[go: up one dir, main page]

CN115843229A - 用于持续监测健康和康强水平的系统和方法 - Google Patents

用于持续监测健康和康强水平的系统和方法 Download PDF

Info

Publication number
CN115843229A
CN115843229A CN202180048699.7A CN202180048699A CN115843229A CN 115843229 A CN115843229 A CN 115843229A CN 202180048699 A CN202180048699 A CN 202180048699A CN 115843229 A CN115843229 A CN 115843229A
Authority
CN
China
Prior art keywords
subject
operable
data
health
chf
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
Application number
CN202180048699.7A
Other languages
English (en)
Inventor
迈克尔·奥尔洛夫斯基
罗宁·图尔
尤瓦尔·龙尼茨
察奇·罗森豪斯
阿米特·德瓦什
奥弗·法米利尔
谢伊·莫申
罗特姆·巴尔达
塔尔·德鲁扬·卡茨
阿迪·帕兹
埃亚尔·科伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vayyar Imaging Ltd
Original Assignee
Vayyar Imaging Ltd
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 Vayyar Imaging Ltd filed Critical Vayyar Imaging Ltd
Publication of CN115843229A publication Critical patent/CN115843229A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring 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 or mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0008—Temperature signals
    • 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • 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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring 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 or mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • 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
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Electromagnetism (AREA)
  • Pulmonology (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)

Abstract

用于以持续方式监测健康和康强水平的系统和方法使用雷达芯片扫描监测区域，从而处理通过扫描雷达芯片获得的数据以识别监测区域内的目标。经由使用机器学习模型评估目标的健康预测引擎来收集健康指示和活动参数。

