TW201918222A - 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 - Google Patents
事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 Download PDFInfo
- Publication number
- TW201918222A TW201918222A TW107126195A TW107126195A TW201918222A TW 201918222 A TW201918222 A TW 201918222A TW 107126195 A TW107126195 A TW 107126195A TW 107126195 A TW107126195 A TW 107126195A TW 201918222 A TW201918222 A TW 201918222A
- Authority
- TW
- Taiwan
- Prior art keywords
- data sample
- segment
- signal
- wearable device
- processed
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims description 141
- 238000001514 detection method Methods 0.000 title claims description 71
- 230000033001 locomotion Effects 0.000 claims abstract description 104
- 238000013136 deep learning model Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000012634 fragment Substances 0.000 claims description 41
- 238000013441 quality evaluation Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 210000004204 blood vessel Anatomy 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000000386 athletic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000002792 vascular Effects 0.000 claims 12
- 238000001303 quality assessment method Methods 0.000 abstract description 13
- 238000013186 photoplethysmography Methods 0.000 description 77
- 102100032202 Cornulin Human genes 0.000 description 6
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000000707 wrist Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 235000012431 wafers Nutrition 0.000 description 1
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
- A61B5/024—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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一種設備包括感測器模組、資料處理模組、品質評估模組及事件預測模組。所述感測器模組提供生物信號資料樣本及運動資料樣本。所述資料處理模組處理生物信號資料樣本以移除基線並處理運動資料樣本以產生運動顯著性測度。所述品質評估模組使用第一深度學習模型、基於經處理生物信號資料樣本片段及對應的運動顯著性測度來產生信號品質指標。所述事件預測模組使用第二深度學習模型、基於與所期望的信號品質指標相關聯的經處理生物信號資料樣本片段來產生事件預測結果。
Description
本公開涉及一種醫療監視裝置及其方法,且具體來說涉及一種使用穿戴式裝置進行房顫檢測的系統及方法。
房顫(Atrial Fibrillation,AFib)是一種最常見的心律失常,其在發達世界中近似2%的普通人群中普遍存在。罹患AFib可能會潛在地引起主要健康風險。傳統上,AFib是通過心電圖(electrocardiogram,ECG)來檢測。儘管基於ECG的方式在AFib檢測中實現了非常高的準確度,然而監視ECG信號需要安裝具有多個電極的複雜裝置且這一過程需要人類的積極參與。近來,在AFib檢測中,光電血管容積圖(photoplethysmography,PPG)已有望替代ECG。基於PPG的解決方案的優點在於,PPG信號可易於從消費者級別的穿戴式裝置進行記錄及監視而無需參與者的積極努力。這一優點與人們能夠負擔得起穿戴式裝置及智慧手機相結合可使普通大眾能夠進行日常的、使用者友好的AFib監視及檢測,此可對受AFib影響的人群產生巨大的有利影響。
由於各種類型的雜訊會影響信號品質,因而利用從穿戴式裝置收集的PPG信號存在挑戰。信號品質可受到感測器品質及來自用戶的運動的顯著影響。來自感測器及用戶移動二者的偽像雜訊(artifact noise)可掩蓋對於檢測AFib而言有用的任何信號。先前對從穿戴式裝置收集的PPG信號進行的研究曾試圖使用通過PPG資料或加速度計資料計算而來的手工信號品質指數來解決這個問題。然而,事實上,這種人工設計特徵可能存在高的偏差以及差的可推廣性。未經過濾的低品質信號在實際使用情形中將可能使AFib檢測性能劣化。
本公開公開了一種進行房顫檢測的裝置及方法,所述裝置及方法實質上如在至少一個圖中所示和/或在下文中舉例來說結合至少一個圖所述,且在權利要求書中予以更完整的闡述。
通過閱讀以下說明及圖式將會更全面地理解本公開的這些及其他優點、方面及新穎特徵以及本公開所示實施例的細節。
在一個實施例中,一種設備包括:感測器模組,包括第一感測器及第二感測器,所述第一感測器被配置成測量生物信號,所述第二感測器被配置成測量運動信號,其中所述感測器模組提供生物信號資料樣本及運動資料樣本作為輸出;資料處理模組,被配置成處理所述生物信號資料樣本的片段,其中所述片段中的每一片段包括在預定持續時間內收集的生物信號資料樣本。所述資料處理模組被配置成從生物信號資料樣本的每一片段移除信號基線並產生經處理生物信號資料樣本片段,且所述資料處理模組還被配置成使用與所述生物信號資料樣本在同時期收集的所述運動資料樣本為生物信號資料樣本的每一片段產生運動顯著性測度,所述運動顯著性測度指示在對生物信號資料樣本的相應片段的感測期間的運動程度。所述設備還包括:品質評估模組,被配置成使用第一深度學習模型、基於所述經處理生物信號資料樣本片段及對應的所述運動顯著性測度來產生信號品質指標;以及事件預測模組,被配置成使用第二深度學習模型、基於與所期望的信號品質指標相關聯的所述經處理生物信號資料樣本片段來產生事件預測結果。
本公開可以各種方式實施,包括被實施為:製程;設備;系統;物質組合物;在電腦可讀儲存介質上實施的電腦程式產品;和/或處理器,例如被配置成執行儲存在耦合到處理器的記憶體上的指令和/或由耦合到處理器的記憶體提供的指令的硬體處理器或處理器裝置。在本說明書中,可將這些實施方式或本公開可採用的任何其他形式稱為技術。一般來說,可在本公開的範圍內改變所公開製程的步驟的次序。除非另有說明,否則例如被闡述為被配置成實行任務的處理器或記憶體等組件可被實施為臨時被配置成在給定時間實行所述任務的一般元件或者被製造成實行所述任務的專用組件。本文所用用語‘處理器(processor)’是指被配置成處理資料(例如,電腦程式指令)的一個或多個裝置、電路和/或處理核心。
在下文中與示出本公開的原理的附圖一起提供對本公開一個或多個實施例的詳細說明。結合這些實施例來對本公開加以闡述,但本公開並非僅限於任何實施例。本公開的範圍只受權利要求書限制且本公開囊括許多替代、修改及等效形式。在以下說明中闡述許多具體細節以提供對本公開的透徹理解。提供這些細節是出於舉例目的且無需這些具體細節中的一些或全部細節也可根據權利要求書來實踐本公開。為清晰起見,未詳細闡述與本公開相關的技術領域中所習知的技術材料以使本公開不會不必要地模糊不清。
