CN116133582A - 一种使用可穿戴生物传感器估计体温的方法和*** - Google Patents
一种使用可穿戴生物传感器估计体温的方法和*** Download PDFInfo
- Publication number
- CN116133582A CN116133582A CN202180059486.4A CN202180059486A CN116133582A CN 116133582 A CN116133582 A CN 116133582A CN 202180059486 A CN202180059486 A CN 202180059486A CN 116133582 A CN116133582 A CN 116133582A
- Authority
- CN
- China
- Prior art keywords
- body temperature
- parameter
- parameters
- features
- transient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/20—Clinical contact thermometers for use with humans or animals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
- A61B5/7235—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/14—Supports; Fastening devices; Arrangements for mounting thermometers in particular locations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
- A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
- A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
-
- 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
- A61B5/024—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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Dentistry (AREA)
- Pulmonology (AREA)
- Computing Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Computational Mathematics (AREA)
Abstract
本申请涉及基于应用于身体表面的多模式可穿戴生物传感器来确定患者体温的装置、***和方法,该多模式可穿戴生物传感器测量多个生理、物理和皮肤表面/微气候热参数,得到额外的瞬时参数,获悉基于时间动态的背景参数,并采用整体模型融合方法来估计核心体温。
Description
背景技术
核心温度是在诸如腹腔、胸腔和颅腔等人体的深层组织测得的温度,并且指示人的健康和生理状态。下丘脑是体温调节的控制中心,并且由皮肤(皮肤受体)、角膜、膀胱、肝脏和下丘脑中的冷热感应温度感受器提供。下丘脑通过诸如传导、对流和辐射机制的机制来调节温度以将温度保持在一个较小的范围内,关于该较小范围,由于温度在白天升高并且在夜间和睡眠时间下降的昼夜节律,具有通常的峰对峰幅值为~1C的轻微昼夜变化。
体温与生理和环境参数相关并受其影响,并且通过身体产热、存储和散热的相互作用来维持。热量是通过化学氧化代谢的稳定过程和肌肉活动的间歇过程而在体内产生的。所产生热量的损失率由生理过程发生,该生理过程包括血管收缩和血流远离皮肤表面的转移(皮肤血管收缩、毛发竖立、减少出汗、增加肌肉收缩、非颤抖产热、寻求保暖的衣物或环境)。热量的散发可能通过对流、辐射和蒸发的物理机制发生,并且在不同的环境下它们之间存在权衡。例如,对流在高环境风的环境下更有效,蒸发是高温环境下的主要散热机制,但在高湿度下效率较低。呼吸和摄入食物或饮料也会引起体温的轻微变化,但这是热量变化的次要机制。
由于身体无法达到设定点温度或设定点本身的变化,可能会发生超出正常范围的体温变化。身体的环境和生理参数可以指示体温从正常范围的偏离。前者可能由于暴露于诸如高温或低温或高湿度且通风不良的极端环境或压力而导致。例如,下丘脑设定点或目标温度不会因可能使核心温度升高到正常范围之外的运动和剧烈体力劳动而在发热(suffering from hyperthermia)的人中发生变化。另一个示例可能是暴露在低温下的开放水域游泳者可能遭受失温,这会导致使整体身体活动减少的基础代谢减退。下丘脑设定点变化的后一种影响导致发烧或发热。
