CN117597063A - 用于检测睡眠障碍事件的方法和设备 - Google Patents
用于检测睡眠障碍事件的方法和设备 Download PDFInfo
- Publication number
- CN117597063A CN117597063A CN202280046985.4A CN202280046985A CN117597063A CN 117597063 A CN117597063 A CN 117597063A CN 202280046985 A CN202280046985 A CN 202280046985A CN 117597063 A CN117597063 A CN 117597063A
- Authority
- CN
- China
- Prior art keywords
- seed
- event
- signal
- events
- seed event
- 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
- 238000000034 method Methods 0.000 title claims abstract description 221
- 208000019116 sleep disease Diseases 0.000 title claims abstract description 122
- 208000020685 sleep-wake disease Diseases 0.000 title claims abstract description 111
- 230000000241 respiratory effect Effects 0.000 claims description 139
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 57
- 238000002560 therapeutic procedure Methods 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 47
- 229910052760 oxygen Inorganic materials 0.000 claims description 46
- 239000001301 oxygen Substances 0.000 claims description 46
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 45
- 238000011282 treatment Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 32
- 230000007423 decrease Effects 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 31
- 230000002123 temporal effect Effects 0.000 claims description 31
- 238000002644 respiratory therapy Methods 0.000 claims description 22
- 230000007958 sleep Effects 0.000 claims description 21
- 230000000877 morphologic effect Effects 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000002829 reductive effect Effects 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 description 97
- 238000004422 calculation algorithm Methods 0.000 description 91
- 238000005516 engineering process Methods 0.000 description 77
- 239000003570 air Substances 0.000 description 66
- 230000002269 spontaneous effect Effects 0.000 description 43
- 230000008569 process Effects 0.000 description 42
- 238000005259 measurement Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 27
- 230000003434 inspiratory effect Effects 0.000 description 25
- 208000008784 apnea Diseases 0.000 description 19
- 230000036387 respiratory rate Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 16
- 238000012216 screening Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 14
- 206010021079 Hypopnoea Diseases 0.000 description 11
- 210000003414 extremity Anatomy 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 10
- 239000007789 gas Substances 0.000 description 10
- 210000003800 pharynx Anatomy 0.000 description 10
- 206010041235 Snoring Diseases 0.000 description 9
- 208000022925 sleep disturbance Diseases 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 230000008518 non respiratory effect Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000001225 therapeutic effect Effects 0.000 description 7
- 230000037007 arousal Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 210000003928 nasal cavity Anatomy 0.000 description 6
- 230000000414 obstructive effect Effects 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 206010067775 Upper airway obstruction Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 5
- 208000023504 respiratory system disease Diseases 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000001351 cycling effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 210000001331 nose Anatomy 0.000 description 4
- 210000002345 respiratory system Anatomy 0.000 description 4
- 201000002859 sleep apnea Diseases 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 208000003417 Central Sleep Apnea Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000003123 bronchiole Anatomy 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 210000000867 larynx Anatomy 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000001797 obstructive sleep apnea Diseases 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 210000003437 trachea Anatomy 0.000 description 3
- 210000001944 turbinate Anatomy 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 238000002570 electrooculography Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 210000003026 hypopharynx Anatomy 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004377 microelectronic Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000001989 nasopharynx Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241000251730 Chondrichthyes Species 0.000 description 1
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- 208000031361 Hiccup Diseases 0.000 description 1
- 206010021133 Hypoventilation Diseases 0.000 description 1
- 241001632422 Radiola linoides Species 0.000 description 1
- 241000287181 Sturnus vulgaris Species 0.000 description 1
- 206010047139 Vasoconstriction Diseases 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000000845 anti-microbial effect Effects 0.000 description 1
- 239000004599 antimicrobial Substances 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001269 cardiogenic effect Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011513 continuous positive airway pressure therapy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000000492 nasalseptum Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000003300 oropharynx Anatomy 0.000 description 1
- 150000002926 oxygen Chemical class 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005502 phase rule Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003584 silencer Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 210000001584 soft palate Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
- 230000008700 sympathetic activation Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000025033 vasoconstriction Effects 0.000 description 1
- 230000024883 vasodilation Effects 0.000 description 1
- 230000003519 ventilatory effect Effects 0.000 description 1
- 210000001260 vocal cord Anatomy 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
设备和方法检测睡眠障碍事件。该设备可以被配置为访问由一个或多个传感器生成的一个或多个生理信号。该设备可以被配置为从一个或多个生理信号中检测暗示睡眠障碍事件的种子事件。该设备可以被配置为计算指示与检测到的种子事件相关联的一个或多个生理信号的部分内的模式的特征。该设备可以被配置为应用于分类器,所计算的特征指示种子事件的模式。可以训练分类器来计算计算的特征与学习的睡眠障碍事件的重复模式的适合度。所述设备可被配置为基于由分类器确定的所计算的适合度输出与种子事件对应的睡眠障碍事件的识别。
Description
1相关申请的交叉引用
本申请要求2021年5月12日提交的欧洲专利申请第21173562.6号的权益,其公开内容在此引入作为参考。
2背景技术
技术领域
本技术一般涉及诸如呼吸相关障碍的障碍的筛查、检测、诊断、监测、治疗、预防和改善中的一种或多种。本技术还涉及医疗装置或设备及其用途。在一些实现中,技术包括筛查、检测、诊断、监测、治疗、预防和/或改善睡眠障碍事件,例如睡眠障碍性呼吸,包括例如中枢性或阻塞性呼吸暂停。
相关技术的描述
治疗
已经使用一系列治疗来治疗或改善呼吸病症。此外,其他健康个体可利用此类治疗来预防出现呼吸障碍。
经鼻持续气道正压通气(CPAP)治疗已被用于治疗阻塞性睡眠呼吸暂停(OSA)。作用机制是连续气道正压通气充当气动夹板,并且可以通过向前并远离后口咽壁推动软腭和舌来防止上气道闭塞。
高流量治疗(HFT)不依赖于密封的患者接口内的气道正压,而是依赖于以治疗流速将空气经由可能对大气明显开放的未密封的患者接口递送到患者气道的入口附近。高流量治疗已用于治疗OSA、CSR和COPD。相对于典型的呼吸流速,以高流速输送到气道的空气冲出患者的解剖死腔并减少再呼吸CO2的量,从而提高气体交换的效率。高流量治疗可与呼吸压力治疗结合使用。
无创通气(NIV)治疗通过上呼吸道为患者提供通气支持,以通过进行一些或全部呼吸功来帮助患者充分呼吸和/或保持体内足够的氧气水平。通过非侵入式患者接口提供NIV。NIV已用于治疗CSR、OHS、COPD、NMD和胸壁病症。
诊疗系统
这些疗法可由治疗系统或装置提供。这样的系统和也可用于诊断病症而不对其进行治疗。
治疗系统可以包括呼吸治疗装置(RT装置),例如呼吸流量治疗装置或呼吸压力治疗装置(RPT装置),例如高流量治疗装置(HFT装置)、空气回路、加湿器和患者接口。
患者接口
患者接口可以用于将呼吸设备连接到其用户,例如通过提供可呼吸气流。可呼吸气流可以通过面罩提供给用户的鼻和/或嘴,经由气切管提供到用户的气管中。根据要应用的治疗,患者接口可以例如与患者的面部区域形成密封,以便于以与周围压力足够变化的压力(例如约10cmH2O的正压)输送气体以实现治疗。对于其他形式的治疗,诸如氧气输送,患者接口可以不包括足以有利于将约10cmH2O的正压下的空气供应输送至气道的密封。
呼吸治疗(RT)装置
气压发生器在多种应用中是已知的,例如工业规模的通气系统。然而,用于医学应用的气压发生器具有更普遍的气压发生器不能满足的特定要求,例如医疗装置的可靠性、尺寸和重量要求。此外,甚至设计用于医学治疗的装置也可能存在缺点,包括舒适性、噪声、易用性、功效、尺寸、重量、可制造性、成本和可靠性中的一个或多个。
一种已知的用于治疗睡眠呼吸障碍的RPT装置是由ResMed制造的S9睡眠治疗系统,其证明是CPAP治疗。RPT装置的另一个示例是呼吸机。诸如成人和儿科呼吸机的ResMedStellarTM系列的呼吸机可以为治疗诸如但不限于NMD、OHS和COPD的多种病症的一系列患者提供侵入性和非侵入性非依赖性通气治疗。
RPT装置通常包括压力发生器,例如马达驱动的鼓风机或压缩气体储存器,并且被配置为向患者的气道供应加压空气。RPT装置的出口经由空气回路连接到诸如上述那些的患者接口。