在本發明的實施例中,使用者穿戴式裝置實施房顫(AFib)檢測系統,以使用生物感測器信號及運動信號的通道以及只使用由穿戴式裝置提供的計算能力來提供高準確度的AFib檢測。在一些實施例中,穿戴式裝置包括生物生理感測器(biophysiological sensor)及慣性測量感測器(inertial measurement sensor)以收集穿戴使用者穿戴式裝置的目標的生物信號及運動信號。使用者穿戴式裝置還利用深度學習模型實施神經網路以使用生物信號及運動信號對AFib進行檢測。在一些實施例中,生物生理感測器是光電血管容積圖(PPG)感測器且慣性測量感測器是加速度計。這樣一來,使用者穿戴式裝置實現了可以合宜於普通人群的用於AFib監視及檢測的可攜式、非侵入式低成本解決方案。在其他實施例中,使用者穿戴式裝置可被修改成用於檢測其他生物感測器信號以及將所檢測到的生物感測器信號與目標的運動資料一起使用來檢測所關心醫療事件的醫療監視裝置。本公開的使用者穿戴式裝置的配置及應用並非僅限於AFib檢測且可在健康監視中具有廣泛應用。
本發明的用於AFib檢測的使用者穿戴式裝置與傳統的系統及方法相比會實現許多優點。首先,本發明的AFib檢測系統使用單個通道的生物信號及單個通道的運動信號以及以最小化的預處理或變換來直接對來自感測器的原始信號應用深度神經網路的羽量級AFib檢測方法。因此,可在穿戴式裝置中有效地實施AFib檢測系統、同時提供高準確度的AFib檢測。第二,AFib檢測系統使用深度學習模型以利用運動信號對生物信號進行評價,以對生物信號的品質進行評估而無需人工構建品質測量。這樣一來,只使用具有良好信號品質的生物信號來進行AFib檢測,由此確保得到強健的AFib預測結果。
在一個實施例中,AFib檢測系統包括品質評估網路,所述品質評估網路的實施是通過使用原始生物感測器信號作為輸入來訓練輔助卷積神經網路(convolutional neural network,CNN),以準確地評估從生物生理感測器收集的信號的品質,而無需人工構建品質測量。品質評估網路充當守門員(gate keeper)並且識別信號品質良好且因而適用於AFib檢測的原始生物感測器信號的片段。AFib檢測系統還包括作為另一個經訓練CNN的AFib預測網路,所述AFib預測網路預測在由品質評估網路提供的信號中存在AFib的機率。與基於現有技術ECG的方式相比,本發明的AFib檢測系統在AFib檢測中實現了高的準確度,但仍具有可在例如腕帶穿戴式裝置等小型移動裝置中實施的簡單結構。
圖1示出根據本發明實施例的電子裝置。圖2示出根據本發明實施例的電子裝置的方塊圖。參照圖1以及圖2,電子裝置100(其可為使用者穿戴式裝置)具有顯示器160、處理器130、感測器模組150、電池、手帶(band)140及卡扣142。手帶140可包繞在手腕周圍且使用者穿戴式裝置100可使用卡扣142固定在手腕上。感測器模組150包括一個或多個感測器152及156以及本地處理器154。本地處理器154實施對感測器模組的控制功能且還可實行對所感測信號的處理或預處理。處理器130實施對使用者穿戴式裝置的控制功能且還可對所感測信號實行進一步信號處理功能。也可將本地處理器154或處理器130稱為診斷處理器。
儘管使用者穿戴式裝置100可戴在手腕上,然而本公開的各種實施例不需要被限制為如此。使用者穿戴式裝置100也可被設計成戴在身體的其他部位上,例如(舉例來說),戴在手臂上(在前臂、肘部或上臂周圍)、戴在腿上、戴在胸部上、像頭帶一樣戴在頭上,像“頸鏈(choker)”一樣戴在喉部上以及戴在耳朵上。使用者穿戴式裝置100可能夠與其他電子裝置(例如(舉例來說),智慧手機、膝上型電腦或者醫院或醫生辦公室中的各種醫療裝置)進行通信。
顯示器160可輸出來自用戶身體的所監測生理信號以供使用者和/或其他人察看。所監視的生理信號有時被稱為生物信號或生物特徵資料(biometric data)。所監視的生物信號可為例如心(脈搏)率、脈搏形態(形狀)、脈搏間隔(pulse spacing)(心搏間期(inter-beat intervals))、呼吸(respiration/breathing)速率及血壓。舉例來說,顯示器160還可向用戶或者使用使用者穿戴式裝置100或使用其他測量裝置的其他人輸出指令,以及輸出狀態及診斷結果。
處理器130從感測器模組150中的感測器接收所監視的或所感測到的信號。舉例來說,當使用者穿戴使用者穿戴式裝置100時,感測器152、156從使用者的腕部獲取信號。在本發明的實施例中,感測器模組150包括為生物生理感測器的第一感測器152及為慣性測量感測器的第二感測器156。在一個實施例中,生物生理感測器是光電血管容積圖(PPG)感測器且慣性測量感測器是加速度計。感測器模組150可包括處理器154,處理器154用於控制感測器152及156且還用於處理被感測器152及156感測到的信號。舉例來說,處理器154可對由感測器152及156監視的信號進行分解,且接著對經分解的信號進行重構。本公開的各種實施例可具有也實行處理器154的功能的處理器130。本公開的各種實施例還可具有不同數目的感測器。
在一些實施例中,感測器152是用於連續地或週期性地監視使用者的心臟相關生理資訊(例如,心脈搏率或心脈搏形狀)的PPG感測器。同時,感測器156是用於連續地或週期性地監視使用者的運動資訊的加速度計。感測器模組150可包括其他感測器,例如(舉例來說)用於測量用戶體溫的體溫計。
使用者穿戴式裝置100在處理器130中實施本發明的AFib檢測系統。AFib檢測系統包括用於使用由慣性測量感測器154測量的運動信號來對由生物生理感測器152測量的生物生理信號的品質進行評價的品質評估網路,且還包括用於對被確定為良好品質的生物生理信號進行評價以及估計在所監視的信號中存在AFib的機率的AFib預測網路。AFib檢測系統的詳細結構將在下文中更詳細地加以闡述。
再次參照圖2,使用者穿戴式裝置100包括感測器模組150、處理器130、顯示器160及用於向其他組件供電的電池170。處理器130控制在顯示器160上提供的輸出。顯示器160還可包括輸入裝置(圖中未示出),例如(舉例來說),按鈕、撥號盤、觸敏螢幕(touch sensitive screen)及麥克風(microphone)。
在本發明的實施例中,感測器模組150包括至少一個生物生理感測器152以測量使用者的生物信號。在本實施例中,生物生理感測器152是PPG感測器。感測器模組150還包括至少一個慣性測量感測器156以測量使用者的運動信號。在本實施例中,慣性測量感測器156是加速度計,例如三軸加速度計(tri-axial accelerometer)。感測器模組150可設置有本地處理器154,本地處理器154用於控制感測器152及156且還用於處理分別由感測器152與感測器156感測到的生物信號及運動信號。在一些實施例中,可在本地處理器154和/或處理器130處實施信號處理操作。作為另外一種選擇,本地處理器154可實行信號處理的一部分(例如某些信號預處理),且處理器130實施用於生物特徵確定或其他功能的其他信號處理演算法。在本發明的實施例中,用於執行生物特徵信號處理演算法的專用處理器對於實踐本發明而言並非是必不可少的。
在本發明的實施例中,處理器130被配置成用於控制使用者穿戴式裝置100中的感測操作、採樣排程(sampling schedule)、信號處理操作及裝置通信事件以及其他裝置專用功能。在本實施例中,處理器130包括中央處理器(central processing unit,CPU)132、記憶體134、輸入/輸出(input/output,I/O)介面182、通信介面184及AFib檢測模組190。儘管處理器130被闡述為包括這些各種裝置,然而其他實施例可使用以不同方式對不同的功能進行分組的其他架構。舉例來說,分組可在不同的積體電路晶片中進行。或者分組可將例如輸入/輸出介面182與通信介面184等不同的裝置組合在一起。
記憶體134包括非揮發性記憶體137及揮發性記憶體138中的至少一者。記憶體134可儲存作業系統(operating system,OS)135或應用136的資料或指令。處理器130包含AFib檢測模組190以使用運動信號(例如,來自加速度計的運動信號)對所感測的生物信號(例如,PPG信號)實行AFib檢測。在本發明的實施例中,AFib檢測模組190包括資料處理模組192、品質評估模組194及AFib預測模組196。資料處理模組192被配置成對所感測的生物信號實行信號預處理。舉例來說,資料處理模組192可對所感測的生物信號實行基線移除或直流(direct current,DC)信號準位移除(DC signal level removal)。品質評估模組194實施品質評估網路,所述品質評估網路充當守門員且識別品質良好且因此適用於AFib檢測的原始PPG信號的片段。AFib檢測模組196實施AFib預測網路,所述AFib預測網路預測在從品質評估網路提供的良好品質信號中存在AFib的機率。
