CN105473065A - 确定在cpr期间的自主循环恢复 - Google Patents

Abstract

提供了一种用于确定在相关联的患者上执行的相关联的CPR流程期间的自主循环恢复(ROSC)的全概率(Ptot)的设备(100)和方法，所述设备包括：输入部，其用于接收已经在所述CPR流程期间从所述相关联的患者获得的光体积描记数据的集合(328、330)，以及处理器(112)，其被布置用于根据一个或多个预定算法(321、322、323、324)来执行一个或多个过程以便基于所述一个或多个参数来计算ROSC的所述全概率(Ptot)，其中，所述一个或多个过程每个和/或组合地被布置用于克服来源于所述CPR过程的挑战，例如与自主循环恢复不相关的任意信号。在实施例中，所述设备和方法依赖于在确定ROSC的所述全概率中的多个过程。

Description

确定在CPR期间的自主循环恢复

技术领域

本发明涉及确定自主循环恢复的领域，尤其地，本发明涉及用于确定在心肺复苏期间的自主循环恢复的设备、方法和计算机程序。

背景技术

针对心脏骤停患者的心肺复苏是具有非常低存活率(5-10％)的急救流程。普遍认可的是，胸部按压的质量对于成功除颤和结果至关重要。

参考文件US2012/0035485A1描述了通过评价患者中的生理信号确定患者中心脏脉搏的存在。在一个实施例中，医学设备评价被透射到患者中的光的光学特性以确定生理信号，例如一般为靠近光检测器模块的血容量的脉动变化。使用这些特征，医学设备确定患者中是否存在心脏脉搏。医学设备也可以被配置为报告患者除了处于无脉搏状况中以外，是否还处于VF、VT、心搏停止或PEA状况中，并取决于对生理信号的分析提示不同的治疗，例如胸部按压、人工呼吸、除颤以及PEA特异性的电疗。还提供了使用起搏刺激对心脏脉搏的自动捕获。参考文件W.C.G.R.等人的“Detectionofaspontaneouspulseinphotoplethysmogramsduringautomatedcardiopulmonaryresuscitationinaporcinemodel”(RESUSCITATION，2013年，第84卷，第1625至第1632页，XP55125349)公开了通过回顾性地分析在经历自动CPR的猪中同时记录的PPG和动脉血压信号，对光体积描记(PPG)用于检测在CPR期间的自主心脏脉搏的存在和速率的潜力的调查。参考文件GUNDERSENK等人的“ChestcompressionqualityvariablesinfluencingthetemporaldevelopmentofROSC-predictorscalculatedfromtheECGduringVF”(RESUSCITATION，ELSEVIER，IE，第80卷，第2号，2009年2月1日(2009-02-01)，第177至182页，XP025771817，ISSN:0300-9572，DOI：10.1016/J.RESUSCITATION.2008.09.011[检索于2008年12月06日])公开了构建针对CPR和按压质量变量对一个“自主循环恢复(ROSC)”预测器：中位斜率的时间发展的影响的模型的概念。这是能够从在心室纤颤和室性心动过速期间的心电图提取的特征，并且能够在一定程度上预测纤颤后的ROSC。

然而，目的可以被视为使与在相关联的患者上执行的胸部按压序列的中断相关联的不利最小化。

因此，使得能够使与胸部按压序列的中断相关联的不利最小化的改进的设备、方法和计算机程序将是有利的。

发明内容

提供一种使得能够使与胸部按压序列的中断相关联的不利最小化的改进的设备、方法和计算机程序将是有利的。本发明另外的目的是提供现有技术的备选方案。

在第一方面中，本发明提供一种用于确定在相关联的患者上执行的相关联的CPR流程期间的自主循环恢复的全概率的设备，所述设备包括：

-输入部，其用于接收已经在所述CPR流程期间从所述相关联的患者获得的光体积描记数据的集合，

-处理器，其被布置用于

-访问所述光体积描记数据，

-基于所述光体积描记数据根据一个或多个预定算法(例如一个或多个可自动化的算法)来执行一个或多个过程(例如不需要用户输入部的一个或多个过程)，以便计算指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的一个或多个参数(PA、PB、PC、PD)，并且

-基于指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的所述一个或多个参数(PA、PB、PC、PD)来计算所述自主循环恢复的所述全概率(Ptot)，

-输入部，其被布置用于基于所述自主循环恢复的所述全概率(Ptot)来提供自主循环恢复概率信号。

本发明对于通过提供可以快速地和/或准确地和/或自动地确定在相关联的CPR流程期间的自主循环恢复的概率的方法和设备来缓解脉搏检查暂停的问题可以是有益的。例如，本发明的优点可以在于，其可以使得能够防止徒劳的有害的脉搏检查，由此有可能缓解(不必要的)脉搏检查暂停的影响。应指出，前面的参考文件可能关注于改进脉搏检查的时间和质量(与避免不必要的那些脉搏检查相反)。更特别地，访问已经在CPR流程期间从相关联的患者获得的光体积描记数据、根据一个或多个预定算法来执行一个或多个过程以及计算自主循环恢复的全概率，可以使得用户能够获得对是否有理由中断CPR流程并执行脉搏检查的洞察。本发明的实施例可以使得能够在紧急情形中提示照护者提供合适的治疗。

应指出，胸部按压的质量方面之一是胸部按压序列的中断的最小化。普遍认可的中断的类型为“脉搏检查暂停”，例如在其中照护者手动触摸患者的颈部以确定颈动脉中脉动的存在与否的暂停。为了使这种类型的暂停的持续时间最小化，临床指南记载脉搏检查暂停应当不超过10秒。

在临床实践中，手动脉搏检查常常比10秒久得多，并且已知是不可靠的，即使是由专家临床医师来执行。存在着对一种用于进行脉搏检查的快速、自动且准确的方法的需要，以便减少暂停的持续时间并减少错误脉搏确定的量。单单对心电图(ECG)的记录并不提供信息，因为心脏可能为电活动的但可能不产生心脏输出。

在科学文献中，人们已经调查了能够被用于检测脉搏的存在与否的各种生理信号。对潮气末CO₂、有创血压或中心静脉血氧饱和度的监测允许对脉搏的客观评估，但是需要安全的气道或导管的放置。经胸阻抗(TTI)测量和近红外光谱学(NIRS)是无创的，但TTI强烈受到胸部按压影响并且NIRS在ROSC后响应缓慢。

对光体积描记数据的使用先前已经被描述为不可靠。关于光体积描记数据用于脉搏检测的参考文件存在，但并未公开一个或多个算法，例如一个或多个可自动化的算法，例如不需要用户输入(例如视觉输入)的一个或多个算法，其使得能够基于已经在CPR流程期间从相关联的患者获得的光体积描记数据来计算自主循环恢复的概率。

在胸部按压期间，生理信号使现有技术的方法失灵，原因在于胸部按压(例如由于按压)生成显著的信号伪影，其必须与真实心脏脉搏加以区分。可以理解的是，预定算法，例如实现可自动化的过程的预定算法，对于将信号中的按压引起的特征与心脏引起的特征区分开是有益的。因此，使用这样的预定算法，有利地执行确定胸部按压期间(例如在CPR流程期间)的自主循环恢复的(全)概率。防止徒劳的脉搏检查，而不是缩短脉搏检查，因此需要在胸部按压序列期间可靠的高级算法。可以指出，使得能够基于在CPR流程期间获得的数据提供，例如使得能够自动提供，ROSC概率信号的能力，可以被视作超越现有技术参考文件的优点。

在本发明的实施例中，提供一种能够在胸部按压期间，例如在CPR流程期间，以及任选地也在按压序列中的暂停期间，提出停止按压序列用于脉搏检查的正面或反面建议的设备。

本发明人的参考文件，例如参考文件Wijshoff,R.W.C.G.R.等人的Detectionofaspontaneouspulseinphotoplethysmogramsduringautomatedcardiopulmonaryresuscitationinaporcinemodel(Resuscitation84，第1625至1632页，(2013)，将其通过引用整体并入本文)，以及参考文件Wijshoff,R.、VanderSar,T.、Aarts,R.、Woerlee,P.和Noordergraaf,G.的Potentialofphotoplethysmographytoguidepulsechecksduringcardiopulmonaryresuscitation:Observationsinananimalstudy(Resuscitation84，S1(2013)，将其通过引用整体并入本文)涉及与CPR有关的光体积描记。然而，本发明是有利地，至少在于其包括被布置用于根据一个或多个预定算法来执行一个或多个过程，并计算自主循环恢复的全概率的处理器，以便使得设备能够输出自主循环恢复的全概率，例如使得能够致使用户输入，例如视觉检查是不必要的。

在本申请中，按压能够与减压交换，即‘按压’的任何出现均能够与‘按压和/或减压’交换。

患者仅仅能够在灌注节律已经被重新建立时，即在心脏再次以稳定速率收缩时具有自主循环恢复(ROSC)，从而得到心脏输出。因此，通过检测脉搏率，可以为临床医师提供关于心脏收缩并泵送血液的速率的信息。如果该速率太低，例如当速率在1Hz以下时，临床医师能够决策尚无ROSC以及应当继续递送胸部按压。此外，当检测到的脉搏率在时间上变化太大时，这可能指示心脏尚未以稳定的方式泵送。该信息也能够对临床医师有用，以帮助他决策如何继续CPR过程。当心脏再次以比例如1Hz高的稳定速率泵送时，他能够通过进行额外的测量(例如血压，或潮气末CO₂)来决策进一步检查是否存在ROSC。足够高的稳定脉搏率的存在因此是ROSC的先决条件：没有这样的节律，将不存在ROSC，并且其将对于对ROSC的进一步评估无用。另一方面，PPG信号中的稳定的、足够高的脉搏率的存在并不直接指示存在ROSC，因为其没有为临床医师提供关于潜在的血压和/或灌注水平的信息。需要额外的测量以确定该信息。然而，经由本发明的实施例，能够容易地且无创地获得关于稳定的、足够高速率的灌注节律的存在与否的信息。因此，经由基于PPG的脉搏率测量，例如经由本发明的实施例，临床医师能够决策是否停止胸部按压并进行对ROSC的另外的评估。

‘自主循环恢复(ROSC)’如本领域已知的被理解为并且是指脉搏的返回的临床显著性。

‘在相关联的CPR流程期间’被理解为光体积描记数据已经在CPR流程期间获得，即已经在在其中执行了一个或多个CPR按压和/或减压的时间段上记录了数据，例如包括按压伪影的数据。

‘相关联的患者’被理解为不为要求保护的主题的部分的患者。

‘用于接收光体积描记数据的集合的输入部’可以被理解为能够传送所述数据的数据接口，例如模拟或数字接口，例如无线连接，例如有线连接，例如USB连接。

‘光体积描记(PPG)数据’可以被理解为来源于基于光的技术的生理数据(例如脉搏血氧计的信号)，光例如为被透射通过患者的组织(例如为和/或包括皮肤的组织)的光，生理数据例如为通过照射组织并测量光吸收和/或反射的变化获得的数据。能够在组织表面处无创地执行PPG测量，其中光源和检测器能够与组织相接触。也能够在距组织的一定距离处执行PPG测量，其中光源和/或检测器不与组织相接触，例如在基于相机的测量的情况中。PPG数据可以在一个或多个波长处获得，所述一个或多个波长例如1个、2个、3个、4个、5个、6个、7个、8个、9个、10个或更多个波长。在实施例中，入射光为环境光，例如日光。在实施例中，PPG数据可以使用脉搏血氧计来获得，脉搏血氧计监测对血液的灌注，例如监测对血液到皮肤的真皮及皮下组织的灌注，和/或监测血液通过黏膜组织的灌注。用于获得PPG数据(例如脉搏血氧计数据)的装置和技术是本领域中众所周知的。在参考文件US2012/0035485Al中描述脉搏血氧计，通过引用将其整体并入本文。

用于获得PPG数据的一种适当的系统包括具有红色LED、近红外LED和光检测器二极管的传感器，其中传感器被配置为将LED和光检测器二极管直接放置在患者的皮肤上，通常在指趾(手指或足趾)或耳垂上。患者上的其他地方也可以是适当的，包括前额、鼻子或面部的其他部分、腕部、胸部、鼻隔、翼状部、耳道和/或口内，例如面颊或舌头。LED发出在不同波长处的光，该光被透射通过患者的皮肤的血管床并被光检测器二极管接收到。然后可以针对指示心脏脉搏的一个或多个特征分析得到的PPG信号。可以使用用于获得PPG数据的系统的其他较简单的版本，包括具有一个或多个波长的单个光源的版本。光的吸收或反射通过脉动的动脉血容量来调制并使用光检测器设备来检测。在实施例中，能够从相机图像获得PPG数据，其中环境光和/或额外的光源被用于照射组织，例如皮肤。

应指出，在本发明的备选实施例中，PPG数据可以被与心脏脉搏有关的其他生理数据代替。因此，在本发明的备选实施例中，PPG数据可以被‘与心脏脉搏有关的生理数据’代替，例如(在括号内指示数据类型尤其适用于其的下文描述的过程A至D内的过程)‘心音图数据’(AB)、‘心电图数据’(AB)、‘经胸阻抗数据’(AB)和/或‘动脉内血压数据’(ABC)。PPG数据的优点可以在于其适用于下文描述的过程A、B、C和D中的每个和全部。

‘已经从相关联的患者获得的’可以被理解为可以获得数据。也应理解，权利要求不包括与患者交互的步骤。一般应指出，本发明并不涉及提供诊断或涉及处置患者，而是涉及解决技术问题的技术发明，并且提供可以辅助医师达到诊断或处置患者的输出。

