專利名稱：根據殘差監(jiān)測人體健康的制作方法
根據殘差監(jiān)測人體健康 相關申請的交叉參考
根據35 U.S.C.§119(e)，本申請要求2005年11月29日提交的美國臨時申 請60/740,423的優(yōu)先權。
背景技術：
1. 發(fā)明領域
本發(fā)明總地涉及人體健康監(jiān)測領域，更具體地涉及使用多元模型分析生物 參數的測定值，以便根據殘差評估人體健康指標。
2. 相關領域簡述
檢測和診斷人類疾病對維持個體健康和幫助患者康復至關重要。雖然非常 需要早期侵入性檢測，但這必須與錯誤警報和誤診的衛(wèi)生保健運轉成本相平 衡。無論是在時間最為關鍵的場景如重癥監(jiān)護室(ICU)中，或是在長期健康監(jiān) 測如慢性疾病人群的家庭監(jiān)測中抑或是在運動員的成績監(jiān)測中，對揭示性的健 康問題進行準確的、可采取行動的檢測是醫(yī)學上非常關注的一個焦點問題。目 前的人口統(tǒng)計學趨勢表明，隨著人們壽命延長，要應付的慢性健康問題的數量 也多了。此外， 一些以前死亡率很高的疾病現在變成了可控的長期慢性病。因 此，需要進行持續(xù)監(jiān)測的人群數量的越來越多，大大增加了衛(wèi)生保健運轉系統(tǒng) 的負擔。
按照常規(guī)醫(yī)學實踐，在危急護理環(huán)境下， 一般通過各種實時傳感器測量如 心電圖(ECG)、脈搏血氧飽和度、呼吸和血壓，以及對血液、尿液和其它體液 進行的實驗室檢測，來監(jiān)測人體健康。長期監(jiān)測可包括這些變量，以及體重測 定、藥物給藥測定和其它疾病定性評估。 一般以一元方式將這些測定值與預定 的(健康)群體的正常范圍相比較，將這些測定值對照標準范圍來診斷疾病跡象 或健康狀況不良趨勢。與受過醫(yī)學訓練的人員的定性觀察相結合時，這構成了
醫(yī)學界物理檢測不良健康狀況和疾病時檢測患者和健康個體的基本實踐，，對
于提供衛(wèi)生保健而言是一種人員密集型的方法。
長期以來，用傳感器和計算機技術自動可靠地監(jiān)測患者就是醫(yī)學護理的一 個目標。近年來，隨著數字設備可用性的改進和對體現醫(yī)務人員專業(yè)知識的計 算機系統(tǒng)的研究，已經制得以生命指征和實驗室檢測結果為基礎提供基于規(guī)則
的檢測患者的系統(tǒng)。這類系統(tǒng)在醫(yī)院里投入使用，為監(jiān)測(例如)icu病房中的
患者提供輔助支持系統(tǒng)?？蓪＜乙?guī)則執(zhí)行引擎進行編程，以便在組合各種信 號上的閾值檢測觸發(fā)因素，來診斷或排除需要醫(yī)務人員介入的病癥。
這些系統(tǒng)已獲得有限的成功。難以以在人群中和患者所呈現的各種病癥中 有效普適的方式設計專家規(guī)則。對康復中的青年外傷患者而言十分準確的專家 規(guī)則在應用于老年心臟病患者時可能會發(fā)出錯誤警報和檢測不準。
在本領域的另一種方法中，為了提供更加自動化的監(jiān)測和診斷，已經將可 能并非毫無爭議地更類似于專家本人的數據融合能力的人工智能技術如神經 網絡，應用在了人工患者監(jiān)測數據上。用一組例子來訓練神經網絡，使其學習 某些關聯(lián)和模式。例如，用與疾病狀態(tài)相關聯(lián)的一組患者數據和與健康狀態(tài)相 關聯(lián)的另一組患者數據訓練神經網絡，使其可識別疾病狀態(tài)并作出診斷。典型 地，已知可將一組患者數據輸入受過訓練的神經網絡，并獲得一種分類作為輸 出，或者是確定為健康/疾病，或者是作為特定病癥的診斷。本領域已知的另一 種方法是將一組患者數據輸入神經網絡，并獲得標量等級值作為輸出，例如疾 病程度或疾病級數。然而，基于輸入數據和訓練數據產生神經網絡輸出的方式， 對于觀察者而言由于神經計算的非線性特征無異于"暗箱操作"。而且，也難 以設計這樣一種"暗箱"法，使其超越訓練數據推而廣之。結果是，這些方法的 成功與否有很大差異，這最終破壞了其可靠性。
所有這些現有技術方法的主要問題是生物系統(tǒng)的動態(tài)本質。人是具有復雜 內部控制和反饋系統(tǒng)的生物系統(tǒng)，這些內部控制和反饋系統(tǒng)對身體的狀況和對 身體的要求做出反應，調控健康的重要方面如血壓、血液化學、氧合作用等。 通常為監(jiān)測健康狀況而做測定結果根據活動狀態(tài)、年齡、體重、營養(yǎng)狀況和疾 病狀態(tài)等容易產生很大差異。因此，難以為所監(jiān)測的變量閾值指定合適的觸發(fā) 水平，故而傾向于根據人口統(tǒng)計學數據設定僅僅能夠指示危急的直接健康問題
的觸發(fā)水平。例如，脈搏速率監(jiān)測可能設定成只有極高或極低(或零)脈搏速率 才能引發(fā)警報。即使是更高級的將變量和閾值組合成多變量規(guī)則的現有技術解 決方案，仍然極難設計出能夠在維持低錯誤警報率的同時，對孕育中的真正問 題提供可采取行動的提前警告。相似地，由于原始數據的變化，用于分類的神 經網絡在歸納方面顯得不知所措。毋庸置疑，醫(yī)學界的常規(guī)統(tǒng)計學/人口統(tǒng)計學 方法不能容許數據的動態(tài)變化，所以，或者數據要在非常精確的條件(如適用 于血壓測試的標準化條件)下來獲得，或者干脆將這種變化忽略不計——如影 隨形的是準確性的下降。
就在醫(yī)學健康監(jiān)測中提供計算機自動輔助而言，迫切需要改進方法處理和 分析來自所監(jiān)測的人體的傳感器和實驗室數據，以便提供準確、可采取行動和 早期的初期健康問題檢測和診斷。更具體地，所需要的是一種重復利用
(leveraging)現有傳感器測定結果的系統(tǒng)，以便提供更好的對人體健康問題的 計算機自動化警戒、并準確地區(qū)分要求醫(yī)學專家人工關注的患者的優(yōu)先次序。 改進的自動化監(jiān)測在發(fā)揮有限的專家醫(yī)療人員作用和改善總體保健服務質量 和效率方面大有裨益。
發(fā)明概述
本發(fā)明提供一種在(例如)重癥監(jiān)護室或長期健康監(jiān)測中用于人體健康計 算機自動化監(jiān)測的新型方法和設備。因此，在本發(fā)明中，監(jiān)測代表人體生命指 征和其它生物學參數或身體化學參數的量度的傳感器數據，以便對初期健康問 題提供預警、使醫(yī)務人員洞悉什么參數偏離了正常行為、并提供醫(yī)務人員關注 對象的優(yōu)先次序。有利的是，本發(fā)明能以高靈敏度、低錯誤警報率檢測和幫助 診斷健康問題，并提高特定人數的醫(yī)務人員可以處理的患者監(jiān)測負荷。本發(fā)明 也通過提供更早和更準確的自動化問題檢測和診斷手段而大大方便了長期的 和遠程的人體健康監(jiān)測。
與應用單一參數的閾值或規(guī)則(例如健康血壓范圍)的常規(guī)方法相反，在本 發(fā)明中，對多種生物學參數進行測定，并使用正態(tài)多元變化模型進行分析。更 具體地，將多個生物學參數的一系列觀察結果輸入這些參數的正常行為的經驗 模型，這個模型輸出這些參數應得的估計值。將這些估計值與實際測定值進行
比較，以計算各參數的差異或殘差。不是像常規(guī)方法那樣對原始測量值應用閾 值、規(guī)則或統(tǒng)計學處理，而是通過分析該模型提供的殘差揭示健康問題?？蓪?閾值、規(guī)則和統(tǒng)計學處理方法應用于該殘差以確定是否存在初期疾病狀況或健 康問題，以便較早地檢測和治療。重要的是，通過分析殘差數據而非原始數據， 本發(fā)明能夠考慮測定參數的正常生物學變化，從而以較低的錯誤警報率更靈敏 地檢測真實偏差。
本發(fā)明的經驗模型是采用代表健康人生物學參數的正常變化的數據產生 的。更具體地，可采用基于內核的技術，根據健康人的多元例子提供正常動態(tài) 行為的模型。該模型響應于輸入的生物學參數的真實測定值產生這些生物學參 數的估計值，代表最接近真實測定結果的狀態(tài)的正常狀態(tài)。將真實測定值與估 計值作比較產生殘差，理想狀態(tài)下殘差應大約為零。如果殘差大于通常值，不 論是方差還是偏差(偏移)，則表明產生了與對應于該殘差的參數有關的初期問 題。
另根據本發(fā)明，殘差的模式和趨勢可以與特定的已知形成中的健康問題相 關聯(lián)，供診斷之用。可將閾值應用于殘差以觸發(fā)警報?？梢圆捎靡?guī)則將殘差信 息組合到疾病發(fā)病機制的集成體現圖式中，或者排除特定疑似病癥?？蓪埐?的時間序列進行統(tǒng)計學分析以確定趨勢。
根據本發(fā)明的實施方式，健康檢測中心接收來自接受健康狀態(tài)監(jiān)測的患者 身上的儀器的生物學參數數據。該中心可位于醫(yī)院病房內，或者可位于醫(yī)院之 外并通過網絡連接至位置獨立的多個醫(yī)院或診所。將各患者的一組參數測定值 輸入一種或多種經驗模型，所述模型經過訓練，可得悉這些生物學參數的正常 變化。各模型產生估計值，與實際測定值相比較后產生各給定患者的殘差。這 些殘差可以供該中心的醫(yī)務人員進行檢查之用；然而，在計算機系統(tǒng)中對這些 殘差進行自動化檢驗和分析，以便利將這些殘差映射為警報和診斷，呈現給醫(yī) 務人員。醫(yī)務人員利用這些分析和警報的結果區(qū)分他們親自研究其病癥的患者 優(yōu)先級并安排對警報或診斷所標識的患者狀況的治療。醫(yī)務人員可確認或解除 警報，或使經驗模型適應某些指定的實際測定值或將這些指定的實際測定值納 入該模型中。
在另一實施方式中，讓準備在居家環(huán)境中接受監(jiān)測的人佩戴設備，以便進行不定時或實時的生物學參數測定并將這些數據傳輸給遠程計算中心。數據首 先被用來生成這個人的個性化模型(在替代行方案中也考慮了通用模型)，并且 在一段時間之后，用該模型分析隨后發(fā)送的數據。所監(jiān)測的數據產生殘差值以 及相應的警報和診斷。所監(jiān)測的數據和分析結果可通過網絡供其醫(yī)生使用，醫(yī) 生可以檢查數據并與病人取得聯(lián)系來獲取更多信息、要求他前來檢査、或修改 治療方案。
在另一實施方式中，給一般地執(zhí)行某一"任務"的個人(其健康狀態(tài)與該任 務相關)佩戴用于測定生物學參數的傳感器，并配備用于按照本發(fā)明分析這些 數據的計算裝置。而且，他把通信設備偶聯(lián)于該計算裝置上，以便將基于模型 和基于殘差的分析所產生的健康狀況指標傳送給遠程位置。任務管理人員使用 這些健康狀態(tài)信息作出任務決策。
各種各樣的生物學參數服從于本發(fā)明的建模和分析?？梢允褂玫湫蜕飳W
參數如ECG、呼吸參數、血氧和脈搏血氧飽和度數據、血壓等。此外，由這些 測定值推導出的特征，例如心率變化等，也可給本發(fā)明建模提供輸入值。
附圖簡要說明
所附權利要求書中列出了認為是本發(fā)明特點的新穎特征。然而，本發(fā)明本 身及其優(yōu)選應用模式、其它目的和優(yōu)點，通過結合附圖參考以下的實施方式詳 述能夠得到最好的理解，其中


圖1示出了根據本發(fā)明的一個實施方式實施本發(fā)明的通用結構；
圖2示出了根據本發(fā)明的一個實施方式將模型進行本地化的流程圖；和
圖3示出了含有按本發(fā)明所生成的信號、其估計值和殘差信號的圖表。
優(yōu)選實施方式詳述
本發(fā)明總地涉及通過對多種生物學參數進行基于模型的分析自動監(jiān)測人 體健康狀態(tài)和檢測表示健康受損或疾病的狀況。因此，提供一種對正常動態(tài)變 化和參數之間的相互關系建模、并響應于接收到的一組實際測定值生成這些參 數的估計值的模型。例如，模型可包括心率、心率變化、呼吸率、血氧、血壓、 體溫等。這些參數的測定值輸入模型，模型即生成這些參數的估計值，如果提
供了實際測定值的集成體現圖式，估計值即代表這些參數應當是些什么。所述 估計值對各實際測定值求差，以提供各參數的殘差。在正常情況下，殘差應該
大約為零(即使原始數據隨時間動態(tài)地變化)；如果在發(fā)生健康問題， 一種或多
種受影響的參數的殘差可能會出現偏離或者其方差會增加。計算機邏輯規(guī) 則——從單純的閾值到復雜的專家規(guī)則——可應用于該殘差，以確定表示健康
問題的偏差的持久度/置信度?？捎善渖删瘓螅⑻峁┙o負責監(jiān)測該患者(由 其測定數據)的醫(yī)務人員。警報可包括簡單地報告偏差，或可包括對需要干預 的情況的診斷。也可采用邏輯規(guī)則評估疾病進展，即關于所監(jiān)測患者疾病狀況 的連續(xù)性嚴重性等級。
有利的是，與將現有技術的閾值、規(guī)則和其它技術應用于原始數據相比， 根據本發(fā)明的基于殘差的警報、診斷和評估方法更準確、更靈敏、更可靠。通 過提供能夠在生物系統(tǒng)如人的正常變化范圍中產生估計值的模型，有可能去除 正常變化并以顯著地小于各種儀器測定的參數或推導出的特征參數的正常變 化總體范圍的水平標識偏差(殘差)，這種偏差有可能消失在大規(guī)模的正常變化 中。
用于按照本發(fā)明監(jiān)測人體健康的模型是已知狀況的模型，更具體地是正常 人體狀況的模型(雖然可能需要對并非完全健康狀況，但已知在患者的給定狀 況下系屬穩(wěn)定，例如術后穩(wěn)定的狀況建模)。本發(fā)明所用模型基于特定生物學 參數的輸入值輸出特定生物學參數的估計值。在一個實施方式中，所估計的參 數對應于輸入參數，該模型是"自關聯(lián)型"模型。在另一實施方式中，該模型對 并非作為輸入值提供給模型的一種或多種參數產生估計值，在這種情況下該模 型為"推論型"模型。仍然將由推論型模型估計的參數與由這些參數的實際測定
值作比較；只是模型的輸入值中不包含這些實際測定值。
本發(fā)明的合適模型是經驗模型，因為對人體生物系統(tǒng)中參數之間的確切關 系常常了解得很少，無法作為基本原理模型的基礎。另外，合適的經驗模型可 以是基于內核的模型，其中用數學內核基于輸入觀察值和存儲器中儲存的觀察 值示例生成所研究的生物學參數的估計值。觀察值示例形成了基于內核的方法
的庫，它包含了在健康或穩(wěn)態(tài)人體中觀察到的正常值的組合；內核運算本身將 這些觀察值示例與輸入觀察值關聯(lián)起來，并根據輸入值產生正常的觀察值。以
此方式，用經驗數據(即觀察值示例)被用來生成相互關系尚不明了的參數的準 確估計模型。
可以以在一臺或多臺計算機上執(zhí)行的計算機程序的形式實施本發(fā)明。在一 個實施方式中，獨立式計算機(如家庭計算機)運行用于監(jiān)測一個人的程序，它
可通過通信協(xié)議(如藍牙、WLAN)接收來自附連在人體上和/或植入人體內的設 備的傳感器數據，或者來自該個人定期使用的測量站的數據；它還用于采用本 發(fā)明的基于模型、基于殘差的方法處理這些數據，并將這些數據在本機上呈現 給該個人和/或將其上傳到遠程報告站，如通過電子郵件發(fā)送給醫(yī)生或可供醫(yī)生 使用的網頁等。在另一實施方式中，醫(yī)院ICU設備連接于病房的數據站，該數 據站將多位病人的數據發(fā)送給處理中心，處理中心中一臺或多臺計算機運行著 按照本發(fā)明分析數據的程序；基于所得到的加工后的數據，警報和診斷等轉播 給醫(yī)院和/或遠程監(jiān)控中心的顯示屏供醫(yī)務人員觀察。在又一實施方式中，身體 上附連或植入了傳感器設備的人也攜帶員工小型計算平臺，比如個人數字助手 (PDA)，它能接收數據并在本機上用本發(fā)明的基于模型、基于殘差的方法加工 這些數據，產生可在本機上報告和/或傳送給遠程位置由醫(yī)務人員觀察的結果。
轉到圖1，框圖概括顯示了用生物學參數傳感器或由傳感器數據產生的" 特征"數據流監(jiān)測人的本發(fā)明的實施方式。生物信號源105將多個生物學參數 的讀數提供給模型模塊114和任選的特征提取模塊110。特征提取模塊110可 例如基于來自輸入源105的ECG信號的數據供給(datafeed)提供心率數據。下 文描述了可通過特征提取模塊110計算的其它特征。
模型114產生需要監(jiān)測的某些生物學參數的估計值。在自關聯(lián)型實施方式 中，所生成的估計值對應于來自輸入源105的輸入值(和/或通過特征提取模塊 110由其產生的特征)。在推論型實施方式中，模型114可生成對應于未出現在 輸入值中、但以該模型以前學習國的某種方式與輸入值相關的生物學參數的一 個或多個值。隨后，模型114產生的估計值可傳遞給比較模塊120，比較模塊 從估計值與輸入源105所提供的實際測量值之差產生殘差。
將得到的殘差提供給分析模塊127，分析模塊127對殘差進行各種測試中 的任意一種以確定有關健康的診斷、警報、嚴重性等。這一分析模塊可執(zhí)行規(guī) 則引擎，以便用一個或多個殘差值評估規(guī)則邏輯。規(guī)則可以是各種常用規(guī)則中
的任意一種，從簡單的單一變量閾值測定到多變量和/或時序邏輯。而且， 一些 規(guī)則的輸出值可以是其它規(guī)則的輸入值，如同例如將簡單閾值規(guī)則輸入分窗口
的警報計數規(guī)則時(如在y次觀察中的x次閾值警報)。而且，可采用統(tǒng)計學技 術對殘差數據進行處理，以產生其它測定值和信號——它們本身就可輸入到該 規(guī)則中。適用的統(tǒng)計學分析可選自本領域已知的各種技術，包括但不限于移動 窗口統(tǒng)計(平均值、中值、標準差、最大值、最小值、偏度、峰度等)、統(tǒng)計學 假設檢驗、趨勢和統(tǒng)計學工藝控制(CUSUM、 S-圖表等)。
殘差分析模塊127的輸出是應用邏輯規(guī)則和統(tǒng)計學檢驗的結果，其包括警 報、診斷結論和嚴重性等級。將這些結果提供給輸出模塊130，輸出模塊130 可包括顯示這些結果的裝置(如計算機屏幕、PDA屏幕、打印輸出或網頁服務 器)、儲存結果的手段(例如具有查詢能力的數據庫、平面文件、XML文件)、 和將結果傳送到遠程位置或其它計算機程序的手段(例如軟件界面、XML數據 報、電子郵件數據包、異步信息、同步信息、FTP文件、服務、流水線命令(piped command)等)。
也可提供警報管理模塊135，它允許醫(yī)務人員對來自殘差分析模塊127的 結果進行注釋和擴充、區(qū)分結果的優(yōu)先級、解除或保持特定警報或診斷、并以 其它方式向該系統(tǒng)登記對該結果的反應。此外，可能存在來自輸入源105由模 型114、殘差發(fā)生器120和殘差分析模塊127分析為不正常，而醫(yī)務人員可能 認為是正常的數據，和需要加入模型114的數據。因此，警報管理模塊135也 可以向任選的適應模塊140提供數據片段標識，所述適應模塊140的任務是將 該數據納入模型114的學習內容中。此外，適應模塊140可任選地自己對數據 和/或殘差分析結果進行自動測試，以使模型114得到更新。
如前所述，本發(fā)明的正態(tài)或基本動態(tài)多變量模型可以是用基準數據創(chuàng)建的 經驗模型。本發(fā)明模型的優(yōu)選形式是基于內核的通用估算器的自關聯(lián)形式或推 論形式。自關聯(lián)形式通常是
<formula>formula see original document page 11</formula> (1)
式中生物學參數的自關聯(lián)估計矢量Xtt由Ci和核函數K的結果的線性組 合產生，它將生物學參數測定值(或特征)的輸入矢量X 與L學習模式或這類 測定值的樣本Xi作比較。為了提供多變量估計矢量X^ Ci是矢量，且可根 據造成基于內核的估算器的變化的多個不同的方法來確定，且可部分地成為輸
入X^和/或示例Xi的函數。所學習的模式來自訓練模型的"數據行為"類，例
如正?；蚪】档娜耍蛐g后穩(wěn)定狀況。如本文中將在以下更詳細地描述的，可 對這些樣本進行特別選擇來代表基于年齡、性別、體重、健康狀況或其組合的 具體人物類型的正常狀況，從而使得為了例如監(jiān)測老年女性病人的目的，該模 型可以例如是基于從該人群中獲取的樣本的針對老年女性的正常生物參數的 模型。
基于內核的通用估算器的推論形式為
<formula>formula see original document page 12</formula>(2)
式中生物參數值的矢量Y從對其他生物參數的輸入矢量X ^與這些參數的L學 習樣本Xi的基于內核的比較來估算。每一個學習的樣本(exemplar) Xi與要 估算的參數的另一樣本矢量Yi相關聯(lián)，它們根據內核K和矢量Ci (它們至少 部分地是Yi的函數)以加權方式組合以預測輸出Y。
基于內核的估算器所共有的是內核函數，以及基于內核結果和包含樣本的 矢量Ci從樣本的線性組合生成結果。內核函數K是廣義內積，但優(yōu)選還具有 在X新和Xi相同時其絕對值是最大值的特性。
根據本發(fā)明的一個實施方式，可用于提供模型的基于內核的估算器是內核 回歸，例子之一就是Nadaraya-Watson內核回歸式
<formula>formula see original document page 12</formula>(3)
<formula>formula see original document page 12</formula> (4)
在推論形式中，根據內核K算子對參數測量的輸入矢量X 和L學習樣本Xi 的結果，根據相應學習矢量Yi進行線性組合，來生成推論生物參數的多元估 算Y估，并由內核結果的總和進行歸一化，其中Yi各自與每一Xi相關聯(lián)。Yi 表示Y中參數的學習測量的L個集合，它們與(即與其同期測量的)X中學
習的參數測量相關聯(lián)。作為示例，X可包括多個動脈血壓讀數，而Y可表示相 應的多個靜脈血壓讀數。
在內核回歸的自關聯(lián)形式中，生物參數的多元估算Xe由學習的這些參數 Xi的測量值的歸一化線性組合乘以與輸入矢量X新相對的學習的觀察值Xi的 內核運算結果來生成。
在用于本發(fā)明目的內核回歸中可以看到，來自以上公式1和2的Ci是由 經內核比較值的總和歸一化的學習的樣本組成的。估算矢量Y ft或X tt包括一 組估算的參數，根據本發(fā)明，這些參數與實際測量的值(Xs或Ya，它們不是 推論型中模型的輸入)求差以提供殘差。
在另一實施例中，基于相似性的模型(SBM)可用作根據本發(fā)明的模型。
鑒于Nadaraya-Watson內核回歸在給定一組(可能有噪聲)的學習的樣本的情
況下提供作為平滑估算的估算，SBM提供內插估算，在它們恰好也是輸入時
(即如果輸入矢量與學習的樣本之一相同時)擬合學習的樣本。這在監(jiān)測生物
參數的偏差時可能是有利的，因為這些信號中的噪聲將在一定程度上過擬合
(如果噪聲類似地存在于創(chuàng)制模型的樣本中)，因此與內核回歸方法相比從殘
差中多多少少地移除了噪聲。通過將內核函數K改為運算符(8)，并使學習的樣
本Xi的集合視同于矩陣D，其中Xi項形成行，而Xi觀察值形成列，SBM可
被理解基于內核的估計器。貝U:
d"，x新X②x新) (5)
式中D業(yè)已轉置，這得到內核值的列矢量，對D中每一觀察值Xi有一個值。
類似地，所有樣本彼此間的比較可被表示為
^M(x,，x,X^(8)D) (6)
則，SBM的自關聯(lián)形式根據下式生成估算矢量
x估二D.(Dr闊-、(D、入) (7)
式中X(估)是估算矢量，X(入)是輸入觀察值(以上被示為Xsf) ， D是包括學
習的生物參數的示例觀察值的集合(或子集)的學習矢量矩陣。相似性運算或
內核由符號0表示，且具有呈現用于來自每一操作數的任何兩個矢量的比較的
相似性分值的一般性質。因此，第一項(D^(8)D)將產生大小等于公式6中所 示D中觀察值數目的方陣。項(D^ Xa)將產生相似性值的矢量，公式5中
所示的D中每一矢量一個值。該相似性運算符將在以下更詳細討論。
估算還可通過根據以下公式使其獨立于數據的來源來改進，其中估算通過 除以從相似性運算符創(chuàng)建的"權重"的總和來歸一化
D.(D、D)"，(8)x入)
在基于相似性的建模的推論形式中，推斷出的參數矢量Y ^是根據下式從學習 的觀察值和輸入估算的
y估-D出.(D義(8)D人)—!.(Dl②x人) (9)
其中學習樣本的矩陣D可被理解為
D =
yiy2y3 ' ' y丄D出
xix2x3xi_D入—
(10)
和以前一樣使用權重的總和來歸一化
—D出:(D義(8)D人廣.(D義(8)x .
y估一 //一 t__■ Vi /一 t a (11)
Z((D義(2)D入)^(D義0x入))
可根據本發(fā)明使用的類似于以上方法的又一個基于內核的建模技術是徑 向基函數技術。基于神經學結構，徑向基函數以神經網絡特殊形式的方式使用 感受域，其中每一個基函數形成n維輸入矢量空間中的一個感受域，且由神經 網絡中的隱藏層節(jié)點表示。感受域具有上述內核形式，其中感受域的"中心"是 特定隱藏單元所表示的樣本(exemplar)。存在多少樣本，就存在多少隱藏單 元感受域。多元輸入觀察值輸入到輸入層，后者與隱藏層完全連接。因此，每 一隱藏單元接收完整多元輸入觀察值，并產生在輸入匹配感受域"中心"時是最 大值并隨著它們差異增加而變小的結果(類似于上述SBM)。感受域節(jié)點的 隱藏層的輸出根據權重Ci組合(如以上公式l)。
根據本發(fā)明用于建模的所有以上方法都利用了前述的基于內核的方法，并 利用了樣本庫。樣本(也被稱為基準觀察值或基準矢量)表示借助建模的生物 參數看到的建模系統(tǒng)的"正常"行為。可任選地，可對可用基準數據進行縮選 (down-select)以提供用作樣本庫的特性子集，在這種情況下，可采用多種用 于"訓練"基于內核的模型的技術。根據一優(yōu)選的訓練方法，至少這些觀察值被 包括在對所有可用的基準觀察值的給定生物參數具有最高或最低值的庫中。這
可輔以對其他觀察值的隨機選擇或挑選來如實表示數據的散布或聚集的選擇。 或者，基準數據可以是群集的，且代表性的簇的"質心"形成為新的人工生成的 樣本，這些樣本然后形成庫。在本領域中，已知有各種選擇觀察值以構成樣本 庫的技術。
如上所述，內核可從各種可能的內核中選擇，且優(yōu)選地被選擇成使得它為 兩個相同矢量的比較返回具有由該內核返回的所有值中最大絕對值的值(即相 似性分值)。盡管此處提供了若干例子，但它們不旨在限制本發(fā)明的范圍。以 下是根據本發(fā)明用于對任何兩個矢量XjXb進行比較可使用的內核/相似性運 算符的示例。
廣
1
<formula>formula see original document page 15</formula>在公式12-14中，使用兩個矢量的矢量差，即"范數"； 一般這是2-范數，但也 可以是l-范數或p-范數。參數h—般是常量，它通常被稱為內核的"帶寬"，且 影響每一樣本對其返回有效結果的"域"的大小。也可使用冪X，但也可將其設 為l。有可能對每一個樣本Xi采用不同的h和X。優(yōu)選地，當使用采用矢量差 即范數的內核時，所測量的數據應首先被歸一化到0到1的值域(或其他所選 值域)，例如通過對所有傳感器值加上或減去該傳感器數據集的最小讀數的值， 然后將所有結果除以該傳感器的值域?；蛘撸瑪祿赏ㄟ^將其轉化成標準偏差 置為l (或某個其他常量)的0中心均值數據來歸一化。而且，根據本發(fā)明的 內核/相似性運算符也可按照偏差的項來定義，即在矢量的每一維中定義相似 性，且那些個項的相似性按照某種方式組合以提供總的矢量相似性。這通?？?以簡化成對任何兩個矢量x和y的內核比較的項相似性求平均值
(15)
則，可根據本發(fā)明使用的項相似性運算符包括，但不限于:<formula>formula see original document page 16</formula>可在諸如以上示出的項內核情形對帶寬h加以選擇，使之成為觀察矢量第m個 參數的預期值域的某種量度。這可例如通過找到所有樣本的參數的最大值和最 小值之間的差來確定?；蛘?，它可與在樣本或基準矢量中存在的數據無關地使 用域知識來設置，例如在合理的生理預期的基礎上將心率參數的預期閾值設置 為每秒40至180次，因此h對模型中作為心率的第m個參數等于"140"。而且， 對于使用差函數的矢量和項內核應注意，如果除以帶寬得到的差大于1，則可 將其設為l，對例如公式13、 14、 17和18得到內核值0。而且，可以容易地 看到，可通過加上或乘以不同的常量h和X等來代替1來修改該內核或相似性 運算符。也可使用三角函數，例如
<formula>formula see original document page 16</formula>(19)
更優(yōu)選地，相似性運算或內核一般為兩個相同維數的矢量的比較提供相似性分
值，其中相似性分值
1. 處于標量值域中，值域在每一端有界；
2. 如果兩個矢量相同，則有界端具有值l;
3. 在標量值域上單調變化；以及
4. 在兩個矢量接近相同時，絕對值增加。
在本發(fā)明的一個重要的替換實施例中，推論和自關聯(lián)形式的基于內核的經 驗模型兩者皆可基于輸入觀察值的質量并從大的習得觀察值集合——即參考 集——中汲取來"動態(tài)地"生成。此過程稱為"本地化"。相應地，本發(fā)明的 優(yōu)選形式是上面描述的用于推論和自關聯(lián)形式的基于內核的建模的計算能使 用基于輸入觀察值從更大的參考觀察值集合中選擇的習得觀察值Xi的集合或
即D來實行。基于內核的模型尤其適合于此種局部化，因為它們在一輪中就被 訓練好并且能被迅速更新。有利地，通過從很大的候選樣本集合中汲取，但每 有一個新的輸入觀察值就選擇一子集來生成估計，建模計算的速度就會被降低 而模型的穩(wěn)健性得以提高，同時仍能很好地表征正被建模的系統(tǒng)的動態(tài)。
可使用各種準則來構成本地化的D矩陣成員資格，包括相似性算子本身 的應用。但是一般而言，此過程可參考圖2來理解。包括生物參數集或要作為 此監(jiān)視過程的一部分由該模型來估計的衍生特征的輸入觀察值205被提供給本 地化模塊209，后者訪問參考庫212形式的大量樣本觀察值以選擇那些樣本觀 察值的子集來構成此模型。本地化模塊209從庫212中選擇與輸入觀察值205 有關的樣本，其可能是比庫小得多的集合。作為示例，參考庫212可能包括了 100,000個表征由正被建模的參數代表的生物系統(tǒng)的常規(guī)動態(tài)的樣本觀察值， 但是本地化模塊209可響應于接收到輸入觀察值205選擇僅幾十個觀察值來構 建局部化模型。所選擇的樣本觀察值然后被提供給經本地化的模型224，并且 這些觀察值此時構成用于基于內核的估計器的這一組習得樣本Xi (也即上面 SBM的D)。然后如上面所述地生成估計觀察值230。此過程隨著下一個輸入 觀察值205被呈遞給本發(fā)明的監(jiān)視系統(tǒng)而被重復，基于新的輸入觀察值從庫 212中選擇出新的并且可能是不同的樣本子集。
根據本發(fā)明的一個實施例，可在聚類技術的基礎上將輸入觀察值205比對 習得觀察值的參考庫212。相應地，使用本領域中所知的用于聚類矢量的多種 技術中的任何一種來聚類庫212中的樣本觀察值，并且本地化模塊209標識出 輸入觀察值205最接近哪個聚類，并選擇該聚類的成員樣本成為提供給本地化 模型224的要進行本地化的觀察值。合適的聚類方法包括k-平均數和模糊c-平均數聚類，或是自組織映射神經網絡。
根據本發(fā)明的另一個實施例，內核可用來將輸入觀察值205比對庫212 中的每個樣本來得到能夠提供諸參考觀察值相對于該輸入觀察值的排行的相 似性值。然后，它們之中的排在最前面的部分可被納入到本地化的D矩陣中。 作為此本地化方面的進一步優(yōu)化，所有參考觀察值的經排行列表中的觀察值只 要其組成項中有一個提供"括住(bracket)"輸入矢量中的對應值的值就被納 入到本地化的D中——即便庫212中有其它觀察值與該輸入具有更高的相似
性。對經排行的列表的這一向下搜索被執(zhí)行直至或者輸入矢量中所有的值在高
低兩側上皆被經局部化的D中包括的參考觀察值之一中的值所括住，或者直至 到達了用戶可選擇的要納入在D中的矢量的最大限度，或者直至不再有更多與 該輸入具有高到足以超越相似性閾值以被納入的參考觀察值。
在確定經本地化的D的成員資格方面的其它修改也落在本發(fā)明的范圍內。 作為示例，在上面描述的聚類選擇法和相似性選擇法兩者中，用來構成被聚類 的或是就相似性與內核作比較的矢量的項即參數的集合與用來生成該模型和 估計的那些項可以并非是完全相同的，而相反地可以是參數的子集或部分重疊 的集合。例如，在根據本發(fā)明監(jiān)視病人的六種或更多生物學參數和特征如心率、 呼吸體積、血壓、溫度等時，可僅利用心率和呼吸參數進行本地化。
轉到圖3，可根據任意圖表的原始數據305和其估計值310更好地理解本 發(fā)明方法，原始數據可代表任何所建模的生物參數，對應的殘差315描繪在了 該圖表的下半部分。信號305是所建模(自關聯(lián)或推論)的多種參數之一，盡管 圖中沒有顯示其它信號?？梢钥闯?，原始相互有所變化，變化范圍320，這是 生物系統(tǒng)的典型特征，生物參數可能由于環(huán)境、活動、代謝、晝夜交替等因素 而改變。在常規(guī)方法中，設置極限324，用于監(jiān)測何時信號305超過認為是正 常或健康的可接受范圍。因此，可能直到晚些時候——當信號305超過極限324 時——才能檢測到問題。然而，通過提供模型產生的參數305的估計值310， 并對它們求差獲得殘差315，可利用另一殘差極限336來檢測何時信號305偏 離預期，即使信號305在整個正常范圍320內變化。因此，可以在明顯較早的 時間340檢測異常值，即使信號305仍然在正常范圍320內。
有利的是，通過分析本發(fā)明提供的殘差，與對原始數據應用相同分析相比 可能進行更好的診斷和警告?？衫酶鞣N統(tǒng)計、邏輯和數據技術來分析按照本 發(fā)明檢測的各生物參數的殘差，下面進一步討論以闡明。
可利用的第一種技術是將閾值應用于參數的殘差。然而在常規(guī)醫(yī)學中，一 般將閾值應用于原始數據，殘差閾值能夠更嚴格地限制，而不會導致更高的假警報率，因為通過對估計值和實際數據求差消除了正常變化。殘差閾值可以是 上限、下線或二者，當殘差超過閾值時發(fā)出警報。該閾值可從域專家?guī)齑_定， 或者可設定為具體參數的殘差數據的噪聲分布的函數。例如，具體的測定設備
可能產生噪聲特別高的原始數據，從而使殘差具有相應較高的噪聲水平?？赏?過足夠數量的觀察來觀測該噪聲水平，表征出殘差信號的分布，依此將閾值設
定為所顯示分布(如5x標準差)的函數，從而適應該測定設備的噪聲水平。所監(jiān) 測各患者的各種生物學參數可具有其自己的設定閾值水平。
閾值只是規(guī)則體系或專家體系中的簡單規(guī)則形式。按照本發(fā)明，這類體系 可延伸殘差分析的靈活性和能力。例如，簡單閾值可延伸成當殘差在移動窗口 內超過閩值足夠倍數(times)時(^;;觀蔡W游;C^^見則)引發(fā)偏離檢測警告 的規(guī)則。也可為一種以上參數的殘差的條件組合構建警告或通知。例如，當一 種殘差信號超過其上限，另一種殘差信號超過其下限時，可通過本發(fā)明監(jiān)測系 統(tǒng)產生健康狀況可能性通知。多變量規(guī)則也可利用一個時間序列殘差觀察結 果?？蓪⒁?guī)則本身鏈接在一起，以觸發(fā)其它規(guī)則，或者否決其它規(guī)則的結果。 本領域已知處理原始數據的各種專家規(guī)則體系，不難通過將它們轉變成殘差規(guī) 則，使這些規(guī)則結構適應本發(fā)明。例如，雖然當某些參數比群體"平均值"高 出兩倍的標準差以上(常規(guī)分布法)時，現有技術的原始數據規(guī)則結構表明可能 是健康威脅，但殘差超過殘差信號的零點兩倍的標準差以上(或其它閾值)時， 新規(guī)則也可能提供同樣的通知(其中可通過獲自該患者的信號測定標準差，或 者可從用在準備臨床模型時所用的參數和模型監(jiān)測的人的實驗推導出)。參數 的一系列殘差形成信號，可用各種統(tǒng)計學技術處理該信號進行趨向(trending) 或假說檢驗(如上所述)?？墒褂媒y(tǒng)計學假說檢驗如Wald，s連續(xù)概率比檢驗。
還可利用各種模式識別技術將殘差模式與警告、診斷結論或患者疾病的嚴 重性等級關聯(lián)起來。 一種此類技術是將多種監(jiān)測參數的一組殘差提供給經訓練 將輸入值與診斷疾病關聯(lián)起來的神經網絡。
轉到為對了本發(fā)明的監(jiān)測目的而建模的生物參數的選擇，本發(fā)明監(jiān)測靈敏
度和精確度的優(yōu)點是由于測定這些生物學參數的多變量方法等(與分別測定參 數的常規(guī)醫(yī)學實踐相反)。因此，使用本發(fā)明基于內核的估算器，對生物參數 的觀察是多變量的，因為每次觀察通常包括每一參數的數據值(無論是直接傳 感器讀數還是傳感器數據的某個衍生特征)，歸因于幾乎同時的時刻或時間。 例如，觀察可包括在某一時刻快速獲取幾個參數的數據值。重要的是，本發(fā)明 基于核心的方法不需要定期快速獲取，可以不規(guī)則時間間隔獲取數據。 因此，生物學參數的數據值可以是直接的傳感器測量值，或者可以是衍生 特征，如屬于時刻t的瞬時或窗口平均心率。因為不需要對觀察進行規(guī)則地取
樣，所以可以將各種規(guī)則取樣的信號(ECG、呼吸參數、血氧、血壓、溫度等) 與標識的半規(guī)則或不規(guī)則觸發(fā)器排列對齊。在一個實施方式中，按照ECG信 號的QRS峰值進行觀察，所有其它采樣信號在這一時刻測定或者在RR間隔(緊 接的下一個QRS峰值)內測定。已知在天然情況下心跳就有些不規(guī)律，因此可 以以鍵控至(keyed to) ECG信號的QRS峰值(或任何其它可標識點)函數的形 式產生參數的數據值。在另一實施方式中，可以規(guī)則間隔進行觀察，如每分鐘 一次，可含有該分鐘到時的原始數據、該分鐘內信號的統(tǒng)計結果、或者每一分 鐘測量值變化的累積或平均移動窗口值。因此，可建模的生物學參數可選自 (a)原始的瞬時信號值；(b)在某一其它信號事件(如QRS峰值)限定的窗口內該 信號的統(tǒng)計值；(c)在一組此類窗口上該信號的累積/平均統(tǒng)計值；(d)從上一個 窗口至當前窗口，上述一種參數的改變率；和(e)在規(guī)則的時間窗上(如每分鐘 一次)信號的累積/平均測量值。
出于說明目的，可以利用鍵控事件(keying event)如ECG信號QRS峰值 衍生的用于基于內核的人體健康監(jiān)測模型的特征包括
瞬時心率——距上一次"QRS"峰值的時間，或至下一次"QRS"峰值的 時間。
"收縮"血壓——從ECG中的當前QRS峰值至下一次(或至上一次)QRS 峰值的窗口中由連續(xù)血壓測量裝置(導管法或非侵入法)讀到的最高血壓讀數。
"舒張"血壓——從ECG中的當前QRS峰值至下一次(或至上一次)QRS 峰值的窗口中由連續(xù)血壓測量裝置(導管法或非侵入法)讀到的最低血壓讀數。
"收縮"BP延遲^QRS峰值與連續(xù)BP測定裝置獲得的下一次"收縮" (即最高)血壓峰值信號之間的時間。
"舒張"BP延遲~~QRS峰值與連續(xù)BP測定裝置獲得的下一次"舒張" (即最低)血壓波谷信號之間的時間。
氧飽和峰(Ebb)——當前QRS峰值和下一個QRS峰值之間氧飽和(Sp02) 的最高(最低)測量值。
溫度——在一個QRS峰值到下一個QRS峰值的窗口內溫度傳感器的平均
值、最大值、最小值或中值。
如果呼吸循環(huán)用作數據采集的鍵控事件(keying event)，還可利用以下 參數進行說明
瞬時呼吸率——一個完整呼吸至下一個完整呼吸之間的時間。 心跳計數--個完整呼吸內的心跳數。
氧合延遲——呼吸周期中的某一點——例如吸入結束時一一和血氧計測 定的血氧合信號峰值之間的時滯。
當然，可用上述參數的其它統(tǒng)計學測量值代替，比如確定上述參數或其生 物學來源信號的中值、平均值、最高-最低差值(范圍)等。
另外，可以在由某一事件如QRS峰值確定的一組窗口上產生的特征包括
窗口呼吸率——在QRS峰-峰(即RR間隔)確定的最后m個窗口內測定的 呼吸率。該值被歸于鍵控至(keyed to)當前QRS峰值事件的觀察。呼吸率可 以是瞬時(當前呼吸時間)或平均的呼吸率。如果呼吸率比所有m個窗口的跨度 都長，則可由部分周期外推得到該呼吸周期的完整呼吸率的估計值。
窗口呼吸深度——在QRS峰-峰確定的最后m個窗口上測定的最大呼吸容 量。該值被歸于鍵控至當前QRS峰值事件的觀察。
心率變化(SDNN型)——在QRS峰-峰確定的最后m個窗口內的瞬時心率 的方差或標準差。m個窗口各自有其瞬時心率，計算所有m個值的方差或標 準差。
心率變化(RMSSD型)——在最后m個窗口內，相鄰窗口的瞬時心率(或心 動周期)差值的平方之和的平方根。
作為示例，可以使用的其它參數可由與患者連接的其它裝置，如呼吸器 (ventilator)產生。典型的換氣參數可用于本發(fā)明基于核心的患者監(jiān)測模型。它 們包括
潮流氣量(或每分呼吸量)——呼出或吸入的空氣體積的測量值(瞬時值或 在窗口(如1分鐘)內的平均/累積值)。
co2——呼出的二氧化碳的體積、分壓或濃度的測量值 峰值吸氣壓力——呼吸器在吸氣周期中施加的最大壓力。 終末呼氣正壓力——呼氣結束時的基本正壓力。該參數用作本地化變量時
特別有益。
FI02——呼氣中的氧氣分數， 一般是百分數。該變量也是用作本地化變 量時特別有益的。
PIF， PEF——峰值吸氣/呼氣空氣流。 氣道阻力——肺對換氣正壓力的阻力的測量值。
在家庭遠程健康監(jiān)測背景下，對象可佩戴不同的傳感器，或可被要求定期 測定可用于建立本發(fā)明模型的參數，這些參數包括 體重——天平稱測量的對象/患者體重。
血糖水￥~取幾滴血液樣并測定血糖水平的設備；或者通過光學測量確 定血糖水平的設備。
活力——可利用加速度計測量患者的運動量；這些加速度計可能提供某些 方向上的運動(如上下與水平運動)。
環(huán)境溫度差——周圍空氣和皮膚或身體外周之間的溫度差的測量值
出^=~對象出汗程度的測量值
上述參數列表只是說明了可由人類對象獲得的變量類型，它們可用于本發(fā) 明基于內核的建模方法。該列表不是限制性列表。本發(fā)明觀察的生物學參數可 包括溫度、壓力、活動范圍(如呼吸量)、速率(呼吸率、心率)、傳導性、電活 性(如EEG)、化學測量值、流速和任何其它已知或后來開發(fā)的人類生物學系統(tǒng) 測量參數。優(yōu)選地，組合到模型中用于檢測的參數是(a)被認為以某種方式(已 知或懷疑)與有因果關系或共同效應的；(b)通常在大約相等的時間數量級內對 身體改變或身體的反饋控制環(huán)路做出反應；(c)如果發(fā)現它們當中一個或多個有 偏差，可用于指向根本原因。優(yōu)選地，本發(fā)明的人類健康監(jiān)測模型包括以下一 種或多種參數心率、血氧飽和值、呼吸測量值、血壓測量值和溫度測量值。 在本發(fā)明的優(yōu)選實施方式中，用于監(jiān)測人類健康的模型包括3種或更多種參數， 更優(yōu)選5種或更多種參數(原始信號或由信號衍生的特征)。本發(fā)明基于內核的 建模方法的優(yōu)點是對大量變量以及20-30中相關參數也有效。
由于一些活動對某些種類生物學信號的破壞作用，如咳嗽或講話影響呼吸 信號，所以本發(fā)明的另一方面是對輸入觀察結果的過濾。通常，對正在ICU中 接受治療的患者(等)而言，優(yōu)選只在患者處于數據表現良好的狀態(tài)，更具體地
是睡眠或靜止時監(jiān)測觀察值，而不在講話、咳嗽或移動時測量?？商峁┳詣幼R 別睡眠或靜止狀態(tài)的數據過濾模塊，過濾掉其它數據，只留下睡眠/靜止狀態(tài)下 的數據用于監(jiān)測?？衫迷S多技術自動確定數據是否來自睡眠/靜止狀態(tài)的患 者?？梢岳玫囊环N方法是加工輸入觀察值或輸入觀察值序列，用推論模型確 定其分類。這種模型可以是(例如)本發(fā)明基于內核的推論模型，其提供單個輸 出變量，在各自對應于"不屬于該分類"和"屬于該分類"的兩個值(如零和 一)之間變化?？捎谜Ｋ?靜止的例子訓練該模型。相似地，本領域已知用
于確定輸入數據的特征屬于哪種分類并輸出該分類的各種聚類技術。例如，K-均值聚類分析是可接受一組觀察值作為輸入并將這些觀察值聚集成用戶確定 數量的類群的熟知技術；然后，可將新的觀察值與合適的類群或類型關聯(lián)起來。 然后監(jiān)測與睡眠/靜止類群相關聯(lián)的觀察值，而過濾掉不屬于這一類群的觀察 值。最后，已知可利用專家規(guī)則來加工輸入的觀察值，以確定是否處于睡眠/ 靜止狀態(tài)。這類規(guī)則可包括測定心率和呼吸率，然后確定這些參數是處于在某 個范圍內，還確定呼吸率未曾改變或跳過了預計的呼吸，那么該狀態(tài)是睡眠/ 靜止。
另一種處理這些數據中的破壞性事件的方法是以多種方式過濾這些數據。 典型的破壞性事件可包括異常心跳(缺跳或額外心跳)，或者打斷正常呼吸節(jié)律 的咳嗽/講話。雖然這些是感興趣的數據模式，并且可能在醫(yī)學上引人關注，但 出于建模和將這些參數互相關聯(lián)起來的目的，過濾掉它們是有益的。因此，可 通過標識缺跳或額外的心跳并消除該數據點使心率平滑。完成這種操作的一種 方式是計算RR間隔內的瞬時心率，用過濾器過濾所得到的心率信號，如窗口 為3-5個數據點的中值過濾器。結果是，用窗口中值替換了可能因發(fā)生額外心 跳升至很高或因缺跳而降至很低的異常瞬時心率，窗口中值可能不會是異常 值。消除非一致性呼吸周期的一種方式是標識非一致性區(qū)域兩側的正常呼吸， 并完全刪去這些數據。非一致性呼吸周期可被鑒定為與原型呼吸模式(例如由 波谷開始，升高至峰值，再降回波谷)不完全匹配的呼吸周期。本領域已知有 用于匹配原型模式與信號瞬時窗口的許多模式匹配技術，這些技術可用于此目 的。
可利用一種以上模型監(jiān)測人的健康，這些模型之間可共享參數。因此，本
發(fā)明的一種實施方式構成了各生命指征或所有其它可用參數集合中的其它參 數的推論模型；因此，所用模型綜述等于監(jiān)測參數的數量。而且，可以利用以 不同釆樣率采樣數據的不同模型執(zhí)行對人的監(jiān)測。例如， 一種模型可使用由某
種觸發(fā)事件——如RR間隔——形成的觀察結果的數據，而對另一模型可使用 每一分鐘一次形成的觀察。作為另一個例子，第一模型可包括監(jiān)測心血管功能 所必需的參數之類的生物學參數，第二種模型可包括監(jiān)測免疫應答所必需的生 物學參數。另一個例子是，可以利用相同參數的多種模型，但在不同活動狀態(tài)
或分類上加以訓練。然后，隨著按其所代表的活動類型對輸入觀察值進行分類 (如上所述的睡眠/靜止、或鍛煉、或行走)，已學習了該活動類型的本發(fā)明模型 可用于監(jiān)測該觀察值或觀察窗口。
本發(fā)明的一個具體實施方式
包括以10秒-1分鐘的間隔觀察的自關聯(lián)模 型，并且包括以下參數平均心率、平均呼吸率、平均收縮壓、平均舒張壓、 平均呼吸深度/容積和平均血氧飽和百分數(血氧測定法)。心率和呼吸參數可以 是原始信號，或者可以是平滑處理過的，平滑處理意味著去除了異常(額外或 丟失)心跳或異常呼吸(咳嗽等)。同時，可利用一些其它統(tǒng)計值，如中值、最大 值或最小值來替換該間隔內上述值的平均值。
本發(fā)明也提供了用化學、免疫學、微生物、組織學、血液學和相似檢驗結 果，更具體是血液組分檢測結果、尿組分檢測結果等(通常稱為"實驗室結果" 或"實驗室")來監(jiān)測人體健康的方法。這些檢測結果可以以極大優(yōu)勢用在本 發(fā)明中，因為(a)這些檢測結果一般是多變量的，(b)多變量結果代表或多或少在 一個時刻的流體組成，和(c)雖然實驗室結果一般以不規(guī)則的方式取得，但本發(fā) 明可以使用以這種非定期方式采集的數據。與實驗室數據的常規(guī)使用相比，本 發(fā)明進一步的優(yōu)點是區(qū)分變化的能力更高。通常，單獨地監(jiān)測血液組分的各個 檢測結果，并與健康群體的"正常"范圍作比較。相反，按照本發(fā)明，對彼此 相對的各組分的正常動力學建模并納入考慮范圍，以便監(jiān)測組分中的小偏差， 盡管使用常規(guī)方法該偏離可能仍然在"正常"范圍內。
用實驗室結果數據建模的生物學參數可包括許多通常測定值中的任意一 種，包括血糖(葡萄糖)；血液氣體如氧氣、二氧化碳和碳酸氫鹽(bicarbonate); 酸性的衡量如pH;降解產物的衡量如肌酸酐或血脲氮(BUN);電解質的衡量如鈉、鉀和氯；以及酶和蛋白質的衡量，如肌酸酐激酶、白蛋白、C反應性蛋白、 膽紅素；以及礦物質的衡量，如鈣、鐵、鎂、鋅等。模型的學習例子可包括人 群中許多健康個體的代表性血樣檢驗結果，尤其是與所監(jiān)測的人具有類似的人 口統(tǒng)計學特征的人群，因為這些參數中許多都隨著性別、年齡、體重等因素而
改變。因此，為了監(jiān)測正常體重的青年男性患者的實驗室結果，正常體重的青 年男性的正常血液組分動力學模型可包括在晝夜周期的各個時間收集的許多 這類個體的真實檢測結果，足以涵蓋在整個正?；顒雍徒】颠^程中這些參數如 何互相影響改變的動力學。將患者的結果輸入該模型時，將根據各種學習的正 常范例的參數估計值與患者的真實結果作比較，以產生殘差，殘差中可能存在 小于這些參數在正常群體中的范圍的偏差，但它們仍然是健康狀況(無論是初 期并趨向惡化，還是就是靜態(tài)疾病狀態(tài))的明顯指標。如果對患者進行一系列 血液、尿液或其它液體檢驗，這些殘差結果本身即可構成一個時間序列，用于 隨后按照本發(fā)明進行分析。
在醫(yī)院病房、養(yǎng)老院或診所監(jiān)測患者時，本發(fā)明的實踐方式如下。讓患者 佩戴連接于患者生命指征和其它生物學參數的床邊監(jiān)測設備的傳感器。由床邊 設備將此數據提供(一般通過計算機網絡)給運行著按照本發(fā)明加工數據的軟件 的計算機。該計算機儲存或能夠訪問儲存著的樣本數據，其構成一種或多種模 型，用于響應于從患者接收到傳感器數據觀察值而生成估計值。也可將與患者 實驗室檢測結果有關的數據提供給計算機，數據一般由輸入了結果的醫(yī)院信息 系統(tǒng)提供。例如，可用一組床邊生命指征的模型以每分鐘一次的數量級的數據 采樣頻率監(jiān)測患者；用第二個模型處理計算機以不規(guī)則間隔接收到的患者實驗 室結果。從可能用于監(jiān)測患者數據的這類模型中的每一種模型均可生成數據的 估計值以及通過將真實值與估計值相比較生成的殘差?？蛇M一步配制該計算 機，以對殘差應用各種建模后分析步驟(本文其它地方所述)，以檢測偏差并識 別偏差的模式進行診斷。醫(yī)務人員可以在顯示器系統(tǒng)上或通過網站本地和/或遠 程地獲取測得數據、估計值和殘差。還可從這一顯示器上獲取任何檢測的偏差、 識別的模式和得到的自動生成的提示性診斷。該計算機可通過其接口或網頁瀏 覽器或連接至其它工作站的客戶端服務器程序提供一個用戶界面，用于就殘 差、偏差、模式或診斷注釋患者醫(yī)療記錄。醫(yī)務人員可將診斷標記為"研究中"、
"不正確"、"已確認"或其它狀態(tài)。用戶也可將計算機標記的某些數據觀察 值標為偏差、實際上正常的無偏差數據。作為響應，計算機的適應模塊可采用 實際數據來修飾將數據標記物異常的模型，之后任何其它這類數據都不會被該 模型檢測為異常。
將模型進行適應性處理的過程包括將新觀察值或一組觀察值添加到"訓 練"基于內核的原始模型的一組參比數據中。在最簡單的實施方式中，將所有 參比數據用作模型樣本，因此"模型的適應性處理"意味著將新觀察值加入模 型的樣本組中。如果用訓練方法對參比觀察值進行縮減采樣，變成存儲著的"代 表性"系統(tǒng)動力學的亞組，那么將新觀察值加入原始參比數據組，施加縮減采 樣技術以產生新的代表性樣本組，它則應包括新觀察值的表示。也可只將新觀
察值加入縮減采樣的樣本組中，而不重新運行縮減采樣技術(downsampling technique)。而且，在這種情況下，去除模型中的一些樣本，以使它們被新觀 察值有效替換是有益的，并將模型大小保持在可控水平。去除舊樣本的標準可 包括將新觀察值與舊樣本作比較并替換最接近新觀察值的舊樣本的聚類和相 似性測定。
在家庭或野外監(jiān)測個人健康狀態(tài)的情況下，可佩戴或可攜帶的計算裝置如 PDA或手機之類的裝置通過直接有線連接或距離極其有限的無線通信如藍牙 記錄連接于該個人的多個傳感器的數據。將該數據保留在計算裝置中，已備基 站下載。如果計算裝置也是無線通信設備如手機，則可通過通信網絡將數據上 傳至遠程計算機進行分析。否則，該計算裝置可以在處于有效范圍時通過藍牙 信號將數據下載到基站，或者通過有線支架(wired cradle)將該裝置連接于計算 機。然后，在可用時，利用本發(fā)明基于模型的監(jiān)測方法定期處理上傳或下載的 數據。如果將數據上傳至遠程計算機，那么該遠程計算機(或與其聯(lián)網的計算 機)能夠接入加工該數據所需的模型。如果將數據下載至本地個人計算機如家 庭電腦，那么模型數據可保留在該計算機中進行本地分析，或者可設置該計算 機以便通過(例如)因特網連接將數據上傳至含有加工該數據所需的模型的遠程 計算機。可通過網站的形式從遠程計算機獲得處理結果，如估計值、殘差、監(jiān) 測偏差/警報、健康/嚴重性指標和自動診斷，或者可將這些結果傳輸給目標接 受者。在任何情況下，用于處理數據的模型可以是由其他人的樣本觀察值構成
的通用模型，或者可以是由所監(jiān)測的人的過往觀察值構成的個性化模型。
本領域技術人員應理解，可以在各個方面對上述優(yōu)選實施方式進行修飾。 其它變化也能奏效，它們都屬于本發(fā)明的范圍和構思。所附權利要求書列出了 本發(fā)明特征。本領域普通技術人員和熟悉本申請內容的技術人員明白，本發(fā)明 的構思和范圍包括這些優(yōu)選實施方式的修飾和變化。
權利要求
1.一種監(jiān)測人體健康狀態(tài)的方法，所述方法包括以下步驟獲得所述人體的多種生命指征的觀察值；提供表征處于已知健康狀況的所述多種生命指征中至少一部分的行為的基于內核的模型；基于據所述觀察值，用所述基于內核的模型生成所述多種生命指征中至少一種指征的估計值；將所述觀察值與所述觀察中的所述多種生命指征的所述至少一種的相應測量值作比較；和根據所述比較確定所述人體的健康狀態(tài)。
2. 如權利要求1所述的方法，其特征在于，所述基于內核的模型包括一 組所述多種生命指征的代表性觀察值，并生成作為至少一部分所述代表性觀察 值的線性組合形式的所述估計值。
3. 如權利要求2所述的方法，其特征在于，利用所述多種生命指征的觀 察值本地化所述基于內核的模型，以便用所述代表性觀察值的亞組生成所述估 計值。
4. 如權利要求1所述的方法，其特征在于，所述比較產生一殘差，其與 閾值作比較，以便確定所述人體的健康狀態(tài)。
5. 如權利要求4所述的方法，其特征在于，根據連續(xù)的所述多種生命指 征觀察值的所述殘差與所述閾值的比較序列確定所述人體的健康狀態(tài)。
6. 如權利要求5所述的方法，其特征在于，通過計算所述殘差超過所述 閾值的倍數分析所述比較序列。
7. 如權利要求2所述的方法，其特征在于，所述基于內核的模型是基于 相似性的模型。
8. 如權利要求2所述的方法，其特征在于，所述基于內核的模型是內核 回歸估算器。
9. 如權利要求2所述的方法，其特征在于，所述基于內核的模型是徑向 基函數網絡。
10. 如權利要求2所述的方法，其特征在于，所述多種生命指征中生成其 所述估計值的所述至少一種生命指征未作為輸入值提供給所述基于內核的模 型，但存在于所述代表性觀察值中。
11. 一種監(jiān)測人體健康狀態(tài)的計算機軟件系統(tǒng)，所述系統(tǒng)包括 數據供給，其提供所監(jiān)測人體多種生命指征觀察值；建模軟件模塊，其表征處于已知健康狀況下的所述多種生命指征中至少一 部分的行為的基于內核、用于接收所述數據供給的所述觀察值并根據所述接收 的觀察值生成所述多種生命指征中至少一種生命指征的觀察值；和殘差分析軟件模塊，用于將所述估計值與所述接收的觀察值中所述多種生 命指征中所述至少一種生命指征的相應測量值作比較生成殘差、并由此確定所 述人體的健康狀態(tài)。
12. 如權利要求11所述的系統(tǒng)，其特征在于，所述基于內核的建模軟件模塊包括一組所述多種生命指征的代表性觀察值，并生成作為至少一部分所述 代表性觀察值的線性組合形式的所述估計值。
13. 如權利要求12所述的系統(tǒng)，其特征在于，所述多種生命指征的觀察 值被用于通過所述基于內核的建模軟件模塊進行本地化，以便用所述代表性觀 察值的亞組生成所述估計值。
14. 如權利要求1所述的系統(tǒng)，其特征在于，所述殘差分析軟件模塊將所 述殘差與閾值作比較，以確定所述人體的健康狀態(tài)。
15. 如權利要求12所述的系統(tǒng)，其特征在于，所述基于內核的建模軟件 模塊執(zhí)行基于相似性的模型。
16. 如權利要求12所述的系統(tǒng)，其特征在于，所述基于內核的建模軟件 模塊執(zhí)行內核回歸估算器。
17. 如權利要求12所述的系統(tǒng)，其特征在于，所述基于內核的建模軟件 模塊執(zhí)行徑向基函數網絡。
全文摘要
本發(fā)明提供了一種改進的人體健康監(jiān)測方法，該方法利用了典型生命指征和其它生物學參數的傳感器測定值，以及利用這些參數并根據實際測量值確定這些參數的估計值的經驗模型系統(tǒng)和方法。分析由估計值和實際測定值之差得到的殘差，能有效表明初始健康問題。與生命指征的常規(guī)單變量范圍檢查相比，殘差分析更有效且更靈敏。
文檔編號A61B5/02GK101365378SQ200680051861
公開日2009年2月11日 申請日期2006年11月29日 優(yōu)先權日2005年11月29日
發(fā)明者R·M·派普克 申請人:風險獲利有限公司