KR20220123376A - 심혈관 파라미터를 결정하기 위한 방법 및 시스템 - Google Patents

심혈관 파라미터를 결정하기 위한 방법 및 시스템 Download PDF

Info

Publication number
KR20220123376A
KR20220123376A KR1020227014221A KR20227014221A KR20220123376A KR 20220123376 A KR20220123376 A KR 20220123376A KR 1020227014221 A KR1020227014221 A KR 1020227014221A KR 20227014221 A KR20227014221 A KR 20227014221A KR 20220123376 A KR20220123376 A KR 20220123376A
Authority
KR
South Korea
Prior art keywords
dataset
cardiovascular
manifold
patient
criteria
Prior art date
Application number
KR1020227014221A
Other languages
English (en)
Inventor
투힌 신하
앨런 레기트
Original Assignee
리바 헬스, 인코포레이티드
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 리바 헬스, 인코포레이티드 filed Critical 리바 헬스, 인코포레이티드
Publication of KR20220123376A publication Critical patent/KR20220123376A/ko

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
    • A61B5/02—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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
    • A61B5/0225—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers the pressure being controlled by electric signals, e.g. derived from Korotkoff sounds
    • A61B5/02255—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers the pressure being controlled by electric signals, e.g. derived from Korotkoff sounds the pressure being controlled by plethysmographic signals, e.g. derived from optical sensors
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/725—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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Ophthalmology & Optometry (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Electrotherapy Devices (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

심혈관 파라미터를 결정하기 위한 시스템 및 방법은 다음을 포함할 수 있다: 용적맥파(plethysmogram; PG) 데이터세트를 수신하는 단계, PG 데이터세트로부터 잡음을 제거하는 단계, PG 데이터세트를 세그먼트화하는 단계, PG 데이터세트로부터 한 세트의 기준을 추출하는 단계, 및 한 세트의 기준을 변환하여 심혈관 파라미터를 결정하는 단계.

