技术领域
本申请涉及心脏状况检测。
背景技术
用于健身监测应用的可穿戴设备变得越来越常见。这些可穿戴设备可以用于测量某些生命信号(vital signals)、例如可以指示心率的脉搏，同时还支持多种其他应用，例如跟踪用户的运动和健身进度，检查用户的电子邮件或社交媒体账号等。心电图系统用于医院和其他受控的医疗环境，以收集和处理人体的电信号，这些电信号可以指示心脏功能和心脏状况。
发明内容
本文公开了心脏状况检测的实施方式。
在第一方面，本说明书中描述的主题可以体现在包括含多个电极和一个或多个加速度计的穿戴件的系统中。该系统可以包括处理装置，其被配置为接收来自所述一个或多个加速度计的加速度测量信号，并且接收来自所述多个电极的心电图测量信号。处理装置可以被配置为基于所述加速度测量信号、所述心电图测量信号和先前基于训练数据确定的机器学习模型，确定人的心脏状况。处理装置可以被配置为发送或显示指示所确定的心脏状况的警报消息。
在第二方面，本说明书中描述的主题可以体现在方法中，其包括接收来自人穿着的穿戴件的一个或多个加速度计的加速度测量信号，并且接收来自该人穿着的穿戴件的电极的心电图测量信号。该方法可包括基于所述加速度测量信号、所述心电图测量信号和先前确定的基于训练数据的机器学习模型，确定该人的心脏状况。该方法可包括发送或显示指示所确定的心脏状况的警报消息。
在第三方面，本说明书中描述的主题可以体现在系统中，其包括处理器、网络接口和存储由所述处理器可执行的指令的存储器，所述指令在由所述处理器执行时促使所述处理器执行以下操作，包括：接收来自人穿着的穿戴件的一个或多个加速度计的加速度测量信号，并且接收来自该人穿着的穿戴件上的电极的心电图测量信号。操作可包括基于所述加速度测量信号、所述心电图测量信号和先前基于训练数据确定的机器学习模型，确定该人的心脏状况。操作可包括通过所述网络接口，发送指示所确定的心脏状况的警报消息。
附图说明
当结合附图阅读本公开时，由下面的具体实施方式得以最佳理解本公开。需要强调的是，按照惯例，附图中的各个特征不是按比例的。相反，为了清楚起见，各个特征的尺寸被任意地放大或缩小。
图1示出了用于心脏状况检测的示例性穿戴件。
图2是用于心脏状况检测的示例性系统的框图。
图3A是用于心脏状况检测的示例性处理装置的框图。
图3B是用于心脏状况检测的示例性处理装置的框图。
图3C是用于心脏状况检测的示例性处理装置的框图。
图4是用于心脏状况检测的示例性技术的流程图。
图5A是基于加速度和/或心电图训练数据来训练机器学习模型的示例性技术的流程图。
图5B是用于基于机器学习模型确定姿态模式和心脏状况的示例性技术的流程图。
图6是用于检测心室纤颤状况的示例性技术的流程图。
图7是用于检测室上性心动过速的示例性技术的流程图。
图8A是基于心电图登记数据确定登记身份模板的示例性技术的流程图。
图8B是通过将基于心电图数据的简况与身份相关联的模板比较来确认用户身份的示例性技术的流程图。
图9A是发送已确认的身份信息以及关于心脏状况的警报的示例性技术的流程图。
图9B是发送已确认的身份信息以及关于心脏状况的警报的示例性技术的流程图。
图10是部分心电图信号的示例图。
具体实施方式
心脏功能是健康的基本要素，某些心脏状况(例如，室上性心动过速或心室纤颤)可能带来巨大风险，甚至危及生命。心脏状况可能出现得较为突然，并且当出现心脏状况时，把握时间至关重要。对心脏状况快速进行检测和/或响应可以大大改善心脏状况不良的患者的结果。然而，患者即使是高危患者，将其生活限制在受控的医疗环境中、从而可以进行常规的心脏功能监测，这种方式不切合实际。需要能在用户日常生活遇到的各种环境和情况中提供快速准确的心脏状况检测的解决方案。在各种环境和情况(例如，在不同的活动期间)中自动检测心脏状况存在许多技术难题。
本文公开了包括可穿戴设备的心脏状况检测系统，其解决了在各种情况下自动检测心脏状况的一些技术难题。例如，心脏状况检测系统可以包括穿戴件(garment)，该穿戴件包括用于检测心电图测量信号的电极和/或用于检测加速度测量信号的加速度计。例如，可以使用一个或多个机器学习模型来对从心电图测量信号和/或加速度测量信号中提取的特征进行分类，并确定穿着该穿戴件的人的心脏状况。在一些实施方式中，基于利用人经常穿着的穿戴件所捕获的测量信号，可训练机器学习模型。基于人穿着的穿戴件获取的加速度测量信号，可确定姿态模式(例如，坐着、行走、跑步、跌倒)。在一些实施方式中，心脏状况的确定可以部分地基于穿着该穿戴件的人已确定的姿态模式。
当检测到不良心脏状况时，可快速行动作出响应。例如，可以显示和/或发送指示穿着该穿戴件的人的心脏状况的警报消息，以提醒本人、健康护理人员和/或登记联系人(例如，朋友和家人)该心脏状况的发生。在一些实施方式中，集成在穿戴件中的除颤器可以被自动激活，以在某些紧急心脏状况(例如，心室纤颤)发生时对人施加急救。
在一些实施方式中，基于来自该穿戴件的心电图测量信号的生物特征，可确认穿着该穿戴件的人的身份。可以将与该人的确认身份相关联的信息与指示紧急心脏状况的警报消息一起显示或发送，以便于照顾该人(例如，当人因丧失能力而难以通信时)。
在广泛的时间段和各种不同的情况下监测个体的心脏功能也可以创造新的机会来发现该个体特定的检测模式并跟踪心脏功能随时间的变化。
如本文所用，术语“姿态模式”是指人显现的活动模式(例如，运动和逐渐衍变的姿态)，其可以反映在人一个或多个部位的运动数据中。姿态模式的例子包括坐着、站立、行走、跑步、运动、躺着和跌倒。
如本文所用，术语“处理装置”是指被构造为执行指令以处理数据和/或控制外围组件或设备的包括一个或多个处理器的装置。
图1示出了用于心脏状况检测的示例性穿戴件100。穿戴件100可以被人102穿着。穿戴件100可以包括电极，所述电极可以在穿戴件100被人102穿着时用于测量人102的身体的电信号。穿戴件100可以包括一个或多个加速度计和/或其它运动传感器(例如，陀螺仪或磁力计)，所述加速度计和/或其它运动传感器可以在穿戴件100被人102穿着时用于测量人102的身体的运动和/或方向。穿戴件100可以包括材料110(例如，纤维)，其适合人的身体并且将电极和/或运动传感器固定到人102的身体上的各个位置。例如，穿戴件100当被人102穿着时可以覆盖人102的胸部部位。基于用穿戴件100的传感器收集的测量值可检测姿态模式(例如，坐着、行走、跑步、跌倒)和/或心脏状况(例如，室上性心动过速或心室纤颤)。
示例性穿戴件100包括材料110，其被人102穿着并将电极和加速度计固定到人102的身体上的各个位置。例如，材料110可以包括棉、亚麻、羊毛、苎麻、丝绸、皮革、聚酯、尼龙、氨纶和/或人造丝。在一些实施方式中，该材料可具有例如重量轻、可拉伸、透气、吸湿排汗、可洗涤和/或可机洗的优良性能。例如，材料110可以是电绝缘体。示例性穿戴件100以衬衫样式构造，其覆盖人102的躯干部位并且包括覆盖人102的胳膊部位的袖子112、114。
