CN109475311B - 确定受试者周期性生理过程频率的方法、装置和系统 - Google Patents

确定受试者周期性生理过程频率的方法、装置和系统 Download PDF

Info

Publication number
CN109475311B
CN109475311B CN201780028617.6A CN201780028617A CN109475311B CN 109475311 B CN109475311 B CN 109475311B CN 201780028617 A CN201780028617 A CN 201780028617A CN 109475311 B CN109475311 B CN 109475311B
Authority
CN
China
Prior art keywords
extracted
modulation
frequency
modulations
quality parameter
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.)
Active
Application number
CN201780028617.6A
Other languages
English (en)
Other versions
CN109475311A (zh
Inventor
戴维·安德鲁·克利夫顿
德鲁·伯伦科特
莱昂内尔·塔拉塞恩科
马尔科·皮门特尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Oxford University Innovation Ltd
Original Assignee
Oxford University Innovation Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Oxford University Innovation Ltd filed Critical Oxford University Innovation Ltd
Publication of CN109475311A publication Critical patent/CN109475311A/zh
Application granted granted Critical
Publication of CN109475311B publication Critical patent/CN109475311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • A61B5/02—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
    • 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
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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
    • A61B5/0809—Detecting, measuring or recording devices for evaluating the respiratory organs by impedance pneumography
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Abstract

公开了用于确定受试者的周期性生理过程的频率，特别是呼吸率或心率，的方法、装置和系统。在一种设置中，获得生理数据的多个时间窗口。识别对应于调制模式的基准特征(S2)。提取基准特征的调制(S3)。通过处理提取的调制获得质量参数(S4)。质量参数表示提取的调制在多强的程度上体现出周期性生理过程的波形。处理提取的调制以计算受试者的周期性生理过程的频率(S6、S8、S11)。周期性生理过程的频率可以仅使用提取的调制的子集来计算(S5、S9)，该子集使用质量参数来选择；或者周期性生理过程的频率也可使用所提取的调制的组合来计算(S7、S10)，其中，每个提取的调制具有由提取的调制的质量参数定义的加权。

