JP7267311B2 - ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー - Google Patents

ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー Download PDF

Info

Publication number
JP7267311B2
JP7267311B2 JP2020570058A JP2020570058A JP7267311B2 JP 7267311 B2 JP7267311 B2 JP 7267311B2 JP 2020570058 A JP2020570058 A JP 2020570058A JP 2020570058 A JP2020570058 A JP 2020570058A JP 7267311 B2 JP7267311 B2 JP 7267311B2
Authority
JP
Japan
Prior art keywords
data
processor
wearable device
accelerometer
patient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020570058A
Other languages
English (en)
Other versions
JP2021527498A (ja
Inventor
アゼヴェド ロベルト
ピー． ボブラ ニラジュ
デュア アディティア
エクス． リー ロニー
エー． ウィークス ウィリアム
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.)
Otsuka Pharmaceutical Co Ltd
Original Assignee
Otsuka Pharmaceutical Co Ltd
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 Otsuka Pharmaceutical Co Ltd filed Critical Otsuka Pharmaceutical Co Ltd
Publication of JP2021527498A publication Critical patent/JP2021527498A/ja
Priority to JP2023068437A priority Critical patent/JP2023099037A/ja
Application granted granted Critical
Publication of JP7267311B2 publication Critical patent/JP7267311B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438—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
    • A61B5/07—Endoradiosondes
    • A61B5/073—Intestinal transmitters
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/6861—Capsules, e.g. for swallowing or implanting
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G01C22/006—Pedometers
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • 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
    • A61B2560/0204—Operational features of power management
    • A61B2560/0209—Operational features of power management adapted for power saving
    • 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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • 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
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/112—Gait analysis
    • 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
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients

Description

関連出願の相互参照
本願は、２０１８年６月１５日に出願された、表題「ＬＯＷ ＰＯＷＥＲ ＲＥＣＥＩＶＥＲ ＦＯＲ ＩＮ ＶＩＶＯ ＣＨＡＮＮＥＬ ＳＥＮＳＩＮＧ ＡＮＤ ＩＮＧＥＳＴＩＢＬＥ ＳＥＮＳＯＲ ＤＥＴＥＣＴＩＯＮ ＷＩＴＨ ＷＡＮＤＥＲＩＮＧ ＦＲＥＱＵＥＮＣＹ」の米国仮特許出願第６２／６８５，８７８号の優先権を主張し、その全内容は参照により全体として本明細書中に組み込まれる。
ウェアラブルレシーバーアセンブリを利用して、インジェスティブルイベントマーカー（ＩＥＭ）及び／又は他の生理学的メトリックから個体を通して伝達されるシグナルを検出することができる。そのようなレシーバーアセンブリの様々な例は、ファームウェア及び電子機器を含む再利用可能な部品と、電極及び電源を含む使い捨ての粘着性ストリップ部品とを特徴とし得る。ＩＥＭや他の生理学的メトリックからのデータ解析には課題がある。
一例では、患者のステップカウントを決定するためのシステムが提供される。このシステムは、ウェアラブルデバイスと、前記ウェアラブルデバイス及び前記ウェアラブルデバイスと通信可能に連結されたリモートデバイスのうちの少なくとも１つのプロセッサとを備える。ウェアラブルデバイスは加速度計を備え、ウェアラブルデバイスは、患者の身体に連結されるように構成され、少なくとも加速度計を利用して不連続データを検出するように構成される。不連続データは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者の生理学的データのフレームとを含む。プロセッサは、検出された生理学的データを用いて８０～１５０歩／分の速度範囲内でステップカウントを決定するように構成され、少なくとも１０００歩にわたって測定して、平均誤差は±３パーセントである。
別の例では、非一時的メモリに連結されたプロセッサを備えるウェアラブルデバイスが提供される。非一時的メモリは、プロセッサで実行される場合、プロセッサに、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者の生理学的データのフレームとを含む不連続データを受信させる、マシンで実行可能な命令を含み、検出された生理学的データを用いて８０～１５０歩／分の速度範囲でステップカウントを決定し、少なくとも１０００歩にわたって測定して平均誤差は±３パーセントである。
さらに別の例では、不連続データから患者のステップカウントを決定するための方法が提供される。この方法は、インジェスティブルセンサデータのフレームとインジェスティブルセンサデータのフレーム間のタイムギャップに散在する生理学的データのフレームとを含む不連続データを受信することを含む。生理学的データは、加速度計からの加速度計データを含む。この方法は、加速度計データを強化し、強化された加速度計データにおけるレベルクロッシングの数を計算し、それによってステップカウントを得ることを含む。
一例では、向きを自動的に決定するためのシステムが提供される。このシステムは、ウェアラブルデバイスと、前記ウェアラブルデバイス及び前記ウェアラブルデバイスと通信可能に連結されたリモートデバイスのうちの少なくとも１つのプロセッサとを備える。ウェアラブルデバイスは加速度計を備える。ウェアラブルデバイスは、患者の身体に連結されるように構成され、少なくとも加速度計を利用して不連続データを検出するように構成される。不連続データは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者の生理学的データのフレームとを含む。プロセッサは、検出された生理学的データを利用して患者の身体に対するウェアラブルデバイスの向きを自動的に決定するように構成される。
別の例では、非一時的メモリに連結されたプロセッサを備えるウェアラブルデバイスが提供される。非一時的メモリは、プロセッサで実行される場合、プロセッサに、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者の生理学的データのフレームとを含む不連続データを受信させる、マシンで実行可能な命令を含み、前記生理学的データは、加速度計データを含み、この加速度計データを利用して患者の身体に対するウェアラブルデバイスの向きを自動的に決定する。
さらに別の例では、向きを自動的に決定するための方法が提供される。この方法は、インジェスティブルセンサデータのフレームとインジェスティブルセンサデータのフレーム間のタイムギャップに散在された生理学的データのフレームとを含む不連続データを受信することを含み、前記生理学的データはウェアラブルデバイスからの加速度計データを含む。この方法はまた、加速度計データを利用して患者の身体に対するウェアラブルデバイスの向きを自動的に決定することも含む。
一例では、患者の心拍数を決定するためのシステムが提供される。システムは、電極を備えるウェアラブルデバイスを備える。ウェアラブルデバイスは、患者の身体に連結されるように構成され、少なくとも電極を利用して不連続データを検出するように構成される。不連続データは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者の生理学的データのフレームとを含む。このシステムはまた、前記ウェアラブルデバイス及び前記ウェアラブルデバイスと通信可能に連結されたリモートデバイスのうちの少なくとも１つのベクトルコプロセッサも備える。ベクトルコプロセッサは、生理学的データのフレームを強化するように構成される。このシステムはまた、前記ウェアラブルデバイス及び前記リモートデバイスのうちの少なくとも１つのプロセッサも備える。プロセッサは、生理学的データの強化フレームを使用して患者の心拍数を決定するように構成される。
別の例では、非一時的メモリに連結されたプロセッサを備えるウェアラブルデバイスが提供される。非一時的メモリは、プロセッサ及び／又はベクトルコプロセッサで実行される場合、前記プロセッサ及び／又はコプロセッサに、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者の生理学的データのフレームとを含む不連続データを受信させ、コプロセッサによって生理学的データのフレームを強化させ、そしてプロセッサによって、生理学的データの強化フレームを使用して患者の心拍数を決定させる、マシンで実行可能な命令を含む。
さらに別の例では、患者の心拍数を決定するための方法が提供される。この方法は、少なくとも電極を利用して不連続データを受信することを含む。不連続データは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者の生理学的データのフレームとを含む。この方法はまた、コプロセッサによって生理学的データのフレームを強化し、プロセッサによって、生理学的データの強化フレームを使用して患者の心拍数を決定することも含む。
一例では、不連続データにおけるレベルクロッシングを決定するためのシステムが提供される。このシステムは、ウェアラブルデバイスと、前記ウェアラブルデバイス及び前記ウェアラブルデバイスと通信可能に連結されたリモートデバイスのうちの少なくとも１つのプロセッサとを備える。ウェアラブルデバイスは、患者の身体に連結されるように構成され、連続データを検出するように構成される。不連続データは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者からの生理学的データのフレームとを含む。プロセッサは、生理学的データのフレームにおける境界効果を取り扱い、レベルクロッシングの数を計算するように構成される。
別の例では、非一時的メモリに連結されたプロセッサを備えるウェアラブルデバイスが提供される。非一時的メモリは、プロセッサによって実行された場合、プロセッサに、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップにおいて散在する患者からの生理学的データのフレームとを含む不連続データを受信させ、生理学的データのフレームにおける境界効果を取り扱わせ、生理学的データにおけるレベルクロッシングの数を計算させる、マシンで実行可能な命令を含む。
さらに別の例では、不連続データにおけるレベルクロッシングの数を決定する方法が提供される。この方法は、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップにおいて散在する患者からの生理学的データのフレームとを含む不連続データを受信することと、生理学的データのフレームにおける境界効果を取り扱い、不連続データにおけるレベルクロッシングの数を計算することとを含む。
一例では、患者の心拍数変動性を決定するためのシステムが提供される。このシステムは、ウェアラブルデバイスと、前記ウェアラブルデバイス及び前記ウェアラブルデバイスと通信可能に連結されたリモートデバイスのうちの少なくとも１つのプロセッサとを備える。ウェアラブルは、電極デバイスを備え、患者の身体に連結されるように構成され、少なくとも電極を利用して不連続データを検出するように構成される。不連続データは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップにおいて散在する患者からの生理学的データのフレームとを含む。プロセッサは、生理学的データのフレームの少なくとも２つをあわせてブロックにグループ化し、このブロックを利用して患者の心拍数変動性を決定するように構成される。
別の例では、非一時的メモリに連結されたプロセッサを備えるウェアラブルデバイスが提供される。非一時的メモリは、プロセッサによって実行された場合、プロセッサに、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップにおいて散在する患者からの生理学的データのフレームとを含む不連続データを受信させ、生理学的データのフレームの少なくとも２つをあわせてブロックにグループ化し、このブロックを利用して患者の心拍数変動性を決定させる、マシンで実行可能な命令を含む。
さらに別の例では、患者の心拍数変動性を決定するための方法が提供される。この方法は、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップにおいて散在する患者からの生理学的データのフレームとを含む不連続データを受信し、生理学的データのフレームの少なくとも２つをあわせてブロックにグループ化し、このブロックを利用して患者の心拍数変動性を決定することを含む。
一例では、患者の安静を判定するためのシステムが提供される。このシステムは、ウェアラブルデバイスと、前記ウェアラブルデバイス及び前記ウェアラブルデバイスと通信可能に連結されたリモートデバイスのうちの少なくとも１つのプロセッサとを備える。ウェアラブルデバイスは加速度計を備え、ウェアラブルデバイスは、患者の身体に連結されるように構成され、少なくとも加速度計及び電極を利用して不連続データを検出するように構成される。不連続データは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップにおいて散在する患者からの生理学的データのフレームとを含む。生理学的データは、加速度計からの加速度計データを含む。プロセッサは、加速度計データに基づいて患者が安静にしていると判定するように構成される。
別の例では、非一時的メモリに連結されたプロセッサを備えるウェアラブルデバイスが提供される。非一時的メモリは、プロセッサによって実行された場合、プロセッサに、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップにおいて散在する患者からの生理学的データのフレームとを含む不連続データを受信させ、加速度計データに基づいて患者が安静にしていると判定させる、マシンで実行可能な命令を含む。
さらに別の例では、患者の安静を判定するための方法が提供される。この方法は、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者からの生理学的データのフレームとを含む不連続データを受信し、加速度計データに基づいて患者が安静にしていると判定することを含む。
本明細書中に記載する様々な態様の新規特徴は、添付の特許請求の範囲で詳細に記載されている。しかしながら、構成及び操作方法の両方に関する様々な態様は、以下の添付の図面とあわせて以下の説明を参照することにより、よりよく理解できる。
図１は、本開示によるウェアラブルデバイスを示すシステム図である。
図２は、本開示によるウェアラブルデバイスの正面図を示す。
図３は、本開示による各軸の個々のトレースを含む加速度計データを示す。
図４Ａは、比較アルゴリズムによる加速度計データの様々なタイプの解析を示す。 図４Ｂは、比較アルゴリズムによる加速度計データの様々なタイプの解析を示す。 図４Ｃは、比較アルゴリズムによる加速度計データの様々なタイプの解析を示す。 図４Ｄは、比較アルゴリズムによる加速度計データの様々なタイプの解析を示す。 図４Ｅは、比較アルゴリズムによる加速度計データの様々なタイプの解析を示す。
図５は、比較アルゴリズムによって解析される加速度計データのプロットを示す。
図６は、本開示による加速度計データからのステップカウント決定を示すフローチャートである。
図７Ａは、本開示による２ブロックの加速度データからのステップカウント決定を示すフローチャートである。 図７Ｂは、本開示による２ブロックの加速度データからのステップカウント決定を示すフローチャートである。
図８は、本開示による、歩いたかどうか、又は加速度計データが他の活動を示すものであるか否かを判定するための加速度計データの強化を示すプロットである。
図９は、本開示によるレベルクロッシングを決定するための状態マシンを示すブロック図である。
図１０Ａは、比較アルゴリズム及び本開示によるステップカウントアルゴリズムによる加速度データの様々なタイプの解析を示す。 図１０Ｂは、比較アルゴリズム及び本開示によるステップカウントアルゴリズムによる加速度データの様々なタイプの解析を示す。 図１０Ｃは、比較アルゴリズム及び本開示によるステップカウントアルゴリズムによる加速度データの様々なタイプの解析を示す。 図１０Ｄは、比較アルゴリズム及び本開示によるステップカウントアルゴリズムによる加速度データの様々なタイプの解析を示す。 図１０Ｅは、比較アルゴリズム及び本開示によるステップカウントアルゴリズムによる加速度データの様々なタイプの解析を示す。
図１１Ａは、本開示による閾値を調節した加速度計データを示すプロットである。 図１１Ｂは、本開示による閾値を調節した加速度計データを示すプロットである。 図１１Ｃは、本開示による閾値を調節した加速度計データを示すプロットである。
図１２Ａは、歩行から得られた加速データのプロットであり、図１２Ｂは、本開示による図１２Ａの加速データから得られた自己相関データのプロットである。
図１３Ａ～図１３Ｂは、本開示による様々な活動の自己相関データのプロットである。
図１４は、様々な歩数計及び、比較アルゴリズムと本開示によるステップカウントアルゴリズムとを含むウェアラブルデバイスによる出力としての様々な患者の報告されたステップカウント速度のプロットを示す。
図１５は、本開示による不連続データのブロック図である。
図１６は、本開示による加速度計データのサブフレームのプロットである。
図１７は、境界効果を示す加速度計データのサブフレームのプロットである。
図１８は、勾配変化を示す加速度計データのサブフレームを示す。
図１９は、ウェアラブルデバイスのプロセッサで処理されたステップカウントアルゴリズム及び本開示によるリモートデバイス上のウェアラブルデバイスからの生加速度計データを後処理するＭＡＴＬＡＢモデルから出力されたステップカウント値を示す。
図２０Ａはトータル活動データのプロットである。 図２０Ｂは、ボックスカーフィルタリング前後の加速データのプロットである。
図２１Ａは、本開示によりＡＣＲでビンを満たすことによる基準ベクトルの生成を示すブロック図である。 図２１Ｂは、本開示によりＡＣＲでビンを満たすことによる基準ベクトルの生成を示すブロック図である。 図２１Ｃは、本開示によりＡＣＲでビンを満たすことによる基準ベクトルの生成を示すブロック図である。 図２１Ｄは、本開示によりＡＣＲでビンを満たすことによる基準ベクトルの生成を示すブロック図である。
図２２Ａは、欠測データの大きなブロックを示す心拍数データのプロットであり、図２２Ｂは、図２２Ａのデータに対応する経時的なボディアングルのプロットであり、図２２Ｃは、以前の比較アルゴリズムでは無視された生ＥＣＧデータのプロットである。
図２３は、本開示によるＥＣＧデータの受信及び処理を示すフローチャートである。
図２４は、本開示によるＥＣＧデータの強化を示すフローチャートである。
図２５は、本開示によるハイパスフィルタの応答の程度を示すプロットである。
図２６は、本開示によるローパスフィルタの応答の程度を示すプロットである。
図２７は、本開示によるデリバティブフィルタの応答の程度を示すプロットである。
図２８は、本開示によるボックスカーフィルタに対する応答の程度を示すプロットである。
図２９Ａ～図２９Ｆは、本開示による、ダウンサンプリングを含むベクトルコプロセッサによる生ＥＣＧデータから強化ＥＣＧデータへの変換を示すプロットである。
図３０Ａ～図３０Ｇは、本開示によるベクトルコプロセッサによる生ＥＣＧデータから強化ＥＣＧデータへの変換を示すプロットである。
図３１は、本開示によるＥＣＧデータの正規化を示すブロック図である。
図３２は、本開示によるＥＣＧデータフレームのサブフレームへのバッファーの分配を示すブロック図である。
図３３は、本開示によるプロセッサにおける強化ＥＣＧデータの処理を示すフローチャートである。
図３４は、本開示にかかるピークファインダーアルゴリズムの状態マシンを示すブロック図である。
図３５Ａ～図３５Ｂは、本開示によるピークファインダーアルゴリズム及びピーク精緻化を示すプロットである。
図３６Ａは、本開示による適応的閾値化を示すプロットである。 図３６Ｂは、本開示による適応的閾値化を示すプロットである。 図３６Ｃは、本開示による適応的閾値化を示すプロットである。 図３６Ｄは、本開示による適応的閾値化を示すプロットである。 図３６Ｅは、本開示による適応的閾値化を示すプロットである。
図３７は、本開示によるＴ波拒否を示すプロットである。 図３８は、本開示によるＴ波拒否を示すプロットである。 図３９は、本開示によるＴ波拒否を示すプロットである。
図４０は、本発明による様々なＥＣＧデータのプロットである。
図４１は、比較アルゴリズム及び本開示によるＨＲアルゴリズムの感度のプロットである。
図４２は、比較アルゴリズム及び本開示によるＨＲアルゴリズムの正の予測性データのプロットである。
図４３Ａ～図４３Ｃは、本開示によるＨＲアルゴリズムにおいて、様々な追加ノイズを有し、品質フィルタをオンにした、ＭＩＴ－ＢＩＨ不整脈データベースにおける全４８レコードにわたって感度平均化した結果のプロットである。
図４４Ａは、本開示によるＨＲアルゴリズム及び比較心拍数モニタを使用して測定される、様々な患者のＥＣＧデータのプロットである。 図４４Ｂは、本開示によるＨＲアルゴリズム及び比較心拍数モニタを使用して測定される、様々な患者のＥＣＧデータのプロットである。 図４４Ｃは、本開示によるＨＲアルゴリズム及び比較心拍数モニタを使用して測定される、様々な患者のＥＣＧデータのプロットである。 図４４Ｄは、本開示によるＨＲアルゴリズム及び比較心拍数モニタを使用して測定される、様々な患者のＥＣＧデータのプロットである。 図４４Ｅは、本開示によるＨＲアルゴリズム及び比較心拍数モニタを使用して測定される、様々な患者のＥＣＧデータのプロットである。
図４５Ａは、様々な活動中のＥＣＧデータのプロットである。 図４５Ｂは、様々な活動中のＥＣＧデータのプロットである。 図４５Ｃは、様々な活動中のＥＣＧデータのプロットである。 図４５Ｄは、様々な活動中のＥＣＧデータのプロットである。
図４６は、本開示によるＨＲＶメトリックを決定するためのＥＣＧデータの処理を示すフローチャートである。
図４７は、本開示によるＨＲＶメトリックの比較のデータフローを示すフローチャートである。
図４８は、本開示による患者５についてのＨＲＶメトリックを示すプロットである。
図４９は本開示に従って安静を判定するためのフローチャートである。
図５０は、図４９の断続非活動計算のためのブロックを示す詳細なフローチャートである。
開示された項目及び方法の構造、機能、及び使用の全般的な理解のために、様々な例を本明細書中で記載し、説明する。本明細書中で記載し、説明する様々な例は非限定的かつ非網羅的である。したがって、本発明は、本明細書中で開示する様々な非限定的かつ非網羅的例の記載によって限定されない。むしろ、本発明は、特許請求の範囲によってのみ規定される。様々な例と関連して説明及び／又は記載する特徴及び特性を、他の例の特徴及び特性を組み合わせてもよい。そのような修正及び変更は本明細書の範囲内に含まれることが意図される。そのため、特許請求の範囲は、本明細書に明示的若しくは本質的に記載されているか、又は本明細書に明示的若しくは本質的にサポートされている、任意の特徴又は特性を列挙するように補正することができる。さらに、出願人は、先行技術に存在し得る特徴又は特性を積極的に放棄するように請求項を補正する権利を保有する。本明細書に開示され記載されている様々な例は、本明細書中で様々に記載されている特徴及び特性を含み得るか、これらからなり得るか、又は本質的にこれらからなり得る。
本明細書における「様々な例」、「いくつかの例」、「１つの例」、「一例」、又は同様の語句の言及は、前記例と関連して記載される特定の特徴、構造、又は特性が少なくとも１つの例に含まれることを意味する。したがって、明細書に出現する「様々な例において」、「いくつかの例において」、「１つの例において」、「一例において」、又は同様の語句は、必ずしも同じ例を指すとは限らない。さらに、特定の記載された特徴、構造、又は特性は、１つ以上の例において、任意の好適な方法で組み合わせることができる。したがって、１つの例と関連して説明又は記載された特定の特徴、構造、又は特性を、全体で又は一部で、限定されることなく１つ以上の他の例の特徴、構造、又は特性と組み合わせることができる。そのような修正及び変更は本例の範囲内に含まれることが意図される。
本明細書では、特に明記しない限り、すべての数値パラメータは、すべての場合において「約」という語が先行して修飾すると理解されるべきであり、数値パラメータは、パラメータの数値を決定するために使用される基礎となる測定技術の固有の変動特性を有する。少なくとも、そして特許請求の範囲に対する均等論の適用を限定する試みとしてではなく、本明細書中で記載する各数値パラメータは、少なくとも報告された有効桁数に照らして、通常の丸め技術を適用することによって解釈されるべきである。
また、本明細書中で列挙される任意の数値範囲は、列挙された範囲内に組み込まれるすべての部分範囲を含む。例えば、「１～１０」の範囲は、記載された最小値の１と記載された最大値１０との間（両端を含む）、すなわち、１以上の最小値と１０以下の最大値とを有するすべての部分範囲を含む。本明細書中で記載する任意の最大数値限定は、その中に組み込まれるすべてのより低い数値限定を含むことが意図され、本明細書中で記載する任意の最小数値限定は、その中に組み込まれるすべてのより高い数値限定を含むことが意図される。したがって、出願人は、明示的に記載された範囲内に組み込まれる任意の部分範囲を明示的に記載するように、特許請求の範囲を含む本明細書を補正する権利を保有する。すべてのそのような範囲は、本明細書中に本質的に記載されている。
特に明記しない限り、「少なくとも１つ」又は「１つ以上」がある特定の例で明示的に使用されている場合でも、文法的冠詞「ａ」、「ａｎ」、及び「ｔｈｅ」は、本明細書中で使用する場合、「少なくとも１つ」又は「１つ以上」を含むことが意図される。したがって、前述の文法的冠詞は、本明細書では、具体的に特定された要素の１つ又は複数（すなわち、「少なくとも１つ」）を指すために用いられる。さらに、使用法の文脈で別段の要求がない限り、単数名詞の使用は複数を含み、複数名詞の使用は単数を含む。
ウェアラブルデバイスは、患者の身体（例えば、皮膚）に連結（例えば、付着）させることができ、患者がデジタルメディスン（例えば、丸薬又は他の医薬製品中に埋め込まれた、インジェスティブルイベントマーカー（ＩＥＭ））を摂取したか否か、及び／又はＩＥＭによって生成したインジェスティブルセンサデータから摂取の頻度を決定することができる。インジェスティブルセンサデータは、患者の体液、例えば、胃酸と接触した後に、ＩＥＭから生成することができる。ウェアラブルデバイスは、生理学的メトリック、例えば、ステップカウント、ボディアングル、心拍数、心拍数変動性、安静、及び安静時の心拍数を決定することもできる。ウェアラブルデバイスは、バッテリ駆動であり得、限られたリソース、例えば、メモリ、バッテリ寿命、計算能力、及び通信帯域幅などを有し得るが、ウェアラブルデバイスは、ＩＥＭ（例えば、高周波、体内電気シグナル－１０ＫＨｚ以上）を含む患者によるデジタルメディスンのすべての摂取を検出し、また様々なタイプの生理学的データ（例えば、高解像度センサデータ、例えば、心電図（ＥＣＧ）データ及び加速度計データ）を検出及び／又は受信する必要があり得る。高パフォーマンス要件であるが限られたリソースの故に、ウェアラブルデバイス及び／又はウェアラブルデバイスを備えるシステムのパフォーマンスを最適化し、バッテリ寿命を改善するために、様々なアルゴリズム及び他の技術革新が本明細書中で提示されている。
様々なアルゴリズム（例えば、ステップカウントアルゴリズム、ボディアングルアルゴリズム、心拍数アルゴリズム、ピークファインダーアルゴリズム、適応的閾値化アルゴリズム、心拍数変動性アルゴリズム、Ｒ－Ｒクリーニングアルゴリズム、デルタＲ－Ｒクリーニングアルゴリズム、マージツインインターバルアルゴリズム、スプリットトールインターバルアルゴリズム、アブソーブショートインターバルアルゴリズム、二峰性検出アルゴリズム、安静時アルゴリズム）及び他の技術革新は、ウェアラブルデバイスで単独であり得るか、又はウェアラブルデバイス及びリモートデバイス（例えば、ペアモバイルデバイス、バックエンドサーバー、クラウド）にわたって分配することもできる。様々なアルゴリズムを、ウェアラブルデバイスのプロセッサ及び／又はリモートデバイスのプロセッサによって実行できる。リモートデバイスはリソースの制約が少ない場合もあるが、リモートデバイスは、パッチによって後処理された低解像度のデータを受信する場合があり、これは、生理学的メトリックの精度に影響を与える可能性がある。このように、様々なアルゴリズム及び他の技術革新は、ウェアラブルデバイスの限られたリソースと、例えばＡＮＳＩ ＥＣ－１３のような高精度の生理学的メトリックの必要性とのバランスをとることができる。
ウェアラブルデバイス及び／又はウェアラブルデバイスを含むシステムは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する患者の生理学的データのフレームとを含む不連続データを検出及び／又は受信するように構成することができる。異なるタイプの生理学的データを、並行して、検出、受信、及び／又は処理することができ、一方、インジェスティブルセンサデータを生理学的データと直列に、検出、受信、及び／又は処理することができる。すなわち、ウェアラブルデバイスは、インジェスティブルセンサデータの検出、受信、及び／又は処理と、生理学的データの検出、受信及び／又は処理とを、迅速に切り替えることができる。インジェスティブルセンサデータ及び生理学的データは、連続的に検出、受信、及び／又は処理することができ、互いに時間的に平行でなくてもよい。生理学的データのフレームをつなぎ合わせ、及び／又はまとめて、患者がデジタルメディスンを摂取したか否かを検出しつつ、正確な生理学的メトリックを得ることは、課題となり得る。
したがって、患者がデジタルメディスンを摂取したか否かを検出しつつ、生理学的メトリックの正確性を増大させることができる、及び／又はウェアラブルデバイスのパフォーマンスを改善することができる、本開示の例は、本開示による様々なアルゴリズムを含み得る。本開示の例は、不連続データを正確に処理することができ、これにより、メモリ要件の低減及び処理要件の低減が可能になり得る。
利用されるデータのフレームは、ウェアラブルデバイス及び／又はウェアラブルデバイスを含むシステムの所望の消費電力（例えば、バッテリ寿命）、所望の精度、及び／又は所望のデータ転送サイズに基づいて優先順位をつけることができる。様々な例において、ウェアラブルデバイス及び／又はウェアラブルデバイスを含むシステムは、インジェスティブルセンサデータのフレームを含む第１の連続データ及び生理学的データのフレームを含む第２の連続データを検出及び／又は受信するように構成することができる。
ウェアラブルデバイス構造
図１は、ウェアラブルデバイス１０２の一例のシステム図を示す。ウェアラブルデバイスは、患者の皮膚に取り外し可能に取り付けるように構成することができる。ウェアラブルデバイスは再ウェアラブルであり得るか、又はウェアラブルデバイスは使い捨て可能であり得る。ウェアラブルデバイス１０２は、使い捨て部品１１０及びエレクトロニクスモジュール１２０（例えば、再利用可能なエレクトロニクスモジュール）を含む少なくとも２つの部品を含み得る。使い捨て部品１１０及びエレクトロニクスモジュールの各々は、プリント回路板アセンブリ（ＰＣＢＡ）を備えることができる。エレクトロニクスモジュール１２０は、コンピューティングプラットフォーム１０８、プロセッサ１１１（例えば、マイクロコントローラユニット（ＭＣＵ））、ワイヤレス通信回路１０６、ユニバーサルシリアルバス１３４（ＵＳＢ）、加速度計（ＡＣＣ）１２２、メモリ１１２、ＬＥＤ１３６、３２ＫＨｚ水晶クロック（Ｘ－Ｔａｌ）１２６、外部デバイスとの通信接続を開始するために使用し得るユーザボタン１４０、及びセンサインターフェース１１６を備えることができる。様々な例において、エレクトロニクスモジュール１２０は、ジャイロスコープ、身体組成回路、ＳｐＯ２オキシメトリ回路、並びにＥＣＧシグナル、温度シグナル、及び加速度計シグナルを処理するための回路を含み得る。ＳｐＯ２パルスオキシメトリ回路は、酸素を輸送することができるヘモグロビンに対する酸化ヘモグロビンの割合を計算することによって動脈血の機能的酸素飽和度をモニタリングすることができる。ＳｐＯ２パルスオキシメトリ回路は、ＳｐＯ２の連続的非侵襲的測定を提供するように構成することができ、プレチスモグラフ波形を示すことができる。心拍数値はＳｐＯ２パルスオキシメトリシグナルから誘導することができる。エレクトロニクスモジュール２２０はまた、外部メモリへの接続ポート、外部センサへの接続ポート、及びハードウェアアクセラレータも備える。
エレクトロニクスモジュール１２０は、ウェアラブルデバイス１０２の様々な機能を実装するためのハードウェア構造とソフトウェアフレームワークとを備え得る、特定用途向け集積回路（ＡＳＩＣ）ベースのコンピューティングプラットフォーム１０８を備え得る。コンピューティングプラットフォーム１０８は、エレクトロニクスモジュール１２０のＰＣＢＡ上に配置することができ、これとインターフェースで連結することができる。使い捨て部品１１０は、エレクトロニクスモジュール１２０のＰＣＢＡとインターフェースで連結できる。エレクトロニクスモジュール１２０及び使い捨て部品１１０は、各々、それぞれの部品、１１０、１２０のＰＣＢＡ上に配置することができるか、又はそれぞれのモジュール、１１０、１２０のＰＣＢＡから除去することができる追加のモジュールを備えていてもよい。
コンピューティングプラットフォーム１０８は、様々なセンサ及びウェアラブルデバイス１０２の部品の組み合わせとインターフェースで連結するように設計された回路を備え得る。例えば、コンピューティングプラットフォーム１０８は、アナログフロントエンド、ベクトル／デジタルシグナル処理、マイクロプロセッサ及びメモリの組み合わせを、例えば、インジェスティブルイベントマーカーの検出、心電図（ＥＣＧ）シグナルの検知及びデコード、ＡＣ皮膚インピーダンス測定、（例えば、皮膚及び／又は周囲の）温度測定、ＤＣ皮膚インピーダンス（例えば、電気皮膚反応（ＧＳＲ））測定、加速度計測定、及び他の生物学／医療データセンサのためのソフトウェア無線などの、複数の機能を含み得る単一の低電力ＡＳＩＣ／チップで提供できる。
プロセッサ１１１は中央処理装置（ＣＰＵ）であり得る。プロセッサ１１１は、汎用プロセッサ、チップマルチプロセッサ（ＣＭＰ）、専用プロセッサ、組込みプロセッサ、デジタルシグナルプロセッサ（ＤＳＰ）、ネットワークプロセッサ、メディアプロセッサ、入力／出力（Ｉ／Ｏ）プロセッサ、メディアアクセス制御（ＭＡＣ）プロセッサ、無線ベースバンドプロセッサ、ベクトルコプロセッサ、マイクロプロセッサ、例えば、複数命令セットコンピュータ（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、及び／又は超長命令語（ＶＬＩＷ）マイクロプロセッサ、又は他の処理デバイスとして実装することができる。プロセッサはまた、コントローラ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックデバイス（ＰＬＤ）などにより実装することもできる。
プロセッサ１１１は、オペレーティングシステム（ＯＳ）及び様々なモバイルアプリケーションを実行するように構成することができる。例えば、ＯＳには、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ ＯＳの商品名で一般に知られているオペレーティングシステム、及び任意の他の専用又はオープンソースＯＳが含まれ得る。モバイルアプリケーションには、例えば、電話アプリ、カメラ（例えば、デジタルカメラ、ビデオカメラ）アプリ、ブラウザアプリ、マルチメディアプレーヤーアプリ、ゲームアプリ、メッセージングアプリ（例えば、電子メール、ショートメッセージ、マルチメディア）、ビューアーアプリなどが含まれ得る。プロセッサ１１１は、通信インターフェースを通して情報を受信するように配置することができる。通信インターフェースは、ウェアラブルデバイス１０２を１つ以上のネットワーク及び／又はデバイスに連結することができる、任意の好適なハードウェア、ソフトウェア、又はハードウェアとソフトウェアとの組み合わせを含み得る。
プロセッサ１１１は、例えば、他の部品の中でも、リアルタイムアプリケーションのための、ＡＲＭ Ｃｏｒｔｅｘ（商標）Ｍ３プロセッサ、シグナル処理アクセラレータ（例えば、ベクトルコプロセッサ）、例えば、Ｖｅｃｔｏｒ Ｍａｔｈ Ａｃｃｅｌｅｒａｔｏｒ、プログラムメモリ、データメモリ、シリアルインターフェース、例えば、ＳＰＩ、汎用非同期送受信機（ＵＡＲＴ）、２線式マルチマスタシリアルシングルエンドバスインターフェース（Ｉ２Ｃ）、汎用入力／出力（ＧＰＩＯ）、リアルタイムクロック、アナログ－デジタルコンバータ（ＡＤＣ）、生体電位シグナル用の利得及び調整回路、発光ダイオード（ＬＥＤ）ドライバーなどを含み得る。プロセッサ１１１は、アナログセンサのアナログフロントエンドを操作したり、ＡＤＣコンバータを用いてセンサからのデジタルデータを受信したりすることによって、センサの各々からのシグナルを受信することができる。プロセッサ１１１は、データを処理することができ、また結果をメモリ１１２にデータレコードの形態で保存することができる。様々な例において、プロセッサ１１１は超長命令語（ＶＬＩＷ）プロセッサ構造を有していてもよい。
ワイヤレス通信回路１０６は、モバイルチップセット無線周波数（ＲＦ）ワイヤレス回路又は単にセル無線であり得る。ワイヤレス通信回路１０６は低電力モバイルチップセットであってもよく、セルラーネットワーク並びに他のリモートデバイス（例えば、中でも、携帯電話、スマートホン、タブレットコンピュータ、ノートパソコン、ゲートウェイデバイスなどのワイヤレスデバイス）と接続するように構成することができる。ワイヤレス通信回路１０６は、以下で詳細に記載するように、ワイヤレスシグナルを受信し送信するアンテナ、送信機回路、受信機回路、及び、別の外部ワイヤレスデバイスと接続（リンクを確立）しデータを転送するメカニズムを含むリンクマスタコントローラを備えることができる。リンクマスタコントローラは、外部デバイス、例えば、モバイルデバイスに対する接続を確立することができる。リンクのマスタとして、リンクマスタコントローラは、タイミング制御及び無線周波数制御（チャンネルホッピング）を含む、外部デバイスへのリンクでのデータ伝送の制御を実施することができる。リンクマスタコントローラは、メモリに保存されているデータレコードの数（全データレコードの総数及び各データタイプのレコードの総数）を与える命令で、リモートデバイスにシグナルを送ることができる。ワイヤレス通信回路１０６は、限定されるものではないが、中でも、Ｎｖｉｄｉａ製のＴｅｇｒａ、Ｑｕａｌｃｏｍｍ製のＳｎａｐｄｒａｇｏｎ、Ｔｅｘａｓ Ｉｎｓｔｒｕｍｅｎｔｓ製のＯＭＡＰ、Ｓａｍｓｕｎｇ製のＥｘｙｎｏｓ、Ａｐｐｌｅ製のＡｘ、ＳＴ－Ｅｒｉｃｓｓｏｎ製のＮｏｖａＴｈｏｒ、Ｉｎｔｅｌ製のＡｔｏｍ、Ｆｒｅｅｓｃａｌｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ製のｉ．ＭＸ、Ｒｏｃｋｃｈｉｐ製のＲＫ３ｘｘｘ、ＡｌｌＷｉｎｎｅｒ製のＡ３１をはじめとする、様々な販売会社から入手可能なモバイルチップセットを使用して実装することができる。そのようなモバイルチップセットは、当該技術分野では、とりわけ別名、「モバイル」、「ワイヤレス」、「セルラーフォン」、「セルフォン」、「ハンドフォン（ＨＰ）」、「スマートホン」として知られるモバイル電話で用いられる。様々な例において、ウェアラブルデバイス１０２は有線回路を介して通信することができる。様々な例において、ウェアラブルデバイス１０２はＢｌｕｅｔｏｏｔｈを介して通信することができる。
各接続後、プロセッサ１１１は、すべてのセンサシグナルを受信し続け、データを処理し、新しいデータレコードをメモリ１１２に保存することができる。その後の接続の各々に際して、リンクマスタコントローラは、最後の接続以降の新しいデータレコードとともに（例えば、ウェアラブルデバイス１０２の外部の）リモートデバイスへシグナルを送信することができ、データレコードが正常に送信されたことを確認できる。リンクマスタコントローラは、リモートデバイスがデータレコードを受信できる準備ができたか否かを立証するリモートデバイスからのシグナルを受信することができ、また、どのデータレコードが正常に転送されなかったかを立証するリモートデバイスからシグナルを受信することができる。リンクマスタコントローラは、すでに送信されたデータレコードの送信を繰り返すことを回避することができ、これにより、長期操作のバッテリ消費電力を改善することができ、また、正常に転送されなかったデータレコードを再送することができる。リンクマスタコントローラは、メモリ１１２から、正常に転送されたデータレコードのすべて又は一部を後の時点で（例えば、メモリ１１２がいっぱいになった時に）削除することができる。
メモリ１１２は非一時的メモリであり得、プロセッサ１１１によって実行される場合に、プロセッサ１１１及び／又はリモートデバイス上のプロセッサに様々なアルゴリズム及び本明細書中に記載する他の技術革新の機能を実施させることができるマシンで実行可能な命令を含み得る。様々な例において、マシンで実行可能な命令の少なくとも一部はリモートデバイス上のメモリに保存される。
センサインターフェース１１６は、電極１５０とバンドパスフィルタ又はチャンネルとの間に配置することができる。センサインターフェース１１６はアナログフロントエンドを提供することができ、プログラム可能な利得又は固定利得増幅器、プログラム可能なローパスフィルタ、プログラム可能なハイパスフィルタを含んでもよい。センサインターフェース１１６は、例えば、歪みゲージ測定回路をはじめとするアクティブなシグナル調製回路を含んでもよい。１つのチャンネルは、患者（例えば、ユーザ、対象）の生理学的データに関連する低周波数情報を受信することができ、別のチャンネルは、患者内の電子機器デバイスに関連する高周波数情報を受信することができる。高周波数チャンネルは患者のＤＣデータを受信することができる。高周波数チャンネルデータは、コンピューティングプラットフォーム１０８に実装されたデジタルシグナルプロセッサ（ＤＳＰ）に伝えられ、次に展開及びデコードのためにプロセッサ１１１に伝えることができるか、又はプロセッサ１１１に直接伝えることができる。低周波数チャンネルデータは、コンピューティングプラットフォーム１０８のＤＳＰ部分に伝えられ、次にプロセッサ１１１に伝えることができるか、又はプロセッサ１１１に直接伝えることができる。ＤＳＰ部分及びプロセッサ１１１は、高周波数チャンネル及び低周波数チャンネルからのデータをデコードすることができる。データを次に処理し、送信のために準備することができる。
シグナル処理は、チャンネルから収集された生データに適用される場合もあるし、又は適用されない場合もある。シグナル処理は、実空間、複素数空間、又は極座標空間中で行うことができる。シグナル処理の関数には、中でも、フィルタ、例えば、有限インパルス応答（ＦＩＲ）及び無限インパルス応答（ＩＩＲ）、ミキサ、高速フーリエ変換（ＦＦＴ）、三角関数が含まれる。生データを、単にメモリ１１２中に保存し、後にダウンストリームで処理してもよい。シグナル処理はプロセッサ１１１で行ってもよいし、又はコンピューティングプラットフォーム１０８に組み込むことができるシグナル処理アクセラレータで行ってもよい。ウェアラブルデバイス１０２上の様々なセンサからの生理学的データをプロセッサ１１１によって処理することができ、リアルタイム若しくは生データとして送信してもよいし、又は誘導された量若しくはパラメータを送信してもよい。生理学的データは、加速度計データ、ＥＣＧデータ、及び他の生理学的データを含み得る。加速度計データは、ＥＣＧデータに対して時間的に平行であり得る。
エレクトロニクスモジュール１２０は、同じであるが、例えば、１つは皮膚の近くに、もう１つは追加のデータを測定するために周囲環境に延在しているなど、異なる位置に配置された２つの温度センサ１２４を備え得る。温度センサ１２４は、皮膚、周囲、及び回路基板温度を測定し記録するように構成することができる。温度センサ１２４を使用して、皮膚と周囲温度センサとの間の熱流束を測定することができる。温度センサ１２４は、負の温度係数（ＮＴＣ）又は正の温度係数（ＰＴＣ）を有するサーミスタデバイスであり得る。温度センサ１２４は、統合半導体デバイスを使用できる。温度シグナルをプロセッサ１１１に提供することができ、またプロセッサ１１１によって処理することができ、ワイヤレス通信回路１０６の送信機部分による送信のために準備することができる。
加速度計１２２は、リサンプリング周波数補正プロセッサを有する３軸加速度計であり得る。図２に示すように、ウェアラブルデバイスの一例が提示され、ウェアラブルデバイスの埋め込まれた加速度計が加速度計データを測定及び出力し得る際に基づく、関連するＸ、Ｙ、及びＺ軸が示されている。加速度計１２２は、異なる記録モードを含むことができ、例えば、ウェアラブルデバイス１０２は、生加速度計Ｘ、Ｙ、Ｚデータのみを記録することができるか、又はウェアラブルデバイス１０２は、生加速度計Ｘ、Ｙ、Ｚデータ及び通常の加速度計メトリックを記録することができる。
図１に戻ると、加速度計１２２は、ＭＥＭＳベースの加速度センサ素子、デジタイザー、及びデジタルインターフェース制御ロジックを含むデジタル加速度計であり得る。加速度計１２２は、低精度の抵抗器－コンデンサ（ＲＣ）オシレータを使用して、デジタイザーサンプリング入力をストローブすることができる。エレクトロニクスモジュール１２０は、加速度計１２２からシグナルを受信し、再サンプリングを実施してＲＣオシレータエラーを相殺する加速度計サンプリング周波数補正プロセッサを備え得る。
加速度計１２２は、基準クロック（高精度オシレータ）、固定アップサンプルブロック、デジタルフィルタ、プログラム可能なダウンサンプルブロック、及び加速度計からのシグナルのタイミング及び基準クロックの比較に基づいてダウンサンプル係数を選択する制御回路を含むサンプリング周波数補正プロセッサを含み得る。再サンプリング機能は、スライディングウインドウ中の基準クロックに対するアラインメントを保持して、正確なサンプリング速度を得ることができる。時間アルゴリズムはリアルタイム３２ｋＨｚ水晶クロック（Ｘ－Ｔａｌ）１２６を較正できる。加速度計１２２サンプリング周波数補正プロセッサは、加速度計シグナルからのデータの各フレームのダウンサンプリング係数を設定することができる。加速度計シグナルのタイミングは、継続的に追跡することができ、ダウンサンプリング係数を選択して、累積タイミングエラーを最小限に抑えることができる。したがって、加速度計１２２からの加速度計データは、高精度で正確なクロックに整列させることができる。
エレクトロニクスモジュール１２０は、低電力低メモリデータ保存及び転送スキームを採用することができる。例えば、メモリ１１２内のデータの保存及び転送は、低電力及び低メモリ使用量のために最適化することができる。センサシグナルからの生理学的データは、メモリ１１２内に、それぞれが型識別子を有するデータレコードとして保存することができる。データレコードは、ワイヤレス通信回路１０６によってパケットペイロードでリモートデバイスへ転送することができる。データレコードは、可変長で順次保存して、メモリ１１２内のスペース使用量を最適化することができる。データディレクトリをメモリ１１２中に提供することができ、これによりメモリ１１２からの高速レコード読取アクセスを可能にできる。データディレクトリはまた、タイプ別のデータレコードの迅速なカウントを可能にすることもできる。
エレクトロニクスモジュール１２０は高信頼性完全性データ保存及び転送スキームを採用することができる。例えば、ウェアラブルデバイス１０２メモリ保存及び転送スキームは、高信頼性データ完全性のために設計することができる。ウェアラブルデバイス１０２のメモリ１１２中に保存された各データレコードについて、データレコードの破損を検出するために使用できるエラー検出コードがあり得る。ウェアラブルデバイス１０２がリモートデバイスへのデータパケット転送に先立ってメモリ１１２からデータレコードを読み取る場合、エラー検出コードをチェックすることができる。ウェアラブルデバイス１０２が保存されたデータレコードの破損を検出すると、エラーシグナルをワイヤレス通信回路１０６によってリモートデバイスに送信することができる。ウェアラブルデバイス１０２からリモートデバイスへ転送された各パケットは、エラー検出コードを含み得、これはリモートデバイスでパケット破損を検出するために使用できる。
コンピューティングプラットフォーム１０８のシグナル処理アクセラレータ部分は、高効率シグナル処理タスクを実装するために最適化された計算エンジンを含み得る。シグナル処理機能は、プロセッサ１１１又は他のマイクロコントローラユニットで実行されるソフトウェアに実装されたソフトウェアベースのアルゴリズムと比較して、１０倍以上効率的であり得るロジックでハードコーディングすることができる。効率は、チップサイズの減少、消費電力の減少、及び／又はクロック速度の減少であり得る。シグナル処理機能は、あるレベルのプログラム可能性を維持することができるが、最適化された計算である実行ユニットを利用することができる。例えば、シグナル処理機能は、様々なサイズのデータセットについてＦＦＴ計算を可能にすることができるが、プロセッサ１１１で実行されるソフトウェアよりも著しい効率改善を維持することができる高速フーリエ変換（ＦＦＴ）－バタフライエンジンを採用することができる。実行ユニットはまた、乗累算ユニット（ＭＡＣ）であってもよく、これは、共通のＤＳＰ機能ブロックであるか、又は浮動小数点計算ユニット（複数可）若しくはＦＩＲフィルタプリミティブなどであり得る。これらの例では、所与の集積回路プロセスの効率は、プロセッサ１１１上のソフトウェアの効率よりも大きいが専用のハードウェアの効率よりも小さい可能性があるが、限られたリソースと生理学的測定の精度とのバランスをとる点で、はるかに柔軟であり得る。
シグナル処理アクセラレータは、プロセッサ１１１とのインターフェースを維持することができる。このインターフェースは、先入れ先出し（ＦＩＦＯ）レジスタ、デュアルポートメモリ、プロセッサ１１１のダイレクトメモリアクセス（ＤＭＡ）エンジン、及び／又はレジスタを含んでもよい。インターフェースは、レジスタレベル又はメモリブロックレベルで取り扱われる場合がある競合の認識又は回避のある形態を含み得る。関与するメカニズムは、プロセッサ１１１及びシグナル処理アクセラレータによってポーリングされ得るレジスタフラグセットを含んでもよく、シグナルへのインタラプトは、優先順位の高いデバイスが自身の活動を完了するまで、読取又は書き込み要求を保持する機能をブロック又は遅延することができる。
使い捨て部品１１０は、エレクトロニクスモジュール１２０のＰＣＢＡに連結させることができる。使い捨て部品は、インターフェースに関して、モニタリングするもの（人間、動物、マシン、ビルディング等）に取り付けられたセンサ、例えば、皮膚電位（ＥＤＡ）センサ、ＧＳＲセンサ、（例えば、皮膚及び／又は周囲の）温度センサ、身体組成センサ（５０Ｈｚ）、ＳｐＯ２／パルスオキシメトリセンサ、歪みゲージセンサ、加速度計、及び他の生物学／医療データセンサを含み得る。コンピューティングプラットフォーム１０８又はプロセッサ１１１によって実行される様々なアルゴリズムは、例えば、ステップカウント、ボディアングル、心拍数、心拍数変動性、安静、安静時の心拍数、熱流束、呼吸速度、ストレスレベル、転倒検知、及び他の生理学的メトリックなどのメトリックを生成することができる。
使い捨て部品１１０はまた、バッテリ１６０、バッテリを保持するためのクレードル、バッテリホルダ又はハウジング（カバー）、接着剤、及び電極１５０（例えば、少なくとも２つの電極）も含み得る。電力は、バッテリ１６０からウェアラブルデバイス１０２へ提供することができる。バッテリ１６０は、使い捨て部品１１０の接着剤の有効寿命にほぼ等しいバッテリ寿命を有する使い捨てのコイン電池であり得る。接着剤はウェアラブルデバイス１０２を患者の皮膚に付着させることができる。接着剤は、ほとんどの患者に関して３～１０日の有効寿命を含み得る。電極１５０は、ヒドロゲル電極と個別のステンレス鋼電極とを含み得る。ヒドロゲル電極は、患者がデジタルメディスンを摂取したことを示すことができる、高周波の体内電気シグナル（１０ＫＨｚ以上）を検出するために使用することができる。
