用于在监测和识别对象的生理特征的异常值中使用的方法和装置

摘要

提供了一种用于在监测对象的生理特征中使用的方法，所述方法包括：接收所述对象的所述生理特征的值；使用针对所述对象的所述生理特征的正常变化性的范围来确定所接收的生理特征值是否为正常，所述范围是使用针对所述对象的所述生理特征的先前值的集合来计算的；并且在所接收的生理特征值被确定为正常的情况下，使用所接收的生理特征值来更新所述正常变化性的范围。

说明书

技术领域

本发明涉及用于在监测和识别对象的生理特征的异常值中使用的方法 和装置。

背景技术

肺充血是由诸如心力衰竭或肾脏疾病的许多不同疾病引起的临床状 况。其包括跟随在肺毛细血管中的增加的血压而在肺部的间质和肺泡腔中 的液体的积累，所述增加的血压导致从血液到肺部空间的水的渗漏。其引 起身体中的液体滞留和液体重新分配并且导致诸如呼吸困难、疲劳以及活 动耐受不良的症状。由提升的左心房和左心室充盈压导致的肺充血是心力 衰竭入院治疗的主要原因。该状况具有渐进性质，并且之后，通常当肺部 液体已经从初始间质水肿阶段增加了至少六倍时，出现肺水肿的临床征象 和症状。这意味着肺水肿常常未被早期检测到，并且针对患者的必要处置 被延迟。

由生物阻抗监测器(BIM)获得的生物阻抗测量结果能够用于检测肺 充血，所述生物阻抗监测器例如使用外部电极或植入的设备来测量生物组 织对流过感兴趣区域(例如，胸部)的小的交流电的电阻。构成该技术的 基础的原理是这样的事实：生物组织的电阻抗(电阻和电抗)被直接链接 到组织的水合含量或水含量，即，细胞内水和细胞外水。当胸部液体积累 (例如，在肺充血期间)时，将有导致减小的阻抗的更好的电流的导电性。 通过测量在不同频率处的阻抗，能够根据Cole-Cole模型估计细胞外水的电 阻(R_e)。因此，组织的电属性的测量结果能够指示存在于身体的该部分中 的液体的量。

如果外部电极被使用，则阻抗测量结果受包括传感器放置、皮肤水分、 身体尺寸以及身体姿势的若干因素的影响。已经发现，身体尺寸和脂肪质 量与胸部阻抗测量结果尤其相关，使得这样的测量结果是对象特异性的。 可植入设备不受电极放置或皮肤水分的变化的影响；然而，已知由这样的 设备做出的测量结果具有变化性，这归因于较不受控制的测量状况(患者 可能未意识到正在采取测量，并且因此测量结果可以是在各种情况中获得 的，所述各种情况(例如，躺下、坐着、行走或锻炼)将导致身体中的液 体分布不同)。这些因子(其与生物阻抗测量结果的正常变化性相结合)使 得确定何时特定患者的阻抗测量结果是异常的并且因此指示过度液体积累 成为挑战。

Yu等人的“Intrathoracic Impedance Monitoring in Patients with Heart  Failure”(Circulation，第112卷、第841至848页，2005年)描述了一种 能够用于检测异常测量结果的算法。所述算法基于每日生物阻抗测量结果 来估计基线阻抗(BL)和短期阻抗(STA)。基线充当不敏感于新的测量结 果的大的偏差的参考。另一方面，STA是最近的测量结果的经滤波的估计 值并且更加敏感于测量结果的大的偏差。如果差异BL-STA的积累的总和 超过针对连续测量结果的特定阈值，则算法加注标示，其中，BL-STA>X。 所描述的算法的缺点是其未考虑阻抗测量结果的对象特异性变化性，例如， X对于每个患者而言为常量。如以上所指出的，已知测量结果变化性是患 者特异性的，这隐含该方法不是最优的并且倾于假警报。

液体含量监测的可靠手段将是用于改进心力衰竭入院治疗的成果并且 降低医疗保健花费的有价值的工具。因此，需要能够提供对针对给定对象 获得的生物阻抗测量结果对于该对象而言是否为异常并且因此指示健康不 佳(例如，指示在身体的电阻相对低的部分中的过度液体积累，或者，另 一方面，指示其中电阻相对高的对象的脱水)的可靠确定的改进的方法和 装置。这样的方法和装置能够被使用在家庭或基于医院的监测系统中，以 检测肺充血的存在和进展，以及用于监测作为接收处置的结果的对患者的 状况的改进。这样的方法和装置还能够被使用在监测对象的其他生理特征 中，例如，体重、心率、血压、温度等中，其中，生理特征的低的值或者 备选地高的值指示所述对象具有生理状况(或者对象具有的所述生理状况 的程度)。

发明内容

根据本发明的第一方面，提供了一种用于在监测对象的生理特征中使 用的方法，所述方法包括：接收所述对象的所述生理特征的值；使用针对 所述对象的所述生理特征的正常变化性的范围来确定所接收的生理特征值 是否为正常，所述范围是使用针对所述对象的所述生理特征的先前值的集 合来计算的；并且在所接收的生理特征值被确定为正常的情况下，使用所 接收的生理特征值来更新所述正常变化性的范围。

优选地，更新所述正常变化性的范围的步骤包括将所接收的生理特征 值添加到先前生理特征值的集合，并且使用所述先前生理特征值的集合来 重新计算所述正常变化性的范围。

优选地，所述方法还包括在所接收的生理特征未被确定为正常的情况 下提供对所接收的生理特征值为异常的指示的步骤。

在本发明的具体实施例中，所述生理特征是所述对象的身体的部分的 电阻，并且所述方法还包括在确定所接收的电阻值为异常的情况下，使用 所接收的电阻值来确定对所述对象的身体的所述部分中的液体含量的指示 的步骤。

在优选实施例中，确定所接收的生理特征值是否为正常的步骤包括将 所述生理特征值与定义所述正常变化性的范围的上边界和下边界进行比 较。

在第一特定实施例中，所述方法用于在对所述对象的所述生理特征的 低值的监测中使用，其中，所述生理特征的低值指示所述对象具有生理状 况，或者所述对象具有的所述生理状况的程度，其中，确定所接收的生理 特征值是否为正常的步骤还包括：如果所接收的生理特征值低于所述下边 界，则将低于所述下边界的连续接收的生理特征值的数目与第一阈值，N 进行比较；并且当低于所述正常变化性的范围的所述下边界的连续接收的 生理特征值的数目等于或者大于所述第一阈值时，确定所接收的生理特征 值为异常；如果低于所述下边界的连续接收的生理特征值的数目小于所述 第一阈值，则确定所接收的生理特征值为正常。

在所述第一特定实施例中，所述方法还能够包括以下步骤：在对所接 收的生理特征值为异常的确定之后，确定低于所述下边界的连续接收的生 理特征值的数目是否等于所述第一阈值，N，并且如果等于，则将最近添加 到所述先前生理特征值的集合的一个或多个生理特征值移除。

在所述第一特定实施例中，确定所接收的生理特征值是否为正常的步 骤能够包括：如果所接收的生理特征值高于所述上边界，则确定所接收的 生理特征值为正常。

在所述第一特定实施例中，所述方法还能够包括以下步骤：在对所接 收的生理特征值高于所述上边界的确定之后，将高于所述正常变化性的范 围的所述上边界的连续接收的生理特征值的数目与第二阈值，M进行比较； 并且如果高于所述上边界的连续接收的电阻值的数目超过所述第二阈值， 则从所述先前生理特征值的集合中移除最低的生理特征值中的一个或多 个。

在所述第一特定实施例中，确定所接收的生理特征值是否为正常的步 骤能够包括：如果所接收的生理特征值在所述上边界与所述下边界之间， 则确定：(i)已经接收的、在所述上边界与所述下边界之间的连续生理特征 值的数目是否小于或等于第三阈值，Z；以及(ii)在所述上边界与所述下 边界之间的所接收的连续生理特征值之前即刻接收的落在所述下边界以下 的连续生理特征值的数目是否大于所述第一阈值，N；如果(i)和(ii)中 的一个或两个为否定，则确定所接收的生理特征值为正常；并且如果(i) 和(ii)中的两个都为肯定，则确定所接收的生理特征值为异常。

在所述第一特定实施例中，所述生理特征能够是所述对象的身体的部 分的电阻，并且所述生理状况是在所述对象的身体的所述部分中的过度液 体含量。

在第二特定实施例中，所述方法用于在对所述对象的所述生理特征的 高值的监测中使用，其中，所述生理特征的高值指示所述对象具有生理状 况，或者所述对象具有的所述生理状况的程度，其中，确定所接收的生理 特征值是否为正常的步骤还包括：如果所接收的生理特征值高于所述上边 界，则将高于所述上边界的连续接收的生理特征值的数目与第一阈值，N 进行比较；并且当高于所述正常变化性的范围的所述上边界的连续接收的 生理特征值的数目等于或者大于所述第一阈值时，确定所接收的生理特征 值为异常；如果高于所述上边界的连续接收的生理特征值的数目小于所述 第一阈值，则确定所接收的生理特征值为正常。

在所述第二特定实施例中，所述方法还能够包括以下步骤：在对所接 收的生理特征值为异常的确定之后，确定高于所述上边界的连续接收的生 理特征值的数目是否等于所述第一阈值，N，并且如果等于，则将最近添加 到所述先前生理特征值的集合的一个或多个生理特征值移除。

在所述第二特定实施例中，确定所接收的生理特征值是否为正常的步 骤能够包括：如果所接收的生理特征值低于所述下边界，则确定所接收的 生理特征值为正常。

在所述第二特定实施例中，所述方法还能够包括以下步骤：在对所接 收的生理特征值低于所述下边界的确定之后，将低于所述正常变化性的范 围的所述下边界的连续接收的生理特征值的数目与第二阈值，M进行比较； 并且如果低于所述下边界的连续接收的电阻值的数目超过所述第二阈值， 则从所述先前生理特征值的集合中移除最高的生理特征值中的一个或多 个。

在所述第二特定实施例中，确定所接收的生理特征值是否为正常的步 骤能够包括：如果所接收的生理特征值在所述上边界与所述下边界之间， 则确定：(i)已经接收的、在所述上边界与所述下边界之间的连续生理特征 值的数目是否小于或等于第三阈值，Z，以及(ii)在所述上边界与所述下 边界之间的所接收的连续生理特征值之前即刻接收的高于所述上边界的连 续生理特征值的数目是否大于所述第一阈值，N；如果(i)和(ii)中的一 个或两个为否定，则确定所接收的生理特征值为正常；并且如果(i)和(ii) 中的两个都为肯定，则确定所接收的生理特征值为异常。

在所述第二特定实施例中，所述生理特征能够是所述对象的身体的部 分的电阻，并且所述生理状况是所述对象的脱水。

在一些实施例中，所述上边界和所述下边界是根据所述先前生理特征 值的集合的平均值以及所述先前生理特征值的集合的变化的量度来确定 的。

在一些实施例中，根据所述先前生理特征值的集合的标准偏差以及最 大变异系数和最小变异系数来计算所述变化的量度，所述最大变异系数和 最小变异系数是基于从多个其他对象获得的生理特征值的训练集合来计算 的，所述其他对象在生理特征值的所述训练集合被获得时不具有针对所述 生理特征的异常值，其中，所述变化的量度包括：(i)所述先前生理特征值 的集合的所述标准偏差，如果所述标准偏差低于所述最大变异系数乘以所 述先前生理特征值的集合的平均值，并且高于所述最小变异系数乘以所述 先前生理特征值的集合的平均值；(ii)所述先前生理特征值的集合的平均 值与所述最小变异系数的乘积，如果所述标准偏差低于所述最小变异系数 乘以所述先前生理特征值的集合的平均值；以及(iii)所述先前生理特征值 的集合的平均值与所述最大变异系数的乘积，如果所述标准偏差高于所述 最大变异系数乘以所述先前生理特征值的集合的平均值。

在一些实施例中，所述上边界由所述先前生理特征值的集合的平均值 和所述变化的量度的总和给出，并且所述下边界通过从所述先前生理特征 值的集合的平均值减去在所述先前生理特征值的集合的平均值与所述变化 的量度之间的差来给出。

在优选实施例中，所接收的生理特征值是根据所述对象的身体的所述 部分的生物阻抗的测量结果估计的电阻值。

在其他优选实施例中，所接收的电阻值是所述对象的身体的所述部分 中的细胞外液的电阻。

根据本发明的第二方面，提供了一种计算机程序产品，包括在其中实 施的计算机可读代码，所述计算机可读代码被配置为使得在由合适的计算 机或处理器运行时令所述计算机或所述处理器执行根据前述权利要求中的 任一项所述的方法。

根据本发明的第三方面，提供了一种用于在监测对象的生理特征中使 用的装置，所述装置包括处理单元，所述处理单元被布置为：接收所述对 象的所述生理特征的值；使用针对所述对象的所述生理特征的正常变化性 的范围来确定所接收的生理特征值是否为正常，所述范围是使用针对所述 对象的所述生理特征的先前值的集合来计算的；并且在所接收的所述生理 特征的值被确定为正常的情况下，使用所接收的生理特征值来更新所述正 常变化性的范围。

也预期所述装置的各种其他实施例，其中，所述处理单元还被配置为 运行以上描述的方法步骤中的任一个。

附图说明

为了更好地理解本发明并且为了更加清楚地示出其可以被如何实现， 现在将仅通过范例的方式参考附图，在附图中：

图1是根据实施例的用于测量对象的身体的部分的液体含量的装置的 图示；

图2是图示根据本发明的总体实施例的用于在监测对象的生理特征中 使用的方法的流程图；

图3是图示根据本发明的第一特定实施例的图2的步骤101至107的 实施方式的流程图；

图4是图示根据本发明的第二特定实施例的图2的步骤101至107的 实施方式的流程图；并且

图5是图示根据本发明的第三特定实施例的图2的步骤101至107的 实施方式的流程图。

具体实施方式

图1示出了根据本发明的用于在监测对象的生理特征中使用的装置。 在该具体实施例中，生理特征是根据对象的身体的部分的电阻所测量的对 象的身体的部分的液体含量，并且因此图1示出了用于在使用生物阻抗测 量结果监测对象(患者)的身体的部分中的液体含量中使用的装置，所述 装置能够实施根据本发明的方法。然而，本领域技术人员应当理解，所述 装置能够通过包括或使用合适的传感器而被容易地适配为在监测其他生理 参数中使用。例如，所述装置能够用于使用适合于测量各种其他生理特征 (例如，体重、血压、温度、心率等)的传感器来监测这些特征中的任一 个。

装置2在图1中被示为通过条或带16由对象4穿戴或附着到对象4， 尽管应当理解，其他布置是可能的，例如，合并所述装置的马甲。装置2 包括控制单元6，所述控制单元6连接到电极8、10、12、14，所述电极8、 10、12、14要被附着到对象4的皮肤或者以其他方式被放置为与对象4的 皮肤相接触。在图示的实施例中，两个电极对被提供。第一电极对8、12 以一个或多个选定的频率将小的电流递送到对象4的胸部中。第二电极对 10、14(每个被放置为接近第一对中的电极8、12中的各自的一个)被放 置在对象4的皮肤上，以测量跨过对象4的胸部的差分电势。其中，如在 图示的实施例中，装置2是要监测对象4的肺部中的液体积累，每个对中 的电极被放置在对象4的胸部的相对侧上。所图示的装置2因此是无创经 胸生物阻抗测量系统。

如果正被测量的身体部分中的组织包含高的液体水平，则所述身体部 分导电更好并且因此其阻抗低于当其包含较少液体时的阻抗。通过以不同 频率测量阻抗，能够使用Cole-Cole模型根据细胞内液(R_i)的电阻单独地 估计组织中的细胞外液(R_e)的电阻。尤其是，在低测量频率(例如，接 近0Hz)处，所测量的生物组织阻抗主要由细胞外液含量及其特征来确定。 在这些低频率处，注入的电流并不容易穿过细胞膜。在较高频率处，生物 组织的电属性由细胞内液含量和细胞外液含量二者来确定，这是因为所注 入的电流能够穿过细胞膜。因此，细胞内液含量和细胞外液含量对所测量 的生物阻抗的影响取决于注入的电流的频率。这允许根据Cole-Cole模型的 对生物组织的电属性的特征化。使用在多个频率处的测量结果允许当细胞 外液含量是阻抗的主要分量时通过对在直流电流(DC，零Hz频率)处的 组织的电属性的内插的近似。

其中，在备选的或额外的实施例中，装置2要用于针对脱水而监测对 象，能够根据所测量的生物组织阻抗来确定组织的总体电阻(即，包括细 胞内R_i和细胞外R_e分量二者)或细胞内电阻R_i。

根据阻抗测量结果的对R_e和/或R_i值的估计能够由控制单元6中的处 理单元来执行。控制单元6也能够实施以下描述的并在图2中示出的方法。 备选地，控制单元6能够将阻抗测量结果或估计的R_e和/或R_i值发送到包 括处理单元的另一装置(例如，智能手机、膝上型计算机、台式计算机或 其他处理设备)，所述处理单元处理阻抗测量结果以产生R_e和/或R_i值(如 果要求的话)，并且将其他步骤实施在图2中示出的方法中。

在备选实施方式中，包括用于外科手术地植入到对象的身体的组织中 的两个空间地且电气地分离的电极的装置能够用于收集生物阻抗测量结 果。本领域技术人员还将意识到关于在图1中示出的、能够用于提供生物 阻抗测量结果的其他类型的系统。

图2示出了根据本发明的实施例的用于在监测对象的身体的生理特征 中使用的方法。

在步骤101中，例如从生物阻抗测量装置2接收或获得对象的身体的 生理特征的新的值，所述生物阻抗测量装置2测量组织对在两个电极之间 流动的小的电流的阻抗。在一些实施例中，生理特征的值是在对象的身体 的部分中的液体的电阻的值。在优选实施例中，液体的电阻的值是在对象 的身体的部分中的细胞外液的电阻R_e，并且更优选地，R_e是对象的肺部中 的细胞外液的电阻。然而，在备选实施例中，生理特征的值能够是体重测 量结果、心率测量结果、血压测量结果或温度测量结果等。

在步骤103中，相对于针对所述对象的该特征的正常变化性的范围核 查所接收的生理特征值，并且确定所接收的生理特征值是否为正常。根据 先前获得的生理特征值(并且尤其是，被认为是正常的，即不被认为是异 常地高或低的先前获得的值)的集合来计算针对所述对象的该特征的正常 变化性的范围。在一些实施例中，能够通过上边界和下边界定义正常变化 性的范围，所述上边界和所述下边界是从针对所述对象的先前正常生理特 征值导出的。还能够使用关于代表性的对象的样本中的生理特征值的期待 的变化性的信息来导出针对所述对象的特征的正常变化性的范围。

如果生理特征值被发现为正常，则在步骤105中，所接收的特征值被 包括在先前获得的正常生理特征值的集合中，并且所接收的生理特征值被 用于更新针对所述对象的正常变化性的范围。基于被分类为针对所述对象 为正常的新收集的特征值来调整范围以随时间推移将所述范围个性化到所 述对象。

用于确定所接收的生理特征值是否为正常的准则能够取决于所述方法 是否正用于针对生理特征的高值或低值进行监测。例如，一些生理状况(例 如，肺部中的过度液体积累)导致较低的电阻的值，这归因于在对象的身 体中的细胞外水。在该情况下，在所述方法正针对过度液体积累(并且也 针对从过度液体积累的恢复)监测对象的情况下，所述方法总体上指向将 低值认为是异常并且指示液体积累的程度。然而，其他生理状况(例如， 脱水)导致对象的身体的较高的电阻的值。在该情况下，所述方法是要针 对脱水进行监测并且总体上将高值认为是异常并指示对象脱水的程度。

在一些实施例中，在对高的或低的所接收的值为异常的确定被做出之 前，可以需要接收许多连续的高值或低值(针对正被监测的状况视情况而 定)。因此，甚至在所接收的值在正常变化性的范围之外的情况下，其并不 立即被分类为异常，这意味着归因于不正确的传感器放置或不一致的测量 状况的错误测量结果并不触发假警报。

在一些实施例中，如果在步骤103中生理特征值被发现为异常，则测 量结果能够依此被标示(例如，被报告到对象或医生)。在一些实施例中， 尤其是在所述方法指向识别过度细胞外液积累的情况下，能够根据生理特 征值来确定对与生理特征(在该情况下为对象的身体的部分中的液体含量 或积累)相关的生理状况的指示。

因此，图2中的方法使用对象的测量历史来对针对该对象的具体生理 特征(例如，电阻测量结果)的变化性进行建模，并且因此自动地将监测 算法个性化，以便增加输出的准确度。在其中针对所述对象收集具体生理 特征的一些测量结果的初始化时期之后，基于该对象的先前测量结果来估 计所述对象的健康生理特征值和测量结果的变化性。对象特异性变化性量 度被用于设置针对边界的值，所述边界用于在健康(正常)值与异常值之 间的辨别。为了避免在健康生理特征和变化性估计中的异常值的影响，从 用于这些估计的对象的历史排除被标记为异常的值。当先前值归因于不恰 当的初始化(即，对象在已经遭受导致异常生理特征值的生理状况的同时 开始测量时期)而被不正确地分类为正常时，所述算法也能够快速将变化 性边界调整为当对象正在恢复时采取的测量结果。

图3示出了根据本发明的第一特定实施例的用于实施图2中的方法的 步骤101-107的算法。在该特定实施例中，所述方法针对细胞外液积累(即， 异常低的电阻值)进行监测，并且因此生理特征值是细胞外液电阻(R_e) 值。在第一R_e值被接收之前执行初始化步骤301。在该初始化步骤期间， 根据多个(例如，四个)先前收集的(并且可能是连续的)R_e值形成先前 接收的正常R_e值的集合。被指代为C_正常、C_低于和C_高于的三个计数器的值被 设定为0。这些计数器被分别用于追踪有多少个已经出现的连续R_e值在正 常变化性的范围之内、低于正常变化性的范围或高于正常变化性的范围。 因此，当下一个R_e值被接收时，图3的方法开始于步骤303处。

在总体上对应于以上的步骤101的步骤303处，新的R_e值被接收。能 够每天接收新的R_e值，尽管应当理解，能够更频繁或更不频繁地接收R_e值，以视情况监测的对象或健康状况。

在步骤305处，所述算法根据在先前收集的正常R_e值的集合中的R_e值计算若干参数。尤其是，计算针对特定对象4的R_e的期待的健康值 (EHV)、健康值变化的量度(HV_std)以及根据针对对象4的上边界UB和 下边界LB定义的R_e的正常变化性的范围。如图3中所示，每当新的R_e值 被接收时，执行该步骤(尽管应当理解，能够在新的R_e值被接收之前执行 所述步骤)。根据被发现为正常并已经被存储在控制单元6的存储器中的先 前接收的R_e值的集合来计算EHV。优选地，EHV是该先前接收的该正常 R_e值(下文中被指代为Normal_R_e)的集合的平均值，例如，平均数，如由 以下等式所表示：

EHV＝mean(Normal_R_e)   等式1

尽管备选地能够使用众数或中位数。

通过计算集合Normal_R_e的变化的量度来计算HV_std。优选地，该变化 的量度是集合Normal_R_e的标准偏差，尽管能够使用变化的其他量度。

在一些实施例中，健康值变化，HV_std的量度等于集合Normal_R_e的标 准偏差(std)。然而，在一些实施例中，从当训练数据被采集时在对象的肺 部中没有液体积累的其他对象的训练组获得的训练数据被用于约束先前接 收的正常R_e值的集合的标准偏差。这意味着HV_std并不必等于集合 Normal_R_e的标准偏差。

在该实施例中，针对训练组的R_e值的训练集合(下文中被指代为 Training_R_e)是先前获得的，并且通过估计在训练R_e值的变异系数的置信 度水平(例如，50％、95％、99％等)处的置信区间来分别计算针对集合 Training_R_e的最大变异系数CV_最大和最小变异系数CV_最小。然后在步骤305 中根据以下等式计算HV_std：

HV_std＝std(Normal_R_e)

如果HV_std<(CV_最小*EHV)，则HV_std＝CV_最小*EHV   等式2

如果HV_std>(CV_最大*EHV)，则HV_std＝CV_最大*EHV

然后根据以下计算变化性的正常范围的下边界LB和上边界UB：

LB＝EHV-HV_std   等式3

UB＝EHV+HV_std。

在步骤307中，所述算法确定所接收的R_e是否低于在步骤305中计算 的LB的值。如果R_e低于LB，则算法前进到步骤309，在步骤309中，计 数器的值C_低于添加1。同时两个其他计数器的值C_正常和C_高于被设定(重置) 为0。

在计数器在步骤309中已经被更新之后，在步骤311中，所述算法核 查C_低于的经更新的值是否大于或等于预定义的阈值N。阈值的值N确定在 所述算法指示异常R_e测量结果已经被接收之前需要接收多少低于正常变化 性的范围的下边界的连续R_e值。

如果C_低于小于N，则所述算法移动到步骤313，在步骤313中，当前 R_e值被添加到集合Normal_R_e。这完成所述算法直到下一个R_e值被接收， 此时所述算法在步骤303处再次开始。因此，即使当前R_e值低于正常范围 的下边界LB(并且因此潜在地指示对象的身体的部分中的较高液体含量)， 该R_e值仍然被分类为“正常”并且被添加到要在步骤305的随后的迭代中 使用的集合Normal_R_e，以计算EHV、HV_std、LB以及UB的经更新的值。 对该阈值N的使用意味着，由例如在对象的身体上的电极的不正确的定位 或对象处于错误的姿势中而引起的一个或多个(但是小于N个)错误低R_e值并不导致所述算法指示在正被监测的身体的部分中有过度的液体。

N能够采取任何正整数值，然而，N的值越大，所述算法就将花费越 长的时间来检测液体的潜在的有意义的积累。另一方面，对于较小的N的 值，所述算法将更可能基于无临床意义的R_e的较小的且短暂的减小而生成 假警报(例如，作为不正确电极放置或对象处于错误姿势中的结果)。N的 最优值将取决于新的值有多频繁地被接收。在每天获得一个值的情况下， 优选地，N在3与15之间。在一些实施例中，N适于特异于具体对象。

然而，如果在步骤311处C_低于被发现大于或等于N，指示N个或更多 个连续接收的R_e值已经为低于LB，则所述算法移动到步骤315，在步骤315 中，当前(即，低于LB的第N个连续值)R_e值被标记为“异常”(即，异 常指示器Abn(i)被设定为1)。然后，在步骤317处，所述算法确定C_低于的值是否等于N。如果其不等于N，则所述算法完成，直到下一个R_e值被 接收。

另一方面，如果在步骤317处确定C_低于等于N，则在步骤319处从集 合Normal_R_e删除最近被添加到集合Normal_R_e的N-1个先前接收的R_e值。 在一些实施例中，在该步骤中从集合Normal_R_e删除的先前接收的R_e值的 数目可以多于或少于N-1。

从集合Normal_R_e(其已经通过步骤313的连续出现而被添加)删除 N-1个先前接收的R_e值的步骤意味着可以仅稍微低于期待的变化性的范围 但是稍后被发现为可能指示肺水肿的减小趋势的部分的R_e值在计算针对随 后接收的R_e值的正常变化性的范围时未被使用。这尽可能地确保仅健康值 被用于计算正常变化性的范围。在执行步骤319之后，所述算法完成，直 到下一个R_e值被接收，此时所述算法在步骤303处再次开始。

返回到步骤307，如果所接收的R_e值未被发现为低于LB，则在步骤 321处，所述算法确定R_e是否高于UB。如果R_e被发现为高于UB，则在步 骤323处，C_高于的值添加1，同时C_正常和C_低于被设定(重置)为0。

在计数器已经被更新之后，在步骤325处，所述算法将当前R_e值添加 到集合Normal_R_e。由于R_e值已经被确定为正常，因此其在步骤327处依 此被标示(即，异常指示器Abn(i)被设定为0)。

然后，在步骤329处，所述算法核查C_高于的值是否大于预定义的阈值 M。如果不是，则所述算法完成，直到下一个R_e值被接收，此时所述算法 在步骤303处再次开始。另一方面，如果在步骤329处确定C_高于大于M， 则在步骤331处所述算法从先前接收的正常R_e值的集合删除C_高于个最小的 R_e值。该步骤允许所述算法在所接收的R_e值稳定增加的情况下(例如，当 对象从肺水肿恢复时)快速调整UB和LB。在一些实施例中，在步骤331 中可以从集合Normal_R_e删除多于或少于C_高于个的最小的值。在执行步骤 331后所述算法完成，直到下一个R_e值被接收，此时所述算法在步骤303 处再次开始。

应当理解，M原则上可以采取任何正整数值，然而，M的值越大，当 患者正恢复时所述算法就将花费越长时间来调整UB和LB，以稳定地增加 R_e值。另一方面，如果M太小，则这能够导致UB和LB归因于无临床意 义的R_e的较小的且短暂的增加而被不必要地调节。优选地，M在3与15 之间。在一些实施例中，M适于特异于具体对象。

返回步骤321，如果确定所接收的R_e值不高于UB(即，其在LB与 UB之间)，则在步骤333中，C_正常的值添加1，C_高于的值被设定(重置)为 0，并且C_低于的值被维持。

然后，在步骤335中，所述算法核查：(a)C_低于的值是否大于预确定的 阈值N，以及(b)C_正常的值是否小于或等于预确定的阈值Z。如果发现(a) 和(b)二者都为真，则所述算法前进到步骤337，在步骤337中，所接收 的R_e值被标记为异常(即，异常指示器Abn(i)被设定为1)。这完成所述 算法，直到下一个R_e值被接收。

另一方面，如果在步骤335中，状况(a)和(b)中的至少一个未被 满足，则所述算法前进到步骤339，在步骤339中，C_低于被设定为零。所接 收的R_e值被确定为正常并且在步骤341中被添加到集合Normal_R_e。因此， 在步骤343处，所接收的R_e值不被标示为异常(即，异常指示器Abn(i) 被设定为0)。这完成所述算法，直到下一个R_e值被接收，此时所述算法在 步骤303处再次开始。

由步骤335表示的额外的核查确保在低于LB的连续R_e值的系列之后 立即接着的多达Z个明显正常的R_e值并不重置C_低于计数器。在该情形下， 多达Z个明显正常的R_e值可以是错误的(例如，如果电极未被正确附着或 未处于正确位置中，或者如果对象处于错误姿势中)，并且如果要基于这样 的错误值来重置C_低于计数器，则这能够导致液体的积累被漏掉。本实施例 通过忽略不适宜的正常值预防这样的假阴性。优选地，Z在1与10之间。 应当理解，如果Z太大，则所述算法可以更慢以检测对象正从液体积累恢 复。

在一些实施例中，可以期望限制集合Normal_R_e的大小。这样的实施 例可以包括任选的额外的步骤345和347，如在图3中的虚线框中所示。在 步骤345中，所述算法确定集合Normal_R_e的大小是否大于预定义的阈值H。 如果不是，则不采取任何动作并且所述算法完成，直到在步骤303中新的 R_e值被接收。

如果集合Normal_R_e的大小被确定为大于H，则删除Normal_R_e中的最 旧的R_e值(步骤347)。所述算法然后在步骤303处再次开始。该步骤确保 集合Normal_R_e永远仅包含最大H个值，鉴于可用于存储该集合的存储器 的量，这可以是必要的。应当理解，H原则上可以采取任何正整数值，然 而，H的值越大，针对所述对象的估计的健康R_e值和R_e的期待的变化性的 量度可能越准确。H可以在25与100之间。在一些实施例中，H适于特异 于具体对象。

如果当在步骤301中使用的初始的多个R_e值被获得时对象已经遭受液 体积累，则所述算法可能不能够检测到何时有过度液体，直到恢复的时期 已经发生。为了避免该情况，一些实施例采用“智能初始化”处理，如在 2012年6月8日提交的美国临时专利申请第61/657217号中所描述的。特 定患者的正常、健康胸部阻抗取决于若干因素，包括身体尺寸、性别以及 脂肪量，并且因此一定程度上能够根据对这些因素的测量结果来预测所述 特定患者的正常、健康胸部阻抗。智能初始化处理使用基于患者特征的预 测等式来确定针对特定对象的R_e的期待的初始值。然后，当所述算法首先 执行步骤305时，EHV的初始值被计算为R_e的期待的初始值和初始的多个 R_e值的加权平均值。

如上所述，在一些情况中，高于EHV的R_e的增加可以是感兴趣的， 这是因为这样的增加能够指示例如脱水。图4示出了根据本发明的第二特 定实施例的用于实施图2中的方法的步骤101-107的算法。图4的算法与图 3的算法相同，除了分别由步骤401至409替换步骤307、309、311、315 和317，分别由步骤411至421替换步骤321至331，以及分别由步骤423 至427替换步骤333、335和339。现在将使用这样的假设来描述这些步骤： 所述假设为所述算法的剩余部分如以上与图3有关的描述来操作。

在已经由图4算法在步骤305中计算了EHV、HV_std、LB和UB之后， 在步骤401中所述算法确定所接收的R_e值是否高于UB。如果R_e高于UB， 则所述算法前进到步骤403，在步骤403中，计数器的值C_高于添加1，同时 两个其他计数器的值C_正常和C_低于被设定(重置)为0。

然后，在步骤405中，所述算法核查C_高于的经更新的值是否大于或等 于预定义的阈值N。如果C_高于小于N，则所述算法移动到步骤313，在步骤 313中，当前R_e值被添加到集合Normal_R_e。这完成所述算法，直到下一个 R_e值被接收，此时所述算法在步骤303处再次开始。

在该实施例中，N能够采取与在第一特定实施例中的值相同的值，然 而，应当理解，与适合于监测液体积累的N的值相比，不同的N的值能够 适合于监测脱水。

如果在步骤405处C_低于被发现为大于或等于N，指示已经有N个或更 多个连续接收的R_e值高于UB，则所述算法移动到步骤407，在步骤407中， 当前(即，高于UB的第N个连续值)R_e值被标记为“异常”(即，异常指 示器Abn(i)被设定为1)。

然后，在步骤409处，所述算法确定C_高于的值是否等于N。如果其不 等于N，则所述算法完成，直到下一个R_e值被接收。

另一方面，如果在步骤409处确定C_高于等于N，则在步骤319处从集 合Normal_R_e删除最近被添加到集合Normal_R_e的N-1个先前接收的R_e值。 在执行步骤319之后，所述算法完成，直到下一个R_e值被接收，此时所述 算法在步骤303处再次开始。

返回到步骤401，如果所接收的R_e值未被发现为高于UB，则在步骤 411处所述算法确定R_e是否低于LB。如果R_e被发现为低于LB，则在步骤 413处C_低于的值添加1，同时C_正常和C_高于被设定(重置)为0。

在计数器已经被更新之后，在步骤415中所述算法将当前R_e值添加到 集合Normal_R_e。由于R_e值已经被确定为正常(即，其不指示脱水)，因此 其在步骤417处依此被标示(即，异常指示器Abn(i)被设定为0)。

然后，在步骤419中，所述算法核查C_低于的值是否大于预定义的阈值 M。如果不是，则所述算法完成，直到下一个R_e值被接收，此时所述算法 在步骤303处再次开始。

另一方面，如果在步骤419处确定C_低于大于M，则在步骤421处所述 算法从先前接收的正常R_e值的集合删除C_低于个最高的R_e值。该步骤允许所 述算法在所接收的R_e值稳定减小的情况下(例如，当对象正从脱水恢复时) 快速调整UB和LB。在执行步骤421之后，所述算法完成，直到下一个R_e值被接收，此时所述算法在步骤303处再次开始。

在该实施例中，M能够是与在第一特定实施例中的M的值相同的值， 然而，应当理解，与适合于监测液体积累的M的值相比，不同的M的值能 够适合于监测脱水。

返回到步骤411，如果确定所接收的R_e值不低于LB(即，其在LB与 UB之间)，则在步骤423中，C_正常的值添加1，C_低于的值被设定(重置)为 0，并且C_高于的值被维持。

然后，在步骤425中，所述算法核查：(a)C_高于的值是否大于预确定的 阈值N，以及(b)C_正常的值是否小于或等于预确定的阈值Z。如果发现(a) 和(b)二者都为真，则所述算法前进到步骤337，在步骤337中，所接收 的R_e值被标记为异常(即，异常指示器Abn(i)被设定为1)。这完成所述 算法，直到下一个R_e值被接收。在该实施例中，Z的值能够与针对第一特 定实施例的Z的值相同，但是，应当理解，与适合于监测液体积累的Z的 值相比，不同的Z的值能够适合于监测脱水。

另一方面，如果在步骤425中，状况(a)和(b)中的至少一个未被 满足，则所述算法前进到步骤427，在步骤427中，C_高于被设定为零。所接 收的R_e值被确定为正常并且在步骤341中被添加到集合Normal_R_e。因此， 在步骤343处，所接收的R_e值被标示为正常(即，异常指示器Abn(i)被 设定为0)。这完成所述算法，直到下一个R_e值被接收，此时所述算法在步 骤303处再次开始。

因此，应当理解，在该实施例中，以与在第一特定实施例中处置低于 LB的R_e值实质上相同的方式处置高于UB的R_e值，并且反之亦然。

应当理解，对在图3中示出的本发明的方法的、使得其能够检测R_e的 异常值的修改是可能的。例如，其中高于UB和低于LB的R_e值二者都被 认为是潜在的关心问题(即，在图3算法中代替步骤321至421而执行步 骤401至409)的实施例也是可能的。这样的实施例将针对液体积累和脱水 二者同时进行监测。

图5示出了根据本发明的第三特定实施例的用于实施图2中的方法的 步骤101-107的算法。图5的算法与图3的算法相同，除了分别由步骤503、 505、507和509替换步骤315、327、337和343。现在将使用这样的假设 来描述这些步骤：所述假设为所述算法的剩余部分如以上与图3有关的描 述来操作。

如果图5算法已经在步骤307处确定所接收的Re值小于LB，并且在 步骤311处确定C_低于的经更新的值大于或等于N，则其执行步骤403，在步 骤403中，除了所接收的R_e值被标记为异常之外，对正被监测的对象的身 体的部分的液体含量的指示被确定。该指示能够是液体积累含量(FAC)和 /或液体积累指数(FAI)。能够使用以下等式来计算FAC和FAI：

FAC(i)＝EHV-R_e(i)   等式4

FAI(i)＝FAI(i-1)+(LB-R_e(i))   等式5

其中，i是对应于当前接收的R_e值的指数(并且因此R_e(i-1)对应于先前 接收的R_e值)。

FAC指示在该R_e测量的时间处(例如，针对给定的日子(在由生物阻 抗测量装置每天生成一个R_e值的实施例中))的液体积累的量，而FAI指 示液体积累的持续性。

如果图5算法已经在步骤321处确定所接收的R_e值高于UB，则在将 所接收的R_e值在步骤325处添加到集合Normal_R_e之后，所述算法执行步 骤405。在步骤405中，FAC和FAI被设定为零，并且R_e测量结果被标记 为正常。

如果所接收的R_e值被确定为在LB与UB之间，并且在步骤311处发 现(a)C_正常等于1和(b)C_低于大于N二者都为真，则所述算法执行步骤 407，在步骤407中，使用等式4和5计算液体积累含量(FAC)和液体积 累指数(FAI)，并且将所接收的R_e值标记为异常。如果在步骤335处确定 (a)和(b)中的至少一个不为真，则在将所接收的R_e值在步骤341处添 加到集合Normal_R_e之后，所述算法在步骤409中将FAC和FAI设定为0， 并且将R_e测量结果标记为正常。

因此，当给定的R_e值被发现为异常时，图5算法使用该值计算FAC和 FAI。另一方面，当R_e值被添加到集合Normal_R_e时，图4算法将FAC和 FAI的值设定为零。对FAC和FAI的使用改进了所述算法在检测肺充血中 的灵敏度。

在一些实施例中，(其也被图示在图5中)，相对于针对对象的R_e的期 待的健康值EHV来计算FAC。因此，在这些实施例中，等式4由以下替换：

FAC(i)＝(EHV-R_e)/EHV等式6

这使得所述算法对在多个对象之间的EHV的幅值的大的差异更加鲁 棒。

尽管图3和图5中的本发明的特定实施例在以上已经被描述为优选地 用于在监测对象4的肺部中的细胞外水的积累中使用，但是应当理解，本 发明能够在监测对象4的身体的其他部分的液体的积累(不管是细胞外的、 细胞内的还是组合的)中使用。例如，生物阻抗测量装置2能够被提供用 于在对象4的腕部、踝或其他关节上使用(例如，作为对关节的炎症的评 估的部分)，以便生成针对这些身体部分的R_e值。

因此提供了一种允许对象被监测的方法和装置，以便使用对象的一个 或多个生理特征的测量结果来检测和/或预期临床有意义的状况的发作或从 临床有意义的状况的恢复。

尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样 的图示和描述应当被认为是图示性或示范性的，而非限制性的。本发明不 限于所公开的实施例。

本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求 保护的发明时能够理解并实现对所公开的实施例的变型。在权利要求书中， “包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除 多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。 尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能 有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上, 例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介 质，但是也可以被以其他形式分布，例如经由因特网或其他有线或无线的 通信系统。权利要求中的任何附图标记都不应被解释为对范围的限制。