ES2965942T3 - Detección automatizada de alteraciones respiratorias - Google Patents
Detección automatizada de alteraciones respiratorias Download PDFInfo
- Publication number
- ES2965942T3 ES2965942T3 ES18845634T ES18845634T ES2965942T3 ES 2965942 T3 ES2965942 T3 ES 2965942T3 ES 18845634 T ES18845634 T ES 18845634T ES 18845634 T ES18845634 T ES 18845634T ES 2965942 T3 ES2965942 T3 ES 2965942T3
- Authority
- ES
- Spain
- Prior art keywords
- user
- data
- sleep
- respiratory
- sensor
- 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
Links
- 238000001514 detection method Methods 0.000 title description 21
- 208000023504 respiratory system disease Diseases 0.000 title description 18
- 230000000241 respiratory effect Effects 0.000 claims abstract description 181
- 230000007958 sleep Effects 0.000 claims abstract description 158
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 74
- 238000013186 photoplethysmography Methods 0.000 claims description 127
- 230000033001 locomotion Effects 0.000 claims description 104
- 238000000034 method Methods 0.000 claims description 69
- 210000000707 wrist Anatomy 0.000 claims description 27
- 230000006735 deficit Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 230000036387 respiratory rate Effects 0.000 claims description 16
- 230000004075 alteration Effects 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 4
- 238000013459 approach Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 61
- 230000001771 impaired effect Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 11
- 201000002859 sleep apnea Diseases 0.000 description 10
- 239000008280 blood Substances 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 7
- 208000008784 apnea Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000006213 oxygenation reaction Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 208000019116 sleep disease Diseases 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000003860 sleep quality Effects 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 206010021079 Hypopnoea Diseases 0.000 description 2
- 208000012641 Pigmentation disease Diseases 0.000 description 2
- 208000001431 Psychomotor Agitation Diseases 0.000 description 2
- 206010038743 Restlessness Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000037074 physically active Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000000276 sedentary effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000022925 sleep disturbance Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010063602 Exposure to noise Diseases 0.000 description 1
- 206010073306 Exposure to radiation Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011513 continuous positive airway pressure therapy Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000018823 dietary intake Nutrition 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000019612 pigmentation Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 231100000430 skin reaction Toxicity 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
- A61B5/02427—Details of sensor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; determining position of probes within or on the body of the patient
- A61B5/065—Determining position of the probe employing exclusively positioning means located on or in the probe, e.g. using position sensors arranged on the probe
- A61B5/067—Determining position of the probe employing exclusively positioning means located on or in the probe, e.g. using position sensors arranged on the probe using accelerometers or gyroscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14539—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring pH
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Cardiology (AREA)
- Optics & Photonics (AREA)
- Emergency Medicine (AREA)
- Psychology (AREA)
- Anesthesiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
Se proporcionan enfoques para determinar una puntuación de aptitud para el sueño de un usuario, que pueden basarse en las alteraciones respiratorias monitorizadas de un usuario. El sistema recibe datos del estado del usuario generados durante un período de tiempo mediante una combinación de sensores proporcionados a través de un rastreador portátil asociado con el usuario. Un sistema puede utilizar esta información para calcular una puntuación de aptitud para el sueño, una puntuación de alteración de la respiración u otro valor similar. El sistema puede clasificar cada minuto dentro del período de tiempo como normal o atípico, por ejemplo, y puede proporcionar dicha información para presentarla al usuario. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Detección automatizada de alteraciones respiratorias
Referencia a solicitudes relacionadas
La presente solicitud reivindica prioridad frente a la solicitud de patente provisional de los Estados Unidos con n.° de serie 62/547.710, presentada el 18 de agosto de 2017 y titulada "Detección automática de alteraciones respiratorias" y la solicitud de patente no provisional de Estados Unidos (número de serie pendiente) presentada el 16 de agosto de 2018, titulada "Detección automatizada de alteraciones respiratorias",
Campo técnico
Esta divulgación se refiere al campo de los dispositivos portátiles y, en particular, a técnicas para detectar problemas relacionados con la respiración utilizando uno o más sensores de dichos dispositivos.
Antecedentes de la divulgación
Los dispositivos electrónicos portátiles han ganado popularidad entre los consumidores. Un dispositivo electrónico portátil puede rastrear las actividades de un usuario utilizando diversos sensores. Los datos capturados por estos sensores se pueden analizar para proporcionar al usuario información que pueda ayudarlo a mantener un estilo de vida saludable. Para determinar información sobre las actividades de un usuario, un dispositivo electrónico portátil convencional recopila datos de actividad y ejecuta cálculos sobre esos datos. Se encuentra dificultad para obtener determinaciones precisas de las actividades de un usuario, sin embargo, dado que estos dispositivos electrónicos portátiles, al estar hechos para ser llevados por un usuario, por lo general, están empaquetados en una carcasa compacta con espacio interno limitado. Este espacio limitado hace que los dispositivos contengan componentes menos potentes, tales como procesadores, de lo que sería posible en dispositivos electrónicos más grandes. Esto limita la capacidad de estos dispositivos para ejecutar cálculos complejos o realizar operaciones complejas. Además, los dispositivos electrónicos portátiles convencionales están sujetos a considerables movimientos imprevistos y ruidos, lo que puede impactar sobre la inclusión o uso de diversos componentes en estos dispositivos.
Los dispositivos electrónicos portátiles pueden rastrear métricas relacionadas con actividades particulares, tal como una métrica de recuento de pasos para actividades de correr y caminar. Otras métricas que pueden ser rastreadas por un dispositivo electrónico portátil incluyen métricas relacionadas con el sueño. Típicamente, para iniciar el seguimiento de las métricas del sueño, un dispositivo electrónico portátil proporciona una interfaz que permite al usuario proporcionar una indicación manual de que planea irse a dormir. Por ejemplo, el dispositivo electrónico portátil puede incluir un botón físico o digital que el usuario puede presionar o tocar para indicar que está a punto de irse a dormir. El momento de esta acción puede ser significativamente diferente al momento en que el usuario realmente duerme y no tiene en cuenta los períodos en los que el usuario está despierto a menos que el usuario indique manualmente que ahora está despierto
Por ejemplo, el documento EP2687154A1 desvela un sistema portátil de monitorización del sueño.
Breve compendio de la descripción
Los enfoques según diversas realizaciones proporcionan la monitorización de los datos respiratorios de un usuario. Dicha información puede obtenerse mediante un sistema o dispositivo de monitorización y puede usarse para determinar varios patrones, tendencias o aspectos de la respiración del usuario, que puede ser indicativo de alteraciones respiratorias u otras irregularidades de un usuario, tal como durante un período de sueño.
Dicho sistema puede incluir un rastreador de actividad portátil u otro dispositivo electrónico portátil, configurado para ser llevado en la muñeca u otra parte del cuerpo de un usuario. El dispositivo puede estar en comunicación con un dispositivo informático independiente, tal como un teléfono inteligente u otro dispositivo informático móvil, configurado para ejecutar una aplicación móvil para procesar o recopilar al menos una parte de los datos del usuario. El dispositivo informático y/o rastreador también puede estar en comunicación con al menos un servidor o sistema informático remoto en diversas realizaciones, tal como descargar al menos parte del procesamiento o almacenar persistentemente los datos del usuario o del resultado.
Un rastreador de actividad portátil en al menos una realización puede incluir: al menos un sensor fotopletismográfico (PPG) verde configurado para generar datos del primer PPG; al menos un sensor PPG rojo configurado para generar datos del segundo PPG; al menos un sensor PPG infrarrojo configurado para generar datos del tercer PPG; al menos un acelerómetro configurado para generar datos de aceleración útiles para determinar el movimiento; y al menos un procesador configurado para generar un conjunto de características basadas en los datos del primer PPG, los datos del segundo PPG, los datos del tercer PPG y los datos del acelerómetro. La aplicación móvil, cuando se ejecuta en el dispositivo móvil, puede configurar el dispositivo móvil para recibir el conjunto de características del rastreador de actividad portátil y transmitir de forma inalámbrica el conjunto de características a un servidor. El servidor puede estar en comunicación con el dispositivo móvil y además configurado para: recibir el conjunto de características del dispositivo móvil; determinar, basado en un primer subconjunto del conjunto de características relacionadas con los datos del acelerómetro, un período de sueño durante el cual el usuario del rastreador de actividad portátil estaba dormido; para cada minuto respectivo de una pluralidad de minutos dentro del período de sueño, clasificar el minuto respectivo como uno de (i) un minuto normal o (ii) un minuto con alteración respiratoria, según un segundo subconjunto del conjunto de características correspondientes a los datos del primero, segundo y tercer PPG generados durante el minuto respectivo y los datos correspondientes a un período de tiempo fuera del período de sueño; generar una puntuación de alteración respiratoria (u otra puntuación relacionada con la respiración tal como una puntuación de idoneidad para el sueño) para el período de sueño basándose en la clasificación de la pluralidad de minutos dentro del período de sueño; y actualizar una puntuación de referencia de alteración respiratoria asociada con una categoría de usuario correspondiente al usuario en función de la puntuación de alteración respiratoria generada. La aplicación móvil puede configurar además el dispositivo móvil para recibir la(s) puntuación(s) determinada(s) desde el servidor y hacer que la(s) puntuación(s) se muestre(n) en una pantalla de visualización del dispositivo móvil o de otro modo se haga disponible para un usuario respectivo, junto con la respiración de referencia actualizada, la idoneidad para el sueño u otra puntuación similar asociada con la categoría de usuario.
Un sistema de este tipo puede tener cualquier subcombinación de los sensores de dispositivos mencionados anteriormente y otros. En algunas realizaciones, al menos un subconjunto de los sensores PPG verde, rojo y/o infrarrojo, así como el(los) acelerómetro(s), están ubicados en el mismo lado de la muñeca del usuario cuando el rastreador de actividad portátil se usa en la muñeca del usuario. El sistema puede incluir un sensor, tal como un sensor de cama, que está configurado para generar datos de respiración indicativos de la frecuencia respiratoria del usuario (adicional o alternativamente, la frecuencia cardíaca e intervalo entre latidos), en donde el servidor puede configurarse además para clasificar cada minuto respectivo en función de los datos de respiración. El servidor se puede configurar para mantener puntuaciones de alteraciones respiratorias pasadas para una pluralidad de usuarios, cada uno de ellos asociado con sus respectivos rastreadores de la actividad portátiles, que se puede utilizar con fines de comparación en al menos algunas realizaciones y donde dicho uso de los datos está permitido. Al menos un procesador del rastreador de actividad portátil también puede configurarse para determinar cuándo los datos del acelerómetro indican al menos un nivel umbral de movimiento durante un período de tiempo umbral, y para desactivar al menos parte del al menos un sensor PPG verde, el al menos un sensor PPG rojo, el al menos un sensor PPG infrarrojo.
Los enfoques según diversas realizaciones pueden facilitar la monitorización de las alteraciones respiratorias de un usuario de un dispositivo portátil. Un enfoque de ejemplo puede incluir recibir datos de sensores generados por uno o más sensores del dispositivo portátil usado por el usuario, el uno o más sensores que comprenden al menos un acelerómetro, comprendiendo los datos del sensor datos del acelerómetro indicativos del movimiento del usuario. Según al menos en parte en los datos del acelerómetro, se puede determinar un período de sueño que corresponde a una porción de los datos del acelerómetro indicativos de movimiento que es consistente con el sueño del usuario. Para cada ventana temporal respectiva de una pluralidad de ventanas temporales dentro del período de sueño, la ventana temporal respectiva se puede clasificar, tal como, por ejemplo, para uno de (i) alteración respiratoria o (ii) respiración no alterada (o regular), según los datos del sensor generados durante la ventana temporal respectiva y los datos correspondientes a un período de tiempo fuera del período de sueño. Una puntuación de alteración respiratoria, la puntuación de idoneidad para el sueño, u otro valor similar, se puede determinar basándose en la clasificación de la pluralidad de ventanas temporales, enviando con la(s) puntuación(es) para su presentación al usuario.
Los enfoques de acuerdo con diversas realizaciones pueden tener cualquier subcombinación de las siguientes características: cuando el método incluye además provocar que la puntuación de alteración respiratoria del usuario se represente en una pantalla de visualización de un dispositivo móvil emparejado de forma inalámbrica con el dispositivo portátil junto con un puntuación de perturbación de referencia correspondiente al usuario; donde el método incluye además determinar un porcentaje de ventanas temporales clasificadas como con alteración respiratoria de la pluralidad de ventanas temporales, y seleccionar la puntuación de alteración respiratoria de una pluralidad de puntuaciones de alteración respiratoria en función del porcentaje; donde el método incluye además recibir datos de sensores adicionales generados por al menos uno de uno o más sensores del dispositivo portátil, en donde los datos adicionales del sensor se generan durante un segundo período fuera del período de sueño, determinar una métrica fisiológica de referencia asociada con el usuario según los datos del sensor adicional, y clasificar cada ventana temporal respectiva además en base a la métrica fisiológica de referencia asociada con el usuario; donde el método incluye además determinar, según los datos del sensor, que el período de sueño está asociado con un movimiento menor que un nivel umbral y que un segundo período fuera del período de sueño está asociado con un movimiento mayor que el nivel umbral, y clasificar una o más ventanas temporales dentro del sueño sin clasificar ninguna ventana temporal dentro del segundo período fuera del período de sueño; donde el método incluye además hacer que una indicación de cómo se clasifica cada ventana temporal dentro del período de sueño se muestre en una interfaz de usuario de manera que la interfaz de usuario no incluya una indicación de cómo se clasifican una o más ventanas temporales dentro del segundo período; donde el método incluye además generar la puntuación de alteración respiratoria basándose en una determinación de que el período de sueño es más largo que una cantidad de tiempo umbral; donde el método incluye además determinar los datos de la frecuencia respiratoria para el período de sueño según los datos del sensor, y clasificar una primera ventana temporal de la pluralidad de ventanas temporales como alteración respiratoria basándose en una determinación de que una parte de los datos de la frecuencia respiratoria correspondientes a la primera la ventana temporal incluye un patrón de valores bajos seguido de un aumento en el valor; donde los datos del sensor incluyen datos del primer sensor generados por al menos un sensor PPG rojo y datos del segundo sensor generados por al menos un sensor PPG verde, el método incluye además aumentar un primer peso asignado a los datos del primer sensor basándose en una determinación de que los datos del segundo sensor no han cambiado más que una cantidad umbral durante un período de tiempo umbral; donde los datos del sensor incluyen datos del primer sensor generados por uno o más sensores PPG y datos del segundo sensor generados por uno o más sensores de movimiento, el método incluye además clasificar cada ventana temporal respectiva basándose tanto en los datos del primer sensor como en los datos del segundo sensor; y donde los datos del sensor incluyen datos del primer sensor generados por un sensor PPG rojo y datos del segundo sensor generados por un sensor PPG infrarrojo, incluyendo además el método extraer un componente de baja frecuencia de los datos del primer sensor y un componente de baja frecuencia de los datos del segundo sensor, determinar los datos del sensor procesados basándose en dividir el componente de baja frecuencia de los datos del primer sensor por el componente de baja frecuencia de los datos del segundo sensor, y clasificar al menos una de la pluralidad de ventanas temporales basándose en los datos del sensor procesados.
Un aspecto de la divulgación proporciona instrucciones para almacenar almacenamiento informático físico no transitorio. Las instrucciones pueden, cuando son ejecutadas por uno o más procesadores, configurar uno o más procesadores para: recibir datos de sensores generados por uno o más sensores de un dispositivo portátil usado por un usuario, el uno o más sensores que comprenden al menos un acelerómetro, comprendiendo los datos del sensor datos del acelerómetro indicativos del movimiento del usuario; determinar, según los datos del acelerómetro, un período de sueño correspondiente a una porción de los datos del acelerómetro indicativos de movimiento que es consistente con el sueño del usuario; para cada ventana temporal respectiva de una pluralidad de ventanas temporales dentro del período de sueño, clasificar la ventana temporal respectiva como una de (i) alteración respiratoria o (ii) no alteración respiratoria, según los datos del sensor generados durante la ventana temporal respectiva y los datos correspondientes a un período de tiempo fuera del período de sueño; determinar una puntuación de alteración respiratoria basándose en la clasificación de la pluralidad de ventanas temporales; y generar la puntuación de alteración respiratoria para presentarla al usuario.
Tal almacenamiento informático físico no transitorio de acuerdo con diversas realizaciones puede tener cualquier subcombinación de las siguientes características: donde las instrucciones, cuando son ejecutadas por el al menos un procesador, configuran además al menos un procesador para clasificar cada ventana temporal respectiva basándose además en una determinación de que una parte de los datos del acelerómetro correspondientes a la ventana temporal respectiva es indicativa de movimiento inferior a un nivel umbral; donde las instrucciones, cuando son ejecutadas por el al menos un procesador, configuran además al menos un procesador para transmitir de forma inalámbrica la puntuación de alteraciones respiratorias a un servicio en la nube para su almacenamiento en asociación con el usuario; y donde las instrucciones, cuando son ejecutadas por el al menos un procesador, configuran además el al menos un procesador para recibir una pluralidad de puntuaciones de alteraciones respiratorias pasadas asociadas con el usuario desde el servicio en la nube, y para representar un historial de puntuaciones de alteraciones respiratorias en una pantalla de visualización de un dispositivo móvil emparejado de forma inalámbrica con el dispositivo portátil basado en la pluralidad de puntuaciones de alteraciones respiratorias pasadas recibidas del servicio en la nube.
Breve descripción de los dibujos
Las realizaciones descritas en el presente documento se ilustran a modo de ejemplo, y no a modo de limitación, en las figuras de los dibujos adjuntos en los que referencias similares indican elementos similares.
