机器学习支持且存储器系统扩增的癫痫发作风险推断的制作方法

1.本公开大体上涉及与机器学习支持且存储器系统扩增的癫痫发作风险推断相关联的设备、非暂时性机器可读介质和方法。


背景技术：

2.存储器资源通常被提供为计算机或其它电子系统中的内部半导体集成电路。存在许多不同类型的存储器，包含易失性和非易失性存储器。易失性存储器可能需要电力来维持其数据(例如，主机数据、错误数据等)。易失性存储器可包含随机存取存储器(ram)、动态随机存取存储器(dram)、静态随机存取存储器(sram)、同步动态随机存取存储器(sdram)和闸流晶体管随机存取存储器(tram)，以及其它类型。非易失性存储器可在未通电时通过保持所存储数据来提供持久数据。非易失性存储器可包含nand快闪存储器、nor快闪存储器和电阻可变存储器，例如相变随机存取存储器(pcram)和电阻式随机存取存储器(rram)、铁电随机存取存储器(feram)，及例如自旋力矩转移随机存取存储器(stt ram)等磁阻式随机存取存储器(mram)，以及其它类型。
3.电子系统通常包含若干处理资源(例如，一或多个处理资源)，所述处理资源可从合适的位置检索指令且执行指令和/或将所执行指令的结果存储到合适的位置(例如，存储器资源)。处理资源可包含若干功能单元，例如算术逻辑单元(alu)电路系统、浮点单元(fpu)电路系统和组合逻辑块，所述功能单元例如可用于通过对数据(例如，一或多个运算数)执行例如and、or、not、nand、nor和xor等逻辑运算以及反转(例如，not)逻辑运算，来执行指令。举例来说，功能单元电路系统可用以经由若干操作对运算数执行算术运算，例如加法、减法、乘法和除法。
4.人工智能(ai)可结合存储器资源使用。ai可包含控制器、计算装置或其它系统以执行通常需要人类智能的任务。ai可包含一或多个机器学习模型的使用。如本文所描述，术语“机器学习”指代计算装置能够借以通过连续地将新数据并入到现有统计模型中经由迭代改进其自身的性能的过程。机器学习可在无人为干预或辅助的情况下促进计算装置的自动学习，且相应地调整动作。


技术实现要素：

5.在一个方面中，本公开涉及一种方法，所述方法包括：在第一处理资源处从与被配置成监测患者的患者健康数据的第二处理资源通信的无线电设备接收第一信令；在所述第一处理资源处从与被配置成监测与癫痫发作相关联的健康提供者数据的第三处理资源通信的无线电设备接收第二信令；在所述第一处理资源处从与被配置成监测与所述患者相关联的环境数据的第四处理资源通信的无线电设备接收第三信令；将至少部分地基于所述第一信令、所述第二信令和所述第三信令的组合的数据从所述第一处理资源写入到耦合到所述第一处理资源的存储器资源；在所述第一处理资源或不同的第五处理资源处基于所述第一信令、所述第二信令和所述第三信令确定所述患者的癫痫发作基线和所述患者的癫痫发
作风险；在所述第一处理资源或所述不同的第五处理资源处至少部分地基于表示所写入信息、所述癫痫发作基线和所述癫痫发作风险的存储在所述存储器资源或可由所述第一处理资源访问的其它存储装置的一部分中的输入数据，识别表示所述患者的癫痫发作计划的输出数据；以及经由第四信令发射表示所述癫痫发作计划的所述输出数据，所述第四信令经由与可由所述患者访问的计算装置的第六处理资源通信的无线电设备而发送。
6.在另一方面中，本公开涉及一种包括与存储器资源通信的处理资源的非暂时性机器可读介质，所述存储器资源具有可执行以进行以下操作的指令：在处理资源、所述存储器资源或这两者处从多个来源接收多个输入数据，所述多个来源包括以下中的至少两个：患者的移动装置、医疗装置、健康护理提供者数据库、所述存储器资源或其它存储装置的一部分、手动接收的输入，和环境传感器；将所接收的多个输入数据从所述第一处理资源写入到所述存储器资源；在所述第一处理资源或第二处理资源处至少部分地基于表示从所述第一处理资源写入的所述数据的输入数据识别表示癫痫发作计划的输出数据，所述癫痫发作计划包含降低所述患者的癫痫发作风险的所提议动作、保持处于或低于所述患者的癫痫发作基线的所提议动作，或这两者；经由信令将表示所述癫痫发作计划的所述输出数据发射到所述患者的所述移动装置，所述信令经由与所述患者的移动装置的第三处理资源通信的无线电设备而发送。