仍然需要一种系统,该系统不仅可以监测用户的健康,而且还可以帮助那些用户理解如何改善他们自己的生活质量,例如通过理解他们的症状和触发,以及他们如何响应药物。
另外,希望系统能够访问并能够处理尽可能多的与用户状况相关的数据。在这方面,还希望该系统能够在尽可能多的白天和夜晚监测患者,而不仅仅是当患者在床上时。
筛查/诊断/监测系统
筛查和诊断一般描述从病症的体征和症状鉴定障碍。筛查通常给出真/假结果,例如指示患者的病症是否严重到足以保证进一步研究,而诊断可产生临床上可操作的信息。筛查和诊断趋于一次性过程,而监测障碍进展可以无限期地持续。一些筛查/诊断系统仅适用于筛查/诊断,而一些也可用于监测。
多导睡眠图(PSG)是用于诊断/监测心肺疾病的常规系统,并且通常涉及临床专家来应用该系统。PSG通常涉及在人上放置15至20个接触传感器以记录各种生物信号,例如脑电图(EEG)、心电图(ECG)、眼电图(EOG)、肌电图(EMG)等。睡眠障碍性呼吸的PSG涉及在临床中观察患者两夜,纯诊断一夜和临床医师滴定治疗参数的第二夜。临床专家可能能够根据视觉观察到的PSG信号充分诊断或监测患者。然而,存在临床专家可能不可用或者临床专家可能负担不起的情况。因此,PSG是昂贵和不方便的。特别地,其不适于家庭内诊断/监测。
在睡眠分析领域中,诸如阻塞性呼吸暂停、中枢性呼吸暂停、阻塞性呼吸不足、中枢性呼吸不足或与呼吸努力相关的觉醒(RERA)的睡眠障碍事件的评分或检测通常受这样的多导睡眠图影响,在该多导睡眠图期间监测不同的身体功能,诸如通过脑电图(EEG)的脑、通过眼电图(EOG)的眼运动、通过肌电图(EMG)的肌肉活动或骨骼肌激活、通过心电图(ECG)的心律,以及呼吸气流。尽管被认为是金标准,但是该技术具有几个缺点。首先,测试本身可能需要医疗专业人员住院治疗或在家庭环境中设置。第二,测试的解释通常不是完全自动化的,需要睡眠技术人员手动分析所记录的信号,从而引入存储器间的变化。第三,由于复杂的布线和整体开销,测试可能干扰人的睡眠,从而影响临床参数,例如仰卧睡眠时间、睡眠开始、睡眠期间的觉醒等。第四,已知诸如睡眠呼吸暂停的睡眠障碍具有高的夜间可变性,并且由于临床缺点、缺乏便利性和每次检查的高成本,当前的诊断系统不适于多夜研究。
另一种方便的家用筛查/诊断/监测系统包括鼻插管、压力传感器、处理装置和记录装置。鼻插管是包括两个中空的端部开口的突起的装置,所述突起被配置为非侵入性地稍微插入患者的鼻孔中,以便尽可能少地干扰患者的呼吸。中空突起通过Y形管与压力转换器流体连通。压力转换器提供表示患者鼻孔入口处压力(鼻压)的数据信号。已经表明,鼻压力信号是由与密封鼻罩成一直线的流量传感器产生的鼻流量信号的令人满意的代表,因为鼻压力信号在形状上与鼻流量信号相当。处理装置可以配置为实时或接近实时地分析来自压力转换器的鼻压力信号,以检测和分类SDB事件,以便监测病人的状况。筛查或诊断可能需要类似的分析,但不一定是实时或接近实时的。因此,记录装置被配置为记录来自压力转换器的鼻压力信号,用于以后由处理装置离线或“批量”分析,用于筛查/诊断目的。
最近,还使用基于光电容积图(PPG)测量的不同技术来进行睡眠事件的评分。在一个或多个波长的PPG测量允许监测外周动脉音调的变化,其指示外周血管舒张或血管收缩,允许导出氧饱和度(SpO2),并且允许导出脉搏率。例如,在EP 3593707 A1中公开了允许从外周动脉音调(PAT)的变化导出睡眠事件的发生的系统的有利实施例。该系统以及在该系统中使用的测量技术允许以对睡眠对象的最小影响和干扰来检测睡眠障碍事件,这相对于多导睡眠图是相当大的优点。
在多导睡眠描记术以及基于PAT的方法中,睡眠障碍事件的评分通常基于许多生理现象的共现。在多导睡眠描记术中,当例如以下现象中的一种或多种同时发生时,事件可被限定为呼吸相关睡眠障碍事件,也称为呼吸事件:气流减少或甚至不存在,可通过EEG检测到的唤醒,通过SpO2图中的下降检测到的氧去饱和,随后返回基线。对于这些现象中的每一种,例如由美国睡眠医学院(AASM)确定阈值,在该阈值之上或之下,测量可被认为指示呼吸事件。同样在基于PAT的方法中,氧去饱和、心率增加和/或PAT增加的共同发生被认为是呼吸事件的指示。
与本方法相关的问题是,例如当测量之一没有达到该特征的预定阈值时,在评分过程中可能错过一些睡眠障碍事件。类似地,评分过程可导致睡眠障碍事件的假阳性检测。此外,诸如基于PAT的例如基于PAT的装置或心肺多导睡眠图装置,并不专门利用从多导睡眠图得到的金标准信号,例如气流或EEG,因此,在检测睡眠障碍事件时具有隐含的缺点,因为它们必须从替代的信号形式推断呼吸事件。
需要改进以提供成本有效的或更容易接近的筛查或监测工具,从而有助于提高对SDB状况的认识和/或促进SDB的治疗。实现这种可靠且成本有效的例如家用的筛查设备仍然是相当大的技术挑战。因此,本技术的一些版本的目的是解决或至少减轻上述问题中的一个或多个。因此,该技术旨在提供一种用于以相对高的准确度检测睡眠障碍事件的改进的方法和设备。
3发明内容
本技术旨在提供用于筛查、监测、诊断、改善、治疗或预防呼吸障碍的医疗装置,其具有改善的舒适性、成本、功效、易用性和可制造性中的一者或多者。
本技术的一些实现可以包括用于检测睡眠障碍事件的处理器实现的方法。该方法可以包括访问由一个或多个传感器产生的多个生理信号。该方法可以包括从多个生理信号中检测暗示睡眠障碍事件的种子事件。该方法可以包括计算指示与检测到的种子事件相关联的多个生理信号的部分内的模式的特征。该方法可以包括向分类器应用所计算的指示种子事件的模式的特征。可以例如通过机器学习分类算法或利用机器学习分类算法来训练分类器,以计算所计算的特征与所学习的睡眠障碍事件的模式的适合度。该方法可以包括基于由分类器确定的计算出的适合度来输出与种子事件相对应的一个或多个睡眠障碍事件的识别。
在一些实现中,分类器可以是机器学习分类器、决策树模型、机器学习分类器模型、逻辑回归分类器模型、神经网络、朴素贝叶斯分类器模型机的一个或多个。所述多个生理信号可以包括外周动脉音调(PAT)信号,以及以下各项中的一个或多个:氧饱和度信号、脉搏率信号、呼吸努力信号、运动信号和气流信号(例如,流量信号)。在一些实现中,所述种子事件的每个种子事件可以包括以下一种或多种:外周动脉音调(PAT)信号中从基线的幅度下降、氧饱和度(SpO2)信号中氧的去饱和、脉搏率(PR)信号中从基线的幅度增加、呼吸努力信号中从基线的幅度变化(例如增加或减少),以及空气流量信号中从基线的幅度变化(例如增加或减少)。模式可以包括形态模式。模式可以包括时间模式。
在一些实现中,所计算的特征中的特征可以包括以下各项中的一个或多个:种子事件的持续时间;种子事件的强度;种子事件的导出的倾斜或斜率;导出的种子事件附近的变化斜率的形态不对称性;种子事件的深度;种子事件的信号幅度的方差;种子事件的信号幅度的平均值;种子事件的偏斜;以及种子事件的形态形状的表征。所计算的特征中的一个或多个特征可以包括种子事件的所确定的开始点、种子事件的所确定的结束点、最高或最低强度的所确定的点以及种子事件的所确定的特征点中的一个或多个。检测到的种子事件可以包括多个生理信号的第一信号的第一种子事件和多个生理信号的第二信号的第二种子事件。第二信号可以是与第一信号不同的生理信号,并且所计算的特征中的一个或多个特征可以表征第一种子事件和第二种子事件。例如,所计算的特征中的一个或多个特征可以表征与第二种子事件相关的第一种子事件。这样的表征可以例如用于将来自一个生理信号的一个种子事件与来自不同生理信号的另一个种子事件相关联,诸如来自一个生理信号的一个种子事件与来自不同生理信号的另一个种子事件的对准。相对于第二种子事件表征第一种子事件的所计算的特征中的一个或多个特征可以包括:(a)去饱和最低点在峰值脉冲速率增加和/或PAT信号振幅降低之后或之前的时间量;和/或(b)检测到的脉搏率(PR)波动峰值与PAT信号的降低谷值之间的定时差。
所检测的种子事件可以包括第一信号的第三种子事件,并且所计算的特征中的一个或多个特征可以表征第一种子事件和第三种子事件。例如,所计算的特征中的一个或多个特征可以表征与第三种子事件相关的第一种子事件。这种表征例如可以用于将种子事件与一个生理信号相关联。可选地,第一种子事件和第三种子事件可以是相邻的种子事件对。在一些实现中,表征第一种子事件和第三种子事件的所计算的特征中的一个或多个特征可以包括以下各项中的任何一个或多个:(a)第一种子事件和第三种子事件之间的持续时间;(b)计算所述第一种子事件和所述第三种子事件之间的时段的稳定性;以及(c)第一种子事件和第三种子事件的计算出的稳定性。持续时间的计算可以包括检测第一种子事件和第三种子事件中的每一个中的特征点,并且基于与检测到的特征点相关联的间隔来确定持续时间。所检测的特征点可以包括局部幅度最小值和局部幅度最大值中的一个或多个。所计算的稳定性可以从多个种子事件导出,并且可以包括深度、平均值和方差中的一个或多个,和/或例如可以是事件的深度的稳定性。
在一些实现中,所检测的种子事件可以包括第二信号的第四种子事件,其中所计算的特征中的一个或多个特征可以表征(a)第一信号的第一种子事件和第三种子事件以及(b)第二信号的第二种子事件和第四种子事件。例如,所计算的特征中的一个或多个特征可以表征(a)第一信号的第一种子事件和第三种子事件相对于(b)第二信号的第二种子事件和第四种子事件。这样的表征可以例如用于将一个生理信号的种子事件与另一个不同生理信号的种子事件相关联,例如用于检测来自不同生理信号的种子事件序列的重叠。例如,表征(a)第一信号的第一种子事件和第三种子事件以及(b)第二信号的第二种子事件和第四种子事件的所计算的特征中的一个或多个特征可以包括:(a)PR信号的种子事件的检测到的脉搏率(PR)峰值,以及(b)外周动脉音调(PAT)减小到PAT信号的种子事件的谷值中的最低点的时间对应。
在一些实现中,该方法可以进一步包括响应于在用户界面上对由一个或多个处理器实现的检测所检测到的至少一个种子事件的选择的用户输入,生成该识别的输出作为反馈。该方法还可以包括基于输出或应用产生用于控制呼吸治疗设备的操作的信号。所述产生可包含将所述一个或多个睡眠障碍事件的所述识别传输到远程计算系统或服务器。所述生成可以包括经由网络通信链路将所述信号传输到所述呼吸治疗设备。
本技术的一些实现可以包括控制器,该控制器可以包括至少一个处理器和包括处理器控制指令的至少一个存储器。所述至少一个存储器和处理器控制指令可以被配置为与该至少一个处理器一起使该控制器执行包括如在此描述的方法的任何一个或多个方面的方法。
本技术的一些实现可以包括用于检测睡眠障碍事件的设备。该设备可包括一个或多个传感器。该设备可以包括控制器。控制器可以包括一个或多个处理器和包括处理器控制指令的至少一个存储器。控制器可以被配置为访问由一个或多个传感器产生的多个生理信号。控制器可以被配置为从多个生理信号中检测暗示睡眠障碍事件的种子事件。控制器可以被配置为计算指示与检测到的种子事件相关联的多个生理信号的部分内的模式的特征。控制器可以被配置为向分类器应用所计算的指示种子事件的模式的特征。可以训练分类器来计算计算的特征与睡眠障碍事件的学习模式的适合度。控制器可以被配置为基于由分类器确定的计算出的适合度来输出与种子事件相对应的一个或多个睡眠障碍事件的识别。
本技术的一些实现可包括处理器可读存储介质,其可包括用于在由一个或多个处理器执行时执行包括如本文所描述的方法的任何一个或多个方面的方法的处理器可执行指令。
本技术的一些实现可包括其上存储有处理器可执行指令的处理器可读介质,所述处理器可执行指令在由一个或多个处理器执行时使所述一个或多个处理器检测睡眠障碍事件。处理器可执行指令可以包括访问由一个或多个传感器产生的多个生理信号的指令。处理器可执行指令可以包括从多个生理信号中检测暗示睡眠障碍事件的种子事件的指令。处理器可执行指令可以包括用于计算指示与检测到的种子事件相关联的多个生理信号的部分内的模式的特征的指令。所述处理器可执行指令可包括将所计算的指示所述种子事件的模式的特征应用于分类器的指令,其中训练所述分类器以计算所计算的特征与所学习的睡眠障碍事件的模式的适合度。处理器可执行指令可包括基于由分类器确定的计算出的适合度来输出与种子事件相对应的一个或多个睡眠障碍事件的识别的指令。
在一些实现中,处理器可执行指令还可以包括基于所述输出或应用生成用于控制呼吸治疗设备的操作的信号的指令。控制操作可以包括控制呼吸治疗设备的鼓风机的压力或流量治疗。
本技术的一些实现可包括访问本文所述的任何处理器可读介质的服务器。服务器可以被配置为接收通过网络将处理器可读介质的处理器可执行指令下载到处理装置的请求。
本技术的一些实现可以包括处理装置。所述处理装置可以包括:一个或多个处理器;以及(a)本文所述的任何处理器可读介质,或(b)其中所述处理装置被配置为利用本文所述的任何服务器来访问所述处理器可执行指令。处理装置可以是呼吸治疗设备。该处理装置可以被配置为用于产生压力治疗或流量治疗。
本技术的一些实现可以包括具有对这里描述的任何处理器可读介质的访问的服务器的方法。服务器的方法可以包括在服务器处接收通过网络将处理器可读介质的处理器可执行指令下载到电子处理装置的请求。服务器的方法可以包括响应于该请求向电子处理装置传输处理器可执行指令。
本技术的一些实现可以包括一种用于检测睡眠障碍呼吸事件的一个或多个处理器的方法。该方法可以包括利用一个或多个处理器访问在此描述的任何处理器可读介质。该方法可以包括在一个或多个处理器中执行处理器可读介质的处理器可执行指令。
当然,这些方面的一部分可以形成本技术的子方面。此外,子方面和/或方面中的各个方面可以各种方式进行组合,并且还构成本技术的其他方面或子方面。
考虑到以下详细描述、摘要、附图和权利要求书中包含的信息,本技术的其他特征将变得显而易见。
附图说明
在附图中以示例而非限制的方式示出了本技术,在附图中相同的附图标记表示相似的元件,包括:
图1示出了表示多个生理信号随时间变化的第一示意图。
图2示出了表示多个生理信号随时间变化的第二示意图。
图3示出了图2的第二示意图,其示出了根据本技术的方法的实施例。
图4示出了表示多个生理信号随时间变化的第三示意图。
图5示出了表示多个生理信号随时间变化的第四示意图。
图6A示出了适于实现本技术的患者身上的示例手指传感器设备。
图6B示出了适于执行根据本技术的示例实现的各种步骤的示例计算系统或处理装置,诸如利用图6A的传感器设备。
图7是诸如本技术的系统中的一个或多个处理器的示例过程,其具有本技术的用于检测睡眠障碍事件的方法。
图8是用于检测本技术的睡眠障碍事件的方法的一个或多个处理器(例如在本技术的系统中)的另一示例过程。
图8A示出了根据本技术的示例系统。佩戴患者接口3000的患者1000从RPT装置4000接收加压空气供应。来自RPT装置4000的空气在加湿器5000中加湿,并沿着空气回路4170传送至患者1000。还示出了床伙伴1100。
图8B示出了在具有鼻罩3000的患者1000上使用的RPT装置4000。
图8C示出了在具有全面罩3000的患者1000上使用的RPT装置4000。
图9示出了鼻罩形式的示例性非侵入式患者接口3000。
图10A示出了根据本技术的一种形式的RPT装置。
图10B示出了根据本技术的一种形式的RPT装置4000的气动回路的示意图。表示上游和下游的方向。
图10C示出了根据本技术的一个方面的RPT装置4000的电气部件的示意图。
图10D示出了根据本技术的一个方面在RPT装置4000中实现的算法4300的示意图。在图10D中,带有实线的箭头表示例如通过电子信号的实际信息流。
图10E是示出根据本技术的一个方面由图10D的治疗引擎模块4320执行的方法4500的流程图。
图11示出了加湿器5000。
4具体实施方式
在更进一步详细描述本技术之前,应当理解的是本技术并不限于本文所描述的特定示例,本文描述的特定示例可改变。还应当理解的是本公开内容中使用的术语仅是为了描述本文所描述的特定示例的目的,并不意图进行限制。
提供与可共有一个或多个共同特点和/或特征的各种示例有关的以下描述。应该理解的是任何一个示例的一个或更多个特征可以与另一个示例或其他示例的一个或多个特征组合。另外,在示例的任一项中,任何单个特征或特征的组合可以构成另外的示例。
在示例实现中,处理器实现的或计算机实现的过程检测睡眠障碍事件。该方法可以包括:获得至少一个生理信号,该信号可以包括如本领域技术人员已知的指向睡眠障碍事件的指针;从至少一个生理信号中识别暗示睡眠障碍事件的种子事件;确定种子事件的至少一部分内的模式;确定种子事件与模式的适合度;以及基于所确定的适合度检测睡眠障碍事件。这种方法的各方面可以结合图1至图5的图来考虑。
例如,图1示出了表示随时间变化的示例性多个生理信号的第一示意图,在本技术中可以使用其中的任何一个或多个。在本图中,生理信号包括氧饱和度(SpO2)信号1、PAT信号2、脉搏率信号3和肢体活动信号4。PAT信号或PAT测量是反映动脉音调变化的脉动动脉血量变化的测量,并且例如可以通过在患者的指尖安装气动或光学传感器来测量。可以以本领域技术人员已知的许多不同方式获得脉搏率信号。氧饱和度(SpO2)可以通过脉搏血氧计测量,脉搏血氧计可以附接到例如患者的手指、鼻孔、手腕或耳垂。氧饱和度,PAT和脉搏率信号1、2、3可以例如从单个装置的测量中导出,例如通过测量指尖处的动脉脉动体积变化,例如通过EP3,593,707或美国专利申请公开第2020/0015737号中公开的装置,其全部公开内容通过引用并入本文。这样的装置可以被配置为执行光电体积描记(PPG),优选为双波长光电体积描记,从其可以导出PAT信号、SpO2信号和脉搏率信号。这种手指传感器设备的示例如图6A所示。然而,测量也可以通过单独的装置测量,例如本文所述的任何装置。