圖3示出本發明實施例中的AFib檢測系統。在一些實施例中,圖3所示AFib檢測系統被實施為使用者穿戴式裝置100的處理器130中的AFib檢測模組190。參照圖3,AFib檢測系統200與感測器模組150進行通信以接收所感測的生物信號及運動信號。在本實例中,感測器模組150包括PPG感測器152及加速度計156,PPG感測器152提供PPG信號作為生物信號,加速度計156提供加速度計信號作為運動信號。感測器模組150可包括本地處理器154以提供某些信號預處理及控制功能。應理解,生物信號與運動信號二者均為時間序列信號且通常被以給定採樣速率連續地測量電壓準位。因此,在操作中,由生物生理感測器測量的生物信號被作為時間序列的生物信號資料樣本提供。相似地,由慣性測量感測器測量的運動信號被作為運動資料樣本提供。在本實例中,PPG感測器152與加速度計156二者以100 Hz(即,100個樣本/每秒)的採樣速率運行。
在本實例中,PPG感測器152提供原始PPG資料樣本(節點151)作為輸出,而加速度計156提供原始加速度計資料樣本(節點157)作為輸出。在本說明中,“原始”信號是指未被處理或僅得到最低限度處理的所感測信號。
在本說明中,將正被監視的生物信號稱為PPG信號,但應理解,在本發明的AFib檢測系統中可使用其他類型的生物信號。使用PPG感測器152只是說明性的而不旨在進行限制。在其他實施例中,生物信號可為任何其他心臟相關生理信號。此外,在以下說明中,運動信號是由加速度計156測量的,但應理解,可使用其他類型的運動感測器或慣性測量感測器來獲得運動信號。使用加速度計156只是說明性的而不旨在進行限制。
AFib檢測系統200接收原始PPG資料樣本及原始加速度計樣本。本發明的AFib檢測系統200的重要特徵在於,AFib檢測系統200只使用單個通道的PPG資料樣本及單個通道的加速度計樣本來提供高準確度的AFib預測結果。因此,AFib檢測系統200可使用小型計算結構來實施,從而使得AFib檢測系統200適合在穿戴式裝置中實施。
在AFib檢測系統200中,原始PPG資料樣本被提供到基線移除模組202以從信號移除基線信號準位或直流偏移。舉例來說,基線信號準位被移除以使PPG資料樣本的電壓值以近似零伏為中心。在一些實施例中,原始PPG資料樣本被作為PPG資料樣本的片段進行處理,其中每一片段包括在給定持續時間(例如,30秒)內收集的PPG資料樣本。在採樣速率為100 Hz時,每一片段含有3000個PPG資料樣本。基線移除模組202對PPG資料樣本的片段進行操作並產生經處理PPG資料樣本片段作為輸出。
同時,原始加速度計資料樣本被提供到運動顯著性模組204進行評價。對於PPG資料樣本的每一片段,存在與所述PPG資料樣本在同時期收集的運動資料樣本的對應片段。運動顯著性模組204使用對應的運動資料樣本來為PPG資料樣本的每一片段產生運動顯著性測度。具體來說,運動顯著性測度指示在對PPG資料樣本的相應片段的感測期間的運動程度。在一個實施例中,運動顯著性測度包括指示適度運動的第一運動指標及指示猛烈運動的第二運動指標。運動顯著性模組204對運動資料樣本進行評價並使用第一運動指標或第二運動指標對與PPG資料樣本的相應片段對應的運動資料樣本進行分類。在一個實施例中,採用與原始PPG資料樣本相同的方式來以片段形式對原始運動資料樣本進行處理。在一個實施例中,運動顯著性模組204基於由加速度計感測到的運動信號的三個軸上的量值的平均值來為運動資料樣本的每一片段產生運動顯著性測度(節點208)。
AFib檢測系統200包括品質評估網路210,品質評估網路210接收經處理PPG資料樣本片段及對應的運動顯著性測度。品質評估網路210使用先前已基於一組品質標籤及一組或多組品質訓練資料加以訓練的第一深度學習模型來以運動顯著性測度評價經處理生物信號資料樣本片段。在操作中,品質評估網路210產生信號品質指標作為輸出,其中所述信號品質指標將每一個經處理生物信號資料樣本片段識別為具有良好信號品質或不良信號品質。實際上,品質評估網路210將具有不良信號品質的PPG資料樣本片段(節點214)過濾出且僅允許良好信號品質的PPG資料樣本片段(212)移動到下一階段以進行AFib預測。由於在AFib預測中僅使用具有良好品質的PPG資料樣本片段,因此AFib檢測系統200能夠使AFib預測為強健的及可靠的。
品質評估網路210的顯著特徵是使用運動顯著性測度(節點208)來評價PPG資料樣本的信號品質。運動資料樣本不只用於為良好信號品質與差的信號品質設定閾值。而是,運動資料是與PPG資料樣本形態結合使用且被應用於第一深度學習模型來對PPG資料樣本的品質進行分類。舉例來說,在一些情形中,即使運動猛烈,信號品質仍可為良好的。作為另外一種選擇,在一些情形中,即使運動適度,信號品質也可能為差的。第一深度學習模型根據運動資料對PPG資料樣本的品質進行分類以提供有意義的品質評估結果。品質評估網路210的結構將在下文中更詳細地加以闡述。AFib檢測系統200包括AFib預測網路220,AFib預測網路220接收由品質評估網路210提供的經處理PPG資料樣本片段。也就是說,AFib預測網路220僅接收已被評價成具有良好信號品質的經處理PPG資料樣本片段。AFib預測網路220使用先前已基於AFib注釋及一組或多組AFib檢測訓練資料加以訓練的第二深度學習模型來評價經處理生物信號資料樣本片段。AFib預測網路220被配置成產生指示在生物信號資料樣本的給定片段中存在房顫的機率的預測結果(節點222)。回應於檢測到在生物信號資料樣本的某一片段中存在AFib,AFib檢測系統200可向使用者發送通知。舉例來說,通知可通過移動裝置和/或穿戴式裝置上的應用發送。
在替代實施例中,AFib預測網路220還接收運動顯著性測度,並且與運動顯著性測度相關聯的良好品質PPG資料樣本片段接著使用第二深度學習模型來進行評價。
在一個實施例中,在品質評估網路210中實施的第一深度學習模型是多模神經網路,所述多模神經網路包括三個卷積層、接著是一個全連接層及一個輸出層,所述三個卷積層具有最大池化、批歸一化及經修正線性單元作為啟動函數,其中來自卷積層的輸出被平化且與經處理生物信號資料樣本片段的運動顯著性測度連接並且被饋送到全連接層中。
在另一個實施例中,在AFib預測網路220中實施的第二深度學習模型是卷積神經網路(CNN)與迴圈神經網路(recurrent neural network,RNN)的混合模型,其中經處理生物信號資料樣本的每一片段被分離成多個子片段,其中每一子片段按時間次序被饋送到閘控迴圈單元(gated recurrent unit)中。
圖4是示出本發明實施例中的在使用者穿戴式裝置中進行AFib檢測的方法的流程圖。在一些實施例中,方法300可在穿戴式裝置的處理器(例如圖1及圖2中的使用者穿戴式裝置100的處理器130)中實施。參照圖4,方法300首先從在使用者穿戴式裝置中實施的第一感測器接收信號通道的生物信號資料樣本(302)。舉例來說,生物信號資料樣本可為PPG資料樣本。方法300還從在使用者穿戴式裝置中實施的第二感測器接收單個通道的運動資料樣本(302)。舉例來說,運動資料樣本可為加速度計資料樣本。在本實施例中,方法300接收原始資料樣本,即,未被處理或得到最低限度處理的資料樣本。
在304處,方法300對生物信號資料樣本的片段實行基線信號準位移除以提供經處理生物信號資料樣本片段。在306處,方法300使用與生物信號資料樣本在同時期收集的運動資料樣本對與生物信號資料樣本的每一片段相關聯的運動程度進行分類。在一個實施例中,運動程度被分類成指示適度運動的第一運動指標及指示猛烈運動的第二運動指標。在一些實施例中,方法300基於由加速度計感測到的運動信號的三個軸上的量值的平均值來對與生物信號資料樣本的每一片段相關聯的運動程度進行分類。
方法300繼續進行到308,在308處將經處理生物信號資料樣本片段以及相應片段的對應的運動指標提供到實施第一深度學習模型的品質評估網路,第一深度學習模型先前已基於一組品質標籤及一組或多組品質訓練資料加以訓練。在310處,方法300產生信號品質指標,所述信號品質指標將每一個經處理生物信號資料樣本片段識別為具有良好信號品質或不良信號品質。將不良品質生物信號資料樣本片段丟棄(312)。
方法300繼續進行到314,在314處將相關聯的信號品質指標標明具有良好信號品質的經處理生物信號資料樣本片段提供到實施第二深度學習模型的AFib預測網路,第二深度學習模型先前已基於AFib注釋以及一組或多組AFib檢測訓練資料加以訓練。在316處,方法300產生指示在生物信號資料樣本的給定片段中存在房顫的機率的預測結果。在一些實施例中,回應於檢測到存在AFib,AFib檢測方法300向用戶發送通知。舉例來說,通知可經由移動裝置和/或穿戴式裝置上的應用發送。
在替代實施例中,方法300將相關聯的信號品質指標標明具有良好信號品質的經處理生物信號資料樣本片段以及相應片段的相關聯的運動指標提供到第二深度學習模型。
在本發明的實施例中,品質評估網路或模組應用第一深度學習模型來評估PPG資料樣本以確定良好信號品質水準或不良信號品質水準。第一深度學習模型先前已基於一組品質標籤加以訓練。在一個實例中,收集一組PPG資料,且由人類專家來評估所收集的PPG資料的信號品質並且可將從1(品質最低)到10(品質最高)的品質指數作為品質標籤指派到每一個片段。舉例來說,信號品質是基於形態、週期性、存在重搏波切跡及心搏一致性來評估的。圖5示出以不同的品質評分作為品質標籤加以注釋的不同的PPG資料樣本片段的實例。參照圖5,來自左列的信號片段被標記為非AFib且來自右列的信號片段被標記為AFib。當信號品質低時,無法將AFib信號與非AFib的信號區分開。
本文所用用語“深度學習模型”是指可能需要延長訓練時間來換取更準確分類的分類模型。實際上,對分類模型的訓練是在高功率電腦上施行的且接著在裝置上部署經訓練模型以在所述裝置中使用模型進行推斷。在一些實施例中,本文中所述的深度學習神經網路模型可被視為深度學習模型。然而,也可採用其他機器學習和/或分類技術來產生深度學習模型。簡單地說,本發明的實施例涉及利用可基於專家輸入來逐步完善的機器學習進行的AFib檢測或事件預測。在各種實施例中的至少一個實施例中,可將資料提供到已使用多個分類符(指數、標籤或注釋)以及一組或多組訓練資料和/或測試資料加以訓練的深度學習模型。
現將參照使用PPG感測器作為生物生理感測器的一個實施例來闡述本發明的AFib檢測系統的詳細構造。在下文中闡述的實施例只是說明性的且不旨在進行限制。
在一個示例性實施例中,PPG資料是由穿戴式裝置從19名患者收集的且具有1443個PPG片段。每一個PPG片段含有採樣速率為100 Hz的30秒資料,從而在每個片段得到3000個樣本。另外,每一個PPG片段具有以100 Hz同時記錄的加速度計讀數。在所有PPG樣本中,其中的1101個PPG樣本具有AFib且342個PPG樣本具有其他節律(rhythms)。由人類專家人工注釋的從1(最低品質)到10(最高品質)的品質指數範圍也伴隨著每一個PPG樣本。信號品質可基於包括週期性、存在重搏波切跡及心搏一致性在內的因素來評估。圖5示出PPG信號的示例性波形。還收集了ECG樣本並針對AFib插段(episode)的存在對ECG樣本加以注釋。這種注釋被用作AFib的參考標準(ground truth)。資料處理
在一個實施例中,AFib檢測系統對每一個PPG片段應用具有8層的小波分解以及多貝西小波(Daubechies wavelet),且在小波重構中將近似通道移除以移除基線。基於加速度計信號的對應量值來針對每一個片段計算一組運動顯著性測度,以在記錄PPG信號期間捕獲運動程度。舉例來說,運動顯著性測度可被計算為加速度計信號的三個軸上的量值的平均值:。具體來說,每一個運動片段含有呈兩個運動指標(運動適度及運動猛烈)的結果,其是通過對30秒PPG片段在半秒視窗上的標準差的百分比進行閾限而計算得到。閾值可為預定的。另外,舉例來說,AFib檢測系統將品質指數高於6的信號片段分組成良好品質片段(標記為0)且將其餘的信號片段分組成不良品質片段(標記為1),從而得出716個良好品質片段及727個不良品質片段。
圖6示出PPG信號的30秒片段上的運動顯著性測度的示例性波形。左側波形示出原始加速度計信號。右側波形示出具有猛烈運動(402)及適度運動(404)的0.5秒窗口。使用猛烈運動的視窗及適度運動的視窗的百分比(在頂上示出)作為上述運動顯著性測度。品質評估網路
圖7示出一些實施例中的品質評估網路的架構。參照圖7,品質評估網路包括多模神經網路,所述多模神經網路被設計成接受兩個輸入(長度為30秒的經預處理PPG信號以及上述猛烈運動測度),並預測信號為良好品質或不良品質的機率。運動變數在最後階段與來自卷積層的所學習PPG特徵一起注入。由上述二元良好-不良品質標籤對模型加以訓練。
圖7所示品質評估網路由三個卷積層、接著一個全連接層及一個輸出層組成,所述三個卷積層具有最大池化、批歸一化及經修正線性單元(rectified linear unit,ReLU)作為啟動函數。在第一層、第二層及第三層中沿時間維度存在大小為32、8及2的8個濾波器、8個濾波器及4個濾波器。1維最大池化層的池化大小分別為12、8及2。未對濾波器填充樣本。來自卷積層的輸出被平化且與所述信號的運動顯著性測度連接並且被饋送到具有ReLU啟動的一個全連接層中,接著是具有S形啟動函數的輸出層,其輸出存在具有不良品質的片段的機率。
對模型進行正規化以利用對所有卷積濾波器的權重施加的L2約束(L2 constraint)以及對全連接層進行的丟棄正規化(drop-out regulation)來防止過擬合(overfitting)。L2約束的參數是0.05且丟棄的比率是50%。此模型的參數的總數目是2,529。AFib 預測網路
在本發明的實施例中,AFib預測網路包括第二神經網路,第二神經網路接受被品質評估網路預測為良好信號的經預處理PPG信號。根據一個實施例,所述模型是以對應的30秒ECG信號上的AFib注釋作為參考標準目標來加以訓練的。為有效地提取波形的本地結構(local structure)以及波形的時間進展(temporal progression)作為用於預測AFib的特徵,開發了一種CRNN模型(卷積迴圈混合模型),其是CNN與迴圈神經網路(RNN)的混合模型。AFib預測網路也可使用不具有迴圈結構作為基線的CNN模型、或者其他類型的深度神經網路架構來實施。
在一個實施例中,CNN基線模型是與品質評估網路(參照圖6)相似的3層CNN。差異在於每一個卷積層中的濾波器的數目,其中此模型具有32個濾波器、16個濾波器及16個濾波器。具體來說,需要使用更多濾波器來提取在AFib PPG片段中不變的複雜波形結構。另外,在本實施例中,不存在被連接為第二輸入的運動測度。這種模型的參數的總數目是13,121。在其他實施例中,可將運動測度連接為CNN基線模型的第二輸入。
圖8示出在一些實施例中使用CRNN模型的AFib預測網路的架構。參照圖8,CRNN模型包括RNN結構,RNN結構以來自連續時間視窗的信號作為輸入來更好地對PPG信號的複雜時間依賴性(例如,固定時間片段之間的不規則圖案)進行建模。在CRNN模型中,資料樣本的30秒片段被分離成10個三秒視窗片段,且每一個片段按時間次序被饋送到CNN特徵提取器閘控迴圈單元(gated recurrent unit,GRU)胞元中。
為從每一個時間視窗高效地提取波形結構,對每一個視窗應用了含有三個卷積層的特徵提取器。在CNN的第一層、第二層及第三層處的濾波器的數目是32、16及16。沿時間維度的濾波器的大小為32、16及8,且每一層處的1維最大池化層的大小分別為4、4及2。未對濾波器填充樣本。CNN中濾波器的權重在所有時間步階之間共用,前提是關於波形結構的特徵沿時間維度不變。對所有卷積層的啟動函數使用修正線性單元(ReLU)。在每一時間步階(temporal step)(3秒)處,接著將每一視窗的所提取代表形式饋送到閘控迴圈單元(GRU)中。每一GRU胞元中的隱藏層的大小是16。如圖8中所示,對迴圈單元的隱藏層應用丟棄(50%)。優化
亞當優化器(學習速率為0.0005)使用二進位交叉熵(binary cross entropy)作為損失函數(loss function)通過反向傳播對每一個模型的權重進行了優化。為解決AFib檢測任務中的不平衡類別大小,當對AFib檢測模型進行訓練時,對未被充分代表的類別(underrepresented class)(不具有AFib的片段)賦予為0.7的較高類別權重並對其他類別賦予為0.3的類別權重。可利用具有64個實例的最小批來對模型進行訓練。在達到150個訓練輪次(epoch)或者每當驗證誤差停止改善達到10個連續反覆運算時便停止訓練以防止過擬合。品質評估結果
本系統可利用五折交叉驗證(five-fold cross validation)來評估深度學習模型的性能。本系統可使用每一折中的測試組的平均準確度(ACC)以及經池化曲線下面積(Area Under Curve,AUC),所述經池化曲線下面積使用每一折中的測試組的預測機率。為論證模型的有效性,可併入簡單的基於規則的基線模型,其中運動測度的閾值被設定成將信號與良好品質及不良品質分開。根據一個實施例,本系統還對以下兩個替代模型進行測試:不具有添加運動測度作為輸入的CNN模型以及使用原始加速度計信號及PPG信號二者的一個CNN模型。評價是依據人類評估作為參考標準來進行測試的。本文所述用於品質評估的深度學習模型與實現95.21%的AUC的基線模型相比具有高得多的準確度及AUC。AFib 檢測結果
為獨立地對AFib檢測系統進行評價,使用所有被標記為具有良好品質(品質評分> 6)的信號來對AFib預測模型進行訓練及驗證。在所得信號樣本中,AFib樣本占主導地位。為訓練更強健的模型,在模型的損失函數中對未被充分代表的類別賦予較高的權重。
對兩個模型進行測試,所述兩個模型包括上述兩種架構:CNN及CRNN。這兩個模型具有高於97%的準確度及高於99%的AUC。混合模型實現了總體最好性能,此表明建模時間依賴性資訊(modeling time-dependency informaiton)有助於預測AFib。結果表明參數數目處於10,000範圍內的相對小的網路結構可實現非常高的性能。
在本發明的實施例中,使用PPG信號的深度學習AFib檢測系統利用最小程度的人工特徵設計表現出非常高的性能。通過對品質評估網路進行訓練,系統能夠準確地過濾出不良信號且因此通過AFib檢測演算法確保實現強健的預測。此在信號來自穿戴式裝置且經歷大的品質變化時將非常有效。此外,甚至小的卷積網路也可以高的準確度來預測AFib。
本文中參照流程圖或方塊圖闡述了本公開的各個方面,其中每一方塊或方塊的任意組合可由電腦程式指令實施。所述指令可被提供到通用電腦、專用電腦或其他可程式設計資料處理設備的處理器以實現機器或製品,且當所述指令被處理器執行時,所述指令形成用於實施在圖中的每一方塊或方塊組合中規定的功能、動作或事件的手段。
就此而言,流程圖或方塊圖中的每一方塊可對應於包括用於實施所規定邏輯功能的一個或多個可執行指令的代碼的模組、片段或一部分。還應注意,在一些替代實施方式中,與任一方塊相關聯的功能可不按圖中所提及的次序進行。舉例而言,連續示出的兩個方塊事實上可實質上同時執行,或者方塊有時可以相反的次序執行。
所屬領域中的一般技術人員將理解,本公開的各個方面可實施為裝置、系統、方法或電腦程式產品。因此,本公開的在本文中一般被稱為電路、模組、元件或系統的各個方面可被實施在硬體、軟體(包括韌體、常駐軟體、微代碼等)中、或軟體與硬體的任意組合(包括實施在電腦可讀介質中的電腦程式產品,所述電腦可讀介質上實施有電腦可讀程式碼)中。
提供以上詳細說明是為了示出本發明的具體實施例而不旨在進行限制。在本發明的範圍內可能存在許多種修改及變化。本發明是由隨附權利要求書界定。
100‧‧‧電子裝置/使用者穿戴式裝置
130‧‧‧處理器
132‧‧‧中央處理器
134‧‧‧記憶體
135‧‧‧作業系統
136‧‧‧應用
137‧‧‧非揮發性記憶體
138‧‧‧揮發性記憶體
140‧‧‧手帶
142‧‧‧卡扣
150‧‧‧感測器模組
151、157、206、208、212、214、222‧‧‧節點
152‧‧‧感測器/第一感測器/生物生理感測器/PPG感測器
154‧‧‧本地處理器/處理器
156‧‧‧感測器/第二感測器/慣性測量感測器/加速度計
160‧‧‧顯示器
170‧‧‧電池
182‧‧‧輸入/輸出介面
184‧‧‧通信介面
190‧‧‧AFib檢測模組
192‧‧‧資料處理模組
194‧‧‧品質評估模組
196‧‧‧AFib預測模組
200‧‧‧AFib檢測系統
202‧‧‧基線移除模組
204‧‧‧運動顯著性模組
210‧‧‧品質評估網路
220‧‧‧AFib預測網路
300‧‧‧方法/AFib檢測方法
302、304、306、308、310、312、314、316‧‧‧步驟
402‧‧‧猛烈運動
404‧‧‧適度運動
在以下詳細說明及附圖中公開了本公開的各種實施例。 圖1示出根據本發明實施例的電子裝置。 圖2示出根據本發明實施例的電子裝置的方塊圖。 圖3示出本發明實施例中的AFib檢測系統。 圖4是示出本發明實施例中的在使用者穿戴式裝置中進行AFib檢測的方法的流程圖。 圖5示出以不同的品質評分作為品質標籤加以注釋的不同的PPG資料樣本片段的實例。 圖6示出PPG信號的30秒片段上的運動顯著性測度的示例性波形。 圖7示出一些實施例中的品質評估網路的架構。 圖8示出在一些實施例中使用CRNN模型的AFib預測網路的架構。
Claims (28)
- 一種設備,包括: 感測器模組,包括第一感測器及第二感測器,所述第一感測器被配置成測量生物信號,所述第二感測器被配置成測量運動信號,所述感測器模組提供生物信號資料樣本及運動資料樣本作為輸出; 資料處理模組,被配置成處理所述生物信號資料樣本的片段,每一片段包括在預定持續時間內收集的生物信號資料樣本,所述資料處理模組被配置成從所述生物信號資料樣本的每一片段移除信號基線並產生經處理生物信號資料樣本片段;且所述資料處理模組還被配置成使用與所述生物信號資料樣本在同時期收集的所述運動資料樣本為所述生物信號資料樣本的每一片段產生運動顯著性測度,所述運動顯著性測度指示在對所述生物信號資料樣本的相應片段的感測期間的運動程度; 品質評估模組,被配置成使用第一深度學習模型、基於所述經處理生物信號資料樣本片段及所述運動顯著性測度來產生信號品質指標;以及 事件預測模組,被配置成使用第二深度學習模型、基於與所期望的信號品質指標相關聯的所述經處理生物信號資料樣本片段來產生事件預測結果。
- 如申請專利範圍第1項所述的設備,其中所述生物信號包括心臟相關生理信號,且所述運動信號包括慣性測量信號。
- 如申請專利範圍第1項所述的設備,其中所述運動顯著性測度包括指示適度運動的第一運動指標及指示猛烈運動的第二運動指標。
- 如申請專利範圍第1項所述的設備,其中所述設備包括使用者穿戴式裝置,所述第一感測器包括光電血管容積圖感測器,且所述第二感測器包括加速度計。
- 如申請專利範圍第4項所述的設備,其中所述生物信號資料樣本包括原始光電血管容積圖資料樣本,且所述運動資料樣本包括原始加速度計資料樣本。
- 如申請專利範圍第4項所述的設備,其中所述資料處理模組被配置成基於由所述加速度計感測到的所述運動信號的三個軸上的量值的平均值來為所述運動資料樣本的每一片段產生所述運動顯著性測度。
- 如申請專利範圍第1項所述的設備,其中所述事件預測模組被配置成使用所述第二深度學習模型以相關聯的所述運動顯著性測度來評價所述經處理生物信號資料樣本片段。
- 如申請專利範圍第1項所述的設備,其中所述第一深度學習模型包括多模神經網路,所述多模神經網路包括三個卷積層、接著是一個全連接層及一個輸出層,所述三個卷積層具有最大池化、批歸一化及經修正線性單元作為啟動函數,其中來自所述卷積層的輸出被平化且與所述經處理生物信號資料樣本片段的所述運動顯著性測度連接並且被饋送到所述全連接層中。
- 如申請專利範圍第1項所述的設備,其中所述第二深度學習模型包括卷積神經網路與迴圈神經網路的混合模型,其中所述經處理生物信號資料樣本的每一片段被分離成多個子片段,其中每一子片段按時間次序被饋送到閘控迴圈單元中。
- 如申請專利範圍第1項所述的設備,其中回應於所述事件預測結果指示在所述生物信號資料樣本的給定片段中存在事件的機率高,所述設備向使用者給出通知。
- 如申請專利範圍第1項所述的設備,其中所述感測器模組提供單個通道的所述生物信號資料樣本及單個通道的所述運動資料樣本作為輸出。
- 如申請專利範圍第1項所述的設備,其中所述品質評估模組被配置成使用先前已基於多個品質標籤及一組或多組品質訓練資料加以訓練的所述第一深度學習模型來以所述運動顯著性測度評價所述經處理生物信號資料樣本片段,所述品質評估模組產生將每一經處理生物信號資料樣本片段識別為具有良好信號品質或不良信號品質的所述信號品質指標。
- 如申請專利範圍第12項所述的設備,其中所述事件預測模組被配置成接收相關聯的所述品質指標標明具有良好信號品質的所述經處理生物信號資料樣本片段並使用先前已基於事件注釋及一組或多組事件檢測訓練資料加以訓練的所述第二深度學習模型來評價所述經處理生物信號資料樣本片段,所述事件預測模組被配置成產生所述預測結果作為輸出,所述預測結果指示在所述生物信號資料樣本的給定片段中存在事件的機率。
- 如申請專利範圍第13項所述的設備,其中所述事件預測模組包括房顫預測模組,所述房顫預測模組被配置成產生房顫預測結果,所述房顫預測結果指示在所述生物信號資料樣本的給定片段中存在房顫的機率,所述房顫預測模組被配置成使用所述第二深度學習模型來評價所述經處理生物信號資料樣本片段,其中所述第二深度學習模型先前已基於房顫注釋及一組或多組房顫檢測訓練資料加以訓練。
- 一種在使用者穿戴式裝置中進行事件檢測的方法,包括: 從被實施在所述使用者穿戴式裝置中的第一感測器接收生物信號資料樣本; 從被實施在所述使用者穿戴式裝置中的第二感測器接收運動資料樣本; 在被實施在所述使用者穿戴式裝置中的處理器處對所述生物信號資料樣本的片段實行基線信號準位移除,以提供經處理生物信號資料樣本片段; 在被實施在所述使用者穿戴式裝置中的所述處理器處使用與所述生物信號資料樣本在同時期收集的所述運動資料樣本對與所述生物信號資料樣本的每一片段相關聯的運動程度進行分類,所述運動程度被分類成指示適度運動的第一運動指標及指示猛烈運動的第二運動指標; 在被實施在所述使用者穿戴式裝置中的所述處理器處將所述經處理生物信號資料樣本片段及各個片段對應的運動指標提供到第一深度學習模型; 在被實施在所述使用者穿戴式裝置中的所述處理器處使用所述第一深度學習模型為每一經處理生物信號資料樣本片段產生信號品質指標; 在被實施在所述使用者穿戴式裝置中的所述處理器處將相關聯的信號品質指標標明具有良好信號品質的經處理生物信號資料樣本片段提供到第二深度學習模型;以及 在被實施在所述使用者穿戴式裝置中的所述處理器處使用所述第二深度學習模型、基於與所期望信號品質指標相關聯的所述經處理生物信號資料樣本片段來產生事件預測結果。
- 如申請專利範圍第15項所述的方法,其中所述生物信號資料樣本的每一片段包括在預定持續時間內收集的生物信號資料樣本。
- 如申請專利範圍第15項所述的方法,其中所述生物信號資料樣本包括心臟相關生理資料樣本,且所述運動資料樣本包括慣性測量資料樣本。
- 如申請專利範圍第15項所述的方法,其中所述第一感測器包括光電血管容積圖感測器且所述第二感測器包括加速度計;並且所述生物信號資料樣本包括原始光電血管容積圖資料樣本且所述運動資料樣本包括原始加速度計資料樣本。
