用于远程患者筛查和分诊的系统和方法与流程

1.本公开涉及作为非限制性示例的受试者的远程生物信号监测，心脏和呼吸监测。更具体地说，本公开涉及用于以疾病、细菌或病毒感染、心脏相关并发症或呼吸相关并发症的症状为例进行短期和长期患者筛查的系统和方法。本公开还涉及使用这样的系统对患者进行分诊，以便确定风险等级和优先级以进行进一步评估。
2.背景
3.传统上，为了监测、诊断和评估可能出现感染症状或心肺并发症的患者，需要在办公室或诊所就诊。该过程有增加公众和临床团队的暴露的风险，并可能在危机或大流行病时期使住院医院系统容量超负荷，此外，战场上的士兵可能在附近没有护理人员。目前，对于现有的医疗保健基础设施而言，有太多的患者需要进行监测，但没有可以轻松使用或部署而无需护理人员实际接触的高容量的准确的远程监测工具可用。与持续性状况不同，突然或间歇发作的阵发性状况需要一种可以立即且持续使用的家庭筛查解决方案。
4.概述
5.本文公开的是使用光学、音频、无线电、传感器(诸如加速度计、陀螺仪、压力传感器、负载传感器、重量传感器、力传感器、运动传感器或振动传感器)来捕获身体的机械振动以及心脏和肺的生理运动，并将其转换成可用于筛查和识别疾病状况的生物信号信息的系统。这里提出的系统和方法可以由受试者在经历并发症或状况的症状时使用，或者可以在远程医疗应用中由医生指导时使用。
6.这些系统被用于短期和长期筛查。短期筛查系统可以包括手机、平板电脑、可佩戴手表或患者可用的任何附件，该附件具有可以捕获身体、心脏和肺的机械振动的一个或更多个传感器，诸如加速度计、陀螺仪、压力传感器、负载传感器、重量传感器、力传感器、运动传感器或振动传感器。这样的设备可以放置在身体的生理源(诸如心脏和肺)中的源附近，包括但不限于放置在胸部、腹部、侧面、背部或类似部位上。长期筛查系统可以包括可安装到床腿中或床腿下的传感器，该传感器可以捕获身体、心脏和肺的机械振动(诸如加速度计、陀螺仪、压力传感器、负载传感器、重量传感器、力传感器、运动传感器或振动传感器)。短期筛查旨在用于有限持续时间的测试(数秒至数分钟)，而长期筛查可以在任何持续时间(数秒、数分钟、数天、数月等)内被连续地使用。短期和长期筛查系统可以独立工作，也可以同步和协同工作以交换数据，例如，受试者的历史趋势数据或基线数据。
7.该系统可用作患者分诊工具，以帮助评估紧急程度。该系统可以包括智能手机app安装，以实现筛查和评估患者的状态。
8.附图简述
9.当结合附图阅读时，从下面的详细描述中能最好地理解本公开。强调的是，根据通常的做法，附图的各种特征不是按比例绘制的。相反，为了清楚起见，各种特征的尺寸被任意扩展或减小。
10.图1a-1d示出了如本文所公开的用于使用受试者的智能设备进行短期筛查和分诊的示例系统。
11.图1e是如本文所公开的在使用受试者的智能设备进行短期筛查期间记录的数据流的集合。
12.图2a是如本文所公开的用于短期筛查和分诊的另一示例系统的流程图。
13.图2b是如本文所公开的用于短期和长期筛查和分诊的示例系统的流程图。
14.图2c是用于实现短期和长期筛查和分诊的系统架构。
15.图3是收集传感器数据的示例过程的流程图。
16.图4是用于传感器数据的短期分析的示例过程的流程图。
17.图5是用于短期心脏分析的示例过程的流程图。
18.图6是用于短期呼吸分析的示例过程的流程图。
19.图7是用于短期咳嗽分析的示例过程的流程图。
20.图8是用于基于机器学习分类器进行短期筛查和分诊的示例过程的流程图。
21.详细描述
22.公开了用于开发远程筛查过程并使用来自这种系统的传感器数据来分诊受试者的健康状态的方法。在实现中，系统可以分析受试者的心脏信息，并确定心律、形态和速率信息。心律、形态和速率信息可以被用于识别心脏状况(诸如心房颤动、心房扑动、心室颤动、心室扑动、束支传导阻滞、瓣膜狭窄、心肌缺血和室上性心动过速)的开始或恶化。在实现中，该系统可以分析受试者的呼吸信息，并确定呼吸节律和速率信息。呼吸节律和速率信息可以被用于识别呼吸状况(诸如呼吸急促、呼吸暂停或呼吸不足(hypopnea))的开始或恶化。在实现中，该系统可以分析受试者的咳嗽信息，并确定咳嗽节奏和速率信息。咳嗽节律和速率信息可用于识别咳嗽状况或呼吸流量(诸如喘息、罗音(rales)、打鼾和干罗音(rhonchi))的开始或恶化。该系统可以确定状况的严重性和/或状况的变化和趋势。该系统可以生成远程筛查报告。该系统可以收集数据，并且生成的报告可以被存储、被发送给医生、由医生访问以进行查看或使用ai技术进行分析。
