DE102015108859B4 - Verfahren und System zum Verarbeiten von Datenströmen - Google Patents

Verfahren und System zum Verarbeiten von Datenströmen Download PDF

Info

Publication number
DE102015108859B4
DE102015108859B4 DE102015108859.2A DE102015108859A DE102015108859B4 DE 102015108859 B4 DE102015108859 B4 DE 102015108859B4 DE 102015108859 A DE102015108859 A DE 102015108859A DE 102015108859 B4 DE102015108859 B4 DE 102015108859B4
Authority
DE
Germany
Prior art keywords
time
time stamp
data stream
stamp information
information
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.)
Active
Application number
DE102015108859.2A
Other languages
English (en)
Other versions
DE102015108859A1 (de
Inventor
Jörn Rickert
Christian Stolle
Jörg Fischer
Martin Schüttler
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cortec GmbH
Original Assignee
Cortec GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to DE102015108859.2A priority Critical patent/DE102015108859B4/de
Application filed by Cortec GmbH filed Critical Cortec GmbH
Priority to EP16727994.2A priority patent/EP3304376B1/de
Priority to CN201680032375.3A priority patent/CN107980161B/zh
Priority to AU2016271876A priority patent/AU2016271876A1/en
Priority to PCT/EP2016/062664 priority patent/WO2016193438A1/en
Publication of DE102015108859A1 publication Critical patent/DE102015108859A1/de
Priority to US15/829,221 priority patent/US11170001B2/en
Application granted granted Critical
Publication of DE102015108859B4 publication Critical patent/DE102015108859B4/de
Priority to AU2020230220A priority patent/AU2020230220B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2455Query execution
    • G06F16/24568Data stream processing; Continuous queries
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22Indexing; Data structures therefor; Storage structures
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Electrotherapy Devices (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Environmental & Geological Engineering (AREA)

Abstract

Computer-implementiertes Verfahren zum Verarbeiten von Datenströmen, wobei das Verfahren die folgenden Schritte umfasst:Empfangen einer Anzahl von Datenströmen ({d, d, .., d}), wobei zumindest ein Datenstrom davon repräsentativ für zumindest ein physiologisches Signal eines Patienten detektiert ist, welches durch eine vorbestimmte Sensorvorrichtung (10) detektiert wird, und Empfangen zumindest einer Zeitstempelinformation (t), wobei jede Zeitstempelinformation (t) mit einem jeweiligen Datenstrom ({d, d, .., d}) assoziiert wird, wobei die Zeitstempelinformation (t) repräsentativ ist für den Zeitpunkt des Assoziierens der Zeitstempelinformation mit dem jeweiligen Datenstrom ({d, d, ..., d}), undAssoziieren einer jeweiligen Zeitversatzinformation mit jeder Zeitstempelinformation, wobei die Zeitversatzinformation repräsentativ für eine Verzögerung (Δt) zwischen einem Zeitpunkt des Detektierens des zumindest einen Signals durch die vorbestimmte Sensorvorrichtung (10) und dem Zeitpunkt des Assoziierens der Zeitstempelinformation (t) mit dem Datenstrom ({d, d, ..., d}) ist, welcher repräsentativ für das zumindest eine Signal ist.

