【论文阅读】A Survey of Challenges and Opportunities in Sensing and Analytics for Risk Factors of Cardiova

论文阅读:A Survey of Challenges and Opportunities in Sensing and Analytics
for Risk Factors of Cardiovascular Disorders

摘要

在美国，近三分之一的死亡是由心血管疾病引起的。这些疾病的短期和长期护理通常在短期环境下确定。然而，这些决定是用最少的纵向和长期数据做出的。为了克服这种对急性护理环境数据的偏见，需要改善心血管患者的纵向监测。纵向监测可以更全面地了解患者的健康状况，以便作出知情的决定。这项工作对心血管疾病远程健康监测领域的传感和机器学习进行了调查。我们强调了设计新的智能健康技术的三个需求:(1)需要传感技术来跟踪心血管疾病的纵向趋势，尽管不频繁、嘈杂或缺失数据测量;(2)需要以纵向、持续的方式设计新的分析技术，以帮助开发新的风险预测技术和跟踪疾病进展;(3)对个性化和可解释的机器学习技术的需求，从而促进临床决策的进步。我们根据智能健康技术和分析技术的最新发展状况强调这些需求。然后，我们讨论解决这些需求的机会，发展智能健康技术的心血管疾病和护理领域。

一、介绍

医院的短期监测能够辅助疾病诊断，但若能实现长期的监测，使用便携式设备实时监控相关特征则可以很好的预防疾病的发生。本调查中，我们将监测风险因素以预防选定心血管疾病的原发性或继发性复发不良事件的需求和机会分为遥感与分析发展相结合的关键技术领域:(1)我们将讨论不同的传感方式,或可以应用在远程设置跟踪心脏健康,(2)我们认为,先进的分析策略的机会现在与收购遥感数据进行风险建模、(3)我们讨论需求和进步的机会在临床模型使用机器学习技术,通过更新的深度学习技术，纵向监测和可解释性方面的进步成为可能。随着心脏病理的显现，它们也可以通过身体的物理变化间接观察到，可能通过身体上或周围的传感器测量。这些变化可用于跟踪患者健康状况，计划干预措施，最大限度地改善患者健康，并减少疾病的总体影响。
为了及时有效地进行干预，并迅速评估这些干预的影响，先进信号处理和机器学习技术的发展需要与原始传感器模式的发展保持同步。这篇文章提出了关于监测心血管疾病关键风险因素的最先进的传感技术和分析的调查，以突出成功和提供额外增长的领域。在任何一种情况下，传感和临床特征都必须结合起来，在机器学习方法的帮助下进行决策支持。
其余的工作组织如下。第二节介绍心血管疾病、常见的危险因素以及对这些疾病进行远程和动态监测的需求。本节提供了临床任务的焦点，并描述了如何将特定的案例研究概括为共同的危险因素和结果。然后本文提供的当前状态的描述技术,剩余的需求(技术差距),和技术进步的机会在端到端智能卫生系统为满足临床需求,讨论设计传感(第三节),分析传感系统(4节),和临床分析模型生成的数据的患者和提供者使用(第五节)。最后,第六节提供了一个讨论和结论。

二、个案研究及需求

图1 为监测心血管疾病危险因素的患者开发个性化、远程临床决策支持工具的工作流程概述。需求分为三类:传感器开发和数据处理的需求，持续数据收集和分析的需求，以及开发全面和个性化分析模型的需求。解决这三类问题将有助于为患者提供更好的个性化远程临床决策支持，并设计用于临床建模的端到端智能健康系统。

本研究考虑了与心血管疾病诊断和治疗相关的原发性不良事件和二次复发不良事件的危险因素。列出的一些慢性疾病可能有不同的治疗模式;然而，导致最初事件的潜在风险因素有显著的重叠。为了强调这一点，我们考虑了几种情况，即心衰、冠状动脉疾病(CAD)、急性心肌梗死(AMI)和中风。特别是，我们将中风作为一种疾病，因为主要的危险因素本质上是心血管疾病，即使之后的治疗往往由神经学家负责。在这个部分，我们提供条件和他们的可测量的因素的简要概述，并提供定义和缩写使用整个手稿。表1提供了本节的关键术语和定义的列表。
心力衰竭是一种典型的慢性疾病，心脏无法充分推动血液在体内流动，或者只能在具有破坏性的高压下才能做到这一点。心衰是一种使人衰弱的疾病，它会导致严重的全球疾病负担。2016年，HF是世界上增长最快的心血管疾病[210]。当血液流经冠状动脉(向心脏供血的小动脉)时，冠心病就会发生。当冠状动脉内斑块形成时，这种情况会逐渐发生，当斑块破裂并凝结时也会突然发生。前者会导致胸痛和运动耐受不良，而后者通常被称为心肌梗死(MI)，可导致剧烈疼痛、意识丧失和死亡。每年大约有80万美国人发生急性心肌梗塞，急性心肌梗塞后的快速治疗是降低长期发病率和死亡率的主要预测因素[92,121,133]。中风是任何影响大脑血管的疾病。特别是，急性中风是一种当大脑中的血管破裂或其中一条血管阻塞时发生的情况。中风的症状是突然出现神经功能障碍其中的一个可能是不可逆转的。中风是美国第五大死亡原因，也是[22]长期残疾的主要原因。
2.1 临床条件
介绍了HF和CAD等临床疾病的病理，最后总结上述所有疾病的一个共同的关键危险因素是高血压(HTN)。过测量血压和识别HTN患者，我们可以认为HTN是一种疾病状态，并可能发展到本研究中列出的其他疾病，同时也同样认为它是这些疾病可衡量的危险因素。
2.2需要监测心血管疾病的体征和症状
图2说明了本调查将讨论的三个主要需求:(1)对传感技术的需求，该技术追踪在识别心血管疾病风险方面重要措施的纵向趋势，尽管不频繁、嘈杂或缺少数据测量;(2)需要以纵向、持续的方式设计新的分析技术，以帮助开发新的风险预测技术和跟踪疾病进展;(3)对个性化和可解释的机器学习技术的需求，从而促进临床决策的进步。心衰、冠心病和中风有许多不同的体征和症状。本节的其余部分将简要介绍一些常见的体征和症状。在这里，症状是由疾病引起的变化，病人可以注意到这种变化，而且可能对病人有刺激作用，而征兆则是病人可能没有注意到的变化，或者病人可能并不关心的变化。

心衰的症状是由于血流量不足和过多的液体积聚。与心衰诊断及严重程度量化相关的三个主要症状是:用力时呼吸困难(气短);夜间突发性、窒息性呼吸困难;躺下时呼吸困难。在左侧心衰患者中，肺静脉压力增加，导致肺部积液(肺水肿)，躺下时病情加重。右侧心衰患者，全身静脉充血导致周围积水(外周水肿)，直立时加重，导致手腕和脚踝明显肿胀。心衰很难精确定义，因为它是一种由许多不同心脏疾病引起的临床综合征，并且存在许多变体。因此，试图了解心衰并监测其进展必须把重点放在识别症状和识别心脏功能障碍上。可测量的症状包括外周水肿(脚踝肿胀，体重快速增加)，活动减少，和保持直立时的呼吸模式变化。肾脏血流量的变化导致白天排尿量减少，晚上排尿量增加。因此，心衰患者常常在夜间频繁起床。这些患者在夜间也可能改变体位，晚期心衰患者需要直立睡眠。纽约心脏协会(NYHA)功能分类是HF最常用的分类方案之一[102]。在这个分类方案中，根据患者能够完成的体育活动和体育活动导致的不适来划分班级。I类是指没有任何症状出现，IV类是指患者在没有不适的情况下无法进行任何体育活动，而且心力衰竭的症状从未缓解。可以看出，各种传感模式可以用于跟踪心衰的体征和症状，包括测量外周血流量、呼吸速率、运动能力和睡眠时的姿势。这说明了对能够测量这些不同症状的新传感器的需求。然而，由于用户负担过重，并不是每个传感器都可以一直佩戴。因此，需要新的传感模式来跟踪捕获数据的不同模式和趋势，以及迁移学习技术，以适应估计传感器可能出现故障或没有佩戴的值。
如果选择了正确的传感器，并设计成纵向佩戴，就可能检测到新的体征和症状的模式和趋势。例如，在CAD中，限制冠状动脉血流可能导致一种称为稳定型心绞痛(SA)的情况。然而，随着疾病的发展，限制血流的速度可能会改变。在某种程度上，对SA的限制可能会迅速增加，造成患者急需医疗护理的情况。这种进展最常见的方式是脂肪斑块破裂，导致血栓形成，阻碍血液流动。这一点之后的第一个疾病是不稳定心绞痛(UA)。当限制增加到部分闭塞时，患者会感到胸痛，无活动时加重或休息后也不能缓解。稳定型和不稳定型心绞痛患者的表现相似。一般来说，病人会有胸痛发作，持续3到10分钟，但可能持续30分钟。这种疼痛可放射到下巴、脖子、肩膀或手臂。病人可能会感到呼吸短促，也可能会感到恶心。如果病人服用一种叫硝化甘油的药物，疼痛应在1至3分钟内消失。在UA，损害仍然是可逆的，但紧急需要进行干预，以确保疾病不会恶化。如果UA进展，它将发展为一种通常称为心脏病发作的情况，或者在医学术语中称为MI。MI有两种类型:非st段抬高型MI (NSTEMI)和st段抬高型MI (STEMI)。在NSTEMI，一些心脏肌肉已经开始死亡，因此至少一些损伤是不可逆转的。在STEMI中，血流在某一时刻完全阻塞，大量心脏肌肉开始死亡。NSTEMI和STEMI的特点在于心电图;在STEMI患者中，某些导联ST段抬高高于基线，而NSTEMI患者不存在这种抬高。显示这种变化的导线反映了受心肌梗死影响的心脏面积。这证明了第二个需要，即可以识别疾病进展的连续信号的纵向监测，以及可以解释个人进展和这种进展的不同速率的机器学习技术。

