JP2023535379A - ウェアラブルバイオセンサを使用する体温推定の方法及びシステム - Google Patents

ウェアラブルバイオセンサを使用する体温推定の方法及びシステム Download PDF

Info

Publication number
JP2023535379A
JP2023535379A JP2023503198A JP2023503198A JP2023535379A JP 2023535379 A JP2023535379 A JP 2023535379A JP 2023503198 A JP2023503198 A JP 2023503198A JP 2023503198 A JP2023503198 A JP 2023503198A JP 2023535379 A JP2023535379 A JP 2023535379A
Authority
JP
Japan
Prior art keywords
parameters
sensor data
instantaneous
body temperature
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2023503198A
Other languages
English (en)
Inventor
ポーラク ラル ラジバンダリ
ガブリエル ナラタンビ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vital Connect Inc
Original Assignee
Vital Connect Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Vital Connect Inc filed Critical Vital Connect Inc
Publication of JP2023535379A publication Critical patent/JP2023535379A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/20—Clinical contact thermometers for use with humans or animals
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/14—Supports; Fastening devices; Arrangements for mounting thermometers in particular locations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
    • 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
    • A61B5/02—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
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • 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
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • 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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本出願は、複数の生理学的パラメータ、物理的パラメータ、及び皮膚表面／微気候熱パラメータを測定し、追加の瞬間パラメータを導出し、時間的ダイナミクスに基づいてコンテキストパラメータを学習し、深部体温を推定するためにアンサンブルモデル融合方法を利用する体の表面に付けられるマルチモードウェアラブルバイオセンサに基づいて患者の体温を決定するためのデバイス、システム、及び方法に関する。【選択図】図１