Description

  • Die vorliegende Erfindung betrifft ein Verfahren und ein System zum Verarbeiten von Datenströmen sowie ein Computer-lesbares Speichermedium, und insbesondere zum Verarbeiten von Datenströmen, welche durch Neuro-Implantate oder andere Sensorvorrichtungen erfasst werden, welche in oder auf dem Körper eines Patienten angeordnet sind.
  • Die meisten neuroprotethischen Vorrichtungen adaptieren nicht ihre therapeutischen Parameter, wie beispielsweise Stimulierungsstärke (Strom oder Spannung), Stimulierungsfrequenz oder Stimulierungsimpulsbreite über die Zeit. Die Vorrichtungen werden einmal durch Ärzte programmiert, welcher mit den Parametern fortlaufend arbeitet. Nur, wenn der Patient eine Klinik besucht, können die Ärzte die Parameter ändern. Einige wenige neue Vorrichtungen adaptieren ihre Parameter - jedoch nur auf eine Eingabe hin, welche durch die Vorrichtung gleichzeitig gemessen wird. Sie beziehen weder Eingaben von anderen Vorrichtungen ein, noch aus der Historie. Ebenso weisen derzeitige Vorrichtungen keine oder eine sehr eingeschränkte Fähigkeit auf, Daten, welche durch die Vorrichtung gemessen werden, zu speichern.
  • Der Grund ist, dass kein System verfügbar ist, bei welchem Daten, welche mit einer Sensorvorrichtung erfasst werden, sinnvoll mit Daten kombiniert werden können, welche von einem oder mehreren weiteren Sensoren erfasst werden.
  • US 2010/0274303 A1 betrifft Verfahren, Systeme und Vorrichtungen zum Detektieren von epileptischen Ereignissen unter Verwendung nichtlinearer Analyseparameter, wobei die Vorrichtung ausgestaltet ist, ein auftretendes epileptisches Ereignis zu bestimmen, z.B. einen Anfall oder ein erhöhtes Risiko eines Anfalls. Die Bestimmung wird durchgeführt durch Bestimmen zumindest eines nichtlinearen Analyseparameters, der mit der Herzschlagfrequenz assoziiert ist. Die medizinische Vorrichtung kann dann eine entsprechende Aktion unternehmen, wie z.B. warnen, die Zeit des Anfalls loggen, berechnen und speichern eines oder mehrerer Anfallsstärke-Indizes, und das epileptische Ereignis behandeln.
  • WO 2011/124996 A1 einen Patientenmonitor, der mindestens eine Überwachungsvorrichtung umfasst, welche Patientendaten über einen Patienten sammelt. Ein Paketgenerator generiert Datenpakete aus den von dem Patienten gesammelten Daten. Eine Kommunikationseinheit überträgt die Datenpakete über ein Internetprotokoll-Netzwerk. Die Kommunikationseinheit umfasst einen ersten Sender zum Übertragen der Datenpakete unter Verwendung eines ersten drahtlosen Netzwerkes und einen zweiten Sender zum Übertragen der Daten unter Verwendung eines zweiten drahtlosen Netzwerkes.
  • Es ist eine Aufgabe der vorliegenden Erfindung, ein Verfahren und Systeme bereitzustellen, welche zumindest teilweise die oben genannten Probleme vermindern. Diese Aufgabe wird durch die Verfahren und Systeme und ein Computer-lesbares Speichermedium gemäß den Ansprüchen gelöst.
  • Somit ist die Erfindung, wie in den Ansprüchen definiert, ein Verfahren und ein System zum Aufzeichnen von Daten von Implantaten, welche mit anderen Parametern kombiniert werden können, welche gleichzeitig aufgezeichnet werden, und diese Daten zur Analyse und/oder Adaption von therapeutischen Parametern und/oder zur Verwendung als Information in anderen Therapien zu verwenden.
  • Das Verfahren und System gemäß der Erfindung können zum temporären Angleichen der detektierten Datenströme mit hoher Präzision verwendet werden, typischerweise in einer Größenordnung von einer oder mehrerer Millisekunden, in einen Datensatz, und zum Verwenden dieses Datensatzes zur Adaption von therapeutischen Parametern und/oder zur Forschung, z. B. zur Forschungsdatengewinnung über mehrere Datensätze in einer oder mehr Therapien.
  • Die Erfindung wird mit Bezug auf die Figuren beschrieben, in welchen
    • 1 ein Schema ist, welches den Datenerfassungsstrom gemäß einer Ausführungsform der Erfindung darstellt;
    • 2 ein Schema ist, welches die Beziehung von Zeitinformation und Datenbankinhalt darstellt;
    • 3 ein Schema einer System-Architektur mit zentraler Datenbankverbindung der Vorrichtung ist;
    • 4 eine Modellansicht der Steuer-Architektur von einem einzelnen Plugin ist; und
    • 5 eine Ansicht auf die Plugin-Pipeline für Closed-Loop-Anwendungen ist.
  • Die Ausführungsform von 1 ist eine Konfiguration, wo Daten, welche von einem Patienten stammen, detektiert, aufgezeichnet und weiterverarbeitet werden. Wie in 1 gezeigt ist, werden eine oder mehr Neuro-Elektrodenimplantate 10 mit einer implantierbaren Steuereinheit 50 verbunden, welche wiederum mit einer Körper-externen, tragbaren Verarbeitungsvorrichtung 100 gekoppelt ist. Weitere Sensoren 20-40 sind vorhanden, welche auch mit der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 gekoppelt sind. Das/Die Neuro-Implantet(e) 10 und die weiteren Sensoren 20-40 detektieren z. B. neuronale Signale und andere Parameter von innerhalb oder außerhalb des menschlichen Körpers. Die detektierten Signale werden in Datenströme umgewandelt und an die Körper-externe, tragbare Verarbeitungsvorrichtung 100 zur weiteren Verarbeitung übertagen. Eine implantierbare Steuereinheit 50 ist in dem Datenstrom zwischen dem/den Neuro-Implant(en) 10 (und den weiteren Sensoren 20-40) und der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 aus Platz- und Zugänglichkeitszwecken angeordnet. Ein Neuro-Implantat 10 bietet im Allgemeinen nicht ausreichend Platz für Steuerelektronik des/der Neuro-Implantats/Implantate 10 und für Kommunikationselektronik nach außerhalb des menschlichen Körpers.
  • Genauer gesagt, umfasst die Körper-externe, tragbare Vorrichtung 100 einen temporären Speicher 110 für zumindest temporäres Aufzeichnen von Datenströmen {d1, d2, .., dn}, eine Zeitreferenz 120 zum Generieren von Zeitstempeln t und eine Verarbeitungseinrichtung zum Assoziieren der Datenströme {d1, d2, .., dn} mit den Zeitstempeln t. Das heißt, jeder der Datenströme {d1, d2, ..., dn}, welche die Signale repräsentieren, wird zusammen mit Zeitstempelinformation aufgezeichnet, welche genau zu der Zeit des tatsächlichen Aufzeichnens der jeweiligen Datenströme generiert wird.
  • Somit übertragen die Implantat-Steuereinheit 50 und die Sensoren 20-40 ihre Signale in der Form von Datenströmen {d1, d2, ..., dn} an die Körper-externe, tragbare Verarbeitungsvorrichtung 100 weiter. Die Körper-externe, tragbare Verarbeitungsvorrichtung 100 ist eine Vorrichtung außerhalb des Körpers, welche durch den Patienten getragen werden kann. Sie umfasst eine Zeitreferenz 120, welche verwendet wird, um ausreichend präzise Zeitstempel t (z. B mit einer Präzision in der Größenordnung von einer oder mehr Mikrosekunden) zu generieren und einen temporären Speicher 110 (z. B. eine ausreichend große Festplatte oder Flashdisk). Wenn ein Datenstrom an der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 ankommt, wird ein Zeitstempel t generiert und diesem Datenstrom zugewiesen, und beide werden in dem temporären Speicher 110 gespeichert. Wenn eine Verbindung über ein Datentransportmedium 200 (z. B. Internet oder ein Local Area Network) zu einer Datenbank 300 möglich ist, werden die Daten von dem temporären Speicher 110 (d. h. die Datenströme zusammen mit ihren Zeitstempeln) zu der Datenbank 300 übertragen. Für die Datenbank 300 sind mehrere Konfigurationen möglich. Zum Beispiel kann die Datenbank ein Datenbank-Server in einer Server-Farm/Cloud sein oder ein Computer im Zuhause des Patienten.
  • In Abhängigkeit von der Art der Signale (oder Parameter), die zu detektieren sind, kann das/können die Neuro-Elektrodenimplantat/e 10 und die Sensoren 20-40 sein: Für invasive physiologische Parameter Elektroden zum Aufzeichnen von elektrischer Aktivität (Strom, Spannung) vom Gehirn oder individueller Nerven, Sensoren zum Detektieren von elektrochemischen Gradienten, um Konzentrationen von Biomolekülen zu identifizieren, Sensoren für den pH-Wert oder Blutzucker. Für nicht-invasive physiologische Parameter, EMG, Herzfrequenz, Hautleitfähigkeit, Körperbewegungen (Beschleunigungssensoren), Blutdruck. Beispielhafte andere nicht-physiologische durch Sensoren zu detektierende Parameter außerhalb des menschlichen Körpers 20-40 sind die GPS-Position, Umgebungsparameter, wie beispielsweise Temperatur, Lärm/Schall (in Dezibel), Gewitterneigung, Wetter. Einige oder alle der Sensoren 20-40 können in die Körper-externe, tragbare Verarbeitungsvorrichtung 100 integriert sein.
  • Das Neuro-Elektrodenimplantat 10 kann ein kombiniertes Sensor- und Stimulierungsimplantat sein, das heißt, es kann als eine Vorrichtung zum Detektieren von neuronalen Signalen und als eine Vorrichtung zum Anwenden von Stimulierungsimpulsen (Signalen) an das Nervensystem arbeiten.