‘一个或多个预定算法’可以被理解为基于在CPR流程期间获得的光体积描记数据的一个或多个可自动化的算法，例如实现自动化过程的一个或多个预定算法，例如不需要用户输入的一个或多个算法或过程。算法可以在如下意义上被理解为预定的，即它们能够被实施在计算机程序产品中，但也涵盖它们能够在使用期间被修改，例如可以取决于来自和/或到预定算法的输入来调节公式中的加权因数。算法可以被实施在计算机程序产品中。算法可以使得设备能够运行，即使不存在用户输入。这可以被视作超越现有技术参考文件(它们可能必须要用户输入，例如基于对数据的视觉评估的输入)的优点。不需要用户输入的优点可以在于例如在CPR流程期间用户不需要在例如对光体积标记进行评估上花费时间。

‘指示自主循环恢复的一个或多个参数‘可以被理解为指示自主循环恢复的概率的数字。

‘被布置用于提供自主循环恢复概率信号的输出’可以被理解为能够传达所述信号的数据接口，例如模拟或数字接口，例如无线连接，例如有线连接，例如USB连接。在实施例中，输出可以包括音频信号和/或视觉信号。

‘基于指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的所述一个或多个参数(PA、PB、PC、PD)来计算自主循环恢复的全概率(Ptot)’可以被理解为处理器接收参数并基于所述参数来计算自主循环恢复的全概率(Ptot)。在下文中，在与下文描述的与过程A到D中的一个或多个相对应的参数的示范性语境中，提出用于计算自主循环恢复的全概率(Ptot)的示范性实施例，其中，也提供了用于计算参数的实施例。

示范性实施例能够被分成至少四种类别：

(1)最简单的

a、用于在不使用CPR数据和/或除颤器数据和/或存储器单元的情况下计算{PA、PB、PC、PD}中的每个的方法

b、用于在不使用CPR数据和/或除颤器数据和/或存储器单元的情况下对{PA、PB、PC、PD}进行组合的方法。

(2)高级过程

a、用于使用CPR数据和/或除颤器数据和/或存储器单元来计算{PA、PB、PC、PD}中的每个的方法

b、用于在不使用CPR数据和/或除颤器数据和/或存储器单元的情况下对{PA、PB、PC、PD}进行组合的方法。

(3)高级组合

a、用于在不使用CPR数据和/或除颤器数据和/或存储器单元的情况下计算{PA、PB、PC、PD}中的每个的方法，

b、用于使用数据和/或除颤器数据和/或存储器单元来对{PA、PB、PC、PD}进行组合的方法，

(4)高级过程与组合

a、用于使用CPR数据和/或除颤器数据和/或存储器单元来计算{PA、PB、PC、PD}中的每个的方法，

b、用于使用方法CPR数据和/或除颤器数据和/或存储器单元来对{PA、PB、PC、PD}进行组合的方法。

下文详述实施例：

(1)最简单的

用于在不使用CPR数据和/或除颤器数据和/或存储器单元的情况下计算{PA、PB、PC、PD}中的每个的方法的形式为

Ptot＝f(PA、PB、PC、PD)

其中，Ptot为组合的概率，{PA、PB、PC、PD}为从各个过程得到的ROSC的概率，并且f(x)为数学函数。该函数的一个实施例例如为

f(PA、PB、PC、PD)＝[(PC>阈值C)+2*(PA>阈值A)+(PB>阈值B)+0.3*(PD>阈值D)]/4.3

其中，我们使用了阈值化和逻辑运算。概率的结果在该情况下被分成几个离散的水平。该函数的另一实施例为

f(PA、PB、PC、PD)＝[2*(PA>阈值A)+(1-(PA>阈值A))*(PB>阈值B)]/2

其中，我们实际上没有使用过程C和D。

在又一实施例中，该函数生成在0与1之间的连续标量上的输出：

f(PA、PB、PC、PD)＝[1–exp(-PB/w_B)]*[1–exp(-PC/w_C)]其中，我们仅仅使用过程B和C，标量权重w_B和w_C。

(2)高级过程

如果过程利用存储器单元，即被存储在存储器中的修改对{PA、PB、PC、PD}的计算的自适应参数，或者如果其使用除颤计时或CPR数据，则我们称其为“高级过程”。例如，在我们的实施例中的一个中，过程C保持跟踪(存储器单元内)的仅仅在PPG基线改变速率越过某些阈值时改变的标志。在该实施例中，我们对过程进行组合如下：

f(PA、PB、PC、PD)＝(PC>阈值C)*[(PA>阈值A)+(PB>阈值B)+1]

在存储器单元记忆机器处于其中的状态的意义上，使用存储器单元也被称作使用“有限状态机”。

如果一个过程将除颤计时数据(例如利用除颤事件发生在其中的时间点的知识，例如坐标t-t_defib)或CPR数据用于对PA、PB、PC或PD的计算，则我们也称其为高级过程。例如，能够在除颤的时刻将PPG基线水平存储在存储器单元中，并且能够利用上一次除颤尝试有多近来权衡基线漂移的重要性。而且，CPR数据尤其可以在全部过程中有用以在其中存在按压的时间段与其中不存在按压的时间段之间进行区分。精确的按压计时在其中需要知道按压频率的过程A中尤其有用。

(3)高级组合

组合函数现在变成并入与上一次除颤事件有关的时间(t)坐标(t_defit)、按压深度以及按压力的具有多了三个变量的函数Ptot＝f(PA、PB、PC、PD，t-t_除颤，按压深度，按压力)。也能够使用其他变量，包括按压速度和/或按压加速度。

(4)高级过程与高级组合

高级方法的组合如在(2)和(3)中描述的。

在实施例中，提供一种设备，其中，一个或多个过程包括过程A，其中，过程A为包括以下的过程：

i、获得光体积描记数据的光谱分辨表示，

ii、识别光谱分辨表示中的峰，

iii、识别胸部按压频率，

iv、对每个峰进行评分，其中与所述峰的谐波相对应的或者与以下之间的和频或差频相对应的剩余峰的数目越高(例如针对较高数目的剩余峰)，给予越高的评分：

1、所述峰或所述峰的谐波，与

2、胸部按压频率或所述胸部按压频率的谐波，

v、基于具有最高评分的峰来计算数据内的脉搏率，

vi、基于脉搏率(例如脉搏率和脉搏率的变异性)以及任选地具有最高评分的峰的幅度(例如具有最高评分的峰为与脉搏率相对应的峰)来确定指示自主循环恢复的概率的过程A参数(PA)。

胸部按压频率在实施例中可以是已知的，例如在自动CPR的情况下和/或当设备被布置用于接收CPR数据和/或使用例如加速度计、按压力测量或用于提供经胸阻抗数据的装置独立地测量时。过程A的优点可以在于其使得能够克服由以下提供的挑战

-按压与心率在时间表示中的可区分性，以及

-评估脉搏的强度的临床显著性。

在另外的实施例中，对每个峰的评分还取决于

-峰的幅度，例如其中幅度越高，给予越高的评分，和/或

-与峰的谐波相对应的或者与以下之间的和频或差频相对应的剩余峰的幅度，例如其中幅度越高，给予越高的评分：

1、峰或峰的谐波，与

2、胸部按压频率或胸部按压频率的谐波。

在特定实施例中，针对在进行中的胸部按压期间的PPG信号，使用以下信号模型：

PPG(t)＝[sum_{k＝0}^KA_kcos(2pikf_prt+phi_k)]*[sum_{m＝0}^MB_mcos(2pimf_cmpt+theta_m)],

其中，方括号之间的第一级数描述在f_pr[Hz]的K脉冲分量的谐波级数及其整数倍，分别具有幅度和相位项A_k[Volt]和phi_k[rad]，并且其中，方括号之间的第二级数描述在f_cmp[Hz]的M按压分量的谐波级数及其整数倍，分别具有幅度和相位项B_m[Volt]和theta_m[rad]。这里，t[s]表示时间。因此，在进行中的胸部按压期间的PPG信号中将遇到以下频率分量：

-K脉搏率分量：kf_pr,k＝1,...,K

-M按压速率分量：mf_cmp,m＝1,...,M

-2*K*M交互分量：|kf_pr+-mf_cmp|,k＝1,...,K,m＝1,...M

基于该模型，具有最高评分的峰为脉冲的基频，因为：

-按压速率及其谐波为已知的频率，并且因此在分析中能够被忽略或在分析之前从信号被移除，

-针对剩余分量，针对脉搏率基频将发现最高数目的谐波，因为其为级数的第一分量，

-如果脉搏率基频不具有任何谐波，则其仍能够被识别为在最强交互项之间的正中间，例如在f_pr+f_cmp与|f_pr-f_cmp|之间的分量。因此，光谱分量的幅度能够是相关的以便能够识别最强交互项，这是为什么评分可以任选地通过峰幅度来加权。

在实施例中，提出一种设备，其中，一个或多个过程包括过程B，其中，过程B为包括以下的过程：

i、获得光体积描记数据的光谱分辨表示以用于确定光体积描记束的量级的度量，例如谱熵，并且

ii、基于所述量级的度量来计算指示自主循环恢复的概率的过程B参数(PB)。

在实施例中，所述量级的度量由熵，例如“谱熵”给出。谱熵是以数学方式量化光谱的结构度的一种方式。特定实施例使用在0与20每分钟之间的香农谱熵。其他实施例使用相似的但略有不同的度量，例如维纳熵/谱平坦度。过程B的优点可以在于其使得能够克服由以下提供的挑战：

-评估脉搏的强度的临床显著性，以及

-心脏在启动阶段的不规律跳动。

可以注意到，过程B有益于克服来源于心脏在启动阶段的不规律跳动的挑战，可以被视为过程B(例如相对于过程A)的优点。

本发明人已经发现，心脏在刚刚除颤之后的启动阶段非常不规律地跳动(不规律跳动与非常高的熵相对应)。在启动阶段的不规律跳动被发现为源自于以下事实，即不是心脏的电活动(ECG)中的每个R-峰都得到血流中的有效脉搏。过程B和所述量级的度量(例如在PPG信号的语境中的熵度量)的优点可以在于其对PPG信号尤其有效，例如比针对其他信号(例如ECG信号)更好。刚刚在除颤之后快速产生的谱熵指示心脏正在启动。在完全到达ROSC之前可能花费另一分钟左右。然而，重要的是将启动的心脏与非启动的心脏区分开，因为在心脏的启动阶段中使用血管加压剂是有害的，然而可以利用血管加压剂来处置完全不活动的心脏。

在实施例中，提出一种设备，其中，一个或多个过程包括过程C，其中，过程C为包括以下的过程：

i、确定光体积描记数据的低频率值，例如DC值，以及

ii、基于所述低频率值来计算指示自主循环恢复的概率(PC)的过程C参数(PC)。

自主循环恢复(ROSC)可以与中心血液的增加相对应。低频率值，例如DC值，例如PPG信号的‘基线’可以对局部血压的变化做出响应。然而，本实施例基于高度惊人的洞察，即低频率值，例如DC值，例如PPG信号的‘基线’还清楚地对对自主循环恢复(ROSC)做出响应。过程C的优点可以在于其使得能够克服由以下提供的挑战：

-评估脉搏的强度的临床显著性，

-心脏在启动阶段的不规律跳动，以及

-按压与心率的符合频率。

可以注意到，过程C对于克服来源于心脏在启动阶段的不规律跳动的挑战以及对于克服来源于按压与心率的符合频率的挑战是有益的，可以比视为过程C(例如相对于过程A)的优点。

在实施例中，提供一种设备，其中，一个或多个过程包括过程D，其中，输入部实现了对光体积描记数据的集合的接收，其中，光体积描记数据的集合为在不同波长处获得的光体积描记数据的集合，并且其中，过程D为包括以下的过程：

i、确定在不同波长处获得的光体积描记数据的集合之间的相关性水平，以及

ii、基于所述相关性水平来计算指示自主循环恢复的概率(PD)的过程D参数(PD)。

本发明人已认识到，相关性可以被用于评估皮肤的灌注，以及用于评估静脉血氧饱和度。在心脏骤停期间，皮肤浅表的灌注可能很差。在ROSC后，皮肤的灌注再次改善，如在动物实验(例如利用猪的实验)期间观察到的：在ROSC后，猪的(腹部的)皮肤的颜色暂时地变得更红。此外，在心脏骤停期间，静脉血氧饱和度由于减少的心脏输出而是低的，使静脉血液具有暗红色。因此，对红光的吸收强烈增加，减少其穿透深度。因此，在心脏骤停期间，红光仅仅穿透皮肤的浅表、差的灌注的层，并且红外光也穿透皮肤的较深的层，该较深的层比浅表层得到较好灌注。因此，当红光和红外光探查在心脏骤停期间大概被不同地灌注的不同的组织体积时，信号之间的相关性是差的。在ROSC之后，皮肤的灌注改善并且静脉血氧饱和度再次增大，因此红光和红外光再次探查可比较的组织体积，这改善两个PPG信号之间的相关性。过程D的优点可以在于其使得能够克服由以下提供的挑战：

-在时间表示中不可区分的按压与心脏，

-心脏在启动阶段的不规律跳动，以及

-按压与心率的符合频率。

可以注意到，过程D对于克服来源于心脏在启动阶段的不规律跳动的挑战是有益的，可以被视为过程D(例如相对于过程A)的优点。

在实施例中，提供一种设备，其中，一个或多个过程包括多个过程，例如至少2个过程，例如2个、3个、4个、5个、6个、7个、8个、9个、10个过程，例如多于10个过程。多个过程的优点可以在于提供对自主循环恢复的全概率(Ptot)的更可靠的计算，因为更多的过程进入到计算中。多个过程的优点可以在于可以取决于个体过程的结果上的差异向自主循环恢复的全概率(Ptot)分配置信度。多个过程的优点可以在于过程可以相互补充，例如一些过程可以比其他过程更好地满足某些挑战，反之亦然。

