CN119422205A 用于检测心脏健康状态的方法、系统和计算机程序 （哈特基耐提克斯公司）

2024.11.29PCT/EP2023/0548282023.02.27WO2023/186425EN2023.10.05用于检测用户的心脏健康状态的方法包括身体上的IMU的测量信号；在处理装置中基于测2在处理装置(2)中接收(S1)来自放置在所述用户(10)的身体上的IMU(1)的测量信号的心脏的心跳周期，其中确定所述心跳周期中的多个子周期(24)，其中所述多个特征rot,i)包括线性特征(Klin,i)和旋转特征(Krot,i)，其中所述线性特征(Klin,i)包括基于所述测量信号的三个线性维度(17)计算的每个子周期(24)中心脏运动的至少一个线性个子周期(24)中心脏运动的至少一个旋基于所述三个线性维度计算线性速度信号，并基于所述线性速度信基于所述三个旋转维度计算旋转加速度信号，并所述至少一7.根据权利要求5或6所述的方法，其中，所述跳周期到另一个心跳周期不会改变的心跳周8.根据权利要求5至7中的一项所述的方法，其9.根据权利要求2至4中的一项所述的方法，其序算法基于矩阵配置文件将一个或更多个参考心跳周期识313.根据权利要求1至4中的一项或权利要求12所述的方法，其中，所述机器学习引擎15.根据前述权利要求中的一项所述的方法，包括将所述IMU(1)放置在所述用户(10)所述智能手机(5)的可穿戴设备(7)中，其中所述处理装置从所述智能手机(5)上运行的操作系统请求所述智能手机(5)或所述可穿戴设备(7)是什么类型或请求关于所述智能手机(5)或所述可穿戴设备(7)的类型的用户输入，其中所述多个特征取决于收到的智能手机处理装置(2)，所述处理装置(2)具有机器学习引擎(4)，所述机器学习为基于从所述IMU(1)接收的测量信号(17，18)执行根据权利要求1至17中的一项所述的方中所述IMU(1)被包括在所述智能手机(5)或连接到所述智能手机(5)的可穿戴设备(7)中，其中在所述智能手机(5)的处理器上运行应用程序，其中所述应用程序被配置为与所述服4[0005]EP3267886提出将6维SCG信号输入ML引擎，以确定如心房纤维颤动等心脏功能障5[0010]本发明的目的是提供一种用于检测用户心脏健康状态的方法、系统和计算机程[0013]ML的使用允许独立于ECG测量和复杂的临床设备(例如使用简单的智能手机)检测[0015]在一个实施例中，IMU被布置在智能手机或连接到智能手机的可穿戴设备中，其号的三个旋转维度计算的每个子周期中心脏运动的至少一个旋转特征变量的值。具有组合/标量线性值和组合/标量旋转值允许消除测量信号对IMU的方向的依赖性。测量的分量6测量的心脏的线性加速度的三个线性维度，以及具有表示用IMU的陀螺仪测量的心脏的角的三个旋转维度计算的每个子周期中心脏运动的旋转动测量的心脏的线性加速度的三个线性维度，以及具有表示用IMU的陀螺仪测量的心脏的角和/或基于旋转加速度的不被直接测量的动力学特征包含从测量信号中无法获得的许多有价值的信息。使用这些特征的ML引擎的特征被证明比仅使用IMU中测量的信号的信号特性[0022]在一个实施例中，该方法包括在处理装置中基于测量信的测量信号(而不是基于ECG)的子周期的定义允许在没有ECG信号的情况下也创建这样的7[0027]在一个实施例中，基于对基于测量信号的信号应用的矩阵配置文件(matrix难检测IMU信号中的心跳。矩阵配置文件的使用允许以低计算成本对心跳周期进行稳健的[0032]在一个实施例中，该方法包括将IMU放置在用户的胸部上以及当放置在用户的胸处理装置从智能手机上运行的操作系统请求智能手机或可穿戴设备是什么类型或关于智根据本发明的其它实施例在所附权利要求和本发明实施例的后8[0043]本发明的其它特征和优点将从以下非限制性的描述中，通过参考附图和示例得[0044]根据本发明的系统、方法和计算机程序检测用户10的心脏健康状态(心脏健康状[0045]图1示出了根据本发明的用于检测用户心脏健康状态的系统的实施例。该系统包9信号的测量，并从(布置在与图4中相同的智能手机5块优选地包括用于接收与蜂窝电话网络通信所需的[0051]处理装置2被配置为执行下面更详细地描述的本发明的全部或至少一些/大部分可以布置在智能手机5(智能手机处理器)和/或可穿戴设备7或上述专用设备中。远程处理器可以被布置在例如通过互联网连接到本地处理器(或者包括本地处理器的设备)的服务运动而被篡改。