CN106999143A - 声学监测系统、监测方法和监测计算机程序 - Google Patents
声学监测系统、监测方法和监测计算机程序 Download PDFInfo
- Publication number
- CN106999143A CN106999143A CN201580067489.7A CN201580067489A CN106999143A CN 106999143 A CN106999143 A CN 106999143A CN 201580067489 A CN201580067489 A CN 201580067489A CN 106999143 A CN106999143 A CN 106999143A
- Authority
- CN
- China
- Prior art keywords
- signal
- monitoring system
- unit
- monitoring
- acoustic
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7425—Displaying combinations of multiple images regardless of image source, e.g. displaying a reference anatomical image with a live image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0823—Detecting or evaluating cough events
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0826—Detecting or evaluating apnoea events
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及能够间接监测呼吸变量和心脏变量的系统(100)和方法(800)。提出了对从胸部音频信号α(t)提取的特征的时间系列的分解技术。所提出的监测系统(100)可以借助于可穿戴换能器(150)采集对象(140)的胸部上的声学信号。所提出的系统可以估计多个生理变量,例如,流量估计结果、呼吸速率、吸气和呼气标记、以及与心脏有关的变量。咳嗽和呼吸暂停检测、偶发性声音识别、所执行的活动以及关于被监测对象的能量估计和状况的信息也能够被导出。
Description
技术领域
本发明涉及监测系统、监测方法和监测计算机程序。
背景技术
对减少住院治疗和长期住院的需求要求从管理医院中的患者朝向家庭环境的变更。因此期望研发允许在护理者的远程指导下对在家中的患者的监测和管理的新的技术和服务构思。例如,监测在家中的COPD患者和适当的早期介入减少急性加重和住院的次数,引起总体医疗支出的成本节省。另外,远程监测的可用性为护理者提供了患者更早出院的增加的保证。因此,能够减少患者住院的天数。另外,对非干扰性且可穿戴的传感器的使用提供了患者的生命数据的每日改变的连续监测,生成关于疾病的病理生理学和疾病趋势的更好理解的进一步了解。
在I.Yildirim等人的文章“Automated respiratory phase and onsetdetection using only chest sound signal”(Engineering in Medicine and BiologySociety,IEEE,2008年)中,研究了检测正常肺音的相位开始的问题。来自胸部声音的时间和频率两者的先前信号信息被用于隔离声音的肺分量,并且其短期能量的准周期被用于研发非线性滤波器和带通滤波器的配置以估计呼吸相位开始。胸部声音被建模为心音、肺音与背景噪声的和,并且过滤器被相应地设计。在存在额外的声音分量(例如,与肺部疾病有关的声音)的情况下,然而滤波块需要被重新设计。方法也必须被修改,以应付诸如在吞咽期间的可变呼吸型式。关于呼吸相位和开始的信息在零交叉中被采集。如果信号正在浮动,则这不是鲁棒的。此外,由于该方法强烈地依赖于信号的短期能量,因此相位分割结果强烈地受到输入信号的幅度的影响。
US2014/0275809A1公开了一种用于局部化准周期信号中的型式的方法。准周期信号的速率或频率被估计,搜索窗口被定义,并且准周期信号在搜索窗口中的部分与要被匹配的模板信号型式互相关,以产生被控制器定义为新的开始位置的第二最大值。新的开始位置被存储。
US8641631B2公开了用于估计患者的呼吸速率的方法和装置,包括以下步骤:记录患者的呼吸声音,使用多个呼吸速率估计方法从记录的声音导出多个呼吸速率,并且将启发式算法应用于多个导出的呼吸速率,所述启发式算法选择所导出的呼吸速率中的一个。所选择的呼吸速率是所估计的呼吸速率。
US2012/0242501A1公开了一种用于人的心脏监测系统,所述心脏监测系统包括:一个或多个无线备忘录;以及与所述一个或多个无线备忘录通信的可穿戴器具,所述器具监测生命体征。
CN102302373A公开了一种用于基于复用多分辨率小波变换来检测心音信号特征点的方法。
Ghaderi F等人的“Localizing Heart Sounds in Respiratory Signals UsingSingular Spectrum Analysis”(IEEE Transactions on biomedical engineering,IEEEService Center,Piscathway,NJ,USA,第58卷,第12期,2011年12月12日,第3360-3367页)公开了一种用于使用奇异谱分析来局部化呼吸信号中的心音的方法。
US2011/0295138A1公开了用于可靠地估计针对声学生理信号的吸呼比的方法和系统。
仍然需要更合适的算法和技术来部署胸部声音以便以自动方式连续监测呼吸参数和心脏参数。具体地,仍然需要更合适的技术来解决以下问题:低信噪比、不同的呼吸声音强度、相位持续时间、可变呼吸型式、来自非生物学声音的干扰(电磁干扰、移动伪影、环境噪声等)、以及来自生物学声音(例如,心跳、异常肺音、吞咽、咳嗽、说话)的干扰。
此外,为了将呼吸监测器部署在现实世界的应用中,它必须轻便以便由患者穿戴并且与通常每天使用的采集系统(如智能手机)兼容。例如专业听诊杯的庞大和笨重在现实世界的应用中是不理想的。此外,在患者的日常生活中对可见且可识别医学系统的使用将更不被患者所接受。
发明内容
本发明的目的是提供改进的监测系统、改进的监测方法、以及改进的计算机程序。具体地,期望通过使用分析声学信号的分解步骤来改进现有方法。
在本发明的一个方面中,提供了一种监测系统,包括:声学信号提供单元,其提供指示对象的至少一个生理变量的声学信号;特征提取单元,其被配置为基于对所述声学信号的谱分析来提供检测信号,其中,所述检测信号是时域中以简化形式反映所述声学信号的局部结构的信号;检测信号分解单元,其被配置为将所述检测信号分解成至少一个检测信号分量;以及生理变量提供单元,其被配置为从至少一个重建的生理信号导出所述至少一个生理变量,其中,所述重建的生理信号是基于所述至少一个检测信号分量的。
本发明探索了间接地监测呼吸变量和心脏变量的可行性。在一实施例中,通过分析声学信号来执行对呼吸变量和心脏变量的间接监测。具体地,本发明涉及对从对象的胸部音频信号提取的特征的时间系列使用分解技术的理解。专用的软件工具计算对多个生理变量的估计结果,例如,呼吸速率、吸气和呼气标记、与心脏有关的变量以及流量估计结果。咳嗽和呼吸暂停检测、偶发性声音识别、所执行的活动以及关于被监测对象的状况的信息也可以被导出。
在一实施例中,所述检测信号分解单元被配置为借助于数据驱动的算法来分解所述检测信号。换言之,所述算法特设地或动态地决定信号如何被分解而非例如应用带通滤波方法,其中带预先被指定。因为该算法在它如何分解检测信号方面不是先验固定的,因此本发明对信号的不规律分量更不敏感。这样的不规律分量在有病的患者的情况下会是尤其频繁的。不规律分量的另一起因可以源自于声学传感器被连续地放置在对象的胸部上的事实,其中对象在监测时段内不维持静止位置,而是在附近自由移动。
在一实施例中,所述检测信号分解单元被配置为分解所述检测信号,使得对所述检测信号的分解是数据驱动的。在这个意义上,可以认为分解不是先验固定的。如上面提及的,本发明对信号的不规律分量更不敏感,这是因为数据驱动的算法在它如何分解检测信号方面不是先验固定的,而是它使用信号特征来定义分解,并且因为它通常包括允许对无意义的分量的拒绝的基于粗筛的阶段。具体地,所述基于粗筛的阶段返回不是固定的而是基于输入信号的特性的多个分量。
在一实施例中,所述检测信号分解单元被配置为执行奇异谱分析(SSA)和/或经验模式分解(EMD)中的至少一个。奇异谱分析具有在自动程序中普遍适用且易于使用的优点。一般来说,上面列出的算法具有分析能够被认为是两阶段方法的共同特征。在第一步骤中,数据的某些特征被收集。基于这些,实际分解被执行。在SSA中,这些特征是从落后协方差导出的经验正交函数,所述经验正交函数随后被用于投影检测信号。在EMD中,局部极限值充当特征,并且迭代程序被用于基于这些极限值来提取分量。
在一实施例中,所述检测信号分解单元被配置为将所述检测信号分解成至少重建的生理信号(例如,肺音信号、心音信号)和多个重建的噪声信号的和。具体地,该实施例提出分解检测信号,使得超过一个重建的噪声信号被考虑。在这方面,该实施例也可以考虑重建的噪声信号,其本身具有特定的时间依赖性结构(例如,周期性)。
在一实施例中,所述至少一个重建的生理信号和/或所述多个噪声信号是基于来自所述检测信号分解单元采用的分解算法的多个检测信号分量的,其中,所述多个检测信号分量中的检测信号分量的数量不是先验固定的。
在一实施例中,所述至少一个重建的生理信号对应于多个检测信号分量,其中,所述重建的生理信号是基于所述多个检测信号分量的。具体地,该实施例预见到具有超过一个重建的生理信号影响对生理变量的确定的可能性。具有超过一个重建的生理信号作为同一生理变量提供单元的输入将会增加系统的鲁棒性(和准确性)。
在一实施例中,所述监测系统被配置为在至少一小时、十小时、和/或一天的时间段内监测所述对象。因此,该实施例指定了能够连续监测对象而非仅能够执行现场核查测量的监测系统。
在一实施例中,所述声学信号提供单元包括非干扰性放置的、被配置为采集所述声学信号的传感器。在一实施例中,所述声学信号提供单元包括被放置在对象的胸部上的传感器。通过将传感器放置在对象的衣服之下的胸部上,患者更可能遵从穿戴传感器,这是因为传感器不是可见的并且不干扰患者的日常功能。以此方式,促进了连续监测。