Description

确定受试者周期性生理过程频率的方法、装置和系统
技术领域
本发明涉及测量周期性生理过程的频率，特别是呼吸率或心率。
背景技术
虽然临床上对能够监测呼吸率的技术的需求是显而易见的，但是目前很少有方法能够可靠、舒适且经济地实现这一目的。虽然已有许多技术，包括肺活量计、鼻热电偶、经胸廓的电感、经胸廓的阻抗体积描记法、二氧化碳图和应变计用于监测呼吸率，但它们都需要特殊设备，且未必适合通常的医院环境。其中，经胸廓的阻抗体积描记法(transthoracicimpedance plethysmography,TTI)和二氧化碳图是最常用的临床使用方法；然而，两者都不理想。由于电极-皮肤阻抗不稳定性和由电极凝胶引起的皮肤刺激，TTI可靠性低。二氧化碳图是侵入性的，难以快速设置和使用。
鉴于这些挑战，为了连续监测呼吸率，需要从已经普遍从医院患者收集的生理信号中提取出呼吸率。虽然医院中使用了许多不同的电子监测技术，但两种最普遍存在的技术是心电图(ECG)和光电容积脉搏波描记法(PPG)，它们用于收集心率数据和血氧饱和度(仅限SpO2、PPG)。事实上，这些技术十分普遍，以至于建议普通病房的所有患者也应连续或间歇地进行监测，至少应使用ECG或PPG。之所以医院中大量采用的ECG和PPG具有特别的意义，是因为已广泛显示，心率和循环系统节律是由呼吸率通过神经系统和胸腔内由呼吸引起的身体变化这两者所引发的反应来进行生理调制的。
虽然呼吸有许多调制(modulation)，使得可以在ECG上观察-呼吸性窦性心律不齐(respiratory sinus arrhythmia,RSA)、R波峰值幅度(R-wave peak amplitude,RPA)和R波面积(R-wave area,RWA)-以及PPG的-呼吸引起的幅度变化(respiratory-inducedamplitude variation,RIAV)、呼吸引起的强度变化(respiratory-induced intensityvariation,RIIV)和呼吸引起的频率变化(respiratory-induced frequency variation,RIFV)-但要实际上提取这些测量值并获得医学上有用的呼吸率就更加困难了。已经使用许多不同的方法来尝试从ECG和PPG中提取这些调制中的一个或多个，包括：数字滤波、短时快速傅立叶变换、小波分解、自回归、时频谱估计、主分量分析(principle componentanalysis)和相关熵谱密度(correntropy spectral density)。下面简要描述这些已知方法。
数字滤波：获取呼吸率的最简单方法之一，特别是最常见的是PPG中的RIIV就进行数字滤波。这是因为RIIV表示PPG的DC区域中的独特呼吸信号，而心脏信号位于AC区域中。因此，已经可以通过使用不同的数字滤波器从PPG中提取心脏信号和RIIV信号，以从噪声中取出(remove)所需信号。在使用数字滤波从PPG中检测呼吸率的其中一个第一实例中，发现可以使用带通滤波器提取心脏信号，然后根据估计的心率，可以用截止频率不同的三个低通滤波器之一来检测呼吸信号。大多数情况下，使用数字滤波器的方法使用快速傅立叶变换或简单峰值检测来从PPG中提取呼吸信号。通过时序分析技术，数字滤波已被用于从PPG的RIAV、RIIV和RIFV调制以及ECG的RSA中提取呼吸率。可参见例如K.Nakajima,T.Tamura,T.Ohta,H.Miike和P.A.Oberg.的“使用数字滤波的心率和呼吸率光电容积脉搏波测量(Photoplethysmographic measurement of heart and respiratory rates usingdigital filters)”(生物医学工程协会(Engineering in Medicine and BiologySociety),1993，第15届IEEE年度国际会议论文集，第1006-1007页)，以及P.de Chazal,C.Heneghan,E.Sheridan,R.Reilly,P.Nolan和M.O’Malley的“使用进行睡眠呼吸暂停期的自动分类(Automatic classification of sleep apnea epochs using theelectrocardiogram)”(心脏病学中的计算机2000(Computers in Cardiology 2000)，第745-748页)。
短时快速傅立叶变换(STFFT)：除了简单的数字滤波方法之外，STFFT已被用于估计PPG中RIIV信号的呼吸率。FFT的一个限制是它只能检测数据样本中是否存在某个频率，它无法检测该频率在信号中的位置。相比之下，STFFT使用更小的滑动窗口并在这些窗口上执行顺序FFT。当所有数据被绘制和一起查看时，这允许更精细的时间分辨率以及长期趋势的观察。可参见例如Kirk H Shelley,Aymen A Awad,Robert G Stout和David GSilverman的“联合时频分析在量化通气对脉搏血氧计的影响中的运用(The use of jointtime frequency analysis to quantify the effect of ventilation on the pulseoximeter waveform)”(临床监测与计算期刊(Journal of clinical monitoring andcomputing),20(2):81–87,2006)。
小波分解：连续小波分解和离散小波分解都被用于从ECG和PPG中提取呼吸率。小波分解已广泛用于信号处理，因为它允许时域中信号的时频展开。小波分解方法的工作原理是将输入信号与给定长度的小波函数互相关，并使该函数平移该输入信号的整个长度。然后拉伸小波函数，重复该过程。不断重复，最终可以更精细地理解信号的细节，这在处理长期频率未必均匀的信号时特别有用(即长时间的呼吸率不会保持不变)。可参见例如，W.J.Yi和K.S.Park的“使用小波变换从不知情对象测得的ECG中得出呼吸作用(Derivationof respiration from ecg measured without subject’s awareness using wavelettransform)”(生物医学工程(Engineering in Medicine and Biology),2002，第24届年会和生物医学工程学会年度秋季会议，EMBS/BMES会议，2002；第二次联合会议论文集，第1卷，第1卷第130-131页)，以及PS Addison和JN Watson的“二次小波特征解耦(SWFD)及其在从光电容积脉搏波中检测出患者呼吸的运用(Secondary wavelet feature decoupling(swfd)and its use in detecting patient respiration from thephotoplethysmogram)”(生物医学工程协会(Engineering in Medicine and BiologySociety),2003，第25届IEEE年度国际会议论文集，第3卷，第2602-2605，IEEE)。
自回归：自回归模型的工作原理是，使用一定数量的前期数据点来解释当期数据点。本质上是线性预测，其中当期值被建模为一定数量(p)的先前值的总和。自回归模型的结果是表示信号中主要频率的多个极点(pole)。利用这些信息，并通过适当的预处理，可以使用最高幅度的极点(信号中最主要的极点)来表示呼吸率。已经使用简单的自回归模型从PPG中提取RIIV信息，以及从ECG中提取RSA和RPA。此外，计算上更先进的方法也有使用自回归作为其呼吸率估计算法的核心，包括ARxCor和ARSpec。可参见例如D.Clifton,M.A.F.Pimentel,A.E.W.Johnson,P.Charlton,S.A.Shah,A.Guazzi和L.Tarassenko的“从脉搏血氧计估算呼吸率(Estimation of respiratory rate from pulse oximeters)”(2015)，以及Syed Ahmar Shah,Susannah Fleming,Matthew Thompson和LionelTarassenko的“入院儿童治疗分类期间的呼吸率估算(Respiratory rate estimationduring triage of children in hospitals)”(医学工程与技术期刊(Journal ofMedical Engineering&Technology),39(8):514–524,2015)。
时频谱估计：时频谱估计，特别是变频复解调(variable-frequency complexdemodulation,VFCDM)已用于从PPG中提取RIIV信号。VFCDM分为两步。第一步是使用复解调将信号分解为正弦调制。第二步是使用前一步骤计算出的中心频率作为主干，以获得整个频谱。可参见例如K.H.Chon,S.Dash和K.Ju的“使用时-频谱估计从光电容积脉搏波估算呼吸率(Estimation of respiratory rate from photoplethysmogram data using time-frequency spectral estimation)”(IEEE生物医学工程学报(IEEE Trans Biomed Eng),56(8):2054–63,2009.1558-2531Chon,Ki H Dash,Shishir Ju,Kihwan；期刊文章研究赞助：美国政府，非公卫局类(non-PHS)，美国IEEE生物医学工程学报2009年8月；56(8):2054-63.doi:10.1109/TBME.2009.2019766.Epub 2009年4月14日)。
主分量分析(Principal Component Analysis,PCA)：PCA是最常用于识别数据模式和减少大型多维数据集维数的方法。然而，通过将个别心搏与PPG或ECG分开，可以获得包含所有个别心搏的特征矩阵，从而可以进行PCA。通过这样做，心搏的维数降低，并且可以提取主分量(principle component,PC)，即包含大部分变化的轴线(axis)。此技术已成功用于从PPG中提取RIIV和RIFV，以及从ECG中提取RPA和RWA。可参见例如K.V.Madhav,M.R.Ram,E.H.Krishna,K.N.Reddy和K.A.Reddy的“从光电容积脉搏波信号的主分量估算呼吸率(Estimation of respiratory rate from principal components ofphotoplethysmographic signals)”(生物医学工程与科学(Biomedical Engineering andSciences，IECBES)，2010IEEE EMBS会议，第311-314页)，以及P.Langley,E.J.Bowers和A.Murray的“以主分量分析作为工具分析ECG特征中的每搏变化(Principal componentanalysis as a tool for analyzing beat-to-beat changes in ecg features:application to ecg-derived respiration)”(IEEE生物医学工程学报(IEEE TransBiomed Eng),57(4):821–9,2010，1558-2531Langley,Philip Bowers,Emma J Murray,Alan期刊文章研究赞助,非美国政府,美国IEEE生物医学工程学报2010年4月；57(4):821-9.doi:10.1109/TBME.2009.2018297.Epub 2009年4月7日)。
相关熵谱密度(Correntropy Spectral Density,CSD)：CSD是用于提取呼吸率的最新技术之一。与标准功率谱密度方法相比，CSD在频谱中提供改进的分辨率。该方法使用相关熵，这是一种可以提供高阶统计信息的相关函数。该方法最近已被用于从PPG数据预测心率和呼吸率。可参见例如A.Garde,W.Karlen,J.M.Ansermino和G.A.Dumont的“从光电容积脉搏波的相关熵谱密度估算呼吸率和心率(Estimating respiratory and heart ratesfrom the correntropy spectral density of the photoplethysmogram)”(公共科学图书馆：综合(PLoS One),9(1):e86427,2014.1932-6203Garde,Ainara Karlen,WalterAnsermino,J Mark Dumont,Guy A,加拿大卫生研究院/加拿大期刊文章研究赞助,非美国政府,美国公共科学图书馆：综合,2014年1月22日；9(1):e86427.doi:10.1371/journal.pone.0086427.eCollection 2014)。