メモリ１１２は、揮発性及び不揮発性メモリの両方を含む、データを保存することができる任意のマシン可読又はコンピュータ可読媒体を含み得る。例えば、メモリ１１２は、読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、ダブルデータレートＤＲＡＭ（ＤＤＲ－ＲＡＭ）、シンクロナスＤＲＡＭ（ＳＤＲＡＭ）、スタティックＲＡＭ（ＳＲＡＭ）、プログラマブルＲＯＭ（ＰＲＯＭ）、消去可能なプログラマブルＲＯＭ（ＥＰＲＯＭ）、電気的に消去可能なプログラマブルＲＯＭ（ＥＥＰＲＯＭ）、フラッシュメモリ（例えば、ＮＯＲ又はＮＡＮＤフラッシュメモリ）、コンテントアドレッサブルメモリ（ＣＡＭ）、ポリマーメモリ（例えば、強誘電性ポリマーメモリ）、相変化メモリ（例えば、オボニックメモリ）、強誘電体メモリ、シリコン酸化物窒化物酸化物シリコン（ＳＯＮＯＳ）メモリ、ディスクメモリ（例えば、フロッピディスク、ハードドライブ、光ディスク、磁気ディスク）、又はカード（例えば、磁気カード、光カード）、又は情報を保存するために適した任意の他の種類のメディアを含み得る。
ステップカウント
ウェアラブルデバイス１０２は、使い捨て部品１１０（例えば、接着性ストリップ）の接着剤を用いて患者にウェアラブルデバイスを取り付けることによって患者に着用させることができる。患者が移動すると、加速度計１１２は、加速度計１２２が経験する加速力に基づいた加速度計シグナルを提供することができる。加速の変動は、患者の動作／活動を示すことができる。加速度計シグナルは、ウェアラブルデバイス１０２によって加速度計データに変換することができる。
歩行は、加速度計シグナルから得られる加速度計データ及び／又は自己相関データにおいて強力なピークと解釈され得る周期的／規則的動作であり得る。加速度計データを分析し、使用して、患者が歩いたステップカウント（例えば、ステップカウント）を計算することができる。例えば、図３に示すように、各軸Ｘ、Ｙ、Ｚの個々にトレースを含み得る加速度計データ３０２が提供される。加速度計データ３０２は、ウェアラブルデバイス１０２を着用した患者が２４歩歩いた加速データの１４秒ブロックの加速データを含む。加速度計データ３０２が閾値を超える回数の計数を用いて、加速度計データ３０２からのステップカウントの生理学的メトリックを決定することができる。加速度計データ３０２から測定されるステップカウントは、１４秒の期間で２４ステップを測定することに基づいて１０３ステップ／分である。
ウェアラブルデバイス１０２は、移動が困難（例えば、高齢の患者）又はゆっくりとしたペースで歩行する患者が使用することができる。本明細書中で使用する場合、「緩徐な歩行」は、１５～８０歩／分の範囲内のステップレートを指し、普通の歩行は、８０～１５０歩／分の範囲内のステップレートを指す。以前の比較アルゴリズムは、足が遅い（例えば、足を引きずる、及び／若しくはゆっくり動く）又は運転しているかもしれない患者の加速度計データからステップカウントを正確に計算することはできない可能性がある。例えば、加速度計データは普通の歩行ステップに見えない場合があり、また、加速度計データはステップカウントを計算するために容易に分析できない場合がある。例えば、図４Ａの上段は、１００ステップ／分（例えば、普通の歩行）の移動速度での加速度計データ例を示し、図４Ｃの上段は、５０ステップ／分（例えば、緩徐な歩行）の移動速度での加速度計データ例を示す。
比較アルゴリズムは、自己相関データ（例えば、図４Ａ～図４Ｅで破線によって示される閾値）におけるレベルクロッシングの計数にのみ依存し得る。図４Ａの下段に示すように、普通の歩行によって生じる自己相関データの閾値のクロッシングの計数の結果、レベルクロッシングのみに基づいて正確なステップカウント（例えば、＋／－１０％を超える）が得られる可能性がある。しかしながら、図４Ｃの下段に示すように、緩徐な歩行によって得られた自己相関データのレベルクロッシングの計数の結果、レベルクロッシングのみに基づくと不正確なステップカウントが得られる可能性がある。
図４Ｅを参照すると、ステップカウントデータ点のプロットが提供され、各点は、比較アルゴリズムから分析された図４Ｅで特定される各活動のみからなる加速度計データの７秒ブロックを表す。普通の歩行１００歩／分のデータを４分間にわたってサンプリングし、ステップカウントについて４００ステップの期待値であった；緩徐な歩行５０歩／分のデータを４分にわたってサンプリングし、ステップカウントについて２００の期待値であった；低速シャフリング６０歩／分のデータを４分間にわたってサンプリングし、ステップカウントについて２４０の期待値であった；中速シャフリング８０歩／分のデータを４分間にわたってサンプリングし、ステップカウントについて３２０の期待値であった；ドライブデータ（例えば、０歩／分）を様々な時間にわたってサンプリングし、ステップカウントについて０の期待値であった。
緩徐な歩行についての不正確なステップカウントに加えて、図４Ｂ、図４Ｅ、及び図５に示すように、ドライブは誤ったステップカウントを引き起こす可能性がある。さらに、表１に示すように、比較アルゴリズムを含む比較歩数計は、不正確なステップカウントを提供する（例えば、運転中に誤ったステップカウントを検出する）可能性がある。さらに、比較歩数計は加速度計データを連続して（例えば、不連続的にではなく）受信する。
Figure 0007267311000001
したがって、緩徐な歩行中に、ウェアラブルデバイス１０２によって生成される加速度計データを含む不連続データにおいてステップカウントを不正確にカウントするステップカウントアルゴリズムが提供される。ステップカウントアルゴリズムは、少なくとも１０００歩にわたって測定して±３パーセントの平均誤差で検出された生理学的データを使用して８０～１５０歩／分のステップレート範囲のステップカウントを決定することができる。さらに、ステップカウントアルゴリズムは、ドライブ中又は他のタイプの動作中の誤ったステップカウントを、防止できなかったとしても制限することができる。
ステップカウントアルゴリズムは、不連続データから連続的なステップレートを推定することによって、メモリと電力を節約することができる。例えば、毎分、ウェアラブルデバイスは、加速度計データの１４秒フレームを収集し、このフレーム上でステップレートを計算し、ステップレートを内挿して、１分のステップ数を誘導することができる。精度を最適化するために、アルゴリズムは１４秒フレームの境界でのハーフステップを考慮することができる。
加えて、ウェアラブルデバイス１０２は、活動レベルに基づいてデータを分類するように構成することができる。例えば、ウェアラブルデバイス１０２は、浴室から台所までの簡単な歩行などの思い付きのウォーキング（例えば、第１の活動レベルよりも低い第２の活動レベル）と比較して、より高速で、より明確なステップ（例えば、第１の活動レベル）を含む「意図的なウォーキング」を区別することができる。ウォーキングのタイプは、加速度計データに基づいたステップカウントアルゴリズムによって区別することができる。
ステップカウントアルゴリズムは加速度計データを受信することができ、制御回路によって実行するためにウェアラブルデバイス１０２及びリモートデバイスにわたって分配することができる。例えば、ステップカウントアルゴリズムは、メモリ１１２に保存することができ、プロセッサ１１１によって利用されて、加速度計１２２から受信した加速度計データを、生理学的メトリック、例えば、ステップカウントなどに変換することができる。
本明細書においてアルゴリズムの構成を記載する目的で、加速度計値は「ｇ」の単位で解釈され、ここで、「ｇ」は、徳野別段の記載がない限り、地球の重力による加速度（約９．８ｍ／ｓ２）である。性能の最適化のために、設計の実装は、生の加速度計カウントで操作することができる。
ステップカウントアルゴリズムは、ソースコード内のデフォルト値に設定することができるが、ステップカウントアルゴリズムの全体的又は部分的再設計無しで（ソフトウェアの完全再コンパイルで）調節することができる、表２に記載するような固定パラメータを含み得る。
Figure 0007267311000002
ステップカウントアルゴリズムは、表３に記載するようなプログラム可能なパラメータを含み得る。ステップカウントアルゴリズムは、デフォルト値に設定することができ、製造中及び／又はワイヤレス／優先インターフェースを介した使用中に再構成することができる。各々のプログラム可能なパラメータは、すべての状態遷移及びウェアラブルデバイス１０２からの電力の完全な除去（例えば、バッテリの切断）によりその設定値を維持することができる。
Figure 0007267311000003
ステップカウントアルゴリズムは、選択された周波数でサンプリングされた選択された時間ウインドウ中の加速度計データを処理することができる。１４秒の時間ウインドウと１２．５ＧｈＺの選択された周波数の例で、１７５のサンプルがウインドウ。ステップカウントは、図６で示される単一のブロックを含むサンプルバッファーで誘導することができるか、又はサンプルバッファーは、図７Ａ～図７Ｂで示されるように、２つのブロック、ピリオド１（Ｐ１）及びピリオド２（Ｐ２）に分割できる。サンプルの数が奇数である例では、各ピリオドが等しくなるように１つのポイントを除外してもよい。サンプルの数が１７５である例では、各ピリオドが等しくなるように１７５番目のサンプルを除外できる。
ステップカウントアルゴリズムは、本明細書中で記載する評価、計算、及び変換を実施することができ、表４で記載するような加速度計レコード（ＡＣＲ）を生成することができる。ＡＣＲは、所望により測定期間ごとに１回又はそれ以上の回数で作製することができる。
Figure 0007267311000004
加速度計データは、式１に示すように用いられるの感度によって定義される、固定変換値Ｇを用いて「ｇ」（又は加速度の二乗の尺度である場合はｇ２）に正規化することができる。デフォルトは２Ｇ感度であり得る。
Figure 0007267311000005
図６は、患者の緩徐な歩行中のステップカウントを正確に決定できるステップカウントアルゴリズムのフローチャートの例を示す。図示されているように、ｘ軸加速度計データ、ｙ軸加速度計データ、及びｚ軸加速度計データ、まとめて加速度計データを、ステップカウントアルゴリズムによって処理することができる。
加速度計データの各軸における生加速データ（例えば、ベクトル）は、ボックスカーフィルタを使用したステップカウントアルゴリズムによって処理して、式２、６０２に従ってノイズを軽減し、シグナルの高周波数成分を除去することができる。
Figure 0007267311000006
デフォルトパラメータ値ＡｃｃＦｓ＝１２．５Ｈｚ及びＭ＝２の例では、３．１２５Ｈｚより低い周波数成分を正確に再現できる。
１２．５Ｈｚでサンプリングされた加速度計データは、生加速度データに適用されるタップフィルタ、例えば、２－タップフィルタ等を有し得る。フィルタ中のタップが多いほど、加速度計データがより平均化される。タップフィルタは、忠実に表すことができる高周波数を決定することができる。様々な長さのタップフィルタを生加速度データに適用して、活動（例えば、ジムのエクササイズ）中のステップカウントの感度を特徴づけることができる。生加速度データに適用されるサンプリング速度及びデジタルフィルタ（例えば、タップフィルタ）は、所望の用途に対して構成することができる。様々な例において、ウェアラブルデバイス１０２のハードウェアは異なるサンプリング速度（例えば、より高いサンプリング速度）をサポートできる。
加速度計データの各軸における加速データのポストボックスカーフィルタリングは、式３、６０４に示すような加速度計データの各軸からの二乗Ｌ２ノルムを計算することによって全加速（ｔｏｔＡｃｃ、Ａｃｃｔｏｔａｌ，ｉ）に変換することができる。
Figure 0007267311000007
ステップカウントアルゴリズムは、計算の簡略化としてＬ２ノルムの代わりに二乗Ｌ２ノルムを利用することができる。式３中のスケーリング係数（例えば、２で除算）は、メモリ中のバッファーのオーバーフロー／飽和を防止することができる。全加速（例えば、ｔｏｔＡｃｔＴｈｒｅｓｈ、ｔｏｔＡｃｔＴｈｒｅｓｈＬｏ）に関連して閾値を決定及び／又はプログラミングする場合、スケーリング係数を考慮することができる。
全加速データのトータル活動（ｔｏｔＡｃｔｉｖｉｔｙ）は、式４、４６０６に示すように全加速データの標準偏差（ｓｔｄ（ｔｏｔＡｃｃ））をとることによって計算することができる。
Figure 0007267311000008
トータル活動は、加速度計データの２ブロックを有する例においてブロックＰ１及びＰ２について独立して計算することができ、その結果、図７Ａ～図７Ｂに示すように２つの浮動小数点値が得られる。
図６に戻ると、トータル活動は、加速度計データのブロックが有効なステップ活動６０８を含むか否かを評価するためにステップカウントアルゴリズムによって使用され得る。例えば、ステップカウントアルゴリズムは、トータル活動データが活動閾値を満たす若しくは超えるか否かを評価することができる。トータル活動が活動閾値を満たすか又は超える場合、ステップカウントアルゴリズムはステップ６２４に進み、加速度計データを平均調節し、ステップカウントについて加速データを評価する。
しかしながら、トータル活動が活動閾値を満たさないか又は超えない場合、ステップカウントアルゴリズムは加速度計データが強化されるべきか否かを評価することができる６１０。例えば、ステップカウントアルゴリズムは、トータル活動が下限活動閾値を満たすか又は超えるか否かを評価することができる。トータル活動が下限活動閾値を満たさないか又は超えない場合、加速度計データは有効なステップ活動を含まないと判断することができ、加速度計データのブロックにステップはカウントされない。
しかしながら、トータル活動が下限活動閾値（例えば、低振幅活動の測定値）を満たすか又は超える場合、加速度計データのブロックを強化することができる６１２－６２２。例えば、全加速度計データを強化することができる。下限活動閾値は、加速度計データ中の真のステップ（例えば、緩徐な歩行）と誤ったステップ（例えば、ドライブ）とのさらなる区別を可能にできる。
加速度計データ強化は、トータル活動及び、様々な例では、エネルギー消費量に基づいて実施することができる。図７Ａ～図７Ｂに示すように２ブロックの加速度計データを含む様々な例において、強化は、ブロックＰ１及びＰ２について独立して実施することができる。加速度計データ強化により、加速度計データの周期性を増強することができ、ここで、真のステップにより、この強化に基づいて誤ったステップから区別できる追加のアーティファクトが導入された可能性がある。
図６に戻ると、より低いトータル活動閾値は、評価された加速度計データのブロックに基づいて調節することができる６１２。その後、加速データを式６で示すようなさらなる計算のために調節することができ、それによって平均調節された加速データ（ｉｎｐＺＭ０）を得る６１４。
Figure 0007267311000009
平均調節は、加速度計データの各ブロックに対して独立して行うことができる（例えば、図７Ａ～図７Ｂに示すＰ１及びＰ２）。平均調節された加速度計データの絶対値を計算することができる６１６。
絶対加速度計データはローパスフィルタ（ＬＰＦ）により処理することができる。すなわち、絶対値は、式７に示すようなエンベロープ検出の手段として５点移動平均フィルタによって決定することができる６１８。
Figure 0007267311000010
ローパスフィルタリングされた加速度計データを次いで、ハイパスフィルタ（ＨＰＦ）によって処理することができる６２０。例えば、式８に示されるように、４次非再帰的ハイパスフィルタを加速度計データに関して利用して、ドリフトを除去することができる。
Figure 0007267311000011
ハイパスフィルタリングされた加速度計データは、スケーリングすることができ４６２２、自己相関の計算のための入力として利用することができる。
図８は、歩いたかどうか、又は加速度計データが他の活動を示すものであるか否かを判定するための加速度計データの強化の例を示す。すなわち、加速度計からの生加速度データ８０２は、絶対値フィルタ及びローパスフィルタ（例えば、エンベロープ検出）を介した生加速度データ８０２の処理を行うことによって処理済み加速度計データ８０４に変換することができる。処理済み加速度計データ８０４は、ハイパスフィルタ（例えば、ドリフト除去）、平均正規化、及び平滑化など、加速度計データ８０４を処理することによって、強化された加速度計データ８０６にさらに変換することができる。図８に示すステップは、任意の順序で実施することができる。その後、ステップカウントアルゴリズムは、強化されたシグナルから特徴を抽出することができる。
図６に戻ると、図示するように、６２４（ｉｎｐＺＭ）で平均調節された加速度計データ又は６２２（ｉｎｐＺＭ）からシグナル強化データを、自己相関データ（例えば、ＡＣ、ａＣｏｒｒ）に変換することができる６２６。ラグｔにおける自己相関データを式９に記載する。計算される自己相関のラグ数ｔは、表２に記載するようにパラメータＡＣＣ＿ＡＣ＿ＬＩＭによって支配され得る。
Figure 0007267311000012
加速データの２ブロックを含む様々な例において、自己相関は各ブロック（例えば、図７Ａ～図７ＢのブロックＰ１及びＰ２）について独立して計算することができる。入力の平均調節及び出力の正規化は、この量を記載するために自己相関という語を使用できるが、ＡＣ（ｔ）がラグｔにおける自己共分散を表すことを暗示し得る。
ステップカウントアルゴリズムは自己相関データにおけるレベルクロッシング（ｎｕｍＬＣ）の数を計算することができる６２８。レベルクロッシングとは、データ中のシグナルがレベルクロッシング閾値を超える時である。自己相関データの上向き及び下向きレベルクロッシングは独立してカウントすることができる。自己相関データにおけるレベルクロッシングは、図９に示された状態マシンに従って決定することができる。レベルクロッシングを使用して、加速データのブロックが有効なステップ活動を含むか否かを判定することができる６３０。例えば、ステップカウントアルゴリズムは、レベルクロッシングの数がレベルクロッシング閾値を満たすか又は超えるかを評価することができる（ｎｕｍＬＣＴｈｒｅｓｈ）。加速データにおけるレベルクロッシングの数がレベルクロッシング閾値を満たさないか又は超えない場合、加速度計データは有効なステップ活動を有さないと判定することができ、ステップはカウントされない。
レベルクロッシングの数がレベルクロッシング閾値を満たすか又は超える場合、レベルクロッシングの数（ｎｕｍＺＣ）は、４６２４（ｉｎｐＺＭ）で平均調節された加速度計データ又は４６２２からのシグナル強化データ（ｉｎｐＺＭ）でカウントされる６３２。様々な例では、ステップ６３２において、レベルクロッシングはゼロクロッシングであり得る（例えば、閾値は０である）又はレベルクロッシングの数はゼロクロッシングとは異なり得る（例えば、閾値はゼロでない数である）。ゼロクロッシングは、データ中のシグナルの符号が変わるときである（例えば、プラスがマイナスになる、又はその逆）。有効なステップ活動を含むとみなされる加速データにおいて、ステップカウントアルゴリズムは、平均調節された加速データ（ｉｎｐＺＭ）におけるレベルクロッシングの総数に基づいてステップの数を計算することができる。加速度計データ（ｉｎｐＺＭ）におけるレベルクロッシングは、図９に示す状態マシンに従って決定することができる。上向き及び下向きレベルクロッシングは、図９の状態マシンによって示されるように独立してカウントすることができ、したがって、総ステップカウントを２で割って、実際のステップカウントを決定することができる。例えば、患者の各ステップは、彼／彼女の足を物理的に持ち上げること（下向きクロッシングを生成する）、続いて彼／彼女の足を地面におろすこと（上向きクロッシングを生成する）を含む。したがって、上向き／下向きクロッシング対は１ステップを構成する。
ステップカウントアルゴリズムは、加速度計レコード（ＡＣＲ）として、加速度計データ由来の出力値（例えば、生理学的メトリック）及び生加速度データ自体を含む出力データを作成することができる。ＡＣＲは、本明細書中の表４に示すように構成することができる。ＡＣＲは、ウェアラブルデバイス１０２（例えば、オンボードフラッシュメモリ）及び／又はリモートデバイスのメモリ１１２中に保存することができる。
図７Ａ～図７Ｂを参照すると、軸（Ｘ、Ｙ、Ｚ）の各々における加速データの平均は、ステップカウントアルゴリズムによって計算することができ、平均加速データは、式１０に従って浮動小数点における出力値として報告することができる。平均加速データは、ボディアングルアルゴリズムに対する入力として使用することができ、標準偏差メトリックを計算するためにも使用できる。これらのメトリックは、加速度計データの測定期間ごとに１回だけ計算することができる。
Figure 0007267311000013
軸（Ｘ、Ｙ、Ｚ）の各々における加速データの標準偏差は、ステップカウントアルゴリズムによって計算することができ、式１１で示すように浮動小数点における出力メトリックとして報告することができる。加速データの標準偏差は、加速度計データのＰ１及びＰ２ブロックの両方の測定期間につき１回計算することができる。
Figure 0007267311000014
エネルギー消費量（ＥＥ）は、式１２に従って、全加速ベクトルにおけるすべての負の値の絶対値の合計としてステップカウントアルゴリズムによって計算することができる。ＥＥは、ブロックＰ１及びＰ２について独立して計算することができ、その結果、２つの浮動小数点値が得られる。ＥＥを使用して、ブロックが有効なステップ活動を含むか否かを判定することができ、また加速度計データのシグナル強化を行うべきか否かも判定することができる。
Figure 0007267311000015
図７Ａ～図７Ｂに示すように、ブロックＰ１及びＰ２からの全加速、トータル活動、エネルギー消費量、及び自己相関情報を組み合わせて、測定期間ごとに単一ステップカウント数（ＵＩＮＴ１６値）を得ることができる。ステップカウントアルゴリズムは以下のステップを含み得る：（ｉ）ブロックが中～高振幅又は低振幅活動ブロックとして適格であるか否かを判定するステップ、（ｉｉ）低振幅活動ブロックに対してシグナル強化を実施するステップ、（ｉｉｉ）ブロックが有効なステップ活動を含むか否かを判定するステップ、及び（ｉｖ）有効ブロックにおけるステップの数をカウントするステップ。ブロックＰ１及びＰ２からのステップカウントを単純に合計して、所与の測定期間内のステップの数を決定する。ブロックＰ１及びＰ２について独立して計算することで、ユーザのステップカウントを追跡する際により繊細な精度が可能になる。
ブロック（Ｐ１又はＰ２）は、以下の条件が満たされた場合に有効なステップ活動を有するとされる：（ｉ）ブロックにおけるトータル活動が閾値「加速度計トータル活動低閾値」を越える、及び（ｉｉ）自己相関のレベルクロッシングの数が閾値「加速度計Ｎｕｍ Ｃｒｏｓｓｉｎｇ」を越える。
上述の条件を満たすブロックについて、ステップの数は、全加速データのレベルクロッシングの総数として計算される。ブロックＰ１及びＰ２からのステップカウントを合計して、測定期間における総ステップの数を得る。この数を次に適切にスケーリングして、調節されたステップカウント（すなわち、ＡＳｔｅｐＣｏｕｎｔ）を決定し、これは１分当たりのステップのおよその尺度である。調節されたステップカウントを、ウェアラブルデバイス及び／又はリモートデバイスに実装されたアルゴリズムへの入力として使用することができる。
ウェアラブルデバイス１０２は、プログラム可能なパラメータであり得る加速度計区間及び／又は加速度計期間パラメータに従って加速度計データの取得を開始し停止するスケジューラ（例えば、ステップカウントアルゴリズムの外部のソフトウェアモジュール）を含み得る。加速度計は、加速度計期間パラメータセットの長さについて固定されたサンプリング速度（例えば、１２．５Ｈｚ）でデータを取得できる。
様々な例において、ステップカウントアルゴリズムは、さらなる評価、例えば、最小及び／又は最大値、検出されたステップ間の時間間隔、及び検出されたステップ評価間の振幅変動などを含み得る。ステップカウントアルゴリズムは、以下の任意選択的特徴の少なくとも１つを使用することができ、全加速に組み合わせる代わりに各軸を別に処理することができ、基準ベクトルを使用して、どの軸（１つ）／軸（複数）を使用するかを決定する前にパッチの向きを決定することができ、またより多くの生理学的データに基づいて閾値を調製することができ、２つの軸からのデータを結合できる。ステップカウントアルゴリズムは、少なくとも１０００ステップにわたって測定して、普通の歩行（８０～１５０歩／分）については±３％の精度であり得、緩徐な歩行（１５～８０歩／分）については±１０％の精度であり得る。様々な例において、ステップカウントアルゴリズムは、少なくとも１０００ステップにわたって測定して、緩徐な歩行（１５～８０歩／分）については±５％の精度であり得る。
図１０Ａ～図１０Ｅを参照して、ステップカウントアルゴリズムは、比較アルゴリズムよりも正確なステップカウントを提供することができる。図１０Ａ～図１０Ｅ中の破線は活動閾値を表す。図１０Ｃの緩徐な歩行例で示すように、ステップカウントアルゴリズムは、緩徐な歩行によって生じる自己相関データにおけるレベルクロッシングがより正確なステップカウントをもたらすことができるようにデータを強化している。
図１０Ｅは、普通の歩行、緩徐な歩行、低速シャフリング、及びドライブからの加速度計データから比較アルゴリズム及びステップカウントアルゴリズムによって決定されるステップカウント値を示す。普通の歩行１００歩／分のデータを４分間にわたってサンプリングし、ステップカウントについて４００ステップの期待値であった；緩徐な歩行５０歩／分のデータを４分にわたってサンプリングし、ステップカウントについて２００の期待値であった；低速シャフリング６０歩／分のデータを４分間にわたってサンプリングし、ステップカウントについて２４０の期待値であった；中速シャフリング８０歩／分のデータを４分間にわたってサンプリングし、ステップカウントについて３２０の期待値であった；ドライブデータ（例えば、０歩／分）を様々な時間にわたってサンプリングし、ステップカウントについて０の期待値であった。
図１０Ｅはステップデータ点のプロットであり、各点は、ステップカウントアルゴリズムによって分析された図１０Ｅで特定される各活動のみからなる加速度計データの１つの７秒ブロックを表す。図１０Ｅは、活動閾値４４０２及び下限活動閾値４４０４を示す。図示されるように、下限活動閾値４４０４は、緩徐な歩行の検出を可能にする。
さらに、ステップカウントアルゴリズムの閾値は図１１Ａ～図１１Ｃに示すように調節することができる。図１１Ａ～図１１Ｃの各々のプロットの右上は、閾値を調節することによって、ドライブ中の誤ったステップカウントが、ステップカウントアルゴリズムによって防止されなかったとしても制限され得ることを示す。
図１２Ａに示すように、周期的シグナルの形態の加速データは歩行から生成され、データは自己相関され、図１２Ｂに示される自己相関データを生成する。さらに、図１３Ａ～図１３Ｂは、ステップカウントアルゴリズムを用いて生成される、例えば、歩行、ドライブ、及び着席などの他の活動についての自己相関データを示す。
ステップカウントアルゴリズムを試験し、結果を以下の表に示すように報告した。すなわち、表５～８は、患者に設置されたウェアラブルデバイスからのステップカウントを示し、加速度計データは異なる活動中に比較アルゴリズム及びステップカウントアルゴリズムを利用して処理される。さらに、比較歩数計１の結果を示す。表５は患者の左側に設置されたウェアラブルデバイスの結果を示し、表６は患者の内側に設置されたウェアラブルデバイスの結果を示し、表７は患者の右側に設置されたウェアラブルデバイスの結果を示し、表８は患者の外側に設置されたウェアラブルデバイスの結果を示す。
Figure 0007267311000016
Figure 0007267311000017
Figure 0007267311000018
Figure 0007267311000019
表５と７の比較は、患者の左側及び患者の右側のウェアラブルデバイスから出力されたステップカウントは同等であったことを示し、パッチの設置はステップカウントに対して影響を及ぼさない場合があり、ステップカウントアルゴリズムは再現性よくステップをカウントすることができることを意味する。表６と８の比較は、患者の内側及び患者の外側のウェアラブルデバイスから報告されたステップカウントは同等であったことを示し、パッチの設置はステップカウントに対して影響を及ぼさない場合があり、ステップカウントアルゴリズムは再現性よくステップをカウントすることができることを意味する。
表９～１４は、様々な患者に関して、比較アルゴリズム、比較歩数計１、及びステップカウントアルゴリズムから出力されたステップカウント値を示す。
Figure 0007267311000020
Figure 0007267311000021
 ＊ジムへの徒歩での往復と、休憩をはさんだ様々なジムでの運動の２分間のスパートとを含む。
Figure 0007267311000022
Figure 0007267311000023
 ＊ジムへの徒歩での往復と、休憩をはさんだ様々なジムでの運動の２分間のスパートとを含む。
Figure 0007267311000024
Figure 0007267311000025
 ＊ジムへの徒歩での往復と、休憩をはさんだ様々なジムでの運動の２分間のスパートとを含む。
表５～１４は、本開示にかかるステップカウントアルゴリズムが、ドライブ中の誤ったステップカウントを最小限に抑えつつ、ステップカウントについて改善された精度を有し得ることを示す。
ステップカウントアルゴリズムは、ステップカウントに関して、ステップのマニュアルカウントと比較して、±１０％又は±１２歩／分の、どちらか高いほうの精度を有し得る。ステップカウントアルゴリズムは、１，０００以上のシミュレーションされたステップにわたって測定して、８０～１５０歩／分又は８０～１８０歩／分の入力範囲にわたって、既知ステップ基準と比較して、ステップの±３％の精度を有し得る。様々な例において、ステップカウントアルゴリズムは、参照により本明細書中に組み込まれるＪＩＳ Ｓ７２０００－１９９３日本歩数計規格以上の精度を有し得る。
表１５は、様々なステップレートで加速データを分析した、比較アルゴリズムによる出力としてのステップカウント値を示す。
Figure 0007267311000026
表１６は、様々なステップレートで加速データを分析した、本開示にかかるステップカウントアルゴリズムから出力されたステップカウント値を示す。
Figure 0007267311000027
表１７は、測定中、４５°の方向を向いている間、様々なステップレートで加速データを分析した、本開示にかかるステップカウントアルゴリズムから出力されたステップカウント値を示す。
Figure 0007267311000028
表１６及び１７は、パッチの向きがステップカウントに対して最小の効果を有し得ることを示す、実質的に類似した結果を含む。
表１８は、８０～１５０歩／分又は８０～１８０歩／分の範囲にわたって計算された表１５から１７の様々なメトリックのまとめを示す。バイアス、絶対誤差、及び誤差の変動は、比較アルゴリズムよりも本開示にかかるステップカウントアルゴリズムの方が低い。さらに、本開示にかかるステップカウントアルゴリズムはウェアラブルデバイスの全体的な性能を改善する。
Figure 0007267311000029
本開示にかかるステップカウントアルゴリズムは全体として、±３％以下の精度を有するデータポイントの数によって測定される、より正確なステップカウントを提供する。
図１４は、様々な歩数計及び、比較アルゴリズムと本開示にかかるステップカウントアルゴリズムとを含むウェアラブルデバイスによる出力としての様々な患者の報告されたステップカウント速度のプロットを示す。患者１～１２はウェアラブルデバイスを着用していた。図示されているように、ほとんどのデバイスは１００歩／分で良好に機能した。しかしながら、ウェアラブルデバイス上の本開示にかかるステップカウントアルゴリズムは、ドライブからの誤ったステップカウントを最小限に抑えつつ、５０歩／分の歩行で比較アルゴリズムを含む他のデバイスよりも優れていた。
加速度計が外部クロック（Ｘ－Ｔａｌ）を有さず、トリム設定がない場合、サンプリング速度の変動が起こり得る。様々な例において、様々なウェアラブルデバイスにわたって多少のサンプリング速度の変動があり得る。様々なウェアラブルデバイスにわたる変動は、入力周波数（例えば、ステップレート）の知覚されるシフトに至る可能性があり、したがって、異なるステップレートとして報告される可能性がある。ステップカウントアルゴリズムはサンプリング速度をステップレート計算に組み込むことができる。
境界効果
ウェアラブルデバイスは、例えば、インジェスティブルセンサデータのフレーム１５０４間のタイムギャップ１５０６に散在する患者のインジェスティブルセンサデータのフレーム１５０４と生理学的データのフレーム１５０２とを含む図１５に示されるような不連続データ１５００などの不連続データを取り扱うことができる。例えば、ウェアラブルデバイスはインジェスティブルセンサデータ１５０４を生理学的データ１５０２と連続して受信することができる。不連続データは、１つのタイプのデータから他のものへ（例えば、生理学的データからインジェスティブルセンサデータへ、及び／又はインジェスティブルセンサデータから生理学的データへ）切り替えることによって引き起こされる境界効果のために、多少不正確な読取値を創出する可能性があり、この結果、不正確生理学的メトリック（例えば、ステップカウント、心拍数、心拍数変動性、ボディアングル）がもたらされる可能性がある。
例えば、図１６は、左側に加速データの第１のサブフレーム、右側に加速データの第２のサブフレームを示す。第１及び第２のサブフレームはウェアラブルデバイスにより不連続的に受信された単一フレームの一部である。図示されているように、単一フレームは加速度計データの１４秒フレームであり得、各フレームはより小さなサブフレーム（例えば、１４秒フレームの７秒部分）に分割することができ、これにより加速度計データの精度が改善され、異なるデータタイプのシリアル通信が促進され得る。
サブフレームは、ばらばらに受信され処理される可能性があるため、各フレームの開始時及び終了時で境界効果が起こり得る。図１６中の円は、ステップカウントアルゴリズムによってカウントされハーフステップが得られるレベルクロッシングを示す。サブフレーム境界での欠落したレベルクロッシングは欠落したハーフステップ（例えば、不正確なステップカウント）に至る可能性がある。図１６に示すように、レベルクロッシングは、第１のサブブロックの終了１６０２（例えば、サンプルインデックス９０付近）と第２のサブブロックの開始１６０４（例えば、サンプルインデックス０付近）との間で境界効果及び不連続データの構成の結果として見落とされた。様々な例において、レベルクロッシングは、ゼロクロッシングであり得る（例えば、閾値レベルはゼロである）又はレベルクロッシングはゼロクロッシングよりも遠いクロッシングであり得る（例えば、閾値はゼロでない数である）。
境界効果を取り扱うために、様々な対策を講じることができる。本明細書中で論じるように、ステップカウントは、レベルクロッシングをカウントすること（例えば、１つのレベルクロッシングはハーフステップとカウントされる）に基づく可能性があり、心拍数の決定及び心拍数変動性はピークをカウントすることに基づいて決定することができる。上向きのレベルクロッシングは、上向きの閾値まで、又はそれを越えるまで、Ｙ軸上を負の値から正の値になることとして定義することができる。下向きのレベルクロッシングは、下向きの閾値まで、又はそれを越えるまで、Ｙ軸上を正の値から負の値になることとして定義することができる。境界効果を取り扱うために、１つの尺度は、第１のサブフレームの最後のレベルクロッシングと第２のサブフレームの初期レベルクロッシングとが同じタイプのもの（すなわち、両方とも上向き又は両方とも下向き）である場合、ステップカウントアルゴリズムはステップカウントをハーフステップ増加させることができる。さらに、ステップカウントアルゴリズムは、ステップカウントの拡張精度値を含む可能性があり、ステップレート計算においてハーフステップの要因となる。
図１７は、不連続データがウェアラブルデバイスによって受信された場合に、ステップカウントに影響を及ぼし得る加速度計データのフレームにおける境界効果の一例を示す。図示されているように、第１のサブフレーム及び第２のサブフレームはそれぞれ全加速データの１４秒データブロックの７秒部分である。図１７中の円は、カウントされハーフステップが得られるレベルクロッシングを示す。第１のサブフレームの開始及び／又は第２のサブフレームの終了１７０８での部分的ハーフステップ１７０６をカウントしないことで、不正確なステップカウント（例えば、ステップカウントの過小評価）に至る可能性がある。
境界効果を取り扱うために、サブフレーム又はフレーム中の最初のレベルクロッシングの前又は最後のレベルクロッシングの後で、生理学的データの勾配変化（例えば、ｘ［ｎ］－ｘ［ｎ－１］として計算される、勾配の符号の変化）がある場合、ステップカウントアルゴリズムはハーフステップを追加できる。図１８中の領域１８１０は勾配変化を示す。勾配変化に応答して、ステップカウントアルゴリズムはハーフステップを追加できる。一般に、境界効果を取り扱うための対策を、異なるタイプのデータを連続して同様に取り扱う他のデバイスに適用することができ、結果として不連続データが収集される。さらに、加速度計データにおける境界効果を取り扱うために集められたものは、他のタイプの生理学的データ、例えば、ＥＣＧデータなどにも適用することができる。
ステップカウントアルゴリズムのデータを示すために、ステップカウントアルゴリズムを含むウェアラブルデバイスを使用して、ファームウェアを介してステップカウントを出力し、ウェアラブルデバイスからの加速データもまたＭＡＴＬＡＢで後処理して、ステップが見落とされた可能性があるか否かを判定した。ウェアラブルデバイスは、加速度計データから誘導される出力値（例えば、生理学的メトリック）及び生加速度データを集めていた。ＭＡＴＬＡＢモデルは生加速度データを分析した。図１９に示すように、ウェアラブルデバイスのプロセッサで処理された、ステップカウントアルゴリズムから出力されたステップカウント値と、リモートデバイス上のウェアラブルデバイスからの生加速度データを後処理するＭＡＴＬＡＢモデルとは完全に一致した。
さらに、図２０Ａは、長時間にわたってステップカウントアルゴリズムから出力されたトータル活動を示す（ステップレートは、１分当たりのステップのデータの上に表示する（例えば、３０、６０、１２０、１５０、１８０、２１０）。トータル活動の閾値は、ウェアラブルデバイスによって検出され測定されるべき最低のステップレートに基づいて設定することができる。例えば、６０ステップ／分のステップレートを検出し、３０歩以下のステップレートを無視するために、０．０３～０．２８の範囲内の閾値を図２０Ａに示すデータに基づいて設定することができる。図２０Ｂは、左側の様々なステップレートでの加速度計からの生加速データ（ステップレートは、１分当たりのステップのデータの上に表示（例えば、３０、６０、１２０、１５０、１８０、２１０）と右側のボックスカーフィルタリングされた加速データとを示す。サンプリング周波数は１２．５Ｈｚであり、ナイキスト周波数は６．２５Ｈｚであり、ボックスカーフィルタ長さは２であり、３．２Ｈｚで３ｄＢカットオフであった。２１０歩／分のステップレートで示すように、ボックスカーフィルタは、フィルタの長さ及び測定されたステップの周波数のために、データのステップの一部（例えば、２ステップ１を１とカウント）を不鮮明にしている可能性がある。しかしながら、十分な量のシグナルはボックスカーフィルタを通過して、２１０歩／分で測定される。
ボディアングル
ウェアラブルデバイス１０２は、検出された生理学的データを利用して、患者の身体に対するウェアラブルデバイスの向きを自動的に決定するための機能を含み得る。判定は、患者がウェアラブルデバイス１０２を初期化及び／又は較正することを必要としない可能性がある。このように、ウェアラブルデバイス１０２は様々な向きでインストールすることができ、したがって、ウェアラブルデバイス１０２は、特定の位置及び／又は向きで患者の皮膚上にウェアラブルデバイス１０２を正確に配置することを必要としない可能性がある。例えば、ウェアラブルデバイス１０２は、右側を上にしてもよいし、上下逆にしてもよいし、又は他の向きにしてもよい。
ボディアングルアルゴリズムは、比較歩数計を初期化するために典型的に使用され得る患者からの入力無しで、患者のボディアングルを決定することができる。ボディアングルアルゴリズムは、さらに、本明細書中に記載されているように、着用者が眠っている、及び／又は横になっているか否かを判定するために使用することができる。患者が横になっている間は歩くことができないので、患者が眠っている及び／又は横になっている間にボディアングルアルゴリズムは、ウェアラブルデバイス１０２が消費電力を減少することを可能にすることができる。さらに、ボディアングルアルゴリズムは、ウェアラブルデバイス１０２における停電後に効率的なボディアングル決定を可能にできる。
ボディアングルアルゴリズムは加速度計データを受信することができ、制御回路によって実行するためにウェアラブルデバイス１０２及びリモートデバイスにわたって分配することができる。例えば、ボディアングルアルゴリズムは、メモリ１１２に保存することができ、プロセッサ１１１によって利用されて、加速度計１２２から受信した加速度計データを、生理学的メトリック、例えば、ボディアングルなどに変換することができる。ボディアングルアルゴリズムは、ウェアラブルデバイスのアクティブな較正なしでの向き決定を可能にすることができる。
様々な例において、ボディアングルアルゴリズムは、リモートデバイス上に保存し計算することができ、ボディアングルを計算するために使用される加速度計データは、より長時間保存することができ、その期間では、潜在的に誤ったボディアングル値を除外する時間フレームが増加したために、精度の改善を提供できる。
ボディアングルの決定は、加速度計からの次元ごとの平均加速データから誘導することができる基準ベクトルに依存し得る。基準ベクトルは、患者が直立（例えば、歩行、起立）しているときのウェアラブルデバイスの向きに対応し得、一方、ボディアングルは、基準ベクトル上への加速データからの瞬間平均加速ベクトルの投影であり得る。本明細書中で使用する場合、「横になっている」とは、０度のボディアングルに関連する患者の位置を意味し、一方、「直立」とは、－９０度のボディアングルに関連する患者の位置を意味する。
基準ベクトルは、浮動小数点での単位のない量（Ｘ、Ｙ、Ｚ次元ごとに１つの数値）として出力することができ、ボディアングルは度で出力することができる。基準ベクトルは、測定期間の数がＡＣＣ ＢＡ Ｎｕｍ Ｒｅｃｏｒｄｓパラメータを越えた後、測定期間ごとに１回更新することができる。ボディアングルは、測定期間ごとに１回計算することができ、最後に更新された基準ベクトルに依存し得る。
基準ベクトル計算は、入力として選択範囲内（例えば、パラメータＡＣＣ ＢＡ Ｍｉｎ Ｓｔｅｐ ＴｈｒとＡＣＣ ＢＡ Ｍａｘ Ｓｔｅｐ Ｔｈｒとの間）のステップレートを含む適格ＡＣＲを使用し得る。したがって、基準ベクトル計算では、患者が選択範囲内のステップレートで歩んでいるので、患者は直立していると仮定できる。適格ＡＣＲはそれらの平均加速データに基づいてビニングされる。ビニングは、加速度計データの軸（例えば、Ｘ、Ｙ、Ｚ）のそれぞれについて独立して実施することができる。次に、最も的確なレコード（ただし、「ＡＣＣ＿ＭＩＮ＿ＭＯＤＥ」以上であり得る）を有する軸の各々の選択ビンを基準ベクトルとして設定することができる。
ウェアラブルデバイスが基準ベクトルを設定するために十分な適格ＡＣＲを保存及び／又は受信していない場合、患者が直立している場合、加速度計のＸ軸は重力と完全に一致しているという名目上の仮定の下で、ウェアラブルデバイスはデフォルトのベクトル（例えば、｛－１，０，０｝）を使用することができる。患者がウェアラブルデバイスを身体に上下逆に設置し、十分な数の適格ＡＣＲが集められなかった（例えば、ウェアラブルデバイスを設置し、患者が横になっている）例では、ウェアラブルデバイスは基準ベクトルを反転させることができる（例えば、｛１，０，０｝）。ＡＣＲのほとんどが閾値を上回る、例えば、０．８ｇを上回るｘ軸値を有し、最低３ＡＣＲである場合、ウェアラブルデバイスは基準ベクトルを反転させることができる。例えば、ウェアラブルデバイスは、ウェアラブルデバイスが上下逆に設置されていると仮定することができる。
基準ベクトル更新は、ビンカウントがいずれかの軸でビンカウント閾値（例えば、ＡＣＣ＿ＭＡＸ＿ＭＯＤＥ）に達すると、凍結することができる（例えば、さらなる更新はない）。更新を凍結させことで、ビンカウントを８ビットの整数として保存することができるようにメモリ使用量を最適化することができる。ユーザの身体に対してウェアラブルデバイスの向きを相対的に固定できると仮定すると（皮膚の変形による多少の可能な変動を除く）、基準ベクトルを凍結することは基準ベクトルの精度に影響を及ぼさない場合がある。
本明細書中で記載するように、ボディアングルアルゴリズムは、患者の位置を含まない基準ベクトルを計算することができる、及び／又はウェアラブルデバイスを選択位置及び／又は向きに向けることができる。このようにして、ウェアラブルデバイスは、患者にとって使いやすくなり、停電の場合、ボディアングルの決定を自動的に継続することができる。
ボディアングルアルゴリズムは、必要に応じて、メモリと基準ベクトルの精度とのバランスをとるように構成することができる。例えば、別のパラメータ、ＡＣＣ＿ＮＵＭ＿ＢＩＮＳを使用して、精度のメモリ要件をトレードオフすることができる。このようにして、本開示の例は、チップサイズの減少、消費電力の減少、及び／又はクロック速度の減少を可能にすることができる。
図２１Ａ～図２１Ｄは、ビンをＡＣＲで満たすことによる基準ベクトルの生成の一例を示す。ウェアラブルデバイスは基準ベクトル計算を実施するように構成することができる。ウェアラブルデバイスの起動時（例えば、初期化）、基準ベクトルビンを空にすることができる。ビンの数は、デフォルトコンパイル時間パラメータに基づくことができる。様々な例において、４０の基準ベクトルビンが存在する可能性がある。
図２１Ａを参照すると、基準ベクトルビンが空である、基準ベクトル決定のための初期状態が示されている。デフォルトの４０基準ベクトルビンを軸Ｘ、Ｙ、及びＺについて示す。ステップカウントが「ＡＣＣ ＢＡ Ｍｉｎ Ｓｔｅｐ Ｔｈｒ」を越え、「ＡＣＣ ＢＡ Ｍａｘ Ｓｔｅｐ Ｔｈｒ」未満である加速データ（例えば、ＡＣＲ）は、基準ベクトル計算のための適格レコードとしてみなすことができ、基準ベクトルビンに追加することができる。適格レコードを受信すると、ボディアングルアルゴリズムは加速データ（例えば、データのパケット）の平均結果を計算することができる。すなわち、ボディアングルアルゴリズムは、式１３中のＭｅａｎＸ、ＭｅａｎＹ、及びＭｅａｎＺに基づいてＸＢｉｎ＃ビン、ＹＢｉｎ＃ビン、及びＺＢｉｎ＃ビンを計算することができる。ＹＢｉｎ＃ビンとＺＢｉｎ＃ビンとは、ＸＢｉｎ＃ビンと同様の方法で計算される。
Figure 0007267311000030
ボディアングルアルゴリズムは、加速データの平均結果に基づいてＸＢｉｎ＃ビン、ＹＢｉｎ＃ビン、及び／又はＺＢｉｎ＃ビンでのカウントを増加させることができる。図２１Ｂを参照すると、基準ベクトルビンの実装状態が示されている。図示するように、基準ベクトルビン中の適格加速データのカウントを提示する。基準ベクトルを決定するために、ボディアングルアルゴリズムは、各軸の基準ベクトルビンを評価することができ、各軸のどの基準ベクトルビンが他の基準ベクトルビンに対して最も多くのカウントを含むかを決定することができる。図２１Ｂでは、各軸の基準ベクトルビンにおいて適格レコードは１つしかないので、基準ベクトルはボディアングルアルゴリズムによってまだ計算されていない可能性がある。ボディアングルアルゴリズムは、レコードの閾値数に達したら（例えば、ＡＣＣ ＢＡ Ｎｕｍ Ｒｅｃｏｒｄｓ）、基準ベクトルを計算するだけであり得る。レコードの閾値数を待つことで、計算された基準ベクトルの精度を増加させることができる。受信されたさらなる適格レコードを基準ベクトルビンに追加することができる。
図２１Ｃを参照すると、第２の適格レコードが受信され、基準ベクトルビン中に実装されている。Ｙ軸の基準ベクトルビン中にはタイが存在する。基準ベクトルビンがタイを有する例では、カウントに達した第１の基準ベクトルビンが選択される。しかしながら、レコードの閾値数（例えば、ＡＣＣ ＢＡ Ｎｕｍ Ｒｅｃｏｒｄ）にはまだ達していない（例えば、３適格レコード未満）。したがって、基準ベクトルビンは基準ベクトル計算に選択されていない。
図２１Ｄを参照すると、第３の適格レコードが受信され、基準ベクトルビン中に実装されている。レコードの閾値数（ＡＣＣ ＢＡ Ｎｕｍ Ｒｅｃｏｒｄｓ）に達している。したがって、ボディアングルアルゴリズムは、各軸で最高のカウントを有する基準ベクトルビン（斜線を施したビンによって示す）を選択することができ、ボディアングルアルゴリズムは、選択されたビンから基準ベクトルを計算することができる。図示されているように、ボディアングルアルゴリズムはＸＢｉｎ＝０、ＹＢｉｎ＝０、及びＺＢｉｎ＝１を選択した。その後、ボディアングルアルゴリズムは式１４から基準ベクトルを計算することができる。基準ベクトルＹ、及び基準ベクトルＺを基準ベクトルＸと同様の方法で計算することができる。
Figure 0007267311000031