在一实施例中,所述声学信号提供单元包括可穿戴声学换能器。所述可穿戴声学换能器可以是例如可穿戴麦克风。
在一实施例中,所述声学信号提供单元包括被配置为接收所述声学信号的输入单元。不是借助于麦克风或任何其他声学换能器采集所述声学信号,而是所述声学信号可以事先被记录或被检测,并且被传输给监测系统以供进一步分析。因此,该系统可以被实现为存储在患者仅需要将胸部传感器的输出耦合到的设备(例如,智能手机)上的软件解决方案。
在一实施例中,所述监测系统还包括校准单元,所述校准单元被配置为将所述至少一个检测信号分量分配给所述重建的生理信号。所述重建的生理信号可以包括以下中的至少一个:(i)流量估计信号、(ii)呼吸信号、和/或(iii)心脏信号。由于分解单元的输出取决于所使用的分解算法,因此输出可以不一对一地响应于各自的信号,可以期望额外的校准步骤来识别用于导出各种生理变量的信号。校准单元可以执行校准步骤。校准单元也可以接收校准参数,以仅仅应用由不同的单元执行的校准程序的结果。应当理解,校准单元可以更一般地指的是纯粹的映射单元。具体地,术语“校准单元”不排除检测信号分量与重建的生理信号的1:1映射。
在一实施例中,所述监测系统还包括校准单元,所述校准单元被配置为基于关于生理信号和所述生理信号的特征的先验知识将所述至少一个检测信号分量分配给所述重建的生理信号。所述先验知识可以例如涉及诸如信号强度和频率的特征。信号强度和频率是用于确定各自的信号分量的性质的合适变量。在这个意义上,利用心率和呼吸速率不同的事实,例如针对心率和呼吸速率的普遍范围分别是每分钟60-100次跳动和每分钟16-20次呼吸。另外,可以利用来自心脏的声音具有与来自呼吸的声音不同的幅度的事实。
在一实施例中,所述监测系统还包括被配置为提供所述检测信号的特征提取单元。在一实施例中,所述监测系统还包括被配置为提供所述检测信号的特征提取单元,其中,所述特征提取单元被配置为执行离散傅里叶变换。当观察呼吸信号的时间演变时,明显的是,开始的发生通常伴随有信号的幅度的增加。胸部音频信号是附加的(肺音、心音和干扰叠加而非彼此遮住)且振荡的。因此,通过在时域中简单地对原始信号求微分来寻找改变是不可能的。以简化形式反映原始信号的局部结构的多个中间信号或特征fi(t)需要被计算以供进一步处理。所述进一步处理的结果是检测信号f(t)。在该实施例中,特征提取单元提供fi(t)作为音频信号的DFT,但是它能够通过由另一计算模块代替DFT计算而被任何检测信号来代替。例如,像梅尔频率倒谱系数的其他谱表示也可以被使用。
在一实施例中,所述监测系统还包括被配置为提供所述检测信号的特征提取单元,其中,所述特征提取单元被配置为执行离散傅里叶变换,其中,所述特征提取单元被配置为对多个频率分箱的绝对值取平均,其中,所述多个频率分箱是根据执行所述离散傅里叶变换而获得的。
在一实施例中,所述监测系统还包括被配置为提供所述检测信号的特征提取单元,其中,所述特征提取单元被配置为执行离散傅里叶变换,其中,所述特征提取单元被配置为对多个频率分箱的平方值取平均,其中,所述多个频率分箱是根据执行所述离散傅里叶变换而获得的。
在一实施例中,所述监测系统还包括被配置为接收所述声学信号的预处理单元。在一实施例中,所述监测系统还包括被配置为接收所述声学信号的预处理单元,其中,所述预处理单元被配置为对所述声学信号执行下采样步骤。所述声学信号可以由预处理单元进行预处理以降低进一步的步骤的计算复杂性。作为一范例,以44kHz采集的音频信号能够由下采样单元下采样到4kHz。
在一实施例中,所述监测系统还包括被配置为接收所述声学信号的预处理单元,其中,所述预处理单元包括被配置为基于所述声学信号将高通滤波器应用于信号的高通滤波器单元。通过应用高通滤波器,例如具有低于50Hz的频率的低频信号(例如,电源线交流噪声、电噪声、当对象步行时的脚步声)可以被削弱。
在一实施例中,所述监测系统还包括被配置为接收所述声学信号的预处理单元,其中,所述预处理单元被配置为对所述声学信号执行下采样步骤。
在一实施例中,所述监测系统还包括被配置为接收所述声学信号的预处理单元,其中,所述预处理单元被配置为对所述声学信号执行下采样步骤,其中,所述预处理单元包括被配置为将高通滤波器应用于从所述下采样步骤获得的信号的高通滤波器单元。通过应用高通滤波器,例如具有低于50Hz的频率的低频信号(例如,电源线交流噪声、电噪声、当对象步行时的脚步声)可以被削弱。
在一实施例中,所述监测系统还包括被配置为显示以下中的至少一个的显示单元:所述声学信号和所述至少一个信号分量。
在一实施例中,所述监测系统还包括被配置为存储以下中的至少一个的存储单元:所述声学信号和所述至少一个信号分量。
在一实施例中,所述监测系统还包括被配置为提供所述至少一个重建的生理信号或噪声信号的重建的生理信号或噪声信号提供单元。在一实施例中,所述监测系统还包括被配置为提供所述至少一个重建的生理信号或噪声信号的重建的生理信号或噪声信号提供单元,其中,所述重建的生理信号或噪声信号提供单元包括输出单元。
在本发明的另一方面中,提供了一种监测方法,包括:提供指示对象的至少一个生理变量的声学信号;基于对所述声学信号的谱分析来提供检测信号,其中,所述检测信号是时域中以简化形式反映所述声学信号的局部结构的信号;将所述检测信号分解成至少一个检测信号分量;并且从至少一个重建的生理信号导出所述至少一个生理变量,其中,所述重建的生理信号是基于所述至少一个检测信号分量的。
在本发明的另一方面中,提供了一种监测计算机程序,所述计算机程序包括程序代码单元,所述程序代码单元用于当所述计算机程序在控制监测系统的计算机上运行时令所述监测系统执行所述监测方法的步骤。
应当理解,根据权利要求1所述的监测系统、根据权利要求26所述的监测方法、以及根据权利要求27所述的监测计算机程序具有尤其是与从属权利要求所定义的类似的和/或相同的优选实施例。
应当理解,本发明的优选实施例也能够是从属权利要求或以上实施例与各自的独立权利要求的任何组合。
参考后文描述的实施例,本发明的这些方面和其他方面将是明显的并且得到阐明。
附图说明
在以下附图中:
图1示意性地且示范性地示出了监测系统的实施例,
图2示意性地且示范性地示出了监测系统的另外的实施例,
图3示意性地且示范性地示出了监测系统的另外的实施例,
图4示意性地且示范性地示出了监测系统的另外的实施例,
图5示意性地且示范性地示出了监测系统的另外的实施例,
图6示意性地且示范性地示出了监测系统的另外的实施例,
图7示意性地且示范性地示出了监测系统的另外的实施例,
图8示意性地且示范性地示出了监测方法的实施例,
图9示意性地且示范性地示出了监测布置的实施例,
图10示意性地且示范性地示出了监测布置的另外的实施例,
图11示意性地且示范性地示出了范例性重建的生理信号以及声学信号和参考信号,
图12示意性地且示范性地示出了范例性重建的生理信号以及声学信号和参考信号,
图13示意性地且示范性地示出了检测信号以及声学信号,并且
图14示意性地且示范性地示出了监测系统的另外的实施例。
具体实施方式
对减少住院治疗和长期住院的需求强烈要求从管理医院中的患者朝向家庭环境的变更。因此期望研发允许在护理者的远程指导下对在家中的患者的监测和管理的新的技术和服务构思。
例如,监测在家中的COPD患者和适当的早期介入减少急性加重和住院的次数,引起总体医疗支出的成本节省。另外,远程监测的可用性为护理者提供了患者更早出院的增加的保证。因此,能够减少患者住院的天数。
另外,对非干扰性且可穿戴的传感器的使用提供了患者的生命数据的每日改变的连续监测,生成关于疾病的病理生理学和疾病趋势的更好理解的进一步了解。
呼吸期间肺中出现的复杂的声音信号指示生理信息和X线学信息。它们的临床相关性和它们的测量结果的无创性质使它们在整个历史上被认为是用于诊断和患者监测的有力且吸引人的工具,如在R.Loudon等人的文章“Lung sounds”(American Review ofRespiratory Disease,第130卷,第4期,第663至673页,1984年)中所描述的。
当流率超过与针对气流几何的雷诺数相关联的阈值时,呼吸声音起源于大气道(气管-支气管)中。在这种情况下,空气速度和湍流引发气道壁的振动,所述气道壁的振动然后通过肺组织和胸壁被传输到表面,在所述表面处它们可以在听诊器的帮助下被容易地听到。
普遍的误解是,移动通过终末细支气管和肺泡的空气也促进呼吸声音。由于非常大的总横截面积,然而该水平下的空气速度太低以致于不能产生显著的湍流和声波。然而,在肺的周边处听到的声音被改变,这是因为它们经过肺部组织到达周边。肺部疾病还通过改变音质并且通过增加或减少通过病变组织的声音传输而改变在表面处听到的呼吸声音。
结合音频特性,通常在计时和交换流量方面评估呼吸。例如,高呼吸速率、低吸气时间分数或低吸呼时间比可以指示对象的气道的阻塞(参考M.Nield等人的文章“Comparison of breathing patterns during exercise in patients withobstructive and restrictive ventilatory abnormalities”(Journal OfRehabilitation Research And Development,第40卷,第5期,第407至414页,2003年)。
每分通气量(VE)、呼吸频率(fR)、潮气量(VT)、吸气时间(TI)、呼气时间(TE)、吸呼时间比(TI/TE)、总呼吸时间(TTOT)、吸气时间分数(TI/TTOT)、平均吸气流量、平均呼气流量、以及平均吸呼流量比是通常在临床实践中测量的变量。
在慢性阻塞性肺病(COPD)中,由于增加的死空间通气、减少的气体交换、以及与失调和外周肌肉功能紊乱有关的增加的通气要求(参考L.Nici等人的文章“Americanthoracic society/European respiratory society statement on pulmonaryrehabilitation”(American Journal of Respiratory and Critical Care Medicine,第173卷,第12期,第1390至1413页,2006年),通气通常高于预期。
患有COPD的患者中的更快的呼吸速率还暗示在顺应性方面的成比例更大的下降,这缩短了呼吸系统的时间常数(参考J.Mead的文章“Control of respiratory frequency”(Journal of Applied Physiology,第15卷,第3期,第325至336页,1960年)。