目前，从PPG或ECG中检测出呼吸率的过程分为四步。第一步是从PPG或ECG监测器获取数据。第二步是可选步骤，其目的在于丢弃由于各种因素，包括：引线松脱、信噪比低和引线放置不佳等因素而导致的质量较差的数据。为此，已经衍生出许多用于PPG和ECG的算法。第三步是基于先前描述的ECG和PPG上呼吸率的调制来提取相关的时序特征。第四步是应用上述呼吸率检测算法之一。值得注意的是，这些检测算法中的一些被设计用于特定的呼吸调制(即RIIV)，因此这些方法不需要特征提取；不过，如果首先实施特征提取步骤，则许多这些方法都可以适用于所有六种所述呼吸调制。然而，这种用于提取呼吸率的方法具有许多缺点，这些缺点与针对上述任何一种调制获得的呼吸信号的质量有关。具体地，各调制通常非常微弱，即使在理想情况下也难以检测。此外，对于临床人群而言，几乎不可能实现理想情况，并且通常信号会被噪声伪影破坏。雪上加霜的是，现已普遍发现，ECG和PPG上的特定呼吸调制具有患者特异性，很难预测对于特定患者哪种调制最为适用。例如，一项研究发现，对患者最有效的PPG调制依赖于多种因素，包括性别、体位和呼吸率。对RSA作为生理现象的进一步研究已经表明，其适用高度依赖于已有的健康状况、年龄、水合程度和患者的身体活动水平。除了患者特异性之外，调制也可以在一个患者的记录中有所变化，例如随着时间、健康状况的变化等而出现和消失。
最终，这些缺点表明，无论何种呼吸率提取算法，如果是单独使用，那么即使是性能最佳或最复杂的算法，也可能无法从PPG或ECG中提取所有患者的呼吸率。这个缺点导致研究人员试图通过寻求能够从多种不同的调制中获取呼吸率估计并将它们合并为单一呼吸率的多参数和智能融合方法来加以解决。
当测量其它周期性生理过程(例如心率)时，存在相应的挑战。
发明内容
本发明的一个目的是提供用于测量周期性生理过程的频率(例如呼吸率或心率)的改进的方法和装置。
根据本发明的一个方面，提供了一种确定受试者的周期性生理过程的频率的方法，包括：获得表示所述受试者的生理测量的数据的多个时间窗口；在每个所述时间窗口中，识别对应于所述生理测量的一个或多个调制模式的基准特征；对于每个所述调制模式，在每个所述时间窗口中提取相应基准特征的调制；处理每个提取的调制以获得调制模式和时间窗口的每个组合的质量参数，所述质量参数表示所述提取的调制在多强的程度上表现出周期性生理过程的波形；以及处理所述提取的调制以计算所述受试者的所述周期性生理过程的所述频率，其中：所述周期性生理过程的所述频率仅使用所述提取的调制的子集来计算，所述子集使用所述质量参数选择，所述周期性生理过程的所述频率使用所述提取的调制的组合来计算，每个所述提取的调制具有由所述提取的调制的所述质量参数定义的加权，或者所述周期性生理过程的所述频率仅使用所述提取的调制的子集计算，所述子集使用所述质量参数选择，并且所述周期性生理过程的所述频率使用所述提取的调制的被选中的子集的组合来计算，所述提取的调制的每一个所述被选中的子集具有由所述提取的调制的所述质量参数定义的加权。
发明人已经发现，通过从生理数据(例如ECG或PPG)提取调制之后获得数据质量的定量测度(质量参数)，可以显著改进用于计算周期性生理过程的频率(例如呼吸率或心率)的后续处理的输入。周期性生理过程输出的频率的稳定性和/或准确性可以得到提高。另选地或另外地，实现给定水平的稳定性或准确性所需的处理能力可以降低。例如，可以使用质量参数，在计算周期性生理过程的频率的输入步骤之前对数据进行滤波(例如，通过使用质量参数选择时间窗和/或调制模式)。另选地或另外地，所述质量参数可以用于在计算步骤中应用加权，反映出从特定时间窗口和/或调制模式提取的信息的相对置信度。
发明人已经证明，相比在提取生理数据中的基准特征的调制之前应用的信号质量指数，上述方式可以更准确地将呼吸信号分类为高质量或低质量。发明人进一步证明了，质量参数可以在信号质量不同的多种数据集上有效地工作。
已经发现，通过对提取的调制进行傅里叶变换并且相对目标频率范围内的信号的频谱的特性评估傅立叶变换中的最大波峰的特性来获得质量参数是特别有效的。目标频率范围可以被定义为，例如，周期性生理过程的频率(例如呼吸率或心率)的一组生理似真值。
还发现，通过在表示提取的调制中的主要频率分量的自回归模型所用的传递函数的分母中的多项式的根进行评估来获得质量参数是特别有效的。
还发现，通过评估在相对于彼此有时间移位的所述时间窗口中所述提取的调制的副本之间的最大自相关来获得质量参数是特别有效的。
还发现通过评估Hjorth复杂性来获得质量参数是特别有效的。
还发现使用以下中的一个或多个的组合来获得质量参数是特别有效的：1)对提取的调制进行变换，并相对于整个信号频谱的性质评估傅里叶变换中的最大波峰的性质；2)对在表示提取的调制中的主要频率分量的自回归模型所用的传递函数的分母中的多项式的根进行评估；3)评估在相对于彼此有时间移位的所述时间窗口中所述提取的调制的副本之间的最大自相关；4)评估Hjorth复杂度。
根据一个另选方面，提供了一种确定受试者的周期性生理过程的频率的装置，包括：数据接收单元，被配置为接收表示所述受试者的生理测量的数据的多个时间窗口；数据处理单元，被配置为：在每个所述时间窗口中，识别对应于所述生理测量的一个或多个调制模式的基准特征；对于每个所述调制模式，在每个所述时间窗口中提取相应基准特征的调制；处理每个提取的调制以获得调制模式和时间窗口的每个组合的质量参数，所述质量参数表示所述提取的调制在多强的程度上表现出周期性生理过程的波形；以及处理所述提取的调制以计算所述受试者的所述周期性生理过程的所述频率，其中：所述周期性生理过程的所述频率仅使用所述提取的调制的子集来计算，所述子集使用所述质量参数选择，所述周期性生理过程的所述频率使用所述提取的调制的组合来计算，每个所述提取的调制具有由所述提取的调制的所述质量参数定义的加权，或者所述周期性生理过程的所述频率仅使用所述提取的调制的子集来计算，所述子集使用所述质量参数选择，并且所述周期性生理过程的所述频率使用所述提取的调制的被选中的子集的组合来计算，所述提取的调制的每一个所述被选中的子集具有由所述提取的调制的所述质量参数定义的加权。
根据一个另选方面，提供了一种确定受试者的周期性生理过程的频率的系统，包括：用于根据实施例确定受试者的周期性生理过程的频率的装置，以及可通过网络连接到所述装置的数据处理站，其中，所述系统被配置为根据所述装置确定的所述提取的调制的质量参数，将所述提取的调制的处理在所述装置和所述数据处理站之间进行分配，从而提取所述受试者的所述周期性生理过程的频率。
因此，质量参数可以用于在与受试者非常接近的装置(例如，可以是便携式或低功率装置)以及可能远离受试者的处理站(因此具有更高的功率或处理能力)之间智能地分配处理工作。可以在使装置和处理站之间的数据流量最小和使装置提供的频率确定的准确度之间达成所需的平衡。
附图说明
现在将参照附图，通过示例的方式来进一步描述本发明。
图1示出了用于一个时间窗口x(n)中的提取的调制的示例快速傅立叶变换(fast-Fourier transform,FFT)。实线曲线是FFT频谱。实线垂直线表示从0.83Hz到1Hz的区域，在其中计算总呼吸面积(total respiratory area,TRA)。虚线垂直线表示最大峰值面积(maximum peak area,MPA)的表示聚集在FFT中最大点周围最大的三个点的面积。
图2是赤池信息准则(Akaike’s Information Criterion，AIC)对比自回归模型阶数M的表示。选择理想的模型阶数(由实心圆点表示)作为AIC最小化的点。
图3是示例窗口x(n)的自回归极点的曲线图(曲线图中包括共轭对)。从落入从5次呼吸/分钟到60次呼吸/分钟的区间内(标记为200)的前两个象限中，选择自回归RQI(RQIAR)作为具有最大幅度的极点。如果最大极点落在该区间之外，则将RQIAR设为零。
图4是当考虑自相关RQI(RQIAC)时一个窗口a(n)的自相关的曲线图。自相关值表示初始信号和滞后信号的对齐，其中统一性表示完美自相关。垂直柱表示滞后5.33个样本和40个样本(若采样率为4Hz，则对应于1.33秒和10秒)之间的最大自相关。
图5是显示在CapnoBase数据集上使用PPG数据并使用ARSpec估计算法来确定呼吸率估计与呼吸率标准的绝对差的RQI和SQI的性能的曲线图。性能显示为每个质量参数(RQI)的平均绝对误差(mean absolute error,MAE)值，因为最差质量数据被顺序移除。
图6是显示在CapnoBase数据集上使用ECG数据并使用ARSpec估计算法来确定呼吸率估计与呼吸率标准的绝对差的RQI和SQI的性能的曲线图。性能显示为每个质量参数(RQI)的平均绝对误差(MAE)值，因为最差质量数据被顺序移除。
图7是显示在MIMIC II数据集上使用PPG数据并使用ARSpec估计算法来确定呼吸率估计与呼吸率标准的绝对差的RQI和SQI的性能的曲线图。性能显示为每个质量参数(RQI)的平均绝对误差(MAE)值，因为最差质量数据被顺序移除。
图8是显示在MIMIC II数据集上使用ECG数据并使用ARSpec估计算法来确定呼吸率估计与呼吸率标准的绝对差的RQI和SQI的性能的曲线图。性能显示为每个质量参数(RQI)的平均绝对误差(MAE)值，因为最差质量数据被顺序移除。
图9描绘了根据一实施例的确定生理过程的频率的方法。
图10示出了获取数据的时间窗口，针对时间窗口和调制模式的不同组合提取调制，以及选择提取出的调制的子集。
图11示出了根据一实施例的提取出的调制的子集的选择。
图12描绘了将加权应用于被选中的提取出的调制的子集。
图13是用于确定周期性生理过程的频率的装置的示意性侧视图。
图14描绘了用于确定周期性生理过程的频率的系统。
具体实施方式
在下文中，凡提及受试者的，应理解为提及对可适用周期性生理过程的频率的任何生物有机体。周期性生理过程可以是呼吸率(即呼吸的速率)或心率。受试者通常是人，但也可以是动物。
凡提及生理测量的，应理解为涵盖受试者的生理特性的、能够包含目标周期性生理过程的有关信息的任何测量。如下所述，本发明的实施例尤其适用于心电图测量(下文称为ECG)和光电容积描记测量(下文称为PPG)，并且适用于作为周期性生理过程频率的呼吸率。本发明的实施例还适用于加速度计测量(测量患者移动)。加速度计测量可以使用三轴加速度计来实现。这种加速度计往往在消费者电子设备中有包括。
凡提及数据的时间窗口的，应被理解为包括在特定时间段(时间窗口)期间在不同时间(例如，作为时序)获取的数据。数据可以包括时序数据。
下面描述的任何步骤可以使用适当编程的计算机来执行。计算机程序或包括该计算机程序的计算机程序产品可以提供代码，以指示计算机执行这些步骤。
图9描绘了根据一实施例的确定受试者的周期性生理过程的频率的方法的步骤。图10至图12示出了该方法的示例阶段。
在步骤S1中，获得数据的多个时间窗口21-25。如图10中示意性所示，时间窗口21-25可以通过将数据流20窗口化来提取。在下面描述的详细示例中，描述了八分钟的波形段，作为数据流20的示例，从该八分钟波形段中提取数据的15个唯一、非重叠的32秒时间窗口。在其它实施例中，这些时间窗口可以彼此重叠。
每个时间窗口21-25包含表示对受试者进行的生理测量的数据，例如作为数据点的时序，每个数据点表示在时间窗口21-25内的不同时间进行的测量。该方法可以包括执行生理测量，或者数据的时间窗口也可以从之前进行的测量获得，例如从存储介质或通过网络获得。
在步骤S2中，在每个时间窗口21-25中识别对应于生理测量的一个或多个调制模式的基准特征。基准特征是原始生理测量的可辨识属性，可以用作通过目标周期性生理过程(例如呼吸率)识别生理测量的调制的基准。如下所述，呼吸率可以通过各种机制来影响诸如ECG和PPG的生理测量。不同的调制模式可以对应于不同的机制或机制的不同组合。任何给定调制模式中的调制强度可能根据特定临床情况和患者而有变化，和/或可以随时间变化，这是由于涉及的机制不同。如下面进一步详细描述的，在生理测量包括ECG测量的情况下，基准特征可以包括以下中的一个或多个：Q波最小和R波最大。ECG的调制模式可以包括以下中的一个或多个：呼吸性窦性心律不齐(RSA)、R波峰值幅度(RPA)和R波面积(RWA)。在生理测量包括PPG测量的情况下，基准特征可以包括以下中的一个或多个：PPG测量的波峰和PPG测量的波谷。PPG的调制模式可以包括以下中的一个或多个：呼吸引起的幅度变化(RIAV)、呼吸引起的强度变化(RIIV)和呼吸引起的频率变化(RIFV)。
关于心脏系统的肺调制以及ECG和PPG波形中呼吸系统的可观测调制的起源的进一步细节，将在下文标题为“心脏系统的肺调制”以及“ECG和PPG波形中呼吸系统的可观测调制”的部分中给出。