- 如申請專利範圍第18項所述的方法,其中使用所述運動資料樣本對與所述生物信號資料樣本的每一片段相關聯的所述運動程度進行分類包括: 在被實施在所述使用者穿戴式裝置中的所述處理器處基於由所述加速度計感測到的運動信號的三個軸上的量值的平均值來對與所述生物信號資料樣本的每一片段相關聯的所述運動程度進行分類。
- 如申請專利範圍第15項所述的方法,其中將相關聯的所述信號品質指標標明具有良好信號品質的所述經處理生物信號資料樣本片段提供到所述第二深度學習模型包括: 將相關聯的所述信號品質指標標明具有良好信號品質的所述經處理生物信號資料樣本片段及所述各個片段的對應的所述運動指標提供到所述第二深度學習模型。
- 如申請專利範圍第15項所述的方法,更包括: 回應於所述預測結果指示在所述生物信號資料樣本的給定片段中存在事件的機率高,向用戶給出通知。
- 如申請專利範圍第15項所述的方法,其中: 從被實施在所述使用者穿戴式裝置中的所述第一感測器接收所述生物信號資料樣本包括接收單個通道的生物信號資料樣本;以及 從被實施在所述使用者穿戴式裝置中的所述第二感測器接收運動資料樣本包括接收單個通道的運動資料樣本。
- 如申請專利範圍第15項所述的方法,其中: 將所述經處理生物信號資料樣本片段及所述各個片段的所述對應的運動指標提供到所述第一深度學習模型包括:在被實施在所述使用者穿戴式裝置中的所述處理器處,將所述經處理生物信號資料樣本片段及所述各個片段的所述對應的運動指標提供到先前已基於多個品質標籤及一組或多組品質訓練資料加以訓練的所述第一深度學習模型;以及 為每一經處理生物信號資料樣本片段產生所述信號品質指標包括:在被實施在所述使用者穿戴式裝置中的所述處理器處且使用所述第一深度學習模型產生所述品質指標,所述品質指標將每一經處理生物信號資料樣本片段識別為具有良好信號品質或不良信號品質。
- 如申請專利範圍第23項所述的方法,其中: 將相關聯的所述信號品質指標標明具有良好信號品質的所述經處理生物信號資料樣本片段提供到所述第二深度學習模型包括:在被實施在所述使用者穿戴式裝置中的所述處理器處將相關聯的所述品質指標標明具有良好信號品質的所述經處理生物信號資料樣本片段提供到先前已基於房顫注釋及一組或多組房顫檢測訓練資料加以訓練的所述第二深度學習模型;以及 基於與所期望的信號品質指標相關聯的所述經處理生物信號資料樣本片段產生所述事件預測結果包括:在被實施在所述使用者穿戴式裝置中的所述處理器處且使用所述第二深度學習模型來產生指示在所述生物信號資料樣本的給定片段中存在事件的機率的所述預測結果。
- 如申請專利範圍第24項所述的方法,其中產生所述事件預測結果包括:產生指示在所述生物信號資料樣本的給定片段中存在房顫的機率的所述事件預測結果;且其中所述第二深度學習模型先前已基於房顫注釋及一組或多組房顫檢測訓練資料加以訓練。
- 一種在使用者穿戴式裝置中進行房顫檢測的方法,包括: 從被實施在所述使用者穿戴式裝置中的光電血管容積圖感測器接收光電血管容積圖感測器資料樣本; 從被實施在所述使用者穿戴式裝置中的慣性測量感測器接收運動資料樣本; 在被實施在所述使用者穿戴式裝置中的處理器處對所述光電血管容積圖感測器資料樣本實行基線移除,以提供經處理光電血管容積圖資料樣本; 在被實施在所述使用者穿戴式裝置中的所述處理器處,將所述運動資料樣本的運動程度劃分成指示適度運動的第一運動指標及指示猛烈運動的第二運動指標; 在被實施在所述使用者穿戴式裝置中的所述處理器處,將所述經處理光電血管容積圖資料樣本及對應的運動指標提供到先前已基於多個品質標籤及一組或多組品質訓練資料加以訓練的第一深度學習模型; 在被實施在所述使用者穿戴式裝置中的所述處理器處,產生信號品質指標,所述信號品質指標將所述經處理光電血管容積圖資料樣本的給定片段識別為具有良好信號品質或不良信號品質; 在被實施在所述使用者穿戴式裝置中的所述處理器處,將相關聯的信號品質指標標明具有良好信號品質的經處理光電血管容積圖資料樣本的片段提供到先前已基於房顫注釋及一組或多組房顫檢測訓練資料加以訓練的第二深度學習模型;以及 在被實施在所述使用者穿戴式裝置中的所述處理器處,產生指示在所述經處理光電血管容積圖感測器資料樣本的給定片段中存在房顫的機率的預測結果。
- 如申請專利範圍第26項所述的方法,更包括: 回應於所述預測結果指示在所述光電血管容積圖資料樣本的給定片段中存在房顫的機率高,向用戶給出通知。
- 一種處理器可讀的有形和非暫時性儲存介質,包括用於在使用者穿戴式裝置中進行房顫檢測的指令,所述指令在由處理器裝置執行時實行包括以下的行為: 從被實施在所述使用者穿戴式裝置中的光電血管容積圖感測器接收光電血管容積圖感測器資料樣本; 從被實施在所述使用者穿戴式裝置中的慣性測量感測器接收運動資料樣本; 在被實施在所述使用者穿戴式裝置中的處理器處對所述光電血管容積圖感測器資料樣本實行基線移除,以提供經處理光電血管容積圖資料樣本; 在被實施在所述使用者穿戴式裝置中的所述處理器處,將所述運動資料樣本的運動程度劃分成指示適度運動的第一運動指標及指示猛烈運動的第二運動指標; 在被實施在所述使用者穿戴式裝置中的所述處理器處,將所述經處理光電血管容積圖信號及對應的運動指標提供到先前已基於多個品質標籤及一組或多組品質訓練資料加以訓練的第一深度學習模型; 在被實施在所述使用者穿戴式裝置中的所述處理器處,產生信號品質指標,所述信號品質指標將所述經處理光電血管容積圖信號的給定片段識別為具有良好信號品質或不良信號品質; 在被實施在所述使用者穿戴式裝置中的所述處理器處,將相關聯的信號品質指標標明具有良好信號品質的經處理光電血管容積圖信號的片段提供到先前已基於房顫注釋及一組或多組房顫檢測訓練資料加以訓練的第二深度學習模型;以及 在被實施在所述使用者穿戴式裝置中的所述處理器處,產生指示在所述生物信號資料樣本的給定片段中存在房顫的機率的預測結果。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762581569P | 2017-11-03 | 2017-11-03 | |
US62/581,569 | 2017-11-03 | ||
US15/885,581 | 2018-01-31 | ||
US15/885,581 US11147463B2 (en) | 2017-11-03 | 2018-01-31 | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201918222A true TW201918222A (zh) | 2019-05-16 |
Family
ID=66326423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107126195A TW201918222A (zh) | 2017-11-03 | 2018-07-27 | 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11147463B2 (zh) |
JP (1) | JP2019084343A (zh) |
KR (1) | KR20190050693A (zh) |
CN (1) | CN109745041A (zh) |
TW (1) | TW201918222A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI802134B (zh) * | 2021-12-07 | 2023-05-11 | 矽譜科技股份有限公司 | 癲癇發作及歷程偵測系統及其資訊平台 |
TWI811920B (zh) * | 2021-12-27 | 2023-08-11 | 博晶醫電股份有限公司 | 穿戴偵測方法、穿戴式裝置及電腦可讀儲存媒體 |
US11944417B2 (en) | 2021-12-27 | 2024-04-02 | bOMDIC Inc. | Wearing detection method, wearable device, and computer readable storage medium |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11133112B2 (en) * | 2018-11-30 | 2021-09-28 | Preventice Technologies, Inc. | Multi-channel and with rhythm transfer learning |
CN110558972B (zh) * | 2019-08-27 | 2022-04-12 | 安徽心之声医疗科技有限公司 | 一种心电信号深度学习模型的轻量化方法 |
US11826129B2 (en) * | 2019-10-07 | 2023-11-28 | Owlet Baby Care, Inc. | Heart rate prediction from a photoplethysmogram |
US11596344B2 (en) * | 2019-10-30 | 2023-03-07 | Tencent America LLC | Deep neural network on ECG Poincare plot for atrial fibrillation classification |
CN112783321B (zh) * | 2019-11-08 | 2024-07-12 | 苹果公司 | 使用多个传感器的基于机器学习的手势识别 |
CN112603327B (zh) * | 2019-12-18 | 2022-03-11 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
EP4082027A4 (en) * | 2019-12-23 | 2024-01-24 | Analytics For Life Inc. | METHOD AND SYSTEM FOR REJECTING AND EVALUATING THE QUALITY OF THE SIGNAL USING THE VARIABILITY OF THE CARDIAC CYCLE |
CN111261286B (zh) * | 2020-02-17 | 2024-05-31 | 清华大学 | 辅助诊断模型构建方法、诊断方法、装置、设备及介质 |
CN111222498A (zh) * | 2020-03-19 | 2020-06-02 | 桂林电子科技大学 | 一种基于光电容积脉搏波的身份识别方法 |
EP3918980A1 (en) * | 2020-06-02 | 2021-12-08 | CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement | Method for classifying photoplethysmography pulses and monitoring of cardiac arrhythmias |
WO2022011106A1 (en) * | 2020-07-08 | 2022-01-13 | Owlet Baby Care Inc. | Heart rate correction using external data |
US20220015715A1 (en) * | 2020-07-17 | 2022-01-20 | Nihon Kohden Corporation | Physiological information acquisition device, processing device, and non-transitory computer-readable medium |
WO2022075671A1 (ko) * | 2020-10-06 | 2022-04-14 | 주식회사 스카이랩스 | 생체신호 분석방법 및 장치 |
KR102299029B1 (ko) * | 2020-10-06 | 2021-09-07 | 주식회사 스카이랩스 | 생리학적 이상 상태 분석방법 |
KR102299035B1 (ko) * | 2020-10-06 | 2021-09-07 | 주식회사 스카이랩스 | 생리학적 이상 상태 분석장치 |
EP4282334A1 (en) * | 2020-10-06 | 2023-11-29 | Sky Labs Inc. | Method and device for analyzing abnormal physiological state |
KR102321922B1 (ko) * | 2020-10-06 | 2021-11-04 | 주식회사 스카이랩스 | 생체신호 분석방법 |
KR102321921B1 (ko) * | 2020-10-06 | 2021-11-04 | 주식회사 스카이랩스 | 생체신호 분석장치 |
US11911165B2 (en) | 2020-12-08 | 2024-02-27 | Samsung Electronics Co., Ltd. | Systems and methods for atrial fibrillation burden estimation, notification and management in daily free-living scenarios |
KR102464818B1 (ko) * | 2020-12-08 | 2022-11-10 | 주식회사 피지오닉스 | 생체 정보 측정을 위한 센서를 포함하는 전자 장치 |
CN112971801A (zh) * | 2021-02-07 | 2021-06-18 | 北京海思瑞格科技有限公司 | 连续生理信号质量评估装置 |
CN115016244B (zh) * | 2021-03-05 | 2023-06-27 | Oppo广东移动通信有限公司 | 信息处理方法、可穿戴系统和计算机可读存储介质 |
CN113344056B (zh) * | 2021-05-31 | 2022-11-22 | 北京邮电大学 | 一种人员移动性预测模型的训练方法及装置 |
JP2024534073A (ja) | 2021-08-19 | 2024-09-18 | エフ ホフマン-ラ ロッシュ アクチェン ゲゼルシャフト | 生物学的センサデータの品質を分類するための方法 |
CN113576432B (zh) * | 2021-09-02 | 2024-05-24 | 成都云卫康医疗科技有限公司 | 一种基于卷积神经网络的生理信号评分及评价方法 |
KR102592969B1 (ko) * | 2021-09-16 | 2023-10-24 | 주식회사 스카이랩스 | Ppg 신호 감지 반지를 이용한 딥러닝 기반 심방 세동 판정 시스템 |
KR102347534B1 (ko) * | 2021-10-20 | 2022-01-05 | 유정선 | 웨어러블디바이스를 기반으로 하는 생체데이터 필터링 방법, 장치 및 시스템 |
CN116058814A (zh) * | 2021-11-01 | 2023-05-05 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN114366025B (zh) * | 2021-12-28 | 2023-12-26 | 河北体育学院 | 一种运动员生理指标检测系统及方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7171680B2 (en) | 2002-07-29 | 2007-01-30 | Idesia Ltd. | Method and apparatus for electro-biometric identity recognition |
US7846106B2 (en) * | 2006-04-26 | 2010-12-07 | The General Electric Company | Atrial fibrillation detection using SPO2 |
US8862214B2 (en) | 2008-04-04 | 2014-10-14 | Draeger Medical Systems, Inc. | Cardiac condition detection system |
US9408576B2 (en) | 2013-05-01 | 2016-08-09 | Worcester Polytechnic Institute | Detection and monitoring of atrial fibrillation |
WO2015089484A1 (en) * | 2013-12-12 | 2015-06-18 | Alivecor, Inc. | Methods and systems for arrhythmia tracking and scoring |
US10258288B2 (en) * | 2014-03-24 | 2019-04-16 | Samsung Electronics Co., Ltd. | Confidence indicator for physiological measurements using a wearable sensor platform |
US20150302158A1 (en) * | 2014-04-21 | 2015-10-22 | Microsoft Corporation | Video-based pulse measurement |
US9848823B2 (en) * | 2014-05-29 | 2017-12-26 | Apple Inc. | Context-aware heart rate estimation |
US8974396B1 (en) * | 2014-09-14 | 2015-03-10 | Impact Sports Technologies, Inc. | Mobile plethysmographic device |
