本发明涉及生物数据的处理。基于脉搏波形分析，确定并处理与人类受试者的例如心率、呼吸率和/或血压有关的数据。
背景技术：
：：疾病例如心脏病发作和中风的主要原因是常常难以检测并且不会引起明显症状的状况。例如，高血压和冠状动脉疾病(cad)属于心脏病发作的主要原因，以及心房纤颤(afib)是中风的主要原因之一。可以在检测高血压、afib、cad和其他状况或其早期发作时采用对受试者的例如血压、心率、呼吸率的定期测量和对这样的生物学参数的详细分析。然而，这些措施常常不是定期采用的。af是在临床实践中遇到的最常见的心律失常，并且其阵发性性质使得其检测是困难的。在没有特异性治疗的情况下，中风和充血性心力衰竭的风险会显著增加。af的阵发性性质在af变得持续之前可能会存在多年。af的这种特殊性质使得其检测是困难的并且常常不成功。最近的试验(参见例如，gladstonedj，springm，dorianp，panzovv，thorpeke，hallj等，“atrialfibrillationinpatientswithcryptogenicstroke”，新英格兰医学杂志，2014，370：2467-2477；sannat，dienerhc，passmanrs，dilazzarov，bernsteinra，morilloca等，“cryptogenicstrokeandunderlyingatrialfibrillation”，新英格兰医学杂志，2014，370：2478-2486)支持使用加强的诊断策略来检测选定患者的af，尽管采用的方法可能是昂贵的或不方便的。即使随着该领域中迅速增长的知识，亚临床af的关联性以及af与中风之间的时间相关性仍然存在争议，并且仍然还在不间断试验中进行解决(参见例如，healeyjs，connollysj，goldmr，israelcw，vangelderic，capuccia等，“subclinicalatrialfibrillationandtheriskofstroke”，新英格兰医学杂志，2012，366：120-129；zieglerpd，glotzertv，daoudeg，wysedg，singerde，ezekowitzmd等“incidenceofnewlydetectedatrialarrhythmiasviaimplantabledevicesinpatientswithahistoryofthromboembolicevents”，中风，41：256-260)。最近，智能手机和智能手表在医疗实践中的运用引起更多关注。合适的设备配备有被配置成监测心率的体积描记传感器。可以采用脉搏波分析，以记录和处理患者的不同生物学特性，其中，基于这些生物学特性可以确定某些医学状况(medicalcondition)。血压是通过使血液循环而施加在血管壁上的压力，并且是人的主要生命体征之一。它由神经系统和内分泌系统调节，并且取决于包括人的当前活动和总体健康状况在内的许多因素而变化。病理性的低的血压被称为低血压，以及病理性的高的血压被称为高血压。两种病理可以具有不同的原因，并且范围可以从轻到重，既有急性型也有慢性型。慢性高血压是包括周围性血管疾病、心脏病发作和中风在内的许多并发症的风险因素。高血压和低血压两者常常由于不频繁的监测而长时间未被检测到。高血压通常更常见并且构成心血管疾病和包括死亡在内的相关健康问题的主要风险因素，高于吸烟和糖尿病引起的风险因素。高血压的一个主要问题是：高的血压不一定会引起明显的症状，因此，有许多人过着他们的生活而没有意识到他们有升高的血压或高的血压。测量和监测血压可以以多种方式来进行，包括在家中、作为门诊病人或作为住院病人。然而，由于测量之间的间隔常常太长并且测量没有被足够频繁地进行，因此零星的和/或不频繁的测量对于高血压和相关疾病的有效早期检测通常没有足够的意义。医学专业人员通常使用血压计测量动脉压力，其中，血压计在历史上使用汞柱的高度来反映循环压力，并且血压值通常以毫米汞柱(mmhg)来报告。对于每次心跳，血压在收缩压和舒张压之间变化。收缩压是动脉中的峰值压力，发生在当心室正在收缩时接近心动周期结束时。舒张压是动脉中的最小压力，发生在当心室充满血液时接近心动周期开始时。静息且健康的成人的典型正常测量值是120mmhg收缩压和80mmhg舒张压(即120/80mmhg)。心脏收缩动脉血压和心脏舒张动脉血压不是静态的，而是经历从一次心跳到下一次心跳并且贯穿全天(以昼夜节律)的自然变化。变化响应于压力或运动、营养变化、疾病或相关的用药而发生。血压是由医疗专业人员和医疗保健提供者例行监测的四个主要生命体征中的一个，其中，所述四个主要生命体征还包括体温、呼吸率和脉搏率。可以以非侵入性的方式并且基于脉搏波速度(pwv)原理来测量血压，其中，所述非侵入性的方式包括触诊法、听诊法或示波法、连续非侵入性技术(cnap)。侵入性地测量血压(例如，使用血管内插管)可以产生非常精确的测量，但是由于其侵入性质而不太常见，并且通常仅限于住院治疗。人类的血压受血管系统的弹性的显著影响。人的血管系统的弹性不仅取决于包括年龄在内不同因素，而且取决于特定疾病或病症的存在与否。例如，如果患者的血管系统的弹性由于年老或由于患者罹患动脉硬化而降低，则患者的血压增加。受试者的心率(hr)和受试者的呼吸率(rr)也可以由医师使用已知的用于住院治疗的方法来确定。同样，这些测量通常仅不定期地进行以及/或者在中间有长的时间段没有进行测量。某些生物学参数如心率、呼吸、血压的变异性可以用作医学状况例如睡眠呼吸暂停、抑郁、af(或afib)、cad的指标。注意，术语“变异性”可以意指单一变异性值或测量或者指示相应参数的变异性的多个值。在本文件的范围内接受变异性的任何已知的表示。aseeck，w.rademacher，c.fischer，j.haueisen，r.surber，a.voss，“predictionofatrialfibrillationrecurrenceaftercardioversion—interactionanalysisofcardiacautonomicregulation”在研究中发现：通过分析心率和收缩血压的耦合来评估自主调节为预测在cv之后的动脉纤维性颤动复发提供了潜在的工具，并且可以帮助调整用于动脉纤维性颤动患者的治疗选择。w.poppe等的“eignensichdiehüllungskurvenvonarterienpulswellenfüreinefernbeurteilungpsychotischer？”已经发现：动脉脉搏波的包络可以指示关于特定精神病被分类的受试者，并且还指示精神病的可能进展。该研究适用于例如抑郁与脉搏波数据的相关性。本发明的目的是要提供一种用于以非侵入性方式、容易且高效地精确确定受试者的生物学参数例如心率、呼吸、血压及其变异性的装置。另一目的是要提供一种用于以改进的精确度来确定受试者的生物学参数及其变异性的装置。本发明的另一目的是要提供一种用于执行用于确定人类受试者的血压的非侵入性方法的装置。特别地，该装置是移动设备，并且优选地是设置有光源和光学传感器的常规智能电话。技术实现要素：根据本发明，在第1方面中，提供了一种用于确定人类受试者的医学状况的装置，该装置包括：控制单元；以及用于提供表示人类受试者的心跳的脉搏波数据的装置；其中，控制单元被配置成执行以下步骤：接收脉搏波数据；选择指示多个心动周期的脉搏波数据中的一部分；针对指示多个心动周期的脉搏波数据中的所述部分：-基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定血压变异性；-基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定呼吸率变异性；并且-基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定心率变异性；以及基于血压变异性、呼吸率变异性、心率变异性中的至少一个以及相应的参考值来确定至少一个相关值；以及基于所述至少一个相关值来确定受试者的医学状况。在根据第1方面的第2方面中，指示多个心动周期的脉搏波数据与彼此直接相继的多个心动周期有关。在根据前述方面中任一方面的第3方面中，基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定呼吸率变异性的步骤包括：基于脉搏波数据来确定多个最大值，所述多个最大值表示相应的多个心动周期的最大幅度；基于所述多个最大值来确定指示呼吸率的呼吸信号，可选地包括基于所述多个最大值的样条插值来确定呼吸信号；以及基于呼吸信号的每个最大值之间的时间差来确定呼吸率变异性。在根据前述方面中任一方面的第4方面中，基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定心率变异性的步骤包括：基于脉搏波数据来确定多个参考点，所述多个参考点对应于所述多个心动周期的相应部分，可选地，相应部分是心动周期的最大幅度、心率幅度的上升沿中的一个；基于所述多个参考点中的每个参考点之间的时间差来确定心率变异性。在根据前述方面中任一方面的第5方面中，受试者具有身高、年龄和性别，并且确定血压变异性的步骤包括确定多个血压值，确定多个血压值的步骤包括：针对所述多个血压值中的每个相应血压值，其中每个相应血压值与所述多个心动周期中的相应心动周期相关联，-确定相应心动周期的收缩部分；-利用第一高斯函数和第二高斯函数来近似收缩部分；以及-确定第一高斯函数与第二高斯函数之间的时间差(wwt)；以及基于时间差(wwt)、身高和/或年龄来确定受试者的所述多个血压值中的相应血压值(bp)。在根据前一方面的第6方面中，-确定多个血压值的步骤包括：针对所述多个血压值中的每个血压值，基于身高和时间差(wwt)来确定初步硬度指数(sip)；基于初步硬度指数(sip)和年龄来确定调整的硬度指数(sia)；以及基于调整的硬度指数(sia)和回归模型来确定血压值(bp)，并且/或者-脉搏波数据中的所述部分指示多个心动周期，并且其中，确定时间差(wwt)的步骤还包括：将多个相继心动周期的时间差(wwt)确定为基于针对所述多个心动周期确定的各个时间差的平均值；可选地，平均值是确定的各个时间差的中值；并且/或者-第一高斯函数和第二高斯函数具有各自的最大幅度，第一高斯函数的最大幅度大于或等于第二高斯函数的最大幅度；并且/或者-第一高斯函数和第二高斯函数分别具有第一标准偏差和第二标准偏差(σ1，σ2)，第一标准偏差和第二标准偏差(σ1，σ2)彼此相等。在根据方面5和方面6中任一方面的第7方面中，近似收缩部分的步骤包括：使用下式来将第一高斯函数和第二高斯函数拟合至收缩部分：其中，a、b、c和d使用非线性优化或曲线拟合来确定。在根据方面5至方面7中任一方面的第8方面中，回归模型包括回归函数f(sia，g)＝bpsys，其中，sia是调整的硬度指数(sia)，g是受试者的性别，以及bpsys是血压；并且其中，确定血压值包括基于回归函数来确定血压值，可选地，其中，回归函数包括类型为f(x)＝ax+b的线性函数，其中，a的范围从1mmhg/(m/s)至20mmhg/(m/s)，并且b的范围从0mmhg至80mmhg，更优选地，其中，a的范围从5mmhg/(m/s)至15mmhg/(m/s)，并且b的范围从20mmhg至60mmhg。在根据方面5至方面8中任一方面的第9方面中，确定调整的硬度指数(sia)是基于调整函数f(sip)＝sia，其中，sip是初步硬度指数，并且sia是调整的硬度指数(sia)，可选地，其中，调整函数是类型为f(x)＝cx+d的线性函数，其中，c和d是基于多个包括年龄值和相关联的硬度指数值的值对而确定的调整因子；可选地，其中，其中，range(age)＝0.1663*age+4.3858-μ并且μ＝0.109*age+3.699，age是受试者的年龄，并且d＝0。在根据方面5至9中任一方面的第10方面中，确定收缩部分包括：确定相应心动周期的相应全局最大值；确定相应心动周期的二阶导数；确定二阶导数的最大值，该最大值位于距全局最大值至少预定时间差处；以及将收缩部分限定为心动周期中的在心动周期的开始与最大值之间的部分；可选地，距全局最大值的预定时间差为350ms或更小，另外可选地，距全局最大值的预定时间差为250ms或更小。在根据方面5至10中任一方面的第11方面中，确定初步硬度指数(sip)是基于函数其中，h是受试者身高，wwt是时间差，并且sip是初步硬度指数(sip)。在根据前述方面中任一方面的第12方面中，确定至少一个相关值的步骤是基于心率变异性；确定至少一个相关值的步骤还包括：基于多个心率变异性值来生成指示所述多个心率变异性值在时域中的分布的频率分布；确定多个期望值；确定指示多个期望值的熵值，该熵值指示受试者的医学状况。在根据前述方面中任一方面的第13方面中，指示所述多个心率变异性值的分布的频率分布包括直方图，可选地，其中，直方图具有8ms的区间尺寸。在根据前述方面中任一方面的第14方面中，指示多个心动周期的脉搏波数据中的所述部分涵盖介于2分钟与5分钟之间的时段；并且确定血压的变异性、呼吸率的变异性和心率变异性的步骤是基于包括在脉搏波数据中的基本上所有的心跳。在根据前述方面中任一方面的第15方面中，确定至少一个相关值的步骤是基于心率变异性和呼吸率变异性，并且其中，确定至少一个相关值的步骤包括检测心率变异性与呼吸率变异性之间的对应关系。在根据前述方面中任一方面的第16方面中，平均值是确定的各个时间差的中值。在根据前述方面中任一方面的第17方面中，第一高斯函数和第二高斯函数具有各自的最大幅度，第一高斯函数的最大幅度大于或等于第二高斯函数的最大幅度。在根据前述方面中任一方面的第18方面中，第一高斯函数和第二高斯函数分别具有第一标准偏差和第二标准偏差，第一标准偏差和第二标准偏差彼此相等。在根据前述方面中任一方面的第19方面中，确定收缩部分包括确定相应心动周期的相应全局最大值；确定相应心动周期的二阶导数；确定二阶导数的最大值，该最大值位于距全局最大值至少预定时间差处；并且将收缩部分限定为心动周期中的在心动周期开始与最大值之间的部分。在根据前一方面的第20方面中，距全局最大值的预定时间差为350ms或更小，优选地，其中，距全局最大值的预定时间差为250ms或更小。在根据前述方面中任一方面的第21方面中，装置还包括被配置用于将光传送至受试者的肢体的光源；其中，用于提供脉搏波数据的装置包括被配置用于接收从通过肢体的血流反射的光的光学传感器。在根据前一方面的第22方面中，接收脉搏波数据的步骤包括激活光源并且基于由光学传感器提供的信号来接收脉搏波数据。在根据前一方面的第23方面中，光学传感器包括视频传感器，并且其中，接收脉搏波数据的步骤还包括：基于信号来接收指示反射光的视频流；从包含多个像素的视频流中选择感兴趣区域，感兴趣区域可选地具有50×50个像素的尺寸；从视频流中选择多个帧，所述多个帧中的每一帧具有相应的时间戳；对于每个相应的帧：-在感兴趣区域内确定指示所述多个像素中的每个像素的绿色子分量的值的总和的第一样本值；-将每个第一样本与相应的时间戳相关联；-根据第一样本来生成第一脉搏波；并且接收脉搏波数据的步骤还包括通过基于相应时间戳对第一脉搏波进行重采样来确定第二脉搏波。在根据前一方面的第24方面中，确定第二脉搏波还包括使用带通滤波器对第二脉搏波进行滤波，带通滤波器可选地移除未落在从0.6hz至2.5hz的范围内的所有频率。在根据前述方面中任一方面的第25方面中，脉搏波数据中的所述部分指示1至50个心动周期，优选地，其中，脉搏波数据中的所述部分指示1至40个心动周期，更优选地，其中，脉搏波数据中的所述部分指示10至30个心动周期。在根据前述方面中任一方面的第26方面中，脉搏波数据中的所述部分指示多个相继的心动周期。在根据方面21至26中任一方面的第27方面中，传感器是光学传感器，并且装置还包括光源，传感器被配置成检测由光源发出并且由受试者的身体的一部分反射的信号，可选地，受试者的身体的所述部分包括受试者的脉动血流。在根据前述方面中任一方面的第28方面中，装置还包括被配置成接收发起对血压值的确定的用户输入的输入装置。在根据前述方面中任一方面的第29方面中，装置还包括被配置成显示血压值的输出装置。在根据前述方面中任一方面的第30方面中，用于提供脉搏波数据的装置包括被配置成存储脉搏波数据的存储单元。根据本发明，在第31方面中，提供了一种用于确定人类受试者的医学状况的装置，该装置包括：控制单元；以及用于提供表示人类受试者的心跳的脉搏波数据的装置；其中，控制单元被配置成执行以下步骤：接收脉搏波数据；选择指示多个心动周期的脉搏波数据中的一部分；基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定指示心率变异性的第一指数；基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定指示心率变异性的第二指数，第二指数不同于第一指数；以及基于第一指数和第二指数来确定受试者的医学状况。在根据前一方面的第32方面中，确定第一指数包括：基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定多个呼吸率间隔；以及基于所述多个呼吸率间隔来确定第一指数。在根据前一方面的第33方面中，确定第一指数还包括：基于所述多个呼吸率间隔来确定平均值；以及基于平均值来确定第一指数。在根据前一方面的第34方面中，平均值是相继的差的均方根，可选地，其中，基于所述多个呼吸率间隔来确定相继的差的均方根包括：基于平均呼吸率间隔来对相继的差的均方根进行归一化，平均呼吸率间隔是基于所述多个呼吸率间隔确定的。在根据方面31的第35方面中，确定第一指数包括以下步骤：基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定指示多个呼吸率间隔的变异性的速度记录图(tachogram)；确定所述多个呼吸率间隔中的各个呼吸率间隔的频率分布；基于频率分布来确定熵值；以及基于熵值来确定第一指数。在根据前一方面的第36方面中，频率分布包括指示多个概率的直方图；可选地，其中，熵值是基于s＝-∑i＝1pi·log2(pi)来确定的，其中，pi对应于所述多个概率；另外可选地，其中，直方图具有8ms的区间尺寸。在根据方面31的第37方面中，确定第一指数包括以下步骤：基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定多个跳间间隔(bbi)；并且基于所述多个跳间间隔来确定第一指数。在根据前一方面的第38方面中，确定第一指数包括以下步骤：基于所述多个跳间间隔来确定庞加莱图分析(ppa)，庞加莱图分析指示基于所述多个跳间间隔中的第一跳间间隔(bbin)和前面的第二跳间间隔(bbin-1)的相应关系确定的时间序列波动；并且基于庞加莱图分析来确定第一指数。在根据前一方面的第39方面中，确定第一指数包括以下步骤：确定短期跳间间隔变异性的标准偏差sd1和长期跳间间隔变异性的标准偏差sd2；以及基于指示标准偏差sd1与标准偏差sd2的比率的指数sd1/sd2来确定第一指数。在根据方面31至36中任一方面的第40方面中，确定第二指数包括：基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定多个跳间间隔(bbi)；并且基于所述多个跳间间隔来确定第二指数。在根据前一方面的第41方面中，确定第二指数包括：基于所述多个跳间间隔来确定庞加莱图分析(ppa)，庞加莱图分析指示基于所述多个跳间间隔中的第一跳间间隔(bbin)和前面的第二跳间间隔(bbin-1)的相应关系确定的时间序列波动；并且基于庞加莱图分析来确定第二指数。在根据前一方面的第42方面中，确定第二指数包括：确定短期跳间间隔变异性的标准偏差sd1和长期跳间间隔变异性的标准偏差sd2；并且基于指示标准偏差sd1与标准偏差sd2的比率的指数sd1/sd2来确定第二指数。在根据方面31至42中任一方面的第43方面中，指示多个心动周期的脉搏波数据与彼此直接相继的多个心动周期有关。在根据方面31至43中任一方面的第44方面中，指示多个心动周期的脉搏波数据中的所述部分涵盖至少2分钟的时段；并且确定第一指数和第二指数的步骤是基于包括在指示多个心动周期的脉搏波数据中的所述部分中的基本上所有的心跳。在根据前一方面的第45方面中，指示多个心动周期的脉搏波数据中的所述部分涵盖至少5分钟的时段。在根据方面31至45中任一方面的第46方面中，控制单元还被配置成：针对所述多个心动周期中的每个心动周期，基于指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据来确定相应心动周期是否与一个或更多个干扰相关联，以及如果相应心动周期与一个或更多个干扰相关联，则修改指示多个心动周期的脉搏波数据中的所述部分的脉搏波数据，使得相应心动周期不再与一个或更多个干扰相关联。在根据前一方面的第47方面中，所述一个或更多个干扰包括早搏。用于确定血压的装置的优点包括可以以提高的精确度来确定血压。用于确定人类受试者的医学状况的装置的优点包括可以以提高的精确度来确定生物学数据，例如心率、呼吸率、血压及其变异性。附图说明图1示出了根据本发明如何确定硬度指数；图2a包含根据本发明的第一实施方式的用于确定血压的方法的流程图；图2b包含根据本发明的用于脉搏波分析的方法的流程图；图3a示出了根据本发明的一个实施方式的对呼吸率的检测；图3b示出了根据本发明的一个实施方式的心率、血压、呼吸率及其变异性的关系；图3c示出了根据本发明的一个实施方式的香农熵在检测受试者的心房纤颤中的应用；图4包含用于使用移动设备来记录根据本发明的脉搏波数据的方法的流程图；图5a示出了可以根据图4的方法来使用的示例性移动设备；图5b示出了人类受试者与图5a所示的移动设备的交互；图6示出了如何基于获取的脉搏波数据来确定一系列心动周期；图7示出了如何确定用于调整硬度指数以适应受试者年龄的示例性调整函数；图8示出了如何确定用于基于调整的硬度指数来确定受试者的血压的示例性回归模型；图9a和图9b示出了(基于回归模型和替选回归模型估计的)受试者的相应血压与使用常规血压监测器测量的受试者的血压的相关性；图10a示出了根据本发明的一个实施方式的rmssd在检测受试者的af中的应用；图10b示出了根据本发明的一个实施方式的香农熵在检测受试者的af中的应用；图10c示出了根据本发明的一个实施方式的庞加莱图分析在检测受试者的af中的应用；以及图11a和图11b示出了根据本发明的一个实施方式的庞加莱图分析在检测受试者的af中的应用。具体实施方式血管系统的弹性影响受试者的脉搏波。基于该效应，已经可以使用高级形式的光电容积脉搏波描记术、基于对脉搏波数据的特定处理来精确地确定(即，90％或更高的精确度)血压。还可以基于受试者的脉搏波数据来确定心率和呼吸率。这些参数中的每个参数的详细分析可以形成确定受试者的个体状况的基础。然而，已经发现，在给定脉搏波数据的精确表示并且每隔一定间隔或连续地进行测量的情况下，对心率(hr)和心率变异性、血压(bp)和血压变异性、以及呼吸率(rr)和呼吸率变异性的分析可以用来检测一系列医学状况，例如cad、afib、睡眠呼吸暂停、抑郁症等。可以基于对脉搏波数据的高级处理并且使用硬度指数来检测血压和血压变异性。可以基于对脉搏波数据的高级处理来检测呼吸率和rr变异性。根据本发明，使用新颖的脉搏波分析和用于信号分析的非线性方法同时处理多个生理参数。除智能手机或智能手表外，不需要额外的外围设备。装置旨在当对af患者与窦性心律(sr)患者进行区分时，提供提高的精确度。图1示出了根据本发明如何确定硬度指数。图1的图示出了随时间t的脉搏波信号201以及相应的波分量206和波分量208，其中，波分量206是原始脉搏波以及波分量208是主要由主动脉分叉反射的波。图1还示出了拐点204。注意，如本领域中公知的，由于在前面段落中陈述的原因，基于拐点的简单划分不一定对应于实际生理上的波分量。相比之下，根据本发明，通过用高斯函数对图进行近似来确定实际的原始脉搏波和由主动脉分叉反射的波，其中，通过高斯函数可以以非常高的精确度来获得两个分量波w原始206和w反射208。此处，与曲线图的两个最大值之间的时间差相对照，将时间差确定为分量波w原始与分量波w反射之间的时间差。这有助于确定与在原始脉搏波和反射脉搏波之间的具有基本上较高水平的精确度的实际时间差相对应的波-至-波时间(wwt)，而不是公知的峰-至-峰时间(ppt)。这又促进了si的更精确的计算，并且从而导致改进的与血压的相关性。图2a包含根据本发明的第一实施方式的用于确定血压的方法300的流程图。在步骤302中，记录脉搏波数据。可以以本领域已知的任何方式来执行脉搏波的检测和对指示所检测的脉搏波的数据的记录。例如，经典的光电容积脉搏波描记术。以下参照图4来进一步描述脉搏波数据的检测和记录的一个示例。在步骤304中确定合适的心动周期。如上所述，心动周期取决于若干因素而变化，并且可以呈现出良性的(例如非病理性的)不规则性，例如因压力或焦虑或者因消耗兴奋剂(例如咖啡因、尼古丁或酒精)而引起。为了针对脉搏波数据的进一步处理建立稳固的基础，从对脉搏波数据的较长记录中选择合适的心动周期。在第一实施方式中，从长度为5秒直到长度为2分钟的脉搏波记录中选择5至30个心动周期——假设所有选择的心动周期彼此具有至少0.8的相似度并且全部被包含在单个记录片段中(即彼此相继)。在其它实施方式中，可以使用更多或更少数目的相继心动周期，例如3至10个或20至50个心动周期。另外，脉搏波数据的记录可以具有不同的长度，例如范围从5至10秒直到10至30分钟。在步骤306中，将每个心动周期分解或划分成收缩部分和舒张部分。这是通过确定脉搏波的二阶导数的最大值来实现的，其中，最大值位于收缩期最大值之后至多350ms处。通常，脉搏波的二阶导数的最大值位于收缩期最大值之后的250ms与350ms之间。确定二阶导数的最大值被限制于上面限定的时间窗口，以考虑心脏的排出时间并且以避免错误的检测。在步骤308中，执行其中通过将至少两个高斯函数拟合至原始脉搏波来近似收缩部分的近似：其中，a、b、c和d使用非线性优化来确定。在一个实施方式中，使用列文伯格-马夸尔特(levenberg-marquardt)算法将两个高斯函数拟合至原始脉搏波。在该近似步骤中，第一高斯函数与原始脉搏波相对应，并且第二高斯函数与在主动脉分叉处反射的波相对应，然而第一高斯函数的幅度必须大于或等于第一高斯函数的幅度，并且这两个函数都必须呈现出相同的标准偏差σ。在步骤310中，计算两个高斯函数之间的时间差，作为波-至-波时间wwt。例如，可以将wwt计算为两个高斯函数的基准点(basepoint)之间的时间差。替选地，可以将wwt计算为两个高斯函数的最大值之间的时间差。为了生成总体或平均wwta，计算5至30个(或任何期望数目的)心动周期的中值。这可以有效地减少异常值的影响。在步骤312中，基于受试者的身高h(以m为单位)和平均wwta(以s为单位)来如下计算硬度指数si：在步骤314中，调整在步骤312中计算的si值，以针对受试者的年龄进行补偿。如上所述，人的血管系统的弹性随着年龄的增加而降低，使得20岁的平均健康人必定比40岁或60岁的平均健康人呈现出更低的si。因此，在步骤314中将si进行归一化(normalize)，以实现可比较的结果。在第一实施方式中，将si归一化以获得不依赖年龄的或调整的si。在步骤316中，基于性别特异性回归模型来估计调整的si。性别特异性回归模型是专有临床研究的结果，并且将受试者的估计血压定义为性别和调整的si的函数。在一个示例中，呈现出值为10的调整的si的男性可能具有180mmhg的估计的收缩压。进行临床研究以确定调整的si如何取决于受试者的性别而与实际血压相关。已经发现，对于男性受试者，约10m/s的调整的si对应于约170mmhg的血压，以及约8m/s的调整的si对应于约150mmhg的血压。对于女性受试者，约10m/s的调整的si对应于约165mmhg的血压，以及约8m/s的调整的si对应于约155mmhg的血压。在替选实施方式中，应用了更全面的回归模型。在该替选实施方式中，执行与上面所述的相同的步骤302至314。然而，在替选实施方式的步骤316中，应用附加参数以实现与实际血压值的甚至更高的相关性。此处，基于替选回归模型来估计调整的si，所述替选回归模型考虑下述因素：受试者的性别(即男性或女性)、指示受试者体格的指数值if(例如，人的身体质量指数(bmi))以及指示受试者的烟草消耗(例如，受试者是否是吸烟者)的指数值ct。关于指示受试者的烟草消耗的指数值ct，注意，在一些实施方式中，仅确定受试者的当前状态，即受试者当前是否是主动吸烟者。研究表明，即使受试者已经吸烟达很长一段时间，但是相对较短时期的不吸烟也会对受试者的血压产生影响。该效应及相关效应可以通过以这种方式确定受试者的当前状态而被考虑在内。在其他实施方式中，还可以考虑受试者的历史。这可以通过确定受试者是主动吸烟者的一段或多段时期并且确定在这些时期中消耗的烟草量(例如每天的香烟数目)来完成。以这种方式，可以生成详细描述受试者的烟草消耗的个人简况，并且将个人简况引入回归模型中。注意，长期的烟草消耗可能对受试者的血管系统具有多重影响，例如在血管的硬度方面的影响。这些影响中的一些或全部可以是在短时期的不吸烟期间不会消失的长期影响。一个特定的替选回归模型——其也是专有临床研究的结果——将受试者的估计血压定义为调整的si、受试者的性别(值为1指示男性受试者，值为2指示女性受试者)、受试者的bmi(bmi值是基于受试者的身高和体重来计算的)以及受试者是否是吸烟者的事实(值为0指示受试者不是吸烟者，值为1指示受试者是吸烟者)的函数。可以基于来计算bmi，其中，质量是以千克(kg)为单位的受试者的体重，并且身高是以米(m)为单位的受试者的身高。该特定替选回归模型基于下式：bpsys＝139.611-19.450·g-0.820·年龄+0.968·if+5.394·ct+2.759·si。下表提供了在替选回归模型中使用的系数的进一步的细节：系数(因变量：bpsys)注意，术语受试者的“体格”指的是就受试者存在或不存在肥胖(及肥胖的程度)——即人是否超重——而言的尺寸、身材、体型或体格。除了上述的bmi之外，存在许多已知的用于对受试者的肥胖程度进行量化的方法和/或构思。示例包括但不限于：测量身体脂肪的百分比(例如，通过生物电阻抗分析，通过卡尺测量或者用于确定身体脂肪的百分比的任何其他已知方法)；计算腰围身高比；以及计算腰臀比。例如，可以将生物电阻抗分析集成到家用电器如秤中，使得可以在常规或日常活动(例如，踩在秤上称体重)期间测量身体脂肪的百分比。生物电阻抗分析可能由于受试者的个人医学状况——例如当起搏器或其他植入物在适当位置时——而并不适用于所有受试者，并且/或者生物电阻抗分析可能不能提供最精确的身体脂肪百分比测量。卡尺测量可以由医师或由受试者他自己/她自己通过测量皮肤褶皱的厚度来进行，以推断出身体脂肪百分比。取决于使用的方法，通常在三个或七个不同的身体部位执行测量。卡尺测量可以提供可接受的结果，但是通常不能精确地测量器官内和器官周围存在的身体脂肪的百分比。注意，上述替选回归函数并不特别要求使用bmi，而是在原则上适用于对受试者的肥胖程度的任何量化。如果使用与受试者的bmi不同的对受试者的体格的度量，则需要将相应的换算因子引入到上述特定公式中，以将所述度量映射至bmi(或者相反)。现在基于以上述方式从受试者获得的多个血压值来确定血压变异性。通常，确定血压变异性是在2至5分钟的时段内执行的，或者替选地在120至300个心动周期内执行，以获得代表性样本。然而，在其他实施方式中，可以以连续的方式执行对血压和血压变异性的确定，例如使用2至5分钟(或者，120至300个心动周期)的滑动窗口。图2b包含根据本发明的用于脉搏波分析的方法100的流程图。在步骤102处，如下面参考图4更详细地陈述的那样来获取脉搏波信号，并且选择合适的心动周期。通常，脉搏波信号是在至少2分钟的时间段期间获取的，优选地至少5分钟。在步骤104处，应用脉搏波的形态学和频率分析的组合来检测所有跳间间隔(bbi)。与来自标准ecg记录的通过比较而得到的rr间隔相比，所应用的算法产生r>0.99的提高的相关性。根据提取的bbi时间序列，可以计算表示心律的变异性的若干指数并且关于这些指数的区别af与sr的能力来对这些指数进行分析。针对分析，可以消除早搏和其他干扰(disruption)，并且可以使用用于自适应方差估计的算法来替换bbi时间序列上的相应点。异位对变异性指数的影响相当小。然而，即使在呈现少量的异位搏动(例如，小于5％)的组中，对速度记录图的滤波也可以进一步减少异位的影响。在步骤106和108处，根据以下参照图10a、图10b和图10c描述的内容(也参见下面对图11a和图11b的描述)来确定第一指数和第二指数。在一个实施方式中，第一指数是rr间隔的相继的差的均方根(rmssd)，并且第二指数是sd1/sd2指数。在其他实施方式中，可以采用其他组合，例如包括基于香农熵确定的指数。在步骤110处，基于第一指数和第二指数来确定受试者的医学状况。方法100在步骤112处结束。图3a示出了根据本发明的一个实施方式的对呼吸率的检测。图3a在纵轴上示出了检测的脉搏波201随时间(参见横轴)的幅度。脉搏波201呈现大约在-1与1之间的幅度，并且上升沿的实例被登记为检测的心动周期205。另外，基于脉搏波201的最大值209检测到指示受试者的呼吸的信号207。为了获得信号，使用与以下参照图4描述的脉搏波的重采样类似的三次样条插值来对脉搏波的最大值209进行采样。此处，通过三次多项式对两个随后的样本进行插值。样本的(在时间上的)位置对应于时间戳。用于范围[ti，ti+1]的多项式ri如下来计算：ri＝ai+bi(t-ti)2+di(t-ti)3其中，i＝1、...、n-1。重采样的处理包括将t连续增加1ms——对应于1000hz的采样率。在替选实施方式中，重采样包括将t连续增加10ms——对应于100hz的采样率。参数ai、bi、ci和di必须设置成合适的值。作为采样结果，脉搏波被获得为呼吸r，即信号207。然后，基于信号207通过已知方法——例如通过检测信号207的一系列最大值并且确定每一对连续最大值的时间差——来确定呼吸率的变化。图3b示出了根据本发明的一个实施方式的心率、血压、呼吸率及其变异性的关系。图3b示出了基于脉搏波201确定的多个信号的组合。此处，基于信号207示出了呼吸率及其变化。另外，基于如上所述的并且如图1所示的脉搏波201及其分量206和208示出了血压及其变化。还基于脉搏波201示出了心率及其变化。基于对全部基于脉搏波201获得的并且全都呈现出先前不能获得的精确度的心率(hr)和心率变异性、血压(bp)和血压变异性以及呼吸率(rr)和/或呼吸率变异性的分析，一系列医学状况例如cad、af、睡眠呼吸暂停、抑郁症等。基于获得的数据，可以通过使用非线性相互作用动力学，例如联合符号动力学(jointsymbolicdynamics)(jsd)和分段庞加莱图分析(sppa)，来分析心率与血压之间的相互作用以检测afib。可以应用sppa来分析两个时间序列之间的相互作用——此处是心率和血压。引入两个指数的参数集(一个来源于jsd并且一个来自sppa)，线性判别函数分析对于稳定窦性心律患者(sr组，n＝15)与af复发患者(rez组，n＝12)之间的分类显示出的总精确度为89％(敏感度91.7％，特异度86.7％)。心率和收缩压的耦合提供了用于预测在cv之后的af复发的潜在工具，并且可以帮助调整用于af患者的治疗选择。以类似的方式，可以通过分析呼吸与心率之间的关系并且通过检测呼吸和心率不同步以及/或者心率在呼吸率实质性变化时不变来检测抑郁症。同样地，可以使用上述机制通过分析呼吸率并且通过分析心率来检测睡眠呼吸暂停，其中，在睡眠呼吸暂停情况下，呼吸率通常显示异常大的变化，心率通常在睡眠呼吸暂停时段期间减慢。图3c示出了根据本发明的一个实施方式的香农熵在检测受试者的心房纤颤中的应用。基于脉搏波，确定速度记录图，速度记录图指示呼吸率随时间的变化。根据速度记录图，生成直方图，直方图表示呼吸率变化的频率分布。在一个实施方式中，直方图具有8ms的区间(bin)尺寸，这意味着频率分布是基于被分成8ms的时隙的离散时间尺度。每个呼吸变化(即在信号207的两个最大值之间)均被分类到相应的区间中。然后，将由直方图表示的概率用作输入以如下来计算香农熵：s＝-∑i＝1pi·log2(pi)结果是比特值，该比特值确定受试者是否属于健康患者组，然而使用4.8比特的阈值：注意，以上是确定用于呼吸率变化的熵值的一个示例。可以通过根据所使用的方法和计算简单地适应性调整阈值来以类似的方式使用其他已知的方法。图3c示出了阈值4.8，其清楚地对示出afib(右；值“1”)的受试者与没有示出afib(左；值“0”)的受试者进行了区分。以所述方式确定频率分布的一个优点是熵度量不依赖于受试者的静息心率。因此，以上等同地适用于所有年龄组的受试者，例如儿童和老年人，尽管他们各自的静息心率存在较大差异。图4包含用于使用具有视频记录功能的移动设备来记录根据本发明的脉搏波数据的方法400的流程图。移动通信设备，特别是所谓的智能电话，具有超越单纯移动通信的广泛的功能。例如，大多数移动电话通常设置有能够捕获静止图像和视频的数码相机并且设置有用于弱光情况的相应光源。通常，通过用光学传感器检测从光源发出并且由受试者的手指反射的光来记录脉搏波。在一个实施方式中，使用配备有数字摄像机(例如，用作光学传感器)和led闪光灯(例如，用作光源)的常规移动设备来获得脉搏波数据。由光源发出的光被反射，并且光的性质(例如强度、色调、亮度、饱和度)受到肢端血流的影响(例如，一个或更多个特性被调制)。在步骤402中，受试者将他们的手指放置在移动设备的光源和摄像机两者上，使得从光源发出的光照射肢端血流并且被摄像机反射和检测。由此创建的视频信号被记录和存储在设备的存储单元中。替选地，可以直接处理视频信号(例如，视频流)，而无需将脉搏波数据存储在存储单元中。在步骤404中，从全分辨率视频流中选择感兴趣区域(roi)。该选择可以例如基于包含在视频流中的亮度信息来执行。在一个实施方式中，在视频帧内的最大亮度的区域中、离开中心并且在距边界最小距离处确定roi。这可以确保选择了被充分照亮的区域(例如，靠近光源的区域)。在一个实施方式中，roi具有至少50×50个像素(即2500个正方形像素)的尺寸。通常，roi可以具有范围从625至10000个正方形像素的尺寸，优选地900至6400个正方形像素，更优选地1600至3200个正方形像素。在步骤406中，对于视频流的每个帧的roi，基于以下来计算样本si：其中，p是位于roi内的在位置j、k处的像素的绿色通道的值；n和m是roi的尺寸；并且w是roi的宽度。除以2消除了p的最低位，使得有效地降低了噪声。这针对每个捕获的视频帧产生样本si。在替选实施方式中，可以采用一个或多个不同的通道(例如，红色，蓝色，或者红色、绿色和/或蓝色的组合)来代替绿色通道。这也可以取决于使用的各个设备(例如，智能手机、智能手表的品牌和型号)。在步骤408中，针对每个样本si(更精确地，针对基于其来计算样本的每个视频帧)生成时间戳ti，并且由视频摄像机将时间戳ti编码到视频流中。在步骤410中，基于在步骤406中获得的样本si来获得脉搏波作为脉搏波信号。在步骤412中，通过基于在步骤408中获得的相关联的时间戳对来自样本si的脉搏波(即，如在步骤410中获得的脉搏波)进行重采样来获得重采样的脉搏波。这由于在检测、生成和编码视频数据方面的技术问题而是必要，其中，所述技术问题例如会导致失帧或非恒定的帧速率。基于这些问题，样本si不能在固定且可靠的时间间隔处被获得。为了获得重采样的脉搏波，使用三次样条插值对脉搏波进行重采样，并且对每个多项式来执行。此处，通过三次多项式对两个随后的样本进行插值。样本的(在时间上的)位置对应于时间戳。用于范围[ti，ti+1]的多项式si如下来计算：si＝ai+bi(t-ti)2+di(t-ti)3其中，i＝1、...、n-1。重采样的处理包括将t连续增加1ms——对应于1000hz的采样率。参数ai、bi、ci和di必须设置成合适的值。作为重采样的结果，脉搏波被获得为信号s。在替选实施方式中，重采样包括将t连续增加10ms——对应于100hz的采样率。在步骤414中，对重采样的脉搏波进行滤波以消除噪声并且补偿漂移。这可以通过应用常规的带通滤波器(例如0.1至10hz)来实现。在步骤416中，获得原始脉搏波信号以如上参照图3所述(参见，例如步骤304及之后的步骤)对原始脉搏波进行进一步处理。图5a示出了可以根据图4的方法使用的示例性移动设备。移动设备500具有框架或主体502和设备面板510。在一些示例中，设备面板510可以是移动设备500的后面板。设备500还具有能够检测例如数字静态图像和数字视频形式的数字视频信号的摄像机设备512。摄像机设备512被配置成检测表示沿着主检测方向508大体位于截头锥体形区域内的对象的视频信号。设备500还具有被配置成照亮位于摄像机设备512前方——即位于截头锥体形区域内并且/或者沿着主检测方向508——的任何对象的光源506。光源506可以被配置成根据操作模式来提供单次闪光和连续光束两者。当记录视频时，光源通常会提供连续的光束。从光源506发出的光将被放置在摄像机设备512的视野内的对象反射，使得反射光可以被摄像机设备512检测到。移动设备500还包括耦合至其他部件例如摄像机设备512、光源506、存储单元、用户接口、输入装置、音频单元、视频单元、显示器等的控制单元(例如，cpu、微处理器、soc；未示出)。图5b示出了人类受试者与图5a所示的移动设备的交互。为了进行测量，受试者将手指(例如拇指)放置在移动设备500上，覆盖摄像机设备512和光源506两者。移动设备的具体配置(例如，摄像机设备512和光源506的位置或它们之间的距离)是次要相关的，只要在物理上可以用合适的肢体(例如手指、拇指、耳朵)覆盖摄像机设备512和光源506二者即可。在这方面，根据本发明可以使用适于(肢端)测量的任何肢体。通常，根据本发明可以使用与脉动血流相关联的任何身体部位，只要可以经由该身体部位检测到指示血流的有意义的信号即可。在一些实施方式中，移动设备500的控制单元将处理由摄像机设备512提供的信号，并且基于所提供的信号检测到指示视频质量的一个或更多个参数(例如，亮度、对比度、焦点)由于弱光和/或近距离情况(因拇指直接放置在摄像机设备512上而造成)而在优选操作范围之外。然后，控制单元可以向一个或更多个部件例如向光源506提供控制信号，以调整参数(例如，激活光源506以补偿弱光)。在放置了合适的肢体(此处，例如受试者的拇指)时，通过激活光源506来发出足够强度的连续光束使得肢端血流被照亮来发起测量。基本上同时，摄像机设备512被激活，并且由肢端血流反射的光被摄像机设备512检测到。激活光源506和激活摄像机设备512都可以通过由包括在设备500中的控制单元执行的相应程序代码来实现。激活可以被手动触发，例如通过在设备500的用户接口上选择相应的功能来触发；或者被自动触发，例如由传感器(例如，接近传感器、光学传感器)、定时器、语音识别或其他(输入装置)来触发。在一个示例中，连续处理传感器的信号以检查合适的信号的存在。然后，在预定时段内记录或传送视频数据以供进一步处理，其中，所述预定时间段的范围通常从若干秒到2分钟。在一些实施方式中，时间段不是预定的，而是在记录/传送进行的同时来确定的：根据记录/传送的数据来计算质量度量，并且执行记录/传送直到已经记录/传送了足够质量的(例如，相似度；参见以下另外的细节)足够数目的(例如，10至30个)心动周期。可以例如通过由设备500的音频和/或视频部件发出的声音和/或光学信号来向受试者指示记录/传送的完成。注意，其他实施方式采用相同或不同的传感器和/或设备。例如，也可以使用具有如上面参照图5a和5b描述的相应的光源/传感器组件的智能手表。这些设备的优点在于：传感器保持非常接近于受试者的身体(此处：手腕)，从而有助于在没有受试者的交互的情况下进行连续测量以及/或者在任意持续时间期间及在任意时间点处进行测量(例如，在睡觉期间也可以)。注意，以上构思适用于一系列传感器，而并不限于传感器硬件的特定的或相反地具体的实施方式。图6示出了如何基于获取的脉搏波数据601来确定一系列心动周期。脉搏波数据是可以从人类受试者获得的实时测量结果中获取的，或者可以是当较早时间记录的测量结果要被处理时从数据存储装置中检索的。脉搏波数据601包含与受试者在延长的时间段内呈现的多个心动周期相对应的信号。在一些示例中，脉搏波数据涵盖几分钟的记录的心动周期，例如2分钟，优选地几秒至2分钟。在其他示例中，脉搏波数据可以涵盖更少(例如5秒至30秒)或更多(几个小时)的记录的心动周期。为了清楚起见，图6仅示出了三个相继的心动周期，该三个相继的心动周期仅表示涵盖通常长达2分钟的延长的时间段的脉搏波数据的小的窗口。通过根据原始脉搏波601生成放大的有用信号607并且扫描放大的信号的上升沿来将脉搏波数据601划分成单个心动周期。一般，包括单个心动周期的脉搏波是足够的，但是通常使用包括多个相继心动周期的脉搏波。详细地，使用离散傅里叶变换(dft)根据滤波的(参见图4，步骤414，以及以上相应的描述)脉搏波信号601来创建频谱：spec＝|dft(s滤波)|。在该频谱中，确定在0.6hz至2.5hz范围内的最大频率，并且将该最大频率视为主导心脏频率：idx＝argmax{spec范围}，其中，spec范围对应于从0.6hz至2.5hz的频谱，并且idx对应于频谱中的指数(即频率)。然后，将具有在[0，1]范围内的值的归一化高斯曲线图叠加在主导心脏频率上并且叠加在主导心脏频率的两个谐波分量上，使得心率的微小变化被考虑。高斯曲线图的标准偏差σ应该在3σ处相交，其中：并且有用信号是通过将频谱与高斯函数相乘并且随后进行反变换而得到的：s有用＝real(idft(spec·gauss))。然后，通过乘以有用信号并且与原始信号相加来得到放大信号samp：其中，f是放大因子。随后，计算放大信号samp的一阶导数，并且计算指示放大信号samp上的拐点的放大信号samp的最大值，并且从而计算放大信号samp的上升沿。这提供了限定在每个心动周期的上升沿之前和之后的两个局部最小值之间的每个心动周期的位置。然后，对于相继的若干心动周期，确定相似度分数。计算每个心动周期与模板心动周期p模板的互相关，并且获得具有最高相关性的预定数目的心动周期(例如，10个心动周期)。在一个实施方式中，相继心动周期的相似度(即相关性)是0.9或更大。如果最小数目的相继心动周期(例如10至30个)中的每个心动周期均满足相似度要求，则已经识别出脉搏波中的适于进一步处理的部分。图7示出了如何确定用于调整硬度指数以适应受试者的年龄的示例性调整函数。图的横轴指示受试者的年龄(以岁为单位)，并且纵轴指示si(以m/s为单位)。许多受试者的测量的si的分布以及与相应受试者的年龄的相关性提供了用于计算如图7所示的调整函数的统计基础。此处，60或65岁的受试者的si可以与20或25岁的受试者的si相关。图8示出了如何确定用于基于调整的硬度指数来确定受试者的血压的示例性回归模型。回归模型是依赖于年龄的：回归线802提供针对20至30岁的受试者的回归函数。以相同的方式，回归线804和回归线806分别用于提供针对30至40岁的受试者的回归函数和针对60至70岁的受试者的回归函数。回归模型有助于将属于特定年龄组的受试者的si与对应的血压值相关联。随着作为回归模型的基础的数据被更新，可以随时间来调整回归模型以提高回归模型的精确度。图9a和图9b示出了(基于回归模型和替选回归模型估计的)受试者的相应血压与使用常规血压监测器测量的受试者的血压的相关性。图9a示出了受试者的估计血压与使用常规血压监视器测量的受试者的血压的相关性。血压是基于上述回归模型来估计的并且相关性为r＝0.57。图9b示出了受试者的估计血压与使用常规血压监视器测量的受试者的血压的相关性。血压是基于上述替选回归模型来估计的并且相关性为r＝0.91。图10a示出了根据本发明的一个实施方式的rmssd在检测受试者的af中的应用。rmssd是来自心率变异性(hrv)分析的用于对跳间变化进行量化的标准指数。为了调整心率对rr变异性的影响，针对平均rr间隔值来归一化rmssd值。由于在af情况下的变异性明显高于在sr情况下的变异性，所以预期的是归一化rmssd在af患者身上更高。在第一比较实施方式中，将归一化rmssd和香农熵(she)组合。两个指数都是从脉搏波速度记录图中提取的。分别针对这些指数中的每个指数并且针对组合来计算灵敏度、特异度和精确度。对于基于两分钟的脉搏波记录进行的在af与sr之间的区分，在应用界限值4.9的情况下she分别产生85％的灵敏度和95％的特异度(参见图10b)。这意味着34/40的患者被正确分类以及2/40的患者被错误分类为af。图10b示出了根据本发明的一个实施方式的香农熵在检测受试者的af中的应用。香农熵(she)是用于对随机变量的不确定性进行量化的统计方法，并且预期的是香农熵在af患者身上更高，这是因为在这种情况下的脉搏与从sr患者记录的脉搏相比呈现出更大的rr间期不规则性。基于脉搏波来确定指示呼吸率随时间的变化的速度记录图。根据速度记录图，生成表示呼吸率变化的频率分布的直方图。在一个实施方式中，直方图具有8ms的区间尺寸，这意味着频率分布是基于被分成8ms时隙的离散时间尺度。每个呼吸变化(即，在信号207的两个最大值之间)被分类到相应的区间中。然后，将由直方图表示的概率用作输入以如下来计算香农熵：s＝-∑i＝1pi·log2(pi)结果是比特值，该比特值确定受试者是否属于健康患者组，然而使用4.9比特的阈值：注意，以上是确定呼吸率变化的熵值的一个示例。可以通过根据使用的方法和计算来简单地适应性调整阈值来以类似的方式使用其他已知的方法。图10c示出了阈值4.9，该阈值清楚地区分了显示af的受试者(右)与显示sr的受试者(左)。以所述方式确定频率分布的一个优点是熵度量不依赖于受试者的静息心率。因此，以上等同地适用于所有年龄组的受试者，例如儿童和老年人，尽管它们各自的静息心率存在较大差异。在第二比较实施方式中，将滤波器应用于脉搏波速度记录图以如上所述来消除早搏和其他干扰。这提高了方法的适用性，并且使得早搏患者能够被成功地与af患者分开。速度记录图滤波器的应用在使用具有0.09的界限(cut-off)的指数即归一化的rmssd的情况下将灵敏度提高至87.5％并且同时特异性保持稳定在95％。这意味着35/40的患者被正确分类以及2/40的患者被错误分类为af。图10c示出了根据本发明的一个实施方式的庞加莱图分析(ppa)在检测受试者的af中的应用。在第三比较实施方式中，对从具有五分钟的记录的庞加莱图提取的附加指数sd1/sd2进行测试。sd1/sd2、归一化rmssd和香农熵是根据经滤波的速度记录图计算的。然后，分别针对每个方法并且针对组合来计算灵敏度、特异度和精确度。通过将记录时间从2分钟延长至5分钟并且将指数sd1/sd2与归一化rmssd结合，灵敏度和特异度增加至95％，其中，曲线下面积为0.93(参见图11a和11b)。分类为af的界限为归一化rmssd>0.043和sd1/sd2>0.6。这意味着38/40的患者被正确分类以及2/40的患者被错误分类为af。发现，在利用速度记录图滤波器(参见第三比较实施方式)的情况下使用指数归一化rmssd和sd1/sd2的组合并且与将分析的间隔从2分钟延长至5分钟相结合而实现了最高灵敏度和特异度。因此，实现了95％的灵敏度和特异度。结果是基于包括在研究中的八十名患者的组(在检查时，af40名患者，sr40名患者)。af组的患者的平均年龄为80岁(sd±8)，sr组的患者的平均年龄为75岁(sd±7)。af组中男性与女性比例为2.4，sr组中为2.5。af组的平均rr间期较高。(af887±120ms和sr784±144ms，p＝0.0004)。比较实施方式的结果在下表中示出：表1图11a和11b示出了根据本发明的一个实施方式的庞加莱图分析(ppa)在检测受试者的af中的应用。ppa提供了用于表征时间序列波动的复杂性质的可视化工具，其中，对比bbin-1来绘出bbin。庞加莱图通常显示沿着坐标系的对角线定向的细长的点云。用椭圆来拟合点云以表征点云的形状。指数sd1/sd2表示短期bbi变异性的标准偏差(垂直于等线(lineofidentity)的轴，sd1)与长期bbi变异性的标准偏差(沿着等线的轴，sd2)的比率。示出的指数是从五分钟的记录中提取的，以确保形成椭圆。尽管已经结合目前认为是最实际且最优选的实施方式描述了本发明，但是要理解的是，本发明不限于所公开的实施方式，而是相反地意在涵盖包括在所附权利要求书的精神和范围内的各种修改和等同布置。当前第1页12当前第1页12