生物测定数据捕获和分析

本专利申请要求于2018年9月12日提交的题为“生物测定数据捕获和分析”的美国临时专利申请序列号62/730,160的优先权，其全部内容通过引用并入本文。

技术领域

本公开的各方面涉及从热传感器图像序列中提取生物测定数据。热传感器可以包含热敏元件阵列以提高性能。

背景技术

图像传感器普遍用于家庭应用。实例包括用于婴儿监控器、因特网协议(IP)摄像机、安全摄像机等的那些。其它图像传感器包括热感摄像机以及热传感器阵列。扩大图像传感器的有效应用将提高其普及率。

2019年5月，《芝加哥太阳报(Chicago Sun Times)》报道了一篇关于伊利诺伊州一名男子在驾车期间发生心脏相关事件并撞车死亡的文章，这篇文章强调了扩大传感器(例如，热传感器)应用的必要性。这名男子驾车时遭遇“心脏相关事件”，失去意识，并将其车辆撞到电线杆上。在撞到电线杆后，他的车撞上了另一辆车。应对此类恐怖事件的预防性措施肯定对广大人民有益。

发明内容

一种设备使用热传感器用于智能家庭应用的生物测定数据提取和跟踪。应用如健康状况分析、运动估计(例如，跌倒估计)、随意预测(例如，心跳正在减慢到危害等级)、危害检测(例如，长时间躺下)、学习个人档案以及根据个人偏好的系统适应等。

另一方面，可以增强热传感器的参数以允许提取尽可能多的数据。实例包括但不限于：增加感测元件的数量(即，分辨率)、帧速率、灵敏度和/或信噪比水平。

另一方面，信号处理技术从热图像中提取生物测定数据。

另一方面，分析模型用于危害预测和随后采取的相关联动作。

另一方面，通过深度学习模型进行危害分析。基于危害系数和从模型估计的相关联置信水平采取动作。

另一方面，该模型将建议基于输入数据序列以相关联的置信水平采取动作。

另一方面，可以训练该模型以基于先前发生的事件以相应的置信水平预测危害系数和必要时的对应动作。

另一方面，对于时间紧迫性较小的应用，该模型可以驻留在云服务器中，而不是本地处理单元中。

另一方面，智能装置的参数基于被检测人的热特征被不同地配置。

另一方面，基于由第一应用检测到的检测到的状况，将所执行的应用从第一应用改变为第二应用。

附图说明

当结合附图阅读时，将更好地理解本发明的上述概述以及本发明的示范性实施例的以下详细描述，这些附图是作为实例而非作为对所要求保护的本发明的限制而包括的。

图1示出了根据实施例的位于房间中的热传感器。

图2示出了根据实施例的与一个或多个热传感器和一个或多个相关联的智能装置接口的设备。

图3a示出了根据实施例的处理来自一个或多个热传感器的信息的设备。

图3b示出了根据另一实施例的使用深度学习模型以估计危害系数来处理来自一个或多个热传感器的信息的设备。

图3c示出了根据另一实施例的使用深度学习模型以建议动作来处理来自一个或多个热传感器的信息的设备。

图4示出了根据实施例的从热传感器信息识别用户并应用对应档案的过程。

图5示出了根据实施例的用于执行多个应用的流程图。

图6示出了根据实施例的用于基于检测到的热特征的多个参数组中的一个来配置智能装置的流程图。

图7示出了根据实施例的用于连续监测车辆操作者的身体健康的车辆系统。

图8示出了根据实施例的基于检测到的车辆驾驶员的身体状况执行一个或多个动作的过程。

具体实施方式

根据实施例的一方面，可以增加热传感器或热传感器阵列的性能指标(例如，分辨率、帧速率和灵敏度)以支持如身份验证、生物测定数据提取和健康状况分析的应用。可以通过监测热图像的时间序列来执行预测，并且因此可以生成健康状况的预警。

根据实施例的另一方面，可以将热传感器的帧速率增加到确定的水平，以捕获来自人体的热辐射的微小细节随时间的变化，例如来自人体的热辐射的细节变化。

根据实施例的另一方面，可以将流过皮肤的血流的热图像转换为用于脉搏率提取的时间信号。可以将进一步的信号处理技术应用于个体的额外生物测定数据以分析健康状况。可以处理图像信号以从内容中识别多个对象并跟踪相关联的生物测定数据。