  • Ein Detektieren von neuronaler Aktivität und ein Anwenden von neuronalen Impulsen kann individuell durch separate Neuro-Elektrodenimplantate durchgeführt werden. Dann werden zumindest zwei Neuro-Elektrodenimplantate 10 vorgesehen, ein Implantat 10 zum Detektieren von neuronaler Aktivität und ein Implantat 10' zum Anwenden von Stimulierungsimpulsen (Signalen).
  • Invasive Aktoren können sein: Elektroden zur elektrischen Stimulierung des Gehirns oder individueller Nerven, Aktoren zum Verabreichen von Medikamenten, nicht-invasive Aktoren können sein Hand-/Arm- oder Sprach-Prothesen, Warnsensoren, welche Alarmsignale an Krankenhäuser/Ärzte oder an den Patienten selbst senden.
  • Die Zeitreferenz 120 kann eine Funk-gesteuerte Uhr, ein Zeitserver, welcher regelmäßig die Systemzeit aktualisiert, welche elektronisch läuft, GPS, Netzwerk-Zeitprotokoll (Internet, welches durch PCs/Elektronik verwendet wird, um ihre Zeit automatisch zu aktualisieren), und andere Einrichtungen sein, welche exakt koordinierte universelle Zeitinformation (UTC) liefern. Die Präzision sollte vorzugsweise in einer Größenordnung von Millisekunden sein, wie oben erwähnt, und noch bevorzugter in einer Größenordnung von 2 - 4 ms, in besonderen Fällen sollte sie 1 ms betragen. Dies entspricht der Größenordnung der Abtastrate der neuronalen Signale.
  • Nimmt man als den Zeitstempel t den Zeitpunkt des Speicherns des jeweiligen Datenstroms in dem temporären Speicher 110 der Körper-externen, tragbaren Vorrichtung 100, so könnte dies nicht ausreichend exakt zum Zwecke des Synchronisierens der Datenströme mit Datenströmen, welche von anderen Sensoren aufgenommen wurden, sein und/oder zum Auslösen von Stimulierungsimpulsen. Der Grund hierfür ist, dass es beträchtliche Verzögerungen zwischen dem tatsächlichen Detektieren der Signale durch das Implantat 10 oder durch die anderen Sensoren 20-40 und ihrem Speichern in dem temporären Speicher 110 der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 gibt, wo der Zeitstempel t generiert wird. Dies gilt insbesondere für neuronale Signale, welche extrem kurz sind und spektrale Anteile und/oder Frequenzen in der Größenordnung von einigen kHz bis zu einigen MHz aufweisen können.
  • Somit bezieht gemäß der Erfindung die exakte Zeitsynchronisierung für jedes Neuro-Implantat 10, Sensorvorrichtungen 20-40 und Verarbeitungsvorrichtung 100 die Verzögerung Δts zwischen dem Zeitpunkt des tatsächlichen Detektierens des Signals durch das Neuro-Implantat 10, die Sensorvorrichtungen 20-40 und dem Zeitpunkt t, wann ein Zeitstempel generiert und mit dem Datenstrom, welcher das detektierte Signal repräsentiert, assoziiert wurde, ein, d. h., der Zeitpunkt, zu welchem der Datenstrom tatsächlich durch die Körper-externe, tragbare Verarbeitungsvorrichtung 100 aufgezeichnet werden wird. Allgemein werden die jeweiligen Verzögerungen Δts für jeden Sensor 10, 20-40 eine jeweilige vordefinierte Wahrscheinlichkeitsverteilung zeigen. Mit der Kenntnis der jeweiligen Wahrscheinlichkeitsverteilung kann die Verzögerung Δts für einen bestimmten Sensor erhalten werden. Zum Beispiel kann eine detektierende Vorrichtung 10, 20-40, welche eine Gauß‘sche Normalverteilung zeigt, für ihre Verzögerung Δts mittels ihrer Durchschnittsverzögerung und der Varianz der Verzögerung modelliert werden. Unter der Annahme dieser Parameter kann der wahrscheinlichste Zeitpunkt des Auftretens eines Ereignisses (repräsentiert durch das detektierte Signal) aus dem gespeicherten Zeitstempel t berechnet werden.
  • Weiterhin kann die Verzögerung ΔtR der Aufzeichnungseinrichtung der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 selbst einbezogen werden (falls es eine gibt). Dann wird die Verzögerung Δts zwischen einem Detektieren des Signals (welches das Ereignis repräsentiert) und einem Aufzeichnen des Datenstroms sowie die Verzögerung ΔtR der Aufzeichnungseinrichtung der Zeit-Verarbeitungseinrichtung 100 selbst einbezogen, das heißt, durch direktes Subtrahieren der Differenz in der Durchschnittsverzögerung zwischen der Zeit-Verarbeitungseinrichtung 100 und dem Sensorsignal von dem gespeicherten Zeitstempel t, welcher mit dem Datenstrom assoziiert ist t' = t - (Δts + ΔtR). Es können andere Berechnungen der Verzögerungen Δts, ΔtR durchgeführt werden, wenn die Zeit-Referenzpunkte und/oder die Vorzeichen der Verzögerungen unterschiedlich sind.
  • Als Minimum-Information sollten Durchschnittsverzögerungen bekannt sein. Jegliche Information über die Verzögerung von bestimmten Implantaten 10, Sensoren 20-40, der implantierbaren Steuereinheit 50 bzw. Verarbeitungsvorrichtungen 100 werden vorzugsweise in einer Produktspezifikations-Datenbank gespeichert, welche vorzugsweise außerhalb von der Verarbeitungsvorrichtung 100 und der Datenbank 300 ist.
  • Die Datenströme, welche so temporär angeglichen werden (d. h. miteinander synchronisiert), können zur Adaption und Aktualisierung von therapeutischen Parametern verwendet werden: Zuerst können die therapeutischen Parameter des Neuro-Implantats 10 und seiner implantierbaren Steuereinheit 50 basierend auf den Daten, welche in der Datenbank 300 gespeichert sind, aktualisiert werden: Eine Analyse der Datenbank wird ein Update über das Datentransportmedium 200 (wie oben bezüglich des Hochladens von Daten beschrieben anders herum) an die Aktoren (Implantate) und Sensoren 10-40 und die Steuereinheit 50 senden, wobei der Algorithmus für die Berechnung der Aktoraktivität basierend auf der aufgezeichneten Sensoraktivität aktualisiert werden wird. Zum Beispiel ist bekannt, dass neuronale Aktivität sich insbesondere über die Zeit ändert oder adaptiert aufgrund von Lernen, Habituation und anderen Faktoren von neuronaler Plastizität. Um dies einzubeziehen, müssen therapeutische Parameter genauso über die Zeit adaptiert werden.
  • In einem anderen Modus läuft dieses Update über die private Netzwerkvorrichtung 200 des Patienten, wobei der Patient das Update manuell steuern kann (d. h. zum Testen etc.). Jede Änderung an dem Parametersatz eines Sensors 20-40 oder eines Aktors (Implantats) 10 wird auch in der Datenbank 300 gespeichert und mit einem jeweiligen Zeitstempel annotiert. Auf diese Weise sind Änderungen an den Sensoren 20-40 und Aktoren 10 auch verfolgbar.
  • Darüber hinaus können die Daten, welche in der Datenbank 300 gespeichert sind, durch Ärzte zur Diagnose verwendet werden. In einer Version können die Daten eines bestimmten Satzes von Parametern in einem Zeitfenster von Interesse dem Arzt zur Verfügung gestellt werden
  • In einer erweiterten Version werden diagnostische Daten, welche durch einen Arzt, Krankenhauspersonal oder den Patienten selbst mit seiner eigenen technischen Ausrüstung erlangt wurden, auch mit einem Zeitstempel t gekennzeichnet und in die Datenbank 300 hochgeladen und darin gespeichert, wobei die Zeitstempel wie oben beschrieben korrigiert werden. Umgekehrt kann der Arzt die zeitgestempelten Daten, welche er direkt mit seiner Ausrüstung aufgezeichnet hat, verwenden, ohne sie in die Datenbank 300 hochzuladen, in Kombination mit den Daten, welche die Körper-externe, tragbare Aufzeichnungseinheit 100 aufgezeichnet und in die Datenbank 300 hochgeladen wurden.
  • Als Beispiel kommt ein Patient mit einer neuroprothetischen Vorrichtung (zusammen mit einer Körper-externen, tragbaren Vorrichtung 100) zu einem Augenspezialist, wo ein Arzt dem Patienten verschiedene Stimuli präsentiert und auch seine Pupillenkontraktion aufzeichnet. Diese Stimuli und Daten, welche sich auf die Pupillenkontraktionen beziehen, werden zusammen mit ihren Aufzeichnungsverzögerungen und präzisen Zeitstempeln gespeichert. Die Daten können dann über eine Schnittstelle zu der Datenbank 300 hochgeladen werden, wo sie mit der Gehirnaktivität des Patienten synchronisiert werden, welche durch die neuroprothetische Vorrichtung des Patienten aufgenommen wurde und über die Körper-externe, tragbare Verarbeitungsvorrichtung 100 an die Datenbank 300 geschickt werden. Die Augendiagnose des Patienten kann dann durch den Arzt ausgeführt werden, so als ob er die Gehirnaktivität des Patienten parallel selbst aufgezeichnet hätte.
  • Ein weiteres Beispiel bezieht sich auf die Gewinnung von Forschungsdaten: Datenströme von mehreren Patienten können verarbeitet werden, zusammen mit den Datenströmen von anderen Sensoren für neue Einblicke in die Beziehungen zwischen neurologischen Prozessen und diesen Sensordatenströmen. Datensätze können exportiert werden, entweder in Rohform oder in einer vorverarbeiteten Form (z. B. up- oder down-gesampelt oder in ein anderes Datenformat konvertiert).
  • Für jeden Typ von Datenstrom (z. B. neuronale Daten oder Elektrokardiogramm) werden die Ereignisse, welche durch die Datenströme und die Zeitstempel repräsentiert werden, in der Datenbank 300 gespeichert. Für jeden Vorrichtungstyp werden die Parameter der Wahrscheinlichkeitsverteilung für die Verzögerung auch in einer Produktdatenbank gespeichert.
