CN117882143A - 用于确定认知损伤的指示符值的系统、计算机程序和方法 - Google Patents
用于确定认知损伤的指示符值的系统、计算机程序和方法 Download PDFInfo
- Publication number
- CN117882143A CN117882143A CN202280058574.7A CN202280058574A CN117882143A CN 117882143 A CN117882143 A CN 117882143A CN 202280058574 A CN202280058574 A CN 202280058574A CN 117882143 A CN117882143 A CN 117882143A
- Authority
- CN
- China
- Prior art keywords
- motion data
- mci
- time period
- data
- user
- 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
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 239
- 208000028698 Cognitive impairment Diseases 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims description 38
- 238000004590 computer program Methods 0.000 title claims description 7
- 230000033001 locomotion Effects 0.000 claims abstract description 335
- 230000001133 acceleration Effects 0.000 claims description 29
- 230000036962 time dependent Effects 0.000 claims description 13
- 230000006378 damage Effects 0.000 claims description 7
- 230000003183 myoelectrical effect Effects 0.000 claims description 3
- 208000027061 mild cognitive impairment Diseases 0.000 description 194
- 210000003205 muscle Anatomy 0.000 description 105
- 238000004422 calculation algorithm Methods 0.000 description 43
- 230000003387 muscular Effects 0.000 description 33
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 29
- 208000035475 disorder Diseases 0.000 description 27
- 238000012502 risk assessment Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 22
- 230000003993 interaction Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 14
- 230000036541 health Effects 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000003748 differential diagnosis Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 210000000707 wrist Anatomy 0.000 description 4
- 208000024827 Alzheimer disease Diseases 0.000 description 3
- 208000027089 Parkinsonian disease Diseases 0.000 description 3
- 206010034010 Parkinsonism Diseases 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005804 musculo-skeletal problem Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 208000023178 Musculoskeletal disease Diseases 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 206010003246 arthritis Diseases 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004434 saccadic eye movement Effects 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 1
- 208000036119 Frailty Diseases 0.000 description 1
- 206010053694 Saccadic eye movement Diseases 0.000 description 1
- 230000007000 age related cognitive decline Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 231100000870 cognitive problem Toxicity 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Psychiatry (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种用于确定用户的认知损伤的指示符值的系统,其包括电路,该电路被配置为:在由第一时间段和第二时间段组成的时间段期间,从由用户穿戴的能穿戴装置接收运动数据,第二时间段在第一时间段之后;将在第二时间段期间接收的运动数据与存储的参考运动数据进行比较,存储的参考运动数据表示当在第二时间段期间执行预定任务时实行的参考运动;基于比较确定预定任务;将在第一时间段期间接收的运动数据与另外存储的参考运动数据进行比较,所另外存储的参考运动数据表示当在第一时间段期间执行所确定的预定任务时实行的参考运动;以及基于在第一时间段期间接收的运动数据与另外的参考运动数据之间的比较,确定认知损伤的指示符值。
Description
技术领域
本技术涉及系统、计算机程序和方法。
背景技术
本文提供的“背景”描述是为了总体呈现本公开的上下文的目的。在背景技术部分中描述的程度上,目前指定的发明人的工作以及在提交时可能不符合现有技术的描述的方面既不明确地也不默示地被承认为相对于本技术的现有技术。
运动计划是以身体部位来进行运动以执行动作(诸如拾取对象、转动门把手或按钮)的认知技能。肌肉运动(Motor)计划误差由用以平滑地执行这些运动的能力下降来指示。
肌肉运动计划误差已广泛地与早期认知下降相关,这表明高龄相关的认知下降(例如,70+岁的人)和如阿尔茨海默病和轻度认知损伤(MCI)的障碍。大多数研究集中在特定精细肌肉运动控制任务(诸如手指任务)中的肌肉运动计划误差的呈现,因为这些是对于任务大量的中断最明显的任务。
然而,最近一组演示了MCI可仅使用来自能穿戴装置的加速度计数据从粗略运动(大肢体运动)来确定。在用户必须移动他们的腿的任务中,来自加速度计的加速度曲线可以用于精确地标识任何肌肉运动计划误差及其严重性。
具体地,示出了健康曲线在运动的中间将具有峰值加速度,作为平滑曲线,但是MCI曲线将不那么平滑,加速度变化更大。
