经由来自便携式监测装置的参数的时间序列来评估用户的疼痛

摘要

提供了用于评估用户的疼痛的系统和方法。在限定的时段内在体内感测装置处监测表示用户的第一疼痛相关参数，以产生第一疼痛相关参数的时间序列。经由便携式计算装置在限定时段中的第一时间和第二时间从用户获得用户的第二疼痛相关参数的值，以提供第二疼痛相关参数的相应的第一值和第二值。根据第一疼痛相关参数的时间序列、第二疼痛相关参数的第一值和第二疼痛相关参数的第二值，经由预测模型向用户分配值。

说明书

相关申请

本申请要求申请日为2020年5月29日的序列号为63/032,095的美国临时申请的优先权，其主题通过引用的方式全文结合于此。

技术领域

本发明涉及经由从便携式监测装置接收的参数的时间序列来评估用户的疼痛。

背景技术

测量受试者所经历的疼痛是困难的，并且目前在很大程度上限于观察受试者的行为和自我报告。然而，由于观察和自我报告都是主观的，因此难以进行响应于刺激所经历的疼痛或疼痛本身的增加的客观测量，或者难以测量各种治疗的有效性。不幸的是，许多疾病以慢性疼痛和疼痛作为病情的重要特征，因此，护理者不能客观测量受试者的疼痛水平、特别是疼痛水平的变化，可能使这些病情和疾病的诊断和管理复杂化。

发明内容

根据本发明的一个方面，提供了一种用于评估用户的疼痛的方法。在限定的时段内在体内感测装置处监测表示用户的第一疼痛相关参数，以产生第一疼痛相关参数的时间序列。经由便携式计算装置在限定时段中的第一时间和第二时间从用户获得用户的第二疼痛相关参数的值，以提供第二疼痛相关参数的相应的第一值和第二值。根据第一疼痛相关参数的时间序列、第二疼痛相关参数的第一值和第二疼痛相关参数的第二值，经由预测模型向用户分配值。

根据本发明的另一个方面，提供了一种用于评估用户的疼痛的系统。该系统包括体内感测装置，该体内感测装置在限定的时段内监测表示用户的第一疼痛相关参数，以产生第一疼痛相关参数的时间序列。便携式计算装置在限定时段中的第一时间和第二时间获得用户的第二疼痛相关参数的值，以提供第二疼痛相关参数的相应的第一值和第二值。预测模型根据第一疼痛相关参数的时间序列、第二疼痛相关参数的第一值和第二疼痛相关参数的第二值向用户分配值。

根据本发明的另外方面，提供了一种用于评估用户的疼痛的系统。该系统包括可穿戴装置，该可穿戴装置在限定的时段内监测表示用户的第一疼痛相关参数，以产生第一疼痛相关参数的时间序列。第一疼痛相关参数是运动参数或生理参数。便携式计算装置在限定时段中的第一时间和第二时间获得用户的第二疼痛相关参数的值，以提供第二疼痛相关参数的相应的第一值和第二值。第二疼痛相关参数是认知参数、睡眠参数或社会心理参数，并且经由移动装置的用户界面从用户的输入确定。预测模型根据第一疼痛相关参数的时间序列、第二疼痛相关参数的第一值和第二疼痛相关参数的第二值向用户分配值。

附图说明

图1例示了根据本发明的方面的用于评估用户的疼痛的系统；

图2是使用多个便携式监测装置的图1的系统的示意性示例；

图3是来自示例认知评估应用的反应时间测试的屏幕截图；

图4是来自示例认知评估应用的注意力测试的屏幕截图；

图5和图6是来自示例认知评估应用的反应抑制测试的屏幕截图；

图7是来自示例认知评估应用的工作记忆(1-back)测试的屏幕截图；

图8是来自示例认知评估应用的工作记忆(2-back)测试的屏幕截图；

图9例示了用于评估用户的疼痛的方法；以及

图10是例示了硬件部件的示例性系统的示意性框图。

具体实施方式

“疼痛相关参数”是与检测或预测用户的疼痛相关的生理、认知、感觉、睡眠、运动、遗传、社会心理或行为参数。

“生物节律”是影响人类的任何时间生物现象，包括但不限于昼夜节律、短日节律、长日节律、昼夜周期、睡眠/觉醒周期和生活模式。

如本文所用的“便携式监测装置”是指由用户穿戴、携带或植入用户体内的装置，其结合有用于接收来自用户的输入的输入装置和用户界面中的任一个或两个、以及用于监测疼痛相关参数或可用于计算或估计疼痛相关参数的参数的传感器。