  • Zum Zwecke der sicheren Identifizierung und Sicherheit der Daten kann ein eindeutiges Pseudonym jedem Patienten zugeordnet werden. Um die privaten Daten der Patienten zu schützen, werden die persönlichen Daten von jedem Patienten (z. B. Name und Adresse) separat gespeichert und zusammen mit seinem Pseudonym verschlüsselt. Die Sensordaten des Patienten werden in nicht verschlüsselter Form gespeichert und nur mit dem Pseudonym des Patienten assoziiert.
  • Zugriff auf die Datenbank 300 kann nur über Verschlüsselungsprotokolle erlaubt werden, welche Geheimhaltung sicherstellen und welche die Authentizität der Person sicherstellen, die auf die Datenbank Zugriff nehmen möchte.
  • Die Übertragung von Daten über ein Datentransportmedium kann verschlüsselt werden, wohingegen die Stärke der Verschlüsselung von dem Typ der Daten, welche transportiert werden und dem Transportmedium abhängen.
  • Das Sicherheits-/Verschlüsselungs-Niveau wird durch den Patienten oder seinen Arzt in Abhängigkeit von der medizinischen Notwendigkeit und dem Schutz der Privatsphäre gewählt. Teilinformationen können zu medizinischen Zwecken, zum Beispiel kritische Sicherheitsparameter (Herzfrequenz, etc.) kontinuierlich hochgeladen werden.
  • 2 ist ein Schema, welches die Beziehung von Zeitinformation und Datenbank-300-Inhalt in einem größeren Kontext darstellt. Wie in 2 gesehen werden kann, kann die Datenbank 300 Datenströme von verschiedenen Patienten 1, 2, ... k speichern. Jeder Patient kann mit verschiedenen Sensorvorrichtungen 1, 2 ..., m ausgestattet sein, wobei jede Sensorvorrichtung Signale oder Parameter detektiert und daraus Datenströme herstellt. Wie zuvor beschrieben, ist jeder Datenstrom {d1, d2, ..., dn} repräsentativ für zumindest ein Ereignis (repräsentiert durch ein Signal). Mit jedem Datenstrom {d1, d2, ..., dn} wird ein jeweiliger Zeitstempel ti assoziiert. Der Zeitstempel ti (wobei i der Index für das i-te detektierte Ereignis ist) wird generiert und mit der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 des Patienten assoziiert. Datenströme werden zusammen mit ihren Zeitstempeln ti von dort zu der Datenbank 300 übertragen (auf Verfügbarkeit eines Transfermediums 200 hin) und dort gespeichert.
  • Alle oder eine Anzahl von den Datenströmen {d1, d2, ..., dn} sowie Steuerdaten für die Sensoren 10, 20-40, die Implantat-Steuereinheit 50 und die Aktoren, welche sich auf den Patienten beziehen, werden als ein Patientendaten- und Vorrichtungsdatensatz (PDC) bezeichnet. Die Daten, welche in der Datenbank 300 gespeichert sind, können in einem standardisierten Format exportiert werden und können den Clients 1, 2, ... j (z. B. Ärzte) zur Diagnose zur Verfügung gestellt werden. Andererseits können einige Clients direkten Zugriff auf bestimmte oder alle PDC der Datenbank 300 haben. Die Daten können aus Kapazitäts- oder Übertragungsgründen komprimiert werden.
  • Auf sensorspezifische Messungsverzögerungen Δts der Sensorvorrichtungen 10, 20-40 und Verzögerungen ΔtR der Aufzeichnungseinrichtung der Verarbeitungsvorrichtung 100 kann auf einer Produktspezifikations-Datenbank zugegriffen werden. Diese Datenbank kann außerhalb der Datenbank 300 sein, wo die Messdaten gespeichert werden. Andererseits können die Verzögerungen Δts, ΔtR, welche zu den bestimmten Sensorvorrichtungen 10, 20-40 bzw. Verarbeitungsvorrichtungen gehören, auch in der Datenbank 300 gehalten werden.
  • Die Datenbank 300 kann auch Rohdaten speichern, d. h. Daten, wie sie durch die Sensoren geliefert werden, welche nicht auf irgendeine Art und Weise verarbeitet sind.
  • Die Daten, welche durch die Verarbeitungsvorrichtung 100 gesammelt werden, können auf verschiedene Weisen verwendet werden. Zuerst können die Daten vorverarbeitet werden und dann an die entsprechende Datenbank 300 zur weiteren Verarbeitung oder zu Analysezwecken, wie oben beschrieben, gesendet werden.
  • Zweitens können dann die gesammelten Daten an eine Stimulierungseinheit übertragen werden, welche durch eine implantierbare Steuereinheit 50 und ein Stimulierungsimplantat, d. h. eine implantierbare Elektrode 10' gebildet wird. Sie kann über ein Echtzeit-fähiges Bussystem (z. B. einen CAN Bus) oder über einen drahtlosen Link mit der Verarbeitungsvorrichtung 100 verbunden werden. Die Sensordaten werden an die Stimulierungsvorrichtung entsprechend ihrer Aufzeichnungsrate gesendet. Die Stimulierungsvorrichtung umfasst die Implantat-Steuereinheit 40 und das Implantat 10', wobei der Controller durch einen Steueralgorithmus (z. B. ein neuronales Netzwerk, Fuzzylogik, etc.) implementiert werden kann. Das Aktorteil umfasst Elektroden, Signalerzeugung, etc. Der Controller verarbeitet Sensordaten gemäß ihrem aktuellen Parametersatz, generiert die entsprechenden eingestellten Werte für das Aktorteil des Systems und liefert sie an das Aktorteil des Systems zurück. Auf diese Weise, wird ein Stimulierungssystem mit Closed Loop bereitgestellt.
  • Alle Teile des Closed-Loop-Systems (z. B. Verarbeitungsvorrichtung, Steueralgorithmen) werden unter Verwendung eines Vektors der Steuerparameter konfiguriert. Sensoren können ihre Datenerfassungsrate oder Filtereinstellungen basierend auf diesen Parametern ändern. Steueralgorithmen werden durch diese Parameter definiert oder adjustiert (z. B. Kantengewichte in künstlichen neuronalen Netzwerken, PID Parameter, etc.).
  • Basierend auf der Analyse der gemessenen Daten kann auf der Datenbankseite (z. B. durch einen Arzt) der Parametervektor über das Transportmedium 200 aktualisiert werden. Die Parametervektoraktualisierung kann entweder durch eine Poll-Anfrage ausgelöst werden, welche durch die Messvorrichtung initialisiert wird, oder durch einen datenbankseitigen Push. Der datenbankseitige Push wird durch Einfügen eines neuen Steuersatzes in die Datenbank 300 ausgelöst.
  • Als Sicherheitsmaßnahme kann der Parameterraum auf einen sicheren Unterraum beschränkt werden. Der Steuervektor wird verifiziert im Hinblick darauf, ob er innerhalb der Grenzen des sicheren Unterraumes ist, bevor er angewandt wird. Nur, wenn der Vektor sicher ist, wird er zu den entsprechenden Vorrichtungsteilen übertragen. Das nächste Messdatum wird dann verarbeitet und generiert Steuerausgaben gemäß dem neuen Parametervektor. Änderungen in dem Parametervektor werden zusammen mit dem aktuellen Zeitstempel t in der Datenbank 300 aufgezeichnet. Der sichere Unterraum kann durch den Arzt definiert werden, z. B. während einer ambulanten Behandlungssitzung.
  • Die Systemarchitektur der Körper-externen, tragbaren Verarbeitungsvorrichtung 100, welche die Hauptsoftwarekomponenten enthält, wird in 3 beschrieben. Alle Teile der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 (einschließlich der Plugin-Pipeline) speichern ihre Daten in dem temporären Speicher 110. Die Verarbeitung wird durch eine CPU ausgeführt. Ein Betriebssystem, welches in der Lage ist, mehrere Threads auszuführen, ist installiert.
  • Das System ist aus mehreren Teilen aufgebaut. Ein Teil ist die Konfigurationsdatenbank 115, welche vorzugsweise in dem temporären Speicher (z. B. Festplatte, Flash-Laufwerk, etc.) angeordnet ist. Die Datenbank 115 enthält allgemeine Anwendungsinformation, welche enthält, welche Arten von Plugins (siehe unten) geladen werden müssen, und welche Arten von Konfigurationsparametern angewendet werden sollten. Ein Teil dieser Parameter ist der Steuervektor sowie der möglicherweise unterschiedliche sichere Parameter-Unterraum für den Patienten und den Arzt.
  • Der Pipeline-Manager 130 verwendet den Plugin-Pipelinebilder 140, um die Plugin-Pipeline 150 basierend auf den Parametern in der Konfigurationsdatenbank 115 zu bilden und zu initiieren. Zusätzlich steuert er ein Starten/Stoppen der Messschleife.
  • Die Plugin-Pipeline 150 ist aus mehreren Plugins 450 aufgebaut. 4 ist ein Blockdiagramm eines einzelnen Plugins. Die individuellen Plugins werden durch die Modellansicht-Steuersoftware-Design-Muster ausgebildet. Daher kann die graphische Benutzerschnittstelle (GUI) von jedem Plugin 450 auf das Modell nur über den Controller (d. h. Adapter) 455 Zugriff nehmen. Der Adapter 455 modifiziert das Modell (d. h. Verarbeitungsobjekt) 456, welches wiederum den Adapter 455 über Modelländerungen informiert. Diese Änderungen werden dann an die Ansicht 451 zurück gesendet. Daher besteht die Haupt-GUI des Systems aus einem Ansichtscontainer, welcher die individuellen Ansichten der Plugins enthält. Neue Daten werden durch ihren Vorgänger zu dem Verarbeitungsobjekt per Push übertragen, lokal verarbeitet und dann an den Nachfolger weitergeleitet. Lazy Copying wird angewandt. Daher werden die Daten nur kopiert, wenn die Daten geändert werden müssen. Jedes Plugin-Teil läuft in seinem eigenen Thread. Die Verarbeitungsobjekte 456, 457, 458 können verbunden werden, wenn der Typ der Daten von zwei aufeinanderfolgenden Objekten vom gleichen Typ ist. Ein Verbindungsgraph wird als Teil der Konfigurationsdatenbank 115 gespeichert. Der Verbindungsgraph repräsentiert die Plugins und ihre Zwischenverbindungen, wobei die Knoten des Graphs den Plugins entsprechen, und Kanten des Graphs Verbindungen zwischen den Plugins entsprechen. Somit werden, basierend auf diesem Graphen, die individuellen Plugins miteinander verbunden, um ein spezielles Hardware-/Software-System auf der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 zu implementieren.
  • Das flexible und skalierbare Plugin-System kann derartig konfiguriert werden, dass ein Closed-Loop-System gebildet wird (siehe 5). Es gibt einen Hardware-Kommunikations-Plugin 101 für jeden Sensor 10, 20-40, welcher mit dem System verbunden ist. Zum Beispiel stellt 3 die Verbindung zu einem neuronalen Implantat 10 für neuronale Signale dar. Stimulierungsbefehle {d1, d2, .., dn} werden durch das Plugin zu der Implantat-Steuereinheit 50 geleitet, welche mit der Körper-externen, tragbaren Verarbeitungsvorrichtung 100 verbunden ist. Die Implantat-Steuereinheit 50 ist wiederum mit dem neuronalen Implantat 10 verbunden. Die neuronalen Signalaufzeichnungen werden über die Implantat-Steuereinheit 50 zurück zu dem Hardware-Kommunikations-Plugin 101 gesendet.
  • Diese Sensordaten werden zu vier verschiedenen Stellen gesendet. Als erstes werden sie um ihren Zeitstempel t erweitert und in dem temporären Speicher 110 gespeichert. Dieser temporäre Speicher 110 ist vorzugsweise (aber nicht notwendigerweise) auf dem gleichen persistenten Laufwerk wie die Konfigurationsdatenbank 115 angeordnet. Zur Visualisierung werden die Sensordaten durch mehrere mögliche Vorverarbeitungs-Plugins 105 (z. B. Kerbfilter, etc.) verarbeitet. Das Ergebnis von dieser Verarbeitung wird an ein Visualisierungs-Plugin 109 gesendet, welches die aktuellen Sensormesswerte plottet. Die Sensordaten von dem Hardware-Kommunikations-Plugin 101 können auch zu einem Steueralgorithmus-Plugin 107 gesendet werden und zu dem Parameter-Lernalgorithmus-Plugin 108.
  • Der Zweck des Steueralgorithmus-Plugins 107 ist, Stimulierungssatzwerte zu generieren, welche den Datenwerten entsprechen. Der Steuersatz wird durch den aktuellen Steuerparameter-Vektor beeinflusst, welcher in Abhängigkeit von dem Steueralgorithmus bei Benutzung variieren kann.
  • Das optionale Parameter-Lernalgorithmus-Plugin 108 startet mit dem Steuerparametersatz, welcher in der Konfigurationsdatenbank 115 vorgesehen ist. Dann, basierend auf den Sensordaten und der Ausgabe des Steueralgorithmus-Plugins 107 generiert es Modifikationen der Steuerparameter, falls notwendig. Sowohl das Steueralgorithmus-Plugin sowie der Lernalgorithmus können lokal mehrere Sensormesswerte speichern, um die Mittel eines integrierten Mechanismus zur Steuerung vorzusehen.
  • Das Stimulierungsgenerator-Plugin 106 generiert Stimulierungsbefehle aus den eingestellten Werten und sendet sie zurück zu dem Hardware-Kommunikations-Plugin 101, welches die Steuerschleife schließt. Es sei angemerkt, dass es mehr als eine Art von Sensor 10 geben kann, welcher beteiligt ist, welche alle ihre Daten entweder einem oder zu mehreren Steuer-/Lern-Algorithmus-Paaren (Kaskadensteuerung) senden.
  • Der Kommunikationsmanager 170 (bezugnehmend auf 5) verbindet den temporären Speicher 110 durch das Transportmedium 200 mit einer zentralen Datenbank 300, wenn eine Verbindung verfügbar und gewollt ist. Der Kommunikationsmanager 170 stellt sicher, dass alle Sensordaten, welche seit der letzten Synchronisierung gesammelt wurden, an die zentrale Datenbank 300 transferiert werden. Er zieht wiederum jegliche Konfigurations-Updates zu der Körper-externen, tragbaren Verarbeitungsvorrichtung 100. Die Konfigurations-Updates (z. B. Steuer-/Lern-Algorithmus, Steuer-Parametervektoren, etc.) werden zuerst evaluiert in Bezug auf Korrektheit und Sicherheit. Wenn die Daten zuverlässig sind, werden sie in der Konfigurationsdatenbank 115 gespeichert und der Pipelinemanager wird über diese Updates informiert. Der Pipelinemanager führt die erforderlichen Pipelineänderungen durch (z. B. Ersetzen des Steuer- und Lern-Algorithmus, Ändern des Steuerparametervektors).
  • Als ein Beispiel können Kreuzkorrelation der Sensoraktivität und Aufzeichnung nach einer Stimulierung und andere Maßnahmen der Effizienz verwendet werden, um optimale Wichtungen für jeden Sensor des Closed-Loop-Algorithmus zu bestimmen.
  • Als ein weiteres Beispiel kann die Körper-externe, tragbare Verarbeitungsvorrichtung 100 selbst online oder offline Lernalgorithmen ausführen, um die Stimulierungsparameter einzustellen. Dies wird erreicht durch Bereitstellen jeder Sensordatenstrom- und Steueralgorithmus-Ausgabe als Eingabe für den Lernalgorithmus. Die Ausgabe kann Steuerparameter „on the fly“ (z. B. angewandt auf einen Fuzzylogik-Controller mit einem künstlichen neuronalen Netzwerk zum online Steuerparameter-Lernen) ändern. Der Vorteil von diesem Lernansatz ist, dass er tägliche Fluktuationen des Zustands des Patienten verarbeiten kann.
  • Ein weiteres Beispiel ist es, die Umgebung zur Sicherheit oder Adaption von Stimulierungsparametern hinsichtlich Sicherheit aufzuzeichnen, zum Beispiel, um eine Stimulierung auf ein effizienteres Level zu erhöhen, wenn ein Auto gefahren wird. Hierzu wird eine Bestimmung benötigt, ob eine Person gerade ein Auto fährt. Dies kann durch Kombinieren eines GPS Sensors und eines Körper-externen, tragbaren Bewegungssensors bewerkstelligt werden, welcher Bewegungen z. B. der Hände oder der Arme von der Person detektiert. Somit, wenn der GPS Sensor eine Bewegung mit hoher Geschwindigkeit detektiert, und der Körper-externe, tragbare Bewegungssensor Bewegungen gemäß einem typischen Fahrerprofil detektiert, kann das System die Stärke und/oder Frequenz der Stimulierungsimpulse erhöhen (oder der Person ein Erhöhen vorschlagen).
  • Darüber hinaus können die genauen zeiterfassten Datenströme verwendet werden zum Kalibrieren des Systems durch Aufzeichnen der Impulsreaktion des Systems, welches durch Aufzeichnen der neuronalen Aktivitäten/Sensor-Aktivitäten in Reaktion auf die stärkst mögliche angewandte einzelne Impulsstimulierung/Aktor-Aktivität angenähert wird. Da der Stimulierungsimpuls aus Sicherheitsgründen in seiner Stärke auf die maximale Stimulierung (Spannung oder Strom), welche erlaubt ist, beschränkt ist, wird diese Charakterisierung wiederholt durchgeführt, typischerweise 10 bis 25 Mal und die Ergebnisse werden gemittelt, bis nur geringe Differenzen auftreten und eine statistische Signifikanz des Modells erreicht wird.
  • Das Modell des Systems, welches durch diese Charakterisierung generiert wird, kann dann verwendet werden, um Sensoraktivitäten in Reaktion auf bestimmte Stimulierung oder Aktor-Muster vorherzusagen. Dies kann zweifach verwendet werden: Einerseits, um die Stimulierung/Aktor-Aktivitäten zu definieren, welche Sensoraktivitäten produzieren, welche indikativ für einen gewünschten Patientenzustand sind, d. h. die motorische Rinde oder des Nucleus Subthalamicus. Andererseits, um Stimulierungsparameter zu vermeiden, welche unerwünschte neuronale Aktivitäten oder Gehirnzustände erreichen, zum Beispiel Aktivitäten, welche zu erhöhten Oszillationen in dem Betabereich in bestimmten Gehirnregionen führen, Aktivitäten, welche zu Anfällen führen, welche unkontrollierte Bewegungen hervorrufen.
  • Die Datenströme können in der Datenbank 300 auf verschiedene Arten gespeichert werden. Für jeden Patienten können die Datenströme, welche sich auf verschiedene Parameter beziehen, in einer zweidimensionalen Matrix gespeichert werden:
    • Zeit x Parameter, getrennt für jeden Patienten.
  • Für mehrere Patienten, insbesondere, wenn die Datenströme von mehreren Patienten einander entsprechen, können die Datenströme in einer dreidimensionalen Matrix gespeichert werden:
    • Zeit x Parameter x Patient.
  • Die Verzögerungen (zwischen dem Detektieren des Signals, welches sich auf ein Ereignis bezieht, durch die Sensorvorrichtung 10, 20-40 und dem Aufzeichnen des Signals durch die Verarbeitungsvorrichtung 100, oft wenige hundert ms) können vor einem Angleichen in der Datenbank 300 subtrahiert werden. Diese Subtraktion kann entweder auf ein Speichern in der temporären Verarbeitungsvorrichtung 100 oder auf ein Speichern in der Datenbank 300 hin auftreten. Natürlich, wenn eine Diagnose und/oder Adaption der Parameter zu einem späteren Zeitpunkt durchgeführt wird, kann die Angleichung nur zu dieser späteren Gelegenheit ausgeführt werden.

