KR102563372B1 - 비-침습적 심장 모니터 및 기록된 심장 데이터를 사용하여 환자의 생리학적 특성을 추론하는 방법 - Google Patents

Abstract

본 발명은 심장 부정맥과 같은 인간의 생리학적 특성을 추론하기 위해 심장 데이터를 기록하는 비-침습적 모니터링 기기에 관한 것이다. 본 발명의 일부 실시예들은 생리학적 신호들의 긴-기간 모니터링을 허용한다. 추가의 실시예들은 감지된 심장 리듬 신호들을 부분적으로 웨어러블 심장 모니터 기기 상에서, 그리고 부분적으로 원격 컴퓨팅 시스템 상에서 처리하는 것을 허용한다. 일부 실시예들은 심장 리듬 신호들의 장기간 검출을 위해 포유동물에 장기간 부착하기 위한 웨어러블 심장 모니터 기기를 포함한다.

Description

비-침습적 심장 모니터 및 기록된 심장 데이터를 사용하여 환자의 생리학적 특성을 추론하는 방법

관련된 출원들에 대한 상호 참조

이 출원은 2020년 2월 12일에 출원된 미국 임시 특허 출원 제62/975,626호 및 2020년 10월 13일에 출원된 미국 임시 특허 출원 제63/090,951호에 대한 우선권을 주장하며, 이 출원들은 그 전체가 본원에 포함된다. 상기 출원에 대한 우선권의 이익은 35 U.S.C. §119(e)을 포함하는(그러나 이에 제한되지 않는) 적절한 법적인 근거 하에서 주장된다.

이 개시서의 목적을 위해, 다양한 실시예들의 특정 측면들, 장점들 및 새로운 특징들이 본원에 기술되어 있다. 그러한 모든 이점들이 반드시 임의의 특정 실시예에 따라 달성될 수 있는 것은 아님을 이해해야 한다. 따라서, 다양한 실시예들은 본 명세서에서 교시되거나 제안될 수 있는 다른 이점들을 반드시 달성하지 않으면서 본 명세서에 교시된 하나의 이점 또는 이점들의 그룹을 달성하는 방식으로 수행되거나 수행될 수 있다.

본원 명세서에 기재되어 있는 실시 예들은 적어도 1주일 이상 동안, 더 일반적으로는 2주일 이상 동안 사람이나 동물이 연속해서 그리고 편안하게 착용할 수 있는 생리학적 모니터링 기기에 관련된 것이다. 일 실시예에서, 상기 생리학적 모니터링 기기가 심장 리듬(예를 들면, 심전도(electrocardiogram; ECG)) 데이터를 감지 및 기록하도록 특별히 설계되어 있지만, 여러 대안적인 실시예들에서, 하나 이상의 추가적인 생리학적 파라미터들이 감지 및 기록될 수 있다. 그러한 생리학적 모니터링 기기들은 환자의 경험을 촉진 및/또는 향상시키고 심장 부정맥 진단을 더 정확하고 시의적절하게 이루어지게 하는 다수의 특징들을 포함할 수 있다.

일부 실시예들은 사용자의 심장 리듬 신호 데이터를 모니터링하기 위한 웨어러블 심장 모니터 기기를 포함하는데, 상기 심장 모니터 기기는 : 방수 하우징; 포유동물과 밀폐되도록 맞물리도록(sealably engaged) 구성된 하우징의 표면; 모니터링이 완료될 때까지 제거 없이 최소 7일 동안 포유동물에 지속적으로 부착되도록 구성된 상기 표면상의 접착제; 상기 표면이 포유동물에 밀폐되게 붙여져있는 동안 상기 포유동물의 연속적인 심장 박동 신호들을 감지하도록 배치된, 상기 하우징 내에 영구적으로 배치된 적어도 두 개의 전극들; 상기 감지된 심장 리듬 신호들을 인코더를 통해 처리하도록 구성된 하드웨어 프로세서로서, 상기 인코더는 컴퓨터-실행 가능한 명령들의 제1 서브세트를 포함하는, 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 디코더를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되며, 상기 디코더는 컴퓨터-실행 가능한 명령들의 제2 서브세트를 포함하는, 송신기를 포함한다.

일부 실시예들에서, 상기 부정맥은 심실성 빈맥, 심실상성 빈맥, 이소성(ectopy), 심실세동 또는 연장된 일시정지(extended pauses) 중 적어도 하나를 포함한다.

일부 실시예들에서, 상기 심장 부정맥의 발생 가능성을 추론하는 것은 상기 제2 서브세트를 통해 상기 제1 서브세트의 출력을 처리하는 것을 포함하며, 상기 제1 서브세트는 연속적으로 검출되고 저장된 심장 리듬 신호들을 적어도 24시간 동안 처리한다.

일부 실시예들에서, 상기 하우징은, 눌러지며 그리고 인지된 심장 이벤트의 순간의 기록을 개시하도록 구성된 환자 트리거를 포함한다.

일부 실시예들에서, 상기 전극들은 전체적으로 상기 하우징 내에 배치된다.

일부 실시예들에서, 상기 컴퓨터-실행 가능 명령들의 제1 서브세트는 신경망의 제1 레이어 서브세트를 포함하고, 상기 컴퓨터-실행 가능 명령들의 제2 서브세트는 신경망의 제2 레이어 서브세트를 포함한다.

일부 실시예들은 사용자의 바이오-신호 데이터를 모니터링하기 위한 웨어러블 심장 모니터 기기를 포함하는데, 상기 웨어러블 기기는 : 하우징, 그리고 사용자로부터의 심장 신호들을 감지하도록 구성된 전극을 포함하는 날개부를 포함하는 접착성 어셈블리; 상기 감지된 심장 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 상기 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되는,송신기를 포함한다.

일부 실시예들에서, 상기 컴퓨팅 시스템은 상기 감지된 심장 신호들로부터 심방 세동 부담을 결정하도록 더 구성된다.

일부 실시예들에서, 상기 심방 세동 부담은 일정 기간 동안 상기 사용자에 의한 심방 세동에 소비된 시간의 양을 포함한다.

일부 실시예들에서, 상기 심방 세동 부담은 수면 기간 동안 그리고 깨어있는 기간 동안 상기 사용자에 의한 심방 세동에 소비된 시간의 양을 포함한다.

일부 실시예들은 사용자의 바이오-신호 데이터를 모니터링하기 위한 웨어러블 심장 모니터 기기를 포함하는데, 상기 웨어러블 기기는 : 사용자로부터의 심장 신호들을 감지하도록 구성된 전극을 포함하는 어셈블리; 상기 감지된 심장 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되는, 송신기를 포함한다.

일부 실시예들에서, 상기 하드웨어 프로세서는 ECG 신호들을 감지하는 것과 실질적으로 실시간으로 연속적으로 신경망의 제1 레이어 서브세트를 통해 상기 감지된 심장 신호들을 처리하도록 구성된다.

일부 실시예들에서, 상기 신경망의 제1 레이어 서브세트의 출력은 R 피크의 표시를 포함한다.

일부 실시예들에서, 상기 컴퓨팅 시스템은 상기 제2 레이어 서브세트를 통해 상기 심장 신호들을 재구성하도록 더 구성된다.

일부 실시예들에서, 상기 신경망의 제1 레이어 서브세트의 출력은 상기 신경망의 제1 레이어 서브세트의 입력보다 작은 차원을 갖는다.

일부 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망을 특성에 기초하여 복수의 신경망 중에서 선택하도록 구성된다.

일부 실시예들에서, 상기 특성은 상기 웨어러블 기기의 특성, 상기 웨어러블 기기와 상기 컴퓨팅 시스템 사이의 네트워크 특성 중 적어도 하나를 포함한다.

일부 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 출력을 압축하도록 더 구성되고,

상기 제1 서브세트의 출력을 상기 컴퓨팅 시스템에 전송하는 것은 상기 압축된 출력을 전송하는 것을 포함하며, 상기 컴퓨팅 시스템은 상기 전송된 데이터를 압축 해제하도록 구성되며, 그리고 상기 제2 레이어 서브세트를 통해 상기 출력을 처리하는 것은 상기 압축 해제된 데이터를 처리하는 것을 포함한다.

일부 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 출력을 양자화하도록 더 구성되고, 상기 제1 서브세트의 출력을 상기 컴퓨팅 시스템에 전송하는 것은 상기 출력을 전송하는 것을 포함한다.

일부 실시예들에서, 상기 하드웨어 프로세서는 상기 양자화된 출력을 압축하도록 더 구성되고, 상기 제1 서브세트의 출력을 상기 컴퓨팅 시스템에 전송하는 것은 상기 압축된 출력을 전송하는 것을 포함하며, 상기 컴퓨팅 시스템은 상기 전송된 데이터를 압축 해제하도록 구성되며, 그리고 상기 제2 레이어 서브세트를 통해 상기 출력을 처리하는 것은 상기 압축 해제된 데이터를 처리하는 것을 포함한다.

일부 실시예들에서, 상기 제1 서브세트의 출력을 상기 컴퓨팅 시스템에 전송하는 것은 상기 양자화된 출력을 전송하는 것을 포함한다.

일부 실시예들은 사용자의 특성의 가능성을 추론하기 위한 모니터를 포함하는데, 상기 모니터는 : 하우징; 상기 하우징 내에 영구적으로 배치되고, 표면의 연속적 신호들을 감지하도록 위치되는 적어도 2개의 전극들; 컴퓨터 실행 가능한 명령들의 제1 서브세트를 통해 상기 검출된 신호를 처리하도록 구성된 하드웨어 프로세서를 포함하는 인쇄 회로 기판 어셈블리; 및 컴퓨터-실행 가능한 명령들의 제1 서브세트의 데이터 출력을 컴퓨팅 시스템으로 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 컴퓨터 실행 가능한 명령들의 제2 서브세트를 통해 상기 데이터 출력을 처리함으로써 발생 가능성을 추론하도록 구성되는, 송신기를 포함한다.

일부 실시예들에서, 상기 컴퓨팅 시스템에 전송되는 상기 컴퓨터 실행 가능한 명령들의 제1 서브세트의 데이터 출력의 차원은 상기 적어도 2개의 전극들로부터의 상기 감지된 신호들의 데이터보다 작다.

일부 실시예들에서, 상기 컴퓨터 실행 가능한 명령들의 제1 서브세트의 데이터 출력은 암호화되며, 상기 송신기는 상기 암호화된 데이터 출력을 전송하고, 상기 컴퓨터 시스템은 상기 컴퓨터 실행 가능한 명령들의 제2 서브세트를 통해 상기 암호화된 데이터 출력을 처리한다.

일부 실시예들에서, 상기 송신기는 무선 통신 채널을 통해 상기 컴퓨팅 시스템에 상기 데이터를 출력을 전송한다.

일부 실시예들에서, 상기 모니터는 상기 컴퓨터 시스템으로부터 상기 컴퓨터 실행 가능한 명령들의 업데이트된 제1 서브세트를 수신하도록 구성된 수신기를 더 포함하고, 상기 컴퓨터 실행 가능한 명령들의 제1 서브세트를 상기 컴퓨터 실행 가능한 명령들의 업데이트된 제1 서브세트로 업데이트하며, 상기 하드웨어 프로세서는 상기 컴퓨터 실행 가능한 명령들의 상기 업데이트된 제1 서브세트를 통해 신호들을 처리하도록 더 구성된다.

일부 실시예들에서, 상기 모니터는 모션 데이터를 수집하도록 구성된 가속도계를 더 포함하며, 상기 컴퓨팅 시스템은 모션 데이터를 상기 감지된 신호들과 매칭시켜 상기 발생 가능성을 추론하도록 구성된다.

일부 실시예들에서, 상기 모니터는 심장 모니터이고, 상기 연속 신호들은 심장 신호들이며, 상기 발생(occurrence)은 부정맥 이벤트이다.

일부 실시예들에서, 상기 컴퓨터-실행 가능 명령들의 제1 서브세트는 신경망의 제1 레이어 서브세트를 포함하고, 상기 컴퓨터-실행 가능 명령들의 제2 서브세트는 신경망의 제2 레이어 서브세트를 포함한다.

일부 실시예들은 사용자의 특성의 가능성을 추론하기 위한 모니터를 포함하는데, 상기 모니터는 : 방수 하우징; 포유동물에 밀폐되게 붙여지도록(sealably engaged) 구성된 하우징의 표면; 모니터링이 완료될 때까지 제거 없이 최소 7일 동안 포유동물에 지속적으로 부착되도록 구성된 상기 표면상의 접착제; 상기 표면이 포유동물에 밀폐되게 붙여져 있는 동안 상기 포유동물의 연속적인 심장 리듬 신호들을 감지하도록 배치된, 상기 하우징 내에 영구적으로 배치된 적어도 두 개의 전극들; 컴퓨터 실행 가능한 명령들의 제1 서브세트를 통해 상기 검출된 심장 리듬 신호를 처리하도록 구성된 하드웨어 프로세서를 포함하는 인쇄 회로 기판 어셈블리; 및 컴퓨터-실행 가능한 명령들의 제1 서브세트의 데이터 출력을 컴퓨팅 시스템으로 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 컴퓨터 실행 가능한 명령들의 제2 서브세트를 통해 상기 데이터 출력을 처리함으로써 부정맥의 발생 가능성을 추론하도록 구성되는, 송신기를 포함한다.

일부 실시예들에서, 상기 부정맥은 심실성 빈맥, 심실상성 빈맥, 이소성(ectopy), 심실세동 또는 연장된 일시정지(extended pauses) 중 적어도 하나를 포함한다.

일부 실시예들에서, 상기 심장 부정맥의 발생 가능성을 추론하는 것은 상기 제2 서브세트를 통해 상기 제1 서브세트의 출력을 처리하는 것을 포함하며, 상기 제1 서브세트는 연속적으로 검출되고 저장된 심장 리듬 신호들을 적어도 24시간 동안 처리한다.

일부 실시예들에서, 상기 하우징은, 눌러지며 그리고 인지된 심장 이벤트의 순간의 기록을 개시하도록 구성된 환자 트리거를 포함한다.

일부 실시예들은 사용자의 특성(characteristic)의 가능성을 추론하기 위해 신경망을 훈련시키는 시스템을 포함하는데, 상기 시스템은 웨어러블 기기를 포함하며, 상기 웨어러블 기기는 : 사용자로부터의 심장 신호들을 감지하도록 구성된 전극을 포함하는 어셈블리; 상기 감지된 심장 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되는, 송신기를 포함하며, 상기 시스템은 : 제1 신경망을 통해 제1 기간의 제1 훈련 데이터를 처리함으로써 제1 특징을 식별하도록 상기 제1 신경망을 훈련하는 단계; 상기 제1 신경망의 가중치들을 프리징(freezing)하는 단계; 제1 신경망 및 제2 신경망을 통하여 제2 기간의 제2 훈련 데이터를 처리함으로써 제2 특징을 식별하도록 제2 신경망을 훈련시키는 단계로서, 상기 제2 기간은 상기 제1 기간보다 긴, 단계; 상기 제1 신경망의 가중치들을 언프리징(unfreezing)하는 단계; 및 상기 제1 신경망 및 제2 신경망을 통해 제3 기간의 제3 훈련 데이터를 처리함으로써 상기 제2 특징을 식별하도록 상기 제1 신경망 및 상기 제2 신경망을 동시에 훈련시키는 단계로서, 상기 제3 기간은 상기 제1 기간보다 긴, 단계;에 의해 상기 신경망을 훈련시키도록 구성된다.

일부 실시예들에서, 상기 신경망의 제1 레이어 서브세트의 출력은 상기 신경망의 제1 레이어 서브세트의 입력보다 작은 차원을 갖는다.

일부 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망을 특성에 기초하여 복수의 신경망 중에서 선택하도록 구성된다.

일부 실시예들에서, 상기 특성은 상기 웨어러블 기기의 특성, 상기 웨어러블 기기와 상기 컴퓨팅 시스템 사이의 네트워크 특성 중 적어도 하나를 포함한다.

일부 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 출력을 압축하도록 더 구성되고,

상기 제1 서브세트의 출력을 상기 컴퓨팅 시스템에 전송하는 것은 상기 압축된 출력을 전송하는 것을 포함하며, 상기 컴퓨팅 시스템은 상기 전송된 데이터를 압축 해제하도록 구성되며, 그리고 상기 제2 레이어 서브세트를 통해 상기 출력을 처리하는 것은 상기 압축 해제된 데이터를 처리하는 것을 포함한다.

일부 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 출력을 양자화하도록 더 구성되고, 상기 제1 서브세트의 출력을 상기 컴퓨팅 시스템에 전송하는 것은 상기 출력을 전송하는 것을 포함한다.

일부 실시예들은 사용자의 특성(characteristic)의 가능성을 추론하기 위해 신경망을 훈련시키는 방법을 포함하는데, 상기 방법은 : 제1 신경망을 통해 제1 기간의 제1 훈련 데이터를 처리함으로써 제1 특징을 식별하도록 상기 제1 신경망을 훈련하는 단계; 상기 제1 신경망의 가중치들을 프리징(freezing)하는 단계; 제1 신경망 및 제2 신경망을 통하여 제2 기간의 제2 훈련 데이터를 처리함으로써 제2 특징을 식별하도록 제2 신경망을 훈련시키는 단계로서, 상기 제2 기간은 상기 제1 기간보다 긴, 단계; 상기 제1 신경망의 가중치들을 언프리징(unfreezing)하는 단계; 및 상기 제1 신경망 및 제2 신경망을 통해 제3 기간의 제3 훈련 데이터를 처리함으로써 상기 제2 특징을 식별하도록 상기 제1 신경망 및 상기 제2 신경망을 동시에 훈련시키는 단계로서, 상기 제3 기간은 상기 제1 기간보다 긴, 단계를 포함한다.

일부 실시예들에서, 상기 제2 훈련 데이터는 상기 제3 훈련 데이터이고, 상기 제2 기간은 상기 제3 시간 기간이다.

일부 실시예들에서, 상기 훈련은 웨어러블 기기의 사용 가능한 처리 전력에 기초한다.

일부 실시예들에서, 상기 훈련은 웨어러블 기기의 사용 가능한 메모리에 기초한다.

일부 실시예들에서, 상기 훈련은 웨어러블 기기와 외부 컴퓨팅 시스템 간의 네트워크 가용성에 기초한다.

일부 실시예들에서, 상기 훈련은 상기 사용자의 특성의 유형에 기초한다.

일부 실시예들에서, 상기 사용자의 특성의 유형은 심장 부정맥의 발생을 포함한다.

특정 실시예들에서, 상기 컴퓨팅 시스템은 보고서를 제공하도록 더 구성되며, 상기 보고서는 심장 부정맥의 발생 가능성을 포함한다.

특정 실시예들에서, 상기 보고서는 시간에 따른 심방 세동 부담의 그래프를 포함한다.

특정 실시예들에서, 상기 보고서는 심방 세동의 존재에 대한 표시를 포함한다.

특정 실시예들에서, 상기 보고서는 적어도 14일의 모니터링 기간을 포함한다.

특정 실시예들에서, 상기 컴퓨팅 시스템은 서버 또는 게이트웨이이다.

특정 실시예들에서, 상기 컴퓨팅 시스템은 스마트폰이다.

특정 실시예들에서, 상기 컴퓨팅 시스템은 스마트폰 중개자를 통해 송신기와 통신한다.

특정 실시예들에서, 성가 웨어러블 기기는 2차 신호를 수집하도록 구성되고, 상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트를 통해 상기 2차 신호를 처리하도록 구성된다.

특정 실시예들에서, 상기 웨어러블 기기는 사용자의 움직임을 측정하도록 구성된 가속도계를 더 포함하며, 상기 2차 신호는 가속도계 데이터이다.

특정 실시예들에서, 상기 컴퓨팅 시스템은 심방 세동 부담을 결정하도록 더 구성되며, 상기 심방 세동 부담은 상기 사용자의 움직임 동안 심방 세동에 소비된 시간의 양을 포함한다.

특정 실시예들에서, 상기 사용자의 움직임은 제1 움직임 정도 및 제2 움직임 정도를 포함한다.

특정 실시예들에서, 상기 2차 신호는 전극 접촉 품질 데이터이다.

특정 실시예들에서, 상기 전극 및 하드웨어 프로세서는 가슴 스트랩 내에 포함된다.

특정 실시예들에서, 상기 전극 및 하드웨어 프로세서는 인간의 손목에 착용되도록 구성된 시계 내에 포함된다.

특정 실시예들에서, 상기 전극 및 하드웨어 프로세서는 웨어러블 피트니스 밴드 내에 포함된다.

특정 실시예들에서, 상기 부정맥은 심실성 빈맥을 포함한다.

특정 실시예들에서, 상기 부정맥은 심실상성 빈맥(supraventricular tachycardia)을 포함한다.

특정 실시예들에서, 상기 부정맥은 이소성(ectopy)을 포함한다.

특정 실시예들에서, 상기 부정맥은 심실세동을 포함한다.

특정 실시예들에서, 상기 부정맥은 연장된 정지(extended pauses)를 포함한다.

특정 실시예들에서, 상기 하드웨어 프로세서는 상기 웨어러블 기기부터 제거되고 상기 웨어러블 기기로부터 제거되는 동안 수정되도록 구성된다.

특정 실시예들에서, 상기 출력을 양자화하는 것은 상기 출력 내의 값들을 반올림하거나 잘라내는 것을 포함한다.

특정 실시예들에서, 상기 출력에 대한 양자화의 양은 무손실 압축 성능에 기초한다.

특정 실시예들에서, 상기 출력에 대한 양자화의 양은 처리 전력, 저장 또는 네트워크 사용 중 적어도 하나에 대한 효율성 및 신경망의 정확도에 기초한다.

특정 실시예들에서, 상기 신경망은 상기 신경망의 제1 레이어 서브세트의 출력에 양자화를 적용함으로써 훈련된다.

특정 실시예들에서, 상기 신경망은 상기 신경망의 제1 레이어 서브세트의 출력에 무손실 압축을 적용함으로써 훈련된다.

특정 실시예들에서, 상기 신경망은 상기 신경망의 제1 레이어 서브세트의 출력에 양자화 및 무손실 압축을 적용함으로써 훈련된다.

특정 실시예들에서, 상기 신경망은 제1 신경망을 생성하기 위해 양자화 및 무손실 압축 없이 훈련되고, 상기 제1 신경망은 제2 신경망을 생성하기 위해 상기 신경망의 제1 레이어 서브세트의 출력에 양자화 및 무손실 압축을 적용함으로써 훈련된다.

일부 실시예들은 데이터를 모니터링하기 위한 웨어러블 기기를 포함하는데, 상기 웨어러블 기기는 : 사용자로부터의 심장 신호들을 감지하도록 구성된 센서; 상기 감지된 심장 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되는, 송신기를 포함한다.

일부 실시예들은 심장 부정맥의 발생 가능성을 추정하기 위한 컴퓨팅 시스템을 포함하는데, 상기 컴퓨팅 시스템은 하나 이상의 제1 하드웨어 프로세서들을 포함하며, 상기 하나 이상의 제1 하드웨어 프로세서들은 : 웨어러블 기기로부터 데이터를 수신하도록 구성되는데, 상기 웨어러블 기기는 사용자로부터 심장 신호들을 감지하도록 구성된 센서, 그리고 상기 감지된 심장 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하나 이상의 제2 하드웨어 프로세서들을 포함하며; 상기 수신된 데이터를 신경망의 제2 레이어 서브세트를 통해 처리하도록 구성되고; 그리고 제2 레이어 서브세트의 출력으로부터, 심장 부정맥의 발생 가능성에 대한 추론을 수신하도록 구성된다.

일부 실시예들은 데이터를 모니터링하기 위한 방법을 포함하는데, 상기 방법은 : 사용자로부터 심장 신호들을 감지하는 단계; 신경망의 제1 레이어 서브세트를 통해 상기 감지된 심장 신호들을 처리하는 단계; 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하는 단계로서, 상기 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하는, 단계를 포함한다.

일부 실시예들은 프로세서에 의해 실행될 때 상기 프로세서로 하여금 다음 방법을 수행하게 하는 컴퓨터-실행가능한 명령들을 저장하는 비-일시적 컴퓨터 저장 매체를 포함한다 : 사용자로부터 심장 신호들을 감지하는 단계; 신경망의 제1 레이어 서브세트를 통해 상기 감지된 심장 신호들을 처리하는 단계; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하는 단계로서, 상기 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하는, 단계.

일부 실시예들은 사용자의 특성(characteristic)의 가능성을 추론하기 위해 신경망을 훈련시키는 방법으로서, 상기 방법은 : 제1 신경망을 통해 제1 기간의 제1 훈련 데이터를 처리함으로써 제1 특징을 식별하도록 상기 제1 신경망을 훈련하는 단계; 상기 제1 신경망의 가중치들을 프리징(freezing)하는 단계; 제1 신경망 및 제2 신경망을 통하여 제2 기간의 제2 훈련 데이터를 처리함으로써 제2 특징을 식별하도록 제2 신경망을 훈련시키는 단계로서, 상기 제2 기간은 상기 제1 기간보다 긴, 단계; 상기 제1 신경망의 가중치들을 언프리징(unfreezing)하는 단계; 및 상기 제1 신경망 및 제2 신경망을 통해 제3 기간의 제3 훈련 데이터를 처리함으로써 상기 제2 특징을 식별하도록 상기 제1 신경망 및 상기 제2 신경망을 동시에 훈련시키는 단계로서, 상기 제3 기간은 상기 제1 기간보다 긴, 단계를 포함한다.

특정 실시예들에서, 상기 제2 훈련 데이터는 상기 제3 훈련 데이터이고, 상기 제2 기간은 상기 제3 시간 기간이다.

특정 실시예들에서, 상기 훈련은 웨어러블 기기의 사용 가능한 처리 전력에 기초한다.

특정 실시예들에서, 상기 훈련은 웨어러블 기기의 사용 가능한 메모리에 기초한다.

특정 실시예들에서, 상기 훈련은 웨어러블 기기와 외부 컴퓨팅 시스템 간의 네트워크 가용성에 기초한다.

특정 실시예들에서, 상기 훈련은 상기 사용자의 특성의 유형에 기초한다.

특정 실시예들에서, 상기 사용자의 특성의 유형은 심장 부정맥의 발생을 포함한다.