Description

深部体温は、腹腔、胸腔、頭蓋腔などの体の深部組織で測定される温度であり、人の健康及び生理学的状態を示す。視床下部は体温調節の制御中枢であり、皮膚（皮膚受容体）、角膜、膀胱、肝臓、及び視床下部にある寒さ及び熱を感知する温度受容器によって栄養が供給される。視床下部は、日中は上昇し、夜間及び就寝時間中に下がる温度の概日リズムのため、通常約１Ｃの頂点間振幅のわずかな日内変動で温度を狭いマージン内に維持するために、伝導メカニズム、対流メカニズム、及び放射メカニズムなどのメカニズムを介して温度を調節する。
体温は、生理学的パラメータ及び周囲パラメータによって相関し、影響され、熱の生成、保存、及び体からの放散の相互作用によって維持される。熱は、化学酸化代謝の一定のプロセス、及び筋肉活動の断続的なプロセスによって体内で生成される。生成された熱の損失率は、血管収縮及び皮膚表面からの血流の迂回を含む生理学的プロセスによって発生する（皮膚の血管収縮、立毛、発汗の減少、筋肉収縮の増加、震えのない熱産生、暖かい衣服又は環境の探索）。熱の放散は、対流、放射、及び蒸発の物理的メカニズムによって発生する場合があり、それらの間のトレードオフはさまざまな状況に存在する。例えば、対流は周囲が強風の状況のときにより効率的であり、蒸発は、高温の周囲では支配的な熱放散メカニズムであるが、高湿度では効率が悪い。呼吸及び食べ物又は飲み物の摂取も体温のわずかな変化を引き起こす可能性があるが、熱変化の小さなメカニズムである。
正常範囲外の体温の変化は、体が設定温度に到達できないか、又は設定温度自体の変化のどちらかのために発生する場合がある。体の周囲パラメータ及び生理学的パラメータは、正常範囲からの体温の逸脱を示す場合がある。周囲パラメータは、高温、低温、又は換気がほとんどなされない高湿度などの極限環境又はストレスにさらされるために引き起こされる可能性がある。例えば、視床下部の設定点又は目標体温は、正常範囲外に深部体温を上昇させる可能性のある運動及び激しい肉体労働による高体温症に苦しむ人では変化しない。別の例は、低温にさらされ、低体温症に陥り、その結果、代謝低下が起こり、体全体の活動が低下する場合があるオープンウォータースイマーである。視床下部設定点の変化の生理学的パラメータの影響は、熱又は発熱を引き起こす。
深部体温を測定するための絶対的基準は、肺動脈カテーテル又は食道カテーテルであるが、これらは侵襲的なプローブの配置を必要とし、これは非常に実際的ではなく、救命救急病棟外ではめったに使用されない。体温を評価する他のより一般的な臨床診療は、尿路カテーテル、直腸プローブ、口腔体温計、及び腋窩体温計の使用を含む。侵襲性、確度、精度、人間の介入／入力の要件、体温プロファイルの頻度及び継続的な可用性の間にはトレードオフがあり、肺動脈カテーテル又は食道カテーテル、さらには膀胱カテーテル又は直腸カテーテルでさえ、継続的な状況ではより正確な深部体温の表示を提供できるが、それは侵襲的であり、通常は患者をベッドサイドに制限する。本出願は、非侵襲センサを使用して正確かつ継続的な体温を提供することによって、臨床転帰を最適に改善するためのこのトレードオフで最良の解決策を提供する必要性に対処する。
本出願では、１つ又は複数のデバイスに封入された１つ又は複数のセンサからのさまざまな生理学的、物理的、及び皮膚表面／微気候（ｍｉｃｒｏｃｌｉｍａｔｉｃ）の熱エンティティの測定値が、ベースラインモデル、及び異なる生理学的パラメータ及び環境パラメータに基づくメタモデルを学習する新しいアンサンブル法を使用して深部体温を推定するために適用される。
例示的な一実施形態では、ウェアラブルセンサを使用して患者の体温を決定する方法は、周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つを測定することと、周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つから、以前のデータ、生理学的パラメータ、物理的パラメータ、及び皮膚表面／微気候熱パラメータの時間的ダイナミクスの少なくとも１つに基づいて学習され得るコンテキストパラメータと、センサデータに基づいて導出され得るエンティティであり得る瞬間パラメータを含む２つのクラスのパラメータを抽出することと、それぞれ複数の体温推定値を決定するために複数の推定器による複数の訓練されたモデルを利用することによってコンテキストパラメータ及び瞬間パラメータを処理することと、複数の体温推定値の傾向一致及び確度を改善することによって複数の体温推定値を訂正するためにバイアス訂正手順及び傾向訂正手順を実施することと、複数の推定器のそれぞれが使用する特徴セットのメタ特徴に基づいて複数の体温推定値のそれぞれの信頼レベルを決定することと、体温推定値のそれぞれの信頼レベルに基づいて重み付けされた複数の体温推定値の組み合わせに基づいて最終的な体温を決定することを含む。