23.在实现中，筛查系统可以被用于监测身体对细菌或病毒感染的反应。特别地，传感器数据可以被用于监测可能直接或间接与体温升高有关的症状。这些症状可以包括呼吸流量和深度、呼吸速率、心率、心率变异性、移动和躁动、体重和体液潴留的变化。该系统还可以为患者创建基线，并随着时间的推移持续跟踪和发现这些变化，帮助他们意识到自己身体的免疫系统反应，并使他们或护理人员能够监测他们的疾病。
24.在实现中，筛查系统可与呼吸机结合使用，以远程监测呼吸机的功效。此外，该系统可与其他传感器一起用作数据集线器，以将来自脉搏血氧仪、温度计、血压或其他传感器的本地数据中继到云中，从而实现远程监测这些额外的传感器，以用于增强筛查。
25.在实现中，该系统将包括双向音频、文本和视频来与患者通信。
26.在实现中，筛查系统还可以被用于筛查心血管指数和自主神经指数(autonomic indice)。例如，该系统可以被用于家庭压力测试，其中传感器数据可以被用于监测心率变异性指数，以量化动态的自主调节或心率恢复。
27.在实现中，该系统可以被用于基于生命的分析来创建事件。该事件可能是针对危急状况的可听音调或针对危急状况将消息发送到云。在实现中，该系统能够实现短期监测系统和长期监测系统之间的数据会聚，使得例如，一个系统可以使用由另一个系统收集的历史数据来建立基线，或者使用这种信息来确定疾病的进展或状况的恶化。
28.在实现中，附加的基于床的传感器数据可以被组合以去除或抵消共模或其他噪声源。移动数据采集传感器可以与具有固定位置的其他监测系统结合使用，从而可以组合来自不同的数据监测源的数据，以在某人移动时增加总的监测覆盖范围。
29.图1a-图1d示出了用于使用受试者的智能设备进行短期筛查和分诊的示例系统。图1a是用于使用受试者的智能设备来使用筛查和分诊系统的示例方法100的流程图。在实现中，智能设备可以包括手机、平板电脑、可佩戴手表或受试者可用的任何附件，该附件具有可以捕获身体、心脏和肺的机械振动的一个或更多个传感器，诸如加速度计、陀螺仪、压力传感器、负载传感器、重量传感器、力传感器、运动传感器或振动传感器。这些图示出了作为非限制性示例的手机。
30.筛查的开始可以由疾病或状况的症状的开始来触发(例如，当受试者感觉不舒服时)，或者可以根据医生的请求而启动(101)。受试者将接收到筛查指令(102)。在实现中，这可以由医生给出。在实现中，指令可以由安装在智能手机或其他移动设备上的app提供。指令是特定于状况的；因此，针对感染的筛查过程可能不同于针对心脏状况的筛查过程。图1b-图1d是筛查指令的示例(103)，其中app指示受试者执行筛查过程。在实现中，该app可以指示受试者躺在床上，在给定的时间内保持静止(计数器可以被用来显示时间或播放倒计时音调)，如图1b所示。在实现中，该app可以指示受试者将手机放在他/她的胸部上的不同位置处，如图1c所示。在实现中，该app可以指示受试者侧躺，如图1d所示。在实现中，其他放置是可能的，例如在背部、胃、腹部等上。该app记录传感器数据，分析传感器数据(104)，并生成健康报告(105)。在实现中，报告可以包括生理测量值，例如心率、呼吸速率、心率变异性等。在实现中，报告还可以包括所识别的或所怀疑的问题的列表，以及紧急程度(严重性水平)。在实现中，该app可以将数据发送给医生或护理人员，或者可以建议使用相同或不同的系统进行后续测试。
31.图1e是在使用受试者的智能设备进行短期筛查期间记录的数据流的图。图1e示出了当受试者躺在床上时的示例数据流，其中他的智能手机被放在其胸部上(如图1b所示)，且智能手表被戴在他的手腕上。来自手机的加速度计的(x，y，z)数据流被绘制在顶部面板中。来自手表的加速度计的(x，y，z)数据流被绘制在中间面板中。来自手机的陀螺仪的(x，y，z)数据流被绘制在底部面板中。手机的加速度计数据捕获到心脏活动和呼吸活动。在该示例中，在x和y分量上强烈地看到呼吸信号，而心脏活动在z方向上是最强的。手表的加速度计数据没有捕获到呼吸信号。手表只捕获到心脏活动。陀螺仪数据捕获到呼吸活动和心脏活动。呼吸屏住的影响在记录了呼吸的数据流(手机加速度计和陀螺仪)中是可见的。咳嗽发作在所有记录的数据流中都是可见的。
32.图2a是用于使用受试者的智能设备进行短期筛查和分诊的方法200的示例的流程图。在实现中，智能设备可以包括手机、平板电脑、可佩戴手表或患者可用的任何附件，该附件具有可以捕获身体、心脏和肺的机械振动的一个或更多个传感器，诸如加速度计、陀螺仪、压力传感器、负载传感器、重量传感器、力传感器、运动传感器或振动传感器。
33.筛查的开始可以由疾病或状况的症状的开始来触发(例如，当受试者感觉不舒服时)，或者可以根据医生的请求而启动(201)。在筛查开始之后，从传感器获得传感器数据(202)。对传感器数据进行分析(203)。使用所分析的度量来识别受试者的状况(204)。在实现中，为了量化身体对细菌或病毒感染的反应，分析呼吸流量和深度、呼吸速率、心率、心率
变异性、移动和躁动、体重和体液潴留的变化。正常范围之外的值可以定义异常状况，或者如果系统对患者的基线具有访问权，则与基线相比的突然变化可以被检测为异常状况。在实现中，正常范围或异常状况可以相对于表示一般人群的数据。一旦识别了状况，就确定是否需要立即动作(208)。必要时采取立即动作(209)。在实现中，立即动作可以是对患者的通知、对患者的医生的通知、对健康中心的呼叫等。如果不需要立即动作，则确定是否需要后续测试以确认结果或提供新的洞察力(210)。如果需要后续，则收集附加的或新的传感器数据，并重新开始该过程。否则，终止筛查过程(211)。在实现中，传感器数据、分析的数据和识别的数据可以被本地存储在本地数据库206或云数据库207中以供将来访问(205)。
34.图2b示出了用于短期和长期筛查和分诊的示例方法220。短期筛查可以使用受试者的智能设备。在实现中，智能设备可以包括手机、平板电脑、可佩戴手表或患者可用的任何附件，该附件具有可以捕获身体、心脏和肺的机械振动的一个或更多个传感器，诸如加速度计、陀螺仪、压力传感器、负载传感器、重量传感器、力传感器、运动传感器或振动传感器。长期筛查可以使用可安装到床(受试者可以位于在其上的基底的示例)腿中或床腿下的传感器，该传感器可以捕获身体、心脏和肺的机械振动(诸如加速度计、陀螺仪、压力传感器、负载传感器、重量传感器、力传感器、运动传感器或振动传感器)。如果短期筛查确定需要长期筛查(229)，则系统可以建议添加长期筛查系统。可以添加长期筛查，以进行增强的连续生物信号跟踪。
35.交换数据处理231实现短期筛查和长期筛查之间的数据交换，其中趋势数据(即，受试者的基线数据和历史数据)可以由任一过程访问。交换数据处理231还使长期筛查能够访问要同步和添加到数据流集合的短期筛查传感器数据，以用于进行增强的监测。在实现中，来自获得传感器数据222、获得传感器数据232、存储数据226(包括本地存储器和基于云的存储器)以及存储数据236(包括本地存储器和基于云的存储器)中的数据可以被输入到交换数据处理231中。在实现中，交换数据处理231输出数据以获得趋势数据224和获得趋势数据234。也就是说，初始的和经处理的短期数据以及长期数据，都可以在短期筛查和长期筛查之间进行交换。