例如,活动信号4可以从移动传感器得到,例如附接到患者手臂或腿的加速度计,或者从非接触传感器得到,例如RF运动传感器或基于声纳的传感器。例如,RF传感器的射频(RF)收发器可以用作感测设备的非接触部分。这样的RF感测装置,其可以与在此描述的处理设备集成或耦合,并且可以利用在2013年7月18日提交的题为“范围选通射频生理传感器(Range Gated Radio Frequency Physiology Sensor)”的美国专利申请公开第2014/0024917号中描述的任何技术和传感器部件来实现;2017年8月16日提交的题为“数字射频运动检测传感器(Digital Radio Frequency Motion Detection Sensor)”的国际专利申请第PCT/EP2017/070773号;以及2016年8月16日提交的题为“数字范围选通射频传感器(Digital Range Gated Radio Frequency Sensor)”的美国专利申请公开第2018/0239014号,其每一个的全部公开内容在此引入作为参考。基于声纳的传感器可以是例如麦克风和扬声器实现的处理装置,诸如在2017年9月19日提交的美国专利申请公开第2021/0275056号或在2019年11月19日提交的美国专利申请公开第2022/0007965号中描述的任何处理装置,其全部公开内容在此引入作为参考。肢体活动尤其可以从例如附接到患者的手臂或腿的加速度计导出。在睡眠分析中,与附接于头部或胸部的装置相比,配置为附着于指尖或手腕的装置可能是优选的,因为后者装置可能阻碍自然睡眠并因此影响结果。也可以实现其它传感器和生理信号。
例如,对于给定的生理信号组合的选择可以由需要区分的睡眠障碍事件的类型来确定,或者由获得信号对人的睡眠的潜在影响来确定。如本领域技术人员所清楚的,生理信号的更多组合是可能的。例如,也可以实现呼吸努力信号和气流信号中的任何一种。呼吸努力可以从加速度计、生物阻抗测量或电感体积描记带等中导出。气流可以从压力传感器、流速传感器或空气温度传感器的测量中导出,所述传感器可以安装在患者的鼻孔上,这也是本领域技术人员已知的。通常,在共同的时间跨度内获得这种信号。这种共同的时间间隔并不意味着多个生理信号的测量都需要具有相同的持续时间或者都需要在相同的时刻开始和停止。“公共时间跨度”是指生理信号需要在时间上至少部分地重叠,使得它们包括对于多个所述信号是公共的或相同的时间跨度,并且使得所述公共时间跨度包括种子事件。
在现有技术的方法中,在氧饱和度信号1中观察到的SpO2的下降幅度将主要与例如由AASM设定的阈值进行比较,以决定SpO2的下降是否可以被评估为睡眠障碍事件。类似的处理方式用于PAT信号2中PAT幅度的下降,或者用于相应信号3和4中的脉冲速率和活动尖峰。如果这四个指示符的全部或多个指向潜在的睡眠障碍事件,则现有技术的方法将得出已经检测到单个呼吸暂停或睡眠障碍事件的结论。在这些用于检测睡眠障碍事件的现有技术方法中,主要单独地处理生理信号中的睡眠障碍事件的潜在指示符,即单独地与阈值进行比较,而不考虑来自生理信号的其余部分的任何上下文信息。在这点上,最多,现有技术算法组合或多或少一致的指示符的阈值,如图1所示,其中观察到SpO2下降低于预定阈值,PAT幅度下降低于预定阈值,脉搏率尖峰高于预定阈值以及肢体活动尖峰高于预定阈值的共现5。
与现有方法不同,本技术的实现考虑了这种信号的更大上下文,例如利用模式识别,用于识别给定信号内和/或多个信号上的事件。例如,图2示出了表示跨越公共时间跨度的多个生理信号的第二示意图。如在第一曲线图中,生理信号包括氧饱和度(SpO2)信号1、PAT信号2、脉搏率信号3和肢体活动信号4。在根据本技术的诸如由一个或多个处理器实现的方法中,可以评估这些生理信号或前述生理信号中的任何一个或多个,例如仅SpO2信号1或这些信号中的至少两个或更多个的任何组合,以检测睡眠障碍事件。根据该方法,选择暗示睡眠障碍事件的种子事件6。种子事件6例如可以是氧饱和度降低7、PAT信号幅度从基线下降8、脉搏率信号幅度从基线增加9、呼吸努力信号幅度从基线降低、肢体活动增加10或可以是睡眠障碍事件的标记的任何其它已知生理信号中的一个或多个的检测。种子事件6仅暗示睡眠障碍事件,因为它们不一定指向睡眠障碍事件,因为它们可能具有另一潜在原因。
因此,种子事件例如可以是PAT信号幅度从基线下降、氧的去饱和、脉搏率信号幅度从基线增加、呼吸努力信号幅度从基线减小、气流信号幅度从基线减小,以及肢体活动从基线增加中的至少一个。这些种子事件暗示睡眠障碍事件,意味着它们可以是睡眠障碍事件的征兆或症状,但不一定与睡眠障碍事件相关。换言之,种子事件是可以但不一定被评估为与睡眠障碍事件相关联的事件。当获得其它生理信号时,可以根据信号不同地定义种子事件。
可选地,来自一个生理信号的种子事件通常可以与来自其他生理信号的类似定时的种子事件相关联,使得在多个生理信号的公共时间帧内的一组相关联的种子事件(例如,来自每个信号的一个)可以被认为是候选呼吸事件的暗示。公共时间尺度的一组相关联的种子事件的示例可以是PPG信号的去饱和种子事件,其在时间上与PAT信号幅度减小、脉搏率信号增大以及运动信号的活动计数增大相一致。
已经观察到睡眠障碍事件,其可以是呼吸相关的睡眠障碍事件,例如呼吸暂停事件、打鼾、RERA,或非呼吸相关的睡眠障碍事件,例如自发自主觉醒,通常以相对恒定的间隔以组或顺序发生。本技术可以利用该上下文信息。通过至少部分地基于与数据中识别的模式的适合度将事件限定为睡眠障碍事件,可以增加睡眠障碍事件的检测的准确性,因为评分变得较少依赖于现有技术评分的简单预定阈值。在现有技术中,通常在单个事件或时间上隔离的基础上分析睡眠障碍事件,确定在一个或多个生理信号中的单个测量或两个或更多个共同发生的事件是否高于或低于预定阈值,以将事件限定为睡眠障碍事件,而不考虑事件的上下文。作为这种单事件方法的结果,睡眠障碍事件可能已经被错过,例如当与所述睡眠障碍事件相关联的种子事件中的至少一个例如刚好低于或高于这种阈值时。当将种子事件限定为是否与睡眠障碍相关联时,与现有技术不同,本方法不仅仅简单地将每个种子事件与预定阈值进行比较。本方法还可以考虑整个数据集来确定测量数据中的模式,然后将该模式整合到种子事件的资格中作为是否与睡眠障碍事件相关联,这允许本技术在睡眠障碍事件的检测中达到比现有技术方法更好的准确度。
因此,在该过程的下一步骤中,与现有技术方法不同,将在包含在生理信号中选择的种子事件6的每个信号的至少一部分中确定模式,例如重复模式或基本规则的模式。即,进一步评估表示每个种子事件附近的信号的特定部分(例如,样品)(例如,表示从其开始到其结束的去饱和时段的信号的样品),诸如通过确定或计算具有特定部分的一个或多个特征,诸如用于评估一个或多个模式是否存在和/或由多个种子事件共享。这些模式可以包括生理信号的表示的形态模式,即与形状相关的形态模式,并且可以与对应于种子事件的强度的信号的幅度相关,或者与信号中种子事件附近的变化斜率(例如,增加或减少)的倾斜、偏斜或形态不对称相关。
例如,SpO2信号的形态特征的这种基于种子的确定可以例如包括去饱和的长度、去饱和的深度,以及去饱和与其再饱和阶段之间的斜率不对称性等。关于信号形态的基于种子的特征也可以从其他生理信号的种子事件相关部分来确定或计算。形态模式的确定因此可以包括提供种子事件的形态形状的表征的特征的确定,诸如使用信号处理和特征信号数据样品和/或提供用作每个种子事件附近的形状(例如,信号随时间的变化)的表征的数值的统计函数。此外,和/或可选地,确定或计算上述模式的过程还可以可选地包括计算或确定最高或最低强度的点和/或确定种子事件的任何其他特征点,其可以用作表征种子事件的特征。
因此,模式可以包括形态模式。形态模式可以例如与所获得的信号中的种子事件的表示的典型形状特征相关联。例如,SpO2降低可显示相对缓慢的下降和相对急剧的上升到正常。这种模式的确定可以例如包括确定种子事件的持续时间、确定种子事件的强度、确定种子事件的形态不对称性和/或表征种子事件的形态形状中的至少一个。模板形态可以例如源自多个种子事件,在时间上相邻或在时间上间隔开。然后可以将种子事件的表示的形状特征与所述模板进行比较。模式的确定可以进一步包括确定模式的特征,例如先前描述的那些特征,例如形状特征,其可以表征模式,例如所述模式的形状,例如在基本上规则的模式内的种子事件的平均形态不对称性或平均幅度。
此外,模式还可以包括时间模式,如将关于图3或图4描述的。这种时间相关模式可以特别好地在例如SpO2信号1和PAT信号2中识别,但也存在于其他生理信号中。因此,该过程还可以包括基于种子确定关于表示每个种子事件的附近的信号的特定部分(例如,样品)的时间特征,诸如使用信号处理和特征信号数据样品和/或提供用作每个种子事件的附近的特征的时间模式的表征的数值的统计函数。
因此,模式可以包括时间模式,例如以预定间隔重复种子事件。因此,这种模式的确定可以包括确定种子事件的开始点、确定种子事件的结束点、确定强度最高或最低的点和/或确定种子事件的任何其他特征点中的至少一个。以这种方式,可以在种子事件的重复中识别时间模式,例如在种子事件的开始点之间或种子事件的结束点之间的时间差中。所获得的信号中的局部最大值或最小值之间的时间距离或时间差也可以示出基本上规则的时间模式。模式的导出例如还可以包括确定包括相邻种子事件之间的(归一化)差的四分位数间距的特征。模式的确定还可以包括确定可以表征模式的模式特征,例如时间特征,例如重复模式中的事件数量。模式的确定还可以包括确定基本规则模式的质量,例如通过确定由基本规则模式表示的事件的特征点之间的周期性的稳定性或可变性,例如使用标准偏差或任何其它已知参数。可以计算或确定这种时间模式特征,以便提供相同信号的种子事件(例如相邻事件)的时间排序信息或种子事件之间的时间排序信息。此外,可以计算或确定这样的时间模式,以便提供跨越不同生理信号的种子事件的时间对准信息或相对于种子事件的时间对准信息。
例如,对于公共时间帧中的一组种子事件(例如,来自每个信号的一个),该过程可以确定相对并置,以便表征来自多个不同生理信号的种子事件的信号特征的时间对准。例如,该过程可以确定SpO2信号去饱和最低点在脉搏率(PR)信号增加和PAT信号幅度减小的峰值之后或之前多少时间(例如,多少秒)。脉搏率(PR)波动峰值和PAT降低谷值之间的时间对准程度也是显著的时间特征,因为完美的对准是自主觉醒的显著指示,自主觉醒是通常在呼吸事件的末期附近发生的交感神经激活。
作为另一示例,当信号的特征包括例如与另一种子事件的最低PAT信号幅度的时间特征一致的种子事件的脉冲率尖峰的最高点的时间特征时,可以在时间对准的模式中考虑来自不同信号的两个种子事件,其中两个事件之前是外周氧饱和度的逐渐降低,之后是氧饱和度的最低值和氧饱和度的急剧升高。可以发现不同信号中种子事件的开始之间的时间差相对恒定。种子事件之间的顺序可以在人与人之间稍微变化,但是对于给定的患者可以保持相对恒定。其他特征可以介入将来自多个生理信号的种子事件分组为集合的步骤,例如生理信号的局部最小值或最大值在时间上的基本对准,特别是PAT信号之前的氧去饱和的局部最小值和/或脉搏率局部最小值或最大值。种子事件的同现中的模式的另一示例可以是检测PAT信号的局部最小值和/或朝向流量减少事件结束的脉冲速率。
作为附加示例,可以关于相同生理信号的种子事件来评估时间(和/或形态)模式。因此,该过程可以确定诸如具有一对或多对相邻种子事件的排序相关特征。例如,图3示出了图2的第二示意图,其示出了本技术的工艺的其它方面。在这方面,确定重复模式或时间模式(例如基本规则的时间模式,诸如与一个信号的种子事件到同一信号的另一种子事件(例如,相邻对)的时间排序相关)的过程可以例如包括例如通过确定特征点6s(诸如种子事件6的幅度的局部最小值或最大值)以及确定后续种子事件的后续特征点6e来确定包括后续种子事件6之间的持续时间或时间跨度6d的特征。该过程可以在一个或多个生理信号中单独执行。这样的处理可以帮助呼吸事件,并且通过暗示它们相关的种子事件对倾向于顺序发生,例如关于重复的种子事件或它们的信号特征的重复。
另外,为了进一步表征每个这样的序列(例如,以第一种子事件的附近和第二种子事件的附近开始和结束的生理信号的一部分,诸如其中第一和第二种子事件是相邻的种子事件),对于与多个种子事件相关联的每个这样的序列(例如,信号的相邻对),该过程可以确定可以关于前述模式评估考虑的另外的测序相关特征。例如,该过程可以确定特征以根据该周期的稳定性来表征每个相邻种子事件对的周期或在每个相邻种子事件对之间的周期。例如相邻种子事件对之间的生理信号的这种稳定性可以通过例如一个或多个统计函数(例如方差等)来表征,例如通过确定方差或关于种子事件的特征(例如每个种子事件的深度等)的其他稳定性计算来表征。类似地,该过程还可以通过其他统计函数(例如通过计算平均事件形态)来表征序列内的种子事件。另外,该过程可以评估作为特征的种子事件的邻近之间的信号的样品数目的平均值。类似地,该过程可以表征序列内种子事件的稳定性,例如通过计算种子事件附近的信号样品的事件形态的稳定性。具有非常相似形态的种子事件的高度重复(即,具有高度稳定的周期)序列可以被认为具有与呼吸事件序列相关联的高可能性。此外,与序列有关的模式的计算特征可以是相邻种子事件之间的(归一化)差的四分位数间距。
可以通过确定或计算或确定相对于其他序列(例如,与多个种子事件(例如,来自其他生理信号的相邻种子事件对或多个相邻种子事件对)相关联的序列)表征该序列的附加特征(例如,与时间模式相关联的时间特征)来扩展对每个这样的信号序列的评估。这种处理提供了表征不同生理信号序列(例如,时间重叠序列)的关系的信息。在这点上,大量信息包含在不同种子事件信号类型的这种序列之间的同步中。例如,所有PR峰与PAT序列的PAT减少事件的谷完全对准的PR序列使得这些序列中的所有种子事件很可能是呼吸事件的表现(序列)。这样的特征可以包括不同信号(例如,PR、PAT和活动序列)内的种子事件的特征点的定时,以便确认时间对准。类似地,特征可以表征PPG信号的种子事件序列相对于其他信号的序列的对准中的延迟,因为去饱和最低点通常以非常系统的方式跟踪其他信号中的变化的定时。
作为示例,图3中表示的生理信号1、2、3和4中的多个种子事件已经基于类似的事件持续时间6d在相应的生理信号1、2、3和4中被分组或耦合,如耦合矩形11所示。种子事件或耦合的种子事件的这些序列可以指示睡眠障碍事件的重复。另外地和/或可替换地,为了在单个生理信号内耦合种子事件6,该过程还确定将来自多个不同生理信号的种子事件的序列关联到对准/相关序列集合12中的特征,被分组到集合12中的种子事件指示相同的睡眠障碍事件。换言之,所述集合是不同生理信号的种子事件的组,并且所述集合包括跨越相同时间跨度的种子事件,并且可以指示相同的睡眠障碍事件。以更直观的方式解释,集合12是来自不同信号的种子事件的“垂直”组或相关序列,而如前所述的种子事件的耦合是“水平”进行的,它们是单个信号的相关种子事件。将种子事件分组到集合中可以包括在集合的种子事件的同现中确定基本规则的模式。例如,种子事件的中值持续时间或开始可以在不同的生理信号上相似。在图3中,示出了种子事件的这种集合12。
因此,利用与至少一个种子事件相关联的前述确定的/计算的特征(例如,来自指示前述模式的种子事件的时间和/或形态特征、来自不同信号的对准的/相关的种子事件、来自每个信号的种子事件序列和/或来自不同信号的种子事件的对准的/相关的序列)的任何组合,然后可以被组合(例如在特征向量或这些特征的其它数据结构中)并应用于处理算法,例如在一个或多个数字处理器中,例如分类器(例如由机器学习分类器产生的训练模型,例如基于规则的模型或决策树)或其它机器学习算法。分类器或机器学习分类器,诸如来自这样的分类器的训练模型,可以被配置为确定与特定种子事件相关联的模式相关特征(例如,数据结构或前述特征的集合,诸如先前描述的时间特征和/或形态特征)与已知睡眠障碍事件相关模式的特征之间的适合度,诸如概率,以确定特定种子事件是否指示睡眠障碍事件。换句话说,基于模式,分类器可以确定种子事件的一个或多个集合可以与呼吸相关的睡眠障碍事件相关联,而另一组种子事件的另一集合可以与非呼吸相关的睡眠障碍事件相关联。一个或多个分类器,例如其模型,可以是决策树分类器或模型、机器学习分类器或模型、逻辑回归分类器或模型、神经网络、朴素贝叶斯分类器或模型,以及支持向量机等中的任何一个或多个。因此,所确定的适合度可以包括例如激活值或客观测量,并且当应用于输入特征的值时可以涉及一个或多个激活函数的输出计算,和/或可以例如:涉及确定特征与模式的相似性的概率值的计算,该概率值可以与用于确认(例如呼吸或非呼吸事件的)识别的一个或多个阈值进行比较。
可选地,可以实现多个分类器。例如,可以训练第一分类器来执行对来自与种子事件相关的多个生理信号的种子事件的前述排序相关模式评估,然后可以训练第二分类器来从种子事件的序列中检测与呼吸相关睡眠障碍事件相关联的种子事件,或者与非呼吸相关睡眠障碍事件相关联的种子事件。呼吸相关睡眠障碍事件和非呼吸相关睡眠障碍事件之间的区别可以例如基于模式和序列本身的特定特征。例如,作为非呼吸相关睡眠障碍事件的种子事件的周期性肢体运动序列将不具有氧去饱和并且在随后的事件之间具有相对短的时间。或者,可以训练单个分类器来执行分组步骤,随后是检测步骤。还可以训练分类器来执行检测步骤,而无需将种子事件分组为集合。分类器例如可以由来自临床试验的标记数据集来训练。可替换地,分类器可以基于任何上述特征的阈值被训练或开发为基于规则的系统。分类器可以是任何已知的分类器,例如神经网络、决策树或支持向量机。
