CN105899129B - 疲劳监测和管理系统 - Google Patents

Abstract

系统监测用户疲劳度。该系统(100)可以包括一个或多个数据源，比如，不显眼的睡眠传感器，其被配置成产生用户的客观睡眠测量。所述系统还可以包括疲劳监测模块，该疲劳监测模块可以被配置成基于来自所述一个或多个数据源的数据，比如在一个或多个处理器中，产生用户疲劳状态评估。

Description

疲劳监测和管理系统

1相关申请的交叉引用

本申请要求申请号为2013903881、2013年10月9号提交的澳洲临时申请以及申请号为2014902350、2014年6月19号提交的澳洲临时申请的权益，其全部内容通过引用结合于本文中。

2关于联邦资助的研究或开发声明

不适用

3联合研发的当事人的姓名

不适用

4序列表

不适用

5.发明背景

5.1技术领域

[2]本发明涉及疲劳的监测和管理。特别地，本发明涉及用于监测和管理疲劳的系统和方法。

5.2背景技术

身体的呼吸系统促进气体交换。

鼻和嘴形成患者气道的入口。气道包括一连串的分支管，随着这些分支管更深入进肺中，它们变得更窄、更短并且更多。肺的主要功能是气体交换，允许氧气从空气进入静脉血中，并排出二氧化碳。气管分为右左主支气管，其还最终划分为终末细支气管。支气管组成传导气道，并且不参与气体交换。气道的进一步划分导致呼吸性支气管，并最终为肺泡。肺的肺泡区域是发生气体交换的地方，并被称为呼吸区。

5.2.1呼吸障碍

存在一系列的呼吸障碍。

阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea，OSA)，作为睡眠障碍性呼吸(Sleep Disordered Breathing，SDB)的一种形式，特点是在睡眠过程中上气道的闭塞或阻塞。它是由异常小的上气道以及睡眠过程中舌部区域、软腭和口咽后壁中的肌张力的正常损耗的结合所引起的。这种状况引起受到影响的患者暂停呼吸通常30到120秒持续时间的周期，有时200到300次每晚。这常常导致白天过量嗜睡，并且可能导致心血管疾病和脑部疾病。该综合症是常见的障碍，特别在中年肥胖男性中，虽然受影响的人可能没有意识到该问题。参见美国专利4,944,310(Sullivan)。

潮式呼吸(Cheyne-Stokes Respiration，CSR)是患者的呼吸控制系统的障碍，其中，呼吸逐步减弱和呼吸逐渐增强两者交替出现，导致动脉血重复的除氧和再氧合。由于反复缺氧，CSR可能造成损害。在一些患者中，CSR与从睡眠中反复唤醒有关，这引起严重的睡眠中断、增强交感神经活动和增强后负荷。参见美国专利6,532,959(Berthon-Jones)。

肥胖型过度换气综合症(Obesity Hyperventilation Syndrome，OHS)在缺乏其他已知的肺换气不足的原因时，被定义为重度肥胖和醒着的慢性高碳酸血症的结合。症状包括呼吸困难、晨起头痛和白天过度嗜睡。

慢性阻塞性肺病(Chronic Obstructive Pulmonary Disease，COPD)包括一组具有某些共同特征的下气道疾病。这些包括增加空气流动的阻力、延长呼吸的呼气相和肺的正常弹性的损失。COPD的例子为肺气肿和慢性支气管炎。COPD是由长期吸烟(主要风险因素)、职业暴露、空气污染和遗传因素引起的。症状包括：劳力性呼吸困难、慢性咳嗽和痰液产生。

神经肌肉疾病(Neuromuscular Disease，NMD)是一个宽泛的术语，其包括通过内肌病理直接地或者通过神经病理间接地危害肌肉功能的许多疾病和小病。一些NMD患者的特点是进行性肌肉损伤导致行动丧失、要坐轮椅、有吞咽困难、呼吸肌肉无力并最终由于呼吸衰竭而死亡。神经肌肉障碍可以分为快速进行性和慢性进行性：(i)快速进行性障碍：特点是，恶化数月、导致在几年内死亡的肌肉损伤(例如，肌萎缩性脊髓侧索硬化症(Amyotrophic lateral sclerosis，ALS)和青少年中的杜氏肌营养不良(Duchennemuscular dystrophy，DMD))；(ii)可变的或慢性进行性障碍：特点是，恶化多年、只是适中减少寿命的肌肉损伤(例如，肢带、面肩胛臂和强直性肌肉萎缩)。NMD中的呼吸衰竭的症状包括：变得全身无力、吞咽困难、劳力性呼吸困难、静息时呼吸困难、疲劳、瞌睡、晨起头痛、注意力集中困难和情绪变化。

胸壁障碍是一组导致呼吸肌和胸廓之间低效连接的胸畸形。该障碍的特点通常是，限制性缺陷和分担潜在的长期高碳酸血症性呼吸衰竭。脊柱侧凸和/或脊柱后侧凸可能导致重症呼吸衰竭。呼吸衰竭的症状包括：劳力性呼吸困难、外周水肿、端坐呼吸、重复的胸部感染、晨起头痛、疲劳、睡眠质量差和食欲不振。

5.2.2治疗

持续气道正压通气(Continuous Positive Airway Pressure，CPAP)治疗已经用于治疗阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea，OSA)。就此提出的假设是，持续气道正压充当气体夹板，并且可能通过将软腭和舌推向口咽后壁或推离口咽后壁，预防上气道阻塞。

通过使用鼻罩、全脸面罩或鼻枕等患者接口，有助于以正压向患者的气道的入口提供空气的应用。

通常通过呼吸压力治疗(a respiratory pressure therapy，RPT)装置，如电动机驱动的鼓风机，以正压向患者气道提供空气。RPT装置的出口通过柔性导管连接到上述患者接口。

5.2.3疲劳

澳大利亚昆士兰州发布的疲劳指引摘要(2013年)将疲劳定义为损害状态，包括物理和/或心理因素，与警觉性降低和性能下降相关。有多个起作用的因素造成疲劳，通常涉及：

·睡眠质量差(例如，由于家庭/娱乐因素、压力、噪音、呼吸系统疾病和其它健康问题)。睡眠质量差是全球性的重要问题，其影响高达60％的成年群体。

·延长的觉醒，定义为自上次睡觉以后的时间(以小时计)。

美国人疲劳的一个主要原因是自我施加的觉醒或睡眠剥夺。换句话说，“睡眠卫生”差，由于在工作日和周末，人们有意限制其睡眠和/或去睡觉的时间不同，导致周日晚上失眠。例如，人们可以跳过睡眠企图做更多的事，并与笔记本电脑、平板，或智能手机保持“全天候”接洽(NSF,2013)。

更一般地，疲劳可以被认为是复杂的问题，涉及多个因素。由于睡眠质量或数量的缺失可能在遭受短时间的睡眠缺失(被称为急性疲劳)或由于睡眠中断或恢复性睡眠的缺失积累较长时间的睡眠缺失(被称为累积疲劳)之后经历疲劳。例如，精神(认知)疲劳可以表现为：警觉性、协调性和决策性受损；情绪影响；和在任务过程中微休眠。恢复性(深慢波)睡眠与身体休整，即，减少身体疲劳，相关。认知(REM)睡眠与精神休整相关。

据估计，与睡眠有关的疲劳使企业每年在缺勤和工作场所事故上花费1500亿美元。已经注意到，错误率随疲劳的心理测量提高而成指数地线性增加(Dinges等人,1997)。失眠与所有高代价工作场所事故和错误中的7％和全部工作场所灾难中的24％有关系(Shahly等人.,2012)。Dawson和Reid(1997)将由疲劳引起的性能损害与因酒精中毒引起的性能损害等同，并表明，中等水平的疲劳产生比规定水平的酒精中毒产生更高水平的损害。在各种认知精神运动测试中，睡眠质量差和恢复不足导致疲劳增加，警觉性降低，和性能受损(Harrington,1978；Nicholson&D'Auria,1999)。注册护士的Barker&Nussbaum’s(2010)研究报道精神疲劳水平比身体疲劳水平更高，并且急性疲劳水平被慢性疲劳水平高。所有的疲劳维度和状态与感知性能呈负相关。瑞典职业疲劳量表(Swedish OccupationalFatigue Inventory，SOFI)评估与工作相关的跨四个维度的感知疲劳：精神不振、体力消耗大、身体不适和缺乏动力。使用精神不振维度来测量总疲劳，使用缺乏动力维度来测量精神疲劳，并且使用体力消耗和身体不适维度测量身体疲劳

5.2.4现有的方法

现有的疲劳管理方法主要依靠检查名册上的小时/轮班和可能的主观描述的睡眠事件。

申请号为8075484B2的美国专利概述“一种用于评估和缓和疲劳的系统和方法，输入装置接收来自个体的当前工作-休息模式和/或睡眠数据。数据聚合和处理平台结合当前工作-休息模式和/或睡眠数据与个体相关的先前数据产生疲劳评估结果、诊断评估结果，和纠正干预结果。至少一个输出显示器将该疲劳评估结果、诊断评估结果和纠正干预结果以用户可读格式输出给用户。用户使用该信息来修改工作-休息模式，以减少或控制未来的疲劳风险”。

公布号为2278508 A1的EP公布概述了“一种用于提高用户睡眠质量的睡眠管理方法和系统，该系统监测当用户处于床上时与用户的睡眠质量相关的一个或多个参数，并且经由便携设备比如移动电话接收来自用户在清醒时间的在认知和/或精神运动性能上的客观测试数据的反馈”。

申请号为20120316845 A1的美国申请概述了：“公布了分布式计算方法和系统，其中根据可用的计算资源、疲劳风险计算的参数、时间敏感用户的需求等划分密集型疲劳风险计算。在所公开的方法中执行成本函数用于分配访问可获得的计算资源。另外的方法包括通过用户优先需求并通过计算本身的一般数学特征划分计算任务。在此包括如下方法：仅计算最大的预测可能性而非完整的概率分布，使用Bayesian预测技术(而非将所有数据重新进行整体列表)计算预测可能性，整理疲劳风险计算的中间结果，其中串行结果可以适当整理(例如，独立于所涉及的累积任务的串行时间片)，使用更丰富的疲劳预测模型的简化的(如线性，一阶)近似值，将用户识别优先级分配给多个这些请求中的每个计算任务，等。”

申请号为20120329020 A1的美国申请概述了：“提供一种用于确定个性化教育信息的方法，该个性化教育信息涉及受试者的一个或多个疲劳相关的个体特征。该方法涉及：接收指示表达受试者的一个或多个疲劳相关个体特征的第一输入数据；估计该一个或多个疲劳相关个体特征的特征值，其中估计该特征值包括：使用该第一输入数据和疲劳模型，这将受试者的疲劳水平与模型参数组相关联，以评估模型参数组的值；并且使用模型参数组的估值评估一个或多个特征估计功能；以及基于估计的特征值确定关于受试者的一个或多个疲劳相关个体特征的个性化教育信息。”

公布号为WO 2006000166 A1的PCT公布概述了来自操作者肌肉活动的操作者疲劳检测，并且评估利用从疲劳程度已知的操作者中使用数据挖掘方法获得的疲劳评定规则。