36.图2c是用于实现短期和长期筛查和分诊的系统250和系统架构。系统250包括连接到计算平台270或与计算平台270通信(统称为“连接到”计算平台270)的一个或更多个设备260。在实现中，机器学习训练平台280可以连接到计算平台270。在实现中，用户可以经由连接的设备290访问数据，该连接的设备290可以从计算平台270或设备260接收数据。一个或更多个设备260、计算平台270、机器学习训练平台280和连接的设备290之间的连接可以是有线的、无线的、光学的、其组合等。系统250是说明性的，并且可以包括附加的、更少的或不同的设备、实体等，这些设备、实体等可以类似地或不同地被架构，而不偏离本文的说明书和权利要求的范围。此外，所示出的设备可以执行其他功能，而不偏离本文的说明书和权利要求的范围。
37.在实现中，系统250、传感器和数据处理例如可以如2020年1月30日提交的序列号为16/777,385的美国专利申请、2019年10月8日提交的序列号为16/595,848的美国专利申请和2019年2月12日提交的序列号为62/804,623的美国临时申请专利(统称为“applications(申请)”)中所描述的一样，这些申请的全部公开在此通过引用并入。
38.在实现中，设备260可以包括一个或更多个传感器261、控制器262、数据库263和通
信接口264。在实现中，设备261可以包括针对如本文所描述的可应用的和适当的机器学习技术的分类器265。一个或更多个传感器261可以检测和捕获与受试者相关的振动、压力、力、重量、存在和运动传感器数据。
39.在实现中，控制器262可以将本文中关于图1a、图2a、图2b和图4-图8所描述的过程和算法应用于传感器数据，以确定如本文所描述的短期和长期筛查生物信号信息和数据。在实现中，分类器265可以将本文中关于图1a、图2a、图2b和图4-图8所描述的过程和算法应用于传感器数据，以确定短期和长期筛查生物信号信息和数据。在实现中，分类器265可由控制器262实现。在实现中，所捕获的传感器数据以及短期和长期筛查生物信号信息和数据可存储在数据库263中。在实现中，所捕获的传感器数据以及短期和长期筛查生物信号信息和数据可以经由通信接口264被传输或发送到计算平台270，以用于处理、存储和/或其组合。通信接口264可以是任何接口，并且可以使用任何通信协议在原端点和目的地端点之间通信或传输数据。在实现中，设备260可以是使用一个或更多个传感器261从受试者收集数据以供如本文所述的控制器262和/或计算平台270使用的任何平台或结构。设备260和其中的元件可以包括对于实现本文所描述的设备、系统和方法可能是期望的或必需的其他元件。然而，由于这样的元件和步骤在本领域中是公知的，并且由于它们并不有助于更好地理解所公开的实施例，因此本文可能没有提供对这样的元件和步骤的讨论。
40.在实现中，计算平台270可以包括处理器271、数据库272和通信接口273。在实现中，计算平台270可包括针对如本文所描述的可应用的且适当的机器学习技术的分类器274。处理器271可以从传感器261或控制器262获得传感器数据，并且可以将本文中关于图1a、图2a、图2b和图4-图8所描述的过程和算法应用于传感器数据，以确定如本文所描述的短期和长期筛查生物信号信息和数据。在实现中，处理器271可以从控制器262获得如本文所描述的短期和长期筛查生物信号信息和数据，以存储在数据库272中，用于时间分析和其他类型的分析。在实现中，分类器274可以将本文中关于图1a、图2a、图2b和图4-图8所描述的过程和算法应用于传感器数据，以确定如本文所描述的短期和长期筛查生物信号信息和数据。分类器274可以将分类器应用于传感器数据，以经由机器学习确定如本文所描述的短期和长期筛查生物信号信息和数据。在实现中，分类器274可以由处理器271实现。在实现中，所捕获的传感器数据以及短期和长期筛查生物信号信息和数据可以被存储在数据库272中。通信接口273可以是任何接口，并且可以使用任何通信协议在原端点和目的地端点之间通信或传输数据。在实现中，计算平台270可以是基于云的平台。在实现中，处理器271可以是基于云的计算机或场外(off-site)控制器。计算平台270和其中的元件可以包括对于实现本文所描述的设备、系统和方法可能是期望的或必需的其他元件。然而，由于这样的元件和步骤在本领域中是公知的，并且由于它们并不有助于更好地理解所公开的实施例，因此本文可能没有提供对这样的元件和步骤的讨论。
41.在实现中，机器学习训练平台280可以访问和处理传感器数据以训练和生成分类器。分类器可以被传输或发送到分类器265或分类器274。
42.在图2b中，从传感器获得传感器数据(232)。在实现中，可以例如类似于applications中所示的那样，分析传感器数据(233)。长期处理获得经由交换数据处理231来自短期处理的瞬时或近乎瞬时的数据(234)。使用所分析的数据和所获得的数据来识别与受试者有关的状况(235)。所识别的状况和数据被存储在本地存储器或基于云的存储器
中(236)。如本文所述，所识别的状况和数据也被输入交换数据处理231。确定所识别的状况是否需要立即动作(237)。如果不需要，则继续进行名义上的长期处理。如果需要立即动作，则执行响应动作(238)。
43.在图2b中，从传感器获得传感器数据(221)。在实现中，可以例如类似于applications中所示的那样，分析传感器数据(223)。短期处理获得经由交换数据处理231的来自长期处理的趋势数据(224)。使用所分析的数据和所获得的数据来识别与受试者有关的状况(225)。所识别的状况和数据被存储在本地存储器或基于云的存储器中(226)。如本文所述，所识别的状况和数据也被输入交换数据处理231。确定所识别的状况是否需要立即动作(227)。如果需要立即动作，则执行响应动作(228)。如果不需要，则确定是否需要长期处理(229)。如果是，则执行长期处理。如果不需要长期处理，则确定是否需要短期处理(230)。如果不需要短期处理，则终止当前的短期处理。如果是，则获得数据并执行另一个短期处理。
44.图3是用于获得传感器数据(诸如但不限于加速度计、陀螺仪、压力、负载、重量、力、运动或振动)的处理流水线300。从传感器301接收模拟传感器数据流302。数字化器303将模拟传感器数据流数字化为数字传感器数据流304。成帧器305根据数字传感器数据流304生成数字传感器数据帧306，该数字传感器数据流304包括在固定或自适应的时间窗口内的所有数字传感器数据流值。图3中所示的处理流水线300是说明性的，并且可以包括图3中所示的块或模块中的任何一个、全部、一个都不包括或包括它们的组合。图3中所示的处理顺序是说明性的，并且处理顺序可以在不偏离本说明书或权利要求的范围的情况下变化。
45.图4是用于处理传感器数据的预处理流水线400。预处理流水线400处理数字传感器数据帧401。降噪单元402去除或衰减可能对每个传感器具有相同或不同水平的影响的噪声源。降噪单元402可以使用各种技术，包括但不限于减法、输入数据帧的组合、自适应滤波、小波变换、独立分量分析、主分量分析和/或其他线性或非线性的变换。信号增强单元403可以提高输入数据的信噪比。信号增强单元403可以被实现为输入数据帧的线性或非线性组合。例如，信号增强单元403可以组合信号增量(signal deltas)以增加信号强度，用于更高分辨率算法分析。子采样单元404、405和406对数字增强的传感器数据进行采样，并且可以包括下采样、上采样或重采样。子采样可以被实现为多级采样或多阶段采样，并且对于心脏分析407、呼吸分析408和咳嗽分析409，可以使用相同或不同的采样率。图4中所示的处理顺序是说明性的，并且处理顺序可以在不偏离本说明书或权利要求的范围的情况下变化。
46.图5是用于使用预处理后的且经子采样的数据501来进行心脏分析407的示例过程500。使用滤波，以去除输入传感器数据的不想要的分量或保存对心脏处理有用的内容(502)。在实现中，滤波可以使用无限脉冲响应(iir)滤波器、有限脉冲响应(iir)滤波器或两者的组合。滤波器可以是低通、高通、带通、带阻、陷波或这些的组合。在实现中，滤波可以包括来自其他传感器的源以去除共模或其他噪声，并且可以使用自适应滤波技术来去除不想要的信号。对滤波后的传感器数据进行变换，以通过将输入信号建模为特定形式的波形(用于傅立叶变换的正弦波、用于小波变换的母小波和/或用于周期性变换的周期基函数)的集合来增强心脏分量(503)。在实现中，该处理可以是傅立叶变换、小波变换、余弦变换或