別の例示的な実施形態では、患者の体温を決定するためのウェアラブルセンサと関連付けられた非一時的コンピュータ可読媒体は、実行されるときに、１つ又は複数のプロセッサに、周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つを測定することと、周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つから、センサデータに基づいて導出され得るエンティティであり得る瞬間パラメータと、瞬間パラメータの時系列であり得る文脈パラメータとを含む２つのクラスのパラメータを抽出することと、それぞれ複数の体温推定値を決定するために複数の推定器による複数の訓練されたモデルを利用することによってコンテキストパラメータ及び瞬間パラメータを処理することと、複数の体温推定値の傾向一致及び確度を改善することによって複数の体温推定値を訂正するためにバイアス訂正手順及び傾向訂正手順を実施することと、複数の推定器のそれぞれが使用する特徴セットのメタ特徴に基づいて複数の体温推定値のそれぞれの信頼レベルを決定することと、体温推定値のそれぞれの信頼レベルに基づいて重み付けされた複数の体温推定値の組み合わせに基づいて最終的な体温を決定することを含む動作を実行させる命令を格納する。
さらに別の例示的な実施形態では、ウェアラブルセンサは、患者体温を決定し、実行されると、１つ又は複数のプロセッサに、周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つを測定することと、周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つから、センサデータに基づいて導出され得るエンティティであり得る瞬間パラメータと、低域フィルタリング、バンドパスフィルタリング、高域フィルタリング、又は瞬間パラメータの短期ダイナミクスを決定するためのウェーブレットの少なくとも１つを含む異なるカーネルで平滑化又はフィルタリングすることによって決定された瞬間パラメータの時系列であり得るコンテキストパラメータであって、増加したセンサデータが蓄積されるにつれ、平滑化が、瞬間パラメータの長期ダイナミクスを決定するために、短期ダイナミクスの平滑化よりも長い時間枠にわたって実行され得るコンテキストパラメータを含む２つのクラスのパラメータを抽出することと、それぞれ複数の体温推定値を決定するために複数の推定器による複数の訓練されたモデルを利用することによってコンテキストパラメータ及び瞬間パラメータを処理することと、複数の体温推定値の傾向一致及び確度を改善することによって複数の体温推定値を訂正するためにバイアス訂正手順及び傾向訂正手順を実施することと、複数の推定器のそれぞれが使用する特徴セットのメタ特徴に基づいて複数の体温推定値のそれぞれの信頼レベルを決定することと、体温推定値のそれぞれの信頼レベルに基づいて重み付けされた複数の体温推定値の組み合わせに基づいて最終的な体温を決定することを含む動作を実行させる命令を格納するメモリを含む。
上記の発明の概要は、説明のみを目的としており、いかなる方法によっても限定することを意図したものではない。上述の例示的な態様、実施形態、及び特徴に加えて、さらなる態様、実施形態、及び特徴は、図面及び以下の発明を実施するための形態を参照することによって明らかになる。
以下の簡単な説明では、様々な変更及び修正が以下の発明を実施するための形態から当業者に明らかになるので、例及び実施形態は例示としてのみ説明される。異なる図の同じ参照番号は、類似又は同一の品目を示す。
ウェアラブルバイオセンサを使用して体温を推定するための１つ又は複数の実施形態を実装するための例示的なブロック図を示す。 深部体温推定アルゴリズムを実装するための例示的なブロック図を示す。 ウェアラブルバイオセンサを使用して体温を推定するための１つ又は複数の実施形態を実装するための例示的なアルゴリズムを示す。 摂取可能な温度ピルから取得された基準体温と比較したサンプルのＢｏｄｙＴｅｍｐ推定値の例示的な図を示す。 ウェアラブルバイオセンサを使用して体温を推定するための一実施形態によるウェアラブルセンサデバイスの例示的な図を示す。
以下の発明を実施するための形態では、説明の一部を形成する添付の図面を参照する。図面では、文脈上別段の指示がない限り、類似の記号は、通常、類似の構成要素を識別する。さらに、別段の断りがない限り、各連続する図面の説明は、現在の例示的な実施形態のより明確な文脈及びより実質的な説明を提供するために、以前の図面の１つ又は複数からの特徴を参照する場合がある。さらに、発明を実施するための形態、図面、及び特許請求の範囲に説明される例示的な実施形態は、限定的であることを意図していない。本明細書に提示される主題の趣旨又は範囲から逸脱することなく、他の実施形態を利用し得、他の変更を行い得る。本明細書に概して説明され、図面に示される本開示の態様は、多種多様な異なる構成で配置、置換、結合、分離、及び設計され得、それらはすべて本明細書において明示的に企図されることが容易に理解される。
図１は、ウェアラブルバイオセンサを使用して患者の体温（以下、ＢｏｄｙＴｅｍｐとして示す）を決定するためのシステム及び方法の１つ又は複数の実施形態を実装するための１つ又は複数の例示的なブロック図を示す。ウェアラブルバイオセンサを使用する体温の決定／推定は、人体の複雑な恒常的な体温調節メカニズムの数学的モデル及び機械学習モデルの集合体と、深部体温の最適な連続推定のためにこれらのモデルを組み合わせる適応融合法を含む。