Description

用于持续监测健康和康强水平的系统和方法
相关申请的交叉引用
本申请要求于2020年5月14日提交的美国临时专利申请号63/024,520、于2020年6月22日提交的美国临时专利申请号63/042,037以及于2020年10月19日提交的美国临时专利申请号63/093,319的优先权权益，其内容通过援引整体并入。
技术领域
本文的公开涉及用于以持续的方式监测健康和康强水平的系统和方法。特别地，本公开涉及与预测引擎通信的基于雷达的对象监测系统，该系统可操作以收集风险参数。
背景技术
对健康和康强水平的持续评估(特别是在家中)可能是识别疾病发作早期指示的有效方式，从而可以提供早期医疗干预，由此减少并在许多情况下完全避免住院治疗的需要。
例如，指示健康的各种健康参数的持续监测可以允许合理估计对象发展成慢性心力衰竭(CHF)等的风险。因此，通常要求对象主动收集健康参数。通常，对象可能需要定期称重自己并向健康医师报告他们的体重。常规数据可能指示突然的体重增加，这是CHF发作的特征。
然而，对象通常不会以足够的规律性监测或报告他们的健康参数以使此类预测有用。结果，CHF的发作往往未被发现，并且没有及时采取预防措施以防止恶化。
因此，仍然需要更有效的系统和方法以持续的方式监测健康并评估疾病诸如慢性心力衰竭(CHF)的风险。本文所述的发明解决了上述需求。
发明内容
根据本公开主题的一个方面，介绍了一种用于监测至少一个对象的持续健康的系统，包括：至少一个对象监测站，所述对象监测站被配置并且可操作以从至少一个对象收集健康指示参数。所述对象监测站可以包括：至少一个雷达单元，所述雷达单元包括至少一个发射器天线，所述发射器天线连接到振荡器并且被配置为向目标区域发射电磁波，以及至少一个接收器天线，所述接收器天线被配置为接收由位于所述目标区域内的对象反射的电磁波并且可操作以生成原始数据；以及至少一个处理器，所述处理器被配置为从所述雷达单元接收原始数据并且可操作以生成所述健康指示参数。
活动监测器可以被配置并且可操作以记录指示所述至少一个对象的日常生活活动的事件。存储器单元可以被配置为存储通过所述对象监测站和所述活动监测器生成的记录数据。至少一个健康预测引擎可以包括处理器，所述处理器被配置并且可操作以访问存储在所述存储器单元中的所述记录数据并执行健康预测函数，从而为所述至少一个对象生成至少一个健康指数。另外地或替代地，通信模块可以被配置并且可操作以将信息传送给第三方。
不同地，对象监测站可以包括被配置并且可操作以计算至少一个对象的身体体积指数的身体体积监测器、可操作以记录对象的呼吸率和心率的远程生命体征监测器、可操作以记录对象的心率的至少一个心率监测器、可操作以记录对象的呼吸率的至少一个呼吸率监测器、可操作以记录对象的体温的至少一个体温监测器、可操作以记录对象的血压的至少一个血压监测器、可操作以记录对象的体重的至少一个体重监测器、步态速度监测器等以及其组合。
任选地，步态速度监测器可以包括处理器，所述处理器包括：数据过滤器，所述数据过滤器被配置为接收所述原始数据并且可操作以处理所述原始数据以去除与来自静态物体的反射相关的数据，从而生成经过滤数据；跟踪器模块，所述跟踪器模块被配置为从数据过滤器接收经过滤数据并且可操作以处理经过滤数据以识别移动目标并随时间跟踪移动目标的位置从而生成目标数据；以及步态分类模块，所述步态分类模块被配置为从跟踪器模块接收目标数据并且可操作以通过应用步态分类规则来处理目标数据并且另外可操作以计算对象的步态速度。
在适当的情况下，至少一个健康预测引擎可以包括慢性心力衰竭(CHF)预测引擎，所述慢性心力衰竭预测引擎包括处理器，所述处理器被配置并且可操作以访问存储在所述存储器单元中的所述记录数据并执行慢性心力衰竭(CHF)预测函数，从而为所述对象生成CHF风险指数。慢性心力衰竭(CHF)预测函数可以接收选自由以下组成的组的输入参数：日常生活活动(ADL)、心率变异性、体重、步态速度、卫生间使用。通信模块可以被配置并且可操作以将所述记录数据上传到数据库。任选地，慢性心力衰竭(CHF)预测引擎包括神经网络，诸如S形函数(sigmoid function)神经元网络。另外地或替代地，至少一个健康预测引擎可以包括跌倒检测系统。
本公开的另一方面是介绍身体体积监测器，其包括：雷达单元，所述雷达单元包括：至少一个发射器天线，所述发射器天线连接到振荡器并且被配置为向目标区域发射电磁波，以及至少一个接收器天线，所述接收器天线被配置为接收由位于所述目标区域内的对象反射的电磁波并且可操作以生成原始数据；以及处理器单元，所述处理器单元被配置为从雷达单元接收原始数据并且可操作以基于接收到的数据生成身体模型，并且进一步可操作以计算对象的身体体积指数。
在仍另一方面，介绍了步态速度监测器，其包括：雷达单元，所述雷达单元包括：至少一个发射器天线，所述发射器天线连接到振荡器并且被配置为向扩展的目标区域发射电磁波，以及至少一个接收器天线，所述接收器天线被配置为接收由位于所述扩展的目标区域内的对象反射的电磁波并且可操作以生成原始数据；以及存储器单元，所述存储器单元被配置并且可操作以存储图像数据；处理器单元，所述处理器单元包括：数据过滤器，所述数据过滤器被配置为接收所述原始数据，并且可操作以处理所述原始数据以去除与来自静态物体的反射相关的数据，从而生成经过滤数据；跟踪器模块，所述跟踪器模块被配置为从所述数据过滤器接收所述经过滤数据，并且可操作以处理所述经过滤数据以识别移动目标并随时间跟踪所述移动目标的位置，从而生成目标数据；以及步态分类模块，所述步态分类模块被配置为从所述跟踪器模块接收所述目标数据，并且可操作以通过应用步态分类规则来处理所述目标数据并且另外可操作以计算所述对象的步态速度；以及通信模块，所述通信模块被配置并且可操作以将信息传送给第三方。任选地，扩展的目标区域具有至少五米的长度。
另一方面是教导一种用于评估至少一个对象的持续健康的方法，所述方法包括：提供至少一个对象监测站，所述对象监测站被配置并且可操作以从至少一个对象收集健康指示参数；提供参数收集数据库，所述参数收集数据库用于存储至少一个对象的所监测健康指示参数；提供至少一个健康预测引擎；健康预测引擎访问参数收集数据库；并且执行健康预测函数，从而为所述至少一个对象生成至少一个健康指数。
在适当的情况下，提供至少一个健康预测引擎的步骤包括提供机器学习CHF风险模型，所述方法进一步包括：通过以下项使用训练数据来填充参数收集数据库：随时间监测测试对象的健康指示参数；存储每个测试对象的所监测健康指示参数；记录每个测试对象的CHF状态；使用所述训练数据来训练机器学习CHF风险模型；监测患者的健康指示参数；将所述患者的健康指示参数输入所述机器学习CHF风险模型；所述机器学习CHF风险模型为所述患者生成CHF风险指数。
任选地，提供至少一个对象监测站的步骤可以包括选自以下的至少一个步骤：提供身体体积监测器，所述身体体积监测器被配置并且可操作以记录对象的身体体积；提供步态速度检测器，所述步态速度检测器被配置并且可操作以记录对象的步态速度；提供远程生命体征检测器，所述远程生命体征检测器被配置并且可操作以记录对象的呼吸率和心率；提供活动检测器，所述活动检测器被配置并且可操作以记录指示对象日常生活活动的事件；提供体温监测器，所述体温监测器被配置并且可操作以记录对象的体温；提供体重监测器，所述体重监测器被配置并且可操作以记录对象的体重；以及提供血压监测器，所述血压监测器被配置并且可操作以记录对象的血压。
在适当的情况下，健康指示参数选自由以下组成的组：身体体积、身体质量、步态速度、呼吸率、心率、心率变异性、日常生活活动、体温、血压及其组合。不同地，提供机器学习CHF风险模型的步骤包括提供非线性模型、神经网络、网络回归模型或S形函数神经元网络。
附图说明
为了更好地理解实施方式并示出它可以如何实现，现在将仅通过实例的方式参考附图。
现在详细地具体参考附图，要强调的是所示的细节是通过实例的方式并且仅出于对所选实施方式的说明性讨论的目的，并且在提供被认为是最有用和最容易理解的原则和概念方面的描述的原因中提出。在这方面，除了基本理解所必需的之外，没有尝试更详细地显示结构细节；结合附图进行的描述使本领域技术人员清楚可以如何将各种选择的实施方式付诸实践。在附图中：
图1A是用于使用基于雷达的远程医疗监测装置通过患者的远程检查进行持续健康监测的系统的示意图；
图1B示出了具有附接的外部单元的远程医疗监测装置104的示意图；
图2是图示用于患者的远程检查的示例性方法的示意性流程图；
图3A是用于评估慢性心力衰竭(CHF)风险的系统的示意图；
图3B是用于填充用于训练机器学习CHF风险模型的参数收集数据库的系统的示意图；
图4A是指示根据本发明的实施方式的用于评估慢性心力衰竭(CHF)风险的方法中的选定动作的流程图；
