用于预测房性心律失常的系统和方法1.相关申请的交叉引用2.本技术要求于2019年3月18日提交的美国临时专利申请序列号62/820,132的根据35u.s.c.§119(e)的优先权，该专利申请的全部内容通过引用结合于此。
技术领域：
：3.本文档总体上涉及医疗设备，并且更特别地，涉及用于预测受试者体内的房性快速性心律失常的系统、设备和方法。
背景技术：
：：4.心律失常是心跳的定时或模式方面的异常。房性快速性心律失常是一种以异常快速心房率为特征的心律失常，并且可以包括各种类型的心律失常，包括心房纤颤(atrialfibrillation，af)、心房扑动(atrialflutter，afl)、房性心动过速、室上性心动过速等。af是最常见的临床心律失常，并且约占由心律紊乱导致的住院人数的三分之一。在af期间，正常的常规窦性心律被源自心房内或心房附近区域的扰乱的电脉冲所盖过。这可能导致心室的传导不规律，从而引起不适当的快速且不规律的心率。一种类型af的是阵发性af，在阵发性af自行停止之前它可能持续几分钟到几天。另一种类型称为持续性af，可能持续一周以上，并且通常需要药物或其他治疗来恢复正常的窦性心律。第三类型(永久性af)是一种无法利用治疗恢复正常心律的病症。持续性af可能变得更加频繁，并且导致永久性af。5.充血性心力衰竭(congestiveheartfailure，chf或hf)是另一主要的心血管流行病，仅在美国就影响了许多人。chf是心脏的泵送能力的丧失，从而导致无法递送足够的血液来满足周围组织的需求。chf患者通常心脏扩大，心肌减弱，从而导致收缩力降低，心输出血量差。chf可影响左心脏、右心脏或心脏的两侧，从而导致左心室收缩和右心室收缩不同时。这种不同时的收缩(也称为左心室和右心室之间的不同步)进一步降低心脏的泵送效率。6.af和chf之间存在密切的病理生理关系。很大比例的chf患者可能经历af或其他类型的房性快速性心律失常。af可能促进chf的发展或进展。chf可能增加af发展的风险。患有chf的患者的af的患病率随着chf的严重程度并行增加。7.移动式医疗设备(abulatorymedicaldevice，amd)已被用于监测hf患者。这种移动式医疗设备的示例可以包括可植入医疗设备(implantablemedicaldevice，imd)、皮下医疗设备、可穿戴医疗设备或其他外部医疗设备。一些amd可以包括提供诊断特征的生理传感器。技术实现要素：8.本文档尤其讨论了用于标识处于房性快速性心律失常(例如af)的高风险的患者和预测未来房性快速性心律失常的系统、设备和方法。一种示例性医疗设备系统包括心律失常检测器电路，该心律失常检测器电路被配置为：接收患者体内的生理信息；使用所接收的生理信息生成信号度量；并且在患者不存在房性快速性心律失常的情况下，使用所生成的信号度量生成指示患者未来发展成房性快速性心律失常的风险的心律失常风险的指示。根据心律失常风险指示，如果患者被标识为具有房性快速性心律失常的高风险，系统可以生成警报，或者启动更积极的监测。9.示例1是一种用于评估患者的心律失常风险的医疗设备系统。该系统包括心律失常预测器电路，该心律失常预测器电路被配置为：接收从患者感测的生理信息；并且使用所接收的生理信息确定患者发展为房性快速性心律失常的风险。10.在示例2中，示例1的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为生成信号度量的趋势，并且当患者没有当前房性快速性心律失常时，使用该趋势预测未来房性快速性心律失常。11.在示例3中，示例1至2中的任何一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为如果所接收的生理信息的信号度量超过阈值或者落在值范围内，则生成心律失常风险的指示。12.在示例4中，示例1至3中的任何一个或多个的主题可选地包括可以包括心脏加速度信息的所接收的生理信息。13.在示例5中，示例4的主题可选地包括可以包括心音(hs)信息的心脏加速度信息，并且心律失常预测器电路可以被配置为使用包括hs强度或心脏定时参数的所接收的生理信息来生成信号度量。14.在示例6中，示例5的主题可选地包括所生成的信号度量，该所生成的信号度量可以包括以下中的一个或多个：第一(s1)心音强度、第三(s3)心音强度、或者相对于s1强度归一化的s3强度。15.在示例7中，示例1至6中任一个或多个的主题可选地包括可以包括胸廓阻抗信息的所接收的生理信息。16.在示例8中，示例1至7中任一个或多个的主题可选地包括可以包括呼吸信息的所接收的生理信息。17.在示例9中，示例8的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置成生成一个或多个信号度量，该一个或多个信号度量包括以下中的一个或多个：呼吸率、呼吸量度量、或者快速浅呼吸指数。18.在示例10中，示例1至9中的任何一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为使用所接收的生理信息生成两个或更多个信号度量，并且使用所生成的两个或更多个信号度量的组合来生成心律失常风险的指示。19.在示例11中，示例1至10中的任何一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为使用机器学习模型生成心律失常风险指示。20.在示例12中，示例1至11中的任何一个或多个的主题可选地包括输出电路，该输出电路可以被配置为向用户呈现心律失常风险指示，或者根据心律失常风险指示生成警报。21.在示例13中，示例1至12中的任何一个或多个的主题可选地包括治疗电路，该治疗电路可以被配置为根据心律失常风险指示来生成或调节治疗。22.在示例14中，示例1至13中的任一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为在没有房性快速性心律失常的情况下，进一步使用患者人口统计信息或患者病史信息生成心律失常风险的指示。23.在示例15中，示例1至14中的任何一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为响应于所生成的心律失常风险指示满足条件，更新所接收的生理信息或调整心律失常风险分层参数。24.示例16是一种评估患者的心律失常风险的方法。该方法包括以下步骤：通过医疗设备系统的心律失常预测器电路：接收从患者感测的生理信息；以及使用所接收的生理信息确定患者发展为房性快速性心律失常的风险。25.在示例17中，示例16的主题可选地包括生成生理信息的趋势，并使用该趋势预测未来房性快速性心律失常。26.在示例18中，示例16至17中的任何一个或多个的主题可选地包括生成心律失常风险的指示，该指示可以包括将所接收的生理信息的信号度量与参考值进行比较，并且其中所接收的生理信息包括以下中的一个或多个：心脏加速度信息、胸廓阻抗信息、或者呼吸信息。27.在示例19中，示例16至18中的任何一个或多个的主题可选地包括使用机器学习模型生成心律失常风险的指示。28.在示例20中，示例16至19中任一个或多个的主题可选地包括在没有房性快速性心律失常的情况下，使用患者人口统计信息或患者病史信息生成心律失常风险的指示。29.在示例21中，示例16至20中的任何一个或多个的主题可选地包括向用户呈现心律失常风险指示，或者根据心律失常风险指示生成警报。30.在示例22中，示例16至21中的任何一个或多个的主题可选地包括当所生成的心律失常风险指示满足条件时，更新所接收的生理信息或调整心律失常风险分层参数。31.在示例23中，示例1的主题可选地包括不包括心电图或电描记图信息的生理信息。32.在示例24中，示例1的主题可选地包括确定患者发展为房性快速性心律失常的风险，这不包括使用该患者的房性快速性心律失常病史。33.本概述是对本技术的教导中的一些的概述，并不旨在是本主题的排他性或穷尽性处理。在详细描述和所附权利要求中可以找到关于本主题的更多细节。在阅读和理解以下详细描述并查看构成其一部分的附图(它们中的每一个都不是以限制性意义看待的)后，本公开的其他方面对于本领域技术人员来说将是显而易见的。本公开的范围由所附权利要求及其法律等同物来限定。附图说明34.各种实施例在附图中以示例的方式示出。这些实施例是说明性的，并不旨在是本主题的穷举或排他性实施例。35.图1总体上示出了患者管理系统以及该系统可以在其中操作的环境的各部分的示例。36.图2总体上示出了心律失常风险分层系统的示例，该系统被配置为评估患者的心律失常(例如，af)风险。37.图3是示出心律失常风险分层系统的部分示例的框图，该心律失常风险分层系统被配置为评估患者的心脏心律失常风险并预测未来房性快速性心律失常。38.图4是示出心律失常风险分层系统的各部分的示例的框图，该心律失常风险分层系统被配置为评估患者的心律失常风险并基于心律失常风险的当前估计自适应地调整心律失常风险评估。39.图5a至图5f是示出从hf患者记录的传感器数据的趋势的图表，这些趋势可以用于对患者的房性快速性心律失常风险进行分层。40.图6是示出评估患者的心律失常(例如af)风险的方法的示例的流程图。41.图7总体上示出了本文讨论的技术(例如，方法)中的任何一个或多个可以在其上执行的示例机器的框图。具体实施方式42.在许多chf患者中，房性快速性心律失常(诸如af)可能与hf共存。临床试验已经报告了chf患者中约20至40％的af患病率。chf的存在已被证明是诱发患者af的独立风险因素。这可能部分是由于归因于chf的心脏结构变化(例如，增大、纤维化)和系统性变化(例如，神经激素失衡)，这可能会创造有助于af发展的潜在条件。另一方面，af的存在可能会促进心力衰竭恶化(worseningofheartfailure，whf)。例如，在af期间，心室收缩的不规律性可能导致短循环期间左心室(lv)充盈方面的减少，这可能无法通过长循环期间的增加的充盈完全补偿。有效心房收缩功能的丧失可能对lv充盈的劣化有贡献，特别是在心舒功能不全的chf患者中。存在未治疗或未控制的af也可能降低chf治疗的有效性。43.及时且可靠地检测房性快速性心律失常(诸如af)对于治疗或控制af以及预防或减少其对chf的加重作用是必要的。常规af检测通常基于患者心电图(ecg)或症状。具有af的患者可能经常经历不合适的快心率和不规律的心室节律。由此，可以基于电生理记录(诸如由移动式监测器获取的ecg或心内或皮下电描记图(egm))中呈现的快速心房率和/或不规律心室收缩来检测af。然而，电生理文档可能容易受到噪声或生理或非生理源的干扰的影响，并且不规律的心室收缩可能是由af以外的混杂因素引起的，诸如心室异位收缩或对心室收缩的不当感测。因此，基于ecg的方法可能会导致假阳性或假阴性af检测。附加地，对于没有移动式ecg监测器或可植入心脏设备的患者，ecg或egm文档可能不容易获得。44.诸如af的房性快速性心律失常在一些患者中可能没有症状。没有症状af在chf患者中普遍存在，这些患者处于与未确诊的房性心律失常相关联的并发症的风险下。与有基线af(例如，与hf共存的永久性或持续性af)的那些chf患者相比，一些chf患者他们的hf诊断时没有af病史，但可能在诊断和管理他们的chf病症后数月或数年发展新发af事件。随着他们的hf病症进展，较长时间内处于hf病症的患者具有发展新发af的更高的几率。不论是有症状还是无症状，新发af都会预测chf患者的更差的预后。一些临床研究已经表明，与具有基线af的chf患者相比，新发af可能会带来更高的死亡率和hf住院风险。至少由于af和hf之间的恶性循环，以及特别是新发af和无症状af在chf人群中的高患病率，本发明人已经认识到仍然非常需要改进的系统和方法以主动标识处于房性快速性心律失常(如af)的高风险下的患者、在出现临床表现(诸如电生理表现或患者有症状)之前预测未来af事件。利用本文中讨论的风险分层和房性快速性心律失常预测，可更积极地监测已标识的高危患者，或实施适当的预防性干预。45.本文公开了用于评估患者的心律失常风险，诸如发展为心房纤颤的风险的系统、设备和方法。一种示例性医疗设备系统包括心律失常预测器电路，该心律失常预测器电路被配置为接收患者的生理信息，并使用所接收的生理信息生成信号度量。在没有房性快速性心律失常的情况下，心律失常预测器电路可以使用所生成的信号度量来生成患者未来发展成房性快速性心律失常的心律失常风险的指示。根据心律失常风险指示，系统可以生成警报，或者在被标识为具有房性快速性心律失常高风险的患者中启动更积极的监测。46.本文档中讨论的各种实施例可以帮助改进自动化的、基于设备的患者af风险分层和未来af事件的预测的医疗技术。本文公开的af风险分层和预测会有助于防止进展为持续性或永久性af，并减少心力衰竭恶化(whf)的机会或减缓心力衰竭恶化。常规af检测技术(诸如基于ecg/egm或患者症状的技术)不能充分解决新发af或无症状af事件(诸如在无房性快速性心律失常病史的chf患者中)。诸如快速心房率或不规律心室收缩的电生理特征可以指示当前(例如，正在进行的)af事件的发作，但是当患者目前没有af或其他快速房性心律失常时，或者在没有af或其他快速房性心律失常病史的患者中，可能无法可靠地标识患者af风险或预测未来af。相反，根据一些实施例，本文讨论的系统和方法使用多传感器方法，以便在af事件发展并基于电生理表现或患者症状进行临床诊断之前的几天或几个月主动标识af高风险患者。本文公开的早期指示(诸如由一个或多个传感器响应方面的变化代表的早期指示)可以实现自动af风险分层和未来af事件的预测。可以生成警报并将其提供给临床医生或其他医疗保健人员，使得可以更积极地监测所标识的高风险患者，或者可以实施预防性干预。因此，患者预后可以得到改善，并且与af和whf管理相关联的医疗保健成本可以被降低。而且，本文讨论的af管理方面的改善可以在几乎没有附加成本或增加的系统复杂性的情况下实现。在一些示例中，现有的系统性能(例如，hf诊断和治疗、af或其他心律失常检测和治疗等)可以使用较低成本或较突兀的系统、装置和方法来保持。利用改进的风险分层和af事件预测，用于whf和af管理的后续资源可以减少，移动式设备的电池寿命可以延长，可以安排、开具或提供更少的不必要药物和程序，并且与现有设备和系统相比，可以实现整体系统成本和功率节省。47.图1总体上示出了患者管理系统100以及该系统100可以在其中操作的环境的各部分的示例。患者管理系统100可以执行一系列活动，包括远程患者监测和疾病病症的诊断。这种活动可以在患者附近执行(诸如在患者的家中或办公室执行)、通过集中式服务器执行(诸如在医院、诊所或医生的办公室)、或者通过远程工作站执行(诸如安全无线移动计算设备)。48.患者管理系统100可以包括与患者102相关联的移动式系统105、外部系统125和提供移动式系统105和外部系统125之间的通信的遥测链路115。49.移动式系统105可以包括移动式医疗设备(amd)110。在示例中，amd110可以是皮下植入患者102的胸部、腹部或其他部位中的可植入设备。可植入设备的示例可以包括但不限于起搏器、起搏器/除颤器、心脏再同步治疗(cardiacresynchronizationtherapy，crt)设备、心脏重塑控制治疗(remodelingcontroltherapy，rct)设备、神经调节器、药物递送设备、生物治疗设备、诊断设备(诸如心脏监测器或循环记录器)、或患者监测器等。amd110替代性地或附加地可以包括皮下医疗设备(诸如皮下监测器或诊断设备)、外部监测或治疗医疗设备(诸如自动外部除颤器(aed)或霍尔特监测器)、或者可佩戴医疗设备(诸如基于贴片的设备、智能手表或智能附件)。50.作为示例，amd110可以耦合到引线系统108。引线系统108可以包括一个或多个经静脉、皮下或非侵入性放置的引线或导管。每个引线或导管可以包括一个或多个电极。引线系统108和相关联的电极的布置和使用可以使用患者需求和amd110的能力来确定。