일부 실시예들은 사용자의 특성(characteristic)의 가능성을 추론하기 위해 신경망을 훈련시키는 시스템을 포함하는데, 상기 시스템은 웨어러블 심장 모니터 기기를 포함하며, 상기 웨어러블 심장 모니터 기기는 : 방수 하우징;포유동물에 밀폐되게 붙여지도록(sealably engaged) 구성된 하우징의 표면; 모니터링이 완료될 때까지 제거 없이 최소 7일 동안 포유동물에 지속적으로 부착되도록 구성된 상기 표면상의 접착제; 상기 표면이 포유동물에 밀폐되게 붙여져있는 동안 상기 포유동물의 연속적인 심장 리듬 신호들을 감지하도록 배치된, 상기 하우징 내에 영구적으로 배치된 적어도 두 개의 전극들; 상기 감지된 심장 리듬 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되는, 송신기를 포함하며, 상기 시스템은 : 제1 신경망을 통해 제1 기간의 제1 훈련 데이터를 처리함으로써 제1 특징을 식별하도록 상기 제1 신경망을 훈련하는 단계; 상기 제1 신경망의 가중치들을 프리징(freezing)하는 단계; 제1 신경망 및 제2 신경망을 통하여 제2 기간의 제2 훈련 데이터를 처리함으로써 제2 특징을 식별하도록 제2 신경망을 훈련시키는 단계로서, 상기 제2 기간은 상기 제1 기간보다 긴, 단계; 상기 제1 신경망의 가중치들을 언프리징(unfreezing)하는 단계; 및 상기 제1 신경망 및 제2 신경망을 통해 제3 기간의 제3 훈련 데이터를 처리함으로써 상기 제2 특징을 식별하도록 상기 제1 신경망 및 상기 제2 신경망을 동시에 훈련시키는 단계로서, 상기 제3 기간은 상기 제1 기간보다 긴, 단계에 의해 상기 신경망을 훈련시키도록 구성된다.

일부 실시예들은 사용자의 바이오-신호 데이터를 모니터링하기 위한 웨어러블 기기를 포함하는데, 상기 웨어러블 기기는 : 하우징, 그리고 사용자로부터의 심장 신호들을 감지하도록 구성된 전극을 포함하는 날개부를 포함하는 접착성 어셈블리; 상기 감지된 심장 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 상기 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 QT 간격을 추론하도록 구성되는, 송신기를 포함한다.

특정 실시예들에서, 상기 컴퓨팅 시스템은 상기 감지된 심장 신호들로부터 심방 세동 부담을 결정하도록 더 구성된다.

특정 실시예들에서, 상기 심방 세동 부담은 일정 기간 동안 상기 사용자에 의한 심방 세동에 소비된 시간의 양을 포함한다.

특정 실시예들에서, 상기 심방 세동 부담은 수면 기간 동안 그리고 깨어있는 기간 동안 상기 사용자에 의한 심방 세동에 소비된 시간의 양을 포함한다.

특정 실시예들에서, 상기 하드웨어 프로세서는 ECG 신호들을 감지하는 것과 실질적으로 실시간으로 연속적으로 신경망의 제1 레이어 서브세트를 통해 상기 감지된 심장 신호들을 처리하도록 구성된다.

특정 실시예들에서, 상기 신경망의 제1 레이어 서브세트의 출력은 R 피크의 표시를 포함한다.

특정 실시예들에서, 상기 컴퓨팅 시스템은 상기 제2 레이어 서브세트를 통해 상기 심장 신호들을 재구성하도록 더 구성된다.

일부 실시예들은 사용자의 특성(characteristic)의 가능성을 추론하기 위해 신경망을 훈련시키는 시스템을 포함하는데, 상기 시스템은 웨어러블 기기를 포함하며, 상기 웨어러블 기기는 : 사용자로부터의 심장 신호들을 감지하도록 구성된 전극을 포함하는 어셈블리; 상기 감지된 심장 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트를 통해 상기 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되는, 송신기를 포함하며, 상기 시스템은 : 제1 신경망을 통해 제1 기간의 제1 훈련 데이터를 처리함으로써 제1 특징을 식별하도록 상기 제1 신경망을 훈련하는 단계; 상기 제1 신경망의 가중치들을 프리징(freezing)하는 단계; 제1 신경망 및 제2 신경망을 통하여 제2 기간의 제2 훈련 데이터를 처리함으로써 제2 특징을 식별하도록 제2 신경망을 훈련시키는 단계로서, 상기 제2 기간은 상기 제1 기간보다 긴, 단계; 상기 제1 신경망의 가중치들을 언프리징(unfreezing)하는 단계; 및 상기 제1 신경망 및 제2 신경망을 통해 제3 기간의 제3 훈련 데이터를 처리함으로써 상기 제2 특징을 식별하도록 상기 제1 신경망 및 상기 제2 신경망을 동시에 훈련시키는 단계로서, 상기 제3 기간은 상기 제1 기간보다 긴, 단계;에 의해 상기 신경망을 훈련시키도록 구성된다.

특정 실시예들에서, 상기 신경망의 제1 레이어 서브세트의 출력은 상기 신경망의 제1 레이어 서브세트의 입력보다 작은 차원을 갖는다.

특정 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망을 특성에 기초하여 복수의 신경망 중에서 선택하도록 구성된다.

특정 실시예들에서, 상기 특성은 상기 웨어러블 기기의 특성, 상기 웨어러블 기기와 상기 컴퓨팅 시스템 사이의 네트워크 특성 중 적어도 하나를 포함한다.

특정 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 출력을 압축하도록 더 구성되고,상기 제1 서브세트의 출력을 상기 컴퓨팅 시스템에 전송하는 것은 상기 압축된 출력을 전송하는 것을 포함하며, 상기 컴퓨팅 시스템은 상기 전송된 데이터를 압축 해제하도록 구성되며, 그리고 상기 제2 레이어 서브세트를 통해 상기 출력을 처리하는 것은 상기 압축 해제된 데이터를 처리하는 것을 포함한다.

특정 실시예들에서, 상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 출력을 양자화하도록 더 구성되고, 상기 제1 서브세트의 출력을 상기 컴퓨팅 시스템에 전송하는 것은 상기 출력을 전송하는 것을 포함한다.

특정 실시예들에서, 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트의 출력으로부터 ECG 신호를 재구성함으로써 QT 간격을 추론한다.

특정 실시예들에서, 컴퓨팅 시스템은 복수의 QT 간격들을 포함하는 인코딩된 특징들의 윈도우로부터 평균 QT 간격에 기초하여 QT 간격을 추론한다.

일부 실시예들은 사용자의 바이오-신호 데이터를 모니터링하기 위한 웨어러블 기기를 포함하는데, 상기 웨어러블 기기는 : 하우징, 그리고 사용자로부터의 심장 신호들을 감지하도록 구성된 전극을 포함하는 날개부를 포함하는 접착성 어셈블리; 상기 감지된 심장 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하도록 구성된 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 일정 기간 동안 복수의 비트들에 기초하여 템플릿 비트를 생성하도록 구성되는, 송신기를 포함한다.

일부 실시예들은 사용자의 바이오-신호 데이터를 모니터링하기 위한 웨어러블 기기를 포함하며, 상기 웨어러블 기기는 : 사용자로부터의 심장 신호들을 감지하도록 구성된 전극을 포함하는 어셈블리; 신경망의 제1 레이어 서브세트를 통해 상기 검출된 심장 신호들을 처리하도록 구성된 하드웨어 프로세서로서, 상기 신경망의 제1 레이어 서브세트의 출력은 RR 피크 간격들을 포함하고, RR 피크 간격은 2개의 연속적인 R-피크들 간의 지속시간을 포함하는, 하드웨어 프로세서; 및 상기 제1 서브세트의 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기로서, 상기 컴퓨팅 시스템은 신경망의 제2 레이어 서브세트를 통해 상기 신경망의 제1 레이어 서브세트의 출력의 RR 피크 간격들을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되는, 송신기를 포함한다.

특정 실시예들에서, 상기 신경망의 제1 레이어 서브세트는 중첩 슬라이딩 윈도우를 사용하여 RR-간격 서브-시퀀스들을 추출하고 상기 검출된 심장 신호들에 대한 상기 슬라이딩 윈도우를 시프팅함으로써 RR 피크 간격들의 시퀀스를 생성한다.

본 발명의 이러한 양상들 및 다른 양상들 그리고 실시예들이 도면들을 참조하여 아래에서 더 상세히 설명된다.

도 1a 및 도 1b는 각각 일 실시예에 따른 생리학적 모니터링 장치의 사시도 및 분해 프로파일도이다.
도 2a 및 도 2b는 각각 일 실시예에 따른 생리학적 모니터링 장치의 인쇄 회로 기판 어셈블리의 상부 사시도 및 하부 사시도이다.
도 3a, 도 3b, 도 3c, 도 3d 및 도 3e는 일 실시예에 따른 생리학적 모니터링 장치의 플렉서블 몸체 및 개스킷(gasket)의 사시도 및 분해도이다.
도 4는 일 실시예에 따른 생리학적 모니터링 장치의 경성 하우징(rigid housing)의 분해도이다.
도 5a 및 도 5b는 일 실시예에 따른 생리학적 모니터링 장치의 배터리 홀더에 대한 사시도를 제공한다.
도 6a 및 도 6b는 일 실시예에 따른 생리학적 모니터링 장치의 단면도들이다.
도 7은 일 실시예에 따른 다수의 옵션 항목들을 포함하여 생리학적 모니터링 장치의 분해도이다.
도 8a 및 도 8b는 일 실시예에 따라, 생리학적 모니터링 장치를 착용한 두 사람의 사시도로서, 장치가 신체 움직임과 위치에 순응하기 위해 어떻게 구부러지는지를 예시한다.
도 9a, 도 9b, 도 9c, 도 9d, 도 9e 및 도 9f는 일 실시예에 따르면 환자의 신체에 생리학적 모니터를 적용하기 위한 다양한 단계들을 설명한다.
도 10은 심장 리듬 추론 서비스의 실시예의 개략도를 도시한다.
도 11은 생리학적 모니터에서 데이터 피처들을 추출하고 전송하기 위한 시스템의 실시예의 개략도이다.
도 12는 전송 장치를 사용하여 생리학적 모니터에서 데이터 피처들을 추출하고 전송하기 위한 시스템의 실시예의 개략도이다.
도 13은 추가 데이터 채널들을 사용하는 생리학적 모니터링 시스템의 일 실시예의 개략도이다.
도 14는 데이터 필터들을 포함하는 생리학적 모니터링 시스템의 일 실시예의 개략도이다.
도 15는 웨어러블 장치 시스템의 일 실시예의 개략도이다.
도 16은 증상 전송 시스템의 실시예의 개략도이다.
도 17은 무증상 전송 시스템의 실시예의 개략도이다.
도 18a는 NSR 리듬에 대응하는 ECG 스트립으로부터의 판독값을 나타내는 실시예의 그래프이다.
도 18b는 NSR 리듬에 대응하는 ECG 스트립으로부터의 판독값을 나타내는 실시예의 그래프이다.
도 19는 부담 예측 모델의 HLA(high level architecture)이다.
도 20은 도 19의 HLA의 실시예이다.
도 21은 도 19의 특징 추출 모델의 실시예이다.
도 22a는 신경망 인코딩을 사용하여 리듬 주석(rhythm annotations)을 예측하기 위한 시스템의 실시예의 개략도이다.
도 22b는 단일 신경망 내에서 레이어들의 제1 서브세트 및 제2 서브세트의 실시예의 개략도이다.
도 22c는 패치상의 신경망에서 레이어들의 서브 세트를 처리하기 위한 시스템의 실시예의 개략도이다.
도 22d는 제1 레이어 서브세트의 출력을 서버에 전송하기 위한 실시예의 개략도이다.
도 22e는 신경망 설계(및/또는 훈련)의 실시예의 개략도이다.
도 22f는 사용자의 현재 활동에 기초하여 신경망을 설계, 훈련 및/또는 선택하기위한 실시예의 개략도이다.
도 23은 컴퓨터 네트워크 시스템의 실시예의 개략도이다.
도 24는 프로그래밍 및 분포 모듈의 실시예의 개략도이다.
도 25는 ECG 인코더와의 무손실 압축의 구현을 도시한다.
도 26은 신경망에서 제1 레이어 서브세트를 처리한 후 ECG 인코더의 출력 데이터에 대한 양자화를 수행하기 위한 양자화기의 실시예를 도시한다.
도 27은 무손실 압축기 및 무손실 해독기(decompressor)를 통한 무손실 압축 및 양자화기를 갖는 실시예를 도시한다.
도 28a 및 도 28b는 템플릿 비트를 생성하기 위한 프로세스의 실시예를 도시한다.

다음의 설명은 여러 다양한 실시예들에 관한 것이다. 그러나, 설명된 실시예들은 여러가지 방식으로 구현되고 그리고/또는 변경될 수 있다. 예를 들어, 기술된 실시예들은 다수의 생리학적 파라미터 중 임의의 생리학적 파라미터를 모니터링하기 위한 임의의 적합한 기기, 장치 또는 시스템에서 구현될 수 있다. 예를 들어, 다음 논의는 주로 장기적인 패치 기반 심장 리듬 모니터링 기기에 초점을 맞춘다. 하나의 대안적인 실시예에서, 예를 들어, 맥박 산소 측정 및 폐쇄성 수면 무호흡증의 진단에 생리학적 모니터링 기기가 사용될 수 있다. 생리학적 모니터링 기기를 사용하는 방법 또한 달라질 수 있다. 몇몇의 경우들에서, 한 주 또는 그 보다 짧게 기기를 입을 수 있으며, 반면 다른 경우들에서는, 적어도 7일 동안 그리고/또는 7일 넘게, 예를 들면, 14일 내지 21일 동안, 또는 심지어 더 길게 기기를 입을 수 있다.

비정상적인 심장 리듬이나 부정맥은 종종 덜 심각한 다른 원인으로 인한 것일 수 있으므로, 이러한 증상들 중 어느 것이 부정맥으로 인한 것이 언제인가를 판별하는 것이 핵심 과제이다. 때때로, 부정맥은 드물게 그리고/또는 일시적으로 발생하여, 빠르고 신뢰성 있는 진단을 어렵게 한다. 현재, 심장 리듬 모니터링은 주로 가슴에 부착된 단기간 (하루 미만) 전극들을 이용하는 홀터 (Holter) 모니터들과 같은 기기들의 사용을 통해서 수행된다. 선들을 이용하여 기록 기기에 상기 전극들이 연결되며, 그 레코딩 기기는 보통은 벨트에 착용된다. 상기 전극들은 매일 바꿔주어야 할 필요가 있으며 상기 선들은 성가시다. 상기 기기들은 또한 제한된 메모리 및 기록 시간을 가진다. 상기 기기들을 착용하는 것은 환자의 동작을 방해하며 그리고 때로는 모니터링 되는 동안에 목욕과 같은 특정 활동들을 수행하는 것을 못하게 한다. 또한, 홀터 모니터는 가용성이 제한된 자본 장비로, 종종 공급 제약과 대응 테스트 지연으로 이어지는 경우가 많다. 이런 제한들은 상기 기기의 진단 유용성, 그 기기를 사용하는 환자들의 순응도(compliance) 그리고 모든 중요한 정보를 캡쳐할 가능성을 심각하게 방해한다. 순응도의 부족 및 상기 기기들의 결점들은 종종 올바른 진단을 하기 위한 추가 기기, 후속 모니터링 또는 다른 테스트를 필요로 한다.

홀터 모니터들 및 심장 이벤트 레코더들과 같은 심장 리듬 모니터링 기기들을 사용하는 것을 포함하여, 증상들을 부정맥 발생에 관련시키기 위한 현재의 방법들은 정확한 진단이 되도록 하기에는 종종 충분하지 않다. 실제로, 홀터 모니터들은 최대 90%의 시간을 진단으로 이끌지 않는 것으로 나타났다("Assessment of the Diagnostic Value of 24-Hour Ambulatory Electrocariographic Monitoring", by DE Ward et al. Biotelemetry Patient Monitoring, vol. 7, published in 1980).

추가로, 심장 리듬 모니터링 기기를 실제로 얻고 모니터링을 개시하기 위한 의학적 치료 프로세스는 보통은 매우 복잡하다. 그런 모니터링 기기로부터의 데이터를 정렬하고, 추적하고, 모니터링하고, 검색하고 그리고 분석하는데 결부된 많은 단계들이 존재하는 것이 일반적이다. 대부분의 경우들에, 오늘날 사용되는 심장 모니터링 기기들은 환자의 1차 진료의사(primary care physician; PCP)가 아닌 심장병 전문의 또는 심장 전기생리전문의(cardiac electrophysiologist; EP)가 주문한다. 이것은 중요하다. 왜냐하면, PCP는 보통은 그 환자를 보고 그 환자의 증상이 부정맥으로 인한 것일 수 있는가를 판별하는 첫 번째 의사이기 때문이다. 그 환자가 PCP에게 진료를 받은 후에, 그 PCP는 해당 환자가 심장병 전문의 또는 EP에게 진찰을 받기 위한 예약을 할 것이다. 이 예약은 PCP를 처음 방문한 것으로부터 수주인 것이 보통이며, 이것은 그 자체로 잠재적인 진단을 하는데 있어서 지연을 가져오며, 또한 부정맥 에피소드가 발생하고 진단되지 않을 가능성을 증가시킨다. 그 환자가 최종적으로 심장병 전문의 또는 EP를 보게 될 때에, 일반적으로 심장 리듬 모니터링 기기가 주문될 것이다. 모니터링 기간은 24-48 시간(홀터 모니터) 또는 한달 까지(심장 이벤트 모니터 또는 모바일 원격 측정 기기) 지속될 수 있다. 일단 모니터링이 완료되면, 환자는 그 기기를 병원에 돌려주어야만 하며, 이것은 그 자체가 불편할 수 있다. 데이터가 모니터링 회사에 의해서 또는 병원이나 사무실에서 현장의 기술자에 의해서 처리된 이후에, 분석을 위해 심장병 전문의 또는 EP에게 최종적으로 보고가 보내질 것이다. 이 복잡한 프로세스는 이상적으로 심장 리듬 모니터링을 수신할 환자들보다 더 적은 수의 환자들이 이를 수신하도록 하는 결과를 가져온다.

심장 모니터링과 관련된 이런 문제점들 중 일부를 해결하기 위해, 본 특허 출원의 양수인은 작고, 긴-기간의, 웨어러블한 생리학적 모니터링 기기의 다양한 실시예들을 개발했다. 그런 기기들의 일 실시예는 Zio® Patch이다. 다양한 실시예들은, 예를 들면, 미국 특허 번호 8,150,502, 8,160,682 8,244,335, 8,560,046, 및 8,538,503에서 또한 설명되며, 이 출원들의 전체 내용들은 본원에 참조로서 편입된다. 일반적으로, 상기 참조문헌들에서 설명된 생리학적 패치-기반 모니터들은 환자의 가슴에 편안하게 맞으며 그리고 적어도 한 주 그리고 일반적으로 2-3주 동안 입도록 디자인된다. 그 모니터들은 기기를 입고 있는 동안에 심장 리듬 신호 데이터를 계속해서 탐지하고 기록하며, 그리고 이 심장 리듬 데이터는 프로세싱 및 분석을 위해서 그 후에 이용 가능하다.

생리학적 모니터링 기기들

도 1a 및 도 1b를 참조하면, 생리학적 모니터링 기기(100)의 일 실시예의 사시도 및 분해 프로파일이 제공된다. 도 1a에서 보이는 것처럼, 생리학적 모니터링 기기(100)는 방수의 경성(rigid) 하우징(115)에 연결된 플렉서블 몸체(flexible body)(110) 및 힌지부(132)를 포함할 수 있다. 플렉서블 몸체(110)(이는 "플렉서블 기판" 또는 "플렉서블 구조물"로 언급될 수 있음)는 보통 경성 하우징(115)으로부터 측방향으로 확장하는 두 개의 날개들(130, 131), 그리고 각각이 상기 날개들 (130, 1310 중 하나에 내장되는 두 개의 플렉서블 전극 트레이스들(311, 312)을 포함한다. 각 전극 트레이스 (311, 312)는 플렉서블 몸체(110)의 바닥 표면 상에서 플렉시블 전극(도 1a에서는 보이지 않음)과 연결된다. 상기 전극들은 모니터링 기기(100)가 부착되는 환자로부터 심장 리듬을 감지하도록 구성된다. 그 다음, 전극 트레이스들(311, 312)은 그 신호들을 경성 하우징(115) 내에 내장된 전자 장치들(도 1a에서는 보이지 않음)에게 전송한다. 또한, 경성 하우징(115)은 하나 이상의 배터리들과 같은 전력원을 포함하는 것이 일반적이다.

이제 도 1b를 참조하면, 생리학적 모니터링 기기(100)의 부분 분해도는 경성 하우징(115)을 형성하고 그리고 그 하우징(115) 내부에 포함되는 컴포넌트 부분들을 더 자세히 보여준다. 이 실시예에서, 경성 하우징(115)은 상부 하우징 부재(140)를 포함하며, 이 상부 하우징 부재(140)는 하부 하우징 부재(145)와 분리 가능하게 연결된다. 상부 하우징 부재(140)와 하부 하우징 부재(145) 사이에 상부 개스킷(370) 및 하부 개스킷(360)(도 1b에서는 보이지 않지만 상부 개스킷(370) 바로 아래에 있음)이 끼어있다. 조립 시에 개스킷들(370, 360)은 경성 하우징 부재(115)를 방수로 만드는 것을 돕는다. 모니터링 기기(100)의 여러 컴포넌트들은 상부 하우징 부재(140)와 하부 하우징 부재(145) 사이에 내장될 수 있다. 예를 들면, 일 실시예에서, 하우징(115)은 플렉시블 몸체(110)의 일부, 인쇄회로 기판 어셈블리(PCBA)(120), 배터리 홀더(150), 그리고 두 개의 배터리들(160)을 포함할 수 있다. 인쇄 회로 기판 어셈블리(120)는 하우징(115) 내에 위치하여 전극 트레이스들(311, 312) 및 배터리들(160)에 접촉한다. 다양한 실시예들에서, 하나 또는 그 이상의 추가의 컴포넌트들이 경성 하우징(115) 내에 포함되거나 또는 그 하우징(150)에 부착될 수 있다. 이런 옵션의 컴포넌트들 중 몇몇은 추가의 도면들을 참조하여 아래에서 더 설명된다.

다양한 대안의 실시예들에 따라, 배터리 홀더(150)는 (도시된 실시예에서와 같이) 두 개의 배터리들, 하나의 배터리, 또는 둘 보다 많은 배터리들을 가지고 있을 수 있다. 다른 대안의 실시예들에서, 다른 전력원들이 사용될 수 있다. 도시된 실시예에서, 배터리 홀더(150)는 홀더(150) 내에 배터리들(160)을 보유하기 위한 여러 유지 탭들(retain tabs)(153)을 포함한다. 추가로, 배터리 홀더(150)는 PCBA(120)의 표면으로부터 배터리들(160)의 올바른 간격을 설정하고 그리고 스프링 핑거들(235 및 236)과의 적절한 접촉을 보장하기 위해 여러 개의 피트(152)를 포함한다. 이 실시예에서, 스프링 핑거들(235, 236)은 배터리들(160)을 PCBA(120)에 납땜하는 것 대신에 사용된다. 비록 대안 실시예들에서 납땜이 사용될 수 있지만, 스프링 핑거들(235 및 236)의 한가지 이점은 배터리들(160)이 PCBA(120) 및 홀더(150)로부터 제거되는 것을 가능하게 하며, 그러면서도 이 컴포넌트들 중 어느 것에도 손상을 입히지 않으며, 따라서 이 둘 모두를 여러 번 재사용하는 것을 허용한다는 것이다. 납땜 연결들을 없애는 것은 또한 모니터링 기기(100)를 조립하고 분해하는 것을 단순화하며 빠르게 한다. 일부 실시예들에서, 상부 하우징 부재(140)은 환자 이벤트 트리거로서 작용할 수 있다.

이제 도 2a 및 도 2b를 참조하면, 인쇄 회로 기판 어셈블리(120)(또는 "PCBA")는 상단 표면(220), 하단 표면(230), 환자 트리거 입력부(210) 및 스프링 접점부들(235, 236 및 237)을 포함할 수 있다. 환자 트리거 입력부(210)는 위에서 설명된 상부 하우징 부재(140)처럼, 환자 트리거로부터의 신호를 PCBA(120)로 중계하도록 구성될 수 있다. 예를 들면, 환자 트리거 입력부(210)는 환자 트리거로부터의 압력에 응답하는 PCB 스위치 또는 버튼(예를 들어, 상부 하우징 부분(140)의 상부 표면)일 수 있다.

이제 도 3a 및 도 3b를 참조하면, 플렉서블 몸체(110)가 더욱 상세하게 도시된다. 도 3a에 도시된 바와 같이, 플렉서블 몸체(110)는 날개들(130, 131), 각 날개(130. 131)의 적어도 일부 주위의 얇은 테두리(133)(또는 "림(rim)" 또는 "가장자리(edge)"), 전극 트레이스들(311, 312), 그리고 각 날개(130, 131)와 경성 하우징(115)과의 접합점에 또는 접합점 부근에 있는 힌지부(132)(또는 "어깨(shoulder)")를 포함할 수 있다.

도 3c 및 도 3d에 도시된 바와 같이, ECG 회로 인터페이스부들(313)은 스프링 핑거들(237)과 물리적으로 접촉하며 그리고 기기(100) 또는 줌-인 기기부(101)가 어셈블될 때에 PCBA(120)와의 전기적인 통신을 제공한다. 전극 인터페이스부들(310)은 히드로겔 전극들(350)과 접촉한다. 따라서, 전극 트레이스들(311, 312)은 심장 리듬 신호들(그리고/또는 다양한 실시예들에서는 다른 생리학적 데이터)을 전극들(350)로부터 PCBA(120)로 전송한다.

도 3e는 또 다른 실시예를 도시하는데, 여기서, 상단 개스킷(370)은 상부 기판(300)에 여전히 부착되어 있으면서 상단 하우징(140)의 프로파일로부터 돌출되어 나온 탭들(371)을 포함한다. 상기 탭들(371)은 전극 트레이스들(311, 312)의 일부를 덮으며 그리고 상기 플렉서블 몸체가 상기 경성 하우징과 만나는 곳인 가장 높은 응력의 지점에서 상기 트레이스들을 위한 변형 완화부(strain relief)를 제공한다.