图4B示意性地表示用于机器学习CHF风险模型的训练系统；
图5A是示意性地表示身体体积监测器的选定部件的框图；
图5B是持续健康和活动监测系统的可能实例的示意图；
图5C是指示持续健康和活动监测系统内的数据流的示意性框图；
图6A是示出根据本发明的方面的用于利用时间相关能量谱线填充数据库的示例性方法的示意性流程图；
图6B是示出根据本发明的方面的用于异常检测和警报生成的示例性方法的示意性流程图；
图7示出了目标区的标准能量谱线组；
图8示出了目标区的目标区段的时间相关能量谱线组；
图9A、10A和11A图示了在本发明的示例性实施方式中在正常行为的情况下在所有时间窗上的KL散度值；以及
图9B、10B和11B图示了在本发明的示例性实施方式中在实际跌倒的情况下所有时间窗上的KL散度值。
具体实施方式
本公开的方面涉及用于以持续的方式监测健康和康强水平的系统和方法。特别地，本公开涉及与预测引擎通信的基于雷达的对象监测系统，该系统可操作以收集风险参数。
雷达芯片可以用于扫描监测区域，诸如封闭房间。可以处理由扫描雷达芯片获得的数据以识别监测区域内的目标。可以跟踪和分析识别出的目标以指示他们的健康状态。
应注意，监测对象的健康指示参数和活动两者可以允许各种疾病的早识别。例如，慢性心力衰竭(CHF)的发作可以通过对象体重的降低来指示。同样，不规则的呼吸和心率可以指示睡眠呼吸暂停的风险。增加的上卫生间频率可能不会被对象注意到，但可能指示高风险的尿路感染。行走时移动缓慢和步态改变可能指示例如更高风险的跌倒或痴呆发作。
本公开的特定方面是提供被动监测器，其可以以持续的方式更被动地收集健康指示参数，以便提供至少一个对象的疾病风险指示。
因此，介绍了用于监测健康和评估疾病风险的系统和方法。本文描述了被动监测器的各种实例，它们可以组合以收集相关的健康指示参数和活动监测参数。这样的参数可以被传送到健康预测引擎，该健康预测引擎可操作以生成受监测对象的健康指数。
为了说明的目的，注意到处于慢性心力衰竭(CHF)风险中的对象通常需要主动测量和报告他们的体重，然而他们通常不愿意这样做。因此，CHF的发作往往未被发现，并且没有及时采取预防措施以防止恶化。
已经发现，除了对象的体重之外，其他健康参数可能是CHF风险的良好预测指标。此类风险参数包括但不限于身体体积、身体质量、步态速度、呼吸率、心率、心率变异性、日常生活活动、体温、血压等以及其组合。
可以组合各种被动监测器诸如本文所述的以收集相关风险参数并将这些传送至CHF预测引擎，该CHF预测引擎可操作以处理多个风险参数并由此计算受监测对象的CHF风险指数。
CHF预测引擎的实例包括本地处理器，其可操作以执行存储在存储器单元上的代码，该代码旨在将CHF预测函数应用于输入参数。CHF预测函数可以是本地存储的程序，用于通过将每个风险参数指示的风险组合成通用特征风险值来计算风险。
另外地或替代地，CHF预测引擎可以包括机器学习CHF风险模型，该机器学习CHF风险模型被训练以从输入数据输出风险。特别要指出的是，本文描述的对象监测站可以用于从多个对象收获风险参数，并将此类数据上传到中央参数收集数据库，该中央参数收集数据库可以用于产生用于此类机器学习CHF风险模型的训练数据。
应当理解，可以开发类似的健康预测引擎以使用这些或其他收集的健康和活动参数来根据需要生成其他疾病的指数，诸如用于心脏病发作风险、睡眠呼吸暂停、尿路感染、痴呆、抑郁等以及其组合。
根据需要，在本文公开了本发明的详细实施方式；然而，应当理解，所公开的实施方式仅仅是本发明的实例，其可以以各种和替代的形式体现。附图不一定按比例；一些特征可能会被放大或缩小以示出特定部件的细节。因此，本文公开的特定结构和功能细节不应被解释为限制，而仅作为教导本领域技术人员以不同方式应用本发明的代表性基础。
适当地，在本公开的各种实施方式中，如本文所述的一个或多个任务可以由数据处理器诸如用于执行多个指令的计算平台或分布式计算系统来执行。任选地，数据处理器包括或访问用于存储指令、数据等的易失性存储器。另外地或替代地，数据处理器可以访问非易失性存储，例如磁性硬盘、闪存驱动器、可移动介质等，以用于存储指令和/或数据。
特别要注意的是，本文公开的系统和方法在其应用中可以不限于在描述中阐述或在附图和实例中说明的部件或方法的构造和布置的细节。本公开的系统和方法可以能够用于其他实施方式，或者能够以各种方式和技术来实践和执行。
与本文描述的那些类似或等同的替代方法和材料可以用于实践或测试本公开的实施方式。然而，本文描述的特定方法和材料仅用于说明目的。材料、方法和实例并非旨在限制性的。因此，各种实施方式可以适当地省略、替代或添加各种程序或部件。例如，可以以不同于所描述的顺序执行这些方法，并且可以添加、省略或组合各种步骤。另外，关于某些实施方式描述的方面和部件可以在各种其他实施方式中组合。
现在参考图1A，其是用于患者的远程检查的系统100的示意图。系统100包括基于雷达的远程医疗监测装置104、数据库118和通信器120。
基于雷达的远程医疗监测装置104包括发射器阵列106和接收器阵列110。发射器阵列106可以包括连接到至少一个发射器天线或发射器天线阵列106的振荡器108。因此，发射器106可以被配置为产生电磁辐射束，诸如微波辐射等，其指向监测区域102，诸如封闭房间、病房的特定区等。接收器110可以包括接收器天线阵列，其被配置并且可操作以接收由监测区域102内的物体反射的电磁波。监测区域102被示出为包括两个患者102A和102B。然而，监测区域102可以包括针对一个患者的较小区或针对大量患者的较大区以用于测量物理参数而不限制本发明的范围。
在特定的实施方式中，远程医疗监测装置104在没有任何物理接触或附件的情况下监测患者102A和102B。远程医疗监测装置104可以适当地定位在离监测区域102几英尺的距离处以有效地监测患者102A和102B。在一种实施方式中，远程医疗监测装置104定位在床头/床脚处或靠近对象102A正在休息的椅子(未示出)。远程医疗监测装置104也可以定位在床(未示出)附近或对面的桌子或墙上，或者定位在房间的天花板上以监测患者102A和102B。在有大量患者的房间中，远程医疗监测装置104可以放置在中心位置以捕获来自所有患者的信息。
远程医疗监测装置104的接收器110接收到的信息包括患者102A和102B的各种身体参数连同患者的概况。可以由远程医疗监测装置104监测的身体参数包括但不限于心率、心脏变异性、呼吸率、睡眠评分、步态、姿势等。患者概况包括患者的各种信息，包括但不限于姓名、年龄、性别、居住地址、职业、饮食信息、病史、目前治疗等。
由接收器110接收到的电磁信号被发送到远程医疗监测装置104的处理单元112。处理单元112包括对象识别单元114，其过滤掉从存在于监测区域102中的其他物体(诸如桌子、椅子、床等)接收到的不期望的信号，过滤掉不期望的信号的过程超出了本发明的范围。对象识别单元114还清楚地识别从不同对象患者接收到的信号。例如，对象识别单元114清楚地识别从患者102A和102B接收到的信号并将数据传送到数据分析单元116以供另外处理。数据分析单元116分析各种监测参数的信号，包括但不限于心率、心脏变异性、呼吸率、睡眠评分、姿势、步态等。数据分析单元116可以为患者102A和102B准备单独的健康概况，包括所监测参数。数据分析单元116还可以为患者准备健康报告，包括但不限于检查报告、触诊报告、叩诊报告、听诊报告和神经检查报告。
患者的健康概况和健康报告存储在数据库118中。每个患者的健康概况和健康报告118a…118n分别存储在数据库118中。
在需要时，个体患者的健康概况和健康报告会发送给医学检验者用于监测和治疗。健康概况和健康报告通过通信器120从数据库118发送，通信器120通过通信网络122将信息传输给医学检验者124A。通信网络122可以包括蓝牙网络、有线LAN、无线LAN、WiFi网络、Zigbee网络、Z-Wave网络或以太网网络。可以将健康概况和健康报告发送给参与治疗的多个医生124a、124b等。健康概况和健康报告也可以发送到患者看护人的通信装置124c。
图1B图示了具有附接的外部单元的远程医疗监测装置104的示意图。在特定实施方式中，远程医疗监测装置104可以连接到各种其他医疗装置以测量患者102A和102B的参数。远程医疗监测装置104在这里被示出为连接到体重测量单元214A和血压监测单元214B。单元102A和102B测量患者102A和102B的体重和血压，并将数据传送到远程医疗监测装置104。远程医疗监测装置104还可以连接到多个传感器136A…136N，例如声学传感器、红外体温传感器以及测量参数诸如环境湿度、温度和光照水平的其他传感器。综合数据可以用于评估患者102A和102B的健康状况。体重测量单元136A、血压监测单元144B和传感器136A…136N可以经由蓝牙连接、有线LAN连接、无线LAN连接、WiFi连接、Zigbee连接、Z-Wave连接或以太网网络连接来连接到远程医疗监测装置104。此处公开的远程医疗监测装置104连接到两个外部测量单元，然而，它可以连接到任何其他医疗装置而不限制本发明的范围。示例性医疗装置包括但不限于脉搏血氧计监测单元等。