引线系统108上的相关联的电极可以被定位在患者的胸部或腹部，以感测指示心脏活动的生理信号、或者对目标组织的诊断或治疗性刺激的生理反应。作为示例而非限制，并且如图1所示，引线系统108可以通过外科手术插入到心脏101中或被定位在心脏101的表面上。引线系统108上的电极可以被定位在心脏101的一部分上，诸如右心房(rightatrium，ra)、右心室(rightventricle，rv)、左心房(leftatrium，la)或左心室(leftventricle，lv)，或者心脏部分之间或附近的任何组织。在一些示例中，引线系统108和相关联的电极替代性地定位在身体的其他部分上，以感测包含关于患者心率或脉搏率的信息的生理信号。在示例中，移动式系统105可以包括没有通过引线系统108栓系到amd110的一个或多个无引线传感器。无引线移动式传感器可以被配置成感测生理信号并与amd110无线通信。51.amd110可以被配置为监测诊断设备。amd110可以包括气密密封罐，该密封罐容纳感测电路、控制电路、通信电路和电池以及其他组件中的一个或多个。感测电路可以感测生理信号，诸如使用生理传感器或与引线系统108相关联的电极。生理信号的示例可以包括心电图、心内电描记图、心律失常、心率、心率变异性、胸内阻抗、心内阻抗、动脉压、肺动脉压、左心房压、右心室(rv)压、左心室(lv)冠状动脉压、冠状动脉血液温度、血氧饱和度、一个或多个心音、心内加速度、身体活动或运动水平、对活动的生理反应、姿势、呼吸率、潮气量、呼吸音、体重或体温中的一个或多个。52.amd110可以包括被配置为检测患者的生理事件的生理事件检测器电路160。在示例中，生理事件检测器电路160可以被配置为评估患者的心律失常风险，并使用所感测的生理信号预测未来心律失常事件。心律失常的示例可以包括af、afl、房性心动过速、室上性心动过速、室性心动过速或心室纤颤、心脏暂停以及其他缓慢性或快速性心律失常。在一些示例中，生理事件检测器电路160可以被配置成检测慢性医疗病症的恶化，诸如心力衰竭恶化(whf)。生理事件检测器电路160可以执行检测算法，以连续或周期性地监测一个或多个生理信号，并自动检测生理事件。附加地或替代性地，生理事件检测器电路160可以被配置成在患者触发模式下操作、响应于用户激活的触发来登记患者触发的发作并记录生理数据。当患者表现出某些迹象或症状，或经历指示医疗事件的先兆事件时，该触发器可以由患者激活。53.amd110替代性地被配置为治疗设备，该治疗设备被配置为治疗心律失常或其他心脏病症。amd110可以附加地包括治疗单元，该治疗单元可以生成并递送一种或多种治疗。治疗可以通过引线系统108和相关联的电极递送给患者102。治疗可以包括电、磁或其他类型的治疗。该治疗可包括抗心律失常治疗，以治疗心律失常、或治疗或控制由心律失常引起的一种或多种并发症，诸如晕厥、充血性心力衰竭或中风等。抗心律失常治疗的示例可以包括起搏、心脏复律、除颤、神经调节、药物治疗或生物治疗以及其他类型的治疗。在示例中，这些治疗可以包括用于纠正失同步和改善chf患者的心脏功能的心脏再同步治疗(crt)。在一些示例中，amd110可以包括用于向患者递送药物的药物递送系统(诸如药物输注泵)，以用于管理心律失常或由心律失常引起的并发症。54.外部系统125可以包括专用硬件/软件系统，诸如编程器、基于远程服务器的患者管理系统，或者替代性地主要由运行在标准个人计算机或移动设备上的软件定义的系统。外部系统125可以通过经由通信链路115连接到外部系统125的amd110来管理患者102。这可以包括例如对amd110进行编程，以执行以下中的一个或多个：获取生理数据、执行至少一个自诊断测试(诸如针对设备操作状态)、分析生理数据以检测心律失常、或者可选地向患者102递送或调整治疗。附加地，外部系统125可以经由通信链路115从amd110接收设备数据。由外部系统125接收的设备数据的示例可以包括来自患者102的实时或存储的生理数据、诊断数据(诸如心律失常或心力衰竭恶化事件的检测)、对递送给患者102的治疗的响应、或amd110的设备操作状态(例如，电池状态和引线阻抗)。遥测链路115可以是感应性遥测链路、电容性遥测链路或射频(rf)遥测链路，或者基于例如“强”蓝牙或ieee802.11无线保真“wifi”接口标准的无线遥测。患者数据源接口的其他配置和组合也是可能的。55.作为示例而非限制，外部系统125可以包括在amd110附近的外部设备120，以及在相对远离amd110的位置经由电信网络122与外部设备120通信的远程设备124。外部设备120的示例可以包括编程器设备。56.除了其他可能的功能之外，远程设备124可以被配置为评价所收集的患者数据并提供警报通知。在示例中，远程设备124可以包括充当用于所收集的患者数据存储和分析的中央枢纽的集中式服务器。服务器可以配置为单计算处理系统、多计算处理系统或分布式计算处理系统。远程设备124可以从包括例如患者102的多个患者接收患者数据。除了与患者102相关联的其他数据采集传感器或设备之外，诸如医疗事件发作的患者数据可以由amd110收集。远程设备124可以包括存储单元，以将患者数据存储在患者数据库中。存储单元可以附加地存储多个发作特征和用于检测具有相应发作特性的医疗事件的多个检测算法之间的关联性。服务器可以处理设备生成的事件发作以验证：检测到特定医疗事件(例如，心律失常类型)，则设备检测到的事件是真阳性(tp)检测；或者没有检测到这样的医疗事件，则设备检测到的事件是假阳性(fp)检测。设备生成的医疗事件发作的处理可以基于所存储的关联性。在示例中，第一事件发作可以被呈现给用户(例如，临床医生)，该用户将提供裁决决定和第一发作特征。如果裁决决定指示第一事件发作是fp检测，则服务器可以从所存储的关联性中标识对应于第一发作特征的检测算法，并且至少使用所标识的检测算法来处理第二事件发作，以确定第二事件发作是tp检测还是fp检测。服务器可以使用第二发作的处理结果来安排第二发作的至少一部分的呈现。通过使用为识别具有与fp发作相关联的发作特征的发作而定制的检测算法，可以标识具有相同或相似发作特征的更多fp发作，并且因此避免被用户查阅和裁决。如果第二事件发作被确定为tp发作，则生成警报，指示可能需要进一步的用户查阅。57.作为示例，警报通知可以包括网页更新、电话或寻呼机呼叫、电子邮件、sms、文本或“即时”消息，以及给患者的消息和同时给急救服务和给临床医生的直接通知。其他警报通知也是可能的。在一些示例中，服务器可以包括被配置为对警报通知进行优先级排序的医疗事件优先级排序器电路。例如，所检测到的医疗事件的警报可以使用与所检测到的医疗事件相关联的生理数据和与历史警报相关联的生理数据之间的相似性度量来进行优先级排序。58.远程设备124可以附加地包括一个或多个本地配置的客户端或通过网络122安全连接到服务器的远程客户端。客户端的示例可以包括个人台式机、笔记本电脑、移动设备或其他计算设备。用户(诸如临床医生或其他合格的医学专家)可以使用客户端来安全地访问组装在服务器中的数据库中的所存储的患者数据，并且选择患者和警报并对其进行优先级排序，以便进行健康护理供应。包括服务器和互连的客户端的远程设备124可以通过向amd110发送随访请求、或者通过向患者102、临床医生或授权的第三方发送消息或其他通信作为遵从性通知来执行随访方案。59.网络122可以提供有线或无线互连。在示例中，网络122可以基于传输控制协议/互联网协议(transmissioncontrolprotocol/internetprotocol，tcp/ip)网络通信规范，不过联网实施方式的其他类型或组合也是可能的。类似地，其他网络拓扑和布置也是可能的。60.外部设备120或远程设备124中的一个或多个可以将所检测到的医疗事件输出给用户，诸如患者或临床医生，或者输出给包括例如可在微处理器中执行的计算机程序实例的进程。在示例中，该进程可以包括治疗建议、或者进一步诊断测试或治疗的建议的自动生成。在示例中，外部设备120或远程设备124可以分别包括显示单元，用于显示生理或功能信号，或警报、报警、紧急呼叫或其他形式的警告，以发信号通知检测到心律失常。在一些示例中，外部系统125可以包括外部数据处理器，该外部数据处理器被配置为分析由amd110接收的生理或功能信号，并确认或拒绝事件的检测。计算密集型算法(诸如机器学习算法)可以在外部数据处理器中实施，以回顾性地处理数据来检测心律失常。61.amd110或外部系统125的各部分可以使用硬件、软件、固件或它们的组合来实施。amd110或外部系统125的各部分可以使用可以被构造或配置为执行一个或多个特定功能的专用电路来实施，或者可以使用可以被编程或以其他方式配置为执行一个或多个功能的电路来实施。这种电路可以包括微处理器或其一部分、微控制器或其一部分、或可编程逻辑电路、存储器电路、网络接口以及用于互连这些组件的各种组件。例如，“比较器”特别地可以包括电子电路比较器，该电子电路比较器可以被构造成执行两个信号之间的比较的特定功能，或者该比较器可以被实施为电路的一部分，其可以由指示电路的一部分执行两个信号之间的比较的代码来驱动。62.图2概括地示出了心律失常风险分层系统200的示例，该心律失常风险分层系统被配置为评估当患者目前没有房性快速性心律失常时的患者、或者在没有af或其他房性快速性心律失常病史的患者的心律失常(例如，af或其他房性快速性心律失常)风险。心律失常风险分层系统200的各部分可以被包括在amd110的生理事件检测器电路160中。63.心律失常风险分层系统200可以包括传感器电路210、心律失常风险分层器230和用户界面单元240中的一个或多个。在一些示例中，心律失常风险分层系统200可以附加地包括可选的治疗电路250。传感器电路210可以包括一个或多个数据采集电路和放大器电路，以通过一个或多个与患者相关联的可植入的、可穿戴的或以其他的移动式传感器或电极来感测来自患者的一个或多个生理信号。传感器电路210可以包括一个或多个其他子电路，以对所感测的生理信号进行数字化、滤波或执行其他信号调节操作。在一些示例中，生理信号可以存储在诸如电子病历系统的存储设备中。传感器电路210可以响应于由系统用户提供的或者响应于特定事件的发生而自动生成的命令信号，从存储设备获取生理信号。64.作为示例而非限制，传感器电路210可以包括心脏加速度传感器211、呼吸传感器212、阻抗传感器213、心脏传感器214或身体活动传感器215中的一个或多个。心脏加速度传感器211可以包括加速度计或麦克风传感器，并且被配置为感测或以其他方式接收心脏振动或声学信息。在示例中，心脏加速度信息包括心音信息。心音与由患者的心脏的活动和流过心脏的血流产生的机械振动相关联。心音随着每个心动周期重复出现，并根据与振动相关联的活动进行区分和分类。hs信息可以包括但不限于第一(s1)心音分量、第二(s2)心音分量、第三(s3)心音分量或第四(s4)心音分量中的一个或多个的强度(例如幅值或信号功率)。s1与二尖瓣张紧期间由心脏制造的振动声音相关联。s2标志着心舒张的开始。s3可能与心舒张期间左心室的充盈压力有关。s4与心房收缩相关联。附加地或替代性地，hs信息可以包括心脏定时参数，诸如使用一个或多个所述hs分量测量的心缩时间间隔。65.呼吸传感器212可以被配置成感测来自患者的呼吸信号。在示例中，呼吸传感器212可以耦合到电极，该电极被附接到或植入在患者体内以感测呼吸信号。呼吸信号包括呼吸波形，该呼吸波形代表呼吸循环期间气流或肺容积的变化。呼吸传感器可以包括流量计，该流量计被配置成直接感测呼吸系统中的气流或肺中的容积变化。替代性地，呼吸传感器可以感测通过呼吸调制的生理信号，诸如使用患者胸部上或内的电极(例如，与可植入引线相关联的电极)测量的胸廓阻抗信号。在一些示例中，呼吸传感器可以感测其他呼吸调制的生理信号，诸如被配置为测量对应于呼吸周期的肌肉张紧方面的周期性变化的胸肌应变传感器、被配置为测量与对应于呼吸、或者由呼吸调制的声音或振动信号的胸壁的移位或移动相关联的加速度的加速度计。呼吸传感器的其他示例可以包括患者外部呼吸带、呼吸流量计和可植入或患者外部呼吸声音检测器，以及被配置为感测呼吸调制生理信号的其他传感器。66.阻抗传感器213可以被配置成感测患者体内的阻抗，诸如胸廓阻抗。可以使用与可植入引线相关联的电极来测量胸廓阻抗。在示例中，可以在右心室上的电极和植入在左或右胸区的可植入装置的外壳之间感测胸阻抗。在另一示例中，可以在左心室上的电极和可植入设备的罐外壳之间，或者在右心房电极和可植入设备的罐外壳之间感测胸廓阻抗。替代性地，可以使用可移除地附接到患者胸部的非侵入式表面电极来测量胸廓阻抗。67.心脏传感器214可以被配置成接收心脏信息，诸如从身体表面上的电极感测的心电图(ecg)、诸如从放置在皮肤下的电极感测的皮下ecg、或者诸如从引线系统108上的一个或多个电极感测的心内电描记图(egm)。可以使用心脏电信息导出心脏参数，诸如心率、心率变异性、心脏同步性、传导异常等。68.身体活动传感器215可以被配置成接收关于身体运动(例如，活动、步伐)或姿势的信息或位置信息。身体活动传感器215可以包括用于感测身体活动的可植入的、可穿戴的、可手持的或其他的移动式传感器。身体活动传感器可以包括被配置为感测受试者的身体的至少一部分的加速度信号的单轴或多轴加速度计。加速度信号的强度可以指示身体活动水平。身体活动、运动或姿势或位置信息可以附加地或替代性地用于触发一个或多个其他生理传感器，诸如在特定身体活动水平或特定姿势下采集的心音、阻抗或压力数据。身体活动信息和/或对活动的生理响应(例如，由其他生理传感器感测到的)可以用于评估hf患者的心律失常风险，诸如未来发展成af事件的风险。69.应当理解的是，根据本文中讨论的各种实施例，图2中示出的生理传感器211至215是用于心律失常风险分层和af事件预测的传感器的非限制性示例。作为非限制性示例，压力传感器可以用于接收血压信息，诸如动脉压力信号、肺动脉压力信号、左心房压力信号、rv压信号、lv冠状动脉压力信号等。在另一示例中，温度传感器可以被配置成接收体温信息。体温传感器的示例可以包括热电偶、热敏电阻、红外传感器或温度感测集成电路。在示例中，血氧传感器(例如，脉搏血氧计)可以被配置成接收关于血氧饱和度的信息。在另一示例中，化学传感器可以被配置成接收血液流体(例如血液)中的一种或多种化学物质的信息，诸如脑利钠肽(brainnatriureticpeptide，bnp)、血液面板、钠和钾水平、葡萄糖水平和其他生物标记物和生化标记物等。除了传感器211至215中的任何一个之外，或者代替传感器211至215中的任何一个，上面讨论的那些附加传感器中的一个或多个可以被包括在系统200中，并且用于心律失常风险分层和af事件预测。在一些示例中，由传感器电路210接收的生理信息可以包括来自如上讨论的(多个)传感器的信息，不包括心电图或电描记图信息。70.心律失常风险分层器230可以评估患者的心律失常风险，并且在一些示例中，使用从传感器电路210接收的生理信息来预测未来心脏心律失常事件，诸如af事件。心律失常风险分层器230可以被实施为微处理器电路的一部分，该微处理器电路可以是专用处理器，诸如数字信号处理器、专用集成电路(asic)、微处理器或用于处理包括身体活动信息的信息的其他类型的处理器。替代性地，微处理器电路可以是通用处理器，其可以接收和运行一组指令，该组指令执行本文描述的功能、方法或技术。71.心律失常风险分层器230可以包括电路组，该电路组包括一个或多个其他电路或子电路，包括信号度量生成器232和房性快速性心律失常风险评估器234。这些电路或子电路可以单独地或组合地执行本文描述的功能、方法或技术。在示例中，电路组的硬件可以被不可改变地设计成执行特定操作(例如，硬连线)。在示例中，电路组的硬件可以包括包含被物理修改(例如，以磁性地、电性地、不变聚集粒子的可移动放置等)以编码特定操作的指令的计算机可读介质的可变连接的物理组件(例如，执行单元、晶体管、简单电路等)。在连接物理组件时，使得硬件组成部分的基本电气特性变化，例如从绝缘体变为导体，反之亦然。指令使得嵌入式硬件(例如，执行单元或加载机构)能够通过可变连接在硬件中创建电路组的成员，以在操作时执行特定操作的各部分。因此，当设备正在操作时，计算机可读介质通信地耦合到电路组成员的其他组件。在示例中，物理组件中的任何一个可以用在多于一个电路组的多于一个成员中。例如，在操作中，执行单元可以在一个时间点用于第一电路组的第一电路，并且由第一电路组中的第二电路重新使用，或者由第二电路组中的第三电路在不同时间重新使用。72.信号度量生成器232可以使用所接收的生理信息(诸如由传感器211至215中的任何一个感测到的一个或多个生理信号)生成信号度量。信号度量可以包括从所感测的生理信号中提取的统计参数，诸如信号平均值、中值或其他中心趋势测量值或信号强度的直方图等。在一些示例中，信号度量可以包括从所感测的生理信号中提取的形态参数，诸如在诸如心动周期的指定时间段内的最大值或最小值、正斜率或负斜率或更高阶统计量、在指定频率范围下的信号功率谱密度以及其他形态参数。73.在示例中，信号度量可以包括hs度量。hs度量包括一个或多个hs分量s1、s2、s3或s4的强度。强度可以由时域hs信号、经变换的hs信号(诸如经积分的hs能量信号)或频域hs信号(诸如功率谱密度的峰值、或者由相应hs检测窗口内的一般性测量的峰值(诸如hs检测窗口内的hs信号的一部分的峰值包络信号或均方根值))中的hs分量的幅值来表示。hs分量的强度还可以包括信号幅值或峰值能量的斜率或变化率。在示例中，hs度量可以包括包含指定hs分量的至少一部分的hs信号的一部分的强度测量值，诸如在同一心动周期内r波和随后的s1心音之间或者r波和随后的s2心音之间的hs信号部分的均方根值。在一些示例中，信号度量可以包括复合hs度量，诸如s1、s2、s3和s4强度中的两个或更多个的线性或非线性组合。复合hs度量的非限制性示例可以包括s3强度与s1强度之比(s3/s1)、或s4强度与s1强度之比(s4/s1)。74.hs度量可以附加地或替代地包括基于hs的心脏定时参数，诸如心脏定时间隔(cardiactiminginterval，cti)。cti可以代表心脏的机电耦合，并且指示心脏功能和血液动力学状态。cti的示例可以包括诸如在qrs发作到s1心音之间测量的射血前期(pre‑ejectionperiod，pep)、诸如在ecg上的qrs复波发作到s2心音之间测量的心缩定时间隔(systolictiminginterval，sti)、诸如在s1心音和s2心音之间测量的左心室射血时间(left‑ventricularejectiontime，lvet)、或者诸如在s2心音和ecg上的随后的qrs复波发作之间测量的心舒定时间隔(diastolictiminginterval，dti)等。在一些示例中，hs度量生成器电路222可以生成复合测量值，诸如pep/lvet比、sti/dti比、sti/周期长度(cl)比或dti/cl比等。在具有房性快速性心律失常风险的chf患者中，hs强度或基于hs的心脏定时参数可以用于检测心脏收缩性、射血分数、收缩压或心输出量中的一个或多个方面的降低、或舒张末期容积方面的增加。本发明人已经认识到，一些hs度量可以预测患者未来发展成心房心律失常事件(如af)的风险，如图5b至图5c所示并将在下面进一步讨论。75.在示例中，信号度量生成器232可以根据所接收的呼吸信息生成一个或多个呼吸度量。呼吸度量的示例可以包括潮气量、呼吸速率、每分钟通气量、呼吸声音、作为呼吸速率与潮气量的比率计算的快速浅呼吸指数(rapid‑shallowbreathingindex，rsbi)、呼吸暂停低通气指数等。本发明人已经认识到，所述呼吸参数中的个体或组合可以预测患者未来发展成心房心律失常事件(如af)的风险，如图5d至5e所示并将在下面进一步讨论。76.在另一示例中，信号度量生成器232可以使用所接收的阻抗信息生成胸廓阻抗幅值度量。如图5f所示并且将在下面进一步讨论的，胸阻抗幅值可以预测患者未来发展成心房心律失常事件(如af)的风险。77.房性快速性心律失常风险评估器234可以被配置成在患者没有房性快速性心律失常的情况下，使用由信号度量生成器232生成的信号度量来生成指示患者未来发展成房性快速性心律失常的风险的心律失常风险指示。例如，当信号度量满足特定标准，诸如超过阈值或落在指定值范围内时，房性快速性心律失常风险评估器234可以确定患者具有房性快速性心律失常高风险。78.在示例中，房性快速性心律失常风险评估器234可以生成信号度量的趋势。信号度量趋势包括一段时间内信号度量的多次测量。在示例中，信号度量趋势可以包括包含在指定天数内信号度量的日测量的日趋势。日测量可以在一天中的特定时间(例如，晚上、早上或下午)或者在特定的患者状态(例如，当患者醒着或睡着时)期间执行。测量可以持续指定的持续时间(例如，大约2至8小时)。信号度量趋势的示例在下面讨论，诸如参考图5b至图5f讨论。在示例中，房性快速性心律失常风险评估器234可以包括比较器，以将信号度量趋势与阈值或信号度量的参考水平进行比较，并基于比较生成心律失常风险指示。该阈值可以包括当患者没有心律失常时或基于群体数据的信号度量的患者特定的基线测量。在一些示例中，可以在代表性信号度量值和阈值之间进行比较。代表性信号度量值可以包括在一段时间内进行的多次测量的中心趋势(例如，平均值、中值或模式)。例如，如果代表性的s1强度超过s1阈值指定的裕度、或者如果代表性s3强度超过s3阈值指定的裕度、或者如果代表性呼吸速率(respirationrat，rr)超过rr阈值指定的裕度、或者如果代表性rsbi超过rsbi阈值指定的裕度、或者如果代表性胸廓阻抗降低到低于胸廓阻抗阈值指定的裕度，心律失常风险指示可以指示高af风险。79.在一些示例中，房性快速性心律失常风险评估器234可以使用机器学习(machine‑learning，ml)模型生成心律失常风险指示。使用由一个或多个传感器采集的生理信息生成的一个或多个信号度量可以被馈送到ml模型中。ml模型可以使用来自患者群体的传感器数据来训练，并且产生对应于作为模型的输入的信号度量测量的心律失常风险指示。ml模型的示例可以包括线性回归模型、决策树、朴素贝叶斯模型、支持向量机模型、k近邻模型、随机森林模型、神经网络模型、表决模型、模糊逻辑模型等。80.心律失常风险指示可以由分类值(例如，“高”、“中”或“低”风险)或数值(例如，以1至5的标度，其中“1”指示最低风险，并且“5”指示最高风险)来代表，它们指示不同程度的心律失常风险。各种心律失常风险程度的分类可以基于信号度量的测量值与阈值(例如，信号度量的参考或基线值)的偏差来执行。在示例中，心律失常风险程度可以与所述偏差成比例，使得信号度量偏离阈值越多，心律失常风险程度越高。房性快速性心律失常风险评估器234可以基于测量的信号度量与阈值的偏差来预测未来房性快速性心律失常的发作定时或时间范围。在示例中，可以使用患者群体数据根据需要创建和更新所述偏差和预测的房性快速性心律失常发作时间(例如，从风险评估时的几天、几周或几个月内)之间的对应关系(例如，映射)，并将其存储在存储器中。然后，房性快速性心律失常风险评估器234可以使用所存储的对应关系将与信号度量相关联的测量偏差映射到预测的af发作时间或时间范围。81.在一些示例中，信号度量生成器232可以使用所接收的生理信息生成两个或更多个信号度量。房性快速性心律失常风险评估器234可以将两个或更多个信号度量中的每一个与其相应的阈值进行比较，并且使用所生成的两个或更多个信号度量的组合来生成心律失常风险指示。该组合可以包括从一个或多个生理传感器(例如传感器211‑215中的任何一个)导出的两个或更多个信号度量的线性或非线性组合，诸如加权和。在另一示例中，信号度量生成器232可以使用信号度量的组合来生成复合信号度量。房性快速性心律失常风险评估器234可以随着时间推移对复合信号度量进行趋势化，并且使用复合信号度量趋势和阈值的比较来生成心律失常风险指示。82.用户界面单元240可以包括输入设备和输出设备。在示例中，用户界面单元240的至少一部分可以实施在外部系统130中。输入设备可以接收用户的编程输入，诸如用于调节检测标准的参数和用于检测心律失常的参数。输入设备可以包括键盘、屏幕键盘、鼠标、轨迹球、触摸板、触摸屏或其他定点或导航设备。输入设备可以使得系统用户能够对用于感测生理信号、检测心律失常和生成警报等的参数进行编程。83.输出设备可以生成心律失常风险指示的人类可感知的呈现。输出设备可以包括显示器，用于显示所感测的生理信息、中间测量或计算，诸如一个或多个信号度量、信号度量趋势和心律失常风险的分类等。输出单元可以包括打印机，用于打印与患者心律失常风险相关的信息的硬副本。信息可以以表格、图表、图或任何其他类型的文本、表格或图形呈现格式呈现。输出信息的呈现可以包括音频或其他媒体格式，以提醒系统用户所检测的心律失常事件。在示例中，输出设备可以生成警报、报警、紧急呼叫或其他形式的警告，以向系统用户发信号通知关于患者心律失常风险或未来房性快速性心律失常的预测。输出设备可以生成建议，诸如更积极的心律失常监测、要执行的进一步测试、现有传感器配置或心律失常风险分层算法的调节、调度或修改患者随访时间表、或者发起或调节患者药物治疗或其他类型的治疗。84.可选的治疗电路250可以被配置为响应于心律失常风险指示满足条件(诸如超过阈值特定裕度或被分类为未来房性快速性心律失常高风险事件)，向患者递送治疗。治疗的示例可以包括递送到心脏、神经组织、其他目标组织的电刺激治疗、心脏复律治疗、除颤治疗或药物治疗。在一些示例中，治疗电路250可以修改现有的治疗，诸如调整刺激参数或药物剂量。85.图3是示出被配置为评估患者的心律失常(例如，af)风险的心律失常风险分层医疗设备系统的各部分的示例的框图。所示的示例可以是心律失常风险分层系统200的相关部分的示例。例如，心律失常风险分层器332可以是心律失常风险分层器232的实施例，并且可以被配置成在当前不存在房性快速性心律失常事件的情况下生成患者未来发展成房性快速性心律失常的心律失常风险指示。除了系统200中所示的传感器电路210之外，心律失常风险分层器332还可以耦合到用户输入电路(其可以是用户界面240的一部分)，可以从该用户输入电路接收患者人口统计信息322和患者病史信息324中的一个或两个。患者人口统计信息322的示例可以包括年龄、性别、种族、职业等。患者病史信息324的示例可以包括糖尿病、高血压、心肌梗塞、瓣膜疾病或一种或多种hf共病(诸如肥胖、高脂血症、代谢综合征、肺功能障碍、睡眠呼吸障碍、肾功能障碍、肝功能障碍、贫血、甲状腺异常、骨骼肌病变、抑郁症和认知障碍等)的患者病史的指示。在示例中，患者病史不包括该患者的房性快速性心律失常的病史，使得心律失常风险分层器332在不使用患者房性快速性心律失常病史信息的情况下确定患者发展房性快速性心律失常的风险。在示例中，患者病史信息324可以包括自患者最初诊断为hf以来的时间(例如，几年)。在另一示例中，患者病史信息324可以包括临床上用于评估患者的心律失常总体风险的综合风险评分，诸如评估中风的风险的chadsvasc评分，其可以影响是否抗凝的决定。chadsvasc评分系统考虑了多个患者人口统计学因素和一系列病史因素，包括chf、高血压、年龄、糖尿病、中风/tia、血管疾病(外周动脉疾病、既往mi、主动脉粥样硬化)。86.心律失常风险分层器332可以使用来自传感器电路210的生理信息以及患者人口统计信息322和患者病史信息324中的一个或两个来生成心律失常风险指示。在示例中，房性快速性心律失常风险评估器234可以使用从生理信息导出的一个或多个信号度量以及患者人口统计信息322和患者病史信息324中的一个或两个的组合(例如，加权组合)来生成心律失常风险指示。在另一示例中，由心律失常风险分层器332使用的一个或多个风险分层参数(例如，各种生理信号度量的相应阈值、复合信号度量的阈值、或用于生成心律失常风险指示的相应信号度量的权重因子)可以根据患者人口统计信息322或患者病史信息324来调节。例如，如果患者超过75岁，或者患有chf、先前中风或高血压，则可以将用于hs度量(例如，s1强度或s3强度)或呼吸度量(例如，rr或rsbi)中的一个或多个的阈值设置为较低水平，和/或可以将用于阻抗度量(例如，胸廓阻抗)的阈值设置为较高水平，使得心律失常风险分层器332在预测房性快速性心律失常事件时更敏感。在一些示例中，在心律失常风险分层器332中实施并由其执行的mi模型可以根据患者人口统计信息322进行调整(例如，通过调节模型参数)，或者患者病史信息324可以用于调节的灵敏度或特异性，使得例如mi模型可以对年龄较大和/或具有晚期chf或其他医学病症的患者更加敏感。87.图4是示出心律失常风险分层系统的各部分的示例的框图，该心律失常风险分层系统被配置为评估患者的心律失常风险并基于心律失常风险的当前估计自适应地调整心律失常风险评估。所示出的系统可以是心律失常风险分层系统200的相关部分的示例。心律失常风险分层器432(其是心律失常风险分层器232的实施例)可以被配置为使用由传感器电路210提供的生理信息来生成心律失常风险指示，如上面参考图2类似地讨论的那样。根据心律失常风险指示，监测器调节电路440可以被配置为调节传感器电路210，诸如选择性地激活或去激活某些传感器以采集生理信息，或者调节传感器数据采集时间、时间表、频率、持续时间、采样率或数据精度。例如，如果由心律失常风险分层器432生成的当前心律失常风险指示指示患者具有af高风险，则监测器调节电路440可以调整传感器电路210以收集更多的传感器数据(例如，将数据采集持续时间从例如先前的每天2小时增加到当前的每天5小时，或者将数据收集频率从先前的每3天一次增加到当前的每一天一次，以及其他调节)。88.监测器调节电路440可以根据心律失常风险指示替代性地或附加地调整心律失常风险分层器432。在示例中，监测器调节电路440可以修改用于生成心律失常风险指示的信号度量(例如，添加新的信号度量，或者移除先前使用的信号度量)。在另一示例中，监测器调节电路440可以调整一个或多个心律失常风险分层参数，诸如用于各种生理信号度量的相应阈值、用于复合信号度量的阈值、用于生成心律失常风险指示的相应信号度量的权重因子、或者用于生成心律失常风险指示的ml模型的参数值。监控器调节电路440可以选择组合两个或更多个信号度量的不同的方案，或者选择不同的mi模型，以生成心律失常风险指示。例如，如果当前心律失常风险指示指示患者具有af高风险，则可以使用更多的信号度量，用于单个信号度量的阈值和用于复合信号度量的阈值，或者可以调节mi模型参数，或者可以使用不同的mi模型来提高预测房性快速性心律失常风险的灵敏度。调整心律失常风险分层以适应目前的心律失常风险指示使得能够以及时的方式对心律失常高危患者进行更积极的监测，并在af首次出现时改善af检测。房性快速性心律失常风险分层的自适应调整也可以改善在引起患者症状之前的无症状af的检测。在一些示例中，可以及时标识患者以接收移动式监测器(例如，可植入心脏监测器)，并且可以及时给予适当的预防性干预(例如，口服抗凝剂)。89.图5a至图5f是示出从hf患者记录的传感器数据的趋势的图表，这些趋势可以用于对患者的房性快速性心律失常(例如af)风险进行分层。传感器数据是在一组hf患者(以下简称“af群组”)中发生临床诊断af事件前后记录的。传感器数据趋势从所诊断的af事件之前的90天延伸到之后的60天。传感器数据趋势相对于所诊断的af事件的发作时间对齐，对应于时间“0”(t0)并且在图5a至图5f中的每一个中由竖直实线501标记。除了“af群组”的传感器数据趋势之外，从“对照群组”获得的传感器数据趋势也在图表5a至5f中示出以供比较。对照群组包括观察时段期间未发展为af的hf患者。af的临床诊断(包括观察时段期间af的存在或不存在(因此将患者分类为af群组或对照群组)、af事件的发作时间和af负担(在指定单位时间(如一天)内在af花费的累积时间))可以由临床医生裁决。图5a示出了分别为af群组(趋势511)和对照群组(趋势512)确定的af负担随时间的变化。由于af群组的传感器数据趋势相对于t0处的af发作对齐，因此在t0之前实际上没有af负担。af负担在t0增加，并在发作期后60天内保持处于高负担水平。对照群组中未观察到af负担(大约为0)。90.作为示例而非限制，图5b至图5f示出了使用诸如由图2中示出的传感器211至215采集或接收的生理信息的各种信号度量的趋势。特别地，图5b示出了s1心音强度(例如，幅值或信号功率)趋势(用于af群组的趋势521和用于对照群组的趋势522)，以及图5c示出了s3心音强度(例如，幅值或信号功率)趋势(用于af群组的趋势531和用于对照群组的趋势532)。与对照群组相比，在af发作前的90天时段内，af群组具有始终较高的s1强度和始终较高的s3强度。心律失常风险分层器230可以使用s1强度或s3强度(例如，通过将s1强度或s3强度与它们相应的阈值进行比较，或者使用如前所讨论的mi模型)来在诊断出af事件之前很长时间(例如，3个月)标识未来具有af事件较高风险的患者。91.图5d示出了呼吸率(rr)趋势(用于af群组的趋势541，以及用于对照群组的趋势542)，以及图5e示出了被定义为呼吸频率与潮气量之比的快速浅呼吸指数(rsbi)的趋势(用于af群组的趋势551以及用于对照群组的趋势552)。如图5d至图5e所示，远在af发作的前90天，af群组的rr趋势和rsbi趋势两者高于对照群组的相应趋势。随着时间的推移和接近af发作时间t0，明显更高的rr和更高的rsbi变得更加突出。因此，即使远在af事件实际发生的前90天，相比于具有较低rr或较低rsbi水平的那些患者，具有升高的rr或升高的rsbi的患者会处于未来发展成af的更高的风险。心律失常分层器230可以将rr或rsbi与它们相应的阈值进行比较，并且至少基于所测量的rr或rsbi水平与它们相应的阈值的偏差来确定患者的af风险，或者预测未来af事件。92.图5f示出了af发作前后的胸廓阻抗趋势。可以使用阻抗传感器来测量胸廓阻抗，该阻抗传感器可以包括皮肤上的或皮下放置的电极。胸廓阻抗可以指示肺液状态。如前所讨论那样，hf患者可能有肺液积累或再分布，因此具有较低的胸廓阻抗。图5f示出了在af发作前的90天时段内，af群组(趋势561)比对照群组(趋势562)具有更低的胸阻抗水平。心律失常分层器230可以将胸廓阻抗与阈值进行比较，以在af事件的临床诊断之前很长时间(例如，3个月)标识未来具有af事件较高风险的患者，或者预测未来af事件。93.尽管以上参考图5b至图5f的描述集中在hs度量(例如，s1和s3)、呼吸度量(例如，rr和rsbi)和阻抗度量(例如，胸廓阻抗幅值)，但是它们仅作为示例而非限制。从与上面讨论的相同或不同的传感器的数据生成的其他信号度量可以用于对af风险进行分层或预测未来af事件。而且，如前所讨论那样，来自相同传感器或不同传感器的两个或更多个信号度量可以使用线性或非线性组合或机器学习模型来组合以生成复合af风险指示。94.图6是示出了用于评估患者的心律失常风险并且当患者没有房性快速性心律失常时，预测未来的心律失常事件(诸如af或其他房性快速性心律失常事件)的方法600的示例的流程图。房性快速性心律失常的示例包括心房颤动(af)、心房扑动(afl)和房性心动过速等。方法600可以在诸如可植入或可穿戴医疗设备的移动医疗设备中实施并由其执行，或者在远程患者管理系统中实施并由其执行。在示例中，方法600可以在amd110中的生理事件检测器电路160、外部系统130或心律失常风险分层系统200中实施并由其执行。95.方法600开始于610，在那里可以接收患者的生理信息。生理信息可以从与患者相关联的生理传感器感测，或者从存储从患者记录的生理信号的存储设备(例如，电子医疗记录系统)中获取。作为示例而非限制，生理传感器可以包括如图2所示的传感器211至215中的任何一个。所接收的生理信息的示例可以包括心脏加速度(例如心音)、呼吸、阻抗(例如胸廓阻抗)、心脏电活动、血压、体温、血氧、血液化学物质等的信息96.在620，可以使用所接收的生理信息(诸如使用信号度量生成器232)来生成一个或多个信号度量。信号度量可以包括从所接收的生理信息中提取的统计参数或形态参数。信号度量的示例可以包括：心音(hs)度量，诸如hs分量强度(例如，s1、s2、s3或s4心音的幅值或信号功率)或基于hs的心脏定时间隔(cti)；呼吸度量，诸如潮气量、呼吸率、每分钟通气量、呼吸音或快速浅呼吸指数(rsbi)、或呼吸暂停低通气指数；胸廓阻抗幅值；压力度量，诸如动脉压力信号、肺动脉压力信号、左心房压力信号、rv压力信号、lv冠状动脉压力信号等。如图5a至5f所示，本发明人已经认识到，这些信号指标中的至少一些在后来发展af事件(例如，从af风险评估起最多90天)的hf患者的房性快速性心律失常群组和包括未发展af事件的hf患者的对照群组之间具有不同的值(或在不同的值范围内)，这表明信号度量可以预测患者未来发展成房性心律失常事件(诸如af)的风险。97.在630，可以在患者没有房性快速性心律失常的情况下生成心律失常风险指示，诸如使用房性快速性心律失常风险评估器234。心律失常风险指示指示没有房性快速性心律失常病史的患者后来发展房性快速性心律失常事件(例如af、afl或其他房性快速性心律失常事件)的风险。如果信号度量满足特定标准(诸如信号度量的值超过阈值或落在指定的值范围内)，则可以生成心律失常风险指示。在示例中，信号度量可以随时间被趋势化，诸如图5b至图5f中示出的信号度量趋势中的任何一个。可以将信号度量趋势或代表值(例如，多次测量的中心趋势)与阈值或信号度量的参考水平进行比较，以生成心律失常风险指示。98.可以使用单个信号度量或两个或更多个信号度量的组合来生成心律失常风险指示。该组合可以包括线性或非线性组合，诸如加权和。在示例中，可以使用信号度量的组合来生成复合信号度量。复合信号度量可以随时间而趋势化，并将其与阈值进行比较，以确定心律失常风险指示。在一些示例中，可以至少基于信号度量或复合信号度量与相应阈值的偏差来确定由分类值或数值代表的各种程度的心律失常风险。在一些示例中，可以基于所述偏差来预测未来房性快速性心律失常的发作定时或时间范围。在一些示例中，心律失常风险指示可以使用机器学习(ml)模型来生成，诸如线性回归模型、决策树、朴素贝叶斯模型、支持向量机模型、k近邻模型、随机森林模型、神经网络模型、表决模型、模糊逻辑模型等。99.在540生成的心律失常风险的指示可以用于进程642、644或646中的一个或多个。在642，心律失常风险指示可以输出给用户或进程，诸如通过图2中示出的用户界面240。在示例中，心律失常风险指示以及在风险评估过程中使用的其他信息(诸如生理信号或信号度量)可以显示在显示器上。可以根据心律失常风险指示生成警报，以向系统用户(例如，临床医生)通知关于患者心律失常风险或预测的未来房性快速性心律失常事件。替代性地或附加地，在644，心律失常风险分层可以根据心律失常风险指示进行更新，诸如使用监测器调节电路440。这可以包括，例如，选择性地激活或去激活某些传感器、调节传感器数据采集时间、时间表、频率、持续时间、采样率或数据精度；修改在确定心律失常风险指示时所包括的信号度量(例如，添加新的信号度量、或移除先前使用的信号度量)；调整一个或多个心律失常风险分层参数，诸如用于各种生理信号度量的相应阈值、用于复合信号度量的阈值、用于生成心律失常风险指示的相应信号度量的权重因子、用于生成心律失常风险指示的ml模型的参数；或者选择不同的ml模型等。利用644处的经更新的心律失常风险分层，如果指示了心律失常高风险，则可以执行更积极的心律失常监测。因此，这可以在af首次出现时及时改善af的监测，以及在患者表现出症状前改善对无症状af的标识。100.附加地或替代性地，在646，可以生成推荐并将其提供给用户，诸如执行更积极的心律失常监测、生理感测或心律失常风险分层的调节、发起或调节患者药物治疗。系统用户(例如，临床医生)可以查阅所接收的生理信息和心律失常风险指示，并根据需要重新编程一个或多个风险分层参数。附加地或替代性地，在646，响应于心律失常风险指示满足条件(诸如超过阈值特定裕度或被分类为未来房性快速性心律失常高风险事件)，可以例如经由如图2所示的可选治疗电路250来递送治疗。治疗的示例可以包括递送到心脏、神经组织、其他目标组织的电刺激治疗、心脏复律治疗、除颤治疗或包括递送药物到组织或器官的药物治疗。在一些示例中，可以修改现有的治疗或治疗计划，诸如修改患者随访时间表或调节刺激参数或药物剂量。101.图7总体上示出了本文讨论的技术(例如，方法)中的任何一个或多个可以在其上执行的示例机器700。本描述的各部分可以应用于lcp设备、imd或外部编程器的各种部分的计算框架。102.在替代性实施例中，机器700可以作为独立设备操作，或者可以连接(例如，联网)到其他机器。在网络化部署中，机器700可以在服务器‑客户端网络环境中以服务器机器、客户端机器或两者的身份操作。在示例中，机器700可以充当对等(peer‑to‑peer，p2p)(或其他分布式)网络环境中的对等机器。机器700可以是个人计算机(personalcomputer，pc)、平板计算机、机顶盒(set‑topbox，stb)、个人数字助理(personaldigitalassistant，pda)、移动电话、网络设备、网络路由器、交换机或网桥，或者能够执行指定要由该机器采取的动作的指令(顺序的或其他的)的任何机器。进一步，虽然仅示出了单个机器，但是术语“机器”也应被理解为包括单独或共同执行一组(或多组)指令以执行本文讨论的方法中的任何一个或多个的任何机器集合，诸如云计算、软件即服务(softwareasaservice，saas)、其他计算机集群配置。103.如本文所述的示例可以包括逻辑或多个组件或机构，或者可以由逻辑或多个组件或机构操作。电路组是在包含硬件(例如，简单电路、门、逻辑等)的有形实体中实施的电路的集合。随着时间的推移和底层硬件的可变性，电路组成员资格可以是灵活的。电路组包括单独或组合运行时执行特定操作的部件。在示例中，电路组的硬件可以被不可改变地设计成执行特定操作(例如，硬连线)。在示例中，电路组的硬件可以包括包含被物理修改(例如，以磁性地、电性地、不变聚集粒子的可移动放置等)以编码特定操作的指令的计算机可读介质的可变连接的物理组件(例如，执行单元、晶体管、简单电路等)。在连接物理组件时，使得硬件组成部分的基本电气特性变化，例如从绝缘体变为导体，反之亦然。指令使得嵌入式硬件(例如，执行单元或加载机构)能够通过可变连接在硬件中创建电路组的成员，以在操作时执行特定操作的各部分。因此，当设备正在操作时，计算机可读介质通信地耦合到电路组成员的其他组件。在示例中，物理组件中的任何一个可以用在多于一个电路组的多于一个成员中。例如，在操作中，执行单元可以在一个时间点用于第一电路组的第一电路，并且由第一电路组中的第二电路重新使用，或者由第二电路组中的第三电路在不同时间重新使用。104.机器(例如，计算机系统)700可以包括硬件处理器702(例如，中央处理单元(centralprocessingunit，cpu)、图形处理单元(graphicsprocessingunit，gpu)、硬件处理器核或它们的任意组合)、主存储器704和静态存储器706，它们中的一些或全部可以通过互联件(例如，总线)708相互通信。机器700还可以包括显示单元710(例如，光栅显示器、矢量显示器、全息显示器等)、字母数字输入设备712(例如，键盘)和用户界面(ui)导航设备714(例如，鼠标)。在示例中，显示单元710、输入设备712和ui导航设备714可以是触摸屏显示器。机器700可以附加地包括存储设备(例如，驱动单元)716、信号生成设备718(例如，扬声器)、网络接口设备720和一个或多个传感器721，诸如全球定位系统(gps)传感器、指南针、加速度计或其他传感器。机器700可以包括输出控制器728，诸如串行(例如，通用串行总线(usb))、并行或其他有线或无线(例如，红外(ir)、近场通信(nearfieldcommunication，nfc)等)连接，以通信或控制一个或多个外围设备(例如，打印机、读卡器等)。105.存储设备716可以包括其上存储一组或多组数据结构或指令724(例如，软件)的机器可读介质722，这些数据结构或指令实现本文描述的技术或功能中的任何一个或多个或被本文描述的技术或功能中的任何一个或多个利用。指令724也可以在由机器700对其执行期间完全或至少部分地驻留在主存储器704内、静态存储器706内或硬件处理器702内。在示例中，硬件处理器702、主存储器704、静态存储器706或存储设备716中的一个或任意组合可以构成机器可读介质。106.虽然机器可读介质722被示为单个介质，但是术语“机器可读介质”可以包括被配置为存储一个或多个指令724的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。107.术语“机器可读介质”可以包括能够存储、编码或携带用于由机器700执行的指令并使机器700执行本公开的技术中的任何一个或多个的任何介质，或者能够存储、编码或携带由这些指令使用或与这些指令相关联的数据结构的任何介质。非限制性机器可读介质示例可以包括固态存储器以及光学和磁性介质。在示例中，大容量机器可读介质包括带有具有不变(例如静止)质量的多个粒子的机器可读介质。因此，大容量机器可读介质不是暂时传播的信号。大容量机器可读介质的具体示例可以包括：非易失性存储器，诸如半导体存储设备(例如，电可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom))和闪存设备、磁盘(诸如内部硬盘和可移动磁盘)、cd‑rom、以及dvd‑rom盘。108.指令724还可以使用传输介质经由网络接口设备720利用多种传送协议(例如，帧中继、互联网协议(internetprotocol，ip)、传输控制协议(transmissioncontrolprotocol，tcp)、用户数据报协议(userdatagramprotocol，udp)、超文本传输协议(hypertexttransferprotocol，http)等)中的任何一个通过通信网络726发送或接收。示例通信网络可以包括局域网(localareanetwork，lan)、广域网(wideareanetwork，wan)、分组数据网络(例如，互联网)、移动电话网络(例如，蜂窝网络)、普通老式电话(plainoldtelephone，pots)网络和无线数据网络(例如，称为的电气和电子工程师协会(ieee)802.11系列标准、称为的ieee802.16系列标准)、ieee802.15.4系列标准、对等(p2p)网络等。在示例中，网络接口设备720可以包括一个或多个物理插口(例如，以太网插口、同轴电缆插口或电话插口)或一个或多个天线来连接到通信网络726。在示例中，网络接口设备720可以包括多个天线，以使用单输入多输出(single‑inputmultiple‑output，simo)、多输入多输出(multiple‑inputmultiple‑output，mimo)或多输入单输出(multiple‑inputsingle‑output，miso)技术中的至少一种进行无线通信。术语“传输介质”应被理解为包括能够存储、编码或携带用于由机器700执行的指令的任何无形介质，并且包括数字或模拟通信信号或有助于这种软件的通信的其他无形介质。109.在上面的图中示出了各种实施例。来自这些实施例中的一个或多个的一个或多个特征可以被组合以形成其他实施例。110.本文描述的方法示例可以至少部分是机器或计算机实施的。一些示例可以包括用可操作以配置电子设备或系统执行上述示例中描述的方法的指令编码的计算机可读介质或机器可读介质。这种方法的实施方式可以包括代码，诸如微码、汇编语言代码、高级语言代码等。这种代码可以包括用于执行各种方法的计算机可读指令。代码可以形成计算机程序产品的各部分。进一步，代码可以在执行期间或在其他时间有形地存储在一个或多个易失性或非易失性计算机可读介质上。111.上面的详细描述旨在是说明性的，而不是限制性的。因此，本公开的范围应当参照所附权利要求以及这些权利要求所赋予的等同物的全部范围来确定。当前第1页12当前第1页12
技术领域：
：3.本文档总体上涉及医疗设备，并且更特别地，涉及用于预测受试者体内的房性快速性心律失常的系统、设备和方法。
背景技术：
：：4.心律失常是心跳的定时或模式方面的异常。房性快速性心律失常是一种以异常快速心房率为特征的心律失常，并且可以包括各种类型的心律失常，包括心房纤颤(atrialfibrillation，af)、心房扑动(atrialflutter，afl)、房性心动过速、室上性心动过速等。af是最常见的临床心律失常，并且约占由心律紊乱导致的住院人数的三分之一。在af期间，正常的常规窦性心律被源自心房内或心房附近区域的扰乱的电脉冲所盖过。这可能导致心室的传导不规律，从而引起不适当的快速且不规律的心率。一种类型af的是阵发性af，在阵发性af自行停止之前它可能持续几分钟到几天。另一种类型称为持续性af，可能持续一周以上，并且通常需要药物或其他治疗来恢复正常的窦性心律。第三类型(永久性af)是一种无法利用治疗恢复正常心律的病症。持续性af可能变得更加频繁，并且导致永久性af。5.充血性心力衰竭(congestiveheartfailure，chf或hf)是另一主要的心血管流行病，仅在美国就影响了许多人。chf是心脏的泵送能力的丧失，从而导致无法递送足够的血液来满足周围组织的需求。chf患者通常心脏扩大，心肌减弱，从而导致收缩力降低，心输出血量差。chf可影响左心脏、右心脏或心脏的两侧，从而导致左心室收缩和右心室收缩不同时。这种不同时的收缩(也称为左心室和右心室之间的不同步)进一步降低心脏的泵送效率。6.af和chf之间存在密切的病理生理关系。很大比例的chf患者可能经历af或其他类型的房性快速性心律失常。af可能促进chf的发展或进展。chf可能增加af发展的风险。患有chf的患者的af的患病率随着chf的严重程度并行增加。7.移动式医疗设备(abulatorymedicaldevice，amd)已被用于监测hf患者。这种移动式医疗设备的示例可以包括可植入医疗设备(implantablemedicaldevice，imd)、皮下医疗设备、可穿戴医疗设备或其他外部医疗设备。一些amd可以包括提供诊断特征的生理传感器。技术实现要素：8.本文档尤其讨论了用于标识处于房性快速性心律失常(例如af)的高风险的患者和预测未来房性快速性心律失常的系统、设备和方法。一种示例性医疗设备系统包括心律失常检测器电路，该心律失常检测器电路被配置为：接收患者体内的生理信息；使用所接收的生理信息生成信号度量；并且在患者不存在房性快速性心律失常的情况下，使用所生成的信号度量生成指示患者未来发展成房性快速性心律失常的风险的心律失常风险的指示。根据心律失常风险指示，如果患者被标识为具有房性快速性心律失常的高风险，系统可以生成警报，或者启动更积极的监测。9.示例1是一种用于评估患者的心律失常风险的医疗设备系统。该系统包括心律失常预测器电路，该心律失常预测器电路被配置为：接收从患者感测的生理信息；并且使用所接收的生理信息确定患者发展为房性快速性心律失常的风险。10.在示例2中，示例1的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为生成信号度量的趋势，并且当患者没有当前房性快速性心律失常时，使用该趋势预测未来房性快速性心律失常。11.在示例3中，示例1至2中的任何一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为如果所接收的生理信息的信号度量超过阈值或者落在值范围内，则生成心律失常风险的指示。12.在示例4中，示例1至3中的任何一个或多个的主题可选地包括可以包括心脏加速度信息的所接收的生理信息。13.在示例5中，示例4的主题可选地包括可以包括心音(hs)信息的心脏加速度信息，并且心律失常预测器电路可以被配置为使用包括hs强度或心脏定时参数的所接收的生理信息来生成信号度量。14.在示例6中，示例5的主题可选地包括所生成的信号度量，该所生成的信号度量可以包括以下中的一个或多个：第一(s1)心音强度、第三(s3)心音强度、或者相对于s1强度归一化的s3强度。15.在示例7中，示例1至6中任一个或多个的主题可选地包括可以包括胸廓阻抗信息的所接收的生理信息。16.在示例8中，示例1至7中任一个或多个的主题可选地包括可以包括呼吸信息的所接收的生理信息。17.在示例9中，示例8的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置成生成一个或多个信号度量，该一个或多个信号度量包括以下中的一个或多个：呼吸率、呼吸量度量、或者快速浅呼吸指数。18.在示例10中，示例1至9中的任何一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为使用所接收的生理信息生成两个或更多个信号度量，并且使用所生成的两个或更多个信号度量的组合来生成心律失常风险的指示。19.在示例11中，示例1至10中的任何一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为使用机器学习模型生成心律失常风险指示。20.在示例12中，示例1至11中的任何一个或多个的主题可选地包括输出电路，该输出电路可以被配置为向用户呈现心律失常风险指示，或者根据心律失常风险指示生成警报。21.在示例13中，示例1至12中的任何一个或多个的主题可选地包括治疗电路，该治疗电路可以被配置为根据心律失常风险指示来生成或调节治疗。22.在示例14中，示例1至13中的任一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为在没有房性快速性心律失常的情况下，进一步使用患者人口统计信息或患者病史信息生成心律失常风险的指示。23.在示例15中，示例1至14中的任何一个或多个的主题可选地包括心律失常预测器电路，该心律失常预测器电路可以被配置为响应于所生成的心律失常风险指示满足条件，更新所接收的生理信息或调整心律失常风险分层参数。24.示例16是一种评估患者的心律失常风险的方法。该方法包括以下步骤：通过医疗设备系统的心律失常预测器电路：接收从患者感测的生理信息；以及使用所接收的生理信息确定患者发展为房性快速性心律失常的风险。25.在示例17中，示例16的主题可选地包括生成生理信息的趋势，并使用该趋势预测未来房性快速性心律失常。26.在示例18中，示例16至17中的任何一个或多个的主题可选地包括生成心律失常风险的指示，该指示可以包括将所接收的生理信息的信号度量与参考值进行比较，并且其中所接收的生理信息包括以下中的一个或多个：心脏加速度信息、胸廓阻抗信息、或者呼吸信息。27.在示例19中，示例16至18中的任何一个或多个的主题可选地包括使用机器学习模型生成心律失常风险的指示。28.在示例20中，示例16至19中任一个或多个的主题可选地包括在没有房性快速性心律失常的情况下，使用患者人口统计信息或患者病史信息生成心律失常风险的指示。29.在示例21中，示例16至20中的任何一个或多个的主题可选地包括向用户呈现心律失常风险指示，或者根据心律失常风险指示生成警报。30.在示例22中，示例16至21中的任何一个或多个的主题可选地包括当所生成的心律失常风险指示满足条件时，更新所接收的生理信息或调整心律失常风险分层参数。31.在示例23中，示例1的主题可选地包括不包括心电图或电描记图信息的生理信息。32.在示例24中，示例1的主题可选地包括确定患者发展为房性快速性心律失常的风险，这不包括使用该患者的房性快速性心律失常病史。33.本概述是对本技术的教导中的一些的概述，并不旨在是本主题的排他性或穷尽性处理。在详细描述和所附权利要求中可以找到关于本主题的更多细节。在阅读和理解以下详细描述并查看构成其一部分的附图(它们中的每一个都不是以限制性意义看待的)后，本公开的其他方面对于本领域技术人员来说将是显而易见的。本公开的范围由所附权利要求及其法律等同物来限定。附图说明34.各种实施例在附图中以示例的方式示出。这些实施例是说明性的，并不旨在是本主题的穷举或排他性实施例。35.图1总体上示出了患者管理系统以及该系统可以在其中操作的环境的各部分的示例。36.图2总体上示出了心律失常风险分层系统的示例，该系统被配置为评估患者的心律失常(例如，af)风险。37.图3是示出心律失常风险分层系统的部分示例的框图，该心律失常风险分层系统被配置为评估患者的心脏心律失常风险并预测未来房性快速性心律失常。38.图4是示出心律失常风险分层系统的各部分的示例的框图，该心律失常风险分层系统被配置为评估患者的心律失常风险并基于心律失常风险的当前估计自适应地调整心律失常风险评估。39.图5a至图5f是示出从hf患者记录的传感器数据的趋势的图表，这些趋势可以用于对患者的房性快速性心律失常风险进行分层。40.图6是示出评估患者的心律失常(例如af)风险的方法的示例的流程图。41.图7总体上示出了本文讨论的技术(例如，方法)中的任何一个或多个可以在其上执行的示例机器的框图。具体实施方式42.在许多chf患者中，房性快速性心律失常(诸如af)可能与hf共存。临床试验已经报告了chf患者中约20至40％的af患病率。chf的存在已被证明是诱发患者af的独立风险因素。这可能部分是由于归因于chf的心脏结构变化(例如，增大、纤维化)和系统性变化(例如，神经激素失衡)，这可能会创造有助于af发展的潜在条件。另一方面，af的存在可能会促进心力衰竭恶化(worseningofheartfailure，whf)。例如，在af期间，心室收缩的不规律性可能导致短循环期间左心室(lv)充盈方面的减少，这可能无法通过长循环期间的增加的充盈完全补偿。有效心房收缩功能的丧失可能对lv充盈的劣化有贡献，特别是在心舒功能不全的chf患者中。存在未治疗或未控制的af也可能降低chf治疗的有效性。43.及时且可靠地检测房性快速性心律失常(诸如af)对于治疗或控制af以及预防或减少其对chf的加重作用是必要的。常规af检测通常基于患者心电图(ecg)或症状。具有af的患者可能经常经历不合适的快心率和不规律的心室节律。由此，可以基于电生理记录(诸如由移动式监测器获取的ecg或心内或皮下电描记图(egm))中呈现的快速心房率和/或不规律心室收缩来检测af。然而，电生理文档可能容易受到噪声或生理或非生理源的干扰的影响，并且不规律的心室收缩可能是由af以外的混杂因素引起的，诸如心室异位收缩或对心室收缩的不当感测。因此，基于ecg的方法可能会导致假阳性或假阴性af检测。附加地，对于没有移动式ecg监测器或可植入心脏设备的患者，ecg或egm文档可能不容易获得。44.诸如af的房性快速性心律失常在一些患者中可能没有症状。没有症状af在chf患者中普遍存在，这些患者处于与未确诊的房性心律失常相关联的并发症的风险下。与有基线af(例如，与hf共存的永久性或持续性af)的那些chf患者相比，一些chf患者他们的hf诊断时没有af病史，但可能在诊断和管理他们的chf病症后数月或数年发展新发af事件。随着他们的hf病症进展，较长时间内处于hf病症的患者具有发展新发af的更高的几率。不论是有症状还是无症状，新发af都会预测chf患者的更差的预后。一些临床研究已经表明，与具有基线af的chf患者相比，新发af可能会带来更高的死亡率和hf住院风险。至少由于af和hf之间的恶性循环，以及特别是新发af和无症状af在chf人群中的高患病率，本发明人已经认识到仍然非常需要改进的系统和方法以主动标识处于房性快速性心律失常(如af)的高风险下的患者、在出现临床表现(诸如电生理表现或患者有症状)之前预测未来af事件。利用本文中讨论的风险分层和房性快速性心律失常预测，可更积极地监测已标识的高危患者，或实施适当的预防性干预。45.本文公开了用于评估患者的心律失常风险，诸如发展为心房纤颤的风险的系统、设备和方法。一种示例性医疗设备系统包括心律失常预测器电路，该心律失常预测器电路被配置为接收患者的生理信息，并使用所接收的生理信息生成信号度量。在没有房性快速性心律失常的情况下，心律失常预测器电路可以使用所生成的信号度量来生成患者未来发展成房性快速性心律失常的心律失常风险的指示。根据心律失常风险指示，系统可以生成警报，或者在被标识为具有房性快速性心律失常高风险的患者中启动更积极的监测。46.本文档中讨论的各种实施例可以帮助改进自动化的、基于设备的患者af风险分层和未来af事件的预测的医疗技术。本文公开的af风险分层和预测会有助于防止进展为持续性或永久性af，并减少心力衰竭恶化(whf)的机会或减缓心力衰竭恶化。常规af检测技术(诸如基于ecg/egm或患者症状的技术)不能充分解决新发af或无症状af事件(诸如在无房性快速性心律失常病史的chf患者中)。诸如快速心房率或不规律心室收缩的电生理特征可以指示当前(例如，正在进行的)af事件的发作，但是当患者目前没有af或其他快速房性心律失常时，或者在没有af或其他快速房性心律失常病史的患者中，可能无法可靠地标识患者af风险或预测未来af。相反，根据一些实施例，本文讨论的系统和方法使用多传感器方法，以便在af事件发展并基于电生理表现或患者症状进行临床诊断之前的几天或几个月主动标识af高风险患者。本文公开的早期指示(诸如由一个或多个传感器响应方面的变化代表的早期指示)可以实现自动af风险分层和未来af事件的预测。可以生成警报并将其提供给临床医生或其他医疗保健人员，使得可以更积极地监测所标识的高风险患者，或者可以实施预防性干预。因此，患者预后可以得到改善，并且与af和whf管理相关联的医疗保健成本可以被降低。而且，本文讨论的af管理方面的改善可以在几乎没有附加成本或增加的系统复杂性的情况下实现。在一些示例中，现有的系统性能(例如，hf诊断和治疗、af或其他心律失常检测和治疗等)可以使用较低成本或较突兀的系统、装置和方法来保持。利用改进的风险分层和af事件预测，用于whf和af管理的后续资源可以减少，移动式设备的电池寿命可以延长，可以安排、开具或提供更少的不必要药物和程序，并且与现有设备和系统相比，可以实现整体系统成本和功率节省。47.图1总体上示出了患者管理系统100以及该系统100可以在其中操作的环境的各部分的示例。患者管理系统100可以执行一系列活动，包括远程患者监测和疾病病症的诊断。这种活动可以在患者附近执行(诸如在患者的家中或办公室执行)、通过集中式服务器执行(诸如在医院、诊所或医生的办公室)、或者通过远程工作站执行(诸如安全无线移动计算设备)。48.患者管理系统100可以包括与患者102相关联的移动式系统105、外部系统125和提供移动式系统105和外部系统125之间的通信的遥测链路115。49.移动式系统105可以包括移动式医疗设备(amd)110。在示例中，amd110可以是皮下植入患者102的胸部、腹部或其他部位中的可植入设备。可植入设备的示例可以包括但不限于起搏器、起搏器/除颤器、心脏再同步治疗(cardiacresynchronizationtherapy，crt)设备、心脏重塑控制治疗(remodelingcontroltherapy，rct)设备、神经调节器、药物递送设备、生物治疗设备、诊断设备(诸如心脏监测器或循环记录器)、或患者监测器等。amd110替代性地或附加地可以包括皮下医疗设备(诸如皮下监测器或诊断设备)、外部监测或治疗医疗设备(诸如自动外部除颤器(aed)或霍尔特监测器)、或者可佩戴医疗设备(诸如基于贴片的设备、智能手表或智能附件)。50.作为示例，amd110可以耦合到引线系统108。引线系统108可以包括一个或多个经静脉、皮下或非侵入性放置的引线或导管。每个引线或导管可以包括一个或多个电极。引线系统108和相关联的电极的布置和使用可以使用患者需求和amd110的能力来确定。引线系统108上的相关联的电极可以被定位在患者的胸部或腹部，以感测指示心脏活动的生理信号、或者对目标组织的诊断或治疗性刺激的生理反应。作为示例而非限制，并且如图1所示，引线系统108可以通过外科手术插入到心脏101中或被定位在心脏101的表面上。引线系统108上的电极可以被定位在心脏101的一部分上，诸如右心房(rightatrium，ra)、右心室(rightventricle，rv)、左心房(leftatrium，la)或左心室(leftventricle，lv)，或者心脏部分之间或附近的任何组织。在一些示例中，引线系统108和相关联的电极替代性地定位在身体的其他部分上，以感测包含关于患者心率或脉搏率的信息的生理信号。在示例中，移动式系统105可以包括没有通过引线系统108栓系到amd110的一个或多个无引线传感器。无引线移动式传感器可以被配置成感测生理信号并与amd110无线通信。51.amd110可以被配置为监测诊断设备。amd110可以包括气密密封罐，该密封罐容纳感测电路、控制电路、通信电路和电池以及其他组件中的一个或多个。感测电路可以感测生理信号，诸如使用生理传感器或与引线系统108相关联的电极。生理信号的示例可以包括心电图、心内电描记图、心律失常、心率、心率变异性、胸内阻抗、心内阻抗、动脉压、肺动脉压、左心房压、右心室(rv)压、左心室(lv)冠状动脉压、冠状动脉血液温度、血氧饱和度、一个或多个心音、心内加速度、身体活动或运动水平、对活动的生理反应、姿势、呼吸率、潮气量、呼吸音、体重或体温中的一个或多个。52.amd110可以包括被配置为检测患者的生理事件的生理事件检测器电路160。在示例中，生理事件检测器电路160可以被配置为评估患者的心律失常风险，并使用所感测的生理信号预测未来心律失常事件。心律失常的示例可以包括af、afl、房性心动过速、室上性心动过速、室性心动过速或心室纤颤、心脏暂停以及其他缓慢性或快速性心律失常。在一些示例中，生理事件检测器电路160可以被配置成检测慢性医疗病症的恶化，诸如心力衰竭恶化(whf)。生理事件检测器电路160可以执行检测算法，以连续或周期性地监测一个或多个生理信号，并自动检测生理事件。附加地或替代性地，生理事件检测器电路160可以被配置成在患者触发模式下操作、响应于用户激活的触发来登记患者触发的发作并记录生理数据。当患者表现出某些迹象或症状，或经历指示医疗事件的先兆事件时，该触发器可以由患者激活。53.amd110替代性地被配置为治疗设备，该治疗设备被配置为治疗心律失常或其他心脏病症。amd110可以附加地包括治疗单元，该治疗单元可以生成并递送一种或多种治疗。治疗可以通过引线系统108和相关联的电极递送给患者102。治疗可以包括电、磁或其他类型的治疗。该治疗可包括抗心律失常治疗，以治疗心律失常、或治疗或控制由心律失常引起的一种或多种并发症，诸如晕厥、充血性心力衰竭或中风等。抗心律失常治疗的示例可以包括起搏、心脏复律、除颤、神经调节、药物治疗或生物治疗以及其他类型的治疗。在示例中，这些治疗可以包括用于纠正失同步和改善chf患者的心脏功能的心脏再同步治疗(crt)。在一些示例中，amd110可以包括用于向患者递送药物的药物递送系统(诸如药物输注泵)，以用于管理心律失常或由心律失常引起的并发症。54.外部系统125可以包括专用硬件/软件系统，诸如编程器、基于远程服务器的患者管理系统，或者替代性地主要由运行在标准个人计算机或移动设备上的软件定义的系统。外部系统125可以通过经由通信链路115连接到外部系统125的amd110来管理患者102。这可以包括例如对amd110进行编程，以执行以下中的一个或多个：获取生理数据、执行至少一个自诊断测试(诸如针对设备操作状态)、分析生理数据以检测心律失常、或者可选地向患者102递送或调整治疗。附加地，外部系统125可以经由通信链路115从amd110接收设备数据。由外部系统125接收的设备数据的示例可以包括来自患者102的实时或存储的生理数据、诊断数据(诸如心律失常或心力衰竭恶化事件的检测)、对递送给患者102的治疗的响应、或amd110的设备操作状态(例如，电池状态和引线阻抗)。遥测链路115可以是感应性遥测链路、电容性遥测链路或射频(rf)遥测链路，或者基于例如“强”蓝牙或ieee802.11无线保真“wifi”接口标准的无线遥测。患者数据源接口的其他配置和组合也是可能的。55.作为示例而非限制，外部系统125可以包括在amd110附近的外部设备120，以及在相对远离amd110的位置经由电信网络122与外部设备120通信的远程设备124。外部设备120的示例可以包括编程器设备。56.除了其他可能的功能之外，远程设备124可以被配置为评价所收集的患者数据并提供警报通知。在示例中，远程设备124可以包括充当用于所收集的患者数据存储和分析的中央枢纽的集中式服务器。服务器可以配置为单计算处理系统、多计算处理系统或分布式计算处理系统。远程设备124可以从包括例如患者102的多个患者接收患者数据。除了与患者102相关联的其他数据采集传感器或设备之外，诸如医疗事件发作的患者数据可以由amd110收集。远程设备124可以包括存储单元，以将患者数据存储在患者数据库中。存储单元可以附加地存储多个发作特征和用于检测具有相应发作特性的医疗事件的多个检测算法之间的关联性。服务器可以处理设备生成的事件发作以验证：检测到特定医疗事件(例如，心律失常类型)，则设备检测到的事件是真阳性(tp)检测；或者没有检测到这样的医疗事件，则设备检测到的事件是假阳性(fp)检测。设备生成的医疗事件发作的处理可以基于所存储的关联性。在示例中，第一事件发作可以被呈现给用户(例如，临床医生)，该用户将提供裁决决定和第一发作特征。如果裁决决定指示第一事件发作是fp检测，则服务器可以从所存储的关联性中标识对应于第一发作特征的检测算法，并且至少使用所标识的检测算法来处理第二事件发作，以确定第二事件发作是tp检测还是fp检测。服务器可以使用第二发作的处理结果来安排第二发作的至少一部分的呈现。通过使用为识别具有与fp发作相关联的发作特征的发作而定制的检测算法，可以标识具有相同或相似发作特征的更多fp发作，并且因此避免被用户查阅和裁决。如果第二事件发作被确定为tp发作，则生成警报，指示可能需要进一步的用户查阅。57.作为示例，警报通知可以包括网页更新、电话或寻呼机呼叫、电子邮件、sms、文本或“即时”消息，以及给患者的消息和同时给急救服务和给临床医生的直接通知。其他警报通知也是可能的。在一些示例中，服务器可以包括被配置为对警报通知进行优先级排序的医疗事件优先级排序器电路。例如，所检测到的医疗事件的警报可以使用与所检测到的医疗事件相关联的生理数据和与历史警报相关联的生理数据之间的相似性度量来进行优先级排序。58.远程设备124可以附加地包括一个或多个本地配置的客户端或通过网络122安全连接到服务器的远程客户端。客户端的示例可以包括个人台式机、笔记本电脑、移动设备或其他计算设备。用户(诸如临床医生或其他合格的医学专家)可以使用客户端来安全地访问组装在服务器中的数据库中的所存储的患者数据，并且选择患者和警报并对其进行优先级排序，以便进行健康护理供应。包括服务器和互连的客户端的远程设备124可以通过向amd110发送随访请求、或者通过向患者102、临床医生或授权的第三方发送消息或其他通信作为遵从性通知来执行随访方案。59.网络122可以提供有线或无线互连。在示例中，网络122可以基于传输控制协议/互联网协议(transmissioncontrolprotocol/internetprotocol，tcp/ip)网络通信规范，不过联网实施方式的其他类型或组合也是可能的。类似地，其他网络拓扑和布置也是可能的。60.外部设备120或远程设备124中的一个或多个可以将所检测到的医疗事件输出给用户，诸如患者或临床医生，或者输出给包括例如可在微处理器中执行的计算机程序实例的进程。在示例中，该进程可以包括治疗建议、或者进一步诊断测试或治疗的建议的自动生成。在示例中，外部设备120或远程设备124可以分别包括显示单元，用于显示生理或功能信号，或警报、报警、紧急呼叫或其他形式的警告，以发信号通知检测到心律失常。在一些示例中，外部系统125可以包括外部数据处理器，该外部数据处理器被配置为分析由amd110接收的生理或功能信号，并确认或拒绝事件的检测。计算密集型算法(诸如机器学习算法)可以在外部数据处理器中实施，以回顾性地处理数据来检测心律失常。61.amd110或外部系统125的各部分可以使用硬件、软件、固件或它们的组合来实施。amd110或外部系统125的各部分可以使用可以被构造或配置为执行一个或多个特定功能的专用电路来实施，或者可以使用可以被编程或以其他方式配置为执行一个或多个功能的电路来实施。这种电路可以包括微处理器或其一部分、微控制器或其一部分、或可编程逻辑电路、存储器电路、网络接口以及用于互连这些组件的各种组件。例如，“比较器”特别地可以包括电子电路比较器，该电子电路比较器可以被构造成执行两个信号之间的比较的特定功能，或者该比较器可以被实施为电路的一部分，其可以由指示电路的一部分执行两个信号之间的比较的代码来驱动。62.图2概括地示出了心律失常风险分层系统200的示例，该心律失常风险分层系统被配置为评估当患者目前没有房性快速性心律失常时的患者、或者在没有af或其他房性快速性心律失常病史的患者的心律失常(例如，af或其他房性快速性心律失常)风险。心律失常风险分层系统200的各部分可以被包括在amd110的生理事件检测器电路160中。63.心律失常风险分层系统200可以包括传感器电路210、心律失常风险分层器230和用户界面单元240中的一个或多个。在一些示例中，心律失常风险分层系统200可以附加地包括可选的治疗电路250。传感器电路210可以包括一个或多个数据采集电路和放大器电路，以通过一个或多个与患者相关联的可植入的、可穿戴的或以其他的移动式传感器或电极来感测来自患者的一个或多个生理信号。传感器电路210可以包括一个或多个其他子电路，以对所感测的生理信号进行数字化、滤波或执行其他信号调节操作。在一些示例中，生理信号可以存储在诸如电子病历系统的存储设备中。传感器电路210可以响应于由系统用户提供的或者响应于特定事件的发生而自动生成的命令信号，从存储设备获取生理信号。64.作为示例而非限制，传感器电路210可以包括心脏加速度传感器211、呼吸传感器212、阻抗传感器213、心脏传感器214或身体活动传感器215中的一个或多个。心脏加速度传感器211可以包括加速度计或麦克风传感器，并且被配置为感测或以其他方式接收心脏振动或声学信息。在示例中，心脏加速度信息包括心音信息。心音与由患者的心脏的活动和流过心脏的血流产生的机械振动相关联。心音随着每个心动周期重复出现，并根据与振动相关联的活动进行区分和分类。hs信息可以包括但不限于第一(s1)心音分量、第二(s2)心音分量、第三(s3)心音分量或第四(s4)心音分量中的一个或多个的强度(例如幅值或信号功率)。s1与二尖瓣张紧期间由心脏制造的振动声音相关联。s2标志着心舒张的开始。s3可能与心舒张期间左心室的充盈压力有关。s4与心房收缩相关联。附加地或替代性地，hs信息可以包括心脏定时参数，诸如使用一个或多个所述hs分量测量的心缩时间间隔。65.呼吸传感器212可以被配置成感测来自患者的呼吸信号。在示例中，呼吸传感器212可以耦合到电极，该电极被附接到或植入在患者体内以感测呼吸信号。呼吸信号包括呼吸波形，该呼吸波形代表呼吸循环期间气流或肺容积的变化。呼吸传感器可以包括流量计，该流量计被配置成直接感测呼吸系统中的气流或肺中的容积变化。替代性地，呼吸传感器可以感测通过呼吸调制的生理信号，诸如使用患者胸部上或内的电极(例如，与可植入引线相关联的电极)测量的胸廓阻抗信号。在一些示例中，呼吸传感器可以感测其他呼吸调制的生理信号，诸如被配置为测量对应于呼吸周期的肌肉张紧方面的周期性变化的胸肌应变传感器、被配置为测量与对应于呼吸、或者由呼吸调制的声音或振动信号的胸壁的移位或移动相关联的加速度的加速度计。呼吸传感器的其他示例可以包括患者外部呼吸带、呼吸流量计和可植入或患者外部呼吸声音检测器，以及被配置为感测呼吸调制生理信号的其他传感器。66.阻抗传感器213可以被配置成感测患者体内的阻抗，诸如胸廓阻抗。可以使用与可植入引线相关联的电极来测量胸廓阻抗。在示例中，可以在右心室上的电极和植入在左或右胸区的可植入装置的外壳之间感测胸阻抗。在另一示例中，可以在左心室上的电极和可植入设备的罐外壳之间，或者在右心房电极和可植入设备的罐外壳之间感测胸廓阻抗。替代性地，可以使用可移除地附接到患者胸部的非侵入式表面电极来测量胸廓阻抗。67.心脏传感器214可以被配置成接收心脏信息，诸如从身体表面上的电极感测的心电图(ecg)、诸如从放置在皮肤下的电极感测的皮下ecg、或者诸如从引线系统108上的一个或多个电极感测的心内电描记图(egm)。可以使用心脏电信息导出心脏参数，诸如心率、心率变异性、心脏同步性、传导异常等。68.身体活动传感器215可以被配置成接收关于身体运动(例如，活动、步伐)或姿势的信息或位置信息。身体活动传感器215可以包括用于感测身体活动的可植入的、可穿戴的、可手持的或其他的移动式传感器。身体活动传感器可以包括被配置为感测受试者的身体的至少一部分的加速度信号的单轴或多轴加速度计。加速度信号的强度可以指示身体活动水平。身体活动、运动或姿势或位置信息可以附加地或替代性地用于触发一个或多个其他生理传感器，诸如在特定身体活动水平或特定姿势下采集的心音、阻抗或压力数据。身体活动信息和/或对活动的生理响应(例如，由其他生理传感器感测到的)可以用于评估hf患者的心律失常风险，诸如未来发展成af事件的风险。69.应当理解的是，根据本文中讨论的各种实施例，图2中示出的生理传感器211至215是用于心律失常风险分层和af事件预测的传感器的非限制性示例。作为非限制性示例，压力传感器可以用于接收血压信息，诸如动脉压力信号、肺动脉压力信号、左心房压力信号、rv压信号、lv冠状动脉压力信号等。在另一示例中，温度传感器可以被配置成接收体温信息。体温传感器的示例可以包括热电偶、热敏电阻、红外传感器或温度感测集成电路。在示例中，血氧传感器(例如，脉搏血氧计)可以被配置成接收关于血氧饱和度的信息。在另一示例中，化学传感器可以被配置成接收血液流体(例如血液)中的一种或多种化学物质的信息，诸如脑利钠肽(brainnatriureticpeptide，bnp)、血液面板、钠和钾水平、葡萄糖水平和其他生物标记物和生化标记物等。除了传感器211至215中的任何一个之外，或者代替传感器211至215中的任何一个，上面讨论的那些附加传感器中的一个或多个可以被包括在系统200中，并且用于心律失常风险分层和af事件预测。在一些示例中，由传感器电路210接收的生理信息可以包括来自如上讨论的(多个)传感器的信息，不包括心电图或电描记图信息。70.心律失常风险分层器230可以评估患者的心律失常风险，并且在一些示例中，使用从传感器电路210接收的生理信息来预测未来心脏心律失常事件，诸如af事件。心律失常风险分层器230可以被实施为微处理器电路的一部分，该微处理器电路可以是专用处理器，诸如数字信号处理器、专用集成电路(asic)、微处理器或用于处理包括身体活动信息的信息的其他类型的处理器。替代性地，微处理器电路可以是通用处理器，其可以接收和运行一组指令，该组指令执行本文描述的功能、方法或技术。71.心律失常风险分层器230可以包括电路组，该电路组包括一个或多个其他电路或子电路，包括信号度量生成器232和房性快速性心律失常风险评估器234。这些电路或子电路可以单独地或组合地执行本文描述的功能、方法或技术。在示例中，电路组的硬件可以被不可改变地设计成执行特定操作(例如，硬连线)。在示例中，电路组的硬件可以包括包含被物理修改(例如，以磁性地、电性地、不变聚集粒子的可移动放置等)以编码特定操作的指令的计算机可读介质的可变连接的物理组件(例如，执行单元、晶体管、简单电路等)。在连接物理组件时，使得硬件组成部分的基本电气特性变化，例如从绝缘体变为导体，反之亦然。指令使得嵌入式硬件(例如，执行单元或加载机构)能够通过可变连接在硬件中创建电路组的成员，以在操作时执行特定操作的各部分。因此，当设备正在操作时，计算机可读介质通信地耦合到电路组成员的其他组件。在示例中，物理组件中的任何一个可以用在多于一个电路组的多于一个成员中。例如，在操作中，执行单元可以在一个时间点用于第一电路组的第一电路，并且由第一电路组中的第二电路重新使用，或者由第二电路组中的第三电路在不同时间重新使用。72.信号度量生成器232可以使用所接收的生理信息(诸如由传感器211至215中的任何一个感测到的一个或多个生理信号)生成信号度量。信号度量可以包括从所感测的生理信号中提取的统计参数，诸如信号平均值、中值或其他中心趋势测量值或信号强度的直方图等。在一些示例中，信号度量可以包括从所感测的生理信号中提取的形态参数，诸如在诸如心动周期的指定时间段内的最大值或最小值、正斜率或负斜率或更高阶统计量、在指定频率范围下的信号功率谱密度以及其他形态参数。73.在示例中，信号度量可以包括hs度量。hs度量包括一个或多个hs分量s1、s2、s3或s4的强度。强度可以由时域hs信号、经变换的hs信号(诸如经积分的hs能量信号)或频域hs信号(诸如功率谱密度的峰值、或者由相应hs检测窗口内的一般性测量的峰值(诸如hs检测窗口内的hs信号的一部分的峰值包络信号或均方根值))中的hs分量的幅值来表示。hs分量的强度还可以包括信号幅值或峰值能量的斜率或变化率。在示例中，hs度量可以包括包含指定hs分量的至少一部分的hs信号的一部分的强度测量值，诸如在同一心动周期内r波和随后的s1心音之间或者r波和随后的s2心音之间的hs信号部分的均方根值。在一些示例中，信号度量可以包括复合hs度量，诸如s1、s2、s3和s4强度中的两个或更多个的线性或非线性组合。复合hs度量的非限制性示例可以包括s3强度与s1强度之比(s3/s1)、或s4强度与s1强度之比(s4/s1)。74.hs度量可以附加地或替代地包括基于hs的心脏定时参数，诸如心脏定时间隔(cardiactiminginterval，cti)。cti可以代表心脏的机电耦合，并且指示心脏功能和血液动力学状态。cti的示例可以包括诸如在qrs发作到s1心音之间测量的射血前期(pre‑ejectionperiod，pep)、诸如在ecg上的qrs复波发作到s2心音之间测量的心缩定时间隔(systolictiminginterval，sti)、诸如在s1心音和s2心音之间测量的左心室射血时间(left‑ventricularejectiontime，lvet)、或者诸如在s2心音和ecg上的随后的qrs复波发作之间测量的心舒定时间隔(diastolictiminginterval，dti)等。在一些示例中，hs度量生成器电路222可以生成复合测量值，诸如pep/lvet比、sti/dti比、sti/周期长度(cl)比或dti/cl比等。在具有房性快速性心律失常风险的chf患者中，hs强度或基于hs的心脏定时参数可以用于检测心脏收缩性、射血分数、收缩压或心输出量中的一个或多个方面的降低、或舒张末期容积方面的增加。本发明人已经认识到，一些hs度量可以预测患者未来发展成心房心律失常事件(如af)的风险，如图5b至图5c所示并将在下面进一步讨论。75.在示例中，信号度量生成器232可以根据所接收的呼吸信息生成一个或多个呼吸度量。呼吸度量的示例可以包括潮气量、呼吸速率、每分钟通气量、呼吸声音、作为呼吸速率与潮气量的比率计算的快速浅呼吸指数(rapid‑shallowbreathingindex，rsbi)、呼吸暂停低通气指数等。本发明人已经认识到，所述呼吸参数中的个体或组合可以预测患者未来发展成心房心律失常事件(如af)的风险，如图5d至5e所示并将在下面进一步讨论。76.在另一示例中，信号度量生成器232可以使用所接收的阻抗信息生成胸廓阻抗幅值度量。如图5f所示并且将在下面进一步讨论的，胸阻抗幅值可以预测患者未来发展成心房心律失常事件(如af)的风险。77.房性快速性心律失常风险评估器234可以被配置成在患者没有房性快速性心律失常的情况下，使用由信号度量生成器232生成的信号度量来生成指示患者未来发展成房性快速性心律失常的风险的心律失常风险指示。例如，当信号度量满足特定标准，诸如超过阈值或落在指定值范围内时，房性快速性心律失常风险评估器234可以确定患者具有房性快速性心律失常高风险。78.在示例中，房性快速性心律失常风险评估器234可以生成信号度量的趋势。信号度量趋势包括一段时间内信号度量的多次测量。在示例中，信号度量趋势可以包括包含在指定天数内信号度量的日测量的日趋势。日测量可以在一天中的特定时间(例如，晚上、早上或下午)或者在特定的患者状态(例如，当患者醒着或睡着时)期间执行。测量可以持续指定的持续时间(例如，大约2至8小时)。信号度量趋势的示例在下面讨论，诸如参考图5b至图5f讨论。在示例中，房性快速性心律失常风险评估器234可以包括比较器，以将信号度量趋势与阈值或信号度量的参考水平进行比较，并基于比较生成心律失常风险指示。该阈值可以包括当患者没有心律失常时或基于群体数据的信号度量的患者特定的基线测量。在一些示例中，可以在代表性信号度量值和阈值之间进行比较。代表性信号度量值可以包括在一段时间内进行的多次测量的中心趋势(例如，平均值、中值或模式)。例如，如果代表性的s1强度超过s1阈值指定的裕度、或者如果代表性s3强度超过s3阈值指定的裕度、或者如果代表性呼吸速率(respirationrat，rr)超过rr阈值指定的裕度、或者如果代表性rsbi超过rsbi阈值指定的裕度、或者如果代表性胸廓阻抗降低到低于胸廓阻抗阈值指定的裕度，心律失常风险指示可以指示高af风险。79.在一些示例中，房性快速性心律失常风险评估器234可以使用机器学习(machine‑learning，ml)模型生成心律失常风险指示。使用由一个或多个传感器采集的生理信息生成的一个或多个信号度量可以被馈送到ml模型中。ml模型可以使用来自患者群体的传感器数据来训练，并且产生对应于作为模型的输入的信号度量测量的心律失常风险指示。ml模型的示例可以包括线性回归模型、决策树、朴素贝叶斯模型、支持向量机模型、k近邻模型、随机森林模型、神经网络模型、表决模型、模糊逻辑模型等。80.心律失常风险指示可以由分类值(例如，“高”、“中”或“低”风险)或数值(例如，以1至5的标度，其中“1”指示最低风险，并且“5”指示最高风险)来代表，它们指示不同程度的心律失常风险。各种心律失常风险程度的分类可以基于信号度量的测量值与阈值(例如，信号度量的参考或基线值)的偏差来执行。在示例中，心律失常风险程度可以与所述偏差成比例，使得信号度量偏离阈值越多，心律失常风险程度越高。房性快速性心律失常风险评估器234可以基于测量的信号度量与阈值的偏差来预测未来房性快速性心律失常的发作定时或时间范围。在示例中，可以使用患者群体数据根据需要创建和更新所述偏差和预测的房性快速性心律失常发作时间(例如，从风险评估时的几天、几周或几个月内)之间的对应关系(例如，映射)，并将其存储在存储器中。然后，房性快速性心律失常风险评估器234可以使用所存储的对应关系将与信号度量相关联的测量偏差映射到预测的af发作时间或时间范围。81.在一些示例中，信号度量生成器232可以使用所接收的生理信息生成两个或更多个信号度量。房性快速性心律失常风险评估器234可以将两个或更多个信号度量中的每一个与其相应的阈值进行比较，并且使用所生成的两个或更多个信号度量的组合来生成心律失常风险指示。该组合可以包括从一个或多个生理传感器(例如传感器211‑215中的任何一个)导出的两个或更多个信号度量的线性或非线性组合，诸如加权和。在另一示例中，信号度量生成器232可以使用信号度量的组合来生成复合信号度量。房性快速性心律失常风险评估器234可以随着时间推移对复合信号度量进行趋势化，并且使用复合信号度量趋势和阈值的比较来生成心律失常风险指示。82.用户界面单元240可以包括输入设备和输出设备。在示例中，用户界面单元240的至少一部分可以实施在外部系统130中。输入设备可以接收用户的编程输入，诸如用于调节检测标准的参数和用于检测心律失常的参数。输入设备可以包括键盘、屏幕键盘、鼠标、轨迹球、触摸板、触摸屏或其他定点或导航设备。输入设备可以使得系统用户能够对用于感测生理信号、检测心律失常和生成警报等的参数进行编程。83.输出设备可以生成心律失常风险指示的人类可感知的呈现。输出设备可以包括显示器，用于显示所感测的生理信息、中间测量或计算，诸如一个或多个信号度量、信号度量趋势和心律失常风险的分类等。输出单元可以包括打印机，用于打印与患者心律失常风险相关的信息的硬副本。信息可以以表格、图表、图或任何其他类型的文本、表格或图形呈现格式呈现。输出信息的呈现可以包括音频或其他媒体格式，以提醒系统用户所检测的心律失常事件。在示例中，输出设备可以生成警报、报警、紧急呼叫或其他形式的警告，以向系统用户发信号通知关于患者心律失常风险或未来房性快速性心律失常的预测。输出设备可以生成建议，诸如更积极的心律失常监测、要执行的进一步测试、现有传感器配置或心律失常风险分层算法的调节、调度或修改患者随访时间表、或者发起或调节患者药物治疗或其他类型的治疗。84.可选的治疗电路250可以被配置为响应于心律失常风险指示满足条件(诸如超过阈值特定裕度或被分类为未来房性快速性心律失常高风险事件)，向患者递送治疗。治疗的示例可以包括递送到心脏、神经组织、其他目标组织的电刺激治疗、心脏复律治疗、除颤治疗或药物治疗。在一些示例中，治疗电路250可以修改现有的治疗，诸如调整刺激参数或药物剂量。85.图3是示出被配置为评估患者的心律失常(例如，af)风险的心律失常风险分层医疗设备系统的各部分的示例的框图。所示的示例可以是心律失常风险分层系统200的相关部分的示例。例如，心律失常风险分层器332可以是心律失常风险分层器232的实施例，并且可以被配置成在当前不存在房性快速性心律失常事件的情况下生成患者未来发展成房性快速性心律失常的心律失常风险指示。除了系统200中所示的传感器电路210之外，心律失常风险分层器332还可以耦合到用户输入电路(其可以是用户界面240的一部分)，可以从该用户输入电路接收患者人口统计信息322和患者病史信息324中的一个或两个。患者人口统计信息322的示例可以包括年龄、性别、种族、职业等。患者病史信息324的示例可以包括糖尿病、高血压、心肌梗塞、瓣膜疾病或一种或多种hf共病(诸如肥胖、高脂血症、代谢综合征、肺功能障碍、睡眠呼吸障碍、肾功能障碍、肝功能障碍、贫血、甲状腺异常、骨骼肌病变、抑郁症和认知障碍等)的患者病史的指示。在示例中，患者病史不包括该患者的房性快速性心律失常的病史，使得心律失常风险分层器332在不使用患者房性快速性心律失常病史信息的情况下确定患者发展房性快速性心律失常的风险。在示例中，患者病史信息324可以包括自患者最初诊断为hf以来的时间(例如，几年)。在另一示例中，患者病史信息324可以包括临床上用于评估患者的心律失常总体风险的综合风险评分，诸如评估中风的风险的chadsvasc评分，其可以影响是否抗凝的决定。chadsvasc评分系统考虑了多个患者人口统计学因素和一系列病史因素，包括chf、高血压、年龄、糖尿病、中风/tia、血管疾病(外周动脉疾病、既往mi、主动脉粥样硬化)。86.心律失常风险分层器332可以使用来自传感器电路210的生理信息以及患者人口统计信息322和患者病史信息324中的一个或两个来生成心律失常风险指示。在示例中，房性快速性心律失常风险评估器234可以使用从生理信息导出的一个或多个信号度量以及患者人口统计信息322和患者病史信息324中的一个或两个的组合(例如，加权组合)来生成心律失常风险指示。在另一示例中，由心律失常风险分层器332使用的一个或多个风险分层参数(例如，各种生理信号度量的相应阈值、复合信号度量的阈值、或用于生成心律失常风险指示的相应信号度量的权重因子)可以根据患者人口统计信息322或患者病史信息324来调节。例如，如果患者超过75岁，或者患有chf、先前中风或高血压，则可以将用于hs度量(例如，s1强度或s3强度)或呼吸度量(例如，rr或rsbi)中的一个或多个的阈值设置为较低水平，和/或可以将用于阻抗度量(例如，胸廓阻抗)的阈值设置为较高水平，使得心律失常风险分层器332在预测房性快速性心律失常事件时更敏感。在一些示例中，在心律失常风险分层器332中实施并由其执行的mi模型可以根据患者人口统计信息322进行调整(例如，通过调节模型参数)，或者患者病史信息324可以用于调节的灵敏度或特异性，使得例如mi模型可以对年龄较大和/或具有晚期chf或其他医学病症的患者更加敏感。87.图4是示出心律失常风险分层系统的各部分的示例的框图，该心律失常风险分层系统被配置为评估患者的心律失常风险并基于心律失常风险的当前估计自适应地调整心律失常风险评估。所示出的系统可以是心律失常风险分层系统200的相关部分的示例。心律失常风险分层器432(其是心律失常风险分层器232的实施例)可以被配置为使用由传感器电路210提供的生理信息来生成心律失常风险指示，如上面参考图2类似地讨论的那样。根据心律失常风险指示，监测器调节电路440可以被配置为调节传感器电路210，诸如选择性地激活或去激活某些传感器以采集生理信息，或者调节传感器数据采集时间、时间表、频率、持续时间、采样率或数据精度。例如，如果由心律失常风险分层器432生成的当前心律失常风险指示指示患者具有af高风险，则监测器调节电路440可以调整传感器电路210以收集更多的传感器数据(例如，将数据采集持续时间从例如先前的每天2小时增加到当前的每天5小时，或者将数据收集频率从先前的每3天一次增加到当前的每一天一次，以及其他调节)。88.监测器调节电路440可以根据心律失常风险指示替代性地或附加地调整心律失常风险分层器432。在示例中，监测器调节电路440可以修改用于生成心律失常风险指示的信号度量(例如，添加新的信号度量，或者移除先前使用的信号度量)。在另一示例中，监测器调节电路440可以调整一个或多个心律失常风险分层参数，诸如用于各种生理信号度量的相应阈值、用于复合信号度量的阈值、用于生成心律失常风险指示的相应信号度量的权重因子、或者用于生成心律失常风险指示的ml模型的参数值。监控器调节电路440可以选择组合两个或更多个信号度量的不同的方案，或者选择不同的mi模型，以生成心律失常风险指示。例如，如果当前心律失常风险指示指示患者具有af高风险，则可以使用更多的信号度量，用于单个信号度量的阈值和用于复合信号度量的阈值，或者可以调节mi模型参数，或者可以使用不同的mi模型来提高预测房性快速性心律失常风险的灵敏度。调整心律失常风险分层以适应目前的心律失常风险指示使得能够以及时的方式对心律失常高危患者进行更积极的监测，并在af首次出现时改善af检测。房性快速性心律失常风险分层的自适应调整也可以改善在引起患者症状之前的无症状af的检测。在一些示例中，可以及时标识患者以接收移动式监测器(例如，可植入心脏监测器)，并且可以及时给予适当的预防性干预(例如，口服抗凝剂)。89.图5a至图5f是示出从hf患者记录的传感器数据的趋势的图表，这些趋势可以用于对患者的房性快速性心律失常(例如af)风险进行分层。传感器数据是在一组hf患者(以下简称“af群组”)中发生临床诊断af事件前后记录的。传感器数据趋势从所诊断的af事件之前的90天延伸到之后的60天。传感器数据趋势相对于所诊断的af事件的发作时间对齐，对应于时间“0”(t0)并且在图5a至图5f中的每一个中由竖直实线501标记。除了“af群组”的传感器数据趋势之外，从“对照群组”获得的传感器数据趋势也在图表5a至5f中示出以供比较。对照群组包括观察时段期间未发展为af的hf患者。af的临床诊断(包括观察时段期间af的存在或不存在(因此将患者分类为af群组或对照群组)、af事件的发作时间和af负担(在指定单位时间(如一天)内在af花费的累积时间))可以由临床医生裁决。图5a示出了分别为af群组(趋势511)和对照群组(趋势512)确定的af负担随时间的变化。由于af群组的传感器数据趋势相对于t0处的af发作对齐，因此在t0之前实际上没有af负担。af负担在t0增加，并在发作期后60天内保持处于高负担水平。对照群组中未观察到af负担(大约为0)。90.