Claims (19)

  1. Computer-implementiertes Verfahren zum Verarbeiten von Datenströmen, wobei das Verfahren die folgenden Schritte umfasst: Empfangen einer Anzahl von Datenströmen ({d1, d2, .., dn}), wobei zumindest ein Datenstrom davon repräsentativ für zumindest ein physiologisches Signal eines Patienten detektiert ist, welches durch eine vorbestimmte Sensorvorrichtung (10) detektiert wird, und Empfangen zumindest einer Zeitstempelinformation (t), wobei jede Zeitstempelinformation (t) mit einem jeweiligen Datenstrom ({d1, d2, .., dn}) assoziiert wird, wobei die Zeitstempelinformation (t) repräsentativ ist für den Zeitpunkt des Assoziierens der Zeitstempelinformation mit dem jeweiligen Datenstrom ({d1, d2, ..., dn}), und Assoziieren einer jeweiligen Zeitversatzinformation mit jeder Zeitstempelinformation, wobei die Zeitversatzinformation repräsentativ für eine Verzögerung (Δts) zwischen einem Zeitpunkt des Detektierens des zumindest einen Signals durch die vorbestimmte Sensorvorrichtung (10) und dem Zeitpunkt des Assoziierens der Zeitstempelinformation (t) mit dem Datenstrom ({d1, d2, ..., dn}) ist, welcher repräsentativ für das zumindest eine Signal ist.
  2. Computer-implementiertes Verfahren zum Verarbeiten von Datenströmen, wobei das Verfahren die folgenden Schritte umfasst: Aufzeichnen einer Anzahl von Datenströmen ({d1, d2, ..., dn}), wobei zumindest ein Datenstrom davon repräsentativ für zumindest ein physiologisches Signal eines Patienten detektiert ist, welches durch eine vorbestimmte Sensorvorrichtung (10, 20-40) detektiert ist, und Aufzeichnen von zumindest einer Zeitstempelinformation (t), wobei die zumindest eine Zeitstempelinformation (t) mit dem zumindest einen Datenstrom ({d1, d2, ..., dn}) assoziiert wird, wobei jede Zeitstempelinformation (t) repräsentativ für einen Zeitpunkt des Assoziierens der Zeitstempelinformation (t) mit dem Datenstrom ({d1, d2, ..., dn}) ist, Assoziieren einer jeweiligen Zeitversatzinformation mit jeder Zeitstempelinformation (t), wobei die Zeitversatzinformation repräsentativ für eine Verzögerung (Δts) zwischen einem Zeitpunkt des Detektierens des zumindest einen Signals durch die vorbestimmte Sensorvorrichtung (10) und dem Zeitpunkt des Assoziierens der Zeitstempelinformation (t) mit dem Datenstrom ({d1, d2, ..., dn}) ist, welcher repräsentativ für das zumindest eine Signal ist.
  3. Verfahren gemäß dem vorhergehenden Anspruch, welches weiterhin ein Übertragen des zumindest einen aufgezeichneten Datenstroms und der jeweiligen Zeitstempelinformation (t) an eine Datenbank (300) umfasst, und Speichern des zumindest einen Datenstroms, der Zeitstempelinformation, der assoziierten Zeitversatzinformation in der Datenbank (300).
  4. Verfahren gemäß einem der Ansprüche 2 oder 3, wobei ein Aufzeichnen durch eine Verarbeitungsvorrichtung durchgeführt wird, insbesondere durch eine Körper-externe, tragbare Verarbeitungsvorrichtung (100).
  5. Verfahren gemäß dem vorhergehenden Anspruch, wobei die Zeitversatzinformation zusätzlich repräsentativ ist für eine Verzögerung (ΔtR) zwischen dem Zeitpunkt des Assoziierens der Zeitstempelinformation und einem Zeitpunkt des Aufzeichnens des Datenstroms durch die Körper-externe, tragbare Verarbeitungsvorrichtung (100).
  6. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei zumindest ein Datenstrom von der Anzahl von Datenströmen repräsentativ ist für zumindest ein außerhalb des Körpers des Patienten befindliches Signal, welches durch eine vorbestimmte Sensorvorrichtung (20, 30, 40) detektiert wird.
  7. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die Verzögerung (Δts, AtR) von einer produktspezifischen Datenbank (400) abgefragt wird, welche Informationen enthält, welche sich auf die zumindest eine vorbestimmte Sensorvorrichtung (10; 20-40) beziehen.
  8. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die Zeitstempelinformation (t) unter Verwendung einer Uhrvorrichtung generiert wird, welche UTC Informationen liefert, insbesondere eines von einer funkgesteuerten Uhr, einem Zeitserver, einer Großraumnetzwerk-Zeit, einer Lokalnetzwerk-Zeit, einem mobilen Kommunikationsnetzwerk und einer GPS Vorrichtung.
  9. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei das zumindest eine physiologische Signal eine elektrische Aktivität des Gehirns oder der Nerven repräsentiert.
  10. Verfahren gemäß einem der Ansprüche 4 bis 9, wobei Speichern durchgeführt wird, wenn ein Datenübertragungsmedium für die Körper-externe, tragbare Verarbeitungsvorrichtung (100) verfügbar ist.
  11. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei das zumindest eine Signal zumindest einen Wert eines Parameters repräsentiert, wobei der Parameter eines ist von einem PH-Wert, Blutzucker, EMG, Herzfrequenz, Leitfähigkeit der Haut, Körperbewegung, Blutdruck, lokale Geo-Position, Temperatur, Gewitterneigung, Konzentrationen von Biomolekülen, Lärm und Schall.
  12. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei zumindest eine Sensorvorrichtung ein Neuro-Implantat (10) ist und/oder zumindest eine Sensorvorrichtung eine Körper-externe, tragbare Vorrichtung (20, 30, 40) ist.
  13. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die Verzögerung aus einer vorbestimmten Wahrscheinlichkeitsverteilung von Verzögerungen zwischen dem eigentlichen Geschehen des Ereignisses und der Zeit, wann der Zeitstempel aufgezeichnet wird, erlangt wird.
  14. Verfahren gemäß einem der Ansprüche 3 bis 12, wobei die übertragenen Datenströme verschlüsselt sind.
  15. Verfahren gemäß einem der Ansprüche 2 bis 14, wobei der aufgezeichnete zumindest eine Datenstrom, die Zeitstempelinformation und die assoziierte Zeitversatzinformation sich auf eine neuroprothetische Vorrichtung des Patienten beziehen und zur Adaption des zumindest einen Parameters einer neuroprothetischen Vorrichtung beziehen, wobei die Adaption in einem außerhalb des Körpers des Patienten befindlichen Computersystem durchgeführt wird, und wobei der zumindest eine Parameter zu der neuroprothetischen Vorrichtung über einen vorbestimmten Kommunikationskanal übertragen wird, insbesondere über ein Datenübertragungsmedium.
  16. Computer-lesbares Speichermedium umfassend einen Programmcode zum Durchführen des Verfahrens gemäß den vorhergehenden Ansprüchen, wenn dieser in ein Computersystem geladen ist.
  17. System zum Verarbeiten von Datenströmen, umfassend: Mittel zum Empfangen von einer Anzahl von Datenströmen ({d1, d2, ..., dn}), wobei zumindest ein Datenstrom davon repräsentativ für zumindest ein physiologisches Signal eines Patienten ist, welches durch eine vorbestimmte Sensorvorrichtung (10) detektiert wird, und Empfangen zumindest einer Zeitstempelinformation (t), wobei jede Zeitstempelinformation (t) mit einem jeweiligen Datenstrom ({d1, d2, .., dn}) assoziiert wird, wobei die Zeitstempelinformation (t) repräsentativ ist für den Zeitpunkt des Assoziierens der Zeitstempelinformation mit dem jeweiligen Datenstrom ({d1, d2, ..., dn}), und Mittel zum Assoziieren einer jeweiligen Zeitversatzinformation mit jeder Zeitstempelinformation, wobei die Zeitversatzinformation repräsentativ für eine Verzögerung (Δts) zwischen einem Zeitpunkt des Detektierens des zumindest einen Signals durch die vorbestimmte Sensorvorrichtung (10) und dem Zeitpunkt des Assoziierens der Zeitstempelinformation (t) mit dem Datenstrom ({d1, d2, ..., dn}) ist, welcher repräsentativ für das zumindest eine Signal ist.
  18. System gemäß dem vorhergehenden Anspruch, weiterhin umfassend: Mittel zum Zugreifen auf eine Datenbank (400), welche Informationen umfasst, welche sich auf die zumindest eine vorbestimmte Sensorvorrichtung (10; 20-40) beziehen.
  19. System gemäß irgendeinem der Ansprüche 17-18, wobei zumindest eine Sensorvorrichtung ein Neuro-Implantat (10) ist und/oder zumindest eine Sensorvorrichtung eine Körper-externe Sensorvorrichtung (20, 30, 40) ist.
DE102015108859.2A 2015-06-03 2015-06-03 Verfahren und System zum Verarbeiten von Datenströmen Active DE102015108859B4 (de)

Priority Applications (7)

Application Number Priority Date Filing Date Title
DE102015108859.2A DE102015108859B4 (de) 2015-06-03 2015-06-03 Verfahren und System zum Verarbeiten von Datenströmen
CN201680032375.3A CN107980161B (zh) 2015-06-03 2016-06-03 用于处理数据流的方法和系统
AU2016271876A AU2016271876A1 (en) 2015-06-03 2016-06-03 Method and system for processing data streams
PCT/EP2016/062664 WO2016193438A1 (en) 2015-06-03 2016-06-03 Method and system for processing data streams
EP16727994.2A EP3304376B1 (de) 2015-06-03 2016-06-03 Verfahren und system zur verarbeitung von datenströmen
US15/829,221 US11170001B2 (en) 2015-06-03 2017-12-01 Method and system for processing data streams
AU2020230220A AU2020230220B2 (en) 2015-06-03 2020-09-07 Method and System for Processing Data Streams

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102015108859.2A DE102015108859B4 (de) 2015-06-03 2015-06-03 Verfahren und System zum Verarbeiten von Datenströmen

Publications (2)

Publication Number Publication Date
DE102015108859A1 DE102015108859A1 (de) 2016-12-08
DE102015108859B4 true DE102015108859B4 (de) 2018-12-27

Family

ID=56116418

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102015108859.2A Active DE102015108859B4 (de) 2015-06-03 2015-06-03 Verfahren und System zum Verarbeiten von Datenströmen

Country Status (6)

Country Link
US (1) US11170001B2 (de)
EP (1) EP3304376B1 (de)
CN (1) CN107980161B (de)
AU (2) AU2016271876A1 (de)
DE (1) DE102015108859B4 (de)
WO (1) WO2016193438A1 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201718236D0 (en) * 2017-11-03 2017-12-20 Sensumco Ltd Systems and methods for estimating emotional states
US11438276B2 (en) * 2018-05-29 2022-09-06 Arista Networks, Inc. Method and system for prioritizing network traffic data units
DK3814785T1 (da) * 2018-06-28 2022-12-19 Synaptec Ltd Fremgangsmåde og apparat til at foretage en tidssynkroniseret fasevektormåling
US20220239577A1 (en) * 2021-01-22 2022-07-28 Ethicon Llc Ad hoc synchronization of data from multiple link coordinated sensing systems

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100274303A1 (en) 2009-04-24 2010-10-28 Vladislav Bukhman Methods and Systems for Detecting Epileptic Events Using Nonlinear Analysis Parameters
WO2011124996A1 (en) 2010-04-08 2011-10-13 Koninklijke Philips Electronics N.V. Patient monitoring over heterogeneous networks

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO20023860D0 (no) * 2002-08-14 2002-08-14 Sospita As Fremgangsmåte for å generere og prosessere dataströmmer som inneholder krypterte og dekrypterte data
US7774377B2 (en) * 2003-12-03 2010-08-10 The Trizetto Group, Inc. Range definition method and system
CN1294516C (zh) * 2004-04-12 2007-01-10 南京大学 实时数据库建模、存储和访问方法
EP1669888A1 (de) * 2004-12-13 2006-06-14 Ubs Ag Datenversionierung mittels Zeitstempeln
CN101305373A (zh) * 2005-11-08 2008-11-12 皇家飞利浦电子股份有限公司 使用聚类检测多参数患者监护和临床数据中的危险趋势的方法
WO2007058950A2 (en) * 2005-11-10 2007-05-24 Cyberkinetics Neurotechnology Systems, Inc. Biological interface system with neural signal classification systems and methods
WO2007075477A2 (en) * 2005-12-19 2007-07-05 University Of Florida Closed-loop state-dependent seizure prevention systems
US8374668B1 (en) * 2007-10-23 2013-02-12 Abbott Diabetes Care Inc. Analyte sensor with lag compensation
US20090070266A1 (en) * 2007-09-07 2009-03-12 Shah Rahul C System and method for physiological data authentication and bundling with delayed binding of individual identification
US8050881B1 (en) * 2007-10-18 2011-11-01 Enbiomedic Post data-collection synchronization for approximation of simultaneous data
US20110263994A1 (en) * 2007-12-13 2011-10-27 James Alexander Burns Method and Apparatus for Acquiring and Analyzing Data Relating to a Physiological Condition of a Subject
WO2011021115A1 (en) * 2009-08-17 2011-02-24 Koninklijke Philips Electronics, N.V. System and method to synchronize a patient monitoring device with a central server
CN102270264B (zh) * 2010-06-04 2014-05-21 中国科学院深圳先进技术研究院 生理信号质量评估系统及方法
WO2012093319A1 (en) * 2011-01-06 2012-07-12 Koninklijke Philips Electronics N.V. Patient monitoring system and method for monitoring the physiological status of a patient
US8725462B2 (en) * 2011-05-13 2014-05-13 Fujitsu Limited Data aggregation platform
DE102012207138A1 (de) * 2012-04-27 2013-10-31 Robert Bosch Gmbh Sensorzeit-Synchronisation
US20140257730A1 (en) * 2013-03-11 2014-09-11 Qualcomm Incorporated Bandwidth and time delay matching for inertial sensors

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100274303A1 (en) 2009-04-24 2010-10-28 Vladislav Bukhman Methods and Systems for Detecting Epileptic Events Using Nonlinear Analysis Parameters
WO2011124996A1 (en) 2010-04-08 2011-10-13 Koninklijke Philips Electronics N.V. Patient monitoring over heterogeneous networks

Also Published As

Publication number Publication date
CN107980161A (zh) 2018-05-01
US11170001B2 (en) 2021-11-09
DE102015108859A1 (de) 2016-12-08
AU2016271876A1 (en) 2017-12-21
EP3304376B1 (de) 2023-07-26
US20180102960A1 (en) 2018-04-12
EP3304376A1 (de) 2018-04-11
AU2020230220B2 (en) 2021-12-23
AU2020230220A1 (en) 2020-10-01
WO2016193438A1 (en) 2016-12-08
CN107980161B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
DE102015108861A1 (de) Verfahren und Vorrichtung zur Neurostimulation
DE60035546T2 (de) System und Verfahren zur automatischen Sammlung und Analyse von periodisch erfassten Patientendaten zur Fernpatientenpflege
DE60038429T2 (de) System und Verfahren zur Bestimmung einer Referenzgrundlinie eines individuellen Patientenzustands zur Benutzung in einer automatischen Sammlung und Analysesystem zur Patientenpflege
DE60017943T2 (de) Kommunikationssystem für eine implantierbare vorrichtung und einen arzneimittelspender
EP2055348B1 (de) Vorrichtung zur Bestimmung eines Nachsorgetermins für die Versorgung eines implantierbaren medizinischen Gerätes
DE202020005640U1 (de) Erkennung von Arrhythmie mit Merkmalsabgrenzung und maschinellem Lernen
DE102006057709B4 (de) Vorrichtung und Verfahren zum Bestimmen einer Atemfrequenz
EP0858287B1 (de) Vorrichtung zur quantitativen analyse von schlafstörungen
DE102015108859B4 (de) Verfahren und System zum Verarbeiten von Datenströmen
EP1589438A2 (de) Verfahren und Vorrichtung zum Überwachen einer Konzentration eines Analyten im lebenden Körper eines Menschen oder Tieres
EP1356762A1 (de) Geräteanordnung zur Fernüberwachung von Körperfunktionen
DE102007017552A1 (de) Fallabhängige Krankheitsverlaufsvorhersage bei einem Echtzeit-Überwachungssystem
EP2940613A1 (de) Datenverarbeitungs- und kommunikationseinrichtung zur aufnahme von patientendaten in therapiefreier zeit
EP4081116B1 (de) Verfahren und anordnung zur erzeugung eines ekg-signals
EP2799110A1 (de) Verfahren zum Betrieb eines Bioresonanzgeräts
DE102007028686A1 (de) Aktivitäts-Bewegungsprofil
DE60031440T2 (de) Integriertes softwaresystem zur installation und verwaltung in implantierbaren medizinischen vorrichtungen
WO2020144189A1 (de) Verfahren zur bereitstellung von daten für eine schnittstelle
DE102019201359A1 (de) Planung eines zeitlichen Ablaufs einer medizinischen Untersuchung
Sheela et al. IoT Enabled Health Monitoring System using Machine Learning Algorithm
DE102004020515A1 (de) Verfahren und Vorrichtung zur drahtlosen Aufzeichnung und Fernüberwachung von Muskelaktivitäten bei Tieren
EP1686502A1 (de) Überwachungssystem zur Erfassung von physiologischen Parametern einer Person
EP4161361A1 (de) Körperzustandsabhängige stimulation mit echtzeitkommunikation zwischen einem aktions- und einem erfassungsmodul
DE102020112538A1 (de) Verfahren und System zur Analyse von biologischem Material sowie Verwendung eines derartigen Systems
CH719511A2 (de) Vorrichtung zum Erkennen und Klassifizieren von Schlafapnoe.

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R081 Change of applicant/patentee

Owner name: CORTEC GMBH, DE

Free format text: FORMER OWNER: CORTEC GMBH, 79110 FREIBURG, DE

R082 Change of representative

Representative=s name: 2S-IP SCHRAMM SCHNEIDER BERTAGNOLL PATENT- UND, DE

R020 Patent grant now final