在另一实施例中，提供一种设备，其中，一个或多个过程包括过程A到D内的过程中的至少一个，例如1个。在另一实施例中，提供一种设备，其中，一个或多个过程包括过程A到D内的过程中的2个或3个或4个，例如过程A到D内的过程中的例如2个、例如至少3个，例如3个，例如至少4个，例如4个。在下文中，过程由它们的大写字母来引用，例如过程A为‘A’并且过程A和过程B为‘AB’，等。在实施例中，一个或多个过程包括过程A到D内的过程中的2个，例如AB、AC、AD、BC、BD、CD。在实施例中，一个或多个过程包括过程A到D内的过程中的3个，例如ABC、ABD、ACD、BCD。在实施例中，一个或多个过程包括过程A到D内的过程中的4个，例如ABCD。

在实施例中，提出一种设备，其中，处理器还被布置用于：

-计算指示施予血管加压剂将具有副作用的风险的风险参数，所述风险参数基于指示与一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的一个或多个参数(PA、PB、PC、PD)，并且其中，输出部还被布置用于

-基于所述风险参数来提供血管加压剂信号。

可能难以决策是否对患者施予血管加压剂，例如肾上腺素。如果脉搏完全不存在，则血管加压剂增加成功复苏的概率。然而，血管加压剂的施予在心脏靠自己启动时可能是有害的。本实施例可以是有利的在于其可以实现用于提供在建议照护者施予血管加压剂方面的决策支持的自动解决方案。血管加压剂信号可以基于对来自一个或多个过程的结果进行组合，以便使得能够提供关于施予血管加压剂的建议。所述组合可以类似于在本申请其他地方描述的用于提供自主循环恢复的全概率的对来自一个或多个过程的结果的组合。

在实施例中，提供一种设备，其中，处理器被布置用于选择多个一个或多个过程中要被执行的一个或多个过程，例如其中，多个一个或多个过程包括过程A到D中的一个或多个。‘选择’可以被理解为处理器能够访问多个过程，并且被布置用于选择要执行哪些过程以及不执行哪些过程，例如取决于环境的选择，例如对诸如除颤数据的额外数据的接收。可以理解，一些过程在环境的一个集合中可以是更适合的，而其他过程在其他环境中是更适合的，使得没有能够在全部环境中都得到最佳结果的单个过程。因此，处理器能够选择一个或多个过程可以被视为优点，因为其能够选择针对环境的给定集合的最佳过程，由此使得能够提供改善的结果。

可以注意到，通过选择过程中的一个或多个，基本上描述了例如取决于额外数据，例如自除颤起过去的时间段(defib-计时t-t_defib)和/或除颤数目和/或CPR数据的自适应公式，例如Ptot＝f(PA、PB、PC、PD)。能够捕获如较早描述的以下形式的这样的自适应公式：

Ptot＝f(PA,PB,PC,PD,t-t_defib,按压深度,按压力)。

例如，良好的选择能够是在除颤之后快速选择过程B和C(这些最快在大约一分钟做出响应)，以及在大约30秒之后或以后选择过程A。在另一范例中：如果使用存储器元件(有限状态机)，则能够保持对最近检测到的脉搏率的跟踪。每当脉搏率倾向于与(使用CPR数据的)按压频率融合时，组合器能够向过程A分配较低的重要性，因为每当脉搏率与按压频率符合时该过程都是不可靠的。

在实施例中，提供一种设备，其中，输入部还被布置用于接收表示以下中的任一个的额外的数据：

-CPR数据，例如指示按压的计时、按压深度、按压速度、按压加速度和/或按压力的数据，

-除颤数据，例如指示除颤的计时的数据，和/或

-经胸阻抗数据，

并且其中，所述处理器被布置用于访问所述额外的数据。对额外的数据的接收可以是有益的在于其使得处理器能够选择要执行哪些过程，和或使得由处理器执行的计算能够将相关的额外的数据考虑在内。

在另一实施例中，提出一种设备，其中

-对指示与一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的一个或多个参数(PA、PB、PC、PD)的计算，

和/或其中

-基于指示与一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的一个或多个参数(PA、PB、PC、PD)对自主循环恢复的所述全概率(Ptot)的计算，

至少部分地基于所述额外的数据。

使所述计算基于额外的数据可以是有利的在于其使得能够可以依赖于额外的数据来优化所述计算。

在另一另外的实施例中，提出一种设备，其中，对要在多个一个或多个过程(例如其中，多个一个或多个过程包括过程A到D中的一个或多个)内被执行的一个或多个过程的选择至少部分地基于所述额外的数据。可以有利的是选择基于额外的数据，这是因为例如过程A到D中的每个尤其适合于给定情形(或‘环境’或‘挑战’)，参考下文插入的表格，该表示阐述了过程的强项，并因此在它们的组合中强调协同。加号指示过程适合于克服给定挑战，两个加号指示过程尤其适合于克服给定挑战，并且减号指示策略在克服对应的挑战上相对较不合适：

表I

在另一另外的实施例中，提出一种设备，其中，对要在多个一个或多个过程(例如其中，多个一个或多个过程包括过程A到D中的一个或多个)内被执行的一个或多个过程的选择至少部分地基于所述额外的数据和表I。

在另一另外的实施例中，提出一种设备，其中，多个一个或多个过程包括：

-过程A

或者

-过程A和过程C，

其中，在过程A中，对每个峰的评分还取决于：

-峰的幅度，例如其中幅度越高，给予越高的评分，和/或

-剩余峰的幅度，例如其中幅度越高，给予越高的评分，剩余峰与峰的谐波相对应或者与在以下之间的和频或差频相对应：

1、峰或峰的谐波，与

2、胸部按压频率或胸部按压频率的谐波。在说明书的结尾插入的“涉及过程A和C的示范性实施例”中给出这些实施例中的每个的优点。联系该实施例和/或过程A大体上可以理解，获得光体积描记数据的光谱分辨表示可以包括采用自回归(AR)模型。联系该实施例和/或过程A大体上可以理解，‘光体积描记数据’可以是指原始光体积描记数据或者‘已经被处理过的光体积描记数据’，例如‘其中按压分量已经被移除的光体积描记数据’，例如通过减去对按压分量的估计移除的，其中对按压分量的估计可以任选地通过谐波级数来建模。联系该实施例和/或过程A大体上可以理解，过程A可以包括从光体积描记数据对按压分量的移除，例如通过减去对按压分量的估计对按压分量的移除，其中，对按压分量的估计可以任选地通过谐波级数来建模。

在第二方面中，本发明提供一种包括根据第一方面的设备的系统，其中，所述系统还包括以下中的一个或多个：

-自动CPR设备，例如被布置用于向设备的输入部发送CPR数据的自动CPR设备，并且其中，处理器被布置用于访问所述CPR数据，

-除颤器，例如被布置用于向设备的输入部发送除颤器数据和/或经胸阻抗数据和/或CPR数据的除颤器，并且其中，处理器被布置用于访问所述除颤器数据和/或所述经胸阻抗数据和/或CPR数据，

-存储器单元，其被布置用于存储数据，例如被布置用于修改对指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的一个或多个参数(PA、PB、PC、PD)的所述计算的数据。

提供自动CPR设备的优点可以在于其实现了CPR和/或其使得能够获得CPR数据。提供除颤器的优点可以在于其实现了除颤和/或其使得能够获得除颤器数据。可以理解，除颤器数据可以包括CPR数据，因为除颤器常常也记录CPR数据(如按压力、加速度、速度和深度曲线)，其也能够被发送到处理器。提供存储器单元的优点可以在于，其实现了对能够被用于修改计算的CPR数据和/或除颤器数据的存储，例如计算中使用的参数、例如计算中使用的能够被适配为修改(并改进)计算(例如对一个或多个参数的计算)的自适应参数。

在本申请中，‘CPR数据’被理解为提供关于提供CPR流程和/或CPR质量的信息的任意数据，例如按压的计时、按压力、按压深度、按压速度、按压加速度、周期性按压序列的按压阶段和/或按压频率。

在实施例中，提出一种包括根据第一方面的设备的系统，其中，所述系统还包括用于从相关联的患者获得光体积描记数据的测量单元，例如为脉搏血氧计的测量单元。测量单元可以为例如被用于存储和检索数字信息的数据存储设备，例如硬盘驱动器。

在另一实施例中，提出一种系统，其中，测量单元为脉搏血氧计，例如包括以下的脉搏血氧计：

-用于在一时间段内将第一波长的光透射到相关联的患者中的光的光源，

-用于接收在一时间段内被透射到患者中的第一波长的光的光检测器，

-用于在一时间段内将第二波长的光透射到相关联的患者中的光的光源，

-接收在一时间段内被透射到患者中的第二波长的光的光检测器，

并且其中，脉搏血氧计被布置用于响应于接收到的光而生成光体积描记数据的集合，并且还能够将光体积描记数据的集合发送到设备的输入部。脉搏血氧计为如本领域已知的。脉搏血氧计可以被理解为使用至少两个波长，例如两个波长，例如在660nm的第一波长，例如在900nm的第二波长。

在实施例中，提出一种系统，其包括用于将信号从输出单元提供到用户的通信单元，所述信号例如为自主循环恢复概率信号和/或血管加压剂信号和/或测得的脉搏率和/或所述脉搏率的变异性。可以理解，可以以有效连续的或离散化的方式提供所述信号中的每个。在另一实施例中，提出一种系统，其中，所述通信单元包括：

-用于视觉通信的显示器，例如计算机屏幕，和/或

-用于音频通信的扬声器。

在第三方面中，本发明提供一种用于确定在相关联的患者上执行的相关联的CPR流程期间的自主循环恢复的全概率(Ptot)的方法，所述方法包括：

-获得已经在所述CPR流程期间从所述相关联的患者获得的光体积描记数据的集合，

-基于光体积描记数据根据一个或多个预定算法(例如一个或多个可自动化的算法)执行一个或多个过程(例如不需要用户输入的一个或多个的可自动化的过程)，以便确定指示与一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率一个或多个参数(PA、PB、PC、PD)，

-基于指示与一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的一个或多个参数(PA、PB、PC、PD)来提供自主循环恢复的所述全概率(Ptot)，

-基于自主循环恢复的所述全概率(Ptot)来提供自主循环恢复概率信号。

应指出，所述方法中没有需要与患者的身体交互和/或涉及医学执业者的步骤。

在实施例中，提出一种方法，其中，一个或多个过程包括过程A到D内的过程中的1个或2个或3个或4个。

在第四方面，本发明提供一种计算机程序，例如计算机程序产品，其使得处理器能够执行根据第三方面的方法。计算机程序可以被存储/分布在适当的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但也可以被分布为其他形式，例如经由因特网或者其他有线或无线电信系统。

应认识到，第一方面的相同优点和实施例也适用于第二方面。大体上，第一方面和第二方面可以以本发明的范围内的任何可能的方式来组合和耦合。本发明的这些及其他方面、特征和/或优点将从后文描述的实施例变得显而易见并将参考这些实施例得以阐明。

附图说明

将参考附图仅仅通过举例的方式来描述本发明的实施例，在附图中：

图1图示包括设备100(‘患者监测器’)的系统110的实施例，

图2图示监测器针对照护者的显示的两个范例，

图3图示根据实施例的示意性流程图，

图4到图8用于支持过程A到D以及对ROSC的全概率的计算的示范性实施例，

图9示出过程C的实施例964的流程图，

图10示出红外光谱的熵(0-400BPM)，

图11将红外PPGDC示为虚线，

图12示出红(R)与红外(IR)之间的相关性，

图13示出根据示范性实施例I的基于PPG的算法的概览，

图14示出根据示范性实施例I的迭代算法的流程图，

图15示出根据示范性实施例I的在经胸阻抗(TTI)信号中对个体胸部按压的检测，

图16示出根据示范性实施例I的从PPG信号对按压分量的移除，

图17示出根据示范性实施例I的在PPG信号中对按压速率的按压分量及其谐波的有效移除，

图18示出根据示范性实施例I的作为AR模型阶数的函数的预测误差功率相对于无按压PPG信号功率的均值，

图19示出根据示范性实施例I的来自PR选择算法的数据，

图20示出根据示范性实施例I的对基线减小的检测，

图21示出根据示范性实施例I的在成功除颤电击之后在CPR期间经由PPG信号对自主脉搏的征兆的检测。

具体实施方式

图1图示包括设备100(‘患者监测器’)的系统110的实施例，设备100在其包括用于控制除颤器垫片106的电子线路114(其被连接到商业PPG传感器102或脉搏血氧计)的意义上，在本实施例中也为除颤设备。设备包含处理器，例如电子电路112，其能够访问或者包括一个或多个预定算法。系统还包括显示器116。设备被连接到除颤器或与除颤器集成，例如除颤器垫片106的集合。这允许算法在电击被给予时，经由例如经胸阻抗测量，知晓并获得关于胸部按压的信息。以此方式，算法可以执行自动的电击前校准。设备也可以被连接到自动CPR设备。自动CPR设备向算法提供关于按压频率、相位以及加速度、速度和深度的信息。PPG102传感器被装备有加速度计104(在图中被独立地图示)。加速度计104向算法提供关于按压频率和按压暂停的信息。在备选的实施例中，系统不包括，例如除颤器垫片106和/或CPR设备和/或加速度计104。

图2图示针对照护者的监视器的显示的两个范例。图2A示出逐渐的连续的尺度，以指示在无ROSC与可能有ROSC之间的ROSC的可能性。其也包含指示器218，例如发光二极管，其能够提供用于施予血管加压剂(例如肾上腺素)的负面建议。图2B是类似的，除了示出逐渐的、离散的尺度，以指示ROSC的可能性。