したがって、図１では、１１で１つ又は複数のウェアラブルセンサは、周囲状態、瞬間状態、及び／又は生理学的パラメータ、物理的パラメータ、皮膚表面／微気候熱パラメータ、温度、湿度、バイタル、及び活動指標を含み得る患者の状態を測定するために使用され得る。センサストリームに基づいて、１２でセンサストリームの従来のデータ及び／又は生理学的パラメータ、物理的パラメータ、及び皮膚表面／微気候熱パラメータの時間的ダイナミクスに基づいて学習され得るコンテキストパラメータと、１３でセンサの現在の測定値に基づいて抽出又は導出され得るエンティティであり得る瞬間パラメータとを含む、抽出され得る２つのクラスのパラメータがあり得る。コンテキスト特徴は、異なるカーネルを使用した平滑化に及ぶ場合もあれば、ドメイン知識を利用して、基礎心拍数又は呼吸数からの心拍数の変化の推定値、加速度計ベースの活動指標によって正規化された生理学的指標、１４で患者のベースラインの生理学的状態などについて学習する個人化されたパラメータを含み得る導出された特徴を取得する場合もある。これらの導出された特徴又はそのサブセットは、１５でＢｏｄｙＴｅｍｐのセットのために訓練されたモデルの集合体によって使用され得る。さらに、これらの特徴は、それぞれが１６で体温推定値を計算する、機械学習モデル、再帰フィルタ、数学的順方向モデルなどを含むが、これらに限定されない推定器の集合体によって使用され得る。これらの推定器は、これらのパラメータ及び基礎基準体温の推定値を含む以前に収集されたデータを使用して訓練され得る。必要なバイアス訂正ステップ及び傾向訂正ステップは、１７でアルゴリズムの傾向一致及び確度を向上させるために含まれる場合がある。これらの推定値のそれぞれの確実性は、これらの推定器のそれぞれが使用する機能セットのメタ機能に基づいて決定され得る。最終的な体温は、１８で推定の確実性に基づいて重み付けされた推定値を組み合わせることに基づく場合がある。
図２は、図１のシステム及び患者の体温測定方法の追加の詳細を示す。ウェアラブルセンサデバイス２１０は、皮膚及び微気候温度の測定用の１つ又は複数の温度変換器、サーミスタ（ＴＭＰ）、加速度計（ＡＣＣ）、フォトプレチスモグラフ（ＰＰＧ）センサ、心電計（ＥＣＧ）センサ、インピーダンス（ＩＭＰ）センサ、周囲湿度（ＨＴＤ）センサ、電気皮膚反応（ＧＳＲ）センサ、及び他の関連するセンサを含む、複数のセンサを含み得る。センサは、粘着性のパッチセンサ、ペンダント、リストバンド、腕時計、又は体に付着された電子モジュールなどの１つ又は複数のウェアラブルデバイスに封入され得、本発明の範囲内である。
マルチセンサ測定値は、相互に排他的でない２つのセットに大きく分類し得る。第１のセットは、パッチが体に付着されて、体に対して熱平衡状態にあるかどうかの検出を可能にする状態測定を含み、体インピーダンス信号又はＥＣＧ信号などの測定値を含む。第２のセットは、深部体温を決定するための他の導出された情報に加えて、複数の生理学的パラメータ、物理的パラメータ、及び皮膚表面／微気候熱パラメータを含む。
患者の体温評価は、２１８で、入力された信号測定値から導出された関数に基づいてパッチのオンボディ状態を検出することから始まる。例えば、２１８でパッチのオンボディ状態を推定するための関数は、微分器に供給され、２０秒の非重複ウィンドウのＥＣＧ信号で検出された閾値のｉ番目及びゼロのＱＲＳ複合体と比較されるインピーダンス測定値の論理的結合（論理ＡＮＤ／論理ＯＲ）であり得る。パッチが体から取り外されたとして検出されると、体温は２１９で無効にされる場合がある。そして、上述のプロセス全体はリセットされ、パッチが体に付着されていると検出されるまで繰り返される場合がある。
体温の推定がアクティブになると、２３０で、上述のセンサ２１０は、活動指標（ＡＭ）強度、呼吸数（ＢＲ）、心拍変動（ＨＲＶ）、心拍数（図示せず）、相対心拍数（図示せず）、脳波伝播時間（ＰＴＴ）、ＳｐＯ２、皮膚温、電気皮膚反応（ＧＳＲ）、及び周囲湿度（ＨＴＤ）を含むが、これらに限定されない少なくとも１つ又は複数の生理学的パラメータ、物理的パラメータ、及び皮膚表面／微気候熱パラメータを推定するために利用される。さらに、センサからの情報は、コンテキストパラメータ２２０及び瞬間パラメータ２３０の２つのセットのパラメータを推定するために利用され得る。瞬間パラメータ２３０は、センサによる情報の現在の測定値に基づき得るのに対し、コンテキストパラメータ２２０は、時間データに基づいて患者について学習された情報であり得る。
以下の指標又はより関連性のある特徴、つまり胸壁の動きに基づく呼吸数、及び活動強度、すなわち、加速度計の軸のそれぞれの曲線下での面積の関数としての活動指標ＡＭ）などの加速度計導出パラメータ、ＥＣＧ、心拍変動（ＨＲＶ）のＱＲＳ複合体を検出することによって計算されるＲＲ間隔（ＲＲ）、及び呼吸数（ＢＲ）を含むＥＣＧ導出呼吸数などのＥＣＧセンサ導出パラメータ、少なくとも２つの波長のＰＰＧ光センサ透過率又は反射率データに基づくＳｐＯ２、ならびにＥＣＧ信号及びＰＰＧ信号の対応する特徴の差に基づく脳波伝播時間（ＰＴＴ）などの光センサ導出パラメータが、瞬間パラメータ２３０に使用され得る。皮膚温度及び微気候温度は、直接断熱温度センサのデータに基づく場合がある。他の関連する生理学的センサ及び周囲センサならびに電気皮膚反応（ＧＳＲ）及び周囲湿度（ＨＴＤ）などの入力もまた、瞬間パラメータ２３０として使用され得る。
以下の指標又は他の関連するエンティティは、コンテキストパラメータ２２０として使用され得る。コンテキストパラメータ２２０は、安静時心拍数、呼吸数、又は患者の他のベースライン特徴など、患者の基礎となる生理学的パラメータを学習及び推定することを伴う。例えば、瞬間心拍数と学習された安静時心拍数との差を計算することによって、個人化された相対心拍数又は学習されたベースライン２２１が取得され得る。例示的な実施形態では、コンテキストパラメータ２２０は、瞬間パラメータの短期ダイナミクス２２２を決定するために、低域フィルタリング、バンドパスフィルタリング、又は高域フィルタリング及びウェーブレットなどを含む異なるカーネルで平滑化又はフィルタリングされ得る瞬間パラメータ２３０の時系列を含む。より多くのデータが蓄積されるにつれて、コンテキストパラメータ２２０は、より長い時間フレームにわたる平滑化によって決定できる瞬間パラメータの長期ダイナミクス２２３をさらに含む。長期ダイナミクス２２３は、それにより体温推定のための特徴を計算するために使用され得るコンテキストパラメータ２２０の確度及び精度を向上させる。したがって、瞬間パラメータをフィルタリングすると、コンテキストパラメータの一種である短期ダイナミクス及び／又は長期ダイナミクスが取得され得る。
上述の瞬間パラメータ２３０及びコンテキストパラメータ２２０は、次に特徴抽出スキーム２４０を通じて処理され得る。一例では、瞬間パラメータ２３０及びコンテキストパラメータ２２０は、平均、標準偏差、歪み、尖度などの様々な程度のモーメントを計算し、平均絶対差、中央絶対偏差、変動係数、エントロピーなどを測定して、時間ベースの特徴又は時間ドメイン特徴２４１を導出するために、重複時間ウィンドウ又は非重複時間ウィンドウで処理され得る。別の例では、瞬間パラメータ２３０及びコンテキストパラメータ２２０は、異なる周波数サブバンド、クロススペクトル、及びコヒーレンスで電力密度の統計（例えば、最大、最小、平均、エントロピー、尖度など）を計算して、周波数ベースの特徴又は周波数ドメイン特徴２４２を導出するために時間ウィンドウで処理され得る。別の例では、瞬間パラメータ２３０及びコンテキストパラメータ２２０は、短期フーリエ変換及びウェーブレット変換から統計情報を計算して、時間周波数ドメイン特徴２４３を導出するために時間ウィンドウで処理され得る。さらに、当業者は、瞬間パラメータ２３０及びコンテキストパラメータ２２０が、他の特徴２４４を導き出す導出するために処理され得ることを理解するであろう。導出された情報は、さらなる処理のためにユニバーサルセット特徴バンク２５０に付加され得る。
図３は、アンサンブルモデルのアルゴリズム及び体温を決定するためのメタモデル手法とのその融合のための例示的なアルゴリズムを示している。推定器２６０、２６９、２７０のアレイは、特徴バンク２５０のサブセット、ならびにこれらの特徴及び基準体温を含む以前のトレーニングデータに基づいて深部体温を推定する。推定器２６１、２７１は、回帰を含む機械学習モデル、サポートベクターマシン、ニューラルネットワーク、遺伝的推定アルゴリズム、ノンパラメトリック法又はパラメトリック法、再帰フィルタ、カルマンフィルタなどを含む方法を含み得る。シグモイド関数などの非線形変換２６２、２７２は、ピアソンの相関係数などの指標によって測定された信号の傾向の類似性を最大化するこれらのモデルの出力を後処理するために使用され得る。これに続いて、線形変換２６３、２７３は、２乗平均平方根誤差（ＲＭＳＥ）などの指標を使用する信号と、深部温度の基準温度との間の全体的な差を最小限に抑えるために利用され得る。非線形から線形への変換の順序は、時系列傾向又は深部温度プロファイルの形状を最初に最適化し、次に相関係数に影響を与えない線形変換を実行するために利用され得る。各推定器２６０、２７０の中で、複数のバージョンが、特徴セットの可用性に基づいて訓練され得、セレクタ２６５、２７５は、高性能推定器を選択するために利用され得る。特徴セットの可用性に基づいて複数のサブバージョンから推定値を選択するセレクタ２６５、２７５を使用すると、いくつかの特徴がより高い温度推定値の可用性を提供するために有効ではない場合があるときに、アルゴリズムは適応的に実行することが可能になる。
さらに、図２では、Ｎ個の深部体温のアレイが各推定器クラスＥ１２６０、２７０から取得され得る。ｉ番目の推定器のそれぞれについて、最も多くの利用可能な情報特徴セット
Figure 2023535379000002
 から最小の利用可能な情報特徴セット
Figure 2023535379000003
 までの範囲の特徴セットで試行され得る複数のサブモデル２６１、２７１がある場合がある。セレクタ２６５、２７５は、その推定器クラスに利用可能な最高の特徴を有する有効な推定値を提供する推定器を選択する。これにより、各推定器２６１、２７１について、利用可能時に指定された特徴の完全なセットを使用して推定が実行され得ることが確実になり、特徴セットからのいくつかの要素又は特徴が利用できない場合、推定器クラスはバックアップ推定器まで後退することができ、この方法論は、推定の可用性と確度との適切な妥協点を提供する。２６２、２７２で、推定値は、推定値の傾向又は推定値の基準に対する相関を最大化するように訓練され得るｉ番目の推定値及びｊ番目のサブモデルの非線形変換関数
Figure 2023535379000004
 に渡され得る。これには、２６３、２７３で、平均平方誤差などの指標で取り込まれるであろう誤差の最小化を可能にするアフィン変換が続き得る。このアフィン変換は、推定値の確度を上げるために推定値のゼロ周波数成分を制御し得る較正温度でサポートされ得る。
推定器モデル２６０、２６９、２７０、及びサブモデル２６１、２７１のそれぞれについて、メタ推定器２６７、２７７によって実装される対応するメタモデルは、モデルを結合するときにモデルのそれぞれが与えられ得る強調又は信頼スコアを予測するために、メタ特徴２６６、２７６を使用してトレーニングデータを使って訓練され得る。推定値のメタ特徴２６６、２７６は、分散の指標、様々な程度のモーメント、特徴間の相関などのウィンドウ化された統計であって、これらは、推定に使用され得、したがって各推定器に割り当てられる確実性の大きさを提供する特徴の質を示し得る。推定値の確度及び精度に対する確実性の指標の重要性は、ｉ番目の推定器のそれぞれが２８３でＮ個の深部体温推定値を単一の推定値に融合するための重みｗｉ２８０、２８１、２８２として使用され得る。これには、２８４で、実際の生理学的変化に対応する温度傾向の可能な変化に時定数を設定する追加のフィルタリング及び出力リミッタが後に続き得、２８５で推定深部体温として出力され得る。
図４は、摂取可能な温度ピルから取得された基準体温と比較された、上述の方法によって実装されたＢｏｄｙＴｅｍｐの検証を示す。基準体温ピルは、温度が１日を通して周期的に変化する概日リズムパターンを明確に示している。上述の体温決定／推定方法によって決定された体温はまた、類似した傾向を示しており、基準温度を密接にたどっている場合がある。
図５は、例示的な一実施形態によるセンサデバイス２１０をさらに説明するウェアラブルセンサデバイス２００を示す。ウェアラブルセンサデバイス２００は、センサ２０２、センサ２０２に結合されたプロセッサ２０４、プロセッサ２０４に結合されたメモリ２０６、メモリ２０６に結合されたアプリケーション２０８、及びアプリケーション２０８に結合された送信機２０９を含む。ウェアラブルセンサデバイス２００は、任意の向きでユーザーに取り付けられ得る。センサ２０２は、ユーザーからデータを取得して、データをメモリ２０６に送信し、次にアプリケーション２０８に送信する。プロセッサ２０４は、人体と環境との間の相互作用をモデル化して、深部体温を決定するために抽出され得る瞬間パラメータ及びコンテキストパラメータに関する情報を決定するためにアプリケーション２０８を実行する。情報は、送信機２０９に送信され、次に別のユーザー又はデバイスに中継され得る。
当業者は、無線ウェアラブルセンサデバイス２００が、本出願の精神及び範囲内にあるであろう一軸加速度計、二軸加速度計、三軸加速度計、ジャイロスコープ、電極、圧力センサ、フォトプレチスモグラフ（ｐｈｏｔｏｐｌｅｓｔｈｙｍｏｇｒａｐｈ）（パルス酸素濃度計センサ）、ＩＭＰセンサ、ＰＰＧセンサ、ＡＣＣセンサ、ＨＴＤセンサ、ＥＣＧセンサ、ＴＭＰセンサ、及びＧＳＲセンサを含むが、これらに限定されないセンサ２０２のための様々なデバイスを利用し得ることを容易に認識する。当業者は、ウェアラブルセンサデバイス２００が、マイクロプロセッサ、コントローラ、及びマイクロコントローラを含むが、これらに限定されないプロセッサ２０４のための様々なデバイスを利用し得ること、及びそれが本発明の精神及び範囲内にあるであろうことを容易に認識する。さらに、当業者は、メモリ２０６、アプリケーション２０８、及び送信機２０９にさまざまなデバイスが利用され得ること、及びそれが本出願の精神及び範囲内にあるであろうことを容易に認識する。
本出願は、人体と環境との間の相互作用をモデル化して深部体温を決定するために瞬間パラメータ及びコンテキストパラメータが抽出され得るマルチセンサデバイスを利用する。患者がパッチを着用し続けるにつれて、より多くのデータにより、コンテキストパラメータは患者のベースライン状態を取り込み、深部体温のますますより正確な推定値のためにより多くの特徴を追加することが可能になる。この手法はまた、方法を、より多くの個人データで個々の患者に合わせて個人化する。異なるレベルの入力の可用性を有する推定値を提供する複数の推定器アルゴリズムが適用され得、メタモデルベースの融合アルゴリズムは、アンサンブルモデルを堅牢かつ正確である単一の推定値に結合する適応方法を提供する。体温決定／推定方法は、外部の環境により容易に不正アクセスされ、影響を受ける可能性のある単一センサ測定値と比較して、より安定し、正確な体温推定値を提供する。
図１～５に従って示され、説明された構成要素、結果、図、出力、グラフ、及び操作に関して、瞬間パラメータ及びコンテキストパラメータを抽出して、人体と環境との間の相互作用をモデル化し、深部体温を決定する操作及び副操作のいずれも、コンピュータ可読媒体に格納された非一時的コンピュータ可読命令として実装され得る。コンピュータ可読命令は、例えば、特に上述のアプリケーション及び／又はプログラムに適用可能として、ネットワーク要素及び／又はそれに対応する任意の他のデバイスを有する、本明細書に参照される無線ウェアラブルセンサの１つ又は複数のプロセッサによって実行され得る。
上述から、本開示の様々な実施形態が例証の目的で本明細書に説明されていること、及び本開示の範囲及び趣旨から逸脱することなく様々な修正が加えられ得ることが理解される。したがって、本明細書に開示される様々な実施形態は、限定的であることを意図するものではなく、真の範囲及び趣旨は以下の特許請求の範囲によって示される。

Claims (20)

  1. ウェアラブルセンサを使用して患者の体温を決定する方法であって、
    周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つを測定することと、
    周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの前記少なくとも１つから、
    以前のデータ、生理学的パラメータ、物理的パラメータ、及び皮膚表面／微気候熱パラメータの時間的ダイナミクスの少なくとも１つに基づいて学習されるコンテキストパラメータと、
    前記センサデータに基づいて導出されるエンティティである瞬間パラメータと
    を含む２つのクラスのパラメータを抽出することと、
    それぞれ複数の体温推定値を決定するために複数の推定器による複数の訓練されたモデルを利用することによって前記コンテキストパラメータ及び前記瞬間パラメータを処理することと、
    前記複数の体温推定値の傾向一致及び確度を改善することによって前記複数の体温推定値を訂正するためにバイアス訂正手順及び傾向訂正手順を実施することと、
    前記複数の推定器のそれぞれが使用する特徴セットのメタ特徴に基づいて前記複数の体温推定値のそれぞれの信頼レベルを決定することと、
    前記体温推定値のそれぞれの前記信頼レベルに基づいて重み付けされた前記複数の体温推定値の組み合わせに基づいて最終的な体温を決定することと、
    を含む、前記方法。
  2. 周囲センサデータ、前記瞬間センサデータ、又は前記患者の状態センサデータが、生理学的パラメータ、物理的パラメータ、皮膚表面／微気候熱パラメータ、温度、湿度、バイタル、及び活動指標を含む、請求項１に記載の方法。
  3. コンテキスト特徴が、学習されたベースライン、短期ダイナミクス、及び長期ダイナミクスの少なくとも１つを含む、請求項１に記載の方法。
  4. 異なるカーネルで前記コンテキスト特徴を平滑化するステップをさらに含む、請求項３に記載の方法。
  5. 前記導出された特徴を取得するためにコンテキスト特徴のドメイン知識を利用することをさらに含む、請求項１に記載の方法。
  6. 導出された特徴を取得するための前記ドメイン知識が、基礎心拍数又は呼吸数からの心拍数の変化の推定値、加速度計ベースの活動指標によって正規化された生理学的指標、又は患者のベースラインの生理学的状態について学習する個人化されたパラメータの少なくとも１つを含む、請求項５に記載の方法。
  7. 前記複数の推定器によって利用される前記複数の訓練されたモデルが、機械学習モデル、再帰フィルタ、及び数学的順方向モデルを含む、請求項１に記載の方法。
  8. 患者の体温を決定するためのウェアラブルセンサと関連付けられた非一時的コンピュータ可読媒体であって、実行されると、１つ又は複数のプロセッサに、
    周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つを測定することと、
    周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの前記少なくとも１つから、
    前記センサデータに基づいて導出されるエンティティである瞬間パラメータと、
    前記瞬間パラメータの時系列であるコンテキストパラメータと
    を含む２つのクラスのパラメータを抽出することと、
    それぞれ複数の体温推定値を決定するために複数の推定器による複数の訓練されたモデルを利用することによって前記コンテキストパラメータ及び前記瞬間パラメータを処理することと、
    前記複数の体温推定値の傾向一致及び確度を改善することによって前記複数の体温推定値を訂正するためにバイアス訂正手順及び傾向訂正手順を実施することと、
    前記複数の推定器のそれぞれが使用する特徴セットのメタ特徴に基づいて前記複数の体温推定値のそれぞれの信頼レベルを決定することと、
    前記体温推定値のそれぞれの前記信頼レベルに基づいて重み付けされた前記複数の体温推定値の組み合わせに基づいて最終的な体温を決定することと、
    を含む動作を実行させる命令を格納する、前記非一時的コンピュータ可読媒体。
  9. 前記瞬間パラメータの前記時系列が、前記瞬間パラメータの短期ダイナミクスを決定するために低域フィルタリング、バンドパスフィルタリング、高域フィルタリング、又は瞬間パラメータの短期ダイナミクスを決定するためのウェーブレットの少なくとも１つを含む異なるカーネルで平滑化又はフィルタリングすることによって決定される、請求項８に記載の非一時的コンピュータ可読媒体。
  10. 増加したセンサデータが蓄積されるにつれ、前記平滑化が、前記瞬間パラメータの長期ダイナミクスを決定するために、前記短期ダイナミクスの平滑化よりも長い時間枠にわたって実行される、請求項９に記載の非一時的コンピュータ可読媒体。
  11. 前記コンテキストパラメータ及び前記瞬間パラメータを前記処理することが、特徴抽出スキームを通じて実施される、請求項８に記載の非一時的コンピュータ可読媒体。
  12. 前記特徴抽出スキームが、
    平均、標準偏差、歪み、又は尖度の少なくとも１つを含む様々な程度のモーメントを計算するために、重複時間ウィンドウ又は非重複時間ウィンドウで前記瞬間パラメータ及び前記コンテキストパラメータを処理することと、
    平均絶対差、中央絶対偏差、変動係数、又はエントロピーの少なくとも１つを含む分散を測定して、時間ドメイン特徴を導出することと、
    を含む、請求項１１に記載の非一時的コンピュータ可読媒体。
  13. 前記特徴抽出スキームが、
    異なる周波数サブバンド、クロススペクトル、又はコヒーレンスの少なくとも１つで電力密度の統計を計算して、周波数ドメイン特徴を導出するために、時間ウィンドウで瞬間パラメータ及びコンテキストパラメータを処理することを含む、請求項１１に記載の非一時的コンピュータ可読媒体。
  14. 前記特徴抽出スキームが、
    短期フーリエ変換及びウェーブレット変換から統計情報を計算して、時間周波数ドメイン特徴を導出するために、時間ウィンドウで前記瞬間パラメータ及び前記コンテキストパラメータを処理することを含む、請求項１１に記載の非一時的コンピュータ可読媒体。
  15. 前記特徴抽出スキームが、時間ドメイン特徴、周波数ドメイン特徴、及び時間周波数ドメイン特徴を含む情報を導出するために、前記瞬間パラメータ及びコンテキストパラメータを処理することを含む、請求項１１に記載の非一時的コンピュータ可読媒体。
  16. 前記導出された情報が、さらなる処理のためにユニバーサルセット特徴バンクに付加される、請求項１５に記載の非一時的コンピュータ可読媒体。
  17. 前記複数の推定器によって決定される前記複数の体温推定値が、前記ユニバーサルセット特徴バンクのサブセットに基づく、請求項１６に記載の非一時的コンピュータ可読媒体。
  18. 前記複数の推定器によって決定される前記複数の体温推定値が、前記ユニバーサルセット特徴バンクの特徴、これらの特徴、及び基準体温を含む以前のトレーニングデータにさらに基づく、請求項１７に記載の非一時的コンピュータ可読媒体。
  19. 前記複数の推定器のそれぞれの中で、複数のバージョンが、ユニバーサルセット特徴セットの中の特徴の可用性に基づいて訓練され、セレクタが、高性能推定器を選択するために利用される、請求項８に記載の非一時的コンピュータ可読媒体。
  20. ウェアラブルセンサであって、患者体温を決定し、実行されると、１つ又は複数のプロセッサに、
    周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの少なくとも１つを測定することと、
    周囲センサデータ、瞬間センサデータ、又は患者状態センサデータの前記少なくとも１つから、
    前記センサデータに基づいて導出されるエンティティである瞬間パラメータと、
    低域フィルタリング、バンドパスフィルタリング、高域フィルタリング、又は前記瞬間パラメータの短期ダイナミクスを決定するためのウェーブレットの少なくとも１つを含む異なるカーネルで平滑化又はフィルタリングすることによって決定された前記瞬間パラメータの時系列であるコンテキストパラメータであって、増加したセンサデータが蓄積されるにつれ、前記平滑化が、前記瞬間パラメータの長期ダイナミクスを決定するために、前記短期ダイナミクスの前記平滑化よりも長い時間枠にわたって実行され得る前記コンテキストパラメータと
    を含む２つのクラスのパラメータを抽出することと、
    それぞれ複数の体温推定値を決定するために複数の推定器による複数の訓練されたモデルを利用することによって前記コンテキストパラメータ及び前記瞬間パラメータを処理することと、
    前記複数の体温推定値の傾向一致及び確度を改善することによって前記複数の体温推定値を訂正するためにバイアス訂正手順及び傾向訂正手順を実施することと、
    前記複数の推定器のそれぞれが使用する特徴セットのメタ特徴に基づいて前記複数の体温推定値のそれぞれの信頼レベルを決定することと、
    前記体温推定値のそれぞれの前記信頼レベルに基づいて重み付けされた前記複数の体温推定値の組み合わせに基づいて最終的な体温を決定することと、
    を含む、動作を実行させる命令を格納するメモリを含む、前記ウェアラブルセンサ。
JP2023503198A 2020-07-19 2021-07-12 ウェアラブルバイオセンサを使用する体温推定の方法及びシステム Pending JP2023535379A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/932,781 US11826125B2 (en) 2020-07-19 2020-07-19 Method and system for body temperature estimation using a wearable biosensor
US16/932,781 2020-07-19
PCT/US2021/041238 WO2022020123A1 (en) 2020-07-19 2021-07-12 A method and system for body temperature estimation using a wearable biosensor

Publications (1)

Publication Number Publication Date
JP2023535379A true JP2023535379A (ja) 2023-08-17

Family

ID=79291767

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023503198A Pending JP2023535379A (ja) 2020-07-19 2021-07-12 ウェアラブルバイオセンサを使用する体温推定の方法及びシステム

Country Status (5)

Country Link
US (1) US11826125B2 (ja)
EP (1) EP4181777A4 (ja)
JP (1) JP2023535379A (ja)
CN (1) CN116133582A (ja)
WO (1) WO2022020123A1 (ja)

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5050612A (en) * 1989-09-12 1991-09-24 Matsumura Kenneth N Device for computer-assisted monitoring of the body
US7938783B2 (en) * 2003-08-19 2011-05-10 Advanced Monitors Corporation Medical body core thermometer
WO2005092177A1 (en) * 2004-03-22 2005-10-06 Bodymedia, Inc. Non-invasive temperature monitoring device
US20120123232A1 (en) 2008-12-16 2012-05-17 Kayvan Najarian Method and apparatus for determining heart rate variability using wavelet transformation
US10702165B2 (en) * 2012-12-20 2020-07-07 The Government Of The United States, As Represented By The Secretary Of The Army Estimation of human core temperature based on heart rate system and method
US9823138B2 (en) * 2013-08-21 2017-11-21 Petpace Ltd Non-invasive automatic monitoring of pet animal's core temperature
WO2017048858A1 (en) 2015-09-14 2017-03-23 Whoop, Inc. Physiological signal monitoring
WO2017136339A1 (en) 2016-02-01 2017-08-10 Verily Life Sciences, LLC Systems and methods for probabilistic pulse rate estimation from photoplethysmographic measurements in the presence of nonstationary and nontrivial signal and noise spectra
WO2018033799A1 (en) * 2016-08-19 2018-02-22 Thalman Health Ltd. Method and system for determination of core body temperature
US20180108440A1 (en) 2016-10-17 2018-04-19 Jeffrey Stevens Systems and methods for medical diagnosis and biomarker identification using physiological sensors and machine learning
WO2019079503A2 (en) * 2017-10-17 2019-04-25 Whoop, Inc. DATA QUALITY METRICS APPLIED FOR PHYSIOLOGICAL MEASUREMENTS
US20190350462A1 (en) 2018-05-15 2019-11-21 Verily Life Sciences Llc Methods and devices for measuring body temperature in a reduced time
EP3613376A1 (en) * 2018-08-21 2020-02-26 Koninklijke Philips N.V. A handheld device for performing a treatment operation on skin
US20200323435A1 (en) * 2019-04-09 2020-10-15 Vital Connect, Inc. Device, System, and Method for Determining Patient Body Temperature

Also Published As

Publication number Publication date
US20220015643A1 (en) 2022-01-20
EP4181777A4 (en) 2023-12-27
US11826125B2 (en) 2023-11-28
EP4181777A1 (en) 2023-05-24
WO2022020123A1 (en) 2022-01-27
CN116133582A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
US11844593B2 (en) System and method for non-invasive determination of blood pressure dip based on trained prediction models
US10687757B2 (en) Psychological acute stress measurement using a wireless sensor
Radha et al. Estimating blood pressure trends and the nocturnal dip from photoplethysmography
Martin et al. Weighing scale-based pulse transit time is a superior marker of blood pressure than conventional pulse arrival time
Yoon et al. Non-constrained blood pressure monitoring using ECG and PPG for personal healthcare
Ma A blood pressure monitoring method for stroke management
Paviglianiti et al. A comparison of deep learning techniques for arterial blood pressure prediction
Natarajan et al. Photoplethysmography fast upstroke time intervals can be useful features for cuff-less measurement of blood pressure changes in humans
CN112545469A (zh) 一致患者情况的健康状态趋势
US20230082362A1 (en) Processes and methods to predict blood pressure
US11617545B2 (en) Methods and systems for adaptable presentation of sensor data
WO2013128364A1 (en) A method of processing a signal representing a physiological rhythm
WO2021084488A1 (en) Smartglasses for detecting physiological parameters
JP2022008806A (ja) 血圧推定システム、血圧推定方法、学習装置、学習方法及びプログラム
WO2017100519A1 (en) Systems and methods for adaptable presentation of sensor data
Byfield et al. Towards robust blood pressure estimation from pulse wave velocity measured by photoplethysmography sensors
EP3203900A1 (en) Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis
JP2008253727A (ja) モニタ装置、モニタシステム及びモニタ方法
CN115802931A (zh) 检测用户温度和评估呼吸系统病症的生理症状
JP2023535379A (ja) ウェアラブルバイオセンサを使用する体温推定の方法及びシステム
US10251564B2 (en) Thermal patient signal analysis
Kasbekar et al. Optimizing the input feature sets and machine learning algorithms for reliable and accurate estimation of continuous, cuffless blood pressure
Carter et al. Deep Learning-Enabled Sleep Staging From Vital Signs and Activity Measured Using a Near-Infrared Video Camera
CN115023180A (zh) 用于确定心血管参数的方法和系统
Alam et al. Non-invasive inference of minute ventilation using wearable ECG and Gaussian process regression

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230313

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231225

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240130

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240424