以这种方式,特定的种子事件可以由处理算法基于所确定的与前述前述特征的前述模式的适合度来选择,例如,基于生理信号中种子事件的基本规则的持续时间,并且基于适合度的显著性被当作睡眠障碍事件的检测,并且这样,可以以相对高的置信度来检测睡眠障碍事件,由此改进了先前的检测技术,例如涉及可以基于PPG感测的家庭研究装置的检测技术。可以通过设计和输入用于检测的一组规则来训练或开发分类器。这些规则例如可以包括基于一个或多个测量的阈值的规则。这些规则还可以包括基于链接到时间和/或形态模式的一个或多个确定值的规则。例如,分类器可以使用与种子事件的表征、种子事件与模式(例如基本规则的模式)的适合度以及模式的表征相关的信息作为输入。在一些实现中,还可以通过使用基于先前测量的标记数据来训练分类器。训练数据集可以例如从临床试验的经验数据构建,其中通过手动或计算机辅助评分,睡眠障碍事件的位置已经被评分或注释,并且种子事件可以与该训练数据集相关联。可替代地或另外地,训练数据集可以例如从临床试验的经验数据构建,其中借助于手动或计算机辅助评分,种子事件被标记为是否属于睡眠障碍事件。
关于图4和5可以考虑这种改进的工艺。图4示出了表示多个生理信号随时间变化的第三示意图。如在先前的图中,图表示跨越公共时间跨度的多个生理信号,包括氧饱和度(SpO2)信号1、PAT信号2、脉搏率信号3和肢体活动信号4。在SpO2信号1中,可以区分氧7、7a的五个去饱和,这可以被选择为五个种子事件。在现有技术的方法中,这些去饱和的幅度将被确定并与阈值进行比较,以便确定这些事件是否可能与睡眠障碍事件相关联。在本图中,假定相对于先前的基线仅有2%的小差异,则氧7a的第一次去饱和可能不合格。然而,在根据本技术的示例性过程中,关于例如去饱和的开始和/或种子事件的持续时间中的基本上规则的模式的特征将使得该过程肯定地检测睡眠障碍事件,例如呼吸暂停,尽管氧去饱和值相对较小。此外,评估用于将种子事件分组到不同生理信号之间的上述种子事件集合(例如,序列)中的特征的过程增强了该检测的置信度水平,因为在该集合的种子事件的同现中存在基本上规则的模式,特别是PAT信号幅度从基线下降8a,脉搏率信号幅度从基线增加9a,以及肢体活动增加10a,其全部根据所述基本上规则的模式在时间上对准。
图5示出了表示多个生理信号1、2、3、4随时间变化的第四示意图。再次,在SpO2信号1中,可以区分氧7b、7c、7d的三个去饱和,这可以被选择为潜在地指示睡眠障碍事件的三个种子事件。在现有技术的方法中,这些去饱和的幅度将被确定并与阈值进行比较。所有的氧去饱和事件7c、7d和7b将超过阈值,因此该方法将判定已经检测到睡眠障碍事件。然而,在本技术的过程中,将在至少部分种子事件内评估关于基本规则模式的特征。这将证明是困难的(以便导致低的或不显著的适合度的计算),因为即使氧去饱和信号1,也难以识别模式,每个去饱和7b、7c、7d具有不同的总体形状。在其它生理信号2、3和4中,情况仍然更加令人信服,因为尽管一些PAT幅度减小、脉搏率尖峰或肢体活动尖峰,似乎没有任何基本上规则的模式。因此,本技术的示例性过程将指示没有检测到睡眠障碍事件,并且去饱和可能是假象和/或由于除睡眠障碍事件之外的另一原因。
因此,在此类过程的一些实现中,所述设备可被配置为响应于对选择至少一个种子事件的系统的输入(例如当将所述选择输入到此类系统的用户接口中时)而产生关于检测到睡眠障碍事件或不检测到睡眠障碍事件的反馈。作为响应,该过程可以输出种子事件未被识别为睡眠障碍事件(例如,睡眠障碍性呼吸事件)的原因的指示,例如指示“基本没有规则模式”。优选地,可以用自然语言来呈现反馈。例如,正反馈可以包括“尽管去饱和程度低,但基于与规则模式的高适合度的检测”,如果应用于这样的过程,则其可以应用于图4中描述的生理信号。
在这点上,该方法可以包括通过选择至少一个种子事件来反馈是否检测到睡眠障碍事件。反馈可以用自然语言呈现。反馈可以例如包括关于为什么种子事件被评估为与睡眠障碍事件相关联或者被评估为不与睡眠障碍事件相关联的信息。该信息例如可以基于决策树分类器。因此,下面的附加示例也可以被看作决策树分类器的推理的示例,该反馈例如可以被显示为屏幕上的编码句子。
示例:呼吸相关的睡眠障碍事件可以例如已经被检测到,并且反馈可以包括诸如“尽管与该事件相关联的氧去饱和小于3%,但是它是具有相对大的时间和形态相似性的去饱和事件系列的一部分。作为该系列的一部分的相邻两个氧去饱和平均大于3%。作为该系列的一部分的相邻六次氧去饱和平均大于3.5%。去饱和在很大程度上与具有非常相似周期的脉冲串速率尖峰和PAT减小重叠。”的信息。
示例:呼吸相关的睡眠障碍事件可以例如已经被检测到,并且反馈可以包括诸如“与该事件相关联的氧去饱和是具有相对大的时间和形态相似性的氧去饱和事件系列的一部分。作为该系列的一部分的相邻两个氧去饱和平均大于3%。作为该系列的一部分的相邻六次氧去饱和平均大于3.5%。该事件周围的肢体运动非常低。”的信息。
示例:在种子事件没有被选择或被抑制为与睡眠障碍事件相关联的情况下,反馈可以包括诸如“即使相邻的两个氧去饱和平均大于3%并且相邻的六个氧去饱和平均大于3.5%,在该位置周围存在过多的肢体运动并且周围的氧去饱和具有低的时间和形态相似性”的信息。
这种反馈信息的语言或措辞当然不需要与本申请相同。然而,本领域技术人员将清楚的是,‘时间和形态相似性’是指与种子事件中的模式的适合度。呈现该信息的其它方式也是可能的。
如先前实例中所展示,本发明的用于检测睡眠障碍事件的方法可基于单个或多个生理信号来改进睡眠障碍事件的检测的准确性,因为所述过程以确定模式(例如,大体上规则的模式)及确定与所述模式的适合度的形式依赖于单个种子事件周围的上下文信息,而非仅依赖于基于用于孤立种子事件的阈值的决策树,如在现有技术方法中那样。
在这点上,可以相对于图7和8的系统处理流程图进一步考虑如前所述的本技术的这种方法。在图7中,过程700可以在710开始。在710中,一个或多个处理器可以访问或接收由一个或多个传感器生成的一个或多个生理信号,诸如这里描述的任何一个或多个信号和传感器,包括例如PAT信号。在720,一个或多个处理器可以从一个或多个生理信号中检测暗示睡眠障碍事件的种子事件。在730,一个或多个处理器可以计算指示与检测到的种子事件相关联的一个或多个生理信号的部分内的模式或重复模式的特征。在740,一个或多个处理器可以向处理算法(例如,机器学习分类器或其他分类器或诸如硬编码过程或决策树的确定性过程)应用所计算的指示种子事件的模式的特征。可以训练处理算法来计算计算的特征与睡眠障碍事件的学习模式的适合度。在750,一个或多个处理器可以基于由处理算法确定的计算出的适合度来输出与种子事件相对应的一个或多个睡眠障碍事件的识别(例如,评分)。可选地,在760,系统的一个或多个处理器可以利用或基于输出识别和/或应用来生成输出。这样的输出可以包括例如具有呼吸治疗操作的设定或用于设定(例如,压力或流速设定)的信号,例如控制信号,所述呼吸治疗操作例如本文进一步详细描述的操作或治疗操作。这样的信号可以任选地从该一个或多个处理器,例如经由通信网络(例如,互联网)和/或其他中间装置(例如,一个或多个服务器)传递至该呼吸治疗装置。
关于图8的流程图可以进一步考虑这种过程的示例。类似于图7,在过程800的820,一个或多个处理器可以从一个或多个生理信号中检测暗示睡眠障碍事件的种子事件。在822,一个或多个处理器可以选择对准的或相关的信号种子事件集合,诸如来自每个信号的一个,并且可以计算或确定每个事件的一个或多个特征和/或关联这样的种子事件。在824,一个或多个处理器可以选择种子事件的一个或多个序列集合,并且可以计算或确定一个或多个序列相关模式特征。在826,一个或多个处理器可以选择种子事件的序列集合的一个或多个对准或相关集合,并且可以计算或确定重叠序列相关模式特征。在830,一个或多个处理器然后可以合并来自种子事件和序列的前述模式相关特征。在840,所述一个或多个处理器可接着例如通过将所述特征应用于分类器算法(例如先前描述的分类器算法中的任一个或多个)来对具有合并特征的睡眠障碍事件进行评分。然后可以如前所述产生基于分数的进一步输出。
图6B示出了合适的计算系统600,其包括根据本技术的所述示例,例如利用本文所述的传感器设备,例如图6A的手指传感器装置,能够执行任何一个或多个过程或其中的任何一个或多个步骤的电路。计算系统600通常可以形成为合适的通用计算机,并且包括总线610、处理器602、本地存储器604、一个或多个可选输入接口614、一个或多个可选输出接口616、通信接口612、存储元件接口606以及一个或多个存储元件608。总线610可以包括允许计算系统600的部件之间通信的一个或多个导线。处理器602可以包括解释和执行编程指令的任何类型的常规处理器或微处理器。本地存储器604可以包括随机存取存储器(RAM)或存储供处理器602执行的信息和指令的另一类型的动态存储装置,和/或只读存储器(ROM)或存储供处理器602使用的静态信息和指令的另一类型的静态存储装置。输入接口614可以包括允许操作者或用户向计算装置600输入信息的一个或多个常规机制,诸如键盘620、鼠标630、笔、语音识别和/或生物测定机制、相机等。输出接口816可以包括向操作者或用户输出信息的一个或多个机制,诸如显示器640。通信接口612可以包括任何类似收发器的机制,例如使计算系统600能够与其它装置和/或系统(例如与其它计算装置681、682、683)通信的一个或多个以太网接口。计算系统600的通信接口612可以通过局域网(LAN)或广域网(WAN)(例如因特网)连接到这样的另一计算系统。存储元件接口606可包括存储接口,例如串行高级技术附件(SATA)接口或小型计算机系统接口(SCSI),用于将总线610连接到一个或多个存储元件608,例如一个或多个本地磁盘,例如SATA磁盘驱动器,并控制对这些存储元件608的数据读取和/或从这些存储元件608的数据写入。虽然上述存储元件608被描述为本地磁盘,但是通常可以实现任何其它合适的计算机可读介质,例如可移动磁盘、光存储介质,例如CD或DVD、-ROM盘、固态驱动器、闪存卡等。
如本申请案中所使用,术语“电路”可指以下各项中的一个或多个或全部:
(a)仅硬件电路实现,例如仅模拟和/或数字电路中的实现,以及
(b)硬件电路和软件的组合,例如(如适用):
(i)模拟和/或数字硬件电路与软件/固件的组合,以及
(ii)具有软件(包括数字信号处理器)、软件和存储器的硬件处理器的任何部分,它们一起工作以使诸如移动电话或服务器的设备执行各种功能)以及
(c)硬件电路和/或处理器,例如微处理器或微处理器的一部分,其需要软件(例如固件)用于操作,但是当不需要该软件用于操作时,该软件可以不存在。
电路的这个定义适用于本申请中这个术语的所有使用,包括在任何权利要求中。作为另一示例,如本申请中所使用,术语电路还涵盖仅硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及其(或其)随附软件和/或固件的实现。术语“电路”还涵盖(例如且如果适用于特定权利要求元素)用于移动装置的基带集成电路或处理器集成电路或服务器、蜂窝式网络装置或其它计算或网络装置中的类似集成电路。
因此,可以实现任何上述处理的处理装置可以包括集成芯片、存储器和/或其它控制指令、数据或信息存储介质。例如,包含本文所述的任何评估/信号处理方法的编程指令可被编码在装置或设备的存储器中的集成芯片上,以形成专用集成芯片(ASIC)。具有这样的处理的这样的指令也可以或可选地作为软件或固件使用适当的处理器可读介质、数据存储介质或存储器来加载。可选地,这样的处理指令可以例如通过网络(例如因特网)从服务器下载到处理装置,使得当执行指令时,处理装置用作筛查、监测装置和/或处理装置。
因此,这种处理装置,例如服务器,可以包括多个部件,例如接口,以与上述传感器链接和/或从这些传感器接收表示这些信号的数据。除了其它部件之外,处理装置还可以包括处理器、可选的显示接口、可选的用户控制/输入接口和存储器/数据存储312,例如具有这里描述的处理方法/模块的处理指令。一个或多个传感器可以与处理装置集成或可操作地耦合。例如,传感器可以与处理装置集成在一起,或者例如通过有线或无线链路(例如蓝牙、Wi-Fi等)与处理装置耦合。因此,处理装置可以包括数据通信接口。在一些实现中,本技术的系统可以包括服务器。服务器可以被配置为访问在此描述的处理器可读介质或数据存储介质中的任一个,其包括前述过程中的任一个的处理器控制指令。服务器可以被配置为接收通过网络将处理器可读介质的处理器可执行指令下载到这种处理装置的请求。在一些实现中,处理装置可以是智能电话、平板或其它智能装置,或其它计算装置。处理装置可以是呼吸治疗装置,例如本文所述的呼吸治疗装置,其操作以使用鼓风机的控制器提供治疗。
4.1可选示例处理系统
如前所述,在一种形式中,本技术可以包括用于治疗和/或监测呼吸障碍的设备或装置,该设备或装置可以涉及和/或被配置用于前述过程中的任一个,以便用作图6的前述计算系统或与之通信。该设备或装置可以是呼吸治疗设备(RT),例如RPT装置4000,用于经由通向患者接口3000的空气回路4170向患者1000供应加压空气流。气流可以是压力控制的(用于呼吸压力治疗)或流量控制的(用于诸如高流量治疗HFT的流量治疗)。因此,RPT装置还可配置为用作流动治疗装置,例如当使用不使用与患者的呼吸系统密封的密封件的患者接口时。在下面的描述中,可以参考图8-11来考虑RT或RPT装置。
4.2患者接口
根据本技术的一个方面的非侵入式患者接口3000可以可选地包括以下功能方面中的任一个:密封形成结构3100、充气室3200、定位和稳定结构3300、通气口3400、用于连接到空气回路4170的连接端口3600,以及前额支架3700。在一些形式中,可通过一个或多个物理部件来提供功能方面。在一些形式中,一个物理部件可提供一个或多个功能方面。在使用中,密封形成结构3100布置成围绕患者气道的入口,以便于向气道供应加压空气。
4.3RPT装置
根据本技术的一个方面的RPT装置4000包括机械和气动部件4100、电气部件4200,并且被编程为执行一个或多个算法4300。RPT装置4000可具有外部壳体4010,其以两部分形成:上部4012和下部4014。在一种形式中,外部壳体4010可包括一个或多个面板4015。RPT装置4000可以包括底盘4016,其对RPT装置4000的一个或多个内部部件进行支撑。RPT装置4000可包括手柄4018。
RPT装置4000的气动路径可包括一个或多个空气路径物品,例如入口空气过滤器4112、入口消音器4122、能够供应加压空气的压力发生器4140(例如,鼓风机4142)、出口消音器4124,以及一个或多个转换器4270,诸如压力传感器4272和流量传感器4274。
一个或多个空气路径物品可以位于可移除的整体结构内,该整体结构将被称为气动块4020。气动块4020可以位于外部壳体4010内。在一种形式中,气动块4020由底盘4016支撑或形成为底盘4016的一部分。
RPT装置4000可具有电源4210、一个或多个输入装置4220、中央控制器4230、治疗装置控制器4240、压力发生器4140、一个或多个保护电路4250、存储器4260、转换器4270、数据通信接口4280以及一个或多个输出装置4290。电气部件4200可安装在单个印刷电路板组件(PCBA)4202上。在一种替代形式中,RPT装置4000可包括多于一个PCBA 4202。
4.3.1RPT装置机械&气动部件
RPT装置4000可以在一个整体单元中包括以下部件中的一个或多个。在替代形式中,以下部件中的一个或多个可作为相应的独立单元定位。
4.3.1.1空气过滤器
根据本技术的一种形式的RPT装置4000可包括一个空气过滤器4110,或多个空气过滤器4110。
在一种形式中,空气入口过滤器4112位于压力发生器4140上游的气动路径的开始处。
在一种形式中,空气出口过滤器4114,例如抗菌过滤器被定位在气动块4020的出口与患者接口3000之间。
4.3.1.2消音器
根据本技术的一种形式的RPT装置4000可包括一个消音器4120,或多个消音器4120。
在本技术的一种形式中,入口消音器4122位于压力发生器4140上游的气动路径中。
在本技术的一种形式中,出口消音器4124位于压力发生器4140与患者接口3000之间的气动路径中。
4.3.1.3压力发生器
在本技术的一种形式中,用于供应加压空气的压力发生器4140是可控鼓风机4142。例如,鼓风机4142可以包括无刷DC马达4144,其具有容纳在蜗壳中的一个或多个叶轮。压力发生器4140能够产生例如约120升/分钟,在约4cmH2O至约20cmH2O范围内的正压下,或在高达约30cmH2O的其它形式下的空气供给或气流。
该压力发生器4140处于该治疗装置控制器4240的控制下。
在其他形式中,压力发生器4140可以是活塞驱动泵、连接到高压源(例如,压缩空气储存器)的压力调节器,或波纹管。
4.3.1.4转换器
转换器可以在RPT装置的内部,或者在RPT装置的外部,诸如前面描述的手指PPG传感器或PAT感测装置,包括例如图6A所示的手指传感器设备。外部转换器可以位于例如空气回路(例如,患者接口)上或形成空气回路的一部分。外部转换器可以是非接触传感器的形式,例如将数据传输或转移到RPT装置的多普勒雷达运动传感器。
