КОМПЬЮТЕРИЗИРОВАННОЕ ИНСТРУМЕНТАЛЬНОЕ СРЕДСТВО ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ И МЕДИЦИНСКОЕ УСТРОЙСТВО ДЛЯ ОБНАРУЖЕНИЯ РАСЧЕСОВ И ПРОГНОЗИРОВАНИЯ ПОКРАСНЕНИЙ Российский патент 2024 года по МПК G16H10/00 A61B5/103 

Описание патента на изобретение RU2818831C1

Уровень техники

Атопический дерматит представляет собой хроническое рецидивирующе-ремиттирующее кожное заболевание, которое поражает приблизительно 10% взрослых и 12% детей в США. Оно характеризуется красными содранными повреждениями на коже с зудом (чесоткой). Люди, испытывающие зуд, типично расчесывают пораженную кожу, что усиливает воспаление, вызывающее зуд, и усугубляет цикл чесотки и расчесывания. Для многих людей с атопическим дерматитом, зуд достигает пика ночью, приводя к нарушению сна.

Оценки заболевания, ассоциированного с зудом, такого как атопический дерматит, традиционно являются субъективными, эпизодическими и предоставляют плохие измерения для влияния атопического дерматита. Например, одно традиционное инструментальное средство представляет собой оценку клинических результатов (СОА), которая заключает в себе оценку, врачом, общей площади поверхности тела повреждения и тяжести повреждения. СОА являются субъективными в том, что их оценки варьируются в зависимости от врачей и являются эпизодическими по своему характеру, поскольку они могут выполняться только тогда, когда человек наблюдается врачом. Другое традиционное инструментальное средство представляет собой сообщаемый пациентом результат лечения (PRO), который представляет собой качественный и субъективный отчет от пациента в отношении тяжести зуда. PRO могут иметь недостаточную точность вследствие несоблюдения требований лечения, смещения воспоминаний и ежедневной усталости.

Сущность изобретения

Эта сущность изобретения предоставлена для того, чтобы представлять в упрощенной форме выбор концепций, которые дополнительно описываются ниже в подробном описании. Эта сущность не имеет намерение идентифицировать ключевые или важнейшие признаки заявляемого предмета изобретения, а также не имеет намерение изолированно использоваться в качестве помощи при определении объема заявленного предмета изобретения.

Варианты осуществления настоящего раскрытия сущности предоставляют улучшенные компьютерные инструментальные средства поддержки принятия решений для обнаружения расчеса и, в некоторых аспектах, прогнозирования событий покраснения в будущем. При использовании в данном документе, термин "событие покраснения" может означать острую или очень тяжелую фазу зуда. Варианты осуществления могут включать в себя использование данных, полученных посредством сенсорного устройства, которое может представлять собой носимое устройство, чтобы автоматически обнаруживать события расчесывания. Таким образом, события расчесывания могут обнаруживаться на основе непрерывного потока данных, вводимых в один или более классификаторов машинного обучения, чтобы предоставлять объективную оценку расчесывания. Обнаруженное поведение при расчесывании, в соответствии с некоторыми вариантами осуществления в данном документе, представляет собой ночное расчесывание или расчесывание в течение периода, в который пользователь намеревается спать. Это обнаружение помогает отслеживать расчесывание в течение времени пикового зуда или даже когда пользователь не отдает себе отчет в расчесывании. В связи с этим, обнаруженные события расчесывания, в соответствии с вариантами осуществления этого раскрытия сущности, могут предоставлять более точные показатели текущего зуда и атопического дерматита пользователя. Дополнительно, варианты осуществления могут использовать шаблоны обнаруженного расчесывания, чтобы прогнозировать вероятный уровень чесотки в будущем интервале, который может указывать будущее событие покраснения. Обнаруженные события расчесывания и, в некоторых вариантах осуществления, прогнозированный будущий уровень чесотки и/или событие покраснения могут использоваться в компьютеризированных инструментальных средствах поддержки принятия решений для того, чтобы более точно и своевременно отслеживать симптомы атопического дерматита и инициировать интервенционные и/или терапевтические лечения, чтобы облегчать или предотвращать симптомы.

Расчес может обнаруживаться с использованием данных акселерометра, полученных посредством датчика, который носится отслеживаемым человеком (который также может называться в данном документе "пациентом" или "пользователем"). С использованием данных датчиков, событие движения руками может обнаруживаться, и может определяться то, представляет это событие движения руками собой или нет вероятное событие расчесывания. В некоторых аспектах, до обнаружения событий движения руками, контекст определяется как ограничивающий потенциальные данные датчиков, используемые для обнаружения событий движения руками. В некоторых аспектах, контекст включает в себя обнаружение того, выполнен или нет датчик с возможностью надлежащего получения данных, к примеру, обнаружение того, что датчик носится пользователем, который с большей вероятностью должен приводить к точному обнаружению событий движения руками и, в свою очередь, событий расчесывания. Дополнительно, возможность сна пользователя может обнаруживаться, чтобы определять период времени, в течение которого пользователь намеревается спать, и события движения руками и события расчесывания могут обнаруживаться с использованием данных датчиков, полученных в течение этой возможности сна пользователя. Таким образом, расчесы, возникающие в ночное время (когда зуд достигает пика) и/или в то время, когда пользователь спит и с меньшей вероятностью отдает себе отчет в расчесывании, могут обнаруживаться.

Обнаруженное вероятное событие расчесывания может записываться, и действие может инициироваться на основе одного или более обнаруженных событий расчесывания. Например, аварийное оповещение или уведомление может выдаваться пользователю, чтобы уведомлять этого пользователя в отношении обнаруженного события(й) расчесывания. Дополнительно, данные, связанные с обнаруженным событием расчесывания, могут обрабатываться для компьютерно-реализованного принятия решений. Например, данные событий расчесывания могут агрегироваться, чтобы идентифицировать общее число обнаруженных событий расчесывания в течение периода времени, к примеру, 24-часового периода времени. В некоторых вариантах осуществления, общая длительность расчесывания также может определяться посредством суммирования длительностей всех обнаруженных событий расчесывания в течение заданного периода времени. Общее число событий расчесывания и/или общая длительность расчесывания может использоваться для того, чтобы инициировать рекомендации обращаться за медицинским лечением или консультацией к врачу или выдавать уведомление в пользовательское устройство, ассоциированное с врачом отслеживаемого человека. Дополнительно или альтернативно, общее число событий расчесывания и/или общая длительность расчесывания может добавляться в электронный календарь пользователя в течение периода времени, в ходе которого данные расчесов обнаруживаются. Дополнительно, варианты осуществления могут определять общее число событий расчесывания и/или общую длительность расчесывания для нескольких периодов времени, чтобы идентифицировать тяжесть расчесов во времени и/или изменения в поведении при расчесывании, при этом любое из означенного может использоваться для того, чтобы инициировать действие.

Обнаружение события расчесывания может достигаться посредством применения одной или более моделей машинного обучения к значениям признаков, извлеченным из данных датчиков для обнаруженного события движения руками. В некоторых аспектах, модель машинного обучения представляет собой ансамбль моделей, к примеру, классификатор на основе градиентного бустинга или случайного леса. Аспекты настоящего раскрытия сущности могут в силу этого включать в себя обучение модели(ей) машинного обучения для того, чтобы обнаруживать то, представляет движение руками собой событие расчесывания или нет.

Некоторые варианты осуществления настоящего раскрытия сущности дополнительно могут использовать обнаруженные события расчесывания, чтобы прогнозировать вероятность того, что пользователь имеет чесотку в будущем временном интервале. Шаблоны расчесывания могут определяться на основе обнаруженных событий расчесывания в течение периода времени. В некоторых вариантах осуществления, период времени может составлять 24 часа, но предполагается, что могут использоваться другие периоды времени, к примеру, 3 дня или 5 дней. Дополнительная контекстная информация может определяться, к примеру, уровни температуры и/или влажности в местоположении пользователя для периода времени, в течение которого события расчесывания обнаруживаются. Дополнительно, предсказание уровней температуры и/или влажности для будущего временного интервала может определяться. На основе шаблона расчесывания и контекстной информации, может определяться вероятный уровень чесотки для будущего временного интервала. Дополнительно, некоторые варианты осуществления могут прогнозировать вероятное событие покраснения для пользователя посредством определения того, имеет или нет прогнозированный уровень чесотки достаточную тяжесть для того, чтобы повышаться до уровня события покраснения. Определение вероятности будущего события покраснения может определяться посредством сравнения прогнозированного уровня чесотки с одним или более пороговых уровней чесотки.

Некоторые варианты осуществления могут инициировать действие на основе прогнозированного уровня чесотки и, в некоторых случаях, события покраснения, в течение будущего временного интервала. Инициирование действия может включать в себя формирование уведомления в отношении чесотки или покраснения пациенту или врачу, лечащему отслеживаемого пациента, добавление прогнозированного уровня чесотки и/или события покраснения в электронный календарь для будущего временного интервала и/или предоставление одной или более рекомендаций. Рекомендация может состоять в том, чтобы начинать лечение, продолжать лечение или модифицировать лечение отслеживаемого пациента. Дополнительно, рекомендация может заключаться в том, что отслеживаемый пациент должен запланировать консультацию у врача.

Дополнительные аспекты этого раскрытия сущности включают в себя обнаружение того, спит или нет отслеживаемый пользователь, с использованием данных датчиков. Аналогично некоторым вариантам осуществления обнаружения событий расчесывания, данные датчиков, полученные в течение времен, в которые обнаруживается конфигурация для надлежащего получения данных, и/или возможность сна пользователя могут использоваться для того, чтобы определять то, спит пользователь или нет. Данные датчиков могут использоваться для того, чтобы определять значения индекса активности для окон времени, и комбинация значений индекса активности, к примеру, взвешенная сумма, может сравниваться с пороговым значением сна для того, чтобы обнаруживать то, спит пользователь или нет. Определения периодов времени в течение возможности сна пользователя, когда пользователь бодрствует, а не спит, могут использоваться для того, чтобы определять полный количественный показатель сна, который предоставляет показатель качества сна пользователя в течение определенного периода времени, к примеру, одной ночи. В некоторых аспектах, количественный показатель сна дополнительно может определяться на основе обнаруженных событий расчесывания, поскольку большее число событий расчесывания в течение возможности сна пользователя может указывать более низкое качество сна.

Краткое описание чертежей

Ниже подробно описываются аспекты раскрытия сущности со ссылкой на прилагаемые чертежи, на которых:

Фиг. 1 является блок-схемой примерного операционного окружения, подходящего для реализации аспектов настоящего раскрытия сущности;

Фиг. 2 является схемой, иллюстрирующей примерную вычислительную архитектуру, подходящую для реализации аспектов настоящего раскрытия сущности;

Фиг. 3А и 3В иллюстративно показывают использование вариантов осуществления настоящего раскрытия сущности;

Фиг. 4А иллюстративно показывает блок-схему последовательности операций примерного способа для обнаружения расчеса, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 4В иллюстративно показывает схематическое представление обнаружения ношения датчика, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 4С иллюстративно показывает схематическое представление определения возможности сна пользователя, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 4D иллюстративно показывает схематическое представление примерного процесса для обнаружения периодов сна и бодрствования пользователя, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 4Е иллюстративно показывает схематическое представление примерных аспектов процесса обнаружения расчесов, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 4F иллюстративно показывает схематическое представление примерного процесса для предоставления поддержки принятия решений на основе событий расчесывания, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 4G иллюстративно показывает схематическое представление примерного процесса лечения зуда с использованием устройства считывания движения, ассоциированного с исследуемым, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 4Н иллюстративно показывает схематическое представление примерного процесса с использованием обнаружения расчесов, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 5 иллюстративно показывает блок-схему последовательности операций примерного способа прогнозирования покраснения, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 6А иллюстративно показывает схематическое представление обучения примерного детектора расчесов, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 6В иллюстративно показывает графическое представление выбора признаков для примерного детектора расчесов, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 6С иллюстративно показывает представление проверки достоверности характеристик примерного детектора расчесов, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 6D иллюстративно показывает представление статистических характеристик примерных детекторов расчесов, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 6Е иллюстративно показывает представление характеристик примерного модуля определения возможностей сна, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 6F иллюстрирует представление проверки достоверности характеристик примерного алгоритма определения возможностей сна, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 7А иллюстративно показывает схематическое представление сигналов, показывающих обнаруженное перемещение рук, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 7В иллюстративно показывает схематическое представление обнаружения непрерывного сна и ночных расчесов, в соответствии с вариантом осуществления настоящего раскрытия сущности;

Фиг. 8A-F иллюстративно показывают примерные снимки экрана из вычислительного устройства, показывающие аспекты примерных графических пользовательских интерфейсов (GUI), в соответствии с вариантами осуществления настоящего раскрытия сущности;

Фиг. 9A-I иллюстрируют примерный вариант осуществления компьютерной программной процедуры для обнаружения расчесывания и сна, в соответствии с вариантами осуществления настоящего раскрытия сущности;

Фиг. 10A-I иллюстрируют примерный вариант осуществления компьютерной программной процедуры для обнаружения расчеса, в соответствии с вариантами осуществления настоящего раскрытия сущности;

Фиг. 11А-М иллюстрируют примерный вариант осуществления компьютерной программной процедуры для обнаружения сна, в соответствии с вариантами осуществления настоящего раскрытия сущности; и

Фиг. 12 является блок-схемой примерного вычислительного окружения, подходящего для использования в реализации варианта осуществления настоящего раскрытия сущности.

Подробное описание изобретения

Предмет настоящего раскрытия сущности описывается в данном документе со специфичностью с помощью различных аспектов, чтобы удовлетворять обязательным требованиям. Тем не менее, само описание не имеет намерение ограничивать объем защиты этого патента. Заявленный предмет изобретения может осуществляться другими способами, так что он включает в себя различные этапы либо комбинации этапов, аналогичные этапам либо комбинациям, описанным в этом настоящем раскрытии сущности, в сочетании с другими текущими или будущими технологиями. Более того, хотя термины "этап" и/или "блок" могут использоваться в данном документе для того, чтобы означать различные элементы используемых способов, термины не должны интерпретироваться как подразумевающие какой-либо отдельный порядок для/между различными этапами, раскрытыми в данном документе, за исключением и кроме случаев, когда порядок отдельных этапов заявляется явно. Каждый способ, описанный в данном документе, может содержать процесс вычисления, который может выполняться с использованием любой комбинации аппаратных средств,

микропрограммного обеспечения и/или программного обеспечения. Например, различные функции могут выполняться посредством процессора, выполняющего инструкции, сохраненные в запоминающем устройстве. Способы также могут осуществляться в качестве компьютерно-применимых инструкций, сохраненных на компьютерных носителях хранения данных. Способы могут предоставляться посредством автономного приложения, услуги или размещаемой услуги (автономно или в комбинации с другой размещаемой услугой) либо подключаемого модуля для другого продукта, помимо прочего.

Аспекты настоящего раскрытия сущности относятся к компьютеризированным инструментальным средствам поддержки принятия решений для прогнозирования событий расчесывания и покраснения. С учетом поражения приблизительно 10% взрослых и 12% детей в США, атопический дерматит представляет собой хроническое рецидивирующе-ремиттирующее кожное заболевание, которое характеризуется посредством красных содранных повреждений на коже с зудом (чесоткой). Люди, испытывающие зуд, типично расчесывают пораженную кожу, что усиливает воспаление, вызывающее зуд, и усугубляет цикл чесотки и расчесывания. Для многих людей с атопическим дерматитом, зуд достигает пика ночью, приводя к нарушению сна. Мало того, что физическое действие расчесывания прерывает сон, но и также выявлено то, что расчесывание инициирует когнитивные и поведенческие изменения, которые приводят и усиливают бессонницу и прерывания сна. Дополнительно, лечащееся лекарствами от расчесов эпидермальное повреждение может приводить к воспалительным реакциям, что прерывает околосуточный ритм.

Традиционные оценки заболевания, ассоциированного с зудом, такого как атопический дерматит, традиционно являются субъективными, эпизодическими и предоставляют плохие измерения для влияния атопического дерматита. Например, одно традиционное инструментальное средство представляет собой оценку клинических результатов (СОА), которая заключает в себе оценку, врачом, общей площади поверхности тела повреждения и тяжести повреждения. СОА являются субъективными в том, что их оценки варьируются в зависимости от врачей и являются эпизодическими по своему характеру, поскольку они могут оцениваться только тогда, когда человек наблюдается врачом. Другое традиционное инструментальное средство представляет собой сообщаемый пациентом результат лечения (PRO), который представляет собой качественный и субъективный отчет от пациента относительно тяжести зуда. Такие PRO могут включать в себя шкалу общего впечатления пациента - подшкалу "тяжесть заболевания" (PGIS), числовую рейтинговую шкалу пикового зуда (ppNRS), шкалу тяжести зуда (SPS), дерматологический индекс качества жизни (DLQI), семейный или детский DLQI (FDLQI/CDLQI), шкалу тяжести расстройств сна на основе исследования медицинских результатов (MOS), пациент-ориентированную оценку экземы (РОЕМ), PROMIS-шкалу влияния боли и PROMIS-шкалу тревожности. PRO могут иметь недостаточную точность вследствие несоблюдения требований лечения, смещения воспоминаний и ежедневной усталости.

Попытки предоставлять объективную оценку предприняты посредством использования рекуррентных нейронных сетей для того, чтобы обнаруживать расчесывание из данных датчиков. Тем не менее, эти текущие инструментальные средства требуют двух датчиков (по одному на каждом запястье пользователя или пациента), в силу этого увеличивая нагрузку на пациента, вероятность несоблюдения требований лечения пользователем и неточные результаты вследствие сложностей, ассоциированных с совмещением по времени между двумя датчиками, и вероятности того, что один из датчиков не сконфигурирован надлежащим образом. Дополнительно, попытки современных систем машинного обучения обнаруживать расчес не акцентируют внимание на обнаружении расчесывания в течение возможностей сна. Как пояснено выше, зуд достигает пика в ночное время и может прерывать сон, и в силу этого традиционные решения, которые не обнаруживают события расчесывания в контексте возможности сна, не могут предоставлять точную оценку текущего состояния зуда. Дополнительно, традиционные инструментальные средства не прогнозируют будущие события чесотки или покраснения и в силу этого имеют ограниченные возможности предоставлять превентивные терапевтические меры.

Чтобы повышать точность и надежность, варианты осуществления настоящего раскрытия сущности приводят к улучшенным компьютерным инструментальным средствам поддержки принятия решений посредством обнаружения расчеса и, в некоторых аспектах, прогнозирования событий покраснения, которые возникают с большой вероятностью в будущем, из непрерывных данных датчиков, незаметно полученных посредством сенсорного устройства, носимого пользователем. В связи с этим, информация, используемая для того, чтобы обнаруживать расчесывание, не является эпизодической по своему характеру. Дополнительно, некоторые варианты осуществления сенсорного устройства, к примеру, носимого на запястье устройства, являются менее инвазивными, чем традиционные технологии, требующие того, что пользователь должен спать в управляемом, отслеживаемом окружении, которое приводит к большей вероятности соблюдения требований лечения пользователем и, в частности, является хорошо адаптированным для использования посредством совокупностей, которые традиционно не соблюдают строго требования лечения, таких как дети. В некоторых аспектах, только одно сенсорное устройство носится отслеживаемым пользователем (взаимозаменяемо называемым в данном документе "пациентом"), чтобы дополнительно уменьшать потенциальную нагрузку на пользователей.

Дополнительно, значения признаков, извлеченные из данных датчиков, могут использоваться для того, чтобы обнаруживать расчесывание с использованием одного или более классификаторов машинного обучения, за счет этого устраняя субъективность. Варианты осуществления могут обнаруживать расчесывание из данных датчиков, полученных в ночное время или в течение возможности сна пользователя, упрощая отслеживание расчеса в течение времени пикового зуда, либо когда пользователь не отдает себе отчет в расчесывании. Дополнительно, вероятность того, что пользователь испытывает определенный уровень чесотки или событие покраснения в будущем, может прогнозироваться из шаблонов обнаруженных событий расчесывания. Обнаруженные события расчесывания и/или прогнозированный будущий уровень чесотки и/или событие покраснения могут подаваться в компьютеризированные инструментальные средства поддержки принятия решений для того, чтобы точно и своевременно отслеживать симптомы атопического дерматита и инициировать интервенционные и/или терапевтические лечения, чтобы облегчать или предотвращать ухудшение симптомов.

На высоком уровне, сенсорное устройство, носимое пользователем, может получать данные датчиков для того, чтобы обнаруживать расчес. В примерных аспектах, данные датчиков представляют собой данные акселерометра, захваченные посредством носимого датчика, расположенного на или вокруг запястья пользователя. Из данных датчиков, двухуровневый подход может использоваться для того, чтобы обнаруживать расчес. В некоторых вариантах осуществления, событие перемещения рук может обнаруживаться, и данные датчиков, обнаруженные в событии перемещения рук, затем могут классифицироваться в качестве события расчесывания.

В некоторых аспектах, до обнаружения перемещения рук, контекст определяется для того, чтобы сужать объем данных датчиков для анализа перемещения рук. В некоторых аспектах, контекст включает в себя обнаружение того, выполнено или нет сенсорное устройство с возможностью надлежащего получения данных, что с большей вероятностью должно приводить к точному обнаружению событий перемещения рук и расчесывания. Например, обнаружение того, выполнено или нет сенсорное устройство с возможностью надлежащего получения данных, может включать в себя определение того, что носимое сенсорное устройство, к примеру, носимое на запястье устройство, носится пользователем или нет. В некоторых реализациях, этот этап включает в себя определение не только того, носится или нет сенсорное устройство, но и того, упрощает или нет способ, которым устройство носится, захват намеченных данных. Как описано в данном документе, определение того, что сенсорное устройство надлежащим образом выполнено с возможностью получения данных, может включать в себя использование считываемой информации температуры (например, температуры вокруг тела пользователя) и сравнение считываемой информации температуры с предварительно определенным пороговым значением, чтобы определять то, носится устройство или нет. В других реализациях, это определение выполняется посредством применения набора эвристических правил к статистическим признакам данных движения, таким как среднеквадратические отклонения и/или диапазоны переменных X, Y и Z в данных акселерометра. В некоторых вариантах осуществления, комбинация переменных, таких как температура и данные движения, может использоваться для того, чтобы обнаруживать то, что устройство не носится.

Дополнительно, в некоторых аспектах, объем данных, используемых для обнаружения перемещения рук, дополнительно может сужаться до данных, захваченных в пределах возможности сна или в интервале, в котором пользователь намеревается спать. В связи с этим, варианты осуществления этого раскрытия сущности могут определять возможность сна. Возможность сна может идентифицироваться посредством сравнения изменений углов сгибания предплечья, извлеченных из считываемых данных движения, с пороговым значением возможности сна для того, чтобы обнаруживать возможные варианты периодов возможности сна. В некоторых вариантах осуществления, самая длительная группа возможных вариантов периодов возможности сна (которые могут исключать периоды неношения) в релевантном временном кадре, к примеру, 24-часовом периоде, может выбираться в качестве возможности сна.

После определения возможности сна, данные движения, захваченные в течение определенной возможности сна, могут использоваться для обнаружения перемещения рук и событий расчесывания. Таким образом, варианты осуществления могут определять расчесывание в ночное время (когда зуд достигает пика), и/или когда пользователь спит и с меньшей вероятностью отдает себе отчет в расчесывании. Фиг. ЗА иллюстрирует примерную реализацию при работе обнаружения расчесов, в которой событие расчесывания обнаруживается в то время, когда пользователь спит.Как проиллюстрировано на фиг. 3А, интеллектуальные часы, носимые спящим пользователем, могут считывать данные движения, обнаруживать событие расчесывания и соединяться с сетью, к примеру, с облаком, чтобы регистрировать данные в журнале.

В некоторых вариантах осуществления, обнаружение движения руками включает в себя сегментацию данных датчиков в пределах возможности сна пользователя на окна времени и применение эвристического алгоритма к каждому окну, чтобы определять присутствие перемещения рук в каждом окне. В некоторых вариантах осуществления, эвристический алгоритм для обнаружения движения руками включает в себя вычисление скользящего коэффициента вариации и определение того, удовлетворяет или нет это значение пороговому значению движения.

Различные варианты осуществления раскрытия сущности могут определять то, соответствует или нет перемещение рук событию расчесывания. Чтобы обнаруживать событие расчесывания, значения признаков могут извлекаться из данных датчиков в пределах окон, определенных как представляющие перемещение рук. В примерных аспектах, признаки представляют собой признаки временной области или признаки частотной области. Извлеченные значения признаков могут проходить через детектор расчесов, который определяет то, представляет обнаруженное движение руками собой событие расчесывания или нет. В примерных аспектах, детектор расчесов содержит ансамбль моделей машинного обучения, к примеру, классификатор на основе случайного леса. Аспекты раскрытия сущности могут включать в себя компоновку детектора расчесов, который может включать в себя выбор и конструирование признаков, и обучение одной или более моделей машинного обучения. В некоторых аспектах, модели машинного обучения обучаются посредством использования процесса проверки достоверности на основе принципа "исключение по одному объекту (LOSO)".

В некоторых аспектах, обнаруженное событие расчесывания может записываться, и действие может инициироваться на основе одного или более обнаруженных событий расчесывания. Например, аварийное оповещение или уведомление может выдаваться пользователю, через пользовательский интерфейс на пользовательском устройстве, чтобы уведомлять пользователя относительно события(й) расчесывания. Дополнительно, данные обнаруженных событий расчесывания могут обрабатываться для компьютерно-реализованного принятия решений. В одном варианте осуществления, данные конечных точек расчесывания могут определяться из обнаруженных событий расчесывания. Например, общее число обнаруженных событий расчесывания в течение периода времени, к примеру, 24-часового периода времени и/или общей длительности расчесывания в пределах этого периода, может определяться. Общее число событий расчесывания и/или общая длительность расчесывания может использоваться для того, чтобы инициировать рекомендации отслеживаемому человеку, чтобы обращаться за медицинским лечением или консультацией к врачу. Дополнительно или альтернативно, общее число событий расчесывания и/или общая длительность расчесывания может использоваться для того, чтобы выдавать уведомление в пользовательское устройство, ассоциированное с врачом отслеживаемого человека. Общее число событий расчесывания и/или общая длительность расчесывания может добавляться в приложение или услугу отслеживания, чтобы представлять конечные точки расчесывания как ассоциированные с периодом времени, для которого они обнаруживаются. Количественный показатель расчесов дополнительно может вычисляться на основе обнаруженных событий расчесывания и/или конечных точек расчесывания и может представляться отслеживаемому пользователю или врачу. Дополнительно, варианты осуществления могут определять общее число событий расчесывания и/или общую длительность расчесывания для нескольких периодов времени, чтобы идентифицировать тяжесть расчесов во времени и/или изменения в шаблонах, при этом любое из означенного может использоваться для того, чтобы инициировать действие. Конечные точки расчесывания, раскрытые в данном документе, представляют новые цифровые конечные точки, которые являются полезными в количественном и объективном измерении зуда или, более конкретно, атопического дерматита. Этот новый тип данных может создаваться с использованием раскрытой технологии для мониторинга расчеса, которая может осуществляться с использованием одного или более носимых устройств для непрерывного мониторинга. Таким образом, раскрытый способ сбора данных для измерения расчеса приводит к новым данным конечных точек расчесывания, которые являются более точными и применимыми, чем традиционные технологии для мониторинга и лечения пользователя, поскольку они предоставляют количественный, точный и объективный показатель. Как указано выше, этот способ получения данных, используемых в создании конечных точек расчесывания, является, в частности, полезным в совокупностях с типично более низкими степенями соблюдения требований лечения, таких как дети.

Некоторые варианты осуществления раскрытия сущности могут включать в себя обнаружение того, отслеживаемый пользователь спит и/или бодрствует в течение возможности сна. В связи с этим, аналогично некоторым вариантам осуществления обнаружения расчеса, сон может обнаруживаться посредством использования данных датчиков, полученных в течение времен, в которые обнаруживается конфигурация датчиков для надлежащего получения данных (например, когда датчик носится), и в пределах определенной возможности сна. Обнаружение сна может включать в себя определение значений индекса активности для окон времени на основе считываемых данных движения (например, данных акселерометра), и комбинация нескольких значений индекса активности, к примеру, взвешенная сумма, может сравниваться с пороговым значением сна для того, чтобы обнаруживать то, пользователь спит или с очень высокой вероятностью спит либо нет. Определение периодов, в которые пользователь бодрствует или спит в возможности сна пользователя, может использоваться для того, чтобы определять полный количественный показатель сна, который предоставляет один или более показателей сна пользователя в течение определенного периода времени, к примеру, одной ночи. В некоторых аспектах, количественный показатель сна дополнительно может определяться на основе числа обнаруженных событий расчесывания, поскольку большее число событий расчесывания в течение возможности сна пользователя может указывать более низкое качество сна.

Дополнительные варианты осуществления настоящего раскрытия сущности используют обнаруженные события расчесывания, чтобы прогнозировать вероятность того, что пользователь имеет чесотку в будущем временном интервале. Шаблоны расчесывания могут ассемблироваться на основе статистических событий расчесывания в течение периода времени. Дополнительная контекстная информация может определяться и использоваться для этого прогнозирования, такая как уровни температуры и/или влажности атмосферного воздуха в местоположении пользователя. Эта контекстная информация может представлять собой статистическую контекстную информацию, так что она может предоставлять понимание таким образом, что предиктор чесотки или покраснений может обучаться, и текущая или предсказанная контекстная информация может вводиться в этот предиктор. На основе шаблона расчесывания и контекстной информации, может определяться вероятный уровень чесотки для будущего временного интервала. Дополнительно, некоторые варианты осуществления могут прогнозировать вероятное событие покраснения для пользователя посредством определения того, имеет или нет прогнозированный уровень чесотки достаточную тяжесть для того, чтобы повышаться до уровня события покраснения. Определение вероятности будущего события покраснения может включать в себя сравнение прогнозированного уровня чесотки с одним или более пороговых уровней чесотки, которые могут быть основаны на опорной совокупности или конкретном для пользователя пороговом значении(ях), заданном на основе статистической пользовательской информации и/или настроек или предпочтений пользователя или врача.

Варианты осуществления могут инициировать действие на основе прогнозированного уровня чесотки пользователя и, в некоторых случаях, события покраснения, в пределах будущего временного интервала. Инициирование действия может включать в себя формирование уведомления в отношении чесотки или покраснения пользователю или врачу, который лечит или предположительно должен лечить пользователя. Фиг. ЗВ показывает примерное уведомление в отношении покраснения, предоставленное в реализации при работе. Как проиллюстрировано на фиг. 3В, пользователь может принимать аварийное уведомление в отношении покраснения, указывающее вероятность испытания конкретного уровня чесотки в будущем и/или риск возникновения покраснения в будущем. Прием уведомления в отношении покраснения может подказывать пользователю идти в аптеку, чтобы приобретать лечебные препараты для лечения или уменьшения потенциального покраснения.

Помимо этого или альтернативно, инициирование действия может включать в себя добавление обнаруженного уровня чесотки и/или события покраснения в электронный календарь для будущего временного интервала, в силу этого позволяя пользователю отслеживать прогнозированные уровни чесотки и будущие события покраснения. Дополнительно, действие может включать в себя предоставление одной или более рекомендаций. Рекомендация может состоять в том, чтобы начинать лечение, продолжать лечение и/или модифицировать существующее лечение. Например, при работе, пользователь может принимать рекомендацию приобретать или повторно получать лечебные препараты, чтобы уменьшать или уменьшать прогнозированный риск покраснения. Дополнительно, рекомендация может заключаться в том, что пользователь должен запланировать консультацию у врача.

В числе других, выгода вариантов осуществления раскрытия сущности включает в себя предоставление оценки зуда (на основе полученного в результате расчеса) с большей точностью и надежностью (по сравнению с традиционными решениями) на основе непрерывных (либо полунепрерывных, периодических, получаемых по мере необходимости или получаемых по мере доступности) данных, полученных таким образом, чтобы уменьшать нагрузку на пользователя и увеличивать соблюдение требований лечения пользователем. Например, исследования показывают, что чесотка, при субъективном измерении, не имеет высокой корреляции с ночным расчесыванием, и чесотка имеет более низкую корреляцию с тяжестью атопического дерматита, чем объективные показатели расчеса, определенные в соответствии с вариантами осуществления в данном документе. В связи с этим, варианты осуществления могут использоваться для того, чтобы эффективнее лечить и принимать комплексные меры по борьбе с зудом или атопическим дерматитом по сравнению с традиционными субъективными показателями. Дополнительно, применение классификаторов машинного обучения к данным датчиков для того, чтобы обнаруживать события расчесывания, исключает смещение и субъективность, дополнительно повышая точность и надежность. Эти классификаторы помогают предоставлять надежные компьютерные инструментальные средства поддержки принятия решений, которые основаны на обнаруженных данных расчесов, за счет этого улучшая рекомендации для лечения и/или реакции на расчесывание. По сравнению с другими подходами к обнаружению расчесов с использованием рекуррентной нейронной сети, некоторые варианты осуществления этого раскрытия сущности используют классификатор на основе градиентного бустинга или случайного леса и обеспечивают результаты, которые являются более интерпретируемыми, по сравнению с подходами на основе рекуррентных нейронных сетей, и в силу этого лучше допускающими модификацию или детализацию для конкретных контекстов. Эти варианты осуществления дополнительно могут выполняться быстрее и являются менее вычислительно ресурсоемкими в вычислительных системах. Дополнительно, варианты осуществления обеспечивают прогнозирование чесотки и, в некоторой степени, событий покраснения в будущем, с тем чтобы лучше помогать отслеживаемому пользователю принимать обоснованные решения касательно лечения, и/или с тем, чтобы помогать врачу пользователя обеспечивать медицинское обслуживание в соответствии с состоянием посредством превентивного лечения кожи таким образом, чтобы снижать риск чесотки или покраснения. Дополнительное преимущество может получаться в результате вариантов осуществления, определяющих возможность сна пользователя и измеряющих расчесывание в пределах определенной возможности сна. Как указано выше, расчесывание может очень часто прерывать сон пользователя, и по сути, отслеживание расчесывания в течение возможности сна может более надежно приводить к эффективным мерам для того, чтобы улучшать сон пользователя.

Можно принимать во внимание, что варианты осуществления этого раскрытия сущности могут содержать приложение или услугу отслеживания, которая отслеживает события расчесывания за ночь точным способом с ограниченной нагрузкой на пользователя. Такое отслеживание, включающее в себя аварийные оповещения, уведомления и рекомендации, может поощрять лучшее соблюдение требований лечения со стороны пользователя. Точное и неспорадическое отслеживание во времени также может обеспечивать возможность врачу принимать обоснованные решения относительно лечения отслеживаемого человека. Таким образом, варианты осуществления этого раскрытия сущности могут требоваться как для отслеживаемого человека, так и для лечащего врача в форме услуги отслеживания. Кроме того, использование услуги отслеживания может представлять собой часть рецепта и/или плана лечения врача для человека, страдающего от зуда, либо которому прописан лекарственный препарат, который содержит в перечне зуд в качестве известного потенциального побочного эффекта. Например, врач может прописывать крем пациенту, страдающему от зуда, с инструкциями по нанесению крема через день и по использованию варианта осуществления раскрытого приложения или услуги отслеживания. На основе данных событий расчесывания, полученных для пациента за следующие несколько недель, может определяться то, что расчесывание не улучшается, и врач может определять необходимость менять предписанный курс лечения.

Обращаясь теперь к фиг.1, предоставляется блок-схема, показывающая примерное операционное окружение 100, в котором могут использоваться некоторые варианты осуществления настоящего раскрытия сущности. Следует понимать, что эта и другие компоновки, описанные в данном документе, изложены только в качестве примеров. Другие компоновки и элементы (например, машины, интерфейсы, функции, команды и группировки функций) могут использоваться помимо или вместо компоновок и элементов, показанных на фиг.1, а также на других чертежах, и некоторые элементы могут вообще опускаться для понятности. Дополнительно, многие элементы, описанные в данном документе, представляют собой функциональные объекты, которые могут реализовываться как дискретные или распределенные компоненты либо в сочетании с другими компонентами и в любой подходящей комбинации и местоположении. Различные функции или операции, описанные в данном документе, выполняются посредством одного или более объектов, включающих в себя аппаратные средства, микропрограммное обеспечение, программное обеспечение и комбинацию вышеозначенного. Например, некоторые функции могут выполняться посредством процессора, выполняющего инструкции, сохраненные в запоминающем устройстве.

В числе других компонентов (не показаны), примерное операционное окружение 100 включает в себя определенное число пользовательских устройств, таких как пользовательские компьютерные устройства 102а, 102b, 102с-102n и пользовательское устройство 108 врача; одно или более приложений поддержки принятия решений, к примеру, приложения 105а и 105b поддержки принятия решений; электронную медицинскую карту 104 (EHR); один или более источников данных, к примеру, хранилище 150 данных; сервер 106; один или более датчиков, к примеру, датчик(и) 103; и сеть 110. Следует понимать, что операционное окружение 100, показанное на фиг.1, представляет собой пример одного подходящего операционного окружения. Каждый из компонентов, показанных на фиг.1, например, может реализовываться через любой тип вычислительного устройства, к примеру, через вычислительное устройство 1200, описанное в связи с фиг.12. Эти компоненты могут обмениваться данными между собой через сеть 110, которая может включать в себя, без ограничения, одну или более локальных вычислительных сетей (LAN) и/или глобальных вычислительных сетей (WAN). В примерных реализациях, сеть 110 содержит Интернет и/или сотовую сеть, в числе любых из множества возможных сетей общего пользования и/или частных сетей.

Следует понимать, что любое число пользовательских устройств, серверов, приложений поддержки принятия решений, источников данных и EHR может использоваться в операционном окружении 100 в пределах объема настоящего раскрытия сущности. Каждый элемент может содержать одно устройство или компонент либо несколько устройств или компонентов, взаимодействующих в распределенном окружении. Например, сервер 106 может предоставляться через несколько устройств, размещаемых в распределенном окружении, которые совместно предоставляют функциональность, описанную в данном документе. Дополнительно, другие компоненты, не показанные в данном документе, также могут включаться в распределенное окружение.

Пользовательские устройства 102а, 102b, 102с-102n и пользовательское устройство 108 врача могут представлять собой клиентские пользовательские устройства на стороне клиента операционного окружения 100, в то время как сервер 106 может находиться на стороне сервера операционного окружения 100. Сервер 106 может содержать серверное программное обеспечение, спроектированное с возможностью работать в сочетании с клиентским программным обеспечением на пользовательских устройствах 102а, 102b, 102с-102n и 108 таким образом, чтобы реализовывать любую комбинацию признаков и функциональностей, поясненных в настоящем раскрытии сущности. Это разделение операционного окружения 100 предоставляется для того, чтобы иллюстрировать один пример подходящего окружения, и отсутствует необходимость в том, что любая комбинация сервера 106 и пользовательских устройств 102а, 102b, 102с-102n и 108 должна оставаться в качестве отдельных объектов.

Пользовательские устройства 102а, 102b, 102с-102n и 108 могут содержать любой тип вычислительного устройства, допускающего использование пользователем. Например, в одном варианте осуществления, пользовательские устройства 102а, 102b, 102с-102n и 108 могут представлять собой тип вычислительных устройств, описанных относительно фиг.12 в данном документе. В качестве примера, а не ограничения, пользовательское устройство может осуществляться в качестве персонального компьютера (PC), переносного компьютера, мобильного устройства или мобильного устройства, смартфона, интеллектуального динамика, планшетного компьютера, интеллектуальных часов, носимого компьютера, персонального цифрового устройства (PDA), музыкального проигрывателя или МР3-проигрывателя, глобальной системы позиционирования (GPS) либо устройства на ее основе, видеопроигрывателя, карманного устройства связи, игрового устройства, развлекательной системы, компьютерной системы транспортного средства, встроенного системного контроллера, камеры, пульта дистанционного управления, прибора, бытового электронного устройства, рабочей станции или любой комбинации этих указанных устройств или в качестве любого другого подходящего компьютерного устройства.

Некоторые пользовательские устройства, к примеру, пользовательские устройства 102а, 102b, 102с-102n могут быть предназначены для использования пользователем, который отслеживается через один или более датчиков, к примеру, через датчик(и) 103. В некоторых вариантах осуществления, пользовательское устройство может включать в себя интегрированный датчик (аналогичный датчику 103) или работать в сочетании с внешним датчиком 103. В других примерных аспектах, датчик 103 может позиционироваться на или около запястья отслеживаемого пользователя. Предполагается, что датчик 103 альтернативно может позиционироваться на или около части тела (например, на или около головы пользователя, присоединяться к одежде исследуемого, носиться вокруг головы, шеи, ноги, предплечья, лодыжки, пальца исследуемого, и т.д.). В других аспектах, датчик 103 может представлять собой, например, датчик в виде кожного пластыря, приклеенного к коже исследуемого; заглатываемый или субдермальный датчик; компоненты датчика, интегрированные в бытовую среду исследуемого (включающую в себя кровать, подушку или ванную комнату); и датчики, работающие с помощью или через смартфон, переносимый исследуемым. В одном варианте осуществления, пользовательское устройство содержит носимое на запястье вычислительное устройство с интегрированным датчиком, такое как интеллектуальные часы или планшетный компьютер, который функционально соединяется с источником данных датчиков.

В примерных вариантах осуществления, датчик 103, к примеру, гироскопический или акселерометрический датчик, считывает информацию движения. Например, датчик 103 может содержать носимый акселерометрический датчик, который может реализовываться на устройстве-браслете в форме фитнес-трекера, интеллектуальных часах и/или интеллектуальном мобильном устройстве. Другие типы датчиков также могут интегрироваться в или работать в сочетании с пользовательскими устройствами, к примеру, датчики, выполненные с возможностью обнаруживать окружающее освещение (например, фотодетектор); датчики, выполненные с возможностью обнаруживать местоположение пользователя (например, на основе системы позиционирования в помещениях (IPS) или глобальной системы позиционирования (GPS)); датчики, выполненные с возможностью обнаруживать информацию атмосферного воздуха (например, термометр, гигрометр или барометр); и физиологические датчики (например, датчики, обнаруживающие пульс, кровяное давление, центральную температуру тела, температуру вокруг тела или кожно-гальваническую реакцию (GSR)). Некоторые варианты осуществления включают в себя несколько датчиков 103, к примеру, три датчика, чтобы получать данные акселерометра, данные окружающего освещения и данные температуры (например, температуры вокруг тела). Некоторые варианты осуществления датчиков 103 могут включать в себя датчики, измеряющие информацию, которая должна использоваться для того, чтобы отслеживать тонкое перемещение пальца, к примеру, электромиографию (EMG) для измерения активации мышц, акустическое наблюдение и/или вибрационные преобразователи. Тем не менее, предполагается, что физиологическая информация относительно отслеживаемого человека, согласно вариантам осуществления раскрытия сущности, также может приниматься из статистических данных отслеживаемого человека в EHR 104 либо из измерений показателей жизнедеятельности человека или наблюдений за показателями жизнедеятельности человека.

Данные могут получаться посредством датчика 103 непрерывно, периодически, по мере необходимости или по мере доступности.

Дополнительно, данные, полученные посредством датчика 103, могут быть ассоциированы с информацией времени и даты и могут представляться как один или более временных рядов измеренных переменных. В варианте осуществления, датчик 103 собирает необработанную информацию датчиков и выполняет обработку сигналов, формирование переменной статистики принятия решений, кумулятивное суммирование, отслеживание трендов, вейвлет-обработку, пороговую обработку, вычислительную обработку статистики принятия решений, логическую обработку статистики принятия решений, предварительную обработку и/или преобразование и согласование сигналов. Альтернативно, одна или более этих функций могут выполняться посредством пользовательского устройства, к примеру, пользовательского устройства 102 с или пользовательского устройства 108 врача, сервера 106 и/или приложений 105а или 105b поддержки принятия решений.

Некоторые пользовательские устройства, к примеру, пользовательское устройство 108 врача, могут быть предназначены для использования врачом, который лечит или иным образом отслеживает пользователя, ассоциированного с датчиком 103. Пользовательское устройство 108 врача функционально соединяется через сеть 110 с EHR 104. Операционное окружение 100 иллюстрирует косвенное функциональное соединение между пользовательским устройством 108 врача и EHR 104 через сеть 110. Тем не менее, предполагается, что вариант осуществления пользовательского устройства 108 врача может функционально соединяться с EHR 104 непосредственно. Вариант осуществления пользовательского устройства 108 врача включает в себя пользовательский интерфейс, управляемый посредством программного приложения или набора приложений на пользовательском устройстве 108 врача. В варианте осуществления, приложение представляет собой веб-приложение или апплет. В соответствии с вариантами осуществления, представленными в данном документе, приложение для медработников (врачей) может упрощать осуществление доступа и прием информации от врача относительно конкретного пациента или набора пациентов, для которых проводится обнаружение событий расчесывания, будущих уровней чесотки и/или сна. Варианты осуществления пользовательского устройства 108 врача также упрощают осуществление доступа и прием информации от врача относительно конкретного пациента или совокупности пациентов, включающей в себя историю болезни пациента; данные ресурсов здравоохранения; физиологические переменные (например, показатели жизненно-важных функций), измерения, временные ряды, прогнозирования (включающие в себя иллюстрацию или отображение определенного результата и/или выдачу аварийного оповещения), описанные в данном документе; или другую информацию медицинского характера. Пользовательское устройство 108 врача, например, дополнительно упрощает отображение результатов, рекомендаций или предписаний. В варианте осуществления, пользовательское устройство 108 врача упрощает прием предписаний для пациента на основе результатов мониторинга и прогнозирований.

Пользовательское устройство 108 врача также может использоваться для предоставления диагностических услуг или оценки характеристик технологии, описанной в данном документе в сочетании с различными вариантами осуществления.

Варианты осуществления приложений 105а и 105b поддержки принятия решений содержат программное приложение или набор приложений (которые могут включать в себя программы, процедуры, функции или компьютерно-выполняемые услуги), постоянно размещающихся на клиентском вычислительном устройстве, один или более серверов в облаке, распределенных в облачном окружении или на клиентском вычислительном устройстве, таком как персональный компьютер, переносной компьютер, смартфон, планшетный компьютер, мобильное вычислительное устройство или внешние интерфейсные терминалы, поддерживающие связь с внутренними интерфейсными вычислительными системами. В варианте осуществления, приложения 105а и 105b поддержки принятия решений включают в себя веб-приложения или набор приложений, применимых для того, чтобы управлять пользовательскими услугами, предоставляемыми

посредством варианта осуществления изобретения. Например, в варианте осуществления, каждое из приложений 105а и 105b поддержки принятия решений упрощает обработку, интерпретацию, осуществление доступа, сохранение, извлечение и передачу информации, полученной из пользовательских устройств 102а-n и 108, датчика 103, EHR 104 или хранилища 150 данных, включающей в себя прогнозирования и оценки, определенные посредством вариантов осуществления изобретения.

Осуществление доступа к и/или использование информации через приложения 105а и 105b поддержки принятия решений либо использование ассоциированной функциональности может требовать от пользователя, к примеру, пациента или врача, входить в учетную запись с учетными данными. Дополнительно, приложения 105а и 105b поддержки принятия решений могут сохранять и передавать данные в соответствии с настройками конфиденциальности, заданными врачом, пациентом, посредством ассоциированного лечебного учреждения или системы, и/или применимыми местными и федеральными правилами и нормами относительно защиты медицинской информации, к примеру, правилами и нормами Закона о страховании здоровья и медицинской ответственности (HIPAA).

В варианте осуществления, приложения 105а и 105b поддержки принятия решений могут отправлять уведомление (к примеру, аварийный сигнал или другой индикатор) непосредственно в пользовательское устройство 108 врача или пользовательские устройства 102а-n через сеть 110. Приложения 105а и 105b поддержки принятия решений также могут отправлять индикаторы техобслуживания в пользовательское устройство 108 врача или пользовательские устройства 102а-n. Дополнительно, компонент интерфейса, например, может использоваться в приложениях 105а и 105b поддержки принятия решений для того, чтобы упрощать доступ пользователя (включающего в себя врача/ухаживающее лицо или пациента) к функциям или информации относительно датчика 103, такой как функциональные настройки или параметры, идентификационные данные пользователя, пользовательские данные, сохраненные на датчике 103, и диагностические услуги или обновления микропрограммного обеспечения для датчика 103.

Дополнительно, варианты осуществления приложений 105а и 105b поддержки принятия решений могут собирать данные датчиков прямо или косвенно из датчика 103 и использовать данные датчиков для того, чтобы обнаруживать события расчесывания, будущие уровни чесотки прогноза и события покраснения и/или обнаруживать сон, как подробнее описано относительно фиг.2. При использовании в данном документе, событие покраснения может означать острую фазу зуда, при которой уровень чесотки и/или один или более дополнительных симптомов (например, красная кожа, отслаивающаяся кожа, повреждения) могут превышать пороговый уровень. В одном аспекте, приложения 105а и 105b поддержки принятия решений могут отображать результаты таких процессов пользователю через пользовательское устройство, к примеру, через пользовательские устройства 102а-n и 108, включающие в себя через примерные графические пользовательские интерфейсы (GUI), проиллюстрированные на фиг.8A-F. Таким образом, функциональность одного или более компонентов, поясненных ниже относительно фиг.2, может выполняться посредством компьютерных программ, процедур или услуг, которые представляют собой часть или иными способами управляются посредством приложений 105а и 105b поддержки принятия решений. Помимо этого или альтернативно, приложения 105а и 105b поддержки принятия решений могут включать в себя инструментальные средства поддержки принятия решений, к примеру, инструментальное средство(а) 270 поддержки принятия решений по фиг.2.

Как упомянуто выше, операционное окружение 100 включает в себя одну или более EHR 104, которые могут быть ассоциированы с отслеживаемым человеком. EHR 104 может прямо или косвенно функционально соединяться с пользовательскими устройствами 102а-n и 108 через сеть 110. В некоторых вариантах осуществления, EHR 104 представляет медицинскую информацию из других источников и может осуществляться в качестве различных систем хранения карт, к примеру, в качестве отдельных EHR-систем для различных пользовательских устройств врача (к примеру, 108). Как результат, пользовательские устройства врача могут быть предназначены для врачей различных сетей поставщиков услуг или организаций по уходу.

Варианты осуществления EHR 104 включают в себя одно или более хранилищ данных медицинских карт, которые могут сохраняться в хранилище 150 данных, и дополнительно могут включать в себя один или более компьютеров или серверов, которые упрощают сохранение и извлечение медицинских карт. В некоторых вариантах осуществления, EHR 104 может реализовываться как облачная платформа или может распределяться по нескольким физическим местоположениям. EHR 104, например, дополнительно может включать в себя системы хранения карт, которые сохраняют информацию пациентов (либо пользователей) в реальном времени или практически в реальном времени, к примеру, носимые, прикроватные или домашние мониторы состояния пациентов.

Хранилище 150 данных представляет один или более источников данных и/или систем передачи и обработки данных, которые выполнены с возможностью обеспечивать доступность данных для любого из различных компонентов операционного окружения 100 или системы 200, описанной в связи с фиг.2. Например, в одном варианте осуществления, хранилище 150 данных предоставляет (или обеспечивает доступность для осуществления доступа) данные датчиков, которые могут быть доступны для компонента 210 сбора данных по фиг.2. Хранилище 150 данных может быть дискретным относительно пользовательских устройств 102а-n и 108 и сервера 106 либо может включаться и/или интегрироваться по меньшей мере с одним из этих компонентов.

Операционное окружение 100 может использоваться для того, чтобы реализовывать один или более компонентов системы 200 (описанной на фиг.2), включающих в себя компоненты для сбора данных датчиков или связанных с пользователем данных; обнаружения событий расчесывания; прогнозирования будущих событий чесотки и покраснения; обнаружения сна; и реализации одного или более инструментальных средств поддержки принятия решений. Операционное окружение 100 также может использоваться для реализации аспектов способов 400 и 500, как описано в сочетании с фиг.4А и 5, соответственно.

Ссылаясь теперь на фиг.2 и с дальнейшей ссылкой на фиг.1, предоставляется блок-схема, показывающая аспекты архитектуры примерной вычислительной системы, подходящей для реализации варианта осуществления настоящего раскрытия сущности и обозначаемой, в общем, в качестве системы 200. Система 200 представляет только один пример подходящей архитектуры вычислительной системы. Другие компоновки и элементы могут использоваться помимо или вместо показанных компоновок и систем, и некоторые элементы могут вообще опускаться для понятности. Дополнительно, многие элементы, описанные в данном документе, представляют собой функциональные объекты, которые могут реализовываться как дискретные или распределенные компоненты либо в сочетании с другими компонентами и в любой подходящей комбинации и местоположении.

Примерная система 200 включает в себя сеть 110, которая описывается в связи с фиг.1 и которая функционально соединяет компоненты системы 200, включающей в себя компонент 210 сбора данных, компонент 220 представления, детектор 260 расчесов, детектор 230 сна/бодрствования, предиктор 290 покраснений, инструментальное средство 270 поддержки принятия решений, монитор 280 датчиков и устройство 250 хранения данных. Один или более этих компонентов, например, могут осуществляться в качестве набора компилированных компьютерных инструкций или функций, программных модулей, компьютерных программных услуг или компоновки процессов, выполняемых на одной или более компьютерных систем, к примеру, на вычислительном устройстве 1200, описанном в связи с фиг.12.

В одном варианте осуществления, функции, выполняемые посредством компонентов системы 200, ассоциированы с одним или более приложений, услуг или процедур поддержки принятия решений (к примеру, с приложениями 105а-b поддержки принятия решений по фиг.1). В частности, такие приложения, службы или процедуры могут работать на одном или более пользовательских устройств (к примеру, на пользовательском компьютерном устройстве 102а и/или пользовательском устройстве 108 врача), серверов (к примеру, на сервере 106), распределяться по одному или более пользовательских устройств и серверов или реализовываться в облачном окружении (не показано). Кроме того, в некоторых вариантах осуществления, эти компоненты системы 200 могут распределяться по сети, соединяющей один или более серверов (к примеру, сервер 106) и клиентских устройств (к примеру, пользовательские компьютерные устройства 102а-n или пользовательское устройство 108 врача), в облаке или могут постоянно размещаться на пользовательском устройстве, к примеру, на любом из пользовательских компьютерных устройств 102а-n или пользовательского устройства 108 врача. Кроме того, функции, выполняемые посредством этих компонентов, или услуги, выполняемые посредством этих компонентов, могут реализовываться на надлежащем уровне(ях) абстрагирования, к примеру, на уровне операционной системы, на уровне приложений, на аппаратном уровне и т.п. вычислительной системы. Альтернативно или помимо этого, функциональность этих компонентов и/или вариантов осуществления, описанных в данном документе, может выполняться по меньшей мере частично, посредством одного или более аппаратных логических компонентов. Например, и без ограничения, иллюстративные типы аппаратных логических компонентов, которые могут использоваться, включают в себя программируемые пользователем вентильные матрицы (FPGA), специализированные интегральные схемы (ASIC), специализированные стандартные продукты (ASSP), внутримикросхемные системы (SOC), комплексные программируемые логические устройства (CPLD) и т.д. Дополнительно, хотя функциональность описывается в данном документе относительно конкретных компонентов, показанных в примерной системе 200, предполагается, что в некоторых вариантах осуществления функциональность этих компонентов может совместно использоваться или распределяться между другими компонентами.

Продолжая с фиг.2, компонент 210 сбора данных, в общем, может отвечать за осуществление доступа или прием (и в некоторых случаях идентификацию) данных из одного или более источников данных, к примеру, данных из датчика 103 и/или хранилища 150 данных по фиг.1, которые следует использовать в вариантах осуществления настоящего раскрытия сущности. В некоторых вариантах осуществления, компонент 210 сбора данных может использоваться для того, чтобы упрощать накопление данных датчиков, полученных для конкретного пользователя (или в некоторых случаях, для множества пользователей, включающих в себя краудсорсинговые данные) для других компонентов системы 200, таких как детектор 260 расчесов, детектор 230 сна/бодрствования и/или предиктор 290 покраснений. Данные могут приниматься (или подлежать доступу) и накапливаться, переформатироваться и/или комбинироваться посредством компонента 210 сбора данных и сохраняться в одном или более хранилищ данных, к примеру, в устройстве 250 хранения данных, в котором они могут быть доступны для других компонентов системы 200. Например, пользовательские данные могут сохраняться в или ассоциироваться с личной картой 240, как описано в данном документе. Дополнительно или альтернативно, в некоторых вариантах осуществления, любые персонально идентифицируемые данные (т.е. пользовательские данные, которые конкретно идентифицируют конкретных пользователей) не выгружаются, иным образом предоставляются из одного или более источников данных с пользовательскими данными, не сохраняются постоянно и/или не становятся доступными для других компонентов системы 200. В некоторых вариантах осуществления, пользователь может выбирать начинать или заканчивать применение услуг, предоставленных посредством технологий, описанных в данном документе, и/или выбирать то, какие пользовательские данные и/или какие источники пользовательских данных должны использоваться посредством этих технологий.

Данные, используемые в вариантах осуществления настоящего раскрытия сущности, могут приниматься из множества источников и могут быть доступными во множестве форматов. Например, в некоторых вариантах осуществления, пользовательские данные, принимаемые через компонент 210 сбора данных, могут определяться через один или более датчиков (к примеру, через датчик 103 по фиг.1), которые могут сохраняться на или ассоциироваться с одним или более пользовательских устройств (к примеру, с пользовательским компьютерным устройством 102а), серверов (к примеру, с сервером 106) и/или других вычислительных устройств. При использовании в данном документе, датчик может включать в себя функцию, процедуру, компонент либо комбинацию вышеозначенного для считывания, обнаружения или иного получения информации, такой как пользовательские данные, из хранилища 150 данных и может осуществляться в качестве аппаратных средств, программного обеспечения либо и того, и другого. Как упомянуто выше, в качестве примера, а не ограничения, данные, которые считываются или определяются из одного или более датчиков, могут включать в себя информацию движения, к примеру, данные акселерометра или гироскопа; информацию окружающего освещения, к примеру, информацию фотодетектора; информацию местоположения, к примеру, данные системы позиционирования в помещениях (IPS) или глобальной системы позиционирования (GPS) из мобильного устройства; информацию атмосферного воздуха, к примеру, температуру, влажность и/или давление воздуха; и физиологическую информацию, к примеру, пульс, кровяное давление, центральную температуру тела, температуру кожи или кожно-гальваническую реакцию. В некоторых аспектах, информация датчиков, собранная посредством компонента 210 сбора данных, может включать в себя дополнительные свойства или характеристики пользовательского устройства (такие как состояние устройства, данные заряда, дата/время или другая информация, извлекаемая из пользовательского устройства, к примеру, мобильного устройства); информацию пользовательской активности (например, использование приложений, онлайновые действия, онлайновый поиск, голосовые данные, к примеру, автоматическое распознавание речи, или журнал регистрации операций), включающую в себя, в некоторых вариантах осуществления, пользовательскую активность, которая возникает более чем в одном пользовательском устройстве; пользовательскую предысторию; журналы регистрации сеансов; данные приложений; контакты; данные календаря и расписания; данные уведомлений; данные социальных сетей; новости (включающие в себя популярные или трендовые элементы в поисковых механизмах или социальных сетях); активность в области электронной коммерции (включающую в себя данные из онлайновых учетных записей, к примеру, Microsoft®, Amazon.com®, Google®, eBay®, PayPal® и т.д.); данные пользовательской учетной записи(ей) (которые могут включать в себя данные из пользовательских предпочтений или настроек, ассоциированных с приложением или услугой в форме персонального помощника); данные домашних датчиков; данные приборов; данные сигналов транспортного средства; данные трафика; другие данные носимых устройств; другие данные пользовательских устройств (например, настройки устройства, профили, связанную с сетью информацию (например, имя или идентификатор сети, информацию домена, информацию рабочей группы, данные по соединению, сетевые Wi-Fi-данные или конфигурационные данные, данные относительно номера модели, микропрограммного обеспечения, оборудования, спариваний устройств, к примеру, когда пользователь имеет мобильный телефон, спаренный с Bluetooth-гарнитурой, например, или другую связанной с сетью информацию)); данные по использованию платежных или кредитных карт (которые могут включать в себя информацию из учетной записи PayPal® пользователя); данные предыстории покупок (к примеру, информацию из Amazon.com® или учетной записи онлайнового аптекарского магазина пользователя); другие данные датчиков, которые могут считываться или иным образом обнаруживаться посредством компонента(ов) датчика (или другого детектора), включающие в себя данные, извлекаемые из компонента датчика, ассоциированного с пользователем (включающие в себя местоположение, движение, ориентацию, позицию, пользовательский доступ, пользовательскую активность, сетевой доступ, заряд пользовательского устройства или другие данные, которые допускают предоставление посредством одного или более компонентов датчика); данные, извлекаемые на основе других данных (например, данные местоположения, которые могут извлекаться из Wi-Fi, сотовой сети или данных адреса по Интернет-протоколу (IP)); и почти любой другой источник данных, которые могут считываться или определяться, как описано в данном документе.

В некоторых аспектах, компонент 210 сбора данных может предоставлять данные, собранные в форме потоков данных или сигналов. "Сигнал" может представлять собой подачу или поток данных из соответствующего источника данных. Например, пользовательский сигнал может представлять собой пользовательские данные из носимого устройства, смартфона, домашнего сенсорного устройства, GPS-устройства (например, для координат местоположения), сенсорного устройства транспортного средства, пользовательского устройства, гироскопического датчика, акселерометрического датчика, услуги работы с календарем, учетной записи электронной почты, счета кредитной карты или других источников данных. В некоторых вариантах осуществления, компонент 210 сбора данных принимает или осуществляет доступ к данным непрерывно, периодически или по мере необходимости. Компонент 210 сбора данных может получать данные на предварительно определенной частоте дискретизации. В одном примере, компонент 210 сбора данных использует частоту дискретизации в 100 Гц для одного или более сигналов данных, таких как сигнал акселерометра, сигнал окружающего освещения и сигнал температуры тела.

Монитор 280 датчиков, в общем, может отвечать за мониторинг собранных данных на предмет информации, которая может использоваться для обнаружения расчеса, прогнозирования покраснения (включающего в себя прогнозирование чесотки) и/или обнаружения сна, что может включать в себя идентификацию и/или отслеживание признаков (иногда называемых в данном документе "переменными"), таких как данные движения или акселерометра или другая связанная контекстная информация. В варианте осуществления, монитор 280 датчиков содержит одно или более приложений или услуг, которые анализируют информацию, обнаруженную через один или более датчиков, интегрированных или функционально соединенных с пользовательскими устройствами, используемыми пользователем, и/или облачных услуг, ассоциированных с пользователем, чтобы определять информацию движения и связанную контекстную информацию. Например, монитор 280 датчиков может содержать услугу приложения поддержки принятия решений, к примеру, любое из приложений 105а-b поддержки принятия решений по фиг.1, либо может интегрироваться в качестве части другого приложения или программы на устройстве, работающем в сочетании с приложением поддержки принятия решений. Информация относительно пользовательских устройств, ассоциированных с пользователем, может определяться из пользовательских данных, заданных доступными через компонент 210 сбора данных и предоставленных в монитор 280 датчиков или другие компоненты системы 200. В некоторых вариантах осуществления, монитор 280 датчиков работает на или в ассоциации с каждым пользовательским устройством, ассоциированным с отслеживаемым человеком (или пользователем).

Дополнительно, монитор 280 датчиков может определять текущую информацию или информацию практически в реальном времени, к примеру, информацию движения и, в некоторых вариантах осуществления, также может определять статистическую информацию движения, которая может определяться на основе личной карты 240. Дополнительно, в некоторых вариантах осуществления, монитор 280 датчиков может определять информацию движения, обнаруженные данные расчесов, прогнозированные события чесотки/покраснения и обнаруженные периоды сна/бодрствования (которые могут включать в себя статистическую активность) от других аналогичных пользователей (т.е. краудсорсинг), как описано выше.

В некоторых вариантах осуществления, информация, определенная посредством монитора 280 датчиков, может предоставляться в детектор 260 расчесов, предиктор 290 покраснений и детектор 230 сна/бодрствования, в том числе информация движения, полученная из датчика (к примеру, из датчика 103 на фиг.1), контекст (к примеру, текущие или будущие прогнозы погоды) и статистический контекст (статистические наблюдения) для отслеживаемого человека.

Некоторые варианты осуществления монитора 280 датчиков или его субкомпонентов могут определять название или идентификационные данные устройства (идентификатор устройства) для каждого устройства, ассоциированного с пользователем. Эта информация относительно идентифицированного пользовательского устройства, ассоциированного с пользователем, может сохраняться в пользовательском профиле, ассоциированном с пользователем, к примеру, в пользовательской учетной записи(ях)/устройстве(ах) 248 личной карты 240. В варианте осуществления, пользовательские устройства могут опрашиваться, запрашиваться или иным образом анализироваться, чтобы определять информацию относительно устройств. Эта информация может использоваться для определения метки или идентификационных данных устройства (например, идентификатора устройства) таким образом, что пользовательское взаимодействие с устройством может распознаваться из пользовательских данных посредством монитора 280 датчиков. В некоторых вариантах осуществления, пользователи могут объявлять или регистрировать устройство, к примеру, посредством входа в учетную запись через устройство, установки приложения на устройстве, соединения с онлайновой услугой, которая опрашивает устройство, либо предоставления информации относительно устройства иным образом в приложение или услугу. В некоторых вариантах осуществления, устройства, которые входят в учетную запись, ассоциированную с пользователем, к примеру, в учетную запись электронной почты, социальную сеть и т.п., идентифицируются и определяются как ассоциированные с пользователем.

Продолжая с системой 200 по фиг.2, детектор 260 расчесов, в общем, отвечает за использование данных датчиков, к примеру, данных, накопленных посредством компонента 210 сбора данных из датчика 103, чтобы обнаруживать расчес отслеживаемым человеком. Как описано в данном документе, событие расчесывания, обнаруженное посредством детектора 260 расчесов, может сохраняться в карте отслеживаемого человека, к примеру, статистические события 244 расчесывания личной карты 240. Статистические события 244 расчесывания могут использоваться для того, чтобы выполнять прогнозирования касательно будущего поведения человека, к примеру, будущего уровня чесотки или события покраснения, посредством предиктора 290 покраснений и/или могут предоставляться в одно или более инструментальных средств 270 поддержки принятия решений. В некоторых вариантах осуществления, детектор 260 расчесов может выполняться на клиентском вычислительном устройстве, на сервере, в распределенном приложении по нескольким устройствам или в облачном окружении.

На высоком уровне, вариант осуществления детектора 260 расчесов может использовать данные датчиков отслеживаемого человека, чтобы обнаруживать перемещение рук человека и классифицировать это перемещение рук в качестве события расчесывания или нет. В некоторых реализациях, данные датчиков, рассматриваемые для обнаружения перемещения рук, представляют собой данные, полученные в течение периода, в который датчик 103 носится надлежащим образом. Дополнительно, вариант осуществления детектора 260 расчесов обнаруживает ночное расчесывание посредством обнаружения событий расчесывания в возможности сна пользователя, которая представляет собой период времени, когда пользователь намеревается спать.

Как показано на фиг.2, варианты осуществления детектора 260 расчесов могут содержать модуль 261 определения ношения датчика, модуль 262 определения возможностей сна, детектор 264 перемещения рук, модуль 266 извлечения признаков и классификатор(ы) 268 событий расчесывания. Модуль 261 определения ношения датчика, в общем, может отвечать за определение того, когда датчик (к примеру, 103), получающий данные движения для вариантов осуществления детектора 260 расчесов (или других компонентов системы 200), носится отслеживаемым пользователем. В примерных вариантах осуществления, модуль 261 определения ношения датчика конкретно определяет, когда датчик 103 носится в конфигурации для предоставления надежных данных. Конфигурация для предоставления надежных данных может включать в себя нахождение в надлежащем размещении на или в непосредственной близости от отслеживаемого человека. Например, в варианте осуществления, в котором датчик на браслете получает данные движения носящего, модуль 261 определения ношения датчика может определять то, что браслет закрепляется вокруг запястья носящего. Определение того, когда датчик носится надлежащим образом, помогает обеспечивать варианты осуществления детектора 260 расчесов с использованием данных движения в намеченном контексте (например, вокруг запястья пользователя), чтобы обнаруживать события расчесывания.

В примерных вариантах осуществления, модуль 261 определения ношения датчика может автоматически определять, когда датчик 103 носится, с использованием данных, принимаемых из датчика 103 или другого датчика (не показан). Например, модуль 261 определения ношения датчика может автоматически определять, когда датчик 103, захватывающий данные движения, носится, с использованием данных движения, физиологических данных, таких как температура человеческого тела, пульс, кровяное давление, импульс, кожно-гальваническая реакция и т.д., принимаемых из датчика на устройстве, получающем данные движения. Альтернативно, модуль 261 определения ношения датчика может определять, когда устройство носится, на основе ручного индикатора от носящего. Например, носящий может вводить индикатор, когда устройство носится, и когда оно снимается. В другом случае, носящий может вводить времена, соответствующие этим событиям.

В связи с этим, в одном варианте осуществления, модуль 261 определения ношения датчика определяет конфигурацию периодов неношения посредством сравнения статистических измерений данных движения за окна времени с пороговым значением неношения. Например, данные акселерометра, которые могут содержать измерения по оси X, Y и Z, могут разделяться на окна времени, и статистические измерения могут вычисляться и использоваться с одним или более эвристических правил, чтобы определять конфигурацию ношения или конфигурацию неношения. В примерном варианте осуществления, данные акселерометра могут разделяться на несколько одночасовых окон с 15-минутным перекрытием. Определение неношения может представлять собой вектор двоичных значений, представляющих конфигурацию ношения/неношения для каждого окна данных движения. Окно, в котором период неношения не обнаруживается, может считаться периодом ношения.

В примерном варианте осуществления, модуль 261 определения ношения датчика может определять то, находится датчик 103 в носимой конфигурации или нет в течение окна времени, посредством сравнения статистических признаков данных движения в окне с предварительно заданным пороговым значением. Например, в варианте осуществления, модуль 261 определения ношения датчика определяет то, удовлетворяет или нет среднеквадратическое отклонение любого из сигналов по трем осям (по оси X, по оси Y или по оси Z) данных акселерометра в окне пороговому значению движения при неношении, и если да, это окно определяется как "неношение". В примерном варианте осуществления, пороговое значение движения при неношении составляет 0,001 г, и модуль 261 определения ношения датчика определяет то, что окно представляет собой "неношение", если среднеквадратическое отклонение значений любых осей меньше порогового значения движения при неношении.

В другом примерном варианте осуществления, модуль 261 определения ношения датчика может определять то, находится датчик 103 в носимой конфигурации или нет, посредством сравнения температуры в течение окна (или интервала) времени с пороговым значением температуры при неношении. В одном примерном варианте осуществления, пороговое значение температуры при неношении составляет 25 градусов Цельсия (т.е. 77 градусов по Фаренгейту), и модуль 261 определения ношения датчика определяет то, что окно представляет собой "неношение", если температура в течение этого окна меньше порогового значения температуры при неношении.

Дополнительно, в примерных вариантах осуществления, модуль 261 определения ношения датчика рассматривает как данные движения, так и данные температуры для того, чтобы определять то, следует классифицировать окно времени как "ношение" или "неношение". В одном примерном варианте осуществления, модуль 261 определения ношения датчика определяет то, что окно представляет собой "неношение", если температура меньше порогового значения температуры при неношении (например, 25 градусов Цельсия), или если среднеквадратическое отклонение значений любых осей данных движения в окне меньше порогового значения движения при неношении (например, 0,001 г).

В некоторых вариантах осуществления, несколько

статистических признаков могут вычисляться для данных движения и сравниваться с пороговыми значениями, чтобы определять то, представляет окно собой период неношения или нет. В одном примерном варианте осуществления, если любые две оси имеют среднеквадратическое отклонение, которое удовлетворяет (т.е. меньше) пороговому значению среднеквадратического отклонения движения при неношении, период определяется в качестве окна неношения, либо если любые две оси имеют диапазон, который удовлетворяет (т.е. меньше) пороговому значению диапазона движения при неношении, период обнаруживается в качестве окна неношения. В примере, пороговое значение среднеквадратического отклонения движения при неношении составляет приблизительно 0,013 г, и примерное пороговое значение диапазона движения при неношении составляет 0,15 г.

В дополнительных аспектах, вышеуказанные процессы могут предоставлять начальное определение ношения/неношения, и модуль 261 определения ношения датчика может применять эвристическое правило(а), чтобы повторно количественно оценивать одно или более окон. Повторная количественная оценка может помогать идентифицировать времена, в которые прерывания в данных указывают то, что устройство не носится, но контекстная информация, такая как продолжительность этого прерывания и данные акселерометра, возникающие до или после, может указывать иное (т.е. может указывать то, что устройство носится).

В примерном варианте осуществления, эвристические правила рассматривают продолжительности блоков ношения и неношения для того, чтобы определять то, следует или нет переключать определение ношения/неношения для любого из блоков времени. При использовании в данном документе относительно повторной количественной оценки посредством модуля 261 определения ношения датчика, блоки времени могут представлять собой последовательные окна с идентичной классификацией ношения или неношения. Например, три последовательных одночасовых окна, первоначально определенных как "неношение", формируют трехчасовой блок неношения. В примерном варианте осуществления, модуль 261 определения ношения датчика применяет следующее для повторной количественной оценки одного или более окон:

- Правила 1 и 2 могут выполняться определенное число раз последовательно, к примеру, три раза, и правило 3 может выполняться только в том случае, если модуль 261 определения ношения датчика работает с предварительно определенным временем данных, к примеру, с последними 24 часами данных.

- В соответствии с правилами 1, 2 и 3, "current" означает анализируемый текущий блок ношения; "prev" означает предшествующий блок неношения; и "post" означает следующий блок неношения.

Правило 1: Если current<3 часов, и (current/(prev+post)))<80%, блок повторно количественно оценивается с "ношение" как "неношение".

Правило 2: Если current<6 часов, и (current/(prev+post)))<30%, блок повторно количественно оценивается с "ношение" как "неношение".

Правило 3: Если current<3 часа, и prev≥1 час, блок повторно количественно оценивается с "ношение" как "неношение".

Дополнительные сведения относительно варианта осуществления модуля 261 определения ношения датчика могут реализовываться так, как описано ниже в сочетании с фиг.4В.

Дополнительно, до определения, посредством модуля 261 определения ношения датчика, конфигурации ношения, данные движения могут предварительно обрабатываться и фильтроваться. Например, данные движения могут сначала понижающе дискретизироваться, к примеру, со 100 Герц (Гц) до 20 Гц. Дополнительно, данные могут сегментироваться на релевантные периоды времени, для которых обнаруживается анализ расчесов. Например, данные могут разделяться на 24-часовые сегменты (с 12:00 сегодня до 12:00 на следующий день). Дополнительно, в некоторых вариантах осуществления, любой 24-часовой период, который не имеет минимального количества времени записи, к примеру, 6 часов, может отбрасываться и более не анализироваться посредством детектора 260 расчесов.

В качестве части детектора 260 расчесов, модуль 262 определения возможностей сна, в общем, может отвечать за определение возможности сна пользователя. При использовании в данном документе, возможность сна означает интервал времени, в который человек намеревается спать, который может быть согласованным или не быть согласованным с тем, когда человек фактически спит.В связи с этим, в некоторых вариантах осуществления, возможность сна представляет собой время между тем, когда человек ложится в неподвижное состояние и встает из неподвижного состояния. Возможность сна пользователя в пределах предварительно заданного периода также может называться "полной возможностью сна (TSO)". Например, для 24-часового периода, люди типично намереваются засыпать только один раз (например, в ночное время), и модуль 262 определения возможностей сна может определять полную возможность сна в качестве самого длительного интервала в течение этого 24-часового периода, в котором пользователь намеревается быть неподвижным.

Определение возможности сна пользователя может использоваться для того, чтобы фокусировать данные датчиков в контексте расчесывания в ночное время или во сне для последующей обработки посредством детектора 260 расчесов. Например, детектор 260 расчесов может обнаруживать ночное расчесывание посредством конкретного обнаружения событий расчесывания на основе данных движения, захваченных в течение периода времени, определенного как представляющего возможность сна пользователя посредством модуля 262 определения возможностей сна. Термин "ночное время" используется в данном документе для того, чтобы представлять типичный период, в котором человек принимает наиболее длительное неподвижное состояние; тем не менее, предполагается, что варианты осуществления этого раскрытия сущности не ограничены обнаружением расчеса ночью. Например, некоторые люди, к примеру, люди, которые работают по вечерам или в течение всей ночи, могут дольше всего оставаться неподвижными или спать в течение дня, и возможность сна для таких людей может представлять собой дневной интервал.

Модуль 262 определения возможностей сна может определять возможность сна пользователя для данных движения, захваченных за предварительно заданный период, к примеру, 24-часовой период. Примерные реализации модуля 262 определения возможностей сна могут применять эвристический подход на основе изменения угла сгибания предплечья, определенного из данных движения, с тем чтобы определять возможные варианты периодов возможности сна. Наибольшая последовательная группа возможных вариантов периодов неподвижности 6 пределах предварительно заданного периода (например, 24-часового) может выбираться в качестве возможности сна пользователя. В примерный аспектах, модуль 262 определения возможностей сна может определять возможность сна с использованием только данных движения в пределах предварительно заданного периода, в котором ношение датчика обнаруживается посредством модуля 261 определения ношения датчика, в то время как периоды неношения исключаются посредством модуля 262 определения возможностей сна при идентификации наибольшей группы возможных вариантов периодов неподвижности.

В некоторых аспектах, угол сгибания предплечья вычисляется из сигналов акселерометра (измерений по оси X, по оси Y и по оси Z), и абсолютная разность между последовательными значениями угла сгибания предплечья (т.е. изменение угла сгибания предплечья во времени) может сравниваться с пороговым значением неподвижности. В примерном варианте осуществления, скользящая медиана необработанных значений сигналов (измерений по оси X, по оси Y и по оси Z) вычисляется за интервал (например, 5 секунд), и скользящая медиана необработанных значений сигналов используется для того, чтобы вычислять угол сгибания предплечья в соответствии со следующей формулой, где ах, ау и az означают значения акселерометра вдоль оси X, оси Y и оси Z, соответственно, и:

Средний угол сгибания предплечья может вычисляться для интервала (например, последовательных 5 секунд), и абсолютная разность между последовательными значениями среднего угла сгибания предплечья может вычисляться. Скользящая медиана разности между последовательными значениями среднего угла сгибания предплечья может вычисляться для интервала (например, 5 минут), и скользящая медиана разности между последовательными значениями среднего угла сгибания предплечья может сравниваться с пороговым значением неподвижности. Пороговое значение неподвижности может задаваться посредством значений угла сгибания предплечья, измеренных для отслеживаемого человека. Например, в одном варианте осуществления, возможный вариант периода неподвижности определяется, когда средняя разность между последовательными значениями среднего угла сгибания предплечья меньше или равна пороговому значению неподвижности, которое может задаваться как 0,15, умноженное на значение 10-ого процентиля всех разностей в значениях угла сгибания предплечья в пределах 24-часового периода.

Модуль 262 определения возможностей сна может определять возможность сна на основе интервалов, идентифицированных в качестве возможных вариантов периодов неподвижности. В примере, возможные варианты периодов с периодами обнаруженного неношения удаляются. Оставшиеся возможные варианты периодов неподвижности могут сравниваться с пороговой длиной. В одной реализации, пороговая длина составляет 30 минут, и возможные варианты периодов неподвижности сохраняются, если они больше 30 минут. Дополнительно, возможные варианты периодов могут группироваться, если промежутки между периодами удовлетворяют максимальной продолжительности. Например, возможные варианты периодов с промежутком менее 15 минут могут группироваться. В одном примере, модуль 262 определения возможностей сна может определять возможность сна пользователя в качестве самой длительной группы возможных вариантов периодов в пределах 24-часового периода. Дополнительные сведения относительно варианта осуществления модуля 262 определения возможностей сна подробно поясняются ниже в сочетании с фиг.4С.

Надежное обнаружение возможности сна, в пределах которой можно измерять расчес, помогает эффективно определять то, как сон и ночное расчесывание человека варьируются на ежедневной основе. Варианты осуществления этого раскрытия сущности могут использовать возможность сна, которая захватывает трудности при засыпании, за счет неограничения возможности сна временами, когда пользователь фактически спит.

Другие реализации модуля 262 определения возможностей сна могут определять возможность сна из других данных датчиков. Например, в одном варианте осуществления, модуль 262 определения возможностей сна может определять возможность сна с использованием информации освещения из фотодетектора, и возможность сна может определяться в качестве периода времени, в который количество света остается ниже порогового уровня для минимального периода времени. Альтернативно, физиологические данные, такие как пульс, центральная температура тела, температура вокруг тела, кровяное давление и/или частота дыхания, захваченные у отслеживаемого человека, могут использоваться для того, чтобы определять возможность сна. Дополнительно, в некоторый аспектах, модуль 262 определения возможностей сна может определять возможность сна из вводимых пользователем данных. Например, пользователь может вводить времена, соответствующие моменту, когда, пользователь намеревается засыпать и пробуждаться, или времена, соответствующие моменту, когда, пользователь действительно засыпает и пробуждается.

Как указано выше, варианты осуществления детектора 260 расчесов используют двухуровневый подход для того, чтобы обнаруживать события расчесывания. В некоторых вариантах осуществления, перемещения рук могут обнаруживаться, и каждое обнаруженное перемещение рук может классифицироваться в качестве события расчесывания или отличного от расчесывания события. Детектор 264 перемещения рук, в общем, отвечает за обнаружение перемещения рук с использованием информации датчиков движения. Примерные варианты осуществления детектора 264 перемещения рук могут принимать (из датчика 103) информацию датчиков движения, к примеру, данные акселерометра и/или гироскопические данные. В одном варианте осуществления, детектор 264 перемещения рук может выводить индикатор движения руками для принимаемых данных.

В примерных аспектах, детектор 264 перемещения рук может применять эвристический алгоритм к данным датчиков движения, захваченным в течение возможности сна, которая может определяться посредством модуля 262 определения возможностей сна. Данные датчиков движения, к примеру, данные акселерометра, могут сегментироваться на окна предварительно определенной длины, и данные датчиков движения для каждого окна могут проходить через эвристический алгоритм обнаружения перемещения рук, чтобы определять присутствие перемещения рук. Примерный вариант осуществления использует трехсекундные неперекрывающиеся окна в пределах возможности сна для данного 24-часового периода. Например, предполагается, что могут использоваться другие окна, к примеру, односекундное окно или двухсекундное окно. В примерных аспектах, алгоритм обнаружения перемещения рук включает в себя вычисление векторной абсолютной величины сигнала датчика движения (например, ). Фильтр нижних частот может применяться к сигналу векторной абсолютной величины, в соответствии с некоторыми вариантами осуществления. В примерном варианте осуществления, фильтр нижних частот имеет отсечку в 6 Гц. Алгоритм обнаружения перемещения рук дополнительно может включать в себя вычисление скользящего коэффициента вариации (CoV) и применение порогового значения к вычисленным CoV-значениям. При использовании в данном документе, CoV означает относительное среднеквадратическое отклонение или отношение среднеквадратического отклонения к среднему значению. Любые значения, которые удовлетворяют пороговому значению (например, выше или равны), могут определяться в качестве перемещения рук. В некоторых вариантах осуществления, это используемое пороговое значение составляет 25-ый процентиль всех вычисленных CoV-значений из тестовых данных. В примерном варианте осуществления, пороговое CoV-значение равно 0,023.

Скользящий CoV может вычисляться для каждой секунды в неперекрывающемся 3-секундном окне. Например, для данных акселерометра в 20 Гц или 20 выборок в секунду, детектор 264 перемещения рук может осуществлять 60 классификаций перемещения рук для каждого неперекрывающегося 3-секундного окна.

В варианте осуществления, перемещение рук может обнаруживаться для данного окна, если оно присутствует для каждой секунды в этом окне с использованием порогового CoV-значения. Например, детектор 264 перемещения рук может обнаруживать перемещение рук для трехсекундного окна, если перемещение обнаруживается для каждой из трех секунд в этом окне.

Дополнительные сведения относительно варианта осуществления детектора перемещения рук описываются в сочетании с фиг.4Е. Дополнительно, примерные выводы варианта осуществления детектора 264 перемещения рук проиллюстрированы в сочетании с фиг.6А и 7А.

После того как детектор 264 перемещения рук идентифицирует событие перемещения рук, информация датчиков движения, соответствующая событию обнаруженного перемещения рук, может рассматриваться как потенциальное событие расчесывания. В некоторых вариантах осуществления, определение того, представляет событие перемещения рук собой событие расчесывания или нет, может включать в себя анализ признаков в данных датчиков движения. В одном таком варианте осуществления, модуль 266 извлечения признаков, в общем, может отвечать за извлечение информации признаков, которая может указывать расчесывающее движение. Признаки могут извлекаться из данных датчиков движения, соответствующих перемещению рук, обнаруженному посредством детектора 264 перемещения рук. При извлечении признаков, значения признаков могут вычисляться для каждого окна (например, 3-секундного окна), для которого обнаруживается движение руками.

Признаки могут извлекаться из одного или более компонентов данных датчиков движения в форме сигнала движения. Например, в некоторых вариантах осуществления, векторная абсолютная величина, первый главный компонент и второй главный компонент сигнала акселерометра используются для извлечения признаков. Дополнительно, в некоторых вариантах осуществления, фильтр применяется к данным датчиков движения до извлечения признаков. В одном случае, фильтр верхних частот с отсечкой в 0,25 Гц может применяться до извлечения признаков, что может помогать исключать уход параметров и долю гравитации. Альтернативно, в другом случае, полосовой фильтр может применяться.

В примерных вариантах осуществления, признаки попадают во временную область или частотную область. Примерные варианты осуществления модуля 266 извлечения признаков могут извлекать либо вычислять один или более следующих признаков:

- Среднеквадратическое (RMS) значение векторной абсолютной величины - RMS представляет собой показатель энергии сигналов и может коррелироваться с величиной и интенсивностью движения;

Диапазон сигналов векторной абсолютной величины диапазон сигналов представляет собой показатель экстремальных значений движения, наблюдаемый в данном временном окне данных датчиков, при этом более высокий диапазон может указывать возникновение большого отхода в значениях датчиков;

- Энтропия сигналов векторной абсолютной величины, первого главного компонента и второго главного компонента - энтропия сигналов может вычисляться посредством оценки шенноновской энтропии функции распределения масс сигнала. Значения энтропии сигналов, близкие к нулю, могут указывать то, что сигнал является периодическим и сглаженным, тогда как большие отрицательные значения могут указывать то, что сигнал является нерегулярным и непериодическим;

- Межквартильный размах (IQR) автоковариации векторной абсолютной величины, первого главного компонента и второго главного компонента - IQR автоковариации представляет собой показатель зависимости или периодичности на дальние расстояния сигнала и может захватывать то, является сигнал периодическим или нерегулярным либо нет;

Скошенность векторной абсолютной величины, первого главного компонента и второго главного компонента - скошенность представляет собой показатель асимметрии в сигнале;

- Значение доминирующей частоты первого главного компонента и второго главного компонента - значение доминирующей частоты представляет собой значение частоты с наибольшей абсолютной величиной в нормализованном спектре мощности сигнала акселерометра и захватывает фундаментальную частоту первопричинного перемещения, формирующего сигнал ускорения;

- Абсолютная величина доминирующей частоты первого главного компонента и второго главного компонента - абсолютная величина доминирующей частоты захватывает процентную долю от полной энергии сигналов в доминирующей частоте;

- Отношение доминирующей полосы частот к полной энергии в спектре первого главного компонента и второго главного компонента - этот признак захватывает периодичность сигнала посредством вычисления отношения энергии в доминирующем частотном компоненте к сумме энергии во всем частотном спектре сигнала;

- Средний перекрестный темп векторной абсолютной величины, первого главного компонента и второго главного компонента средний перекрестный темп вычисляет число раз, когда сигнал изменяется с положительного на отрицательный, и может нормализоваться посредством полной длины сигналов;

Отношение резких отклонений векторной абсолютной величины, первого главного компонента и второго главного компонента - отношение резких отклонений может представлять собой вычисление плавности движения;

- Логарифмическое безразмерное резкое отклонение векторной абсолютной величины, первого главного компонента и второго главного компонента - этот признак также может представлять собой вычисление плавности движения;

- Мера длины спектральной дуги (SPARC) векторной абсолютной величины, первого главного компонента и второго главного компонента - этот признак также может представлять собой вычисление плавности движения;

Энтропия перестановок векторной абсолютной величины, первого главного компонента и второго главного компонента энтропия перестановок представляет собой показатель сложности сигнала;

Спектральная сглаженность первого главного компонента и второго главного компонента - спектральная сглаженность захватывает величину модуляции или уровень согласованности и может варьироваться от 0 до 1; и

Спектральная энтропия первого главного компонента и второго главного компонента - спектральная энтропия может вычисляться посредством оценки шенноновской энтропии функции распределения масс спектра мощности сигнала, при этом значения ближе к 1 указывают присутствие белого шума, и значения ближе к О указывают присутствие периодичности в сигнале.

В примерных вариантах осуществления, каждый из вышеуказанных 36 признаков временной и частотной области (при этом признаки векторной абсолютной величины, первого главного компонента и второго главного компонента представляют собой отдельные признаки) может извлекаться во время обучения классификатора(ов) 268 событий расчесывания, и поднабор признаков выбирается для извлечения посредством модуля 266 извлечения признаков во время выполнения. Например, один вариант осуществления модуля 266 извлечения признаков извлекает следующие 26 признаков временной и частотной области: RMS (векторная абсолютная величина); энтропия сигналов (векторная абсолютная величина, первый главный компонент и второй главный компонент); IQR автоковариации (векторная абсолютная величина, первый главный компонент и второй главный компонент); скошенность (первый главный компонент и второй главный компонент); значение доминирующей частоты (первый главный компонент); абсолютная величина доминирующей частоты (первый главный компонент и второй главный компонент); средний перекрестный темп (второй главный компонент); отношение резких отклонений (векторная абсолютная величина и второй главный компонент); логарифмическое безразмерное резкое отклонение (первый главный компонент); SPARC (векторная абсолютная величина, первый главный компонент и второй главный компонент); энтропия перестановок (векторная абсолютная величина, первый главный компонент и второй главный компонент); спектральная сглаженность (первый главный компонент и второй главный компонент); спектральная энтропия (второй главный компонент); и диапазон сигналов (векторная абсолютная величина).

Альтернативные варианты осуществления модуля 266 извлечения признаков могут извлекать значения для различных комбинаций вышеуказанного и/или других признаков. Конкретные признаки для извлечения посредством модуля 266 извлечения признаков могут определяться из выбора признаков и конструирования признаков. Примерный процесс для выбора признаков описывается в связи с фиг.6А и 6 В.

Продолжая с детектором 260 расчесов, классификатор(ы) 268 событий расчесывания, в общем, отвечает за определение того, следует или нет классифицировать сигнал движения в качестве события расчесывания. Варианты осуществления классификатора 268 событий расчесывания могут использовать по меньшей мере извлеченные признаки сигнала движения (определенные посредством модуля 266 извлечения признаков) для того, чтобы выводить классификацию сигнала движения в качестве события расчесывания или не события расчесывания (т.е. отличного от расчесывания события). Как пояснено выше, извлеченные признаки могут извлекаться из окон (например, 3-секундных окон) сигнала движения, соответствующего обнаруженному перемещению рук, так что классификация может определять то, представляет движение руками событие расчесывания или нет.

В некоторых вариантах осуществления, классификатор 268 событий расчесывания может использовать логику 256 обнаружения событий расчесывания в устройстве 250 хранения данных, чтобы определять то, представляет сигнал движения собой событие расчесывания или нет. Логика 256 обнаружения событий расчесывания может включать в себя правила, условия, ассоциирования, модели машинного обучения или другие критерии логического вывода или обнаружения вероятности события расчесывания на основе данных датчиков движения. Например, логика 256 обнаружения событий расчесывания может определять, из данных акселерометра, вероятность того, что обнаруженное перемещение вызвано пользователем, расчесывающим свое тело. Логика 256 обнаружения событий расчесывания может принимать различные формы в зависимости от механизма(ов), используемого для того, чтобы обнаруживать расчесывание. В некоторых вариантах осуществления, логика 256 обнаружения событий расчесывания может содержать нечеткую логику, нейронную сеть(и), машину с конечным числом состояний, метод опорных векторов, логистическую регрессию, кластеризацию, другие технологии машинного обучения, аналогичные процессы статистической классификации либо комбинации означенного для того, чтобы идентифицировать вероятные события расчесывания. В частности, некоторые примерные варианты осуществления логики 256 обнаружения событий расчесывания могут включать в себя один или более бинарных классификаторов машинного обучения. Логика 256 обнаружения событий расчесывания может содержать ансамбль моделей машинного обучения. В одном варианте осуществления, логика 256 обнаружения событий расчесывания может представлять собой классификатор на основе случайного леса. В другом варианте осуществления, может использоваться градиентный бустинг.

Модель(и), формирующая логику 256 обнаружения событий расчесывания, может обучаться в соответствии с вариантами осуществления этого раскрытия сущности. В одном варианте осуществления, классификатор 268 событий расчесывания обучается на снабжаемых комментариями обучающих данных и проходит проверку достоверности с использованием процесса на основе принципа "исключение по одному объекту (LOSO)". Дополнительные сведения относительно обучения раскрываются со ссылкой на варианты осуществления, описанные в связи с фиг.6A-F.

Классификатор 268 событий расчесывания выводит индикатор того, возникает или нет событие расчесывания, с использованием логики 256 обнаружения событий расчесывания. В некоторых вариантах осуществления, вывод классификатора 268 событий расчесывания является бинарным, т.е. как событие расчесывания или не событие расчесывания. Дополнительно или альтернативно, вывод может иметь соответствующий количественный или качественный показатель, такой как степень, абсолютная величина или уровень, ассоциированный с обнаруженным событием расчесывания. Вывод классификатора 268 событий расчесывания также может представлять собой "число событий расчесывания", при этом если число превышает пороговое значение событий расчесывания, то оно рассматривается в качестве события расчесывания, а если нет, то оно не рассматривается в качестве события расчесывания. В некоторых вариантах осуществления, вывод классификатора 268 событий расчесывания сохраняется в личной карте 240 отслеживаемого человека. В частности, эта информация может сохраняться в качестве статистических событий 244 расчесывания (в личной карте 240), как показано на фиг.2. Примерный вариант осуществления классификатора 268 событий расчесывания в форме компьютерной программной процедуры

проиллюстрирован на фиг.10A-I.

На основе обнаруженных событий расчесывания, число конечных точек расчесывания может определяться для каждого периода времени (например, 24-часового периода) для использования посредством других компонентов системы 200, к примеру, посредством предиктора 290 покраснений и/или инструментального средства 270 поддержки принятия решений, как подробнее описано в данном документе. При использовании в данном документе, термин "конечная точка расчесывания" означает количественно определяемый показатель поведения при расчесывании, который может извлекаться из необработанных данных датчиков. В одном примерном варианте осуществления, общее количество событий расчесывания может определяться посредством суммирования числа обнаруженных событий расчесывания в пределах возможности сна, определенных для определенного периода времени. Дополнительно, в некоторых вариантах осуществления, общая длительность расчесывания может определяться посредством суммирования продолжительностей обнаруженных событий расчесывания, которые могут предоставляться в минутах. Дополнительно, длительность между различными событиями расчесывания может определяться посредством суммирования времени между событиями расчесывания в пределах возможности сна. Отношение длительности между событиями расчесывания и числом событий расчесывания также может вычисляться. Преобразования, такие как логарифмическое преобразование, могут применяться к одной или более конечных точек расчесывания. Например, общее количество расчесываний и общая длительность расчесывания могут логарифмически преобразовываться. В одном примере, логарифмическое преобразование, которое применяется, представляет собой, так что оно включает в себя возможные нулевые значения. В некоторых аспектах, конечные точки расчесывания для каждого периода сохраняются и предоставляются в другие компоненты в форме, например, электронных таблиц в формате разделенных запятыми значений (CSV).

Продолжая с фиг.2, некоторые варианты осуществления технологий, описанных в данном документе, включают в себя функциональность для определения, когда пользователь спит или бодрствует. В связи с этим, система 200 по фиг.2 может содержать детектор 230 сна/бодрствования, который, в общем, может отвечать за обнаружение того, когда пользователь спит или бодрствует. В некоторых вариантах осуществления, детектор 230 сна/бодрствования может использовать логику 253 классификации сна (как показано в устройстве 250 хранения данных на фиг.2) для того, чтобы определять интервалы, в которых пользователь спит, а не бодрствует. Логика 253 классификации сна может включать в себя правила, условия, ассоциирования, модели машинного обучения или другие критерии логического вывода или обнаружения вероятности того, что пользователь спит, на основе принимаемых данных, к примеру, данных датчиков движения. Например, логика 253 классификации сна может определять то, спит или нет пользователь с большой вероятностью, на основе данных акселерометра. Логика 253 классификации сна может принимать различные формы в зависимости от механизма(ов), используемого для того, чтобы обнаруживать сон. В некоторых вариантах осуществления, логика 253 классификации сна может содержать нечеткую логику, нейронную сеть(и), машину с конечным числом состояний, метод опорных векторов, логистическую регрессию, кластеризацию, другие технологии машинного обучения, аналогичные процессы статистической классификации либо комбинации означенного для того, чтобы идентифицировать вероятные периоды сна. Примерный вариант осуществления компьютерной программной процедуры для выполнения аспектов классификатора 234 сна/бодрствования с использованием логики 253 классификации сна описывается в сочетании с фиг.11А-11М.

В некоторых вариантах осуществления, логика 253 классификации сна может определять периоды сна или бодрствования на основе данных датчиков движения. В одном примерном варианте осуществления, значения активности могут определяться из данных датчиков движения в пределах возможности сна, сегментированной на окна времени, и значения активности для этих окон времени могут использоваться для того, чтобы классифицировать периоды в пределах возможности сна как "спит" или "бодрствует". Как проиллюстрировано на фиг.2, варианты осуществления детектора 230 сна/бодрствования могут содержать модуль 232 определения индексов активности и классификатор 234 сна/бодрствования. Примерный вариант осуществления процессов, выполняемый посредством детектора 230 сна/бодрствования, проиллюстрирован в сочетании с фиг.4D.

Модуль 232 определения индексов активности, в общем, может отвечать за определение индексных уровней активности, которые могут представлять собой метрику для суммирования трехосных данных движения. Б примерном варианте осуществления, данные датчиков движения, захваченные в течение возможности сна пользователя, могут использоваться для того, чтобы определять индексные уровни активности. Модуль 262 определения возможностей сна может определять возможность сна, что может включать в себя определение ношения датчика, как описано выше относительно модуля 261 определения ношения датчика. Дополнительно, любые этапы предварительной обработки, поясненные относительно модуля 261 определения ношения датчика и/или модуля 262 определения возможностей сна, могут применяться к данным датчиков движения для определения индексных уровней активности (посредством модуля 232 определения индексов активности). Например, фильтр верхних частот может применяться к данным датчиков движения, которые могут представлять собой данные акселерометра, и отсечка может составлять 0,25 Гц.

Возможность сна может сегментироваться на окна предварительно определенной длины, и модуль 232 определения индексов активности может вычислять индексный уровень активности для каждого окна. В примерных аспектах, предварительно определенная длина может составлять одну минуту, так что индексный уровень активности определяется для каждой минуты в пределах возможности сна. В примерном варианте осуществления, модуль 232 определения индексов активности определяет индексный уровень активности, в соответствии со следующим алгоритмом, при этом At является уровнем активности во время t для пациента i, и m является осью ж:

Варианты осуществления классификатора 234 сна/бодрствования могут применять эвристические правила к индексным уровням (или значениям) активности, чтобы классифицировать окна как "спит" или "бодрствует". Некоторые варианты осуществления классификатора 234 сна/бодрствования могут вычислять статистический признак значений индекса активности и применять пороговое значение сна. Вариант осуществления может определять взвешенную сумму значений индекса активности в пределах конкретного периода времени. Например, взвешенная сумма для одноминутного окна может вычисляться с использованием значений индекса активности за промежуток в 7 минут, к примеру, в моменты времени от t-4 до t+4. Примерный алгоритм для определения взвешенной суммы значений индекса активности предоставляется ниже:

В некоторых вариантах осуществления, классификатор 234 сна/бодрствования может определять то, удовлетворяет или нет взвешенная сумма пороговому значению сна. Например, пороговое значение сна может составлять 0,5, и окно может классифицироваться в качестве периода сна, если взвешенная сумма для этого периода меньше 0,5.

Дополнительные варианты осуществления классификатора 234 сна/бодрствования могут применять одно или более правил повторной количественной оценки для улучшенной специфичности. Например, в одном варианте осуществления, правила повторной количественной оценки Вебстера могут быть аналогичными правилам, описанным в работе авторов Roger J. Cole, Daniel F. Kripke, William Gruen, Daniel J. Mullaney, J. Christian Gillin "Automatic Sleep/Wake Identification From Wrist Activity, Sleep", том 15, выпуск 5, сентябрь 1992 года, страницы 461-469 (источник: https://doi.org/10.1093/sleep/15.5.461).

Детектор 230 сна/бодрствования может использовать другие алгоритмы для обнаружения того, спит или нет пользователь, к примеру, алгоритмы, обрабатывающие физиологические переменные. Например, детектор 230 сна/бодрствования может определять, когда пользователь бодрствует или спит, на основе пульса, кровяного давления, центральной температуры тела, температуры вокруг тела и/или данных кожно-гальванической реакции.

На основе обнаруженных интервалов сна, число конечных точек сна может определяться для каждого периода времени (например, 24-часового периода) для использования посредством других компонентов системы 200, к примеру, посредством предиктора 290 покраснений и/или инструментального средства 270 поддержки принятия решений, как подробнее описано в данном документе. При использовании в данном документе, термин "конечная точка сна" означает количественно определяемый показатель поведения во сне, которое может извлекаться из необработанных данных датчиков. Например, общее время сна (TST) и, в некоторых вариантах осуществления, время во сне в процентах в пределах возможности сна может вычисляться. Число реакций пробуждения, которые также могут называться "приступами бодрствования" или "периодами бодрствования" между периодами сна, может определяться. Дополнительно, бодрствование после наступления сна (WASO) и задержка наступления сна (SOL) могут определяться. При использовании в данном документе, WAS0 означает количество времени (например, в минутах), которое пользователь бодрствует после начального засыпания, в то время как SOL означает количество времени (например, в минутах) в начале возможности сна перед первым периодом сна. В некоторых аспектах, конечные точки сна в течение каждого периода сохраняются и предоставляются в другие компоненты системы 200 в форме электронных CSV-таблиц. В некоторых аспектах, возможность сна пользователя или, более конкретно, TSO, заранее определенная, также может сохраняться в качестве конечной точки сна.

Эти конечные точки могут использоваться для того, чтобы формировать количественный показатель сна, в соответствии с некоторыми вариантами осуществления. Количественный показатель сна может указывать одну или более характеристик или качеств сна пользователя для конкретного вечера или в течение периода времени. В некоторых вариантах осуществления, конечные точки расчесывания, как описано относительно детектора 260 расчесов, дополнительно могут использоваться с конечными точками сна для того, чтобы формировать количественный показатель сна. Таким образом, влияние расчесывания во время сна человека может измеряться. Ниже поясняется примерный вариант осуществления вывода детектора 230 сна/бодрствования, включающего в себя количественный показатель сна, относительно фиг.8В.

Продолжая с системой 200 по фиг.2, предиктор 290 будущих покраснений, в общем, может отвечать за определение риска наличия у пользователя покраснения за будущий временной интервал. Варианты осуществления предиктора 290 покраснений могут использовать шаблоны расчесывания для пользователя, чтобы прогнозировать будущий уровень чесотки и определять то, повышается или нет будущий уровень чесотки до тяжести покраснения. Примерные варианты осуществления предиктора 290 покраснений содержат ассемблер 292 шаблонов расчесывания, модуль 294 определения контекстных данных, предиктор 296 чесотки и формирователь 298 уведомлений в отношении покраснения.

Ассемблер 292 шаблонов расчесывания может ассемблировать статистическую информацию расчесываний для пользователя, в соответствии с некоторыми вариантами осуществления.

Статистическая информация расчесываний может включать в себя статистические события расчесывания, определенные посредством детектора 260 расчесов и сохраненные в личной карте 240 отслеживаемого пользователя, как показано посредством статистических событий 244 расчесывания. В некоторых вариантах осуществления, статистическая информация расчесываний включает в себя конечные точки расчесывания, определенные из обнаруженных событий расчесывания, такие как общее количество эпизодов (или событий) расчесывания, общая длительность расчесывания, длительность между событиями расчесывания и/или отношение длительности между событиями расчесывания и числом событий расчесывания. Дополнительно, некоторые варианты осуществления ассемблера 292 шаблонов расчесывания также могут рассматривать статистические связанные со сном данные, включающие в себя конечные точки сна, поясненные выше относительно детектора 230 сна/бодрствования.

Модуль 294 определения контекстных данных, в общем, может отвечать за определение контекстной информации для статистических событий расчесывания и ассемблированных шаблонов расчесывания, а также контекстной информации для будущего временного интервала, в соответствии с некоторыми вариантами осуществления. Эти контекстные данные могут предоставлять понимание потенциальных причин, знаков или симптомов будущей чесотки или покраснения. Например, некоторые варианты осуществления модуля 294 определения контекстных данных могут определять погодную информацию, к примеру, температуру и/или влажность атмосферного воздуха, которая может оказывать влияние на уровень чесотки пользователя. В некоторых вариантах осуществления, погодная информация определяется посредством местоположения, которое может вводиться пользователем, либо может определяться на основе информации местоположения, такой как GPS-данные, полученные из пользовательского устройства, ассоциированного с пользователем. Погодная информация также может исходить из одного или более интеллектуальных устройств, ассоциированных с пользователем, таких как интеллектуальный термостат. Другие контекстные данные могут включать в себя медицинские данные пользователя, которые могут определяться из профиля/медицинской карты 241 (например, EHR) в личной карте 240. Эти медицинские данные могут включать в себя, но не только, возраст, вес, диагностированные состояния, предыдущие рецепты и/или текущие рецепты пользователя.

Помимо этого, модуль 294 определения контекстных данных может определять контекст из входных пользовательских данных. Например, пользователь может вводить определяемый пользователем рейтинг чесотки, заметки и/или фотографии кожи пользователя, включающие в себя повреждения кожи. В некоторых аспектах, контекстная информация может включать в себя пользовательский ввод относительно сведений предыдущих лечений, включающих в себя дату и т.д. Например, пользователь может вводить то, применяет или нет пользователь прописанную мазь в конкретный день. Эта информация может вводиться пользователем в приложение отслеживания или мониторинга. Дополнительные источники контекстной информации могут исходить из приложений для отслеживания тренировок, журналов регистрации приемов пищи и/или журналов регистрации потребления воды.

В некоторых вариантах осуществления, модуль 294 определения контекстных данных может добавлять в конец или ассоциировать контекстную информацию с информацией шаблонов, определенной из ассемблера 292 шаблонов расчесывания. В одном примерном варианте осуществления, ассоциирование может быть основано на общей дате и/или времени. Например, увеличение событий расчесывания за конкретную неделю, обнаруженное посредством ассемблера 292 шаблонов расчесывания, может коррелироваться с высоким уровнем влажности, обнаруженным посредством модуля 294 определения контекстных данных в течение этой же самой недели. Таким образом, данные шаблонов из ассемблера 292 шаблонов расчесывания могут пополняться через контекстную информацию.

Модуль 294 определения контекстных данных также может определять текущие и/или будущие контекстные данные. Например, модуль 294 определения контекстных данных может определять прогноз погоды, к примеру, прогнозированную температуру и/или влажность, для будущего временного интервала. Дополнительно, может определяться текущая медицинская информация, к примеру, то, имеет или нет пользователь текущий рецепт для атопического дерматита, и текущий вес пользователя.

Предиктор 296 чесотки, в общем, может отвечать за прогнозирование уровня чесотки пользователя в пределах будущего временного интервала. При использовании в данном документе, прогнозированный уровень чесотки может представляться как уровень расчесывания, указывающий величину расчесывания, которое пользователь может проводить в будущем временном интервале, которая может быть обусловлена чесоткой. Предиктор 296 чесотки может использовать шаблоны расчесывания пользователя, как описано со ссылкой на ассемблер 292 шаблонов расчесывания и модуль 294 определения контекстных данных, для того, чтобы прогнозировать уровень чесотки пользователя в будущем временном интервале. Будущий временной интервал может представлять собой следующий один день, следующие несколько дней, следующую неделю, этот или следующий месяц и т.п.

Предиктор 296 чесотки может применять логику 259 прогнозирования чесотки, чтобы определять будущий (или прогнозированный) уровень чесотки. Логика 259 прогнозирования чесотки включает в себя правила, условия, пороговые значения, ассоциирования, модели машинного обучения или другие критерии логического вывода или обнаружения вероятности конкретной чесотки, возникающей в будущем. Логика 259 прогнозирования чесотки может принимать различные формы в зависимости от механизма(ов), используемого для того, чтобы прогнозировать чесотку. В некоторых вариантах осуществления, логика 259 прогнозирования чесотки может содержать нечеткую логику, нейронную сеть(и), машину с конечным числом состояний, метод опорных векторов, логистическую регрессию, кластеризацию, другие технологии машинного обучения, аналогичные процессы статистической классификации либо комбинации означенного для того, чтобы определять вероятность чесотки в будущем временном интервале. Логика 259 прогнозирования чесотки может применяться к шаблонам расчесывания, статистическому контексту, текущему контексту (включающему в себя конкретные данные, к примеру, возраст, демографию, предшествующие состояния и т.д.) и, в некоторых вариантах осуществления, связанным со сном данным, чтобы определять вероятность чесотки.

В некоторых вариантах осуществления, логика 259 прогнозирования чесотки может представлять собой обобщенную логику на основе опорных данных. В одном примерном варианте осуществления, статистические шаблоны расчесывания для опорной совокупности могут ассемблироваться, контекстная информация для опорной совокупности может определяться, и эта ссылочная информация может использоваться для того, чтобы определять логику 259 прогнозирования чесотки, к примеру, одно или более эвристических правил либо пороговых значений. В некоторых вариантах осуществления, эта логика может быть основана на краудсорсинговых данных или статистических данных аналогичных пользователей (например, пользователей с идентичным диагностированным состоянием, в идентичном или около идентичного географического местоположения либо с идентичной или аналогичной демографией). Любые такие краудсорсинговые данные могут предварительно идентифицироваться до использования посредством вариантов осуществления предиктора 290 покраснений.

Дополнительно, в некоторых аспектах, логика 259 прогнозирования чесотки основана на статистических шаблонах расчесывания конкретного пользователя и, в некоторых вариантах осуществления, связанных со сном данных, а также статистической контекстной информации. Например, одно или более правил либо пороговых значений или моделей машинного обучения могут компоноваться с использованием информации отслеживаемого пользователя. Таким образом, предшествующие состояния, такие как увеличение уровня и темпа событий расчесывания, погода, то, проходит или нет пользователь лечение, и т.п., могут учитываться при определении логики, которую следует применять для того, чтобы определять конкретный уровень чесотки и/или событие покраснения. Дополнительно, эта информация также может использоваться для того, чтобы затем прогнозировать вероятные будущие уровни чесотки или события покраснения, когда аналогичные шаблоны наблюдаются снова.

Хотя предиктор 296 чесотки описывается как прогнозирующий уровень или степень чесотки, тяжелая и/или непроходящая чесотка может сопровождать покраснение. Таким образом, прогнозированный уровень чесотки может, сам по себе, представлять собой прогнозированный риск покраснения в соответствии с некоторыми вариантами осуществления. Дополнительно, в некоторых аспектах, прогнозированный уровень чесотки может использоваться для того, чтобы определять вероятность будущего покраснения. В некоторых вариантах осуществления, прогнозирование риска покраснения использует прогнозирования чесотки для нескольких будущих периодов времени.

Прогнозированный уровень чесотки может сравниваться с одним или более пороговых значений обнаружения покраснения, чтобы определять то, имеет или нет прогнозированный уровень чесотки достаточную тяжесть для того, чтобы представлять собой риск покраснения. Пороговое значение обнаружения покраснения может быть предварительно определено на основе опорной совокупности таким образом, что это пороговое значение может использоваться для большей совокупности. В других вариантах осуществления, пороговое значение обнаружения покраснения может определяться для конкретного отслеживаемого человека. Например, пороговое значение обнаружения покраснения может задаваться на основе статистической информации пользователя, включающей в себя медицинские данные, к примеру, состояние или возраст. Пороговое значение обнаружения покраснения может задаваться доктором/ухаживающим лицом пользователя и/или регулироваться пользователем, что может сохраняться в настройках 249 в личной карте 240. Таким образом, определение прогнозирования покраснений посредством применения порогового значения обнаружения покраснения может индивидуально настраиваться для конкретного пользователя.

В некоторых аспектах, вывод предиктора 296 чесотки может представлять собой уровень чесотки или количественный показатель риска для будущего временного интервала. Уровень чесотки или количественный показатель риска может представлять собой числовой уровень или количественный показатель либо категориальный уровень или количественный показатель, к примеру, указывающий низкий, средний, высокий и/или тяжелый уровни риска. Дополнительно, в некоторых вариантах осуществления, два прогнозирования могут выполняться для каждого будущего временного интервала, включающие в себя одно прогнозирование на основе предположения в отношении лечения зуда или первопричинного состояния, вызывающего зуд, и другое прогнозирование на основе предположения в отношении отсутствия лечения для зуда или первопричинного состояния. Прогнозирование на основе предположения в отношении лечения может быть основано на определении текущего использования корректного лечения, определенного посредством модуля 294 определения контекстных данных. Дополнительно или альтернативно, это прогнозирование может быть основано на определении информации, указывающей потенциальное лечение, которая может идентифицироваться из ссылочной информации в устройстве 250 хранения данных. Прогнозирование на основе предположения в отношении отсутствия лечения может быть основано на определении, посредством модуля 294 определения контекстных данных, того, что пользователь не проходит лечение или не может определять текущую информацию лечения. Дополнительно, даже в случае, если модуль 294 определения контекстных данных определяет то, что пользователь в данный момент проходит лечение, прогнозирование на основе отсутствия лечения может быть основано на таком допущении, что пользователь может прекращать прохождение лечения.

В некоторых вариантах осуществления, формирователь 298 уведомлений в отношении покраснения предиктора 290 покраснений, в общем, может отвечать за формирование уведомления или аварийного оповещения, указывающего риск чесотки и/или покраснения пользователя. Например, если уровень чесотки удовлетворяет пороговому значению обнаружения покраснения, формирователь 298 уведомлений в отношении покраснения может выдавать уведомление, представляющее этот риск, в пользовательское устройство (к примеру, в любое из 102а-n) отслеживаемого пользователя и/или в пользовательское устройство 108 врача для врача, лечащего отслеживаемого пользователя или рекомендованного для лечения отслеживаемого пользователя. Если не указано иное, термин "уведомление в отношении покраснения" используется в данном документе для того, чтобы включать в себя уведомление относительно уровня чесотки, даже если уровень чесотки не указывает то, что событие покраснения является вероятным.

Примерные варианты осуществления уведомления в отношении покраснения, сформированного в соответствии с вариантами осуществления формирователя 298 уведомлений в отношении покраснения, описываются ниже относительно фиг.8C-8D и выше относительно фиг.3В. В некоторых аспектах, значок аварийного оповещения или пожара может представляться на отслеживаемом пользовательском устройстве (например, на любом из 102а-n), таком как интеллектуальные часы. Уведомление в отношении покраснения может пополняться вспомогательными сведениями, позволяющими пользователю знать, почему прогнозируется покраснение. Например, уведомление в отношении покраснения может указывать то, что тренд событий расчесывания пользователя представляет собой увеличение, погода предположительно должна изменяться, либо другую контекстную информацию или статистические шаблоны (как описано выше), которые могут поражать расчесывание. Дополнительно, в некоторых аспектах, уведомление в отношении покраснения может включать в себя рекомендации инициировать действия вместе с уведомлением на основе уровня чесотки или риска покраснения. В качестве примера, рекомендации планировать посещение сиделки, повторно получать лекарства по рецепту и/или добавлять отпускаемые без рецепта (ОТС) терапевтические средства в список покупок пользователя, могут включаться в или вместе с уведомлением.

Некоторые варианты осуществления формирователя 298 уведомлений в отношении покраснения могут определять момент времени или временной интервал, который может использоваться для того, чтобы определять, когда предоставлять уведомление в отношении покраснения. Это определение может быть основано на пользовательских предпочтениях, к примеру, предпочтениях, сохраненных в настройках 249. Альтернативно или дополнительно, это определение может быть основано на информации местоположения и/или времени дня таким образом, чтобы увеличивать вероятность того, что пользователь предпринимает необходимое действие для того, чтобы уменьшать риск покраснения. Например, в одном варианте осуществления, уведомление в отношении покраснения выдается утром или ночью, что может соответствовать временам, когда человек с большей вероятностью должен применять лечение на дому и/или планировать поход в магазин за лекарствами. Для одного такого случая, формирователь 298 уведомлений в отношении покраснения может определять то, находится или нет местоположение пользователя в или рядом с магазином, к примеру, аптекарским магазином, и может выдавать уведомление с рекомендацией для лечения отпускаемыми без рецепта лекарственными препаратами или повторно получения лекарств по рецепту.

Дополнительно, некоторые варианты осуществления формирователя 298 уведомлений в отношении покраснения могут надежно передавать риск покраснения и ассоциированные данные, к примеру, недавние данные расчесов, ухаживающему лицу пользователя. Это уведомление в отношении покраснения может отправляться непосредственно в пользовательское устройство, ассоциированное с ухаживающим лицом пользователя, к примеру, в пользовательское устройство 108 врача. Помимо этого или альтернативно, уведомление в отношении покраснения может регистрироваться в журнале с регулярными интервалами в источнике данных, доступном посредством ухаживающего лица пользователя, к примеру, в EHR 241 пользователя.

Инструментальное средство(а) 270 поддержки принятия решений (как показано на фиг.2) представляет различные вычислительные приложения, услуги или функциональность для потребления вывода одного или более других компонентов системы 200, такого как обнаруженные события расчесывания или конечные точки расчесывания, количественный показатель сна и/или конечные точки сна либо прогнозирование чесотки и/или покраснений. Инструментальное средство(а) 270 поддержки принятия решений может использовать эту информацию для того, чтобы предоставлять терапевтические и/или превентивные действия, в соответствии с некоторыми вариантами осуществления. Таким образом, инструментальное средство(а) 270 поддержки принятия решений может использоваться отслеживаемым пользователем и/или ухаживающим лицом отслеживаемого пользователя. Это инструментальное средство(а) 270 поддержки принятия решений может принимать форму автономного приложения на клиентском устройстве, веб-приложения и/или услуги в существующем приложении. В некоторых вариантах осуществления, одно или более инструментальных средств поддержки принятия решений (к примеру, 270) могут распределяться по нескольким устройствам системы 200.

Некоторые варианты осуществления инструментального средства 270 поддержки принятия решений могут определять ежедневный/еженочный количественный показатель расчесов и/или количественный показатель сна для отслеживаемого пользователя и/или, в некоторых аспектах, другие связанные метрики. Примерный пользовательский интерфейс инструментального средства 270 поддержки принятия решений, предоставляющего еженочный количественный показатель расчесов, количественный показатель сна и связанную информацию, показывается на фиг.8 В. Количественный показатель расчесов, например, может быть основан на конечных точках расчесывания, как пояснено выше, включающих в себя число обнаруженных событий расчесывания, среднюю длительность, самое длительное событие расчесывания. В некоторых вариантах осуществления, количественный показатель сна может определяться на основе связанных со сном данных, считываемых или определенных в связи с отслеживаемым пользователем, таких как метрики сна, поясненные выше, включающие в себя TSO, TST, WASO, SOL и т.д. В некоторых реализациях, количественный показатель сна также может быть основан на количественном показателе расчесов или связанных с расчесами данных, таких как события расчесывания, для пользователя. Например, более высокое число событий расчесывания или более высокий количественный показатель расчесов может снижать количественный показатель сна. Таким образом, количественный показатель сна для этих вариантов осуществления является более значимым, чем связанные со сном количественные показатели, предоставленные посредством традиционных технологий, поскольку количественный показатель сна, определенный в соответствии с вариантами осуществления этого раскрытия сущности, отражает расчесывание пользователя при сне.

Одно примерное инструментальное средство 272 поддержки принятия решений может содержать приложение или услугу отслеживания расчесов. В некоторых вариантах осуществления, инструментальное средство 272 поддержки принятия решений может ассоциировать данные событий расчесывания с периодами времени, к примеру, днями и представлять данные событий расчесывания в ассоциации с релевантным периодом. Инструментальное средство 272 поддержки принятия решений может включать в себя календарь, в котором каждый день календаря предоставляет данные событий расчесывания для отслеживаемого пользователя. Эти данные могут включать в себя статистические данные событий расчесывания, которые могут включать в себя определенные конечные точки расчесывания, такие как общее количество событий расчесывания и общая длительность расчесывания, как описано относительно детектора 260 расчесов. Инструментальное средство 272 поддержки принятия решений дополнительно может обеспечивать возможность пользователю регистрировать дополнительную информацию в журнале для каждой даты, к примеру, определяемые пользователем уровни расчесывания или чесотки, заметки/нарративы, другие симптомы и/или фотографии. Примерное приложение или услуга отслеживания расчесов дополнительно описывается в связи с фиг.8А.

Другое инструментальное средство 274 поддержки принятия решений может содержать услугу предиктора риска покраснения и/или предсказатель чесотки, который может определяться так, как описано выше относительно предиктора 290 покраснений. Инструментальное средство 274 поддержки принятия решений может предоставлять предиктор риска покраснения или прогнозирование уровня чесотки в качестве уведомления. Дополнительно или альтернативно, прогнозирование риска покраснения или уровня чесотки может быть ассоциировано с будущими временными интервалами (например, будущими датами и временами) и представляться в ассоциации с этими датами, к примеру, на календаре. Примерная услуга предиктора риска покраснения и/или предсказатель чесотки дополнительно описываются в связи с фиг.8С-8Е.

Другое примерное инструментальное средство 276 поддержки принятия решений, показанное на фиг.2, может инициировать и/или планировать рекомендацию по лечению, в соответствии с вариантом осуществления. Рекомендация по лечению может содержать терапевтический агент (включающий в себя рецепт или отпускаемый без рецепта медикамент), консультацию у врача и/или дополнительное тестирование, которое рекомендуется для того, чтобы облегчать чесотку, лечить расчесывание и/или снижать риск будущей чесотки или покраснения. Например, инструментальное средство 276 поддержки принятия решений может определять рекомендацию для лечения, к примеру, длительное использование существующего рецепта, новый лекарственный препарат или планирование приема у врача, на основе текущих конечных точек событий расчесывания, определенных посредством детектора 260 расчесов. Дополнительно или альтернативно, эти рекомендации могут быть основаны на предсказанном событии чесотки или покраснения, определенном посредством предиктора 290 покраснений. Примерный вариант осуществления инструментального средства 276 поддержки принятия решений описывается дополнительно в связи с фиг.8С.

Некоторые варианты осуществления инструментального средства 276 поддержки принятия решений включают в себя аспекты для лечения зуда пользователя, который может представляться в качестве атопического дерматита, на основе расчесывания, обнаруженного из носимого устройства с датчиком, к примеру, с датчиком 103. Лечение может быть нацелено на то, чтобы уменьшать тяжесть зуда пользователя. Лечение, определенное на основе обнаруженного расчесывания, может быть предназначено для того, чтобы предотвращать ухудшение зуда пользователя. Лечение зуда пользователя на основе обнаруженного расчесывания может включать в себя определение нового протокола лечения, который может включать в себя новый терапевтический агент(ы), дозировку нового агента или новую дозировку существующего агента, принимаемого пользователем, или дозировку нового агента и/или способ назначения нового агента, или новый способ назначения существующего агента, принимаемого пользователем. Рекомендация для нового протокола лечения может предоставляться пользователю или ухаживающему лицу для пользователя. В некоторых вариантах осуществления, рецепт может отправляться пользователю, ухаживающему лицу пользователя или в аптеку пользователя. В некоторых случаях, лечение может включать в себя повторное получение лекарств по существующему рецепту без внесения изменений. Дополнительные варианты осуществления могут включать в себя назначение рекомендованного терапевтического агента(ов) пользователю в соответствии с рекомендованным протоколом лечения и/или отслеживание применения или использования рекомендованного терапевтического агента(ов). Таким образом, варианты осуществления раскрытия сущности могут лучше обеспечивать управление, мониторинг и/или принятие комплексных мер по использованию или применению терапевтических агентов для лечения зуда, что не только должно быть преимущественным для состояния пользователя, но и может помогать медработникам и изготовителям лекарственных препаратов, а также другим в цепочке поставок лучше соответствовать нормативам и рекомендациям, заданным посредством Управления по контролю качества пищевых продуктов и лекарственных средств и других правительственных органов. В примерных аспектах, лечение включает в себя один или более терапевтических агентов из следующего:

- агент для лечения аутоиммунных и/или воспалительных расстройств, такой как сульфасалазин, месаланин, азатиоприн, антитело (например, инфликсимаб, адалимумаб, белимумаб, танезумаб, ранибизумаб, бевацизумаб, цертолизумаб меполизумаба, натализумаб, устекинумаб и/или ведолизумаб), 6-меркаптопурин, гидроксихлорохин, обетихолевая кислота, мофетил, микофенолат натрия, лефлуномид, ритуксан, солумедрол, депомедрол, нестероидный противовоспалительный препарат (NSAID) (например, аспирин, ибупрофен, целекоксиб, валдекоксиб, WBI-1001 и/или MRX-6) и/или кортикостероид (например, флутиказон, мометазон, будесонид, циклесонид, бекламетазон, депомедрол, бетаметазон, дексаметазон и/или преднизон);

- агент для лечения дерматологических состояний, такой как иммунодепрессант (например, циклоспорин, такролимус и/или пимекролимус), антитело (например, инфликсимаб, адалимумаб, дупилумаб, омализумаб, тралокинумаб, этокимаб, немолизумаб, тезепелумаб, лебрикизумаб, фезакинумаб, анти-ОХ40 и/или эфализумаб), TNF-ингибитор (например, этанерцепт), PDE4-ингибитор (например, кризаборол) и/или кортикостероид для местного применения (например, флуоцинонид, мапракорат, гидрокортизон, дезонид, алклометазон, триамцинолон и/или дезоксиметазон);

- антагонист гистаминовых рецепторов, такой как антагонист гистаминовых рецепторов типа 1 и/или антагонист гистаминовых рецепторов типа 2 (например, лоратадин, фексофенадин, дезлоратадин, левоцетиризин, метапирилен и/или цетиризин);

- кортикостероид (например, будесонид, флутиказон, мометазон, дексаметазон, преднизолон, циклесонид и/или беклометазон); и/или

- агент для лечения суставных расстройств, такой как метотрексат, азатиоприн и/или NSAID (например, аспирин, ибупрофен, целекоксиб, валдекоксиб, WBI-1001 и/или MRX-6).

Некоторые варианты осуществления включают в себя лечение, представляющее собой один или более терапевтических агентов из следующего, которые могут использоваться помимо или в качестве альтернативы агентам, перечисленным выше:

- JAK-ингибитор, такой как аброцитиниб, барицитиниб, брепоцитиниб, цердулатиниб, децернотиниб, делгоцитиниб, федратиниб, филготиниб, гандотиниб, илгинатиниб, итацитиниб, лестауртиниб, момелотиниб, оклацитиниб, пакритиниб, пефицитиниб, ритлецитиниб, зуксолитиниб, тофацитиниб, упадацитиниб, THRX-212401, PF-07055087, PF-06471658, PF-07055090, ATI-502, BMS-986165, JTE-052, PF-06826647, SNA-152 и/или SHR-0302;

- агонист арил-углеводородных рецепторов, такой как тапинароф;

- индуцируемый интерлейкином-2 ингибитор киназ Т-клеток;

- производное ретиноевой кислоты, такое как алитретиноин;

- противовирусный агент; и/или

- вакцина.

В предпочтительном варианте осуществления, лечение включает в себя PDE4-ингибитор кризаборол и, помимо этого или альтернативно, JAK-ингибитор аброцитиниб.

Эти примерные инструментальные средства 272, 274 и 276 поддержки принятия решений могут использоваться независимо или совместно друг с другом. Например, одно приложение может использовать все три инструментальных средства поддержки принятия решений. Дополнительные сведения инструментальных средств поддержки принятия решений поясняются в сочетании с фиг.8А-8Е.

Компонент 220 представления системы 200, в общем, может отвечать за представление информации обнаруженных событий расчесывания, информации обнаруженного сна/бодрствования, прогнозирований чесотки/покраснения и/или связанной информации. Компонент 220 представления может содержать одно или более приложений или услуг в пользовательском устройстве, на нескольких пользовательских устройствах или в облачном окружении. Например, в одном варианте осуществления, компонент 220 представления может управлять представлением информации, такой как уведомления и аварийные оповещения, пользователю на нескольких пользовательских устройствах, ассоциированных с этим пользователем. На основе логики представления, контекста и/или других пользовательских данных, компонент 220 представления может определять то, на каком пользовательском устройстве представляется контент, а также контекст представления, к примеру, то, как (например, в каком формат и сколько контента, что может зависеть от пользовательского устройства или контекста) он представляется, когда он представляется, или другие такие аспекты представления.

В некоторых вариантах осуществления, компонент 220 представления может формировать пользовательские интерфейсные признаки, ассоциированные или используемые для того, чтобы упрощать представление аспектов других компонентов системы 200, таких как, детектор 260 расчесов, детектор 230 сна/бодрствования, предиктор 290 покраснений и инструментальное средство(а) 270 поддержки принятия решений, пользователю. Такие признаки могут включать в себя интерфейсные элементы (к примеру, значки или индикаторы, графические кнопки, ползунки, меню, аудиоподсказки, аварийные оповещения, аварийные сигналы, вибрации, всплывающие окна, элементы строки уведомлений или строки состояния, встроенные в приложение уведомления или другие аналогичные признаки для связи с помощью интерфейса с пользователем), запросы и подсказки. Примеры графических пользовательских интерфейсов (GUI), которые могут формироваться и предоставляться пользователю посредством компонента 220 представления, описываются в связи с фиг.8А-Е.

Устройство 250 хранения данных примерной системы 200, в общем, может сохранять информацию, включающую в себя данные, компьютерные инструкции (например, программные инструкции, процедуры или услуги), логику, профили и/или модели, используемые в вариантах осуществления, описанных в данном документе. В варианте осуществления, устройство 250 хранения данных может содержать хранилище данных (или компьютерное запоминающее устройство данных), к примеру, хранилище 150 данных. Дополнительно, хотя проиллюстрировано в качестве одного компонента хранилища данных, устройство 250 хранения данных может осуществляться в качестве одного или более хранилищ данных либо в облачном окружении.

Как показано в примерной системе 200, устройство 250 хранения данных включает в себя логику 253 классификации сна, логику 256 обнаружения событий расчесывания и логику 259 прогнозирования чесотки, все из которых описаны выше. Дополнительно, устройство 250 хранения данных может включать в себя одну или более личных карт 240, как показано на фиг.2. Личная карта 240 может включать в себя информацию, ассоциированную с конкретным отслеживаемым человеком/пользователем, такую как профиль/медицинские данные 241 (EHR), данные 242 датчиков, статистические события 244 расчесывания, журналы 246 регистрации, пользовательскую учетную запись(и)/устройство(а) 248 и настройки 249. Информация, сохраненная в личной карте 240, может быть доступна для компонента 210 сбора данных, монитора 280 датчиков, детектора 260 расчесов, детектора 230 сна/бодрствования, предиктора 290 покраснений или других компонентов примерной системы 200, как описано в данном документе.

Профиль/медицинские данные 241 (EHR) может предоставлять информацию, связанную со здоровьем отслеживаемого человека. Варианты осуществления профиля/медицинских данных 241 (EHR) могут включать в себя часть или всю EHR человека либо только некоторые медицинские данные, которые связаны с расчесом или сном. Например, профиль/медицинские данные 241 (EHR) может указывать предыдущие или текущие диагностированные состояния, такие как атопический дерматит, экзема, псориаз или аналогичные состояния; лекарственные препараты, ассоциированные с лечением связанных с зудом состояний или с потенциальными побочными эффектами расчесывания/чесотки; вес; или возраст.

Данные 242 датчиков могут включать в себя необработанные и/или обработанные данные датчиков, к примеру, из датчика 103 (показан на фиг.1). Эти данные датчиков могут включать в себя данные, используемые для обнаружения событий расчесывания, к примеру, данные датчиков движения, и извлекать признаки. Данные датчиков дополнительно могут включать в себя другие типы информации, которая может сохраняться на или в сочетании с сенсорным устройством, к примеру, информацию атмосферного воздуха (например, температуру или влажность атмосферного воздуха) или физиологические данные (например, температуру вокруг тела или пульс). Другие данные датчиков, раскрытые в данном документе, могут сохраняться в качестве данных 242 датчиков.

Дополнительно, статистические события 244 расчесывания могут содержать события расчесывания, определенные посредством классификатора 268 событий расчесывания. В некоторых вариантах осуществления, статистические события 244 расчесывания также включают в себя конечные точки расчесывания, такие как общее количество эпизодов расчесывания, общая длительность расчесывания, длительность между событиями расчесывания и/или отношение длительности между событиями расчесывания и эпизодами расчесывания. Варианты осуществления статистических событий 244 расчесывания также могут включать в себя прогнозирования чесотки или покраснений, определенные посредством предиктора 290 покраснений. Дополнительно, в некоторых вариантах осуществления, статистические события 244 расчесывания также могут включать в себя информацию относительно обнаруженных событий расчесывания и/или ранее прогнозированной чесотки или покраснений, к примеру, дату и время события расчесывания или прогнозирования. В некоторых аспектах, другие контекстные данные, к примеру, погода, местоположение и т.п., могут сохраняться в качестве статистических событий 244 расчесывания. Дополнительно или альтернативно, другая контекстная информация, извлеченная из предоставляемых пользователями данных наблюдений, к примеру, определяемые пользователем рейтинги чесотки, заметки и фотографии, может сохраняться в качестве статистических событий 244 расчесывания.

В некоторых вариантах осуществления, журналы 246 регистрации могут включать в себя журналы регистрации наблюдений и/или журналы регистрации реакций. Журнал регистрации наблюдений может включать в себя пользовательские заметки, фотографии или другие наблюдения, которые пользователь может предоставлять, через приложение монитора расчесов, в соответствии с одним примерным вариантом осуществления. Эти наблюдения могут быть связаны с чесоткой, расчесыванием, покраснениями, сном и другой контекстной информацией, описанной в данном документе, к примеру, погодой, температурой и т.п. Как раскрыто выше, журналы регистрации наблюдений могут анализироваться посредством модуля 294 определения контекстных данных, чтобы получать дополнительное понимание для будущих прогнозирований.

Дополнительно, в некоторых вариантах осуществления, журналы 246 регистрации также могут включать в себя журналы регистрации реакций, указывающие то, как пользователь реагирует на обнаруженное событие расчесывания, обнаруженный период сна/бодрствования, прогнозирование чесотки или покраснений и/или результирующее уведомление. Например, журнал регистрации реакций может указывать то, что отслеживаемый пользователь планирует телеприем у врача, в ответ на прогнозированное будущее покраснение. В другом случае, пользователь может добавлять рекомендованную мазь в электронный список покупок в ответ на обнаруженные события расчесывания. Дополнительно, журнал регистрации реакций может указывать, если отслеживаемый пользователь предпринимает подтверждающее действие или выбирает признак "игнорировать" в ответ на уведомление или аварийное оповещение, сформированное на основе обнаруженных событий расчесывания либо прогнозирования чесотки или покраснений. Некоторые варианты осуществления этого раскрытия сущности могут использовать журналы регистрации реакций для калибровки, улучшения обнаружения расчесов, обнаружения сна/бодрствования, прогнозирования покраснений или чесотки и/или улучшения рекомендаций поддержки принятия решений или инициированных действий.

Кроме того, в некоторых вариантах осуществления, пользовательская учетная запись(и)/устройство (а) 248, в общем, может включать в себя информацию относительно пользовательского устройства, доступного, используемого или иным образом ассоциированного с пользователем. Примеры таких пользовательских устройств могут включать в себя пользовательские устройства 102а-n по фиг.1 и, по сути, могут включать в себя мобильные телефоны, планшетные компьютеры, интеллектуальные часы или другие носимые устройства. Другие интеллектуальные устройства и ассоциированные учетные записи, такие как домашний интеллектуальный термостат и/или гигрометр, могут включаться в пользовательскую учетную запись(и)/устройство(а) 248.

В одном варианте осуществления, пользовательская учетная запись(и)/устройство(а) 248 может включать в себя информацию, связанную с учетными записями, ассоциированными с пользователем, например, онлайновые или облачные учетные записи (например, онлайновые порталы обработки медицинских карт, сеть/поставщик медицинских услуг, сетевые веб-узлы, приложения поддержки принятия решений, профили социальных сетей, электронная почта, телефон, веб-узлы электронной коммерции и т.п.). Например, пользовательская учетная запись(и)/устройство (а) 248 может включать в себя учетную запись отслеживаемого человека для приложения поддержки принятия решений, такого как инструментальное средство(а) 270 поддержки принятия решений; учетную запись для веб-узла поставщика услуг по уходу (которая, например, может использоваться для того, чтобы обеспечивать электронное планирование приемов); и онлайновые учетные записи для электронной коммерции, к примеру, Amazon.com® или аптекарский магазин (которые, например, могут использоваться для того, чтобы обеспечивать заказ онлайн средств лечения).

Дополнительно, пользовательская учетная запись(и)/устройство(а) 248 также может включать в себя календарь пользователя, назначенные приемы, данные приложения, другие пользовательские учетные записи и т.п.Некоторые варианты осуществления пользовательской учетной записи/устройства 248 могут сохранять информацию в одной или более баз данных, графов знаний или структур данных. Как описано выше, информация, сохраненная в пользовательской учетной записи(ях)/устройстве(ах) 248, может определяться из компонента 210 сбора данных.

Кроме того, в некоторых вариантах осуществления, настройки 249, в общем, могут включать в себя пользовательские настройки или предпочтения, ассоциированные с одним или более этапов для обнаружения расчесов, обнаружения сна/бодрствования или прогнозирования чесотки/покраснения, либо с одним или более приложений поддержки принятия решений, к примеру, с инструментальными средствами 270 поддержки принятия решений. В качестве примера, а не ограничения, такие настройки могут включать в себя пороговые значения допуска уведомлений пользователя, которые могут задавать то, когда и как пользователь хочет уведомляться в отношении прогнозированного покраснения. В некоторых аспектах, настройки 249 могут включать в себя пользовательские предпочтения для приложений, такие как уведомления, предпочтительные ухаживающие лица, предпочтительная аптека или другие магазины и отпускаемые без рецепта лекарственные препараты. В одном варианте осуществления, калибровка, инициализация и настройки датчика(ов) также могут сохраняться в настройках 249.

Фиг. 4А-Е иллюстрируют примерные аспекты обнаружения расчесов. Фиг. 4А, например, иллюстрирует блок-схему последовательности операций, иллюстрирующую примерный способ 400 для обнаружения расчеса и инициирования действия на основе обнаруженного расчеса, в соответствии с вариантом осуществления раскрытия сущности. Способ 400 может осуществляться посредством вариантов осуществления одного или более компонентов системы 200, к примеру, детектора 260 расчесов, описанного в связи с фиг.2. Дополнительно, каждый блок или этап способа 400 и других способов, описанных в данном документе, содержит процесс вычисления, который может выполняться с использованием любой комбинации аппаратных средств, микропрограммного обеспечения и/или программного обеспечения. Например, различные функции могут выполняться посредством процессора, выполняющего инструкции, сохраненные в запоминающем устройстве. Способы также могут осуществляться в качестве компьютерно-применимых инструкций, сохраненных на компьютерных носителях хранения данных. Способы могут предоставляться посредством автономного приложения, услуги или размещаемой услуги (автономно или в комбинации с другой размещаемой услугой) либо подключаемого модуля для другого продукта, помимо прочего. Соответственно, способ 400 может осуществляться посредством одного или более вычислительных устройств, к примеру, смартфона или другого пользовательского устройства, сервера или распределенной вычислительной платформы, к примеру, в облачном окружении. Примерные аспекты компьютерных программных процедур,

охватывающих реализации обнаружения расчесов, иллюстративно показаны на фиг.9А-11М и, в частности, на фиг.10A-10I.

На этапе 410, данные датчиков принимаются. Данные датчиков могут включать в себя данные датчиков движения, ассоциированные с отслеживаемым пользователем (или пациентом), к примеру, необработанные данные акселерометра, захваченные посредством носимого на запястье датчика или устройства. Другие считываемые или определенные данные, к примеру, вводимые пользователем данные, данные температуры вокруг тела, связанные с погодой данные и т.п., также могут приниматься как данные датчиков. Варианты осуществления этапа 410 могут включать в себя операции предварительной обработки, к примеру, применение частотных фильтров, сегментацию данных на релевантные окна, к примеру, 3-секундные окна и извлечение преобразованных сигналов, к примеру, векторной абсолютной величины, первого главного компонента и второго главного компонента. Этап 410 может выполняться посредством датчика 103 по фиг.1 и/или компонента 210 сбора данных по фиг.2.

Дополнительно, на этапе 420, определяется то, выполнен или нет датчик(и) с возможностью надлежащего получения данных. Этот этап может включать в себя обнаружение того, носится датчик (к примеру, датчик 103) или нет отслеживаемым пользователем, либо носится или нет таким образом, чтобы захватывать намеченную информацию. Этап 420 может выполняться посредством варианта осуществления модуля 261 определения ношения датчика по фиг.2, и примерный процесс для выполнения этапа 420 проиллюстрирован и описан в сочетании с фиг.4 В. Одна реализация этапа 420 может измерять физиологические параметры отслеживаемого пользователя, указывающие то, носится или нет сенсорное устройство (либо датчик) (например, температуру вокруг тела, пульс, кровяное давление, гальваническое сопротивление кожи и т.д.). Например, температура вокруг тела может сравниваться с пороговым значением температуры при неношении, которое может составлять 25 градусов Цельсия в одном примерном варианте осуществления. В этом случае, может определяться то, что датчик не носится, когда температура ниже порогового значения температуры при неношении. В другой реализации, отслеживаемый пользователь может вручную указывать ношение датчика, к примеру, посредством нажатия кнопки на сенсорном устройстве, инициирования режима сенсорного устройства и/или приложения, выполняющегося или обменивающегося данными с сенсорным устройством, либо иного указания того, что датчик носится.

На этапе 430, возможность сна пользователя определяется. Возможность сна пользователя может представлять собой интервал времени, в течение которого отслеживаемый пользователь намеревается спать или с большей вероятностью должен спать, по сравнению с временем за пределами этого интервала. Это определение может выполняться с использованием считываемой информации движения, такой как данные акселерометра. Этап 430 может выполняться посредством варианта осуществления модуля 262 определения возможностей сна по фиг.2. Дополнительно, некоторые варианты осуществления могут определять полную возможность сна (TSO), как описано относительно модуля 262 определения возможностей сна. Одна реализация определения TSO проиллюстрирована и описана в сочетании с фиг.4С. Другие варианты осуществления этапа 430 могут включать в себя определение возможности сна пользователя посредством определения того, что освещение погашено в течение минимального интервала времени (например, 10 минут), с использованием фотодетектора. В некоторых других вариантах осуществления, возможность сна может определяться на основе считываемых физиологических показателей или способности пользователя указывать для датчика (например, с использованием кнопки либо перехода в режим сна или режим бодрствования) то, когда отслеживаемый пользователь засыпает, и когда пользователь встает после сна.

Дополнительно, способ 400 (более конкретно, этап 430) дополнительно может включать в себя определение периодов фактического сна (и/или периодов бодрствования) в течение возможности сна пользователя. Этот аспект этапа 430 может выполняться посредством детектора 230 сна/бодрствования или его субкомпонентов: модуля 232 определения индексов активности и/или классификатора 234 сна/бодрствования на фиг.2. Дополнительно, один примерный процесс для определения периодов сна/бодрствования проиллюстрирован на фиг.4D.

Периоды сна могут определяться посредством вычисления значений индекса активности из данных акселерометра, захваченных в пределах определенной полной возможности сна (TSO). Таким образом, обнаружение сна/бодрствования может включать в себя применение последовательности из трех алгоритмов. Во-первых, полная возможность сна может обнаруживаться. Во-вторых, значения индекса активности могут вычисляться из данных акселерометра, захваченных в течение определенной TSO, и в-третьих, периоды времени в пределах определенной TSO могут классифицироваться в качестве периодов сна/бодрствования на основе значений индекса активности.

Другие технологии для определения сна в соответствии с вариантом осуществления способа 400 могут быть основаны на физиологических параметрах, которые могут считываться, таких как активность мозга, определенная посредством носимого на голове датчика, либо на основе комбинации множества физиологических параметров и данных движения. Например, этап 430 может обнаруживать сон в течение периода меньшего движения, указываемого в данных движения, вместе с изменениями пульса и/или частоты дыхания, которые являются согласованными со сном. Вывод обнаружения сна (или бодрствования) может представлять собой конечные точки, показанные в примерном пользовательском интерфейсе, проиллюстрированном на фиг.8 В.

Продолжая со способом 400, на этапе 440, событие движения руками пользователя (которое также может, в общем, называться "перемещением рук") может обнаруживаться. Примерные варианты осуществления этапа 440 могут обнаруживать события движения руками на основе данных датчиков, к примеру, данных акселерометра, полученных из носимого устройства, такого как носимое на запястье или носимое на пальце устройство. Этап 440 может выполняться посредством варианта осуществления детектора 264 перемещения рук по фиг.2.

Дополнительно, на этапе 450, вероятное событие расчесывания может обнаруживаться. Этап 450 может определяться из данных датчиков, соответствующих обнаруженному перемещению рук. Таким образом, варианты осуществления этапа 450 определяют то, представляет обнаруженное перемещение рук собой событие расчесывания или нет. В частности, значения признаков, к примеру, значения признаков временной и частотной области, могут извлекаться из данных датчиков, соответствующих событию обнаруженного перемещения рук, и значения признаков могут вводиться в один или более классификаторов машинного обучения, к примеру, в классификатор на основе случайного леса, чтобы определять то, вероятно или нет то, что обнаруженное перемещение рук представляет собой событие расчесывания. Этап 450 может выполняться посредством вариантов осуществления модуля 266 извлечения признаков и классификатора 268 событий расчесывания.

На этапе 460, обнаруженное событие расчесывания может записываться. Этот этап может включать в себя сохранение классификации события расчесывания и связанной контекстной информации. Данные событий расчесывания могут сохраняться в личной карте 240 и быть доступными для поддержки принятия решений, к примеру, посредством инструментального средства 270 поддержки принятия решений. Данные событий расчесывания дополнительно могут предоставляться пользователю и/или врачу, как описано относительно компонента 220 представления по фиг.2.

На этапе 470, действие может инициироваться на основе обнаруженного события расчесывания. Примерные действия могут включать в себя действия, рекомендации и/или директивы для облегчения чесотки и уменьшения событий расчесывания. Этап 470 может выполняться посредством вариантов осуществления инструментального средства 270 поддержки принятия решений и/или компонента представления на фиг.2. Например, этап 470 может включать в себя инициирование этапов для лечения зуда (или, более конкретно, атопического дерматита) пользователя с использованием одного или более терапевтических агентов на основе событий расчесывания, обнаруженных с использованием датчика на носимом устройстве, как описано относительно инструментального средства 276 поддержки принятия решений. Способ 400 может включать в себя отслеживание и/или мониторинг применения и использования терапевтического агента согласно рекомендованному или инструктированному протоколу лечения, предоставленному на этапе 470.

Действие может включать в себя отправку либо электронную передачу иным способом аварийного оповещения или уведомления пользователю через пользовательское устройство, к примеру, через пользовательские устройства 102а-n на фиг.1, либо врачу через пользовательское устройство врача, к примеру, через пользовательское устройство 108 врача на фиг.1. Уведомление может указывать одно или более обнаруженных событий расчесывания и/или другие конечные точки расчесывания, такие как общее количество событий расчесывания, общая длительность расчесывания, самая большая длительность события расчесывания и/или отношение длительности между событиями расчесывания к числу событий расчесывания. Дополнительно, в некоторых вариантах осуществления, уведомление может включать в себя количественный показатель расчесов, который может вычисляться с использованием одной или более этих конечных точек расчесывания. В некоторых аспектах, в которых период сна/бодрствования обнаруживается, уведомление также может включать в себя конечные точки сна и/или количественный показатель сна, определенный с использованием конечных точек сна.

В некоторых вариантах осуществления, действие дополнительно может включать в себя обработку данных событий расчесывания для дополнительного принятия решений, что может включать в себя предоставление рекомендации для лечения и поддержки на основе обнаруженных событий расчесывания. Такая рекомендация может включать в себя рекомендацию обращаться к медработнику, продолжать прием текущего отпускаемого по рецепту или без рецепта медикамента, начинать использование отпускаемого без рецепта медикамента (что дополнительно может включать в себя добавление медикамента в электронный список покупок и/или в корзину Интернет-магазина), регулировать настройки термостата и/или продолжать отслеживание событий расчесывания. Один или более этих действий могут выполняться автоматически в ответ на обнаруженные события расчесывания и, в некоторых вариантах осуществления, обнаруженные периоды сна/бодрствования.

Фиг. 4 В иллюстрирует схематическое представление примерного процесса 4200 для обнаружения ношения датчика. Процесс 4200 может представлять примерный процесс для выполнения этапа 420 способа 400 по фиг.4А. Вариант осуществления этого процесса может выполняться посредством модуля 261 определения ношения датчика по фиг.2.

Фиг. 4 В иллюстрирует последовательность этапов 4201 для обнаружения периодов ношения и неношения. В последовательности этапов 4201, на этапе 4210, необработанные трехосные данные движения принимаются, к примеру, из акселерометра. Трехосные данные движения содержат измерения по оси X, измерения по оси Y и измерения по оси Z. Эти данные могут предварительно обрабатываться посредством применения одного или более фильтров, как описано выше. Трехосные данные движения могут разбиваться на перекрывающиеся окна, к примеру, на одночасовые окна с 15-минутным перекрытием. На этапе 4230, статистические показатели для измерений по оси X, по оси Y и по оси Z для окна удовлетворяют пороговому значению неношения. Как проиллюстрировано на фиг.4 В, начальное определение неношения выполняется для окна на этапе 4240, если любое из среднеквадратических отклонений для любых двух осей меньше 0,13 Gs, либо диапазоны для любых двух осей меньше 0,15 Gs. Если ни одно из этих пороговых значений неношения не удовлетворяется на этапе 4230, окно может первоначально определяться в качестве окна ношения.

На этапе 4250, набор правил повторной количественной оценки может применяться, чтобы определять то, следует либо нет изменять начальное определение ношения или неношения для данного окна или блока окон. Дополнительные сведения относительно эвристических правил, которые следует применять для повторной количественной оценки на этапе 4250, поясняются в сочетании с модулем 261 определения ношения датчика по фиг.2. На этапе 4260, одно или более окон, первоначально определенных в качестве окна (или блока окон) ношения, могут повторно количественно оцениваться как "неношение" на этапе 4260. В других вариантах осуществления, повторная количественная оценка альтернативно или дополнительно может включать в себя повторную количественную оценку окна или блока окон неношения как окна или блока окон ношения.

Фиг. 4 В также включает в себя схему 4270, иллюстрирующую начальные определения окон ношения и неношения. В примере, блок 4271 включает в себя восемь окон, идентифицированных в качестве окон ношения, после которого следует блок 4273, содержащий четыре окна, идентифицированных в качестве окон неношения. После блока 4273 следует блок 4275, содержащий два окна ношения, после которого следует блок 4277, содержащий три окна неношения. После блока 4277 следует блок 4279, содержащий шесть окон ношения. Как описано в сочетании с модулем 261 определения датчика по фиг.2, правило повторной количественной оценки может включать в себя повторную количественную оценку блока окон с "ношение" как "неношение", если блок меньше трех часов, и предыдущий блок больше одного часа. В связи с этим, блок 4275 может записываться в блок окон неношения.

Фиг. 4С иллюстрирует схематическое представление примерного процесса 4300 для определения возможности сна пользователя (например, TSO). Процесс 4300 может представлять пример процесса для выполнения этапа 430 способа 400 по фиг.4А. Дополнительно, вариант осуществления процесса 4300 может выполняться посредством модуля 262 определения возможностей сна по фиг.2. Дополнительно, фиг.6F иллюстрирует аспект проверки достоверности характеристик для алгоритма, описанного в процессе 4300 по фиг. 4С. Как пояснено ниже, примерные аспекты используют TSO для возможности сна пользователя. TSO преимущественно захватывает времена, когда пользователь испытывает затруднение при сне, что может представлять собой последствие расчесывания. Использование данных акселерометра для того, чтобы определять возможность сна, может быть еще более преимущественным по сравнению с использованием только информации освещения, поскольку люди могут проводить время за переносными компьютерами или мобильными устройства, в то время, когда они находятся в темной комнате и не намереваются спать. Надежное обнаружение возможности сна, в пределах которой можно измерять расчес, помогает эффективно определять то, как сон и ночное расчесывание человека варьируются на ежедневной основе.

Процесс 4300, в общем, может включать в себя определение полной возможности сна пользователя на основе изменения угла сгибания предплечья, измеренного из данных движения. На этапе 4310, скользящие медианы необработанных трехосных измерений сигнала движения определяются. Например, 5-секундные скользящие медианы измерений по оси X, по оси Y и по оси Z определяются на этапе 4310, и средние измерения используются для того, чтобы определять углы сгибания предплечья на этапе 4320.

На этапе 4330, значения среднего угла сгибания предплечья могут вычисляться для интервалов (например, последовательных 5 секунд), и абсолютные разности между последовательными значениями среднего угла сгибания предплечья могут вычисляться на этапе 4340. На этапе 4350, скользящие медианы разности между последовательными значениями среднего угла сгибания предплечья могут вычисляться для интервала (например, 5 минут). На этапе 4360, возможные варианты периодов неподвижности могут определяться посредством сравнения скользящей медианы разности между последовательными значениями среднего угла сгибания предплечья с пороговым значением неподвижности. Например, возможный вариант периода неподвижности может обнаруживаться, когда средняя разность между последовательными значениями среднего угла сгибания предплечья меньше или равна 0,15, умноженного на значения 10-ого процентиля всех разностей в значениях угла сгибания предплечья в пределах 24-часового периода.

На этапе 4370, возможные варианты периодов неподвижности, идентифицированные как "неношение" (которое может определяться так, как описано в сочетании с фиг.4 В), могут отфильтровываться из рассмотрения для полной возможности сна. На этапе 4380, оставшиеся возможные варианты периодов неподвижности могут сравниваться с пороговой длиной, к примеру, 30 минут, так что возможные варианты периодов неподвижности сохраняются, если они больше 30 минут. Дополнительно, на этапе 4390, возможные варианты периодов могут группироваться, если промежутки между периодами удовлетворяют пороговой продолжительности, к примеру, составляют менее 15 минут. На этапе 4395, самая длительная группа возможных вариантов периодов в пределах заданного периода времени (например, 24-часового периода) может определяться в качестве полной возможности сна пользователя.

Фиг. 4D иллюстрирует схематическое представление примерного процесса 4700 для обнаружения периодов бодрствования и периодов сна пользователя. Процесс 4800 может представлять пример процесса для того, чтобы выполнять этап 430 обнаружения периодов сна и/или бодрствования в варианте осуществления способа 400, как описано в сочетании с фиг.4А. Дополнительно, вариант осуществления процесса 4800 может выполняться посредством детектора 230 сна/бодрствования по фиг.2 или его субкомпонентов.

Процесс 4800 может обнаруживать периоды сна/бодрствования пользователя с использованием значений индекса активности, вычисленных из данных движения. На этапе 4810, фильтр может применяться к данным датчиков движения. Например, фильтр верхних частот с отсечкой в 0,25 Гц может применяться к движению. Возможность сна может сегментироваться на окна предварительно определенной длины, и на этапе 4820, индексный уровень активности может вычисляться для каждого окна, к примеру, в одну минуту. Значения уровня активности могут вычисляться так, как проиллюстрировано на этапе 4820 на фиг.4D.

На этапе 4830, взвешенная сумма значений индекса активности в конкретном периоде времени может определяться. Например, взвешенная сумма для одноминутного окна может вычисляться с использованием значений индекса активности за промежуток в 7 минут, к примеру, в моменты времени от t-4 до t+4.

На этапе 4840, каждая взвешенная сумма может сравниваться с пороговым значением сна для того, чтобы определять то, следует или нет первоначально классифицировать период в качестве периода сна. Например, пороговое значение сна может составлять 0,5, и окно может классифицироваться в качестве периода сна, если взвешенная сумма для этого периода меньше 0,5. На этапе 4850, одно или более правил повторной количественной оценки могут применяться, чтобы классифицировать период от сна до бодрствования и/или от бодрствования до сна. Правила повторной количественной оценки могут быть такими, как описано в сочетании с классификатором 234 сна/бодрствования по фиг.2.

На этапе 4860, агрегированные конечные точки сна могут определяться для полной возможности сна. Эти конечные точки сна могут включать в себя общее время сна (TST), время во сне в процентах (РТА), бодрствование после наступления сна (WASO), задержку наступления сна (SOL) и число приступов бодрствования (NWB). Эти конечные точки сна могут использоваться так, как описано относительно инструментального средства 270 поддержки принятия решений на фиг.2.

Фиг. 4Е иллюстрирует схематическое представление примерных аспектов процесса 4001 обнаружения расчесов. Процесс 4001 может включать в себя классификацию событий расчесывания и в силу этого может называться в данном документе "конвейером классификатора расчесов". Аспекты процесса 4001 могут выполняться посредством одного или более компонентов системы 200, к примеру, детектора 260 расчесов или его субкомпонентов.

Первоначально, в блоке 4010, данные датчиков могут приниматься, что может включать в себя предварительное форматирование или предварительную обработку необработанных данных акселерометра. В некоторых вариантах осуществления, необработанные данные могут иметь форму примерного сигнала 6410, как проиллюстрировано на фиг.6С. В связи с этим, блок 4010 может включать в себя сегментацию данных акселерометра в течение обнаруженного интервала полной возможности сна (TSO) для 24-часового периода на 3-секундные неперекрывающиеся окна, как показано на этапах 4012 и 4014. В некоторых вариантах осуществления, другие длины окон, к примеру, 1 секунда и 2 секунды, могут использоваться для сегментации. Блок 4010 может выполняться в соответствии с вариантами осуществления этапов 410, 420 и/или 430 по фиг.4А.

Остальная часть процесса 4001 может включать в себя формирование прогнозирований расчеса через двухуровневый подход. Во-первых, присутствие перемещения рук определяется (см. блок 4040), и затем эти периоды перемещения рук классифицируются в качестве событий расчесывания или в качестве отличных от расчесывания событий (см. блок 4050). В блоке 4040, каждое 3-секундное окно проходит через эвристический алгоритм обнаружения перемещения рук, чтобы определять присутствие перемещения рук. Этапы 4042 и 4044 в блоке 4040 могут выполняться посредством варианта осуществления детектора 264 перемещения рук по фиг.2 и в соответствии с вариантом осуществления этапа 440 по фиг.4А.

Алгоритм обнаружения перемещения рук включает в себя вычисление скользящего (1-секундного) коэффициента вариации (CoV), как показано на этапе 4042. Эти вычисленные CoV-значения могут сравниваться с пороговым значением перемещения рук, на этапе 4044. Параметр алгоритма обнаружения перемещения рук (пороговое значение для вычисленного скользящего коэффициента вариации) может настраиваться эмпирически на основе набора обучающих данных. Например, может определяться то, что 25-ый процентиль всех вычисленных значений коэффициента вариации в наборе обучающих данных предоставляет точные результаты. В одном варианте осуществления, это пороговое CoV-значение может составлять 0,023. В некоторых вариантах осуществления, алгоритм обнаружения перемещения рук может использовать примерный сигнал 6440 прогнозирования перемещения рук, как проиллюстрировано на фиг.6С.Если перемещение рук обнаруживается для всего данного 3-секундного окна на этапе 4044, оно отправляется для классификации расчесов.

Классификация расчесов представляется посредством блока 4050. Этапы в блоке 4050 могут выполняться посредством модуля 266 извлечения признаков и классификатора 268 событий расчесывания по фиг.2 и могут выполняться в соответствии с этапом 450 по фиг.4А. В примерных вариантах осуществления, бинарный классификатор машинного обучения (ML) обучается, чтобы обнаруживать присутствие расчеса. Классификатор может обучаться в соответствии с вариантом осуществления конвейера 600 на фиг.6А, как описано ниже.

Примерный конвейер для прогнозирования расчеса в блоке 4050 включает в себя этап 4052 предварительной обработки, извлечение 4054 признаков, классификацию 4056 и вычисление 4058 конечных точек. Этап 4052 предварительной обработки может формировать три обработанных сигнала посредством применения фильтрации и уменьшения размерности к необработанным данным акселерометра. Во-первых, необработанные данные акселерометра могут

фильтроваться с использованием фильтра верхних частот, такого как фильтр верхних частот Баттеруорта с бесконечным импульсным откликом (IIR) первого порядка с частотой отсечки в 0,25 Гц. Затем, чтобы уменьшать зависимость от ориентации устройства, векторная абсолютная величина и первый и второй главные компоненты фильтрованного сигнала могут вычисляться.

На этапе 4054, признаки временной и частотной области могут вычисляться из обработанных данных акселерометра. Вариант осуществления этапа 4054 может использовать 26 признаков, идентифицированных выше относительно модуля 266 извлечения признаков по фиг.2. Эти признаки могут выбираться во время обучения классификатора, как описано относительно фиг.6А-6 В.

На этапе 4056, вычисленные признаки могут проходить через обученный классификатор расчесов. В одном варианте осуществления, классификатор расчесов представляет собой классификатор на основе случайного леса. Дополнительно, классификатор на основе случайного леса может включать в себя 50 модулей оценки. Классификатор расчесов может определять, с использованием вычисленных признаков, то, представляет обнаруженное перемещение рук собой вероятное событие расчесывания или нет. Дополнительные сведения относительно этапа 4056 могут описываться относительно классификатора 268 событий расчесывания на фиг.2. В некоторых вариантах осуществления, классификатор событий расчесывания может прогнозировать расчес на основе сигнала 6450 обнаруженного события расчесывания, который определяется на этапе 4056 и проиллюстрирован на фиг.6С.

На этапе 4058, цифровые конечные точки ночного расчесывания (также называемые "конечными точками расчесывания") могут извлекаться посредством обработки прогнозирований расчесов в течение определенной возможности сна для каждого 24-часового периода. Конечные точки расчесывания могут включать в себя общее число событий расчесывания и общую длительность расчесывания. Возможность сна, к примеру, TSO, также может включаться в качестве цифровой конечной точки, поскольку она используется для обнаружения расчесов. Нижеприведенная таблица обобщает некоторые цифровые конечные точки, извлекаемые в варианте осуществления этапа 4058.

Реализации процесса 4001 могут выполняться только с одним датчиком, к примеру, с носимым на запястье сенсорным устройством. Тем не менее, некоторые варианты осуществления также могут функционировать с двумя датчиками, к примеру, когда пользователь носит устройство на каждом запястье. Когда имеется два датчика, общие количества расчесываний могут вычисляться посредством взятия суммы смежных 3-секундных приступов прогнозированного расчеса, обнаруженных из обоих запястий, и общая длительность расчесывания может вычисляться посредством взятия суммы длительностей всех прогнозированных приступов расчесывания из обоих запястий.

Фиг. 4F иллюстрирует блок-схему последовательности операций, иллюстрирующую примерный способ 4500 для предоставления поддержки принятия решений на основе событий расчесывания, в соответствии с вариантом осуществления раскрытия сущности. Способ 4500 может осуществляться посредством вариантов осуществления одного или более компонентов системы 200, к примеру, детектора 260 расчесов, описанного в связи с фиг.2. Примерные аспекты компьютерных программных процедур, охватывающих реализации обнаружения расчесов, иллюстративно показаны на фиг.9А-11М и, в частности, на фиг.10A-10I.

На этапе 4510, данные акселерометра принимаются. Данные акселерометра могут захватываться посредством носимого устройства, ассоциированного с человеком (например, с отслеживаемым исследуемым или пациентом) и расположенного на части тела человека. Например, носимое устройство может быть расположено на запястье, предплечье и/или пальце человека. Другие считываемые или определенные данные, к примеру, вводимые пользователем данные, данные температуры вокруг тела, связанные с погодой данные и т.п., также могут приниматься как данные датчиков. Носимое устройство может включать в себя множество датчиков для захвата различных типов данных, к примеру, данных акселерометра и по меньшей мере одного из данных температуры вокруг тела и данных освещения. Этап 4510 может выполняться посредством датчика 103 по фиг.1 и/или компонента 210 сбора данных по фиг.2. Некоторые варианты осуществления этапа 4510 могут быть аналогичными этапу 410 способа 400, поясненного в сочетании с фиг.4А. Дополнительно, некоторые варианты осуществления способа 4500 могут включать в себя определение того, выполнен или нет датчик(и) с возможностью надлежащего получения данных, как описано на этапе 420 по фиг.4А.

На этапе 4520, перемещение рук обнаруживается с использованием данных акселерометра. Этап 4520 может выполняться посредством варианта осуществления детектора 264 перемещения рук по фиг.2. Некоторые варианты осуществления этапов 4520 могут быть аналогичными вариантам осуществления этапа 440 способа 400.

На этапе 4530, компьютеризированная классификационная модель используется для того, чтобы определять то, что перемещение рук указывает событие расчесывания. Это определение может быть основано на данных акселерометра, соответствующих перемещению рук. В некоторых вариантах осуществления, этап 4530 включает в себя формирование многомерных временных рядов из данных акселерометра, соответствующих перемещению рук, и определение значений признаков из многомерных временных рядов. Значения признаков могут включать в себя по меньшей мере одно значение признака временной области и по меньшей мере одно значение признака частотной области. Определение того, что перемещение рук указывает событие расчесывания, может быть основано на значениях признаков. Этап 4530 может выполняться посредством вариантов осуществления, описанных в связи с детектором 260 расчесов, и более конкретно, вариантов осуществления, описанных в связи с модулем 266 извлечения признаков и классификатором 268 событий расчесывания по фиг.2. Дополнительно, некоторые варианты осуществления этапа 4530 могут быть аналогичными вариантам осуществления этапа 450 способа 400. Некоторые варианты осуществления способа 4500 включают в себя запись определения события расчесывания, как подробнее описано относительно этапа 460 способа 400.

На этапе 4540, одно или более ответных действий инициируются на основе определения того, что перемещение рук указывает событие расчесывания. Примерные действия могут включать в себя действия, рекомендации и/или директивы для облегчения чесотки и уменьшения событий расчесывания. Этап 4540 может выполняться посредством вариантов осуществления инструментального средства 270 поддержки принятия решений и/или компонента представления на фиг.2. Например, этап 4540 может включать в себя инициирование этапов для лечения зуда (или, более конкретно, атопического дерматита) пользователя с использованием одного или более терапевтических агентов на основе событий расчесывания, обнаруженных с использованием датчика на носимом устройстве, как описано относительно инструментального средства 276 поддержки принятия решений. Некоторые варианты осуществления этапа 4540 могут быть аналогичными вариантам осуществления этапа 470 способа 400.

В некоторых вариантах осуществления, ответное действие включает в себя формирование элемента графического пользовательского интерфейса, предоставляемого на дисплее пользовательского устройства, к примеру, пользовательского компьютерного устройства 102а-с, пользовательского устройства 102п пациента или пользовательского устройства 108 врача по фиг.1, что может выполняться посредством или в сочетании с вариантом осуществления компонента 220 представления по фиг.2. Элемент графического пользовательского интерфейса может включать в себя по меньшей мере одно из индикатора одной или более конечных точек расчесывания (например, общего числа событий расчесывания и общей длительности расчесывания) и индикатора, рекомендующего то, что человек должен обращаться за клинической консультацией, на основе определения того, что перемещение рук указывает событие расчесывания.

Некоторые варианты осуществления способа 4500 могут включать в себя определение полной возможности сна на основе данных акселерометра. Полная возможность сна может представлять собой период времени, в течение которого человек ложится в неподвижное состояние, и когда человек встает из неподвижного состояния. Перемещение рук, обнаруженное на этапе 4520, может обнаруживаться с использованием данных акселерометра, соответствующих только полной возможности сна. Некоторые варианты осуществления этого процесса могут быть аналогичными этапу 430 в способе 400 и/или могут выполняться посредством варианта осуществления модуля 262 определения возможностей сна по фиг.2. В вариантах осуществления способа 4500, в которых ответное действие включает в себя предоставление элемента графического пользовательского интерфейса, указывающего одну или более конечных точек расчесывания, конечные точки расчесывания могут быть ограничены полными возможностями сна (одной полной возможностью сна или несколькими полными возможностями сна).

По меньшей мере одно из данных температуры вокруг тела и освещения, захваченных посредством носимого устройства, может использоваться, в дополнение к данным акселерометра, для того, чтобы определять полную возможность сна. Дополнительно, это определение полной возможности сна дополнительно может включать в себя определение периодов фактического сна (и/или периодов бодрствования) в течение полной возможности сна, которое может выполняться посредством детектора 230 сна/бодрствования или его субкомпонентов, модуля 232 определения индексов активности и/или классификатора 234 сна/бодрствования, на фиг.2. Дополнительно, примерный процесс для определения периодов сна/бодрствования проиллюстрирован на фиг.4D.

Фиг. 4G иллюстрирует блок-схему последовательности операций, иллюстрирующую примерный способ 4600 для лечения зуда с использованием устройства считывания движения,

ассоциированного с исследуемым, в соответствии с вариантом осуществления раскрытия сущности. Способ 4600 может осуществляться посредством вариантов осуществления одного или более компонентов системы 200, к примеру, детектора 260 расчесов и/или инструментальных средств 270 поддержки принятия решений, описанных в связи с фиг.2. Примерные аспекты компьютерных программных процедур, охватывающих реализации обнаружения расчесов, иллюстративно показаны на фиг.9А-11М и, в частности, на фиг.10A-10I.

На этапе 4610, данные акселерометра, собранные из устройства считывания движения, принимаются. Данные акселерометра могут захватываться посредством носимого устройства, ассоциированного с исследуемым, расположенного на части тела исследуемого (например, на запястье, предплечье и/или пальце человека). Другие считываемые или определенные данные, к примеру, вводимые пользователем данные, данные температуры вокруг тела, данные освещения, связанные с погодой данные и т.п., также могут приниматься из устройства считывания движения или другого устройства, имеющего датчик(и). Носимое устройство может включать в себя множество датчиков для захвата различных типов данных, к примеру, данных акселерометра и по меньшей мере одного из данных температуры вокруг тела и данных освещения. Этап 4610 может выполняться посредством датчика 103 по фиг.1 и/или компонента 210 сбора данных по фиг.2. Некоторые варианты осуществления этапа 4610 могут быть аналогичными вариантам осуществления этапа 410 способа 400, поясненного в сочетании с фиг.4А. Дополнительно, некоторые варианты осуществления способа 4600 могут включать в себя определение того, выполнен или нет датчик(и) с возможностью надлежащего получения данных, как описано на этапе 420 по фиг.4А.

На этапе 4620, перемещение рук обнаруживается с использованием данных акселерометра. Этап 4620 может выполняться посредством варианта осуществления детектора 264 перемещения рук по фиг.2. Некоторые варианты осуществления этапов 4620 могут быть аналогичными вариантам осуществления этапа 440 способа 400.

На этапе 4630, компьютеризированная классификационная модель используется для того, чтобы определять то, что перемещение рук указывает событие расчесывания. Это определение может быть основано на данных акселерометра, соответствующих перемещению рук. В некоторых вариантах осуществления, этап 4630 включает в себя формирование многомерных временных рядов из данных акселерометра, соответствующих перемещению рук, и определение значений признаков из многомерных временных рядов. Значения признаков могут включать в себя по меньшей мере одно значение признака временной области и по меньшей мере одно значение признака частотной области. Определение того, что перемещение рук указывает событие расчесывания, может быть основано на значениях признаков. Некоторые варианты осуществления этапа 4603 могут выполняться посредством вариантов осуществления, описанных в связи с детектором 260 расчесов, и более конкретно, вариантов осуществления, описанных в связи с модулем 266 извлечения признаков и классификатором 268 событий расчесывания. Дополнительно, некоторые варианты осуществления этапа 4630 могут быть аналогичными вариантам осуществления этапа 450 способа 400. Некоторые варианты осуществления способа 4600 включают в себя запись определения события расчесывания, как подробнее описано относительно этапа 460 способа 400.

На этапе 4640, протокол лечения для исследуемого для лечения зуда может инициироваться на основе по меньшей мере первого определения того, что перемещение рук указывает событие расчесывания. Этап 4640 может выполняться посредством вариантов осуществления инструментального средства 270 поддержки принятия решений (например, инструментального средства 476) и/или компонента 220 представления на фиг.2. Некоторые варианты осуществления этапа 4640 могут быть аналогичными вариантам осуществления этапа 470 способа 400. В некоторых вариантах осуществления, исследуемый диагностируется на основе определения того, что перемещение рук указывает событие расчесывания, и протокол лечения может быть предназначен для лечения атопического дерматита.

В некоторых вариантах осуществления, протокол лечения дополнительно основан на множестве определений множества перемещений рук, каждое из которых указывает событие расчесывания. Например, протокол лечения может быть основан на шаблоне расчесывания, определенном для исследуемого.

Некоторые варианты осуществления этапа 4640 включают в себя определение по меньшей мере одного из терапевтического агента, дозировки и способа назначения терапевтического агента для определения протокола лечения. В некоторых аспектах, терапевтический агент выбирается из группы, состоящей из следующего: инфликсимаб, адалимумаб, белимумаб, танезумаб, ранибизумаб, бевацизумаб, меполизумаб, цертолизумаб, натализумаб, устекинумаб, ведолизумаб, 6-меркаптопурин, гидроксихлорохин, обетихолевая кислота, мофетил, микофенолат натрия, лефлуномид, ритуксан, солумедрол, депомедрол, бетаметазон, преднизон, циклоспорин, такролимус, пимекролимус, дупилумаб, омализумаб, тралокинумаб, этокимаб, немолизумаб, тезепелумаб, лебрикизумаб, фезакинумаб, анти-ОХ40, эфализумаб, этанерцепт, кризаборол, флуоцинонид, мапракорат, гидрокортизон, дезонид, алклометазон, триамцинолон, дезоксиметазон, лоратадин, фексофенадин, дезлоратадин, левоцетиризин, метапирилен, цетиризин, будесонид, флутиказон, мометазон, дексаметазон, преднизолон, циклесонид, беклометазон, метотрексат, азатиоприн, аспирин, ибупрофен, целекоксиб, валдекоксиб, WBI-1001 и/или MRX-6, аброцитиниб, барицитиниб, брепоцитиниб, цердулатиниб, децернотиниб, делгоцитиниб, федратиниб, филготиниб, гандотиниб, илгинатиниб, итацитиниб, лестауртиниб, момелотиниб, оклацитиниб, пакритиниб, пефицитиниб, ритлецитиниб, зуксолитиниб, тофацитиниб, упадацитиниб, THRX-212401, PF-07055087, PF-06471658, PF-07055090, ATI-502, BMS-986165, JTE-052, PF-06826647, SNA-152, SHR-0302, тапинароф и/или алитретиноин. В предпочтительных вариантах осуществления, терапевтический агент представляет собой кризаборол и/или аброцитиниб.

В некоторых вариантах осуществления, инициирование назначения протокола лечения включает в себя формирование элемента графического пользовательского интерфейса, предоставленного для отображения на пользовательском устройстве. Элемент графического пользовательского интерфейса может указывать рекомендацию протокола лечения, который основан на первом определении того, что перемещение рук представляет расчесывающий элемент. В одном примере, пользовательское устройство является отдельным от устройства считывания движения. Например, устройство считывания движения может представлять собой пример пользовательского компьютерного устройства 102а-с или пользовательского устройства 102п пациента по фиг.2, в то время как пользовательское устройство может представлять собой пользовательское устройство 108 врача по фиг.2. Альтернативно, пользовательское устройство может представлять собой другое пользовательское компьютерное устройство 102а-с или пользовательское устройство 102 пациента по фиг.2. Формирование элемента графического пользовательского интерфейса может выполняться посредством или в сочетании с вариантом осуществления компонента 220 представления по фиг.2. Некоторые варианты осуществления способа 4600 дополнительно включают в себя применение протокола лечения к исследуемому на основе рекомендации. Некоторые варианты осуществления способа 4600 могут включать в себя определение полной возможности сна на основе данных акселерометра, как подробнее описано относительно этапа 430 в способе 400, и перемещение рук, используемое для того, чтобы определять событие расчесывания, может обнаруживаться из данных акселерометра, соответствующих полной возможности сна.

Фиг. 4Н показывает блок-схему последовательности операций, иллюстрирующую примерный способ 4700 с использованием обнаружения расчесов, в соответствии с вариантом осуществления раскрытия сущности. Способ 4700 может осуществляться посредством вариантов осуществления одного или более компонентов системы 200, к примеру, детектора 260 расчесов и/или инструментальных средств 270 поддержки принятия решений, описанных в связи с фиг.2. Примерные аспекты компьютерных программных процедур, охватывающих реализации обнаружения расчесов, иллюстративно показаны на фиг.9А-11М и, в частности, на фиг.10A-10I.

На этапе 4710, данные акселерометра принимаются для исследуемого. Данные акселерометра могут захватываться посредством устройства считывания движения, которое может представлять собой носимое устройство, ассоциированное с исследуемым, расположенного на части тела исследуемого (например, на запястье, предплечье и/или пальце человека). Другие считываемые или определенные данные, к примеру, вводимые пользователем данные, данные температуры вокруг тела, данные освещения, связанные с погодой данные и т.п., также могут приниматься из устройства считывания движения или другого устройства, имеющего датчик(и). Носимое устройство может включать в себя множество датчиков для захвата различных типов данных, к примеру, данных акселерометра и по меньшей мере одного из данных температуры вокруг тела и данных освещения. Этап 4710 может выполняться посредством датчика 103 по фиг.1 и/или компонента 210 сбора данных по фиг.2. Некоторые варианты осуществления этапа 4710 могут быть аналогичными вариантам осуществления этапа 410 способа 400, поясненного в сочетании с фиг.4А. Дополнительно, некоторые варианты осуществления способа 4700 могут включать в себя определение того, выполнен или нет датчик(и) с возможностью надлежащего получения данных, как описано на этапе 420 по фиг.4А. В некоторых вариантах осуществления, данные акселерометра захватываются посредством датчика, интегрированного в первое носимое устройство и второе носимое устройство, носимые одновременно исследуемым. Например, исследуемый может носить носимое на запястье устройство считывания движения на каждом из запястий исследуемого.

[0001] На этапе 4620, одна или более конечных точек расчесывания для исследуемого предоставляются для отображения на пользовательском устройстве. Конечные точки расчесывания основаны на определении того, что одно или более перемещений рук, обнаруженных из данных акселерометра, указывают события расчесывания. Обнаружение одного или более перемещений рук из данных акселерометра может выполняться посредством варианта осуществления детектора 264 перемещения рук по фиг.2, и как описано относительно этапа 440 способа 400. Дополнительно, определение одного или более перемещений рук указывает то, что события расчесывания могут выполняться с использованием компьютеризированной классификационной модели посредством варианта осуществления, описанного в связи с детектором 260 расчесов, или более конкретно, с модулем 266 извлечения признаков и классификатором 268 событий расчесывания, и/или как подробнее описано относительно этапа 450 способа 400. Конечные точки расчесывания могут включать в себя общее количество событий расчесывания и/или общую длительность расчесывания, в числе других. Конечные точки расчесывания могут быть ограничены возможностью сна исследуемого (например, полной возможностью сна), как подробнее описано относительно этапа 430 в способе 400.

Элемент графического пользовательского интерфейса может предоставляться для отображения на пользовательском устройстве, которое функционально соединяется с носимым устройством с датчиками, захватывающими данные акселерометра. Например, пользовательское устройство может представлять собой смартфон, который соединяется с носимым устройством, которое захватывает данные акселерометра. Примерные варианты осуществления пользовательского устройства и носимого устройства включают в себя пользовательское компьютерное устройство 102а-с, пользовательское устройство 102n пациента и пользовательское устройство 108 врача по фиг.1.

Некоторые варианты осуществления способа 4700 включают в себя предоставление для отображения, на пользовательском устройстве, протокола лечения для исследуемого для лечения атопического дерматита. Протокол лечения может включать в себя терапевтический агент, дозировку и/или способ назначения и может быть основан на одной или более конечных точек расчесывания. Примерные терапевтические агенты, которые могут включаться в способ 4700, включают в себя терапевтические агенты, описанные на этапе 4640 в способе 4600.

Фиг.5 иллюстрирует блок-схему последовательности операций, иллюстрирующую способ 500 для прогнозирования покраснений, в соответствии с вариантом осуществления раскрытия сущности. Способ 500 может осуществляться посредством одного или более компонентов системы 200, таких как предиктор 290 покраснений, включающих в себя его субкомпоненты. Аналогично способу 400, каждый блок или этап способа 500 содержит процесс вычисления, который может выполняться с использованием любой комбинации аппаратных средств, микропрограммного обеспечения и/или программного обеспечения. Например, различные функции могут выполняться посредством процессора, выполняющего инструкции, сохраненные в запоминающем устройстве. Способ также может осуществляться в качестве компьютерно-применимых инструкций, сохраненных на компьютерных носителях хранения данных. Способ может предоставляться посредством автономного приложения, услуги или размещаемой услуги (автономно или в комбинации с другой размещаемой услугой) либо подключаемого модуля для другого продукта, помимо прочего. Соответственно, способ 500 может осуществляться посредством одного или более вычислительных устройств, к примеру, смартфона или другого пользовательского устройства, сервера либо посредством распределенной вычислительной платформы, к примеру, в облачном окружении.

На этапе 510, шаблоны расчесывания пользователя могут определяться. Этап 510 может выполняться посредством варианта осуществления ассемблера 292 шаблонов расчесывания по фиг.2. Шаблоны расчесывания могут определяться из статистических данных событий расчесывания пользователя, к примеру, статистических событий 244 расчесывания, сохраненных в личной карте 240 пользователя, как описано в сочетании с фиг.2. Статистические данные событий расчесывания включают в себя конечные точки расчесывания, определенные из обнаруженных событий расчесывания, такие как общие количества эпизодов расчесывания, общая длительность расчесывания, длительность между событиями расчесывания и/или отношение длительности между событиями расчесывания и числом событий расчесывания. Шаблон расчесывания может указывать изменение конечных точек событий расчесывания, к примеру, увеличение количеств еженочных эпизодов расчесывания или снижение длительности между событиями расчесывания.

На этапе 520, контекстная информация может определяться. Этап 520 может выполняться посредством варианта осуществления модуля 294 определения контекстных данных. Определенная контекстная информация может включать в себя погодную информацию, к примеру, температуру и/или влажность атмосферного воздуха; медицинские данные пользователя, к примеру, возраст, вес, диагностированные состояния, предыдущие рецепты или терапевтические средства и текущие назначения лекарственных препаратов пользователя; и входные пользовательские данные, к примеру, определяемый пользователем рейтинг чесотки, заметки, фотографии кожи пользователя и/или журналы регистрации обращений за лечением. В некоторых вариантах осуществления, медицинские данные пользователя могут определяться из профиля/медицинской карты 241 (EHR) пользователя, сохраненного в личной карте 240 по фиг.2.

На этапе 530, чесотка пользователя может определяться для будущего временного интервала. Этап 530 может выполняться посредством варианта осуществления предиктора 296 чесотки. Определенная будущая чесотка представляет собой вероятность будущей чесотки в пределах будущего временного кадра, к примеру, завтра, на следующий день или за пять дней. Определенная будущая чесотка может включать в себя уровень или абсолютную величину, которая может представлять уровень тяжести прогнозированной или будущей чесотки.

Будущая чесотка может определяться на этапе 530 с использованием шаблонов расчесывания пользователя и контекстной информации, определенной на этапах 510 и 520, соответственно. Различные типы логики могут использоваться на этапе 530, чтобы определять чесотку пользователя в будущем. Как описано относительно логики 259 прогнозирования чесотки по фиг.2, будущая чесотка может определяться с использованием правил, условий, пороговых значений, ассоциирований, моделей машинного обучения или других критериев для логического вывода или обнаружения вероятности чесотки (либо в общем, либо уровня/тяжести чесотки), возникающей в будущем. Например, нечеткая логика, нейронная сеть(и), машина с конечным числом состояний, метод опорных векторов, логистическая регрессия, кластеризация, другие технологии машинного обучения, аналогичные процессы статистической классификации либо комбинация означенного могут использоваться на этапе 530.

Можно принимать во внимание, что чесотка пользователя может определяться для нескольких будущих временных кадров, и прогнозированный уровень чесотки может варьироваться в различных временных кадрах. Например, на этапе 530, пользователь может определяться как имеющий "низкий" уровень чесотки через два дня, но может определяться как имеющий "высокий" уровень чесотки через пять дней.

На этапе 540, вероятность события покраснения в пределах будущего временного интервала может определяться. Этап 540 может выполняться посредством варианта осуществления предиктора 296 чесотки или, если обобщать, детектора 290 покраснений. Определение вероятности будущего события покраснения может включать в себя сравнение прогнозированного уровня чесотки с одним или более пороговых значений обнаружения покраснения, чтобы определять то, имеет или нет прогнозированный уровень чесотки достаточную тяжесть для того, чтобы представлять собой риск покраснения. В некоторых вариантах осуществления, пороговое значение(я) обнаружения покраснения может быть предварительно определено на основе опорной совокупности таким образом, что пороговое значение обнаружения покраснения может использоваться для совокупности в целом. В других вариантах осуществления, пороговое значение(я) обнаружения покраснения определяется для каждого отслеживаемого человека. Например, пороговое значение обнаружения покраснения может задаваться на основе статистической информации пользователя, включающей в себя медицинские данные, к примеру, состояние и возраст. Дополнительно, пороговое значение(я) обнаружения покраснения может задаваться врачом/ухаживающим лицом пользователя и/или регулироваться пользователем. Это заданное пороговое значение может сохраняться в настройках 249 личной карты 240, как описано на фиг.2.

На этапе 550, действие может инициироваться на основе определенной вероятности события покраснения и/или чесотки пользователя. В связи с этим, этап 550 может выполняться посредством варианта осуществления формирователя 298 уведомлений в отношении покраснения и/или инструментального средства 270 поддержки принятия решений, к примеру, инструментального средства 272, 274 или 276. В некоторых вариантах осуществления, уведомление в отношении покраснения или аварийное оповещение, указывающее риск чесотки и/или покраснения пользователя, может формироваться. В одном примерном варианте осуществления, в котором уровень чесотки удовлетворяет пороговому значению обнаружения покраснения, уведомление в отношении покраснения, указывающее риск, может отправляться в пользовательское устройство отслеживаемого пользователя. В другом примерном варианте осуществления, уведомление в отношении покраснения отправляется в пользовательское устройство врача, соответственно, для надлежащего лечения отслеживаемого пользователя врачом. Примерные варианты осуществления уведомления в отношении покраснения, сформированного в соответствии с вариантами осуществления этапа 550, описываются ниже относительно фиг.8D-8F и выше относительно фиг.3В. Например, уведомление в отношении покраснения может предоставлять контекстную или статистическую информацию.

Инициирование действия на этапе 550 также может включать в себя формирование рекомендаций или директив либо инициирование действий на основе уровня чесотки или риска покраснения. В качестве примера, рекомендация планировать посещение сиделки, повторно получать лекарства по рецепту и/или добавлять отпускаемые без рецепта терапевтические средства в список покупок пользователя может формироваться и представляться пользователю. Дополнительно, в некоторых вариантах осуществления, инициирование действия может включать в себя добавление прогнозирования в электронный календарь пользователя, к примеру, в приложении для мониторинга или отслеживания либо модификацию элемента пользовательского интерфейса в устройстве пользователя, чтобы указывать прогнозированный риск в электронном календаре. Некоторые варианты осуществления этапа 550 включают в себя инициирование этапов для лечения зуда (или, более конкретно, атопического дерматита) пользователя с использованием одного или более терапевтических агентов, например, кризаборола и/или аброцитиниба, на основе прогнозирования покраснений, сформированного с использованием данных, полученных с использованием датчика на носимом устройстве, как описано относительно инструментального средства 276 поддержки принятия решений. Способ 500 может включать в себя отслеживание и/или мониторинг применения и использования терапевтического агента согласно рекомендованному или инструктированному протоколу лечения, предоставленному на этапе 470.

Дополнительно, некоторые варианты осуществления этапа 550 могут включать в себя использование журнала регистрации реакций, к примеру, журналов 246 регистрации на фиг.2, указывающего то, как пользователь реагирует на уведомление относительно прогнозированного риска чесотки или покраснения, и/или поддерживать рекомендацию для того, чтобы улучшать предиктор чесотки/покраснения. Например, последующие события расчесывания, прогнозирования чесотки и/или прогнозирования покраснений могут коррелироваться с предшествующим прогнозированием чесотки или покраснений и реакцией, что может указывать то, приводит либо нет сформированная реакция к увеличению или уменьшению событий расчесывания и/или к увеличению или уменьшению прогнозированного уровня чесотки или риска покраснения.

Фиг. 6A-F иллюстрируют аспекты примерных вариантов осуществления обучения детектора сна. Фиг. 6А предоставляет схематическое представление примерного процесса 600 для обучения детектора расчесов. Примерный процесс 600 представляет собой контролируемый процесс обучения, который формирует и использует помеченные данные на основе видеокомментариев данных акселерометра. Примерный конвейер для обучения классификатора расчесов может включать в себя этапы для предварительной обработки (включающие в себя предварительную обработку данных в блоке 610 и предварительную обработку сигналов в блоке 620), конструирования признаков в блоке 630 и выбора признаков, обучения модели и оценки модели в блоке 640.

Предварительная обработка данных в блоке 610 включает в себя, на этапе 612, совмещение видеокомментариев с данными акселерометра. Чтобы формировать метки для обучения классификатора расчесов, комментарии ночного расчесывания и беспокойных (отличных от расчесывания) перемещений могут создаваться людьми-составителями комментариев, которые смотрят тепловые видео визитов исследуемого в клинику. Комментарии могут выполняться двумя людьми-составителями комментариев и анализироваться арбитратором на предмет точности. Каждый комментарий может включать в себя метаданные, указывающие то, какая рука перемещается (правая, левая либо обе) в вариантах осуществления, в которых датчики носятся на обеих руках; пораженное местоположение тела; а также тяжесть (мягкий, средний, тяжелый) расчеса. Чтобы точно использовать опорные видеокомментарии, все комментарии могут совмещаться по времени с данными акселерометра, на этапе 612. Совмещение видеокомментариев и данных акселерометра может выполняться вручную на основе предписанного события хлопков руками (т.е. исследуемым может инструктироваться хлопать руками перед камерой при ношении устройств акселерометра) в ходе каждого визита в клинику.

Предварительная обработка данных дополнительно включает в себя, на 614, понижающую дискретизацию данных акселерометра до 20 Герц (Гц), что позволяет помогать максимизировать время работы от аккумулятора. Предварительная обработка данных дополнительно включает в себя фильтрацию комментариев, на этапе 616. В примерных аспектах, комментарии в три секунды или больше могут использоваться в обучении бинарного классификатора. Если комментарий больше трех секунд, он может сегментироваться на трехсекундные окна, на этапе 616. В некоторых вариантах осуществления, окна могут перекрываться, к примеру, с 50%-м перекрытием в трехсекундных окнах. Этап 616 также может включать в себя определение того, присутствует или нет перемещение рук во всем снабжаемом комментариями трехсекундном окне, и отфильтровывание данных, которые не имеют перемещения рук в нем.

Предварительно обработанные данные из блока 610 затем могут передаваться в блок 620 для предварительной обработки сигналов. Этапы предварительной обработки сигналов в блоке 620 могут быть аналогичными этапу 4052 предварительной обработки, описанному в связи с фиг.4Е, и могут включать в себя сегментацию и применение фильтрации и уменьшения размерности к необработанным данным акселерометра. Во-первых, сегменты сигналов по оси X, Y и Z могут сегментироваться на 3-секундные окна (аналогично видеокомментариям), на этапе 622. На этапе 624, данные по оси X, Y и Z могут фильтроваться с использованием фильтра верхних частот, такого как IIR-фильтр верхних частот Баттеруорта первого порядка с частотой отсечки в 0,25 Гц. Затем, чтобы уменьшать зависимость от ориентации устройства, преобразованные сигналы могут извлекаться из фильтрованного сигнала, на этапе 626. Например, векторная абсолютная величина и первый и второй главные компоненты фильтрованного сигнала могут вычисляться.

Преобразованные сигналы затем могут передаваться в блок 630 для конструирования признаков. На этапе 632, в сумме 36 признаков временной и частотной области извлекаются из преобразованных сигналов для каждого окна. Эти 36 признаков могут включать в себя, но не только, следующее:

- Среднеквадратическое (RMS) значение векторной абсолютной величины - RMS представляет собой показатель энергии сигналов и может коррелироваться с величиной и интенсивностью движения;

Диапазон сигналов векторной абсолютной величины диапазон сигналов представляет собой показатель экстремальных значений движения, наблюдаемый в данном временном окне данных датчиков, при этом более высокий диапазон может указывать возникновение большого отхода в значениях датчиков;

- Энтропия сигналов векторной абсолютной величины, первого главного компонента и второго главного компонента - энтропия сигналов может вычисляться посредством оценки шенноновской энтропии функции распределения масс сигнала. Значения энтропии сигналов, близкие к нулю, могут указывать то, что сигнал является периодическим и сглаженным, тогда как большие отрицательные значения могут указывать то, что сигнал является нерегулярным и непериодическим;

Межквартильный размах (IQR) автоковариации векторной абсолютной величины, первого главного компонента и второго главного компонента - IQR автоковариации представляет собой показатель зависимости или периодичности на дальние расстояния сигнала и может захватывать то, является сигнал периодическим или нерегулярным либо нет;

Скошенность векторной абсолютной величины, первого главного компонента и второго главного компонента - скошенность представляет собой показатель асимметрии в сигнале;

- Значение доминирующей частоты первого главного компонента и второго главного компонента - значение доминирующей частоты представляет собой значение частоты с наибольшей абсолютной величиной в нормализованном спектре мощности сигнала акселерометра и захватывает фундаментальную частоту первопричинного перемещения, формирующего сигнал ускорения;

- Абсолютная величина доминирующей частоты первого главного компонента и второго главного компонента - абсолютная величина доминирующей частоты захватывает процентную долю от полной энергии сигналов в доминирующей частоте;

- Отношение доминирующей полосы частот к полной энергии в спектре первого главного компонента и второго главного компонента - этот признак захватывает периодичность сигнала посредством вычисления отношения энергии в доминирующем частотном компоненте к сумме энергии во всем частотном спектре сигнала;

- Средний перекрестный темп векторной абсолютной величины, первого главного компонента и второго главного компонента средний перекрестный темп вычисляет число раз, когда сигнал изменяется с положительного на отрицательный, и может нормализоваться посредством полной длины сигналов;

- Отношение резких отклонений векторной абсолютной величины, первого главного компонента и второго главного компонента - отношение резких отклонений может представлять собой вычисление плавности движения;

- Логарифмическое безразмерное резкое отклонение векторной абсолютной величины, первого главного компонента и второго главного компонента - этот признак также может представлять собой вычисление плавности движения;

- SPARC векторной абсолютной величины, первого главного компонента и второго главного компонента - этот признак также может представлять собой вычисление плавности движения;

- Энтропия перестановок векторной абсолютной величины, первого главного компонента и второго главного компонента энтропия перестановок представляет собой показатель сложности сигнала;

- Спектральная сглаженность первого главного компонента и второго главного компонента - спектральная сглаженность захватывает величину модуляции или уровень согласованности и может варьироваться от 0 до 1; и

Спектральная энтропия первого главного компонента и второго главного компонента - спектральная энтропия может вычисляться посредством оценки шенноновской энтропии функции распределения масс спектра мощности сигнала, при этом значения, близкие к 1, указывают присутствие белого шума, а значения, близкие к 0, указывают присутствие периодичности в сигнале.

На этапе 634, анализ главных компонентов (РСА) используется для того, чтобы определять важность признаков при указании того, представляет перемещение собой событие расчесывания или нет, и 36 признаков могут ранжироваться согласно своей относительной важности. В одном варианте осуществления, данные из случайного поднабора в 15 исследуемых могут выбираться, чтобы анализировать важность признаков в классификаторе расчесов. Важность признаков может определяться из сводных значений на основе принципа аддитивных объяснений Шепли (SHAP), которые упорядочивают 20 первых признаков на основе их важности для обнаружения расчеса.

В примерном варианте осуществления, определяется то, что периодичность сигналов, плавность и доминирующая частота могут представлять собой преобладающие признаки классификатора расчесов. В частности, в одном варианте осуществления, средний перекрестный темп второго главного компонентного сигнала может определяться в качестве оказывающего наибольшее влияние признака для примерного классификатора. Кроме того, более высокие значения этого признака могут приводить к более высоким SHAP-значениям, что в свою очередь указывает более высокую вероятность того, что модель должна прогнозировать расчес для данного окна. Показатели плавности (мера длины спектральной дуги (SPARC)) и доминирующей частоты также могут представлять собой оказывающие влияние признаки для того, чтобы отличать расчесывающие перемещения, поскольку более высокие SPARC-значения (т.е. более сглаженный сигнал) и более низкие значения доминирующей частоты имеют тенденцию приводить к более низкой вероятности прогнозирования расчесов посредством классификатора.

После определения важности признаков, выбор признаков и обучение модели машинного обучения могут выполняться в соответствии с процессом проверки достоверности на основе принципа "исключение по одному объекту (L0S0)", как проиллюстрировано посредством блока 640. На этапе 642, наблюдения могут случайно дискретизироваться, чтобы балансировать положительные и отрицательные классы до выбора признаков. На этапе 644, выбор признаков может выполняться с использованием рекурсивного исключения признаков с перекрестной проверкой достоверности (RFECV) с использованием модуля оценки дерева решений. В одном варианте осуществления, поднабор из следующих 26 признаков может выбираться во время этапа 644: RMS (векторная абсолютная величина); энтропия сигналов (векторная абсолютная величина, первый главный компонент и второй главный компонент); IQR автоковариации (векторная абсолютная величина, первый главный компонент и второй главный компонент); скошенность (первый главный компонент и второй главный компонент); значение доминирующей частоты (первый главный компонент); абсолютная величина доминирующей частоты (первый главный компонент и второй главный компонент); средний перекрестный темп (второй главный компонент); отношение резких отклонений (векторная абсолютная величина и второй главный компонент); логарифмическое безразмерное резкое отклонение (первый главный компонент); SPARC (векторная абсолютная величина, первый главный компонент и второй главный компонент); энтропия перестановок (векторная абсолютная величина, первый главный компонент и второй главный компонент); спектральная сглаженность (первый главный компонент и второй главный компонент); спектральная энтропия (второй главный компонент); и диапазон сигналов (векторная абсолютная величина).

Фиг. 6В иллюстрирует графическую иллюстрацию 6300 другого варианта осуществления блока 630 конструирования признаков. Как проиллюстрировано посредством графического представления 6301, анализ главных компонентов (РСА) используется для того, чтобы определять признаки, которые с наибольшей вероятностью используются с классификатором, чтобы указывать вероятное событие расчесывания. Дополнительно, графическое представление 6351 иллюстрирует ранжирование признаков на основе важности признаков. Поднабор 6255 признаков может выбираться из признаков с наивысшим рангом согласно важности и в силу этого использоваться для обучения и выполнения классификатора. Конкретный поднабор 6255, проиллюстрированный на фиг.6 В, представляет собой один примерный поднабор, но предполагается, что другие поднаборы, к примеру, 26 признаков, перечисленных выше, могут выбираться в других вариантах осуществления. В другом варианте осуществления, например, признаки с наивысшим рангом, соответствующие важности и используемые для обучения и выполнения классификатора, могут представлять собой средний перекрестный темп (главный компонент 2), SPARC (векторная абсолютная величина), значение доминирующей частоты (главный компонент 1), отношение резких отклонений (векторная абсолютная величина), отношение резких отклонений (главный компонент 2), логарифмическое безразмерное резкое отклонение (главный компонент 1), межквартильный размах (главный компонент 2), энтропия перестановок (главный компонент 2), среднеквадратическое значение (векторная абсолютная величина) и SPARC (главный компонент 2).

Продолжая с фиг.6А, на этапе 646, классификатор может обучаться согласно выбранному поднабору признаков. Например, классификатор на основе случайного леса с 50 модулями оценки может обучаться с вышеуказанными 26 признаками. По мере того, как классификатор обучается, проверка достоверности характеристик классификатора выполняется, на этапе 648.

Характеристики бинарного классификатора (т.е. точность, чувствительность, специфичность, количественный F1-показатель и зона под кривой рабочих характеристик приемного устройства (ROC)) могут оцениваться с использованием процедуры LOSO-проверки достоверности. Дополнительно, во время обучения, несколько настроек для числа модулей оценки в классификаторе на основе случайного леса могут предприниматься и оцениваться, чтобы определять влияния на характеристики. В одном варианте осуществления, классификатор может обучаться с 25, 50, 75 или 100 модулей оценки.

Аспекты характеристик варианта осуществления обученной модели проиллюстрированы на фиг.6C-D. Фиг. 6С предоставляет графическую иллюстрацию 6400 проверки достоверности характеристик примерного обученного детектора расчесов, в соответствии с вариантом осуществления настоящего раскрытия сущности. На фиг.6С, сигнал 6410 может представлять собой примерный сигнал трехосных данных акселерометра, который может получаться из датчика(ов) отслеживаемого пользователя во времени. Сигнал 6440 может представлять собой сигнал обнаружения перемещения рук, который, при совмещении с сигналом 6410, указывает части данных акселерометра, которые соответствуют обнаруженным перемещениям рук. На фиг.6С, заштрихованные области в сигнале 6440 указывают место, в котором обнаруживается перемещение рук. Сигнал 6450 может представлять собой сигнал прогнозирования расчесов, который, при совмещении с сигналом 6410, указывает части данных акселерометра, которые соответствуют прогнозированным событиям расчесывания. В завершение, сигнал 6405 может представлять собой опорный видеосигнал, который, при совмещении с сигналом 6410, указывает части данных акселерометра, которые соответствуют временам, в которые опорные видеоданные снабжаются комментариями в качестве события расчесывания. Таким образом, сигнал 6405 выступает в качестве опорного, и сравнение сигнала 6450 с сигналом 6405 указывает точность модели прогнозирования расчесов.

Фиг. 6D иллюстрирует статистические характеристики 6480 примерных обученных детекторов расчесов, в соответствии с некоторыми вариантами осуществления раскрытия сущности, фактически уменьшенных на практике. Фиг. 6D включает в себя метрики 6482 характеристик, которые показывают чувствительность и специфичность первой модели (например, классификатора событий расчесывания), обученной обнаруживать периоды расчесывания и без связи с расчесыванием по сравнению со снабжаемым комментариями видео. Фиг. 6D дополнительно включает в себя графическую иллюстрацию 6484 характеристик в форме кривой рабочих характеристик приемного устройства (ROC) для первого обученного классификатора событий расчесывания. Площадь под кривой (AUC) для обученного классификатора составляет 0,85, согласно фиг.6D. Фиг. 6D также показывает метрики 6486 характеристик и графическую иллюстрацию 6488 характеристик в форме ROC-кривой для второй модели, обученной обнаруживать расчесывание. Дополнительно предполагается, что любая процедура или технология подгонки модели, известная специалистам в данной области техники, может использоваться для проверки достоверности модели.

Фиг. 6Е иллюстрирует временные ряды 6500 связанных со сном сигналов и анализ сигналов, в соответствии с примерным вариантом осуществления обнаружения сна/бодрствования. Сигнал 6510 акселерометра представляет собой сигнал трехосных данных акселерометра, который может приниматься из датчика, к примеру, из датчика 103 по фиг.1. Сигнал 6520 температуры указывает температуру вокруг тела отслеживаемого пользователя. Нательный сигнал(ы) 6580 указывает то, когда датчик носится, и может выводиться посредством варианта осуществления модуля 261 определения ношения датчика по фиг.2. Нательный сигнал(ы) 6580 может извлекаться из сигнала 6510 акселерометра, как описано в связи с фиг.4В. Дополнительно или альтернативно, сигнал 6520 температуры может использоваться для того, чтобы формировать нательный сигнал (ы) 6580, как описано на этапе 420 по фиг.4А. Фиг. 6Е иллюстрирует два нательных сигнала 6580; "нательный" может представлять начальный сигнал, и "нательный (повторная количественная оценка)" может иллюстрировать сигнал после повторной количественной оценки, как описано в связи с модулем 261 определения ношения датчика по фиг.2.

Дополнительно, на фиг.6Е, сигнал 6530 освещения указывает количества окружающего освещения, обнаруженные посредством датчика. Сигнал 6550 угла сгибания предплечья указывает изменение сигнала позиции предплечья во времени и может извлекаться из сигнала 6510 акселерометра, как описано в связи с фиг.4С. Сигнал 6550 угла сгибания предплечья может представлять собой вывод варианта осуществления модуля 262 определения возможностей сна по фиг.2. Сигнал 6570 неподвижности указывает периоды, в которые определяется то, что пользователь является неподвижным или намеревается спать. В связи с этим, сигнал 6570 неподвижности может представлять возможность сна и может выводиться посредством модуля 262 определения возможностей сна по фиг.2. Сигнал 6570 неподвижности может извлекаться из сигнала 6550 угла сгибания предплечья, как описано на фиг.4С. В других вариантах осуществления, сигнал 6570 неподвижности может извлекаться из сигнала 6530 освещения, отдельно или в сочетании с сигналом 6510 акселерометра или сигналом 6550 угла сгибания предплечья.

Дополнительно, на фиг.6Е, сигнал 6540 активности указывает значения индекса активности и может извлекаться из сигнала 6510 акселерометра, как описано в связи с фиг.4D. Сигнал 6540 активности может представлять собой вывод варианта осуществления модуля 232 определения индексов активности по фиг.2. Дополнительно, сигнал 6560 бодрствования указывает периоды, в течение которых пользователь обнаруживается как бодрствующий, что также указывает то, когда пользователь спит, согласно периодам, когда сигнал 6560 бодрствования не наблюдается на фиг.6Е. Сигнал 6560 бодрствования может извлекаться из сигнала 6540 активности и может представлять собой вывод варианта осуществления детектора 230 сна/бодрствования или, более конкретно, классификатора 234 сна/бодрствования.

Фиг. 6F иллюстрирует проверку 6501 достоверности характеристик примерного алгоритма определения возможностей сна, к примеру, алгоритма, описанного в связи с фиг.4С, и некоторые варианты осуществления модуля 262 определения возможностей сна на фиг.2 и этапа 430 на фиг.4А.

В этой проверке 6501 достоверности характеристик, определения неподвижности с использованием алгоритма определения полных возможностей сна (TSO), раскрытого в данном документе, сравниваются с определениями неподвижности с использованием полисомнографии (PSG), которая представляется как PSG TSO. PSG-определения представляют основание или ссылку, которая сравнивается с TSO, определенной посредством вариантов осуществления настоящего раскрытия сущности, к примеру, с TSO, обнаруженной посредством процесса 4300 по фиг.4С.

Графики 6502 и 6504 указывают характеристики раскрытого TSO-алгоритма, определенные посредством данных датчиков из левого запястья и правого запястья, соответственно. График 6506 показывает согласование между определениями на основе левого запястья и правого запястья TSO. В частности, график 6506 указывает то, что согласование является сильным или коррелированным, что означает то, что TSO-алгоритм, раскрытый в данном документе, может быть достаточно точным для работы с одним запястьем: обнаружения на основе левого запястья либо на основе правого запястья (доминирующего либо недоминирующего) TSO. С использованием этой технологии, варианты осуществления настоящего раскрытия сущности могут использоваться более точно для работы с одним запястьем, что представляет улучшение по сравнению с традиционными технологиями, которые требуют работы с двумя запястьями. Дополнительно, поскольку алгоритм для обнаружения TSO также может использоваться в обнаружении расчесов, как описано относительно фиг.4А, посредством подтверждения точности TSO через проверку достоверности характеристик, показанную на графиках 6502, 6504 и 6506, раскрытый алгоритм обнаружения ночных расчесываний (например, как описано на фиг.4А и 4Е) является более точным.

Фиг. 7А иллюстративно показывает график 7400 сигналов акселерометра, указывающих обнаруженное перемещение рук. Сигналы акселерометра разделяются на сигналы трех осей (X, Y и Z) и являются аналогичными сигналу 6510 акселерометра по фиг.6Е. Вертикальные полосы на графике 7400 (в моменты времени приблизительно в 21:53:13,5 и 21:53:19 на фиг.7А) представляют начало и конец, соответственно, обнаруженного перемещения рук. В связи с этим, вертикальные полосы, указывающие перемещение рук, могут представлять собой примерный вывод детектора 264 перемещения рук на фиг.2, из этапа 440 по фиг.4А и/или из этапа 4040 на фиг.4Е.

Фиг. 7В иллюстрирует примерные результаты 7 500 обнаружения расчесов за пять дней с использованием примерных вариантов осуществления алгоритмов, описанных в связи с фиг.4А, 4С, 4Е и 4D. Фиг. 7В включает в себя сводную таблицу 7510 результатов определения и графическое представление 7520. Результаты на фиг.7В служат для обнаружения ночных расчесываний за 5-дневную запись данных датчиков. Как описано относительно фиг.4А и 4Е, события расчесывания обнаруживаются в течение возможности сна и в силу этого представляют ночное расчесывание. Дополнительно, периоды сна/бодрствования могут обнаруживаться посредством варианта осуществления детектора 230 сна/бодрствования на фиг. 2. Сводная таблица 7510 включает в себя цифровые конечные точки сна, а также конечные точки расчесывания. В некоторых вариантах осуществления приложения монитора расчесов, показанного на фиг.8 В, вкладка 8230 "диаграммы" может включать в себя таблицы, диаграммы или графики, к примеру, сводную таблицу 7 510 или график 7520.

Фиг. 8А-8Е иллюстративно показывают различные примерные снимки экрана из вычислительного устройства, показывающие аспекты примерных графических пользовательских интерфейсов (GUI) для компьютерного программного приложения или приложения. В частности, примерные варианты осуществления GUI, проиллюстрированных на снимках экрана по фиг.8А-8Е, предназначены для компьютерного приложения поддержки принятия решений, которое в этих примерах называется "приложением монитора расчесов". Приложение 8101 монитора расчесов (компьютерное программное приложение) может включать в себя реализацию приложения 105а или 105b поддержки принятия решений и/или может включать в себя реализацию одного или более инструментальных средств 270 поддержки принятия решений, как описано в связи с фиг.1 и 2, соответственно.

Со ссылкой на фиг.8А, иллюстративно предоставляются аспекты GUI 8100, показывающие примерный вариант компьютерного программного приложения 8101 (иногда называемого в данном документе "приложением монитора расчесов") для предоставления поддержки принятия решений для пользователей, имеющих атопический дерматит, зуд или аналогичное состояние. Примерное компьютерное программное приложение 8101 может работать (и GUI 8100 может отображаться) на пользовательском вычислительном устройстве 8102а, которое может осуществляться в качестве пользовательского устройства 102а-102n, описанного в связи с фиг.1. На высоком уровне, примерное приложение 8101 монитора расчесов может использоваться, в числе других целей, для осуществления доступа, просмотра, отслеживания, дополнения и/или сообщения связанных с обнаружением расчесов и/или со сном данных для пользователя, которые обнаруживаются посредством вариантов осуществления технологий, описанных в данном документе. Некоторые варианты осуществления приложения 8101 монитора расчесов дополнительно или альтернативно могут предоставлять функциональность, связанную с прогнозированием покраснений и прогнозированием чесотки.

В некоторых вариантах осуществления, предполагается, что предписанный или рекомендованный стандарт ухода за пациентом, которому поставлен диагноз "атопический дерматит" (или аналогичное состояние), может содержать использование варианта осуществления приложения 8101 монитора расчесов, которое может работать на собственном вычислительном устройство пользователя/пациента, таком как интеллектуальные часы, мобильное устройство или другое пользовательское устройство 102а-102n, или может предоставляться пользователю/пациенту через медработника пациента или аптеку.

В частности, как описано в данном документе, традиционные решения для мониторинга и отслеживания расчесывания пользователя, к примеру, необходимость для пользователей отслеживать и сообщать в отношении расчесывания, могут страдать от субъективности и неединообразности, меньшей точности, несогласованности захвата и других недостатков. Тем не менее, варианты осуществления технологий, описанных в данном документе, могут предоставлять объективное и/или единообразное, согласованное и более точное средство мониторинга, обнаружения и отслеживания связанных с расчесами (и сном) данных для пользователя. Как результат, эти варианты осуществления за счет этого обеспечивают надежное использование этих технологий для пациентов, которым прописаны определенные медикаменты. Таким образом, доктор или медработник может выдавать предписание, которое включает в себя пациента, принимающего медикамент и использующего компьютерное приложение поддержки принятия решений (например, приложение 8101 монитора расчесов) для того, чтобы, в числе прочего, отслеживать и определять точную эффективность предписанного лечения. Кроме того, использование компьютерного приложения поддержки принятия решений (например, приложения 8101 монитора расчесов), в качестве части стандарта ухода за пациентом, которому назначен или прописан конкретный медикамент, поддерживает эффективное лечение пациента. Эффективное лечение, в некоторых вариантах осуществления, достигается за счет обеспечения возможности медработнику лучше понимать эффективность прописанного медикамента, модифицировать дозировку, изменять конкретный прописанный медикамент или инструктировать пациенту прекращать его использование, поскольку он более не требуется вследствие улучшения состояния пациента.

Дополнительно, продолжая с фиг.8А, приложение 8101 монитора расчесов, проиллюстрированное в GUI 8100, включает в себя меню 8110 со значками, содержащее различные выбираемые пользователем значки 8111, 8112, 8113, 8114 и 8115, которые соответствуют различным дополнительным функциональностям, предоставленным посредством приложения 8101 монитора расчесов. В частности, выбор этих значков может осуществлять навигацию пользователя в различные услуги или инструментальные средства, предоставленные через приложение 8101 монитора расчесов. В качестве примера и без ограничения, значок 8111 домашнего экрана может осуществлять навигацию пользователя на начальный экран, который может включать в себя календарный вид 8105, проиллюстрированный в GUI 8100, одном из примерных GUI, описанных в связи с фиг.8 В, 8С, 8D или 8Е, экран приветствия (не показан), который может включать в себя одну или более обычно используемых услуг или инструментальных средств, предоставленных посредством приложения 8101 монитора расчесов, или любой другой вид (не показан).

Выбор значка 8112 журнала регистрации может осуществлять навигацию пользователя в инструментальное средство ведения журнала регистрации расчесов (которое может указываться посредством дескриптора для журнала 8201 регистрации расчесов), которое содержит функциональность для того, чтобы упрощать связанное с расчесами или сном обнаружение, отслеживание и/или мониторинг. В варианте осуществления, журнал 8201 регистрации расчесов содержит календарный вид 8105 или альтернативный календарный вид 8505, проиллюстрированный на фиг.8Е. Функциональность, ассоциированная с журналом 8201 регистрации расчесов или значком 8112 журнала регистрации, также может включать в себя GUI и инструментальные средства или услуги для ежедневного отслеживания и мониторинга, к примеру, GUI и инструментальные средства или услуги, описанные в связи с фиг.8 В. Выбор значка 8113 предсказаний может осуществлять навигацию пользователя в связанный с предсказанием расчесываний или с предсказанием чесотки GUI, который может включать в себя одно или более инструментальных средств и услуг, связанных с прогнозированием чесотки. Дополнительные сведения функциональности предсказаний, ассоциированной со значком 8113 предсказаний, описываются в связи с фиг.8С. Выбор значка 8114 отчетов может осуществлять навигацию пользователя в GUI для просмотра и формирования различных отчетов об связанных с обнаружением расчесов и/или со сном данных, обнаруженных посредством вариантов осуществления, описанных в данном документе. Выбор значка 8115 настроек может осуществлять навигацию пользователя в режим конфигурирования пользовательских настроек, который может обеспечивать возможность указания различных пользовательских предпочтений, настроек или конфигураций приложения 8101 монитора расчесов, аспектов связанного со сном и расчесами обнаружения, ухода/лечения пользователя или других настроек. В некоторых вариантах осуществления по меньшей мере часть настроек может быть сконфигурирована медработником или врачом пользователя. Некоторые настройки, доступные через значок 8115 настроек, могут включать в себя настройки, поясненные в связи с настройками 249 по фиг.2.

Примерное приложение 8101 монитора расчесов, проиллюстрированное в GUI 8100, включает в себя область 8109 заголовка, расположенную около верхней части GUI 8100. В частности, эта примерная область 8109 заголовка включает в себя значок 8103 гамбургера, дескриптор 8201, показывающий "Журнал регистрации расчесов", значок 8104 совместного использования, значок 8106 стетоскопа и значок 8108 циклической обработки. Выбор значка 8103 гамбургера может предоставлять пользователю доступ к меню других услуг, признаков или функциональностей приложения 8101 монитора расчесов и дополнительно может включать в себя доступ к справке, информации версии приложения и доступ к защищенной функциональности входа/выхода из пользовательской учетной записи. Дескриптор 8201, показывающий "Журнал регистрации расчесов", указывает для пользователя режим, набор признаков или аспект приложения 8101 монитора расчесов, в которое пользователь осуществляет навигацию. Здесь дескриптор 8201 указывает то, что пользователь находится в функциональности журнала регистрации расчесов приложения 8101 монитора расчесов, к которому, возможно, осуществлен доступ посредством выбора значка 8112 журнала регистрации. Значок 8104 совместного использования может выбираться для совместного использования различных данных, отчетов, предоставляемых пользователями комментариев или наблюдений (например, заметок или фотографий). Например, значок 8104 совместного использования может упрощать представление возможности пользователю отправлять по электронной почте отчет о событиях расчесывания последних ночей ухаживающему лицу пользователя. В некоторых вариантах осуществления, значок 8104 совместного использования может упрощать совместное использование аспектов различных данных, захваченных, отображаемых или доступных через приложение 8101 монитора расчесов, в социальных сетях или с другими аналогичными пользователями. Выбор значка 8106 стетоскопа может предоставлять пользователю различные варианты связи или соединения с медработником пользователя. Например, выбор значка 8106 стетоскопа может инициировать функциональность для того, чтобы упрощать планирование телеприема, совместное использование или выгрузку данных в медицинскую карту (например, профиль/медицинские данные 241 (EHR)) пользователя для доступа медработником пользователя либо осуществление доступа к онлайновому порталу медработника для дополнительных услуг. В некоторых вариантах осуществления, выбор значка 8106 стетоскопа может инициировать функциональность для пользователя, чтобы передавать конкретные данные, к примеру, данные, которые пользователь в данный момент просматривает, медработнику пользователя, либо может проверять досягаемость медработника пользователя, чтобы запрашивать его на предмет изучения данных пользователя. В завершение, выбор значка 8108 циклической обработки может вызывать обновление или коррекцию для видов и/или данных, отображаемых через приложение 8101 монитора расчесов, так что вид является текущим относительно доступных данных. В некоторых вариантах осуществления, выбор значка 8108 циклической обработки может обновлять данные, извлекаемые из датчика (или из компьютерного приложения, ассоциированного со сбором данных из датчика, к примеру, из датчика 103 на фиг.1) и/или из облачного хранилища данных (например, онлайновой учетной записи с данными), ассоциированного с пользователем.

Приложение 8101 монитора расчесов, проиллюстрированное в GUI 8100, также может включать в себя календарный вид 8105. Варианты осуществления календарного вида 8105 могут упрощать осуществление доступа или отображение обнаруженных и интерпретированных связанных со сном и/или с расчесами данных для пользователя. Например, посредством выбора конкретной даты календарного вида 8105, пользователю может представляться ежедневная (или еженочная) сводка данных для этой даты, к примеру, предоставленная посредством GUI 8200, описанного в связи с фиг.8 В. В некоторых вариантах осуществления календарного вида 8105, индикаторы или информация могут отображаться по датам календаря, с указанием связанной с расчесами или связанной со сном информации, ассоциированной с этой датой. Например, альтернативный календарный вид 8505, описанный на фиг.8Е, иллюстрирует индикаторы пламени в даты, ассоциированные с покраснением.

Обращаясь теперь к фиг.8 В, проиллюстрирован другой аспект приложения 8101 монитора расчесов, включающий в себя GUI 8200. GUI 8200 включает в себя элементы пользовательского интерфейса (UI) для отображения или приема связанных с расчесами или связанных со сном данных и соответствует функциональности журнала регистрации, указываемой посредством значка 8112 журнала регистрации. В частности, GUI 8200 иллюстрирует пример еженочной сводки 8202 данных для пользователя и может представлять собой пример информации, которая отображается пользователю при выборе конкретной календарной даты из календарного вида 8105 (фиг.8А), или информации, которая представляется пользователю при выборе значка 8112 журнала регистрации из меню 8110. GUI 8200 включает в себя дескриптор 8203, указывающий то, что еженочная сводка 8202 задается для даты воскресенье, 12 января.

Как показано в этом примерном GUI 8200 приложения 8101 монитора расчесов, функциональность журнала регистрации включает в себя пять выбираемых вкладок: количественные показатели 8210, диаграммы 8230, фотографии 8240, заметки 8250 и лечение 8260. Согласно GUI 8200, как показано на фиг.8 В, вкладка 8210 для количественных показателей выбирается, и в силу этого различные количественные показатели и метрики представляются пользователю. В частности, количественные показатели 8210 могут содержать количественный показатель 8212 расчесываний, количественный показатель 8216 сна и визуальную сводку 8218 (обнаруженной пользовательской активности и событий расчесывания, как показано на фиг.8В), соответствующие пользовательским данным, обнаруженным в течение ночи в воскресенье, 12 января. В некоторых вариантах осуществления, количественные показатели могут представляться в качестве чисел, категорий, цветов либо комбинации этих признаков. Например, здесь количественный показатель 8212 расчесываний равен "36" и может окрашиваться в зеленый цвет, чтобы указывать то, что он представляет собой требуемый количественный показатель для пользователя. Количественный показатель 8216 сна представляется в качестве категории "Очень хорошо", но альтернативно может представляться в качестве числа или цвета.

В некоторых вариантах осуществления, количественный показатель 8212 расчесываний может отображаться с различными связанными с расчесами аналитическими данными 8213. В качестве примера и без ограничения, данные 8213 могут включать в себя: тренд расчесываний, который указывает то, расчесывание пользователя возрастает, снижается или остается неизменным за последние ночи (например, за предыдущие 3 ночи, 5 ночей или неделю); число обнаруженных еженочных или ежедневных событий расчесывания (например, 12 событий расчесывания); общее время расчесываний, которое представляет накопленное общее количество времени обнаруженных ночных событий расчесывания (например, 84 секунды); среднюю длительность обнаруженных событий расчесывания (например, 7 секунд); и длительность самого длительного обнаруженного расчеса (например, 12 секунд). Аналогично, количественный показатель 8216 сна может отображаться с различными связанными со сном аналитическими данными 8217. В качестве примера и без ограничения, данные 8217 могут включать в себя: процентную долю сна, которая представляет отношение обнаруженного времени сна пользователя за временной интервал (здесь показан как 86%) возможности сна (например, TSO); общее время сна (TST), задержку наступления сна (SOL, измеренную в минутах); бодрствование после наступления сна (WASO, измеренное в минутах); и число приступов бодрствования (NWB). Другие связанные со сном метрики также могут представляться, и в некоторых вариантах осуществления, пользователь может индивидуально настраивать информацию, которая отображается, включающую в себя количественные показатели, метрики и визуальную сводку 8218, посредством конфигурирования настроек (например, через значок 8115 настроек). Аналогично, в некоторых вариантах осуществления, другие связанные данные, к примеру, данные температуры или влажности, могут отображаться вместе с количественным показателем(ями).

Продолжая с GUI 8200, показанным на фиг.8 В, вкладка 8230 для диаграмм может выбираться пользователем, чтобы создавать или отображать различные диаграммы, графики или интерпретированные связанные с расчесами или связанные со сном данные (например, сводки и анализы трендов) для пользователя. Примеры диаграмм, которые могут представляться через диаграммы 8230, проиллюстрированы на фиг.8F, который показывает различные аналитические данные для сна в качестве таблицы 8600 и диаграмм 8700. Другой пример диаграмм, которые могут создаваться или отображаться через диаграммы 8230, предоставляется на фиг.7 В.

Продолжая с фиг.8 В, выбор вкладок для фотографий 8240 и примечаний 8250 может осуществлять навигацию пользователя в функциональность для приложения 8101 монитора расчесов (или, более конкретно, в функциональность журнала регистрации, ассоциированную со значком 8112 журнала регистрации) для приема и отображения данных наблюдений от пользователя или ухаживающего лица для этой конкретной даты. Примеры данных наблюдений могут включать в себя заметки и/или фотографии, документирующие или связанные с расчесыванием или сном пользователя. В некоторых вариантах осуществления, заметки 8250 включают в себя UI для приема текста (либо аудио- или видеозаписей) от пользователя. В некоторых аспектах, функциональность UI для заметок 8250 может содержать GUI, показывающий человеческое тело, выполненное с возможностью принимать ввод от пользователя, указывающий зоны тела пользователя, пораженные посредством чесотки или расчесывания. Помимо этого или альтернативно, некоторые варианты осуществления заметок 8250 могут включать в себя функциональность UI-ввода для пользователя, чтобы указывать субъективный рейтинг чесотки или расчесывания, которое он испытывает за еженочный временной интервал.

В некоторых вариантах осуществления, пользователи могут вводить другую контекстную информацию, такую как свое местоположение, погода и любая физическая активность, в которой они участвуют в течение дня, например, в заметки 8250. В некоторых случаях, данные, к примеру, местоположение пользователя и погода, могут определяться автоматически, к примеру, посредством использования датчиков местоположения на пользовательском вычислительном устройстве 8102а и поиска погодной информации для местоположения пользовательского устройства. В некоторых вариантах осуществления, как описано в связи с модулем 294 определения контекстных данных (фиг.2), эти предоставляемые пользователями наблюдения могут анализироваться на предмет контекстной информации, которая затем может использоваться для формирования предсказаний или информации поддержки принятия решений для пользователя.

В некоторых вариантах осуществления, фотографии 8240 могут содержать UI для приема фотографий или видео от пользователя. Фотографии 8240 также могут содержать функциональность для моментальной съемки фотографий или видео на пользовательском вычислительном устройстве 8102а, на котором работает приложение 8101 монитора расчесов. Например, для данного дня, пользователь может выбирать заметки 8250, чтобы добавлять заметку, указывающую то, что пользователь не спал хорошо и чесался всю ночь. Пользователь, также или альтернативно, может выполнять моментальную съемку фотографии на пользовательском вычислительном устройстве 8102а для регистрации в журнале этих данных, после выбора вкладки 8240 для фотографий. Фотография может содержать повреждение или иным образом пораженную зону кожи пользователя.

Выбор вкладки 8260, указывающей лечение, на GUI 8200 может осуществлять навигацию пользователя в UI в приложении 8101 монитора расчесов с функциональностью для пользователя, чтобы указывать такие сведения, как то, применяет (или проводит) либо нет пользователь лечение в эту дату. Например, пользователь может указывать то, что его отпускаемый по рецепту лекарственный препарат для местного применения применяется к пораженной зоне тела пользователя. Также предполагается, что в некоторых вариантах осуществления, интеллектуальные коробочки для пилюль или интеллектуальные контейнеры, которые могут включать в себя так называемую функциональность Интернета вещей (1оТ), могут автоматически обнаруживать то, что пользователь получает доступ к медикаменту, хранящемуся в контейнере, и могут передавать в приложение 8101 монитора расчесов индикатор, указывающий то, что пользователь применяет лечение на данную дату. В некоторых вариантах осуществления, вкладка 8260 для лечения может содержать UI, позволяющий пользователю указывать свое лечение, например, посредством выбора флажков, указывающих вид лечения, которого пользователь придерживается на эту дату (например, применяет ОС-лосьон, принимает ванну, избегает воздействия солнца, применяет отпускаемый по рецепту лекарственный препарат для местного применения (или для приема внутрь перорально), и т.д.).

Обращаясь теперь к фиг.8С, проиллюстрирован другой аспект примерного приложения 8101 монитора расчесов, включающий в себя GUI 8300. GUI 8300 включает в себя различные UI-элементы для отображения предсказания(й) чесотки и связанной информации для пользователя. Как описано в данном документе, некоторые варианты осуществления могут определять предсказание чесотки, представляющее ожидаемую чесотку (или расчесывание) пользователя, которая должна возникать в будущее время или за будущий временной интервал (например, как описано в связи с фиг.5 и предиктором 290 покраснений по фиг.2). Как подробнее описано в данном документе, предсказание чесотки может персонализироваться для пользователя и может быть основано на статистическом шаблоне расчесываний пользователя. В некоторых случаях, предсказание чесотки дополнительно может быть основано на контекстных данных, таких как погода, наблюдения пользователя, медицинские или физиологические данные или другие контексты. Альтернативно, согласно другим вариантам осуществления, описанным в данном документе, предсказание чесотки может определяться согласно предварительно определенным правилам или условиям и в силу этого не персонализироваться для конкретного пользователя. Альтернативно, согласно другим вариантам осуществления, предсказание чесотки может определяться на основе данных других пользователей, которые являются аналогичными конкретному пользователю приложения 8101 монитора расчесов. Дополнительные сведения по определению предсказания чесотки предоставляются в связи с предиктором 290 покраснений по фиг.2 и способом 500 по фиг.5.

Примерный GUI 8300 включает в себя дескриптор 8303, указывающий текущую дату, когда пользователь осуществляет доступ к функциональности предсказаний приложения 8101 монитора расчесов (например, сегодня, вторник, 17 марта 2020 года) и к предсказанию 8301 чесотки пользователя. Как показано на фиг.8С, меню 8110 указывает то, что выбирается значок 8113 предсказаний, который может представлять пользователю GUI 8300, иллюстрирующий предсказание 8301 чесотки пользователя. Примерное предсказание 8301 чесотки, проиллюстрированное в GUI 8300, может содержать информацию, которая прогнозирует чесотку или расчесывание пользователя для одного или более будущих интервалов времени. В частности, в примере GUI 8300, предсказание 8301 чесотки включает в себя ежедневное (или еженочное) предсказание 8310 чесотки для следующих 3 дней. Как показано на фиг.8С, низкий уровень чесотки показывается для среды, 18 марта, средний уровень чесотки для четверга, 19 марта, и высокий уровень чесотки предсказывается для пятницы, 20 марта. Примерное предсказание 8301 чесотки дополнительно может включать в себя тренд 8320 предсказаний чесотки, указывающий тренд для чесотки (или расчесывания) пользователя в ближайшем будущем. Как показано в этом примере, тренд 8320 предсказаний чесотки пользователя представляет собой увеличение, что является согласованным с ежедневным (или еженочным) предсказанием 8310 чесотки.

В некоторых вариантах осуществления и в примерном варианте осуществления, проиллюстрированном в GUI 8300, предсказание 8301 чесотки дополнительно включает в себя пользовательскую рекомендацию 8330. Здесь, рекомендация советует пользователю "Использовать местное лечение каждый день, согласно инструкциям". Пользовательская рекомендация 8330 может включать в себя рекомендации и/или директивы для лечения зуда с использованием одного или более терапевтических агентов, таких как агенты, поясненные относительно инструментального средства 276 поддержки принятия решений. В некоторых случаях, пользователь может выбирать или щелкать пользовательскую рекомендацию 8330, чтобы просматривать рекомендацию или дополнительные сведения относительно рекомендации. Рекомендация, отображаемая или доступная через пользовательскую рекомендацию 8330, может соответствовать конкретному предсказанию чесотки для пользователя и/или информации, доступной из поведения или схемы лечения пользователя. Эта информация может предоставляться пользователем, ухаживающим лицом или медработником пользователя либо приниматься в качестве связанных с наблюдениями или с лечением данных, к примеру, как описано в связи с фиг.8 В. В некоторых вариантах осуществления, рекомендация может определяться с использованием правил, условий и/или ввода, принимаемого от медработника пользователя.

В некоторых вариантах осуществления и в примерном варианте осуществления, проиллюстрированном в GUI 8300, предсказание 8301 чесотки дополнительно включает в себя функциональность 8340 просмотра для просмотра альтернативных предсказаний (с или без лечения). Например, посредством выбора кнопки 8341 лечения, ежедневное предсказание 8310 чесотки может определяться и представляться пользователю на основе использования, пользователем, лечения за будущий временной интервал. Аналогично, посредством выбора кнопки 8343 без лечения, ежедневное предсказание 8310 чесотки может определяться и представляться пользователю на основе неиспользования, пользователем, лечения за будущий временной интервал. В частности, лечение пользователя может определяться в качестве части контекстных данных (к примеру, посредством модуля 294 определения контекстных данных, поясненного в связи с системой 200 по фиг.2) из профиля/медицинских данных 241 (EHR) пользователя, информации, вводимой через вкладку 8260 лечения либо указываемой пользователем или ухаживающим лицом/медработником (например, в настройках 8110). Различные и альтернативные предсказания могут определяться на основе статистических данных пользователя, того, использует или не использует пользователь лечение, на основе использования или неиспользования, аналогичными пользователями, лечения, либо может сначала вычисляться на основе доступных данных и затем модифицироваться соответствующим образом. Например, предсказание чесотки для пользователя, с или без лечения, может определяться и затем модифицироваться, к примеру, посредством повышающего или понижающего масштабирования прогнозированного числа событий расчесывания посредством множителя (например, вплоть до сорокапроцентного увеличения событий расчесывания, в течение 48 часов, если пользователь прекращает использование лечения). Таким образом, функциональность 8340 просмотра может определять и представлять альтернативные предсказания чесотки для пользователя.

Обращаясь теперь к фиг.8D, проиллюстрирован другой аспект примерного приложения 8101 монитора расчесов, включающий в себя GUI 8400. GUI 8400 включает в себя различные UI-элементы для отображения аварийного уведомления в отношении покраснения (например, уведомления 8401 в отношении покраснения). В некоторых случаях, связанная информация отображается дополнительно или альтернативно. Как описано в данном документе, уведомление 8401 в отношении покраснения может указывать для пользователя то, что прогнозированная будущие события чесотки (или расчесывания) для пользователя с большой вероятностью должны превышать пороговое значение таким образом, что они становятся покраснением. Как описано выше в связи со способом 500 по фиг.5 и предиктором 290 покраснений по фиг.2, некоторые варианты осуществления могут определять будущую вероятность события покраснения для пользователя.

Примерный GUI 8 400 включает в себя дескриптор 8403, указывающий текущую дату (например, сегодня, понедельник, 4 мая), и уведомление 8401 в отношении покраснения, предупреждающее пользователя в отношении вероятного будущего события покраснения. В примерном варианте осуществления, проиллюстрированном в GUI 8400, дополнительная информация может представляться в дополнение к уведомлению 8401 в отношении покраснения, такая как рекомендация (не показана, например, избегать воздействия солнечного света) и/или сведения 8410 уведомлений в отношении покраснения. В частности, в этом примере, сведения 8410 уведомлений в отношении покраснения указывают, когда покраснение возникает с большой вероятностью (например, будущий временной интервал между следующим днем и четвергом), вероятность возникновения события покраснения (например, 74%-я вероятность, которая может определяться так, как описано в связи с предиктором 290 покраснений по фиг.2 или способом 500 по фиг.5) и/или тяжесть или уровень покраснения (например, "тяжелое"). В некоторых случаях, хотя тяжесть может варьироваться в пределах будущего временного интервала, тяжесть может представлять собой наибольшую возможную тяжесть, прогнозированную для пользователя, чтобы обеспечивать возможность пользователю подготавливаться к худшему возможному результату.

В примерном варианте осуществления, проиллюстрированном в GUI 8400, уведомление 8401 в отношении покраснения дополнительно включает в себя один или более вариантов 8420 ответа, чтобы упрощать реакцию пользователя на уведомление в отношении покраснения. Например, варианты 8420 ответа могут включать в себя вариант 8422 для того, чтобы проверять/повторно получать лекарства по рецепту пользователя, вариант 8424 для того, чтобы планировать телеприем (или личный прием) у медработника пользователя; или вариант 8426 для того, чтобы автоматически добавлять отпускаемые без рецепта (ОТС) терапевтические средства (например, кортизоновый крем, каламиновый лосьон и т.д.) в электронный список покупок пользователя. В вариантах осуществления, в которых информация учетной записи для покупок или в магазине указывается в пользовательской учетной записи(ях)/устройстве(ах), выбор варианта 8426 позволяет автоматически приобретать товар для пользователя и доставлять его на адрес пользователя или задавать его доступным для забирания. В некоторых вариантах осуществления, конкретные терапевтические ОС-средства могут указываться пользователем или медработником. Например, терапевтические ОС-средства могут задаваться через вкладку 8260 лечения, настройки 8115, профиль/медицинские данные 241 (EHR) пользователя (фиг.2) или на основе предыдущих покупок пользователя, которые могут определяться в качестве контекстных данных из модуля 294 определения контекстных данных и/или из пользовательских учетных записей/устройств 248, таких как предыстория покупок или почтовые/электронные чеки пользователя. Как показано на фиг.8D, вариант 8428 может откладывать уведомление 8401 в отношении покраснения на определенный период времени или инициировать функциональность для того, чтобы напоминать пользователю относительно покраснения в будущее время. В некоторых вариантах осуществления, уведомление 8401 в отношении покраснения предоставляется пользователю утром или вечером, чтобы увеличивать вероятность того, что пользователь может предпринимать действия для того, чтобы уменьшать событие покраснения (например, ставить лечение на ночь или планировать время для того, чтобы идти в аптеку или проводить обсуждение с медработником в течение этого дня).

При выборе варианта 8424 ответа, для планирования телеприема, предполагается, что во многих случаях пользователь может не иметь времени на то, чтобы планировать физический (личный) прием после приема уведомления 8 401 в отношении покраснения, до того, как событие покраснения происходит. Следовательно, телеприем, который может включать в себя инициирование видеоконференции с медработником пользователя с использованием камеры на пользовательском вычислительном устройстве 8102а, предоставляет более своевременное решение для пользователя. Тем не менее, некоторые варианты осуществления прогнозирования покраснений могут предсказывать покраснения заранее за несколько недель, и в силу этого физический прием может проводиться в качестве альтернативного решения.

Обращаясь теперь к фиг.8Е, проиллюстрирован другой аспект примерного приложения 8101 монитора расчесов, включающий в себя GUI 8500. GUI 8500 иллюстрирует аспект журнала 8502 регистрации расчесов, который может представлять собой дополнительную или альтернативную иллюстрацию журнала 8201 регистрации расчесов GUI 8100 (описанного на фиг.8А). В частности, GUI 8500 включает в себя календарный вид 8505, который иллюстрирует индикатор 8503 текущей даты (указывающий текущую дату в качестве 27 мая). Календарный вид 8505 также включает в себя индикаторы событий покраснения, включающие в себя индикаторы будущих событий 8510 покраснения (показаны как возникающие 28 мая и 29 мая) и индикатор предыдущих событий 8512 покраснения (показан как возникающий с 5 мая до 7 мая). Некоторые варианты осуществления (не показаны) календарного вида 8505 или GUI 8500 также могут иллюстрировать прошедшие или статистические события на основе того, использует пользователь или не использует лечение, аналогично альтернативным видам предсказания чесотки, описанным в сочетании с фиг.8С.Например, альтернативный вид на основе того, когда пользователь не использует лечение, может показывать дополнительные покраснения, которые пользователь с большой вероятностью испытывает без лечения.

Фиг. 8F иллюстрирует примерную аналитику для обнаружения сна, которая включает в себя цифровые конечные точки сна, которые могут представляться пользователю, через вкладку 8230 диаграмм, как описано в связи с фиг.8 В. В частности, примерная аналитика включает в себя примерную таблицу 8 600, включающую в себя связанные со сном данные 8610 для последовательности дней, включающие в себя общее время 8620 сна (TST), время 8630 во сне в процентах (РТА), бодрствование 8640 после наступления сна (WASO), задержку 8650 наступления сна (SOL) и число 8660 приступов бодрствования (NWB). Примерная аналитика на фиг.8F дополнительно включает в себя набор диаграмм 8700. Диаграммы 8700 включают в себя графические иллюстрации связанных со сном данных, показанных в таблице 8600 для каждого дня из списка 8610 дней. Как показано на фиг.8F, диаграммы 8700 иллюстрируют общее время 8720 сна (TST), время 8730 во сне в процентах (РТА), бодрствование 8740 после наступления сна (WASO), задержку 8750 наступления сна (SOL) и число 8760 приступов бодрствования (NWB). Таблица 8600 и диаграммы 8700 могут представляться пользователю по одной за раз или одновременно.

Фиг. 9А-11М иллюстрируют примерные варианты осуществления компьютерных программных процедур для обнаружения связанных с расчесами и связанных со сном данных для пользователя, как описано в данном документе. В частности, фиг.9A-9I иллюстрируют аспекты примерной компьютерной программы для управления связанными с обнаружением сна и связанными с обнаружением расчесов процедурами. В связи с этим, компьютерная программная процедура на фиг.9A-9I может использоваться для того, чтобы осуществлять способ 400 по фиг.4А, способ 4800 по фиг.4D и/или способ 4001 по фиг.4Е. Фиг. 10A-10I иллюстрируют аспекты примерной компьютерной программы для обнаружения событий расчесывания и связанной информации, которая может использоваться для того, чтобы осуществлять способ 400 по фиг.4А и/или способ 4001 по фиг.4Е. Фиг. 11А-11М иллюстрируют аспекты примерной компьютерной программы для обнаружения связанной со сном информации, включающей в себя полную возможность сна (TSO), которая может использоваться при выполнении некоторых вариантов осуществления этапа 430 на фиг.4А, способа 4300 по фиг.4С и/или способа 4800 по фиг.4D.

Соответственно, предоставляются различные аспекты технологии, направленной на системы и способы для обнаружения расчеса и прогнозирования покраснений. Следует понимать, что различные признаки, субкомбинации и модификации вариантов осуществления, описанных в данном документе, имеют полезность и могут использоваться в других вариантах осуществления безотносительно других признаков или субкомбинаций. Кроме того, порядок и последовательности этапов, показанных в примерных способах или процессе, не имеют намерение каким-либо образом ограничивать объем настоящего раскрытия сущности, и фактически этапы могут возникать во множестве различных последовательностей в рамках вариантов осуществления настоящего документа. Такие вариации и их комбинации также предположительно находятся в пределах объема вариантов осуществления этого раскрытия сущности.

После описания различных реализаций, ниже описывается примерное вычислительное окружение, подходящее для реализации вариантов осуществления раскрытия сущности. Со ссылкой на фиг.12, примерное вычислительное устройство предоставляется и, в общем, называется "вычислительным устройством 1200".

Вычислительное устройство 1200 представляет собой один пример подходящего вычислительного окружения и не имеет намерение налагать ограничения на объем использования или функциональность вариантов осуществления раскрытия сущности. Вычислительное устройство 1200 ни при каких условиях не должно интерпретироваться как имеющее какую-либо зависимость или требование, связанное с каким-либо одним либо с комбинацией проиллюстрированных компонентов.

Варианты осуществления раскрытия сущности могут описываться в общем контексте машинного кода или компьютерно-применимых инструкций, включающих в себя компьютерно-применимые или компьютерно-исполняемые инструкции, к примеру, программные модули, выполняемые посредством компьютера или другой машины, такой как персональное цифровое устройство, смартфон, планшетный PC либо другое карманное или носимое устройство, к примеру, интеллектуальные часы. Обычно, программные модули, включающие в себя процедуры, программы, объекты, компоненты, структуры данных и т.п., означают код, который выполняет конкретные задачи или реализует конкретные абстрактные типы данных. Варианты осуществления раскрытия сущности могут осуществляться на практике во множестве конфигураций систем, включающих в себя карманные устройства, бытовую электронную аппаратуру, компьютеры общего назначения или специализированные вычислительные устройства. Варианты осуществления раскрытия сущности также могут осуществляться на практике в распределенных вычислительных окружениях, в которых задачи выполняются посредством удаленных устройств обработки, которые связаны через сеть связи. В распределенном вычислительном окружении, программные модули могут быть размещены как на локальных, так и на удаленных компьютерных носителях хранения данных, включающих в себя запоминающие устройства.

Со ссылкой на фиг.12, вычислительное устройство 1200 включает в себя шину 1210, которая прямо или косвенно соединяет различные устройства, включающие в себя запоминающее устройство 1212, один или более процессоров 1214, один или более компонентов 1216 представления, один или более портов 1218 ввода-вывода, один или более компонентов 1220 ввода-вывода и иллюстративный источник 1222 мощности. Некоторые варианты осуществления вычислительного устройства 1200 дополнительно могут включать в себя одну или более радиостанций 1224. Шина 1210 представляет одну или более шин (к примеру, адресную шину, шину данных либо комбинацию вышеозначенного). Хотя различные блоки по фиг.12 показаны с линиями для понятности, в реальности, эти блоки представляют логические, а не обязательно фактические компоненты. Например, можно считать, что компонент представления, такой как устройство отображения, должен представлять собой компонент ввода/вывода. Кроме того, процессор может иметь запоминающее устройство. Фиг. 12 иллюстрирует только примерное вычислительное устройство, которое может использоваться в связи с одним или более вариантов осуществления настоящего раскрытия сущности. Различие между такими категориями, как "рабочая станция", "сервер", "переносной компьютер", или "карманное устройство", не проводится, поскольку все из них предположительно находятся в пределах объема фиг.12 и ссылаются на "вычислительное устройство".

Вычислительное устройство 1200 типично включает в себя множество компьютерно-читаемых носителей. Компьютерно-читаемые носители могут представлять собой любые доступные носители, доступ к которым может осуществляться посредством вычислительного устройства 1200, и включают в себя как энергозависимые и энергонезависимые, так и съемные и стационарные носители. В качестве примера, а не ограничения, компьютерно-читаемые носители могут содержать компьютерные носители хранения данных и среды связи. Компьютерные носители хранения данных включают в себя энергозависимые и энергонезависимые, съемные и стационарные носители, реализованные в любом способе или технологи для хранения информации, такой как компьютерно-читаемые инструкции, структуры данных, программные модули или другие данные. Компьютерные носители хранения данных включают в себя, но не только, оперативное запоминающее устройство (RAM), постоянное запоминающее устройство (ROM), электрически стираемое программируемое постоянное запоминающее устройство (EEPROM), флэш-память или другую технологию запоминающих устройств, постоянное запоминающее устройство на компакт-дисках (CD-ROM), универсальные цифровые диски (DVD) или другое устройство хранения данных на оптических дисках, магнитные кассеты, магнитную ленту, устройство хранения данных на магнитных дисках или другие магнитные устройства хранения данных либо любую другую среду, которая может использоваться для того, чтобы сохранять требуемую информацию, и может быть доступной посредством вычислительного устройства 1200. Компьютерные носители хранения данных не содержат сигналы по сути. Среды связи типично осуществляют компьютерно-читаемые инструкции, структуры данных, программные модули или другие данные в модулированном сигнале данных, таком как несущая или другой транспортный механизм, и включают в себя любые среды доставки информации. Термин "модулированный сигнал данных" означает сигнал, который имеет одну или более характеристик, заданных или измененных таким образом, чтобы кодировать информацию в сигнале. В качестве примера, а не ограничения, среды связи включают в себя проводные среды, такие как проводная сеть или прямое проводное соединение, и беспроводные среды, такие как акустические, радиочастотные (RF-), инфракрасные и другие беспроводные среды. Комбинации любых из вышеприведенных элементов также должны быть включены в объем компьютерно-читаемых носителей.

Запоминающее устройство 1212 включает в себя компьютерные носители хранения в форме энергозависимого и/или энергонезависимого запоминающего устройства. Запоминающее устройство может быть съемным, несъемным либо комбинацией означенного. Примерные аппаратные устройства включают в себя, например, полупроводниковое запоминающее устройство, накопители на жестких дисках и накопители на оптических дисках. Вычислительное устройство 1200 включает в себя один или более процессоров 1214, которые считывают данные из различных устройств, к примеру, из запоминающего устройства 1212 или компонентов 1220 ввода-вывода. Компоненты 1216 представления представляют индикаторы данных пользователю или в другое устройство. Примерные компоненты 1216 представления могут включать в себя устройство отображения, динамик, печатающий компонент, вибрирующий компонент и т.п.

Порт(ы) ввода-вывода 1218 обеспечивают возможность вычислительному устройству 1200 логически соединяться с другими устройствами, включающими в себя компоненты 1220 ввода-вывода, некоторые из которых могут быть встроенными. Иллюстративные компоненты включают в себя микрофон, джойстик, игровой планшет, спутниковую антенну, сканер, принтер или беспроводное устройство. Компоненты 1220 ввода-вывода могут предоставлять естественный пользовательский интерфейс (NUI), который обрабатывает воздушные жесты, голос или другие физиологические вводы, сформированные пользователем. В некоторых случаях, вводы могут передаваться в надлежащий сетевой элемент для последующей обработки. NUI может реализовывать любую комбинацию распознавания речи, распознавания касаний и стилуса, распознавания лиц, биометрического распознавания, распознавания жестов (как на экране, так и рядом с экраном), воздушных жестов, слежения за положением головы и глаз и распознавания касаний, ассоциированных с дисплеями на вычислительном устройстве 1200. Вычислительное устройство 1200 может оснащаться камерами с эффектом глубины, к примеру, системами стереоскопических камер, системами камер для съемки в инфракрасном диапазоне, системами RGB-камер и комбинациями означенного, для обнаружения и распознавания жестов. Дополнительно, вычислительное устройство 1200 может быть оснащено акселерометрами или гироскопами, которые обеспечивают обнаружение движения. Вывод акселерометров или гироскопов может предоставляться на дисплей вычислительного устройства 1200, чтобы подготавливать посредством рендеринга иммерсивную дополненную реальность или виртуальную реальность.

Некоторые варианты осуществления вычислительного устройства 1200 могут включать в себя одну или более радиостанций 1224 (либо аналогичных компонентов беспроводной связи). Радиостанции 1224 передают и принимают радио- или беспроводную связь. Вычислительное устройство 120 может представлять собой беспроводной терминал, адаптированный с возможностью принимать связь и мультимедиа по различным беспроводным сетям. Вычислительное устройство 1200 может обмениваться данными через беспроводные протоколы, такие как множественный доступ с кодовым разделением каналов (CDMA), глобальная система мобильной связи (GSM), множественный доступ с временным разделением каналов (TDMA) или другие беспроводные средства, чтобы обмениваться данными с другими устройствами. Радиосвязь может представлять собой соединение ближнего действия, соединение дальнего действия либо комбинацию означенного. В данном документе, типы соединений "ближнего" и "дальнего" действия не означают пространственную взаимосвязь между двумя устройствами. Вместо этого, эти типы соединения, в общем, упоминают ближнее действие и дальнее действие в качестве различных категорий или типов соединений (т.е. в качестве первичного соединения и вторичного соединения). Соединение ближнего действия может включать в себя, в качестве примера, а не ограничения, Wi-Fi®-соединение с устройством (например, мобильной точкой доступа), которое предоставляет доступ к сети беспроводной связи, к примеру, беспроводное локальное вычислительное сетевое (WLAN) соединение с использованием 802.11-протокола; Bluetooth-соединение с другим вычислительным устройством представляет собой другой пример соединения ближнего действия; или связь ближнего радиуса действия. Соединение дальнего действия может включать в себя соединение с использованием, в качестве примера, а не ограничения, одного или более протоколов на основе CDMA, общей службы пакетной радиопередачи (GPRS), GSM, TDMA и 802.16.

Нижеприведенные варианты осуществления представляют примерные аспекты понятий, предполагаемых посредством раскрытия сущности в данном документе. Любые из нижеприведенных вариантов осуществления могут комбинироваться способом, зависящим от других из них, так что они зависят от одного или более других вариантов осуществления. Дополнительно, любая комбинация вариантов осуществления, которые явно зависят от предыдущего варианта осуществления, может комбинироваться при пребывании в пределах объема аспектов, предполагаемых в данном документе. Нижеприведенные варианты осуществления являются иллюстративными по своему характеру, а не ограничивающими.

В некоторых вариантах осуществления, система для предоставления поддержки принятия решений на основе событий расчесывания, к примеру, системы, описанные в любом из вариантов осуществления, раскрытых в данном документе, содержит: процессор; и компьютерное запоминающее устройство, имеющее сохраненные компьютерно-исполняемые инструкции для выполнения операций при выполнении посредством процессора. Операции содержат: прием данных акселерометра для человека; обнаружение перемещения рук с использованием данных акселерометра; использование компьютеризированной классификационной модели, чтобы определять, на основе данных акселерометра, соответствующих перемещению рук, то, что перемещение рук указывает событие расчесывания; и инициирование одного или более ответных действий по меньшей мере на основе определения того, что перемещение рук указывает событие расчесывания. В числе других преимуществ, эти варианты осуществления могут предоставлять оценку зуда с большей точностью и надежностью (по сравнению с традиционными решениями) на основе данных акселерометра, полученных таким образом, чтобы уменьшать нагрузку на пользователя и увеличивать соблюдение требований лечения пользователем. Использование компьютеризированных классификационных моделей с данными акселерометра для того, чтобы обнаруживать события расчесывания, помогает исключать смещение и субъективность, дополнительно повышая точность и надежность. Эти классификаторы помогают предоставлять надежные компьютерные инструментальные средства поддержки принятия решений, которые основаны на обнаруженных данных расчесов, за счет этого улучшая рекомендации для лечения и/или реакции на расчесывание.

В вышеуказанном варианте осуществления системы, операции, выполняемые посредством процессора, выполняющего компьютерно-исполняемые инструкции, дополнительно содержат: формирование многомерных временных рядов из данных акселерометра, соответствующих перемещению рук; и определение множества значений признаков из многомерных временных рядов. Множество значений признаков включают в себя по меньшей мере одно значение признака временной области и по меньшей мере одно значение признака частотной области. Определение того, что перемещение рук представляет собой событие расчесывания, основано на множестве значений признаков.

В любой комбинации вышеуказанных вариантов осуществления системы, данные акселерометра захватываются посредством носимого устройства, расположенного на части тела человека. Например, носимое устройство может быть расположено на запястье, пальце и/или предплечье. Использование носимого устройства позволяет обеспечивать непрерывный (либо полунепрерывный, периодический, по мере необходимости или по мере доступности) захват данных, который является менее интрузивным, чем другие типы мониторинга, что может быть преимущественным при мониторинге людей в совокупностях с типично более низкими степенями соблюдения требований лечения, таких как дети.

В любой комбинации вышеуказанных вариантов осуществления системы, операции, выполняемые посредством процессора, выполняющего компьютерно-исполняемые инструкции, дополнительно содержат определение полной возможности сна на основе данных акселерометра. Полная возможность сна содержит период времени между тем, когда человек ложится в неподвижное состояние, и тем, когда человек встает из неподвижного состояния. Перемещение рук обнаруживается с использованием данных акселерометра, соответствующих полной возможности сна. Таким образом, обнаруженное событие расчесывания может считаться ночным расчесыванием или расчесыванием в течение периода, в который человек намеревается спать. Это обнаружение помогает отслеживать расчесывание в течение времени пикового зуда или даже когда человек не отдает себе отчет в расчесывании. В связи с этим, обнаруженные события расчесывания, в соответствии с вариантами осуществления этого раскрытия сущности, могут предоставлять более точные показатели текущего состояния человека (например, зуда и атопического дерматита).

В любой комбинации вышеуказанных вариантов осуществления системы, данные акселерометра захватываются посредством носимого устройства, имеющего множество датчиков, при этом носимое устройство дополнительно захватывает по меньшей мере одно из данных температуры вокруг тела и данных освещения. Полная возможность сна определяется дополнительно на основе по меньшей мере одного из данных температуры тела вокруг и данных освещения.

В любой комбинации вышеуказанных вариантов осуществления системы, компьютеризированная классификационная модель, используемая для того, чтобы определять то, что перемещение рук указывает событие расчесывания, содержит по меньшей мере одно из ансамбля моделей машинного обучения и классификатора на основе случайного леса. Например, компьютеризированная классификационная модель может представлять собой ансамбль моделей машинного обучения, в которых по меньшей мере одна модель представляет собой классификатор на основе случайного леса. По сравнению с другими подходами к обнаружению расчесов, эти варианты осуществления приводят к результатам, которые являются более интерпретируемыми, по сравнению с подходами на основе рекуррентных нейронных сетей, и в силу этого лучше допускающими модификацию или детализацию для конкретных контекстов. Дополнительно, они могут быть более быстрыми и менее вычислительно ресурсоемкими, чем другие подходы.

В любой комбинации вышеуказанных вариантов осуществления системы, одно или более ответных действий содержат формирование элемента графического пользовательского интерфейса, предоставленного для отображения на пользовательском устройстве. Элемент графического пользовательского интерфейса включает в себя по меньшей мере одно из индикатора одной или более конечных точек расчесывания, содержащих общее число событий расчесывания и общую длительность расчесывания; и индикатора, рекомендующего то, что человек должен обращаться за клинической консультацией, на основе определения того, что перемещение рук указывает событие расчесывания. Конечные точки расчесывания могут представлять новые цифровые конечные точки, которые являются полезными в количественном и объективном измерении зуда или, более конкретно, атопического дерматита. Дополнительно, формирование элемента графического пользовательского интерфейса, чтобы предоставлять отображение на пользовательском устройстве, с индикаторами конечных точек расчесывания и/или рекомендация для клинической консультации поощряет лучшее соблюдение требований лечения для отслеживаемого человека и позволяет врачу принимать обоснованные решения относительно лечения.

В любой комбинации вышеуказанных вариантов осуществления системы, общее число событий расчесывания и общая длительность расчесывания определяются для полной возможности сна, которая определяется на основе данных акселерометра, принимаемых для человека. Полная возможность сна содержит период времени между тем, когда человек ложится в неподвижное состояние, и тем, когда человек встает из неподвижного состояния. Таким образом, обнаруженное событие расчесывания может считаться ночным расчесыванием или расчесыванием в течение периода, в который человек намеревается спать. Это обнаружение помогает отслеживать расчесывание в течение времени пикового зуда или даже когда человек не отдает себе отчет в расчесывании. В связи с этим, обнаруженные события расчесывания, в соответствии с вариантами осуществления этого раскрытия сущности, могут предоставлять более точные показатели текущего состояния человека (например, зуда и атопического дерматита).

В некоторых вариантах осуществления, предоставляется способ для лечения зуда с использованием устройства считывания движения, ассоциированного с исследуемым. Исследуемый может содержать исследуемого человека, для которого ищется лечение зуда. Способ может содержать: прием данных акселерометра, собранных из устройства считывания движения; обнаружение перемещения рук с использованием данных акселерометра; использование компьютеризированной классификационной модели, чтобы определять, на основе данных акселерометра, соответствующих перемещению рук, то, что перемещение рук указывает событие расчесывания; и, на основе по меньшей мере первого определения того, что перемещение рук указывает событие расчесывания, инициирование протокола лечения для исследуемого для лечения зуда. В числе других преимуществ, эти варианты осуществления могут предоставлять оценку зуда с большей точностью и надежностью (по сравнению с традиционными решениями) на основе данных акселерометра, полученных таким образом, чтобы уменьшать нагрузку на пользователя и увеличивать соблюдение требований лечения пользователем. Использование компьютеризированных классификационных моделей с данными акселерометра для того, чтобы обнаруживать события расчесывания, помогает исключать смещение и субъективность, дополнительно повышая точность и надежность. Эти классификаторы помогают предоставлять надежные компьютерные инструментальные средства поддержки принятия решений, которые основаны на обнаруженных данных расчесов, за счет этого улучшая рекомендации для лечения и/или реакции на расчесывание. В связи с этим, эти варианты осуществления могут эффективнее лечить и принимать комплексные меры по борьбе с зудом (в том числе и в форме атопического дерматита), чем традиционные показатели.

В вышеуказанном варианте осуществления способа, инициирование протокола лечения дополнительно основано на множестве определений того, что множество перемещений рук указывают событие расчесывания. Инициирование протокола лечения включает в себя определение по меньшей мере одного из терапевтического агента, дозировки и способа назначения терапевтического агента.

В любой комбинации вышеуказанных вариантов осуществления способа, терапевтический агент выбирается из группы, состоящей из следующего: инфликсимаб, адалимумаб, белимумаб, танезумаб, ранибизумаб, бевацизумаб, меполизумаб, цертолизумаб, натализумаб, устекинумаб, ведолизумаб, 6-меркаптопурин, гидроксихлорохин, обетихолевая кислота, мофетил, микофенолат натрия, лефлуномид, ритуксан, солумедрол, депомедрол, бетаметазон, преднизон, циклоспорин, такролимус, пимекролимус, дупилумаб, омализумаб, тралокинумаб, этокимаб, немолизумаб, тезепелумаб, лебрикизумаб, фезакинумаб, анти-ОХ40, эфализумаб, этанерцепт, кризаборол, флуоцинонид, мапракорат, гидрокортизон, дезонид, алклометазон, триамцинолон, дезоксиметазон, лоратадин, фексофенадин, дезлоратадин, левоцетиризин, метапирилен, цетиризин, будесонид, флутиказон, мометазон, дексаметазон, преднизолон, циклесонид, беклометазон, метотрексат, азатиоприн, аспирин, ибупрофен, целекоксиб, валдекоксиб, WBI-1001 и/или MRX-6, аброцитиниб, барицитиниб, брепоцитиниб, цердулатиниб, децернотиниб, делгоцитиниб, федратиниб, филготиниб, гандотиниб, илгинатиниб, итацитиниб, лестауртиниб, момелотиниб, оклацитиниб, пакритиниб, пефицитиниб, ритлецитиниб, зуксолитиниб, тофацитиниб, упадацитиниб, THRX-212401, PF-07055087, PF-06471658, PF-07055090, ATI-502, BMS-986165, JTE-052, PF-06826647, SNA-152, SHR-0302, тапинароф и/или алитретиноин.

В предпочтительном варианте осуществления любой комбинации вышеуказанных вариантов осуществления, терапевтический агент выбирается из группы, состоящей из следующего: кризаборол и аброцитиниб.

В любой комбинации вышеуказанных вариантов осуществления способа, инициирование назначения протокола лечения включает в себя формирование элемента графического пользовательского интерфейса, предоставленного для отображения на пользовательском устройстве. Элемент графического пользовательского интерфейса указывает рекомендацию протокола лечения на основе первого определения того, что перемещение рук представляет событие расчесывания. Этот вариант осуществления помогает поощрять лучшее соблюдение требований лечения для исследуемого и позволяет врачу принимать обоснованные решения относительно протокола лечения для исследуемого.

В любой комбинации вышеуказанных вариантов осуществления способа, пользовательское устройство является отдельным от устройства считывания движения. Например, пользовательское устройство может представлять собой пользовательское вычислительное устройство, которое является отдельным от устройства считывания движения. Одно преимущество этого варианта осуществления позволяет устройству считывания движения быть более портативным и менее громоздким, поскольку может быть желательным, если дисплей на пользовательском устройстве больше того, что разрешается посредством носимого устройства. Дополнительно, в некоторых аспектах, пользовательское устройство может представлять собой пользовательское устройство врача, и то, что оно является отдельным от устройства считывания движения, обеспечивает возможность сбора данных за пределами клинических условий, за счет этого повышая качество данных и соблюдение требований лечения исследуемым.

В любой комбинации вышеуказанных вариантов осуществления способа, способ дополнительно содержит применение протокола лечения к исследуемому на основе рекомендации.

В любой комбинации вышеуказанных вариантов осуществления способа, устройство считывания движения содержит носимое устройство, носимое на части тела исследуемого. Например, устройство считывания движения может представлять собой носимое устройство, носимое на пальце, запястье или предплечье исследуемого. Использование носимого устройства позволяет обеспечивать непрерывный (либо полунепрерывный, периодический, по мере необходимости или по мере доступности) захват данных, который является менее интрузивным, чем другие типы мониторинга, что может быть преимущественным при мониторинге людей в совокупностях с типично более низкими степенями соблюдения требований лечения, таких как дети.

В любой комбинации вышеуказанных вариантов осуществления способа, исследуемый диагностируется с атопическим дерматитом на основе определения того, что перемещение рук указывает событие расчесывания, и протокол лечения предназначен для лечения атопического дерматита.

В некотором варианте осуществления, один или более компьютерных носителей хранения данных имеют осуществленные компьютерно-исполняемые инструкции, которые, при выполнении посредством одного или более процессоров, инструктируют одному или более процессоров выполнять операции. Операции содержат: прием данных акселерометра для исследуемого; и инструктирование отображения, на пользовательском устройстве, одной или более конечных точек расчесывания для исследуемого на основе определения того, что одно или более перемещений рук, обнаруженных из данных акселерометра, указывают события расчесывания. Исследуемый может содержать исследуемого человека, для которого ищется лечение зуда. В числе других преимуществ, эти варианты осуществления могут предоставлять оценку зуда с большей точностью и надежностью (по сравнению с традиционными решениями) на основе данных акселерометра, полученных таким образом, чтобы уменьшать нагрузку на пользователя и увеличивать соблюдение требований лечения пользователем. Использование компьютеризированных классификационных моделей с данными акселерометра для того, чтобы обнаруживать события расчесывания, помогает исключать смещение и субъективность, дополнительно повышая точность и надежность. Эти классификаторы помогают предоставлять надежные компьютерные инструментальные средства поддержки принятия решений, которые основаны на обнаруженных данных расчесов, за счет этого улучшая рекомендации для лечения и/или реакции на расчесывание. Дополнительно, конечные точки расчесывания могут представлять новые цифровые конечные точки, которые являются полезными в количественном и объективном измерении зуда или, более конкретно, атопического дерматита. Элемент графического пользовательского интерфейса, предоставленный для отображения на пользовательском устройстве с индикаторами конечных точек расчесывания, поощряет лучшее соблюдение требований лечения для отдельного отслеживания и позволяет врачу принимать обоснованные решения относительно лечения.

В вышеуказанном варианте осуществления компьютерных носителей хранения данных, данные акселерометра принимаются из одного или более датчиков, интегрированных в носимое устройство, которое функционально соединяется с пользовательским устройством. Использование носимого устройства позволяет обеспечивать непрерывный (либо полунепрерывный, периодический, по мере необходимости или по мере доступности) захват данных, который является менее интрузивным, чем другие типы мониторинга, что может быть преимущественным при мониторинге людей в совокупностях с типично более низкими степенями соблюдения требований лечения, таких как дети.

В любой комбинации вышеуказанных вариантов осуществления компьютерных носителей хранения данных, данные акселерометра захватываются посредством датчиков, интегрированных в первое носимое устройство и второе носимое устройство, носимые одновременно исследуемым.

В любой комбинации вышеуказанных вариантов осуществления компьютерных носителей хранения данных, операции дополнительно содержат инструктирование отображать, на пользовательском устройстве, протокол лечения для исследуемого для лечения атопического дерматита, причем протокол лечения основан на одной или более конечных точек расчесывания.

Множество проиллюстрированных различных компоновок различных компонентов, а также непоказанных компонентов являются возможными без отступления от нижеприведенного объема формулы изобретения. Варианты осуществления раскрытия сущности описываются с намерением быть иллюстративными, а не ограничивающими. Альтернативные варианты осуществления должны становиться очевидными для читателей этого раскрытия сущности после и вследствие его прочтения. Альтернативные средства реализации вышеуказанного могут завершаться без отступления от нижеприведенного объема формулы изобретения. Определенные признаки и субкомбинации имеют полезность и могут использоваться независимо от других признаков и субкомбинаций и предполагаются в пределах объема формулы изобретения.

Похожие патенты RU2818831C1

название год авторы номер документа
СИСТЕМА И СПОСОБ ДЛЯ ИСПОЛЬЗОВАНИЯ ПРИ СОДЕЙСТВИИ ПОЛЬЗОВАТЕЛЮ В СОСРЕДОТОЧЕНИИ НА ВЫПОЛНЕНИИ ДЕЙСТВИЙ В ОТНОШЕНИИ ЛИЧНОЙ ГИГИЕНЫ 2017
  • Лоренсон, Мэттью, Джон
  • Бейл, Винсентиус, Паулус
  • Гертс, Лукас, Якобус, Франсискус
RU2762556C2
СПОСОБЫ И УСТРОЙСТВО ДЛЯ ЗАПУСКА И УПРАВЛЕНИЯ ОСВЕТИТЕЛЬНЫМИ БЛОКАМИ И СВЕТИЛЬНИКАМИ С СЕНСОРНЫМ УПРАВЛЕНИЕМ И С УПРАВЛЕНИЕМ ЖЕСТАМИ 2015
  • Ньютон Филип Стивен
  • Деккер Тим
  • Клаут Рамон Антуан Виро
  • Аляксеев Дмитрий Викторович
  • Лашина Татьяна Александровна
  • Энгелен Дирк Велентинус Рене
RU2689148C2
СИСТЕМА И СПОСОБ ОПРЕДЕЛЕНИЯ ЦЕЛЕВОЙ ТЕМПЕРАТУРЫ СРЕДСТВА ВЗАИМОДЕЙСТВИЯ С СУБЪЕКТОМ НА ОСНОВАНИИ БАЗОВОЙ ТЕМПЕРАТУРЫ 2013
  • Вински Джеффри Роналд
  • Домбровски Мл. Ричард Чарльз
  • Майерс Дэвид Джон
  • Муссаллем Майкл Джозеф
  • Бауэн Кевин Майкл
  • Бунофски Брайан Джон
  • Джованнелли Бенджамин Альфред
  • Дасбах Джейсон Хаурис
RU2631185C2
НОСИМОЕ ЭЛЕКТРОННОЕ УСТРОЙСТВО 2013
  • Мистри Пранав
  • Сади Саджид
  • Омилер Кертис Дуглас
  • Вэй Чэнюань
RU2614575C2
АДАПТИВНОЕ РАСПОЗНАВАНИЕ СОБЫТИЙ 2014
  • Акерман, Нейтан
  • Финоккио, Марк Дж.
  • Ходж, Эндрю Берт
RU2684189C2
ЖЕСТОВОЕ УПРАВЛЕНИЕ ДЛЯ ОТСЛЕЖИВАНИЯ ПОКАЗАТЕЛЕЙ ЖИЗНЕДЕЯТЕЛЬНОСТИ 2011
  • Тен Кате Уорнер Рудольф Теофиль
RU2584459C2
Электронная офтальмологическая линза с отслеживанием сна 2016
  • Пью Рэндалл Б.
  • Флитш Фредерик А.
  • Тонер Адам
RU2663492C2
СПОСОБЫ И СИСТЕМЫ ДЛЯ ИЗВЛЕЧЕНИЯ ХАРАКТЕРИСТИК ЧИСТЯЩЕГО ДВИЖЕНИЯ ПОЛЬЗОВАТЕЛЯ, ИСПОЛЬЗУЮЩЕГО УСТРОЙСТВО ДЛЯ ГИГИЕНЫ ПОЛОСТИ РТА, ВКЛЮЧАЮЩЕЕ В СЕБЯ ПО МЕНЬШЕЙ МЕРЕ ОДИН АКСЕЛЕРОМЕТР ДЛЯ ОБЕСПЕЧЕНИЯ ОБРАТНОЙ СВЯЗИ ПОЛЬЗОВАТЕЛЮ 2016
  • Жанн Винсент
  • Хардеман Тун
  • Ден Хамер Арьен
  • Обребски Ян Войцех
  • Эдвардс Мартин Джон
  • Мерк Алекс
RU2721944C2
СПОСОБЫ ДЛЯ ИНИЦИИРОВАНИЯ КОНЕЧНЫХ АВТОМАТОВ В ОТВЕТ НА СОБЫТИЯ КАСАНИЯ, ОБНАРУЖЕННЫЕ В БЫТОВЫХ УСТРОЙСТВАХ 2015
  • Лашина Татьяна Александровна
  • Ньютон Филип Стивен
  • Ван Де Слеис Бартел Маринус
  • Аляксеев Дмитрий Викторович
  • Энгелен Дирк Валентинус Рене
  • Деккер Тим
RU2685976C2
ВВОД ЖЕСТА ПОЛЬЗОВАТЕЛЕМ НА НОСИМОМ ЭЛЕКТРОННОМ УСТРОЙСТВЕ, ВКЛЮЧАЮЩИЙ В СЕБЯ ДВИЖЕНИЕ УСТРОЙСТВА 2013
  • Мистри Пранав
  • Сади Саджид
  • Яо Линин
  • Снейвли Джон
RU2623805C2

Иллюстрации к изобретению RU 2 818 831 C1

Реферат патента 2024 года КОМПЬЮТЕРИЗИРОВАННОЕ ИНСТРУМЕНТАЛЬНОЕ СРЕДСТВО ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ И МЕДИЦИНСКОЕ УСТРОЙСТВО ДЛЯ ОБНАРУЖЕНИЯ РАСЧЕСОВ И ПРОГНОЗИРОВАНИЯ ПОКРАСНЕНИЙ

Группа изобретений относится к компьютеризированному инструментальному средству поддержки принятия решений для обнаружения расчесов и прогнозирования покраснений. Предложена система, содержащая машиночитаемый носитель, для реализации способа, которая содержит: процессор; и компьютерное запоминающее устройство, имеющее сохраненные компьютерно-исполняемые инструкции для выполнения операций при выполнении посредством процессора, причем операции содержат: прием данных акселерометра для человека; обнаружение перемещения рук с использованием данных акселерометра; использование компьютеризированной классификационной модели, чтобы определять, на основе данных акселерометра, соответствующих перемещению рук, то, что перемещение рук указывает событие расчесывания; и инициирование одного или более ответных действий на основе по меньшей мере определения того, что перемещение рук указывает событие расчесывания, при этом операции, выполняемые посредством процессора, выполняющего компьютерно-исполняемые инструкции, содержат определение полной возможности сна на основе данных акселерометра, причем полная возможность сна содержит период времени между тем, когда человек ложится в неподвижное состояние, и тем, когда человек встает из неподвижного состояния, при этом перемещение рук обнаруживается с использованием данных акселерометра, соответствующих полной возможности сна, причем данные акселерометра захватываются посредством носимого устройства, имеющего более одного датчиков, при этом носимое устройство дополнительно захватывает по меньшей мере одно из данных температуры вокруг тела и данных освещения, причем полная возможность сна определяется дополнительно на основе по меньшей мере одного из данных температуры вокруг тела и данных освещения. Группа изобретений обеспечивает обнаружение расчесов и прогнозирование покраснений. 3 н. и 15 з.п. ф-лы, 59 ил.

Формула изобретения RU 2 818 831 C1

1. Система для предоставления поддержки принятия решений на основе событий расчесывания, при этом система содержит: процессор; и компьютерное запоминающее устройство, имеющее сохраненные компьютерно-исполняемые инструкции для выполнения операций при выполнении посредством процессора, причем операции содержат: прием данных акселерометра для человека; обнаружение перемещения рук с использованием данных акселерометра; использование компьютеризированной классификационной модели, чтобы определять, на основе данных акселерометра, соответствующих перемещению рук, то, что перемещение рук указывает событие расчесывания; и инициирование одного или более ответных действий на основе по меньшей мере определения того, что перемещение рук указывает событие расчесывания,

при этом операции, выполняемые посредством процессора, выполняющего компьютерно-исполняемые инструкции, содержат определение полной возможности сна на основе данных акселерометра, причем полная возможность сна содержит период времени между тем, когда человек ложится в неподвижное состояние, и тем, когда человек встает из неподвижного состояния, при этом перемещение рук обнаруживается с использованием данных акселерометра, соответствующих полной возможности сна,

причем данные акселерометра захватываются посредством носимого устройства, имеющего более одного датчиков, при этом носимое устройство дополнительно захватывает по меньшей мере одно из данных температуры вокруг тела и данных освещения, причем полная возможность сна определяется дополнительно на основе по меньшей мере одного из данных температуры вокруг тела и данных освещения.

2. Система по п. 1, в которой операции, выполняемые посредством процессора, выполняющего компьютерно-исполняемые инструкции, дополнительно содержат: формирование многомерных временных рядов из данных акселерометра, соответствующих перемещению рук; и определение более одного значений признаков из многомерных временных рядов, причем более одного значений признаков включают в себя по меньшей мере одно значение признака временной области и по меньшей мере одно значение признака частотной области, при этом определение того, что перемещение рук представляет собой событие расчесывания, основано на более одного значениях признаков.

3. Система по п. 1, в которой данные акселерометра захватываются посредством носимого устройства, расположенного на части тела человека.

4. Система по п. 1, в которой компьютеризированная классификационная модель, используемая для того, чтобы определять то, что перемещение рук указывает событие расчесывания, содержит по меньшей мере одно из ансамбля моделей машинного обучения и классификатора на основе случайного леса.

5. Система по п. 1, в которой одно или более ответных действий содержат формирование элемента графического пользовательского интерфейса, предоставленного для отображения на пользовательском устройстве, причем элемент графического пользовательского интерфейса включает в себя по меньшей мере одно из: индикатора одной или более конечных точек расчесывания, содержащих общее число событий расчесывания и общую длительность расчесывания; и индикатора, рекомендующего то, что человек должен обращаться за клинической консультацией, на основе определения того, что перемещение рук указывает событие расчесывания.

6. Система по п. 5, в которой общее число событий расчесывания и общая длительность расчесывания определяются для полной возможности сна, которая определяется на основе данных акселерометра, принимаемых для человека, причем полная возможность сна содержит период времени между тем, когда человек ложится в неподвижное состояние, и тем, когда человек встает из неподвижного состояния.

7. Способ для лечения зуда с использованием устройства считывания движения, ассоциированного с исследуемым, при этом способ содержит этапы, на которых: принимают данные акселерометра, собранные из устройства считывания движения; обнаруживают перемещение рук с использованием данных акселерометра; используют компьютеризированную классификационную модель для того, чтобы определять, на основе данных акселерометра, соответствующих перемещению рук, то, что перемещение рук указывает событие расчесывания; и на основе по меньшей мере первого определения того, что перемещение рук указывает событие расчесывания, инициируют протокол лечения для исследуемого для лечения зуда,

при этом операции, выполняемые посредством процессора, выполняющего компьютерно-исполняемые инструкции, дополнительно содержат определение полной возможности сна на основе данных акселерометра, причем полная возможность сна содержит период времени между тем, когда человек ложится в неподвижное состояние, и тем, когда человек встает из неподвижного состояния, при этом перемещение рук обнаруживается с использованием данных акселерометра, соответствующих полной возможности сна,

причем данные акселерометра захватываются посредством носимого устройства, имеющего более одного датчиков, при этом носимое устройство дополнительно захватывает по меньшей мере одно из данных температуры вокруг тела и данных освещения, причем полная возможность сна определяется дополнительно на основе по меньшей мере одного из данных температуры вокруг тела и данных освещения.

8. Способ по п. 7, в котором инициирование протокола лечения дополнительно основано на более одного определений того, что каждое из более одного перемещений рук указывает событие расчесывания, и при этом инициирование протокола лечения включает в себя этап, на котором определяют по меньшей мере одно из терапевтического агента, дозировки и способа назначения терапевтического агента.

9. Способ по п. 8, в котором терапевтический агент выбирается из группы, состоящей из следующего: инфликсимаб, адалимумаб, белимумаб, танезумаб, ранибизумаб, бевацизумаб, меполизумаб, цертолизумаб, натализумаб, устекинумаб, ведолизумаб, 6-меркаптопурин, гидроксихлорохин, обетихолевая кислота, мофетил, микофенолат натрия, лефлуномид, ритуксан, солумедрол, депомедрол, бетаметазон, преднизон, циклоспорин, такролимус, пимекролимус, дупилумаб, омализумаб, тралокинумаб, этокимаб, немолизумаб, тезепелумаб, лебрикизумаб, фезакинумаб, анти-OX40, эфализумаб, этанерцепт, кризаборол, флуоцинонид, мапракорат, гидрокортизон, дезонид, алклометазон, триамцинолон, дезоксиметазон, лоратадин, фексофенадин, дезлоратадин, левоцетиризин, метапирилен, цетиризин, будесонид, флутиказон, мометазон, дексаметазон, преднизолон, циклесонид, беклометазон, метотрексат, азатиоприн, аспирин, ибупрофен, целекоксиб, валдекоксиб, WBI-1001 и/или MRX-6, аброцитиниб, барицитиниб, брепоцитиниб, цердулатиниб, децернотиниб, делгоцитиниб, федратиниб, филготиниб, гандотиниб, илгинатиниб, итацитиниб, лестауртиниб, момелотиниб, оклацитиниб, пакритиниб, пефицитиниб, ритлецитиниб, зуксолитиниб, тофацитиниб, упадацитиниб, THRX-212401, PF-07055087, PF-06471658, PF-07055090, ATI-502, BMS-986165, JTE-052, PF-06826647, SNA-152, SHR-0302, тапинароф и/или алитретиноин.

10. Способ по п. 8, в котором терапевтический агент выбирается из группы, состоящей из следующего: кризаборол и аброцитиниб.

11. Способ по п. 7, в котором инициирование назначения протокола лечения включает в себя этап, на котором формируют элемент графического пользовательского интерфейса, предоставленный для отображения на пользовательском устройстве, причем элемент графического пользовательского интерфейса указывает рекомендацию протокола лечения на основе первого определения того, что перемещение рук представляет событие расчесывания.

12. Способ по п. 11, в котором пользовательское устройство является отдельным от устройства считывания движения, и при этом устройство считывания движения содержит носимое устройство, носимое на части тела человека.

13. Способ по п. 11, дополнительно содержащий этап, на котором применяют протокол лечения к исследуемому на основе рекомендации.

14. Способ по п. 7, в котором исследуемый диагностируется с атопическим дерматитом на основе определения того, что перемещение рук указывает событие расчесывания, и при этом протокол лечения предназначен для лечения атопического дерматита.

15. Компьютерный носитель хранения данных, имеющий воплощенные на нем компьютерно-исполняемые инструкции, которые, при выполнении посредством одного или более процессоров, инструктируют одному или более процессоров выполнять операции, содержащие: прием данных акселерометра для исследуемого; и инструктирование отображения, на пользовательском устройстве, одной или более конечных точек расчесывания для исследуемого на основе определения того, что одно или более перемещений рук, обнаруженных из данных акселерометра, указывают события расчесывания,

при этом операции, выполняемые посредством процессора, выполняющего компьютерно-исполняемые инструкции, дополнительно содержат определение полной возможности сна на основе данных акселерометра, причем полная возможность сна содержит период времени между тем, когда человек ложится в неподвижное состояние, и тем, когда человек встает из неподвижного состояния, при этом перемещение рук обнаруживается с использованием данных акселерометра, соответствующих полной возможности сна,

причем данные акселерометра захватываются посредством носимого устройства, имеющего более одного датчиков, при этом носимое устройство дополнительно захватывает по меньшей мере одно из данных температуры вокруг тела и данных освещения, причем полная возможность сна определяется дополнительно на основе по меньшей мере одного из данных температуры вокруг тела и данных освещения.

16. Компьютерный носитель хранения данных по п. 15, в котором данные акселерометра принимаются из одного или более датчиков, интегрированных в носимое устройство, которое функционально соединяется с пользовательским устройством.

17. Компьютерный носитель хранения данных по п. 15, в котором данные акселерометра захватываются посредством датчиков, интегрированных в первое носимое устройство и второе носимое устройство, носимые одновременно исследуемым.

18. Компьютерный носитель хранения данных по п. 15, в котором операции дополнительно содержат инструктирование отображать, на пользовательском устройстве, протокол лечения для исследуемого для лечения атопического дерматита, причем протокол лечения основан на одной или более конечных точек расчесывания.

Документы, цитированные в отчете о поиске Патент 2024 года RU2818831C1

US 2018228427 А1, 16.08.2018
US 5834409 А, 10.11.1998
US 20190027480 A1, 04.06.2019
JP 2016209404 A, 15.12.2016
СПОСОБ ПРОГНОЗИРОВАНИЯ СТЕПЕНИ ТЯЖЕСТИ АТОПИЧЕСКОГО ДЕРМАТИТА У ДЕТЕЙ С СОПУТСТВУЮЩИМ ДИСБАКТЕРИОЗОМ КИШЕЧНИКА 2018
  • Зайнуллина Олеся Николаевна
  • Хисматуллина Зарема Римовна
  • Печкуров Дмитрий Владимирович
  • Лямин Артем Викторович
RU2692803C1

RU 2 818 831 C1

Авторы

Махадеван, Нихил

Ди, Цзюньжуй

Христакис, Йиоргос Периклес

Пател, Шьямал

Даты

2024-05-06Публикация

2021-06-23Подача