公布号为2000044580 A1的PCT公布概述了：“用于确定受试者，比如车辆驾驶员等的警惕状态的装置。该装置包括用于监测与受试者相关联的一个或多个生理变量比如EEG、EMG和EOG信号的构件(1至11)。该装置还包括从一个或多个变量数据衍生的构件(13至16)和当受试者的警惕状态低于预定阈值时用于由该数据确定的构件(17)，该一个或多个变量数据代表对应一个或多个变量的受试者生理状态。该装置可以包括用于在驾驶员的警惕状态低于预定阈值的情况下干预车辆的控制的构件。”

申请号为2578855 A1的CA申请概述了包括员工模块和企业模块的系统，该员工模块向员工提供技术和工具以自我评估、调节和管理个人的睡眠、压力和疲劳水平，该企业模块提供可接受的表现水平的指南并通过个人睡眠、压力和疲劳水平的管理辅助员工满足指南。使用基于活动监测仪的个人监测构件记录个体员工在工作时和接受大量睡眠并且不工作时的疲劳水平，以与公司指南进行比较。

公布号为WO 2010042615 A3的PCT公布概述了：“提供用于优化个体的睡眠和睡眠后表现的系统和方法，而不管其环境和可获得的睡眠时间。该系统和方法考虑确定睡眠片段对敏捷性、认知功能和睡眠后的主观疲劳感上的影响的因素：睡眠片段的持续时间和睡眠结构、片段发生的昼夜节律点、在该片段之前的睡眠债的累积量和受试者对睡眠剥夺的敏感性。该系统和方法包括在较长时间段监测睡眠结构，测量累积的睡眠债和评估和/或剪裁每个后续水平片段的睡眠结构，确定受试者应该进入的所需睡眠状态，并且产生用于引导受试者进入的所需睡眠状态的感官刺激”

公布号为WO 2009115073 A3的PCT公布概述了用于维持、恢复或增加疲劳的人的注意力和警觉性和用于防止由于过量疲劳的结果导致的事故，损害或不正确的决策(尤其是在持久的单调活动中)的方法和装置。

公布号为WO 2005039415 A1的PCT公布概述了：“量化疲劳程度并且显示疲劳程度是可能的。疲劳程度测量设备(1)包括：检测生物体信号数据的原波形的各周期的峰值的生物体信号峰值检测构件(23)；对由生物体信号峰值检测构件(23)所得到的峰值，在预定时间范围计算上限侧的峰值与下限侧的峰值之差，并将此差值设定为功率值的功率值计算构件(24)；以及计算功率值的倾斜度的功率值倾斜度计算构件(25)。对功率值的倾斜度的时间序列信号进行绝对值处理并计算积分值。将此积分值作为疲劳度而求得。因此，量化人疲劳程度是可能的。”

公布号为WO 2007138930 A1的PCT公布概述了：“疲劳估计设备具有身体运动检测部(2)，该身体运动检测部(2)用于连续地检测作为活动水平的用户的活动频率。由身体运动检测部(2)检测出的活动水平输出至疲劳检测部(3)，该疲劳检测部(3)基于活动水平估计用户疲劳水平。”

申请号为20110178377 A1的美国申请概述了：“用于测量、聚合和分析使用非接触或最小接触传感器收集的数据的装置、系统和方法提供个体受试者的生活质量参数，特别是在对人类受试者进行干预的对照试验(例如，药物的临床试验、或者对消费品诸如香水的评价)的背景下。特别地，可以估计诸如人类的睡眠、压力、放松、睡意、温度和情绪状态的生活质量参数的非接触或最小接触测量值、以及自动化采样、存储和传送到远程数据分析中心。该系统的一个组成部分是以对受试者的正常行为产生尽可能小的干扰来测量客观数据。该系统还可以支持旨在提高生活质量的行为和药物干预。”

申请号为20100099954A1的美国申请概述了“用于用户监测和/或修改他的或她的睡眠的系统和方法。在一个实施例中，睡眠辅导系统包括用于感测正在睡觉的用户的生理信号的传感器比如EEG，用于存储用户和睡眠相关的数据和建议的计算机存储数据库，和基于用户和睡眠相关数据产生成套的建议以提高用户睡眠满意度的处理器。可以传达给用户的、提高用户睡眠满意度的建议可以包括睡眠辅导计划，该睡眠辅导计划可以包括用户可能参加的一个或多个睡眠辅导研习会”

因此，需要以更客观和/或个性化的方式辅助监测和管理疲劳的系统。

发明内容

本发明针对用于监测和管理疲劳的系统和方法。

本发明的第一方面是疲劳监测和管理系统。

本发明的另一方面涉及用于监测和管理疲劳的方法。

本发明的方面将来源于不显眼的睡眠传感器的对精神和身体“休整”的客观评估与体力活动和用户数据(客观的和主观的)结合，以便提供疲劳评估。

本发明的一种形式包括用于监测用户的疲劳状态的系统，该系统包括一个或多个数据源和监测模块，该一个或多个数据源比如对睡眠和SDB的客观测量、主观的用户数据、客观疲劳测量值，和环境数据，该监测模块分析所述数据以产生用户疲劳状态评估。

所公开的系统可以基于其评估的疲劳状态向用户提供信息(这可以促使用户改变其行为或至少清楚其疲劳水平)，或向第三方提供信息以便管理用户的活动(例如，基于疲劳水平指派驾驶员或飞行员)。因此，该系统被配置成预先积极地管理用户的疲劳状态。

在一个例子中，所公开的系统充当个性化的疲劳和睡眠分析者，该分析者能够向人员提供个性化的和科学有效的“去睡觉”时间，这会使睡眠最大化并且使疲劳最小化以具有更好的健康和表现。

下面为本发明的各种形式的方面。

1.使用线性模块以基于最近的24、48、72小时和过去更长时间的客观睡眠参数，包括浅睡眠、深睡眠和REM睡眠，中断和上床及下床时间监测疲劳(和白天嗜睡水平)

2.一种结合客观睡眠测量与日常活动水平及卡路里摄入量和体重指数(BMI)以监测疲劳(慢性的或急性的)从而形成生活质量测量的方法。

3.一种方法，其通过问卷和/或通过游戏将客观睡眠测量和可选地活动和其它生活方式参数与所收集的主观用户数据相结合，以估测作为疲劳的代表的反应时间/警惕性。

4.一种结合RPT设备或射频传感器估计的睡眠时段的AHI测量与基线AHI以使用户估计其困倦度/疲劳度的方法，其中可见，该AHI随困倦度/疲劳度(随用户问卷控制的其它因素诸如酒精)增加。

5.一种使用疲劳测量值影响CPAP治疗依从性而提高CPAP治疗依从性的方法。

6.一种结合通过音频处理估计的打鼾水平和持续时间与用户的基线打鼾水平的方法，其中可见打鼾水平随困倦度/疲劳度(随用户问卷控制的其它因素诸如酒精)而提高。从音频处理获得的打鼾测量可与睡眠传感器数据处理和睡眠障碍性呼吸的其它测量结合以提高准确性。

7.默认疲劳阈值(例如，导致急性疲劳的小于5小时的睡眠)的使用，该默认疲劳阈值基于储存在数据库中的用户人口学统计值与群体值的比较进行后续修改，并且基于从用户收集的随时间而改变的数据进一步修改。

8.认知休整(通过REM睡眠持续时间并可选地通过警惕性或注意力游戏或问卷或提示估计)通过问卷或提示(例如，通过智能手机app)以及过去的值与用户的心态(情绪)相关，以便能够基于未来的睡眠参数预测心态。

9.比较客观的睡眠和估计的疲劳参数与标准的人口统计学数据以便估计“真实的睡眠年龄”，即，基于用户的睡眠和疲劳估计用户的等效年龄(例如，睡眠卫生差的20岁男性可能分类为“真实的睡眠年龄”为45)。

10.来自射频运动传感器或基于床垫的压力传感器的REM和深睡眠参数的客观测量，其中深睡眠与身体恢复相关并且REM睡眠与精神(认知)从疲劳恢复相关。

本发明的一些版本可以包括用于监测用户的疲劳度的系统。该系统可以包括一个或多个数据源。该一个或多个数据源可以包括睡眠传感器，比如不显眼的睡眠传感器，其被配置成产生客观的用户睡眠测量。该系统还可以包括疲劳监测模块，比如处理器的模块。该模块可以被配置成基于来自所述一个或多个数据源的数据产生用户疲劳状态评估。

在一些情况下，该一个或多个数据源可以进一步包括如下中的一个或多个：活动传感器，其被配置成产生用户体力活动数据；环境传感器，其被配置成产生与用户睡眠位置中的周围条件相关的环境数据；被配置成捕获与用户自我感知的疲劳状态相关的主观用户数据的设备；被配置成捕获用户白天生命体征数据的设备；被配置成捕获用户的疲劳或嗜睡客观测量值的设备；时钟；以及用户的工作模式信息。

在一些情况下，所述主观用户数据可以包括生活方式参数和感知的睡眠质量，该生活方式参数包括以下中的一个或多个：咖啡因摄入量、压力水平、能量水平、心态。可选地，环境数据可以包括季节、天气，和过敏信息中的一个或多个。该环境数据可以包括周围温度、周围音频水平、光水平、空气质量，和湿度中的一个或多个。可以从用户测试获得客观的疲劳或嗜睡测量值。可以通过用户玩游戏获得所述疲劳或睡意客观测量值。该疲劳监测模块可以基于历史数据库产生用户疲劳状态评估，所述历史数据库被配置成在预定时间窗口内捕获来自所述一个或多个数据源的数据。该疲劳监测模块可以进一步被配置成基于从历史数据库的数据趋势分析衍生的用户基线参数产生用户疲劳状态评估。该疲劳监测模块可以进一步被配置成基于群体数据库产生用户疲劳状态评估，该群体数据库包括来自该系统的多个用户的所述一个或多个数据源的数据。该疲劳监测模块可以进一步被配置成基于对问卷的应答衍生的用户基线参数产生用户疲劳状态评估。

在一些情况下，该睡眠传感器可以进一步被配置成提供睡眠障碍性呼吸测量。该睡眠障碍性呼吸测量为打鼾测量。可选地，该睡眠传感器数据可以与来自音频传感器的音频数据结合以获得打鼾测量。该打鼾测量可以限制为睡眠传感器数据指示该用户在场并且熟睡时的间隔。该睡眠传感器可以为运动传感器，并且获得打鼾测量可以包括与来自运动传感器的呼吸运动信号中的高频成分同期或同步的音频数据中检测打鼾类事件。在一些情况下，该睡眠障碍性呼吸测量可以为呼吸暂停指数、呼吸不足指数和/或呼吸暂停-呼吸不足指数。在一些版本中，该睡眠障碍性呼吸测量为升高的呼吸速率。

在该系统的一些版本中，用户疲劳状态评估可包括用户当前疲劳状态估计。在一些情况下，用户疲劳状态评估可以包括或涉及对用户在特定时间的未来疲劳状态的预测。在一些版本中，该客观睡眠测量可以包括如下中的一个或多个：心率、呼吸速率、生物运动水平、睡眠统计资料、皮肤电反应，和体温。在一些版本中，该睡眠统计资料可以包括如下中的一个或多个：睡眠持续时间、睡眠质量、睡眠中断次数、REM睡眠持续时间、入眠后觉醒、睡眠惯性，和睡眠潜伏期。

该系统的一些版本可以包括第三方信息模块，该第三方信息模块被配置成向与用户疲劳状态评估相关的第三方提供信息。在一些情况中，该系统可以包括用户信息模块，该用户信息模块被配置成向与用户疲劳状态评估相关的用户提供信息。

在一些情况中，该睡眠传感器可以为与呼吸压力治疗设备集成的传感器，用户可以从该呼吸压力治疗设备接受或正在接受CPAP治疗。在一些版本中，该疲劳监测模块可以为线性分类器，该线性分类器被配置成线性地结合来自所述一个或多个数据源的数据以产生疲劳指数。可选地，该疲劳监测模块可以将规则集应用至来自所述一个或多个数据源的数据以产生疲劳指数。在一些情况下，该疲劳指数可以映射至疲劳状态集之一。该疲劳监测模块可以在与用户关联的处理设备上实现，该处理设备可以连接至所述一个或多个数据源。该疲劳监测模块可以在远程服务器实现，该远程服务器通过网络连接至所述一个或多个数据源。

本发明的一些版本可以包括一种监测用户的疲劳度的方法。该方法可以包括基于来自一个或多个数据源的数据在诸如一个或多个处理器中产生用户疲劳状态评估。该数据可以包括用户客观睡眠测量，该用户客观睡眠测量由不显眼的睡眠传感器产生。可选地，该方法可以进一步涉及通过诸如与处理器相连的输出设备向用户提供疲劳状态评估。在一些情况下，该方法可以进一步包括基于疲劳状态评估产生或提出建议给用户。在一些情况下，该建议可以为用户去睡觉的理想时间。在一些情况下，该建议可以为用户觉醒的最佳时间。在一些情况中，该用户可以正在进行CPAP治疗，并且该建议可以为改进或改变CPAP治疗的建议。在一些情况下，该方法可以进一步包括向第三方提供疲劳状态评估。在一些情况下，评估的产生可以包括将线性分类器应用至所述一个或多个数据源。在一些情况中，该方法可以进一步涉及诸如在产生评估之前，将非线性变换应用至一个或多个数据源。

当然，这些方面的部分可能形成本发明的子方面。同样，各子方面和/或各方面可能以各种方式组合，并且还可能构成本发明的附加方面或附加子方面。

从包含在以下详细描述、摘要、附图和权利要求中的信息将更好理解本发明的其他特征。

附图说明

以下将参照附图，通过举例而不是限定的方式，对本发明的各方面进行描述，其中，相似的附图标志表示相似的元件。

图1为根据本发明的一个形式的疲劳监测和管理系统的数据流的方块图。

图2展示了由示例非接触式传感器监测的在床上熟睡的人员。

图3包含在一天内，人血流中的腺苷水平的示例图。

图4为可以用作图1的数据流的疲劳监测模块的示例线性分类器的方块图。

图5为代表根据年龄而变化的睡眠阶段的示例分配的图。

图6包含如何在若干天内相对于个体的疲劳指数显示睡眠测量和工作模式数据的示意图。

图7包含精神运动警惕性试验(PVT)在训练和测试数据上的平均反应时间预测针对实际的PVT平均反应时间(疲劳指数)的图。

具体实施方式

在进一步详细描述本发明之前，可以理解的是，本发明不限于以下所述的特定例子而是可以改变的。还可以理解的是，用在说明书中的术语只是为了描述这里讨论的特定例子，并不是为了进行限制。

8.1疲劳监测和管理系统

图1为展示根据本发明的一个形式的疲劳监测和管理系统100的数据流的方块图。主要的处理块为疲劳监测模块110。该疲劳监测模块110采用来自多个数据源(数据115至170)的输入以提供该疲劳监测和管理系统的用户疲劳状态评估180。该评估180可以采用用户当前疲劳状态估计或用户在特定时间点的未来疲劳状态的预测。用户信息模块185基于估计的或预测的疲劳状态产生并且提供信息给用户。第三方信息模块190基于估计的或预测的疲劳状态产生并且提供信息给第三方。该信息模块185和190能够预先积极管理用户疲劳，如下文更详细的描述。

疲劳监测和管理系统100基于个性化使用疲劳模块，藉此，该系统可以“学习”用户特定睡眠模式，并且将用户特定睡眠模式与主观的疲劳评估(用户“感觉”如何，例如，根据卡罗林斯卡嗜睡量表(according to the Karolinska Sleepiness Scale，KSS))，或客观的疲劳测量值(例如，在精神运动警惕性试验或PVT上的表现)相关联。

该疲劳监测和管理系统100可以可选地连接至职业健康安全管理体系(OH&S)在消费者设置中实现以服务单独的个体，或在工作场所中作为企业工作场所疲劳管理方法的一部分而实现。这是该系统具有群体管理能力，利用去识别的(对公司是匿名的)数据。该定制的企业数据表示全部群体数据库(例如，群体数据150)的子集，该子集用于向疲劳监测模块110提供标准数据比较。

在消费者实施例中，该疲劳监测模块110可以作为在与用户相关联的处理设备，诸如个人电脑或手提电脑、移动电话、智能手机，或平板电脑，上运行的软件而实现，该处理设备以有线或无线方式连接至各种数据源(数据115至170)中的一个或多个，这可以可选地包括，连接至一个或多个传感器，或与一个或多个传感器通信以检测或产生可以衍生数据(在此会更详细地论述)的信号。嗜睡、睡眠健康和认知表现问卷(用于获得主观用户数据145)可以由用户在相同处理设备上完成。接着，用户信息模块185可以通过相同的处理设备向用户提供信息。

可替换地，该疲劳监测模块110可以“在云中”，即在通过网络连接至各种数据源(数据115至170)的远程服务器实现。如在工作场所实施例中，这能够集合来自多个个体的疲劳状态数据。但是，消费者实施例也可以利用“基于云的”疲劳监测模块。该远程服务器可以通过网络将嗜睡、睡眠健康和认知表现问卷(用于获得主观用户数据145)传送至每个个体，并且每个个体可以使用网络设备比如个人电脑或手提电脑、移动电话、智能手机，或平板电脑完成问卷。接着该用户信息模块185可以通过相同的设备向每个个体提供信息。第三方信息模块190可以通过网络向第三方比如企业官员提供信息。

下文详细描述所述疲劳监测模块110使用的各种数据源(数据115至170)。在本发明的各种形式中，该疲劳监测模块110使用数据源(数据115至170)的一些子集以产生估计的或预测的疲劳状态180。

因此，在此描述的方法可以在一个或多个处理设备内/或由一个或多个处理设备实现。例如，如在此所述，本发明的数据源和/或模块实施例可以为处理设备，该处理设备可以具有一个或多个处理器以实现在此更详细描述的特定方法或算法。这样的设备或装置可以包括集成芯片、存储器和/或其它控制指令，数据或信息储存介质。例如，包含这些方法的可编程指令可能被编码在设备或装置的存储器中的集成芯片上以形成专用集成芯片(ASIC)。这样的指令还可能或可选地使用合适的数据存储介质作为软件或固件加载。这样的处理设备可以可选地进一步与诸如键盘，触摸屏，传感器等输入设备通信或相连。

在下文中，通常认为，人员在晚上睡觉，白天清醒，所以“白昼”与“觉醒期”同义而“夜晚”与“睡眠期”同义。然而，所公开的疲劳监测和管理系统100还考虑为睡眠和清醒期可能分别与夜晚和白昼不一致的轮班工人所用。对于这样的用户，“白昼”仍可以理解为表示“觉醒期”并且“夜晚”可以理解为表示“睡眠期”，即便真实的对应关系更可能是相反的。

8.1.1体力活动(数据115)

增加的疲劳与缺乏锻炼和活动有关。可以从可佩戴的活动传感器(例如，计步器、“步骤计数器”、基于三轴加速度计的活动监测仪、高度计，和品牌商业活动传感器，诸如“Fitbit”、“Jawbone Up”和“Actiwatch”)获得体力活动数据115。可替换地，可以从并入活动传感器的便携设备比如智能手机获得体力活动数据115。体力活动数据的例子有所走的步伐数量和锻炼持续时间和强度。体力活动数据115用于构建用户的日常活动水平的分布图。

8.1.2白天生命体征(数据118)

疲劳可能与白天的压力水平相关。可以通过可佩带设备比如Polar心率胸带、ECG/R-峰或连接至胸部的其它数据收集设备，或通过使用光体积描记(PPG)法记录这些信号的耳塞(耳机)(例如由LG或Blaupunkt制成的)收集生理性生命体征的白天动态比如心率、呼吸速率和血压。在一个实施例中，来自耳塞传感器的血压估计可以用于在白昼(例如，当用户听音乐/通勤/锻炼等等的时候)无创追踪血压值。

心率估计还可以与白天体力活动数据115结合以便得到能量消耗估计。

检测心率的趋势变化可以指示疲劳增加，例如在运动员过度训练中。

慢性压力也可能表现为白天疲劳，并且可以基于白天体力活动数据115、白天生命体征数据118，和客观睡眠测量120(下文会进行描述)监测到。

其它慢性症状，如慢性疾病进展可以表现为白天生命体征数据118中的变化，例如，心率提高、心率变异性下低，呼吸速率提高，血压变化，和能量消耗减少。

Jackowska等人(2012)发现睡眠问题与白天心率变异性(HRV)下降相关联。因此，在整体观察疲劳时，可以基于夜晚睡眠模式(例如，零散的/较差的睡眠)随后估计第二天的HRV而衡量疲劳影响。当白天影响增加时，累积的疲劳影响可能增加。

8.1.3客观睡眠测量120

可以利用监测用户的睡眠和呼吸的“睡眠传感器”以提供客观睡眠测量120比如在卧室和其它睡眠位置的客观睡眠质量和生物运动水平的日常和纵向趋势。有利地，从最小化的或对用户最不显眼的睡眠传感器提取该客观睡眠测量120。不要求佩带不显眼的睡眠传感器技术，即，该传感器“被设置并遗忘”，从而使使用期限最大化。不显眼的睡眠传感器的一个示例是非接触式传感器。图2展示了通过示例非接触式传感器7000监测在床上熟睡的人员1000，该非接触式传感器可以是射频多普勒运动传感器(SleepMinder)。不显眼的睡眠传感器的另一例子是基于床垫的电容性或电阻性席子(包括压电)压力传感器。

在用户通过患者接口比如面罩从RPT设备接受阻塞性睡眠呼吸暂停的CPAP治疗的实施例中，睡眠传感器可以是与RPT设备或患者接口集成的传感器，比如压力或流速传感器。

从睡眠传感器信号提取的客观睡眠测量120可以包括睡眠统计资料比如睡眠持续时间、睡眠质量(预期睡眠期中的实际睡眠量)，和睡眠的中断次数。还可以从睡眠传感器信号提取上床时间以及觉醒时间。可以提取REM睡眠期，以及深睡眠(慢波睡眠)期。如上文所述，REM睡眠持续时间指示认知休整，而深睡眠持续时间指示身体休整。还可以提取深睡眠、浅睡眠，和REM睡眠持续时间的相对比率。另一睡眠统计资料是睡眠惯性，代表觉醒后紧接着的预期困倦水平，特别是在用户直接从深睡眠觉醒的情况下。入眠后觉醒(WASO)提供零散睡眠的总计，其可以与检测到的中断次数组合使用。还可以提取睡觉的时间(睡眠潜伏期)和觉醒时的睡眠阶段。