目前,针对MCI的这些测试是在临床环境中进行的,该临床环境要求受测个体出席特定位置并且在临床监督下进行这些测试。这对个体来说是非常不方便的。此外,由于试验在临床环境中进行,每天仅可进行少量试验。这意味着测试个体将是罕见的,并且因此连续监控个体的症状是不可能的。
在WO2014143896和US20170229037中提供了其他现有技术。
本发明的目的是解决这些问题中的至少一个。
发明内容
本公开的实施例由所附权利要求限定。
以上段落已经通过一般介绍的方式提供,并且不旨在限制所附权利要求的范围。通过参考结合附图进行的以下详细描述,将最好地理解所描述的实施例以及其他优点。
附图说明
当结合附图考虑时,通过参考以下详细描述,则本公开变得更好理解,将容易获得对本公开的更完整的理解及其许多附带优点。
图1示出了根据本公开的实施例的轻度认知损伤(MCI)风险评估装置100、MCI风险通知装置200和惯性测量装置300。
图2示出了根据本公开实施例的MCI风险评估装置100、MCI风险通知装置200和惯性测量装置300的功能图。
图3更详细地示出了图2的功能图。
图4示出了根据本公开的实施例的过程。
图5示出了已知的肌肉运动任务图。
图6示出了图2和图3中所示的肌肉运动任务指示符算法。
图7示出了图2和图3中所示的IMU数据运动评估算法。
图8示出了根据本公开的实施例的真实世界使用情况。
图9示出了解释肌肉骨骼障碍鉴别诊断的过程。
图10示出了解释晚期认知障碍鉴别诊断的过程。
图11示出了根据本公开的实施例的系统图。
具体实施方式
现在参考附图,其中遍及几个视图,相同的参考标号表示相同或相应的部分。
在图1中,示出了根据本公开的实施例的MCI风险评估装置100、MCI风险通知装置200和惯性测量装置300。为了简洁起见,MCI风险评估装置100将被称为MCI RA装置100,MCI风险通知装置200将被称为MCI RN装置200,并且惯性测量装置300将被称为IMU300。
如后面将要解释的,MCI RA装置100确定个体具有MCI的风险,并且如果个体具有MCI,则确定MCI的严重性。换言之,MCI RA装置100通过处理IMU数据来在个体中筛选或检测长期MCI风险以便检测和分析针对MCI症状的特定运动(即,肌肉运动任务交互阶段运动)或严重性。这将在后面解释。这通过MCI RA装置100(作为系统的一部分)确定认知损伤的指示符值来实现。该指示符值指示认知损伤的风险和/或严重性,并且在实施例中,指示一段时间内的认知损伤的变化。
取决于MCI的风险或严重性,将确定个体和/或他或她的护理此个体的医疗从业者是否将被通知该个体的MCI的风险或严重性。通知将由MCI RN装置200执行。最后,MCI RA装置100将接收运动数据,该运动数据是个体在执行来自IMU 300的各种任务时实行的运动。
MCI RA装置100包括MCI RA处理电路110。连接到MCI RA处理电路110的是MCI RA存储器120和MCI RA通信电路130。在实施例中,MCI RA处理电路110是任何种类的电路,诸如可编程半导体电路(例如,专用集成电路“ASIC”)或使用计算机软件控制的处理器。计算机软件被存储在MCI RA存储器120上。此外,如将变得显而易见的,其他数据(诸如不同数据库)被存储在MCI RA存储器120上。MCI RA通信电路130被设置为经由有线或无线连接与MCIRN装置200和/或IMU 300进行通信。该连接可以使用诸如蓝牙标准或以太网标准的许多标准之一。
MCI RN装置200包括MCI RN处理电路210。MCI RN存储器220和MCI RN通信电路230连接到MCI RN处理电路210。此外,MCI RN装置200包括连接到MCI RN处理电路210的MCI RN显示器240。这向个体和/或他或她护理此个体的医疗从业者提供反馈。虽然在实施例中,该反馈是视觉的,但是本公开不限于此,并且除了视觉反馈之外或代替视觉反馈,可以提供任何种类的音频和/或触觉反馈。
在实施例中,MCI RA处理电路110是任何种类的电路,诸如可编程半导体电路(例如,专用集成电路“ASIC”)或使用计算机软件控制的处理器。计算机软件被存储在MCI RN存储器220上。此外,显而易见,诸如不同数据库的其他数据存储在MCI RN存储器220上。MCIRN通信电路230被设置成经由有线或无线连接与MCI RA装置100和/或IMU 300进行通信。该连接可以使用诸如蓝牙标准或以太网标准的许多标准之一。
IMU装置300包括IMU处理电路310。连接至IMU处理电路310的是IMU存储器320和IMU通信电路330。此外,IMU装置300包括连接至IMU处理电路310的传感器电路340。这提供了指示个体的一个或多个身体部位的运动的运动数据。在实施例中,连续地或周期性地或根据来自个体的指令来收集此运动数据,并且该运动数据可以是多维的加速度和/或速度数据。换言之,加速度和/或速度数据可以在一维、二维或三维中随时间收集。在实施例中,IMU装置(诸如手表、贴片、戒指等)可以穿戴在肢体上,或者可以其是手持装置,诸如智能电话(在使用期间保持)、耳机(保持放置在耳朵中)、AR眼镜(保持放置在头部上)等。在实施例中,IMU装置可以在一个或多个身体位置中穿戴或处理。具体地,为了评估肌肉运动计划误差(其如将被解释的用于计算MCI),身体位置可以包括可以监控手和手腕的运动,诸如:附接到手腕(例如,穿戴的mSafety手表);附接至手指或手(例如,智能戒指);和/或手持握住(例如,耳机、AR眼镜等)。当然,本公开不限于此,并且IMU装置300可以被穿戴在任何其他附加身体位置中,诸如脚/踝、躯干或头部。
在实施例中,IMU处理电路310是任何种类的电路,诸如可编程半导体电路(例如,专用集成电路“ASIC”)或使用计算机软件控制的处理器。计算机软件存储在IMU存储器320上。此外,如将变得显而易见的,诸如不同数据库的其他数据存储在IMU存储器320上。IMU通信电路330被设置成经由有线或无线连接与MCI RA装置100和/或MCI RN装置200进行通信。该连接可以使用诸如蓝牙标准或以太网标准的许多标准之一。
应注意,以下描述了捕获运动数据的IMU装置300。然而,本公开不限于此,并且一些IMU装置300(诸如IMU装置300的手持版本)可能仅用于提供数据以结合其他装置评估肌肉运动计划误差。例如,手持式装置可以不完全表征肌肉运动任务运动,因为它们仅在运动的中途被拾取或释放,在这种情况下,其他装置(诸如能穿戴装置)可以协同使用以收集所有必要的数据。
图2示出了根据本公开实施例的MCI RA装置100、MCI RN装置200和IMU装置300的功能图。
在MCI RA装置100中,由MCI RA处理电路110执行不同算法。这些是肌肉运动任务指示符标识算法、MCI风险评估算法、IMU数据划分算法和IMU数据运动评估算法。用于执行这些算法的计算机程序代码被存储在MCI RA存储器120中。此外,MCI RA存储器120包括肌肉运动任务指示符数据库和运动评估数据库。现在将描述这些算法和数据库。
肌肉运动任务指示符数据库包含指示肌肉运动任务的加速度波形。
肌肉运动任务是需要用户将身体部位从一个位置移动到另一位置以便以某种方式与其环境(诸如拾取杯子、抓握门把手、或者将耳机放置在其耳朵中等等)交互的任务。肌肉运动任务由以下三个阶段限定:
1.运动阶段-肌肉运动任务的部分,其中用户将他们的身体部位从第一位置移动到他们想要与之交互的对象的位置(例如,将手移动到杯子的位置)。该运动阶段是在第一时间周期中进行的运动。
i.在健康个体(或具有低MCI的个体)中,运动阶段期间的身体部位加速度将遵循恒定变化的加速度的受控平滑曲线,从0开始,在运动的中间达到最大速度,并且然后一旦用户达到目标就返回到0。这在图5的曲线图505中被示出为“运动阶段”。
ii.在表达MCI症状的个体中,运动阶段期间的身体部位加速度将不那么平滑,最大速度不太居中,并且可能在加速度、方向反转等上具有阶跃变化。这在图5中的曲线图515的左手部分中示出。
2.交互阶段-肌肉运动任务的部分,其中用户与对象执行一些交互(例如,抓握杯子)。这是在第一时间段之后(即,在运动阶段之后)的第二时间段期间执行的。该交互阶段可以包括具有相应IMU数据签名(在下文中称为参考运动)的特征性手和/或手指位置(例如,抓握姿势、手指指向姿势、捏合姿势)。
