处理用于分析物评估的生理电数据的制作方法
相关申请的交叉引用
本申请要求于2015年11月23日提交的美国申请序列号62/258,956和于2016年9月28日提交的美国申请序列号62/401,044的优先权。现有申请的公开被认为是本申请的公开的一部分，并且以其整体并入本申请。
本文件大体上描述了用于分析生理电数据(例如，心电图数据)的基于计算机的技术。
背景
血钾水平受到严格的自我平衡调节，并且对正常生理细胞功能至关重要。参见einhornlm、zhanm、walkerld、moenmf、seligersl、weirmr、finkjc:thefrequencyofhyperkalemiaanditssignificanceinchronickidneydisease.archivesofinternalmedicine169,1156-1162(2009)；goyala、spertusja、goschk:serumpotassiumlevelsandmortalityinacutemyocardialinfarction.jama307,157-164,doi:10.1001/jama.2011.1967(2012)。钾值的波动存在于许多疾病状态中，并可使患者暴露于危及生命的心律失常。参见gennari,f.j.的hypokalemia.newenglandjournalofmedicine339,451-458,doi:doi:10.1056/nejm199808133390707(1998)；weiner,i.d.和wingo,c.s.的hyperkalemia:apotentialsilentkiller.journal-americansocietyofnephrology9,1535-1543(1998)；kovesdy,c.p.managementofhyperkalaemiainchronickidneydisease.natrevnephrol10,653-662,doi:10.1038/nrneph.2014.168(2014)。存在令人信服的证据是在患有肾脏或心脏疾病的患者中，即使是轻微的钾变化也可能导致发病、住院和死亡。参见jainn、kotlas、littlebb、weidemanra、brilakises、reillyrf、banerjees:predictorsofhyperkalemiaanddeathinpatientswithcardiacandrenaldisease.theamericanjournalofcardiology109,1510-1513(2012)。此外，用于治疗这些病症的循证疗法(包括肾上腺素能阻滞剂、保钾利尿剂和肾素-血管紧张素拮抗剂)可导致高钾血症或低钾血症。在随机前瞻性试验中证明了保钾利尿剂螺内酯降低心力衰竭死亡率后，对于高钾血症住院治疗增至三倍，并且死亡率增加至两倍。参见juurlinkdn、mamdanimm、leeds、koppa、austinpc、laupacisa、redelmeierda:ratesofhyperkalemiaafterpublicationoftherandomizedaldactoneevaluationstudy.newenglandjournalofmedicine351,543-551(2004)。由于这些疾病的患病率及其危险因素(高血压和糖尿病)上升，并且由于人口不断老化，因此越来越多的患者将面临高钾血症和低钾血症的危险。参见wild,s.、roglic,g.、green,a.、sicree,r.和king,h.globalprevalenceofdiabetesestimatesfortheyear2000andprojectionsfor2030.diabetescare27,1047-1053(2004)；rogervl、goas、lloyd-jonesdm、benjaminej、berryjd、bordenwb、bravatadm、dais、fordes、foxcs、fullertonhj、gillespiec、hailpernsm、heitja、howardvj、kisselabm、kittnersj、lacklanddt、lichtmanjh、lisabethld、makucdm、marcusgm、marellia、matchardb、moycs、mozaffariand、mussolinome、nicholg、paynternp、solimanez、sorliepd、sotoodehnian、turantn、viraniss、wongnd、wood、turnermb；americanheartassociationstatisticscommitteeandstrokestatisticssubcommittee.heartdiseaseandstrokestatistics—2012update:areportfromtheamericanheartassociation.circulation125,e2-e220,doi:10.1161/cir.0b013e31823ac046(2012)。
在正常范围之外的钾水平是被关注的，因为它们通常在临床上静默，在没有血液测试的情况下在没有警告患者或提供者的情况下发生。参见gumz,m.l.,rabinowitz,l.和wingo,c.s.的anintegratedviewofpotassiumhomeostasis.newenglandjournalofmedicine373,60-72,doi:doi:10.1056/nejmra1313341(2015)。
概述
本文描述了系统、方法、设备和其它技术，通过这些系统、方法、设备和其它技术，处理后的ecg信号或其它类型的电描记图数据可用于以在临床上有意义的分辨率确定患者中的分析物(例如钾)的水平。这些技术甚至在仅收集来自单个ecg导联的数据时也允许可靠的分析物评估。在一些实施方式中，可以采用个性化策略，其中基于接种血液测试对算法进行个别化。在一些实施方式中，可以采用完全不需要血液测试的全局分析策略。因此，这些技术可以允许不引人注目的远程监测钾评估。通过实现准确的钾值确定和趋势检测，可以发出警报并发起干预，从而改善临床结果。
在其它地方，我们已经描述了这样的技术，通过该技术，例如，分析从标准12导联ecg记录的电生理数据以确定患者血流中的分析物水平。但是标准12导联ecg方法常常仅在严重高钾血症或低钾血症发作后才诊断。因此，本文所描述的技术旨在解决对于在可能导致心律失常死亡的临床显著变化之前测量钾的非侵入式方法的需要，以便及时启动拯救生命的治疗。参见ingelfinger,j.r.的aneweraforthetreatmentofhyperkalemia？newenglandjournalofmedicine372,275-277,doi:doi:10.1056/nejme1414112(2015)；还参见pct公开第wo2015/048514号，其在此通过引用其以整体并入。
在一些实施方式中，这些技术可以包括非侵入式远程钾监测，其可以允许施用循证救生措施和药物，包括最近开发的安全且有效的钾降低药物。参见ash,s.r.、singh,b.、lavin,p.t.、stavros,f.和rasmussen,h.s.的aphase2studyonthetreatmentofhyperkalemiainpatientswithchronickidneydiseasesuggeststhattheselectivepotassiumtrap,zs-9,issafeandefficient.kidneyint,doi:10.1038/ki.2014.382(2015)；packhamdk、rasmussenhs、lavinpt、el-shahawyma、rogersd、blockg、qunibiw、pergolap、singhb：sodiumzirconiumcyclosilicateinhyperkalemia.newenglandjournalofmedicine372,222-231,doi:doi:10.1056/nejmoa1411487(2015)；bakrisgl、pittb、weirmr、freemanmw、mayomr、garzad、stasivy、zawadzkir、bermanl、bushinskyda；amethyst-dninvestigators.effectofpatiromeronserumpotassiumlevelinpatientswithhyperkalemiaanddiabetickidneydisease：theamethyst-dnrandomizedclinicaltrial.jama314,151-161,doi:10.1001/jama.2015.7446(2015)；roscioni,s.s.和heerspink,h.j.l.的clinicaltrials:newnonabsorbablepotassium-exchangeresinsinhyperkalaemia.natrevnephrol11,205-206,doi:10.1038/nrneph.2014.252(2015)。
本文描述的主题的一些实施方式包括用于评估人体内分析物的水平的计算机实现的方法。该方法可以包括从人体获得指示心电图结果的数据。可以识别心电图结果中表示的多个心拍(beat)。对于在心电图结果中所表示的多个心拍中的每个心拍，可以确定心拍的第一特征的值。可以对多个心拍的第一特征的值执行统计分析。可以基于对多个心拍的第一特征的值所执行的统计分析的结果来生成人体内分析物的水平的指示。可以提供人体内分析物的水平的指示。应当注意，虽然心电图结果通过示例来参考，但是在一些示例中可以使用其他形式的生理电数据(即，电描记图数据)。
这些和其他实施方式可以可选地包括下列特征中的一个或更多个。
分析物可以是钾、镁、磷、钙、碳酸氢盐、氢离子或葡萄糖。在一些实施方式中，分析物是药物(例如，地高辛、i-c类抗心律失常药、索他洛尔、多非利特、胺碘酮、β受体阻滞剂、钙通道阻滞剂、三环抗抑郁剂、锂等)。
对于心电图结果中所表示的多个心拍中的每个心拍，确定心拍的第一特征的值可以包括针对多个心拍中的每个心拍计算心拍中的t波在t波的峰值与t波的末端之间的至少一部分的斜率。
对于心电图结果中所表示的多个心拍中的每个心拍，确定心拍的第一特征的值可以包括针对多个心拍中的每个心拍计算心拍中的t波的峰值的幅度。
对于心电图结果中表示的多个心拍中的每个心拍，可以确定心拍的不同于第一特征的第二特征的值。
可以对多个心拍的第二特征的值执行统计分析。还可以基于对多个心拍的第二特征的值所执行的统计分析的结果来生成人体内分析物的水平的指示。统计分析可以在具有或没有信号平均技术的情况下进行。在没有信号平均的一个示例中，第一特征的值可以针对ecg数据中表示的各个心拍而不是针对已经从多个不同心拍和/或从针对同一心拍所记录的多个不同信号平均的“合成”心拍来确定。然后可以对各个心拍的第一特征的值执行统计分析。在确实利用信号平均技术的另一个示例中，可以对至少一些心拍的第一特征的值执行统计分析，该值是已被平均或以其他方式组合的多个单个心拍的“合成”表示。
指示来自人体的心电图结果的数据可以是仅从心电图设备的单个导联记录的数据。
指示来自人体的心电图结果的数据可以是从具有少于12个导联的便携式心电图设备所记录的数据。
指示来自人体的心电图结果的数据可以被分析以识别具有不满足阈值信号质量分数的信号质量分数的心电图结果的片段。可以丢弃具有不满足阈值信号质量分数的信号质量分数的心电图结果的片段。
识别在心电图结果中表示的多个心拍可以包括从心电图结果的除了具有不满足阈值信号质量分数的信号质量分数的丢弃片段之外的片段中识别心拍。
对多个心拍的第一特征的值执行统计分析可以包括将多个心拍中的至少一些心拍的第一特征的值的分布拟合到概率分布函数。
概率分布函数可以是正态概率分布函数、伽玛概率分布函数或高斯概率分布函数。
生成人体内的分析物水平的指示可以包括将多个心拍的至少一个子集的第一特征的值与预定义模板进行比较，该预定义模板将第一特征的值映射到人体内分析物的水平或者将至少部分地源自第一特征的值映射到人体内分析物的水平。
预定义模板可以基于除了从其获得指示心电图结果的数据的人体之外的人群内的分析物水平的评估来生成。
预定义模板可以基于从其获得指示心电图结果的数据的人体内分析物水平的评估来生成。
生成人体内分析物的水平的指示可以包括将对多个心拍的第一特征的值执行的统计分析的结果与预定义模板进行比较，该预定义模板将对于第一特征的历史值的统计结果映射到人体内分析物的水平。
预定义模板可以基于除了从其获得指示心电图结果的数据的人体之外的人群内的分析物的水平的评估来生成。
预定义模板可以基于从其获得指示心电图结果的数据的人体内分析物的水平的评估来生成。
该方法或操作可以至少部分地在人体的移动计算设备上执行。移动计算设备(或其他用户/客户端设备)和远程服务器之中的不同处理划分是可能的。在第一示例中，用于评估分析物水平的整个算法可以在移动设备上本地执行。在第二示例中，算法的部分可以远程执行，诸如通过基于云的软件即服务(saas)平台(例如，原始ecg数据可以通过因特网从移动设备传输到远程服务器，并且远程服务器可以处理ecg数据以确定被发送回移动设备用于呈现给用户或者被发送到另一个平台或设备以供护理提供者查看的分析物水平)。在第三示例中，ecg数据的预处理(例如，伪影检测和抑制)可以由移动设备在本地执行，并且处理后的ecg数据和/或从ecg数据导出的特征值可以被提交到远程服务器用于处理以最终确定分析物水平。
提供人体内分析物水平的指示可以包括在移动计算设备的电子显示器上呈现分析物水平的指示。
识别多个心拍可以包括识别出现在多个心拍的至少一个子集中的qrs复合波。识别出现在多个心拍的至少一个子集中的qrs复合波可以包括识别以由人体的心率或由心电图结果中的r-r间隔的估计所指示的频率出现在心电图结果中的特征。
可以生成动画，该动画示出在一段时间内心电图结果的变化和第一特征的变化。
确定多个心拍的第一特征的值可以包括确定多个心拍的第一特征的初始值并过滤初始值。
过滤第一特征的初始值可以包括对初始值应用卡尔曼滤波器。如果分析物评估是基于多个特征的，则卡尔曼滤波器可以单独地应用于特征中任一个的值，或者可以组合地应用于特征中的任一个。
指示心电图结果的数据可以通过调制心电图结果的qrs包络来修改。
本文描述的主题的一些实施方式可以包括计算机实现的方法。该方法可以包括：生成来自人体的心电图结果；以及将该结果与信号模板进行比较以获得人体中分析物水平的指示，其中，该信号模板基于除了从其生成心电图结果的人体之外的人群内分析物水平的评估而生成。
本文描述的主题的一些实施方式可以包括其上存储有指令的一个或更多个非暂时性计算机可读设备，当由一个或更多个处理器执行该指令时，该指令导致操作的执行，该操作包括获得指示来自人体的心电图结果的数据；识别心电图结果中表示的多个心拍；对于心电图结果中表示的多个心拍中的每个心拍来确定心拍的第一特征的值；对多个心拍的第一特征的值执行统计分析；基于对多个心拍的第一特征的值所执行的统计分析的结果来生成人体内分析物水平的指示；以及提供人体内分析物水平的指示。
本文描述的主题的一些实施方式可以包括其上存储有指令的一个或更多个非暂时性计算机可读设备，当由一个或更多个处理器执行该指令时，该指令导致操作的执行，该操作包括生成来自人体的心电图结果；以及将该结果与信号模板进行比较以获得人体中分析物水平的指示，其中，该信号模板基于除了从其生成心电图结果的人体之外的人群内分析物水平的评估而生成。
本文中描述的主题的一些实施方式可以包括一个或更多个计算机以及其上存储有指令的一个或更多个计算机可读介质，当由一个或更多个计算机执行该指令时，该指令导致操作的执行，该操作包括获得指示来自人体的心电图结果的数据；识别心电图结果中表示的多个心拍；对于心电图结果中表示的多个心拍中的每个心拍来确定心拍的第一特征的值；对多个心拍的第一特征的值执行统计分析；基于对多个心拍的第一特征的值所执行的统计分析的结果来生成人体内分析物水平的指示；以及提供人体内分析物水平的指示。
本文描述的主题的一些实施方式可以包括一个或更多个计算机以及其上存储有指令的一个或更多个计算机可读介质，当由一个或更多个计算机执行该指令时，该指令导致操作的执行，该操作包括生成来自人体的心电图结果；以及将该结果与信号模板进行比较以获得人体中分析物水平的指示，其中，该信号模板基于除了从其生成心电图结果的人体之外的人群内分析物水平的评估而生成。
附图说明
图1是描绘了在qrs检测之前患者的心率的估计的曲线图。
图2是具有自适应阈值的ecg信号的小波响应的曲线图。
图3是用于伪影检测的ecg的自动评分的曲线图。该曲线图包括初始ecg信号和在初始ecg信号中的检测到的伪影中请求的并做出抑制包含该伪影的信号片段的决定的若干导出信号。
图4是来自图4的原始ecg信号的曲线图，包括围绕ecg信号的已被标记为过度噪声而加以抑制的部分的虚线框。
图5a至图5c是可由时间分析工具呈现的曲线图，以描绘ecg特征随时间的进展，以及所计算出的分析物水平、所测量到的分析物水平或两者对应的时间的指示。
图6a至图6b是示出t右斜率值随时间变化的曲线图。
图7是绘制两条线的曲线图，即(1)t右斜率值的预滤波图和(2)通过应用卡尔曼滤波器平滑的t右斜率值的滤波图。
图8是示出来自原始ecg信号的若干心拍的曲线图。在使用时间主成分分析(pca)滤波技术进行处理之后，原始信号与ecg信号的曲线图叠加。
图9a至图9c是示出t波的自相关和概率分布函数的估计的曲线图。图10a示出了信号平均的t波。图10b示出了t波的概率分布函数。图10c示出了t波的样本自相关函数。
图10描绘了从对于不同钾水平的电描记图数据确定的t右斜率值的直方图。
图11是其中t-amp特征的直方图已经被拟合到正态概率分布函数和伽玛概率分布函数的曲线图。
图12a至图12b示出了从电描记图数据识别的一系列心拍随时间变化的2d图像表示。
图13a至图13b示出了在应用局部信号平均之后来自图14a至图14b的一系列心拍的2d图像表示。
图14a至图14b示出了来自ecg信号的患者呼吸(换气)信号的解调的曲线图。
图15是已经对其应用伪影检测滤波器的ecg信号的曲线图。该曲线图示出了未被滤波器抑制的ecg信号的干净片段的第一缩放区域(左)和被滤波器抑制的ecg信号的有噪声片段的第二缩放区域(右)。
图16描绘了用于使用本文所描述的技术来呈现长ecg片段的时间进展快照，该技术用于从噪声和伪影、峰值检测、特征提取和特征跟踪中清除信号。
图17描绘了钾水平相对实验室钾值的非侵入式估计。
图18描绘了当对照血钾值测试时钾的估计误差的统计。
图19描绘了钾的趋势检测，包括估计的钾相对随时间变化的实际值的比较。
图20描绘了表示钾浓度相对所提取的波形特征t波右斜率/sqrt(t波峰值幅度)的模型的三个曲线图。第一曲线图(a)是基于初始数据点集合生成的初始模型。第二图和第三图(分别为b与c)是更新的模型，其随着时间的推移将附加数据点添加到初始集合中而对其进行细化。
图21描绘了ecg处理系统，其被配置为处理来自一个或更多个输入源的信号的组合以生成估计的分析物水平。
图22描绘了可由模型处理以确定对于患者的经估计的分析物水平的示例输入信号特征的曲线图。
图23是可用于实现本文件中描述的系统和方法的计算设备的框图。
在各个附图中相似的参考数字指示相似的元素。
详细描述
本文件描述了用于基于生理电数据(电描记图数据)量化患者血液中的分析物(诸如钾)浓度的基于计算机的技术。生理电数据可使用任何合适的技术获得，诸如心电图(“ecg”)测量(例如，其可包括表面、心内或皮下ecg，或使用植入患者身体内的起搏器或除颤器所获得的测量)。也可以采用其它生理电描记图，例如包括脑电描记图(“eeg”)、肌肉电描记图、覆盖平滑且横纹的肌肉的肌电描记图以及神经电描记图。可以采用强直(tonic)和静止生理电描记图中的任一个或两者，以及测量对诸如诱发刺激或外部电刺激或其它刺激的激发的响应的电描记图。
本文公开的系统、方法和其它技术可应用于检测受试者的生理状况。例如，系统可以非侵入式地测量和/或确定受试者的分析物水平(例如，钙、钾、镁、葡萄糖等的水平)的变化，确定水平并监测药物(例如，地高辛、i-c类抗心律失常药、索他洛尔、多非利特、胺碘酮、β阻滞剂、钙通道阻滞剂、三环抗抑郁剂、锂等)的效果，检测生理异常(例如，急性心肌梗塞、蛛网膜下腔出血、心脏周围的积液等)，或其组合。在一些实施例中，系统可以监视对诸如可卡因、安非他明、大麻等药物的回避的依从性。
在本文件的上下文中，电描记图数据通常指任何电活性生物组织的电记录，无论是例如记录自传统的表面ecg电极、在尺寸、形状和电极间距离上可以变化的定制身体表面电极，还是记录自体内电极，无论它们是皮下的、心内的或在其它组织或自然腔内。从其获得这种数据的电描记图可以是自发的，或者响应于刺激或激发，并且可以从接触电极或非接触电极被记录。举例来说，电描记图数据可以从包括心电图(ecg)、脑电描记图(eeg)、肌肉电描记图、肌电描记图和神经电描记图的一个或更多个生理电描记图获得。在一些示例中，电描记图数据可以从标准12导联ecg、具有一个或更多个通道的可佩戴贴片、以及包括衬衫、手表、带和手镯的可佩戴元件中的一个或更多个中利用能够记录生理信号的导电元件来获得。在一些示例中，电描记图数据可以从诸如循环记录仪、起搏器和/或除颤器的植入设备获得。在一些实施方式中，可以在透析过程期间收集ecg数据。可以实时处理ecg数据以监测透析期间电解质水平的变化。例如，每10、15、30、45或60秒，可基于可用的最新ecg数据确定更新的分析物水平。这种信息可用于调节透析过程的持续时间或强度。在该实施例中，ecg信号可以从皮肤佩戴电极或从集成到透析瘘管中的电极或用于进入瘘管的设备获取。可以添加滤波器以通过去除透析机电噪声来清理电信号。
虽然应用了术语“基于计算机的”，但是应当认识到，这可以指任何适当形式的计算机处理，包括基于移动设备的处理。例如，本文公开的技术可以至少部分地由诸如智能电话、平板电脑或笔记本电脑的移动计算设备来实现，该移动计算设备与可佩戴或手持电极的系统通信。这些技术也可以在可佩戴的ecg贴片或可植入设备中实现。这些技术允许数据压缩和在这种系统的各个方面之间的处理的分布，以使得能够在能走动的/门诊个体中进行接近实时、频繁的分析物评估。这在存在对于异常分析物水平(例如高钾血症)风险的透析患者、具有心脏病的患者和/或肾功能不全患者中尤其有用。本文件在一些示例中讨论了量化钾的浓度，尽管也可以使用类似的技术来量化其它分析物的浓度，包括药物水平的量化。此外，本文广泛使用术语“患者”来大体上包括从其获得电描记图数据的任何人，而不管例如他们的临床状态如何。
用于处理电描记图数据以评估患者的分析物水平的一些技术在其它地方被描述，包括在pct公开wo2015/048514中，其通过引用以其整体并入本文。该文件描述了可允许从有噪声的电描记图数据导出可靠的分析物水平评估的改进能力的附加技术，这在记录自家用电描记图设备的数据中往往更常见。另外，本文描述了技术，通过该技术，用于分析物评估的模板可以从患者群体中导出并应用于不在该群体当中的给定患者，由此消除了对来自每个个体患者的血液测试的需要。
在一些情况下，从患者记录的ecg数据可以具有相对低的信噪比，特别是当数据源自于患者可能在家中使用的单导联ecg时。噪声信号可能使检测qrs复合波以及从ecg信号中的噪声或其它特征中辨别出qrs复合波变得更加困难。为了从有噪声的ecg信号可靠地检测qrs复合波，当执行qrs检测时，可以使用关于ecg期间患者心率的信息来更准确地聚焦在相关频带中。例如，可以对ecg信号执行具有“haar”小波的连续小波变换，以将信号从时域转换到频域。在一些实施方式中，还可以使用其他类型的变换，诸如具有“haar”小波或其他小波的离散小波变换、daubechies变换、meyer变换或symlet变换。qrs复合波被识别为在特定频率范围内大于阈值的小波变换的峰值。阈值可以是自适应的，并且对于估计r-r间隔(连续qrs复合波之间的时间，其涉及患者的心率)设置的窗口设置局部最大值。r-r间隔估计可以被执行，以根据ecg信号的自相关函数r(t)来确定在200ms(200bpm)到1500ms(40bpm)之间的自相关函数中的最高正峰值。然后，估计的r-r间隔可以被应用于ecg信号的小波变换的分析，以仅聚焦于在高于和/或低于由r-r间隔指示的频率的有限频带内的候选qrs复合波(qrs变换中的峰值)。然后每个候选qrs复合波可以被比较以关联中值可选qrs，并且可以从该异常qrs被丢弃。以这种方式，qrs复合波即使在有噪声的信号中也可被更可靠地识别，并且例如可以降低非常尖锐的t波被错误地识别为qrs复合波的可能性。这些技术的方面例如在图1和图2中被示出。特别地，图1是绘制了qrs检测之前患者心率的估计的图表，以及图2是已经应用了自适应阈值的ecg的小波响应的曲线图。
在一些实施方式中，处理ecg数据的计算系统可以检测和抑制数据中的伪影，该伪影可能由诸如外部噪声、来自患者身体的噪声、错误定位的导联以及导联与患者身体表面之间的不良接触的因素引起。特别是当使用来自具有较少导联(例如，单导联)的家用ecg记录器的数据时，与标准12导联ecg设置相比，ecg信号可以具有相对低的信噪比。因此，在一些方法中，过度噪声数据可以被抑制和丢弃，使得不再用于处理ecg数据以进行分析物评估或心律失常预测。各种信号处理技术可用于伪影检测，其可包括ecg数据本身的分析，并且其还可任选地包括除ecg数据之外的外部信号的分析。这种外部信号的一个示例包括来自一个或更多个加速度计的信号。加速度计信号可被分析以确定患者是否正在移动以及任何这种移动的性质。当患者运动(例如，改变位置、行走、抽搐)时，ecg信号中的噪声和其它伪影更可能发生。因此，加速度计数据可以与ecg数据同步，使得可以识别ecg数据的对应于在患者运动时的时间的片段。这些片段可以在假定伪影可能在患者运动的时间期间存在的情况下自动丢弃，或者片段可以根据本文所描述的技术被自动选择或标记，用于对伪影检测的进一步分析。加速度计数据或来自其它非ecg传感器的数据也可用于确定何时记录ecg数据(例如，选择当患者运动低于阈值水平时记录ecg数据，而选择当患者运动高于阈值水平时不记录)。在一些示例中，加速度计数据可用于确定患者身体何时处于适当的位置/定向以获取质量信号。例如，如果从由患者所佩戴的加速度计记录的加速度计数据被确定为匹配指示患者处于适当位置/定向的模板，则计算设备可以自动警告用户患者处于适当位置/定向和/或可以自动开始获取ecg数据。在一些实施方式中，加速度计数据和/或由患者佩戴的呼吸带收集的数据可被处理并用于从ecg信号中去除噪声、伪影等或用于附加特征提取。附加特征可用于选择ecg中的片段，用于进行分析或用于调整ecg提取的特征以进行钾水平估计(或其他分析物水平估计)。在一些示例中，使用加速度计数据选择的ecg信号的片段可用于找到患者的不同身体位置之间的转换。
在一些实施方式中，该伪影检测和抑制方法可以用来代替信号平均方法，在该信号平均方法中，ecg信号被滤波以导出心跳的更干净的平均表示。在一些实施方式中，伪影检测和抑制方法可以与信号平均方法结合使用。是否应用信号平均、伪影检测和抑制或两者的选择可以由用户(例如，由合格的医疗保健专业人员)选择，或者可以由计算机处理系统基于给定设置的上下文(例如，患者是否连接到标准12导联ecg或单导联ecg)或基于记录数据的特性来自动确定。在一些实施方式中，既不应用信号平均也不应用伪影抑制，并且使用统计或基于模板的方法来分析生理信号。
通常，计算系统可以检测伪影并去除ecg信号的包含这些伪影的片段，以创建可靠且干净的ecg心拍。计算系统可以使用线性滤波技术、非线性滤波技术或两者来检测要被丢弃的伪影。例如，由于强噪声或基线漂移而导致的ecg低频和/或基线的突然变化可以从信号中被检测到并被抑制。在一些实施方式中，伪影可以被评分并与阈值进行比较。具有满足阈值的分数的伪影可被丢弃，而具有不满足阈值的分数的伪影可以被保留在信号中以用于进一步处理。阈值可以是静态的和预先确定的，或者它可以是自适应阈值，例如，其考虑了对允许被丢弃的丢弃数据量的限制。因此，阈值可以随着被丢弃的数据限制的升高而降低，而阈值可以随着被丢弃的数据限制的降低而升高。
图3和图4示出了用于清洁ecg信号的伪影检测和抑制技术的一个示例。图3是用于检测原始信号中的伪影并做出决定以抑制包含该伪影的信号的片段的原始ecg信号和若干导出信号的曲线图。特别地，阈值由在曲线图上延伸的水平线示出。还绘制了ecg信号的平滑导数。做出在平滑导数图落在阈值之上的任何地方抑制信号片段的决定。在一些实施方式中，平滑导数可以指示在任何给定时间处的信号中的噪声水平(例如，snr或逆snr)，使得当噪声水平超过阈值时，ecg信号的对应片段被识别为伪影并被标记而从信号中加以抑制。图4是来自图3的原始ecg信号的曲线图，包括围绕ecg信号的已被标记为过度噪声而加以抑制的部分的虚线框。在一些实施方式中，除了基于ecg的阈值之外，基于加速度计的阈值被用于抑制在过度(阈值超过)机械运动的时段期间收集的数据。
在一些实施方式中，计算系统包括时间分析工具，该时间分析工具可操作为生成经处理的ecg信号的图形表示。该工具可描绘ecg特征随时间的进展，以及在对应时间处的计算出的分析物水平、测量出的分析物水平或两者的指示。这种图形表示的一个示例在图5a至图5c中被示出。这些图包括可由计算设备诸如在给定应用或应用窗口内同时显示的若干曲线图。显示可以包括曲线图的不同组合，其可以根据默认设置来选择，或者可以由用户针对客户显示器来具体选择。在图5a至图5c的示例中，在患者的透析过程期间的不同时间点处示出了具有五个曲线图的应用窗口。图5a中的曲线图从透析过程的开始处的时间开始，而图5b中的曲线图从透析过程的中点附近的时间开始，而图5c中的曲线图从透析过程接近完成的时间开始。虽然这些时间点作为示例被示出，但是在实践中，时间分析工具可以在透析过程中或者在钾或其它分析物水平可以变化的任何时间间隔期间以规则间隔示出进展。在每个时间间隔处，曲线图可以被自动更新以示出对于新时间的对应数据。在一些实施方式中，时间分析工具可以创建视频文件或动画，其示出患者的ecg和分析物参数在一段时间内(例如，在整个透析过程期间)的进展。例如，可以使用信号平均技术(和/或伪影检测和抑制技术)将处理后的ecg信号拼接成小的重叠片段。然后，时间分析工具可以绘制对于透析过程的每个时间分段部分的相关特征。在一个示例中，ecg可以被分段成一分钟间隔，使得对于每一分钟间隔更新曲线图，但是视频可以被加速以更容易地看到数据随时间的变化，使得每秒曲线图被更新以示出从下一个一分钟间隔所处理的数据。以这种方式，可以相对快速地(例如，2分钟或更少)观察4小时透析过程的一分钟片段的进展。在一些实施方式中，分段的ecg数据可以包括来自相邻片段的数据的重叠部分。例如，对于透析过程的两分钟标记所计算的第一片段可以包括来自透析的前35秒的数据和来自透析的后35秒的数据。对于透析过程的三分钟标记所计算的第二片段同样可以包括来自透析的前35秒的数据和来自透析的后35秒的数据，使得在第一片段和随后的第二片段两者中使用的数据中存在重叠。片段间隔和重叠量可以默认设置或者可以作为至计算系统的用户输入的结果来设置。
在图5a至图5c的每一个中，曲线图502示出了来自处理后的ecg的心拍以及基线样本ecg心拍。在一些实施方式中，基线样本ecg心拍可以是从透析过程的开始时间开始的处理后的ecg。因此，在指示从透析过程开始的片段的图5a中，基线样本ecg和片段特定处理的ecg是相同的。然而，在如图5b和图5c中所示的后面的片段中，处理后的ecg的片段特定的曲线与基线样本不一样，使得ecg心拍随时间的变化很明显。曲线图502中的每一个还示出了算法计算的t波峰值和偏移，以及用于根据ecg数据评估分析物水平的切线。曲线图504示出在透析过程之前、期间和完成后的特定时间处在患者的血流中测量出的真实钾水平。曲线图506示出了随着时间应用卡尔曼滤波器之前和之后的归一化特征。曲线图508示出了随时间绘制的来自每个片段处的心拍的t右斜率。曲线图510示出了随时间绘制的每个分段间隔处的患者心率。
如在别处所描述的，从处理后的ecg信号确定的t右斜率值可用于评估患者的分析物水平。用于确定t右斜率的一些技术包括从在t波的峰值处的起始点到t波的末端处的结束点的斜率确定。然而，在有噪声的信号中，往往很难精确找到t波的峰值和结束点。因此，在一些实施方式中，计算系统可以通过选择峰值与结束点之间的范围内的点来计算t右斜率。因此，定义波的中间部分的点可以用于计算t右斜率，因为波的中间部分通常具有基本恒定的斜率，并且可以比其他技术更可靠地用于估计整个斜率。通过从波的中间部分导出斜率，可以避免对于确定t波的末端的需要。图6a和图6b示出了t右斜率值随时间变化的曲线图。
在一些实施方式中，可以通过使用滤波器来平滑来自处理后的ecg信号的特征。例如，患者体内的钾水平被预期在非常短的时间段内不会表现出显著变化。相反，钾水平往往在一段时间内相对缓慢且逐渐地变化。基于这种理解，计算系统对用于确定钾水平的ecg特征应用平滑是合理的。原始ecg数据可能是相当嘈杂的，并且在短时间段上表现出急剧变化，即使ecg数据在较长时间段上的趋势指示更为逐渐变化的特性。因此，计算系统可对来自ecg信号的特征的全部或部分应用滤波器，以便减轻噪声并产生特征(例如，t右斜率特征)的平滑器。在一些实施方式中，可以应用卡尔曼滤波器(也称为“线性二次估计”)来平滑ecg信号。图7例如是绘制两条线的曲线图，即(1)t右斜率值的预滤波图和(2)通过应用卡尔曼滤波器所平滑的t右斜率值的滤波图。钾水平(或其它分析物的水平，视情况而定)的最终确定可以基于滤波后的t右斜率值来确定。
参考图8，示出了来自原始ecg信号的若干心拍的曲线图。在使用时间主成分分析(pca)滤波技术进行处理之后，原始信号与ecg信号的曲线图相叠加。在一些实施方式中，可以使用有限karuhan-loeve扩展来处理ecg信号，这可以促进关键信号分量的提取。这些技术有助于降低信号中的噪声。通常，pca滤波涉及被称为信号的强特征向量之间的特征值分解和分离。在可使用pca滤波提取的关键信号分量中表示心拍和主要噪声因子。被称为karuhan-loeve变换(klt)的pca可用于使用原始klt列的有限版本的降噪。
在一些实施方式中，计算系统可将不同钾水平(或其它分析物的水平)与ect/t波的统计变化相关联。参考图9a至图9c，示出了t波的直方图的曲线图，作为t波数据的密度函数和第二力矩函数(自相关)的近似。
在一些实施方式中，计算系统可以选择从其收集ecg数据以进行分析的所有可用导联中的一个或子集，作为用于确定患者体内的分析物水平的基础。当ecg电极贴片附接到患者时，与先前ecg过程中电极在患者身上的位置相比，贴片中的电极在患者身上的相对位置通常存在变化。电极放置在患者身上的位置的差异会影响所记录的ecg信号的特性。为了减轻由贴片位置变化引起的差异，计算系统可以选择来自特定导联的数据以用于分析，并且可以丢弃来自一个或更多个其他导联的数据。在一些实施方式中，可以基于所记录的ecg信号(或所记录的ecg信号的特征)与预先存储的信号模板的比较(或与一个或更多个特征模板的比较)来选择用于分析所选的导联。可以使用例如模式识别技术将来自每个可用ecg导联的数据与针对来自每个导联的数据所确定的相似性得分和模板进行比较。然后，针对具有最高相似性得分的给定导联的数据可被选择用于分析物评估中的进一步处理和分析，以排除针对其他导联的数据。在一些实施方式中，基于qrs复合波形态生成信号模板。在将所记录的ecg数据与模板进行比较中可采用的一些模式识别技术包括主成分分析(“pca”)和使用系数生成(spanning)函数得到qrs复合波的最佳近似。
在一些实施方式中，计算系统可以基于在处理后的ecg信号中的特征的统计分析来评估患者的分析物水平。在其它地方，已经描述了用于评估患者血流中的分析物水平的信号平均技术。通常，信号平均技术可涉及对在一段时间内的多个心拍的ecg数据进行平均以创建代表性心拍。然后分析代表性心拍以确定其相关特征(例如，t右斜率、t峰值)，然后基于来自平均后的代表性心拍的特征来确定分析物水平。
在一些实施方式中，可以结合信号平均或替代信号平均来采用其它统计技术。在一种方法中，计算系统确定ecg数据中的各个心拍(而不是从多个心拍的平均值导出的平均心拍)的特征值(例如，t右斜率、t峰值、t波形状)。可以计算一段时间内每个心拍或心拍的子集的特征值，例如，假设某些心拍由于存在过多的信号噪声而被丢弃。一旦确定了在一段时间内的可应用心拍中每一个的特征值，就可以使用统计技术来选择最终特征值，计算系统从该最终特征值中计算对于该时间段的患者血流中分析物水平的估计。例如，在一段时间内的所有心拍的平均值或中值t右斜率值可被辨别并被应用于分析物水平计算中。在一些实施方式中，可以使用其它高阶统计来选择最终特征值，从该最终特征值确定分析物水平，诸如方差、偏斜度和峰态。
在一些实施方式中，计算系统对各个心拍的ecg数据的原始值执行统计分析。该系统可以使用统计技术来选择与患者血流中的估计的分析物水平相关的ecg数据的原始值。例如，一个或更多个心拍或其部分的原始ecg值的平均值或中值可被计算并被应用于分析物水平计算中。在一些实施方式中，可以使用其它高阶统计来选择原始ecg值，从该原始ecg值确定分析物水平，诸如方差、偏斜度和峰态。在一些实施方式中，系统组合对ecg数据的原始值和对于从ecg数据导出的各个心拍的特征值的统计分析，以选择标准(例如特征值或原始波形值)，从中确定分析物水平，诸如特征值、原始波形值或两者的方差、偏斜度和峰态。
在一些实施方式中，计算系统从一段时间内的多个心拍生成特征值的直方图，以便于对来自记录的ecg数据的心拍的统计分析。例如，图10示出了来自患者的t右斜率值的三个直方图1000a、1000b和1000c。每个直方图指示在不同钾水平时的t右斜率统计值。特别地，绘图1000a是钾水平为4.6mmol/l时的t右斜率值的直方图；绘图1000b是钾水平为3.6mmol/l时的t右斜率值的直方图；绘图1000c是钾水平为3.4mmol/l时的t右斜率值的直方图。
在一些实施方式中，系统向由ecg数据表征的一组心拍中的每个心拍分配各自的质量分数，该质量分数指示所记录的心拍的质量，并且因此指示心拍对于进行处理的适合性。系统可以将每个心拍的质量分数与静态或动态阈值分数进行比较，并且基于比较，针对心拍采取适当的动作。例如，如果质量分数太低，即指示质量不足，则可以丢弃心拍。如果该心拍被丢弃，则可以从使用平均技术被平均以形成代表性心拍的一组心拍中排除该心拍。在其它实施方式中，心拍的特征可以从一组心拍中被排除，从该组心拍中导出特征并在统计分析中使用以确定心拍的波形特征与分析物水平之间的相关性。在一些实施方式中，系统可以基于从其导出平均代表性心拍或波形特征的心拍的质量分数来评估与分析物水平在统计上相关的平均代表性心拍或波形特征的鲁棒性。从较高质量心拍导出的代表性心拍或相关波形特征可能比从较低质量心拍导出的代表性心拍或相关波形特征更稳健。
在一些实施方式中，对于心拍的质量分数可以基于心拍的特征或特性。在一些实施方式中，通过将心拍波形的从心拍的j点到结束的部分拟合到高斯曲线来确定质量分数。然后将分数计算为拟合的r平方值。在一些实施方式中，质量分数被确定为整流之前的t波的面积与整流之后的t波的面积的比率。在一些实施方式中，质量分数是通过将对于t波特征的统计与来自相同物种的t波特征的预定义模式(例如t波字典)进行比较来获得的。
在一些实施方式中，计算系统可使用线性相关技术、非线性相关技术或两者来比较t波的形态模式与钾值。例如，图11示出了其中t-amp特征的直方图已经被拟合到正态概率分布函数和伽玛概率分布函数的曲线图。分布函数的参数可以例如使用最大似然估计来确定。然后可以基于拟合分布执行更高阶统计。
在一些实施方式中，当计算患者体内的分析物水平时，计算系统可以对不同的身体位置进行补偿。ecg信号常常对患者的身体位置敏感(例如，当记录ecg数据时患者是站着还是坐着)。因此，根据记录数据时患者的身体位置，可以从患者的ecg数据导出不同的特征值。在一些实施方式中，为了补偿这些差异，计算系统可以存储不同的模板以用于与记录的ecg数据进行比较。存储的模板中的每一个可以对应于特定的身体位置，并且所记录的ecg数据可以与身体位置的适当模板进行比较。
通过使用一个或更多个导联(一起或分开)学习对于相同分析物水平(例如，相同k值/钾水平)的不同身体位置(例如，坐、仰卧、倾斜)中的不同特征值，计算系统可以将特征从给定的ecg数据集变换到完成了钾曲线学习的位置中的特征空间。例如，患者可以佩戴包括加速度计的远程监测ecg。通过在短时间段内识别两个不同的已知身体位置，可以使用在对于每个位置的对应时间处捕获的ecg来估计钾(或其它分析物)水平。如果对于不同位置计算出的钾值相似，则这些值可被求平均并返回。另一方面，如果钾值相差大于阈值，则可以认为测量值无效。
在一些实施方式中，计算系统可以在统计分析ecg数据中表示的心拍的特征之前从ecg数据的集合中去除噪声。为了去除噪声，计算系统可以执行局部信号平均。局部信号平均技术可以包括通过2d矩阵中的基准点使多个心拍对准，并且应用图像处理滤波器(例如，2d窗口滤波器)以在相对小的时间窗口内使每个心拍与其相邻心拍平滑。在一些实施方式中，高斯滤波器可以用于平滑，但是也可以设想其它类型的滤波器。
在一些实施方式中，计算系统可以从ecg数据生成心拍的图像表示，以便于对相邻心拍之间的关系进行视觉分析。例如，图12a和图13a各自示出了在一段时间内的一系列心拍的2d图像。图像各自包括250行，其中每行对应于来自ecg数据的集合的不同心拍。对于每个心拍在每个时间处(如沿着x轴所指示的)的图像的颜色/强度指示在该时间处的ecg信号的幅度。对于常规心跳，图像中表示的每个心拍的颜色随时间的分布应该极其相似。然而，例如，如果qrs复合波对于一些心拍比它们的相邻心拍宽，则这种异常可以从图像中在视觉上辨别。图12b和图13b是已经在一个或更多个基准点(例如qrs复合波的峰值)处对准的多个相邻心拍的时域图。图12a和图12b描绘了在应用局部信号平均之前的ecg信号的表示。图13a和图13b描绘了应用局部信号平均之后的ecg信号的表示。
在一些实施方式中，机器学习技术可用于构建基于原始或预处理的ecg数据估计患者的分析物水平的模型(例如，前馈神经网络、深度卷积神经网络、支持向量机、高斯混合模型、隐马尔可夫模型、贝叶斯决策规则、逻辑回归、最近邻模型、决策树或其它分类器模型)。在一些实施方式中，模型可被训练以将ecg片段分类到不同的分析物水平或仓(例如，“低”、“正常”、“高”或“3-3.5”、“3.5-4”、“4-4.5”)。半监督学习技术可以在一些实施方式中使用，其使用标记的训练数据，其中训练数据的每个样本预先标记有可能的输出/分类值之一(例如，“低”、“正常”、“高”或“3-3.5”、“3.5-4”、“4-4.5”)。例如，每个训练样本可以是ecg数据的片段的数据表示。在一些实施方式中，可以预处理训练样本以去除噪声并平滑信号。然而，使用已建立的机器学习技术，该模型可以自动辨别ecg片段的模式和特征，该模式和特征指示该片段落入对于给定的ecg片段的一个或更多个分类内的可能性。例如，如果模型具有softmax输出层，则给定的ecg片段可以自动分类为可用分类中最可能的分类(例如，“低”、“正常”、“高”或“3-3.5”、“3.5-4”、“4-4.5”)。在一些实施方式中，模型可以基于诸如平均心拍和/或中值心拍的形态学特征、形态学特征的估计概率分布函数、以及ecg表示作为图像的分类的特征来分类。
在一些实施方式中，计算系统可以处理ecg数据，以便基本上去除患者呼吸对ecg数据的影响。为此，计算系统可以使用ecg导出呼吸技术从ecg导出患者的呼吸模式。图14a和图14b示出了ecg的两个示例(在顶部图中)。ecg信号的顶部包络通常包括跨越一系列心拍的qrs复合波的峰值，并且包络通常与患者的呼吸周期相关，如每个图的底部曲线图中所示。在一些实施方式中，计算系统可以分析来自ecg信号的qrs包络，并采取行动来补偿呼吸周期对ecg信号的影响。例如，在一些实施方式中，计算系统可以在确定特征值并对ecg信号执行统计分析之前解调包络。
在一些实施方式中，每当新的、经验证的数据点变得可用时，可以不断地更新个性化或基于群体的分析物估计模型。因此，该模型可以从新数据学习并且可以随着时间演化，以更大的统计置信度基于ecg特征生成预测的分析物水平。例如，如图20所描绘，在曲线图a中，初始线性模型被拟合到四个数据点的初始集合。初始数据点指示在患者血流中测量的分析物水平(例如，通过血液测试测量)和在分析物测量时或其附近来自ecg的t波右斜率/sqrt(tamp)值。初始模型可以用于患者一段时间，但是如可以看出的，估计的分析物水平的统计置信度相对较低(如模型与绘制的置信度界限之间的间隔所示)。随后，患者可以获得将测量的分析物水平映射到t右斜率或其它波形特征的附加验证数据点。附加数据点可以添加到模型以细化和更新模型。例如，如图20所示，曲线图b包括两个新的数据点(由带圆圈的叉号指示)，因此置信度界限之间的间隙变窄。此外，在曲线图b中，在稍后时间处向模型添加第三新数据点，并且示出置信度界限进一步变窄。在一些实施方式中，当添加新的数据点以反映患者的时间和健康状态的潜在变化时，可以移除较旧的数据点。
在一些实施方式中，计算系统可以提供显示在计算系统的屏幕上的图形用户界面，用户可以与该图形用户界面交互以调用模型更新程序。例如，用户可以经由用户界面将所测量的分析物值输入到计算系统中。在接收分析物值并识别对于与所测量的分析物值相关联的时间的适当ecg特征之后，计算系统基于一个或更多个标准自动确定是否更新模型。例如，系统可以确定测量值是否是落在统计上可接受的值范围之外的异常值。在这种情况下，系统可以拒绝新数据并且阻止基于新数据更新模型。如果新数据在可接受的范围内，则系统可以自动更新模型。在一些实例中，计算系统可维护多个模型。系统可以将新数据分类为与一个或更多个模型相关，并且可以选择仅更新新数据被分类为与之相关的那些模型。例如，系统可以维护用于多个患者姿势或位置中的每一个的模型。系统可以(例如，经由用户输入或基于来自耦合到患者的加速度计的数据的分析)识别应用于新数据点的患者的特定姿势或位置，并且可以选择仅更新对应于所识别的姿势或位置的一个或更多个模型。在一些实施方式中，用户可以使用具有相机的移动计算设备(例如，智能电话或平板计算机)来拍摄测试结果的照片。然后，移动设备上或远程基于云的服务器上执行的软件可以分析照片、提取测试结果并将提取的结果录入到可用于更新模型的数据库中。
通常，ecg处理系统可以被配置为处理来自多个输入源的信号。源自这些信号的信息可被组合并应用于确定患者体内分析物的估计水平。为此，图21描绘了接受多个输入以评估患者体内分析物浓度的示例系统2100。特别地，系统2100被配置为对从一组输入源2102a-h获得的ecg数据执行批处理或实时处理。在图21的示例中，各种ecg感测设备被部署为输入源2102a-h。这些设备中的每一个都能够以不同的方式且在不同的设置中生成表示患者的心电活动的ecg信号。根据患者的需要或偏好，他或她可能倾向于在不同的设置或情况下使用不同的设备。例如，标准的12导联ecg(2102c)可能是优选的，以获得用于在临床环境中评估患者的综合结果，但是身体监护器(2102a)或kardia电话(2102b)对于在旅行期间或在家中定期使用可能更方便。此外，患者可以交替地使用一个或更多个可用输入源的不同组合来监测心脏和其它生理活动。系统2100被配置成接受来自输入源2102a-h的信号的不同组合，并基于信号的不同组合确定估计的分析物水平。
在一些实施方式中，系统2100包括设备翻译器2104、多输入处理引擎2106和分析物估计模型2108。这些部件2104、2106和2108中的每一个可以在一个或更多个位置中的一个或更多个计算机的系统上实现。设备翻译器2104准备由各个输入源2102a-h生成的信号以供多输入处理引擎2106处理。设备翻译器2104可以将给定信号分类为已经源自特定源2102，并且可以将信号类型分类为例如单导联ecg信号、多导联ecg信号、来自加速度计或其他定向或运动感测设备的定向或运动信号、或呼吸信号。在一些实施方式中，输入源2104可以预先注册到系统2100，使得设备翻译器2104可以通过将信号或与信号相关联的元数据与对于设备中每一个所存储的注册信息进行比较来自动识别输入信号的源和类型。设备翻译器2104还可以适配来自一个或更多个源的信号以供多输入处理引擎2106处理。信号适配可以包括相对于彼此归一化信号和在时域中同步信号。在一些实施方式中，进一步的信号适配由多输入处理引擎2106执行。
多输入处理(“mip”)引擎2106被配置成处理来自一个或更多个输入源2102的信号。mip引擎2106可识别所请求的任务并基于所识别的任务确定如何处理信号。例如，如果任务是估计患者血流中的镁水平，则可以提取第一组ecg波形特征，但是如果任务是估计患者血流中的钾水平，则可以提取不同的第二组ecg波形特征。mip引擎2106还可以基于哪些信号可用于给定任务来确定处理输入信号的方式。例如，如果同时记录的ecg信号、运动定向信号和呼吸信号都可用，则mip引擎2106可以对这些信号进行对准和加时间戳(例如，同步)，组合类似的信号(例如，根据来自不同源的多个ecg信号确定信号平均心拍)，并且从这些信号提取特征值。
分析物估计模型2108被配置为基于由mip引擎2106提供的数据来生成对于一种或更多种分析物的分析物水平的估计。模型2108可在将(例如，通过血液测试测量的)已知分析物水平与一种或更多种类型的输入数据的特征相关联的标记数据上训练，该输入数据包括从包括ecg数据、心率、身体位置/姿势和呼吸数据的组中选择的输入数据。例如，图22示出了来自多种类型的输入数据的特征的时序一致图2200，模型2108可以处理该输入数据以生成针对患者所估计的分析物水平。模型2108可以处理的特征或参数当中包括心率、心房颤动水平、一天中的时间(例如，上午、下午、晚上)、在特定时间处测量的血液水平、ecg波形特征和加速度计数据。模型2108可以采取各种形式，包括神经网络、分类器、线性回归模型和隐马尔可夫模型中的一个或更多个。例如，可以使用深度学习或强化学习技术来训练模型。
示例实施方式：
在其他地方，在一小群透析患者中，已经证明了信号处理的12导联ecg可以检测细微的t波变化，而t波变化继而可以用于可靠地测定血钾浓度。参见dillonjj、desimonecv、sapiry、somersvk、duganjl、brucecj、ackermanmj、asirvathamsj、striemerbl、bukartykj:noninvasivepotassiumdeterminationusingamathematicallyprocessedecg:proofofconceptforanovel“blood-less,bloodtest”.journalofelectrocardiology48,12-18(2015)。为了便于临床应用，可以优选较不麻烦的非侵入性方法。为此，本研究的目标是完善我们的处理方法，以将检测要求降低到单通道(以实现移动性和家庭使用)，并不仅证明处理后的ecg与钾之间的相关性，还使用ecg来可靠地前瞻性地计算钾值。利用单个导联的钾值提取可以允许在可佩戴的无线ecg贴片中使用，并且可能在可植入循环记录器和心脏可植入电子设备(起搏器和除颤器)中使用。为了测试正确处理的ecg可以用于从单个导联确定血清钾的假设，并在有和没有初始“接种”血液测试的情况下可靠地进行这一操作以训练算法，我们在一组透析患者中进行了前瞻性试验。
方法。在明尼苏达州罗彻斯特市中的mayo诊所接受临床指征的血液透析的18岁及以上的住院患者和门诊患者在提供书面知情同意后按照irb批准的方案进行前瞻性登记。在所有患者中，使用siesta802系统(compumedics，charlotte，nc)记录的标准临床位置上的电极来采集12导联ecg数据，该电极在透析开始前开始并持续到透析结束。以每秒1024个样本的速率执行信号采集。使用matlab环境(美国马萨诸塞州的mathworksnatick)对数据进行分析。
患者组。算法开发组(第1组)中的患者包括26名个体，作为研究的一部分，他们接受了三次透析过程。在每次透析过程中，在三个时间点抽取血液用于分析：透析前；在暂时夹紧肝素线(如果使用)后的透析中期点处，停止透析液流动并将血液流速降低到100ml/min持续至少15秒；以及在停止透析液流动并将血液流速降低到100ml/min持续至少15秒后的透析后。该组用于开发本报告中被测试的算法。虽然该算法应用了其他地方开发的概念(参见dillonjj、desimonecv、sapiry、somersvk、duganjl、brucecj、ackermanmj、asirvathamsj、striemerbl、bukartykj:noninvasivepotassiumdeterminationusingamathematicallyprocessedecg:proofofconceptforanovel“blood-less,bloodtest”.journalofelectrocardiology48,12-18(2015))，但是滤波和处理包括改进，以更好地考虑环境电噪声和间歇性差信号质量，并允许单导联记录，如下详述。
验证组由2a组和2b组两个子组组成。2a组由8名患者组成，其中每名患者接受了三次有记录的透析过程，其中有两次血液测试，一次在透析前，一次在透析后立即进行。2b组由11名患者组成，先前已经对这些患者进行了研究，使得可获得充分透析和数字化的ecg数据。参见dillonjj、desimonecv、sapiry、somersvk、duganjl、brucecj、ackermanmj、asirvathamsj、striemerbl、bukartykj:noninvasivepotassiumdeterminationusingamathematicallyprocessedecg:proofofconceptforanovel“blood-less,bloodtest”.journalofelectrocardiology48,12-18(2015)。来自第2组患者的所有数据均未用于创建本文所述的钾预测算法。
分析。除非另有说明，否则结果表示为平均值±标准偏差。为了比较不同的预测模型的预测性能，绝对误差在观测的与预测的测量值之间进行计算并被总结。
个性化分析策略。对于第1组中的每个患者，使用单次透析过程来识别每个患者的钾“剂量-反应曲线”，其定义了处理的ecg参数与对于每个个体的测量钾值之间的关系。在三次透析过程中，第一次透析通过定义处理的ecg参数-钾关系来播种(seed)算法。然后使用来自第二和第三次透析过程的ecg数据来计算钾值，并且使用血液测试来计算所计算的钾中的误差。因此，当第1组被定义为算法开发组时，为了个性化分析的目的，第一次过程用于个性化，并且接下来的两次过程用于测试个性化策略的结果。
全局分析策略。全局分析策略假设信号处理的ecg与血钾之间的关系是通用的，或者至少对于人类是稳定的(物种特异性)，而不是对于每个个体是特异性的，并且钾的确定因此可以在不使用来自每个个体的血液测试(完全不含血液的“无血液的血液测试”)播种算法的情况下来执行。为了进行全局分析，我们将来自第一组中的所有患者的第一次透析过程的所有数据组合成复合组。这被用来建立经信号处理的ecg与血清钾之间关系的全局模型。这一全局模型以两种方式进行测试。首先，我们评估了这个模型对于第一组中的患者在第二次和第三次过程期间测定钾的能力。换句话说，我们首先使用开发该模型的同一队列测试了该模型在随后透析过程中测定钾的能力。接下来，我们通过将全局模型应用于第2组(验证组)中的患者来测试全局模型，这些患者都没有为模型创建贡献数据。
ecg信号处理与分析
电极选择和分段。使用多级信号平均算法处理来自所有患者的ecg数据。在这项工作中，我们试图分析在过程之间位于类似心前区位置中的电极，以经由单个通道贴片或皮下设备使用长期监测来模拟预期的部署。为了实现这一点，对于每个过程，仅使用来自具有最大幅度t波的单个心前外侧导联(即v3-v6中的一个)的数据来预测钾。过程之间的信号幅度被归一化为t波幅度的平方根，尽管信号幅度也可以通过其它特征(例如，t波幅度、t波面积)来归一化。随着更先进的策略的开发，我们将此作为第一代方法，以最小化电极放置漂移。此外，在这个早期的示范项目中，我们仅包括了在分析中的导联中具有正的单相t波的患者。ecg数据被分成72秒的片段，以允许一分钟间隔的重叠。然后将处理算法应用于每个片段。这导致每个一分钟的片段具有处理的、滤波的、平均的代表性ecg复合波。该处理的ecg复合波用于形态学特征提取。
信号处理和平均以及“大数据”策略。在每72秒高分辨率单导联ecg片段中，通常存在50-200次之间的心拍(取决于异位/滤波，如下所述)，这些心拍被平均并被处理为单个代表性复合波。这导致了数据处理算法的输入与输出之间的大比率，产生了显著的数据冗余。稳健的数据冗余允许使用改进的策略-伪影检测器-来清洁ecg信号，该策略拒绝次优数据以允许来自单个电极的高保真度分析，而不是过滤数据并引入可能的失真。伪影检测器在低频处使用ecg的线性和非线性滤波来识别基线中的变化。它自动对信号评分并应用使用整个片段的平均和中值评分所选择的自适应阈值。具有超过阈值的分数的任何信号部分被定义为被伪影污染并被丢弃(图15)。该算法的第二步骤包括检测qrs复合波和消除异位和异常复合波的相关滤波器。参见zidelmal,z.、amirou,a.、adnane,m.和belouchrani,a.的qrsdetectionbasedonwaveletcoefficients.comput.methodsprog.biomed.107,490-496,doi:10.1016/j.cmpb.2011.12.004(2012)；seena,v.和yomas,j.的devices,circuitsandsystems(icdcs),20142ndinternationalconferenceon.1-6。在算法的第三步骤中，使用qrs中的基准点对准所有复合波，并且去除与中间图案不同的复合波。在最终步骤中，对复合波进行信号平均以去除噪声并平滑波形形态。
ecg特征提取。将平均处理后的ecg复合波用于特征提取以进行分析。t波峰值和t波终点以如其它地方所述的自动方式进行选择。参见dillonjj、desimonecv、sapiry、somersvk、duganjl、brucecj、ackermanmj、asirvathamsj、striemerbl、bukartykj:noninvasivepotassiumdeterminationusingamathematicallyprocessedecg:proofofconceptforanovel“blood-less,bloodtest”.journalofelectrocardiology48,12-18(2015)。然后，该算法自动选择下行t波的代表性部分，以使用均值导数方法估计其斜率(t右斜率)。参见hamming,r.的numericalmethodsforscientistsandengineers.(couriercorporation,2012)；zhang,q.、manriquez,a.i.、médigue,c.、papelier,y.和sorine,m.的analgorithmforrobustandefficientlocationoft-waveendsinelectrocardiograms.biomedicalengineering,ieeetransactionson53,2544-2552(2006)；helfenbeined、ackermanmj、rautaharjupm、zhoush、greggre、lindauerjm、millerd、wangjj、kresgess、babaeizadehs:analgorithmforqtintervalmonitoringinneonatalintensivecareunits.journalofelectrocardiology40,s103-s110(2007)。t波幅度(tamp)被测量作为在t峰值与t终点之间以毫伏为单位的差。在导出t右斜率和t-amp的这些值之后，卡尔曼滤波器(参见kalman,r.e.的anewapproachtolinearfilteringandpredictionproblems.journaloffluidsengineering82,35-45(1960))被用于利用血清钾在72秒内变化的速率有限的事实来降低噪声，并且突变的片段变化代表片段异常而不是真正的钾变化。
透析期间的钾和特征提取。为了验证所选择的特征与钾值之间的相关性，我们构建了用于时间进程分析的工具。该工具允许使用其他地方描述的方法进行“快进”ecg分析。该工具以时间推移的方式展示了透析时间线上的自动ecg分析和代表性的相应钾血液测试的进展。在图16中示出了用于在透析进行期间分析特征提取的工具的示例。
预测模型的创建。使用个性化策略，来自第一次透析过程的钾值和
在全局预测方法中，我们将所有第1组患者的第一次就诊数据组合以创建“全局估计器”。为了组合来自所有患者的ecg，我们用t-amp的平方根对t右斜率进行归一化。
结果。我们记录了51例患者129次透析过程期间的ecg数据，平均每个患者2.5次过程。患者的平均年龄为58+/-16岁，并且66％为男性。平均左心室射血分数(lvef)为59±7，并且9％的被分析患者有心肌梗塞病史。在因不可用的ecg而排除在分析之外的患者中，lvef为46±16％，并且67％的患者有心肌梗塞病史。双相或倒置t波排除了对六名患者(研究人群的11％)的任何数据的分析，并且排除了对一名患者的单次就诊的分析。
个性化分析。对所有三次就诊的26名患者测试了个性化估计器，其中每次就诊期间进行三次血液检查，除了其中在静脉切开时无法进行一次血液测试或ecg测试的三名患者外。测定血钾值为3.9±0.8mmol/l。随后两次就诊的平均绝对误差(每个患者6次血液测试)为0.36±0.34mmol/l。中值绝对误差为0.26mmol/l，并且平均百分比误差为血清钾血液测试结果的10％(图17和图18)。
全局分析(无接种血液测试)。在两个群体中测试了全局估计器。第一群体受试者是第1组(开发组)，其中在第二次和第三次透析过程中使用全局估计器来计算钾。两次不同就诊(共6次血液测试)的绝对误差值为0.44±0.47mmol/l，中值绝对误差为0.33mmol/l，并且平均百分比误差为血清钾血液测试结果的11％。使用t波的平方根对t右斜率进行归一化提高了全局分析的结果。
当全局分析被应用于第2组(验证群体，其数据均没有贡献于模型创建)时，测定的血钾值为4.2±0.95mmol/l。对于2a组的6项血液测试和对于2b组的3项血液测试的绝对误差值为0.5±0.42mmol/l；中值误差为0.41mmo/l，并且血清钾的血液测试结果的平均百分比误差为12％。
时间发展工具证实了使用t波右斜率作为参数特征来计算钾的效用。此外，它证实了计算出的钾的时间变化与血液测试中的变化并行，并提出了在透析期间评估钾值的更准确的方法(图19)。
讨论。在患有心血管和/或肾脏疾病的患者中，高钾血症频繁发生，危及生命，并且通常无症状。参见gennari,f.j.的hypokalemia.newenglandjournalofmedicine339,451-458,doi:doi:10.1056/nejm199808133390707(1998)；weiner,i.d.和wingo,c.s.的hyperkalemia:apotentialsilentkiller.journal-americansocietyofnephrology9,1535-1543(1998)。降低钾的安全且有效的药物的出现强调了高钾血症的检测的重要性。参见ingelfinger,j.r.的aneweraforthetreatmentofhyperkalemia？newenglandjournalofmedicine372,275-277,doi:doi:10.1056/nejme1414112(2015)；ash,s.r.、singh,b.、lavin,p.t.、stavros,f.和rasmussen,h.s.的aphase2studyonthetreatmentofhyperkalemiainpatientswithchronickidneydiseasesuggeststhattheselectivepotassiumtrap,zs-9,issafeandefficient.kidneyint,doi:10.1038/ki.2014.382(2015)；packhamdk、rasmussenhs、lavinpt、el-shahawyma、rogersd、blockg、qunibiw、pergolap、singhb：sodiumzirconiumcyclosilicateinhyperkalemia.newenglandjournalofmedicine372,222-231,doi:doi:10.1056/nejmoa1411487(2015)；kosiborodm、rasmussenhs、lavinp、qunibiwy、spinowitzb、packhamd、rogersd、yanga、lermae、singhb.的effectofsodiumzirconiumcyclosilicateonpotassiumloweringfor28daysamongoutpatientswithhyperkalemia:theharmonizerandomizedclinicaltrial.jama312，2223-2223，doi:10.1001/jama.2014.15688(2014)。通过单通道信号处理的ecg远程地、不引人注目地、频繁且非侵入式地评估钾的能力将允许当前可用的无线ecg贴片、植入的监测器和心脏设备推断钾的测量值，并且将解决影响大量人群的关键需求。在对血液透析患者的研究中，当使用需要“接种血液测试”的个性化策略时，信号处理的ecg能够确定钾值，其中平均误差为0.36±0.34mmol/l，经由个性化药物提供在临床上有意义的值。重要的是，即使在没有个性化且缺少任何抽血的情况下，也获得了在临床上有用的钾估计值，提供了平均误差为0.5±0.42mmol/l的钾值，可用于警报和趋势分析。使用单导联的高分辨率ecg数据的这些发现表明了这种方法可能适用于远程监测透析患者体内的钾。这是通常在透析过程之前的12小时内对于高钾血症和猝死的高危人群提示高钾血机制。1
为了获得高精度，采用了几种算法策略。一个是“伪影检测器”概念的应用，其中冗余数据的可用性允许使用自动伪影检测器，该自动伪影检测器丢弃质量差的数据，而不是试图对其进行过滤或清理。这种基本策略可应用于分析大量生理信号，对于这些生理信号，轻度或中度延迟是可容忍的。考虑到钾值通常在缺少血液检测的情况下在临床上不可用，因此即使每天一次或两次评估也可能代表显著进步，特别是在最近出院的高危患者中。临床上可以接受测定钾值时几分钟或几小时的延迟。广义地说，远程患者监测中的主要挑战是伪影和噪声的问题，当使用非侵扰性的、耐受性良好的传感器来获取非卧床个体中的常有噪声的信号时，伪影和噪声通常存在。这种挑战可以通过利用数据冗余而基本上被克服。第二种策略是使用卡尔曼滤波器-其在历史上通过识别飞机能够具有的轨迹和速度的突变的约束条件，来区分由一群鸟引起的返回雷达信号和跟踪飞机的返回雷达信号。以类似的方式，我们认识到钾在几分钟的时间帧内的显著变化，特别是如果不是一致的变化，则其代表测量误差，允许校正和提高准确度。
在这个研究中，我们使用了先进的算法来进一步验证使用容易获得的心电图复极化来预测血液透析患者的个性化和全局预测两种模型中的钾。我们专注于单导联记录，以允许实用的实施方式，并采用了已发现它们与钾水平相关的两个t波特征。参见dillonjj、desimonecv、sapiry、somersvk、duganjl、brucecj、ackermanmj、asirvathamsj、striemerbl、bukartykj:noninvasivepotassiumdeterminationusingamathematicallyprocessedecg:proofofconceptforanovel“blood-less,bloodtest”.journalofelectrocardiology48,12-18(2015)。这些被用于开发个性化预测模型和全局预测模型。下降t波在心前外侧导联中的使用从机理上证实了钾与复极化之间的关系。与心内膜和心外膜肌细胞相比，细胞外的钾对中层心肌中的动作电位复极化有不同的影响，主要在表面ecg上反映为t波右斜率。参见yan,g.-x.和antzelevitch,c.的cellularbasisforthenormaltwaveandtheelectrocardiographicmanifestationsofthelong-qtsyndrome.circulation98,1928-1936(1998)。细胞外的钾浓度的变化影响每个心肌的横跨膜电压梯度，总的概括为表面t波。钾通道的功能对生命是必不可少的，并且它们的基因序列在进化的尺度上高度保守，其中在从细菌到人类的物种中具有相似的序列。参见choe,s.的potassiumchannelstructures.naturereviewsneuroscience3,115-121(2002)。因此，横跨膜通道是钾水平的理想“微传感器”，并且全局分析是可行的，支持我们在细胞水平检测钾变化的总和的构思，这说明我们在检测细微变化方面具有独特的保真度。
在其他地方已经描述了t右斜率与t幅度和钾之间的相关性。在这项工作中，我们使用了个性化的且全局预测方式中的相关性。corsi等人发现了t波与钾水平之间类似的关系，证实了我们的发现。参见corsic、debiej、napolitanoc、prioris、mortarad、severis：validationofanovelmethodfornon-invasivebloodpotassiumquantificationfromtheecg.computingincardiology(cinc),2012105-108。然而，他们使用主成分分析法创建了多维特征导联，这需要12导联ecg。虽然这种策略进一步支持该构思，但对于门诊患者家庭使用来说可能是不切实际的。我们专门开发了能够允许适应门诊患者的工具。另外，我们还使用了不同的归一化方法，使用tamp的平方根代替tamp本身，并且因此保留了由t波幅度产生的一些信息，同时最小化了“患者之间”和“就诊之间”的ecg可变性。最后，我们的预测仅基于ecg的5分钟而不是15分钟，这对于远程监测应用可能更为实用。
我们开发的时间发展工具以“时间推移”的方式创建了处理后的ecg计算的钾的动画，允许评估在透析期间钾的变化，以便于评估在开发期间算法变化的影响(图16)。另外，使用该工具，明显的是，即使绝对钾值中存在误差，但计算出的钾的趋势也非常类似于血液测试钾的趋势，并且实际上它可以表示比绘制在抽血钾值之间的假定线性化更精确的评估(图19)。此外，这种信息可以证明有助于确定额外的透析过程是否有帮助，以鉴定降低(或提高)钾所需的干预，以及还用于指导透析本身的持续时间和强度。
在这项初步研究中，排除了双相、双峰或倒置t波的患者，结果是从分析中排除了6名患者(占登记受试者的11.7％)，其中66％有心肌梗塞病史。在另外一名患者中，由于仅在该次就诊时存在t波异常，排除了单次透析过程。活动性缺血和急性梗死患者可能不是对于该方法的良好候选人；然而，他们通常不是通过远程监测来治疗的，并且接受血液检测通常不是挑战。
钾水平以外的许多因素会影响ecg。这些包括但不限于导联位置的变化(参见kaniam、rixh、fereniecm、zavala-fernandezh、janusekd、mroczkat、stixg、maniewskir：theeffectofprecordialleaddisplacementonecgmorphology.medical&biologicalengineering&computing52,109-119(2014))、身体位置的交替、重量和体积状态的改变(参见nguyênuc、potsem、regolif、caputoml、conteg、murzillir、muzzarellis、moccettit、caianieg、prinzenfw：anin-silicoanalysisoftheeffectofheartpositionandorientationontheecgmorphologyandvectorcardiogramparametersinpatientswithheartfailureandintraventricularconductiondefects.journalofelectrocardiology(2015))、心率和心律的改变和心肌缺血的发展以及在透析期间改变的其他电解质。其中一些，最显著的是身体和导联位置的可变性和流体体积的变化很可能导致一些估计误差。可以使用ecg模板分析和/或基于传感器的加速度计记录身体位置来消除若干潜在的误差源。尽管存在多种潜在的误差源，但在这种稳定的透析群体中，平均导出ecg的钾误差仅为0.5±0.42mmol/l，或者平均为12％。最后，由于钾的临床重要性，以及钾与ecg的已知关系，我们开始关注钾。然而，某些ecg变化可归因于患者血流中其它分析物水平的浓度，并且因此可分析那些ecg变化以提供钾以外的元素的血液浓度的估计。
图23是作为客户端或作为服务器或多个服务器的计算设备2300、2350的框图，该计算设备2300、2350可用于实现在本文件中描述的系统和方法。计算设备2300旨在表示各种形式的数字计算机，诸如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机和其它适当的计算机。计算设备2350旨在表示各种形式的移动设备，诸如个人数字助理、蜂窝电话、智能电话和其他类似的计算设备。另外，计算设备2300或2350可以包括通用串行总线(usb)闪存驱动器。usb闪存驱动器可以存储操作系统和其他应用。usb闪存驱动器可以包括输入/输出部件，诸如可以插入到另一个计算设备的usb端口中的无线发射器或usb连接器。在此示出的部件、它们的连接和关系以及它们的功能仅仅意味着是示例性的，而不意味着限制在本文件中描述和/或要求保护的实施方式。
计算设备2300包括处理器2302、存储器2304、储存设备2306、连接到存储器2304和高速扩展端口2310的高速接口2308、以及连接到低速总线2314和储存设备2306的低速接口2312。部件2302、2304、2306、2308、2310和2312中的每一个使用各种总线互连，并且可以安装在公共母板上或以其他方式适当地安装。处理器2302可处理用于在计算设备2300内执行的指令，包括存储在存储器2304中或储存设备2306上的指令，以在外部输入/输出设备(诸如耦合到高速接口2308的显示器2316)上显示用于gui的图形信息。在其他实施方式中，可以适当地使用多个处理器和/或多个总线连同多个存储器和存储器类型。此外，多个计算设备2300可被连接，其中每个设备提供必要操作的部分(例如，作为服务器库、刀片服务器组或多处理器系统)。
存储器2304将信息存储在计算设备2300内。在一个实施方式中，存储器2304是易失性存储器单元或多个易失性存储器单元。在另一个实施方式中，存储器2304是非易失性存储器单元或多个非易失性存储器单元。存储器2304也可以是另一种形式的计算机可读介质，诸如磁盘或光盘。
储存设备2306能够为计算设备2300提供大容量存储。在一种实施方式中，储存设备2306可以是或包含计算机可读介质，诸如软盘设备、硬盘设备、光盘设备或磁带设备、闪存或其他类似固态存储器设备、或设备阵列，包括储存区域网络或其他配置中的设备。计算机程序产品可以有形地体现在信息载体中。计算机程序产品还可以包含当被执行时执行一个或更多个方法的指令，诸如上述那些指令。信息载体是计算机或机器可读介质，诸如存储器2304、储存设备2306或处理器2302上的存储器。
高速控制器2308管理用于计算设备2300的带宽密集型操作，而低速控制器2312管理较低带宽密集型操作。这种功能分配仅是示例性的。在一种实施方式中，高速控制器2308耦合到存储器2304、显示器2316(例如，通过图形处理器或加速器)以及可接受各种扩展卡(未示出)的高速扩展端口2310。在该实施方式中，低速控制器2312耦合到储存设备2306和低速扩展端口2314。可以包括各种通信端口(例如，usb、蓝牙、以太网、无线以太网)的低速扩展端口可以例如通过网络适配器耦合到一个或更多个输入/输出设备，诸如键盘、定点设备、扫描仪或诸如交换机或路由器的网络设备。
如图所示，计算设备2300可以以多种不同的形式实现。例如，它可以实现为标准服务器2320，或者在一组这样的服务器中实现多次。它也可以实现为机架服务器系统2324的一部分。此外，它可以在诸如膝上型计算机2322的个人计算机中实现。可选地，来自计算设备2300的部件可以与诸如设备2350的移动设备(未示出)中的其他部件组合。每个这样的设备可以包含计算设备2300、2350中的一个或更多个，并且整个系统可以由彼此通信的多个计算设备2300、2350组成。
计算设备2350除了其他部件之外，还包括处理器2352、存储器2364、诸如显示器2354的输入/输出设备、通信接口2366和收发器2368。设备2350还可以设置有储存设备，诸如微驱动器或其它设备，以提供附加储存。部件2350、2352、2364、2354、2366和2368中的每一个使用各种总线互连，并且部件中的几个可以安装在公共母板上或以其他方式适当地安装。
处理器2352可以执行计算设备2350内的指令，包括存储在存储器2364中的指令。处理器可以实现为芯片的芯片集，其包括单独的和多个模拟和数字处理器。另外，处理器可以使用多种体系结构中的任何一种来实现。例如，处理器2352可以是cisc(复杂指令集计算机)处理器、risc(精简指令集计算机)处理器或misc(最小指令集计算机)处理器。处理器可以提供例如设备2350的其他部件的协调，诸如用户接口的控制、设备2350运行的应用程序以及设备2350的无线通信。
处理器2352可以通过耦合到显示器2354的控制接口2358和显示接口2356与用户通信。显示器2354可以是例如tft(薄膜晶体管液晶显示器)显示器或oled(有机发光二极管)显示器或其它适当的显示技术。显示接口2356可以包括用于驱动显示器2354以向用户呈现图形和其它信息的适当电路。控制接口2358可以接收来自用户的命令并转换它们以提交给处理器2352。另外，可以提供与处理器2352通信的外部接口2362，以便实现设备2350与其他设备的近区通信。例如，在一些实施方式中，外部接口2362可以提供有线通信，或者在其他实施方式中提供无线通信，并且还可以使用多个接口。
存储器2364将信息存储在计算设备2350内。存储器2364可以实现为计算机可读介质或媒介、易失性存储单元或多个易失性存储单元、或非易失性存储单元或多个非易失性存储单元中的一个或更多个。扩展存储器2374还可被提供并通过扩展接口2372连接到设备2350，该扩展接口2372可以包括例如simm(单列直插存储器模块)卡接口。这种扩展存储器2374可以为设备2350提供额外的储存空间，或者还可以存储用于设备2350的应用或其他信息。具体而言，扩展存储器2374可以包括指令以执行或补充上述过程，并且还可以包括安全信息。因此，例如，扩展存储器2374可被提供作为用于设备2350的安全模块，且可利用允许安全使用设备2350的指令来编程。另外，可以经由simm卡提供安全应用连同附加信息，诸如以不可破解的方式将识别信息置于simm卡上。
存储器可以包括例如闪存和/或nvram存储器，如下所讨论。在一个实施方式中，计算机程序产品有形地体现在信息载体中。计算机程序产品包含当被执行时执行一个或更多个方法的指令，诸如上述那些指令。信息载体是计算机可读或机器可读介质，诸如可以例如通过收发器2368或外部接口2362接收的存储器2364、扩展存储器2374或处理器2352上的存储器。
设备2350可以通过通信接口2366进行无线通信，其必要时可以包括数字信号处理电路。通信接口2366可提供各种模式或协议下的通信，诸如gsm语音呼叫、sms、ems或mms消息、cdma、tdma、pdc、wcdma、cdma2000或gprs等等。这种通信可以例如通过射频收发器2368发生。另外，可以发生短距离通信，诸如使用蓝牙、wifi或其它这种收发器(未示出)。另外，gps(全球定位系统)接收器模块2370可向设备2350提供额外的导航和位置相关的无线数据，其可适当地由在设备2350上运行的应用使用。
设备2350还可以使用音频编解码器2360可听地通信，该音频编解码器2360可以从用户接收口头信息并将其转换为可用的数字信息。音频编解码器2360同样可以通过例如设备2350的手持器中的扬声器为用户生成可听声音。这种声音可以包括来自语音电话呼叫的声音，可以包括记录的声音(例如，语音消息、音乐文件等)，并且还可以包括由在设备2350上操作的应用生成的声音。
如图所示，计算设备2350可以以多种不同的形式实现。例如，它可以被实现为蜂窝电话2380。它还可以被实现为智能电话2832、个人数字助理或其它类似移动设备的一部分。
这里描述的系统和技术的各种实施方式可以在数字电子电路、集成电路、专门设计的asic(专用集成电路)、计算机硬件、固件、软件和/或其组合中实现。这些不同的实施方式可以包括在一个或更多个计算机程序中的实施方式，该一个或更多个计算机程序可在可编程系统上被执行和/或解释，该可编程系统包括可以是专用或通用的至少一个可编程处理器，该至少一个可编程处理器被耦合以从储存系统接收数据和指令并向该储存系统发送数据和指令、至少一个输入设备以及至少一个输出设备。
这些计算机程序(也被称为程序、软件、软件应用或代码)包括用于可编程处理器的机器指令，并可以用高级过程和/或面向对象的编程语言和/或用汇编/机器语言来实现。如在本文使用的，术语“机器可读介质”、“计算机可读介质”指用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品、装置和/设备(例如磁盘、光盘、存储器、可编程逻辑设备(pld))，包括接收机器指令作为机器可读信号的机器可读介质。术语术“机器可读信号”指用于向可编程处理器提供机器指令和/或数据的任何信号。
为了提供与用户的交互，这里描述的系统和技术可以实现在具有用于向用户显示信息的显示设备(例如，crt(阴极射线管)或lcd(液晶显示器)监视器)和键盘和用户可通过其提供至计算机的输入的定点设备(例如鼠标和轨迹球)的计算机。其他种类的设备也可用于提供与用户的交互；例如，提供给用户的反馈可以是任意形式的感测反馈(例如，视觉反馈、听觉反馈或触觉反馈)；以及来自用户的输入可以以包括声音、语音或触觉输入的任意形式来接收。
可在包括后端部件(例如作为数据中心)或包括中间件部件(例如应用服务器)或包括前端部件(例如具有图形用户界面或web浏览器的客户端计算机，用户可通过图形用户界面或web浏览器与这里所描述的系统和技术的实施方式交互)或这样的后端、中间件或前端部件的任何组合的计算系统中实现这里所述的系统和技术。系统的部件可由数字数据通信的任何形式或介质(例如通信网络)互连。通信网络的示例包括局域网(“lan”)、广域网(“wan”)、对等网络(具有自组织或静态成员)、网格计算基础设施和互联网。
计算系统可包括客户端和服务器。客户端和服务器通常远离彼此且一般通过通信网络进行交互。客户端与服务器的关系依靠在相应的计算机上运行并彼此具有客户端-服务器关系的计算机程序来产生。
虽然以上已经详细描述了几个实施方式，但是其他修改是可能的。此外，可以使用基于ecg数据定量钾的其他机构。另外，附图中描绘的逻辑流程不需要所示出的特定次序或顺序次序来实现期望的结果。从所描述的流程中可以提供其他步骤，或者可以消除步骤，并且可以将其他组件添加到所描述的系统或从所描述的系统移除其他组件。另外，其他实施方式在下面的权利要求的范围内。
- 还没有人留言评论。精彩留言会获得点赞！