在本技术的一种形式中,一个或多个转换器4270位于压力发生器4140的上游和/或下游。一个或多个传感器4270被构造和布置成产生表示气流在气动路径中的该点处的诸如流量、压力或温度的相应特性的数据。
在本技术的一种形式中,一个或多个转换器4270位于患者接口3000附近。
在一种形式中,可以对来自转换器4270的信号进行滤波,诸如通过低通、高通或带通滤波。
4.3.1.5防溢回阀
在本技术的一种形式中,防溢回阀4160被定位在加湿器5000与气动块4020之间。防溢回阀被构造和布置为降低水从加湿器5000向上游流动到例如马达4144的风险。
4.3.1.6空气回路
根据本技术的一个方面的空气回路4170是被构造和布置成在使用中允许空气流在诸如气动块4020和患者接口3000的两个部件之间行进的导管或管。
4.3.1.7氧气输送
在本技术的一种形式中,补充氧气4180被输送到气动路径中的一个或多个点,例如气动块4020的上游,被输送到空气回路4170和/或患者接口3000。
4.3.2RPT装置电气部件
4.3.2.1电源
在本技术的一种形式中,电源4210位于RPT装置4000的外部壳体4010的内部。在本技术的另一种形式中,电源4210在RPT装置4000的外部壳体4010的外部。
在本技术的一种形式中,电源4210仅向RPT装置4000提供电力。在本技术的另一种形式中,电源4210向RPT装置4000和加湿器5000两者提供电力。
4.3.2.2输入装置
在本技术的一种形式中,RPT装置4000包括按钮、开关或拨号盘形式的一个或多个输入装置4220,以允许人与该装置交互。按钮、开关或拨号盘可以是可通过触摸屏访问的物理装置或软件装置。按钮、开关或拨号盘可以以一种形式物理地连接到外壳4010,或者可以以另一种形式与电连接到中央控制器4230的接收器无线通信。
在一种形式中,输入装置4220可以被构造和布置为允许人选择值和/或菜单选项。
4.3.2.3中央控制器
在本技术的一种形式中,中央控制器4230是适于控制RPT装置4000的处理器,例如x86 INTEL处理器。
适于根据本技术的另一形式控制RPT装置4000的中央控制器4230包括基于来自ARM Holdings的ARM Cortex-M处理器的处理器。例如,可以使用来自ST MICROELECTRONICS的STM32系列微控制器。
适于根据本技术的另一可选形式控制RPT装置4000的另一中央控制器4230包括从基于ARM9的32位RISC CPU系列中选择的成员。例如,可以使用来自ST MICROELECTRONICS的STR9系列微控制器。
在本技术的某些替代形式中,16位RISC CPU可用作RPT装置4000的中央控制器4230。例如,可以使用由TEXAS INSTRUMENTS制造的MSP430系列微控制器的处理器。
在本技术的另一种形式中,中央控制器4230是专用电子电路。在另一种形式中,中央控制器4230是专用集成电路(ASIC)。在另一种形式中,中央控制器4230包括分立的电子部件。
中央控制器4230被配置为接收来自一个或多个转换器4270、一个或多个输入装置4220,以及加湿器5000的输入信号。
中央控制器4230被配置为向输出装置4290、治疗装置控制器4240、数据通信接口4280和加湿器5000中的一个或多个提供输出信号。
在本技术的一些形式中,中央控制器4230被配置成实现在此描述的一个或多个方法,例如一个或多个算法4300,表示为存储在非瞬态计算机可读存储介质(例如存储器4260或在此描述的其他存储器)中的计算机程序。在本技术的一些形式中,如前所述,中央控制器4230可以与RPT装置4000集成。然而,在本技术的一些形式中,一些方法可由远程定位的装置或服务器(例如先前提及的服务器)执行。例如,远程定位的装置或服务器可以例如通过检测与呼吸相关的事件并且通过分析存储的数据(例如来自在此描述的任何传感器)来按类型区分它们,来确定用于传输到呼吸机或其他RT装置的控制设定。
虽然中央控制器4230可以包括与各种传感器4270、数据通信接口4280、存储器4260以及其它装置交互的单个控制器,但是控制器4230的功能可以分布在多于一个的控制器中。因此,这里使用的术语“中央”并不意味着将体系结构限制为控制其它装置的单个控制器或处理器。例如,可替换的体系结构可以包括涉及多于一个控制器或处理器的分布式控制器体系结构,其可以可选地直接或间接地与先前描述的手指传感器进行电子(有线或无线)通信,或者与手指传感器进行通信的服务器,例如用于实现这里描述的任何方法。这可以包括例如执行一些算法4300的单独的本地(即,在RPT装置4000内)或远程控制器,或者甚至包括存储一些算法的多于一个的本地或远程存储器。另外,当被表示为计算机程序时,算法可以包括高级人类可读代码(例如,C++、视觉基础、其它面向对象的语言等)或低/机器级指令(汇编语言、Verilog等)。根据算法的功能,这样的代码或指令可以被烧录在控制器中,例如ASIC或DSP,或者是被移植到DSP或通用处理器的运行时间可执行代码或指令,然后DSP或通用处理器被专门编程以执行算法所需的任务。
4.3.2.4时钟
RPT装置4000可以包括连接到中央控制器4230的时钟4232。
4.3.2.5治疗装置控制器
在本技术的一种形式中,治疗装置控制器4240是治疗控制模块4330,其形成由中央控制器4230执行的算法4300的一部分。
在本技术的一种形式中,治疗装置控制器4240是专用马达控制集成电路。例如,在一种形式中,使用由ONSEMI制造的MC33035无刷DC马达控制器。
4.3.2.6保护电路
根据本技术的RPT装置4000可以包括一个或多个保护电路4250。
根据本技术的保护电路4250的一种形式是电保护电路。
根据本技术的保护电路4250的一种形式是温度或压力安全电路。
4.3.2.7存储器
根据本技术的一种形式,RPT装置4000包括存储器4260,例如非易失性存储器。在一些形式中,存储器4260可以包括电池供电的静态RAM。在一些形式中,存储器4260可以包括易失性RAM。
存储器4260可以位于PCBA 4202上。存储器4260可以是EEPROM或NAND闪存的形式。
附加地或可选地,RPT装置4000包括可移除形式的存储器4260,例如根据安全数字(SD)标准制造的存储卡。
在本技术的一种形式中,存储器4260(例如先前描述的存储器中的一者)充当非暂时性计算机可读存储介质,其上存储有表达本文描述的一个或多个方法(例如一个或多个算法4300)的计算机程序指令。
4.3.2.8转换器
转换器可以在装置4000的内部,或者在RPT装置4000的外部。外部转换器可以位于例如空气输送回路4170上或形成空气输送回路4170的一部分,例如在患者接口3000处。外部转换器可以是非接触传感器的形式,例如将数据传输或转移到RPT装置4000的多普勒雷达运动传感器。
4.3.2.8.1流量
根据本技术的流量转换器4274可以基于差压转换器,例如来自SENSIRION的SDP600系列差压转换器。差压传感器与气动回路流体连通,每个压力转换器中的一个连接到限流元件中相应的第一点和第二点。
在一个示例中,表示来自流量转换器4274的总流量Qt的信号由中央控制器4230接收。
4.3.2.8.2压力
根据本技术的压力转换器4272定位成与气动路径流体连通。合适的压力转换器4272的示例是来自HONEYWELL ASDX系列的传感器。另一种合适的压力转换器是来自GENERAL ELECTRIC的NPA系列的传感器。
在使用中,来自压力转换器4272的信号由中央控制器4230接收。在一种形式中,来自压力转换器4272的信号在被中央控制器4230接收之前被过滤。
4.3.2.8.3马达速度
在本技术的一种形式中,马达速度转换器4276用于确定马达4144和/或鼓风机4142的旋转速度。来自马达速度转换器4276的马达速度信号可以提供给治疗装置控制器4240。马达速度转换器4276例如可以是速度传感器,例如霍尔效应传感器。
4.3.2.9数据通信系统
在本技术的一种形式中,提供了数据通信接口4280,其连接到中央控制器4230。数据通信接口4280可连接到远程外部通信网络4282和/或本地外部通信网络4284。远程外部通信网络4282可连接到远程外部装置4286。本地外部通信网络4284可连接到本地外部装置4288。
在一种形式中,数据通信接口4280是中央控制器4230的一部分。在另一种形式中,数据通信接口4280与中央控制器4230分离,并且可以包括集成电路或处理器。
在一种形式中,远程外部通信网络4282是因特网。数据通信接口4280可以使用有线通信(例如经由以太网或光纤)或无线协议(例如CDMA、GSM、LTE)来连接到因特网。
在一种形式中,本地外部通信网络4284利用一个或多个通信标准,例如蓝牙或消费者红外协议,并且可以可选地与这里描述的任何传感器通信。
在一种形式中,远程外部装置4286是一个或多个计算机,例如本文所述的联网计算机和/或服务器的集群。在一种形式中,远程外部装置4286可以是虚拟计算机,而不是物理计算机。在任一种情况下,这种远程外部装置4286可以被适当授权的人如临床医生访问。
本地外部装置4288可以是个人计算机、移动电话、平板或遥控装置。
4.3.2.10包括可选显示器、警报的输出装置
根据本技术的输出装置4290可以采取视觉、音频和触感单元中的一个或多个的形式。视觉显示器可以是液晶显示器(LCD)或发光二极管(LED)显示器。
4.3.2.10.1显示驱动器
显示驱动器4292接收要在显示器4294上显示的字符、符号或图像作为输入,并将它们转换成使显示器4294显示这些字符、符号或图像的命令。
4.3.2.10.2显示器
显示器4294被配置为响应于从显示驱动器4292接收的命令可视地显示字符、符号或图像。例如,显示器4294可以是八段显示器,在这种情况下,显示驱动器4292将每个字符或符号(例如图“0”)转换成8个逻辑信号,该8个逻辑信号指示是否要激活8个相应的段来显示特定的字符或符号。
4.3.3RPT装置算法
4.3.3.1预处理模块
根据本技术的预处理模块4310接收来自转换器4270(例如,流量传感器4274或压力传感器4272)的原始数据作为输入,并且执行一个或多个处理步骤以计算将被用作到另一个模块(例如,治疗引擎模块4320)的输入的一个或多个输出值。
在本技术的一种形式中,输出值包括界面或面罩压力Pm、呼吸流量Qr和泄漏流量Ql。
在本技术的各种形式中,预处理模块4310包括以下算法中的一个或多个:压力补偿4312、通气流量估计4314、泄漏流量估计4316、呼吸流量估计4317、通气确定4311、目标通气确定4313、呼吸速率估计4318和备用速率确定4319。
4.3.3.1.1压力补偿
在本技术的一种形式中,压力补偿算法4312接收指示邻近气动块4020的出口的气动路径中的压力的信号作为输入。压力补偿算法4312估计空气回路4170中的压降并且在患者接口3000中提供所估计的压力Pm作为输出。
4.3.3.1.2通气流量估计
在本技术的一种形式中,通气流量估计算法4314接收患者接口3000中的估计压力Pm作为输入,并且估计来自患者接口3000中的通气3400的空气的通气流量Qv。
4.3.3.1.3泄漏流量估计
在本技术的一种形式中,泄漏流量估计算法4316接收总流量Qt和通气流量Qv作为输入,并估计泄漏流量Ql。在一种形式中,泄漏流量估计算法4316通过计算在足够长的时间段(例如,约10秒)内总流量与通气流量Qv之间的差的平均值来估计泄漏流量Ql,所述时间段足够长以包括若干呼吸循环。
在一种形式中,泄漏流量估计算法4316接收患者接口3000中的总流量Qt、通气流量Qv和估计压力Pm作为输入,并通过计算泄漏传导率来估计泄漏流量Ql,并将泄漏流量Ql确定为泄漏传导率和压力Pm的函数。泄漏传导率可被计算为低通滤波的非通气流量与低通滤波的压力平方根Pm的商,所述低通滤波的非通气流量等于总流量Qt和通气流量Qv之间的差值,其中低通滤波器时间常数具有足够长的值以包括几个呼吸循环,例如大约10秒。泄漏流量Ql可以被估计为泄漏传导率与压力Pm的函数的乘积。
4.3.3.1.4呼吸流量估计
在本技术的一种形式中,呼吸流量估计算法4317接收总流量Qt、通气流量Qv和泄漏流量Ql作为输入,并通过从总流量Qt中减去通气流量Qv和泄漏流量Ql来估计到患者的空气的呼吸流量Qr。
在本技术的其他形式中,呼吸流量估计算法4317提供了用作呼吸流量Qr的代理的值。呼吸流量的可能代理包括:
-患者1000胸部呼吸运动
-压力发生器4140产生的电流
-压力发生器4140的马达速度
-患者1000经胸阻抗
呼吸流量代理值可以由RPT装置4000中的转换器4270(例如,马达速度传感器4276)或RPT装置4000外部的传感器(例如呼吸运动传感器或经胸阻抗传感器)提供。
4.3.3.1.5通气确定
在本技术的一种形式中,通气量确定算法4311接收呼吸流速Qr的输入,并确定指示当前患者通气量Vent的测量。
在一些实现中,通气量确定算法4311确定作为实际患者通气量的估计的通气量Vent的测量。
在一种这样的实现中,通气量Vent的测量是呼吸流量Qr的绝对值的一半,该呼吸流量Qr可选地由低通滤波器(例如具有0.11Hz的拐角频率的二阶贝塞尔低通滤波器)进行滤波。
在一个这样的实现中,通气量Vent的测量是对总肺泡通气量(即,非解剖死腔通气量)的估计。这需要估计解剖死腔。可以使用患者的身高(或在严重骨骼畸形的情况下的臂跨度)作为解剖死腔的良好预测因子。然后,总肺泡通气量等于实际患者通气量的测量,例如,如上确定的,减去估计的解剖死腔和估计的自发呼吸速率Rs的乘积。
在其他实现中,通气量确定算法4311确定与实际患者通气量大致成比例的通气量Vent的测量。一种这样的实现估计循环的吸气部分上的峰值呼吸流量Qpeak。这个过程和涉及对呼吸流量Qr进行采样的许多其他过程产生与通气大致成比例的测量,只要流量波形形状变化不是很大(这里,当在时间和幅度上归一化的呼吸的流量波形相似时,认为两个呼吸的形状相似)。一些简单的示例包括正呼吸流量的中值、呼吸流量绝对值的中值和流量的标准偏差。使用正系数的呼吸流量绝对值的任意阶统计量的任意线性组合,甚至一些使用正系数和负系数的呼吸流量绝对值的任意阶统计量的任意线性组合,大致与通气量成比例。另一个示例是吸气部分的中间K比例(按时间)中的呼吸流量的平均值,其中0<K<1。如果流量波形形状是恒定的,则存在与通气量精确成比例的任意大量的测量。
在其他形式中,通气量确定算法4311确定通气量Vent的测量,其不是基于呼吸流量Qr,而是当前患者通气量的代表,例如从附接到患者1000的适当传感器获得的氧饱和度(SaO2)或二氧化碳分压(PCO2)。
4.3.3.1.6目标通气量确定
在本技术的一种形式中,中央控制器4230将当前通气量Vent的测量值作为输入,并执行一个或多个目标通气量确定算法4313,用于确定通气量测量的目标值Vtgt。
在本技术的一些形式中,不存在目标通气量确定算法4313,并且例如通过在RPT装置4000的配置期间的硬编码或通过输入装置4220的手动输入来预先确定目标通气量Vtgt。
在本技术的其它形式中,例如自适应伺服通气(ASV)治疗(下面描述),目标通气量确定算法4313根据指示患者1000的典型近期通气量的值Vtyp来计算目标通气量Vtgt。
在一些形式的自适应伺服通气治疗中,目标通气量Vtgt被计算为典型的近期通气量Vtyp的高比例,但小于典型的近期通气量Vtyp。这种形式的高比例可以在(80%,100%)或(85%,95%)或(87%,92%)的范围内。
在自适应伺服通气治疗的其他形式中,目标通气量Vtgt被计算为稍大于典型的最近通气量Vtyp的整数倍。
典型的最近通气量Vtyp是这样的值,在该值周围,在一些预定时间尺度上的多个时刻上的当前通气量Vent的测量值的分布聚集,即,在最近历史上的当前通气量的测量的中心趋势的测量。在目标通气量确定算法4313的一个实现中,最近历史是几分钟的量级,但是在任何情况下都应该比潮式盛衰周期的时间尺度更长。目标通气量确定算法4313可以使用中心趋势的各种公知测量中的任何一种来从当前通气量Vent的测量中确定典型的最近通气量Vtyp。一种这样的测量是当前通气量Vent的测量上的低通滤波器的输出,时间常数等于一百秒。
4.3.3.1.7呼吸速率估计
在本技术的一种形式中,呼吸速率估计算法4318接收患者1000的呼吸流量Qr作为输入,并产生患者的自发呼吸速率Rs的估计。
呼吸速率估计算法4318可以估计在患者1000自发呼吸期间的自发呼吸速率Rs,即当RPT装置4000不传送“备用呼吸”时(如下所述)。在本技术的一些形式中,呼吸速率估计算法4318估计在伺服辅助(定义为压力支持减去最小压力支持)较低时的周期内的呼吸速率,在一个实现中小于4cmH2O,因为这样的周期更可能反映自发呼吸努力。
在本技术的一些形式中,呼吸速率估计算法4318估计在睡眠呼吸时段上的呼吸速率,因为在这些时段期间的呼吸速率可能基本上不同于在醒来期间的呼吸速率。焦虑通常导致比睡眠期间普遍存在的呼吸速率更高的呼吸速率。当患者集中于他们自己的呼吸过程时,他们的呼吸速率通常低于正常觉醒期间或睡眠期间的呼吸速率。诸如在公开为WO2011/006199的专利申请第PCT/AU2010/000894号中描述的技术可用于根据呼吸流量Qr来识别清醒呼吸的周期,该专利申请的全部公开内容通过引用结合于此。