用户10可以通过向监控应用并且通过将智能手机5/IMU1放置在他的躯干/胸部上(以任何顺序)来自己执行测量。因应用/智能手机5/专用设备向IMU1发送指令以开始测量信号SCG。测量的持续时间优选地[0059]在步骤S2中，该系统/方法/计算机程序/监控应用/智能手机5/处理装置2接收来[0061]受试者特征通常独立于测量信号SCG。受试者特征优选地包括用户10的年龄、性数据特征仅从用IMU1测量的测量信号SCG中导出，即IMU1的ECG测量。然而，本发明也可以应用于包括ECG传感器和/或其它传感器的更复杂的实施[0063]图3描述了基于测量信号SCG(随后简称为SCG)来确定数据特征的优选实施例。可信息优选地基于预处理之前的SCG或者利用不同的预处理来确定，该不同的预处理排除了yyzωy(标量)线性预特征信号和/或基于SCG的三个旋转维度ωx个(标量)旋转预特征信号。(线性和/或旋转[0071]向量a描述每个采样时间处的线性加速度的三维向量，m是包含IMU1的量(质量)，向量v是在采样时间处的心脏的线性速xyzzy线性分量的平方之和的平方根sqrt((t)+f(t)+g(t)),即速度向量v的欧几里德距z函数的线性速度向量信号。该线性速度信号可以用于计算线性预特征信号和/或(数据)特方向上SCG的信号能量被定义为测量信号上加速度af(t)的和，并且与在采样时间t处的心间t处的力向量F(t)和在时间t处的路径变化向量ds(t)的乘积在t1和t2之间的时间t上的积分(见等式(3))。可以通过采样时间t处的速度向量vz[0073]==FXF(力矩)(5)如果设备在所有三xz时间t处的旋转动能Krot(t)是基于(包含IMU1的设备的)惯性矩a(t)计算至少一个复合线性动力学预特征信号和/或基于三维旋转速度向量信号⑴(t)计测量信号的三个线性维度组合在一个标量值中的标量值，和/或至少一个复合旋转动力学IMU1或包含IMU1的设备的(优选预处理的)运动。线性或旋转动类型的信息也可以由用户输入，而不是从智能手机5的操作系统中自动获取智能手机5/可rotrot术文献提出基于一个心跳的数据来计算特征向量，但是这些方法总是需要ECG信号来检测[0081]提出了基于矩阵配置文件来检测SCG中(也包括从SCG确定的预特征信号中)的心跳周期。在采样时间t1处的信号s(t)的矩阵配置文件m(t1)示出了在信号s(t)的完整时间中SCG的一个特性点(也包括基于SCG确定的预特征信号的含义)来确定子周期24。优选地，及心跳周期的子周期24之间的固定时间关系/宽度来确定子周期24。子周期24的固定时间关系/宽度意味着每个子周期24的时间宽度从一个心跳到下一个心跳不会改变。如果子周间关系/宽度可以是绝对固定时间关系/宽度或相对固定时间关系/宽度。绝对固定的时间关系意味着子周期24的宽度和它们之间的时间距离都具有固定的绝对时间关系(固定的绝对时间值)，并且只有子周期24的位置以及它们之间固定的绝对时间关系基于特性点的时间正确定位。相对固定时间关系指子周期24的宽度和/或它们之间的时间距离均具有固定如，比例可以取决于心跳频率或所选心跳的长度。子周期24优选都具有相同的(绝对或相二组被布置在第一子周期24之后。第一组优选地包括少于一半的子周期24和/或第二组优的线性/旋转动能的最小值、子周期中的线性/旋转动能的最小值的时间样本或其它值(如性/旋转能量意味着子周期上的线性/旋转能量的积分。子周期中的线性/旋转动能密度是周期中的线性/旋转动功率的最小值的时间样本或其它值(如子周期中的线性/旋转动功率的线性/旋转功率的积分。子周期中的线性/旋转动功率密度是子周期中的累积线性/旋转应子周期)中的预特征信号，优选基于心脏周期(或相应子周期)中的线性/旋转动能信号[0085]基于在步骤S31中确定的子周期中的呼吸信号或呼吸状态，计算每个子周期的呼[0086](数据)特征还可以包括在步骤S34中获得的基序质量。这提供了用户10的正常心特征输入并且输出用户10的心脏健康状态。心脏健康状态优选地指心脏的一种医学指征/征/问题的不同阶段或具有医学指征/问题的不同风险范围和/或还区分为不同的医学指次上，用户10(其心脏健康状态未知，需要估计)的IMU测量信号用于计算用户10的多个特释有用户10的心脏的实际健康状态。注释多个特征的训练用户10的心脏健康状态用于训擎4中用户输入的估计的心脏状态的非常高的确定性。对至少两种类型的多个用户10执行