为了预防诸如卒中等在主要不良事件发生后由神经学家进行治疗的情况，有必要对已知的心血管危险因素进行干预，如HTN，它可以以多种方式导致卒中。过高的血压会增加出血性中风的风险，因为大脑中的血管可能无法承受更高的血压。此外，慢性HTN是缺血性脑卒中的主要危险因素。诊断HTN需要反复测量血压(持续性HTN)，通过测量动态血压。必须确定各种血压升高的原因,包括白色外套HTN(当血压升高在访问医生但正常测量在家里设置),蒙面HTN定期(当血压升高但发现正常访问医生)期间,在血压的变化和评价睡眠与清醒时夜间不下降(HTN)。HTN通常不会表现出任何症状，因为身体非常善于掩盖这种压力的感觉。虽然高血压通常与压力、头痛或头晕有关，但这些症状通常不是由慢性HTN引起的。HTN的主要症状(也是部分诊断标准)是血压升高。为了诊断，至少需要在两种不同的情况下测量血压超过120/80 mmHg。最近,指南建议测量血压与动态血压监测24小时,白天每15分钟测量血压,每30分钟晚上睡眠时,使用平均值和有一个更好的理解病人的血压[61]。这种持续的抬高可能导致动脉硬化，降低动脉顺应性。此外，随着时间的推移，这种慢性升高可能导致心电图或视网膜改变上的左心室肥厚。大多数HTN患者大多无症状，包括临床表现为血压升高。当HTN的症状确实表现出来时，它们主要是由慢性血压升高导致的器官损害引起的。长期血压升高会导致心脏损伤，因为心脏必须比正常工作更努力才能产生这些血压升高。随着心脏质量的增加和效率的降低，这可能导致心衰，或者由于心脏质量的增加需要增加心肌供氧，导致冠心病。长期血压升高也会导致动脉损伤。这会导致动脉粥样硬化，斑块的堆积会损害冠状动脉，导致冠心病，或大脑动脉，导致中风。动脉壁的衰弱会导致肾脏疾病或视网膜疾病。高级HTN可引起肉眼可见的眼睛病变。近年来，高血压的定义发生了变化，SPRINT试验表明，积极治疗血压<120/< 80mmhg可降低死亡率[62]。从新的传感模式测量血压的潜力可以使分析技术识别HTN病例和评估药物降低血压的有效性，如SPRINT试验。这说明第三需要,机器学习技术,不断从新的传感采集的数据训练模式(前两种需求),必须提供可操作的,可估计的迹象,症状,和疾病的进展,以帮助指导治疗决策和评估治疗效果在心血管疾病的诊断和治疗和康复评估不良心血管事件。

表2列出了目前适用于跟踪这三种心血管疾病的一些风险因素的商业设备。大多数设备使用基于光的传感来跟踪心率和脉搏氧合，还有一些具有额外的传感功能。在接下来的章节中，我们将探索与每个临床需求相关的技术的最新状态，突出当前可用的商业解决方案之外的研究进展。这项调查审查了可用的技术和差距仍在解决需求，并强调了智能健康领域的研究人员设计影响临床决策问题的解决方案的机会。

3.新的传感器、纵向捕获的趋势、丢失的数据和传感器的选择

需要新的传感技术来捕捉急性数据并检测感知数据随时间的变化，以测量作为HF、CAD和中风危险因素的重要体征和症状。每种疾病都有一系列相似的危险因素，以及通过身体的各种变化表现出来的独特迹象和症状。对于心衰，不适当的血流量可能导致液体滞留(水肿)在肺或周围，以及导致心脏重塑的迹象。心脏重构可通过第三心音和第四心音(S3和S4)，以及体检时心脏最大脉冲(PMI)侧位或下位移位点来证明;可以感觉到心跳最强烈的地方会向下移动到胸腔的左侧。检测血液流动不正常的一种方式是四肢会比正常温度低。在CAD中，稳定型和不稳定型心绞痛通常会导致患者感到的身体疼痛，可能持续30分钟，在胸部也可能放射到下巴、颈部和手臂。患者的心率和血压最初会升高，尽管这些在NSTEMI和STEMI患者中可能会降低，因为心脏不能进行最佳手术。病人会呼吸得更快，也会更加努力地呼吸。另外，用听诊器也可以听到异常的声音。在每个肺的后基部也可能听到罗音(一种不正常的肺音)。胸痛时，心电图显示st段下降，但这将改变并进展到stemi st段升高。

对于中风，这项工作的重点是可能导致中风的体征和症状。心房颤动(AFib)是一种相对常见的心律失常，可增加中风的风险。心房纤颤是指心房搏动不稳定，导致心房内乱搏。这种汹涌的血流使血栓在心房内形成。如果这些血块被移出，它们可能会穿过动脉，在大脑中滞留，导致缺血性中风。AFib通常被定义为“不规则不规则”的拍子——这个拍子不是典型的节奏(不规则)，而且没有确定拍子何时发生的模式(不规则)。最常见的表现是心电图上无P波，在有噪声的基线上出现多种QRS波。然而，这种模式可以被许多测量脉冲的技术检测到。易患AFib的主要危险因素是年龄、其他心脏病、糖尿病和慢性肺病。HTN也会以多种方式导致中风。过高的血压会增加出血性中风的风险，因为大脑中的血管可能无法承受更高的血压。慢性HTN是缺血性脑卒中的主要危险因素。这些心脏疾病提供了一系列的感知机会:
•声学测量:捕捉心音以识别特定类别和呼吸努力对于了解急性情况和心功能随时间的变化是很重要的。这也包括躺下时的呼吸窘迫，导致被诊断为心衰的患者需要以更直立的姿势入睡。
•电测量:远程心电图测量可以识别房颤和其他心律失常的周期，或帮助识别急性事件中CAD的进展。
•心跳及相关特征:了解心排血量和测量血压是重要的危险因素，需要定期测量。
•液体滞留/体重变化:心衰通常导致肺和外周水肿，导致肿胀，可以通过外周温度降低和体重变化来测量。
•饮食、运动和疼痛:在所有情况下，患者的饮食(用于识别葡萄糖不耐受、肥胖等)、患者自我报告的疼痛、疲劳和一般体力活动可能是病情恶化的替代因素。活动识别可以包括与呼吸测量相联系的姿势检测，并可以影响血糖不耐受的监测，而这可能导致糖尿病。(见第3.1.6和3.1.7节)
3.1现有技术及应用
3.1.1声传感/重要器官。
通过多种技术探索生命体征监测。每种传感器类型的设计都是为了满足上一节中描述的一些传感需求，以努力取代或复制用于远程环境的急性护理环境中的可用工具。听诊器是医学中最古老的此类工具之一，是一种声学传感工具。通过聆听和解读病人发出的声音，医生可以深入了解病人的健康状况和器官的功能。最近，数字听诊器已被用来更好地捕捉声音。数字听诊器的优点是可以更容易地听到柔和的声音，但也可以记录声音，以便以后手动或计算分析。随着医生越来越依赖超声等先进的成像技术，包括听诊在内的体检技能已经降低了血脑屏障。

开发一种数字听诊器涉及多个组件，这些组件需要心音捕获、音频信号的分割和心脏周期的理解，最好与外部信号(如ECG或pulse)配对，以确定参考间隔，如冷等人所述[101]。这里的一个限制是，从电活动到声音产生的时间并非在所有样本中都是恒定的。直接分割技术包括利用香农能量计算包络线并找到其峰值，然后利用这些峰值重建心动周期。在声音分割之后，有必要对这些声音进行分类。冷等人描述了各种机器学习技术来分类这些声音，包括支持向量机(svm)、人工神经网络(ann)、隐藏马尔科夫模型(HMMs)和高斯混合模型(GMMs)，用于识别声音，并根据当前检测到的心跳周期状态识别下一个可能的声音。Leng等人报道，这些技术在区分信号为正常或有主动脉瓣或二尖瓣病变方面的准确率接近90%[101]。2016年发布了一个心音集合[109]，该数据集已成为识别心音的标准化基准。Clifford等人在2016年的PhysioNet Computing in Cardiology Challenge中总结了该数据集的工作，他们报告了几种不同的技术达到了高性能[36]。值得注意的是，前三名的有着完全不同的方法，但表现相似。这三个模型由AdaBoost和卷积神经网络(CNN)、支持向量机的集合或正则化神经网络组成。

后续的工作将继续改进这一任务，使用更复杂的集成算法[35]提高性能。研究人员还开发了一种低成本设备，可以充当传统听诊器和手机之间的桥梁[177]。为了从听诊器中收集高质量的声音传输，有必要构造一个具有良好共振的腔体。特别是，Sinharay等人评估了使用不同种类的传感器来捕获从智能手机传输到智能手机上的声音，以便进行分析。

除了检测心动周期的异常音外，从正常心音中的异常诱发心脏病理的工作也已取得成功。正常的心动周期由两个声音组成，S1和S2。而S2则是由几乎同时发生的两种不同声音的叠加引起的，一种来自主动脉瓣关闭，另一种来自肺动脉瓣关闭。两者几乎同时发生，通常会发出一种声音。然而，一些心脏疾病会影响这两者之间的时间间隔。在一项儿科患者的研究中，主动脉和肺动脉瓣的相对强度[43]可以预测肺动脉血管高压。虽然这项工作还没有应用于成年患者，但理论上它可以帮助引出心脏内不同部位的压力信息。

在一些情况下，雷达已经被用来代替直接的身体测量来检测生命体征。雷达能够检测呼吸和心脏引起的周期性变化，可以检测到心率和呼吸频率。Vinci等人描述了一种使用6点雷达监测呼吸和心跳的遥感器[194]。它使用连续的24千兆赫波，辐射功率小于3微瓦。它在静止的病人中无创地捕捉到这些价值。值得注意的是，这是一种不需要将传感器附着在人体上的传感方式。
这对婴儿、在严重情况下不能在身体上放置附加附件的成人来说尤其有价值，并且作为一种方式，通过限制本文所设计的传感器不存在其他雷达系统需要宽频带才能获得更准确结果的局限性。由于采用了6点接收结构，该传感器仅通过测量后向散射模式下的相位差就可以准确地测量角度和位移。关于皮肤介电常数的模型允许他们估计他们的信号有1.52毫米的穿透率，以及估计毛毯和衣服的影响。因此，他们可以估计躯干边缘的位置，以帮助监测呼吸。这为无创测量呼吸和心率提供了机会。然而，它需要个体已知的、固定的姿势。此外，它一次只对一个病人有效。虽然这种方式可以在受控的临床环境或特定的远程环境(如睡觉时在卧室)中监测活动、位移和生命体征，但不能在移动时提供灵活性。需要将这种传感系统扩展到各种环境中。
Li等人探讨了雷达技术在生命体征监测中的应用[103]。他们的系统使用硬件控制的杂波消除系统。这使得他们的雷达技术能够识别被监控的人与可能存在于该人所在房间的背景杂波之间的区别。作者建议采用ka波段的雷达系统，本来是用于运动感知的，并对其进行改进以进行生命感知。作者讨论了现有的工作，改进的设计考虑，然后将此扩展到婴儿监测的机会。雷达使用的进步是通过探测正确的频带来实现的。不同的频率被证明能够通过不同的瓦砾与没有金属网。然后作者讨论了需要做出的芯片级决策，以创建CMOS多普勒运动检测器。这使得生命体征能够通过障碍进行检测，这对于非侵入性监测和在紧急灾难场景中检测生命体征非常重要。然而，对于多种生命体征的高级信号处理，这种应用尚不明确。

3.1.2电气测量。自1962年动态心电监护仪问世以来，远程心电监护一直被广泛应用[117]。然而，最近的进展不仅允许远程心电图记录，而且允许实时分析和更长的时间。延长监测时间的一个必要的改进是使用长期电极。传统的湿法电极由于不方便，是长期监测的不理想选择。Chi等人对已经开发的[34]干接触和非接触电极的一些进展进行了调查。Majumder等人同样调查了干电极在长时间心电监测中提供卓越远程监测性能的众多进展[116]。
许多研究人员已经探索了远程心电监测，主要是为了解决在噪声测量中出现的挑战。与可穿戴式心电监护装置一样，持续心电监护出现的一个问题是，信号往往被活动的噪声所掩盖。Li等人提出了一种量化这种噪声的方法[104]。早先的方法侧重于将心电图标记为干净或有噪声，而Li等人提出的方法引入了五种分类，每种分类都有不同数量的可从心电图中提取的信息。他们将最嘈杂的区域定义为那些被人为因素掩盖的信号，以至于对心电图的任何解释都没有信心的区域。有严重噪音的条带是那些可以做一些解释的条带，但解释可能混淆QRS复合体的下落位置或是否存在心室颤振节律。在中等噪声的条带中，可以评估QRS复合波和是否存在心室颤振节律，但不能提取更精细的信号，如P波或T波。小噪声是指有一定噪声但可以提取P波和T波的条带的标签。这种程度的噪声可用于分析心房扑动等心房性心律失常。最后，清洁心电图是指没有噪音的心电图。作者通过向原始干净数据集添加三种类型的噪声来生成训练数据:基线漂移、电极运动和肌肉伪影。他们训练了一个支持向量机，根据现有的噪声量对条带进行分类，并在真实的噪声数据上验证了这个分类方案。验证表明，手工标注的标签和模型输出标签之间的一致性很好，其中最大的混淆是，手工标注的样本有较小的噪声，而模型标注的样本有中等的噪声。作者指出，这项工作的主要局限性是该模型没有针对或使用心律失常数据库进行训练，这大大降低了其对心律失常样本的有效性。此外，他们指出，基于连续特征而不是离散提取特征的方法可能会表现出更好的性能。

一旦确定，已经实施了几种方法来解释和纠正运动工件。Sriram等人利用三轴加速度计解决了这一问题[180]。心电图信号可作为一种连续的生物识别安全手段。然而，当ECG信号因运动伪影而失真时，这种连续的安全性就会丧失。该方法表明，用加速提取的特征补充原始心电信号，可以实现心电主体身份的准确分类。**他们将信号分割到大约包含四个心跳的窗口，将这四个心跳取平均，然后通过q-minima的线性插值和与加速度计特征相关的高通滤波器来纠正基线异常。然后使用k近邻或贝叶斯网络分类器来正确识别用户。近年来，人们已经开发出了几种可穿戴式心电图设备。BioStamp是一种无线可穿戴设备，已获得FDA 510(k)医疗许可[82]。BioStamp提供的心电图信号可与传统心电图相媲美[80]。它还包括加速计和陀螺仪，在30名健康成年人中，它能够提供心率、心率变异性、呼吸频率、活动和睡眠事件的准确测量[176]。**另一种fda批准的包含心电图监测的设备是iRhythm ZioXT[181]。该设备作为一个贴片应用于患者，被发现在检测心律失常[21]时比传统的动态心电图监测仪更敏感。这种设备可以佩戴长达14天。自动心电监护的另一个问题是，许多异常可能在一个病人身上引起麻烦，而在另一个病人身上是正常的。Chen等人[33]描述了一种训练心电图监测系统以发现患者特异性异常的方法。本工作利用加速度计来减少监测系统中的误报。随着时间的推移，该系统为给定的病人学习正常情况，并使用该正常情况的知识，以减少误报。

3.1.3血压。美国心脏病学会和美国心脏协会(ACC/AHA)最近发布了一份指南，建议在家中每隔15分钟进行动态血压测量(包括在睡眠期间)，以更好地了解患者的血压和与HTN相关的潜在心血管风险[161]。血压计和振动计技术已成为测量血压的主要方法[137]。这两种方法都涉及加压袖带的充气，通常围绕患者的上臂并维持在心脏水平。袖带内的压力增加到高于实际收缩压的值，然后慢慢降低。在听觉血压计法中，一种叫做Korotkoff的声音可以在袖带放气时听到远端。第一次听到这些声音的压力是收缩压，而不再听到这些声音的压力是舒张压。在振荡测量技术中，当心脏相对于加压袖带的跳动时，压力的微小变化被测量，并从这些变化[17]中提取收缩压和舒张压。大多数家用血压监测设备都使用了振动测量技术，该技术已被充分验证，其性能与血压计技术类似[70]。最近，为了记录血压，人们开始探索无袖血压监测技术。
迄今为止，最常见的无袖方法是使用光容积描记术(PPG)和心电图来获取脉冲到达时间和脉冲传输时间(以及脉冲波速)作为血压的替代值，然后使用分析技术来估计收缩压和舒张压值[114,186]。如果知道了一个人的姿势，这些技术就可以测量血压的估计值，而不会因频繁的袖带膨胀而影响到这个人。然而，ECG和PPG组合可能会导致血压估计的误差，因为它没有适当地考虑到ECG测量脉冲和PPG捕获脉冲到达时间[24]之间存在的伪影。特别是，ECG和PPG联合缺点是心脏预射期的直接结果。在每次心跳中，预射期是心脏电刺激到实际机械排出血液之间的一段时间延迟[152]。在不同的情况下，射血前的时间会有所不同，而且不易测量，这导致在使用心电图时在估计血压时出现不可预测的错误。血管张力也会使估计更加复杂。血管张力会随着患者年龄或服用不同药物而发生变化，而这些变化会增加误差[149]。为此，研究人员转向对一小部分动脉进行双PPG捕获[38,187]，以计算脉冲传递时间，这样可以更好地定位动脉，避免捕捉到毛细血管的血流灌注时间[74,75]。弹道心图方法通过每次脉搏波所感应到的压力的微小变化来捕捉脉搏到达时间，提供了一种在参与者仍然处于静止状态时捕捉无袖血压的方法[77,85,86]。当参与者处于固定的已知位置时，这些方法都旨在解决无袖口血压问题，并为更频繁的动态血压测量提供机会。
最近，基于生物阻抗的方法也被开发出来，以无袖方式测量血压[76]。阻抗信号允许传感器识别动脉的位置在手腕,消除错误的血压评估的直接结果pre-ejection时期或光源的误用捕获脉冲渡越时间的动脉和血液通过毛细血管丰富。然后，通过从多个生物阻抗通道中提取特征特征来估计血压特征。通过添加其他心跳特征，包括捕获心率和心率变异性特征[16]的心跳间间隔以及呼吸频率，可以增强这一功能[174]。
3.1.4血液流动。血流是动态系统中以脉动流为特征的复杂系统[93]。虽然与动脉血压相关的测量通常是系统血流量的良好指标，不同的生理或病理状态可以改变这种关系[28]。最值得注意的是，当全身压力相对不变时，单独的血管收缩或血栓栓塞事件可导致沿动脉血流下降，或动脉粥样硬化可导致流向各种器官的血流长期减少[63]。超声可用于评估动脉血流[60,118]，也可用于评估系统性动脉粥样硬化血脑屏障的程度。磁共振成像(MRI)也可以用来测量血流[135]。
3.1.5液体滞留。虽然先前的研究，如Tele-HF和心跳-HF，试图使用体重秤作为HF中液体滞留的替代品，但测量3磅体重变化并不能降低HF的再入院率[31,91,142]。许多测量外周水肿和液体滞留的尝试都集中在智能袜子的开发上，旨在测量脚踝内的液体积聚[48,49]。拉伸传感器可以测量患者脚踝的持续时间，包括全天水肿的增加以及随着时间的推移水肿的增加。当运动、肌肉收缩或不正确的姿势会干扰测量时，环境感知功能允许设备丢弃测量脚踝的数据。这只袜子能够可靠地确定参与者的姿势，而液体滞留的测量也非常相关，但是需要额外的研究来确定这种测量是否足够准确，以及它是否能够在足够早的时候产生警报来干预心衰患者。Yao等人也得出了类似的结论，即需要进一步研究他们的传感器来对水肿进行分类[201]，因为这仍然是一个开放的研究领域。
3.1.6身体活动和姿势。活动、姿势和疼痛是了解诊断为心血管疾病的患者的症状和治疗效果的重要指标。心肌病患者呼吸窘迫的测量需要对体位进行测量，通过脉搏传输时间等替代测量方法测量血压需要对体位进行测量，用于液体滞留的智能袜子也是如此(第3.1.5节)。虽然每个传感器都可以捕捉姿势，但智能手机在这方面做得很好[205]，通常与其他应用程序一起跟踪日常生活活动[146,154]。最近，智能手表已经被证明可以准确地检测姿势和锻炼[132,175]，这对患者监测很重要，因为智能手机是经常靠近用户，但通常不在用户身上。这些也可以为本节[130]中讨论的其他模式所捕获的测量提供重要的上下文。
3.1.7饮食监测与血糖不耐受。美国有3000万人患有糖尿病，另有8000万人患有糖尿病前期，如果不及时治疗，往往会导致[53]型糖尿病。当营养不良(如过多的精制碳水化合物)和/或胰岛素调节不足(如胰岛素抵抗)导致血糖过高时，就会发生糖尿病。持续的高血糖水平会对健康造成灾难性的长期后果，包括心血管疾病。糖尿病临床干预的一个重要组成部分是监测饮食摄入量，因为它可以帮助个人和健康从业人员管理饮食习惯，并了解饮食选择如何影响血糖。各种传感技术已被用于捕获饮食摄入，如可穿戴传感器(麦克风，加速计)来检测饮食行为，如手势和咀嚼/吞咽[81]，或计算机视觉技术来从照片[50]中识别食物。使用连续血糖监测仪，研究人员可以开发出估计食物摄入量的模型[72]，并结合其他个人测量方法，如肠道微生物组数据，可以提供个性化水平治疗葡萄糖耐受不良的教育信息[206]。不仅是葡萄糖耐受不良和糖尿病的诊断是增加心血管疾病风险的关键因素，而且其他参数，如盐摄入量也可能影响血压[44]。最近，作者发现，可以通过心电图信号检测血糖异常，如高血糖或低血糖[157]。这提供了一种潜在的非侵入性方法来跟踪血糖变化，同时主要开发传感器来跟踪主要心血管性质的危险因素。

3.2差距
表3总结了传感方面的关键发展，包括技术上的剩余差距。随着这些技术差距的解决，可用数据的丰富性将会增加。随着各种传感器的数据丰富度的增加，噪声和丢失的可能性也会增加。很难理解捕获度量的上下文。姿态检测的准确性和其他噪声属性的存在影响着不同感知模式的潜在成功。病人不太可能一直戴着所有的传感器，因为这会带来过重的负担。虽然偶尔执行的度量可能是高质量的度量，但连续和自动的度量在度量质量方面引入了大量的可变性。例如，一天一次的测量很可能是在测量过程中，患者会有意识地调整自己的位置并保持静止。监测血压的病人可能会笔直坐着，双腿不交叉，或者技术人员在做心电图时会确保打印的心电图是在病人不动且没有伪影的情况下进行的。相反，更频繁或持续的监测必须考虑运动伪影和其他次优测量条件引入的噪声。因此，在捕捉必要信号方面仍存在一些挑战:
•声学测量:当多人在场时，非可穿戴传感器受到识别特定患者的挑战的限制。可穿戴传感器必须考虑各种运动、环境和潜在传感器错位的噪音。
•电测量:连续心电图需要同时佩戴多条导联。像苹果手表这样的设备可以在其他感应方式要求的情况下周期性地要求心电图[196]，但是这些方式和必要的心电图读数之间的相关性在AFib之外还没有得到很好的研究。
•血压:射血前周期和血管色调变化可以影响估计，导致脉冲传输时间计算，捕捉到动脉脉搏和毛细血管充盈。此外，传感器的位置错误可能会改变读数的准确性，影响分析的性能通过这些传感器获取的数据来估算血压的模型。无袖口血压监测必须扩展到连续的、一拍一拍的测量，而不需要不断地限制使用者固定的、已知的姿势。
•液体滞留/体重变化:水肿测量没有经过临床验证，以显示液体滞留的程度，必须产生警报，以改善临床结果。
•身体活动和疼痛:远程测量急性和慢性疼痛仍然是一个公开的挑战。
•血糖不耐受:如果不使用有创血糖监测技术，对饮食、营养以及与心血管疾病的直接联系的跟踪仍然是一个开放性的问题。

3.3机会
可能存在的信号冗余会引入额外的噪声源。不同的物理现象可以用不同的方式来测量，其中许多会产生稍微不同的读数。心率可以从多种来源得到:听诊器的听诊器、ECG的电性、PPG的光学和雷达的电磁。这样看来这些多余的值可以相互交换，但这种交换可能不完全是一对一的关系。迁移学习是一个正在进行的研究领域，它试图将现有模型应用于未在训练中使用或仅在训练中最少使用的数据[165,166,200]。迁移学习可以应用于这个问题，作为一种将单一模型应用于不同数据收集模式的患者的方法。

数据的缺失也随着丰富度的增加而增加。虽然在许多风险模型中使用的二元参数(如心衰史、当前糖尿病状态等)很容易收集，甚至可以输入，但持续监测打开了更复杂的缺失的可能性。传感器上的电池可能会失效，导致丢失的时间可变。可穿戴传感器可能会由于依从性差或使用不当而导致缺失。连续监测中由缺口所引入的缺失更难估算，对建立综合模型提出了挑战[107,110]。解决缺失数据的深度学习技术已显示出良好的结果;然而，对时间序列信号进行简单的输入是目前最好的方法[108]，这为在传感器和分析水平上解决这一问题提供了进一步的工作。出现了一些机会，可以对心血管疾病的感觉体征和症状进行即时和有效的研究，见图3，并列举如下:
•将多种传感模式集成到单一平台，减少需要佩戴的传感器数量。受冲击程度高的区域可能是手腕(智能手表)和胸部(心肺声音)。利用这种集成的分析将在第4节中进一步讨论。
•使用分析技术来评估传统的无创替代品有创采集的参数(例如，使用可穿戴心电图的血糖和低血糖)。
•整合机器学习技术，以帮助识别何时需要进行纵向数据采集，类似于ECG请求，以验证与苹果手表AFib检测相关的心律失常周期[196]。
•迁移学习，当与不确定性量化技术相结合时，可以通过个性化改进模型的性能(见4.1.5节)。然而，当考虑到不同领域的不同传感器类型时，需要技术来量化哪些数据领域以及这些数据的数量需要转移学习。此外，应该进一步探索迁移学习机制中需要再培训的模型的哪一部分。

4 连续的数据收集和分析模型

除了对心衰、冠心病和中风相关症状的急性感觉和检测之外，对这些数据进行纵向和连续处理的分析机会也出现了。如前所述，冠心病从稳定型和不稳定型心绞痛发展为NSTEMI和STEMI代表纵向变化，可能有快速变化的周期穿插。同样，未经治疗的HTN也会导致中风。心衰患者心脏重塑的改变可以通过声学传感捕捉到的心音变化来表现。心衰患者在进行日常生活活动所需的体力活动方面可能会经历长期的变化。这些变化可能是渐进的，对病人来说不明显，但可能代表病情恶化或恢复。这些心脏疾病提供了一系列必要的分析技术，以捕捉连续感知数据中的纵向变化:
•连续捕捉声音感知:了解声音如何随时间变化，可以识别新的信号，这些信号代表病情恶化或治疗效果的早期识别者。
•连续捕捉电信号:虽然心律失常可以通过替代措施如心率检测出来，但对心电图ST段变化的检测可以实现早期预警和急性护理。(见4.1.2节。)

图3 概述选定的传感器类别继续选定的迹象和症状测量和他们的潜在进展的不良事件和诊断。交叉连接的数量说明了在各种心血管疾病进展为原发性不良事件和继发性复发性不良事件的危险因素的共性。颜色只是说明每个层次的不同路径，而不是说明后续层次之间的关系。

•持续捕捉生命信号:了解捕捉到的各种生命信号的变化以及它们之间的相互关系，可以帮助理解改善或恶化与心衰、冠心病和中风相关的危险因素。
•持续捕捉身体活动:身体活动和睡眠是重要的功能恢复措施，准确、纵向地了解功能变化可以提高死亡率和预防不良事件。
•用于数据分析和建模的深度学习技术:各种深度学习技术都能够使用连续的、纵向的数据开发个性化的模型。虽然长短期记忆网络(LSTMs)和一般循环神经网络(RNNs)为信号提供了一个标准化的框架，但本节将探讨对现有技术的修改，以处理本节讨论的更广泛的数据。(见部分4.1.5。)

