CN111655125B - 用于健康和医学感测的设备、系统和方法 - Google Patents
用于健康和医学感测的设备、系统和方法 Download PDFInfo
- Publication number
- CN111655125B CN111655125B CN201880087507.1A CN201880087507A CN111655125B CN 111655125 B CN111655125 B CN 111655125B CN 201880087507 A CN201880087507 A CN 201880087507A CN 111655125 B CN111655125 B CN 111655125B
- Authority
- CN
- China
- Prior art keywords
- processor
- signal
- sound signal
- readable medium
- sleep
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
-
- 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
- A61B5/02—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
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4833—Assessment of subject's compliance to treatment
-
- 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
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7228—Signal modulation applied to the input signal sent to patient or subject; demodulation to recover the physiological signal
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7405—Details of notification to user or communication with user or patient ; user input means using sound
-
- 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
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
- A61B5/749—Voice-controlled interfaces
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0057—Pumps therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
- A61M16/022—Control means therefor
- A61M16/024—Control means therefor including calculation means, e.g. using a processor
- A61M16/026—Control means therefor including calculation means, e.g. using a processor specially adapted for predicting, e.g. for determining an information representative of a flow limitation during a ventilation cycle by using a root square technique or a regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/165—Management of the audio stream, e.g. setting of volume, audio stream path
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K15/00—Acoustics not otherwise provided for
- G10K15/04—Sound-producing devices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/02—Casings; Cabinets ; Supports therefor; Mountings therein
- H04R1/028—Casings; Cabinets ; Supports therefor; Mountings therein associated with devices performing functions other than acoustics, e.g. electric candles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/08—Mouthpieces; Microphones; Attachments therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R3/00—Circuits for transducers, loudspeakers or microphones
- H04R3/04—Circuits for transducers, loudspeakers or microphones for correcting frequency response
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0048—Detecting, measuring or recording by applying mechanical forces or stimuli
- A61B5/0053—Detecting, measuring or recording by applying mechanical forces or stimuli by applying pressure, e.g. compression, indentation, palpation, grasping, gauging
-
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/02—Measuring pulse or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R2499/00—Aspects covered by H04R or H04S not otherwise provided for in their subgroups
- H04R2499/10—General applications
- H04R2499/11—Transducers incorporated or for use in hand-held devices, e.g. mobile phones, PDA's, camera's
Abstract
方法和装置使用电子处理装置提供具有主动声音产生的生理移动检测,诸如呼吸、心脏和/或全身运动。处理器可以控制经由耦合到处理器的扬声器在用户的附近区域产生声音信号。处理器可以经由耦合到处理器的麦克风来控制对所反射的声音信号的感测。所反射的声音信号是从附近区域或用户反射的声音信号。处理器可以诸如通过解调技术来处理所反射的声音。声音信号可以作为双音调频连续波信号产生。对所检测到的移动信息的评估可以确定睡眠状态或评分、疲劳指示、对象识别、慢性病监测/预测以及其他输出参数。
Description
1相关申请的交叉引用
本申请要求2017年12月22日提交的美国临时专利申请第62/610,033号的权益,其全部内容通过引用并入本文。
2技术背景
2.1技术领域
本技术涉及检测与活体对象相关联的生物运动。更具体地,本技术涉及使用声学、射频和/或红外感测来检测诸如来自生理移动(诸如活体对象的呼吸移动、心脏移动和/或其他较不呈周期性的身体移动)的生理特征。
2.2相关技术的描述
例如在睡眠期间监测人的呼吸和身体(包括肢体)移动在许多方面可能有用。例如,这种监测可用于监测和/或诊断睡眠呼吸紊乱状况,诸如睡眠呼吸暂停。传统上,有效无线电定位或测距应用的进入障碍是需要专门的硬件电路和天线。
智能手机和其他便携式且不显眼的处理或电子通信装置在日常生活中普遍存在,甚至在没有陆线的发展中国家也是如此。期望具有一种用于以有效的方式监测生物运动(即,生理移动)的方法。这种系统和方法的实现将解决相当大的技术挑战。
3发明内容
本技术涉及用于例如在对象睡着时检测对象的移动的系统、方法和设备。基于这样的移动检测,包括例如呼吸移动,可以检测对象的移动、睡眠相关特点、呼吸特点、心脏特点、睡眠状态和/或呼吸暂停以及其他睡眠呼吸紊乱事件。更具体地,与诸如智能电话、平板计算机、智能扬声器等处理装置相关联的应用使用诸如集成的和/或外部可连接的扬声器和麦克风等处理装置传感器来检测呼吸和运动。本文使用的术语“装置”和“系统”的意思是广义的,不必限于单个硬件。这些术语中的任一者可以包含单个装置,以及一个或多个不同的装置。这些装置中的一些或全部可以集成在一件设备中,或者彼此分开且远离地定位。“装置”或“系统”能够传输和/或感测反射信号,诸如利用集成的和/或外部可连接的一个或多个传输器和/或传感器(即扬声器、麦克风、红外传感器、射频传输器/接收器等)来检测生理移动。
本技术的一些版本可以包括处理器可读介质,该处理器可读介质上存储有处理器可执行指令,这些处理器可执行指令在由处理器执行时致使该处理器检测生理参数,诸如用户的生理移动。生理移动可以包括呼吸移动、心脏移动、肢体移动、姿势移动和总身体移动中的任一者或多者。除了作为从至少所检测到的反射信号导出的参数的生理移动之外,生理参数还可以包括可以进一步从所检测到的生理移动导出的一个或多个特点(例如,从呼吸移动信号导出的呼吸振幅、相对呼吸振幅、呼吸速率和呼吸速率可变性;从心脏移动信号导出的相对心脏振幅、心脏振幅、心率和心率可变性;等),以及其他特点(例如,(a)存在状态(存在或不存在);(b)睡眠状态,诸如,清醒或睡着;(c)睡眠阶段,诸如N-REM 1(非REM浅睡眠子阶段1)、N-REM 2(非REM浅睡眠子阶段2)、N-REM 3(非REM深睡眠(也称为慢波睡眠)(SWS)))、REM睡眠等;或其他睡眠相关参数,诸如(d)疲劳和/或(e)嗜睡;等)。该处理器可执行指令可以包含用于控制经由耦合到电子处理装置的扬声器在包括用户的附近区域产生声音信号的指令。处理器可执行指令可以包含用以控制经由耦合到电子处理装置的麦克风感测从用户反射的声音信号的指令。处理器可执行指令可以包含用于处理所感测到的声音信号的指令。处理器可执行指令可以包含用于从经处理的声音信号中检测呼吸信号、心脏信号和总身体移动信号中的任一者或多者的指令。
本技术的一些版本可以包括处理器可读介质,在该处理器可读介质上存储有处理器可执行指令,这些处理器可执行指令在由处理器执行时致使处理器检测用户的生理移动。处理器可执行指令可以包括用于控制经由耦合到电子处理装置的扬声器在电子处理装置附近区域产生声音信号的指令。处理器可执行指令可以包括用于控制经由耦合到电子处理装置的麦克风感测来自附近区域的反射声音信号的指令。处理器可执行指令可以包括用所感测到的反射声音信号的至少一部分和表示声音信号的至少一部分的信号来导出生理移动信号的指令。声音信号可以包括双音调频率解调的连续波信号。
在一些版本中,所产生的声音信号的至少一部分(诸如用于所感测到的声音信号)可以在不可听的声音范围内。所产生的声音信号的部分可以是低频超声声学信号。用于导出生理移动信号的处理器可执行指令可以被配置为利用表示声音信号的部分的信号来解调所感测到的反射声音信号的部分。解调可以包括表示声音信号的部分的信号与所感测到的反射声音信号的部分的相乘。导出生理移动信号的解调可以包括所感测到的反射声音信号的部分与其自身的相乘,所感测到的反射声音信号的部分还包括来自声音信号的至少一部分的直接路径声音。用于导出生理移动信号的指令可以被配置为(a)用声音信号的至少一部分和所感测到的反射声音信号的部分导出生理移动信号,或者(b)用所感测到的反射声音信号的部分和可以与声音信号的至少一部分相关联的相关联信号导出生理移动信号。相关联的信号可以是内部产生的振荡器信号或直接路径测得的声音信号。用于导出生理移动信号的指令可以被配置为将振荡器信号与所感测到的反射声音信号的部分相乘。生理移动信号的导出还可以包括检测呼吸、心脏移动和总运动中的一者或多者。
在一些版本中,介质可以包括处理器可执行指令,用于使用自适应滤波器对所感测到的反射声音信号的部分进行滤波,该自适应滤波器被配置为基于所产生的声音信号的至少一部分的定时和所感测到的反射声音信号的部分的定时中的任一者来改变自适应滤波器的通带。介质可以包括用于对声音信号和可听音频内容进行求和以经由扬声器同时产生声音信号和可听音频内容的处理器可执行指令。介质可以进一步包括用于在将声音信号与可听音频内容相加之前基于声音信号的频率来滤波可听音频内容的处理器可执行指令。介质还可以包括处理器可执行指令,用于根据所检测到的对象在附近区域的存在来控制声音信号的检测方案的变化,其中指令改变声音信号的至少一部分的波形参数。介质可以进一步包括处理器可执行指令以生成用于运动检测的连续波声音信号,并且在检测到用户在附近区域的运动时发起经由扬声器产生双音调频解调连续波信号。介质可以进一步包括用于生成超宽带(UWB)声音信号作为可听白噪声的处理器可执行指令,并且其中处理器可读介质可以包括用于利用UWB声音信号来检测用户运动的指令。双音调频连续波信号可以包括与重复波形中的第二锯齿波频率变化重叠的第一锯齿波频率变化。所产生的声音信号可以提供包括过零点的类似余弦的功能时域形状。
在一些版本中,介质可以包括处理器可执行指令,该处理器可执行指令用于评估所导出的生理移动信号以确定一个或多个生理参数。介质可以进一步包括用于基于对所导出的生理移动信号的评估来生成输出的处理器可执行指令。介质可以包括用于处理生理移动信号以输出数据的处理器可执行指令。输出或所生成的输出可以表示或包含:(a)输出数据,包含、表示或指示以下各项中的任何一项或多项:人类存在状态;在生理移动信号中存在或不存在运动;睡眠状态;睡眠行走;呼吸特点;心脏特点;总身体移动特点;睡眠特点;睡眠呼吸障碍事件;周期性呼吸事件;呼吸状况;疲劳状态;健康评分;慢性疾病状况;嗜睡状况;和疲劳条件;或者(b)基于任何上述类型的输出数据启动事件。所发起的事件可以包括打开或关闭设备或与设备相关联的进程;和/或对设备的操作或与设备相关联的过程引入调整。装置可以是呼吸治疗装置,和/或过程可以与呼吸治疗装置相关联。介质可以包括处理器可执行指令以评估经由麦克风所感测到的可听口头命令并且响应于可听口头命令经由扬声器提供输出。介质可以进一步包括用于对声音信号的至少一部分和所感测到的反射声音信号的部分进行解调以产生正交基带运动信号的处理器可执行指令。介质可以包括用于通过一个或多个滤波器来处理正交基带运动信号以隔离可归因于呼吸运动、总身体移动和心脏移动中的一者或多者的频率范围的处理器可执行指令。介质可以包括用于在用生理移动信号导出的快速傅立叶变换窗口中进行仓搜索以选择与用户运动相关联的范围的处理器可执行指令。
在一些版本中,介质可以包括处理器可执行指令以检测和识别由麦克风所感测到的呼吸压力治疗装置的可听声音。介质可以进一步包括处理器可执行指令,用于根据生理移动信号来检测用户存在并且基于所检测到的存在和睡眠时间来激活呼吸治疗装置的过程。介质可以进一步包括处理器可执行指令,用于根据生理移动信号来检测用户睡眠并且基于所检测到的用户睡眠来激活呼吸治疗装置的过程。介质可以包括用于根据生理移动信号来检测用户睡眠并且基于所检测到的用户睡眠来停用加热器具的处理器可执行指令。介质可以进一步包括处理器可执行指令以检测心脏可变性并且将心脏可变性与存在和不存在的呼吸治疗相关联。介质可以进一步包括用于响应于对生理移动信号的分析而通过扬声器播放可听查询的处理器可执行指令。对生理移动信号的分析可以包括检测在生理移动信号中不存在运动。介质可以包括用于基于对生理移动信号的分析来检测睡眠行走事件的处理器可执行指令。介质可以进一步包括处理器可执行指令以使所检测到的移动与治疗依从性相关。介质可以进一步包括处理器可执行指令以基于检测到另一用户的睡眠质量来推断用户的非治疗依从性。介质可以进一步包括处理器可执行指令以基于对治疗装置的操作和缺乏操作的合理检测来检测非治疗依从性和治疗依从性。
在一些版本中,介质可以包括用于基于所检测到的用户的治疗依从性或非治疗依从性来生成输出意见的处理器可执行指令,所生成的输出意见基于来自包括用户的多个用户的睡眠检测,所生成的输出意见可以是促使用户维持依从性,并且可以可选地针对多个用户。该介质还可以包括处理器可执行指令,用于对由麦克风感测到的声音进行线性调频滤波,以隔离所感测到的反射声音信号的一部分。对于线性调频滤波,处理器可以用所产生的声音信号的频率范围内的通带执行数字滤波。介质还可以包括处理器可执行指令,用于选择性地改变声音信号的至少一部分的产生的解调参数,以便用不同的声音信号解调特点来感测电子处理装置附近区域的运动。不同的声音信号解调特点包含连续波(CW)、调频连续波(FMCW)、超宽带(UWB)、频移键控(FSK)和相移键控(PSK)中的任两者或多者。在一些版本中,介质的指令可以包括与同步相关的处理器可执行指令,该同步包括所感测到的反射信号与所感测到的直接路径信号的互相关。这些指令可以包含同步过程,该同步过程包含将参考模板与所感测到的反射声音信号的至少一部分相乘。
在一些版本中,介质可以包括用于生成输出的处理器可执行指令,该输出通过对生理移动信号的特征进行分类而生成,其中这些特征可以包括手工制作的特征和/或机器学习的特征。在一些情况下,可由深度信念网络导出机器学习特征的特征。通过对生理移动信号的特征进行分类而产生的输出可以包括睡眠阶段和/或睡眠状态可以包括以下中的一者或多者:睡眠阶段和/或睡眠状态;睡眠呼吸障碍事件;呼吸暂停低通气计数。通过对生理移动信号的特征进行分类而产生的输出可以包括睡眠阶段和/或睡眠状态。通过对生理移动信号的特征进行分类而产生的输出可以包括睡眠呼吸紊乱事件。介质可以包括用于基于通过对生理移动信号的特征进行分类而生成的输出来生成呼吸暂停低通气计数的处理器可执行指令。介质可以包括用于基于所生成的呼吸暂停低通气计数来生成治疗使用意见的处理器可执行指令。介质可以包括处理器可执行指令以将所产生的呼吸暂停低通气计数与呼吸治疗设备的使用和不使用相关联。电子处理装置可以包括智能电话和/或智能手表。在一些版本中,电子处理装置可以是呼吸治疗设备的控制操作,并且电子处理装置可以包括在合适的处理器可读介质上的处理器控制指令,其中这些指令基于所导出的生理移动信号的至少一部分来控制、激活、停用呼吸治疗或用于呼吸治疗的参数,或对其进行处理。