用于测量核心温度的规范标准是肺动脉或食管导管,但这些需要非常不切实际的侵入式探头放置,并且很少在重症监护病房之外使用。评估体温的其他更普遍的临床实践包括使用导尿管、直肠探针、口腔温度计和腋窝温度计。在侵入性、准确度、精确度、人为干预/输入的要求、频率和体温曲线的持续可用性之间存在权衡,而肺动脉或食道导管甚至膀胱或直肠导管在持续环境中可以提供更准确的核心体温指示,其是侵入性的并且通常将患者限制于临床内。本申请解决了在这种权衡中提供最佳解决方案的需求,以通过使用非侵入式传感器提供准确且连续的体温来最优地改善临床结果。
在本申请中,应用通过封装在一个以上的装置中的一个以上的传感器对各种生理、物理和皮肤表面/微气候热实体的测量,以使用基于不同的生理和环境参数的所获悉的基线模型和元模型的新型集成方法来估计核心体温。
发明内容
在一个示例实施例中,一种使用可穿戴传感器确定患者体温的方法包括:
测量环境、瞬时(instantaneous)或患者状况的传感器数据中的至少一个;
从环境、瞬时或患者状况的传感器数据中的至少一个中提取两类参数,所述两类参数包括:背景参数,其可以基于以下至少一个获悉:先前数据、生理、物理和皮肤表面/微气候热参数的时间动态;以及瞬时参数,其可以是可以基于传感器数据取得的实体;
由多个估计器利用多个训练模型处理背景参数和瞬时参数,以分别确定多个体温估计值;
实施偏差和趋势校正程序以通过提高多个体温估计值的趋势匹配和准确性来校正多个体温估计值;
基于多个估计器中的每一个使用的特征集的元特征来确定多个体温估计值中的每一个的置信度大小;以及
基于多个体温估计值的组合确定最终体温,基于所述多个体温估计值中的每一个的置信度大小对多个体温估计值加权。
在另一个示例性实施例中,一种非暂时性计算机可读介质,其与可穿戴传感器关联以确定患者体温,非暂时性计算机可读介质存储指令,并且当所述指令被执行时使一个或多个处理器执行操作,所述操作包括:
测量环境、瞬时或患者状况的传感器数据中的至少一个;
从环境、瞬时或患者状况的传感器数据中的至少一个中提取两类参数,所述两类参数包括:瞬时参数,所述瞬时参数可以是可以基于传感器数据取得的实体;以及背景参数,所述背景参数可以是瞬时参数的时间序列;
由多个估计器利用多个训练模型处理背景参数和瞬时参数,以分别确定多个体温估计值;
实施偏差和趋势校正程序以通过提高多个体温估计值的趋势匹配和准确性来校正多个体温估计值;
基于多个估计器中的每一个使用的特征集的元特征来确定多个体温估计值中的每一个的置信度大小;以及
基于多个体温估计值的组合确定最终体温,基于每个体温估计的置信度大小对所述多个体温估计值加权。
在又一示例实施例中,一种可穿戴传感器,其包括存储用于确定患者体温的指令的存储器,并且当所述指令被执行时使一个或多个处理器执行操作,所述操作包括:
测量环境、瞬时或患者状况的传感器数据中的至少一个;
从环境、瞬时或患者状况的传感器数据中的至少一个中提取两类参数,所述两类参数包括:瞬时参数,所述瞬时参数可以是可以基于传感器数据取得的实体;以及背景参数,所述背景参数可以是通过用不同的内核平滑或滤波来确定瞬时参数的短期动态从而确定的瞬时参数的时间序列,平滑或滤波包括低通滤波、带通滤波、高通滤波或小波中的至少一个,其中随着越来越多的传感器数据被累积,可以在比用于短期动态的平滑更长的时间帧的期间执行平滑以确定瞬时参数的长期动态;
由多个估计器利用多个训练模型处理背景参数和瞬时参数,以分别确定多个体温估计值;
实施偏差和趋势校正程序以通过提高多个体温估计值的趋势匹配和准确性来校正多个体温估计值;
基于多个估计器中的每一个使用的特征集的元特征来确定多个体温估计值中的每一个的置信度大小;以及
基于多个体温估计值的组合确定最终体温,基于每个体温估计的置信度大小对多个体温估计值加权。
前述概述仅是说明性的,并不旨在以任何方式进行限制。除了上述说明性方面、实施例和特征之外,通过参考附图和以下具体实施方式,进一步的方面、实施例和特征将变得显而易见。
附图说明
在下面的简要描述中,示例和实施例仅作为例示来描述,因为通过下面的详细描述,各种变化和修改对于本领域技术人员来说将变得明显。在不同附图中使用相同的附图标记表示相似或相同的部件。
图1示出了使用可穿戴生物传感器实现用于体温估计的一个或多个实施例的示例框图;
图2示出了用于实现核心体温估计算法的示例框图;
图3示出了用于使用可穿戴生物传感器实现体温估计的一个或多个实施例的示例算法;
图4示出了与从可摄入温度药片获得的参考体温相比的样本体温估计值的示例图。
图5示出了根据使用可穿戴生物传感器进行体温估计的实施例的可穿戴传感器装置的示例图。
具体实施方式
在下面的详细描述中,参考了构成说明书的一部分的附图。在附图中,相似的符号通常标识相似的部件,除非背景另有规定。此外,除非另有说明,否则每个连续附图的描述可以参考来自一个或多个先前附图的特征以提供对当前示例实施例的更清楚的背景和更实质性的解释。然而,具体实施方式、附图和权利要求中描述的示例实施例并不意味着限制。在不脱离本文所呈现的主题的精神或范围的情况下,可以采用其他实施例,并且可以进行其他改变。将容易理解,如本文一般性描述和附图中所示,本发明的方面可以以多种不同的配置进行布置、替换、组合、分离和设计,所有这些都在本文中被明确预期。
图1示出了实现用于使用可穿戴生物传感器来确定患者体温(以下表示为BodyTemp)的***和方法的一个或多个实施例的示例框图。使用可穿戴生物传感器的体温确定/估计包括人体复杂稳态温度调节机制的数学和机器学习模型的集合,以及结合这些模型以优化核心体温的连续估计的自适应融合方法。