示例性穿戴件100包括八个电极，这八个电极在所述穿戴件被穿着时，可被固定到人102的身体上的位置。例如，电极可以固定在用于收集医疗级心电图信号(用于分析心脏状况)的位置上。示例性穿戴件100包括心电图传感器模块120，其可以电连接到电极并且检测来自电极的电压测量信号以进行分析，和/或将该电压测量信号(例如，通过无线通信)发送到另一处理装置(例如，在智能手机中或平板电脑)进行分析。电极130(例如，V1)可以固定在人102的胸骨右侧的大致第四肋间隙处。电极132(例如，V2)可以固定在人102的胸骨左侧的大致第四肋间隙处。电极136(例如，V4)可以固定在人102的锁骨中线中的大致第五肋间隙处。电极134(例如，V3)可以固定在人102胸部上的电极132和电极136大致中间处。电极138(例如，V5)可以沿着人102的左腋前线固定在与电极136大致相平的位置处。电极140(例如，V6)可以被固定在沿着人102的左腋中线与电极136大致相平的位置处。电极142(例如，LA)可以固定在人102的左胳膊上的位置。电极144(例如，RA)可以固定在人102的右胳膊上的位置，与电极142的位置大致对称。例如，电极130、132、134、136、138、140、142、144可以包括导电电解质凝胶和导体(例如，银或氯化银)。在一些实施方式中，电极130、132、134、136、138、140、142、144通过导体(例如，导线)连接到心电图传感器模块120。例如，导体(图1中未明确示出)可以被集成(例如，编织)到材料110中以使电极130、132、134、136、138、140、142、144与心电图传感器模块120电连接。
心电图传感器模块120可以包括无线通信接口，例如，蓝牙接口、ZigBee接口或WiFi接口。在一些实施方式中，心电图传感器模块120可将电极130、132、134、136、138、140、142、144的心电图测量信号发送至处理装置(例如，在智能电话、平板电脑或其它计算装置中)，处理装置可以依次分析和/或转发心电图测量信号。在一些实施方式中，心电图传感器模块120可以与处理装置(例如，微控制器的微处理器)集成，该处理装置被装到穿戴件100上并被构造为按照本公开中描述的技术(例如，图4的技术400)分析心电图信号。例如，响应于心电图测量信号的分析和心脏状况的检测，集成的处理装置可以使用无线通信接口(例如，蓝牙接口、ZigBee接口或WiFi接口)向其他设备(例如，智能电话、平板电脑或无线路由器)发送警报消息。
当穿戴件100被穿着时，心电图传感器模块120可以被固定到人102的胸部。心电图传感器模块120还可以包括当穿戴件100被穿着时固定到人102的胸部的一个或多个加速度计(例如，三轴加速度计)。例如，心电图传感器模块120可以与包括例如加速度计、陀螺仪和/或磁力计的运动传感器模块集成。例如，通过与心电图传感器模块120集成的处理装置可分析来自加速度计的加速度测量信号，或者加速度测量信号可被发送到另一处理装置(例如，在智能电话或平板电脑中)以进行分析。
示例性穿戴件100包括运动传感器模块150，该运动传感器模块150在穿戴件100被穿着时固定到人102的腰部。运动传感器模块150可以包括一个或多个加速度计(例如，三轴加速度计)，所述加速度计在穿戴件100被穿着时固定到人102的腰部，以测量人102的腰部的运动和/或方向。运动传感器模块150可以包括其它运动传感器，例如陀螺仪或磁力计。
示例性穿戴件100包括运动传感器模块152，该运动传感器模块152在穿戴件100被穿着时被固定到人102的腕部或前臂。运动传感器模块152可以包括一个或多个加速度计(例如，三轴加速度计)，所述加速度计在穿戴件100被穿着时固定到人102的腕部，以测量人102的腕部或前臂的运动和/或方向。运动传感器模块152可以包括其它运动传感器，例如陀螺仪或磁力计。
在一些实施方式中，穿戴件100包括将处理装置(例如，与心电图传感器模块120集成的微处理器)连接到运动传感器模块150、152的导体(例如，导线)。例如，运动传感器模块150中的加速度计的加速度测量信号可以由处理装置经由导体接收。在一些实施方式中，运动传感器模块150(和/或152)包括无线接口(例如，蓝牙接口、ZigBee接口或WiFi接口)，运动传感器模块150(和/或152)中的加速度计的加速度测量信号可以由处理装置通过与运动传感器模块150(和/或152)的无线通信来接收。
在一些实施方式中(图1中未示出)，穿戴件可以覆盖人体的其它部位，并且包括在穿戴件被穿着时固定在人体其它位置上的电极和/或运动传感器(例如，加速度计)。例如，穿戴件可以包括绑带(leggings)和电极，所述绑带和电极在穿戴件被穿着时以对称位置固定在人腿上。例如，穿戴件可以包括在穿戴件被穿着时固定在人的下背部、臀部、大腿和/或脚部的传感器模块。
在一些实施方式中(图1中未示出)，穿戴件可以包括除颤器，该除颤器可以被处理装置响应于心脏状况(例如，心室纤颤)的确定而激活。
图2是用于心脏状况检测的示例性系统200的框图。系统200包括穿戴件210(例如，图1的穿戴件100)，该穿戴件210包括当穿戴件210被人穿着时，被固定在人体上的位置处的电极和一个或多个加速度计。
穿戴件210可以与个人计算设备220(例如，智能电话、平板电脑、便携式电脑、台式计算机或无线路由器)通信，以转发来自电极的心电图测量信号和来自加速度计的加速度测量信号和/或转发基于对心电图测量信号和加速度测量信号的分析的警报消息。例如，穿戴件和个人计算设备之间的通信可用无线通信接口(例如，蓝牙接口、ZigBee接口或WiFi接口)来完成。在一些实施方式中，来自穿戴件210的电极的心电图测量信号和来自穿戴件210的加速度计的加速度测量信号可以被转发到个人计算设备220中的处理装置，以用本文公开的技术(例如，图4的技术400)进行分析。
示例性系统200还包括可以通过网络230(例如，广域网，比如因特网)访问的服务器设备240。在一些实施方式中，来自穿戴件210的电极的心电图测量信号和来自穿戴210的加速度计的加速度测量信号可以被转发到服务器设备240中的处理装置，以使用本文公开的技术(例如，图4的技术400)进行分析。例如，基于电极的心电图测量信号和加速度计的加速度测量信号，由服务器设备240中的处理装置生成用于指示穿着穿戴件210的人的心脏状况的警报，并通过网络230将警报发送到个人计算设备220、健康护理提供者设备250和/或联系人设备252。例如，由服务器设备240生成的警报可被转发到穿戴件并且可以使得与穿戴件210集成的除颤器被激活(例如，当警报指示已经检测到穿着穿戴件210的人的心室纤颤状况时)。