此外,在日常生活活动期间以及在训练锻炼期间监测患有阻塞性肺病的患者的呼吸型式分量可以在由呼吸困难的起源的动态过度膨胀所起作用方面的进一步的洞察,呼吸困难通常是最烦扰患者的症状。
在呼气期间因流量限制引起的肺的正常排空的延迟(这在锻炼期间加重(参考B.Johnson等人的文章“Emerging concepts in the evaluation of ventilatorylimitation during exercise”(Chest,第116卷,第2期,第488至503页,1999年)导致与呼吸频率的增加有关的动态过度膨胀。这导致增加的呼吸功、呼吸肌上增加的负荷、以及呼吸不适性的强烈感受。
高TI/TE可以提供关于被监测对象的状况的其他信息,例如,可以指示对象当前正在打鼾或讲话。呼吸速率和TI/TE比的趋势也可以也在一些应用中关于教导呼吸策略是有益的。相比于增加VT或减慢RR的一般教导指令,直接强调呼吸参数(具体为强调呼气时间)可以更有效,这是因为有关于吸气时间的延长的呼气时间将可能会减少空气捕获,并且针对患有阻塞性通气紊乱的那些减少动态过度膨胀,并且提供对呼吸困难的减轻。
在A.Silva等人的文章“Aerobic exercise training improves autonomicnervous control in patients with COPD”(Respiratory Medicine,第103卷,第10期,第1503至1510页,2009年)中,已经观察到呼吸速率(呼吸频率)在身体训练之后降低,伴随有呼吸困难的减少和VT的改进。呼吸型式中的这些调节可以帮助解释在训练之后副交感神经活动的改善。然后,在低水平锻炼期间和在肺部康复训练之后的呼吸型式的计时分量的操纵的进一步研究是必要的。此外,由于动态过度膨胀难以直接测量,因此无创量度的使用(例如,TI/TE和TI/TTOT的计时分量)将会是有用的。
尽管执行连续呼吸监测具有明显益处,但是对于连续监测呼吸的所有分量的准确、无创且非干扰性方法的探求已经证明是长期的且不成功的。已经研发了试图填补该临床缺口的若干技术,但是没有一个获得足够的临床医生的信心而成为护理标准。在这方面,感应体积描记、光纤湿化和二氧化碳描记是最流行的技术之一。这些技术中的每个都具有优点和缺点,但是没有一个已经证明是明显出众的且适合用于连续监测。
肺音的听诊法是检测各种呼吸参数的重要且简单的方法,这是因为它不影响呼吸的自然型式,它不是有创的,并且它不是昂贵的。
使用声学手段对呼吸变量的估计受若干因素阻碍,例如呼吸声音信号的非固定和非线性性质、非生物学信号(60Hz、环境噪声、杂讯等)和生物学信号(心跳、吞咽、咳嗽、说话和其他)的干扰、以及低信噪(S/N)比。当呼吸相位中的一个显著强于另一个并且异常型式由肺部疾病引起时,另一问题出现。
US2012/0253216描述了用于依赖于身体安装的声音换能器和峰值分析来隔离声学信号内的呼吸相位的已知技术。声音换能器通常被放置在胸骨上切迹上面或在咽部附近的侧颈处,这是因为在该区域中被捕获的肺音通常具有高信噪比和对流量变化的高敏感性(参考J.Chuah等人的文章“Automated Respiratory Phase Detection by AcousticalMeans”(Proc.SCI,第228至231页,2000年)。
另外,研发了声学呼吸监测器,其中,音频信号使用被放置在金属心前听诊杯中并且刚好在喉下且在胸骨上切迹上方利用双面胶带被附着到颈部的麦克风来记录(参考B.Hill的博士论文“Development of an Acoustic Respiratory Monitor”(Departmentof Electrical and Computer Engineering,犹他州大学,2011年)。所使用的听诊杯是被设计为放大在杯内检测到的信号并削弱外部信号进入杯的重型心前金属杯。
听诊杯的声学效果能够取决于杯在皮肤上的放置、杯内的皮肤的紧密性和听诊杯在气管上的放置而改变,影响系统的性能(参考P.Ertel等人的文章“Stethoscopeacoustics.II.Transmission and filtration patterns”(Circulation,第34卷,第899至909页,1966年)。用于分析气管声音的这种系统和方法也对所使用的麦克风敏感。实际上,在实验期间,一个数据集被放弃,这是因为它是利用与其他记录不同的麦克风来记录的。
厚金属听诊杯的使用在环境声音的削弱方面有帮助,但是重型听诊器是笨重的。堆叠杯的重量和笨拙在现实世界的应用中是不理想的。
US8641631提出使用压电薄膜作为气管上的换能器。该设备配合常规的脉搏血氧计使用。在听诊杯内部使用压电薄膜而非常规的麦克风使该设备经受更低的频率变化。具体地,使用压电薄膜,信噪比不与听诊杯内部的常规的麦克风(其具有在声学上嘈杂的环境中不好的结果)一样高。检测呼吸速率(RR)的方法是基于对记录的声音中的安静间隔的频率的检测的。它能够在安静且稳定的静止情形(例如,麻醉、睡觉)下被部署,但是不用于连续监测。该设备可以进一步在很大程度上依赖于其与脉搏血氧计的组合使用。
到目前为止描述的系统在存在背景噪声和其他身体声音(例如,心音)的情况下不可靠,或在很大程度上依赖于专用滤波器的性能。此外,基于气管的传感器是可见的,那么不是最佳地适合用于在现实生活的情况下的连续监测。
在I.Yildirim等人的文章“Automated respiratory phase and onsetdetection using only chest sound signal”(Engineering in Medicine and BiologySociety,IEEE,2008年)中,研究了检测正常肺音的相位开始的问题。来自胸部声音的时间和频率两者的先前信号信息被用于隔离声音的肺分量,并且其短期能量的准周期被用于研发非线性滤波器和带通滤波器的配置以估计呼吸相位开始。胸部声音被建模为心音、肺音与背景噪声的和,并且过滤器被相应地设计。在存在额外的声音分量(例如,与肺部疾病有关的声音)的情况下,然而滤波块需要被重新设计。方法也必须被修改,以应付诸如在吞咽期间的可变呼吸型式。关于呼吸相位和开始的信息在零交叉中被采集。如果信号正在浮动,则这不是鲁棒的。此外,由于该方法强烈地依赖于信号的短期能量,因此相位分割结果强烈地受到输入信号的幅度的影响。
在I.Lin等人的文章“A signal-noise separation algorithm for theestimation of respiratory rate from breath sound”(ICICS(InternationalConference on Information,Communications and Signal Processing),2011年,新加坡,第13至16页,2011年12月)中,在胸壁的右侧上记录呼吸声音,并且该呼吸声音被用于借助于基于阈值的方法估计呼吸速率,所述基于阈值的方法将呼吸与背景噪声分离。如所预期的,算法性能强烈地取决于记录状况,这是因为对于非常嘈杂的背景,估计准确性退化。此外,呼吸开始并且然后呼吸计时不能被监测。
关于对健康对象的受控测试期间的呼吸相位识别和开始检测,针对在不受约束的情境下连续监测患者的性能结果是可用的。检测呼吸开始的误差通常以估计的开始与对应的实际呼吸开始之间的差的平均偏差和标准偏差的方式进行报告。对于使用胸部声音和气管声音两者的完全自动的系统,针对相位识别报告93%(±7%)的准确性,而平均开始检测误差是118±39ms。当使用仅一个数据通道(胸部声音数据)和更复杂的检测算法时,对于低流率,呼气开始的估计误差是74±21.9ms,而对于中等流率,呼气开始的估计误差是88.3±29.4ms。对于低流率,吸气开始的估计误差是94.1±56.9ms,而对于中等流率,吸气开始的估计误差是69.8±19.9ms。必须注意,被部署的测试程序和参考系统改变信号的型式和声学性质两者。对象被要求维持其以恒定速率的呼吸,而其呼吸在示波器显示器上被监测。信号的声学性质通过被用作参考的嘴部安装的流量换能器来修改。
尽管具有不致力于采集理想音频信号的事实,但是据此描述的系统和方法示出了具有更少可变性的相当的性能。对呼吸开始的准确检测是必要的,以估计流量参数,以研究心脏-呼吸协调(即,朝向心跳与呼吸开始之间的恒定时间关系的趋势)、心脏-通气耦合(即,吸气开始与心跳的对齐)、和相位同步(即,在呼吸循环的相位处对心跳的调节)。此外,对相位持续时间的准确检测能够被用于研究呼吸计时参数的改变是否与受心肺疾病影响的患者的疾病状况的改变相关。
呼吸型式和参数的准确测量是借助于肺活量测定设备(例如,呼吸速度描记器)或通过被连接到压力换能器的鼻插管的组合使用来实现的。尽管那些直接测量是准确的,但是它们部署影响呼吸的自然型式(即紧密适配的面罩)或会失去嘴部呼吸的检测(鼻插管)的机构。
此外,当处理遭受阻塞性肺部疾病的患者时,面罩或插管在嘴部或鼻子周围的应用会是非常令人厌恶的。那些系统确实会增加呼吸困难不适性,并且引起可以妨碍评估的显著搅动。那么它们不可应用于连续的日常测量。
由于脉搏血氧计的连续测量血氧饱和并且测量患者的心率的能力,脉搏血氧计是非常普遍且有用的监测器。尽管它测量血氧饱和,但是由于其响应延迟,它不能代替直接呼吸监测。此外,在其最普遍的应用模式中,传感器通常被放置在患者的手指上,从而限制手的使用。
胸阻抗体积描记使用胸部上的ECG电极来测量胸阻抗的变化。更不普遍的是呼吸感应体积描记(RIP),其通过找到被缝到弹性带的电线的电感的变化来进行测量,所述弹性带被放置在胸部和腹部上。两种技术都能够被患者的身体移动所破坏。RIP或压电胸带的使用在具有差的姿势控制的对象中具有挑战性,使其难以确保呼吸感应带的稳定定位。带还具有对胸部压缩的感觉,这限制在遭受呼吸短促的患者中的使用。
部分地由于测量的低成本、非干扰性和测量的容易可用性,呼吸声音分析是很大程度上在普遍的临床实践中使用的方法。呼吸的声学分析通常与借助于听诊器的胸部的听诊相关联。该技术通常用于现场核查测量和患者筛查而非用于连续监测。听患者的呼吸确实会是费力的,并且它要求实践和训练。
已经分析了呼吸声音,并且已经使用计算机算法对呼吸声音进行电子建模来检测呼吸参数。声音换能器通常被放置在患者的颈部上面,以便捕获气管声音。一旦声学信号已经被生成,呼吸相位在声学信号内被隔离,并且呼吸参数估计结果被计算。
相比于胸部声音,气管声音提供若干优点:
它们较少被滤波,这是因为从上气道中的各种声音源到颈部表面上的传感器的距离是相对短的且无肺组织的插入;
它们具有明显可分开的呼吸相位;
