JP2024026058A

JP2024026058A - 患者の生理学的特徴を推論するための、非侵襲的な心臓モニタ、および記録された心臓データの使用方法

Info

Publication number: JP2024026058A
Application number: JP2023173428A
Authority: JP
Inventors: ザバドス，スティーブン; 友理子田村; ワン，シーシー; マシュー，ジョージ
Original assignee: iRhythm Technologies Inc
Current assignee: iRhythm Technologies Inc
Priority date: 2020-02-12
Filing date: 2023-10-05
Publication date: 2024-02-28
Also published as: KR20220156539A; US11253185B2; WO2021163331A1; US11925469B2; US11253186B2; US11382555B2; CA3171482A1; AU2021218704B2; JP7406001B2; US20220330875A1; US20210244279A1; AU2023251520A1; US11375941B2; AU2021218704A1; US11497432B2; CA3171482C; EP4103051A1; US11083371B1; JP2023508235A; US20210369178A1

Abstract

【課題】心不整脈などの人の生理学的特徴を推論するために細動心電データを記録する非侵襲的な心臓モニタリング装置を提供する。【解決手段】心臓モニタ装置は、水密ハウジングと、哺乳動物に密封可能に係合するように構成されたハウジング上の表面と、哺乳動物に継続して貼り付けられたままであるように構成された表面上の接着剤と、表面が哺乳動物に密封可能に係合されている間に哺乳動物の連続心拍信号を検出するように配置され、ハウジング内に恒久的に配置された少なくとも２つの電極と、検出された心拍信号をコンピュータ実行可能な命令のサブセットによって処理するように構成されたハードウェアプロセッサと、送信機とを含む。検出された心臓心拍信号を、遠隔のコンピューティングシステムにおいて処理することが可能となる。いくつかの実施形態は、哺乳動物に長時間接着して心臓心拍信号を長時間検出するためのウェアラブル心臓モニタ装置を含む。【選択図】図１９

Description

関連出願の参照

本出願は、２０２０年２月１２日出願の、米国特許仮出願第６２／９７５，６２６号、および２０２０年１０月１３日出願の、米国特許仮出願第６３／０９０，９５１号に基づく優先権を主張するものであり、その全体が参照により本明細書に組み込まれる。前述の出願の出願日が本出願の有効出願日であることについては、米国特許法第１１９条（ｅ）を含むがそれに限定されない適切な法的根拠がある。

本開示の目的のために、様々な実施形態の特定の態様、利点、及び新規の特質が本明細書に記載される。必ずしも全てのそのような利点が、任意の特定の実施形態に従って達成され得るわけではないことを理解されたい。したがって、様々な実施形態は、本明細書で教示される１つの利点又は複数の利点を達成するように実施され得るが、本明細書で教示又は示唆され得るその他の利点を必ずしも達成しないかもしれない。

本明細書に記載される実施形態は、少なくとも１週間以上、より典型的には２～３週間以上、ヒト又は動物被験者によって継続的かつ快適に装着され得る生理学的モニタリング装置に向けられている。一実施形態では、装置は、心拍（ｃａｒｄｉａｃｒｈｙｔｈｍ）（例えば、心電図、ＥＣＧ）データを感知及び記録するように特に設計されているが、様々な代替実施形態では、１つ又は複数の追加の生理学的パラメータが感知及び記録されてもよい。そのような生理学的モニタリング装置は、患者の体験を容易にし、及び／又は向上させ、心不整脈の診断をより正確かつ適時に行うための多くの機能を含んでもよい。

いくつかの実施形態は、ユーザの心拍信号（ｃａｒｄｉａｃｒｈｙｔｈｍｓｉｇｎａｌ）データをモニタするためのウェアラブル（ｗｅａｒａｂｌｅ）心臓モニタ装置を含み、ウェアラブル心臓モニタ装置は、
水密（ｗａｔｅｒｔｉｇｈｔ）ハウジングと、
哺乳動物に密封可能に係合するように構成されたハウジング上の表面と、
少なくとも７日間、モニタリング完了するまで除去せずに哺乳動物に継続して貼り付けられたままであるように構成された表面上の接着剤と、
表面が哺乳動物に密封可能に係合されている間に哺乳動物の連続心拍信号を検出するように配置され、ハウジング内に恒久的に配置された少なくとも２つの電極と、
検出された心拍信号をコンピュータ実行可能な命令の第１のサブセットによって処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、コンピュータ実行可能な命令の第２のサブセットによって出力を処理することにより、心不整脈の発生の可能性を推論（ｉｎｆｅｒ）するように構成されている。

いくつかの実施形態において、不整脈は、心室頻拍（ｖｅｎｔｒｉｃｕｌａｒｔａｃｈｙｃａｒｄｉａ）、上室頻拍（ｓｕｐｒａｖｅｎｔｒｉｃｕｌａｒｔａｃｈｙｃａｒｄｉａ）、異所性興奮（ｅｃｓｔｏｐｙ）、心室細動（ｖｅｎｔｒｉｃｕｌａｒｆｉｂｒｉｌｌａｔｉｏｎ）、又は長期休止（ｅｘｔｅｎｄｅｄｐａｕｓｅｓ）のうちの少なくとも１つを含む。

いくつかの実施形態において、心不整脈の発生の可能性を推論することは、第１のサブセットの出力を第２のサブセットを介して処理するステップを含み、第１のサブセットは、少なくとも２４時間連続的に検出され、保存された心拍信号を処理した。

いくつかの実施形態において、ハウジングは、押し下げて、感知された心臓の事象の時間的なインスタンスの記録を開始するように構成された患者トリガを含む。

いくつかの実施形態において、電極は、全体がハウジング内に配置される。

いくつかの実施形態において、コンピュータ実行可能命令の第１のサブセットは、ニューラルネットワークの層の第１のサブセットを含み、コンピュータ実行可能命令の第２のサブセットは、ニューラルネットワークの層の第２のサブセットを含む。

いくつかの実施形態は、ユーザの生体信号データをモニタするためのウェアラブル心臓モニタ装置を含み、ウェアラブル装置は、
ハウジングとウィングとを含む接着アセンブリであって、ウィングは、ユーザからの心電信号（ｃａｒｄｉａｃｓｉｇｎａｌ）を検出するように構成された電極を含む、接着アセンブリと、
検出された心電信号をニューラルネットワークの層の第１のサブセットを介して処理するように構成されたハードウェアプロセッサと、
送信機であって、送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成されており、コンピューティングシステムは、出力をニューラルネットワークの層の第２のサブセットを介して処理することによって、心不整脈の発生の可能性を推論するように構成されている、送信機と、
を含む。

いくつかの実施形態において、コンピューティングシステムは、検出された心電信号から心房細動負担（ｂｕｒｄｅｎ）を決定するようにさらに構成される。

いくつかの実施形態において、心房細動負担は、ある期間中にユーザが心房細動で経過した時間の量を含む。

いくつかの実施形態において、心房細動負担は、睡眠期間中及び覚醒期間中にユーザが心房細動で経過した時間の量を含む。

いくつかの実施形態は、ユーザの生体信号データをモニタするためのウェアラブル装置を含み、ウェアラブル装置は、
ユーザから心電信号を検出するように構成された電極を含むアセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈の発生の可能性を推論するように構成される。

いくつかの実施形態において、ハードウェアプロセッサは、ＥＣＧ信号を検出する実質的にリアルタイムで連続的にニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成される。

いくつかの実施形態において、ニューラルネットワークの層の第１のサブセットの出力は、Ｒピーク（Ｒｐｅａｋ）の表示（ｉｎｄｉｃａｔｉｏｎ）を含む。

いくつかの実施形態において、コンピューティングシステムは、層の第２のサブセットを介して心電信号を再構築するようにさらに構成される。

いくつかの実施形態において、ニューラルネットワークの層の第１のサブセットの出力は、ニューラルネットワークの層の第１のサブセットの入力よりも小さい次元数（ｄｉｍｅｎｓｉｏｎａｌｉｔｙ）を有する。

いくつかの実施形態において、ハードウェアプロセッサは、特徴（ｃｈａｒａｃｔｅｒｉｓｔｉｃ）に基づいて複数のニューラルネットワークから特定のニューラルネットワークを選択するように構成される。

いくつかの実施形態において、特徴とは、ウェアラブル装置の特徴、ウェアラブル装置とコンピューティングシステムとの間のネットワークの特徴、のうちの少なくとも１つを含む。

いくつかの実施形態において、ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットの出力を圧縮（ｃｏｍｐｒｅｓｓ）するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、圧縮された出力を送信するステップを含み、コンピューティングシステムは、送信データを解凍（ｄｅｃｏｍｐｒｅｓｓ）するように構成され、層の第２のサブセットを介して出力を処理するステップは、復元されたデータを処理するステップを含む。

いくつかの実施形態において、ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットの出力を数値化（ｑｕａｎｔｉｚｅ）するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、出力を送信するステップを含む。

いくつかの実施形態において、ハードウェアプロセッサは、数値化された出力を圧縮するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、圧縮された出力を送信するステップを含み、コンピューティングシステムは、送信データを解凍するように構成され、層の第２のサブセットを介した出力を処理することは、解凍されたデータを処理するステップを含む。

いくつかの実施形態において、第１のサブセットの出力をコンピューティングシステムに送信することは、数値化された出力を送信するステップを含む。

いくつかの実施形態は、ユーザの特徴の尤度（ｌｉｋｅｌｉｈｏｏｄｏｆａｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆａｕｓｅｒ）を推論するモニタを含み、
モニタは、
ハウジングと、
ハウジング内に恒久的に配置され、表面の連続信号を検出するように位置付けられた少なくとも２つの電極と、
コンピュータ実行可能命令の第１のサブセットを介して検出された信号を処理するように構成されたハードウェアプロセッサを含むプリント回路基板アセンブリと、
送信機と、を含み、
送信機は、コンピュータ実行可能命令の第１のサブセットのデータ出力をコンピュータシステムに送信し、コンピュータシステムは、コンピュータ実行可能命令の第２のサブセットを介してデータ出力を処理して発生の可能性を推論するように構成される。

いくつかの実施形態において、コンピューティングシステムに送信されるコンピュータ実行命令の第１のサブセットのデータ出力の次元数は、少なくとも２つの電極から検出された信号のデータより小さい。

いくつかの実施形態において、コンピュータ実行可能命令の第１のサブセットのデータ出力は暗号化されており、送信機は暗号化されたデータ出力を送信し、コンピューティングシステムはコンピュータ実行可能命令の第２のサブセットを介して、暗号化されたデータ出力を処理する。

いくつかの実施形態において、送信機は、無線通信チャネルを介して、コンピューティングシステムにデータ出力を送信する。

いくつかの実施形態において、モニタは、コンピュータ実行可能命令の更新された第１のサブセットをコンピューティングシステムから受信し、コンピュータ実行可能命令の第１のサブセットをコンピュータ実行可能命令の更新された第１のサブセットに更新するように構成された受信機をさらに備え、ハードウェアプロセッサは、コンピュータ実行可能命令の更新された第１のサブセットを介して信号を処理するようにさらに構成される。

いくつかの実施形態において、モニタは、モーションデータを収集するように構成された加速度計をさらに含み、コンピューティングシステムは、モーションデータを検出された信号と照合して発生の可能性を推論するように構成される。

いくつかの実施形態において、モニタは心臓モニタであり、連続信号は心電信号であり、発生事象は不整脈事象である。

いくつかの実施形態は、ユーザの特徴の尤度を推論するモニタを含み、
モニタは、
水密ハウジングと、
哺乳動物に密封可能に係合するように構成されたハウジング上の表面と、
少なくとも７日間、モニタリングが完了するまで除去せずに哺乳動物に継続して貼り付けられたままであるように構成された表面上の接着剤と、
表面が哺乳動物に密封可能に係合する間に哺乳動物の連続心拍信号を検出するように位置付けられ、ハウジング内に恒久的に配置された少なくとも２つの電極と、
検出された心拍信号をコンピュータ実行可能命令の第１のサブセットを介して処理するように構成されたハードウェアプロセッサを含む、プリント回路基板アセンブリと、
送信機と、を含み、
送信機は、コンピュータ実行可能命令の第１のサブセットのデータ出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、コンピュータ実行可能命令の第２のサブセットを介してデータ出力を処理して不整脈の発生の可能性を推論するように構成される。

いくつかの実施形態において、不整脈は、心室頻拍、上室頻拍、異所性興奮、心室細動、又は長期休止のうちの少なくとも１つを含む。

いくつかの実施形態において、ハウジングは、押し下げて、感知された心臓の事象の時間的なインスタンスの記録を開始するように構成された患者トリガを含んでいる。

いくつかの実施形態は、ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングするためのシステムを含み、
システムは、ウェアラブル装置を含み、
ウェアラブル装置は、
ユーザからの心電信号を検出するように構成された電極を含むアセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈の発生の可能性を推論するように構成され、
システムは、
第１のニューラルネットワークを介して第１の時間期間（ｔｉｍｅｐｅｒｉｏｄ）の第１のトレーニングデータを処理することによって第１の特質（ｆｅａｔｕｒｅ）を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１のニューラルネットワークおよび第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結解除（ｕｎｆｒｅｅｚｅ）するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第１および第２のニューラルネットワークを同時にトレーニングして第２の特徴を識別するステップと、
により、ニューラルネットワークをトレーニングするように構成される。

いくつかの実施形態において、ニューラルネットワークの層の第１のサブセットの出力は、ニューラルネットワークの層の第１のサブセットの入力よりも小さい次元数である。

いくつかの実施形態において、ハードウェアプロセッサは、特徴に基づいて複数のニューラルネットワークから特定のニューラルネットワークを選択するように構成される。

いくつかの実施形態において、特徴とは、ウェアラブル装置の特徴、ウェアラブル装置とコンピューティングシステムとの間のネットワークの特徴のうちの少なくとも１つを含む。

いくつかの実施形態において、ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットの出力を圧縮するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、圧縮された出力を送信するステップを含み、コンピューティングシステムは、送信データを解凍するように構成され、層の第２のサブセットを介して出力を処理することは、解凍されたデータを処理するステップを含む。

いくつかの実施形態において、ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットの出力を数値化するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、出力を送信するステップを含む。

いくつかの実施形態は、ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングする方法を含み、
方法は、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第２の特質を識別するように第１および第２のニューラルネットワークを同時にトレーニングするステップと、を含む。

いくつかの実施形態において、第２のトレーニングデータは第３のトレーニングデータであり、第２の時間期間は第３の時間期間である。

いくつかの実施形態において、トレーニングは、ウェアラブル装置の利用可能な処理能力に基づく。

いくつかの実施形態において、トレーニングは、ウェアラブル装置の利用可能なメモリに基づく。

いくつかの実施形態において、トレーニングは、ウェアラブル装置と外部コンピューティングシステムとの間のネットワークの利用可能性に基づく。

いくつかの実施形態において、トレーニングは、ユーザの特徴のタイプに基づく。

いくつかの実施形態において、ユーザの特徴のタイプは、心不整脈の発生を含む。

特定の実施形態において、コンピューティングシステムは、レポートを提供するようにさらに構成され、レポートは、心不整脈の発生の可能性を含む。

特定の実施形態において、レポートは、心房細動負担の経時的なグラフを含む。

特定の実施形態において、レポートは、心房細動の存在の徴候（ｉｎｄｉｃａｔｉｏｎ）を含む。

特定の実施形態において、レポートは少なくとも１４日間のモニタリング期間を含む。

特定の実施形態において、コンピューティングシステムは、サーバまたはゲートウェイである。

特定の実施形態において、コンピューティングシステムは、スマートフォンである。

特定の実施形態において、コンピューティングシステムは、スマートフォンの仲介を介して送信機と通信する。

特定の実施形態において、ウェアラブル装置は、二次信号を収集するように構成され、ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットを介して二次信号を処理するように構成される。

特定の実施形態において、ウェアラブル装置は、ユーザの動き（ｍｏｖｅｍｅｎｔ）を測定するように構成された加速度計をさらに含み、二次信号は、加速度計データである。

特定の実施形態において、コンピューティングシステムは、心房細動負担を決定するようにさらに構成され、心房細動負担は、ユーザの動作中に心房細動状態で経過した時間の量を含む。

特定の実施形態において、ユーザの動作は、第１の度合いの動作と第２の度合いの動作とを含む。

特定の実施形態において、二次信号は、電極の接触の優良性データである。

特定の実施形態において、電極及びハードウェアプロセッサは、胸ストラップの中に収納されている。

特定の実施形態において、電極及びハードウェアプロセッサは、人間の手首に装着されるように構成された腕時計の中に収納されている。

特定の実施形態において、電極及びハードウェアプロセッサは、ウェアラブルフィットネスバンド内に収納されている。

特定の実施形態において、不整脈は、心室頻拍を含む。

特定の実施形態において、不整脈は、上室頻拍を含む。

特定の実施形態において、不整脈は、異所性興奮を含む。

特定の実施形態において、不整脈は、心室細動を含む。

特定の実施形態において、不整脈は、長期休止を含む。

特定の実施形態において、ハードウェアプロセッサは、ウェアラブル装置から取り外され、ウェアラブル装置から取り外された状態で変更されるように構成される。

特定の実施形態において、出力を数値化することは、出力の値を四捨五入する又は切り捨てるステップを含む。

特定の実施形態において、出力に対する数値化の量は、可逆圧縮性能（ｌｏｓｓｌｅｓｓｃｏｍｐｒｅｓｓｉｏｎｐｅｒｆｏｒｍａｎｃｅ）に基づく。

特定の実施形態において、出力に対する数値化の量は、処理能力、ストレージ、またはネットワークの使用量、のうちの少なくとも１つ、に関する効率、およびニューラルネットワークの精度に基づく。

特定の実施形態において、ニューラルネットワークは、ニューラルネットワークの層の第１のサブセットの出力に数値化を適用することによってトレーニングされる。

特定の実施形態において、ニューラルネットワークは、ニューラルネットワークの層の第１のサブセットの出力に可逆圧縮を適用することによってトレーニングされる。

特定の実施形態において、ニューラルネットワークは、ニューラルネットワークの層の第１のサブセットの出力に数値化および可逆圧縮を適用することによってトレーニングされる。

特定の実施形態において、ニューラルネットワークは、数値化および可逆圧縮を行わずにトレーニングされて第１のニューラルネットワークを生成し、第１のニューラルネットワークは、ニューラルネットワークの層の第１のサブセットの出力に数値化および可逆圧縮を適用してトレーニングされて、第２のニューラルネットワークを生成する。

いくつかの実施形態は、データをモニタするためのウェアラブル装置を含み、ウェアラブル装置は、
ユーザから心電信号を検出するように構成されたセンサと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は第１のサブセットの出力をコンピューティングシステムに送信するように構成されており、
コンピューティングシステムはニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈の発生の可能性を推論するように構成される。

いくつかの実施形態は、心不整脈の発生の可能性を推定する（ｅｓｔｉｍａｔｅ）ためのコンピューティングシステムを含み、
コンピューティングシステムは、
ユーザからの心電信号を検出するように構成されたセンサを含むウェアラブル装置からデータを受信するように構成された１つ以上の第１のハードウェアプロセッサと、
検出された心電信号をニューラルネットワークの層の第１のサブセットを介して処理し、受信したデータをニューラルネットワークの層の第２のサブセットを介して処理し、層の第２のサブセットの出力から、心不整脈の発生の可能性の推論を受信するように構成された１つ以上の第２のハードウェアプロセッサと、を含む。

いくつかの実施形態は、データをモニタリングする方法を含み、
方法は、
ユーザから心電信号を検出するステップと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するステップと、
第１のサブセットの出力をコンピューティングシステムに送信するステップと、を含み、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈発生の可能性を推論する。

いくつかの実施形態は、コンピュータ実行可能命令を収納する非一時的コンピュータ記憶媒体を含み、プロセッサによって実行されると、プロセッサに、
ユーザから心電信号を検出するステップと、
検出された心電信号をニューラルネットワークの層の第１のサブセットを介して処理するステップと、
第１のサブセットの出力をコンピューティングシステムに送信するステップと、を実行させ、
コンピューティングシステムは、出力をニューラルネットワークの層の第２のサブセットを介して処理して心不整脈発生の可能性を推論する。

いくつかの実施形態は、ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングする方法を含み、
方法は、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第２の特質を識別するように第１および第２のニューラルネットワークを同時にトレーニングするステップと、を含む。

特定の実施形態において、第２のトレーニングデータは第３のトレーニングデータであり、第２の時間期間は第３の時間期間である。

特定の実施形態において、トレーニングは、ウェアラブル装置の利用可能な処理能力に基づく。

特定の実施形態において、トレーニングは、ウェアラブル装置の利用可能なメモリに基づく。

特定の実施形態において、トレーニングは、ウェアラブル装置と外部コンピューティングシステムとの間のネットワークの利用可能性に基づく。

特定の実施形態において、トレーニングは、ユーザの特徴のタイプに基づく。

特定の実施形態において、ユーザの特徴のタイプは、心不整脈の発生を含む。

いくつかの実施形態は、ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングするシステムを含み、このシステムは、ウェアラブル心臓モニタ装置を含み、
ウェアラブル心臓モニタ装置は、
水密ハウジングと、
哺乳動物に密封可能に係合するように構成されたハウジング上の表面と、
少なくとも７日間、モニタリングが完了するまで除去せずに哺乳動物に継続して貼り付けられたままであるように構成された表面上の接着剤と、
表面が哺乳動物に密封可能に係合する間に哺乳動物の連続心拍信号を検出するように位置付けられた、ハウジング内に恒久的に配置された少なくとも２つの電極と、
検出された心拍信号をニューラルネットワークの層の第１のサブセットを介して処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、出力をニューラルネットワークの層の第２のサブセットを介して処理することによって心不整脈の発生の可能性を推論するように構成され、
システムは、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１のニューラルネットワークおよび第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第２の特質を識別するように第１および第２のニューラルネットワークを同時にトレーニングするステップと、
によってニューラルネットワークをトレーニングするように構成される。

いくつかの実施形態は、ユーザの生体信号データをモニタするためのウェアラブル装置を含み、
ウェアラブル装置は、
ハウジングとウィングとを含む接着アセンブリであって、ウィングは、ユーザからの心電信号を検出するように構成された電極を含む、接着アセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理してＱＴ間隔（ＱＴｉｎｔｅｒｖａｌ）を推論するように構成される。

特定の実施形態において、コンピューティングシステムは、検出された心電信号から心房細動負担を決定するようにさらに構成される。

特定の実施形態において、心房細動負担は、ある期間中にユーザが心房細動状態で経過した時間の量を含む。

特定の実施形態において、心房細動負担は、睡眠期間中及び覚醒期間中にユーザが心房細動状態で経過した時間の量を含む。

特定の実施形態において、ハードウェアプロセッサは、ＥＣＧ信号の検出と実質的にリアルタイムで連続的にニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成される

特定の実施形態において、ニューラルネットワークの層の第１のサブセットの出力は、Ｒピークの表示を含む。

特定の実施形態において、コンピューティングシステムは、層の第２のサブセットを介して心電信号を再構築するようにさらに構成される。

いくつかの実施形態は、ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングするためのシステムを含み、システムはウェアラブル装置を含み、
ウェアラブル装置は、
ユーザからの心電信号を検出するように構成された電極を含むアセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈の発生の可能性を推論するように構成され、
システムは、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１のニューラルネットワークおよび第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第２の特質を識別するように第１および第２のニューラルネットワークを同時にトレーニングするステップと、
によってニューラルネットワークをトレーニングするように構成される。