数学运算(诸如均方根、绝对、移动平均、移动中值等运算)。
47.对变换后的传感器数据执行包络检测，其以相对高频的调幅信号作为输入，并提供等效于通过连接该信号中的所有局部峰值而描述的输入数据轮廓的输出(512)。在实现中，包络检测可以使用低通滤波器、希尔伯特(hilbert)变换或其他包络检测方法。执行峰值检测以找到输入信号的局部最大点和最小点(513)。在实现中，峰值检测可以返回所有峰值、谷值或仅返回最主要的峰值、谷值。
48.使用线性和非线性方法执行相关性分析以测量输入信号的不同分段之间的关系强度(504)。相关性分析和峰值位置可以被用于识别输入信号中的单独跳动(505)。增强所识别的单独跳动(506)。在实现中，这可以包括应用窗口、因子或变换来增强信号的特定特性。可以执行时域、频域或时频域分析，以使用增强的单独跳动确定心率(507)。可以执行时域、频域或时频域分析，以使用增强的单独跳动确定心率变异性度量(508)。在实现中，心率变异性度量可以包括sdnn、rmssd、pnn50、lf、hf和lf/hf指数。可以执行时域、频域或时频域分析以确定心跳分量(509)。对于心脏信号，跳动分量可以是p、q、r、s和t波形，也可以是心房/心室去极化和复极化。可以使用hr、hrv、跳动分量和受试者的趋势数据510(即基线数据和历史数据)在心脏数据中检测不规则的速率或节律(511)。
49.图5中所示的处理顺序是说明性的，并且处理顺序可以在不偏离本说明书或权利要求的范围的情况下变化。
50.图6是用于使用预处理后的且经子采样的数据601来进行呼吸分析408的示例过程。使用滤波，以去除输入传感器数据的不想要的分量或保存对呼吸处理有用的内容(602)。在实现中，滤波器可以使用iir、fir或其组合。在实现中，滤波器可以是低通、高通、带通、带阻、陷波或其组合。在实现中，滤波器可以包括来自其他传感器的源以去除共模或其他噪声，并且可以使用自适应滤波技术来去除不想要的信号。对滤波后的数据进行变换，以通过将输入信号建模为特定形式的波形(用于傅立叶变换的正弦波、用于小波变换的母小波、用于周期性变换的周期基函数)的集合来增强呼吸分量(603)。变换可以是傅立叶变换、小波变换、余弦变换或数学运算(诸如均方根、绝对、移动平均、移动中值等运算)。执行峰值检测以找到输入信号的局部最大点和最小点(605)。在实现中，峰值检测可以返回所有峰值、谷值或仅返回最主要的峰值、谷值。
51.相关性分析使用线性和非线性方法测量输入信号的不同分段之间的关系强度(604)。相关性分析和峰值位置可以被用于识别输入信号中的单独呼吸(606)。增强所识别的单独跳动(607)。在实现中，这可以包括应用窗口、因子或变换来增强信号的特定特性。
52.可以利用时域、频域或时频域分析来使用增强的单独呼吸确定呼吸速率(608)。可以利用时域、频域或时频域分析来使用增强的单独呼吸确定呼吸速率变异性度量(609)。在实现中，呼吸速率变异性度量可以包括dnn、rmssd、pnn50、lf、hf和lf/hf指数。可以利用时域、频域或时频域分析来确定呼吸分量(610)。对于呼吸信号，呼吸分量可以是吸入(吸气)和呼出(呼气)。可以使用rr、rrv、呼吸分量和受试者的趋势数据611(即，基线数据和历史数据)在呼吸数据中识别不规则的速率或节律(612)。
53.图6中所示的处理顺序是说明性的，并且处理顺序可以在不偏离本说明书或权利要求的范围的情况下变化。
54.图7是用于使用预处理后的且经子采样的数据701来进行咳嗽分析409的示例过
程。使用滤波，以去除输入传感器数据的不想要的分量或保存对咳嗽处理有用的内容(702)。在实现中，滤波器可以是iir、fir或两者的组合。在实现中，滤波器可以是低通、高通、带通、带阻、陷波或其组合。在实现中，滤波可以包括来自其他传感器的源以去除共模或其他噪声，并且可以使用自适应滤波技术来去除不想要的信号。对滤波后的传感器数据进行变换，以通过将输入信号建模为特定形式的波形(用于傅立叶变换的正弦波、用于小波变换的母小波、用于周期性变换的周期基函数)的集合来增强咳嗽分量(703)。在实现中，变换可以是傅立叶变换、小波变换、余弦变换或数学运算(例如均方根、绝对、移动平均、移动中值等运算)。可以执行包络检测，以将相对高频的调幅信号作为输入，并提供等效于通过连接该信号中的所有局部峰值而描述的输入数据轮廓的输出(704)。在实现中，包络检测可以使用低通滤波器、希尔伯特变换或其他包络检测方法。可以在处理后的传感器数据中检测与咳嗽的形态或光谱特征(spectral signature)相匹配的模式(705)。
55.可以执行差异分析(variation analysis)以测量数据与基线相比的变化水平(706)。在实现中，这可以通过估计标准偏差、差异系数等来完成。差异分析和咳嗽特征可以被用于识别输入信号中的单独咳嗽发作(707)。可以利用时域、频域或时频域分析来确定咳嗽速率(708)。可以利用时域、频域或时频域分析来确定咳嗽严重性(709)。可以使用咳嗽速率、咳嗽严重性和受试者的趋势数据710(即，基线数据和历史数据)来确定不规则的咳嗽(711)。
56.图7中所示的处理顺序是说明性的，并且处理顺序可以在不偏离本说明书或权利要求的范围的情况下变化。
57.图8是用于基于机器学习分类器进行短期筛查和分诊的示例过程。泳道图800包括设备801、本地数据库802、云服务器803、分类器工厂804和配置服务器805，该设备801包括第一组设备806和第二组设备807。
58.第一组设备806生成传感器数据，该传感器数据由本地数据库802接收(808)和存储(809)，并由云服务器803接收。云服务器803检索传感器数据(812)，分类器工厂804生成或重新训练分类器(814)。所生成的或重新训练的分类器由分类器工厂804存储(815)。所生成的或重新训练的分类器由分类器工厂804使用，以对传感器数据分类(816)，并自动检测不同的心律失常、疾病或异常状况。所分类的数据被存储(813)并且受试者趋势数据被存储(810)。配置服务器805获得所生成的或重新训练的分类器，并生成用于设备801的更新(817)。在实现中，更新可以是用于智能设备的app更新或用于远程设备的软件更新。配置服务器805将更新发送到(818)第一组设备806和第二组设备807，其中第二组设备807可以是新的设备。当可从更多设备获得更多数据输入时，该系统可以被用于向旧设备(诸如第一组设备806)提供新的或更新的分类器。该系统还可以被用于提供具有改进的准确度的软件更新，并且还可学习个性化模式并增加分类器或数据的个性化。
59.图8中所示的处理顺序是说明性的，并且处理顺序可以在不偏离本说明书或权利要求的范围的情况下变化。
60.通常，一种用于受试者的至少短期筛查和分诊的系统包括受试者所拥有的智能设备；在该智能设备上提供的应用，该应用和智能设备被配置成向受试者提供开始筛查过程的指令，该应用被编程有多个筛查过程，记录从位于智能设备中的一个或更多个传感器获得的短期传感器数据，并比较该短期数据、趋势数据和一般群体数据，以用于受试者的筛查
和分诊。
61.在实现中，该应用和智能设备还被配置成分析短期传感器数据，从长期筛查中获得趋势数据，基于所分析的短期传感器数据和趋势数据识别状况，并响应于所识别的状况执行动作。在实现中，该动作包括以下中的一个或更多个：针对危急状况生成可听音调、针对危急状况向云实体发送消息、将传感器数据和所识别的状况发送到实体而不是受试者。在实现中，该应用和智能设备还被配置为响应于所识别的状况而启动长期筛查以生成趋势数据，其中长期筛查系统包括安装在受试者位于其上的基底附近的一个或更多个传感器，每个传感器被配置成从受试者相对于基底的动作中捕获机械振动，该机械振动指示受试者的生物信号信息。在实现中，长期筛查系统还被配置成访问短期传感器数据和所识别的状况。在实现中，该应用和智能设备还被配置成响应于所识别的状况而启动进一步的短期筛查。在实现中，该应用和智能设备还被配置成分析受试者的心脏信息，根据心脏信息确定心脏节律和速率信息，根据心脏节律和速率信息确定受试者的健康状态，以及识别心脏状况的发作或进展。在实现中，该应用和智能设备还被配置成：分析受试者的呼吸信息，根据呼吸信息确定呼吸节律和速率信息，根据呼吸节律和速率信息确定受试者的健康状态，以及识别呼吸状况的发作或进展。在实现中，该应用和智能设备还被配置成：分析受试者的咳嗽信息，根据咳嗽信息确定咳嗽节律和速率信息，根据咳嗽节律和速率信息确定受试者的健康状态，以及识别咳嗽状况或呼吸流量的发作或进展。在实现中，该应用和智能设备还被配置成该应用和智能设备还被配置成确定状况的严重性或进展。在实现中，智能设备是具有加速度计、陀螺仪、压力传感器、负载传感器、重量传感器、力传感器、运动传感器、麦克风或振动传感器中的一个或更多个的手机、平板电脑、智能手表或附件中的一个。在实现中，筛查过程包括使受试者进入适当位置、在该位置停留一段限定的时间以及将智能设备放置在受试者身体上的一个或更多个位置处的指令。
62.一般而言，一种用于受试者的筛查和分诊的系统包括：配备有应用的智能设备，它们共同被配置成：指示受试者开始筛查过程，记录从位于该智能设备中的至少一个传感器获得的短期传感器数据，以及从短期传感器数据和获得的趋势数据中识别状况；部署有传感器的基底，该传感器被配置成从受试者相对于基底的动作中捕获机械振动，该机械振动指示受试者的生物信号信息；以及连接到该传感器的处理器，该处理器被配置成：响应于智能设备所识别的状况而从传感器捕获传感器数据，根据从传感器捕获的传感器数据和所获得的短期传感器数据来识别状况，并基于所识别的状况执行动作。
63.在实现中，该应用和智能设备还被配置成：分析短期传感器数据传感器数据，从与处理器相关联的存储器中获得趋势数据，以及响应于智能设备所识别的状况而执行动作。在实现中，该应用和智能设备还被配置成：将短期传感器数据传感器数据传输到实体以用于对照趋势数据进行分析，获得分析结果，以及响应于实体所识别的状况而执行动作。在实现中，响应于智能设备所识别的状况的动作或响应于实体所识别的状况的动作包括以下项中的一项或更多项：针对危急状况生成可听音调、针对危急状况向云实体发送消息、将短期传感器数据和所识别的状况发送到实体而不是受试者。在实现中，该应用和智能设备还被配置成响应于智能设备所识别的状况而启动进一步的智能设备筛查。在实现中，该应用和智能设备还被配置成执行以下项中的至少一项：分析受试者的心脏信息、根据心脏信息确定心脏节律和速率信息、根据心脏节律和速率信息确定受试者的健康状态并识别心脏状况
的发作或进展，或分析受试者的呼吸信息、根据呼吸信息确定呼吸节律和速率信息、根据呼吸节律和速率信息确定受试者的健康状态并识别呼吸状况的发作或进展，或分析受试者的咳嗽信息、根据咳嗽信息确定咳嗽节律和速率信息、根据咳嗽节律和速率信息确定受试者的健康状态并识别咳嗽状况或呼吸流量的发作或进展。
64.通常，一种用于受试者的至少短期筛查和分诊的方法，该方法包括：经由智能设备指示受试者启动筛查过程；在他/她遵循筛查过程时，通过智能设备上的传感器记录来自受试者的短期传感器数据；分析短期传感器数据；从长期筛查设备获得趋势数据；基于所分析的短期传感器数据和趋势数据识别受试者状况；以及响应于所识别的状况而执行动作。
65.在实现中，该方法包括响应于所识别的状况，启动捕获长期筛查设备处的传感器数据。在实现中，该方法包括分析长期筛查设备传感器数据，获得智能设备数据，基于所分析的长期筛查设备传感器数据、一般群体数据和短期传感器数据识别受试者状况，以及响应于长期筛查设备所识别的状况而执行动作。在实现中，该方法包括分别将短期传感器数据、智能设备所识别的状况、长期筛查设备传感器数据和长期筛查设备所识别的状况发送到至少实体而不是受试者。在实现中，该方法包括响应于所识别的状况而启动附加的智能设备筛查。
66.尽管已经结合某些实施例描述了本公开，但应当理解，本公开并不限于所公开的实施例，相反，本公开旨在涵盖包括在随附权利要求的范围内的各种修改和等效布置，随附权利要求的范围应给予最广泛的解释，以便包括法律允许的所有此类修改和等效结构。