因此,在图1中,11处的一个或多个可穿戴传感器可以用于测量环境、瞬时和/或患者状况,这些状况可以包括生理、物理、皮肤表面/微气候热参数、温度、湿度、生命体征和活动指标。基于传感器流,可以具有可以提取的两类参数,包括12处的可以基于先前数据取得的背景参数,和/或传感器流的生理、物理和皮肤表面/微气候热参数的时间动态,以及13处的可以是可基于传感器的当前测量值被提取或得出的实体的瞬时参数。在14处,背景特征的范围可以包括使用不同内核进行平滑处理,或者可以利用领域知识来获得取得的特征,所述取得的特征可以包括根据基础心率或呼吸率的心率变化的估计值、通过基于加速度计的活动指标归一化的生理指标、获悉患者的基线生理状态等的个性化参数。在15处,这些取得特征或其子集可以被一组BodyTemp估计值的训练模型的集合使用。此外,在16处,这些特征可以被包括但不限于机器学习模型、递归滤波器、数学正向模型等的估计器的集合使用,每个估计器计算体温估计值。可以使用包含这些参数的先前收集的数据以及地面参考体温估计值来训练这些估计器。在17处,可以包括必要的偏差和趋势校正步骤以改进算法的趋势匹配和准确性。这些估计值中的每一个的置信度可以基于这些估计器中的每一个使用的特征集的元特征来确定。在18处,最终体温可以基于将基于估计的置信度加权的估计值组合。
图2示出了图1的患者体温测量的***和方法的额外细节。可穿戴传感器装置210可以包括多个传感器,所述传感器包括用于测量皮肤和微气候温度的温度换能器、热敏电阻器(TMP)、加速度计(ACC)、光体积描记器(PPG:photoplesthysmograph)传感器、心电图(ECG)传感器、阻抗(IMP)传感器、环境湿度(HTD)传感器、皮肤电反应(GSR:galvanic skinresponse)传感器和其他相关传感器中的一个或多个。传感器可以封闭在一个或多个可穿戴装置中,例如粘附贴片传感器、吊坠、腕带、手表或粘附至身体上的电子模块都在本发明的范围内。
多传感器测量可以大致分为两个相互非排他的组。第一组包括状态测量,其允许检测贴片是否粘附在身体上并处于热平衡状态,并且包括诸如身体阻抗和ECG信号的测量。第二组除了用于确定核心体温的其他取得的信息以外,还包括多个生理、物理和皮肤表面/微气候热参数。
患者体温评估开始于在218处的基于从输入信号测量得到的函数检测贴片贴体状态。例如,在218处估计贴片贴体状态(patch on-body status)的函数可以是被提供到微分器并与在20秒的非重叠窗口中的ECG信号中检测到的第i阈值和零QRS复合波进行比较的阻抗测量值的逻辑组合(逻辑与/逻辑或)。在219处,如果检测到贴片从身体移除,则体温可以被无效。然后,可以重新设置并重复上述整个过程,直到检测到贴片粘附至身体为止。
在230处,一旦激活体温的估计,上述传感器210被用来估计生理、物理和皮肤表面/微气候热参数中的至少一个或多个,其包括但不限于:活动指标(AM)强度、呼吸率(BR)、心率变异性(HRV:heat rate variablity)、心率(未示出)、相对心率(未示出)、脉搏传导时间(PTT:pulse transit time)、SpO2、皮肤温度、皮肤电反应(GSR)和环境湿度(HTD)。此外,来自传感器的信息可以用于估计两组参数:背景参数220和瞬时参数230。瞬时参数230可以基于传感器的当前测量信息,而背景参数220可以是基于时间数据关于患者获悉的信息。
以下指标或更多相关特征可以用于瞬时参数230:加速度计得出的参数,例如基于胸壁运动的呼吸率、以及活动强度,即作为每一个加速度计轴的曲线下方的面积的函数的活动指标(AM:Activity Metrics);ECG传感器得出的参数,例如通过检测ECG的QRS复合波计算的RR-间隔(RR)、心率变异性(HRV)和包括呼吸率(BR)的ECG得出的呼吸率;光学传感器得出的参数,例如基于至少两个波长的PPG光学传感器透射率或反射率数据的SpO2;以及基于ECG与PPG信号中相应特征的差异的脉冲传输时间(PTT)。皮肤和微气候温度可以基于直接绝缘温度传感器数据。其他相关的生理和环境传感器以及诸如皮肤电反应(GSR)和环境湿度(HTD)的输入也可以用作瞬时参数230。
以下指标或其他相关实体可以用作背景参数220。背景参数220需要获悉和估计患者的基本生理参数,例如静息心率、呼吸率或患者的其他基线特征。例如,通过计算瞬时心率和获悉的静息心率之间的差异,可以获得个性化相对心率或获悉的基线221。在示例实施例中,背景参数220包括瞬时参数230的时间序列,这些瞬时参数230可以用不同的内核进行平滑或滤波以确定瞬时参数的短期动态222,平滑或滤波包括低通、带通或高通滤波以及小波等。随着更多数据的积累,背景参数220进一步包括瞬时参数的长期动态223,其可以通过在更长时间帧的期间的平滑来确定。长期动态223由此增加了背景参数220的准确度和精确度,背景参数220进而可以用于计算体温估计的特征。因此,对瞬时参数滤波可以获得作为一种背景参数的短期和/或长期动态。
然后可以通过特征提取机制240来处理上述瞬时参数230和背景参数220。在一个示例中,可以在重叠或非重叠时间窗中处理瞬时参数230和背景参数220以计算时刻的变化程度(例如,均值、标准差、偏斜、峰度等)并测量离散度(例如均值绝对差、中值绝对偏差、变化系数、熵等),以得到基于时间或时域的特征241。在另一示例中,可以在时间窗口中处理瞬时参数230和背景参数220以计算不同子频段、交叉频谱和相干性中的能量密度的统计量(例如,最大值、最小值、平均值、熵、峰度等),以得到基于频率或频域的特征242。在另一个示例中,可以在时间窗口中处理瞬时参数230和背景参数220,以根据短期傅立叶变换和小波变换计算统计信息从而得到时频域特征243。此外,本领域的普通技术人员应理解,可以处理瞬时参数230和背景参数220以得到其他特征244。可以将得到的信息添加到通用集特征库250中用于进一步处理。
图3示出了整体模型的示例算法及整体模型与用于体温确定的元模型技术的融合。估计器260、269、270的阵列基于特征库250的子集和包含这些特征和参考体温的先前训练数据来估计核心体温。估计器261、271可以包括涉及机器学习模型的方法,其包括回归、支持向量机、神经网络、遗传估计算法、非参数或参数方法、递归滤波器、卡尔曼滤波器等。诸如S形函数的非线性变换262、272可以用于对这些模型的输出进行后处理,其使通过诸如皮尔逊相关系数(Pearson’s correlation coefficient)的指标测量的信号趋势的相似性最大化。在此之后,线性变换263、273可以用于使用诸如核心温度的均方根误差(RMSE:RootMean Square Error)至参考温度等的指标,使信号之间的总体差异最小化。可以利用非线性到线性变换的顺序,先优化时间序列趋势或核心温度曲线的形状,再进行不影响相关系数的线性变换。在每个估计器260、270内,可以基于特征集的可用性来训练多个变体,并且可以采用选择器265、275来挑选高性能估计器。使用基于特征集的可用性从多个子变体中选择估计值的选择器265、275允许在一些特征可能对于提供更高温度估计可用性无效时算法自适应地运行。
此外,在图2中可以从每个估计器类别Ei260,270获得N个核心体温的阵列。对于第i估计器中的每一个,可以存在多个子模型261、271,多个子模型261、271可以用范围从大多数信息可用特征集到最小信息可用特征集的特征集尝试。选择器265、275挑选提供具有可用于估计器类别的最高特征的有效估计值的估计器。这确保了对于每个估计器261、271,可以在可用时用指定的完整特征集执行估计,并且如果特征集中的某些元素或特征不可用,则估计器类别可以转而依靠于备份估计器,并且该方法在估计的可用性和准确性之间提供了良好的折衷。在262、272处,可以通过第i估计器和第j子模型的非线性变换函数来传递该估计,第i估计器和第j子模型可以被训练以最大化估计直至参考的趋势或相关性。然后,可以在263、273处随后进行仿射变换(affine transformation),仿射变换能够使可以在诸如均方误差的指标中捕获的误差最小化。可以用校准温度来支持该仿射变换,校准温度可以控制估计的零频率分量以增加估计的准确性。
对于估计器模型260、269、270和子模型261、271中的每一个,可以使用元特征266、276用训练数据训练由元估计器267、277实现的对应元模型以预测在将模型组合时可以给每个模型赋予的重要性或置信度分数。估计值的元特征266、276可以是有窗统计(windowedstatistics),例如离差的度量、时刻的变化度、特征之间的相关性等,并且它们可以指示可用于估计值的特征的质量并因此提供分配给每个估计器的置信度的大小。在283处,估计值的准确度和精确度的置信度的量度的大小可以用作第i个估计器中的每一个的权重wi280、281、282,以将N个核心体温估计值融合成单个估计值。其可以在284处跟随额外的过滤和输出限制器,其将时间常数设定为与实际生理变化对应的温度趋势的可能的变化,并且可以在285处输出作为估计的核心体温。
图4示出了与从可摄入温度药片获得的参考体温相比,上述方法实施的BodyTemp估计值的验证。参考体温药丸清楚地示出了具有全天温度周期性变化的昼夜节律模式。如上所述通过体温确定/估计方法确定的体温也表现出类似的趋势并且可能紧密追踪参考温度。
图5示出了根据示例实施例进一步说明传感器装置210的可穿戴传感器装置200。可穿戴传感器装置200包括传感器202、结合到传感器202的处理器204、结合到处理器204的存储器206、结合到存储器206的应用208和结合到应用208的发射器209。可穿戴传感器装置200可以以任何方向附接至用户。传感器202从用户获取数据并将数据传输到存储器206,进而传输到应用208。处理器204执行应用208以确定关于瞬时参数和背景参数的信息,这些参数可以被提取用来建模人体与环境之间的交互以确定核心体温。该信息可以被传输到发射器209,并且进而被中继到另一个用户或装置。
本领域的普通技术人员容易认识到无线和可穿戴传感器装置200可以利用多种装置作为传感器202,其包括但不限于单轴加速度计、双轴加速度计、三轴加速度计、陀螺仪、电极、压力传感器、光体积描记器(脉搏血氧仪传感器)、IMP传感器、PPG传感器、ACC传感器、HTD传感器、ECG传感器、TMP传感器和GSR传感器,这些传感器在本申请的精神和范围内。本领域的普通技术人员容易认识到可穿戴传感器装置200可以利用多种装置作为处理器204,其包括但不限于微处理器、控制器和微控制器,这些装置在本发明的精神和范围内。此外,本领域的普通技术人员容易认识到可以利用多种装置作为存储器206、应用208和发射器209,并且这些装置在本申请的精神和范围内。
本申请利用多传感器装置,从多传感器装置中可以提取瞬时参数和背景参数来建模人体与环境之间的相互作用以确定核心体温。随着患者持续佩戴贴片,更多数据使得背景参数能够捕获患者的基线状态,并且添加更多特征以越来越准确地估计核心体温。这种方式还使该方法可以针对具有更多个体数据的个体患者进行个性化。可以应用提供具有不同输入可用性水平的估计值的多个估计器算法,并且基于元模型的融合算法提供将整体模型组合成更稳健和准确的单一估计值的自适应方法。与容易受到外部环境污染和影响的单个传感器测量相比,体温确定/估计方法提供了更稳定和准确的体温估计。
关于根据图1至图5所示和描述的部件、结果、图、输出、图形和操作,提取瞬时参数和背景参数来建模人体与环境之间的相互作用以确定核心体温的任何操作和子操作可以实现为存储在计算机可读介质上的非暂时性计算机可读指令。例如,计算机可读指令可以由无线和可穿戴传感器的一个或多个处理器执行,如本文所引用的,具有网络元件和/或与其对应的任何其他装置,特别适用于上述应用程序和/或程序。
从上文中,应当理解,为了说明的目的,本文已经描述了本发明的各种实施例,并且在不脱离本发明的范围和精神的情况下可以进行各种修改。因此,本文公开的各种实施例不旨在限制,其真正的范围和精神由所附权利要求限定。
Claims (20)
1.一种使用可穿戴传感器确定患者体温的方法,包括:
测量环境、瞬时或患者状况的传感器数据中的至少一个;
从所述环境、所述瞬时或所述患者状况的传感器数据中的至少一个中提取两类参数,所述两类参数包括:
背景参数,基于先前数据以及生理、物理和皮肤表面/微气候热参数的时间动态中的至少一个获悉所述背景参数,以及
瞬时参数,所述瞬时参数是基于所述传感器数据取得的实体;
由多个估计器利用多个训练模型处理所述背景参数和所述瞬时参数,以分别确定多个体温估计值;
实施偏差和趋势校正程序以通过提高所述多个体温估计值的趋势匹配和准确性来校正所述多个体温估计值;
基于所述多个估计器中的每一个使用的特征集的元特征来确定所述多个体温估计值中的每一个的置信度大小;以及
基于所述多个体温估计值的组合确定最终体温,基于所述多个体温估计值中的每一个的所述置信度大小对所述多个体温估计值加权。
2.根据权利要求1所述的方法,其中,所述环境、所述瞬时或所述患者状况的传感器数据包括生理、物理、皮肤表面/微气候热参数、温度、湿度、生命体征和活动指标。
3.根据权利要求1所述的方法,其中,背景特征包括获悉的基线、短期动态和长期动态中的至少一个。
4.根据权利要求3所述的方法,还包括用不同的内核平滑所述背景特征。
5.根据权利要求1所述的方法,还包括利用背景特征的领域知识来获得取得特征。
6.根据权利要求5所述的方法,其中,用于获得取得特征的所述领域知识包括根据基础心率或呼吸率的心率变化的估计值、通过基于加速度计的活动指标归一化的生理指标或关于患者的基线生理状态获悉的个性化参数中的至少一个。
7.根据权利要求1所述的方法,其中,由所述多个估计器利用的所述多个训练模型包括机器学习模型、递归滤波器和数学正向模型。
8.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质与可穿戴传感器关联以确定患者体温,所述非暂时性计算机可读介质存储指令,当所述指令被执行时使一个或多个处理器执行操作,所述操作包括:
测量环境、瞬时或患者状况的传感器数据中的至少一个;
从所述环境、所述瞬时或所述患者状况的传感器数据中的至少一个中提取两类参数,所述两类参数包括:
瞬时参数,所述瞬时参数是基于所述传感器数据取得的实体;以及
背景参数,所述背景参数是所述瞬时参数的时间序列;
由多个估计器利用多个训练模型处理所述背景参数和所述瞬时参数,以分别确定多个体温估计值;
实施偏差和趋势校正程序以通过提高所述多个体温估计值的趋势匹配和准确性来校正所述多个体温估计值;
基于所述多个估计器中的每一个使用的特征集的元特征来确定所述多个体温估计值中的每一个的置信度大小;以及
基于所述多个体温估计值的组合确定最终体温,基于所述多个体温估计值中的每一个的所述置信度大小对所述多个体温估计值加权。
9.根据权利要求8所述的非暂时性计算机可读介质,其中,通过用不同内核平滑或滤波来确定所述瞬时参数的所述时间序列从而确定所述瞬时参数的短期动态,所述平滑或滤波包括低通滤波、带通滤波、高通滤波或小波中的至少一个。
10.根据权利要求9所述的非暂时性计算机可读介质,其中,随着越来越多的传感器数据被累积,在比用于所述短期动态的平滑更长的时间帧的期间执行所述平滑以确定所述瞬时参数的长期动态。
11.根据权利要求8所述的非暂时性计算机可读介质,其中,通过特征提取机制来处理所述背景参数和所述瞬时参数。
12.根据权利要求11所述的非暂时性计算机可读介质,其中,所述特征提取机制包括:
在重叠或非重叠时间窗口中处理所述瞬时参数和所述背景参数以计算包括均值、标准差、偏斜或峰度中的至少一者的时刻的变化程度;以及
测量离散度以得到时域特征,所述离散度包括均值绝对差、中值绝对偏差、变化系数或熵中的至少一个。
13.根据权利要求11所述的非暂时性计算机可读介质,其中,所述特征提取机制包括:
在时间窗口中处理所述瞬时参数和所述背景参数以计算不同子频段、交叉频谱或相干性中的至少一者中的能量密度的统计量,从而取得频域特征。
14.根据权利要求11所述的非暂时性计算机可读介质,其中,所述特征提取机制包括:
在时间窗口中处理所述瞬时参数和所述背景参数以根据短期傅立叶变换和小波变换计算统计信息,从而取得时频域特征。
15.根据权利要求11所述的非暂时性计算机可读介质,其中,所述特征提取机制包括处理所述瞬时参数和所述背景参数以取得包括时域特征、频域特征和时频域特征的信息。
16.根据权利要求15所述的非暂时性计算机可读介质,其中,取得的所述信息被添加到通用集特征库中用于进一步处理。
17.根据权利要求16所述的非暂时性计算机可读介质,其中,由所述多个估计器确定的所述多个体温估计值基于所述通用集特征库的子集。
18.根据权利要求17所述的非暂时性计算机可读介质,其中,由所述多个估计器确定的所述多个体温估计值进一步基于先前训练数据,所述先前训练数据包含所述通用集特征库的特征和参考体温。
19.根据权利要求8所述的非暂时性计算机可读介质,其中,在所述多个估计器中的每一个内,基于通用集特征库内的特征的可用性来训练多个变体,并且采用选择器来挑选高性能估计器。
20.一种可穿戴传感器,所述可穿戴传感器包括存储用于确定患者体温的指令的存储器,当所述指令被执行时使一个或多个处理器执行操作,所述操作包括:
测量环境、瞬时或患者状况传感器的数据中的至少一个;
从所述环境、瞬时或患者状况传感器的数据中的至少一个中提取两类参数,所述两类参数包括:
瞬时参数,所述瞬时参数是基于所述传感器数据取得的实体;以及
背景参数,所述背景参数是通过用不同的内核平滑或滤波以确定所述瞬时参数的短期动态从而确定的所述瞬时参数的时间序列,所述平滑或所述滤波包括低通滤波、带通滤波、高通滤波或小波中的至少一个,并且其中,随着越来越多的传感器数据被累积,在比用于所述短期动态的平滑更长的时间帧的期间执行所述平滑以确定所述瞬时参数的长期动态;
由多个估计器利用多个训练模型处理所述背景参数和所述瞬时参数,以分别确定多个体温估计值;
实施偏差和趋势校正程序以通过提高所述多个体温估计值的趋势匹配和准确性来校正所述多个体温估计值;
基于所述多个估计器中的每一个使用的特征集的元特征来确定所述多个体温估计值中的每一个的置信度大小;以及
基于所述多个体温估计值的组合确定最终体温,基于所述多个体温估计值中的每一个的所述置信度大小对所述多个体温估计值加权。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/932,781 US11826125B2 (en) | 2020-07-19 | 2020-07-19 | Method and system for body temperature estimation using a wearable biosensor |
US16/932,781 | 2020-07-19 | ||
PCT/US2021/041238 WO2022020123A1 (en) | 2020-07-19 | 2021-07-12 | A method and system for body temperature estimation using a wearable biosensor |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116133582A true CN116133582A (zh) | 2023-05-16 |
Family
ID=79291767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180059486.4A Pending CN116133582A (zh) | 2020-07-19 | 2021-07-12 | 一种使用可穿戴生物传感器估计体温的方法和*** |
Country Status (5)
Country | Link |
---|---|
US (1) | US11826125B2 (zh) |
EP (1) | EP4181777A4 (zh) |
JP (1) | JP2023535379A (zh) |
CN (1) | CN116133582A (zh) |
WO (1) | WO2022020123A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240067542A (ko) | 2022-11-09 | 2024-05-17 | 한국전기연구원 | 열 스트레스에 대한 생리적 반응 분석 시스템 및 방법 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5050612A (en) * | 1989-09-12 | 1991-09-24 | Matsumura Kenneth N | Device for computer-assisted monitoring of the body |
US7938783B2 (en) * | 2003-08-19 | 2011-05-10 | Advanced Monitors Corporation | Medical body core thermometer |
WO2005092177A1 (en) * | 2004-03-22 | 2005-10-06 | Bodymedia, Inc. | Non-invasive temperature monitoring device |
US20120123232A1 (en) | 2008-12-16 | 2012-05-17 | Kayvan Najarian | Method and apparatus for determining heart rate variability using wavelet transformation |
US10702165B2 (en) * | 2012-12-20 | 2020-07-07 | The Government Of The United States, As Represented By The Secretary Of The Army | Estimation of human core temperature based on heart rate system and method |
US9823138B2 (en) * | 2013-08-21 | 2017-11-21 | Petpace Ltd | Non-invasive automatic monitoring of pet animal's core temperature |
US9596997B1 (en) | 2015-09-14 | 2017-03-21 | Whoop, Inc. | Probability-based usage of multiple estimators of a physiological signal |
WO2017136339A1 (en) | 2016-02-01 | 2017-08-10 | Verily Life Sciences, LLC | Systems and methods for probabilistic pulse rate estimation from photoplethysmographic measurements in the presence of nonstationary and nontrivial signal and noise spectra |
US11224344B2 (en) * | 2016-08-19 | 2022-01-18 | James Foody | Method and system for determination of core body temperature |
US20180108440A1 (en) | 2016-10-17 | 2018-04-19 | Jeffrey Stevens | Systems and methods for medical diagnosis and biomarker identification using physiological sensors and machine learning |
EP3687392A4 (en) * | 2017-10-17 | 2021-07-07 | Whoop, Inc. | APPLIED DATA QUALITY METRICS FOR PHYSIOLOGICAL MEASUREMENTS |
US20190350462A1 (en) | 2018-05-15 | 2019-11-21 | Verily Life Sciences Llc | Methods and devices for measuring body temperature in a reduced time |
EP3613376A1 (en) * | 2018-08-21 | 2020-02-26 | Koninklijke Philips N.V. | A handheld device for performing a treatment operation on skin |
US20200323435A1 (en) * | 2019-04-09 | 2020-10-15 | Vital Connect, Inc. | Device, System, and Method for Determining Patient Body Temperature |
-
2020
- 2020-07-19 US US16/932,781 patent/US11826125B2/en active Active
-
2021
- 2021-07-12 WO PCT/US2021/041238 patent/WO2022020123A1/en unknown
- 2021-07-12 EP EP21846111.9A patent/EP4181777A4/en active Pending
- 2021-07-12 JP JP2023503198A patent/JP2023535379A/ja active Pending
- 2021-07-12 CN CN202180059486.4A patent/CN116133582A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US11826125B2 (en) | 2023-11-28 |
EP4181777A1 (en) | 2023-05-24 |
JP2023535379A (ja) | 2023-08-17 |
WO2022020123A1 (en) | 2022-01-27 |
US20220015643A1 (en) | 2022-01-20 |
EP4181777A4 (en) | 2023-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Radha et al. | Estimating blood pressure trends and the nocturnal dip from photoplethysmography | |
CN107427237B (zh) | 使用光学传感器来评定心血管功能 | |
CN109662687B (zh) | 校正生物信息传感器误差的装置和方法,以及估计生物信息的装置和方法 | |
US9980678B2 (en) | Psychological acute stress measurement using a wireless sensor | |
US11406268B2 (en) | Body temperature measuring device | |
US20160220122A1 (en) | Physiological characteristics determinator | |
EP3531914A1 (en) | Estimation of peripheral vascular resistance using a miniature piezoelectric sensor | |
KR102058275B1 (ko) | 광학 센서를 이용한 혈압 측정 방법 및 장치 | |
CN112545469A (zh) | 一致患者情况的健康状态趋势 | |
Al-Aubidy et al. | Real-time patient health monitoring and alarming using wireless-sensor-network | |
US20230082362A1 (en) | Processes and methods to predict blood pressure | |
US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
CN112272534B (zh) | 用于估计血压替代物趋势的方法和装置 | |
KR20200067831A (ko) | 웨어러블 장치를 이용한 심실 보조 장치 조정 방법 및 시스템 | |
WO2021084488A1 (en) | Smartglasses for detecting physiological parameters | |
WO2017100519A1 (en) | Systems and methods for adaptable presentation of sensor data | |
Morishima et al. | Human body skin temperature prediction based on machine learning | |
Roy et al. | BePCon: a photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
CN116133582A (zh) | 一种使用可穿戴生物传感器估计体温的方法和*** | |
JP2008253727A (ja) | モニタ装置、モニタシステム及びモニタ方法 | |
CN115112265A (zh) | 一种人体核心体温和惯性信号的采集装置及采集方法 | |
US10251564B2 (en) | Thermal patient signal analysis | |
Priyadarsini et al. | IoT based mobile app for continuous health monitoring of the person | |
Sujin et al. | Public e-health network system using arduino controller | |
Wang et al. | Photoplethysmography-based heart action monitoring using a growing multilayer network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |