本发明涉及一种用于将活动信息从可穿戴医学设备发送到患者监测系统的方法、一种可穿戴医学设备以及一种患者监测系统。
背景技术：
：可穿戴医学设备用来监测患者的健康状态变得越来越流行。这些可穿戴医学设备可以包括用来识别的患者的活动的传感器。例如，us8,374,775b2公开了一种用于使用传感器测量结果对活动状态进行分类的方法。通常，患者进行的当前活动状态被无线地发送到中央患者监测系统，其中它允许护理人员保持跟踪患者的活动、健康状态和处置成功。然而，患者的一些规律活动(例如行走或如厕)可以在患者的房间外面发生，在这种情况下可能不能在可穿戴医学设备与患者监测系统之间建立可靠的无线连接。因此，关于患者的活动的重要信息会丢失。us2013/060480a1描述了一种用于传感器和传感器数据的适应性显示和滤波的方法。传感器管理器对传感器信进行处理以便针对预定信号进行比较。传感器管理器至少部分地基于该比较来确定用于一个或多个滤波器的一个或多个参数，其中，一个或多个滤波器至少部分地在一个或多个传感器、根据一个或多个传感器确定的一个或多个其他信号或其组合上进行操作。wo2012/089278a1涉及一种对从被配置为由用户运输、携带或穿戴的加速度测量器件输出的数据进行压缩的方法。ep2704098a1涉及一种确认运动参数的方法、一种用于所述方法的装置、以及一种运动辅助设备。识别的对象的运动数据包括由三轴加速度计采样的识别的对象的加速度、由三轴陀螺仪采样的识别的对象的角速度、和由三轴磁力计采样的识别的对象的角度。us2011/218462a1涉及一种用于测量并分析结合运动、体育健身或治疗的移动或力的系统。us2013/278076a1涉及一种具有无线功率接收器和监测设备的遥测系统，所述监测设备中的每个均具有一个或多个传感器和唯一的用户id。一个或多个传感器采集选自用户的活动、行为和习惯信息中的至少一个的用户信息。技术实现要素：因此，本发明的目的可以是提供一种用于将活动信息从可穿戴医学设备发送到患者监测系统的方法、一种可穿戴医学设备以及一种患者监测系统，从而允许护理人员更可靠地检查患者的当前状态。所述目的已经利用根据独立权利要求的一种用于将活动信息从可穿戴医学设备发送到患者监测系统的方法、一种可穿戴医学设备以及一种患者监测系统来解决。在从属权利要求中描述了用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的各种实施例。可以相应地调整可穿戴医学设备和患者监测系统。根据一方面，提供了一种用于将活动信息从可穿戴医学设备发送到患者监测系统的方法，其中，所述方法包括：生成活动数据包，其中，所述活动数据包至少包括指示最近活动的第一活动字段和指示过去活动的第二活动字段；以及将所述活动数据包从所述可穿戴医学设备发送(尤其是无线地发送)到所述患者监测系统。在一个活动数据包内不仅提供指示最近活动的第一活动字段而且提供指示在最近活动之前发生的过去活动的第二活动字段可以允许在活动数据包丢失的情况下对患者的更连续的监测。进一步的，发送指示这样的过去活动的第二活动字段可以允许校正过去活动的假设。在常规系统中，可能不正确的活动可以被指示给患者监测系统。发送指示过去活动的第二活动字段可以允许校正所述错误评估。例如，根据被发送到患者监测系统的第一活动数据包，患者可以在时间t处已经坐在椅子上。然而，当评估在时间t+1处的下一活动时，在t+1处可以发现患者正躺在床上。因此，第二数据包可以具有指示患者在时间t处没有坐在椅子上而是在床上的经校正的第二活动字段。因此，在患者活动信息到患者监测系统的改善的通信中，将能够改变已经被发送的活动历史。将活动数据包内的第一活动字段布置在第二活动字段之前可以允许在指示更早发生的过去活动的信息之前发送指示最近活动的信息。例如，如果第一活动字段指示穿戴可穿戴医学设备的患者从床上掉下来，在接收到第一活动字段后，则可能需要来自护士的立即反应。因此，即使不是整个数据包被发送，在第二活动字段之前发送第一活动字段也可以允许重要的最近信息被考虑。发送活动数据包可以包括从每10秒(允许来自人员的立即反应)到每2分钟(导致降低的用于发送的能量消耗)发送活动数据包。如果活动数据包在一分钟内被发送一次，则可以特别地实现良好的折中。在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的第一实施例中，所述活动数据包包括头字段，其中，所述头字段包括指示由活动字段表示的时间范围的第一头子字段、和/或指示被包括在所述活动数据包内的活动字段的数量的第二头子字段。提供指示由活动字段表示的时间范围的第一头子字段可以允许对活动数据的更灵活的发送。第一头子字段可以具体指示对于给定活动数据包来说每个活动字段涉及10秒的时间段。对于另一活动数据包，第一头子字段的值可以指定每个活动字段涉及120秒(即2分钟)的时间段。指示被包括在活动数据包内的活动字段的数量的第二头子字段可以使得能够检测活动数据包的结束而无需提供特殊文件结束符号。备选地或另外，指示被包括在活动数据包内的活动字段的数量的第二头子字段还可以允许核实所有活动字段是否全部已经被接收。在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的另一实施例中，将所述活动数据包从所述可穿戴医学设备发送到所述患者监测系统包括对所述活动数据包的无应答发送。在医院环境中，多个可穿戴医学设备可以与一个或若干个患者监测系统通信，从而导致有噪声的无线信道。在从可穿戴医学设备接收到活动数据包后免除通过患者监测系统对应答信号的发送可以有助于减少无线信道的拥塞。进一步的，用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的实施例规定：所述第一活动字段和所述第二活动字段中的每个均包括指示活动类型的第一活动子字段和指示所述活动类型的确定性的第二活动子字段。活动类型的确定性可以被认为是活动类型已经被正确识别的可能性。第二活动子字段可以基于先前活动或随后活动来更新。患者监测系统可以在接收到第一活动字段和第二活动字段(其中的每个均包括指示活动类型的第一活动子字段和指示所述活动类型的确定性的第二活动子字段)后更可靠地提供关于患者的健康和恢复状态的信息。此外，在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的第一实施例中，生成所述数据包包括基于推理来使至少一个交错的活动字段交错，其中，所述交错的活动字段包括指示活动类型的第一活动子字段和指示所述活动类型的确定性的第二活动子字段。与人的健康和/或恢复状态相关的一些活动类型可能难以直接根据传感器数据导出。基于推理来使至少一个交错的活动字段交错(其中，所述交错的活动字段包括指示活动类型的第一活动子字段和指示所述活动类型的确定性的第二活动子字段)可以提供对于处置目的有用的关于患者的额外信息。在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的另一实施例中，生成所述活动数据包包括基于推理来使至少一个交错的活动字段交错，其中，所述交错的活动字段包括指示事件的第一活动子字段和指示所述事件的确定性的第二活动子字段。对可穿戴医学设备的用户发生的一些事件可能需要通过患者监测系统的特殊处理。基于推理(具体地基于根据第一活动字段和第二活动字段导出的活动类型)来导出所述事件可以允许患者的改善的医学护理。第二活动子字段指示事件的严重性也可以是可能的。例如，事件可以是楼梯上的跌倒，这需要来自医院中的专业护理人员的立即帮助。该实施例也可以包括在特殊事件的情况下或在高度严重性的情况下发送立即活动数据包。除了例如每分钟发送的活动数据包外，立即活动数据包可以被发送。立即活动数据包也可以触发发送时间段的缩短。进一步的，用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的实施例可以规定，生成所述活动数据包包括基于推理来使至少一个交错的活动字段交错，其中，所述交错的活动字段包括指示在所述第一活动字段中指示的活动类型的属性的第一活动子字段和指示所述属性的值的第二活动子字段。患者的健康状态的变化不仅可以与患者执行的活动类型有关，而且与某些事件(例如从行走或从床上的跌倒)有关。基于活动类型的变化(例如从躺在床上到躺在地板上)检测到的并且被包括在活动数据包中的事件可以在被发送到患者监测系统时触发特殊警报。在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的另一实施例中，所述可穿戴医学设备包括加速度计，并且导出所述第一活动子字段的值包括根据原始加速度计数据来计算若干特征(具体地在不同的时间范围内)，这些特征可以表征可穿戴医学设备的取向和移动。具体的活动类型可以具体地使用基于特征值的向量的分类或回归的统计学机器学习算法进行识别。此外，在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的一实施例中，所述可穿戴医学设备包括加速度计(具体地为3轴加速度计)，并且导出所述第一活动子字段的值包括基于原始加速度计传感器数据来检测所述可穿戴医学设备的取向。可穿戴医学设备的取向可以给出用户的活动类型的非常可靠的指示。如果可穿戴医学设备例如是胸带，则胸带的取向可以允许在躺卧与站立之间进行区分。在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的另一实施例中，所述可穿戴医学设备包括加速度计(具体地为3轴加速度计)，并且导出所述第一活动子字段的值包括基于原始传感器数据来检测所述可穿戴医学设备在短时间帧内的加速度幅值。在短时间帧内(具体地在20秒内，更具体地在5秒内)的高加速度幅值可以是建立活动类型的又一因素。例如，高加速度幅值可以指示使用可穿戴医学设备的患者的颤抖。此外，在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的一实施例中，所述可穿戴医学设备包括传感器系统(具体地为加速度计，更具体地为3轴加速度计)，并且导出所述第一活动子字段的值包括检测原始传感器数据中的周期性和/或节奏。检测原始传感器数据中的周期性可以有助于确定例如步行患者的行走规律。行走规律可以是患者从髋关节置换恢复所少的良好指示器。在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的另一实施例中，导出活动类型和/或推理包括使用朴素贝叶斯模型。使用朴素贝叶斯模型进行分类可以仅需要少量的训练数据来估计分类所需的参数。进一步的，用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的实施例规定，导出活动类型和/或推理包括基于执行二次判别分析或线性判别分析的机器学习算法进行分类。线性判别分析可以允许基于从原始传感器数据导出的特征的线性组合来确定活动类型。由特征的非线性组合表示的活动类型可以利用二次判别分析更容易地进行区分。此外，在用于将活动信息从可穿戴医学设备发送到患者监测系统的方法的一实施例中，导出活动类型和/或推理包括利用使用神经网络的机器学习算法进行分类。使用神经网络可以不需要做出关于从原始传感器数据提取的特征的相关性的假设。可以有利的是，当执行用于将活动信息从可穿戴医学设备发送到患者监测系统的方法时使用多个分类算法，使得它们中的一些用于检测特定静止活动类型，并且其他是特定事件的检测器(例如，跌倒检测器)。活动类型和其确定性可以取决于先前的活动类型或随后的活动类型以及它们的可能性值。通常，在分类算法中，一系列观察中的类别的可能性可以通过条件概率或使用马尔科夫链(或马尔科夫随机场)来以公式表示，马尔科夫链可以描述从一种状态到另一种状态的转变概率。使用例如一系列活动类型的马尔科夫链模型的推理可以得到最近活动类型或先前活动类型的活动类型分类的变化。根据又一方面，提供了一种可穿戴医学设备，其中，所述可穿戴医学设备包括：传感器系统(具体地为加速度计，更具体地为3轴加速度计)；分类器，其用于生成活动数据包，其中，所述活动数据包至少包括指示最近活动的第一活动字段和指示过去活动的第二活动字段；以及设备通信单元，其用于将所述活动数据包发送到所述患者监测系统。另一方面涉及一种患者监测系统，其包括用于接收并处理活动数据包的系统通信单元，所述活动数据包至少包括指示最近活动的第一活动字段和指示过去活动的第二活动字段。附图说明在附图中：图1示出了可穿戴医学设备和患者监测系统。具体实施方式图1示出了可穿戴医学设备101，其包括传感器系统102(更具体地为3轴加速度计)、分类器103和设备通信单元104。可以通过无线连接106将活动数据包从可穿戴医学设备101发送到患者监测系统105。无线连接106可以基于分组交换近场射频。用于分组交换近场射频的典型数据包可以具有根据表1的结构。其中，根据开放系统互连模型(osi)，phy涉及物理层，mac涉及介质访问控制，即数据链路层，net涉及网络层，并且mic涉及消息完整性代码。表1根据按照表1的示范性结构，应用载荷(即有效载荷)处于最大90个字节。按照该方法的实施例，应用载荷(即活动数据包)的格式可以具有如表2中示出的格式。表2如所示的，活动数据包可以包括头信息t、n和活动字段af。头中的字段t指的是活动信息所对应的时间范围(例如，1秒、1分钟等)。字段n可以指示被包括在活动数据包内的活动字段的数量。第一活动字段af(1)可以对应于最近的时间段。活动数据包可以包括与过去的时间段相关的额外的活动字段af(n)。表3示出了比特流语法中的示范性活动数据包，其中，activityclassifierpacket涉及活动数据包，acfieldtype涉及字段t，acnumberoffields涉及字段n，并且acactivitytype以及acactivitystrength涉及如在上文中描述的活动字段。表3活动数据包的第一字段acfieldtype是指示器，其描述每个活动字段(acactivitytype、acactivitystrength)表示的时间范围。时间范围可以如在表4中提出的那样进行编码(这里和下文中的后缀h指示十六进制表示法)。表4hex00h01h02h03h04h05h06h07h08h09h0ah0bh0ch0dh0eh0fht[s]00.512581030609012030060090018003600如所示的，头16个可能的值指示以秒为单位的活动字段持续时间。选择00h可以表示特殊情况，其中活动字段全部对应于同时的当前活动。进一步的240个可能的值被保留用于随后使用，并且允许调整活动数据包以用于未来开发。相应地，相应的其余四个比特被掩盖。活动字段的数量n可以被限制为42个。如在表3中示出的，活动字段可以被分成第一子字段acactivitytype和第二子字段acactivitystrength。每个子字段可以是一个字节子字段。能够通过一个字节来表示256个活动类型，例如根据表5，其可以被分成包括活动、事件和属性的组。表5在表5中，从00h编码到afh的活动类型可以表示活动，从b0h到cfh事件的那些和从d0h到ffh属性的那些。与活动相关的活动字段的第二子字段可以指示活动已经被正确地识别的确定性。属性可以指的是先前的活动。例如，如果活动字段指示活动类型“步行”，则随后的活动字段可以提供针对该“步行”活动的属性，诸如行走速率。相应地，活动字段可以在第一子字段中指示属性的类型(例如行走速率)，并且在第二子字段中指示针对所述属性的值(例如以每分钟步数为单位的行走速率)。被编码为ffh的特殊属性可以指示先前活动已经发生的地方或位置。在这种情况下，第二子字段可以指示根据表6中示出的位置代码的地方。表6hex00h01h02h03h04h05h06h07h地方床上病房走廊候诊室处置室咖啡馆厕所淋浴室在根据表7的范例中，活动数据包可以包括六个活动字段(n＝06h)，每个活动字段指示10秒的时间段(t＝06h)，仅示出了其中的头三个活动字段。表7tnaf(1,t)af(1,s)af(2,t)af(2,s)af(3,t)af(3,s)...06h06h50h52h30hd4h11hf0h...第一活动字段af(1)以52h的确定性指示最近活动是站立(af(1,t)＝50h)，站立在坐着之后(af(2,t)＝30h)，坐着在躺卧之后(af(3,t)＝11h)。基于推理，可以确定在从躺卧转为步行时患者必须已经离床并在床上发生坐着，因为坐着正好在离床之前发生。因此，如表8中示出的，用于下一时间段的活动数据包可以利用该额外的信息来补充。表8tnaf(1,t)af(1,s)af(2,t)af(2,s)af(3,t)af(3,s)af(4,t)af(4,s)af(5,t)af(5,s)...06h06h51h80h50h52hc0hddh30hd4hffh00h...如所示的，最近活动已经从站立(af(2,t)＝50h)改变为步行(af(1,t)＝51h)。此外，交错的活动字段af(3)和af(5)已经交错，从而指示离床事件(af(3,t)＝c0h)并且在床上发生坐着(af(5,t)＝ffh，af(f,s)＝00h)。所述额外的信息可以对患者的更好处置是有价值的。在实施例中，多个数值特征可以根据由传感器系统102提供的原始加速度计数据来计算。这些特征例如可以涉及可穿戴医学设备的取向、在短时间帧内的加速度幅值、原始数据或其他物理时间系列中的周期性或节奏。基于机器学习算法的分类器可以用来根据数值特征来导出活动类型。更具体地，分类器可以基于朴素贝叶斯分类器原理，并且使用来自若干患者的不同活动类型(例如，可能睡着的在床上的躺卧、在床上的主动移动、坐着、站立、步行、使用轮椅的走动)的手动注释的活动数据的集合来进行训练。使用朴素贝叶斯分类器原理的分类器可以提供针对每种活动类型的可能性评分。获胜的活动类型可以被选择为对应于当前时间帧的活动类型。通常，活动类型分析的时间帧的持续时间可以为一秒。当前第1页12