CN118401174A - 一种健康监测系统和方法 - Google Patents

Abstract

本公开涉及一种健康监测系统(200)。该系统(200)包括生理测量设备(202)，其被配置为在预设的时间段内从目标身上获取与多个生理参数(210)相关的输入信号(204)；处理器(206)，其被配置为通过将物理/健康关系应用于输入信号来处理输入信号(204)，从而识别目标的精神状态或神经系统疾病状态；以及输出模块(208)，其被配置为提供与已识别的精神状态或神经系统疾病状态相关的目标的健康状态的输出。该系统(200)可能对于检测目标可能发生的癫痫发作或可能的神经崩溃，和/或监控目标的不同精神状态是有用的。

Description

一种健康监测系统和方法

技术领域

本发明涉及一种健康监测系统和方法，尤其地，但不仅限于，监测目标的心理状态的系统和方法。

背景技术

可以通过在人体皮肤表面的适当位置部署不同的传感器或电极来获取和记录生理参数，如呼吸率、心率和血压。例如，可以通过对被测目标的心脏节律和电活动进行采样来获取心电图(ECG)，其中，传感器或电极可以附着在皮肤上，以检测每次心脏跳动时产生的电信号。然而，传感器或电极与心电图设备主机之间连接的电线对用户造成阻碍。

或者，可以佩戴智能手表或健康监测手环等可穿戴设备来监测用户的健康状况。虽然手环对用户的阻碍可能较小，但应用通常非常有限，因为这些可穿戴设备中的传感器获取的生理信号不适合提供需要从目标采样的精确生理信号的信息。

发明内容

根据本发明的第一方面，提供了一种健康监测系统，包括：生理测量设备，被配置为用于从目标获取与一系列生理参数关联的输入信号，该输入信号在预定的时间段内；处理器，被配置为用于通过将物理/健康关系应用于输入信号来处理输入信号，以识别目标的心理状态或神经系统疾病状态；以及输出模块，被配置为用于提供与被识别的心理状态或神经系统疾病状态相关的目标的健康状况的输出。

在第一方面的实施例中，物理/健康关系由学习网络训练。

在第一方面的实施例中，学习网络是神经网络。

在第一方面的实施例中，神经网络是深度神经网络，被配置为用于根据输入信号的信号模式识别心理状态或神经系统疾病状态。

在第一方面的实施例中，心理状态与目标的警醒度、愉悦度、认知负荷及睡眠状态中的至少一个相关。

在第一方面的实施例中，输出包括癫痫可能的发作或神经可能崩溃的警告。

在第一方面的实施例中，多个生理参数包括心率、脉搏传导时间、血压、神经活动和身体运动的一个或多个。

在第一方面的实施例中，生理测量设备包括电生理信号探测器、光电容积图传感器和惯性测量单元的一个或多个。

在第一方面的一种实施例中，处理器进一步被配置为用于在将物理/健康关系应用于输入信号之前预处理输入信号。

在第一方面的一种实施例中，处理器被配置为用于将数据分离过程应用于输入信号，以根据光电容积图传感器和电生理信号探测器获得的输入信号确定目标的心率、脉搏传导时间和/或血压；并根据电生理信号探测器获取的输入信号确定目标的神经活动。

在第一方面的一种实施例中，处理器进一步被配置为基于由惯性测量单元获取的与目标的身体运动相关的输入信号将预定时间内获取的输入信号的至少一部分标记为包含运动伪像。

在第一方面的实施例中，处理器包括一个心理状态分类器，该分类器根据与多个精神状态和从多个测试对象中获取的多个生理参数相关的实验协议进行训练。

在第一方面的实施例中，心理状态分类器进一步通过从目标获取的输入信号和与心理状态或神经系统疾病状态相关的额外反馈进行训练。

根据本发明的第二方面，提供了一种健康监测方法，包括以下步骤：在预定的时间段内从目标获取与多个生理参数相关的输入信号；通过将物理/健康关系应用于输入信号来处理输入信号，以识别目标的心理状态或神经系统疾病状态；并提供与被识别的心理状态或神经系统疾病状态相关的目标的健康状况的输出。