4.1现有技术和应用
4.1.1声传感的连续捕获。声学传感的主要应用是评估心脏杂音[37]。大多数听诊技术尚未开发用于连续监测，而是侧重于个别离散的观察。然而，连续波多普勒监测可用于胎儿监测[185]，连续胎儿监测已被证明比间歇监测[7]有更好的结果。已经有一些工作将该技术扩展到成人连续心音听诊[120]。Mc Loughlin和Mc Loughlin发现，与单纯传统听诊相比，连续听诊能够检测心室舒张受损及主动脉和二尖瓣病变，且灵敏度更高[120]。然而，在连续心音听诊方面明显缺乏进一步的研究。电子听诊对于获得心血管系统其他部分的特征比由心脏发出的特定声音更有用。颈动脉杂音是由颈动脉内的湍流血液引起的声音，通常由动脉粥样硬化斑块引起的颈动脉变窄引起。Knapp等人研究了电子听诊检测颈动脉杂音的有效性[88]。在这项研究的1371名患者中，有84人通过电子听诊发现有颈动脉杂音。这些患者与没有杂音的对照组相匹配，每对患者中的两名患者都用双工超声评估颈动脉狭窄的程度。电子听诊和手工注释的Bruit检测对狭窄≥50%的灵敏度为88%，特异度为58%，双工超声为基础。Palaniappan等人研究了机器学习技术来进一步分析肺音[147]。他们评估了59篇使用信号处理和机器学习技术研究各种肺音问题的论文，包括正常呼吸音、异常呼吸音和一系列被称为偶发肺音的声音。这项调查强调了评估短期声音和长期声音以及在不同时间段内识别正常和异常声音的重要需求。该调查中的大多数工作集中于特定频率(在150至2000 Hz之间，尽管他们发现大多数工作通常在150 Hz下进行)，并评估了机器学习技术，如k近邻、ann、hmm、gms、遗传算法、支持向量机和模糊逻辑，以对各种肺音进行分类。他们发现，通过使用压电式传声器、接触式传声器、电动传声器和一种市面上可买到的肺音仪器，他们可以设计出电子听诊器，过滤掉心音，捕捉必要的肺音。同样，我们也可以使用同样的技术过滤肺音来捕获心音。使用标准的时域和频域信号处理特征，算法能够对肺音进行分类，准确率在83%到93%之间。Rocha等人发表了一个用于2017 ICBHI科学挑战的肺音数据库，作为肺音分类的挑战[164]。这些声音包括喘息声、噼里啪啦声、喘息声和噼里啪啦声，或正常的呼吸声。有几组通过将cnn应用于该数据集，在该数据集上取得了良好的性能[89,150]。将RNN和LSTM体系结构应用到这项任务中也有持续的工作[90151]。这个领域的工作很大程度上受到病理声音的巨大变化和缺乏额外的公开可用数据集的限制。考虑到声音解释的传统主观性，肺音的命名也存在一些分歧[148]。除了哮鸣和噼啪声外，训练中还应包括许多其他声音，包括隆隆声、胸膜摩擦声、呼吸减弱音，以及噼啪声的细微和粗糙区分。在这个领域可以完成的另一个步骤是用潜在病理的识别来取代特定的声音识别。在收集和注释更多数据后，还应作出进一步的发展。
4.1.2电信号的连续捕获。在临床中，大多数ecg是12导联的。在这些心电图中，有10个电极附在病人身上并从这些电极上进行12种不同的测量。每个都提供了所有电脉冲矢量大小的一维视图。关于感知和分析的挑战和机会的调查不同的轴允许获得关于心脏不同部位功能的信息。根据远程监控的目标，远程ECGs通常只包含这些典型视图的子集。因此，从最小导联ecg中准确检测必要信号的方法是必要的。
Jambukia等人调查了用于分析和分类心电信号的机器学习技术[79]。他们评估了31篇使用信号处理和机器学习技术从原始心电图信号中提取临床显著特征的论文。大多数被评估的论文都使用了MIT-BIH心律失常数据集[127]来进行训练和测试。心电分类考虑两个方面的ECG分类的个体，孤立的心跳和ECG信号分类的解释较长的信号。评估的一些方法包括信号特征提取，然后是基于阈值的算法，如Pan-Tompkins算法。其他方法使用各种神经网络架构，作者发现在所研究的架构中，多层感知器神经网络提供了最好的性能。递归神经网络，如LSTM体系结构，在本调查中没有评估。深度学习技术也被用于心电图评估。Yildirim表明，一种双向LSTM架构可以可靠地从MIT-BHI心律失常数据库中对五种不同的节律进行分类[202]。这种双向LSTM模型比其他技术具有更高的精度。结合CNN和LSTM的其他深度学习技术已被用于检测AFib，而无需明确的特征提取(如R峰提取)[11]。进一步的深度学习技术已经研究了各种处理个别节拍异常和序列异常[19]，尽管呈现给CNN模型的时间序列通常需要预先确定固定的时间窗来进行评估。此外，一些工作使用单个导联[119]来检测心律失常，尽管目前可能至少需要两个导联来提取其他ECG特征。有证据表明，有心脏病理风险的患者受益于更连续的远程心电监护。移动健康筛查预防中风(mstop)随机临床试验是一项正在进行的试验，有2659名患者参与，研究持续监测AFib的益处[181]。正如Steinhubl等人所报道的那样，试验的初始阶段发现，对于有可能发生AFib的个体，家庭心电图监测在发现新的AFib发生率方面优于常规护理。在积极监测组中，新发非传染性肺炎的诊断率为3.9%，而对照组为0.9%。这导致这些患者更早开始抗凝治疗(一种预防中风的措施)。然而，这也导致这些受到积极监测的患者的医疗利用率更高。这项试验仍在进行中——最终的临床影响仍然未知。临床结果将在3年随访中公布。
4.1.3生命体征感知的持续捕捉。超声波是一种利用超声波产生皮肤下组织图像的技术。超声检查在观察非侵入性无法触及的结构方面很有价值。在医院环境中，随着移动超声系统变得越来越便宜，而且在质量上可以与大型超声系统相媲美，医疗点超声的应用越来越多[128]。医护点超声检查是一种有用的工具，医生可以把它带到床边帮助诊断，很像听诊器，但深度学习技术是必要的，以评估超声图像和分类病情的变化。超声检查也可用于评估肺部液体状态。正如Assaad等人所描述的，肺部超声对于快速评估患者肺部血肿的健康状况是一种有价值的工具。某些视觉表现，如“b线”，与水肿和各种肺部病理高度相关。这些视觉表现变化也非常迅速，在某些情况下比血氧饱和度等指标更能准确地反映目前的疾病状态。肺超声检查在区分心源性和非心源性肺水肿方面也很有用;心源性肺水肿通常表现为较均匀的表现和多种积液(肺周围组织中的液体积聚)。肺部超声检查技术在医学上应用不足，在培训和实施上缺乏规范。
Bhuyan等人的工作探索了一种令人兴奋的可能性，可穿戴超声监测内部功能无创[25]。为了创造一个小的形状因子，可以用可穿戴的远程超声测量器官功能，他们创造了一个小的，柔性探头通过柔性PCB集成电路。他们还使用了只有一个发射和一个接收通道的系统，以避免过多的信号退化。该系统的带宽为10 MHz，每个通道的功耗为6.72 mW，使用16个这样的通道来测量5.6 mm x 1.6 mm的区域。他们使用经典的超声图像处理来进行验证。然而，他们的系统使用一根附加的电缆来测量。如果添加了具有必要电池和无线传输能力的柔性基于pcb的可穿戴超声设备，就有机会创建一个远程、连续版本的这样一个系统，但需要计算机视觉技术来增强可穿戴超声的分析组件。超声心动描记术是使用超声波来可视化心脏结构的实践。超声心动图既可作为侵入性经食管超声心动图(TEE)，也可作为非侵入性经胸超声心动图(TTE)。心脏的许多不同方面都可以通过超声心动图来描述和量化[94]，包括心脏各种结构的大小、功能和质量。测量这些参数有助于HF的诊断。例如，左心室质量或排空不良是心衰的标志。可直接观察到瓣膜功能障碍，如狭窄或返流。这些测量也有助于冠心病患者的心功能评估，特别是在心肌梗死后;受损的心脏壁通常会比正常情况下移动得少。不同的研究小组在将深度学习计算机视觉技术应用于超声图像分析方面取得了初步成功。自动分析超声图像的第一步是识别有问题的视图。Østvik等人描述了根据提出的观点使用CNN对TTE图像进行分类[145]。该方法对7种不同的TTE视图具有较高的分类精度。此外，作者描述了一种从三维图像中提取二维切片的技术，并实现了4°的平均误差。测量水肿的技术包括追踪脚踝周长的袖口和测量电阻抗。当水肿与液体潴留同时出现时，体重监测有时被用于跟踪水肿。植入式阻抗监测仪已成功测量肺水肿。Yu等人发现胸内阻抗是由于液体过载而即将住院的预测因子[203]。在33名心力衰竭患者中，植入了一个由起搏器和除颤器组成的装置。该装置测量了那两个引线之间的阻抗。本研究发现，在液体过载住院前阻抗显著下降。这种下降平均从住院前2周开始，一直持续到住院日期。阻抗监测也已在无创和动态监测系统中实现。Weyer等人描述了一种结合心电图和无创阻抗心电图的系统[197]。这个设备包括蓝牙连接和一个可以持续21个小时的电池。该系统可用于心衰患者的长期监测，以监测肺充血，并可能允许在住院前进行远程干预。颈内静脉和外静脉提供从头部到心脏的引流。右颈静脉几乎就在右心房的正上方，因此它们内部的压力与右心房的压力密切相关。颈外静脉充盈水平显示右心房内的压力，在右心衰的情况下会扩张。颈内静脉很难观察到搏动。这些搏动提供了有关右心房收缩、心房松弛、右心室收缩、三尖瓣关闭后静脉充盈和三尖瓣打开后心房排空的相对时间和力量的证据。
由于静脉压远低于动脉压，测量颈静脉脉搏比测量动脉脉搏要困难得多。然而，Amelard等人最近能够利用一种称为PPG成像(PPGI)的技术作为一种可行的技术来正确测量颈静脉压力，[9]该技术使用的系统距离仰卧位患者约1.5米。一束光照射在病人身上，并对反射的光进行分析以确定搏动。颈动脉的脉动更容易被检测到，颈动脉的脉动可以被识别为在动脉脉动附近但外侧的相应的反向脉动。在本研究中，通过PPG测量装置验证了真实的动脉波形。从静脉波形中始终能提取出相关的临床特征，包括c、v、x、y波(对应右心室收缩、右心房收缩充盈、右心房舒张、右心室开始充盈)。在大约一半的受试者中，也观察到了a波(对应于右心房的收缩)。定期监测和量化这些波形的能力可以为监测右心功能的新技术提供支持。

第3节中描述的捕捉连续血压的信号也可以扩展到捕捉各种心率、心率变异性、血压、呼吸频率以及这些值的变化[26,39,174]。阻塞性睡眠呼吸暂停，一种电波受限的情况，导致身体从睡眠中醒来，重新开始呼吸，增加心率、呼吸频率和血压，使患者无法入睡。这与血压和夜间不降压HTN有直接关系，而治疗呼吸暂停也与血压的改善有关[172]。这意味着测量无袖口血压的方法不能局限于周期性的、动态的测量，而必须过渡到连续的逐拍测量和解释。
最后，心衰再入院的远程监测试验对症状、生命体征和患者定性报告进行了纵向测量[31,91,142]。在Tele-HF研究中，如果生命体征信号和患者报告的结果值低于指定的阈值或较前一天的值有显著下降，就会产生干预警报。然而，该研究未能发现干预组的再入院率在统计上有显著降低。昂等人在Beat-HF研究试图利用一些机器学习技术,进一步确定不良事件的风险,尽管这项研究是无法降低发生率[142],患者中显示了一些承诺的技术[158],也进一步统计技术应用于Tele-HF数据(91年,131年)。随着更多的信号捕获和技术的增加，可以更好地解释分析的不同时域方面，可能会产生更好的即时警报，以防止未来HF事件的再次发生。

4.1.4身体活动的持续捕获。对于心血管疾病，活动和姿势的检测对于理解其他捕获的生物标记物很重要，为它们的读数提供背景。例如，在夜间，了解用户的姿势可以为心衰患者的呼吸困难测量和心音记录提供背景信息。除了提供与心血管疾病相关的其他重要指标测量的背景外，体力活动表现的变化可以显示冠心病导致的心衰症状和疼痛的影响增加，并可以代替这些患者的总体健康状况。
许多研究性的活动识别平台关注于日常生活活动的检测[23,129,130,134]和了解日常运动强度。这些传感器能够跟踪健康人群的运动，测量老年人的久坐时间，并以多种形式出现在智能手表、智能手机和智能手表大小的传感器中[129,132]，嵌入鞋子中，最近在纺织品中[2208]。
心衰患者参与鼓励持续体育锻炼的心脏康复项目后，死亡率和再入院率均有改善。这种日常的体育锻炼表明，峰值运动能力的改善与心血管预后的改善相关。基于家庭的心脏康复系统以身体活动检测为中心，以量化基于家庭的日常锻炼[115]。然而，这样的系统还不能直接从身体活动测量中量化改善。这是必要的，因为心脏康复项目的依从性通常很低[83]。
4.1.5针对个性化和多模态模型的深度学习。深度神经网络技术可以对从这些传感系统收集的数据进行分析和建模，用于各种事件检测技术。RNN和LSTM是深度学习模型，特别适合开发对时间序列数据进行事件检测的模型，如心电信号片段[170]、血糖[124]和睡眠[207]，通常适用于使用时间序列数据进行医学诊断[106]。通常，这些技术的关键是能够生成自己的特性。例如，与其他机器学习技术相比，利用深度神经网络处理心电信号的改进可以自动识别心律失常[140]。cnn与LSTMs相结合，可以实现鲁棒的、自动的特征工程，从而改进从可穿戴传感器中提取的信号的分类。
这些模型通过两种技术进一步改进:个性化和将多种感知模式集成到一个模型中。虽然这些深度神经网络能够提取出代表重要分类属性的特征，但人与人之间的差异可能会影响模型的性能。因此，可以在用户自己的数据上进行训练，然后在稍后捕获的数据上执行函数的技术可以显示出改进的性能[157]。个性化建模技术已被用于通过跟踪心脏生物标记物的变化来检测和警告心衰患者心律失常[87]和复发事件的风险[192]，如果可以开发传感器来在远程和动态环境中跟踪这些生物标记物，这就提供了建模的机会。
虽然拥有足够多的正确标记的数据是一个挑战，但不确定性量化技术可以确定何时需要标记数据来个性化模型以提高性能。深度神经网络特别适合这一任务，因为它能够对模型产生的概率输出实现不确定性量化技术，以及通过迁移学习或领域适应技术快速重新评估网络。例如，在HAR任务中，不确定性量化技术从生成的预测中查看最大熵度量，以确定模型是否在现有活动上表现良好或识别新用户或活动类型[13,73]。一旦发现了这些不确定性时期，就可以捕获新的数据，迁移学习技术可以确定深度神经网络的哪一部分必须修改，以适应新的用户、新的活动或新的传感器类型[6,166,167]。
已经开发了许多工具来帮助注释依赖主题的数据[51]。数据注释的一个初始挑战是事件检测和分割。Adams等描述了一种可穿戴传感器数据流[3]中的事件检测和活动分割模型。他们在几个数据集上验证了他们的模型，包括一个事件是用户吸一口烟的实例，活动分割是确定用户在给定的时间是否吸烟。这使得一个系统能够通过吸烟事件分析主动提供反馈来帮助戒烟[171]。标记数据通常是在人工受限的环境中收集的。然而，有几个小组专注于开发在自然环境中收集注释的方法。Akbari等人描述了[5]算法。该算法在智能手表上进行了演示，并要求用户在不确定性超过阈值时对活动进行注释，但对这些请求进行了限制，以防止用户因请求疲劳而不知所措。同样，Fallahzadeh等人描述了一种使用上下文来确定向用户[47]请求注释的最佳时间的算法。每一种技术都允许收集个性化注释，这些注释可以用于训练更复杂的模型。
虽然深度神经网络需要大量的数据，但它非常适合于改进分类任务和分析来自各种来源的可穿戴传感器的数据。复式传感器融合方法提高了建模的任务,包括心电图评估血压和PPG信号[123]n d HAR通过使用惯性测量单元集成加速度计、陀螺仪和磁力计使用多个传感器在身体[144]。此外,综合深度学习已经被用于估计某些生物医学信号与其他设备主要是为了捕捉信号,智能手机等心率估计[126],在心血管领域之外的识别任务,包括压力监测[99],突出关键差距,提高传感在心血管保健的机会。
在多模式设置中，数据同步、传感器选择和功率优化都很重要，无论是多传感器设置还是传感器集成到单一平台设备的设置。当要检测和分类不同的事件时，可以使用该事件检测来同步数据流，以确保所有的数据流都在同一时间捕捉到相同的事件。此外，传感器选择技术可以识别特定识别任务的关键特征，并减少所需的传感器数量，优化功率[13]。数据同步和优化使用传感器和权力是极端重要的纵向使用这些传感器,但本身就是一个问题,需要深入分析技术评价心血管疾病调查的范围,考虑到目前缺乏集成传感平台重要的风险因素监测。

4.2差距
随着代表纵向风险或结果的自动特征的发展，深度学习技术使得对时间序列数据的探索更加富有成效。在技术,如引起LSTMs探索连续时间序列数据预测临床死亡率、代谢失调,和住院时间,比手工特征提取,和其他深度学习技术,找不到关注特定的一段时间,在重症监护室数据[179]。然而，这些技术还没有被应用到这些遥感数据，因为这些遥感技术的整合还没有发生。与使用这些新的感知范式相关的许多分析技术都集中于诊断特定异常或对捕获的特定类型的声音或信号进行分类。还需要做的是:
•集成传感器，可以在整个研究期间频繁地或连续地捕捉信号。
•机器学习技术,可以探索多个窗口的时间在多个可用的信号组合为了量化轨迹信号,确定纵向模式和变化的信号,可能暗示或恶化的条件或治疗效果和恢复,延长超出异常检测和信号分类。
•多模式平台中的数据同步:确定应用程序需要多少传感器，并最大限度地减少佩戴它们的用户负担和需要重新充电是一个重要的问题，将需要解决，因为这些系统是为纵向使用而开发的。
•列出的深度学习技术演示了个性化如何提高模型性能。然而，个性化需要在监督学习技术中标记数据样本。这些标签的纵向捕获可能会对系统的用户造成不适当的负担。在需要的数据类型和数量与被动收集之间找到平衡对于用户的坚持至关重要。
4.3机会
先进的分析工作可以纳入的一种方式是更好地对CAD风险进行个性化监测。如前所述，冠心病的特点是胸痛逐渐加重，最终导致心脏病发作。理想情况下，监测系统应该能够在导致心脏病发作的斑块破裂之前跟踪斑块的逐渐变化。在CAD的早期阶段，活动监测可用于评估健康状况。通过跟踪患者没有(或不能)超过的活动阈值，监测系统可以估计心绞痛的严重程度。当阈值开始降低时，患者的心绞痛可能增加，需要更大的干预。冠心病风险患者的监测系统还应包括ECG系统，以观察与心脏病发作相关的变化。如果病人的心电图开始出现任何与心脏病发作有关的电变化，那么就需要紧急服务。更早的干预措施与更好的结果相关联，而像这样的监测系统是相辅相成的是随着分析技术的改进，可以更早地进行治疗，减少总体损害，提高患者的治疗效果。
改进的分析方法也可以用于更好地治疗瓣膜疾病。与这里讨论的其他病理不同，很少有风险模型可以预测未来的心脏瓣膜疾病。然而，先进的分析方法可以实现更早地发现瓣膜疾病。如上所述，这些异常改变了血液流经心室的方式，产生了可以被检测为声音的乱流。在远程可穿戴设备中，最直接的评估瓣膜疾病的方法是使用电子听诊器持续监测患者的心音。通过学习病人的正常声音轮廓，新的变化和杂音可以迅速识别。在确定一种特殊的瓣膜疾病及其相关杂音后，可以使用电子听诊器进行长期监测，以确定瓣膜损伤的严重程度;大多数杂音最初强度增加，但在疾病后期强度降低。与在体检中冒假阴性筛查的风险相比，纵向监测系统可以检测出沿着这一轨迹的变化，从而做出更明智的决定。作为监测瓣膜疾病的一种更先进的选择，小型化的超声探头可以集成到可穿戴系统中。这些可用于成像和分析瓣膜参数，如截面和流量。为了自动处理这些信号，额外的工作进入计算机视觉解释超声波图像是必要的。生命监测也可以直接促进对瓣膜疾病的了解。特别是血压可以反映主动脉瓣病变。最后，监测瓣膜疾病的系统可以监测有症状的疾病进展。由于多种类型的瓣膜病可能最终导致心衰，所以上述心衰的机会在这里也适用。其中最重要的是活动识别，晚期瓣膜病表现为在日常活动中失去耐力。
机会:
•改进现有传感器模式的机器学习处理:机器学习技术的发展，可以从非数字来源提取有意义的数据，扩展了自动处理和解释超声图像的计算机视觉工作。
•时间序列机器学习模型:机器学习技术的发展，可以处理纵向数据和考虑多个渠道的数据，以不同的频率采样，具有不同的分段长度的重要性，需要开发新的风险预测技术和警报持续捕捉的数据。
•将注意力机制应用到深度学习技术中，以解释正在提取的特征，更好地理解多模态学习技术之间的相互依赖关系，将能够更快速地选择用于纵向跟踪和事件检测的关键传感器。