图3图示根据本发明的方法300的实施例的示意性流程图。其依赖于四种平行的PPG评估策略，例如过程A到D的实施例：对应于过程A到D的高级谱峰识别321、谱熵322、PPGDC值323、多波长相关性324，它们每个均取在主波长328的原始PPG信号和在次波长330的原始PPG信号作为输入，并分别计算过程参数PA、PB、PC和PD，过程参数PA、PB、PC和PD然后在全部策略的平行组合器326中被组合以计算ROSC的全概率，并且还被布置为提供关于肾上腺素或另一种血管加压剂的施予的建议332。因此，全部个体的、独立的评估策略(即一个或多个过程中的每个)的结果被组合，例如与置信度量一起被组合，以确定全ROSC概率334，如在图3中示意性地示出的。也理解，全部策略的平行组合器326，可以还接收除颤器信号336、CPR数据338、例如来自自动CPR设备的信号，以及加速度信号340作为输入。

图4到图8用于下文描述的支持策略1到4/过程A到D中的每个的示范性实施例：

·根据过程A的范例的PPG-评估：高级光谱脉冲分析。首先移除PPG信号的DC值，如图4中所示。接下来确定PPG信号的功率谱密度(PSD)(图5中的实线)，并通过其基线或最低水平进行均衡处理(图5中的虚线示出基线，并且图6中的实现示出经均衡处理的光谱)。随后，采用自适应阈值化技术确定分开弱与强周期性分量的最佳阈值(图6中的虚线)，以识别全部强周期性分量(图6中的圆)。识别胸部按压频率及其谐波并且不将其视为可能的脉搏率(PR)(图6中的十字交叉)。胸部按压频率或者在自动CPR的情况中为已知的，或者使用例如加速度计或经胸阻抗来独立地测量。在峰的剩余集合(被称作PR候选)中，经由评分方法确定全部候选之间的关系。每个候选接收一评分，该评分等于在候选的集合中发现的谐波的数目和交互项的数目。交互项为PR和胸部按压频率与它们的谐波的不同频率的和频和差频，例如与在以下之间的和频或差频相对应：

1、峰或峰的谐波，与

2、胸部按压频率或胸部按压频率的谐波。

这些非线性交互项已经在我们的测量数据中被观察到，并且现在被明确用于正确地在PR候选的集合中识别PR分量。作为范例，在图6中(由星号指示的)所识别的PR分量具有为七的评分，该评分起因于PR候选的集合中存在的三个谐波、两个和交互项以及两个差交互项。在另一实施例中，在分析PPG信号的光谱含量之前，首先，通过例如利用加速度计或经胸阻抗测量，或者通过例如使用主成份分析(PCA)或独立成分分析(ICA)，将胸部按压频率从PPG信号移除。在附录中，提供对高级光谱脉冲分析的一个实施例的详细描述。在这里提出对附图的概述：

图4示出当心脏的机械活动已经恢复时在胸部按压期间的经带通滤波的PPG信号。该数据因此被理解为反应胸部按压和脉搏率两者。

图5示出图4中示出的PPG信号的功率谱密度(PSD)(实线)以及其经由滑动窗口中值滤波估计的基线(虚线)。

图6示出经归一化的PSD(实线)，最佳检测阈值(虚线)被用于检测强周期性分量(圆)。在得到的周期性分量的集合中，与胸部按压相关的频率得以直接识别(十字交叉)，并且剩余分量被评分以识别PR(脉搏率)分量(星号)。(注意，针对比图5中的PSD的频率范围更小的频率范围示出经均衡处理的谱)。

图7示出过程A的示范性实施例的流程图，过程A可以被可交换地称为PPG-评估策略1，其能够在首先例如通过自适应滤波(其能够利用诸如经胸阻抗的参考信号)将按压频率及其谐波从PPG信号移除时使用。此外，在这里假设谱已经经由自回归(AR)建模得以确定，被指示为P_AR(f)。该算法的主旨是基于峰的幅度，以及谐波相关的峰或作为交互项的峰的幅度，对谱中的每个峰进行评分。将针对其的该评分最大的频率选择为PR。这有效地对应于通过幅度对峰进行评分的想法，包括将谱中的全部峰的幅度，谐波相关或作为交互项的峰的幅度相加，并将该和针对其最大的频率选择为PR。该算法基于参考文件Hinich,M.J.(1982)，DetectingaHiddenPeriodicSignalWhenItsPeriodisUnknown(IEEETransactionsonAcoustics，SpeechandSignalProcessing，ASSP-30(5)，第747至750页)，通过引用将该文件整体并入本文。此外，在这里以递归的方式将谱峰考虑在内，始于最强的峰，直到基于信号结果已经决定该频率分量为PR。通过图7中的算法选择的谱峰最可能为PR基波，因为：

·将针对PR基波发现最强的谐波的集合，因为其为级数中的第一分量。

·如果脉搏率基波不具有任何谐波，则其仍然能够被识别为在最强交互项之间正中间的分量，例如f_PR+f_cmp和|f_PR–f_cmp|。

在这里，谱分量的幅度是相关的，以能够识别最强交互项。此外，在该实施例中，与谱熵的组合(例如过程B)和/或PPG基线的变化(例如过程C)和/或谱峰的幅度，例如PR候选，相对于其他谱分量可以是优选的，用于决策PPG信号中是否存在自主脉搏以及是否应当执行所描述的递归谱峰分析。

图7更特别地描述：

其中可以理解，针对该具体范例的按压频率由f_cmp＝100BPM给出，

图8示出关于组合过程A、过程B和过程C以计算ROSC评分的实施例的有限状态机表示的流程图，该ROSC评分可以被视为指示自主循环恢复的概率的数目。通过保持对机器处于其中具有文本“ROSC评分＝”的框的跟踪，记忆有限状态机的状态。有限状态机的状态始于ROSC-评分为0的框。德尔塔(Δ)基线红外(IR)表示按压期间在20秒的时间平均化的基线PPG信号的时间导数(可能使用CPR数据以确定在其中存在按压的周期)。通过基线中异常大且突然的改变，容易地检测到传感器的运动，在该情况中基线信号将被丢弃。如果“德尔塔基线红外”与例如在过程C中确定的某些阈值交叉，则有限状态机能够进入其他状态，例如ROSC评分＝1/3。类似地，如果在过程B中计算的谱熵与某些阈值交叉，则系统也能够进入其他状态，例如ROSC评分＝2/3。类似地，过程A关于谱峰识别的结果能够将系统带入其中ROSC评分＝1的状态中，例如“检测到脉搏率”860和“未检测到脉搏率”862每个也可以影响状态/评分。

图9示出利用存储器单元966、967、968以及CPR数据和除颤数据的过程C的实施例964的流程图，这些数据可以是从自动CPR设备和具有如由框965指示的除颤器垫片的除颤器接收到的。该过程利用主存储器单元966记忆在刚刚在作为参考的除颤电击之前的时间点的PPG基线，该时间点例如为在作为参考的除颤电击时的时刻或有限的时间段(例如10秒)。PPG基线可以利用用于获得PPG数据的装置970获得，例如脉搏血氧计。每当PPG信号的基线与(可能不同的)阈值上下交叉时(即，基线水平的变化，德尔塔(Δ)基线超过某些水平，例如阈值1或阈值2)，则过程C964将给出1(如通过在次级存储器单元967中将1分配给过程C参数PC所指示的)或0(如通过在第三存储器单元968中将1分配给过程C参数PC所指示的)作为针对过程C参数PC的数目。该数目然后能够与其他过程组合，以计算指示自主循环恢复的全(Ptot)概率的数目。要理解，存储器单元966、967、968，尽管为了清楚而被示为分开的，但可以被实现为单个存储器单元。

图10示出红外谱的熵(0-400BPM)，并且尤其将在0与400BPM之间的熵示为虚线。

图11将红外PPGDC示为虚线。

图12示出红(R)与红外(IR)之间的相关性，并且尤其将R和IR信号的AC部分之间的相关性示为虚线。

注意图10到图12每个以表示ROSC的可能性(0-1)的完整绘制的黑色(深色)曲线为特征。该曲线是通过采访手术室、急诊室和重症监护单元的九位专家医师来提供的。向医师示出心电图、潮气末CO₂曲线、颈动脉血流和动脉血压(ABP)波形。可能性曲线为指示基于被呈现给他们的上述曲线的ROSC对医师数目的平滑化和归一化版本。此外，图10到图12中的每个以如由大约在31.7分钟时的粗垂直线指示的“除颤电击”为特征。此外，图10以如为虚线的“主动脉血压DC”为特征。此外，图11到图12中的每个以如为虚线的“主动脉血压”为特征。

·根据过程B的范例的PPG-评估：谱熵。心脏一开始启动，谱图的复杂度就快速上升。该复杂度由谱熵表示。该方法尤其在从非ROSC到ROSC的过渡阶段敏感。其也对相对弱的脉搏和不规律的脉搏敏感。该策略的形状在心跳和按压的频率不符合时最佳，因为符合的频率可能妨碍该策略的结果的质量。该策略在过渡后阶段作用更佳(图10中的性能的范例(虚线)，其示出熵策略的性能的范例)。为了改进针对心脏的启动阶段的灵敏性，推荐从一时间窗口确定PPG谱，得到适应按压频率的谱分辨率，即时间窗口应当被选择为使得按压频率及其谐波为谱分辨率的整数倍。这确保了按压频率的能量被限制为谱中的有限数目的组，得到当PPG信号仅包含按压时低的熵，以及当其能量展开在谱中的PPG信号中的不规律活动时熵的明显增加。因此，优选地也不应当应用补零。在另一实施例中，首先通过例如利用加速度计或经胸阻抗测量，或者通过例如使用主成份分析或独立成份分析，移除按压频率，得到当不存在自主脉搏时接近最大的熵，并且得到当已经形成自主脉搏时熵的显著或持续减小。在该第二实施例中，从其确定谱的时间窗口较不相关。

·根据过程C的范例的PPG-评估：PPGDC值。PPGDC值的变化反映平均血容量和/或静脉血氧饱和度的变化。在完全ROSC时，血压已经恢复并且血容量已经得到重新分布，这得到在传感器位点处对应于(例如红外PPG信号的)较低DC值的较大血容量。此外在完全ROSC时，组织灌注的恢复引起静脉血氧饱和度增大回正常水平，得到(例如红PPG信号的)DC水平的增大。该方法不依赖于心跳并且在心跳与按压频率符合时不受影响(图11中的性能的范例，其示出PPG-DC策略的性能的范例(虚线曲线与ROSC的可能性负相关))。

·根据过程D的范例的PPG-评估：多波长相关性。多波长相关性被发现反应外周灌注的水平和静脉血氧饱和度。如果血压低(在ROSC之前)，则由于不足的氧供应，在皮肤表面的微血管灌注低并且静脉血氧饱和度低，这得到“红”PPG信号(660nm)相对于“红外”PPG信号(890nm)的明显偏移(延迟)。血液微灌注在ROSC之后一增加，红和红外PPG信号就变得高度相关。该方法因此可以甚至利用PPG信号中的按压伪影的形状(图12中的性能的范例，其示出多波长相关性的策略的性能的范例(虚线曲线))。

在下文中，提供对高级谱脉冲分析的一个实施例的更详细的描述，其对应于过程A的实施例。

高级谱脉冲经由自适应阈值化技术，分析检测PPG谱中的周期性分量，并随后通过分析检测到的周期性分量之间的关系，识别检测到的周期性分量中的脉搏率(PR)分量。高级谱分析包括步骤：

1、首先对PPG信号应用带通滤波，以去除基线和较高频分量。PPG信号的基线能够由于组织血容量的大的变化而强烈波动，并且因此能够掩蔽谱中的周期性分量。图4示出当心脏的机械活动已经恢复时，在胸部按压期间的经带通滤波的PPG信号的典型时间踪迹。

2、随后，确定PPG信号的谱并对其进行均衡化以有助于检测周期性分量。对谱的均衡化例如能够通过将谱通过其基线进行归一化来完成，基线能够通过对谱应用滑动窗口中值滤波器来确定。中值滤波器的适当窗口长度例如能够为胸部按压频率。图5示出图4的经带通滤波的PPG信号的谱(实线)，以及其如通过中值滤波获得的基线(虚线)。

3、然后通过选择大于阈值的全部频率分量，检测经均衡化的PPG谱中的周期性分量，阈值随时被适配到每个特定的谱。检测阈值例如为关于优化标准最优的，优化标准试图识别具有最小类别中方差和最大类别间方差的两种类别(例如，参考在参考文件“Otsu,N.AThresholdSelectionMethodfromGray-LevelHistograms(IEEETransactionsonSystems,Man,andCybernetics，SMC-9(1)，62–66(1979))”中描述的方法，通过引用将该参考文件整体并入)。优化标准被应用于感兴趣频率范围(例如0.5Hz–15Hz)和感兴趣幅度范围(例如，大于一)。此外，首先将幅度范围转化成对数尺度，以防止来自异常值的太大影响。如此确定的最佳阈值将幅度频率谱中的强周期性分量与全部较弱的分量分开。图6示出经均衡化的谱(实线)、最佳检测阈值(虚线)，以及全部识别到的周期性分量(圆)。在备选的实施方式中，经由主成份分析和独立成份分析并使用加速度计信号或经胸阻抗信号，能够在PPG信号中识别到按压分量，并在后续分析中忽略该按压分量。