在步骤S3中，在每个时间窗口中针对一个或多个调制模式中的每一个(例如，RSA、RPA、RWA、RIAV、RIIV和RIFV中的一个或多个)的基准特征提取调制。因此，针对调制模式和时间窗口的每个组合获得提取的调制。这在图10的下部示意性地示出。这里，框31A-C表示时间窗口21的提取的调制。框31A表示第一调制模式的提取的调制，框31B表示第二调制模式的提取的调制，框31C表示第三调制模式的提取的调制。框32A-C、33A-C、34A-C和35A-C分别表示时间窗口22-25的相应的提取的调制。这里仅使用五个时间窗口、每个时间窗口三种调制模式作为说明性示例。可以使用更少或更多的时间窗口和更少或更多的调制模式。
在步骤S4中，对在S3中获得的提取的调制进行处理，以针对调制模式和时间窗口的每个组合获得质量参数。因此，在图10的示例中，针对图中下部所示的15个框中的每一个获得了不同的质量参数。质量参数可以称为呼吸质量指数(respiratory quality index,RQI)。质量参数包括的值表示提取的调制在多强的程度上体现出周期性生理过程(例如呼吸率)的波形。因此，例如，在呼吸率波形被相对强地调制到提取的调制上的情况下，质量参数可以包括高值，并且当呼吸率波形被相对弱地调制到提取的调制上时，质量参数可以包括较低的值。然而，质量参数可以以各种方式定义，包括以与调制的强度成反相关关系的方式。
接下来的一系列步骤包括对提取的调制进行处理以计算受试者的周期性生理过程的频率。这可以通过各种方式完成。在一个实施例中，步骤S5和S6按顺序执行。在另选实施例中，步骤S7和S8按顺序执行。在又一另选实施例中，步骤S9-S11按顺序执行。
在从步骤S5开始的顺序中，使用质量参数选择提取的调制的子集。该子集可以例如仅包括通过将质量参数与相应的预定阈值进行比较，周期性生理过程的波形(例如呼吸波形)的强度高于预定水平的那些提取的调制。因此，在质量参数被定义为使得在提取的调制中的周期性生理过程的波形的强度与质量参数之间存在正相关的情况下，所提取的调制的被选中子集可以包括质量参数高于预定阈值的所有那些提取的调制。在图10的下部示意性地示出了这类处理的结果，其中无阴影的框表示已经被选中的提取的调制(即，是被选中子集的一部分)而阴影框表示被拒绝的提取的调制。在本例中可以看出，时间窗口21和24产生的两组、每组三个的提取的调制具有较优质量参数，可能指示着在该时间段内，生理测量的条件较优(例如，当受试者静止时)。时间窗口23产生的三个提取的调制质量均不佳，可能指示着测量条件不太有利。时间窗口22和25示出了混合情况，其中一些调制模式产生高质量的数据，而一些则产生较低质量的数据。
图11示出了使用质量参数选择提取的调制的子集的另选方法。在此实施例中，通过按照周期性生理过程的波形强度，如质量参数所表示的波形强度，的降序选择预定比例的提取的调制来执行所提取的调制的子集的选择。在本示例中，由图10中的15个框表示的提取的调制已经按照波形强度的降序从上到下排序。在这种情况下，预定比例是三分之二，因此前十个提取的调制40形成所选择的子集。剩余的提取的调制42被拒绝。
被选中的提取的调制的子集用于在步骤S6中提取周期性生理过程的频率，而未被选中的提取的调制则不使用。
在从步骤S7开始的序列中，根据提取的调制的质量参数，向每个提取的调制应用加权。然后使用加权后的提取的调制的组合来提取周期性生理过程的频率(步骤S8)。提取的调制仅相对较弱地呈现周期性生理过程的波形的，加权弱于(并且因此使得对最终计算的频率的贡献较小)比较强烈地表现出周期性生理过程的波形的调制。使用加权来组合不同数据的方法在本领域中是公知的。加权可以通过线性回归获得，或者它们可以是自适应的，并且可以使用其它基于回归的方法，针对个体患者学习而得。
在从步骤S9开始的序列中，执行与步骤S5和S7两者相对应的处理。该方法在图12中示意性地示出。在步骤S9中，使用质量参数(同S5)选择提取的调制的子集。得到的调制的子集显示在图12的框的左侧列(提取的调制)中。在步骤S10中，向所提取的调制的每个被选中子集应用加权(由图12中的W1-W10描绘)(类似于步骤S7)。在步骤S11中，使用所提取的调制的被选中子集的组合来计算周期性生理过程的频率，每个所提取的调制根据其质量参数进行加权。
在步骤S6、S8或S11中从所提取的调制的被选中子集和/或加权后的提取的调制计算出周期性生理过程的频率，这几个步骤中可以使用各种标准技术。例如，可以使用在说明书的引言部分中描述的以下技术中的一种或多种：数字滤波、短时快速傅里叶变换、小波分解、自回归、时频谱估计、主分量分析或熵谱密度。因此，给定质量参数，就可以接下来以通常的方式获得周期性生理过程的频率，因为此时已经确知，输入数据具有足够的质量使结果可靠。
如图10-图12中所示的示例中所示，加权的应用可以包括将不同的加权应用于数据的同一个时间窗口中的不同调制模式所对应的提取的调制、将不同的加权应用于不同时间窗口中的提取的调制、或两者皆包括。
图13描绘了用于确定受试者的周期性生理过程的频率的装置2的示例。装置2包括处理单元4，用于根据任何实施例执行确定周期性生理过程的频率的方法。可选地，装置2包括传感系统6，用于对受试者执行生理测量(例如ECG或PPG)。装置2还可以包括数据接收单元，用于接收表示受试者的生理测量的数据的多个时间窗口。
图14描绘了用于确定受试者的周期性生理过程的频率的系统8。系统8包括用于根据实施例确定受试者的周期性生理过程的频率的装置2。系统8还包括数据处理站10，所述数据处理站10可通过网络12(有线或无线)连接到装置2。系统8被配置为根据装置2获得的提取的调制的质量参数，将对所提取的调制的处理在装置和数据处理站10之间进行分配，从而计算受试者的周期性生理过程的频率。例如，在一个实施例中，装置2被配置成使得对于质量参数指示周期性生理过程的波形的强度高于第一预定水平的提取的调制，由装置2自行提取频率，而对于质量参数指示周期性生理过程的波形的强度低于第一预定水平的至少一部分提取的调制，装置2将提取的调制发送给数据处理站10进行处理，其中，有更多计算资源可用于处理这些更困难的时间窗口。这样，由更高功率的数据处理站10而不是装置2执行更困难的处理。另选地或附加地，装置2可以被配置为使得对于质量参数指示周期性生理过程的波形的强度高于第二预定水平的提取的调制，装置2将提取的调制发送给数据处理站10进行处理，而对于质量参数指示周期性生理过程的波形的强度低于第二预定水平的至少一部分提取的调制，装置2自行处理提取的调制或丢弃提取的调制。这样，装置2和处理站10之间的带宽和/或处理站10的处理能力不会浪费在质量较低的提取的调制上。
下面提供如何在本发明的不同实施例中得出质量参数的有关详情。
傅立叶变换RQI
在一个实施例中，在每个时间窗口中获得每个提取的调制的质量参数包括对在时间窗口中提取的调制进行傅里叶变换，并且评估傅里叶变换中的最大波峰的属性。
傅立叶变换是一种信号处理方法，用于描述基于时序的波形内的谐波或频率内容。其中，x(n)是离散时间信号，离散傅里叶变换(discrete Fourier transform，DFT)可以定义为：
Figure GDA0001858624690000101
其中，X(m)表示时序波形x(n)在频域中的输出。然而，在大多数基于离散信号处理的算法中，为了增加处理速度，离散傅里叶变换被等效的快速傅立叶变换(fast-Fouriertransform，FFT)替换。使用FFT生成的质量参数在本文中称为RQIFFT。
在一个实施例中，RQIFFT的计算要首先对x(n)进行RQIFFT特定预处理，其中x(n)具体地表示针对特定调制(ECG：RSA、RPA、RWA；PPG：RIAV、RIIV、RIFV)之一，一个患者的数据的一个时间窗口(例如，32秒窗口)的提取的调制。具体地，在对x(n)求取FFT之前，x(n)要经过补零，必要时，线性去趋势、并使用Hamming窗函数进行加窗。在预处理之后，对x(n)求取FFT，得到X(m)。X(m)用于计算FFT的最大峰值面积(MPA)，为从频率下限(例如，0.1Hz，对应于6次呼吸/分钟)到频率上限(例如，0.75Hz，对应于45次呼吸/分钟，或1Hz)的目标频谱中X(m)的最大值的区域中的整数个X(m)的最大连续值的总和。例如，MPA可以由以下总和之一表示，其中M表示X(m)的最大值的索引：
MPA＝X(M-2)+...+X(M)
MPA＝X(M-1)+...+X(M+1)
MPA＝X(M)+...+X(M+2)
在计算MPA之后，FFT在目标生理范围(例如呼吸范围)内的总面积(对于呼吸率，称为总呼吸面积(TRA))被计算为落在频率范围之间(例如0.1Hz至0.75Hz或0.1Hz至1Hz)的所有X(m)值的总和。使用这两个值，RQIFFT计算如下：
RQIFFT＝MPA/TRA
一种另选表达式如下：
Figure GDA0001858624690000102
其中
Figure GDA0001858624690000103
是生理相关范围内的功率谱的总和(使得fmin为例如0.1Hz，并且fmax为例如0.75Hz或1.0Hz)，并且
Figure GDA0001858624690000104
是在该频率范围内的n个最大连续点的序列的总和，其中m1是第一个点，mn是序列中的最后一个点。n可以取各种值，例如3、4或5。
最终，RQIFFT给出0到1的值，其中，值越接近1，频率范围内的主要频率越强。假设主要频率在频率范围内越大，则给定调制在该时间窗口中越强(即，该时间窗口和调制模式所对应的提取的调制)，并且使用该提取的调制(调制模式和时间窗口)进行的周期性生理过程的频率的估计的信度更高。FFT的一个实例和表示MPA和TRA的区域如图1所示。
自回归RQI
在一个实施例中，在每个时间窗口中获得每个提取的调制的质量参数包括：评估表示提取的调制中的主要频率分量的自回归模型的极点。
虽然自回归建模和FFT都可用于得出波形的主要频率分量，但自回归与FFT不同，因为它提供了对频率分量的更平滑、更精确的解释，并且可以在较小的时间窗口上运行；不过，自回归函数的主要缺点是确定最有利的模型阶数来使用。自回归函数是一种基于时序中的过去值加上误差项来预测该时序中的当前值的方法。实质上，自回归函数可以被视为基于先前x(n-i)项的序列中每个点x(n)的一组自相关函数，并且被定义为：
Figure GDA0001858624690000111
其中，x(n)是序列中的当前值，ai...aM是加权系数，x(n-i)...x(n-M)是序列中的先前项，e(n)是误差项，M是模型阶数，表示在预测x(n)时使用了多少先前项。在实践中，加权系数ai...aM通常使用Yule-Walker方程获得，定义如下：
aoptR-1r
其中，aopt是由自相关矩阵R-1和自相关向量r设定的理想加权系数(参见R.Takalo,H.Hytti和H.Ihalainen的“关于单变量自回归谱分析的讲义(Tutorial on univariateautoregressive spectral analysis)”(临床监测与计算期刊(J Clin Monit Comput),19(6):401–10,2005.Takalo,Reijo Hytti,Heli Ihalainen,Heimo,荷兰期刊文章,临床监测与计算期刊(J Clin Monit Comput.)2005年12月；19(6):401-10.Epub 2006年1月25日)。理想加权系数定义了重建观测信号x(n)的函数，可以用来定义传递函数H(ejω)，后者可以进一步用于定义输入序列多项式X(ω)，该多项式的根就是AR模型的极点，表示着初始信号x(n)的主要频率分量。
基于自回归函数的这些特征，使用与RQIFFT类似的逻辑来定义基于自回归的质量参数(可以称为RQIAR)。该质量参数的目的在于，基于该信号中的主要频率分量的强度，为数据的每个窗口x(n)(对应于时间窗口中给定调制模式的提取的调制)分配值。但是，自回归的缺点之一在于，选择模型阶数M。这在RQIAR要被统一应用于每个x(n)时在本例中尤其重要，其中，这些x(n)表示来自不同装置(ECG或PPG)、不同数据集、不同患者和不同调制模式的数据。为了解决单个模型阶数无法适应这种宽范围数据的可能性，针对模型阶数M＝1到30来计算数据的每个窗口x(n)的自回归。然后，对于提取的调制的每个特定窗口x(n)，通过选择返回最小赤池信息准则(AIC)的模型阶数来选出最优模型阶数。AIC定义为：
Figure GDA0001858624690000112
其中，e是模型的误差项，M是模型阶数，并且N是x(n)中数据点的总数。AIC致力于为大错误项和大模型阶数返回更高的AIC值，从而能够为给定数据集找出理想模型阶数；因此，理想的模型阶数就是使误差和模型阶数组合最小的阶数(图2)。使用针对每个x(n)特别确定的理想模型，通过选择AR过程传递函数的分母中的多项式的根来确定RQIAR，其中，正频率范围中的最大幅度类似于Cazares等人所使用的方法(S.Cazares,M.Moulden,W.G.Redman和L.Tarassenko的“用自回归模型跟踪极点：用于产时胎心率分析的信度指数(Tracking poles with an autoregressive model:a confidence index for theanalysis of the intrapartum cardiotocogram)”(医学工程与物理(Med Eng Phys),23(9):603–14,2001.Cazares,S Moulden,M Redman,W G Tarassenko,L研究赞助,非美国政府研究赞助,美国政府,非公卫局类,英格兰医学工程与物理.2001年11月；23(9):603-14)(见图3)。如果极点的频率落在预定频率范围内，例如0.083Hz至1Hz(5次呼吸/分钟至60次呼吸/分钟)的范围，则用这个根的大小作为RQIAR；并且如果超出该范围，则RQIAR设为零(因为确定目标频率范围之外的信号的噪声可能太大，不能进行准确的估计)。以与RQIFFT类似的方式，RQIAR的值最接近1的，就表示在目标频率范围内存在主要频率的信号，并且可能表示可以进行最佳估计的信号。
自相关RQI
在一个实施例中，在每个时间窗口中获得每个提取的调制的质量参数包括：评估在相对于彼此有时间移位的时间窗口中的提取的调制的副本之间的最大自相关。
虽然自回归函数可以被认为是用于解释单个数据点的一系列自相关函数，但也可以使用在整个信号范围上定义有滞后时间的自相关函数来定义简化的RQI。在一个实施例中，自相关函数被定义为：
Figure GDA0001858624690000121
其中，rk是自相关值，c0是样本方差，并且：
Figure GDA0001858624690000122
其中，N是样本的总长度，
Figure GDA0001858624690000123
表示样本的平均值。使用自相关函数生成的质量参数在本文中称为RQIAC。
该函数可以缩放统一，使得当k的滞后为零时，自相关值是1，指示两个信号的完美对齐。对于每个其它对齐，自相关值在0和1之间。在存在完美正弦波的情况下，当滞后k与正弦波的周期一样长时，自相关值将再次达到1。这正是自相关RQI(RQIAC)所基于的原理。RQIAC针对信号中的每个滞后时间(从k＝0...(N-1))计算时间窗口x(n)的提取的调制的自相关。在假设来自周期性生理过程的调制预期为正弦的前提下，RQIAC选择在最小k秒数(例如，k＝1.333秒，表示6次呼吸/分钟)到最大k秒数(例如，k＝10秒，表示60次呼吸/分钟)的滞后范围内的最大自相关。然后将RQIAC指定为特定k值的自相关值，因为这表示信号最接近自身的点，因而该值此时越接近1，信号越正弦，也就越可能从该时间窗口提取周期性生理过程的准确频率(即，时间窗口和调制模式所对应的提取的调制)(图4)。
Hjorth参数RQI
在一个实施例中，可以使用基于Hjorth参数的质量参数，称为RQIHC(Hjorth复杂度)。Hjorth参数在1970年首次被定义为一组描述性统计数据，用于定义信号的幅度和时间模式质量(B.Hjorth的“基于时域属性的EEG分析(Eeg analysis based on time domainproperties)”(脑电图和临床神经生理学(Electroencephalogr Clin Neurophysiol),29(3):306–10,1970.Hjorth,B期刊文章,荷兰脑电图和临床神经生理学.1970年9月29日(3):306-10)。已经定义了三个Hjorth参数：活动度(activity)、移动度(mobility)和复杂度(complexity)。活动度通常称为方差或平均功率，是信号幅度的标准偏差的平方的度量。移动度也称为平均频率，是以活动度为基准的斜率的标准偏差。最后，复杂度是曲线“柔和度(softness)”的度量，其中“最柔和”的曲线是正弦曲线，具有统一的复杂度值。三个Hjorth参数可以如下计算：
Activity＝m0＝f(t)
Figure GDA0001858624690000131
Figure GDA0001858624690000132
其中，m0，m2和m4分别表示信号的第零、第二和第四谱矩，且f(t)表示随时间变化的曲线。再次假设周期性生理过程的理想波形将是完美的正弦曲线，则Hjorth RQI(RQIHC)的目标Hjorth参数是复杂度。与其它RQI类似的是，当Hjorth复杂度参数最接近1时，它表示最正弦的信号。因此，对于提取的调制的每个窗口x(n)，具有最高Hjorth复杂度的窗口预期是最正弦的，因此也预期最有可能给出周期性生理过程的频率的准确估计。
心脏系统的肺调制
在理解体内不同的器官系统时，通常会将它们区分和简化；然而，一个器官系统的功能对另一个器官系统产生的影响往往不可忽略。这对于心脏系统和肺部系统尤其如此。心脏系统和肺部系统是存在于胸腔中的两个主要器官系统，其功能主要是将氧气和其它营养物质输送到体内，以及将二氧化碳和其它废物输送到体外。由于这种共同的功能，心脏系统和肺部系统通过物理和神经手段，彼此高度调制。
通过神经控制的呼吸调制
已知神经系统，特别是自主神经系统，在肺部系统和心脏系统的协调中起主要作用。通过自主神经系统对肺部系统和心脏系统进行的最突出和研究最广泛的相互作用之一，是呼吸性窦性心律不齐(RSA)。RSA是心率节拍间隔在吸气期间缩短并且在呼气期间延长的一种现象。这通过在吸气期间激活肺牵张感受器来表现。一旦被激活，肺牵张感受器就会向大脑延髓内的心脏迷走神经元(cardiac vagal neuron,CVN)发送抑制投射(inhibitor projection)。通常，CVN向心脏发送抑制信号以降低心率，但来自肺牵张感受器的信号引起CVN信号的抑制，导致在RSA中观察到的节拍率升高。目前的理论猜测是，RSA的作用是提高换气效率。这是因为在心率升高的短暂时期内瞬时循环血容量增加，这在吸气达到峰值时是理想的，因为肺中的肺泡将最大程度地膨胀，并且能够参与最大的换气。重要的是，已有迹象表明，RSA的发生率和强度很容易受到心肺功能不良和疾病(如冠状动脉疾病)、年老(RSA在婴儿期非常突出，但之后会下降)和身体健康状况不佳(运动员和经常运动的人比不运动的人有更高的RSA发生率)影响并降低。
除了RSA之外，一项研究还理论猜测：呼吸系统通过外周静脉的血管收缩，调制着到胸腔的静脉回流。据认为，这种激活通过自主神经系统发生，使得外周静脉压力因吸气期间交感神经系统活动增加而增加。最终，这就使得全身静脉中的血容量在吸气期间相比呼气期间减少。
通过身体机制的呼吸调制
除了通过神经系统进行调制外，呼吸引起的胸腔压力和大小的主要变化也会改变心脏系统。这些身体变化引起三种主要调制：(1)每搏输出量减少(左心室输出)；(2)从外周到胸腔的血流量增加；和(3)胸腔内心脏位置的变化。
(1)每搏输出量减少：每搏输出量在吸气期间减少是由几个因素引起的。主要因素是胸腔中产生的负压导致肺血管扩张，这导致这些血管中充血。另外，肺毛细血管由于肺泡的扩张而被压缩，导致到左心室的回流减少，并且在吸气期间右心室的扩张导致心室内隔膜冲击左心室。
(2)进入胸腔的血流量增加：这是由两种机制引起的。第一是由于胸内压降低。胸腔内的压降导致胸腔内血管的压力等效下降，导致这些血管中的流量增加。另外，隔膜的下降引起腹部压迫和腹内静脉中的压力增加，因此加剧了压差，使得血液流入胸腔。
(3)胸腔内心脏位置的变化：由于心肺之间非常接近，这就意味着，当肺部在吸气期间扩张时，会使得心脏在胸腔中的位置发生平移。对这种效应的MRI研究发现，此移动幅度平均为沿颅尾轴向下12.4+/-5.9mm、沿前后轴向前侧4.3+/-3.7mm、以及沿左右轴向右侧2.0+/-2.1mm。另外，也发现了一些转动效应；不过，这种情况变数极大。
ECG和PPG波形中呼吸系统的可观测调制
ECG和PPG都能够从心脏信号中获取呼吸信号。不过，这两种技术使用不同的生理测量来获取这个信息，因此由于调制的不同，呼吸率可以从ECG和PPG导出。
呼吸率的获取：ECG
ECG通过将心搏周期中由身体产生的离子电流转换成可以由安置在体表上的导电性电极所记录的电子电流来进行工作。最终，由心搏引起的跨胸腔电压降被检测到，并且可以用于监测心搏周期的所有阶段和心脏异常，例如是否存在心律失常、缺血和梗塞。为了将ECG用于监测呼吸，心搏上的呼吸调制必须表现为心脏的电信号中可观测的变化。先前提到的两种生理调制——胸腔内的心脏移动和RSA——在ECG中引起的可观测的变化可用于监测呼吸率。
胸腔内的心脏移动：如前所述，心脏在呼吸期间会在胸腔内移动。除了这种效应之外，用于测量ECG的电极相对于心脏发生位置变化也对整体ECG有影响。这两种效应在ECG的平均电轴(mean electrical axis,MEA)上引发可观测的调制，并且除了由于肺充满空气而导致的胸阻抗变化所引起的效应之外，还导致R波峰值幅度(RPA)和R波面积(RWA)出现改变。多个导联ECG数据的比较可用于获取呼吸信号。另选地，可以仅使用单个导联ECG来提取呼吸信息。
呼吸性窦性心律不齐(RSA)：由于RSA是一种神经系统反应，当心脏中的房室结(AVnode)发起心搏时会物理改变，通过检测ECG的每个QRS波群的峰值并使用这些点获得心率变异性(heart rate variability)来获得ECG上的RSA调制。由于呼吸率与在瞬时心率中观察到的心动过缓和心动过速的瞬时循环同步，故而通过在观察到的时刻绘制每个R-R间隔的长度，可以使用ECG来检测呼吸率。已有广泛报道，通过ECG检测RSA作为检测呼吸率的手段是有效的。
呼吸率的获取：PPG
PPG通过测量从LED到光电电池的红光(660nm)和红外光(940nm)的反射率或透光率来进行工作。反射率式PPG将LED和光电电池并排放置在身体的任何位置，但最常放置在诸如手臂等肢体末端上，而透光率式PPG则是将LED放置在身体上诸如手指和耳垂等小的肢体末端的对侧。虽然由于血红蛋白和氧合血红蛋白在红外光谱中的消光系数不同，PPG最常用于测量SpO2，但它也可用于通过观察红光随时间的吸收来获得心搏信号。这是因为血液中血红蛋白的光吸收系数高于周围组织。因此，随着循环系统中血容量由于心搏而增加，透过身体并被光电电池检测到的光量就会减少，从而给出可测量的心率信号。通过前面讨论的心搏的生理调制，PPG心率信号可用于通过三种技术获取呼吸信号：呼吸引起的幅度变化(RIAV)、呼吸引起的强度变化(RIIV)和呼吸引起的频率变化(RIFV)。
呼吸引起的幅度变化(RIAV)：RIAV是指峰谷长度(peak-to-trough length)在吸气期间相比呼气期间显著降低。在PPG信号中观察到的RIAV是由吸气期间心脏输出的每搏输出量减少引起的。如前所述，与呼气期间相比，在吸气期间，心脏充盈的速度变低，使得心输出量变小，也就使得吸气期间峰谷长度出现可观测到的降低。
呼吸引起的强度变化(RIIV)：随着PPG中峰值幅度高度的波动，可以在PPG中观察到RIIV。认为RIIV信号与心搏本身并不直接相关，而是PPG上独特的生理效应，通过胸腔中压力变化的下游生理效应而与呼吸率相关。最终，认为RIIV是三种效应中的一种或三种的结合的结果。第一种是由于肺静脉中充血的增加和由于横膈膜压迫腹腔引起的腹部静脉流量的增加而导致的到胸腔的静脉回流的增加。第二种效应是由于动脉输运(arterialtransmission)的变化。最后一种效应是吸气期间由于神经系统引导静脉系统的血管收缩而导致血容量减少。
呼吸引起的频率变化(RIFV)：类似于ECG上的RSA效应，RIFV是PPG中观察到的由于呼吸性窦性心律不齐导致的瞬时心率的差异。通过注意PPG中峰值之间的时间长度的差异，可以以相同的方式在PPG中进行监测。
详细示例和性能
本节提供了关于本发明实施例的性能的详情。
数据集
本分析的数据从两个公开来源获得：CapnoBase和MIMIC II(W.Karlen,M.Turner,E.Cooke,G.A.Dumont和J.M.Ansermino的“Capnobase：用于收集、分享和标注呼吸信号的信号数据库和工具(Capnobase:Signal database and tools to collect,share andannotate respiratory signals)”(Society for Technology in Anesthesia(STA)年会，West Palm Beach,第25页)，以及M.Saeed,M.Villarroel,A.T.Reisner,G.Clifford,L.W.Lehman,G.Moody,T.Heldt,T.H.Kyaw,B.Moody和R.G.Mark的“二级重症监护中的多参数智能监控：开放访问的重症监护室数据库(Multiparameter intelligent monitoringin intensive care ii:a public-access intensive care unit database)”(Crit CareMed,39(5):952–960,2011)。
两个数据集都包含同时的PPG和ECG数据，以及二氧化碳图或阻抗体积描记法(IP)数据，并用于获得“金标准”呼吸率估计。
1)CapnoBase：此数据集采集自59名儿科(中位年龄：9岁，范围1-17岁)和35名成人(中位年龄：52岁，范围：26-76岁)接受择期手术或常规麻醉的患者。
发明人使用的数据集的描述见W.Karlen,S.Raman,J.M.Ansermino和G.A.Dumont的“从光电容积脉搏波多参数估算呼吸率(Multiparameter respiratory rateestimation from the photoplethysmogram)”(Biomedical Engineering,IEEETransactions on,60(7):1946–1953,2013)。该数据集包含来自42名个体患者(29名儿童和13名成人)的同时PPG、ECG和二氧化碳图波形数据的一个高质量的8分钟片段(上述数据流20的示例可参见图10)。当使用我们的方法处理PPG和ECG时，使用来自二氧化碳图波形的专家标注的呼吸来定义参考呼吸率估计。
2)MIMIC II：此数据集包含4种重症监护室(内科、外科、心内科和心外科)中超过25,000名患者的患者记录。对于本分析，仅使用包含波形数据的记录。该子集由1017名成年患者组成(中位年龄：66岁，范围：18-91岁)。对于这些患者，在记录开始后的第60和第68分钟之间提取包含PPG、ECG和阻抗体积描记法(IP)(当不是所有三个信号都记录时，则为这些信号的子集)的单个8分钟片段(上述数据流20的示例可参见图10)。这确保在监测期开始时出现的任何人为现象都被略去。IP用于获得参考呼吸率估计值；不过，由于IP波形没有经过专家标注，故而在IP波形存在噪声(noisy)的情况下，参考估计可能是错误的。为了克服这个问题，使用了两个基准呼吸率估计算法来评估来自IP数据的呼吸率。这些算法有：
1)ARSpec(S.A.Shah,S.Fleming,M.Thompson和L.Tarassenko的“入院儿童治疗分类期间的呼吸率估算(Respiratory rate estimation during triage of children inhospitals)”(医学工程与技术期刊(Journal of Medical Engineering&Technology),39(8):514–524,2015)；以及
2)基于FFT的算法(W.Karlen,S.Raman,J.M.Ansermino和G.A.Dumont的“从光电容积脉搏波多参数估算呼吸率(Multiparameter respiratory rate estimation from thephotoplethysmogram)”(生物医学工程(Biomedical Engineering),IEEE学报(IEEETransactions)：60(7):1946 1953,2013)。
当算法一致度在≤2次呼吸/分钟之内时，将估计值求平均，以给出参考呼吸率，并且当算法差异度>2次呼吸/分钟时，则认为无法获得可靠的参考呼吸率，并且不分析该段。
波形提取
在为每位患者创建唯一的32秒窗口后，提取PPG的波峰和波谷或ECG的Q波最小和R波最大(以上称为识别基准特征)，并用之以得到(提取)相关的呼吸调制。对于CapnoBase数据集，这些点已经提供，并已由专家评估者验证。对于MIMIC II数据集，PPG波峰和波谷使用Li等人描述的描图器(delineator)计算(Bing Nan Li,Ming Chui Dong和Mang I.Vai的“关于一种用于动脉血压波形的自动描图器(On an automatic delineator for arterialblood pressure waveforms)”(生物医学信号处理与控制(Biomedical SignalProcessing and Control),5(1):76–81,2010)，该描图器已经针对PPG进行适应性改变，并基于使用PPG波形及其衍生手段的组合分析。对于ECG，使用Pan-Tompkins算法找到R波波峰，并且通过选择R波波峰之前最小200ms的波形来找到Q波波谷。然后使用这些波峰和波谷特征来提取PPG(RIAV、RIIV和RIFV)和ECG(RSA、RPA和RWA)的三个唯一波形。然后，对为每个波形创建的唯一时序重新采样，成为4Hz的均匀网格。
RIAV和RWA也可称为幅度调制(amplitude modulation,AM)。RIFV和RSA也可称为频率调制(frequency modulation,FM)。RIIV和RPA也可称为基线漂移(baseline wander,BW)。使用时域中的峰谷检测来从PPG和ECG中提取表示呼吸调制(AM、FM和BW)的呼吸波形的描述见D.J.Meredith,D.Clifton,P.Charlton,J.Brooks,C.W.Pugh和L.Tarassenko的“呼吸率光电容积脉搏波求法：相关生理学的综述(Photoplethysmographic derivation ofrespiratory rate:a review of relevant physiology)”(医学工程与技术期刊(Journalof Medical Engineering&Technology),36(1):1–7,2012)。波峰表示为一系列对：
Figure GDA0001858624690000171
波谷也如此：
Figure GDA0001858624690000172
呼吸幅度调制(AM)是从波峰到相应波谷的信号的高度
Figure GDA0001858624690000173
其中ti取波峰对的时间。频率调制(FM)是波峰之间的时间间隔的变化：
Figure GDA0001858624690000174
基线漂移(BW)是初始信号的包络：
Figure GDA0001858624690000175
这些调制是通过将每个8分钟的数据段分割成15个非重叠的32s长度的窗口来提取的。针对每个窗口提取每个调制，则得到初始传感器数据的每个窗口的3个呼吸波形(AM、FM和BW)。然后用0.83和1Hz之间的5阶巴特沃斯IIR带通滤波器对每个呼吸波形进行滤波，再然后降低采样到4Hz。
评估和比较
各RQI通过使用现有的ARSpec算法来评估，以估计从PPG或ECG数据的每个窗口提取的三种调制中的每一种的呼吸率。该呼吸率估计与参考呼吸率(可来自二氧化碳图或IP，具体取决于数据集)估计之间的呼吸估计绝对差被作为给定窗口中的特定调制所包含的呼吸信息的质量的代表(proxy)。每个RQI独立于该计算进行评估并缩放，使得预期指示最佳质量的呼吸信息的RQI值(即，与参考呼吸率值最贴近的呼吸率估计)最接近1，且最差质量的呼吸信息最接近于0。当RQI值最低的窗口被丢弃时，通过依次计算该估计(来自现有ARSpec算法)和参考估计(来自二氧化碳图或IP)的绝对差的平均绝对误差(mean absoluteerror,MAE)和标准误差(standard error,SE)来独立评估每个RQI的性能。在实践中，会计算整个数据集的MAE和SE(其中，每个调制和每个数据集的每个窗口都是独立分析的)，然后依次丢弃RQI值最低的窗口，每个丢弃步骤之后都重新计算MAE和SE。通过丢弃1％的数据增量，从最低RQI窗口到最高RQI窗口不断重复该过程。除了评估各RQI之外，还将RQI的性能与SQI的使用进行比较，SQI的定义见M.A.F.Pimentel,M.D.Santos,D.B.Springer和G.D.Clifford的“使用隐藏半马尔可夫模型和信号质量指数在多模式生理数据中检测心搏(Heart beat detection in multimodal physiological data using a hidden semi-markov model and signal quality indices)”(生理测定(Physiol Meas),36(8):1717–1727,2015)。这代表了当前最尖端的技术，其中，在高SQI值的数据窗口上执行呼吸率估计。也考虑了“理想”的性能场景，其中，逐步计算MAE和SE，其中ARSpec估计和参考估计的绝对差用于识别出性能最差的窗口，然后丢弃。后者代表了在有参考可用的“理想”情况下可以实现的最佳性能；而在实践中，参考是不可用的——因此需要通过PPG或ECG数据估计呼吸率。
结果
整体上，CapnoBase PPG数据总共分析了1890个窗口(可能窗口中的100％)，CapnoBase ECG数据1886个(99.8％)，MIMIC II PPG数据32858个(71.8％)，MIMIC II ECG数据35784个(78.2％)。窗口在分析之前就被丢弃的原因有三：(1)对于给定窗口，如果参考波形(二氧化碳图或IP)或PPG/ECG不可用或者未包含可用数据(即，平线信号)；(2)如果无法获得可靠的参考呼吸率(尤其针对存在噪声的MIMIC II数据集)；或者(3)如果波峰和波谷检测器检测到≤2个波峰/波谷(这指示窗口的呼吸调制集无法使用)。
通过观察MAE的变化来最佳地理解RQI的性能，因为保留了越来越高质量的数据，而质量较低的数据被丢弃。下面的表I显示了保留100％数据和50％数据时MAE的差异(MAE100-MAE50)以及MAE差异的标准误差。
表I
MAE100与MAE50之间的差异
Figure GDA0001858624690000181
对于CapnoBase，MAE100和MAE50之间的差异对PPG和ECG而言，都是在使用RQIAC时最大(PPG：4.33±0.10；ECG：4.95±0.11)。对于PPG和ECG而言，所有RQI均在使用SQI时显著改善了性能(PPG：0.47±0.12；ECG：0.76±0.13)。此外，对于MIMIC II，性能最佳的RQI对PPG和ECG而言，都是RQIFFT(PPG：3.49±0.03；ECG：3.79±0.03)。此外，对PPG和ECG而言，所有RQI的性能均优于SQI(PPG：0.93±0.03；ECG：0.49±0.03)。
图5(CapnoBase PPG)、图6(CapnoBase ECG)、图7(MIMIC II PPG)和图8(MIMIC IIECG)示出了每个RQI在每次丢弃1％数据增量时的性能。这些曲线图显示，随着具有最差性能RQI值的数据被丢弃，每个RQI的MAE都表现出稳定降低的趋势。此外，这些曲线图还表明，无论丢弃多少数据，每个RQI的性能都优于SQI。
在通过PPG和ECG估计呼吸率时，最大挑战之一是确保用于进行估计的呼吸信号的质量。本发明的实施例通过将新颖的预处理步骤应用于不同的提取的调制来应对该挑战。基于呼吸波形在小时间尺度上是周期性的假设设计和验证了四种RQI，发现特别有效。
以上结果突出了一些重要发现。首先是使用RQI的实用性。在RQIAC和RQIFFT的表现均优于另外两种RQI的同时，每种RQI在区分高质量呼吸信号和低质量呼吸信号的能力上，相比SQI都有了相当的提高。这说明RQI预处理步骤的实施提高了呼吸率估计算法的准确性。此外，即使仅丢弃中量数据量，基于RQI性能的MAE仍可以见到改进。这指示着通过使用各RQI获得的鲁棒性，因为它们不仅能够将高质量数据与低质量数据进行二元估计(binaryestimate)区分，而且还提供每个特定窗口中呼吸数据质量的连续度量。
此外，发明人已经表明，RQI的鲁棒性可扩展到许多不同的设置。首先，将每个RQI应用于通过PPG和ECG数据获得的呼吸调制，而每个RQI在两者上均有相似的良好表现。这为RQI普遍适用于小时间尺度的呼吸波形(例如，当通过视频估计呼吸率时)提供了支持。随着数据质量的下降，RQI也表现出良好的性能。这可以从CapnoBase和MIMIC II数据集的区别中看出。CapnoBase数据集是在理想情况下从身体健康、仅接受常规麻醉或择期手术的患者获得的，而MIMIC II数据集是在四种不同ICU中的更大的患者群体(patient cohort)上收集的。因此，MIMIC II数据的质量远低于CapnoBase的质量，证据为分析前丢弃的数据量大得多，且保留100％数据时的MAE也更高。虽然当应用于MIMIC II数据集时，RQI性能与应用于CapnoBase数据集相比略有下降，但表现出的总体趋势相同，并且仍然能够有效地丢弃质量最差的数据。
各RQI的整体性能相比于SQI的性能大为提高；而且，通过将每个RQI融合到单个度量中，可以进一步改进RQI。融合的RQI的性能可优于每个单独的RQI，并且获得的结果更接近于“理想”度量的性能。

Claims (21)

1.一种确定受试者的周期性生理过程的频率的系统，包括：
装置，包括：
数据接收单元，被配置为接收表示所述受试者的生理测量的数据的多个时间窗口；
数据处理单元；以及
感测系统，被配置为对所述受试者进行所述生理测量；
数据处理站，能够通过网络连接到所述装置，
其中：
所述数据处理单元被配置为：
在每个所述时间窗口中，识别对应于所述生理测量的一个或多个调制模式的基准特征；
对于每个所述调制模式，在每个所述时间窗口中提取相应基准特征的调制；
处理每个提取的调制以获得调制模式和时间窗口的每个组合的质量参数，所述质量参数表示所述提取的调制在多强的程度上表现出周期性生理过程的波形；以及
处理所述提取的调制以计算所述受试者的所述周期性生理过程的所述频率，其中：
所述周期性生理过程的所述频率仅使用所述提取的调制的子集来计算，所述子集使用所述质量参数选择，
所述周期性生理过程的所述频率使用所述提取的调制的组合来计算，每个所述提取的调制具有由所述提取的调制的所述质量参数定义的加权，或者
所述周期性生理过程的所述频率仅使用所述提取的调制的子集来计算，所述子集使用所述质量参数选择，并且所述周期性生理过程的所述频率使用所述提取的调制的被选中的子集的组合来计算，所述提取的调制的每一个所述被选中的子集具有由所述提取的调制的所述质量参数定义的加权；
并且，其中：
所述系统被配置为根据所述装置获得的提取的调制的质量参数，将所提取的调制的处理在所述装置和所述数据处理站之间进行分配，从而计算所述受试者的周期性生理过程的频率。
2.根据权利要求1所述的系统，其中所述周期性生理过程的所述频率是呼吸率。
3.根据权利要求2所述的系统，其中所述生理测量包括ECG测量。
4.根据权利要求3所述的系统，其中所述一个或多个调制模式包括以下中的一个或多个：呼吸性窦性心律不齐、R波峰值幅度和R波面积。
5.根据权利要求3或4所述的系统，其中所述基准特征包括以下中的一个或多个：Q波最小和R波最大。
6.根据权利要求2-4中任一项所述的系统，其中所述生理测量包括PPG测量。
7.根据权利要求6所述的系统，其中所述一个或多个调制模式包括以下中的一个或多个：呼吸引起的幅度变化、呼吸引起的强度变化和呼吸引起的频率变化。
8.根据权利要求7所述的系统，其中所述基准特征包括以下中的一个或多个：PPG测量的波峰和PPG测量的波谷。
9.根据权利要求1所述的系统，其中所述周期性生理过程的所述频率是心率。
10.根据权利要求1-4中任一项所述的系统，其中所述生理测量包括加速度计测量。
11.根据权利要求1-4中任一项所述的系统，其中所述调制的子集的所述选择通过以下方式进行：仅选择所述周期性生理过程的波形强度高于预定水平的那些提取的调制；比较所述质量参数与相应的预定阈值。
12.根据权利要求1-4中任一项所述的系统，其中所述调制的子集的所述选择通过以下方式进行：按照如所述质量参数所表示的所述周期性生理过程的所述波形的强度的降序，选择预定比例的所述提取的调制。
13.根据权利要求1-4中任一项所述的系统，其中相比于质量参数表示所述周期性生理过程的所述波形的强度较低的提取的调制，将较高的加权应用于质量参数表示所述周期性生理过程的所述波形的强度较高的提取的调制。
14.根据权利要求1-4中任一项所述的系统，其中对于数据的所述时间窗口的至少一部分，将不同的加权应用于对应于不同调制模式的提取的调制。
15.根据权利要求1-4中任一项所述的系统，其中所述获得每个提取的调制的所述质量参数包括：对所述时间窗口中的所述提取的调制进行傅里叶变换，以及评估所述傅里叶 变换中最大波峰的属性。
16.根据权利要求1-4中任一项所述的系统，其中所述获得每个提取的调制的所述质量参数包括：对表示所述时间窗口中所述提取的调制中的主要频率分量的自回归模型所用的传递函数的分母中的多项式的根进行评估。
17.根据权利要求16所述的系统，还包括为每个提取的调制确定所述自回归模型的最优模型阶数。
18.根据权利要求1-4中任一项所述的系统，其中所述获得每个提取的调制的所述质量参数包括：评估在相对于彼此有时间移位的所述时间窗口中所述提取的调制的副本之间的最大自相关。
19.根据权利要求1-4中任一项所述的系统，其中所述获得每个提取的调制的所述质量参数包括：评估Hjorth复杂度。
20.根据权利要求1-4中任一项所述的系统，其中所述获得每个提取的调制的所述质量参数包括以下中的一个或多个的组合：对所述时间窗口中的所述提取的调制进行傅里叶变换并评估所述傅里叶 变换中最大波峰的属性；对表示所述时间窗口中所述提取的调制中的主要频率分量的自回归模型所用的传递函数的分母中的多项式的根进行评估；评估在相对于彼此有时间移位的所述时间窗口中所述提取的调制的副本之间的最大自相关；以及评估Hjorth复杂度。
21.根据权利要求1所述的系统，被配置为使得对处理的分配是这样的：
具有指示提取的调制中周期性生理过程的波形的强度高于预定水平的质量参数的每个提取的调制被发送到数据处理站进行处理；以及
具有指示提取的调制中周期性生理过程的波形的强度低于预定水平的质量参数的每个提取的调制被所述装置处理或丢弃。
CN201780028617.6A 2016-05-10 2017-05-05 确定受试者周期性生理过程频率的方法、装置和系统 Active CN109475311B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GBGB1608170.5A GB201608170D0 (en) 2016-05-10 2016-05-10 A method of determining the frequency of a periodic physiological process of a subject, and a device and system for determining the frequency
GB1608170.5 2016-05-10
PCT/GB2017/051261 WO2017194915A1 (en) 2016-05-10 2017-05-05 A method of determining the frequency of a periodic physiological process of a subject, and a device and system for determining the frequency of a periodic physiological process of a subject

Publications (2)

Publication Number Publication Date
CN109475311A CN109475311A (zh) 2019-03-15
CN109475311B true CN109475311B (zh) 2022-01-25

Family

ID=56297446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780028617.6A Active CN109475311B (zh) 2016-05-10 2017-05-05 确定受试者周期性生理过程频率的方法、装置和系统

Country Status (5)

Country Link
US (1) US11103155B2 (zh)
EP (1) EP3454730B1 (zh)
CN (1) CN109475311B (zh)
GB (1) GB201608170D0 (zh)
WO (1) WO2017194915A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201803994D0 (en) * 2018-03-13 2018-04-25 Univ Oxford Innovation Ltd Method and apparatus for monitoring a human or animal subject
CN109157200B (zh) * 2018-10-31 2021-03-23 安徽华米信息科技有限公司 噪声检测方法及装置
CN110390816A (zh) * 2019-07-18 2019-10-29 电子科技大学 一种基于多模型融合的状态判别方法
CN111275018B (zh) * 2020-03-06 2022-10-25 华东师范大学 一种基于环形感兴趣区域加权的非接触式心率信号提取方法
DE102020118529A1 (de) 2020-07-14 2022-01-20 Ventinova Technologies B.V. Beatmungsvorrichtung und Verfahren zur Bestimmung zumindest eines alveolären Druckes bzw. eines Verlaufs eines alveolären Druckes in einem Atemweg eines Patienten
US11006843B1 (en) * 2020-08-20 2021-05-18 Cloud Dx, Inc. System and method of determining breathing rates from oscillometric data
CN112200232B (zh) * 2020-09-29 2024-03-22 上海移视网络科技有限公司 Qrs识别方法及电子设备
CN112494001B (zh) * 2020-11-25 2023-05-26 青岛歌尔智能传感器有限公司 Ppg信号质量评估方法、装置、穿戴式设备及存储介质
CN115700538A (zh) * 2021-07-29 2023-02-07 北京荣耀终端有限公司 生理检测信号质量评估方法、电子设备及存储介质
TWI812285B (zh) * 2022-06-16 2023-08-11 國立勤益科技大學 基於心跳間隔訊號與自迴歸移動平均模型之呼吸暫停事件偵測方法
CN116172512B (zh) * 2023-01-13 2023-11-07 北京中科心研科技有限公司 一种呼吸信号和脉搏波信号的重构方法以及装置
CN117649718B (zh) * 2024-01-29 2024-04-23 四川大学华西医院 一种用于医院的智能报到方法、设备、装置及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE526872T1 (de) * 2004-11-02 2011-10-15 Univ Dublin Schlafüberwachungssystem
WO2007140210A2 (en) 2006-05-24 2007-12-06 Tarilian Laser Technologies, Limited Optical vital sign detection method and measurement device
US8512240B1 (en) * 2007-11-14 2013-08-20 Medasense Biometrics Ltd. System and method for pain monitoring using a multidimensional analysis of physiological signals
US20110291838A1 (en) 2010-05-26 2011-12-01 General Electric Company Alarm Generation Method for Patient Monitoring, Physiological Monitoring Apparatus and Computer Program Product for a Physiological Monitoring Apparatus
US8929963B2 (en) * 2011-07-14 2015-01-06 Covidien Lp Devices and methods for reducing wireless communication in a patient monitoring system
CN103890780B (zh) * 2011-09-29 2018-01-02 皇家飞利浦有限公司 失真降低的信号检测
US20140073486A1 (en) * 2012-09-04 2014-03-13 Bobo Analytics, Inc. Systems, devices and methods for continuous heart rate monitoring and interpretation
US9872634B2 (en) * 2013-02-08 2018-01-23 Vital Connect, Inc. Respiratory rate measurement using a combination of respiration signals
US9918666B2 (en) * 2014-01-13 2018-03-20 The Board Of Regents, The University Of Texas System Systems and methods for physiological signal enhancement and biometric extraction using non-invasive optical sensors
WO2015130929A2 (en) * 2014-02-26 2015-09-03 Worcester Polytechnic Institute Apparatus and method for detecting and removing artifacts in optically acquired biological signals

Also Published As

Publication number Publication date
EP3454730B1 (en) 2022-04-13
US11103155B2 (en) 2021-08-31
CN109475311A (zh) 2019-03-15
EP3454730A1 (en) 2019-03-20
GB201608170D0 (en) 2016-06-22
US20190069808A1 (en) 2019-03-07
WO2017194915A1 (en) 2017-11-16

Similar Documents

Publication Publication Date Title
CN109475311B (zh) 确定受试者周期性生理过程频率的方法、装置和系统
Charlton et al. Breathing rate estimation from the electrocardiogram and photoplethysmogram: A review
Bailón et al. A robust method for ECG-based estimation of the respiratory frequency during stress testing
Nemati et al. Data fusion for improved respiration rate estimation
Orphanidou Derivation of respiration rate from ambulatory ECG and PPG using ensemble empirical mode decomposition: Comparison and fusion
O’Brien et al. A comparison of algorithms for estimation of a respiratory signal from the surface electrocardiogram
Clifford et al. ECG statistics, noise, artifacts, and missing data
US9131864B2 (en) System and method for evaluating an electrophysiological signal
Birrenkott et al. Robust estimation of respiratory rate via ECG-and PPG-derived respiratory quality indices
Clifford et al. A realistic coupled nonlinear artificial ECG, BP, and respiratory signal generator for assessing noise performance of biomedical signal processing algorithms
Sobron et al. Evaluation of methods for estimation of respiratory frequency from the ECG
Tiinanen et al. ECG-derived respiration methods: Adapted ICA and PCA
Bellos et al. Extraction and Analysis of features acquired by wearable sensors network
Bhoi et al. QRS Complex Detection and Analysis of Cardiovascular Abnormalities: A Review.
Sharma et al. ECG-derived respiration using Hermite expansion
Javaid et al. Towards robust estimation of systolic time intervals using head-to-foot and dorso-ventral components of sternal acceleration signals
JP2023515256A (ja) 統合されたｅｋｇ及びｐｐｇセンサを用いたインテリジェントパルス平均化を使用して静脈酸素飽和度を測定するシステム及び方法
Dong et al. An integrated framework for evaluation on typical ECG-derived respiration waveform extraction and respiration
Khavas et al. Robust heartbeat detection using multimodal recordings and ECG quality assessment with signal amplitudes dispersion
Dehkordi et al. Sleep/wake classification using cardiorespiratory features extracted from photoplethysmogram
Orphanidou et al. Spectral fusion for estimating respiratory rate from the ECG
Gadhoumi et al. A statistical comparative study of photoplethysmographic signals in wrist-worn and fingertip pulse-oximetry devices
Bassiouni et al. Combination of ECG and PPG signals for smart healthcare systems: Techniques, applications, and challenges
Madhav et al. Extraction of surrogate respiratory activity from pulse oximeter signals using SSA
Rajesh et al. Detection and Identification of Irregularities in Human Heart Rate

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