如本文所用的“指数”旨在涵盖从一系列观察导出的并且用作指示或度量的复合统计。指数可以是表示观察和相关性的序数值、连续值或分类值，并且应当被解读为涵盖传统上被称为“得分”的统计以及指数的更具技术性的意义。

如本文所用的“体内感测装置”是用于测量疼痛相关参数的植入、摄入或可穿戴装置。

如本文所用的“便携式计算装置”是可由用户携带的计算装置，诸如智能电话、智能手表、平板电脑、笔记本电脑和膝上型电脑，其可通过装置上的传感器或经由与用户的交互来测量疼痛相关参数。便携式计算装置可以包括例如用于接收来自用户的输入的用户界面、用于测量用户的活动的运动传感器、以及跟踪用户的位置的位置服务。

如本文所用的，“预测模型”是预测参数的未来状态或估计不能直接测量的参数的当前状态的数学模型或机器学习模型。

图1例示了根据本发明的方面的用于评估用户的疼痛的系统100。在一个实施方案中，系统100可以用于监测经历慢性疼痛的个体的疼痛水平。系统100包括多个便携式监测装置102和110，其包括用于监测跟踪用户的疼痛相关参数的系统的传感器。应当理解，给定的便携式监测装置(例如，102)可以直接与远程服务器120通信以向服务器提供疼痛相关参数，或者与将疼痛相关参数中继到服务器的另一便携式监测装置(例如，110)通信。在一个示例中，多个便携式监测装置可以包括体内感测装置和便携式计算装置。通过使用便携式监测装置102和110，可以从用户的家、教室、工作或运动场中的任何地方(几乎从战场到董事室的任何地方)连续地进行测量。如上所述，疼痛相关参数可至少包括生理、认知、运动/肌肉骨骼、感觉、睡眠、生物标志物和行为参数。表I提供了可以测量的生理参数的非限制性示例以及测量生理参数的示例性测试、装置和方法。

表I

生理参数可以经由可穿戴或可植入的装置测量以及由用户经由移动装置中的应用自我报告，这有助于在自然的、非临床环境中测量这些生理参数。例如，智能手表、指环或贴片可用于测量用户的心率、心率变异性、体温、血氧饱和度、移动和睡眠。这些值也可以经受昼夜分析以估计变异性，并考虑到由于生物节律引起的预期变化以及与生物节律的预期模式的偏差来进行检查。例如，可以在预定时段(例如，十天)内跟踪用户的生物节律，以建立生物节律的正常模式。生物节律的振荡可以作为与这种建立模式的偏离来检测。II提供了被游戏化并且可以被测量的认知参数的非限制性示例以及测量这样的认知参数的示例性方法和测试/任务。认知参数可以通过一连串认知测试来评估，这些认知测试测量例如执行功能、决策制定、工作记忆、注意力和疲劳。

表II

这些认知测试可以在临床/实验室环境中或在自然、非临床环境中(诸如当用户在家、工作或其他非临床环境中时)执行。诸如智能电话、平板电脑或智能手表的智能装置可以促进在自然、非临床环境中测量这些认知参数。例如，埃里克森侧卫、N-Back和精神运动警觉性任务可以经由智能电话、平板电脑或智能手表上的应用来执行。

表III提供了与用户的移动和活动相关联的参数的非限制性示例和示例性测试、装置和方法，为了便于引用，这些参数在本文中替代地称为可以被测量的“运动参数”。便携式监测、体内感测和便携式计算装置的使用允许测量运动参数。使用嵌入式加速度计、GPS和相机，可以捕捉和量化用户的移动，以查看疼痛如何影响它们并与疼痛相关参数相关。

表III

表IV提供了与用户的感觉敏度相关联的参数的非限制性示例和示例性测试、装置和方法，为了便于引用，这些参数在本文中替代地称为可以被测量的“感觉参数”。

表IV

表V提供了与用户的睡眠量和睡眠质量相关联的参数的非限制性示例和示例性测试、装置和方法，为了便于引用，这些参数在本文中替代地称为可以被测量的“睡眠参数”。

表V

表VI提供了通过定位与用户相关联的生物标志物提取的参数的非限制性示例和示例性测试、装置和方法，为了便于引用，这些参数在本文中替代地称为可以被测量的“生物标志物参数”。生物标志物还可以包括与慢性疼痛的状态和慢性疼痛状态的改善或恶化相关的成像和生理生物标志物。

表VI

表VII提供了社会心理和行为参数的非限制性示例和示例性测试、装置和方法，为了便于引用，这些参数在本文中替代地称为可以被测量的“社会心理参数”。

表VII

行为和社会心理参数可以测量用户的功能以及主观/自我报告问卷。主观/自我报告问卷可以在临床/实验室环境中或在自然、野生、非临床环境中(诸如当用户在家、工作或其他非临床环境中时)收集。诸如智能电话、平板电脑或个人计算机的智能装置可以用于执行主观/自我报告问卷。使用嵌入式加速度计和相机，这些智能装置还可以用于捕捉面部表情分析以分析用户的面部表情，这些面部表情可以指示情绪、焦虑、抑郁、忧虑和疲劳。

除了生理、认知、运动/肌肉骨骼、感觉、睡眠、生物标志物和行为参数的一种或多种组合之外，临床数据也可以是评估疼痛的多维反馈方法的一部分。这样的临床数据可以包括例如用户的临床状态、用户的病史(包括家族史)、就业信息和住宅状况。

远程服务器分析由便携式监测装置102和110收集的数据。远程服务器120可以被实施为专用物理服务器或云服务器布置的一部分。除了远程服务器之外，还可以在本地装置本身上和/或在联合学习机制中分析数据。从便携式监测装置102和110接收的信息被提供给特征提取器122，其提取多个特征以供在预测模型124处使用。特征提取器122确定表示疼痛相关参数的分类和连续参数。在一个示例中，参数可以包括描述性统计，诸如所监测参数的时间序列的集中趋势的度量(例如，中值、众数、算术平均值或几何平均值)和偏差的度量(例如，极差、四分位差、方差、标准偏差等)以及时间序列本身。具体地，提供给预测模型的特征集对于至少一个参数将包括表示不同时间的参数值的两个值或者单个值，诸如集中趋势的度量或表示多个时间上的参数值的偏差的度量。

在其他示例中，特征可以表示患者与针对特征所建立的模式的偏离。例如，可以随时间跟踪给定参数的值，并且可以建立集中趋势的度量，或者是整体地或者是在特定时间段内。所收集的特征可以表示给定参数与集中趋势的度量的偏离。例如，由运动传感器和全球定位系统(GPS)跟踪之一或两者测量的用户活动水平的变化可以用作疼痛相关参数。监测的额外元素可以包括监测用户对智能电话、TV、便携式装置的使用的依从性。例如，可以通过系统向用户发送消息，这些消息询问他们的疼痛水平、一般情绪或便携式计算装置上的任何其他疼痛相关参数的状态。可以根据用户经由便携式计算装置上的用户界面响应的这些消息的百分比来确定依从性的度量。

在一个实施方案中，特征提取器122可以对一个或多个参数的值的时间序列执行小波变换，以提供小波系数集合。应当理解，本文所用的小波变换是二维的，使得系数可以被设想为在时间上以及频率或尺度上的二维阵列。

对于给定的参数时间序列x

其中，ψ是小波函数，M是时间序列的长度，并且a和n定义系数计算位置。

特征提取器122还可以包括面部表情分类器(未示出)，其评估来自相机的记录数据和/或来自便携式监测装置102和110(诸如智能电话或其他移动装置)之一的患者面部的记录图像或视频，以在一天中的各个时间向用户分配情绪状态。所提取的特征可以是分类的(表示患者的最可能的情绪状态)或者是连续的，例如，作为由面部表情分类器确定的各种情绪状态(例如，焦虑、不适、愤怒等)的概率值的时间序列。将理解，可使用下文论述的模型中的一个或多个来实施面部表情分类器以用于预测模型124中。

预测模型124还可以利用存储在远程服务器120处的用户数据126，包括例如就业信息(例如，头衔、部门、班次)、年龄、性别、家庭邮政编码、基因组数据、营养信息、药物摄入、家庭信息(例如，家庭类型、居民的数量和年龄)、社交和社交心理数据、消费者花费和概况、财务数据、食品安全信息、躯体虐待的存在或不存在、以及相关的病史。另外，模型可以将多个用户组合以一起交互来细化预测，诸如配偶、儿童、家人、同事、朋友和其他人的社交模型。