基準ベクトルは、各軸の基準ベクトルの組み合わせであり得る。例えば、基準ベクトルは｛基準ベクトルＸ、基準ベクトルＹ、基準ベクトルＺ｝として出力することができる。追加の適格レコードが受信され基準ベクトルビンに実装されるので、基準ベクトルビン中のカウントが変化する可能性があり、その結果、各軸内で新しい最大値が得られる可能性がある。したがって、基準ベクトルは、各適格レコードが受信された後に再計算（例えば、更新）することができる。閾値量の適格レコードが受信された後（ＡＣＣ＿ＭＡＸ＿ＭＯＤＥ）、基準ベクトルは、凍結され、再計算されない場合がある。
基準ベクトルを計算した後、又はデフォルトの基準ベクトルに基づいた後、患者のボディアングルを決定するために、ボディアングルアルゴリズムは、式１５に従って基準ベクトル上への平均加速ベクトルの正規化投影を計算することができる。
Figure 0007267311000032
式１５によると、基準ベクトルと整列させた加速ベクトルは、－９０ｏのボディアングル（例えば、直立）となり得る。基準ベクトルから半径方向にオフセットされた加速ベクトルは、０度のボディアングル（例えば、横になっている）又は９０度のボディアングル（例えば、上下逆）となり得る。ボディアングルはボディアングルアルゴリズム又は他のソフトウェア（ウェアラブルデバイス及び／又はリモートデバイスに埋め込まれている）によって数値化することができ、可能な状態のうちの１つにマッピングすることができる。様々な例において、可能な状態は、直立、傾斜、横になる、上下逆、の４つだけであり得る。このように、ボディアングルアルゴリズムは、ウェアラブルデバイスによって使用されて、患者は特定の状態で歩かない可能性が高いので、その特定の状態（例えば、横になっている）の消費電力（例えば、加速度計測定の周波数）を低下させることができる。
心拍数
患者の心拍数は、心臓周期中の心筋脱分極及び再分極によって引き起こされる心臓の電気的活動を測定することによって決定できる。電気的活動は、患者の身体に電極を設置し、ＥＣＧシグナル（電圧対時間）を検出することによって検出することができる。ＥＣＧシグナルは、典型的には、特に、Ｐ波、ＱＲＳ群、及びＴ波を含む。Ｐ波は心房の脱分極を表し、典型的には８０ミリ秒（ｍｓ）以下で起こる。ＱＲＳ群は、Ｑ波（Ｐ波後の下向きの偏向）、Ｒ波（Ｑ波後の上向きの偏向）、及びＳ波（Ｒ波後の下向きの湾曲）の組み合わせであって、典型的には、ヒトの心臓の右心室及び左心室の脱分極並びに大心室筋の収縮に相当する。ＱＲＳ群は、典型的には、８０ｍｓ～１００ｍｓで発生し、典型的にはＲ波ピークによって表されるＥＣＧシグナルにおいて最大の振幅を有する。Ｔ波はＱＲＳ群に続いて生じ、典型的には、１６０ｍｓ間に起こり得る、心室の再分極を表す。
心拍数を決定する方法は、ＥＣＧデータにおけるＲ波ピーク検出に焦点を合わせることができ、確実に周期的かつ連続的なデータを想定することができる。例えば、患者の心拍数メトリックは式１６に従って計算することができる。本明細書中で使用する場合、「心拍数」という語は、別段の記載がない限り、メジアン心拍数を意味する。平均心拍数も計算することができるが、メジアン心拍数が典型的な出力である。
Figure 0007267311000033
Ｒ－Ｒ区間とは、ＥＣＧシグナルにおける２つの隣接するＲ波ピーク間の時間を指す。しかしながら、インジェスティブルセンサデータ及び生理学的データのフレームを含む不連続データは、患者の心拍数をＥＣＧデータから決定する場合に課題を提示する可能性がある。すなわち、ウェアラブルデバイスからのバーストデータを取り扱い、ＥＣＧデータから心拍数を正確に決定することは、課題を提示し得る。
心拍数アルゴリズムはＥＣＧデータを受信することができ、制御回路によって実行するためにウェアラブルデバイス１０２及びリモートデバイスにわたって分配することができる。例えば、心拍数アルゴリズムは、メモリ１１２に保存することができ、プロセッサ１１１によって利用されて、ＥＣＧデータを、生理学的メトリック、例えば、ステップカウントなどに変換することができる。様々な例において、心拍数アルゴリズムのベクトルコプロセッサ部分は、ウェアラブルデバイスのメモリ１１２中に保存することができ、ウェアラブルデバイス１０２上で実行することができ、心拍数アルゴリズムのプロセッサ部分は、リモートデバイスのメモリ中に保存することができ、リモートデバイス上で実行することができる。パッチ上のＥＣＧデータの処理は、さらなる処理のためにリモートデバイスへ転送されるデータを減少させることができる。
図２２Ａは、図２２Ｂにおいて患者のボディアングル対時間で示されるように、ある時間中に患者が眠っているか又は安静にしているために、大きなデータブロックが欠落しているＥＣＧデータから心拍数を決定する比較アルゴリズムのデータ例を示す（０度は患者が横になっていることに対応する）。欠落している大きなデータブロックは、比較品質フィルタを利用してフィルタリングで除去した。図２２Ｃは、比較品質にてフィルタリングで除去された生ＥＣＧシグナルの３つのフレームを示す。しかしながら、図示されているように、心拍は生ＥＣＧシグナルで依然として観察可能である。
ＥＣＧメトリックを得るために、図１５を参照して、生理学的データ１５０２はタイムギャップ１５０６中のＥＣＧイベント期間のＥＣＧデータを含み得る。インジェスティブルセンサデータ１５０４は、ＥＣＧデータ間（例えば、ＥＣＧ測定間隔中）で受信することができる。ＥＣＧデータフレームは、ＥＣＧシグナル取得の期間であり得、サブフレームはフレームの一部であり得る。様々な例において、各フレームは４つのサブフレームを含む。
ＥＣＧデータを処理するための心拍数（ＨＲ）アルゴリズムは表１９のパラメータを含み得る。
Figure 0007267311000034
ＥＣＧデータの品質メトリックを計算し、使用して、ノイズの多いＥＣＧデータから計算された心拍数メトリックの精度を向上させることができる心拍数メトリックのために使用することができるＥＣＧデータをフィルタリングすることができる。大規模に破損したＥＣＧデータでは、ＥＣＧデータ内のＲ波ピークとそれらの位置とを正確に特定することは可能でない場合があり、その結果、不正確な心拍数メトリックに至る可能性がある。したがって、大規模に破損したＥＣＧデータは、患者に対して誤った心拍数を出力及び／又は表示するのではなく、無視及び／又は破棄することができる。
ＨＲアルゴリズムは、各ＥＣＧデータフレーム、例えば、（ｉ）１分当たりの心拍での心拍数メトリック及び（ｉｉ）対応するフレーム内で報告された心拍数メトリックが有効であるか否かを示すフラグ（例えば、フラグは、測定が有効である場合に１に設定され、その他の場合、すなわち逆の場合は０に設定される）などの出力を生成することができる。ＨＲアルゴリズムはまた、ウェアラブルデバイス及び／又はリモートデバイスによって使用され得る他の補助メトリックも生成することができる。
図２３は、ＥＣＧデータを受信し処理するためのフローチャートを示す。すなわち、ＥＣＧシグナルは、患者に設置されたウェアラブルデバイスの電極から受信される。生ＥＣＧシグナルは、アナログ処理ブロック２３０２で処理することができ、生ＥＣＧデータとして出力することができる。生ＥＣＧデータはＨＲアルゴリズムによる処理のために処理ブロック２３０４に入力することができる。ＨＲアルゴリズムは、ベクトルコプロセッサ２３０６（例えば、ベクトルマスコプロセッサ、例えば、デュアルコアＤＳＰプロセッサなど）及びプロセッサ２３０８（例えば、ＡＲＭ Ｃｏｒｔｅｘ（商標）Ｍ３プロセッサ）においてＥＣＧデータを処理することができる。ベクトルコプロセッサ２３０６及びプロセッサ２３０８は、ウェアラブルデバイス上の同一場所に配置することができるか、又は１つはウェアラブルデバイス上にあり得、１つはリモートデバイス上にあり得る。ベクトルコプロセッサはＡＳＩＣ上のベクトルマスコプロセッサであり得、プロセッサはＡＳＩＣ上の高機能縮小命令セットコンピューティングマシンプロセッサであり得る。処理ブロック２３０４は、データから特徴を抽出することができ、例えば、心拍数及び／又は他のメトリックなどメトリックを出力することができる。
比較アルゴリズムにおいて、ＥＣＧデータの処理は、ベクトルコプロセッサ２３０６では実施されず、生ＥＣＧデータはプロセッサ２３０８に入力されたのであろう。しかしながら、本開示によるＨＲアルゴリズムは、ベクトルコプロセッサ２３０６においてＥＣＧデータを処理する。すなわち、ベクトルコプロセッサ２３０６はアナログ処理ブロック２３０２から受信した生ＥＣＧデータを強化し、強化ＥＣＧデータをプロセッサ２３０８に入力し、ここで、強化ＥＣＧデータから特徴を抽出することができる。すなわち、生ＥＣＧデータの処理は、ベクトルコプロセッサ２３０６及びプロセッサ２３０８にわたって分割することができる。すなわち、ベクトルコプロセッサ２３０６は、生ＥＣＧデータを、心拍数メトリックを計算する際に、より容易に特定及び／又は位置付けし得る強調されたＲ波ピークを有する強化ＥＣＧデータに変換することによって、生ＥＣＧデータを脱ノイズすることができる。例えば、強化ＥＣＧデータは、Ｒ波ピークを特定し位置付けするために、必要とするプロセッサ２３０８及び／又は異なるプロセッサによる処理が少なくてよい。
ベクトルコプロセッサ２３０６は、所望によりＥＣＧデータのサンプリング速度を減少させることができるか、又は生ＥＣＧデータと同じサンプリング速度で強化ＥＣＧデータを出力することができる。例えば、ベクトルコプロセッサ２３０６は、第１の周波数（例えば、２５６Ｈｚ）でサンプリングされた生ＥＣＧデータを受信することができ、同じ第１の周波数（例えば、２５６Ｈｚ）又は第１の周波数よりも少ない異なる第２の周波数（例えば、６４Ｈｚ）で強化ＥＣＧデータを生成することができる。ベクトルコプロセッサ２３０６を利用して強化ＥＣＧデータを作成することにより、下流のフィルタリング操作において効率を増加させることができ、移動したデータの量を少なくすることができ、また、プロセッサ２３０８におけるメモリ使用量の効率を増加させることができる。ベクトルコプロセッサ２３０６及びプロセッサ２３０８を利用することで、ウェアラブルデバイスのハードウェアデザインにおけるさらなる柔軟性、及び修飾されない方への影響を、あったとしても最小にしてベクトルコプロセッサ２３０６又はプロセッサ２３０８の修飾を可能にすることができる。
本開示によるＨＲアルゴリズムとの使用のための様々なプログラム可能なパラメータを表２０に提示する。
Figure 0007267311000035
ＥＣＧシグナル取得が開始されると（例えば、ＥＣＧイベント間隔のプログラム可能なパラメータによって制御される）、ＥＣＧシグナル取得が完了するまで（例えば、ＥＣＧイベント期間のプログラム可能なパラメータによって制御される）処理フレーム境界を越えてフィルタリング操作の状態を維持しつつ、ベクトルコプロセッサ２３０６はＥＣＧデータのフレーム上で操作することができる（例えば、２５６Ｈｚで５１２サンプル）。フィルタ操作の状態は、ＥＣＧシグナルのすべての取得の開始時にリセットすることができる。例えば、ベクトルコプロセッサ２３０６は、生ＥＣＧデータを受信することができ、一連の線形及び／又は非線形フィルタリング操作、例えば、図２４で図示し本明細書中で記載するような一連のフィルタリング操作を介してＥＣＧデータを強化することができる。
図２４に示すように、生ＥＣＧデータを強化するために、生ＥＣＧデータは、ベクトルコプロセッサ、２４０２によりハイパスフィルタを通して処理することができる。ハイパスフィルタは、例えば、ベースライン変動及びモーションアーティファクトなどの低周波数ノイズ源を抑制することができる。ハイパスフィルタは、ＦＩＲフィルタ（例えば、３１タップ）として実装することができ、応答の程度は図２５に示すとおりであり、パラメータを表２１にまとめる。
Figure 0007267311000036
図２４に戻ると、ハイパスフィルタ化ＥＣＧデータは、ローパスフィルタを通して処理して、高周波数ノイズ源、例えば、６０Ｈｚ電力線妨害などを抑制することができる２４０４。ローパスフィルタは、ＦＩＲフィルタ（例えば、３１タップ）として実装することができ、応答の程度は図２６に示すとおりであり、パラメータを表２２にまとめる。
Figure 0007267311000037
 表２２：ローパスフィルタの設計パラメータ
図２４に戻ると、ローパスフィルタ化ＥＣＧデータは、ダウンサンプリングフィルタを通して処理することができる２３０６。ダウンサンプリングフィルタは、ＥＣＧデータのサンプリング速度を減少させることができ、これによりＥＣＧデータを処理するために必要とされる処理サイクル及びメモリ内のＥＣＧデータのサイズを減少させることができる。例えば、ダウンサンプリングフィルタは、２つのサンプルのうちの１つ、３つのサンプルのうちの２つ、４つのサンプルのうちの３つを除去することができるか、又は別の量のサンプルを除去することができる。様々な例において、ローパスフィルタ化ＥＣＧデータはダウンサンプリングフィルタを通して処理されない。
ＥＣＧデータは、デリバティブフィルタを通して処理して、Ｒ波ピークをさらに強化することができ、またＥＣＧデータのＲ波ピークにおける特徴をシャープにする（勾配を増加させる）ことができる２４０８。デリバティブフィルタはＦＩＲフィルタ（例えば、５タップ）を使用してＥＣＧデータを処理することができる。デリバティブフィルタの係数は、［０．５、０、０、０、－０．５］の縮小版に設定することができる。デリバティブフィルタは、図２７に示すような応答の程度で実装することができる。先行するハイパスフィルタ及びローパスフィルタの阻止帯域周波数を、参考のために図２７において破線で示す。
再度図２４に戻ると、誘導体化ＥＣＧデータは、更正フィルタ（すなわち、ＥＣＧデータの絶対値）を通して処理して、Ｒ波ピークの極性を決定性（すなわち、常にプラス）にすることができる２４１０。更正フィルタは、ＥＣＧデータの極性に関連する曖昧度を除去することができる。更正フィルタは、その後のボックスカー平均化ステップのためにＥＣＧデータを準備することができる。様々な例において、更正フィルタは、ベクトルコプロセッサによって事項される唯一の非線形フィルタリング操作であり得る。
更正されたＥＣＧデータはボックスカーフィルタを通して処理することができる２４１２。例えば、更正されたＥＣＧデータは、２４タップのボックスカーフィルタを使用して平均化でき、すべての係数は１／２４の縮小版に設定される。ボックスカーフィルタは、ＱＲＳ群をブースト、局在化、及び／又は単離することができ、Ｒ波ピークをさらに強化することができる。ボックスカーフィルタから出力されたデータは強化ＥＣＧデータであり得、これをプロセッサに送ることができる。ボックスカーフィルタは、図２８に示すような応答の程度で実装することができる。
このようにして、プロセッサに先立ってベクトルコプロセッサにおいてＥＣＧシグナルを処理することで、プロセッサにおいて必要とされる処理サイクル、プロセッサのクロック速度、及び／又はプロセッサにおけるメモリ使用量を低下させることができる。さらに、ＥＣＧデータの強化は、高効率シグナル処理タスクを実行するために最適化された計算エンジンを含み得る。これらのシグナル処理機能は、プロセッサ１１１又は他のマイクロコントローラユニットで実行されるソフトウェアに実装されたソフトウェアベースのアルゴリズムと比較して、１０倍以上効率的であり得るロジックでハードコーディングすることができる。効率は、チップサイズの減少、消費電力の減少、及び／又はクロック速度の減少であり得る。さらに、心拍数アルゴリズムは、あるレベルのプログラム可能性を維持することができるが、最適化された計算である実行ユニットを利用することができる。ＨＲアルゴリズムは、ウェアラブルデバイスを患者に見境なく設置して、それでもなお正確な心拍数メトリックが得られることを可能にする。例えば、患者の身体上のウェアラブルデバイスの位置に応じて、ウェアラブルデバイスによって検出されるＥＣＧシグナルは類似した全体的構造を有し得るが、ＥＣＧシグナルの振幅は位置間で異なり得る。ＥＣＧシグナルの振幅における差異は、ＨＲアルゴリズムにおける様々な閾値の調節によって説明できる。
図２９Ａ～図２９Ｇを参照すると、ダウンサンプリングを含むベクトルコプロセッサによって処理された生ＥＣＧデータの一例が提示されている。図２９Ａ～図２９Ｇは、胴体にウェアラブルデバイスを着用して安静にしている患者から収集されたＥＣＧデータフレーム（１フレーム＝１４ｓｅｃ）を視覚的に示す。図２９Ａは生ＥＣＧデータを示し、図２９Ｂは、図２９Ａからの生ＥＣＧデータを、ハイパスフィルタを通して処理した後のハイパスフィルタ化ＥＣＧデータを示す。図２９Ｃは、図２９Ｂからのハイパスフィルタ化ＥＣＧデータを、ローパスフィルタを通して処理した後のローパスフィルタ化ＥＣＧデータを示す。図２９Ｄは、図２９Ｃからのローパスフィルタ化データを、ダウンサンプリングフィルタを通して処理した後のダウンサンプリングしたＥＣＧデータを示す。図２９Ｅは、図２９ＤからのダウンサンプリングしたＥＣＧデータを、デリバティブフィルタを通して処理した後の誘導体化ＥＣＧデータを示す。図２９Ｆは、図２９Ｅからの微分ＥＣＧデータを、更正フィルタを通して処理した後の更正されたＥＣＧデータを示す。図２９Ｇは、図２９Ｆからの更正されたＥＣＧデータを、ボックスカーフィルタを通して処理した後の強化ＥＣＧデータを示す。
図３０Ａ～図３０Ｆを参照すると、ダウンサンプリングを含まないベクトルコプロセッサによって処理された生ＥＣＧデータの一例が提示されている。図３０Ａ～図３０Ｇは、胴体にウェアラブルデバイスを着用して安静にしている患者から収集されたＥＣＧデータフレーム（１フレーム＝１４ｓｅｃ）を視覚的に示す。図３０Ａは生ＥＣＧデータを示し、図３０Ｂは、図３０Ａからの生ＥＣＧデータを、ハイパスフィルタを通して処理した後のハイパスフィルタ化ＥＣＧデータを示す。図３０Ｃは、図３０Ｂからのハイパスフィルタ化ＥＣＧデータを、ローパスフィルタを通して処理した後のローパスフィルタ化ＥＣＧデータを示す。図３０Ｄは、図３０Ｃからのローパスフィルタ化ＥＣＧデータを、デリバティブフィルタを通して処理した後の誘導体化ＥＣＧデータを示す。図３０Ｅは、図３０Ｄからの微分ＥＣＧデータを、更正フィルタを通して処理した後の更正されたＥＣＧデータを示す。図３０Ｆは、図３０Ｅからの更正されたＥＣＧデータを、ボックスカーフィルタを通して処理した後の強化ＥＣＧデータを示す。
ベクトルコプロセッサの強化ＥＣＧデータ出力は、２４ビット解像度で出力することができる。一部のプロセッサにおけるメモリ制約のために、ＥＣＧデータの各ＥＣＧデータフレームは１６ビット解像度で適合するように正規化することができ、結果として得られるシフト係数（例えば、ＮＲ＿シフト）を保存して下流の処理で使用することができる。シフト係数は、フレーム内で観察される最大値（Ｍａｘ）に基づいて計算することができ、これはまた、ベクトルコプロセッサによって計算してもよい。
図３１を参照すると、ＥＣＧデータの正規化の一例が提示されている。様々な例において、ベクトルコプロセッサは、第１のビット数（例えば、２４ビット数）としてデータを処理することができ、プロセッサは、第１のビット数よりも小さい第２のビット数（例えば、１６ビット数）としてデータを処理して、メモリを節約することができる。ベクトルコプロセッサからプロセッサのデータを正規化するために、最下位ビット（例えば、ビット２３）に整列させるために必要とされるビット数シフト（例えば、シフト係数）は強化ＥＣＧデータで決定される。図示するように、ＥＣＧデータフレームのシフト係数は、ＥＣＧデータフレームにおいて観察される最大値を正規化するために、５であると計算される。シフト係数を計算するための命令は、「（ＩＮＴ３２ ＥｃｇＦｉｌｅＲｅａｄ：：Ｎｏｒｍｐ２４（ＵＩＮＴ３２ ｉｎｐ３２）」であり得る。その後、シフト（例えば、左へシフト）をシフト係数に基づいて実施して、メモリに保存する。最下位ビット数（例えば、図３１で示すような１６）を保持し、プロセッサに渡す。正規化は、ＥＣＧデータの様々なサブフレームをまとめて、サブフレーム間のシフトをもたらす方法であり得る。
図２３に戻ると、ベクトルコプロセッサ２３０６からの強化ＥＣＧデータをプロセッサ２３０８に入力することができる。プロセッサ２３０８は、強化ＥＣＧデータ中のＲ波ピークを特定し位置付けすることができ、そしてＲ波ピークの位置を心拍数メトリックに変換することができる。プロセッサ２３０８はまた、出力心拍数メトリックの有効性を決定するために使用できる品質メトリックも計算できる。出力心拍数メトリックの有効性を決定することで、入力生ＥＣＧデータが大規模に破損しているためにウェアラブルデバイスが不正確な心拍数を出力することを、防止できなくても制限することができる。有効性決定は、ウェアラブルデバイス及び／又はリモートデバイスによって下流で使用されて、不正確な出力心拍数メトリックをフィルタで除去し破棄することができる。
プロセッサ２３０８は、ベクトルコプロセッサ２３０６からの強化ＥＣＧデータの処理を開始する前に、プログラム可能なパラメータ（例えば、ＥＣＧイベント期間）によって決定されるように、ある期間にわたってある量の強化ＥＣＧデータがバッファーに格納されるまで待つことができる。例えば、２５６ＨｚのＥＣＧサンプリング速度及び１４ｓｅｃの３５８４公称ＥＣＧイベント期間で、強化ＥＣＧデータのサンプルは、強化ＥＣＧデータの処理に先立って、プロセッサ２３０８によってバッファーに格納されなければならない。強化ＥＣＧデータのバッファーは、部分的なオーバーラップを伴ってサブフレームに分割することができる。例えば、図３２に示すように、バッファーは部分的なオーバーラップを伴って４つのサブフレームに分割することができる。４つのサブフレームは強化ＥＣＧデータのそれぞれで３．５秒であり得る。サブフレームは、境界効果の処理のためにピークが失われるのを回避するためにオーバーラップさせることができる。フレーム内の最後のサブフレームはオーバーラップを有していない場合がある。例えば、０．１２５などのオーバーラップ係数を使用することができる。
図３３は、プロセッサにおける強化ＥＣＧデータの処理のフローチャートを示す。すなわち、プロセッサは、ピークファインダー（ＰＦ）アルゴリズム及び適応的閾値化（ＡＴ）アルゴリズムを利用して、バッファーで分割されたサブフレーム中にピークを見出すことができる３３０２。ピーク発見は、ピーク閾値のレベルクロッシングが与えられた場合に、立ち上がりエッジと立下りエッジとの対を見出すことに基づき得る。ピーク閾値は、本明細書中で記載するＡＴアルゴリズムに従って定義することができる。プロセッサは、図３４に示すようなピーク発見（ＰＦ）アルゴリズムを利用することができる。ＰＦアルゴリズム及びＡＴアルゴリズムはＨＲアルゴリズムのサブ構成要素であり得る。
連続するサンプルの数がピーク検出閾値を超えることが判明し、局所導関数が正である場合、立ち上がりエッジと断定できる。連続するサンプルの数がピーク検出閾値を下回ることが判明した場合、立ち下がりエッジと断定できる。立ち上がりエッジに続いて見出される場合（例えば、立下りエッジ及び立ち上がりエッジの対）、暫定ピークと断定できる。ＰＦアルゴリズムは、レベルクロッシングを探すだけで、極大を探さなくてもよく、したがって、本明細書中に記載されているようにピーク精緻化が必要とされる可能性がある。
図３５Ａを参照すると、閾値３５０６の後に３つの連続するサンプルが見出された後に、立ち上がりエッジ３５０２と断定される。閾値３５０６の後に３つの連続するサンプルが見出された後に、立下りエッジ３５０４と断定され、ピークは、立下りエッジ３５０４と立ち上がりエッジとの対３５０２に基づいて断定される。
プロセッサはまた、各サブフレーム内のピークを特定するために、ＰＦアルゴリズムとあわせてＡＴアルゴリズムを利用することもできる。ＡＴアルゴリズムは、ピーク閾値（例えば、下側ピーク閾値Ｌ、上側ピーク閾値Ｕ）が収束する（すなわち、実質的に同じ数又は同じ数の特定されたＲ波ピークをもたらす）まで、又は１つ以上の終了基準が満たされるために収束しなくなるまで、それらを動的に適応させること（例えば、変更、調節）を含み得る。ＡＴアルゴリズムは、データに依存する閾値で初期化して、サブフレームにわたるシグナル振幅変動を構成することができる。
各サブフレームについて、ＡＴアルゴリズムは式１７を計算することができる。
Figure 0007267311000038
ＥＣＧシグナル取得の開始時にフィルタ操作を初期化する必要があり得るので、第１のサブフレーム中の第１のサンプル量（過渡領域と称する）を省略して、ベクトルコプロセッサにおけるフィルタ操作を収束させることができる。様々な例において、第１のサンプル量は６０である。過渡領域の期間は、ベクトルコプロセッサにおけるフィルタ操作すべての総ステップ応答に基づいて選択することができる。その後、ＡＴアルゴリズムはピーク閾値を初期化することができる。例えば、初期ピーク閾値は、ＥＣＧデータの統計値、例えば、最大、平均、及び／又は標準偏差などに基づき得る。ＰＦアルゴリズムは、式１８の条件を満たしつつ、閾値Ｕに基づいたピークの数（ｎＵ）及び閾値Ｌに基づいたピークの数（ｎＬ）を計算することができる。
Figure 0007267311000039
閾値は式１９に従って調整することができ、ＰＦアルゴリズムは、式１８における条件が依然として満たされている限り、ｎＵ及びｎＬを再計算することができる。
Figure 0007267311000040
ＡＴアルゴリズムは、反復が収束する場合、サブフレームを有効と断定することができ（すなわち、ループが終了する場合はｎＵ＝ｎＬ）、そうでない場合（例えば、反復数＞反復の最大数）サブフレームを無効と断定することができる。
図３６Ａ～図３６Ｅを参照すると、適応的閾値化アルゴリズムを利用してＥＣＧデータにおける閾値を動的に適応させる一例である。閾値化アルゴリズムはＨＲアルゴリズムのサブ構成要素であり得る。図３６Ａにおいて、閾値ＬはＥＣＧデータにおける最大値の２０％として初期化され、閾値Ｕは最大値の６０％として初期化される。反復の最大数は１０と定義される。その後、ピーク数の第１の反復を初期ピーク閾値Ｕ及びＬに基づいて計算する。すなわち、図３６Ａにおいて、閾値Ｕに基づいて、６つのピークがあり、閾値Ｌに基づいて、８つのピークがある。ＡＴアルゴリズムは、式１８を評価し、条件が満たされていることを確認し、そして引き続きピーク閾値Ｕ及びＬを動的に適応させる。
閾値Ｕ及びＬは、式１９に基づくＡＴアルゴリズムによって動的に適応される。その後、ピーク数ｎＵ及びｎＬの第２の反復をそれぞれの適応されたピーク閾値Ｕ及びＬに基づいて計算する。すなわち、図３６Ｂにおいて、閾値Ｕに基づいて、６つのピークがあり、閾値Ｌに基づいて、８つのピークがある。ＡＴアルゴリズムは、式１８を評価し、条件が満たされていることを確認し、そして引き続きピーク閾値Ｕ及びＬを動的に適応させる。
ピーク閾値Ｕ及びＬは、式１９に基づいて２回目として動的に適応される。その後、ピーク数ｎＵ及びｎＬの第３の反復をそれぞれの２回適応されたピーク閾値Ｕ及びＬに基づいて計算する。すなわち、図３６Ｃにおいて、閾値Ｕに基づいて、６つのピークがあり、閾値Ｌに基づいて、７つのピークがある。ＡＴアルゴリズムは、式１８を評価し、条件が満たされていることを確認し、そして引き続きピーク閾値Ｕ及びＬを動的に適応させる。
ピーク閾値Ｕ及びＬは、式１９に基づいて３回目として動的に適応される。その後、ピーク数ｎＵ及びｎＬの第４の反復をそれぞれの３回適応されたピーク閾値Ｕ及びＬに基づいて計算する。その後、すなわち、図３６Ｄにおいて、閾値Ｕに基づいて、６つのピークがあり、閾値Ｌに基づいて、７つのピークがある。ＡＴアルゴリズムは、式１８を評価し、条件が満たされていることを確認し、そして引き続きピーク閾値Ｕ及びＬを動的に適応させる。
ピーク閾値Ｕ及びＬは、式１９に基づいて４回目として動的に適応される。その後、ピークｎＵ及びｎＬの第５の反復をそれぞれの４回適応されたピーク閾値Ｕ及びＬに基づいて計算する。すなわち、図３６Ｅにおいて、閾値Ｕに基づいて、６つのピークがあり、閾値Ｌに基づいて、６つのピークがある。ＡＴアルゴリズムは式１８を評価し、Ｕに基づくピークの数（ｎＵ）がＬに基づくピークの数（ｎＬ）を等しいので、条件がもはや満たされていないと判定する。したがって、ＡＴアルゴリズムピーク閾値Ｕ及びＬの動的な適用を停止し、ＰＦアルゴリズムは適応されたピーク閾値に基づいて暫定ピークを定義する。さらに、反復の数は反復の最大数よりも少ないので、サブフレームは有効と断定される。
図３３に戻ると、ＰＦアルゴリズムから見出される暫定ピークは、統合することができる３３０４。例えば、すべてのサブフレームで見出されるピークを照合数することができ、第１のサブフレームの過渡領域において見出されるピークを破棄することができる。様々な例において、ピーク統合は起こらない可能性がある。ＰＦアルゴリズムによって見出されるピークは、Ｒ波ピークだけではなく、追加のピーク（例えば、Ｔ波ピーク）を含んでもよい。したがって、暫定ピークは、見出されたピークがＲ波ピークに対応することを確認及び／又は対応することが確実になるように調節しなければならない。
ＰＦアルゴリズムによって特定される暫定ピークは、極大検索に基づいて調整することができる３３０６。例えば、ピーク検索ウインドウはピーク閾値に基づく立ち上がりエッジに基づいて定義することができ、検索ウインドウにおける極大はピークの位置と断定することができる。ピーク検索ウインドウインドウ上がりエッジの位置で始まり、前方へ向かう（例えば、対になった立下りエッジに向かう）多数のサンプル（例えば、４０）に及び得る。サンプル数は、関心対象のＱＲＳ群期間（例えば、１２０ｍｓまで）の実質的にすべてに適応するように定義することができる。ＰＦアルゴリズムは、逆方向検索の必要性を防ぐことができる、実際に近くにあるピークの後に発生するピークの位置を断定することはできない。
図３５Ｂに示すように、検索ウインドウ３５１０は立ち上がりエッジ３５０２に基づいて定義することができる。その後、調整されたピーク３５０８ウインドウ置は、ピーク検索ウインドウ３５１０内の最大検索に基づいて断定することができる。
図３３に戻ると、ピークの位置が断定され、その位置が極大に対応するように調整されると、プロセッサは偽のピークを排除することができる３３０８。例えば、互いに距離の閾値よりも近いピーク（例えば、１７０ｍｓ以上であり得る心不応期によって決定される）を排除することができる。例えば、ピークの位置を連続してスキャンし、連続するピークが互いに４４サンプル内にあることが見出されるならば、より高い振幅を有するピークを保持することができ、他のピーク（複数可）を排除することができる。さらに、過渡領域におけるピークを排除することができる。
プロセッサは振幅変動拒否に基づいてピークを排除することができる３３１０。例えば、高振幅のＴ波ピークの場合、ＰＦアルゴリズムは、Ｔ波ピークを、強化ＥＣＧデータにおいて二峰性振幅分布として起こり得る暫定ピークとして特定する場合があり得る。暫定ピークからのＴ波ピークを有効Ｒ波ピークと断定することを回避するために、二峰性振幅検出器をプロセッサによってアクティブ化することができる。二峰性振幅分布が検出される場合、ピーク分布を分析することができ、Ｒ波に対応するピークのみを心拍数メトリックに関して考慮することができる。
二峰性振幅が強化ＥＣＧデータ中に存在するか否かを判定するために、二峰性振幅検出器は、シフト係数の暫定ピークの振幅を調節し、最小ピーク振幅Ａｍｉｎを計算し、最大ピーク振幅Ａｍａｘを計算することができる。ピーク振幅をＮｂビンにビニングすることができ、ビン範囲は、ピーク振幅の範囲（例えば、０．８最小振幅（Ａｍｉｎ）１．２最大振幅（Ａｍａｘ））を動的にカバーするように決定することができる。二峰性振幅検出器は、最大エントリーのビンｎ１と、二番目のエントリーのビンｎ２とを決定することができる。ビンｎ１の振幅Ａ１及びビンｎ２の振幅Ａ２を計算することができる。次に、プロセッサは、式２０における条件（ｉ）～（ｖ）が有効であるか否かを判定することができる。
Figure 0007267311000041
式２０の条件（ｉ）～（ｖ）のすべてが有効である場合、二峰性振幅検出器は、強化ＥＣＧデータが二峰性振幅分布を含むと断定することができる。二峰性振幅分布の断定に応答して、プロセッサは、有効なＲ波に対応するピークを保持することができ、暫定ピークからのＴ波に対応するピークを除去することができる。例えば、Ａ１がＡ２より大きい場合、プロセッサは、最大エントリーのビンｎ１に対応する第１の範囲内の振幅（例えば、０．８Ａ１～１．２Ａ１）を有する強化ＥＣＧデータにおけるピークを保持することができる。しかしながら、Ａ２がＡ１より大きい場合、プロセッサは、エントリーが二番目に多いビンｎ２に対応する第２の範囲内の振幅（例えば、０．８Ａ２～１．２Ａ２）を有する強化ＥＣＧデータにおけるピークを保持することができる。条件（ｖ）の決定により、信頼できるヒストグラムを作成するためにビニングに利用可能なピークが十分にあることを確実にできる。様々な例において、Ｎｂ＝１０、ｔｈｒｅｓｈ１＝０．２５、ｔｈｒｅｓｈ２＝１．３、ｔｈｒｅｓｈ３＝０．８、ｔｈｒｅｓｈ４＝１５。
さらに、二峰性振幅検出器は以下の条件のうちの少なくとも１つが満たされるか否かを判定することができる：ビンｎ２中のエントリー数がビン閾値以上である；Ａ１とＡ２との差が差の閾値以上である；ビンｎ１及びｎ２におけるエントリー数がピークの総数の閾値部分より大きい；そしてｎ１及びｎ２が隣接するビンではない。様々な例において、二峰性振幅検出器は条件のすべてが満たされるか否かを判定することができる。
図３７Ａを参照すると、暫定ピークは、ＥＣＧデータ３７０２において円によりマークされた位置で断定されている。暫定ピークはＲ波ピーク及びＴ波ピークの両方を含む。その後、図３７Ａ中の暫定ピークの振幅は、１０ビンにビニングされ、ビン範囲はピーク振幅の範囲をカバーする。ビニングされたピーク振幅の振幅ヒストグラム出力を図３７Ｂに示す。その後、検出された二峰性振幅は、式２０における条件（ｉ）～（ｖ）が有効であると判定し、強化ＥＣＧデータが二峰性振幅分布を含むと断定した。二峰性振幅断定の断定に応答して、ビン８中のピークの８０％～１２０％の範囲内の振幅を有するピークが保持され、他のピークは除去される（例えば、ビン２及び３中のピークが除去される）。二峰性振幅検出器によって除去されなかった、図３７Ａからの残存するピークを、図３７ＣにおいてＥＣＧデータ３９０２中の円によってマークしている。
ステップ３３０４でピーク統合、ステップ３３０８での偽ピーク除去、及びステップ３３１０での振幅変動ピーク除去によって除去されなかったピークは有効なＲ波ピークと断定される。有効なＲ波ピークは心拍数メトリックに使用できる。
ＥＣＧデータの例をＭＡＴＬＡＢでモデル化した。各例はＴ波を含み、Ｔ波の振幅は例間で様々であった。心拍数（Ｒ－Ｒ区間に基づく）は毎分８０ビートで一定に保たれた。実施例を比較アルゴリズム及び本開示にかかる二峰性振幅検出器で処理し、有効なＲ波決定出力に基づいて、心拍数メトリックを計算した。表２３は、ＥＣＧデータの例に基づいて心拍数を決定するための比較アルゴリズムの結果を示し、表２４は、二峰性振幅除去を伴う、本開示によるＨＲアルゴリズムの結果を示す。
Figure 0007267311000042
Figure 0007267311000043
示されているように、比較アルゴリズムは、０．６ｍＶのＴ波振幅を越えると確実に成功しなった。しかしながら、本開示による二峰性振幅検出器は、正確な心拍数メトリックを０．６ｍＶよりも大きなＴ波振幅で計算できるように、Ｔ波を拒絶した。
さらに、図３０Ｇを参照すると、プロセッサによって処理された図３０Ｆからの強化ＥＣＧデータの一例である。ピーク閾値を水平な実線で示し、各フレームの境界を垂直な破線で示し、有効であると判定されたＲ波ピークを円でマークする。
図３３に戻ると、暫定ピークが有効なＲ波データであると判定されたら、ＨＲアルゴリズムは強化ＥＣＧデータのＲ－Ｒ区間を計算することができる３３１２。Ｒ－Ｒ区間は式２１に従って計算することができる。
Figure 0007267311000044
Ｒ－Ｒベクトル区間計算に基づいて、ＨＲアルゴリズムは平均及びメジアン心拍数を計算できる３３１４。平均心拍数は、式２２に従ってＲ－Ｒ区間から決定することができ、メジアン心拍数は、式２３に従ってＲ－Ｒ区間から決定することができる。
Figure 0007267311000045
Figure 0007267311000046
ウェアラブルデバイスによって不連続データから取得された強化ＥＣＧデータは、ベクトルコプロセッサ及びプロセッサに関連するシグナル処理を用いて抑制されない可能性のあるノイズの影響を受けやすい可能性がある。したがって、強化ＥＣＧデータの品質メトリックを計算し、使用して、強化ＥＣＧデータが有効であるか否かを決定することができる３３１６。品質メトリック計算はステップ３３１４での心拍数計算と平行して実施することができる。品質メトリックは、ピークスプレッド、メジアン絶対偏差、及び品質スコアのうちの少なくとも１つを含み得る。
品質メトリックを使用して、（ｉ）ＥＣＧデータフレーム中の、もしあれば、どのＲ波ピークを心拍数計算に使用するべきか、及び（ｉｉ）心拍数メトリック値を患者に提示すべきか否かを決定することができる。強化ＥＣＧデータの有効フレーム中に存在する有効なＲ波データを心拍数計算で使用することができ、有効フレームに基づいて心拍数メトリック値をユーザに提示することができる。強化ＥＣＧデータの無効フレームは心拍数計算で使用されない可能性がある一方で、無効フレームから計算された心拍数値は、ユーザに提示されない可能性がある。品質メトリックを使用して、強化ＥＣＧデータのフレームが本明細書中で記載するような品質閾値に対する品質メトリックの比較に基づいて有効であるか否かを判定することができる。ＨＲアルゴリズムは比較に基づいてフレーム又は生理学的データのフレームを無視できる。このようにして、ＨＲアルゴリズムは、生理学的メトリック、例えば、心拍数を、不連続データから正確に決定することができ、生理学的メトリックの計算中に無効フレームを処理しないことで、消費電力を低減することができる。
ピークスプレッドの数（ＰＳ）は、ｉ番目のサブフレーム中にｎｉの特定されたピークが与えられると、式２４に従って計算することができる。
Figure 0007267311000047
メジアン絶対偏差（ＭＡＤ）は、Ｒ－Ｒ区間（ＲＲ）及びメジアン絶対偏差メトリック（メジアン（ＲＲ））が与えられると、式２５に従って計算することができる。ＭＡＤは、メジアン付近の変動の尺度であり得る。
Figure 0007267311000048
品質スコア（ＱＳ）は、有効とみなされるサブフレームの総数として計算することができる（例えば、４つのサブフレームを含む例において０～４の範囲内の値）。本明細書中で記載するように、サブフレームは、（ｉ）適応的閾値化の非収束及び／又は（ｉｉ）二峰性振幅決定によるピーク拒否のために無効とみなすことができる。
フレームは、式２６中の以下の条件（ｉ）～（ｉｉｉ）（例えば、品質閾値に対する品質メトリックの比較）が有効である場合、有効とみなすことができる。
Figure 0007267311000049
ＥＣＧ ＭＡＤ閾値、ＥＣＧピークスプレッド閾値及びＥＣＧ品質閾値を表１９に示す。様々な例において、ＭＡＤ品質フィルタは、プログラム可能なパラメータＥＣＧ ＭＡＤ閾値を０に設定することによって無効化することができる。
図３８に示すように、生ＥＣＧデータ３８０２～３８１０の５フレームが提供され、ベクトルコプロセッサ及びプロセッサによって処理された。すなわち、生ＥＣＧデータ３８０２～３８１０の各フレームをベクトルコプロセッサによって処理してＥＣＧデータを強化し、強化ＥＣＧデータをプロセッサで処理して、メジアン心拍数メトリック及び品質メトリックを計算した。ＥＣＧ ＭＡＤ閾値を１２に設定し、ＥＣＧピークスプレッド閾値を４に設定し、ＥＣＧ品質閾値を３に設定した。各フレームの有効性を式２６に従って決定した。メジアン心拍数メトリック及び品質メトリックを表２５に示す。
Figure 0007267311000050
図示されているように、生ＥＣＧデータ３８０６は無効であり、心拍数メトリック計算で使用することができない場合があり、生ＥＣＧデータ３８０６に基づく心拍数メトリック値は患者に表示されない場合がある。生ＥＣＧデータ３８０２、３８０４、３８０８、及び３８１０は有効であり、心拍数計算で使用することができ、生ＥＣＧデータ３８０２、３８０４、３８０８、及び３８１０に基づく心拍数値は患者に表示することができる。
さらに、ＨＲアルゴリズムは、生ＥＣＧデータ及び／又は強化ＥＣＧデータから抽出された特徴を利用して、ウェアラブルデバイスからの電極が患者の皮膚と接触しているか、又は患者の皮膚と接触していないかを判定することができる。電極が患者の皮膚に取り付けられていないとＨＲアルゴリズムが判定した場合、ＨＲアルゴリズムはＥＣＧデータを無効と断定することができ、そうでない場合、ＨＲアルゴリズムはＥＣＧデータが有効と断定することができる。この場合にＥＣＧデータがどのように使用されるかについてのさらなる例の説明が、弁理士整理番号ＰＲＴＳ－２２０ＰＲＶに記載され、これは参照により再度本明細書中に組み込まれる。
本開示によるＨＲアルゴリズムは、ＨＲアルゴリズムの実行中の処理サイクルの数及びＨＲアルゴリズムのサイズ（例えば、コード空間）を減少させることができる。したがって、本開示によるＨＲアルゴリズムは実行するために必要とする電力及びメモリが少なくてよい。例えば、本開示によるＨＲアルゴリズムは、ＨＲアルゴリズムの実行中の処理サイクルの８５％の削減（例えば、３９０万から５９万）及びコード空間の４６％の削減（例えば、４．７８ｋＢから２．６ｋＢ）をもたらすことができる。処理サイクル及び／又はメモリ使用量の削減により、メモリ制約環境で追加の特徴／アルゴリズムを動作させることが可能にできる。追加の特徴及び／又はアルゴリズムは、ＨＲＶ測定、呼吸測定、及び／又はＩＥＭデュアルデコード操作であり得る。処理サイクルの削減により、ＨＲアルゴリズムを処理するために必要な電力を削減することができ、ＨＲアルゴリズムの高速処理を可能にできる。様々な例において、処理サイクルの削減により、より低いクロック速度でのプロセッサの操作を可能にでき、これにより、ＨＲアルゴリズムを処理するために必要な電力をさらに削減できる。
ウェアラブルデバイスのファームウェアで採用されたプロセッサのエミュレーションを、プロセッサのＭＡＴＬＡＢモデルと比較し、どちらもベクトルコプロセッサのＭＡＴＬＡＢモデルからの強化ＥＣＧデータを分析したものであった。ＭＡＴＬＡＢモデル及びエミュレーションは、実質的に同じ心拍数計算をもたらした。
バイナリフォーマットでＥＣＧデータを受信したウェアラブルデバイスのファームウェアで採用されるベクトルコプロセッサ及びプロセッサのエミュレーションをベクトルコプロセッサ及び生ＥＣＧデータを分析したプロセッサのＭＡＴＬＡＢモデルと比較した。プロセッサのＭＡＴＬＡＢモデル及びエミュレーションは、実質的に同じ心拍数メトリック値をもたらした。
ＨＲアルゴリズムを、比較アルゴリズム及び本開示によるＨＲアルゴリズムを利用してＭＩＴ－ＢＩＨ不整脈データベース（「ｈｔｔｐ：／／ｗｗｗ．ｐｈｙｓｉｏｎｅｔ．ｏｒｇ／ｐｈｙｓｉｏｂａｎｋ／ｄａｔａｂａｓｅ／ｍｉｔｄｂ／」で入手可能）のＥＣＧデータに関して評価した。ＭＩＴ－ＢＩＨ不整脈データベースには、臨床現場で３０分ずつ、４８のＥＣＧデータ記録（４７人の患者）が存在していた。ＭＩＴ－ＢＩＨ不整脈データベースは、ＱＲＳ検出アルゴリズムを評価するために通常使用される。ノイズの多い環境下で性能を評価するために、別のノイズトレースが利用可能である。
ＭＩＴ－ＢＩＨ不整脈データベースからの生ＥＣＧデータを波形 Ｄａｔａｂａｓｅ（ＷＦＤＢ）ツール（「ｈｔｔｐ：／／ｐｈｙｓｉｏｎｅｔ．ｏｒｇ／ｐｈｙｓｉｏｔｏｏｌｓ／ｍａｔｌａｂ／ｗｆｄｂ－ａｐｐ－ｍａｔｌａｂ／」で入手可能）で処理した。ＷＦＤＢツールで処理されたＥＣＧデータを、本開示によるＨＲアルゴリズムのＭＡＴＬＡＢモデルに入力し、ＷＦＤＢツールのみで処理したＥＣＧデータの注釈付き結果に基づいて感度及び正の予測可能性について評価する。感度を、真陽性（ＴＰ）の数及び偽陰性（ＦＮ）の数に基づき、式２７に従って評価した。
Figure 0007267311000051
正の予測可能性は、真陽性（ＴＰ）の数及び偽陽性（ＦＰ）の数に基づき、式２８に従って評価した。
Figure 0007267311000052
ノイズのないＭＩＴ－ＢＩＨ不整脈データベースにおけるレコードの評価の結果及びＨＲアルゴリズムにおいてオフにされた品質メトリックを図４１及び図４２に示す。すなわち、比較アルゴリズム及び本開示によるＨＲアルゴリズムの感度の結果を図４１に示す。比較アルゴリズムのＭＩＴ－ＢＩＨ不整脈データベースにおける４８レコードすべてにわたって平均された全体的感度平均は９３．６％であり、本開示によるＨＲアルゴリズムに関しては、９７．９％であった。ＨＲアルゴリズムの感度は、フレーム内のＥＣＧデータの処理のために９８％に限定され得る。
比較アルゴリズム及び本開示によるＨＲアルゴリズムの正の予測可能性の結果を図４２に示す。比較アルゴリズムのＭＩＴ－ＢＩＨ不整脈データベースにおける４８レコードすべてにわたって平均された全体的な正の予測可能性平均は９０．１％であり、本開示によるＨＲアルゴリズムに関しては、９９．５％であった。
ＨＲアルゴリズムにおいて、追加ノイズを有し、品質フィルタをオンにした、ＭＩＴ－ＢＩＨ不整脈データベースにおける全４８レコードにわたって平均した感度平均の結果を図４３Ａ～図４３Ｃに示す。４８レコードにノイズを追加するために、「ｈｔｔｐ：／／ｗｗｗ．ｐｈｙｓｉｏｎｅｔ．ｏｒｇ／ｐｈｙｓｉｏｂａｎｋ／ｄａｔａｂａｓｅ／ｎｓｔｄｂ／」で記載されているように、ノイズトレースを異なるスケーリングで別々に追加して、シグナル対ノイズ比（ＳＮＲ）を変化させた。図４３Ａは、電極の動作に基づいて追加ノイズで検出された有効フレームを示し、図４３Ｂは、ベースライン変動に基づいて追加ノイズで検出された有効フレームを示し、図４３Ｃは、筋肉アーティファクトに基づいて追加ノイズで検出された有効フレームを示す。
ＨＲアルゴリズムは臨床現場で有効であり得る。すなわち、ＨＲアルゴリズムの性能は、胴体付近にウェアラブルデバイスを２４～４８時間着用した１０人の患者で実行した後に現場で確認され、その結果、１３．７日分のＥＣＧデータが集められた。ウェアラブルデバイスは、ＥＣＧ測定を１９秒ごとに実施し、それからＥＣＧデータを取得した。
患者はまた、標準的ＥＣＧ電極を用いて胴体に取り付けられた比較心拍数モニタ（ＣＨＲＭ）も着用していた。Ｒ－Ｒ区間を、１ミリ秒分解能でＣＨＲＭに記録し、ＥＣＧデータをＣＨＲＭから連続的に提供した（例えば、不連続的ではない）。ＣＨＲＭから得られたデータをオフラインで後処理（１４秒ブロック）して、メジアン心拍数を計算した。ＣＨＲＭデータからのメジアン心拍数メトリック値を、表２６で示すようなタイミング同期（相互相関に基づく）後のウェアラブルデバイスからのメジアン心拍数メトリック値と比較した。
Figure 0007267311000053
示されるように、ＨＲアルゴリズムは不連続データを利用するにもかかわらず、本開示によるＨＲアルゴリズムは、ＣＨＲＭ ＥＣＧデータと比較して、うまく機能した。
図４４Ａ～図４４Ｅの各々の上側の図は、様々な患者についてウェアラブルデバイスのＨＲアルゴリズム及びＣＨＲＭを用いて集められたＥＣＧデータの例を示す。すなわち、図４４Ａは患者２の結果を示し、図４４Ｂは患者３の結果を示し、図４４Ｃは患者４の結果を示し、図４４Ｄは患者８の結果を示し、図４４Ｅは患者７の結果を示す。図４４Ａ～図４４Ｅに示すように、ＨＲアルゴリズムによって出力される心拍数メトリック値は、異なる活動中で予測可能であり、かつ信頼性が高いものであり得る。さらに、図４４Ａ～図４４Ｅの各々の下の図は、ウェアラブルデバイスのステップカウントアルゴリズムから出力されたステップレートメトリック値を示す。
ＨＲアルゴリズムと合わせたウェアラブルデバイスは、３０～２５０拍の心拍範囲内で、±１０％又は±拍／分のどちらか高い方の精度でＥＣＧデータから心拍数メトリック値を決定することができる。精度は、ＡＮＳＩ／ＡＡＭＩ ＥＣ１３：２００２ Ｃａｒｄｉａｃ Ｍｏｎｉｔｏｒｓ，Ｃａｒｄｉａｃ Ｍｏｎｉｔｏｒｓ，ｈｅａｒｔ ｒａｔｅ ｍｅｔｅｒｓ，ａｎｄ ａｌａｒｍｓ，Ｓｅｃｔｉｏｎ ５ Ｔｅｓｔ Ｍｅｔｈｏｄｓから４０ｍｓ～１２０ｍｓのＱＲＳ期間及び０．２ｍＶ～２ｍＶのＱＲＳ振幅で、試験波形に関して試験することができる。ウェアラブルデバイスは、回線周波数電圧許容差要件（ＡＮＳＩ／ＡＡＭＩ ＥＣ１３：２００２のＳｅｃｔｉｏｎ ４．２．６．２）及びドリフト許容差要件（ＡＮＳＩ／ＡＡＭＩ ＥＣ１３：２００２のＳｅｃｔｉｏｎ ４．２．６．３）を満たすように構成することができる。さらに、精度の試験中、ＥＣＧデータの９５％以上を有効としてマークすべきである。
図４５Ａ～図４５Ｄは、心拍数モニタリングが、アクティブ期間中などの追加の設定でどのように実施され得るかの例を示す。ＨＲアルゴリズムは、休息／睡眠及び可動性が制限された状態で正確であり得、測定の脱落が限定されている。図示されているように、ＨＲアルゴリズムは、患者が何らかの活動を実行している間に心拍数を検出することができ、患者は完全に静止している必要はない可能性がある。例えば、図４５Ａは、ステップレートが増加する際の心拍数対ステップレートを示す。図４５Ｂは、患者が活動中のデータ損失が、あったとしても最小であることを示す。図４５Ｃは、患者の活動中のＥＣＧを示し、図４５Ｄは患者が非活動中のＥＣＧデータを示す。
生ＥＣＧデータ、強化ＥＣＧデータ、及びメトリックは、例えば、ウェアラブルデバイスのメモリ及び／又はリモートデバイスのメモリなどの、メモリ中のＥＣＧデータレコードに保存することができる。ＥＣＧデータの一例が表２７に提示される。
Figure 0007267311000054
ウェアラブルデバイスは、ＥＣＧイベント間隔及びＥＣＧイベント期間プログラム可能なパラメータに従ってＥＣＧデータ取得を開始及び停止することができるスケジューラ（例えば、本明細書中で記載するアルゴリズムの外部のソフトウェアモジュール）を含み得る。具体的には、ＥＣＧシグナルは、ＥＣＧイベント期間の秒数の期間決定のためにＥＣＧイベント間隔の秒ごとに周期的に取得できる（例えば、２５６Ｈｚの固定されたサンプリング速度で）。
心拍数変動性
心拍数変動性（ＨＲＶ）は、Ｒ－Ｒ区間における変動によって測定される心拍間の時間間隔における変動である。ＨＲＶは、心臓及び精神学的使用事例の両方で臨床的有意性を有することが示されている。例えば、異常なＨＲＶは、心筋梗塞、うつ病、不安神経症、双極性障害、及び統合失調症後の死亡率の予測因子であることが示されている。ＨＲＶは、ストレス定量化、睡眠段階特定、及び呼吸速度の推定にも使用できる。
ＨＲＶメトリックを決定するために、基本的には数分程度で大量のＥＣＧデータを集める必要があり得る。拡張された量のＥＣＧデータを平滑化し、平均化することができ、その後、ＨＲＶメトリックを決定することができる。
ＨＲＶアルゴリズムはＥＣＧデータを受信することができ、制御回路によって実行するためにウェアラブルデバイス１０２及びリモートデバイスにわたって分配することができる。例えば、ＨＲＶアルゴリズムは、メモリ１１２に保存することができ、プロセッサ１１１によって利用されて、受信されたＥＣＧデータを、生理学的メトリック、例えば、ＨＲＶメトリックなどに変換することができる。ＨＲＶアルゴリズムはリモートデバイスのメモリに保存することができ、リモートデバイスのＥＣＧデータを処理して、ＥＣＧデータを生理学的メトリックに変換することができる。様々な例において、ＨＲアルゴリズムは、ウェアラブルデバイスのＥＣＧデータに対して実施することができ、ウェアラブルデバイスは、結果として得られるデータをＨＲＶアルゴリズムのリモートデバイスに出力して、結果として得られるデータからＨＲＶメトリックを決定することができる。
ウェアラブルデバイス及び／又はリモートデバイスは、ＥＣＧデータからＨＲＶを計算することができる。例えば、ウェアラブルデバイス及び／又はリモートデバイスは、ＥＣＧ ＨＲＶ区間のプログラム可能なパラメータを介してＨＲＶモードが有効化された場合に、ＨＲＶを計算することができる。ＨＲＶモードが有効化されると、ウェアラブルデバイスは、本明細書中に記載するように、ＥＣＧシグナルを測定することができ、ウェアラブルデバイスからＥＣＧデータを得ることができる。
図１５に戻ると、ウェアラブルデバイスは、ＨＲＶモードにある間に、生理学的データ１５０６中の各ＥＣＧフレームの後にＩＥＭ（インジェスティブルイベントマーカー）スニフ操作を実施できる。ＩＥＭ活動が検出されない場合、ウェアラブルデバイスは、各ＥＣＧ ＨＲＶギャップの後に、次のＥＣＧフレームへ移動する。ＩＥＭ活動がスニフ操作によって検出される場合、ウェアラブルデバイスは、ＨＲＶモードでベイルでき、代わりにＩＥＭ検出モードにできる。
ＨＲＶメトリックは、タイムドメインメトリック、周波数ドメインメトリック、非線形メトリック、又は他のタイプのメトリックであり得る。例えば、タイムドメインメトリックは、通常のＲ－ピーク間の区間（平均Ｎ－Ｎ区間）、Ｎ－Ｎ区間の標準偏差（ＳＤＮＮ）、連続Ｒ－Ｒ区間差の二乗平均平方根（ＲＭＳＳＤ）、閾値（例えば、５０ｍｓ）を越えて異なる連続Ｎ－Ｎ区間の割合（ｐＮＮ５０：Ｐ）、ＨＲＶ三角指数、及びＴ－Ｔ区間ヒストグラムのベースライン幅（ＴＩＮＮ）を含み得る。周波数ドメインメトリックは、低周波帯の電力（ＬＦ電力）、高周波帯の電力（ＨＦ電力）、及びＬＦ電力のＨＦ電力に対する比（ＬＦ／ＨＦ比）を含み得る。非線形メトリックは近似エントロピー（ＡｐＥｎ）を含み得、これは、時系列の規則性及び複雑さを測定できる。ＨＲＶメトリックは、短時間（数分）及び／又は長期間（２４時間）にわたって計算することができる。
しかしながら、不連続データ環境では、ＥＣＧデータ間のギャップは、ＨＲＶメトリックを計算する場合に課題を提示する可能性がある。ＥＣＧデータのフレームの境界は、心筋サイクルの同じ点で開始又は終了しない可能性があるので、ＥＣＧデータフレームをつなぎ合わせてＨＲＶメトリックを正確に計算することは困難であり得る。さらに、ＨＲＶメトリックがウェアラブルデバイスで少なくとも部分的に計算される例では、電力効率の良いアルゴリズムを作成してバッテリを節約することが望ましい可能性がある（例えば、単純計算、例えば、ＦＦＴのような複雑な操作を行わない、そして浮動小数点操作の代わりに整数を使用する）。
ＨＲＶモードは、以下のパラメータを含み得る：ＨＲＶ＿Ｅｖｅｎｔ＿Ｉｎｔｅｒｖａｌ（デフォルト３０分）；ＨＲＶ＿Ｎｕｍ＿Ｂｌｏｃｋｓ（デフォルト９）；及びＨＲＶ＿Ｂｌｏｃｋ＿Ｇａｐ（デフォルト４秒）。
ＨＲＶ＿Ｅｖｅｎｔ＿Ｉｎｔｅｒｖａｌ秒ごとに、ウェアラブルデバイスはＨＲＶモードにすることができ、このモードで、不連続ＥＣＧシグナルを取得することができる（例えば、１４秒フレーム）ＥＣＧシグナルを有するＨＲＶ＿Ｎｕｍ＿Ｂｌｏｃｋｓ時間は、ＨＲＶ＿Ｂｌｏｃｋ＿Ｇａｐ秒によって分離することができる。ＥＣＧシグナルのすべてのフレームの後に、ＩＥＭが成功する場合、ウェアラブルデバイスはＨＲＶモードを終了できる。ＨＲＶモードの終了時に、取得されたＥＣＧシグナルからのＥＣＧデータを集め、処理して、関連するＨＲＶメトリックを抽出する。このステップは、バックエンド（例えば、リモートデバイス）に回してもよい。
図４６を参照すると、ＨＲＶメトリックを決定するために、ＨＲＶアルゴリズムは、インジェスティブルセンサデータのフレームと生理学的データのフレームとを含む不連続データを受信する。ＨＲＶアルゴリズムは、解析ＥＣＧデータ、ＥＣＧデータにおけるすべての検出されたＲピークの指数（ＲＷＶ）、及びインピーダンス（ＩＭＰ）データ（例えば、別の測定）をはじめとする生理学的データを解析する４６０２。ＥＣＧデータは、図２３に従ってＨＲアルゴリズムで処理することができる。その後、図４６に戻ると、ＥＣＧデータのフレームをブロックにグループ化することができる４６０４。例えば、まとめてブロックにグループ化されたフレームの数は、パラメータＨＲＶ＿Ｎｕｍ＿Ｂｌｏｃｋｓで設定することができる。まとめてグループ化されるフレームの数は少なくとも２であり得、デフォルト値は９フレームであり得る。ブロック中のフレームは、連続的に配置することができる。
その後、ＨＲＶアルゴリズムは、有効な心拍数メトリック値を有するブロック中のフレームの数が有効性閾値以上であるか否かを判定することができる４６０６。各フレームの有効性は、プロセッサによって、また式２６に従って、決定することができる。様々な例において、有効性閾値は８（例えば、全ブロックの９０％）であり得る。有効な心拍数メトリック値を有するブロック中のフレームの数が有効性閾値未満である場合、ブロックをスキップすることができ、ＨＲＶメトリックはブロックから決定されない場合があある。このようにして、ＨＲＶアルゴリズムは、ＥＣＧデータの無効なブロックを処理しないことで、ウェアラブルデバイスの消費電力を低減できる。
しかしながら、有効な心臓メトリック値を有するブロック中のフレームの数が有効性閾値以上である場合、ＨＲＶアルゴリズムを進めてブロックの前及び／又は後のインピーダンスデータが有効であるか否かを判定することができる４６０８。ブロックの前及び／又は後の最も近いインピーダンスデータが有効でない場合、ブロックを無視することができ、ＨＲＶメトリックはブロックから決定されない可能性がある。例えば、連続するインピーダンス値（例えば、５）の移動ウインドウのメジアンがインピーダンス閾値（例えば、１０ｋＯｈｍ）よりも大きい場合、ブロックを無効とみなすことができ、ＨＲＶメトリックはブロックから決定されない可能性がある。次に、インピーダンス閾値より低い１回のインピーダンス測定の後、ブロックをＨＲＶメトリックについて使用することができる。このようにして、ＨＲＶアルゴリズムは、高インピーダンスが測定された（例えば、電極が皮膚から外れる）場合に電力を節約することができ、高インピーダンス事象が終了した（例えば、皮膚に戻す）後、ＨＲＶメトリックの計算に迅速に戻ることができる。
しかしながら、ブロックの前及び／又は後の最も近いインピーダンスデータが有効である場合、ＨＲＶアルゴリズムはブロックを処理することができ、ＥＣＧデータのブロック中の心拍数の外れ値を含むフレームを拒否できる４６１０。外れ値の心臓は、誤って特定されたＲピーク、又は不規則な間隔のＲピークを有するデータ（例えば、不整脈）に基づき得る。心拍数の外れ値は、メジアン絶対偏差に基づいて決定することができる。その後、ＨＲＶアルゴリズムは、ブロック中の多数のフレームが良好であるか否か（例えば、心拍数の外れ値を含まない）を判定することができる４６１２。様々な例において、良好な閾値は８であり得る。ブロック中の良好なフレームの数が良好な閾値未満である場合、ブロックを無視することができ、ＨＲＶメトリックはブロックから決定されない場合がある。
しかしながら、ブロック中の良好なフレームの数が良好な閾値以上である場合、ＨＲＶアルゴリズムは、ＥＣＧデータのブロック中のすべての良好なフレームからＲ波データを集約できる４６１４。その後、集約されたＲ波データは、Ｒ－Ｒクリーニングアルゴリズムを介して処理することができる４６１６。
Ｒ－Ｒクリーニングアルゴリズムは、マージツインインターバルアルゴリズム、スプリットトールインターバルアルゴリズム、アブソーブショートインターバルアルゴリズム、及び二峰性検出アルゴリズム（例えば、本明細書中で記載するような二峰性振幅検出器）を含み得る。Ｒ－Ｒクリーニングアルゴリズムは、ウェアラブルデバイス上のプロセッサ及び／又はリモートデバイス上のプロセッサ上の集約されたＲ波データに適用することができる。さらに、Ｒ－Ｒクリーニングアルゴリズムをフレームレベルで適用して、心拍数報告における外れ値の数を低減できる。
マージツインインターバルアルゴリズムは、２つの長いＲＲ－区間の間に挟まれた２つの短いＲ－Ｒ区間を統合できる。例えば、式２９が有効である場合は、２つの長いＲ－Ｒ区間（Ｘｎ－１、Ｘｎ＋２）の間に挟まれた２つの短いＲ－Ｒ区間（Ｘｎ、Ｘｎ＋１）を統合して、１つのＲ－Ｒ区間（Ｘｎ＋Ｘｎ＋１）にすることができる。
Figure 0007267311000055
スプリットトールインターバルアルゴリズムは、２つの短い区間の間に挟まれたトールＲ－Ｒ区間を２つの区間に分割できる。例えば、式３０が有効である場合２つの短いＲ－Ｒ区間（Ｘｎ－１、Ｘｎ＋１）の間に挟まれた１つのトールＲ－Ｒ区間（Ｘｎ）は、２つ（Ｘｎ／２の２）に分割することができる。
Figure 0007267311000056
アブソーブショートインターバルアルゴリズムは、２つの長いＲ－Ｒ区間の間に挟まれた短い区間を吸収できる。例えば、２つの長いＲ－Ｒ区間（Ｘｎ－１、Ｘｎ＋１）の間に挟まれた１つの短いＲ－Ｒ区間（Ｘｎ）は、第２の長い区間に吸収され得る（例えば、式３１が有効である場合、Ｘｎを除去し、Ｘｎ＋１を（Ｘｎ＋１＋Ｘｎ）に変える。
Figure 0007267311000057
その後、ＨＲＶメトリックをクリーニングされたＲ波データから計算することができる。例えば、平均Ｒ－Ｒ区間及びＳＤＮＮを計算することができる４６１８。しかしながら、ＲＭＳＳＤを計算するために、クリーニングされたＲ波データのデルタＲ－Ｒクリーニングは、メジアン／ＭＡＤに基づいて拒否の外れ値を拒否するために必要とされる場合がある。さらに、クリーニングされたＲ波データは、スペクトル周波数推定及び周波数ドメイン測定に関して補間することができる。様々な例において、ＨＲＶメトリックは、リアルタイムで実施されない可能性があるバックエンドステップ（例えば、リモートデバイス上）であり得、したがって、バッテリを節約できる。
さらに、ＨＲＶアルゴリズムは、インジェスティブルセンサデータのフレームと生理学的データのフレームとを含む不連続データを、大量の処理能力を必要としない可能性のある効率的な方法で利用できる。すなわち、ＨＲＶアルゴリズムは、不連続データをまとめる、及び／又はつなぎ合わせることができ、また正確な生理学的メトリック、例えばＨＲＶメトリックを出力できる。
ＨＲＶメトリックは、自由な生活条件下で約２４時間、胴体及びＣＨＲＭに都立受けられたウェアラブルデバイスを着用した、８人の異なる患者（例えば、対象）から測定した。ウェアラブルデバイスは、２０秒ごとにＥＣＧシグナルを取得するようにプログラムされていた。加速度計データは、１分ごとに取得した。インピーダンス測定は２０分ごとに行った。ＩＥＭ測定は試験中、無効化された。メトリックデータは、比較ソフトウェアを使用してＣＨＲＭから抽出された。ウェアラブルデバイス及びＣＨＲＭからのデータをＰｙｔｈｏｎで後処理し、図４７に示すデータフローに従って比較した。
表２８は、連続ＥＣＧデータを利用するＣＨＲＭデータからの ＨＲＶメトリックを、不連続ＥＣＧデータをＲ－Ｒクリーニングアルゴリズム又はデルタＲ－Ｒクリーニングアルゴリズムにかけることなく本開示によるアルゴリズムを使用してウェアラブルデバイスからの不連続ＥＣＧデータを利用するウェアラブルデバイスと比較する、スピアマン相関係数を示す。Ｒ－Ｒクリーニングアルゴリズム及び／又はデルタＲ－Ｒクリーニングアルゴリズムは、ＨＲＶアルゴリズムのサブ構成要素であり得る。
Figure 0007267311000058
図示されているように、平均Ｒ－Ｒのスピアマン相関係数が高い（例えば、１に近い）ため、平均Ｒ－Ｒデータは、不連続データと連続データとの間で強い線形相関を示す。したがって、平均又はメジアン心拍数は、さらにＨＲＶクリーニングすることなく不連続データから正確に決定することができる。しかしながら、ＳＤＮＮ及びＲＭＳＳＤのスピアマン相関係数は０に近いので、連続データと不連続データとの間でＳＤＮＮとＲＭＳＳＤの線形相関は不十分であった。
表２９は、連続ＥＣＧデータを利用するＣＨＲＭデータからのＨＲＶメトリックを、不連続ＥＣＧデータをＲ－Ｒクリーニングアルゴリズムのみにかけて不連続ＥＣＧデータを利用するウェアラブルデバイスと比較するスピアマン相関係数を示す。
Figure 0007267311000059
図示されているように、Ｒ－Ｒクリーニングアルゴリズムは平均Ｒ－Ｒのスピアマン相関係数に対する影響が最小である。しかしながら、ＳＤＮＮ及びＲＭＳＳＤの相関係数（例えば、１に近い）が著しく改善される。
表３０は、連続ＥＣＧデータを利用するＣＨＲＭデータからのＨＲＶメトリックを、不連続ＥＣＧデータをデルタＲ－Ｒクリーニングアルゴリズムのみにかけて不連続ＥＣＧデータを利用するウェアラブルデバイスと比較するスピアマン相関係数を示す。
Figure 0007267311000060
図示されているように、デルタＲ－Ｒクリーニングアルゴリズムは平均Ｒ－Ｒ及びＳＤＮＮのスピアマン相関係数に対する影響が最小である。しかしながら、ＲＭＳＳＤについてはクリーニングなしと比較して、また、一部の患者についてはＲ－Ｒクリーニングのみと比較して、スピアマン相関係数が著しく改善される（例えば、１に近い）。
表３１は、連続ＥＣＧデータを利用するＣＨＲＭデータからのＨＲＶメトリックを、不連続ＥＣＧデータをＲ－Ｒクリーニングアルゴリズム及びデルタＲ－Ｒクリーニングアルゴリズムにかけて不連続ＥＣＧデータを利用するウェアラブルデバイスと比較するスピアマン相関係数を示す。
Figure 0007267311000061
図示されているように、両アルゴリズム（すなわち、Ｒ－Ｒ及びデルタＲ－Ｒ）を利用することは、Ｒ－Ｒクリーニングのみと比較して、平均Ｒ－Ｒ及びＳＤＮＮのスピアマン相関係数に及ぼす影響は最小である。しかしながら、一部の患者について、デルタＲ－Ｒクリーニングアルゴリズムのみと比較して、ＲＭＳＳＤのスピアマン相関係数が改善された（例えば、１に近い）。デルタＲ－Ｒクリーニングアルゴリズムは、Ｒ－ＲクリーニングよりもＲＭＳＳＤ計算に対して大きな影響を及ぼし得る。
表３２は、連続ＥＣＧデータを利用するＣＨＲＭデータからのＨＲＶメトリックを、不連続ＥＣＧデータをＲ－Ｒクリーニングアルゴリズム及びデルタＲ－Ｒクリーニングアルゴリズムにかけて不連続ＥＣＧデータを利用するウェアラブルデバイスと比較するスピアマン相関係数を示し、データはギャップを含む（例えば、ギャップをＣＨＲＭからのデータに加えて、本開示によるウェアラブルデバイスからのＥＣＧデータからのデータと同じタイミングで一致させた）。
Figure 0007267311000062
表３３は、ウェアラブルデバイスから計算されたＲＭＳＳＤとＣＨＲＭから報告されたＲＭＳＳＤとを比較した場合の平均絶対誤差パーセント及びメジアン絶対誤差パーセントを示す。
Figure 0007267311000063
図４８は、患者５のＨＲＶメトリックプロットの一例を示し、不連続データを利用する本開示によるアルゴリズムが、連続データを利用する比較アルゴリズムとどのくらい一致するかを示す。
安静
ウェアラブルデバイス及び／又はリモートデバイスのプロセッサは、安静時及び／又は安静時の心拍数を決定するために加速度計データ及びＥＣＧデータを処理できる。安静時アルゴリズムは加速度計データ及びＥＣＧデータを受信することができ、制御回路によって実行するためにウェアラブルデバイス１０２及びリモートデバイスにわたって分配することができる。例えば、安静時アルゴリズムは、メモリ１１２に保存することができ、プロセッサ１１１によって利用されて、加速度計データ及びＥＣＧデータを、生理学的メトリック、例えば、安静時メトリックなどに変換することができる。様々な例において、安静時アルゴリズムをリモートデバイスに保存し、他のメトリックと組み合わせて使用することができる。例えば、安静時アルゴリズムを使用して、安静時に検出されたステップを破棄したり、又は心拍数メトリックから安静時の心拍数を決定したりするなど、他のメトリック出力をクリーニングすることができる。
加速データに基づいて、患者は安静にしていると判定することができる。すなわち、患者は、患者のボディアングル及びトータル活動に基づいて安静状態であると判定することができる。例えば、患者がボディアングルに基づいて横になっており、かつ、トータル活動に基づいて非アクティブである場合、患者及び関連する生理学的データは、安静時アルゴリズムによって安静状態として分類することができる。このようにして、安静時メトリックを使用して、安静期間中のウェアラブルデバイスの消費電力（例えば、測定周波数）を低減することができる、及び／又は安静期間中に得られたデータを選択的に使用若しくは無視できる。
図４９を参照すると、安静時アルゴリズムは加速度計データを受信できる。安静時アルゴリズムは、加速度計データ及び基準ベクトルに基づいて患者のボディアングルを決定できる４９０２。ボディアングルは、平均期間にわたって平均（例えば、ボックスカーフィルタ）することができ、平均ボディアングルデータ（ｂａ＿ａｖｇ）を出力することができる４９０４。平均期間は、スライディング時間ウインドウであり得、ウインドウ長さはプログラム可能な変数ｂｏｄｙ＿ａｎｇｌｅ＿ｓｍｏｏｔｈｉｎｇ＿ｓｉｚｅ＿ｍｉｎｓに従ってパラメータ化される。ステップ４９０４での平均ボディウインドウータは、ウウインドウさの中央の時間で刻印された時間であり得る。
その後、平均ボディアングルデータを集約ウインドウに追加することができる４９０６。安静時アルゴリズムを次に、集約ウインドウィンドウボディアングルデータによってカバーされる集約期間を決定できる。安静時アルゴリズムは、集約閾値以上であるか否かを判定できる４９０８。集約閾値は、プログラム可能なパラメータａｇｇｒｅｇａｔｉｏｎ＿ｐｅｒｉｏｄ＿ｍｉｎｓに従って定義することができる。集約期間が集約閾値未満である場合、安静時アルゴリズムはより多くの加速データを取得できる。
さもなければ、集約期間が集約閾値以上である場合、安静時アルゴリズムは、集約ウインドウ内のデータポイントの実際の数の、データポイントの予想数に対するデータ比を計算できる。安静時アルゴリズムは、データ比をプログラム可能なデータ閾値（例えば、ｄａｔａ＿ｍｉｓｓｉｎｇ＿ｆｒａｃ）と比較して、集約ウインドウ内のデータが確実に使用できるか否かを判定する４９１０。データ比がデータ閾値未満である場合、安静時アルゴリズムはより多くの加速データを取得できる。
しかしながら、データ比がデータ閾値以上である場合、安静時アルゴリズムは加速データに基づいて集約ウインドウ内の平均ボディアングルデータを分類できる。例えば、平均ボディアングルデータ（ｂａ＿ａｖｇ）は、平均ボディアングルが第１のアングル閾値（例えば、ｒｅｃｕｍｂｅｎｔ＿ａｎｇｌｅ＿ｍｉｎ、－３０°）より大きく、第２のアングル閾値（例えば、ｒｅｃｕｍｂｅｎｔ＿ａｎｇｌｅ＿ｍａｘ、３０°）未満である場合は横になっているとして分類することができる。さもなければ、データは横になっていないとして武運類することができる。その後、安静時アルゴリズムは、横になっているとして分類された集約ウインドウ内の平均ボディアングルデータ数が横臥閾値以上であるか否かを判定できる４９１２。横臥閾値はプログラム可能なパラメータ（「ｍｉｎｉｍｕｍ＿ｒｅｃｕｍｂｅｎｔ＿ｆｒａｃ」）であり得る。横になっているとして分類された集約ウインドウ内の平均ボディアングルデータ数が横臥閾値未満である場合、集約ウインドウ内のデータは、患者の横になった位置に対応しないと判定することができる４９１４。さもなければ、安静時アルゴリズムはステップ４９２６に進むことができる。
ボディアングルに加えて、安静時アルゴリズムは加速度計データのトータル活動を説明できる。すなわち、安静時アルゴリズムは加速度計データからトータル活動を計算できる４９１６。安静時アルゴリズムは、トータル活動データから断続非活動データを計算できる４９１８。すなわち、図５０に示されるように、安静時アルゴリズムは、ＳＤ期間にわたって標準偏差を計算する５００２。ＳＤ期間は、スライディング時間ウインドウであり得、ウインドウ長さはプログラム可能な変数ａｃｃ＿ｓｔｄ＿ｗｉｎ＿ｓｉｚｅ＿ｍｉｎｓに従ってパラメータ化される。トータル活動データの各軸の標準偏差を個別にとることができ、各軸の標準偏差を合計できる。
安静時アルゴリズムは、合計された標準偏差データからＳＤ閾値以上の値を除去できる５００４。ＳＤ閾値は、プログラム可能なパラメータｓｔｄ＿ｔｈｒｅｓｈに従ってパラメータ化することができる。ＳＤ閾値以上の値を除去することで、標準偏差においてスパイクを発生させることができる安静期間中の患者による向きの偶発的なシフト（例えば、回転）の影響を制限できる。除去された値は、直前の測定値と置換することができる。
その後、標準偏差データを合計期間にわたって平均化することができる５００６。合計期間は、プログラム可能なパラメータａｃｔｉｖｉｔｙ＿ｓｍｏｏｔｈｉｎｇ＿ｓｉｚｅ＿ｍｉｎｓに従ってパラメータ化することができる。標準偏差データを集約ウインドウに追加することができる５００８。
図４９に戻ると、標準偏差データを集約ウインドウに追加した後、安静時アルゴリズムは、集約期間が集約閾値以上である場合、集約ウインドウ内の標準偏差データによってカバーされる集約期間を決定できる４９２０。集約期間が集約閾値未満である場合、安静時アルゴリズムはより多くの加速データを取得できる。
さもなければ、集約期間が集約閾値以上である場合、安静時アルゴリズムは、集約ウインドウ内のデータポイントの実際の数の、データポイントの予想数に対するデータ比を計算できる。安静時アルゴリズムは、データ比をプログラム可能なデータ閾値と比較して、集約ウインドウ内のデータが確実に使用できるか否かを判定する４９２２。データ比がデータ閾値未満である場合、安静時アルゴリズムはより多くの加速データを取得できる。
しかしながら、データ比がデータ閾値以上である場合、安静時アルゴリズムは、集約ウインドウ内の標準偏差データを分類できる。例えば、標準偏差データは、平均ボディアングルがＳＤ閾値（例えば、ｓｍｏｏｔｈｅｄ＿ａｃｃ＿ｓｔｄ＿ｍａｘ、０．０６５）以下である場合、非アクティブとして分類することができる。それ以外の場合は、標準偏差データはアクティブとして分類することができる。その後、安静時アルゴリズムは、非アクティブとして分類された集約ウインドウ内の標準偏差データ数が非アクティブ閾値以上であるか否かを判定する４９２４。非アクティブ閾値はプログラム可能なパラメータ（「ｍｉｎｉｍｕｍ＿ｉｎａｃｔｉｖｅ＿ｆｒａｃ」）であり得る。非アクティブとして分類された集約ウインドウ内の標準偏差データ数が非アクティブ閾値未満である場合、集約ウインドウ内のデータは、アクティブであると判定することができる４９１４。非アクティブとして分類された集約ウインドウ内の標準偏差データ数が非アクティブ閾値以上である場合、集約ウインドウ内のデータは非アクティブであると判定することができ、安静時アルゴリズムはステップ４９２６に進むことができる。
横になり、かつ非アクティブとして加速データを分類した後、加速データを安静時データとしてさらに分類することができる４９２６。安静時データ分類はメモリ内に保存することができる４９２８。このようにして、安静時アルゴリズムはインジェスティブルセンサデータと生理学的データとを含む不連続データを利用できる。
安静時アルゴリズムは、表３４に示すようなプログラム可能なパラメータを有し得る。
Figure 0007267311000064
ウェアラブルデバイスは、加速度計データを、例えば、１０分ごとなど、規則的区間で安静時データとして分類すべきであるか否かを判定できる。安静時データは、睡眠としてさらに定義することができる。様々な例において、一次安静は、２４時間の期間（例えば、午後３時から午後３時までの間）における安静時データとして分類されたデータの最大ブロックとして計算することができる。非隣接安息時セグメントは、非安静時分離閾値（例えば、３０分）未満で分離され、ギャップが追加される新しい安息時ブロックよりも大きくない場合は、一次安静のいずれかの側で追加することができる。
安静時の心拍数は、例えば、睡眠などの最小の身体活動の期間中に計算される心拍数メトリックであり得る。すなわち、安静時の心拍数は、安静時データとして分類された加速度計データに対応するＥＣＧデータから計算することができる（例えば、時間スタンプに基づく）。様々な例において、ＥＣＧデータは、関連する加速度計データに基づく（例えば、時間スタンプに基づく）安静時データとして分類することができる。
安静時の心拍数は、安静時の心拍数メトリック値のメジアンのスライディングウインドウから計算することができる。安静時の心拍数は、最低の局所メジアンとして定義することができる。安静時の心拍数を定義するために使用することができる他のパラメータとしては、新しい期間（例えば、２４時間の期間）を定義するための時間；安静期間にわたって心拍数メトリック値を平均するためのウインドウの長さ；次の計算のためにウインドウをスライドさせる時間（分）；及びウインドウを有効とみなすための最小心拍数値が挙げられる。
さらに、心拍数値及び安静時の数値が等しくない可能性があるので、安静時の値は心拍数メトリック値とは別のキューに保存することができる。
２０１８年６月１５日に出願された、置換ストリップ用センサアセンブリのモニタリングという表題の米国特許仮出願第６２／６８５，８５５号；これと同時に出願された、置換ストリップ用センサアセンブリのモニタリングという表題の米国ＰＣＴ出願＿＿＿、代理人整理番号ＰＲＴＳ－２２０ＷＯ；２０１８年６月１５日に出願された、再ウェアラブル生理学的モニタリングデバイスという表題の米国特許仮出願第６２／６８５，７８４号；及びこれと同時に出願された、再ウェアラブル生理学的モニタリングデバイスという表題の米国ＰＣＴ出願＿＿＿、代理人整理番号ＰＲＴＳ－２２８ＷＯは、それぞれ、その全体が参照により本明細書中に組み込まれる。
いくつかの形態を図示し、説明してきたが、添付の特許請求の範囲をそのような詳細に制限又は限定することは出願人の意図するところではない。これらの形態に対して多くの修正、変形、変更、置換、組み合わせ、及び均等物を実施することができ、本開示の範囲から逸脱することなく当業者は思いつくであろう。さらに、記載した形態に関連する各要素の構造は、その要素が果たす機能を提供する手段として別の代替的に記載することができる。また、材料がある特定の構成要素について開示されている場合、他の材料を使用してもよい。したがって、前述の説明及び添付の特許請求の範囲は、開示された形態の範囲内に含まれる、そのような多くの修飾、組み合わせ、及び変形をすべてカバーすることを意図すると理解されたい。添付の特許請求の範囲は、そのような修飾、変形、変更、置換、修飾、及び均等物をすべてカバーすることを意図している。
前述の詳細な説明は、ブロック図、フローチャート、及び／又は実施例の使用により、デバイス及び／又はプロセスの様々な形態を説明してきた。そのようなブロック図、フローチャート、及び／又は実施例が機能及び／又は操作を含む限りにおいて、そのようなブロック図、フローチャート、及び／又は実施例の範囲内の各機能及び／又は操作が、広範囲のハードウェア、ソフトウェア、ファームウェア、又はそれらの実質的にあらゆる組み合わせによっても個別に及び／又はまとめて実施することができることは、当業者には理解されるであろう。当業者は、本明細書で開示される形態の一部の例が、全体的又は一部で、集積回路において、コンピュータで実行されるコンピュータプログラムとして（例えば、コンピュータシステムで実行されるプログラムとして）、プロセッサで実行されるプログラムとして（例えば、マイクロプロセッサで実行されるプログラムとして）、ファームウェアとして、又はそれらの実質的にあらゆる組み合わせとして同等に実行することができ、電気回路を設計すること、並びに／又はソフトウェア及び又はファームウェアのコードを書くことは、本開示を考慮すれば十分に当業者の技術範囲内であることは理解するであろう。加えて、当業者は、本明細書中に記載する主題のメカニズムを、様々な形態のプログラム製品として配布することができ、本明細書中に記載する主題が、実際に配布を行うために使用されるシグナル伝達媒体の特定のタイプに関係なく適用されることを理解するであろう。
開示した様々な実施例を実行するためのロジックをプログラムするために使用される命令は、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、キャッシュ、フラッシュメモリ、又は他のストレージなどのシステム内のメモリ中に保存することができる。さらに、命令は、ネットワークを介して、又は他のコンピュータ可読媒体によって配布することができる。したがって、マシン可読媒体は、限定されるものではないが、フロッピディスケット、光ディスク、コンパクトディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、磁気－光ディスク、読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、消去可能なプログラム可能な読み出し専用メモリ（ＥＰＲＯＭ）、電気的に消去可能なプログラム可能な読み出し専用メモリ（ＥＥＰＲＯＭ）、磁気若しくは光カード、フラッシュメモリ、又は電気的、光学的、音響的、若しくは他の形態の伝搬されたシグナル（例えば、搬送波、赤外シグナル、デジタルシグナルなど）を介したインターネット経由の情報の送信で使用される有形のマシン可読ストレージをはじめとする、マシン（例えば、コンピュータ）によって読取可能な形態で情報を保存又は送信するためにいかなるメカニズムを含んでもよい。したがって、非一時的コンピュータ可読媒体には、マシン（例えば、コンピュータ）によって読取可能な形態の電子命令又は情報を保存又は送信するために適した任意のタイプの有形マシン可媒体が含まれる。
本明細書中で使用する場合、「制御回路」という語は、例えば、配線回路、プログラム可能な電気回路（例えば、１つ以上の個別の命令処理コア、処理ユニット、プロセッサ、マイクロコントローラ、マイクロコントローラユニット、コントローラ、デジタルシグナルプロセッサ（ＤＳＰ）、プログラマブルロジックデバイス（ＰＬＤ）、プログラマブルロジックアレイ（ＰＬＡ）、又はＦＰＧＡを含むコンピュータプロセッサ）、状態マシン電気回路、プログラム可能な電気回路によって実行され得る命令を保存するファームウェア、及びそれらの任意の組み合わせを指す場合がある。制御回路は、まとめて又は個別に、例えば、ＩＣ、ＡＳＩＣ、ＳｏＣ、デスクトップコンピュータ、ノートパソコン、タブレットコンピュータ、サーバー、スマートホンなどの、より大きなシステムの一部を構成する電気回路として具体化され得る。したがって、本明細書中で使用する場合、「制御回路」には、限定されるものではないが、少なくとも１つの個別の電気回路、少なくとも１つのＩＣを有する電気回路、少なくとも１つの特定用途向けＩＣを有する電気回路、コンピュータプログラムによって構成された汎用計算デバイスを形成する電気回路（例えば、本明細書中に記載するプロセス及び／又はデバイスを少なくとも部分的に実行するコンピュータプログラムによって構成される汎用コンピュータ又は本明細書中に記載するプロセス及び／又はデバイスを少なくとも部分的に実行するコンピュータプログラムによって構成されるマイクロプロセッサ）、メモリデバイスを形成する電気回路（例えば、ＲＡＭの形態）、及び／又は通信デバイスを形成する電気回路（例えば、モデム、通信スイッチ、若しくは光電気装置）が含まれる。当業者は、本明細書中に記載する主題が、アナログ若しくはデジタル方式又はそれらの何らかの組み合わせで実行され得ることを理解するであろう。
本明細書中で使用する場合、「ロジック」という語は、前記操作のいずれかを実行するように構成された、アプリ、ソフトウェア、ファームウェア、及び／又は回路を指す場合がある。ソフトウェアは、非一時的コンピュータ可読保存媒体に記録されたソフトウェアパッケージ、コード、命令、命令セット、及び／又はデータとして具体化することができる。ファームウェアは、メモリデバイス中にハードコードされた（例えば、不揮発性）コード、命令若しくは命令セット、及び／又はデータとして具体化することができる。
本明細書中で使用する場合、「構成要素」、「システム」、「モジュール」という語等は、ハードウェア、ハードウェアとソフトウェアとの組み合わせ、ソフトウェア、又は実行中のソフトウェアのいずれかの、コンピュータ関連エンティティを指すことができる。
本明細書中で使用する場合、「アルゴリズム」という語は、所望の結果をもたらす首尾一貫した一連のステップを指し、ここで、「ステップ」とは、必ずしもそうである必要はないが、保存、転送、結合、比較、及び他の方法での操作が可能な電気又は磁気シグナルの形態をとり得る物理量及び／又はロジック状態の操作を指す。ビット、値、要素、記号、文字、用語、数字などとしてこれらのシグナルを言及するのが一般的な用法である。これらや類似の用語は、適切な物理量と関連する可能性があり、これらの量及び／又は状態に適用される便利なラベルに過ぎない。
ネットワークはパケット交換ネットワークを含み得る。通信デバイスは、互いに選択されたパケット交換ネットワーク通信プロトコルを使用して通信することが可能であり得る。通信プロトコルの一例は、通信制御プロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）を用いた通信を可能にすることができるイーサネット通信プロトコルを含み得る。イーサネットプロトコルは、電気電子技術者協会（ＩＥＥＥ）によって公開された、「ＩＥＥＥ ８０２．３ Ｓｔａｎｄａｒｄ」というタイトルのイーサネット規格、２００８年１２月版及び／又はこの規格のそれ以降の版に準拠又はこれと互換性があり得る。代替的又は付加的に、通信デバイスは、Ｘ．２５通信プロトコルを使用して互いに通信することが可能であり得る。Ｘ．２５通信プロトコルは、国際電気通信連合・電気通信標準化部門（ＩＴＵ－Ｔ）によって呼応付された規格に準拠しているか又はこれらと互換性があり得る。代替的又は付加的に、通信デバイスは、フレームリレー通信プロトコルを使用して互いに通信することが可能であり得る。フレームリレー通信プロトコルは、国際電信電話諮問委員会（ＣＣＩＴＴ）及び／又は米国規格協会（ＡＮＳＩ）によって公布された規格に準拠するか又はこれらと互換性があり得る。代替的又は付加的に、トランシーバーは、非同期転送モード（ＡＴＭ）通信プロトコルを使用して互いに通信することが可能であり得る。ＡＴＭ通信プロトコルは、ＡＴＭフォーラムによって公開されたＡＴＭ規格、２００１年８月版のタイトル「ＡＴＭ－ＭＰＬＳ Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｗｏｒｋｉｎｇ ２．０」及び／又はこの規格のそれ以降の版に準拠するか、又はこれらと互換性があり得る。もちろん、異なる及び／又は展開後接続型ネットワーク通信プロトコルは本明細書中では同等に企図される。
前述の開示から明らかなように、特に別段の記載が無い限り、前述の開示全体を通して、「処理する」、「計算する（ｃｏｍｐｕｔｉｎｇ）」、「計算する（ｃａｌｃｕｌａｔｉｎｇ）」、「決定する（ｄｅｔｅｒｍｉｎｉｎｇ）」、「表示する」などという語を使用する議論は、コンピュータシステムのレジスタ及びメモリ内の物理（電子）量として表されるデータを操作し、コンピュータシステムメモリ若しくはレジスタ又は他のそのような情報保存、送信、若しくは表示デバイス内の物理量として同様に表される他のデータに変換する、コンピュータシステム、又は類似の電子機器計算デバイスの動作及びプロセスを指すと理解される。
構成要素は、「～するように構成される」、「～するように構成可能である」、「～するように操作可能／操作性である」、「適応される／適応可能である」、「可能である」、「適合可能である／適合される」等として本明細書中で言及され得る。当業者は、「～するように構成される」とは、特に文脈で別段の要求が無い限り、概して、アクティブ状態の構成要素、非アクティブ状態の構成要素、及び／又はスタンバイ状態の構成要素を包含し得ることを認識するであろう。
当業者は、一般に、本明細書中、特に、添付の特許請求の範囲（例えば、添付の特許請求の範囲の特徴部分）で使用される用語は、「オープンな」用語であることを意図していることを理解するであろう（例えば、「含む（ｉｎｃｌｕｄｉｎｇ）」という語は、「含むが、限定されるものではない」と解釈されるべきであり、「有する」という語は、「少なくとも有する」と解釈されるべきであり、「含む（ｉｎｃｌｕｄｅｓ）」という語は、「含むが、限定されるものではない」と解釈されるべきである）。特定の数の導入された請求項の記述が意図される場合、そのような意図は請求項に明示的に記載され、そのような記載が無い場合、そのような意図は存在しないことは、当業者にはさらに理解されるであろう。例えば、理解を助けるために、以下の添付の特許請求の範囲は、請求項の記述を導入するための前置句「少なくとも１つ」及び「１つ以上」の使用を含み得る。しかしながら、そのような句の使用は、不定冠詞「ａ」又は「ａｎ」による請求項の記述の導入が、そのような導入された請求項の記述を含む任意特定の請求項を、同じ請求項が、前置句「１つ以上」又は「少なくとも１つ」と、「ａ」又は「ａｎ」などの不定冠詞とを含む場合でも、そのような記述の１つだけを含む請求項に限定することを意味すると解釈されるべきではない（例えば、「ａ」及び／又は「ａｎ」は、典型的には、「少なくとも１つ」又は「１つ以上」を意味すると解釈されるべきである）；同じことが、請求項の記述を導入するために使用される定冠詞の使用についても当てはまる。
加えて、特定の数の導入された請求項の記述が明示的に記載されている場合でも、当業者は、そのような記述が典型的には少なくとも記載された数を意味すると解釈されるべきであることを理解するであろう（例えば、他の修飾語句がない「２つの記述」の最小限の記述は、典型的には、少なくとも２つの記述、又は２つ以上の記述を意味する）。さらに、「Ａ、Ｂ、及びＣなどの少なくとも１つ」に類似した慣例が使用される例では、一般に、そのような構成は、当業者がその慣例を理解するという意味で意図される（例えば、「Ａ、Ｂ、及びＣの少なくとも１つを有するシステム」は、限定されるものではないが、Ａ単独、Ｂ単独、Ｃ単独、ＡとＢとをあわせて、ＡとＣとをあわせて、ＢとＣとをあわせて、及び／又はＡとＢとＣとをあわせて有するシステムを含む）。明細書、特許請求の範囲、又は図面のいずれにおいても、典型的には、隣接語及び／又は２つ以上の別の語を提示する句は、文脈で別段の指示がない限り、複数の用語のうちの１つ、いずれかの用語、又は両方の用語を含む可能性を想定すると理解すべきであるということは、当業者にはさらに理解されるであろう。例えば、「Ａ又はＢ」という句は、典型的には、「Ａ」、「Ｂ，」又は「Ａ及びＢ」の可能性を含むと理解されるであろう。
添付の特許請求の範囲に関して、当業者は、そこに記載された操作が概して任意の順序で実施され得ることを理解するであろう。また、様々な操作フロー図が順に提示されているが、様々な操作を示されているものとは異なる順序で実施してもよいし、又は同時に実施してもよいことを理解されたい。そのような順の例は、文脈で別段の指示がない限り、重複、交互、中断、並べ替え、増分、準備、捕捉、同時、逆、又は他の変形順序を含み得る。さらに、「～に応答する」、「～に関連する」、又は他の過去形の形容詞のような語は、文脈で別段の指示がない限り、概して、そのような変形を排除することを意図しない。
本明細書中で言及される任意の特許出願、特許、非特許出願、又は他の開示試料は、組み込まれる試料が本明細書と矛盾しない範囲に、参照により本明細書中に組み込まれる。したがって、必要な範囲に、本明細書中で明示的に記載される開示は、参照により本明細書中に組み込まれる、矛盾する資料に優先する。本明細書中で参照により組み込まれるとされるが、本明細書中で記載する既存の定義、記述、又は他の開示資料と矛盾する、任意の資料、又はその一部は、その組み込まれた資料と既存の開示資料との間に矛盾が生じない程度でのみ組み込まれる。
要約すると、本明細書中に記載される概念を採用することから得られる多くの利点が記載されている。前述の説明は、例示及び説明の目的で提示されている。開示された正確な例を網羅するか、又は限定することを意図するものではない。前記教示を考慮して修飾又は変形が可能である。実施例は、想定される特定の使用に適した様々な修飾を加えて、それにより当業者が様々な実施例を利用することが可能になる原理及び実際の適用を説明するために選択し記載した。ここに提出する特許請求の範囲は、全範囲を定義することを意図する。
以下の項目は、国際出願時の請求の範囲に記載の要素である。
（項目１）
患者のステップカウントを測定するためのシステムであって、
加速度計を備えるウェアラブルデバイスであって、前記患者の身体に結合されるように構成され、少なくとも前記加速度計を利用して不連続データを検出するように構成され、前記不連続データは、インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者の生理学的データのフレームとを含む、ウェアラブルデバイスと、
前記ウェアラブルデバイスと前記ウェアラブルデバイスに通信可能に接続されたリモートデバイスとのうちの少なくとも１つのプロセッサであって、少なくとも１０００歩にわたって測定された平均誤差が±３％である前記検出された生理学的データを用いて、８０～１５０歩／分の速度範囲で前記ステップカウントを測定するように構成される、プロセッサと、
を備える、システム。
（項目２）
前記生理学的データが、前記加速度計からの加速度計データを含む、項目１に記載のシステム。
（項目３）
前記プロセッサは、
前記加速度計データを増強し、
前記増強された加速度計データのレベルクロッシングの数を算出し、それによって前記ステップカウントを生成するように、
さらに構成される、項目２に記載のシステム。
（項目４）
前記プロセッサは、前記加速度計データのトータル活動が第１の閾値以下でありかつ第２の閾値以上である測定に応答して前記加速度計データを増強するように構成される、項目３に記載のシステム。
（項目５）
前記加速度計データを増強するように構成された前記プロセッサは、
ボックスカーフィルタ、
絶対値フィルタ、
ローパスフィルタ、
ハイパスフィルタ、及び
平均アジャストメント、
のうちの少なくとも１つを通して前記加速度計データを処理するように構成された前記プロセッサを備える、項目３～４のいずれか一項に記載のシステム。
（項目６）
前記プロセッサは、前記加速度計データの前記フレーム内の境界効果を処理するようにさらに構成される、項目２～５のいずれか一項に記載のシステム。
（項目７）
前記リモートデバイスをさらに備え、前記リモートデバイスは、前記ウェアラブルデバイスから不連続データを受信するように構成される、項目１～６のいずれか一項に記載のシステム。
（項目８）
前記インジェスティブルセンサデータは、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目１～７のいずれか一項に記載のシステム。
（項目９）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目１～８のいずれか一項に記載のシステム。
（項目１０）
非一時的メモリに結合されたプロセッサを備えるウェアラブルデバイスであって、前記非一時的メモリは、前記プロセッサによって実行されるとき、前記プロセッサに、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップ内に散在する前記患者の生理学的データのフレームとを含む不連続データを受信させ、かつ
少なくとも１０００歩にわたって測定された平均誤差が±３％である前記検出された生理学的データを用いて、８０～１５０歩／分の速度範囲でステップカウントを測定させる、
マシンで実行可能な命令を含む、ウェアラブルデバイス。
（項目１１）
前記生理学的データは、前記加速度計からの加速度計データを含む、項目１０に記載のウェアラブルデバイス。
（項目１２）
前記マシンで実行可能な命令は、
前記プロセッサによって実行されるとき、前記プロセッサに、さらに、
前記加速度計データを増強させ、かつ
前記増強された加速度計データのレベルクロッシングの数を算出させ、それによって前記ステップカウントを生成させる、
項目１１に記載のウェアラブルデバイス。
（項目１３）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記加速度計データのトータル活動が第１の閾値以下であり、第２の閾値以上である測定に応答して、前記加速度計データを増強させる、項目１２に記載のウェアラブルデバイス。
（項目１４）
前記プロセッサによって実行されるとき、前記プロセッサに前記加速度計データを増強させる前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、さらに、
ボックスカーフィルタ、
絶対値フィルタ、
ローパスフィルタ、
ハイパスフィルタ、及び
平均アジャストメント、
のうちの少なくとも１つを通して前記加速度計データを処理させる、マシンで実行可能な命令を含む、項目１２又は１３に記載のウェアラブルデバイス。
（項目１５）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに前記加速度データの前記フレーム内の境界効果をさらに処理させる、項目１１～１４のいずれか一項に記載のウェアラブルデバイス。
（項目１６）
前記インジェスティブルセンサデータは、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目１０～１５のいずれか一項に記載のウェアラブルデバイス。
（項目１７）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目１０～１６のいずれか一項に記載のウェアラブルデバイス。
（項目１８）
不連続データから患者のステップカウントを測定するための方法であって、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する生理学的データのフレームとを含む不連続データを受信することであって、前記生理学的データが加速度計からの加速度計データを含む、受信することと、
前記加速度計データを増強することと、
前記増強された加速度計データにおけるレベルクロッシングの数を計算し、それによって前記ステップカウントを生成することと、
を含む、方法。
（項目１９）
前記ステップカウントを計算することは、少なくとも１０００歩にわたって測定された平均誤差が±３％である前記検出された生理学的データを用いて、８０～１５０歩／分の速度範囲で実行される、項目１８に記載の方法。
（項目２０）
前記加速度計データを増強することは、前記加速度計データのトータル活動が第１の閾値以下であり、第２の閾値以上である測定に対する応答である、項目１８又は１９のいずれか一項に記載の方法。
（項目２１）
前記加速度計データを増強することは、
ボックスカーフィルタ、
絶対値フィルタ、
ローパスフィルタ、
ハイパスフィルタ、及び
平均アジャストメント、
のうちの少なくとも１つを通して前記加速度計データを処理することを含む、項目１８～２０のいずれか一項に記載の方法。
（項目２２）
前記加速度データの前記フレーム内の境界効果を処理することをさらに含む、項目１８～２１のいずれか一項に記載の方法。
（項目２３）
インジェスティブルイベントマーカーを前記患者の体液と接触させることによって、前記インジェスティブルセンサデータを生成することをさらに含む、項目１８～２２のいずれか一項に記載の方法。
（項目２４）
前記患者の皮膚にウェアラブルデバイスを着脱可能に取り付けることをさらに含み、前記不連続データを受信することは、前記ウェアラブルデバイスによって前記不連続データを受信することを含む、項目１８～２３のいずれか一項に記載の方法。
（項目２５）
方位を自動的に測定するためのシステムであって、
加速度計を備えるウェアラブルデバイスであって、前記患者の身体に結合されるように構成され、少なくとも前記加速度計を利用して不連続データを検出するように構成され、前記不連続データが、インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者の生理学的データのフレームとを含む、ウェアラブルデバイスと、
前記ウェアラブルデバイスと前記ウェアラブルデバイスに通信可能に接続されたリモートデバイスとのうちの少なくとも１つのプロセッサであって、前記検出された生理学的データを利用して、前記患者の前記身体に対する前記ウェアラブルデバイスの方位を自動的に測定するように構成される、プロセッサと、
を備える、システム。
（項目２６）
前記生理学的データが、前記加速度計からの加速度計データを含む、項目２５に記載のシステム。
（項目２７）
前記プロセッサは、前記加速度計データに基づいて前記患者の方位を測定するようにさらに構成される、項目２６に記載のシステム。
（項目２８）
前記プロセッサは前記ウェアラブルデバイスの方位を自動的に測定するように構成され、
参照ベクトルを測定し、前記測定は、