이제 도 4를 참조하면, 경성 하우징(115)의 상부 하우징 부재(140) 및 하부 하우징 부재(145)가 더욱 상세하게 도시된다. 상부 하우징 부재 및 하부 하우징 부재(140, 145)는 그 사이에 있는 개스킷들(360, 370)과 함께 연결될 때에, PCBA(120), 배터리 홀더(150), 배터리들(160) 및 경성 하우징 (115) 내에 포함된 임의의 다른 컴포넌트들을 포함하기 위한 방수 인클로저를 형성하도록 구성될 수 있다. 하우징 부재들(140, 145)은 방수 플라스틱과 같이 내부 컴포넌트들을 보호하기 위한 임의의 적합한 재질로 만들어질 수 있다.

이제 도 5a를 참조하면, 배터리 홀더(150)가 더욱 상세하게 도시된다. 배터리 홀더(150)는 플라스틱 또는 다른 적합한 재질로 만들어질 수 있으며, PCBA(120)에 설치되고 그 후에는 경성 하우징(115)에 부착되도록 구성되며, 그리고 두 개의 배터리들 (160)(도 1b)을 보유할 수 있다. 복수의 돌기들(152)은 배터리들(160)이 PCBA(120)의 표면 위에 고정 거리에 위치하도록 하기 위한 안정된 플랫폼을 제공하여, 민감한 전자 컴포넌트들과의 원치 않는 접촉을 회피하게 하고 스프링 접점부들(234) (도 5b)의 적당한 압축을 제공한다.

이제 도 6a 및 도 6b의 실시예들을 참조하면, 생리학적 모니터링 기기(100)가 측면 횡단면으로 도시된다. 도 6a에서 도시된 바와 같이, 생리학적 모니터링 기기(100)는 경성 하우징(115)과 결합된 플렉서블 몸체(110)를 포함할 수 있다. 플렉서블 몸체(110)는 상단 기판 레이어(300), 하단 기판 레이어(330), 접착성 레이어(340) 그리고 전극들(350)을 포함할 수 있다. 또한, 일반적으로 전극 트레이스들(311, 312)은 플렉서블 몸체(110)의 일부이며, 그리고 상단 기판 레이어(300)와 하단 기판 레이어(330) 사이에 내장되지만, 그것들은 도 6에서 도시되지 않는다. 플렉서블 몸체(110)는 하우징(115)의 어느 한 측면으로 연장하는 두 개의 날개들(130, 131), 그리고 각 날개(130, 131)의 적어도 일부를 둘러싼 테두리(133)를 형성한다. 경성 하우징(115)은 하부 하우징 부재(145)와 결합된 상부 하우징 부재 (140)를 포함하며, 그 사이에 플렉서블 몸체(110)의 부분을 끼워 넣으며 그리고 PCBA(120)를 위한 방수의 밀봉된 구획을 제공한다. 상부 하우징 부재(140)는 내부 트리거 부재(430)를 포함할 수 있으며, 그리고 PCBA는 환자 트리거 부재(210)를 포함할 수 있다. 이전에 설명된 것처럼, 하부 하우징 부재(145)는 모니터링 기기(100)의 편리함을 향상시키기 위해서 여러 개의 딤플(dimple)들(450) 및 디보트(divot)들을 포함할 수 있다. 특정 실시예들에서, PCBA(120)의 원치 않는 굽음을 줄이고 방지하기위한 추가 메커니즘이 사용될 수있다. 이 메커니즘은 도 6b에 도시되어 있다.

도 7을 참조하면, 일부 실시예들에서, 생리학적 모니터링 기기(100)는 하나 이상의 추가적인, 옵션의 특징들을 포함할 수 있다. 예를 들면, 일부 실시예들에서, 모니터링 기기(100)는 탈부착가능 라이너(810), 상단 라벨(820), 기기 식별자(830) 그리고 하단 라벨(840)을 포함할 수 있다.

이제 도 8a 및 도 8b를 참조하면, 생리학적 모니터링 기기(100)는 각 날개(130, 131)와 경성 하우징(115)의 접합점에 또는 그 접합점 부근에 힌지부들(132)을 포함하는 것이 일반적이다. 추가로, 각 날개(130, 131)는 접착성 레이어들(340)을 통해 환자에게 부착되는 것이 보통이며, 이때에 경성 몸체(115)는 환자에게 부착되지 않으며 이에 따라 환자의 위치 변화 및 움직임 동안에 환자의 피부 위에서 자유스럽게 "떠다닌다"(즉, 위 아래로 움직인다). 다른 말로 하면, 환자의 가슴이 수축할 때에, 경성 하우징은 피부에서 튀어 오르거나 피부 위로 떠다니며, 이에 따라 기기(100) 상의 응력을 최소화시키며, 편리함을 향상시키고, 그리고 날개들(130, 131)이 피부에서 떨어져서 벗겨지는 경향을 줄어들게 한다.

이제 도 9a 내지 도 9f를 참조하면, 생리학적 모니터링 기기(100)를 사람 실험체의 피부에 붙이기 위한 방법의 일 실시예가 설명된다. 이 실시예에서, 도 9a에서 보이는 제1 단계 이전에, 일반적으로 기기(100)가 위치될 곳인 왼쪽 가슴 상의 피부의 작은 부분을 면도하고 그리고 그 면도된 부분을 문지르고 그리고/또는 깨끗하게 하여 환자의 피부가 준비될 수 있을 것이다. 도 9a에서 보이는 것처럼, 일단 환자의 피부가 준비되면, 기기(100)를 붙이는 제1 단계는 상기 기기(100)의 하단 표면 상의 접착성 레이어들(340)로부터 두 개의 접착성 커버들(600) 중 하나 또는 둘 모두를 제거하고, 그이에 따라 접착성 레이어들(340)을 노출시키는 것을 포함할 수 있다. 도 9b에 도시된 바와 같이, 다음 단계는 기기(100)를 피부에 붙이는 것일 수 있으며, 이로써 접착성 레이어(340)가 피부의 원하는 위치에 부착되도록 한다. 도 9c를 참조하면, 기기(100)가 피부에 붙여진 이후에, 플렉서블 몸체(110)에 압력이 인가되어 그것을 가슴으로 눌러서 기기(100)가 피부에 부착되는 것을 확실하게 하는 것을 돕는다.

다음의 단계에서, 도 9d를 참조하면, 라이너(810)는 플렉서블 몸체(110)의 상단 표면으로부터 제거된다(벗겨진다). 도 9e에서 보이는 것처럼, 일단 라이너(810)가 제거되면, 플렉서블 몸체(110)가 피부에 부착되는 것을 확실하게 하는 것을 돕기 위해서 상기 플렉서블 몸체(110)에 압력이 다시 인가될 수 있다. 마지막으로, 도 9f에서 도시된 바와 같이, 생리학적 모니터링 기기(140)를 켜기 위해서 상부 하우징 부재(140)가 눌러질 수 있다. 이 설명된 방법은 단지 하나의 실시예일 뿐이다. 대안의 실시예들에서, 하나 이상의 단계들이 스킵될 수 있으며, 그리고/또는 하나 이상의 추가 단계들이 추가될 수 있다.

본 명세서의 상기 및 다른 곳에서 설명된 생리학적 모니터들은 모니터로부터의 데이터 수집을 개선하는 데이터 처리 및 전송의 방법들 및 시스템들과 추가로 결합될 수 있다. 또한, 아래에 설명된 방법들 및 시스템들은 임상 정보를 적시에 전송하면서 상기 설명된 모니터의 사용 용이성 및 높은 환자 순응도를 유지함으로써 모니터의 성능을 향상시킬 수 있다. 예를 들어, 본 명세서의 이 섹션 또는 다른 곳에서 설명된 데이터 처리 및 전송의 방법들 및 시스템들은 모니터의 배터리 수명을 연장하고 모니터의 정확도를 개선시키고 그리고/또는 본 명세서의 이 섹션 또는 다른 곳에서 설명된 바와 같은 다른 개선들 및 이점들을 제공하는 역할을 할 수 있다.

기기 모니터링 및 임상 분석 플랫폼

도 10 내지 도 17의 실시예들을 참조하여 아래에 세부적으로 설명된 시스템들 및 방법들은 도 1 내지 도 9와 관련하여 위에서 설명한 것과 같은 웨어러블한 생리학적 모니터에서 심전도 신호 데이터 및 다른 생리학적 데이터를 선택적으로 추출, 전송 및 분석할 수 있다. 아래에 설명된 시스템들 및 방법들은 여러 수단을 통해 데이터를 동시에 기록하고 전송하는 웨어러블 생리학적 모니터의 성능을 향상시킬 수 있다. 예를 들어, 추출된 데이터의 선택적 전송은 웨어러블 패치가 기록된 모든 데이터를 전송하는 데 필요하지 않기 때문에 전력 소비 감소를 허용한다. 추출된 데이터를 전송함으로써, 전력 소비력이 높을 수 있는 전체 온보드 리듬 분석 없이도 대부분의 분석을 웨어러블 기기에서 멀리 떨어져 수행할 수 있어서, 배터리 수명을 줄일 수 있다. 또한, 웨어러블 기기에 내재된 전력 제약이 없는 원격 분석은 데이터 분석의 감도와 정확성을 높일 수 있다. 전력 소비 감소는 모니터링 주기 동안 기기 교체, 배터리 변경 또는 배터리 재충전 사이의 기간을 연장하거나 심지어는 기기 교체, 배터리 변경 또는 배터리 재충전의 필요성을 제거하기 때문에 환자 순응도를 개선하는 역할을 한다. 배터리 소비를 줄임으로써, 기기 교체없이 더 긴 모니터링 시간(예를 들어, 최소 1주, 최소 2주, 최소 3주 또는 3주 이상)이 가능할 수 있다.

도 10은 연속 심박수 모니터링 기기(904)에 의해 생성될 수있는 것과 같은 R-R 시계열(902)로부터 심장 리듬 정보를 추론하기 위한 시스템(900)의 실시예에 대한 일반적인 개요를 도시한다. 시스템에 입력된 R-R 시계열(902)에는 연속 심장 박동 사이의 타이밍 간격의 일련의 측정이 포함될 수 있다. R-R 시계열(902) 데이터는 심박수 흉부 스트랩 또는 심박수 시계와 같은 전용 심박수 모니터, 또는 심박수 감지 기능을 포함하는 웨어러블 헬스 또는 피트니스 기기(906, 908)로부터 추출되거나 수신될 수 있다. 대안적으로, R-R 시계열(902)은 ECG 신호(904)를 측정하도록 설계된 웨어러블 패치로부터 (예를 들어, QRS 감지 알고리즘을 사용하여 ECG의 R 피크들의 위치를 찾음으로써) 도출될 수 있다. 또한, R-R 시계열(902)은 광혈류측정(phoplethysmography; PPG)으로부터 얻은 것과 같은 대안적인 생리학적 신호로부터 추정될 수 있다. 이 시나리오에서, PPG 신호로부터 결정된 피크-피크 시계열은 R-R 시계열의 정확한 추정치로 사용될 수 있다.

특정 실시예들에서, 심장 리듬 추론 시스템은 개별 R-R 시계열(902) 외에 주어진 사용자(918)의 기기들로부터 측정된 복수의 R-R 시계열을 수용할 수 있다. 특히 실시예들에서, 심장 리듬 추론 시스템(910)은 추론된 결과들의 정확도 및/또는 값을 향상시키기 위해, R-R 시계열 데이터에 추가하여, 대체 센서 채널들로서 일반적으로 설명 된, 추가 데이터 소스를 수용할 수 있다.

iRhythm ZioPatch™(904)와 같은 그리고 도 1 내지 도 9와 관련하여 위에서 설명된 현재 웨어러블 센서들은 단일 배터리 충전으로 최대 2주동안 단일-전극 심전도(ECG) 신호를 기록할 수 있다.

추출, 전송 및 처리 시스템

도 11은 도 10과 관련하여 위에서 설명한 시스템 및/또는 방법과 유사한, 전송 기능을 갖는 웨어러블 의료 센서(1002)에 대한 시스템 및 방법(1000)의 실시예의 개략도이다. 일부 실시예들에서, 본 명세서의 이 섹션 또는 다른 곳에서 설명된 임의의 유형의 센서 또는 모니터일 수 있는 센서(1002)는 ECG 또는 유사한 생물학적 신호(1004)를 지속적으로 감지하고, 그리고 ECG 또는 유사한 생물학적 신호(1004)를 지속적으로 기록한다. 수집된 신호(1004)는 예시적 특징들 A, B 및 C를 나타내는 하나 이상의 특징들(1006)로 지속적으로 추출될 수 있다. ECG 또는 유사한 생물학적 신호의 특징들은 원격으로 신호(1004)의 분석을 용이하게 하기 위해 추출된다.

위에서 설명한 특징 추출이 완료되면, 다양한 특징들(1008)은 처리 기기/서버(1012)로 전송될 수 있다(1010). 특징들(1008)(및 대체 센서 채널 데이터 및/또는 아래에 설명된 바와 같은 특징)은 센서(1002)의 물리적 부분이 아닌 프로세서(1012)로 정기적으로 전송된다(1010).

일부 실시예들에서, 전송된 특징들(1014)은 부정맥을 포함할 가능성이 있는 세그먼트들/위치들(1018)을 분석하고 식별하는 리듬 추론 시스템(1016)을 통해 분석을 수행하기 위해 데이터 특징들(1014)을 활용하는 원격 프로세서에 의해 처리된다. 예를 들어, 식별될 수 있는 부정맥 및 이소성 유형들은 다음을 포함할 수 있다 : Pause, 2^nd 또는 3^rd degree AVB, Complete Heart Block, SVT, AF, VT, VF, Bigeminy, Trigeminy, 및/또는 Ectopy. 결정에 대한 신뢰도는 리듬의 식별에 포함될 수 있다.

식별된 부정맥 위치(1018)는 다시 센서(1002)로 전송된다(1020). 다시 센서로 전송하는 것(1020)은 본 명세서의 이 섹션 또는 다른 곳에서 설명된 임의의 통신 프로토콜/기술에 의해, 예를 들어 블루투스를 통해, 달성될 수 있다. 그런 다음, 센서는 전송된 식별된 위치(1022)를 읽고, ECG의 전송된 식별된 위치들(1022)에 대응하는 메모리 영역들에 액세스한다(1024). 일부 실시예들에서, 센서는 부정맥 식별에 대한 신뢰를 더욱 강화하기 위해 식별된 세그먼트들에 대한 추가 분석을 적용한다. 이 추가 리듬 신뢰 결정 단계(1026)는 전력 소모가 많은 전송 단계 전에 긍정적 예측성을 증가시킬 수 있다. 실시예들에서, 신뢰도가 정의된 임계값을 초과한다면, 데이터 세그먼트가 전송된다. 신뢰도가 전술된 바와 같이 임계값을 초과한다면, 센서(1002)는 본 명세서의 이 섹션 또는 다른 곳에서 설명된 임의의 전송 수단을 통해 상기 요청된 ECG 세그먼트들(1028)을 처리 기기에 전송할 수 있다.

도 12는 도 11과 관련하여 위에서 설명한 시스템 및/또는 방법과 매우 유사한 전송 기능을 갖는 웨어러블 ECG 및/또는 의료 센서(2002)에 대한 시스템 및 방법(2000)의 실시예의 개략도이다. 도 12의 시스템은 보조 전송 기기들(2004)을 포함한다는 점에서 도 11의 시스템과 다르다.

도 13은 도 11 및 도 12와 관련하여 위에서 설명한 시스템 및/또는 방법들과 매우 유사한, 전송 기능을 갖는 웨어러블 ECG 및/또는 의료 센서(3002)에 대한 시스템 및 방법(3000)의 실시예의 개략도이다. 도 13은 특징들(3010)의 대체 출력들을 생성하는 대체 센서 채널들(3004, 3006) 및/또는 특징들(3010)의 추출(3008)을 도시한다는 점에서 도 11 및 도 12와 상이하다. 다른 데이터 채널들을 수집하면 ECG-추출 특징들을 더욱 강화할 수 있다. 대체 센서 채널들로부터의 데이터는 전체로서 전송되거나, 데이터 채널의 특정 특징들(3010)이 추출될 수 있다(3008).

도 14는 도 11 내지 도 13과 관련하여 전술된 시스템 및/또는 방법들과 매우 유사한, 전송 기능을 갖는 웨어러블 ECG 및/또는 의료 센서(4002)에 대한 시스템 및 방법(4000)의 실시예의 개략도이다. 도 14의 실시예는 추가 데이터 필터들을 포함하기 때문에 도 14는 도 11 내지 도 13과 다르다. 일부 실시예들에서, 처리 기기(4004)는 또한 여러 소스들로부터 도출될 수 있는 필터 기준을 적용함으로써 리듬 추론 시스템(4008)에 의해 식별되는 리듬(4006)을 필터링할 수 있다.

도 15는 전체 ECG 검출이 없는 소비자 웨어러블 기기에 대한 시스템(5000)의 실시예의 개략도이며, 도 10 내지 도 14의 의료 센서들과 일부 유사하다. 센서들(5002)은 의료용 ECG 센서들일 필요는 없고 단지 비트의 검출을 허용한다. 실시예들에서, 센서(5002)는 심장 박동 위치가 도출될 수 있는 데이터 채널을 지속적으로 감지할 수 있다. 가능한 데이터 소스들은 다음을 포함한다 : 도 10 내지 도 14의 센서들과 비교하여 불충분한 신호 품질로 인해 전체 구현없이 ECG, 생체-임피던스, 그리고 PPG(옵션으로, 정확도를 높이기 위해 여러 채널들이 있음). 도 10 내지 도 14의 기기들과 유사하게, 이 신호로부터 특징들이 추출될 수 있으며, 특징들은 예를 들어 다음과 같다 : R- 피크 위치들, R-피크 오버플로우 플래그, 포화 플래그, 호흡 속도, P/T 웨이브 위치들, R-피크 진폭(또는 프록시), 또는 ECG 신호 진폭 프록시.

전체 ECG 감지가 없는 소비자 기기 시스템(5000)은 유리하게는 소비자가 사용할 수 있는 심박수 센서들을 사용하여 부정맥 분석을 가능하게 하여, 비용을 줄이고 장치의 가용성을 증가시킨다. 결과적으로, 이것은 처방전없이 구입할 수 있는 스크리닝을 포함하여 더 많은 인구에 대한 부정맥 스크리닝을 가능하게 할 수 있다.

도 16은 증상을 전송하는 ECG 모니터 시스템(6000)의 실시예의 개략도이다. 이러한 시스템은 도 1 내지 도 14와 관련하여 설명된 센서들과 유사한 웨어러블 ECG 센서를 포함할 것이다. 전술한 바와 같이, 이러한 센서는 ECG를 지속적으로 감지하고 기록한다. 환자에 의한 각 증상 트리거는 ECG 데이터 스트립의 전달을 개시할 수 있다.

도 17은 증상과 무증상 모두를 전송하는 ECG 모니터 시스템(7000)의 실시예의 개략도이다. 일부 실시예들에서, 각 무증상의 트리거는 상기 기재된 바와 같이 ECG 데이터 스트립의 전달을 개시한다.

신경망을 사용하여 R-피크 시퀀스로부터 부담(burden)을 추정하기 위한 시스템

일부 실시예들은 웨어러블 기기를 개시한다. 웨어러블 기기는 ECG 신호들과 같은 사용자의 바이오 신호들을 검출하기 위한 센서들을 포함할 수 있다. 웨어러블 기기는 신경망의 레이어들의 제1 서브세트를 통해 상기 검출된 바이오 신호들을 처리할 수 있다. 웨어러블 기기는 신경망의 제1 레이어 서브세트의 출력을 취하고, 그리고 상기 출력을 컴퓨팅 기기(예를 들어, 스마트폰 또는 서버와 같은 외부 시스템)로 전송하여, 과거 심장 부정맥의 표시와 같은 사용자의 특성을 도출하거나 그리고/또는 미래 부정맥의 발병을 예측하기 위해 동일한 신경망의 제2 레이어 서브세트를 통해 데이터를 추가 처리한다. 일부 실시예들에서, 컴퓨팅 기기는 웨어러블 기기 외부의 프로세서 또는 웨어러블 기기 내의 프로세서다. 특정 실시예들에서, 본원에 기재된 바와 같이, 계산의 적어도 일부는 웨어러블 기기 외부의 하나 이상의 프로세서들 및/또는 웨어러블 기기 내의 하나 이상의 프로세서들에서 발생할 수 있다.

일부 실시예들에서, 제1 레이어 서브세트의 출력은 R 피크 시퀀스들의 표시이다. 다른 실시예들에서, 제1 레이어 서브세트의 출력은 RR 간격의 표시이다. 웨어러블 기기는 신경망의 제1 레이어 서브세트를 통해 ECG 신호를 처리하여, 제1 레이어 서브세트의 출력으로부터 R 피크 시퀀스를 수신할 수 있다. 웨어러블 기기는 R 피크 시퀀스를 외부 컴퓨팅 기기로 전송할 수 있다. 외부 컴퓨팅 기기는 신경망의 제2 레이어 서브세트를 통해 R 피크 시퀀스를 처리하고, 그리고 제2 레이어 서브세트의 출력으로서 사용자의 도출된 특성(예를 들어, 과거 심장 부정맥의 표시, 그리고/또는 미래 부정맥의 발병의 예측, 심방 세동 부담 등)을 수신할 수 있다.

최근, 심방 세동(AFib)과 같은 심장 부정맥을 감지하기 위해 웨어러블 센서들의 사용을 탐구하는 활동이 많이 있었다. 이러한 연구에 사용되는 웨어러블 센서들은 크게 두 가지 카테고리로 나뉜다. 기기의 제1 카테고리는 심전도(electrocardiographic; ECG) 모니터링 기기들이다. 기기의 제2 카테고리는 광혈류측정(photoplethysmography; PPG) 기반 기기들이다. AFib 검출을 위해 PPG-기반 기기를 사용할 때, 결과들이 혼합되었다. 예를 들어, 한 연구에서, PPG 기반 기기로부터의 심박수 및 걸음수 데이터를 활용하여, 임상 환경에서 AFib에 대한 심장율동전환(cardioversion) 직전과 직후 환자 집단으로부터 PPG 데이터를 획득한 데이터세트에 대한 심층 신경망 기반 알고리즘들은 괜찮은 결과를 초래했지만, 동일한 접근 방식과 알고리즘은 지속적인 AFib를 가진 훨씬 더 광범위한 외래 환자 집단에서 보다 평범한 성능을 보였다. 외래 환자 집단에 대한 성능 저하의 이유는 많을 수 있지만 가장 영향력있는 요인은 통제되지 않은 설정에서 심박수 추정에 대한 PPG 신호 품질이 좋지 않을 가능성이 높다. 이로 인해 ECG 모니터링 기기들과 같은 웨어러블 심장 모니터를 사용하여 기록된 ECG 신호들로부터 도출된 심박수 데이터를 사용하여 AFib를 보다 정확하게 검출해야 한다.

AFib 부담은 환자가 AFib 상태에서 소비하는 시간의 일부이다. 최근에, AFib 부담의 개념은 AFib 부담과 성인의 허혈성 뇌졸중의 위험의 연관성을 보여주는 연구로 인해 많은 관심을 끌었다. 따라서, 환자의 AFib 부담을 빠르고 정확하게 추정할 수 있는 심장 모니터링 솔루션은 뇌졸중 위험이 높은 것으로 확인 된 환자들에게 의미있는 의료 개입으로 이어질 수 있다.

임상 분석의 경우, 심장 모니터링 기기를 사용하여 기록된 환자의 ECG 신호는 일반적으로 다양한 지속 시간과 서로 다른 리듬 유형의 에피소드들로 분할된다. 정상적이고 건강한 환자는 일반적으로 정상동리듬(Normal Sinus Rhythm; NSR)이라고 하는 정상적인 리듬의 상태에 있을 것이다. 다양한 심장 상태는 심장 부정맥으로 알려진 불규칙/비정상적인 심장 박동의 패턴으로 나타날 수 있으며, 이는 결국 ECG 신호에서 불규칙/비정상 패턴으로 변환한다. 심방 세동과 같은 다양한 유형의 심장 부정맥이 있다. 환자는 정상적인 리듬과 다양한 유형의 심장 부정맥 사이를 왔다갔다 할 수 있거나, AFib와 같은 이러한 비정상적인 리듬 중 하나에서 지속적으로 있을 수도 있다. AFib 부담은 환자가 심방 세동 상태에서 소비하는 시간의 일부이다. 심방 플러터는 AFib와 밀접한 관련이 있고 뇌졸중의 위험을 증가시키는 또 다른 부정맥이다. AFib 및 심방 플러터는 때때로 서로 분별하기가 어렵고, 그리고 유사한 임상적 중요성으로 인해 부담 계산을 위해 일반적으로 함께 그룹화된다. 따라서, 이 개시서의 목적상, 실시예들은 AFib를 참조하여 설명될 것이지만, 일부 실시예들은 심방 플러터에도 (또는 전적으로) 적용될 수 있음을 이해한다.

QRS complex는 ECG 신호의 주요 특징이다. QRS complex 내의 피크는 일반적으로 R-피크라고 한다. 일부 실시예들은 ECG 신호로부터 R-피크 신호들을 검출한다. R-피크들이 검출되면, 즉각적인 심박수는 두 연속 R-피크들(RR-간격이라고 함) 사이의 지속 시간의 역수로 추정될 수 있다. AFib 에피소드들의 주요 시그니처는 높은 RR-간격 변동성이다.

도 18a는 NSR 리듬에 대응하는 ECG 스트립으로부터의 판독값을 나타내는 실시예의 그래프이다. 도 18b는 NSR 리듬에 대응하는 ECG 스트립으로부터의 판독값을 나타내는 실시예의 그래프이다. 도트들은 R-피크들의 위치를 나타낸다.

환자로부터 기록된 ECG 신호는 다른 리듬 유형의 에피소드들로 분할될 수 있으며, 그 음 AFib 부담은 AFib 상태에서 소비된 시간의 일부를 산출하여 계산할 수 있다. 그러나, 계산이 상기 추출된 R-피크 위치 시퀀스(전체 ECG 신호가 아님)에만 기반을 두면, AFib 부담을 추정하는 것은 다른 알고리즘 문제가 된다. 이러한 알고리즘이 유용할 수 있는 시나리오는 (전체 ECG 신호를 사용하는) 모니터링 기기 자체의 과도한 계산을 피하려는 경우, 또는 AFib 부담이 계산되는 컴퓨터 서버에 대한 무선 통신을 사용하여 모니터링 기기로부터 전송되는 데이터 양을 제한하려는 경우이다.

본원에 설명된 것은 웨어러블 심장 모니터로부터 획득된 심박수 데이터를 사용하여 AFib를 안정적으로 검출하는 실시예들이다. 일부 실시예들은 또한 환자들의 일일(daily) AFib 부담을 안정적으로 추정할 수 있다.