Description

심혈관 파라미터를 결정하기 위한 방법 및 시스템
관련 출원에 대한 교차 참조
본 출원은 2019년 10월 01일자로 출원된 미국 가출원 번호 제62/908,758호의 이익을 주장하며 이는 이러한 참조에 의해 전체적으로 통합된다.
본 발명은 일반적으로 심혈관 파라미터 분야에 관한 것으로서, 보다 구체적으로는 심혈관 파라미터 분야에서 새롭고 유용한 시스템 및 방법에 관한 것이다.
인간의 심혈관계는 심장 및 혈관을 포함하고 항상성(homeostasis)을 유지하고 질병과 싸우기 위해 신체 도처에 걸쳐 영양소, 호르몬, 및 혈구의 분배에 중심이 된다.
심혈관계의 측정 및 모니터링은 인류 역사에서 중요하였다. 심혈관계의 많은 바이오마커는 예후 및 진단 목적을 위해 식별되었다. 많은 이러한 측정은 보통 심박수 및 혈압을 포함하고 있다. 심박수 변동성, 맥파 속도 및 동맥 경직도와 유사한 다른 것은 의료 전문가 및 소비자 모두에 대해 그들의 유용성에 있어서 진화하고 있다.
많은 경우에서, 이러한 바이오마커의 직접 측정은 어렵거나 금지적(예를 들어, 침습적)이다. 동맥 간 압력, 또는 혈압은 직접 측정이 주요 동맥 중 하나로 삽입되는 압력 트랜스듀서의 사용을 요구하는 예이다. 동맥 삽관술과 연관되는 위험으로 인해, 혈압의 비-침습적 평가는 팽창가능한 커프(cuff)를 사용하여 평가된다. 이러한 기구는 보통 동맥성 혈류를 일시적으로 차단하기 위해 상완(upper arm) 주위를 둘러싸는 에어 블레더를 팽창시키고, 그들은 모든 흐름을 방해하기 위해 요구되는 최대 힘, 및 흐름이 복귀되는 힘을 기록한다(코로트코프(Korotkoff) 방법). 이러한 방법의 단점은 그것이 실시간 박동 변화(beat-to-beat) 혈압을 생성할 수 없다는 것이다.
따라서, 심혈관 검출 분야에서 새롭고 유용한 방법을 생성하기 위한 필요성이 존재한다. 본 발명은 그러한 새롭고 유용한 방법을 제공한다.
도 1은 시스템의 일 예의 개략도이다.
도 2는 본 방법의 실시예의 적용 흐름이다.
도 3은 본 방법의 실시예의 적용 흐름이다.
도 4는 데이터세트를 처리하는 일 예의 개략도이다.
도 5는 심혈관 매니폴드의 일 예의 개략도이다.
도 6a는 환자 대조군에 대한 심혈과 매니폴드를 결정하고 범용(universal) 심혈관 매니폴드를 생성하는 일 예의 개략도이다.
도 6b는 개인의 심혈관 매니폴드로부터 도 6a의 범용 심혈관 매니폴드로의 변환 및 범용 심혈관 매니폴드 상의 위치('x')로부터 심혈관 상태로의 매핑에 기초하여 개인의 심혈관 상태를 결정하는 일 예의 개략도이다.
도 7a는 대조군의 각각의 멤버에 대한 한 세트의 기준(fiducial)을 측정하고, 대조군의 하나 이상의 심혈관 파라미터(예를 들어, CV1, CV2, ..., CVN, 예컨대 혈압, 동맥 경직도 등)를 동시에 측정하고, 기준을 심혈관 파라미터(들)에 관련시키는 변환(T)을 결정함으로써 변환을 결정하는 일 예의 개략도이다.
도 7b는 도 7a의 변환 및 개인의 기준에 기초하여 개인의 심혈관 상태를 결정하는 일 예의 개략도이다.
도 8은 처리된 데이터세트, 처리된 데이터세트의 1차 도함수, 처리된 데이터세트의 2차 도함수, 및 처리된 데이터세트의 3차 도함수와 연관되는 가능한 기준(예를 들어, 원형 포인트 중 임의 또는 전부)의 일 예의 개략도이다.
도 9는 PPG 데이터세트의 세그먼트에 대응하는 피트(fit)에 기초하여 환자의 심혈관 매니폴드를 결정하는 일 예의 개략도이다.
본 발명의 바람직한 실시예의 다음 설명은 발명을 이러한 바람직한 실시예에 제한하도록 의도되지 않고, 오히려 당업자가 본 발명을 만들고 사용할 수 있게 하도록 의도된다.
1. 개요.
도 2에 도시된 바와 같이, 방법(200)은 동맥 압력 데이터세트를 측정하는 단계(S210), 동맥 압력 데이터세트를 처리하는 단계(S220), 동맥 압력 데이터세트를 분석하는 단계(S230), 및 분석을 제시하는 단계(S240)를 포함할 수 있으며; 그러나, 방법은 임의의 적절한 단계를 포함할 수 있다. 동맥 데이터세트를 처리하는 단계는 다음을 포함할 수 있다: 데이터세트를 보간하는 단계(S221), 데이터세트를 필터링하는 단계(S223), 데이터세트를 세그먼트화하는 단계(S225); 데이터세트를 잡음 제거하는 단계(S226); 분석을 위한 데이터세트의 서브 세트를 결정하는 단계(S228); 및/또는 임의의 적절한 단계.
방법은 바람직하게는 개인의 하나 이상의 심혈관 파라미터(및/또는 생리학적 파라미터)를 결정하도록 기능한다. 그러나, 방법은 추가적으로 또는 대안적으로 개인의 심혈관 파라미터에 대한 미리결정된 활동의 영향을 예측하도록 기능하고/하거나, 달리 기능할 수 있다. 심혈관 파라미터의 예는 다음을 포함한다: 혈압, 동맥 경직도, 박출량, 심박수, 혈액량, 맥박 전달 시간, 수축 단계, 맥파 속도, 심박수 변동성, 혈압 변동성, 약물 상호작용(예를 들어, 혈관 확장제, 혈관 수축제 등의 영향), 심혈관 유동, 심장 이벤트(예를 들어, 혈전, 뇌졸증, 심장마비 등), 심박출량, 심장 지수, 전신 혈관 저항, 산소 전달, 산소 소비, 압력반사 감도, 스트레스, 교감/부조감 상태, 및/또는 임의의 적절한 심혈관 파라미터 및/또는 특성. 미리결정된 활동의 예는 다음을 포함한다: 명상, 운동 요법(예를 들어, 가벼운, 적당한, 힘든 등의 운동), 약(예를 들어, 유형, 복용량 등), 호흡-운동, 약물 섭취(예를 들어, 알코올, 카페인 등), 및/또는 임의의 적절한 활동.
방법(200)은 바람직하게는 개인의 심혈관 파라미터를 결정하기 위해 교정되며; 그러나, 방법은 교정되지 않을 수 있다. 제1 변형예에서, 방법은 각각의 개인(예를 들어, 환자, 사용자 등)에 대해 독립적으로 교정될 수 있다. 이러한 변형예에서, 방법을 교정하는 단계는 다음을 포함할 수 있다: 개인에 대한 (예를 들어, 혈압 커프, 혈압계, 요골 동맥 압력계, 동맥 카테터, 심전도(ECG) 등을 사용하여) 교정된 심혈관 파라미터를 측정하는 단계 및, 동시에 또는 실질적으로 동시에(예를 들어, 15초, 30초, 60초, 2분, 5분, 10분 이내 등), 방법 및/또는 그 서브단계에 따라 개인의 심혈관 파라미터를 측정하는 단계. 이러한 변형예에서, 방법은 추가적으로 다음을 포함할 수 있다: 개인의 동맥 압력 측정으로부터 추출되는 기준 및 심혈관 파라미터에 기초하여 개인 매니폴드를 생성하는 단계, 여기서 개인의 후속 동맥 압력 측정으로부터 추출되는 기준은 개인의 매니폴드를 사용하여 (예를 들어, 하나 이상의 심혈관 파라미터에 대한 값을 포함하는) 심혈관 상태에 매핑될 수 있다.
제2 변형예에서, 방법은 임의의 개인(들)에 대해 교정될 수 있다(예를 들어, 그들이 이전에 심혈관 파라미터를 결정하기 위해 방법을 사용하였는지 여부). 제2 변형예에서, 방법을 교정하는 단계는 다음을 포함할 수 있다: 대조군의 각각의 개인에 대한 (예를 들어, 혈압 커프, 혈압계, 요골 동맥 압력계, 동맥 카테터, 심전도(ECG) 등을 사용하여) 교정된 심혈관 파라미터를 측정하는 단계, 동시에 또는 실질적으로 동시에(예를 들어, 115초, 30초, 60초, 2분, 5분, 10분 등 이내) 방법 및/또는 그 서브단계에 따라 대조군의 각각의 개인의 심혈관 파라미터를 측정하는 단계, 및 범용 심혈관 매니폴드 및/또는 일반 변환을 결정하는 단계. 제2 변형예에서, 범용 심혈관 매니폴드 및/또는 일반 변환은 임의의 개인과 연관되는 데이터세트를 하나 이상의 심혈관 파라미터로 변환하기 위해 사용될 수 있다. 예를 들어, 일반 변환은 개인의 기준 세트를 심혈관 파라미터 세트로 변환할 수 있다(예를 들어, 기준 벡터를 심혈관 파라미터 벡터 또는 심혈관 상태로 변환할 수 있다). 제2 예에서, 범용 심혈관 매니폴드는 한 세트의 기준 값을 대응하는 심혈관 파라미터 값에 매핑하기 위해 사용될 수 있다. 그러나, 방법은, 물리적 관계에 따라, 모델링 및/또는 시뮬레이션에 기초하여 교정되고/되거나, 달리 교정될 수 있다.
방법의 교정은 바람직하게는 대조군의 개인 및/또는 개인들이 휴식하는(예를 들어, 이완되는) 동안 발생하며; 그러나, 교정 프로세스는 대조군의 개인 및/또는 개인들이 활동하는 동안(예를 들어, 운동에 참여하고, 정신적 노력에 참여하는 등) 및/또는 임의의 적절한 사용자 상태에 대해 발생할 수 있다. 방법을 교정하는 단계는 바람직하게는 (예를 들어, 주어진 사용자에 대해, 사용자의 그룹에 대해, 모든 사용자에 대해 등) 한번만 수행될 필요가 있으며; 그러나, 교정은 시간별, 일간, 주간, 월간, 연간, 및/또는 임의의 적절한 타이밍으로 수행될 수 있다. 방법은 바람직하게는 전체로서 모집단에 대해 교정되지만, 대안적으로 또는 추가적으로 (예를 들어, 연령, 인구학, 동반질환, 바이오마커 조합, 및/또는 다른 파라미터에 기초하여 세그먼트화된) 모집단 서브세트에 대해 교정될 수 있다. 방법을 교정하는 단계는 바람직하게는 데이터세트(및/또는 데이터세트의 기준)로부터 심혈관 파라미터를 결정하기 위해 사용될 수 있는 변환(예를 들어, 교정, 방정식, 룩업 테이블, 알고리즘, 파라미터화 등)을 생성한다. 그러나, 방법은 임의의 적절한 방식으로 교정될 수 있다.
2. 이점.
기술의 변형예는 수 개의 이점 및/또는 장점을 제공할 수 있다.
첫째, 기술의 변형예는 개인의 심혈관 파라미터의 견고한, 장기적인 측정을 가능하게 할 수 있다. 특정 예에서, 기술은 기술을 재교정하는 것 없이 교정 프로세스 이후 수 개월에서 개인의 심혈관 파라미터를 결정할 수 있다.
둘째, 기술의 변형예는 개인의 심혈관 파라미터의 비-침습적 결정을 가능하게 할 수 있다. 특정 예에서, 기술은 개인의 디바이스로 개인의 동맥 압력을 측정할 수 있다.
셋째, 기술의 변형예는 개인의 심혈관 파라미터를 신속하게 캡처 및 결정할 수 있다. 특정 예에서, 기술은 거의 비트 바이 비트(beat-by-beat)에 기초하여 개인의 심혈관 파라미터를 결정하기 위해 계산 효율성을 활용할 수 있다.
넷째, 기술의 변형예는, 이동 컴퓨팅 디바이스가 관련 심혈관 파라미터를 결정할 시에 높은 특이성(specificity)을 갖는 생체신호 검출기로 변환될 수 있음에 따라, 방법(200)의 하나 이상의 부분을 구현하고 있는 이동 컴퓨팅 디바이스 자체에 개선을 수여할 수 있다. 예에서, 기술은 (예를 들어, 심전도 데이터가 없는) 더 적은 소스의 데이터를 사용하여 심혈관 파라미터 평가를 가능하게 할 수 있으며, 따라서 컴퓨팅 시스템에게 더 적은 유형의 데이터를 처리하도록 요구한다.
다섯째, 기술의 변형예는 심혈관 파라미터를 구체적으로 결정 및 평가하기 위해 이미지-유도 신호 처리 기술을 활용할 수 있다. 기술의 특정 예에서, 심혈관 파라미터는 다음을 포함하는 치료 제공의 자동 촉진을 가능하게 할 수 있다: 약 공급 조절, 개인의 건강을 증진시키기 위해 개인의 환경적 측면을 자동으로 조정, 맞춤형 의학적 권고를 제공, 환자와 의료 제공자 사이의 디지털 통신을 촉진, 및/또는 심혈관 건강을 관리하기 위한 임의의 적절한 치료 공급.
여섯째, 발명가는, 각각의 개인에 대해, 개인의 기준과 상이한 심혈관 파라미터 사이의 관계가 대체로 일정하다는 것; 즉, 개인의 생리학적 상태의 변화가 기준 및 심혈관 파라미터를 동시에 이동시킨다는 것을 발견하였다. 이것은 개인의 현재 생리학적 상태와 관계없이, 개인의 기준 값이 주어지면, 개인의 심혈관 파라미터 값을 결정하기 위해 (개인에 대해 교정되는) 정적 변환이 사용되는 것을 허용한다. 발명가는 개인의 기준-심혈관 파라미터 관계가 모두 모집단에 걸쳐 대체로 유사함에 따라, 주어진 개인에 대한 기준-심혈관 파라미터 관계(예를 들어, 매니폴드; 고차원 매니폴드)가 범용 매니폴드(예를 들어, 개인의 기준 변환)의 오프셋 및/또는 스케일링된 버전으로서 표현될 수 있다는 것을 더 발견하였다. 이것은 개인의 매니폴드(및/또는 심혈관 상태)가 개인의 심혈관 상태의 전체 범위를 샘플링하는 것 없이 결정되는 것을 허용한다.
그러나, 기술의 변형예는 임의의 다른 적절한 이점 및/또는 장점을 수여할 수 있다.
3. 시스템.
도 1에 도시된 바와 같이, 시스템(100)은 다음 중 하나 이상을 포함할 수 있다: 데이터 수집 모듈(110); 데이터 처리 모듈(120); 데이터 분석 모듈(130); 선택적으로, 인터페이스 디바이스(140); 및/또는 임의의 적절한 구성요소. 시스템(100)은 동맥 압력 데이터세트(예를 들어, 하나 이상의 동맥 압력 파형)를 측정하고 상기 동맥 압력 데이터세트를 (예를 들어, 실시간으로, 펄스 대 펄스 등에 기초하여) 하나 이상의 심혈관 파라미터로 변환하도록 기능할 수 있다. 시스템은 바람직하게는 위에 설명된 방법의 실시예, 변형예, 또는 예를 가능하게 하고/하거나 달리 수행하지만, 추가적으로 및/또는 대안적으로 시간에 걸쳐 심혈관 파라미터 변형의 결정을 수반하는 임의의 적절한 방법의 수행을 용이하게 할 수 있다. 시스템은 발명의 명칭이 'METHOD AND SYSTEM FOR CARDIOVASCULAR DISEASE ASSESSMENT AND MANAGEMENT'이고 2019년 8월 12일자로 출원된 미국 특허 출원 번호 제16/538,206호 및/또는 발명의 명칭이 'METHOD AND SYSTEM FOR ACQUIRING DATA FOR ASSESSMENT OF CARDIOVASCULAR DISEASE'이고 2019년 8월 12일자로 출원된 미국 특허 출원 번호 제16/538,361호에 개시되는 바와 같은 하나 이상의 모듈(예를 들어, 데이터 수집 모듈, 카메라 모듈, 신호 생성 모듈, 데이터 처리 모듈, 데이터 분석 모듈, 출력 모듈 등)을 포함할 수 있으며, 이 각각은 참조에 의해 본원에 전체적으로 통합된다.