在睡眠传感器具有测量心率的能力的情况下，例如监测心冲击描记图的RF多普勒运动传感器或基于床垫的压力传感器，可以在信号上进行功率谱分析以显示可以预测疲劳的心脏内间隔的变异性。特别地，可以使用心率谱中的HF(高频)与LF(低频)功率的比率以估计副交感神经活动，其中(自主神经系统的)副交感神经成分减少表明压力水平提高并且疲劳增加。特别地，慢性疲劳中的交感神经系统(战斗或逃跑反应)活动可以表明刚好身体应该正在恢复的时候，即睡眠期间。还可以从接触式传感器，比如具有光学传感器的可佩带手表式设备、脉搏血氧仪、胸带诸如Polar心率监测器，或具有EEG电极等的头带获得心率数据(以及HRV)。

可以通过可佩带设备(例如，Basis手表，或其它市售GSR测量设备)记录皮肤电反应(GSR，也称为皮电反应)。该GSR信号可以用作交感神经系统“战斗或逃跑”活动的替代测量。组合提取的GSR和HRV信号还可以产生交感神经系统活动和副交感神经系统活动之间的比率估计。

当用户觉醒时还可以收集HRV和GSR数据(例如通过胸部电极或腕表类设备)，在该情况下，HRV和GSR数据形成白天生命体征数据118的一部分。

例如，公布号为WO 2010/091168的PCT公布概述了用于从非接触式射频多普勒运动传感器信号提取客观睡眠测量120比如生物运动水平、呼吸速率、心率和睡眠统计资料的方法，其全部内容通过引用结合于本文中。

睡眠传感器的具体例子是基于浸渍石墨烯(碳的结晶形式)的橡胶(或具有塑料或橡胶覆面层的其它导电材料)压阻式跨床垫条带，该压阻式跨床垫条带具有电子缓冲液、放大器和数字化电路。

在客观睡眠测量120看起来比主观用户数据145更糟糕的情况下，可以与其它生活参数以及SDB测量125进行比较。

可以影响疲劳水平的实际睡眠质量的另外的客观测量120是身体表面温度(按照周围温度进行校准)。例如，这样的温度监测设备可能体现为BodyMedia Sensewear设备，该BodyMedia Sensewear设备并入了两个传感器以测量周围和皮肤问题，因此纠正体内温度。体温对评估睡眠质量是重要的，因为特征温度模式贯穿正常的睡眠夜。疲劳促进者(如时差)也常常会导致偏离该模式，因为睡眠温度分布图受基本的体温生理变化的“过度支配”。因此，可能起作用的客观睡眠测量120可以是估计的整个夜晚的体温，和该温度分布图与该用户的预期分布图的变化。

8.1.4SDB测量125

除了睡眠卫生差(比如自我强加的睡眠限制)、疲劳的主要促成因素是睡眠障碍性呼吸(SDB)的存在。SDB测量125的例子为呼吸暂停-呼吸不足指数(AHI)和周期性肢动(PLM)的发病率和严重程度。例如，公布号为WO 2010/091168的PCT公布概述了用于从非接触式射频多普勒运动传感器信号提取SDB测量比如AHI的方法，其内容通过引用结合于本文中。

另一SDB测量125为升高的呼吸速率，例如，在睡眠期间平均呼吸速率为每分钟20至24次呼吸(取决于年龄和基本条件)。

此外，打鼾是可以基于从音频传感器获得的采样音频波形及其标准化子带功率水平的估值的短时傅立叶变换(STFT)分析量化的SDB测量125。Mel频率倒谱系数(MFCC)可用于区分打鼾与说话，并且频谱通量(分析功率谱估计之间的变化)可以用于检测打鼾的发作。RMS(均方根，或二次平均值)可以与STFT功率水平和正在运行的中值滤波组合使用以区分触发声级和背景噪音。

打鼾(以及与呼吸暂停或呼吸不足相关的打鼾中止)可以以下面的方式与生物运动水平和提取的睡眠统计资料结合。智能手机可以放置在受试者通常睡觉的床边的床头柜上。通用音频记录器(语音备忘录)智能手机app可用于将内置音频传感器(麦克风)的音频文件保存至存储器。为了使临时存储空间最小化，音频应该以11.025kHz，单声道(单频道)进行采样。另外，可以使用22.5kHz或44.1kHz(或其它采样速率)。优选地，应该在可得到的最高速率采样，采样信号可以随后进行下采样。(一些国内智能手机麦克风将采样速率上限设定为8kHz)。还优选，该麦克风面向用户。例如，Samsung Galaxy S3具有两个麦克风，“录音”麦克风为在右手下缘上的针孔。Apple iPhone 5也具有2个麦克风，录音麦克风在左手底部边缘上。注意，一些iPod版本要求待连接的配件头戴式耳机/麦克风能够记录(例如，比Gen 4iPod Touch旧的版本)。

为了便于处理，该音频数据可以从输入文件以块读取。该块大小是可配置的，并且代表存储器I/O速度和可用的存储器之间的权衡。十至二十分钟的频段是示例的块大小。信号预处理可以涉及应用数字化宽带滤波器，保持频率含量在100Hz至4,000Hz的范围。这可以通过利用直接形式FIR滤波器使用Kaiser窗口或通过其它构件实现。也可以重新采集8000Hz的信号(如果存储空间限制要求这样)。可选地，例如，可以通过应用μ律压缩机或类似的方法，对信号进行压扩。这也可以由其它信号处理装置进行管理，而不一定需要进行压扩。

在频域中，特征可以包括在下面的子带中的子带功率(in Hz):0.01-500、500-1000、1000-1500、1500-2000、2000-2500。对于较高的采样率，可以考虑较高的频带。频带也可以分为较小或较大的频段。例如，可以考虑低于800Hz的特定子带，即，0-800Hz(去均数)。其它谱测量为谱质心，和音频处理步骤诸如“音高”(pitch)-产物的谐波谱，谱通量，频谱扩展，频谱自相关系数，和/或谱峭度。例如，大于800Hz的功率与小于800Hz的功率比率可以区分简单打鼾与SDB(其中，基于打鼾群体凭经验选择特定分离频率)。

在视觉上，在谱图中追踪打鼾频率的“线”(基于STFT)是可能的。因此，基于军事声呐和类似物，包括隐马尔科夫模型中使用的技术和图像跟踪技术，使用自动算法逼近以检测并提取这些“线”是可能的。

在时间域中，特征可以包括过零率，自相关系数，和运行振幅测量。其它的方法为计算短期能量和短时过零率。

从音频信号检测打鼾的常见问题是来自背景噪声-即，并非来源于被监测的用户的噪音源，的腐化。这些来源可以包括白噪声或其它有色噪音式来源(例如，风扇、空调、公路嘈杂声)、来自TV、广播、智能手机(例如，用户在平板上观看电影)、在房间中说话的另一人，或甚至打呼噜的另一个人(如同床之人)的语音、音乐等。通过预先的音频处理，也可以通过结合音频处理与睡眠传感器数据处理(包括缺席/在场、觉醒，和睡眠阶段检测)，可以解决该问题。

如果用户在实现打鼾检测的相同智能手机上(或在连接设备或网络设备上)播放音频/媒体，则可能排除无打鼾的成分，即，排除并非来源于打鼾的那些声音。为了播放音频/媒体-或其它话音来源，例如，房间里的谈话-可以使用语音识别系统(例如，基于声音合成机)以扫描所记录的音频来源。对于该应用，使用语音识别特征以阻止打鼾检测–假设打鼾仅发生在存在其它话音来源时。这在用户睡着并且收音机或TV打开时会造成问题，但是，可以通过使用单独的睡眠传感器检测的睡眠阶段解决该问题(即，将打鼾检测具体地限制为(a)用户在场时和(b)用户睡着时的间隔)。

通过结合音频处理和睡眠传感器数据处理(包括缺席/在场和睡眠分段)，将打鼾检测限制为当最接近音频传感器的用户睡着时是可能的。因此，即使同床之人打鼾，但所监测的用户是清醒的，这些打鼾事件也会被排除。当用户起床(例如，去厕所)时，这也会产生排除打鼾的效果，因为检测出用户是清醒的，并且超出睡眠传感器的范围(缺席)。

仍然存在混杂因素：两个同床之人可能都睡着了并且都在打鼾(或，仅远离(未被监测的)的用户在打鼾，并且两人都睡着了)。在该情况(或其它情况)下，访问运动传感器的呼吸运动信号可以与从音频信号检测的打鼾类事件结合。例如，音频打鼾事件可以与覆加在呼吸运动信号上的高频成分-例如，在吸气阶段的高频成分相关联。在其它打鼾类型中，打鼾可以发生在吸气和呼气阶段。在呼吸运动数据中，这些打鼾模式可以取决于运动传感器的定位。来自呼吸运动信号的呼吸暂停和呼吸不足事件的检测也可以与所检测出的打鼾模式中的变化相关联。同时获得打鼾音频信号和来自运动传感器的振动的另外的优势在于，由于打鼾在吸气期间更常见，因此，打鼾可以用于决定运动信号是否代表吸气或呼气。可以通过评估吸气和呼气的比率获得另外的线索(正常受试者通常是1:2)。

打鼾事件也可能与睡觉阶段相关联，例如，在非REM睡眠时期对比REM睡眠时期中的出现。虽然传统的打鼾可能在深睡眠和浅睡眠中更为普遍，而在REM睡眠中可能较少看到。REM睡眠可能包含不同的音频事件，比如从呼吸暂停(例如)中恢复呼吸的那些事件。

检测来自特定用户的打鼾–甚至精确评估其呼吸速率的另一手段是比较从音频信号和从运动信号提取的呼吸速率估值。当这些呼吸速率估值密切相关时，可能所检测的是最近的用户。在这些呼吸速率估值都保持高质量，但数值离散的情况下，可能已经检测到另外的用户。在所述音频信号包含明显的打鼾(或音频质量非常差)的情况下，呼吸速率估值不可能来自音频信号，并且信号之间不可以以这种方式进行关联。

8.1.5客观的疲劳测量值130

所公布的疲劳监测和管理系统100的重要方面在于，其可以并入可接受的客观的瞌睡或疲劳测量值130，例如从用户测试获得的那些测量。一般地，用于获得客观的疲劳测量值130的测试解决认知、执行功能，压力和能量水平，所有这些都受疲劳影响。可用于获得客观的疲劳测量值130的正式用户测试包括精神警惕性测试(PVT)，奥斯勒(牛津大学睡眠电阻测试)，和清醒度维持测试。PVT评估反应时间和手/眼协调能力。PVT测试是被合理地广泛接受的一类注意力的测量值，该测量值已在前面表明作为瞌睡(疲劳的已知相关因素)的合理指标。在PVT的一个例子中，光随机地经由手持设备呈现给用户，其中用户必须按压按钮以响应该设备。由PVT提供的度量包括平均或中间反应时间和错过次数。在PVT的另一个例子中，用户必须追随目标并保持其位置。持续关注响应测试是测量嗜睡的另一种方法。

在一个实施例中，PVT可以一天进行四次(例如，起床后2个小时，午饭后1个小时，晚饭后30分钟，和上床前1个小时)。

其他类型的测试诱导精神疲劳并评估其水平。例如，计算机化克雷珀林测试(Kraepelin test)是诱导心理疲劳载荷的一种方式。在该测试中，用户被要在长时间(例如，1～2hrs)反复地重复心算和选择测试。该任务本身已经表明会诱导疲劳，并且可以通过观察运算的速度(加上速度的变化)和答案的准确性评估疲劳。

在醒着的时间中量化疲劳的另外的方式是使用EEG疲劳测量。已经对若干EEG疲劳预报器进行了评价，如Trejo等人描述的那些。

在所公开的疲劳监测系统(例如，系统100)的一个实施例中，用户在系统的训练阶段佩带EEG头带以提供客观的疲劳测量值130。这些测量用于训练与测得的客观和主观用户数据以及由该用户经历的实际疲劳相关的模型。

此类测试可以并入疲劳监测和管理系统100以提供客观的嗜睡或疲劳测量值130(并因此充当疲劳的内部“校准”点)。

客观疲劳测量值130可以是来自更多个如上文所述的持续注意力正式测试的“硬”测量，或从游戏衍生的“软”测量。关于后者的替代，注意力测试可以“游戏化”，以保持参与。游戏化是在非游戏背景下使用游戏思维和游戏机制来使用户参与并解决问题(Zichermann&Cunningham,2011)。具体地，注意力测试的游戏化能够实现社会方面和目标寻求方面。社会方面允许群体分段比较，例如“我的睡眠”对比其他员工、与我同龄的人、优秀执行者等的睡眠。也能够在社交媒体网站，比如推特和脸书上分享这些比较。目标寻求方面通过积分累积在app中产生“做得好”信息，或通过系统的企业赞助商带来的有形奖品增加目标和奖励概念。来自游戏的数据(比如认知、警惕性，和执行功能估计)可提供神经行为表现估计。这些涉及到记忆、犯过的错误(例如，缺少游戏“目标”)，以及精神和身体的反应时间。

8.1.6工作模式(数据135)

如果提供工作模式信息135，则该疲劳监测和管理系统100可以获得更多的详细信息，该工作模式信息135可以简单地为“工作每周五日制，8:30a.m.–5p.m”，或可以复杂地为“详细的排班”。该工作模式信息135可以指示用户可能的睡眠模式，并且提高疲劳状态估计180的准确性。

在一个实例中，可以提取白昼睡眠和夜间睡眠的比率作为客观睡眠测量120的一部分。该比率可以基于小睡、倒班、时差和其它因素而变化。具体地，如果疲劳监测和管理系统供有即将来临的工作时间(例如，换班)或跨多个时区的行程的工作模式信息135，则可以允许用户“期待”睡眠的存在，因为用户为即将到来的变化做好了准备(例如，如果用户预期到睡眠时间的变化而慎重改变其睡眠习惯)。

8.1.7历史测量140

该疲劳监测模块110可以利用来自其它数据源(数据115至170)的历史信息(例如，历史测量140)。例如，可以提供关于用户最近1-7天的可能的疲劳状态的有用信息。例如，对于观察到的典型的睡眠时间为7.5小时的用户，渐变为每晚6小时可能指示累积疲劳。突然变成每晚5小时或更少(即，在短时间内)可以指示急性疲劳。

可以将预定的时间窗口内，例如，7天，来自其它数据源的每个参数的历史存储在历史测量140的数据库中。

8.1.8主观用户数据145

主观用户数据145代表用户输入数据，例如，响应问卷。一种形式的主观用户数据145涉及用户主观或自我感知的睡意。例如，埃普沃思嗜睡量表(Epworth sleepinessscale，ESS)和斯坦福瞌睡量表(Stanford sleepiness scale，SSS)都是基于问卷，主观地量化睡意。Stop-Bang评估问卷可以提供SDB风险估计。

作为主观睡意的指示，已经开发并且广泛使用的有卡罗林斯卡嗜睡量表(Karolinska Sleepiness Scale，KSS)。KSS根据以下五点数值范围要求人员评价其在该时间点的睡意：

1＝极其警醒

3＝警醒

5＝既不警醒也不困倦

7＝困倦，但不难保持清醒

9＝极其困倦，竭力摆脱睡眠。

可以通过用户设备比如智能手机或平板捕获主观用户数据145。在一个实例中，智能手机“app”提供“疲劳按钮”，当用户感觉疲倦/疲劳(例如，当打呵欠时)，用户启动该疲劳按钮并且可选地允许用户通过相关联的计数器选自其感知的疲劳严重度。在另一实例中，被称为视觉模拟量表(Visual Analog Scale，VAS)，app提供睡意连续体，用户沿着该睡意连续体移动“滑块”(例如，在图形用户界面(GUI)中)以指示其主观睡意水平，而非要求用户针对口头陈述对自身进行评价。

在一个实施例中，VAS可以每天执行四次(例如，由处理器自动触发)(例如，起床后2小时，午饭后1小时，晚饭后30分钟，和上床前1小时)。

与感知的疲劳相关的其它形式的主观用户数据145为生活方式参数，比如咖啡因摄入量、压力水平、能量水平、心态(情绪)、感知的睡眠质量和月经周期，及其相关联疲劳的可能性。可以通过上文所述的用户设备捕获每个这样的生活方式参数并且将其用作疲劳监测模块110的输入。

8.19.群体数据150

所公开的疲劳监测和管理系统100的方面在于分析可以用于比较用户的记录和较大的群体记录以建立规范并且同时确定用户可以在群体内拟合的情况。例如，一些个体比起他人更易受短期睡眠缺失的影响，并且这可以通过检测人员记录随时间的变化而获悉。在较高水平时，某些地区可以呈现不同的疲劳特征，例如，涉及本土产业、由于时间变化造成的短期影响、地区性饮食习惯和BMI、社会经济水平、季节影响诸如白天持续时间、糖尿病的患病率，等等。

为此，群体数据150包括来自疲劳监测和管理系统100的多个用户的参数。群体数据150可以基于人口统计、心理、行为和地理参数，利用来自类似用户的数据进行疲劳状态的初步评估。为了能够与规范测量进行比较，群体数据150可以去识别以保护用户隐私。

8.1.10基线(数据155)

基线参数155代表用户的正常值，并且可以来源于历史测量140的趋势分析(最初在短时范围内，但可以延伸至周、月或年数据的概观)。

也可以由对问卷比如，匹兹堡睡眠问卷(Pittsburgh Sleep Questionnaire，PSQ)和生活质量调查(Quality of Life(QoL)Survey)的应答建立基线。可以通过用户设备比如智能手机或平板执行该问卷并捕获应答155。

8.1.11环境(数据160)

用户的局部环境可以在其疲劳水平中起作用，特别是如果用户对花粉量或光水平(例如，季节性情绪失调)敏感。可以基于用户的睡眠位置和合适的在线数据库的交叉检查收集大规模的环境数据160比如季节、天气，和过敏信息(通过在分布图的细节中提供，或经由定位设备，例如，GPS设备获得)。

更具体的环境数据160包括用户睡眠场所的周围温度(与舒适的睡眠温度相关)、周围音频水平(以检测嘈杂的噪音)、光水平(以识别日出时间、与季节信息和位置交叉检测，并对房间的光进行控制)、空气质量，和湿度。可以从记载温度值的专门校准的环境传感器比如Onset HOBO，或通过与用户同在房间的智能手机温度(例如，周围音频)传感器获得这些数据。

8.1.12白昼时间(数据170)

在疲劳评估中，从时钟获得的白昼时间数据170可以用作关键的查找测量。白昼时间数据170可以捕获基本的日间或昼夜疲劳变化，例如，使用正弦模型。

8.1.13其它数据输入

疲劳监测和管理系统100的一些实施例并入可接受的睡意和警觉性的生理测量值比如血液中的腺苷和褪黑激素水平，作为用户的总睡意水平的潜在的校准点。腺苷水平指示睡意，因为腺苷使神经活动减缓。图3包含在一天内人员血液中的腺苷水平的图3000。在第一段3010中，人员是睡着的，水平较低。在时间3020处，刚好在人员觉醒之前该水平开始上升，并且在觉醒时期持续上升直到其超过“严重瞌睡水平”3030，在该点，人员是困倦的。在时间3040，人员入睡，此后，水平开始下降。需要注意的是咖啡因可以通过在大脑中与腺苷受体优选结合而使觉醒水平短期提高，并且因此减缓腺苷的神经抑制效果。

疲劳监测和管理系统100也可以收集来自用户的关于疲劳的症状/疾病状态的信息，包括焦虑、头痛和鼻塞、哮喘、贫血(例如，涉及月经)、抑郁、关节炎、糖尿病和睡眠呼吸暂停。

疲劳监测模块110可以使用的另一类数据为关于寝具，例如，床单类型、其最近何时更换、床垫和被子的年龄，以及粉尘过敏的存在。这些数据可以与其估计的疲劳模式、睡眠的趋势(特别是运动量)，房间的环境数据160(例如，温度)和群体数据150结合。

在疲劳监测和管理系统100的驾驶实施例中，可以通过加速计和定位设备(例如，基于GPS的设备)获得与用户驾驶相关的信息以便区分驾驶和移动(即，区分来自其它类型的运动的驾驶)。这些数据可以用于指引包括局部路网的地图数据库，特别是被称为疲劳相关事故的“交通事故多发地段”的地图数据库，例如已知“开车时睡着”事故或灾祸的发生率升高的区域或公路。

8.1.14疲劳监测模块110

如上文所提及，该疲劳监测模块110采用来自一个或多个数据源(数据115至170)的输入以产生用户疲劳状态评估180。该疲劳状态评估180可以采取评估用户当前疲劳状态评估的形式，或用户未来疲劳状态的预测。

在比如疲劳监测模块110使用之前可以对输入数据进行非线性变换，比如对数。该输入数据可以标准化，例如，通过平均数减法，以移除个体之间的“静态偏置”。

图4为可以用于实现根据本发明的一个形式的疲劳监测模块110的线性分类器4000的方框图。在图4中，该线性分类器4000采用从输入数据源(数据115至170)抽取的三个数据参数x、y和z，并且将其分别与系数α、β和γ结合以产生数值型

疲劳指数

f。在一个实例中，疲劳指数值1指示高水平疲劳，值0指示低水平疲劳。在其它实施例中，线性分类器4000线性结合大于或小于3个输入参数以产生疲劳指数f。

输入线性分类器4000的另外的输入可以是疲劳指数f对应的时间t。如果时间t为当前的，疲劳指数f为当前疲劳状态评估。如果时间t为未来时间，疲劳指数f代表在时间f的疲劳状态预测。系数α、β和γ通常随时间而变化，所以时间t可用于获得系数α、β和γ的正确值以评估疲劳。

在一个实例中，输入至线性分类器4000的输入参数包括下面的参数组：{觉醒时间、昨晚睡眠持续时间、前晚中断次数、最近5个晚上睡眠持续时间的连续平均数、年龄、性别、前晚深睡眠持续时间、昨晚房间温度,}.

对于有用的线性分类器4000，其需要合适的加权系数值α、β，和γ，和“最佳”输入参数组以表征给定的个体(例如，对于一些个体，最重要的输入参数是觉醒时间，对于其它个体，则可能是昨晚的睡眠持续时间)。多重线性回归是由训练组建立“最佳”输入参数组和对应系数的监督方式。在多重线性回归方法中，该疲劳监督和管理系统100获悉“最佳”输入参数组和对应系数以评估或预测人员的疲劳状态。在缺乏任何预先获悉数据的情况下，标准线性模块可以用于预置线性分类器4000。

可以从个体用户获得训练数据，在该情况下，该分类器对该用户是特定的，或从多个个体获得训练数据，在该情况下，该分类器更通用。这样的通用分类器可以包括基于来自不同区域的训练数据的子模块。通用分类器能够基于来自先前未知个体的数据进行疲劳评估。

在可获得训练数据的情况下，通常会包括在白昼(使用，例如精神运动警惕性试验、视觉模拟量表，或基于EEG的疲劳测试)从用户获取客观或主观疲劳测量值。接着，线性模块能够拟合至有用的输出疲劳指数。

线性回归有许多替换方案比如逻辑回归和非线性回归，疲劳监测模块110可以使用替换方案以获悉“最佳”输入参数组和对应系数以评估疲劳指数f。

在其它形式的所公开的疲劳监测和管理系统100中，该疲劳监测模块110可以利用不同的方法以产生疲劳状态评估180，比如非线性分类器、支持向量机，或神经网络。

疲劳监测模块110的另一的实施例使用基于规则的方法以产生疲劳指数。这样的实施例的一个例子包括具有以下规则中的任何一条或多条或所有规则的下面的规则集：

·如果入睡时间<6，提高疲劳指数[注：有时非常短的睡眠可能影响用户一天，特别是如果用户到此为止状态良好；但如果持续，那么他们可能患有慢性疲劳]。

·如果入睡时间>10，提高疲劳指数。

·如果在过去三夜上床时间变化超过2.5小时，提高疲劳指数。

·深睡眠<7％，提高疲劳指数。

·如果深睡眠vs前三夜的平均值的下降>8％，提高疲劳指数。(如果下降趋势在第二夜或后续夜晚持续，进一步提高疲劳指数。如果后续增加的深睡眠>5％，则用户在恢复中并且疲劳指数降低。)

·如果REM是非常短的(<5％至7％)，提高疲劳指数。

·如果睡眠效率<75％-80％，提高疲劳指数(可能需要检查异常值-移动传感器是否收录卧室的背景运动，并且用户不用费心将上床时间输入到app中)。

·否则，降低疲劳指数。

可以考虑的其它一些规则为：

·降低周末疲劳指数-特别是如果结合较长的睡眠持续时间和降低的REM。

·如果用户需要较长时间才能入睡(高睡眠潜伏期)，提高疲劳指数(但有时该特征可能是曲解的)。

·如果PSQI/QOL分数较差，用户可能患有睡眠障碍，所以提高疲劳指数。

·如果活动数据表明用户通常在久坐后突然活跃，提高疲劳指数。

该疲劳评估180可以为疲劳指数值f.。可替换地，该疲劳监测模块110可以使用一个或多个阈值将计算的疲劳指数映射到疲劳状态集之一上。这样的疲劳状态可以代表更易于解读的疲劳评估180。在这样的映射的一个实施例中，可能的疲劳状态集和对应的阈值为：

·“全部都好”-因此没有检测到令人不安的疲劳状态(f<0.5)。

·“处于危险中”-因此，用户的疲劳风险(0.5<f<0.8)升高。在该状态中，提供该疲劳风险是如何衍生的指示，以及疲劳风险的严重程度。例如，用户可能表现出早期阶段的睡眠缺乏，并且在经历慢性疲劳状态之前可以通过改变行为进行纠正。

·“急性疲劳”-因此相对较短期(大约1～2天)睡眠限制或质量非常差的睡眠为萎靡不振类的急性疲劳(0.8<f<1)。基于工作模式信息135或其它数据，这可以看成处于高风险状态(例如，用户执行安全攸关职责，或用户所报告的计划长期驾驶汽车等)。这在最初可能表现为身体疲劳，随后是心理疲劳(与相关的认知障碍)增加。

·“慢性疲劳”(在若干天中0.5<f<0.8)可能是由于长期睡眠限制或普遍较差的睡眠卫生(包括以不良的饮食，和/或含咖啡因/能量饮料的混合物以保持清醒，接着通过酒精和安眠药入睡)/失眠。潜在的SDB状况也可能是根本原因。

在其它实施例中，与较大范围的可能的疲劳状态对应，可以使用大量的阈值。

8.1.15用户信息模块185

该用户信息模块185产生并且为用户提供报告，该报告包括疲劳状态评估，以及可选的形成客观睡眠测量的部分的睡眠统计资料。

在疲劳监测和管理系统100的消费者实施例中，用户信息模块185可以向用户提供关于估计的疲劳水平、风险因素，和改进策略的个性化见解。

图6包括在若干天内用户信息模块185如何相对于用户疲劳指数f展示客观睡眠测量120、体力活动数据115，和工作模式数据135的示意图6000。在图6中，下图6020中所展示的两个测量为入睡时间和实际的轮班时间。上图6010包括疲劳指数f，疲劳指数f部分基于测得的这些睡眠和轮班时间，使用图4的线性分类器4000计算得出。在图6中，在第二天6030和第三天6040，用户的疲劳指数f较高，因为用户在前面的夜晚6050和6060已经经历了较短的睡眠期，并且轮班时间比平常轮班时间长。

如果用户没有给她自身或他自身足够的睡眠机会，用户信息模块185可以发出警报(即，在其日常事务中，用户已经完全不允许有足够的睡眠时间–他们可能有或可能没有意识到这一点)。但是，在疲劳监测和管理系统100的消费者实施例中，警报可能不是规定性的，因为，例如旅行或社交活动可能会导致疲劳状态短期或暂时的不利变化。在工作场所实施例的情况下警报可以被配置成更规范，特别是如果用户起着安全攸关角色(例如，采矿、火车司机、起重机操作员等)。

该疲劳评估180可以用于向用户提供建议。例如，为夜晚睡眠差并通过上文提及的不显眼睡眠传感器收集客观睡眠测量120的用户。在该天中，从用户捕获疲劳相关数据，比如客观疲劳测量值130、环境数据160、体力活动数据115、位置数据，和饮食数据。疲劳监测模块110分析该数据以产生疲劳状态评估180。用户信息模块185估计并基于该估计推荐那天的“理想睡眠时间”。因此，用户会提前知晓该时间是几时并且可以选择听从或忽略该建议。该依附或依从性数据本身成为进一步分析的输入。可以在推荐的理想睡眠时间之前发出警报(即，“睡眠时间”提醒，例如，经由用户的智能电话传送)。随着时间推移，疲劳监测和管理系统发展成个体个性化的“理想睡眠时间”推荐系统。

该用户信息模块185也可以基于在各种情况下预测的疲劳状态向用户推荐第二天醒来的时间以实现最佳清醒警觉性，或(b)最佳全天警觉性。可通过在用户智能手机上的时钟程序在推荐的时间向用户发出警告。

用客观睡眠测量120估计疲劳状态180的一个好处在于，用户实际上可能睡得比他或她感觉到的他或她自己的睡眠更好。通过用户信息模块185将该事实传送至用户可以用于打破恶性循环：用户认为他们将度过糟糕的一天(心理上或错觉上的疲劳)，随后是过度使用兴奋剂(如咖啡或其他含咖啡因的饮料)，接着在睡觉前使用酒精或安眠药。更一般地，如果该系统观察到这样的刺激物模式，用户信息模块185可以推荐在一段时间内减少(并且可能排除)咖啡因和类似的酒精摄入(以及如果适用，吸烟或“浸渍”)管理。

在上述提及的就寝应用中，用户信息模块185可以提醒用户以改变他或她卧式中的寝具和/或环境条件。

在上述驾驶实施例中，该用户信息模块185可以向用户提供具体的个性化建议。这可以潜在地提高安全性。例如，该用户信息模块185可以推荐用户寻求替换的运输工具，比如公共运输、拼车(汽车共享)等。如果估计的或预测的疲劳状态180指示在开车时睡着的风险升高。随着时间推移，对疲劳进行监测，可以评估地理区域及其疲劳水平并且与通勤事故的可能性关联。该用户信息模块185也可以基于该白昼的时间推荐打盹策略，并且提供合适的警告以避免睡过头(过度打盹)。

在旅行实施例中，该用户信息模块185可以推荐用户在白昼增加对阳光的暴露(如果可能的话)，或者利用日光(全谱)灯/光源以使用户为该时区即将到来的变化做好准备。

在游戏实施例中，用户信息模块185可以提醒用户去睡觉。

在学习实施例中，该用户信息模块185可以充当健康睡眠习惯的意见引擎以提高学习和测试时间的能量水平。

CPAP治疗的好处是降低疲劳(例如降低白天的睡意)。CPAP患者中的疲劳指数提高可以暗示不太理想地依从规定的CPAP治疗。因此，在疲劳监测和管理系统100的CPAP治疗实施例中，该用户信息模块185可以提供建议以改进患者的CPAP治疗依从性。具体地，通过用户信息模块185递送的教育(提高对关联的理解)，可以向不规律地使用其CPAP治疗的患者表现出提高依从性的好处。高疲劳指数与低治疗依从性相关，因此，用户有动机改进其疲劳指数以及其依从性。

在CPAP患者遭受失眠折磨的情况下，患者可以选择不使用其疗法。在该情景中，通过递送个性化睡眠卫生改善意见，和可选地提供放松的呼吸节目(例如，通过个人计算设备上执行的音频节目递送的引导性呼吸)，该疲劳监测和管理系统100提供享受更好睡眠的手段，并且因此提高CPAP治疗依从性。

该疲劳评估180可以用于推断在去睡觉时间中使用的特定顺序的音乐是否有利于促进睡眠，并且影响第二天(例如，识别“击碎疲劳的”音轨)的疲劳水平。

该疲劳评估180可以用于推断特定的呼吸练习是否促进睡眠或警觉(例如，警觉呼吸练习使用经由光或显示设备获得的一个或多个自调节式照明度和专用音频序列从而降低呼吸速率并且调整吸气/呼气时间，以及可选的来自非接触式睡眠传感器的生物反馈)

8.1.16第三方信息模块190

在疲劳监测和管理系统100的工作场所实施例中，该第三方信息模块190向第三方，比如企业雇主的网站健康顾问，提供包括关于多个员工的睡眠和疲劳的信息的报告。该报告是可定制的，包括一个或多个这样的特征：

·每名员工(或员工组)每天的报告

·基于因素包括睡眠历史、当日时间，和工作量的疲劳风险度量

·睡眠模式变换的指示

·触发质量或数量较差的睡眠模式的近期睡眠历史

·实际睡眠时间-睡眠持续时间、睡眠质量，和睡眠时机

·长期趋势-包括长期睡眠债务的估计，个体与群体的比较(即，与平均值比较)

·恢复性(深)和认知(REM)睡眠的平衡

·睡眠障碍性呼吸-风险评估

·睡眠惯性(从深或浅睡眠醒来)

·其它关键的测量(疗法依从性、药物治疗追踪等)

在就寝实施例中，该第三方信息模块190可以充当寝具制造商的搜索工具，以探究用户平均就寝时间和相对舒适水平(通过主观用户数据145并且通过客观睡眠测量120进入)。

8.1.17样本使用案例

用于单个用户的疲劳监测和管理系统100的样本使用案例如下。该疲劳监测模块110作为软件模块在云服务器上实现，与智能手机上的软件应用程序(app)通信，通过蓝牙无线连接至非接触式睡眠传感器和可佩带的活动传感器以进行每日追踪。

夜晚#1：用户使用连接至用户的智能手机或其它本地内存存储设备的非接触式睡眠传感器监测其睡眠。该设备将客观睡眠测量120比如就寝时间、睡眠潜伏期(入睡时间)、中断次数、觉醒时间，和睡眠分数传递至疲劳监测模块110。在夜里也记录打鼾水平(通过智能手机的麦克风或通过置于非接触式睡眠传感器中的麦克风)。

白昼#1：早上，向用户递呈Stop-Bang问卷，因为其打鼾水平强度和睡眠中断次数被认为是疲劳监测模块110感兴趣的(高于阈值)。用户也被还提示输入其身高和体重，和可选的热量消耗数据。无线连接至用户的智能手机的可佩带的活动传感器捕获用户的体力活动数据115，以随后传输至疲劳监测模块110。将用户的运动水平与典型的健康值比较。如果在白昼经历了“疲劳事件”(例如，打哈欠、闭眼等)，则要求用户通过其智能手机上运行的app记载这些事件。智能手机收集的其它主观用户数据145包括用户是否通勤(并且如果这样，用户是否驾驶)，以及用户在白昼是否打盹。

夜晚#2：用户通过智能手机接收来自用户信息模块185的第一次反馈，包括在必要时提高睡眠卫生的一些技巧。这形成了用户专用疲劳校准的基础。

在下周中，由用户信息模块185提供持续的意见。

白昼#7：一周后(7天，因为如果可能的话，捕获完整的工作周是理想的)，疲劳状态估计180通过用户信息模块185递呈至用户或通过第三方信息模块190递呈至OH&S程序管理员。在7天时段过去之前，可以利用疲劳状态评估180，特别是如果检测到SDB模式。

比较用户的疲劳水平和群体数据150，假定这些参数为用户的“真实睡眠年龄”。睡眠医学领域的研究人员已经制定了随年龄而变化的可能的睡眠阶段的分布图。图5包括代表随年龄而变化的睡眠阶段的示例分布的图5000(来自Shambroom和Fabregas)。通过比较用户实际的睡眠阶段分布与群体分布，可以确定用户的睡眠年龄。

基于疲劳指数，以及可以通过疲劳监测和管理系统100捕获作为主观用户数据145的其它生活方式参数，可以由疲劳监测模块110衍生生活质量估计。这样的参数包括咖啡因摄入量、感知的压力和能量水平，和“心态”(心情)估计。

8.1.18示例表现

疲劳监测和管理系统100的一个实施例利用在7天中从下面的数据源收集的20个用户的数据：

·匹兹堡睡眠问卷和生活质量调查(基线数据155)

·睡眠大师(SleepMinder)非接触式运动传感器(主观睡眠测量120和SDB测量125)

·HOBO温度记录器(环境数据160)

·FitBit活动传感器(体力活动数据115)

·通过智能手机每天执行四次的PVT(客观疲劳测量值130)

·通过智能手机每天执行四次的VAS(主观用户数据145)

·上床/觉醒时间(手动输入至智能手机app中)

·智能手机app记录的周围音频(环境数据160)。

线性分类器4000用于实现疲劳监测模块110。该线性分类器4000训练成使用收集到的90％的数据，采用除了PVT平均反应时间分数之外的所有来源作为输入。计算该天的第一PVT的平均PVT反应时间分数作为输出疲劳指数值的代表。接着，将训练的线性分类器4000应用至测试数据以预测PVT平均反应时间，该测试数据包括剩下的10％数据。图7包括在训练数据(圆)和测试数据(叉)上，预测的PVT平均反应时间(预测的疲劳指数)针对实际的PVT平均反应时间(实际的疲劳指数)的图。测试数据的RMS预测误差为49.3毫秒，而训练数据的RMS预测误差为52.1毫秒，表明线性分类器4000可向未知用户普及。测试数据的r²为0.70。

8.2术语汇编

为了本发明公开的目的，在本发明的一些形式中，可能采用以下限定中的一种或多种。在本发明的其他形式中，可能采用替代的限定。

空气：在本发明的某些形式中，提供给患者的空气可能是大气空气，在本发明的其他形式中，大气空气可能补充有氧气。

持续气道正压(CPAP)：以相对大气的连续正压、优选地基本恒定地通过患者的呼吸循环向气道的入口提供可呼吸气体或空气的应用。在CPAP治疗的一些形式中，将在患者的不同呼吸周期中改变压力，例如，增大压力以响应检测到部分上气道阻塞的指示，而不存在部分上气道阻塞的指示时降低压力。

呼吸暂停：呼吸暂停可以说是当呼吸流量降低到预定阈值以下一段持续的时间(例如，10秒)时发生的呼吸暂停。阻塞性呼吸暂停可以说是当不管患者出力气道的一些阻塞不允许空气流动时发生的呼吸暂停。中枢性呼吸暂停可以说是当由于呼吸出力的减少或没有呼吸出力而检测到呼吸暂停时发生的呼吸暂停。

呼吸速率：通常以每分钟呼吸次数进行测量的患者的自发呼吸的速率。

呼吸不足：优选地，呼吸不足可以看作是呼吸流量的减少，但不是呼吸流量的停止。在一种形式中，当呼吸流量在一段持续时间内降低至低于阈值时，则称为呼吸不足。

开放(气道)：气道开放的程度，或气道开放到何种程度。开放的气道是张开的。气道开放度可以被量化，例如1代表开放，0代表关闭。

呼吸流量、气流量、患者气流量、呼吸气流量(Qr)：这些同义词可以理解为指代PAP设备的估计呼吸气流量，相对于“真实呼吸流量”或“真实呼吸气流量”，后者是患者所经历的实际呼吸流量，通常表示为升/每分钟。

上气道阻塞(Upper airway obstruction，UAO)：包括部分上呼吸道阻塞和全部上呼吸道阻塞。这可能与流量受限状态有关联，其中流量水平随着上呼吸道两侧压强差的增加而仅轻微增加或可能甚至降低(Starling阻塞行为)。

8.3备注

本发明的一部分包含受版权保护的材料。当其出现在专利商标局的专利文件或记录中，著作权人对本专利文本或本专利公开的任何人进行的复制对没有异议，否则保留所有版权权利。

除非文中另有明确规定，在提供值的范围的地方，可以理解的是，每个中间值、下限的单位的十分之一、该范围的上下限之间，和任何其他所述的或在所述范围中的中间值包含在这个技术中。可能独立包含在中间范围中的这些中间范围的上下限也包含在这个技术中，受到在所述范围中任何明确排除的限制。在所述范围包括一个或两个限制的情况下，在该技术中也包含排除其中一个限制或这两个限制的范围。

此外，在这里所述的值作为该技术的一部分而实现的情况下，可以理解的是，这样的值可能是近似的，除非另作说明，并且这样的值可能用于任何合适的有效位，在这样的范围内，可能允许或需要实际的技术实现。

除非另有定义，这里使用的所有技术和科技术语具有本领域技术人员通常理解的相同含义。虽然在实践或本发明的测试中，也可以使用任何与这里描述的方法和材料类似或相当的方法和材料，但是本文描述了限制数量的示例方法和材料。

当特定材料被认为是优选地用于构成部件时，带有类似性质的显而易见的可选择材料可能用作替代。此外，除非有相反的指定，这里描述的任何和所有部件被理解为能够被制造，并且，可能一起制造或单独制造。

必须注意的是，这里使用的和所附的权利要求中使用的单数形式的一种”、“一个”和“该”包括他们复数的等价物，除非该内容清楚地表示其他含义。

本文提到的所有出版物以引用对作为这些出版物的主题的方法和/或材料的公开和描述的方式并入。本文讨论的出版物仅为它们的公开内容先于本申请的提交日而提供。本文中没有内容视为承认本发明由于在先的发明而不享受先于这样的出版物的权利。此外，提供的公开日期可能与实际公开日期存在差异，其可能需要得到独立证实。

此外，在解读本公开时，所有术语应当以最广泛的合理方式且与上下文相一致地进行解读。尤其是，术语“包含”应当被解读为以非排除性的方式提及元素、构件或步骤，说明所提及的元素、构件或步骤可能存在、使用或与其他未明文提及的元素、构件或步骤相结合。

具体实施方式中所用的主题标目仅处于读者查询方便的目的，而不应当被理解为对本公开或权利要求书中任何主题内容的限制。该主题标目不应当被用于解读权利要求的范围或限制。

虽然本技术中描述了特定实施例，但应当理解，这些实施例仅用于说明本技术的原理和应用。在一些实施例中，其术语和符号仅指代本技术实施并不必需的特定细节。例如，虽然可能使用了术语“第一”、“第二”，但除非另有说明，否则其并不用于说明任何顺序，而是可以用于区分不同的元素。此外，虽然方法中的流程步骤可以依序进行描述或说明，但这种顺序并不是必需的。本领域技术人员可以领会到，该顺序可以进行改进，和/或其各方面可以同时或甚至同步执行。

因此，应当理解，还可以在不脱离本发明的思路和范围的前提下，对所述实施例进行诸多改进，以及设计出其他装置。

8.4附图标记列表

9.引文

E.,2000.Dimensions of fatigue in different workingpopulations.Scandinavian Journal of Psychology,41:231–241.

http://onlinelibrary.wiley.com/doi/10.1111/1467-9450.00192/pdf

Belenky,G.,et al.,2003.Patterns of performance degradation andrestoration during sleep restriction and subsequent recovery:a sleep dose-response study.J Sleep Res,vol.12no 1.http://onlinelibrary.wiley.com/doi/10.1046/j.1365-2869.2003.00337.x/pdf

Dawson and Reid,1997.Fatigue,alcohol and performanceimpairment.Nature,388:235.

Dinges DF,Pack F,Williams K,Gillen KA,Powell JW,Ott GE,etal.Cumulative sleepiness,mood disturbance,and psychomotor vigilanceperformance decrements during a week of sleep restricted to 4–5hours pernight.Sleep 1997；20(4):267–77.

Harrington,J.,1978.Shiftwork and Health:A Critical Review of theLiterature.Report to the Medical Advisory Service,UK Health and SafetyExecutive.

Institute of Medicine(US)Committee on Sleep Medicine and Research；Colten HR,Altevogt BM,editors.Sleep Disorders and Sleep Deprivation:An UnmetPublic Health Problem.

Washington(DC):National Academies Press(US)；2006.4,Functional andEconomic Impact of Sleep Loss and Sleep-Related Disorders.Available from:

http://www.ncbi.nlm.nih.gov/books/NBK19958/63.

Jackowska et al.,2012.Sleep problems and heart rate variability overthe working day,Journal of Sleep Research,Volume 21,Issue 4,February 2012.

Nicholson PJ,D'Auria DA,1999.Shift work,health,the working timeregulations and health assessments.Occup Med(Lond).1999 Apr；49(3):127-37.

http://occmed.oxfordjournals.org/content/49/3/127.full.pdf

NSF(National Sleep Foundation),2013.

http://www.sleepfoundation.org/article/sleep-related-problems/excessive-sleepiness-and-sleep

Sasaki,T.,2007.Overtime,job stressors,sleep/rest,and fatigue ofJapanese workers in a company.https://www.jstage.jst.go.jp/article/indhealth/45/2/45_2_237/_pdf

Shahly V,Berglund PA,Coulouvrat C,et al.The Associations of InsomniaWith Costly Workplace Accidents and Errors:Results From the America InsomniaSurvey.Arch Gen Psychiatry.

2012:69(10):1054-10

Shambroom JR,Fabregas SE.Age Related Changes in Objectively MeasuredSleep Observed in a Large Population in the Home,available through myzeo.com.

State of Queensland,Department of Natural Resources and Mines,2013.Guidance Note for Fatigue Risk Management.

Trejo et al.EEG-Based Estimation of Mental Fatigue.

http://aiolos.um.savba.sk/～roman/Papers/hci07_1.pdf

Zichermann,G.and Cunningham,C.(August 2011).Introduction toGamification by Design:Implementing Game Mechanics in Web and Mobile Apps(1sted.).Sebastopol,California:O'Reilly Media.

Claims (64)

1.一种用于监测用户疲劳的系统，所述系统包括：

多个数据源，包括：

无线传感器，其被配置成通过产生无线传感信号产生用户的客观睡眠测量；以及

活动传感器，其被配置成使用加速度计来产生白天体力活动数据，所述体力活动数据包括(a)所走的步伐数量和(b)锻炼持续时间和强度；以及

处理器的疲劳监测模块，所述模块被配置成基于来自所述多个数据源的数据产生用户疲劳状态指示，所述数据表示所产生的客观睡眠测量和所产生的白天体力活动数据，

并且其中所述系统是基于规则的系统，该基于规则的系统被配置有增加疲劳状态指示器的疲劳指示的规则，其中增加疲劳指示的规则评估白天体力活动数据以检测用户是否在久坐时段后突然活跃。

2.根据权利要求1所述的系统，其特征在于，所述多个数据源进一步包括如下中的一个或多个：

被配置成捕获白天用户数据的输入设备，所述白天用户数据包括饮食数据或热量消耗数据，

被配置成捕获通过问卷收集的主观用户数据的输入设备；

环境传感器，其被配置成产生与用户的睡眠位置中的周围条件相关的环境数据；

被配置成捕获与用户的自我感知的疲劳状态相关的主观用户数据的设备；

被配置成捕获用户的白天生命体征数据的设备；

被配置成捕获与用户驾驶相关的信息的装置，所述装置包括加速计和定位设备；

被配置成捕获用户的疲劳或睡意的客观测量值的设备；

时钟；以及

用户的工作模式信息。

3.根据权利要求2所述的系统，其特征在于，所述主观用户数据包括生活方式参数，所述生活方式参数包括如下中的一个或多个：

咖啡因摄入量；

压力水平；

能量水平；

心态；和

感知的睡眠质量。

4.根据权利要求2至3中任一项所述的系统，其特征在于，所述环境数据包括季节、天气和过敏信息中的一个或多个。

5.根据权利要求2至3中任一项所述的系统，其特征在于，所述环境数据包括周围温度、周围音频水平、光水平、空气质量和湿度中的一个或多个。

6.根据权利要求2至3中任一项所述的系统，其特征在于，从用户测试获得所述疲劳或睡意客观测量值。

7.根据权利要求2至3中任一项所述的系统，其特征在于，通过用户玩游戏获得所述疲劳或睡意客观测量值。

8.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块被进一步配置为基于历史数据库产生用户疲劳状态指示，所述历史数据库被配置成在预定时间窗口内捕获来自所述多个数据源的数据。

9.根据权利要求8的系统，其特征在于，所述疲劳监测模块进一步被配置成基于从历史数据库的数据趋势分析衍生的用户的基线参数产生用户疲劳状态指示。

10.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块进一步被配置成基于群体数据库产生用户疲劳状态指示，所述群体数据库包括来自系统的多个用户的所述多个数据源的数据。

11.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块进一步被配置成基于对问卷的应答衍生的用户基线参数产生用户疲劳状态指示。

12.根据权利要求1至3中任一项所述的系统，其特征在于，所述无线传感器进一步被配置成提供睡眠障碍性呼吸测量。

13.根据权利要求12所述的系统，其特征在于，所述睡眠障碍性呼吸测量为打鼾测量。

14.根据权利要求13所述的系统，其特征在于，来自所述无线传感器的数据与来自音频传感器的音频数据结合以获得打鼾测量。

15.根据权利要求14所述的系统，其特征在于，所述打鼾测量被限制为当无线传感器指示用户存在并且熟睡时的间隔。

16.根据权利要求14所述的系统，其特征在于，所述无线传感器为运动传感器，并且获得打鼾测量包括在与来自运动传感器的呼吸运动信号中的高频分量同步的音频数据中检测打鼾类事件。

17.根据权利要求12所述的系统，其特征在于，所述睡眠障碍性呼吸测量为呼吸暂停-呼吸不足指数。

18.根据权利要求12所述的系统，其特征在于，所述睡眠障碍性呼吸测量为升高的呼吸速率。

19.根据权利要求1至3中任一项所述的系统，其特征在于，为了产生疲劳状态指示，所述模块被配置为产生对用户在特定时刻的未来疲劳状态的预测。

20.根据权利要求1至3中任一项所述的系统，其特征在于，所述客观睡眠测量包括如下中的一个或多个：

心率；

呼吸速率；

生物运动水平；

睡眠统计资料；

皮肤电反应；以及

体温。

21.根据权利要求20所述的系统，其特征在于，所述睡眠统计资料包括如下中的一个或多个：

睡眠持续时间；

睡眠质量；

睡眠中断次数；

REM睡眠持续时间；

深睡眠持续时间；

浅睡眠持续时间；

入眠后觉醒；

睡眠惯性；以及

睡眠潜伏期。

22.根据权利要求1至3中任一项所述的系统，其特征在于，进一步包括第三方信息模块，所述第三方信息模块被配置成向与用户疲劳状态指示相关的第三方提供信息。

23.根据权利要求1至3中任一项所述的系统，其特征在于，进一步包括用户信息模块，所述用户信息模块被配置成向与用户疲劳状态指示相关的用户提供信息。

24.根据权利要求1至3中任一项所述的系统，其特征在于，所述无线传感器为与呼吸压力治疗设备集成的传感器，用户从所述呼吸压力治疗设备接受CPAP治疗。

25.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块为分类器，所述分类器被配置成结合来自所述多个数据源的数据以产生疲劳指数。

26.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块将规则集应用至来自所述多个数据源的数据以产生疲劳指数。

27.根据权利要求26所述的系统，其特征在于，所述疲劳指数映射至疲劳状态集之一。

28.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块在与用户关联的处理设备上实现，所述处理设备连接至所述多个数据源。

29.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块在远程服务器上实现，所述远程服务器通过网络连接至所述多个数据源。

30.根据权利要求21所述的系统，其特征在于，所述睡眠统计资料包括REM睡眠持续时间，并且所述模块被配置为以用户精神疲劳状态评估产生用户疲劳状态指示。

31.根据权利要求21所述的系统，其特征在于，所述睡眠统计资料包括深睡眠持续时间，并且所述模块被配置为以用户身体疲劳状态评估产生用户疲劳状态指示。

32.根据权利要求1至3中任一项所述的系统，其特征在于，所述模块被配置为评估所述用户疲劳状态指示并确定用户的睡眠年龄。

33.根据权利要求2所述的系统，其特征在于，所述主观用户数据包括对STOP-BANG问卷的应答。

34.根据权利要求27所述的系统，其特征在于，所述疲劳状态集中的一种状态为急性疲劳。

35.根据权利要求27所述的系统，其特征在于，所述疲劳状态集中的一种状态为慢性疲劳。

36.根据权利要求1至3中任一项所述的系统，其特征在于，所述多个数据源进一步包括来自用户的、关于与疲劳相关的症状/疾病状态的信息。

37.根据权利要求1至3中任一项所述的系统，其特征在于，所述客观睡眠测量进一步包括心率变异性(HRV)。

38.根据权利要求2所述的系统，其特征在于，所述被配置成捕获用户白天生命体征数据的设备为ECG数据收集设备。

39.根据权利要求2所述的系统，其特征在于，所述被配置成捕获用户疲劳或睡意的客观测量值的设备为EEG电极。

40.根据权利要求25所述的系统，其特征在于，所述分类器为线性分类器。

41.根据权利要求25所述的系统，其特征在于，所述分类器为非线性分类器。

42.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块为神经网络。

43.根据权利要求1至3中任一项所述的系统，其特征在于，所述疲劳监测模块为支持向量机。

44.一种操作用于监测用户疲劳度的一个或多个处理器的方法，所述方法包括：将来自多个数据源的数据接收到一个或多个处理器中，所述数据包含(a)由产生无线传感信号的无线传感器产生的用户的客观睡眠测量，和(b)由活动传感器产生的用户的白天体力活动数据，所述活动传感器包括加速度计，所述体力活动数据包括：(a)所走的步伐数量和(b)锻炼持续时间和强度；以及基于所述来自多个数据源的数据通过一个或多个处理器产生用户疲劳状态指示，

其中基于检测用户是否在久坐时段后突然活跃的白天体力活动数据的评估来增加疲劳状态指示器的疲劳指示。

45.根据权利要求44所述的方法，其特征在于，进一步包括通过所述一个或多个处理器向用户提供疲劳状态指示。

46.根据权利要求45所述的方法，其特征在于，进一步包括基于所述疲劳状态指示通过所述一个或多个处理器向用户提出建议。

47.根据权利要求46所述的方法，其特征在于，所述建议包括用户去睡觉的推荐时间。

48.根据权利要求46所述的方法，其特征在于，所述建议包括用户觉醒的推荐时间。

49.根据权利要求44至48中任一项所述的方法，其特征在于，进一步包括通过所述一个或多个处理器向第三方提供疲劳状态指示。

50.根据权利要求44至48中任一项所述的方法，其特征在于，产生所述用户疲劳状态指示包括在所述一个或多个处理器中，将分类器应用至所述多个数据源。

51.根据权利要求50所述的方法，其特征在于，进一步包括，在产生所述用户疲劳状态指示之前，在所述一个或多个处理器中，将非线性变换应用至数据源中的一个或多个。

52.根据权利要求46所述的方法，其特征在于，所述建议用于用户寻求运输替代装置。

53.根据权利要求44至48中任一项所述的方法，其特征在于，进一步包括基于疲劳状态指示通过所述一个或多个处理器向用户发布警报。

54.根据权利要求53所述的方法，其特征在于，所述警报为规范性警报。

55.根据权利要求44至48中任一项所述的方法，其特征在于，进一步包括基于疲劳状态指示通过一个或多个处理器向用户提供引导式呼吸。

56.根据权利要求46所述的方法，其特征在于，所述建议为在去睡觉时间聆听音轨。

57.根据权利要求50所述的方法，其特征在于，进一步包括使用作为用户疲劳状态的代表的疲劳的客观测量值以所述一个或多个处理器来训练分类器。

58.根据权利要求57所述的方法，其特征在于，从用户获得所述疲劳的客观测量值。

59.根据权利要求57所述的方法，其特征在于，从多个个体获得所述疲劳的客观测量值。

60.根据权利要求50所述的方法，其特征在于，进一步包括使用作为用户的疲劳状态的代表的、与用户自我感知的疲劳状态相关的主观用户数据以所述一个或多个处理器来训练分类器。

61.根据权利要求50所述的方法，其特征在于，所述分类器为线性分类器。

62.根据权利要求50所述的方法，其特征在于，所述分类器为非线性分类器。

63.根据权利要求44至48中任一项所述的方法，其特征在于，产生所述疲劳状态指示包括通过所述一个或多个处理器将神经网络应用至所述多个数据源。

64.根据权利要求44至48中任一项所述的方法，其特征在于，产生所述疲劳状态指示包括通过所述一个或多个处理器将支持向量机应用至所述多个数据源。

Images