7.在另一方面中，本公开涉及一种非暂时性机器可读介质，其包括与存储器资源通信的第一处理资源，所述存储器资源具有可执行以进行以下操作的指令：在所述第一处理资源、所述存储器资源或这两者处经由被配置成监测患者健康数据的第一信令、经由第二信令或这两者接收患者健康数据，所述第二信令经由与所述患者的移动装置的处理资源通信的无线电设备而发送；在所述第一处理资源、所述存储器资源或这两者处经由第三信令接收健康护理提供者数据，所述第三信令被配置成监测包含一般癫痫患者信息和一般癫痫发作治疗信息的健康护理提供者数据；在所述第一处理资源、所述存储器资源或这两者处经由第四信令接收环境数据，所述第四信令被配置成监测包含光线、筛查时间、饮食、湿度、温度或其任何组合的环境数据；将所述患者健康数据、健康护理提供者数据和环境数据从所述第一处理资源写入到所述存储器资源；在所述第一处理资源或第二处理资源处使用经训练机器学习模型、表示写入的患者健康数据、写入的健康护理提供者数据和写入的环境数据的输入数据确定所述患者的癫痫发作风险和所述患者的癫痫发作基线；在所述第一处理资源或第二处理资源处使用所述经训练机器学习模型、表示所述写入的患者健康数据、所述写入的健康护理提供者数据和所述写入的环境数据的输入数据，以及表示所述癫痫发作风险和所述癫痫发作基线的输入数据，识别表示所述患者的癫痫发作计划的输出数据；以及经由无线电设备将表示所述癫痫发作计划的所述输出数据发射到所述患者、健康护理提供者或其任何组合。
附图说明
8.图1是表示根据本公开的若干实施例的用于癫痫发作风险确定的系统的功能图。
9.图2是表示根据本公开的若干实施例的用于癫痫发作风险确定的系统的另一功能图。
10.图3是表示根据本公开的若干实施例的在癫痫发作风险确定中使用的癫痫发作基
可包含单数和复数个指代物两者。另外，“若干”、“至少一个”和“一或多个”(例如，若干存储器装置)可指一或多个存储器装置，而“多个”意图指代此类事物中的一个以上。此外，贯穿本技术以许可的意义(即，有可能、能够)而非以强制性的意义(即，必须)使用词语“可能”和“可”。术语“包含”和其派生词意指“包含(但不限于)”。视上下文而定，术语“耦合(coupled/coupling)”意味着物理上直接或间接地连接或用于访问和移动(发射)命令和/或数据。
20.本文中的图式遵循编号惯例，其中前一或多个数字对应于图号，而其余数字标识图中的元件或组件。可通过使用类似数字来标识不同图式之间的类似的元件或组件。举例来说，446可参考图4中的元件“46”，且类似的元件可在图5中表示为546。如将了解，可添加、交换和/或去除本文中的各个实施例中展示的元件，以便提供本公开的若干额外实施例。另外，图中提供的元件的比例和/或相对尺度意图说明本公开的某些实施例，并且不应在限制性意义上看待。
21.图1是表示根据本公开的若干实施例的用于癫痫发作风险确定的系统的功能图。系统可包含用于确定曾经经历癫痫发作的患者的癫痫发作风险、癫痫发作计划或这两者的癫痫发作风险工具101。癫痫发作风险可包含在特定周期或时间点处患者将经历癫痫发作的概率，且癫痫发作计划可包含即时和长期的用以降低癫痫发作风险的行动计划。
22.在一些实例中，癫痫发作风险工具101可包含与存储器资源通信的处理资源，其利用ai来确定癫痫发作风险、癫痫发作计划或这两者。换句话说，癫痫发作风险工具101和相关联ai基于可供癫痫发作风险工具101使用的包含(但不限于)患者健康数据、健康护理提供者数据和环境数据的数据确定癫痫发作风险和/或为患者创建行动计划。
23.癫痫发作风险工具101(和相关联ai(例如，包含机器学习模型)可使用训练数据集训练。举例来说，训练数据集可包含用于拟合ai的参数的实例的集合。举例来说，训练数据集可包含与患者健康数据、健康护理提供者数据和环境数据(以及其它)相关联的数据。在一些实例中，还可使用新的输入数据(例如，来自患者、提供者、环境传感器的新数据、研究数据等，以及其它)来训练癫痫发作风险工具101。在一些实例中，癫痫发作风险工具101和相关联的经训练机器学习模型可包含机器学习模型的连续学习和机器学习模型的再校准。
24.癫痫发作风险工具101可从多个来源接收输入数据。在一些实例中，输入数据可经加密。来源可包含一般癫痫患者和/或治疗信息的数据库、患者健康信息源(例如，个人跟踪装置、个人医疗装置、保险信息、患者健康数据等)、提供者(例如，健康护理提供者数据)，和环境信息来源(天气传感器、相机、运动检测器、光检测器、饮食传感器等)。举例来说，一般癫痫患者和/或治疗信息的数据库可包含与癫痫发作相关联的常见症状、视觉资料、疗法和其它数据。
25.可从例如移动装置上的全球定位服务(gps)等个人跟踪装置接收患者数据，所述个人跟踪装置包含患者定位、睡眠跟踪应用、饮食跟踪应用、健身跟踪应用，或其它个人跟踪装置，以及其它。可实时地从个人医疗装置(例如，心率监测器、睡眠监测器、氧水平监测器等)接收患者健康数据。在一些实例中，可临时接收患者健康数据，例如作为来自健康护理提供者的数据(例如，血液测试结果、生命体征、医师备注、年龄、病史等)，或患者可经由计算装置上的且与癫痫发作风险工具101相关联的应用手动地输入例如地址或生日信息等患者数据和/或例如当前症状、当前小恙、药物治疗跟踪、家族健康史、过敏、患者健康史等患者健康数据。
