具体实施方式

在一些方面，本文所描述的技术包含：从一个或多个源收集数据；将机器学习算法应用于数据；基于将机器学习算法应用于数据的结果确定是否递送疗法；以及如果确定递送疗法，则递送所述疗法。机器学习算法可以通过除颤设备，如WAED的GPU来实施。可以基于患者的数据和来自更大群体的数据来更新机器学习算法。机器学习算法可以被配置成将患者数据表征为正常或非正常或以其它方式确定患者的一种或多种状态。

作为实例，患者可以穿戴具有GPU并且还具有皮下植入的可插入心脏监测器的背心设备(例如，WAED)。这些装置中的每个装置可以感测患者心脏的心脏信号。背心设备可以控制可插入心脏监测器以执行各种任务，如向背心设备发射所感测到的信号。换句话说，背心设备可以以主/从关系充当可插入心脏监测器的主设备。

基于信号，背心设备的GPU实施的机器学习算法可以确定患者患有心律失常，并且背心设备可以被配置成向患者递送疗法以治疗心律失常。患者(或医疗保健专业人员)可以例如通过背心设备或另一装置的用户接口确认是否实际上发生了不良事件。以此方式，患者和/或医疗保健提供者可以有助于机器学习算法的开发，例如为算法的强化学习提供近实时的强化。在一些实例中，心脏监测器或另一装置可以作出心律失常的独立确定，这可以为机器学习算法的强化学习开发提供近实时的反馈(强化)。基于先前的事件和信号，GPU可以更新机器学习算法。

图1是展示了示例系统100的概念图，所述示例系统可以用于向患者102的心脏递送疗法，如提供用于心室纤颤的疗法。系统100可以包含设备110、一个或多个感测装置130、网络150以及一个或多个外部装置170。在一个实例中，设备110可以由患者102穿戴。设备110可以是背心设备，所述背心设备包含衣服、电子装置和电极，如本文进一步所描述的。设备110可以被配置成监测患者102的心脏，并且可以被配置成提供疗法。在一些实例中，设备110包含一个或多个感测电极，所述一个或多个感测电极被配置成感测患者102的现象(例如，如心脏信号等生理信号)。在一些实例中，设备110是WAED。

一个或多个感测装置130被配置成感测患者102和/或患者环境的现象。设备110可以被配置成感测与一个或多个感测装置130相同或不同的患者102的现象。如图1所展示，设备110和一个或多个感测装置130可以通过一个或多个链路120进行通信。在一些实例中，链接120可以是链路，如 Low Energy(BLE)链路。

在一些实例中，设备110根据主/从关系充当一个或多个感测装置130的主设备。一个或多个感测装置130用作设备110的从设备可以例如通过改进真阳性同时避免由于信号干扰和假信号引起的假阳性来改进由设备110实施的机器算法的整体灵敏度。另外，相对于其它更频繁的通信方案，根据主/从关系的通信可以限制一个或多个感测装置130的电源的通信相关消耗。在这样的关系中，设备110仅在需要时，例如在基于设备110感测到的心脏信号(以及可能的其它数据)存在指示患者状态可能不正常的初步指示时，才从一个或多个感测装置130请求数据。

在一些实例中，设备110将使用指定的磁性、射频(RF)或电信号唤醒感测装置130。在一些实例中，一旦在设备110与感测装置130之间建立连接，则周期性通告可以维持所述连接。在一些实例中，设备110可以使用组织或全局唯一标识符在感测装置130之间进行区分。在一些实例中，设备110与感测装置130之间的通信通常可以根据或BLE协议进行。

网络150可以表示促进装置之间的通信的任何单个网络或网络的组合。作为一个实例，网络150可以表示促进一个或多个外部装置170与设备110(和/或感测装置130)之间的通信的无线和有线网络(例如，互联网)的组合。外部装置170和网络150可以包括远程患者监测系统，如可从爱尔兰都柏林的美敦力公司(Medtronic plc)获得的网络。在一些实例中，一个或多个外部装置170包括一个或多个服务器以及医疗保健提供者可以通过用户接口与其进行交互的一个或多个个人计算机。在一些实例中，系统100包含多个外部装置170(例如，远程患者监测系统和一个或多个个人计算机)。在一些实例中，一个或多个外部装置170可以包括基于云的计算系统。

外部装置170可以被配置成从设备110和/或感测装置130接收患者数据，并且将所述数据存储于存储器中。外部装置170可以存储从患者群体收集的数据。在一些实例中，群体数据包含关于患者102的信息，但是在其它实例中，群体数据不一定包含关于患者102的信息。

如将在下文中更详细地描述的，设备110可以包含GPU，其将机器学习算法应用于患者102的数据，以例如确定是否检测到纤颤以及是否递送除颤疗法。设备110可以基于GPU作出的确定来递送除颤疗法。所述数据可以包含从一个或多个感测装置130接收的数据。GPU可以更新机器学习算法，即算法可以学习以基于患者数据更好地对未来患者数据进行分类。外部装置170还可以包含GPU并且基于患者数据和群体数据确定机器学习算法的更新，并且向除颤设备110提供更新。

图2是系统200的概念图，所述系统是图1的系统100的除颤设备110和感测装置130的一个实例。系统200可以包含设备210，所述设备是设备110的一个实例。如图所展示，系统200包含感测装置230A-230D(统称为“感测装置230”)，但是在一些实例中，系统200可以包含更少、更多或不同的感测装置230。通常，患者102可以植入有、穿戴任何一个或多个感测装置230或与其进行交互。感测装置230是图1的感测装置130的实例。

系统200可以包含皮带204。在一些实例中，皮带204是设备210的一部分，并且皮带204被配置成将设备210的部分固定到患者102(例如，连接到设备210的电子装置的电池组)。通常，设备210被配置成由患者102穿戴。

系统200可以被配置成用于心脏除颤。例如，系统200包含(例如，设备210和感测装置230A-230D中的一个或多个的)被配置成感测信号，如患者102的生理信号和患者环境的特性的各种传感器。例如，设备210可以包含被配置成感测患者102的心脏信号的感测电极和相关联的感测电路系统。在一些实例中，设备210可以是WAED。

如感测装置230B等感测装置230可以包含被配置成感测患者102的心脏信号的传感器(例如，电极和相关联的感测电路系统)。因此，患者102的心脏可以是设备210感测到的信号的源，并且还可以是感测装置230B感测到的信号的源。然而，由于如患者102的身体上的位置或所使用的传感器的类型等因素，不同装置感测到的心脏信号可能略有不同(例如，关于噪声或运动伪影的类型或程度)。如此，通过包含多个装置，系统200被配置成基于多个信号确定患者102的心脏的状态(例如，正常或不正常)。另外，使用多个装置来感测来自同一源(例如，来自患者102的心脏或来自患者102的其它部分)的信号有助于验证患者状态的确定。以此方式，系统200可以相对于仅使用一个装置的系统具有减少的非正常患者状态的假警报(例如，可治疗的快速性心律失常状态的假警报)，这也可以被称为假阳性。在一些实例中，可以避免由于信号干扰引起的假阳性和可能特定于一个装置或感测模态的假信号。避免假警报可以帮助避免递送不必要的疗法(例如，不适当的电击)。在这些和其它方式中，系统200可能比仅依赖于一个装置来确定患者102的状态的系统更可靠。

设备210可以包含通信电路系统，所述通信电路系统被配置成从感测装置230接收感测到的信号和/或从感测到的信号得出的其它数据。如本文所使用的，作为实例，术语数据可以是指信号、从信号得出的数据以及由任何装置基于信号或其它数据作出的确定。在一些实例中，除了别的之外，设备210包含存储器，所述存储器被配置成存储从感测装置230接收的数据、设备210感测到的心脏信号以及机器学习算法等。设备210包括如本文进一步所描述的处理电路系统的处理电路系统，所述处理电路系统可以包含GPU。在一些实例中，GPU被配置成将机器学习算法应用于数据，例如应用于从感测装置230接收的一个或多个生理信号和设备210感测到的心脏信号。处理电路系统可以被配置成确定是否控制向患者102递送除颤疗法(例如，通过设备210的疗法递送电路系统和除颤电极)。在一些实例中，处理电路系统的此确定是基于将机器学习算法应用于生理信号和心脏信号的结果。例如，处理电路系统可以被配置成基于将机器学习算法应用于数据概率性地确定患者102的一种或多种状态，并且基于一种或多种所确定的患者状态来控制疗法的递送或采取一种或多种其它动作。

感测装置230的实例是感测装置230A。感测装置230A可以包括被配置成穿戴在患者102的头部上的头带、帽子等，并且将一个或多个传感器定位在头部上。此类传感器可以包括脑电图(EEG)传感器，例如被配置成感测EEG信号的电极以及相关联的感测电路系统。感测到的EEG信号是上文所描述的生理信号的一个实例。例如，设备210可以基于EEG信号确定患者状态，以例如确定是否递送除颤疗法。如从患者和/或群体数据学习的EEG的不同波形形态和定时数据可以与快速性心律失常的室上性或室性来源相关联，并且因此可用于通过机器学习算法确定患者的可治疗的快速性心律失常状态，例如患者状态是否是可治疗的快速性心律失常。机器学习算法考虑的EEG信号数据可以包含从洛伦兹散点图(Lorenzplot)或EEG信号的变异性的量和/或模式的另一度量得出的数据。在一些实例中，设备210可以基于ECG和EEG信号数据通过心率变异性(HRV)诊断特定的心脏病状，如心房纤颤(AF)。设备210还可以基于EEG信号或从EEG信号得出的其它数据确定如癫痫或中风或可以与心律失常共病的其它病症等的一种或多种共病状态。

感测装置230的另一个实例是感测装置230B。感测装置230B可以是心脏监测器(例如，可植入心脏监测器)。例如，感测装置230B可以采取可从爱尔兰都柏林的美敦力公司获得的Reveal 可插入心脏监测器(ICM)的形式。如上所述，设备210可以感测来自患者102的心脏的第一心脏信号，而患者装置230B感测来自患者102的心脏的第二心脏信号。

感测装置230B还可以包括被配置成感测指示患者102的其它生理现象的其它信号的传感器。例如，感测装置230B可以被配置成感测患者102的温度、姿势、活动、血液氧合和组织灌注。进一步地，尽管在本文中主要被描述为心脏监测器，但是在其它实例中，感测装置230B可以是被配置成感测患者的一个或多个生理信号并且在一些实例中被配置成递送疗法的任何可植入医疗装置(IMD)，如可植入起搏器、ICD、神经刺激器、可植入压力传感器或药物递送装置。设备210可以基于由感测装置230B感测到的信号或从所述感测装置得出的其它数据确定患者状态，以例如确定是否递送除颤疗法。

感测装置230的另一个实例是感测装置230C。感测装置230C可以穿戴在患者102身上，如四肢(例如，手臂或手腕)上。感测装置230C是可穿戴装置，例如包括一个或多个传感器的手表或活动监测器。感测装置230C可以被配置成感测患者102的心率、活动和流体中的各种物质的浓度，例如，血液或汗液中的盐。设备210可以基于由感测装置230C感测到的信号或从所述感测装置得出的其它数据确定患者状态，以例如确定是否递送除颤疗法。

感测装置230的另一个实例是感测装置230D。感测装置230D可以是移动计算装置(例如，移动电话)。如此，感测装置230D可以包括麦克风、相机、处理电路系统以及可以用于确定关于患者102或与所述患者有关的信息的其它组件。例如，患者102可以拍摄患者102所消耗的食物或饮料的照片。作为另一个实例，感测装置230D可以使用GPS或其它定位技术来跟踪患者102的位置。系统200可以自动跟踪这些数据并且从所述数据中确定患者状态。例如，系统200可以考虑关于患者102的食物消耗的信息，如在患者消耗高于正常量(例如，高于先前确定的基线)的可能影响患者102的健康的特定类型的食物(例如，电解质)的情况下。

感测装置230D(或另一个感测装置230或设备210)收集的位置数据可以由本文所描述的系统以各种方式来使用。例如，位置数据可以指示患者进行的活动和患者所暴露的环境或环境条件。当确定患者的状态时，例如关于可治疗的快速性心律失常、呼吸障碍(如COPD)或可能特别受患者所暴露的环境影响的其它共病，设备210可以使用此数据。进一步地，可以用位置数据标记针对给定患者收集的数据。在一些实例中，外部装置170(图1)可以使用位置数据来划分不同的患者群体以便通过机器学习算法进行基于群体的学习。

感测装置230的另一个实例是心血管压力监测装置。心血管压力监测装置可以是可植入压力监测装置，其可植入在心脏的腔室、肺动脉或另一心血管位置，如在共同-转让的Beasley等人的美国专利第8,864,676号和Greenhut等人的美国专利公开号2016/0220825中描述的压力监测装置。在其它实例中，心血管压力监测装置可以是外部压力监测装置，例如包含基于袖带的血压测量系统。作为实例，由此类传感器产生的心血管压力信号可以包含收缩压、舒张压或平均压的值，包含肺动脉压或外周血管压。压力信号(例如，信号的形态或趋势)可以指示当前或预测的可治疗的快速性心律失常状态或共病，如心力衰竭和COPD。

在一些实例中，一个或多个感测装置230可以提供脉搏率、氧饱和度和呼吸率的信号或值。在一些实例中，感测装置包括提供这些参数的值或信号的集成脉搏血氧测定系统。这些参数的趋势或形态可以指示当前或预测的可治疗的快速性心律失常状态或共病，如心力衰竭和COPD。

尽管本文主要描述为植入或穿戴，但是感测装置可以是被配置成收集关于患者或患者环境的数据的任何装置。感测装置230的另一个实例可以是被配置成感测患者102的生理信号(例如，葡萄糖浓度)的葡萄糖监测器。感测装置230的其它实例包含肺活量计、医疗成像装置、食物秤或空气质量感测装置。

通常，如本文进一步描述的，机器学习算法可以使用由一个或多个感测装置感测到的信号或从此类信号得出的其它数据来确定患者102的状态。例如，设备210可以基于所确定的状态来确定患者的快速性心律失常状态，例如患者是否正在经历或将很可能经历可治疗的快速性心律失常，以及是否递送除颤或被配置成终止或预防快速性心律失常的另一种疗法。设备210可以被配置成基于所述确定来递送疗法。在一些实例中，设备210可以被配置成基于将机器学习算法应用于这些数据来另外确定共病，如COPD是否已经在患者102中表现出来。

图3是除颤设备310的示例配置的框图，所述除颤设备可以是图1的设备110或图2的设备210的实例。设备310可以包括通信电路系统312、存储器314、用户接口318、处理电路系统322、电源328、感测电路系统330、感测电极332、疗法递送电路系统334和除颤电极336。感测电路系统330电耦合到感测电极332，并且疗法递送电路系统334电耦合到除颤电极336。处理电路系统322可以包括GPU 324和CPU 326。存储器313可以被配置成存储一个或多个算法316。

通信电路系统312包含用于与另一个装置(例如，本文所描述的任何装置，如图1的感测装置130或图1的外部装置170)通信的任何合适的硬件、固件、软件或其任何组合。通信电路系统312可以被配置成通过天线(未示出)发射或接收射频(“RF”)信号，或通过与另一个装置或网络有线连接来发射或接收其它信号。通信电路系统312可以被配置成用于与如感测装置130或230或外部装置170等其它装置进行这种通信。作为实例，通信电路系统可以包含电阻器、电感器、电容器、放大器和/或晶体管，所述晶体管被配置成根据多种通信协议中的任何通信协议来生成、调制、滤波和/或解调信号。在一些实例中，通信电路系统312可以耦合到一个或多个电极，并且被配置有类似的电路系统以通过电极发射和接收信号以进行组织传导通信(TCC)。

通常，本文所描述的任何装置可以被配置成与任何其它装置通信(例如，本文所描述的任何装置可以包括与通信电路系统312的通信电路系统相似的通信电路系统)。在一些实例中，通信电路系统312可以被配置成通过进行通信(例如，发射或接收 RF信号)。例如，通信电路系统312可以被配置成发射或接收BLE无线电信号。在一些情况下，通信电路系统312包括BLE模块。在一些实例中，系统100的多个元件通过连接彼此连接。

在一些实例中，通信电路系统312包括被配置成从另一个装置接收信号的输入电路系统。在一些实例中，通信电路系统312包括被配置成将信息从设备310发射到另一个装置的输出电路系统。例如，通信电路系统312可以包括被配置成向外部装置170发射关于患者状态的信息的电路系统。

通信电路系统312可以连续地、以周期性间隔或根据来自另一个装置的请求，向另一个装置或网络(例如，图1的网络150)发送信息。通信电路系统312还可以向另一个装置发送用于向设备310发送信息的命令。例如，通信电路系统312可以被配置成向感测装置130或230发送命令，以命令感测装置向设备310发射生理信号或其它信号或从此信号得出的数据。

存储器314可以存储使得处理电路系统322提供本文所描述的功能的指令，以及由处理电路系统322用于提供归属于本文所描述的设备310的功能的信息。存储器314可以包含任何易失性、非易失性、磁性、光学或电介质，如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦可编程ROM(EEPROM)、闪存或任何其它数字或模拟介质。存储器314还可以包含可以用于提供存储器更新或存储器容量的增加的可移除存储器部分。可移除存储器还可以允许将患者数据容易地传输到另一个计算装置或在设备310用于另一个目的(例如，升级、清洁或调整设备310的衣服的大小)之前被移除。

存储器314可以被配置成存储一个或多个算法316。例如，算法316可以包括机器学习算法。机器学习算法可以被配置成确定患者102的一种或多种状态。在一个实例中，机器学习算法通过处理电路系统322，例如GPU 324应用于关于患者102的数据，如生理信号或从所述信号得出的数据。机器学习算法可以通过处理电路系统322基于存储在存储器314中的新数据自动更新，例如继续学习。在信号的情况下，数据可以包括振幅和时间信息(例如，具有随时间推移的所测量电压的心电图(ECG))。通常，数据可以包含随时间变化的值，并且机器学习算法可以考虑此类信号的特征或此类特征随时间推移的变化。

存储器314可以被配置成存储关于患者102或患者环境的数据。在一些实例中，此类数据由感测装置130或230感测。例如，存储器314可以被配置成存储关于患者在特定时间所处的环境的数据，例如如由位置数据、流体状态信息(例如，水合水平或水肿)和患者健康记录信息所指示的。存储器314可以被配置成以表格、列表或图形格式存储关于患者102的数据。

用户接口318可以被配置成或以其它方式可操作以从如患者102或医疗保健提供者等用户接收输入。用户接口318可以被配置成向用户显示信息。例如，用户接口318可以包括一个或多个灯、显示器、被配置成提供振动警报(例如，类似于智能手机上的“振动”模式)的电动机、被配置成向用户警报指示的扬声器。患者102可以与用户接口318进行交互，所述用户接口可以包含被配置成向患者呈现图形用户接口的显示器，以及用于从患者接收输入的小键盘或另一个机构。

在一些实例中，患者102或护理者与用户接口318进行交互以向系统100提供信息。例如，患者102或护理者可以通过提供关于事件的反馈来促进机器学习算法的开发。例如，用户接口318可以基于患者102的状态向患者102指示疗法被指示，但是患者102可以超驰疗法的递送(例如，如果患者102知道疗法不应当被指示或检测为“假阳性”)。例如，用户接口318包括一个或多个按钮(例如，数字或物理按钮)。尽管在图3的实例中被展示为设备310的一部分，但是患者或另一个用户可以通过其提供反馈(也被称为强化)以用于通过机器学习算法进行强化学习的用户接口可以是任何一个或多个计算装置提供的用户接口。例如，用户接口可以是智能电话、可穿戴装置(例如，智能手表)或用于与设备310通信的专用装置的用户接口。

患者或护理者通过用户接口提供关于假警报的信息，并且可以基于关于假警报的新信息来调整机器学习算法。来自用户的强化可以是近实时的，例如一旦患者或护理者对机器学习算法进行的确定作出反应。作为实例，对机器学习算法的调整可以包含调整节点之间的权重和/或连接。

处理电路系统322可以被配置成执行本文所描述的技术。处理电路系统322可以包含固定功能处理电路系统或可编程处理电路系统，并且可以包括例如微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、离散逻辑电路系统或被配置成提供归因于本文中的处理电路系统322的可以具体化为固件、硬件、软件或其任何组合的功能的任何其它处理电路系统中的一种或多种。处理电路系统322可以控制图1的系统100中的其它元件。在一些实例中，处理电路系统322可以控制其它装置(例如，患者装置130或230)。

在一些实例中，处理电路系统322包含GPU 324。通常，GPU 324可以被配置成将机器学习算法应用于由设备310例如通过感测电路系统330和/或从感测装置130或230收集的数据，所述数据可以包含患者信号(例如，来自感测装置的一个或多个生理信号和感测电路系统330感测到的心脏信号)。GPU 324可以被配置成如基于所收集的信息、由外部装置170基于群体数据确定的更新、由其它装置(如感测装置130或230)作出的确定或患者或其它用户输入自动更新机器学习算法。GPU 324可以包括多个并行核，其使得能够使包含来自各种源的各种不同数据的数据集并行应用于机器学习算法。

参考图1，外部装置170还可以包括GPU。在一个实例中，设备310的GPU 324可以包括第一GPU。外部装置的GPU可以包括第二GPU。在一些实例中，本文所描述的包含第一和第二GPU的任何处理电路系统可以被配置成执行归因于处理电路系统322或外部装置的处理电路系统的技术。

基于来自例如关于患者102的数据集的学习，机器学习算法可以发现可从数据得出的若干个自变量和相互依赖变量中的模式及其之间的关系。对这些变量或来自算法的连续更新的其它学习的变量的持续考虑可以允许机器学习算法概率性地确定，例如分类、诊断和/或预测患者的状态。作为实例，机器学习算法可以被配置成采用贝叶斯、随机森林、决策树、线性回归、深度学习、神经网络和/或降维技术中的任何一种或多种。在一些实例中，将机器学习算法应用于数据的结果，例如来自感测装置130或230的一个或多个生理信号和/或来自感测电路系统330的心脏信号包含数据的分类，例如心脏信号和生理信号(单独地或共同地)是正常或不正常之一，或指示患者的一种或多种其它状态，如是否指示或预测可治疗的快速性心律失常或是否指示或预测一种或多种共病。

在一些实例中，处理电路系统包含CPU 326。通常，CPU 326可以被配置成控制设备310的组件的活动，如通信电路系统312、用户接口318、感测电路系统330和疗法递送电路系统324。CPU 326还可以被配置成获取数据以供GPU 324考虑并且控制GPU 324的功能。在一些实例中，CPU 326被配置成执行心律失常检测算法(例如，可治疗的快速性心律失常检测算法)。心律失常检测算法可以存储在存储器314中。在一些实例中，CPU 326被配置成基于将机器学习算法应用于数据(例如，由患者装置感测到的生理信号和由设备感测到的心脏信号)的结果更新快速性心律失常检测算法。CPU 326例如被配置成基于将机器学习算法应用于生理信号心脏信号的结果来控制除颤疗法的递送(例如，是否递送除颤)。在一些实例中，CPU 326可以被配置成基于将机器学习算法应用于生理信号和心脏信号的结果来控制疗法递送电路系统334进行的其它疗法的递送，如被配置成预防预测的心律失常的疗法。

电源328向设备310的各个组件递送操作功率。电源328可以包含小的可再充电或不可再充电电池以及用于产生操作功率的功率生成电路。可以通过与电压源的有线连接或通过外部充电器与设备310内的感应充电线圈之间的近端感应交互完成再充电。在一些实例中，电源328可以包括可更换电池，并且设备310可以被配置成使得患者102可以进入其中存储电源328的腔体以更换电池。

在一些实例中，感测电路系统330可以被配置成生成信号。在一些实例中，感测电路系统330包括放大器、滤波器、模--数转换器和被配置成生成和调节信号以供处理电路系统322接收的其它电路系统。感测电路系统330可以耦合到感测电极332，并且可以例如从两个或更多个感测电极332的各种组合接收心脏电信号。感测电路系统330可以被配置成感测伴随心脏组织的去极化和复极化的心脏事件。

感测电路系统330可以包含一个或多个感测通道，所述一个或多个感测通道中的每个感测通道可以选择性地耦合到感测电极332的相应组合以检测心脏的电活动。不同的感测电极332可以定位在设备310内处于有效地测量患者102的心脏信号的位置。每个感测通道可以被配置成放大、滤波和整流从耦合到相应感测通道的所选电极接收的心脏电信号以检测心脏事件(如R-波)，并且还可以包含模数转换器，以向处理电路系统322提供时变信号的数字化表示。处理电路系统322，例如GPU 326可以根据感测到的心脏信号确定心脏信号是否指示正常状态或不正常状态，并且如果不正常，则确定心脏信号是否指示多个不正常的子分类之一，如心动过缓、可治疗的快速性心律失常、晕厥、来自信号噪声(例如，60赫兹噪声)、运动伪影或信号丢失。在一些实例中，除了感测心脏信号之外，设备310可以包含用于感测本文所描述的各种生理或其它信号中的任何信号的传感器。

应用于机器学习算法的数据集可以包含来自各种源的各种数据，所述数据包含随时间变化的值。在信号的情况下，数据可以包括振幅和时间信息，例如具有随时间推移的所测量电压的心电图(ECG)。通常，机器学习算法可以考虑通过随时间变化的值或此类特征随时间的变化而形成的信号的特征。例如，在心脏信号的情况下，变量可能与心脏信号的特征有关，如P波、R波、QRS波群、S-T段、Q-T间期和T波以及心率和心率变异性。变量可以与信号的形态有关，如斜率、曲线下面积或信号的形态特征的最大或最小振幅或宽度。与信号的形态有关的其它变量可以包含通过傅立叶(Fourier)或小波变换、转折点算法或其它信号变换或分解技术标识的值或特征。变量可以包含随时间和/或相对于此类特征的基线的差异、此类特征的变化率或不同感测向量之间的此类特征的差异。具有可以以此方式由机器学习算法评估的特征的信号不限于生理信号，而是可以替代地是随时间推移的任何可测量或可得出参数或可从ECG得出的其它参数的值，如R-R间期长度或变异性，所述值可能形成基于趋势的曲线。

疗法递送电路系统334可以耦合到除颤电极336。在一些实例中，疗法递送电路系统334被配置成如基于患者102具有非正常心脏状态(如发生的或预测的可治疗的快速性心律失常)的确定来向患者102的心脏递送疗法电击。例如，如果患者102患有纤颤或其它可治疗的快速性心律失常，则设备310可以通过除颤电极336向患者102递送疗法。在一些实例中，疗法递送电路系统334可以被配置成递送各种类型的疗法(例如，起搏和/或除颤，或在一些实例中，药物疗法)。在一些实例中，所述疗法是预防性的，如被配置成由机器学习算法预测的可治疗的快速性心律失常的起搏或药物疗法。在其中疗法包括电脉冲，例如起搏或除颤的实例中，疗法递送电路系统334可以包含一个或多个电容器、电荷泵、电流源或其它信号生成电路系统，以及用于将信号耦合到电极336的开关电路系统。在其中疗法包括药物疗法的实例中，疗法递送电路系统334可以包括被配置成生成信号以驱动泵的电路系统。

图4是展示了设备310的某些组件的示例配置的框图。如图4所展示，设备310可以包括通过柔性材料438彼此连接的各种元件。具体地，通过柔性材料438，GPU 324连接到电路系统400并且电路系统400连接到电源328。电路系统400可以包括通信电路系统312和CPU326，并且在一些实例中包括感测电路系统330和疗法递送电路系统334(图4中未示出)。通常，相对较大的GPU 326和电源328与设备310的其它组件的分离以及柔性材料连接可以向设备310提供特定形状因数，例如可以更容易地由患者102穿戴的设备。

柔性材料438可以提供设备的组件之间的电连接，例如可以包含延伸穿过柔性材料层、在柔性材料层上或位于柔性材料层之间的导体。在一些实例中，柔性材料438包括刚性柔性电子衬底构造。这种构造可以实现用于设备410的各种形状因数，如身体带(例如，具有可以包含肩带的嵌入式电子装置的可穿戴带)或具有集成在其中的传感器的头带。

图5是感测装置530的示例配置的框图，所述感测装置可以是图1的感测装置130和/或图2的感测装置230的实例。在所展示的实例中并且类似于关于图2的感测装置230B所描述的，感测装置530可以采取可从爱尔兰都柏林的美敦力公司获得的Reveal 可插入心脏监测器(ICM)的形式。在其它实例中，患者装置530可以采用本文所描述的任何感测装置(如关于图2所描述的感测装置)或其它类型的感测装置的形式。

图6是外部装置670的框图，所述外部装置可以是图1的外部装置170的实例。参考图5和6两者，以下元件可以具有与关于图3所描述的类似元件至少相同的配置和功能。例如，通信电路系统512和通信电路系统612可以具有与通信电路系统312相同或类似的功能。例如，存储器515和存储器614可以具有与存储器314相同或类似的功能。尽管一个或多个算法616被展示为存储在存储器614内，但是存储器614可以被配置成存储其它信息，如本文所描述的任何信息。类似地，存储器514可以被配置成存储本文所描述的任何信息。

处理电路系统522和处理电路系统622可以具有与处理电路系统322相同或类似的功能。处理电路系统622被展示为包含GPU 624和CPU 626，所述GPU 624可以具有与GPU 324相同或类似的功能(在一些实例中，除了如本文所指出的之外)，所述CPU 626可以具有与CPU 326相同或类似的功能。电源528和电源628可以具有与电源328相同或类似的功能。用户接口618可以具有与用户接口318或本文所描述的任何其它接口相同或类似的功能。

感测电路系统530和感测电路系统630可以具有与感测电路系统330相同或类似的功能。一个或多个传感器540和一个或多个传感器640可以采用例如关于图2的实例的患者装置230所描述的传感器的形式。在一些实例中，此类传感器可以包括加速度计、光学传感器、压力传感器、空气或血流传感器、温度传感器或空气质量传感器。一个或多个电极532可以具有与感测电极332相同或类似的功能，例如感测电路系统530可以被配置成通过电极感测患者102的生理信号，如心脏信号。在一些实例中，心脏信号包括如关于R-R间期、R-波的振幅、QRS宽度或R-R间期变异性的信息。在一个实例中，机器学习算法的输入包含来自心脏信号的这些数据。

在一些实例中，外部装置670和/或感测装置530可以被配置成检测关于患者102的环境的信息。例如，外部装置670和感测装置530可以被配置成确定患者102所处的环境中的空气温度和/或质量。

在一些实例中，感测装置的存储器514被配置成存储快速性心律失常检测算法，并且处理电路系统522执行快速性心律失常检测算法。处理电路系统522可以在存储器514中存储在各个时间是否检测到快速性心律失常的指示。感测装置530的处理电路系统522可以通过通信电路系统512向设备310提供此类指示。如本文所描述的，设备310的GPU 324可以使用由感测装置530对快速性心律失常的确定的这些指示作为用于机器学习算法的输入，用于辅助分类当前患者状态，和/或作为用于机器学习算法的适配的反馈。

而不是连续或周期性通信，设备310和感测装置530可以以主/从关系分别作为主设备和从设备通信。相对于其它更频繁的通信方案，根据主/从关系的通信可以限制感测装置530的电源528的通信相关消耗。在这样的关系中，设备310仅在需要时，例如在基于设备310感测到的心脏信号(以及可能的其它数据)存在指示患者状态可能不正常的初步指示时，才从感测装置530请求数据以供机器学习算法使用。

存储在外部装置670的存储器614中的算法616(如图6所展示的)可以包括一个或多个机器学习算法，并且GPU 624可以被配置成实施机器学习算法。在一些实例中，GPU 624比设备310的GPU 324在计算上更具能力。更大的计算能力可能是由于各种因素，如核的数量或时钟速度。在外部装置670的情况下，然后特别是在设备310可由患者102穿戴的情况下，处理电路系统的大小、控制功率消耗和热量可能比设备310更无关紧要。

GPU 624可以被配置成实施比可以实施机器学习算法的“精简”版本的GPU 324在计算上相对更密集的版本的机器学习算法。在一些实例中，GPU 624与GPU 324不同地更新机器学习算法。例如，GPU 624可以基于群体数据更新机器学习算法，并且在这样做时，基于比GPU 324显著更大数量的数据集更新机器学习算法。CPU 626可以控制通信电路系统612向设备310发送所确定的更新，并且GPU 326可以更新其机器学习算法的实例，如外部装置670所指示的。

可以以各种方式来更新由设备310的GPU 324实施的机器学习算法。例如，GPU 324可以基于其接收和考虑的数据自动更新机器学习算法。在一些情况下，可以通过如来自用户的反馈或来自另一个装置(例如，感测装置530)的独立确定来强化学习。另外，GPU 324可以在考虑群体数据时更新如由GPU 624确定的更新所指示的机器学习算法。以此方式，基于群体数据更新由GPU 324实施的机器学习算法。在一些实例中，对机器学习算法的基于群体的更新可以包含对应用于不同群体的正常方差因数的变量的新权重。通常，更新还可以包含对算法的图形结构的更新，或对算法所考虑的参数/变量的更新，后者可能更密集并且由GPU 624确定。

CPU 626可以通过通信电路系统612从多个不同患者102的多个不同设备310接收数据集。CPU 626还可以接收或以其它方式确定指示将所接收的数据应当分类到哪个或哪些患者群体中的信息。GPU 624可以实施多个群体特定机器学习算法，并且将给定群体的数据应用于所述群体的算法，以便确定那些群体中的患者的设备310的机器学习算法的更新。

不同的群体可能具有不同的特性。例如，每个群体可以由用于区分群体的多个特性的值的唯一组合来定义。示例特性包含年龄、性别、位置、体重指数(BMI)、体重、血压(如低、理想、前高或临界高和高等范围)、呼吸、葡萄糖水平、不良医疗事件的历史，以及其它共病医疗病状的存在。

作为机器学习算法的输入的各种参数或变量的正常和/或不正常范围可能在不同患者群体之间变化。例如，预期心动过缓的静息心率随着年龄而增加，并且预期静息正常心率随着BMI和血压而增加。基于具有彼此类似的特性的患者的数据集来适配机器学习算法可以增加算法正确表征群体内的给定患者的状态的能力。

图7是展示了可以由除颤设备310实施以将机器学习算法应用于数据并且确定是否递送疗法的示例技术的流程图。例如，设备310接收数据(700)。所述数据包含设备310感测到的心脏信号。所述数据还可以包含来自感测装置的数据，如另一个心脏信号或其它生理信号或从其得出的数据。

设备310将机器学习算法应用于数据以将数据并且因此患者的一种或多种状态表征为正常或不正常(702)。在一些实例中，机器学习算法可以指示可治疗的快速性心律失常状态是否不正常，例如指示纤颤或另一个可电击的快速性心律失常的存在。在一些实例中，机器学习算法可以另外或可替代地指示患者的一种或多种其它病状(例如，共病)的状态是正常或不正常，如是否存在或预测COPD或另一种共病的发作或恶化。设备310基于表征，例如响应于某些不正常表征决定是否提供疗法，并且在一些情况下，决定应用多种疗法中的哪一种疗法(704)。所述疗法可以是除颤电击。如果表征是预测的可治疗的快速性心律失常，则所述疗法可以是心脏起搏或被配置成预防预测的快速性心律失常的另一种疗法。

设备310还基于所考虑的数据更新机器学习算法(706)。例如，GPU 324可以自主地和/或基于来自用户或另一个装置(例如，感测装置230)的反馈更新机器学习算法。如本文所描述的，GPU 324还可以基于群体数据，例如根据从外部装置670接收的基于群体的更新来更新机器学习算法。基于群体的更新可以比自主和强化更新更不频繁地发生。

图8是展示了可以由除颤设备310(在附图中被称为WAED)实施以将机器学习算法应用于包含从一个或多个感测装置530接收的数据的数据并且确定是否递送疗法的示例技术的流程图。根据图8的实例，GPU 324将机器学习算法应用于感测电路系统330通过电极332感测到的心脏信号(800)。基于将机器学习算法应用于心脏信号，GPU 324确定患者状态的初步表征是否正常(802)。如果初步表征是正常的(802的“是”)，则GPU 324继续将算法应用于从设备310感测到的心脏信号得出的新数据集(800)。

如果初步表征是不正常的(802的“否”)，则CPU 326通过通信电路系统312从一个或多个感测装置530接收数据(804)。例如，在主/从关系中充当主设备的设备310可以发起与一个或多个感测装置530的通信会话，以命令感测装置提供数据。数据可以包含感测装置感测到的心脏信号或其它生理或环境信号、从其得出的数据和/或由感测装置基于所述信号/数据作出的确定。

GPU 324将机器学习算法应用于心脏信号和来自一个或多个感测装置530的数据(806)。基于算法的这种应用，GPU 324将状态，例如可治疗的快速性心律失常状态表征为正常或不正常(808)。CPU 326基于表征确定是否向患者102提供疗法(810)。如果CPU 326确定应当递送疗法(810的“是”)，则CPU 326可以控制疗法递送电路系统334以通过电极336递送疗法，例如起搏或除颤(812)。在一些实例中，CPU 326可以基于表征采取其它动作，如改变感测向量或可调整滤波器或放大器的设置，以基于信号被表征为有噪声来改善噪声源。尽管在图8中未展示，但是GPU 324可以例如基于数据的表征并且在一些情况下，从用户或其它装置接收的关于数据的表征的反馈(如患者是否取消疗法的递送)来更新机器学习算法。

尽管图7和8的实例包含响应于不正常表征的疗法的递送，例如除颤电击，但是在根据本公开的技术的所有实例中不必递送疗法。在一些实例中，机器学习算法在没有设备响应地递送疗法的情况下确定患者状态。此类确定可以记录在设备的存储器中，通过网络发射到外部装置，和/或通过用户接口呈现给用户。例如，在机器学习算法的强化学习阶段期间，可能发生在没有疗法递送的情况下确定患者状态。

图9是展示了可以由除颤设备310实施以将机器学习算法应用于数据，从而将患者状态表征为正常或不正常的示例技术的流程图。根据图9的实例，GPU 324将机器学习算法应用于数据(900)并且确定数据是否指示正常状态(902)。作为实例，机器学习算法可以采用贝叶斯、随机森林、决策树、线性回归、深度学习、神经网络和/或降维技术。在一些实例中，机器学习算法采用对于可从ECG和其它数据得出的不同因素(例如，变量)具有不同权重的贝叶斯网络。在一些实例中，由热图表示的值的谱，如关于图15-32所描述的那些谱可以用于使权重与一些输出相关。如果数据指示正常状态(902的“是”)，则GPU 324将正常表征返回到例如CPU 326(904)。在一些实例中，机器学习算法是概率性的，并且被配置成如果正常状态的概率低于某个百分比，如95％、99％、99.9％或这些值中的任何值之间的任何范围，则指示不正常状态。这些值是实例，并且在一些实例中可以使用其它(例如，较低的)百分比。机器学习算法的灵敏度和特异性可能随着时间推移而增加，因为算法基于多少个学习循环和从中得出用于学习的数据的群体大小进行学习。在一些实例中，概率最初可以具有第一值，如95％，但是随时间推移增加到另一个值，如99.9％或更大。

可以从ECG数据得出并且由机器学习算法考虑的示例变量包含R波振幅、R-R间期长度、R-R间期变异性、QRS宽度或斜率、曲线下面积或由R波振幅、R-R间期长度、R-R间期变异性或QRS宽度随时间推移的值形成的信号的其它形态特征。在一些实例中，考虑每个变量的值的滚动窗口(例如，三分钟或一些其它长度)。在一些实例中，变量的正常训练集数据的窗口将具有满足边界条件的值，所述边界条件至少是在窗口期间的阈值时间量(例如，百分比)，如99％。下面关于图15-32讨论用于不同变量的正常和不正常数据集和相关联的边界条件的实例。

在一些实例中，如果表征是不正常的(902的“否”)，则算法考虑数据(并且在一些情况下考虑另外的数据)以确定不正常子表征(906)。用于确定不正常子表征的算法结构可以是故障决策树。可能的不正常子表征包含心动过缓、可治疗的快速性心律失常、不可治疗的快速性心律失常(例如，心房纤颤或另一种室上性快速性心律失常)、晕厥、60赫兹噪声、运动伪影、信号丢失、电极剥落或高R-R间期变异性，例如由于心房纤颤。

图10是展示了可以由外部装置670实施以基于群体数据确定针对不同群体的机器学习算法的更新的示例技术的流程图。根据图10的实例，外部装置670从多个不同患者的多个不同设备接收数据(1000)。外部装置670，例如CPU 626将所述数据分类成多个不同患者群体(1002)。如本文所描述的，可以基于年龄、性别、位置、肥胖分类、体重或体重指数(BMI)、血压、呼吸、葡萄糖水平、病史、其它共病医疗病状(如COPD或糖尿病)的存在、除颤设备的类型和/或模型以及可用的感测装置的一种或多种类型和/或一种或多种模型，彼此区分不同患者群体。基于所分类的数据，GPU 624确定针对不同患者群体的不同机器学习算法的更新(1004)。如本文所描述的，作为实例，对机器学习算法的更新可以包含对变量的新权重、对算法的图形结构的更新或对算法所考虑的参数/变量的更新。外部装置670，例如CPU626和通信电路系统612向所述群体中的各个设备传送每个群体的更新(1006)。可以通过任何有线或无线连接(例如，通过互联网)并且在一些情况下通过充当中介的感测(从)装置之一向除颤设备提供更新。

图11是展示了机器学习算法的不同学习阶段的流程图。最初，可以例如使用一个或多个外部装置670设计和训练机器学习算法。初始训练可以包含将许多经验证的数据集应用于算法，例如由领域专家验证为具有特定分类的数据集(1100)。在一些实例中，经验证的数据集是来自具有特定特性的群体的数据集，并且机器学习算法旨在用于所述群体内的患者的设备中。

当设备310由患者使用时，机器学习算法可以经历强化学习的时间段(1102)。在强化学习期间，设备310可以通过用户接口318从用户和/或从另一个装置(例如，感测装置530)接收关于机器学习算法对状态的确定是否正确的反馈。在一些实例中，可从患者(或类似患者的群体)获得的新数据(包含变量中的新模式以及变量之间的关系)可以由一个或多个医生进行审阅和分类，以供机器学习算法进行另外的强化学习。在一段时间之后，例如在强化学习在算法中已经达到期望的灵敏度和特异性水平之后，可能不再需要人工干预。机器学习算法可以继续自主学习(1104)。

图12是展示了用于基于先前由患者的除颤设备310的机器学习算法评估的数据来配置患者的可植入心脏复律除颤器(ICD)的快速性心律失常检测算法的示例技术的流程图。图12的示例技术可以由外部装置670和/或一个或多个其它计算装置执行。

根据图12的实例，指示患者102植入ICD，此时患者102将很可能停止使用设备310(1200)。外部装置670检索被患者102的设备310的机器学习算法表征为不正常的并且在一些情况下表征为快速性心律失常的数据集(1202)。外部装置670处理数据集以标识数据中的可由ICD的快速性心律失常检测算法检测到的特征(1204)。ICD的快速性心律失常算法可以不包含GPU或机器学习算法，并且可能无法以与设备310相同的方式检测快速性心律失常。作为标识ICD可检测的数据集的特征的实例，外部装置670可以将来自由设备310分类的数据集的特定长度的ECG波形(或从ECG波形得出的可变值的序列或信号)划分成变量的多个较短顺序波形或较小的顺序值集。外部装置670可以标识ICD可以依次(而不是如GPU 324可能已经完成的并行)检测以检测快速性心律失常的顺序波形或值集中的特征。外部装置670基于所标识的特征来配置ICD快速性心律失常检测算法(1206)。

图13是展示了用于解析由机器学习算法评估的数据以配置可植入心脏复律除颤器的快速性心律失常检测算法的示例技术的图。具体地，图13展示了两分钟的连续R波振幅值的热图。在热图中，R波振幅值在R波出现的0.1分钟间隔内以及在0与1mV之间的十个0.1mV振幅范围中的一个内被分箱。在此示例热图中，每个0.1分钟间隔包含六个R波，并且相应地包含六个R波振幅值。

图13的热图中的R波振幅值可以表示将由机器学习算法表征为不正常的一组连续的R波振幅值—特别是在热图的振幅更可变的区域1210中的R波振幅值的序列。尽管在本文中以热图的形式呈现了由机器学习算法考虑的数据，但是根据本文所描述的技术的机器学习算法对数据的考虑并不一定涉及将数据转换成热图格式。相反，数据以热图格式呈现，以便于说明数据的某些特征。

如图13所展示，处理电路系统(例如，外部装置670的处理电路系统622)可以将由区域1210表示的连续振幅值解析成由箱1212-1218表示的较短段。处理电路系统可以进一步基于所解析的数据段确定ICD可标识的数据的特征。例如，基于由箱1212-1218表示的数据，处理电路系统可以确定R波振幅变异性的阈值水平，在所述阈值水平之上指示或预测到不正常状态，例如可治疗的快速性心律失常状态。作为实例，从由箱1212-1218表示的段确定的变异性的阈值水平可以是特定时间段内的变异性的阈值量、N个连续时间段中的每个连续时间段中的变异性的阈值量和/或N个连续时间段中的M个连续时间段中的变异性的阈值量。变异性的阈值水平可以编程到特定患者的ICD中，并且由ICD，例如与其它快速性心律失常检测或判别技术一起使用，以标识可治疗的快速性心律失常。

处理电路系统(例如，设备310的处理电路系统322)可以使用图13所展示的解析技术的逆技术来将例如来自感测装置230的较短数据段一起合并到更大的数据集中，例如用于应用于机器学习算法的基于趋势的曲线。在一些实例中，例如由于感测装置230的存储器、通信或其它能力，由感测装置230存储并传输到设备310的连续数据值段的长度可能是有限的。当设备310例如如根据主从关系所请求的从感测装置310接收数据时，较短段可以被加时间戳，并且处理电路系统可以组合较短段以便形成应用于机器学习算法的更大的数据集。在一些实例中，任何已知的数据填充技术可以应用于从感测装置230接收的数据，以产生具有足够值供机器学习算法考虑的数据集。

图14是展示了用于将除颤设备310的机器学习算法应用于数据以确定是否提供对慢性阻塞性肺疾病的指示的示例技术的流程图。尽管设备310可以主要用于检测和治疗快速性心律失常，但是GPU 324、从感测装置530收集各种数据的能力和基于由外部装置670收集的群体数据适配机器学习算法的能力可以使设备310成为平台以另外或可替代地确定患者120是否正在经历各种共病病状或病症。可以由设备310评估的一种示例共病是COPD。

根据图14的实例，设备310从一个或多个感测装置530(例如，肺活量计和环境传感器)接收肺活量计数据和环境数据(1300)。GPU 324将机器学习算法(或其用于评估COPD的不同部分)应用于数据(1302)。下面关于图28-30描述了可以评估COPD的示例数据。机器学习算法表征数据(1304)。在一些实例中，GPU 324将肺活量计和环境数据中的每一个与一个或多个阈值进行比较，并且基于是否满足阈值或不同数据的阈值的特定组合，使用决策树来确定患者的COPD状态。CPU 326基于表征确定是否例如通过用户接口318或通过网络向外部装置670提供针对患者102的COPD指示(1306)。GPU 324基于数据和表征更新机器学习算法(1308)。

图15是展示了根据本公开的技术的实例的来自机器学习算法将学习分类为正常的(例如，可治疗的快速性心律失常状态是正常的或不可治疗的快速性心律失常)心脏信号的数据的图。更具体地，图15是R-R间期和R波振幅的组合在正常数据集中出现的热图绘图，其中每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与2秒之间的0.1秒R-R间期长度箱之一内。区域1400展示了此类值在正常数据集中的分布。具体地，区域1400包含在0.1mV范围内(包含0.5mV)的一致的R波振幅，以及如所示在0.5与1秒之间的0.1秒R-R间期长度箱内分布的搏动，其中最大数量的搏动具有约0.7与0.9秒之间的R-R间期长度。R波振幅、R-R间期、作为R-R间期的函数的R波振幅以及作为R-R间期的函数的R波振幅的分布或变异性是机器学习算法可以考虑以表征患者数据的变量的实例。

图16-22是展示了根据本公开的技术的实例的来自机器学习算法将学习分类为不正常的心脏信号的数据的图。例如，图16是R-R间期和R波振幅的组合在不正常数据集并且更具体地将被分类为心动过缓的数据集中出现的热图绘图，其中每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与3秒之间的0.1秒R-R间期长度箱之一内。区域1402展示了此类值在心动过缓集中的分布。具体地，区域1402包含R波振幅的一些变化，以及如所示在1.5与2.4秒之间的0.1秒R-R间期长度箱内分布的搏动，其中最大数量的搏动具有约0.7与0.9秒之间的R-R间期长度。与心动过缓相关联的R-R间期和R波振幅值组合的模式可以如区域1402所展示被分散或棋盘格化并且相对于图15所展示的正常数据集朝更大的R-R间期值(例如，图16中的右侧)移位。

作为另一个实例，图17是R-R间期和R波振幅的组合在不正常数据集并且更具体地将被分类为快速性心律失常(例如，可治疗的快速性心律失常)的数据集中出现的热图绘图，其中每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与2秒之间的0.1秒R-R间期长度箱之一内。区域1404展示了此类值在快速性心律失常数据集中的分布。具体地，区域1404包含R波振幅在0.3与0.6mV之间的显著变化，特别是在较短的R-R间期长度以及具有0.3与0.5秒之间的R-R间期长度的大量搏动下，这与具有大于0.6秒的R-R间期长度的大多数搏动的图15的正常数据集形成对比。图17所展示的模式可以被描述为包含具有比正常R-R间期长度更短并且比正常R波振幅变异性更高的搏动的显著分组，例如在图17的热图的左侧。

尽管图17总体上展示了将被分类为快速性心律失常的数据集，但是数据集可能具有区别特性(例如，在热图中是显而易见的)，所述区别特性将允许对可治疗或不可治疗的快速性心律失常的特定类型进行分类，如心室纤颤、室性心动过速或室上-性心动过速。这种不同的快速性心律失常的搏动分组的不同模式可以是显而易见的，例如在绘制相对于波形形态特性(如斜率、曲线下面积或来自变换或转折点算法的值)的从ECG得出的离散变量(如R-R间期长度和R波振幅)的热图中。

作为另一个实例，图18是R-R间期和R波振幅的组合在不正常数据集并且更具体地将被分类为晕厥的数据集中出现的热图绘图，其特征在于心脏信号中的突然的速率和振幅变化，然后是平线。在图18的实例中，每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与3秒之间的0.1秒R-R间期长度箱之一内。区域1406展示了此类值在晕厥数据集中的分布。具体地，区域1406包含R波振幅的显著变化，以及分别具有在0.7与1.2秒之间和大于2.9秒的R-R间期长度的两个不同的搏动簇。具有显著更长的R-R间期长度的晕厥搏动还具有较低的R波振幅。

作为另一个实例，图19是R-R间期和R波振幅的组合在不正常数据集并且更具体地将被分类为60赫兹噪声的数据集中出现的热图绘图，其特征在于R波振幅的轻微的正弦波样变化。在图19的实例中，每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与3秒之间的0.1秒R-R间期长度箱之一内。区域1408展示了此类值在60赫兹噪声数据集中的分布，其特征在于比图15的正常数据集更大的R波振幅变异性的模式，但R-R间期长度与正常数据集的所述间期长度一致。

作为另一个实例，图20是R-R间期和R波振幅的组合在不正常数据集并且更具体地将被分类为信号丢失(例如，由于一个或多个电极失效、被去除或以其它方式变得不可操作)的数据集中出现的热图绘图，其特征在于与信号源的丢失和重新连接相关联的噪声。在图20的实例中，每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与3秒之间的0.1秒R-R间期长度箱之一内。区域1410展示了此类值在信号丢失数据集中的分布，包含与丢失和正常数据相关联的不同R波振幅的不同簇，但R-R间期长度与正常数据集的所述间期长度一致。

作为另一个实例，图21是R-R间期和R波振幅的组合在不正常数据集并且更具体地将被分类为电极剥落的数据集中出现的热图绘图，其特征在于振幅逐渐减小直到信号丢失。在图21的实例中，每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与3秒之间的0.1秒R-R间期长度箱之一内。区域1412展示了此类值在信号丢失数据集中的分布，包含具有与信号丢失相关联的较低R波振幅和较长R-R间期长度(例如，由于丢失的搏动)的大量的搏动。

作为另一个实例，图22是R-R间期和R波振幅的组合在不正常数据集并且更具体地将被分类为R-R间期变异性(例如，由于心房纤颤)的数据集中出现的热图绘图。在图22的实例中，每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与3秒之间的0.1秒R-R间期长度箱之一内。区域1414展示了此类值在R-R间期变异性数据集中的分布，包含例如由于心房纤颤的快速心房去极化的零星传导而引起的R波峰值与其振幅之间的时间间期的快速且相对大的变化。区域1414所展示的模式包含比图15的正常数据集更宽的R-R间期范围内的大量搏动。

图23和24是展示了根据本公开的技术的实例的机器学习算法将学习分别分类为正常和不正常的R-R间期斜率数据的图。具体地，图23和24展示了在两分钟时间段期间针对连续搏动测量的R-R间期斜率值，其中每个搏动被分箱在其发生的0.1分钟箱中，并且均值或中值RR间期的长度为X1。如图23所展示，正常数据集具有在包含X1的0.1*X1范围内的一致的R-R间期斜率值。如图24所展示，不正常数据集包含R-R间期斜率随时间推移的显著更大的变化，其中R-R间期值介于0.8*X1与1.4*X1之间。

图25是展示了根据本公开的技术的实例的来自不同群体中的患者的机器学习算法将学习分类为不正常的心脏信号的数据的图。在图25的实例中，每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与3秒之间的0.1秒R-R间期长度箱之一内。更具体地，区域1416展示了在相对年轻的患者中的心动过缓数据集的分布，而区域1418展示了相对年长的(例如，老年的)患者中的心动过缓数据集的分布。随着年龄的增长，预期稍微升高的静息心率，并且年长患者的心动过缓数据类似地包含较短的R-R间期。与此预期一致，区域1418所展示的搏动模式相对于区域1416被移位到较短的R-R间期(例如，图25中左侧)。为了解释患者群体之间的这些差异，可以使用来自具有与患者相匹配的特性的群体中的患者的数据集来适配机器学习算法。

图26-28是展示了根据本公开的技术的实例的来自不同群体中的患者的机器学习算法将学习分类为正常的心脏信号的数据的图。图26-28是R-R间期和R波振幅的组合在数据中出现的热图绘图。在图26-28的实例中，每个搏动被分箱在0与1mV之间的0.1mV振幅箱之一内以及0与3秒(尽管图28仅展示了0到1.4秒的热图部分)之间的0.1秒R-R间期长度箱之一内。

例如，图26的区域1420展示了平均或正常BMI患者的数据分布，而区域1422展示了增加的BMI患者的数据分布。预期静息心率随着BMI的增加而增加，这反映在区域1420与1422之间的最大人口值组合的位置的例如约0.1秒的相对移位中。具体地，区域1420包含具有在约0.8秒到约0.9秒的范围内的R-R间期的100个搏动，而区域1422包含具有在约0.7秒到约0.8秒的范围内的R-R间期的90个搏动。类似地，图27中的区域1424和1426分别展示了男性和女性的数据分布，其中预期女性的静息率比男性的静息率高约5-10bpm。此外，图28展示了区域1428中的预期来自具有较高血压的患者的数据。图28还展示了区域1430，在所述区域中预期在热图中将出现具有较低血压的患者的数据。以此方式，图28展示了血压升高如何与心率升高相关，以及彼此之间如何成为辅因数。再次，为了解释患者群体之间的这些差异，可以使用来自具有与患者相匹配的特性的群体中的患者的数据集来适配机器学习算法。可以区分患者群体的特性包含性别、年龄、BMI、体重和血压。进一步地，机器学习算法可以使用区域1428和1428所展示的数据的预期差异来确定与患者血压相关的共病的状态。

图29是展示了根据本公开的技术的实例的来自患者的机器学习算法将学习分类为正常的肺活量计信号的数据的图。具体地，图29展示了在呼气进入肺活量计期间体积值随时间推移而变化的热图。区域1432展示了将被分类为正常的此类值的分布。

可以从肺活量计信号确定的值包含一秒内的用力呼气量(FEV1)和用力肺活量(FVC)，所述用力肺活量是在可能的最深呼吸之后可以从肺中用力呼出的空气量。FVC是基本上等效的肺容量，并且可以计算为在此呼气期间来自肺活量计的信号的曲线下的积分或面积。可以类似地计算FEV1，但仅基于信号的第一秒。还可以确定FEV1与FVC的比率。这些参数的正常值是大于80％的FEV1和FVC，以及大于70％的FEV1/FVC。

图30是展示了根据本公开的技术的实例的来自患者的机器学习算法将学习分类为不正常的肺活量计信号的数据的图。具体地，图30展示了在呼气进入肺活量计期间体积值随时间推移而变化的热图。区域1434展示了将被分类为不正常的此类值的分布。区域1434的分布包含比图29的区域1432更低的体积值，并且与约35％的FVC和约20％的FEV1相关，其中比率为约50％。通常，COPD将证明FEV1和FVC降低到80％以下，并且FEV1/FVC降低到70％以下。

图31是展示了根据本公开的技术的实例的来自老年患者的机器学习算法将学习分类为正常的肺活量计信号的数据的图。具体地，图31展示了在呼气进入肺活量计期间体积值随时间推移而变化的热图。区域1436展示了在老年患者中将被分类为正常的此类值的分布。区域1436的分布与约65％的FEV1/FVC比率相关。为了解释具有不同特性(如年龄)的群体之间的肺活量计差异的此类差异，可以基于群体特异性数据集来适配用于对COPD进行分类的机器学习算法，如本文所描述的。

图32是展示了在变化的空气质量条件(例如，具有变化的空气颗粒计数)下来自肺活量计信号的数据的图。某些范围的颗粒计数对于敏感患者(如患有COPD的患者)是不健康的，而高于此范围的颗粒计数对于其它健康患者则需要被认为是不健康的。然而，通常，增加的颗粒计数可能会对正常人的肺体积产生影响，以及与COPD相关。区域1438展示了具有波动的颗粒计数的肺活量计数据的分布，其特征在于更大的方差和快速变化。颗粒计数的波动可能与FEV1、FVC和FEV1/FVC的波动相关。用于对COPD进行分类的机器学习算法可以将颗粒计数与其它数据(如肺活量计数据)一起考虑，以解释此类波动。

在一些实例中，如本文所描述的机器学习是人工智能的一方面。本文所描述的系统和技术可以包含人工智能，所述人工智能包含推理、自然语言处理、机器学习和计划。通常，机器学习可以包含迭代学习循环，如监督学习、无监督学习、强化学习和深度学习网络。

可以至少部分地在硬件、软件、固件或其任何组合中实施本公开中所描述的技术。例如，所描述的技术的各个方面可以在一个或多个处理器内实施，如固定功能处理电路系统和/或可编程处理电路系统，包含一个或多个微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或任何其它等效的集成或离散逻辑电路系统以及此类组件的任何组合。术语“处理器”或“处理电路系统”通常可以指单独的或与其它逻辑电路系统组合的前述逻辑电路系统中的任何逻辑电路系统或任何其它等效的电路系统。包括硬件的控制单元还可以执行本公开的技术中的一种或多种技术。

这种硬件、软件和固件可以在同一装置或单独装置内实施以便支持本公开中所描述的各种操作和功能。另外，所描述的单元、模块或组件中的任何单元、模块或组件可以一起或单独地实施为离散但可互操作的逻辑装置。将不同特征描绘为模块或单元旨在突出不同的功能方面，并且不一定暗示这种模块或单元必须由单独的硬件或软件组件来实施。相反，与一个或多个模块或单元相关联的功能可以由单独的硬件或软件组件来执行，或集成在共同的或单独的硬件或软件组件内。

本公开中所描述的技术还可以在含有指令的计算机可读介质(如计算机可读存储介质)中具体化或编码。嵌入或编码在计算机可读存储介质中的指令可以使可编程处理器或其它处理器例如在执行所述指令时执行所述方法。计算机可读存储介质可以包含随机存取存储器(RAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存、硬盘、CD-ROM、软盘、盒式磁带、磁性介质、光学介质或其它非暂时性计算机可读介质。

已经描述了本公开的各个方面。这些以及其它方面在以下权利要求书和实例的范围内。

实例19.一种用于监测心脏信号并确定是否通过被配置成由患者穿戴的设备递送除颤疗法的方法，所述方法包括通过所述设备的感测电极感测所述患者的心脏信号；通过所述设备的通信电路系统从与所述设备分离的至少一个感测装置接收所述患者的至少一个生理信号的数据；通过所述设备的存储器存储所述心脏信号、所述数据和机器学习算法；通过所述设备的处理电路系统将所述机器学习算法应用于所述数据和所述心脏信号，以概率性地确定所述患者的至少一种状态；以及通过所述处理电路系统基于所述患者的所述至少一种概率性地确定的状态来确定是否控制通过所述设备的疗法递送电路系统进行的除颤疗法的递送。

实例20.根据实例19所述的方法，其中所述至少一个感测装置包括皮下可植入心脏监测器，所述皮下可植入心脏监测器包括用于感测所述生理信号的多个感测电极，其中所述心脏信号包括第一心脏信号并且所述生理信号包括第二心脏信号。

实例21.根据实例19或20中任一项所述的方法，其中所述机器学习算法被配置成基于所述数据或所述心脏信号中的至少一种来自动地更新其自身。

实例22.根据实例19到21中任一项所述的方法，其中所述机器学习算法被配置成基于来自所述患者和/或医疗保健提供者的输入来自动地更新其自身。

实例23.根据实例19到22中任一项所述的方法，其中所述生理信号的所述数据包括由所述感测装置对所述生理信号是否指示快速性心律失常的确定，其中所述机器学习算法被配置成基于由所述感测装置进行的所述确定自动地更新其自身。

实例24.根据实例19到23中任一项所述的方法，其中所述至少一个感测装置包括以下中的至少一个：葡萄糖监测器，其中所述生理信号包括所述患者体内的葡萄糖浓度；脑电图(EEG)传感器，其中所述生理信号包括大脑活动；压力监测装置，其中所述生理信号包括心血管压力信号；脉搏血氧测定装置，其中所述生理信号包括脉搏率、氧饱和度或呼吸率中的至少一种；患者活动跟踪器，其中所述生理信号包括所述患者的身体活动；或位置跟踪器，所述位置跟踪器被配置成确定所述患者的位置。

实例25.根据实例19到24中任一项所述的方法，其中所述设备包括可穿戴自动外部除颤器(WAED)，所述WAED包括被配置成由所述患者穿戴的衣服，其中所述感测电极和所述除颤电极耦合到所述衣服。

实例26.根据实例19到25中任一项所述的方法，其中所述至少一种概率性地确定的患者状态包括所述患者状态是否正常或所述患者状态是否是可治疗的快速性心律失常中的至少一种。

实例27.根据实例19到26中任一项所述的方法，其中概率性地确定的不正常的患者状态进一步包括以下中的一种的子分类：心动过缓、可治疗的快速性心律失常、晕厥、60赫兹噪声、运动伪影或信号丢失。

实例28.根据实例19到27中任一项所述的方法，其中所述至少一种概率性地确定的患者状态包括预测的快速性心律失常患者状态，所述疗法递送电路系统被配置成递送被配置成预防快速性心律失常的疗法，并且所述处理电路系统被进一步配置成基于所述预测的快速性心律失常状态确定是否递送被配置成预防快速性心律失常的所述疗法。

实例29.根据实例19到28中任一项所述的方法，其中所述至少一种概率性地确定的患者状态包括所述患者的至少一种共病状态。

实例30.根据实例19到29中任一项所述的方法，其中所述患者的所述至少一种共病状态包括所述患者的COPD状态，并且所述至少一个感测装置包括肺活量计，所述肺活量计被配置成生成肺活量计信号；以及空气质量传感器，所述空气质量传感器被配置成生成空气质量信号，其中所述处理电路系统被进一步配置成基于将所述机器学习算法应用于所述肺活量计信号和所述空气质量信号来确定所述患者的所述COPD状态。

实例31.根据实例19到30中任一项所述的方法，其中基于所述患者的所述至少一种共病状态，所述处理电路系统被配置成向所述患者提供指令。

实例32.根据实例19到31中任一项所述的方法，其中从所述心脏信号到所述机器学习算法的输入包含R-R间期、R波的振幅、QRS宽度或R-R间期变异性中的一个或多个。

实例33.根据实例19到32中任一项所述的方法，其中从所述心脏信号和至少一个生理信号的所述数据到所述机器学习算法的输入包括以下中的一个或多个：所述信号的特征的大小、所述特征的频率、所述特征的形态，或所述大小、所述频率或所述形态随时间推移的变化。

实例34.根据实例19到33中任一项所述的方法，其中所述疗法递送电路系统被配置成递送被配置成预防快速性心律失常的疗法，并且所述处理电路系统被进一步配置成基于将所述机器学习算法应用于所述心脏信号和所述生理信号来确定是否递送被配置成预防快速性心律失常的所述疗法。

实例35.根据实例19到34中任一项所述的方法，其进一步包括通过所述处理电路系统基于将所述机器学习算法应用于所述数据和所述心脏信号的结果来控制所述除颤疗法的递送。

实例36.根据实例19到35中任一项所述的方法，其中所述设备的所述处理电路系统包括图形处理单元(GPU)，所述GPU被配置成将所述机器学习算法应用于所述数据和所述心脏信号，以概率性地确定所述患者的所述至少一种状态。

实例37.一种用于心脏除颤的系统，所述系统包括设备，所述设备被配置成递送除颤疗法，其中所述设备被配置成由患者穿戴，其中所述设备包括：处理电路系统，所述处理电路系统包括第一图形处理单元(GPU)；感测电极，所述感测电极被配置成感测所述患者的心脏信号；除颤电极；疗法递送电路系统，所述疗法递送电路系统被配置成通过所述除颤电极向所述患者递送除颤疗法；以及存储器，所述存储器被配置成存储所述心脏信号和机器学习算法；以及计算系统，所述计算系统通信地耦合到所述设备，所述计算系统包括第二GPU，

其中所述第一GPU被配置成将所述机器学习算法应用于所述心脏信号，并且所述处理电路系统被配置成基于将所述机器学习算法应用于所述心脏信号的结果来确定是否控制所述除颤疗法的递送，并且其中所述第二GPU被配置成基于所述心脏信号和群体数据来更新所述机器学习算法，其中所述群体数据包括来自多个其它患者的心脏信号的数据。

实例38.根据示例权利要求37所述的系统，其中所述多个其它患者包括所述其它患者的子集，所述其它患者的子集具有与所述患者的相应特性相匹配的一个或多个特性。

实例39.根据实例37到38中任一项所述的系统，其进一步包括可植入心脏复律除颤器(ICD)，所述ICD被配置成存储和执行快速性心律失常检测算法，其中所述计算系统被配置成基于由所述机器学习算法分类的心脏信号来配置所述患者的所述快速性心律失常检测算法。

实例40.根据实例37到39中任一项所述的系统，其中所述第二GPU包括比所述第一GPU更大数量的并行核或更大的时钟速度中的至少一种。

实例41.根据实例37到40中任一项所述的系统，其中所述第二GPU执行比所述第一GPU在计算上更复杂的版本的所述机器学习算法。

实例42.根据实例37到41中任一项所述的系统，其中所述设备的所述处理电路系统被配置成基于将所述机器学习算法应用于所述数据和所述心脏信号的结果来控制所述疗法递送电路系统递送所述除颤疗法。

实例43.一种用于确定患者的可治疗的快速性心律失常状态的系统，所述系统包括设备，所述设备被配置成由所述患者穿戴以及感测装置，所述感测装置与所述设备分离，所述设备包括：感测电极，所述感测电极被配置成感测所述患者的心脏信号；通信电路系统，所述通信电路系统被配置成通过无线通信从所述感测装置接收所述患者的至少一个生理信号的数据；存储器，所述存储器被配置成存储所述数据、所述心脏信号和机器学习算法；以及处理电路系统，所述处理电路系统被配置成将所述机器学习算法应用于所述数据和所述心脏信号，以确定所述患者的所述可治疗的快速性心律失常状态，其中所述设备的所述处理电路系统被配置成根据主/从关系从作为从设备的所述感测装置请求作为主设备的所述数据。

实例44.根据实例43所述的系统，其中所述处理电路系统被配置成基于所述心脏信号初步确定所述可治疗的快速性心律失常状态，并且根据所述初步确定从所述感测装置请求所述数据。

实例45.根据实例43到44中任一项所述的系统，其中所述感测装置包括皮下可植入心脏监测器，所述皮下可植入心脏监测器包括用于感测所述生理信号的多个感测电极，其中所述心脏信号包括第一心脏信号并且所述生理信号包括第二心脏信号。

实例46.根据实例43到45中任一项所述的系统，其中所述设备包括除颤电极，所述除颤电极被配置成向所述患者递送除颤疗法，其中所述处理电路系统被配置成基于所述患者的所述可治疗的快速性心律失常状态来控制是否向所述患者递送所述除颤疗法。

实例47.根据实例43到46中任一项所述的系统，其中所述设备的所述处理电路系统包括图形处理单元(GPU)，所述GPU被配置成将所述机器学习算法应用于所述数据和所述心脏信号，以确定所述患者的所述可治疗的快速性心律失常状态。