它们对流量的变化具有高敏感性;
它们通常具有高信噪比。
另一方面,肺部疾病中的影响肺的大部分的扩散过程产生更可能贯穿胸壁更好听到的异常声音。对于理解疾病的进展,认出并分析异常肺音以及呼吸计时参数似乎是极其相关的。例如,由喘息声音占据的呼吸周期的部分大致对应于气道阻塞的程度。为了识别、监测异常声音并将异常声音的计时与呼吸持续时间相关,基于气管的传感器的使用不是最好的选项。
此外,如果还对监测与心脏有关的参数(如心率(HR)、心率恢复时间(HRR)和心率变异性(HRV))感兴趣,则采集胸部声音是有用的。那些是重要的变量,这是因为肺部疾病常常与心脏自主神经功能障碍相关联,并且遭受肺部疾病的对象展示心脏速率和节律的频繁异常性。具体地,相比于健康的人,他们具有升高的HR、更低的HRR和降低的HRV。
另一重要方面是用于连续监测临床环境之外的呼吸参数和心脏参数的系统应当是非干扰性的。这意味着它们应当被穿戴者迅速地穿上或脱下,易于使用、小、轻,并且不要求针对传感器的皮肤准备以在足够保真度的情况下进行操作。此外,为了在日常生活中和在延长的时间段内进行部署,声学换能器也应当是不可见的,并且可能被集成在日常生活的物品中(例如,智能手机)。这可能是使用被附接到患者的颈部的气管传感器的主要缺点。被放置在衣服下面的胸部安装的传感器的使用那么可以克服这个问题。
当前的声学呼吸监测器不考虑由病变的肺引起的声音的不同性质。当前的呼吸监测方法的前提是与在吸气期间相比胸部声音信号在呼气期间是相对安静的事实;因此声音强度似乎是用于区分呼吸相位的准确指标。在存在阻塞性疾病的情况下,这不是总是正确的,这是因为吸气相位和呼气相位两者都能够具有由呼出所需的额外努力引起的类似声响。此外,疾病可以引入不能使用所部署的标准技术滤除(例如以去除心脏伪影)额外声音。这些声音可能在检测呼吸开始时成为错误源。另一方面,复杂且特设的滤波技术应当被避免,以便保持尽可能普遍的适用性而不依赖于例如传感器放置或干扰源的存在(例如,心音或吞咽事件)。
仍然需要更合适的算法和技术来部署胸部声音以便以自动方式连续监测呼吸参数和心脏参数。具体地,仍然需要更合适的技术来解决以下问题:低信噪比、不同的呼吸声音强度、相位持续时间、可变呼吸型式、来自非生物学声音的干扰(电磁干扰、移动伪影、环境噪声等)、以及来自生物学声音(例如,心跳、异常肺音、吞咽、咳嗽、讲话)的干扰。
此外,为了将呼吸监测器部署在现实世界的应用中,它必须轻便以便由患者穿戴并且与通常每天使用的采集系统(如智能手机)兼容。专业听诊杯的庞大和笨重例如在现实世界的应用中是不理想的。此外,在患者的日常生活中对可见且可识别医学系统的使用将更不被患者所接受。本发明克服了这些问题。
本发明探索了例如通过使用被连接到低资源分析系统的独特的低成本便携式不可见且扁平的声学传感器间接地监测呼吸变量和心脏变量的可行性。本发明涉及对从对象的胸部音频信号提取的特征的时间系列使用分解技术的理解。专用的软件工具计算对多个生理变量的估计结果,例如,呼吸速率、吸气和呼气标记、以及与心脏有关的变量。咳嗽和呼吸暂停检测、偶发性声音识别、所执行的活动以及关于被监测对象的状况的信息也可以被导出。
图1示意地且示范地示出了监测系统100的实施例,所述监测系统100包括:声学信号提供单元110,其提供指示对象的至少一个生理变量的声学信号;检测信号分解单元120,其被配置为将检测信号分解成至少一个检测信号分量,其中,所述检测信号是基于所述声学信号的;以及至少一个生理变量提供单元130,其被配置为从至少一个重建的生理信号导出所述至少一个生理变量,其中,所述重建的生理信号是基于至少一个检测信号分量的。声学信号提供单元110可以从被放置在对象140的胸部上的传感器150接收指示对象的至少一个生理变量的声学信号。在这个意义上,传感器150可以被包括在声学信号提供单元110中。当然,传感器150也可以借助于有线或无线连接向声学信号提供单元110简单地传输声学信号。
如在下面进一步详细描述的,检测信号分解单元120被配置为借助于数据驱动的算法来分解所述检测信号。具体地,检测信号分解单元120被配置为分解所述检测信号,使得对所述检测信号的分解是数据驱动的,并且在这个意义上不是先验固定的。在这个意义上,如在下面进一步描述的,检测信号分解单元120被配置为执行奇异谱分析和/或经验模式分解中的至少一个。检测信号分解单元120被配置为将所述检测信号分解成适合用于导出一个或多个重建的生理信号(例如,重建的呼吸流量信号、重建的呼吸信号、重建的心脏信号、和额外的非先验已知的重建信的号)的一个或多个分量。
至少一个重建的生理信号或噪声信号可以对应于多个检测信号分量,其中,所述多个检测信号分量中的检测信号分量的数量不是先验固定的。生理变量提供单元130可以被配置为从至少一个重建的生理信号导出所述至少一个生理变量。监测系统100可以被配置为在至少一小时、十小时、和/或一天的时间段内监测对象。
声学信号提供单元110可以包括非干扰性放置的、被配置为采集所述声学信号的传感器。具体地,声学信号提供单元110可以包括被放置在对象的胸部上的传感器。备选地和/或额外地,声学信号提供单元110可以包括可穿戴换能器和麦克风。
然而,也预见到,声学信号提供单元110本身不采集声学信号(例如,借助于如在上文中提出的麦克风)。在这个意义上,声学信号提供单元110可以包括被配置为接收所述声学信号的输入单元。
图2示意地且示范地示出了监测系统100的实施例,其中,监测系统100还包括任选的校准单元240,所述校准单元240被配置为将所述至少一个检测信号分量分配给至少一个重建的生理信号或噪声信号。将所述至少一个检测信号分量分配给至少一个重建的生理信号应被理解为能够基于一个所述的检测信号分量或所述的一个检测信号分量的特征与校准信号或校准信号的特征的相关性或相似性执行的映射,其中,特征能够是例如信号强度和频率。另一映射构建方法是根据各种映射进行搜索,使得得到的重建的生理信号或重建的生理信号的特征与校准信号或校准信号的特征具有最大的相似性或相关性。
图3示意地且示范地示出了监测系统100的实施例,其中,监测系统100还包括任选的特征提取单元350,所述特征提取单元350被配置为提供所述检测信号。监测系统100也可以包括校准单元240和特征提取单元350两者。
特征提取单元350可以被配置为执行离散傅里叶变换。特征提取单元350还可以被配置为对多个频率分箱的绝对值取平均,其中,所述多个频率分箱是根据执行所述离散傅里叶变换获得的。备选地和/或额外地,特征提取单元350可以被配置为对多个频率分箱的平方值取平均,其中,所述多个频率分箱是根据执行所述离散傅里叶变换获得的。
图4示意地且示范地示出了监测系统100的实施例,其中,监测系统100还包括任选的预处理单元460,所述预处理单元460被配置为接收所述声学信号。监测系统100也可以包括校准单元240、特征提取单元350和预处理单元460中的全部或仅一些。
预处理单元460可以被配置为对所述声学信号执行下采样步骤。预处理单元460可以包括高通滤波器单元,所述高通滤波器单元被配置为将高通滤波器应用于从所述下采样步骤获得的信号。
图5示意地且示范地示出了监测系统100的实施例,其中,监测系统100还包括任选的显示单元570,所述显示单元570被配置为显示以下中的至少一个:所述声学信号和所述至少一个重建的生理信号或噪声信号。监测系统100也可以包括校准单元240、特征提取单元350、预处理单元460和显示单元570中的全部或仅一些。
图6示意地且示范地示出了监测系统100的实施例,其中,监测系统100还包括任选的存储单元680,所述存储单元680被配置为存储以下中的至少一个:所述声学信号和所述至少一个信号分量。监测系统100也可以包括校准单元240、特征提取单元350、预处理单元460、显示单元570和存储单元680中的全部或仅一些。
图7示意地且示范地示出了监测系统100的实施例,其中,监测系统100还包括任选的重建的生理信号或噪声信号提供单元790,所述重建的生理信号或噪声信号提供单元790被配置为提供所述至少一个重建的生理信号或噪声信号。监测系统100也可以包括校准单元240、特征提取单元350、预处理单元460、显示单元570、存储单元680和重建的生理信号或噪声信号提供单元790中的全部或仅一些。重建的生理信号提供单元790可以包括输出单元。
图8示意地且示范地示出了监测方法800的实施例。在步骤810中,提供表示对象的至少一个生理变量的声学信号。在步骤820中,检测信号被分解成至少一个检测信号分量,其中,所述检测信号是基于所述声学信号的。在步骤830中,所述至少一个生理变量是从至少一个重建的生理信号导出的,其中,所述重建的生理信号是基于所述至少一个检测信号分量的。
声学信号可以在对象的胸部上借助于可穿戴换能器来采集。作为一范例,采集系统可以包括被放置在单头低成本听诊器的铝制胸片中的微小(2.59×2.59mm)圆柱形麦克风。麦克风可以提供有RFI抑制。轻量且扁平的听诊器胸片可以通过双侧医学胶带圈被附接到胸部的左上侧以便连续监测。在现场核查测量的情况下,胸片可以在所需的时间内被保持在适当位置。
被提取的音频信号能够被建模为:
其中,a(t)是胸壁处的信号记录器,l(t)是与肺音有关的分量,h(t)是与心音有关的分量,是与生物学干扰(如喘息声、噼啪声、吞咽声音等)和非生物学干扰(如60HZ、环境噪声等)有关的噪声分量,t指代时间。应当注意,参数p不一定是已知的。
图9示意地且示范地示出了监测布置900的实施例。声学信号通过被附接到患者的胸部的一个或多个传感器905来采集,并且随后例如经由标准音频连接器915被传送给监测系统100,其中,它可以如在上面描述的那样被下采样并且被处理。监测系统100根据原始音频信号计算特征,并且借助于分解技术基于原始声学信号来提取表示检测信号的不同检测信号分量的多个时间系列。这些不同的检测信号分量被组合以创建重建的生理信号,所述重建的生理信号被用于提取生理变量(例如,呼吸参数和心脏参数),所述生理变量可以被存储在存储设备680中和/或被显示在监测布置900的屏幕570上。
图10示意地且示范地示出了监测布置1000的实施例,所述监测布置100包括监测系统100的实施例。声学信号a(t)通过被放置在对象的胸部上的声学传感器1005来采集,并且借助于输入端口(未示出)被提供给监测系统100,在本实施例中所述输入端口可以被认为是用于上面描述的声学信号提供单元110的范例。声学信号a(t)首先由预处理单元460进行预处理以降低进一步的步骤的计算复杂性。作为一范例,以44kHz采集的音频信号能够通过下采样单元461被下采样到4kHz。高通滤波器单元462例如以低于50Hz的频率削弱低频信号。得到的信号被指代为d(t)。
当观察呼吸信号的时间演变时,明显的是,开始的发生通常伴随有信号的幅度的增加。胸部音频信号是附加的(肺音、心音和干扰叠加而非彼此遮住)且振荡的。因此,通过在时域中简单地对原始信号求微分来寻找改变是不可能的。以简化形式反映原始信号的局部结构的多个中间信号或特征fi(t)需要被计算以供进一步处理。所述进一步处理的结果是检测信号f(t)。在该实施例中,特征提取单元提供fi(t)作为音频信号的DFT,但是它能够通过由另一计算模块代替DFT计算而由任何检测信号来代替。例如,像梅尔频率倒谱系数的其他谱表示也可以被使用。
特征向量fi(t)是时间的函数,但是它通常具有比下采样的声学信号的采样速率低得多的采样速率。例如,数字化且下采样的声音信号d(t)的离散傅里叶变换能够在25ms的汉明窗口中使用Goertzel算法来计算,其中,相继的窗口之间具有50%的交叠。DFT被计算,指定100至800Hz的频率范围和5Hz的分箱分辨率。所指定的频率被四舍五入至与信号的分辨率相当的最近的DFT分箱。对应于范围100至800Hz内的141个频率分箱的总共141个个体项然后针对每个窗口进行计算,并且被取平均以创建具有得到的79Hz的采样速率的特征向量fi(t),这足以表示呼吸信号和心脏信号。在从胸部音频信号提取的特征的时间系列中,关于原始声学信号a(t)的分量的所有相关信息仍然被保存。在这种情况下,特征向量被减少至单个分量(即,每个采样时刻一个单个值),并且因此下标i在其余部分中被省略。
特征向量f(t)然后通过检测信号分解单元120进行处理,所述检测信号分解单元120将其分成多个附加的时间系列,其中,每个时间系列能够被容易地识别为感兴趣信号(呼吸信号和心脏信号)的部分、或为干扰的部分。应当注意,检测信号分解单元120可以从任选的另外的传感器1010接收并处理信息。任选的另外的传感器1010可以涉及能够检测身体姿势或所执行的活动的加速度计、智能手机的内部传感器、或整个智能手机本身。还应当注意,检测信号分解单元120可以从任选的先验知识的单元1020接收并处理信息。例如,先验知识单元1020可以提供在校准程序期间采集的信息,以便找到对重建呼吸信号和/或心脏信号有用的那些检测信号分量。先验知识单元1020还可以提供边界信息,例如,如果对象正在休息,呼吸也应当显示在呼气与吸气之间的暂停相位。将检测信号分量分配给各自的重建的生理信号可以由任选的校准单元240来执行。
在该实施例中使用的一种可能的分解技术是奇异谱分析(SSA),由于其通用性且易于在自动程序中使用。SSA实际上只要求选择一个参数:在那里计算分量的窗口长度L。其他分解技术(例如,经验模式分解(EMD))也可以被使用。
分解的信号然后被分组,以便重建有意义的信号以供进一步分析:重建的生理信号和噪声信号;一些分解的信号分量可以一起被放弃。具体地,重建的生理信号s1(t)表示具有对应于最大吸气(呼气)流量的点的正(负)峰值的流量的估计结果。关于呼吸标记的信息在零交叉中被捕获。
在信号的符号从正改变为负的情况下发生的零交叉对应于呼气相位开始;另一方面,在符号从负改变为正的情况下的零交叉对应于吸气开始。重建的生理信号s2(t)、s3(t)、s4(t)和s6(t)表示具有标记呼吸开始的最小值和标记最大流量点的最大值的呼吸信号。
重建的生理信号s5(t)对应于与心跳声音对应的最大值位于那里的心脏信号。得到的信号中的一个或多个被输入到生理变量提供单元130的专用的估计单元130a、……、130f。专用的估计单元130a、……、130f输出与呼吸活动和心脏活动有关的多个生理参数。
这些单元能够在概念上被分开,但是也可以仅被实现为单个单元。单元130a、……、130f也可以以如下方式被配置:方框中的一些正在以连续监测模式进行操作,同时其他方框仅在特定时间处被运行,例如,被用户或另一触发器触发。
用于估计单元的范例是呼吸速率(RR)单元130a和呼吸标记单元130b,所述呼吸速率(RR)单元130a计算瞬时呼吸速率,所述呼吸标记单元130b计算用于例如吸气开始和呼气开始的时间标记。心率(HR)单元130c使用主要重建的生理信号s5(t)来确定心率和/或相对等的或导出的量度(如心跳间间隔或心率变异性)。咳嗽检测单元130d拾取一个或多个分解的信号部分以检测咳嗽发生。它输出例如咳嗽时间戳或咳嗽速率。异常声音单元130e检测是否存在异常声音。如果存在异常声音,则用信号传达发生的时间标记可以被生成,这些发生的频率可以被计算,并且声音片段可以被存储以供医生随后检查。流量估计单元130f通过使用与呼吸行为有关的信号来估计流率。利用原始音频信号和检测函数的积分也可以被使用。
图11示意地且示范地示出了重建的生理信号s1(t)、s2(t)、s3(t)和s4(t)以及声学信号1110和参考信号1150。在所示出的范例中,参考信号1150可以从测量胸部扩张以由此区分吸气相位和呼气相位的胸带获得。在所示出的范例中,吸气相位的开始通过参考信号最小值1151、1153来指示,而吸气相位的结束(和呼气相位的开始)通过参考信号最大值1152来指示。根据标记和重建的信号波,能够估计感兴趣的变量(例如,呼吸速率、相位持续时间以及流量)。具体地,重建的生理信号s1(t)中的最大值(最小值)对应于最大吸气(呼气)流量峰值。重建的生理信号s2(t)、s3(t)和s4(t)中的最小值对应于呼吸的开始,最大值对应于最大流量峰值。根据所述重建的生理信号s1(t)、s2(t)、s3(t)和s4(t),标记1100a、……、1100e被确定,所述标记1100a、……、1100e可以继而用于导出吸气相位和呼气相位的各自的开始和结束。在所示出的范例中,标记1100a、……、1100e对应于重建的生理信号s2(t)、s3(t)和s4(t)的各自的最大值和最小值。根据各自的标记位置处的信号分量幅度,然后可以确定例如标记是否指示吸气相位的开始(对应于大幅度)或呼气相位的开始(对应于较小幅度)。即,通过根据声学信号1110计算标记1100a,可以导出吸气相位的开始。标记1100b标示吸气流量的最大值。接下来,通过根据声学信号1110计算标记1100c,可以导出呼气相位的开始。标记1100d标示呼气流量的最大值。接下来,通过根据声学信号1110计算标记1100e,可以导出另一吸气相位的开始。
图12示意地且示范地示出了重建的生理信号s5(t)以及声学信号1110和参考信号1230。在所示出的范例中,参考信号1230可以通过测量ECG来获得。在所示出的范例中,重建的生理信号s5(t)的局部最大值指示能够从其估计心率的心音。
图13示意地且示范地示出了重建的检测函数1340以及声学信号1110。ca.61.3秒附近的峰值对应于图11中的最大吸气流量峰值1100b(吸气相位期间的最大声响时刻)。ca.61.5和ca.64.5附近的检测函数的第二峰值和第三峰值对应于反映半月瓣的闭合的S2心音,并且在与T波对应的ECG中可见。
图14示意地且示范地示出了监测系统1400的另外的实施例。音频信号从声学信号提供单元1410输出,并且被提供给特征提取单元1450。特征提取单元1450提取检测信号,并且将所述检测信号提供给分解单元1420。分解单元1420可以执行例如SSA算法。分解单元1420将检测信号分量提供给校准单元1440。校准单元1440将重建的生理信号和噪声信号提供给生理提供单元1430a、1430b、……,生理提供单元1430a、1430b、……然后提供期望的生理变量。
本发明的范例性应用是在旨在计算不健康对象中的呼吸参数和心脏参数的估计结果的任何基于胸部的系统中,其中,扩展的模型需要应付在检查下可能存在于声学信号中的异常性。假设本发明也可以与健康对象一起使用。利用所提出的系统和方法,呈现了对使用专用且复杂的滤波器组的通用备选方案。所提出的系统和方法要求对参数的最小设置,并且可以在不知晓存在于所采集的信号中的干扰的确切数量或性质的情况下被使用。该系统的长处是其便携性和最小干扰性。
本发明的另外的范例性应用是在连续患者监测中,所述连续患者监测包括:对患者的生命体征的家庭监测、对患者的生命体征的医院监测、支持对婴儿和儿童之中的肺炎的诊断的鲁棒的且花费得起的自动呼吸速率监测器。
本发明的另外的范例性应用是在现场核查患者监测中,所述现场核查患者监测包括:生命体征摄像机应用的扩展、呼吸困难分数计算、以及呼吸技术教导系统。呼吸速率和TI/TE比的趋势也可以在一些应用中关于教导呼吸策略是有益的。相比于增加VT或减慢RR的一般教导指令,直接强调呼吸参数(具体为强调呼气时间)可以更有效,这是因为有关于吸气时间的延长的呼气时间将可能会减少空气捕获,并且针对患有阻塞性通气紊乱的那些减少动态过度膨胀,并且提供对呼吸困难的减轻。
本发明的另外的范例性应用是在护理者/护士决策支持系统的背景下,包括连接换能器并下载专用的智能手机应用程序,使得任何智能手机都能够成为低成本电子听诊器。这能够用于固定患者的第一次自动筛查,或者用于支持护士的决策制定(对偶发的呼吸声音的识别和分类、血压检测系统)。
本发明的另外的范例性应用是在保持自动症状日志(例如,咳嗽事件、打鼾事件的次数、HR、RR等)的自护理处理支持系统的背景下。对于像季节性咳嗽和发烧的较小重要性的疾病,人(尤其是年轻人)常常忍住而不打电话给医生,认为症状将会在几天后结束。这种行为大多数是由于缺少去看医生的时间造成的。本发明能够用于研发这样的系统:所述系统(1)要求患者(或代表他的另一人)使用被连接到智能手机的听诊器记录(来自胸部中的不同位置的)呼吸声音;(2)要求符合症状-形式(温度、症状等);(3)经由电子邮件将采集的数据发送给医生。
本领域技术人员通过研究附图、公开内容以及权利要求,在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。
单个单元或设备可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中,但是这并不指示不能有利地使用这些措施的组合。
计算机程序可以被存储/分布在合适的介质上,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,但是也可以被以其他形式分布,例如经由互联网或其他有线或无线的电信系统。术语“计算机程序”也可以指的是嵌入式软件。
权利要求中的任何附图标记都不应被解释为对范围的限制。
本发明涉及能够间接监测呼吸变量和心脏变量的系统和方法。提出了对从胸部音频信号提取的特征的时间系列的分解技术。所提出的监测系统可以借助于可穿戴换能器采集对象的胸部上的声学信号。所提出的系统可以估计多个生理变量,例如,呼吸速率、吸气和呼气标记、以及与心脏有关的变量。咳嗽和呼吸暂停检测、偶发性声音识别、所执行的活动以及关于被监测对象的状况的信息也能够被导出。
Claims (14)
1.一种监测系统(100),包括:
声学信号提供单元(110),其提供指示对象的至少一个生理变量的声学信号,
特征提取单元(350),其被配置为基于对所述声学信号的谱分析来提供检测信号,其中,所述检测信号是时域中以简化形式反映所述声学信号的局部结构的信号;
检测信号分解单元(120),其被配置为将所述检测信号分解成至少一个检测信号分量;以及
生理变量提供单元(130),其被配置为从至少一个重建的生理信号导出所述至少一个生理变量,其中,所述至少一个重建的生理信号是基于所述至少一个检测信号分量的。
2.根据权利要求1所述的监测系统(100),其中,所述检测信号分解单元(120)被配置为分解所述检测信号,使得对所述检测信号的分解是数据驱动的。
3.根据权利要求1或2所述的监测系统(100),其中,所述检测信号分解单元(120)被配置为执行奇异谱分析和/或经验模式分解中的至少一个。
4.根据权利要求1至3中的任一项所述的监测系统(100),其中,所述监测系统(100)被配置为在至少一小时、十小时、和/或一天的时间段内监测所述对象。
5.根据权利要求1所述的监测系统(100),其中,所述声学信号提供单元(110)包括非干扰性放置的、被配置为采集所述声学信号的传感器。
6.根据权利要求1至5中的任一项所述的监测系统(100),其中,所述监测系统(100)还包括校准单元(240),所述校准单元被配置为将所述至少一个检测信号分量分配给所述至少一个重建的生理信号,其中,所述至少一个重建的生理信号包括以下中的至少一个:(i)流量估计信号、(ii)呼吸信号、和/或(iii)心脏信号。
7.根据权利要求1至5中的任一项所述的监测系统(100),其中,所述监测系统(100)还包括校准单元(240),所述校准单元被配置为基于关于生理信号和所述生理信号的特征的先验知识将所述至少一个检测信号分量分配给所述至少一个重建的生理信号。
8.根据权利要求1至7中的任一项所述的监测系统(100),其中,所述特征提取单元(350)被配置为基于所述声学信号的离散傅里叶变换来提供所述检测信号。
9.根据权利要求6所述的监测系统(100),其中,所述特征提取单元(350)被配置为通过对根据所述声学信号的所述离散傅里叶变换获得的多个频率分箱的绝对值取平均来提供所述检测信号。
10.根据权利要求1至9中的任一项所述的监测系统(100),其中,所述监测系统(100)还包括预处理单元(460),所述预处理单元被配置为接收所述声学信号,其中,所述预处理单元(460)被配置为对所述声学信号执行下采样步骤,其中,所述预处理单元(460)包括高通滤波器单元,所述高通滤波器单元被配置为将高通滤波器应用于从所述下采样步骤获得的信号。
11.根据权利要求1至10中的任一项所述的监测系统(100),其中,所述监测系统(100)还包括显示单元(570),所述显示单元被配置为显示以下中的至少一个:所述声学信号、所述至少一个检测信号分量、和/或所述至少一个重建的生理信号。
12.根据权利要求1至11中的任一项所述的监测系统(100),其中,所述监测系统(100)还包括存储单元(680),所述存储单元被配置为存储以下中的至少一个:所述声学信号、所述至少一个检测信号分量、和/或所述至少一个重建的生理信号。
13.一种监测方法(800),包括:
提供(810)指示对象的至少一个生理变量的声学信号;
基于对所述声学信号的谱分析来提供检测信号,其中,所述检测信号是时域中以简化形式反映所述声学信号的局部结构的信号;
将所述检测信号分解(820)成至少一个检测信号分量;并且
从至少一个重建的生理信号导出(830)所述至少一个生理变量,其中,所述至少一个重建的生理信号是基于所述至少一个检测信号分量的。
14.一种监测计算机程序,所述计算机程序包括程序代码单元,所述程序代码单元用于当所述计算机程序在控制根据权利要求1至12中的任一项所述的监测系统(100)的计算机上运行时令所述监测系统(100)执行根据权利要求13所述的监测方法(800)的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP14197657.1 | 2014-12-12 | ||
EP14197657 | 2014-12-12 | ||
PCT/EP2015/077858 WO2016091612A1 (en) | 2014-12-12 | 2015-11-27 | Acoustic monitoring system, monitoring method, and monitoring computer program |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106999143A true CN106999143A (zh) | 2017-08-01 |
CN106999143B CN106999143B (zh) | 2020-08-04 |
Family
ID=52101138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580067489.7A Active CN106999143B (zh) | 2014-12-12 | 2015-11-27 | 声学监测系统、监测方法和监测计算机程序 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10898160B2 (zh) |
EP (1) | EP3229692B1 (zh) |
JP (1) | JP6721591B2 (zh) |
CN (1) | CN106999143B (zh) |
RU (1) | RU2017124900A (zh) |
WO (1) | WO2016091612A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108294756A (zh) * | 2018-01-25 | 2018-07-20 | 广州医科大学附属第医院 | 一种用于随身携带的咳嗽监测装置及系统 |
CN108742628A (zh) * | 2018-06-12 | 2018-11-06 | 南京瀚雅健康科技有限公司 | 一种呼吸检测方法 |
CN110477944A (zh) * | 2018-05-15 | 2019-11-22 | 埃尔戈索尼有限公司 | 用于转换身体信号的方法和装置 |
CN111028862A (zh) * | 2019-12-17 | 2020-04-17 | 北京海益同展信息科技有限公司 | 处理语音数据的方法、装置、计算机设备和存储介质 |
CN111867475A (zh) * | 2018-02-13 | 2020-10-30 | 慢迈公司 | 次声生物传感器系统和方法 |
CN113543720A (zh) * | 2019-02-27 | 2021-10-22 | 皇家飞利浦有限公司 | 声学感测装置和方法 |
CN116473521A (zh) * | 2023-06-21 | 2023-07-25 | 四川大学华西医院 | 疑似环杓关节脱位声音频谱识别方法及系统 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10475530B2 (en) | 2016-11-10 | 2019-11-12 | Sonde Health, Inc. | System and method for activation and deactivation of cued health assessment |
WO2018213360A1 (en) * | 2017-05-16 | 2018-11-22 | San Diego State University Research Foundation | Method and system for monitoring a subject in a sleep or resting state |
CN107545906B (zh) * | 2017-08-23 | 2021-01-22 | 京东方科技集团股份有限公司 | 肺音信号处理方法、处理设备以及可读存储介质 |
WO2019139850A1 (en) * | 2018-01-12 | 2019-07-18 | Cardiac Pacemakers, Inc. | Discharge readiness assessment |
TWI646942B (zh) | 2018-02-06 | 2019-01-11 | 財團法人工業技術研究院 | 肺音監測裝置及肺音監測方法 |
GB201803994D0 (en) * | 2018-03-13 | 2018-04-25 | Univ Oxford Innovation Ltd | Method and apparatus for monitoring a human or animal subject |
WO2020041167A2 (en) | 2018-08-20 | 2020-02-27 | Thomas Jefferson University | Acoustic sensor and ventilation monitoring system |
US11000191B2 (en) | 2018-08-20 | 2021-05-11 | Thomas Jefferson University | Acoustic sensor and ventilation monitoring system |
US11213225B2 (en) | 2018-08-20 | 2022-01-04 | Thomas Jefferson University | Acoustic sensor and ventilation monitoring system |
US10847177B2 (en) | 2018-10-11 | 2020-11-24 | Cordio Medical Ltd. | Estimating lung volume by speech analysis |
US10706329B2 (en) | 2018-11-13 | 2020-07-07 | CurieAI, Inc. | Methods for explainability of deep-learning models |
US11011188B2 (en) | 2019-03-12 | 2021-05-18 | Cordio Medical Ltd. | Diagnostic techniques based on speech-sample alignment |
US11024327B2 (en) | 2019-03-12 | 2021-06-01 | Cordio Medical Ltd. | Diagnostic techniques based on speech models |
US11229369B2 (en) * | 2019-06-04 | 2022-01-25 | Fitbit Inc | Detecting and measuring snoring |
US11793453B2 (en) | 2019-06-04 | 2023-10-24 | Fitbit, Inc. | Detecting and measuring snoring |
US11948690B2 (en) * | 2019-07-23 | 2024-04-02 | Samsung Electronics Co., Ltd. | Pulmonary function estimation |
US11484211B2 (en) | 2020-03-03 | 2022-11-01 | Cordio Medical Ltd. | Diagnosis of medical conditions using voice recordings and auscultation |
US11417342B2 (en) | 2020-06-29 | 2022-08-16 | Cordio Medical Ltd. | Synthesizing patient-specific speech models |
US11751774B2 (en) | 2020-11-12 | 2023-09-12 | Unitedhealth Group Incorporated | Electronic auscultation and improved identification of auscultation audio samples |
US11545256B2 (en) | 2020-11-12 | 2023-01-03 | Unitedhealth Group Incorporated | Remote monitoring using an array of audio sensors and improved jugular venous pressure (JVP) measurement |
US20230074574A1 (en) * | 2021-09-04 | 2023-03-09 | Lloyd E. Emokpae | Wearable multi-modal system for remote monitoring of patients with chronic obstructive pulmonary disease |
CN117367570B (zh) * | 2023-11-02 | 2024-04-12 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1686566A2 (en) * | 2005-04-29 | 2006-08-02 | Phonak AG | Sound processing with frequency transposition |
CN101087559A (zh) * | 2004-12-23 | 2007-12-12 | 雷斯梅德有限公司 | 从呼吸信号中检测和区别呼吸模式的方法 |
CN201361029Y (zh) * | 2009-01-14 | 2009-12-16 | 周洪建 | 便携式睡眠呼吸暂停检测分析仪 |
WO2010066008A1 (en) * | 2008-12-10 | 2010-06-17 | The University Of Queensland | Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index |
US7751878B1 (en) * | 2004-11-10 | 2010-07-06 | Sandia Corporation | Real-time human collaboration monitoring and intervention |
CN102302373A (zh) * | 2011-06-30 | 2012-01-04 | 重庆大学 | 基于复用多分辨率小波变换的心音信号特征点检测方法 |
CN102469978A (zh) * | 2009-07-07 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 呼气吸气信号的降噪 |
CN102750952A (zh) * | 2011-04-18 | 2012-10-24 | 索尼公司 | 声音信号处理装置、方法和程序 |
CN103228211A (zh) * | 2010-09-22 | 2013-07-31 | 大学健康网络 | 用于呼吸监测和诊断的面罩和方法 |
WO2014036263A1 (en) * | 2012-08-29 | 2014-03-06 | Brown University | An accurate analysis tool and method for the quantitative acoustic assessment of infant cry |
US20140126732A1 (en) * | 2012-10-24 | 2014-05-08 | The Johns Hopkins University | Acoustic monitoring system and methods |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2394357C (en) | 1999-12-17 | 2014-04-22 | University Of Guelph | Modified leukotoxin gene and protein |
FR2823660A1 (fr) * | 2001-04-18 | 2002-10-25 | Pneumopartners | Dispositif d'aide a l'analyse de bruits adventices |
WO2003079891A2 (en) * | 2002-03-18 | 2003-10-02 | Sonomedica, Llc | Method and system for generating a likelihood of cardiovascular disease from analyzing cardiovascular sound signals. |
JP2005066045A (ja) * | 2003-08-25 | 2005-03-17 | Konica Minolta Medical & Graphic Inc | 音データ処理装置及びプログラム |
EP1680166B1 (en) | 2003-10-17 | 2019-09-18 | ResMed Pty Ltd | Apparatus for heart failure treatment |
US20070118054A1 (en) * | 2005-11-01 | 2007-05-24 | Earlysense Ltd. | Methods and systems for monitoring patients for clinical episodes |
CA2464029A1 (en) * | 2004-04-08 | 2005-10-08 | Valery Telfort | Non-invasive ventilation monitor |
US8323189B2 (en) | 2006-05-12 | 2012-12-04 | Bao Tran | Health monitoring appliance |
US20110098583A1 (en) | 2009-09-15 | 2011-04-28 | Texas Instruments Incorporated | Heart monitors and processes with accelerometer motion artifact cancellation, and other electronic systems |
US8103483B2 (en) | 2008-10-08 | 2012-01-24 | DynaDx Corporation | Accurate detection of sleep-disordered breathing |
US20110295138A1 (en) * | 2010-05-26 | 2011-12-01 | Yungkai Kyle Lai | Method and system for reliable inspiration-to-expiration ratio extraction from acoustic physiological signal |
GB201011816D0 (en) | 2010-07-14 | 2010-09-01 | Imp Innovations | Feature characterization for breathing monitor |
BR112013017071A2 (pt) * | 2011-01-05 | 2018-06-05 | Koninl Philips Electronics Nv | método para detectar e aparelho para determinar uma indicação de qualidade da vedação para uma vedação de um canal auditivo. |
US20120184825A1 (en) * | 2011-01-17 | 2012-07-19 | Meir Ben David | Method for detecting and analyzing sleep-related apnea, hypopnea, body movements, and snoring with non-contact device |
US20120253216A1 (en) | 2011-03-30 | 2012-10-04 | Yongji Fu | Respiration analysis using acoustic signal trends |
CA2907020A1 (en) * | 2013-03-15 | 2014-09-18 | Andreas Jorg Schriefl | Automated diagnosis-assisting medical devices utilizing rate/frequency estimation and pattern localization of quasi-periodic signals |
-
2015
- 2015-11-27 CN CN201580067489.7A patent/CN106999143B/zh active Active
- 2015-11-27 WO PCT/EP2015/077858 patent/WO2016091612A1/en active Application Filing
- 2015-11-27 RU RU2017124900A patent/RU2017124900A/ru not_active Application Discontinuation
- 2015-11-27 EP EP15801172.6A patent/EP3229692B1/en active Active
- 2015-11-27 JP JP2017530020A patent/JP6721591B2/ja active Active
- 2015-11-27 US US15/534,627 patent/US10898160B2/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7751878B1 (en) * | 2004-11-10 | 2010-07-06 | Sandia Corporation | Real-time human collaboration monitoring and intervention |
CN101087559A (zh) * | 2004-12-23 | 2007-12-12 | 雷斯梅德有限公司 | 从呼吸信号中检测和区别呼吸模式的方法 |
EP1686566A2 (en) * | 2005-04-29 | 2006-08-02 | Phonak AG | Sound processing with frequency transposition |
WO2010066008A1 (en) * | 2008-12-10 | 2010-06-17 | The University Of Queensland | Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index |
CN201361029Y (zh) * | 2009-01-14 | 2009-12-16 | 周洪建 | 便携式睡眠呼吸暂停检测分析仪 |
CN102469978A (zh) * | 2009-07-07 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 呼气吸气信号的降噪 |
CN103228211A (zh) * | 2010-09-22 | 2013-07-31 | 大学健康网络 | 用于呼吸监测和诊断的面罩和方法 |
CN102750952A (zh) * | 2011-04-18 | 2012-10-24 | 索尼公司 | 声音信号处理装置、方法和程序 |
CN102302373A (zh) * | 2011-06-30 | 2012-01-04 | 重庆大学 | 基于复用多分辨率小波变换的心音信号特征点检测方法 |
WO2014036263A1 (en) * | 2012-08-29 | 2014-03-06 | Brown University | An accurate analysis tool and method for the quantitative acoustic assessment of infant cry |
US20140126732A1 (en) * | 2012-10-24 | 2014-05-08 | The Johns Hopkins University | Acoustic monitoring system and methods |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108294756A (zh) * | 2018-01-25 | 2018-07-20 | 广州医科大学附属第医院 | 一种用于随身携带的咳嗽监测装置及系统 |
CN111867475A (zh) * | 2018-02-13 | 2020-10-30 | 慢迈公司 | 次声生物传感器系统和方法 |
CN110477944A (zh) * | 2018-05-15 | 2019-11-22 | 埃尔戈索尼有限公司 | 用于转换身体信号的方法和装置 |
CN108742628A (zh) * | 2018-06-12 | 2018-11-06 | 南京瀚雅健康科技有限公司 | 一种呼吸检测方法 |
CN113543720A (zh) * | 2019-02-27 | 2021-10-22 | 皇家飞利浦有限公司 | 声学感测装置和方法 |
CN111028862A (zh) * | 2019-12-17 | 2020-04-17 | 北京海益同展信息科技有限公司 | 处理语音数据的方法、装置、计算机设备和存储介质 |
CN111028862B (zh) * | 2019-12-17 | 2022-09-06 | 京东科技信息技术有限公司 | 处理语音数据的方法、装置、计算机设备和存储介质 |
CN116473521A (zh) * | 2023-06-21 | 2023-07-25 | 四川大学华西医院 | 疑似环杓关节脱位声音频谱识别方法及系统 |
CN116473521B (zh) * | 2023-06-21 | 2023-08-18 | 四川大学华西医院 | 疑似环杓关节脱位声音频谱识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
RU2017124900A (ru) | 2019-01-14 |
JP2017536905A (ja) | 2017-12-14 |
RU2017124900A3 (zh) | 2019-06-18 |
US20170325779A1 (en) | 2017-11-16 |
US10898160B2 (en) | 2021-01-26 |
JP6721591B2 (ja) | 2020-07-15 |
EP3229692B1 (en) | 2019-06-12 |
WO2016091612A1 (en) | 2016-06-16 |
CN106999143B (zh) | 2020-08-04 |
EP3229692A1 (en) | 2017-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106999143A (zh) | 声学监测系统、监测方法和监测计算机程序 | |
US20210219925A1 (en) | Apparatus and method for detection of physiological events | |
US20210113099A1 (en) | Wireless medical sensors and methods | |
US7559903B2 (en) | Breathing sound analysis for detection of sleep apnea/popnea events | |
CN103841888B (zh) | 使用呼吸模式识别的呼吸暂停和呼吸不足检测 | |
CA2809764C (en) | Systems and methods for respiratory event detection | |
US20120172676A1 (en) | Integrated monitoring device arranged for recording and processing body sounds from multiple sensors | |
US10506969B2 (en) | Acoustic upper airway assessment system and method, and sleep apnea assessment system and method relying thereon | |
US20080082018A1 (en) | Systems and methods for respiratory event detection | |
US20080281219A1 (en) | Method and System for Assessing Lung Condition and Managing Mechanical Respiratory Ventilation | |
CN103228211A (zh) | 用于呼吸监测和诊断的面罩和方法 | |
CA2585824A1 (en) | Breathing sound analysis for detection of sleep apnea/hypopnea events | |
CN108348175A (zh) | 非侵入性呼吸监测 | |
Guul et al. | Portable prescreening system for sleep apnea | |
KR102531679B1 (ko) | 호흡기 질환 센싱 패치 및 시스템, 그리고 호흡기 질환 정보 제공 방법 | |
Hill | Development of an acoustic respiratory monitor | |
Huq | Automatic breath phase detection using only tracheal breath sounds | |
CA2717270A1 (en) | Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |