或者替代地起源于心脏的大的下腔(心室)。当若干这样的异常脉搏相继出现时，心脏就被称为心律失常状态。

异位搏动在健康个体中以非常低的频率发生时是正常的，但在不同个体之间，被归类为健康的异位搏动频率存在很大差异。健康的个体可能会由于各种因素的组合而更接近心脏病状态。改变异位搏动频率的因素可以从若干角度来描述，最明显的角度可能是：(1)引起变化的致病因子的类型(即生活方式和环境因素、遗传因素或传染源)；(2)这些变化发生的时间尺度，诸如数十年(例如老化、吸烟)、数年或数月(例如慢性病，诸如高血压)、数天(例如急性传染病，诸如Covid-19)、数小时(例如行为性，诸如脱水、酒精)、或数小时至数分钟(例如紧急情况，诸如临床失代偿)。

例示这种细目列表的一个明显的示例是自然老化过程，该过程由于结构变化或心肌损伤缓慢地增加异位搏动的数量(即数十年的时间尺度、生活方式和遗传原因)，由于非传染性慢性疾病(如不受控制的高血压)导致更快的变化(即数年的时间尺度、生活方式和遗传原因)，由于可导致异位搏动和心律失常的频率暂时增加的传染性疾病(诸如Covid-19感染)导致甚至更快的变化(即数天的时间尺度、可逆性、传染源)。

导致心律失常的慢性疾病(诸如心房颤动(AFib))由连续多次异位搏动(即房性早搏)组成，尤其容易引起异位搏动频率的变化。

在异位搏动频率较高的极端情况下，存在不同类型异位搏动频率的临床阈值，且已分别检查了房性早搏和室性早搏。在这些阈值以上，进行进一步的医学调查以了解最佳的治疗途径，其包括为患有心律失常的患者提供广泛的治疗选择，包括植入起搏器装置和使用改变心脏电信号传导的药物(诸如离子通道阻滞剂)治疗。

目前，没有广泛实施的技术用于以一种不引人注目且可被监测对象耐受数年的方式纵向监测异位搏动，以量化其频率或跟踪其频率或其他特征随时间在人类参与者中的演变。这主要是由于缺乏关于人在他们不被人或侵入性的、时常是昂贵的设备监测时的生理状态的数据。

当前的连续监测系统不具有成本效益、不可扩展，也不是一种准确的连续近实时监测人的方法。除了生活方式健身追踪器和移动应用外，在住院或健康问题警报前从健康人收集的生理数据很少。这种类型的信息有助于预防和恢复健康和福祉。例如，当某人心脏病发作或中风时，通常存在先前未被监测或观察到的生理指标(诸如异位搏动)，对医生而言知晓该生理指标是有用的。当前技术水平的另一问题是，大多数老年护理系统使用SOS按钮来提醒护理人员和医疗服务提供者存在紧急情况。这可能导致延迟、误报以及需要用户感觉到/意识到他们的情况。此外，从健康个体收集的数据不是可用于基线分析的格式，当该个体生病时收集的信息又没有可以与之比较的健康基线，这并不是特别有帮助。

当某人去初级保健医生(PCP)处进行年度体检时，PCP仅在患者在医生办公室里期间配备有可观测的数据。这种类型的患者监测是罕见的、零星的、就像一系列快照而不是连续监测。没有一种方法用于持续监测和收集关于个体的信息，更不用说同时、连续监测和收集很多人的信息。随着远程医疗使用的增加，医生可远程获得的信息也必须提高广度和准确性。

发明内容

本发明提供一种通过可穿戴的物联网(Internet of Things)(IOT)来检测异位搏动的缓慢变化和初始基线频率的装置。起始基线频率和异位搏动频率增加趋势都可被用于量化心脏病的极早期阶段，本发明可被用于通知临床专业人员通过减缓亚临床心脏病的进展的多种手段对疾病发展进行早期干预。这可被理解为预防性健康解决方案的一个实例，且该实例旨在跨时间连续监测人的异位搏动。

本发明以一种不引人注目且可被监测对象耐受若干年的方式纵向监测(即，长期连续地监测)异位搏动，以量化其频率或跟踪其频率或其他特征随时间在人类参与者中的演变。本发明将以这种方式使用异位搏动作为心肌变化和健康状况变化以及特定疾病(诸如心律失常状态)的发展的生物标志物。

本发明依赖于一种用于跟踪个体的外周脉搏的非侵入性设备，且使用此信息来确定个体心搏的时间以及连续搏动之间的时间。当足够的信号质量可用时记录此信息，这在剧烈运动的状态下可能无法实现，但在久坐和休息的状态(包括睡眠)下的大多数时间是可行的。不遵循规则模式的异常搏动时间被标记为异位搏动。根据具体情况，可以推断异位搏动是否可能起源于心脏的心房或心室。还可以经由脉搏信号的振幅和强度来测量心脏机械搏动减弱或消失并导致减少灌注和暂时降低血压的情况。在这种情况下，减弱的外周脉搏被认为是脉搏短绌，更常见于心室起源(室性早搏或PVCs)的搏动而不是心房起源(房性早搏或PACs)的搏动，心输出量被心脏的暂时中断会由于血液积聚和凝结而增加中风的风险，而且可能导致晕厥。许多现代可穿戴设备具有当用户将手指触摸对侧手臂上可穿戴设备的特定部分时测量ECG的能力。因此，本发明具有用于在不同情况下基于外周脉搏的读数来提醒终端用户的能力，一个实施例是当诸如心动过速的状态被记录时请求ECG记录，以确定是否该心动过速是宽复合波ECG319(更危险，需要立即就医)还是窄复合波ECG321。

异位搏动对于健康和早期疾病预防也很有意义，因为它们是可能导致心律失常(诸如心房颤动)的发展的疾病过程的极早期标记。向患者或终端用户提供关于异位搏动负担的早期反馈以及通过趋势分析所揭示的这些搏动数目的任何变化，或心脏中生成这种搏动的部位数目的变化，可能有助于提醒穿戴者需要采取一种能够促进增强心脏健康的生活方式，诸如避免饮食中的饱和脂肪和胆固醇，并定期参加有氧运动。它还可以帮助医疗服务提供者获得对心律失常发展的早期阶段的认识，并促使他们发现可能是心脏健康下降的原因的其他伴随疾病，诸如阻塞性睡眠呼吸暂停。这种伴随疾病可以用简单的CPAP、BiPAP或AutoPAP设备进行治疗，以帮助打开患者的气道。类似地，诸如高血压等诱发状态也可能对心血管系统造成不必要的压力，促使导致心律失常的变化，这是可以治疗的。

通过记录一个人的搏动的情境，不仅是外周脉搏，还有人口统计因素，诸如经由用户交互所记录的对象的身高、体重、年龄和性别，以及经由可穿戴传感器数据流所记录的睡眠和活动(经由例如PPG所记录的外周脉搏以及经由使用加速度计的活动记录仪所记录的运动)，以及经由与电子健康记录的集成所记录的医疗情境，就有可能实施算法，该算法发现生活方式因素与特定个体中可见的异位搏动类型和数目变化之间的关系。这就有可能发现被监测个体中异位搏动的频率增加或减少的个性化和独特的原因，且可被用于确定是否某些药物会使穿戴者易患心律失常或是否某些生活方式干预比其他更有助于特定监测个体的心脏健康。这样的系统还可以提供自动建议以改善心脏健康，且在应用数据驱动行为建议时测量结果的情况下，该系统可以被描述为一种闭环健康监测系统。

用于分析这种外周脉搏的时间序列数据和发现与生活方式、医疗以及人口统计因素相关联的技术正在快速发展，且很多监督和半监督机器学习算法可用于在这种数据流上进行训练，以确定在何处和哪种关联类型是普遍的。可以使用一群同时穿戴ECG记录设备和外周脉搏记录设备的具有不同异位负担水平的个体提供了可对这种机器学习算法进行训练的原材料。

揭示特定外周搏动的性质是异位还是正常(如起源于由心脏起搏器或窦房结产生的脉搏)的关键信息流是个体心搏的时间。起搏器产生的心搏具有众所周知且独特的特征，该特征可以用若干可用于计算心率变异性(HRV)的工具(诸如时域(例如SDNN)、频域(例如HF/LF比)以及基于熵的计算(例如样本熵))进行分析。典型地，存在由呼吸过程所引起的高频分量，因为心脏上的压力在呼吸周期中变化，这导致心房充盈容量的差异。此现象被称为窦性心律失常。异位搏动起源于心脏组织中的异常电活动，该心脏组织通常是病变的，且此组织可能位于心房或心室(分别引起PACs或PVCs)。还可能的是，这些异常异位搏动的起源位于心脏的单个或多个部位处。当此组织产生动作电位且在心肌上传导电脉冲时，可能的是，该脉冲进入且复位心脏的起搏细胞，这改变了个体心搏的相位(通常见于PACs，因为起搏细胞在右心房中)；或替代地，可能的是，如果该脉冲到达时细胞对电脉冲(通常是PVCs的情况)是不应的，则该脉冲不复位起搏细胞。可以训练机器学习算法或创建统计模型，以确定一系列心搏的时间是否指示起搏细胞的复位(逐搏动(beat-to-beat)时间与窦房结的预期变化一致)或者是否起搏细胞似乎没有被复位，而外周脉搏发生了改变(例如，在PVC期间振幅消失了，其中由于从心室到心房的缓慢和非自然的电传导模式，心脏泵血效率较低)。

在某些情况下，多个异位搏动的运行会定期出现。这是诸如二联和三联条件的情况。在这种情况下，异位搏动会引发来自心脏的其他部位的具有预定模式的后续异位搏动。当使用Poincaré图绘制连续心搏时，这种运行在搏动时间(x轴)与连续搏动时间(y轴)的图上显示为集中的点。当组织中生成异位搏动的变化发生时，在Poincaré图中看到的模式可以随着时间的推移而改变，以揭示心脏中生成异位搏动的新部位或更少部位的存在。视觉上捕获这些变化可以用使用与上述相同数据的有监督的或无监督的机器学习方法代替。

本发明的系统被配置为通过以下方式执行非侵入性健康监测：通过使用非侵入性可穿戴设备获取对象的外周脉搏数据、通过使用预测算法提取心搏且对心搏进行分类来分析所收集的数据、使用来自可穿戴设备的数据来预测其他情境信息，以及分析异位心搏频率的趋势以与患者和护理提供者共享异位搏动频率及来自于分析的趋势。在一方面，可穿戴设备包括至少一个微控制器以及能够监测外周脉搏的传感器。传感器可以包括光电容积描记法(PPG)、心震描记法(SCG)、投影心搏描记术(BCG)、阻抗心功能图(ICG)和/或皮肤电活动(EDA)传感器。在一方面，这些传感器可以由ECG取代，以经由心脏的电信号来跟踪搏动时间。可穿戴设备还可以包括情境传感器，诸如但不限于三轴加速度传感器、陀螺仪传感器和/或肌电图传感器。

此外，该系统经由可穿戴设备或其他电子设备可获得对象的可选人口统计信息，包括但不限于身高、体重、BMI、性别和年龄。此外，通过类似的电子健康记录，可以包括对象的可选病史。该可穿戴设备还可以包括通信模块，用于将所记录的数据发送到连接至互联网的计算设备。通信模块可被配置为将所获取的数据传输到一个或一系列计算设备，诸如但不限于移动电话、服务器、平板计算机，所述计算设备连接至互联网或可通过其他设备到达互联网的本地通信网络(诸如蓝牙或wifi)。

系统对所获取的数据的分析可以在可穿戴设备和/或连接至互联网的计算设备上完成。该系统和方法可以使用预测算法将所提取的心搏识别为由心脏的窦房结或起搏器启动的正常搏动、不是由心脏的窦房结或起搏器启动的异位搏动，或未确定的搏动。该系统和方法还可以利用其他情境信息以及最佳人口统计数据，包括但不限于睡眠状态和睡眠阶段、活动模式和/或健康水平，以帮助对心搏进行分类。在一方面，该系统还可以存储和分析异位心搏频率的趋势，以确定可穿戴设备的穿戴者的异位心搏频率和趋势。然后，这些趋势可以与患者共享，以告知他们在疾病的早期或晚期心脏健康朝向改善或恶化的进展。它们还可以被共享至患者，以提醒它们与脉搏减弱或脉搏短绌相关联的异位搏动的运行，以用于但不限于及时去急诊室就诊和/或联系他们的医生。对于运动员在睡眠期间所检测到的异位搏动的运行被用于使能够提早检测仅在高迷走神经张力(诸如深度睡眠)的条件下所表现的心房颤动。

此信息还可以与护理提供者共享，以跟踪疾病进展、治疗效率和生活方式干预效率，以及警惕关于使对象易患中风或晕厥的脉搏短绌时期，且显示历史脉搏短绌时期，以确定中风是否可能已经由异位搏动/心律失常引起。

在一方面，对象的异位搏动的总数或异位搏动的历史频率的趋势可以与临床医生共享，以通过突出具有高异位负担或异位负担增加的患者来告知患者筛查，且监测对象的情况。该监测可以包括但不限于，通过可穿戴设备或其他相关设备所记录的数据来监测治疗效率、监测致心律失常部位的数目和/或监测生活方式干预(诸如运动)的依从性和效率。在一方面，对象的异位搏动的总数或异位搏动的历史频率的趋势可以与对象或患者共享，以告知他们包括异位负担的信息与寻求医疗护理的阈值警报、异位负担的趋势与寻求医疗护理的阈值警报、和/或元数据、异位负担和异位趋势之间的关系，以改善健康。元数据可以包括但不限于睡眠参数、运动和活动参数，诸如但不限于每周运动的次数和量、久坐行为，诸如连续坐的最长时间、每天久坐时间以及每天的步数，以及体重。

在一方面，能够进行以上所讨论的分析的设备可以被配置为使用数字信号处理技术从外周脉搏率来确定心动过速是否存在，当检测到心动过速时，提醒用户通过将手指触摸设备上的电极来使用可穿戴设备记录ECG，且从该ECG数据中确定QRS复合波是宽复合波还是窄复合波。此外，该设备可以被配置为在宽复合波QRS的情况下向紧急服务、患者和护理提供者发出存在室性心动过速的提醒。

在一方面，该系统和方法可以利用一种算法，该算法将异位搏动的数目、异位搏动的数目的趋势以及描述个体异位搏动的特征作为输入，诸如但不限于脉搏衰减或脉搏短绌。由此，在异位搏动升高或随时间变化或呈趋势的情况下，和/或在潜在原因包括但不限于心脏扩大或其他心肌异常、血钾水平变化以及心脏供血减少(缺血性疾病)的情况下，该算法可以产生异位搏动原因的预测。

在一方面，可穿戴设备/计算设备还可以被配置为使用信号获取参数，包括但不限于在测量期间通过闭环控制器来动态调整的放大器增益和LED电流，以持续优化外周脉搏信号的信噪比。此外，可穿戴设备/计算设备可以被配置为将外周脉搏信号转换为将在信号获取参数调整期间保持外周脉搏信号的连续性的单元。这些单元可以包括但不限于(i)PPG，其中单元将是光电二极管所发射的光与所接收的光之比；(ii)BCG，其中单元将是以G为单位所测量的加速度；(iii)阻抗，其中单元是给定频率的复电阻；和/或(iv)皮肤电反应，其中单元是电阻。

在一方面，该系统和方法可以被配置为对信号进行滤波，以移除低质量记录。这可以通过以下方式来完成：使用来自情境传感器的读数来确定是否存在运动(运动会使信号失真)，使用来自外周脉搏传感器的读数来确定信噪比是否是可接受的，和/或使用阈值来检测外周脉搏信号的不连续性，该不连续性可能是由于信号放大参数的调整或由于噪声源而导致的。信噪比可以通过以下任何一种方法来确定：比较高频逐样本噪声与对应于所测得的心率的频段中的信号之比，或对应于心率的频段与其他频段中的信号能量之比。该信号可以通过如下方式进行滤波：通过应用移除逐样本噪声的低通滤波器以移除高频噪声，以及通过应用移除包括但不限于诸如呼吸等生理过程噪声的低通滤波器以移除低频噪声。对信号进行带通滤波可被用于在一个步骤中移除低频噪声和高频噪声。

在一方面，该系统进一步被配置为通过对外周脉搏求导、使用零交叉以定位信号的峰值和/或谷值以及对外周脉搏求二阶导数以定位拐点，从外周脉搏信号读数分割个体外周脉搏。在一方面，通过对信号进行插值且通过多项式插值和样条插值找到插值信号中的峰值或谷值，来将脉搏峰值和/或谷值的时间分辨率提高到超过采样率的时间分辨率。

在一方面中，该系统和方法可以将个体脉搏减少到一组与用于区分异位搏动和起源于窦房结的搏动相关的特征，该组特征包括逐搏动时间、单元中的搏动振幅、单元中的信号谷值的绝对信号强度、基于该搏动和周围搏动的大约一分钟的心率变异性，以及脉搏波形特征。

在一方面，该系统和方法所使用的用于将个体搏动分类为异位或正常的算法基于以下任何一项原理：针对在由专家人类或算法评分的数据集中所识别的异位搏动来训练的监督机器学习模型，其中所述数据集包括同步ECG和PPG记录；半监督机器学习模型，其在Poincaré图空间中产生簇(与先前搏动比较的搏动)，且将最接近对角线的簇标记为正常窦房搏动，而将其他簇标记为异位搏动；或者概率图形模型(PGM)，对正常窦房搏动以及异位搏动的搏动时间分布进行建模。该监督算法在群体水平数据和/或从个体所收集的数据上进行训练，以提供个性化的模型训练。

在一方面中，PGM的变体可以具有取决于一个或多个先前搏动的正常搏动和异位搏动的分布，该PGM是具有至少一个代表正常搏动的隐藏状态以及另一代表异位搏动的隐藏状态的隐马尔可夫模型(HMM)，或者该PGM是贝叶斯网络，其中正常搏动和异位搏动的分布至少取决于先前搏动。在上述任何一种情况下，最大似然法被用于预测下一次逐搏动时间的性质(正常或异位)。此外，除了其正常或异位状况外，还可以从每个搏动的可用特征中预测以下信息：搏动是否可能起源于心脏的心房或心室；异位搏动路径，在搏动分类算法是无监督的情况下，搏动起源于该路径，新的簇潜在地代表心肌中新的致心律失常模式。

附图说明

图1是例示根据本发明的一方面的检测异位搏动类型及其对外周脉搏波形的影响的步骤的流程图；

图2是例示根据本发明的一方面的数字信号处理和提取脉搏波形特征的流程图；

图3是例示根据本发明的一方面的用于对逐搏动间隔进行分类的算法的框图；

图4是根据本发明的一方面的监测和管理系统的示意图；

图5是根据本发明的一方面的使用非侵入性外周脉搏监测设备的监测和管理系统的概图。

具体实施方式

提供以下描述以帮助读者获得对本文所描述的方法、装置和/或系统的全面理解。然而，对于本领域普通技术人员而言，本文所描述的方法、装置和/或系统的多种变化、修改和等同物是显而易见的。如本领域普通技术人员将显而易见的是，本文所描述的操作顺序仅仅是示例，并不限于本文所陈述的那些，且可以改变。本领域普通技术人员所熟知的功能和结构的描述可能被省略，以提高清晰度和简洁性。

本发明旨在纵向监测人类对象以记录其异位搏动的模式。这是使用一种可检测ECG信号的非侵入性可穿戴设备进行的。然后分析异位搏动的来源、强度等。此数据对于心脏疾病的早期检测、预防以及确定适当的治疗/此类治疗的有效性是至关重要的。

可穿戴设备收集对象的数据，该数据包括情境数据，诸如但不限于用户活动和生物信息。然后使用若干心率变异性测量方法来分析异位搏动类型。该可穿戴设备还可以包括用于收集用户的生理数据的多种传感器。在一方面，该可穿戴设备可以包括用于收集脉搏传感器读数的脉搏传感器。可以对这些脉搏传感器读数进行监测，且更新传感器电路参数，以提供更连续、更可解释的传感器读数。一旦收集到数据，就可以使用下面讨论的多种算法对逐搏动间隔进行分类，以区分正常搏动和异位搏动。使用此信息，存在若干方法可将数据用于心脏健康的早期监测和管理。这些路线可以包括筛查异位搏动频率和趋势的具体潜在原因、筛查和管理异位搏动的运行、确定影响异位搏动频率的行为和环境因素、以及适时促使收集可穿戴设备317上的ECG信息。

非侵入性外周脉搏监测设备

如以上所讨论的，该系统依赖于具有感测装置的可穿戴设备。在一方面，可穿戴设备包括非侵入性外周脉搏监测设备203(参见图2和图5)，其经由多种脉搏传感器501跟踪穿戴设备203的用户的外周脉搏信号201。在一方面，可穿戴设备203还可以包括ECG传感器502。若干技术可用于跟踪外周血管中的血液脉搏，在撰写本文时最常用的技术是脉搏体积描记法(PPG)501。其他若干技术也可用于记录随外周脉搏节律波动的时间序列数据，包括但不限于心震描记法(SCG)、投影心搏描记术(BCG)、阻抗心功能图(ICG)和皮肤电活动(EDA)，并且这些技术都是PPG的可行替代技术。优选的是这些技术能够记录随用户的心脏脉搏(更优选地外周脉搏)节律波动的时间序列数据。

为了有效地监测外周脉搏，传感器控制系统213/509可以作为程序加载到可穿戴设备203的处理器/微控制器505上，用于控制信号采集参数，如图2和图5所示。这样的采集参数可以包括但不限于LED照明水平以及作为传感器的一部分的放大器电路的增益水平。申请人在美国专利公开号US-2021-0353168-A1中进一步公开了此步骤及其执行方式，所述美国专利以整体引用的方式纳入本文。

除了用于跟踪外周脉搏的传感器501之外，非侵入性健康监测设备203还配备有情境传感器503，其能够经由体动记录仪使用MEMS设备(微电子机械系统)(诸如但不限于三轴加速度计和三轴陀螺仪)捕获运动数据。此数据的目的是监测用户的活动，这可以指示不同的生理状态(诸如睡眠和运动)，而且也可以被信号处理系统使用(参见图2和图3)，以利用本领域已知的适用技术移除使外周脉搏信号(首先在图2的215中产生)失真的运动伪影(参见图2的221)，诸如利用自适应滤波器(参见图2的225)，其从PPG信号中减去运动信号，以产生噪声最小的输出信号，如Pollreisz,D.,TaheriNejad,N.,Detection and Removal ofMotion Artifacts in PPG Signals,Mobile Netw.Appl.(2019).https://doi.org/10.1007/s11036-019-01323-6(通过最小化输出信号的功率)中所描述的。

微控制器505还可以执行从脉搏传感器501读数中提取生物信息229(参见图2)(诸如单个心搏的时间)的过程，或者它可以将脉搏传感器读数传输到另一计算设备513和/或服务器515，后者可以完成此任务。在经由设备203上的微控制器505进行计算的情况下，计算的生物信息229还将通过可穿戴设备203的通信模块507传输到连接至互联网的其他计算设备/服务器513、515，通信模块507可以包括蓝牙或WIFI等任何合适的技术。非侵入性健康监测设备203还可能具有能够直接与数据网络(诸如信号塔517)通信的通信模块511(参见图5)。异位搏动类型及对外周脉搏波形的影响

在介绍如何处理外周脉搏信号201以及如何将其用于使最终用户、患者和临床医生受益之前，我们在此描述正常心搏235和异位心搏237的生理如何转变为外周脉搏信号229的特征的变化。健康的心脏会产生遵循可预测模式的节律性搏动，其中连续心搏之间的时间延迟是类似的。这些心搏起源于心脏的起搏细胞或窦房结101，经由通过心脏的浦肯野纤维网络(参见103)传导的节点电脉冲以快速的速率传导至整个心脏(例如，正常周期性窦房)，从而产生窄的ECG QRS复合波155(参见图1)。心肌响应于该电波而收缩，并生成正常的机械收缩105，该机械收缩105将正常的机械血液脉搏射入血管107。该脉搏从主动脉向下到达手腕后部的毛细血管，在那里非侵入性健康监测设备203可以记录正常PPG信号109的合成波形。

参考图1，可以使用正常心率变异性147的若干种测量(包括时域、频域和基于熵的计算)来对这样的正常心搏235(参见图2)进行分析。对于频域方法，例如，高频段能量(～0.2Hz)指示由于被称为窦性心律失常的现象，心搏间隔随着吸气和呼气节律性延长和缩短。此高频信号与源自窦房结101的一系列健康心搏有关。

与正常脉搏生成101相反，心脏心房127或心室111中的病变心脏组织可生成使心脏去极化的电信号并导致在心肌中生成异常电波113，称为异位搏动，类似于如图1中所示的起源于窦房结101的正常健康心搏。一个差异是，这样的异位搏动先于窦房结101放电，否则窦房结101放电会启动正常的窦房结搏动。与正常窦房结搏动101相比，这样的异位搏动237(如图2中通过数字信号处理和脉搏波形特征提取所识别的)还有其他差异。这些差异取决于异位搏动的特性，诸如它是起源于心脏的心房(PAC’s)还是心室(PVC’s)。起源于心房127的搏动趋向于使心脏起搏细胞去极化和复位(即，复位为正常的心脏机械收缩(115)，复位为正常的机械脉搏射入血管(117)，产生具有正常振幅(163)的正常PPG信号(119)，复位窦房结的相位(159)。这导致随后正常心搏的相位发生变化，并与异位搏动建立的新搏动的相位同步。当对逐搏动时间序列141(图1)、229(图2特征提取的分量)进行傅立叶分析并寻找心率频段的相位中的偏移时，可以看到这样的相位偏移。当这样的PAC脉搏在心动周期中没有过早被触发时，其波形表现出与正常心搏的振幅相当的振幅，由正常PPG信号119指示。

相反，如图1所示，起源于心室111的搏动通常在心脏中传播得太慢以至于不能复位起搏细胞，因为电波只有在起搏细胞处于不应期时才会击中起搏细胞。这也导致PVC之后的正常心搏出现“代偿性间歇”，这具有一个延长的延迟。这直接影响到从非侵入性外周脉搏监测装置203所收集的逐搏动时间间隔数据141(图1)、229(图2特征提取的分量)，且使用傅立叶分析可以看到在PVC之后的正常心搏的保留相位。PVC波移动缓慢的原因是它没有通过连接至窦房结101的高速浦肯野纤维网络传导，因此这样的PVC搏动的ECG信号/波形151也被加宽(153)，从而很容易与具有窄ECG复合波155的PAC以及起源于窦房结101的正常心搏区分开，因为这两者都具有窄复合波ECG波155，都是心肌电波特征157。此外，由于心室去极化的异常去极化模式在心房之前(与正常搏动和PAC搏动相反)，心脏先收缩心房再收缩心室的正常模式会被打乱，从而导致无效的机械收缩121/129，且导致在PVC期间血液脉搏123低效地射入主动脉。当这种效应表现出来时，也会出现脉搏短绌(缺失机械脉搏)131，外周脉搏PPG的波形振幅139会变低(PPG波形异常125PPG波形消失，绝对PPG强度因组织血含量和血压降低而增加133，PPG振幅降低165)或缺失(PPG波形消失167)。此外，当出现一个或多个这样的搏动时，由于非侵入性可穿戴设备203所监测的毛细血管中的血液量略有减少，血压暂时下降，且绝对PPG信号强度137增加。这种现象还可被监测以确定危险的心律失常紧急情况(诸如室性心动过速，例如图3中的315)的存在，其中许多这种性质的快速搏动以序列465发生(参见图4)，这可以指示灌注135(图1，随着这些搏动的运行，减少的灌注、房颤风险、晕厥)。数字信号处理和脉搏波形特征提取

在非侵入性监测设备203上所收集的外周脉搏传感器读数被连续地监测，且传感器电路参数如增益(还包括LED光强度)被连续地更新，以最大化信号质量，如美国专利公开号2021-0353168-A1中所提到的，所述美国专利以整体引用的方式纳入本文。然后，外周脉搏数据被转换成比纯传感器读数更连续、更可解释的形式。例如，使用PPG，第一步将是计算LED和光电二极管电流水平时间序列217，且表示接收光与发射光的比率219，如图2所示。在这种形式下，数据指示皮肤的吸收率，它与增益或照明水平的变化无关，保持恒定。类似的变换可被用于其他外周脉搏测量技术，如SCG 205、BCG 207、ICG 209或EDA 211。

非侵入性外周脉搏测量设备203还包含情境传感器503，其包括用于从信号中移除运动伪影的体动记录仪读数。脉搏传感器501(包括PPG、SCG、BCG、ICG和EDA(参见图5))对运动伪影敏感，且可经由诸如自适应滤波等技术从信号221中移除运动伪影，如图2所示。常用的技术是在时域中分别从外周脉搏信号201或其导数中减去运动信号的线性倍数或运动信号的时间导数的线性倍数，同时通过最小化操作之后剩余的信号功率来调整此线性减法的乘法系数。

尽管做出了上面提到的所有努力，设备203仍有可能未被正确定位在测量部位上。在其他情况下，设备203可能未被附接至穿戴者。在这种情况下，重要的是将数据标记为不可读的且停止处理，直到重新建立适当的信号质量。这种行动可通过经由设备203本身通过触觉、音频或电子消息反馈437提醒用户来完成。为了确定信号质量，通过计算低频和/或高频逐样本噪声224/228的功率与用于检测外周脉搏的有效信号频段226(0.5Hz-5 Hz)中剩余的能量之比，计算外周脉搏传感器数据流221(在移除运动信号之后)的信噪比223(带有滤波和信号不连续区域)(参见图2)。仅当足够的信号质量可用时，才对信号进行处理，以提取用于搏动分割227的个体外周脉搏波形。

分割脉搏(搏动分割227)的过程依赖于寻找信号中的局部最小值、最大值和拐点，以确定新的外周脉搏波形信号的开始。一阶导数过零点指示脉搏波形的极小值(foot)和极大值(peak)，而二阶导数的极值指示新脉搏波形的开始。使用从此信息中所得出的单个脉搏波形边界的样本数目，可以将信号分割成离散的、连续的以及不重叠的信号段。由于外周脉搏信号的平滑性和连续性，还可以在每个脉搏波形的准确开始处获得增加的分辨率，该分辨率高于所记录的连续外周脉搏信号样本之间的时间215。

基于上面所讨论的分割过程(227)，还可用的是从外周脉搏特征145中提取一组特征229，该组特征229包括每个外周脉搏波形的逐搏动时间141、波形振幅139、HRV 143和外周脉搏信号137的绝对强度。通过计算围绕当前搏动的一系列例如一分钟搏动间隔的HRV143。通过这种方式，可以记录与每个搏动相关联的HRV值。脉搏波形信号还可被存储为特征，用于在每个搏动的机器学习模型中使用，尽管在许多情况下需要进行一些归一化，以将不同持续时间的波形转换为作为模型输入的相同量纲。

可穿戴设备203可以计算若干高级生理状态，诸如睡眠/清醒状态、睡眠阶段、运动和活动事件(参见图2的239)。无论从非侵入性外周脉搏监测设备203还是从其他市售的可穿戴设备得出，此信息都可以作为元信息与个体心搏数据一起存储，以提供可能与个体异位搏动频率增加相关或与该增加有因果关系的生活方式因素的情境。这种元信息对于对心搏时间序列229进行滤波也是有用的，使得例如仅利用在睡眠期间所记录的特征229来分析(参见231)异位搏动的频率和趋势，该特征229可能是最小混杂的生理条件(无活动或环境刺激)。

逐搏动间隔的分类算法

一旦可用，描述个体心搏231的特征的时间序列可被用于使用在计算设备515上运行的算法233来区分正常搏动和异位搏动，计算设备515经由网络(例如互联网)与可穿戴设备203通信，如图2和图3所示。在其他实施方案中，具有足够计算资源的可穿戴设备203可以运行算法233来区分正常搏动和异位搏动。作为第一阶段，从个体脉搏231中所提取的特征被汇总到滚动窗口中，该滚动窗口由固定数目的搏动间隔组成，从几个搏动到一分钟范围内的数据315(参见图3)。此窗口作为任何预测算法(例如，监督机器学习模型301、概率图形模型(PGM)303和半监督模型305)的输入，以产生关于滚动窗口315中的最新搏动是异位搏动(308、309、311、313和237)还是正常搏动235的预测。

例如，监督机器学习算法301已经在正常外周脉搏信号数据上进行了训练和验证，该正常外周脉搏信号数据与FDA或其他适当经核准的算法评分的24小时ECG数据一致，作为心房或心室起源的异位搏动(PACs或PVCs)。适用于此问题的两种常见神经网络架构是递归神经网络和卷积神经网络，且上面讨论的不同类型异位搏动及其所提取的脉搏波形特征229之间的关系首先提供了异位搏动(308、309、311、313和237)与正常搏动235之间的人类可解释的差异，其次提供了心房311与心室309异位搏动之间的人类可解释的差异，第三提供了正常搏动235与产生脉搏短绌308的搏动之间的人类可解释的差异，如图3所示。如上所提到的，窦房结及其与房性早搏(PAC)的复位导致时差和相位复位，同时保留大部分正常振幅。与此相反，PVC导致代偿性间歇，而窦房结(161)没有复位，表现为逐搏动之间的时差，且还示出不同的振幅变化模式，因为PVC的较慢的异常电波传导可导致强烈衰减的脉搏波形。

还可以使用概率图形模型(PGM)303。PGM 303将窦房结的活动明确表示为一个具有更多周期性定时的过程，与平均心率(包括已知的窦性心律失常调制)具有较小的偏差，将心律失常组织表示为一个具有更多均匀随机定时的过程。PGM处理条件依赖关系。先前搏动的状态(诸如PVC)使模型依赖于条件概率分布，其中来自窦房结101的下一搏动的预期搏动定时分布以较早的PVC为条件。我们可以将其指定为p(逐搏动时间|PVC→正常)。在p(定时|PVC→正常)中，分布的预期或平均搏动间隔将高于正常的心房搏动，代表了已知的PVC“代偿性间歇”。对于进入模型的新数据点，当它通过连续搏动进行分类时，如果搏动确实比较早的搏动延长，则进入p(逐搏动时间|PVC→正常)分布的逐搏动时间概率将高于例如两个相继的正常搏动，指定为p(搏动定时|正常→正常)。PGM 303包括一组不相关的搏动类别：“正常”、“PAC”、“PVC”。每种类型的可能性可从其条件概率分布中评估。举例来说，在考虑较早的正常搏动的情况下，这三种情况下给定逐搏动时间的概率将是分布p(逐搏动时间|正常→PVC)、p(逐搏动时间|正常→PAC)、p(逐搏动时间|正常→正常)。三者中最有可能的将具有最高概率值或可能性，这将是搏动定时的函数。

当PGM 303一次评估两个搏动时，将考虑所有9个转换(正常、PAC和PVC上的3×3个转换)，且对于连续搏动具有最大可能性的一对(例如，p(逐搏动时间‘-1’|正常→PVC)×p(逐搏动时间‘-2’|PVC→正常))将被用于确定模型的分类输出，其中‘-1’指定最近的逐搏动定时，‘-2’指定第二最近的逐搏动定时。类似地，我们还可以评估其他搏动特征的概率，例如搏动的振幅。例如，在p(搏动振幅|正常→PVC)分布中，PVC的衰减的搏动振幅将由波形振幅的较低平均值表示。当考虑使用不同特征分类的总体可能性时，每种特征类型的概率相乘。例如，仅考虑最近的逐搏动间隔，当使用逐搏动定时以及搏动振幅这两个特征时，我们将把似然函数表述为这二者的乘积，例如：p(逐搏动时间|正常→PVC)×p(搏动振幅|正常→PVC)。如[0025]中所强调的，此过程通过在同时记录的PPG和ECG数据上建立条件概率分布进行训练，且可被扩展至考虑更长的转换序列，诸如发生在三个或更多搏动序列上的转换序列(例如p(逐搏动时间|PVC→正常→正常))。此策略还可以使用异位搏动患者的数据进行训练，异位搏动的发生是由于初始异位搏动触发器313的下游效应而以独特的模式进行的。

除了监督模型301和PGM 303之外，还可以添加半监督模型305，其包含自动寻找密集、类似搏动模式的簇的步骤。在一方面，可以使用相对较短的搏动特征的滚动窗口(范围从三个到六个搏动)，以自动地发现异位搏动序列，这些异位搏动有时以规则模式313出现在个体患者中，如图3所示。算法所聚类的空间是2-6个搏动的多维空间，称为相空间。Poincar为图是维度为2的相空间的一个实施例。常见的实施例是二联和三联心律失常情况，其中经常看到由两个或三个异常搏动所组成的搏动序列。该方法是首先在所提到的多维搏动序列空间中识别簇，随后将所有接近对角线的簇(所有三维到六维具有相似值)标记为正常搏动。然后，接下来的步骤是确定由心律失常相空间上的异常聚类活动形成的簇的数目，且将每个簇列为导致心律失常的路径总数(313)(见图4)。如图4所示，通过跟踪这些簇313和代表致心律失常路径的簇的数目的演变以及这些簇403中的搏动频率401和搏动趋势，可以获得更完整的演变405图，即心脏可能如何变化以变得更容易或更不容易由于潜在疾病过程407而产生异常搏动。

监测和管理系统

至此，使用非侵入性外周脉搏监测设备203寻找和分类异位搏动以及产生关于其在频率、不同类型(PAC、PVC和脉搏短绌搏动)308、237、309、311、401以及不同致心律失常路径313、401上的演变的信息的过程已经被涵盖。使用此信息，存在若干可利用异位搏动的早期疾病标志物对心脏健康进行早期监测和管理的路径：(1)筛查异位搏动频率和趋势的具体潜在原因；(2)筛查和管理异位搏动的运行；(3)确定影响异位搏动频率的行为和环境因素；(4)适时地提示收集ECG信息。

筛查异位搏动频率和趋势的具体潜在原因

我们已经在上文描述了作为对逐搏动间隔233进行分类的算法的监督机器学习模型301。我们还提到使用基于参考ECG的异位搏动类型分类和外周脉搏数据来训练此模型。在诸如心脏扩大或结构异常463、血钾水平变化461、缺血性疾病(心脏供血减少)459(见图4)和冠状动脉疾病等情况下所记录的异位搏动类型的公共数据库可在如Physionet(https://www.physionet.org/data/)等公共资源上获得。使用与上面讨论的用于训练模型的相同策略，第二监督机器学习模型457可被用于将从非侵入性外周脉搏中所提取的关于来自汇总的异位搏动的特征信息，根据可能的病因462、461、459分类为时间序列信息455(例如，按搏动类型划分的每个部位和路径的频率401、每个部位和路径的趋势403以及部位和路径的演变405)。然后此信息被上传到用于管理患者429且与患者429交互的数字平台417的患者数据部分415，且被登记给心脏病专家419。基于心脏病专家419的解释，可通过患者门户421与患者共享临床或生活方式的后续行动。

筛查和管理异位搏动的运行

类似地，异位搏动的部位和路径演变405的信息还被上传到数字平台417的患者数据部分。基于心脏病专家419的解释，可通过患者门户421与患者429共享临床或生活方式的后续行动。该系统可利用行为元数据451(例如睡眠元数据)提供异位搏动的运行发生的时间和条件的情境。此外，还可利用从其他设备445/447所收集的生理元数据453。例如，众所周知，运动员心房颤动(AFib)的发病率较高，这表现在高迷走神经活动和低交感神经活动的条件下，诸如深度睡眠。通过与心脏病专家共享这些信息，日常门诊就诊期间可能从未记录的心律失常和异位运行就可以得到心脏病专家的关注且进行治疗。

确定影响异位搏动的行为和环境因素

重要的第二信息源(即关于患者的行为431和环境的元数据427)被收集且被汇总到具有通信装置的计算设备c 513/515上。在一方面，此信息通过用户界面汇总，该用户界面可以呈现在连接至互联网的第二计算设备513(诸如移动电话)上(以收集用户反馈443)、连接至设备203的API的服务器515或类似地能够测量用户行为431的另一可穿戴设备445(例如，收集VR和AR数据)、以及用户环境中能够测量诸如患者体重等生理信息的其他设备447、以及从诸如由患者经由本地计算设备513(例如智能电话)上的应用导入系统515或披露的电子健康记录(EHR)(即患者的病史)441等来源所收集的医疗元数据449。此外，患者可以手动记录他们的信息，或者智能药盒可以自动填写不同药物的逐日剂量信息。用于记录生理信息的第二可穿戴设备445还可以包括来自虚拟现实或增强现实硬件等设备的信息，这些设备能够执行眼睛和身体跟踪数据，且测量虚拟环境的活动和行为信息(例如作为简单示例的照明水平)。

汇总的元信息427和异位搏动信息/数据407可以是组合的和分析的409时间序列，包括趋势403、部位和路径演变405。此步骤提供计算，确定不同异位搏动趋势与元信息(诸如药物类型和用法)趋势之间的相关性。然后将相关的趋势呈现给患者，以告知她多种行为和环境因素对异位搏动趋势的影响。此信息还被上传到患者管理平台417的患者数据部分415，从而为患者的心脏病专家提供可能影响心脏健康的重要环境因素的信息，这可能会提示进一步的调查，或生活方式和药物的改变。致病趋势411是通过研究滞后相关性生成的，在滞后相关性中，例如延迟一周的先前行为与更近期的异位搏动信息407相关联，以发现更有可能是致病的相关性。此信息以与相关趋势/关系439的描述类似的方式使用，以低级别的详细程度/反馈437打包用于与患者共享，且以较高级别的详细程度/患者反馈413打包(这可在多个用户上汇总)用于与心脏病专家/临床医生419共享。此系统创建了一个闭环反馈系统433，患者429以非常精细的分辨率持续接收有关其心脏健康的反馈435，能够警告用户非常早期的变化，这是最容易通过生活方式和医疗干预来纠正的，同时还告知她其行为和环境中的测得的趋势与其异位搏动趋势和频率407的变化相一致。作为简单的示例，系统可以警告新药物或新膳食补充剂的意外致心律失常前的作用，以及诸如体重下降等参数对心脏健康的影响。类似地，对于非常特殊的情况，该系统还能检测诸如运动等健康行为，而在大多数情况下这将会通过异位搏动数据407示出所测得的心脏健康的改善；例如，肥厚型心肌病的运动可能会导致异位搏动频率增加，这一点心脏病专家应予以注意。

适时地提示收集ECG信息

最后，由非侵入性外周脉搏监测设备203发现的异位搏动运行可被用于提示用户收集和记录ECG信息317(例如，在心动过速检测315之后)，例如，通过用对侧手的手指触摸暴露在可穿戴设备203、445上的电极。在这种异位搏动数据的运行具有宽复合波ECG模式153/319的情况下，可以生成警报416以警告心脏病专家419和患者429发生潜在致命的室性心动过速。此外，异常搏动465的运行可进一步告知风险，或作为历史信息，告知中风和晕厥的原因，此信息还被上传到患者管理系统417，以便采取后续行动。

Claims (26)

1.一种执行非侵入性健康监测的方法，包括：

a.通过使用非侵入性可穿戴物来获取对象的外周脉搏数据；

b.通过以下方式来分析所收集的数据：

i.使用预测算法提取心搏且对心搏进行分类；以及

ii.使用来自可穿戴设备的数据来预测另外的情境信息；以及

iii.分析异位心搏频率的趋势；以及

c.与患者和护理提供者共享异位搏动频率及来自于所述分析的趋势。

2.根据权利要求1所述的方法，其中所述可穿戴设备包括情境传感器以及能够监测外周脉搏的传感器。

3.根据权利要求2所述的方法，其中外周脉搏传感器利用光电容积描记法(PPG)、心震描记法(SCG)、投影心搏描记术(BCG)、阻抗心功能图(ICG)或皮肤电活动(EDA)。

4.根据权利要求2所述的方法，其中所述情境传感器包括三轴加速度计、陀螺仪传感器或肌电图仪。

5.根据权利要求2所述的方法，其中所述可穿戴设备被配置为：

a.使用来自情境传感器的读数来对信号进行滤波以移除低质量记录，从而确定是否存在运动；

b.使用来自外周脉搏传感器的读数来确定信噪比是否是可接受的；以及

c.使用阈值来检测外周脉搏信号的不连续性，所述不连续性会是由于信号放大参数的调整或由于噪声源而导致的。

6.根据权利要求1所述的方法，其中所述预测算法被配置为：

a.将所提取的心搏识别为由心脏的窦房结或起搏器所启动的正常搏动；

b.识别不是由心脏的窦房结或起搏器启动的异位搏动；或

c.识别未确定的搏动。

7.根据权利要求6所述的方法，其中所述预测算法进一步被配置为将异位搏动的数目、异位搏动的数目的趋势以及描述个体异位搏动的特征作为输入。

8.根据权利要求7所述的方法，其中所述预测算法能够在异位搏动升高或随时间变化或呈趋势的情况下产生异位搏动的原因的预测，其中潜在原因包括心脏扩大或另外的心肌异常、血钾水平变化或心脏供血减少。

9.根据权利要求1所述的方法，其中所述可穿戴设备被配置为将外周脉搏信号转换为在信号获取参数调整期间保持外周脉搏信号的连续性的单元。

10.根据权利要求1所述的方法，进一步包括从外周脉搏信号读数来分割个体外周脉搏，所述分割包括：

a.对外周脉搏求导，且使用零交叉以定位信号的峰值和/或谷值；以及

b.对外周脉搏求二阶导数以定位拐点。

11.根据权利要求10所述的方法，其中通过对信号进行插值且利用多项式插值和样条插值找到插值信号中的峰值或谷值，来将脉搏峰值和/或谷值的时间分辨率提高到超过采样率的时间分辨率。

12.一种用于非侵入性健康监测的方法，包括：

a.获取以下数据：

i.对象的外周脉搏，使用非侵入性可穿戴设备，所述设备包括：

1.至少一个微控制器；

2.能够监测以下内容的传感器：

a.外周脉搏，诸如但不限于：

i.光电容积描记法(PPG)；

ii.心震描记法(SCG)；

iii.投影心搏描记术(BCG)；

iv.阻抗心功能图(ICG)；或

v.皮肤电活动(EDA)；

b.情境传感器，诸如但不限于：

i.三轴加速度计；

ii.陀螺仪传感器；或

iii.肌电图仪；

3.通信模块，用于将所记录的数据发送到连接至互联网的计算设备；

ii.经由电子设备的可选人口统计信息，包括但不限于：

4.身高；

5.体重；

6.BMI；

7.性别；和

8.年龄；

iii.通过类似的电子健康记录的可选病史；

b.将所获取的数据传输到一个或一系列计算设备，诸如但不限于移动电话、服务器、平板计算机，计算设备连接至以下任一项：

iv.互联网；或

v.能通过另外的设备到达互联网的本地通信网络，诸如蓝牙或wifi；

c.通过以下方式分析所获取的数据：

i.通过使用预测算法来提取心搏，且将心搏分类为以下任一项：

1.由心脏的窦房结或起搏器启动的正常搏动；

2.不是由心脏的窦房结或起搏器启动的异位搏动；或

3.未确定的搏动；

ii.通过使用来自可穿戴设备的数据以及可选人口统计数据来预测另外的情境信息，包括但不限于：

1.睡眠状态和睡眠阶段；

2.活动模式；和

3.健康水平；

iii.通过存储和分析异位心搏频率的趋势；

d.将异位搏动频率和趋势的信息传输到：

i.患者，以告知他们在疾病的早期或晚期心脏健康朝向改善或恶化的进展；以及

ii.护理提供者，以跟踪：

1.疾病进展；

2.治疗效率；以及

3.生活方式干预效率。

13.根据权利要求12所述的方法，其中所述异位搏动频率和趋势被传输到：

a.患者，以提醒他们与脉搏减弱或脉搏短绌相关联的异位搏动的运行，以用于但不限于以下方面：

i.及时去急诊室就诊；以及

ii.联系他们的医生；

b.护理提供者，以便：

i.警惕关于使对象易患以下疾病的脉搏短绌时期：

1.中风；或

2.晕厥；以及

ii.示出历史脉搏短绌时期，以确定中风是否可能已由异位搏动/心律失常引起。

14.根据权利要求13所述的方法，其中运动员在睡眠期间所检测到的异位搏动的运行被用于使能够提早检测到仅在高迷走神经张力(诸如深度睡眠)的条件下所表现的心房颤动。

15.根据权利要求12所述的方法，其中对象的异位搏动的总数或异位搏动的历史频率的趋势被显示给以下人员中的至少一种：

a.临床医生，以便：

i.通过突出具有高异位负担或异位负担增加的患者来告知患者筛查；以及

ii.监测对象的情况，包括：

1.监测治疗效率；

2.监测致心律失常部位的数目；或

3.通过所记录的数据来监测生活方式干预(诸如运动)的依从性和效率；或

b.患者，以告知他们：

i.异位负担与寻求医疗护理的阈值警报；

ii.异位负担的趋势与与寻求医疗护理的阈值警报；和

iii.元数据、异位负担和异位趋势之间的关系，以改善健康，其中所述元数据包括：

1.睡眠参数；

2.运动和活动参数，诸如：

a.每周运动的次数和量；

b.久坐行为，诸如连续坐的最长时间、每天久坐时间；以及

c.每天的步数；以及

3.体重。

16.根据权利要求12所述的方法，其中所述可穿戴设备或计算设备被连接至互联网且被配置为：

a.使用数字信号处理技术，从外周脉搏率来确定心动过速是否存在；

b.当检测到心动过速时，提醒用户通过将手指触摸所述设备上的电极来使用可穿戴设备记录ECG；

c.从所述ECG数据中确定QRS复合波是宽复合波还是窄复合波；以及

d.在宽复合波QRS的情况下，向急救服务、患者和患者的护理提供者发出存在室性心动过速的提醒。

17.根据权利要求12所述的方法，其中所述方法包括一种算法，所述算法被配置为：

a.取以下量作为输入：

i.异位搏动的数目；

ii.异位搏动的数目的趋势；以及

iii.描述个体异位搏动的特征，诸如但不限于脉搏衰减或脉搏短绌；

b.产生异位搏动原因的预测：

i.在以下情况下，异位搏动：

1.升高；或

2.随时间变化或呈趋势；

ii.潜在原因包括但不限于：

1.心脏扩大或另外的心肌异常；

2.血钾水平变化；以及

3.心脏供血减少(缺血性疾病)。

18.根据权利要求12所述的方法，进一步包括：

a.信号获取参数，包括但不限于在测量期间通过闭环控制器来动态调整的放大器增益和LED电流，以持续优化外周脉搏信号的信噪比；

b.将外周脉搏信号转换为将在信号获取参数调整期间保持外周脉搏信号的连续性的单元，诸如但不限于：

i.PPG，其中单元将是光电二极管所发射的光与所接收的光之比；

ii.BCG，其中单元将是以G为单位所测量的加速度；

iii.阻抗，其中单元将是给定频率的复电阻；或

iv.皮肤电反应，其中单元是电阻。

19.根据权利要求12所述的方法，其中对信号进行滤波以移除低质量记录，该方法包括：

a.使用来自情境传感器的读数来确定是否存在运动，所述运动会使信号失真；

b.使用来自外周脉搏传感器的读数来确定信噪比是否是可接受的，其中所述信噪比通过以下任何一种比较的方法来确定：

i.高频逐样本噪声与对应于测得心率的频段中的信号之比；或

ii.对应于心率的频段中的信号能量与另外的频段中的信号能量之比；

c.使用阈值来检测外周脉搏信号的不连续性，所述不连续性会是由于信号放大参数的调整或由于噪声源而导致的。

20.根据权利要求19所述的方法，进一步被配置为通过以下方式从信号中移除噪声：

a.通过应用移除逐样本噪声的低通滤波器来对信号进行滤波以移除高频噪声；以及

b.通过应用移除包括但不限于诸如呼吸等生理过程噪声的低通滤波器对信号进行滤波以移除低频噪声；

其中，带通滤波被用于同时移除高频噪声和低频噪声。

21.根据权利要求12所述的方法，进一步包括从外周脉搏信号读数来对个体外周脉搏进行分割，所述分割包括：

a.对外周脉搏求导，且使用零交叉以定位信号的峰值和/或谷值；以及

b.对外周脉搏求二阶导数以定位拐点。

22.根据权利要求21所述的方法，其中通过对信号进行插值且利用多项式插值和样条插值找到插值信号中的峰值或谷值，来将脉搏峰值和/或谷值的时间分辨率提高到超过采样率的时间分辨率。

23.根据权利要求22所述的方法，其中个体脉搏被减少到一组与区分异位搏动与起源于窦房结的搏动相关的特征，该组特征进一步包括逐搏动时间、搏动振幅、信号谷值的绝对信号强度、基于周围搏动的大约一分钟的心率变异性以及脉搏波形特征。

24.根据权利要求12所述的方法，其中用于将个体搏动分类为异位搏动或正常搏动的算法基于以下任何一项原理：

a.针对在由专家人类或算法评分的数据集中所识别的异位搏动来训练的监督机器学习模型，其中所述数据集包括同步ECG和PPG记录，其中所述监督算法在群体水平数据或从个体所收集的数据上进行训练，以提供个性化的模型训练；

b.半监督机器学习模型，其在Poincaré图空间中产生簇(与先前搏动比较的搏动)，且将最接近对角线的簇标记为正常窦房搏动，而将另外的簇标记为异位搏动；或

c.概率图形模型(PGM)，对正常窦房搏动以及异位搏动的搏动时间分布进行建模，所述PMG的变体包括以下任一种：

i.所述PGM中正常搏动和异位搏动的分布取决于一个或多个先前搏动；

ii.所述PGM是具有至少一个代表正常搏动的隐藏状态和另一代表异位搏动的隐藏状态的隐马尔可夫模型(HMM)；或

iii.该PGM是贝叶斯网络，其中正常搏动和异位搏动的分布至少取决于先前搏动；

其中最大似然法被用于预测下一逐搏动定时的性质(正常或异位)。

25.根据权利要求24所述的方法，其中除了正常状态或异位状态外，还从每个搏动的可用特征中预测以下信息：

a.所述搏动是否可能起源于心脏的心房或心室；和

b.异位搏动路径，搏动起源于该路径，新的簇潜在地代表心肌中新的致心律失常模式。

26.根据权利要求12所述的方法，其中用于跟踪外周脉搏搏动定时的传感器用ECG代替，以经由心脏电信号跟踪搏动定时。