作为示例而非限制，图5b至图5f示出了使用诸如由图2中示出的传感器211至215采集或接收的生理信息的各种信号度量的趋势。特别地，图5b示出了s1心音强度(例如，幅值或信号功率)趋势(用于af群组的趋势521和用于对照群组的趋势522)，以及图5c示出了s3心音强度(例如，幅值或信号功率)趋势(用于af群组的趋势531和用于对照群组的趋势532)。与对照群组相比，在af发作前的90天时段内，af群组具有始终较高的s1强度和始终较高的s3强度。心律失常风险分层器230可以使用s1强度或s3强度(例如，通过将s1强度或s3强度与它们相应的阈值进行比较，或者使用如前所讨论的mi模型)来在诊断出af事件之前很长时间(例如，3个月)标识未来具有af事件较高风险的患者。91.图5d示出了呼吸率(rr)趋势(用于af群组的趋势541，以及用于对照群组的趋势542)，以及图5e示出了被定义为呼吸频率与潮气量之比的快速浅呼吸指数(rsbi)的趋势(用于af群组的趋势551以及用于对照群组的趋势552)。如图5d至图5e所示，远在af发作的前90天，af群组的rr趋势和rsbi趋势两者高于对照群组的相应趋势。随着时间的推移和接近af发作时间t0，明显更高的rr和更高的rsbi变得更加突出。因此，即使远在af事件实际发生的前90天，相比于具有较低rr或较低rsbi水平的那些患者，具有升高的rr或升高的rsbi的患者会处于未来发展成af的更高的风险。心律失常分层器230可以将rr或rsbi与它们相应的阈值进行比较，并且至少基于所测量的rr或rsbi水平与它们相应的阈值的偏差来确定患者的af风险，或者预测未来af事件。92.图5f示出了af发作前后的胸廓阻抗趋势。可以使用阻抗传感器来测量胸廓阻抗，该阻抗传感器可以包括皮肤上的或皮下放置的电极。胸廓阻抗可以指示肺液状态。如前所讨论那样，hf患者可能有肺液积累或再分布，因此具有较低的胸廓阻抗。图5f示出了在af发作前的90天时段内，af群组(趋势561)比对照群组(趋势562)具有更低的胸阻抗水平。心律失常分层器230可以将胸廓阻抗与阈值进行比较，以在af事件的临床诊断之前很长时间(例如，3个月)标识未来具有af事件较高风险的患者，或者预测未来af事件。93.尽管以上参考图5b至图5f的描述集中在hs度量(例如，s1和s3)、呼吸度量(例如，rr和rsbi)和阻抗度量(例如，胸廓阻抗幅值)，但是它们仅作为示例而非限制。从与上面讨论的相同或不同的传感器的数据生成的其他信号度量可以用于对af风险进行分层或预测未来af事件。而且，如前所讨论那样，来自相同传感器或不同传感器的两个或更多个信号度量可以使用线性或非线性组合或机器学习模型来组合以生成复合af风险指示。94.图6是示出了用于评估患者的心律失常风险并且当患者没有房性快速性心律失常时，预测未来的心律失常事件(诸如af或其他房性快速性心律失常事件)的方法600的示例的流程图。房性快速性心律失常的示例包括心房颤动(af)、心房扑动(afl)和房性心动过速等。方法600可以在诸如可植入或可穿戴医疗设备的移动医疗设备中实施并由其执行，或者在远程患者管理系统中实施并由其执行。在示例中，方法600可以在amd110中的生理事件检测器电路160、外部系统130或心律失常风险分层系统200中实施并由其执行。95.方法600开始于610，在那里可以接收患者的生理信息。生理信息可以从与患者相关联的生理传感器感测，或者从存储从患者记录的生理信号的存储设备(例如，电子医疗记录系统)中获取。作为示例而非限制，生理传感器可以包括如图2所示的传感器211至215中的任何一个。所接收的生理信息的示例可以包括心脏加速度(例如心音)、呼吸、阻抗(例如胸廓阻抗)、心脏电活动、血压、体温、血氧、血液化学物质等的信息96.在620，可以使用所接收的生理信息(诸如使用信号度量生成器232)来生成一个或多个信号度量。信号度量可以包括从所接收的生理信息中提取的统计参数或形态参数。信号度量的示例可以包括：心音(hs)度量，诸如hs分量强度(例如，s1、s2、s3或s4心音的幅值或信号功率)或基于hs的心脏定时间隔(cti)；呼吸度量，诸如潮气量、呼吸率、每分钟通气量、呼吸音或快速浅呼吸指数(rsbi)、或呼吸暂停低通气指数；胸廓阻抗幅值；压力度量，诸如动脉压力信号、肺动脉压力信号、左心房压力信号、rv压力信号、lv冠状动脉压力信号等。如图5a至5f所示，本发明人已经认识到，这些信号指标中的至少一些在后来发展af事件(例如，从af风险评估起最多90天)的hf患者的房性快速性心律失常群组和包括未发展af事件的hf患者的对照群组之间具有不同的值(或在不同的值范围内)，这表明信号度量可以预测患者未来发展成房性心律失常事件(诸如af)的风险。97.在630，可以在患者没有房性快速性心律失常的情况下生成心律失常风险指示，诸如使用房性快速性心律失常风险评估器234。心律失常风险指示指示没有房性快速性心律失常病史的患者后来发展房性快速性心律失常事件(例如af、afl或其他房性快速性心律失常事件)的风险。如果信号度量满足特定标准(诸如信号度量的值超过阈值或落在指定的值范围内)，则可以生成心律失常风险指示。在示例中，信号度量可以随时间被趋势化，诸如图5b至图5f中示出的信号度量趋势中的任何一个。可以将信号度量趋势或代表值(例如，多次测量的中心趋势)与阈值或信号度量的参考水平进行比较，以生成心律失常风险指示。98.可以使用单个信号度量或两个或更多个信号度量的组合来生成心律失常风险指示。该组合可以包括线性或非线性组合，诸如加权和。在示例中，可以使用信号度量的组合来生成复合信号度量。复合信号度量可以随时间而趋势化，并将其与阈值进行比较，以确定心律失常风险指示。在一些示例中，可以至少基于信号度量或复合信号度量与相应阈值的偏差来确定由分类值或数值代表的各种程度的心律失常风险。在一些示例中，可以基于所述偏差来预测未来房性快速性心律失常的发作定时或时间范围。在一些示例中，心律失常风险指示可以使用机器学习(ml)模型来生成，诸如线性回归模型、决策树、朴素贝叶斯模型、支持向量机模型、k近邻模型、随机森林模型、神经网络模型、表决模型、模糊逻辑模型等。99.在540生成的心律失常风险的指示可以用于进程642、644或646中的一个或多个。在642，心律失常风险指示可以输出给用户或进程，诸如通过图2中示出的用户界面240。在示例中，心律失常风险指示以及在风险评估过程中使用的其他信息(诸如生理信号或信号度量)可以显示在显示器上。可以根据心律失常风险指示生成警报，以向系统用户(例如，临床医生)通知关于患者心律失常风险或预测的未来房性快速性心律失常事件。替代性地或附加地，在644，心律失常风险分层可以根据心律失常风险指示进行更新，诸如使用监测器调节电路440。这可以包括，例如，选择性地激活或去激活某些传感器、调节传感器数据采集时间、时间表、频率、持续时间、采样率或数据精度；修改在确定心律失常风险指示时所包括的信号度量(例如，添加新的信号度量、或移除先前使用的信号度量)；调整一个或多个心律失常风险分层参数，诸如用于各种生理信号度量的相应阈值、用于复合信号度量的阈值、用于生成心律失常风险指示的相应信号度量的权重因子、用于生成心律失常风险指示的ml模型的参数；或者选择不同的ml模型等。利用644处的经更新的心律失常风险分层，如果指示了心律失常高风险，则可以执行更积极的心律失常监测。因此，这可以在af首次出现时及时改善af的监测，以及在患者表现出症状前改善对无症状af的标识。100.附加地或替代性地，在646，可以生成推荐并将其提供给用户，诸如执行更积极的心律失常监测、生理感测或心律失常风险分层的调节、发起或调节患者药物治疗。系统用户(例如，临床医生)可以查阅所接收的生理信息和心律失常风险指示，并根据需要重新编程一个或多个风险分层参数。附加地或替代性地，在646，响应于心律失常风险指示满足条件(诸如超过阈值特定裕度或被分类为未来房性快速性心律失常高风险事件)，可以例如经由如图2所示的可选治疗电路250来递送治疗。治疗的示例可以包括递送到心脏、神经组织、其他目标组织的电刺激治疗、心脏复律治疗、除颤治疗或包括递送药物到组织或器官的药物治疗。在一些示例中，可以修改现有的治疗或治疗计划，诸如修改患者随访时间表或调节刺激参数或药物剂量。101.图7总体上示出了本文讨论的技术(例如，方法)中的任何一个或多个可以在其上执行的示例机器700。本描述的各部分可以应用于lcp设备、imd或外部编程器的各种部分的计算框架。102.在替代性实施例中，机器700可以作为独立设备操作，或者可以连接(例如，联网)到其他机器。在网络化部署中，机器700可以在服务器‑客户端网络环境中以服务器机器、客户端机器或两者的身份操作。在示例中，机器700可以充当对等(peer‑to‑peer，p2p)(或其他分布式)网络环境中的对等机器。机器700可以是个人计算机(personalcomputer，pc)、平板计算机、机顶盒(set‑topbox，stb)、个人数字助理(personaldigitalassistant，pda)、移动电话、网络设备、网络路由器、交换机或网桥，或者能够执行指定要由该机器采取的动作的指令(顺序的或其他的)的任何机器。进一步，虽然仅示出了单个机器，但是术语“机器”也应被理解为包括单独或共同执行一组(或多组)指令以执行本文讨论的方法中的任何一个或多个的任何机器集合，诸如云计算、软件即服务(softwareasaservice，saas)、其他计算机集群配置。103.如本文所述的示例可以包括逻辑或多个组件或机构，或者可以由逻辑或多个组件或机构操作。电路组是在包含硬件(例如，简单电路、门、逻辑等)的有形实体中实施的电路的集合。随着时间的推移和底层硬件的可变性，电路组成员资格可以是灵活的。电路组包括单独或组合运行时执行特定操作的部件。在示例中，电路组的硬件可以被不可改变地设计成执行特定操作(例如，硬连线)。在示例中，电路组的硬件可以包括包含被物理修改(例如，以磁性地、电性地、不变聚集粒子的可移动放置等)以编码特定操作的指令的计算机可读介质的可变连接的物理组件(例如，执行单元、晶体管、简单电路等)。在连接物理组件时，使得硬件组成部分的基本电气特性变化，例如从绝缘体变为导体，反之亦然。指令使得嵌入式硬件(例如，执行单元或加载机构)能够通过可变连接在硬件中创建电路组的成员，以在操作时执行特定操作的各部分。因此，当设备正在操作时，计算机可读介质通信地耦合到电路组成员的其他组件。在示例中，物理组件中的任何一个可以用在多于一个电路组的多于一个成员中。例如，在操作中，执行单元可以在一个时间点用于第一电路组的第一电路，并且由第一电路组中的第二电路重新使用，或者由第二电路组中的第三电路在不同时间重新使用。104.机器(例如，计算机系统)700可以包括硬件处理器702(例如，中央处理单元(centralprocessingunit，cpu)、图形处理单元(graphicsprocessingunit，gpu)、硬件处理器核或它们的任意组合)、主存储器704和静态存储器706，它们中的一些或全部可以通过互联件(例如，总线)708相互通信。机器700还可以包括显示单元710(例如，光栅显示器、矢量显示器、全息显示器等)、字母数字输入设备712(例如，键盘)和用户界面(ui)导航设备714(例如，鼠标)。在示例中，显示单元710、输入设备712和ui导航设备714可以是触摸屏显示器。机器700可以附加地包括存储设备(例如，驱动单元)716、信号生成设备718(例如，扬声器)、网络接口设备720和一个或多个传感器721，诸如全球定位系统(gps)传感器、指南针、加速度计或其他传感器。机器700可以包括输出控制器728，诸如串行(例如，通用串行总线(usb))、并行或其他有线或无线(例如，红外(ir)、近场通信(nearfieldcommunication，nfc)等)连接，以通信或控制一个或多个外围设备(例如，打印机、读卡器等)。105.存储设备716可以包括其上存储一组或多组数据结构或指令724(例如，软件)的机器可读介质722，这些数据结构或指令实现本文描述的技术或功能中的任何一个或多个或被本文描述的技术或功能中的任何一个或多个利用。指令724也可以在由机器700对其执行期间完全或至少部分地驻留在主存储器704内、静态存储器706内或硬件处理器702内。在示例中，硬件处理器702、主存储器704、静态存储器706或存储设备716中的一个或任意组合可以构成机器可读介质。106.虽然机器可读介质722被示为单个介质，但是术语“机器可读介质”可以包括被配置为存储一个或多个指令724的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。107.术语“机器可读介质”可以包括能够存储、编码或携带用于由机器700执行的指令并使机器700执行本公开的技术中的任何一个或多个的任何介质，或者能够存储、编码或携带由这些指令使用或与这些指令相关联的数据结构的任何介质。非限制性机器可读介质示例可以包括固态存储器以及光学和磁性介质。在示例中，大容量机器可读介质包括带有具有不变(例如静止)质量的多个粒子的机器可读介质。因此，大容量机器可读介质不是暂时传播的信号。大容量机器可读介质的具体示例可以包括：非易失性存储器，诸如半导体存储设备(例如，电可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom))和闪存设备、磁盘(诸如内部硬盘和可移动磁盘)、cd‑rom、以及dvd‑rom盘。108.指令724还可以使用传输介质经由网络接口设备720利用多种传送协议(例如，帧中继、互联网协议(internetprotocol，ip)、传输控制协议(transmissioncontrolprotocol，tcp)、用户数据报协议(userdatagramprotocol，udp)、超文本传输协议(hypertexttransferprotocol，http)等)中的任何一个通过通信网络726发送或接收。示例通信网络可以包括局域网(localareanetwork，lan)、广域网(wideareanetwork，wan)、分组数据网络(例如，互联网)、移动电话网络(例如，蜂窝网络)、普通老式电话(plainoldtelephone，pots)网络和无线数据网络(例如，称为的电气和电子工程师协会(ieee)802.11系列标准、称为的ieee802.16系列标准)、ieee802.15.4系列标准、对等(p2p)网络等。在示例中，网络接口设备720可以包括一个或多个物理插口(例如，以太网插口、同轴电缆插口或电话插口)或一个或多个天线来连接到通信网络726。在示例中，网络接口设备720可以包括多个天线，以使用单输入多输出(single‑inputmultiple‑output，simo)、多输入多输出(multiple‑inputmultiple‑output，mimo)或多输入单输出(multiple‑inputsingle‑output，miso)技术中的至少一种进行无线通信。术语“传输介质”应被理解为包括能够存储、编码或携带用于由机器700执行的指令的任何无形介质，并且包括数字或模拟通信信号或有助于这种软件的通信的其他无形介质。109.在上面的图中示出了各种实施例。来自这些实施例中的一个或多个的一个或多个特征可以被组合以形成其他实施例。110.本文描述的方法示例可以至少部分是机器或计算机实施的。一些示例可以包括用可操作以配置电子设备或系统执行上述示例中描述的方法的指令编码的计算机可读介质或机器可读介质。这种方法的实施方式可以包括代码，诸如微码、汇编语言代码、高级语言代码等。这种代码可以包括用于执行各种方法的计算机可读指令。代码可以形成计算机程序产品的各部分。进一步，代码可以在执行期间或在其他时间有形地存储在一个或多个易失性或非易失性计算机可读介质上。111.上面的详细描述旨在是说明性的，而不是限制性的。因此，本公开的范围应当参照所附权利要求以及这些权利要求所赋予的等同物的全部范围来确定。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