4、能够经由被应用于后续谱的形态学运算，部分地去除在前面步骤中已经被检测到的虚假峰。这些方法能够被用于移除由谱分析的窗口效应引起的虚假峰，并移除不随时间持续的或具有太窄的谱宽而不能为脉搏率分量的峰。识别到的剩余周期性分量被视为PR(脉搏率)候选的集合。

5、分析如此获得的PR(脉搏率)候选的集合，以识别PR分量。在自动CPR的情况中，胸部按压频率及其谐波是已知的，并且因此能够在PR候选的集合中被直接识别出。额外的加速度计或经胸阻抗信号也能够被用于获得关于按压频率以及可能的按压暂停的信息。加速度计或经胸阻抗信号此外还能够与PCA或ICA组合以识别PPG信号中存在的按压频率。通过图6中的十字交叉指示候选的集合中与胸部按压相关的全部分量。接下来，分析剩余PR候选之间的关系。针对每个候选，确定在集合中存在多少谐波，以及能够找到多少在潜在PR与胸部按压频率之间的交互项。交互项为潜在PR与胸部按压频率以及它们的谐波的和频和差频。每个PR候选都接收一评分，该评分等于在候选的集合中找到的关系的数目。具有最高评分的周期性分量被选为PR。在图6中，(由星形指示的)PR分量具有为7的评分，该评分从在PR候选的集合中存在的三个谐波、两个和交互项和两个差交互项得到。

6、如果多个PR候选具有相同的最大评分，则能够通过随后应用以下步骤识别PR：

a、尝试选择具有和与差交互项两者的PR候选。

b、否则，尝试选择在优选频率范围(例如1Hz到3Hz)内的PR候选。

c、否则，通过选择谱中具有最强信号的PR候选，即，其全部相关联的谱分量的(经归一化的)幅度的和最大的PR候选。

d、否则，选择具有最低频率的PR候选。

7、弱的自主脉搏可能在PPG谱中不具有谐波或交互项。这些将具有为零的评分，但是如果评分是在这样的若脉搏的速率已经在许多个随后的谱中被一致地检测到时被分配的，则能够被检测到。

涉及过程A和C的示范性实施例I

本范例涉及采用过程A和过程C的示范性实施例。我们将PPG信号中的自主脉搏定义为从心脏收缩得到的(准)周期性特征。在这里，自主脉搏可以为可察觉或难以察觉的。算法开发基于来自[20]的临床前数据。使用无按压PPG信号和PPG信号的基线来检测自主脉搏的征兆。包含对自主脉搏波形的估计的无按压PPG信号是通过去除通过谐波级数建模的按压分量来获得的。该级数的基波按压速率和相位来源于经胸阻抗(TTI)信号。TTI信号已经在除颤器中常用的除颤垫片之间测量到。PR是根据无按压PPG信号的频谱确定的。也能够根据大概是由血容量到外周的重新分布引起的PPG信号的基线的减小来检测到心跳的恢复。当检测到PR或基线的减小时，算法指示自主脉搏的征兆。应指出，本范例在文献引用，以及对表格和附图的引用方面为自包含的，其中本范例中提到的附图对应于附图列表中具有编号大12的图号的附图。

Ⅱ.方法

A.实验测量结果

在16头猪上进行自动CPR研究[20]。所有动物接收符合荷兰动物实验法(DutchAnimalExperimentationLaw)和在其中进行该实验的瑞德邦大学内梅亨医学中心(RadboudUniversityNijmegenMedicalCenter)的中心动物实验室的标准操作流程。瑞德邦大学动物伦理委员会(RadboudUniversityAnimalEthicalCommittee)批准该协议。在[20]中详细描述实验、协议和物理数据。

在10min基线记录之后，经由电击诱发心脏骤停，跟随有由两个通气交替的三十次按压的节奏的20min的CPR(30：2节奏)。胸部按压是由自动CPR设备以100min^-1的速率来递送的。在20min的CPR之后，发起2分钟周期以实现ROSC，每个在适当的情况下以除颤开始，跟随有30：2CPR。如果在周期中的一个之后实现ROSC，则CPR停止并且测量结果持续20min后ROSC。否则，实验在第四周期之后结束。在实验结束之后使动物安乐死。

通过心电图(ECG)、二氧化碳图和脉搏血氧计并且通过测量动脉血压(ABP)和颈动脉血流监测所有动物。在主动脉弓中测量ABP。使用由定制的光体积描记器所控制的前额反射脉搏血氧计探头(Nellcor^TMOxisensorⅡRS-10，CovidienNellcorTM，都柏林，爱尔兰)获得近红外(900nm)PPG信号[V]。探头被定制为使得能够通过鼻孔之间缝合来放置，因为该部位在运动方面相对稳定，并且允许探头到皮肤的紧密固定。经由HeartStartMRx监测器/除颤器(Philips，Andover，MA，USA)记录成人加多功能电极极板M3713A(Philips，Andover，MA，USA)之间的经胸阻抗(TTI)[Ω]。

使用16位数字信号采集卡(DAQ)(NIUSB-6259，国家仪器，奥斯丁，TX，USA)同时记录PPG和ABP波形。DAQ是通过在(国家仪器，奥斯丁，TX，USA)中实施的专用软件来控制的。

在f_s＝250Hz处对所有波形进行采样。通过重新采样并将TTI信号转化来使TTI信号与PPG信号同步，使得相关性在TTI信号与ABP信号中的基本按压频率分量之间是最大的。以采用0.01Hz的步长的249.91Hz与250.09Hz之间的速率进行重新采样。

B.算法概览

图1概述指示在CPR期间的自主脉搏的征兆的算法。主要输入是具有样本指数n的原始PPG信号ppg[n]。经由具有12Hz截止的一阶巴特沃斯低通滤波器和具有0.3Hz截止的四阶巴特沃斯低通滤波器来获得经带通滤波的PPG信号ppg_ac[n]。通过使用根据辅助TTI信号Z[n]所确定的按压速率和相位(节段Ⅱ-C)，从ppg_ac[n]移除按压分量以获得无按压PPG信号ppg_cf[n](节段Ⅱ-D)。ppg_cf[n]的频率谱是经由自回归(AR)模型来确定的(节段Ⅱ-E)。如果光谱包含具有足够高频率的含量的信号，则在光谱中识别PR(节段Ⅱ-F)。并行地，PPG信号的基线ppg_{bl_d}[n]是通过在0.5Hz处的低通滤波来获得的。可以根据ppg_{bl_d}[n]的减小来检测大概的血容量到外围的重新分布(节段Ⅱ-G)。当检测到PR或基线的减小时，算法指示自主脉搏的征兆(节段Ⅱ-H)。

C.对按压特性的确定

根据在之前已经使用其的TTI信号来确定瞬时按压频率[21]。为了提取基本按压频率分量，TTI信号Z[n]首先是通过具有在1Hz与4Hz之间的通带的一阶巴特沃斯滤波器来进行带限的。为了促进检测单独的按压，接下来利用正弦脉搏响应来应用滤波器：

$h_m\[n\]=-\frac{2}{N_m}sin\left(2\mathrm{\π}\frac{n}{N_m}\right),n=\{0,...,N_m\}---\left(1\right)$

其中，N_m＝100，因此3-dB截止频率在大约1Hz和3.3Hz处。这容纳在临床实践中观察到的大约60min^-1与180min^-1之间的人工胸部按压频率的范围[21]、[22]。

由Z_f[n]所指示的滤波器h_m[n]的输出具有正弦形状，其中，局部最大值在按压的末尾处发生。通过识别局部最小值(n_l,Z_fminl)、局部最大值(n_c,Z_fmaxc)和局部最小值(n_r,Z_fminr)的连续序列来检测按压。根据Z_f[n]的时间导数的零交点找到局部极值。要求Z_fminl,r≤0并且Z_fmaxc≥0。为了避免检测通气、运动伪影或噪声，三个局部极值的序列必须满足待与按压相关联的四个准则：

幅度处于指定范围内：

$Z_{lb}\≤Z_{f\max c}-\frac{Z_{f\min l}+Z_{f\min r}}{2}\≤Z_{ub}---\left(2\right)$

其中，范围Z_lb＝0.2Ω并且Z_ub＝10Ω[15]。

n_l与n_r之间的距离处于针对60min^-1与200min^-1之间的按压速率所期望

的范围内：

0.3s·f_s≤n_r-n_l≤1s·f_s(3)

频率在时间方面是足够对称的：

$\frac{1}{k_T}\≤\frac{n_c-n_l}{n_r-n_c}\≤k_T---\left(4\right)$

其中，参数k_T＞1设定允许的非对称性。

频率在幅度方面是足够对称的：

$\frac{1}{k_A}\≤\frac{Z_{f\max c}}{-(Z_{f\min t}+Z_{f\min r})/2}\≤k_A---\left(5\right)$

其中，参数k_A＞1设定允许的非对称性。仅在Z_fminl+Zf_minr＜0的情况下满足该准则。

在识别单独的按压之后，第一，根据两个连续的局部最大值之间的距离来确定与按压i相关联的瞬时胸外按压频率f_cc，i。如果其至多相隔1s，则

$f_{cc,i}=\frac{f_s}{n_{c,i}-n_{c,i-1}}---\left(6\right)$

如果局部最大值不在1s内的另一局部最大值之前，则假定胸部按压的新序列已经开始。在这种情况下，与序列的第二按压相关联的按压频率还与序列的第一按压相关联。这隐含至少两个按压的算法中的固有延迟。忽略与这两个相邻按压相隔超过1s的按压。

第二，按压i的开始n_σ，i被确定为：

$n_{o,i}=n_{c,i}-\frac{f_s}{f_{cc,i}}---\left(7\right)$

第三，通过在按压i的开始处开始，按压相位φ_cc[n][rad]被确定为：

${\mathrm{\&phi;}}_{cc}\&lsqb;n\&rsqb;={\mathrm{\&phi;}}_{cc}\&lsqb;n-1\&rsqb;+2\mathrm{\&pi;}\frac{f_{cc,i}}{f_s},n_{o,i}\&le;n<n_{o,i+1}---\left(8\right)$

按压相位φ_cc[n]在0rad处初始化，并且当新按压序列开始时被重置为0rad。

第四，构建平滑包络函数A[n][-]，其指示按压的存在，在不是序列的第一个的按压期间，A[n]等于1。对于序列的第一按压而言，A[n]经由下式在N_o,i＝round(f_s/(4f_cc,i))样本中从0平滑地增加到1：

$\frac{1}{2}(1-cos(\mathrm{\&pi;}\frac{n-n_{o,i}}{n_{o,i}}\left)\right),n_{o,i}\&le;n\&le;n_{o,i}+N_{o,i}---\left(9\right)$

在其之后，在剩余按压周期期间，A[n]等于1。在序列的最后的按压之后，A[n]经由下式在N_o,i样本中从1平滑地减小到0:

$\frac{1}{2}(1+cos(\mathrm{\&pi;}\frac{n-n_{c,i}}{n_{o,i}}\left)\right),n_{c,i}\&le;n\&le;n_{c,i}+N_{o,i}---\left(10\right)$

否则，A[n]等于0。

基于所测量的TTI信号，k_T＝k_A＝1.5被用于所有动物。由于较低质量TTI信号，所以仅仅针对一个动物使用k_T＝k_A＝2.5。这仅仅是其中已经针对单独的动物调节参数值的情况。这可以通过使用将参数值适配到所测量的TTI信号的算法来防止。然而，这在本工作的范围之外。

D.对按压分量的移除

为了估计能够在检测ROSC中支持临床医师的自主脉搏波形，谐波级数被用于建模并且移除PPG信号中的胸部按压分量。谐波级数先前已经成功地被用于建模并且移除ECG信号中的胸部按压分量[21]-[23]。

按压移除级的主要输入是经带通滤波的PPG信号ppg_ac[n]，我们假定其是以下各项的和：自主脉搏分量sp[n]、按压分量cmp[n]和剩余分量r[n][20]：

ppg_ac[n]＝sp[n]+cmp[n]+r[n](11)

此处，r[n]包含噪声和可能地来源于自主心脏活动与按压之间的交互的频率分量[20]。包含自主脉搏分量的估计的无按压PPG信号ppg_cf[n]是通过减去按压分量的估计cmp_est[n]来获得的：

ppg_cf[n]＝ppg_ac[n]-cmp_est[n](12)

通过具有根据TTI信号确定的基本频率f_cc,i的K同相和正交相的谐波级数来对估计cmp_est[n]进行建模[22]、[23]：

${\mathrm{cmp}}_{est}\&lsqb;n\&rsqb;=A\&lsqb;n\&rsqb;\underset{k=1}{\overset{K}{\&Sigma;}}\&lsqb;a_k\&lsqb;n\&rsqb;cos({\mathrm{k\&phi;}}_{cc}\&lsqb;n\&rsqb;)+b_k\&lsqb;n\&rsqb;sin({\mathrm{k\&phi;}}_{cc}\&lsqb;n\&rsqb;))---\left(13\right)$

其中，相应地，包络函数A[n](节段Ⅱ-C)、按压相位φ_cc[n](等式(8))和第k个谐波的同相和正交相的幅度a_k[n]和b_k[n][V]。在按压的中断期间，A[n]迅速地迫使cmpest[n]为0，使得输入ppg_ac[n]在这些中断中保持不受影响。幅度a_k[n]和b_k[n]是经由最小均方(LMS)算法来估计的[23]-[26]：

a_k[n+1]＝a_k[n]+2μA[n]ppg_cf[n]cos(kφ_cc[n])(14)

b_k[n+1]＝b_k[n]+2μA[n]ppg_cf[n]sin(kφ_cc[n])(15)

针对k＝1，…，K，并且具有步长参数μ。

ppg_ac[n]与ppg_cf[n]之间的LMS滤波器的转移函数能够通过具有集中在kf_cc处的陷波的K陷波滤波器的级联来近似，k＝1，…，K，当按压频率的估计在f_cc处是稳定的时，A[n]＝1，并且步长参数μ＜1[24]、[26]：

$H\left(z\right)\&ap;\underset{k=1}{\overset{K}{\&Pi;}}\frac{z^2-2zcos\left(2\mathrm{\&pi;}\frac{{\mathrm{kf}}_{cc}}{f_s}\right)+1}{z^2-2(1-\mathrm{\&mu;})zcos\left(2\mathrm{\&pi;}\frac{{\mathrm{kf}}_{cc}}{f_s}\right)+(1-2\mathrm{\&mu;})}---\left(16\right)$

每个陷波具有关于[23]、[24]的3-dB带宽W[Hz]

$W\&ap;\frac{{\mathrm{\&mu;f}}_s}{\mathrm{\&pi;}}---\left(17\right)$

而且，μ经由下式将收敛时间T_cv[s]确定为针对a_k和b_k的目标值的分数0＜v＜1：

$T_{cv}=\frac{1}{f_s}\frac{ln(1-v)}{ln(1-\mathrm{\&mu;})}---\left(18\right)$

通过设置μ＝0.002，W≈10min^-1并且T_c0.95≈6s。

最后，K＝9在等式(13)中被用于移除在ppg_ac[n]中剩余的按压分量的所有谐波。

E.频谱估计

1)自回归(AR)模型：经由AR模型随时间确定无按压PPG信号ppg_cf[n]的频率谱。因为ppg_cf[n]是不稳定的，所以仅仅能够根据短时间窗口估计频谱。AR模型提供与快速傅里叶变换相比较更好的在短时间窗口上的频率分辨率[27]-[29]。

在确定AR模型之前，ppg_cf[n]被降采样到f_{s_d}＝31.25Hz。降采样增加数据中的极性的相位角，从而得到AR系数的更可靠的估计[30]。在三个连续步骤中进行降采样以避免数值问题。第一，应用具有12Hz截止的三阶巴特沃斯低通滤波器，跟随有降采样到125Hz。第二，应用具有12Hz截止的六阶巴特沃斯低通滤波器，跟随有降采样到62.5Hz。第三，应用具有12Hz截止的六阶巴特沃斯低通滤波器，跟随有降采样到f_{s_d}＝31.25Hz。

然后，根据经降采样的无按压PPG信号ppg_{cf_d}[n]来估计AR模型[27]：

${\mathrm{ppg}}_{cf\_d}\&lsqb;n\&rsqb;=\underset{p=1}{\overset{P}{\&Sigma;}}{a}_P{\mathrm{ppg}}_{cf\_d}\&lsqb;n-p\&rsqb;+e\&lsqb;n\&rsqb;---\left(19\right)$

其中，AR系数为α_p，模型阶数为P，并且预测误差为e[n]。如果P是足够大的，则数据中的所有相关性通过等式(19)中的线性预测来描述，并且预测误差e[n]是白噪声[27]。对于每个AR模型而言，功率谱密度(PSD)被获得为频率f的连续函数[27]：

$P_{AR}\left(f\right)=\frac{{\mathrm{\&sigma;}}_e^2/f_{s\_d}}{|1+{\&Sigma;}_{p=1}^P{\mathrm{\&alpha;}}_p\exp (-j2\mathrm{\&pi;}pf/f_{s\_d}){|}^2}---\left(20\right)$

其中，预测误差功率为使用向前向后方法从T_w＝5的时间窗口获得AR系数α_p[27]。通过将这些窗口平移1s，每秒计算AR系数一次。在1min^-1分辨率上评价P_AR(f)。

2)模型阶数：AR模型阶数P应当足以捕获存在于ppg_{cf_d}[n]中的最强的频率分量。使用预测误差功率以经验为主地确定P。根据模型阶数，相对于根据其估计AR模型的窗口的总信号功率来确定预测误差功率。P被选择为是在其以上平均相对预测误差功率保持相当恒定的阶数。

考虑增量为2的2与50之间的模型阶数。根据具有4s重叠的T_w＝5s滑动窗口来估计AR模型。对于具有ROSC的所有动物而言，在成功除颤与CPR的末尾之间的2分钟周期中估计AR模型。因此，对于每个模型阶数而言，平均相对预测误差功率是根据115AR模型来获得的。在[31]中，Ulrych和Ooe提出在模型阶数不超过可用的数据点的1/3到1/2的情况下常常获得满意的结果。通过以f_{s_d}＝31.25Hz的采样速率考虑针对T_w＝5s窗口的至多50的模型阶数来满足该准则。

F.频谱分析

信号模型被用于检测PR(节段Ⅱ-F1)。如果ppg_{cf_d}[n]包含具有足够高频率的含量的信号(节段Ⅱ-F2)，则迭代算法分析P_AR(f)中的峰以识别PR(节段Ⅱ-F3)。PR检测性能是通过视觉检查来评价的(节段Ⅱ-F4)。

1)信号模型：原始PPG信号ppg[n]的频率谱示出信号应当被建模为在按压期间两个谐波级数的积，大概地，按压与心脏活动之间的交互的结果为：

$ppg\&lsqb;n\&rsqb;=\&lsqb;\underset{l=0}{\overset{L}{\&Sigma;}}{C}_l\cos (2{\mathrm{\&pi;lf}}_{sp}\frac{n}{f_s}+{\mathrm{\&phi;}}_l\&rsqb;\&times;\&lsqb;\underset{m=0}{\overset{M}{\&Sigma;}}{D}_m\cos (2{\mathrm{\&pi;mf}}_{cc}\frac{n}{f_s}+{\mathrm{\&theta;}}_m\&rsqb;---\left(21\right)$

此处，第一级数通过L+1个分量对自主脉搏进行建模，并且第二级数通过M+1个分量对按压进行建模。频率f_sp和f_cc分别是PR和按压速率。C_l和D_m[V]是频率分量的幅度，并且φ_l和θ_m[rad]是其相位。PR检测算法使用|f_sp±f_cc|处的交互频率来识别频谱中的PR。

2)信号存在：为了检测无按压PPG信号ppg_{cf_d}[n]中的潜在自主脉搏的存在，我们定义两个准则。一个准则要求预测误差功率P_e[n]比总信号功率P_s[n]的分数Rp＜＜1更小。另一准则要求低频率的功率比总信号功率的分数R_D＜1更小。在已经根据其确定等式(19)中的AR模型的每个窗口中评价这两个准则。特别地，我们认为在以下成立的情况下信号存在：

$\frac{P_e\&lsqb;n\&rsqb;}{P_s\&lsqb;n\&rsqb;}<R_P---\left(22\right)$

并且

$\frac{{\&Sigma;}_{0\&le;f^{\&prime;}<f_l}{P}_{AR}\left(f^{\&prime;}\right)}{{\&Sigma;}_{0\&le;f^{\&prime;}\&le;f_{s\_d}/2}{P}_{AR}\left(f^{\&prime;}\right)}<R_D---\left(23\right)$

其中，f_l＝40min^-1，较低的PR限制，在50min^-1处的心动过缓限制[2]，并且先前考虑预测潜在ROSC的最小速率[9]。如果等式(22)或等式(23)不成立，则认为不存在信号，如果这两者成立，则分析P_AR(f)中的峰以识别PR。

在等式(22)中，总信号功率被计算为：

$P_s\&lsqb;n\&rsqb;=\frac{1}{N_w-P}\underset{i=n-N_w+1+P}{\overset{n}{\&Sigma;}}{\mathrm{ppg}}_{cf\_d}^2\&lsqb;i\&rsqb;---\left(24\right)$

并且预测误差功率被计算为：

$P_e\&lsqb;n\&rsqb;=\frac{1}{N_w-P}\underset{i=n-N_w+1+P}{\overset{n}{\&Sigma;}}{e}^2\&lsqb;i\&rsqb;---\left(25\right)$

其中，AR模型阶数P和窗口长度N_w＝[T_w·f_{s_d}]。省略前P个样本，因为不存在预测。

如果等式(22)成立，则ppg_{cf_d}[n]包含周期性分量。在这种情况下，信号中的相关性导致等式(19)中的线性预测对ppg_{cf_d}[n]的大的贡献，这使得预测误差功率比总信号功率小得多。如果周期性分量不存在，则ppg_{cf_d}[n]主要包含噪声，这导致线性预测对ppg_{cf_d}[n]的较小的贡献，以及预测误差功率与总信号功率之间的较大的比率。

低频振荡能够使得等式(22)成立，而ppg_{cf_d}[n]不包含可能对应于PR的频率。这样的低频振荡在按压或按压中的中断期间发生。因此，等式(23)要求低频率对信号功率的有限的贡献，以确定ppg_{cf_d}[n]包含可能对应于PR的频率。如果TTI包含已经根据其估计AR模型的窗口中的按压，则仅仅考虑等式(23)。

根据AR模型阶数，根据相对预测误差功率来确定R_p。根据PSD中观察到的光谱分布来确定R_D＝0.5。

3)PR检测：为了识别PR，在P_AR(f)中的峰的频率之间确定关系。通过使用P_AR(f)的导数中的从正到负的过零点找到所有光谱峰。根据找到的所有峰，形成N_pks峰的集合{f_pks}，其中，所有频率至少是18min^-1，并且与根据其估计P_AR(f)的窗口中找到的所有按压速率f_cc,i与谐波2·f_cc,i偏离超过5min^-1。

图2概述确定{f_pks}中的频率之间的关系以识别PR的迭代算法。对应于P_AR(f)中的最大峰的频率不一定是PR，因为测量结果示出最大峰可以对应于按压期间的谐波或交互频率。因此，由等式(21)给出的信号结构被用于识别PR。

{f_pks}中的频率是通过对应于PSD中的N_i个最大峰的迭代地创建的子集{f_i}来分析的。N_i在3处初始化并且增1，直到已经识别到PR或者已经分析了所有N_pks个频率。在每次迭代中，通过选择40min^-1[9]与250min^-1[32]之间的频率，从{f_i}导出PR候选的集合{f_cnd}。对于每个PR候选而言，在{f_i}中搜索并且在集合{f_cnd,rel}中采集三个相关频率：谐波f_hrm＝2·f_cnd，和交互频率f_sum＝f_cnd+f_cca，并且差交互频率f_diff＝|f_cnd-f_cca|。如果TTI信号包含可以根据其确定P_AR(f)的窗口的按压，则仅考虑交互频率。按压速率f_cca是在该窗口中检测到的速率f_cc,i的平均值。如果与期望值偏离至多Δf，则频率被认为是相关的。为了识别PR，通过将对应的峰求和来将评分分配给具有相关频率的每个候选：

没有相关频率的PR候选具有评分0。评分机制与海因里希(Hinich)的谐波图(harmogram)相关，其中，谐波被添加以检测频率[33]。在集合{f_max}中采集具有等于所有评分的严格正最大值的评分的PR候选。如果存在具有频率f_max的一个最大值，则迭代停止并获得初步识别PR_t[n]。如果f_max不具有相关联的谐波f_hrm，但是具有相关联的交互频率f_sum和f_diff，其中，P_AR(f_diff)/P_AR(f_max)＞k₁＞1并且P_AR(f_diff)/P_AR(f_sum)＞k₂＞k₁，并且f_diff在{f_cnd}中，则PR_t[n]＝f_diff。即，基于减小的光谱幅度，f_diff被认为是PR，并且f_max和f_sum两者被认为是和交互频率。然而，如果这些条件之一未满足，则PR_t[n]＝f_max。接下来，如果当前初步识别与先前初步识别之间的差至多是Δf，则最终识别是PR[n]＝PR_t[n]。否则，不能够识别到PR[n]。如果不存在一个严格地正最大评分，则{f_max}是空的(这在不存在相关频率时发生)或者{f_max}包含多个频率(这例如在(f_i)仅包含PR和一个交互频率时发生)。在这种情况下，执行下一迭代。如果在已经分析了所有N_pks个峰时{f_max}包含多个频率，则确定{f_max}是否包含具有最小偏差ε＝|PR_t[n-1]-f′|的一个频率f′，其中，ε≤Δf。如果这样的话，PR[n]＝PR_t[n]＝f′，否则不能够识别到PR[n]和PR_t[n]。

参数k₁＝3并且k₂＝10是根据在PSD中的相关联的峰之间观察到的幅度比来确定的。参数Δf＝15min^-1是根据PSD中观察到的频率偏差来确定的。

4)PR检测的性能：通过确定P_AR(f)中检测到的与在时间轨迹ppg_{cf_d}[n]中观察到的PR相匹配的PR的分数，在后ROSC相位之前的2分钟周期内评价PR检测。

G.对血容量到外围的重新分布的检测

当PR和按压速率符合时，按压移除级还将移除自主脉搏，这使无按压PPG信号不可用。然而，当心脏重新开始跳动时，能够观察到皮肤颜色的变化，这大概由血容量到外围的重新分布导致并且导致PPG信号的基线的突然减小。我们将基线的减小作为自主脉搏的额外的征兆，以适应符合的PR和按压速率。

PPG信号的基线ppg_{bl_d}[n]是通过被应用到原始PPG信号ppg[n]的具有0.5Hz截止的三个一阶巴特沃斯低通滤波器的级联获得的。每个滤波操作跟随有因子为2的降采样。因此，以f_{s_d}＝31.25Hz对ppg_{bl_d}[n]进行采样。

为了检测ppg_{bl_d}[n]的突然减小，在N_bl(奇数)样本的窗口中拟合最小均方回归线ρ_n：

${\mathrm{\&rho;}}_n\&lsqb;n-m\&rsqb;={\mathrm{\&beta;}}_n\&lsqb;\frac{N_{bl}-1}{2}-m\&rsqb;+{\mathrm{\&gamma;}}_n,m=0,...,N_{bl}-1---\left(27\right)$

在以下成立的情况下检测到血容量的大幅增加：

Δ_bl[n]＝β_n(N_bl-1)/γ_n＜Δ_BL(28)

其中，Δ_BL＜0。等式(28)每秒评价一次。N_bl和Δ_BL是通过利用ROSC检查动物的基线的减小来确定的。

H.自主脉搏的征兆的指示器

为了支持ROSC评估，算法指示已经检测到自主脉搏的哪些征兆(图1)：

a)状态2：“检测到PR”，在P_AR(f)中检测到PR。

b)状态1：“检测到血容量到外围的重新分布”，检测到ppg_{bl_d}[n]

的减小。

c)状态0：“没有检测到”，没有检测到PR和ppg_{bl_d}[n]的减小。状态1和2能够同时发生。指示器的状态每秒确定一次。

I.对指示器的验证

将指示器与由在荷兰的提尔堡的伊丽莎白医院的急诊部、手术室、监护病室或快速反应小组工作的九个临床医师回顾地做出的ROSC评估相比较。请求临床医师评估在什么时刻处ROSC发生在每个实验中，因此他们将停止CPR。对于该评估而言，我们提供如在整个实验期间所记录的ECG、ABP、二氧化碳图和颈动脉血流信号。我们在最前面指示动物实现ROSC。指示已经随时间检测到ROSC的临床医师的数目的ROSC注释轨迹是根据所提供的时刻来构建的。

我们通过三个参数来量化指示器与ROSC注释轨迹之间的一致。在后ROSC相位之前的2分钟周期内，确定时间差T_I–T_C[s]。我们将T_I定义为第五连续非零指示器状态的时刻，以避免虚假的检测。我们将T_C定义为第五临床医师检测ROSC的时刻，以排除早期和晚期检测。当动物心脏骤停时，在20分钟CPR周期期间，确定通过零指示器状态定义为正确心脏骤停检测的百分比的特异性。在T_C与后ROSC相位的开始之间，确定通过非零指示器状态定义为自主脉搏的征兆的正确检测的百分比的灵敏度。

Ⅲ.结果

出于一致性，已经采取从[20]编号的动物。动物N1-N3不具有持久的ROSC。动物R1-R9具有持久的ROSC。动物N1简单地具有ROSC，但是再次恶化到心脏骤停。对于不含糊的注释而言，已经从动物N1的数据排除简单的后ROSC相位和先前的2分钟周期。

对于算法开发而言，我们使用来自16个动物中的10个的数据。如在[20]中，由于临床饱和探头与研究PPG探头之间的干扰，所以排除前四个动物。这通过增加探头之间的距离解决。额外地，排除动物R5和R9。动物R5具有关于颈动脉的并发症，这导致口鼻部的欠佳的灌注，并且没有从动物R9记录TTI信号。

A.对按压特性的确定

图3图示过滤所测量的TTI信号Z[n](图3a)以获得Z_f[n](图3b)中的基本按压分量。在Zf[n](蓝圆)中检测局部极值以识别单独的按压(红点)的开始。在Zf[n]中部分地抑制通气效果。

从开始确定按压速率f_cc,i和相位φ_cc[n](等式(6))和(8))以及包络函数A[n]。准确地找到按压速率f_cc，i，仅稍微波动大约100min^-1(表I)。仅对于动物N3而言，波动是更大的，这由低质量TTI信号导致。动物N3是具有k_T＝k_A＝2.5的例外。

B.对按压分量的移除

图4图示了代表性范例的按压分量的移除。除颤电击(虚线)结束在其之后自主脉搏出现的心脏骤停。在骤停期间，图4a中的PPG信号ppg_ac[n]示出了30：2CPR节奏。当自主脉搏出现时，ppg_ac[n]的复杂性在按压期间增加。在骤停期间，图4b中的按压估计cmp_est[n]与ppg_ac[n]中的按压几乎相同。当自主脉搏出现时，cmp_est[n]改变形状。这是由于在大约300min^-1处的PR的谐波，其在按压速率的谐波附近。图4c示出了通过从ppg_ac[n]减去cmp_est[n]所获得的无按压PPG信号ppg_cf[n]。在ppg_cf[n]中强烈地减小按压分量，尽管衰退残余存在于在新按压序列的开始处的ppg_cf[n]中。在通气期间，包络函数A[n]迫使cmp_est[n]为0，这使ppg_ac[n]在ppg_cf[n]中不受影响。在骤停期间，ppg_cf[n]示出自主脉搏的不存在。在电击之后的第一按压序列期间，自主脉搏在ppg_cf[n]中出现。在按压期间，PR与按压速率之间的差交互频率导致ppg_cf[n]中的低频率振荡，其在按压停止时消失。

图5中的光谱图图示了按压的有效移除。PPG信号ppg_ac[n](图5a)包含在按压速率处的分量和其在CPR期间的谐波，以及在PR处的分量和其在成功的除颤之后的谐波。按压估计cmp_est[n](图5b)主要包含按压频率分量，但是还能够包含当这些接近按压分量时与自主脉搏相关的频率分量(在33：00之后不久)。在无按压PPG信号ppg_cf[n]中强烈地减小按压速率处的分量和其谐波(图5c)。然而，交互频率保持存在于ppg_cf[n]中。ppg_ac[n]和ppg_cf[n]的光谱包含除颤电击与32：30之间的交互频率。

C.AR模型阶数P和参数R_p

根据图6中的相对预测误差功率，找到AR模型阶数P＝20以准确地描述无按压PPG信号ppg_{cf_d}[n]。在P＝20处，平均相对预测误差功率加上两倍其标准偏差达到大约5％的最大值。因此，R_p＝0.05在等式(22)中被用于检测信号存在。

D.光谱分析

图7图示了光谱分析的不同的阶段。PR检测算法分析PSDP_AR(f)(等式(20)，图7a)中的峰以当在具有足够高频率含量(等式(23)，图7b中的FD)的无按压PPG信号ppg_{cf_d}[n](等式(22)，图7b中的SIG)中已经检测到信号时识别到PR。当动物在心脏骤停中时，SIG和FD条件在除颤电击(虚线)之前防止分析大部分PSD。在心脏骤停期间，错误PR检测由于光谱峰与按压速率或其谐波偏离超过5min^-1而发生，如图7c中的大约31：00处所图示的。当识别到PR时(图7c中的黑点)，典型地已经通过迭代算法分析3到4个光谱峰(图7c中的紫点)。在后ROSC相位之前的2分钟周期期间，90％的PR检测是正确的(表I)。这通过视觉地将检测到的PR与ppg_{cf_d}[n]相比较来确定，如将由图7d中的轨迹例证的。此处，ppg_{cf_d}[n]示出在除颤之后大约90min^-1的PR，其突然地减小到大约50min^-1，并且然后逐渐地增加到大约160min^-1。在图7c中，当所分析的光谱峰满足由参数k₁和k₂所定义的幅度关系时，正确地识别到在大约50min^-1处的PR。在32：04与32：08之间，错误地检测到在200min^-1附近的PR，因为实际PR在100min^-1附近并且因此被移除，但是谐波与200min^-1足够地偏离以保持。在32：09与32：24之间，当ppg_{cf_d}[n]是不规则的时，未识别到PR，因为在光谱峰之间未能找到关系。

E.对血容量到外围的重新分布的检测

图8a示出了当心脏在具有ROSC(粗线)的动物中重新开始跳动时，显著的减小发生在PPG信号的基线中，持续至少10s。相反，该减小不存在于没有ROSC(细线)的动物中。可以通过使用N_bl＝[5·f_{s_d}]＝157并且Δ_BL＝-0.03(图8b)检测在心脏重新开始跳动时观察到的减小。利用这些参数，未检测到在心脏骤停期间基线中的大部分波动。

F.对指示器的验证

图9呈现了具有ROSC的动物的无按压PPG信号ppg_{cf_d}[n]、自主脉搏的征兆的指示器和临床ROSC注释轨迹。波形和指示器示出了与注释的良好的一致。当临床医师检测ROSC时，自主脉搏常常已经存在于ppg_{cf_d}[n]中并且检测到血容量的重新分布。然而，在动物R3中，PR接近100min^-1并且因此偶尔完全由按压移除阶段移除，并且在动物R8中，自主脉搏仅在大多数临床医师检测ROSC之后清楚地出现。而且，在动物R1、R4和R8中，在第一临床医师检测到ROSC之前，已经检测到血容量的重新分布。

通常，在大多数临床医师检测到ROSC之前，指示器检测到自主脉搏17的征兆(表I中的T_I-T_C)。在T_C与后ROSC相位的开始之间的68％的时间内，指示器正确地检测到自主脉搏的征兆(表I中的灵敏度)。当PR检测失败时，除了当PR在100min^-1附近时，ppg_{cf_d}[n]可以仍然示出自主脉搏的存在(动物R3)。在20分钟心脏骤停周期的94％中，指示器正确地检测到自主脉搏的不存在(表I中的特异性)。在十个动物中的九个中，错误检测当CPR在心脏骤停之后开始时不久发生，因为对血容量的重新分布导致PPG信号的基线的减小。

而且，图9图示了在ppg_{cf_d}[n]中可以以各种方式形成的自主脉搏。自主脉搏可以在除颤电击之后快速地发生(图9e,i)或者在稍后的几十秒(图9m)发生。脉搏能够从一开始是规则的(图9k)，或者起初是不规则的(图9a,i)。

Ⅳ.讨论

基于自动CPR猪数据，我们开发在正在进行的胸部按压期间检测到的自主脉搏的征兆的基于PPG的算法。通过减去由谐波级数建模的按压分量来获得无按压PPG信号。级数的基本频率是根据TTI信号导出的按压速率(图3)。在自动CPR期间，当控制按压速率和深度时，按压的移除是有效的(图4和5)。经由阶数20AR模型，能够准确地获得无按压PPG信号(图6)。AR模型允许检测信号存在，并且能够通过搜索PR的谐波以及和与差交互频率在PSD中识别PR(图7)。当检测到时，PR在大约90％内是正确的(表I)。错误检测来源于残余按压分量，或者与自主脉搏相关的频率的移除。当PR在按压速率附近时，从无按压PPG信号完全移除自主脉搏(图7和9e,i)。因此，为了适应符合的PR和按压速率，检测到PPG信号的基线的减小。基线的减小在心脏重新开始跳动时发生(图8)，大概由血容量到外围的重新分布导致。以94％特异性和68％灵敏度，自主脉搏的征兆的指示器的性能是合理的(表I)。

通过与图9中的临床ROSC评估的良好一致来图示无按压PPG信号与在按压期间支持ROSC检测的指示器组合的可能性。图9示出了指示器可以潜在地提供形成ROSC的早期检测，因为其在大多数临床医师检测ROSC之前检测自主脉搏的征兆。而且，图9图示了例如当不能确定PR而波形示出自主脉搏的存在时，无按压PPG信号比指示器对于临床医师而言更有价值。无按压PPG信号还允许对在按压期间的自主脉搏的规则性的评估。因此，该算法能够潜在地支持临床医师确定其适合于在2分钟CPR周期之后进一步评估可能的ROSC，但是应当强调，单个PPG信号不提供关于血压的定量信息[19]。

检测在按压期间的自主脉搏的征兆还可以支持在CPR协议中做出的决策。这样的信息可以将按压序列的持续时间定制到患者的临床状态[34]。检测在按压期间的自主脉搏的不存在可以防止中断徒劳的脉搏检查的按压[35]。检测在按压期间的自主脉搏的征兆可以有可能引导停止按压以减少与继续对跳动心脏上的按压相关联的重新纤颤的风险[36]-[40]。而且，检测在按压期间的自主脉搏的征兆可以引导对血管升压类药物的管理，如果在心脏仅仅重新开始跳动时管理的话，则其可以具有有害效应[2]。

与在正在进行的按压期间的ECG分析组合是必要的，以能够监测心室颤动(VF)、无脉搏心室心跳过速(VT)、无脉搏电活动(PEA)和心搏停止。已经广泛地调查在按压期间的ECG分析[41]。当组合时，胸部按压将仅必须中断以在已经检测到VF/VT时[38]或在PPG信号中的自主脉搏的速率和规则性保证可能的ROSC的另外的评估时，递送心脏除颤电击。

指示器的灵敏度和特异性和PR检测需要针对临床应用的改进。然而，仅使用十个动物的数据，广泛优化在该工作的范围之外。临床研究必须示出PPG信号是否能够指示在CPR期间人类中的自主脉搏的征兆和哪些范围中心和外围PPG信号在这些条件中是有用的[2]、[42]、[43]。而且，临床研究必须解决手动CPR，其中，按压速率和深度随时间而改变，大概地，使按压的估计和移除复杂化。临床数据必须证明支持ROSC检测的PPG信号的基线的适合性，因为基线还将对运动诱发的血容量改变或相对于皮肤的传感器运动做出反应。最后，基于临床数据，应当执行对参数的广泛优化，并且调查对自适应阈值的使用。

V.结论

使用基于PPG的算法检测在正在进行中的胸部按压期间的自主脉搏的征兆在自动CPR猪数据中是可行的。包含自主脉搏波形的估计的无按压PPG信号可以是通过减去由谐波级数建模的按压分量来获得的，其中，能够根据TTI信号导出按压速率。通过识别谐波和交互频率，能够在无按压PPG信号的AR光谱中检测到PR。还能够根据PPG信号的基线的减小来检测心脏跳动的恢复，这大概由血容量到外围的重新分布导致。ROSC检测可以潜在地通过将无按压PPG信号与检测到的PR和血容量的重新分布进行组合来支持。

致谢

本工作由NLAgency,IOP光子器件，干涉光子学的IPD083359HIP血液动力学支持。作者感谢PierreWoerlee博士，IrPaulAelen，IrIgorPaulussen和来自飞利浦搜索埃因霍温的SimoneOrdelman博士和来自伊丽莎白医院提耳堡的AlyssaVenemaMSc和PaulvanBerkomMSc的有价值的讨论和对实验的进行；感谢来自内梅亨中心动物实验室的MrAlexHanssen、MsWilmaJanssen-Kessel和MrMaikelSchool，以及来自瑞德邦大学内梅亨医学中心的GertJanScheffer教授、MatthijsKox博士、FrancienvandePol博士在实验的准备和进行期间的帮助；并且感谢来自VDLETG搜索bv的BenWassink先生的技术帮助。

参考文献

注意，本范例内引用的附图对应于附图列表中增加12的图号，例如当本范例中引用图1时，附图列表中对应的图为图1+12＝图13。

图1为指示在CPR期间的自主脉冲的征兆的基于PPG的算法的概览。包含对自主脉冲波形的估计的无压缩IRPPG信号ppg_cf[n]通过移除压缩来获得，其速率和相位根据辅助TTI信号Z[n]来确定。ppg_cf[n]的频谱经由AR模型来估计。在该谱中确定PR，在其包含具有充分的高频率内容的信号的情况下。大概的血容量到外周的重新分布根据IRPPG信号ppg_bl-d[n]的基线中的减小来检测到。如果检测到基线中的PR或减小，则指示自主脉搏的征兆。AR：自回归；CPR：心肺复苏；IR：红外；PPG：光体积描记；PR：脉冲率；TTI：经胸阻抗。

图2为通过搜索一个谐频f_hrm、一个和交互频率f_sum以及一个差异交互频率f_diff来识别到在PSDP_AR(f)中的峰之中的PR的迭代算法的流程图。频率的集合被示出在波形括号之间。频率处于min^-1。CC：胸部按压；PR：脉冲率；PSD：功率谱密度。

图3，测得的TTI信号Z[n](a)被滤波以提取基本压缩分量Z_f[n](b)经由Z_f[n]中的局部极值(蓝圆)，找出各个压缩(红圆)的开始。CC：胸部按压；TTI：经胸阻抗；V：通气。

图4，PPG信号ppg_ac[n](a)通过减去压缩估计cmp_est[n]来滤波(b)以获得无压缩PPG信号[n](c)在除颤电击(虚线)之前，在ppg_cf[n]中缺少自主脉冲。在电击之后的第一压缩序列期间，自主脉冲出现在ppg_cf[n]中。该片段是图5中的谱图的部分。CC：胸部按压；PPG：光体积描记；V：通气。

图5，(a)PPG信号ppg_ac[n]，(b)压缩估计cmp_est[n]，以及(c)无压缩PPG信号ppg_cf[n]的谱图示出了对在压缩率处的分量及其在ppg_cf[n]中的谐波的有效移除。在除颤电击(第一虚线)之后自主脉冲出现，其在CPR停止(第二虚线)时继续。谱图已经从10s窗口获得、被平移1s、并且被零填充到60s。它们包含图4的片段。CPR：心肺复苏；PPG：光体积描记。

图6，作为针对具有ROSC的所有动物的AR模型阶数的函数的与无压缩PPG信号功率有关的预测误差功率的均值。AR：自回归；ROSC：自主循环恢复。

图7，(a)从阶数为20的AR模型获得的无压缩PPG信号ppg_cf-d[n]的PSDP_AR(f)。(b)点指示在具有充分的高频率内容(FD，等式(23))的(SIG，等式(22))ppg_cf-d[n]中的信号的检测。如果两个条件都满足，则运行PR检测算法。(c)PR检测算法选择PSD中的所有峰(亮蓝点)并分析它们中的一些(亮紫点)以识别PR(黑点)。(d)关闭在其中其PSD包含在0与300min^-1之间的加宽的谱活动的区间中的ppg_cf-d[n]。虚线标记除颤电击的时刻。AR：自回归；PR：脉冲率；PPG：光体积描记；PSD：功率谱密度。

图8，(a)在具有ROSC(粗线)的动物中，PPG基线在心脏重启跳动时示出显著的减小。在没有ROSC(细线)的情况下，这样的减小是缺少的。R3和R4的轨迹中的尖峰为通过改变通气机引起的运动伪影。每个基线已经通过将其在电击之前的5分钟内的均值来归一化。(b)当使用5s窗口时能够在△_bl[n]减小到-0.03以下时检测到基线。所有信号已经相对于在0s处的除颤电击对齐。PPG：光体积描记；ROSC：自主循环恢复。

图9，无压缩PPG信号ppg_cf-d[n](a,c,e,g,i,k,m)与自主脉冲(b,d,f,h,j,l,n)的征兆的指示器组合能够潜在地支持ROSC检测，因为它们示出具有ROSC标注(b,d,f,h,j,l,n)的良好一致。垂直绿色线在第五临床医师检测到ROSC时标记T_C。在除颤电击处开始轨迹。在(a)中的头七个振荡是未经过滤的压缩，由于TTI信号中的未检测到的压缩。CPR：心肺复苏；PPG：光体积描记；ROSC：自主循环恢复；TTI：经胸阻抗。

在图9中，缩写对应于：

ppg_cf：无压缩PPG信号，ppg_cf-d[n][mv]，包含自主脉冲波形的估计

ISSP：自主脉搏的征兆的指示器：(2)检测到脉冲率(1)血容量到检测到的外周的重新分布(0)没有检测到

Annot：示出已经随时间检测到ROSC的临床医师的数目的临床ROSC标注轨迹

表1

对按压速率检测、PR识别和指示器性能的评价

按压速率和平均时间差被给出为均值±标准偏差。在出现的数目上正确检测的数目被给出在括号内。n.a.:不适用；PR：脉搏率；ROSC：自主循环恢复；T_I,C：指示器(I)和临床医师(C)的检测时刻。

总之，提供了一种用于确定在相关联的患者上执行的相关联的CPR流程期间的自主循环恢复(ROSC)的全概率的设备(100)和方法，所述设备包括输入部，其用于接收已经在所述CPR流程期间从所述相关联的患者获得的光体积描记数据的集合(328、330)，以及处理器(112)，其被布置用于根据一个或多个预定算法(321、322、323、324)来执行一个或多个过程以便基于所述一个或多个参数来计算ROSC的所述全概率(Ptot)，其中，所述一个或多个过程每个和/或组合地被布置用于克服来源于所述CPR过程的挑战，例如与自主循环恢复不相关的任意信号。在实施例中，所述设备和方法依赖于在确定ROSC的所述全概率中的多个过程。

尽管已经在附图和前面的描述中详细说明和描述了本发明，但这样的说明和描述要被视为说明性或示范性的而非限制性的；本发明不限于所公开的实施例。通过研究附图、公开内容和权利要求书，本领域技术人员在实践要求保护的发明时能够理解并实现对所公开实施例的其他变型。在权利要求中，词语“包括”不排除其他元件或步骤，词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的几个项目的功能。互不相同的从属权利要求中记载了特定措施这一仅有事实并不指示不能有利地组合这些措施。权利要求中的任何附图标记不应当被解读为对范围的限制。

Claims (7)

1.一种用于确定在相关联的患者上执行的相关联的CPR流程期间的自主循环恢复的全概率的设备(100)，所述设备包括：

-输入部，其用于接收已经在所述CPR流程期间从所述相关联的患者获得的光体积描记数据的集合，

-处理器(112)，其被布置用于：

-访问所述光体积描记数据(328、330)，

其中，所述处理器还被布置用于：

-执行一个或多个过程A、B、C和/或D，其中，

过程A包括：

i、获得所述光体积描记数据(328、330)的光谱分辨表示，

ii、识别所述光谱分辨表示中的峰，

iii、识别胸部按压频率，

iv、对每个峰进行评分，其中，与所述峰的谐波相对应的或者与以下之间的和频或差频相对应的剩余峰的数目越高，给予越高的评分：

1、所述峰或所述峰的谐波，与

2、胸部按压频率或所述胸部按压频率的谐波，

v、基于具有最高评分的所述峰来计算所述数据内的脉搏率，

vi、基于所述脉搏率来确定指示自主循环恢复的概率的过程A参数(PA)，

过程B包括：

i、获得所述光体积描记数据(328、330)的光谱分辨表示以用于确定所述光体积描记数据的量级的度量，并且

ii、基于所述量级的度量来计算指示自主循环恢复的概率的过程B参数(PB)，

过程C包括：

i、确定所述光体积描记数据(328、330)的低频率值，并且

ii、基于所述低频率值来计算指示自主循环恢复的概率(PC)的过程C参数(PC)，以及

过程D包括：

i、实现对所述光体积描记数据(328、330)的集合的接收，其中，所述光体积描记数据的集合为在不同波长处获得的光体积描记数据的集合，

ii、确定在不同波长处获得的所述光体积描记数据的集合之间的相关性水平，以及

iii、基于所述相关性水平来计算指示自主循环恢复的概率(PD)的过程D参数(PD)，

其中，所计算的参数PA、PB、PC、PD指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率，并且

-基于指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的所述一个或多个参数(PA、PB、PC、PD)来计算所述自主循环恢复的全概率(Ptot)，

-输出部，其被布置用于基于所述自主循环恢复的全概率(Ptot)来提供自主循环恢复概率信号。

2.根据权利要求1所述的设备(100)，其中，所述处理器(112)还被布置用于：

-计算指示施予血管加压剂将具有负作用的风险的风险参数，所述风险参数基于指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的所述一个或多个参数(PA、PB、PC、PD)，并且其中，所述输出部还被布置用于：

-基于所述风险参数来提供血管加压剂信号(218)。

3.根据权利要求1所述的设备(100)，其中，所述输入部还被布置用于接收表示以下中的任何一个的额外的数据：

-CPR数据(338)，

-除颤数据(336)和/或，

-经胸阻抗数据，

并且其中，所述处理器被布置用于访问所述额外的数据，并且其中，

-对指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的所述一个或多个参数(PA、PB、PC、PD)的所述计算，

和/或其中

-基于指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的所述一个或多个参数(PA、PB、PC、PD)对所述自主循环恢复的全概率(Ptot)的所述计算

-至少部分地基于所述额外的数据(336、338、340)。

4.根据权利要求1所述的设备(100)，其中，在过程A中，对每个峰的所述评分还取决于：

-所述峰的幅度，例如其中幅度越高，给予越高的评分，和/或

-与所述峰的谐波相对应的或者与在以下之间的和频或差频相对应的所述剩余峰的幅度，例如幅度越高，给予越高的评分：

1、所述峰或所述峰的谐波，与

2、胸部按压频率或所述胸部按压频率的谐波。

5.一种包括根据权利要求1所述的设备(100)的系统(110)，其中，所述系统还包括以下中的一个或多个：

-自动CPR设备(965)，例如被布置用于向所述设备的所述输入部发送CPR数据(338)的自动CPR设备，并且其中，所述处理器被布置用于访问所述CPR数据，

-除颤器(114、106)，例如被布置用于向所述设备的所述输入部发送除颤器数据(336)和/或经胸阻抗数据和/或CPR数据的除颤器，并且其中，所述处理器被布置用于访问所述除颤器数据和/或所述经胸阻抗数据和/或CPR数据，

-存储器单元，其被布置用于存储被布置用于修改对指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的所述一个或多个参数(PA、PB、PC、PD)的所述计算的数据。

6.一种用于确定在相关联的患者上执行的相关联的CPR流程期间的自主循环恢复的全概率(Ptot)的方法(300)，所述方法包括：

-获得已经在所述CPR流程期间从所述相关联的患者获得的光体积描记数据(328、330)的集合，

-执行一个或多个过程A、B、C和/或D，

其中，

过程A包括：

i、获得所述光体积描记数据(328、330)的光谱分辨表示，

ii、识别所述光谱分辨表示中的峰，

iii、识别胸部按压频率，

iv、对每个峰进行评分，其中，与所述峰的谐波相对应的或者与以下之间的和频或差频相对应的剩余峰的数目越高，给予越高的评分：

1、所述峰或所述峰的谐波，与

2、胸部按压频率或所述胸部按压频率的谐波，

v、基于具有最高评分的所述峰来计算所述数据内的脉搏率，

vi、基于所述脉搏率来确定指示自主循环恢复的概率的过程A参数(PA)，

过程B包括：

i、获得所述光体积描记数据(328、330)的光谱分辨表示以用于确定所述光体积描记数据的量级的度量，并且

ii、基于所述量级的度量来计算指示自主循环恢复的概率的过程B参数(PB)，

过程C包括：

i、确定所述光体积描记数据(328、330)的低频率值，并且

ii、基于所述低频率值来计算指示自主循环恢复的概率(PC)的过程C参数(PC)，以及

过程D包括：

i、实现对所述光体积描记数据(328、330)的集合的接收，其中，所述光体积描记数据的集合为在不同波长处获得的光体积描记数据的集合，

ii、确定在不同波长处获得的所述光体积描记数据的集合之间的相关性水平，并且

iii、基于所述相关性水平来计算指示自主循环恢复的概率(PD)的过程D参数(PD)，

-基于指示与所述一个或多个过程内的每个过程的结果相对应的自主循环恢复的概率的所述一个或多个参数(PA、PB、PC、PD)来提供所述自主循环恢复的全概率(Ptot)，

-基于所述自主循环恢复的全概率(Ptot)来提供自主循环恢复概率信号。

7.一种计算机程序，其使得处理器能够执行根据权利要求6所述的方法。