在第二方面的实施例中，物理/健康关系由学习网络训练。

在第二方面的实施例中，学习网络是神经网络。

在第二方面的实施例中，心理状态与目标的警醒度、愉悦度、认知负荷及睡眠状态中的至少一个相关。

在第二方面的实施例中，输出包括癫痫可能发作或神经可能崩溃的警告。

在第二方面的实施例中，多个生理参数包括心率、脉搏传导时间、血压、神经活动和身体运动的一个或多个。

在第二方面的实施例中，使用电生理信号探测器、光电容积图传感器和惯性测量单元的一个或多个获取输入信号。

在第二方面的实施例中，该方法进一步包括在将物理/健康关系应用于输入信号之前对输入信号进行预处理的步骤。

在第二方面的实施例中，预处理输入信号的步骤包括将数据分离过程应用于输入信号的步骤，以根据光电容积图传感器和电生理信号探测器获取的输入信号确定目标的心率、脉搏传导时间和/或血压；并根据电生理信号探测器获取的输入信号确定目标的神经活动。

在第二方面的实施例中，将数据分离过程应用于输入信号的步骤进一步包括基于由惯性测量单元获取的与目标的身体运动相关的输入信号将预定时间内获取的输入信号的至少一部分标记为包含运动伪像的步骤。

附图说明

现在将通过示例描述本发明的实施例，并参考附带的图纸，其中：

图1是计算机服务器的示意图，该服务器被配置为用作根据本发明的一个实施例的健康监控系统的处理器。

图2是根据本发明的一个实施例的健康监控系统的框图。

图3是显示图2系统中使用的生理测量设备的示图。

图4是显示通过图2的生理测量设备获取的输入数据的预处理的框图。

图5是显示图4的预处理数据的数据分离过程的框图。

图6是显示基于输入的IMU数据和输入的PPG传感器数据获取清理的PPG传感器数据的数据分离过程的示图。

图7是显示基于输入的IMU数据和输入的电生理数据获取清理的电生理数据的数据分离过程的示图。

图8是显示基于清理的PPG传感器数据和清理的电生理数据获取EEG和ECG数据的进一步数据分离过程的示图。

图9是显示基于图5的处理数据获取的健康相关生理参数的确定的框图。

图10是显示对图6的生理参数的进一步处理，以确定目标的一个或多个精神状态的示图。

具体实施方式

参照图1，提供了本发明的实施例。这个实施例被配置为提供健康监控系统，包括：生理测量设备，其被配置为在预定的时间段内从目标获取一个与多个生理参数相关的输入信号；处理器被其被配置为通过将物理/健康关系应用到输入信号上来处理输入信号，以识别目标的精神状态或神经系统疾病状态；和输出模块，其被配置为被配置为提供与被识别的精神状态或神经系统疾病状态相关的目标的健康状态的输出。

在这个示例实施例中，接口和处理器由具有适当用户接口的计算机实现。计算机可以由任何计算架构实现，包括便携式计算机，平板电脑，独立的个人计算机(PC)，智能设备，物联网(IOT)设备，边缘计算设备，客户端/服务器架构，“哑”终端/主机架构，云计算基础架构，或任何其他适当的架构。计算设备可以适当地编程以实现该发明。

该系统可以用于接收由部署在目标或用户上的不同传感器采样的输入信号，并确定多个生理参数，如心跳，血压，用户的神经/大脑活动。此外，该系统可以进一步处理这些生理参数以识别用户的不同精神状态，以便用户可以跟踪记录以评估用户的精神健康。更重要的是，该系统可以根据确定的生理参数进一步预测可能的癫痫发作或神经崩溃，这在一些紧急情况下可能有助于防止进一步的健康危险。如图1所示，展示了一种计算机系统或计算机服务器100的示意图，该系统或服务器被配置为用作健康监测系统的处理器的示例实施。在此实施方案中，系统包括服务器100，该服务器包括接收、存储和执行适当计算机指令所需的适当组件。这些组件可以包括处理单元102，包括中央处理单元(CPUs)、数学协处理器(Math Processor)、图形处理单元(GPUs)或张量处理单元(TPUs)用于张量或多维数组计算或操作，只读存储器(ROM)104，随机访问存储器(RAM)106，以及输入/输出设备如磁盘驱动器108，输入设备110如以太网端口，USB端口等。显示器112如液晶显示器，发光显示器或任何其他适当的显示器和通信链路114。服务器100可能包含ROM 104，RAM 106或磁盘驱动器108中包含的指令，这些指令可能由处理单元102执行。可以提供一系列的通信链路114，可能以各种方式连接到一个或多个计算设备，如服务器，个人电脑，终端，无线或手持计算设备，物联网(IoT)设备，智能设备，边缘计算设备。至少有一个通信链路可以通过电话线或其他类型的通信链路连接到外部计算网络。