5临床可解释性，分析模型和治疗范式

临床风险预测模型和那些预测不良事件的模型有助于指导医疗治疗和改善患者护理。这些技术，加上机器学习建模，有潜力改善急性护理环境[169]和远程护理环境中的临床护理。这包括了解疾病的诊断和进展，以及在第3和第4节所列类别中取得的进展可捕捉到的个性化模式和信号。在心衰患者的临床试验中进行了一些初步工作，了解了疾病中不同的患者表型。在一项这样的心力衰竭试验中，临床不同的患者群被发现有不同的时间-事件预测和[4]转归率。另一项有关心力衰竭患者的临床试验是使用醛固酮拮抗剂(TOPCAT)治疗保留心功能心力衰竭[40,156]。该试验的目的是确定一种专为射血分数保留的心衰患者设计的治疗方法是否能改善预后，目前还没有发现这种治疗方法能普遍治疗这些患者。这项试验也未能显示心衰患者螺内酯治疗效果更好[156]。然而，由于某些地区收集的数据存在一些问题，研究人员开始对患者的亚群进行更仔细的观察，以确定特定的患者是否真的得到了治疗的帮助。研究人员发现，区域差异导致参与者队列的治疗效果不同[40153]。这表明，诊断为射血分数保留的心衰患者可能受益于聚类分析，观察不同治疗对不同亚群患者的转归率的个体化差异。这些规定是下列需要的基础:
•风险预测模型:正如TOPCAT的研究结果所示，这些疾病非常复杂，了解人与人之间的差异可以根据收集到的数据进行特定的风险预测，以及匹配技术，允许与与建模个体最相似的患者进行比较。(参见5.1.1节)。
•动态适应:模型必须考虑不同数据类型可能收集,他们收集的变化速率,以及连接它们的数据聚集在急性护理设置,并能更新疾病进展恶化或治疗方案证明有效,包括提供信心指标表明额外的数据的集合,如果必要的。
•时间-事件模型:通过纵向传感，适应时间变化的生存分析方法可以在事件发生的可能性和事件发生的可能时间两方面对不良事件的风险进行更新评估。
•多任务学习:深度学习技术非常适合评估多种潜在的不同不良事件的风险，利用与不同心血管疾病相关的主要不良事件或继发复发事件的风险因素的共同性。
•可解释的机器学习:随着数据规模的发展，医疗模型必须能够以一种对临床医生可解释的方式解释驱动风险因素，以指导治疗决策。(见部分是5.1.5。)
5.1现有技术和应用
5.1.1风险预测模型。许多中风风险预测与AFib相关的风险有关。特别是，AFib患者可能需要进行抗凝治疗，以降低卒中的风险。抗凝治疗是任何能够降低血栓形成速度的治疗方法。这种类型的治疗对预防血栓栓塞性中风是有益的。相反，这类治疗可能会导致危及生命的出血，如出血性中风。因此，任何抗凝治疗的实施都必须非常小心。除了仅预测中风风险的模型外，ACC/AHA合并队列方程同时治疗中风和CAD。CHA2DS2-V ASc是一种预测未接受抗凝治疗的AFib患者12个月血栓事件发生率(包括卒中、肺栓塞和外周血栓栓塞)的模型[105]。该模型的建立借鉴了多个老模型的努力，并对其进行了改进，以便更广泛、更准确地应用于不同的患者群体。该模型的一个主要排除因素是只考虑非瓣膜性病患者。该模型考虑的参数包括HF、HTN、年龄、糖尿病状态、卒中史或其他血栓栓塞事件、任何血管疾病史和性别。这个模型帮助临床医生开抗凝药，抗凝药增加出血的风险，但减少血栓栓塞事件(包括中风)的风险。HAS-BLED模型用于预测抗凝患者并发AFib出血的风险[155]。该模型的参数包括HTN、肝肾功能障碍史、中风史、出血史、口服抗凝治疗难以校准、使用酒精、使用某些可能增加出血风险的药物。欧洲心脏病学会[122]ar et hat CHA2DS2-V ASc和已出血ASc的建议应结合使用，已出血不应成为拒绝抗凝治疗的理由。
其他模型也被用来预测中风的一般风险。MyRisk_Stroke计算器是预测10年中风风险的模型[136]。这一估计值建立在1992年开始收集的前瞻性数据集上，并在1998年开始收集的第二个数据集上进行了验证。随访一直持续到2007年。在这个队列中，与中风风险相关的参数有年龄、性别、教育状况、高血压、吸烟状况、饮酒、活动水平、愤怒、抑郁和焦虑。此外，肾脏疾病、糖尿病状态、心衰状态、冠心病和外周动脉疾病等共病因素也被纳入该模型。该模型作为Cox比例风险模型创建，预测任何类型中风的10年风险。另一个中风风险模型是QStroke score[69]。QStroke被开发用于所有没有卒中史的患者，但专门用于作为CHA2D2-V ASc的补充或替代，以预测与AFib相关的风险。QStroke模型的参数包括:年龄、性别、种族、Townsend剥夺指数(一种与社会经济状况相关的指数)、吸烟状况、体重指数、收缩压、血脂水平和家族史CAD。HTN、糖尿病状态、AFib状态、HF状态、CAD、类风湿关节炎、肾脏疾病和瓣膜疾病也被列为相关的共病。QStroke模型作为Cox比例风险模型创建，预测任何类型中风的10年风险。人们已经做了许多尝试来评估冠心病的风险。其中最最新的来自ACC/AHA实践指南工作组[61]。这项工作引入了一套被称为汇集队列方程的模型来预测10年内发生的原发性CAD事件。该模型中的预测风险是基于年龄、性别、种族、血压(收缩压和舒张压)、糖尿病状况、吸烟状况、各种实验室胆固醇值和某些当前药物(HTN对照、他汀类药物或阿司匹林)。该风险预测工具用于预测任何类型的“硬”动脉粥样硬化性疾病，因此，除了预测未来的CAD，它还可以预测未来的中风。然而，它并没有区分这两种不同结果的风险，而是将它们都视为积极的结果。
5.1.2远程动态模型。远程和远程监测研究，使用电话和呼叫中心作为主要的数据来源，已被用于跟踪心衰患者，希望减少心衰入院。这些系统旨在跟踪患者症状，包括药物治疗的影响、体重增加(作为水肿的替代)和抑郁，以识别失代偿的早期迹象，旨在提供干预措施，防止心衰患者再次住院。在远程- hf中，Krumholz等人发现，基于每日的症状报告、药物使用、体重和抑郁，自我报告远程监测系统不能减少心衰患者的再入院率[91]。Ong等人在Beat-HF试验中，试图利用机器学习风险模型自动收集血压和体重相关的数据，以推动干预，但同样发现HF的再入院率并没有减少[142]。Anker等人调查了meta分析和前瞻性临床试验，以评估远程监护对心衰血脑bb0患者的疗效。他们发现，在不同类型的临床试验中，远程监护治疗心衰的疗效不一致，但强调远程医疗的结果取决于对特定患者的个性化。迄今为止，预测不同时间段内风险的模型仅限于医疗环境。Henry等人使用滚动模型来预测医院环境下脓毒症的风险，选择重要的特征，并识别单个住院患者脓毒症的动态风险[66]。这样的动态模型可以适应遥远和纵向的环境，但这还没有完成。然而，很少有模型使用远程和敏感的数据来评估不良事件的临床风险。Cakmak等人使用智能手机来评估堪萨斯城心肌病问卷的答案，该问卷旨在评估健康状况和HF[29]等症状的严重程度。这些个性化的模型使用远程数据来评估当前临床模型中使用的临床验证仪器，这为本文讨论的系统带来了巨大的差距和机会。
5.1.3深度时间和事件。生存分析是临床建模的一个重要领域，其中提供给模型的数据估计事件发生的可能性作为时间的函数和测量的风险因素。这提供了事件发生的可能性和发生时间的估计，提供了更好的风险纵向分析。该技术的主要方法是Cox比例风险模型，该模型通过线性逻辑回归模型来估计随时间的生存可能性。最近，深度学习技术通过允许复杂的、非线性的交互作用，提高了这些估计的拟合度[84]。同样，Lee等人的研究使用深度神经网络估计了直接存续期[97]，并继续改进这项工作，允许在估计点之前的一系列动态协变量，而不仅仅是每个时间序列的最后一个可用值[96]。Ishwaran等人提出了一种基于自适应增强的生存分析新模型，该模型允许在不同时间点发生变化的时变协变量，允许捕获的timeseries信号及其特征的灵活性来估计风险[100]。最终，这些模型将需要适应使用遥感数据，以根据佩戴遥感系统的个人每天捕获的数据跟踪事件的长期风险。
5.1.4多任务学习和注意力。使用多种感知信号来跟踪一系列不同心血管疾病的共同危险因素，需要能够可靠估计多种结果的模型。深度学习技术非常适合这种多任务学习，已经在临床环境中证明了模型性能的优越性，如评估重症监护病房患者的结果[183]。同样，多任务学习在使用临床时间序列数据[108]和估计住院死亡率[204]方面也被证明具有更好的性能。多任务背后的基本原理的学习环境是修改的损失函数来考虑如何准确估算的模型是一组的结果,而不是一个个人预测,与假设从数据源中提取的特征可以估计每个结果的风险,由于他们依赖自然。这为调整这些模型以评估来自医院和遥感数据的风险提供了机会。虽然这些模型主要是用cnn、RNNs和LSTMs构建的，但使用这些技术时出现了两个关键的挑战:将输入空间限制为在相同时间内采样的相同长度的信号，以及对其发现的解释。虽然RNNs和LSTMs能够比CNNs更好地处理不同长度的序列，但通过填充和掩蔽技术，它们仍然以固定的时间间隔对多个信道的时间序列数据进行采样。对于更大的不同类型数据序列，需要适应不同长度的模型，例如自然语言处理技术中使用的模型，即变压器。变压器架构提供了进一步提高时间序列信号模型性能的机会，允许额外的灵活性来指出深度学习模型中可能没有正确对齐的信号部分[78][188]。这种对更标准的CNN、RNN和LSTM体系结构的修改，允许通过利用信号变化时和不变时[139]以及采用时间扭曲技术[112]，对临床时间序列数据进行更精确的建模。变压器有一个注意属性，使它能够调谐到特定的数据区域。这种关注允许使用时间序列数据建立更准确的临床风险预测模型[179]。注意机制还具有一种特性，即通过识别被认为对特征提取和模型训练更重要的信号部分，为深度学习技术提供一定程度的可解释性。

5.1.5可解释机器学习。机器学习领域最近的一个进展是解释深度学习方法提供的预测，通常被认为是黑匣子技术。Ribeiro等人开发了一种技术，通过这种技术，局部逻辑回归模型能够根据产生该元素和类似模型元素预测的变量来识别做出特定预测的原因[162]。这项工作证明了模型的可解释性，这在CNN深度学习模型中很自然，它可以在中间模型中可视化数据，但在基于时间序列的模型(如LSTMs)中变得更加复杂。伦德伯格和李的工作旨在开发个性化的解读水平，他们演示了一种特征分布和可视化技术，展示了特定的参与者如何影响模型中的每个用户，以及它如何影响整个模型的性能[113]。对个人因素如何影响评估的模型的额外解释提供了个性化的解释。其他机器学习技术旨在自动群集患者并解释表型发现[65]，同时学习预测不同类型患者的多种结果[184]，但解释这些发现的工作仍处于初级阶段。
可解释性还表明了对评估的信心，以及对哪些数据有助于和损害技术预测准确性的理解。在旨在改善实时上下文和活动检测的工作中，Ardywibowo等人在限制传感器类型和传感器消耗[13]的功率的情况下，评估了选定的传感器来改善HAR。Castilla等人的工作使用了不确定性量化的思想，以指导用户实时收集更多的数据，记录饮食设置[178]。不确定性量化是可解释机器学习的一个新兴领域，它有能力引导人们对所收集的预测的信心，并建议患者和临床医生应该考虑收集的额外数据。
5.2差距
现有的预测心血管疾病风险的模型依赖于稀疏的数据，这些数据是在很少的情况下测量的。许多参数都很容易测量(年龄、性别)，许多参数都是与历史相关的布尔值。与数据产生的连续监测系统相比，这些数据是稀少的，而且可能过于简单。通过更丰富的数据，可以通过两种主要方式克服这种数据稀疏所带来的局限性:可以更新现有模型以包含更丰富的数据源，并可以分析更丰富的数据源以进行异常检测和罕见事件检测。在根据所收集的遥感数据开发个性化分析模型方面仍存在以下差距:
•传感数据与急性护理数据和结果的集成，以实现稳健的风险预测模型。
•迄今为止，临床模型没有使用复杂的远程、动态遥感数据。需要对利用这些数据的模型进行初始开发。
•在没有地面真实数据的情况下，从纵向捕获中学习预测不良事件的关键特征仍然是一个挑战。要了解如何利用遥感数据提取在准确的风险预测模型中有效的特征，并让临床医生对这些发现有信心，就需要收集大量关于用户的数据，以跟踪潜在的临床事件。这意味着将传感系统与电子健康记录模型集成在一起，这些模型具有此类事件的真实诊断和治疗信息。
•开发灵活的动态模型，以适应收集的数据类型、收集的数据窗口以及观察过程中患者病情的变化。
•基于深度学习的时间到事件模型要么在协变量随时间变化时不更新，在某个时间点用数据集固定纵向预测，要么在固定的时间网格间隔更新模型估计。一个时间到事件的模型，能够适应时变协变量的捕获，如那些来自于本工作中描述的传感系统，需要更新风险评估。
•可解释的机器学习来解释这些复杂模型的预测，并帮助指导临床决策，包括识别相似的患者和解释可能发现的潜在新表型。

5.3机会
通过在模型中引入更丰富的数据源，现有的量化疾病状态和未来疾病风险的模型可以得到改进。心衰的NYHA功能分类部分依赖于体育活动水平。等级是主观的，定义在“不限制身体活动”(I类)中，“身体活动轻微受限”(第II类)、“身体活动明显受限”(第III类)和“无法进行任何身体活动”(第IV类)。这些类别本质上是主观的，因此容易在具有相同基本疾病状态的患者之间发生变化。通过从HAR和活动所涉及的努力(如通过心率监测)等信号中检测到的模式来增强这种分类，将允许超越患者与医生直接接触的有限范围进行客观测量。客观测量的增加可能会导致现有模型的更新和更好的信息，以帮助作出临床决定。
现有的模型也可以通过发现罕见或不常见的事件来改进。例如，当病人出现非穿刺穿刺时，非穿刺穿刺的持续时间通常是未知的。如上所述，CHA2DS2V ASc评分可以帮助医生预测脑卒中和实施口服抗凝治疗的适宜性。然而，影响CHA2DS2-V ASc评分的参数是非常稀疏的。年龄和性别(出于心脏危险的目的)是不可改变的危险因素。如果患者一生中有过一次上述事件，则其他参数均为阳性:心衰、HTN、中风/短暂性脑缺血发作/血栓栓塞、血管疾病或糖尿病。有理由认为，这个模型可以从更丰富的数据中得到改进，比如患者发生AFib的模式或频率。将这些更丰富的数据添加到模型中，可能会产生一个更好地区分中风风险人群和中风风险较低人群的模型，从而允许更适当和明智地使用口服抗凝药物。由于新的传感和物联网技术的出现，需要建立新的模型，以纳入新的数据，以便更好地预测和理解疾病状态。智能手机和智能手表等技术的迅猛发展为新的丰富数据源提供了可能，同时也产生了对这些数据源的利用需求。最近，智能手表已经被用于检测诸如AFib[27]等条件。进一步的工作应该着眼于将这些新模式应用到纵向风险模型中。例如，HAR识别可以作为监测心衰患者活动耐受的参数。这可以补充现有的主观措施的心力衰竭与新的客观措施。
最终，来自新的丰富数据源的数据只有在有助于提高患者医疗保健质量时才有价值。为了实现这一贡献，模型必须产生可操作的反馈，用于知情的临床决策。与其通过黑盒方法(将数据提供给模型，然后返回答案)来表示建模，不如让风险评分背后的原因是可以理解的。如果一个模型是可解释的，那么导致一个给定分数的因素就可以被理解，并采取干预措施来解决风险和改善病人的结果。此外，模型的可解释性越强，医生和患者就能够获得更多关于整体疾病状态的信息。当这些信息被医生和病人所理解时，它可以被用来更好地告知和指导护理。因此，对于即时且有影响力的机器学习研究，存在以下机会:
•具有横断面和时间序列数据的机器学习模型:将敏感数据与急性护理数据和结果集成，用于稳健的风险预测模型。
•开发灵活的动态模型，以适应收集的数据类型、收集的数据窗口以及观察过程中患者病情的变化。
•可解释的机器学习来解释这些复杂模型的预测，并帮助指导临床决策，包括识别相似的患者和解释可能发现的潜在新表型。
•迁移学习:迁移学习技术将能够采用已开发的模型，适应捕捉到的各种信号，建模的各种患者，或其中的组合，提高任何分析技术的灵活性，以推进前三个机会。
•深度学习:将已在自然语言处理任务和计算机视觉任务中获得成功的深度学习技术，应用于基于遥感器的时间序列建模。本研究为开发新的变压器和注意力模型提供了机会，这些模型可以适应不同领域和不同长度的信号。
•适应性比较模型:深比较纵向提高风险的评估模型,开发动态模型,新模型结构适应数据可以通过不同的传感器,不仅需要考虑协变量的值的变化建模也可以适应新的时间序列信号可用。

6讨论与结论

我们调查了存在于远程监测领域的传感技术和机器学习分析，以追踪导致心血管疾病相关的主要不良事件和继发性复发事件的危险因素。通过这些传感方法和机器学习技术的评估,我们强调潜在的解决三个需要照顾的病人监控的关键区域与心力衰竭相关风险因素,冠状动脉疾病(心肌梗塞),和中风:(1)需要心血管障碍的传感技术,跟踪纵向趋势尽管罕见,吵闹,或丢失数据测量;(2)需要以纵向、持续的方式设计新的分析技术，以帮助开发新的风险预测技术和跟踪疾病进展;(3)对个性化和可解释的机器学习技术的需求，从而促进临床决策的进步。我们强调这些需要根据当前状态智能卫生技术和艺术的分析和讨论的机会在解决存在的所有三个需要智能卫生技术和机器学习的发展(主要是深度学习)方法应用于心血管疾病和保健领域。尽管智能健康技术在这些需求方面的进步已经在HAR和身体疾病监测等领域取得了成功，但解决心血管保健的机会是很多的。
这些心血管疾病通常是非常复杂的情况，其特征是患者的多种变化，其中许多变化缓慢且难以察觉。然而，可以建立系统来考虑和监测许多不同的变化，以便跟踪疾病状态监测的风险因素进展，并在快速失偿之前作出临床决定。随着疾病的发展，定期监测心音可以用来跟踪心脏重塑。不用在急症治疗时注意到这些声音，通过可穿戴电子听诊器的计算机辅助听诊可以更早发现这些声音。定量的水肿跟踪可以监测心脏内的功能变化。随着肺水肿的增加，临床医生可以看出左心功能正在下降。心电图信号的改变可能表明CAD疾病的进展，在导致心脏病发作之前可能导致额外的患者疼痛。当病情恶化时，患者可能会逐渐失去行走一定距离或进行一定运动量的耐力，表现为体力活动能力、呼吸频率或睡眠质量的改变。这些变化可能是渐进的，以致于病人可能察觉不到。相反，针对进程的新分析可以将活动识别构建到模型中，以理解基线功能的缓慢变化。在这方面，偏离患者活动的基线水平将是重要的，并可能是指导临床护理的有用信息。同样，血流量的改变也可能导致排尿习惯的改变。由于肾脏的血液流动在白天受到限制，而在夜间由于体位的改变而增加，肾脏在夜间会产生更多的尿液。追踪夜间排尿的频率可以提供更多关于整体健康状况的线索。注意这对心力衰竭是敏感的，但不是特异性的。额外的血流动力学特征测量，如HTN，可以显示治疗的有效性，并更好地指导可能导致中风等情况的因素的改善。总的来说,一个全面的系统跟踪心血管疾病的发展应该结合一体的集成传感器,采集这些数据在纵向时间,而且,因此,启用新的机器学习技术的进步,可以充分利用这些数据来指导病人和医生都在改善病人护理通过个性化,动态比较建模。
这项调查强调了开发智能健康应用程序来治疗心衰、冠心病和中风的需求，以及与之相关的风险因素。它审查了现有的技术，强调了目前为满足这些需求而提出的解决办法的差距。最后，它提出了一系列的机会，包括先进的分析技术，一旦新的传感解决方案可用，可以指导心血管疾病患者护理方式的有效改变。

附录A
正常心脏生理学为了更好地理解本工作所讨论的机会，我们提供了一个简单的医学回顾正常心脏功能。心脏由四个腔室组成:两个心房和两个心室，一个组成右心，一个组成左心。两个心房(单心房)将血液送入两个心室，心室又将血液推进。右心将身体的缺氧血液泵入肺。左心从肺部抽取血液，并将其泵入全身。左心比右心做更多的工作，它产生的压力也比右心产生的压力高。心脏里有四个瓣膜。右心瓣膜是三尖瓣和肺动脉瓣。三尖瓣位于右心房和心室之间;肺动脉瓣位于右心室和肺之间。左心的瓣膜是二尖瓣和主动脉瓣。二尖瓣位于左心房和心室之间，而主动脉瓣位于左心室和身体其他部分之间。心脏跳动时经过两个阶段:收缩期和舒张期。在收缩期，心脏收缩并推动血液前进。在舒张期，心脏放松并充血。衡量心功能的一个常用指标是血压，用两个数字表示:收缩压和舒张压。收缩压是动脉内的压力，因为血液被主动地泵出心脏。舒张压是心脏放松时动脉内的压力。心脏通常有三分之一的时间在收缩期，三分之二的时间在舒张期。正常的心脏会发出两种声音，即S1和S2。S1是由二尖瓣和三尖瓣在收缩开始时关闭引起的。它们的闭合阻止了血液从心室回流到心房。S2是由主动脉瓣和肺动脉瓣关闭引起的。它们的闭合阻止了血液从身体或肺部回流到心脏。