根据实施例的另一方面，应用可以确定人体在图像信号内的位置，以及来自先前图像的运动跟踪，以用于跌倒检测。可以应用运动估计来预测图像信号内是否存在对个体的任何危害。

根据实施例的另一方面，档案可以与个体相关联。设备可以从图像信号的历史中跟踪和学习个体的行为。此外，当在场景中检测到个体时，该设备可以适应。例如，当在夏季检测到个人进入起居室时，可以使起居室中的空调的设定温度适应个人的偏好。

根据实施例的另一方面，可以根据个体的体温以及其它参数(如相对湿度和室外温度等)来控制环境温度，以通过机器学习达到整体舒适区域。

根据实施例的另一方面，分析的准确度由热传感器的分辨率、采样频率和灵敏度，从图像信号中提取生物测定数据的信号处理技术以及分析/学习算法来确定。

根据实施例的另一方面，热传感器的应用可以扩展到家庭应用。

根据实施例的另一方面，分析模型由训练模型组成。从参考热图像信号和相关联目标向量的数据库训练该模型，该数据库可以表示智能家居装置的一系列设置。可以部署增强学习以允许模型适应新的目标向量。例如，用户可以在夏天和冬天之间改变房间的温度设置。

根据实施例的另一方面，不将训练应用于分析模型，而是随时间从与热特征相关联的目标向量序列中学习。例如，当检测到与新用户相关联的新热特征时，应用智能装置的默认设置。当用户改变单个装置的设置时，将记录新的设置以重新训练模型。

图1示出了根据实施例的位于房间100中的热感摄像机101。摄像机101可以生成未明确示出的个体的热图像(热谱图)102。

在一些实施例中，热感摄像机101包含将红外或远红外辐射聚焦在可见物体上的透镜。聚焦光由热传感器扫描，该热传感器包含多个红外检测器元件(例如，24×32像素)。检测器元件可以产生非常详细的温度图案(例如，热谱图102)。

在一些实施例中，摄像机101可能需要检测器阵列的百分之一秒来获得传感器信息以获得热图像。传感器信息可以周期性地从热传感器的视场中的几千个点获得，以形成热图像序列。

由热传感器的检测器元件产生的热谱图102可以被转换成电脉冲。然后将脉冲发送到信号处理单元(例如，如图3所示的设备300)，该信号处理单元可以实现为具有专用芯片的电路板，该专用芯片将传感器信息转换为生物测定数据。

热感摄像机101还可以包括跟踪能力，使得摄像机101的方向可以改变以跟踪如在房间100中移动的人102的移动对象。

虽然图1描绘了一个热传感器，但是一些实施例可以与多个热传感器接口。例如，热传感器阵列可以位于不同的房间和/或住宅的入口点。

图2示出了根据实施例的通过传感器接口206与热传感器204和/或205接口以及通过智能装置接口209与智能装置202和/或203接口的设备200。

热传感器204和205通常用于存取控制和存在检测。在一些实施例中，为了使处理器201从传感器信息中提取生物测定数据，可以通过增加捕获图像信号的采样频率(例如，帧速率)、从图像信号中识别和跟踪个体，以及分析热图像随时间的细节变化来扩展热传感器204的性能。处理器201可以将传感器信息(信号)转换为生物测定数据，如心率、身体位置、健康状况等。设备200还可以通过处理图像信号来支持对未来健康事件的预测和/或支持系统个性化。

在一些实施例中，处理器201可以处理传感器信息以检测用户的热特征。当检测到特定个体的热特征时，处理器201可以将该个体的档案(例如，温度设置)应用于智能装置202(例如，空调)。

处理器201可以支持处理和/或分析生物测定数据的一个或多个健康应用，并且可以经由接口210通过通信信道251向外部实体(例如，医生)生成关于生物测定数据的通知。例如，健康应用可从生物测定数据检测到用户有可能的心脏病发作；因此，向用户的医生发送关于该事件的紧急通知。

参考图2，计算系统环境可以包括其中可以实现本文所讨论的过程(例如，图3所示的过程300)的计算装置。计算装置可以包括处理器201，用于控制计算装置及其相关联组件(包括RAM、ROM、通信模块和第一存储器装置207)的整体操作。计算装置通常包括各种计算机可读介质。计算机可读介质可以是可由计算装置存取的任何可用介质，并且包括易失性和非易失性介质、可移动和不可移动介质。作为实例而非限制，计算机可读介质可以包含计算机存储介质和通信介质的组合。

计算机存储介质可以包括以用于存储如计算机可读指令、数据结构、程序模块或其它数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储装置，或可用于存储所需信息并可由计算装置存取的任何其它介质。

通信介质通常以如载波或其它传输机制等调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。调制数据信号是其一个或多个特征以在信号中编码信息的方式设置或改变的信号。作为实例而非限制，通信介质包括如有线网络或直接有线连接的有线介质，以及如声学、RF、红外和其它无线介质的无线介质。

在一些实施例中，处理器201可以执行存储在存储器207处的计算机可执行指令和存取存储在存储器208处的档案数据。

在一些实施例中，存储器装置207和208可在单个存储器装置内物理地实施。

图3a示出了根据实施例的处理来自一个或多个热传感器301的信息的设备300a。

通过使用较高质量的热传感器301(例如，具有每秒至少100帧的帧速率、至少24×32像素的分辨率、良好的灵敏度和低噪声)，可以经由模拟前端302、模数转换器(ADC)303和特征提取器305经由适当的信号处理技术来提取生物测定数据351。生物测定数据351可以包括脉搏率、体温、温度分布模式、身体轮廓和姿势等。通过跟踪生物测定数据的变化，可以由分析器306分析个体的健康状况，并且可以通过进一步处理生物测定数据351由分析器306和动作生成器307分别生成预警信号352和353。

应用可以利用安装的家用热感摄像机用于通过跟踪姿势变化进行跌倒检测。例如，当姿势在短时间内从直立变为水平时，可以检测到可能的跌倒，并且因此可以生成相关联的警报。此外，可以跟踪姿势、体温、温度分布模式和心率的变化以估计危害等级，并且可以采取相关联的动作353。

也可以支持来自生物测定数据351的危害预测。例如，当一个人的体温持续下降并且他/她的姿势摇动时，跌倒的可能性可能更高(如危害等级352所指示的)，并且因此可以在跌倒发生之前生成(触发)警报。

框302可以执行信号放大和非递归带通滤波，其中对应于热图像的模拟信号在被ADC303处理之前被处理用于DC偏移去除、降噪和频率限制。(在一些实施例中，框303可以包含16位ADC，其中采样频率(例如，200Hz)被设置得足够高以捕获对象的温度变化的细节。)

在特征提取框305中，应用图像处理来识别有效对象、跟踪各个对象随时间的热分布并从热分布中提取参数以形成特征向量。特征向量的参数的实例包括周期时间、周期时间的变化、每个周期循环内的某些时间常数及其随时间的变化等。分析模型306获取特征向量并将其与训练的模型进行比较。使用深度学习算法，例如深度神经网络，用大量通用特征向量对模型进行预训练。可以采用强化学习来允许模型从错误中学习。可以为所识别的对象提供危害等级。在框307中，动作列表可以是预定义的并且可以基于相关联的危害等级来触发。

图3b示出了根据另一实施例的处理来自一个或多个热传感器301的信息的设备300b。通过使用深度学习模型308训练的模型，例如具有监督学习的卷积神经网络，估计具有相关联置信水平321的危害系数322。动作324从动作列表323确定，并且可以基于由模型308提供的危害系数322和置信水平321。模型308最初可以支持危害等级，但随后用更多经验数据(如心率异常、体温下降、跌倒检测等)识别不同的危害。

还可以训练设备300b中的模型308，以基于从相当早的时间开始的训练序列来预测危害，而不是估计危害。

图3c示出了根据第三实施例的处理来自一个或多个热传感器301的信息的设备300c，其中动作332和相关联的置信水平331由训练的模型309来估计。同样，还可以训练设备300c中的模型309以预测所需的任何动作。

可以使用的图像处理技术取决于系统复杂性，包括热传感器的数量、每个热传感器的分辨率、危害和动作的列表、系统计算能力和可用存储器等。

对于图3a、3b和3c所示的实施例，取决于响应时间的临界性，可以在本地或在云服务器中实现分析模型。

图4示出了根据实施例的从热传感器信息识别用户并应用对应档案的过程400。

过程(应用)400在框401处支持人的存在检测和热特征验证。如果在框401处检测到人类对象并且热特征与已知实体匹配，则可以根据在框402处存储的档案数据库来调整403所有支持的智能装置(例如，空调、智能TV或智能照明)。

如果对所应用的档案405进行任何调整，则可以将调整数据453发送到档案适应单元406，其中可以包括档案中的新设置。如果需要调整，则由档案适应单元406更新451档案数据库。

为了添加新用户，档案适应单元406将新用户453的热特征发送到用户标识符单元401，并将可以是默认档案的相关联的档案发送到档案数据库单元402。

档案适应单元406可以包含使用强化学习训练的深度学习模型。

图5示出了根据实施例的用于通过由设备200执行的多个应用进行排序的流程图500。设备200可以根据检测到的状况执行多个应用中的一个。例如，第一健康应用可以监测用户的一般健康测量(例如，活动量和温度)。如果一个或多个测量异常，则设备200可以基于检测到的状况启动不同的健康应用。

参考图5，设备200在框501处根据第一组传感器参数配置热传感器204和205，以便在框502处执行第一应用。

如果在框503处检测到异常状况，则设备200启动适当的应用。例如，在框504至505和506至507处，设备可以分别转换到第二应用以监测跌倒预测或第三应用以监测用户的心率。当执行第二或第三应用时，设备200可以不同地配置热传感器204和205，以便获得不同的生物测定数据。

在另一实施方案中，对于每个应用，可以将不同的配置参数应用于各个传感器。

在第三实施方案中，将不同组的配置参数一个接一个地应用于传感器，以在运行应用之前提取所有生物测定数据。

在第四实施方案中，一组最全面的配置参数用于所有传感器和应用。可以将所有传感器设置为最佳配置组，例如但不限于最高图像分辨率、位数、帧速率、灵敏度、信噪比(SNR)、计算能力、功耗等。

图6示出了根据实施例的流程图600，其中设备200基于检测到的用户用多个参数组中的一个来配置智能装置。设备200可以监测来自热传感器204和/或205的传感器数据以检测一个或多个用户的热特征。例如，热传感器204可以位于住宅的入口点。基于从传感器204获得的传感器信息，设备200可以识别进入和离开住宅的用户。在一些实施例中，设备可以从前面(对应于进入住宅的人)或从后面(对应于离开住宅的人)检测热特征。基于检测到的热特征，智能装置可以配置有不同的参数组(例如，空调的温度设置)。

在框601处，设备200训练以从传感器数据检测不同用户的热特征。例如，区别特征可以存储在存储器208中。当在框602处检测到两个用户的热特征，在框604处仅检测到用户A，或在框606处仅检测到用户B时，可分别根据框603处的第一组智能装置参数、框605处的第二组智能装置参数，或框607处的第三组智能装置参数来配置智能装置。在一些实施例中，第一组(当检测到两个用户时)可以是第二组与第三组(当仅检测到一个用户时)之间的折衷。否则(当没有检测到用户时)，在框608处，可以根据智能装置参数的默认设置来配置智能装置。

实施例可以支持以下能力。

一种设备使用热传感器用于智能家庭应用的生物测定数据提取和跟踪。应用如健康状况分析、运动估计(例如，跌倒估计)、偶然预测(例如，心跳减慢到危害等级)、危害检测(例如，长时间躺下)、学习个人档案以及根据个人偏好的系统适应等。

可以增强热传感器的参数以允许提取尽可能多的数据。实例包括但不限于：

a.增加例如用于心率监测的分辨率、帧速率、灵敏度和信噪比水平。

b.增加用于检测距离的分辨率、灵敏度和信噪比水平等。

c.增加被跟踪对象数量的分辨率。

信号处理技术从热图像中提取生物测定数据。

用于危害估计的分析模型和随后采取的相关联行动。

用于动作估计的分析模型。

用于危害和/或行动预测的分析模型。

用于根据从热传感器提取的生物测定数据学习智能装置的个体行为的模型。

基于检测到的不同人员配置智能装置的参数。

基于由第一健康应用检测到的状况从第一健康应用改变到第二健康应用。用于主动健康应用的各个传感器的配置参数组可以相同也可以不同。

在运行健康应用之前，使用不同的配置参数组提取所有生物测定数据。

为所有传感器和健康应用使用一组综合配置参数。

获得热传感器数据以检测人的正面或背面的热特征。

能够增加热传感器(包括IP摄像机、热感摄像机和热传感器)的采样频率，以捕获由于来自人体的热辐射而引起的颜色内容的微小变化。

能够提高热传感器的分辨率和灵敏度以跨越检测范围。

示范性条款：

1.一种支持至少一个智能装置的设备，所述设备包含：

智能装置接口；

热传感器接口，其被配置为从第一热传感器获得传感器信息；

处理器，其用于执行计算机可执行指令；

存储器，其存储所述计算机可执行指令，所述计算机可执行指令在由所述处理器执行时使所述设备执行：

从所述传感器信息检测检测到的用户的检测到的热特征；

当所述检测到的用户为第一用户时，获得对应于所述第一用户的第一档案，其中，所述第一档案包含第一组智能装置参数；以及

当所述检测到的用户为所述第一用户时，通过所述智能装置接口基于所述第一组智能装置参数配置第一智能装置。

2.根据条款1所述的设备，其中，所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述设备执行：

当所述检测到的用户为第二用户时，获得对应于所述第二用户的第二档案，其中，所述第二档案包含第二组智能装置参数，并且其中所述第二组不同于所述第一组；以及

当所述检测到的用户为所述第二用户时，通过所述智能装置接口基于所述第二组智能装置参数配置所述第一智能装置。

3.一种支持至少一个智能应用的设备，所述设备包含：

热传感器接口，其被配置为从第一热传感器获得传感器信息；

处理器，其用于执行计算机可执行指令；

存储器，其存储所述计算机可执行指令，所述计算机可执行指令在由所述处理器执行时使所述设备执行：

当执行第一应用时：

根据第一组传感器参数配置所述热传感器；

当所述热传感器配置有所述第一组参数时，从所述传感器信息中提取生物测定数据；以及

当从所述生物测定数据检测到第一状况时，启动第二应用；以及

当执行所述第二应用时，

根据第二组参数配置所述热传感器，其中，所述第一组参数和所述第二组参数相差至少一个参数；以及

当所述热传感器配置有所述第二组传感器参数时，从所述传感器信息中提取所述生物测定数据。

4.一种支持至少一个智能应用的设备，所述设备包含：

热传感器接口，其被配置为从热传感器获得传感器信息并且根据用于所有应用的一组最全面的传感器参数来配置所述热传感器；

处理器，其用于执行计算机可执行指令；

存储器，其存储所述计算机可执行指令，所述计算机可执行指令在由所述处理器执行时使所述设备执行：

从所述传感器信息中提取生物测定数据；

执行所述第一应用；

执行所述第二应用。

5.一种支持具有多于一个热传感器的至少一个智能应用的设备，所述设备包含：

第一热传感器接口，其被配置为从第一热传感器获得传感器信息；

第二传感器接口，其被配置为从第二热传感器获得传感器信息；

处理器，其用于执行计算机可执行指令；

存储器，其存储所述计算机可执行指令，所述计算机可执行指令在由所述处理器执行时使所述设备执行：

根据所述第一组传感器参数配置所述第一热传感器；

根据所述第二组传感器参数配置所述第二热传感器；

从来自所有所述传感器的所述传感器信息中提取生物测定数据；

执行所述第一应用：

执行所述第二应用。

在一些实施例，所有传感器的配置参数组可以是相同的，换言之，所有传感器可以配置有用于所有应用的最全面的参数组。最佳传感器配置可以包括但不限于最高图像分辨率、位数、帧速率、灵敏度和信噪比(SNR)。

以下涉及车辆操作者持续的身体健康监测实施例。

再次参考图1，虽然实施例支持使用热传感器评估房间中的人的健康，但是实施例可以利用热传感器数据来评估其它类型的密闭空间(如车辆)内的人的健康。所使用的参数可以包括但不限于心率、呼吸率、体温、姿势(特别是头部位置)以及这些数据随时间的轨迹等。

车辆操作者(车辆驾驶员)的身体健康状况对于操作者、乘客和车辆本身的安全至关重要。如果意外出现紧急情况，车辆操作者状况的状态可以确定情况的输出。

在传统方法中，有多种方式通过可穿戴装置来监测车辆操作者的身体健康。然而，可穿戴装置特定于穿戴该装置的个人而非车辆，并且可能不能确保在车辆使用期间安全地监测车辆操作者健康的信息或数据。

根据实施例的一个方面，可以以非侵入和精确的方式执行对驾驶员和/或车辆的监测，其在车辆运行时一直被激活。因此，可以评估驾驶车辆的任何人的健康状况。通过这种方法，关于驾驶员的生物特征信息被用于事故预防、事故警报、危急健康警告和事后分析。

图7示出了根据实施例的用于连续监测车辆操作者的身体健康的车辆系统700。

参考图2，如前所讨论的，该实施例经由热传感器接口206从热传感器204获得热传感器数据。

热传感器204通常安装在车辆操作者(驾驶员)前方的固定位置处，例如抵靠驾驶员前方的顶部挡风玻璃拐角安装。

处理器703通过参考图5中的方法配置热传感器。

处理器703提取包含在传感器数据750中的生物测定信息。例如，一旦驾驶员坐在驾驶座中，处理器703就可以连续地监测驾驶员的心率和头部姿势。另外，驾驶员的健康记录可经由无线装置704从远程数据库服务器加载到处理器703中。

处理器703可以基于驾驶员的健康记录来决定需要额外的生物测定数据。例如，如果驾驶员的BMI超过某个值，则也可以监测心率的变化、体温的变化和头部姿势随时间的变化。

如将进一步详细讨论的，处理器703检测关于驾驶员的一个或多个当前身体状况，并执行一个或多个动作以解决检测到的身体状况。

处理器703可以经由无线装置704(例如智能手机)执行应用、发起拨打911的电话、生成发送给指定人员的电子邮件等，向驾驶员、医生、紧急联系人等报告检测到的身体状况。

处理器703还可以响应于检测到的身体状况启动动作。例如，如果处理器703确定驾驶员正在经历心脏病发作，则处理器可以指示自动驾驶界面704将车辆路由到最近的医院。

如将进一步讨论的，生物测定信息可以存储在存储装置706中，用于随后关于车辆驾驶员的健康状况的分析。虽然存储装置706被示为单独的装置，但是存储装置706可以集成在无线装置704内。

图8示出了根据实施例的基于检测到的车辆驾驶员的身体状况执行一个或多个动作的过程800。

在框801处，处理器703提取包含在传感器数据750中的生物测定信息。在框802处，处理器703处理在信号750中传送的信息以提取车辆驾驶员的一个或多个生物测定特征的测量。生物测定特征可以包括但不限于心率、呼吸率和与平均心率的偏差(例如，心跳不规则的程度)。

生物测定特征的测量可以存储在存储装置706中，用于在以后的时间分析车辆驾驶员的健康状况。例如，存储的数据可以由驾驶员的医生评估以确定是否需要治疗。

在框803处，过程800获得生物测定特征(例如，车辆驾驶员的心率和呼吸率)的测量并确定健康档案是否适用于驾驶员。可以指定多个健康档案，其中第一健康档案映射到驾驶员的正常生命机能(换言之，未检测到健康事件)，第二健康档案映射到心脏病发作事件，第三健康档案映射到驾驶员入睡，第四健康档案映射到过量饮酒等。

如果在框804处基于所确定的健康档案检测到异常健康，则过程800在框805至809处检测是否发生特定的健康事件。基于特定的健康事件，过程800执行适当的动作。示范性动作包括但不限于：

●睡眠事件(框805——驾驶员入睡)：通过车辆无线电或无线装置发出响亮的警告声以警告驾驶员

●心脏病发作事件(框806)：指示自动驾驶界面将车辆驾驶到最近的医院

●过量饮酒(框807)：如果汽车正在移动，则防止车辆驾驶员启动汽车或安全地停车

●心律失常事件(框808-不规则心跳或心律失常)：通过无线装置向驾驶员生成警报

●中风事件(框809)：指示自动驾驶界面将车辆驾驶到最近的医院

根据实施例的一方面，处理单元连续地监测和分析车辆驾驶员的心跳以生成关于任何不规则性的警报。处理单元可以使用独特的算法来提供这种能力。

根据实施例的一方面，处理单元可以识别检测到的不规则性以对应于车辆驾驶员的多个事件中的一个，包括但不限于入睡、心脏病发作、过量饮酒等。

根据实施例的一方面，关于车辆驾驶员的心跳的数据可以存储在存储装置中。可以在稍后的时间检索数据以分析是否发生异常健康事件。

如本领域技术人员可以理解的，具有包含用于控制计算机系统的指令的相关联计算机可读介质的计算机系统可被用于实施本文所公开的示范性实施例。计算机系统可以包括至少一个计算机，如微处理器、数字信号处理器和相关联的外围电子电路。