EP3204881B1 (en) | 2014-11-14 | 2021-05-26 | Zoll Medical Corporation | Medical premonitory event estimation |
US9949714B2 (en) | 2015-07-29 | 2018-04-24 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
US10980483B2 (en) | 2015-11-20 | 2021-04-20 | PhysioWave, Inc. | Remote physiologic parameter determination methods and platform apparatuses |
EP3219253B1 (en) * | 2016-03-14 | 2021-10-20 | Tata Consultancy Services Limited | System for detecting arrhythmia using photoplethysmogram signal |
US10398319B2 (en) * | 2016-11-22 | 2019-09-03 | Huami Inc. | Adverse physiological events detection |
-
2018
- 2018-01-31 US US15/885,581 patent/US11147463B2/en active Active
- 2018-07-03 KR KR1020180077283A patent/KR20190050693A/ko unknown
- 2018-07-27 TW TW107126195A patent/TW201918222A/zh unknown
- 2018-10-02 JP JP2018187257A patent/JP2019084343A/ja active Pending
- 2018-10-22 CN CN201811231389.5A patent/CN109745041A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI802134B (zh) * | 2021-12-07 | 2023-05-11 | 矽譜科技股份有限公司 | 癲癇發作及歷程偵測系統及其資訊平台 |
TWI811920B (zh) * | 2021-12-27 | 2023-08-11 | 博晶醫電股份有限公司 | 穿戴偵測方法、穿戴式裝置及電腦可讀儲存媒體 |
US11944417B2 (en) | 2021-12-27 | 2024-04-02 | bOMDIC Inc. | Wearing detection method, wearable device, and computer readable storage medium |
Also Published As
Publication number | Publication date |
---|---|
KR20190050693A (ko) | 2019-05-13 |
CN109745041A (zh) | 2019-05-14 |
US20190133468A1 (en) | 2019-05-09 |
US11147463B2 (en) | 2021-10-19 |
JP2019084343A (ja) | 2019-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201918222A (zh) | 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 | |
Khan et al. | Biometric systems utilising health data from wearable devices: applications and future challenges in computer security | |
US10750960B2 (en) | Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology | |
Satija et al. | Real-time signal quality-aware ECG telemetry system for IoT-based health care monitoring | |
Xu et al. | Cluster-based analysis for personalized stress evaluation using physiological signals | |
TWI650737B (zh) | 一種評估心跳停止發生可能的穿戴式裝置及其方法 | |
US11510607B2 (en) | Systems and methods for monitoring fetal wellbeing | |
JP5859979B2 (ja) | 人間の健康の監視のための多変量残差に基づく健康指標 | |
WO2019161608A1 (zh) | 多参数监护数据分析方法和多参数监护系统 | |
Ardeti et al. | An overview on state-of-the-art electrocardiogram signal processing methods: Traditional to AI-based approaches | |
Demirel et al. | Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things | |
Mohagheghian et al. | Optimized signal quality assessment for photoplethysmogram signals using feature selection | |
US20220160296A1 (en) | Pain assessment method and apparatus for patients unable to self-report pain | |
KR20190113552A (ko) | Ppg ibi 및 모폴로지를 기반으로 하는 수동 부정맥 감지 장치 및 방법 | |
Gautam et al. | An smartphone-based algorithm to measure and model quantity of sleep | |
Bali et al. | Efficient ANN algorithms for sleep apnea detection using transform methods | |
US11399775B2 (en) | Systems and methods to detect cardiac events | |
Wang et al. | An Effective Method for Distinguishing Sleep Apnea and Hypopnea Based on ECG Signals | |
Chen | Design of a wearable sensor system for neonatal seizure monitoring | |
Gonzalez | Context Models for Physiological Response Under Signal Quality | |
Sweeney et al. | A Review of the State of the Art in Artifact Removal Technologies as used in an Assisted Living Domain | |
Preethi et al. | ECG RR Interval Automatic Detection Using IOT | |
Rose et al. | Optimized Convolutional Neural Network Transfer Learning Method for Stress Emotion Classification | |
Srinivasan et al. | In-Depth Sleep Disorder Assessment using REMcraft Navigator IoT and Random Forest Algorithms | |
Lavanya et al. | Understanding Emotional Patterns in Social Media for the Determination of Mental Disorders The Anorexia Epidemic |