特定の実施形態において、ニューラルネットワークの層の第１のサブセットの出力は、ニューラルネットワークの層の第１のサブセットの入力よりも小さい次元数である。

特定の実施形態において、ハードウェアプロセッサは、特徴に基づいて複数のニューラルネットワークから特定のニューラルネットワークを選択するように構成される。

特定の実施形態において、特徴とは、ウェアラブル装置の特徴、ウェアラブル装置とコンピューティングシステムとの間のネットワークの特徴、のうちの少なくとも１つを含む。

特定の実施形態において、ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットの出力を圧縮するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、圧縮された出力を送信するステップを含み、コンピューティングシステムは、送信データを解凍するように構成され、層の第２のサブセットを介して出力を処理するステップは、解凍されたデータを処理するステップを含む。

特定の実施形態において、ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットの出力を数値化するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、出力を送信するステップを含む。

特定の実施形態において、コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットの出力からＥＣＧ信号を再構築することによって、ＱＴ間隔を推論する。

特定の実施形態において、コンピューティングシステムは、複数のＱＴ間隔を含むエンコードされた特質のウィンドウからの平均ＱＴ間隔に基づいてＱＴ間隔を推論する。

いくつかの実施形態は、ユーザの生体信号データをモニタするためのウェアラブル装置を含み、
ウェアラブル装置は、
ハウジング及びウィングを含む接着アセンブリであって、ウィングは、ユーザからの心電信号を検出するように構成された電極を含む、接着アセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ある期間にわたる複数の拍動（ｂｅａｔ）に基づくテンプレート拍動を生成するために構成される。

いくつかの実施形態は、ユーザの生体信号データをモニタするためのウェアラブル装置を含み、
ウェアラブル装置は、
ユーザからの心電信号を検出するように構成された電極を含むアセンブリと、
検出された心電信号をニューラルネットワークの層の第１のサブセットを介して処理するように構成されたハードウェアプロセッサであって、ニューラルネットワークの層の第１のサブセットの出力がＲＲピーク間隔を含み、ＲＲピーク間隔が２つの連続したＲピーク間の経過時間を含む、ハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第１のサブセットの出力におけるＲＲピーク間隔を、ニューラルネットワークの層の第２のサブセットを介して処理することによって、心不整脈の発生の可能性を推論するように構成される。

特定の実施形態において、ニューラルネットワークの層の第１のサブセットは、重複するスライディングウィンドウを使用してＲＲ間隔サブシーケンスを抽出し、検出された心電信号上でスライディングウィンドウをシフトさせることによって、ＲＲピーク間隔のシーケンスを生成する。

本発明のこれらおよび他の態様および実施形態は、図面を参照しながら、以下により詳細に説明される。

図１Ａは、一実施形態に係る生理学的モニタリング装置の斜視図である。図１Ｂは、一実施形態に係る生理学的モニタリング装置の分解プロファイル図である。図２Ａは、一実施形態に係る生理学的モニタリング装置のプリント回路基板アセンブリの上面斜視図である。図２Ｂは、一実施形態に係る生理学的モニタリング装置のプリント回路基板アセンブリの底面斜視図である。図３Ａは、一実施形態に係る生理学的モニタリング装置の可撓性本体およびガスケットの斜視図である。図３Ｂは、一実施形態に係る生理学的モニタリング装置の可撓性本体およびガスケットの分解図である。図３Ｃは、一実施形態に係る生理学的モニタリング装置の可撓性本体およびガスケットの図である。図３Ｄは、一実施形態に係る生理学的モニタリング装置の可撓性本体およびガスケットの図である。図３Ｅは、一実施形態に係る生理学的モニタリング装置の可撓性本体およびガスケットの斜視図である。図４は、一実施形態に係る生理学的モニタリング装置の剛性ハウジングの分解図である。図５Ａは、一実施形態に係る生理学的モニタリング装置のバッテリホルダの斜視図である。図５Ｂは、一実施形態に係る生理学的モニタリング装置のバッテリホルダの斜視図である。図６Ａは、一実施形態に係る生理学的モニタリング装置の断面図である。図６Ｂは、一実施形態に係る生理学的モニタリング装置の断面図である。図７は、一実施形態に係る、多くのオプション品を含む生理学的モニタリング装置の分解図である。図８Ａは、一実施形態に係る生理学的モニタリング装置を装着した人の斜視図であり、装置が体の動きや位置に合わせて曲がる様子が示される。図８Ｂは、一実施形態に係る生理学的モニタリング装置を装着した人の斜視図であり、装置が体の動きや位置に合わせて曲がる様子が示される。図９Ａは、一実施形態に係る生理学的モニタリング装置を患者の体に貼り付ける手順を示す。図９Ｂは、一実施形態に係る生理学的モニタリング装置を患者の体に貼り付ける手順を示す。図９Ｃは、一実施形態に係る生理学的モニタリング装置を患者の体に貼り付ける手順を示す。図９Ｄは、一実施形態に係る生理学的モニタリング装置を患者の体に貼り付ける手順を示す。図９Ｅは、一実施形態に係る生理学的モニタリング装置を患者の体に貼り付ける手順を示す。図９Ｆは、一実施形態に係る生理学的モニタリング装置を患者の体に貼り付ける手順を示す。図１０は、心拍推論サービスの一実施形態の模式図である。図１１は、生理学的モニタからのデータ特質を抽出して送信するためのシステムの実施形態を示す模式図である。図１２は、生理学的モニタからのデータ特質を抽出して送信装置を使用して送信するためのシステムの実施形態を示す模式図である。図１３は、追加のデータチャネルを利用した生理学的モニタリングシステムの実施形態を示す模式図である。図１４は、データフィルタを組み入れた生理学的モニタリングシステムの実施形態を示す模式図である。図１５は、ウェアラブル装置システムの実施形態を示す模式図である。図１６は、症状の送信システムの実施形態を示す模式図である。図１７は、無症状の送信システムの実施形態を示す模式図である。図１８Ａは、ＮＳＲ心拍に対応するＥＣＧストリップの読みを例示する実施形態のグラフである。図１８Ｂは、ＮＳＲ心拍に対応するＥＣＧストリップの読みを例示する実施形態のグラフである。図１９は、負担予測モデルのハイレベルアーキテクチャを示す。図２０は、図１９のハイレベルアーキテクチャの実施形態である。図２１は、図１９の特質抽出モデルの実施形態である。図２２Ａは、ニューラルネットワークのエンコーディングを使用して心拍アノテーションを予測するシステムの実施形態の模式図である。図２２Ｂは、単一ニューラルネットワーク内の層の第１および第２のサブセットの実施形態の模式図である。図２２Ｃは、パッチ上でニューラルネットワークの層のサブセットを処理するシステムの実施形態の模式図である。図２２Ｄは、層の第１のサブセットの出力をサーバに送信する実施形態の模式図である。図２２Ｅは、ニューラルネットワークをデザイン（及び／又はトレーニング）する実施形態の模式図である。図２２Ｆは、ユーザの現在の行動に基づいてニューラルネットワークをデザイン、トレーニング、及び／又は選択するための実施形態の模式図である。図２３は、コンピュータネットワークシステムの実施形態の模式図である。図２４は、プログラミングおよび分配モジュールの実施形態の模式図である。図２５は、ＥＣＧエンコーダを備えた可逆圧縮の実装を示す。図２６は、ニューラルネットワークの層の第１のサブセットを処理した後に、ＥＣＧエンコーダの出力データに数値化を実行する数値化器の実施形態を示す。図２７は、数値化器および可逆圧縮器及び可逆解凍器を介した可逆圧縮の両方を備えた実施形態を示す。図２８Ａは、テンプレートビートを生成する工程の実施形態を示す。図２８Ｂは、テンプレートビートを生成する工程の実施形態を示す。

以下の説明は、多数の様々な実施形態に向けられたものである。しかしながら、記載された実施形態は、多くの異なる方法で実施および／または変化させることができる。例えば、記載された実施形態は、多数の生理学的パラメータのいずれかをモニタするための任意の適切な装置、器具、又はシステムにおいて実装されてもよい。例えば、以下の説明は、主に、長期的なパッチベースの心拍モニタリング装置に焦点を当てている。１つの代替実施形態では、生理学的モニタリング装置は、例えば、パルスオキシメトリ（ｏｘｉｍｅｔｒｙ）及び閉塞性睡眠時無呼吸症候群（ｓｌｅｅｐａｐｎｅａ）の診断のために使用されてもよい。生理学的モニタリング装置の使用方法もまた、様々である。場合によっては、装置は１週間またはそれ以下着用され、他の場合には、装置は少なくとも７日間及び／又は７日間以上、例えば１４日間から２１日間又はそれ以上着用され得る。

心臓の異常な心拍や不整脈は、それほど深刻ではない他の原因によって引き起こされることが多いため、これらの症状のいずれかが不整脈によるものであるかを判断することが重要な課題となっている。しばしば、不整脈は頻度が少なく、および／または、散発的に発生するため、迅速かつ信頼性の高い診断が困難である。現在、心拍モニタリングは、主にホルターモニタ（Ｈｏｌｔｅｒｍｏｎｉｔｏｒ）のような短時間（１日以内）の電極を胸部に装着する装置によって行われている。電極は、通常ベルトに装着される記録装置にワイヤで接続される。電極は毎日交換する必要があり、ワイヤも煩わしい。また、記録装置のメモリや記録時間にも限りがある。また、装着することで患者の動きを妨げ、入浴などの特定の行動ができなくなることが多い。さらに、ホルターモニタは資本設備であり、入手可能性が限られているため、しばしば供給上の制約やそれに伴う検査の遅れにつながる。これらの制約は、装置の診断的有用性、装置を使用する患者の順応性（ｃｏｍｐｌｉａｎｃｅ）、および重要な情報をすべて把握する可能性を著しく阻害する。順応性の欠如や機器の欠点によって、正しい診断を下すために、追加の機器やフォローオンモニタリング、その他の検査が必要になることが多い。

ホルターモニタや心臓事象モニタなどの心拍モニタリング装置を用いて不整脈の発生と症状を関連付ける現在の方法は、正確な診断を下すには十分でないことが多い。実際、ホルターモニタは最大９０％の確率で診断につながらないことが示されている（ＤＥＷａｒｄら著、「２４時間外来心電図モニタの診断価値の評価」、ＢｉｏｔｅｌｅｍｅｔｒｙＰａｔｉｅｎｔＭｏｎｉｔｏｒｉｎｇ誌、第７巻、１９８０年に出版）。

さらに、実際に心拍モニタリング装置を入手してモニタリングを開始するという医療行為は、通常、非常に複雑である。通常、そのようなモニタリング装置からのデータの発注、追跡、モニタリング、回収、および解析には多数の手順が必要である。今日使用されている心臓モニタリング装置は、ほとんどの場合、患者の主治医（ｐｒｉｍａｒｙｃａｒｅｐｈｙｓｉｃｉａｎ：ＰＣＰ）ではなく、心臓専門医または心臓電気生理学者（ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｉｓｔ：ＥＰ）によって発注される。このことは、ＰＣＰが患者を最初に診察し、患者の症状が不整脈によるものかもしれないと判断する最初の医師であることが多いため、重要な意味を持つ。患者がＰＣＰを受診した後、ＰＣＰは患者に心臓専門医またはＥＰを受診させるための予約を取る。この予約は、通常、初診から数週間後に行われるため、診断が遅れ、不整脈のエピソードが発生しても診断されずに終わる可能性が高くなる。患者が最終的に心臓専門医またはＥＰにかかると、通常、心拍モニタリング装置が注文される。モニタリング期間は２４～４８時間（ホルターモニタ）または最長１カ月（心臓事象モニタまたはモバイルテレメトリ装置）である。モニタリングが終了すると、患者は通常、装置をクリニックに返却しなければならず、それ自体が不便になることもある。データはモニタリング会社または病院やオフィスにいる技術者によって処理された後、最終的に報告書が心臓専門医またはＥＰに解析のために送られる。このようにプロセスが複雑なため、心拍モニタリングを受ける患者の数は、本来受けることが望ましい患者の数よりも少なくなってしまっている。

心臓モニタリングに関するこれらの問題のいくつかに対処するために、本願の譲受人は、小型で長期間着用可能な生理学的モニタリング装置の様々な実施形態を開発した。この装置の一実施形態は、Ｚｉｏ（登録商標）Ｐａｔｃｈである。様々な実施形態は、例えば、米国特許番号８，１５０，５０２、８，１６０，６８２、８，２４４，３３５、８，５６０，０４６、及び８，５３８，５０３にも記載されており、これらの全開示内容は、その全体が参照により本明細書に組み込まれるものとする。一般に、上記文献に記載された生理学的パッチベースのモニタは、患者の胸部に快適にフィットし、少なくとも１週間、典型的には２～３週間装着されるように設計されている。モニタは、装置が装着されている間、連続的に心拍信号データを検出及び記録し、この心拍データは、その後、処理及び解析に利用可能である。

生理学的モニタリング装置
図１Ａ及び１Ｂを参照すると、生理学的モニタリング装置１００の一実施形態の斜視図及び分解プロファイル図が提供される。図１Ａに見られるように、生理学的モニタリング装置１００は、水密で剛性のハウジング１１５と結合された可撓性本体１１０、およびヒンジ部１３２を含んでもよい。可撓性本体１１０（「可撓性基板」または「可撓性構成体」と呼ばれることがある）は、典型的には、剛性ハウジング１１５から横方向に延びる２つのウィング１３０、１３１と、それぞれがウィング１３０、１３１の１つに埋め込まれた２つの可撓性電極トレース（ｅｌｅｃｔｒｏｄｅｔｒａｃｅ）３１１、３１２と、を含む。各電極トレース３１１、３１２は、可撓性本体１１０の底面上で、可撓性電極（図１Ａでは見えない）と結合される。電極は、モニタリング装置１００が取り付けられている患者からの心拍信号を感知するように構成されている。電極トレース３１１、３１２は、次に、剛性ハウジング１１５に収容された電子機器（図１Ａでは見えない）にそれらの信号を送信する。剛性ハウジング１１５はまた、典型的には、１つ以上の電池などの電源を含む。

ここで図１Ｂを参照すると、生理学的モニタリング装置１００の部分分解図が、剛性ハウジング１１５を構成する、及び剛性ハウジング１１５内に収容される構成部品をより詳細に示している。この実施形態では、剛性ハウジング１１５は、下部ハウジング部材１４５と着脱可能に結合する上部ハウジング部材１４０を含む。上部ハウジング部材１４０と下部ハウジング部材１４５との間に挟まれるのは、上部ガスケット３７０、および下部ガスケット３６０（図１Ｂでは見えないが、上部ガスケット３７０のすぐ下）である。ガスケット３７０、３６０は、組み立てられたときに剛性ハウジング部材１１５を水密状態にするのに役立つ。モニタリング装置１００の多数の構成要素は、上部ハウジング部材１４０と下部ハウジング部材１４５との間に収容され得る。例えば、一実施形態では、ハウジング１１５は、可撓性本体１１０の一部、プリント回路基板アセンブリ（ＰＣＢＡ）１２０、バッテリホルダ１５０、及び２つのバッテリ１６０を収容してもよい。プリント回路基板アセンブリ１２０は、電極トレース３１１、３１２及び電池１６０に接触するようにハウジング１１５内に配置される。様々な実施形態において、１つ以上の追加の構成要素が、剛性ハウジング１１５内に含まれるか、または剛性ハウジング１１５に取り付けられてもよい。これらのオプションの構成要素のいくつかは、追加の図面を参照して、以下でさらに説明される。

バッテリホルダ１５０は、様々な代替の実施形態によれば、（図示の実施形態のように）２つのバッテリ、１つのバッテリ、または２つ以上のバッテリを保持することができる。他の代替的な実施形態では、他の電源が使用されてもよい。図示の実施形態では、バッテリホルダ１５０は、バッテリ１６０をホルダ１５０内に保持するための複数の保持タブ１５３を含んでいる。さらに、バッテリホルダ１５０は、ＰＣＢＡ１２０の表面からバッテリ１６０の正しい間隔を確立し、スプリングフィンガ２３５及び２３６との適切な接触を保証するための複数のフット１５２を含む。スプリングフィンガ２３５及び２３６は、この実施形態では、バッテリ１６０をＰＣＢＡ１２０にはんだ付けする代わりに使用される。代替の実施形態においてはんだ付けが使用され得るが、スプリングフィンガ２３５及び２３６の１つの利点は、それらの構成要素のいずれかを損傷することなく、電池１６０がＰＣＢＡ１２０及びホルダ１５０から取り外され、したがって両方の多重再使用を可能にすることである。はんだ接続を排除することはまた、モニタリング装置１００の組み立て及び分解を単純化し、迅速化する。いくつかの実施形態において、上部ハウジング部材１４０は、患者事象トリガとして機能することができる。

ここで図２Ａ及び２Ｂの実施形態を参照すると、プリント回路基板アセンブリ１２０（又はＰＣＢＡ）は、上面２２０、底面２３０、患者トリガ入力２１０、及びスプリング接点２３５、２３６、及び２３７を含んでもよい。患者トリガ入力２１０は、上述した上部ハウジング部材１４０などの患者トリガからの信号をＰＣＢＡ１２０に中継するように構成されてもよい。例えば、患者トリガ入力２１０は、患者トリガ（例えば、上部ハウジング部材１４０の上面）からの圧力に応答するＰＣＢスイッチ又はボタンであってよい。

ここで図３Ａ及び図３Ｂの実施形態を参照すると、可撓性本体１１０がより詳細に示されている。図３Ａに示されるように、可撓性本体１１０は、ウィング１３０、１３１、各ウィング１３０、１３１の少なくとも一部の周りの薄い境界１３３（または「リム」、または「エッジ」）、電極トレース３１１、３１２、および剛性ハウジング１１５との各ウィング１３０、１３１の接合部の、またはその近くのヒンジ部１３２（または「ショルダ」）を含んでもよい。

図３Ｃ及び３Ｄの実施形態に示されるように、ＥＣＧ回路インタフェース部３１３は、装置１００又はズームイン装置部分１０１が組み立てられると、スプリングフィンガ２３７と物理的に接触し、ＰＣＢＡ１２０との電気通信を提供する。電極インタフェース部３１０は、ハイドロジェル電極３５０に接触する。したがって、電極トレース３１１、３１２は、電極３５０からＰＣＢＡ１２０に心拍信号（及び／又は様々な実施形態における他の生理学的データ）を送信する。

図３Ｅは、さらに別の実施形態を描いており、上部ガスケット３７０が、上部基板３００に固着されたまま上部ハウジング１４０のプロファイルから離れて突出するタブ３７１を含む。タブ３７１は、電極トレース３１１、３１２の一部を覆い、可撓体が剛性ハウジングと接する最も高い応力のポイントにおいて、トレースのために歪みの緩和を提供する。

ここで図４の実施形態を参照すると、剛性ハウジング１１５の上部ハウジング部材１４０および下部ハウジング部材１４５が、より詳細に示されている。上部及び下部ハウジング部材１４０、１４５は、それらの間にガスケット３６０、３７０を入れて一緒に結合されると、ＰＣＢＡ１２０、バッテリホルダ１５０、バッテリ１６０及び剛性ハウジング１１５内に含まれる他の任意のコンポーネントを含むための水密エンクロージャを形成するように構成されてもよい。ハウジング部材１４０、１４５は、耐水性プラスチックなど、内部構成要素を保護するための任意の適切な材料で作られてもよい。

ここで図５Ａの実施形態を参照すると、バッテリホルダ１５０がより詳細に示されている。バッテリホルダ１５０は、プラスチックまたは他の適切な材料で作られてもよく、ＰＣＢＡ１２０に取り付けられ、その後、剛性ハウジング１１５に取り付けられるように構成され、２つのバッテリ１６０（図１Ｂ）を保持することが可能である。複数の突起１５２は、電池１６０がＰＣＢＡ１２０の表面から一定の距離を置いて配置されるための安定したプラットフォームを提供し、敏感な電子部品との不要な接触を避けつつ、スプリング接点２３５の適切な圧縮を提供する（図５Ｂ）。

ここで図６Ａ及び６Ｂの実施形態を参照すると、生理学的モニタリング装置１００が、側面断面図で示されている。６Ａに示されるように、生理学的モニタリング装置１００は、剛性ハウジング１１５と結合された可撓性本体１１０を含んでもよい。可撓性本体１１０は、上部基板層３００、下部基板層３３０、接着剤層３４０、及び電極３５０を含んでもよい。電極トレース３１１、３１２も典型的には可撓性本体１１０の一部であり、上部基板層３００と下部基板層３３０との間に埋め込まれるが、図６では示されていない。可撓性本体１１０は、ハウジング１１５のいずれかの側に延びる２つのウィング１３０、１３１と、各ウィング１３０、１３１の少なくとも一部を囲む境界１３３とを形成する。剛性ハウジング１１５は、可撓性本体１１０の一部を間に挟むように下部ハウジング部材１４５と結合された上部ハウジング部材１４０を含んでよく、ＰＣＢＡ１２０のための水密に密閉されたコンパートメントを提供する。上部ハウジング部材１４０は、内側トリガ部材４３０を含んでもよく、ＰＣＢＡは、患者トリガ部材２１０を含んでもよい。先に説明したように、下部ハウジング部材１４５は、モニタリング装置１００の快適性を高めるために、複数のディンプル４５０又はディボットを含んでもよい。特定の実施形態において、ＰＣＢＡ１２０の不要な曲がりを低減し防止するための追加の機構が使用されてもよい。この機構は、図６Ｂに示されている。

図７を参照すると、いくつかの実施形態において、生理学的モニタリング装置１００は、１つ又は複数の追加の任意選択の特質を含んでもよい。例えば、一実施形態では、モニタリング装置１００は、取り外し可能なライナ８１０、上部ラベル８２０、装置識別子８３０、及び下部ラベル８４０を含んでもよい。

ここで図８Ａ及び８Ｂの実施形態を参照すると、生理学的モニタリング装置１００は、一般に、各ウィング１３０、１３１と剛性ハウジング１１５との接合部又はその近くにヒンジ部１３２を含む。さらに、各ウィング１３０、１３１は、典型的には、接着剤層３４０を介して患者に接着されるが、剛体１１５は、患者に接着されず、したがって、患者の移動及び体勢の変更の間、患者の皮膚の上で自由に「浮く」（例えば、上下に動く）ことが可能である。言い換えれば、患者の胸部が収縮すると、剛性ハウジングは皮膚の上に飛び出すか、浮くので、装置１００への応力を最小限に抑え、快適性を高め、ウィング１３０、１３１が皮膚から剥離する傾向を低減することができる。

ここで図９Ａ～９Ｆを参照すると、生理学的モニタリング装置１００をヒト被験者の皮膚に適用する方法の一実施形態が説明される。この実施形態では、図９Ａに示す第１のステップの前に、典型的には、装置１００が配置される左胸部の皮膚の小部分の毛を剃り、剃った部分を擦る及び／又は洗浄することによって、患者の皮膚を準備してもよい。図９Ａに示されるように、患者の皮膚が準備されると、装置１００を適用する第１のステップは、装置１００の底面上の接着剤層３４０から２つの接着剤カバー６００の一方または両方を除去し、したがって、接着剤層３４０を露出させることを含んでもよい。図９Ｂに示されるように、次のステップは、接着剤層３４０が所望の位置で皮膚に付着するように、装置１００を皮膚に適用することであってもよい。図９Ｃを参照すると、装置１００が皮膚に適用された後、装置１００の皮膚への付着を確実にするのを助けるために、可撓性本体１１０に圧力を加えて胸に押し付けてもよい。

次のステップでは、図９Ｄを参照すると、ライナ８１０は、可撓性本体１１０の上面から取り除かれる（例えば、剥がされる）。図９Ｅに示すように、ライナ８１０が取り除かれると、可撓性本体１１０が皮膚に確実に接着されるのを助けるために、圧力が再び適用されてもよい。最後に、図９Ｆに示すように、上部ハウジング部材１４０は、生理学的モニタリング装置１４０をオンにするために押されてもよい。この説明された方法は、１つの実施形態に過ぎない。代替の実施形態では、１つ又は複数のステップが省略されてもよく、及び／又は１つ又は複数の追加のステップが追加されてもよい。

上記及び本明細書の他の場所で説明した生理学的モニタは、モニタからのデータ収集を改善するデータ処理及び送信の方法及びシステムと更に組み合わせてもよい。さらに、以下に説明する方法及びシステムは、上述のモニタの、高い患者順応性及び使いやすさを維持しながら、臨床情報のタイムリーな送信を可能にすることによって、モニタの性能を向上させることができる。例えば、本明細書のこのセクションまたは本明細書の他の箇所で説明するデータ処理および送信の方法およびシステムは、モニタの電池寿命を延長するのに役立ち、モニタの精度を向上させ、および／または本明細書のこのセクションまたは他の箇所で説明する他の改善および利点を提供することができる。

装置のモニタリングおよび臨床解析のプラットフォーム
図１０～図１７の実施形態に関連して以下に詳細に説明するシステム及び方法は、図１～図９に関連して上述したようなウェアラブル生理学的モニタから心電図信号データ及び他の生理学的データを選択的に抽出、送信、及び解析することができる。以下に説明するシステム及び方法は、複数の手段を介して同時にデータを記録及び送信するウェアラブル生理学的モニタの性能を向上させることができる。例えば、抽出されたデータを選択的に送信することは、ウェアラブルパッチが全ての記録されたデータを送信する必要がないため、電力消費を減少させることができる。抽出されたデータを送信することにより、電力消費が高くバッテリ寿命を減少させる、総合的なオンボードの心拍解析を必要とせずに、解析の多くをウェアラブル装置から離れた場所で行うことができる。さらに、ウェアラブル装置に固有の電力制約のない遠隔解析は、データの解析におけるより高い感度と精度を可能にする可能性がある。消費電力の減少は、モニタリングサイクル中の装置交換、バッテリ交換またはバッテリ再充電の間の期間を延長し、あるいはその必要性をなくすので、患者の順応性を向上させるのに役立つ。バッテリ消費を減少させることにより、例えば、少なくとも１週間、少なくとも２週間、少なくとも３週間、または３週間以上など、装置交換なしでより長いモニタリング期間を可能にすることができる。

図１０は、連続心拍モニタリング装置９０４によって生成され得るようなＲＲ間隔時系列９０２から心拍情報を推論するためのシステム９００の実施形態の一般的な概要を示す図である。システムに入力されるＲＲ間隔時系列９０２は、連続する心拍間のタイミング間隔の一連の測定値を含んでもよい。ＲＲ間隔時系列９０２データは、心拍感知機能を組み込んだ、心拍チェストストラップ又は心拍時計などの専用の心拍モニタ、又はウェアラブルな健康又はフィットネス装置９０６、９０８から抽出又は受信されてもよい。あるいは、ＲＲ間隔時系列９０２は、ＥＣＧ信号９０４を（例えば、ＱＲＳ検出アルゴリズムを使用してＥＣＧ内のＲピークを突き止めることによって）測定するように設計されたウェアラブルパッチから得られてもよい。さらに、ＲＲ間隔時系列９０２は、光電式容積脈波法（ＰＰＧ）から得られるような代替の生理学的信号から推論されてもよい。このシナリオでは、ＰＰＧ信号から決定されるピークからピークまでの間隔時系列は、ＲＲ間隔時系列の正確な推定値として使用されてもよい。

特定の実施形態において、心拍推論システムは、個々のＲＲ間隔時系列９０２に加えて、所定のユーザ９１８の装置から測定された複数のＲＲ間隔時系列を受け入れてもよい。特定の実施形態において、心拍推論システム９１０は、推論結果の精度及び／又は価値を高めるために、ＲＲ間隔時系列データに加えて、一般に代替センサチャネルと呼ばれる追加のデータ源を受け入れてもよい。

ｉＲｈｙｔｈｍＺｉｏＰａｔｃｈ（商標）９０４などの、図１～９に関連してさらに上述した現在のウェアラブルセンサは、１回のバッテリ充電で最大２週間、単一リードの心電図（ＥＣＧ）信号を記録することが可能である。

抽出、送信、および処理システム
図１１は、図１０に関連して上述したシステム及び／又は方法と同様の、送信機能を有するウェアラブル医療センサ１００２のシステム及び方法１０００の一実施形態の模式図である。いくつかの実施形態において、本明細書のこのセクション又は他の場所で説明される任意のタイプのセンサ又はモニタであってよいセンサ１００２は、ＥＣＧ又は同等の生体信号１００４を連続的に感知し、ＥＣＧ又は同等の生体信号１００４を連続的に記録する。次いで、収集された信号１００４は、例示的な特質Ａ、Ｂ、及びＣを表す１つ又は複数の特質に連続的に抽出（１００６）されてもよい。ＥＣＧ又は同等の生体信号の特質は、信号１００４の遠隔での解析を容易にするために抽出される。

上述のような特質抽出が完了すると、次に、様々な特質１００８が、処理装置／サーバ１０１２に送信されてもよい（１０１０）。特質１００８（及び以下に説明するような代替のセンサチャネルデータ及び／又は特質）は、物理的にセンサ１００２の一部分ではない処理装置１０１２に一定の間隔で送信される（１０１０）。

いくつかの実施形態において、送信された特質１０１４は、データ特質１０１４を利用する遠隔プロセッサによって処理され、不整脈を含む可能性が高いセグメント／位置を解析及び識別する（１０１８）心拍推論システム１０１６を介して解析を実行する。例えば、識別され得る不整脈及び異所性興奮のタイプは、休止、第２度または第３度ＡＶＢ、完全心臓ブロック、ＳＶＴ、ＡＦ、ＶＴ、ＶＦ、二段脈（ｂｉｇｅｍｉｎｙ）、三段脈（ｔｒｉｇｅｍｉｎｙ）、および／または異所性興奮を含み得る。判断の信頼性は、心拍の識別に含まれることがある。

識別された不整脈位置１０１８は、次に、センサ１００２に返信される（１０２０）。センサへの返信１０２０は、例えばＢｌｕｅｔｏｏｔｈを介して、本明細書または本明細書の他の場所に記載された任意の通信プロトコル／技術によって達成され得る。次いで、センサは、送信された識別位置１０２２を読み出し、ＥＣＧの送信された識別位置１０２２に対応するメモリの領域にアクセスする（１０２４）。いくつかの実施形態において、センサは、不整脈識別の確信度をさらに高めるために、識別されたセグメントの追加解析を適用する。この更なる心拍確信度決定ステップ１０２６は、電力消費が高い送信ステップの前に、正の予測性（ｐｏｓｉｔｉｖｅｐｒｅｄｉｃｔｉｖｉｔｙ）を高めることを可能にする。実施形態では、確信度が定義された閾値を超える場合、データセグメントが送信される。上述のように確信度が閾値を超える場合、センサ１００２は、要求されたＥＣＧセグメント１０２８を、本明細書または本明細書の他の場所で説明する任意の送信手段を介して処理装置に送信することができる。

図１２は、図１１に関連して上述したシステム及び／又は方法１０００と非常に類似した送信能力を有するウェアラブルＥＣＧ及び／又は医療センサ２００２のシステム及び方法２０００の一実施形態の模式図である。図１２のシステムは、二次送信装置２００４を含むという点で図１１のシステムとは異なる。

図１３は、図１１及び１２に関連して上述したシステム及び／又は方法に非常に類似した、送信機能を有するウェアラブルＥＣＧ及び／又は医療センサ３００２のシステム及び方法３０００の一実施形態の模式図である。図１３は、図１３が、特質３０１０の代替出力及び／又は抽出３００８を生じる代替センサチャネル３００４、３００６を図示する点で図１１及び１２と異なる。他のチャネルのデータの収集は、ＥＣＧ抽出された特質をさらに増強するのに役立つ場合がある。代替センサチャネルからのデータは、全体が送信されてもよいし、データチャネルの特定の特質３０１０が抽出されてもよい（３００８）。

図１４は、図１１から図１３に関連して上述したシステム及び／又は方法に非常に類似した、送信機能を有するウェアラブルＥＣＧ及び／又は医療センサ４００２のシステム及び方法４０００の一実施形態の模式図である。図１４は、図１４の実施形態が追加のデータフィルタを組み込んでいるため、図１１から図１３とは異なっている。いくつかの実施形態において、処理装置４００４は、複数のソースから導出され得るフィルタ基準（ｆｉｌｔｅｒｃｒｉｔｅｒｉａ）を適用することによって、心拍推論システム４００８によって識別された心拍４００６をフィルタリングすることもできる。

図１５は、図１０から図１４の医療用センサといくつかの類似点を有する、完全なＥＣＧ検出を行わない消費者ウェアラブル装置用のシステム５０００の一実施形態の模式図である。センサ５００２は、医療グレードのＥＣＧセンサである必要はなく、単に拍動の検出を可能にするだけである。実施形態において、センサ５００２は、心拍位置が導出され得るデータチャネルを連続的に感知し得る。可能なデータソースとしては、ＰＰＧ（精度を高めるために、任意に複数のチャネルを有する）、生体インピーダンス、及び図１０から図１４のセンサと比較して不十分な信号品質のために完全な実装を伴わないＥＣＧ、がある。図１０から図１４の装置と同様に、この信号から特質を抽出してもよく、例えば、Ｒピーク位置、Ｒピークオーバーフローフラグ、飽和フラグ、呼吸数、Ｐ／Ｔ波位置、Ｒピーク振幅（またはプロキシ）、またはＥＣＧ信号振幅プロキシなどである。

完全なＥＣＧ検出を行わない消費者装置システム５０００は、有利には、消費者が入手可能な心拍センサを用いた不整脈解析を可能にし、それによって、装置のコストを低減し、入手可能性を増大させることができる。その結果、これは、薬局店頭検診（ｏｖｅｒ－ｔｈｅ－ｃｏｕｎｔｅｒｓｃｒｅｅｎｉｎｇ）を介することを含め、より多くの人に対する不整脈検診を可能にし得る。

図１６は、症状の送信を伴うＥＣＧモニタシステム６０００の一実施形態の模式図である。このようなシステムは、図１～図１４に関連して説明したセンサと同様のウェアラブルＥＣＧセンサを含むであろう。上述したように、このようなセンサは、ＥＣＧを連続的に感知し記録する。患者による各症状トリガは、ＥＣＧデータストリップの転送を開始することができる。

図１７は、症状が有るとき、及び症状が無いときの両方の送信を伴うＥＣＧモニタシステム７０００の一実施形態の模式図である。いくつかの実施形態において、各非症状トリガは、上述したようなＥＣＧデータストリップの転送を開始する。

ニューラルネットワークを使用してＲピークシーケンスから負担を推定するシステム
いくつかの実施形態において、ウェアラブル装置が開示される。ウェアラブル装置は、ＥＣＧ信号など、ユーザの生体信号を検出するためのセンサを含んでもよい。ウェアラブル装置は、ニューラルネットワークの層の第１のサブセットを介して検出された生体信号を処理することができる。ウェアラブル装置は、ニューラルネットワークの層の第１のサブセットの出力を取り、その出力をコンピューティング装置（例えば、スマートフォン又はサーバなどの外部システム）に送信して、過去の心不整脈の徴候などのユーザの特徴を導き出し、及び／又は将来の不整脈の発症を予測するために、同じニューラルネットワークの層の第２のサブセットを介してデータをさらに処理することができる。いくつかの実施形態において、コンピューティング装置は、ウェアラブル装置の外部のプロセッサ、又はウェアラブル装置内のプロセッサである。特定の実施形態において、本明細書に記載されるように、計算の少なくとも一部は、ウェアラブル装置の外部の１つ以上のプロセッサ及び／又はウェアラブル装置内の１つ以上のプロセッサで発生し得る。

いくつかの実施形態において、層の第１のサブセットの出力は、Ｒピークシーケンスの表示である。他の実施形態では、層の第１のサブセットの出力は、ＲＲ間隔の表示である。ウェアラブル装置は、ニューラルネットワークの層の第１のサブセットを介してＥＣＧ信号を処理し、層の第１のサブセットの出力からＲピークシーケンスを受信することができる。ウェアラブル装置は、Ｒピークシーケンスを外部コンピューティング装置に送信することができる。外部コンピューティング装置は、ニューラルネットワークの層の第２のサブセットを介してＲピークシーケンスを処理し、層の第２のサブセットの出力として、導出されたユーザの特徴（過去の心不整脈の徴候及び／又は将来の不整脈の発症の予測、心房細動の負担など）を受信することができる。

最近、心房細動（ＡＦｉｂ）などの不整脈を検出するために、ウェアラブルセンサを使用する研究が盛んに行われている。このような研究に用いられるウェアラブルセンサは、大きく分けて２つのカテゴリに分類される。１つ目のカテゴリは、心電図（ＥＣＧ）モニタリング装置。２つ目のカテゴリは、光電式容積脈波法（ＰＰＧ）ベースの装置である。ＰＰＧベースの機器をＡＦｉｂの検出に使用する場合、その結果はまちまちである。例えば、ある研究では、ＰＰＧベースの装置からの心拍数と歩数データを利用して、臨床環境における心房細動のための除細動の直前および直後の患者集団（ｃｏｈｏｒｔ）から、ＰＰＧデータが得られたデータセットにディープニューラルネットワークベースのアルゴリズムを適用すると適切な結果が得られたが、同じアプローチとアルゴリズムが、持続性心房細動の、著しく幅広い外来患者集団でより低調な結果であったことがある。外来患者の集団で結果が低い理由は数多く考えられるが、最も影響力のある要因は、制御されていない環境での心拍数推定のためのＰＰＧ信号の品質が低いことであると思われる。このため、ＥＣＧモニタリング装置のようなウェアラブル心臓モニタを使用して記録されたＥＣＧ信号から得られる心拍データを使用して、より正確にＡＦｉｂを検出する必要性が生じている。

心房細動負担とは、患者が心房細動の状態で経過した時間の割合のことである。最近、成人における心房細動負担と虚血性脳卒中のリスクとの関連性を示す研究により、心房細動負担という概念が注目されている。したがって、患者の心房細動負担を迅速かつ正確に推定できる心臓モニタリングの解決策は、脳卒中のリスクが高いと判断された患者にとって有意義な医療介入につながる可能性がある。

臨床解析のために、心臓モニタ装置を用いて記録された患者のＥＣＧ信号は、通常、様々な持続時間を有し、異なる心拍タイプのエピソードにセグメント化される。正常で健康な患者は、通常、正常洞調律（ＮＳＲ）と呼ばれる正常な心拍の状態にある。様々な心臓の疾患は、不整脈として知られる不規則／異常な心拍のパターンとして現れ、それがＥＣＧ信号の不規則／異常なパターンに変換される。心不整脈には心房細動など様々なタイプがある。患者は、正常な心拍と様々なタイプの心不整脈の間を行ったり来たりすることもあれば、心房細動のように常にこれらの異常な心拍の１つであることもあり得る。心房細動の負担とは、患者が心房細動の状態で経過した時間の割合のことである。心房粗動（ｆｌｕｔｔｅｒ）も心房細動と密接に関連し、脳卒中のリスクを高める不整脈である。心房細動と心房粗動は、時として互いに見分けがつきにくく、臨床的意義が類似しているため、負担計算のために一般的に一緒にグループ化されている。したがって、本開示の目的においては、実施形態はＡＦｉｂを参照して説明されるが、いくつかの実施形態は心房粗動にも（又はそれのみに）適用可能であることが理解される。

ＱＲＳ複合体は、心電図信号の主要な特質である。ＱＲＳ複合体内のピークは、一般に、Ｒピークと呼ばれる。いくつかの実施形態において、ＥＣＧ信号からＲピーク信号を検出する。Ｒピークが検出されると、瞬間的な心拍数は、２つの連続するＲピーク間の持続時間の逆数（ＲＲ間隔と呼ばれる）として推定することができる。心房細動エピソードの主要な識別特徴（ｓｉｇｎａｔｕｒｅ）は、ＲＲ間隔が大きく変動することである。

図１８Ａは、ＮＳＲ心拍に対応するＥＣＧストリップからの読み取りを例示する一実施形態のグラフである。図１８Ｂは、ＮＳＲ心拍に対応するＥＣＧストリップからの読み取りを例示する一実施形態のグラフである。ドットは、Ｒピークの位置を示す。

患者から記録された心電図信号は、異なる心拍タイプのエピソードにセグメント化され、心房細動状態で経過した時間の割合を計算することによって、心房細動の負担を計算することができる。しかし、もしＲピーク位置のシーケンスのみを抽出し（ＥＣＧ信号全体ではなく）、その計算を行うならば、ＡＦｉｂ負担の推定は別のアルゴリズムの問題になる。このようなアルゴリズムが有用となるシナリオとしては、心房細動をモニタする装置自体で過剰な計算を行うことを避けたい場合（ＥＣＧ信号全体を使用）、または、無線通信を使用してモニタリング装置からコンピュータサーバに送信されるデータ量を制限し、心房細動負担を計算したい場合などが考えられる。

本明細書に記載されるのは、ウェアラブル心臓モニタから得られる心拍データを用いてＡＦｉｂを信頼性高く検出する実施形態である。いくつかの実施形態はまた、患者の日々のＡＦｉｂ負担を高い信頼性で推定することができる。

いくつかの実施形態において、アルゴリズム（例えば、ニューラルネットワーク）は、より短い解析ウィンドウ（例えば、３０分又は１時間レベルの持続時間）上でＡＦｉｂ負担を推定することができる。

いくつかの実施形態において、より長い期間にわたる（例えば、より短い解析ウィンドウよりも長い）負担は、解析ウィンドウにわたる負担予測を蓄積することによって決定することができる。例えば、負担は、３０分持続時間の非重複解析ウィンドウにわたって蓄積することができる。３０分の解析期間（ａｎａｌｙｓｉｓｗｉｎｄｏｗ）にわたるＲピーク配列が与えられると、解析期間内のＲＲ間隔シーケンスが導出される。次に、ＲＲ間隔シーケンスは、オーバーラップしている可能性のある、期間ｗ（解析期間に包含される）で長さｓだけシフトした、スライディングウィンドウのセットからＲＲ間隔サブシーケンスを抽出することにより、ＲＲ間隔サブシーケンスのシーケンスに変換される。各スライディングウィンドウから得られたＲＲ間隔サブシーケンスは、すべてのサブシーケンスが同じ長さＭを持つように追加（ｐａｄｄｅｄ）／省略（ｔｒｕｎｃａｔｅｄ）される。例えば、解析ウィンドウ内にＮｗ個のスライディングウィンドウがある場合、時間シーケンスの次元は（Ｎｗ、Ｍ）である。この時間シーケンスは、負担予測を行うためにニューラルネットワークモデルに供給される。概念を説明する目的で、ｗは３０秒として、ｓは２５秒として、Ｍは４２として選択された。モニタ上のニューラルネットワークの部分（例えば、ニューラルネットワークの層の第１のサブセット）は、検出された心電信号を処理してＲＲ間隔データ（及び／又はＲＲ間隔サブシーケンス）を生成し、ＲＲ間隔データを遠隔コンピューティング装置に送信することが可能である。遠隔コンピューティング装置は、ＲＲ間隔データを処理して（例えば、ニューラルネットワークの第２の部分（例えば、ニューラルネットワークの層の第２のサブセット）を介して処理することにより）、不整脈の可能性などの推論を行うことが可能である。いくつかの実施形態において、ニューラルネットワークは、潜在的な負の健康事象のリスクが高いためユーザが装置をより長く着用すべきであるとか、ユーザが低リスクであり着用期間をより早く終了することができるという指示（ｉｎｄｉｃａｔｉｏｎ）など、ウェアラブル装置の使用に関する決定を下すようにトレーニングすることが可能である。

有利なことに、データのそのような分離された処理は、多くの技術的利点を有し得る。例えば、部分的に処理されるデータのそのような選択的な送信は、ウェアラブルパッチの電力消費を減少させることができる。ウェアラブルパッチは、データ処理アルゴリズム全体（ニューラルネットワーク全体など）を記憶する必要はなく、処理するニューラルネットワーク層のサブセットを取得することだけが必要であり得る。したがって、ウェアラブル装置でのデータ処理は、はるかに高速で、より少ない計算を必要とし、処理を介してバッテリの使用をより少なくすることができる。ウェアラブルパッチ側の解析によれば、しばしば非常に高い電力消費となり、バッテリ寿命を減少させ得る完全なオンボード心拍解析が必要でなくなる場合がある。電池消費量の減少は、装置の交換、電池の再充電などの間の期間など、ウェアラブル装置の使用を延長することができる。さらに、ウェアラブル装置は、患者の心臓心拍の全体像を把握するために、より長いモニタリング期間を有することができる。

ＲＲ間隔データに基づく遠隔解析のもう１つの利点は、パッチ上の解析よりも高い感度と精度を可能とする可能性があることである。ウェアラブルパッチはメモリ量、処理能、バッテリに制約があるため、ウェアラブルパッチ上での解析はこれらの制約によって制限される可能性がある。遠隔解析は、多種多様なアルゴリズム、さらには判定と発生の決定木（ｄｅｃｉｓｉｏｎｔｒｅｅ）に基づくアルゴリズムを介してデータを処理することができる。

さらに、ウェアラブルパッチは、検出された心電信号全体よりも小さな次元数のデータを送信してもよい。有利なことに、要求されるのは、より少ないネットワークスループット（ｔｈｒｏｕｇｈｐｕｔ）ですむ。ウェアラブルパッチは、無線ネットワークの状態が最適でない場合であっても、遠隔データ処理に十分なデータを送信することができる。さらに、アップロードされる必要があるのは、ニューラルネットワークのサブセットのみであるため、ウェアラブルパッチは、より速く、より弱いネットワーク条件で、更新されたニューラルネットワークコンピュータ実行可能命令またはダウンロード可能実行可能で更新することができ、より頻繁に更新されることが可能である。

さらに、バッテリおよび電力要求が低いため、より小さなＣＰＵまたはより小さなバッテリを使用して、ウェアラブルパッチのサイズ（ｆｏｒｍｆａｃｔｏｒ）をより小さくすることができる。さらに、データ処理のためのバッテリ及び電力要求の低減は、ウェアラブル装置が、より多くの電極、加速度計などの他のセンサ、又は同じハードウェア及びソフトウェアをより長い期間実行するなどの他の重要なタスク、例えば他の重要なソフトウェアプロセスを実行したり、他のハードウェア装置に電力供給したりできるよう、ウェアラブル装置のバッテリ及び電力割り当て量を解放させる。

ニューラルネットワークのエンコード手法では、バッテリに制約のある装置のデータから、非常に高度なアルゴリズムを実行することができるのが利点である。この応用例としては、装置からリアルタイムでエンコードされたデータを集約し、被験者が特定の臨床結果を引き起こす全体的なリスクを評価するアルゴリズムを実行することが挙げられる。このように、システムは、ユーザに着用期間を動的に知らせることができる。例えば、ウェアラブル装置が一定量のデータを集約した後、遠隔コンピューティング装置が、被験者がある臨床結果を発症するリスクが非常に低いと判断することができる。システムは、ユーザに早期に着用期間を通知することができる。逆に、コンピューティング装置が、ユーザがある臨床結果に対して高リスクであると判断した場合、システムは、ユーザに装置をより長く着用するように通知することができる。

ニューラルネットワークの層の第１のサブセットが、遠隔処理のために送信されるＲＲ間隔データを出力することの別の技術的利点は、ウェアラブルパッチを更新することなく、遠隔で推論を行うためのアルゴリズムを更新することができることである。例えば、更新されたアルゴリズム又はニューラルネットワークは、層の第２のサブセットに対する更新を介して遠隔コンピューティング装置上で更新することができ、一方、層の同じ第１のサブセットは、ウェアラブル装置上で使用することができる。技術的な利点は、ウェアラブルパッチを更新することなく、決定木に基づいて層の第２のサブセットを選択し、他のアルゴリズムと更新または交換することなどができ、システムを他のアルゴリズムとより互換性のあるものにすることである。

負担予測モデルのハイレベルなアーキテクチャの例
図１９は、負担予測モデルのハイレベルなアーキテクチャである。負担予測モデルは、ＲＲ間隔サブシーケンスを入力として受け取り、ＡＦｉｂ負担予測を生成する。ここで、Ｎｗはスライディングウィンドウの数であり、Ｍは各スライディングウィンドウから抽出されたＲＲ間隔サブシーケンスのサイズである。

第１の層１９０２は時間分散特質抽出層であり、スライディングウィンドウから得られたＲＲ間隔サブシーケンスごとに３２次元の特質ベクトルを抽出する。この層の出力は、次元（Ｎｗ、３２）の変換されたシーケンスである。この変換されたシーケンスは、次に、長・短期記憶（ＬＳＴＭ：ＬｏｎｇＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ）セルを有する２つの再帰型ニューラルネットワーク（ＲＮＮ：ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）層１９０４、１９０６に供給される。第１のＲＮＮ層１９０４は、次元（Ｎｗ、３２）の別の変換されたシーケンスを返す一方、第２のＲＮＮ層１９０６は、次元３２の単一の出力を返す。これに続いて、２つのデンス（Ｄｅｎｓｅ：完全に結合した）層１９０８、１９１０が、解析ウィンドウのＡＦｉｂ負担を表すスカラ値を生成する。

図２０は、図１９の高レベルアーキテクチャの実施形態で、ＬＳＴＭアーキテクチャをより詳細に示す図である。

図２１は、図１９の特質抽出モデルの実施形態である。図示のように、特質抽出モデルは、その第１の層において、スライディングウィンドウ上に時間的に分布させることができる。また、スライディングウィンドウに時間的に分布する特質抽出のためのモデルは、それ自体、複数の層を有する別のニューラルネットワークとすることができる。

図１９の開始時および図２１のステップ２１０２で、特質抽出モデルは長さＭのＲＲ間隔部分列を入力として取り込み、図１９のステップ１９０２、１９０４、１９０６および図２１のステップ２１０４、２１０６、２１０８、２１１０、２１１２、２１１４で一次元畳み込み層（ｃｏｎｖｏｌｕｔｉｏｎａｌｌａｙｅｒ）およびマックスプーリング層（Ｍａｘ－ｐｏｏｌｉｎｇｌａｙｅｒ）のセットによって処理される。これに続いて、図１９のステップ１９０８、１９１０、図２１のステップ２１２０、２１２２で、３２次元の特質ベクトルを出力するデンス（完全結合層）が行われる。この特質抽出モデルの意図は、持続時間ｗの各スライディングウィンドウ内のＡＦｉｂの存在／非存在を示す特質を学習することである。

ニューラルネットワークの場合、モデルから得られる負担予測と真の負担値との差の絶対値の平均（全サンプルにわたって）を損失関数として次のように使用することができる。

ここで、「ｂハット（サーカムフレックス付きｂ）」はデータセットのｉ番目のウィンドウについてモデルが出力した負担予測、ｂｉはそのウィンドウの真の負担、Ｎはデータセットの全サンプル数である。

いくつかの実施形態において、特質抽出ネットワーク（例えば、図２１）のパラメータは、最初に別々に学習され得る。これは、特質抽出ネットワークにスカラ出力及びシグモイド活性化（ｓｉｇｍｏｉｄａｃｔｉｖａｔｉｏｎ）を有するさらに１つのデンス（完全結合）層を追加し、次に、３０秒ＥＣＧストリップにおけるＡＦｉｂの存在を検出するための二値分類（ｂｉｎａｒｙｃｌａｓｓｉｆｉｃａｔｉｏｎ）を行うために、得られたモデルをトレーニングすることによって行われる。

こうして得られた特質抽出ネットワークのパラメータを凍結し、得られた特質抽出ネットワークを負担予測モデルにプラグインする（図２０）。次に、負担予測モデルの後続層（再帰型ネットワーク層と完全結合層）をセクション４．２で述べた３０分のウィンドウでトレーニングさせる。

特質抽出器ネットワークは、より大規模で多様なＥＣＧストリップのセットに対してトレーニングされ、心房細動の有無の指標となる特質を直接学習することができる。負担予測モデルの残りの層をトレーニングする際、学習しなければならないパラメータの数が減少するため、最適なパラメータの探索がより速く行われる可能性がある。一方、ネットワーク全体を同時にトレーニングする場合、同時に学習しなければならないパラメータの数は多くなり、モデルはより多様性のないＥＣＧストリップのセットにさらされることになる。これはオーバーフィッティングのリスクを増加させ、おそらく検証損失とトレーニング損失との間のギャップが大きくなることの理由である。

ニューラルネットワークを使用して、負担を推定する、及び／又は心拍アノテーションを予測するシステム
いくつかの実施形態は、ニューラルネットワークの層の第１のサブセットを含むエンコーダを介して、検出された生体信号を処理することができるウェアラブル装置を開示する。図２２Ａは、ニューラルネットワークエンコーディングを使用して心拍アノテーション（ａｎｎｏｔａｔｉｏｎ）を予測するためのシステムの一実施形態の模式図である。いくつかの実施形態において、システムは、心房細動及び／又は心房粗動などの心拍リズムに対する心拍アノテーションの予測又は負担の推定など、１つ又は複数の予測を行うことができる。心臓モニタパッチ２２０２などのウェアラブル装置は、エンコーダなどのニューラルネットワークの層２２０６の第１のサブセットを介してＥＣＧ入力２２０４を処理することができる。ウェアラブル装置は、ニューラルネットワークの層の第１のサブセット２２０６の出力を受信し、その出力をコンピューティング装置２２０８（例えば、スマートフォンまたはサーバなどの外部システム）に送信して、過去の心不整脈の徴候または予測および／または不整脈の将来の発症の予測などのユーザの特徴２２１２を導出するために、同じニューラルネットワークの層２２１０の第２のサブセットを含むデコーダ（ｄｅｃｏｄｅｒ）を介してデータをさらに処理することができる。

いくつかの実施形態において、層の第１のサブセットおよび第２のサブセットは、１つのニューラルネットワーク内にある。ニューラルネットワークは、層の第１のサブセットの出力が、ニューラルネットワークへの入力よりも小さい次元数でデータを出力できるように設計することができ、層の第２のサブセットの出力は、ＡＦｉｂの過去または将来の予測など、ユーザ特徴の表示を提供するように設計することができる。図２２Ｂは、単一のニューラルネットワーク内の層の第１及び第２のサブセットの実施形態の模式図である。ニューラルネットワークは、層の第１のサブセット２２２２及び層の第２のサブセット２２２４の両方で同時にトレーニングすることができる。例えば、ニューラルネットワークが１０個の隠れ層（ｈｉｄｄｅｎｌａｙｅｒ）を有する場合、最初の４層は、心臓モニタパッチ２２２６などのウェアラブル装置上で処理され、第１層への入力（例えば、良好なデータ圧縮機能を有する）よりも低次元数である第４層の出力は、サーバ２２２８などの外部コンピューティングシステムに送信される。外部コンピューティングシステムは、第４層の出力を、第５～第１０層を介して処理する。ニューラルネットワークの各層の次元数は、特定のデータサイズ（例えば、各畳み込み層またはプーリング層の出力次元）を出力するように設計することができる。例えば、パッチ２２２６は、ＥＣＧデータ２２３２を２４００ビット／秒（ｂｐｓ）で受信するＥＣＧエンコーダ２２３０を含むことができる。パッチ２２２６は、ニューラルネットワークの層２２２２の第１のサブセット（ＥＣＧエンコーダ２２３０内など）を介してＥＣＧデータ２２３２を処理し、１２８ｂｐｓでのデータなど、より小さい次元数のデータ２２３４を出力することができる。出力データ２２３４は、外部サーバ２２２８に送信することができる。外部サーバ２２２８は、ニューラルネットワークの層２２２４の第２のサブセットを介して出力データ２２３４を処理し、それがトレーニングされている患者の徴候又は予測２２３６を出力する分類器（ｃｌａｓｓｉｆｉｅｒ）２２３８を含むことができる。層の第１のサブセット２２２２及び第２のサブセット２２２４を含むニューラルネットワーク全体は、単一のニューラルネットワークとして設計及びトレーニングされることができる。

いくつかの実施形態において、層の第１のサブセットの出力は、ニューラルネットワークへの入力よりも小さい次元数とすることができる。このように、ウェアラブル装置から外部コンピューティング装置にＥＣＧ信号全体（例えば、ニューラルネットワークへの入力）を送信する代わりに、ウェアラブル装置は、２４００ｂｐｓＥＣＧ信号２２３２全体の代わりに、層の第１のサブセットの１２８ｂｐｓ出力データ２２３４など、より少ないデータ量を外部コンピューティング装置に送信することが可能である。有利には、過去の心不整脈の徴候を導出し、及び／又は将来の不整脈の発症を予測するために、より少ないネットワークスループットが必要とされる。

さらに、過去の心不整脈の徴候を導き出すため、および／または将来の不整脈の発症を予測するために、ニューラルネットワークのすべての層を介してウェアラブル装置上のＥＣＧ信号を処理する代わりに、ウェアラブル装置は、ＥＣＧエンコーダ２２３０を介してニューラルネットワークの層の第１のサブセットのみ（例えばエンコーダを介して）ＥＣＧ信号を処理し、第１のサブセットの出力を層の第２のサブセットを（例えばデコーダまたは分類器２２３８を介して）処理する外部装置２２２８に送信することが可能である。図２２Ｃは、パッチ上でニューラルネットワークの層のサブセットを処理するためのシステムの一実施形態の模式図である。パッチ２２４２は、ニューラルネットワーク２２４４の全ての層を処理して、ＡＦｉｂの予測の表示を受け取ることができる。しかしながら、そのような処理は、高いメモリおよび電力要求（これは、ひいては、より大きなサイズ要求、より大きなパッチサイズ、につながり得る）、およびバッテリ使用量の増加を必要とし得て、より短い使用時間につながる。しかしながら、他の実施形態では、パッチ２２４６は、ニューラルネットワークの層の第１のサブセット２２４８を処理することができ、外部サーバ２２５０は、層の第２のサブセットを処理することができる。有利には、ウェアラブル装置は、より少ない量の計算を実行し、層間のデータを収納するために必要なメモリがより少なくてすむ。

さらに、ウェアラブル装置２２４６は、ニューラルネットワークの層のサブセットのみを処理するのに必要なバッテリ、プロセッサ、および他の電子装置がより小さいため、サイズをより小さくすることができる。ウェアラブル装置は、他のタスクを実行するためのより多くのリソースを有することができる。例えば、１つのシナリオでは、ウェアラブル装置２２４２は、ＥＣＧ信号を内部で処理し、５日間ＡＦｉｂを識別するために十分な計算能力及びバッテリを有することができる。しかし、ウェアラブル装置２２４６がウェアラブル装置２２４６上のニューラルネットワークの層の第１のサブセットを計算し、外部コンピューティング装置２２５０が第２のサブセットを処理できれば、システム全体として、２０日間のスパンでＡＦｉｂ及び心房粗動の両方を識別できる可能性がある。本明細書に開示されるいくつかの実施形態は、ネットワークスループットを低減し、計算要求量を低減し、及び／又はウェアラブル装置の記憶容量を低減することができる。有利には、ウェアラブル装置は、プロセッサの使用を少なくすることによって、バッテリ寿命を維持することができる。

本明細書に開示された特定の実施形態は、ウェアラブル装置のメモリ要求について改善する。ウェアラブル装置がニューラルネットワークの層の第１のサブセットを処理し、外部コンピューティングシステムが第２のサブセットを処理する場合、ウェアラブル装置は、より少ないデータ（例えば、ニューラルネットワーク全体ではなく、層の第１のサブセットのみに対するソフトウェア実行可能命令）を記憶すればよい。したがって、電子ファイルのサイズがはるかに小さくなる。有利なことに、ウェアラブル装置は、メモリ要求が小さいだけでなく、ニューラルネットワークは、完全なニューラルネットワークよりも高速で積載（ｌｏａｄ）および処理することもできる。さらに、ウェアラブル装置内に埋め込まれたソフトウェアの更新は、より弱いネットワーク接続条件下でも、はるかに速く実行することができ、より頻繁に実行されるようにプログラムされることができる。さらに、より多くのニューラルネットワークをウェアラブル装置に収納することができる。例えば、単一の完全なニューラルネットワークをメモリに収納する代わりに、ウェアラブルパッチは、５つのニューラルネットワークのための層の最初のサブセットをローカルメモリに収納することができる。

いくつかの実施形態において、外部コンピューティング装置の目的は、ＥＣＧ信号を再構築することではなく、何らかのユーザの特徴（例えば、ＡＦｉｂなどのクラス分けされた心拍状態の予測）を導出することであるため、ウェアラブル装置から送信されるデータは、ＥＣＧ信号を完全に忠実に回復するのに十分である必要はない。したがって、ニューラルネットワークは、ＥＣＧ信号の入力よりも小さい次元数の出力をその層の１つで生成し、ニューラルネットワークの他の層を実行するために外部のコンピューティングシステムに送信する量をはるかに少なくするようにトレーニングされることができる。図２２Ｄは、層の第１のサブセットの出力をサーバに送信するための実施形態の模式図である。パッチ２２６２は、完全なＥＣＧ信号（例えば、２４００ｂｐｓで）、または他の特徴のデータをサーバ２２６４に送信することができる。しかしながら、そのようなデータは、予期しない第三者によってハッキングされ、機密データを取得される可能性がある。いくつかの実施形態は、ウェアラブル装置上でニューラルネットワークの層のサブセットを処理することを開示し、ＥＣＧ信号全体を遠隔で処理するよりも技術的な利点を提供する。ＥＣＧ信号全体を２４００ｂｐｓで送信すること、またはＲピーク、Ｒ間隔、および他の特徴の組み合わせをウェアラブル装置から外部コンピューティングシステムに送信することは、ウェアラブル装置がＥＣＧ信号よりも次元数の小さい層のサブセットの出力を送信する場合よりも、ネットワーク帯域を必要とし得る。代わりに、本開示のいくつかの実施形態は、層２２６８のサブセットを処理するパッチ２２６６を含み、層の第１のサブセットを、ニューラルネットワークの残りの層２２７２を実行するサーバ２２７０に出力する。有利には、送信されるデータは、ニューラルネットワークの層の出力であってもよく、データセキュリティおよび暗号化の強化を提供する。

いくつかの実施形態は、健康データのセキュリティについて改善する。例えば、ＥＣＧ信号全体、Ｒピーク、ＲＲ間隔、又はＡＦｉｂの可能性の最終決定がウェアラブル装置から外部のコンピューティングシステムに送信された場合、第三者がそのようなデータを傍受してユーザの機密健康データを識別する可能性がある。代わりに、本明細書に開示されるいくつかの実施形態は、ニューラルネットワークの中間層の出力（エンコーダの出力など）を送信して、外部で後続の層（デコーダなど）によって処理されるようにする。送信されるデータは、本来、データ送信のためのデータの暗号化を提供するニューラルネットワークの層の出力であり得る。したがって、仮に第三者がそのようなデータを傍受したとしても、データをデコードすることはできず、ニューラルネットワークの元の入力を逆行解析することもできない。

いくつかの実施形態において、層の第１のサブセットは、より計算量の少ない層を含んでもよく、一方、層の第２のサブセットは、より計算量の多い層を含んでもよい。有利には、ウェアラブル装置は、より少ない計算量の層を処理することができ、ウェアラブル装置の処理に無関係である（ａｇｎｏｓｔｉｃ）外部コンピューティングシステムは、（はるかに大きな処理能力およびメモリ容量を有するサーバなど）より計算量の多い層を処理することができる。

いくつかの実施形態において、ウェアラブルパッチは、ニューラルネットワークの層の第１のサブセットを介してデータを処理する前に、検出された心電信号に対して前処理を行うことができる。例えば、ウェアラブルパッチは、ダウンサンプリング、正規化、デジタルフィルタリング、および／またはそのような前処理を実行することができる。さらに、ウェアラブルパッチは、離散ウェーブレット変換、連続ウェーブレット変換、離散フーリエ変換、および離散コサイン変換など、より複雑な前処理を実行することができる。これらの変換は、データ中の多くの値が非常にゼロに近くなるような方法でデータを変換するので、非可逆圧縮方式において有益であり得る。そして、最も振幅の大きい値を単純に保存するエンコードを作成し、信号を再構築する際の誤差を抑えることができる。

ウェアラブルパッチは、離散ウェーブレット変換または離散コサイン変換を適用し、検出された心臓データに対して推論を行うアルゴリズムを単純に適用することができる。しかしながら、そのようなアプローチは、より高い振幅の特質が好まれるため、ＥＣＧ心拍分類などの最終用途にとって重要な、より微細な特質を捉えることができない可能性がある。いくつかの実施形態において、システムは、最終用途に必要なデータをより知的にエンコードするために、この変換されたデータセット（例えば、前処理された心臓データ）上でニューラルネットワークエンコーダをトレーニングすることができる。有利には、変換がすでに最終用途に必要な信号に対して特定の動作を実行している可能性があるため、これは、生の信号に基づいて動作するものと比較して、より少ないパラメータを有する、より強力またはより単純なニューラルネットワークエンコーダ設計につながり得る、いくつかの用途にとって有益である可能性がある。

いくつかの実施形態において、ニューラルネットワークは、ウェアラブル装置から外部コンピューティングシステムに最適なデータ次元数を送信するようにトレーニングおよび／または設計され得る。図２２Ｅは、ニューラルネットワークを設計する（および／またはトレーニングする）実施形態の模式図である。パッチ２２８１は、第１のニューラルネットワーク２２８４、第２のニューラルネットワーク２２８６、及び／又は第３のニューラルネットワーク２２８８の、層２２８４Ａ、２２８６Ａ、２２８８Ａの第１のサブセットを処理することができる。パッチ２２８１は、層の第１のサブセットの出力をサーバ２２８２に送信することができる。サーバは、第１のニューラルネットワーク２２８４、第２のニューラルネットワーク２２８６、および／または第３のニューラルネットワーク２２８８の、層２２８４Ｂ、２２８６Ｂ、２２８８Ｂの第２のサブセットを処理することができる。

ニューラルネットワークは、ウェアラブル装置の利用可能な処理能力及び／又はメモリなどの１つ以上の要因に基づいて、トレーニング及び／又は設計することができる（本開示の目的のために、ニューラルネットワークはトレーニングされると説明されるが、特質は、ニューラルネットワークを介してデータを設計又は処理するために適用することができ、その逆もまた同様である）。例えば、ウェアラブル装置の処理能力が低い場合、ウェアラブル装置上ではニューラルネットワークの計算を少なくし、及び／又はニューラルネットワークのうちの少ない層を介して処理を行うようにし、外部コンピューティングシステム側ではより多く処理するように、ニューラルネットワークをトレーニングすることができる。パッチ２２８１は、より少ない計算及び／又はニューラルネットワークの層を含む第３のニューラルネットワーク２２８８を適用することができる。

いくつかの実施形態において、ニューラルネットワークは、ウェアラブル装置とコンピューティングシステムとの間のネットワークの利用可能性に応じてトレーニングされ得る。例えば、ニューラルネットワークは、ネットワークスループットが低い場合、より多くの層を処理し、及び／又はウェアラブル装置から外部コンピューティングシステムへより小さいデータ次元数を転送するようにトレーニングすることができる。パッチ２２８１は、ネットワーク接続が弱い（または閾値を下回る）ときのために、より小さいデータ次元数がサーバ２２８２に転送されることを含む第２のニューラルネットワーク２２８６を適用することができる。

いくつかの実施形態において、ニューラルネットワークは、ウェアラブル装置の利用可能なバッテリ寿命に従ってトレーニングされ得る。例えば、ニューラルネットワークは、バッテリ寿命がより低い場合、ウェアラブル装置上でより少ない層を処理するようにトレーニングされ得る。パッチ２２８１は、より少ない計算及び／又はニューラルネットワークの層を含む第３のニューラルネットワーク２２８８を適用することができる。

いくつかの実施形態において、ニューラルネットワークは、所望の結果に従ってトレーニングされ得る。例えば、パッチ２２８１は、ユーザのより多くの特徴など、ニューラルネットワークのより多くの出力を含む第１のニューラルネットワーク２２８４を適用することができる。例えば、患者が重症であるか、またはＡＦｉｂの徴候を有する場合、パッチ２２８１は、第１のニューラルネットワーク２２８４を適用し、層の第１のサブセット２２８４Ａを介して、サーバ２２８２が層の第２のサブセット２２８４Ｂの出力を介してより多くの情報を出力できるように、より多くの層およびノードを処理することが可能である。

いくつかの実施形態において、パッチ２２８１のソフトウェアは、特定の用途のために設計された（及び／又はトレーニングされた）特定のニューラルネットワークのための命令を含むことができる。例えば、あるニューラルネットワークは、特定の技術的制約（例えば、メモリ又はプロセッサ）を有するパッチ２２８１のために選択され、特定の目的（例えば、ＡＦｉｂの予測）を果たすことができ、別のニューラルネットワークは、異なる特徴及び異なる目的のために異なるパッチに選択されることができる。例えば、ＡＦｉｂの正確な検出は、別の所望の目的よりもパッチからより多くのデータを必要とし得る。したがって、ＡＦｉｂを検出するためのパッチは、別のパッチよりも多くの層を計算するソフトウェアを有するかもしれない。

いくつかの実施形態において、パッチ２２８１のソフトウェアは、性能メトリック（ｍｅｔｒｉｃ：評価関数）に基づいて設計（及び／又はトレーニング）され得る。例えば、ソフトウェアは、検出における一定の精度及び／又は一定の誤警報率を生み出すように設計されたニューラルネットワークを選択することができる。

いくつかの実施形態において、パッチ２２８１のソフトウェアは、複数のニューラルネットワークを含むことができる。パッチ２２８１は、複数のネットワークのうち、ある特定のニューラルネットワークを選択することができる。例えば、選択は、バッテリ電力又はネットワーク接続性が低い場合のために設計されたニューラルネットワークに基づくことができる（例えば、パッチ上でより少ない処理を行う、又はネットワークを介してより少ないデータを送信するニューラルネットワークに切り替える）。

いくつかの実施形態において、ニューラルネットワークは、ＥＣＧ信号、ＲＲ間隔情報、Ｒピーク情報、ＥＣＧ信号から導出されるメトリック、加速度計データ、インピーダンス、温度、音声（例えば、いびき）、周囲光、及び／又はその類似物など、ニューラルネットワークへの元の入力信号を再現するようにトレーニングされ得る。パッチ２２８１は、より小さいデータ次元数のデータをサーバ２２８２へ送信してもよく、サーバ２２８２は、より低い周波数でサンプリングされた元の入力信号、より低い品質の信号、再構築エラーに対するある閾値を有する信号、及び／又は同様のもののような元の入力信号、又はその派生物を再現する。

いくつかの実施形態において、ニューラルネットワークは、ユーザの現在の活動に応じてトレーニングされ得る。図２２Ｆは、ユーザの現在の活動に基づいてニューラルネットワークを設計、トレーニング、および／または選択するための実施形態の模式図である。例えば、ユーザは、睡眠中２２９６またはランニング中２２９２、または異なるタイプのピーク感度を必要とし得る特定の医療処置を受けている最中である可能性がある。心拍の不規則性を効果的に検出できるように、より高い精度又は正確さを必要とする可能性がある特定の活動がいくつかある。活動がより高いＲピーク精度を必要とする場合、ウェアラブル装置がより高い解像度のデータを送信し得るようにニューラルネットワークをトレーニングすることができる（例えば、眠っているユーザ２２９６の場合、信号レベル２２９８は、走っているユーザ２２９２よりもモーションアーチファクト（動いたことの効果）による影響が少なく、したがってＥＣＧ信号により確信を持って頼ることができる。したがって、より正確な予測のために走っているユーザ２２９２には高いＲピーク精度が好まれ、走っているユーザ２２９２に対しては、より堅牢なエンコーディングプロセスを使用してデータ精度を確保してもよい）。対照的に、走っているユーザ２２９２の場合、Ｒ信号レベル２２９４は明確であってもよく（例えば、明確にＲピークが示される）、したがって、より低いＲピーク感度で十分である可能性がある。このシナリオでは、パッチは、より高いＲピーク感度を必要としないように設計されたニューラルネットワークを選択することができ、これは、処理能力またはネットワークスループットの低減など、本明細書に記載される利点につながり得る。

人工知能モデルなどのモデルのトレーニングは、必然的にコンピュータ技術に根ざしており、トレーニングデータを用いてそのようなモデルをトレーニングし、その後、モデルを新しいユーザデータセットに適用することによってモデルを改良する。このようなトレーニングは、典型的には巨大なサーバシステムによって実行される大規模なトレーニングデータセットで、多くのプロセッサコンピューティングと長時間の時間を必要とする複雑な処理を含む。モデルのトレーニングは、モデルのパラメータを調整するために使用される入力データと期待される出力値を含むことができるトレーニングデータのロジスティック回帰または前方／後方伝搬を必要とするかもしれない。このようなトレーニングは、機械学習アルゴリズムの枠組みであり、モデルを新しいデータ（新しい生体データなど）に適用し、トレーニング中に調整された重みまたはスコアに基づいて、モデルがトレーニングされた予測を行うことができるようにする。このようなトレーニングにより、偽陽性を減らし、ＡＦｉｂの検出性能を向上させることができる。

いくつかの実施形態において、ウェアラブル装置は、複数のニューラルネットワークを記憶し、ウェアラブル装置、ネットワーク、ユーザの現在の活動などの特徴の１つまたは複数の特徴に基づいて、あるニューラルネットワークを適用することが可能である。例えば、ウェアラブル装置は、バッテリ寿命が低い場合は第１のニューラルネットワークを処理し、ネットワークスループットが高い場合は第２のニューラルネットワークを処理することができる。

いくつかの実施形態において、ウェアラブル装置は、ウェアラブル装置がＥＣＧ信号をリアルタイムで検出すると、ニューラルネットワークの層の第１のサブセットを介してＥＣＧ信号を連続的に処理することができる。ウェアラブル装置は、層の第１のサブセットの出力を外部コンピューティング装置に連続的に送信することができ、外部コンピューティング装置は、実質的にリアルタイムで、ユーザの特徴（例えば、心不整脈）を導出するために、ニューラルネットワークの層の第２のサブセットを介して受信された出力を処理することができる。有利には、外部コンピューティング装置は、ネットワークスループット、メモリ要求、及び処理電力要求を低減しながら、ユーザで発生した実質的なリアルタイムで心不整脈を特定することができる。さらに、装置の制約によりウェアラブル装置自体で、また入力要求のため外部コンピューティングシステムで完全に実行できなかったであろう、より強力なアルゴリズムおよびニューラルネットワークが実現可能になった。

いくつかの実施形態において、ニューラルネットワークは、第１のニューラルネットワーク及び第２のニューラルネットワークを含むことができる。第１のニューラルネットワーク（例えば、時間的に分散した特質抽出モデル）は、本明細書でさらに説明するように、ユーザのＥＣＧ信号、Ｒピークデータ、ＲＲ間隔サブシーケンス（例えば、３０秒のスライディングウィンドウにおけるＲＲ間隔）、エンコードされた特質、及び／又はそれらの同類、の１つ又は複数のタイプのデータを入力として受け取ることが可能である。第１のニューラルネットワークは、入力されたＲＲ間隔サブシーケンスを処理し、各スライディングウィンドウについて心房細動（ＡＦ）特質を生成することができる。第１のニューラルネットワークの出力は、長・短期記憶（ＬＳＴＭ）セルを有する再帰型層（ｒｅｃｕｒｒｅｎｔｌａｙｅｒ）を含む第２のニューラルネットワークに供給することができる。ＬＳＴＭセルは、現在のスライディングウィンドウ及び過去のスライディングウィンドウのＡＦ特質を処理して、伝達学習（ｔｒａｎｓｆｅｒｌｅａｒｎｉｎｇ）アプローチを用いてデータを処理することができ、複数のスライディングウィンドウの経過にわたって、ＬＳＴＭは、３０秒ウィンドウよりも長いデータを考慮する心不整脈の徴候を有利に予測することができる。

いくつかの実施形態において、第１のニューラルネットワークおよび第２のニューラルネットワークは、段階的にトレーニングされる。第１のニューラルネットワークは、最初にトレーニングされ得る。３０秒間隔のトレーニングデータを第１のニューラルネットワークに供給し、第１のニューラルネットワークの予想出力に基づいて重みを調整することができる。第１のニューラルネットワークをトレーニングした後、第１のニューラルネットワークの重みを凍結し、第２のニューラルネットワークをトレーニングすることができる。第２のニューラルネットワークは、３０秒のウィンドウで第１のニューラルネットワークに投入されるデータより長い間隔のデータに基づいてトレーニングすることができ、出力はＬＳＴＭセルで第２のニューラルネットワークに投入される。第２のニューラルネットワークは、より長いデータセットにわたってＡＦｉｂの予測を行うことができ、予測された出力は、第２のニューラルネットワークの重みを調整するために使用されることができる。第２のニューラルネットワークのトレーニングが完了したら、第１のニューラルネットワークの重みの凍結を解除し、さらなるトレーニングデータを用いて、第１および第２のニューラルネットワークの両方を同時にトレーニングすることが可能である。

ウェアラブル生体信号処理アプリケーションの拡大に伴い、これらのアプリケーションの洗練度と実用性を向上させる必要性が高まっている。一般的なシナリオは、小型でバッテリ駆動のウェアラブル端末に、生体信号を測定するセンサを搭載し、生体信号を処理し、オプションでリアルタイムまたはほぼリアルタイムで送信することである。装置の大きさは快適性に影響し、それが順応性、ひいては有用性に影響するため、装置をできるだけ小さくすることが有利である。このため、システムにはいくつかの制約（主にバッテリ寿命と処理能力）が生じ、その結果、ユーザがバッテリを充電する必要が生じたり、解析の質が低下して順応性が低下したりして、ユーザの体験に悪影響を及ぼす可能性がある。このような制約があると、装置上で行われる処理の洗練度が制限されるため、多くのアプリケーションで利用されているオプションは、スマートフォン、クラウドサーバ、基地局など、制約の少ないシステムに処理をオフロードすることである。

このパラダイムの中では、追加処理のためにオフロードされるデータの量とタイプの間にトレードオフが存在する。理想的には、完全な忠実度の生の生体信号がリアルタイムでオフロードされ、システムの制約の少ない部分で処理が最大限に高度化されることである。残念ながら、現在の技術の限界では、バッテリコストと、完全に忠実な信号をリアルタイムに、あるいはタイムリーに送信する技術的な制約のために、これは通常実現不可能である。この制限を克服する方法は、信号をより小さく表現させたもの（ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）を送信することで、電力要求を最小限に抑え、バッテリの充電または交換までの時間、または１回のバッテリ充電で駆動する場合の装置の潜在的なモニタリング期間を最大化することである。

この代替表現を作成するための方策は数多く存在する。アプリケーションによっては、カスタム設計されたアルゴリズムを使用して、さらに処理するためにアップロードする特質を、絞り込むことができる。この方策の一例として、モバイル心臓テレメトリ（ＭＣＴ）装置、または装置上で実行されるアルゴリズムによって得られた心拍の位置を検出してアップロードすることができるウェアラブル活動トラッカが挙げられ、その後さらにクラウドサーバ上のより高度なアルゴリズムによって心不整脈を検出するために解析することができる。別の例としては、加速度計を使用して歩行を解析し、活動レベルを評価し、装置上の歩数カウントアルゴリズムの結果をアップロードして転倒のリスクを評価するウェアラブル装置がある。この一連のアプローチの限界は、選択した機能が最終用途に最適でない可能性があること、また、装置側のアルゴリズムが必要以上に計算負荷がかかる可能性があることである。

もう１つの一般的なアプローチは、信号の再構築を可能にする方法で生の生体信号データを圧縮することであろう。一般的に使用される技術には、可逆圧縮方式と非可逆（ｌｏｓｓｙ）圧縮方式がある。可逆圧縮は、クラウドベースのサーバでの最適な処理を可能にする一方で、一般的にデータ送信の負担を十分な効果が得られるように軽減できるほど高い圧縮率を提供しない。ウェーブレットベースの圧縮などの非可逆圧縮技術は、再構築時に発生する誤差の量を考慮しても相対的に高いレベルの圧縮を実現することができる。この方策は特定のアプリケーションには有効かもしれないが、その目的は信号の再構築誤差を最小限に抑えることだけなので、再構築された信号が最終用途に必要な情報を保持する保証はない。この種の目的は、主に振幅の大きい信号の特質によって駆動され、振幅の小さい特質を無視したり、歪ませたりする可能性がある。アプリケーションによっては、心房細動に関連するＥＣＧの微妙なＰ波のように、比較的小さな振幅の信号特質が最終目的にとって重要な場合があり、心房細動や完全心臓ブロックなどの心拍を検出するために重要である。

本明細書で開示するシステムおよび方法は、システム内のすべての要素の最適なバランスを達成し、それらは、装置の処理負担、システムの送信負担、および最終用途の実用性である。これは、ニューラルネットワークエンコーディングを利用して達成され、それは、特定のエンドアプリケーションに必要な情報を保持しながら、計算しやすい方法で生の生体信号データを圧縮するスキームを生成するために使用され得る。ニューラルネットワークは、信号を圧縮された形式にエンコードし、その信号を再構築することができる。より一般的には、ニューラルネットワークのアーキテクチャは、エンコーダ部およびデコーダ部に構築することができる。

このアプリケーションでは、エンコーダ部は生の生体信号を圧縮する役割を担い、ターゲット装置上で動作し、入力よりも小さな次元数の出力をもたらすはずである。

デコーダ部は、ニューラルネットワークのエンコードされた層を起点として、ターゲットアプリケーションの予測値を生成する役割を担い、ターゲット装置以外の場所、例えば、スマートフォン、クラウドサーバ、通信ハブ／ゲートウェイなどに採用されることになる。エンコーダとデコーダの部分は、１つの一つながり（ｅｎｄ－ｔｏ－ｅｎｄ）のニューラルネットワークとしてトレーニングされ、これは、エンコーダとデコーダの部分が同じ目的のために一緒に最適化されているため、効果的に最適なエンコーダとデコーダを同時に作成することになる。この方法は、システム設計の柔軟性を最大化し、最適な実装につなげることができる。例えば、エンコーダ部は特定の計算量や圧縮率を目標に設計し、ニューラルネットワークの出力は最終用途に必要なものを正確に選択されることが可能である。この技術は、高い計算複雑性を必要とし、処理をオフロードするメカニズムを持つ、あらゆるリアルタイムおよびほぼリアルタイムの信号処理アプリケーションに最適なものである。

心電図（ＥＣＧ）、光電式容積脈波法（ＰＰＧ）、音声信号などを利用して、心臓の電気的および構造的な状態をリアルタイムまたはほぼリアルタイムで検出する装置は、上記のような課題に直面している。特定の心不整脈は、例えば心電図記録における低振幅のＰ波パターンなど、微妙な形で現れるため、しばしば検出アルゴリズムに高度な技術と感度が要求される。臨床的有用性を最大化するために、心拍はノイズを含む最大１５種類のクラスに分類されることがあり、これには、鼓動ごとの心拍パターンに依存するだけでなく、特にシングルリードＥＣＧアプリケーションでは、しばしば捉えにくい形態（ｍｏｒｐｈｏｌｏｇｙ）的な違いも考慮する必要が発生する。既存の装置は、生の信号全体を単純にオフロードするため、頻繁な充電やバッテリ交換が必要になったり、圧縮技術を使用して処理をオフロードしたり、装置でＥＣＧ信号の一般的に理解されている特質を検出し、それらを別のシステムにアップロードしてさらに処理することがある。特質には、ＱＲＳ複合体、Ｐ波などのＥＣＧ形態的特質の位置が含まれる場合がある。これらの装置の計算パワーとバッテリ寿命が限られているため、アルゴリズムはこれらの形態的特質を検出する能力において限られた精度しか持たないことになる。ＥＣＧ信号の圧縮された表現を送信するために、ニューラルネットワークエンコーディングを採用することができる。この表現は、特定の心不整脈の特定、ＱＲＳ複合体などのＥＣＧ形態的特質の特定、ビート（鼓動）タイプの分類、心拍数の決定など、特定の最終用途のために最適化することができる。

ＥＣＧ記録からリアルタイムまたはほぼリアルタイムで不整脈を検出するためのこの方策の実施例では、最初に、例えば２００Ｈｚでサンプリングされ、各サンプルについて１４の異なる心拍ラベルを有する３０秒ＥＣＧストリップのセットを使用してニューラルネットワークをトレーニングすることができる。前処理として、２００Ｈｚの信号を移動平均フィルタで３倍にダウンサンプリングし、２Ｈｚのカットオフを持つＩＩＲハイパスフィルタで調整する。この入力はまた、単位分散（ｕｎｉｔｖａｒｉａｎｃｅ）を有するようにスケーリングされる。これにより、約２～３３Ｈｚの範囲の情報が残され、ＥＣＧ形態的情報の大部分が含まれる。これは、ニューラルネットワークへの信号の入力次元数を２０００ｘ１とする。前述のように、ニューラルネットワークの最初のセクションの目的は信号を圧縮することなので、入力信号の次元数を小さくする必要がある。

実施例では、ニューラルネットワークのエンコーディング部は、畳み込みとプーリング層のシーケンスを有し、各プーリング層は時間次元数を２分の１に減少させる。畳み込みとプーリング層のシーケンスを３回繰り返すと、これは８分の１の時間次元になる。またこの実施例では、エンコーダ部の最後の畳み込み層は２フィルタで、これは出力次元数を２５０ｘ２とし、エンコード出力と呼ばれる。

ネットワークの次の層は、時間次元のサイズをネットワーク入力の元のサイズに戻す方策を採用する。これは、いくつかの転置畳み込み（ｔｒａｎｓｐｏｓｅｄｃｏｎｖｏｌｕｔｉｏｎ）層（時にはデコンボリューション層と呼ばれることもある）を用いて達成することができる。この時点までのこのネットワークの層は、一実施形態では、元の入力信号を予測するように事前トレーニングされ得る。一実施形態では、残りの層は、残差（ｒｅｓｉｄｕａｌ）畳み込みフィルタブロックを含む。この例では、１２個のシーケンシャルブロックが使用され、各ブロックは２個の畳み込み層を含み、入力から出力への残差接続（ｒｅｓｉｄｕａｌｃｏｎｎｅｃｔｉｏｎ）を有する。これらのブロックはまた、１ブロックおきに時間次元を半減させる。これらの最後のブロックの後、時間的に分散されたデンス層が各時間点で評価され、固有の心拍クラスを予測する。上記の例は、圧縮されたフォーマットで診断情報を保持する方法でＥＣＧ情報をエンコードするアルゴリズムをトレーニングするためのフレームワークの１つの実施形態を説明する。

いくつかの実施形態において、エンコーディングプロセスは、ＥＣＧ特質を永続的に生成するように実装することができる。上記の例のニューラルネットワークを使用すると、６０００サンプル長のＥＣＧストリップは、２次元を有する特質ベクトルの２５０例を作成する。これは、２４個の個々のＥＣＧサンプルごとに、２つのエンコードされた特質が得られると考えることができる。この処理の性質は因果関係であるため、これらの特質は３０秒のＥＣＧセグメントという概念を持たずに永続的に作成することができる。これらの特質は、コンパクトな整数表現で保存できるようにスケーリングすることができ、さらに可逆圧縮を適用して特質のメモリフットプリントを削減することができる。エンコードされた特質の連続的なストリームを使用して、サーバ側のアルゴリズムは、エンコードされた特質を使用して関心のある事象を検出するために、多くの異なる方策を採用することができる。

不整脈（ＣＨＢ、ＶＴ、ＡＦＩＢ／ＡＦＬ、ＳＶＴ、ＡＶＢなど）を含むセグメントを検出するための一実施形態において、ＥＣＧエンコーディングをトレーニングするために使用される元のマルチクラスアルゴリズムは、パッチ上に生成されるエンコードされた特質の３０秒コンテキスト（ｃｏｎｔｅｘｔ）を用いて評価することが可能である。このアルゴリズムは、３０秒コンテキストのローリングウィンドウで、オーバーラップの有無にかかわらず評価することができる。不整脈を含む確率の高いセグメントを使用して、関心のある事象が存在するかどうかを判断することができる。

一実施形態では、ニューラルネットワークのエンコーディング部は、ＬＳＴＭなどの畳み込み層、プーリング層、再帰型層の組み合わせを使用して、信号の次元数を低減することができる。

ＶＴ（心室頻拍）事象を検出するための１つの実施形態では、持続時間が約１秒のＥＣＧセグメントにおけるＶＴのシーケンスを予測するために、エンコードされた特質を使用してニューラルネットワークをトレーニングすることができる。この利点は、どの事象がより興味深いかを決定するために、より重篤なセグメントとより軽微なセグメントとの間の区別を行うことができることである。例えば、より長いセグメントはより短いセグメントよりも優先されてもよい。このアルゴリズムは、より具体的な長さの基準を満たすＶＴのエピソードの負担を決定するために使用することができる。従来のＶＴ検出方法（特にバッテリに制約のある埋め込み装置）は、鼓動速度が突然増加するビートパターンに依存する。

例えば、広く使用されているパン・トンプキンス・アルゴリズムのようなビート検出に依存すると、その性能は広いＱＲＳビートではしばしば低く、ＶＴのような不整脈のビートパターンを確実に識別する能力は必然的に制限される。完全なＥＣＧが存在し、信号処理技術によって形態的情報（ｍｏｒｐｈｏｌｏｇｙｉｎｆｏｒｍａｔｉｏｎ）を調べることができる場合であっても、電池で動作する装置では計算負荷が高く、毎日１回またはそれ以上の充電、および／またはセンサとゲートウェイまたは携帯電話ユニットの両方の電池交換を装置が必要とすることになる。例えば、現在のモバイル心臓テレメトリ（ＭＣＴ）モダリティの多くは、この要件に苦慮しており、その負担は患者に転嫁されるため、順応性の低下、診断装置からの解析可能時間および臨床価値の低下の原因となっている。

ＡＦ（心房細動）の負担を評価するための１つの実施形態では、ＥＣＧエンコーディングを作成するためにトレーニングされた元のニューラルネットワークは、セグメントが心房細動（ＡＦＩＢ）または心房粗動（ＡＦＬ）を含むかどうかを決定するために３０秒コンテキストにわたって評価され、これらの時間の合計が負担を計算するために用いられることが可能である。さらに心房粗動については、心房細動に特徴的な不規則な拍動パターンが存在しないため、既存のモダリティでは正常洞（ｎｏｒｍａｌｓｉｎｕｓ）などの他の規則正しい心拍との鑑別に苦慮することが多い。そのためには、エンコードされた特質によって可能となる、拍動間の信号の詳細な検査が必要である。当然、完全なＥＣＧでもこれは可能であるが、情報を処理するためにより多くの計算能力を必要とし、それはしばしば周波数ドメイン解析の形をとり、ひいては、上記のＭＣＴの実施形態で説明したように、充電または電池交換を伴う患者にとって使いにくい装置をもたらす結果にもなる。

ＡＦの負担を評価するための別の実施形態では、エンコードされた特質をより大きなコンテキスト、例えば３０分にわたって再帰型ニューラルネットワークに供給し、上述と同様の方法でＡＦの負担を予測することが可能である。

ＶＴを特徴付けるための別の実施形態では、エンコードされた特質をより大きなコンテキスト、例えば３０分にわたってネットワークに供給し、ＶＴの総時間および／または存在する個別のＶＴエピソードの数を予測することが可能である。

心拍数を決定するための１つの実施形態において、ニューラルネットワークは、エンコードされた特質を使用して、例えば３秒などの時間セグメントに含まれる心拍数を予測するようにトレーニングされ得る。このニューラルネットワークは、スライディングウィンドウにわたって時間のセグメント内の拍動数を予測するために使用され得、次いで、様々な時間における心拍数を推定するために使用され得る。この心拍数情報は、他のアルゴリズムで検出された興味のある事象をさらに洗練させたり、優先順位をつけたりするために使用することができる。同様の方策により、心拍数の代わりに、または心拍数に加えて、心拍変動（ｖａｒｉａｂｉｌｉｔｙ）を推定することができる。

異所性拍動数を決定するための一実施形態では、エンコードされた特質を用いて、例えば３秒などの時間セグメントに含まれる異所性拍動の数を予測するようにニューラルネットワークをトレーニングすることができる。このニューラルネットワークは、例えば、１時間、１２時間、又は２４時間の期間のウィンドウにわたる異所性拍動の総数を推定するために使用され得る。かわりに、上述の心臓拍動の実施形態と組み合わせて、この実施形態は、例えば、１時間、１２時間、又は２４時間の期間におけるパーセントとして表される、異所性拍動と正常拍動の比率を推定するために使用され得る。上述のように広義に説明したこの実施形態は、心室性又は上室性の異所性拍動のいずれか、及び／又はそれぞれのカプレット（ｃｏｕｐｌｅｔ）及びトリプレット（ｔｒｉｐｌｅｔ）に適用され得る。

一実施形態では、Ｒピーク位置は、エンコードされた特質から再構築された時系列から近似することができる。これらのＲピーク位置は、それ自体で、心拍数の計算、代替方法からの心拍数推定の精度の増強、または、例えば３秒を超える２つの心室収縮（ｖｅｎｔｉｃｕｌａｒｃｏｎｔｒａｃｔｉｏｎ）間の時間における臨床的に有意なギャップとして定義される心拍休止（ｃａｒｄｉａｃｐａｕｓｅ）事象の検出に使用され得る。心拍数と同様に、この情報は、ＥＣＧが送信され報告されるべき関心のある事象をさらにフィルタリングし又は優先順位付けするために使用することができる。別の実施形態では、再構築された信号自体を完全なＥＣＧの部分と共に評価して、例えば、ＥＣＧセグメントの終わりから低心拍、高心拍、または不規則な心拍が続いているかどうかなど、より多くのコンテキストを提供することが可能である。このコンテキスト情報は、視覚検査に基づいてパッチからより完全な解像度のＥＣＧを手動で要求するプロセスを支援し、人間による品質保証に裏付けられた全体的に高い診断の鋭敏さにつながることが可能である。

代替の実施形態では、これらのＲピーク位置に基づく心拍数を、臨床報告書において選択されたＥＣＧストリップとともに、報告書に示される事象についてより大きな時間的コンテキスト（例えば、８秒または１６秒ストリップ）を提供する方法でプロットすることができる。心拍数は、瞬間的な速度（例えば、２つのＲピーク間の間隔に基づく）、または複数のＲピークに由来する各データ点を有する時間的な心拍数の傾向のいずれかとしてプロットされ得る。別の実施形態では、平均、最大、最小の心拍数トレンドを同時にプロットし、さらに大きな臨床的コンテキストを提供することができる。

いくつかの実施形態において、ＰＰＧ及び加速度計を利用するウェアラブル装置は、心房細動（ＡＦＩＢ）エピソードを検出し、ＡＦＩＢ負担レベルを推定するために使用され得る。この構成のセンサは、ごく一般的に、不適切に装着されていること、装置のモーションがあること、または生理学的条件が劣悪であることなどの環境要因による信号品質の劣化に苦慮する。このため、ＡＦＩＢの検出やＡＦＩＢ負担の推定には、ノイズを理解し、アルゴリズムが偽陽性を予測するのを防ぐことができる、完全な忠実度の生のセンサ測定値を利用することが有利である。

既存の方策は、装置上で心拍間隔を検出し、この情報を使用してＡＦＩＢエピソードを推論することができる。信号品質メトリクスは、別々に計算され、アップロードされ得る。この方策では、信号の品質が悪いときに誤った心拍間隔を読み取ると、問題が生じる。上記の方策を使用して、生のＰＰＧ／加速度計信号からＡＦＩＢエピソードまたはＡＦＩＢ負担を予測するニューラルネットワークを開発することができ、これはまた、圧縮された表現で信号をエンコードするものである。このネットワークは、信号の質の低さによる誤った予測の可能性が最も低い方法で情報をエンコードすることを学習することができる。エンコードは装置上で実行でき、エンコードされたデータをアップロードすることで、より高性能なサーバでデコードセクションを評価することができる。ＡＦＩＢエピソードおよびＡＦＩＢ負担の特定に加えて、ウェアラブルＰＰＧ装置からのエンコードされたセンサデータは、脈拍数を特徴付けるため、または心室頻拍、休止、房室（ａｔｒｉｏｖｅｎｔｉｃｕｌａｒ）ブロックなどの他の心不整脈を検出するために使用される可能性がある。また、糖尿病、高血圧、うつ病、うっ血性心不全、睡眠時無呼吸症候群などの健康状態を検出するために使用することができる。

別の実施形態では、エンコードされた特質は、Ｒピークに加えて、ＥＣＧ拍動の波形成分、例えばＰ波、Ｔ波および／または波形内のポイント間のセグメントを記述するように最適化することができる。ニューラルネットワークをエンコードされた特質でトレーニングしてＰＲ間隔を推定し、そのパターンで房室ブロックの微妙な分類（第１度、第２度ＭｏｂｉｔｚＩＩ、Ｗｅｎｃｋｅｂａｃｈ、第２度ＭｏｂｉｔｚＩＩ）を識別したり、ＱＲＳ幅の推論とともにＷｏｌｆｆ－Ｐａｒｋｉｎｓｏｎ－Ｗｈｉｔｅ症候群を特徴付けたりすることができる。特に、事象レコーダや、ＩＬＲのようにすべての信号を連続的に記録および保存しない装置や、すべての信号が完全に解析されない一部のＭＣＴでは、これらの命への危険がより少ない無症状の不整脈も送信することが望ましい場合がある。

同様に、ニューラルネットワークをエンコードされた特質でトレーニングしてＱＴ間隔を推定し、ＱＴ長症候群（ＬｏｎｇＱＴＳｙｎｄｒｏｍｅ）などの臨床的に重要な所見を明らかにすることができ、装着時間の経過とともにモニタすることができる。例えば、このＱＴ測定手法は、患者が薬物の投与量を調節して、薬物の有効性と安全性の最適な組み合わせを個別に判断する薬物滴定に使用することができる。また、ニューラルネットワークをトレーニングしてＳＴセグメントの変化を検出し、心筋梗塞の警告サインとなりうるＳＴ上昇やＳＴ低下をモニタすることも可能である。

別の実施形態では、システムが信号を受信し、その特徴についてより多くを学習するにつれて、エンコード方式を動的に調整し、適応させることができる。また、特定の患者について対象心拍が変化した場合には、別の方式と入れ替えることも可能である。例えば、一般的な不整脈の検出方法のかわりに、脳卒中後のモニタリングなどの脳神経系の適用において、そして心拍数やエピソードの持続時間に関係なく、心房細動を検出することに主眼が置かれるかもしれない。この場合、心房細動を高感度で検出するために事前にトレーニングし最適化したエンコードネットワークとデコードネットワークのペアを使用することができる。これらの異なるエンコーダは、オフラインで学習され、変更が必要なときにファームウェアに無線で更新されることが可能であり、または、要求されたときに起動するように組み込み装置にオプションとして事前にプログラムされることが可能である。代替の実施形態では、同様の方法で、感度（ｓｅｎｓｉｔｉｖｉｔｙ）または特異性（ｓｐｅｃｉｆｉｃｉｔｙ）のいずれかの性能に最適化されたアルゴリズムを実装することができる。

特定の実施形態において、入力信号は、加速度計および／またはジャイロスコープの軸からのチャネルを含むことができ、これは、軸の数に必要なサンプリングレート（例えば、歩数の推論を可能にする２０Ｈｚ）を乗算するため、しばしば大きいスペースを占有してしまう。３軸加速度計および／または３軸ジャイロスコープ信号の特質は、より小さな次元数に縮小することができ、振幅などのあらかじめ定義された物理的な指標に限定されない貴重な情報を含む可能性がある。実際、より高い周波数のサンプリングによってのみ得られる特徴をエンコードすることで、活動間のより細かい区別を可能にすることができる。エンコードされた加速度計および／またはジャイロスコープの特質は、それ自体で、睡眠段階および活動レベル、歩数、方向、活動タイプなどを決定するために使用することができる。エンコードされた加速度計および／またはジャイロスコープの特質、あるいはＥＣＧとともにエンコードされたこれらの信号の特質を使用して、不整脈などの生理学的事象によって生成された信号とモーションアーチファクトの信号とをさらに区別することができる。また、同じデータは、例えば、退院後の代償障害（ｄｅｃｏｍｐｅｎｓａｔｉｏｎ）事象の外来モニタのような形で、心不全患者の健康状態を評価するための１つの入力（活動レベルの傾向）として有用である。

他の実施形態では、インピーダンス情報、またはガルバニック皮膚反応のような皮膚接触を示す他の測定値を、ＥＣＧとともに、または独立してエンコードすることができる。ニューラルネットワークをトレーニングして、リードオフ（ｌｅａｄｓｏｆｆ）領域を検出し、ＥＣＧの特質と組み合わせて、信頼性の低い信号のセグメントをフィルタして排除するために使用することができる。同じインピーダンス値でも患者や条件によって信号品質が異なり得るため、インピーダンス値のみを用いた単純なステートマシン（ｓｔａｔｅ－ｍａｃｈｉｎｅ）タイプのアルゴリズムでは、実際には非生理学的な信号であるにもかかわらずリードオン状態が発生したり、逆に、実際にはＥＣＧ信号であり解析が可能であるのにリードオフが検出されたりすることがある。前者は、時には不整脈を模倣するノイズが発生しやすい外来機器において特に問題となり、その結果、偽陽性信号が発生することがあるが、その問題の一部は、ハードウェアの設計およびパッチなどの可撓性材料のサイズ調整によって軽減することはできる。ＥＣＧのエンコード機能と、インピーダンスや加速度計などの二次信号の生のまたはエンコードされた機能を使用するデコーダアルゴリズムは、これらの偽陽性をさらに排除し、さらにインピーダンス不良によって実際のＥＣＧ信号が失われることがないようにすることができる。

特定の実施形態において、エンコードされた特質を使用して検出された不整脈の疑いがある場合、元の装置上のフル解像度ＥＣＧを使用してさらに解析することが有益である場合がある。エンコーダ実装によって可能になる省電力によって、デコーダベースのアルゴリズムが、装置上に保存されたフル解像度ＥＣＧの部分の送信またはオンボード解析のいずれかを要求することが可能になるはずである。ラベル付きのフル解像度ＥＣＧでトレーニングされた畳み込みニューラルネットワーク（ＣＮＮ）から導出された別のアルゴリズムを、元のＥＣＧの制限された領域で実行することは、計算上実行可能のはずである。

特定の実施形態において、エンコードされた特質を用いて、心房細動などの不整脈や、近い将来に発生する可能性のある他の健康状態を学習および予測することができ、早期介入が可能となる。

特定の実施形態において、処理、すなわち、エンコードすること、またはエンコードされた特質を使用する後続の層（をデコードすること）のいずれかは、スマートフォンまたはゲートウェイ装置などの、セルまたは衛星などの長距離接続の前に送信される中間装置上で行われてもよい。特定の使用例では、例えば、これらの限られた電力モダリティにおけるバッテリ消費の重い部分であることが多い、生の信号を装置メモリに書き込むことが必要ない場合、エンコードとデコードの両方が、パッチ、スマートウォッチ、またはＥＣＧまたは他の信号を連続的にモニタできる他のウェアラブルなどの装置自体で起こり、エンコードされた信号のみが書き込まれてもよい。このアプローチは、記憶容量が限られているが、アルゴリズムがメモリに保存されたデータ（例えば、過去に発生したＥＣＧのデータ）上で実行する必要があるシナリオにおいて有用である可能性がある。

特定の実施形態において、この技術は、手首、耳たぶ、または胸部からのＰＰＧなど、ＥＣＧ以外の他の表面または経皮生体信号に適用され得る。ウェアラブル装置（多くの場合、消費者グレード）は、心拍数の傾向を把握するために、および場合によっては心房細動の検診をするために、ＰＰＧ信号を捕捉することを特徴とする。これらの健康洞察機能は、多くの場合、３０秒など非常に限られた時間の検出に限定され、さまざまな肌タイプやモーションを介して波形を確実に捕らえるために、例えば緑色光による比較的高出力の光検出を必要とする。ＰＰＧ波形が不整脈血流に特有の識別特徴を含む場合に、単純な拍動検出を超える詳細のコンテキスト解析のために、または心房細動負担などのより長期的で臨床的に有用な測定基準に集約するために、ＰＰＧの全体を保存または送信することはできない。

いくつかの実施形態において、ＰＰＧ及び／又はＥＣＧ波形は、血圧及び血液灌流（ｐｅｒｆｕｓｉｏｎ）、血液量、心拍出量、駆出率（ｅｊｅｃｔｉｏｎｆｒａｃｔｉｏｎ）、弁機能及び／又は健康などの他の心臓メトリクスを推論するためにエンコードされ、従来からの方法で計算された拍動間隔、又はファイデューシャルポイント間隔さえも最も有用な特質でない場合がある。特定の実施形態はＰＰＧで説明されているが、ＥＣＧも適用可能な場合には使用可能であり、その逆もまたあり得ることが理解される。

特定の実施形態において、この技術は、ＥＥＧのようなさらにデータ量の多い信号に適用することができる。ＥＥＧを採用したウェアラブルアプリケーションは、チャネル数や装置の大きさのために、実験室での使用に限定されることが多い。ＥＥＧをトレーニングしたエンコード機能は、計算負荷が高いデコーダアルゴリズムをサーバにオフロードすることを可能にし、例えば、脳活動を通信に変換する装置の携帯性を可能にする可能性がある。

いくつかの実施形態において、ニューラルネットワークエンコーディングは、ターゲット装置のバッテリ消費をさらに低減するために、ＦＰＧＡＩＣなどの専用ハードウェアに実装されてもよい。ニューラルネットワークエンコーダは、整数演算またはバイナリ演算を利用することによって、埋め込みアプリケーションのためにさらに最適化されてもよい。

いくつかの実施形態において、マーカまたはオブジェクトの検出または生理学的測定をもたらす画像または映像ストリームは、ニューラルネットワークエンコーディングを使用して、より強力なシステムに処理をオフロードすることができる。アプリケーションの例は以下の通りである。
車両、セキュリティモニタリングシステムにおける物体検出
顔の映像からの感情反応
顔や胸部の映像ストリームに基づく心拍数や呼吸などの生理学的測定
発作の検出
転倒の検出
拡張現実感（ＡｕｇｍｅｎｔｅｄＲｅａｌｉｔｙ）
乳幼児の顕著な事象（泣き声、呼吸の問題）のモニタリング。

いくつかの実施形態において、音声データは、スピーチ事象の識別またはリアルタイムでの音声の翻訳、呼吸モニタリング、呼吸器疾患の診断、いびきまたは無呼吸の検出を目的としてエンコードされる場合がある。

いくつかの実施形態において、超音波検査データは、妊娠中の収縮の識別、胎児の心拍の検出及び特徴識別、腫瘍、脳卒中、閉塞動脈、感染などの異常な生理学の識別などの目的のためにエンコードされてもよい。

コンピューティングシステムおよび方法
いくつかの実施形態において、上述したシステム、ツール、及びそれを使用する方法は、対話性、及びコンピューティングシステム１３０００によって実行されるデータ収集を可能にする。図２３は、コンピューティングシステム１３０００が、ネットワーク１３００２と、それら自身もネットワーク１３００２と通信しているウェアラブルシステム１３００５、ゲートウェイ装置１３００６などの様々な外部コンピューティングシステム１３００４とも通信している実施形態を示すブロック図である。コンピューティングシステム１３０００は、本明細書に記載されるシステム及び方法を実装するために使用されてもよい。外部システム１３００４はグループ化されたものとして示されているが、各システムは互いに外部であってもよく、及び／又は遠隔に位置していてもよいことが認識される。

いくつかの実施形態において、コンピューティングシステム１３０００は、例えば、サーバ、ラップトップコンピュータ、モバイル装置（例えば、スマートフォン、スマートウォッチ、タブレット、パーソナルデジタルアシスタント）、キオスク、自動車コンソール、またはメディアプレーヤなどの１つまたは複数のコンピューティング装置を含んでいる。一実施形態では、コンピューティング装置１３０００は、１つ以上の中央処理装置（ＣＰＵ）１３１０５を含み、これらはそれぞれ、従来のまたは独自のマイクロプロセッサを含んでもよい。コンピューティング装置１３０００は、情報の一時記憶用のランダムアクセスメモリ（ＲＡＭ）、情報の永久記憶用の１つ以上の読み取り専用メモリ（ＲＯＭ）などの１つ以上のメモリ１３１３０、およびハードドライブ、ディスケット、ソリッドステートドライブ、または光学媒体記憶装置などの１つ以上の大容量記憶装置１３１２０を更に含んでいる。特定の実施形態において、処理装置、クラウドサーバ、サーバ、またはゲートウェイ装置が、コンピューティングシステム１３００として実装されてもよい。一実施形態では、コンピューティングシステム１３０００のモジュールは、標準ベースのバスシステムを用いてコンピュータに接続される。別の実施形態では、標準ベースのバスシステムは、例えば、ＰＣＩ（ＰｅｒｉｐｈｅｒａｌＣｏｍｐｏｎｅｎｔＩｎｔｅｒｃｏｎｎｅｃｔ）、マイクロチャネル、ＳＣＳＩ（ＳｍａｌｌＣｏｍｐｕｔｅｒｃｏｍｐｕｔｉｎｇｓｙｓｔｅｍＩｎｔｅｒｆａｃｅ）、ＩＳＡ（ＩｎｄｕｓｔｒｉａｌＳｔａｎｄａｒｄＡｒｃｈｉｔｅｃｔｕｒｅ）及びＥＩＳＡ（ＥｘｔｅｎｄｅｄＩＳＡ）アーキテクチャで実装され得る。さらに、コンピューティング装置１３０００のコンポーネントおよびモジュールにおいて提供される機能は、より少ないコンポーネントおよびモジュールに結合されてもよいし、さらに追加のコンポーネントおよびモジュールに分離されてもよい。

コンピューティング装置１３０００は、例えば、ｉＯＳ、ＷｉｎｄｏｗｓＸＰ、ＷｉｎｄｏｗｓＶｉｓｔａ、Ｗｉｎｄｏｗｓ７、Ｗｉｎｄｏｗｓ８、Ｗｉｎｄｏｗｓ１０、ＷｉｎｄｏｗｓＳｅｒｖｅｒ、ＥｍｂｅｄｄｅｄＷｉｎｄｏｗｓ、Ｕｎｉｘ、Ｌｉｎｕｘ、ＵｂｕｎｔｕＬｉｎｕｘ、ＳｕｎＯＳ、Ｓｏｌａｒｉｓ、ＢｌａｃｋｂｅｒｒｙＯＳ、Ａｎｄｒｏｉｄ、または他のオペレーティングシステムのようなオペレーティングシステムソフトウェアによって制御および調整されてもよい。Ｍａｃｉｎｔｏｓｈシステムでは、オペレーティングシステムは、ＭＡＣＯＳＸなどの任意の利用可能なオペレーティングシステムであってもよい。他の実施形態では、コンピューティング装置１３０００は、独自のオペレーティングシステムによって制御されてもよい。従来のオペレーティングシステムは、実行のためにコンピュータプロセスを制御し、スケジュールし、メモリ管理を行い、ファイルシステム、ネットワーキング、Ｉ／Ｏサービスを提供し、とりわけ、グラフィカルユーザインタフェース（ＧＵＩ）などのユーザインタフェースを提供し、その他の機能もはたす。

例示的なコンピューティング装置１３０００は、例えば、タッチパッドまたはタッチスクリーンなどの１つまたは複数のＩ／Ｏインタフェースおよび装置１３１１０を含み得るが、キーボード、マウス、およびプリンタも含み得る。一実施形態では、Ｉ／Ｏインタフェース及び装置１３１１０は、ユーザへのデータの視覚的提示を可能にする１つ以上のディスプレイ装置（タッチスクリーン又はモニタなど）を含む。より詳細には、ディスプレイ装置は、例えば、ＧＵＩ、アプリケーションソフトウェアデータ、及びマルチメディアプレゼンテーションの表示を提供し得る。コンピューティングシステム１３０００は、例えば、カメラ、スピーカ、ビデオカード、グラフィックアクセレレータ、及びマイクロフォンなどの１つ以上のマルチメディア装置１３１４０を含んでもよい。

コンピューティングシステム及びアプリケーションツールの一実施形態におけるＩ／Ｏインタフェース及び装置１３１１０は、様々な外部装置への通信インタフェースを提供し得る。一実施形態では、コンピューティング装置１３０００は、例えば、有線、無線、または有線と無線の組み合わせの通信リンク１３１１５を介して、ローカルエリアネットワーク、ワイドエリアネットワーク、および／またはインターネットのうちの１つまたは複数を含むネットワーク１３００２に電子的に結合される。ネットワーク１３００２は、有線又は無線通信リンクを介して、様々なセンサ、コンピューティング装置、及び／又は他の電子装置と通信することができる。

いくつかの実施形態において、フィルタ基準、信号及びデータは、本明細書に記載される方法及びシステムに従って、心拍推論モジュールアプリケーションツールによって処理され、１つ以上のデータソース１３０１０からネットワーク１３００２を介してコンピューティングシステム１３０００に提供されてもよい。データソースは、１つ以上の内部及び／又は外部のデータベース、データソース、及び物理的なデータストアを含んでもよい。データソース１３０１０、外部コンピューティングシステム１３００４、及び心拍インタフェースモジュール１３１９０は、上述のシステム及び方法に従ってデータ（例えば、特質データ、生の信号データ、患者データ）を収納するためのデータベース、上述のシステム及び方法に従って処理されたデータ（例えば、センサに送信するデータ、臨床医に送信するデータ）を収納するためのデータベースなどを含んでもよい。図２４の一実施形態において、センサデータ１４０５０は、いくつかの実施形態において、センサから受信したデータ、臨床医から受信したデータなどを収納することができる。ルールデータベース１４０６０は、いくつかの実施形態において、特質データを解析するための閾値のパラメータを確立するデータ（例えば、指示、プリファレンス、プロファイル）を収納してもよい。いくつかの実施形態において、データベース又はデータソースの１つ以上は、Ｓｙｂａｓｅ、Ｏｒａｃｌｅ、ＣｏｄｅＢａｓｅ、ＭｙＳＱＬ、ＳＱＬｉｔｅ、及びＭｉｃｒｏｓｏｆｔ（登録商標）ＳＱＬＳｅｒｖｅｒなどの関係データベース（ｒｅｌａｔｉｏｎａｌｄａｔａｂａｓｅ）、並びに、例えば、フラットファイルデータベース、エンティティ－関係データベース、及びオブジェクト指向データベース、ＮｏＳＱＬデータベース、及び／又はレコードベースのデータベースなどの他のタイプのデータベースを使用して実装されてもよい。

一実施形態におけるコンピューティングシステムは、ＣＰＵ１３１０５によって実行される実行可能なソフトウェアコードとして大容量記憶装置１３１２０に収納されてもよい心拍インタフェースモジュール１３１９０を含む。心拍インタフェースモジュール１３１９０は、フィーチャモジュール１４０１０、代替データモジュール１４０２０、推論モジュール１４０３０、フィードバックモジュール１４０４０、センサデータ・データベース１４０５０、及びルールデータベース１４０６０を備えてもよい。これらのモジュールは、一例として、ソフトウェアコンポーネント、オブジェクト指向ソフトウェアコンポーネント、サブルーチン、プログラムコードのセグメント、ドライバ、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイ、及び変数などのコンポーネントを含んでもよい。これらのモジュールはまた、いくつかの実施形態において、図１０～図１７に関して説明した処理を含む、本明細書に開示された処理を実行するように構成される。

可逆圧縮、及び／又は数値化
本開示のいくつかの実施形態において、システムは、データを遠隔サーバに送信してニューラルネットワークの層の第２のセットを介してデータを処理する前に、ニューラルネットワークの層の第１のセットの出力に可逆圧縮を実行することができる。可逆圧縮アルゴリズムは、圧縮されたデータから元のデータを完全に再構築することを可能にし得る。いくつかの実施形態において、システムは、遠隔サーバが圧縮されたデータをある閾値の精度で再構築することができる圧縮を実行することができ、したがって、損失を低減することができる。

図２５は、ＥＣＧエンコーダによる可逆圧縮の実施例を示す図である。パッチ２２２６は、ユーザのＥＣＧデータ２２３２を受信することができる。モニタ（例えば、パッチ２２２６）は、ニューラルネットワークの層の第１のセット２２２２を介して（例えば、ＥＣＧエンコーダ２２３０を介して）データをエンコードし、エンコードされた出力を可逆圧縮器２５０２に送信することができる。可逆圧縮器２５０２は、データをさらに小さい次元数に圧縮して、遠隔サーバ２２２８に送信することができる。遠隔サーバ２２２８は、可逆解凍器（ｄｅｃｏｍｐｒｅｓｓｏｒ）２５０４を介してデータを解凍することができる。次いで、遠隔サーバ２２２８は、分類器２２３８を介して、ニューラルネットワークの層の第２のサブセット２２２４を通して、解凍されたデータを処理することができる。

一例では、可逆圧縮スキームを使用して、出力されたエンコードされた特質と、より短い長さの表現との間のマッピングを行うことができる。８ビット整数の場合、バイナリ表現「００００００００」としての０の値は、ＥＣＧエンコーダ２２３０からのニューラルネットワークの層の第１のサブセットの出力されたエンコードされた特質であり得るが、可逆圧縮方式は、「００００００００」の８ビット数表現を他のものに変更することができる。可逆圧縮スキームは、ＥＣＧエンコーダ２２３０から出力される値と圧縮された値との間のマッピングを有することができる。例えば、ＥＣＧエンコーダ２２３０からの「００００００００」８ビット数表現は、８ビットの代わりに２ビットしか必要としない「１０」で表すことができる。可逆圧縮方式は、より一般的な出力エンコード特質に対して短いビット長コードを使用でき、一方、より珍しいエンコード特質に対して長いビット長コードが使用される。有利なことに、遠隔サーバに送信されるデータはより少なくなる。例えば、ＥＣＧエンコーダ２２３０から出力される０値がはるかに多い場合、可逆圧縮スキームは、０値を「１０」にマッピングすることができる。しかし、ＥＣＧエンコーダ２２３０から４３３の値がほとんど出力されない場合、可逆圧縮方式は、「１１０１１０００１」の二進法表現を有する４３３の値を「５５２３」にマッピングすることができる。

いくつかの実施形態において、可逆解凍器２５０４は、予め定められたマッピングされた値を取得することができる。いくつかの実施形態において、可逆解凍器２５０４は、静的であり、変化しないマッピングされた値を取得することができる。可逆解凍器２５０４は、可逆圧縮器２５０２からマッピングされた値を受信することができる。遠隔サーバ２２２８は、圧縮されたデータ（例えば、マッピングされた値）を、ＥＣＧエンコーダ２２３０に対応する実際の値にマッピングすることができる。例えば、可逆解凍器２５０４が「１０」値及び「５５２３」値を受信した場合、可逆解凍器２５０４は、これらの値を「０」及び「４４３」にマッピングし、これらの値をそれに応じて出力することができる。次いで、これらの値は、分類器２２３８を介してニューラルネットワークの層の第２のサブセットを通して処理することができる。

有利には、（１）ニューラルネットワークを介してデータをエンコードし、（２）エンコードされたデータを圧縮する、システムのパッチからサーバに送信されるデータの次元数は、（１）ニューラルネットワークエンコーダのみを有するシステム（可逆圧縮なし）よりも小さくすることができる。さらに、可逆圧縮を使用すると、可逆解凍器を介してデータを再構築できるため、データ自体の完全性を維持しながら、より多くのデータを遠隔サーバ２２２８に送信することができる。一例で説明すると、互いに非常に近い０値のプロットがある場合、システムは、すべての０値を別々に送信する必要がなく、０値のプロットの代表的な表示を送信することができる。有利なことに、パッチからサーバに送信されるデータは、より少ないネットワークスループットの使用で済ますことができ、ニューラルネットワークの精度および性能を犠牲にすることなく、より厳しいネットワーク制約の下で動作することができる。さらに、このような圧縮は、データがパッチ２２２６から遠隔サーバ２２２８まで様々なネットワークを介して移動する際に、データのプライバシーおよびセキュリティをさらに強化することができる暗号化の１つの形態であり得る。

本明細書で述べたように、本開示のいくつかの実施形態は、出力の次元数を低減するために、ニューラルネットワークの層の第１のセットを介して、ＥＣＧエンコーダ２２３０を介するなど、データを圧縮するようにニューラルネットワークをトレーニングする。ニューラルネットワークの層の第１のセットは、ある次元数を出力するようにトレーニングされる。圧縮されたデータは、層の第１のセットの出力をニューラルネットワークの層の第２のセットに適用する遠隔装置に送信され、これは、データのデコーディングまたはデータの生理学的特徴の決定など、本明細書に記載のステップを含むことが可能である。

従来のニューラルネットワークでは、システムは浮動小数点数（例えば、３２ビットのデータ）のような大きな数値表現を使用する。浮動小数点数は、非常に大きな値も非常に小さな値も表現でき、小数点以下多数桁もの高精度で表現できる。このような従来のシステムでは、ニューラルネットワークの学習やデータの処理を非常に正確に行うために、このような大きな数値表現が用いられている。しかし、このような大きな数値表現を使用すると、データの保存、処理、送信の効率が悪くなる。

本開示におけるいくつかの実施形態は、データを数値化することによって、そのような欠点を軽減する。図２６は、ニューラルネットワークにおける層２２２２の第１のサブセットを処理した後に、ＥＣＧエンコーダ２２３０の出力データに対して数値化を実行するための数値化器２６０２を示す図である。パッチ２２２６は、ユーザのＥＣＧデータ２２３２を受信することができる。モニタ（例えば、パッチ２２２６）は、ニューラルネットワークの層２２２２の第１のセットを介して（例えば、ＥＣＧエンコーダ２２３０を介して）データをエンコードし、エンコードされた出力を数値化器２６０２に送信することができる。数値化器２６０２は、データを数値化して（例えば、データを切り捨てる又は四捨五入する）、遠隔サーバ２２２８に送信することができる。次いで、遠隔サーバ２２２８は、ニューラルネットワークの層２２２４の第２のサブセットを介して、数値化されたデータを処理することができる。

このような数値化は、ニューラルネットワークの全体的な性能のバランスをとりながら、より良い可逆圧縮性能を有するように最適化することができる。システムは、データを外部サーバに送信する前に、ニューラルネットワークの層の第１のセットの出力を数値化することができる。いくつかの実施形態において、データを数値化することは、データ表現のための四捨五入（例えば、最も近い整数への丸め）、切り捨て、またはビット数の削減を含むことができる。

いくつかの実施形態において、数値化の量は、効率と精度の間のバランスを最適化するように決定することができる。より積極的な数値化（例えば、データからより多くのビットを切り捨てる）は、データ表現のサイズをより少ないビット数に減らすことができるが、ニューラルネットワーク予測の精度に悪影響を及ぼし得る。しかし、より積極的でない数値化（例えば、データからより少ないビットを切り捨てる）は、精度を高めることができるが、人の上のモニタ装置の記憶及び送信要求の増加、パッチ２２２６及び遠隔サーバ２２２８の両方でより大きなデータ表現を記憶しなければならないことによる記憶要求の増加、並びにパッチ２２２６及び遠隔サーバ２２２８間のデータのネットワーク送信の増加などの代償を支払う。

より積極的な数値化は、数値化されたデータに誤差をもたらし、本明細書で指摘するように、数値化を使用するアルゴリズムの性能の劣化につながる可能性がある。ニューラルネットワークは、数値化によってもたらされる誤差を考慮してもある程度は機能するが、誤差がアルゴリズムの性能を著しく低下させる限界点が存在することになる。したがって、数値化の量は、ハードウェア効率の劣化と、分類器２２３８を介した分類におけるニューラルネットワークの精度とに基づいて、最適化することができる。

いくつかの実施形態において、ニューラルネットワークは、より積極的な数値化スキームを可能にするようにトレーニングされる。例えば、ニューラルネットワークは、可逆圧縮性能を最大化するようにトレーニングすることができる。ニューラルネットワークは、数値化に伴う劣化を低減するために、トレーニング中に数値化を導入することによってトレーニングすることができる。いくつかの実施形態において、ニューラルネットワークは、最初に数値化なしでトレーニングされる。その後、トレーニングされたニューラルネットワークは、数値化ありで再びトレーニングされる。有利なことに、ニューラルネットワークのトレーニングは、数値化を考慮に入れる。これは、ニューラルネットワークが、パッチ２２２６上で実行される層の第１のセットと、遠隔サーバ２２２８上で実行される層の第２のセットとに分割される場合に、特にここで関連する。有利には、そのようなトレーニングの結果は、数値化から低振幅信号をよりよく表現することができるニューラルネットワークおよび／または数値化を含むことができる。むしろニューラルネットワークは、低振幅信号が、遠隔サーバ２２２８の分類器２２３６などによって、信号中の特質を識別するために考慮されるように、その出力の値を調整する（例えば、低振幅信号の振幅を増大させる）ことが可能である。例えば、ニューラルネットワークは、信号が閾値に到達するように低振幅信号を誇張することができる。したがって、低振幅信号が数値化によって処理されるとしても、遠隔サーバ２２２８は、低振幅信号を登録することができる。ニューラルネットワークのそのようなトレーニングを行わない他のシステムは、数値化を介して低振幅信号を単にクリップすることができ、分類器２２３８は、そのような信号における特質を識別することができない可能性がある。

いくつかの実施形態において、可逆圧縮と数値化の両方を最適化して適用することができる。いくつかの実施形態において、ニューラルネットワークおよび数値化の代わりに最適な可逆圧縮は、異なる可逆圧縮アルゴリズムまたはその特徴の性能をモデル化することによって決定することができる。例えば、ニューラルネットワークの特質の出力は、０を中心とし標準偏差が１の分布を有するように設定することができる。次に、システムは、特定の可逆圧縮アルゴリズムが様々な数値化スキーム下でどの程度良好に動作するかをモデル化することができる。例えば、ニューラルネットワークの層の第１のサブセットの出力が１２８ビット／秒である場合、数値化器は、データを数値化して１００ビット／秒を出力することができる。最適化は、少なくとも利用可能なネットワーク及び／又はネットワーク制約（１秒当たりのビット数の設定又はデータのビットサイズなど）に支配され得る。次に、可逆圧縮モデル（例えば、本明細書に記載されているような）を適用して、遠隔サーバにおけるニューラルネットワークの識別された特質について最適な性能を見つけることができる。

いくつかの実施形態において、最適化は、少なくともエンコーダのアーキテクチャによって支配され得る。例えば、第１のエンコーダ設計は８ビットを出力し、第２のエンコーダ設計は４ビットを出力するが、第１のエンコーダ設計の２倍のサンプルレートで出力することができる。この例では、ネットワーク制約を第１と第２のエンコーダで同じにすることができる。最初のエンコーダのデザインは、出力される特質量が少なく、より積極的な数値化が行われている。しかし、状況によっては、数値化率が高いにもかかわらず、特質量の生成率が高いため、２番目のエンコーダの設計の方が性能が高くなることがある。

いくつかの実施形態において、トレーニングへの数値化の実装は、テンソルフローの実装を適用することができる。トレーニング中、テンソルフローは、フォワードパスにおいて数値化を導入することができるが、勾配は数値化なしで計算される。これは、数値化誤差がネットワークを介して伝搬されるが、勾配は依然として滑らかであり、重みの更新が誤差に適切に応答することを可能にするように行われる。

図２７は、数値化器２６０２と、可逆圧縮器２５０２及び可逆解凍器２５０４を介した可逆圧縮の両方を有する実施形態を示す。この実施形態では、ＥＣＧエンコーダ２２３０の出力は、エンコーダがデータをニューラルネットワークの層２２２２の第１のサブセットに通した後、数値化器２６０２に入力される。数値化器２６０２は、エンコードされた出力データを数値化する。次に、可逆圧縮器２５０２は、数値化されたデータを圧縮して、遠隔サーバ２２２８に送信２２３４することができる。次いで、遠隔サーバ２２２８は、可逆解凍器２５０４を介して送信されたデータ２２３４を解凍することができ、分類器２２３８は、ニューラルネットワークの層２２２４の第２のサブセットを介して解凍されたデータを処理することができる。

ＱＴ間隔アルゴリズムの解析
本開示のいくつかの実施形態において、システムは、ＱＴ間隔を定量化（ｑｕａｎｔｉｆｙ）することができ、これは、個々の心拍で提示されるＱ及びＴ形態的特質の間の時間を定量化することを含むことができる。これらの特質の間の時間が長くなると、心臓に問題があることを示している可能性がある。

従来のシステムでは、ＱＴ間隔の定量化は、通常、最初に異なる形態的特質を特定し、特質上の特定の点間の差を単純に測定することによって達成される。しかし、完全な生ＥＣＧデータにアクセスできないシステムでは、ＱＴ間隔を定量化する従来の方法を適用できない場合がある。

本明細書に記載されるのは、完全な生のＥＣＧ信号へのアクセスを有することなくＱＴ間隔を定量化し得るいくつかの実施形態である。いくつかの実施形態において、遠隔サーバは、エンコーダからエンコードされた特質を受け取り、エンコードされた特質からＥＣＧ信号を再構築することができる。次に、遠隔サーバは、形態的特質の位置を特定するための信号処理及びアルゴリズム技術を使用することができる。

いくつかの実施形態において、遠隔サーバは、ＱＴ間隔を含むエンコードされた特質のセグメントからＱＴ間隔を直接予測するために、機械学習アルゴリズムをトレーニングすることができる。

いくつかの実施形態において、遠隔サーバは、１つ以上のＱＴ間隔を含むエンコードされた特質のウィンドウから平均ＱＴ間隔を直接予測する機械学習アルゴリズムをトレーニングすることができる。

いくつかの実施形態において、システムは、いくつかの拍動を代表するテンプレートビートを生成することができる。テンプレートビートは、検出されたビート位置を囲むサンプルの固定ウィンドウの生ＥＣＧを平均化することによって生成することができる。ＱＴ間隔は、本明細書に記載されるアルゴリズム技術又は機械学習アルゴリズムを使用してテンプレートビートから導出することができる。図２８Ａ及び図２８Ｂは、テンプレートビートを生成するためのプロセスを示す。例えば、図２８Ａは、４サイクルにわたるサンプルのウィンドウを図示する。各サイクルは、サンプルの固定ウィンドウを有する。システムは、ある期間にわたるサイクルの数を決定することができ、またはテンプレートビートの生成に使用されるサイクルの数を設定することができる。図２８Ｂは、４サイクルからテンプレートビートを生成することを示す。いくつかの実施形態において、システムは、互いに対するサンプルを相対的に決定する。例えば、システムは、各サイクルにおける対応する点を特定し、サンプルの各々を一緒に平均化することができる。したがって、図２８Ｂの左側に図示された４つのサイクルは、右側のテンプレートビートを生成するために平均化され得る。

いくつかの実施形態において、パッチは、テンプレートビートを生成することができる。他の実施形態では、遠隔サーバは、パッチからの受信データからテンプレートビートを生成することができる。いくつかの実施形態において、テンプレートビートは、ニューラルネットワークの層を介したデータ処理によって処理され、識別され得る。例えば、パッチは、テンプレートビートを生成し、テンプレートビートを本明細書に記載のニューラルネットワークに入力することができる。

一般に、本明細書で使用する「モジュール」という語は、ハードウェアまたはファームウェアに具現化されたロジック、あるいは、例えばＰｙｔｈｏｎ、Ｊａｖａ、Ｌｕａ、Ｃおよび／またはＣ＋＋などのプログラミング言語で書かれた、おそらく入口と出口点を有するソフトウェア命令の集合を意味する。ソフトウェアモジュールは、コンパイルされ、実行可能プログラムにリンクされ、ダイナミックリンクライブラリにインストールされてもよいし、例えば、ＢＡＳＩＣ、Ｐｅｒｌ、またはＰｙｔｈｏｎなどのインタプリットされたプログラミング言語で記述されてもよい。ソフトウェアモジュールは、他のモジュールから、またはそれ自身から呼び出すことができ、および／または検出された事象またはインタラプトに応答して呼び出されることができることが理解されるであろう。コンピューティング装置上で実行するように構成されたソフトウェアモジュールは、コンパクトディスク、デジタルビデオディスク、フラッシュドライブ、または他の任意の有形媒体などのコンピュータ可読媒体上で提供されてもよい。そのようなソフトウェアコードは、コンピューティング装置による実行のために、コンピューティングシステム１３０００などの実行コンピューティング装置のメモリ装置上に、部分的または全体的に収納されてもよい。ソフトウェア命令は、ＥＰＲＯＭのようなファームウェアに埋め込まれてもよい。ハードウェアモジュールは、ゲートやフリップフロップなどの接続されたロジックユニットで構成されてもよく、及び／又は、プログラマブルゲートアレイやプロセッサなどのプログラマブルユニットで構成されてもよいことがさらに理解されるであろう。本明細書に開示されたブロック図は、モジュールとして実装されてもよい。本明細書に記載されたモジュールは、ソフトウェアモジュールとして実装されてもよいが、ハードウェア又はファームウェアで表現されてもよい。一般に、本明細書で説明するモジュールは、その物理的な構成又は記憶にもかかわらず、他のモジュールと組み合わせたり、サブモジュールに分割したりすることができるロジックのモジュールを意味する。

前のセクションで説明したプロセス、方法、及びアルゴリズムの各々は、コンピュータハードウェアを構成する１つ以上のコンピュータシステム又はコンピュータプロセッサによって実行されるコードモジュールに具現化され、完全に又は部分的に自動化されてもよい。コードモジュールは、ハードドライブ、ソリッドステートメモリ、光ディスク、及び／又は同様のもののような、任意のタイプの非一時的コンピュータ可読媒体又はコンピュータストレージ装置に収納されてもよい。また、システム及びモジュールは、生成されたデータ信号として（例えば、搬送波又は他のアナログ又はデジタル伝搬信号の一部として）、無線ベース及び有線／ケーブルベースの媒体を含む様々なコンピュータ可読送信媒体で送信されてもよく、様々な形態（例えば、単一又は多重化アナログ信号の一部として、又は複数の個別デジタルパケット又はフレームとして）であってよい。プロセスおよびアルゴリズムは、部分的または全体的に特定用途向け回路に実装されてもよい。開示されたプロセスおよびプロセスステップの結果は、例えば、揮発性（ｖｏｌａｔｉｌｅ）または不揮発性ストレージなどの任意のタイプの非一時的コンピュータストレージに、永続的またはその他の方法で収納されてもよい。

上述した様々な特質及びプロセスは、互いに独立して使用されてもよく、又は様々な方法で組み合わされてもよい。全ての可能な組み合わせ及びサブコンビネーションが、本開示の範囲に入ることが意図されている。さらに、特定の方法またはプロセスブロックは、いくつかの実施態様において省略されてもよい。本明細書に記載された方法及び工程はまた、任意の特定の順序に限定されず、それに関するブロック又は状態（ｓｔａｔｅｓ）は、適切な他の順序で実行することができる。例えば、記述されたブロック又は状態は、具体的に開示された以外の順序で実行されてもよいし、複数のブロック又は状態が単一のブロック又は状態で組み合わされてもよい。例示したブロックまたは状態は、直列に、並列に、または他の方法で実行されてもよい。ブロック又は状態は、開示された例示的な実施形態に追加又は削除されてもよい。本明細書に記載された例示的なシステム及び構成要素は、記載されたものとは異なるように構成されてもよい。例えば、開示された例示的な実施形態と比較して、要素が追加されてもよく、削除されてもよく、又は再配置されてもよい。

特に「できる」、「できた」、「かもしれない」、または「あり得る」などの条件付き言語は、特に明記されていない限り、または使用される文脈内で理解される限り、一般に、特定の実施形態が、他の実施形態が含まない特定の特質、要素および／またはステップを含むことを伝えるように意図されている。したがって、このような条件付き言語は、特質、要素、および／またはステップが１つまたは複数の実施形態に何らかの形で必要であること、または１つまたは複数の実施形態が、これらの特質、要素、および／またはステップが任意の特定の実施形態に含まれるかどうか、または実行されるかどうかをユーザ入力または起動操作とともに決定するロジックを必ず含むことを意味することは一般に意図されていない。用語「含む」は、「含まれるがそれに限定されない」を意味する。用語「または」は、「および／または」を意味する。

本明細書に記載され、添付図に描かれたフローまたはブロック図における任意のプロセス記述、要素、またはブロックは、プロセスにおける特定のロジックの機能またはステップを実施するための１つまたは複数の実行可能命令を含むコードのモジュール、セグメント、または部分を表す可能性があると理解されるべきである。代替的な実装は、当業者に理解されるように、関連する機能に応じて、要素又は機能が削除され得て、又は示された、もしくは議論されたものとは異なる順序で、実質的に同時又は逆の順序を含めて実行され得る、本明細書に説明される実施形態の範囲内に含まれる。

上述した方法及びプロセスの全ては、１つ以上のコンピュータによって実行されるソフトウェアコードモジュールにおいて少なくとも部分的に具現化され、そして部分的又は完全に自動化されてもよい。例えば、本明細書に記載された方法は、コンピューティングシステム及び／又は任意の他の適切なコンピューティング装置によって実行されてもよい。方法は、有形のコンピュータ可読媒体から読み取られるソフトウェア命令または他の実行可能コードの実行に応答して、コンピューティング装置上で実行されてもよい。有形のコンピュータ可読媒体は、コンピュータシステムによって読み取り可能なデータを収納することができるデータ記憶装置である。コンピュータ可読媒体の例としては、読み取り専用メモリ、ランダムアクセスメモリ、その他の揮発性または不揮発性メモリ装置、ＣＤ－ＲＯＭ、磁気テープ、フラッシュドライブ、および光学データ記憶装置が挙げられる。

上述した実施形態に対して多くの変形及び修正を行うことができ、その要素は、他の許容可能な例の中にあるものとして理解されることが強調されるべきである。全てのそのような修正及び変形は、本開示の範囲内に本明細書に含まれることが意図されている。前述の説明は、特定の実施形態を詳述したものである。しかしながら、前述がいかに詳細な文章記述で表現されても、システム及び方法は多くの方法で実施できることが理解されよう。例えば、ある実施形態の特質は、異なる実施形態の特質と共に使用することができる。また、上述したように、システムおよび方法の特定の特質または態様を説明するときの特定の用語の使用は、その用語が関連付けられるシステムおよび方法の特質または態様の任意の特定の特質を含むように制限されるように、その用語が本明細書で再定義されることを意味するものではないと考えるべきであることに留意すべきである。

生理学的モニタリング装置、方法、及びシステムの様々な実施形態が本明細書に開示されている。これらの様々な実施形態は、単独で又は組み合わせて使用することができ、実施形態の個々の特質に対する様々な変更は、本発明の範囲から逸脱することなく、修正することができる。例えば、様々な方法ステップの順序は、場合によっては変更されてもよく、及び／又は、１つ以上の任意の特質が、記載された装置に追加されてもよく、又は、記載された装置から削除されてもよい。したがって、上記に提供された実施形態の説明は、特許請求の範囲に規定される本発明の範囲を不必要に制限するものとして解釈されるべきではない。

本開示に記載された実施態様に様々な変更を加えることができ、本開示の精神又は範囲から逸脱することなく、本明細書に定義された総合的な原理を他の実施態様に適用することができる。したがって、本開示の範囲は、本明細書に示される実施態様に限定されることを意図するものではなく、本開示、本明細書に開示される原理及び新規な特質と整合する最も広い範囲が与えられるべきである。

本明細書で別々の実施形態の文脈で説明されている特定の特質も、単一の実施形態で組み合わせて実装することができる。逆に、単一の実施形態の文脈で説明される様々な特質もまた、複数の実施形態において別々に、または任意の適切な下位組み合わせで実装することができる。さらに、様々な特質は、特定の組み合わせで作用するものとして上記で説明され、当初はそのように主張されることさえあるが、主張された組み合わせからの１つ以上の特質は、場合によっては組み合わせから切除されることがあり得て、主張された組み合わせは、サブコンビネーションに、またはサブコンビネーションの変形に向けられることもあり得る。

同様に、操作は特定の順序で図面に描かれているが、そのような操作は、望ましい結果を達成するために、示された特定の順序で、または連続的に実行される必要はなく、また、すべての図示された操作が実行される必要はない。さらに、図面は、フロー図の形態で１つのより例示的なプロセスを模式的に描写していてもよい。しかし、図示されていない他の操作を、模式的に図示されている例示的なプロセスに組み込むことができる。例えば、１つ以上の追加の操作は、図示された操作のいずれかの前、後、同時、又は間に実行することができる。さらに、上述した実施形態における様々なシステム構成要素の分離は、全ての実施形態においてそのような分離が必要であると解釈されるべきではない。さらに、他の実施形態は、以下の特許請求の範囲の範囲内である。場合によっては、特許請求の範囲に記載された動作は、異なる順序で実行することができ、それでも望ましい結果を達成することができる。

Claims

ユーザの心拍信号データをモニタするためのウェアラブル心臓モニタ装置であって、ウェアラブル心臓モニタ装置は、
水密ハウジングと、
哺乳動物に密封可能に係合するように構成されたハウジング上の表面と、
少なくとも７日間、モニタリングが完了するまで除去せずに哺乳動物に継続して貼り付けられたままであるように構成された表面上の接着剤と、
表面が哺乳動物に密封可能に係合されている間に哺乳動物の連続心拍信号を検出するように位置づけられ、ハウジング内に恒久的に配置された少なくとも２つの電極と、
検出された心拍信号を、エンコーダを介して処理するように構成されたハードウェアプロセッサであって、エンコーダはコンピュータ実行可能な命令の第１のサブセットを含むハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、デコーダによって出力を処理することにより、心不整脈の発生の可能性を推論するように構成され、デコーダはコンピュータ実行可能な命令の第２のサブセットを含む、
ウェアラブル心臓モニタ装置。
不整脈は、心室頻拍、上室頻拍、異所性興奮、心室細動、又は長期休止のうちの少なくとも１つを含む、
請求項１に記載のウェアラブル心臓モニタ装置。
心不整脈の発生の可能性を推論することは、第１のサブセットの出力を第２のサブセットを介して処理するステップを含み、
第１のサブセットは、少なくとも２４時間連続的に検出され、保存された心拍信号を処理した、
請求項１または２に記載のウェアラブル心臓モニタ装置。
ハウジングは、押し下げて、感知された心臓の事象の時間的なインスタンスの記録を開始するように構成された患者トリガを含む、
請求項１～３のいずれか１つに記載のウェアラブル心臓モニタ装置。
電極は、全体がハウジング内に配置される、
請求項１～４のいずれか１つに記載のウェアラブル心臓モニタ装置。
コンピュータ実行可能命令の第１のサブセットは、ニューラルネットワークの層の第１のサブセットを含み、コンピュータ実行可能命令の第２のサブセットは、ニューラルネットワークの層の第２のサブセットを含む、
請求項１～５のいずれか１つに記載のウェアラブル心臓モニタ装置。
ユーザの生体信号データをモニタするためのウェアラブル心臓モニタ装置であって、
ウェアラブル装置は、
ハウジングとウィングとを含む接着アセンブリであって、ウィングは、ユーザからの心電信号を検出するように構成された電極を含む、接着アセンブリと、
検出された心電信号をエンコーダを介して処理するように構成されたハードウェアプロセッサであって、エンコーダはニューラルネットワークの層の第１のサブセットを含むハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、出力をデコーダを介して処理することによって、心不整脈の発生の可能性を推論するように構成され、デコーダはニューラルネットワークの層の第２のサブセットを含む、
ウェアラブル心臓モニタ装置。
コンピューティングシステムは、検出された心電信号から心房細動負担を決定するようにさらに構成される、
請求項１～７のいずれか１つに記載のウェアラブル心臓モニタ装置。
心房細動負担は、ある期間中にユーザが心房細動で経過した時間の量を含む、
請求項８に記載のウェアラブル心臓モニタ装置。
心房細動負担は、睡眠期間中及び覚醒期間中にユーザが心房細動で経過した時間の量を含む、
請求項８に記載のウェアラブル心臓モニタ装置。
ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングするためのシステムであって、
システムは、ウェアラブル心臓モニタ装置を含み、
ウェアラブル心臓モニタ装置は、
ユーザからの心電信号を検出するように構成された電極を含むアセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈の発生の可能性を推論するように構成され、
システムは、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１のニューラルネットワークおよび第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第１および第２のニューラルネットワークを同時にトレーニングして第２の特徴を識別するステップと、
により、ニューラルネットワークをトレーニングするように構成される、
システム。
ニューラルネットワークの層の第１のサブセットの出力は、ニューラルネットワークの層の第１のサブセットの入力よりも小さい次元数である、
請求項１～１１のいずれか１つに記載のシステム。
ハードウェアプロセッサは、特徴に基づいて複数のニューラルネットワークから特定のニューラルネットワークを選択するように構成される、
請求項１～１２のいずれか１つに記載のシステム。
特徴とは、ウェアラブル装置の特徴、ウェアラブル装置とコンピューティングシステムとの間のネットワークの特徴のうちの少なくとも１つを含む、
請求項１３に記載のシステム。
ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットの出力を圧縮するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、圧縮された出力を送信するステップを含み、コンピューティングシステムは、送信データを解凍するように構成され、層の第２のサブセットを介して出力を処理することは、解凍されたデータを処理するステップを含む、
請求項１～１４のいずれか１つに記載のシステム。
ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットの出力を数値化するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、出力を送信するステップを含む、
請求項１～１５のいずれか１つに記載のシステム。
ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングする方法であって、
方法は、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第２の特質を識別するように第１および第２のニューラルネットワークを同時にトレーニングするステップと、を含む、
方法。
第２のトレーニングデータは第３のトレーニングデータであり、第２の時間期間は第３の時間期間である、
請求項１７に記載の方法。
トレーニングは、ウェアラブル装置の利用可能な処理能力に基づく、
請求項１７または１８に記載の方法。
トレーニングは、ウェアラブル装置の利用可能なメモリに基づく、
請求項１７～１９のいずれか１つに記載の方法。
トレーニングは、ウェアラブル装置と外部コンピューティングシステムとの間のネットワークの利用可能性に基づく、
請求項１７～２０のいずれか１つに記載の方法。
トレーニングは、ユーザの特徴のタイプに基づく、
請求項１７～２１のいずれか１つに記載の方法。
ユーザの特徴のタイプは、心不整脈の発生を含む、
請求項１～２２のいずれか１つに記載の方法。
ユーザの生体信号データをモニタするためのウェアラブル心臓モニタ装置であって、
ウェアラブル装置は、
ユーザから心電信号を検出するように構成された電極を含むアセンブリと、
エンコーダを介して検出された心電信号を処理するように構成されたハードウェアプロセッサであって、エンコーダはニューラルネットワークの層の第１のサブセットを含む、ハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈の発生の可能性を推論するように構成される、
ウェアラブル装置。
ハードウェアプロセッサは、ＥＣＧ信号を検出する実質的にリアルタイムで連続的にニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成される、
請求項１～２４のいずれか１つに記載のウェアラブル装置。
ニューラルネットワークの層の第１のサブセットの出力は、Ｒピークの表示を含む、
請求項１～２５のいずれか１つに記載のウェアラブル装置。
コンピューティングシステムは、層の第２のサブセットを介して心電信号を再構築するようにさらに構成される、
請求項１～２６のいずれか１つに記載のウェアラブル装置。
ハードウェアプロセッサは、数値化された出力を圧縮するようにさらに構成され、第１のサブセットの出力をコンピューティングシステムに送信することは、圧縮された出力を送信するステップを含み、コンピューティングシステムは、送信データを解凍するように構成され、層の第２のサブセットを介した出力を処理するステップは、解凍されたデータを処理するステップを含む、
請求項１～２７のいずれか１つに記載のウェアラブル装置。
第１のサブセットの出力をコンピューティングシステムに送信することは、数値化された出力を送信するステップを含む、
請求項１～２８のいずれか１つに記載のウェアラブル装置。
ユーザの特徴の尤度を推論するモニタであって、
モニタは、
ハウジングと、
ハウジング内に恒久的に配置され、表面の連続信号を検出するように位置付けられた少なくとも２つの電極と、
エンコーダを介して検出された信号を処理するように構成されたハードウェアプロセッサを含むプリント回路基板アセンブリであって、エンコーダはコンピュータ実行可能命令の第１のサブセットを含む、プリント回路基板アセンブリと、
送信機と、を含み、
送信機は、コンピュータ実行可能命令の第１のサブセットのデータ出力をコンピュータシステムに送信し、
コンピュータシステムは、デコーダを介してデータ出力を処理して発生の可能性を推論するように構成され、デコーダはコンピュータ実行可能命令の第２のサブセットを含む、
モニタ。
コンピュータ実行可能命令の第１のサブセットのデータ出力は暗号化されており、送信機は暗号化されたデータ出力を送信し、コンピューティングシステムはコンピュータ実行可能命令の第２のサブセットを介して、暗号化されたデータ出力を処理する、
請求項１～３０のいずれか１つに記載のモニタ。
送信機は、無線通信チャネルを介して、コンピューティングシステムにデータ出力を送信する、
請求項１～３１のいずれか１つに記載のモニタ。
コンピュータ実行可能命令の更新された第１のサブセットをコンピューティングシステムから受信し、コンピュータ実行可能命令の第１のサブセットをコンピュータ実行可能命令の更新された第１のサブセットに更新するように構成された受信機をさらに備え、
ハードウェアプロセッサは、コンピュータ実行可能命令の更新された第１のサブセットを介して信号を処理するようにさらに構成される、
請求項１～３２のいずれか１つに記載のモニタ。
モーションデータを収集するように構成された加速度計をさらに含み、コンピューティングシステムは、モーションデータを検出された信号と照合して発生の可能性を推論するように構成される、
請求項１～３３のいずれか１つに記載のモニタ。
モニタは心臓モニタであり、連続信号は心電信号であり、発生は不整脈事象である、
請求項１～３４のいずれか１つに記載のモニタ。
コンピュータ実行可能命令の第１のサブセットは、ニューラルネットワークの層の第１のサブセットを含み、コンピュータ実行可能命令の第２のサブセットは、ニューラルネットワークの層の第２のサブセットを含む、
請求項１～３５のいずれか１つに記載のモニタ。
ユーザの特徴の尤度を推論するモニタであって、
モニタは、
水密ハウジングと、
哺乳動物に密封可能に係合するように構成されたハウジング上の表面と、
少なくとも７日間、モニタリングが完了するまで除去せずに哺乳動物に継続して貼り付けられたままであるように構成された表面上の接着剤と、
表面が哺乳動物に密封可能に係合する間に哺乳動物の連続心拍信号を検出するように配置され、ハウジング内に恒久的に配置された少なくとも２つの電極と、
検出された心拍信号をエンコーダを介して処理するように構成されたハードウェアプロセッサを含む、プリント回路基板アセンブリであって、エンコーダはコンピュータ実行可能命令の第１のサブセットを含む、プリント回路基板アセンブリと、
送信機と、を含み、
送信機は、コンピュータ実行可能命令の第１のサブセットのデータ出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、デコーダを介してデータ出力を処理して不整脈の発生の可能性を推論するように構成され、デコーダはコンピュータ実行可能命令の第２のサブセットを含む、
モニタ。
コンピューティングシステムは、レポートを提供するようにさらに構成され、レポートは、心不整脈の発生の可能性を含む、
請求項１～３７のいずれか１つに記載のウェアラブル装置。
レポートは、心房細動負担の経時的なグラフを含む、
請求項１～３８のいずれか１つに記載のウェアラブル装置。
レポートは、心房細動の存在の徴候を含む、
請求項１～３９のいずれか１つに記載のウェアラブル装置。
レポートは少なくとも１４日間のモニタリング期間を含む、
請求項１～４０のいずれか１つに記載のウェアラブル装置。
コンピューティングシステムは、サーバまたはゲートウェイである、
請求項１～４１のいずれか１つに記載のウェアラブル装置。
コンピューティングシステムは、スマートフォンである、
請求項１～４２のいずれか１つに記載のウェアラブル装置。
コンピューティングシステムは、スマートフォンの仲介を介して送信機と通信する、
請求項１～４３のいずれか１つに記載のウェアラブル装置。
ウェアラブル装置は、二次信号を収集するように構成され、ハードウェアプロセッサは、ニューラルネットワークの層の第１のサブセットを介して二次信号を処理するように構成される、
請求項１～４４のいずれか１つに記載のウェアラブル装置。
ユーザの動作は、第１の度合いの動作と第２の度合いの動作とを含む、
請求項１～４５のいずれか１つに記載のウェアラブル装置。
二次信号は、電極の接触の優良性データである、
請求項１～４６のいずれか１つに記載のウェアラブル装置。
電極とハードウェアプロセッサは、胸ストラップの中に収納されている、
請求項１～４７のいずれか１つに記載のウェアラブル装置。
電極とハードウェアプロセッサは、人間の手首に装着されるように構成された腕時計の中に収納されている、
請求項１～４８のいずれか１つに記載のウェアラブル装置。
電極及びハードウェアプロセッサは、ウェアラブルフィットネスバンド内に収納されている、
請求項１～４９のいずれか１つに記載のウェアラブル装置。
ハードウェアプロセッサは、ウェアラブル装置から取り外され、ウェアラブル装置から取り外された状態で変更されるように構成される、
請求項１～５０のいずれか１つに記載のウェアラブル装置。
出力を数値化することは、出力の値を四捨五入する又は切り捨てるステップを含む、
請求項１～５１のいずれか１つに記載のウェアラブル装置。
出力に対する数値化の量は、可逆圧縮性能に基づく、
請求項１～５２のいずれか１つに記載のウェアラブル装置。
出力に対する数値化の量は、処理能力、ストレージ、またはネットワークの使用量、のうちの少なくとも１つ、に関する効率、およびニューラルネットワークの精度に基づく、
請求項１～５３のいずれか１つに記載のウェアラブル装置。
ニューラルネットワークは、ニューラルネットワークの層の第１のサブセットの出力に数値化を適用することによってトレーニングされる、
請求項１～５４のいずれか１つに記載のウェアラブル装置。
ニューラルネットワークは、ニューラルネットワークの層の第１のサブセットの出力に可逆圧縮を適用することによってトレーニングされる、
請求項１～５５のいずれか１つに記載のウェアラブル装置。
ニューラルネットワークは、ニューラルネットワークの層の第１のサブセットの出力に数値化および可逆圧縮を適用することによってトレーニングされる、
請求項１～５６のいずれか１つに記載のウェアラブル装置。
ニューラルネットワークは、数値化および可逆圧縮を行わずにトレーニングされて第１のニューラルネットワークを生成し、第１のニューラルネットワークは、ニューラルネットワークの層の第１のサブセットの出力に数値化および可逆圧縮を適用してトレーニングされて、第２のニューラルネットワークを生成する、
請求項１～５７のいずれか１つに記載のウェアラブル装置。
データをモニタするためのウェアラブル装置であって、
ウェアラブル装置は、
ユーザから心電信号を検出するように構成されたセンサと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は第１のサブセットの出力をコンピューティングシステムに送信するように構成されており、
コンピューティングシステムはニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈の発生の可能性を推論するように構成される、
ウェアラブル装置。
心不整脈の発生の可能性を推定するためのコンピューティングシステムであって、
コンピューティングシステムは、
ユーザからの心電信号を検出するように構成されたセンサを含むウェアラブル装置からデータを受信するように構成された１つ以上の第１のハードウェアプロセッサと、
検出された心電信号をニューラルネットワークの層の第１のサブセットを介して処理し、受信したデータをニューラルネットワークの層の第２のサブセットを介して処理し、層の第２のサブセットの出力から、心不整脈の発生の可能性の推論を受信するように構成された１つ以上の第２のハードウェアプロセッサと、を含む、
コンピューティングシステム。
データをモニタリングする方法であって、
方法は、
ユーザから心電信号を検出するステップと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するステップと、
第１のサブセットの出力をコンピューティングシステムに送信するステップと、を含み、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈発生の可能性を推論する、
方法。
コンピュータ実行可能命令を収納する非一時的コンピュータ記憶媒体であって、
プロセッサによって実行されると、コンピュータ実行可能命令は、プロセッサに、
ユーザから心電信号を検出するステップと、
検出された心電信号をニューラルネットワークの層の第１のサブセットを介して処理するステップと、
第１のサブセットの出力をコンピューティングシステムに送信するステップと、を実行させ、
コンピューティングシステムは、出力をニューラルネットワークの層の第２のサブセットを介して処理して心不整脈発生の可能性を推論する、
非一時的コンピュータ記憶媒体。
ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングする方法であって、
方法は、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第２の特質を識別するように第１および第２のニューラルネットワークを同時にトレーニングするステップと、を含む、
方法。
ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングするシステムであって、
システムは、ウェアラブル心臓モニタ装置を含み、
ウェアラブル心臓モニタ装置は、
水密ハウジングと、
哺乳動物に密封可能に係合するように構成されたハウジング上の表面と、
少なくとも７日間、モニタリングが完了するまで除去せずに哺乳動物に継続して貼り付けられたままであるように構成された表面上の接着剤と、
表面が哺乳動物に密封可能に係合する間に哺乳動物の連続心拍信号を検出するように位置付けられた、ハウジング内に恒久的に配置された少なくとも２つの電極と、
検出された心拍信号をニューラルネットワークの層の第１のサブセットを介して処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、出力をニューラルネットワークの層の第２のサブセットを介して処理することによって心不整脈の発生の可能性を推論するように構成され、
システムは、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１のニューラルネットワークおよび第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第２の特質を識別するように第１および第２のニューラルネットワークを同時にトレーニングするステップと、
によってニューラルネットワークをトレーニングするように構成される、
システム。
ユーザの生体信号データをモニタするためのウェアラブル装置であって、
ウェアラブル装置は、
ハウジングとウィングとを含む接着アセンブリであって、ウィングは、ユーザからの心電信号を検出するように構成された電極を含む、接着アセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理してＱＴ間隔を推論するように構成される、
ウェアラブル装置。
ユーザの特徴の尤度を推論するようにニューラルネットワークをトレーニングするためのシステムであって、
システムはウェアラブル装置を含み、
ウェアラブル装置は、
ユーザからの心電信号を検出するように構成された電極を含むアセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットを介して出力を処理して心不整脈の発生の可能性を推論するように構成され、
システムは、
第１のニューラルネットワークを介して第１の時間期間の第１のトレーニングデータを処理することによって第１の特質を識別するように第１のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結するステップと、
第１のニューラルネットワークおよび第２のニューラルネットワークを介して、第１の時間期間より長い第２の時間期間の第２のトレーニングデータを処理することによって第２の特質を識別するように第２のニューラルネットワークをトレーニングするステップと、
第１のニューラルネットワークの重みを凍結解除するステップと、
第１および第２のニューラルネットワークを介して、第１の時間期間より長い第３の時間期間の第３のトレーニングデータを処理することによって第２の特質を識別するように第１および第２のニューラルネットワークを同時にトレーニングするステップと、
によってニューラルネットワークをトレーニングするように構成される、
システム。
コンピューティングシステムは、ニューラルネットワークの層の第２のサブセットの出力からＥＣＧ信号を再構築することによって、ＱＴ間隔を推論する、
請求項１～６６のいずれか１つに記載のウェアラブル装置。
コンピューティングシステムは、複数のＱＴ間隔を含むエンコードされた特質のウィンドウからの平均ＱＴ間隔に基づいてＱＴ間隔を推論する、
請求項１～６７のいずれか１つに記載のウェアラブル装置。
ユーザの生体信号データをモニタするためのウェアラブル装置であって、
ウェアラブル装置は、
ハウジング及びウィングを含む接着アセンブリであって、ウィングは、ユーザからの心電信号を検出するように構成された電極を含む、接着アセンブリと、
ニューラルネットワークの層の第１のサブセットを介して検出された心電信号を処理するように構成されたハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ある期間にわたる複数の拍動に基づくテンプレートビートを生成するために構成される、
ウェアラブル装置。
ユーザの生体信号データをモニタするためのウェアラブル装置であって、
ウェアラブル装置は、
ユーザからの心電信号を検出するように構成された電極を含むアセンブリと、
検出された心電信号をニューラルネットワークの層の第１のサブセットを介して処理するように構成されたハードウェアプロセッサであって、ニューラルネットワークの層の第１のサブセットの出力がＲＲピーク間隔を含み、ＲＲピーク間隔が２つの連続したＲピーク間の経過時間を含む、ハードウェアプロセッサと、
送信機と、を含み、
送信機は、第１のサブセットの出力をコンピューティングシステムに送信するように構成され、
コンピューティングシステムは、ニューラルネットワークの層の第１のサブセットの出力におけるＲＲピーク間隔を、ニューラルネットワークの層の第２のサブセットを介して処理することによって、心不整脈の発生の可能性を推論するように構成される、
ウェアラブル装置。
ニューラルネットワークの層の第１のサブセットは、重複するスライディングウィンドウを使用してＲＲ間隔サブシーケンスを抽出し、検出された心電信号上でスライディングウィンドウをシフトさせることによって、ＲＲピーク間隔のシーケンスを生成する、
請求項１～６６のいずれか１つに記載の方法。