前記患者が前記加速度計データに基づいてステップを取っていると判定し、
前記患者がステップを取っているとの前記判定に応答して、前記加速度計データを含む加速度計記録を、前記加速度データに基づいて少なくとも２つの軸について独立してビンに取り込み、
最大の加速度計記録を有する前記少なくとも２つの軸の各々のビンに基づいて参照ベクトルを算出し、
前記参照ベクトル及び前記加速度計データに基づいて前記患者の前記身体の前記方位を算出する、
ように構成される前記プロセッサを含むように構成される、前記プロセッサをさらに備える、項目２６又は２７のいずれか一項に記載のシステム。
（項目２９）
前記プロセッサは、３つの軸について独立して前記ビンに加速度計記録を取り込むように構成される、項目２８に記載のシステム。
（項目３０）
新しい加速度計記録を前記ビンに取り込み、
前記新しい加速度計記録に基づいて前記参照ベクトルを再計算するよう構成された前記プロセッサをさらに含む、項目２８又は２９に記載のシステム。
（項目３１）
前記ビン内のいくつかの加速度計記録がビン計数閾値以上になった後に、前記参照ベクトルのさらなるアップデートをフリーズするように構成された前記プロセッサをさらに備える、項目３０に記載のシステム。
（項目３２）
前記身体の前記方位が、前記参照ベクトル上の平均加速度ベクトルの正規化凸部である、項目２８～３１のいずれか一項に記載のシステム。
（項目３３）
前記加速度計記録が、ステップカウント、ボディアングル、トータル活動、レベルクロッシング、平均加速度、参照ベクトル、エネルギー消費量、信号増強フラグ、及び前記加速度データの標準偏差のうちの少なくとも１つをさらに含む、項目２８～３２のいずれか一項に記載のシステム。
（項目３４）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目２５～３３のいずれか一項に記載のシステム。
（項目３５）
前記インジェスティブルセンサデータは、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目２５～３４のいずれか一項に記載のシステム。
（項目３６）
非一時的メモリに結合されたプロセッサを備えるウェアラブルデバイスであって、前記非一時的メモリは、前記プロセッサによって実行されるとき、前記プロセッサに、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する生理学的データのフレームとを含む不連続データを受信させ、前記生理学的データは加速度計データを含み、
前記加速度計データを利用して、患者の身体に対する前記ウェアラブルデバイスの方位を自動的に測定させる、
マシンで実行可能な命令を含む、ウェアラブルデバイス。
（項目３７）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記加速度計データに基づいて前記患者の方位を測定させる、項目３６に記載のウェアラブルデバイス。
（項目３８）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、
前記プロセッサに、
参照ベクトルを測定させ、前記測定は、
前記加速度計データに基づいて前記患者がステップを取っていると判定し、
前記患者がステップを取っているとの前記判定に応答して、前記加速度計データを含む加速度計記録を、前記加速度データに基づいて少なくとも２つの軸について独立してビンに取り込み、
最大の加速度計記録を有する前記少なくとも２つの軸の各々のビンに基づいて参照ベクトルを算出する、
ことを含み、
前記参照ベクトル及び前記加速度計データに基づいて前記患者の前記身体の前記方位を算出させる、項目３６又は３７に記載のウェアラブルデバイス。
（項目３９）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、３つの軸について独立して前記ビン内に加速度計記録を取り込ませる、項目３８に記載のウェアラブルデバイス。
（項目４０）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに
新しい加速度計記録を前記ビンに取り込ませ、
前記新しい加速度計記録に基づいて前記参照ベクトルを再計算させる、
項目３８又は３９に記載のウェアラブルデバイス。
（項目４１）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記ビン内のいくつかの加速度計記録がビンカウント閾値以上になった後に、前記参照ベクトルのさらなるアップデートをフリーズさせる、項目４０に記載のウェアラブルデバイス。
（項目４２）
前記身体の前記方位は、前記参照ベクトル上の平均加速度ベクトルの正規化凸部である、項目３８～４１のいずれか一項に記載のウェアラブルデバイス。
（項目４３）
前記加速度計記録は、ステップカウント、ボディアングル、トータル活動、レベルクロッシング、平均加速度、参照ベクトル、エネルギー消費量、信号増強フラグ、及び前記加速度データの標準偏差のうちの少なくとも１つをさらに含む、項目３８～４２のいずれか一項に記載のウェアラブルデバイス。
（項目４４）
前記インジェスティブルセンサデータは、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目３６～４３のいずれか一項に記載のウェアラブルデバイス。
（項目４５）
方位を自動的に測定するための方法であって、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する生理学的データのフレームとを含む不連続データを受信することであって、前記生理学的データは、ウェアラブルデバイスからの加速度計データを含む、受信することと、
前記加速度計データを使用して患者の身体に対する前記ウェアラブルデバイスの方位を自動的に測定することと、
を含む、方法。
（項目４６）
前記加速度計データに基づいて前記患者の方位を測定することをさらに含む、項目４５に記載の方法。
（項目４７）
参照ベクトルを測定することであって、前記測定は、
前記加速度計データに基づいて前記患者がステップを取っていると判定することと、
前記患者がステップを取っているとの前記判定に応答して、前記加速度計データを含む加速度計記録を、前記加速度データに基づいて少なくとも２つの軸について独立してビンに取り込むことと、
最大の加速度計記録を有する前記少なくとも２つの軸の各々のビンに基づいて前記参照ベクトルを算出することと、
を含む、測定することと、
前記参照ベクトル及び前記加速度計データに基づいて前記患者の前記身体の前記方位を算出する、
こととをさらに含む、項目４５又は４６に記載の方法。
（項目４８）
加速度計記録を、３つの軸について独立して前記ビンに取り込むことをさらに含む、項目４７に記載の方法。
（項目４９）
新しい加速度計記録を前記ビンに取り込むことと、
前記新しい加速度計記録に基づいて前記参照ベクトルを再計算することと、
をさらに含む、項目４７又は４８に記載の方法。
（項目５０）
前記ビン内のいくつかの加速度計記録がビン計数閾値以上になった後に、前記参照ベクトルのさらなるアップデートをフリーズすることをさらに含む、項目４９に記載の方法。
（項目５１）
前記身体の前記方位が、前記参照ベクトル上の平均加速度ベクトルの正規化された凸部である、項目４７～５０のいずれか一項に記載の方法。
（項目５２）
前記加速度計記録は、ステップカウント、ボディアングル、トータル活動、レベルクロッシング、平均加速度、参照ベクトル、エネルギー消費量、信号増強フラグ、及び前記加速度データの標準偏差のうちの少なくとも１つをさらに含む、項目４７～５１のいずれか一項に記載の方法。
（項目５３）
前記患者の体液との接触後にインジェスティブルイベントマーカーによって前記インジェスティブルセンサデータを生成する、項目４５～５２のいずれか一項に記載の方法。
（項目５４）
前記患者の皮膚にウェアラブルデバイスを着脱可能に取り付けることをさらに含み、前記不連続データを受信することは、前記ウェアラブルデバイスによって前記不連続データを受信することを含む、項目４５～５３のいずれか一項に記載の方法。
（項目５５）
患者の心拍数を測定するためのシステムであって、
電極を備えるウェアラブルデバイスであって、前記患者の身体に結合されるように構成され、少なくとも前記電極を利用して不連続データを検出するように構成され、前記不連続データは、インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレームとの間のタイムギャップに散在する前記患者の生理学的データのフレームとを含む、ウェアラブルデバイスと、
前記ウェアラブルデバイスと前記ウェアラブルデバイスに通信可能に接続されたリモートデバイスの少なくとも１つのベクトルコプロセッサであって、前記生理学的データのフレームを増強するように構成される、前記ベクトルコプロセッサと、
前記ウェアラブルデバイス及び前記リモートデバイスの少なくとも１つのプロセッサであって、前記生理学的データの前記増強されたフレームを用いて前記患者の心拍数を測定するように構成されるプロセッサと、
を備える、システム。
（項目５６）
前記生理学的データのフレームを増強させるように構成された前記ベクトルコプロセッサは、
ハイパスフィルタ、
ローパスフィルタ、
ダウンサンプリングフィルタ、
誘導体フィルタ、
更正フィルタ、及び
ボックスカーの平均化フィルタ、
のうちの少なくとも１つを通して前記生理学的データを処理するように構成された前記ベクトルコプロセッサを備える、項目５５に記載のシステム。
（項目５７）
前記生理学的データを処理するように構成された前記プロセッサは、
ピークファインダー、
適応閾値、
ピーク精製、
スプリアスピーク除去、及び
振幅変動除去、
からなる群から選択される少なくとも１つの技術で、心拍数を測定するように構成される、項目５５又は５６に記載のシステム。
（項目５８）
前記プロセッサは、前記生理学的データが第１の閾値を横切ることに基づいて立ち上がりエッジ及び立ち下がりエッジを検出するように構成された前記プロセッサを備える、前記ピークファインダーを用いて前記生理学的データを処理するように構成される、項目５７に記載のシステム。
（項目５９）
前記プロセッサは、
前記第１の閾値に基づいて、前記生理学的データにおいて第１のピーク数を検出し、
前記第１の閾値とは異なる第２の閾値に基づいて、前記生理学的データにおいて第２のピーク数を検出し、
前記第１のピーク数が前記第２のピーク数と等しくなるまで、又は、調整の反復回数の閾値に達するか、若しくは超えるまで、前記第１の閾値及び前記第２の閾値を調整する、
ように構成される前記プロセッサを備える、前記適応閾値を有する前記生理学的データを処理するように構成される、項目５８に記載のシステム。
（項目６０）
前記プロセッサが、距離閾値よりも互いに近い前記生理学的データのピークを除去するように構成されること含む、前記生理学的データを前記スプリアスピーク除去で処理するように前記プロセッサが構成される、項目５７～５９のいずれか一項に記載のシステム。
（項目６１）
前記プロセッサは、前記生理学的データ内のピーク間の間隔を計算し、前記生理学的データのフレーム内の２つのピークを１つのピークにマージすること、又は前記計算された間隔に基づいて、ピークを前記生理学的データ内の２つのピークに分割することを含む、前記振幅変動除去により前記生理学的データを処理するように構成される、項目５７～６０のいずれか一項に記載のシステム。
（項目６２）
前記プロセッサは、前記心拍数を測定する間、無効データを含む生理学的データのフレームを無視するように構成される、項目５７～６１のいずれか一項に記載のシステム。
（項目６３）
前記プロセッサは、さらに、
生理学的データの各フレームのピーク広がり、メジアン絶対偏差、及び品質スコアからなる群から選択される少なくとも１つの品質メトリックを測定するように構成され、前記プロセッサが前記少なくとも１つの品質メトリックと品質閾値との比較に基づいて、前記生理学的データのフレームを無視するように構成される、項目６２に記載のシステム。
（項目６４）
前記ベクトルコプロセッサは、特定用途向け集積回路（ＡＳＩＣ）上のベクトル演算コプロセッサである、項目５５～６３のいずれか一項に記載のシステム。
（項目６５）
前記プロセッサは、前記ＡＳＩＣ上の高度縮小命令セット計算機プロセッサである、項目５５～６４のいずれか一項に記載のシステム。
（項目６６）
前記ウェアラブルデバイスは、前記電極に動作可能に連結された心電図（ＥＣＧ）回路を含む、項目５５～６４のいずれか一項に記載のシステム。
（項目６７）
前記生理学的データは、前記ＥＣＧ回路からのＥＣＧデータを含む、項目６６に記載のシステム。
（項目６８）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目５５～６７のいずれか一項に記載のシステム。
（項目６９）
前記インジェスティブルセンサデータは、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目５５～６８のいずれか一項に記載のシステム。
（項目７０）
非一時的メモリに結合されたプロセッサを含むウェアラブルデバイスであって、前記非一時的メモリは、前記プロセッサ及び／又はベクトルコプロセッサによって実行されるとき、前記プロセッサ及び／又はコプロセッサに、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在した前記患者の生理学的データのフレームとを含む不連続データを受信させ、
前記コプロセッサによって前記生理学的データのフレームを増強させ、
前記プロセッサによって前記生理学的データの前記増強されたフレームを使用して、前記患者の心拍数を測定させる、
マシンで実行可能な命令を含む、ウェアラブルデバイス。
（項目７１）
前記マシンで実行可能な命令は、前記ベクトルコプロセッサによって実行されるとき、前記ベクトルコプロセッサに、
ハイパスフィルタ、
ローパスフィルタ、
ダウンサンプリングフィルタ、
誘導体フィルタ、
更正フィルタ、及び
ボックスカーの平均化フィルタ、
のうちの少なくとも１つを通して前記生理学的データを処理させる、項目７０に記載のウェアラブルデバイス。
（項目７２）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、
ピークファインダー、
適応閾値、
ピーク精製、
スプリアスピーク除去、及び
振幅変動除去、
からなる群から選択される少なくとも１つの技術で前記生理学的データを処理させる、項目７０又は７１に記載のウェアラブルデバイス。
（項目７３）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記生理学的データが第１の閾値を横切ることに基づいて立ち上がりエッジ及び立ち下がりエッジを検出するように、前記ピークファインダーを用いて前記生理学的データを処理させる、項目７２に記載のウェアラブルデバイス。
（項目７４）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、
前記第１の閾値に基づいて、前記生理学的データにおいて第１のピーク数を検出させ、
前記第１の閾値とは異なる第２の閾値に基づいて、前記生理学的データにおいて第２のピーク数を検出させ、
前記第１のピーク数が前記第２のピーク数と等しくなるまで、又は、調整の反復回数の閾値に達するまで、若しくは超えるまで、前記第１の閾値及び前記第２の閾値を調整させる、
項目７２又は７３に記載のウェアラブルデバイス。
（項目７５）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、距離閾値よりも互いに近い前記生理学的データのピークを除去するように構成された前記プロセッサを含む、前記スプリアスピーク除去で前記生理学的データを処理させる、項目７２～７４のいずれか一項に記載のウェアラブルデバイス。
（項目７６）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記振幅変動除去を伴う前記生理学的データを処理させて、前記生理学的データ内のピーク間の間隔を計算させ、前記計算された間隔に基づいて、２つのピークを前記生理学的データのフレーム内の１つのピークにマージさせるか、又は、ピークを前記生理学的データ内の２つのピークに分割させる、項目７２～７５のいずれか一項に記載のウェアラブルデバイス。
（項目７７）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記心拍数を測定する間、無効なデータを含む生理学的データのフレームを無視させる、項目７２～７５のいずれか一項に記載のウェアラブルデバイス。
（項目７８）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、生理学的データの各フレームのピーク広がり、メジアン絶対偏差、及び品質スコアからなる群から選択される少なくとも１つの品質メトリックを測定させ、前記プロセッサは、前記少なくとも１つの品質メトリックと品質閾値との比較に基づいて、前記生理学的データのフレームを無視するように構成される、
項目７７のウェアラブルデバイス。
（項目７９）
前記生理学的データは、ＥＣＧ回路からの心電図（ＥＣＧ）データを含む、項目７０～７８のいずれか一項に記載のウェアラブルデバイス。
（項目８０）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目７０～７９のいずれか一項に記載のウェアラブルデバイス。
（項目８１）
前記インジェスティブルセンサデータは、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目７０～８０のいずれか一項に記載のウェアラブルデバイス。
（項目８２）
心拍数を測定するための方法であって、
少なくとも前記電極を利用して不連続データを受信することであって、前記不連続データは、インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在した前記患者の生理学的データのフレームとを含む、受信することと、
コプロセッサによって、前記生理学的データのフレームを増強することと、
プロセッサによって、前記生理学的データの前記増強されたフレームを使用して、前記患者の心拍数を測定することとを含む、方法。
（項目８３）
前記生理学的データの前記フレームを増強することは、
ハイパスフィルタ、
ローパスフィルタ、
ダウンサンプリングフィルタ、
誘導体フィルタ、
更正フィルタ、及び
ボックスカーの平均化フィルタ、
のうちの少なくとも１つを通して前記生理学的データを処理すること含む、項目８２に記載の方法。
（項目８４）
前記患者の前記心拍数を測定することは、
ピークファインダー、
適応閾値、
ピーク精製、
スプリアスピーク除去、及び
振幅変動除去、
からなる群から選択される少なくとも１つの技術で前記生理学的データを処理することを含む、項目８２又は８３に記載の方法。
（項目８５）
前記心拍数を測定することは、前記ピークファインダーを介して前記生理学的データを処理して、第１の閾値を横切る前記生理学的データに基づいて立ち上がりエッジ及び立ち下がりエッジを検出することを含む、項目８４に記載の方法。
（項目８６）
前記第１の閾値に基づいて、前記生理学的データにおける第１のピーク数を検出することと、
前記第１の閾値とは異なる第２の閾値に基づいて、前記生理学的データにおける第２のピーク数を検出することと、
前記第１のピーク数が前記第２のピーク数と等しくなるまで、又は、調整の反復回数の閾値に達するまで、若しくは超えるまで、前記第１の閾値及び前記第２の閾値を調整する、
こととをさらに含む、項目８５に記載の方法。
（項目８７）
前記心拍数を測定することは、距離閾値よりも互いに近い前記生理学的データ内のピークを除去することを含む、前記スプリアスピーク除去を介して前記生理学的データを処理することを含む、項目８５又は８６に記載の方法。
（項目８８）
前記心拍数を測定することは、前記生理学的データ内のピーク間の間隔を計算し、前記計算された間隔に基づいて、２つのピークを前記生理学的データのフレーム内の１つのピークにマージすること、又はピークを前記生理学的データ内の２つのピークに分割することを含む、前記振幅変動除去を用いて前記生理学的データを処理することを含む、項目８５～８７のいずれか一項に記載の方法。
（項目８９）
前記心拍数を測定する間、無効データを含む生理学的データのフレームを無視することをさらに含む、項目８２～８８のいずれか一項に記載の方法。
（項目９０）
ピークの広がり、メジアン絶対偏差、及び生理学的データの各フレームの品質スコアからなる群から選択される少なくとも１つの品質メトリックを測定することと、
前記品質メトリックを品質閾値と比較することとをさらに含み、前記生理学的データのフレームを無視することは前記比較に基づいている、項目８９に記載の方法。
（項目９１）
前記生理学的データは、ＥＣＧ回路からの心電図（ＥＣＧ）データを含む、項目８２～９０のいずれか一項に記載の方法。
（項目９２）
前記患者の体液との接触後にインジェスティブルイベントマーカーによって前記インジェスティブルセンサデータを生成する、項目８２～９１のいずれか一項に記載の方法。
（項目９３）
前記患者の皮膚にウェアラブルデバイスを着脱可能に取り付けることをさらに含み、前記不連続データを受信することが、前記ウェアラブルデバイスによって前記不連続データを受信することを含む、項目８２～９２のいずれか一項に記載の方法。
（項目９４）
不連続データにおけるレベルクロッシングを測定するためのシステムであって、
患者の身体に結合されるように構成され、不連続データを検出するように構成されたウェアラブルデバイスであって、前記不連続データは、インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者からの生理学的データのフレームとを含む、ウェアラブルデバイスと、
前記ウェアラブルデバイスと、前記ウェアラブルデバイスに通信可能に接続されたリモートデバイスとのうちの少なくとも１つのプロセッサであって、前記生理学的データのフレームにおける境界効果を処理し、レベルクロッシングの数を算出するように構成される、プロセッサと、
を備える、システム。
（項目９５）
前記生理学的データは、加速度計からの加速度計データ及びＥＣＧ回路からの心電図（ＥＣＧ）データのうちの少なくとも１つを含む、項目９４に記載のシステム。
（項目９６）
前記プロセッサは、それぞれのレベルクロッシングの方向を測定するように構成される、項目９４又は９５に記載のシステム。
（項目９７）
前記プロセッサは、生理学的データの第１のフレームの終わりでのレベルクロッシングが、生理学的データの第２のフレームの始まりでのレベルクロッシングと同じ方向にあるとの判定に応答してレベルクロッシングの数を増やすように構成され、前記第１及び第２のフレームは、前記生理学的データ内に順次配置される、項目９４～９６のいずれか一項に記載のシステム。
（項目９８）
前記プロセッサは、前記生理学的データのフレームの傾斜の変化を検出し、前記傾斜の変化に応答して前記レベルクロッシングの数を増やすように構成される、項目９４～９７のいずれか一項に記載のシステム。
（項目９９）
前記傾斜の変化は、生理学的データのフレームの始まりでのレベルクロッシングの前である、項目９８に記載のシステム。
（項目１００）
前記傾斜の変化は、前記生理学的データのフレームの終わりでのレベルクロッシングの後である、項目９８又は９９に記載のシステム。
（項目１０１）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目９４～１００のいずれか一項に記載のシステム。
（項目１０２）
前記インジェスティブルセンサデータが、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目９４～１０１のいずれか一項に記載のシステム。
（項目１０３）
非一時的メモリに結合されたプロセッサを備えるウェアラブルデバイスであって、前記非一時的メモリは、前記プロセッサによって実行されるとき、前記プロセッサに、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者からの生理学的データのフレームとを含む不連続データを受信させ、
前記生理学的データのフレームにおける境界効果を処理して、前記生理学的データにおけるレベルクロッシングの数を算出させる、
マシンで実行可能な命令を含む、ウェアラブルデバイス。
（項目１０４）
前記生理学的データは、加速度計からの加速度計データ及びＥＣＧ回路からの心電図（ＥＣＧ）データのうちの少なくとも１つを含む、項目１０３に記載のウェアラブルデバイス。
（項目１０５）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、それぞれのレベルクロッシングの方向を測定させる、項目１０３又は１０４に記載のウェアラブルデバイス。
（項目１０６）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、生理学的データの第１のフレームの終わりでのレベルクロッシングが、生理学的データの第２のフレームの始まりでのレベルクロッシングと同じ方向にあるとの判定に応答してレベルクロッシングの数を増加させ、前記第１及び第２のフレームが前記生理学的データ内に順次配置される、項目１０３～１０５のいずれか一項に記載のウェアラブルデバイス。
（項目１０７）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記生理学的データのフレームの傾斜の変化を検出させ、前記傾斜の変化に応じて前記レベルクロッシングの数を増加させる、項目１０３～１０６のいずれか一項に記載のウェアラブルデバイス。
（項目１０８）
前記傾斜の変化は、生理学的データのフレームの始まりでのレベルクロッシングの前である、項目１０７に記載のウェアラブルデバイス。
（項目１０９）
前記傾斜の変化は、前記生理学的データのフレームの終わりでのレベルクロッシングの後である、項目１０７又は１０８に記載のウェアラブルデバイス。
（項目１１０）
前記インジェスティブルセンサデータは、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目１０３～１０９のいずれか一項に記載のウェアラブルデバイス。
（項目１１１）
不連続データにおけるレベルクロッシングの数を測定するための方法であって、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者からの生理学的データのフレームとを含む不連続データを受信することと、
前記生理学的データのフレームにおける境界効果を処理し、前記不連続データにおけるレベルクロッシングの数を計算することと、
を含む、方法。
（項目１１２）
前記生理学的データは、加速度計からの加速度計データ及びＥＣＧ回路からの心電図（ＥＣＧ）データのうちの少なくとも１つを含む、項目１１１に記載の方法。
（項目１１３）
各レベルクロッシングの方向を測定することをさらに含む、項目１１１又は１１２に記載の方法。
（項目１１４）
生理学的データの第１のフレームの終わりでのレベルクロッシングが、生理学的データの第２のフレームの始まりでのレベルクロッシングと同じ方向にあるとの判定に応答してレベルクロッシングの数を増加させることをさらに含み、前記第１及び第２のフレームが、前記生理学的データ内に順次配置される、項目１１１～１１３のいずれか一項に記載の方法。
（項目１１５）
生理学的データの前記フレームの傾斜の変化を検出し、前記傾斜の変化に応答して前記レベルクロッシングの数を増加させることをさらに含む、項目１１１～１１４のいずれか一項に記載の方法。
（項目１１６）
前記傾斜の変化が、生理学的データのフレームの始まりでのレベルクロッシングの前である、項目１１１～１１５のいずれか一項に記載の方法。
（項目１１７）
前記傾斜の変化が、前記生理学的データのフレームの終わりでのレベルクロッシングの後である、項目１１１～１１６のいずれか一項に記載の方法。
（項目１１８）
前記インジェスティブルセンサデータが、前記患者の体液との接触後にインジェスティブルイベントマーカーによって生成される、項目１１１～１１７のいずれか一項に記載の方法。
（項目１１９）
前記患者の皮膚にウェアラブルデバイスを着脱可能に取り付けることをさらに含み、前記不連続データを受信することが、前記ウェアラブルデバイスによって前記不連続データを受信することを含む、項目１１１～１１８のいずれか一項に記載の方法。
（項目１２０）
患者の心拍変動を測定するためのシステムであって、
電極を備えるウェアラブルデバイスであって、前記患者の身体に結合されるように構成され、少なくとも前記電極を利用して不連続データを検出するように構成され、前記不連続データは、インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者の生理学的データのフレームとを含む、ウェアラブルデバイスと、
前記ウェアラブルデバイスと前記ウェアラブルデバイスに通信可能に接続されたリモートデバイスとのうちの少なくとも１つのプロセッサであって、前記生理学的データの前記フレームのうちの少なくとも２つを、ブロックにまとめてグループ化し、前記ブロックを利用する前記患者の心拍変動を測定するように構成される、プロセッサと、
を備える、システム。
（項目１２１）
前記ブロック内の生理学的データの各フレーム内の心拍数データの有効性を測定する前記プロセッサをさらに備える、項目１２０に記載のシステム。
（項目１２２）
前記ブロック内の有効な心拍数データを含むフレームの数が閾値以上であると判定するように構成された前記プロセッサをさらに備える、項目１２１に記載のシステム。
（項目１２３）
第２のブロック内の有効な心拍数データを含むフレームの数が前記閾値未満であると判定するように構成された前記プロセッサをさらに備え、前記患者の前記心拍変動を計算する間、前記第２のブロックを無視する、項目１２２に記載のシステム。
（項目１２４）
有効な心拍数データを含むと判定された前記フレームを集約するように構成された前記プロセッサをさらに備え、前記プロセッサは、前記集約されたフレームに基づいて前記心拍変動を測定するように構成される、項目１２１～１２３のいずれか一項に記載のシステム。
（項目１２５）
前記ブロックに近位に配置されたインピーダンス測定値がインピーダンス閾値以下であると判定するように構成された前記プロセッサをさらに備える、項目１２０～１２４のいずれか一項に記載のシステム。
（項目１２６）
第２のブロックに近位に配置された第２のインピーダンス測定値が前記インピーダンス閾値よりも大きいと判定するように構成された前記プロセッサをさらに備え、前記患者の前記心拍変動を測定する間、前記第２のブロックを無視する、項目１２５に記載のシステム。
（項目１２７）
前記ブロックを処理して、前記心拍変動測定から外れ値の心拍数を含むフレームを除去するように構成された前記プロセッサをさらに備える、項目１２０～１２６のいずれか一項に記載のシステム。
（項目１２８）
前記ブロックを、マージツインインターバルアルゴリズム、スプリットトールインターバルアルゴリズム、アブソーブショートインターバルアルゴリズム、及び二峰性検出アルゴリズムから選択されるクリーニングアルゴリズムを介して処理するように構成された前記プロセッサをさらに備える、項目１２０～１２７のいずれか一項に記載のシステム。
（項目１２９）
前記ウェアラブルデバイスは、前記電極に動作可能に連結された心電図（ＥＣＧ）回路を含む、項目１２０～１２８のいずれか一項に記載のシステム。
（項目１３０）
前記生理学的データは、前記ＥＣＧ回路からのＥＣＧデータを含む、項目１２９に記載のシステム。
（項目１３１）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目１２０～１３０のいずれか一項に記載のシステム。
（項目１３２）
非一時的メモリに結合されたプロセッサを備えるウェアラブルデバイスであって、前記非一時的メモリは、前記プロセッサによって実行されるとき、前記プロセッサに、
インジェスティブルセンサデータのフレーム及び前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者からの生理学的データのフレームを含む不連続データを受信させ、
前記生理学的データの前記フレームの少なくとも２つをブロックにまとめてグループ化し、前記ブロックを利用する前記患者の心拍変動を測定させる、マシンで実行可能な命令を含む、ウェアラブルデバイス。
（項目１３３）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記ブロック内の生理学的データの各フレーム内の心拍数データの有効性を測定させる、項目１３２に記載のウェアラブルデバイス。
（項目１３４）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記ブロック内の有効な心拍数データを含むフレームの数が閾値以上であると判定させる、項目１３３に記載のウェアラブルデバイス。
（項目３５）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、第２のブロック内の有効な心拍数データを含むフレームの数が前記閾値未満であると判定させ、前記患者の前記心拍変動を計算する間、前記第２のブロックを無視する、項目１３４に記載のウェアラブルデバイス。
（項目１３６）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、有効な心拍数データを含むと判定された前記フレームを集約させ、前記集約されたフレームに基づいて前記心拍変動を測定させる、項目１３３～１３５のいずれか一項に記載のウェアラブルデバイス。
（項目１３７）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記ブロックに近位に配置されたインピーダンス測定値がインピーダンス閾値以下であると判定させる、項目１３２～１３５のいずれか一項に記載のウェアラブルデバイス。
（項目１３８）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、第２のブロックに近位に配置された第２のインピーダンス測定値が前記インピーダンス閾値よりも大きいと判定させ、前記患者の前記心拍変動を測定する間、前記第２のブロックを無視する、項目１３７に記載のウェアラブルデバイス。
（項目１３９）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記ブロックを処理させて、前記心拍変動測定から外れ値の心拍数を含むフレームを除去させる、項目１３２～１３８のいずれか一項に記載のウェアラブルデバイス。
（項目１４０）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、マージツインインターバルアルゴリズム、スプリットトールインターバルアルゴリズム、アブソーブショートインターバルアルゴリズム、及び二峰性検出アルゴリズムから選択されるクリーニングアルゴリズムを介して前記ブロックを処理させる、項目１３２～１３９のいずれか一項に記載のウェアラブルデバイス。
（項目１４１）
前記ウェアラブルデバイスは、前記電極に動作可能に連結された心電図（ＥＣＧ）回路を含む、項目１３２～１４０のいずれか一項に記載のウェアラブルデバイス。
（項目１４２）
前記生理学的データは、前記ＥＣＧ回路からのＥＣＧデータを含む、項目１４１に記載のウェアラブルデバイス。
（項目１４３）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目１３２～１４７のいずれか一項に記載のウェアラブルデバイス。
（項目１４４）
患者の心拍変動を測定するための方法であって、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する患者からの生理学的データのフレームとを含む不連続データを受信することと、
前記生理学的データの前記フレームの少なくとも２つをブロックにまとめてグループ化し、前記ブロックを利用する前記患者の心拍変動を測定する、
こととを含む、方法。
（項目１４５）
前記ブロック内の生理学的データの各フレーム内の心拍数データの有効性を測定することをさらに含む、項目１４４に記載の方法。
（項目１４６）
前記ブロック内の有効な心拍数データを含むフレームの数が閾値以上であると判定することをさらに含む、項目１４５に記載の方法。
（項目１４７）
第２のブロック内の有効な心拍数データを含むフレームの数が前記閾値未満であると判定することと、前記患者の前記心拍変動を計算する間、前記第２のブロックを無視することとをさらに含む、項目１４６に記載の方法。
（項目１４８）
有効な心拍数データを含むと判定された前記フレームを集約し、前記集約されたフレームに基づいて前記心拍変動を測定することをさらに含む、項目１４６又は１４７に記載の方法。
（項目１４９）
前記ブロックに近位に配置されたインピーダンス測定値が、インピーダンス閾値以下であると判定することをさらに含む、項目１４４～１４８のいずれか一項に記載の方法。
（項目１５０）
第２のブロックに近位に配置された第２のインピーダンス測定値が前記インピーダンス閾値よりも大きいと判定し、前記患者の前記心拍変動を測定する間、前記第２のブロックを無視することをさらに含む、項目１４９に記載の方法。
（項目１５１）
前記ブロックを処理して、前記心拍変動測定から外れ値の心拍数を含むフレームを除去することをさらに含む、項目１４４～１５０のいずれか一項に記載の方法。
（項目１５２）
前記ブロックを、マージツインインターバルアルゴリズム、スプリットトールインターバルアルゴリズム、アブソーブショートインターバルアルゴリズム、及び二峰性検出アルゴリズムから選択されるクリーニングアルゴリズムを介して処理することをさらに含む、項目１４４～１５１のいずれか一項に記載の方法。
（項目１５３）
前記生理学的データは、ＥＣＧ回路からのＥＣＧデータを含む、項目１４４～１５２のいずれか一項に記載の方法。
（項目１５４）
前記患者の皮膚にウェアラブルデバイスを着脱可能に取り付けることをさらに含み、前記不連続データを受信することが、前記ウェアラブルデバイスによって前記不連続データを受信することを含む、項目１４４～１５３のいずれか一項に記載の方法。
（項目１５５）
患者の安静を測定するためのシステムであって、
加速度計を備えるウェアラブルデバイスであって、前記患者の身体に結合されるように構成され、少なくとも前記加速度計と前記電極とを利用して不連続データを検出するように構成され、前記不連続データは、インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者の生理学的データのフレームとを含み、前記生理学的データは、前記加速度計からの加速度計データを含む、ウェアラブルデバイスと、
前記ウェアラブルデバイス及び前記ウェアラブルデバイスに通信可能に接続されたリモートデバイスのうちの少なくとも１つのプロセッサであって、加速度計データに基づいて前記患者が安静にしていると判定するように構成される、プロセッサと、
を備える、システム。
（項目１５６）
前記患者のボディアングルデータ及び前記加速度計データからのトータル活動データを測定し、前記ボディアングルデータ及びトータル活動データに基づいて前記患者が安静にしていると判定するように構成された前記プロセッサをさらに備える、項目１５５に記載のシステム。
（項目１５７）
閾値期間がボディアングルデータによってカバーされるまでボディアングルデータをボディアングル集約ウィンドウに追加し、前記ボディアングル集約ウィンドウに基づいて集約ボディアングルデータを測定するように構成された前記プロセッサをさらに備え、前記患者が安静にしていると判定することは、前記集約ボディアングルデータに基づく、項目１５６に記載のシステム。
（項目１５８）
閾値期間が前記トータル活動データによってカバーされるまで、トータル活動データをトータル活動集約ウィンドウに追加し、前記トータル活動集約ウィンドウに基づいて集約されたトータル活動データを測定するように構成された前記プロセッサをさらに備え、前記患者は、前記集約されたトータル活動データに基づいて安静にしていると判定される、項目１５６又は１５７に記載のシステム。
（項目１５９）
閾値以上の前記トータル活動データの値を除去するように構成された前記プロセッサをさらに含む、項目１５６～１５８のいずれか一項に記載のシステム。
（項目１６０）
前記ボディアングル集約ウィンドウ内のボディアングルデータが有効であると判定するように構成された前記プロセッサをさらに含む、項目１５６～１５９のいずれか一項に記載のシステム。
（項目１６１）
有効でない前記ボディアングル集約ウィンドウ内の第２のボディアングルデータを無視するように構成された前記プロセッサをさらに含む、項目１５６～１６０のいずれか一項に記載のシステム。
（項目１６２）
前記トータル活動集約ウィンドウ内のトータル活動データが有効であると判定するように構成された前記プロセッサをさらに含む、項目１５６～１６１のいずれか一項に記載のシステム。
（項目１６３）
有効でない前記トータル活動集約ウィンドウ内の第２のトータル活動データを無視するように構成された前記プロセッサをさらに含む、項目１５６～１６２のいずれか一項に記載のシステム。
（項目１６４）
前記患者が安静にしているという前記判定に基づいて、前記生理学的データを安静データとして分類する、又は安静ではないデータとして分類するように構成された前記プロセッサをさらに備える、項目１５５～１６３のいずれか一項に記載のシステム。
（項目１６５）
生理学的データは、心電図（ＥＣＧ）データをさらに含み、前記プロセッサは、前記患者が安静にしていると判定される間、前記生理学的データからの前記ＥＣＧデータから安静時心拍数を測定するように構成される、項目１６４に記載のシステム。
（項目１６６）
前記プロセッサは、安静データとして分類される２４時間内の生理学的データの最大セグメントから前記安静時心拍数を測定するように構成される、項目１６５に記載のシステム。
（項目１６７）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目１５５～１６６のいずれか一項に記載のシステム。
（項目１６８）
非一時的メモリに結合されたプロセッサを備えるウェアラブルデバイスであって、前記非一時的メモリは、前記プロセッサによって実行されるとき、前記プロセッサに、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する患者からの生理学的データのフレームとを含む不連続データを受信させ、
加速度計データに基づいて前記患者が安静にしていると判定させる、
マシンで実行可能な命令を含む、ウェアラブルデバイス。
（項目１６９）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記加速度計データから前記患者のボディアングルデータ及びトータル活動データを測定させ、前記ボディアングルデータ及びトータル活動データに基づいて前記患者が安静にしていると判定させる、項目１６８に記載のウェアラブルデバイス。
（項目１７０）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、閾値期間が前記ボディアングルデータによってカバーされるまで、ボディアングルデータをボディアングル集約ウィンドウに追加させ、前記ボディアングル集約ウィンドウに基づいて集約ボディアングルデータを測定させ、前記患者が安静にしていると判定することは、前記集約ボディアングルデータに基づく、項目１６９に記載のウェアラブルデバイス。
（項目１７１）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、閾値期間が前記トータル活動データによってカバーされるまで、トータル活動データをトータル活動集約ウィンドウに追加させ、前記トータル活動集約ウィンドウに基づいて、集約されたトータル活動データを測定させ、前記患者は、前記集約されたトータル活動データに基づいて、安静にしていると判定される、項目１６９又は１７０に記載のウェアラブルデバイス。
（項目１７２）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、閾値以上の前記トータル活動データの値を除去させる、項目１６９～１７１のいずれか一項に記載のウェアラブルデバイス。
（項目１７３）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記ボディアングル集約ウィンドウ内のボディアングルデータが有効であると判定させる、項目１６９～１７２のいずれか一項に記載のウェアラブルデバイス。
（項目１７４）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、無効である前記ボディアングル集約ウィンドウ内の第２のボディアングルデータを無視させる、項目１６９～１７３のいずれか一項に記載のウェアラブルデバイス。
（項目１７５）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記トータル活動集約ウィンドウ内のトータル活動データが有効であると判定させる、項目１６９～１７４のいずれか一項に記載のウェアラブルデバイス。
（項目１７６）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、有効ではない前記トータル活動集約ウィンドウ内の第２のトータル活動データを無視させる、項目１６９～１７５のいずれか一項に記載のウェアラブルデバイス。
（項目１７７）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記患者が安静にしているという前記判定に基づいて、前記生理学的データを安静データとして、又は安静ではないデータとして分類させる、項目１６９～１７６のいずれか一項に記載のウェアラブルデバイス。
（項目１７８）
前記生理学的データが、心電図（ＥＣＧ）データをさらに含み、前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、前記患者が安静にしていると判定される間、前記生理学的データからの前記ＥＣＧデータから安静時心拍数を測定させる、項目１７７に記載のウェアラブルデバイス。
（項目１７９）
前記マシンで実行可能な命令は、前記プロセッサによって実行されるとき、前記プロセッサに、安静データとして分類された２４時間内に、生理学的データの最大セグメントから前記安静時心拍数を測定させる、項目１７８に記載のウェアラブルデバイス。
（項目１８０）
前記ウェアラブルデバイスは、前記患者の皮膚に取り外し可能に取り付けられるように構成される、項目１６８～１７９のいずれか一項に記載のウェアラブルデバイス。
（項目１８１）
患者の安静を測定するための方法であって、
インジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する患者からの生理学的データのフレームとを含む不連続データを受信することと、
加速度計データに基づいて前記患者が安静にしていると判定することとを含む、
方法。
（項目１８２）
前記加速度計データから前記患者のボディアングルデータ及びトータル活動データを測定することと、前記ボディアングルデータ及びトータル活動データに基づいて前記患者が安静にしていると判定することとをさらに含む、項目１８１に記載の方法。
（項目１８３）
閾値期間が前記ボディアングルデータによってカバーされるまで、ボディアングルデータをボディアングル集約ウィンドウに追加することと、前記ボディアングル集約ウィンドウに基づいて集約ボディアングルデータを測定することとをさらに含み、前記患者が安静にしていると判定することは、前記集約ボディアングルデータに基づいている、項目１８２に記載の方法。
（項目１８４）
閾値期間が前記トータル活動データによってカバーされるまで、トータル活動データをトータル活動集約ウィンドウに追加することと、前記トータル活動集約ウィンドウに基づいて集約されたトータル活動データを測定することとをさらに含み、前記患者が休息していると判定することは、前記集約されたトータル活動データに基づく、項目１８２又は１８３に記載の方法。
（項目１８５）
閾値以上の前記トータル活動データ中の値を除去することをさらに含む、項目１８２～１８４のいずれか一項に記載の方法。
（項目１８６）
前記ボディアングル集約ウィンドウ内のボディアングルデータが有効であると判定することをさらに含む、項目１８２～１８５のいずれか一項に記載の方法。
（項目１８７）
有効でない前記ボディアングル集約ウィンドウ内の第２のボディアングルデータを無視することをさらに含む、項目１８２～１８６のいずれか一項に記載の方法。
（項目１８８）
前記トータル活動集約ウィンドウ内のトータル活動データが有効であると判定することをさらに含む、項目１８２～１８７のいずれか一項に記載の方法。
（項目１８９）
有効でない前記トータル活動集約ウィンドウ内の第２のトータル活動データを無視することをさらに含む、項目１８２～１８８のいずれか一項に記載の方法。
（項目１９０）
前記患者が安静にしているという前記判定に基づいて、前記生理学的データを、安静データとして、又は安静ではないデータとして分類することをさらに含む、項目１８１～１８９のいずれか一項に記載の方法。
（項目１９１）
生理学的データが、心電図（ＥＣＧ）データをさらに含み、前記患者が安静にしていると判定される間、前記生理学的データからの前記ＥＣＧデータから安静時心拍数を測定することをさらに含む、項目１９０に記載の方法。
（項目１９２）
安静データとして分類される２４時間内に、生理学的データの最大セグメントから前記安静時心拍数を測定することをさらに含む、項目１９１に記載の方法。
（項目１９３）
前記患者の皮膚にウェアラブルデバイスを着脱可能に取り付けることをさらに含み、前記不連続データを受信することが、前記ウェアラブルデバイスによって前記不連続データを受信することを含む、項目１８１～１９２のいずれか一項に記載の方法。

Claims (15)

  1. 患者のステップカウントを決定するためのシステムであって、
    加速度計を含むウェアラブルデバイスであって、前記ウェアラブルデバイスは、前記患者の身体に連結されるように構成され、少なくとも前記加速度計を利用して不連続データを検出するように構成され、前記不連続データは、インジェスティブルセンサデータのフレームと、インジェスティブルセンサデータのフレーム間のタイムギャップに散在する前記患者の生理学的データのフレームとを含む、ウェアラブルデバイスと、
    前記ウェアラブルデバイス及び前記ウェアラブルデバイスに通信可能に連結されたリモートデバイスのうちの少なくとも１つのプロセッサと、を含み、
    前記プロセッサは、
    前記生理学的データから加速度計データを抽出し、
    前記加速度計データを強化し、
    前記強化された加速度計データにおけるレベルクロッシングの数を、
    前記インジェスティブルセンサデータによって中断されない前記加速度計データの部分において初期レベルクロッシングを計算すること、
    前記生理学的データが前記インジェスティブルセンサデータに切り替わり、前記インジェスティブルセンサデータが前記生理学的データに切り替わる、前記不連続データにおける境界条件を特定すること、
    前記境界条件の各々における前記加速度計データの前記レベルクロッシングの方向を決定すること、及び
    生理学的データの第１のフレームの終わりでのレベルクロッシングが、生理学的データの第２のフレームの始まりでのレベルクロッシングと同じ方向であるという判断であって、前記第１及び第２のフレームが前記生理学的データにおいて連続した位置にある場合の判定に応答してレベルクロッシングの前記数を増加させること、
    によって計算し、
    少なくとも１０００歩にわたって測定して、±３パーセントの平均誤差で前記計算されたレベルクロッシングの数を用いて８０～１５０歩／分の速度範囲で前記ステップカウントを決定する、システム。
  2. 前記加速度計データのトータル活動が第１の閾値以下かつ第２の閾値以上であるという判定に応答して前記加速度計データを強化するように前記プロセッサが構成される、請求項１に記載のシステム。
  3. ボックスカーフィルタ、
    絶対値フィルタ、
    ローパスフィルタ、
    ハイパスフィルタ、及び
    平均調節
    の少なくとも１つにより前記加速度計データを処理するように構成された前記プロセッサを含む前記加速度計データを強化するように前記プロセッサが構成される、請求項１又は２に記載のシステム。
  4. 前記リモートデバイスをさらに含み、前記リモートデバイスが、前記ウェアラブルデバイスからの前記不連続データを受信するように構成され、前記インジェスティブルセンサデータが、前記患者の体液との接触後のインジェスティブルイベントマーカーによって生成される、請求項１～３のいずれかに記載のシステム。
  5. 前記ウェアラブルデバイスが前記患者の皮膚に取り外し可能に取り付けられるように構成される、請求項１～４のいずれかに記載のシステム。
  6. 前記プロセッサが、前記生理学的データのフレームの勾配における変化を検出し、前記勾配変化に応答して前記レベルクロッシングの数を増加させるように構成される、請求項１～５のいずれかに記載のシステム。
  7. ウェアラブルデバイスであって、
    患者に取り付けて、インジェスティブルセンサデータのフレームと前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者の生理学的データのフレームとを含む不連続データを受信するように構成された使い捨て部品と、
    前記使い捨て部品に連結される再利用可能な部品と、を含み、
    前記再利用可能な部品は、
    プロセッサと、
    前記プロセッサに連結され、前記不連続データを保存するように構成された非一時的メモリであって、前記非一時的メモリが、プロセッサによって実行された場合、前記プロセッサに、
    加速度計データを前記生理学的データから抽出させ、
    前記加速度計データを強化させ、
    前記強化された加速度計データにおけるレベルクロッシングの数を、
    前記インジェスティブルセンサデータによって中断されない前記加速度計データの部分における初期レベルクロッシングを計算すること、
    前記生理学的データが前記インジェスティブルセンサデータに切り替わり、前記インジェスティブルセンサデータが前記生理学的データに切り替わる前記不連続データにおける境界条件を特定すること、
    前記境界条件の各々で前記加速度計データの前記レベルクロッシングの方向を決定すること、及び
    生理学的データの第１のフレームの終わりでのレベルクロッシングが、生理学的データの第２のフレームの始まりでのレベルクロッシングと同じ方向であるという判定であって、前記第１及び第２のフレームが前記生理学的データにおいて連続した位置にある、判定に応答して前記レベルクロッシングの数を増加させること
    によって計算させ、
    少なくとも１０００歩にわたって測定して±３パーセントの平均誤差で前記計算されたレベルクロッシングの数を使用して８０～１５０歩／分の速度範囲内で前記患者のステップカウントを決定させる、
    マシンで実行可能な命令を含む、非一時的メモリと、を有する、ウェアラブルデバイス。
  8. 前記マシンで実行可能な命令が、前記プロセッサによって実行された場合、さらに、前記プロセッサに、前記加速度計データのトータル活動が第１の閾値以下かつ第２の閾値以上であるという判定に応答して、前記加速度計データを強化させる、請求項７に記載のウェアラブルデバイス。
  9. 前記プロセッサによって実行された場合、前記プロセッサに前記加速度計データを強化させる前記マシンで実行可能な命令が、前記プロセッサによって実行された場合、前記プロセッサに、さらに、
    ボックスカーフィルタ、
    絶対値フィルタ、
    ローパスフィルタ、
    ハイパスフィルタ、及び
    平均調節
    の少なくとも１つにより前記加速度計データを処理させるマシンで実行可能な命令を含む、請求項７又は８に記載のウェアラブルデバイス。
  10. 前記インジェスティブルセンサデータが、前記患者の体液との接触後のインジェスティブルイベントマーカーによって生成され、前記ウェアラブルデバイスが前記患者の皮膚に取り外し可能に取り付けられるように構成される、請求項７～９のいずれかに記載のウェアラブルデバイス。
  11. 前記マシンで実行可能な命令が、前記プロセッサによって実行された場合、前記プロセッサに、さらに、前記生理学的データのフレームの勾配における変化を検出させ、前記勾配変化に応答して前記レベルクロッシングの数を増加させる、請求項７～１０のいずれかに記載のウェアラブルデバイス。
  12. 不連続データから患者のステップカウントを決定するためのウェアラブルデバイスの方法であって、
    前記ウェアラブルデバイスによって、前記患者に由来する不連続データを受信することであって、前記不連続データはインジェスティブルセンサデータのフレームと、前記インジェスティブルセンサデータの前記フレーム間のタイムギャップに散在する前記患者の生理学的データのフレームとを含む、受信することと、
    加速度計データを前記生理学的データから抽出することと、
    前記加速度計データを強化することと、
    前記強化された加速度計データにおけるレベルクロッシングの数を、
    前記インジェスティブルセンサデータによって中断されない前記加速度計データの部分において初期レベルクロッシングを計算すること、
    前記生理学的データが前記インジェスティブルセンサデータに切り替わり、前記インジェスティブルセンサデータが前記生理学的データに切り替わる、前記不連続データにおける境界条件を特定すること、
    前記境界条件の各々における前記加速度計データの前記レベルクロッシングの方向を決定すること、及び
    生理学的データの第１のフレームの終わりでのレベルクロッシングが生理学的データの第２のフレームの始まりでのレベルクロッシングと同じ方向であるという判定であって、前記第１及び第２のフレームが前記生理学的データにおいて連続した位置にある、判定に応答して前記レベルクロッシングの数を増加させること
    によって計算することと、
    少なくとも１０００歩にわたって測定して±３パーセントの平均誤差で前記計算されたレベルクロッシングの数を用いて８０～１５０歩／分の速度範囲において前記ステップカウントを決定することと、を含む、方法。
  13. 前記加速度計データを強化することが、前記加速度計データのトータル活動が、第１の閾値以下かつ第２の閾値以上であるという判定に応答し、前記加速度計データを強化することが、
    ボックスカーフィルタ、
    絶対値フィルタ、
    ローパスフィルタ、
    ハイパスフィルタ、及び
    平均調節
    の少なくとも１つにより前記加速度計データを処理することを含む、請求項１２に記載の方法。
  14. インジェスティブルイベントマーカーを前記患者の体液と接触させることによって前記インジェスティブルセンサデータを生成させることをさらに含む、請求項１２又は１３に記載の方法。
  15. 前記生理学的データのフレームの勾配の変化及び前記勾配変化に応答するレベルクロッシングの数の増分を検出することをさらに含む、請求項１２～１４のいずれかに記載の方法。
JP2020570058A 2018-06-15 2019-06-14 ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー Active JP7267311B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023068437A JP2023099037A (ja) 2018-06-15 2023-04-19 ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862685878P 2018-06-15 2018-06-15
US62/685,878 2018-06-15
PCT/US2019/037307 WO2019241704A1 (en) 2018-06-15 2019-06-14 Low power receiver for in vivo channel sensing and ingestible sensor detection with wandering frequency

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023068437A Division JP2023099037A (ja) 2018-06-15 2023-04-19 ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー

Publications (2)

Publication Number Publication Date
JP2021527498A JP2021527498A (ja) 2021-10-14
JP7267311B2 true JP7267311B2 (ja) 2023-05-01

Family

ID=67396973

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020570058A Active JP7267311B2 (ja) 2018-06-15 2019-06-14 ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー
JP2023068437A Pending JP2023099037A (ja) 2018-06-15 2023-04-19 ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023068437A Pending JP2023099037A (ja) 2018-06-15 2023-04-19 ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー

Country Status (5)

Country Link
US (1) US11890092B2 (ja)
EP (1) EP3807903A1 (ja)
JP (2) JP7267311B2 (ja)
TW (1) TW202018466A (ja)
WO (1) WO2019241704A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019241704A1 (en) 2018-06-15 2019-12-19 Proteus Digital Health, Inc. Low power receiver for in vivo channel sensing and ingestible sensor detection with wandering frequency
CN111724878A (zh) * 2020-06-23 2020-09-29 歌尔科技有限公司 一种数据获取方法、装置及其设备
TWI749696B (zh) * 2020-08-11 2021-12-11 明新學校財團法人明新科技大學 皮膚檢測方法
US20220047174A1 (en) * 2020-08-11 2022-02-17 Predicor Llc Device for human performance assessment and monitoring
CN115515217A (zh) 2021-06-23 2022-12-23 联发科技（新加坡）私人有限公司 低功耗传感器系统中高精度时间戳打戳与同步方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012511969A (ja) 2008-12-15 2012-05-31 プロテウス バイオメディカル インコーポレイテッド 身体に関連付けられた受信器および方法
AU2012216694A1 (en) 2008-12-15 2012-09-27 Otsuka Pharmaceutical Co., Ltd. Body-associated receiver and method
EP3079568A1 (en) 2014-12-03 2016-10-19 Koninklijke Philips N.V. Device, method and system for counting the number of cycles of a periodic movement of a subject
WO2017011464A1 (en) 2015-07-13 2017-01-19 Bml Productions, Inc. Exercise data collection system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11154228B2 (en) 2015-08-31 2021-10-26 Zoll Medical Corporation Electrode use indication
WO2019241704A1 (en) 2018-06-15 2019-12-19 Proteus Digital Health, Inc. Low power receiver for in vivo channel sensing and ingestible sensor detection with wandering frequency

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012511969A (ja) 2008-12-15 2012-05-31 プロテウス バイオメディカル インコーポレイテッド 身体に関連付けられた受信器および方法
AU2012216694A1 (en) 2008-12-15 2012-09-27 Otsuka Pharmaceutical Co., Ltd. Body-associated receiver and method
EP3079568A1 (en) 2014-12-03 2016-10-19 Koninklijke Philips N.V. Device, method and system for counting the number of cycles of a periodic movement of a subject
WO2017011464A1 (en) 2015-07-13 2017-01-19 Bml Productions, Inc. Exercise data collection system

Also Published As

Publication number Publication date
US20210330216A1 (en) 2021-10-28
WO2019241704A9 (en) 2020-04-23
US11890092B2 (en) 2024-02-06
WO2019241704A1 (en) 2019-12-19
EP3807903A1 (en) 2021-04-21
JP2021527498A (ja) 2021-10-14
TW202018466A (zh) 2020-05-16
JP2023099037A (ja) 2023-07-11

Similar Documents

Publication Publication Date Title
JP7267311B2 (ja) ゆらぎ周波数でのインビボチャネル検知及びインジェスティブルセンサ検出用の低電力レシーバー
Tadi et al. A real-time approach for heart rate monitoring using a Hilbert transform in seismocardiograms
EP3379997B1 (en) Method to quantify photoplethysmogram (ppg) signal quality
EP3478166B1 (en) On-demand heart rate estimation based on optical measurements
US9462956B2 (en) Calculating heart rate from acceleration signals containing cardiac activity signals
JP6219942B2 (ja) 心電図におけるリアルタイムｑｒｓ期間測定
Mohamed et al. Heartsense: Ubiquitous accurate multi-modal fusion-based heart rate estimation using smartphones
CN104720808A (zh) 一种检测人体睡眠呼吸的方法和装置
Prawiro et al. Integrated wearable system for monitoring heart rate and step during physical activity
Chu et al. Dynamic heart rate monitors algorithm for reflection green light wearable device
Girčys et al. Wearable system for real-time monitoring of hemodynamic parameters: Implementation and evaluation
CN112006673A (zh) 人体心率检测方法、系统、存储介质、计算机设备及终端
EP3393345B1 (en) Method and apparatus for detecting live tissues using signal analysis
Kong et al. Heart rate tracking using a wearable photoplethysmographic sensor during treadmill exercise
Hassanuzzaman et al. End to end solution for continuous monitoring and real-time analysis of vital signs from ecg signal
Rezaei et al. Comparison of two low-power signal processing algorithms for optical heart rate monitoring
WO2020012807A1 (ja) 生体情報処理装置及び生体情報処理方法
CN113518582A (zh) 脉搏血氧测定系统
CN104688214B (zh) 一种基于软件滤波与数据统计算法的心率计算装置和心率计算方法
Lin et al. Low-Cost High-Accuracy QRS Detection for Body Area Network Applications
Mascret et al. A vital-signs monitoring wristband with real-time In-Sensor data analysis using very low-hardware resources
WO2023134383A1 (zh) 下肢动脉疾病检测的系统和终端设备
Khan An AFE based embedded system for physiological computing
Nawaz et al. Measurement of Human Heart Rate: A Cost-Effective Solution to Monitor Cardiovascular Health
WO2023223358A1 (en) An information processing apparatus and method for continuous estimation of respiratory signal and respiratory parameters

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210222

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20210407

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20210414

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20210728

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220518

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230320

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230419

R150 Certificate of patent or registration of utility model

Ref document number: 7267311

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150