26.举例来说，在100处，可监测和收集个别患者数据。举例来说，可使用患者的健康传感器、健康监测器、可穿戴式装置、移动装置等监测患者健康数据。可监测患者的心率、血压、皮肤导电性、皮质醇水平、皮肤气体、体温、氧水平、睡眠模式、运动(例如，颤动)、饮食、锻炼模式、锻炼水平和其它数据。在一些实例中，可接收健康护理提供者数据，包含例如来自先前访视的生命体征、测试结果(例如，血液绘图)、过去癫痫发作类型、年龄和病史，以及其它。在一些实例中，可在癫痫发作风险工具101处接收环境数据(例如，湿度、照明、温度等)作为个别患者数据100的部分。
27.在102处，可使用癫痫发作风险工具101建立癫痫发作基线。如本文中所使用，癫痫发作基线可包含指示患者可能何时经历癫痫发作的动态(例如，可随着接收到新数据而改变的)癫痫发作基线。举例来说，癫痫发作风险工具101可从多个来源接收表示患者健康数据、健康护理提供者数据和环境数据的输入数据。基于所接收的输入数据，癫痫发作风险工具101可确定患者处于最高癫痫发作风险时所处的条件。
28.癫痫发作基线可在患者首次癫痫发作时建立，且随着接收到更多输入数据以及响应于后续癫痫发作而更新。举例来说，正经历高应激水平和高烧的患者可在癫痫发作基线以上，且相比于该患者平静且不发烧时处于更高的癫痫发作风险。可由患者(例如，经由应用)监测或提交的实例触发因素包含白天或夜间的特定时间、睡眠剥夺(过度疲劳、睡眠质量不佳、睡眠不足等)、发烧、疾病、闪光灯、图案、酒精作用、药物作用、压力、月经周期、激素改变、不良饮食习惯、低或高血糖、特定食物、咖啡因和/或药物治疗，以及其它。
29.在104处，可监测和标记相对于癫痫发作基线的偏离。在先前实例中，发烧的患者因高温而偏离于癫痫发作基线。举例来说，可穿戴装置上的温度传感器可实时地将温度水平发射到癫痫发作风险工具101。癫痫发作风险工具101可监测这些水平，且确定患者何时偏离于癫痫发作基线。
30.在106处，可识别与患者相关联的风险因素。举例来说，癫痫发作风险工具101可接收和考虑环境数据和健康护理提供者数据以确定患者的潜在的癫痫发作风险因素。举例来说，在非限制性实例中，健康护理提供者数据可指示患者具有与医学研究数据中的在高湿度环境中经历癫痫发作的其他患者类似的健康条件。癫痫发作风险工具101可接收表示湿度水平的输入数据(例如，经由天气传感器、可穿戴装置等)，且监测输入数据和潜在的癫痫发作风险。可监测和考虑其它癫痫发作风险因素。
31.在一些实例中，使用一般癫痫患者信息、一般癫痫发作治疗信息、患者病史信息或其任何组合，可创建患者的简档和/或其它一般患者简档。患者的癫痫发作基线可映射到患者简档以随着改变的发生进行调整。使用癫痫发作基线、偏离、风险因素、患者简档、一般癫痫患者信息、一般癫痫发作治疗信息、患者病史信息或其任何组合，可使用癫痫发作风险工具101确定、发射(或这两者)表示癫痫发作风险和癫痫发作计划的输出患者数据108。在一些例子中，输出患者数据108可包含到患者、医师或经授权用户的计算装置的警示患者癫痫发作风险并提供癫痫发作计划的警告发射。在一些实例中，输出患者数据108可包含发送到例如电视机屏幕、个人计算机、冰箱显示器或智能装置(例如，智能扬声器)以及其它等非移动装置的警示。
32.在一些实例中，如本文将进一步论述，不同来源和相关联数据可在癫痫发作风险工具101内被指派不同权重。举例来说，确定为提供较可能预测癫痫发作的数据的来源可被
给定比确定为提供不大可能预测癫痫发作的数据的来源更大的权重。如本文将进一步论述，癫痫发作风险和癫痫发作计划可用于辅助患者降低经历癫痫发作的风险，在癫痫发作可能性为高的情况下警示用户，或这两者。
33.图2是表示根据本公开的若干实施例的用于癫痫发作风险确定的系统的另一功能图。系统可包含癫痫发作风险工具201，其可分别类似于图1、4和5中示出的癫痫发作风险工具101、装置444和/或装置555。
34.癫痫发作风险工具201可在218处接收个别患者数据，所述个别患者数据可在癫痫发作风险工具201处作为实时或临时更新而接收。在本文中被称作“患者健康数据”的个别患者数据可包含特定针对患者的健康数据，并且可从多个来源接收，所述来源包含例如215处的传感器、214处的可穿戴装置或其它智能装置(例如，智能电话)，以及213处的医疗检查。传感器可包含检测或测量物理性质且记录、指示或以其它方式报告所述物理性质的装置。实例传感器为心电图(ecg)。在一些实例中，可穿戴装置或其它智能装置可包含传感器，且可使用那些传感器来搜集包含体温、氧水平、睡眠模式、运动改变或其它运动(例如，颤动)以及其它的数据。医疗检查信息可包含医疗保健提供者(例如，医生)的办公室处收集的数据或例如血液绘图、生命体征、体重等检查。
35.在217处，癫痫发作风险工具201可接收与医学领域相关联的信息，在本文中被称作“医疗保健患者数据”。举例来说，此可包含在212处接收关于癫痫发作预防和治疗的最新文献，或在211处从医院或其它数据库搜集例如婴幼儿、成年人、年长者、具有特殊病症的患者等不同类型的患者的数据。在216处，癫痫发作风险工具201可接收与环境因素相关联的数据，在本文中被称作“环境数据”，包含例如光线、湿度、温度、饮食习惯等。可在210处使用传感器搜集此数据，例如住宅周围的传感器(例如，相机、运动检测器等)、温度传感器、筛查时间监测器、饮食监测器等。