服务器100可能包括存储设备，如磁盘驱动器108，该驱动器可能包括固态驱动器，硬盘驱动器，光盘驱动器，磁带驱动器或远程或基于云的存储设备。服务器100可能使用单个磁盘驱动器或多个磁盘驱动器，或远程存储服务120。服务器100还可能有适当的操作系统116，该系统位于磁盘驱动器或服务器100的ROM中。

计算机或计算设备也可以提供必要的计算能力以操作或与机器学习网络(如神经网络)接口，以提供各种功能和输出。神经网络可以在本地实现，也可以通过服务器或云服务部分或全部访问。机器学习网络也可以是未经训练的，部分训练的或完全训练的，也可以随时间重新训练，适应或更新。

参考图2，展示了健康监测系统200的实施方案。在这个实施方案中，服务器100被用作系统200的一部分，用于接收由生理测量设备202提供的输入信号204，如使用一个或多个电生理(electrophysiology)信号检测器，光电容积图传感器和惯性测量单元获得的输入信号进行进一步处理。系统200还包括一个处理器206，用于处理这些信号以确定装备这些传感器的用户的健康状态212，包括基于这些传感器采样的信号获得或派生的生理参数210确定的身体健康状态和心理健康状态。处理器206可能包括一个机器学习模块或系统，如一个心理/精神状态分类器(mental status classifier)，该分类器可能被训练来捕获各种物理/健康关系及其与一个或多个心理状态的关联。通过这种方式，处理器206一旦能够访问机器学习模块，就能够根据从用户那里获得的输入信号204来分类可能的心理状态或状态。反过来，心理状态可以用于进一步处理、存储、评估、诊断、传输以提供给用户医疗、健康相关服务，或根据特定情境需要向用户提供适当的反应或刺激。

参考图3，展示了一个生理测量设备202的实施方案，其形态类似于耳塞或耳机。在这个例子中，生理测量设备202包括不同的传感器，包括电导传感器，光发射器，光检测器和惯性传感器。

本领域的技术人员可乆明白，电导传感器可以作为电生理信号检测器，可以用来获得与心电图(electrocardiography，ECG)和/或脑电图(electroencephalography,EEG)信号/波形相关的输入信号。

此外，光发射器和光检测器可以作为光电容积图(photoplethysmography,PPG)传感器，用于采样组织微血管床的血液容量变化，因此可以使用PPG确定生理参数如心率。此外，PPG在获取其他生理参数如动脉氧饱和度的某些特殊应用中也可能有用。

此外，惯性传感器可以作为惯性测量单元(inertial measurement unit,IMU)，用于采样IMU的运动，从而采样设备和带有此类IMU的跟踪目标的运动。在一些示例实施方案中，IMU可能包括位置传感器如加速度计和陀螺仪，这些传感器可能记录跟踪目标的线性和角加速度/减速度。如一位熟练的人所明白的，这些信号可以进一步处理以使用适当的转换过程估计跟踪目标的位置和方向运动。

优选地，处理器根据IMU数据确定的身体运动数据对于确定目标的精神状态可能是有用的。例如，用户的剧烈运动可能表明用户可能处于较高的唤醒水平和/或价值水平。在另一个例子中，IMU在用户睡眠时检测到的频繁身体运动可能表明在特定时间段内睡眠浅，同时处理器观察到相对活跃的电生理信号模式。

在用户进行某些已知活动期间确定目标用户的心理状态也可能是有用的。例如，众所周知，体育活动刺激多巴胺，去甲肾上腺素和血清素的释放，因此，代表用户在一定时间内剧烈运动和/或高呼吸频率的IMU数据和表示相对高心率的PPG数据可能足以表明用户可能是快乐的或处于好心情，是否采样了额外的电生理数据，尽管在一些首选实施方案中，分类器被配置为根据采样的所有电生理数据、PPG数据和IMU数据的输入来确定用户的心理状态。

此外，处理器可以根据与目标的身体运动相关的输入信号，在预定的时间段内获取的输入信号的一部分标记为包含运动伪像(motion artifacts)，以便在其他“频道”中的信号，即PPG传感器和电生理信号检测器，可以在用于确定目标的生理参数之前被补偿或纠正。

优选地，这些传感器/检测器的数量不受限制，例如，传感器/检测器可以在耳塞202的两侧提供，或者在某些示例实施方案中只提供在一侧以减少耳塞的大小。

优选地，传感器可以放在耳塞202的主体214内，然而，用于获取电生理信号的电极216可以放在耳塞的一个表面上，该位置可以适合在耳道内，靠近耳蜗，在耳垂上，在耳后等。此外，光发射器和光检测器，可以放在耳塞的一个位置，该位置可以适合在耳道内，在耳后，或在耳廓上。有利地，从目标这些位置获得的输入信号比从人体其他位置如手腕获得的信号更准确。

可选地，耳机上可以有额外的电连接器，用户可以连接额外的传感器到生理测量设备202，并与系统200中现有的传感器同步记录数据。或者，无线通信模块可以用于同步不同传感器的数据和/或传输由不同传感器获得的输入信号。

回到图2，获取这些输入信号后，处理器206使用物理/健康关系处理原始数据。优选地，物理/健康关系是由一个学习网络，如一个神经网络进行训练的，输出模块208会输出或记录在处理后被识别的心理状态或神经系统疾病状态。关于输入信号的处理和与心理状态或神经系统疾病状态相关的目标的健康状态212的确定的详细信息将在以下进行解释。

参考图4，在步骤400中，处理器被进一步被配置为在将物理/健康关系应用到输入信号之前预处理输入信号。优选地，预处理包括但不限于噪声过滤和数据重采样，以提高后面处理的准确性。优选地，由电生理传感器、光传感器和IMU获得的输入信号402的所有三个信道都被预处理，这些信号可能被一个数据分离关系进一步处理。

此外，预处理的IMU数据进一步使用身体运动检测关系处理以识别惯性传感器数据402的身体运动信息。如前面在一个首选实施方案中所描述的，系统识别的身体运动可能对于确定用户在某些活动中的心理状态是有用的，或者可能对于确认患者正在遭受癫痫发作并需要立即的帮助或医疗治疗是有用的。

参考图5，在步骤500中，处理器被配置为对输入信号应用数据分离过程，以根据光电容积图传感器和电生理信号检测器获得的输入信号确定目标的心率、脉搏过渡时间和/或血压；并根据电生理信号检测器获得的输入信号确定目标的神经活动。

优选地，数据分离过程可以基于机器学习算法，包括但不限于模式识别，ICA(individual component analysis，个体组分分析)等。在这个例子中，数据分离过程中的身体运动信息主要用于检测运动伪像，例如，如果用户移动他/她的头，会有运动伪像引入到其他两个信号中，这有助于标记哪部分的信号受到运动伪像的影响以实现更好的分离。输入信号中的运动伪像的效果将在本公开的后续部分参考图8到10进一步描述。

优选地，在数据分离后，可以获得清析的PPG、ECG和EEG信号502，运动伪像从输入信号中被分离出来，以便最小化在进一步处理中可能的错误，例如，由于用户仅仅晃动他/她的头，在记录的EEG信号中获得的异常峰值表示用户的异常脑活动的误检测，在这种情况下，异常峰值在输入信号的预处理中没有被过滤或移除。

参考图6和7，优选地，处理器进一步被配置为标记至少部分在预定时间内获得的输入信号，包括基于由惯性测量单元获得的与目标体动相关的输入信号的运动伪像。

参考图6，预处理可能无法有效消除预处理的PPG波形602中显示的运动伪像，因此更好的方法是使用IMU数据604来提取运动伪像以进一步清理数据。优选地的情况是，借助身体运动信息和IMU数据604，通过机器学习过程提取运动伪像606，因此可以清理被采样的PPG数据，通过基于输入IMU数据分离运动伪像，因为使用IMU记录了时间、持续时间和身体运动的程度/水平，这些时间期间的数据部分可能被标记，以便准确地从生理参数的实际变化中分离异常数据。在此例中，预处理的PPG波形602中的异常尖峰与清析的PPG波形608分离。

同样，参考图7，借助身体运动信息和IMU数据604，通过机器学习提取运动伪像706，清析的生理电信号数据708可能与被采样的预处理生理电信号数据702分离。

借助清析的生理电信号数据708和清析的PPG数据608，进一步参考图8，可以进一步提取ECG 802和EEG 804。在此例中，借助PPG数据608帮助心跳识别，可以从输入的生理电信号数据708中提取ECG 802，并通过从生理电信号数据708中减去ECG信号802，可以获得EEG 804。

然后，进一步参考图9，这些准确的PPG和ECG信号/波形502可以进一步处理，使用在该领域已知的标准关系，以获取生理参数902，例如心率、脉搏过渡时间和血压，在步骤900中。这些生理参数902可能对评估用户的身体健康状态以及根据这些参数的进一步处理与心理状态分类器结合的情况下评估用户的心理健康状态有用。

参考图10，处理器206进一步被配置为处理输入信号以识别目标的心理状态或神经系统疾病状态，例如通过使用心理状态分类器处理传感器获得的即时生理信号。例如，在步骤1000中，可以根据确定的心率、血压和EEG信号模式902，使用前面描述的基于机器学习的分类方法，确定心理状态1002，如目标的警醒度(或清醒程度，arousal level)、愉悦度(或情感价值，valence level)、认知负荷(cognitive load)及睡眠状态(sleepness)。优选地的情况是，得到的身体运动信息也可以作为心理状态分类的输入数据。

例如，根据采样的PPG、ECG信号和EEG数据确定用户的心率和血压的突然增加可能表明用户处于与平常较高的警醒度相关的精神状态。在此例中，心理状态分类器可以通过处理预处理的PPG传感器数据和清析的生理电信号数据(例如，样本信号的较高频率和振幅)，使用之前已经训练过以在训练集中处理相似信号模式的基于机器学习的分类方法，识别出用户处于这种心理状态。

在另一个例子中，用户的心率和血压的增加以及用户的神经活动可能表明用户的精神状态与更高的愉悦度相关，例如当用户遇到可能吓到他的人或物时。同样，心理状态分类器可以通过处理预处理的PPG传感器数据和清析的生理电信号数据的不同信号模式，使用基于机器学习的分类方法，识别出用户处于这种心理状态，在训练阶段，用户被要求观看恐怖电影时，可能会获得类似的信号模式。

分类器也可以通过从传感器上获得的训练样本进行训练，这些传感器被部署在其他不同场景的用户群中。例如，在训练阶段，佩戴生理测量设备202的用户可能被要求解决一些数学问题或逻辑问题，以触发用户处于相对高的认知负荷状态，或者可能被要求写日记或信件，这可能导致可以获得PPG和生理电信号，这些模式与用户被要求解决数学/逻辑问题时获得的模式不同。

同样，用户的睡意、睡眠状态或睡眠质量可以通过处理从生理测量设备或用户睡眠时佩戴的耳塞获得的PPG和生理电信号的模式来确定。例如，心理状态分类器被配置为评估用户的睡眠状态，即用户睡眠的深度或睡眠的阶段/周期在用户睡眠时的预定时间段内的不同时间，通过使用训练的分类器分析PPG和生理电信号的信号模式。

此外，也可以根据EEG、心率和目标BP(血压)的相似信号模式识别可能的癫痫发作或神经崩溃。与前面的例子类似，可以提供与癫痫发作相关的训练样本来训练分类器，使得处理器能够通过观察检测到的PPG和生理电信号的相似信号模式，识别出用户/病人可能会癫痫发作。可选性地或者额外地，输出模块可以被配置为向目标或照顾目标的人提供警告，病人癫痫准备发作。

或者，也可以生成输出，例如报告，以便以后进行复查，例如，可以记录睡眠质量，用户可以方便地追踪记录，例如，使用应用程序，通过在睡觉时戴着不阻碍耳塞来记录生理参数和大脑活动，以便由系统处理。因此，用户可以进一步寻求这些记录的建议。咨询师或心理学家也可以参考这些目标的精神状态记录，并在必要时为用户提供适当的建议。

发明人认为心理状态分类器的训练或开发可以优选地通过实验完成，其中实验协议可以设计来获得感兴趣的心理状态(例如，如果与分类情绪有关，任务可能包括听不同类型的音乐，或者如果与分类心理负荷有关，任务可能包括做不同难度的数学问题)，这可能进一步涉及对实验者的初步实验，以更好地选择实验协议。例如，实验协议可能包括但不限于在受试者进行与所感兴趣的心理状态相关的任务时记录数据，或者在受试者处于某种状态或条件(例如，感觉精力充沛，困倦，疲劳，专注等)时记录数据。

最优选的情况是，在每次实验之前，受试者可能会在戴上生理测量设备之前被介绍给实验协议。优选地由实验者或算法检查生理测量的信号质量，并且如果生理测量产生噪声信号，可能需要调整。例如，如果生理电信号包含大量噪声，可能需要更换或清析用于获取生理电信号的电极，也可能需要清析受试者的接触皮肤区域，以进一步降低引入噪声进入系统的机会，或者如果光电容积图信号噪声，则可能需要清析光电容积图传感器和皮肤区域。

在实验期间，可能要求受试者遵循实验协议。可以用摄像机记录受试者的反馈，由实验者检查，通过调查获得，或通过其他适当的方法获得(例如，如果实验与心理负荷分类有关，将要求受试者完成一份调查，评价每项任务的感知难度)。数据采集后，可以使用带通滤波、重采样、分割等方法处理数据，并可以根据受试者的反馈对数据进行标记。可以使用提出的数据分离方法进一步清理和分离多模态数据。

获取、标记、清理和分离数据后，可以将数据集分为训练集、验证集和测试集，并输入到不同的处理器(例如，适合机器学习的机器学习网络或处理器，例如，但不限于，支持向量机(SVM)、卷积神经网络(CNN)等)并使用不同的参数。优选地的情况是，经过评估过程后，可以选择产生最佳准确性的处理器。

训练好的分类器可能进一步在系统中实现，并在实时执行分类任务以验证处理器的准确性。可能会提供更多来自新受试者的数据集进行进一步的训练，以提高分类器网络的准确性。

更好的情况是，可以使用前面的例子中的深度神经网络处理方法或心理状态分类器，其中包括IMU获得的信号、PPG传感器数据和生理电信号的输入信号可以通过训练好的机器学习网络处理，以便提取所有必要的EEG、ECG、PPG以及通过使用与图6到8的步骤相结合的方法获得的已分离的运动伪像。此外，这些生理参数、不同的精神状态和/或神经系统疾病状态之间的关联也可以在机器学习网络中进行训练。

优选地的情况是，使用深度神经网络处理方法的分类器可以消除使用逐步方法识别心理状态或神经系统疾病状态的需要，该方法需要确定目标或用户的生理参数，如BP、HR或PTT，并且可以基于输入PPG、生理电信号数据和IMU数据的信号模式，输出准确的所需心理状态的决定，并进一步减少任何可能源自根据采样数据估计的生理参数的决定的可能错误。

尽管不是必须的，但可以将描述的实施例实现为应用程序编程接口(API)或一系列供开发人员使用的库，或包含在另一个软件应用程序中，例如终端或个人电脑操作系统或便携式计算设备操作系统。一般来说，因为程序模块包括帮助执行特定功能的例程、程序、对象、组件和数据文件，熟悉此技术的人将理解，软件应用的功能性可以分布在许多例程、对象或组件上，以实现所期望的相同功能性。

还将理解，无论本发明的方法和系统是完全由计算系统实现还是部分由计算系统实现，都可以使用任何适当的计算系统架构。这将包括平板电脑、可穿戴设备、智能手机、物联网(IoT)设备、边缘计算设备、独立计算机、网络计算机、基于云的计算设备和专用硬件设备。在使用“计算系统”和“计算设备”的术语时，这些术语意在涵盖任何能够实现所述功能的适当的计算机硬件配置。

熟悉这项技术的人士将会理解，可以对本发明的具体实施例进行许多变化和/或修改，而不偏离本发明的精神或范围。因此，应将当前的实施例视为示例性的，而不是限制性的。

除非另有指示，否则本文所含的任何对先验技术的引用都不应被视为该信息是公知的承认。

Claims (20)

1.一种健康监测系统，其特征在于，包括：

生理测量设备，其被配置为在预设的时间段内从目标身上获取与多个生理参数相关的输入信号；

处理器，其被配置为通过将物理/健康关系应用于所述输入信号来处理所述输入信号，从而识别所述目标的精神状态或神经系统疾病状态；以及

输出模块，其被配置为提供与已识别的所述精神状态或神经系统疾病状态相关的所述目标的健康状态的输出。

2.根据权利要求1所述的健康监测系统，其特征在于，其中，所述物理/健康关系是由学习网络进行训练的。

3.根据权利要求2所述的健康监测系统，其特征在于，其中，所述学习网络是一个神经网络。

4.根据权利要求3所述的健康监测系统，其特征在于，其中，所述神经网络是一个深度神经网络，其被配置为基于输入信号的信号模式来识别精神状态或神经系统疾病状态。

5.根据权利要求3所述的健康监测系统，其特征在于，其中，所述精神状态与所述目标的警醒度、愉悦度、认知负荷及睡眠状态中的至少一个相关。

6.根据权利要求5所述的健康监测系统，其特征在于，其中，所述输出包括癫痫可能发作的警告或神经可能崩溃的警告。

7.根据权利要求3所述的健康监测系统，其特征在于，其中，所述多个生理参数包括心率、脉搏传导时间、血压、神经活动和身体运动的一个或多个。

8.根据权利要求7所述的健康监测系统，其特征在于，其中，所述生理测量设备包括一个或多个电生理信号检测器、光电容积图传感器和惯性测量单元。

9.根据权利要求8所述的健康监测系统，其特征在于，其中，所述处理器进一步被配置为在将所述物理/健康关系应用于所述输入信号之前预处理所述输入信号。

10.根据权利要求9所述的健康监测系统，其特征在于，其中，所述处理器被配置为对所述输入信号应用数据分离过程，基于所述光电容积图传感器和所述电生理信号检测器获取的输入信号以确定所述目标的所述心率、所述脉搏传导时间和/或所述血压；并基于所述电生理信号检测器获取的输入信号以确定目标的神经活动。

11.根据权利要求10所述的健康监测系统，其特征在于，其中，所述处理器进一步被配置为基于通过所述惯性测量单元获取的与所述目标身体运动相关的所述输入信号将预定时间段内获取的所述输入信号的至少一部分标记为包含运动伪像。

12.根据权利要求11所述的健康监测系统，其特征在于，其中，所述处理器包括精神状态分类器，其被配置为根据与多个精神状态和从多个测试对象中获取的多个生理参数相关的实验协议进行训练。

13.根据权利要求12所述的健康监测系统，其特征在于，其中，所述精神状态分类器进一步被配置为通过从所述目标中获取的所述输入信号和与所述精神状态或所述神经系统疾病状态相关的额外反馈进行训练。

14.一种健康监测方法，其特征在于，包括以下步骤：

在预设的时间段内从目标中获取与多个生理参数相关的输入信号；

通过将物理/健康关系应用于所述输入信号来处理所述输入信号，从而识别所述目标的精神状态或神经系统疾病状态；以及

提供与已识别的所述精神状态或神经系统疾病状态相关的所述目标健康的状态的输出。

15.根据权利要求14所述的方法，其特征在于，其中，所述精神状态与所述目标的警醒度、愉悦度、认知负荷及睡眠状态中的至少一个相关。

16.根据权利要求15所述的方法，其特征在于，其中，所述输出包括癫痫可能发作的警告或可能的神经可能崩溃的警告。

17.根据权利要求14所述的方法，其特征在于，其中，所述多个生理参数包括心率、脉搏传导时间、血压、神经活动和身体运动的一个或多个。

18.根据权利要求17所述的方法，其特征在于，其中，所述输入信号是通过使用一个或多个电生理信号检测器、光电容积图传感器和惯性测量单元获取的。

19.根据权利要求18所述的方法，其特征在于，还包括在将物理/健康关系应用于所述输入信号之前预处理输入信号的步骤，其中，所述预处理输入信号的步骤包括将数据分离过程应用于所述输入信号，基于光电容积图传感器和电生理信号检测器获取的输入信号以确定所述目标的心率、脉搏传导时间和/或血压，并基于电生理信号检测器获取的输入信号以确定目标的神经活动的步骤。

20.根据权利要求19所述的方法，其特征在于，其中，所述将数据分离过程应用于输入信号的步骤还包括基于通过所述惯性测量单元获取的与所述目标身体运动相关的所述输入信号将所述预定时间段内获取的所述输入信号的至少一部分标记为包含运动伪像的步骤。