参考图2，其是图示根据本发明的一个方面的用于对患者进行远程检查的示例性方法的示意性流程图。该过程开始于步骤202，并且在步骤204由远程医疗监测装置104的发射器106向监测区域102发射电磁波(EM)。在步骤206由接收器110接收从监测区域102反射的EM波。接收到的EM信号被传送到处理单元112的对象识别单元114。在步骤208，对象识别单元114过滤掉不期望的数据并识别出期望对象的数据。根据需要，对象识别单元114可以选择一个对象患者例如患者102A或者多个对象患者例如患者102A和102B的数据。在步骤210，数据分析单元116测量对象患者102A的身体参数并在步骤212准备患者102A的健康概况和健康记录。在步骤214将患者102A的健康概况和健康记录存储在数据库118中。当需要时，在步骤216，将患者102A的健康概况和健康记录发送给执业医师124A和124B中的一名或多名以评估患者102A的医疗状况并建议适当的治疗。患者102A的健康概况和健康记录也可以被发送到患者102A的看护人的通信装置124C。该过程在步骤218完成。
上面解释的系统和方法可以远程和非侵入式地执行患者的身体检查。患者的检查报告可以发送给医生以用于治疗建议。
现在参考图3A，其示出了用于评估慢性心力衰竭(CHF)风险的系统300的示意图。系统300包括对象监测站320、慢性心力衰竭(CHF)预测引擎340。系统进一步包括通信器360，用于将CHF预测引擎340与计算机网络370，诸如因特网，包括远程参数收集数据库380和计算机化的CHF风险模型374连接。
对象监测站320可以包括各种参数收集器，诸如被配置并且可操作以记录对象的身体体积的身体体积监测器321，被配置并且可操作以记录对象的步态速度的步态速度监测器322，被配置并且可操作以记录对象的呼吸率的呼吸率监测器323、呼吸率监测器324，被配置并且可操作以记录对象的心率的心率监测器324，被配置并且可操作以记录指示对象的日常生活活动的事件诸如卫生间使用、睡眠时间、食物准备等的活动监测器325；被配置并且可操作以记录对象的体温的体温监测器326；被配置并且可操作以记录对象的血压的血压监测器327；以及用于记录对象的体重的体重监测器328，诸如秤。
当前公开的用于评估慢性心力衰竭(CHF)风险的系统的一个特定特征是在可能的情况下使用被动监测器来收集风险参数。例如，诸如本文描述的基于雷达的监测器可以用于收集关于身体体积、步态速度、呼吸率、心率和活动的数据。例如，红外温度计系统可以用于测量体温，以及地板秤可以用于测量体重。
系统300的另一个特征是监测器可以在不侵犯对象隐私的情况下收集这些参数。因此要注意，不依赖于图像收集或实际上根本不捕获任何图像的基于雷达的系统可能优于图像捕获装置诸如摄像机。
慢性心力衰竭(CHF)预测引擎340可以包括存储器单元346和处理器342。存储器单元346可以被配置为存储由监视器生成的记录数据。因此，处理器342可以被配置并且可操作以访问存储在存储器单元中的记录数据并执行慢性心力衰竭(CHF)预测函数，从而为对象生成CHF风险指数。
在适当的情况下，可以包括通信器360以将CHF预测引擎340与第三方连接或连接到远程参数收集数据库或计算机化CHF风险模型，可能经由计算机网络370。
现在参考图3B，呈现了用于填充用于训练机器学习CHF风险模型374的参数收集数据库380的系统。该系统包括经由计算机网络370连接的多个对象监测站320A-F、参数收集数据库和CHF风险模型服务器。
对象监测站320A-F被配置为收集与个体对象相关的风险参数并将风险参数数据包传送至参数收集数据库。优选地，风险参数数据包可以进一步包括可能由医疗专业人员执行的对象诊断，如果对象后来发展为CHF，则该对象诊断可以随时间更新。要注意的是，风险参数数据包可以是匿名的，以防止侵害患者隐私。
因此可以用多个个体对象记录填充参数收集数据库380。参数收集数据库380可以用于为CHF风险模型提供训练数据。本文描述了用于训练CHF风险模型的方法。
现在参考图4A的流程图，其呈现了用于评估慢性心力衰竭(CHF)的风险的方法中的选定动作。该方法包括训练数据收集阶段、训练阶段和监测阶段。
通过提供对象监测站401来收集数据，对象监测站被配置并且可操作以从对象收集风险参数，诸如身体体积、身体质量、步态速度、呼吸率、心率、心率变异性、日常生活活动、体温、血压等以及其组合。
该方法进一步包括提供参数收集数据库402，用于存储每个对象的所监测风险参数；提供机器学习CHF风险模型403；以及通过以下方式用训练数据填充参数收集数据库404：随时间监测测试对象的风险参数405；存储每个测试对象的所监测风险参数406；以及记录每个测试对象的CHF状态407，诸如通过记录医学专家的诊断。
填充训练数据库后，该方法继续使用训练数据来训练机器学习CHF风险模型408。
在监测阶段，通过监测患者的风险参数409来使用CHF风险模型；将患者的风险参数输入机器学习CHF风险模型410；并且CHF风险模型为患者生成CHF风险指数411。还需要注意的是，在监测阶段期间，新收集的数据可以另外存储在收集数据库中，以便以持续方式改进CHF的训练。
现在参考图4B的框图，其表示用于使用监督学习生成CHF风险模型的可能训练系统400的主要部件。这样的训练系统400以说明的方式呈现并且可以在设置期间使用。
可以使用各种模型，诸如神经网络、非线性模型、网络回归模型、S形函数神经元网络等。出于说明的目的，本文描述了神经网络，然而，本领域技术人员将想到其他模型和训练系统。
该实例的训练系统400包括神经网络420、真实患者记录440和误差生成器460。真实患者记录包括与患者输出相关联的一些真实CHF诊断442，并且神经网络生成预测输出422。误差生成器860比较实际输出信号442和预测输出422，产生成本函数，该成本函数被反馈到神经网络，该神经网络优化各种神经元参数以便最小化成本函数，可能使用迭代技术或启发式技术。
举例来说，成本函数可以由控制器对每个输入的误差平方求和来生成，尽管其他成本函数可以根据合适的需要而被优选。
生成成本函数后，控制器可以调整神经元参数以最小化成本函数。最小化算法可能包括但不限于启发式方法，诸如Memetic算法、差分进化、进化算法、动态松弛法、遗传算法、随机重启爬山法(Hill climbing with random restart)、Nelder-Mead单纯形启发法(Nelder-Mead simplicial heuristic)：一种流行的近似最小化启发法(无需调用梯度)、粒子群优化、引力搜索算法、人工蜂群优化、模拟退火、随机穿遂法(Stochastictunneling)、禁忌搜索(Tabu search)、反应式搜索优化(RSO)等。另外地或替代地，最小化可以包括迭代方法，诸如牛顿法、序列二次规划法、内点法、坐标下降法、共轭梯度法、梯度下降、次梯度法、捆绑下降法(Bundle method of descent)、椭球法、简约梯度法、拟牛顿法、用于随机优化的同步扰动随机逼近(Simultaneous perturbation stochasticapproximation，SPSA)法、插值法等。
训练系统400的特定特征是真实患者记录向神经网络提供对象参数444，使得神经网络被优化以针对任何给定的对象参数集产生尽可能接近真实患者记录的CHF诊断442的预测诊断422。
因此，一旦经过训练，神经网络420就能够模仿真实患者，根据以下项来生成预测诊断422：监测到的参数，诸如身体体积、身体质量、步态速度、呼吸率、心率、心率变异性、日常生活活动、体温、血压等,其可以作为输入提供。
现在参考图5A，示意性地表示了用于对象监测站的基于雷达的身体体积监测器500A的可能实例。
身体体积监测器500A可操作以生成用于站在目标地带中的对象的身体体积指数的值。身体体积监测器可以包括指向目标地带的雷达单元520A和处理器单元540A。
雷达单元可以安装到墙上，例如在对无线电波透明的光学镜后面，嵌入镜框中，等等，其中它可以扫描墙前的目标区域。雷达通常包括至少一个射频发射器天线阵列和至少一个射频接收器天线阵列。射频发射器天线TX连接到振荡器522A(射频信号源)并被配置并且可操作以向目标区域发射电磁波。射频接收器天线RX被配置为接收从目标区域内的物体反射回来的电磁波。