36.如由箭头所指示，不同输入数据218、217、216可由癫痫发作风险工具201使用以作出不同确定。举例来说，可在202处使用患者健康数据218建立个别癫痫发作基线。癫痫发作风险工具201可利用机器学习模型，其考虑患者健康数据218以建立包含在该处癫痫发作变得较有可能的患者的所估计阈值的癫痫发作基线202。举例来说，可以是经训练机器学习模型的机器学习模型可考虑何时发生了患者的第一次癫痫发作，以及任何后续癫痫发作，且确定那些癫痫发作发生时发生了什么。机器学习模型可使用此信息连同任何历史患者健康数据、新接收的临时患者健康数据和实时接收的患者健康数据来建立和更新癫痫发作基线。
37.在204处，可使用患者健康数据218和环境数据216监测和标记相对于癫痫发作基线202的偏离。举例来说，随着接收到实时数据和临时数据，不论是患者健康数据还是环境数据，机器学习模型可监测此数据且确定其是否偏离于癫痫发作基线。举例来说，如果在癫痫发作风险工具201处接收到与患者的血压相关联的输入数据，且机器学习模型指示其偏离于癫痫发作基线(例如，过高)，则可标记血压和时间。类似地，如果癫痫发作风险工具处接收的表示筛查时间的输入数据由机器学习模型确定为过高，则可标记所述情形。在一些实例中，一或多个偏离可导致癫痫发作基线的改变、发射癫痫发作风险警告，或这两者。
38.在206处，可使用患者健康数据218、健康护理提供者数据217和环境数据216识别与患者相关联的风险因素。举例来说，表示患者健康数据218的输入数据可指示患者的血压
不断地升高。机器学习模型可将此检测为患者的风险因素，且在确定癫痫发作基线时调整血压的权重因子，请求更频繁的监测，或这两者。类似地，机器学习模型可考虑来自健康期刊的信息(例如，健康护理提供者数据217)，其指示特定量的筛查时间可能影响癫痫发作频率。机器学习模型可将此检测为患者的风险因素，考虑历史筛查时间数据(例如，作为环境数据216接收)，在确定癫痫发作基线时调整筛查时间的权重因子，且请求更频繁的监测，或其任何组合。
39.在207处，可对包含来自医学领域的大数据的健康护理提供者数据217进行分类和译码。举例来说，机器学习模型可考虑从健康期刊、新闻文章、医学研究等接收的数据，且确定所述数据适用于患者的程度。举例来说，机器学习模型可在患者为年长女性时忽略表示仅对年轻男性执行的医学研究的输入或为该输入指派低权重。
40.在209处，可使用患者健康数据218、健康护理提供者数据217和环境数据216识别环境中的风险和触发因素以及它们可能如何影响患者的个人健康。举例来说，环境风险和/或触发因素可包含快速温度改变、筛查时间、特定食物、药物治疗、光强度和湿度以及其它。基于历史和当前患者数据、历史和当前环境数据，以及历史和当前健康护理提供者数据，机器学习模型可确定何时环境因素已经影响患者，环境因素影响患者到什么程度、环境因素是否在癫痫发作的阈值时间内发生，以及患者的健康的不同方面受环境因素影响的程度。
41.癫痫发作风险工具201可基于由癫痫发作风险工具101使用机器学习作出的各种确定输出表示癫痫发作风险、癫痫发作计划或这两者的数据。举例来说，在219处，可将预防癫痫发作的早期个性化构想提供到患者、健康护理提供者或经授权用户的计算装置。可使用所建立的个别癫痫发作基线202、基线偏离204、患者风险因素206、经分类和译码的保健提供者数据207以及环境风险和触发因素209确定构想219。
42.举例来说，机器学习模型可确定相对于癫痫发作基线202的血压偏离。基于由机器学习模型作出的其它确定，输出219可包含到患者、医师或其他经授权用户的关于癫痫发作风险由于偏离而为高的警告。可例如基于确定的风险因素、环境触发因素、经译码的大数据等为患者作出在暗室中躺下并进行呼吸练习的建议。可发射其它建议和警告。
43.在220处，癫痫发作风险工具201可例如使用机器学习检测癫痫发作的早期病征，且将通知提供到患者、健康护理提供者或经授权用户的计算装置。举例来说，可使用所建立的个别癫痫发作基线202、基线偏离204、患者风险因素206、经分类和译码的保健提供者数据207以及环境风险和触发因素209确定此检测。
44.举例来说，可穿戴装置或患者的其它传感器可检测特定环境湿度、患者应激水平和患者血糖。机器学习模型可确定这些水平的组合可能使患者升高到癫痫发作基线202以上。类似地，机器学习模型可确定升高的血压和应激水平的组合正使患者趋向于潜在的癫痫发作。此确定和检测可发射到患者、医师或其他经授权用户的计算装置。