La figura 1A es un diagrama de bloques que ilustra ciertos componentes de un dispositivo portátil de ejemplo de acuerdo con aspectos de esta divulgación.
La figura 1B es un diagrama de bloques que ilustra sensores de ejemplo que pueden estar en comunicación con un procesador de un dispositivo portátil de acuerdo con aspectos de esta divulgación.
La figura 1C es un diagrama de bloques de ejemplo de un sistema usado para determinar una frecuencia cardíaca de acuerdo con aspectos de esta divulgación.
La figura 2 ilustra una descripción general de un sistema para monitorizar alteraciones respiratorias de acuerdo con aspectos de esta divulgación.
La figura 3 ilustra una descripción general del procesamiento de señales realizado por el sistema de la figura 2 de acuerdo con aspectos de esta divulgación.
La figura 4 ilustra una curva característica operativa del receptor (ROC) de un sistema de acuerdo con aspectos de esta divulgación.
La figura 5 ilustra un método de ejemplo para monitorizar alteraciones respiratorias de acuerdo con aspectos de esta divulgación.
La figura 6 ilustra otro método de ejemplo para monitorizar alteraciones respiratorias de acuerdo con aspectos de esta divulgación.
La figura 7 ilustra un método de ejemplo para determinar una puntuación de idoneidad física de acuerdo con aspectos de esta divulgación.
Descripción detallada
Los enfoques de acuerdo con diversas realizaciones pueden obtener y analizar información relacionada con la salud para un usuario que usa, o utiliza de otro modo, un dispositivo tal como un dispositivo de seguimiento portátil. Un dispositivo de seguimiento en algunas realizaciones puede incluir uno o más sensores para rastrear una actividad realizada por un usuario de un dispositivo portátil. Algunos ejemplos de dispositivos portátiles pueden denominarse rastreadores de actividad portátiles o dispositivos de seguimiento de actividad portátiles. Se han desarrollado varios algoritmos o técnicas para rastrear actividades y estos algoritmos pueden especializarse según el tipo de actividad realizada por el usuario. Por ejemplo, el usuario puede usar el dispositivo portátil todo el día y para cada actividad realizada por el usuario durante el día y la noche, un algoritmo especializado puede generar y presentar métricas de actividad relevantes al usuario. Por ejemplo, el dispositivo portátil puede recopilar datos de sensores de uno o más sensores proporcionados en el dispositivo portátil mientras el usuario duerme y generar y presentar información tal como una puntuación de sueño indicativa de lo bien que duerme el usuario cada noche.
La figura 1A es un diagrama de bloques que ilustra un dispositivo portátil de ejemplo de acuerdo con aspectos de esta divulgación. El dispositivo portátil 100 puede incluir un procesador 120 (que puede ser un conjunto de procesadores), una memoria 130, un transceptor inalámbrico 140 y uno o más sensores 160. El dispositivo portátil 100 también puede incluir opcionalmente una interfaz de usuario 110 y uno o más sensores ambientales 150. El transceptor inalámbrico 140 puede configurarse para comunicarse de forma inalámbrica con un dispositivo cliente 170 y/o servidor 175, por ejemplo, ya sea directamente o cuando esté dentro del alcance de un punto de acceso inalámbrico (no ilustrado) (por ejemplo, a través de una red de área personal (PAN), tal como emparejamiento por Bluetooth, a través de una red de área local inalámbrica (WLAN), una red de área amplia (WAN), etc.). Cada una de la 130 memoria, el transceptor inalámbrico 140, el uno o más sensores 160, la interfaz de usuario 110 y/o uno o más sensores ambientales 150 pueden estar en comunicación eléctrica con el procesador 120. El dispositivo cliente 170 puede ser un teléfono inteligente, una tableta u otro dispositivo móvil que ejecute software (por ejemplo, una aplicación móvil) configurada para realizar una o más técnicas descritas en el presente documento. El servidor 175 puede implementarse usando uno o más dispositivos informáticos que ejecutan software configurado para realizar una o más técnicas descritas en el presente documento. Las técnicas descritas en el presente documento pueden realizarse mediante el dispositivo portátil 100, el dispositivo cliente 170 y el servidor 175 de manera distribuida. El dispositivo portátil 100 (también denominado en el presente rastreador de actividad portátil) puede ser cualquiera de un reloj inteligente, un reloj, un dispositivo de seguimiento de idoneidad, salud o actividad portátil de muñeca, y similares, aunque los conceptos descritos en el presente documento pueden implementarse en cualquier tipo de dispositivo portátil o portátil, incluidos uno o más sensores.
La memoria 130 puede almacenar instrucciones para hacer que el procesador 120 realice ciertas acciones. En algunas realizaciones, los sensores 160 pueden incluir uno o más sensores biométricos, sensores ópticos (por ejemplo, un sensor fotopletismográfico (PPG), sensores de movimiento o sensores inerciales (por ejemplo, acelerómetro, giroscopio, brújula digital, etc.), sensores barométricos (por ejemplo, altímetro, etc.), sensores de geolocalización (por ejemplo, receptor GPS) y/u otros sensores. Más información sobre dichos sensores se describe con más detalle a continuación (por ejemplo, en relación con la figura 1B).
El dispositivo portátil 100 puede recopilar uno o más tipos de datos fisiológicos y/o ambientales de uno o más sensores 160, el uno o más sensores ambientales 150 y/o dispositivos externos y comunicar o transmitir dicha información a otros dispositivos (por ejemplo, el dispositivo cliente 170 y/o el servidor 175), permitiendo así visualizar los datos recopilados, por ejemplo, utilizando un navegador web o una aplicación basada en red, tal como para una cuenta individual o una cuenta compartida, o compartido a través de redes sociales cuando el usuario lo permita o apruebe. Como se usa en el presente documento, el término "recopilar", además de tener su significado ordinario, puede usarse indistintamente con "determinar", "extraer", "calcular", "generar", etc. para hacer referencia a las etapas realizadas para llegar a los datos deseados (por ejemplo, métricas de alteración respiratoria). Por ejemplo, mientras lo usa el usuario, el dispositivo portátil 100 puede realizar un seguimiento biométrico calculando y almacenando el recuento de pasos del usuario utilizando uno o más sensores 160. El dispositivo portátil 100 puede transmitir datos representativos del recuento de pasos del usuario a una cuenta en un servicio web (por ejemplo, fitbit.com), ordenador, teléfono móvil y/o estación de salud donde los datos puedan ser almacenados, procesados y/o visualizados por el usuario. El dispositivo portátil 100 puede medir o calcular otras métricas fisiológicas además de, o en lugar de, el recuento de pasos del usuario. Dichas métricas fisiológicas pueden incluir, aunque sin limitaciones: gasto de energía, por ejemplo, quema de calorías; pisos subidos y/o bajados; frecuencia cardíaca; forma de onda del latido del corazón; variabilidad de la frecuencia cardíaca; recuperación de la frecuencia cardíaca; respiración, saturación de oxígeno (SpO2), volumen sanguíneo, glucosa en sangre, nivel de humedad y pigmentación de la piel, ubicación y/o rumbo (por ejemplo, a través de un GPS, sistema global de navegación por satélite (GLONASS), o un sistema similar); elevación; velocidad de deambulación y/o distancia recorrida; presión arterial; glucosa en sangre; conductividad de la piel; temperatura de la piel y/o del cuerpo; estado muscular medido mediante electromiografía; actividad cerebral medida por electroencefalografía; peso; grasa corporal; ingesta calórica; ingesta nutricional de los alimentos; ingesta de medicamentos; períodos de sueño (por ejemplo, hora, fases del sueño, calidad y/o duración del sueño); niveles de pH; niveles de hidratación; frecuencia respiratoria; y/u otras métricas fisiológicas.
El dispositivo portátil 100 también puede medir o calcular métricas relacionadas con el entorno que rodea al usuario (por ejemplo, con el uno o más sensores ambientales 150), tales como, por ejemplo, presión barométrica, condiciones climáticas (por ejemplo, temperatura, humedad, nivel de polen, calidad del aire, condiciones de lluvia/nieve, velocidad del viento), exposición a la luz (por ejemplo, la luz ambiental, exposición a la luz ultravioleta (UV), tiempo y/o duración de permanencia en la oscuridad), exposición al ruido, exposición a la radiación y/o campos magnéticos. Asimismo, el dispositivo portátil 100 (y/o el dispositivo cliente 170 y/o el servidor 175) pueden recopilar datos de los sensores 160 y/o los sensores ambientales 150 y pueden calcular métricas derivadas de dichos datos. Por ejemplo, el dispositivo portátil 100 (y/o el dispositivo cliente 170 y/o el servidor 175) pueden calcular los niveles de estrés o relajación del usuario basándose en una combinación de variabilidad de la frecuencia cardíaca, conductividad de la piel, contaminación acústica y/o calidad del sueño. En otro ejemplo, el dispositivo portátil 100 (y/o el dispositivo cliente 170 y/o el servidor 175) puede determinar la eficacia de una intervención médica, por ejemplo, medicamentos, basándose en una combinación de datos relacionados con la ingesta de medicamentos, el sueño y/o la actividad. En otro ejemplo más, el dispositivo portátil 100 (y/o el dispositivo cliente 170 y/o el servidor 22) puede determinar la eficacia de un medicamento para la alergia basándose en una combinación de datos relacionados con los niveles de polen, la ingesta de medicamentos, el sueño y/o la actividad. Estos ejemplos se proporcionan únicamente con fines ilustrativos y no se pretende que sean limitantes ni exhaustivos.
La figura 1B es un diagrama de bloques que ilustra una serie de sensores de ejemplo que pueden incluirse en el dispositivo portátil 100 de acuerdo con aspectos de esta divulgación. Por ejemplo, en la realización de la figura 1B, el dispositivo portátil 100 incluye un acelerómetro 161 (por ejemplo, un acelerómetro multieje), un giroscopio 162, un magnetómetro 163, un altímetro 164, un receptor GPS 165, un sensor PPG verde 166, un sensor PPG rojo 167, un sensor PPG infrarrojo (IR) 168 y uno o más sensores 167 (incluidos, entre otros, por ejemplo, un sensor de temperatura, un sensor de luz ambiental, un sensor de respuesta galvánica de la piel (GSR), un sensor capacitivo, un sensor de humedad, un sensor de sonido, un detector de fuerza, un acelerómetro multieje, un sensor de gravedad, un sensor de película piezoeléctrico, un sensor de vector de rotación, etc.), todo lo cual puede estar en comunicación con el procesador 120. Cada uno de los sensores ilustrados en la figura 1B puede estar en comunicación eléctrica con el procesador 120. El procesador 120 puede usar la entrada recibida desde cualquier combinación de sensores para detectar el inicio de un ejercicio y/o para rastrear las métricas del ejercicio. Uno o más de los sensores descritos en el presente documento pueden no estar dentro del dispositivo portátil 100. Por ejemplo, estos sensores pueden colocarse en el pecho del usuario, el colchón o mesilla de noche del usuario, mientras el usuario lleva puesto el dispositivo portátil 100.
Aunque el ejemplo de la figura 1B ilustra los sensores 161-169, en otras realizaciones, el dispositivo portátil 100 puede incluir un número menor de sensores y/o cualquier otro subconjunto y combinación de sensores (por ejemplo, sólo el acelerómetro 161, una combinación del acelerómetro 161, sensor<p>P<g>rojo 167 y PPG IR 168, una combinación del acelerómetro 161 y el sensor PPG verde 166, etc.). El dispositivo portátil 100 también puede incluir uno o más sensores adicionales no ilustrados en la figura 1B.
Además, en algunas implementaciones, el receptor GPS 165 puede estar ubicado en el dispositivo cliente 170 en lugar del dispositivo portátil 100. En estas implementaciones, el procesador 120 puede comunicarse de forma inalámbrica con el dispositivo cliente 170 para controlar y/o recibir datos de geolocalización desde el receptor GPS 165 y/u otros sensores de geolocalización.
En aspectos relacionados, el procesador 120 y otros componentes del dispositivo portátil 100 (por ejemplo, mostrados en las Figuras 1A y 1B) se pueden implementar usando cualquiera de diversos circuitos adecuados, tal como uno o más microprocesadores, circuitos integrados específicos de aplicaciones (ASIC), matrices de puertas programables en campo (FPGA), lógica discreta, software, hardware, firmware o cualquier combinación de los mismos. Cuando las técnicas se implementan parcialmente en software, un dispositivo puede almacenar instrucciones para el software en un medio no transitorio legible por ordenador adecuado y ejecutar las instrucciones en el hardware usando uno o más procesadores para realizar las técnicas de la presente divulgación. En otros aspectos relacionados, el procesador 120 y otros componentes del dispositivo portátil 100 pueden implementarse como un sistema en chip (SoC) que puede incluir uno o más núcleos de unidad central de procesamiento (CPU) que utilizan uno o más cálculos de conjunto de instrucciones reducidos ( RISC), un receptor GPS 165, un circuito de radio de red de área amplia inalámbrica (WWAN), un circuito de radio WLAN y/u otro software y hardware para soportar el dispositivo portátil 100.
La figura 1C es un diagrama de bloques de ejemplo de un sistema usado para determinar una frecuencia cardíaca de acuerdo con aspectos de esta divulgación. Como se muestra en la figura 1C, el dispositivo portátil 100 puede incluir un sistema 190 de componentes de circuito para determinar la frecuencia cardíaca del usuario basándose en una señal óptica de PPG (por ejemplo, recibida del sensor PPG verde 166 de la figura 1B) y una señal de movimiento o firma (por ejemplo, recibida del acelerómetro 161 de la figura 1B). Como se usa en el presente documento, una firma de movimiento puede hacer referencia a cualquier firma o señal biométrica que pueda recibirse y/o basarse en datos de salida de uno o más sensores, tales como, por ejemplo, sensor(es) inercial(es) (por ejemplo, acelerómetro(s) y giroscopio(s)), sensores barométricos (por ejemplo, altímetro(s)), que puede ser indicativo de la actividad y/o estado fisiológico de un usuario del dispositivo portátil 100. El sistema 190 puede implementarse mediante componentes de hardware y/o en software ejecutado por el procesador 120. El sistema 190 puede incluir estimadores de espectros primero y segundo 191 y 192, un rastreador de múltiples espectros 193, un identificador de actividad o discriminador 194, y un selector de pista 195. Cada uno de los estimadores de espectro primero y segundo 191 y 192 puede incluir un bloque de Transformada Rápida de Fourier (FFT) y un bloque de extracción de picos. En el ejemplo de la figura 1C, el identificador de actividad 194 puede usar los picos extraídos de la firma de movimiento para determinar la actividad que está realizando el usuario (por ejemplo, sedentario, caminando, corriendo, durmiendo, acostado, sentado, montando en bicicleta, mecanografiando, ejercitando en la elíptica, entrenando con pesas, nadando, etc.). Esta determinación de la actividad actual del usuario puede ser utilizada por el rastreador 193 de múltiples espectros y el selector 195 de pista para extraer la frecuencia cardíaca de la señal óptica PPG. Por lo tanto, la firma de movimiento en la figura 1C puede ser utilizada por el sistema 190 para determinar la actividad actual del usuario. En otras realizaciones, el procesador 120 puede usar una técnica similar al identificador de actividad 194 para determinar el tipo de ejercicio, como se analiza con mayor detalle a continuación.
Los bloques ilustrados en la figura 1C son simplemente ejemplos de componentes y/o módulos de procesamiento que pueden realizarse para complementar una señal PPG con una firma de movimiento para determinar la frecuencia cardíaca. Sin embargo, en otras implementaciones, el sistema 190 puede incluir otros bloques o puede incluir entradas de otros sensores biométricos del dispositivo portátil 100.
En ciertas condiciones de funcionamiento, la frecuencia cardíaca del usuario puede medirse contando el número de picos de señal dentro de una ventana de tiempo o utilizando la frecuencia fundamental o el segundo armónico de la señal (por ejemplo, a través de una FFT). En otros casos, tal como los datos de frecuencia cardíaca adquiridos mientras el usuario está en movimiento, se pueden realizar FFT en la señal y extraer los picos espectrales, que luego pueden ser procesados posteriormente por un rastreador de múltiples objetivos que inicia, continúa, fusiona y/o elimina pistas de los espectros.
En algunas realizaciones, se puede realizar un conjunto similar de operaciones en la firma de movimiento y la salida se puede usar para realizar una discriminación de actividad que se puede usar para ayudar al rastreador 193 de múltiples espectros. Por ejemplo, se puede determinar que el usuario estaba parado y ha comenzado a moverse. Esta información puede ser utilizada por el rastreador de múltiples espectros 193 para desviar la continuación de la pista hacia frecuencias crecientes. De forma similar, el identificador de actividad 194 puede determinar que el usuario ha dejado de correr o está corriendo más lento y esta información puede usarse para desviar preferentemente la continuación de la pista hacia frecuencias decrecientes.
El seguimiento puede realizarse mediante el rastreador de múltiples espectros 193 con escaneo único o escaneo múltiple, topologías de rastreadores de múltiples objetivos, tales como rastreadores conjuntos de asociación de datos probabilísticos, seguimiento de múltiples hipótesis, vecino más cercano, etc. La estimación y predicción en el rastreador se pueden realizar a través de filtros de Kalman, regresión spline, filtros de partículas, interacción de múltiples filtros de modelo, etc.
El selector de pistas 195 puede usar las pistas de salida del rastreador de múltiples espectros 193 y estimar la frecuencia cardíaca del usuario basándose en las pistas de salida. El selector de pistas 195 puede estimar una probabilidad para cada una de las pistas de que la pista correspondiente sea representativa del ritmo cardíaco del usuario. La estimación podrá tomarse como el recorrido que tenga la máxima probabilidad de ser representativo de la frecuencia cardíaca del usuario, una suma de las pistas ponderadas respectivamente por sus probabilidades de ser representativas de la frecuencia cardíaca del usuario, etc. El identificador de actividad 194 puede determinar una actividad actual que está realizando el usuario que puede ser utilizada por el selector de pista 195 para estimar la frecuencia cardíaca del usuario. Por ejemplo, cuando el usuario está durmiendo, sentado, acostado o sedentario, la frecuencia cardíaca estimada del usuario puede estar sesgada hacia frecuencias cardíacas en el intervalo de 40 80 lpm. Cuando el usuario está corriendo, trotando o haciendo otro ejercicio enérgico, la frecuencia cardíaca estimada del usuario puede estar sesgada hacia frecuencias cardíacas elevadas en el intervalo de 90-180 lpm. El identificador de actividad 194 puede determinar la actividad actual del usuario (por ejemplo, un ejercicio actual) basado al menos en parte en la velocidad del usuario. La frecuencia cardíaca estimada del usuario puede desplazarse hacia (u obtenerse en su totalidad mediante) la frecuencia fundamental de la pista de salida seleccionada cuando el usuario no se está moviendo. La pista de salida que corresponde a la frecuencia cardíaca del usuario puede ser seleccionada por el selector de pistas 195 basándose en criterios que son indicativos de cambios en la actividad. Por ejemplo, cuando el usuario comienza a caminar cuando está parado, el selector de pistas 195 puede seleccionar la pista de salida que ilustra un cambio hacia una frecuencia más alta basándose en la salida recibida del discriminador de actividad 194.
Aunque algunas realizaciones de la presente divulgación se describen con respecto a la frecuencia cardíaca, las técnicas descritas en el presente documento pueden extenderse a otras métricas. Por ejemplo, los datos del sensor generados por uno o más sensores descritos en el presente documento se pueden usar para determinar la respiración, la SpO2, el volumen sanguíneo, la glucosa en sangre, la humedad de la piel y el nivel de pigmentación de la piel y, por ejemplo, utilizar dichas métricas para la detección/identificación de actividades.
El(los) sensor(es) de movimiento del dispositivo portátil 100 (por ejemplo, un acelerómetro multieje 161, un giroscopio 162 u otro sensor de movimiento) puede generar muestras de datos de movimiento que representan el movimiento durante una pluralidad de intervalos de tiempo (por ejemplo, el sensor de movimiento está dentro del dispositivo portátil 100 y los datos de movimiento representan el movimiento del dispositivo portátil 100). El sensor de movimiento puede generar varias muestras de datos de movimiento durante un intervalo de tiempo. El número de muestras generadas en un intervalo de tiempo puede depender de la frecuencia de muestreo del sensor de movimiento y de la duración del intervalo. En el caso de que el sensor de movimiento sea un acelerómetro, las muestras de datos de movimiento pueden caracterizar una medición de aceleración a lo largo de un eje de movimiento. En algunos casos, una muestra de datos de movimiento puede ser un valor de datos que consume una determinada cantidad de almacenamiento (por ejemplo, 64 bits, 32 bits, 16 bits, etc.). La cantidad de almacenamiento consumida por una muestra puede depender de la implementación del sensor de movimiento usado en la realización y de la interfaz de comunicación usada para transferir las muestras desde el sensor de movimiento a la memoria accesible por el microprocesador del dispositivo portátil.
El dispositivo portátil 100 puede comprender uno o más sensores ópticos o electroópticos, tales como, por ejemplo, uno o más sensores PPG. El(los) sensor(es) PPG del dispositivo portátil 100 (por ejemplo, sensor PPG verde 166, sensor PPG rojo 167, sensor PPG IR 168, etc.) pueden generar datos PPG utilizables para calcular la frecuencia cardíaca, la variabilidad de la frecuencia cardíaca, la frecuencia respiratoria y/o la saturación de oxígeno, entre otras cosas. Los datos de PPG se pueden utilizar para calcular la frecuencia cardíaca de un usuario midiendo el tiempo entre picos o calculando una frecuencia dominante en la señal óptica. Para la mayoría de los usuarios, la frecuencia cardíaca cae poco después del inicio del sueño y continúa disminuyendo durante el sueño hasta temprano por la mañana. La frecuencia cardíaca aumenta cuando los usuarios se despiertan o durante breves alteraciones durante el sueño. Medir la frecuencia cardíaca permite que el sistema identifique mejor los períodos de sueño. Además, la frecuencia cardíaca es un buen indicador para separar los períodos de sueño de los períodos de estar quieto, lo que podría confundir a un sensor de movimiento como un acelerómetro. Algunos usuarios no ven esta caída característica en la frecuencia cardíaca durante el sueño. Estos usuarios pueden identificarse después de usar el dispositivo electrónico portátil durante unos días y se puede utilizar un algoritmo diferente con dichos usuarios.
La diferencia entre la frecuencia cardíaca de un usuario y su frecuencia cardíaca promedio en reposo se puede utilizar como una medida personalizada de qué tan bajo ha disminuido su frecuencia cardíaca. Los datos de PPG también se pueden utilizar para calcular la frecuencia respiratoria del usuario. La frecuencia respiratoria a menudo muestra cambios distintos con el sueño y puede usarse como una característica para identificar los períodos de sueño. La respiración se puede calcular mediante varias técnicas: (i) medir las variabilidades en los intervalos entre picos entre los latidos del corazón, (ii) medir las variabilidades lentas (0,1-0,5 Hz) en la línea base de la señal PPG, y/o (iii) medir señales periódicas lentas (0,1-0,5 Hz) en la señal de aceleración.
En una realización, se calculan los datos que representan la frecuencia cardíaca, la variabilidad de la frecuencia cardíaca, la frecuencia respiratoria y/o la saturación de oxígeno del usuario del dispositivo portátil 100 y los datos resultantes son una entrada adicional para clasificar los períodos temporales o generar la puntuación de alteración respiratoria, según realizaciones de la presente divulgación.
En diversas realizaciones, los sensores PPG descritos en el presente documento pueden incluir una o más fuentes de luz semiconductoras electrónicas, tales como LED u otras fuentes de luz que producen luz utilizando cualquiera de filamentos, fósforos o láser. En algunas implementaciones, cada fuente de luz del dispositivo portátil 100 emite luz que tiene la misma longitud de onda central o dentro del mismo rango de longitud de onda. En otros casos, al menos una fuente de luz puede emitir luz que tiene una longitud de onda central que es diferente de otra fuente de luz. Las longitudes de onda centrales de la luz emitida por una o más fuentes de luz pueden estar en el intervalo de 495 nm a 570 nm. Por ejemplo, una fuente de luz verde particular puede emitir luz con una longitud de onda central de 525 nm (o aproximadamente 525 nm). En otras realizaciones, una o más fuentes de luz pueden emitir luz roja (por ejemplo, 660 nm o aproximadamente 660 nm de longitud de onda central) y una o más fuentes de luz pueden emitir luz IR (por ejemplo, 940 nm o aproximadamente 940 nm de longitud de onda central). En algunas realizaciones, se proporciona control independiente de todas las fuentes de luz. En otras realizaciones, varias fuentes de luz se controlan juntas como un grupo o banco.
Los sensores PPG descritos en el presente documento pueden incluir uno o más detectores de luz adaptados para detectar longitudes de onda de luz emitidas por fuentes de luz, incluidos aquellos reflejados o pasados a través de elementos que pueden afectar a las longitudes de onda u otros aspectos de la luz. Uno o más sensores PPG descritos en el presente documento pueden incluir una única fuente de luz y un único detector de luz. Como alternativa, otros sensores PPG descritos en el presente documento pueden incluir múltiples fuentes de luz y/o múltiples detectores de luz. Un detector de luz, en una realización, puede comprender uno o más detectores para detectar cada longitud de onda de luz diferente que utilizan las fuentes de luz. Por ejemplo, un primer detector puede configurarse para detectar luz con una longitud de onda de 660 nm (o aproximadamente 660 nm), se puede configurar un segundo detector para detectar luz con una longitud de onda de 940 nm (o aproximadamente 940 nm), y se puede configurar un tercer detector para detectar luz con una longitud de onda de 525 nm (o aproximadamente 525 nm). Los ejemplos incluyen fotodiodos fabricados con materiales semiconductores y que tienen filtros ópticos que admiten solo luz de una longitud de onda o rango de longitudes de onda particular. Los detectores de luz pueden comprender cualquiera de un fotodiodo, fototransistor, dispositivo de carga acoplada (CCD), detector de termopila o sensor semiconductor complementario de óxido metálico (CMOS). Uno o más de los detectores de luz pueden comprender un circuito de filtro de paso de banda.
Los trastornos respiratorios y/o del sueño pueden ser prevalentes en la población general. Por ejemplo, la apnea del sueño puede afectar al 3-7 % de los adultos. A pesar de su prevalencia, hasta el 80 % de los casos moderados y graves pueden no diagnosticarse. La apnea del sueño no diagnosticada es un factor de riesgo en otras diversas afecciones, incluida la enfermedad de las arterias coronarias y la diabetes tipo II. El diagnóstico de la apnea del sueño requiere el equipamiento de un laboratorio del sueño, que puede ser costoso, consume mucho tiempo y perturba el sueño natural debido a numerosos sensores montados en el cuerpo, que forman parte de las pruebas. Además, la gravedad de la apnea puede variar de una noche a otra y una caracterización completa de la gravedad de la apnea del sueño puede requerir observaciones durante varias noches, que no son adecuadas para los laboratorios del sueño. Un sistema cómodo de seguimiento continuo del sueño permitiría a la población general detectar el riesgo de apnea del sueño en sus propios hogares sin alterar el sueño natural. Un sistema de este tipo también permitiría a los usuarios realizar un seguimiento de la gravedad de la apnea a lo largo del tiempo y determinar cuál, si la hubiera, elección de estilo de vida contribuye a las alteraciones respiratorias durante el sueño, por ejemplo, obesidad.
La interrupción de la respiración normal durante el sueño (o cuando el usuario está despierto) se puede detectar de múltiples maneras utilizando una variedad de combinaciones de sensores. En algunas realizaciones, la apnea del sueño u otras afecciones del sueño/respiración se pueden detectar basándose en la presencia de cualquier combinación de los siguientes indicadores: (i) reducción de la oxigenación de la sangre mediante pulsioximetría (por ejemplo, como parte de un sistema PPG que utiliza datos de PPG); (ii) alteración de los patrones de respiración audibles normales medidos por un sensor de audio; (iii) cambio en la frecuencia respiratoria medida utilizando el sistema PPG; (iv) cambio en la respiración usando un medidor de tensión (por ejemplo, que se lleva alrededor del pecho); (v) cambio en la respiración usando un acelerómetro (que mide las aceleraciones periódicas de la respiración); (vi) cambio en la respiración usando una cámara de vídeo que observa directa o indirectamente la respiración; y/o (vii) cambio en la respiración usando un sensor de CO2 que detecta cambios en el dióxido de carbono expulsado.
Una combinación de sensores no invasivos junto con algoritmos de aprendizaje automático puede proporcionar información relevante para el diagnóstico. Se llevará un dispositivo en la muñeca, que puede detectar el flujo sanguíneo usando múltiples longitudes de onda ópticas (rojo, infrarrojo y verde), así como la aceleración debida al movimiento. El sensor óptico verde permite monitorizar la variabilidad de la frecuencia cardíaca y varias medidas de variabilidad de la frecuencia cardíaca se han relacionado con la presencia de alteraciones respiratorias. Los sensores ópticos rojos e infrarrojos proporcionan información sobre el nivel de oxigenación de la sangre, que puede disminuir durante las apneas o hipopneas. Un paquete diferente de sensores en la cama para detectar la posición, el movimiento o el esfuerzo respiratorio también se pueden utilizar junto con el sistema portátil de muñeca. Una descripción general de este sistema se ilustra mediante el sistema 200 de la figura 2.
En algunas realizaciones, todos los sensores utilizados para detectar alteraciones respiratorias de un usuario están ubicados en un dispositivo que se lleva en la muñeca. Por ejemplo, cada sensor puede configurarse para generar datos de sensor desde o cerca de la muñeca del usuario. En una realización, el sensor PPG rojo 167 y el sensor PPG IR 168 no están situados en la punta del dedo del usuario. En otra realización, el sensor PPG rojo 167 y el sensor PPG IR 168 están ubicados en la punta del dedo del usuario. En algunas realizaciones, los datos del sensor generados por uno o más de los sensores del dispositivo portátil 100 no son suficientes para calcular la Sp02 (por ejemplo, hasta un grado de precisión médicamente aceptable) debido a la ubicación desde la cual se recopilan los datos del sensor (por ejemplo, la muñeca del usuario). En otras realizaciones, los datos del sensor generados por uno o más de los sensores del dispositivo portátil 100 (por ejemplo, acelerómetro 161) es suficiente para calcular la Sp02. (por ejemplo, con un grado de precisión médicamente aceptable). El sensor de movimiento del dispositivo portátil 100 está configurado para generar datos de movimiento desde una ubicación próxima a la ubicación (por ejemplo, adyacente, dentro de la misma vivienda, desde el mismo lado de la muñeca, etc.) a partir del cual se recopilan los datos de PPG (por ejemplo, por uno o más de los sensores PPG 166-168).
En un ejemplo, hay un sensor de colchón o de cama encima del colchón del usuario. En otro ejemplo, el sensor de colchón o cama está dentro del colchón del usuario. En otro ejemplo más, el sensor de colchón o cama está debajo del colchón del usuario. En algunos casos, la detección de alteraciones respiratorias se realiza sin datos del sensor de un colchón o de una cama. En algunos casos, ninguno de los dispositivos portátiles 100, dispositivo cliente 170 y el servidor 175 está en comunicación con un sensor de colchón o cama. Aunque se utiliza como ejemplo un sensor de colchón o de cama, se podría utilizar cualquier sensor de respiración directa en lugar o además (por ejemplo, un pletismógrafo de inductancia con correa torácica o una cánula oronasal). Adicionalmente o como alternativa, dicho sensor también puede generar frecuencia cardíaca y/o intervalo latido a latido, y los datos de respiración, los datos de frecuencia cardiaca y/o los datos de intervalo latido a latido se pueden usar en la clasificación de una ventana temporal dada y/o generación de una puntuación de alteración respiratoria.
En algunas realizaciones, los datos de sensores (por ejemplo, datos del acelerómetro, datos de PPG, etc.) u otras métricas fisiológicas generadas durante un período activo durante el cual los datos de movimiento (por ejemplo, datos del acelerómetro) indica que el usuario está activo se utilizan para detectar alteraciones respiratorias del usuario durante un período inactivo durante el cual los datos de movimiento indican que el usuario está inactivo (o en estado de sueño). Por ejemplo, si los datos de movimiento de un usuario generados durante el período activo del usuario indican que el usuario está físicamente activo (por ejemplo, hace ejercicio con frecuencia, tiene un alto número de pasos, etc.), la frecuencia cardíaca inicial u otro umbral que pueda causar que una ventana temporal se clasifique como alteración de la respiración puede aumentar (o disminuir). Como alternativa, si los datos de movimiento de un usuario generados durante el período activo del usuario indican que el usuario no está físicamente activo (por ejemplo, no hace ejercicio con frecuencia, tiene un recuento de pasos bajo, etc.), la frecuencia cardíaca inicial u otro umbral que pueda causar que una ventana temporal se clasifique como alteración de la respiración puede disminuir (o aumentar).
En algunas realizaciones, la clasificación de la ventana temporal y/o la detección del estado de sueño del usuario se basa en los datos de orientación de la muñeca y/o los datos de movimiento de la muñeca generados por el sensor de movimiento del dispositivo portátil 100 (por ejemplo, acelerómetro 161). Por ejemplo, si los datos de orientación de la muñeca indican que la muñeca del usuario está orientada de una manera que no coincide con el sueño durante un período específico, entonces se puede determinar que el usuario no está en estado de sueño durante el período específico. En otro ejemplo, si los datos del movimiento de la muñeca indican que el usuario se está moviendo, se puede aumentar la frecuencia cardíaca inicial u otro umbral que pueda causar que una ventana temporal se clasifique como alteración de la respiración.
En algunas realizaciones, los datos de PPG generados por uno o más de los sensores PPG del dispositivo portátil 100 se filtran de manera que cualquier dato PPG durante un período específico en el que los datos de movimiento (por ejemplo, datos del acelerómetro) indica que se elimina un alto nivel de movimiento del usuario (o no se considera para detectar alteraciones respiratorias del usuario). En algunas realizaciones, sólo los datos de PPG generados durante un período que tiene datos de movimiento por debajo de un umbral se conservan y utilizan para la detección de alteraciones respiratorias del usuario.
Los datos de estos diferentes flujos de sensores se extraen mediante novedosos algoritmos de extracción de características. Las características relacionadas con la variabilidad de la frecuencia cardíaca (por ejemplo, calculadas en base a los datos del sensor del sensor PPG verde 166), Sp02 o un indicador de la misma (por ejemplo, calculada en base a los datos del sensor del sensor PPG rojo 167 y el sensor PPG IR 168), movimiento (por ejemplo, datos del acelerómetro) y/o respiración (por ejemplo, los datos del sensor del colchón o de la cama) se extraen cada minuto y se procesan mediante un algoritmo de clasificación para determinar si el minuto es normal o con alteración de la respiración. Los datos del sensor del colchón o de la cama y/o del acelerómetro se pueden utilizar para determinar el inicio y el final del sueño. Una descripción general de alto nivel de la cadena de procesamiento de señales se ilustra mediante el sistema 300 de la figura 3.
Las características extraídas de los datos del sensor pueden comprender varios indicadores utilizados para clasificar cada ventana temporal como alteración respiratoria o normal. En algunas realizaciones, estas características pueden extraerse de cada ventana de tiempo superpuesta, donde cada ventana de tiempo superpuesta incluye una cantidad de muestras (por ejemplo, lecturas de los sensores). En algunas realizaciones, las características extraídas incluyen una o más de la media de las muestras, la desviación estándar de las muestras, la energía de las muestras, el máximo de las muestras, el mínimo de las muestras, la diferencia entre el máximo y el mínimo, la raíz cuadrática media de las muestras, el recuento de oscilaciones de las muestras, la señal de CA (por ejemplo, componente de alta frecuencia) de las muestras, la señal de CC (por ejemplo, componente de baja frecuencia) de las muestras, etc. En una realización, las características extraídas se combinan utilizando una función de ponderación lineal para formar un valor discriminante. Por ejemplo, si las características de una ventana temporal están etiquetadas como xl, x2, x3, etc., la suma ponderada se calcula como wlx1 w2x2 w3x3 ... = d, donde d se llama valor discriminante. Este valor se compara con un umbral que separa las épocas (o ventanas temporales) con "alteración respiratoria" (o ventanas temporales) de las épocas "sin alteración respiratoria" (o ventanas temporales). El umbral se determina utilizando un conjunto de datos de entrenamiento donde estas etiquetas han sido calculadas previamente por un experto humano u otros medios.
En algunas realizaciones, se recopila un conjunto de datos de un laboratorio del sueño donde un experto en sueño ha etiquetado los datos y el sistema crea, según el conjunto de datos recopilados, un diccionario de cómo se ven las características extraídas en el caso normal (por ejemplo, durante una ventana temporal sin alteración respiratoria) y el caso de alteración respiratoria (por ejemplo, durante una ventana temporal con alteración respiratoria). El sistema compara las características extraídas de un conjunto determinado de datos de sensores con el diccionario y determina si las características extraídas son más similares a las correspondientes al caso normal o a las correspondientes al caso con alteración respiratoria.
Las características extraídas pueden procesarse más y compararse con un conjunto de valores umbral para determinar si una ventana temporal determinada tiene alteración de la respiración o no. Por ejemplo, se puede representar gráficamente la señal de CC de los datos del sensor del sensor<p>P<g>rojo 167 dividida por la señal de CC de los datos del sensor del sensor PPG IR 168, y cualquier ventana temporal que tenga un valor relativamente estático (por ejemplo, entre valores de umbral bajos y altos específicos) durante un período de tiempo umbral puede clasificarse como alteración de la respiración. En algunas realizaciones, el sistema puede dividir la señal generada por cada uno de los sensores rojo e IR en un componente sensible al movimiento y un componente insensible al movimiento, y usar solo el componente insensible al movimiento (y no el componente sensible al movimiento) para clasificar la ventana temporal como alteración respiratoria o no. En algunas realizaciones, el sistema puede dividir la señal generada por cada uno de los sensores rojo e IR en un componente de oxigenación arterial (o sangre) y un componente de oxigenación de tejido (u otro), y usar solo el componente de oxigenación de tejido (y no el componente de oxigenación arterial) en clasificando la ventana temporal como alteración respiratoria o no. En algunas realizaciones, el sistema clasifica la ventana temporal como alteración respiratoria basándose en la detección de un patrón de respiración baja (por debajo de un nivel umbral de respiración durante un período de tiempo umbral). En algunas realizaciones, el sistema clasifica la ventana temporal como alteración respiratoria basándose en la detección de un pico en la respiración (por ejemplo, indicativo de un jadeo grande).
Otros datos recopilados de los sensores de movimiento, los sensores PPG y otros sensores pueden incluir: (i) medidas de movimiento del usuario; (ii) datos para calcular la frecuencia cardíaca, la variabilidad de la frecuencia cardíaca y la respiración; y (iii) medida de la variabilidad de la frecuencia cardíaca en el dominio del tiempo o de la frecuencia. Los datos de frecuencia cardíaca sin procesar se pueden utilizar para definir una serie de funciones de nivel superior. Por ejemplo: (i) frecuencia cardíaca media o promedio móvil en varias escalas de tiempo (por ejemplo, en el último minuto, últimos 5 minutos, etc.); (ii) cuantil móvil de la distribución de la frecuencia cardíaca medida en varias escalas de tiempo; y (iii) si la frecuencia cardíaca superó o bajó algún umbral en el transcurso de algún intervalo.
Además, las características estadísticas pueden derivarse utilizando la derivada temporal de la frecuencia cardíaca. Por ejemplo: (i) cambio máximo móvil en la frecuencia cardíaca en varias escalas de tiempo; y (ii) mediana móvil, promedio, o algún otro cuartil de la distribución de la derivada de la frecuencia cardíaca en varias escalas de tiempo. Se pueden derivar características estadísticas similares utilizando la variabilidad de la frecuencia cardíaca o la respiración. Por ejemplo: (i) número de veces que los eventos de VFC o respiración excedieron algún umbral en varias escalas de tiempo; y (ii) mediana móvil, promedio, o algún otro cuartil de la distribución de la VFC o la respiración en varias escalas de tiempo. La frecuencia cardíaca, la derivada de la frecuencia cardíaca, la variabilidad de la frecuencia cardíaca y la respiración pueden normalizarse o estandarizarse adecuadamente según cada usuario para tener en cuenta la variación natural entre los usuarios. Por ejemplo, la frecuencia cardíaca en reposo de un usuario puede restarse de su frecuencia cardíaca instantánea. La información demográfica también se puede utilizar para renormalizar características para tener en cuenta la variación según la demografía.
Estas características estadísticas se pueden utilizar para entrenar a un clasificador para que clasifique las ventanas temporales como con alteración respiratoria o normal. En una realización, el sistema utiliza un clasificador de bosque aleatorio. Otros métodos de clasificación incluyen redes neuronales, modelos ocultos de Markov, máquinas de vectores de soporte, agrupamiento de k-media y árboles de decisión.
En algunas realizaciones, el sistema clasificador basado en aprendizaje automático puede usar o no de manera flexible entradas de sensores particulares según estén disponibles, sin cambiar el modelo subyacente. Por lo tanto, el mismo sistema podría usarse con una combinación de sensores de muñeca y sensores externos, solo con los sensores de muñeca, solo con uno o más sensores PPG y un sensor de movimiento, o solo con uno o más sensores PPG. En algunas realizaciones, el sistema utiliza todos los datos del sensor disponibles. Por ejemplo, si cuatro sensores están generando (o generan) datos de sensores, los datos de los cuatro sensores se utilizan para clasificar la ventana temporal como alteración respiratoria o no. En otro ejemplo, si tres de los cuatro sensores están generando (o generaron) datos de sensor y uno de los cuatro sensores no está generando (o no generó) datos de sensor, los datos del sensor de los tres sensores se utilizan para clasificar la ventana temporal como alteración respiratoria o no.
En algunas realizaciones, el sistema utiliza datos del sensor de al menos un sensor PPG para clasificar la ventana temporal como alteración respiratoria o no. En algunas realizaciones, el sistema no utiliza los datos del sensor generados por el sensor PPG verde y en su lugar calcula la VFC a partir de los datos del sensor generados por el sensor PPG rojo y utiliza la VFC calculada para clasificar la ventana temporal como alteración respiratoria o no. En algunas realizaciones, el sistema utiliza los datos del sensor generados por el sensor PPG y no los datos del sensor generados por el sensor PPG rojo, el sensor PPG IR o el acelerómetro. En algunos casos, el sistema utiliza datos del sensor generados por un sensor GSR para clasificar la ventana temporal como con alteración respiratoria o no y/o para generar una puntuación de alteración respiratoria.
En algunas realizaciones, al determinar que se cumple una primera condición, el sistema utiliza datos de sensores de una primera combinación de sensores, y al determinar que la primera condición no se cumple, el sistema utiliza datos de sensores de una segunda combinación de sensores diferente de la primera combinación de sensores. Por ejemplo, en algunos casos, si el dispositivo portátil determina que la calidad de la señal óptica de los sensores PPG rojo e infrarrojo es deficiente, el dispositivo portátil no extrae características de los datos PPG rojos e infrarrojos y extrae características (por ejemplo, información de frecuencia cardíaca u otros indicadores) solo a partir de los datos del sensor verde. Como alternativa o adicionalmente, el dispositivo portátil puede apagar los sensores PPG rojo e infrarrojo al determinar que la calidad de la señal óptica de los sensores PPG rojo e infrarrojo es deficiente (por ejemplo, para conservar energía y/o recursos informáticos). Aunque los sensores PPG rojo e infrarrojo se utilizan como ejemplos, las técnicas descritas en el presente documento se pueden extender a cualquiera de los sensores o cualquier combinación de los mismos
En algunas realizaciones, al determinar que se cumple una segunda condición, el sistema utiliza una primera regla de clasificación para clasificar la ventana temporal como con alteración respiratoria o no, y al determinar que la segunda condición no se cumple, el sistema utiliza una segunda regla de clasificación diferente de la primera regla de clasificación para clasificar la ventana temporal como con alteración respiratoria o no. En algunos casos, el dispositivo portátil puede activar o desactivar uno o más sensores en función de los datos del sensor. Por ejemplo, al determinar que los datos del acelerómetro indican que el usuario se ha estado moviendo durante el último minuto (o 5, 15 o 30 minutos, por ejemplo), el dispositivo portátil puede apagar uno o más sensores que se utilizan para generar métricas de sueño (por ejemplo, incluidas puntuaciones/métricas de alteraciones respiratorias). En algunos casos, al determinar que los datos del acelerómetro indican que el usuario se ha estado moviendo durante el último minuto (o 5, 15 o 30 minutos, por ejemplo), el dispositivo portátil desactiva uno o más sensores PPG rojos y uno o más sensores PPG infrarrojos. El dispositivo portátil puede activar uno o más sensores desactivados basándose en una determinación de que el usuario puede estar durmiendo (por ejemplo, según la determinación de que los datos del acelerómetro indican que el usuario no se ha movido durante el último minuto (o 5, 15 o 30 minutos, por ejemplo).
Aunque aquí se utiliza un minuto como ventana temporal de ejemplo para la cual puede ocurrir esta clasificación, se pueden usar otras ventanas temporales que tengan una duración diferente (por ejemplo, ventanas temporales de 30 segundos, ventanas temporales de 5 minutos, etc.). En una realización, cada ventana temporal tiene una duración fija. En otra realización, la duración de la ventana temporal se ajusta con el tiempo según los patrones de sueño o respiración del usuario. Por ejemplo, si el sistema (por ejemplo, cualquier combinación del dispositivo portátil 100, el dispositivo cliente 170 y el servidor 175) determina que las alteraciones respiratorias del usuario se extienden frecuentemente a lo largo de múltiples ventanas temporales, la duración de las ventanas temporales puede aumentar.
En algunas realizaciones, el sistema puede detectar automáticamente bloques de tiempo durante los cuales el usuario del dispositivo portátil 100 está (o estuvo) dormido. En este caso, la detección automática puede referirse a una detección que se produce sin una instrucción explícita del usuario, tal como recorrer menús en pantalla o introducir períodos de tiempo en los que el usuario está durmiendo. Debe apreciarse que el término "automático" no excluye un caso en el que el usuario pueda habilitar dicha característica o actuar de una manera que no represente una instrucción explícita del momento en que el usuario realiza la transición entre diferentes estados de sueño. Una realización de este tipo que detecta bloques de tiempo en los que el usuario está (o estaba) dormido puede obtener un conjunto de características durante uno o más períodos de tiempo a partir de datos de movimiento y/o datos de PPG obtenidos de un conjunto de uno o más sensores de movimiento o datos derivados del mismo. Luego, el sistema puede clasificar uno o más períodos de tiempo como uno de una pluralidad de estados del usuario basándose en el conjunto de características determinadas para uno o más períodos de tiempo. Los estados pueden ser indicativos del grado relativo de movimiento del usuario. En algunos casos, los estados pueden ser valores de estado enumerados, tales como activos o inactivos, donde cada estado representa un grado diferente de movimiento o probabilidad de que el usuario esté en estado de sueño. En algunas realizaciones, sólo los datos de movimiento se utilizan para detectar el período durante el cual el usuario está (o estuvo) dormido. En otras realizaciones, los datos del sensor de una combinación del sensor de movimiento y uno o más sensores PPG se utilizan para detectar el período durante el cual el usuario está (o estuvo) dormido.
El rendimiento minuto a minuto del clasificador se puede caracterizar mediante una curva característica operativa del receptor (ROC). En la figura 4 se muestra un ejemplo de curva ROC 400. El clasificador de período (o ventana temporal) genera una probabilidad de que en el minuto se produzca una alteración de la respiración. Para tomar una decisión sobre el minuto, el sistema puede aplicar un umbral tal que si la probabilidad de salida está por encima del umbral, el sistema declara que el minuto tiene alteración de la respiración y, en caso contrario, el sistema declara que el minuto es normal (o sin alteración de la respiración). El valor de este umbral se selecciona para compensar entre falsos positivos y detecciones perdidas. Por ejemplo, un umbral bajo tendría pocas detecciones perdidas, pero podría tener muchos falsos positivos. La determinación de la probabilidad de que se altere el sueño en la ventana temporal puede basarse en datos demográficos. Por ejemplo, los indicadores y/o características descritos en el presente documento pueden ponderarse de manera diferente según los datos demográficos asociados con el usuario. Los datos demográficos pueden incluir uno o más del índice de masa corporal (IMC) del usuario, la edad, la circunferencia del cuello, el peso, la altura, el sexo y similares. En algunos casos, la probabilidad puede aumentar o disminuir según los datos demográficos asociados con el usuario (por ejemplo, en función de si el usuario pertenece a una categoría específica de usuarios con mayor (o menor) probabilidad de experimentar alteraciones respiratorias). Por ejemplo, si el usuario tiene 65 años (o más), tiene un IMC de 35 (o más) y una circunferencia del cuello de 45,7 cm (18 pulgadas) (o más), la probabilidad de que una determinada ventana temporal se vea alterada en el sueño puede aumentar (por ejemplo, sumando un desplazamiento o multiplicando por un desplazamiento). Como alternativa o adicionalmente, el umbral para determinar si una ventana temporal determinada tiene o no alteraciones del sueño puede aumentarse o disminuirse en función de los datos demográficos asociados con el usuario (por ejemplo, en función de si el usuario pertenece a una categoría específica de usuarios con mayor (o menor) probabilidad de experimentar alteraciones respiratorias). En algunas realizaciones, las categorías de usuarios específicas se generan y/o actualizan en función de los datos demográficos y las clasificaciones/puntuaciones de respiración recopiladas entre una pluralidad de usuarios.
La curva ROC de la figura 4 captura esta compensación al trazar la tasa de verdaderos positivos (sensibilidad) frente a la tasa de falsos positivos (especificidad) en un rango de umbrales. El ejemplo de la figura 4 ilustra el rendimiento de un método de clasificación basado en PPG y características del acelerómetro durante 8500 minutos de sueño en varias personas. En algunas implementaciones, dado que la mayoría de los sujetos no tendrán alteraciones respiratorias durante el sueño, el sistema selecciona o utiliza un valor umbral correspondiente a un punto de funcionamiento cercano al eje vertical. De hecho, esto sacrificaría la sensibilidad (verdaderos positivos) por la especificidad. En algunos casos, el sistema ajusta el valor umbral en función de los datos del sensor u otras métricas generadas a lo largo del tiempo y/o en función de la entrada o retroalimentación del usuario. En algunos casos, el valor umbral se determina de manera que la tasa de falsos positivos sea fija o esté por debajo de un nivel umbral. En algunos casos, el valor umbral es mantenido y actualizado por un servicio en la nube (por ejemplo, servidor 175) y se descarga (periódicamente o cuando se actualiza el valor) por el dispositivo cliente 170 y/o el dispositivo portátil 100 desde el servicio en la nube.
En algunas realizaciones, los datos del sensor de diferentes sensores se ponderan de manera diferente. Por ejemplo, a cada sensor se le puede asignar un peso fijo indicativo de cuánto debe contribuir el sensor a la clasificación de las ventanas temporales como con alteración respiratoria o no. En otro ejemplo, los pesos asignados a los sensores se ajustan en función de los datos del sensor (por ejemplo, los datos del sensor PPG rojo y el sensor PPG IR pueden ponderarse más en función de que los datos del sensor PPG verde permanezcan constantes o no cambien más que una cantidad umbral durante un período de tiempo umbral).
Las etiquetas para cada ventana temporal (por ejemplo, alteración respiratoria o normal) se introducen en un segundo algoritmo de clasificación para determinar la gravedad de la alteración respiratoria durante un período de sueño determinado (por ejemplo, toda la noche). Esta segunda etapa de clasificación puede combinar información de los datos demográficos del usuario (sexo, peso, altura, edad) y la noche de sueño observada en su totalidad para asignar una puntuación de alteración respiratoria (por ejemplo, gravedad de la alteración respiratoria) para la noche de sueño del usuario. El sistema puede determinar el porcentaje de ventanas temporales que se clasifican como con problemas respiratorios y seleccionar una puntuación basada en el porcentaje. En algunas realizaciones, el sistema genera una puntuación compuesta para varias noches, semanas, meses y/o años. Por ejemplo, el número umbral de noches necesarias antes de que el sistema genere la puntuación compuesta puede diferir según la calidad de la señal de uno o más sensores. Por ejemplo, si la calidad de la señal de uno o más sensores ha sido mala durante la noche, el sistema genera la puntuación compuesta después de recopilar datos de sensores de más de 4 noches, clasificaciones y/o puntuaciones de alteraciones respiratorias. Por otro lado, si la calidad de la señal de uno o más sensores ha sido buena, el sistema genera la puntuación compuesta después de recopilar datos de sensores de más de 2 noches, clasificaciones y/o puntuaciones de alteraciones respiratorias.
En un ejemplo, la puntuación de alteración respiratoria es una de normal (por ejemplo, por debajo del 5 %), leve (por ejemplo, 5-10 %), moderada (por ejemplo, 10-20 %) o grave (por ejemplo, 20 % o más). En otro ejemplo, la puntuación de alteración respiratoria es una de normal (por ejemplo, por debajo del 5 %) o no normal (por ejemplo, 5 % o más). Dicha información en algunas realizaciones también se puede usar para proporcionar una puntuación de idoneidad para el sueño, donde las puntuaciones más altas de alteraciones respiratorias pueden correlacionarse con puntuaciones más bajas de idoneidad para el sueño, junto con datos tales como datos de movimiento determinados usando un acelerómetro y similares. Por ejemplo, una noche con una puntuación normal de alteración de la respiración y un rango de movimiento normal para un usuario podría recibir una puntuación "normal" de idoneidad para el sueño, mientras que una noche con una puntuación de alteración respiratoria anormal o con una cantidad de movimiento superior a la normal podría recibir una puntuación de idoneidad para el sueño "anormal", usando combinaciones de factores discutidos en el presente documento como serían evidentes para un experto en la técnica a la luz de las enseñanzas y sugerencias contenidas en el presente documento. Además, aunque en varios ejemplos se utilizan intervalos de porcentajes de ejemplo, los intervalos de porcentaje pueden establecerse en otros valores y pueden ajustarse en función de otros datos históricos y/o métricas fisiológicas del usuario y/u otros usuarios. En algunas realizaciones, el sistema genera la puntuación de alteración respiratoria solo si el período de sueño excede una cantidad de tiempo umbral (por ejemplo, 2, 3, 4 horas). En algunos casos, la cantidad de tiempo umbral se puede ajustar en función de la calidad de la señal de uno o más sensores. Por ejemplo, si la calidad de la señal de uno o más sensores es mala, el sistema genera la puntuación de alteración respiratoria solo si el período de sueño supera las cuatro horas y si la calidad de la señal de uno o más sensores es buena, el sistema genera la puntuación de alteración respiratoria siempre que el período de sueño supere las dos horas. Como alternativa, el sistema genera la puntuación de alteración respiratoria independientemente de la duración del período de sueño. En algunas realizaciones, la determinación de la puntuación de la alteración respiratoria puede basarse en datos demográficos. Por ejemplo, el porcentaje de ventanas temporales clasificadas como con problemas respiratorios puede aumentar o disminuir según los datos demográficos asociados con el usuario (por ejemplo, en función de si el usuario pertenece a una categoría específica de usuarios con mayor (o menor) probabilidad de experimentar alteraciones respiratorias). Los datos demográficos pueden incluir uno o más del índice de masa corporal (IMC) del usuario, la edad, la circunferencia del cuello, el peso, la altura, el sexo y similares. Por ejemplo, si el usuario tiene 65 años (o más), tiene un IMC de 35 (o más) y una circunferencia del cuello de 45,7 cm (18 pulgadas) (o más), el porcentaje de las ventanas temporales clasificadas como alteración respiratoria puede aumentarse (por ejemplo, sumando un desplazamiento o multiplicando por un desplazamiento). Las categorías de usuario específicas se pueden generar y/o actualizar en función de los datos demográficos y las clasificaciones/puntuaciones de respiración recopiladas entre una pluralidad de usuarios. Por ejemplo, si el sistema determina que un número menor de usuarios entre 65 y 67 años experimentan trastornos respiratorios, el ejemplo anterior puede actualizarse para que a los usuarios de 68 años o más que tengan un IMC de 35 o más y una circunferencia del cuello de 45,7 cm (18 pulgadas) o más se les ajuste hacia arriba su puntuación de alteración respiratoria (o se les ajusten sus probabilidades de ventanas temporales individuales). trastornos del sueño ajustados hacia arriba).
En algunas realizaciones, el sistema genera una o más métricas adicionales de alteración de la respiración. Por ejemplo, el sistema puede generar uno o más del porcentaje de ventanas temporales clasificadas como con alteración respiratoria, el número de alteraciones respiratorias por hora (o por noche), el índice de apnea-hipopnea (IAH) y una puntuación de gravedad de la apnea del sueño (por ejemplo, normal para un IAH inferior a 5, leve para IAH de 5 o más y menos de 15, moderado para un IAH de 15 o más y por debajo de 30, y grave para un IAH de 30 o más). El sistema también puede generar un gráfico que ilustra la tendencia en las puntuaciones o métricas de alteraciones respiratorias del usuario a lo largo del tiempo (por ejemplo, cada día, cada semana, mensual y/o anual). En algunas realizaciones, el sistema puede generar una recomendación para que el usuario programe una visita a un médico.
En algunas implementaciones, al determinar que la puntuación o métrica de alteración respiratoria no es normal (por ejemplo, por encima de un porcentaje umbral de ventanas temporales clasificadas como alteración respiratoria o por encima de un número umbral de eventos de apnea por hora), el sistema genera una pregunta junto con una opción seleccionable para recopilar información adicional del usuario. Por ejemplo, el dispositivo cliente 170 puede mostrar la pregunta "¿Tienes sueño todo el tiempo?" con un elemento de interfaz de usuario para indicar "sí" o "no". Al detectar la selección por parte del usuario de una opción predeterminada (por ejemplo, "sí"), el sistema emite una recomendación para un laboratorio del sueño o un médico para un examen más detallado. El sistema puede seleccionar el laboratorio del sueño o el médico de una lista de laboratorios del sueño y/o médicos registrados (por ejemplo, como parte de un programa de reparto de ingresos con la empresa que implementa el sistema) y también en el área geográfica del usuario. En algunos casos, al determinar que la puntuación o métrica de alteración respiratoria no es normal (por ejemplo, por encima de un porcentaje umbral de ventanas temporales clasificadas como alteración respiratoria o por encima de un número umbral de eventos de apnea por hora), el sistema genera la puntuación o métrica de alteración respiratoria para presentarla al usuario junto con un anuncio de un laboratorio del sueño, médico o empresa de dispositivos médicos (por ejemplo, una máquina de presión positiva continua en las vías respiratorias (CPAP) fabricada por una empresa de dispositivos médicos).
En algunas realizaciones, las puntuaciones de alteraciones respiratorias generadas para un usuario determinado se almacenan en la nube y son accesibles para el usuario para que pueda monitorizar el grado en el que experimenta alteraciones respiratorias a lo largo del tiempo y ver cómo se compara con otros usuarios de datos demográficos similares ( por ejemplo., la edad, el sexo, la altura, el peso, el nivel de actividad, etc.). Tanto las puntuaciones de las alteraciones respiratorias del propio usuario como los datos de evaluación comparativa generados en función de las puntuaciones de las alteraciones respiratorias de otros usuarios le permitirán trabajar para disminuir la gravedad de las alteraciones respiratorias mediante prácticas que incluyen terapia CPAP, pérdida de peso y/o cambio de orientación para dormir.
En algunas realizaciones, al determinar que la puntuación de alteración respiratoria del usuario para una noche determinada es leve, moderada o grave, el sistema accede a las puntuaciones anteriores almacenadas en la nube o en el dispositivo móvil del usuario y determina si la puntuación de alteración respiratoria del usuario para la noche determinada es inusual. Por ejemplo, si el usuario nunca ha tenido una puntuación distinta de "normal" durante los últimos 3 años, el sistema puede ignorar la puntuación de "grave" generada la noche anterior (por ejemplo, una vez, dos veces o durante un número umbral de veces) y generar una puntuación de "normal". Como alternativa, en tal caso, el sistema puede ajustar la puntuación a "leve" o "moderada".
En algunas realizaciones, la puntuación de alteración respiratoria u otra puntuación relacionada con la respiración o el sueño, se presenta en una interfaz gráfica de usuario (IGU) que también incluye los datos de evaluación comparativa generados en función de las puntuaciones de alteraciones respiratorias de otros usuarios. En algunas realizaciones, la puntuación de alteración respiratoria se presenta en una IGU que también incluye el peso del usuario, el nivel de actividad del usuario durante el día y/o la orientación para dormir del usuario. En algunas realizaciones, la puntuación de las alteraciones respiratorias se presenta en una IGU que también incluye el historial de puntuaciones/métricas de las alteraciones respiratorias del usuario. En algunas de tales realizaciones, el historial abarca al menos 30 días. En algunos casos, el historial abarca al menos 365 días.
En algunas realizaciones, el dispositivo portátil 100 incluye un sensor de presión configurado para detectar el movimiento relativo del dispositivo portátil con respecto a la piel del usuario. Por ejemplo, el sensor de presión genera datos del sensor que indican cuánta fuerza se ejerce sobre el dispositivo portátil 100 en una dirección perpendicular a la piel del usuario (por ejemplo, fuerza que empuja el dispositivo portátil 100 hacia la muñeca del usuario) y/o en una dirección paralela a la piel del usuario (por ejemplo, fuerza que empuja el dispositivo portátil 100 hacia arriba y hacia abajo por la muñeca del usuario y/o a lo largo de la circunferencia de la muñeca del usuario).
En algunas realizaciones, al determinar que una ventana temporal que de otro modo se clasificaría como alteración respiratoria incluye datos del sensor de presión que indican que la fuerza ejercida en una dirección perpendicular a la piel del usuario es mayor que un nivel umbral, el sistema clasifica la ventana temporal como normal (o sin alteración respiratoria). En algunas realizaciones, al determinar que una ventana temporal que de otro modo se clasificaría como alteración respiratoria incluye datos del sensor de presión que indican que la fuerza ejercida en una dirección paralela al eje del antebrazo del usuario es mayor que un nivel umbral, el sistema clasifica la ventana temporal como normal (o sin alteración respiratoria). En algunas realizaciones, al determinar que una ventana temporal que de otro modo se clasificaría como alteración respiratoria incluye datos del sensor de presión que indican que la fuerza ejercida en una dirección paralela a la dirección tangencial de la muñeca del usuario es mayor que un nivel umbral, el sistema clasifica la ventana temporal como normal (o sin alteración respiratoria).
En algunas realizaciones, al determinar que los datos del sensor de presión generados durante un período de tiempo determinado indican que la fuerza ejercida en una dirección perpendicular a la piel del usuario es mayor que un nivel umbral, el sistema ignora otros datos del sensor (por ejemplo, datos del sensor PPG y/o datos del sensor de movimiento) generados durante el período de tiempo dado para clasificar las ventanas temporales como con alteración respiratoria o no. En algunas realizaciones, al determinar que los datos del sensor de presión generados durante un período de tiempo determinado indican que la fuerza ejercida en una dirección paralela al eje del antebrazo del usuario es mayor que un nivel umbral, el sistema ignora otros datos del sensor (por ejemplo, datos del sensor PPG y/o datos del sensor de movimiento) generados durante el período de tiempo dado para clasificar las ventanas temporales como con alteración respiratoria o no. En algunas realizaciones, al determinar que los datos del sensor de presión generados durante un período de tiempo determinado indican que la fuerza ejercida en una dirección paralela a la dirección tangencial de la muñeca del usuario es mayor que un nivel umbral, el sistema ignora otros datos del sensor (por ejemplo, datos del sensor PPG y/o datos del sensor de movimiento) generados durante el período de tiempo dado para clasificar las ventanas temporales como con alteración respiratoria o no.
En una realización, el dispositivo portátil realiza todo el procesamiento y envía el resultado (por ejemplo, clasificaciones y puntuación de alteraciones respiratorias) al dispositivo móvil o al servidor centralizado. En otra realización, el dispositivo portátil determina las clasificaciones, pero el dispositivo móvil o el servidor determina la puntuación de alteración respiratoria. En otra realización más, una parte del procesamiento se realiza en el dispositivo portátil y la parte restante del procesamiento se puede realizar en el dispositivo móvil o servidor. En otra realización más, los datos del sensor se envían al dispositivo móvil o al servidor sin ningún procesamiento. En algunas de tales realizaciones, los datos del sensor son procesados por el dispositivo móvil o servidor para determinar las clasificaciones y la puntuación de alteración respiratoria.
En algunas realizaciones, la detección de alteraciones respiratorias se produce en un dispositivo móvil (por ejemplo, el dispositivo cliente 170) que puede comunicarse con el dispositivo portátil. Por ejemplo, los datos del sensor recopilados por el dispositivo portátil pueden enviarse (con o sin procesamiento adicional por parte del dispositivo portátil) a dicho dispositivo móvil del usuario, y el dispositivo móvil puede analizar los datos del sensor para clasificar las ventanas temporales individuales y generar una puntuación de alteración respiratoria. El dispositivo móvil puede transmitir de forma inalámbrica las clasificaciones y/o las puntuaciones o métricas de alteraciones respiratorias a un servicio en la nube (por ejemplo, el servidor 175) para almacenamiento.
Ventajosamente, la detección de alteraciones respiratorias en dicho dispositivo móvil puede proporcionar ahorros de energía para el dispositivo portátil (por ejemplo, ya que la detección no la realiza el dispositivo portátil), sin requerir la infraestructura de una base de datos centralizada.
En algunas realizaciones, la detección de alteraciones respiratorias se produce en un servidor centralizado (por ejemplo, el servidor 175) que puede comunicarse con el dispositivo portátil y/o el dispositivo móvil asociado con el usuario. Por ejemplo, los datos del sensor recopilados por el dispositivo portátil pueden enviarse (con o sin procesamiento adicional por parte del dispositivo portátil) a dicho servidor (ya sea directamente o a través del dispositivo móvil) y el servidor puede analizar los datos del sensor para clasificar las ventanas temporales individuales y generar una puntuación de alteración respiratoria. El servidor centralizado puede transmitir de forma inalámbrica las clasificaciones y las puntuaciones o métricas de alteraciones respiratorias al dispositivo móvil y/o al dispositivo portátil para su almacenamiento y presentación al usuario.
Ventajosamente, la detección de alteraciones respiratorias en un servidor centralizado de este tipo puede proporcionar ahorros de energía para el dispositivo portátil (por ejemplo, ya que la detección no la realiza el dispositivo portátil) y una detección más sólida ya que pueden estar disponibles más datos y potencia de procesamiento en el servidor en comparación con el dispositivo cliente 170.
La figura 5 es un diagrama de flujo que ilustra un método de ejemplo para monitorizar las alteraciones respiratorias de un usuario de acuerdo con aspectos de la presente divulgación. El método 500 puede ser realizado por el dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175, ya sea solos o de forma distribuida. El método 500 ilustra un algoritmo de ejemplo que puede programarse, utilizando cualquier entorno o lenguaje de programación adecuado, crear código de máquina capaz de ser ejecutado por una CPU o microcontrolador del dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175. Se pueden codificar varias realizaciones usando ensamblaje, C, OBJECTIVE-C, C++, JAVA u otros lenguajes legibles por humanos y luego compilados, ensamblados o transformados de otro modo en código de máquina que puede cargarse en una memoria de sólo lectura (ROM), memoria de sólo lectura programable y borrable (EPROM), u otra memoria grabable del dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175 que está acoplado a la CPU o microcontrolador y luego ejecutado por la CPU o microcontrolador.
En el bloque 505, el sistema recibe datos de sensores generados por uno o más sensores del dispositivo portátil 100 usado por el usuario, en donde los datos del sensor se generan durante un primer período (por ejemplo, un período de sueño durante el cual el usuario está o estuvo durmiendo). Los datos del sensor pueden incluir datos del sensor generados por cualquier combinación de los sensores descritos en el presente documento (u otros datos generados en base a dichos datos del sensor). Por ejemplo, los datos del sensor pueden incluir datos de PPG verde generados por el sensor PPG verde 166, datos de p Pg rojo generados por el sensor PPG rojo 167, datos de PPG IR generados por el sensor PPG IR 168, y/o datos de movimiento generados por el acelerómetro 161 (u otro sensor de movimiento descrito en el presente documento). Como se describe en el presente documento, los datos del sensor pueden ser generados por uno o más sensores proporcionados en el dispositivo portátil 100 y/o uno o más sensores adicionales externos al dispositivo portátil 100.
En el bloque 510, el sistema, para cada ventana temporal respectiva de una pluralidad de ventanas temporales dentro del primer período, clasifica la ventana temporal respectiva como una de (i) alteración respiratoria o (ii) no alteración respiratoria, según los datos del sensor generados durante la ventana temporal respectiva. Por ejemplo, las ventanas temporales pueden tener una duración de 1 minuto cada una y el sistema, para cada minuto respectivo de una pluralidad de minutos dentro del período de sueño, puede analizar los datos del sensor generados por cada uno de los sensores (por ejemplo, uno o más sensores de movimiento y PPG) durante ese minuto y determinar si es probable que el usuario haya estado experimentando alteraciones respiratorias durante ese minuto. En otro ejemplo, la ventana temporal es de 30 segundos, 2 minutos o 5 minutos. El sistema puede clasificar un minuto determinado en función de si uno o más de los flujos de sensores recibidos (por ejemplo, cada flujo de sensor generado por uno de los sensores proporcionados en el rastreador de actividad portátil) incluye una característica indicativa de que el usuario tiene una alteración respiratoria. Por ejemplo, al determinar que los datos del sensor PPG verde generados por un sensor PPG verde del rastreador de actividad portátil incluyen un primer período de oscilaciones lentas seguido de un segundo período de oscilaciones rápidas durante un minuto determinado, el sistema puede clasificar el minuto dado como alteración respiratoria. El sistema puede determinar la probabilidad de que el usuario tenga (o tuviera) una alteración respiratoria durante el minuto determinado basándose en la similitud entre las características extraídas de los flujos de sensores y una o más características predeterminadas indicativas de que el usuario tiene una alteración respiratoria, y clasificar el minuto dado como alteración respiratoria si la probabilidad excede un umbral (por ejemplo, 30 %, 50 %, 75 %, etc. como se ilustra mediante la curva ROC de la figura 4). Si varios flujos de sensores durante el minuto determinado incluyen características similares a una o más características predeterminadas que indican que el usuario tiene una alteración respiratoria, la probabilidad de que el usuario tenga una alteración respiratoria durante el minuto determinado puede ser mayor. En algunas realizaciones, antes de clasificar las ventanas temporales, el sistema puede determinar en primer lugar un período específico durante el cual el usuario está (o estuvo) dormido, y clasificar cada ventana temporal dentro del período específico, donde el período específico es un subconjunto del primer período para el cual se recibieron los datos del sensor en el bloque 505. En otras realizaciones, el sistema clasifica cada ventana temporal dentro del primer período sin determinar si el usuario está (o estuvo) dormido durante cualquier parte del primer período. En algunas implementaciones, el sistema puede utilizar información recopilada fuera del primer período (o el período específico durante el cual se determina que el usuario estuvo dormido). Por ejemplo, la determinación de si una ventana temporal tiene alteración de la respiración o no puede basarse en la edad del usuario, el sexo, la altura, el peso, el nivel de actividad y/u otros factores. En otro ejemplo, el sistema determina una frecuencia cardíaca inicial (u otra métrica fisiológica, tal como Sp02, variabilidad de la frecuencia cardíaca, frecuencia respiratoria, etc.) asociado con el usuario en función de la frecuencia cardíaca del usuario medida a lo largo del día (por ejemplo, fuera del período durante el cual se determina que el usuario estuvo dormido) o la frecuencia cardíaca del usuario durante varios días, semanas, meses o años, y utiliza la frecuencia cardíaca inicial (u otras métricas fisiológicas) para determinar si una ventana temporal determinada debe clasificarse como alteración respiratoria o no. Por ejemplo, un aumento en la frecuencia cardíaca de 105 puede ser indicativo de un trastorno respiratorio para un usuario cuya frecuencia cardíaca inicial es 50, pero puede no ser indicativo de un trastorno respiratorio para otro usuario cuya frecuencia cardíaca inicial sea 100.
En el bloque 515, el sistema determina una puntuación de alteración respiratoria basándose en la clasificación de la pluralidad de ventanas temporales. Por ejemplo, el sistema determina el porcentaje de ventanas temporales que se clasificaron como alteración respiratoria y genera la puntuación de alteración respiratoria en función del porcentaje. Por ejemplo, el sistema puede seleccionar la puntuación de un conjunto de puntuaciones disponibles, cada una asociada con un intervalo de porcentaje (por ejemplo, "normal" asociado con un intervalo de porcentaje de 0-5, "leve" asociado con un intervalo de porcentaje de 5-10, "moderado" asociado con un intervalo de porcentaje de 10-20, y "grave" asociado con un intervalo de porcentaje de 20+). En algunas realizaciones, el sistema puede determinar la puntuación de alteración respiratoria basándose en la clasificación y la información recopilada fuera del primer período (o el período específico durante el cual se determina que el usuario estuvo dormido). Por ejemplo, la determinación de la puntuación de alteración respiratoria del usuario puede basarse en la edad del usuario, el sexo, la altura, el peso, el nivel de actividad y/u otros factores.
En el bloque 520, el sistema genera la puntuación de la alteración respiratoria para presentarla al usuario. Por ejemplo, el dispositivo cliente 170 puede mostrar la puntuación de alteración respiratoria en la pantalla de visualización del dispositivo cliente 170 junto con una puntuación de alteración respiratoria de referencia generada en base a otros usuarios similares al usuario. Una puntuación de referencia de alteraciones respiratorias de este tipo se puede descargar desde el servidor 175. Adicionalmente o como alternativa, el dispositivo cliente 170 puede recibir una pluralidad de puntuaciones de alteraciones respiratorias pasadas asociadas con el usuario desde el servicio en la nube que almacena dichas puntuaciones de alteraciones respiratorias pasadas, y mostrar un historial de puntuaciones de alteraciones respiratorias en la pantalla de visualización del dispositivo cliente 170 en base a la pluralidad de puntuaciones anteriores de alteraciones respiratorias recibidas del servicio en la nube. Por ejemplo, el historial puede incluir un gráfico que ilustra una tendencia en las puntuaciones de alteraciones respiratorias del usuario. En algunos casos, adicionalmente o como alternativa, el sistema puede transmitir la puntuación de la alteración respiratoria a otro dispositivo para su visualización en dicho otro dispositivo.
En el método 500, uno o más de los bloques mostrados en la figura 5 pueden eliminarse (por ejemplo, no realizado) y/o se puede cambiar el orden en el que se realiza el método. Por ejemplo, en algunas realizaciones, se pueden omitir uno o más de los bloques 505, 510, 515 y 520. En algunas realizaciones, se pueden añadir bloques adicionales al método 500. El método 500 puede ser realizado por el dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175, ya sea solos o de forma distribuida. Por ejemplo, los bloques 505 y 510 pueden ser realizados por el dispositivo cliente 170 y los bloques 515 y 520 pueden ser realizados por el servidor 175. Como alternativa, todos los bloques 505-520 pueden ser realizados por el servidor 175 de manera que el servidor 175 reciba los datos del sensor desde el dispositivo portátil 100 o el dispositivo cliente 170 en el bloque 505 y envíe la puntuación de alteración respiratoria al dispositivo portátil 100 o al dispositivo cliente 170 en el bloque 520. Las realizaciones de la presente divulgación no se limitan al ejemplo mostrado en la figura 5 y se pueden implementar otras variaciones sin apartarse del espíritu de esta divulgación.
La figura 6 es un diagrama de flujo que ilustra un método de ejemplo para monitorizar las alteraciones respiratorias de un usuario de acuerdo con aspectos de la presente divulgación. El método 600 puede ser realizado por el dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175, ya sea solos o de forma distribuida. El método 600 ilustra un algoritmo de ejemplo que puede programarse, utilizando cualquier entorno o lenguaje de programación adecuado, crear código de máquina capaz de ser ejecutado por una CPU o microcontrolador del dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175. Se pueden codificar varias realizaciones usando ensamblaje, C, OBJECTIVE-C, C++, JAVA u otros lenguajes legibles por humanos y luego compilados, ensamblados o transformados de otro modo en código de máquina que puede cargarse en una memoria de sólo lectura (ROM), memoria de sólo lectura programable y borrable (EPROM), u otra memoria grabable del dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175 que está acoplado a la CPU o microcontrolador y luego ejecutado por la CPU o microcontrolador. Para mayor comodidad, el método 600 se describe a continuación como realizado por un servidor.
En el bloque 605, el servidor recibe los primeros datos PPG generados por al menos un sensor PPG verde, datos del segundo PPG generados por al menos un sensor PPG rojo, datos del tercer PPG generados por al menos un sensor PPG infrarrojos y datos del acelerómetro generados por al menos un acelerómetro. Aunque en el ejemplo de la figura 6, los datos del sensor generados por uno o más sensores de movimiento descritos en el presente documento se pueden usar adicional o alternativamente. En algunas realizaciones, el servidor recibe los datos del dispositivo portátil.
Como alternativa, un dispositivo móvil recibe los datos del dispositivo portátil (por ejemplo, a través de Bluetooth u otras tecnologías inalámbricas), y el dispositivo móvil transmite de forma inalámbrica los datos al servidor. Cada uno de los al menos un sensor PPG verde, el al menos un sensor PPG rojo, el al menos un sensor PPG infrarrojos y el al menos un acelerómetro pueden proporcionarse en un único rastreador de actividad portátil configurado para usarse en la muñeca de un usuario. En algunas realizaciones, los datos de PPG y/o los datos del acelerómetro pueden ser datos sin procesar generados por los sensores respectivos. En otras realizaciones, los datos de PPG y/o los datos del acelerómetro pueden ser datos procesados generados por el rastreador de actividad portátil basándose en dichos datos sin procesar. Por ejemplo, los datos procesados pueden incluir un conjunto de características extraídas de uno o más de los datos del primero, segundo y tercer PPG y datos del acelerómetro (por ejemplo, 17 características extraídas de cada uno de los datos de sensores de un minuto). El conjunto de características puede generarse para ventanas temporales individuales (por ejemplo, por cada minuto de los datos del sensor, por cada 5 minutos de los datos del sensor, etc.). En algunas realizaciones, los sensores se proporcionan en el rastreador de actividad portátil de manera que cada uno de los sensores esté ubicado en el mismo lado de la muñeca del usuario cuando el rastreador de actividad portátil se usa en la muñeca del usuario. En algunas realizaciones, al menos un sensor no está ubicado en el mismo lado de la muñeca del usuario que los sensores restantes. En algunos casos, uno o más sensores externos al rastreador de actividad portátil están en comunicación con el dispositivo móvil y/o el servidor y transmiten de forma inalámbrica datos de sensor adicionales al dispositivo móvil y/o al servidor. Por ejemplo, el dispositivo móvil puede comunicarse con un sensor de cama para recopilar datos de balistocardiograma indicativos de las fuerzas balísticas sobre el corazón. En algunos casos, los datos de respiración pueden generarse basándose en uno o más de los primeros datos de PPG, los datos del segundo PPG, los datos del tercer PPG, los datos del acelerómetro y/o los datos del balistocardiograma.
En el bloque 610, el servidor identifica, según los datos del acelerómetro (o una parte o subconjunto del conjunto de características extraídas de los datos del acelerómetro), un período de sueño durante el cual el usuario del rastreador de actividad portátil estaba dormido. En algunas realizaciones, el servidor identifica el período de sueño determinando qué parte de los datos del acelerómetro indica el movimiento del usuario que es consistente con el usuario durmiendo. Por ejemplo, el servidor puede identificar el período de sueño determinando qué parte de los datos del acelerómetro (o una o más características asociadas con qué marca de tiempo o ventana temporal) es indicativa de movimiento que es menor que un nivel umbral, y determinando el período de tiempo durante el cual dicha porción de los datos del acelerómetro se generó como el período de sueño. En algunos casos, el servidor identifica el período de sueño basándose en la determinación de que la porción de los datos del acelerómetro que corresponde al período de sueño no indica un nivel umbral de movimiento durante al menos una cantidad de tiempo umbral. Incluso cuando el usuario que lleva el rastreador de actividad portátil está durmiendo, el rastreador de actividad portátil puede experimentar algún movimiento y los datos del acelerómetro pueden reflejar dicho movimiento. En algunas realizaciones, el servidor ignora dicho movimiento mientras el usuario está durmiendo, y el período durante el cual se produce dicho movimiento no está excluido del período de sueño.
En el bloque 615, el servidor clasifica cada minuto de una pluralidad de minutos dentro del período de sueño como uno de (i) un minuto normal o (ii) un minuto con alteración respiratoria. El servidor puede clasificar los minutos individuales en función de (i) la parte de los datos de PPG verde generados durante el período de sueño, (ii) la parte de los datos de PPG rojo generados durante el período de sueño, (iii) la parte de los datos de PPG infrarrojos generados durante el período de sueño, y cualquier combinación de los mismos (o un subconjunto del conjunto de características extraídas de los datos de PPG verde, los datos de PPG rojo y/o los datos de PPG infrarrojos, por ejemplo, 5 características extraídas de los datos de PPG verde generados durante el minuto dado y 8 características extraídas de la combinación de los datos de PPG rojo y los datos de PPG infrarrojos generados durante el minuto dado). El servidor puede clasificar los minutos individuales basándose en datos adicionales correspondientes a un período de tiempo fuera del período de sueño. Por ejemplo, la determinación de si un minuto tiene alteración respiratoria o no puede basarse en la edad del usuario, el sexo, la altura, el peso, el nivel de actividad y/u otros factores. En otro ejemplo, el servidor determina una frecuencia cardíaca de referencia (u otra métrica fisiológica tal como la Sp02, la variabilidad de la frecuencia cardíaca, la frecuencia respiratoria, etc.) asociado con el usuario en función de la frecuencia cardíaca del usuario medida a lo largo del día (por ejemplo, fuera del período durante el cual se determina que el usuario estuvo dormido) o la frecuencia cardíaca del usuario durante varios días, semanas, meses o años, y utiliza la frecuencia cardíaca inicial (u otras métricas fisiológicas) para determinar si un minuto determinado debe clasificarse como alteración respiratoria o no. Por ejemplo, un aumento en la frecuencia cardíaca de 105 puede ser indicativo de un trastorno respiratorio para un usuario cuya frecuencia cardíaca inicial es 50, pero puede no ser indicativo de un trastorno respiratorio para otro usuario cuya frecuencia cardíaca inicial sea 100. En algunas realizaciones, el servidor genera datos de respiración basándose en uno o más de los datos del primer PPG, los datos del segundo PPG, los datos del tercer PPG, los datos del acelerómetro y/o los datos del balistocardiograma, y clasifica los minutos individuales basándose en los datos de respiración. Por ejemplo, el servidor puede clasificar un minuto dado como alteración respiratoria basándose en la determinación de que una parte de los datos de respiración correspondientes al minuto dado incluye un patrón de valores bajos seguido de un pico en el valor. En algunas realizaciones, el servidor clasifica los minutos individuales dentro de un período durante el cual los datos del sensor indican un movimiento menor que un nivel de umbral y no clasifica los minutos individuales dentro de otro período durante el cual los datos del sensor indican un movimiento mayor que el nivel de umbral. En algunas realizaciones, el servidor clasifica un minuto determinado basándose en la determinación de que el minuto dado está asociado con un movimiento inferior a un nivel de umbral. Por ejemplo, el servidor puede determinar primero que el minuto dado está asociado con un movimiento menor que un nivel de umbral antes de clasificar el minuto dado.
En el bloque 620, el servidor genera una puntuación de alteración respiratoria para el período de sueño basándose en la clasificación de los minutos individuales. Por ejemplo, el servidor determina el porcentaje de minutos que se clasificaron como alteración respiratoria y genera la puntuación de alteración respiratoria en función del porcentaje. Por ejemplo, el servidor puede seleccionar la puntuación de un conjunto de puntuaciones disponibles, cada una asociada con un intervalo de porcentaje (por ejemplo, "normal" asociado con un intervalo de porcentaje de 0-5, "leve" asociado con un intervalo de porcentaje de 5-10, "moderado" asociado con un intervalo de porcentaje de 10-20, y "grave" asociado con un intervalo de porcentaje de 20+). En algunas realizaciones, el servidos puede determinar la puntuación de alteración respiratoria basándose en la clasificación y la información recopilada fuera del período de sueño (o el período específico durante el cual se determina que el usuario estuvo dormido). Por ejemplo, la determinación de la puntuación de alteración respiratoria del usuario puede basarse en la edad del usuario, el sexo, la altura, el peso, el nivel de actividad y/u otros factores. El servidor puede actualizar la puntuación de referencia de alteración respiratoria correspondiente a la edad del usuario, el sexo, la altura, el peso, el nivel de actividad y/u otras categorías, según la puntuación de alteración respiratoria del usuario. El servidor puede mantener puntuaciones de alteraciones respiratorias anteriores para una pluralidad de usuarios, cada uno de ellos asociado con sus respectivos rastreadores de actividad portátiles.
En el bloque 625, el servidor hace que la puntuación de la alteración respiratoria se muestre en una pantalla del dispositivo móvil. Por ejemplo, el servidor puede transmitir de forma inalámbrica la puntuación de las alteraciones respiratorias al dispositivo móvil y el dispositivo móvil puede mostrar la puntuación de las alteraciones respiratorias junto con una puntuación de referencia de las alteraciones respiratorias correspondiente a la edad del usuario, el sexo, la altura, el peso, el nivel de actividad y/u otras categorías. Esta puntuación de referencia de alteraciones respiratorias se puede descargar del servidor o de otro servicio. Por ejemplo, el dispositivo móvil puede solicitar al servidor una puntuación de referencia de alteración respiratoria asociada con una categoría de usuario a la que pertenece el usuario (por ejemplo, cualquier combinación de atributos de usuario, tal como "30-39 años, varón, 182-192 cm (6'0"-6'3"), 79 84 kg (175-1851bs") y el servidor puede transmitir de forma inalámbrica la puntuación de referencia de alteración respiratoria asociada con la categoría de usuario. En algunas realizaciones, cómo se clasifican los minutos individuales (por ejemplo, como alteración respiratoria o normal) se muestra en una pantalla de usuario. En un ejemplo, dicha interfaz de usuario no incluye ninguna clasificación de minutos individuales fuera del período de sueño. En otro ejemplo, dicha interfaz de usuario puede incluir clasificaciones de minutos individuales fuera del período de sueño.
En el método 600, uno o más de los bloques mostrados en la figura 6 pueden eliminarse (por ejemplo, no realizado) y/o se puede cambiar el orden en el que se realiza el método. Por ejemplo, en algunas realizaciones, se pueden omitir uno o más de los bloques 605, 610, 615, 620 y 625. En algunas realizaciones, se pueden añadir bloques adicionales al método 600. El método 600 puede ser realizado por el dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175, ya sea solos o de forma distribuida. A modo de ejemplo, los bloques 605 y 610 pueden ser realizados por el dispositivo portátil 100 o el dispositivo cliente 170, los bloques 615 y 620 pueden ser realizados por el servidor 175, y el bloque 625 puede ser realizado por el dispositivo cliente 170. Por ejemplo, realizando al menos parte del procesamiento en el dispositivo portátil 100, se puede reducir la cantidad de datos que deben transmitirse de forma inalámbrica desde el dispositivo portátil 100 al dispositivo cliente 170 y/o al servidor 175, reduciendo así los requisitos de ancho de banda y/o reduciendo la latencia asociada con la transferencia/sincronización de datos. Como alternativa, todos los bloques 605-625 pueden realizarse únicamente mediante el dispositivo portátil 100, el dispositivo cliente 170 solo o el servidor 175 solo. Por ejemplo, realizando al menos parte del procesamiento en el servidor 175, se puede reducir la cantidad de procesamiento que necesita ser realizado por el dispositivo cliente 170, reduciendo así el consumo de energía y/o el consumo de recursos informáticos en el dispositivo cliente 170. En algunas realizaciones, el dispositivo cliente 170 no realiza ningún cálculo para clasificar las ventanas temporales y/o generar la puntuación de alteración respiratoria. En otras realizaciones, al menos parte del cálculo para clasificar las ventanas temporales y/o generar la puntuación de alteración respiratoria lo realiza el dispositivo cliente 170. Las realizaciones de la presente divulgación no se limitan al ejemplo mostrado en la figura 6 y se pueden implementar otras variaciones sin apartarse del espíritu de esta divulgación.
La figura 7 es un diagrama de flujo que ilustra un método de ejemplo para generar una puntuación de idoneidad del sueño para un usuario de acuerdo con aspectos de la presente divulgación. El método 700 puede ser realizado por el dispositivo portátil 100, el dispositivo cliente 170 y/o el servidor 175, entre otros dispositivos similares, solos o de forma distribuida. En el bloque 702, los datos del estado del usuario se reciben desde un dispositivo de seguimiento, aunque como se menciona en algunas realizaciones, los datos pueden recibirse de uno o más sensores, u otras fuentes similares, a un subsistema en el dispositivo de seguimiento. En este ejemplo, los datos del estado del usuario incluyen datos de PPG, datos de frecuencia cardíaca y datos de frecuencia de movimiento, aunque también se pueden recibir otros tipos de datos, que pueden incluir datos de presión arterial, datos de movimiento ocular, datos de audio, datos de balistocardiograma, datos de temperatura corporal y datos de actividad cerebral, entre otras opciones similares. Como se ha mencionado, estos datos se pueden obtener utilizando sensores o mecanismos apropiados en, o en comunicación con, el rastreador en al menos algunas realizaciones. Cualquier información adecuada sobre la salud, la idoneidad o el estado del usuario se pueden obtener dentro del alcance de las diversas realizaciones.
Una vez obtenido, en el bloque 704 el proceso determina al menos un período de sueño del usuario. Esto se puede determinar como se analiza en otra parte del presente documento, y puede utilizar datos de movimiento en combinación con cualquier otro dato relevante del estado del usuario. Los datos de movimiento se pueden obtener de un acelerómetro u otro sensor de movimiento en el dispositivo, o de una cámara o sensor de imagen, entre otras opciones similares. También como se ha mencionado, esto puede incluir determinar múltiples ventanas o períodos de sueño durante una noche o un período de tiempo específico en algunas realizaciones. Durante al menos un período de sueño, en el bloque 706 se analizan los datos del estado del usuario para generar datos sobre la idoneidad del sueño. Como se analiza en otra parte del presente documento, esto puede implicar el uso de cualquiera de los datos del estado del usuario para generar datos útiles para determinar la capacidad del sueño, ya que puede implicar la determinación de una puntuación de alteración respiratoria utilizando los datos de PPG, una puntuación de inquietud utilizando los datos de movimiento, una puntuación de regularidad del pulso utilizando la información de la frecuencia cardíaca, etc. Cualquier dato útil para determinar el estado de sueño o la condición física del usuario se puede calcular como se analiza y sugiere en el presente documento y como sería evidente para un experto en la técnica a la luz de la presente divulgación. En el bloque 708, al menos algunos de los datos de idoneidad del sueño generados o calculados se pueden comparar con datos históricos de idoneidad del sueño. Como se ha mencionado, esto se puede utilizar para determinar si alguno de los valores se desvía de los que normalmente se determinan para un usuario, ya que diferentes usuarios tendrán diferentes cantidades de movimiento o variación de estado durante los patrones de sueño normales para esos usuarios. En el bloque 710 se puede generar una puntuación de idoneidad para el sueño para ese usuario durante el período de tiempo respectivo. Como se ha mencionado, esto puede basarse en cualquiera o todos los datos sobre la condición física del sueño, así como cualquier variación de los valores históricos. Por ejemplo, la determinación de todos los valores normales que corresponden a promedios históricos para un usuario determinado, dentro de un intervalo o umbral de variación permitido, podría dar como resultado que se calcule una puntuación de condición física normal para un usuario. Esto podría dar como resultado una puntuación de "normal".
100% para estar en forma, etc. En algunas realizaciones se puede utilizar una función ponderada de datos de idoneidad del sueño para generar una puntuación de idoneidad del sueño, tal como de 0 a 100, que se puede presentar a un usuario, con una indicación separada de si esta puntuación es normal para ese usuario. Si la puntuación está fuera de un intervalo normal, la puntuación y la indicación podrán ir acompañadas de información adicional, tal como la que puede estar relacionada con los tipos de datos que dieron lugar a la puntuación atípica. Las ponderaciones de los distintos parámetros de la función se pueden determinar experimentalmente o mediante el uso de un algoritmo de aprendizaje automático entrenado, entre otras opciones similares. En algunas realizaciones, la puntuación de idoneidad para el sueño puede ser una puntuación simple de "idóneo" o "no idóneo". entre otras opciones similares, donde cualquier dato de estado de usuario individual fuera del rango normal puede resultar en una puntuación no adecuada. En diversas realizaciones, una puntuación de idoneidad para el sueño puede estar relacionada con un único punto de datos de idoneidad para el sueño, tales como pueden estar relacionados con una puntuación de alteración respiratoria o una puntuación de inquietud determinada en función de al menos el movimiento detectado, mientras que en diversas realizaciones se utilizan combinaciones de los factores discutidos y sugeridos en el presente documento para proporcionar una determinación más precisa y útil. Una vez generado, en el bloque 712 el proceso puede proporcionar al menos la puntuación de idoneidad para el sueño para su presentación, y también puede proporcionar otra información relevante como se analiza y sugiere en el presente documento.
Los dispositivos tradicionales de análisis del sueño (los utilizados por los laboratorios del sueño o sistemas de sensores como ARESTM Home Sleep Test), aunque más precisos, sólo los utilizan personas que ya saben o sospechan que tienen trastornos del sueño. Una ventaja de utilizar sensores en un rastreador de actividad portátil es que se puede controlar la calidad del sueño de cualquier persona durante meses y años sin alterar su rutina natural de sueño. Una combinación de sensores de muñeca junto con algoritmos de aprendizaje automático puede proporcionar información relevante sobre la calidad del sueño. Los datos de estos diferentes flujos de sensores se extraen mediante novedosos algoritmos de extracción de características.
El diagnóstico de apnea del sueño normalmente requiere el equipo y el personal de un laboratorio del sueño. Un técnico del sueño monitoriza al sujeto mientras duerme y registra datos de una serie de sensores, tales como, por ejemplo, mediciones de electroencefalograma (EEG) de actividad cerebral, Sp02 a través de mediciones de PPG, flujo de aire a través de un tubo nasal y mediciones de transductor de presión, y/o monitorización eléctrica de los latidos del corazón (ECG). En algunas implementaciones, se puede usar un sensor de Sp02 de dedo acoplado con un acelerómetro y respiración derivada de un sensor de cama para monitorizar las alteraciones respiratorias de un usuario. En otras implementaciones, una plataforma portátil que registra la Sp02 y la frecuencia cardíaca a través de un pulsioxímetro de reflectancia en la frente y esfuerzo respiratorio mediante un sensor de presión nasal. Estas implementaciones pueden resultar costosas debido al equipo requerido, cuyo funcionamiento puede no ser fácilmente accesible para el profano en la materia. Además, estas implementaciones pueden requerir una puntuación manual de los datos para llegar a un diagnóstico médico. Por tanto, un sistema de detección masiva implementado utilizando un rastreador de actividad portátil diario permitiría a las personas determinar si deben buscar atención médica adicional con un costo mínimo en comparación con un laboratorio del sueño y sin alterar su rutina natural de sueño.
En algunas realizaciones, el dispositivo portátil 100 está diseñado para usarse todos los días y está configurado para proporcionar, además de las métricas del sueño, otras métricas o notificaciones (por ejemplo, notificaciones de teléfonos inteligentes, recuento de pasos, estadísticas de jogging, etc.). En esos casos, por lo tanto, es mucho más probable que el dispositivo portátil 100 sea adquirido por usuarios que no sospechan que tienen apnea del sueño u otras condiciones del sueño/respiración y proporciona información de diagnóstico valiosa a la gran cantidad de usuarios que aún no saben que tienen apnea del sueño u otras condiciones de sueño/respiración.
La información y las señales divulgadas en el presente documento pueden representarse utilizando cualquiera de diversas tecnologías y técnicas diferentes. Por ejemplo, los datos, instrucciones, comandos, información, señales, bits, símbolos y chips a los que se puede hacer referencia a lo largo de la descripción anterior pueden representarse mediante tensiones, corrientes, ondas electromagnéticas, campos magnéticos o partículas, campos ópticos o partículas o cualquier combinación de los mismos
Los diversos bloques lógicos ilustrativos y pasos de algoritmo descritos en relación con las realizaciones descritas en el presente documento pueden implementarse como hardware electrónico, software de ordenador o combinaciones de ambos. Para ilustrar claramente esta intercambiabilidad de hardware y software, varios componentes ilustrativos, bloques y etapas se han descrito anteriormente en términos generales en términos de su funcionalidad. Que tal funcionalidad se implemente como hardware o como software depende de la aplicación particular y restricciones de diseño impuestas al sistema global. Los expertos en la técnica pueden implementar la funcionalidad descrita en formas variables para cada aplicación particular, pero dichas decisiones de implementación no deben interpretarse como que causan una desviación del alcance de la presente divulgación.
Las técnicas descritas en el presente documento pueden implementarse en hardware, software,firmware,o cualquier combinación de los mismos. Tales técnicas pueden implementarse en cualquiera de diversos dispositivos, tales como, por ejemplo, dispositivos portátiles, teléfonos con dispositivos de comunicación inalámbricos o dispositivos de circuitos integrados para dispositivos portátiles, teléfonos con dispositivos de comunicación inalámbricos y otros dispositivos. Cualquier característica descrita como dispositivo o componente puede implementarse junta en un dispositivo lógico integrado o por separado como dispositivos lógicos discretos pero interoperables. Si se implementa ensoftware,las técnicas pueden realizarse al menos en parte mediante un medio de almacenamiento de datos legible por ordenador que comprende un código de programa que incluye instrucciones que, cuando se ejecutan, realizan uno o más de los métodos descritos anteriormente. El medio de almacenamiento de datos legible por ordenador puede formar parte de un producto de programa informático, que pueden incluir materiales de embalaje. El medio legible por ordenador puede comprender memoria o medios de almacenamiento de datos, tal como la memoria de acceso aleatorio (RAM), como la memoria de acceso aleatorio dinámico síncrono (SDRAM), memoria de solo lectura, memoria de acceso aleatorio no volátil (NVRAM), memoria de sólo lectura programable y borrable (EEPROM, memoria flash, medios de almacenamiento de datos magnéticos u ópticos, y similares. Las técnicas adicionalmente, o alternativamente, pueden realizarse al menos en parte mediante un medio de comunicación legible por ordenador que transporta o comunica código de programa en forma de instrucciones o estructuras de datos y al que se puede acceder, leer y/o ejecutar mediante un ordenador, tal como señales u ondas propagadas.
Según algunas realizaciones, las técnicas descritas en el presente documento se implementan mediante uno o más dispositivos informáticos especiales. Los dispositivos informáticos de propósito especial pueden estar cableados para realizar las técnicas, o pueden incluir dispositivos electrónicos digitales, tal como uno o más circuitos integrados de aplicación específica (ASIC) o conjuntos de puertas programables en campo (FPGA) que están programados persistentemente para realizar las técnicas o pueden incluir uno o más procesadores de hardware de propósito general programados para realizar las técnicas de acuerdo con las instrucciones del programa en elfirmware,memoria, otro almacenamiento o una combinación. Estos dispositivos informáticos especiales también pueden combinar lógica cableada personalizada, ASIC o FPGA con programación personalizada para realizar las técnicas. Los dispositivos informáticos especiales pueden ser sistemas informáticos de escritorio, sistemas informáticos portátiles, dispositivos manuales, dispositivos de red, dispositivos portátiles o cualquier otro dispositivo que incorpore lógica cableada y/o de programa para implementar las técnicas.
El(los) procesador(es) en comunicación con (por ejemplo, operando en colaboración con) el medio legible por ordenador (por ejemplo, memoria u otro dispositivo de almacenamiento de datos) puede ejecutar instrucciones del código del programa y puede incluir uno o más procesadores, tal como uno o más procesadores de señales digitales (DSP), microprocesadores de propósito general, ASIC, FPGA u otros circuitos lógicos discretos o integrados equivalentes. Dicho procesador puede configurarse para realizar cualquiera de las técnicas descritas en la presente divulgación. Un procesador de uso general puede ser un microprocesador; pero, como alternativa, el procesador puede ser cualquier procesador convencional, controlador, microcontrolador o máquina de estados. Un procesador también se puede implementar como una combinación de dispositivos informáticos, por ejemplo, una combinación de un PSD y un microprocesador, una pluralidad de microprocesadores, uno o más microprocesadores junto con un núcleo PSD, o cualquier otra configuración similar. En consecuencia, el término "procesador", como se utiliza en el presente documento, puede referirse a cualquiera de las estructuras anteriores, cualquier combinación de la estructura anterior, o cualquier otra estructura o aparato adecuado para la implementación de las técnicas descritas en el presente documento. Asimismo, las técnicas podrían implementarse completamente en uno o más circuitos o elementos lógicos.
Las técnicas de esta divulgación pueden implementarse en una amplia variedad de dispositivos o aparatos, incluyendo un dispositivo portátil, un teléfono inalámbrico, un circuito integrado (CI) o un conjunto de CI (por ejemplo, un conjunto de chips). En la presente divulgación se describen varios componentes o unidades para enfatizar los aspectos funcionales de los dispositivos configurados para realizar las técnicas divulgadas, pero no necesariamente requieren la realización por diferentes unidades dehardware.Por el contrario, como se ha descrito anteriormente, varias unidades pueden combinarse en una unidad dehardwareo proporcionarse mediante una colección de unidades dehardwareinteroperativas, incluyendo uno o más procesadores como se describe anteriormente, junto con elsoftwarey/ofirmwareadecuado.
Aunque lo anterior se ha descrito en relación con varias realizaciones diferentes, las características o elementos de una realización se pueden combinar con otras realizaciones sin apartarse de las enseñanzas de la presente divulgación. Sin embargo, las combinaciones de características entre las respectivas realizaciones no se limitan necesariamente a las mismas.
Claims (15)
1. Un sistema, que comprende:
al menos un procesador (120) y
memoria no transitoria legible por ordenador, que incluye instrucciones que, cuando son ejecutadas por el al menos un procesador, hacen que el sistema:
reciba datos de patrones de respiración y datos de movimiento de un usuario, los datos del patrón de respiración y los datos de movimiento capturados usando uno o más sensores (160, 161-169) de un dispositivo (100) cercano al usuario;
determine, usando los datos de movimiento, un periodo de sueño para el usuario;
analice los datos del patrón de respiración, capturado durante el período de sueño, para determinar una puntuación de idoneidad para el sueño del usuario, en donde los datos del patrón de respiración se analizan en una pluralidad de ventanas temporales y cada ventana temporal se clasifica como una de (i) alteración respiratoria o (ii) no alteración respiratoria;
determine un porcentaje de ventanas temporales que se clasificaron como con alteración respiratoria; genere una puntuación de alteración respiratoria basada al menos en parte en el porcentaje;
calcule la puntuación de idoneidad para el sueño del usuario durante el período de sueño, la puntuación de idoneidad para el sueño calculada basándose al menos en parte en la puntuación de alteración respiratoria y los datos de movimiento y
proporcione, para presentación, la puntuación de idoneidad para el sueño del usuario.
2. El sistema de la reivindicación 1, en donde las instrucciones, cuando se ejecutan, provocan además que el sistema: determine el período de sueño en parte determinando al menos un período de tiempo umbral en donde una cantidad de movimiento representada por los datos de movimiento es menor que un umbral de movimiento determinado.
3. El sistema de la reivindicación 1, en donde las instrucciones, cuando se ejecutan, provocan además que el sistema: calcule una puntuación de alteración respiratoria utilizando los datos del patrón de respiración, los datos del patrón de respiración que incluyen datos de PPG capturados usando un conjunto de sensores de PPG (166-168) del dispositivo (100).
4. El sistema de la reivindicación 3, en donde las instrucciones, cuando se ejecutan, hacen además que el sistema: calcule adicionalmente la puntuación de idoneidad para el sueño basándose en los datos de frecuencia respiratoria capturados para el usuario durante el período de sueño.
5. El sistema de la reivindicación 1, en donde las instrucciones, cuando se ejecutan, hacen además que el sistema: calcule la puntuación de alteración respiratoria sólo si el período de sueño excede una cantidad de tiempo umbral.
6. El sistema de la reivindicación 1, en donde cada una de las ventanas temporales tiene una duración de 30 segundos, 1 minuto, 2 minutos o 5 minutos.
7. El sistema de la reivindicación 1, en donde el dispositivo próximo al usuario es un rastreador portátil (100) que se lleva en la muñeca del usuario.
8. El sistema de la reivindicación 1, en donde las instrucciones, cuando se ejecutan, hacen además que el sistema:
extraiga un componente de baja frecuencia de los datos del primer sensor, generado por un sensor PPG rojo (167) y un componente de baja frecuencia de los datos del segundo sensor, generado por un sensor PPG infrarrojos (168);
determine los datos del sensor procesados basándose en la división del componente de baja frecuencia de los datos del primer sensor por el componente de baja frecuencia de los datos del segundo sensor; y
clasificar al menos una de la pluralidad de ventanas temporales para el período de sueño usando los datos del sensor procesados.
9. El sistema de la reivindicación 1, en donde las instrucciones, cuando se ejecutan, hacen además que el sistema: reciba los datos del patrón de respiración y los datos de movimiento de un dispositivo informático (170) asociado con el usuario y que tiene comunicación directa con el dispositivo (100) cercano al usuario.
10. Un método implementado por ordenador, que comprende:
recibir datos de fotopletismografía, PPG, para un usuario que lleva un dispositivo portátil (100), los datos de PPG capturados usando uno o más sensores de PPG (166-168) del dispositivo portátil (100);
analizar, durante un período de sueño del usuario, los datos de PPG para determinar una puntuación de alteración respiratoria para el período de sueño, el período de sueño determinado en parte usando datos de movimiento capturados por un sensor de movimiento (161, 162) del dispositivo informático portátil (100) y los datos de PPG analizados en una pluralidad de ventanas temporales, en donde cada ventana temporal se clasifica como una de (i) alteración respiratoria o (ii) no alteración respiratoria;
determine un porcentaje de ventanas temporales que se clasificaron como con alteración respiratoria; generar la puntuación de alteración respiratoria basándose al menos en parte en el porcentaje;
calcular una puntuación de idoneidad para el sueño para el usuario durante el período de sueño, la puntuación de idoneidad para el sueño calculada basándose al menos en parte en la puntuación de alteración respiratoria y los datos de movimiento; y
proporcionar la visualización de al menos una de las puntuaciones de idoneidad para el sueño o de alteración de la respiración.
11. El método implementado por ordenador de la reivindicación 10, que comprende además:
calcular la puntuación de idoneidad para el sueño basándose, al menos en parte, en (1) una diferencia entre la puntuación de alteración respiratoria y una puntuación de alteración respiratoria de referencia histórica para el usuario y (2) una cantidad de movimiento determinada para el período de sueño utilizando los datos de movimiento capturados por el sensor de movimiento.
12. El método implementado por ordenador de la reivindicación 11, que comprende además:
recibir datos de frecuencia respiratoria del usuario durante el período de sueño, los datos de frecuencia respiratoria capturados mediante un sensor de cama; y
calcular además la puntuación de idoneidad para el sueño basándose en los datos de frecuencia respiratoria del usuario.
13. El método implementado por ordenador de la reivindicación 10, que comprende además:
actualizar una puntuación de respiración inicial para el usuario utilizando la puntuación de alteración respiratoria para partes del período de sueño; y
proporcionar la puntuación de respiración de referencia actualizada para su visualización.
14. El método implementado por ordenador de la reivindicación 10, en donde los datos de PPG incluyen datos capturados usando un sensor PPG verde (166), un sensor PPG rojo (167) y un sensor PPG infrarrojo (168) en el dispositivo portátil (100).
15. El método implementado por ordenador de la reivindicación 10, que comprende además:
recibir datos de sensor adicionales generados por al menos un sensor adicional (163-165, 169) del dispositivo portátil (100), los datos de sensor adicionales generados durante un segundo período fuera del período de sueño; determinar una métrica fisiológica de referencia asociada con el usuario en base a los datos adicionales del sensor; y
clasificar las respectivas ventanas temporales basándose al menos en parte en la métrica fisiológica de referencia asociada con el usuario.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762547710P | 2017-08-18 | 2017-08-18 | |
| PCT/US2018/046963 WO2019036661A1 (en) | 2017-08-18 | 2018-08-17 | AUTOMATIC DETECTION OF RESPIRATORY DISORDERS |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2965942T3 true ES2965942T3 (es) | 2024-04-17 |
Family
ID=65359997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES18845634T Active ES2965942T3 (es) | 2017-08-18 | 2018-08-17 | Detección automatizada de alteraciones respiratorias |
Country Status (5)
| Country | Link |
|---|---|
| US (4) | US20190053754A1 (es) |
| EP (1) | EP3668396B1 (es) |
| CN (2) | CN111246798B (es) |
| ES (1) | ES2965942T3 (es) |
| WO (1) | WO2019036661A1 (es) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022530003A (ja) * | 2019-04-23 | 2022-06-27 | コーニンクレッカ フィリップス エヌ ヴェ | 被検者の生理学的現象および身体活動を測定するためのデバイス、システム、および方法 |
| US20210137450A1 (en) * | 2019-05-13 | 2021-05-13 | Aditya Agarwal | Breath monitoring and feedback application and methods |
| US20200367811A1 (en) * | 2019-05-21 | 2020-11-26 | Firstbeat Analytics Oy | Method and apparatus for detecting a sleep state |
| CN113311736A (zh) * | 2020-02-27 | 2021-08-27 | Oppo广东移动通信有限公司 | 可穿戴设备的控制方法、装置、电子设备和可读存储介质 |
| US11337615B2 (en) * | 2020-03-06 | 2022-05-24 | The Access Technologies | Smart wristband for multiparameter physiological monitoring |
| CN115668398A (zh) * | 2020-03-26 | 2023-01-31 | 卫材R&D管理有限公司 | 用于健康监测的装置 |
| EP3906853A1 (en) | 2020-05-05 | 2021-11-10 | Withings | Method and device to determine sleep apnea of a user |
| CN115515478A (zh) * | 2020-05-07 | 2022-12-23 | 菲利普莫里斯生产公司 | 检测床垫组件的周围的第一气体的方法和系统 |
| US11896387B2 (en) * | 2020-06-02 | 2024-02-13 | Pacesetter, Inc. | Methods, systems, and devices for detecting sleep and apnea events |
| CN112656387A (zh) * | 2020-06-15 | 2021-04-16 | 杭州星迈科技有限公司 | 一种可穿戴设备数据的处理方法、装置和计算机设备 |
| CN114073493B (zh) * | 2020-08-18 | 2023-12-29 | 华为终端有限公司 | 生理数据采集方法、装置及可穿戴设备 |
| CN114120586A (zh) * | 2020-08-25 | 2022-03-01 | 深圳迈瑞生物医疗电子股份有限公司 | 报警方法、监护设备、监护系统及可读存储介质 |
| CN113729725B (zh) * | 2021-09-30 | 2024-02-06 | 东南大学 | 基于功率谱一阶矩和平滑器的心电信号提取呼吸波形方法 |
| AU2022353842A1 (en) * | 2021-10-01 | 2024-04-11 | Oura Health Oy | Techniques for heart rate detection |
| WO2023061565A1 (en) * | 2021-10-13 | 2023-04-20 | Huawei Technologies Co., Ltd. | Apparatus, system and method for determining whether a person is asleep |
| EP4226854A4 (en) * | 2021-12-31 | 2024-04-10 | Kingfar Int Inc | PORTABLE INTEGRATED PHYSIOLOGICAL INTELLIGENT SENSOR SYSTEM WITH MULTI-INDICES AND PHYSIOLOGICAL INDEX MONITORING METHODS |
| US20240131341A1 (en) * | 2022-10-19 | 2024-04-25 | The Alfred E. Mann Foundation For Scientific Research | Hypoglossal nerve stimulation to treat obstructive sleep apnea in the absence of a respiratory signal |
Family Cites Families (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61228831A (ja) * | 1985-04-02 | 1986-10-13 | ミノルタ株式会社 | 無呼吸発作検出装置 |
| US5540733A (en) * | 1994-09-21 | 1996-07-30 | Medtronic, Inc. | Method and apparatus for detecting and treating obstructive sleep apnea |
| US6306088B1 (en) * | 1998-10-03 | 2001-10-23 | Individual Monitoring Systems, Inc. | Ambulatory distributed recorders system for diagnosing medical disorders |
| US7294112B1 (en) * | 1999-05-13 | 2007-11-13 | Colin Dunlop | Motion monitoring apparatus |
| EP2363061A1 (en) * | 2000-06-16 | 2011-09-07 | BodyMedia, Inc. | System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability |
| US7020508B2 (en) * | 2002-08-22 | 2006-03-28 | Bodymedia, Inc. | Apparatus for detecting human physiological and contextual information |
| US6878121B2 (en) * | 2002-11-01 | 2005-04-12 | David T. Krausman | Sleep scoring apparatus and method |
| KR100552681B1 (ko) * | 2003-04-25 | 2006-02-20 | 삼성전자주식회사 | 수면 무호흡 진단 장치 및 방법 |
| US20050113709A1 (en) * | 2003-11-24 | 2005-05-26 | Titanium Ventures Inc. | Diagnostic system and methods for detecting disorders in the respiratory control chemoreceptors |
| JP2006204742A (ja) * | 2005-01-31 | 2006-08-10 | Konica Minolta Sensing Inc | 睡眠評価方法、睡眠評価システム及びその動作プログラム、パルスオキシメータ並びに睡眠支援システム |
| CN101340869A (zh) * | 2005-12-20 | 2009-01-07 | 皇家飞利浦电子股份有限公司 | 用于减少睡着的人的打鼾和/或睡眠呼吸暂停的系统和方法 |
| EP2020919B1 (en) * | 2006-06-01 | 2019-07-31 | ResMed Sensor Technologies Limited | Apparatus, system, and method for monitoring physiological signs |
| EP2091428A4 (en) * | 2006-09-07 | 2012-05-30 | Widemed Ltd | IDENTIFICATION OF HEART FAILURE WITH A PHOTOPLETHYSMOGRAPHS |
| US8821418B2 (en) * | 2007-05-02 | 2014-09-02 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
| KR101850855B1 (ko) * | 2008-09-24 | 2018-04-20 | 레스메드 센서 테크놀로지스 리미티드 | 평가 및 조정을 위한 삶의 질 변수의 비접촉 및 최소접촉 모니터링 |
| US8515529B2 (en) * | 2009-02-12 | 2013-08-20 | Braemar Manufacturing, Llc | Detecting sleep disorders using heart activity |
| US8636667B2 (en) * | 2009-07-06 | 2014-01-28 | Nellcor Puritan Bennett Ireland | Systems and methods for processing physiological signals in wavelet space |
| ES2703605T3 (es) * | 2009-09-03 | 2019-03-11 | Csem Ct Suisse Delectronique Microtechnique Sa Rech Developpement | Dispositivo de monitoreo y método para estimar la concentración de constituyentes sanguíneos para tejidos con baja perfusión |
| US8620591B2 (en) * | 2010-01-14 | 2013-12-31 | Venture Gain LLC | Multivariate residual-based health index for human health monitoring |
| WO2012024106A2 (en) * | 2010-08-17 | 2012-02-23 | University Of Florida Research Foundation, Inc. | Central site photoplethysmography, medication administration, and safety |
| US9241635B2 (en) * | 2010-09-30 | 2016-01-26 | Fitbit, Inc. | Portable monitoring devices for processing applications and processing analysis of physiological conditions of a user associated with the portable monitoring device |
| US10206591B2 (en) * | 2011-10-14 | 2019-02-19 | Flint Hills Scientific, Llc | Seizure detection methods, apparatus, and systems using an autoregression algorithm |
| CN115813368A (zh) * | 2012-05-30 | 2023-03-21 | 瑞思迈传感器技术有限公司 | 用于监控心肺健康的方法和设备 |
| US9044171B2 (en) * | 2012-06-22 | 2015-06-02 | Fitbit, Inc. | GPS power conservation using environmental data |
| EP2687154B8 (en) * | 2012-07-20 | 2019-09-11 | CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement | Portable device and method for determining a sleep-related parameter of a user |
| CN105142583B (zh) * | 2013-03-14 | 2019-01-08 | Zst控股股份有限公司 | 用于提供用于口腔矫治器疗法的自动滴定的系统和方法 |
| US20140343371A1 (en) * | 2013-05-14 | 2014-11-20 | Ii Thomas Skerik Sowers | Wearable sensor device for health monitoring and methods of use |
| WO2015006364A2 (en) * | 2013-07-08 | 2015-01-15 | Resmed Sensor Technologies Limited | Method and system for sleep management |
| US20150065832A1 (en) * | 2013-09-03 | 2015-03-05 | Paul Manion | System and methods of identifying and alerting a user of a health event |
| NZ630770A (en) * | 2013-10-09 | 2016-03-31 | Resmed Sensor Technologies Ltd | Fatigue monitoring and management system |
| US20160051184A1 (en) * | 2013-10-24 | 2016-02-25 | JayBird LLC | System and method for providing sleep recommendations using earbuds with biometric sensors |
| CN103767710B (zh) * | 2013-12-31 | 2015-12-30 | 歌尔声学股份有限公司 | 人体运动状态监视方法和装置 |
| US10278638B2 (en) * | 2014-07-21 | 2019-05-07 | Withings | System and method to monitor and assist individual's sleep |
| US9808185B2 (en) * | 2014-09-23 | 2017-11-07 | Fitbit, Inc. | Movement measure generation in a wearable electronic device |
| US20160113526A1 (en) * | 2014-10-23 | 2016-04-28 | Dyansys, Inc. | Generating user information from autonomic nervous system parameters |
| US10159421B2 (en) * | 2015-03-30 | 2018-12-25 | Resmed Sensor Technologies Limited | Detection of periodic breathing |
| US9642538B2 (en) * | 2015-07-19 | 2017-05-09 | Sanmina Corporation | System and method for a biosensor monitoring and tracking band |
| KR102656806B1 (ko) * | 2016-04-28 | 2024-04-12 | 엘지전자 주식회사 | 와치타입 단말기 및 이의 제어방법 |
| US10325514B2 (en) * | 2016-06-02 | 2019-06-18 | Fitbit, Inc. | Systems and techniques for tracking sleep consistency and sleep goals |
| US11207021B2 (en) * | 2016-09-06 | 2021-12-28 | Fitbit, Inc | Methods and systems for labeling sleep states |
| CN106580325A (zh) * | 2017-02-07 | 2017-04-26 | 珠海安润普科技有限公司 | 睡眠呼吸监测设备及睡眠呼吸监测方法 |
| US10111615B2 (en) * | 2017-03-11 | 2018-10-30 | Fitbit, Inc. | Sleep scoring based on physiological information |
| CN111163693A (zh) * | 2017-06-28 | 2020-05-15 | 瑞桑尼有限公司 | 健康和疾病的诊断定制 |
| US20220392590A1 (en) * | 2021-06-07 | 2022-12-08 | Apple Inc. | Granular data update sharing |
-
2018
- 2018-08-16 US US15/998,491 patent/US20190053754A1/en not_active Abandoned
- 2018-08-17 CN CN201880068114.6A patent/CN111246798B/zh active Active
- 2018-08-17 WO PCT/US2018/046963 patent/WO2019036661A1/en unknown
- 2018-08-17 CN CN202311649763.4A patent/CN117582211A/zh active Pending
- 2018-08-17 ES ES18845634T patent/ES2965942T3/es active Active
- 2018-08-17 EP EP18845634.7A patent/EP3668396B1/en active Active
-
2019
- 2019-05-31 US US16/428,412 patent/US10874345B2/en active Active
-
2020
- 2020-12-29 US US17/136,355 patent/US11678838B2/en active Active
-
2023
- 2023-05-05 US US18/313,108 patent/US20230270377A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3668396A1 (en) | 2020-06-24 |
| US10874345B2 (en) | 2020-12-29 |
| US20210161464A1 (en) | 2021-06-03 |
| US20230270377A1 (en) | 2023-08-31 |
| EP3668396A4 (en) | 2021-05-05 |
| US20190053754A1 (en) | 2019-02-21 |
| CN111246798A (zh) | 2020-06-05 |
| CN111246798B (zh) | 2023-12-22 |
| US11678838B2 (en) | 2023-06-20 |
| US20190282159A1 (en) | 2019-09-19 |
| EP3668396B1 (en) | 2023-10-04 |
| WO2019036661A1 (en) | 2019-02-21 |
| CN117582211A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2965942T3 (es) | Detección automatizada de alteraciones respiratorias | |
| JP7009556B2 (ja) | ヘルスケア用ウェアラブル装置及びそのための方法 | |
| Park et al. | Smart technologies toward sleep monitoring at home | |
| CN108852283B (zh) | 基于生理信息的睡眠评分 | |
| Chang et al. | SleepGuard: Capturing rich sleep information using smartwatch sensing data | |
| Rofouei et al. | A non-invasive wearable neck-cuff system for real-time sleep monitoring | |
| US20150182130A1 (en) | True resting heart rate | |
| JP6149515B2 (ja) | 検知方法，検知装置および検知プログラム | |
| US20150031964A1 (en) | Physiological signal detecting device and system | |
| US20210401314A1 (en) | Illness Detection Based on Nervous System Metrics | |
| Pombo et al. | ubiSleep: An ubiquitous sensor system for sleep monitoring | |
| US20220248967A1 (en) | Detecting and Measuring Snoring | |
| US20220287592A1 (en) | Behavior task evaluation system and behavior task evaluation method | |
| US20220122728A1 (en) | System and method for breathing monitoring and management | |
| Assaf et al. | Sleep detection using physiological signals from a wearable device | |
| KR20230031228A (ko) | 스트레스 결정 및 관리 기술 | |
| US20220409187A1 (en) | Illness detection with menstrual cycle pattern analysis | |
| WO2023157596A1 (ja) | 情報処理方法、情報処理装置、プログラム、及び、情報処理システム | |
| Pan | Contribution to a non intrusive long-term sleep monitoring based on wearable patches and an algorithmic classification method | |
| Rajesh et al. | Application of Multi-Sensor based Audio Wearable Device in Sleep Analysis, Wellness Tracking and Prediction | |
| Abo-Zahhad et al. | Design of smart wearable system for sleep tracking using SVM and multi-sensor approach | |
| Chen et al. | Detection of Daily Lifestyle Change from Pulse Rate Measured during Sleep. |