3.肌肉运动计划误差-在运动阶段期间根据理想运动的偏差。
i.低或非常低肌肉运动计划误差(即,接近于图5的曲线图505中的“运动阶段”中所示的运动)将导致运动阶段波形中的平滑加速度曲线、更高的峰值速度以及更快的整体运动阶段。
ii.高肌肉运动计划误差(即,与理想运动的偏差,诸如图5中曲线图515的左手部分所示)将导致运动阶段加速度波形的阶跃变化、不连续性或其他不规则性、较低的峰值速度以及较慢的整体运动阶段。如下所解释,这些有时被称为“肌肉运动任务指示符”。
肌肉运动任务指示符包括时间相关的加速度或速度波形。波形表示肌肉运动任务的交互阶段。交互阶段在图5中的曲线图505的“交互阶段”中示出。交互阶段与电动任务的一部分相关联,其中,个体执行与对象的某种交互,例如:
·手抓握运动(例如当抓握杯子时)。
·手按压和释放运动(例如,在放入耳朵之后释放耳机时)。
·指尖推动运动(例如,推动按钮)。
肌肉运动任务的交互阶段具有与其相关联的特定的时间相关的参考加速度或速度波形。换言之,当个体抓起杯子时,该个体在此阶段期间的移动将产生对该特定运动唯一的特定时间相关的加速度或速度波形。将产生这个独特的时间相关的加速度或速度波形,而与执行该运动的个体无关。这意味着可以针对待比较的受测个体产生已知的肌肉运动任务的参考时间相关的加速度或速度波形以允许标识由受测个体执行的特定肌肉运动任务。这些参考时间相关的加速度或速度波形被存储在肌肉运动任务指示符数据库中。在实施例中,参考运动数据捕获自已知健康个体。换言之,参考运动数据从没有或几乎没有认知损伤的个体中捕获。在实施例中,在包括多个肌肉运动任务的时间段内捕获参考运动数据。
在实施例中,参考运动数据是从个体自身捕获的,并且因此用于确定一段时间内对认知损伤的任何改变。在这种情况下,在比针对一个运动任务的时间段更长的时间内从个体捕获参考运动数据。
肌肉运动任务指示符数据库可以在系统使用之前与根据从IMU装置300捕获的运动数据记录的肌肉运动任务指示符一起被填充。肌肉运动任务指示符可以是从许多个体的运动数据推导出的通用的、平均的或理想化的波形。这些个体可以来自类似于受测个体的群组。例如,这些个体可以具有与受测个体相似的年龄或具有与受测个体相似的人口统计数据简档。当然,本公开不限于此,并且可以针对特定个体进行记录。
肌肉运动任务指示符可以具有相关联的标识号或字符串(“肌肉运动任务指示符ID”)。这些肌肉运动任务指示符根据另一肌肉运动任务唯一地标识一个参考肌肉运动任务。因此,肌肉运动任务指示符ID应该能够这样做。
在实施例中,肌肉运动任务指示符可以附加地包括与其他数据类型(除了运动数据之外)有关的签名。这样的签名可以由其他系统感测以增强肌肉运动任务标识。换言之,除了或取代时间相关的加速度或速度波形,可以设想其他参考运动数据。在实施例中,这包括例如:压力模式特征;肌电签名(例如,由穿戴的贴片感测);特定装置的运动(例如,在耳机外壳上打开的铰链传感器的签名);与特定运动(例如,转动钥匙、打开门)相关的声学签名等。
肌肉运动任务指示符标识算法在运动数据内标识与从肌肉运动任务指示符数据库中检索的已知肌肉运动任务指示符相匹配的任何加速度或速度波形图案。换言之,将从个体捕获的运动数据与已知肌肉运动任务的交互阶段的存储的参考时间相关的加速度或速度波形进行比较。在存在正比较的情况下,标识肌肉运动任务指示符。因此,算法输出:指示运动数据中的肌肉运动任务指示符何时被标识的时间戳列表。这些将被称为所标识的肌肉运动任务指示符。对于每个时间戳,从肌肉运动任务指示符数据库中检索相关联的肌肉运动任务指示符ID。
IMU数据划分算法基于所标识的肌肉运动任务指示符时间戳划分运动数据,输出相关运动数据段。这些相关的运动数据段被称为“划分IMU数据”并且被单独地输出。划分IMU数据可以由加速度波形或速度波形组成,该加速度波形或速度波形包括在立即出现在所标识的肌肉运动任务指示符之前的数据。注意,这个波形应该表示肌肉运动任务的运动阶段。换言之,由于根据受测个体的运动数据与已知肌肉运动任务的存储的参考时间相关的加速度或速度波形的比较标识肌肉运动任务的交互阶段,所以可以标识执行该特定肌肉运动任务的个体的运动阶段。运动阶段在第一时间段期间发生。
在实施例中,划分IMU数据还继承其相关联的所标识的肌肉运动任务指示符的肌肉运动任务指示符ID。划分IMU数据的每个实例还被分配被称为“片段ID”的唯一标识字符串或数字。
IMU数据运动评估算法针对关联的运动阶段属性评估划分IMU数据以便稍后确定MCI风险(“运动评估数据”)。在实施例中,运动评估数据包括:IMU数据段的总时间长度(即,运动阶段的总时间长度)(“运动阶段持续时间”);IMU数据段上的最大速度的绝对值(“最大速度”);最大速度的时刻与IMU数据段的中点之间的时间差(“中点误差”)。将理解的是,运动评估数据与MCI风险之间的相关性是根据非专利文献1标识的研究确定的,其内容通过引用结合在此。
运动评估数据还继承了片段ID和肌肉运动任务指示符ID。运动评估数据库存储具有相关联的片段ID和肌肉运动任务指示符ID的运动评估数据。MCI风险评估算法使用运动评估数据以及在可选的实施例中来自其他来源的数据(“其他MCI相关数据”)来计算MCI风险评分(“MCI风险”)。如上所述,MCI风险使用非专利文献1中进行的研究来计算。MCI风险可以是表示所测试的个体具有MCI的计算的风险因素的数值得分。在实施例中,可以基于跨越所收集的运动评估数据的许多实例的平均值来为个体计算MCI风险。例如,MCI风险可以跨许多不同类型的肌肉运动任务来计算,如抓握杯子以便使用锁中的钥匙。然而,本公开不限于此。在其他实例中,MCI风险可以使用一种特定的肌肉运动任务类型来计算,如由肌肉运动任务指示符ID所指示的。换言之,MCI风险可归因于仅一个任务的表现。MCI风险计算可在实施例中使用其他MCI相关数据来细化。其他MCI相关数据可以是语音数据、眼睛跟踪数据或其他身体运动数据,并且主要用于细化MCI风险计算并且排除具有MCI的类似运动症状的其他障碍。
在MCI RN装置200中,由MCI RN处理电路210执行不同算法。这些是通知算法和警报算法。用于执行这些算法的计算机程序代码被存储在MCI RN存储器220中。现在将描述这些算法中的一个。
通知算法根据MCI风险计算MCI通知的优先级(“MCI通知优先级”)。实施例中的MCI通知优先级详细说明了MCI通知的类型。换言之,通知是音频还是视觉(或两者)通知。在实施例中,MCI通知优先级详细说明MCI通知的侵入性,例如音频通知的音量。此外,在实施例中,MCI通知优先级详细说明MCI通知的定时。例如,如果MCI风险非常高,则MCI通知可以唤醒个体或其医疗从业者。
如已经指出的,IMU装置300被提供用于捕获个体的运动数据并且将所捕获的运动数据传递至MCI RA装置100和/或MCI RN装置200中的一者或两者。在实施例中,一个或多个上述算法可以在IMU装置300上执行,和/或一个或多个上述数据库可以存储在IMU装置300上。换言之,尽管上文将一个算法描述为在一个装置中执行并且将一个数据库存储在一个特定装置上,但是本公开不限于此,并且可以在任何一个装置中提供算法和/或数据库。
图3更详细地示出了图2的功能图。具体地,图3的实施例示出了图2的系统中的上述算法中的每个算法之间的相互关系。当关于图4描述根据本公开的实施例的过程时,这将变得明显。
图4示出了根据本公开的实施例的过程。
过程400开始并且在步骤405中,个体在谈及他们的日常生活的同时穿戴/使用一个或多个IMU装置。在实施例中,IMU装置300被连续地穿戴在身体位置中以收集关于肌肉运动任务的运动数据。例如,IMU装置300穿戴在手腕上(例如,体现为mSafety手表)或手指上(例如,体现为智能戒指)。然而,本公开不限于此,并且在其他实施例中,一些IMU装置300能够提供有关肌肉运动任务的周期性信息,诸如,被拾取和放置在耳朵中的耳机或助听器、或手中持有的智能电话。
个体自然地执行肌肉运动任务作为其日常生活的一部分。肌肉运动任务可包括:移动手臂和手来抓握对象(诸如杯子);移动手来用指尖与对象交互,诸如与智能电话或平板计算机交互;或者将能穿戴装置拾取或放置在身体上,诸如耳机、头戴式显示器等。
该过程移动到步骤410。在步骤410中,IMU装置300收集IMU数据,包括关于执行的肌肉运动任务的数据。在实施例中,IMU装置300连续地收集IMU数据,诸如穿戴在手腕或手指上的那些IMU数据。然而,在实施例中,IMU装置300将收集与特定事件相关联的有用IMU数据。这对于耳机/助听器实施例可具有特别的相关性,其中,例如,IMU数据收集可由个体在拾取装置时触摸装置触发,并且在将装置放在耳朵中之后释放装置时结束。在实施例中,IMU装置300可以仅收集任何给定肌肉运动任务上的部分IMU数据。例如,在肌肉运动任务是收听音乐的个体的情况下,一个IMU装置300将是智能电话,并且第二IMU装置300将是个体的耳机。在这种情况下,智能电话可能仅能够标识个体抓握智能电话的位置并激活音乐应用,但是将需要耳机来提供个体的将耳机放置在其耳朵中的IMU数据。换言之,在一些实例中,可能需要多个IMU装置300的IMU数据。
该过程移动到步骤415。在步骤415中,肌肉运动任务指示符算法在IMU数据上运行以标识肌肉运动任务指示符,输出所标识的肌肉运动任务指示符。图6示出了根据实施例的用于实现该目的的一种方法。
参见图6,对于从肌肉运动任务指示符数据库中检索的每个已知的肌肉运动任务指示符,肌肉运动任务指示符算法在IMU数据中执行搜索以标识与肌肉运动任务指示符波形相匹配的波形的片段。当波形与肌肉运动任务指示符波形之间的差低于预定阈值时,进行匹配。为了实现这一点,肌肉运动任务指示符算法在小的时间间隔(例如,0.2s)中通过IMU数据同时考虑IMU数据的小片段(例如,1至3s)阶跃。在每个步骤,肌肉运动任务指示符算法将所考虑的肌肉运动任务指示符波形的时间-振幅关系与IMU数据段中的波形进行比较。如果在肌肉运动任务指示符波形与IMU数据段波形之间的平均振幅和时间差低于预定阈值,则IMU数据段被标识为与肌肉运动任务指示符匹配。
在实施例中,以上步骤被重复多次,其中,不同的缩放应用于肌肉运动任务指示符的时间轴,即。该肌肉运动任务指示符可以在时间轴上被缩放以考虑更快或更慢的交互阶段。
一旦被标识,则保留所标识的肌肉运动任务指示符的开始的时间戳、以及相应的肌肉运动任务指示符ID。
在实施例中,还使用另外的非IMU数据肌肉运动任务指示符。在这种情况下,与以上指出的搜索方法相似的方法可以用于它们的特定数据类型来标识肌肉运动任务指示符的开始的时间戳。例如,对于“耳机外壳打开”肌肉运动任务指示符,时间戳可被定义为外壳打开的时刻。
一旦针对从肌肉运动任务指示符数据库中检索的每个肌肉运动任务指示符完成了搜索方法的步骤,该算法输出时间戳列表和相应的肌肉运动任务指示符ID作为所标识的肌肉运动任务指示符。
返回图4,过程在步骤420继续。在步骤420中,IMU数据划分算法基于所标识的肌肉运动任务指示符划分IMU数据并且输出划分的IMU数据。在实施例中,这通过以下方式实现:对于每个所标识的肌肉运动任务指示符:在对应的所标识的肌肉运动任务指示符时间戳处开始,IMU数据划分算法通过IMU数据波形上的时间向后搜索以标识肌肉运动任务的运动阶段的初始开始,即加速度和加速度的变化率为0的时间点。IMU数据划分算法随后使用该确定的时间戳作为波形段的起点并且使用所标识的肌肉运动任务指示符时间戳作为波形段的终点来划分IMU数据。IMU数据段被分配唯一的片段ID,并且继承它们对应的所标识的肌肉运动任务指示符的肌肉运动任务指示符ID。
IMU数据段及其相关联的ID作为划分IMU数据被输出。
该过程移动至步骤425,在该步骤中,IMU数据运动评估算法评估划分IMU数据以输出运动评估数据。IMU数据运动评估算法的目标是从划分IMU数据中提取和/或计算运动阶段特性,稍后可以在MCI风险计算中使用划分IMU数据。
对于划分IMU数据的每个片段,确定或计算运动阶段的属性。这参考图7示出。具体地,在实施例中,通过从IMU数据段的结束时间戳中减去该IMU数据段的开始时间戳来计算运动阶段持续时间。通过标识IMU数据段的整个波形的最大幅值来提取最大速度。
在实施例中,通过以下计算中点误差:标识IMU数据段的开始时间戳与结束时间戳之间的中点;以及计算该中点与对应于最大速度的点的时间值之间的差。
针对片段提取的值与它们对应的肌肉运动任务指示符ID和片段ID一起作为运动评估数据存储在表中。
运动评估数据被加时间戳并存储在运动评估数据库中。
在图8中,示出了若干典型的移动。这些移动分解为运动阶段(在第一时间段期间)和交互阶段(在第二时间段期间)。在顶部肌肉运动任务中,个体正在拾取杯子。该运动阶段使个体将其手朝向杯子移动。这是图4中的曲线图的左手部分。该个体然后在交互阶段中抓握杯子。这是图5的图的右手部分。如上所述,整个移动的运动数据由IMU装置300捕获并传递至MCI RA装置100。MCI装置100将捕获的运动数据与存储的交互阶段数据进行比较,在存在匹配(在这种情况下为抓握运动的IMU数据)的情况下,将交互阶段数据之前的运动数据与存储的用于抓握杯子的参考运动数据进行比较,并且计算MCI风险。
在中间肌肉运动任务中,示出了与智能电话进行交互的个体。在这种情况下,该运动阶段使个体朝向智能电话移动他们的手。因此,交互阶段是点手势。最后,在底部肌肉运动任务中,示出了在其耳朵中放置耳机的个体。在这种情况下,该运动阶段使个体朝他们的耳朵移动他们的手。交互阶段是个体将耳机放入他们的耳朵中并将他们的手释放。
在实施例中,可以在整个运动阶段上连续地捕获运动数据。然而,在实施例中,可以在时间段内周期性地捕获运动数据,并且使用周期性捕获的运动数据来确定指示符值(其本身用于确定认知损伤)。在实施例中,捕获运动数据的时间段可包括一个或多个运动阶段。例如,周期性地捕获运动数据的时间段可以是一天、一周或更长。这将包括多个运动阶段并且将提供与认知损伤的逐渐变化相关的更多信息。
返回图4,该过程移动到步骤430。在步骤430中,MCI风险评估算法使用运动评估数据以及在实施例中的其他MCI相关数据来计算MCI风险。
一旦已经收集到可接受量的运动评估数据,就可以触发MCI风险评估算法。在实施例中,MCI风险值的质量与运动评估数据量成比例。因此,用户监控到他们的肌肉运动任务的时间越长,所计算的MCI风险将越准确。此外,因为肌肉运动任务是人类运动的非常普遍的类别,所以每天数百个肌肉运动任务应该可用于监控。因此,在实施例中,初始MCI风险计算的可接受量的运动评估数据应在初始监控的一周至月内可用。
在实施例中,实验性地调查可接受量的运动评估数据条目的精确值,并且在更精确的所需的数据收集持续时间内将其与MCI的可接受诊断标准进行比较。换言之,确定MCI的可接受精度水平,并且然后通过实验确定所需的数据收集持续时间。因此,在实施例中,个体在平均日期间的移动量将确定所需的数据收集持续时间。
在实施例中,健康个体的全局平均值可以用作对运动评估数据的基线比较,针对于该基线比较可以确定MCI风险。关于健康个体的等效运动评估数据(理想地,在与被测个体相同的人口统计数据内,诸如年龄、性别、健身水平等)可以从同行评审研究中收集,或通过该系统和方法对已知健康的个体进行收集。
在实施例中,首先针对每个肌肉运动任务类型对所测试的个体的运动评估数据进行全局平均。因此,对于每个肌肉运动任务类型,MCI风险评估算法使用肌肉运动任务指示符ID来检索针对给定肌肉运动任务类型的运动评估数据的所有实例。然后对运动评估数据中存在的值进行平均。因此,每个肌肉运动任务类型具有相关联的运动评估数据的平均集合。
对于每个肌肉运动任务类型,将被测试个体的运动评估数据与健康群组的平均值进行比较。例如,与健康群组相比较低的最大速度指示MCI风险增加。与相同人口统计数据的健康个体相比,高级MCI个体预期最大速度降低约40%。与健康群组相比,运动阶段持续时间的增加指示MCI风险的增加。相比于与个体具有相同人口统计数据的健康个体,可以预期高级MCI个体具有约两倍长的运动阶段持续时间。与健康群组相比,中点误差的增加。与相同人口统计数据数据中的健康个体相比,高级MCI个体还预期有大约500%的中点误差。
在实施例中,对于每个肌肉运动任务类型,基于所测试的个体的运动评估数据与健康群组的数据之间的差的大小来计算最终MCI风险评分。在实施例中,在最终计算中可以对不同的肌肉运动任务类型进行不同的加权。例如,涉及大肢体运动的肌肉运动任务可以比涉及精细手指运动的那些任务更高地加权,因为它们对于诊断认知损伤比起其他障碍(如关节炎)更有用。
在实施例中,可以针对受测试个体来比较连续获取的运动评估数据,从而使得他们的肌肉运动计划误差的变化可以用作MCI风险计算的部分。这监控个体的MCI表现是否随时间下降。这使得药物或其他治疗的性能能够被监控。
为了做到这一点,对于运动评估数据库中存在的每个肌肉运动任务指示符ID,算法检索所有对应的运动评估数据和时间戳。评估运动评估数据随时间的变化。例如,最大速度随时间的降低指示MCI风险的增加。此外,运动阶段的总长度的增加指示MCI风险的增加,并且中点误差随时间的增加指示MCI风险的增加。
在实施例中,算法使用运动评估数据值随时间的变化率、以及可选地关于个体的人口统计数据信息(如年龄)来将症状进展曲线与不同严重性的MCI症状的已知标准进展曲线进行比较,并且因此输出数字的MCI风险。这将被提供给MCI RN装置200,如后面将要解释的。
在实施例中,MCI风险评估算法进行进一步操作以更好地将MCI风险与其他疾病或障碍的风险因素区分开来。实现这一点的方法可以根据其他疾病的类别而变化。
在实施例中,为了区分MCI风险与肌肉骨骼问题(如损伤、肌肉力量的变化、关节炎等),MCI风险评估算法可以随时间将不同肌肉运动任务的运动评估数据彼此进行比较。这将在下文参考图9解释。如果运动评估数据的变化跨所有肌肉运动任务相关,则这种变化可以可靠地归因于肌肉运动认知能力的变化,并且因此可以用于MCI风险计算。然而,如果运动评估数据的变化仅存在于某些肌肉运动任务中(例如,仅存在于具有“捏合”肌肉运动任务指示符ID的肌肉运动任务中),则这种变化可以更加指示肌肉骨骼问题,并且MCI风险可以降低或不改变。
在实施例中,如果存在低置信度,则算法可以触发MCI风险通知系统以提示用户直接询问特定区域中是否存在损伤(例如“你伤了你的手吗?”)
在实施例中,MCI风险评估算法将MCI风险与晚期认知障碍(如帕金森障碍、阿尔茨海默障碍、其他痴呆障碍等)区分开来。这将参考图10进行描述。然而,MCI症状广泛地呈现更晚版本的存在于更晚期认知障碍中的相同症状,并且MCI被认为是发展这些障碍的关键预测因素。因此,MCI风险本身在实施例中用作这类障碍的风险因素。一旦已经针对个体计算MCI风险,则将其与针对认知障碍风险的预先建立的规模进行比较。如果MCI风险超过阈值,则触发MCI风险通知系统以立即通知个体或其医生他们需要检查更晚期认知障碍(如帕金森病或阿尔茨海默病)。广泛地,由于在此描述的系统和方法主要集中于检测肌肉运动计划误差中的小偏差以用于标识MCI,因此容易标识非常大的偏差。
在实施例中,其他MCI相关数据可以用于细化MCI诊断以排除其他障碍。此其他MCI相关数据是由个体穿戴的第二能穿戴装置所捕获的生理数据。所使用的其他MCI相关数据的类型可以取决于有待鉴别诊断的障碍而变化。例如,在实施例中,从眼睛跟踪数据确定扫视眼睛移动。这些可以用于预测帕金森障碍。除了IMU数据之外,还可以在个体上收集眼睛跟踪数据,使得可以进行鉴别诊断。如果除了IMU数据中的运动计划错误症状之外,在扫视性眼睛运动数据中还存在强帕金森指示症状,则除了其数字MCI风险评分之外,可以向用户分配“帕金森风险”标签。如果在眼睛运动数据中不存在帕金森指示症状,则可以照常给个体分配MCI风险评分。
图9示出了解释肌肉骨骼障碍鉴别诊断的过程900。该过程开始并进行到步骤905,在该步骤中,在一段时间内收集许多不同种类的肌肉运动任务的运动评估数据。在实施例中,不同种类的肌肉运动任务可以包括图8中所示的那些任务(如抓握杯子、与智能电话进行交互或将耳机放置在个体的耳朵中)。其他肌肉运动任务可以包括将钥匙插入锁中并打开门、写字等。在实施例中,不同类型的肌肉运动任务将涉及不同的肌肉群。这将有助于更好地区分MCI和倾向于影响相同或相似肌肉群的其他肌肉骨骼问题。可以使用不同种类的任务的运动评估数据来捕获。例如,可以从智能手表或戒指等捕获用于将钥匙插入到锁中或者打开门的运动评估数据。
然后,该过程移动至步骤910,在该步骤中,跨所有肌肉运动任务对肌肉运动评估数据变化进行比较。这是有用的,因为如果仅某些肌肉运动动作受到影响而不是所有肌肉运动动作受到影响,则下降的原因更可能是由特定损伤或第二障碍引起的,而不是更广泛的认知问题。如果这些变化确实相关,使得这些变化在更宽范围的肌肉运动问题上发生,那么沿着“是”路径到步骤915,在该步骤中进行MCI风险评估。换言之,在肌肉运动任务的变化之间的相关性高于预定阈值的情况下,遵循“是”路径。
然而,在这些变化不相关(并且因此影响较小数量或范围的肌肉运动动作)的情况下,沿着“否”路径到步骤920。在步骤920中,获得肌肉运动任务的下降的量。这可以是自上次测试以来的下降量或特定给定时间段内的下降的量。通过分析下降的量,可以确定下降是否是突然的。如果确定下降是突然下降,那么沿着“是”路径到步骤925。然而,如果下降不是突然下降,则过程移动到步骤930。
在步骤925中,要求该个体和/或医疗从业者确认该个体是否经受将解释突然下降的任何损伤。然后,该过程移动到步骤945。
在步骤945中,可以诊断第二障碍。第二障碍可以由医疗从业者或个体诊断。在个体诊断第二障碍的情况下,可以要求医疗从业者确认诊断。例如,可以允许用户输入他们已经损伤他们的手并且医疗从业者可以确认损伤的程度。在其他示例性实施例中,可以由要求个体捕获受影响区域的图像或视频的自动系统来确认用户诊断的损伤。在实施例中,可以注意到第二障碍的严重性。这将量化第二障碍对MCI风险评估的影响。
如果诊断出第二障碍,则沿着“是”路径到步骤950,在该步骤中进行MCI风险评估。在这种情况下,使用该障碍以及在实施例中该障碍的严重性来减轻该第二障碍对MCI风险评估的影响。换言之,进行MCI风险评估,同时忽略第二障碍的影响。
在实施例中,该第二障碍可以选自诊断的预定义列表以及相关联的运动阶段特征。因为存在与诊断相关联的运动特征,所以忽略第二障碍的影响可以进行MCI风险评估。在实施例中,还设想与第二障碍相关联的肌肉运动任务的运动阶段数据不包括在MCI风险评估的任何计算中。换言之,不包括跨所有肌肉运动任务不相关的肌肉运动评估变化。
然而,在没有诊断第二障碍的情况下,遵循“否”路径至步骤940。
返回步骤930,如果下降不是突然的,则向个体和/或医疗从业者询问潜在的长期肌肉骨骼退化。这可以作为一系列问题提供,诸如“个体发现在过去六个月中越来越难以拾取对象”。这将提供降解是否已经长时间发生以减少引起降解的损伤的可能性的指示。
过程接着移动到步骤935,其中以与如上文解释的步骤945类似的方式检查第二障碍。因此,为了简洁起见,在下文中将不对此进行解释。如果诊断出第二障碍,“是”路径遵循如以上所说明的步骤950。然而,如果没有诊断出第二障碍,那么沿着“否”路径到步骤940。
在步骤940,进行MCI风险评估。然而,在这种情况下,MCI风险置信度降低。这是因为系统没有鉴定第二障碍。因此,在MCI风险置信度低于阈值的情况下,个体和/或医疗从业者被询问个体是否已经受伤或正在遭受损伤。
图10示出了解释晚期认知障碍鉴别诊断的过程1000。该过程开始并移动到步骤1010,在步骤1010中,如上所述进行MCI风险评估。该过程移动到步骤1015,在步骤1015中进行检查以查看MCI风险是否低于针对晚期认知障碍(如帕金森障碍)的阈值。通过对这些晚期认知障碍的已知患有进行MCI风险评估以确定此类障碍的适当的MCI风险评估值来确定此阈值。如果个体的MCI风险低于阈值,则沿着“是”路径到步骤1020,在步骤1020中,MCI RN装置200将MCI风险报告为正常。然而,如果个体的MCI风险高于阈值,则沿着“否”路径到步骤1025。在这种情况下,向个体和/或医疗从业者通知高风险水平,使得可以再次测试该个体或测试该晚期认知障碍。在实施例中,可以提供与MCI风险评估有关的信息。例如,可以作为通知过程的一部分来提供肌肉组或在个体中引起MCI风险的特定肌肉运动任务。这将有助于诊断任何晚期认知障碍。
虽然前面已经描述了所捕获的肌肉运动任务的交互阶段用于自动确定由个体执行的肌肉运动任务,但是本公开不限于此。在实施例中,个体与诸如智能电话的特定对象交互。在这些实施例中,对象可以与IMU装置300或MCI RA装置100中的一者或两者通信以标识个体的交互。此外,可以预定义各种对象的位置(诸如智能锁的位置),然后IMU装置300可以将其位置提供给MCI RA装置100。因此,如果IMU装置300靠近智能锁,则在实施例中,MCI RA装置100将首先比较所捕获的运动数据和与智能锁的交互,用于比较,因为更可能的是肌肉运动任务和与智能锁的交互相关联。
返回图4,该过程最终移动到步骤435。在步骤435中,MCI RN装置200将计算的MCI风险提供给个体或医疗从业者。为了确定通知方法,需要确定通知优先级。通知优先级可以基于所计算的MCI风险的大小(即,如果MCI风险大,则更高的优先级)来计算;或最新MCI风险计算与先前MCI风险计算之间的改变的大小(即,如果存在突然改变的话更高的优先级)。换言之,通知优先级定义在将通知传达给个体或医疗从业者时需要给予通知的紧急性。
MCI RN装置200根据MCI Notification优先级来显示MCI Notification。MCI RN装置200可以根据MCI通知优先级的大小采取预定义的运动,例如如果MCI通知优先级较低,则MCI RN装置200可以简单地在装置的通知列表中创建指示符,该指示符无论何时方便或在已经超过通知优先级阈值的情况下,MCI通知可用于查看出现包含MCI通知的弹出通知,或发出通知声音、振动或警报。此外,还可以在MCI风险很高的情况下或者每当向该个体提供MCI风险评分时警告该个体的医疗从业者。
MCI通知可以作为单个MCI风险图显示在MCI RN装置200上,但是也可以包括指示MCI风险随时间改变的图;不同肌肉运动任务类型的运动评估数据随时间等的变化的细节。此外,查看者可以查看“拾取杯子”肌肉运动任务并且看到该任务的性能相对于“按下按钮”肌肉运动任务的改变。
尽管已经参照在装置或各种装置上执行的实施例描述了上述内容,但是本公开不限于此。在实施例中,本公开可以在诸如图11中所示的系统5000上执行。
在系统5000中,能穿戴装置5000I为穿戴于用户身体上的装置。例如,能穿戴装置可以是耳机、智能手表、虚拟现实耳机等。能穿戴装置包含测量用户的移动并且创建感测数据以定义用户的移动或位置的传感器。通过有线或无线连接将此感测数据提供到用户装置5000A。当然,本公开不限于此。在实施例中,感测数据可通过互联网连接直接提供至远程装置,诸如位于云上的服务器5000C。在其他实施例中,可将感测数据提供给用户装置5000A,且用户装置5000A可在处理感测数据之后将此感测数据提供给服务器5000C。在图11中所展示的实施例中,将感测数据提供到用户装置5000A内的通信接口。通信接口可以使用无线协议(诸如低功率蓝牙或WiFi等)与(多个)能穿戴装置通信。
用户装置5000A在实施例中为移动电话或平板计算机。用户装置5000A具有向用户显示信息和图标的用户接口。用户装置5000A内是测量用户的位置和移动的不同传感器(例如陀螺仪和加速度计)。用户装置5000A的操作由处理器控制,处理器本身由存储在存储器上的计算机软件控制。其他用户特定信息(例如,简档)存储于存储装置内以用于用户装置5000A内。如上所述,用户装置5000A还包含通信接口,通信接口被配置为在实施例中与能穿戴装置通信。此外,通信接口被配置为经由网络(例如,互联网)与服务器5000C通信。在实施例中,用户装置5000A还被配置为与另外的装置5000B通信。此另外的装置5000B可由家庭成员或社区成员(例如用户的看护者或医疗从业者等)拥有或操作。尤其在用户装置5000A被配置为向用户提供预测结果和/或推荐的情况下。本公开不限于此,并且在实施例中,预测结果和/或用户的推荐可由服务器5000C提供。
另外的装置5000B具有允许家庭成员或社区成员查看信息或图标的用户接口。在实施例中,此用户接口可提供与用户装置5000B的用户相关的信息,例如用户的诊断、推荐信息或预测结果。关于用户装置5000B的用户的此信息经由通信接口提供到另外的装置5000B,且在实施例中从服务器5000C或用户装置5000A或服务器5000C与用户装置5000A的组合提供。
用户装置5000A和/或另外的装置5000B连接到服务器5000C。具体地,用户装置5000A和/或另外的装置5000B连接到服务器5000C内的通信接口。将从能穿戴装置和/或用户装置5000A提供的感测数据提供到服务器5000C。诸如用户信息或人口统计数据之类的其他输入数据也被提供给服务器5000C。在实施例中,感测数据被提供给分析感测数据和/或输入数据的分析模块。将该分析的感测数据提供给预测模块,该预测模块预测用户装置的用户现在或将来具有状况的可能性,并且在一些情况下,预测状况的严重性。预测可能性被提供给向用户和/或家庭或社区成员提供推荐的推荐模块。虽然预测模块描述为将预测可能性提供到推荐模块,但本发明不限于此,且可将预测可能性直接提供到用户装置5000A和/或另外的装置5000B。
此外,存储器5000D连接至服务器5000C或与服务器5000C通信。存储器5000D提供由服务器5000C内的预测模块使用以产生预测可能性的预测算法。此外,存储器5000D包括由推荐模块使用以生成给用户的推荐的推荐项目。在各实施例中,存储器5000D还包括家庭和/或社区信息。家庭和/或社区信息提供关于家庭和/或社区成员的信息,诸如用于另外的装置5000B的联系人信息。
在存储器5000D中还提供了匿名化信息算法,该算法对感测数据进行匿名化。这确保与用户装置5000A的用户相关联的任何敏感数据出于安全性而被匿名化。将匿名化感测数据提供给一个或多个其他装置,其在图11中由装置5000H例示。此匿名化数据经由位于其他装置5000H内的通信接口发送到其他装置5000H。通过分析模块利用其他数据5000H分析匿名化数据以从大量感测数据集合确定任何模式。该分析将改进由推荐模块作出的推荐并且将改进根据感测数据作出的预测。类似地,提供使用通信接口与存储器5000D通信的第二其他装置5000G。
现在返回到服务器5000C,如上所述,将由服务器5000C产生的预测结果和/或推荐发送到用户装置5000A和/或另外的装置5000B。
虽然在实施例中使用预测结果来辅助用户或他或她的家庭成员或社区成员,但是预测结果还可用于向用户提供更准确的健康评估。这将有助于购买诸如生活或健康保险的产品,或者将有助于健康专家人员。现在将对此进行解释。
由服务器5000C产生的预测结果发送到生活保险公司装置5000E和/或健康专家装置5000F。预测结果被传递到在生活保险公司装置5000E中提供的通信接口和/或健康专家装置5000F中提供的通信接口。在预测结果发送到人寿保险公司装置5000E的情况下,结合诸如人口统计数据信息之类的顾客信息使用分析模块来为用户建立适当的保险费。在实例中,装置5000E可为公司的人力资源部门而非人寿保险公司,且预测结果可用以评估雇员的健康。在这种情况下,如果员工达到某些健康参数,分析模块可以用于向员工提供奖励。例如,如果用户具有不良健康的较低预测,他们可接收财务奖励。这个奖赏激励了健康的生活。与保险费或奖励有关的信息被传递到用户装置。
在预测结果被传递到健康专家装置5000F的情况下,健康专家装置5000F内的通信接口接收预测结果。将预测结果与存储在健康专家装置5000F内的用户的医疗记录进行比较,并且生成诊断结果。诊断结果向用户提供基于用户的医疗记录确定的医疗状况的诊断,并且诊断结果被发送至用户装置。
在本发明的实施例的上下文中,MCI RA100为用户装置5000A或服务器5000C,这是因为MCI RA100从能穿戴装置5000I接收关于用户的移动和/或位置的信息。此外,在实施例中,生成感测数据的能穿戴装置5000I是如上所述的IMU装置300,并且家庭成员或社区装置5000B是MCI RN200的实例。
鉴于以上传授内容,本公开的许多修改和变化是可能的。因此,应当理解的是,在所附权利要求的范围内,可以不同于本文中具体描述的方式来实践本公开。
就本公开的实施例被描述为至少部分地由软件控制的数据处理装置实现而言,应当理解,诸如光盘、磁盘、半导体存储器等的承载这种软件的非临时性机器可读介质也被认为代表本公开的实施例。
应当理解,为了清楚起见,以上描述已经参考不同功能单元、电路和/或处理器描述了实施例。然而,显而易见的是,在不偏离实施例的情况下,可以使用不同功能单元、电路和/或处理器之间的任何合适的功能分布。
所描述的实施例可以任何合适的形式实现,包括硬件、软件、固件或这些的任何组合。所描述的实施例可以可选地至少部分地实现为在一个或多个数据处理器和/或数字信号处理器上运行的计算机软件。任何实施例的元件和部件可以以任何合适的方式在物理上、功能上和逻辑上实现。实际上,功能可以在单个单元中、在多个单元中或作为其他功能单元的一部分来实现。照此,所公开的实施例可以在单个单元中实现,或者可以物理地和功能地分布在不同的单元、电路和/或处理器之间。
尽管已经结合一些实施例描述了本公开,但是并不旨在局限于本文中所阐述的特定形式。另外,尽管特征可能看起来结合特定实施例来描述,但本领域技术人员将认识到,所描述的实施例的不同特征可以以适于实现该技术的任何方式组合。
本技术的实施例通常可以通过以下编号的条款进行描述:
(1)
一种用于确定用户的认知损伤的指示符值的系统,包括电路,电路被配置为:
在由第一时间段和第二时间段组成的时间段期间,从由用户穿戴的能穿戴装置接收运动数据,第二时间段在第一时间段之后;
将在第二时间段期间接收的运动数据与存储的参考运动数据进行比较,存储的参考运动数据表示当在第二时间段期间执行预定任务时实行的参考运动;
基于比较确定预定任务;
将在第一时间段期间接收的运动数据与另外存储的参考运动数据进行比较,另外存储的参考运动数据表示当在第一时间段期间执行所确定的预定任务时实行的参考运动;以及
基于在第一时间段期间接收的运动数据与另外的参考运动数据之间的比较,确定认知损伤的指示符值。
(2)
根据(1)的系统,其中,电路被配置为在时间段内周期性地捕获运动数据;并且使用周期性捕获的运动数据来确定认知损伤的指示符值。
(3)
根据(1)或(2)的系统,其中,运动数据是时间相关的加速度或速度中的一者,并且电路被配置为通过比较在第一时间段期间接收的时间相关的加速度或速度与另外的参考运动数据的中点误差来确定认知损伤的指示符值。
(4)
根据(1)至(3)中任一项的系统,其中,电路还被配置为使用从由用户穿戴的第二能穿戴装置捕获的个体的生理数据来确定认知损伤的指示符值。
(5)
根据(4)的系统,其中,生理数据是肌电签名。
(6)
根据(1)至(5)中任一项的系统,其中,电路被配置为从不同的第二能穿戴装置接收运动数据并且用于根据从第二能穿戴装置接收的运动数据确定物理损伤。
(7)
根据(1)至(6)中任一项的系统,其中,在比时间段更长的时间内从个体捕获参考运动数据。
(8)
根据(1)至(6)中任一项的系统,其中,参考运动数据是从健康个体捕获的。
(9)
根据(8)的系统,其中,健康个体与用户的人口统计数据相同。
(10)
根据(1)至(9)中任一项的系统,其中,电路被配置为将认知损伤的指示符值与用户的其他指示符值相关联;并且在相关性低于阈值的情况下,发出通知。
(11)
根据(10)的系统,其中,通知被发送给用户和医疗从业者中的一者或两者。
(12)
一种用于通知用户的认知损伤的系统,系统包括电路,电路被配置为:从根据(1)至(9)中任一项的系统接收认知损伤的指示符值;并且基于认知损伤的指示符值发出通知。
(13)
一种用于确定用户的认知损伤的指示符值的方法,包括:
在由第一时间段和第二时间段组成的时间段期间,从由用户穿戴的能穿戴装置接收运动数据,第二时间段在第一时间段之后;
将在第二时间段期间接收的运动数据与存储的参考运动数据进行比较,存储的参考运动数据表示当在第二时间段期间执行预定任务时实行的参考运动;
基于比较确定预定任务;
将在第一时间段期间接收的运动数据与另外存储的参考运动数据进行比较,另外存储的参考运动数据表示当在第一时间段期间执行所确定的预定任务时实行的参考运动;以及
基于在第一时间段期间接收的运动数据与另外的参考运动数据之间的比较,确定认知损伤的指示符值。
(14)
一种包括计算机可读指令的计算机程序,计算机可读指令在被加载到计算机上时配置计算机执行根据(13)的方法。
[引用列表]
[非专利文献]
[NPL 1]
Zhou,H.;Lee,H.;Lee,J.;Schwenk,M.;Najafi,B.Motor Planning Error:TowardMeasuring Cognitive Frailty in Older Adults Using Wearables.Sensors2018,18,926.https://doi.org/10.3390/s18030926。
Claims (14)
1.一种用于确定用户的认知损伤的指示符值的系统,所述系统包括电路,所述电路被配置为:
在由第一时间段和第二时间段组成的时间段期间,从由所述用户穿戴的能穿戴装置接收运动数据,所述第二时间段在所述第一时间段之后;
将在所述第二时间段期间接收的所述运动数据与存储的参考运动数据进行比较,存储的所述参考运动数据表示当在所述第二时间段期间执行预定任务时实行的参考运动;
基于比较确定所述预定任务;
将在所述第一时间段期间接收的所述运动数据与另外存储的参考运动数据进行比较,另外存储的所述参考运动数据表示当在所述第一时间段期间执行所确定的预定任务时实行的参考运动;以及
基于在所述第一时间段期间接收的所述运动数据与另外的所述参考运动数据之间的比较,确定所述认知损伤的指示符值。
2.根据权利要求1所述的系统,其中,所述电路被配置为在所述时间段内周期性地捕获所述运动数据;并且使用周期性捕获的运动数据来确定所述认知损伤的指示符值。
3.根据权利要求1所述的系统,其中,所述运动数据是时间相关的加速度或速度中的一者,并且所述电路被配置为通过比较在所述第一时间段期间接收的所述时间相关的加速度或速度与另外的所述参考运动数据的中点误差来确定所述认知损伤的指示符值。
4.根据权利要求1所述的系统,其中,所述电路还被配置为使用从由所述用户穿戴的第二能穿戴装置捕获的个体的生理数据来确定所述认知损伤的指示符值。
5.根据权利要求4所述的系统,其中,所述生理数据是肌电签名。
6.根据权利要求1所述的系统,其中,所述电路被配置为从不同的第二能穿戴装置接收运动数据并且根据从所述第二能穿戴装置接收的所述运动数据确定物理损伤。
7.根据权利要求1所述的系统,其中,在比所述时间段更长的时间内从个体捕获所述参考运动数据。
8.根据权利要求1所述的系统,其中,所述参考运动数据是从健康个体捕获的。
9.根据权利要求8所述的系统,其中,所述健康个体与所述用户的人口统计数据相同。
10.根据权利要求1所述的系统,其中,所述电路被配置为将所述认知损伤的指示符值与所述用户的其他指示符值相关联;并且在相关性低于阈值的情况下,发出通知。
11.根据权利要求10所述的系统,其中,所述通知被发送给所述用户和医疗从业者中的一者或两者。
12.一种用于通知用户的认知损伤的系统,所述系统包括电路,所述电路被配置为:从根据权利要求1所述的系统接收所述认知损伤的指示符值;并且基于所述认知损伤的指示符值发出通知。
13.一种用于确定用户的认知损伤的指示符值的方法,包括:
在由第一时间段和第二时间段组成的时间段期间,从由所述用户穿戴的能穿戴装置接收运动数据,所述第二时间段在所述第一时间段之后;
将在所述第二时间段期间接收的所述运动数据与存储的参考运动数据进行比较,存储的所述参考运动数据表示当在所述第二时间段期间执行预定任务时实行的参考运动;
基于比较确定所述预定任务;
将在第一时间段期间接收的所述运动数据与另外存储的参考运动数据进行比较,另外存储的所述参考运动数据表示当在所述第一时间段期间执行所确定的预定任务时实行的参考运动;以及
基于在所述第一时间段期间接收的所述运动数据与另外的所述参考运动数据之间的比较,确定所述认知损伤的指示符值。
14.一种包括计算机可读指令的计算机程序,所述计算机可读指令在被加载到计算机上时配置所述计算机执行根据权利要求13所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21196093.5 | 2021-09-10 | ||
EP21196093 | 2021-09-10 | ||
PCT/JP2022/024195 WO2023037687A1 (en) | 2021-09-10 | 2022-06-16 | System, computer program and method for determining an indicator value of cognitive impairment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117882143A true CN117882143A (zh) | 2024-04-12 |
Family
ID=78008078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280058574.7A Pending CN117882143A (zh) | 2021-09-10 | 2022-06-16 | 用于确定认知损伤的指示符值的系统、计算机程序和方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117882143A (zh) |
WO (1) | WO2023037687A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160055103A (ko) | 2013-03-15 | 2016-05-17 | 아담 제이 사이먼 | 뇌 건강의 다중-모드 생리적 자극 및 평가를 위한 시스템 및 시그너처 |
WO2016065013A1 (en) | 2014-10-23 | 2016-04-28 | The Regents Of The University Of California | Methods of enhancing cognition and systems for practicing the same |
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 |
US20230414129A1 (en) * | 2020-12-09 | 2023-12-28 | Ze Corractions Ltd. | System and method for monitoring individual's daily activity |
-
2022
- 2022-06-16 WO PCT/JP2022/024195 patent/WO2023037687A1/en active Application Filing
- 2022-06-16 CN CN202280058574.7A patent/CN117882143A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023037687A1 (en) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rovini et al. | How wearable sensors can support Parkinson's disease diagnosis and treatment: a systematic review | |
EP3566231B1 (en) | Apparatus and method for triggering a fall risk alert to a person | |
Samà et al. | Estimating bradykinesia severity in Parkinson's disease by analysing gait through a waist-worn sensor | |
US20180206775A1 (en) | Measuring medication response using wearables for parkinson's disease | |
CN107209807B (zh) | 疼痛管理可穿戴设备 | |
US20170319063A1 (en) | Apparatus and method for recording and analysing lapses in memory and function | |
Sigcha et al. | Deep learning and wearable sensors for the diagnosis and monitoring of Parkinson’s disease: a systematic review | |
EP2685889B1 (en) | Breathlessness and edema symptom assessment | |
US20180368752A1 (en) | Methods and systems for rapid screening of mild traumatic brain injury | |
Sarker et al. | From markers to interventions: The case of just-in-time stress intervention | |
US10098582B1 (en) | Characterizing sleep architecture | |
US20180126219A1 (en) | Methods and apparatuses for handgrip strength assessment using pressure-sensitive elements | |
Antonini et al. | Toward objective monitoring of Parkinson's disease motor symptoms using a wearable device: wearability and performance evaluation of PDMonitor® | |
US20190206566A1 (en) | Movement disorders monitoring and treatment support system for elderly care | |
EP3838142A1 (en) | Method and device for monitoring dementia-related disorders | |
EP4368099A2 (en) | Systems and methods for remote clinical exams and automated labeling of signal data | |
Creagh et al. | Longitudinal trend monitoring of multiple sclerosis ambulation using smartphones | |
Zawada et al. | In situ physiologic and behavioral monitoring with digital sensors for cerebrovascular disease: a scoping review | |
WO2023037687A1 (en) | System, computer program and method for determining an indicator value of cognitive impairment | |
Tripathi et al. | Clinical review of smartphone applications in Parkinson’s disease | |
US10079074B1 (en) | System for monitoring disease progression | |
Fioretti et al. | ADLs detection with a wrist-worn accelerometer in uncontrolled conditions | |
Butt et al. | Wearable sensors for gesture analysis in smart healthcare applications | |
Favela | Inferring human behavior using mobile and wearable devices | |
US11432773B2 (en) | Monitoring of diagnostic indicators and quality of life |
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 |