45.在221处，癫痫发作风险工具201可例如使用机器学习准备经分类的第一手数据以用于癫痫发作领域的医学研究。使用基线偏离204、患者风险因素206以及环境风险和触发因素209，可收集数据、对数据进行分类且将其发射到计算装置以供在医学研究中使用。举例来说，基于由癫痫发作风险工具201和相关联ai收集和分析的数据，数据可发射给医疗专业人士或研究人员，以及其他人，以供在医学研究中使用。
46.图3是表示根据本公开的若干实施例的在癫痫发作风险确定中使用的癫痫发作基
线334的图式325。图式325包含癫痫发作326随时间328的概率，其中癫痫发作基线334充当参考线。癫痫发作概率轴326上的0指示患者将经历癫痫发作的机率很低，甚至为零。癫痫发作概率轴326上的1指示发生了癫痫发作。
47.癫痫发作基线334可使用癫痫发作风险工具建立，所述癫痫发作风险工具考虑患者健康数据、健康护理提供者数据和环境数据。举例来说，患者健康数据、健康护理提供者数据和环境数据是癫痫发作风险工具处随时间338接收的输入336。在一些实例中，时间338与时间328相同。患者健康数据和环境数据可实时或临时接收，且健康护理提供者数据可周期性地接收(例如，随着新数据变得可用)。每一输入336可经加权，其中一些输入336(例如，特定患者健康数据)携载比其它输入336(例如，特定健康护理提供者数据)更大的权重。在一些实例中，输入336携载相同的权重。
48.输入可例如在由患者在特定年龄330处经历的第一次癫痫发作332-1处开始。随着时间328、338的推移，可在癫痫发作风险工具处接收输入336，且基于那些输入336，癫痫发作风险工具和相关联ai(例如，包含机器学习模型)可确定癫痫发作风险。举例来说，如果机器学习模型指示患者的癫痫发作风险在癫痫发作基线以上(例如，在三角形警告符号处)，则警告可发射到患者或其他经授权用户的计算装置以实施癫痫发作计划，而如果机器学习模型指示患者的癫痫发作风险在癫痫发作基线以下，则可不发射警告，但发射到患者或其他经授权用户的计算装置的周期性报告可包含随时间328、338的癫痫发作风险。
49.在一些实例中，患者可经历第二次癫痫发作，如332-2处所指示。在此实例中，癫痫发作计划工具可接收输入数据336，且可连同癫痫发作基线334一起相应地调整机器学习模型，如由虚线所指示。举例来说，可响应于第二次癫痫发作332-2降低癫痫发作基线334。每当患者经历癫痫发作时，可调整癫痫发作基线334和相关联机器学习模型。还可响应于额外输入336调整癫痫发作基线334。举例来说，随着在癫痫发作风险工具处从患者、医师、医学研究等接收更多的输入数据336，可相应地调整癫痫发作基线。
50.当患者的癫痫发作风险接近癫痫发作基线334或升高到癫痫发作基线以上时，可通知患者采取行动来降低癫痫发作的风险。举例来说，警告可发射到患者、医师、其他经授权用户或其任何组合的计算装置(例如，智能手机、智能手表等)，指示患者采取行动来减小应激(例如，关灯、躺下、深呼吸、避免其它潜在的触发因素等)。
51.图4是表示根据本公开的若干实施例与上面写入有指令448、450、452、454的存储器资源445通信的处理资源446的另一功能图。在一些实例中，处理资源446和存储器资源445包括装置444，且可类似于图5中所示出的装置555、图1中所示出的癫痫发作风险工具101，和/或图2中所示出的癫痫发作风险工具201。
52.图4中所示出的装置444可以是服务器或计算装置(以及其它)且可包含处理资源446。装置444可进一步包含存储器资源445(例如，非暂时性mrm)，在上面可存储有指令，例如指令448、450、452、454。尽管以下描述涉及处理资源和存储器资源，但描述也可适用于具有多个处理资源和多个存储器资源的系统。在此些实例中，指令可跨多个存储器资源分布(例如，存储)，且指令可跨多个处理资源分布(例如，由所述多个处理资源执行)。
53.存储器资源445可为存储可执行指令的电子、磁性、光学或其它物理存储装置。因此，存储器资源445可以是(例如)非易失性或易失性存储器。在一些实例中，存储器资源445是非暂时性mrm，包括ram、电可擦除可编程rom(eeprom)、存储驱动器、光学光盘等。存储器
资源445可安置在控制器和/或计算装置内。在此实例中，可执行指令448、450、452、454可“安装”在装置上。另外和/或作为替代，存储器资源445可以是例如便携式、外部或远程存储介质、其允许系统从便携式/外部/远程存储介质下载指令448、450、452、454。在这种情形下，可执行指令可以是“安装包”的一部分。如本文所描述，存储器资源445可编码有用于癫痫发作风险确定的可执行指令。
54.指令448当由例如处理资源446等处理资源执行时可包含在处理资源446、存储器资源445或这两者处接收来自多个来源的多个输入数据的指令，所述多个来源包括以下中的至少两个：患者的移动装置、医疗装置、健康护理提供者数据库、存储器资源或其它存储装置的一部分、手动接收的输入，和环境传感器。在一些实例中，所述多个来源可包含计算装置数据、应用数据(例如，饮食监测应用、健身应用等)，其可存储在移动装置、存储器资源、其它存储装置或其组合上。举例来说，所述多个输入数据可包含患者健康数据、健康护理提供者数据、环境数据或其任何组合。
55.举例来说，处理资源446、存储器资源445或这两者可以临时或实时的方式接收特定针对患者的健康数据(例如，心率、血压、生命体征、体重等)，作为患者健康数据。患者健康数据可来自可穿戴装置或患者的另一装置、来自健康护理提供者，或为手动输入(例如，经由某一应用)。处理资源446、存储器资源445或这两者可接收与癫痫发作相关联的医学研究数据、出版物数据、大数据等，作为健康护理提供者数据。举例来说，此数据可来自癫痫发作数据的一般数据库(例如，常见触发因素、年龄组之间的因素等)，以及其它来源。在一些实例中，处理资源446、存储器资源445或这两者可从传感器或其它来源接收环境数据，包含例如饮食信息、筛查时间信息、湿度信息、光线信息等。
56.指令450当由例如处理资源446等处理资源执行时可包含将所接收的多个输入数据从处理资源446写入到存储器资源445的指令，且指令452当由例如处理资源446等处理资源执行时可包含至少部分地基于表示从第一处理资源446写入的数据的输入数据在第一处理资源446或第二处理资源处识别表示癫痫发作计划的输出数据的指令，所述癫痫发作计划包含降低患者的癫痫发作风险的所提议动作、保持处于或低于患者的癫痫发作基线的所提议动作，或这两者。举例来说，癫痫发作计划可取决于使用由机器学习模型建立的癫痫发作基线的患者的癫痫发作风险。
57.在一些实例中，识别表示癫痫发作计划的输出数据可至少部分地基于一般癫痫患者信息、一般癫痫发作治疗信息、患者病史信息或其任何组合，其存储在存储器资源445或可由第一处理资源446访问的其它存储装置(例如，额外存储器资源、云存储装置等)的一部分中。换句话说，机器学习模型(例如，经训练机器学习模型)可确定输出数据，且存储器资源445或其它存储装置可包含可由处理资源446访问以供在机器学习模型中使用的信息的数据库。在一些实例中，数据库信息可用于训练机器学习模型。
58.指令454当由例如处理资源446等处理资源执行时可包含将表示癫痫发作计划的输出数据经由信令发射到患者的移动装置的指令，所述信令经由与患者的移动装置的第三处理资源通信的无线电设备而发送。举例来说，用户可在智能手机、智能手表或另一装置处接收采取行动来减小应激以避免癫痫发作的警告。如本文中所使用，无线电设备的使用可包含经由中间介质(例如，空气、空间、不导电材料等)发射和/或接收信息。举例来说，此可包含无线电波或其它无线通信和/或信令，包含但不限于蜂窝式通信、单向通信、双向通信、
雷达、无线电定位、无线电设备远程控制、卫星通信、wi-fi、3g、4g、5g和/或其它通信标准，以及其它。在一些实例中，无线电设备的使用可包含信息的有线发射和/或接收。
59.在一些实例中，指令454当由例如处理资源446等处理资源执行时可包含将关于癫痫发作风险、降低患者的癫痫发作风险的所提议动作、保持处于或低于患者的癫痫发作基线的所提议动作或其任何组合的警示发射到患者的移动装置的指令。举例来说，如果机器学习模型确定患者处于癫痫发作风险，则此风险可连同癫痫发作计划(例如，关灯、躺下、深呼吸等)一起发射到患者、医师、经授权用户(例如，配偶、父母等)或其任何组合的移动装置。
60.图5是表示根据本公开的若干实施例与上面写入有指令556、558、560、562、564、566、568的存储器资源545通信的处理资源546的又一功能图。在一些实例中，处理资源546(本文下文中称为第一处理资源546)和存储器资源545包括装置555，且可类似于图4中所示出的装置444、图1中所示出的工具101，和/或图2中所示出的工具201。
61.指令556当由例如第一处理资源546等处理资源执行时可包含在第一处理资源546、存储器资源545或这两者处经由被配置成监测患者健康数据的第一信令、经由第二信令或这两者接收患者健康数据的指令，所述第二信令经由与患者的移动装置的处理资源通信的无线电设备而发送。第一信令可从健康传感器、健康监测器、可穿戴式装置、患者的移动装置或其任何组合接收。举例来说，此第一信令可包含实时患者健康数据，例如心率、血压或血糖电平，以及其它。第二信令可从患者的移动装置接收。举例来说，第二信令可包含手动输入的数据(例如，经由某一应用)，例如年龄、体重、身高、医师信息等。在某一例项中，可从健康护理提供者接收患者健康数据(例如，生命体征、验血结果等)。患者健康数据可包含健康症状、健康事件(例如，癫痫发作、外科手术、心脏病等)、患者的个人健康信息、患者的识别信息、患者的位置、由健康监测器收集的数据、患者的手动输入数据，或其任何组合。
62.指令558当由例如第一处理资源546等处理资源执行时可包含在第一处理资源546、存储器资源545或这两者处经由第三信令接收健康护理提供者数据的指令，所述第三信令被配置成监测包含一般癫痫患者信息和一般癫痫发作治疗信息的健康护理提供者数据。举例来说，健康护理提供者数据可包含与医学研究或治疗数据库相关联的数据，包含常见和罕见的癫痫发作触发因素、癫痫发作治疗，或性别、年龄中的癫痫发作趋势，以及其它。
63.指令560当由例如第一处理资源546等处理资源执行时可包含在第一处理资源、存储器资源或这两者处经由第四信令接收环境数据的指令，所述第四信令被配置成监测包含光线、筛查时间、饮食、湿度、温度或其任何组合的环境数据。举例来说，可使用例如温度或其它天气传感器、筛查时间传感器、食物跟踪传感器、照明传感器等环境传感器收集环境数据。
64.指令562当由例如第一处理资源546等处理资源执行时可包含将患者健康数据、健康护理提供者数据和环境数据从第一处理资源写入到存储器资源的指令。在一些实例中，存储器资源545或其它存储装置可包含含有一般癫痫发作症状和相关联诊断及治疗的数据库。在一些实例中，其它存储装置可包含云存储装置(例如，安全云存储装置)。
65.指令564当由例如第一处理资源546等处理资源执行时可包含使用经训练机器学习模型、表示写入的患者健康数据、写入的健康护理提供者数据和写入的环境数据的输入数据在第一处理资源546或第二处理资源处确定患者的癫痫发作风险和患者的癫痫发作基
线的指令。换句话说，使用机器学习模型，确定患者将经历癫痫发作的概率以及癫痫发作可在什么点发生。癫痫发作基线可考虑与患者相关联的若干因素来确定最可能在癫痫发作之前发生的一组情形。相对于癫痫发作基线的偏离可指示癫痫发作且由机器学习模型标记。
66.在一些实例中，患者健康数据、健康护理提供者数据和环境数据在经训练机器学习模型内携载不同权重。举例来说，患者健康数据可被给定比健康护理提供者数据更大的权重，因为患者健康数据是特定针对患者的。权重可随接收到更多数据和更新机器学习模型而改变。举例来说，如果患者紧接在暴露于闪光灯之后经历癫痫发作，则所有或一些环境因素可被给定较高权重。
67.指令566当由例如第一处理资源546等处理资源执行时可包含使用经训练机器学习模型、表示写入的患者健康数据、写入的健康护理提供者数据和写入的环境数据的输入数据，以及表示癫痫发作风险和癫痫发作基线的输入数据在第一处理资源546或第二处理资源处识别表示患者的癫痫发作计划的输出数据的指令。癫痫发作计划可包含癫痫发作风险和用于解决癫痫发作风险的行动计划。举例来说，癫痫发作计划可包含如何立即解决风险，以及解决癫痫发作风险和/或潜在的癫痫发作触发因素的进行中的计划。
68.在一些实例中，指令566可执行以确定待发射到患者的移动装置的关于癫痫发作风险的警示、确定待发射到健康护理提供者的计算装置的关于癫痫发作风险的警示、确定待发射到经授权用户的移动装置的关于癫痫发作风险的警示、确定降低患者的癫痫发作风险的所提议动作、确定保持处于或低于患者的癫痫发作基线的所提议动作，或其任何组合。换句话说，癫痫发作计划可包含癫痫发作风险的警告、谁应该知晓癫痫发作风险的建议，以及解决癫痫发作风险的所提议动作。
69.指令568当由例如第一处理资源546等处理资源执行时可包含经由无线电设备将表示癫痫发作计划的输出数据发射到患者、健康护理提供者或其任何组合的指令。举例来说，患者可在作出患者处于高癫痫发作风险的确定的情况下接收即时警示，或可在确定患者处于低癫痫发作风险的情况下接收周期性更新。举例来说，如果患者正经历指示升高到癫痫发作基线以上的阈值数目个潜在的触发因素，则患者可在移动装置处接收包含癫痫发作风险和癫痫发作计划的音频、物理或其它警示以减小应激从而避免潜在的癫痫发作。
70.图6是表示根据本公开的若干实施例的用于癫痫发作风险确定的实例方法680的流程图。在一些实例中，可使用癫痫发作风险工具101、201和/或例如如相对于图1、2、4和5所描述的装置444、555等装置来执行方法680。
71.方法680在682处可包含在第一处理资源处从与被配置成监测患者的患者健康数据的第二处理资源通信的无线电设备接收第一信令。举例来说，第二处理资源可包含用于监测例如氧水平、心率、体温等患者健康数据的传感器。在一些例子中，患者健康数据可包含来自健康护理提供者访视的数据(例如，验血、生命体征等)。
72.在684处，方法680可包含在第一处理资源处从与被配置成监测同癫痫发作相关联的健康提供者数据的第三处理资源通信的无线电设备接收第二信令。举例来说，健康提供者数据可包含一般癫痫发作症状、癫痫发作触发因素和/或癫痫发作治疗数据的医学研究和/或数据库。举例来说，此可包含由健康护理提供者或其它来源编译的不同患者的“大数据”。
73.在686处，方法680可包含在第一处理资源处从与被配置成监测同患者相关联的环
境数据的第四处理资源通信的无线电设备接收第三信令。举例来说，第四处理资源可包含用于监测例如温度数据、照明数据、湿度水平等环境数据的传感器。
74.方法680在688处可包含将至少部分地基于第一信令、第二信令和第三信令的组合的数据从第一处理资源写入到耦合到第一处理资源的存储器资源。写入的数据可保存在存储器资源处以用于确定当前或将来的癫痫发作计划。
75.在690处，方法680可包含在第一处理资源或不同的第五处理资源处基于第一信令、第二信令和第三信令确定患者的癫痫发作基线和患者的癫痫发作风险。癫痫发作基线可包含在该处最可能发生癫痫发作的与患者相关联的多个因素中的每一个的水平。举例来说，癫痫发作基线可包含水平a处的血压、水平b处的体温，以及筛查时间水平c。可监测和标记相对于癫痫发作基线的偏离。癫痫发作风险可包含患者将在特定时间周期处经历癫痫发作的概率。举例来说，如果患者偏离到癫痫发作基线以上，则患者的癫痫发作风险可为高。
76.在一些实例中，确定癫痫发作基线和癫痫发作风险可包含利用经训练机器学习模型基于同第一信令、第二信令、第三信令以及与先前癫痫发作计划相关联的先前接收到的信令和相关联数据相关联的数据来确定癫痫发作基线和癫痫发作风险。举例来说，随着在机器学习模型处接收到数据，连同癫痫发作风险一起更新基线。如果先前癫痫发作计划具有奏效的因子和未奏效的因子，则可随着在机器学习模型处接收到新的和经更新的数据而更新癫痫发作计划、癫痫发作基线和癫痫发作风险。举例来说，可响应于在第一处理资源处接收到额外的第一信令、第二信令、第三信令或其任何组合，且至少部分地基于第一处理资源处接收的与表示癫痫发作计划的输出数据的结果相关联的反馈，来更新癫痫发作基线。
77.在692处，方法680可包含在第一处理资源或不同的第五处理资源处至少部分地基于表示所写入信息、癫痫发作基线和癫痫发作风险的存储在存储器资源或可由第一处理资源访问的其它存储装置的一部分中的输入数据，识别表示患者的癫痫发作计划的输出数据。在一些实例中，识别表示癫痫发作计划的输出数据包含利用经训练机器学习模型基于同第一信令、第二信令、第三信令、癫痫发作基线、癫痫发作风险以及与先前癫痫发作计划相关联的先前接收到的信令和相关联数据相关联的数据识别表示癫痫发作计划的输出数据。举例来说，癫痫发作计划可包含癫痫发作风险和解决所述风险的相关联计划，包含例如应采取的用以降低应激的行动(例如，关灯、打盹、喝水等)。癫痫发作计划可发射到患者、医师、经授权用户或其任何组合。
78.举例来说，识别表示癫痫发作计划的输出数据可包含识别待发射到患者的计算装置的警示，以及识别降低患者的癫痫发作风险的所提议动作和相关联指令、保持处于或低于患者的癫痫发作基线的所提议动作和相关联指令，或这两者。方法680在694处可包含经由第四信令发射表示癫痫发作计划的输出数据，所述第四信令经由与可由患者访问的计算装置的第六处理资源通信的无线电设备而发送。举例来说，所识别警示可发射到可由患者访问的计算装置(例如，智能手机、可穿戴式装置等)。在一些例子中，所识别警示可发射到经授权用户(例如，护理人员、监护人等)或健康护理提供者的计算装置或者其它移动或非移动装置。
79.在一些实例中，方法680可包含在第一处理资源处经由可由患者访问的计算装置或患者的不同移动装置的应用从患者接收包括个人患者数据、患者健康数据、环境数据、健康护理提供者数据或其组合的手动输入，以及将至少部分地基于第一信令、第二信令、第三
信令和手动输入的组合的数据从第一处理资源写入到耦合到第一处理资源的存储器资源。换句话说，可经由某一应用监测和更新患者的癫痫发作风险、癫痫发作基线和癫痫发作计划。患者可输入额外数据(例如，体重、年龄、身高、反常的症状、环境条件等)，且健康护理提供者可输入额外数据(例如，新的研究、测试结果等)。此额外数据可由机器学习模型使用以确定癫痫发作风险、癫痫发作基线和癫痫发作计划。
80.虽然已经在本文中说明并描述了特定实施例，但是所属领域的一般技术人员将了解，预计实现相同结果的布置可以替代所展示的特定实施例。本公开既定涵盖本公开的一或多个实施例的调适或变化。应理解，已以说明性方式而非限制性方式作出以上描述。所属领域的技术人员在审阅以上描述后将显而易见上述实施例的组合及本文中未特定描述的其它实施例。本公开的所述一或多个实施例的范围包含在其中使用以上结构和过程的其它应用。因此，本公开的一或多个实施例的范围应参考所附权利要求书以及此类权利要求被赋予的等效物的完整范围来确定。
81.在以上具体实施方式中，出于简化本公开的目的而将一些特征一并归到单个实施例中。这一公开方法不应被理解为反映以下意图：本公开的所公开实施例必须使用比每一权利要求中明确陈述的特征更多的特征。实际上，如所附权利要求书所反映，本发明主题在于单个所公开实施例的不到全部的特征。因此，所附权利要求书特此并入于具体实施方式中，其中每项权利要求就其自身而言作为单独实施例存在。