일부 실시예들에서, 알고리즘(예를 들어, 신경망)은 짧은 분석 창(예를 들어, 약 30 분 또는 1시간의 지속 시간)에 대해 AFib 부담을 추정할 수 있다.

일부 실시예들에서, 더 긴 기간(예를 들어, 짧은 분석 창보다 긴 기간)에 걸친 부담은 분석 창들에 대한 부담 예측을 축적함으로써 결정될 수 있다. 예를 들어, 부담은 30분 동안의 겹치지 않는 분석 창들을 통해 축적될 수 있다. 30분의 분석 창에 대한 R-피크 시퀀스를 고려할 때, 분석 창 내의 RR-간격 시퀀스가 도출된다. 그런 다음, 이 RR-간격 시퀀스는 지속 기간 w(분석 창 포함)의 중첩 가능성 있는 슬라이딩 창들의 세트로부터 RR-간격 서브-시퀀스들을 추출하고 양 s만큼 시프트함으로써 RR-간격 서브-시퀀스들의 시퀀스로 변환된다. 각 슬라이딩 창으로부터 획득된 RR-간격 서브-시퀀스는 패딩/절단되어 모든 서브-시퀀스들이 길이 M을 갖게 한다. 예를 들어, 분석 창 내에 N _w 개의 이러한 슬라이딩 창들이 있는 경우, 시간 시퀀스의 차원은 (N _w , M )이다. 시간 시퀀스는 부담 예측을 위해 신경망 모델로 공급된다. 개념을 설명하기 위해, w는 30 초로, s는 25초로, M은 42로 선택되었다. 모니터에서 신경망의 일부(예를 들어, 신경망의 제1 레이어 서브-세트)는 검출된 심장 신호들을 처리하여 RR-간격 데이터(및/또는 RR-간격 서브-시퀀스들)를 생성하고, 원격 컴퓨팅 기기에 RR-간격 데이터를 전송할 수 있다. 원격 컴퓨팅 기기는 부정맥의 가능성과 같은 추론을 하기 위해 (예를 들어, 신경망의 제2 부분(예를 들어, 신경망의 제2 레이어 서브세트)을 통해 처리함으로써) RR-간격 데이터를 처리할 수 있다. 일부 실시예들에서, 신경망은 잠재적인 부정적 건강 이벤트의 위험이 더 높기 때문에 사용자가 기기를 더 오래 착용해야 하거나 또는 사용자가 위험이 낮아서 착용 기간을 더 일찍 종료할 수 있다는 표시와 같이, 웨어러블 기기 사용에 대한 결정을 내릴 수 있다.

유리하게는, 이러한 분리된 데이터 처리는 많은 기술적 이점을 가질 수 있다. 예를 들어, 부분적으로 처리된 데이터의 선택적 전송은 웨어러블 경로의 전력 소비를 줄일 수 있다. 웨어러블 패치는 전체 데이터 처리 알고리즘(예를 들어, 전체 신경망)을 저장하는데 필요하지 않지만, 처리할 신경망 레이어들의 서브-세트만 검색하면 된다. 따라서 웨어러블 기기상에서의 데이터 처리는 훨씬 빠르고 계산이 적으며, 그리고 처리를 통해 배터리를 덜 사용할 수 있다. 웨어러블 패치 측에서의 분석은 종종 전력 소비가 매우 높은 전체 온보드 리듬 분석이 필요하지 않을 수 있으며, 이로써 배터리 수명을 줄일 수 있다. 배터리 소비 감소는 기기 교체, 배터리 재충전 등 사이의 기간과 같은 웨어러블 기기의 사용을 연장할 수 있다. 또한, 웨어러블 기기는 환자의 심장 리듬에 대한 완전한 그림을 얻기 위해 더 긴 모니터링 시간을 가질 수 있다.

RR-간격 데이터를 기반으로 원격 분석의 또 다른 장점은 경로에 대한 분석보다 더 큰 감도와 정확성을 허용할 수 있다. 웨어러블 패치의 메모리, 처리 및 배터리 제한으로 인해, 웨어러블 패치에 대한 분석은 이러한 제한들에 의해 제한될 수 있다. 원격 분석은 다양한 알고리즘, 심지어는 결정 및 발생에 대한 의사 결정 트리를 기반으로 한 알고리즘을 통해 데이터를 처리할 수 있다.

또한, 웨어러블 패치는 전체 검출된 심장 신호보다 더 작은 차원의 데이터를 발송할 수 있다. 유리하게도, 적은 네트워크 처리량이 필요하다. 웨어러블 패치는 무선 네트워크 상태가 최적이 아닐 때도 원격 데이터 처리를 위해 충분한 데이터를 보낼 수 있다. 또한, 신경망의 서브세트만 웨어러블 패치에 업로드하면되므로, 웨어러블 패치는 업데이트된 신경망 컴퓨터-실행 가능한 명령들 또는 다운로드 가능한 실행 파일들로 더 빠르고 약한 네트워크 조건 하에서 업데이트될 수 있으며, 더 자주 발생할 수 있다.

또한, 배터리 및 전력 요구 사항이 낮기 때문에, 더 작은 CPU 또는 더 작은 배터리를 사용하여 웨어러블 패치의 폼 팩터를 훨씬 더 작게 만들 수 있다. 또한, 데이터 처리를 위한 배터리 및 전력 요구 사항의 감소는 웨어러블 기기의 배터리 및 전력 예산을 확보하고, 이로써, 웨어러블 기기가 다른 중요한 작업들, 예를 들어 다른 중요한 소프트웨어 프로세스들을 실행하는 것, 또는 다른 하드웨어 기기들(예를 들어 더 많은 전극들, 가속도계와 같은 다른 센서들)에 전력을 공급하는 것, 또는 동일한 하드웨어 및 소프트웨어를 더 오랜 기간 동안 실행하는 것을 수행할 수 있게 한다.

유리하게는, 신경망 인코딩 접근법을 사용하면, 배터리가 제한된 기기의 데이터에서 매우 정교한 알고리즘을 실행할 수있다. 이것의 한 가지 적용은 기기로부터 인코딩된 데이터를 실시간으로 집계하고, 그리고 특정 임상 결과가 생기는 대상의 전반적인 위험을 평가할 알고리즘을 실행하는 것이다. 따라서, 시스템은 사용자에게 마모 기간을 동적으로 알려줄 수 있다. 예를 들어, 웨어러블 기기가 일정량의 데이터를 집계한 후, 원격 컴퓨팅 기기는 상기 대상에게 특정 임상 결과가 생길 위험이 매우 낮다고 판단할 수 있다. 시스템은 사용자에게 착용 기간을 일찍 알릴 수 있다. 반대로, 컴퓨팅 기기가 사용자에게 특정 임상 결과에 대한 높은 위험이 있다고 판단한 경우, 시스템은 사용자에게 기기를 더 오래 착용하도록 알릴 수 있다.

신경망의 제1 레이어 서브세트가 원격 처리를 위해 발송될 RR 간격 데이터를 출력하게 하는 또 다른 기술적 이점은 웨어러블 패치를 업데이트하지 않고도 원격으로 추론을 수행하는 알고리즘을 업데이트할 수 있다는 것이다. 예를 들어, 업데이트된 알고리즘 또는 신경망은 제2 레이어 서브세트에 대한 업데이트를 통해 원격 컴퓨팅 기기에서 업데이트될 수 있는 반면, 동일한 제1 레이어 서브세트는 웨어러블 기기에서 사용될 수 있다. 기술적 이점은 웨어러블 패치를 업데이트하지 않고도 제2 레이어 서브세트가 의사 결정 트리를 기반으로 선택되거나, 업데이트되거나, 또는 다른 알고리즘들로 교체될 수 있어서, 시스템이 다른 알고리즘과 더 잘 호환되도록 할 수 있다는 것이다.

부담 예측 모델의 예시적 HLA(high level architecture)

도 19는 부담 예측 모델의 HLA(high level architecture)이다. 부담 예측 모델은 입력 RR-간격 서브-시퀀스들을 입력으로 취하고, AFib 부담 예측을 생성한다. 여기서 Nw는 슬라이딩 창들의 수이며, 그리고 M은 각 슬라이딩 창에서 추출된 RR-간격 서브시퀀스의 크기이다.

제1 레이어(1902)는 슬라이딩 창들로부터 획득된 각각의 RR-간격 서브-시퀀스에 대해 32-차원 특징 벡터를 추출하는 시간적으로 분산된 특징 추출 레이어이다. 이 레이어의 출력은 변환된 차원 시퀀스이다(N _w , 32). 그 다음, 이 변환된 시퀀스는 LSTM(long short term memory) 셀들이 있는 2개의 RNN(Recurrent Neural Network) 레이어들(1904, 1906)에 공급된다. 제1 RNN 레이어(1904)는 다른 변환된 차원 시퀀스(N _w , 32)를 반환하는 반면, 제2 RNN 레이어(1906)는 차원 32의 단일 출력을 반환한다. 그 다음에는 분석 창에 대한 AFib 부담을 나타내는 스칼라 값을 생성하는 2개의 Dense(완전히 연결된) 레이어들(1908, 1910)이 이어진다.

도 20은 도 19의 높은 수준 아키텍처의 실시예이며, LSTM 아키텍처를 보다 자세하게 도시한다.

도 21은 도 19의 특징 추출 모델의 실시예이다. 도시된 바와 같이, 피처 추출에 대한 모델은 모델의 제1 레이어에서 슬라이딩 창들에 대해 시간적으로 분산될 수 있다. 슬라이딩 창들에 대해 시간적으로 분산되는 특징 추출 모델은 그 자체로 여러 레이어들이 있는 다른 신경망일 수 있다.

도 19의 시작 및 도 21의 단계 2102에서, 특징 추출 모델은 도 19의 단계들(1902, 1904, 1906) 및 도 21의 단계들(2104, 2106, 2108, 2110, 2112, 2114)에서 1차원 컨볼루션 레이어들 및 Max-pooling 레이어들의 세트에 의해 처리되는 길이 M의 RR-간격 서브시퀀스를 입력으로 받는다. 그 다음에는, 도 19의 단계들(1908, 1910) 및 도 21의 단계들(2120, 2122)에서 차원 32의 특징 벡터를 출력하는 Dense(완전히 연결된) 레이어가 이어진다. 이 특징 추출 모델의 의도는 지속기간 w의 각 슬라이딩 창 내에서 AFib의 존재/부존재를 나타내는 특징들을 학습하는 것이다.

신경망의 경우, 사용될 수 있는 손실 함수는 모델에서 발생하는 부담 예측과 실제 부담 값 사이의 절대적인 차이의 평균(모든 샘플에 대한 평균)이다 :

(1)

여기서, 는 데이터세트의 i번째 창에 대해 모델에 의해 출력된 부담 예측이고, b_i는 해당 창에 대한 실제 부담이고, N은 데이터세트 내 샘플들의 총 개수이다.

일부 실시예들에서, 특징 추출 네트워크(예를 들어, 도 21)의 파라미터들은 먼저 개별적으로 학습될 수 있다. 이는 스칼라 출력과 시그모이드 활성화와 함께 하나 이상의 Dense(완전히 연결된) 레이어를 특징 추출 네트워크에 추가한 다음, 30초 ECG 스트립에서 AFib의 존재를 감지하기 위한 이진 분류를 수행하도록 결과 모델을 훈련시킴으로써 수행된다.

이렇게 얻은 특징 추출 네트워크의 파라미터들은 고정되고 결과적인 특징 추출 네트워크는 부담 예측 모델에 연결된다(도 20). 그런 다음, 부담 예측 모델의 후속 레이어들(반복 네트워크 레이어들 및 완전히 연결된 레이어들)은 섹션 4.2에 설명된 30분 창들에서 훈련된다.

특징 추출기 네트워크는 훨씬 더 크고 다양한 ECG 스트립 세트에 걸쳐 훈련되며, 그리고 AFib의 존재/부존재를 나타내는 특징들을 직접 학습한다. 부담 예측 모델의 나머지 레이어들을 훈련시킬 때, 학습되어야 할 파라미터들의 수가 줄어들어서, 최적의 파라미터 검색이 더 빨라질 수 있다. 대조적으로, 전체 네트워크를 동시에 훈련해야 하는 경우, 동시에 학습되어야 할 파라미터들의 수가 더 크고, 모델은 덜 다양한 ECG 스트립 세트에 노출된다. 이는 과적합의 위험을 증가시키고 그리고 아마도 검증 손실과 훈련 손실 사이의 더 넓은 격차를 설명할 수 있다.

부담을 추정하고 그리고/또는 신경망 인코딩을 사용하여 리듬 주석을 예측하는 시스템

일부 실시예들은 신경망의 제1 레이어 서브세트를 포함하는 인코더를 통해 검출된 바이오-신호들을 처리할 수 있는 웨어러블 기기를 개시한다. 도 22a는 신경망 인코딩을 사용하여 리듬 주석(rhythm annotations)을 예측하기 위한 시스템의 실시예의 개략도이다. 일부 실시예들에서, 시스템은 심방 세동 및/또는 심방 플러터를 포함한 심장 리듬에 대한 리듬 주석 예측 또는 부담 추정과 같은 하나 이상의 예측을 할 수 있다. 심장 모니터 패치(2202)와 같은 웨어러블 기기는 인코더와 같은 신경망의 제1 레이어 서브세트(2206)를 통해 ECG 입력(2204)을 처리할 수 있다. 웨어러블 기기는 신경망의 제1 레이어 서브세트(2206)의 출력을 수신하고, 상기 출력을 컴퓨팅 기기(2208)(예를 들어, 스마트폰 또는 서버와 같은 외부 시스템)로 전송하여, 과거 심장 부정맥의 표시 또는 예측 또는 미래의 부정맥 발병 예측과 같은 사용자의 특성을 도출(2212)하기 위해, 동일한 신경망의 제2 레이어 서브세트(2210)를 포함하는 디코더를 통해 데이터를 추가 처리할 수 있다.

일부 실시예들에서, 제1 레이어 서브세트 및 제2 레이어 서브세트는 하나의 신경망 내에 있다. 신경망은 제1 레이어 서브세트의 출력이 신경망에 대한 입력보다 작은 차원으로 데이터를 출력할 수 있도록 설계될 수 있으며, 그리고 제2 레이어 서브세트의 출력은 AFib의 과거 또는 미래 예측과 같은 사용자 특성의 표시를 제공하도록 설계될 수 있다. 도 22b는 단일 신경망 내에서 레이어들의 제1 서브세트 및 제2 서브세트의 실시예의 개략도이다. 신경망은 제1 레이어 서브세트(2222) 및 제2 레이어 서브세트(2224) 모두에서 동시에 훈련될 수 있다. 예를 들어, 신경망에 10 개의 숨겨진 레이어들이 있는 경우, 첫 4개의 레이어들은 심장 모니터 패치(2226)와 같은 웨어러블 기기에서 처리되며, 입력보다 차원이 낮은(예를 들어, 우수한 데이터 압축 특징을 갖는) 4번째 레이어의 출력은 서버(2228)와 같은 외부 컴퓨팅 시스템으로 전송된다. 외부 컴퓨팅 시스템은 5-10번째 레이어들을 통해 4번째 레이어의 출력을 처리한다. 신경망의 각 레이어의 차원은 특정 데이터 크기를 출력(예를 들어, 각 컨볼루션 또는 풀링 레이어들의 차원을 출력)하도록 설계될 수 있다. 예를 들어, 패치(2226)는 초당 2400 비트(bps)로 ECG 데이터(2232)를 수신하는 ECG 인코더(2230)를 포함할 수 있다. 패치(2226)는 (예를 들어, ECG 인코더(2230) 내에서) 신경망의 제1 레이어 서브세트(2222)를 처리할 수 있고, 그리고 128 bps의 데이터와 같은 더 작은 차원의 데이터(2234)를 출력할 수 있다. 출력 데이터(2234)는 외부 서버(2228)로 전송될 수 있다. 외부 서버(2228)는 신경망의 제2 레이어 서브세트(2224)를 통해 출력 데이터(2234)를 처리하고 그것이 훈련한 환자의 표시 또는 예측(2236)을 출력하는 분류기(2238)를 포함할 수 있다. 제1 레이어 서브세트(2222) 및 제2 레이어 서브세트(2224)를 포함한 전체 신경망은 단일 신경망으로 설계 및 훈련될 수 있다.

일부 실시예들에서, 제1 레이어 서브세트의 출력은 신경망에 대한 입력보다 작은 차원일 수 있다. 따라서, 웨어러블 기기에서 외부 컴퓨팅 기기로 전체 ECG 신호(예를 들어, 신경망에 대한 입력)를 전송하는 대신, 웨어러블 기기는 전체 2400 bps ECG 신호(2232) 대신에 제1 레이어 서브세트의 128 bps 출력 데이터(2234)와 같이, 더 적은 양의 데이터를 외부 컴퓨팅 기기에 전송할 수 있다. 유리하게는, 과거 심장 부정맥의 표시를 도출하고 그리고/또는 미래 부정맥 발병을 예측하기 위해서는 더 적은 양의 네트워크 처리량이 필요하다.

또한, 과거 심장 부정맥의 표시를 도출하거나 미래의 부정맥의 발병을 예측하기 위해 신경망의 모든 레이어들을 통해 웨어러블 기기에서 ECG 신호를 처리하는 대신, 웨어러블 기기는 ECG 인코더(2230)를 통해 신경망의 제1 레이어 서브세트만을 통해(예를 들어, 인코더를 통해) ECG 신호를 처리할 수 있고, 그리고 (예를 들어, 디코더 또는 분류기(2238)를 통해) 제2 레이어 서브세트를 처리하는 외부 기기(2228)에 제1 서브세트의 출력을 전송할 수 있다. 도 22c는 패치상의 신경망에서 레이어들의 서브 세트를 처리하기 위한 시스템의 실시예의 개략도이다. 패치(2242)는 신경망(2244)의 모든 레이어들을 처리하여 AFib의 예측의 표시를 수신할 수 있다. 그러나, 이러한 처리는 높은 메모리 및 전력 요구 사항(이는 더 큰 폼 팩터, 더 큰 크기의 패치로 이어질 수 있음), 그리고 짧은 사용 기간으로 이어지는 증가된 배터리 사용량이 필요할 수 있다. 그러나, 다른 실시예들에서, 패치(2246)는 신경망의 레이어들(2248)의 제1 서브세트를 처리할 수 있고, 외부 서버(2250)는 제2 레이어 서브세트를 처리할 수 있다. 유리하게는, 웨어러블 기기는 적은 양의 계산을 수행하며, 그리고 레이어들 간에 데이터를 저장하는 데 더 적은 메모리를 필요로 한다.

또한, 웨어러블 기기(2246)는 신경망의 레이어들의 서브세트만 처리하는데 필요한 더 작은 배터리, 프로세서 및 기타 전자 기기들로 인해 크기가 작을 수 있다. 웨어러블 기기는 다른 작업들을 수행하기 위해 더 많은 리소스를 가질 수 있다. 예를 들어, 한 시나리오에서, 웨어러블 기기(2242)는 ECG 신호를 내부적으로 처리하고 5일 동안 AFib를 식별하기에 충분한 계산 전력 및 배터리를 가질 수 있다. 그러나, 웨어러블 기기(2246)가 웨어러블 기기(2246)에서 신경망의 제1 레이어 서브세트를 계산할 수 있고 외부 컴퓨팅 기기(2250)가 제2 서브세트를 처리할 수 있다면, 시스템 전체는 20일 동안 AFib와 심방 플러터를 모두 식별할 수 있다. 본원에 개시된 일부 실시예들은 네트워크 처리량을 줄이고, 계산 요구 사항을 감소시키고 그리고/또는 웨어러블 기기의 메모리 저장을 감소시킬 수 있다. 유리하게는, 웨어러블 기기는 프로세서를 적게 사용하여 배터리 수명을 보존할 수 있다.

본원에 개시된 특정 실시예들은 웨어러블 기기의 메모리 요구 사항을 개선한다. 웨어러블 기기가 신경망의 제1 레이어 서브세트를 처리하고 외부 컴퓨팅 시스템이 제2 레이어 서브세트를 처리한다면, 웨어러블 기기는 더 적은 데이터(예를 들어, 전체 신경망이 아닌 제1 레이어 서브세트에 대한 소프트웨어 실행 가능 명령들)를 저장해야한다. 따라서 전자 파일의 크기가 훨씬 작다. 유리하게는, 웨어러블 기기는 메모리 요구 사항이 적을뿐만 아니라, 신경망을 전체 신경망보다 더 빠르게 로드하고 처리할 수도 있다. 또한, 웨어러블 기기들 내에 내장된 소프트웨어 업데이트는 연결이 약한 상태에서 훨씬 빠르게 발생할 수 있으며, 더 자주 발생하도록 프로그래밍될 수 있다. 또한, 더 많은 신경망이 웨어러블 기기에 저장될 수 있다. 예를 들어, 단일 전체 신경망이 메모리에 저장되는 대신, 웨어러블 패치는 로컬 메모리에 5 개의 신경망에 대한 제1 레이어 서브세트를 저장할 수 있다.

일부 실시예들에서, 외부 컴퓨팅 기기의 목적은 ECG 신호를 재구성하는 것이 아니라 일부 사용자 특성을 도출하는 것이기 때문에(예를 들어, AFib와 같은 리듬 분류 예측), 웨어러블 기기로부터 전송되는 데이터는 ECG 신호의 완전한 충실도를 복구하기에 충분할 필요는 없다. 따라서, 신경망은 ECG 신호 입력보다 작은 차원인 레이어들 중 하나에서 출력을 생성하도록 훈련될 수 있으며, 그리고 신경망의 다른 레이어들을 수행하기 위해 외부 컴퓨팅 시스템으로 훨씬 적게 전송한다. 도 22d는 제1 레이어 서브세트의 출력을 서버에 전송하기 위한 실시예의 개략도이다. 패치(2262)는 (예를 들어, 2400 bps로) 전체 ECG 신호 또는 다른 데이터 특성을 서버(2264)로 전송할 수 있다. 그러나 이러한 데이터는 해킹당할 수 있고, 그리고 예기치 않은 제3자가 민감한 데이터를 검색할 수 있다. 일부 실시예들은 웨어러블 기기에서 신경망의 레이어들의 서브세트를 처리하는 것을 개시하며, 이는 전체 ECG 신호를 원격으로 처리하는 것보다 기술적인 이점을 제공한다. 웨어러블 기기에서 외부 컴퓨팅 시스템으로 2400 bps의 전체 ECG 신호, 또는 R 피크, R 간격 및 기타 특성의 조합을 전송하는 것은 웨어러블 기기가 ECG 신호보다 작은 차원의 레이어 서브세트의 출력을 전송하는 경우보다 더 많은 네트워크 대역폭을 필요로 할 수 있다. 대신, 현재 개시서의 일부 실시예들은 레이어 서브세트(2268)를 처리하고 신경망의 나머지 레이어(2272)를 수행하는 서버(2270)에 제1 레이어 서브세트를 출력하는 패치(2266)를 포함한다. 유리하게는, 전송되는 데이터는 신경망에서 레이어의 출력일 수 있으며, 이는 데이터 보안 및 암호화를 향상시킬 수 있다.

일부 실시예들은 건강 데이터의 보안을 개선시킨다. 예를 들어, 전체 ECG 신호, R 피크, RR 간격 또는 AFib의 공산(likelihood)에 대한 최종 결정이 웨어러블 기기에서 외부 컴퓨팅 시스템으로 전송된 경우, 제3자는 그러한 데이터를 가로채고 사용자의 민감한 건강 데이터를 식별할 수 있다. 대신, 본원에 개시된 일부 실시예들은 (예를 들어, 디코더와 같이) 외부적으로 후속 레이어들에 의해 처리되도록 신경망의 중간 레이어의 출력(예를 들어, 인코더의 출력)을 전송한다. 전송된 데이터는 신경망에서 계층의 출력일 수 있으며, 이는 본질적으로 데이터 전송을 위한 데이터 암호화를 제공한다. 따라서, 제3자가 그러한 데이터를 가로채더라도 데이터를 해독하거나 신경망의 원래 입력을 리버스 엔지니어링할 수 없다.

일부 실시에들에서, 제1 레이어 서브세트는 계산적으로 덜 무거운 레이어들을 포함할 수 있는 반면, 제2 레이어 서브 세트는 계산적으로 더 무거운 레이어들을 포함할 수 있다. 유리하게는, 웨어러블 기기는 계산적으로 덜 무거운 레이어들을 처리할 수 있으며, 그리고 웨어러블 기기의 처리에 애그노스틱한 외부 컴퓨팅 시스템들은 (예를 들어, 훨씬 더 큰 처리 전력 및 메모리 용량을 가진 서버들에서와 같이) 계산적으로 더 무거운 레이어들을 처리할 수 있다.

일부 실시예들에서, 웨어러블 패치는 신경망의 제1 레이어 서브세트를 통해 데이터를 처리하기 전에 상기 검출된 심장 신호들에서 전처리를 수행할 수 있다. 예를 들어, 웨어러블 패치는 다운 샘플링, 정규화, 디지털 필터링 등과 같은 전처리를 수행할 수 있다. 또한, 웨어러블 패치는 이산 웨이블릿 변환, 연속 웨이블릿 변환, 이산 푸리에 변환 및 개별 코사인 변환과 같은 보다 복잡한 전처리를 수행할 수 있다. 이러한 변환은 데이터의 많은 값이 0에 매우 가까워지는 방식으로 데이터를 변환하기 때문에 손실 압축 체계에서 유리할 수 있다. 그런 다음, 가장 높은 진폭을 갖는 값들을 단순히 저장하기 위해 인코딩을 생성할 수 있으며, 이는 신호를 재구성할 때 오류를 제한할 것이다.

웨어러블 패치는 이산 웨이블릿 변환 또는 이산 코사인 변환을 적용할 수 있으며, 그리고 단순히 알고리즘들을 적용하여 상기 검출된 심장 데이터에 대한 추론을 한다. 그러나, 이러한 접근법들은 ECG 리듬 분류와 같은 최종 애플리케이션에 중요한 더 미묘한 특징들을 캡처하지 못할 수 있다. 왜냐하면 더 높은 진폭 특징들이 선호되기 때문이다. 일부 실시예들에서, 시스템은 최종 애플리케이션에 필요한 데이터를 보다 지능적으로 인코딩하기 위해 이 변환된 데이터 세트(예를 들어, 전처리된 심장 데이터)에서 신경망 인코더를 훈련시킬 수 있다. 유리하게는, 이는 일부 애플리케이션에 유리할 수 있다. 왜냐하면, 변환은 이미 최종 애플리케이션에 필요한 신호에 대한 특정 동작들을 수행하고 있을 수 있으며, 이는 원시 신호에서 작동하는 것과 비교하여 더 적은 파라미터들을 갖는 더 강력하거나 단순한 신경망 인코더 설계로 이어질 수 있기 때문이다.

일부 실시예들에서, 신경망은 웨어러블 기기에서 외부 컴퓨팅 시스템으로 최적의 데이터 차원을 전송하도록 훈련 및/또는 설계될 수 있다. 도 22e는 신경망 설계(및/또는 훈련)의 실시예의 개략도이다. 패치(2281)는 제1 신경망(2284), 제2 신경망(2286) 및/또는 제3 신경망(2288)의 제1 레이어 서브세트(2284A, 2286A, 2288A)를 처리할 수 있다. 패치(2281)는 서버(2282)에 제1 레이어 서브세트의 출력을 전송할 수 있다. 서버는 제1 신경망(2284), 제2 신경망(2286) 및/또는 제3 신경망(2288)의 제2 레이어 서브세트(2284B, 2286B, 2288B)를 처리할 수 있다.

신경망은 웨어러블 기기의 사용 가능한 처리 전력 및/또는 메모리와 같은 하나 이상의 요소들을 기반으로 훈련 및/또는 설계될 수 있다(본 개시서의 목적을 위해, 신경망은 훈련되는 것으로 설명될 것이지만, 특징들은 신경망을 통해 데이터를 설계하거나 처리하기 위해 적용될 수 있으며, 그 반대도 마찬가지이다). 예를 들어, 웨어러블 기기가 더 적은 처리 전력을 갖고 있다면, 신경망은 더 적은 계산을 수행하고 그리고/또는 웨어러블 기기에서 신경망의 더 적은 레이어들을 통해 처리를 수행하고, 그리고 외부 컴퓨팅 시스템 측에서 더 많은 처리를 수행하도록 훈련될 수 있다. 패치(2281)는 신경망의 더 적은 계산 및/또는 레이어들을 포함하는 제3 신경망(2288)을 적용할 수 있다.

일부 실시예들에서, 신경망은 웨어러블 기기와 컴퓨팅 시스템 간의 네트워크 가용성에 따라 훈련될 수 있다. 예를 들어, 신경망은 더 많은 레이어들을 처리하고 그리고/또는 네트워크 처리량이 낮을 때 웨어러블 기기에서 외부 컴퓨팅 시스템으로 더 작은 데이터 차원을 전송하도록 훈련될 수 있다. 패치(2281)는 네트워크 연결이 약한 경우 (또는 임계값 미만인 경우) 서버(2282)로 전송되는 작은 데이터 차원을 포함하는 제2 신경망(2286)을 적용할 수 있다.

일부 실시예들에서, 신경망은 웨어러블 기기의 가용 배터리 수명에 따라 훈련될 수 있다. 예를 들어, 신경망은 배터리 수명이 낮을 때 웨어러블 기기에서 적은 레이어들을 처리하도록 훈련받을 수 있다. 패치(2281)는 신경망의 더 적은 계산 및/또는 레이어들을 포함하는 제3 신경망(2288)을 적용할 수 있다.

일부 실시예들에서, 신경망은 원하는 결과에 따라 훈련될 수 있다. 예를 들어, 패치(2281)는 사용자의 더 많은 특성들과 같은, 신경망의 더 많은 출력을 포함하는 제1 신경망(2284)을 적용할 수 있다. 예를 들어, 환자가 중환자이거나 AFib의 징후가 있는 경우, 패치(2281)는 제1 신경망(2284)을 적용하고 제1 레이어 서브세트(2284A)를 통해 더 많은 레이어들 및 노드들을 처리하여, 서버(2282)가 제2 레이어 서브세트(2284B)를 통해 더 많은 정보를 출력할 수 있게 한다.

일부 실시예들에서, 패치(2281)의 소프트웨어는 특정 애플리케이션을 위해 설계된(및/또는 훈련된) 특정 신경망에 대한 명령들을 포함할 수 있다. 예를 들어, 특정 목적을 제공하기 위해(예를 들어, AFib를 예측하기 위해) 특정 기술적 제약 조건들(예를 들어, 메모리 또는 프로세서)이 있는 패치(2281)에 대한 신경망을 선택하는 반면, 상이한 목적을 위해 그리고 상이한 특징들을 갖는 상이한 패치에 대한 다른 신경망이 선택될 수 있다. 예를 들어, AFib의 정확한 검출은 다른 원하는 목적보다 패치에서 더 많은 데이터를 요구할 수 있다. 따라서 AFib를 감지하는 패치에는 다른 패치보다 더 많은 레이어들을 계산하는 소프트웨어가 있을 수 있다.

일부 실시예들에서, 패치(2281)의 소프트웨어는 성능 지표에 따라 설계(및/또는 훈련)될 수 있다. 예를 들어, 소프트웨어는 특정 검출 정확도 및/또는 특정 오경보율을 생성하도록 설계된 신경망을 선택할 수 있다.

일부 실시예들에서, 패치(2281)의 소프트웨어는 복수의 신경망을 포함할 수 있다. 패치(2281)는 복수의 네트워크들 중에서 특정 신경망을 선택할 수 있다. 예를 들어, 선택은 낮은 배터리 전력 또는 네트워크 연결을 위해 설계된 신경망을 기반으로 할 수 있다(예를 들어, 패치에서 덜 처리하거나 네트워크를 통해 더 적은 데이터를 전송하는 신경망으로 전환).

일부 실시예들에서, 신경망은 ECG 신호, RR 간격 정보, R 피크 정보, ECG 신호로부터 도출된 메트릭(metric), 가속계 데이터, 임피던스, 온도, 오디오(코골이), 주변광 및/또는 기타 등등과 같은, 신경망에 대한 원래 입력 신호를 재생성하도록 훈련될 수 있다. 패치(2281)는 더 작은 데이터 차원의 데이터를 서버(2282)로 전송하여, 서버(2282)가 원래의 입력 신호 또는 그것의 파생물(더 낮은 주파수로 샘플링된 원래의 입력 신호, 더 낮은 품질 신호, 재구성 오류에 대한 특정 임계값을 갖는 신호 및/또는 기타 등등)을 재생성하게 할 수 있다.

일부 실시예들에서, 신경망은 사용자의 현재 활동에 따라 훈련될 수 있다. 도 22f는 사용자의 현재 활동에 기초하여 신경망을 설계, 훈련 및/또는 선택하기 위한 실시예의 개략도이다. 예를 들어, 사용자는 잠을 자거나(2296), 달리거나(2292), 또는 상이한 유형의 피크 감도를 요구할 수 있는 특정 의료 치료를 받을 수 있다. 심장 박동 불규칙성을 효과적으로 검출할 수 있도록 더 높은 정밀도 또는 정확도가 필요할 수 있는 특정 활동들이 있다. 활동에 더 높은 R 피크 정확도가 필요한 경우(예를 들어, 자고 있는 사용자(2296)의 경우), 신호 레벨(2298)은 달리고 있는 사용자(2292)보다 모션 아티팩트들에 의해 영향을 덜 받아서 ECG 신호에 보다 자신 있게 의존할 수 있으며, 따라서 더 정확한 예측을 위해 달리는 사용자(2292)에 대해 더 높은 R 피크 정확도가 선호된다. 달리고 있는 사용자(2292)의 경우, 보다 강력한 인코딩 프로세스를 사용하여 데이터 정확도를 보장할 수 있고, 웨어러블 기기가 더 높은 해상도의 데이터를 전송할 수 있도록 신경망이 훈련될 수 있다. 대조적으로, 달리고 있는 사용자(2292)의 경우, R 신호 레벨(2294)은 명확할 수 있으며(예를 들어, R 피크를 명확하게 표시함), 이에 따라 더 낮은 R 피크 감도가 필요할 수 있다. 이 시나리오에서, 패치는 더 높은 R 피크 감도를 필요로 하지 않도록 설계된 신경망을 선택할 수 있으며, 이는 감소된 처리 전력 또는 네트워크 처리량과 같이 본원에 설명된 이점들을 야기할 수 있다.

인공 지능 모델과 같은 모델 훈련은 반드시 컴퓨터 기술에 뿌리를 두고 있으며, 훈련 데이터를 사용하여 그러한 모델을 훈련한 후 모델을 새로운 사용자 데이터 세트에 적용함으로써 모델을 향상시킨다. 이러한 훈련에는 일반적으로 대규모 서버 시스템들에 의해 수행되는, 일반적으로 대규모 훈련 데이터 세트를 사용한 많은 프로세서 컴퓨팅과 오랜 시간이 필요한 복잡한 처리가 포함된다. 모델 훈련에는 로지스틱 회귀, 또는 모델의 파라미터들을 조정하는데 사용되는 입력 데이터 및 예상 출력 값들을 포함할 수 있는 훈련 데이터의 포워드/백워드 전파가 필요할 수 있다. 이러한 훈련은 모델을 새로운 데이터(예를 들어, 새로운 생체 인식 데이터)에 적용할 수 있고 훈련 중에 조정된 가중치 또는 점수를 기반으로 모델들이 훈련되었다는 예측을 하는 기계 학습 알고리즘의 프레임워크이다.

이러한 훈련은 위양성(false positive)을 줄이고 AFib의 탐지 성능을 증가시킨다.

일부 실시예들에서, 웨어러블 기기는 복수의 신경망을 저장할 수 있으며, 웨어러블 기기, 네트워크, 사용자의 현재 활동 등의 특성들과 같은 하나 이상의 특성을 기반으로 신경망을 적용할 수 있다. 예를 들어, 웨어러블 기기는 배터리 수명이 낮으면 제1 신경망을 처리할 수 있거나, 네트워크 처리량이 높으면 제2 신경망을 처리할 수 있다.

일부 실시예들에서, 웨어러블 기기는 웨어러블 기기가 ECG 신호를 실시간으로 검출함에 따라 신경망의 제1 레이어 서브세트를 통해 ECG 신호를 연속적으로 처리할 수 있다. 웨어러블 기기는 층의 제1 레이어 서브 세트의 출력을 외부 컴퓨팅 기기에 지속적으로 전송할 수 있으며, 외부 컴퓨팅 기기는 사용자의 특성(예를 들어, 심장 부정맥)을 도출하기 위해 신경망의 제2 레이어 서브세트를 통해 상기 수신된 출력을 실질적으로 실시간으로 처리할 수 있다. 유리하게는, 외부 컴퓨팅 기기는 네트워크 처리량, 메모리 요구 사항 및 처리 전력 요구 사항을 줄이면서 사용자에게 발생하는 심장 부정맥을 실시간으로 식별할 수 있다. 또한, 기기 제한으로 인해 웨어러블 기기 자체에서도 입력 요구사항으로 인해 완전히 외부 컴퓨팅 시스템들에서도 수행할 수 없었던 보다 강력한 알고리즘 및 신경망이 이제 실현 가능하다.

일부 실시예들에서, 신경망은 제1 신경망과 제2 신경망을 포함할 수 있다. 제1 신경망(예를 들어, 시간적으로 분산된 특징 추출 모델)은 본원에 추가로 설명된대로 사용자의 ECG 신호, R 피크 데이터, RR 간격 서브 시퀀스(예를 들어, 30초 슬라이딩 윈도우의 RR 간격), 인코딩된 특징들 및/또는 기타 등등과 같은 하나 이상의 유형의 데이터를 입력으로서 수신할 수 있다. 제1 신경망은 입력된 RR 간격 서브-시퀀스를 처리하고 각 슬라이딩 윈도우에 대해 심방 세동(AF) 특징들을 생성할 수 있다. 제1 신경망의 출력은 긴 단기 메모리(LSTM) 셀들을 갖는 재발성 레이어들을 포함하여 제2 신경망에 공급될 수 있다. LSTM 셀들은 현재 슬라이딩 윈도우 및 과거 슬라이딩 윈도우들의 AF 특징들을 처리하여, 전이 학습 접근법(transfer learning approach)을 사용하여 데이터를 처리할 수 있고, 이 경우, 여러 슬라이딩 윈도우에 걸쳐, 유리하게는, LSTM은 30 초 창보다 긴 데이??를 고려하여 심장 부정맥의 징후를 예측할 수 있다.

일부 실시예들에서, 제1 신경망과 제2 신경망은 단계적으로 훈련된다. 제1 신경망이 먼저 훈련될 수 있다. 30초 간격의 훈련 데이터는 제1 신경망에 공급될 수 있으며, 제1 신경망의 예상 출력에 따라 가중치가 조정될 수 있다. 제1 신경망이 훈련된 후, 제1 신경망의 가중치는 동결될 수 있고 제2 신경망을 훈련시킬 수 있다. 제2 신경망은 30초 창에서 제1 신경망에 공급되는 더 긴 데이터 간격에 따라 훈련될 수 있으며, 출력은 LSTM 셀과 함께 제2 신경망에 공급된다. 제2 신경망은 더 긴 데이터 세트에 대해 AFib를 예측할 수 있으며, 예측된 출력들을 사용하여 제2 신경망의 가중치를 조정할 수 있다. 제2 신경망이 훈련되면, 제1 신경망의 가중치는 고정해제될 수 있으며, 제1 신경망 및 제2 신경망은 추가 훈련 데이터를 사용하여 동시에 훈련될 수 있다.

웨어러블 바이오 신호 처리 애플리케이션이 증가함에 따라, 이러한 애플리케이션의 정교함과 유용성을 개선해야할 필요성이 증가하고 있다. 일반적인 시나리오는 생체 신호들을 측정하는 센서들의 어레이를 구비한 작은 배터리-구동 웨어러블을 갖는 것이며, 여기서 생체 신호들은 처리되고 옵션으로 실시간으로 또는 거의 실시간으로 전송됩니다. 기기 크기는 편안함에 영향을 미칠 것이고, 결국 순응도와 유용성에 영향을 미치기 때문에, 가능한 한 작은 기기를 갖는 것이 유리하다. 이로 인해 시스템에 주로 몇 가지 제약 - 주로 배터리 수명 및 처리 기능 -이 발생하는데, 이는 사용자가 배터리를 충전하도록 요구하거나 결과적으로 품질 분석 및 규정 준수를 저하시켜 사용자 경험에 부정적인 부정적인 영향을 줄 수 있다. 이러한 제약 조건은 일반적으로 기기에서 발생하는 처리의 정교함을 제한하므로, 많은 애플리케이션에 의해 사용되는 옵션은 스마트폰, 클라우드 서버 또는 기지국과 같은 제약이 적은 시스템으로 처리를 오프로드하는 것이다.

이 패러다임 내에서, 추가 처리를 위해 오프로드된 데이터의 양과 유형 사이에 상충 관계가 존재한다. 이상적으로, 완전 충실도(full-fidelity)의 원시 바이오 신호들은 실시간으로 오프로드되어 시스템의 덜 제한된 부분에서 처리 정교함을 극대화한다. 불행히도, 현재 기술의 한계 내에서, 이는 일반적으로 실시간으로 또는 시기 적절한 방식으로 완전 충실도 신호들을 전송하는 기술적 한계 및 배터리 비용으로 인해 불가능하다. 이 한계를 극복하는 방법은 신호의 더 작은 표현을 전송하여, 전력 요구 사항을 최소화하고 배터리 충전 또는 교체 사이의 시간, 또는 단일 배터리 충전으로 전원이 공급되는 경우 잠재적 모니터링 기간을 최대화하는 것이다.

이 대체 표현을 만들기 위한 많은 전략이 있다. 애플리케이션에 따라, 주문 설계된 알고리즘들을 사용하여 추가 처리를 위해 업로드된 특징들을 선택할 수 있다. 이 전략의 예로는 MCT(Mobile Cardiac Telemetry) 기기 또는 기기에서 실행되는 알고리즘들에 의해 파생된 심장 박동의 위치를 검출하고 업로드할 수 있는 웨어러블 활동 추적기가 있으며, 심장 박동의 위치는 그 다음 클라우드 서버에서 보다 정교한 알고리즘에 의해 심장 부정맥을 감지하기 위해 추가로 분석될 수 있다. 또 다른 예는 기기 내 걸음수 계산 알고리즘의 결과들을 업로드하여 보행을 분석하고, 활동 수준 및 낙상의 위험을 평가하기 위해 가속도계를 사용하는 웨어러블 기기이다. 이 접근법들의 세트의 한계는 선택된 특징이 최종 애플리케이션에 최적이 아닐 수 있으며 기기-측 알고리즘들이 또한 필요 이상으로 계산에 더 부담이 될 수 있다는 것이다.

또 다른 일반적인 접근법은 신호를 재구성할 수 있는 방식으로 원시 바이오 신호 데이터를 압축하는 것이다. 일반적으로 사용되는 기술에는 무손실 및 손실 압축 체계가 포함된다. 무손실 압축은 클라우드 기반 서버에서 최적의 처리를 허용하지만, 일반적으로 실행가능하도록 충분히 데이터 전송 부담을 줄이기에 충분히 높은 압축 비율을 제공하지는 않는다. 웨이블릿-기반 압축과 같은 손실 압축 기술은 재구성 중에 도입된 오차의 양에 비해 높은 수준의 압축을 달성할 수 있다. 이 전략은 특정 애플리케이션에서 잘 작동할 수 있지만, 재구성된 신호가 최종 애플리케이션에 필요한 정보를 유지할 것이라는 보장은 없다. 그것들의 목표는 신호 재구성 오류를 최소화하는 것뿐이기 때문이다. 이러한 유형의 목표는 주로 진폭이 높은 신호 특징들에 의해 작동되며, 진폭 특성이 작은 특징들을 무시하거나 왜곡할 수 있다. 애플리케이션에 따라, 비교적 작은 진폭을 갖는 신호 특징들은 심방 탈분극과 관련된 ECG의 미묘한 P-파와 같이 최종 목표에 중요할 수 있으며, 심방 세동 및 완전한 심장 블록과 같은 감지된 리듬에 중요하다.

본원에 개시된 시스템 및 방법은 시스템의 모든 요소들에 대해 최적의 밸런스, 즉 기기 처리 부담, 시스템 전송 부담 및 최종 애플리케이션 유틸리티를 달성한다. 이것은 원시 바이오-신호 데이터를 계산 친화적인 방식으로 압축하는 체계를 생성하는데 사용될 수 있는 신경망 인코딩을 사용하여 달성되어, 특정 최종 애플리케이션에 필요한 정보를 보존한다. 신경망은 신호를 압축 형식으로 인코딩한 다음, 신호를 재구성할 수 있다. 보다 일반적으로, 신경망 아키텍처는 인코더 및 디코더 섹션들에 내장될 수 있다.

이 애플리케이션의 경우, 인코더 섹션은 원시 바이오-신호들을 압축하는 역할을 할 것이고, 타겟 기기에서 실행될 것이며, 그리고 입력보다 더 작은 차원을 갖는 출력을 초래할 것이다.

디코더 섹션은 신경망의 인코딩된 레이어에서 시작하여 타겟 애플리케이션에 대한 예측을 생성하는 역할을 할 것이며, 예를 들어 스마트폰, 클라우드 서버 또는 통신 허브/게이트웨이와 같이 타겟 기기가 아닌 다른 곳에서 사용된다. 인코더 및 디코더 부분들은 하나의 종단간 신경망으로 훈련되며, 이는 인코더 및 디코더 섹션들이 동일한 목표를 위해 함께 최적화되기 때문에 최적의 인코더와 디코더를 동시에 효과적으로 생성할 것이다. 이 방법은 시스템 설계의 유연성을 최대화하여, 가장 최적의 구현으로 이어질 수 있다. 예를 들어, 인코더 섹션은 특정 계산 복잡성 및 압축을 대상으로 설계될 수 있으며, 신경망 출력은 최종 애플리케이션에 정확히 필요한 것이 되도록 선택될 수 있다. 이 기술은 높은 계산 복잡성을 필요로 하고 처리를 오프로드하는 메커니즘을 갖는 실시간 및 거의 실시간의 신호 처리 애플리케이션에 이상적이다.

심전도(ECG), PPG(Photoplethysmogram) 또는 오디오 신호들을 활용하여 실시간 또는 거의 실시간으로 전기적 및 구조적 심장 상태를 감지하는 기기는 위에서 설명한 문제에 직면한다. 특정 심장 부정맥은 미묘한 방식으로(예를 들어 ECG 기록에서 저-진폭 P 파 패턴으로) 나타나며, 종종 검출 알고리즘에서 높은 수준의 정교함과 감도를 요구한다. 임상적 유용성을 극대화하기 위해, 리듬은 비트-대-비트 심박수 패턴뿐만 아니라 (특히 단일-리드 ECG 애플리케이션에서) 종종 파악하기 어려울 수 있는 형태의 차이에 의존하는, 노이즈를 포함한 최대 15개의 상이한 클래스들로 분류될 수 있다. 기존 기기들은 단순히 전체 원시 신호를 오프로드할 수 있으므로 자주 충전하거나 배터리를 교체해야 하며, 또는 처리를 오프로드하기 위해 압축 기술을 사용하거나, 또는 기기에서 ECG 신호의 일반적으로 이해되는 특징들을 감지하여 추가 처리를 위해 별도의 시스템에 업로드할 수 있다. 특징들은 QRS 복합체, P파 등과 같은 ECG 형태학적 특징들의 위치를 포함할 수 있다. 이러한 기기들의 계산 전력 및 배터리 수명이 제한되어 있기 때문에, 알고리즘들은 이러한 형태학적 특징들을 검출하는 능력에 있어 정확도가 제한적일 것이다. 신경망 인코딩은 ECG 신호의 압축 표현을 전송하기 위해 사용될 수 있다. 이 표현은 특정 심장 부정맥 식별, QRS 복합체와 같은 ECG 형태학적 특징들 식별, 비트 유형 분류, 심박수 결정 등과 같은 특정 최종 애플리케이션에 최적화될 수 있다.

ECG 기록으로부터 실시간 또는 거의 실시간의 부정맥 감지를 위한 이 전략의 예시적 구현에서, 신경망은, 예를 들어 14개의 고유한 리듬 레이블이 있는, 200Hz에서 샘플링된 30초 ECG 스트립들의 세트를 사용하여 먼저 훈련될 수 있다. 전처리 단계로서, 200Hz 신호는 이동 평균 필터를 사용하여 3의 인수로 다운 샘플링된 다음, 2Hz 컷오프가 있는 IIR 하이패스 필터를 사용하여 조절될 것이다. 이 입력은 또한 단위 분산을 갖도록 조정된다. 이것은 대부분의 ECG 형태학적 정보를 포함할 ~ 2-33Hz 범위의 정보를 남길 것이다. 이것은 신경망으로의 신호의 입력 차원을 2000x1로 만든다. 전술한 바와 같이, 신경망의 제1 섹션의 목표는 신호를 압축하는 것이므로 입력 신호의 차원을 줄여야 한다.

예시적 실시예에서, 신경망의 인코딩 섹션은 일련의 컨볼루션 및 풀링 레이어를 가질 것이며, 각각의 풀링 레이어는 시간 차원을 2배로 줄인다. 3번 반복되는 일련의 컨볼루션 및 풀링 레이어들을 이용하면, 이는 시간 차원이 8배로 감소될 것이다. 또한, 이 예시적 실시예에서, 인코더 섹션의 최종 컨볼루션 레이어에는 2개의 필터들이 있어 출력 차원을 250x2로 만들고 인코딩된 출력이라고 한다.

네트워크의 다음 레이어들은 네트워크 입력에서 시간 차원 크기를 원래 크기로 되돌리는 전략을 사용한다. 이것은 여러 전치 컨볼루션 레이어들(때로는 디컨볼루션 레이어들이라고도 함)을 사용하여 달성될 수 있다. 이 지점까지의 이 네트워크의 레이어들은, 일 실시예에서, 원래의 입력 신호를 예측하도록 사전 훈련될 수 있다. 일 실시예에서, 나머지 레이어들은 잔류 컨볼루션 필터 블록들로 구성된다. 이 예에서, 12개의 순차 블록들이 사용되었으며, 각 블록에는 2개의 컨볼루션 레이어들이 포함되어 있으며, 입력에서 출력으로의 잔류 연결이 있다. 이 블록들은 또한 시간 차원을 2개의 블록마다 2배로 줄인다. 이러한 블록들의 마지막 이후, 고유 리듬 클래스를 예측하기 위해 각 시간 지점에서 시간-분포된 밀도 레이어가 평가된다. 위의 예는 진단 정보를 압축 형식으로 보존하는 방식으로 ECG 정보를 인코딩하기 위한 알고리즘을 훈련하기 위한 프레임워크의 일 실시예를 설명한다.

일부 실시예들에서, 인코딩 프로세스는 ECG 특징들을 영구적으로 생성하기 위해 구현될 수 있다. 위의 예시적 신경망을 사용하여, 6000-샘플 길이 ECG 스트립은 2차원의 특징 벡터의 250가지 예들을 생성할 것이다. 이것은 24개의 개별 ECG 샘플마다 2개의 인코딩된 특징들이 생성되는 것으로 생각될 수 있다. 이 처리의 특성은 인과적이므로, 이러한 특징들은 30초 ECG 세그먼트들의 개념 없이 영구적으로 생성될 수 있다. 이러한 특징들은 압축된 정수 표현으로 저장되도록 확장될 수 있으며, 무손실 압축을 적용하여 특징 메모리 풋프린트를 더욱 줄일 수 있다. 인코딩된 특징들의 연속 스트림을 사용하면, 서버-측 알고리즘은 인코딩된 특징들을 사용하여 관심 이벤트들을 감지하기 위해 여러 가지 다른 전략을 사용할 수 있다.

부정맥(CHB, VT, AFIB/AFL, SVT, AVB 등)을 포함하는 세그먼트들을 검출하기 위한 일 실시예에서, ECG 인코딩을 훈련시키는데 사용되는 원래의 다중 클래스 알고리즘은 패치에서 생성된 인코딩된 특징들의 30초의 컨텍스트들을 사용하여 평가될 수 있다. 이 알고리즘은 중첩 유무에 관계없이 30초 컨텍스트의 롤링 창(rolling window)에서 평가될 수 있다. 부정맥을 포함할 확률이 높은 세그먼트들을 사용하여, 관심 이벤트가 있는지 확인할 수 있다.

일 실시예에서, 신경망의 인코딩 섹션은 신호의 차원을 줄이기 위해 LSTM과 같은 컨볼루션, 풀링 및 반복 레이어들의 조합을 사용할 수 있다.

VT 이벤트들을 검출하기 위한 일 실시예에서, 신경망은 기간이 약 1초인 ECG 세그먼트들에서 VT 시퀀스를 예측하기 위해 인코딩된 특징들을 사용하여 훈련될 수 있다. 이것의 이점은 어느 이벤트에 더 많은 관심이 있는지 결정하기 위해 다소 엄격한 세그먼트들을 구분할 수 있다는 것이다. 예를 들어, 더 긴 세그먼트들은 짧은 세그먼트보다 우선시될 수 있다. 이 알고리즘은 보다 구체적인 길이 기준을 충족하는 VT 에피소드의 부담을 결정하는데 사용될 수 있다. 특히 배터리가 제한된 임베디드 기기에서 VT 검출에 대한 기존 접근법들은 속도가 갑자기 증가하는 비트 패턴에 의존한다.

더 넓은 QRS 비트에서 종종 성능이 좋지 않은 비트 검출(예를 들어, 널리 사용되는 Pan-Tompkins 알고리즘)에 대한 의존은 VT와 같은 부정맥에서 비트 패턴을 안정적으로 식별하는 능력을 불가피하게 제한한다. 전체 ECG가 존재하고 신호 처리 기술을 통해 형태학적 정보가 연구될 수 있는 경우에도, 배터리-작동 기기의 계산 부담이 높아서, 기기들을 하루에 한 번 이상 충전해야 하고, 그리고/또는 센서와 게이트웨이 또는 휴대폰 유닛 모두에서 배터리를 교체해야 한다. 예를 들어, 현재 많은 모바일 심장 원격 측정(mobile cardiac telemetry; MCT) 양식은 이 요구 사항으로 어려움을 겪고 있으며, 환자에게 부담을 전가하여, 진단 기기의 순응도를 낮추고 분석 가능한 시간 및 임상 가치를 낮추는데 기여한다.

AF 부담을 평가하기 위한 일 실시예에서, ECG 인코딩을 생성하기 위해 훈련된 원래 신경망은 30초 컨텍스트에 걸쳐 평가될 수 있어, 세그먼트에 심방 세동(AFIB) 또는 심방 플러터(AFL)가 포함되는지 결정할 수 있으며, 이러한 시간들의 합산이 부담을 계산하는데 사용될 수 있다. 추가하여, 심방 플러터의 경우, 기존의 양식은 종종 AFL을 정상동(Normal Sinus)같은 다른 규칙적인 리듬과 구별하는데 어려움을 겪고 있다. 왜냐하면, 심방 세동의 불규칙한 비트 패턴 특성이 존재하지 않기 때문이다. 이를 위해서는 인코딩된 특징들이 허용하는 비트 간의 신호를 면밀히 검사해야 한다. 물론, 전체 ECG도 이를 허용하지만, 정보를 처리하려면 더 많은 계산 능력이 필요한데, 이는 종종 주파수 영역 분석의 형태를 취하며, 그리고 결과적으로 상기 MCT 실시예들에서 논의된 바와 같이 충전 또는 배터리 교체가 있는 덜 환자-친화적인 기기로 이어진다.

AF 부담을 평가하기 위한 다른 실시예에서, 인코딩된 특징들은 위에서 설명한 것과 동일한 방식으로 AF 부담을 예측하기 위해 더 큰 컨텍스트(예를 들어 30 분)에 걸쳐 재발성 신경망에 공급될 수 있다.

VT를 특성화하기 위한 다른 실시예에서, 인코딩된 특징들은 더 큰 컨텍스트(예를 들어 30 분)에 걸쳐 네트워크에 공급되어, VT의 총 지속 시간 및/또는 존재하는 개별 VT 에피소드들의 수를 예측할 수 있다.

심박수를 결정하기 위한 일 실시예에서, 신경망은 인코딩된 특징들을 사용하여 시간 세그먼트(예를 들어, 3 초)에 포함된 심장박동 수를 예측하도록 훈련될 수 있다. 이 신경망은 슬라이딩 창을 통해 시간 세그먼트의 비트 수를 예측하는데 사용될 수 있으며, 이는 다양한 시간의 심박수를 추정하는 데 사용될 수 있다. 이 심박수 정보는 다른 알고리즘을 사용하여 검출되는 관심 이벤트의 추가 개선 또는 우선 순위 지정에 사용될 수 있다. 유사한 전략은 심박수 대신 또는 심박수에 추가하여 심박수 변동성을 추정할 수 있게 한다.

이소성 박동 수를 결정하기 위한 일 실시예에서, 신경망은 인코딩된 특징들을 사용하여 시간 세그먼트(예를 들어, 3 초)에 포함된 이소성 박동 수를 예측하도록 훈련될 수 있다. 이 신경망은 일정 시간(예를 들어 1, 12 시간 또는 24 시간)에 걸쳐 총 이소성 박동 수를 추정하는 데 사용될 수 있다. 대안적으로, 위에서 설명된 심장 박동 실시예와 결합하여, 이 실시예는 예를 들어, 1시간, 12시간 또는 24시간에 대한 백분율로 표현되는, 정상 박동에 대한 이소성 박동의 비율을 추정하는데 사용될 수 있다. 상기에서 불가지론적으로 설명된 이 실시예는 심실 또는 심실위 이소성 박동 중 하나 및/또는 각각의 2쌍(couplet) 및 3쌍(triplet)에 적용될 수 있다.

일 실시예에서, R-피크 위치들은 인코딩된 특징들로부터 재구성된 시계열로부터 근사될 수 있다. 이러한 R-피크 위치는 자체적으로 심박수를 계산하고 대체 방법으로부터 심박수 추정의 정확도를 증가시키거나, 또는 두 심실 수축 사이의 임상적으로 유의한 시간 간격(예를 들어, 3초 이상)으로 정의된 심장 일시 정지 이벤트들을 감지하는데 사용될 수 있다. 심박수와 마찬가지로, 이 정보는 ECG가 전송 및 보고될 관심 이벤트들을 추가로 필터링하거나 우선 순위를 정하는 데 사용될 수 있다. 다른 실시예에서, 재구성된 신호 자체는 전체 ECG의 일부와 함께 볼 수 있어 더 많은 컨텍스트(예를 들어, ECG 세그먼트의 끝에서 낮거나 높거나 불규칙한 심박수가 계속되는지 여부)를 제공할 수 있다. 이러한 상황 정보는 육안 검사를 기반으로 패치에서 보다 풀해상도 ECG를 수동으로 요청하는 프로세스에 도움이 될 수 있어서, 인적 품질 보증에 의해 뒷받침되는 전반적으로 더 높은 진단 정확도로 이어질 수 있다.

대체 실시예에서, 이들 R-피크 위치에 기초한 심박수는 발명의 내용에 표시된 이벤트에 대해 더 큰 시간적 컨텍스트를 제공하는 방식으로 임상보고서에 상기 선택된 ECG 스트립들(예를 들어, 8초 또는 16 초 스트립)과 함께 플롯될 수 있다. 심박수는 (예를 들어, 2 개의 R- 피크들 사이의 간격에 기초한) 순간 속도로서 또는 여러 R-피크에서 파생된 각 데이터 포인트를 사용하여 시간 경과에 따른 심박수 추세로 플롯될 수 있다. 대안적인 실시예는 평균, 최대 및 최소 심박수 추세를 동시에 플롯하여, 훨씬 더 큰 임상적 맥락을 제공할 수 있다.

일부 실시예들에서, PPG 및 가속도계를 이용하는 웨어러블 기기는 심방 세동(AFIB) 에피소드를 검출하고 AFIB 부담 수준을 추정하는데 사용될 수 있다. 이 구성의 센서들은 부적절하게 착용되거나 기기의 움직임, 또는 열악한 생리적 조건과 같은 환경적 요인으로 인해 신호 품질이 저하되는 문제를 겪는 것이 매우 일반적이다. 이러한 이유로, AFIB를 감지하거나 AFIB 부담을 추정하기 위해 완전 충실도 원시 센서 판독 값들을 활용하는 것이 유리하다. 왜냐하면, 노이즈를 이해할 수 있고, 알고리즘이 위양성(false positive)을 예측하는 것을 방지할 수 있기 때문이다.

기존 전략은 기기에서 심박수 간격을 감지하고, 이 정보를 사용하여 AFIB 에피소드를 추론할 수 있다. 신호 품질 메트릭은 별도로 계산되어 업로드될 수 있다. 이 전략은 신호 품질이 좋지 않은 기간이 잘못된 심박수 간격 판독값을 생성할 때 어려움을 겪을 것이다. 위에서 설명한 전략을 사용하여, 미가공 PPG/가속도계 신호들로부터 AFIB 에피소드 또는 AFIB 부담을 예측하고, 또한 신호를 압축 표현으로 인코딩하는 신경망을 개발할 수 있다. 이 네트워크는 낮은 신호 품질로 인한 잘못된 예측이 가장 적게 발생하는 방식으로 정보를 인코딩하는 방법을 배울 수 있다. 인코딩은 기기에서 실행될 수 있으며, 그리고 인코딩된 데이터는 더 강력한 서버에서 디코딩 섹션이 평가될 수 있도록 업로드될 수 있다. AFIB 에피소드 및 AFIB 부담을 식별하는 것 외에도, 웨어러블 PPG 기기로부터의 인코딩된 센서 데이터는 맥박을 특성화하거나 심실 빈맥, 일시 정지, 방실 블록 등과 같은 다른 심장 부정맥을 감지하는 데 사용될 수 있다. 그것들은 또한 당뇨병, 고혈압, 우울증, 울혈성 심부전, 수면 무호흡증 등과 같은 건강 상태를 감지하는 데 사용될 수 있다.

다른 실시예에서, 인코딩된 특징들은 R 피크들에 추가하여 ECG 비트의 파형 성분들(예를 들어, P-파, T-파 및/또는 파형 내의 포인트들 사이의 세그먼트들)을 설명하도록 최적화될 수 있다. 신경망은 인코딩된 특징에 대해 훈련되어 PR 간격들을 추정할 수 있으며, 그 패턴은 AV Block의 미묘한 분류(1^st degree, 2^nd degree Mobitz I I.e. Wenckebach, 2^nd degree Mobitz II)를 식별하거나, 또는 QRS 폭 추론과 함께 Wolff-Parkinson-White 증후군을 특징짓는다. 이러한 덜 위험한 무증상 부정맥 중 일부는, 특히 모든 신호가 완전히 분석되지 않는 이벤트 레코더와 ILR 또는 일부 MCT들과 같이 기기가 모든 신호를 연속적으로 기록하고 저장하지 않는 경우, 전송되는 것이 더욱 바람직하다.

유사한 방식으로, 신경망은 QT 간격을 추정하기 위해 인코딩된 특징에 대해 훈련될 수 있으며, 이는 착용 시간 동안 모니터링될 수 있는 긴 QT 증후군과 같은 임상적으로 중요한 결과를 발견할 수 있다. 예를 들어, 이 QT 측정 접근법은 약물 적정화에 사용될 수 있으며, 이 경우, 환자는 개별화된 기준으로 약물 효능과 안전성의 최적 조합을 결정하기 위해 약물 투여량을 조정할 것이다. 신경망은 또한 ST 세그먼트의 변화를 감지하도록 훈련될 수 있으며, 이는 심근 경색에 대한 경고 신호일 수 있는 ST 상승 또는 하강을 찾기 위해 모니터링될 수 있다.

다른 실시예에서, 인코딩 방법은 시스템이 신호의 특성에 대해 더 많이 수신하고 학습함에 따라 동적으로 조정 및 적응될 수 있다. 또한 특정 환자에 대해 타겟 리듬이 변경되는 경우 다른 방식으로 교체될 수도 있다. 예를 들어, 부정맥 유형을 감지하는 일반화된 방법 대신, 뇌졸중 후 모니터링과 같은 특정 신경학적 애플리케이션의 경우, 주요 초점은 심박수 또는 에피소드의 지속 시간에 관계없이 AF를 감지하는 것일 수 있다. 이 경우, AF의 높은 감도를 위해 사전 훈련되고 최적화된 한 쌍의 인코딩 및 디코딩 네트워크가 사용될 수 있다. 이러한 서로 다른 인코더들은 오프라인으로 학습하고 변경이 필요할 때 무선으로 펌웨어로 업데이트하거나, 요청 시 활성화될 임베디드 기기에 옵션으로 사전 프로그래밍될 수 있다. 대안적인 실시예들은 유사한 방식으로 민감도 또는 특이성 성능에 최적화된 알고리즘들을 구현할 수 있다.

특정 실시예들에서, 입력 신호는 가속도계 및/또는 자이로스코프 축으로부터의 채널들을 포함할 수 있는데, 이는 종종 축의 수에 필요한 샘플링 속도(예를 들어, 걸음수의 추론을 가능하게 하기 위해 20Hz)를 곱하기 때문에 많은 공간을 차지할 수 있다. 3-축 가속도계 및/또는 3-축 자이로스코프 신호의 특징들은 더 작은 차원으로 축소될 수 있으며, 이는 크기와 같이 미리 정의된 물리적 메트릭에만 국한되지 않는 귀중한 정보를 포함할 수 있다. 실제로, 더 높은 주파수 샘플링을 통해서만 획득될 수 있는 특성들은 활동 간의 더 세밀한 구분이 가능하도록 인코딩될 수 있다. 자체적으로 인코딩된 가속도계 및/또는 자이로스코프 특징들은 수면 단계 및 활동 수준, 걸음수, 방향, 활동 유형 등을 결정하기 위해 사용될 수 있다. 인코딩된 가속도계 및/또는 자이로스코프 특징들 자체 또는 ECG와 함께 인코딩된 이러한 신호들로부터의 특징들을 사용하여, 부정맥과 같은 생리학적 이벤트에 의해 생성된 신호와 모션 아티팩트의 신호를 추가로 구별할 수 있다. 동일한 데이터는 예를 들어 퇴원 후 대상부전 이벤트의 보행 모니터 형태로, 심부전 환자의 건강을 평가하기 위한 하나의 입력(추세화된 활동 수준)으로도 유용하다.

다른 실시예들에서, 임피던스 정보, 또는 갈바닉 피부 반응과 같은 피부 접촉을 나타내는 일부 다른 측정은 ECG와 함께 또는 독립적으로 인코딩될 수 있다. 신경망은 리드 오프 영역을 감지하도록 훈련될 수 있으며, 그리고 ECG 특징들과 함께, 신뢰할 수 없는 신호의 세그먼트들을 필터링하는 데 사용될 수 있다. 동일한 임피던스 값들은 서로 다른 환자들 및 조건들에서 서로 다른 수준의 신호 품질을 의미할 수 있기 때문에, 임피던스 값들에 대한 단순한 상태-기계 유형의 알고리즘만으로도 신호가 실제로 비-생리적일 때 리드-온 상태들을 초래할 수 있으며, 또는 반대로, 신호가 실제로 ECG이고 따라서 분석 가능할 때 리드-오프(lead-off)가 감지될 수 있다. 전자는 특히 때때로 부정맥을 모방할 수 있고 따라서 거짓 양성 전달을 초래할 수 있는 노이즈가 발생하기 쉬운 보행 기기의 문제이지만, 그것의 일부는 하드웨어 설계와 패치 폼 팩터와 같은 유연한 재료를 통해 완화될 수 있다. 임피던스 또는 가속도계와 같은 2차 신호들의 미가공 또는 인코딩된 특징들과 함께 ECG의 인코딩된 특징들을 사용하는 디코더 알고리즘들은 이러한 거짓 양성을 추가로 제거하는 동시에, 임피던스가 좋지 않아 실제 ECG 신호가 손실되지 않도록 보장할 수 있다.

특정 실시예들에서, 인코딩된 특징을 사용하여 검출된 부정맥이 의심되는 경우 원래 기기에서 풀-해상도 ECG를 사용하여 추가 분석을 수행하면 도움이 될 수 있다. 인코더 구현에 의해 활성화된 전력 절약은 디코더-기반 알고리즘이 기기에 저장된 풀-해상도 ECG의 부분들의 전송 또는 온보드 분석을 요청할 수 있게 할 것이다. 라벨링된 풀-해상도 ECG에서 훈련된 컨볼루션 신경망에서 도출될 수 있는 별도의 알고리즘을 원래의 ECG의 제한된 영역들에서 실행하는 것이 계산적으로 가능할 것이다.

특정 실시예들에서, 인코딩된 특징들은 심방 세동과 같은 부정맥 또는 가까운 미래에 발생할 수 있는 다른 건강 상태들을 학습하고 예측하기 위해 사용될 수 있으며, 이는 조기 개입을 가능하게 한다.

특정 실시예들에서, 인코딩 또는 인코딩된 특징들을 사용하는 후속 레이어들(디코딩)의 처리는, 스마트폰 또는 게이트웨이 기기와 같은, 셀 또는 위성 등의 장거리 연결 이전에 전송되는 중간 기기에서 수행될 수 있다. 특정 사용 사례에서, 예를 들어 미가공 신호가 기기 메모리에 기록될 필요가 없는 경우(이는 종종 제한된 전력 방식에서 배터리 소모의 많은 부분이다), 인코딩과 디코딩은 예를 들어 ECG 또는 다른 신호들을 지속적으로 모니터링할 수 있는 패치, 스마트워치 또는 기타 웨어러블과 같은 기기 자체에서 발생할 수 있으며, 인코딩된 신호만 기록된다. 이 접근법은 저장 공간이 제한된 시나리오에서 유용할 수 있지만, 알고리즘은 메모리에 저장된 데이터(예를 들어, 과거에 발생한 ECG용 데이터)에서 실행되어야 할 수 있다.

특정 실시예들에서, 상기 기술은 손목, 귓불 또는 가슴으로부터의 PPG와 같은 ECG 이외의 다른 표면 또는 경피적 생체 신호들에 적용될 수 있다. 종종 소비자 등급인 웨어러블 기기들은 PPG 신호 캡처를 통해 심박수 추세를 지원하고 경우에 따라 심방 세동을 스크리닝할 수 있다. 이러한 건강 통찰력 기능은 종종 매우 제한된 지속 시간(예를 들어, 30초)의 검출로 제한되며, 그리고, 예를 들어 다양한 피부 유형 및 움직임을 통해 안정적으로 파형을 캡처하기 위해 녹색광을 이용한, 상대적으로 고출력 광학 센싱을 필요로 한다. PPG 파형 형태가 부정맥 혈류에 고유한 특징들(signature)을 포함하는 경우, 또는 AF 부담과 같은 보다 장기적이고 임상적으로 유용한 메트릭으로 집계하기 위해, PPG의 전체는 단순한 박동 감지 이상의 더 풍부한 컨텍스트 분석을 위해 저장되거나 전송될 수 없다.

일부 실시예들에서, PPG 및/또는 ECG 파형은 전통적으로 계산된 비트 간격 또는 심지어는 보정 기준점 간격들이 가장 유용한 특징들이 아닐 수 있는, 혈압, 그리고 혈관 관류(blood perfusion), 혈액량, 심박출량, 구출분획(ejection fraction), 밸브 기능 및/또는 건강 등과 같은 다른 심장 메트릭을 추론하기 위해 인코딩된다. 특정 실시예들이 PPG와 함께 설명되지만, ECG는 또한 적용 가능한 경우 사용될 수 있으며, 그 반대도 가능하다.

특정 실시예들에서, 상기 기술은 EEG와 같은 훨씬 더 많은 데이터 헤비 신호(data heavy signal)에 적용될 수 있다. EEG를 사용하는 웨어러블 애플리케이션은 종종 채널 수와 기기의 부피로 인해 실험실 설정으로 제한된다. EEG로 훈련된 인코딩된 특징들은 높은-계산 전력 디코더 알고리즘을 서버로 오프로드할 수 있고, 예를 들어 뇌 활동을 통신으로 변환하는 기기들의 이동성을 가능하게 할 수 있다.

일부 실시예들에서, 신경망 인코딩은 타겟 기기 상의 배터리 소모를 더욱 감소시키기 위해 FPGA IC와 같은 전용 하드웨어에서 구현될 수 있다. 신경망 인코더는 정수 수학 또는 이진 연산을 활용하여 임베디드 애플리케이션에 더욱 최적화될 수 있다.

일부 실시예들에서, 마커 또는 객체의 검출 또는 생리학적 측정을 초래하는 이미지 또는 비디오 스트림은 신경망 인코딩을 사용하여 처리를 더 강력한 시스템으로 오프로드할 수 있다. 예시적 애플리케이션들은 다음과 같을 수 있다 :

차량 내 물체 감지, 보안 감시 시스템

얼굴 영상의 감성적 반응

얼굴 또는 가슴의 비디오 스트림을 기반으로 한 심박수, 호흡 등의 생리학적 측정

발작 검출

낙상 감지

증강 현실

주목할 만한 이벤트들(울음, 호흡 문제)의 유아 모니터링

일부 실시예들에서, 오디오 데이터는 음성 이벤트를 식별하거나 실시간으로 음성을 번역, 호흡 모니터링, 호흡기 질환의 진단, 코골이 또는 무호흡의 검출을 위해 인코딩될 수 있다.

일부 실시예들에서, 초음파 데이터는 임신 중 수축, 태아의 심장 박동을 감지 및 특성화, 종양, 뇌졸중, 동맥 막힘, 감염 등과 같은 비정상적인 생리를 식별하기 위한 목적으로 인코딩될 수 있다.

컴퓨팅 시스템들 및 방법들

일부 실시예들에서, 위에서 설명한 동일한 것을 사용하는 시스템들, 도구들 및 방법들은 컴퓨팅 시스템(13000)에 의해 수행되는 상호작용 및 데이터 수집을 허용한다. 도 23은 컴퓨팅 시스템(13000)이 네트워크(13002) 및 네트워크(13002)와도 통신하는 다양한 외부 컴퓨팅 시스템들(13004)(예를 들면 웨어러블 시스템(13005), 게이트웨이 기기(13006))와 통신을 이루고 있는 일 실시예를 보여주는 블록도이다. 컴퓨팅 시스템(13000)은 본원 명세서에 기재되어 있는 시스템들 및 방법들을 구현하는데 사용될 수 있다. 외부 시스템(13004)이 그룹화된 것으로 도시되었지만, 여기서 인식될 수 있는 점은 각각의 시스템은 서로 외부에 있을 수도 있고 그리고/또는 원격으로 위치할 수도 있다는 점이다.

일부 실시예들에서, 컴퓨팅 시스템(13000)은 하나 이상의 컴퓨팅 기기들, 예를 들면 서버, 랩톱 컴퓨터, 모바일 장치(예를 들면, 스마트폰, 스마트워치, 태블릿, 개인 휴대 정보 단말기), 키오스크, 자동차 콘솔, 또는 미디어 플레이어 등을 포함한다. 일 실시예에서, 컴퓨팅 기기(13000)는 각각 종래의 또는 독점적인 마이크로프로세서를 포함할 수 있는 하나 이상의 중앙 처리 유닛들(CPU)(13105)을 포함한다. 컴퓨팅 기기(13000)는 정보의 임시 저장을 위한 랜덤 액세스 메모리(RAM), 정보의 영구 저장을 위한 하나 이상의 판독 전용 메모리(ROM), 그리고 하드 드라이브, 디스켓, 솔리드 스테이트 드라이브 또는 광 미디어 저장 기기와 같은 하나 이상의 대용량 저장 기기(13120)와 같은 하나 이상의 메모리(13130)를 더 포함한다. 특정 실시예들에서, 처리 기기, 클라우드 서버, 서버 또는 게이트웨이 기기는 컴퓨팅 시스템(1300)으로서 구현될 수 있다. 일 실시예에서, 컴퓨팅 시스템(13000)의 모듈들은 표준 기반 버스 시스템을 사용하여 컴퓨터에 접속된다. 상이한 실시예들에서, 표준 기반 버스 시스템은 예를 들면, PCI(Peripheral Component Interconnect), 마이크로채널, SCSI(Small Computer Computing System Interface), ISA(Industrial Standard Architecture) 및 EISA(Extended ISA) 아키텍처로 구현될 수 있다. 그 외에도, 컴퓨팅 기기(13000)의 컴포넌트들 및 모듈들에서 제공되는 기능은 더 적은 수의 컴포넌트들 및 모듈들로 결합되거나 추가 컴포넌트들 및 모듈들로 추가 분리될 수 있다.

컴퓨팅 기기(13000)는 예를 들면 iOS, Windows XP, Windows Vista, Windows 7, Windows 8, Windows 10, Windows Server, Embedded Windows, Unix, Linux, Ubuntu Linux, SunOS, Solaris, Blackberry OS, Android, 또는 다른 운영 시스템과 같은 운영 시스템 소프트웨어에 의해 제어 및 조정될 수 있다. 매킨토시 시스템들에서, 운영 시스템은 MAC OS X와 같은 임의의 이용 가능한 운영 시스템일 수 있다. 다른 실시 예들에서, 컴퓨팅 기기(13000)는 독점적인 운영 시스템에 의해 제어될 수 있다. 종래의 운영 시스템들은 특히, 실행을 위해 컴퓨터 프로세스들을 제어 및 스케줄링하고, 메모리 관리를 수행하고, 파일 시스템, 네트워킹, I/O 서비스들을 제공하며, 그리고 그래픽 사용자 인터페이스(GUI)와 같은 사용자 인터페이스를 제공한다.

대표적인 컴퓨팅 기기(13000)는 예를 들면 터치패드 또는 터치스크린과 같은 하나 이상의 I/O 인터페이스들 및 기기들(13110)을 포함할 수 있지만, 키보드, 마우스 및 프린터를 또한 포함할 수 있다. 일 실시예에서, I/O 인터페이스들 및 기기들(13110)은 사용자에 대한 데이터의 시각적인 프리젠테이션을 허용하는 (터치스크린 또는 모니터와 같은) 하나 이상의 디스플레이 기기들을 포함한다. 더 구체적으로 기술하면, 디스플레이 기기는 예를 들면, GUI, 애플리케이션 소프트웨어 데이터 및 멀티미디어 프리젠테이션들의 프리젠테이션을 제공할 수 있다. 컴퓨팅 시스템(13000)은 또한, 예를 들면 카메라들, 스피커들, 비디오 카드들, 그래픽 가속기들 및 마이크로폰들과 같은 하나 이상의 멀티미디어 기기들(13140)을 포함할 수 있다.

I/O 인터페이스들 및 기기들(13110)은 컴퓨팅 시스템 및 애플리케이션 도구들의 일 실시예에서 다양한 외부 기기에 통신 인터페이스를 제공할 수 있다. 일 실시예에서, 컴퓨팅 기기(13000)는 예를 들어 유선, 무선 또는 유선 및 무선 통신 링크(13115)의 조합을 통해 근거리 네트워크, 광역 네트워크 및/또는 인터넷 중 하나 이상을 포함하는 네트워크(13002)에 전자적으로 결합된다. 네트워크(13002)는 유선 또는 무선 통신 링크들을 통해 다양한 센서, 컴퓨팅 기기 및/또는 다른 전자 기기들과 통신할 수 있다.

일부 실시예들에서, 본원 명세서에 기재되어 있는 방법들 및 시스템들에 따른 응용 도구인 리듬 추론 모듈에 의해 처리되는 필터 기준, 신호들 및 데이터는 하나 이상의 데이터 소스들(13010)로부터 네트워크(13002)를 통해 컴퓨팅 시스템(13000)에 제공될 수 있다. 데이터 소스들은 하나 이상의 내부 및/또는 외부 데이터베이스들, 데이터 소스들 및 물리적 데이터 저장소를 포함할 수 있다. 데이터 소스들(13010), 외부 컴퓨팅 시스템들(13004) 및 리듬 인터페이스 모듈(13190)은 위에서 설명한 시스템들 및 방법들에 따른 데이터(예를 들면, 특징 데이터, 원 신호 데이터, 환자 데이터)를 저장하기 위한 데이터베이스들, 위에서 설명한 시스템들 및 방법들에 따라 처리된 데이터(예를 들면, 센서로 송신될 데이터, 임상의에게 보내지는 데이터)를 저장하기 위한 데이터베이스들을 포함할 수 있다. 도 24의 일 실시예에서, 센서 데이터(14050)는 일부 실시예들에서, 센서로부터 수신되고 임상 의사로부터 수신되는 등등의 데이터를 저장할 수 있다. 규칙 데이터베이스(14060)는 일부 실시예들에서, 특징 데이터를 분석하기 위한 임계값들에 대한 파라미터들을 설정하는 데이터(예를 들어, 명령어들, 선호도들, 프로파일)를 저장할 수 있다. 일부 실시예들에서, 하나 이상의 데이터베이스들 또는 데이터 소스들은 Sybase, Oracle, CodeBase, MySQL, SQLite 및 Microsoft® SQL Server와 같은 관계형 데이터베이스 및 다른 타입의 데이터베이스, 예를 들면, 단층 파일 데이터베이스, 엔티티 관계 데이터베이스 및 객체 지향 데이터베이스, NoSQL 데이터베이스 및/또는 기록 기반 데이터베이스와 같은 데이터베이스를 사용하여 구현될 수 있다.

일 실시예에서, 컴퓨팅 시스템은 CPU(13105)에 의해 실행되는 실행 가능한 소프트웨어 코드들로서 대용량 기억 기기(13120)에 저장될 수 있는 리듬 인터페이스 모듈(13190)을 포함한다. 리듬 인터페이스 모듈(13190)은 특징 모듈(14010), 대체 데이터 모듈(14020), 추론 모듈(14030), 피드백 모듈(14040), 센서 데이터 데이터베이스(14050) 및 규칙 데이터베이스(14060)를 구비할 수 있다. 이러한 모듈들은 예를 들어, 소프트웨어 컴포넌트들, 객체 지향 소프트웨어 컴포넌트들, 서브 루틴들, 프로그램 코드 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스들, 데이터 구조들, 표들, 배열들 및 변수들와 같은 컴포넌트들을 포함할 수 있다. 이러한 모듈들은 또한, 일부 실시예들에서 도 10 내지 도 17과 관련지어 설명한 프로세스들을 포함하여 본원 명세서에 개시된 프로세스들을 수행하도록 구성된다.

무손실 압축 및/또는 양자화

본 개시서의 일부 실시예들에서, 시스템은 신경망 내의 제2 레이어 세트를 통해 데이터를 처리하기 위해 데이터를 원격 서버로 전송하기 전에 신경망 내의 제1 레이어 세트의 출력에 대해 무손실 압축을 수행할 수 있다. 무손실 압축 알고리즘을 사용하면 압축된 데이터로부터 원본 데이터를 완벽하게 재구성할 수 있다. 일부 실시예들에서, 시스템은 원격 서버가 특정 임계값의 정확도로 상기 압축된 데이터를 재구성할 수 있는 압축을 수행함으로써 손실을 줄일 수 있다.

도 25는 ECG 인코더와의 무손실 압축의 구현을 도시한다. 패치(2226)는 사용자의 ECG 데이터(2232)를 수신할 수 있다. 모니터(예를 들어, 패치(2226))는 신경망의 제1 레이어 세트(2222)를 통해(예를 들어, ECG 인코더(2230)를 통해) 데이터를 인코딩하고 인코딩된 출력을 무손실 압축기(2502)로 전송할 수 있다. 무손실 압축기(2502)는 원격 서버(228)로 전송하기 위해 데이터를 더 작은 차원으로 압축할 수 있다. 원격 서버(2228)는 무손실 압축 해제기(2504)를 통해 데이터를 압축 해제할 수 있다. 그 다음, 원격 서버(2228)는 분류기(2238)를 통해 신경망의 제2 레이어 서브세트(2224)를 통해 압축 해제된 데이터를 처리할 수 있다.

일례에서, 무손실 압축 방식을 사용하여, 출력된 인코딩된 특징들과 더 짧은 길이 표현 사이를 매핑할 수 있다. 8비트 정수의 경우, 이진 표현 "00000000"으로서 0의 값은 ECG 인코더(2230)로부터의 신경망의 제1 레이어 서브세트의 출력된 인코딩된 특징일 수 있지만, 무손실 압축 방식은 "00000000" 8비트 숫자 표현을 다른 것으로 변경할 수 있다. 무손실 압축 방식은 ECG 인코더(2230)로부터 출력되는 값들과 압축된 값 간의 매핑을 가질 수 있다. 예를 들어, ECG 인코더(2230)의 "0000000" 8비트 숫자 표현은 8이 아닌 2비트만 취하는 "10"으로 표현될 수 있다. 무손실 압축 방식은 더 일반적인 출력 인코딩된 특징들에 더 짧은 비트 길이 코드를 사용할 수 있는 반면, 더 드문 인코딩 특징들에는 더 긴 비트 길이 코드가 사용된다. 유리하게는는, 원격 서버로 더 적은 데이터가 전송된다. 예를 들어, ECG 인코더(2230)로부터 출력되는 0 값들이 훨씬 더 많다면, 무손실 압축 방식은 0 값을 "10"에 매핑할 수 있다. 그러나, ECG 인코더(2230)로부터 433의 값이 거의 출력되지 않는다면, 무손실 압축 방식은 "110110001"의 이진 표현을 갖는 433 값을 "5523"에 매핑할 수 있다.

일부 실시예들에서, 무손실 압축기(2504)는 미리 결정된 매핑된 값들을 검색할 수 있다. 일부 실시예들에서, 무손실 압축기(2504)는 정적이며 변경되지 않는 매핑된 값들을 검색할 수 있다. 무손실 압축기(2504)는 무손실 압축기(2502)로부터 매핑된 값들을 수신할 수 있다. 원격 서버(2228)는 ECG 인코더(2230)에 대응하는 실제 값들로 상기 압축된 데이터(예를 들어, 매핑된 값들)를 매핑할 수 있다. 예를 들어, 무손실 압축 해제기(2504)가 "10" 값과 "5523" 값을 수신한다면, 무손실 압축 해제기(2504)는 이러한 값들을 "0"과 "443"에 매핑하고 그에 따라 이 값들을 출력할 수 있다. 그런 다음, 이러한 값들은 분류기(2238)를 통해 신경망에서 제2 레이어 서브세트를 통해 처리될 수 있다.

유리하게는, (1) 신경망을 통해 데이터를 인코딩하고 (2) 인코딩된 데이터를 압축하는 시스템의 경우, 패치로부터 서버로 전송되는 데이터의 차원은 (무손실 압축 없이) (1) 신경망 인코더만 있는 시스템보다 작을 수 있다. 또한, 무손실 압축을 사용하면, 무손실 압축 해제기를 통해 데이터를 재구성할 수 있으므로 데이터 자체의 무결성을 유지하면서 더 많은 데이터를 원격 서버(2228)로 전송할 수 있다. 예를 들어 설명하기 위해, 서로 매우 가까운 0 값들의 플롯이 있는 경우, 시스템은 모든 0값들을 개별적으로 전송하는 대신 0 값들의 플롯의 대표적인 표시(representative indication)를 보낼 수 있다. 패치에서 서버로 전송되는 데이터는 네트워크 처리량을 덜 사용할 수 있으며, 신경망의 정확성과 성능을 저하시키지 않으면서 더 엄격한 네트워크 제약 조건 하에서 작동할 수 있다. 더욱이, 이러한 압축은 데이터가 패치(2226)에서 원격 서버(2228)로 다양한 네트워크를 통해 이동함에 따라 데이터의 프라이버시 및 보안을 더욱 향상시킬 수 있는 또 다른 형태의 암호화가 될 수 있다.

본원에서 언급된 바와 같이, 본 개시서의 일부 실시예들은 출력의 차원을 감소시키기 위해 신경망의 제1 레이어 세트를 통해, 예를 들어 ECG 인코더(2230)를 통해, 데이터를 압축하도록 신경망을 훈련시킨다. 신경망의 제1 레이어 세트는 특정 차원을 출력하도록 훈련된다. 압축된 데이터는 제1 레이어 세트의 출력을 신경망의 제2 레이어 세트에 적용하는 원격 기기로 전송되며, 이는 데이터의 디코딩 또는 데이터의 생리학적 특성 결정과 같은 본 명세서에 설명된 단계들을 포함할 수 있다.

기존 신경망에서, 시스템은 부동 소수점 수(예를 들어, 32비트 데이터)와 같은 큰 숫자 표현을 사용한다. 부동 소수점 수는 소수점 이하 여러 자리까지 매우 정밀하게 매우 크거나 매우 작은 값을 나타낼 수 있다. 이러한 전통적인 시스템은 신경망의 매우 정확한 훈련과 데이터 처리를 위해 이러한 큰 숫자 표현을 사용한다. 그러나, 이러한 큰 숫자 표현을 사용하면 데이터를 저장, 처리 및 전송하는 데 비효율적인 결과를 초래한다.

본 개시서의 일부 실시예들은 데이터를 양자화함으로써 이러한 단점을 완화한다. 도 26은 신경망에서 제1 레이어 서브세트(2222)를 처리한 후 ECG 인코더(2230)의 출력 데이터에 양자화를 수행하기 위한 양자화기(2602)를 나타낸다. 패치(2226)는 사용자의 ECG 데이터(2232)를 수신할 수 있다. 모니터(예를 들어, 패치(2226))는 신경망의 제1 레이어 세트(2222)를 통해(예를 들어, ECG 인코더(2230)를 통해) 데이터를 인코딩하고 인코딩된 출력을 양자화기(2602)로 전송할 수 있다. 양자화기(2602)는 원격 서버(2228)에 전송될 데이터를 양자화(예를 들어, 데이터를 자르거나(truncating) 반올림(rounding))할 수 있다. 그 다음, 원격 서버(2228)는 신경망의 제2 레이어 서브세트(2224)를 통해 상기 양자화된 데이터를 처리할 수 있다.

이러한 양자화는 신경망의 전체 성능을 균형 있게 유지하면서 더 나은 무손실 압축 성능을 가지도록 최적화될 수 있다. 시스템은 데이터를 외부 서버로 전송하기 전에 신경망의 제1 레이어 세트의 출력을 양자화할 수 있다. 일부 실시예들에서, 데이터를 양자화하는 것은 데이터 표현을 위한 반올림(예를 들어, 가장 가까운 정수로 반올림), 잘라내기 또는 비트 수를 줄이는 것을 포함할 수 있다.

일부 실시예들에서, 양자화의 양은 효율성과 정확성 사이의 균형을 최적화하기 위해 결정될 수 있다. 보다 적극적인 양자화(예를 들어, 데이터에서 더 많은 비트를 잘라내는 것)는 데이터 표현의 크기를 더 낮은 비트 수로 줄일 수 있지만, 신경망 예측의 정확성에 부정적인 영향을 미칠 수 있다. 그러나, 덜 적극적인 양자화(예를 들어, 데이터에서 더 적은 비트를 잘라내는 것)는 정확도를 높일 수 있지만, 사람에 대한 모니터 기기의 증가된 저장 및 전송 요구 사항, 패치(2226)와 원격 서버(2228) 모두에서 더 큰 데이터 표현을 저장해야 함으로써 증가된 저장 요구 사항, 그리고 패치(2226)와 원격 서버(2228) 사이의 증가된 데이터 네트워크 전송의 대가가 필요하다.

보다 공격적인 양자화는 양자화된 데이터에 오류를 유발할 수 있으며, 이는 본 명세서에 언급된 바와 같이 양자화를 사용하는 알고리즘의 성능 저하를 초래할 수 있다. 양자화에 의해 도입된 오류를 고려하여 신경망은 어느 정도 작동할 수 있지만, 오류가 알고리즘의 성능을 크게 저하시키는 지점이 있을 것이다. 따라서, 양자화의 양은 분류기(2238)를 통한 분류에서 신경망의 정확성과 하드웨어 효율성의 저하를 기반으로 최적화될 수 있다.

일부 실시예들에서, 신경망은 보다 공격적인 양자화 체계를 허용하도록 훈련된다. 예를 들어, 신경망은 무손실 압축 성능을 최대화하도록 훈련될 수 있다. 신경망은 양자화와 관련된 저하를 줄이기 위해 훈련 중에 양자화를 도입하여 훈련될 수 있다. 일부 실시예들에서, 신경망은 양자화 없이 초기에 훈련된다. 그런 다음, 훈련된 신경망은 양자화를 통해 다시 훈련된다. 유리하게는, 신경망의 훈련은 양자화를 고려한다. 이는 신경망이 패치(2226)에서 실행되는 제1 레이어 세트와 원격 서버(2228)에서 실행되는 제2 레이어 세트로 분할되는 경우에 특히 관련이 있다. 유리하게는, 이러한 훈련의 결과는 양자화의 낮은 진폭 신호를 더 잘 나타낼 수 있는 신경망 및/또는 양자화를 포함할 수 있다. 오히려 신경망은, 신호의 특징들을 식별하기 위해, 예를 들어 원격 서버(2228)의 분류기(2236)에 의해, 낮은 진폭 신호들이 고려되는 것을 보장하기 위해, 그것의 출력의 값들을 조정할 수 있다(예를 들어, 낮은 진폭 신호들의 진폭을 증가시킬 수 있다). 예를 들어, 신경망은 신호들이 임계값에 도달하도록 낮은 진폭 신호들을 과장할 수 있다. 따라서, 양자화에 의해 낮은 진폭 신호가 처리되더라도, 원격 서버(2228)는 여전히 낮은 진폭 신호들을 등록할 수 있다. 신경망의 이러한 훈련이 없는 다른 시스템들은 양자화를 통해 낮은 진폭 신호들을 간단히 클리핑할 수 있으며, 분류기(2238)는 이러한 신호들의 특징들을 식별할 수 없을 수 있다.

일부 실시예들에서, 무손실 압축 및 양자화가 모두 최적화되어 적용될 수 있다. 일부 실시예들에서, 신경망 및 양자화 대신 최적의 무손실 압축은 서로 다른 무손실 압축 알고리즘의 성능 또는 그 특성을 모델링하여 결정될 수 있다. 예를 들어, 신경망의 특징들의 출력은 표준 편차가 1인, 0을 중심으로 하는 분포를 갖도록 설정될 수 있다. 그런 다음, 시스템은 다양한 양자화 방식에서 특정 무손실 압축 알고리즘이 얼마나 잘 수행되는지 모델링할 수 있다. 예를 들어, 신경망의 제1 레이어 서브세트의 출력이 초당 128비트라면, 양자화기는 초당 100비트를 출력하도록 데이터를 양자화할 수 있다. 최적화는 적어도 사용 가능한 네트워크 및/또는 네트워크 제약 조건(예를 들어, 정해진 초당 비트 수 또는 데이터에 대한 비트 크기)에 의해 제어될 수 있다. 그런 다음, (예를 들어, 본 명세서에 설명된 바와 같은) 무손실 압축 모델들을 적용하여, 원격 서버에서 신경망의 식별된 특징들에 대한 최적의 성능을 찾을 수 있다.

일부 실시예들에서, 최적화는 적어도 인코더의 아키텍처에 의해 제어될 수 있다. 예를 들어, 제1 인코더 설계는 8비트를 출력할 수 있고, 제2 인코더 설계는 4비트를 출력할 수 있지만 제1 인코더 설계보다 두 배의 샘플 레이트로 출력할 수 있다. 이 예에서, 네트워크 제약 조건들은 제1 인코더와 제2 인코더에 대해 동일할 수 있다. 제1 인코더 설계는 더 적은 출력 특징들로 덜 적극적인 양자화를 갖는다. 그러나, 어떤 상황에서는, 더 높은 양자화에도 불구하고, 제2 인코더 설계는 더 높은 특징 생성 속도 때문에 더 나은 성능을 보일 수 있다.

일부 실시예들에서, 훈련에 양자화를 구현하는 것은 텐서플로 구현을 적용할 수 있다. 훈련 중에, 텐서플로는 포워드 패스에 양자화를 도입할 수 있지만, 그라디언트는 양자화 없이 계산될 것이다. 이것이 수행되어, 양자화 오류들은 네트워크를 통해 전파되지만, 그라디언트는 여전히 스무스하고 가중치 업데이트가 오류에 적절하게 응답할 수 있게 될 것이다.

도 27은 무손실 압축기(2502) 및 무손실 해독기(decompressor)(2504)를 통한 무손실 압축 및 양자화기(2602)를 갖는 실시예를 도시한다. 이 실시예에서, ECG 인코더(2230)의 출력은, 인코더가 신경망의 제1 레이어 서브세트(2222)를 통해 데이터를 전달한 후, 양자화기(2602)에 입력된다. 양자화기(2602)는 인코딩된 출력 데이터를 양자화한다. 그러면, 무손실 압축기(2502)는 양자화된 데이터를 압축하여 원격 서버(2228)로 전송할 수 있다(2234). 그 후, 원격 서버(228)는 무손실 압축기(2504)를 통해 상기 전송된 데이터(2234)를 압축 해제할 수 있고, 분류기(2238)는 신경망의 제2 레이어 서브세트(2224)를 통해 압축 해제된 데이터를 처리할 수 있다.

QT 간격 알고리즘의 분석

본 개시서의 일부 실시예들에서, 시스템은 QT 간격들을 정량화할 수 있으며, 이는 개별 심장박동에 나타나는 Q 및 T 형태학적 특징들 사이의 시간을 정량화하는 것이 포함할 수 있다. 이러한 특징들 사이의 긴 시간은 심장 상태를 나타낼 수 있다.

기존 시스템에서, QT 간격을 정량화하는 것은 일반적으로 먼저 서로 상이한 형태학적 특징들을 식별하고 특징들의 특정 지점 간의 차이를 단순히 측정함으로써 달성된다. 그러나, 전체 미가공 ECG 데이터에 액세스할 수 없는 시스템들은 QT 간격을 정량화하는 기존 방법들을 적용하지 못할 수 있다.

본 명세서에는 전체 미가공 ECG 신호들에 액세스하지 않고도 QT 간격들을 정량화할 수 있는 몇 가지 실시예들이 설명된다. 일부 실시예들에서, 원격 서버는 인코더로부터 인코딩된 특징들을 수신할 수 있고, 그리고 인코딩된 특징들로부터 ECG 신호를 재구성할 수 있다. 그런 다음, 원격 서버는 신호 처리 및 알고리즘 기술을 사용하여 형태학적 특징들을 찾을 수 있다.

일부 실시예들에서, 원격 서버는 QT 간격을 포함하는 인코딩된 특징들의 세그먼트로부터 QT 간격을 직접 예측하도록 머신 러닝 알고리즘을 훈련시킬 수 있다.

일부 실시예들에서, 원격 서버는 하나 이상의 QT 간격을 포함하는 인코딩된 특징들의 윈도우로부터 평균 QT 간격을 직접 예측하는 머신 러닝 알고리즘을 훈련시킬 수 있다.

일부 실시예들에서, 시스템은 여러 비트를 나타내는 템플릿 비트를 생성할 수 있다. 템플릿 비트는 검출된 비트 위치를 둘러싸고 있는 샘플들의 고정 윈도우의 미가공 ECG를 평균화하여 생성될 수 있다. QT 간격은 본 명세서에 설명된 알고리즘 기술들 또는 머신 러닝 알고리즘들을 사용하여 템플릿 비트로부터 도출될 수 있다. 도 28a 및 도 28b는 템플릿 비트를 생성하는 프로세스를 도시한다. 예를 들어, 도 28a는 4개의 사이클에 걸친 샘플들의 윈도우를 도시한다. 각 사이클은 샘플들의 고정된 윈도우를 갖는다. 시스템은 기간 동안의 사이클 수를 결정하거나 템플릿 비트의 생성에 사용될 사이클 수를 설정할 수 있다. 도 28b는 4개의 사이클들로부터의 템플릿 비트의 생성을 도시한다. 일부 실시예들에서, 시스템은 서로에 한 샘플들을 결정한다. 예를 들어, 시스템은 각 사이클에서 대응하는 포인트들을 식별하고 각 샘플들을 함께 평균화할 수 있다. 따라서, 도 28b의 왼쪽에 도시된 4개의 사이클들을 평균화하여 오른쪽에 템플릿 비트를 생성할 수 있다.

일부 실시예들에서, 패치는 템플릿 비트를 생성할 수 있다. 다른 실시예들에서, 원격 서버는 패치로부터 수신된 데이터로부터 템플릿 비트를 생성할 수 있다. 일부 실시예들에서, 템플릿 비트는 신경망의 레이어들을 통한 데이터 처리를 통해 처리되고 식별될 수 있다. 예를 들어, 패치는 템플릿 비트를 생성하고 본원에 설명된 신경망에 템플릿 비트를 입력할 수 있다.

일반적으로, 본원 명세서에서 사용되는 "모듈"이라는 용어는 하드웨어 또는 펌웨어에 내장된 로직, 또는 예를 들면 파이썬(Python), Java, Lua, C 및/또는 C ++와 같은 프로그래밍 언어로 기록된 진입점 및 탈출점을 아마도 갖는 소프트웨어 명령어들의 집합을 언급한다. 소프트웨어 모듈은 컴파일되어 실행가능 프로그램에 링크되거나, 동적 링크 라이브러리에 설치되거나, 예를 들어 베이직(BASIC), 펄(Perl) 또는 파이썬(Python)과 같은 해석 프로그래밍 언어로 작성될 수 있다. 통상의 기술자라면 알 수 있겠지만, 소프트웨어 모듈은 다른 모듈 또는 그 자신으로부터 호출 가능할 수 있고 그리고/또는 검출된 이벤트들 또는 인터럽트들에 응답하여 호출될 수 있다. 컴퓨팅 기기들 상에서 실행되도록 구성된 소프트웨어 모듈들은 컴팩트 디스크, 디지털 비디오 디스크, 플래시 드라이브 또는 임의의 다른 유형의 매체와 같은 컴퓨터 판독 가능 매체상에 제공될 수 있다. 그러한 소프트웨어 코드는 컴퓨팅 기기에 의한 실행을 위해 컴퓨팅 시스템(13000)과 같은 실행 컴퓨팅 기기의 메모리 기기상에 부분적으로 또는 전체적으로 저장될 수 있다. 소프트웨어 명령어들은 EPROM과 같은 펌웨어에 내장될 수 있다. 하드웨어 모듈들은 게이트들 및 플립-플롭들과 같은 연결된 논리 유닛들로 구성될 수 있고 그리고/또는 프로그램 가능 게이트 어레이들 또는 프로세서들과 같은 프로그램 가능 유닛들로 구성될 수 있다는 점이 더 이해될 것이다. 본원 명세서에 기재되어 있는 블록도들이 모듈로서 구현될 수 있다. 본원 명세서에 기재되어 있는 모듈들은 소프트웨어 모듈로서 구현될 수 있지만, 하드웨어 또는 펌웨어로 표현될 수 있다. 일반적으로, 본원 명세서에 기재되어 있는 모듈들은 물리적 편성 또는 저장에도 불구하고 다른 모듈들과 조합되거나 서브-모듈로 분할될 수 있는 논리 모듈을 지칭한다.

본원 명세서의 이전 섹션들에서 설명한 프로세스들, 방법들 및 알고리즘들 각각은 컴퓨터 하드웨어를 포함하는 하나 이상의 컴퓨터 시스템들 또는 컴퓨터 프로세서들에 의해 실행되는 코드 모듈들에 내장될 수 있고, 그러한 코드 모듈들에 의해 완전하거나 부분적으로 자동화될 수 있다. 코드 모듈들은 하드 드라이브들, 솔리드 스테이트 메모리(solid state memory), 광학 디스크 및/또는 이와 유사한 것과 같은 임의의 유형의 비-일시적 컴퓨터 판독가능 매체 또는 컴퓨터 저장 기기 상에 저장될 수 있다. 상기 시스템들 및 모듈들은 또한 무선 기반 및 유선/케이블 기반의 매체들을 포함하는 다양한 컴퓨터-판독가능 전송 매체들 상에서 생성된 데이터 신호들로서(예를 들어, 반송파 또는 다른 아날로그 또는 디지털 전파 신호의 일부로서) 송신될 수 있고, (예를 들어, 단일 또는 다중화된 아날로그 신호의 일부로서, 또는 복수의 개별 디지털 패킷 또는 프레임으로서) 다양한 형태를 취할 수 있다. 프로세스들 및 알고리즘들은 애플리케이션 특정 회로에서 부분적으로 또는 전체적으로 구현될 수 있다. 개시된 프로세스들 및 프로세스 단계들의 결과들은 예를 들면 휘발성 또는 비 휘발성 저장소와 같은 임의의 유형의 비-일시적인 컴퓨터 저장소에 지속적으로 또는 다른 방식으로 저장될 수 있다.

위에서 설명한 다양한 특징들 및 프로세스들은 서로 독립적으로 사용될 수 있거나, 다양한 방식으로 결합될 수 있다. 모든 가능한 조합 및 부분조합은 본원의 개시내용의 범위 내에 속하려 한 것이다. 그 외에도, 일부 구현예들에서 특정 방법 또는 프로세스 블록이 생략될 수 있다. 본원 명세서에 기재되어 있는 방법들 및 프로세스들은 임의의 특정 시퀀스로 제한되지 않으며 그에 관련된 블록들 또는 상태들은 적절한 다른 시퀀스로 수행될 수 있다. 예를 들면, 설명된 블록들 또는 상태들은 구체적으로 개시된 것 외의 순서로 수행될 수도 있고, 다수의 블록들 또는 상태들은 단일 블록 또는 상태로 조합될 수 있다. 예시적인 블록들 또는 상태들은 직렬, 병렬 또는 다른 어떤 방식으로 수행될 수 있다. 블록들 또는 상태들은 위에서 개시한 대표적인 실시예들에 추가되거나 제거될 수 있다. 본원 명세서에 기재되어 있는 예시적인 시스템들 및 컴포넌트들은 위에 기재되어 있는 것과 다르게 구성될 수 있다. 예를 들면, 위에서 개시한 예시적인 실시예들과 비교하여 요소들이 추가, 제거 또는 재배치될 수 있다.

달리 명시하지 않는 한, 또는 사용된 문맥 내에서 달리 이해되지 않는 한, 조건 언어 "가능하다", "가능할 수 있게 된다", "할 수 있게 된다" 또는 "할 수 있다"는 일반적으로 특정 다른 실시 예들이 소정의 특징들, 요소들 및/또는 단계들을 포함하지만 다른 실시 예들이 소정의 특징들, 요소들 및/또는 단계들을 포함하지 않음을 전달하려고 한 것이다. 따라서, 그러한 조건 언어는 일반적으로 하나 이상의 실시예들에 대해 특징들, 요소들, 및/또는 단계들이 어떤 식으로든 요구됨을 의미하려고 한 것이 아니거나 하나 이상의 실시예가 반드시 사용자 입력 또는 프롬프트를 사용할지에 관계없이 이러한 특징들, 요소들 및/또는 단계들이 임의의 특정 실시예에 포함되거나 수행되어야 할지를 결정하기 위한 로직을 반드시 포함함을 의미하려고 한 것이 아니다. 용어 "포함하는"은 "포함하지만 이에 국한되는 것은 아님"을 의미한다.용어 "또는"은 "및/또는"을 의미한다.

본원 명세서에 기재되어 있고 그리고/또는 첨부 도면에 도시되어 있는 흐름 또는 블록도 내의 임의의 프로세스 설명들, 요소들, 또는 블록들은 프로세스에서의 특정 논리 기능들 또는 단계들을 구현하기 위한 하나 이상의 실행 가능한 명령어를 포함하는 잠재적으로 모듈들, 세그먼트들, 또는 코드 부분들을 나타내는 것으로 이해되어야 한다. 통상의 기술자라면 이해하겠지만, 대체 구현예들은, 관련된 기능에 따라, 요소들 또는 기능들이 삭제되거나 실질적으로 동시에 또는 역순을 포함하여 도시되거나 검토된 것으로부터 순서대로 실행되는 본원 명세서에 기재되어 있는 실시예들의 범위 내에 포함된다.

위에서 설명한 방법들 및 프로세스들 모두는 하나 이상의 컴퓨터들에 의해 실행되는 소프트웨어 코드 모듈들에서 적어도 부분적으로 구체화될 수 있고, 부분적으로 또는 완전히 자동화될 수 있다. 예를 들면, 본원 명세서에 기재되어 있는 방법들은 컴퓨팅 시스템 및/또는 임의의 다른 적절한 컴퓨팅 기기에 의해 수행될 수 있다. 상기 방법들은 유형의(tangible) 컴퓨터 판독 가능 매체로부터 판독된 소프트웨어 명령 또는 다른 실행 가능 코드의 실행에 응답하여 컴퓨팅 기기상에서 실행될 수 있다. 유형의 컴퓨터 판독 가능 매체는 컴퓨터 시스템에 의해 판독 가능한 데이터를 저장할 수 있는 데이터 저장 기기이다. 컴퓨터 판독 가능 매체들의 예들에는 판독 전용 메모리, 랜덤 액세스 메모리, 다른 휘발성 또는 비-휘발성 메모리 기기들, CD-ROM들, 자기 테이프, 플래시 드라이브들, 및 광학 데이터 저장 기기들이 포함된다.

위에서 설명한 실시예들에 대해 많은 변형 및 수정이 이루어질 수 있으며, 그것의 요소들이 다른 허용 가능 예들 중 하나로 이해되어야 한다는 점이 강조되어야 한다. 이러한 모든 변경들 및 변형들은 본원 명세서의 개시내용의 범위 내에 포함되려고 의도한 것이다. 위에서 설명한 내용은 특정 실시예들을 상세하게 나타낸 것이다. 그러나 통상의 기술자라면 위에서 설명한 내용을 본원 명세서에 얼마나 구체적으로 나타나 있든 간에, 상기 시스템들 및 방법들은 많은 방법으로 실시될 수 있음을 이해할 수 있을 것이다. 예를 들어, 일 실시예의 특징은 다른 실시예에서의 특징과 함께 사용될 수 있다. 위에서 또한 언급한 바와 같이, 여기서 유념해야 할 점은 상기 시스템들 및 방법들의 특정한 특징들 또는 실시형태들을 설명할 때 특정 용어를 사용하는 것은 용어가 연관되어 있는 시스템들 및 방법들의 특징들 또는 실시형태들의 임의의 특정한 특성들을 포함하는 것으로 본원 명세서에서 재-정의됨을 의미하는 것으로 취해져서는 아니 된다.

생리학적 모니터링 기기, 방법들 및 시스템들의 다양한 실시예들이 본원에 설명되었다. 이런 다양한 실시예들은 단독으로 또는 조합하여 사용될 수 있을 것이며, 그리고 상기 실시예들의 개별적인 특징들에 대한 다양한 변경들이 본 발명의 범위를 벗어나지 않으면서 변경될 수 있다. 예를 들면, 다양한 방법 단계들의 순서는 몇몇의 예들에서는 변경될 수 있으며, 그리고/또는 하나 이상의 옵션의 특징들이 설명된 기기에 추가되거나 또는 제거될 수 있을 것이다. 그러므로, 위에서 제공된 실시예들에 대한 설명은 청구항들에서 제시된 본 발명의 범위를 과도하게 제한하는 것으로 해석되어서는 안 된다.

이 개시서에서 설명된 구현들에 대한 다양한 수정들이 만들어질 수 있으며, 그리고 여기에서 정의된 일반적인 원칙들은 이 개시서의 범위나 사상으로부터 벗어나지 않으면서 다른 구현들에 적용될 수 있다. 따라서, 본 개시서의 범위는 여기에서 보여진 구현들로 제한되는 것으로 의도된 것이 아니며, 이 개시서, 본원에서 개시된 원칙들 및 신규한 특징들과 일치하는 가장 넓은 범위와 일치해야 한다.

개별 실시예들의 맥락에서 본원에서 설명된 특정 특징들은 또한 단일의 실시예에서의 조합에서 또한 구현될 수 있다. 역으로, 단일의 실시예의 맥락에서 설명된 다양한 특징들은 여러 실시예들에서 분리하여 또는 임의의 적합한 서브조합으로 구현될 수 있다. 더욱이, 비록 특징들이 위에서 특정 조합들로 설명되고 심지어는 초기에 그와 같이 청구되었지만, 청구된 조합으로부터의 하나 이상의 특징들은 몇몇의 경우들에서는 그 조합으로부터 삭제될 수 있으며, 그리고 그 청구된 조합은 서브조합 또는 서브조합의 변형에 관련된 것일 수 있다.

유사하게, 동작들이 도면들에서 특별한 순서로 도시되지만, 원하는 결과들을 달성하기 위해서 그런 동작들은 도시된 특별한 순서로 또는 연속적인 순서로 수행될 필요는 없으며, 또는 모든 예시된 동작들이 수행될 필요는 없다. 또한, 상기 도면들은 하나 이상의 예시적인 프로세스들을 흐름도의 형태로 개략적으로 도시한 것일 수 있다. 그러나, 도시되지 않은 다른 동작들이 개략적으로 도시된 예시적 프로세스들에 통합될 수 있다. 예를 들면, 하나 이상의 추가적인 동작들이 상기 예시된 동작들 중 임의의 것의 이전에, 이후에, 동시에, 또는 사이에 수행될 수 있다. 더욱이, 위에서 설명된 실시예들에서의 다양한 시스템 컴포넌트들을 분리하는 것은 모든 실시예들에서 그런 분리가 필요하다는 것으로 해석되지 않아야 한다. 추가로, 이어지는 청구항들의 범위 내에서 다른 실시예들이 존재한다. 몇몇의 경우들에서는, 청구항들에서 인용된 동작들은 상이한 순서로 수행될 수 있으며, 그리고 원하는 결과들을 여전히 달성한다.

Claims (71)

1. 사용자의 특성의 가능성을 추론하기 위한 모니터로서,
   상기 모니터는 :
   모니터가 사용자에 붙여져 있는 동안 사용자의 연속적인 생리학적 신호들을 감지하도록 배치된 센서; 및
   감지된 생리학적 신호들을 인코더를 통해 처리하여 데이터 출력을 생성하도록 구성된 하드웨어 프로세서로서, 상기 인코더는 신경망의 제1 레이어 서브세트를 포함하는, 하드웨어 프로세서를 포함하며,
   외부 컴퓨팅 시스템은 디코더를 통해 상기 데이터 출력을 처리함으로써 부정맥의 발생 가능성을 추론하도록 구성되며, 상기 디코더는 상기 신경망의 제2 레이어 서브세트를 포함하는, 모니터.
2. 청구항 1에 있어서,
   상기 모니터는 상기 인코더의 데이터 출력을 상기 외부 컴퓨팅 시스템으로 전송하도록 구성된 송신기를 포함하는, 모니터.
3. 청구항 2에 있어서,
   상기 송신기는 무선 통신 채널을 통해 상기 외부 컴퓨팅 시스템에 상기 데이터 출력을 전송하는, 모니터.
4. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
   상기 모니터는 웨어러블 패치인, 모니터.
5. 청구항 4에 있어서,
   상기 모니터는 사용자의 가슴에 부착되는 패치인, 모니터.
6. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
   상기 모니터는 삽입형 기기인, 모니터.
7. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
   상기 모니터는 모션 데이터를 수집하도록 구성된 가속도계를 검출하도록 구성된 또 다른 센서를 포함하고,
   상기 외부 컴퓨팅 시스템은 상기 검출된 신호들과 모션 데이터를 매칭시켜 상기 발생 가능성을 추론하도록 구성되는, 모니터.
8. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
   상기 센서는 하나 이상의 전극을 포함하고,
   상기 생리학적 신호들은 심전도(ECG) 데이터를 포함하는, 모니터.
9. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
   상기 센서는 광학 센서를 포함하고,
   상기 생리학적 신호들은 광혈류측정(phoplethysmography; PPG) 데이터를 포함하는, 모니터.
10. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
    상기 신경망의 제1 레이어 서브세트와 상기 신경망의 제2 레이어 서브세트는 함께 훈련되는, 모니터.
11. 사용자의 특성의 가능성을 추론하기 위한 모니터로서,
    상기 모니터는 :
    모니터가 사용자에 붙여져 있는 동안 사용자의 연속적인 생리학적 신호들을 감지하도록 배치된 센서; 및
    상기 감지된 생리학적 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하여 데이터 출력을 생성하도록 구성된 하드웨어 프로세서를 포함하며,
    외부 컴퓨팅 시스템은 상기 신경망의 제2 레이어 서브세트를 통해 상기 데이터 출력을 처리함으로써 부정맥의 발생 가능성을 추론하도록 구성되는, 모니터.
12. 청구항 11에 있어서,
    상기 모니터는 방수 또는 내수성 하우징을 포함하는, 모니터.
13. 청구항 11 또는 청구항 12에 있어서,
    상기 모니터는 상기 사용자에게 붙여지도록 구성된 하우징 상의 표면을 포함하는, 모니터.
14. 청구항 11 또는 청구항 12에 있어서,
    상기 센서는 하우징 내에 영구 배치되는, 모니터.
15. 사용자의 특성의 가능성을 추론하기 위한 모니터로서,
    상기 모니터는 :
    모니터가 사용자에 붙여져 있는 동안 사용자의 생리학적 신호들을 감지하도록 배치된 센서; 및
    상기 감지된 생리학적 신호들을 신경망의 제1 레이어 서브세트를 통해 처리하여 데이터 출력을 생성하도록 구성된 하드웨어 프로세서를 포함하며,
    외부 컴퓨팅 시스템은 상기 신경망의 제2 레이어 서브세트를 통해 상기 데이터 출력을 처리함으로써 부정맥의 발생 가능성을 추론하도록 구성되는, 모니터.
16. 청구항 15에 있어서,
    상기 신경망의 제1 레이어 서브세트의 데이터 출력의 차원은 상기 센서로부터의 상기 감지된 생리학적 신호들의 데이터보다 작은, 모니터.
17. 청구항 15 또는 청구항 16에 있어서,
    상기 신경망의 제1 레이어 서브세트의 데이터 출력은 암호화되며,
    상기 외부 컴퓨팅 시스템은 상기 신경망의 제2 레이어 서브세트를 통해 출력되는 상기 암호화된 데이터를 처리하는, 모니터.
18. 청구항 15 또는 청구항 16에 있어서,
    상기 외부 컴퓨팅 시스템으로부터 상기 신경망의 업데이트된 제1 레이어 서브세트를 수신하도록 구성된 수신기를 더 포함하고, 상기 신경망의 제1 레이어 서브세트를 상기 신경망의 업데이트된 제1 레이어 서브세트로 업데이트하며,
    상기 하드웨어 프로세서는 상기 신경망의 상기 업데이트된 제1 레이어 서브세트를 통해 신호들을 처리하도록 더 구성되는, 모니터.
19. 청구항 15 또는 청구항 16에 있어서,
    상기 모니터는 심장 모니터를 포함하고,
    상기 연속적인 생리학적 신호들은 심장 신호들인, 모니터.
20. 청구항 15 또는 청구항 16에 있어서,
    상기 부정맥의 발생 가능성을 추론하는 것은 상기 제2 레이어 서브세트를 통해 상기 제1 레이어 서브세트의 데이터 출력을 처리하는 것을 포함하며,
    상기 제1 레이어 서브세트는 연속적으로 검출되고 저장된 생리학적 신호들을 적어도 24시간 동안 처리하는, 모니터.
21. 청구항 15 또는 청구항 16에 있어서,
    상기 모니터는 눌러지며 그리고 인지된 심장 이벤트의 순간의 기록을 개시하도록 구성된 환자 트리거를 더 포함하는, 모니터.
22. 청구항 15 또는 청구항 16에 있어서,
    상기 하드웨어 프로세서는 상기 모니터의 특성에 기초하여 복수의 신경망들 중에서 상기 신경망을 선택하도록 구성되는, 모니터.
23. 청구항 22에 있어서,
    상기 모니터의 특성은 배터리 잔량, 모니터와 외부 컴퓨팅 시스템 사이의 네트워크 특성, 또는 마모 기간 중 하나 이상을 포함하는, 모니터.
24. 청구항 22에 있어서,
    상기 특성은 사용자의 특성 또는 심장 부정맥의 심각도 중 하나 이상을 포함하는, 모니터.
25. 청구항 15 또는 청구항 16에 있어서,
    상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 데이터 출력을 압축하도록 더 구성되고,
    상기 외부 컴퓨팅 시스템은 상기 압축된 데이터를 압축 해제하도록 구성되며, 그리고
    상기 제2 레이어 서브세트를 통해 데이터 출력을 처리하는 것은 상기 압축된 데이터를 처리하는 것을 포함하는, 모니터.
26. 청구항 15 또는 청구항 16에 있어서,
    상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 데이터 출력을 양자화하도록 더 구성되는, 모니터.
27. 청구항 26에 있어서,
    상기 양자화는 상기 신경망의 제1 레이어 서브세트의 데이터 출력에 대한 비트수를 감소시키는 것, 잘라내기(truncating), 또는 반올림하기를 포함하는, 모니터.
28. 청구항 26에 있어서,
    상기 하드웨어 프로세서는 상기 모니터의 특성 또는 무손실 압축 성능 중 하나 이상에 기초하여 양자화의 양을 결정하도록 더 구성되는, 모니터
29. 청구항 26에 있어서,
    상기 하드웨어 프로세서는 처리 전력, 저장 용량, 남은 저장 용량의 양 또는 네트워크 특성 중 적어도 하나에 기초하여 양자화의 양을 결정하도록 더 구성되는, 모니터.
30. 청구항 26에 있어서,
    상기 하드웨어 프로세서는 상기 신경망의 정확도에 기초하여 양자화의 양을 결정하도록 더 구성되는, 모니터.
31. 환자의 신호 데이터를 모니터링하기 위한 웨어러블 모니터 기기를 포함하는 시스템으로서,
    상기 웨어러블 모니터 기기는 :
    환자에게 붙여지도록 구성된 표면을 포함하는 하우징;
    상기 표면이 상기 환자에게 붙여지는 동안 환자의 연속적인 생리학적 신호들을 감지하도록 배치된 센서;
    하드웨어 프로세서로서, 상기 하드웨어 프로세서는 :
    신경망의 제1 레이어 서브세트에 액세스하도록 구성되는데, 상기 신경망은 제1 레이어 서브세트 및 제2 레이어 서브세트를 포함하고;
    상기 감지된 연속적인 생리학적 신호들을 인코더를 통해 처리하도록 구성되는데, 상기 인코더는 제1 레이어 서브세트를 포함하며; 그리고
    상기 인코더의 출력을 양자화하도록 구성되는, 하드웨어 프로세서; 및
    상기 인코더의 양자화된 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기를 포함하는, 시스템.
32. 청구항 31에 있어서,
    상기 컴퓨팅 시스템은 디코더를 통해 상기 양자화된 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 구성되며, 상기 디코더는 제2 레이어 서브세트를 포함하는, 시스템.
33. 청구항 32에 있어서,
    상기 웨어러블 모니터 기기는 모션 데이터를 수집하도록 구성된 가속도계를 감지하도록 구성된 다른 센서를 포함하며,
    상기 컴퓨팅 시스템은 상기 감지된 연속적인 생리학적 신호들과 상기 모션 데이터를 매칭시켜 상기 심장 부정맥의 발생 가능성을 추론하도록 구성되는, 시스템.
34. 청구항 31 내지 청구항 33 중 어느 한 항에 있어서,
    상기 웨어러블 모니터 기기는 상기 환자가 탈부착할 수 있는 웨어러블 패치인, 시스템.
35. 청구항 31 내지 청구항 33 중 어느 한 항에 있어서,
    상기 웨어러블 모니터 기기는 상기 환자의 가슴에 부착되는, 시스템.
36. 청구항 31 내지 청구항 33 중 어느 한 항에 있어서,
    상기 웨어러블 모니터 기기는 상기 웨어러블 모니터 기기를 상기 환자 내에 삽입함으로써 상기 환자가 착용할 수 있는 이식형 기기인, 시스템.
37. 청구항 31 내지 청구항 33 중 어느 한 항에 있어서,
    상기 센서는 하나 이상의 전극을 포함하고,
    상기 연속적 생리학적 신호들은 심전도(ECG) 데이터를 포함하는, 시스템.
38. 청구항 31 내지 청구항 33 중 어느 한 항에 있어서,
    상기 센서는 광학 센서를 포함하고,
    상기 연속적 생리학적 신호들은 광혈류측정(phoplethysmography; PPG) 데이터를 포함하는, 시스템.
39. 청구항 31 내지 청구항 33 중 어느 한 항에 있어서,
    상기 신경망의 제1 레이어 서브세트와 상기 신경망의 제2 레이어 서브세트가 함께 훈련되는, 시스템.
40. 사용자의 신호 데이터를 모니터링하기 위한 웨어러블 모니터 기기를 포함하는 시스템으로서,
    상기 웨어러블 모니터 기기는 :
    센서가 사용자에게 붙여져 있는 동안 사용자의 연속적인 생리학적 신호들을 감지하도록 배치된 센서;
    하드웨어 프로세서로서, 상기 하드웨어 프로세서는 :
    신경망의 제1 레이어 서브세트에 액세스하도록 구성되는데, 상기 신경망은 제1 레이어 서브세트 및 제2 레이어 서브세트를 포함하고;
    상기 감지된 연속적인 생리학적 신호들을 인코더를 통해 처리하도록 구성되는데, 상기 인코더는 제1 레이어 서브세트를 포함하며; 그리고
    상기 인코더의 출력을 양자화하도록 구성되는, 하드웨어 프로세서; 및
    상기 인코더의 양자화된 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기를 포함하는, 시스템.
41. 청구항 40에 있어서,
    상기 웨어러블 모니터 기기는 방수 또는 내수성 하우징을 포함하는, 시스템.
42. 청구항 40 또는 청구항 41에 있어서,
    상기 웨어러블 모니터 기기는 상기 사용자에게 붙여지도록 구성된 하우징 상의 표면을 포함하는, 시스템.
43. 청구항 40 또는 청구항 41에 있어서,
    상기 센서는 하우징 내에 영구 배치되는, 시스템.
44. 청구항 40 또는 청구항 41에 있어서,
    상기 웨어러블 모니터 기기는 웨어러블 심장 모니터 기기를 포함하며,
    상기 연속적인 생리학적 신호들은 심장 리듬 신호 데이터를 포함하는, 시스템.
45. 청구항 40 또는 청구항 41에 있어서,
    상기 하드웨어 프로세서는, 상기 감지된 연속적인 생리학적 신호들을 처리하기 위한 신경망을 복수의 신경망 중에서 선택하도록 더 구성되는, 시스템.
46. 사용자의 신호 데이터를 모니터링하기 위한 웨어러블 모니터 기기를 포함하는 시스템으로서,
    상기 웨어러블 모니터 기기는 :
    센서가 사용자에게 붙여져 있는 동안 사용자의 연속적인 생리학적 신호들을 감지하도록 배치된 센서;
    하드웨어 프로세서로서, 상기 하드웨어 프로세서는 :
    신경망의 제1 레이어 서브세트에 액세스하도록 구성되는데, 상기 신경망은 제1 레이어 서브세트 및 제2 레이어 서브세트를 포함하고;
    상기 감지된 연속적인 생리학적 신호들을 제1 레이어 서브세트를 통해 처리하도록 구성되고; 그리고
    상기 신경망의 제1 레이어 서브세트의 출력을 양자화하도록 구성되는, 하드웨어; 및
    상기 제1 레이어 서브세트의 양자화된 출력을 컴퓨팅 시스템에 전송하도록 구성된 송신기를 포함하는, 시스템.
47. 청구항 46에 있어서,
    상기 신경망의 제1 레이어 서브세트의 출력의 차원은 상기 센서로부터의 상기 감지된 연속적인 생리학적 신호들의 데이터보다 작은, 시스템.
48. 청구항 46 또는 청구항 47에 있어서,
    상기 신경망의 제1 레이어 서브세트의 출력은 암호화되며,
    상기 양자화된 출력을 전송하는 것은 상기 암호화된 출력을 전송하는 것을 포함하는, 시스템.
49. 청구항 46 또는 청구항 47에 있어서,
    상기 신경망의 업데이트된 제1 레이어 서브세트를 수신하도록 구성된 수신기를 더 포함하고,
    상기 신경망의 제1 레이어 서브세트를 상기 신경망의 업데이트된 제1 레이어 서브세트로 업데이트하며,
    상기 하드웨어 프로세서는 상기 신경망의 상기 업데이트된 제1 레이어 서브세트를 통해 신호들을 처리하도록 더 구성되는, 시스템.
50. 청구항 46 또는 청구항 47에 있어서,
    상기 웨어러블 모니터 기기는 웨어러블 심장 모니터 기기를 포함하며, 그리고
    상기 연속적인 생리학적 신호들은 심장 신호들을 포함하는, 시스템.
51. 청구항 46 또는 청구항 47에 있어서,
    상기 하드웨어 프로세서는 상기 제2 레이어 서브세트를 통해 상기 제1 레이어 서브세트의 출력을 처리함으로써 심장 부정맥의 발생 가능성을 추론하도록 더 구성되며,
    상기 제1 레이어 서브세트는 연속적으로 검출되고 저장된 생리학적 신호들을 적어도 24시간 동안 처리하는, 시스템.
52. 청구항 46 또는 청구항 47에 있어서,
    상기 웨어러블 모니터 기기는 눌러지며 그리고 인지된 심장 이벤트의 순간의 기록을 개시하도록 구성된 사용자 트리거를 더 포함하는, 시스템
53. 청구항 46 또는 청구항 47에 있어서,
    상기 하드웨어 프로세서는 상기 시스템의 특성에 기초하여 복수의 신경망들 중에서 상기 신경망을 선택하도록 구성되는, 시스템.
54. 청구항 53에 있어서,
    상기 시스템의 특성은 배터리 잔량, 시스템과 외부 컴퓨팅 시스템 사이의 네트워크 특성, 또는 마모 기간 중 하나 이상을 포함하는, 시스템.
55. 청구항 53에 있어서,
    상기 특성은 사용자의 특성 또는 심장 부정맥의 심각도 중 하나 이상을 포함하는, 시스템.
56. 청구항 46 또는 청구항 47에 있어서,
    상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 출력을 압축하도록 더 구성되고,
    상기 양자화된 출력을 전송하는 것은 상기 압축된 출력을 전송하는 것을 포함하는, 시스템.
57. 청구항 46 또는 청구항 47에 있어서,
    상기 하드웨어 프로세서는 상기 신경망의 제1 레이어 서브세트의 출력을 양자화하도록 더 구성되는, 시스템.
58. 청구항 57에 있어서,
    상기 양자화는 상기 신경망의 제1 레이어 서브세트의 출력에 대한 비트수를 감소시키는 것, 잘라내기(truncating), 또는 반올림하기를 포함하는, 시스템.
59. 청구항 57에 있어서,
    상기 하드웨어 프로세서는 상기 시스템의 특성 또는 무손실 압축 성능 중 하나 이상에 기초하여 양자화의 양을 결정하도록 더 구성되는, 시스템.
60. 청구항 57에 있어서,
    상기 하드웨어 프로세서는 처리 전력, 저장 용량, 남은 저장 용량의 양, 네트워크 특성, 또는 신경망의 정확도 중 적어도 하나에 기초하여 양자화의 양을 결정하도록 더 구성되는, 시스템.
61. 삭제
62. 삭제
63. 삭제
64. 삭제
65. 삭제
66. 삭제
67. 삭제
68. 삭제
69. 삭제
70. 삭제
71. 삭제

Images