预测模型124可以利用一个或多个模式识别算法，每个算法分析所提取的特征或所提取的特征的子集，以向用户分配连续的或分类的参数。在一个示例中，预测模型124可以分配对应于疼痛量表的值的连续参数，诸如奥斯威斯(Oswestry)功能障碍指数、数值评定量表或曼考斯基(Mankoski)疼痛量表。由预测模型124提供的连续参数与生理度量相关，并且可以用作这些疼痛量表或疼痛的其他主观度量中的任何一个的替代测度。替代地，预测模型124可以分配对应于与疼痛量表(诸如黄贝克(Wong-Baker)面部表情疼痛量表和颜色模拟量表)相关联的分类的分类参数。预测模型124可以确定患者的当前疼痛水平值，或者预测患者在未来某一时刻的疼痛值。在一个示例中，可以将计算的指数与用户的自我报告的疼痛和情绪进行比较，以识别疼痛灾难化。另外，通过比较自我报告的疼痛水平(例如经由数值疼痛量表)与预测模型124产生的客观疼痛值，患者或受试者的疼痛水平值可用于在治疗或临床试验期间量化安慰剂效果。所生成的参数可以存储在非暂时性计算机可读介质中，例如，作为电子健康记录数据库中的记录的一部分，或者用于例如经由植入在用户中、由用户穿戴或由用户携带的治疗装置来指导及时治疗。

在使用多分类或回归模型的情况下，可以利用仲裁元件来提供来自多个模型的一致结果。给定分类器的训练过程将随着其实施方案而变化，但是训练通常涉及将训练数据统计地聚集为与输出类别相关联的一个或多个参数。训练过程可以在远程系统和/或本地装置或可穿戴应用上完成。训练过程可以以联邦或非联邦的方式实现。对于诸如决策树的基于规则的模型，例如，由一个或多个人类专家提供的领域知识可以在选择用于使用所提取的特征对用户进行分类的规则时代替训练数据或补充训练数据。多种技术中的任何一种都可以用于分类算法，包括支持向量机、回归模型、自组织映射、模糊逻辑系统、数据融合过程、提升和装袋方法、基于规则的系统或人工神经网络。

联合学习(又名协作学习)是一种预测技术，其在保持本地数据样本的多个分散的边缘装置或服务器上训练算法，而不交换它们的数据样本。这种方法与传统的集中式预测技术(其中所有数据样本都被上载到一个服务器)以及更经典的分散式方法(其假设本地数据样本是相同分布的)形成对比。联合学习使得多个参与者能够建立公共的、鲁棒的预测模型而不共享数据，由此解决了诸如数据隐私、数据安全、数据访问权限和对异构数据的访问的关键问题。其应用遍布于包括国防、电信、IoT或制药在内的许多行业。

例如，SVM分类器可以利用多个函数(称为超平面)来概念性地划分N维特征空间中的边界，其中，N维中的每一个表示特征向量的一个关联特征。边界定义了与每个类别相关联的特征值的范围。因此，可以根据给定输入特征向量在特征空间中相对于边界的位置来确定给定输入特征向量的输出类别和相关联的置信度值。在一个实施方案中，SVM可以使用线性或非线性核经由核方法来实施。

ANN分类器包括具有多个互连的多个节点。来自特征向量的值被提供给多个输入节点。输入节点各自将这些输入值提供给一个或多个中间节点的层。给定的中间节点接收来自先前节点的一个或多个输出值。根据在分类器的训练期间建立的一系列权重来加权所接收的值。中间节点根据节点处的传递函数将其接收到的值转换成单个输出。例如，中间节点可以对所接收的值求和，并且使该和服从二进制阶跃函数。最后一层节点提供ANN的输出类别的置信度值，其中每个节点具有表示分类器的相关联的输出类别之一的置信度的关联值。另一个示例是利用自动编码器检测疼痛相关参数的异常值作为异常检测器，以识别何时由于疼痛的增加或减少，各种参数在个体的正常范围之外。

许多ANN分类器是完全连接和前馈的。然而，卷积神经网络包括卷积层，其中来自前一层的节点仅连接到卷积层中的节点的子集。循环神经网络是一类神经网络，其中节点之间的连接沿着时间序列形成有向图。与前馈网络不同，循环神经网络可以结合来自由较早输入引起的状态的反馈，使得给定输入的循环神经网络的输出可以不仅是输入的函数，而且是一个或多个先前输入的函数。作为示例，长短期记忆(LSTM)网络是循环神经网络的修改版本，其使得更容易记住记忆中的过去的数据。

基于规则的分类器将逻辑规则集合应用于所提取的特征以选择输出类别。通常，规则按顺序应用，其中每个步骤的逻辑结果影响后续步骤的分析。具体规则及其顺序可以从训练数据、来自先前情况的类比推理或现有领域知识中的任何或全部来确定。基于规则的分类器的一个示例是决策树算法，其中将特征集中的特征的值与分层树结构中的对应阈值进行比较以选择用于特征向量的类别。随机森林分类器是使用自举汇聚或“装袋”方法的决策树算法的修改。在该方法中，在训练集的随机样本上训练多个决策树，并且返回跨多个决策树的平均(例如，均值、中值或众数)结果。对于分类任务，来自每棵树的结果将是分类的，并且由此可以使用模态结果。

在一个实施方案中，预测模型124可以包括预测疼痛相关参数的未来值的构成模型，诸如设置有小波变换系数的一个或多个二维阵列作为输入的卷积神经网络。小波系数不仅检测时间上的变化，而且检测时间模式上的变化，由此可以反映用户的普通生物节律的变化。在一个实施方案中，由构成模型预测的疼痛相关参数可以包括测量的参数，诸如心率和心率变异性以及症状(诸如睡眠中断和活动减少)。应当理解，给定的构成模型可以使用除了小波系数之外的数据(诸如其它提取的特征和用户数据126)来提供这些预测。

另外或替代地，预测模型可使用预测总体健康的度量的当前或未来值的构成模型，其中这些度量随后用作用于生成预测模型的输出的特征。例如，这些度量可以包括表示疲劳、身体压力、情绪压力、睡眠中断、工作负荷、压力负荷和额外行为的值。通过使用这些值来识别或预测用户疼痛水平的增加，可以识别这些增加的触发因素，并将其用于更有效的疼痛治疗。相反，当用户的疼痛减少时，可以评估这些值以将改善或稳定性与这些参数的变化相关联。该数据还可以用于将患者与类似地响应于这些参数的患者分组，其中从给定组内的患者反馈的数据用于更好地为患者定制模型。该模型还可以用于促进对受试者、参与者、健康护理提供者、护理团队和其他实体的反馈策略，以促进慢性疼痛的诊断、疼痛的管理、工作和功能的恢复，并且改善包括药物、损伤以及其他过程(诸如包括神经刺激的神经调节、脊髓刺激、输注以及其他方法)的疼痛的治疗的响应。

预测模型124的输出可以是表示用户的状态的分类参数，诸如疼痛量表或疼痛灾难化状态上的类别或当前或预测状态的可能性的范围。在另一个实施方案中，预测模型124的输出可以是连续参数，诸如预测的或当前状态的可能性或表示当前疼痛水平的值。在一个示例中，预测模型124可以包括一个或多个构成模型，其预测未来时间的疼痛相关参数的值。例如，给定模型可以基于从特征提取器122接收的数据和存储的用户数据126来预测用户在未来时间(例如，在三天内)的心率或心率变异性。这些预测值可被提供给用户或用作额外模型的输入以预测用户在未来时间的状态。在一个示例中，预测模型124包括多个卷积神经网络，每个卷积神经网络被配置为预测疼痛相关参数的未来值，其中来自多个卷积神经网络的预测值被用于预测用户的未来状态(例如，疼痛水平、活动水平或睡眠质量)。

在一些实施方案中，预测模型124可以包括反馈部件128，其可以基于由模型进行的预测的准确性来调整预测模型124的各种参数。在一个示例中，反馈部件128可以由多个预测模型124共享，其中与每个预测模型相关联的用户的结果与由模型的输出预测的结果进行比较。与模型相关联的参数(诸如用于从连续值产生分类输入或输出的阈值)可以根据实际和预测结果的差异进行调节。在一个示例中，可以将系统的连续输出与阈值进行比较，以确定患者在疼痛相关参数方面是增大还是减小。该阈值可以由反馈模型128改变以提高确定的准确性。

替代地，预测模型124可以在个体模型的级别获得反馈。例如，在使用构成模型来预测疼痛相关参数的未来值的预测模型124中，一旦测量了疼痛相关参数，模型就接收关于这些预测的准确性的一致反馈。该反馈可以用于调节模型的参数，包括用于该用户从连续值产生分类输入或输出的个性化阈值或与患者相关联的生物节律的基线值。替代地，可以从模型的最终输出提供反馈，并将其与诸如用户报告的状态(例如，疼痛水平)的其他数据进行比较，以向模型提供反馈。在一个实施方案中，可以使用强化学习方法基于预测模型124的中间阶段的疼痛相关参数的预测未来值或预测模型的输出的准确性来调节模型参数。例如，用于从由预测模型124产生的连续指数生成分类输出的决策阈值可以基于来自先前用户的多个模型的反馈而被设置为初始值，并且经由强化模型调节以生成特定于用户的决策阈值。

图2是使用多个便携式监测装置152、154和160的图1的系统的示意性示例150。在所例示的实施方案中，第一便携式监测装置152和第二便携式监测装置154是分别戴在手腕和手指上的可穿戴装置。由第一便携式监测装置152和第二便携式监测装置154监测的疼痛相关参数可以包括例如心率、心率变异性、睡眠质量的测度、生物和昼夜节律变化、睡眠量的测度、用户的身体活动、身体取向、移动、动脉血压、呼吸率、如由脉搏血氧测定法测量的外周动脉氧合血红蛋白饱和度、最大耗氧量、温度和温度变化。如本文所用的可穿戴装置可以包括利用适当的传感器实施的任何可穿戴物品，包括手表、腕带、指环、头带和可以将传感器保持在适当的位置以用于监测疼痛相关参数的其他可穿戴物品。应当理解，给定可穿戴装置152和154可以以大的频率(例如，每五分钟一次)监测这些参数中的许多参数，从而允许生成详细的数据的时间序列。

系统150还可包括经由本地收发器162与第一便携式监测装置152和第二便携式监测装置154通信的移动装置160。移动装置160还可以包括图形用户界面164，其允许用户与存储在基本单元处的一个或多个数据收集应用166交互。可能的数据收集应用的一个示例可以包括测试认知功能的各种度量的认知评估应用。这些度量可以包括工作记忆、注意力和反应抑制、疲劳、认知。进一步地，这些测度可以与建立的基线进行比较以估计用户的疲劳度量。来自示例认知评估应用的屏幕截图如图3至图8提供。另一个数据收集应用可以包括问卷应用，其允许用户自我报告疼痛、心情、精神、身体和情绪状态以及压力。通常，数据收集应用166可以被选择和配置为监测以下各项中的每一个：

1.注意力、警觉和疲劳

2.记忆

3.精神灵活性

4.心情&情绪

5.感知处理

6.感觉敏度

7.运动功能

8.神经能力

9.社交网络

10.社交系统

11.疼痛评定

12.疼痛位置

13.健康

14.警觉

15.病史和治疗史

16.恢复工作，改善认知、运动、感觉和行为功能的生活和功能质量。

移动装置160还包括网络收发器168，系统150经由该网络收发器经由局域网或因特网连接与远程服务器170通信。在该示例中，远程服务器170包括被实施为循环神经网络(具体地，具有长短期记忆架构的网络)的预测模型。在该示例中，来自可穿戴装置152和154的疼痛相关参数(诸如心率变异性和呼吸率)结合问卷响应和认知评估可以作为时间序列连同其他相关数据一起提供给预测模型。模型的输出是表示患者所经历的疼痛的当前水平的指数。

应当理解，该指数可以用于临床研究以确定对疼痛治疗的反应或对刺激的反应。进一步地，通过提供由医学专业人员使用的指数或自动地通过响应于满足阈值的指数而致动输液泵、脊髓刺激器或其它装置，指数可用于向患者分配药物或另一治疗干预以治疗疼痛。

图9例示了用于评估用户的疼痛的方法180。该方法的结果是表示用户的当前或预测的疼痛水平的值。在182，在限定的时段内在体内感测装置处监测表示用户的第一疼痛相关参数，以产生第一疼痛相关参数的时间序列。在一个示例中，第一疼痛相关参数是运动参数和生理参数中的一个，例如，用户的活动的度量、用户的呼吸速率、用户的心率或用户的心率变异性。

在184，经由便携式计算装置在限定时段中的第一时间和第二时间从用户获得用户的第二疼痛相关参数的值，以提供第二疼痛相关参数的相应的第一值和第二值。在一个示例中，第二疼痛相关参数是根据用户在便携式计算装置的用户界面处的输入确定的认知参数、睡眠参数和社会心理参数中的一个，例如，注意力的度量、疲劳的度量、睡眠质量的度量、或表示患者的情绪的度量。

在186，根据第一疼痛相关参数的时间序列、第二疼痛相关参数的第一值和第二疼痛相关参数的第二值，经由预测模型向用户分配值。在一个示例中，对第一疼痛相关参数的时间序列执行小波分解以提供小波系数集合，并且小波系数集合或从小波系数集合导出的一个或多个值可以被提供给预测模型。另外或替代地，根据第一疼痛相关参数和第二疼痛相关参数的值，可以向用户分配表示第一疼痛相关参数的未来值的预测值，并且可以基于预测值来分配被分配给用户的值。

另外或替代地，可根据第一疼痛相关参数和第二疼痛相关参数的值来向用户分配表示用户的总体健康的健康值集合，并且可基于健康值集合来分配被分配给用户的值。健康值集合可包括例如表示疲劳的第一值、表示情绪压力的第二值、表示身体压力的第三值和表示睡眠质量的第四值。在一个实施方案中，反馈以来自用户的自我报告的疼痛水平的形式可以用于改进预测模型。例如，可以经由预测模型将自我报告的疼痛水平与分配给用户的值进行比较，并且可以根据该比较来改变与预测模型相关联的参数。在一个示例中，这可以通过基于测量结果与分配给用户的值的相似性生成针对强化学习过程的奖励并且经由强化学习过程改变参数来实现。

应当理解，例如，健康值和分配给用户的值中的每一个可经由用户界面或网络接口提供给用户、用户的健康护理提供者、用户的护理团队、研究团队、用户的工作场所或其他感兴趣的实体中的一个或多个。这允许使用该值来做出关于用户的护理和活动的决策，包括改进或优化慢性疼痛和疼痛严重性的诊断、疼痛管理、关于恢复工作、表现和功能的决策、以及包括药物、损伤和其他过程(诸如包括神经刺激的神经调节、脊髓刺激、输注以及其他方法)的疼痛的指导治疗。提供给用户的反馈可以用于改善用户对处于总体积极(例如，减少的疼痛)和消极(例如，增加的疼痛)状态的意识、感知和解释，从而允许用户学习用于避免消极状态并引起积极状态的策略。所提供的健康数据还可用于改善或优化认知、运动、感觉和行为功能以及通常尝试改善用户的生活质量。

图10是例示了能够实施本文公开的系统和方法的示例的硬件部件的示例性系统200的示意性框图。系统200可以包括各种系统和子系统。系统200可以是个人计算机、膝上型计算机、工作站、计算机系统、电器、专用集成电路(ASIC)、服务器、服务器刀片中心、服务器场等。

系统200可以包括系统总线202、处理单元204、系统存储器206、存储装置208和210、通信接口212(例如，网络接口)、通信链路214、显示器216(例如，视频屏幕)和输入装置218(例如，键盘、触摸屏和/或鼠标)。系统总线202可与处理单元204和系统存储器206通信。额外存储装置208和210(诸如硬盘驱动器、服务器、独立数据库或其它非易失性存储器)也可与系统总线202通信。系统总线202将处理单元204、存储装置206-210、通信接口212、显示器216和输入装置218互连。在一些示例中，系统总线202还互连额外端口(未示出)，诸如通用串行总线(USB)端口。

处理单元204可以是计算装置，并且可以包括专用集成电路(ASIC)。处理单元204执行指令集以实施本文公开的示例的操作。处理单元可以包括处理核。

额外存储装置206、208和210可以存储文本或编译形式的数据、程序、指令、数据库查询以及操作计算机可能需要的任何其它信息。存储器206、208和210可以被实施为计算机可读介质(集成的或可移除的)，诸如存储卡、磁盘驱动器、光盘(CD)或可通过网络访问的服务器。在某些示例中，存储器206、208和210可以包括文本、图像、视频和/或音频，其部分可以以人类可理解的格式获得。

另外或替代地，系统200可通过通信接口212访问外部数据源或查询源，通信接口可与系统总线202和通信链路214通信。

在操作中，系统200可以用于实施根据本发明的用于评估用户疼痛的系统的一个或多个部分。根据某些示例，用于实施系统的计算机可执行逻辑驻留在系统存储器206以及存储装置208和210中的一个或多个上。处理单元204执行源自系统存储器206以及存储装置208和210的一个或多个计算机可执行指令。如本文所用的术语“计算机可读介质”指的是参与向处理单元204提供指令以便执行的介质。该介质可以分布在多个分立组件上，这些分立组件都可操作地连接到公共处理器或相关处理器组。在以上描述中给出了具体细节以提供对实施例的透彻理解。然而，应当理解，可以在没有这些具体细节的情况下实践实施例。例如，可以在框图中示出物理部件，以免在不必要的细节上混淆实施例。在其它情况下，可以示出公知的电路、过程、算法、结构和技术而没有不必要的细节，以避免使实施例模糊。

上述技术、块、步骤和装置的实施方案可以以各种方式完成。例如，这些技术、块、步骤和装置可以用硬件、软件或其组合来实施。对于硬件实施方案，处理单元可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计为执行上述功能的其他电子单元和/或其组合内实施。

而且，注意，可以将实施例描述为被描绘为流程图、流图、数据流图、结构图或框图的过程。尽管流程图可以将操作描述为顺序过程，但是许多操作可以并行或同时执行。另外，可以重新排列操作的顺序。当完成其操作时，过程终止，但可具有未包括在图中的额外步骤。过程可以对应于方法、函数、规程、子例程、子程序等。当过程对应于函数时，其终止对应于函数返回到调用函数或主函数。

此外，实施例可以由硬件、软件、脚本语言、固件、中间件、微代码、硬件描述语言和/或其任何组合来实施。当以软件、固件、中间件、脚本语言和/或微码实施时，执行必要任务的程序代码或代码段可被存储在诸如存储介质的机器可读介质中。代码段或机器可执行指令可以表示规程、函数、子程序、程序、例程、子例程、模块、软件包、脚本、类、或者指令、数据结构和/或程序语句的任何组合。通过传递和/或接收信息、数据、自变量、参数和/或存储内容，代码段可以耦合到另一代码段或硬件电路。信息、自变量、参数、数据等可以经由任何合适的手段来传递、转发或传输，这些手段包括存储器共享、消息传递、票据传递、网络传输等。

对于固件和/或软件实施方案，方法可用执行本文所述的功能的模块(例如，规程、函数等)来实施。任何有形地具体实施指令的机器可读介质可用于实施本文所述的方法。例如，软件代码可以存储在存储器中。存储器可以在处理器内部或处理器外部实施。如本文所用的，术语“存储器”指代任何类型的长期、短期、易失性、非易失性或其它存储介质，且不限于任何特定类型的存储器或任何特定数量的存储器或上面存储有存储器的介质类型。

而且，如本文所公开的，术语“存储介质”可以表示用于存储数据的一个或多个存储器，包括只读存储器(ROM)、随机存取存储器(RAM)、磁RAM、核心存储器、磁盘存储介质、光存储介质、闪存装置和/或用于存储信息的其他机器可读介质。术语“机器可读介质”包括但不限于便携式或固定存储装置、光存储装置、无线信道和/或能够存储的包含或携带指令和/或数据的各种其它存储介质。

上面已经描述的是示例。当然，不可能描述部件或方法的每一种可想到的组合，但是本领域的普通技术人员将认识到，许多另外的组合和排列是可能的。因此，本公开旨在涵盖落入本申请的范围内的所有这样的变更、修改和变化，本申请的范围包括所附权利要求。如本文所用的，术语“包括”是指包括但不限于，术语“包含”是指包含但不限于。术语“基于”意指至少部分基于。另外，在本公开或权利要求书叙述“一”、“一个”、“第一”或“另一”元件或其等同物的情况下，其应被解释为包括一个或多于一个的这种元件，既不需要也不排除两个或更多个这样的元件。