시스템(100)은: 사용자 디바이스(예를 들어, 스마트 폰, 랩탑, 스마트 워치 등), 원격 컴퓨팅 디바이스(예를 들어, 클라우드, 서버 등), 의료-제공자 디바이스(예를 들어, 전용 기구, 의료-제공자 스마트 폰 등) 중 하나 이상을 포함하고/하거나 그 상에서 구현되고/되거나, 임의의 적절한 디바이스를 포함하고/하거나 거기서 구현될 수 있다. 특정 예에서, 개인의 스마트 폰은 복수의 이미지를 캡처하고 복수의 이미지를 처리될 및/또는 분석될 클라우드 컴퓨팅 서버로 전달할 수 있다.
데이터 수집 모듈(110)은 바람직하게는 개인의 심혈관 파라미터와 관련된 하나 이상의 데이터세트(예를 들어, 이미지 세트, 동맥 압력 데이터세트, 원시 데이터세트, 동맥 압력 파형, 광용적맥파(photoplethysmogram; PPG) 데이터세트, 용적맥파(plethysmogram) 데이터세트 등)를 측정하도록 기능한다. 데이터 수집 모듈은 바람직하게는 데이터 처리 모듈 및 데이터 분석 모듈에 결합되며; 그러나, 데이터 수집 모듈은 데이터 처리 모듈, 데이터 분석 모듈과 통신하고/하거나, 임의의 적절한 방식으로 구성될 수 있다.
동맥 압력 데이터세트는 바람직하게는 개인의 손가락 표면에서 측정될 수 있으며(예를 들어, 요골 동맥으로부터 동맥 압력 파형을 검출함); 그러나, 추가적으로 또는 대안적으로 손목 표면에서(예를 들어, 척골 동맥으로부터), 상완(upper arm) 표면(예를 들어, 상완(brachial) 동맥)에서, 흉부 표면(예를 들어, 대동맥)에서, 대퇴 표면(예를 들어, 대퇴 동맥)에서, 개인의 발목 표면(예를 들어, 경골 동맥)에서, 및/또는 개인의 임의의 적절한 신체 부위에서 측정될 수 있다. 동맥 압력 데이터세트는 바람직하게는 (예를 들어, 15초, 30초, 45초, 1분, 2분, 5분 등과 같은 미리결정된 시간 길이 동안 30 Hz, 60 Hz, 120 Hz, 240 Hz 등과 같은 미리결정된 주파수에서 수집되는) 일련의 동맥 압력 데이터포인트이며; 그러나, 동맥 압력 데이터세트는 단일 데이터포인트이고/이거나, 임의의 적절한 데이터세트일 수 있다. 동맥 압력 데이터세트는 바람직하게는 원시 데이터(예를 들어, 1차 데이터)이며; 그러나, 동맥 압력 데이터세트는 임의의 적절한 데이터일 수 있다.
동맥 압력 데이터세트는 바람직하게는 개인의 신체 부위와 접촉하는 데이터 수집 모듈로 측정되지만, 개인의 신체 부위와 접촉하지 않는 데이터 수집 모듈로 측정될 수 있다. 데이터 수집 모듈은 바람직하게는 실질적으로 일정한 압력(예를 들어, 데이터 획득 동안 많아도 5%, 10%, 20% 등에 의한 압력 변화)에서 개인의 신체 부위와 접촉하지만, (예를 들어, 접촉 압력이 동맥 압력 데이터세트와 동시에 측정될 때) 가변적인 또는 변화하는 압력에서, 및/또는 임의의 적절한 압력으로 접촉할 수 있다. 데이터 수집 모듈은 바람직하게는 데이터 획득 동안 실질적으로 고정된 방향에서 유지된다(예를 들어, 100 μm, 1 mm, 1 cm, 5 cm 미만 등에 의한 위치 변화; 개인의 신체 부위 및 데이터 수집 모듈에 의해 정의되는 하나 이상의 기준 축에 대한 0.1°, 1°, 2°, 5°, 10°미만 등에 의한 방향 변화; 등). 그러나, 데이터 수집 모듈은 (예컨대 데이터의 품질을 개선하기 위해) 데이터 획득 동안 이동되고/되거나, 재위치되고/되거나, 재배향될 수 있다. 일부 실시예에서, 데이터 수집 모듈은 사용자가 미리결정된 접촉 압력 및/또는 방향을 유지 및/또는 설정하는 것을 돕도록 기능할 수 있는 트래커(tracker) 및/또는 가이드(guide)를 포함할 수 있다.
데이터 수집 모듈(110)은 바람직하게는 광학 센서(예를 들어, 카메라)를 포함하며; 그러나, 데이터 수집 모듈은 생체신호 센서(예를 들어, 심박수 모니터, 맥박계(pulsometer), 동맥 압력 센서 등), 스트레인 게이지, 및/또는 임의의 적절한 센서를 포함할 수 있다.
광학 센서를 포함하는 변형예에서, 광학 센서는 바람직하게는 PPG 데이터와 같은 동맥 압력 데이터세트와 관련되는 개인의 신체 부위로부터 광학 신호(예를 들어, 이미지, 강도 등)를 측정하도록 기능한다. 광학 센서는 바람직하게는 사용자 디바이스와 연관되며; 그러나, 광학 센서는 후견인 디바이스, 임상의 디바이스, 클라이언트 디바이스, 의료 제공자 디바이스, 및/또는 임의의 적절한 엔티티와 연관될 수 있다. 그러나, 광학 디바이스는 별개의 디바이스 및/또는 그 구성요소이고/이거나, 임의의 적절한 형태를 가질 수 있다.
광학 센서는 선택적으로 광 소스를 포함할 수 있다. 광 소스는 동맥 압력 데이터세트의 수집을 위한 조명(예를 들어, 낮은-광 조건, 특정 파장의 광, 특정 조명 강도 등을 위한 균일한 조명)을 제공하도록 기능할 수 있다. 그러나, 광 소스는 주변광(예를 들어, 태양광, 실내 조명 등), 및/또는 임의의 적절한 광 소스일 수 있다.
데이터 처리 모듈(120)은 바람직하게는 동맥 압력 데이터세트를 처리된 데이터세트로 처리(예를 들어, 아웃라이어 제거, 잡음 제거, 세그먼트, 필터 등과 같이 클린)하도록 기능하며; 그러나, 데이터 처리 모듈은 임의의 적절한 데이터세트(예를 들어, 교정 데이터세트, ECG 데이터세트, PPG 데이터세트, 용적맥파 데이터세트 등)를 처리할 수 있다. 데이터 처리 모듈은 데이터세트에 대해 다음 프로세스 중 하나 이상을 수행할 수 있다: 정규화, 배경 제거, 평활화, 클리닝, 변환, 피팅(fitting), 보간, 외삽, 세그먼트화, 분해(예를 들어, 모드 분해), 잡음 제거, 및/또는 임의의 적절한 단계. 데이터 처리 모듈은 바람직하게는 데이터 분석 모듈에 결합되며; 그러나, 데이터 처리 모듈은 데이터 분석 모듈과 통신하고/하거나 달리 적절하게 배열될 수 있다.
데이터 분석 모듈(130)은 바람직하게는 개인의 하나 이상의 심혈관 파라미터를 결정하기 위해 하나 이상의 데이터세트(예를 들어, 동맥 압력 데이터세트, 처리된 데이터세트 등)를 분석하도록 기능한다. 데이터 분석 모듈은 데이터세트에 대해 다음 분석 중 하나 이상을 수행할 수 있다: 피팅(예를 들어, 스플라인, 커브 등), 수학적 연산(예를 들어, 스케이링, 미분, 적분, 변환 예컨대 퓨리에 변환 등), 근-발견(root-finding), 상관 분석, 및/또는 임의의 적절한 분석. 데이터 분석 모듈은 방정식, 룩업 테이블, 조건문(conditional statement), 학습 모듈(예를 들어, 신경망), 및/또는 임의의 적절한 분석 도구를 포함할 수 있다.
시스템은 선택적으로 심혈관 파라미터, 데이터세트(예를 들어, 분석된 데이터세트, 처리된 데이터세트, 동맥 압력 데이터세트 등), 분석(예를 들어, 기준, 심혈관 매니폴드, 진단 등) 및/또는 임의의 적절한 데이터 또는 정보를 개인, 의료-제공자, 및/또는 임의의 적절한 엔티티에 제시하기 위해 인터페이스 디바이스(140)를 포함할 수 있다. 그러나, 데이터/정보는 임의의 적절한 방식으로 제시될 수 있다.
그러나, 시스템(100)은 하나 이상의 개인의 심혈관 건강의 평가 또는 관리를 촉진하기 위해 데이터를 수신, 처리, 및/또는 분석하도록 구성되는 임의의 다른 적절한 요소를 포함할 수 있다.
4. 방법.
방법(200)은 바람직하게는 동맥 압력 데이터세트에 기초하여 개인의 심혈관 파라미터를 결정하도록 기능한다. 방법은 바람직하게는 시스템, 예컨대 상술한 바와 같은 시스템에 의해 수행되지만, 임의의 시스템에 의해 수행될 수 있다. 방법의 하나 이상의 인스턴스는 직렬로(예를 들어, 순차적으로) 및/또는 병렬로(예를 들어, 동시에) 수행될 수 있다. 방법 도처에 걸쳐, 신호는 바람직하게는 시간 도메인에서 처리 및 분석되지만, 대안적으로 주파수 도메인, 상이한 단계를 위한 상이한 도메인, 또는 임의의 다른 적절한 도메인에서 처리 및 분석될 수 있다.
동맥 압력 데이터세트를 측정하는 단계(S210)는 바람직하게는 개인의 신체 부위에서 데이터세트(예를 들어, 동맥 압력 데이터세트, 원시 데이터세트, PPG 데이터세트, 용적맥파 데이터세트 등)를 수집하도록 기능한다. S210은 바람직하게는 데이터세트를 처리하는 단계(S220) 이전에 발생하며; 그러나, S210 및 S220은 동시에 및/또는 임의의 적절한 타이밍으로 발생할 수 있다. S210은 바람직하게는 데이터 수집 모듈(예를 들어, 데이터 수집 모듈의 광학 센서, 스트레인 게이지 등)에 의해 수행되며; 그러나, 임의의 적절한 구성요소가 사용될 수 있다. 일부 변형예에서, 하나 이상의 데이터세트는 (예를 들어, 데이터베이스에) 저장되고/되거나 (예를 들어, 데이터베이스로부터) 검색될 수 있다. 데이터세트는 원시 데이터세트로서 및/또는 처리된 또는 분석된 데이터세트로서 저장될 수 있다. 데이터세트는 바람직하게는 30 Hz와 240 Hz 사이(예컨대 60 Hz)의 미리결정된 주파수 또는 그 범위에서 측정되지만; 30 Hz 미만의 주파수, 240 Hz 초과의 주파수, 가변 주파수에서, 및/또는 임의의 적절한 주파수로 측정될 수 있다. 데이터세트는 바람직하게는 미리결정된 시간 길이(예컨대 30초, 45초, 1분, 2분, 5분, 10분 등) 동안 측정되며; 그러나, 시간 길이는 개인(예를 들어, 사용자의 심박수, 개인 활동 상태 등), 및/또는 임의의 적절한 시간 길이에 기초할 수 있다.
S210은 선택적으로 보충 데이터세트를 수신, 획득, 및/또는 생성하는 단계를 포함할 수 있다. 보충 데이터세트의 예는 다음을 포함할 수 있다: 개인의 특성(예를 들어, 신장, 체중, 연령, 성별, 인종, 민족성 등), 개인(및/또는 개인의 가족)의 병력, 개인의 활동 수준(예를 들어, 최근 활동, 과거 활동 등), 건강 문제, 의료(healthcare) 전문 데이터(예를 들어, 개인의 의료 전문가로부터의 데이터), 및/또는 임의의 적절한 보충 데이터세트.
특정 예에서, S210은 동맥 압력 데이터세트를 생성하기 위해 데이터 수집 모듈을 (예를 들어, 개인의 신체 부위에) 위치시키는 단계, 개인의 신체 부위를 (예를 들어, 광 소스, 주변광 등을 사용하여) 조명하는 단계, 광 산란 파라미터(예를 들어, 반사, 흡수 등)를 측정하는 단계, 및 일련의 광 산란 파라미터를 기록하는 단계를 포함할 수 있다. 광 산란 파라미터는 바람직하게는 약 60 Hz 이상의 데이터 수집 주파수에서 측정되며, 그러나, 임의의 적절한 데이터 수집 주파수가 사용될 수 있다. 그러나, 동맥 압력 데이터세트를 생성하는 단계는 임의의 적절한 방식으로 수행될 수 있다.
제2 특정 예에서, S210은 데이터 수집 모듈을 (예를 들어, 개인의 신체 부위에) 위치시키는 단계, 개인의 신체 부위를 (예를 들어, 광 소스, 주변광 등을 사용하여) 조명하는 단계, 신체 부위의 복수의 이미지를 측정하는 단계, 및 복수의 이미지로부터 광용적맥파(photoplethysmogram; PPG) 데이터세트를 생성하는 단계를 포함할 수 있다. PPG 데이터세트는 이미지로부터 하나 이상의 특징(feature)를 추출하고, 이미지 사이의 광학적 흐름 깊이 맵을 결정하고, 이미지에 걸쳐 픽셀 특성의 변화를 기록함으로써 복수의 이미지로부터 생성되고/되거나, 달리 복수의 이미지로부터 생성될 수 있다.
제3 특정 예에서, S210은 미국 특허 출원 번호 제16/538,361호에 개시되는 바와 같은 하나 이상의 데이터 획득 단계를 포함할 수 있으며, 이는 전체로서 본원에 통합된다.
그러나, S210은 임의의 적절한 단계를 포함하고/하거나 임의의 방식으로 수행될 수 있다.
데이터세트를 처리하는 단계(S220)는 바람직하게는 데이터세트(예를 들어, 원시 데이터세트, 동맥 압력 데이터세트 등)를 처리된 데이터세트로 변환하도록(예를 들어, 신호 대 잡음을 개선하고, 데이터세트를 세그먼트화하고, 데이터세트로부터 아웃라이어를 제거하는 등) 기능한다. 특정 예에서, 원시 데이터세트는 (예를 들어, 측정의 지속기간에 걸쳐 신체 부위와 데이터 수집 모듈 사이의 접촉 압력의 변화, 신체 부위와 데이터 수집 모듈 사이의 방향의 변화, 랜덤 잡음 등으로부터의) 큰, 비정상 배경을 포함할 수 있다. 이러한 특정 예에서, 데이터세트를 처리하는 단계는 비정상 배경을 제거할 수 있다. 그러나, 동맥 압력 데이터세트를 처리하는 단계는 임의의 적절한 데이터세트를 생성하고/하거나 임의의 적절한 기능을 수행할 수 있다.
데이터세트를 처리하는 단계는 바람직하게는 데이터세트를 측정하는 단계 이후에 발생하며; 그러나, 데이터세트를 처리하는 단계는 데이터세트의 임의의 서브세트가 측정된 이후에 발생할 수 있다. S220은 바람직하게는 데이터세트를 분석하는 단계(S230) 이전에 발생하며; 그러나, S220은 S230과 동시에, S230(예를 들어, 데이터 분석 동안 에러가 발생하는 경우 데이터 처리) 이후에, 및/또는 임의의 적절한 타이밍으로 발생할 수 있다. S220은 바람직하게는 데이터 처리 모듈에 의해 수행되며; 그러나, S220은 임의의 적절한 구성요소에 의해 수행될 수 있다. 데이터세트는 바람직하게는 클라우드 컴퓨팅 시스템에서 처리되지만, 사용자 디바이스, 로컬 컴퓨팅 시스템에 의해 및/또는 임의의 적절한 위치에서 처리될 수 있다.
예를 들어 도 3 및 도 4에 도시된 바와 같이, S220은 다음을 포함할 수 있다: 데이터세트를 재샘플링하는 단계(S221); 데이터세트를 필터링하는 단계(S223); 데이터를 세그먼트화하는 단계(S225); 데이터세트를 잡음 제거하는 단계(S226); 분석할 데이터의 서브세트를 결정하는 단계(S228); 및/또는 임의의 적절한 단계.
S221은 바람직하게는 데이터세트(예를 들어, 보간된 데이터세트, 보간된 원시 데이터세트 등)가 미리결정된 주파수/주기로 이격되는 데이터 포인트를 포함하도록 데이터세트(예를 들어, 원시 데이터세트, 동맥 압력 데이터세트, PPG 데이터세트, 용적맥파 데이터세트 등)로 (예를 들어, 이미 존재하는 데이터포인트 사이에서) 새로운 데이터 포인트를 삽입하고/하거나 관련 없는 데이터포인트를 제거하도록 기능한다. S221은 바람직하게는 S226 이전에 발생하며; 그러나, S221은 S226과 동시에 및/또는 S226 이후에 발생할 수 있다. 미리결정된 주파수는 바람직하게는 60 Hz의 배수(예를 들어, 120 Hz, 240 Hz 등)이며; 그러나, 미리결정된 주파수는 데이터세트의 데이터포인트의 수(예를 들어, 총 데이터포인트 수)에 기초하여 선택될 수 있고/있거나, 가변될 수 있고/있거나(예를 들어, 더 적은 데이터포인트로 데이터세트를 샘플링하는 것과 같은 데이터 희소 영역에서 더 낮으며; 더 많은 데이터포인트로 데이터세트를 샘플링하는 것과 같은 데이터 풍부 영역에서 더 높을 수 있는 등), 임의의 적절한 주파수가 사용될 수 있다. 새로운 데이터포인트는 바람직하게는 가장 가까운 이웃 데이터포인트 사이에서 보간함으로써 결정되지만, 추가적으로 또는 대안적으로 임의의 적절한 이웃 데이터포인트를 보간하고/하거나, 기계 학습을 사용하고/하거나, 데이터를 커브에 피팅하고/하거나, 시뮬레이션을 사용하고/하거나, 달리 추가적인 데이터를 생성함으로써 생성될 수 있다. 보간은 바람직하게는 선형이며; 그러나, 비선형 보간 및/또는 임의의 적절한 보간이 사용될 수 있다. 데이터포인트는 바람직하게는 데이터 포인트 사이의 시간 간격이 (예를 들어, 미리결정된 주파수에 기초하여) 일정하도록 제거되지만, 추가적으로 또는 대안적으로 배드(bad) 데이터(예를 들어, 아웃라이어, 아티팩트 등)를 제거하기 위해 제거되고/되거나, 달리 제거될 수 있다.
S223은 바람직하게는 필터링된 데이터세트를 생성하기 위해 하나 이상의 필터를 적용함으로써 데이터세트(예를 들어, 동맥 압력 데이터세트, 원시 데이터세트, 보간된 데이터세트, 보간된 원시 데이터세트 등)의 신호 대 잡음비(signal-to-noise ratio; SNR)를 개선하도록 기능한다. S223는 바람직하게는 S225 이전에 발생하며; 그러나, S223은 S225와 동시에 및/또는 이후에 발생할 수 있다. 필터는 (예를 들어, <0.1 Hz, 0.1, 0.5, 1, 10, 20, 30, 60, 100, 200, 500, 1000, >1000 Hz 등의 컷-오프 주파수를 갖는) 쇼트-패스 필터, (예를 들어, <0.1 Hz, 0.1, 0.5, 1, 10, 20, 30, 60, 100, 200, 500, 1000, >1000 Hz 등의 컷-오프 주파수를 갖는) 롱-패스 필터, (예를 들어, 롱-패스 및 쇼트-패스 필터를 결합시킴으로써) 대역통과 필터, 노치 또는 대역-저지 필터, 및/또는 임의의 적절한 필터일 수 있다. 특정 예에서, 필터는 데이터세트로부터 0.5 Hz 미만의 신호를 제거할 수 있는 롱-패스 필터일 수 있으며; 그러나, 임의의 적절한 컷-오프 필터가 사용될 수 있다. 필터는 시간 및/또는 주파수 도메인에서 데이터세트에 적용될 수 있다. 전체 데이터세트는 바람직하게는 동시에 필터링되며; 그러나, 데이터세트의 하나 이상의 서브세트는 한 번에 필터링될 수 있고/있거나 데이터세트를 필터링하는 단계는 임의의 적절한 방식으로 수행될 수 있다. 예시적인 예에서, 세그먼트화된 데이터세트(예를 들어, 단계 S225, S226, 또는 S228에서 생성되는 것과 같은 세그먼트화된 데이터세트)의 각각의 세그먼트는 (예를 들어, 동일한 또는 상이한 필터를 사용하여) 필터링될 수 있다. 제2 예시적인 예에서, 원시 및/또는 보간된 데이터세트는 필터링될 수 있다. 그러나, 임의의 적절한 데이터세트 또는 세트들이 필터링될 수 있다.
S225는 바람직하게는 데이터세트(예를 들어, 동맥 압력 데이터세트, 보간된 데이터세트, 필터링된 데이터세트 등) 내에서 각각의 별개의(distinct) 생리적 주기(예를 들어, 심장박동, 심장 주기, 호흡 주기, 소화주기 등) 및 그것의 대응하는 동맥 압력 파형을 식별하고 세그먼트화된 데이터세트를 생성하도록 기능한다. 세그먼트화된 데이터세트는 바람직하게는 개별 심장박동으로 세그먼트화되며; 그러나, 세그먼트화된 데이터세트는 심장박동(예를 들어, 동맥 압력 파형이 거의 변화를 나타내지 않는 심장박동, 가까운 시간적 근접에서의 심장박동 등)의 세트, 개별 동맥 압력 파형 성분(예를 들어, 직접 전송; 장골 동맥, 신장 동맥 등으로부터와 같은 반사된 동맥 압력 신호; 등)으로 세그먼트화되고/되거나, 임의의 적절한 형태로 세그먼트화될 수 있다. S225는 바람직하게는 S226 이전에 발생하며; 그러나, S225는 S226와 동시에 및/또는 이후에 발생할 수 있다. 각각의 세그먼트는 바람직하게는 동일한 크기(예를 들어, 동일한 시간 윈도우, 동일한 주파수 윈도우 등)이며; 그러나, 세그먼트는 임의의 적절한 크기를 가질 수 있다. 세그먼트는 바람직하게는 별개(예를 들어, 비-중첩)이며; 그러나, 세그먼트는 중첩되고/되거나 다른 세그먼트에 대해 임의의 적절한 관계를 가질 수 있다.
세그먼트화된 데이터세트는 바람직하게는 느린 및 빠른-이동 평균(예를 들어, 이동 평균 크로스오버)을 사용하여 세그먼트화되며; 그러나, 세그먼트화된 데이터세트는 미분 방법, 적분 방법, 임계 방법, 변분 방법, (예를 들어, 훈련된 신경망을 사용하는) 기계 학습, (예를 들어, 딥(dip)이 검출될 때마다 세그먼트화되는) 패턴 매칭을 사용하여 세그먼트화되고/되거나, 임의의 적절한 방식으로 세그먼트화될 수 있다. 특정 예에서, 느린 및 빠른 이동 평균을 사용하는 비트 세그먼트화는 보간된 데이터세트의 각각의 포인트에 적용된다.
S226은 바람직하게는 데이터세트의 SNR을 개선하고 잡음 제거된 데이터세트(예를 들어, 잡음 제거된 세그먼트화된 데이터세트)를 생성하기 위해 데이터세트(예를 들어, 원시 데이터세트, 보간된 데이터세트, 필터링된 데이터세트, 세그먼트화된 데이터세트 등)를 잡음 제거하도록 기능한다. S226은 바람직하게는 S228 이전에 발생하며; 그러나, S226은 S228과 동시에 및/또는 S228 이후에 발생할 수 있다. S226은 바람직하게는 S225 이후에 수행되지만, S225 이전에 및/또는 동시에 수행될 수 있다.
특정 변형예에서, S226은 데이터세트를 고유 모드(intrinsic mode)로 분해하는 단계를 포함할 수 있다. 이러한 변형예에서, 데이터를 고유 모드로 분해하는 단계는 처리 속도를 높이고/이거나, 처리 자원을 감소시키고/시키거나, 임의의 적절한 기능을 수행할 수 있다. 세그먼트화된 데이터세트의 각각의 세그먼트는 바람직하게는 독립적으로 고유 모드로 분해된다. 그러나, 데이터세트(예를 들어, 세그먼트화된 데이터세트, 필터링된 데이터세트, 원시 데이터세트 등)는 전체적으로 고유 모드로 분해될 수 있고/있거나, 복수의 세그먼트는 함께 분해될 수 있고/있거나, 데이터세트는 임의의 방식으로 고유 모드로 분해될 수 있다. 고유 모드는 이산 모드 및/또는 연속 모드(예를 들어, 예컨대 연속 변환의 주파수)에 대응할 수 있다.
이러한 특정 변형예의 특정 예에서, 각각의 고유 모드는 상이한 양의 신호 데이터(예를 들어, 심혈관 파라미터와 관련되는 데이터) 및 잡음 데이터를 인코딩할 수 있다. 신호 데이터를 인코딩하는(예를 들어, 신호 데이터, 예컨대: 1차, 2차, 3차, 4차, 5차, 6차, 7차, 8차, 9차, 10차, 15차, 20차 등을 주로 인코딩하는) 특정 고유 모드는 잡음 제거된 데이터에 포함될 수 있고 잡음 데이터를 인코딩하는(예를 들어, 잡음 데이터 예컨대 1차, 2차, 3차, 4차, 5차, 6차, 7차, 8차, 9차, 10차, 15차, 20차 등의 모드 이후의 임의의 모드를 주로 인코딩하는) 모드는 잡음 제거된 데이터로부터 배제될 수 있다. 잡음 제거된 데이터세트에서 모드를 포함하는 단계는 바람직하게는 포함할 모드 각각을 데이터세트에 추가하는 단계를 포함하지만, 추가적으로 또는 대안적으로 포함될 모드의 평균을 계산하는 단계, 및/또는 달리 고유 모드를 결합시키는 단계를 포함할 수 있다. 데이터를 주로 인코딩하는 고유 모드는 첫 번째 모드, 첫 번째 2 모드, 첫 번째 3 모드, 첫 번째 4 모드, 첫 번째 5 모드, 첫 번째 10 모드, 두 번째 내지 네 번째 모드, 두 번째 내지 여섯 번째 모드, 첫 번째 1/2 모드, 마지막 1/2 모드, 첫 번째 1/3 모드, 두 번째 1/3 모드, 마지막 1/3 모드, 첫 번째 1/4 모드, 첫 번째 1/10 모드, 그 서브세트, 및/또는 임의의 적절한 모드일 수 있다. 그러나, 잡음 제거된 데이터는 임의의 적절한 방식으로 생성될 수 있다.
고유 모드는 바람직하게는 향상된 경험적 모드 분해(enhanced empirical mode decomposition; EEMD)를 사용하여 결정되며; 그러나, 고유 모드는 경험적 모드 분해(empirical mode decomposition; EMD), 힐베르트(Hilbert) 변환, 기계 학습, 주성분 분석(principal component analysis; PCA), 임의의 적절한 기저 세트(예를 들어, 직교 기저 세트, 정규직교 기저 세트 등)로의 데이터세트의 분해, 데이터세트 피팅(예를 들어, 다항식 피트, 잡음 모델, 방정식 등), 및/또는 임의의 적절한 방식을 사용하여 결정될 수 있다. 고유 모드는 주파수 및/또는 시간 도메인에서 결정될 수 있다. 고유 모드는 바람직하게는 각각의 세그먼트(예를 들어, 주어진 심장박동과 연관되는 동맥 압력 데이터)에 대해 개별적으로 결정되며; 그러나, 고유 모드 분석은 전체로서 데이터세트 상에서 수행될 수 있고/있거나, 데이터세트의 임의의 적절한 서브세트가 사용될 수 있다.
특정 예에서, 데이터세트의 EEMD 분석은 데이터세트를 대략 20개의 고유 모드(예를 들어, ± 5 모드, ± 10 모드, ± 20 모드 등)로 분해할 수 있다. 이러한 예에서, 고유 모드 1-6은 잡음 제거된 데이터세트를 생성하기 위해 선택될 수 있으며; 그러나, 임의의 적절한 모드가 사용될 수 있다. 잡음 제거된 데이터세트는 고유 모드 1-6를 합산함으로써(예를 들어, 나머지 고유 모드를 배제함으로써) 생성될 수 있다. 그러나, 데이터세트를 잡음 제거하는 단계는 임의의 적절한 방식으로 수행될 수 있다.
S228은 바람직하게는 처리된 데이터세트에 포함할 데이터세트(예를 들어, 잡음 제거된 데이터세트, 세그먼트화된 데이터세트, 필터링된 데이터세트, 보간된 데이터세트, 원시 데이터세트 등)의 하나 이상의 서브세트를 결정하도록 기능한다. 데이터세트의 서브세트는 바람직하게는 서브세트 내의 SNR에 기초하여 결정되며; 그러나, 데이터의 완전성, 중간 정밀도에 기초하고/하거나, 임의의 적절한 데이터 품질 행렬(metric)에 기초하여 결정된다.
처리된 데이터세트는 바람직하게는 30개의 세그먼트와 같은 1-1000 사이의 세그먼트의 임의의 적절한 수 및/또는 범위를 포함하며; 그러나, 전체 데이터세트(예를 들어, 잡음 제거된 데이터세트, 세그먼트화된 데이터세트, 필터링된 데이터세트, 보간된 데이터세트, 원시 데이터세트 등)는 처리된 데이터세트에 포함될 수 있고/있거나, 임의의 적절한 수의 세그먼트가 포함될 수 있다. 처리된 데이터세트에 포함되는 세그먼트는 바람직하게는 순차적이며(예를 들어, 임의의 심장박동을 스킵하지 않음); 그러나, 처리된 데이터세트는 임의의 수의 적절한 세그먼트를 스킵하고/하거나, 임의의 적절한 데이터를 포함할 수 있다. 데이터세트에 포함되는 세그먼트의 수는 교정 방법, 결정할 심혈관 파라미터, 목표 및/또는 임계 시간 범위(span)에 의존하고/하거나, 달리 결정될 수 있다. 예시적인 예에서, 결정할 심혈관 파라미터가 혈압을 포함할 때, 처리된 데이터세트는 바람직하게는 대략 10개의 인접한 세그먼트를 포함한다(예를 들어, 이산적으로 대략 10개의 심장 주기 예컨대 심장박동을 순차적으로 검출할 수 있다). 그러나, 임의의 수의 인접한 세그먼트가 사용될 수 있다.
S228의 특정 실시예에서, 데이터세트의 서브세트(들)는 이동 시간 윈도우 SNR에 기초하여 결정될 수 있다. 시간 윈도우는 0-120초 사이, 예컨대 15초인 임의의 적절한 시간 윈도우 또는 그 범위일 수 있으며; 그러나, 임의의 시간 윈도우가 사용될 수 있다. 시간 윈도우는 바람직하게는 데이터세트의 하나의 세그먼트(예를 들어, 하나의 심장박동)에서 시작하지만, 추가적으로 또는 대안적으로 다수의 심장박동 또는 그 일부를 포함할 수 있다. 시간 윈도우 내의 SNR을 SNR 임계값(예를 들어, 1, 2, 10, 20 등)에 비교한 이후, 시간 윈도우 내의 SNR이 SNR 임계값 이상일 때, 시간 윈도우 내의 세그먼트(들)는 처리된 데이터세트 내에 포함될 수 있고 후속 시간 윈도우는 검사될 수 있다(예를 들어, 검사될 시간 윈도우는 하나 이상의 세그먼트 및 반복되는 분석에 의해 이동될 수 있다). 그러나, 시간 윈도우 내의 SNR이 SNR 임계값 미만일 때, 세그먼트(들)는 거부될 수 있다. 데이터세트의 적절한 세브세트가 결정될 수 없을 때(예를 들어, 너무 많은 세그먼트(들)가 거부될 때), 새로운 데이터세트는 (예를 들어, S210을 반복함으로써) 측정될 수 있고/있거나, 데이터세트는 (예를 들어, 단계 S221-S226와 같은 S220의 하나 이상의 단계를 반복함으로써) 재처리될 수 있고/있거나, 임의의 적절한 프로세스가 발생할 수 있다. 그러나, 처리된 데이터세트에 포함되는 세그먼트(들)는 임의의 적절한 방식으로 결정될 수 있다.
데이터세트를 분석하는 단계(S230)는 바람직하게는 데이터세트(예를 들어, 처리된 데이터세트, 잡음 제거된 데이터세트, 세그먼트화된 데이터세트, 필터링된 데이터세트, 보간된 데이터세트, 원시 데이터세트 등)로부터 개인의 하나 이상의 심혈관 파라미터를 결정하도록 기능한다. S230은 추가적으로 또는 대안적으로 개인의 심혈관 파라미터와 연관되는 기준(및/또는 임의의 다른 적절한 파라미터)을 결정하도록 기능한다. 데이터세트는 세그먼트(예를 들어, 각각의 세그먼트에 대해 결정되는 심혈관 파라미터) 별로 기초하여, 전체적으로 데이터세트에 대해, (예를 들어, 타임스텝 기본에 의해 타임스텝 상의 다른 세그먼트와 S228에 식별되는 데이터세트의 서브세트와 연관되는 세그먼트를 평균화하는) 평균화된 데이터세트에 대해 분석되고/되거나, 달리 분석될 수 있다. S230은 바람직하게는 데이터 분석 모듈에 의해 수행되며; 그러나, 임의의 적절한 구성요소가 사용될 수 있다. S230은 바람직하게는 클라우드 컴퓨팅 시스템에서 수행되지만, 사용자 디바이스, 로컬 컴퓨팅 시스템에서, 및/또는 임의의 컴퓨팅 시스템에 의해 수행될 수 있다. S230은 바람직하게는 데이터세트의 각각의 세그먼트에 대해 독립적으로 수행되며; 그러나, S230은 전체 데이터세트에 대해 수행될 수 있고/있거나, 하나의 세그먼트의 분석은 다른 세그먼트의 결과에 의존할 수 있고/있거나, 데이터세트의 임의의 적절한 서브세트가 분석될 수 있다. 분석은 바람직하게는 사용자 디바이스 및/또는 인터페이스 디바이스에 전송되지만, 추가적으로 또는 대안적으로 의료 제공자, 후견인, 데이터베이스, 및/또는 임의의 적절한 엔드포인트에 전송될 수 있다.
심혈관 파라미터(들)는 회귀 모델링(예를 들어, 선형 회귀, 비선형 회귀 등), 학습(예를 들어, 훈련된 신경망, 기계-학습 알고리즘 등), 방정식, 룩업 테이블, 조건문, 변환(예를 들어, 선형 변환, 비-선형 변환 등)을 사용하여 데이터세트, 기준, 및/또는 심혈관 매니폴드에 기초하여 결정되고/되거나, 임의의 적절한 방식으로 결정될 수 있다.
기준 및/또는 심혈관 매니폴드와 심혈관 파라미터 사이의 변환(예를 들어, 상관)은 바람직하게는 교정 데이터세트(예를 들어, 분석 데이터세트와 대략 동시에 생성되는 혈압 커프, ECG 측정 등으로부터와 같은 교정 데이터세트; 개인, 상이한 개인, 상이한 활동 상태의 개인 등의 상이한 신체 부위에서와 같은 제2 동맥 압력 데이터세트; 대응하는 측정된 심혈관 파라미터를 갖는 대조군의 각각의 개인에 대한 분석 데이터세트를 포함하는 교정 데이터세트; 등)에 기초하여 결정되며; 그러나, 변환은 모델(예를 들어, 개인의 심혈관계의 모델, 임의의 사용자에 대해 적용할 수 있는 것과 같은 전역(global) 모델 등)로부터 결정되고/되거나, 임의의 적절한 방식으로 결정될 수 있다.
S230은 다음을 포함할 수 있다: 기준을 결정하는 단계(S232); 심혈관 파라미터를 결정하는 단계(S236); 및 심혈관 파라미터를 저장하는 단계(S239). 그러나, S230은 임의의 적절한 프로세스를 포함할 수 있다.
S232는 바람직하게는 데이터세트(예를 들어, 처리된 데이터세트, 잡음 제거된 데이터세트, 세그먼트화된 데이터세트, 필터링된 데이터세트, 보간된 데이터세트, 원시 데이터세트 등)에 대한 기준을 결정하도록 기능한다. S232는 바람직하게는 S236 이전에 발생하며; 그러나, S232는 S236와 동시에 및/또는 이후에 발생할 수 있다. 기준 세트는 심혈관 파라미터, 개인의 특성, 보충 데이터세트, 및/또는 임의의 적절한 정보에 의존할 수 있다. 일부 변형예에서, 상이한 기준은 상이한 심혈관 파라미터에 대해 사용될 수 있으며; 그러나, 2개 이상의 심혈관 파라미터는 동일한 기준 세트로부터 결정될 수 있다.
S232의 제1 변형예에서, 기준을 결정하는 단계는 다음을 선택적으로 포함할 수 있다: 처리된 데이터세트를 스플라인 피팅하는 단계; 스플라인 피팅된 데이터세트의 도함수(1차, 2차, 3차, 고차 등)를 결정하는 단계, 및 도함수 중 하나 이상에서 근(root)(예를 들어, 제로)을 결정하는 단계. 기준(들)은 도함수의 근, 데이터세트의 값 및/또는 도함수의 근에서 평가되는 다른 도함수 중 하나 이상이고/이거나, 달리 결정될 수 있다. 제1 특정 예에서, 기준은 2차 도함수의 2개의 근 및 3차 도함수의 1개의 근을 포함할 수 있으며; 그러나, 기준은 (예를 들어, 근 중 하나에서 평가되는) 데이터세트의 진폭, (예를 들어, 근 중 하나에서 평가되는) 데이터세트의 임의의 적절한 도함수의 진폭, 및/또는 데이터세트의 임의의 적절한 근 및/또는 값일 수 있다. 제2 특정 예에서, 기준은 처리된 데이터세트의 값 및 처리된 데이터세트의 1차 및 2차 도함수의 (예를 들어, 세그먼트의 시작, 처리된 데이터세트의 피크, 이전 심장 주기 등에 대한) 첫 번째 4개의 제로에 대응하는 시점에서 평가되는 처리된 데이터세트의 1차 및 2차 도함수에 대응할 수 있다. 제3 특정 예에서, 도 8에 도시된 바와 같이, 기준은 다음의 세트 및/또는 그 임의의 서브세트에 대응할 수 있다: 처리된 데이터세트(및/또는 그 하나 이상의 세그먼트)의 진폭, 처리된 데이터세트(및/또는 그 하나 이상의 세그먼트)의 1차 도함수의 진폭, 처리된 데이터세트(및/또는 그 하나 이상의 세그먼트)의 2차 도함수의 진폭, 및 1차 도함수, 2차 도함수, 및/또는 3차 도함수의 근에서 평가되는 처리된 데이터세트(및/또는 그 하나 이상의 세그먼트)의 3차 도함수의 진폭. 도 8에서, 각각의 도함수의 제로는 (도 8에서 채워진 원으로 예시되는) 관심있는 시점으로서 식별되며, 여기서 관심있는 시점 각각에서 각각의 도함수의 값은 기준 후보이다. 제4 특정 예에서, 기준은 다음의 값 중 임의의 값으로부터 선택되고/되거나 이를 포함할 수 있다:
Figure pct00001
여기서 p(a)는 시간 a에서 처리된 데이터세트(및/또는 그 세그먼트)이고, p'는 p의 1차 도함수이고, p''는 시간에 대한 p의 2차 도함수이고, p'''은 시간에 대한 p의 3차 도함수이고, g는
Figure pct00002
이도록 한 세트의 시간에 대응하고, h는
Figure pct00003
이도록 하나 이상의 시간에 대응하고, k는
Figure pct00004
이도록 하나 이상의 시간에 대응한다.
S232의 제2 변형예에서, 기준을 결정하는 단계는 처리된 데이터세트를 (예를 들어, 분석 데이터세트에서 각각의 세그먼트에 대해) 임의의 적절한 기저 함수(들)로 분해하는 단계를 포함할 수 있다. 특정 예에서, 처리된 데이터세트를 분해하는 단계는 이산 퓨리에 변환, 고속 퓨리에 변환, 이산 코사인 변환, 한켈(Hankel) 변환, 다항 분해, 레일리(Rayleigh), 웨이브릿(wavelet), 및/또는 처리된 데이터세트에 대한 임의의 적절한 분해 및/또는 변환을 수행하는 단계를 포함할 수 있다. 기준은 분해 가중치, 위상, 및/또는 분해의 임의의 적절한 출력(들) 중 하나 이상일 수 있다. 그러나, 기준은 임의의 적절한 방식으로 데이터세트로부터 결정될 수 있다.
S232의 제3 변형예에서, 기준을 결정하는 단계는 처리된 데이터세트를 미리결정된 함수 형태에 피팅시키는 단계를 포함할 수 있다. 함수 형태는 가우시안, 로렌츠, 지수, 수퍼-가우시안, 레비(
Figure pct00005
) 분포, 쌍곡 시컨트, 다항식, 컨볼루션, 함수의 선형 및/또는 비선형 조합, 및/또는 임의의 적절한 함수(들)을 포함할 수 있다. 피팅은 제한되거나 제한되지 않을 수 있다. 특정 예에서, (예를 들어, 사용자의 심혈관 상태 및/또는 위상에 기초한) 5개의 제한된 가우시안의 선형 조합은 데이터의 각각의 세그먼트를 피팅시키기 위해 사용될 수 있다. 그러나, 임의의 적절한 피트(fit)가 수행될 수 있다. 기준은 바람직하게는 하나 이상의 피트 파라미터(예를 들어, 반치전폭(full width at half max; FWHM), 중심 위치, 진폭, 주파수 등)이며; 그러나, 기준은 통계적 차수(order) 정보(예를 들어, 평균, 분산, 왜곡 등) 및/또는 임의의 적절한 정보를 포함할 수 있다.
심혈관 파라미터를 결정하는 단계(S236)는 바람직하게는 사용자에 대한 심혈관 상태(예를 들어, 심혈관 파라미터 값의 세트)를 결정하도록 기능한다. 심혈관 파라미터는 기준에 기초하여, 심혈관 매니폴드에 기초하여 결정되고/되거나, 달리 결정될 수 있다. S236은 바람직하게는 데이터세트의 각각의 세그먼트와 관련된 심혈관 파라미터(예를 들어, 각각의 심장박동)를 결정하며; 그러나, S236은 전체 데이터세트에 대한 단일 심혈관 파라미터 값(예를 들어, 평균, 분산, 범위 등), 단일 심혈관 파라미터, 및/또는 임의의 적절한 정보를 결정할 수 있다. S236은 바람직하게는 S239 이전에 발생하며; 그러나, S236은 S239와 동시에 및/또는 이후에 발생할 수 있다.
S236의 제1 변형예에서, 예를 들어 도 7b에 도시된 바와 같이, 심혈관 파라미터는 기준 변환을 (예를 들어, S232에서 결정되는) 기준 세트에 적용함으로써 결정될 수 있다. 기준 변환은 (예를 들어, 도 7a에 도시된 바와 같이, 상이한 개인에 대한 한 세트의 기준 변환이 심혈관 파라미터에 각각의 기준의 역행렬을 곱합으로써 결정되는) 교정 데이터세트로부터 결정되고/되거나, 모델(예를 들어, 개인의 모델, 인체 해부학의 모델, 물리적 모델 등)에 기초하고/하거나, 기계 학습(예를 들어, 신경망)을 사용하여 생성되고/되거나, (예를 들어, 기준 값 세트를 심혈관 파라미터 값 세트와 관련시키는) 매니폴드로부터 생성되고/되거나, 피트(예를 들어, 최소 제곱 피트, 비선형 최소 제곱 피트 등)에 기초하고/하거나, 달리 결정될 수 있다. 기준 변환은 범용 변환이거나, 주어진 심혈관 파라미터 또는 그 조합에 특정되거나, 개인의 파라미터(예를 들어, 연령, 인구학, 동반이환, 바이오마커, 약, 추정된 또는 측정된 생리학적 상태 등)에 특정되거나, 개인에 특정되거나, 측정 맥락(예를 들어, 일일 시간, 주변 온도 등)에 특정되거나, 달리 일반적이거나 특정적일 수 있다. 기준 변환은 대조군의 서브세트(예를 들어, 개인의 특성과 유사하거나 일치하는 하나 이상의 특성을 갖는 대조군의 서브세트)에 기초하고/하거나, 보팅(voting)에 기초하여 선택되고/되거나, 신경망에 의해 선택되고/되거나, 랜덤으로 선택되고/되거나, 달리 교정 데이터세트로부터 선택되는 평균, 중간, 가장 정확한(예를 들어, 최저 잔차, 최저 오차 등) 것일 수 있다.
기준 변환(예를 들어, 선형 회귀 계수)은 선형 또는 비선형 변환일 수 있다. 각각의 심혈관 파라미터는 상이한 기준 변환과 연관될 수 있고/있거나 하나 이상의 심혈관 파라미터는 동일한 기준 변환과 연관될 수 있다(예를 들어, 2개 이상의 심혈관 파라미터는 상관되거나 공변량일 수 있다). 제1 변형예의 특정 예에서, 심혈관 파라미터는 다음에 따라 결정될 수 있으며:
Figure pct00006
여기서 A는 기준의 세트에 대응하고, T는 기준 변환에 대응하고, B는 심혈관 파라미터(들)에 대응한다.
특정 예에서, 방법은 다음을 포함한다: 개인에 대한 기준 변환을 결정하는 단계, 및 후속 심혈관 측정 및 기준 변환에 기초하여 개인에 대한 심혈관 파라미터 값(들)을 결정하는 단계. 기준 변환은 바람직하게는 개인으로부터 샘플링되는 한 세트의 교정 데이터로부터 선택되며, 이는 다음을 포함할 수 있다: 교정 심혈관 측정으로부터 추출되는 기준(예를 들어, PPG 데이터, 용적맥파 데이터) (A), 및 교정 심혈관 파라미터 측정(예를 들어, 혈압, O2 레벨 등; 결정될 심혈관 파리미터의 측정) (B). 개인에 대한 기준 변환(T)은 AT=B로부터 결정된다. T는 후속-샘플링된 심혈관 측정으로부터 추출되는 기준에 대한 심혈관 파라미터 값을 결정하기 위해 그 후에 사용된다.
S236의 제2 변형예에서, 도 6b에 도시된 바와 같이, 심혈관 파라미터는 개인이 개인의 심혈관 매니폴드 상에 있는 경우, 개인의 심혈관 매니폴드로부터 범용 심혈관 매니폴드로의 매니폴드 변환, 및 선택적으로 범용 심혈관 매니폴드 상의 개인의 위치로부터 심혈관 파라미터 값으로의 매핑 변환에 기초하여 결정될 수 있다. 심혈관 파라미터는 추가적으로 또는 대안적으로 개인이 심혈관 매니폴드 상에 있는 경우의 변화, 범용 심혈관 매니폴드 상의 개인의 유효 위치, 범용 심혈관 매니폴드 상의 개인의 유효 위치의 변화에 의존하고/하거나, 달리 심혈관 매니폴드에 대한 개인의 관계에 의존할 수 있다. 범용 심혈관 매니폴드는 (예를 들어 도 6a에 도시된 바와 같이) 교정 데이터세트로부터 결정되고/되거나, 모델로부터 결정되고/되거나, 기계 학습(예를 들어, 신경망)을 사용하여 생성되고/되거나, 달리 결정될 수 있다. 범용 심혈관 매니폴드는 교정 데이터세트의 평균이고/이거나, 그 극값을 포함하고/하거나, (예를 들어, 결정할 기계 학습 알고리즘을 사용하여) 이로부터 학습되고/되거나, 이로부터 선택되고/되거나, 달리 이에 기초하여 결정될 수 있다. 범용 심혈관 매니폴드는 바람직하게는 하나 이상의 기준에 대한 값을 심혈관 파라미터에 대한 값에 매핑하지만, 달리 구성될 수 있다. 범용 심혈관 매니폴드는 바람직하게는 적어도 다수의 모집단의 가능한 기준 값 및/또는 심혈관 파라미터 값을 포함하지만, 모집단의 임의의 다른 적절한 구획(swath)을 포함할 수 있다. 범용 심혈관 매니폴드는 하나 이상의 심혈관 파라미터에 특정될 수 있지만(예를 들어, 시스템은 혈압 및 산소 수준에 대한 상이한 범용 매니폴드를 포함할 수 있음), 대안적으로 관심있는 다수의 또는 모든 심혈관 파라미터를 포함할 수 있다. 매니폴드 변환은 하나 이상의 아핀(affine) 변환(예를 들어, 다음 중 하나 이상의 임의의 조합: 평행이동, 스케일링, 상사(homothety), 유사성 변환, 반사, 회전, 및 전단 매핑) 및/또는 임의의 적절한 변환을 포함할 수 있다. 제2 변형예의 예시적인 예에서, 개인의 심혈관 단계는 결정되어 (예를 들어, 변환을 사용하여) 개인의 심혈관 단계를 (예를 들어, 범용 심혈관 매니폴드와 연관되는) 범용 심혈관 단계로 정렬시킬 수 있으며, 여기서 범용 심혈관 단계와 심혈관 파라미터 사이의 관계는 공지되어 있다.
특정 예에서, 방법은 다음을 포함한다: 모집단 교정 데이터로부터 범용 매니폴드를 생성하는 단계, 개인의 교정 데이터로부터 개인 매니폴드를 생성하는 단계, 및 개인 매니폴드와 범용 매니폴드 사이의 변환을 결정하는 단계. 범용 매니폴드는 바람직하게는 유한 도메인이고 모든(또는 다수의) 섭동(perturbation) 및 대응하는 심혈관 파라미터 값(예를 들어, 응답)을 포함하지만, 임의의 다른 적절한 공간을 포함할 수 있다. 범용 매니폴드는 바람직하게는 (상이한 값을 갖는) 기준의 조합과 상이한 심혈관 파라미터에 대한 값을 관련시키지만, 다른 변수를 관련시킬 수 있다. 개인 교정 데이터는 바람직하게는 심혈관 파라미터 측정(예를 들어, 혈압)에 대응하는 심혈관 측정(예를 들어, PPG 데이터, 용적맥파 데이터)을 포함하지만, 다른 데이터를 포함할 수 있다. 모집단 교정 데이터는 바람직하게는 개인 교정 데이터와 유사하지만, (예를 들어, 하나 이상의 생리학적 상태에서) 다수의 개인에 걸친 데이터를 포함한다. 변환은: (예를 들어, 방정식으로서, 상수로서, 행렬 등으로서) 계산되거나, 추정되거나, 달리 결정될 수 있다. 변환은 바람직하게는 개인 및 범용 매니폴드 사이의 변환을 나타내지만, 추가적으로 또는 대안적으로 (예를 들어, 범용 도메인에서의) 심혈관 파라미터 값에 대한 범용 매니폴드 상의 기준 위치(예를 들어, 범용 도메인으로 변환되는, 특정 세트의 기준 값)의 매핑을 나타낸다. 대안적으로, 방법은 제2 변환을 적용하여, 범용-변환된 기준 값을 (예를 들어, 범용 도메인에서의) 심혈관 파라미터 값으로 변환시킬 수 있다. 변환(들)은 개인의 심혈관 파라미터 값을 결정하기 위해 개인으로부터의 후속 심혈관 측정으로부터 추출되는 기준에 그 후에 적용된다.
S236의 실시예는 개인에 대한 심혈관 매니폴드를 결정하는 단계를 포함할 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 개인의 심혈관 매니폴드는 개인의 심장 기능, 신경계, 및 혈관 변화와 관련된 표면에 대응한다. 그러나, 심혈관 매니폴드는 추가적으로 또는 대안적으로 개인의 내분비계, 면역계, 소화계, 신장계, 및/또는 신체의 임의의 적절한 시스템에 의존할 수 있다. 심혈관 매니폴드는 추가적으로 또는 대안적으로 볼륨, 라인이고/이거나, 달리 임의의 적절한 형상에 의해 표현될 수 있다. 개인의 심혈관 매니폴드는 바람직하게는 개인의 수명에 걸쳐 실질적으로 일정하다(예를 들어, 매일, 매주, 매월, 매년 등이 다르지 않은 것처럼 느리게 가변된다). 이와 같이, 개인의 심혈관 매니폴드는 나중에 개인의 심혈관 파라미터를 분석하기 위해 액세스되고 사용되도록 저장될 수 있다. 그러나, 개인의 심혈관 매니폴드는 (예를 들어, 상당한 출혈량, 약의 부작용 등의 결과로서) 가변적이고/이거나 상당히 변화되고/되거나 시간이 경과함에 따라 임의의 다른 특성을 가질 수 있다.
일부 변형예에서, 심혈관 매니폴드는 미리결정된 함수 형태(예를 들어, S232의 제3 변형예)에 대응하고/하거나 이로부터 유도될 수 있다. 그러나, 심혈관 매니폴드는 달리 기준에 관련되고/되거나 이에 관련되지 않을 수 있다.
심혈관 매니폴드는 바람직하게는 초평면(hyperplane)에 대응하지만, 추가적으로 또는 대안적으로 삼각 매니폴드, 에스자형 매니폴드, 초곡면, 고차 매니폴드에 대응하고/하거나, 임의의 적절한 위상 공간에 의해 설명될 수 있다.
도 9에 도시된 바와 같이, 개인에 대한 심혈관 매니폴드를 결정하는 단계는 다음과 같이 데이터세트(예를 들어, 세그먼트화된 데이터세트, 처리된 데이터세트, 데이터세트의 서브세트 등)의 복수의 세그먼트 각각을 복수의 가우시안 함수에 피팅시키는 단계를 포함할 수 있으며,
Figure pct00007
여기서
Figure pct00008
는 데이터세트의 세그먼트이고, t는 시간이고, N은 피팅될 함수의 총 수이고, i는 피트(fit)의 각각의 함수에 대한 인덱스이고; a,b, 및 c는 피트 파라미터이고,
Figure pct00009
는 심혈관 단계
Figure pct00010
의 함수이며 여기서 피트 파라미터는
Figure pct00011
의 값에 제한된다. 제한 함수(constraining function)는 각각의 피트 파라미터에 대해 동일하거나 상이할 수 있다. 제한 함수는 바람직하게는 연속적으로 미분가능하지만, 미리결정된 시간 윈도우에 걸쳐 연속적으로 미분가능하고/하거나 연속 미분가능하지 않을 수 있다. 제한 함수의 예는 다음을 포함한다: 상수, 선형 항, 다항 함수, 삼각 함수, 지수 함수, 라디칼 함수, 유리 함수, 그 조합, 및/또는 임의의 적절한 함수.
제3 변형예에서, 심혈관 파라미터를 결정하는 단계는 보충 데이터에 기초하여 심혈관 파라미터를 결정하는 단계를 포함할 수 있다. 예를 들어, 기준 변환 및/또는 매니폴드 변환은 (예컨대 개인의 성별 또는 인종과 관련되는 공지된 바이어스 또는 오프셋을 설명하기 위해) 보충 데이터에 기초하여 수정될 수 있다.
제4 변형예에서, 심혈관 파라미터는 하나보다 많은 방식으로 결정될 수 있다. 예를 들어, 심혈관 파라미터는 위의 변형예 중 2개 이상에 따라 결정될 수 있다. 제4 변형예에서, 개인 심혈관 파라미터는 평균 심혈관 파라미터이고/이거나, 가장 개연성 있는 심혈관 파라미터이고/이거나, 보팅(voting)에 기초하여 선택되고/되거나, 가장 극단적인 심혈관 파라미터(예를 들어, 최고, 최저 등)이고/이거나, 이전에 결정된 심혈관 파라미터에 의존하고/하거나, 달리 선택될 수 있다.
그러나, 심혈관 파라미터는 임의의 적절한 방식으로 결정될 수 있다.
방법은 선택적으로 심혈관 상태에 대한 분류(classification)를 결정하는 단계를 포함할 수 있다. 심혈관 상태 분류(cardiovascular state classifications; CSC)의 예는 다음을 포함한다: 휴식, 운동, 심호흡, 얕은 호흡, 교감 신경 활성화, 부교감 신경 활성화, 저산소, 산소과잉, 및/또는 다른 분류. CSC는 바람직하게는 한 세트의 심혈관 파라미터의 값에 기초하여 결정되지만, 추가적으로 또는 대안적으로 보조 데이터(예를 들어, 맥락 데이터 예컨대 일일 시간, 주변 온도, 복용된 약 등; 생리학적 측정; 등), 및/또는 다른 데이터에 기초하여 결정될 수 있다. CSC는 다음: 즉, 분류기(예를 들어, RNN, CNN, 자동인코더, KNN 등), 상관, 규칙, 휴리스틱스(예를 들어, 여기서 CSC는 한 세트의 미리결정된 심혈관 파라미터가 한 세트의 각각의 범위 내의 값을 가질 때 주어진 클래스로 라벨링되는 등)을 사용하여 결정되고/되거나, 달리 결정될 수 있다.
일부 실시예에서, S236은 개인의 심혈관 파라미터(들)에 대한 하나 이상의 미리결정된 활동의 효과를 예측하는 단계를 포함할 수 있다. 예측된 효과는 개인이 미리결정된 활동을 수행하는 경우 한 세트의 예측된 기준, 개인의 심혈관 매니폴드 상의 예측된 위치, 범용 심혈관 매니폴드 상의 예측된 유효 위치, 시뮬레이션된 데이터세트(예를 들어, 원시 데이터세트, 처리된 데이터세트, 단계 S210-S228에 의해 생성되는 데이터세트와 유사한 시뮬레이션된 데이터세트 등)에 기초하여 결정되고/되거나, 달리 예측될 수 있다.
S239는 바람직하게는 클라이언트 데이터베이스, 임상의 데이터베이스, 사용자 데이터베이스, 및/또는 임의의 적절한 위치/구성요소에 심혈관 파라미터(및/또는 임의의 적절한 데이터세트(들))를 저장하도록 기능한다. S239는 선택적으로 시간에 걸쳐(예를 들어, 시, 일, 주, 월, 년, 10년, 및/또는 그 사이의 임의의 시간량 도처에 걸쳐) 심혈관 파라미터를 추적하는 단계를 포함할 수 있다. 예를 들어, 개인에 대한 심혈관 파라미터는 심혈관 파라미터가 얼마나 안정적인지, 활동(예를 들어, 미리결정된 활동)의 참여가 심혈관 파라미터(들)에 어떻게 영향을 미치는지를 모니터링하기 위해 미리결정된 양의 시간 동안 추적되고/되거나, 달리 개인의 심혈관 파라미터를 추적할 수 있다. 그러나, S239는 달리 사용될 수 있다.
S240은 바람직하게는 심혈관 파라미터(및/또는 그 임의의 적절한 데이터세트(들) 또는 분석)를 개인, 임상의, 의료-제공자, 후견인, 및/또는 임의의 적절한 개인에게 제시(예를 들어, 표시)하도록 기능한다. S240은 바람직하게는 (예를 들어, 사용자 디바이스, 의료-제공자 디바이스, 후견인 디바이스, 임상의 디바이스 등의) 인터페이스 디바이스에서 수행되며; 그러나, 임의의 적절한 구성요소가 분석을 제시하기 위해 사용될 수 있다. 심혈관 파라미터는 이전 판독에 대한 변경으로서, 표시자(예를 들어, "good" 또는 "bad")를 사용하여, 표에서, 그래픽적으로, 수치적으로(예를 들어, 백분위수, 절대값 등으로서) 표시되고/되거나, 달리 표시될 수 있다. S240은 S230 이전에, 동안에, 및/또는 이후에 발생할 수 있다.
변형예에서, S240은 하나 이상의 미리결정된 활동을 개인(및/또는 임상의, 의료-제공자, 후견인 등)에게 제시할 수 있다. 이러한 변형예에서, 미리결정된 활동은 바람직하게는 사용자의 심혈관 파라미터에서 긍정적인 변화를 끌어내기 위해 선택되지만, 추가적으로 또는 대안적으로 (예를 들어, 개인이 미리결정된 활동에 참가하는 것을 방해하도록 시도하기 위해) 부정적인 변화를 제시하고/하거나, 변화를 생성하지 않을 수 있다. 미리결정된 활동은 (예를 들어, S236의 변형예에서 예측된 바와 같은) 미리결정된 활동의 예측된 영향, 미리결정된 활동이 영향을 미칠 확률에 기초하여 선택될 수 있다.
관련된 변형예에서, S240은 시간에 걸쳐 개인의 심혈관 파라미터(들)의 분석을 제시하는 단계를 포함할 수 있으며, 이는 개인이 참여하는 하나 이상의 활동이 개인의 심혈관 파라미터에 어떻게 영향을 미치는지를 보여줄 수 있다. 시간은 개인의 심혈관 파라미터에 대한 장기적인 또는 단기적인(예를 들어, 즉각적인) 영향을 보여주기 위해 분, 시, 일, 주, 달, 년, 10년, 및/또는 그 사이의 임의의 적절한 시간일 수 있다.
S250은 선택적으로 생리학적 상태를 결정하는 단계를 포함할 수 있으며, 이는 한 세트의 생리학적 파라미터에 대한 값을 결정하도록 기능할 수 있다. 결정될 수 있는 생리학적 파라미터의 예는 다음을 포함한다: 심혈관 파라미터, 체온, 호르몬 파라미터(예를 들어, 수준, 변화율 등), 면역 기능, 및/또는 다른 파라미터. 생리학적 상태는 심혈관 파라미터 값, 기준 값, 보조 정보(예를 들어, 일일 시간, 주변 온도, 약 스케쥴 등), 및/또는 다른 정보에 기초하여 결정될 수 있다. 생리학적 상태는 다음에 대한 정보에 기초하여 결정될 수 있다: 주어진 시간 윈도우, 다수의 시간 프레임에 걸쳐(예를 들어, 여기서 생리학적 상태는 시간 경과에 따른 파라미터 변화에 기초하여 결정될 수 있음), 및/또는 다른 시간(temporal) 데이터세트. 생리학적 상태는 다음: 즉, (예를 들어, 이력 데이터에 기초하여 훈련되는) 신경망, 상관, 룩업 테이블, 입력을 생리학적 상태에 매핑시키는 2차 범용 매니폴드를 사용하여 결정되거나, 달리 결정될 수 있다.
특정 예에서, 방법(200)은 다음을 포함할 수 있다: 원시 PPG 데이터세트를 (예를 들어, 60 Hz 프레임 레이트에서) 측정하는 단계; 원시 PPG 데이터세트를 표준 프레임 레이트(예를 들어, 240 Hz)로 보간함으로써 보간된 원시 데이터세트를 생성하는 단계; 보간된 원시 데이터세트를 필터링함으로써(예를 들어, ≤ 0.5 Hz 신호를 제거하는 롱패스 필터) 필터링된 데이터세트를 생성하는 단계; 보간된 원시 데이터세트를 (예를 들어, 느린 및 빠른 이동 평균에 기초하여, 개인 심장박동 등에 대응하는 동맥 압력 파형으로) 세그먼트화함으로써 세그먼트화된 원시 데이터세트를 생성하는 단계; 다음: 즉, 세그먼트화된 원시 데이터세트를 (예를 들어, EEMD를 사용하여) 한 세트의 고유 모드로 분해하고 고유 모드(예컨대 첫 번째 6개의 고유 모드 등)의 서브세트를 합산함으로써 잡음 제거된 세그먼트화된 데이터세트를 생성하는 단계; 잡음 제거된 세그먼트화된 데이터세트의 이동 시간 윈도우의 신호 대 잡음비에 기초하여 처리된 데이터세트(예를 들어, 잡음 제거된 세그먼트화된 데이터세트의 서브세트)를 생성하는 단계; 처리된 데이터세트로부터 기준(예를 들어, 분석 데이터세트의 각각의 세그먼트에 대한 기준)을 결정하는 단계; 및 기준에 기초하여 개인의 심혈관 파라미터를 결정하는 단계. 이러한 특정 예에서, 분석 데이터세트로부터 기준을 결정하는 단계는 분석 데이터세트를 스플라인 함수에 피팅시키는 단계; 피팅된 분석 데이터세트의 1차, 2차, 및 3차 도함수를 계산하는 단계; 1차, 2차, 및 3차 도함수의 근(root)을 결정하는 단계를 포함할 수 있다. 그러나, 심혈관 파라미터는 임의의 적절한 방식으로 결정될 수 있다.
시스템 및/또는 방법의 실시예는 다양한 시스템 구성요소 및 다양한 방법 프로세스의 모든 조합 및 순열을 포함할 수 있으며, 여기서 본원에 설명되는 방법 및/또는 프로세스의 하나 이상의 인스턴스는 비동기로(예를 들어, 순차적으로), 동시에(예를 들어, 병렬로), 또는 임의의 다른 적절한 순서로 및/또는 본원에 설명되는 시스템, 요소, 및/또는 엔티티 중 하나 이상의 인스턴스를 사용함으로써 수행될 수 있다.
당업자가 이전에 상세화된 설명으로부터 그리고 도면 및 청구항으로부터 인식하는 바와 같이, 수정 및 변경은 이하의 청구항에 정의되는 본 발명이 범위로부터 벗어나는 것 없이 본 발명의 바람직한 실시예에 대해 이루어질 수 있다.

Claims (21)

  1. 환자의 혈압을 측정하기 위한 방법에 있어서,
    ● 사용자의 신체 부위의 복수의 이미지를 수신하는 단계 - 상기 이미지는 상기 환자와 연관되는 사용자 디바이스의 이미지 기록 디바이스를 사용하여 기록되며 상기 이미지 기록 디바이스는 상기 사용자의 상기 신체 부위와 접촉함 -;
    ● 상기 복수의 이미지로부터 광용적맥파(photoplethysmogram; PPG) 데이터세트를 생성하는 단계;
    ● 다음: 즉,
    o 0.5 Hertz 이하의 상기 PPG 데이터세트로부터의 신호를 제거하도록 구성되는 저역통과필터를 사용하여 상기 PPG 데이터세트를 필터링하고;
    o 향상된 경험적 모드 분해를 사용하여 상기 PPG 데이터세트를 한 세트의 모드로 분해하고;
    o 상기 한 세트의 모드로부터 고유 모드를 추출하고;
    o 상기 잡음 제거된 PPG 데이터세트를 생성하기 위해 상기 고유 모드를 집계함으로써;
    잡음 제거된 PPG 데이터세트를 생성하기 위해 상기 PPG 데이터세트에서 잡음을 제거하는 단계;
    ● 이동 평균 세그먼트화를 사용하여 상기 잡음 제거된 PPG 데이터세트를 세그먼트화된 PPG 데이터세트로 세그먼트화하는 단계;
    ● 상기 세그먼트화된 PPG 데이터세트의 세그먼트의 미리결정된 수를 평균화함으로써 처리된 PPG 데이터세트를 결정하는 단계;
    ● 상기 처리된 PPG 데이터세트로부터 한 세트의 기준(fiducial)을 추출하는 단계;
    ● 상기 한 세트의 기준에 기초하여 환자 심혈관 매니폴드 상의 위치를 결정하는 단계;
    ● 상기 환자 심혈관 매니폴드 상의 상기 위치를 범용 심혈관 매니폴드 상의 위치로 변환하는 단계; 및
    ● 상기 범용 심혈관 매니폴드 상의 상기 위치로부터 혈압 값으로의 매핑에 기초하여 상기 환자의 혈압을 결정하는 단계를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 세그먼트의 미리결정된 수는 상기 PPG 데이터세트의 적어도 10개의 세그먼트를 포함하는, 방법.
  3. 제1항에 있어서,
    상기 범용 심혈관 매니폴드 또는 상기 변환 중 적어도 하나는 다음: 즉,
    ● 교정 환자의 그룹의 각각의 환자에 대해:
    o 혈압계, 디지털 혈압 모니터, 요골 동맥 압력계, 동맥 카테터, 또는 심전도 중 적어도 하나를 사용하여 혈압을 측정하고;
    o 상기 혈압을 측정하는 것과 동시에, 상기 교정 환자에 대응하는 한 세트의 기준을 결정하고;
    o 상기 측정된 혈압과 상기 한 세트의 기준 사이의 관계를 결정하고;
    ● 상기 범용 심혈관 매니폴드 또는 상기 변환 중 적어도 하나를 결정하기 위해 각각의 환자에 대해 상기 관계를 결합시킴으로써 결정되는, 방법.
  4. 제1항에 있어서,
    상기 처리된 PPG 데이터세트로부터 상기 한 세트의 기준을 추출하는 단계는 상기 처리된 PPG 데이터세트를 피팅 함수에 피팅시키는 단계를 포함하며, 상기 한 세트의 기준은 상기 피팅 함수의 하나 이상의 피트 파라미터를 포함하는, 방법.
  5. 제4항에 있어서,
    상기 피팅 함수는 복수의 가우시안을 포함하는, 방법.
  6. 제4항에 있어서,
    상기 피트 파라미터는 초평면(hyperplane)의 값에 제한되는, 방법.
  7. 환자의 심혈관 상태를 결정하기 위한 방법에 있어서,
    ● 상기 환자와 연관되는 용적맥파(plethysmogram; PG) 데이터세트를 수신하는 단계;
    ● 상기 PG 데이터세트에 대응하는 한 세트의 고유 모드를 집계함으로써 상기 PG 데이터세트로부터 잡음을 제거하는 단계;
    ● 상기 잡음 제거된 PG 데이터세트를 세그먼트화된 PG 데이터세트로 세그먼트화하는 단계 - 각각의 세그먼트는 상기 환자의 심장 주기에 대응함 -;
    ● 상기 세그먼트화된 PG 데이터세트의 한 세트의 기준(fiducial)을 추출하는 단계 -, 상기 한 세트의 기준은 다음: 즉,
    o 상기 세그먼트화된 PG 데이터세트,
    o 상기 세그먼트화된 PG 데이터세트의 1차 도함수,
    o 상기 세그먼트화된 PG 데이터세트의 2차 도함수, 또는
    o 상기 세그먼트화된 PG 데이터세트의 3차 도함수 중 적어도 하나의 값에 기초하여 결정됨 -; 및
    ● 변환을 상기 한 세트의 기준에 적용함으로써 상기 환자의 상기 심혈관 상태를 결정하는 단계를 포함하는, 방법.
  8. 제7항에 있어서,
    상기 PG 데이터세트의 갭을 채우기 위해 상기 PG 데이터세트의 데이터 포인트 사이를 보간하는 단계를 더 포함하는, 방법.
  9. 제7항에 있어서,
    상기 환자의 상기 심혈관 상태는 다음: 즉, 혈압, 심장 이벤트, 심혈관 유동, 및 상기 환자의 약물 반응 중 하나 이상을 포함하는, 방법.
  10. 제7항에 있어서,
    한 세트의 기준을 추출하는 단계는 상기 세그먼트화된 PG 데이터세트의 각각의 세그먼트에 대한 한 세트의 기준을 추출하는 단계를 포함하는, 방법.
  11. 제10항에 있어서,
    상기 세그먼트에 대한 상기 한 세트의 기준을 추출하는 단계는:
    ● 상기 세그먼트의 상기 1차, 상기 2차, 및 상기 3차 도함수를 계산하는 단계;
    ● 상기 1차, 2차, 및 3차 도함수의 제로에 대응하는 시점을 결정하는 단계; 및
    ● 상기 시점에서 상기 세그먼트의 값을 결정하는 단계; 그리고
    ● 상기 시점에서 상기 세그먼트의 상기 1차, 2차, 및 3차 도함수의 값을 결정하는 단계를 포함하는, 방법.
  12. 제11항에 있어서,
    상기 한 세트의 기준은:
    ● 상기 1차 및 2차 도함수의 첫 번째 4개의 제로에 대응하는 시점에 대한 상기 세그먼트화된 PG 데이터세트의 상기 값;
    ● 상기 1차 및 2차 도함수의 상기 첫 번째 4개의 제로에 대응하는 상기 시점에 대한 상기 처리된 PG 데이터세트의 상기 1차 도함수의 상기 값; 및
    ● 상기 1차 및 2차 도함수의 상기 첫 번째 4개의 제로에 대응하는 상기 시점에 대한 상기 처리된 PG 데이터세트의 상기 2차 도함수의 상기 값을 포함하는, 방법.
  13. 제7항에 있어서,
    상기 PG 데이터세트의 상기 잡음을 제거하는 단계는 롱 패스 필터를 사용하여 상기 PG 데이터세트를 필터링하는 단계를 더 포함하는, 방법.
  14. 제7항에 있어서,
    상기 한 세트의 고유 모드는 향상된 경험적 모드 분해를 사용하여 결정되는, 방법.
  15. 제14항에 있어서,
    상기 PG 데이터세트로부터 잡음을 제거하는 단계는 상기 한 세트의 고유 모드의 첫 번째 6개의 모드를 집계하는 단계를 포함하는, 방법.
  16. 제7항에 있어서,
    상기 잡음 제거된 PG 데이터세트를 세그먼트화하는 단계는 이동-평균 크로스오버를 검출함으로써 상기 잡음 제거된 PG 데이터세트를 세그먼트화하는 단계를 포함하는, 방법.
  17. 제7항에 있어서,
    상기 세그먼트화된 데이터의 세그먼트의 미리결정된 수를 평균화함으로써 평균 PG 데이터세트를 결정하는 단계를 더 포함하며, 상기 한 세트의 기준은 상기 평균화된 PG 데이터세트에 기초하여 결정되는, 방법.
  18. 제7항에 있어서,
    ● 상기 한 세트의 기준에 기초하여 환자 심혈관 매니폴드를 결정하는 단계; 및
    ● 상기 환자 심혈관 매니폴드를 범용 심혈관 매니폴드로 변환하는 매니폴드 변환을 결정하는 단계를 더 포함하며;
    상기 변환은 상기 매니폴드 변환을 포함하는, 방법.
  19. 제7항에 있어서,
    상기 변환은 교정 환자의 그룹으로부터 유도되는 심혈관 상태 측정에 기초하여 생성되는 교정 데이터세트에 기초하여 결정되는, 방법.
  20. 제7항에 있어서,
    상기 변환은 선형 변환인, 방법.
  21. 제1항 내지 제20항 중 어느 한 항에 개시되는 바와 같은 방법을 수행하도록 구성되는, 시스템.
KR1020227014221A 2019-10-01 2020-10-01 심혈관 파라미터를 결정하기 위한 방법 및 시스템 KR20220123376A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962908758P 2019-10-01 2019-10-01
US62/908,758 2019-10-01
PCT/US2020/053785 WO2021067589A1 (en) 2019-10-01 2020-10-01 Method and system for determining cardiovascular parameters

Publications (1)

Publication Number Publication Date
KR20220123376A true KR20220123376A (ko) 2022-09-06

Family

ID=75161474

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227014221A KR20220123376A (ko) 2019-10-01 2020-10-01 심혈관 파라미터를 결정하기 위한 방법 및 시스템

Country Status (6)

Country Link
US (2) US20220378380A1 (ko)
EP (1) EP4037555A4 (ko)
JP (2) JP7293506B2 (ko)
KR (1) KR20220123376A (ko)
CN (1) CN115023180A (ko)
WO (1) WO2021067589A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11748447B1 (en) * 2022-06-29 2023-09-05 Pebblous Inc. Data clinic method, computer program storing data clinic method, and computing device for performing data clinic method

Family Cites Families (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3318727B2 (ja) * 1994-06-06 2002-08-26 日本光電工業株式会社 脈波伝播時間方式血圧計
SE517648C2 (sv) * 1999-09-14 2002-07-02 Biosys Ab Förfarande och system för övervakning av en fordonsförare
US6475153B1 (en) * 2000-05-10 2002-11-05 Motorola Inc. Method for obtaining blood pressure data from optical sensor
US6993377B2 (en) 2002-02-22 2006-01-31 The Board Of Trustees Of The University Of Arkansas Method for diagnosing heart disease, predicting sudden death, and analyzing treatment response using multifractal analysis
EP1670547B1 (en) 2003-08-18 2008-11-12 Cardiac Pacemakers, Inc. Patient monitoring system
US7286875B1 (en) 2004-05-03 2007-10-23 Pacesetter, Inc. Monitoring ventricular contractions using an implantable stimulation device
US8489178B2 (en) 2006-06-29 2013-07-16 Accuvein Inc. Enhanced laser vein contrast enhancer with projection of analyzed vein data
US8419649B2 (en) 2007-06-12 2013-04-16 Sotera Wireless, Inc. Vital sign monitor for measuring blood pressure using optical, electrical and pressure waveforms
US11607152B2 (en) 2007-06-12 2023-03-21 Sotera Wireless, Inc. Optical sensors for use in vital sign monitoring
US20090326386A1 (en) * 2008-06-30 2009-12-31 Nellcor Puritan Bennett Ireland Systems and Methods for Non-Invasive Blood Pressure Monitoring
US8239010B2 (en) 2009-09-14 2012-08-07 Sotera Wireless, Inc. System for measuring vital signs during hemodialysis
US8364250B2 (en) 2009-09-15 2013-01-29 Sotera Wireless, Inc. Body-worn vital sign monitor
US9066660B2 (en) 2009-09-29 2015-06-30 Nellcor Puritan Bennett Ireland Systems and methods for high-pass filtering a photoplethysmograph signal
US20110224564A1 (en) 2010-03-10 2011-09-15 Sotera Wireless, Inc. Body-worn vital sign monitor
US20120029320A1 (en) 2010-07-30 2012-02-02 Nellcor Puritan Bennett Llc Systems and methods for processing multiple physiological signals
US10137245B2 (en) 2010-08-17 2018-11-27 University Of Florida Research Foundation, Inc. Central site photoplethysmography, medication administration, and safety
DE102010037906B4 (de) 2010-09-30 2014-02-27 Schneider Electric Automation Gmbh Verfahren und System zur Aufzeichnung, Synchronisation und Analyse von Daten mittels in einem Kommunikationsnetzwerk räumlich verteilter Analyse-Geräte
US8761853B2 (en) 2011-01-20 2014-06-24 Nitto Denko Corporation Devices and methods for non-invasive optical physiological measurements
EP2665410B1 (en) 2011-01-21 2017-08-30 Worcester Polytechnic Institute Physiological parameter monitoring with a mobile communication device
US9522317B2 (en) 2011-08-19 2016-12-20 Pulson, Inc. Systems and methods for coordinating musculoskeletal and cardiovascular or cerebrovascular hemodynamics
GB201114406D0 (en) 2011-08-22 2011-10-05 Isis Innovation Remote monitoring of vital signs
KR20130111780A (ko) 2012-04-02 2013-10-11 삼성전자주식회사 Ｅｍｉ 차폐부를 갖는 반도체 장치
US10172562B2 (en) 2012-05-21 2019-01-08 Lg Electronics Inc. Mobile terminal with health care function and method of controlling the mobile terminal
US9005129B2 (en) 2012-06-22 2015-04-14 Fitbit, Inc. Wearable heart rate monitor
US9599632B2 (en) 2012-06-22 2017-03-21 Fitbit, Inc. Fitness monitoring device with altimeter
US8977347B2 (en) 2012-06-25 2015-03-10 Xerox Corporation Video-based estimation of heart rate variability
US20150182132A1 (en) 2012-08-10 2015-07-02 Cnv Systems Ltd. Mobile device system for measurement of cardiovascular health
US9370318B2 (en) * 2012-10-04 2016-06-21 Marius G. LINGURARU Quantitative assessment of the skull
US10244949B2 (en) 2012-10-07 2019-04-02 Rhythm Diagnostic Systems, Inc. Health monitoring systems and methods
GB201302451D0 (en) 2013-02-12 2013-03-27 Isis Innovation Method and system for signal analysis
IN2013MU02489A (ko) 2013-07-26 2015-06-26 Tata Consultancy Services Ltd
BR112016002488A2 (pt) 2013-08-07 2017-08-01 Koninklijke Philips Nv processador para uso em um sistema de monitoramento para monitorar o estado hemodinâmico de um indivíduo, sistema de monitoramento para monitorar o estado hemodinâmico de um indivíduo, método de processamento para uso em um sistema de monitoramento para monitorar o estado hemodinâmico de um indivíduo, método de monitoramento para monitorar o estado hemodinâmico de um indivíduo, e, programa de computador
US20170079533A1 (en) * 2014-05-01 2017-03-23 Medici Technologies, LLC Diabetes and Hypertension Screening by Assessment of Arterial Stiffness and Autonomic Function
US9498140B2 (en) * 2014-05-09 2016-11-22 Siemens Medical Solutions Usa, Inc. Image-based waveform parameter estimation
EP3157414B1 (en) 2014-06-18 2019-07-24 Nokia Technologies Oy Method, device and arrangement for determining pulse transit time
EP2992820B1 (en) 2014-08-11 2023-05-10 Tata Consultancy Services Limited Measuring blood pressure
KR102367550B1 (ko) 2014-09-02 2022-02-28 삼성전자 주식회사 생체 신호를 이용한 카메라 모듈의 제어
KR102544557B1 (ko) 2014-09-02 2023-06-20 애플 인크. 웨어러블 전자 디바이스
KR20160107007A (ko) * 2015-03-03 2016-09-13 삼성전자주식회사 혈압 측정 장치 및 방법
US20180184983A1 (en) * 2015-05-15 2018-07-05 Lionsgate Technologies, Inc. Method for determining physiological parameters from physiological data
DE102015108518B3 (de) * 2015-05-29 2016-10-06 CiS Forschungsinstitut für Mikrosensorik GmbH Verfahren sowie Vorrichtung zur Ermittlung des Verlaufs des Blutdrucks
WO2016205414A1 (en) * 2015-06-15 2016-12-22 Vital Labs, Inc. Method and system for cardiovascular disease assessment and management
US10420515B2 (en) 2015-06-15 2019-09-24 Vital Labs, Inc. Method and system for acquiring data for assessment of cardiovascular disease
KR101777738B1 (ko) 2015-07-07 2017-09-12 성균관대학교산학협력단 동영상을 이용하여 혈압을 추정하는 방법
US20170071516A1 (en) 2015-09-15 2017-03-16 Samsung Electronics Co., Ltd. Mobile optical device and methods for monitoring microvascular hemodynamics
US10832089B2 (en) * 2016-05-11 2020-11-10 Institut National De La Sante Et De La Recherche Medicale (Inserm) Method for determining the temporal progression of a biological phenomenon and associated methods and devices
KR102655670B1 (ko) * 2016-10-25 2024-04-05 삼성전자주식회사 생체 신호 품질 평가 장치 및 방법과, 생체 신호 측정 파라미터 최적화 장치 및 방법
CN109219391A (zh) * 2017-05-04 2019-01-15 京东方科技集团股份有限公司 用于确定对象血压的设备和方法
EP3723596A4 (en) * 2017-12-11 2021-02-24 Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain) PHYSIOLOGICAL SIGNAL ANALYSIS METHOD, MODULE AND SYSTEM
US20200107763A1 (en) * 2018-10-08 2020-04-09 Covidien Lp Mitigating input blood pressure variability in autoregulation monitoring

Also Published As

Publication number Publication date
US20210093210A1 (en) 2021-04-01
US20220378380A1 (en) 2022-12-01
EP4037555A4 (en) 2023-05-31
JP2023116614A (ja) 2023-08-22
JP7293506B2 (ja) 2023-06-19
US11324411B2 (en) 2022-05-10
JP2022550373A (ja) 2022-12-01
CN115023180A (zh) 2022-09-06
EP4037555A1 (en) 2022-08-10
WO2021067589A1 (en) 2021-04-08

Similar Documents

Publication Publication Date Title
Fan et al. Robust blood pressure estimation using an RGB camera
US11915825B2 (en) Systems and methods of analyte measurement analysis
Rong et al. A multi-type features fusion neural network for blood pressure prediction based on photoplethysmography
US20200121207A1 (en) Method of processing a signal representing a physiological rhythm
Natarajan et al. Photoplethysmography fast upstroke time intervals can be useful features for cuff-less measurement of blood pressure changes in humans
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
Park et al. Prediction of daily mental stress levels using a wearable photoplethysmography sensor
WO2021225744A1 (en) Heart rate variability monitoring and analysis
Steinman et al. Smartphones and video cameras: future methods for blood pressure measurement
Karthick et al. Analysis of vital signs using remote photoplethysmography (RPPG)
Jarchi et al. Estimation of respiratory rate from motion contaminated photoplethysmography signals incorporating accelerometry
Silva et al. Impact of sampling rate and interpolation on photoplethysmography and electrodermal activity signals’ waveform morphology and feature extraction
Roy et al. BePCon: a photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning
JP2023116614A (ja) 心血管パラメータを決定するための方法及びシステム
Botina-Monsalve et al. Performance analysis of remote photoplethysmography deep filtering using long short-term memory neural network
Wang et al. IMSF-Net: An improved multi-scale information fusion network for PPG-based blood pressure estimation
Park et al. A study on the development of a day-to-day mental stress monitoring system using personal physiological data
US20230148880A1 (en) Method and system for determining cardiovascular parameters
Mehta et al. " Can't Take the Pressure?": Examining the Challenges of Blood Pressure Estimation via Pulse Wave Analysis
Pankaj et al. Blood pressure estimation and classification using a reference signal-less photoplethysmography signal: a deep learning framework
Leong et al. Cuffless Non-invasive Blood Pressure Measurement Using CNN-LSTM Model: A Correlation Study
CN116269285B (zh) 一种非接触式常态化心率变异性估计系统
US20230371827A1 (en) Machine learning techniques for estimating carotid-femoral pulse wave velocity and/or vascular age from single-site arterial waveform measurements
US20240180434A1 (en) System and method for blood pressure measurement, computer program product using the method, and computer-readable recording medium thereof
Ghosal et al. DeepVitals: Deep neural and IoT based vitals monitoring in smart teleconsultation system

Legal Events

Date Code Title Description
E902 Notification of reason for refusal