在本技术的一些形式中,呼吸速率估计算法4318将自发呼吸速率Rs估计为感兴趣时段期间呼吸持续时间Ttot的集中趋势的多种公知统计度量之一的倒数。在这样的测量中,期望拒绝或至少对于异常值是鲁棒的。一种这样的测量,即微调平均值,其中丢弃分类的呼吸持续时间的较低和较高K比例,并且根据剩余呼吸持续时间计算的平均值对于异常值是鲁棒的。例如,当K为0.25时,这相当于丢弃呼吸持续时间Ttot的上四分位数和下四分位数。中间值是中心趋势的另一个强有力的测量,尽管当分布是强双峰时,这偶尔会给出不令人满意的结果。简单的平均值也可以用作中心趋势的测量,尽管它对离群值敏感。可以采用初始间隔过滤阶段,其中对应于不可信呼吸速率(例如,大于45次呼吸/分钟或小于6次呼吸/分钟)的连续时间间隔作为离群值从平均值计算中排除。可以单独使用或与间隔过滤组合使用的其它过滤机制是排除不是N个连续自发呼吸的序列的一部分的任何呼吸,其中N是某个小整数(例如,3),并且排除连续自发呼吸的序列的早和晚呼吸,例如,排除四个呼吸的序列的第一和最后呼吸。后一种机制的基本原理是,自发性呼吸序列的第一次和最后一次呼吸,以及通常的早期和晚期呼吸可能是非典型的;例如,第一次自发呼吸可以作为唤醒的结果而发生,并且最后一次自发呼吸可以更长,因为呼吸驱动的降低导致了结束自发呼吸序列的备用呼吸。
在本技术的一些形式中,呼吸速率估计算法4318使用估计的初始周期来进行自发呼吸速率Rs的初始估计,以使得治疗引擎模块4320中的后续处理能够开始,然后使用比估计的初始周期长的估计周期来连续地更新自发呼吸速率Rs的估计,以提高统计鲁棒性。例如,估计的初始周期可以是20分钟的适当的自发呼吸,但是估计的周期然后可以逐渐增加直到某个最大持续时间,例如8小时。不是将该持续时间的滚动窗口用于该估计,而是可以使用对呼吸持续时间的低通滤波器,随着会话的进行具有逐渐更长的响应时间(更精确地,逐渐更低的拐角频率)。
在一些形式中,中心趋势的适当处理的短期(例如,10分钟)测量,诸如微调平均值,可以被输入到适当的低通滤波器以给出在小时或更长的时间尺度上变化的估计Rs。这具有的优点是不需要存储和处理潜在地大量的呼吸持续时间数据,如果需要在持续数小时或数天的呼吸持续时间数据的移动窗口上计算微调平均值,则可能发生这种情况。
在本技术的一些形式中,在短时间段内,特别是在一次呼吸内测量的呼吸速率也可以用来代替上述集中趋势测量中的呼吸持续时间,从而给出大致相似但不相同的结果。
4.3.3.1.8备用速率确定
在本技术的一种形式中,备用速率确定算法4319接收由呼吸频率估计算法4318提供的自发呼吸频率估计Rs作为输入,并返回“备用速率”Rb。备用速率Rb是RPT装置4000在没有显著的自发呼吸努力的情况下将备用呼吸(即,继续提供通气支持)递送到患者1000的速率。
在预处理模块4310的一种形式中,没有备用速率确定算法4319,而是将备用速率Rb例如经由输入设备4220手动提供给RPT装置4000,或者在配置RPT装置4000时进行硬编码。
在一种被称为自适应备用速率的形式中,备用速率确定算法4319确定作为自发呼吸速率Rs的函数的备用速率Rb。在一种实现中,该函数将备用速率Rb确定为自发呼吸速率Rs减去诸如每分钟2次呼吸的常数。在另一实现中,该函数将备用速率Rb确定为自发呼吸速率Rs乘以略小于1的常数。
在一种被称为可变备用速率的形式中,备用速率确定算法4319确定作为时间函数的备用速率Rb。备用速率Rb被初始化为被称为自发备用速率(SBR)的值,该自发性备用速率是被称为持续定时备用速率(STBR)的最终目标备用速率的一部分。该分数可以是三分之二,或四分之三,或小于一的其它正值。SBR是当最近的吸气是自发的(即,专利触发的)呼吸时,超时时段与备用呼吸的倒数。STBR可以是预定的(例如,通过如上所述的手动输入或硬编码)或被设定为某个典型的呼吸速率,例如15bpm。随着从先前的自发呼吸开始经过的时间,备用速率Rb从SBR向STBR增加。该增加可以根据预定的曲线,例如一系列台阶,或连续的线性曲线。选择简档使得备用速率Rb在预定间隔之后达到STBR。该间隔可以以时间单位测量,例如30秒,或相对于患者的呼吸,例如5次呼吸。
在一些形式的可变备用速率中,备用速率Rb从SBR向STBR增加的预定间隔可以是当前通气的充分性的函数。在适用于伺服通气的一个实现中,其中对于通气量的测量存在目标值Vtgt,备用速率更快地接近STBR,达到通气量的当前测量Vent小于目标通气量Vtgt的程度。
在称为自适应可变备用速率的可变备用速率的一种形式中,备用速率确定算法4319将备用速率Rb确定为由呼吸速率估计算法4318提供的当前估计自发呼吸速率Rs的函数,以及时间的函数。与在可变备用速率确定中一样,自适应可变备用速率确定在预定间隔上从SBR向STBR增加备用速率Rb,该预定间隔可以是当前通气充分性的函数。STBR可以被初始化为标准呼吸速率,例如15bpm。一旦可从呼吸速率估计算法4318获得自发呼吸速率Rs的可靠估计,STBR可被设定为当前估计的自发呼吸速率Rs乘以某个常数。SBR可被设定为STBR的某一部分,如在可变备用速率中。在一种形式中,例如三分之二的分数可以在自发呼吸速率Rs的初始估计期间被设定为较低值,例如0.55,以适应具有相对较低呼吸速率(例如每分钟12次呼吸)的患者的偶尔长呼吸持续时间。
在一些形式中,当前估计的自主呼吸速率Rs乘以以获得STBR的常数可以稍微高于1,例如1.1,以在呼吸暂停期间提供更积极的通气,这在短暂呼吸暂停中可能是期望的。该常数可以稍微低于1,例如0.8,特别是如果在返回患者努力时与患者重新同步的困难证明是特定患者中的问题。较低的备用速率通过延长呼气暂停使再同步更容易,在呼气暂停期间通常发生再同步。
4.3.3.2治疗引擎模块
在本技术的一种形式中,治疗引擎模块4320接收患者接口3000中的压力Pm、到患者的空气的呼吸流量Qr和自发呼吸速率的估计Rs中的一个或多个作为输入,并且提供一个或多个治疗参数作为输出。在各种形式中,治疗引擎模块4320包括一个或多个以下算法:相位确定4321、波形确定4322、吸气流量限制确定4324、呼吸暂停/呼吸不足确定4325、打鼾检测4326、气道通畅性确定4327和治疗参数确定4329,例如包括如前所述的中枢与阻塞性类型确定。
4.3.3.2.1相位确定
在本技术的一种形式中,相位确定算法4321接收指示呼吸流量Qr的信号作为输入,并且提供患者1000的当前呼吸循环的相位Φ作为输出。
在一些形式中,称为离散相位确定,相位输出Φ是离散变量。离散相位确定的一种实现在分别检测自发吸气和呼气的开始时提供具有吸气或呼气值的双值相位输出Φ,例如分别表示为0和0.5转的值。“触发”和“循环”的RPT装置4000有效地执行离散相位确定,因为触发点和循环点分别是相位从呼气到吸气和从吸气到呼气变化的时刻。在双值相位确定的一个实现中,当呼吸流量Qr具有超过正阈值的值时,相位输出Φ被确定为具有离散值0(由此“触发”RPT装置4000),并且当呼吸流量Qr具有比负阈值更负的值时,相位输出Φ被确定为具有离散值0.5转(由此“循环”RPT装置4000)。
离散相位确定的另一实现提供具有吸气、中间吸气暂停和呼气之一的值的三值相位输出Φ。
在被称为连续相位确定的其它形式中,相位输出Φ是连续变量,例如从0到1转,或0到2π弧度变化。执行连续相位确定的RPT装置4000可在连续相位分别达到0和0.5转时触发和循环。在连续相位确定的一个实现中,使用呼吸流量Qr的模糊逻辑分析来确定相位Φ的连续值。在该实现中确定的相位的连续值通常被称为“模糊相位”。在模糊相位确定算法4321的一个实现中,以下规则被应用于呼吸流量Qr:
1.如果呼吸流量为零且快速增加,则相位为0转。
2.如果呼吸流量是大的正的且稳定,则相位是0.25转。
3.如果呼吸流量为零且快速下降,则相位为0.5转。
4.如果呼吸流量为大的负的且稳定,则相位为0.75转。
5.如果呼吸流量为零且稳定,并且呼吸流量的5秒低通滤波绝对值大,则相位为0.9转。
6.如果呼吸流量为正,相位为呼气,则相位为0转。
7.如果呼吸流量为负,相位为吸气,则相位为0.5转。
8.如果呼吸流量的5秒低通滤波绝对值大,则相位以等于患者呼吸速率的稳定速率增加,以20秒的时间常数低通滤波。
每个规则的输出可以表示为向量,其相位是规则的结果,并且其幅度是规则为真的模糊程度。用适当的隶属函数来确定呼吸流量“大”、“稳定”等的模糊程度。规则的结果表示为向量,然后通过诸如取形心的某个函数来组合。在这样的组合中,规则可以被同等地加权,不同地加权。
在连续相位确定的另一实现中,首先从呼吸流速Qr估计吸气时间Ti和呼气时间Te。相位Φ可以被确定为从前一触发瞬间起已经经过的吸入时间Ti的一半比例,或者0.5转加上从前一周期瞬间(无论哪个更近)起已经经过的呼出时间Te的一半比例。
在适用于压力支持通气治疗(下文描述)的本技术的一些形式中,相位确定算法4321被配置为甚至在呼吸流速Qr不显著时(例如在呼吸暂停期间)也触发。因此,RPT装置4000在没有来自患者1000的自发呼吸努力的情况下输送“备用呼吸”。对于这种被称为自发/定时(S/T)模式的形式,相位确定算法4321可以利用由备用速率确定算法4319提供的备用速率Rb。
使用“模糊相位”的相位确定算法4321可以通过在模糊相位规则中包括“动量”规则来使用备用速率Rb实现S/T模式。动量规则的效果是,如果没有呼吸流量Qr的特征,则以备用速率Rb将连续相从呼气向前传送到吸气,否则呼吸流速Qr将通过其他规则将连续相向前传送。在一种实现中,通气量Vent的测量(下面描述)远低于通气量的目标值Vtgt(也在下面描述)越真实,动量规则在组合中被加权得越高。然而,作为响应于轻度至中度换气不足(相对于目标通气)的压力支持的快速增加的结果,通气可能非常接近目标通气。理想的是,当通气接近目标时给予动量规则低的权重,以允许患者以显著低于其他时间(当患者不处于中枢性呼吸暂停时)的呼吸速率的速率呼吸,而不会被呼吸机不必要地推动以更高的速率呼吸。然而,当通气量在低于但接近目标通气量的值之上时,给予动量规则低的权重时,可以以远低于备用速率的速率在相对高的压力支持下容易地实现足够的通气量。希望以更高的速率输送备用呼吸,因为这将使得能够以较低的压力支持输送目标通气。这是由于许多原因所希望的,关键的一个原因是减少面罩泄漏。
概括地说,在实现S/T模式的模糊相位确定算法4321中,在为包含备用速率Rb的动量规则选择加权时存在两难:如果过高,患者可能会感到被备用速率“推动”。如果压力过低,则压力支持可能过大。因此,希望提供不依赖于上述动量法则的实现S/T模式的方法。
相位确定算法4321(离散的或连续的,没有动量规则)可以以称为定时备用的方式使用备用速率Rb来实现S/T模式。定时备用可以如下实现:相位确定算法4321试图检测由于自发呼吸努力而引起的吸气开始,例如通过如上所述监测呼吸流速Qr。如果在持续时间等于备用速率Rb的倒数(称为备用定时阈值的间隔)的最后一个触发时刻之后的一段时间内没有检测到由于自发呼吸努力而引起的吸气开始,则相位确定算法4321将相位输出Φ设置为吸气值(由此触发RPT装置4000)。一旦RPT装置4000被触发,并且备用呼吸开始被输送,相位确定算法4321尝试检测自发呼气的开始,例如通过监测呼吸流速Qr,在该呼吸流速Qr上,相位输出Φ被设定为呼气的值(由此循环RPT装置4000)。
如果备用速率Rb随着时间从SBR增加到STBR,如在上述可变备用速率系统中,备份定时阈值开始变长并逐渐变短。也就是说,随着输送更多的备用呼吸,RPT装置4000开始起效不那么警惕,并且逐渐变得更加警惕而缺乏自发呼吸努力。如果希望以低于标准速率呼吸,这种RPT装置4000不大可能使患者感觉“向前”,而当需要时仍然输送备用呼吸。
如果可变备用速率系统中的STBR适应于患者的估计自主呼吸速率Rs,如在上述自适应可变备用速率系统中,则备用呼吸将以适应于患者自己最近的自主呼吸努力的速率递送。
4.3.3.2.2波形确定
在本技术的一种形式中,治疗控制模块4330控制压力发生器4140以根据波形模板Π(Φ)提供作为患者的呼吸循环的相位Φ的函数而变化的治疗压力Pt。
在本技术的一种形式中,波形确定算法4322提供在由相位确定算法4321提供的相位值Φ域上的[0,1]范围内的值的波形模板Π(Φ),以由治疗参数确定算法4329使用。
在适合于离散或连续值相位的一种形式中,波形模板Π(Φ)是方波模板,对于直到并包括0.5转的相位值具有值1,对于大于0.5转的相位值具有值0。在适合于连续值相位的一种形式中,波形模板Π(Φ)包括两个平滑弯曲的部分,即对于直到0.5转的相位值,平滑弯曲(例如升余弦)从0上升到1,而对于大于0.5转的相位值,平滑弯曲(例如指数)从1衰减到0。这种“平滑和舒适”波形模板的一个示例是“鲨鱼鳍”波形模板,其中上升是升余弦,而平滑衰减是拟指数的(以便当Φ接近一圈时Π的极限精确地为零)。
在本技术的一些形式中,波形确定算法4322根据RPT装置4000的设定从波形模板库中选择波形模板Π(Φ)。库中的每个波形模板Π(Φ)可以被提供为相对于相位值Φ的值Π的查找表。在其它形式中,波形确定算法4322使用可能由一个或多个参数(例如,指数弯曲部分的时间常数)参数化的预定函数形式“在运行中”计算波形模板Π(Φ)。功能形式的参数可以是预定的或取决于患者1000的当前状态。
在本技术的一些形式中,适合于吸入(Φ=0转)或呼出(Φ=0.5转)的离散双值相位,波形确定算法4322“在运行中”根据离散相位φ和从最近的触发时刻(从呼气到吸气的过渡)开始测量的时间t计算波形模板Π。在一种这样的形式中,波形确定算法4322如下计算两部分(吸气和呼气)中的波形模板Π(Φ,t):
其中Πi(t)和Πe(t)是波形模板Π(Φ,t)的吸气和呼气部分,并且Ti是吸气时间。在一种这样的形式中,波形模板的吸气部分Πi(t)是由上升时间参数化的从0到1的平滑上升,而波形模板的呼气部分Π。(t)是由下降时间参数化的从1到0的平滑下降。
4.3.3.2.3吸气流量限制的确定
在本技术的一种形式中,处理器执行用于检测吸气流量限制(部分阻塞)的一个或多个算法4324。
在一种形式中,算法4324接收呼吸流量信号Qr作为输入,并提供呼吸的吸气部分表现出吸气流量限制的程度的度量作为输出。
在本技术的一种形式中,基于在每个瞬间估计的相位Φ来识别每个呼吸的吸气部分。例如,呼吸的吸气部分是相位Φ小于或等于0.5的呼吸流量的值。由内插器沿着每次呼吸的吸气流量-时间曲线内插代表时间点的多个均匀间隔的点(例如,65个)。由点描述的曲线然后由标量缩放以具有统一长度(持续时间/周期)和统一面积,以消除改变呼吸速率和深度的影响。然后在比较器中比较缩放的呼吸与表示正常无阻塞呼吸的预存模板。在来自该模板的吸气期间的任何时间,偏离超过指定阈值(通常为1缩放单位)的呼吸被拒绝,诸如由测试元件确定的由于咳嗽、叹息、吞咽和打嗝引起的那些呼吸。对于非拒绝数据,由中央控制器4230计算前几个吸气事件的第一个这样的缩放点的移动平均值。对于第二个这样的点,这在相同的吸气事件上重复,依此类推。因此,例如,65个缩放的数据点由中央控制器4230生成,并且表示先前的几个吸气事件(例如,三个事件)的移动平均值。(例如,六十五)个点的连续更新值的移动平均值在下文中称为“缩放流量”,表示为Qs(t)。或者,可以使用单个吸气事件而不是移动平均值。
根据缩放的流量,可以计算与确定部分阻塞相关的两个形状因子。
形状因子1是中间(例如32)缩放的流量点的平均值与总平均(例如65)缩放的流量点的比。当该比值超过1时,呼吸将正常。当比值为1或更小时,呼吸将被阻塞。将大约1.17的比作为部分阻塞和未阻塞呼吸之间的阈值,并且等于允许在典型用户中保持足够氧合的阻塞程度。
形状因子2被计算为在中间(例如32个)点上的单位缩放流量的RMS偏差。约0.2单位的RMS偏差视为正常。零RMS偏差被认为是完全流量受限的呼吸。RMS偏差越接近零,呼吸将被认为是更加流量受限的。
形状因子1和2可以用作替换,或组合使用。在本技术的其它形式中,采样点、呼吸和中间点的数目可以不同于上述的那些。此外,阈值可以不同于所描述的阈值。
4.3.3.2.4呼吸暂停和呼吸不足的确定
在本技术的一种形式中,中央控制器4230执行用于检测呼吸暂停和/或呼吸不足的一个或多个算法4325。
在一种形式中,一个或多个呼吸暂停/呼吸不足检测算法4325接收呼吸流速Qr作为输入,并提供指示已经检测到呼吸暂停或呼吸不足的标志作为输出。
在一种形式中,当呼吸流量Qr的函数在预定时间段内下降到低于流量阈值时,将认为已经检测到呼吸暂停。该函数可以确定峰值流量,相对短期的平均流量,或相对短期的平均和峰值流量的中间流量,例如RMS流量。流量阈值可以是流量的相对长期的量度。
在一种形式中,当呼吸流量Qr的函数在预定时间段内下降到低于第二流量阈值时,将认为已经检测到呼吸不足。该函数可以确定峰值流量,相对短期的平均流量,或相对短期的平均和峰值流量的中间流量,例如RMS流量。第二流量阈值可以是流量的相对长期的量度。第二流量阈值大于用于检测呼吸暂停的流量阈值。
在一种形式中,这种呼吸事件可以至少部分地基于前述基于手指传感器PPG的类型检测而被表征为中枢性或阻塞性。
4.3.3.2.5打鼾的检测
在本技术的一种形式中,中央控制器4230执行用于检测打鼾的一个或多个打鼾检测算法4326。
在一种形式中,打鼾检测算法4326接收呼吸流量信号Qr作为输入,并提供打鼾出现程度的度量作为输出。
打鼾检测算法4326可包括确定流量信号在30-300Hz范围内的强度的步骤。打鼾检测算法4326可还包括过滤呼吸流量信号Qr以减少背景噪声(例如,来自鼓风机4142的系统中的气流的声音)的步骤。
4.3.3.2.6气道开放性的确定
在本技术的一种形式中,中央控制器4230执行用于确定气道通畅性的一个或多个算法4327。
在一种形式中,气道开放性算法4327接收呼吸流量信号Qr作为输入,并且确定在大约0.75Hz和大约3Hz的频率范围内的信号的功率。在该频率范围内出现峰值表示气道开放。峰值的不存在被认为是闭合气道的指示。
在一种形式中,其中寻求峰值的频率范围是治疗压力Pt中的小强制振荡的频率。在一种实现中,强制振荡的频率为2Hz,幅度约为1cmH2O。
在一种形式中,气道开放性算法4327接收呼吸流量信号Qr作为输入,并确定是否存在心原性信号。心原性信号的缺乏被认为是闭合气道的指示。
4.3.3.2.7治疗参数的确定
在本技术的一些形式中,中央控制器4230执行一个或多个治疗参数确定算法4329,用于使用由治疗引擎模块4320中的一个或多个其他算法返回的值来确定一个或多个治疗参数。
在本技术的一种形式中,治疗参数是瞬时治疗压力Pt。在该形式的一个实现中,治疗参数确定算法4329使用等式来确定治疗压力Pt
Pt=AΠ(Φ)+P0 (1)
其中:
-A是振幅,
-Φ是相位的电流值;
-Π(Φ)是在相位的当前值的波形模板值(在0至1的范围内),以及
-P0是基础压力。
如果波形确定算法4322提供波形模板Π(Φ)作为由相位Φ索引的值的查找表,则治疗参数确定算法4329通过定位与由相位确定算法4321返回的相位的当前值Φ最近的查找表条目,或者通过在两个条目之间跨越相位的当前值Φ进行插值,来应用等式(1)。
幅度A和基础压力P0的值可以由治疗参数确定算法4329根据所选择的压力治疗模式以下述方式来设定。
4.3.3.3治疗控制模块
根据本技术的一个方面的治疗控制模块4330接收来自治疗引擎模块4320的治疗参数确定算法4329的治疗参数作为输入,并且控制压力发生器4140以根据治疗参数递送空气流。
在本技术的一种形式中,治疗参数是治疗压力Pt,并且治疗控制模块4330控制压力发生器4140以递送在患者接口3000处的面罩压力Pm等于治疗压力Pt的气流。
4.3.3.4故障状况的检测
在本技术的一种形式中,处理器执行用于检测故障状况的一个或多个方法4340。由一个或多个方法检测到的故障状况可以包括以下中的至少一个:
-电源故障(无电源或电源不足)
-转换器故障检测
-无法检测部件的存在
-工作参数超出建议范围(例如:压力、流速、温度、PaO2)
-测试警报未能产生可检测警报信号。
在检测到故障状况时,对应的算法通过以下中的一个或多个用信号通知故障的存在:
-启动听觉、视觉和/或动态(例如振动)警报
-向外部装置发送消息
-事件记录
4.4加湿器
在本技术的一种形式中,提供了加湿器5000(例如,如图10所示),以相对于环境空气改变用于输送至患者的空气或气体的绝对湿度。通常,加湿器5000用于在输送至患者的气道之前增加空气流的绝对湿度并增加空气流的温度(相对于环境空气)。
4.5术语表
为了实现本公开内容的目的,在本技术的某些形式中可应用下列定义中的一个或多个。本技术的其他形式中,可应用另选的定义。
4.5.1概述
空气:在本技术的某些形式中,空气可以被认为意指大气空气,并且在本技术的其他形式中,空气可以被认为是指可呼吸气体的一些其他组合,例如富含氧气的大气空气。
呼吸压力治疗(RPT):在相对于大气通常为正的治疗压力下将空气供应输送到气道。
持续气道正压通气(CPAP)治疗:呼吸压力治疗,其中治疗压力在患者的呼吸循环中大致恒定。在一些形式中,气道入口处的压力在呼气期间将略微更高,并且在吸气期间略微更低。在一些形式中,压力将在患者的不同呼吸循环之间变化,例如,响应于检测到部分上气道阻塞的指示而增大,以及缺乏部分上气道阻塞的指示而减小。
患者:人,不论他们是否患有呼吸疾病。
自动气道正压通气(APAP)治疗:CPAP治疗,其中治疗压力在最小限度和最大限度之间可自动调整,例如随每次呼吸而不同,这取决于是否存在SBD事件的指示。
4.5.2呼吸循环方面
呼吸暂停:根据一些定义,当呼吸流量降到低于预定阈值达持续一段时间(例如10秒)时认为发生呼吸暂停。当即使患者努力,气道的一些阻塞也不允许空气流动时,认为发生阻塞性呼吸暂停。当检测到由于呼吸努力的减少或呼吸努力的缺乏引起的呼吸暂停时,将认为发生了中枢性呼吸暂停。
呼吸速率(breathing rate),或呼吸速率(respiratory rate,Rs):患者的自发呼吸的速率,其通常以每分钟呼吸次数来测量。
占空比:吸气时间Ti与总呼吸持续时间Ttot的比。
努力(呼吸):自发呼吸者尝试呼吸所做的工作。
呼吸循环的呼气部分:从呼气流量开始到吸气流量开始的时间段。
流量限制:患者呼吸中的状态,其中患者的努力增加不会导致流量的相应增加。在呼吸循环的吸气部分期间发生流量限制的情况下,可以将其描述为吸气流量限制。在呼吸循环的呼气部分期间发生流量限制的情况下,可以将其描述为呼气流量限制。
呼吸不足:流量减少,但不是流量停止。在一种形式中,当流量降低到阈值以下持续一段时间时,可以认为发生呼吸不足。在成年人的一种形式中,以下的任一种均可以看做是呼吸不足:
(i)患者呼吸减少30%持续至少10秒加相关的4%去饱和;
(ii)患者呼吸减少(但小于50%)持续至少10秒,伴随相关的至少3%的去饱和或觉醒。
呼吸循环的吸气部分:从吸气流量开始到呼气流量开始的时间段被认为是呼吸循环的吸气部分。
开放性(气道):气道被打开的程度或气道是打开的程度。开放的气道是打开的。气道开放性可以被定量,例如值(1)为开放的,并且值零(0)为封闭的。
呼气末正压通气(PEEP):存在于呼气末的肺中的高于大气压的压力。
峰值流量(Qpeak):呼吸流量波形的吸气部分期间的流量的最大值。
呼吸流量/空气流量、患者流量/空气流量(Qr):这些同义术语可被理解成指RPT装置对呼吸空气流量的估算,与“真实呼吸流量”或“真实呼吸空气流量”相对,其是由患者所经历的实际呼吸流量,通常以升/每分钟表示。
潮气量(Vt):当不施加额外的努力时,在正常呼吸期间吸入或呼出的空气体积。
吸入时间(Ti):呼吸流量波形的吸气部分的持续时间。
呼气时间(Te):呼吸流量波形的呼气部分的持续时间。
(总)时间或呼吸持续时间(Ttot):一个呼吸流量波形的吸气部分的开始与下一个呼吸流速波形的吸气部分的开始之间的总持续时间。
上气道阻塞(UAO):包括部分和全部上气道阻塞。这可能与流量限制的状态相关联,其中随着上气道上的压力差增加流量仅稍微增加,或者甚至降低(Starling阻抗行为)。
通气量(Vent):测量患者呼吸系统交换的气体总量。通气量的测量值可以包括吸气和呼气流量(每单位时间)中的一者或两者。当表达为每分钟的体积时,此量通常被称为“每分钟通气量”。每分钟通气量有时简单地作为体积给出,并理解成是每分钟的体积。
4.5.3RPT装置参数
流量:每单位时间输送的空气的瞬时体积(或质量)。虽然流量和通气量具有相同的每单位时间的体积或质量的尺寸,但是在短得多的时间段内测量流量。流量对于患者的呼吸循环的吸气部分可以是标称正的,并且因此对于患者的呼吸循环的呼气部分可以是负的。在一些情况下,对流量的参考将是对标量的参考,即仅具有量值的量。在其他情况下,对流量的参考将是对向量的参考,即具有量值和方向两者的量。流量将被赋予符号Q。有时将“流量(flow rate)”缩短为简单的“流量(flow)”。总流量Qt是离开RPT装置的空气的流量。通气流量Qv是离开通气口以允许呼出气体的冲洗的空气的流量。泄漏流量Ql是来自患者接口系统的无意泄漏流量。呼吸流量Qr是被接收到患者呼吸系统中的空气的流量。
泄漏:单词泄漏将被认为是非期望的空气流动。在一个示例中,可由于面罩与患者面部之间的不完全密封而发生泄漏。在另一示例中,泄漏可发生在到周围环境的旋转弯管中。
压力:每单位面积的力。压力可以测量为单位范围,包括cmH2O、g-f/cm2、百帕斯卡。1cmH2O等于1g-f/cm2且约为0.98百帕斯卡。在本说明书中,除非另有说明,否则压力以cmH2O为单位给出。患者接口(面罩压力)中的压力以符号Pm给出,而治疗压力以符号Pt给出,该治疗压力表示在当前时刻通过面罩压力Pm所获得的目标值。
4.5.4呼吸机术语
自适应伺服-呼吸机(ASV):一种伺服呼吸机,具有可变的,而不是固定的目标通气量。可以从患者的一些特征(例如,患者的呼吸特征)学习可变目标通气量。
备份率:如果不是由自发呼吸努力触发,则确定呼吸机将向患者输送的呼吸速率(通常以每分钟呼吸次数表示)的呼吸机参数。
循环:呼吸机吸气阶段的终止。当呼吸机向自主呼吸的患者输送呼吸时,在呼吸循环的吸气部分结束时,呼吸机被称为循环以停止输送呼吸。
呼气气道正压通气(EPAP):基础压力,在呼吸内变化的压力被添加到该基础压力以产生期望的面罩压力,呼吸机将尝试在给定时间实现该期望的面罩压力。
呼气末压力(EEP):呼吸机将试图在呼吸的呼气部分结束时获得的期望面罩压力。如果压力波形模板Π(Φ)在呼气结束时是零值,即当Φ=1时Π(Φ)=0,则EEP等于EPAP。
IPAP:呼吸机在呼吸的吸气部分期间试图达到的期望面罩压力。
压力支持:指示呼吸机吸气期间的压力增加超过呼吸机呼气期间的压力增加的数值,并且通常意味着吸气期间的最大值和基础压力之间的压力差(例如,PS=IPAP-EPAP)。在一些情况下,压力支持意味着呼吸机想要实现的差异,而不是其实际实现的差异。
伺服-呼吸机:测量患者通气量的呼吸机具有目标通气量,并且调节压力支持水平以将患者通气量带到目标通气量。
伺服辅助:压力支持减去最小压力支持。
自发/定时(S/T):尝试检测自主呼吸患者呼吸开始的呼吸机或其他装置的模式。然而,如果装置不能在预定的时间段内检测到呼吸,则装置将自动启动呼吸的输送。
摇摆:压力支持的等效术语。
触发:当呼吸机向自主呼吸的患者递送空气呼吸时,据说在患者努力开始呼吸循环的呼吸部分时被触发这样做。
典型的近期通气量:典型的近期通气量Vtyp是这样的值,在该值周围,在一些预定时间尺度上的近期通气量测量倾向于聚集,即,在近期历史上的通气量测量的集中趋势的测量。
呼吸机:向患者提供压力支持以执行一些或全部呼吸工作的机械装置。
4.5.5呼吸系统解剖
隔膜:横跨肋骨架的底部延伸的肌肉片。隔膜将包含心脏、肺以及肋的胸腔从腹腔中分隔开。随着隔膜收缩,胸腔的体积增加且空气被吸入肺中。
喉:喉或喉头容纳声带并将咽的下部(下咽部)与气管连接。
肺:人类的呼吸器官。肺的传导区包含气管、支气管、细支气管以及末端细支气管。呼吸区包含呼吸细支气管、肺泡管和肺泡。
鼻腔:鼻腔(或鼻窝)是面部中间的鼻部上面和后面较大的充满空气的空间。鼻腔由称为鼻中隔的垂直翅分成两部分。在鼻腔的侧面有三个水平分支,其称为鼻甲(nasalconchae)(单数为“鼻甲(concha)”)或鼻甲。鼻腔的前面是鼻,而背面经由内鼻孔结合到鼻咽中。
咽:位于紧靠鼻腔下部(下面)和在食道和喉上部的咽喉的一部分。咽常规上被分成三个区段:鼻咽部(上咽部)(咽的鼻部)、口咽部(中咽部)(咽的口部)以及喉咽部(下咽部)。
4.6其他评论
本专利文件的公开内容的一部分包含受版权保护的材料。版权所有者不反对由任何人以专利文件或专利公开出现在专利和商标局专利文件或记录中的形式复制这些专利文件或专利公开,但是另外保留任何所有版权权利。
除非上下文中明确说明并且提供数值范围的情况下,否则应当理解,在该范围的上限与下限之间的每个中间值,到下限单位的十分之一,以及在所述范围内的任何其他所述值或中间值均广泛地包含在本技术内。这些中间范围的上限和下限(其可以独立地包括在中间范围中)也涵盖在该技术内,服从在所陈述的范围内的任何具体排除的限制。在所述范围包括一个或两个限制的情况下,排除那些包括的限制中的任一个或两个的范围也包括在本技术中。
此外,在一个或多个值在本文中陈述为实施为技术的一部分的情况下,应理解,除非另外陈述,否则此类值可以是近似的,并且此类值可用于任何合适的有效数字到实际技术实施可允许或要求其的程度。
除非另有定义,本文所用的所有技术和科学术语具有与本技术所属领域的普通技术人员通常理解的相同的含义。尽管与本文所述的那些类似或等同的任何方法和材料也可用于本技术的实践或测试,但本文描述了有限数目的示例性方法和材料。
当特定材料被确定为优选地用于构造部件时,具有类似特性的明显的替代材料可用作替代物。此外,除非相反地指定,否则本文描述的任何和所有组件应理解为能够被制造,并且因此可以一起或单独制造。
必须注意,如本文和所附权利要求中所使用的,单数形式“一”、“一个”和“该”包括它们的复数等同物,除非上下文另外清楚地指出。
本文提及的所有出版物通过引用并入本文以公开和描述作为这些出版物的主题的方法和/或材料。提供本文讨论的出版物仅仅是为了它们在本申请的申请日之前的公开内容。本文不应被解释为承认本技术无权由于在先发明而早于此类公开。此外,所提供的出版日期可能与实际出版日期不同,这可能需要独立确认。
此外,在解释本公开时,所有术语应当以与上下文一致的最宽泛的合理方式来解释。特别地,术语“包括(comprises)”和“包括(comprising)”应被理解为:是指各元件、各部件或非排他方式的各步骤,指出可能存在或被利用的所标记的元件、部件或步骤,或者与没有标记的其他元件、部件或步骤的组合。
包括在详细描述中使用的主题标题仅仅是为了便于读者参考,而不应用于限制在整个公开或权利要求书中找到的主题。主题标题不应用于解释权利要求或权利要求限制的范围。
尽管已参考特定实施例描述了本文中的技术,但应理解,这些实施例仅说明技术的原理和应用。在一些情况下,术语和符号可能暗示实践所述技术不需要的特定细节。例如,尽管可以使用术语“第一”和“第二”,除非另有说明,它们不旨在表示任何顺序,而是可以用来区分不同的元件。此外,尽管可以按顺序描述或示出方法中的过程步骤,但是这种顺序不是必需的。本领域技术人员将认识到,可以修改这样的顺序和/或可以同时或甚至同步地进行其方面。
因此应当了解可对所述示例性实施例进行大量的修改,并且应当了解可在不脱离本技术的精神和范围的情况下设计其他布置。
尽管已经参考特定实施例说明了本发明,但是对于本领域的技术人员显而易见的是,本发明不限于前述说明性实施例的细节,并且在不脱离本发明的范围的情况下,可以用各种改变和修改来实现本技术。因此,本示例在所有方面都被认为是说明性的而不是限制性的,技术的范围由所附权利要求而不是由前面的描述来指示,并且因此在权利要求的等同物的含义和范围内的所有改变都旨在被包含在其中。换言之,本发明旨在覆盖落入基本底层原理的范围内并且其基本属性在本专利申请中要求保护的任何和所有修改、变化或等同物。本专利申请的读者还将理解,词语“包括”或“包含”不排除其他元件或步骤,词语“一”或“一个”不排除多个,并且诸如计算机系统、处理器或另一集成单元的单个元件可以实现权利要求中所述的若干装置的功能。权利要求中的任何附图标记不应解释为限制相关的各个权利要求。当在说明书或权利要求中使用时,术语“第一”、“第二”、“第三”、“a”、“b”、“c”等被引入以区分类似的元件或步骤,并且不一定描述顺序或时间次序。类似地,术语“顶部”、“底部”、“之上”、“之下”等是为了描述的目的而引入的,并且不一定表示相对位置。应当理解,如此使用的术语在适当的情况下是可互换的,并且本技术的实施例能够根据本技术以其他顺序或以与以上描述或示出的取向不同的取向来操作。
本技术的其他示例
以下段落进一步说明本文所述的本技术的示例。
示例1.一种用于检测睡眠障碍事件的计算机实现的方法,所述方法包括以下步骤:
-获得至少一个生理信号;
-从所述至少一个生理信号种子事件中识别睡眠障碍事件的指示;
-确定所述种子事件的至少一部分内的基本上规则的模式;
-确定所述种子事件与所述基本上规则的模式的适合度;
-通过基于所确定的适合度选择种子事件来检测所述睡眠障碍事件。
示例2.如示例1所述的方法,其中所述至少一个生理信号是PAT信号、氧饱和度信号、脉搏率信号、呼吸努力信号和气流信号中的至少一个。
示例3.根据前述示例中任一项所述的方法,其中所述种子事件是PAT信号振幅从基线下降、氧的去饱和、脉搏率信号振幅从基线增加、呼吸努力信号振幅从基线减小和气流信号振幅从基线减小中的至少一种。
示例4.根据前述示例中任一项所述的方法,其中所述基本规则的模式包括基本规则的形态模式。
示例5.根据前述权利要求中任一项所述的方法,其中所述基本规则的模式包括基本规则的时间模式。
示例6.根据前述示例中任一项所述的方法,其中确定所述基本规则的模式的步骤和确定适合度的步骤包括确定种子事件的持续时间、确定种子事件的强度、导出形态不对称性和/或表征种子事件的形态形状中的至少一个。
示例7.根据前述示例中任一项所述的方法,其中确定所述基本规则的模式的步骤和确定适合度的步骤包括确定所述种子事件的开始点、确定所述种子事件的终点、确定强度最高或最低的点和/或确定种子事件的任何其它特征点中的至少一个。
示例8.根据前述示例中任一项所述的方法,其中所述检测睡眠障碍事件的步骤包括使用为所述检测而训练或开发的分类器。
示例9.根据前述示例中任一项所述的方法,其中获得跨越包括种子事件的共同时间跨度的多个生理信号。
示例10.根据示例9所述的方法,其中还包括将来自所述多个生理信号的种子事件分组为集合的步骤,其中分组为所述集合的所述种子事件指示相同的睡眠障碍事件,其中将种子事件分组成所述集合包括确定所述集合的种子事件的共现中的基本规则的模式。
示例11.根据示例8和示例10所述的方法,其中所述分类器被配置为在所述种子事件集合内检测呼吸相关睡眠障碍事件或非呼吸相关睡眠障碍事件。
示例12.根据前述示例中任一项所述的方法,还包括通过选择至少一个种子事件来检测睡眠障碍事件或不检测睡眠障碍事件的反馈的步骤,其中所述反馈优选地以自然语言呈现。
示例13.一种控制器包括至少一个处理器和包括计算机程序代码的至少一个存储器,所述至少一个存储器和计算机程序代码被配置为利用所述至少一个处理器使得所述控制器执行根据前述示例1-12中任一项所述的方法。
示例14.一种包括计算机可执行指令的计算机程序产品,当所述程序在计算机上运行时,所述计算机可执行指令用于执行根据前述示例1-12中任一项所述的方法。
示例15.一种包括计算机可执行指令的计算机可读存储介质,当所述程序在计算机上运行时,所述计算机可执行指令用于执行根据前述示例1-12中任一项所述的方法。
Claims (34)
1.一种用于检测睡眠障碍事件的处理器实现的方法,所述方法包括:
访问由一个或多个传感器生成的多个生理信号;
从所述多个生理信号中检测表明睡眠障碍事件的种子事件;
计算指示与所检测到的种子事件相关联的所述多个生理信号的部分内的模式的特征;
将所计算的指示所述种子事件的模式的特征应用于分类器,其中训练所述分类器以计算所计算的特征与所学习的睡眠障碍事件的模式的适合度;以及
基于由所述分类器确定的所计算的适合度来输出与所述种子事件相对应的一个或多个睡眠障碍事件的识别。
2.根据权利要求1所述的方法,其中所述分类器包括机器学习分类器、决策树模型、机器学习分类器模型、逻辑回归分类器模型、神经网络、朴素贝叶斯分类器模型机的一个或多个。
3.根据权利要求1至2中任一项所述的方法,其中所述多个生理信号包括外周动脉音调(PAT)信号,以及以下各项中的一个或多个:氧饱和度信号、脉搏率信号、呼吸努力信号、运动信号和气流信号。
4.根据权利要求1至3中任一项所述的方法,其中所述种子事件中的每个种子事件包括以下各项中的一个或多个:外周动脉音调(PAT)信号中从基线的幅度下降、氧饱和度(SpO2)信号中氧的去饱和、脉搏率(PR)信号中从基线的幅度增加、呼吸努力信号中从基线的幅度变化,以及空气流量信号中从基线的幅度变化。
5.根据权利要求1至4中任一项所述的方法,其中所述模式包括形态模式。
6.根据权利要求1至5中任一项所述的方法,其中所述模式包括时间模式。
7.根据权利要求1至6中任一项所述的方法,其中所计算的特征中的特征包括以下各项中的一个或多个:种子事件的持续时间;种子事件的强度;种子事件的导出的倾斜或斜率;导出的种子事件附近的变化斜率的形态不对称性;种子事件的深度;种子事件的信号幅度的方差;种子事件的信号幅度的平均值;种子事件的偏斜;以及种子事件的形态形状的表征。
8.根据权利要求1至7中任一项所述的方法,其中所计算的特征中的一个或多个特征包括种子事件的所确定的开始点、种子事件的所确定的结束点、最高或最低强度的所确定的点以及种子事件的所确定的特征点中的一个或多个。
9.根据权利要求1至8中任一项所述的方法,其中所检测的种子事件包括所述多个生理信号中的第一信号的第一种子事件和所述多个生理信号中的第二信号的第二种子事件,其中所述第二信号是与所述第一信号不同的生理信号,并且其中所计算的特征中的一个或多个特征表征所述第一种子事件和所述第二种子事件。
10.根据权利要求9所述的方法,其中表征所述第一种子事件和所述第二种子事件的所计算的特征中的所述一个或多个特征包括:(a)去饱和最低点在峰值脉冲速率增加和/或PAT信号振幅降低之后或之前的时间量;和/或(b)检测到的脉搏率(PR)波动峰值与PAT信号的降低谷值之间的定时差。
11.根据权利要求9所述的方法,其中所检测的种子事件包括所述第一信号的第三种子事件,并且其中所计算的特征中的一个或多个特征表征所述第一种子事件和所述第三种子事件。
12.根据权利要求11所述的方法,其中所述第一种子事件和所述第三种子事件包括相邻的种子事件对。
13.根据权利要求11至12中任一项所述的方法,其中表征所述第一种子事件和所述第三种子事件的所计算的特征中的所述一个或多个特征包括以下各项中的任一个或多个:(a)第一种子事件和第三种子事件之间的持续时间;(b)计算所述第一种子事件和所述第三种子事件之间的时段的稳定性;以及(c)第一种子事件和第三种子事件的计算出的稳定性。
14.根据权利要求13所述的方法,其中计算所述持续时间包括检测所述第一种子事件和所述第三种子事件中的每一个中的特征点,并基于与所检测到的特征点相关联的间隔来确定所述持续时间。
15.根据权利要求14所述的方法,其中所述检测到的特征点包括局部幅度最小值和局部幅度最大值中的一个或多个。
16.根据权利要求13至15中任一项所述的方法,其中所计算的稳定性是从多个种子事件导出的,并且包括深度、平均值和方差中的一个或多个。
17.根据权利要求11所述的方法,其中所检测的种子事件包括第二信号的第四种子事件,其中所计算的特征中的一个或多个特征表征(a)第一信号的第一种子事件和第三种子事件以及(b)第二信号的第二种子事件和第四种子事件。
18.根据权利要求17所述的方法,其中表征(a)第一信号的第一种子事件和第三种子事件以及(b)第二信号的第二种子事件和第四种子事件的所计算的特征中的一个或多个特征包括:(a)PR信号的种子事件的检测到的脉搏率(PR)峰值,以及(b)外周动脉音调(PAT)减小到PAT信号的种子事件的谷值中的最低点的时间对应。
19.根据权利要求1至18中任一项所述的方法,其中还包括响应于用户界面上对由一个或多个处理器实现的检测所检测到的至少一个种子事件的选择的用户输入,生成所述识别的输出作为反馈。
20.根据权利要求1至19中任一项所述的方法,还包括基于所述输出或所述应用产生用于控制呼吸治疗设备的操作的信号。
21.根据权利要求20所述的方法,其中所述产生包含将所述一个或多个睡眠障碍事件的所述识别传输到远程计算系统或服务器。
22.根据权利要求20至21中任一项所述的方法,其中所述生成包括经由网络通信链路将所述信号传输到所述呼吸治疗设备。
23.一种控制器,包括至少一个处理器和包括处理器控制指令的至少一个存储器,所述至少一个存储器和处理器控制指令被配置为与所述至少一个处理器一起使所述控制器执行根据权利要求1至22中任一项所述的方法。
24.一种用于检测睡眠障碍事件的设备,所述设备包括:
一个或多个传感器;
控制器,其包括一个或多个处理器以及包括处理器控制指令的至少一个存储器;
其中所述控制器被配置为:
访问由一个或多个传感器生成的多个生理信号;
从所述多个生理信号检测暗示睡眠障碍事件的种子事件;
计算指示与检测到的种子事件相关联的多个生理信号的部分内的模式的特征;
将所计算的指示所述种子事件的模式的特征应用于分类器,其中训练所述分类器以计算所计算的特征与所学习的睡眠障碍事件的模式的适合度;以及
基于由所述分类器确定的所计算的适合度输出与所述种子事件相对应的一个或多个睡眠障碍事件的识别。
25.一种包括处理器可执行指令的处理器可读存储介质,所述处理器可执行指令在由一个或多个处理器执行时用于执行根据权利要求1-22中任一项所述的方法。
26.一种处理器可读介质,其上存储有处理器可执行指令,所述处理器可执行指令在由一个或多个处理器执行时致使所述一个或多个处理器检测睡眠障碍事件,所述处理器可执行指令包括:
访问由一个或多个传感器产生的多个生理信号的指令;
从所述多个生理信号检测表明睡眠障碍事件的种子事件的指令;
计算指示与检测到的种子事件相关联的多个生理信号的部分内的模式的特征的指令;
将所计算的指示所述种子事件的模式的特征应用于分类器的指令,其中训练所述分类器以计算所计算的特征与所学习的睡眠障碍事件的模式的适合度;以及
基于由所述分类器确定的所计算的适合度输出与所述种子事件相对应的一个或多个睡眠障碍事件的识别的指令。
27.根据权利要求26所述的处理器可读介质,其中所述处理器可执行指令还包括基于所述输出或应用生成用于控制呼吸治疗设备的操作的信号的指令。
28.根据权利要求27所述的处理器可读介质,其中所述控制操作包括控制所述呼吸治疗设备的鼓风机的压力或流量治疗。
29.一种可访问根据权利要求25至28中任一项所述的处理器可读介质的服务器,其中所述服务器被配置为接收通过网络将所述处理器可读介质的所述处理器可执行指令下载到处理装置的请求。
30.一种处理装置,包括:一个或多个处理器;以及(a)根据权利要求25至28中任一项所述的处理器可读介质,或(b)其中所述处理装置被配置为利用根据权利要求29所述的服务器来访问所述处理器可执行指令。
31.根据权利要求30所述的处理装置,其中所述处理装置是呼吸治疗设备。
32.根据权利要求31所述的处理装置,其中所述处理装置被配置为产生压力治疗或流量治疗。
33.一种能够访问根据权利要求25至28中任一项所述的处理器可读介质的服务器的方法,所述方法包括在所述服务器处接收通过网络将所述处理器可读介质的所述处理器可执行指令下载到电子处理装置的请求;以及响应于所述请求将所述处理器可执行指令传输到所述电子处理装置。
34.一种用于检测睡眠障碍呼吸事件的一个或多个处理器的方法,包括:
用所述一个或多个处理器访问根据权利要求25至28中任一项所述的处理器可读介质,并且
在所述一个或多个处理器中执行所述处理器可读介质的所述处理器可执行指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21173562.6A EP4088651A1 (en) | 2021-05-12 | 2021-05-12 | Method for detecting sleep disordering events |
EP21173562.6 | 2021-05-12 | ||
PCT/EP2022/062807 WO2022238492A1 (en) | 2021-05-12 | 2022-05-11 | Methods and apparatus for detecting sleep disordering events |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117597063A true CN117597063A (zh) | 2024-02-23 |
Family
ID=75914400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280046985.4A Pending CN117597063A (zh) | 2021-05-12 | 2022-05-11 | 用于检测睡眠障碍事件的方法和设备 |
Country Status (6)
Country | Link |
---|---|
EP (2) | EP4088651A1 (zh) |
JP (1) | JP2024519354A (zh) |
CN (1) | CN117597063A (zh) |
AU (1) | AU2022272462A1 (zh) |
IL (1) | IL308483A (zh) |
WO (1) | WO2022238492A1 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7081095B2 (en) * | 2001-05-17 | 2006-07-25 | Lynn Lawrence A | Centralized hospital monitoring system for automatically detecting upper airway instability and for preventing and aborting adverse drug reactions |
US6223064B1 (en) * | 1992-08-19 | 2001-04-24 | Lawrence A. Lynn | Microprocessor system for the simplified diagnosis of sleep apnea |
US20090247837A1 (en) * | 2008-03-27 | 2009-10-01 | Nellcor Puritan Bennett Llc | System And Method For Diagnosing Sleep Apnea |
NZ615010A (en) | 2009-07-16 | 2015-06-26 | Resmed Ltd | Detection of sleep onset |
US9445729B2 (en) | 2012-07-20 | 2016-09-20 | Resmed Sensor Technologies Limited | Range gated radio frequency physiology sensor |
US11033196B2 (en) | 2015-08-14 | 2021-06-15 | Resmed Sensor Technologies Limited | Digital range gated radio frequency sensor |
KR102647218B1 (ko) | 2016-09-19 | 2024-03-12 | 레스메드 센서 테크놀로지스 리미티드 | 오디오 신호 및 다중 신호로부터 생리학적 운동을 검출하는 장치, 시스템 및 방법 |
EP4360546A2 (en) | 2018-07-11 | 2024-05-01 | Ectosense NV | Apparatus, system and method for diagnosing sleep |
EP3883468A2 (en) * | 2018-11-19 | 2021-09-29 | ResMed Sensor Technologies Limited | Methods and apparatus for detection of disordered breathing |
-
2021
- 2021-05-12 EP EP21173562.6A patent/EP4088651A1/en active Pending
-
2022
- 2022-05-11 JP JP2023570320A patent/JP2024519354A/ja active Pending
- 2022-05-11 IL IL308483A patent/IL308483A/en unknown
- 2022-05-11 WO PCT/EP2022/062807 patent/WO2022238492A1/en active Application Filing
- 2022-05-11 EP EP22728592.1A patent/EP4337086A1/en active Pending
- 2022-05-11 CN CN202280046985.4A patent/CN117597063A/zh active Pending
- 2022-05-11 AU AU2022272462A patent/AU2022272462A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
IL308483A (en) | 2024-01-01 |
AU2022272462A1 (en) | 2023-11-30 |
WO2022238492A1 (en) | 2022-11-17 |
JP2024519354A (ja) | 2024-05-10 |
EP4088651A1 (en) | 2022-11-16 |
EP4337086A1 (en) | 2024-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11801009B2 (en) | System and method for determining sleep stage | |
US10159421B2 (en) | Detection of periodic breathing | |
JP7393405B2 (ja) | 睡眠呼吸障害のスクリーニング、診断および監視のためのシステムおよび方法 | |
CN113382676A (zh) | 用于改变发送到外部源的数据量的系统和方法 | |
JP6807746B2 (ja) | 周期性呼吸を検出するプロセッサにおける方法、周期的呼吸を検出する装置、及びコンピュータ可読記憶媒体 | |
US11986314B2 (en) | Apparatus and methods for screening, diagnosis and monitoring of respiratory disorders | |
US20170367619A1 (en) | Diagnosis, monitoring, and treatment of respiratory disorders | |
CN110831497A (zh) | 呼吸障碍的筛查、诊断及监测 | |
CN112788985A (zh) | 用于在睡眠分阶段中使用呼吸事件的系统和方法 | |
WO2018032042A1 (en) | Apparatus and methods for monitoring cardio-respiratory disorders | |
CN117597063A (zh) | 用于检测睡眠障碍事件的方法和设备 | |
WO2023148190A1 (en) | Systems and methods for screening, diagnosis, detection, monitoring and/or therapy | |
WO2024069500A1 (en) | Systems and methods for cardiogenic oscillation detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |