CN104736055A - 用于监控心肺健康的方法和设备 - Google Patents
用于监控心肺健康的方法和设备 Download PDFInfo
- Publication number
- CN104736055A CN104736055A CN201380040871.XA CN201380040871A CN104736055A CN 104736055 A CN104736055 A CN 104736055A CN 201380040871 A CN201380040871 A CN 201380040871A CN 104736055 A CN104736055 A CN 104736055A
- Authority
- CN
- China
- Prior art keywords
- patient
- feature
- cardiovascular fitness
- motor message
- breathing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/097—Devices for facilitating collection of breath or for directing breath into or through measuring devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Emergency Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种心肺健康监控设备。该设备包括非接触式运动传感器,其用于在监控会话期间产生一个或多个代表患者身体运动的运动信号;处理器;以及内存存储程序指令,其用于引起该处理器来实施处理一个或多个运动信号的方法。该方法包括从一个或多个运动信号中提取一个或多个睡眠障碍性呼吸的特征,并基于该一个或多个睡眠障碍性呼吸的特征来预测临床事件是否可能在预设的预测范围内发生。
Description
相关申请的交叉引用
本申请要求了以下申请作为优先权:2012年5月30日提交的申请号为IE
2013/0254的爱尔兰申请;2012年6月26日提交的申请号为2012902693的澳大利亚临时申请;2012年11月30日提交的申请号为2012905221的澳大利亚临时申请;以及2013年4月29日提交的申请号为2013901482澳大利亚临时申请。
关于联邦资助的研究和开发的声明
不适用
联合研究开发方的名字
不适用
序列表
不适用
技术领域
本申请的技术涉及呼吸疾病的诊断、治疗以及改善中的一个或多个,并涉及预防呼吸疾病的步骤。本申请的技术尤其涉及医疗装置,以及它们在治疗呼吸疾病以及用于预防呼吸疾病中的用途。
背景技术
人体的呼吸系统促进了气体交换。鼻和口形成了人体气道的入口。
气道包括一系列的分支管,其随着更深入肺部而变得更狭窄、更短以及更多。肺部的主要功能是气体交换,使得氧气从空气中进入静脉血并使二氧化碳排出。气管分成右边和左边的主支气管,其进一步最终分成终末细支气管。支气管组成了传导气道,且并不参与气体交换。气道的进一步划分将导致呼吸细支气管,并最终到肺泡。肺部的肺泡区域是发生气体交换的地方,并成为呼吸区域。请见West,Respiratory Physiology-the essentials。
存在一系列的心肺疾病。
阻塞性睡眠呼吸暂停(OSA)是一种形式的睡眠障碍性呼吸(SDB),其特征是睡眠期间的上气道梗塞。其由睡眠过程中的不正常的小上气道以及舌部区域,软腭以及后咽壁的肌肉张力丧失而导致。该状态使得受影响的患者在长达一般为30-120秒的期间停止呼吸,有时在一个晚上多达200-300次。其一般引起过多的白天嗜睡,并引起心脑血管疾病以及脑部损坏。这种症状为普通的疾病,尤其是在中年的过重的男性中,尽管受影响的人没有意识到这个问题。请见US Patent4,944,310(Sullivan)。
周期性或调制的呼吸,例如潮式呼吸(CSR)是患者呼吸控制的一种疾病,其中具有消长通气的有节奏的交替周期(呼吸过度和呼吸暂停/呼吸不足),引起动脉血的重复的去氧合和再氧合。CSR是有害的,因为重复的缺氧。在某些患者中,CSR与从睡眠中的重复唤醒有关,这会引起严重的睡眠干扰,增加的交感神经活性,以及增加的后负荷。请见US Patent 6,532,959(Berthon-Jones)。
在没有换气不足的其它原因下,过度换气综合征(OHS)被定义为严重肥胖以及清醒慢性高碳酸血症的结合。其症状包括呼吸困难、晨起头痛和白天嗜睡。
慢性阻塞性肺疾病(COPD)包括具有特定共性的一组下气道疾病中的任何一种。这些疾病包括对气体运动的阻力增大、延长的呼吸呼气阶段,以及肺部正常弹性的丧失。COPD的例子有肺气肿和慢性支气管炎。COPD由长期吸烟(主要风险原因),职业影响,空气污染以及遗传因素导致。症状包括:劳力性呼吸困难,慢性咳嗽,咳痰。
神经肌肉病(NMD)是一个广泛的术语,其涵盖了许多疾病和小病,其会直接通过内在的肌肉病例,或非直接地通过神经病例来损坏肌肉的功能。某些NMD患者的特点是导致移动丧失的渐进性肌肉损伤,沦为依靠轮椅,吞咽困难,呼吸肌无力,并最终死于呼吸衰竭。神经肌肉疾病可分成快速渐进以及缓慢渐进:
(i)快速渐进疾病:其特征是肌肉损坏在数月内加重,并在数年内导致死亡(例如:肌萎缩性侧索硬化症(ALS)和青少年的杜氏肌营养不良症(DMD));
(ii)可变化或缓慢的渐进疾病:其特征是肌肉损坏在数年内加重,并仅减少寿命(例如:肢带,面肩肱型和强直性肌营养不良)。在NMD中呼吸障碍的症状 包括:增加的总体乏力,吞咽困难,劳力和休息的呼吸困难,疲劳,嗜睡,晨起头痛,并与在集中力和情绪变化中有困难。
胸壁疾病是导致呼吸肌和胸廓之间的非有效耦合的一组胸廓畸形疾病。这种疾病一般以限制性缺陷为特征,并承担长期高碳酸血症性呼吸衰竭的可能。特发性脊柱侧凸和/或脊柱后侧凸可引起严重的呼吸衰竭。呼吸衰竭的症状包括:劳力性呼吸困难、血管神经性水肿、端坐呼吸、反复肺部感染、晨起头痛、疲劳、睡眠质量差和食欲不振。
心脏衰竭是一种相对普遍以及严重的临床症状,其特征是心脏不能满足身体的氧需求。由于其高度普遍以及严重性,心脏衰竭的管理对现代健康护理系统来说具有巨大的挑战。心脏衰竭是慢性状态,在本质上具有渐进性。这种心脏衰竭的渐进一般特点是在穿插有急性发作特点的长时期内(尽管具有降低的心血管功能)相对稳定。在这些急性的发作中,患者经历了症状的加重,例如,呼吸不足(呼吸困难),驰骋节奏,增加颈静脉压力,端坐呼吸。其一般伴有显性阻塞(肺腔液体的积聚)。过多的液体一般导致几公斤的可测量的重量增加。在许多情况下,然而,到显性阻塞发生时,医生帮助患者重建稳定的选择十分有限,且在许多情况下患者需要住院治疗。在极端的情况下,得不到及时的治疗,患者将经历急性失代偿性心力衰竭(ADHF)。
治疗
鼻持续气道正压(CPAP)的治疗可用于治疗阻塞性睡眠呼吸暂停(OSA)。这种情况是持续的气道正压充当气动夹板,并可通过向前以及远离后口咽壁来推动软腭和舌头来防止上气道闭塞。
可使用无创通气(NIV)来治疗CSR,OHS,COPD,NMD以及胸壁疾病。
PAP装置
在CPAP下的正压气体一般通过PAP装置,例如马达-驱动鼓风机来提供至患者的气道。该鼓风机的出口通过柔性输送导管来连接至患者接口,例如口罩。
监控系统
目前的目标在于可预测潜在的心-肺事件,例如:ADHF事件,以防止或改进这种事件。建议用于预测心-肺事件目的特征包括身体重量,B型钠尿肽(BNP)水平,夜间心率,睡眠姿势的改变,以及呼吸的改变。多导睡眠图(PSG)是用于诊断和预测心肺疾病的常规系统。此外,已知地有接触传感器的模式,例如口罩或鼻导管,其具有用于监控和分析睡眠中呼吸参数以确定睡眠障碍性呼吸的严重性的能力。然而,这种系统非常复杂并可能很昂贵,且/或对于在家试图睡眠的病人来说非常不舒服。
发明内容
本发明在于提供一种用于心肺疾病的诊断和预测的医疗装置,其具有舒适度改善、成本降低、效率提高、易于使用和制造等一种或多种优点。
本发明的一个方面涉及一种用于心肺疾病的诊断以及预测的设备。
本发明的另一个方面涉及用于心肺疾病的诊断和预测的方法。
本发明的一种形式包括心肺健康监控的设备以及用于患者心肺健康监控的方法,该方法从运动信号中提取了指示患者睡眠障碍性呼吸严重性的特征,该运动信号从代表患者身体运动的非接触式运动传感器中获得,并使用该提取的特征来预测在预设的预测范围内医疗事件是否可能发生。
本发明一种形式的另一个方面为心肺健康监控的设备以及方法,该方法分析与心肺健康有关的传感器数据,基于该分析产生显示于患者的询问,以及基于对询问的响应来产生临床警报。
本发明一种形式的另一个方面为心肺健康监控设备以及方法,该方法分析从传感器数据提取的呼吸参数,并基于该分析产生潜在的复发警报。
本发明一种形式的另一个方面为心-肺监控监控的设备以及方法,该方法从运动信号中提取指示睡眠障碍性呼吸严重性的特征,该运动信号从代表患者身体运动的非接触式运动传感器中获得。
当然,这些方面的部分可形成本发明的子方面。同样,不同的子方面和/或方面可以不同的方式来进行结合,并同样构成本发明的其它方面或子方面。
通过以下的详细的说明,摘要,附图以及权利要求,本发明的其它特点将变得非常明显。
附图说明
以下以非限制的实施例,结合附图来说明本发明的技术,在附图中相同的附图标记指代相同的部分。这些附图包括以下:
治疗系统
图1a展示了根据本技术的适用实施本发明的示例系统。患者1000佩戴患者接口3000,接收来自PAP装置4000的正压气体。来自PAP装置的气体在加湿器5000中加湿,并流经气体导管4170流向患者1000。
监控系统
图1b展示了监控睡眠患者的非接触传感器单元。
呼吸系统
图2a展示了人类呼吸系统的总体,该系统包括鼻腔和口腔,喉,声带,食道,气管,支气管,肺,肺泡囊,心脏和隔膜。
图2b展示了人类上气道,该上气道包括鼻腔,壁骨,侧鼻软骨,更大的鼻翼软骨,鼻孔,上唇,下唇,喉,硬腭,软腭,口咽,舌,会厌,声带,食道和气管。
患者接口
图3a展示了根据本发明技术的一种形式的患者接口。
PAP装置
图4a展示而来根据本发明技术的一种形式的PAP装置。
加湿器
图5a展示了根据本发明技术的一个方面的加湿器。
呼吸波形
图6a展示了睡眠时的人的典型呼吸波形模型。水平轴为时间,垂直轴为呼吸流。当参数值改变时,典型的呼吸具有以下接近的数值:潮气量Vt,0.5L,吸气时间Ti,1.6s,峰值吸气流,Qpeak,0.4L/s,呼气时间Te,2.4s,峰值呼气流Qpeak,-0.5L/s。呼吸的总持续时间,Ttot,约4s。人一般以每分钟约15次的速度进行呼吸(BPM),其通气量Vent大约为7.5L/分钟。一个典型的占空比,Ti与Ttot的比例为约40%。
图6b展示了患者在非REM睡眠中的一般约90秒期间内大约有34次呼吸。这通过自动的PAP来处理,且面罩压力为约11cmH2O。顶部通道展示了血氧含量(SpO2),该尺度在垂直方向上的比例范围为90-99%。患者在所示的整个周期内保持约95%的饱和度。第二条通道展示了定量的呼吸气流,尺度在垂直方向上的比例范围为-1至+1LPS,并具有吸气正压。第三和第四条通道展示了胸腔以及腹部运动。
图6c展示了患者的多导睡眠图。从上到下具有11条信号通道,并具有6分钟的水平跨度。顶部的两个通道都为来自不同头皮位置的EEG(脑电图)。第二条通道中的周期性的尖状物代表皮质层唤醒以及相关的活动。往下的第三条通道是颏下的EMG(肌电图)。在唤醒时间附近的增加的活动代表了颏舌肌募集。第四和第五条通道为EOG(眼电图)。第六通道为心电图。第七通道展示了脉搏血氧饱和度(SpO2),其具有从约90%到低于70%的重复去饱和。第八通道为使用与不同压力变换器连接的鼻插管的呼吸气流。重复的25-35秒的呼吸暂停与10-15秒的突发的呼吸恢复交替,该呼吸恢复与EEG唤醒以及增加的EMG活动一致。第九通道展示了胸部的运动,而第十道展示了腹部的运动。该腹部在导致唤醒的呼吸暂停长度上展示了渐强的运动。呼吸暂停因此是阻塞性的,其状况非常严重。最下的通道是姿势,而在该实施例中其并没有展示改变。
图6d展示了患者流数据,其中该患者正在经历一系列的总体的阻塞性呼吸暂停。该记录的持续时间为接近160秒。流范围从约+1L/s到约-1.5L/s。每个呼吸暂停持续将近10-15s。
图6e展示而来具有潮式呼吸的患者。其中有三条通道-血氧饱和度,代表流的信号,以及第三条,指示运动的信号。该数据具有6分钟的跨度。代表流的信 号使用与鼻插管连接的压力传感器来测量。患者展示了与约38秒的呼吸过度交替进行的约22秒的呼吸暂停。在每个呼吸暂停期间所发生的高频,低幅振荡为心源性的。
监控设备
图7a为展了包括图1b中非接触传感器单元的设备的框图,用于监控患者的心肺健康。
图7b为监控患者心肺健康的方法的流程图,该方法被图7a中的监控设备所实施。
图7c为监控患者心肺健康的方法的流程图,该方法在图7a中的监控设备范围内进行实施。
图7d为从代表患者运动的信号中预测临床事件的方法的示例步骤的流程图,该方法如在图7b或7c中所使用的方法。
图7e为展示示例模块的框图,该模块可用作组成来实施对图7d中方法的特征提取步骤,以及展示了它们在本技术一种形式的结合以及单-通道途径下的关系。
图7f为示例模块组成的框图,该模块组成用作实施图7d中方法的特征提取步骤,以及展示了它们在本技术一种形式中的混合途径下的关系。
图7g展示了如在图7e和7f中一个睡眠/觉醒分析模块实施期间的Lotjonen模式扩展。
图7h为展示了图7e和7f中的睡眠/觉醒分析模块的交替实施中设置波形长度阈值方法的流程图。
图7i包括了三个普通SDB呼吸费力减少模板的示例。
图7j为可用于实施图7d方法中预测步骤的方法流程图。
具体实施方式
在详细讨论本发明之前,应当明白本发明的技术不限于所描述的特定实施例,其可进行变化。在本发明中所使用的术语仅用于描述特定的实施例,并非用于限制本发明。
治疗系统
在一种形式中,本发明包括用于治疗心肺疾病的设备。所述治疗设备可包括PAP装置4000,用于将加压的呼吸气体,例如,空气,通过引导至患者接口3000的气体输送管提供至患者1000。
治疗
在一种形式中,本发明包括用于治疗呼吸疾病的方法,所述方法包括将正压施加到患者1000气道入口的步骤。
PAP装置4000
根据本发明一个方面的PAP装置4000包括机械和气动部件41000,电气部件4200,且该PAP可编程以执行一个或多个过程4300。该PAP装置优选地具有外部壳4010,该外部壳优选地以两部分来形成,所述外部壳4010的上部分4012以及所述外部壳4010的下部分4014。在可替代的形式中,外部壳4010可包括一个或多个板4015。优选地,所述PAP装置4000包括底盘4016,该底盘支撑PAP装置4000的一个或多个内部部件。在一种形式中,气动块4020由底盘4016支撑,或形成为该底盘4016的一部分。该PAP装置4000可包括把手4018。
加湿器5000
在本发明技术的一种形式中,提供有加湿器5000,所述加湿器包括储水器5110,以及加热板5120。
监控设备7000
在一种形式中,本发明的技术包括设备7000,用于监控患者的心肺健康。设备7000包括非接触传感器单元1200,其邻近于并相对接近睡眠患者1000(例如在床头桌上),如图1b所示。
心脏衰竭被显示与睡眠障碍性呼吸(SDB)有高度关系。特别地,潮式呼吸(CSR),如图6e所示的实施例中,一般由人体呼吸控制系统的不稳定性产生,其中一个原因是心脏衰竭。此外,指示OSA严重性的特征,例如呼吸暂停/呼吸不足指数(AHI)被显示为通过ADHF事件的独立死亡预测,并需要住院观察ADHF事件。因此,一种预测ADHF事件的途径是使用指示睡眠障碍性呼吸严重性的特征,即SDB特征。SDB特征的一个例子为指示睡眠期间呼吸与典型CSR,即“潮式样”特征的类似程度的一组特征。在这种SDB特征中的数值和改变可包含关于ADHF事件可能性的有用信息。所公开的监控设备7000因此用于提取并分析特征,该特征指示患者1000的睡眠障碍性呼吸的严重性,即:SDB特征。在某些情况下,这种特征可根据2005年12月21日提交的国际公布号为WO 2006/066337的专利中所公开的方法论中来确定。
此外,潮式呼吸特征还可为心脏衰竭患者的失代偿事件在发作阶段期间的短期标记(在心脏所使用的维持足够的心脏输出的代偿机构不充足时会发生失代偿事件-这种失代偿会导致症状的快速加重,并一般需要住院治疗)。失代偿的医疗响应一般是暂时增加使用利尿剂,并因此去除多余的液体。这会导致呼吸参数的随之改变,以及因此上述的“潮式样”特征可用于评估治疗的短期效果。作为一个特定的例子,潮式呼吸的调制周期长度可与身体的循环延迟有关(例如,请见Dai Yumino和T.Douglas Bradley"Central Sleep Apnea and Cheyne-Stokes Respiration",Proceedings of the American Thoracic Society,Vol.5,No.2(2008),pp.226-236.),并因此可用作预后标记。
部件
图7a为设备7000的框图,该设备7000包括图1b中的非接触传感器单元1200,用于根据本发明技术的一种形式,更详细地监控患者1000的心肺健康。在设备7000中,该非接触传感器单元1200包括非接触式运动传感器7010,其一般直接朝向患者1000。该运动传感器7010用于产生代表患者1000人体运动的一个或多个信号,从这些信号中可获得代表患者呼吸运动的一个或多个信号。
传感器单元1200还可包括微控制器单元(MCU)7001,用于记录数据的内存7002(例如:存储器卡)。在一个实施例中,该传感器单元1200包括通信回路7004,其用于通过连接7008,将数据传输到外部计算装置7005,该外部计算装置例如为本地通用目的的计算机,或远程服务器。该连接7008可为有线或无线, 在这种情况下的通信回路7004可具有无线功能,并可直接或非直接地经过本地网络或宽带网络,例如英特网(未图示)。
传感器单元1200包括处理器7006,其如以下所详述地,用于处理由运动传感器7010所产生的信号。
传感器单元1200包括显示器装置7015,其用于提供用户可视反馈。在一个实施例中,该显示器装置7015包括一个或多个警报灯(例如,一个或多个发光二极管)。该显示器装置7015还可用作显示屏,例如LCD或触控式显示器。显示器装置7015的操作可基于患者心肺健康的评估来由处理器7006来控制。该显示器装置7015可用于视觉上地显示信息至监控设备7000的用户,例如患者或医生或其它临床医生。该显示器装置7015还可显示图形用户界面,用于监控设备7000的操作。
传感器单元1200包括音频输出7017,其用于在处理器7006的控制下提供用户的声音反馈,例如:频率与呼吸不一样的音调,或当满足某些情况时有声音的警报。
监控设备7000运作的使用控制可基于控制的操作(未图示),该控制的操作可通过监控设备7000的处理器7006来感应。
传感器单元1200的其中一个例子是由ResMed Sensor Technologies Ltd生产的睡眠记录装置,其包括非接触式多普勒射频(RF)运动传感器7010。
在本技术的一种形式中,例如当该睡眠记录装置用作传感器单元1200时,该运动传感器7010包括RF发射器7020,其用于发射RF信号7060。该射频信号7060例如具有以下形式:
s(t)=u(t)cos(2πfct+θ) (等式1)
在等式1中,载波频率为fc(一般在100MHz到100GHz,例如3GHz到12GHz,例如5.8GHz或10.5GHz的范围内),t为时间,θ为任意相角度,而u(t)为脉冲形状。在一个连续波系统中,u(t)的幅度可为单一的,并可从等式1中忽略。尤其地,脉冲u(t)将定义为等式2:
(等式2)
其中的T为周期宽度,Tp为脉冲宽度。当Tp<<T,时,其变成脉冲连续波系统。在一种情况下,随着Tp变小,发射信号谱变得非常宽,且系统被称为超宽带(UWB)雷达或脉冲雷达。可替代地,RF发射信号7060的载波频率可变化(线性调频)以产生所谓的频率调制连续波(FMCW)系统。
射频信号7060可使用本地振荡器7040来由发射器7020所产生,该本地振荡器7040与回路连接,用于提供脉冲选通。在FMCW情况下,电压-控制振荡器与电压频率转换器一起使用来产生用于传输的RF信号7060。发射的RF信号7060与空气的耦合可使用天线7050来完成。该天线7050可全方位的(发射功率在所有方向上或多或少地相等),或方向性的(优选在特定方向上发射功率)。在设备中使用方向性的天线7050比较有利,使得发射和反射的功率主要来自于一个方向。在设备7000的一个实施例中,可利用单一载波频率地使用用于发射器7020以及接收器7030的单一天线7050。可替代地,可利用多个载波频率地使用多接收和发射天线7050。
该设备7000可与具有不同类型的天线7050的不同实施例相容,这些天线例如为简单的偶极天线,贴片天线,和螺旋天线,而对天线的选择受到例如所要求的方向,尺寸,形状或费用因素的影响。应当注意,所述设备7000可通过对人类使用安全的方式来进行操作。该设备7000利用发射平均功率为1mW(0dBm)以及更低功率的总系统来展现。RF暴露的建议安全水平为1mW/cm2。在距离以0dBm发射的系统位置处,等量的功率密度将至少地比该建议限制小100倍。
在使用中,发射的RF信号7060是从反射无线电波的物体处进行反射(例如患者1000的气体-身体接口),而某些反射信号7070会在接收器7030处接收,该接收器与发射器7020配置,或以所谓“分置”的方式来与该发射器7020分离,接收信号7070以及发射信号可在混合器7080中一起相乘(以模拟或数字的方式)。该混合器7080可为乘法器的一种形式(如以下(等式3)所示),或在接近乘法器效应的回路中(例如,加入正弦波的包络检波器回路)。例如,在连续波(CW)的情况下,混合信号等于
m(t)=γcos(2πfct)cos(2πfct+φ(t)) (等式3)
其中的φ(t))为相期,其来源于发射和接收信号7060和7070的路径差(在反射由单一反射物体为主的情况下),而γ为被反射信号7070所经历的变弱。如果混合有反射物体,φ(t))随后被确定。在设备7000中,反射物体(例如,患者1000的胸)正在进行一般的运动,且φ(t))为时间变化的。一个简单的例子,如果胸部正在经历由于呼吸所致的正弦的频率运动fm,随后混合信号m(t)包括在fm的分量(以及在2fc的的分量,其可从低通滤波中去除)。在混合之后的低通滤波输出的信号可成为原始或解调传感器信号7003,并包括关于整体人体运动(非呼吸的),以及呼吸运动的信息。
解调传感器信号7003的振幅受到反射信号的路径距离的平均值的影响,导致传感器7010中的检测无效和峰值(在传感器较少或较多感应的区域)。这种效果可通过使用正交技术来减少,在这种正交技术中,发射器7020同时发送相对于等式1中信号7060的90度异相(处于正交)的信号。这导致了两个反射信号,这两个信号都可混合并通过混合器7080进行低通滤波,导致了在分别为I-和Q-“通道”中的两个解调传感器信号7003a(“I信号”)和7003b(“Q信号”)。
在UWB的实施例中,可使用获取解调传感器信号7003的方法。可通过测量传输脉冲以及反射信号峰之间的延迟来确定到最重要的气体-身体接口的路径距离。例如,如果脉冲宽度为1ns,而从传感器7010到身体的距离为0.5米,随后在脉冲的反射峰到达接收器7030之前的延迟将会是1/(3×108)s=3.33ns。通过传输大量的脉冲(例如,1ns脉冲/1μs),并假设路径距离在给定的周期内缓慢地改变,可将解调传感器信号7003计算成在该周期内平均的时间延迟。
通过这种方式,运动传感器7010,例如:射频传感器可估计胸壁的呼吸运动,或更普遍地估计正在进行设备7000监控的患者1000的身体部分的运动。
如上所述,所接收的信号7070可包括较大的运动伪迹,例如:由整个人体运动所导致的。这由于从人体而来的反射信号可包括多于一个反射路径,并导致复杂信号(例如,如果一个手移向传感器,而胸则远离地移动)。这种信号的接收非常重要,因为它可指示上体处于运动中,这对确定睡眠状态非常有用。这 些传感器还可用于检测患者1000的身体下体的运动(例如不自主的腿抽筋),这对睡眠疾病的诊断非常有用,这些疾病例如不宁腿综合征或周期性肢体运动。
为了提高呼吸运动信号,以及更总体的身体运动信号的质量,可通过使用不同的方法来限制物理体积,该所述物理体积中通过传感器单元1200来收集反射能量。例如,传感器单元1200可随着接收器7030的天线成为“方向选择性”(也就是说,其在某个方向上传输更多功率)。可使用方向性天线7050,或多个RF发射器7020来获得该方向选择性。在目前技术的可替换形式中,可使用连续波,FMCW,或UWB雷达来获得相似的信号。可使用称为“时域选通”来仅测量反射信号7070,该反射信号从距离传感器单元1200一定物理距离的信号处而来。频率域选通(滤波)可用于忽略高于一定频率的反射物体的运动。
在使用多个频率(例如,在500MHz和5GHz)的设备7000的实施例中,可使用低频来没有相位模糊地精确确定较大的运动,其可从更高的频率传感器信号(更适用于测量小运动)中减去。使用这种传感器单元1200,设备7000从患者1000处收集信息,并使用该信息去确定呼吸运动,以及更广泛的身体运动信息。
其它的无接触运动传感器,例如,红外传感器,超声传感器,光学传感器或接触运动传感器,例如:压电式传感器或呼吸电感体积描记器可用作非接触式运动传感器7010的额外运动传感器,作为传感器单元1200的一部分,或作为分离传感器单元的一部分。这种额外的运动传感器需要根据各自的运动传感器的特点来相对于患者1000地放置。例如,如果运动传感器为呼吸电感体积描记器,该传感器可在患者1000的胸部或腹部的附近放置。如果运动传感器为压电式传感器,或直接的气-垫压力传感器,这种传感器可在患者1000的床垫之下放置。
在某些实施例中,可将用于提供有关患者1000的心肺健康数据的一个或多个非接触式非运动传感器来合并到设备7000中,以增加总体的准确度,或提供额外的稳健性。这种非接触式非运动传感器的一个例子是声音传感器。可分析并使用这种与睡眠呼吸暂停有关的特征声音模式,来增强所产生的SDB概括测量的准确度。在“Silence-breathing-snore classification from snore-related sounds”,Physiol.Meas.29(2):227-43(February 2008)中,Karunajeewa A.S.,Abeyratne U.R.,Hukins C所描述的系统是用于SDB的声音-基筛选的例子,而这种技术可明显 地合并入设备7000中以提供用于监控心肺健康的有用和可靠工具。这种合并的优点在于呼吸运动信号可由于过度的运动伪迹而偶尔地不可使用。在这种时候,声音信号可提供呼吸参数的合理的估计。相反,声音信号可有时因为背景噪音的污染而无法使用,在这种时候呼吸运动占据成为主要的传感器模式。
在另一个实施例中,设备7000可并入一个或多个接触式非运动传感器,其用于提供有关于患者1000心肺健康的数据。这种接触传感器的例子包括血氧计(其测量血氧水平),口鼻插管(其直接测量呼吸气流),以及心电图(ECG)监控器。该ECG监控器可用于检测心脏有关的特征,例如心率,并可用于确定呼吸参数(例如中枢或阻塞性呼吸暂停,呼吸不足等)。可选择地,这些参数可基于传输到处理器7006的ECG数据来通过处理器7006进行计算,或它们可通过ECG监控器来计算,并传输到处理器7006处。该上述的血氧饱和度传感器所具有的优点在于,它可提供呼吸费力信号,这种信号可通过追踪PPG的峰值和谷值来从血氧计的基础光电血管容积图(PPG)部件来获得。
临床显著性的其它参数涉及患者的位置和方向。有资料显示说喙液位变化可影响中枢性和阻塞性事件的发生率(请见:Role of nocturnal rostral fluid shift in the pathogenesis of obstructive and central sleep apnoea”.White LH,Bradley TD.J Physiol.2013Mar 1;591)。事实上,心脏衰竭患者也非常直观地意识到这个现象,并经常使用枕头以一个角度来将他们支撑起来,以减少流体储存,并因此增加睡眠期间的呼吸舒适性。此外,阻塞性事件的可能性一般由位置所决定(例如,许多患者在使用背部时所经历的阻塞性事件要比使用他们侧部所经历的阻塞性事件要多)。因此,在此所述的系统的一个实施例中,患者可佩戴一个或多个三维的加速计,该加速计可提供患者有关他们的倾斜角度,以及他们的身体位置(仰卧,左侧,右侧,或俯卧)。这些信息可结合测量的呼吸参数以提供患者状态的进一步观察。
传感器单元1200的处理器7006,或外部计算装置7005的处理器,可如下所述地处理来自传感器,例如运动传感器7010的信号7003。用于所描述的处理的指令可存储在计算机-可读存储介质中,例如传感器单元1200的内存7002,并由处理器来解释和执行,例如传感器单元1200的处理器7006。在本发明技术的某些形式中,对于一个或多个完整的监控会话,该处理可在“批量模式”下进行,即:所获得的信号7003存储在传感器单元1200的内存7002,或在外部 计算装置7005的内存中,并随后以单批进行处理。在一种实施方式中,每个监控会话持续时间为一夜。在本技术的其它形式中,该处理可在监控会话期间“实时”地实施。
要注意的是,当监控设备7000的功能如下讨论地被传感器单元1200所控制时,在其它的实施例中,外部计算装置7005可基于通过传感器单元1200,或任何其它传感器传输至其的数据,实施所述的功能。在这种实施例中,视觉显示器7015的上述描述以及音频输出7017可等量地用于外部计算装置7005的可比较元件。在一个实施例中,该外部计算装置7005为临床医生-可进入设备,例如多患者监控系统,其使得医生可查看来自例如监控设备7000的远程患者数据记录装置的数据。在这些系统中,可提供数据库以记录患者的监控数据。通过这种外部计算装置7005,医生可接收患者需要进一步观察或需要留院治疗的报告或警报。
处理
处理器7006根据从传感器单元1200以及上述其它传感器所接收的数据中,来执行对患者心肺健康的处理4300。
临床警报
处理器4300可用于在住院之前,住院期间或住院之后来监控患者1000。例如,心脏衰竭和COPD患者可承受加重或失代偿事件(ADHF)。这些“临床事件”可需要对医学治疗的修改。没有治疗的加重会导致进一步的恶化,以及患者潜在的住院治疗。然而,如果恶化被足够早地发现,例如在开始的最早阶段时,其可通过避开(再次)住院治疗的方式来治疗。
在本技术的一种形式中,处理器7006分析所处理或接收的传感器数据,基于传感器数据提取的与心肺健康有关的特征,来触发临床警报的产生。这种可包括一个或多个改变状态指示器的评估分析的其它例子在2010年3月31日提交的美国专利申请12/751,174,以及2009年6月12日提交的美国专利申请12/483,357中有所记载,这些专利申请的全体内容在此交叉引入。
可选择地,临床警报可包括具有多种形式的警报或警报消息。例如,为了产生临床警报,处理器7006可启动监控设备7000的状态灯(显示器装置7015上的 LED或一个标志)。在显示器装置7015上还显示关于指示器评估的更详细信息。可选择地,该处理器7006还可,或可替代地,将警报消息通过连接7008发送到与医生相连的外部计算装置7005。这种消息的形式为有线或无线的通信。例如,处理器7006可通过寻呼系统,例如寻呼系统的自动拨号来产生警报消息。该处理器7006还可用于产生自动声音电话消息。该处理器7006还可通过传真传输来发送警报消息。在某些实施例中,处理器7006还可通过任何的英特网通讯协议,例如,邮件消息,或通过其它任何的因特网数据文件传输协议来发送警报消息。该警报消息可进行加密来保持患者的信息的私人性。典型的警报消息会辨识患者。这种消息还可包括通过监控设备7000记录的数据,或任何其它记录的患者消息。可选择地,在某些实施例中,该警报消息可甚至表达出患者由于潜在的ADHF事件或COPD的恶化而导致的需要被考虑进行额外治疗,留院治疗或评估。
当警报消息通过监控设备7000的显示器装置7015由处理器7006导向至患者,或通过连接7008导向至医生时,在某些实施例中,该警报消息能更有选择性地进行导向。例如,第一警报消息可在没有在显示器装置7015上显示任何警报的情况下,利用连接7008,仅通过将警报消息传输到外部计算装置7005而被传输到医生处。然而,可为更紧急消息的第二警报消息,除了被传输到外部计算装置7005之外,还随后主动地在显示器装置7015上显示。还可使用来自由所述处理器7006控制的选择性扬声器的可听警报。可听警报的使用取决于警报消息的紧急性。
询问
在本技术的另一种形式中,处理器7006可在输入对患者询问的响应时调整警报,这种响应可用作避免不必要的警报。例如,基于通过监控设备7000的传感器数据的分析(例如,将一个或多个呼吸参数与一个或多个阈值进行比较),处理器7006可基于通过该处理器的评估,触发对患者的患者询问的出现,以提示患者来进行输入。在这种情况下,在所述处理器7006控制下的显示器装置7015可出现对患者的询问,提示患者通过用户界面来输入额外的信息。询问中所出现的问题或疑问可选自数据库,或问题的其它数据结构,例如设备内存中的数据结构,使得所选择的问题特别地与分析中通过该处理器检测出的模式有关。该处理器7006可随后进一步地评估对于询问的所接收的响应。基于该进一步的 评估,处理器7006可触发警报消息,限制警报消息的触发,和/或延迟触发对一个或多个额外触发询问的警报消息的待响应。这种额外的询问可在一定的时间后,在进一步的检测模式之后,或在监控设备7000的进一步使用之后被触发。
例如,当监控急性失代偿性心力衰竭(ADHF)事件的心脏衰竭患者或恶化的COPD患者时,可理想地询问患者以对通过处理器7006得到的检测模式进行定性。这种询问可用作减少假阳性(例如,当处理标记需要临床接触,而该临床接触稍后被认为是不需要时)。这类的假阳性可由于患者行为的改变而导致,其在没有医学干涉的情况下可得到纠正。这种行为可包括遗漏或不正确的剂量服药,不遵守饮食指导和/或休息要求等。
例如,在某些实施例中,在尝试使假阳性最低时,该处理器7006会检测到呼吸模式或需要临床警报的潜在临床事件(例如,在一定的时间段内的一定数量的SDB事件,其可指示COPD恶化和/或ADHF)。基于所检测的模式或事件,处理器7006可在设备7000的用户界面上出现一个或多个对患者询问的问题。这种问题可指明患者遵守的药物和/或生活方式(例如,患者是否服用了规定的药物和/或遵守医生的治疗建议,等)。可选择地,在某些情况下,一个或多个问题指明了监控设备7000的可操作整体性,以确保所收集的数据是有效的。可选择地,该处理器7006可在一段预设的时间跨度内(例如一个或多个监控会话或睡眠的夜间)追踪一系列的询问,并仅在该预设的时间跨度过去之后产生临床警报。
例如,如果反复出现的呼吸模式(例如在几个监控会话中的重复检测的呼吸模式)指示了临床事件的可能性,该处理器7006可提示一系列对患者的与反复模式有因果关系的有关饮食的询问。如果患者没有遵守由对监控设备7000的患者响应输入所确定的饮食要求时,该处理器7006在另一个监控时间段过去之后再次地继续监控并询问患者(例如,在数分钟,数小时,或数天之后询问患者)。如果处理器7006检测到所检测呼吸模式的持续性以及患者的响应有指明饮食不是一种原因时(例如,患者对随后的询问作出他或她正在遵守饮食要求的响应),该处理器7006会随后通过通知设施(例如,远程监控)触发临床警报消息至医生,以直接告知医生以下情况。在某些情况下,对一个或多个询问问题的某些所接收的响应可替代地排除这种警报消息的触发。例如,一个询问和响应可确定患者没有佩戴他或她的面罩,结果,该处理器7006将抑制这种警报。
[1]上述的技术可通过以下的示例进一步阐明。心脏衰竭患者没有在一段周期内服用规定的利尿剂。由于没有遵守,患者在夜间经历了呼吸困难和呼吸不规律性。监控设备7000的处理器7006可检测这种事件,或这种事件的模式,其可指示即将失代偿或恶化事件。相对于直接对医生发出临床警报,所述监控设备7000可对患者触发询问(例如,通过显示器装置7015),以确定患者是否服用规定的利尿剂。这种响应的评估会对患者触发消息,而不是对医生触发警报,以在输入的回答是负时提醒患者服药。在一段时间之后,例如24小时,该监控设备7000的处理器7006可进一步地评估患者的呼吸模式,以检查模式重复是否被解决(通过服用利尿剂)。如果该处理器7006没有检测到触发最初询问的所检测的呼吸模式时,将不会产生警报消息。可选择地,处理器7006还可通过患补充询问来确定患者已服药。在这种情况下,监控将在其后正常地重新开始。如果,然而,在最初的询问之后该处理器仍然检测到重复的模式时,随后的询问,例如具有不同问题的询问可在显示器装置7015上显示至患者。在进行了预设数量和频率的询问后,处理器7006仍然检测到模式,该监控设备7000将随后触发警报消息,以告知医生将至的临床事件。通过这种方式,处理器可在不需要要求接触患者的临床警报消息的情况下,用于处理非复杂(例如:饮食或运动)的情况,或解释由于例如意外断开或断电造成的设备故障。
在一个实施例中,处理器7006可进入包括一组询问的内存7002。询问中的每个问题可与一个或多个可检测的呼吸模式或事件相关。一个问题可为广泛的(例如,“患者是否遵守的固定的饮食”)或特定的(例如,患者饮食是通过钾来得到强化)。通过一组被这种可检测的模式或事件来排列的问题,处理器7006可随后基于所检测的模式或事件来选择询问的子集问题。
响应于特定监控会话的问题可以一系列来出现。例如,处理器7006可提示一排中的两个,三个,四个,五个,六个或多个的问题,以便确定或排除监控会话的所检测的呼吸异常的是否需要警报消息原因。可替代地,处理器7006会访问以可能性顺序出现的问题的相关等级或优先性。因此,处理器7006可根据与每个问题有关的等级调整性地呈现一系列的问题。例如,控制器可呈现应对预测事件的第一询问。如果在回答第一询问时,患者响应指示该预测的事件不需要(至少还未需要)警报时,响应和确定可被记录,且处理器7006可在第二预设时间段内继续第二监控会话。如果呼吸模式再次被检测到,与第一询问不同等 级的第二询问可随后被触发。该检测和询问循环可重复,直到没有进一步的询问保留,或询问的响应指示警报的需要,在这种情况下,该处理器7006将随后触发警报消息。
图7b为流程图,其展示了在如本发明一种形式的监控设备7000中用于监控心肺健康的方法7100。该方法7100通过监控设备7000的处理器7006来实施,该处理器7006通过存储在计算机可读存储介质,例如内存7002中的指令来配置。
在第一步骤7110处,该处理器7006监控并分析从传感器单元1200和任何上述的其它传感器所接收的数据,以预测临床事件是否可能会在预设的预测水平中发生,如上所述。如果在步骤7120处,没有预测到事件(“N”),该处理器7006将继续在7110处监控/分析。如果在7120处预测到潜在的临床事件(“Y”)时,该处理器7006在7130处触发一个或多个询问的产生,例如通过将这些询问显示在如此所详细说明的显示器装置7015上,和/或与该处理器7006直接或间接通信的其它处理装置(例如,平板电脑,收集或其它计算装置等),以此来评估临床事件的潜在原因。取决于对在步骤7140处接收的询问的患者输入响应,该处理器7006和/或这种其它的处理装置可继续到步骤7180,以立即触发临床警报的产生(如所示的虚线箭头7145),或通过向前到步骤7150来延缓该临床警报的产生。
在步骤7150处,处理器7006可响应于所接收的对患者询问的回应来控制治疗的调节。例如,处理器7006修改目标通风,或PAP装置4000的其它参数。可替代地,该处理器7006可如在监控/分析步骤7110期间所提供的保持相同的治疗,并相反发出指令消息,来要求患者进行调整,例如饮食或医疗的改变,或设备7000或PAP装置4000的重新设置或维修。在下一个步骤7160处,在预设的延迟(例如24-48小时)之后,该设备以对步骤7110的相似方式来监控并分析传感器数据,以确定步骤7150的指令或控制的调节是否解决了在步骤7110处的在先检测的问题(例如,通过确定预测的临床事件是否仍然在预测)。如果在步骤7170处,问题被解决了(例如,临床事件不再预测了)(“Y”),方法7100回到步骤7110,以继续监控和分析传感器数据。如果临床事件仍然在预测(“N”),方法7100将回到步骤7130或7150(分别通过虚线箭头7175和7178),如果可获得进一步的询问或调整,临床警报如在此所详细描述地在步骤7180处产生。 复发监控
在某些实施例中,该监控设备7000可用额外的操作来实施。例如,如前所述,该监控设备7000可用于确定住院治疗的患者(例如,心脏衰竭或COPD患者)是否可以或不可以离开医院。太快地让患者离开可能会对患者不利,特别如果是复发在短期内发生,且患者必须重新住院。心脏衰竭患者遭受失代偿和/或恶化,并经常由于复发而入院,这种复发可在较长的初期住院时得到避免。类似地,太早地让患者离开会导致其它问题。例如,医院因为这种复发而要偿还或仅部分偿还重新住院相关的费用。因此,提供预测COPD或HF患者可能性的技术相当有用,其作为用于帮助以避免太早让患者离开的工具。本发明的某些形式可在第一时间周期中评估患者的状况,以在后续的时间周期中提供与潜在复发有关的预测。例如,对于心脏衰竭和/或COPD患者来说,住院后的失代偿和/或恶化事件的潜在性可从住院期间的呼吸参数的分析中获得,例如,前述的呼吸运动信号的分析。
相应地,监控设备7000可在住院到离开的时间期间中用于监控和分析呼吸参数,该参数可指示出院后复发的可能性。通过在入院到邻近或早于出院的某个时刻的期间内进行监控和分析呼吸参数,监控设备7000可确定患者是否具有在出院后不久要重新入院的风险。在这方面,监控设备7000的方法学可提供潜在的复发警报至医生,以建议出院是否因复发的风险而过早。例如,监控设备7000可对医生警报,一旦出院,患者可有更大的复发和/或重新住院的风险,并进一步建议应当对特定的患者进行复发的仔细监控,或者应该重新考虑或推迟出院。在某些情况下,这种潜在的复发警报可以数据来呈现,例如:布尔指标或可能性,其可包括在一个范围内的估计,以便产生以后复发的更大或更小风险的可读指标。
图7c为展示在本技术一种形式中的监控设备7000范围内监控患者心肺健康方法的流程图。用于住院患者的方法7200通过监控设备7000的处理器7006和/或与这种处理器直接或间接通信的处理器来执行,这种处理器通过存储在计算机可读存储介质,例如内存中的指令来配置。
该方法7200在入院期间中在第一步骤7210处的从由前述任一种传感器获得的数据中提取,监控并记录患者的呼吸参数,包括呼吸速率,分钟通气,潮气量, 睡眠障碍性呼吸严重性指示器(例如,呼吸暂停/呼吸不足指数),吸气波形,呼气波形等的一种或几种。方法7200可在步骤7220处执行一种或多种提取的呼吸参数的分析,以计算潜在复发或复发的可能性。步骤7220包括评估在住院期间参数是如何改变的。可将一个或多个参数或者其中的改变与一个或多个的阈值进行比较,以计算出潜在复发的指示。这种阈值可经验性地从一个或多个具有复发和/或住院后没有复发的住院患者的历史数据中确定。可选择地,这种数据可基于从特定患者的历史数据中获得的阈值。可选择或另外地,可在步骤7220处基于多个参数的模式或多个参数的改变来计算复发的可能性。例如可通过判定树,分类器或其它评估的任何方法来进行这种对比和/或模式评估。基于计算的复发可能性或潜在的复发指示,在步骤7230处可产生潜在的复发警报。例如,指示潜在复发可能性的数据,例如潜在复发指示或潜在复发的计算可能性可在显示器装置7015上显示,且/或在步骤7230出通过连接7008作为消息发送到医生处。
在某些实施例中,潜在的复发指示或复发的可能性将在住院监控会话,基于对提取呼吸参数的连续监控和分析,进行连续的更新和显示或传输。然而,在某些实施例中,该指示,关于复发潜在可能性和/或消息可响应于用户,例如医生的要求,通过设备7000的用户界面(例如,设备用户界面中的一个或多个按钮或操作),或通过传输电子请求来触发方法7200而产生。在这方面,监控设备7000可基于呼吸参数的前述分析而产生潜在的复发警报。然而,在某些实施例中,在方法7200中使用的呼吸参数可由监控设备7000来提取,并从该监控设备7000发送到外部计算装置7005,其执行从接收的呼吸参数中计算潜在复发可能性或复发指示的步骤7220和7230的步骤,并产生潜在的呼吸警报。
事件预测
图7d为从代表运动(运动信号)的信号中预测临床事件的方法7300的原则步骤的流程图。在本技术的一种形式中,该方法7300可用于实施方法7100中的步骤7110,在这种形式中,传感器数据为从运动传感器7010处获得的一种或多种运动信号,与心肺健康相关的特征是一个或多个SDB特征。在本技术的一种形式中,该方法7300还可同于实施方法7200中的步骤7210和7220,在这种形式中,传感器数据为从运动传感器7010处获得的一种或多种运动信号,且呼吸参数为一种或多种SDB特征。在一个实施例中,方法7300通过监控设备 7000的处理器7006来实施,该处理器由存储在计算机可读存储介质,例如内存7002中的指令来配置,而运动信号从非接触式运动传感器7010处获得。
方法7300在步骤7310处开始,在此处处理运动信号以调节它们用于进一步处理。预处理步骤7310(如图7d虚线所示)为可选择并可省略的。在下一个步骤7320处,该预处理运动信号可在代表运动信号的期间内经过分析以提取指示患者1000SDB严重性的SDB特征。最后在预测步骤7330,方法7300使用了提取的SDB特征,以预测临床事件是否可能在预设的临床水平内发生。
如上所述,在本技术的一种形式中,该非接触式运动传感器7010为多普勒RF运动传感器。在这种实施例中,该运动传感器7010提供了两种原始运动信号,标志的I和Q信号7003a和7003b,每个信号都指示身体运动,但都是相互为90度异相。
在第一或“平行”途径中,步骤7310和7320平行地在每个I和Q信号7003a和7003b上执行,而分别获得的特征在步骤7320的特征提取中进行结合。在一个实施例中,在该“平行”途径之下,可省略了预-处理步骤7310。在第二或“结合”途径中,I和Q信号7003a和7003b结合成预-处理步骤7310的一部分,而处理步骤7320到7330可在结合的运动信号上进行实施。在与平行途径相比,在潜在的较低预测准确度的成本上,该结合途径具有更少计算复杂性的优点。
在本技术的其它形式中,非接触式运动传感器7010提供了单一运动信号7003。这在以下称为“单一通道”途径。
在本技术的一种形式中,可省略步骤7330,即:没有进行临床事件的预测。在步骤7320所提取的SDB特征可如上所述地触发临床警报。可替代地,该提取的SDB特征可存储在内存7002或传输到外部计算装置7005,用作稍后的诊断回顾。
以下部分详细地对事件预测方法7300的步骤7310到7330中的每个步骤进行描述。
预处理7310
在“结合”途径下,预处理步骤7310以自适应几何学的方式开始于将I和Q信号7003a和7003b进行结合,成为结合的运动信号c。在一个实施例中,这种结合的子步骤包括三个阶段,这三个阶段用于沿着I和Q信号7003a和7003b滑动的窗口。在一个实施例中,该窗口为具有10秒的期间,其具有50%覆盖。
a.利用交叉相关法来检查信号是否180度异相,如果是的话将它们翻转回到同一个象限中。
b.由于向量(I,Q)在准圆弧周围形成点云(cloud of points),减去云的平均值以使圆弧(0,0)成为中心,在两个方向上找出中心云点的最小值mIQ,并计算出每个向量(I,Q)的长度m,称为mIQ.。
mIQ=(mI,mQ)=(min[I-<I>],min[Q-<Q>]) (等式4)
c.减去m的平均值以产生结合的信号c。
c=m-<m> (等式6)
结合的运动信号c随后(可选择地)进行去趋势化,以去除基线漂移。在一个实施例中,使用三阶多项式来进行去趋势化。
c1=DTpoly,3[c] (等式7)
在另一个实施例中,该去趋势化通过双通中值滤波来实施。
该去趋势化信号c1利用范围设置到呼吸功能频率范围的巴特沃斯带通滤波器(可选择地)进行带通滤波,该范围在一个实施例中为[0.1Hz,0.8Hz](对应于每分钟6-48个呼吸)。
在预处理步骤7310中的另一个(可选择的)子步骤为噪音减少。在一个实施例中,特别适用于来自多普勒RF运动传感器7010中的信号,其为非静态的,该噪音减少子步骤在(带通滤波)的去趋势化的结合运动信号c2上的小波变换域中进行实施。
c3=W-1MWc2 (等式.1)
其中的W代表小波变换,例如30-系数的“symmlet”小波达到第五二级层次(fifth dyadic level),而M为屏蔽矩阵,其穿过某些小波系数,并拒绝被认为“扰乱性的”的其它。
实施M的步骤如下所示:
a.选择小波系数高于第一阈值TA的“伪迹度”(artefactness)(见下文)的二进尺度。
b.从该尺度组中,基于标准偏差进行小波系数的硬阈值(具有阈值TC)。
在一尺度上的所述“伪迹度”(artefactness)表示伪迹(artefact)在该尺度上影响信号的程度。伪迹度是信号偏斜的测量,该信号的偏斜可包括不可能的高振幅值。信号x的伪迹度可如下进行计算:
其中的σx为信号x的标准偏差。另一个Art(x)来自1,更大的伪迹。
在上述的“平行”途径下,结合的子步骤从预处理步骤7310处省略,在每个I和Q信号7003a和7003b上平行地进行随后的任何或所有子步骤(去趋势化,滤波,噪音减少)。
在“单通道”的途径下,任何或所有的去趋势化,滤波以及噪音减少的子步骤在运动信号7003上进行。
在下述描述中,特征提取步骤7320的输入称为(预处理)运动信号,以反应预处理步骤7310的可选择本质。
特征提取7320
图7e为流程图,其展示了组成特征提取步骤7320一个实施例的模块,以及它们在结合或单频道途径之下的关系。
在图7e所示的实施例中,活动估计以及运动检测模块7410从(预处理)运动信号中产生了活动计数信号以及运动标记系列(预处理)。在场/缺席检测模块7420从(预处理)运动信号和运动标记系列处产生在场/缺席标记系列。睡眠/觉醒分析模块7430从在场/缺席标记系列,运动标记系列以及活动计数信号中计算睡眠图。呼吸速率估计模块7440从(预处理)运动信号和睡眠图中产生一系列的患者呼吸速率的估计。信号选择模块7450使用运动标记系列以及睡眠图选择(预处理)运动信号。调制周期度量计算模块7455从(预处理)运动信号的所选部分中产生了估计的患者呼吸调制周期长度。包络产生模块7460使用估计的呼吸速率来产生(预处理)运动信号的所选部分的包络。SDB事件检测模块7465使用估计的调制周期长度从选(预处理)运动信号的所选部分中产生候选的SDB事件。SDB事件确认模块7470确定由SDB事件检测模块7465所产生的候选SDB事件。最后,特征计算模块7580从确定的SDB事件中计算SDB特征值。
在平行途径下,流程图7400的模块7410到7470只是简单地进行复制以独立地处理每个I和Q信号7003a和7003b。特征计算模块7480的修改版从两个平行的途径中结合了SDB事件,以计算两个(预处理)运动信号的单个SDB特征组。
在“混合”途径下,特征提取步骤7320的某个模块经过复制以便独立地处理(预处理)运动信号,而中间结果与特征提取步骤7320中的不同模块结合,如以下所述。
图7f为流程图7500,其展示组成特征提取步骤7320一个实施例的模块,以及它们在混合途径下的关系。
在图7f所示的实施例中,活动估计以及运动检测模块7510从I和Q信号7003a和7003b中产生了活动计数信号以及运动标记系列。在场/缺席检测模块7520从I和Q信号7003a和7003b以及运动标记系列处产生在场/缺席标记系列。睡眠/觉醒分析模块7530从在场/缺席标记系列,运动标记系列,和活动计数信号中计算睡眠图。呼吸速率估计模块7540从I和Q信号7003a以及7003b和睡眠图中产生一系列的患者呼吸速率的估计。信号选择模块7550a和7550b使用运动标记系列以及睡眠图来分别选择I和Q信号7003a和7003b部分。调制周期 度量计算模块7555从I和Q信号7003a和7003b的所选部分中产生患者呼吸的调制周期长度的估计。包络产生模块7560a和7560b使用了估计的呼吸速率而分别产生I和Q信号7003a和7003b的所选部分的包络。SDB事件检测模块7565a和7565b使用估计的调制周期长度来从选择的I和Q信号7003a和7003b中分别产生候选的SDB事件。SDB事件确认模块7570a和7570b确定由SDB检测模块7565a和7565b分别产生的候选SDB事件。最后,特征计算模块7580从确定的SDB中计算SDB特征值。
以下详细地讨论组成特征提取步骤7320的每个模块。
活动估计以及运动检测7410
活动估计以及运动检测模块回到指示身体活动水平的“活动计算”值的时间系列,以及指示整个身体(非呼吸)运动的在场以及缺席的二进制运动标记的时间系列。每个时间系列以(预处理)运动信号(运动信号频率)的采样速率进行采样,该采样速率在一个实施例中为10Hz。该运动标记系列如下述地通过在场/缺席检测,睡眠/觉醒分析,信号选择,以及呼吸速率估计模块来使用。特别地,该信号选择模块选择分析一些没有受到全身运动所控制的信号部分。该活动计数系列,以及运动持续期,以及从之前运动经过的时间由睡眠/觉醒分析模块来使用,以确定患者睡眠/觉醒状态。
在一个实施例中,活动估计以及运动检测模块基于运动信号功率水平,运动信号形态以及运动模式。
在一个实施例中,五个主要的子-模块形成活动估计以及运动检测模块。
活动映射子模块产生了一系列活动计数值,其一般与在对应时间的运动信号的功率成比例。该活动计数一般通过以下方式来产生:
●信号经过带通滤波至范围[1.5Hz,4.5Hz]。
●4秒持续时间的最大滤波器在信号上运作,以获得幅度包络。
●通过估计在滚动20秒的窗口上的信号的第五百分位来提取信号的基线(由于剩余的呼吸活动)。
●将包络和基线的差与阈值(在一个实施例中为0.0075V)进行比较,并通过包络来缩放。
●信号被分割成非重叠间隔。在一个实施例中,每个间隔为2秒的期间。
●该缩放的信号在每个间隔中进行积分,并向上采样至运动信号频率,以产生活动计数系列。
在一个实施例中,运动检测子模块如下进行.
信号首先进行高通滤波,以去除VLF分量和基线。三个特征随后从基线去除信号中获得。第一特征称为噪音特征。
·应用具有大约1Hz切断频率的高通滤波以去除呼吸分量。
·该高通滤波信号随后分割成非重叠间隔。在一个实施例中,每个间隔的持续时间为2秒。
·噪音特征计算为每个间隔的滤波“噪音”信号的均方根(RMS)。
第二和第三特征为相关性以及功率特征,并在不同于噪音特征的频率带上进行计算。
监控会话通过进行去除了基线的信号的无偏自相关性,并找到第一最小值,来首先估计整个监控会话的平均呼吸速率,该平均呼吸速率定义了平均呼吸速率的一半。该平均呼吸速率将患者特定的可接受呼吸速率频率窗口限定为平均呼吸速率附近的频率范围。
在一个实施例中具有大约2Hz切断频率的低通滤波用于去除了基线信号。该低通滤波信号随后分割成覆盖窗口,去趋势化和去平均化。在一个实施例中,该窗口为具有12秒覆盖的15秒长度(3秒的移动)。
相关性特征通过以下来计算:
·在每个窗口中的去趋势化和去平均化信号进行无偏自相关性。
·选择第一峰值,只要其在由平均呼吸速率限定的患者特定的可接受呼吸速率窗口内。(在阴性情况下,相关性特征设置为0)。
功率特征通过以下来进行计算:
·计算每个窗口的低通滤波信号的功率谱密度。
·在由平均呼吸速率限定的患者特定可接受的呼吸速率窗口内来识别最大值。
·在最大频率以及第一两个谐波中选择+/-0.05Hz的呼吸带。
·计算选择呼吸带的信号功率和整个信号带上的信号功率之间的比例。
由于窗口长度大于窗口之间的三秒钟切换,因此,最大滤波器可以运行在如此计算的相关性和功率特征上。
所有的三个特征可随后插值到运动信号频率,使得特征值出现在(预处理)运动信号中的每个样本。
噪音特征可通过将所有具有高相关性特征值(其值大于0.9)和具有高功率特征值(其值大于0.8)的所有样本所计算的平均功率特征来进行标准化。
可通过将低于0.003的全部值的第95个百分位数分配给超过0.003的噪音特征,来计算噪音特征的基线。随后运行宽度为180秒的中值滤波,而基线被限定为滤波系列的第50个百分位。该基线随后从该噪音特征中减去。
如果去除了基线的噪音特征高于“高”阈值(在一个实施例中等于1),且相关性和功率特征低于“低”阈值(在一个实施例中等于“0.7”),相应的运动标记设置为真。如果基线去除噪音特征高于其平均值,该运动标记还可设置为真。
运动标记系列最后在每个检测运动部分之前和之后通过在多个第二持续时间的最大滤波中运行运动标记系列来进行扩展,该持续时间在一个实施例中为4秒。
运动校正子模块对运动检测器子模块所检测的运动产生二进制“验证”标记,其通过分析几秒钟的运动趋势来实现。与呼吸暂停有关的运动,事实上不需要被标志,因为它会损坏睡眠/觉醒分析和SDB事件检测模块的性能。
·通过合并在相互120秒内所有的运动来获得重复的运动面罩,以识别一系列呼吸暂停(一般为阻塞性的)可被假标识成运动部分和随后标识成唤醒的部分。
·只有那些具有至少5分钟持续时间的部分可通过子模块来处理,其具有2/3的重叠(通过分割成相互之间具有100秒切换时间的300秒窗口来实施)
·振幅包络可通过以下来产生:
ο如下所述地以与呼吸速率估计相同的方式来进行峰谷检测。
ο将个人的呼吸开始和结束点限定为一个峰和它相续的谷之间的中间点。
ο在每个检测呼吸中分配信号的峰至峰的振幅信号包络。
·可通过具有0.5Hz切断的低通滤波来对振幅包络进行滤波。
·滤波包络当超过其标准偏差的第70个百分位或两倍时可通过进行软限幅来平滑,并在达到其第70个百分位乘以缩放因子1.6时通过硬限幅来进行平滑。
·可在间隔中计算包络的自相关性,可辨识对应于16秒和90秒之间的自相关函数中的第一两个峰和谷。
可计算每个峰值及其下一个谷值之间的差,且如果发现大于一个预设的阈值,整个间隔被标记为非运动,因为与一系列SDB事件相容的重复性模式被视为可能。
在混合的途径下,接下来有结合的子模块,其中:
·对在两个(预处理)运动信号上的活动计数计算平均数。
·通过AND操作来结合两个(预处理)运动信号的运动标记(也就是说,运动需要在两个信号上被检测以产生真的运动标记)。
在其它途径下,不需要子模块的结合。
最后的子-模块计算运动状态的持续时间。该子模块辨识所有的运动/非运动转变,并产生具有所有单独运动/非运动状态期间的向量。
非零活动计数的平均值,与其标准的偏差,倾斜度,峰度,以及整个具有非零活动计数的期间的第5,25,50,75和95个百分位可同样进行计算和存储。非零活动计数的整个间隔期间可被计算和存储成总的运动时间。还可计算和存储在监控会话期间的具有非零活动计数的间隔百分数。该百分数还可在标志为主要睡眠周期的第一和第二半周期(如下定义)的那些周期上进行计算。
在场/缺席检测7420
在场/缺少检测模块检测患者是否在传感器7010(即:床上)范围内,或不在该传感器范围内(即:不在床上)。该在场/缺席检测模块基于由活动估计和运动 检测模块所产生的信号功率水平,信号形态以及运动标记系列来产生在场/缺席标记的时间系列。
在一个实施例中,该在场/缺席检测模块可包括子模块。例如,可如下地实
施五个主要的子模块:
·预处理,在每个(预处理)运动信号上单独地进行操作,其中,例如:
ο信号可为进行0.1Hz切断的高通滤波,以去除会影响形态特征的基线漂移和低频分量。
ο信号分裂成用于分析的非重叠时期。该时期的长度可相对于呼吸持续事件来进行选择。在一个实施例中,每个时期为30秒的持续事件。
ο该信号在每个时期上去平均化。
·振幅分析-形态特征选通还可单独地在预处理子模块之后的每个(预处理)运动信号上分别进行操作。该子模块,例如验证:
ο在每个时期的RMS值大于与特定缺席有关的最小值(在一个实施例中等于0.0015)。
ο在每个时期中的信号没有包含明显的异常值。假定是:在低振幅信号的情况下,将会有高斯噪声或小幅度的呼吸。如果在99.95th和66.6th百分位之间或33.3rd和0.05th百分位之间的比例超过因子6,异常值视为出现。对于高斯分布来说,该比例不应该超过3:可采用安全因子2。
ο如果验证了上述的情况,通过下述的下一个子模块所计算的形态特征保持完整。
ο如果没有验证第一种情况(假定缺席)该形态特征设置为计算值的最大值,以及足够大以确保可检测到缺席的值。
ο如果没有验证到第二种情况,该形态特征可分配到NaN(并非数字)值,且在检测到在场和缺席时忽略该时期(突然噪音和抽搐)
·形态特征的计算还可在独立地在预处理子模块之后的每个(预处理)运动信号上进行操作,并通过以下来实施:
ο形态特征可根据时期的持续时间中信号自相关性的峰度来计算。非相关性信号可返回到有峰的自相关性函数,其中的呼吸信号返回到具有周期峰的自相关性函数。峰度在有峰分布中较大。形态特征的较大值与缺席有关。
·伪迹去除,趋势化以及结合。该子模块可在形态特征系列或每个形态特征系列上进行操作,该形态特征系列通过之前的子模块进行计算:
ο形态特征的孤立高值分配到之前时期的值中。
ο对于每个信号,在一次执行中长度设置为9个时期的均值滤波器运行在形态特征系列上。
ο在混合的途径下,临时的结合特征向量如下地产生:在两个信号落入与期待出现有关的最大阈值(在一个实施例中设置为0.01)之下的情况下,该向量分配到等于每个输入信号的形态特征的平均值数值中,其它情况下为零的值分配使得在场/缺席标记朝着在场偏移。
ο(结合的)形态特征系列通过将每个值与缺席/在场阈值,该阈值在一个实施例中设置为20,进行对比来转化成在场/缺席标记系列。如果形态值小于阈值,对应的标记设置为真(在场);否则,该标记设置成假(缺席)。
·在在场/缺席标记系列上操作的后处理可利用下述的由活动估计和运动检测模块所产生的运动标记系列来实施:
ο在监控设备7000开启时的转移通过将第五时期的标记值分配到最初的四个中来忽略。
ο对从在场到缺席以及从缺席到在场的所有转移进行检测。如果在先于在场/缺乏转移的最后运动(由运动标标记系列来指示)和转移本身之间的部分中,至少有85%的形态特征值不是NaN,转移回到紧随在先运动的时期中。在缺席和在场之间的转移中进行对等操作。(这类重新标志的原则是该在场/缺席转移应该与床上/或床外的整个身体运动有关)。
在一个适用于结合或单独-通道途径的在场/缺席检测模块的替代性实施例中,对于每个时期,如果时期内的(预处理)运动信号的RMS值低于“仅噪音”阈值时,该在场/缺乏标记设置为假(缺席),该“仅噪音”阈值在替代实施例的一个版本中设置为0.015,其中的时期为5秒的持续时间。在其它情况下,对于每个时期的在场/缺乏标记设置为真(在场)。替代性的实施例没有使用运动标记系列。
睡眠/觉醒分析7430
睡眠/觉醒分析模块用于将每个时期分类成睡着,清醒,缺席,或未知。(该时期与在场/缺席检测模块的时期一致)。所得到的时期分类称为睡眠图。
在一个实施例中,该睡眠/觉醒分析模块使用活动估计和运动检测模块输出来产生每个时期的输入分类器的特征。某些与来自在场/缺席检测模块的在场/缺乏标记积分的最初的后处理,和最后的后处理使得睡眠/觉醒分析模块来精制出睡眠图。
在该实施例中,该睡眠/觉醒分析模块可利用一定数量的子模块(例如四个)来一起实施:
特征提取子模块从活动计数信号和运动标记系列中提取某些或所有的以下特征:
·活动特征,其可通过以下来进行处理:
ο通过将活动计数信号除以其平均数来使该活动计数信号标准化,以减少幅度/灵敏度效应。
ο该标准化的活动计数信号在每个时期上进行积分。
ο计算出积分的第四个根。
·运动特征的持续事件,其可通过以下进行处理:
ο对于每个时期,如果出现了一个或多个运动部分,可计算出样本中它们的平均持续时间的平方根(包括参与时期之外的部分)。
·没有运动特征的持续时间,其可通过以下进行处理:
ο对于每个时期,如果出现一个或多个没有运动的部分,可计算出它们在样本中的平均持续时间的平方根(包括参与时期之外的部分)。
·Kushida活动特征,其可通过以下进行处理:
ο Kushida活动特征是一个应用于积分活动计数的加权求和,其在一个实施例中的权值组为{0.04,0.04,0.2,0.2,2,0.2,0.04,0.04}/2.96(最初四个和最后四个时期的Kushida活动特征仅基于部分的加权求和)。
分类器子模块将每个时期提取的特征进行分类,以产生临时的睡眠/觉醒标签[睡眠=0,觉醒=1]。在一个实施例中,该分类器为预训练线性判别分析(LDA)分类器。
后处理子模块可通过以下方式来处理临时睡眠/觉醒标签系列:
·临睡睡眠/觉醒标签根据Lotjonen模式扩展来进行后处理,其中在更大的睡眠或唤醒部分内的唤醒或睡眠的短暂突发分别地重新标签为睡眠和唤醒。Lotjonen模式扩展如图7g所示。
·来自在场/缺席检测器模块的在场/缺席标记在后处理的睡眠/觉醒标签系列上覆加。第一临时睡眠图从后处理睡眠/觉醒标签系列中产生,其通过把NaN值分配到与缺席的时期标记一致的标签为睡眠的每个时期来产生。
·然而,原始的(非后处理的)临时睡眠/觉醒标签被覆写有唤醒标签,其中的NaN值出现在第一临时睡眠图中,并使用Lotjonen模式扩展来进行后处理,以产生第二临时睡眠图。
·第二临时睡眠图通过以下来与第一临时睡眠图来结合:在每个其中的第一临时睡眠图为睡眠而第二临时睡眠图值为唤醒的时期中,第一临时睡眠图值设置为未知。
第一临时睡眠图在以下的最终后处理步骤之后变成最终睡眠图:
·在未知标签位于两个唤醒标签之间时,设置成唤醒。
·在出现了至少15分钟的连续位置标签时,这些标签设置为缺席。
·持续期间的非缺席部分少于或等于5分钟的将重新标签为缺席。
·最后,任何的在原始睡眠图开始和/或结束时出现的唤醒,在最后的睡眠图中保持。
在一个适用于结合或单个通道途径的替代性实施例中,睡眠/觉醒分析模块使用来自在场/缺席检测模块的在场/缺席标记系列以及结合的(预处理)运动信号来产生睡眠图,该睡眠图将每个时期标签为睡眠,唤醒,或缺席。在替代性的实施例中,该睡眠/觉醒分析模块没有使用由活动估计和运动检测模块所产生的运动标记系列,而是通过将时期内的运动信号的偏差与监控会话的阈值进行对比来产生它自己的运动标记系列。该适应的阈值可例如在一个替代性实施例中设置为监控会话的偏差的第95个百分位减去相同监控会话的偏差的第75个百分位(当第75个百分位大于0.5时),或设置为监控会话的偏差的第95个百分位减去监控会话的偏差的第75个百分位的1.5倍(当第75个百分位小于或等于0.5时)。如果偏差超过适应性的阈值,该时期的运动标记设置为真。
在一个替代性的实施例中,在在场/缺席标记系列中的标记为缺席的时期在睡眠图中首先标签为缺席。在在场/缺席标记系列中的每个被标签为在场的时期内,从在场/缺席标记系列中每个标签为在场的时期内的(预处理)运动信号c3中提取“波形长度”特征。波形长度通过对时期内逐个样本的振幅积累变化进行测量来计算波形长度。例如,等同于处理如混乱字符串一样的运动信号波形,并测量该字符串的拉直长度。波形长度特征有效地包含了时期内的振幅,频率以及运动信号。该对于时期i的波形长度特征值wi可进行以下计算:
其中N为时期内样本的数量。
将每个在场时期i中的波形长度特征值与适应的阈值T进行比较。如果wi值小于阈值T,在场时期在睡眠图中被标签为睡眠。否则,该在场时期被标签为唤醒。为了对监控会话的阈值T进行计算,该内-四分位范围特征计算用于在监控会话期间的波形长度特征wi(该特征中的每个点代表时期的波形长度,其与已知的R&K睡眠评分标准的方式类似)。使用图7b中流程图所示的方法,从波形长度特征的50th,75th,和95th百分位w50,w75,和w95来计算阈值T。在本发明的一个替代性实施例版中,参数α1,α2,β1,β2,和β3设置为4,2.78,10,0.95,和4。
概括性子模块可从最后的睡眠图中计算任意的以下概括指标:
·总的睡眠时间(TST)(所有标记为睡眠的时期的总的持续时间)。
·床上的总时间(所有没有标记为缺席的时期的总的持续时间)
·睡眠效率(在第一和最后一个标记为睡眠的时期内,睡眠时间与床上总时间的比例)。
·标记为未知的时期的总的持续时间(如果有的情况下)。
睡眠图可指示多个患者在场的分开的相邻部分(即:标记成睡眠或唤醒)。这对于患者由于他们的状况而把部分的白天时间花在床上的情况下特别真。该概括子模块通过将相邻的部分标记成睡眠或唤醒,忽略短于阈值时间的缺席标记部分来产生“临时的睡眠周期”,该阈值在一个实施例中设置为30分钟。例如,在监控会话中五个患者在场的部分中,可产生两个“临时的睡眠周期”,因为四个在出现部分之间的缺席标记的空隙中有三个短于阈值。该概括子模块随后 限定“主要睡眠周期”为最长的所产生的“临时睡眠周期”,并将主要睡眠周期的第一和第二半部分的开始和结束进行标记。
呼吸速率的估计7440
通过使用呼吸检测器,基于(预处理)运动信号的峰谷检测,呼吸速率估计模块对监控会话的每个时期的呼吸速率进行了线下的非因果估计。(其中的时期与在场/缺席检测模块以及睡眠/觉醒分析模块的时期一致)。该呼吸速率估计模块的输出被称为呼吸图。
在一个实施例中,四个主要的子模块可用作呼吸速率估计模块:
·预处理子模块可实施以下任何的步骤:
ο遮盖与运动标记一致的运动信号部分。
ο该信号可用低通滤波器来进行滤波,以去除任何剩余的未检测的运动。在一个实施例中,该低通滤波器为10阶的巴特沃斯滤波器,其切断频率为0.8Hz。
·峰谷检测子模块可实施任意的以下步骤:
ο信号通过高通滤波器以去除VLF分量。在一个实施例中,该切断频率为0.15Hz。
ο通过在整个滤波信号上进行自相关性以及选择0.5Hz之后的第一峰,可对整个监控会话的平均呼吸速率进行估计。该平均的呼吸速率可通过因子1/0.8来进行放大,用于进一步的处理,以确保捕捉到所有的呼吸。
ο瑞利分布通过将其峰位于一半的平均呼吸持续时间处来建立。该持续时间可用作识别拐点的概率因数(因此仅使用了一半的呼吸持续时间)。
ο滤波信号上所有的拐点都进行识别。对于每个拐点来说:
ο将超过下一个10秒钟的所有拐点选择作为候选的拐点。
ο将品质因数定义为从当前拐点到候选拐点的距离,乘以其自己的瑞利概率(从当前拐点的距离处的瑞利分布值)。
ο选择具有最高品质因数的拐点,并向前重复该过程。
ο去除所有与之前检测的运动部分相关的拐点。
·呼吸速率估计子模块可通过以下任意一项去实施:
ο从通过峰谷检测子模块所识别的拐点中,可弃掉谷,使得只考虑峰。
ο呼吸间隔被限定为连续峰之间的距离。去除大于或等于比典型呼吸间隔要长的期间,该典型的呼吸间隔在一个实施例中设置为7秒,因为它们可能与呼吸或运动的中断有关。
ο围绕着每个时期的窗口的呼吸速率计算成窗口内所有呼吸的中值呼吸速率(相互的呼吸间隔)。在一个实施例中,该窗口长为3.5分钟。
·在混合的途径下,随后有一个结合的子模块,其中在每个时期处,来自(预处理)运动信号的呼吸速率进行平均化。在其它途径下,不需要结合的子模块。
给定了用于呼吸速率估计的窗口长度,该呼吸速率估计模块包括大量的求平均数,并因此对伪迹非常坚固。然而,基于相同的理由,其对局部呼吸速率变化不太敏感。
对于所有的在睡眠图中标记为缺席或未知的时期来说,该呼吸速率分配到NaN值。
在替代性的实施例中,该呼吸速率估计很简单,值Freq利用等式19,通过活动估计以及运动检测子模块来进行计算。
在监控会话期间的平均呼吸速率,与其标准的偏差,和分布的第5,25,50,75和第95个百分位也可通过呼吸速率估计模块来计算和存储。
信号选择7450
信号选择模块的目的在于选择用于随后SDB事件检测的(预处理)运动信号的合适部分。一种信号选择的基础建议是SDB事件检测仅需要在患者睡眠的运动信号部分来操作。睡眠/觉醒分析模块的睡眠图输出因此用作通过信号选择模块来输送SDB事件检测。此外,由于任何由总体身体运动产生的信号将遮蔽与SDB事件潜在相关的呼吸运动,可通过信号选择模块来去除运动部分,留下用于SDB事件检测的睡眠和呼吸部分。最后,由于用于SDB事件检测模块的方法为时间-范围的振幅-依赖方法,为了确保足够的空白来检测SDB事件特征的呼吸费力的下降,足够的信号与噪音的比例的出现是非常有用的。
信号选择模块用作睡眠/觉醒分析模块以及SDB事件检测模块之间的界面。其主要的功能在于仅用睡眠和呼吸部分以及足够的信号质量来送入随后的信号处理模块。
信号选择模块如下进行运作。
睡眠图(对运动标记系列的采样速率进行升采样)以及运动标记系列最初经过结合来获得睡眠和呼吸的面罩。该面罩在样本中具有值1,其中睡眠图指示睡眠和运动标记为假。
睡眠和呼吸的面罩随后用于每个(预处理的)运动信号,导致一个或多个可变化期间的部分。对于每个这些部分,可计算出品质因数,关于该部分是否应该被选择的决定是基于品质因数和阈值的对比来产生。
对于SDB事件检测,很可能地观察到呼吸费力有效测量中至少有50%的下降。该呼吸费力测量因此很少地由于噪音而被拉动低于50%的阈值。假设高斯加性噪音分布,97.5%的噪音样本所具有的峰到峰振幅为给定部分的RMS噪音值的四倍以内。对于正弦曲线,峰峰振幅与RMS值的比例为因此,成为SDB事件检测的可靠质量,睡眠和呼吸信号部分应该具有RMS值,该RMS值至少由下式限定:
其中rmsmaxnoise为噪音的最大RMS值。
信号选择模块可因此对睡眠和呼吸(预处理)运动信号的每个部分应用运行的标准偏差(RMS)滤波器,其期间在一个实施例中等于150秒。当一个部分的RMS值分布的较高百分比,在一个实施例中设置为第75个百分位超过噪音阈值时,该部分视为质量好,并因此被信号选择模块所选择。噪音阈值可被计算成运动传感器7010的最大RMS噪音值,以及该部分计算的预处理运动信号的RMS值分布的第5个百分位中的较小值。
在混合平行的途径下,每个(预处理)的运动信号独立地进行处理,使得某些部分可选择仅用于一个通道。总的分析时间(TAT)可根据在至少一个通道中 所被选择用于SDB事件检测的信号的总持续时间来进行计算。该TAT用作由以下的特征计算模块所算出的AHI的分母。
每个通道的睡眠和呼吸信号部分的总持续时间经过计算并储存。每个通道的质量好的睡眠和呼吸信号总持续时间经过计算并存储。每个通道的差质量的睡眠和呼吸信号的总持续时间也通过计算并存储。
为了确保由特征计算模块所返回的AHI可靠并具有代表性,在继续每个通道中的SDB事件检测之前可加上以下至少一种状况:
·“患者-在场”的总持续时间大于最小持续时间。在一个实施例中,该最小的持续时间为三小时,根PSG实验室中的标准要求一致。
·质量好的睡眠和呼吸信号的总的持续时间大于最小持续时间。在一个实施例中,该最小持续时间为两小时,与PSG实验室的标准要求一致。
·质量好与差质量的睡眠和呼吸信号持续时间的比例为至少1:R。在一个实施例中,R设置为2,以确保至少33%的睡眠和呼吸信号可用于SDB事件检测。
在其它情况下,该通道的预测方法7300被中断。
包络产生7460
包络产生模块目的在于产生呼吸费力的测量,其形式为不单保留频率,还有呼吸调制的振幅内容的包络。
在一个实施例中,包括产生模块依赖于一些信号处理步骤。对于被信号选择模块所选择的质量好的睡眠和呼吸信号,可应用以下的等式:
·该部分可通过去除异常值来进行处理,通过:
x(x>prctile(x,95))→prctile(x,95) (等式12)
以及
x(x<prctile(x,5))→prctile(x,5) (等式13)
·由于振幅-调制呼吸运动信号(见等式16)的谱图在呼吸速率基础波的任一侧处具有两个小峰,该部分可用带通滤波器来进行滤波,以除去非常低和非常高的频率分量。在本实施例的一个版本中,该带通滤波器为二阶,具有的滤波范围是[0.1Hz,0.8Hz]。
·为了保持振幅信息,截面可用双重最大值&保持滤波器来进行滤波,一个是用于阳性样本,而另一个是用于阴性样本,以产生正包络和负包络。
ο双倍最大&保持滤波器非常重要:太长滤波器会产生更平滑的包络,但会为了平均化的原因而降低下降的持续时间。同时,太短的话,滤波器将会由于呼吸信号的特征而产生振铃。
ο理想的最大&保持滤波器持续时间稍微大于单个呼吸持续时间。为此,由呼吸速率估计模块所估计的呼吸速率可缩小稍微大于1的因子,以在保持合理短(<<2次呼吸)的滤波持续时间的同时产生空白来避免振铃效应。在一个实施例中,该因子为1.25。
ο对于每个部分,在该部分的缩小的呼吸图的平均值用作最大保持滤波器的持续时间。
·最后的包络可生成为正和负包络之间的差。
在替代性的实施例中,对于(预处理)运动信号的每个所选部分c3的包络可由以下产生:
·对c3进行希尔伯特变换H{c3};
·使用经验模态分解(EMD)来从希尔伯特变换H{c3}中如下产生Ec3包络:
Ec3=EMD{|H{c3}|} (等式14)
在替代性实施例的变形例中,包络可通过低通滤波器来产生c3+jH{c3}模块,其中j是-1的平方根。在替代性实施例的变形例中,该低通滤波器具有0.15Hz的切断频率。
调制周期度量计算
调制周期度量计算模块计算患者调制的呼吸循环的调制周期长度的平均值,以更好地调整对该患者的SDB事件检测模块。主要的难度在于选择正确的样本来作为估计的基础,以及使用选择的样本在谱图的VLF带上进行调制频率的提取。
在一个实施例中,该调制周期的度量计算模块以对运动信号的所选部分进行预处理开始,其中的方式与上述的包络产生模块的方式一样(异常值去除以及带通滤波)。
接着,每个预处理部分可标准化至0平均值以及统一标准差,且包络可利用在包络产生模块的上述的任意方法在每个标准化的部分产生。
对于每个选择的部分,可产生覆盖的宏时期。宏时期的持续时间的选择受到一个事实的影响,该事实是对于某些患者来说每个调制呼吸周期可持续达到两分钟,且具有三个适用于估计调制周期的长度。在一个实施例中,该宏时期具有6分钟的持续时间,其具有4分钟的重叠。
每个宏时期可用以下的步骤来进行处理:
·该包络可为去平均化。
·该包络可乘以Chebichev窗口,以避免谱图中VLF部分的边缘效应。
·快速傅立叶变换,且从中可计算出包络的功率谱图密度(PSD)。
·该PSD可进行合并以增加其分辨率。
·可找出PSD的峰。每个峰对应于潜在的调制呼吸周期。峰的高度代表调制的频率,且峰的频率为调制周期长度的倒数。
·可弃掉无效的峰。有效的调制呼吸周期可定义为具有:
ο与生理范围相容的周期长度(在30秒到100秒之间,从0.01Hz to0.033Hz)。
ο峰功率产生最小的功率,在一个实施例中设置为104。
ο清晰的峰,该峰定义为在小于0.01Hz的最大高度的50%处,以及在邻近最小值的大于200%的高度处具有占用带宽(OBW)。
·额外的状况可加到PSD的DC功率上,也就是说,其不会超过最大峰高度值的150%,为了避免DC相关的效应由于呼吸调制而被标记。
基于最后一点所详述的状况,对于每个宏时期来说,可不保留或保留一个或更多的有效峰。
所有监控会话的宏时期可随后通过以下进行处理:
·弃掉没有有效峰的宏时期。
·首先处理仅具有一个剩余有效峰的宏时期(因为它们的估计应该更准确-即:不会受到谐波的假检测)在整个所有的这种宏时期上计算加权调制功率(峰高度)的对数的调制周期长度(峰频率的倒数)的平均值。
·对于所有其它的包括多于一个有效峰的宏时期来说,选择最接近于在所有具有单一峰的宏时期计算的调制周期长度的平均值的峰。
·弃掉其调制周期长度在整个调制周期长度分布的5th或95th个百分位之外的任何有效峰。
可随后计算在整个监控会话的所有剩余的调制周期长度(通过它们的调制频率来加权)的平均值,以及其标准的偏差和5th,25th,50th,75th以及95th的百分位。
一种由充血性心脏衰竭和CSR连接的一种机理是肺空腔的流体积累,其影响身体呼吸控制系统的“环路增益”。CSR的程度不仅取决于肺腔内流体的原始量,还取决于其分布。该分布随着监控会话而变化,由于人体的位置在期间的开始发生改变,从一般的垂直到一般的水平。因此,提取特征的值可在整个监控会话发生变化。在监控会话期间的这些特征的后面的值相对于较早的值来说,提供了更真是的充血性心脏衰竭的严重性指示,以及ADHF事件的可能性,这是因为到了那个时候流体应该到了一个新的平衡分布。
所有剩余调制周期长度的平均值,以及其标准的偏差,和5th,25th,50th,75th和95th的百分位数还可因此在那些被睡眠/觉醒分析模块标记为第一和第二半主要睡眠周期的周期中进行计算。
以相似的方式,可对每个具有至少一个有效峰的宏时期进行计算和存储调制功率和OBW值,以及它们的平均值,标准偏差以及整个监控会话的5th,25th,50th,75th和95th个百分位,以及每个半主要睡眠周期。
在混合的途径下,来自两个通道的数据可进行结合,其通过将来自两个通道的数据进行平均化,通过每个通道的有效宏时期的数量进行加权来实现
SDB事件检测7465
SDB事件检测模块目的在于检测可能会发生SDB事件,包括OSA和CSR发作的运动信号的部分。这种部分称为候选SDB事件。
在一个实施例中,该SDB事件检测模块使用由调制周期长度估计模块所估计的调制周期长度来制造一组具有一个或多个同类SDB呼吸费力模板。该同类模板可用于检测与SDB事件有关的呼吸费力的减少。通过将患者特定模板与由包络产生模块所产生的包络进行交叉相关性,并与阈值进行对比,可检测出候选的SDB事件。
在一个实施例的版本中,可使用正弦和余弦函数以及高斯分布来限定三个同类的SDB呼吸费力减少模板。图7包含了一个实施例版本中的三个示例SDB呼吸费力减少模板。附录A包含了对于每个所述三个同类模板中的说明书,同类模板由调制周期长度CL来进行参数化。
同类模板通过加入调制周期长度值来进行具体化,该调制周期长度值由调制周期长度估计模块来估计成为参数CL。
通过包络与每个患者特定模板的交叉相关性并接收每个样本的相关值的最大值来产生相关性特征。在一个实施例中,这种操作以小分数来进行,例如,运动信号的采样速率的十分之一,来减少计算的负担。当相关性特征超过在一个实施例中设置为0.5的阈值,并且时间长达高于另一个阈值的时间(在一个实施例中设置为调制周期长度的1/6,或10秒,其中的更小值)时,则可检测出候选SDB事件。弃掉相互太接近的候选SDB事件,即:使得它们的中点位于调制周期长度平均值的一半的范围内。结果为监控会话范围内的候选SDB事件的位置向量。
SDB事件检测的替代性实施例适于结合或单个通道的途径。该替代性实施例根据AASM评分规则,通过将呼吸费力包络的下降与基线进行对比,从而检测候选的SDB事件。
·呼吸不足:气流下降≥50%基线,具有3%的去饱和,或气流下降≥30%,具有4%去饱和,持续至少10秒。
·呼吸暂停:气流下降f≥90%基线,持续至少10秒。
在设备7000的某些版本中,可没有血氧饱和度水平的访问。相反,可利用三个滑动的窗口。主窗口中的包络平均值计算成为气流的代理模式。在一个实施例中,主窗口为具有75%覆盖的10秒的滑动窗口。在滑动时围绕着所述主窗口的其它两个窗口可用于确定基线。在一个实施例中,该两个基线窗口在主窗口之前和之后包括在先的35秒和下一个35秒。如果主窗口的包络值相对于基线为上述的任一种标准(没有血氧饱和度),该基线由两个基线窗口中的包络值所限定,则可检测出该候选SDB事件。
SDB事件模块的替代性实施例随后根据上述的AASM评分规则弃掉持续时间少于10秒的候选SDB事件。
SDB事件检测模块的另一个替代性实施例同样适用于结合或单个-通道途径。
另一种替代性实施例的版本在非预处理和预处理运动信号c和c3,以及包络Ec3上进行操作,并因此没有使用模块7410到7450。
(非预处理)运动信号c的瞬时功率首先在长度N样本的滑动窗口上计算成c的方差Var。
在另一个替代性实施例的一个版本中,Var在具有75%覆盖的30-秒滑动窗口上进行计算。
接下来,可对(预处理)运动信号c3的调制深度MD进行估计。形成了无噪音定期振幅-调制信号。
AMMod(t)=K(1+MD cos(ωAMt+φAM))cos(ωFMt+φFM) (等式16)。
·其中的MD为调制深度,在0-1之间变化。该呼吸运动信号的调制深度为CRS严重性的指示。该调制深度MD可通过以下进行估计:
其中和为信号及其包络的标准偏差,且SatLin为饱和制图,以将MD限制到范围[0,1],其中的等式为:
SatLin(x,a)=Θ(x)x(1-Θ(x-a))+Θ(x-a) (等式18)
当a设置为1,且Θ()为Heaviside阶梯函数。
谱图分析提供了直接和充分的方式来提取信号c3的主谐波,当这种运动出现时其为呼吸运动。在另一个替代性实施例的一个版本中,可使用沃克自回归方法(9阶)来估计c3及其包络Ec3的功率谱图密度(PSD),因此产生两个PSD: 和
可将PSD大小的最高峰的位置用作呼吸速率Freq的估计:
信号的带宽可为其“不规则”的测量。该信号c3的带宽BW可计算如下:
其中为PSD大小的最高峰的位置,Ω是涉及区域的频率范围,而 是标准化的c3PSD,其计算如下:
谱图熵充分利用了在先估计的PSD。信号x的标准化谱图熵Hx从x的标准化PSD中计算得到:
信号c3的谱图标准熵Hc3以及包络Ec3的谱图熵HEc3都通过(等式22)来进行计算。
呼吸的种类可通过以下来辨别:
·规则呼吸(RB),其特征是在呼吸频率带上基本恒定振幅的信号。该频率可随时间变化。
·不规则呼吸(IB),其特征是在呼吸频率带上的不规则振幅的信号。该不规则可由于胸或腹部运动不规则,气道闭塞,吞咽/咳嗽等行为。
·潮式呼吸(CSR),其特征是在呼吸频率带上的规则振幅的调制信号。
熵Hc3和HEc3具有取决于呼吸种类的特征行为。在另一个替代实施例的版本中,将基于高斯混合模型的聚类算法用于熵Hc3和HEc3以寻找最对应于三个种类的三个概率密度组的近似值。在替代性实施例的另一个版本中,首先使用地标-基谱聚类,接着用聚类概率密度的高斯拟合。
通过聚类辨识的的三种高斯的中心点(平均值),通过任一种版本表达成3-向量Gc3和GEc3。
找到并选出Gc3的中值Hhc3,如下所示:
指代中值Hhc3的熵Hc3随后进行倒置并饱和,使得“倒置熵”的高值Hi对应于更规则的信号:
其中S饱和函数SatNL如下限定:
且λ,Tc3和Sc3为参数。在替代性实施例的一个版本中,λ=5,Tc3=1,以及Sc3=20。
运动信号的潮式指数CS随后计算如下:
其中
且TCS,CSCS和SCS为参数。在替代性实施例的一个版本中,TCS=1,CSCS=0.3,SCS=20。
可限定以下四类运动信号:
1.潮式呼吸(CSR)(CS类);
2不是CSR的运动(M类);
3.没有运动(NM类);
4.呼吸暂停和呼吸不足(AH类)。
四个布尔(Boolean)值指示或“真”变化值CST,MT,NMT,和AHT可计算成时间系列,指示运动信号在给定的时刻上属于(真)或不是属于(假的)对应的类别。第一的三个真变化值CST,MT,NMT通过应用一套逻辑规则来进行计算,其中该三个真变化值在三个当中只有一个在任意时间上为真的程度上来说是相互排斥的。在另一个替代性实施例的版本中,该逻辑规则为:
·如果瞬时功率大于运动阈值,熵小于熵阈值,且潮式指数低于潮式阈值时,该信号属于运动类别。
(等式28)。
·如果瞬时功率小于无运动阈值,该信号属于无运动类别,且该信号不属于运动类别。
NMT=(Var≤TNM)&□MT (等式29)。
·如果潮式指数大于潮式阈值,则信号属于CS类别,且该信号不属于运动类别或无运动类别:
CST=(CS>TCS)&□MT&□NMT (等式30)。
在另一个替代性实施例的一个版本中,运动阈值,熵阈值,潮式阈值以及无运动阈值如下设置成TM=2,THi=0.95,TCS=0.1以及TNM=0.0001TM。
第四个真变化值AHT在长度WAH的滑动窗口上使用适应性阈值来进行计算。在替代性实施例的一个版本中,WAH设置为30秒。WAH值可增加以考虑到更长的呼吸暂停或呼吸不足。
适应性阈值TAHI算成窗口的瞬时功率Var的平均值的一半,而如果瞬时功率小于适应性阈值TAHI,且潮式呼吸指数小于呼吸暂停/呼吸不足潮式阈值,或熵大于呼吸暂停/呼吸不足,则真变化值AHT为真。
AHT=(Var<TAHI)&((CS<TCSAH)|(Hi>THiAH)) (等式2)
在替代性实施例的一个版本中,呼吸暂停/呼吸不足潮式阈值和呼吸暂停/呼吸不足的熵阈值TCSAH和THiAH为以下数值:TCSAH=0.1TCS以及THiAH=0.095。
候选SDB事件是AHT或CST为真的间隔。
SDB事件确认7470
事件确认模块基于对应于候选CSR事件的(预处理)运动信号c3,或其代表呼吸费力的包络来确认或弃掉每个候选SDB事件。
事件确认模块的一个实施例将与每个候选SDB事件有关的持续时间以及呼吸费力减少的量与限定SDB事件的患者特定阈值的时间-阈和振幅-阈标准进行比较。 该事件确认模块的实施例还提取邻近于候选SDB事件的呼吸过度部分的特征,来排出由于“抽动”或其它非SDB生理事件造成的误测。
在该实施例中,事件确认模块包含两个主阶段。首先,每个候选SDB事件
的端点通过以下来找出:
·找出候选SDB事件期间的最小呼吸费力。
·辨别所有围绕着在85%调制周期长度内的最小用力的位置的局部峰(在平均调制周期长度值上大概有70%的空白)。
·计算概率p作为距离k的预定函数,该距离为最小呼吸费力位置与在每个任意侧的最大呼吸费力位置之间的距离。在一个实施例中,函数p[k]限定如下:
· (等式32)
·其中CL为估计的调制周期长度。
·基于呼吸费力乘以概率p的差,选择最可能的最大值。
·验证最大值之间的最小距离大于最大持续时间,该持续时间在一个实施例中设置为10秒。
每个候选SDB事件可通过以下进行确认:
·计算任意的呼吸费力最大值和呼吸费力最小值之间的最小比例。
·根据该比例将用于候选SDB事件的包络尽心标准化。
·验证邻近的呼吸过度部分所具有的持续时间大于最小值(在一个实施例的版本中设置为9秒),其中该邻近的呼吸过度部分中的呼吸费力包络所具有的振幅大于最小值的两倍。
·验证呼吸费力包络在大于调制周期长度的五分之一的时间中低于呼吸不足阈值(定义为原来呼吸费力的60%)。检测的SDB事件可短于10秒,因为用于检测包络的最大&保持滤波器具有大于2秒的持续时间。
SDB事件确定模块的替代性实施例从对应于每个候选SDB事件的(预处理)运动信号,或其包络中计算特定的特征,并对计算的特征应用基于规则的推理引擎来确定是否确认或丢弃每个候选的SDB事件。该对应于每个候选SDB事件 的(预处理)运动信号首先分隔成两个周期:呼吸暂停/呼吸不足周期,以及通气或呼吸过度周期。
所计算的特征可为以下某些或所有特征:
·运动信号c3自相关性R(i)的峰度K。该峰度是概率分布“峰”的测量。越高的峰度指示候选SDB事件更少可能会是真的SDB事件,其自相关性趋向于远离它们的峰更缓慢地衰减。峰度K如下进行计算:
其中的P为自相关性的样本数量,为平均值,而σR为标准的偏差。
·候选SDB事件的呼吸过度周期的波形长度Hwl的一个特征是,如上述(等式10),包含振幅,频率以及过度呼吸部分的持续事件。越高的波形长度指示候选SDB事件更少可能成为真的SDB事件。该波形长度如等式10中所计算(等式10)。
·自由度(DOF):由c3表示的呼吸模式的复杂性指示。该DOF值从中进行如下计算:
仅具有一个尖峰的运动信号具有的DOF值为接近1,同时正弦信号具有0的自由度。某些候选的SDB事件将事实上涉及运动信号中的噪音-状部分。然而,这种噪音-状部分并不涉及标准的呼吸模式,并通过DOF特征值来进行判别,因为真正的SDB事件趋向于展现更低的DOF值。
·包络平均值(ME),一种在候选SDB事件期间指示呼吸费力的特征。如果患者正常地呼吸,突然的运动或暂时的唤醒会引起假阳性SDB事件检测。为了考虑到这种情况,几个患者的候选SDB事件的平均包络值的50th, 75th,和95th的百分位可进行计算以推断什么标准值可进行平均并辨别端值。所具有相对于监控会话所有候选SDB事件的平均包络值的第95个百分位数更高的平均包络值更不可能成为真的SDB事件。如果平均包络值的第95个百分位相对于其它患者的平均包络值来说太大,其具有波形长度特征的第95个百分位的较大值,该候选的SDB事件较少可能成为SDB事件。
·不规则因子IR,一种在候选SDB事件的呼吸过度部分中对一次一次呼吸变化进行定量的特征,其需要较低的计算资源。该不规则因子指示潜在过程的本质,即:窄带或宽带。窄带过程为静态任意过程,其谱图密度所具有的显著值仅在宽度相对于带的中心频率大小来说较小的频率带上。宽带过程在频率的宽范围上具有显著的功率期。SDB事件期待成为具有较低不规则因子的窄带过程。在替代性实施例的一个版本中,它们的不规则因子IR在呼吸过度部分中计算为向上零相交的ZC数,与峰NP数的比例,计算如下:
其中的计算为呼吸过度部分的第四时刻与第二时刻比例的平方根。这些时刻可以频率域,或以时间域去进行计算。
该基于规则的推理引擎为一套计算的特征值的工具集,以确认每个候选的SDB事件。该候选SDB值通过该特征是否满足特定的规则来进行确认或弃掉。在替代性实施例的一个版本中,该推理引擎应用了附录B中的规则集。该SDB事件
确认模块的替代性实施例还分析候选SDB事件,来看它们是否对应于CSR事件。通过替代性实施例下的SDB事件确认,可从对应于每个候选SDB事件的(预处理)运动信号c3中来计算某些特征,并将基于规则的推理引擎用于计算特征,以确认是否将每个候选SDB时间标记为CSR事件。
计算特征如下所示
·调制周期长度(CL),定义为从SDB事件的呼吸暂停/呼吸不足周期的开始,至下一个呼吸过度周期的结束,即:呼吸暂停/呼吸不足周期长度加上通气周期长度(通气长度)。一般CSR中的CL范围从30秒到90秒。每个 调制周期的波形长度,以CWL表示,同样在调制周期上用(等式10)来进行计算。
·零相交的数量(ZC):该特征代表了运动信号c3穿过x-轴的次数。其指示运动信号在调制周期内有多快进行振动,其反过来为SDB事件期间呼吸速率的指示,具有指示呼吸速率在生理呼吸范围之外的ZC值的SDB事件更少可能成为CSR事件。对于具有样本的运动信号部分来说,零相交特征值ZC计算如下:
其中sgn()为符号函数,t为预设的阈值,在一个版本中设置为0。
·相为锁定值(PLV):数据描述器,其在两个运动信号c3的一半之间查看瞬时相差,以指示该两半相互有多类似。典型的CSR事件由于消长效应展示了两半的高度相相似性,以及因此的PLV高值,当其中破坏第展示低相似性时。该PLV特征值可如下进行计算:
ο取c3绝对值的希尔伯特变换的角度;
ο将得到的相波形划分成两个半以及时间-相反第二半,以获φ1和φ2。
ο应用以下等式:
其中的N为每个半中的样本的数量。
·信号伪迹(SA):运动信号c3中在场伪迹的二元指示,例如非常尖锐的突然的峰,其不像CSR的消长形状,该SA值从c3处进行如下计算:
w(k)=Θ(z(k)-5σz) (等式38)
其中z(k)为c3绝对值的第k样本,而σz为z(k)的标准偏差。如果w(k)对于任何的k值为非零值,SA指定为1,其它情况下为0。
·调制深度(MD):该特征可计算为两个数量的比例。第一个数量(周期百分率CP)为SDB事件的占空比,即:SDB通气周期的持续时间与呼吸暂停/呼吸不足周期的持续时间的比例。第二数量(变化振幅AV)为通气周期的振幅到呼吸暂停/呼吸不足周期的振幅的改变的百分比,计算如下:
其中t为通气周期和呼吸暂停/呼吸不足周期之间的转移的位置。如果通气周期的持续时间大于(或小于)呼吸暂停/呼吸不足持续时间,随后CP将大于1。在AV中观察到相同的行为,即:如果通气振幅积分大于对应的呼吸暂停/呼吸不足振幅,则大于1,而在其它情况下小于1。如果SDB事件具有较大的振幅变化,和指示较大调制较小的周期百分比,MD随后大于1,并在SDB事件具有较低变化振幅,以及较大的调制百分比时小于1。更高的MD值指示SDB事件更可能为CSR事件。
·上升时间(RT):上升时间可计算成运动信号振幅包络从x%上升到最后y%所需要的时间,表达成呼吸过度持续时间的百分数,其中的在一个版本中x和y设置为0和95。到最大振幅的突然跳跃指示SDB事件缺乏CSR事件的消长效应,从而上升时间的较小值指示SDB更少可能成为CSR事件。
·功率谱图自相关性的标准偏差(STDPSD):每个候选SDB事件都以快速傅立叶变换(FFT)来进行分析,以获得对应的功率谱图。该功率谱图的自相关性的标准偏差随后计算成另一个特征,以将CSR事件从其它的SDB事件中区分出来。
·最大功率频率(Fmax):可同样计算每个候选SDB事件的功率谱图中最大功率值的频率,因为CSR事件趋于具有大于0.15的Fmax值。
该基于规则的推理引擎将一套规则用于计算的特征值,以将每个候选SDB事件标记为CSR事件,或不是CSR事件。在替代性实施例的一般版本中,该推理引擎应用了附录C中的规则集。
该SDB事件确认模块的替代性实施例随后将(预处理)运动信号分隔成连续的非重叠部分,其长度在替代性实施例的一个版本中设置为10分钟。该事件确认模块的替代性实施例随后计算每个部分的有多少个CSR事件发生。如果包括至少有3个连续的CSR事件,则每个部分标记为CSR部分。
最后,SDB事件确认模块的替代性实施例计算CSR部分的总持续时间与总睡眠时间(TST)的比例,以及CSR部分的总持续时间与监控会话的长度(总的记录事件或TRT)的比例。
SDB事件确认模块的所有实施例通过存储每个确认SDB事件的最小(剩余)呼吸费力来终止。
特征计算7480
在平行或混合途径下,特征计算模块首先通过逻辑OR运算来结合确定的SDB事件。在结合或单一通道途径下,不需要进行结合。
在一个实施例中,该特征计算模块将确定SDB事件的总数量除以总分析时间(TAT),以小时来计算,其以单个选择模块进行计算,以此来算出呼吸暂停/呼吸不足指数(AHI)。
从确定SDB事件组中,特征计算模块还计算并存储SDB事件的持续时间和剩余用力的标准偏差值,两者都在整个监控会话和第一和第二半睡眠周期上进行计算。
基本计算特征可包括表1中某些或所有的特征。
表1:基本的计算特征组
通过以某些途径结合基本特征,并在单个监控会话上从基本的特征中获得新的特征,该特征计算模块选择性地超过基本特征。表2总结了在计算特征模块的一个实施例中的单一-期间结合以及所获得的特征。
表2:单一期间结合的以及获得的特征
特征计算模块还选择性地在多个监控会话上从基本特征组中获得特征。表3总结了在特征计算模块的一个实施例中的多个期间获得的特征(当前的监控会话为数量i)。
表3:来自特征的多个会话
在多个期间的特征获得的替代实施例中,对基本特征组应用微分滤波。在一个实施例中,微分滤波包括从当前监控会话i的值中减去监控会话i-N上的每个基本特征值。
所减去的特征在进入预测步骤7330之前可进行标准化。标准化是防止特征仅通过具有较大的绝对值而控制了预测。传统的标准化包括将每个特征值与其平均值的差除以特征值的标准偏差,得到具有0平均值和统一标准偏差的标准化特征。
然而,特征值的平均值和标准偏差的计算需要可用的整个数据组,其在例如本技术的实施应用中是不现实的,其中的传感器数据在每个会话之后进行记录和处理。
在本技术的一种形式中,标准化计算包括n个最接近特征值的整个滑动窗口上的每个特征的平均值和标准偏差。当可用的数据包括少于n个监控会话时,在整个可用数据上计算平均值和标准偏差。对于每个特征值x,标准化的计算如下:
在一个实施例中,n设置为35。
在一个实施例中,由特征计算模块所计算的一套完整的基本,结合,单一会话获得的,以及多个期间获得的特征到达预测步骤7330处。
在替代性实施例中,只有完整组的一个子集到达预测步骤7330。这种实施例以减少事件预测精确度的可能预算下,减少了预测步骤7330所需要的计算量。
在一个实施例中,到达预测步骤7330的某些或所有的特征的清单列举在表4中,其指示了每个特征是否经过标准化或未经过标准化。
表4:在一个实施例中达到预测步骤7330出的特征组
在另一个实施例中,特征计算模块从四个真变化值CST,MT,NMT,和AHT中获得8个数据,该四个真变化值由SDB事件检测模块的替代性实施例计算得到。
[2]CSCum和CSTot%为总的时间以及监控会话属于潮式类的信号的时间百分比。
[3]MCum和MTot%为总时间以及监控会话属于运动类信号的时间的百分比。
[4]NMCu和NMTot%为总时间以及监控会话属于非运动类的信号的时间百分比。
[5]AHCum and AHTot%为总时间和监控会话内属于呼吸暂停/呼吸不足信号的时间的百分比。
百分比值为通过监控会话持续时间D来标准化的总的时间值。
该特征计算模块将监控会话分割成等长度的N个子会话。由SDB事件检测模块计算得到的带宽,调制深度以及潮式指数值BW,MD以及CS在每个子会话的CS-类周期上进行加和,并通过D来进行标准化:
(等式41)。
(等式42)。
(等式43)。
通过SDB事件检测替代性实施所计算的倒置熵值Hi在每个子会话进行加和,并通过D来进行标准化:
在一个实施例中,N=4,所以子会话为四分位。
在一个实施例中,由特征计算模块的替代性实施例所计算的子特征集到达预测步骤7330,一个这种子集包括某些或所有的列举于表5的6个特征。
特征名称 | 特征类型 |
CSCum | 整个会话 |
AHCum | 整个会话 |
MDCSQ(3) | 子会话 |
MDCSQ(4) | 子会话 |
CSCSQ(3) | 子会话 |
CSCSQ(4) | 子会话 |
表5:在特征计算模块的一个替代性实施例中到达预测步骤7330的特征清单。
在另一个实施例中,由两个具有N=4的子会话的特征计算模块的实施例所计算特征子集经过标准化,并到达预测步骤7330。这种子集可包括列举于表6的某些或所有特征。
特征名称 | 特征种类 |
CSTot% | 整个会话 |
CSCSQ(2) | 子会话 |
BWCSQ(1) | 子会话 |
MDCSQ(3) | 子会话 |
HiQ(3) | 子会话 |
呼吸速率第25个百分位 | 基本 |
SDB事件的数量 | 基本 |
SDB实践的持续时间的平均值 | 基本 |
SDB事件持续时间的标准值 | 基本 |
呼吸费力标准值 | 基本 |
第2个半周期的剩余用力 | 基本 |
第1个半周期的平均SDB事件持续时间 | 基本 |
调制周期长度的第25个百分位 | 基本 |
调制周期长度的第50个百分位 | 基本 |
调制周期长度的第75个百分位 | 基本 |
第2个半周期的调制周期长度平均值 | 基本 |
第2个半周期的调制周期长度的标准值 | 基本 |
AHI*调制周期长度 | 结合的 |
呼吸速率第95-50百分位 | 结合的 |
调制周期长度第95-75百分位 | 结合的 |
第二到第一个半周期的剩余用力 | 结合的 |
第二到第一个半周期的SDB时间持续时间 | 结合的 |
第二到第一个半周期的调制周期长度 | 结合的 |
呼吸速率第50个百分位与基线的对比 | 获得的多个会话 |
呼吸速率第75个百分位与基线的对比 | 获得的多个会话 |
表6:使用两个特征计算模块中两个实施例的到达预测步骤7330中的特征清单。
在本技术的一个实施例中,其中省略了预测步骤7330,通过特征提取步骤7320返回的SDB特征为AHI,总的睡眠时间(TST),CSR事件总持续时间与总睡眠时间(TST)的比例,以及CSR事件总持续时间与监控会话的长度的比例(总的记录时间或TRT)。
特征选择
例如在表4和5以及6上的子特征集可通过特征选择来获得。特征选择目的在于辨识预测步骤7330之后的完整的子特征集,以合理的精确度从看不见的数据中预测临床事件的发生。
特征选择的一个方案称为微分评估特征选择(DEFS)。DEFS使用了要选择的特征的预定数量,总体规模,迭代的数量。DEFS首先从完整的特征组中产生子集的总体,其等于预设的总体规模。每个子集包括等于预设特征数量的任意选择的特征数量。DEFS随后对每个产生的子集应用干扰,并确定每个干扰的子集是否取代总体中对应产生的子集。该干扰和取代步骤在预设的迭代数量中进行重复。对于所有的迭代,替换的确定使用预设的品质因数,通过确定干扰的子集是否产生比其对应物更好的品质因数。在所有的迭代完成后,具有最好品质因数的总体子集返回作为选择的子集。
品质因数的预设是基于预测步骤7330在训练数据上的性能。该训练数据组包括从多个患者中获得的多个监控会话的数据。在训练数据组中至少某些期间与临床事件相关,该临床事件被临床专家在对应的患者中,在相关期间之后进阶的周期内辨识。特征从一个监控会话中移动,以确保该监控设备7000真地预测(即:在期间n的特征不可用于预测时期n上的临床事件。)
为了计算给定子集的品质因数,对于训练数据中的每个患者,预测步骤7330(如果需要训练)利用来自除了该患者之外的全部会话来进行训练,且训练预 测在患者的期间中执行,以获得真阳性(TP),假阳性(FP),假阴性(FN)以及真阴性(TN)的子集性能比例。
在DEFS的一个实施例中,品质因数为允许至少75%灵敏度的最大特定性,以确保在接收器操作曲线(ROC)上的陡峭上升。越高的品质因数指示更好的性能。
在DEFS的替代性实施例中,品质因数为假阳性覆盖((FP覆盖)的比例,其为被假阳性值覆盖的区域,并相对于特定性,灵敏度(TP/(TP+FN))为相反的。该覆盖和灵敏度设置为分别具有上限和下限40%和75%。更低的品质因数指示更好的性能。
在上述DEFS实施例中的选择延伸中,选择特征的数量可根据品质因数从预设数量中减少,其通过辨识所有由DEFS选择的子-子集,相对满子集来评估每个子-子集,并选择其性能相对于满子集来说不会降低重要性的子-子集来实现。该延伸一般减少两个选择特征的数量。
另一个可选择的延伸为选票系统,其中进行多个回合的DEFS,每一个都比原来的预设数量特定于更大的特征数量。特征数量随后在选择的子集上使用选票方案来减少,以此可弃掉特征,除非选定子集的最小特定百分比(例如:80%)包括特征。
预测7330
预测步骤7330从特征提取步骤7320而来的SDB特征向量x中产生临床事件是否可能在预设的预测水平内发生的布尔指示。
图7j为方法7900的流程图,该方法用于实施本技术一种形式的预测步骤7330。该方法7900在步骤7910处开始,其应用状态-空间主要分量分析(SSPCA),以产生特征向量x的主要分量S1,S2,...。SSPCA等同于具有正交性质的自适应线性滤波器,该正交性质用于减少特征空间的方向性。
在步骤7910的一个实施例中,SSPCA开始于在更高维空间中嵌入SDB特征向量x,以及来自之前监控会话的前身,来产生轨迹矩阵Z。该嵌入需要两个参数,嵌入延迟L以及嵌入方向N。
(等式45)。
其中的xi(j)为监控会话特征向量x的i-th分量以j为指数的值。Z的大小为以L列来划分的M(N+1),其中的M为选择特征的数量,在一个实施例中,L=1,N=30。SSPCA随后进行轨迹矩阵Z的奇异值分解:
其中D具有Z的L奇异值di在其对角线的降序,且和PS和PE为平方酉矩阵,其列分别为Z的左和右奇异向量si和ei,其满足:
Zei=disi (等式47)。
状态空间主要分量矩阵SSPC随后从最大n0奇异值di中计算,其通过将轨迹矩阵Z投射到对应的n0做奇异向量si来实现:
矩阵SSPC具有n0行和L列。矩阵SSPC的行是特征向量x的n0主要向量S1.,S2,...,Sn0。在一个实施例中,no设置为4。
在SSPCA可选择的最后步骤中,n0主要分量S1.,S2,...,Sn0(矩阵SSPC的行)的每个都利用二阶巴特沃斯滤波器经过带通滤波至带频率[0.001Hz,0.05Hz]。
回到方法7900处,选择性步骤7920(如图7j的虚线所示)估计在预设预测水平上的主要分量S1的适应性预测线性(APL)模型的系数H。在一个实施例中,该APL模型为具有12阶的外源性输入的自回归移动平均模型(ARMAX),而预测水平为7个会话。可使用最小均方(LMS)算法来估计主要分量S1的APL模型的系数H。
另一个可选择步骤7930随后计算由步骤7920计算的APL模型系数H的微分测量W。使用微分操作来获得微分测量W的原因是APL模型系数H的改变速率,而不是它们的绝对值成为预测的目的。在一个实施例中,该微分测量W计算如下:
最后,如果选择性步骤7920和7930进行时,步骤7940可提取一个或多个主要分量S1,S2,...,,,以及积分测量W,并产生临床事件是否会在预测范围内发生的布尔指示,如以下所述。该方法7900随后便得到。
在一个预测步骤7940的一个实施例中,其适用于步骤7920和7930用于计算积分测量W的情况下,可使用启发式规则来产生布尔指示。在该实施例中,该布尔指示P为主要分量S1,积分测量W以及三个阈值Ta,Tw,和Tn的函数的二元值(1=真,0=假):
P=Θ(|S1|-Ta)(1-Θ(W-Tw))+(1-Θ(S1-Tn)) (等式50)。
其中Θ为海维赛德阶梯函数。阈值Ta,Tw,和Tn根据S1和W的极值在以下范围内进行选择:
Ta∈[0,0.1]max(S1)
Tw∈[0,0.1]max(W)
Tn∈[0,0.3]min(S1) (等式51)。
在预测步骤7940的另一个实施例中,其适用于步骤7920和7930可省略的情况下,可使用不同的启发式规则从第一的两个主要分量S和S2中生成布尔指示P。在这种启发式规则下,如果S1和S2分别位于预设范围(T1I,T1S)和(T2I,T2S)之内,P为真。
P=(S1>T1I)&(S1<T1S)&(S2>T2I)&(S2<T2S) (等式52)。
其中T1I,T1S,T2I和T2S为预设的端点。在该实施例中,可使用以下的端点:T1I=T2I=0.35;T1S=T2S=20。
在预测步骤7940的另一个实施例中,分类器用于估计属于每个c输出类的输入向量y的事后概率,其中之一为“非事件发生”类,且剩余的则与在预设的预测范围内发生的不同种类的临床事件有关。每个估计的事后概率与事后概率阈值进行对比。如果与临床事件发生有关的任何类别的事后概率大于事后概率阈值,该布尔指标设置为真;否则该布尔值指示设置为假。
在预测步骤7940的某些分类器基实施例中,到分类器的输入向量y为一个或多个主要分量S1.,S2,...,Sn0以及微分测量W(如果计算)。
在预测步骤7940的这种实施例中,分类器为应用于主要分量S1和微分测量W的量子神经网络(QNN)。该QNN在训练数据中首先进行训练,该训练数据包括具有各自相关类别标签的多个输入向量。该QNN为模糊非线性推理系统,并可利用极少的隐藏神经来接近复杂函数。
在预测步骤7940的这种实施例中,该分类器为用于主要分量S1和微分测量W朴素贝叶斯分类器。该贝叶斯分类器为朴素型的,因为其假定分类的独立性。
在预测步骤7940的这种实施例中,如上述的QNN或贝叶斯分类器用于第一k主要分量S1,...,Sk,省略微分测量W。
在预测步骤7330的替代性实施例中,省略步骤7910,7920以及7930,且输入到在步骤7940中使用的分类器的输入向量y仅为SDB特征向量x。这种步骤7330的“直接”实施例相对于使用完整的方法7900的来说,具有较少的计算强度,只要特征向量x不要太长。
在这种实施例中,在步骤7940中的分类器为线性判别分析(LDA)分类器。该LDA分类的基本概念是找出特征或分类成不同类别的线性结合特征。LDA在参数优化的数据上不需要多次通过,并自然地用多于两个类别来处理问题。
LDA分类器估计属于每个c类别的以k=1,...,c为指数的给定输入向量y事后概率:
其中z=W0+W1y (等式54)。
为向量y到c-向量z的线性变换。
线性变换的参数sW0(c-向量)和W1(c-通过Nf矩阵,其中Nf为输入向量y的长度)通过在训练数据中训练LDA分类器来获得,该训练数据包括具有各自相关类别标签的多个向量。首先在每个类别k的训练向量中获得的类别平均数μk和协方差∑k,普通协方差∑随后计算成类别协方差∑k的加权总和。所有类别的权在一个实施例中设置为1/c。在替代性实施例中,每个类别的权为标签为该类别的训练向量的一部分。
线性变换参数随后在每个类别中进行如下计算:
其中,πk为在先类别概率,在一个实施例中设置为1/k。
如果输入向量包含一个或多个缺失特征(即:设置为NaN的分量),不同于从非接触式运动传感器中获得的运动数据,该由等式55和等式56限定的线性变换参数不可用于如等式54的不完整的特征向量y中,对于这种不完整的特征向量y,对于每个类别k的“减少的”类别平均数μk和协方差∑k在仅基于不完整
的输入特征向量y的可用特征中来计算。减少的普通协方差矩阵∑随后计算成减少类别协方差∑k的加权总和。“减少”线性变换参数W0和W1随后通过等式55和等式66从减少的类别平均数和减少的普通协方差矩阵。组后,该利用“减少”线性变换参数W0和W1的线性变换等式54用于不完整的特征向量y,以获得事后概率Pk。
在预测步骤7940的分类器-基实施例中,类别数量c一般为两个,由于训练数据向量只具有两个标签,预测的事件或非预测的事件。然而,在某些实施例中,预测事件类别可通过首先将相关的向量聚类成子类别来子划分成与不同预测事件相关的子类别,该聚类例如通过k-平均数聚类。
在预测步骤7940的分类器-基实施例中,事后概率阈值不需要进行设置。在某些实施例的版本中,该训练数据用于设置事后概率阈值至一个使对灵敏度值大于或等于阈值的ROC中的假阳性覆盖最小化的值,其中的阈值在一个实施例中设置为75%。
在这些实施例的另一个版本中,该时候概率阈值的设置与特征选择结合,其通过使事后概率阈值成为额外的参数,以被上述的DEFS方法来进行优化,限制位于[0,1]的范围内。
根据监控设备7000的应用,其中的警报在会话n-7和会话n-1之间提供,用于在会话n上的临床事件预测,即:七个会话的预测水平,每个阳性预测通过七个会话来扩展至未来,该修改包括在分类器训练以及特征选择所使用的灵敏度和假阳性覆盖的计算中。
同样,对于训练目的来说,对临床专家评价结果进行该操作的相反操作,其具有对被视为发生在会话n中的临床事件的在会话n-7与会话n-1之间的拖尾(smearing)。这仅用于训练数据,因为发现这是用于提高分类器性能的最有效范围。
总述
对于本技术的目的来说,在本技术的某些形式中,可使用一种或多种以下的定义。在其它形式中,可使用替代的定义。
总体
气体:在本发明的某种形式中,提供至患者的气体可为大气,在本发明的另一种形式中,大气中可补充有氧气。
持续气道正压(CPAP):所提供至气道入口的气体或可呼吸气体的压力相对于大气来说是持续正压的,并优选地在患者的呼吸周期中为稳定的。在某些形式中,气道入口的压力会在单个呼吸循环中有几个厘米水压的差异,例如在吸气时候比较高,而在呼气时候比较低。在某些形式中,压力会在患者不同的呼吸循环 之间发生变化,例如,在响应于部分气道阻塞的指示检测时增加,在没有部分气道阻塞的指示下降低。
PAP装置方面
气体回路:导管或管用于在PAP装置以及患者接口之间输送可呼吸气体。特别地,气体导管可与气动块的出口以及患者接口为流体连接。该气体回路可称为气体输送管。在某些情况下,具有用于吸气和呼气的分开的支管回路。
鼓风机或气流发生器:以高于大气压力来输送气流的装置。
控制器:基于输入来调节输出的装置或装置的一部分。例如,其中一种形式的控制器为可变化的,期在构成装置输入的可变化控制下进行控制。装置的输出为控制可变化的当前数值,以及对可变化的设置点。伺服通风器可包括具有通风的控制器作为输入,目标通风作为设置点,压力支撑水平作为输出。其它形式的输入可为一个或多个血氧饱和度,部分二氧化碳压力(PCO2),运动,来自光电血管容积图的信号,以及峰流。控制器的设置点可为一个或多个固定的,可变化的或已知的。例如,通风器的设置点可为患者长期平均测量通风。其它的通风器可为随着时间改变的通风设置点。压力控制器可设置为控制鼓风机或泵,以在特定压力下输送气体。
治疗:本发明下的治疗可为一个或多个正压治疗,氧气治疗,二氧化碳治疗,死空间的控制,以及药物的服用。
气道正压(PAP)装置:以对气道提供正压气体的装置。
变换器:用于将一种形式的能量转换成另一种形式的装置。变换器可为用于将机械能(例如运动)转化成电子信号的传感器或检测器。变换器的例子包括压力传感器,流传感器,二氧化碳(CO2)传感器,氧气传感器(O2),用力传感器,运动传感器,噪音传感器,体积描记器以及相机。
呼吸循环的方面
呼吸暂停:当气流在一段期间,例如10秒钟内下降低于预设阈值时,称为呼吸暂停。阻塞性呼吸暂停被认为是当尽管患者用力,某些气道的阻塞不能通过气 流时发生。中枢性呼吸暂停被认为是当检测到呼吸暂停时发生,该呼吸暂停是呼吸费力减少,或没有呼吸费力而导致的。
呼吸速率:患者自主呼吸的速率,一般以每分钟的呼吸来测量。
占空比:吸气时间Ti与总呼吸时间Ttot的比例。
用力(呼吸):自主呼吸的人尝试呼吸所做的努力。
呼吸循环的呼气部分:从呼气气流的开始到吸气气流开始的期间。
限流:优选地,当患者用力的增加没有导致相应的气流增加时,这时的状态被认为是限流。当在呼吸循环的吸气部分期间发生限流时,可称为吸气限流。当在呼吸期间的呼气部分发生限流时可称为呼气限流。
呼吸不足:优选地,呼吸不足可认为是气流的下降,不是气流的停止。在一种形式中,呼吸不足可被认为在一段期间内当气流的下降低于阈值时发生的。在成人的一种形式中,以下的任意一种被认为是呼吸不足:
(i)在至少10秒内患者呼吸有30%的下降,加上相关的4%的去饱和;或
(ii)患者呼吸减少长达至少10秒钟,具有至少3%的去饱和或唤醒。
呼吸过渡:气流的增加至高于正常流量的水平。
呼吸循环的吸气部分:优选地,吸气流的开始至呼气流的开始的期间被认为是呼吸循环的吸气部分。
通畅(气道):气道打开的程度。患者气道为打开的。气道畅通可量化。例如,数值1代表打开,数值0表示关闭。
呼吸流,气流,患者气流,呼吸气流(Qr):这些同义术语可被理解为对呼吸气流的PAP装置的呼吸气流的估计,相对于“真呼吸流”或“真呼吸气流”,期为患者所经历的实际呼吸流,一般以升/分钟来表示。
上气道阻塞(UAO):包括部分和全部的上气道阻塞。这与限流的状态有关,在该限流状态中,流水平只稍微增加或由于上气道的压力差增加而甚至下降(斯塔林电阻)。
PAP装置参数
流速:每个单元时间中气体输送的瞬时体积(或质量)。当流速和通气在每单元时间内具有相同的体积或质量大小时,流速在更短的时间周期内进行测量。流一般表面上对患者的呼吸循环中的吸气部分为正,而因此对患者呼吸循环中的呼气部分为负。在某些情况下,对流速的提及将涉及刻度的量,也就是说仅有大小的数量。在其它情况下,流速的提及一般涉及向量数量,也就是说具有大小和方向的数量。流以符号Q表示。总流Qt是离开PAP装置的气流。通气流Qv是离开通风口以冲刷呼气气体的气流。渗漏流,Ql是从患者接口系统中无意渗漏的流速。呼吸流,Qr是患者呼吸系统所接受的气流。
渗漏:优选地,渗漏的意思是到大气中的气流。渗漏可以是有意的,例如允许呼出CO2的洗刷。渗漏可以是无意的,例如,面罩和患者面部之间没有完全密封。
压力:单元面积的力。压力可在单元的范围下进行测量,包括cmH2O,g-f/cm2,1cmH2O等于1g-f/cm2,并接近于0.98百帕。在该说明书中,除非另有说明,压力的单位是cmH2O。对于OSA的经鼻CPAP治疗,对治疗压力的涉及为对约4-20cmH2O,或约4-30cmH2O压力范围的涉及。患者接口的压力为符号Pm。
呼吸系统的解剖
隔膜:一片延伸跨越胸腔底部的肌肉。该隔膜将胸腔,包括心脏,肺和肋骨从腹腔处分离。如果隔膜收缩了胸腔的容积,增加了引入到肺部的气体。
喉:喉或语音箱带容纳声带,并将咽部(下咽部)与气管连接。
肺:人类呼吸的器官。肺的传导区域包括气管,支气管和细支气管,以及终末细支气管。该呼吸区域包括呼吸支气管,肺泡管以及肺泡。
鼻腔:鼻腔(或鼻窝)为脸中间鼻子之上和之后的较大气体填充空间该鼻腔分成两个称为鼻中隔的垂直尾翼。在鼻腔侧的为三个水平向外生长物,称为鼻甲 (奇异“鼻甲”)或鼻甲。到鼻腔前部的是鼻子,当后边弯曲时,通过鼻后腔,到达鼻咽。
咽:位于低于(之下)鼻腔的喉咙部分,其高于食管和喉。该咽一般分成三个部分:鼻咽(上咽)(咽的鼻部分),以及口咽(中咽部)(咽的口腔的一部分),和咽喉(咽部)。
其它描述
本发明的一部分公开包括受到版权保护的材料。版权持有者并没有反对任何专利文件或专利公开人的重复,正如这些文件在专利和商标局中存档的一样,但保留所有版权。
除非文中清楚指明,并且提供了一系列的数值范围,应当明白,每个间隔值,一直到下限单位的第十位,位于范围的上线和下限之间,以及任何其它的或介入值都涵盖在本技术之内。这些独立地包含于介入范围之内的介入范围的上限和下限都在本技术之内,以声明范围内的任何特定的排除极限为准。其中的声明范围包括一个或两个极限,在一个或两个那些所包括期限之外的范围同样包括在本技术中。
此外,在此所述的数值或多个数值在本技术中实施时,应当明白这些数值为接近的,除非另有说明,这种数值可用于任何其它合适的显著数字,以到达实际技术实施可允许或需要的程度。
除非另有限定,在此所用的所有技术和科技用语对本技术所属的普通技术人员来说具有相同的意思。尽管与此相似或等同的任何方法和材料还可在实施或测试本技术中使用,在此描述了示例方法的限制数量和材料。
当确认特定的材料可优选地用于构件部件时,具有相似性质的替代性材料可用作替代物。此外,除非反向说明,在此所述的任何以及所有的部件都应当理解为可进行生产,也同样地可用于一起或分开生产。
应当注意,如在此所使用以及在权利要求中所使用的,单数形式的词“一个”包括其复数等同物,除非文中另有说明。
在此提及的公开物通过参考性来引入,以公开这些公开物中主题性的所述方法和/或材料。所述的这些公开物仅针对在本申请申请日之前的公开物。在此没有应当理解成对本申请不可享受通过优先权来早于这些出版物的承认。此外,公开物的日期可不同于实际的公开日,其应当单独地进行确认。
此外,在解释公开中,所有的术语应当以最宽的与上下文一致的方式来解释。术语非限制性地“包含”和“包括”应当理解为指代元件,部件或步骤,指示所提起的元件,部件,或步骤为在场的,或经过利用的,或与没有提及的其它元件,部件或步骤结合的。
文中的标题仅对于读者的理解作出的,并非用于限制本公开或权利要求的主体名称。主体标题不应该用于构造权利要求的范围。
尽管在此的技术针对特定的实施例,但应当明白这些实施例只是原则和技术的示例。在某些情况下,术语和符号仅暗示本发明不需要的特定细节。例如,可使用术语“第一”和“第二”,除非另有说明,它们并非用于指明任何顺序,仅用于区分特定元件。此外,尽管方法中的过程步骤可以以一种顺序来描述或说明,这种顺序并非需要的。本领域的技术人员认识到这种顺序可进行修改和/或其方面可同时或甚至同步进行。
因此,在不偏离本发明精神和技术的前提下可对本申请的示例实施例以及其它的结构进行多个修改。
附图标记
[6]患者 | [7]1000 |
[8]传感器单元 | [9]1200 |
[10]患者接口 | [11]3000 |
[12]PAP装置 | [13]4000 |
[14]外部壳 | [15]4010 |
[16]上部 | [17]4012 |
[18]部分 | [19]4014 |
[20]板 | [21]4015 |
[22]底架 | [23]4016 |
[24]把手 | [25]4018 |
[26]气动块 | [27]4020 |
[28]气动部件 | [29]4100 |
[30]气体导管 | [31]4170 |
[32]电气部件 | [33]4200 |
[34]过程 | [35]4300 |
[36]加湿器 | [37]5000 |
[38]蓄水池 | [39]5110 |
[40]加热板 | [41]5120 |
[42]设备 | [43]7000 |
[44]微控制器单元MCU | [45]7001 |
[46]内存 | [47]7002 |
[48]运动信号 | [49]7003 |
[50]I信号 | [51]7003a |
[52]Q信号 | [53]7003b |
[54]通信回路 | [55]7004 |
[56]外部计算装置 | [57]7005 |
[58]处理器 | [59]7006 |
[60]连接 | [61]7008 |
[62]非接触式运动传感器 | [63]7010 |
[64]显示器装置 | [65]7015 |
[66]音频输出 | [67]7017 |
[68]发射器 | [69]7020 |
[70]接收器 | [71]7030 |
[72]本地振荡器 | [73]7040 |
[74]天线 | [75]7050 |
[76]信号 | [77]7060 |
[78]信号 | [79]7070 |
[80]混合器 | [81]7080 |
[82]方法 | [83]7100 |
[84]第一步骤 | [85]7110 |
[86]步骤 | [87]7120 |
[88]步骤 | [89]7130 |
[90]步骤 | [91]7140 |
[92]箭头 | [93]7145 |
[94]步骤 | [95]7150 |
[96]步骤 | [97]7160 |
[98]步骤 | [99]7170 |
[100]箭头 | [101]7175 |
[102]箭头 | [103]7178 |
[104]步骤 | [105]7180 |
[106]方法 | [107]7200 |
[108]步骤 | [109]7210 |
[110]步骤 | [111]7220 |
[112]步骤 | [113]7230 |
[114]预测方法 | [115]7300 |
[116]步骤 | [117]7310 |
[118]步骤 | [119]7320 |
[120]步骤 | [121]7330 |
[122]框图 | [123]7400 |
[124]模块 | [125]7410 |
[126]在场/缺席检测模块 | [127]7420 |
[128]睡眠/觉醒分析模块 | [129]7430 |
[130]呼吸速率估计模块 | [131]7440 |
[132]信号选择模块 | [133]7450 |
[134]调制周期度量计算模块 | [135]7455 |
[136]包络产生模块 | [137]7460 |
[138]SDB事件检测模块 | [139]7465 |
[140]SDB事件确认模块 | [141]7470 |
[142]特征计算模块 | [143]7480 |
[144]框图 | [145]7500 |
[146]运动检测模块 | [147]7510 |
[148]在场/缺席检测模块 | [149]7520 |
[150]睡眠/觉醒分析模块 | [151]7530 |
[152]呼吸速率估计模块 | [153]7540 |
[154]信号选择模块 | [155]7550a |
[156]信号选择模块 | [157]7550b |
[158]调制周期度量计算模块 | [159]7555 |
[160]包络产生模块 | [161]7560a |
[162]包络产生模块 | [163]7560b |
[164]SDB事件检测模块 | [165]7565a |
[166]SDB事件检测模块 | [167]7565b |
[168]SDB事件确认模块 | [169]7570a |
[170]SDB事件确认模块 | [171]7570b |
[172]特征计算模块 | [173]7580 |
[174]方法 | [175]7900 |
[176]步骤 | [177]7910 |
[178]步骤 | [179]7920 |
[180]步骤 | [181]7930 |
[182]步骤 | [183]7940 |
[184]附录A
K的范围从–CL/2到CL/2。
模板1:
其中
模板2:
模板3:t3[k]=t2[-k]
附录B
//在期间中提取每个特征的四分间距数据
[y05K y25K y50K y75K y95K]=Iq范围(K)
[y05HWL y25HWL y50HWL y75HWL y95HWL]=Iq范围(Hwl)
[y05ME y25ME y50ME y75ME y95ME]=Iq范围(ME)
[IR05IR25IR50IR75IR95]=Iq范围(IR)
//批量处理用于每个候选SDB事件的每个特征的过程和数据。
//建立检测事件的逻辑指数向量(1意味着SDB事件确认,否则为0)
指数=1(候选事件数量,1)
//保留其DOF值小于0.9的事件,即:非噪音或非箭状物类事件
指数=指数.*(DOF<.9);
//规则1:具有非常高AHI值的患者趋于具有非零值的y05K。
如果y05K~=0
如果y95HWL>8.5OR y95HWL<4.5
指数=指数.*(K<23.*K>5);
否则
//保留多数事件
指数=指数.*(K<33.*K>3.5);
结束
结束
//规则2:具有非常低AHI值的患者趋于所有0值的y05K y25K以及y50K,对于其它这些数值为非所有零值。
如果加和([y05K y25K y50K])==0
//尝试确定K<24但非零的SDB事件
指数=(指数.*(K<24)).*K>0
结束
//其余规则集中于具有中间AHI值的患者。
//规则3:主要集中于AHI<10,去除K>=12的事件,因为在此范围应该较小。
如果加和([y05K y25K])==0AND y75K*3>50
指数=(指数.*(K<12)).*K>0
结束
//规则4:主要集中于AHI<20的患者
如果加和([y05K y25K])==0AND y75K*3>30AND y95K>30
如果y95K>45
指数=(指数.*(K<12)).*K>4;
其它情况下
Index=(Index.*(K<22)).*K>0;
指数=(指数.*(K<22)).*K>0;
结束
结束
//规则5:主要集中在AHI<30的患者
如果(y25HWL<.2AND y25HWL>.075AND y25K<2)
指数=(指数.*(K<12)).*K>3
结束
//规则6:集中在AHI<50的患者,这里预计有宽范围,从AHI>=5到AHI<=50。
如果y05K==0AND y75K*3>30AND y75K*3<60AND y95K>30AND y95HWL>5AND y25HWL<.646%.45
如果y95K>38.55AND y95K<44AND y95ME>0.1AND y95ME<0.13
指数=(指数.*(K<12)).*K>5;
其它情况下,如果y95K>38.55AND y95ME>0.1
指数=(指数.*(K<40)).*K>2;
否则
指数=(Index.*(K<16)).*K>4;
指数=(Index.*(ME<0.08));
结束
结束
//规则7:主要针对AHI>30以及AHI<60的患者
如果y05K==0AND(y75K*2>y95K)
指数=指数.*(K<38-接近(y05K));
结束
//规则8:覆盖了上述没有覆盖的其它情况
如果加和([y05HWL y25HWL])~=0AND y95ME>=0.11
指数=(指数.*(K<20)).*K>4;
结束
如果加和([y05HWL y25HWL])==0AND y95ME<0.04
指数=(Index.*(K<15)).*K>4;
结束
//规则9:覆盖了不规则因子的范围
指数=指数.*(IR<max(IR95/2,.8));
附录C
//提取每个特征的四分间距描述器
[STDP05STDP25STDP50STDP75STDP95]=Iq范围加上(STDPSD);
[PLV05PLV25PLV50PLV75PLV95]=Iq范围加上(PLV);
[Fmax05Fmax25Fmax50Fmax75Fmax95]=Iq范围加上(Fmax);
[CP05CP25CP50CP75CP95]=Iq范围加上(CP);
[CWL05CWL25CWL50CWL75CWL95]=Iq范围加上(CWL);
//对确定的SDB事件建立逻辑指数向量(1意味着该事件应该被标记为CSR事件,其它情况下为0)
指数CS=(CL<=90)&(CL>=30);
指数CS=指数CS.*(ZC>=6&ZC<=40);
指数CS=指数CS.*(MD<=1.3&MD>=.1);
指数CS=指数CS.*(K<=30);
指数CS=指数CS.*(DOF>=0.35&DOF<.9);
指数CS=指数CS.*(STDPSD<=(min(100,STDP75*((STDP75-STDP50)<500))));
指数CS=指数CS.*(Fmax>=max(Fmax50-Fmax25,0.15));
指数CS=指数CS.*(PLV>=PLV50+0.05);
指数CS=指数CS.*(RT>=0.22&VentlLength>15);
指数CS=指数CS.*(CP<=0.95*mean([CP75CP95]));
指数CS=以及(指数CS,CWL<10&CWL>(max(1,CWL25/1.2*(CWL25>1)+CWL50/2.2*(CWL25<1))))。
Claims (91)
1.一种心肺健康监控设备,包括:
非接触式运动传感器,其用于产生代表患者在监控会话期间的身体运动的一个或多个运动信号;
处理器;以及
内存,其存储有程序指令,这些程序指令用于使所述处理器执行一种处理所述一个或多个运动信号的方法,所述方法包括:
从一个或多个运动信号中提取一个或多个睡眠障碍性呼吸特征,以及
基于该一个或多个睡眠障碍性呼吸特征,来预测临床事件是否可能在预设的预测范围内发生。
2.根据权利要求1所述的心肺健康监控设备,其特征在于,所述非接触式运动传感器、所述处理器以及所述内存形成非接触传感器单元的一部分。
3.根据权利要求1所述的心肺健康监控设备,其特征在于,所述处理器和所述内存形成计算装置的一部分,该计算装置位于所述非接触式运动传感器的外部。
4.根据权利要求2所述的心肺健康监控设备,其特征在于,所述方法还包括根据所述预测,发送警报消息至一外部计算装置。
5.根据权利要求1-4中任一项所述的心肺健康监控设备,其特征在于,还包括显示器,其中所述方法还包括根据所述预测,将警报消息显示在所述显示器上。
6.根据权利要求1-5中任一项所述的心肺健康监控设备,其特征在于,还包括音频输出,其中所述方法还包括根据所述预测,通过所述音频输出来产生警报。
7.根据权利要求1-6中任一项所述的心肺健康监控设备,其特征在于,所述非接触式运动传感器为射频运动传感器。
8.根据权利要求7所述的心肺健康监控设备,其特征在于,所述射频运动传感器用于基于彼此相互正交的各传输的射频信号来产生两个运动信号。
9.根据权利要求8所述的心肺健康监控设备,其特征在于,所述方法包括在提取之前将两个运动信号结合成一结合的运动信号。
10.根据权利要求8所述的心肺健康监控设备,其特征在于,其中所述方法包括在预测之前,将从每个运动信号中提取的睡眠障碍性呼吸特征结合起来。
11.根据权利要求1-10中任一项所述的心肺健康监控设备,其特征在于,所述处理器还用于从由接触运动传感器获得的一个或多个运动信号中提取特征。
12.根据权利要求1-11中任一项所述的心肺健康监控设备,其特征在于,所述处理器还用于从与患者的心肺健康有关的数据中提取特征,该数据从非运动传感器获得。
13.心肺健康监控设备,包括:
至少一个传感器,其适于产生与患者心肺健康有关的数据;
显示器;以及
控制器,其与所述至少一个传感器连接,所述控制器用于:
在一个或多个监控会话期间分析传感器数据;
基于所述分析,触发至少一个询问在显示器上的生成,该询问用于提示提示患者作出响应;
并且
基于输入到控制器的患者对所述询问的响应,触发临床警报的生成。
14.根据权利要求13所述的心肺健康监控设备,其特征在于,还包括内存,该内存包括问题的数据结构,每个问题与至少一个呼吸参数的可检测状况有关。
15.根据权利要求14所述的心肺健康监控设备,其特征在于,一个问题解决用药依从性。
16.根据权利要求14所述的心肺健康监控设备,其特征在于,一个问题解决膳食依从性。
17.根据权利要求14-16中任一项所述的心肺健康监控设备,其特征在于,所述控制器还用于响应呼吸参数的检测状况来选择第一问题,并基于对该第一问题的响应,在产生临床警报之前、在后续的监控会话期间继续分析该至少一个呼吸参数。
18.根据权利要求17所述的心肺健康监控设备,其特征在于,所述控制器还用于在后续的监控会话之后触发临床警报的生成,且所述临床警报的生成是基于对控制器所产生的第二问题的患者响应的。
19.根据权利要求13-18中任一项所述的心肺健康监控设备,其特征在于,所述控制器还用于基于对至少一个询问的患者响应,来调节PAP装置的治疗控制参数,该PAP装置用于产生到患者接口的可呼吸气流。
20.根据权利要求13-19中任一项所述的心肺健康监控设备,其特征在于,所述临床警报的生成的触包括在显示器上显示警报。
21.根据权利要求13-20中任一项所述的心肺健康监控设备,其特征在于,还包括通信装置,其中临床警报的生成的触发包括从通信装置处传输电子信息。
22.根据权利要求13-21中任一项所述的心肺健康监控设备,其特征在于,所述分析包括从数据中提取与患者的心肺健康有关的特征。
23.根据权利要求22所述的心肺健康监控设备,其特征在于,所述数据为代表患者运动的运动信号,且所述特征为睡眠障碍性呼吸特征。
24.根据权利要求23所述的心肺健康监控设备,其特征在于,所述分析还包括基于所提取的特征,预测临床事件是否可能会在预设的预测范围内发生。
25.一种心肺健康监控设备,包括:
至少一个传感器,其适于产生与患者的心肺健康有关的数据;以及
控制器,其与所述至少一个传感器连接,所述控制器用于:
在一个或多个监控会话期间从所述数据中测量至少一个呼吸参数;
分析该至少一个呼吸参数;以及
基于所述预测来产生潜在的复发警报。
26.根据权利要求25所述的心肺健康监控设备,其特征在于,所述至少一个呼吸参数包括呼吸速率。
27.根据权利要求25所述的心肺健康监控设备,其特征在于,所述至少一个呼吸参数包括通气的测量值。
28.根据权利要求25-27中任一项所述的心肺健康监控设备,其特征在于,所述至少一个呼吸参数的分析包括对在一个或多个监控会话期间所述至少一个呼吸参数的变化的评估。
29.根据权利要求25-28中任一项所述的心肺健康监控设备,其特征在于,所述至少一个呼吸参数的分析包括计算复发发生的概率。
30.根据权利要求25-28中任一项所述的心肺健康监控设备,其特征在于,所述至少一个呼吸参数的分析包括计算布尔值的潜在复发指标。
31.根据权利要求30所述的心肺健康监控设备,其特征在于,所述计算包括将所述一个或多个呼吸参数的改变与各自的阈值进行对比。
32.根据权利要求25-31中任一项所述的心肺健康监控设备,其特征在于,所述潜在复发警报的生成包括在显示器上显示潜在的复发警报。
33.根据权利要求25-32中任一项所述的心肺健康监控设备,其特征在于,所述潜在复发警报的生成包括将潜在的复发警报发送至设备的用户。
34.根据权利要求25-33中任一项所述的心肺健康监控设备,其特征在于,所述数据为代表患者运动的运动信号,而所述呼吸参数为睡眠障碍性呼吸特征。
35.一种心肺健康监控设备,其包括:
非接触式传感器单元,包括非接触式运动传感器,其用于产生一个或多个代表患者身体运动的运动信号;
处理器,以及
内存,其存储程序指令,这些程序指令用于使所述处理器执行一种处理该一个或多个运动信号的方法,所述方法包括:
从监控会话期间的一个或多个运动信号中提取一个或多个睡眠障碍性呼吸特征,该睡眠障碍性呼吸特征指示着监控会话期间患者的睡眠障碍性呼吸的严重性。
36.根据权利要求35所述的心肺健康监控设备,其特征在于,所述方法还包括根据所提取的睡眠障碍性呼吸特征,将警报信息发送至外部计算装置。
37.根据权利要求35或36所述的心肺健康监控设备,其特征在于,所述方法还包括根据所提取的睡眠障碍性呼吸特征,将警报信息显示在显示器上。
38.根据权利要求35-37中任一项所述的心肺健康监控设备,其特征在于,还包括音频输出,其中所述方法还包括根据所提取的睡眠障碍性呼吸特征,通过音频输出来生成警报。
39.根据权利要求35-38中任一项所述的心肺健康监控设备,其特征在于,所述一个或多个睡眠障碍性呼吸特征包括选自下组的多个特征:
呼吸暂停/呼吸不足指数;
总的睡眠时间;
潮式呼吸事件的总持续时间与总的睡眠时间之比;以及
潮式呼吸事件的总持续时间与监控会话持续时间之比。
40.监控患者心肺健康的方法,所述方法包括:
从代表患者身体运动的一个或多个运动信号中提取一个或多个睡眠障碍性呼吸(SDB)的特征,该运动信号由针对患者的非接触式运动传感器在至少一个监控会话期间所产生,以及基于所述一个或多个SDB特征,预测临床事件是否可能在预设的预测范围内发生。
41.根据权利要求40所述的方法,其中的提取包括:
选择运动信号中的睡眠和呼吸部分,
检测在该睡眠和呼吸部分的SDB事件,以及
从所检测的SDB事件中计算SDB特征。
42.根据权利要求41所述的方法,其特征在于,所述提取包括对运动信号进行第一预处理。
43.根据权利要求42所述的方法,其特征在于,所述运动信号的数量为2,且所述预处理包括对该两个运动信号进行第一结合。
44.根据权利要求43所述的方法,其特征在于,所述结合包括:
去除每个运动信号的平均值,
计算每个运动信号的最小值,
计算样本向量的长度,所述样本向量在每个样本中的分量为各运动信号到其各最小值的距离,以及
去除在每个样本处的长度的平均值。
45.根据权利要求42-44中任一项所述的方法,其特征在于,所述预处理包括对每个运动信号进行去趋势化。
46.根据权利要求41-45中任一项所述的方法,其特征在于,所述选择进一步包括选择质量好的睡眠和呼吸部分。
47.根据权利要求46所述的方法,其特征在于,质量好的部分包括这样的部分:其中,运动信号在该部分中的品质因数超过该部分的噪音阈值。
48.根据权利要求47所述的方法,其特征在于,所述品质因数为运动信号在该部分中的均方根(RMS)值。
49.根据权利要求47所述的方法,其特征在于,所述品质因数为运动信号在该部分中的RMS值的分布的第75个百分位数。
50.根据权利要求47-49中任一项所述的方法,其特征在于,所述部分的噪音阈值为运动传感器的最大噪音值和在该部分中运动信号的RMS值分布的百分数二者之中的较小值。
51.根据权利要求41-50中任一项所述的方法,其特征在于,所述睡眠和呼吸部分包括患者在其间睡着了且没有执行整个身体运动的那些部分。
52.根据权利要求51所述的方法,其特征在于,患者睡着了的部分包括患者在场的时期,在该时期内运动信号的波形长度值小于阈值。
53.根据权利要求51所述的方法,其特征在于,患者睡着了的部分包括被LDA分类器标记为睡着的时期,其中该LDA分类器用于基于针对一时期的活动计数系列和运动标记系列,来对每个时期进行标记。
54.根据权利要求53所述的方法,其特征在于,其中的活动计数系列是通过对所述时期内的一个或多个间隔上的运动信号的包络进行积分来获得。
55.根据权利要求51-54中任一项所述的方法,其特征在于,患者睡着了且没有进行全身运动的部分包括这样的部分:其中患者睡着了,且指示全身运动的运动标记系列为假。
56.根据权利要求53-55中任一项所述的方法,其特征在于,所述运动标记系列通过以下来获得:
对运动信号的每个样本计算噪音特征、相关性特征以及功率特征;以及
如果样本的噪音特征高于高阈值,且对应的相关性以及功率特征低于低阈值,则将每个样本的运动标记设置为真,否则将运动标记设置为假。
57.根据权利要求51-56中任一项所述的方法,其特征在于,患者睡着了且没有进行全身运动的部分包括患者睡着了的时期,且该时期内的运动信号的偏差超过监控会话的阈值。
58.根据权利要求52所述的方法,其特征在于,患者在场的时期为这样的时期:其中运动信号在该时期内的均方根值超过仅噪音阈值。
59.根据权利要求41-58中任一项所述的方法,其特征在于,检测的SDB事件包括:
通过将运动信号的每个所选部分的呼吸费力包络与一个或多个呼吸费力模板进行关联,来计算相关性特征,并且
在所述相关性特征超过第一阈值以一持续时间时,检测出SDB事件,所述持续时间大于第二阈值。
60.根据权利要求59所述的方法,其特征在于,所述相关性特征为呼吸费力模板上的相关性值的最大值。
61.根据权利要求59或60所述的方法,其特征在于,所述呼吸费力模板为各自的同类模板,其持续时间通过在监控会话期间为患者估计的平均呼吸调制周期长度来进行缩放。
62.根据权利要求61所述的方法,其特征在于,所述呼吸调制周期长度估计为呼吸费力包络的功率谱图密度中峰频率的倒数的加权平均值,该呼吸费力包络为所选部分内一个或多个宏时期上计算得到。
63.根据权利要求62所述的方法,其特征在于,所述的加权取决于各自峰的高度。
64.根据权利要41-63中任一项所述的方法,其特征在于,该检测的SDB事件包括:
计算在主窗口上每个所选部分的呼吸费力包络的平均值,
将基线计算为围绕着主窗口的两个窗口上的呼吸费力包络的平均值,以及
如果相对于计算的基线,在主窗口上的呼吸费力包络平均值满足呼吸暂停标准或呼吸不足标准时,则检测到SDB事件。
65.根据权利要41-64中任一项所述的方法,其特征在于,所述方法还包括将每个检测的SDB事件确定为有效的SDB事件。
66.根据权利要65所述的方法,其特征在于,所述确定包括验证:与对应于每个检测事件的呼吸费力包络的最小值相邻的呼吸过度部分具有大于最小值的持续时间。
67.根据权利要65所述的方法,其特征在于,所述确定还包括验证:在大于患者调制周期长度的五分之一的时间中该呼吸费力包络下降低于呼吸暂停阈值。
68.根据权利要65所述的方法,其特征在于,所述确定包括:
从对应于每个候选SDB事件的运动信号中计算一个或多个特征,以及
对该一个或多个计算特征应用基于规则的推理引擎,以确定是否确认每个检测的SDB事件。
69.根据权利59,64和66中的任一项所述的方法,其特征在于,通过对复杂数值信号的模量进行低通滤波,来对所选部分计算呼吸费力包络,该复杂数值信号模量的实部为所选部分的运动信号,且其虚部为该部分的运动信号的希尔伯特变换。
70.根据权利59,64和66中的任一项所述的方法,其特征在于,为所选部分将呼吸费力包络计算为所选部分的运动信号的希尔伯特变换的经验模态分解。
71.根据权利59,64和66中的任一项所述的方法,其特征在于,通过对所选部分的运动信号应用双重最大值并保持滤波器,以计算正包络和负包络,并从正包络中减去负包络,来为所选部分计算呼吸费力包络。
72.根据权利41-47中的任一项所述的方法,其特征在于,所述计算包括对监控会话期间的所检测SDB事件的数据进行计算。
73.根据权利72所述的方法,其特征在于,所述计算还包括为监控会话的多个子会话中的每一个计算所检测的SDB事件的数据。
74.根据权利73所述的方法,其特征在于,所述子会话为监控会话期间主睡眠周期的一半。
75.根据权利73所述的方法,其特征在于,所述子会话为监控会话的四分位。
76.根据权利72-75中任一项所述的方法,其特征在于,所述计算包括对多个监控会话期间的检测SDB事件的数据进行计算。
77.根据权利72-76中任一项所述的方法,其特征在于,所述计算还包括将一滑动窗口上的所计算的SDB特征标准化至零均值以及统一标准差,所述滑动窗口包括位于之前的多个监控会话并包括所述监控会话。
78.根据权利要求77所述的方法,其特征在于,所述滑动窗口包括监控会话位于之前的全部监控会话并包括所述所述监控会话。
79.根据权利要求40-78中任一项所述的方法,其特征在于,所述预测包括使用分类器,以将SDB特征分类成“无事件发生”类或“事件发生”类。
80.根据权利要求79所述的方法,其特征在于,所述分类器为线性判别分析分类器。
81.根据权利要求79所述的方法,其特征在于,所述分类器应用于SDB特征的一个或多个主要分量。
82.根据权利要求40-78中任一项所述的方法,其特征在于,所述预测包括对SDB特征的一个或多个主要分量应用启发式规则。
83.根据权利要求40-82中任一项所述的方法,其特征在于,还包括:
基于所述预测,触发至少一个询问在显示器上的生成,所述询问用于提示提示患者作出响应;以及
基于患者对询问的响应,来触发临床警报的生成。
84.根据权利要求40-82中任一项所述的方法,其特征在于,还包括基于所述预测来生成潜在的复发警报。
85.监控患者心肺健康的方法,包括:
分析与患者心肺健康相关的数据;
基于所述分析,触发至少一个询问在显示器上的生成,所述询问用于提示提示患者作出响应;以及
基于患者对询问的响应来触发临床警报的生成。
86.监控患者心肺健康的方法,包括:
在一个或多个监控会话期间从与患者心肺健康有关的数据中测量至少一个呼吸参数;
分析所述至少一个呼吸参数;以及
基于对该至少一个呼吸参数的分析,来生成潜在的复发警报。
87.一种监控患者心肺健康的方法,包括:
从一个或多个代表患者身体运动的运动信号中提取一个或多个睡眠障碍性呼吸特征,所述运动信号是在至少一个监控会话期间由针对患者的非接触式运动传感器生成的,所述睡眠障碍性呼吸特征指示着患者在监控会话期间的睡眠障碍性呼吸的严重性。
88.一种计算机可读介质存储程序指令,用于使处理器执行监控患者心肺健康的方法,所述方法包括:
从代表患者身体运动的一个或多个运动信号中提取一个或多个睡眠障碍性呼吸(SDB)特征,所述运动信号是在至少一个监控会话期间由针对患者的非接触式运动传感器生成的,以及基于所述一个或多个SDB特征,预测临床事件是否可能在预设的预测范围内发生。
89.一种计算机可读介质存储程序指令,用于使处理器执行监控患者心肺健康的方法,所述方法包括:
分析与患者心肺健康有关的数据;
基于所述分析,触发至少一个询问在显示器上的生成,该询问用于提示提示患者作出响应;以及
基于患者对询问的响应,触发临床警报的生成。
90.一种计算机可读介质存储程序指令,用于使处理器执行监控患者心肺健康的方法,所述方法包括:
在一个或多个监控会话期间内,从与患者的心肺健康有关的数据中测量至少一个呼吸参数;
分析该至少一个呼吸参数;以及
基于该至少一个呼吸参数的分析来生成潜在的复发警报。
91.一种计算机可读介质存储程序指令,用于使处理器执行监控患者心肺健康的方法,所述方法包括:
从一个或多个代表患者身体运动的运动信号中提取一个或多个睡眠障碍性呼吸特征,所述运动信号在至少一个监控会话期间内,由针对患者的非接触式运动传感器生成,该睡眠障碍性呼吸特征指示在监控会话期间内患者睡眠障碍性呼吸的严重性。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211678094.9A CN115813368A (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
CN201910792858.9A CN110720918B (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IE20120254 | 2012-05-30 | ||
IE2012/0254 | 2012-05-30 | ||
AU2012902693A AU2012902693A0 (en) | 2012-06-26 | Methods and Apparatus for Monitoring and Treating Respiratory Insufficiency | |
AU2012902693 | 2012-06-26 | ||
AU2012905221A AU2012905221A0 (en) | 2012-11-30 | Method and Apparatus for the Detection and Treatment of Respiratory Disorders | |
AU2012905221 | 2012-11-30 | ||
AU2013901482A AU2013901482A0 (en) | 2013-04-29 | Method and apparatus for predicting cardio-pulmonary events | |
AU2013901482 | 2013-04-29 | ||
PCT/AU2013/000564 WO2013177621A1 (en) | 2012-05-30 | 2013-05-30 | Method and apparatus for monitoring cardio-pulmonary health |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211678094.9A Division CN115813368A (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
CN201910792858.9A Division CN110720918B (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104736055A true CN104736055A (zh) | 2015-06-24 |
Family
ID=49672180
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380040871.XA Pending CN104736055A (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
CN201910792858.9A Active CN110720918B (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
CN202211678094.9A Pending CN115813368A (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910792858.9A Active CN110720918B (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
CN202211678094.9A Pending CN115813368A (zh) | 2012-05-30 | 2013-05-30 | 用于监控心肺健康的方法和设备 |
Country Status (6)
Country | Link |
---|---|
US (3) | US10426380B2 (zh) |
EP (3) | EP3639733B1 (zh) |
JP (4) | JP6655991B2 (zh) |
CN (3) | CN104736055A (zh) |
AU (2) | AU2013270443B2 (zh) |
WO (1) | WO2013177621A1 (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924606A (zh) * | 2015-08-10 | 2018-04-17 | 柯尼卡美能达株式会社 | 被监视者监视系统、监视信息画面显示装置及方法 |
CN108304912A (zh) * | 2017-12-29 | 2018-07-20 | 北京理工大学 | 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法 |
CN108697335A (zh) * | 2016-02-25 | 2018-10-23 | 三星电子株式会社 | 利用信号分析来检测活体组织的方法和设备 |
CN108882892A (zh) * | 2016-03-31 | 2018-11-23 | Zoll医疗公司 | 跟踪患者运动的系统和方法 |
CN109009222A (zh) * | 2018-06-19 | 2018-12-18 | 杨成伟 | 面向心脏病类型和严重程度的智能评估诊断方法及系统 |
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN110099601A (zh) * | 2016-10-14 | 2019-08-06 | 费森瑟有限公司 | 检测呼吸参数并提供生物反馈的系统和方法 |
CN110151156A (zh) * | 2019-04-07 | 2019-08-23 | 西安电子科技大学 | 一种基于窗内自动加权平均算法的胎心率提取方法及系统 |
CN110236556A (zh) * | 2018-03-08 | 2019-09-17 | 松下电器(美国)知识产权公司 | 在不在判定方法、非瞬时性记录介质、传感器处理系统及传感器系统 |
CN110520043A (zh) * | 2016-12-05 | 2019-11-29 | 梅迪平斯公司 | 使用呼吸气体样品进行呼吸测量的系统和方法 |
WO2020037599A1 (zh) * | 2018-08-23 | 2020-02-27 | 深圳迈瑞生物医疗电子股份有限公司 | 医疗设备、呼吸暂停事件监测方法和装置 |
CN111278355A (zh) * | 2017-08-11 | 2020-06-12 | 理思科技有限责任公司 | 早期鉴定慢性阻塞性肺疾病的复发的方法 |
CN111432715A (zh) * | 2017-12-07 | 2020-07-17 | 柯惠有限合伙公司 | 闭环报警管理 |
CN111462863A (zh) * | 2020-04-14 | 2020-07-28 | 赣州市全标生物科技有限公司 | 营养自查与膳食推荐方法及系统 |
CN111820871A (zh) * | 2019-04-17 | 2020-10-27 | 联发科技股份有限公司 | 生理状态监测装置及相关方法 |
CN112043251A (zh) * | 2020-09-30 | 2020-12-08 | 深圳市艾利特医疗科技有限公司 | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 |
CN112788985A (zh) * | 2018-10-01 | 2021-05-11 | 皇家飞利浦有限公司 | 用于在睡眠分阶段中使用呼吸事件的系统和方法 |
CN113347917A (zh) * | 2019-01-29 | 2021-09-03 | 皇家飞利浦有限公司 | 用于生成呼吸警报的方法和系统 |
CN113368403A (zh) * | 2021-06-24 | 2021-09-10 | 深圳市恒康泰医疗科技有限公司 | 一种可以提高心肺功能的智能理疗系统 |
CN113383395A (zh) * | 2018-10-22 | 2021-09-10 | 皇家飞利浦有限公司 | 用于睡眠障碍识别的决策支持软件系统 |
CN113499060A (zh) * | 2015-10-07 | 2021-10-15 | 普莱柯迪尔公司 | 用于产生指示心脏状况的信息的方法和设备 |
CN113710151A (zh) * | 2018-11-19 | 2021-11-26 | 瑞思迈传感器技术有限公司 | 用于检测呼吸障碍的方法和设备 |
Families Citing this family (95)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8437843B1 (en) | 2006-06-16 | 2013-05-07 | Cleveland Medical Devices Inc. | EEG data acquisition system with novel features |
US9202008B1 (en) * | 2007-06-08 | 2015-12-01 | Cleveland Medical Devices Inc. | Method and device for sleep analysis |
US10426399B1 (en) * | 2007-06-08 | 2019-10-01 | Cleveland Medial Devices Inc. | Method and device for in-home sleep and signal analysis |
US8826473B2 (en) | 2011-07-19 | 2014-09-09 | Hill-Rom Services, Inc. | Moisture detection system |
CN104736055A (zh) * | 2012-05-30 | 2015-06-24 | 瑞思迈传感器技术有限公司 | 用于监控心肺健康的方法和设备 |
US10525219B2 (en) | 2012-06-26 | 2020-01-07 | Resmed Sensor Technologies Limited | Methods and apparatus for monitoring and treating respiratory insufficiency |
EP3111351B1 (en) * | 2014-02-27 | 2023-12-20 | Technion Research & Development Foundation Ltd. | Device and method for monitoring respiratory effort using energy index |
DE102014003542B4 (de) * | 2014-03-12 | 2021-09-30 | Drägerwerk AG & Co. KGaA | Verfahren und Vorrichtung zur Erzeugung eines Alarms während einer maschinellen Patientenbeatmung |
WO2015179911A1 (en) | 2014-05-26 | 2015-12-03 | Resmed Sensor Technologies Limited | Methods and apparatus for monitoring chronic disease |
US9931483B2 (en) * | 2014-05-28 | 2018-04-03 | Devilbiss Healtcare Llc | Detection of periodic breathing during CPAP therapy |
WO2016022823A2 (en) * | 2014-08-07 | 2016-02-11 | Board Of Regents Of The University Of Nebraska | Systems and techniques for estimating the severity of chronic obstructive pulmonary disease in a patient |
TWI549090B (zh) * | 2014-08-29 | 2016-09-11 | Portable sensing operation device | |
JP6676877B2 (ja) * | 2015-03-09 | 2020-04-08 | 富士通株式会社 | 食事時間推定方法、食事時間推定装置及び食事時間推定プログラム |
EP4364655A2 (en) * | 2015-03-13 | 2024-05-08 | ResMed Pty Ltd | Respiratory therapy apparatus and method |
CN104757967A (zh) * | 2015-04-27 | 2015-07-08 | 张政波 | 心肺耦合反馈方法及其装置 |
EP3294115B1 (en) * | 2015-05-13 | 2024-04-10 | ResMed Pty Ltd | Systems and methods for screening, diagnosis, and monitoring of sleep-disordered breathing |
US10542961B2 (en) | 2015-06-15 | 2020-01-28 | The Research Foundation For The State University Of New York | System and method for infrasonic cardiac monitoring |
EP3340876A2 (en) | 2015-08-26 | 2018-07-04 | ResMed Sensor Technologies Limited | Systems and methods for monitoring and management of chronic disease |
WO2017097907A1 (en) * | 2015-12-08 | 2017-06-15 | Resmed Limited | Non-contact diagnosis and monitoring of sleep disorders |
WO2017119638A1 (ko) * | 2016-01-08 | 2017-07-13 | 전남대학교산학협력단 | 실시간 수면장애 감시 장치 |
US10660577B2 (en) | 2016-04-01 | 2020-05-26 | Cardiac Pacamakers, Inc. | Systems and methods for detecting worsening heart failure |
AU2017260444B2 (en) | 2016-05-03 | 2019-05-09 | Pneuma Respiratory, Inc. | Droplet delivery device for delivery of fluids to the pulmonary system and methods of use |
WO2017212995A1 (ja) | 2016-06-09 | 2017-12-14 | コニカミノルタ株式会社 | 被監視者監視装置、該方法および該システム |
US10376221B2 (en) * | 2016-07-06 | 2019-08-13 | Biosense Webster (Israel) Ltd. | Automatic creation of multiple electroanatomic maps |
KR101897065B1 (ko) * | 2016-07-20 | 2018-09-12 | 한국과학기술연구원 | 스마트 섬유를 이용한 카펫 시스템 |
EP3525671A4 (en) | 2016-10-11 | 2020-03-18 | ResMed Pty Ltd | APPARATUS AND METHODS FOR SCREENING, DIAGNOSING AND MONITORING RESPIRATORY DISORDERS |
KR102087583B1 (ko) * | 2016-10-18 | 2020-03-11 | 한국전자통신연구원 | 이상호흡 감지 장치 및 방법 |
US11844605B2 (en) | 2016-11-10 | 2023-12-19 | The Research Foundation For Suny | System, method and biomarkers for airway obstruction |
US10898107B2 (en) | 2016-11-11 | 2021-01-26 | Tata Consultancy Services Limited | System and method for pulmonary health monitoring |
KR101917313B1 (ko) * | 2017-01-26 | 2018-11-12 | (주)더블유알티랩 | 레이더를 이용하여 객체 탐지를 위한 임계 값을 적응적으로 설정하는 방법 및 장치 |
US10709349B2 (en) * | 2017-04-18 | 2020-07-14 | Boston Scientific Scimed Inc. | Annotation waveform |
US10321837B2 (en) * | 2017-04-28 | 2019-06-18 | Biosense Webster (Israel) Ltd. | ECG machine including filter for feature detection |
US11529476B2 (en) | 2017-05-19 | 2022-12-20 | Pneuma Respiratory, Inc. | Dry powder delivery device and methods of use |
EP3424418B1 (en) * | 2017-07-05 | 2023-11-08 | Stichting IMEC Nederland | A method and a system for detecting a vital sign of a subject |
WO2019018938A1 (en) * | 2017-07-26 | 2019-01-31 | Thorasys Thoracic Medical Systems Inc. | METHOD AND SYSTEM FOR ACQUIRING OSCILLOMETRY MEASUREMENTS |
US20190053754A1 (en) | 2017-08-18 | 2019-02-21 | Fitbit, Inc. | Automated detection of breathing disturbances |
EP3684463A4 (en) | 2017-09-19 | 2021-06-23 | Neuroenhancement Lab, LLC | NEURO-ACTIVATION PROCESS AND APPARATUS |
CN107744392A (zh) * | 2017-09-28 | 2018-03-02 | 惠州Tcl家电集团有限公司 | 呼吸异常监控方法、装置及计算机可读存储介质 |
EP3691728B1 (en) | 2017-10-04 | 2024-05-22 | Pneuma Respiratory, Inc. | Electronic breath actuated in-line droplet delivery device |
CA3079189A1 (en) | 2017-10-17 | 2019-04-25 | Pneuma Respiratory, Inc. | Nasal drug delivery apparatus and methods of use |
CA3082192A1 (en) | 2017-11-08 | 2019-05-16 | Pneuma Respiratory, Inc. | Electronic breath actuated in-line droplet delivery device with small volume ampoule and methods of use |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
KR102658390B1 (ko) * | 2017-12-22 | 2024-04-17 | 레스메드 센서 테크놀로지스 리미티드 | 건강 및 의료 감지를 위한 장치, 시스템, 및 방법 |
US11478603B2 (en) | 2017-12-31 | 2022-10-25 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to enhance emotional response |
US11612360B2 (en) * | 2018-01-12 | 2023-03-28 | Cardiac Pacemakers, Inc. | Discharge readiness assessment |
JP7006296B2 (ja) * | 2018-01-19 | 2022-01-24 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
EP3737475A4 (en) | 2018-02-16 | 2021-03-24 | University Of Louisville Research Foundation, Inc. | RESPIRATORY TRAINING AND RESPIRATORY PRESSURE MONITORING DEVICE |
US11030885B2 (en) | 2018-03-14 | 2021-06-08 | Chronolife | System and method for processing multiple signals |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
JP2021523799A (ja) * | 2018-05-23 | 2021-09-09 | ユニバーシティ オブ ワシントンUniversity of Washington | 呼吸不全検知システムおよび関連する方法 |
US11638795B2 (en) * | 2018-06-29 | 2023-05-02 | Koninklijke Philips N.V. | System and method for providing enhanced PAP metrics |
EP3817650A4 (en) * | 2018-07-02 | 2022-04-13 | 3M Innovative Properties Company | DETECTION SYSTEM AND METHOD FOR MONITORING TIME DEPENDENT PROCESSES |
EP3591663A1 (en) * | 2018-07-06 | 2020-01-08 | Koninklijke Philips N.V. | Computer aided diagnosis and monitoring of heart failure patients |
US20210315480A1 (en) * | 2018-07-31 | 2021-10-14 | The Trustees Of Dartmouth College | Device for automatically detecting lung function variability |
JP6626543B2 (ja) * | 2018-08-17 | 2019-12-25 | パラマウントベッド株式会社 | 呼吸障害判定装置及び呼吸障害判定方法 |
EP3849410A4 (en) | 2018-09-14 | 2022-11-02 | Neuroenhancement Lab, LLC | SLEEP ENHANCEMENT SYSTEM AND METHOD |
EP3695776A1 (en) * | 2019-02-13 | 2020-08-19 | Koninklijke Philips N.V. | A method and system for generating a respiration instability signal |
US11291842B2 (en) | 2019-05-02 | 2022-04-05 | Xii Medical, Inc. | Systems and methods for improving sleep disordered breathing |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
US11134900B2 (en) * | 2019-07-23 | 2021-10-05 | KMZ Holdings LLC | System and method for diagnostic analysis of human body systems, organs, and cells |
JP7205433B2 (ja) * | 2019-09-24 | 2023-01-17 | カシオ計算機株式会社 | 状態推定装置、状態推定方法及びプログラム |
US11420061B2 (en) | 2019-10-15 | 2022-08-23 | Xii Medical, Inc. | Biased neuromodulation lead and method of using same |
WO2021084508A1 (en) * | 2019-10-31 | 2021-05-06 | Resmed Sensor Technologies Limited | Systems and methods for injecting substances into a respiratory system |
WO2021105957A1 (en) * | 2019-11-30 | 2021-06-03 | Resmed Sensor Technologies Limited | Systems and methods for adjusting user position using multi-compartment bladders |
CN115175608A (zh) * | 2019-12-18 | 2022-10-11 | 皇家飞利浦有限公司 | 用于使用接触传感器来检测呼吸信息的系统和方法 |
CN115308734A (zh) * | 2019-12-26 | 2022-11-08 | 华为技术有限公司 | 一种呼吸数据计算方法以及相关设备 |
AU2021212395A1 (en) * | 2020-01-31 | 2022-08-25 | Resmed Sensor Technologies Limited | Sleep status detection for apnea-hypopnea index calculation |
WO2021152484A1 (en) * | 2020-01-31 | 2021-08-05 | Resmed Sensor Technologies Limited | Systems and methods for requesting consent for data |
BR112022017185A2 (pt) * | 2020-02-26 | 2022-10-18 | Novaresp Tech Inc | Método e aparelho para determinar e/ou prever comportamentos do sono e respiratórios para gerenciamento de pressão de vias aéreas |
EP3875026A1 (en) * | 2020-03-03 | 2021-09-08 | Koninklijke Philips N.V. | Sleep apnea detection system and method |
US20210315467A1 (en) * | 2020-04-10 | 2021-10-14 | Norbert Health, Inc. | Contactless sensor-driven device, system, and method enabling ambient health monitoring and predictive assessment |
EP3944250A1 (en) * | 2020-07-22 | 2022-01-26 | Koninklijke Philips N.V. | Methods and systems for searching an ecg database |
CN115836353A (zh) * | 2020-06-10 | 2023-03-21 | 皇家飞利浦有限公司 | 用于搜索ecg数据库的方法和系统 |
US20230270350A1 (en) * | 2020-07-30 | 2023-08-31 | Resmed Inc | Systems and methods for determining a health condition on a device local to a respiratory system user |
TWI785378B (zh) * | 2020-09-03 | 2022-12-01 | 雲云科技股份有限公司 | 具雷達偵測輔助之光影像生理監視系統 |
CN112381233A (zh) * | 2020-11-20 | 2021-02-19 | 北京百度网讯科技有限公司 | 数据压缩方法、装置、电子设备和存储介质 |
CN112598033B (zh) * | 2020-12-09 | 2022-08-30 | 兰州大学 | 生理信号处理方法、装置、设备及存储介质 |
US11691010B2 (en) | 2021-01-13 | 2023-07-04 | Xii Medical, Inc. | Systems and methods for improving sleep disordered breathing |
CN112932457B (zh) * | 2021-01-26 | 2022-11-25 | 四川大学 | 呼吸系统健康监测装置 |
WO2022173663A1 (en) * | 2021-02-09 | 2022-08-18 | Halare, Inc. | Multi-therapy systems, methods and apparatuses for the alleviation of sleep disordered breathing |
USD1014517S1 (en) | 2021-05-05 | 2024-02-13 | Fisher & Paykel Healthcare Limited | Display screen or portion thereof with graphical user interface |
CN112990789B (zh) * | 2021-05-10 | 2021-11-02 | 明品云(北京)数据科技有限公司 | 一种用户健康风险分析系统 |
US11847127B2 (en) | 2021-05-12 | 2023-12-19 | Toyota Research Institute, Inc. | Device and method for discovering causal patterns |
FR3123795A1 (fr) * | 2021-06-10 | 2022-12-16 | Valeo Systemes Thermiques | Système d’aide pour fournir une information de diagnostic |
KR20240037245A (ko) | 2021-06-22 | 2024-03-21 | 뉴마 레스퍼러토리 인코포레이티드 | 푸시 이젝션에 의한 액적 전달 장치 |
AU2021107064B4 (en) * | 2021-08-24 | 2022-08-25 | Rudder Technology Pty Ltd | Non-contact human respiration detection with radar signals |
CN115804581B (zh) * | 2021-09-15 | 2023-12-15 | 深圳先进技术研究院 | 心率特征的测量方法、症状检测方法及相关设备 |
KR102451624B1 (ko) * | 2021-10-05 | 2022-10-11 | 연세대학교 산학협력단 | 수면 무호흡증 인자를 고려한 심혈관 질환 위험도 분석 시스템 및 그 방법 |
CN113892931B (zh) * | 2021-10-14 | 2023-08-22 | 重庆大学 | 一种基于深度学习的fmcw雷达提取分析腹内压力方法 |
WO2023084491A1 (en) * | 2021-11-15 | 2023-05-19 | Fisher & Paykel Healthcare Limited | Data capture, processing, storage and rendering system for breathing assistance apparatus |
WO2023178267A2 (en) * | 2022-03-18 | 2023-09-21 | Ohio State Innovation Foundation | Mobile ultrawideband radar for monitoring thoracic fluid levels and cardio-respiratory function |
CN114778699A (zh) * | 2022-03-29 | 2022-07-22 | 哈尔滨工业大学 | 一种基于声发射技术的微细磨削在线无损监测方法 |
WO2024073494A1 (en) * | 2022-09-28 | 2024-04-04 | Impulse Wellness Llc | Wearable biosignal device and system for individualized therapeutic feedback |
US11874271B1 (en) * | 2022-10-04 | 2024-01-16 | Gmeci, Llc | Apparatus and method for human performance exhalation sensing |
CN117503153B (zh) * | 2024-01-05 | 2024-03-15 | 北华大学 | 基于人工智能的患者术后康复评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070118054A1 (en) * | 2005-11-01 | 2007-05-24 | Earlysense Ltd. | Methods and systems for monitoring patients for clinical episodes |
CN101489478A (zh) * | 2006-06-01 | 2009-07-22 | 必安康医疗有限公司 | 用于监视生理症状的装置、系统和方法 |
Family Cites Families (76)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0088761B1 (en) | 1981-04-24 | 1987-08-12 | Somed Pty. Ltd. | Device for treating snoring sickness |
DE3401841A1 (de) | 1984-01-20 | 1985-07-25 | Drägerwerk AG, 2400 Lübeck | Beatmungssystem und betriebsverfahren hierzu |
US5522382A (en) | 1987-06-26 | 1996-06-04 | Rescare Limited | Device and method for treating obstructed breathing having a delay/ramp feature |
EP1900324B1 (en) | 1993-11-05 | 2009-06-03 | ResMed Limited | Apparatus for determining patency of the airway |
US5738102A (en) * | 1994-03-31 | 1998-04-14 | Lemelson; Jerome H. | Patient monitoring system |
AUPN236595A0 (en) | 1995-04-11 | 1995-05-11 | Rescare Limited | Monitoring of apneic arousals |
AUPO247496A0 (en) | 1996-09-23 | 1996-10-17 | Resmed Limited | Assisted ventilation to match patient respiratory need |
EP0983019A4 (en) | 1997-05-16 | 2000-08-16 | Resmed Ltd | RESPIRATORY ANALYSIS SYSTEMS |
AUPP366398A0 (en) | 1998-05-22 | 1998-06-18 | Resmed Limited | Ventilatory assistance for treatment of cardiac failure and cheyne-stokes breathing |
US7308894B2 (en) | 1998-06-03 | 2007-12-18 | Scott Laboratories, Inc. | Apparatuses and methods for providing a conscious patient relief from pain and anxiety associated with medical or surgical procedures according to appropriate clinical heuristics |
CA2334408C (en) | 1998-06-03 | 2007-03-27 | Scott Laboratories, Inc. | Apparatus and method for providing a conscious patient relief from pain and anxiety associated with medical or surgical procedures |
US6390091B1 (en) | 1999-02-03 | 2002-05-21 | University Of Florida | Method and apparatus for controlling a medical ventilator |
US6367475B1 (en) | 1999-04-02 | 2002-04-09 | Korr Medical Technologies, Inc. | Respiratory flow meter and methods of use |
US7593952B2 (en) * | 1999-04-09 | 2009-09-22 | Soll Andrew H | Enhanced medical treatment system |
US20060030890A1 (en) * | 1999-04-16 | 2006-02-09 | Cosentino Daniel L | System, method, and apparatus for automated interactive verification of an alert generated by a patient monitoring device |
US6895963B1 (en) | 1999-06-16 | 2005-05-24 | Resmed Limited | Apparatus with automatic respiration monitoring and display |
US6600949B1 (en) | 1999-11-10 | 2003-07-29 | Pacesetter, Inc. | Method for monitoring heart failure via respiratory patterns |
US6398728B1 (en) | 1999-11-16 | 2002-06-04 | Cardiac Intelligence Corporation | Automated collection and analysis patient care system and method for diagnosing and monitoring respiratory insufficiency and outcomes thereof |
FR2804405B1 (fr) | 2000-01-28 | 2002-05-10 | Schmalbach Lubeca | Procede et appareil de stockage de preformes plastiques dans un container, procede et installation de fabrication et de stockage de preformes plastiques |
US6644312B2 (en) | 2000-03-07 | 2003-11-11 | Resmed Limited | Determining suitable ventilator settings for patients with alveolar hypoventilation during sleep |
US6752151B2 (en) * | 2000-09-25 | 2004-06-22 | Respironics, Inc. | Method and apparatus for providing variable positive airway pressure |
EP1349491B1 (en) * | 2000-12-07 | 2013-04-17 | Children's Medical Center Corporation | Automated interpretive medical care system |
US20030014222A1 (en) | 2001-02-28 | 2003-01-16 | Klass David B. | Method and system for monitoring patient care |
MXPA04004246A (es) | 2001-11-01 | 2004-09-10 | Scott Lab Inc | Interfaz de usuario para sistemas y metodos de suministro de sedacion y analgesia. |
US20040122487A1 (en) | 2002-12-18 | 2004-06-24 | John Hatlestad | Advanced patient management with composite parameter indices |
JP3872371B2 (ja) | 2002-03-29 | 2007-01-24 | セイコーインスツル株式会社 | 携帯型生体情報収集装置、生体情報収集システム及び生体情報収集方法 |
EP1538972B1 (en) | 2002-08-01 | 2013-11-13 | California Institute Of Technology | Remote-sensing method and device |
UA90651C2 (uk) * | 2002-10-09 | 2010-05-25 | Компьюмедикс Лимитед | Спосіб та пристрій для підтримування та контролювання якості сну при терапевтичному лікуванні |
DE10248590B4 (de) | 2002-10-17 | 2016-10-27 | Resmed R&D Germany Gmbh | Verfahren und Vorrichtung zur Durchführung einer signalverarbeitenden Betrachtung eines mit der Atmungstätigkeit einer Person im Zusammenhang stehenden Messsignales |
US7438686B2 (en) * | 2003-01-10 | 2008-10-21 | Medtronic, Inc. | Apparatus and method for monitoring for disordered breathing |
NZ547601A (en) | 2003-12-29 | 2008-06-30 | Resmed Ltd | Mechanical ventilation in the presence of sleep disordered breathing |
EP1711104B1 (en) * | 2004-01-16 | 2014-03-12 | Compumedics Limited | Method and apparatus for ecg-derived sleep disordered breathing monitoring, detection and classification |
US8403865B2 (en) * | 2004-02-05 | 2013-03-26 | Earlysense Ltd. | Prediction and monitoring of clinical episodes |
JP4977477B2 (ja) | 2004-02-11 | 2012-07-18 | レスメド・リミテッド | 睡眠呼吸障害を処置するための装置のセッション毎の調整 |
SE0400378D0 (sv) * | 2004-02-17 | 2004-02-17 | Jan Hedner | Sätt att behandla och diagnostisera andningsstörningar i sömnen och medel för att utföra sättet |
WO2005096729A2 (en) | 2004-03-31 | 2005-10-20 | Resmed Limited | Methods and apparatus for monitoring the cardiovascular condition of patients with sleep disordered breathing |
US7878198B2 (en) * | 2004-03-31 | 2011-02-01 | Michael Farrell | Methods and apparatus for monitoring the cardiovascular condition of patients with sleep disordered breathing |
US9220856B2 (en) | 2004-10-06 | 2015-12-29 | Resmed Limited | Method and apparatus for non-invasive monitoring of respiratory parameters in sleep disordered breathing |
US20060089542A1 (en) | 2004-10-25 | 2006-04-27 | Safe And Sound Solutions, Inc. | Mobile patient monitoring system with automatic data alerts |
WO2006048852A1 (en) * | 2004-11-02 | 2006-05-11 | University College Dublin - National University Ofireland, Dublin | A sleep monitoring system |
US7578793B2 (en) * | 2004-11-22 | 2009-08-25 | Widemed Ltd. | Sleep staging based on cardio-respiratory signals |
US20090149778A1 (en) | 2004-11-23 | 2009-06-11 | Koninklijke Philips Electronics, N.V. | Depression detection system |
CN101087559B (zh) * | 2004-12-23 | 2011-03-30 | 雷斯梅德有限公司 | 从呼吸信号中检测和区别呼吸模式的方法 |
US20090048500A1 (en) * | 2005-04-20 | 2009-02-19 | Respimetrix, Inc. | Method for using a non-invasive cardiac and respiratory monitoring system |
CN101024106A (zh) * | 2006-02-17 | 2007-08-29 | 雷斯梅德有限公司 | 呼吸设备的非接触控制系统 |
US20110263997A1 (en) | 2006-04-20 | 2011-10-27 | Engineered Vigilance, Llc | System and method for remotely diagnosing and managing treatment of restrictive and obstructive lung disease and cardiopulmonary disorders |
US7551078B2 (en) | 2006-05-08 | 2009-06-23 | Ihc Intellectual Asset Management, Llc | Device alert system and method |
DE102007039004A1 (de) | 2006-08-30 | 2008-03-20 | Weinmann Geräte für Medizin GmbH + Co. KG | Verfahren und Vorrichtung zur Bilevel-Beatmung |
US8821418B2 (en) * | 2007-05-02 | 2014-09-02 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
US20080275349A1 (en) * | 2007-05-02 | 2008-11-06 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
WO2009026582A1 (en) | 2007-08-23 | 2009-02-26 | Invacare Corporation | Method and apparatus for adjusting desired pressure in positive airway pressure devices |
JP5115704B2 (ja) | 2007-10-31 | 2013-01-09 | 株式会社エクォス・リサーチ | ステアリング |
US7808395B2 (en) * | 2007-11-09 | 2010-10-05 | Emfit Oy | Occupancy detecting method and system |
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
US20100152600A1 (en) * | 2008-04-03 | 2010-06-17 | Kai Sensors, Inc. | Non-contact physiologic motion sensors and methods for use |
CN102014745B (zh) * | 2008-05-09 | 2013-06-19 | 皇家飞利浦电子股份有限公司 | 患者的非接触呼吸监测 |
US8298153B2 (en) * | 2008-07-09 | 2012-10-30 | Medtronic, Inc. | System and method for the detection of acute myocardial infarction |
US8417463B2 (en) | 2008-07-22 | 2013-04-09 | Cardiac Pacemakers, Inc. | Systems and methods for monitoring pulmonary edema dynamics |
US8844525B2 (en) * | 2008-07-25 | 2014-09-30 | Resmed Limited | Method and apparatus for detecting and treating heart failure |
US10891356B2 (en) * | 2008-09-24 | 2021-01-12 | Resmed Sensor Technologies Limited | Contactless and minimal-contact monitoring of quality of life parameters for assessment and intervention |
WO2010042872A2 (en) | 2008-10-12 | 2010-04-15 | University Of Maryland, Baltimore | Predetermined presentation of patient data at bedside |
US9526429B2 (en) * | 2009-02-06 | 2016-12-27 | Resmed Sensor Technologies Limited | Apparatus, system and method for chronic disease monitoring |
AU2010201032B2 (en) | 2009-04-29 | 2014-11-20 | Resmed Limited | Methods and Apparatus for Detecting and Treating Respiratory Insufficiency |
US8478538B2 (en) * | 2009-05-07 | 2013-07-02 | Nellcor Puritan Bennett Ireland | Selection of signal regions for parameter extraction |
WO2011006184A1 (en) | 2009-07-14 | 2011-01-20 | Resmed Ltd | Setup automation for respiratory treatment apparatus |
GB2471902A (en) | 2009-07-17 | 2011-01-19 | Sharp Kk | Sleep management system which correlates sleep and performance data |
US8884813B2 (en) | 2010-01-05 | 2014-11-11 | The Invention Science Fund I, Llc | Surveillance of stress conditions of persons using micro-impulse radar |
US8862195B2 (en) * | 2010-03-10 | 2014-10-14 | University Of Valladolid | Method, system, and apparatus for automatic detection of obstructive sleep apnea from oxygen saturation recordings |
US20130060100A1 (en) * | 2010-05-13 | 2013-03-07 | Sensewiser Ltd | Contactless non-invasive analyzer of breathing sounds |
WO2011143631A2 (en) * | 2010-05-14 | 2011-11-17 | Kai Medical, Inc. | Systems and methods for non-contact multiparameter vital signs monitoring, apnea therapy, sway cancellation, patient identification, and subject monitoring sensors |
US8695591B2 (en) * | 2010-05-26 | 2014-04-15 | Lloyd Verner Olson | Apparatus and method of monitoring and responding to respiratory depression |
IT1401645B1 (it) | 2010-09-10 | 2013-08-02 | Milano Politecnico | Sistema per la valutazione automatica di patologie respiratorie e per la predizione di acute future instabilita' delle vie aeree |
US20120138533A1 (en) | 2010-12-01 | 2012-06-07 | Curtis James R | Dialysis system control system with user interface |
CN102415879A (zh) * | 2011-09-09 | 2012-04-18 | 北京大学深圳研究生院 | 一种基于压电薄膜传感器的睡眠监测装置 |
GB201116860D0 (en) | 2011-09-30 | 2011-11-09 | Guy S And St Thomas Nhs Foundation Trust | Patent monitoring method and monitoring device |
CN104736055A (zh) * | 2012-05-30 | 2015-06-24 | 瑞思迈传感器技术有限公司 | 用于监控心肺健康的方法和设备 |
-
2013
- 2013-05-30 CN CN201380040871.XA patent/CN104736055A/zh active Pending
- 2013-05-30 JP JP2015514289A patent/JP6655991B2/ja active Active
- 2013-05-30 US US14/403,398 patent/US10426380B2/en active Active
- 2013-05-30 CN CN201910792858.9A patent/CN110720918B/zh active Active
- 2013-05-30 EP EP19191677.4A patent/EP3639733B1/en active Active
- 2013-05-30 WO PCT/AU2013/000564 patent/WO2013177621A1/en active Application Filing
- 2013-05-30 CN CN202211678094.9A patent/CN115813368A/zh active Pending
- 2013-05-30 EP EP22202980.3A patent/EP4154804A1/en not_active Withdrawn
- 2013-05-30 AU AU2013270443A patent/AU2013270443B2/en active Active
- 2013-05-30 EP EP13796432.6A patent/EP2854636B1/en active Active
-
2017
- 2017-01-06 AU AU2017200083A patent/AU2017200083B2/en active Active
-
2018
- 2018-05-11 JP JP2018092234A patent/JP6787947B2/ja active Active
-
2019
- 2019-08-21 US US16/546,916 patent/US11850077B2/en active Active
-
2020
- 2020-10-28 JP JP2020180519A patent/JP7273774B2/ja active Active
-
2023
- 2023-04-28 JP JP2023074413A patent/JP2023099124A/ja active Pending
- 2023-11-10 US US18/388,624 patent/US20240164726A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070118054A1 (en) * | 2005-11-01 | 2007-05-24 | Earlysense Ltd. | Methods and systems for monitoring patients for clinical episodes |
CN101489478A (zh) * | 2006-06-01 | 2009-07-22 | 必安康医疗有限公司 | 用于监视生理症状的装置、系统和方法 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924606A (zh) * | 2015-08-10 | 2018-04-17 | 柯尼卡美能达株式会社 | 被监视者监视系统、监视信息画面显示装置及方法 |
CN113499062A (zh) * | 2015-10-07 | 2021-10-15 | 普莱柯迪尔公司 | 用于产生指示心脏状况的信息的方法和设备 |
CN113499060A (zh) * | 2015-10-07 | 2021-10-15 | 普莱柯迪尔公司 | 用于产生指示心脏状况的信息的方法和设备 |
CN113499061A (zh) * | 2015-10-07 | 2021-10-15 | 普莱柯迪尔公司 | 用于产生指示心脏状况的信息的方法和设备 |
CN108697335B (zh) * | 2016-02-25 | 2021-07-13 | 三星电子株式会社 | 利用信号分析来检测活体组织的方法和设备 |
CN108697335A (zh) * | 2016-02-25 | 2018-10-23 | 三星电子株式会社 | 利用信号分析来检测活体组织的方法和设备 |
CN108882892A (zh) * | 2016-03-31 | 2018-11-23 | Zoll医疗公司 | 跟踪患者运动的系统和方法 |
CN110099601A (zh) * | 2016-10-14 | 2019-08-06 | 费森瑟有限公司 | 检测呼吸参数并提供生物反馈的系统和方法 |
CN110520043B (zh) * | 2016-12-05 | 2023-04-21 | 梅迪平斯公司 | 使用呼吸气体样品进行呼吸测量的系统和方法 |
CN110520043A (zh) * | 2016-12-05 | 2019-11-29 | 梅迪平斯公司 | 使用呼吸气体样品进行呼吸测量的系统和方法 |
CN111278355A (zh) * | 2017-08-11 | 2020-06-12 | 理思科技有限责任公司 | 早期鉴定慢性阻塞性肺疾病的复发的方法 |
CN111432715B (zh) * | 2017-12-07 | 2024-02-27 | 柯惠有限合伙公司 | 闭环报警管理 |
CN111432715A (zh) * | 2017-12-07 | 2020-07-17 | 柯惠有限合伙公司 | 闭环报警管理 |
CN108304912B (zh) * | 2017-12-29 | 2020-12-29 | 北京理工大学 | 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法 |
CN108304912A (zh) * | 2017-12-29 | 2018-07-20 | 北京理工大学 | 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法 |
CN110236556A (zh) * | 2018-03-08 | 2019-09-17 | 松下电器(美国)知识产权公司 | 在不在判定方法、非瞬时性记录介质、传感器处理系统及传感器系统 |
CN109009222A (zh) * | 2018-06-19 | 2018-12-18 | 杨成伟 | 面向心脏病类型和严重程度的智能评估诊断方法及系统 |
WO2020037599A1 (zh) * | 2018-08-23 | 2020-02-27 | 深圳迈瑞生物医疗电子股份有限公司 | 医疗设备、呼吸暂停事件监测方法和装置 |
CN112788985A (zh) * | 2018-10-01 | 2021-05-11 | 皇家飞利浦有限公司 | 用于在睡眠分阶段中使用呼吸事件的系统和方法 |
CN113383395A (zh) * | 2018-10-22 | 2021-09-10 | 皇家飞利浦有限公司 | 用于睡眠障碍识别的决策支持软件系统 |
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN113710151A (zh) * | 2018-11-19 | 2021-11-26 | 瑞思迈传感器技术有限公司 | 用于检测呼吸障碍的方法和设备 |
CN113347917A (zh) * | 2019-01-29 | 2021-09-03 | 皇家飞利浦有限公司 | 用于生成呼吸警报的方法和系统 |
CN110151156A (zh) * | 2019-04-07 | 2019-08-23 | 西安电子科技大学 | 一种基于窗内自动加权平均算法的胎心率提取方法及系统 |
CN111820871A (zh) * | 2019-04-17 | 2020-10-27 | 联发科技股份有限公司 | 生理状态监测装置及相关方法 |
CN111820871B (zh) * | 2019-04-17 | 2023-11-03 | 联发科技股份有限公司 | 生理状态监测装置及相关方法 |
CN111462863A (zh) * | 2020-04-14 | 2020-07-28 | 赣州市全标生物科技有限公司 | 营养自查与膳食推荐方法及系统 |
CN111462863B (zh) * | 2020-04-14 | 2023-06-13 | 赣州市全标生物科技有限公司 | 营养自查与膳食推荐方法及系统 |
CN112043251B (zh) * | 2020-09-30 | 2021-05-25 | 深圳市艾利特医疗科技有限公司 | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 |
CN112043251A (zh) * | 2020-09-30 | 2020-12-08 | 深圳市艾利特医疗科技有限公司 | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 |
CN113368403A (zh) * | 2021-06-24 | 2021-09-10 | 深圳市恒康泰医疗科技有限公司 | 一种可以提高心肺功能的智能理疗系统 |
CN113368403B (zh) * | 2021-06-24 | 2022-01-04 | 深圳市恒康泰医疗科技有限公司 | 一种可以提高心肺功能的智能理疗系统 |
Also Published As
Publication number | Publication date |
---|---|
JP6787947B2 (ja) | 2020-11-18 |
JP2021035521A (ja) | 2021-03-04 |
JP2018153661A (ja) | 2018-10-04 |
CN110720918B (zh) | 2023-01-10 |
EP3639733A3 (en) | 2020-07-29 |
US10426380B2 (en) | 2019-10-01 |
US20200113484A1 (en) | 2020-04-16 |
AU2013270443A1 (en) | 2014-12-18 |
AU2017200083B2 (en) | 2019-07-11 |
EP2854636A4 (en) | 2016-02-24 |
JP6655991B2 (ja) | 2020-03-04 |
CN115813368A (zh) | 2023-03-21 |
WO2013177621A9 (en) | 2014-02-13 |
WO2013177621A1 (en) | 2013-12-05 |
EP3639733A2 (en) | 2020-04-22 |
JP2015522314A (ja) | 2015-08-06 |
JP2023099124A (ja) | 2023-07-11 |
EP2854636A1 (en) | 2015-04-08 |
JP7273774B2 (ja) | 2023-05-15 |
US20150164375A1 (en) | 2015-06-18 |
AU2013270443B2 (en) | 2016-10-13 |
EP2854636B1 (en) | 2019-08-21 |
EP3639733B1 (en) | 2022-10-26 |
US11850077B2 (en) | 2023-12-26 |
AU2017200083A1 (en) | 2017-02-02 |
EP4154804A1 (en) | 2023-03-29 |
US20240164726A1 (en) | 2024-05-23 |
CN110720918A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104736055A (zh) | 用于监控心肺健康的方法和设备 | |
US11796665B2 (en) | Detection and identification of a human from characteristic signals | |
JP7244695B2 (ja) | 慢性疾患をモニタする方法及び機器 | |
CN108135534B (zh) | 监测和管理慢性疾病的系统与方法 | |
CN113710151A (zh) | 用于检测呼吸障碍的方法和设备 | |
CN104812300A (zh) | 用于确定睡眠阶段的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Dublin, Ireland Applicant after: Reisman Private Limited Address before: Dublin, Ireland Applicant before: BIANCAMED LTD |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150624 |
|
RJ01 | Rejection of invention patent application after publication |