这样的扫描装置在申请人的共同未决美国国际专利申请序列号PCT/IB2020/062121中有另外的描述，该申请的全部内容通过援引并入本文。根据需要，该装置可以嵌入墙、镜框、窗户、地板下、天花板中、对无线电波透明的光学镜后面等。
另外地或替代地，扫描装置本身被引导朝向镜面并且可以被配置和可操作以将目标区域扩展到镜内的虚拟反射区域中。因此，对象的被掩蔽或遮挡的区域可以通过镜内的反射而变得可见。
接收器生成的原始数据通常是振幅和相位测量组，对应于从阵列前面的物体散射回来的波。可以将空间重建处理应用于测量以重建目标区域内目标的三维坐标处的振幅(散射强度)。因此，目标区域内体积的每个三维部分可以通过由对应于x坐标、y坐标、z坐标和振幅值的四个值定义的体素来表示。
通常，接收器可以连接到预处理单元530A，该预处理单元被配置并且可操作以处理由接收器生成的原始数据的振幅矩阵并产生适用于模型优化的经过滤点云。
因此，在适当的情况下，预处理单元530A可以包括振幅过滤器，该振幅过滤器可操作以选择具有高于所需阈值的振幅的体素，以及体素选择器，该体素选择器可操作以减少经过滤数据中的体素数量，例如通过对数据进行采样或对相邻体素进行聚类。以这种方式，可以将经过滤点云输出到处理器。还应注意，通过在振幅高于阈值时将每个体素的振幅值设置为“一”以及在振幅低于阈值时将其设置为“零”，可以另外简化经过滤点云。
与预处理器单元530A通信的处理器540A可以包括身体模型生成器542A，该身体模型生成器可操作以从预处理器的输出来接收经过滤点云并将经过滤点云与存储在存储器单元546A中的人参数模型进行比较以生成身体模型。
可以通过对多个对象的扫描进行平均和/或将机器学习应用于这样的扫描来生成参数模型并存储在处理器的存储器单元中或远程存储。参数模型可以表示为模型函数，该模型函数接收表示模型参数的一组值并返回为对象建模的体素集。
举例来说，参数可以选自对象的各种可测量值，例如人对象参数诸如性别、身高、体重、腰围、大腿内侧(inner-thigh)、内接缝(inseam)、臂展、手展、手腕到肩长、鞋码等以及其组合可以生成具有特征体素集的候选模型。在一些实例中，可以为男性和女性对象提供单独的参数模型。
因此，处理器可以进一步包括优化器和参数选择器。优化器可以另外被配置并且可操作以将参数模型中的每个体素的位置与经过滤点云中的每个体素的位置进行比较。参数选择器可以可操作以接收比较结果并相应地调整参数以便生成新的候选模型。一旦优化器达到最佳模型，其中，没有进一步的调整显著改进候选模型，则可以选择该候选模型作为扫描对象的最佳拟合模型。对象本身可以通过用作参数值的测量来表征以生成最佳拟合身体模型。
处理器可以进一步包括身体体积计算器544A，其可操作以分析对象的身体模型以便计算对象的身体体积指数的特征值。
现在参考图5B，其是可能的健康监测系统500的示意图。健康监测系统500包括雷达单元504、处理器单元526和通信模块534。
雷达单元504包括发射器506和接收器510的阵列。发射器可以包括连接到至少一个发射器天线TX或发射器天线阵列506的振荡器508。相应地，发射器可以被配置为产生电磁辐射束，诸如微波辐射等，其指向监测区域505，诸如封闭的房间等。接收器可以包括至少一个接收天线RX或接收器天线阵列510，其被配置并且可操作以接收由监测区域505内的物体502反射的电磁波。
处理器单元526可以包括模块诸如数据过滤器523、跟踪器模块525、步态分类模块527和跌倒识别模块529，可以被配置为接收来自雷达单元504的数据并且可操作以基于接收到的数据生成跌倒警报。在适当的情况下，可以提供预处理器512以在将数据传送到处理器单元526之前处理原始数据，如本文所述。
通信模块534被配置并且可操作以与第三方538通信。任选地，通信模块534可以与计算机网络536诸如因特网通信，经由计算机网络可以将警报传送到第三方538，例如经由电话、计算机、可穿戴装置等。
应注意，该系统可以进一步包括基于雷达的被动步态速度监测器527，以用于示意性表示的对象监测站。步态速度监测器527可以可操作以生成经过扩展的目标地带505的对象的步态速度值。步态速度监测器包括至少一个雷达扫描装置和处理器单元。
雷达扫描装置504被配置为监测扩展范围内对象502的移动。扩展范围505的尺寸适用于测量沿着比方说4-8米的路径的持续步态的速度。因此，举例来说，可能优选定位扫描装置以覆盖比方说5-6平方米的目标地带中的移动。
在适当的情况下，可以使用单个雷达扫描装置来监测扩展的目标地带的整个长度，然而在需要的情况下可能优选多个扫描装置。雷达通常包括至少一个射频发射器天线阵列和至少一个射频接收器天线阵列。射频发射器天线连接到振荡器(射频信号源)并且被配置并且可操作以向目标区域发射电磁波。射频接收器天线被配置为接收从目标区域内的物体反射回来的电磁波。
处理器单元526可以包括模块诸如数据过滤器523、跟踪器模块525和步态分类模块527，因此可以被配置为从雷达单元接收数据并且可操作以通过应用步态分类规则来处理目标数据并且另外可操作以计算对象的步态速度。
现在参考图5B的框图，其指示通过健康监测系统500的可能数据流。原始数据通常由雷达模块504生成，其通常包括在特定角度和范围反射的能量的振幅值。原始数据52可以表示为极坐标中的图像。预处理器单元512可以从雷达模块504接收原始数据52。预处理器单元512包括谱线生成器514、体素选择器516和输出518。
数据过滤器523直接从雷达模块504接收原始数据52，或者替代地可以从预处理器单元512接收预处理数据54。数据过滤器523可以包括时间过滤器,其可操作以处理原始数据52，以便去除与来自静态物体的反射有关的所有数据。过滤器523由此可以生成经过滤图像56，其仅包括与已移除背景的监测区域内的移动物体有关的数据。
在某些实例中，数据过滤器523可以包括存储器单元和微处理器。因此，数据过滤器523可以按照时间间隔在存储器单元中存储来自第一帧的第一组原始数据集和来自第二帧的第二组原始数据集。微处理器可以可操作以从第二帧数据中减去第一帧数据，从而生成经过滤帧数据。本领域技术人员将想到用于过滤数据的其他方法。
经过滤图像数据56可以被传送到跟踪器模块525，跟踪器模块525可操作以处理经过滤图像数据56，以便用数据来识别移动目标并随时间跟踪识别的移动目标的位置，从而生成目标数据554。
跟踪器模块525可以包括检测器5252、关联器5254和跟踪器5256并且可操作以生成与监测区域内的目标相关的数据554。检测器5252从时间过滤器523接收经过滤图像数据556并且处理经过滤图像数据56以检测其能量分布内的局部最大值峰558。
峰数据58可以被传送到关联器5254。关联器5254可操作以将每个帧的峰数据58存储在存储器元件中并将每个峰与目标物体相关联并另外为每个目标生成单个峰位置(单峰)。
跟踪器525可以被配置为从每个帧接收目标数据并且可操作以使用每个帧中每个目标的位置值和速度值来填充目标数据库，从而生成可以用于计算每个帧中每个目标的预测位置552的跟踪数据。举例来说，
关联器5254可以另外可操作以从目标跟踪器5256接收跟踪数据。因此，当单峰550与现有目标的预期位置重合时，该峰可以与该现有目标相关联。替代地，在峰位置与任何跟踪目标不重合的情况下，峰可能与新目标相关联。
目标数据554可以被传送到步态分类模块527和/或跌倒识别模块529，该模块可操作以通过应用跌倒检测规则来处理目标数据554并且在需要时生成跌倒警报输出556。
根据一些实例，跌倒识别模块529包括姿势检测器和跌倒检测器。姿势检测器可以被配置为将目标数据存储在存储器单元中，为每个目标生成能量谱线，并应用姿势选择规则从而为每个目标选择姿势。姿势检测器可以另外可操作以将每个目标的姿势历史存储在存储器单元中。然后跌倒检测器可以从存储器单元访问姿势历史并且如果至少一个目标被识别为跌倒则生成跌倒警报。
参考图6A，其图示了用于用时间相关能量谱线来填充数据库的示例性方法。目标区域每个部分的时间相关能量谱线示出了在一天中的给定时间选择能量谱线组中的每一个的相对可能性。该过程从步骤602开始，在该步骤中生成标准能量谱线组并将其存储在数据库中。这组标准能量谱线表征了与处于不同姿势(站立、坐、躺、行走、弯身等……)的对象相关的预期能量分布。图7示出了示例性对象的32个标准能量谱线组。这些标准能量谱线是根据在很长一段时间内收集的大量数据样本生成的。
在步骤604，目标区由区段选择器分割成多个目标区段。在步骤606定义用于收集时间相关数据的学习期。在示例性实施方式中，定义了具有1小时的时间间隔的48小时的学习期。在步骤608，对于每个时间间隔，记录每个目标区段的活动。通过经由雷达单元的接收器从目标区段接收的反射来记录活动。在步骤610，谱线生成器从标准能量谱线组中选择目标区段的最接近匹配，并在步骤612为每个区段生成时间相关能量谱线524。时间相关能量谱线524存储在数据库520中。
在步骤614，确定学习期的所有时间间隔是否已经完成。应注意，即使在学习期结束之后，系统也可以在操作期间以持续方式继续收集谱线。如果需要，旧数据可能会被覆盖或清除。以这种方式，之前的48小时总是可以根据需要分为多个时间间隔，诸如24或十二个时间间隔。
如果“是”，学习期的所有时间间隔都已完成，则用时间相关能量谱线填充数据库520的过程完成，并且该过程在步骤618停止。否则，在步骤616为下一个时间间隔记录每个目标区段的活动并且过程从步骤610重复。图8示出了针对目标区域的各个目标区段的示例性时间相关能量谱线524的组。本文中的术语“超体素”是指目标区域的“目标区段”，其中“X”和“Y”坐标定义了特定的目标区段。
现在参考图6B，其是图示了用于跌倒警报中的异常检测和警报生成的示例性方法的示意性流程图。如果基于跌倒检测规则在目标区域502中检测到跌倒，则在步骤622，通过雷达单元504的接收器110记录对应于目标区域502的数据。在步骤624，对于目标区域102的每个目标区段，由谱线生成器514生成当前能量谱线并由输出单元518发送到处理单元526。在步骤626，将当前能量谱线与存储在数据库520中的记录的时间相关能量谱线524进行比较。在步骤628，基于该比较，确定是否在跌倒检测中检测到异常。如果在跌倒检测中未检测到异常，则在步骤630生成警报并通过各种方式提供给预期接收者。如果在跌倒检测中检测到异常，则过滤掉跌倒警报并且过程从步骤624重复。该过程在步骤632完成。
在示例性实施方式中，使用测量概率分布与参考概率分布的差异的Kullback–Leibler(KL)散度来解释跌倒警报中的异常检测过程。度量Mi由KL散度定义为：
Figure BDA0004041937090000201
其中，
Figure BDA0004041937090000202
是指目标区段的时间相关能量谱线分布；并且PD是指目标区段的当前能量谱线分布。
阈值T定义为，如果Mi＜T，则跌倒检测没有异常。因此，生成跌倒警报并将其发送给预期接受者。否则，如果Mi≥T，则在跌倒检测中检测到异常，跌倒检测将被过滤掉并且不会生成警报。
另外地或替代地，还可以根据基于数据库中信息的质量及其多样性的置信度评分来提供异常评分。可以提供过滤机制以基于参数诸如异常评分等来执行决策功能以另外选择合适的警报生成。
应该清楚地理解，使用Kullback–Leibler(KL)散度解释的跌倒警报中的异常检测过程本质上是示例性的，不应限制本发明的范围。任何其他合适的概率分布函数都可以用于此目的而不限制本发明的范围。
图16A、17A和18A图示了在本发明的示例性实施方式中在正常行为的情况下在所有时间窗上的KL散度值。
图16B、17B和18B图示了在本发明的示例性实施方式中在实际跌倒的情况下所有时间窗上的KL散度值。
要注意的是，图9A和10A中圈出的点表示检测到的与实际跌倒不对应的异常。此类异常通常不会导致生成警报，因为它们不会伴随跌倒检测事件。
要注意的是，图9B和10B中圈出的点表示检测到的与实际跌倒相对应的异常。此类异常通常会伴随跌倒检测事件，并且因此会生成跌倒警报。
图9A和10B表示在学习期完成之前记录的散度值。相比之下，图10A和10B表示学习期完成之后记录的散度值。因此，与图10A相比，图9A中记录为异常的事件更多，尽管这两者都代表正常行为。
现在参考图11A，其示出了没有实际跌倒发生的KL散度，将注意到尽管记录了多个跌倒检测事件，如绿色圆圈所示，但没有检测到相应的异常。因此避免了误报。
相比之下，在图11B中，确实发生了实际跌倒，这些生成了跌倒检测事件并以绿色圈出，应注意到这些事件也对应于异常。因此，生成跌倒检测警报。
上面解释的系统和方法通过避免误报提供了对跌倒检测方法的改进。
该系统的其他特征包括为罕见事件保留长期记忆的能力，诸如洗衣机的操作等，如果仅考虑48小时的记忆片段，则这些事件可能被视为异常。
还应注意，系统可以基于时间相关谱线对目标区域内的地带进行分类。例如，如果主要在夜间期间长时间检测到躺姿势，则可以将地带识别为床，或者如果在特征性短时间监测到坐和/或站立姿态等，则可以将区域识别为卫生间。这样的分类系统可以形成高级房间学习的基础。
应当理解，为了清楚起见，在分开的实施方式的上下文中描述的本发明的某些特征也可以在单个实施方式中组合提供。相反，为简洁起见，在单个实施方式的上下文中描述的本公开的各种特征也可以分开提供或以任何合适的子组合或在本公开的任何其他描述的实施方式中合适地提供。除非该实施方式在没有这些元件的情况下不起作用，否则在各种实施方式的上下文中描述的某些特征不应被认为是那些实施方式的基本特征。
尽管已经结合其特定实施方式描述了本发明，但是显然，其他替代、修改、变化和等同物对于本领域的技术人员来说将是显而易见的。因此，旨在涵盖落入本发明的精神和所附权利要求的广泛范围内的所有此类替代、修改、变化和等同物。另外，上文阐述的各种实施方式是根据示例性框图、流程图和其他图示来描述的。对于本领域的普通技术人员来说显而易见的是，可以在不局限于所示实例的情况下实施所示实施方式及其各种替代方案。例如，框图和随附的描述不应被解释为强制执行特定的体系结构、布局或配置。
技术说明
本文使用的技术和科学术语应具有与本公开所属领域的普通技术人员通常所理解的相同的含义。然而，预计在本申请成熟的专利生命周期期间，将开发出许多相关系统和方法。因此，术语诸如计算单元、网络、显示器、存储器、服务器等的范围旨在先验地包括所有这些新技术。
如本文所用，术语“约”是指至少±10％。
术语“包括(comprises)”、“包括(comprising)”、“包括(includes)”、“包括(including)”、“具有”及其变体意指“包括但不限于”，并且表示包括所列出的部件，但通常不排除其他部件。此类术语涵盖了术语“由……组成”和“基本上由……组成”。
短语“基本上由……组成”意指组合物或方法可以包括额外的成分和/或步骤，但前提是额外的成分和/或步骤不会实质性地改变要求保护的组合物或方法的基本和新颖特征。
如本文所用，除非上下文另有明确规定，否则单数形式“一个/一种(a/an)”和“该/所述(the)”可以包括复数指代。例如，术语“化合物”或“至少一种化合物”可以包括多种化合物，包括其混合物。
本文使用的词语“示例性”意指“用作实例、情况或说明”。描述为“示例性”的任何实施方式不一定被解释为优选或优于其他实施方式或排除并入来自其他实施方式的特征。
本文使用的词语“任选”意指“在一些实施方式中提供，并且在另一些实施方式中不提供”。除非这些特征冲突，否则本公开的任何特定实施方式可以包括多个“任选”特征。
每当本文指示数值范围时，其意指包括指示范围内的任何引用的数字(分数或整数)。短语介于第一指示数和第二指示数之间的“范围(ranging/ranges between)”以及在第一指示数“至”第二指示数的“范围(ranging/ranges from)”在本文中可互换使用并且意指包括第一和第二指示数以及其之间的所有小数和整数。因此，应当理解，范围格式的描述仅仅是为了方便和简洁，并且不应被解释为对本公开范围的固定制。因此，范围的描述应该被认为已经具体公开了所有可能的子范围以及该范围内的单个数值。例如，对范围诸如1至6的描述应被视为具有具体公开的子范围，诸如1至3、1至4、1至5、2至4、2至6、3至6等，以及该范围内的单个数字，例如1、2、3、4、5和6以及非整数的中间值。无论范围的宽度如何，这都适用。
应当理解，为了清楚起见，在分开的实施方式的上下文中描述的本公开的某些特征也可以在单个实施方式中组合提供。相反，为简洁起见，在单个实施方式的上下文中描述的本公开的各种特征也可以分开提供或以任何合适的子组合或在本公开的任何其他描述的实施方式中合适地提供。除非该实施方式在没有这些元件的情况下不起作用，否则在各种实施方式的上下文中描述的某些特征不应被认为是那些实施方式的基本特征。
尽管已经结合其特定实施方式描述了本公开，但是显然，许多替代、修改和变化对于本领域技术人员来说将是显而易见的。因此，旨在涵盖落入所附权利要求的精神和广泛范围内的所有此类替代、修改和变化。
本说明书中提及的所有出版物、专利和专利申请均通过援引以其整体并入说明书中，其程度如同每个单独的出版物、专利或专利申请被具体且单独地指示通过援引并入本文中一样。另外，本申请中对任何参考文献的引用或识别不应被解释为承认此类参考文献可作为本公开的现有技术获得。就使用章节标题而言，它们不应被解释为必然限制。
所公开的主题的范围由所附权利要求限定并且包括本文上文描述的各种特征的组合和子组合以及其变体和修改，本领域技术人员在阅读前述描述后将想到这些。

Claims (27)

1.一种用于监测至少一个对象的持续健康的系统，包括：
至少一个对象监测站，所述对象监测站被配置并且可操作以从所述至少一个对象收集健康指示参数，所述对象监测站包括：
至少一个雷达单元，所述雷达单元包括至少一个发射器天线，
所述发射器天线连接到振荡器并且被配置为向目标区域发射电磁波，以及至少一个接收器天线，所述接收器天线被配置为接收由位于所述目标区域内的对象反射的电磁波并且可操作以生成原始数据；以及
至少一个处理器，所述处理器被配置为从所述雷达单元接收原始数据并且可操作以生成所述健康指示参数；
活动监测器，所述活动监测器被配置并且可操作以记录指示所述至少一个对象的日常生活活动的事件；
存储器单元，所述存储器单元被配置为存储通过所述对象监测站和所述活动监测器生成的记录数据；
至少一个健康预测引擎，所述健康预测引擎包括处理器，所述处理器被配置并且可操作以访问存储在所述存储器单元中的所述记录数据并执行健康预测函数，从而为所述至少一个对象生成至少一个健康指数。
2.根据权利要求1所述的系统，进一步包括通信模块，所述通信模块被配置并且可操作以将信息传送给第三方。
3.根据权利要求1所述的系统，其中，所述对象监测站包括身体体积监测器，所述身体体积监测器被配置并且可操作以计算所述至少一个对象的身体体积指数。
4.根据权利要求1所述的系统，其中，所述对象监测站包括远程生命体征监测器，所述远程生命体征监测器可操作以记录受所述对象的呼吸率和心率。
5.根据权利要求1所述的系统，其中，所述对象监测站包括至少一个心率监测器，所述心率监测器可操作以记录所述对象的心率。
6.根据权利要求1所述的系统，其中，所述对象监测站包括至少一个呼吸率监测器，所述呼吸率监测器可操作以记录所述对象的呼吸率。
7.根据权利要求1所述的系统，其中，所述对象监测站包括至少一个体温监测器，所述体温监测器可操作以记录所述对象的体温。
8.根据权利要求1所述的系统，其中，所述对象监测站包括至少一个血压监测器，所述血压监测器可操作以记录所述对象的血压。
9.根据权利要求1所述的系统，其中，所述对象监测站包括至少一个体重监测器，所述体重监测器可操作以记录所述对象的体重。
10.根据权利要求1所述的系统，其中，所述对象监测站包括步态速度监测器并且其中，所述处理器进一步包括：
数据过滤器，所述数据过滤器被配置为接收所述原始数据，并且可操作以处理所述原始数据以去除与来自静态物体的反射相关的数据，从而生成经过滤数据；
跟踪器模块，所述跟踪器模块被配置为从所述数据过滤器接收所述经过滤数据，并且可操作以处理所述经过滤数据以识别移动目标并随时间跟踪所述移动目标的位置，从而生成目标数据；以及
步态分类模块，所述步态分类模块被配置为从所述跟踪器模块接收所述目标数据，并且可操作以通过应用步态分类规则来处理所述目标数据并且另外可操作以计算所述对象的步态速度。
11.根据权利要求1所述的系统，其中，所述至少一个健康预测引擎包括慢性心力衰竭(CHF)预测引擎，所述慢性心力衰竭预测引擎包括处理器，所述处理器被配置并且可操作以访问存储在所述存储器单元中的所述记录数据并执行慢性心力衰竭(CHF)预测函数，从而为所述对象生成CHF风险指数。
12.根据权利要求11所述的系统，其中，所述慢性心力衰竭(CHF)预测函数接收选自由以下组成的组的输入参数：日常生活活动(ADL)、心率变异性、体重、步态速度、卫生间使用。
13.根据权利要求11所述的系统，进一步包括通信模块，所述通信模块被配置并且可操作以将所述记录数据上传到数据库。
14.根据权利要求11所述的系统，其中，所述慢性心力衰竭(CHF)预测引擎包括神经网络。
15.根据权利要求11所述的系统，其中所述慢性心力衰竭(CHF)预测引擎包括S形函数神经元网络。
16.根据权利要求1所述的系统，其中所述至少一个健康预测引擎包括跌倒检测系统。
17.一种身体体积监测器，包括：
雷达单元，所述雷达单元包括：
至少一个发射器天线，所述发射器天线连接到振荡器并且被配置为向目标区域发射电磁波，以及
至少一个接收器天线，所述接收器天线被配置为接收由位于所述目标区域内的对象反射的电磁波并且可操作以生成原始数据；以及
处理器单元，所述处理器单元被配置为从所述雷达单元接收原始数据并且可操作以基于接收到的数据生成身体模型，并且另外可操作以计算所述对象的身体体积指数。
18.一种步态速度监测器，包括：
雷达单元，所述雷达单元包括：
至少一个发射器天线，所述发射器天线连接到振荡器并且被配置为向扩展的目标区域发射电磁波，以及
至少一个接收器天线，所述接收器天线被配置为接收由位于所述扩展的目标区域内的对象反射的电磁波并且可操作以生成原始数据；以及
存储器单元，所述存储器单元被配置并且可操作以存储图像数据；
处理器单元，所述处理器单元包括：
数据过滤器，所述数据过滤器被配置为接收所述原始数据，并且可操作以处理所述原始数据以去除与来自静态物体的反射相关的数据，从而生成经过滤数据；
跟踪器模块，所述跟踪器模块被配置为从所述数据过滤器接收所述经过滤数据，并且可操作以处理所述经过滤数据以识别移动目标并随时间跟踪所述移动目标的位置，从而生成目标数据；以及
步态分类模块，所述步态分类模块被配置为从所述跟踪器模块接收所述目标数据，并且可操作以通过应用步态分类规则来处理所述目标数据并且另外可操作以计算所述对象的步态速度；以及
通信模块，所述通信模块被配置并且可操作以将信息传送给第三方。
19.根据权利要求18所述的检测器，其中，所述扩展的目标区域具有至少五米的长度。
20.一种用于评估至少一个对象的持续健康的方法，所述方法包括：
提供至少一个对象监测站，所述对象监测站被配置并且可操作以从所述至少一个对象收集健康指示参数；
提供参数收集数据库，所述参数收集数据库用于存储所述至少一个对象的所监测健康指示参数；
提供至少一个健康预测引擎；
所述健康预测引擎访问所述参数收集数据库；
执行健康预测函数，从而为所述至少一个对象生成至少一个健康指数。
21.根据权利要求20所述的方法，其中，所述提供至少一个健康预测引擎的步骤包括提供机器学习CHF风险模型，所述方法进一步包括：
通过以下项使用训练数据来填充所述参数收集数据库：
随时间监测测试对象的健康指示参数；
存储每个测试对象的所监测健康指示参数；
记录每个测试对象的CHF状态；
使用所述训练数据来训练所述机器学习CHF风险模型；
监测患者的健康指示参数；
将所述患者的健康指示参数输入所述机器学习CHF风险模型；
所述机器学习CHF风险模型为所述患者生成CHF风险指数。
22.根据权利要求20所述的方法，其中，所述提供至少一个对象监测站的步骤包括选自以下的至少一个步骤：
提供身体体积监测器，所述身体体积监测器被配置并且可操作以记录所述对象的身体体积；
提供步态速度监测器，所述步态速度监测器被配置并且可操作以记录所述对象的步态速度；
提供远程生命体征监测器，所述远程生命体征监测器被配置并且可操作以记录所述对象的呼吸率和心率；
提供活动监测器，所述活动监测器被配置并且可操作以记录指示所述对象的日常生活活动的事件；
提供体温监测器，所述体温监测器被配置并且可操作以记录所述对象的体温；
提供体重监测器，所述体重监测器被配置并且可操作以记录所述对象的体重；以及
提供血压监测器，所述血压监测器被配置并且可操作以记录所述对象的血压。
23.根据权利要求21所述的方法，其中，所述健康指示参数选自由以下组成的组：身体体积、身体质量、步态速度、呼吸率、心率、心率变异性、日常生活活动、体温、血压及其组合。
24.根据权利要求22所述的方法，其中，所述提供机器学习CHF风险模型的步骤包括提供非线性模型。
25.根据权利要求22所述的方法，其中，所述提供机器学习CHF风险模型的步骤包括提供神经网络。
26.根据权利要求22所述的方法，其中，所述提供机器学习CHF风险模型的步骤包括提供网络回归模型。
27.根据权利要求22所述的方法，其中，所述提供机器学习CHF风险模型的步骤包括提供S形函数神经元网络。
CN202180048699.7A 2020-05-14 2021-05-14 用于持续监测健康和康强水平的系统和方法 Pending CN115843229A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US202063024520P 2020-05-14 2020-05-14
US63/024,520 2020-05-14
US202063042023P 2020-06-22 2020-06-22
US63/042,023 2020-06-22
US202063093319P 2020-10-19 2020-10-19
US63/093,319 2020-10-19
PCT/IB2021/054130 WO2021229512A1 (en) 2020-05-14 2021-05-14 Systems and methods for ongoing monitoring of health and wellbeing

Publications (1)

Publication Number Publication Date
CN115843229A true CN115843229A (zh) 2023-03-24

Family

ID=78525516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180048699.7A Pending CN115843229A (zh) 2020-05-14 2021-05-14 用于持续监测健康和康强水平的系统和方法

Country Status (4)

Country Link
US (1) US20230181059A1 (zh)
EP (1) EP4146062A4 (zh)
CN (1) CN115843229A (zh)
WO (1) WO2021229512A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119157517A (zh) * 2024-11-12 2024-12-20 北京清雷科技有限公司 适用于病房的患者状态监测系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230134653A1 (en) * 2021-11-02 2023-05-04 Eko Devices, Inc. Methods and systems for pulmonary artery pressure and cardiac synchronization monitoring
CN117158924B (zh) * 2023-08-08 2024-07-19 知榆科技有限公司 健康监测方法、装置、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101108125A (zh) * 2007-08-02 2008-01-23 张志强 一种身体体征动态监测系统
US20080294019A1 (en) * 2007-05-24 2008-11-27 Bao Tran Wireless stroke monitoring
CN103959293A (zh) * 2011-11-28 2014-07-30 皇家飞利浦有限公司 用于计算总体风险得分的健康监控系统
US20180322351A1 (en) * 2016-11-21 2018-11-08 George Shaker System and method for sensing with millimeter waves

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9526421B2 (en) * 2005-03-11 2016-12-27 Nrv-Wellness, Llc Mobile wireless customizable health and condition monitor
US7612681B2 (en) * 2007-02-06 2009-11-03 General Electric Company System and method for predicting fall risk for a resident
SG10201501889WA (en) * 2010-03-15 2015-05-28 Singapore Health Serv Pte Ltd Method of predicting the survivability of a patient
US20140266860A1 (en) * 2013-03-14 2014-09-18 Gaddi BLUMROSEN Method and system for activity detection and classification
US9568595B2 (en) * 2015-06-29 2017-02-14 Echocare Technologies Ltd. Ultra-wide band antenna arrays and related methods in personal emergency response systems
US10182758B2 (en) * 2015-10-05 2019-01-22 Htc Corporation Measuring device of human body and method thereof
EP3442418B1 (en) * 2016-04-14 2022-11-02 Medrhythms, Inc. Systems and methods for neurologic rehabilitation
US11270799B2 (en) * 2019-08-20 2022-03-08 Vinya Intelligence Inc. In-home remote monitoring systems and methods for predicting health status decline

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080294019A1 (en) * 2007-05-24 2008-11-27 Bao Tran Wireless stroke monitoring
CN101108125A (zh) * 2007-08-02 2008-01-23 张志强 一种身体体征动态监测系统
CN103959293A (zh) * 2011-11-28 2014-07-30 皇家飞利浦有限公司 用于计算总体风险得分的健康监控系统
US20180322351A1 (en) * 2016-11-21 2018-11-08 George Shaker System and method for sensing with millimeter waves

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119157517A (zh) * 2024-11-12 2024-12-20 北京清雷科技有限公司 适用于病房的患者状态监测系统

Also Published As

Publication number Publication date
US20230181059A1 (en) 2023-06-15
WO2021229512A1 (en) 2021-11-18
EP4146062A1 (en) 2023-03-15
EP4146062A4 (en) 2024-07-17

Similar Documents

Publication Publication Date Title
US20210186312A1 (en) Systems and methods for semi-automated medical processes
CN115843229A (zh) 用于持续监测健康和康强水平的系统和方法
US20240266055A1 (en) Systems and methods for audio medical instrument patient measurements
JP6975230B2 (ja) 患者モニタリングシステム及び方法
JP7197475B2 (ja) 患者モニタリング・システムおよび方法
CN107408160A (zh) 可定制的健康监视
WO2021245203A1 (en) Non-invasive cardiac health assessment system and method for training a model to estimate intracardiac pressure data
CN102687152A (zh) Copd恶化预测系统和方法
US20230200664A1 (en) Non-invasive cardiac health assessment system and method for training a model to estimate intracardiac pressure data
JP2023521416A (ja) 環境健康監視および予測的評価を可能にする非接触型センサー駆動デバイス、システム、および方法
US20220151582A1 (en) System and method for assessing pulmonary health
CN115349832A (zh) 一种生命体征监测预警系统和方法
Lalouani et al. Enabling effective breathing sound analysis for automated diagnosis of lung diseases
WO2024224391A1 (en) Sleep apnea event determination using terahertz radar
CN118213092A (zh) 一种用于慢性创面疾病的远程医疗监管系统
US20240210553A1 (en) Systems and methods for providing a communication channel to third-parties when a fall is detected
US20230157550A1 (en) Contactless vital sign monitoring of multiple subjects in real-time
CN110974215A (zh) 基于无线心电监护传感器组的预警系统及方法
Yuvaraj et al. IoT Based Patient’s Smart Healthcare Monitoring and Recording Using GSM Module
Shamna et al. IoMT enabled prototype edge computing healthcare system for isolated patients
BR122022005675B1 (pt) Métodos para determinar a eficácia de uma droga
Del Regno et al. Thermal imaging and radar for remote sleep monitoring of breathing and apnea
US20240085554A1 (en) System and method for generating mitigated fall alerts
US20240306980A1 (en) Patient-side, real-time sepsis monitoring
Meivel et al. E-Health Real-Time Monitoring System using IoT Sensor (ESKIN) Methodology

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