例如，健康护理提供者设备250可以是由医院或医生操作的计算机，其经常治疗穿着穿戴件210的人(作为患者)。例如，联系人设备252可以是穿着穿戴件210的人的朋友或亲戚的个人计算设备，该联系人设备252已经被登记以接收关于该人的健康的警报。
图3A是用于心脏状况检测的示例性处理装置310的框图。例如，处理装置310可以被包括在穿戴件(例如，穿戴件100或穿戴件210)中。处理装置310可以用于实施本公开中描述的技术(例如，关于图4-图9B描述的技术)。示例性处理装置310包括处理器312、存储器314、传感器接口316、无线接口318、用户界面320和电池322。
处理器312可以包括单个或多个处理器，各个处理器具有单个或多个处理核。或者，处理器312可以包括能够操纵或处理数据的另一类型的单个设备或多个设备。
存储器314可以包括随机存取存储器设备(RAM)、闪存存储器或任何其他合适类型的存储设备、例如非暂时性计算机可读存储器。存储器314可以包括可由处理器312访问的可执行指令和数据。存储器314可以包括一个或多个DRAM模块，比如双倍数据速率同步动态随机存取存储器(double data rate synchronous dynamic random-access memory,DDR SDRAM)。存储器314可以包括能够存储由处理器312进行检索或处理的数据的另一类型的单个或多个设备。处理器312可以通过总线324访问和操纵存储在存储器314中的数据。
处理装置310可以包括传感器接口316，其可以接收一个或多个传感器的测量信号(例如，心电图测量信号、加速度测量信号或角速率测量信号)。在一些实施方式中，传感器接口316可以实现通过导体与传感器设备通信的串行端口协议(例如，I2C或SPI)。在一些实施方式中，传感器接口316可以包括通过低功率短程通信(例如，使用身体区域网络协议)与一个或多个传感器模块进行通信的无线接口。
处理装置310可以包括无线接口318，其可以实现与个人计算设备(例如，个人计算设备220)的无线通信。例如，基于对传感器的测量信号的分析，无线接口318可用于转发传感器的测量信号和/或信息(例如，警报)。例如，无线接口318可以包括蓝牙接口、ZigBee接口和/或WiFi接口。
处理装置310可以包括用户界面320。例如，用户界面320可以包括LCD显示器，以向穿着穿戴件(例如，穿戴件100或穿戴件210)的人或帮助该人的其他人显示警报或其它消息。例如，用户界面320可以包括使人能够手动打开和关闭处理装置的按钮或开关。
处理装置310可以包括给处理装置和/或其外围设备供电的电池322。例如，电池322可以无线充电或者通过微型USB接口充电。
图3B是用于心脏状况检测的示例性处理装置340的框图。例如，处理装置340可以被包括在个人计算设备(例如，个人计算设备220)中。处理装置340可以用于实施本公开中描述的技术(例如，参照图4-图9B描述的技术)。示例性处理装置340包括处理器342、存储器344、网络接口346、无线接口348、用户界面350和电池352。
处理器342可以包括单个或多个处理器，各个处理器具有单个或多个处理核。或者，处理器342可以包括能够操纵或处理数据的另一类型的单个或多个设备。
存储器344可以包括随机存取存储器设备(RAM)、闪存存储器、只读存储器设备(ROM)、光盘、磁盘或者任何其他合适类型的存储设备、比如非暂时性计算机可读存储器。存储器344可以包括可由处理器342访问的可执行指令和数据。存储器344可以包括一个或多个DRAM模块，比如双数据速率同步动态随机存取存储器(DDR SDRAM)。存储器344可以包括另一类型的单个或多个设备，其能够存储由处理器342进行检索或处理的数据。处理器342可以通过总线354访问和操纵存储在存储器344中的数据。
处理装置340可以包括网络接口346，其可用于通过有线和/或无线计算网络(例如，蜂窝数据网络、WiFi无线LAN、以太网LAN和/或WAN，比如Internet)发送或接收数据。在一些实施方式中，网络接口346可以实施通过网络与其他计算设备通信的网络协议(例如，IPv4或IPv6)。
处理装置340可以包括无线接口348，其可以实现与外围设备(例如，穿戴件100或穿戴件210)的无线通信。例如，无线接口348可以用于接收来自穿戴件的电极的心电图测量信号和/或来自穿戴件的加速度计的加速度测量信号(例如，通过穿戴件的传感器模块中无线接口的发送)。在一些实施方式中，无线接口348可以用于从穿戴件接收信息(例如，警报)，该信息基于对来自传感器的心电图测量信号和/或加速度测量信号的分析。例如，无线接口348可以包括蓝牙接口、ZigBee接口和/或WiFi接口。
处理装置340可以包括用户界面350。例如，用户界面350可以包括触摸屏显示器，以向穿着穿戴件(例如，穿戴件100或穿戴件210)的人或帮助该人的其他人显示警报或其它消息，并检测用户的控制手势。例如，用户界面350可以包括使人能够手动开启和关闭处理装置、调整音量等的按钮或开关。在一些实施方式中，用户界面350可以包括LCD显示器或CRT监视器，以向穿着穿戴件(例如，穿戴件100或穿戴件210)的人或帮助该人的其他人显示警报或其它消息，并检测用户的控制手势。在一些实施方式中，用户界面350可以包括用于接收用户输入的键盘、鼠标、触控板和/或麦克风。
处理装置340可以包括给处理装置和/或其外围设备供电的电池352。例如，电池352可以无线充电、通过微型USB接口充电或通过AC(交流)适配器电缆充电。
图3C是用于心脏状况检测的示例性处理装置370的框图。例如，处理装置370可以被包括在服务器设备(例如，服务器设备240)中。处理装置370可以用于实施本公开中描述的技术(例如，参照图4-图9B描述的技术)。示例性处理装置370包括处理器372、存储器374和网络接口376。
处理器372可以包括单个或多个处理器，各个处理器具有单个或多个处理核。或者，处理器372可以包括能够操纵或处理数据的另一类型的单个或多个设备。
存储器374可以包括随机存取存储器设备(RAM)、闪存、只读存储器设备(ROM)、光盘、磁盘或者任何其他合适类型的存储设备、比如非暂时性计算机可读存储器。存储器374可以包括可由处理器372访问的可执行指令和数据。存储器374可以包括一个或多个DRAM模块，比如双数据速率同步动态随机存取存储器(DDR SDRAM)。存储器374可以包括另一类型的单个或多个设备，其能够存储由处理器372进行检索或处理的数据。例如，存储器374可以分布在多个机器或设备上，例如基于网络的存储器或多个执行操作的机器中的存储器，为了便于解释，这里所述的操作可用单个计算设备执行。处理器372可以通过总线378或通过计算网络通信来访问和操纵存储在存储器374中的数据(例如，其中存储器包括通过计算网络与处理器372分离的数据库服务器)。
处理装置370可以包括网络接口376，其可用于通过有线和/或无线计算网络(例如，蜂窝数据网络、WiFi无线LAN、以太网LAN以及/或WAN，如Internet)发送和接收数据。在一些实施方式中，网络接口376可以实施通过网络与其他计算设备通信的网络协议(例如，IPv4或IPv6)。例如，来自穿戴件(例如，穿戴件100或穿戴件210)的电极的心电图测量信号可以由处理装置370通过网络接口376接收。例如，来自穿戴件(例如，穿戴件100或穿戴件210)的加速度计的加速度测量信号可以由处理装置370通过网络接口376接收。例如，指示心脏状况和/或姿态模式的信息(例如，警报消息)可以由处理装置370通过网络接口376发送到已被登记以接收警报的另一设备(例如，健康护理提供者设备250、个人计算设备220、穿戴件210和/或联系人设备252)。
图4是用于心脏状况检测的示例性技术400的流程图。技术400可以包括从人穿着的穿戴件中的一个或多个加速度计接收加速度测量信号(操作410)，从人穿着的穿戴件中的电极接收心电图测量信号(操作420)，基于加速度测量信号和心电图测量信号确定人的心脏状况(操作430)，并发送或显示指示所确定的心脏状况的警报消息(操作440)。技术400可以由处理装置(例如，处理装置310、340、370)实现，处理装置被包括在人穿着的穿戴件中或(直接或间接)与人穿着的穿戴件进行通信。在一些实施方式中，可以在人穿着该穿戴件时，反复或连续地应用技术400来监测人的心脏状况，并且在各种环境和情况下快速且准确地检测不良的心脏状况，这可以提高人的安全。
可以从人穿着的穿戴件中的一个或多个加速度计接收(操作410)加速度测量信号。例如，加速度测量信号可以通过导体被接收(操作410)，导体将包括加速度计的一个或多个运动传感器模块(例如，运动传感器模块150)，连接到处理装置(例如，处理装置310)。例如，可以通过无线通信(例如，使用蓝牙、ZigBee或WiFi协议)接收(操作410)从包括加速度计的一个或多个运动传感器模块(例如，运动传感器模块150)至处理装置(例如，处理装置310或处理装置340)的加速度测量信号。例如，可以由处理装置(例如，处理装置370)通过网络接口(例如，网络接口376)经由网络通信(例如，使用IPv4或IPv6协议)接收(操作410)加速度测量信号。所接收的加速度测量信号可以是原始测量信号，或者可以是部分处理后的测量信号(例如，已经被过滤以抑制信号中的噪声分量的测量信号)。
可以从人穿着的穿戴件中的电极接收心电图测量信号(操作420)。例如，可以通过将电极(例如，电极130、132、134、136、138、140、142和/或144)连接到处理装置(例如，处理装置310)的导体接收心电图测量信号(操作420)。例如，通过无线通信(例如，使用蓝牙、ZigBee或WiFi协议)接收(操作420)从一个或多个心电图传感器模块(例如，心电图传感器模块120)至处理装置(例如，处理装置310或处理装置340)的心电图测量信号。例如，可以由处理装置(例如，处理装置370)通过网络接口(例如，网络接口376)经由网络通信(例如，使用IPv4或IPv6协议)接收(操作420)心电图测量信号。所接收的心电图测量信号可以是原始测量信号，或者可以是部分处理后的测量信号(例如，已经被过滤以抑制信号中的噪声分量的测量信号)。
基于加速度测量信号和/或心电图测量信号来确定(操作430)人的心脏状况。在一些实施方式中，可基于加速度测量信号、心电图测量信号以及先前基于训练数据确定的机器学习模型来确定(操作430)心脏状况。例如，可以使用技术550、600和/或700(参照图5B、图6和图7描述的)来确定(操作430)心脏状况。例如，可以基于加速度测量信号和/或心电图测量信号确定一个或多个特征，并且可以利用机器学习模型来处理这一个或多个特征，以对当前的心脏状况进行分类。例如，可以基于对一系列加速度测量信号的归一化功率谱密度的熵的估计来确定特征。例如，可以基于对一系列加速度测量信号的频带内的功率谱密度的估计来确定特征。例如，可基于对一系列心电图测量信号的归一化功率谱密度的熵的估计来确定特征。例如，可以基于对一系列心电图测量信号的频带内的功率谱密度的估计来确定特征。在一些实施方式中，确定(操作430)心脏状况可以包括基于加速度测量信号确定人的姿态模式，例如坐着、站立、行走、跑步、躺下或跌倒。部分基于姿态模式，可确定(操作430)心脏状况。例如，心脏状况可由处理装置(例如，处理装置310、340和370)确定。
如果(在操作435)确定心脏状况是不良的心脏状况(例如，室上性心动过速或心室纤颤)，则可以显示和/或发送(操作440)指示该确定的心脏状况的警报消息。警报消息还可以包括关于穿着该穿戴件的人的识别信息。在一些实施方式中，基于来自穿戴件的心电图测量信号来执行生物识别，以确认穿着穿戴件的人的身份。例如，警报消息可以包括关于已确认的人身份的信息。在一些实施方式中，警报消息可以包括穿着该穿戴件的人的当前位置信息。例如，警报消息可以包括基于全球定位系统接收器的输出的位置信息，该全球定位系统接收器可被包括在穿戴件(例如穿戴件210)中或者在与穿戴件通信的个人计算设备(例如，个人计算设备220)中。在一些实施方式中，可以在穿戴件或个人计算设备的用户界面(例如，用户界面320或350)中显示(操作440)警报消息。在一些实施方式中，可以向登记的健康护理提供者(例如，向健康护理提供者设备250)、向登记的联系人设备(例如，联系人设备252)、向个人计算设备(例如，个人计算设备220)和/或人所穿着的穿戴件(例如，穿戴件210)发送(操作440)警报消息。在一些实施方式中，警报消息可以通过网络接口(例如，网络接口346或网络接口376)来发送。在一些实施方式中，心电图测量信号可以与警报消息一起被发送给心脏病专家(例如，使用健康护理提供者设备250的心脏病专家)，心脏病专家能够基于心电图信号提供确切的医疗诊断。
如果(在操作435)确定心脏状况是没有问题的，那么可以继续基于接收的加速度测量信号和心电图测量信号来监测人的心脏状况。
立即干预某些心脏状况、例如心室纤颤，可以改善人的生存机会。在一些实施方式中，穿戴件可以包括除颤器，其能够进行快速干预以试图挽救人免受严重伤害或死亡。如果(在操作445)确定心脏状况与除颤需求相关联，则可以响应于心脏状况而启动(操作450)除颤器。例如，通过向穿戴件发送控制信号，可启动(操作450)除颤器，其中穿戴件包括集成的除颤器。在一些实施方式中，当发生紧急情况时，响应于检测到不良心脏状况(例如，心室纤颤)，对穿着该穿戴件的人施用及时除颤，作为可能挽救生命的急救措施。
在一些实施方式中，在穿戴件被穿着时，可以长时间地应用技术400以连续监测心脏状况。例如，连续监测可增加检测到意外心脏紧急状况、例如心室纤颤的机会。在一些实施方式中，响应于触发事件(例如，通过穿戴件或个人计算设备的用户界面发出的测量命令)，可以在短时间内应用技术400以偶发地监测心脏状况，这可以节省功率和/或存储器。
图5A是基于加速度和/或心电图训练数据来训练机器学习模型的示例性技术500的流程图。例如，技术500可离线应用于训练数据以配置和/或校准心脏状况检测系统，训练数据可包括相关标签、并且在相当长的一段时间内从一人或多人上获取。使用技术500训练的一个或多个机器学习模型(例如，使用图5B的技术550)可以被应用来确定心脏状况。技术500可以包括预处理(操作510)包括在训练数据中的加速度测量信号和/或心电图测量信号，基于训练数据中包括的加速度测量信号和/或心电图测量信号提取(操作512)特征，训练(操作514)姿态模式分类器，训练(操作516)心电图分类器并且训练(操作518)合成心脏状况分类器。例如，技术500可以由处理装置(例如，处理装置310、340和370)实现。
可对训练数据的语料库中的加速度测量信号进行预处理(操作510)，以使该测量信号准备好被进一步处理。在一些实施方式中，对加速度测量信号进行预处理(操作510)可以包括校正信号基线漂移和/或抑制由于可能的运动伪影引起的其他高频噪声。例如，对加速度测量信号进行预处理(操作510)可以包括对一系列加速度测量信号进行滤波(例如，使用滑动时间窗上的移动平均、使用指数移动平均、使用维纳滤波和/或使用其他形式的自适应滤波)。
可以对训练数据的语料库中的心电图测量信号进行预处理(操作510)，以使该测量信号准备好被进一步处理。在一些实施方式中，对心电图测量信号进行预处理(操作510)可以包括抑制测量信号中的噪声(例如，由于电力线干扰或可能的运动伪影)。例如，对心电图测量信号进行预处理(操作510)可包括对一系列心电图测量信号进行滤波(例如，使用滑动时间窗上的移动平均、使用指数移动平均、使用维纳滤波和/或使用其他形式的自适应滤波)。
可以基于训练数据中的加速度测量信号(例如，预处理后的加速度测量信号)提取(操作512)特征。例如，可以基于对一系列加速度测量信号的归一化功率谱密度的熵的估计确定(操作512)提取的特征。例如，可以基于对一系列加速度测量信号的频带内的功率谱密度的估计确定提取的特征。其它提取的特征可以包括，例如对固定到人身上位置(例如，在人的胸部、下背部、腕部、腰部、臀部、大腿或脚上)的加速度计的轴在时间窗内的一系列加速度测量信号的平均值、标准偏差、过零率、信号幅度区域、偏度/峰度统计或相干系数。
可以基于训练数据中的心电图测量信号(例如，预处理后的心电图测量信号)提取(操作512)特征。例如，可以基于对一系列心电图测量信号的归一化功率谱密度的熵的估计确定提取的特征。例如，可以基于对一系列心电图测量信号的频带内的功率谱密度的估计确定提取的特征。其它提取的特征可以包括，例如，导联(例如，胸导联、导联I、导联II、导联III、导联aVR、导联aVL或导联aVF)在时间窗内的一系列心电图测量信号的PQRST波群基准点、R峰到R峰相关的特征(例如，心率)、基于快速傅里叶变换(FFT)的特征、基于小波变换的特征、或基于交流离散余弦变换(AC-DCT)的特征。
可以基于训练数据中的加速度测量信号来训练(操作514)姿态模式分类器。例如，可以基于从训练数据的加速度测量信号中提取的特征来训练(操作514)姿态模式分类器。训练数据中的加速度测量信号可以与在检测和/或记录加速度测量信号时人呈现的姿态模式的标签相关联。例如，姿态模式分类器可以被实现为多种类型的机器学习模型，这些机器学习模型包括支持向量机(SVM)、贝叶斯模型、决策树等。基于具有关联的姿态模式标签的训练数据，可以应用适当的监督学习技术来训练(操作514)姿态模式分类器。
可以基于训练数据中的心电图测量信号来训练(操作516)心电图分类器。例如，可以基于从训练数据的心电图测量信号中提取的特征来训练(操作516)心电图分类器。训练数据中的心电图测量信号可以与在检测和/或记录心电图测量信号时人经历的心脏状况的标签相关联。例如，心电图分类器可以被实现为多种类型的机器学习模型，这些机器学习模型包括支持向量机(SVM)、贝叶斯模型、决策树等。基于具有关联的心脏状况标签的训练数据，可以应用适当的监督学习技术来训练(操作516)心电图分类器。
可以基于训练数据中的心电图测量信号和加速度测量信号来训练(操作518)合成心脏状况分类器。例如，可以基于从训练数据中的心电图测量信号和加速度测量信号中提取的特征来训练(操作518)合成心脏状况分类器。在一些实施方式中，合成心脏状况分类器可以将姿态模式分类器的输出作为输入特征。在一些实施方式中，合成心脏状况分类器可以将心电图分类器的输出作为输入特征。在一些实施方式中，合成心脏状况分类器可以将从心电图测量信号和加速度测量信号提取的特征作为输入特征。例如，合成心脏状况分类器可以被实现为多种类型的机器学习模型，这些机器学习模型包括支持向量机(SVM)、贝叶斯模型、决策树等。基于具有关联的心脏状况标签的训练数据，可以应用适当的监督学习技术来训练(操作518)合成心脏状况分类器。
在一些实施方式中，训练数据的语料库可以包括从使用该穿戴件的人收集的加速度测量信号和/或心电图测量信号。例如，通过对同一人(将使用穿戴件被监测)的训练数据进行分析，可以实现对个体的活动模式和/或心脏响应方面的个性化适应。例如，可通过个人计算设备的用户界面(用户界面350)来提示用户选择其活动和姿态的训练标签，同时用穿戴件收集训练数据。在一些实施方式中，训练数据的语料库可以包括从使用类似穿戴件的不同人或各种不同的测量设备收集的加速度测量信号和/或心电图测量信号，这些测量设备可以在受控的环境中运行以生成具有活动/姿态的标签和/或心脏状况的标签的训练数据。
图5B是基于机器学习模型确定姿态模式和心脏状况的示例性技术550的流程图。技术550可以利用使用训练数据(例如，用图5A的技术500)训练的一个或多个机器学习模型。技术550可以包括预处理(操作560)来自人穿着的穿戴件的加速度测量信号和/或心电图测量信号，基于加速度测量信号和/或心电图测量信号提取(操作562)特征，确定(操作564)穿着该穿戴件的人的姿态模式，以及确定(操作566)穿着该穿戴件的人的心脏状况。例如，技术550可以由处理装置(例如，处理装置310、340和370)实现。
对来自人穿着的穿戴件的一个或多个加速度计的加速度测量信号预处理(操作560)以使该测量信号准备好被进一步处理。在一些实施方式中，对加速度测量信号进行预处理(操作560)可以包括校正信号基线漂移和/或抑制由于可能的运动伪影引起的其他高频噪声。例如，对加速度进行预处理(操作560)可以包括对一系列加速度测量信号进行滤波(例如，使用滑动时间窗上的移动平均、使用指数移动平均、使用维纳滤波和/或使用其他形式的自适应滤波)。
对来自人穿着的穿戴件的电极的心电图测量信号进行预处理(操作560)，以使该测量信号准备好被进一步处理。在一些实施方式中，对心电图测量信号进行预处理(操作560)可以包括抑制测量信号中的噪声(例如，由于电力线干扰或可能的运动伪影)。例如，对心电图测量信号进行预处理(操作560)可以包括对一系列心电图测量信号进行滤波(例如，使用滑动时间窗上的移动平均、使用指数移动平均、使用维纳滤波和/或使用其他形式的自适应滤波)。
可以基于来自人穿着的穿戴件上的一个或多个加速度计的加速度测量信号(例如，预处理后的加速度测量信号)提取(操作562)特征。例如，可以基于对一系列加速度测量信号的归一化功率谱密度的熵的估计确定提取的特征。例如，可以基于对一系列加速度测量信号的频带内的功率谱密度的估计确定提取的特征。其它提取的特征可以包括，例如，对固定到人身上位置(例如，在人的胸部、下背部、腕部、腰部、臀部、大腿或脚上)的加速度计的轴在时间窗内的一系列加速度测量信号的平均值、标准偏差、过零率、信号幅度区域、偏度/峰度统计或相干系数。
可以基于来自人穿着的穿戴件上的电极的心电图测量信号(例如，预处理后的心电图测量信号)提取特征。例如，可以基于对一系列心电图测量信号的归一化功率谱密度的熵的估计确定提取的特征。例如，可以基于对一系列心电图测量信号的频带内的功率谱密度的估计确定提取的特征。其它提取的特征可以包括，例如，导联(例如，胸导联、导联I、导联II、导联III、导联aVR、导联aVL或导联aVF)在时间窗内的一系列心电图测量信号的PQRST波群基准点、R峰到R峰相关的特征(例如心率)、基于快速傅立叶变换(FFT)的特征、基于小波变换的特征、或基于交流离散余弦变换(AC-DCT)的特征。
可以基于加速度测量信号确定(操作564)人的姿态模式。例如，可以通过将从来自人穿着的穿戴件的加速度测量信号中提取的特征输入到基于训练数据已确定的机器学习模型(例如，参照图5A描述的姿态模式分类器)来确定(操作564)姿态模式。例如，所确定的姿态模式可以对应于人的跌倒状况(例如，人突然昏倒)。例如，所确定的姿态模式可以是坐着、站立、行走、跑步、躺着或跌倒。在一些实施方式中，可以部分基于特征来确定(操作564)姿态模式，该特征基于一系列加速度测量信号的归一化功率谱密度的熵的估计。在一些实施方式中，可以部分基于特征来确定(操作564)姿态模式，该特征基于一系列加速度测量信号的频带内的功率谱密度的估计。
基于加速度测量信号、心电图测量信号和先前基于训练数据确定的机器学习模型，可以确定(操作566)人的心脏状况。例如，可以通过将从来自人穿着的穿戴件的心电图测量信号和/或加速度测量信号提取的特征输入到基于训练数据已经确定的机器学习模型(例如，参照图5A描述的合成心脏状况分类器和/或心电图分类器)来确定(操作566)心脏状况。在一些实施方式中，可以使用被配置为将所确定的姿态模式作为输入特征的合成心脏状况分类器(参照图5A所描述的)来确定(操作566)心脏状况。在一些实施方式中，可以使用被配置为将心电图分类器(参照图5A所描述的)的输出作为输入特征的合成心脏状况分类器(参照图5A所描述的)来确定(操作566)心脏状况。在一些实施方式中，可以使用被配置为将从心电图测量信号和加速度测量信号提取的特征作为输入特征的合成心脏状况分类器(参照图5A描述的)来确定(操作566)心脏状况。例如，图6中的技术600可用于确定(操作566)穿着该穿戴件的人是否正在经历心室纤颤状况。例如，图7中的技术700可用于判断穿着该穿戴件的人是否正在经历室上性心动过速状况。在一些实施方式中，可以部分基于特征确定(操作566)心脏状况，该特征基于对一系列加速度测量信号的归一化功率谱密度的熵的估计。在一些实施方式中，可以部分基于特征确定(操作566)心脏状况，该特征基于对一系列加速度测量信号的频带内的功率谱密度的估计。在一些实施方式中，可以部分基于特征确定(操作566)心脏状况，该特征基于对一系列心电图测量信号的归一化功率谱密度的熵的估计。在一些实施方式中，可以部分基于特征确定(操作566)心脏状况，该特征基于对一系列心电图测量信号的频带内的功率谱密度的估计。在一些实施方式中，可以部分基于已确定(操作564)的姿态模式来确定(操作566)心脏状况。在一些实施方式中，可以部分基于特征确定(操作566)心脏状况，该特征基于在一系列心电图测量信号中对QRS波群基准点的估计。
图6是用于检测心室纤颤状况的示例性技术600的流程图。例如，技术600可部分基于对心率进行估计来检测心室纤颤状况，该心率远高于针对人的当前姿态模式预期的心率，或者由于心电图信号的不可识别形态(例如，R峰不能被可靠地识别)该心率甚至是不可读的。例如，技术600可以由处理装置(例如，处理装置310、340和370)实现。
可以基于来自人穿着的穿戴件上的一个或多个加速度计的加速度测量信号来确定(操作610)姿态模式(例如，坐着、行走、跑步、跌倒)。例如，参照图5B的操作564，可以确定(操作610)姿态模式。基于来自穿戴件上的电极的心电图测量信号，可以估计(操作620)心率(例如，每分钟跳动次数)。例如，针对一个或多个导联(例如，胸导联或者导联I)在已知时间段的时间窗内从一系列心电图测量信号中检测到的R峰的个数，可以被统计以估计人的心率。例如，可以部分基于确定在各个时间间隔(lag)的一系列心电图测量信号的自相关函数，来估计(操作620)心率。
然后，可以将所估计的心率与对于该人确定的当前姿态模式相关联的范围进行比较(在操作625)。例如，坐着时的心率可以预期在60到100BPM(每分钟跳动次数)的范围内。估计的心率620大大高于预期范围可以指示可能的心室纤颤状况。例如，当确定(操作610)人是坐着的姿态模式时，如果(在操作625)估计的心率是在150到500BPM的范围内，则将进行判断是否发生心室纤颤状况的分析，否则系统可继续监测，除非直到心率被估计在该范围内。心率的预期范围可以随着姿态模式而变化，心率的心室纤颤检测范围可以相应地调整。在已经收集了穿着穿戴件的个人的训练数据的实施方式中，用于各种姿态模式的适用的心率范围可以被缩窄并适合于个人。
如果(在操作625)估计的心率在与人的确定的姿态模式相关联的心室纤颤的范围内，则通过尝试从一系列心电图测量信号中识别(操作630)针对一个或多个导联(例如，胸导联和/或导联I)在时间窗内的P波和QRS波群来继续分析。例如，Pan-Tompkins算法可以用于识别(操作630)QRS波群和P波。例如，小波变换(例如，使用symlet 4小波)可以用于辅助识别(操作630)QRS波群。参照图10更多地讨论了P波和QRS波群。
如果(在操作635)P波和QRS波群已被成功识别(操作630)，则很可能没有发生心室纤颤，并且监测过程可以继续。例如，心率升高的可检测的P波和QRS波群可能与潜在的室上性心动过速状况相关联，并且检测潜在的室上性心动过速状况(例如，使用技术700检查室上性心动过速)的分析可被应用。
如果(在操作635)P波和QRS波群没有被成功识别(操作630)，则可以将二元心室纤颤分类器(binary ventricular fibrillation classifier)应用(操作640)于基于来自人穿着的穿戴件的心电图测量信号和/或加速度测量信号得到的特征。例如，可应用(操作640)基于训练数据的语料库(例如，参照图5A描述的)确定的心电图分类器和/或合成心脏状况分类器。二元心室纤颤分类器可判断心室纤颤状况是否正在发生。
图7是用于检测室上性心动过速状况的示例性技术700的流程图。例如，技术700可部分基于对心率进行估计来检测室上性心动过速状况，该心率处于与所述病症相关联的范围内且在所监测的人的当前姿态模式的预期范围之外。例如，技术700可以由处理装置(例如，处理装置310、340和370)实现。
可基于来自人穿着的穿戴件上的一个或多个加速度计的加速度测量信号来确定(操作710)姿态模式(例如，坐着、行走、跑步、跌倒)。例如，参照图5B的操作564，可以确定(操作710)姿态模式。基于来自穿戴件上的电极的心电图测量信号，可以估计(操作720)心率(例如，每分钟跳动次数)。例如，针对一个或多个导联(例如，胸导联或者导联I)在已知时间段的时间窗内从一系列心电图测量信号中检测到的R峰的个数，可以被统计以估计人的心率。例如，可以部分基于确定在各个时间间隔(lag)的一系列心电图测量信号的自相关函数，来估计(操作720)心率。
然后，可以将估计的心率与对于该人确定的当前姿态模式相关联的范围进行比较(在操作725)。例如，经历室上性心动过速状况的人在坐着时可能预期出现110至264BPM范围内的心率。该范围内的估计心率和坐着姿态模式的确定可以指示可能的室上性心动过速状况。
例如，当确定(操作710)人处于坐着姿态模式时，如果(在操作725)估计的心率在110至264BPM之间的范围内，则将进行判断是否发生室上性心动过速状况的分析，否则系统可继续监测，除非直到心率被估计在该范围内。心率的预期范围可能随着姿态模式而变化，并且心率的室上性心动过速检测范围可以相应地调整。在已经收集了穿着穿戴件的个人的训练数据的实施方式中，用于各种姿态模式的适用的心率范围可以被缩窄并适合于个人。在一些实施方式中，当确定(操作710)人处于与休息相关联的姿态模式(例如，坐着、站立或躺着)时，可以启用室上性心动过速检测，并且系统可以等待，直到检测到休息姿态模式以评估是否正在发生室上性心动过速状况。
如果(在操作725)估计的心率在与人的确定的姿态模式相关联的室上性心动过速的范围内，则通过尝试从一系列心电图测量信号中识别(操作730)针对一个或多个导联(例如，胸导联和/或导联I)在时间窗内的P波和QRS波群来继续分析。例如，Pan-Tompkins算法可以用于识别(操作730)QRS波群和P波。例如，小波变换(例如，使用symlet 4小波)可以用于辅助识别(操作730)QRS波群。参照图10更多地讨论了P波和QRS波群。
如果(在操作735)P波已被识别(在操作730)，则进行室上性心动过速分析。否则，心脏状况可能不是室上性心动过速，监测可继续。例如，缺乏可检测的P波可能与潜在的AVNRT(房室结折返性心动过速)状况或房颤状况相关联，并且检测潜在的AVNRT状况和/或潜在的房颤状况的分析可被应用。
如果(在操作745)识别到的P波在对应的识别到的QRS波群前，则进行室上性心动过速分析。否则，心脏状况可能不是室上性心动过速，监测可继续。例如，滞后的P波可能与潜在的不常见的AVNRT状况相关联，并且检测潜在的不常见的AVNRT状况的分析可被应用。
如果(在操作755)识别到的QRS波群是规则的宽度或者更宽，则进行室上性心动过速分析。否则，心脏状况可能不是室上性心动过速，监测可继续。例如，窄QRS波群可能与潜在的AVNRT状况相关联，并且检测潜在的AVNRT状况的分析可被应用。
在满足操作725、735、745和755中所有测试的情况下，可通过对基于从人穿着的穿戴件的心电图测量信号和/或加速度测量信号得到的特征施用二元室上性心动过速分类器来进行技术700。例如，基于训练数据的语料库(例如，参照图5A描述的)已确定的心电图分类器和/或合成心脏状况分类器可被应用(操作760)。二元室上性心动过速分类器可判断室上性心动过速状况是否正在发生。
图8A是基于心电图登记数据确定登记身份模板的示例性技术800的流程图。技术800可以包括预处理(操作810)作为身份登记数据收集的心电图测量信号，从登记数据的心电图测量信号中提取(操作820)特征，以及基于特征生成(操作830)登记身份的模板。例如，技术800可以由处理装置(例如，处理装置310、340和370)实现。
可对身份登记数据中的心电图测量信号进行预处理(操作810)，以使该测量信号准备好被进一步处理。例如，可以使用运行在身份登记模式的穿戴件(例如，穿戴件100或穿戴件210)收集身份登记数据。在一些实施方式中，预处理(操作810)心电图测量信号可以包括抑制测量信号中的噪声(例如，由于电力线干扰或可能的运动伪影)。例如，预处理(操作810)心电图测量信号可以包括对一系列心电图测量信号进行滤波(例如，使用滑动时间窗上的移动平均、使用指数移动平均、使用维纳滤波和/或使用其他形式的自适应滤波)。
从登记数据中预处理后的心电图测量信号可提取(操作820)特征。例如，可以基于对一系列心电图测量信号的归一化功率谱密度的熵的估计确定提取的特征。例如，可以基于对一系列心电图测量信号的频带内的功率谱密度的估计确定提取的特征。其它提取的特征可以包括，例如，导联(例如，胸导联、导联I、导联II、导联III、导联aVR、导联aVL或导联aVF)在时间窗内的一系列心电图测量信号的PQRST波群基准点、基于快速傅立叶变换(FFT)的特征、基于小波变换的特征或基于交流离散余弦变换(AC-DCT)的特征。作为可选步骤，可以将降维技术、例如PCA，应用于特征数据集以降低维度。
可以基于提取的特征生成(操作830)登记身份模板。例如，该模板可以包括所提取的特征的阵列。例如，模板可以与登记的身份相关联地被存储。
图8B是通过比较基于心电图数据的简况(profile)与身份相关联的模板来确认用户身份的示例性技术850的流程图。技术850可以包括预处理(操作860)来自人穿着的穿戴件中的电极的心电图测量信号，从预处理的心电图测量信号中提取(操作862)特征，基于特征确定(操作864)该人的简况，将该简况与一个或多个与登记身份相关联的模板进行比较(操作870)，以及响应于该简况与模板的匹配，确认(操作880)该人的身份。例如，技术850可以由处理装置(例如，处理装置310、340和370)实现。
预处理(操作860)来自人穿着的穿戴件中的电极的心电图测量信号，以使该测量信号准备好被进一步处理。在一些实施方式中，预处理(操作860)心电图测量信号可以包括抑制测量信号中的噪声(例如，由于电力线干扰或可能的运动伪影)。例如，预处理(操作860)心电图测量信号可以包括对一系列心电图测量信号进行滤波(例如，使用滑动时间窗口上的移动平均、使用指数移动平均、使用维纳滤波和/或使用其他形式的自适应滤波)。
从来自穿戴件的电极中的预处理的心电图测量信号提取(操作862)特征。例如，可以基于对一系列心电图测量信号的归一化功率谱密度的熵的估计确定提取的特征。例如，可以基于对一系列心电图测量信号的频带内的功率谱密度的估计确定提取的特征。其它提取的特征可以包括，例如，导联(例如，胸导联、导联I、导联II、导联III、导联aVR、导联aVL或导联aVF)在时间窗内的一系列心电图测量信号的PQRST波群基准点、基于快速傅立叶变换(FFT)的特征、基于小波变换的特征或基于交流离散余弦变换(AC-DCT)的特征。作为可选步骤，可以将降维技术、例如PCA，应用于特征数据集以降低维度。
基于所提取的特征，可以确定(操作864)穿着该穿戴件的人的简况。例如，简况可以包括提取的特征的阵列。
可将确定的简况分别与一个或多个身份相关联的登记模板进行比较(操作870)。在一些实施方式中，通过将简况的特征传递给基于机器学习的分类器(例如，基于线性判别分析)来将该简况与一个或多个模板进行比较(操作870)，该分类器已被训练为能够将简况匹配到一组中的一个或多个模板。例如，决策树分类器可用于将简况与登记模板进行比较(操作870)。在一些实施方式中，通过确定简况(作为特征矢量)和模板(作为特征矢量)之间的距离度量，将该简况与模板进行比较(操作870)。例如，可计算简况和模板之间的欧几里得距离，并且将该距离度量与基于对登记模板的大型语料库的分析所确定的阈值进行比较。如果距离度量低于阈值，则可以确定简况与模板匹配，否则不匹配。
如果(在操作875)基于比较(操作870)的结果确定简况与登记模板匹配，则可确认(操作880)穿着该穿戴件的人的身份为与所登记的模板相关联的身份。例如，关于确认的人的身份信息可以与指示所确定的心脏状况(例如，参照图4中的操作440所描述的)的警报消息一起被显示或发送。
如果(在操作875)基于比较(操作870)的结果确定简况与登记模板不匹配，则可以返回(操作882)用户未知结果。例如，指示穿着该穿戴件的人不被识别的消息可被显示或发送。
图9A是发送已确认的身份信息以及关于心脏状况的警报的示例性技术900的流程图。技术900可以包括重新开始(操作910)监测来自人所穿着的穿戴件的心电图测量信号和/或加速度测量信号；确认(操作920)人的身份；继续监测(操作930)来自人所穿着的穿戴件的心电图测量信号和/或加速度测量信号；并且当(在操作935)检测到心脏状况问题时，将确认的身份信息与心脏状况警报消息一起发送或显示。例如，技术900可以由处理装置(例如，处理装置310、340和370)实现。
例如，当人穿上该穿戴件和/或通过用户界面(例如，用户界面320或用户界面350)激活该穿戴件时，可以重新开始(操作910)监测穿着该穿戴件的人。例如，可以使用技术850来确认(操作920)人的身份。例如，可以使用技术400(参照图4所描述的)来监测(操作930)穿着穿戴件的人。例如，关于确认的人的身份的信息可以与指示所确定的心脏状况(例如，参照图4的操作440所描述的)的警报消息一起被显示或发送(操作940)。
图9B是发送已确认的身份信息以及关于心脏状况的警报的示例性技术950的流程图。技术950可以包括监测(操作960)来自人所穿着的穿戴件的心电图测量信号和/或加速度测量信号；当(在操作965)检测到心脏状况问题时，确认(操作970)人的身份；并且将确认的身份信息与心脏状况警报消息一起发送或显示(操作980)。例如，技术950可以由处理装置(例如，处理装置310、340和370)实现。
例如，可以使用技术400(参照图4所描述的)来监测(操作960)穿着穿戴件的人。例如，可以使用技术850来确认(操作970)人的身份。例如，关于人的确认身份的信息可以与指示确定的心脏状况的警报消息一起显示或发送(操作980)(例如，参照图4中的操作440所描述的)。
图10是示出了多个基准点的部分心电图信号的示例性图1000。例如，图1000可描绘在约一次心跳对应的时间间隔内，导联(例如，胸导联)的预处理后的心电图测量信号(例如，来自操作560)。输出曲线通常指示随时间变化的电压，但是可以使用任何合适的测量信号单位。典型的心电图输出是由P波1040(表示心房除极)、QRS波群(表示心室除极)和T波(表示心室复极)组成的重复周期。PR段存在于P波终点至QRS波群起点，ST段存在于QRS波群终点至T波起点。其他电实体可以一系列心电图测量信号来表示。
心电图曲线内这些电实体中的每一个与一个或多个幅值(除非另有说明，可与本文的“大小”互换使用)和一个或多个时间间隔或持续时间相关联。例如，在QRS波群中，Q点1020和S点1030是谷，R点1010是峰，各个峰和谷均与不同的幅值相关联。内部任何点的幅值可以是绝对幅值(相对于基线测量值)或相对幅值(相对于另一个幅值测量值)。使用绝对测量信号，例如，图10示出谷Q具有Q波大小，峰R具有R波大小，谷S具有S波大小。图10还示出了T波的大小和P波1040的大小。间隔或持续时间可以从重复周期中的任何点到任何其它点来被测量。例如，一个基准点可以由从P波1040起点到QRS波群起点的PR间隔以及从QRS波群起点到T波终点的QT间隔来表示。
使用基于基准点的方法，图10中的特征提取包括：检测或计算心电图曲线或波形内的持续时间/间隔的至少一部分以及幅值/大小的至少一部分。使用计算可以实现特征提取，该计算包括基于谱的特征、小波、离散余弦变换(DCT)、功率密度、整体经验模式分解(EEMD)中的一个或多个。该特征可以是幅值和持续时间值本身、幅值和/或持续时间值的组合、或通过例如自相关系数(AC)或周期性变换(PT)使用幅值和/或持续时间值导出的值。一个特征可以是，例如，心率变异性(HRV)，其是心跳间隔(即，每个周期从R到R的时间)的变化。这些特征可以使用主成分分析(PCA)、线性判别分析(LDA)和/或独立分量分析(ICA)进行缩减或编码。
尽管已经结合某些实施例描述了本公开，但是应当理解，本公开不限于所公开的实施例，而是相反，本公开旨在覆盖包括在所附权利要求范围内的各种修改和等同布置，而所覆盖的范围应被赋予最宽的解释，以涵盖法律允许的所有这样的修改和等同结构。