本技术的一些版本可以包括服务器。服务器可以被配置为具有对在本文描述的任何处理器可读介质的访问权。服务器可以被配置为接收通过网络将处理器可读介质的处理器可执行指令下载到电子处理装置的请求。
本技术的一些版本可以包括电子处理装置。电子处理装置可以包括一个或多个处理器。电子处理装置可以包括耦合到一个或多个处理器的扬声器。电子处理装置可以包括耦合到一个或多个处理器的麦克风。电子处理装置可以包括在本文描述的任何一个或多个处理器可读介质和/或可以被配置为用在本文描述的任何一个或多个服务器来访问这些处理器可执行指令。电子处理装置可以是移动电话或智能扬声器中的一者。电子处理装置可以是呼吸压力治疗装置。
本技术的一些版本可以包括服务器访问本文描述的任何处理器可读介质的方法。该方法可以包括在服务器处接收用于通过网络将处理器可读介质的处理器可执行指令下载到处理装置的请求;以及响应于请求将处理器可执行指令传输到电子处理装置。
本技术的一些版本可以包括用于使用电子处理装置检测身体移动的处理器的方法。该方法可以包括用处理器访问在本文描述的任何处理器可读介质。该方法可以包括在处理器中执行处理器可读介质的处理器可执行指令。
本技术的一些版本可以包括一种用于使用电子处理装置来检测移动的处理器的方法。该方法可以包括控制经由耦合到处理装置的扬声器在电子处理装置的附近区域产生声音信号。该方法可以包括经由耦合到处理装置的麦克风控制感测来自附近区域的反射声音信号。该方法可以包括在处理器中利用所感测到的反射声音信号的至少一部分和表示声音信号的至少一部分的信号来控制生理移动信号的导出。声音信号可以包括双音调频率解调的连续波信号。
在一些版本中,所产生的声音信号的至少一部分(诸如用于感测的那部分)可以在不可听的声音范围内。所产生的声音信号的部分可以是低频超声声学信号。导出生理移动信号可以包括用表示声音信号的部分的信号来解调所感测到的反射声音信号的部分。解调可以包括表示声音信号的部分的信号与所感测到的反射声音信号的部分的相乘。用于导出生理移动信号的解调可以包括所接收到的信号与其自身的相乘,所接收到的信号包括所感测到的反射声音信号的部分和来自声音信号的至少一部分的直接路径声音。生理移动信号可以(a)与声音信号的至少一部分和所感测到的反射声音信号的部分一起导出,或者(b)与所感测到的反射声音信号的部分和可以与声音信号的至少一部分相关联的相关联信号一起导出。表示声音信号的部分的信号可以是内部产生的振荡器信号或直接路径测得的声音信号。相关联的信号可以是内部产生的振荡器信号或直接路径测得的声音信号。
在一些版本中,导出生理移动信号可以包括将振荡器信号与所感测到的反射声音信号的部分相乘。该方法可以包括用自适应滤波器对所感测到的反射声音信号的部分进行滤波,该自适应滤波器被配置为基于所产生的声音信号的至少一部分的定时和所感测到的反射声音信号的部分的定时中的任一者来改变自适应滤波器的通带。该方法可以进一步包括组合声音信号和可听音频内容以经由扬声器同时产生声音信号和可听音频内容。该方法可以进一步包括在将声音信号与可听音频内容相加之前基于声音信号的频率来滤波可听音频内容。该方法可以进一步包括根据所检测到的对象在附近区域的存在来控制声音信号的检测方案的变化,其中变化可以包括改变声音信号的波形参数。导出生理移动信号可以进一步包括检测呼吸、心脏和总运动中的一者或多者。
在一些版本中,该方法可进一步包括产生用于运动检测的连续波声音信号。该方法可以包括,在用连续波声音信号检测到用户在附近区域的运动时,启动经由扬声器产生双音调频解调连续波信号。该方法可以进一步包括生成超宽带(UWB)声音信号作为可听白噪声;利用UWB声音信号检测用户运动。双音调频连续波信号可以包括与重复波形中的第二锯齿波频率变化重叠的第一锯齿波频率变化。所产生的声音信号可以提供包括过零点的类似余弦的功能时域形状。该方法可以包括评估所导出的生理移动信号以确定一个或多个生理参数。该方法可以进一步包括基于对所导出的生理移动信号的评估来生成输出。所生成的输出可以包括以下各项中的任何一项或多项:(a)输出数据,包括、表示或指示以下中的任何一个或多个:人存在状态;生理移动信号中运动的存在或不存在;睡眠状态;呼吸特点;睡眠行走;心脏特征;大体运动特征;睡眠特点;睡眠呼吸障碍事件;周期性呼吸的事件;呼吸状况;疲劳状况;健康评分;慢性疾病状况;嗜睡状况;和疲劳状况;或(b)基于上述输出数据中的任一者来发起事件。所发起的事件可以包括打开或关闭装置或与该装置相关联的进程;和/或对该装置的操作和/或与该装置相关联的过程引入调整。装置可以是呼吸治疗装置,和/或过程可以与呼吸治疗装置相关联。
在一些版本中,该方法可以包括在处理器中评估经由麦克风所感测到的可听口头命令,并且响应于可听口头命令经由扬声器提供输出。该方法可以进一步包括解调声音信号的至少一部分和所感测到的反射声音信号的部分以产生正交基带运动信号。该方法可以包括通过一个或多个滤波器处理正交基带运动信号以隔离可归因于呼吸移动、总身体移动和心脏移动中的一者或多者的频率范围。该方法可以包括在用生理移动信号导出的快速傅立叶变换窗口中进行仓搜索以选择与用户运动相关联的范围。该方法可以包括,在处理器中,检测和识别由麦克风所感测到的呼吸压力治疗装置的可听声音。该方法可以进一步包括在处理器中从生理移动信号中检测用户存在,并且基于所检测到的存在和睡眠时间来激活呼吸治疗装置的过程。该方法可以进一步包括从生理移动信号检测用户睡眠,并且基于所检测到的用户睡眠来激活呼吸治疗装置的过程。该方法可以进一步包括从生理移动信号检测用户睡眠并且基于所检测到的用户睡眠来停用加热器具。该方法可以进一步包括检测心脏可变性并且将心脏可变性与存在和不存在的呼吸治疗相关联。
在一些版本中,该方法可以包括响应于对生理移动信号的分析而通过扬声器播放可听查询。对生理移动信号的分析可以包括检测生理移动信号中不存在运动。该方法可以进一步包括基于生理移动信号的分析来检测睡眠行走的事件。该方法可以进一步包括将所检测到的移动与治疗依从性相关联。该方法还可以包括基于对另一用户的睡眠质量的检测来推断用户的非治疗依从性。该方法可以进一步包括基于对治疗装置的操作和缺乏操作的合理检测来检测非治疗依从性和治疗依从性。该方法可以进一步包括基于所检测到的用户的治疗依从性或非治疗依从性来生成输出意见,所生成的输出意见基于来自包括用户的多个用户的睡眠检测,所生成的输出意见可以促使用户维持依从性。这样的意见可以被定向到多个用户。该方法可以进一步包括对麦克风所感测到的声音进行线性调频滤波,以隔离所感测到的反射声音信号的部分。可选地,线性调频滤波可以利用所产生的声音信号的频率范围中的通带对线性调频滤波进行数字滤波。
在一些版本中,该方法可进一步包括选择性地改变声音信号的至少一部分的产生的解调参数,以感测具有不同声音信号解调特点的电子处理装置附近区域的运动。不同的声音信号解调特点可以包括连续波(CW)、调频连续波(FMCW)、超宽带(UWB)、频移键控(FSK)和相移键控(PSK)中的任两者或两者以上。该方法可以包括通过对生理移动信号的特征进行分类来产生输出,其中这些特征包括手工制作的特征和机器学习的特征。可以由深度信念网络导出机器学习特征的特征。通过对生理移动信号的特征进行分类而产生的输出可以包括以下中的一者或多者:睡眠阶段和/或睡眠状态;睡眠呼吸障碍事件;呼吸暂停低通气计数。通过对生理移动信号的特征进行分类而产生的输出可以包括睡眠阶段和/或睡眠状态。通过对生理移动信号的特征进行分类而产生的输出可以包括睡眠呼吸紊乱事件。该方法可以包括基于通过对生理移动信号的特征进行分类而产生的输出来产生呼吸暂停低通气计数。该方法可以进一步包括基于所产生的呼吸暂停低通气计数来产生治疗使用意见。该方法可以进一步包括将所产生的呼吸暂停低通气计数与呼吸治疗设备的使用和不使用相关联。电子处理装置可以包括智能电话和/或智能手表。该方法可以进一步包括基于所导出的生理移动信号来控制呼吸治疗,或对其进行处理。该方法可以包括,在同步过程中,将参考模板与所感测到的反射声音信号的至少一部分相乘。该方法可以包括在同步过程中使所感测到的反射信号与所感测到的直接路径信号互相关。
本文所描述的方法、系统、装置和设备可以在处理器中提供改善的功能,该处理器是诸如通用或专用计算机的处理器、便携式计算机处理装置(例如,移动电话、平板计算机、智能扬声器等)、呼吸监测器和/或利用麦克风和扬声器的其他呼吸设备。此外,所描述的方法、系统、装置和设备可以在自动管理、监测和/或预防和/或评估包括例如睡眠呼吸暂停的呼吸状况和睡眠状况的技术领域中提供改善。
当然,这些方面的部分可以形成本技术的子方面。此外,子方面和/或方面中的各个可以以各种方式组合,并且还构成本技术的附加方面或子方面。
通过考虑包含在以下具体实施方式、摘要、附图说明和权利要求书中的信息,本技术的其他特征将变得清楚明白。
4附图说明
在附图中以实例而非限制的方式示出了本技术,在附图中相同的附图标记表示相似的元件,包括:
图1示出了用于从睡眠者接收适合于实施本技术的过程的音频信息的示例性处理装置;
图2是根据本技术的实例的系统的示意图。
图3是根据本技术的一些形式配置的处理装置(诸如移动装置)的概念图。
图4示出了在公共区域中操作的可以用同步操作来实施的示例性处理装置。
图5示出了在共同区域(诸如在床架1100上)中操作的处理装置的示例性系统,其中一个是被实施用于外部低频超声学感测(使用诸如扬声器和麦克风的换能器启用)的呼吸装置(用麦克风和扬声器示出)。
图6示出了可以实施为跳频范围选通所感测到的一部分的多音调对。
图7A示出了单音线性调频脉冲的频率特点,诸如用于频率解调连续波感测(FMCW)。
图7B示出了双音调线性调频脉冲的频率特点,诸如用于频率解调连续波感测(FMCW)。
图8A、图8B和图8C示出了诸如用于FMCW系统的三角形单音调的各种信号特点。
图9A、图9B和图9C示出了诸如用于FMCW系统的三角形双音调的各种信号特点。
图10示出了可实施用于本发明技术的感测系统的双音调FMCW的示例性解调。
图11示出了用双音调FMCW系统产生的示例性信号。
图12示出了用双音调FMCW系统产生的附加信号。
图13示出了诸如使用具有在本文描述的信号生成和处理技术的低频超声生物运动感测的启用语音的睡眠改善系统的示例性操作。
图14示出了诸如用于本文描述的处理的示例性音频处理模块或块。
图15示出了用本文更详细描述的处理技术实施的示例性处理装置,诸如用于处理装置的感测领域中的生物运动感测或其他运动感测。
图16示出了用在本文描述的感测技术产生的同相(I)和正交相位(Q)基带信号,其中这些信号示出了原始运动信号中的总身体移动、呼吸移动和心脏移动。
图17示出了通过处理图16的信号的运动特点而产生的实例输出(例如,睡眠阶段数据)。
图18是说明用于评估例如由本文的音频感测技术导出的运动特点的进一步过程的输出的处理示意图。
5具体实施方式
在更详细地描述本技术之前,应当理解,本技术不限于在本文描述的可以变化的特定实例。还应当理解,本公开中使用的术语是为了描述所讨论的具体实例的目的,而不旨在是限制性的。
关于可共享共同特点或特征的本技术的各种形式提供以下描述。应理解,任一示例性形式的一个或多个特征可与另一形式的一个或多个特征组合。此外,本文任何形式的任何单一特征或特征组合可构成另一示例性形式。
5.1筛选、监测和检测
本技术涉及用于检测对象的移动的系统、方法和设备,包括诸如当对象睡着时的呼吸移动和/或心脏相关胸部移动。基于这种呼吸和/或其他移动检测,可以检测对象的睡眠状态和呼吸暂停事件。更具体地,与诸如智能电话、平板计算机、移动装置、移动电话、智能扬声器等处理装置相关联的处理应用使用诸如扬声器和麦克风等装置传感器来检测这种运动。
现在将参照图1至图5描述适于实施本技术的示例性系统。配置有用于检测对象110的移动的应用200的处理装置100或移动电子装置可以放置在对象110附近区域的床边桌上或者以其他方式位于房间中。处理装置100可以是例如具有一个或多个处理器的智能电话、智能扬声器、智能手表或平板计算机。处理器可以被配置为执行应用200的功能等,包括使得音频信号被生成和传输,通常通过作为诸如在装置附近区域的房间中的一般开放或无限制介质的空中。处理装置可以通过用例如换能器(诸如麦克风)感测所传输的信号来接收所传输的信号的反射。处理装置可以处理所感测到的信号以确定身体运动,诸如总的身体运动、心脏移动和呼吸运动。除了其他部件之外,处理装置100可以包含扬声器和麦克风。扬声器可以被实施为传输所生成的音频信号并且麦克风接收所反射的信号。可以利用在2017年9月19日提交的国际专利申请PCT/EP 2017/073613中描述的任何技术来实施所生成的用于感测和处理的音频信号,国际专利申请的全部公开内容通过引用并入本文。尽管图1至图5中所示的版本示出了具有集成感测设备的各种处理装置(例如,其中外壳包括所有感测设备或诸如麦克风和扬声器的组件),但是在一些版本中,感测设备可以是经由有线和/或无线连接耦合或一起操作的分立或分开容纳的部件。
可选地,处理装置的基于声音的感测方法可以在其他类型的装置中实施或由其他类型的装置实施,诸如床边装置(例如,呼吸治疗装置,诸如持续气道正压(例如,“CPAP”)装置或高流量治疗装置),诸如图5中所示的呼吸治疗装置5000,其中治疗装置用作处理装置100或与单独的处理装置100协同操作。参考在2014年10月28日提交的国际专利公开第WO/2015/061848号(申请号PCT/AU2014/050315)和在2016年3月14日提交的国际专利公开第WO/2016/145483号(申请号PCT/AU2016/050117)中描述的装置,可以考虑包括压力装置或鼓风机(例如,在蜗壳中的马达和叶轮)、压力装置或鼓风机的一个或多个传感器和中央控制器的这种装置的实例,其全部公开内容通过引用并入本文。这种呼吸治疗装置5000可以包括可选的加湿器4000并且经由患者回路4170(例如,导管)向患者界面3000提供治疗。在一些情况下,呼吸治疗装置5000可以具有单独的传感器,诸如麦克风,用于感测患者回路4170内和通过患者回路4170的内部声音相关的状况,而不是用于感测贯穿本申请描述的过程的外部声音相关的声音状况。
处理装置100可以适于提供监测对象的呼吸和/或其他移动相关特征的有效且有效的方法。当在睡眠期间使用时,处理装置100及其相关联的方法可用于检测(例如)用户的呼吸并识别睡眠阶段、睡眠状态、状态之间的转变、睡眠障碍性呼吸和/或其他呼吸状况。当在唤醒期间使用时,处理装置100及其相关联的方法可用于检测移动,诸如人或对象呼吸(吸气、呼气、停顿和导出速率)和/或心冲击描记图波形的存在或不存在以及随后导出的心率等。这样的参数可以用于控制放松治疗(由此引导用户为了放松目的而降低他们的呼吸率),或者用于评估诸如患有慢性疾病(诸如COPD、哮喘、充血性心力衰竭(CHF)等)的对象的呼吸状况,其中对象的基线呼吸参数在恶化/失代偿事件发生之前的时间中改变。呼吸波形还可以经处理以检测呼吸的暂时停止(诸如中枢性呼吸暂停,或在阻塞性呼吸暂停期间观察到的相对于阻塞性气道的小胸部移动)或呼吸的减少(浅呼吸和/或呼吸速率的减少,诸如与呼吸暂停相关)。
处理装置100可以包括集成芯片、存储器和/或其他控制指令、数据或信息存储介质。例如,可以在装置或设备的存储器中的集成芯片上编码包括本文描述的评估/信号处理方法的编程指令,以形成专用集成芯片(ASIC)。这样的指令还可以或可选地使用适当的数据存储介质作为软件或固件被加载。可选地,这样的处理指令可以诸如通过网络(例如因特网)从服务器下载到处理装置,使得当指令被执行时,处理装置用作筛选或监测设备。
因此,处理装置100可以包括如图3所示的多个部件。处理装置100可以包括麦克风或声音传感器302、处理器304、可选的显示器界面306、可选的用户控制/输入界面308、扬声器310和存储器/数据存储312(诸如,具有本文描述的处理方法/模块的处理指令)以及其他部件。在一些情况下,麦克风和/或扬声器可以用作用户界面,诸如当处理装置例如经由扬声器对麦克风所感测到的音频和/或口头命令进行响应时,控制处理装置的操作。
处理装置100的一个或多个部件可以与处理装置100集成或可操作地耦合。例如,麦克风或声音传感器302可以与处理装置100集成,或者诸如通过有线或无线链路(例如,蓝牙、Wi-Fi等)与处理装置100耦合。
存储器/数据存储装置312可以包含用于控制处理器304的多个处理器控制指令。例如,存储器/数据存储312可以包含处理器控制指令,用于使得应用200由本文描述的处理方法/模块的处理指令来执行。
本技术的实例可被配置为使用可由应用200实施的一个或多个算法或过程来在用户使用处理装置100睡着时检测运动、呼吸和任选的睡眠特点。例如,应用200可以由若干子进程或模块来表征。如图2中所示,应用200可以包括音频信号生成和传输子过程202、运动和生物物理特点检测子过程204,诸如用于睡眠、呼吸或心脏相关特点的运动特点子过程206,以及结果输出子过程208。
例如,可以实施诸如在睡眠分段处理模块中的处理206处的可选睡眠分段。然而,可任选地添加任何一个或多个此类处理模块/块(例如,睡眠评分或分段、疲劳指示处理、对象识别处理、慢性病监测和/或预测处理、睡眠呼吸障碍事件检测处理或其他输出处理等)。在一些情况下,可以使用以下任何专利或专利申请中描述的设备、系统和方法的任何部件、装置和/或方法来执行信号后处理的功能,其中每个专利或专利申请的全部公开内容通过引用并入本文:2007年6月1日提交的名称为“用于监测生理体征的设备、系统和方法”的国际专利申请第PCT/US 2007/070196号;2007年10月31日提交的标题为“用于监测心肺参数的系统和方法”的国际专利申请第PCT/US 2007/083155号;2009年9月23日提交的标题为“用于评估和干预的生活质量参数的非接触和最小接触监测”的“国际专利申请第PCT/US2009/058020号;2010年2月4日提交的标题为“用于慢性疾病监测的设备、系统和方法”的国际申请第PCT/US 2010/023177号;2013年3月30日提交的标题为“用于监测心肺健康的方法和装置”的国际专利申请第PCT/AU 2013/000564号;2015年5月25日提交的标题为“用于监测慢性疾病的方法和设备”的国际专利申请第PCT/AU 2015/050273号;2014年10月6日提交的标题为“疲劳监测和管理系统”的国际专利申请第PCT/AU 2014/059311号;2013年9月19日提交的标题为“用于确定睡眠阶段的系统和方法”的国际专利申请第PCT/AU 2013/060652号;2016年4月20日提交的标题为“根据特征信号检测和识别人”的国际专利申请第PCT/EP 2016/058789号;2016年8月17日提交的标题为“睡眠呼吸障碍筛查器”的国际专利申请第PCT/EP2016/069496号;2016年8月16日提交的标题为“数字范围门控射频传感器”的国际专利申请第PCT/EP 2016/069413号;2016年8月26日提交的标题为“用于监测和管理慢性疾病的系统和方法”的国际专利申请第PCT/EP2016/070169号;2014年7月8日提交的标题为“用于睡眠管理的方法和系统”的国际专利申请第PCT/US 2014/045814号;2016年3月24日提交的标题为“周期性呼吸的检测”的美国专利申请第15/079,339号。因此,在一些实例中,对所检测到的移动(包括例如呼吸移动)的处理可以用作用于确定(a)指示睡眠的睡眠状态中的任一者或多者的基础;(b)指示清醒的睡眠状态;(c)指示深度睡眠的睡眠阶段;(d)指示轻度睡眠的睡眠阶段;以及(e)指示REM睡眠的睡眠阶段。就这点而言,虽然本公开的声音相关感测技术提供了用于运动感测的不同机制/过程,诸如使用扬声器和麦克风以及声音信号的处理,但是当与这些并入的参考文献中描述的雷达或RF感测技术相比时,一旦利用本说明书中描述的声音感测/处理方法获得了呼吸信号,诸如呼吸速率,则可以通过这些并入的参考文献的确定方法来实施处理呼吸或其他运动信号以提取睡眠状态/阶段信息的原理。
虽然在本文一般地描述了关于声学感测(例如,近场、低频超声学感测等)的感测设备,但是应当理解,这些方法和装置可以使用其他感测技术来实施。例如,作为替代方案,处理装置可以用用作感测设备的RF传感器的射频(RF)收发器来实施,使得所产生的信号和所反射的信号是RF信号。可以用以下中描述的任何技术和传感器部件来实施可以与处理装置集成或耦合的这种RF传感装置:2013年7月19日提交的标题为“范围门控射频生理传感器”的国际专利申请第PCT/US 2013/051250号;2017年8月16日提交的标题为“数字射频运动检测传感器”的国际专利申请第PCT/EP 2017/070773号;和2017年8月16日提交的标题为“数字范围门控射频传感器”的国际专利申请第PCT/EP 2016/069413号。类似地,在替代版本中,可以用红外辐射发生器和红外辐射检测器(例如,IR传输器和IR检测器)来实施这种用于传输感测信号并感测其反射的感测设备。可类似地实施如本文的用于运动检测和表征的此类信号的处理。例如,一旦由RF或SONAR根据运动确定呼吸率、移动和活动计数,则睡眠分段是常见的分析。作为附加实例,RF脉冲CW和SONARFMCW实施方式之间的感测波长可以不同。因此,可以诸如通过检测跨范围的移动(以不同的感测距离开始)而不同地确定速度。对于FMCW,可以在多个范围进行移动检测。因此,可以跟踪一个或多个移动目标(不管它是两个人,还是实际上是人的不同部分,取决于它们相对于SONAR传感器的角度。
使用这些不同感测技术中的两者或多者的组合,可以通过组合相应技术的优点来增强感测结果。例如,在我们日常生活的噪声环境中,所讨论的声学感测技术是相当令人满意的。然而,当噪声低得多并且感测信号更容易听到时,具有非常灵敏的听觉的用户可能发现使用这种技术在夜晚是有问题的。类似地,虽然IR感测在夜晚期间提供良好的S/N信号,但是其在白天的光(和热)中使用可能是有问题的。在这种情况下可以在夜晚使用IR感测,通过在白天使用声学感测来补充。
典型地,可以生成来自扬声器的音频信号并将其传输到用户,用于使用本文描述的一个或多个音调来感测诸如音频信号。音调以一个或多个特定频率提供介质(例如,空气)中的压力变化。出于本描述的目的,所产生的音调(或音频信号或声音信号)可以被称为“声音”、“声学”或“音频”,因为它们可以以与可听压力波(例如,通过扬声器)类似的方式产生。然而,这样的压力变化和音调在本文应当被理解为是可听的或不可听的,尽管它们由术语“声音”、“声学”或“音频”中的任一者表征。因此,所产生的音频信号可以是可听的或不可听的,其中人群中的可听频率阈值随年龄而变化。信号可以是基本上不可听的,使得大多数人无法辨别声音(例如,在高于18kHz的频率范围内)。典型的“音频”标准范围是大约20Hz到20,000Hz(20kHz)。高频听阈随年龄增加而降低,中年人不可听15-17kHz以上的声音,而青少年不可听18kHz以上的声音。语音的最重要的频率大约在250-6,000Hz的范围内。典型的消费者智能电话的扬声器和麦克风信号响应被设计为在许多情况下在19-20kHz以上滚降,其中一些延伸到23kHz以上和更高(特别是在装置支持大于48kHz,诸如96kHz的采样速率的情况下)。因此,对于大多数人,可以使用17/18到24kHz范围内的信号并且保持不可听。对于能听到18kHz而听不到19kHz的年轻人,可以使用19kHz到21kHz的频带。注意,一些家庭宠物可能能够听到更高的频率(例如,狗达到60kHz、猫达到79kHz)。本技术的感测音频信号的适当范围可以在低超声频率范围内,诸如15至24kHz、18至24kHz、19至24kHz、15至20kHz、18至20kHz或19至20kHz。
传感方法的背景-低频超声和射频
在现代家庭中广泛使用诸如扬声器和麦克风之类的音频装置。诸如计算机、膝上型电脑、平板计算机和智能电话之类的运动和便携式装置的出现使这种使用进一步扩展,同时使它们的使用符合更强大的处理器的可用性。然而,至少一个扬声器和至少一个麦克风(或者可以被配置为执行这些功能的换能器)的存在允许使用有源低频超声并且处理有源低频超声的回波来在这些装置上执行新的生物测定感测。通过播放(传输)正好在人类听觉之外(例如,高于18kHz)但在系统能力之内(例如,对于48kHz的采样率低于24kHz)但通常低于25或30kHz的声信号。相反,通常在更高的频率,例如1-18MHz下操作医疗超声。可以看出,可以将这种传感能力添加到已经包含至少一个扬声器和麦克风(或类似的换能器)以及处理器的系统中,同时添加实施数字信号处理(DSP)功能的专用传感软件。另外,也可以根据期望的感测特点来实施专用扬声器和麦克风。
射频(RF)传感器,诸如在5.8GHz ISM频带中或在10.5GHz(或9.3GHz)操作的脉冲CW多普勒传感器,或者在24GHz ISM频带中操作的硅锗雷达(例如,基于使用FMCW或FSK的24GHz基本压控振荡器(VCO)),传递数字化I/Q(同相和正交)可以替代地与本文所述的一些处理一起使用,但是这样的实施方式通常需要专用硬件。
麦克风/扬声器系统的广泛可用性促进了超声学感测的方便使用,并且能够实施一系列新的医疗和健康应用。
示例性声学感测架构
用于检测生理信号的系统的示例性架构可以如下。可以在运动智能装置或智能扬声器装置上实现高达约25kHz的低频超声系统。这使用电子装置上的一个或多个换能器向一个或多个对象传输声能。换能器典型地被配置为用于在包括小于25kHz的频率的频率范围上产生声能。换能器可以是包含在智能扬声器中的扬声器、声杆、电视机、医疗装置(诸如气道正压(PAP)装置等)或包含能够支持低频超声学感测和处理的换能器的许多其他装置和配置的形式。通过使用电子装置上的第二换能器接收来自对象的与所传输的声能相对应的回波来感测生理信号,其中第二换能器(诸如麦克风)被配置为产生与所接收到的回波相对应的电信号,并且将它们数字化。
在PCT/EP2017/073613中描述了与使用超声系统来检测生物测定特点相关联的硬件布置和信号处理的详细技术描述,PCT/EP 2017/073613的全部公开内容并入本文,并且其特征可以用在本文描述的处理装置来实施。在整个说明书中描述了技术的进一步的技术细节和各种应用。
如果例如在基于Linux的操作系统平台上实施这样的系统,则可能期望处理器使用播放和记录命令直接与ALSA(高级Linux声音架构)通信。重要的是避免数字音频播放或记录样本(例如,16位或32位音频样本)被丢弃,因为这可能引入不期望的声音点击(例如,导致相位不连续性的丢弃样本)。系统例如可以是多线程的(在处理器具有一个或多个核,并且可以同时执行多个进程或线程的情况下),并且可以使用诸如Python语言的编程语言和诸如numpy的包实施。
诸如在基于Linux的Android智能电话上对ALSA的这种较低级访问也是合乎需要的,较高级音频操作(诸如经由Java或Open SL ES)在此可能微暂停,当处理器被大量加载并且应用和/或音频被操作系统(例如,在某些SamsungS7装置上)短暂暂停时,导致在一些特定智能电话上产生不期望的点击。
感测活物
“对象”通常被认为是人,但也可以是动物,诸如宠物狗、猫等。狗可能能够听到高达45kHz的声音,而猫可能听到高达64kHz的声音,因此可任选地将感测频率增加到其听觉范围之外的频带,和/或调节所产生的感测声音的类型,以便不会使动物烦恼(例如,更像是广谱柔和嘶嘶声而不是蜂鸣声)。
还可以使系统在感测区域中没有对象的情况下操作,并且可选地调整其操作模式(例如,通过改变所传输的波形参数来进行简单通信)以检测宽得多的区域上的干扰(移动)。系统可仅在检测到对象时切换到用于细粒度(例如,近距感测)活动和生物运动检测的替代操作模式。一种实现可以是具有一个或多个扬声器(例如,超声扬声器)和一个或多个麦克风的装置,其将实时生命体征数据发送到云。
感测-与其他音频数字信号处理(DSP)共存
对于处理装置100、102的扬声器产生的声信号所使用的感测频率和波形形状,可以抑制(例如,禁用)装置或相关联的硬件或软件中的任何现有回波消除。也可以禁用自动增益控制(AGC)和噪声抑制,以便最小化反射的“回波”信号的干扰(非预期信号的处理),该反射的“回波”信号通常在振幅上相对较小。
对所得到的所接收到的信号(例如,在扬声器处接收的信号)进行数字带通滤波,以从不同频率的其他信号(例如,语音、背景噪声、在相同或协同定位的装置中运行的不同感测信号等)中分离预期的传输感测波形。
声传输和接收的感测定时/计时
取决于传输/接收路径的随时间变化的精度(即,存在不希望的时钟漂移、温度影响等),所接收到的信号可能需要被周期性地同步和重新同步。对于具有规定波形(诸如FMCW三角(上-下-双斜坡)线性调频、正弦解调、斜坡等)的信号,可以执行时域或频域对照来对准信号,并且评估往返时间。在精确定时信息可用的其他情况下,可能不需要计算上复杂的同步。
在使用具有不同时钟的两个或多个处理装置100、102的情况下,可在装置之间交换额外同步信息(例如,通过无线通信)。这样做可以确保特定传输波形可以与主回波(飞行时间评估)相关。通常这通过比较播放的样本波形、直接路径信号,然后是回波来完成。
具有自适应滤波的感测前端FMCW双斜坡(例如,三角形)实例
在一些版本中,可通过产生具有特定特点的音频解调连续波(FMCW)信号来使处理装置实施感测。FMCW信号是具有线性调频的连续信号,随后的下变频过程产生“差拍”频率,其中位于距传感系统不同距离处的固定目标返回不同的差拍频率,而不论它们的相对速度如何。“差拍频率”有时被称为“中间”频率(IF)。如在本文更详细描述的,当所接收到的Rx信号,诸如由本地振荡器或由其自身解调并被低通滤波时,利用FMCW产生还未被认为是基带的不寻常的“中间”信号。诸如通过应用快速傅立叶变换处理(FFT运算),IF信号可以被处理以变成基带。(参见,例如图10)。
典型地,对所接收到的信号进行数字带通滤波(带通滤波器(BPF),以去除与所传输的波形的预期回波无关的频率分量。可以使用有限冲激响应(FIR)滤波器、无限冲激响应(IIR)滤波器或其他方法来实施这种BPF,并且将具有定义为包括回波的频率的通带。简单的实例是使用FMCW信号传输声传感波形,该FMCW信号通过使用三角斜坡策略(例如,向上1500个采样、向下1500个采样,以48kHz的音频采样率,导致16Hz的有效传感采样率)将频率从19斜坡变化到21kHz并回到19kHz来改变频率,而没有相位不连续;在这种情况下,BPF将被设计成具有覆盖该频率范围的通带,其中在边缘之下和之上选择3dB点以便不会过度地影响信号,并且在通带中受到限制或没有波动。
与利用FMCW信号进行感测相比,可以用作BPF的更先进的滤波器可以使用所传输的线性调频(斜坡频率)的定时的知识以及预期回波(时间上的)的知识。通过跟踪期望的频率内容,这种滤波器可以自适应地改变(即,自适应地)并且具有窄得多的通带。这允许以不需要的频率更好地抑制信号,并且可以帮助对抗间歇性带内干扰。如在本文更详细地讨论的,可以用双音调声信号来实施超声学感测技术。对于双音调连续波(CW)信号的情况,可以通过一个或多个滤波器(诸如滤波器组)来隔离不同的音调,以便更好地隔离感兴趣的频率。如果在传输上实施跳频连续波(FHCW),那么数字滤波器可被配置为在时间上跟踪预期回波频率内容,且拒绝其他频率。
所应用的信号处理可以甚至根据相对低振幅的超声学感测提供良好的信噪比(SNR)。
关于系统SNR的信息在解调之前和之后都是可用的-诸如基于接收信号的包络,以及基于解调(例如,使用诸如相位解调或差分相位解调的技术)的I/Q信号,以及随后的生物测定检测。
图6示出了诸如用于自适应跳频范围选通(A)FHRG的多音调对声学感测信号。其实例描述于PCT/EP2017/073613中。每个峰谷形状是混合的两个音调。峰值高度的变化是由于实际电话扬声器和麦克风中的非理想性,其中最大输出功率随着频率的增加而降低。在图中,x轴为时间、y轴为振幅。具有这种信号的直接路径/静态反射在正峰值和负峰值处最大。在波谷期间,回波可能占支配地位。
如果在自适应跳频范围门控(A)FHRG中的这种波形与双音调一起使用,则可以在相应时隙内的时间段内对音调的振幅进行斜升和斜降。斜升和斜降时间序列(双重时间)可以间隔100Hz。这意味着接收的直接路径不仅可以被看到(被检测到),而且在波谷中的反射(此时几乎“安静”)也可以被辨识/辨别。主要的直接路径是静态反射。精心设计的传输/接收换能器仅具有少量直接从扬声器到麦克风的“渗漏”(即,从扬声器到麦克风的强直接路径)。这在扬声器和麦克风共处的智能电话或智能扬声器上可能趋于更大。当所接收到的信号被解调时,直接路径引起显著的DC电平。还可利用直接路径分量(即,众所周知的延迟路径,诸如与扬声器与麦克风之间的固定距离相关的延迟路径),以便评估传输/接受信号路径中的任何固定或可变延迟,例如其中存在可变等待时间、时钟漂移、停止/开始行为等,这可能对传输和接收信号之间的关系产生不期望的影响。在存在小的或没有直接路径的情况下,可以在传输信号上使用编码和/或导频音调,以便恢复传输和接收信号定时信息。
双音调FMCW(本文也称为双斜坡技术)
与上述关于(A)FHRG的双(多音调)对相反,本技术的一些版本中的处理装置可以改为利用诸如用于低频超声所感测到的双音调FMCW感测信号来实施。就这点而言,当利用FMCW类型的方法实施低频超声传感系统时,存在可以产生声传感信号的不同方式。这可能涉及频域中的波形形状(例如,三角形(对称或不对称)、斜坡、正弦曲线等)、周期(时间上的“线性调频”的持续时间)和带宽(由“线性调频”覆盖的频率,例如,19-21kHz)的差异。还可以在FMCW配置中使用两个或多个同时的音调。
采样数的选择定义了可能的输出解调采样率(例如,在48kHz采样率下的512个采样等于93.75Hz(48,000/512),而4096个采样持续时间的扫描时间等于11.72Hz(48,000/4096)。如果使用具有1500个样本正常运行时间和1500个样本停机时间的三角波形,则输出采样率为16Hz(48,000/3000)。对于这种类型的系统,例如可以通过将信号乘以参考模板来执行同步。
关于输出采样率的选择,经验测试已经示出在大约8至16Hz的区域中操作是优选的,因为它广泛地避免1/f噪声(由于空气移动、潜在地强衰落和/或房间模式引起的低频效应)以及停留在以较高解调采样率看到的混响区域之外(即,我们已经允许时间用于感测波形“线性调频”的任何一个频率中的能量在下一个“线性调频”中的下一个类似分量之前衰落)。以另一种方式呈现,如果你让仓太宽,则气流和温度的变化(例如,开门并且热量进入或离开房间)意味着你正在查看的任何块可能包含不想要的可能看起来像呼吸的基线漂移。实际上,这意味着当空气移动时,可以看到波浪在频带上运动(穿过距离仓)。这与桌式或脚柱式风扇,或空调或其他HVAC系统的更局部化效果不同。实际上,如果使块太宽,则系统开始“看起来像”CW系统。另一方面,如果在过高的刷新率(即,太短的斜坡)下操作系统,可以得到混响。
对于如图7A所示的具有一个“音调”(即,频率上扫和下扫)的三角形FMCW波形,系统可以处理例如仅上扫或仅下扫,或者实际上可以处理两者以用于距离检测。对于一个音调的相位连续的三角形形式是高度期望的,因为它最小化或消除了由相位不连续性产生的播放声音中的任何可听假象。这种情况的斜坡变化可能引起非常不愉快的和可听的嗡嗡声,因为要求扬声器在样本空间内从播放某一频率的某一振幅的声音跳转到播放相似振幅的低得多(或高得多)的频率;扬声器中的机械变化可以引起咔嗒声,并且线性调频声的频繁重复意味着用户听到蜂鸣声(许多紧密间隔的咔嗒声)。
因此,在本技术的一些版本中,可以用具有斜坡波形(例如,仅由上扫或下扫组成)的特殊双“音调”来实施作为FMCW的声学感测信号,使得频率从一个斜坡的末端(频率斜升和斜降)到下一个斜坡(频率斜升和斜降)急剧变化,而没有可听假象。这种双“音调”调频波形示出了其相对于时间的频率特点,其中至少两个变化的频率斜坡在一段时间内重叠,并且在该周期的任何时刻,诸如对于斜坡的持续时间或对于一部分,这些频率斜坡中的每一者都可以具有相对于其他频率不同的频率,这在图7B中关于虚线和实线示出。这可最终简化系统中的数据处理,且还移除三角波形的每一点处的潜在高振幅转变。急剧的和重复的转变有时会在系统的低级DSP/CODEC/固件中触发奇怪的行为。
实施这种双音调信号的重要考虑是使所得到的形状(成形)为扬声器/系统不需要进行急剧转变,并且它具有零点。这可以降低对使信号不可听而进行的滤波的需求。例如,可以避免高通或带通滤波,同时仍然允许信号作为不可听的感测信号进行操作。波形中零的存在简化了信号处理,因为零简化了这种信号的传输和接收的同步(例如,用于解调)。双音调的结果是,当使用一个以上的音调时,它提供了衰落鲁棒性的要素,并且衰落可以随所使用的频率以及相位或频率而变化(例如,在双音调系统中,可以在FMCW音之间使用100Hz的偏移)。
图7A和图7B示出了FMCW单音调(图7A)和双音调(图7B)实施方式的频域比较。单音调(图7A)可以优选地包括下扫(产生的频率随时间减少)以确保不可听性。然而,下扫可能被省略,但可能导致一些可听性。双音调(图7B)可以帮助避免这种下扫的需要,因为时域表示的形状是不可听的。图7B示出了第一音调7001和可选的第二音调7002的重叠。图没有示出接收到的回波(即,反射信号)。因此,音调在重复波形中形成与第二锯齿波频率变化重叠的第一锯齿波频率变化。它们是连续的,使得它们可以在感测周期期间重复。
可参照图8和图9来考虑图7A的FMCW单音调和图7B的FMCW双音调的性能。图8A、图8B和图8C示出了图7A的FMCW单音调实例的信号特点。图9A、图9B和图9C示出了图7B的FMCW双音调实例的信号特点。
图8A示出了作为在声学感测系统中操作的三角单音调FMCW操作的所传输的(Tx)信号8001和所接收到的(Rx)反射8001-R(回波)。图8B示出时域波形。图8C示出了信号的频谱内容。显然,在较低频率(在与FMCW信号的带宽相关的峰值区域之外)处仍然存在内容。这样的较低频率因此可以在可听频率范围内,从而导致不期望的性能特点。
图9A描绘了信号图9002中的双音调斜波FMCW信号。信号图9002表示两个音调,并且信号图9002-R表示两个音调/多音调的接收回波。图9B示出了具有零点(作为结果的过零点)的双音调的余弦状函数形状。图9C示出了在较低频率下更平滑得多的峰值和更低的功率振幅。当与图8C的斜率区域SR相比时,图9C的斜率区域SR示出了在/到较低频率中双音调斜坡FMCW的功率(dB)的急剧下降。从高(基本上不可听的、用于感测)频范围到较低(可听的、通常不用于感测)频率的更急剧的滚降是期望的声学感测属性,因为它对于用户来说较不突兀。在较低频率(在与FMCW信号的带宽相关的峰值区域之外)的功率可以比在图8C中所示的单音调FMCW三角形式的情况下的功率小40dR。如图9C所示,当与图9C的多边峰区域PR相比时,图9C的上平滑峰区域PR指示双音调斜坡FMCW信号可以具有更好的声学感测属性并且对扬声器的要求更低。这样的多音调FMCW或双音调FMCW系统(例如在基于Linux的单板计算机上运行)可以提供感测,使得可以在4m或更大的感测范围内识别多个人。它还可以检测例如在距离处理装置1.5米的心率,以及在外至大约4米或更大的呼吸率。示例性系统可以使用18,000Hz和18,011.72Hz的两个音调,这两个音调可以分别斜升到例如19,172Hz和19183.72Hz。
对于该1,172Hz的斜坡,我们可以考虑使用例如大小为4096点的FFT,其中仓宽度为48,000Hz/4096=11.72。针对音速为340m/s,我们注意到:340ms/s/11.72/2(用于输出和返回)=100个仓上14.5m或者每个仓14.5cm。例如,每个“仓”可以检测多达一个人(每个仓)(但是实际上人之间的间隔将大于这个值)。作为同步过程的一部分,信号可以被平方,例如,以避免在计算上更昂贵的相关操作,其中信号被乘以参考模板。与所使用的FFT大小无关,最大范围分辨率是声速/(带宽*2)=340/(1172*2)=14.5cm。然而,可以可选地提供同步过程,该同步过程包括将所感测到的反射信号与所感测到的直接路径信号互相关。同步处理可以可选地包括将参考模板与所感测到的反射声音信号的至少一部分相乘。
图10示出了通过将信号乘以其自身来“自混合”解调双音调FMCW斜坡的实例(以平方为单位)。就这点而言,可以通过将所接收到的回波信号与表示所产生的传输信号的信号(例如,来自振荡器的信号)相乘来执行解调,以产生反映扬声器或处理装置100、102的范围内的距离或运动的信号。处理产生“差拍频率”信号,该信号有时被称为“中间”频率(IF)信号。如本文更详细描述的,当诸如通过本地振荡器或通过其自身解调所接收到的Rx信号并将其低通滤波时,其利用FMCW可能产生还不被认为是基带(BB)的不寻常的“中间”信号。可以诸如通过应用快速傅立叶变换处理(FFT)来处理IF信号以变为基带(BB)。
如图10所示,仅利用接收(反射声音信号)Rx信号进行解调。这在数学上是可能的,因为Rx信号包含表示其中的传输(Tx)信号(例如,所产生的声音,其可以部分地沿着从扬声器到麦克风的直接路径传播,并且与反射声音一起被感测)的信号的大百分比。装置可以将所接收到的信号Rx自身相乘(诸如仅对其进行平方,因为解调可以被认为是乘法操作)。这之后可以是滤波过程(例如,低通滤波)。
尽管图10示出了自混合,但是可以实施若干不同的方法来利用反射信号和感测信号(即Tx或声音信号)导出运动信号。在一个这样的版本中,本地振荡器LO(其也可以产生声音信号)可以有效地产生用于经解调的Tx信号的副本。由于延迟或失真,实际产生的Tx信号可能与来自振荡器的内部信号略有不同。然后,可以通过来自本地振荡器LO(Tx)*Rx的信号的乘法来进行解调,该乘法之后还可以进行滤波(例如,低通滤波)。
在另一种版本中,可实施两个本地振荡器以产生两个LO信号。例如,LO信号的正弦和余弦副本可被实施以提供所接收到的信号的正交解调。通常,仅传输来自振荡器的一个信号(正弦或余弦)。由于延迟或失真,确切的Tx信号将与来自本地振荡器LO的信号稍微不同。在该版本中,可以进行解调(a)RX*LO(Sin)和(b)RX*LO(Cos),在每种情况下都可以跟随滤波(例如,低通)以产生I和Q解调分量。
图11包括示出利用所生成的同相和正交相位信号执行的经解调的输出的几个图示。左图示出了经解调的I/Q迹线(I(同相)和Q(正交)基带信号)。图的右图示出了信号的谱评估(例如,复数快速傅立叶变换(FFT)),其从左侧示出了DC/VLF分量、传感器前面的第一个人的生物运动信号周围的红色/蓝色垂直线,以及示出了在距传感器的距离(但是更远)内的第二个人的签名的右侧另一峰值。注意,在FFT的最右边没有看到反射,因为靠近传感器的两个人遮蔽了墙壁的反射。
如图12所示,在4米的低频超声传感器内没有检测到生物运动。这从近似在零振幅线上变化的I和Q迹线中的生理移动信号是明显的。在FFT图的左侧,示出了DC和VLF分量。在FFT图的右侧,示出了由房间中的墙壁反射引起的峰。
图13示出了使用低频超声生物运动感测的具有语音功能的睡眠改善系统的示例性系统架构。可以利用在本文描述的感测技术(例如,多音调FMCW声学感测技术)来实施系统。用户可以与先前被激活以监测用户睡眠的语音激活的扬声器通话。例如,口头指令可以查询智能扬声器以产生所确定的睡眠评分、呼吸(SDB)事件或睡眠统计的可听报告。基于报告,诸如通过建议治疗装置来帮助睡眠,系统的处理还可以产生关于改善睡眠的听觉意见。
关于图14所示的模块,可以考虑用于检测启用了本技术的低频超声所感测到的启用了扬声器的处理装置附近区域的运动的系统处理。处理装置14102包括扬声器14310和,可选地,双麦克风14302以及具有一个或多个可编程处理器的微控制器14401。这些模块可以被编程到微控制器的存储器中。就这点而言,在14410,音频样本或音频内容可以由可选的上采样处理模块进行上采样,并且可以被提供给求和器模块14420,诸如如果可选的音频内容与感测信号同时由扬声器产生。就这点而言,加法器模块14420可选地从产生FMCW信号(例如期望低超声频率范围内的双音调FMCW信号)的FMCW处理模块14430将音频内容与期望频率范围内的FMCW信号组合。求和的FMCW信号然后可以诸如由转换器模块处理,用于由扬声器14310输出。FMCW信号还被施加到解调器,诸如乘法器模块14440,其中FMCW信号与在麦克风14302处观察到的所接收到的回波信号一起被处理(例如,混合/相乘)。在这样的混合之前,所接收到的回波信号可以被滤波,例如自适应地滤波,如前面提到的,以去除感兴趣的频谱之外的不期望的频率。音频输出处理模块14444可以可选地对滤波后的输出进行下采样和/或对信号进行转换以产生音频信号。从乘法器模块1440输出的经解调的信号然后可诸如由后处理模块14450进一步处理。例如,可以通过频率处理(例如,FFT)和数字信号处理对其进行处理,以通过频率范围来改善所检测到的原始运动信号或以其他方式分离运动,从而隔离(a)呼吸运动或移动,(b)心脏运动或移动,以及总运动或移动,诸如总身体运动或总身体移动。然后,可以通过14460处的特征处理记录或以其他方式,例如数字化地处理生理移动信号,以表征信号的各种运动,从而检测如先前所提及的各种信息输出(睡眠、睡眠阶段、运动、呼吸事件等)。
关于总移动或总身体运动的检测,这种移动可以包括手臂移动、头部移动、躯干移动、肢体移动和/或总身体移动等中的任何移动。可以考虑并应用从传输和反射信号进行这种检测以进行运动检测的方法,该方法可以应用于SONAR声音类型的运动检测,例如,如在国际专利申请第PCT/EP2016/058806和/或PCT/EP2016/080267中所描述的,其全部公开内容通过引用并入本文。根据它的性质,这样的RF或SONAR技术可以一次看到所有的身体移动,或者至少看到身体运动的大部分移动,并且该技术可以取决于“波束”被精确地引导到哪里。例如,它主要照亮头部和胸部,或者整个身体等。腿部移动,诸如当它是周期性的时,可以主要被区分为基于移动频率的运动,并且可选地通过执行不同的自动增益控制(AGC)操作。当身体总移动较少时,呼吸检测是最有效的,以隔离呼吸波形的特征频率和信号形状(正常、COPD或CHF随着时间和吸气/呼气比率改变为速率、SDB事件、长期SDB解调等)。
当运动与床上的人相关联时,最大振幅信号可与总身体移动(诸如滚动)相关联。手或腿的移动可以较快(例如,来自I/Q信号的常速)但相对振幅较低。因此,在识别中可以考虑通过分析运动信号的这种移动的不同分量和/或分量序列,诸如其是否以总运动和加速度开始,臂移动的速度然后停止等。对于不同的运动手势,识别可以更有针对性。
如图15所示,这样的处理装置14100可以小且不突兀。可以将其运行用于具有生物运动感测的语音辅助的应用,以检测一个或多个说话人(苏醒)、检测嗜睡和睡眠阶段等)以及感测领域中的任何未授权方。
如前所述,可以在诸如图5所示的呼吸治疗装置5000(例如,PAP)中实施处理装置。就这点而言,图5所示的麦克风和扬声器被实施为产生低频超声学感测信号(使用诸如扬声器和麦克风的换能器实施),该低频超声学感测信号被内置到呼吸装置中,但是可以被引导到患者回路的外部感测。在治疗期间,可以通过流发生器自身的传感器测量用于检测呼吸暂停和计算AHI的呼吸参数,以便检测患者回路内的状况。当面罩(患者界面3000)和气流发生器(例如,呼吸治疗装置5000)未使用时,通常可以激活超声学感测。如图5所示,可以存在伙伴,并且可以可选地由另一处理装置100监测伙伴。
如图16和图17中所示,处理装置100可以检测并产生关于运动及其与处理装置100的距离的不同输出。在图16中,I(同相)和Q(正交)基带信号是从特定距离单元(例如,距离处理装置的距离)提取的。这包含总身体移动、呼吸移动和心脏移动。在图17中,左图示出了具有所有可用范围“仓”的复数谱评估。选择的蓝色仓产生图16所示的I/Q基带迹线。右下图是可能的睡眠评分、心率和呼吸轨迹,以及睡眠阶段或可从生理移动信号检测到的任何其他信息的描绘。基于图17的右上图的睡眠图中所示的事件来计算睡眠评分。
系统的声音感测与其他音频回放的感测-混合(共存)(音乐、语音、打鼾等)
除了本文描述的超声学感测之外,当处理装置100可以将其扬声器和/或麦克风用于其他目的时,可以实施本技术的一些版本。可以实施另外的过程以允许这种同时起作用。例如,传输比特流(声学感测信号)可以与由扬声器播放的任何其他音频内容(可听的)数字混合,如前面提到的用于同时产生音频内容和超声学感测。可以使用几种方法来执行这种可听音频内容和超声处理。一种方法需要对其他音频内容(其可以是单声道、立体声或更多通道-诸如在多通道环绕声系统中)进行预处理以去除将与感测波形重叠的任何频谱内容。例如,音乐序列可以含有将与例如18到20kHz感测信号重叠的超过18kHz的分量。在这种情况下,可以低通滤出将近18kHz的音乐分量。第二种选择是自适应地对音乐滤波,以便在重叠感测期间的短时间段内去除频率分量(直接路径和回波),否则允许未滤波的音乐;该方法被设计为保持音乐的保真度。第三种选择可以简单地对音乐源不做任何改变。
应当注意,在延迟被故意添加到某些通道(例如,Dolby Pro Logic、Digital、Atmos、DTS等,或者实际上虚拟化的空间形成器功能)上的音频源的情况下,也相应地处理任何这样的带内信号,并且当处理回波时,将不延迟感测波形或者将允许延迟感测波形)。
感测-与语音助理共存
应当注意,超声学感测波形的某些实现(例如,三角FMCW波形)可能对正在执行语音识别服务的某些语音助理(诸如,Google Home)具有不期望的和不想要的影响,因为它们具有可听频带内的频谱内容。通过使用双斜坡音调对,或预滤波(高通或带通滤波三角线性调频)感测波形,或使语音识别信号处理适应于对超声学感测信号分量鲁棒,可以避免这样的潜在串扰。
如下考虑FMCW斜坡信号y:
y=[A Cos(2pi(f1+f2t)t+phi]0 T
这个在时间周期T中从频率f_1倾斜到频率f_2,当在时间周期T切换时,这具有次谐波。
对这一现象的分析表明,它具有出现在较低频率的频带外谐波,因此可以被听到。
现在考虑特定的双斜坡对y,如下所示:
y=[A Cos(2pi(f1+f2t)t+phi]0 T-[A Cos(2pi(f1+(1/T)+f2t)t+phi]0 T
因此,消除了次谐波(在上文中减去),并且保留了信号。1/T是非常特异性的;通过使用(1/T),或实际上是-(1/T),在时间周期T的切换的效果被抵消。因此,所得到的信号是不可听的。它在数学上简单的同时做到这一点,这是一个优点,因为它在装置(例如,智能移动电话装置)上计算不繁琐。
因为双音调开关处于DC电平(“0”),所以在波形线性调频(信号的开始和结束)中存在关闭的自然点,以便避免咔嗒声(即,以避免扬声器进行大跳跃的方式来打开和关闭)。“0”还允许我们在每个线性调频脉冲之间,或者实际上在线性调频脉冲组之间引入安静周期,以便减轻回响和/或识别特定的传输器(即,重叠线性调频脉冲开/关时间序列)。
当考虑同时在房间中操作的两个装置时,子谐波的缺乏也是一个优点,因为它去除了可能的干扰源。因此,两个不同的装置可以使用非重叠(以频率为单位)的音调对,或者实际上以频率为单位重叠(但是由于非重叠静默时段的添加而及时重叠)的音调对。在扬声器/麦克风组合具有有限的可用不可听的带宽的情况下,后者可能是一个优点(即,它们的灵敏度在19或20kHz以上严重滚降)。
即使将相对不可听的三角FMCW信号与双音调斜坡进行比较,后者也具有非常小的子谐波电平(接近真实世界智能装置上的噪声基底-例如,接近量化电平)。
因为双音调斜坡可以斜升或斜降(而不是三角形)并且没有带外分量,所以不存在利用三角形斜坡可能发生的斜坡间泄漏问题。
在没有大量滤波的情况下,不能使标准斜坡音频信号不可听,这可能使所得到的波形的相位和振幅失真。
感测-校准/房间映射以优化性能
处理装置可以配置有设置过程。当装置首次建立时(或在操作期间周期性地建立时),其可以发出声学探测序列以映射房间环境、房间中的人的存在和/或数量等。如果设备随后被移动,或者检测到感测信号的质量已经降低,则可以重复该过程。该系统还可以传输声学训练序列,以便检查扬声器和麦克风的性能,并且评估均衡参数;真实世界的换能器可能在系统所使用的超声频率以及温度和开启特点方面具有一些非线性(例如,由于扬声器可能花费数分钟来解决)。
感测-用于定位的波束形成
可以实施专用波束形成或利用现有的波束形成功能,即,其中采用信号处理来提供发送到传感器阵列或从传感器阵列接收的信号的方向或空间选择性。这通常是“远场”问题,其中波前对于低频超声相对平坦(与“近场”医学成像相反)。对于纯CW系统,将音频波从扬声器传播出去,导致最大和最小区域。然而,如果可以获得多个换能器,则可以有利地控制辐射图-称为波束形成的方法。在接收侧,也可以使用多个麦克风。这允许在方向上优先地操纵声学感测(例如,在存在多个扬声器的情况下操纵所传输的声音和/或所接收到的声波)并且扫过区域。针对床上用户的情况,可以将感测转向对象,或者转向在床上有例如两个人的多个对象。可以在传输或接收时实施波束转向。由于低成本超声换能器(麦克风或扬声器)可以是相当定向的(例如,针对小换能器,波长与换能器的尺寸在此相当),这可以限制它们可以被转向的区域。
感测-解调和下变频
诸如利用图14所示的乘法器(混频器)模块14440解调所感测到的信号,以产生基带信号,可以进一步处理该基带信号以检测在感测场中是否存在与人的有特点的运动相关的、与接收的回波的变化相关的解调信号中的干扰。在除了接收到的回波信号之外还存在强的接收到的“直接路径”(从扬声器到麦克风的高串扰,例如,通过固体传输对通过空气传输和/或从扬声器到麦克风的短距离)信号的情况下,可以执行所得和的乘法以进行解调。否则,所接收到的回波可以与以电子形式而非声音形式提取的原始传输信号的一部分相乘(混合)。在特定实例中,系统不将所接收到的信号乘以传输信号来对其进行解调(尽管它可以是其他实施例)。相反,系统可以如下将接收信号(其包含传输信号的衰减版本以及接收回波)与其自身相乘:
传输=ATX(Cos(P)-Cos(Q))
接收=A(Cos(P)-Cos(Q))+B(Cos(R)-Cos(S))
自混频器=[A(Cos(P)-Cos(Q))+B(Cos(R)-Cos(S))]x[A(Cos(P)-Cos(Q))+B(Cos(R)-Cos(S))]即,接收x接收
低通滤波后的自混频分量(已解调):
方程简化后的自混频器输出(经解调的):
其中AA和BB是DC分量。
含有反射信号信息的解调分量(可以是静态的,也可以是移动相关的):
其优点是:传输和接收之间不需要同步,因为所有定时信息只包含在接收中,并且它在计算上是快速和简单的(方形阵列)。
在I、Q(同相和正交)解调之后,存在如何分离与空气湍流、多路径反射(包括与其相关的衰落)和其他缓慢运动(通常非生理)信息相关的低频分量的选择。在一些情况下,这种处理可以称为杂波去除。可以减去DC电平(均值),或者在重叠或非重叠块的基础上执行一些其他减损(诸如线性趋势去除);高通滤波器也可用于去除DC和极低频分量(VLF)。可以处理“去除的”信息以评估这种DC和VLF数据的强度-诸如是否存在强气流或显著的多路径效应。然后经滤波的解调信号可以被传递到频谱分析阶段。另一种选择是不使用高通滤波器并将未滤波的信号直接传递到频谱分析处理块,并在本阶段执行DC和VLF评估。
感测-特征提取
可以以多种方式进行光谱分析。如果使用快速傅里叶变换(FFT)来近似离散傅里叶变换(DFT运算),则信号被分割成重叠或非重叠块。在这种情况下,期望预先执行去趋势以处理我们正在用有限长度信号近似无限长信号的事实。在执行FFT之前,还可以对数据块(其可以是重叠的或非重叠的,并且其定时可以与输出的非重叠30秒“回波”不同,诸如用于与PSG实验室中的睡眠研究进行比较)执行开窗(例如,Hamming、Hanning等)),尽管这在信号具有强循环分量(例如,强深呼吸信号)的情况下可能不是期望的;如果执行窗口化,则通常将移除平均值。
另一种方法是时间-频率处理,诸如基于小波的方法(例如,离散化连续小波变换-DCWT),该方法既可以进行去趋势,也可以进行直接运动和呼吸提取。这种类型的方法特别适合于在同时存在其他移动(包括呼吸、肢体移动等)时提取与心脏移动相关的小得多的微小移动。
感测-不存在/存在检测-和替代波形
在感测领域中没有人或其他运动源的情况下,“静态反射”占支配地位(通常作为DC偏移或极低频分量起作用),并且可以清楚地识别为“不存在”。其他非人移动,诸如与气流有关的低频分量被滤出。系统是如此敏感的,使得它可以被配置为检测窗户或门是否保持打开。系统还足够坚固以适应这些条件。其他缓慢移动的源(诸如空调或强制加热)以及相对快速移动的周期性源(诸如风扇和摆动风扇)被滤出。
智能扬声器可以在室外(例如,在便携式耐候装置中)可用,但是如果检测到大的气流则将自动禁用感测。
系统可以执行附加处理以在高音量音乐回放期间(例如,在系统中存在边界失真的情况下,因为放大器和/或扬声器被推到非线性区域中)管理感测信号。
感测-多模式/混合感测
连续波(CW)系统可以使用快速检测来检测“任何事物”(即,房间中的一般运动),但是缺少准确的距离选通,并且对于衰落相对较差。增强是使用多音调CW来防止衰落。为了定位运动-可以使用范围门控-为此,期望使用FMCW、UWB或一些其他解调方案,诸如频移键控(FSK)或相移键控(PSK)。FMCW不具有类似CW罐的尖锐零点,有助于范围门控且抵抗房间中模式的建立。
换言之,可以使用诸如双音调或多音连续波(CW)的波形来感测诸如大房间的区域中的任何移动。选择多个音调,以便最小化由于多路径反射和/或混响而产生的驻波或行波所引起的任何零点。这种方法的优点在于,它允许检测任何运动,并且使用潜在更大的信号来填充空间。因此,它可以用作灵敏的运动检测器,并且用作入侵者检测器。当检测到候选运动时,系统搜索可能的候选生理信号,诸如用户走进房间、典型的活动序列、然后呼吸、心率和诸如姿势的特征移动。系统可以从不直接提供距离信息的CW类型系统切换到可以在指定距离检测并跟踪运动(诸如调频连续波(FMCW)或超宽带(UWB)信号)的系统。
UWB系统可以是可听的或不可听的,这取决于扬声器和麦克风的频率响应;如果这些组件能够支持更高的频率,则宽带信号可能仍然在人类听觉范围之外。对于更典型的消费者扬声器,UWB声音更可能是可听的,并且可以被成形为像经滤波的白噪声一样的声音(例如,粉红噪声,或听起来不让人耳觉得“难受”的某种变体)。这在睡眠时例如通过模仿白噪声发生器可能是可接受的。否则,UWB是当用户远离家用于安全应用时提供基于距离的所感测到的另一种选择。
在一些版本中,可以用多个感测设备来执行感测,诸如使用任两者或多者类型的感测设备(例如,声学感测设备、RF感测设备和IR感测设备中的任两者或多者)。例如,处理装置可以利用RF感测和声学感测(例如,FMCW)来检测运动。处理装置可以利用IR感测和声学感测(例如,FMCW)来检测运动。处理装置可以利用IR感测和RF感测来检测运动。处理装置可以利用IR感测、RF感测和声学感测(例如,FMCW)来检测运动。
不同感测装置/应用的共存
可以看出,编码的或未编码的超声信号可以由不同的装置产生,以允许设备和系统实施识别和其他数据交换目的。例如,移动电话应用可以被配置为生成用于通信目的的这样的信号,以便将其自身标识到其附近区域的另一个启用所感测到的装置/系统,诸如智能扬声器,反之亦然。这些类型的信号可以用于代替短距离射频通信(例如,在蓝牙不可用或被禁用的情况下)以进行识别。然后,系统的装置可以自动地确定其他处理装置在感测附近区域的存在(例如,经由来自另一处理装置的不可听的声学生成的通信信号),并且调整所生成的感测信号的参数,使得它们可以在非干扰感测模式下操作(例如,通过使用不同的频带和/或在时间上不重叠)。
使用智能扬声器进行生物测定感测
智能扬声器或类似装置典型地包括经由无线装置(诸如蓝牙、Wi-Fi、Zig Bee、网状网、对等联网等)与用于家庭自动化的其他连接的家庭设备(例如用于家庭自动化、智能自动化器具、智能照明、智能恒温器,或用于为器具供电的智能电源开关等)和网络(诸如因特网)进行通信,例如如图13所示。不同于设计为简单地传输声信号的标准扬声器,智能扬声器通常包括一个或多个扬声器、一个或多个麦克风以及处理电子器件。麦克风、扬声器和处理器可以被实施为界面到智能助理(人工智能(AI)系统)以提供个性化的语音控制。一些实例是Google Home、Apple HomePod、Amazon Echo,其中使用“OK Google”、“Hey Siri”、“Alexa”短语来激活语音。这些装置和连接的传感器可以被认为是“物联网”(IoT)的一部分。
当将先前讨论的超声检测技术(使用可听或不可听声信号)并入到智能扬声器中时,基于其能力(在智能扬声器系统的设计时评估和/或基于特定装置的实际性能更新)需要某些优化。概括地说,扬声器和麦克风所支持的最大频率将最终定义可以使用的最高频率不可听的感测信号,并且这可以基于特定装置的制造公差而稍微变化。
例如,第一装置(例如,Google Home装置)中的扬声器可能具有与第二装置(诸如,Samsung Galaxy S5智能电话)中的扬声器不同的特点。第一装置扬声器可以对高达24kHz的频率敏感,具有对类似频率的接近平坦的麦克风响应。然而,第二装置可以具有在较低频率下滚降的扬声器,其灵敏度在18kHz以上具有峰和谷。例如,Amazon Alexa装置的扬声器可能会以20kHz滚降。示例性Google装置可以使用被动反射式扬声器设计来对返回的波进行倒相并将其侧向发出,这改变了其声学特点(例如,在效果上,“10kHz”扬声器变为25kHz扬声器)。
一些装置可具有麦克风阵列,诸如平板计算机上的多个麦克风,且其可实施增益和平均功能,但麦克风元件之间具有间隔(例如,动态阵列分集阵列)。可以在数字域中使用数字信号处理在数字上完成这样的处理,即在数字域中完成。
关于这种系统要管理的一个电势差涉及扬声器和麦克风的取向。例如,在某些实施方式中,扬声器可以面向前方,并且可以指向用户的可能方向。然而,麦克风(一个或多个)可以朝向房间或天花板20-30度。
因此,为了优化用于距离声学感测的拾音,应用可以被配置为经由扬声器生成探测序列以学习房间拓扑,并且允许可能的反射路径。因此,设置过程可以生成序列以校准低频超声回波的距离测量(例如,以在多个人或运动源与智能扬声器处于不同距离时支持对多个人或运动源的同时监测)。从信号处理的角度来看,混响基底(反射声波的能量耗散花费多长时间)对于不同的感测信号将是不同的,例如,对于CW(连续波)具有2-3的因子,而对于FMCW(即,减少的混响)具有大约5的因子(即,减少的混响)(即,FMCW仍然可能遭受混响衰落,这取决于频率跨度、持续时间和重复序列的形状)。
麦克风分离可能存在困难。例如,在公共外壳中的麦克风阵列在智能扬声器上可用的情况下,麦克风的示例性间隔可以是71mm间隔。对于20mm波长,这意味着一个麦克风可以在波谷,而另一个在波峰区域(例如,当你移动固定的说话者时,SNR将在麦克风之间变化)。期望的结构可以是配置两个麦克风,其具有在19-20mm范围内的特定音频感测波长相关间隔。在这种距离对于预先配置的系统是未知的情况下,校准过程(诸如设置过程的一部分)可以检测距离。例如,设置过程可以经由一个或多个扬声器生成时间同步的校准声音,以计算或评估从每个扬声器到每个麦克风的传播时间,并且基于这些计算来评估麦克风之间的差异。因此,在用两个或多个麦克风感测距智能电话的距离时,可以考虑麦克风之间的距离。
也可以利用在本文描述的感测操作来实施其他装置,诸如有源声条(即,包括麦克风)和运动智能装置。
存在至少一个扬声器和至少一个麦克风(或可以被配置为执行这些功能的换能器)允许使用有源低频超声在这些装置上执行生物测定感测,并且处理这些装置的回波。如前所述,这可以通过播放(传输)声信号来实施,声信号例如正好在大多数用户的听力范围之外(例如,高于18kHz),但是在已知的或确定的系统能力内(例如,对于48kHz的采样率,可以低于24kHz,但是通常低于25或30kHz)。相反,通常在高得多的频率下操作医疗超声,例如1-18MHz,并且对于这些操作需要专门的设备。所讨论的超声测量技术提供了方便的非接触测量,而不需要购买任何昂贵的设备-仅使用几乎每个家庭都可获得的智能扬声器系统(包括智能电话)。
多用户附近区域感测
在一些版本中,处理装置可被配置为用一个或多个扬声器和一个或多个麦克风同时监测两个人(或更多人)。例如,处理装置可以以不同的感测频率产生多个感测信号,用于感测具有不同频率的不同用户。在一些情况下,其可控制产生用于在不同时间感测不同用户的交错感测信号(例如,在不同时间的不同感测信号)。在一些情况下,它可以按顺序调节用于在不同时间感测不同范围的范围选通(例如,用于平行感测中)。
在一些情况下,存在有助于最大化信号质量的一些条件。例如,可以将处理装置(例如,射频(RF)传感器,或支持SONAR的智能电话)放置在床边储物柜上。在这种情况下,可能存在第一个人的“遮蔽”效果,第一个人的身体可以阻挡非常多的感测信号(并且实际上有益于范围门控(在床上仅感测一个人)。在SONAR中,处理装置可产生两个(或多个)不同感测信号,或甚至单个FMCW(三角形、双斜坡或其他)感测信号以检测两个(或多个)人。FMCW的距离可分性意味着一个感应信号是足够的(诸如在房间里只有一个扬声器/麦克风)。理想地,为了同时监测两个人,用户可以将处理装置放置在升高的位置,使得大部分声能到达两个用户(例如,使得第一用户和他/她的床单/羽绒被不会阻挡太多的感测信号)。如果在同一装置上有两个麦克风,则如果存在显著的相长/相消干涉(例如,因为它可能更接近一个上的峰值,而另一个上的零-尤其是对于来自更远对象的较小振幅的接收信号),则这也可以提供优点。
如果有更靠近第二个人的SONAR/智能电话,它可能更有益(并且可能实现更高的信号质量)。第二个人可以使用他们的智能电话/处理装置,并且第一个人使用他们的智能电话/处理装置。可以产生感测信号以避免彼此干扰(即,防止信号在时间和/或频率上重叠)。这些装置可以自动地感测环境(通过在传输之前侦听和/或在我们传输时处理所接收到的信号),以便选择性地选择不干扰来自附近区域其他装置的预先存在的感测信号的感测信号解调/技术。
在一些情况下,传输和接收灵敏度的声压级使得具有完全相同的传输感测信号的两个智能手机不会引起干扰,因为空气衰减和吸声表面(织物、地毯、床上用品等)的混合可能具有将第二源保持在干扰阈值以下的影响。如果由相应用户使用每个处理装置,则这些装置可以被配置为可选地自动降低每个装置的输出功率,使得可以诸如以最低的必要输出功率充分地检测被监测对象的生物计量信号。这样的过程可以允许每个过程检测运动,同时避免与其他装置的干扰。
感测生理信号
在DC和VLF(例如,气流)分离之后,呼吸、心率和总运动信号被分离。可以通过在FFT窗口中的仓搜索,以及跨越窗口的跟踪,和/或经由在指定范围(例如,用于使用解调信号的复FFT分析提取的指定距离范围的“时域”信号)的时域信号的直接峰/谷或过零点分析来评估以上这些。这允许选择用户运动的范围。这有时被称为“2D”(二维)处理作为FFT。
生物测定特征检测-呼吸、心脏、移动和距离
时域信号(基带原始运动信号)可以进一步被带通滤波,应用包络检测器,然后应用峰谷检测器。可以用Hilbert变换或通过对呼吸数据进行平方、通过低通滤波器发送平方后的数据,并计算得到的信号的平方根来执行包络检测。在一些实例中,呼吸数据(通过带通滤波导出的)可以被归一化并且通过峰谷检测(或可选地,过零点)过程来发送。检测过程可以分离吸气和呼气部分,并且在一些情况下可以被校准以检测用户的吸气和呼气部分。
呼吸活动通常在0.1至0.7Hz的范围内(每分钟6次呼吸-诸如从起搏的深呼吸到每分钟42次呼吸-成人中的非典型快速呼吸速率。心脏活动反映在较高频率的信号中,并且可以通过用具有从0.7Hz到4Hz范围(每分钟48次搏动到每分钟240次搏动)的通带的带通滤波器进行滤波来访问这种活动。由于总运动而导致的活动通常在4Hz至10Hz的范围内。应当注意,在这些范围内可以存在重叠。强(干净)呼吸轨迹可以引起强谐波,并且需要跟踪这些以避免将呼吸谐波与心脏信号混淆。在距离换能器较长的距离(例如,几米)处,检测相对小的心脏机械信号可能是非常具有挑战性的,并且这样的心率评估更适合于用户安静地躺在智能扬声器的仪表内的设置,诸如在椅子/长椅上或在床上。
一旦已经将不存在/存在确定为“存在”,则针对传感器领域中的一者或多者人执行对呼吸、心脏和运动/活动信号以及它们的相对位置(和速度,如果运动则诸如行走穿过房间)的评估。可以看出,产生测距信息的系统能够分离多个人的生物统计数据,即使多个人具有相似的休息呼吸速率(这在年轻夫妇中并不罕见)。
基于这些参数,可以准备各种统计测量(例如,平均值、中值、第3矩和第4矩、对数、平方根等)、波形(形态处理),然后提供给表征系统,诸如简单分类或逻辑回归函数,或使用神经网络或人工智能系统的更复杂的机器学习系统。处理的目的是从所收集的生物计量数据获得进一步的见解,诸如用于识别装置附近区域的已知用户。
低频超声(SONAR)感测
许多地方包含能够传输和记录恰好高于人的听觉阈值的低频超声范围内的声音的音频装置,例如,信息娱乐系统。这样的装置和系统可以适于使用低频超声技术对附近区域的人执行生理感测。可以在不影响标准音频系统的原始预期功能的情况下执行这种感测。在一个实例中,可以通过软件更新(即,允许添加附加的有用功能而不增加商品成本)来实施这种感测功能。在一些情况下,可以指定新装置或系统中的一者或多者换能器来支持用于低频超声所感测到的音频频率范围,在制造时进行额外的测试以确保它们符合本说明书。
这种声学(可听的或不可听的)感测技术可用于多种目的,包括主动健康管理、医疗装置和安全功能。
可以在运动智能装置或智能扬声器装置上实现运行高达约25kHz的低频超声系统。这使用电子装置上的一个或多个换能器向一个或多个对象传输声能,其中换能器被配置为在包括小于25kHz的频率的频率范围上生成声能。扬声器可以包含在智能电话、智能扬声器、条形音箱、便携式电视机屏幕、或包含能够支持低频超声感测和处理的换能器的许多其他装置和配置中。如果计算机被实施为控制扬声器系统,则它有效地创建智能扬声器系统。
可以从附近区域的感测音频信号中提取并分类可听声音,诸如呼吸声音、咳嗽声音、睡着时打鼾声音、气喘声音、喘息声音、语音声音、嗅闻声音、打鼾声音,以便允许将这些声音与将被检测以用于运动感测的反射感测信号隔离。这些声音中的一些(例如,咳嗽)可以掩蔽感测信号(特别是如果其以非常低的声压级操作),这是不期望的。然而,这样的声音仍然可以是可检测的,使得它们可以与其他环境声音(例如,汽车喇叭鸣笛、电机噪声、街道声音、风、砰的一声或关门等)分离。呼吸音在安静环境中通常具有更好的信号质量,并且当采用主动感测方法诸如SONAR或RADAR(包括RF方法)(其主要检测躯干和肢体移动)或相机/红外系统时,可以提供吸气/呼气时间(以及因此呼吸率)的良好的第二评估值。换句话说,系统仍然可以提取关于声音特点的信息,即使是非常大声的声音,这意味着当相关联的信号质量下降到可接受的阈值以下时,系统可以跳过感测信号的小部分。
在SONAR系统中,由吸气或呼气引起的空气移动也可以通过跟踪所得到的行波阵面的方法来检测(由于在感测环境中建立的声学模式的干扰-如果感测信号持续足够长以经历混响)。直接从可听信号检测打鼾更容易,因为这是相对大的过程,例如通过使用平均最大分贝水平来将打鼾分类为轻度(40-50db)、中度(50-60db)或重度(>60db)。
因此,在一些情况下,处理装置100可以使用用于检测呼吸的运动检测(例如,声纳)技术。然而,在一些情况下,可以由用于呼吸检测的处理装置100来实施麦克风处的可听呼吸信号的声学分析。
RF(雷达)感测
为了安全起见,一些系统可以包括用于简单的内部移动检测的单脉冲多普勒雷达模块。这些可以被增强(利用更新的软件)或用能够将运动检测定位到附近区域的特定区域的模块来替换,特别是能够检测和区分每个座位/就座区域上的人。可以用诸如超宽带(UWB)感测信号或调频连续波(FMCW)感测信号的技术来增强传感器,或者在其生成的感测信号中包括诸如OFDM、PSK、FSK等其他编码方案。这些可以用具有精确测距能力(1cm或更小)的传感器来实施。这样的传感器可以在限定的区域中进行感测(例如,经由可以被配置为在附近区域内具有特定座椅定向的感测方向的天线设计来设置)。在一些情况下,可以针对特定感测区域实施多个天线,并且多个天线可以与波束形成技术一起使用以设置与不同天线相关联的距离感测差异。在一个区域中可以使用多个传感器来提供人(或宠物)可能处于的多个区域的覆盖(例如,用于每个座位的传感器)。
多模式数据处理
当使用SONAR、RF或红外线感测(即,用于IR波传输和接收的红外线传输器和检测器)时,处理装置100可接收由附近区域(例如,用于评估占有率)的设备产生的额外数据或信号,使得生物运动感测可基于来自此类设备的数据。例如,检测是坐在给定座位上还是床上的人的座位/床负载传感器可以向生物运动处理装置100提供信息,以相对于可能与特定座位或床相关联的感测来确定何时启动生物运动感测。红外系统可以可选地例如与能够跟踪人眼移动的相机系统结合,诸如用于嗜睡检测。
处理装置可以配置有用于评估用于检测生物运动特点的相关范围/距离的距离信息。例如,处理装置100可以具有诸如房间的附近区域内部的距离映射(地图)。可以在设计阶段初始提供这样的映射,例如被提供用于指定初始感测配置。可选地,在处理装置的控制下,感测系统可以动态地更新(或检测)一个或多个人使用时的地图。初始配置可以例如捕获/检测座椅的位置,以及最可能的座椅配置;在座位可移动的情况下,传感器可向系统报告当前设置以更新感测参数(例如,当座位向后或向前滑动,或向下折叠等时,就座者的位置可相对于感测扬声器移动)。
生物测定特征检测-呼吸、心脏、移动和距离
处理传感器信号
例如可选地如果处理装置没有执行解调,那么特别包括处理装置100的系统可以从传感器(诸如从SONAR、RF/RADAR或红外线)接收解调信号。然后,处理装置100可以通过分离感兴趣的分量来处理信号,感兴趣的分量诸如是直流信号DC和极低频VLF(例如,气流)、呼吸、心率和总运动信号。可以通过在快速傅里叶变换(FFT)窗口中的仓搜索和跨越窗口的跟踪来评估/检测以上这些,和/或经由对特定范围(例如,针对使用解调信号的复FFT分析提取的特定距离范围的“时域”信号)的时域信号的直接峰/谷或过零点分析来评估/检测以上这些。由于FFT是由例如国际专利申请PCT/EP 2017/073613中描述的FFT来执行的,所以这有时被称为“2D”(二维)处理。
对于SONAR感测,可以在音频带中找到重要的其他信息并由麦克风拾取。这样的信息可以是信息娱乐声音(音乐、无线电、电视、电影、电话或视频呼叫(包括人类语音、环境噪声)以及其他内部和外部声音,诸如汽车、交通或车辆噪声。这些音频分量中的大部分可以被认为是干扰,并且可以从生物统计参数评估中被抑制(例如,被滤波)。
对于RADAR感测,可以抑制来自其他RF源的信号分量。
对于红外感测(诸如当除了眼睛跟踪之外还执行生理感测时),温度变化和太阳位置可能引起干扰并且可能被考虑在内。因此,可以在处理感测信号时评估诸如来自恒温器温度传感器的温度传感器和时间。
与所使用的精确感测技术(RF、IR、SONAR)无关,(例如,通过使用带通滤波器的带通滤波、通过包络检测器评估),然后通过峰值/波谷检测器)对所接收到的时域反射信号可进行进一步处理。可以用Hilbert变换或通过对呼吸数据进行平方、通过低通滤波器发送平方后的数据,并计算得到的信号的平方根来执行包络检测。在一些实例中,呼吸数据可以被归一化并通过峰谷检测(或可选地,过零点)过程发送。检测过程可以分离吸气和呼气部分,并且在一些情况下,可以被校准以检测用户的吸气和呼气部分。
呼吸活动通常在0.1至0.7Hz的范围内(每分钟6次呼吸-诸如从起搏的深呼吸到每分钟42次呼吸-成人中的非典型快速呼吸速率)。心脏活动反映在较高频率的信号中,并且可以通过用具有从0.7Hz到4Hz范围(每分钟48次搏动到每分钟240次搏动)的通带的带通滤波器进行滤波来访问这种活动。由于总运动而导致的活动通常在4Hz至10Hz的范围内。应当注意,在这些范围内可以存在重叠。强(干净)呼吸轨迹可以引起强谐波,并且需要跟踪这些以避免将呼吸谐波与心脏信号混淆。在距离换能器较长的距离(例如,几米)处,检测相对小的心脏机械信号可能是非常具有挑战性的,并且这样的心率评估更适合于用户安静地躺在智能扬声器的仪表内的设置,诸如在椅子/长椅上或在床上。
一旦确定了不存在/存在为″存在″,则针对传感器领域中的一者或多者人执行呼吸、心脏和运动/活动信号(以及它们的相对位置和速度,如果移动的话,诸如移进和移出附近区域)的评估。可以看出,产生测距信息的系统能够分离多个人的生物统计数据,即使多个人具有相似的休息呼吸速率(这在年轻夫妇中并不罕见)。
基于这些参数,可以准备各种统计测量(例如,平均值、中值、第3矩和第4矩、对数、平方根等)、波形(形态处理),然后提供给表征系统,诸如简单分类或逻辑回归函数,或使用神经网络或人工智能系统的更复杂的机器学习系统。处理的目的是从所收集的生物计量数据获得进一步的了解。
睡眠分段分析
由于不存在/存在/觉醒/(NREM)睡眠阶段1/睡眠阶段2/睡眠阶段3(慢波睡眠SWS/深度)/REM具有与代表睡眠周期的基础睡眠架构相关的序列,因此将其视为有序而非无序问题(即,反映人在一个状态保持一段时间的典型睡眠周期)是有帮助的。睡眠的顺序在例如整个夜晚(“睡眠”)赋予观察明确的顺序。
一些系统还可以利用“正常”睡眠模式的知识,该睡眠模式在接近夜晚开始时具有更(更普遍)深睡眠(SWS),并且在接近夜晚结束时具有更多的REM睡眠。的该先验知识可以被用于加权(例如,随着时间调整这些状态的先验概率)用于正常睡眠者的分类系统;然而,应当注意,来自人口常规值的这些假设可能对于非正常睡眠者或在白天定期睡眠或睡眠卫生差(不良睡眠习惯,诸如广泛变化的“上床”和“起床”时间)的那些睡眠者不适用。
传统上,睡眠分段已经在30秒的″时期″中被考虑,该时期追溯到Rechschafen&Kales指南(Rechschaffern和Kales,1968)(用于人类对象的睡眠阶段的标准化术语、技术和评分系统手册,美国公共卫生服务公司,美国政府打印办公室,华盛顿特区1968年),当看脑电图EEG时,发现30秒的间隔对于以10mm/s的纸速度(一页等于三十秒)观察阿尔法和纺锤体是理想的。当然,睡眠和清醒(以及不存在/存在)的实际生理过程将不均匀地分成30秒的块,因此可以选择更长或更短的时间。本文概述的系统优先使用1秒(1赫兹)休眠阶段输出,尽管它以重叠方式使用较长数据块来每1秒(1赫兹)递送更新(具有与底层处理块大小相关联的相关延迟)。使用此1秒输出以更好地显示休眠循环中的微小变化/转变。
睡眠特征-手动和自动生成
所感测到的信号(表示距离对时间(运动)信息的信号)用于计算各种特征,诸如睡眠特征。这些特征然后可用于导出关于用户的生理状态的信息。
对于特征生成,可以实施多种方法。例如,人类专家可以基于其经验,通过查看呼吸和其他生理数据及其分布,理解特定变化的生理基础以及反复试验,从处理或未处理的信号手动产生特征。或者,机器可通过某种人类监督(“机器学习”领域的核心概念)来“学习”特征,其中提供具有预期结果的经标记数据且提供某种人类帮助,或以全自动方式来“学习”特征,其中可提供一些或不提供经标记数据。
可以在以下广泛的类别中广泛地考虑深度学习:深度神经网络(DNN)、卷积神经网络(CNN)、递归神经网络(RNN)和其他类型。在DNN内,可以考虑深度信念网络(DBN)、多层感知器(MLP)以及堆叠式自动编码器(SAE)。
深度置信网络(DBN)拥有生成能力,例如从输入数据自动生成特征。用于此目的的另一种方法是有助于在预处理数据中找到固有结构的无监督学习的形式的模糊C-均值聚类(FCM)。
可以通过将数字信号处理技术应用于所感测到的移动数据来形成手工特征。在理想情况下的呼吸信号是完美的正弦曲线,具有两个振幅(深或浅)和恒定频率(恒定呼吸速率),描述为你吸入然后呼出。在现实世界中,它可能远离正弦曲线-尤其是如经由基于声学或射频的感测方法从躯干区域检测到的。例如,吸气可能比呼气更深并且更快,并且如果保持呼气一会儿,则可能在波形上出现凹口。吸气和呼气振幅以及呼吸频率可以变化。一些提取方法集中在检测峰和谷,然后检测两者的较好质量(即检测局部峰和丢弃谷)。如果需要峰值时间和谷值时间两者以便评估吸气时间和呼气时间两者以及体积(例如,通过时域信号相对于计算的参考基线的积分来计算),则这不理想,但是对于呼吸速率评估可能足够好。
可以使用各种方法来帮助评估任何这些特征,诸如呼吸和/或心率或振幅。
例如,峰值和谷值候选信号提取需要从噪声中恢复呼吸波形状,并且可能存在各种带外和带内噪声,通常具有较低频率噪声的优势,这可能使较低呼吸速率的准确检测复杂化(例如,每分钟4-8次呼吸,虽然对于自主呼吸是不寻常的,但是如果要求用户将他们的呼吸引导到较慢的速率,则可能出现这种情况)。时域检测方法包括使用自适应阈值在低通滤波之后的最大和最小检测(其在多个呼吸的块上调整以允许连续地检测深浅呼吸)。可选地,信号可以被低通滤波和微分(例如,导数函数)。然后,可以检测与最大变化率相关的微分信号中的峰值,以提供呼吸事件的指示。这种方法提取呼吸波形的基准点,呼吸波形被建模为在其上具有一些噪声的正弦曲线。LPF去除高频噪声。然后进行区分并检测峰。实际上,这找到了原始信号的最大变化率的点,而不是原始信号的峰和谷,因为呼吸波形在最大变化率时通常是最清楚的,而不是比方说宽的峰(例如,如果呼吸保持持续短时间)。一种可能更稳健的方法是检测过零点(在固定的或自适应的基线附近区域),因为边界的交叉不直接受信号振幅的局部变化的影响。
虽然呼吸信号在时域信号中可以是容易可见的(取决于胸部离(一个或多个)传感器的距离和角度),但是与呼吸相比,心脏运动通常是非常小的信号。较高次的呼吸谐波(例如,与波形相关的同频信号)可以使心脏信号提取复杂化,并且需要被拒绝,或者被检测和排除。
也可以将频域方法应用于例如呼吸数据。这些方法可以包括使用FFT(其可以被加窗以对抗频谱泄漏)的频带中的检测到的峰值,该FFT使用可以重叠(例如,被重复移位例如一秒的数据流的30s的数据块)或非重叠(例如,数据流被认为在三十秒块中是非重叠的)的数据块。也可以使用利用Welch方法的功率谱密度PSD,或者参数模型(自回归),随后进行峰值搜索。当呼吸信号变得不太成正弦曲线时,谱峰将趋于更宽(更分散),并且如果形状具有尖锐的峰、尖锐的谷或凹口,则可以包括谐波。另一种方法是使用自相关(描述信号与自身的移位版本的相似性)来评估呼吸速率,其中假设基础呼吸波形在一段时间内相对稳定,并且自相关中的周期性局部最大值可以由最可能的候选(例如,与噪声无关)来跟踪和滤波,以便评估呼吸速率。可以在时域中进行自相关,或者在频域中通过FFT进行自相关。时间频率方法,诸如小波也是有用的,其中选择具有正弦形状的合适的小波(例如Symlet、Debauchies等),其可以执行强的去噪;再次,最终在感兴趣的时间尺度(即,在目标呼吸速率范围内)执行峰值检测。
将时域信号应用于卡尔曼滤波(递归算法)来评估系统状态;该方法提供了仅基于使用先前步骤来预测系统的未来未知状态的方法。除了滤波之外,它还可以提供诸如大运动、呼吸和心脏移动的信号分离。
(噪声污染观察(例如,用于检测噪声环境中的生理移动)
呼吸峰和谷的任何检测需要注意潜在的混杂效应,诸如如果对象停止呼吸(例如,呼吸暂停)或表现出非常浅的呼吸(例如,呼吸不足)则对象进行大的移动(例如,在床上滚动或在驾驶的同时移动)。使用能够跟踪位置的感测提供了分离这些效果的有用手段。例如,可以将滚动看作高频移动以及空间位置的变化。因此,后续呼吸的振幅可以更高或更低,但仍然是“健康”呼吸。换句话说,所检测的振幅变化可能是由于所提取的接收呼吸信号(在下变频等之后)强度的变化,而不是人的呼吸的变化。因此,可以看出这可以允许新颖的校准方法,其中所检测到的距离可以用于将信号强度与呼吸深度相关联(并且因此近似潮气量。在没有观察到这种移动或移位的情况下,可以将指定持续时间范围的减小、停止或改变(例如,由于阻塞性事件期间胸部和腹部上的反常移动而导致的疾病)识别为异常呼吸(例如,呼吸暂停/呼吸不足事件)。
可以看出,实用的、鲁棒的心肺评估系统可以依靠多种方法来定位参数。对于良好的信号质量情况,频率(或时间频率)评估可以定位可能的呼吸速率、局部呼吸可变性的评估,然后提取微小的峰和谷时间,并且用范围进行校准,以便评估吸气和呼气体积(用于睡眠分段的有用特征)。期望这种信号质量度量随时间变化。如果在测量的呼吸速率中存在变化,则可以在不同的时间尺度上进行处理,例如,在30、60、90、120、150秒等上求平均或中值滤波。
在SONAR情况下,原始接收波形的包络(例如,声学FMCW信号的包络)可以被处理为主输入,或者被处理为副输入,诸如当实施其他附加感测信号时,用于呼吸率评估(诸如用于使用SONAR来提供用于RF感测系统的额外信息,反之亦然)。这基于检测人的呼气的空气中的实际扰动的特点。这意味着在客舱、房间或附近区域(例如,来自开放的窗户、附近区域的空调单元、附近区域的加热器等)没有其他强空气流;如果存在,则可以丢弃它们对测量的影响,或者使用它们来检测环境中气流的变化。
大的气流将倾向于作为穿过距离单元的低频移动(即,穿过距离流动的扰动)是可检测的。这对于感测具有更多混响(例如,允许一个频率的能量在房间中积累,以及相关联的房间模式)的波形来说是更明显的。
当考虑跨一般群体(即,包括具有正常健康状况的用户、具有各种健康状况的用户,包括诸如睡眠呼吸暂停、COPD、心脏问题等呼吸状况)工作的睡眠分段系统时,可以看到,呼吸率和心率的基线可以广泛地变化。以年龄、性别、体重指数(BMI)为例。对于类似的年龄和BMI,女性可能具有比男性稍高的基线呼吸率(尽管最近在4-16岁的儿童中的研究没有显示统计学差异)。具有较高BMI的那些将倾向于比类似年龄的某人的平均值呼吸更快。儿童正常呼吸频率比成人高很多。
因此,在一些版本中,可以在应用深度信念网络(DBN)之前,利用混合实施来制造诸如具有与传感器类型无关的处理装置100的系统,诸如其中形成初始信号处理和一些手工特征。(混合实施方式涉及人类“手工制作的”、与机器学习的特征组合的数字信号处理(DSP)导出的特征的混合)使用来自睡眠实验室或家庭PSG的专家评分多导睡眠图(PSG)过夜数据集、来自世界各地的多个站点来执行初始监督训练,并且使用指定的评分方法由至少一个评分器来评分。从利用一个或多个选择感测方法收集的数据集执行进一步的无监督训练。这使得系统能够在睡眠实验室之外反映新的和更加多样的数据。
在手工制作的特征方面(即,人类工程师/数据科学家已经设计、选择或创建了它们),提取具有相关联的信号质量水平的呼吸信号,其中感兴趣的特定特征是呼吸速率在不同时间尺度上的可变性,以及吸气和呼气时间的变化。形成用于清醒和睡眠的个性化基线呼吸率的评估。例如,已知在清醒时呼吸率可变性的短期变化可以与情绪和情绪变化相关,而在睡眠时这些变化与睡眠阶段的变化相关。例如,呼吸率可变性在REM睡眠中增加。呼吸率自身的长期变化可以与精神状况的变化相关,诸如提供精神健康的指标。当用户睡着时,特别是当在更长的时间标度上分析时,并且与群体标准值相比,这些影响可能更深刻。
可以使用测量的呼吸率的可变性作为用户的状态(睡眠/清醒)或睡眠阶段(REM、N1,然后是N2,然后在SWS睡眠中最低)的指示。例如,当在正常健康人中在诸如15分钟的时间段内查看标准化的呼吸率变化时,当他们清醒时可以看到最大的变化;这种可变性在所有睡眠状态中下降,在REM睡眠中次之(但仍然小于苏醒时),然后在N1中进一步减小,再在N2中进一步减小,然后在SWS睡眠中最低。总之,在REM睡眠中由于呼吸引起的空气压力可以增加,这可以对所检测到的声学信号具有影响-在安静的环境中或在安静的时间可以检测潜在的额外特征。
对于健康人,这种归一化的呼吸频率值不应当在不同的位置(仰卧、俯卧、侧卧等)之间显著变化。然而,应当注意,可能需要对正确潮气量进行校准。例如,系统可以整夜归一化,因为一个人的平均呼吸率可以是例如在睡着时每分钟13.2次呼吸(BR/MIN),而另一个人的平均值可以是17.5BR/MIN。这两个速率显示每个睡眠阶段相似的可变性。速率的差异仅仅掩蔽可能被考虑用于对睡眠状态进行分类的改变。系统可以考虑平均速率(或总速率图)以用于其他目的,诸如随时间推移与自身进行比较,或者实际上与类似人口统计中的某个人进行比较。对于患有阻塞性睡眠呼吸暂停(OSA)的人而言,预期呼吸可变性将在仰卧位置(背卧)增加-用户的呼吸健康的潜在有用指示。
具有混合型呼吸暂停或中枢性呼吸暂停的对象在清醒期间倾向于显示出比正常对象更大的呼吸可变性(有用的生物标志物),在清醒期间也具有相对于正常的变化,这不是显而易见的(但在许多情况下仍然存在)。
系统可以随时间学习个人特定的睡眠模式(例如,呼吸可变性);因此,非常期望一种一旦部署就位,就能够执行无监督学习的系统。
这些模式可以过夜(即,在睡眠期期间)变化并且可以受到在睡眠期期间发生的呼吸暂停的影响,如呼吸的部分或完全停止(或当存在阻塞的气道时胸部和腹部的反常移动)。可以看出,如果计算睡眠阶段,处理问题的一种方式是通过抑制具有所检测到的呼吸暂停的周期(和呼吸速率中的相关联的振荡)。可以简单地标记呼吸暂停和潜在的微唤醒,而不是试图在时间点对睡眠阶段进行分类。周期性呼吸模式(诸如潮式呼吸(CSR))具有强振荡模式;这些也可以在睡眠预处理阶段期间被检测。尽管CSR可以发生在任何睡眠阶段,但在非REM睡眠中暂停倾向于更有规律,而在REM睡眠中更有规律(系统可以使用信息来改善具有CSR的对象的睡眠分段)。
类似地,可以用抑制与呼吸波形形态相关的任何谐波的处理步骤来提取心脏信号。检测诸如阻塞性、混合性或中枢性呼吸暂停的特定模式,以及任何相关的恢复呼吸和与通气相关的移动。根据心脏信号,基于生理上可能的心率值来评估搏动间“心率可变性”(HRV)信号。可以计算频谱HRV量度,诸如平均呼吸频率的对数功率,LF/HF(低频与高频)比、归一化的HF的对数等。
逐次搏动时间(HRV波形)的HF谱是0.15-0.4Hz范围内的功率,与2.5至7秒的副交感神经或迷走神经活动(呼吸性窦性心律失常-或RSA)的节律有关,并且有时被称为“呼吸带”。
LF频带为0.04-0.15Hz,认为其反映静止时的压力感受器活性(并且一些研究建议可能与心脏交感神经支配具有关系)。
极低频(VLF)HRV功率在0.0033-0.04Hz之间(300至25秒),且降低的值与心律失常和创伤后应激障碍(PTSD)有关。
也可以使用时域方法,诸如SDNN(正常心跳间隔间的标准偏差-以捕获长期可变性)和RMSSD(连续心跳间隔差的均方根-以捕获短期可变性)提取HRV参数。RMSSD还可以用于筛选不规则不规律的逐次搏动行为,诸如在心房纤颤中所见的。
就HRV而言,所计算的LF/HF比的变化是非REM睡眠的可检测特征,在REM睡眠期间向“交感”HF优势变化(其可能与交感神经到副交感神经平衡有关)。
更通常地,REM睡眠中HRV典型地增加。
当随着时间分析时,呼吸速率和心率信号的长期平均值或中值对特定的人是重要的,尤其是如果存在一些干预,诸如药物治疗、病后痊愈(身体或精神)、健康水平的改变、睡眠习惯随着时间的改变。它们在人与人之间的直接比较方面有点不是很有用(除非使用非常相似的分组策略)。因此,对于呼吸和心脏可变性特征,将这些归一化(例如,根据度量归一化、去均值、去除中值等)以使得能够在群体中更好地进行概括是有用的。
进一步分析所提取的特征可以利用深度信念网络(DBN)。这种网络由受限波尔兹曼机(RBM)、自动编码器和/或感知器的构建块组成。DBN对于从这些提取的特征中学习是特别有用的。可以在没有监督的情况下使用DBN,然后用标记的数据(即,通过人类专家输入确认的数据)进行训练。
可以传递到DBN上的所提取的特征可以包括:呼吸暂停类型和位置、呼吸率及其在不同时间标度上的可变性、呼吸、吸气和呼气时间、吸气和呼气的深度。心率及其在不同时间标度上的可变性、心冲击描记图搏动形状/形态移动以及活动类型诸如总移动、PLM/RLS、信号质量(随时间测量的完整性)、用户信息诸如年龄、身高、体重、性别、健康状况、职业等。还可以计算诸如信号的偏度、峰度、熵等其他统计参数。DBN将自己确定几个特征(对其进行“学习”)。有时可能难以理解它们所代表的是什么,但它们常常比人做得更好。挑战是它们有时可能在差的局部最优值处结束。一旦他们已经“学习”了特征,系统就可以用一些标记的数据(例如,由人类专家输入的数据)来调整它们,可以对特征(一个专家或多个专家的共识)进行评分。
DBN还可以从输入参数直接学习新的特征,该输入参数包括呼吸波形、活动水平、心脏波形、原始音频样本(在SONAR情况下)、I/Q生物活动数据(在SONAR或RADAR情况下)、强度和颜色水平(例如,来自红外相机的数据)等。
单纯使用手工特征的机器学习方法是“浅学习”方法,其在性能水平上趋于稳定。相反,随着数据大小的增加,“深度学习”该方法可以继续改善。上述方法使用深度学习(在这种情况下为DBN)来创建用于经典机器学习的新特征(例如,取新特征、通过特征性能来优胜特征选择、用ICA(独立分量分析)或PCA(主分量分析)来白化(即,维度缩减),以及使用基于决策树的方法(诸如随机森林或支持向量机(SVM))来分类。
如本文所使用的,完全深度学习方法避免了这样的特征选择步骤,这可以被看作是一个优点,因为这意味着系统不使用在人群中看到的庞大种类的景象。然后可以从未标记的数据中学习新特征。
用于这些多模式信号的一种方法是首先在每个信号上,然后在链接的数据上训练深度信念网络。其基本原理是,某些数据流可能简单地在时间段内无效(例如,心脏信号质量低于可用阈值,但是存在可用的良好质量的呼吸、移动和音频特征信号,在这种情况下,来自心脏数据的任何学习或导出的特征对于该时间段将是无意义的)。
对于分类,可以应用基于序列的方法,诸如隐藏马尔可夫模型(HMM)。这样的HMM仍然可以可选地用于输出,以便分离睡眠阶段,以便将输出睡眠图映射到分级的“睡眠架构”,这可以通过医院睡眠实验室PSG系统来提供,并且使异常睡眠阶段切换最小化。然而,如果我们认识到睡眠是渐进的生理过程,我们可能更喜欢不强迫系统进入少量的睡眠阶段,并且允许系统捕获渐进的变化(即,在睡眠状态“之间”具有更多的时间)。
不具有隐藏层的更简单的状态机方法是可能的,但是最终可能具有在大量睡眠者中泛化的问题,每个睡眠者具有其自已独特的人体生理特征和行为。其他方法如条件随机场(CRF)或变体诸如隐藏状态CRF、潜在动态CRF或条件神经场(CNF)或潜在动态CNF。应当注意,长短期记忆(LSTM),特别是当应用于序列模式识别时(在正常健康睡眠者中是更典型的)可以具有良好的辨别能力。
半监督学习可以使用循环神经网络(RNN)来执行,其可以有效地在未标记数据中找到结构。RNN是具有输入/隐藏层和输出的标准的神经网络结构。它使用图展开和参数共享技术对输入/输出排序(即,下一输入取决于前一输出-即,隐藏单元具有传递信息的循环连接)。对于自然语言处理应用,LSTMRNN是公知的(利用LSTM来克服爆炸和消失梯度问题)。
在检测睡眠开始方面,如果语音识别服务正在运行,用户的语音命令可以用作“唤醒”(不要与无意识的睡眠交谈混淆)的第二决定因素。如果使用(由用户解锁的)个人智能装置,则通过UI输入、加速度计、陀螺仪等的移动,这也可以用作唤醒的决定因素以增强其他睡眠/唤醒感测服务。
睡眠架构和个性化睡眠评分
可以评估诸如先前讨论的各种参数,包括呼吸速率、呼吸的相对振幅(浅、深等)、心率和心率可变性、移动强度和持续时间以及活动指数。处理然后可以确定对象是清醒还是睡着,并且如果睡着,则确定它们的睡眠状态是什么(光N1或N2、深或REM)以及可能即将到来的睡眠状态的预测。
系统可以提供全自动、无缝的睡眠检测-以及从一个装置检测两个或更多人睡眠的能力。
如图18所示,系统可以自动捕捉人的完全睡眠会话、捕捉上床时间、睡眠时间、实际睡眠时间、唤醒和最终唤醒。可以为人评估睡眠分段、睡眠效率和睡眠评分。人的睡眠质量可以概括为单个数字,称为睡眠评分。健康人的典型睡眠评分输入参数包括总睡眠时间、深度睡眠时间、REM睡眠时间、浅睡眠时间、入睡开始后醒来(WASO)的时间和入睡开始(入睡时间)。睡眠评分可以可选地使用人的人口统计,诸如年龄和性别,以提供相对于他们的人口常模(以下称为常值)的归一化评分,以及他们的呼吸率可变性和打鼾水平。
疲劳和警觉管理
来自睡眠的一个或多个夜晚的信息可用于评估用户的可能的主观和客观疲劳状况,以及给用户的反馈意见,以改善他们在一天中的警觉性或他们的睡眠质量。
进、出床检测
测距信息和运动标记可用于检测床的进入和检测床的退出-这在家庭环境以及护理室等中是有用的(例如,跟踪痴呆患者、预测褥疮的可能性等)。
白天(清醒)监测
低频超声技术可用于评估人的呼吸轨迹,并跟踪白天和夜晚呼吸障碍。例如,感染(包括呼吸道感染)的人可表现出提高的(相对于他们的个人基线)呼吸速率、比平常更浅的呼吸,以及改变的吸气与呼气比率。
因此,可以看出,该系统可用于监测和管理慢性患者健康状态,其中呼吸信号是患者健康状态(例如COPD、哮喘、CHF、高血压)的生物标志物,包括通过允许监测纵向模式,包括风险分层和急性事件的早期预测(在适用的情况下)。处理装置可以追踪其他情况,诸如慢性失眠。可以在2015年5月25日提交的标题为“用于监测慢性疾病的方法和设备”的国际专利申请PCT/AU 2015/050273(WO 2015/179911)中发现处理所测量的生理参数以便监测慢性疾病的实例,其全部公开内容通过引用并入本文。
如在图18中进一步示出的,系统还可以使用白天参数,诸如步数和/或来自诸如可佩戴物的装置的锻炼强度读数,或并入智能电话中的步数计数器。例如,作为激励反馈系统的一部分,对呼吸暂停治疗的依从性可以与在随后的日子中增加的活动相关,因为用户感觉到(并且)较少疲劳。在白天,系统还可以询问主观问题,以说明对嗜睡的警觉性的相对感觉,并且可以使用诸如反应测试(例如,在智能电话上实施的精神运动警觉任务)的客观测试来证明由于PAP疗法而导致的改善。关于食物摄入的数据还可以与治疗相关,表明当人感到休息和提神时糖/脂肪食物的消耗减少。还可以涉及白天心率和/或非侵入性血压评估/测量(例如来自具有光学传感器的可穿戴装置)。如果没有看到这样的改善,则系统可以进一步探索治疗设置是否适合于用户,或者是否可以受益于调整。这些参数可用于制定与他们的前一夜睡眠评分和CPAP评分相关的健康评分。因此,结合诸如基于因特网服务器的引擎(例如,云通知引擎)的其他装置,处理装置可以提供对多个装置的数据的评估。
睡眠情况监测
慢性疾病的发展和SDB的流行使得低成本筛查呼吸疾病和/或呼吸参数随时间的变化是高度期望的。
当人睡着时,可以检测和监测未诊断或诊断的睡眠障碍,诸如睡眠呼吸障碍(SDB)。三种类型的睡眠呼吸障碍是(i)阻塞性睡眠呼吸暂停(OSA-睡眠期间部分或全部上呼吸道衰竭),(ii)中枢性睡眠呼吸暂停(CSA-中枢神经系统障碍,其中脑不触发呼吸信号,或这未被正确传输)和(iii)混合性或复合性睡眠呼吸暂停(OSA和CSA的组合)。
呼吸暂停(呼吸停止)或部分停止(呼吸不足)的检测可以基于跟踪呼吸信号随时间的振幅。人的时域呼吸信号的相对振幅将随着他们的位置和胸部相对于智能扬声器的取向而变化。例如,当人返回到传感器时,面对处理装置100的人的呼吸波形将倾向于比呼吸波形更高(振幅更大)。因此,计算信号的局部包络作为参考点,使得可以相对于局部包络检测呼吸暂停或呼吸不足的停止或减少。
在频域中,呼吸暂停或呼吸不足将倾向于导致呼吸率计算的不稳定(例如,呼吸率由于呼吸暂停而保持变化),并引入一些低频分量)。这使得当存在可疑SDB或其他不规则呼吸模式时,FFT方法处理呼吸信号的吸引力较小。在这种情况下,如果使用小波分解方法,则更好的性能是可能的。母小波函数被定义为具有零均值并且在频率和时间上都局部化的函数;通过母小波的扩张和平移产生子波族。其中CWT(连续小波变换)和FFT评估相似的呼吸率,存在呼吸为“正常”的高可能性。当存在呼吸暂停或周期性呼吸诸如潮式呼吸时,这两个评估趋于不同。
通过检测和计数呼吸暂停和呼吸不足事件,可以评估AHI(呼吸暂停呼吸不足指数)。这可用于对SDB风险进行分级,并监测整个夜晚的呼吸暂停严重程度。这可以在独立装置中完成,或者在与CPAP治疗装置集成的装置中完成,以在用户忘记使用他们的CPAP时指示AHI。以这种方式,经由保健信息学(HI)平台鼓励行为改变(例如,以增加CPAP依从性),因为当用户不使用他们的疗法时可以看到他们的睡眠评分恶化。在与CPAP集成方面,可以通过CPAP自身上的扬声器和外部指向的麦克风,或者经由单独的智能扬声器或智能装置(诸如运行App的智能电话或平板计算机)来启用低频超声学感测。包括呼吸暂停信息的睡眠评分的实例是瑞思迈公司的MyAir睡眠评分。
周期性肢体运动障碍(PLM)仅在睡眠期间发生,并且包括在夜间的任何重复性的、不自觉的运动,这可能导致觉醒,而不宁腿综合征(RLS)是一种也能在醒来期间(尤其是在睡眠前的晚上)以及在睡眠期间发生的移动肢体的冲动。可以在与这些病症相关联的特征移动中检测到这些模式,由机器学习块处理和识别该特征移动。
所概述的系统提供了方便的昼夜不引人注目地监测人的健康状况,具有通过AI成为临床决策管理过程的一部分的能力。
用于监测CPAP用户和家庭的参数的系统
AHI、睡眠评分和动机(以改善和反馈治疗依从性)
处理装置100的非接触式感测技术可以测量不存在/存在、睡眠状态(睡眠或清醒)、睡眠阶段(即,浅睡、深睡、REM睡眠)、睡眠质量、睡眠开始后的清醒(WASO)、总睡眠时间(TST)、AHI、阻塞性、呼吸不足、混合性和中枢性呼吸暂停事件的数量、重叠综合征、PLMD、RLS和其他睡眠参数。取决于配置设置,它还可以测量诸如心率和心率可变性的参数。
第一个使用案例是针对已经被诊断为SDB并且已经接受CPAP治疗装置或下颌骨重新定位装置(MRD)的对象。系统可以测量它们的睡眠质量和它们的疾病进展。关键的优点是无论有没有治疗(面罩开启或关闭;MRD有没有在口腔中)都可以完成这种测量和反馈。在传统方法中,如果具有正气压装置(CPAP或其他呼吸/气流发生器装置)的用户没有佩戴他们的面罩,则没有记录他们的AHI。在新方法中,即使当用户不使用疗法时,也可以检测并清楚地显示他们的AHI,作为行为改变的关键激励因素以增加疗法的使用。
系统基于位于流发生器装置自身内的感测来监测用户的睡眠、呼吸和SDB参数。这可以限于在预期睡眠时间周围的时间段中进行感测,或者运行24/7。它可以提供对经治疗的AHI和未经治疗的AHI两者的评估,以及两者的比较,以便激励使用者依从治疗。还可以使用智能电话上的app来感测系统(诸如图5中所示的系统),并且任选地与呼吸治疗装置5000(例如,CPAP装置)同步以分离经治疗的参数和未经治疗的参数。可选地,如果没有同步可用,则处理装置100可以执行音频处理以检测附近区域的治疗装置(例如,CPAP装置)的声音,以便对经治疗的时段和未经治疗的时段进行分类,并且基于音频签名来评估使用中的流发生器和面罩的类型。当用户正在治疗时,系统可以清楚地确定并显示睡眠评分是否增加,因为他们的打鼾和呼吸暂停的次数急剧减少,从而允许更长的REM周期和深度睡眠。即使实际总睡眠时间可能不增加,睡眠质量也可能增加,同时疲劳的主观和客观测量减少。当处理装置100将治疗的积极结果报告给用户时,系统然后可以激励用户(例如,中年男性)继续使用治疗,诸如通过基于所确定的事件(例如,AHI)生成意见消息。
如图1所示,用户可以使用处理装置100,该处理装置可以例如通过检测到用户没有在使用治疗来确定用户不依从治疗装置(例如,CPAP)的使用-不佩戴面罩或不佩戴MRD)而是在处理装置(例如,智能电话或智能扬声器)上运行监测应用,该处理装置感测他们的睡眠和SDB以便检查他们的睡眠质量和AHI。在早晨,他们看到他们的睡眠评分低于他们进行治疗时的睡眠评分。
如图4所示,可以由公共感测区域中的处理装置100、102监测多个用户。用户#1(在图的右手侧靠近处理装置102)不依从呼吸治疗(例如,CPAP),因为他不使用治疗-不佩戴面罩或不佩戴MRD。在正在感测用户#1的睡眠和SDB的处理装置(例如,智能电话或智能扬声器)上操作应用,以便检查其睡眠质量和AHI。用户#2(在左手侧靠近处理装置100)睡眠不好,因为他们被用户#1的呼吸暂停打鼾打扰,在靠近用户#2的处理装置100(例如,智能电话或智能扬声器)上操作的应用也监测用户#1的呼吸暂停打鼾。第二天,装置的应用可以将记录/确定的信息与云服务同步,并且向两个人提供自动的消息传递意见。可以鼓励用户#1使用他们的SDB疗法,同时可以鼓励用户#2促使用户#1使用他们的疗法。
诸如可以进一步结合图18来理解这种系统。已经由用户#1和用户#2(伙伴)的处理装置监测的用户#1和用户#2可以接收个性化睡眠评分(包括SDB参数、打鼾等)以及日间健康评分(包括疲劳/警觉水平、锻炼等)。由系统为用户#2生成的示例性意见可以是:“真棒!你和你的伙伴昨夜睡得更好,今天也感觉更好!”具有提醒以鼓励用户1来提醒用户1(继续)再次使用他们的治疗装置(例如,PAP)(今晚)以保持改善。
第二种使用情况是,同一气流发生器装置(例如,常规的呼吸治疗装置5000)用作处理装置100,以便还测量接受治疗(例如,CPAP)的“主”治疗装置用户的床伴的睡眠特点。在这种情况下,可以通过由流动发生器的传感系统执行的距离鉴别来对床伴(未接受治疗的人)进行测量,流动发生器的传感系统可以允许同时监测两个人。可替换地,如图5所示,可以操作运行在一个或多个单独的智能装置(诸如智能电话、智能扬声器、声条等)上的SONAR应用来同时测量两个用户(例如,具有多个扬声器/麦克风和波束形成的单个声条,或者具有共存的感测信号的两个智能电话,该感测信号位于例如床的每一侧上)。监测第二个人的目的是测量他们的睡眠,并将他们的睡眠参数与他们的伙伴的治疗(例如,CPAP)的使用相关,目的是显示他们的睡眠也受他们的伙伴的状况的影响,并且当他们的伙伴依从治疗时也改善。如果在用户已经购买的智能装置上执行感测,则可以在没有售出商品(COGS)影响的情况下(即,无需硬件销售)被启用“家庭”使用案例。可以看出,系统还可以允许CPAP装置感测和智能电话/智能扬声器应用感测。这些可以在同一房间中无缝地共存,并且每个可以自动识别装置的类型和感测配置(例如,时间和频率)以进行操作,使得两者可以从感测角度共存(避免干扰)。同时感测还可以自动地关联数据,以便由系统向每个人递送个性化意见反馈。总体目标是提高两个用户的睡眠评分。它还为治疗使用者(例如,CPAP)提供了客观的动机因素,以延长他们的治疗使用(改善依从性),因为他们可以看到他们自己以及他们的伙伴的健康益处。
可以看出,通过检测和识别CPAP装置和/或面罩的可听(和不可听)签名,可以识别使用中的硬件。这可以用于无源装置(例如,传统装置,或来自不同的制造商),其中提取声学签名,并将其与用于最接近匹配(例如,通过在智能电话或智能扬声器上操作的软件来执行)的签名的数据库进行比较。这也可以用于有源装置(例如,具有有源感测的装置,其可选地传输识别装置、掩模和诸如序列号的其他参数的不可听的声学序列)。这也可以用于检查面罩已经使用了多长时间,是否需要更换,以及检查用户是否有资格由他们的供应商进行更换,并与供应商和用户通信。
从技术观点来看,来自一个或多个处理装置100、102(及其应用)(主用户、伙伴,或主用户和伙伴)和治疗装置(例如,PAP)的数据被组合,并且可以执行优化。例如,PAP装置可返回诸如使用时间、面罩密封质量(与泄漏有关)、每小时所检测到的AHI事件、面罩开/关事件、压力、流速、事件标志和累积评分等参数。处理装置100不仅能够测量呼吸参数、打鼾,而且能够测量其他类型的移动,诸如滚动、RLS、PLM,以便确定睡眠阶段和AHI值。除了机器数据之外,处理装置100可提供第二信息源以确认面罩泄漏高的AHI(基于泄漏的声学声音),并且还确认用户是否在夜间脱下面罩。它还可以通过基于使用低频超声感测所检测的呼吸包络的变化来检测阻塞性事件和中枢性事件而充当第二信息源。
在两个人监测情况下由一个或两个处理装置检测打鼾的声音的情况下,PAP数据可用于将打鼾隔离到PAP用户或隔离到伙伴。可以经由短程通信(诸如NFC、蓝牙、Wi-Fi等)或者经由聚集数据源的基于云的服务来交换数据。一种使用情况是,处理装置使用Wi-Fi或蜂窝(例如,3G、4G/LTE)服务将数据传输到基于互联网的云服务,并且经由蜂窝MODEM将数据传输到治疗装置。另一种使用情况是CPAP经由蓝牙与电话中的一者共享数据,并且处理装置(例如,移动电话)上的单个应用处理CPAP参数,以及提供低频超声学感测和处理。可以看到单个处理装置为用户提供了无缝的生理监测,即使在关闭治疗时也是如此。
如果将外部声学感测并入治疗装置中(例如,PAP),则应当考虑PAP电机和加湿器声学特征以及泄漏。因此,基于PAP的处理装置100可以选择对于装置在使用时的声音而言将是鲁棒的感测操作的感测波形。泄漏可被归类为预期的(即,在正常操作期间)或非预期的(例如,新其中面罩太松或太紧)。
房间存在检测的一个实际应用是自动加湿器加热特征。因此,当处理装置诸如在典型的床上时间窗中检测到用户的存在时,处理装置可以激活治疗装置,诸如加热其部件(例如,加湿器、导管等)。这允许PAP准备好立即使用。因此,通过使用存在感测来检测用户何时进入房间,可以适当地进行治疗装置的激活,所述存在感测可以与诸如最近记录的睡眠时间之类的已知睡眠时间和来自其他传感器(诸如光传感器)的数据有关。
通过使用处理装置从声学感测检测睡眠模式,可以由系统不基于预定时间限制而是基于从外部处理装置100或与治疗装置集成的处理装置传输的用户自己的睡眠参数来调整治疗装置(例如,气流发生器或PAP)的启动压力斜坡时间。因此,一旦用户由处理装置检测到实际上睡着,则可以增加提供给用户的治疗压力或压力支持,并且从轻度睡眠移动到深度或任何REM阶段。
通过以下实例可以考虑多个用户依从性监测(诸如在同一卧室中)。这种依从性监测可能涉及CPAP用户忘记使用他们的装置,并且装置报告他们的AHI的增加并且检测到他们没有使用治疗。同时,系统(诸如具有附加装置)可以监测其伙伴并检测伙伴的被监测睡眠退化(例如,因为卧室中的CPAP用户严重打鼾而不使用CPAP装置)。装置/系统可以通知用户他们的伙伴的变得糟糕的睡眠,并且还可以被提供意见来调整其他用户使用他们的PAP、MRD等。可选地或附加地,装置/系统可以向伙伴通知关于他们的变得糟糕的睡眠的意见/反馈,并且还可以被提供意见来调整其他用户使用他们的PAP、MRD等。在两个人的这种情况下,两者都可以具有带有一个或多个处理装置的低频超声学感测,并且系统可以将他们的睡眠评分、睡眠状态、打鼾参数、呼吸参数等相互关联,这些参数中的任一者都可以与依从性和/或非依从性相关联。
系统检测附近区域中的哪个人(例如,邻居、伙伴或CPAP用户)正在打鼾。因此,系统可以检测到PAP上的第一用户是依从的,但是他们正被他们的伙伴打鼾打扰(或者甚至可能具有未被诊断的SDB)。在这种情况下,伙伴和/或第一用户可以接收对打鼾者的睡眠呼吸暂停诊断的建议的意见,从而可以促使两者使用治疗。
检查下颌骨装置的功效以提供个性化护理。
通过向前推动舌头和颌骨以改善气流,下颌骨复位装置(MRD)可用于治疗阻塞性睡眠呼吸暂停和打鼾。因为系统的处理装置100可以在没有MRD和有MRD的情况下监测用户的SDB参数,诸如AHI,所以处理装置可以提供验证治疗的效率的日期。如果用户抱怨MRD,但是他们的SDB参数没有改善,则可以参考他们来调整装置或CPAP滴定。
用户不依从治疗,但后端系统不知道原因。
系统的处理装置100可以监测房间环境,并且识别已经被提供治疗的特定用户(诸如CPAP装置)。如果他们存在,但是在他们的睡眠期间不使用治疗装置,则他们可能被认为是不“依从的”,并且可以给出适当的帮助和意见以检查为何是这样并且激励用户恢复治疗(例如,可以向治疗装置提供新的设置以改善舒适度、新的面罩等)。如果它们不存在,这可以被理解为暗示它们是远离的。
具有CPAP的人在机器的治疗期间收集他们的呼吸,而不是心率
系统的上述超声处理装置100、102(诸如集成处理装置/治疗装置)可以在治疗期间以及当治疗结束时,当用户接近他们的PAP或他们的智能装置时测量心率。这可以用于在开和关治疗时检测心率模式(诸如指示呼吸暂停的心动过缓/心动过速模式)的变化,以便将心脏可变性与存在和不存在(即使用和未使用)呼吸治疗相关联。因此,其还可用于显示作为治疗结果的心率参数的改善,诸如增加的心率可变性(HRV)和降低的基线率(在正常健康范围内)。HRV的变化被认为与心脏的副交感神经和交感神经刺激的程度的差异有关,并且与心血管发病率和死亡率有关。
筛选SDB
使用应用的SDB筛选
通常需要特定的硬件来完成筛选SDB,该特定的硬件是筛选潜在的窒息对象的“进入障碍”。使用上述技术有助于克服这样的问题。还可以筛选疾病诸如不宁腿综合征(RLS)和周期性肢体移动疾病(PLMD)。筛选还可以指示其他相关状况-来自患有PLMD的用户,约44%将患有注意力缺陷伴多动症(ADHD)。
可以在处理装置100中使用呼吸感测来提供SDB筛选服务。用户简化了为处理装置下载应用,并使用应用在一个或多个夜晚监测他们的睡眠。这可以监测参数的范围,诸如呼吸形态(形状),以识别一段时间内的呼吸停止(呼吸暂停),以及来自相邻呼吸的振幅减小(呼吸不足)。当检测到PLM或RLS时,意见系统可以检查其他参数,包括饮食(缺铁)、锻炼、应激水平、睡眠剥夺(基于过夜数据)、抗抑郁药的使用(例如,SSRI)。可以通过PAP装置或智能装置的数据输入能力的方式或从使用中接收主观反馈来监测这些。
术前准备情况下医院SDB筛查
手术前,可过夜筛查患者的SDB,并可将所得的AHI值提供给医师/麻醉医师以优化诸如手术的护理。
慢性病监测和管理
例如,患有慢性疾病(诸如COPD或CHF)的人开始在家里患病。
系统的处理装置100可以使用呼吸参数感测(以及可选地咳嗽)来检查它们是如何感觉的、询问问题并且使用语音助理来接收反馈。然后处理数据,并且获得用户的当前状态或慢性病的潜在变得糟糕的指示。系统可以推荐与医生讨论,或者可以自动通知医生或将用户链接到医生。
改善睡眠
通过安抚掩蔽噪声(例如,白噪声等),可实施系统的处理装置100以帮助成人或婴儿,诸如在新生儿温育箱和/或新生儿重症监护室、托儿所或医院环境中睡眠,以及用于监测其呼吸。如果如前利用UWB,则掩蔽噪声本身可以是声学感测信号。可以通过量化这些测量(单独地或组合地)中的每一者对用户的睡眠评分的影响来评估这种减轻动作(播放抚慰掩蔽噪声或播放音乐)的效率或其他减轻动作(以自动方式改变房间中的光或温度、摇动床等)的效率。
装置放置在婴儿床附近区域
系统的处理装置100可以通过检测呼吸暂停和持续的呼吸停止来检测指示SIDS的呼吸停止。
独立生活
老年人不运动
如果系统的处理装置100检测到被监测的人存在并呼吸,但是在预定时间段内没有运动,则系统的处理装置100可以自动向人提问。可选地,系统的处理装置100可以被设置为或在人没有进入感测空间达预定时间的情况下更新远程监测中心。
老年人安全
在一个实例中,所描述的系统是物联网(IoT)环境的一部分。在这种情况下,系统的处理装置100与建筑物电源集成,并且可以与照明的改变、打开和关闭灯、关闭遮光窗帘等相互作用并影响照明的改变。例如,如果检测到用户睡着,但是烤箱、火炉或其他加热器具保持打开,则这样的集成系统可以自动关掉热量、关掉器具,或者可选地以增加音量的警报声和/或声音唤醒用户。
系统可以用于检测潜在的安全/健康问题。例如,如果在除卧室之外的房间中检测到人处于水平位置,则可以使用方法来假设人已经跌倒。这可以触发与人的问题/回答会话和/或测量其他参数,诸如呼吸速率、心率等。提高的呼吸/心率和无响应性的组合可以触发警告,诸如向预定接收者发送SMS、电子邮件或其他通信。这种操作模式可以实施为一般监测的一部分,或者实施为用于监测老年人的专有模式。这种模式的变化可以包括仅监测健康参数并且当这些参数在正常范围或预定范围之外时感测警告,即使人被检测为坐在椅子中并且没有躺在地板上(意味着没有跌倒)。
检测睡眠行走
睡眠行走更可能发生在深慢波睡眠(SWS)的夜晚早期,但仍可能发生在接近早晨REM睡眠期间。检测用户的睡眠分段的系统的处理装置100的睡眠阶段算法可以基于归一化的运行中值滤波的呼吸速率评估的标准偏差和其他特征,在人离开床(或返回到床上)时检测具有与REM或深度睡眠一致的悖论呼吸模式的唤醒型移动。在不存在时段大于睡眠行走阈值(例如,超过5分钟)的情况下,系统的处理装置100可以标记可疑睡眠行走的区域。然后可以在早晨询问用户主观反馈以查看他们是否记得下床。如果否,则检测到可能的睡眠行走事件。因为睡眠助行器可以打开和关闭灯或打开和关闭锁,所以来自IoT传感器的这种反馈不能被认为是决定性的。然而,可以使用灯、锁和运动检测(包括在生活空间中的任何视频捕获)来检测在可疑睡眠行走事件期间人(特别是如果人独自生活)的可能路径。睡眠行走的发生率可以与压力的增加(例如,由心率可变性的变化所引起的,诸如该可变性的减少、呼吸率的增加,以及吸气/呼气波形定时相对于正常基线的变化)相关。
抑郁症未经治疗的人
系统的处理装置100能够跟踪诸如静息心率的心脏参数,并且心率可变性能够用作对抑郁症分类系统的输入。可以使用HRV谱参数的减少,即副交感神经系统减少和交感神经支配增加的指示,并且任选地与用户提出的问题的回答相结合,以便对抑郁进行风险分级。
用于向用户提供意见的系统
递送个性化意见的方法可以经由系统的处理装置100的应用中的文本,或者经由语音或视频进行。例如,在语音助理的情况下,非常交互式的方法是可能的,即,以对话音调来递送睡眠意见。系统根据客观和主观数据提供意见,以语音(或文本)提供,用户可以通过语音或文本进行响应。
实例是系统的处理装置100,该处理装置注意到对于前一天晚上的睡眠,实际记录的深度睡眠百分比已经降低。语音助理可以报告此情况,检查用户的日常监测装置(带有蓝牙的计步器)并看到锻炼持续时间和强度的下降,并询问用户他们今天是否可以进行更多的锻炼(以使他们更接近他们正在进行的趋势)。用户回答他们非常忙于操作中的压力项目,并且没有时间进行他们通常的午休。该系统的处理装置100的音频语音重新保证它们完全没问题,并且在睡眠之前提供放松程序。用户接受,并且系统设置警报以在用户的预期卧床时间之前的一小时提醒用户。
另一个实例是传感系统在整个夜晚检测呼吸波形模式(形状)、检测人在房间中的位置,并且还执行音频打鼾分析。呼吸波形形态的变化与打鼾事件交叉参考,以便将打鼾分类为来自在一个位置处的被感测的人或来自伙伴。这是优于不能区分用户之间的打鼾(当一个或另一个或实际上两个用户都可能是打鼾时)的传统打鼾分析的优点。该系统可以被实施为使本地呼吸信号与打鼾的音频声音信号同步,并且因此确定/确认被监测的人是否是打鼾的人(即,当我们已经接近声音和移动信号两者时,区分谁在发出声音和谁没有发出声音)。例如,人不能以不同的节奏(打鼾的开始/结束周期,吸气/呼气时间)或速率呼吸和打鼾。存在两个信号的其他特点,诸如振幅,和/或可以被处理的包络。
另外,通过利用距离度量和装置的麦克风的灵敏度特点,系统有可能对照距离检查打鼾振幅以校准打鼾参数,诸如产生打鼾评分。该打鼾评分可以包括打鼾次数、持续时间、强度和对睡眠阶段的影响。根据打鼾的严重性,系统可以使用语音反馈来询问用户关于酒精摄入、他们的主观疲倦(以评定他们疲倦的感觉),从而在夜晚讨论他们的身体位置和枕头的类型、询问用户(和/或询问其他传感器,诸如体温、静息呼吸率趋势、SDB参数、声学咳嗽检测)他们是否具有感冒/流感症状。系统可以根据输入数据和用户响应的谱,确定与医疗或医学有关的一个或多个产品推荐(诸如减充血剂或鼻喷剂)是否合适,并向用户提供相关信息或向执业医师提供相关参考。
5.2其他评论
本专利文献的公开内容的一部分包含受版权保护的材料。版权所有者不反对任何人对本专利文献或专利公开的传真复制,因为它出现在专利局专利文件或记录中,但保留所有版权。
除非上下文另外明确规定且在提供值的范围的情况下,应理解,在所述范围的上限与下限之间的每个中间值(到下限的单位的十分之一)和在所述范围内的任何其他陈述值或中间值涵盖于技术内。这些中间范围的上限和下限(其可以独立地包括在中间范围中)也涵盖在该技术内,服从于所陈述的范围内的任何具体排除的限制。其中所陈述的范围包括极限中的一者或两者,排除那些所包括的极限中的一者或两者的范围也包括在技术中。
此外,在本文陈述一个或多个值被实现为本技术的一部分的情况下,应当理解,除非另有说明,否则这些值可以是近似的,并且这些值可以被利用到任何适当的有效数字,以达到实际技术实现可以允许或要求它的程度。
除非另外定义,否则本文使用的所有技术和科学术语具有与本技术所属领域的普通技术人员通常理解的相同的含义。尽管与本文所述的那些类似或等同的任何方法和材料也可用于本技术的实践或测试,但本文描述了有限数目的示例性方法和材料。
当特定材料被确定为用于构造部件时,具有类似特点的明显替代材料可用作替代物。此外,除非相反地指定,否则本文描述的任何和所有组件应理解为能够被制造,并且因此可以一起或单独制造。
必须注意,如本文和所附权利要求中所使用的,单数形式“一”、“一个”和“该”包括它们的复数等同物,除非上下文另外清楚地指出。
本文提及的所有出版物通过引用整体并入本文以公开和描述作为那些出版物的主题的方法和/或材料。提供本文讨论的出版物仅仅是为了它们在本申请的申请日之前的公开内容。本文不应被解释为承认本技术无权由于在先发明而早于此类公开。此外,所提供的出版日期可能与实际出版日期不同,这可能需要独立确认。
术语“包含(comprises)”和“包括(comprising)”应当被解释为以非排它性的方式提及要素、组分或步骤,表明所提及的要素、组分或步骤可以存在,或利用,或与未明确提及的其他要素、组分或步骤组合。
包括在具体实施方式中使用的主题标题仅仅是为了便于读者参考,而不应用于限制在整个公开或权利要求书中找到的主题。主题标题不应用于解释权利要求或权利要求限制的范围。
尽管已参考特定实例描述了本文中的技术,但应理解,这些实例仅说明技术的原理和应用。在一些情况下,术语和符号可能暗示实践所述技术不需要的特定细节。例如,尽管可以使用术语“第一”和“第二”,除非另有说明,它们不旨在表示任何顺序,而是可以用于区分不同的元件。此外,尽管可以按顺序描述或示出方法中的过程步骤,但是这种顺序不是必需的。本领域技术人员将认识到,可以修改这样的顺序和/或可以同时或甚至同步地进行其方面。
因此,应当理解,在不脱离本技术的精神和范围的情况下,可以对说明性实例进行许多修改,并且可以设计其他布置。
Claims (94)
1.一种处理器可读介质,其上存储有处理器可执行指令,所述处理器可执行指令在由处理器执行时致使所述处理器检测用户的生理移动,所述处理器可执行指令包含:
用于控制经由耦合到电子处理装置的扬声器在所述电子处理装置的附近区域产生声音信号的指令;
用于控制经由耦合到所述电子处理装置的麦克风感测来自所述附近区域的反射声音信号的指令;和
用于利用所述所感测到的反射声音信号的至少一部分和表示所述声音信号的至少一部分的信号来导出生理移动信号的指令,
其中所述声音信号包含双音调频解调连续波信号。
2.根据权利要求1所述的处理器可读介质,其中所述所产生的声音信号的至少一部分处于不可听的声音范围中。
3.根据权利要求2所述的处理器可读介质,其中所述所产生的声音信号的所述部分是低频超声声学信号。
4.根据权利要求1至3中任一项所述的处理器可读介质,其中用于导出所述生理移动信号的所述处理器可执行指令包含用表示所述声音信号的所述部分的所述信号来解调所述所感测到的反射声音信号的所述部分。
5.根据权利要求4所述的处理器可读介质,其中所述解调包含表示所述声音信号的所述部分的所述信号与所述所感测到的反射声音信号的所述部分的相乘。
6.根据权利要求1所述的处理器可读介质,其中用于导出所述生理移动信号的解调包含所接收到的信号与其自身的相乘,所述所接收到的信号包括所述所感测到的反射声音信号的所述部分和来自所述声音信号的至少一部分的直接路径声音。
7.根据权利要求1至3、以及6中任一项所述的处理器可读介质,其中所述生理移动信号的导出进一步包含对呼吸、心脏移动和总移动中的一者或多者的检测。
8.根据权利要求1所述的处理器可读介质,其中表示所述声音信号的所述部分的所述信号是内部产生的振荡器信号或直接路径测得的声音信号。
9.根据权利要求1至3中任一项所述的处理器可读介质,其中用于导出所述生理移动信号的所述指令被配置为用于将振荡器信号与所述所感测到的反射声音信号的所述部分相乘。
10.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于使用自适应滤波器对所述所感测到的反射声音信号的所述部分进行滤波的处理器可执行指令,所述自适应滤波器被配置为基于所述产生的声音信号的至少一部分的定时和所述所感测到的反射声音信号的所述部分的定时中的任一者来改变所述自适应滤波器的通带。
11.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于对所述声音信号和可听音频内容进行求和以经由所述扬声器同时产生所述声音信号和所述可听音频内容的处理器可执行指令。
12.根据权利要求11所述的处理器可读介质,其中进一步包含用于在对所述声音信号和可听音频内容求和之前基于所述声音信号的频率来滤波所述可听音频内容的处理器可执行指令。
13.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,用于根据所检测到的所述附近区域对象的存在来控制所述声音信号的检测方案的变化,其中所述指令改变所述声音信号的至少一部分的波形参数。
14.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于以下操作的处理器可执行指令:生成用于运动检测的连续波声音信号,并且在检测到用户在附近区域的运动时发起经由所述扬声器产生所述双音调频解调连续波信号。
15.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于生成超宽带UWB声音信号作为可听白噪声的处理器可执行指令,并且其中所述处理器可读介质包含用于利用所述UWB声音信号来检测用户运动的指令。
16.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,其中所述双音调频率解调连续波信号包含与重复波形中的第二锯齿波频率变化重叠的第一锯齿波频率变化。
17.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,其中所述所产生的声音信号提供包括过零点的余弦状功能时域形状。
18.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,所述处理器可执行指令用于评估所述所导出的生理移动信号以确定一个或多个生理参数。
19.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于基于对所述所导出的生理移动信号的评估来生成输出的处理器可执行指令。
20.根据权利要求19所述的处理器可读介质,其中所述输出包含:(a)表示以下各项中的任何一项或多项的输出数据:
人类存在状态;
在所述生理移动信号中存在或不存在运动;
睡眠状态;
睡眠行走;
呼吸特点;
心脏特点;
总移动特点;
睡眠特点;
睡眠呼吸障碍事件;
周期性呼吸事件;
呼吸状况;
健康评分;
慢性疾病状况;
嗜睡状况;和
疲劳状态;
或
(b)基于所述输出数据中的任一者来发起事件。
21.根据权利要求20所述的处理器可读介质,其中所述所发起的事件包括打开或关闭装置或与所述装置相关联的进程;和/或对装置的操作,或与所述装置相关联的过程引入调整。
22.根据权利要求21所述的处理器可读介质,其中所述装置是呼吸治疗装置,并且所述过程与呼吸治疗装置相关联。
23.根据权利要求19所述的处理器可读介质,进一步包含处理器可执行指令,用于评估经由所述麦克风所感测到的可听口头命令,并且响应于所述可听口头命令经由所述扬声器提供所述输出。
24.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,用于对所述声音信号的至少一部分和所述所感测到的反射声音信号的一部分进行解调,以产生正交基带运动信号。
25.根据权利要求24所述的处理器可读介质,其进一步包含处理器可执行指令,用于通过一个或多个滤波器处理所述正交基带运动信号以隔离可归因于呼吸移动、总身体移动及心脏移动中的一者或多者的频率范围。
26.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,用于在用所述生理移动信号导出的快速傅里叶变换窗口中进行仓搜索以选择与用户运动相关联的范围。
27.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于检测和识别由所述麦克风所感测到的呼吸压力治疗装置的可听声音的处理器可执行指令。
28.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,用于检测心脏可变性并且将所述心脏可变性与存在和不存在的呼吸治疗相关联。
29.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于响应于对所述生理移动信号的分析而通过所述扬声器播放可听查询的处理器可执行指令。
30.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于使所检测到的移动与治疗依从性相关的处理器可执行指令。
31.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,用于基于检测到另一用户的睡眠质量来推断用户的非治疗依从性。
32.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,所述处理器可执行指令用于基于对治疗装置的操作和缺少操作的声音检测来检测非治疗依从性和治疗依从性。
33.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,用于基于所检测到的用户的治疗依从性或非治疗依从性来生成输出意见,所述所生成的输出意见基于来自包括所述用户的多个用户的睡眠检测,所述所生成的输出意见促使所述用户维持依从性。
34.根据权利要求1至3或6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,用于对所述麦克风所感测到的声音进行线性调频滤波,以隔离所述所感测到的反射声音信号的所述部分。
35.根据权利要求34所述的处理器可读介质,其中为了线性调频滤波,所述处理器用所述所产生的声音信号的频率范围内的通带进行数字滤波。
36.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含处理器可执行指令,用于选择性地改变所述声音信号的至少一部分的产生的解调参数,以感测具有不同声音信号解调特点的所述电子处理装置附近区域的运动。
37.根据权利要求36所述的处理器可读介质,其中所述不同的声音信号解调特点包含连续波、调频连续波、超宽带、频移键控和相移键控中的任两者或多者。
38.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于生成通过对所述生理移动信号的特征进行分类而生成的输出的处理器可执行指令,其中所述特征包含手工特征和机器学习特征。
39.根据权利要求38所述的处理器可读介质,其中通过对所述生理移动信号的特征进行分类而产生的所述输出包含以下各项中的一项或多项:
睡眠阶段和/或睡眠状态;
睡眠呼吸障碍事件;和
呼吸暂停低通气计数。
40.根据权利要求39所述的处理器可读介质,进一步包含处理器可执行指令,用于基于所述所产生的呼吸暂停低通气计数来产生治疗使用意见。
41.根据权利要求39所述的处理器可读介质,进一步包含处理器可执行指令,用于将所产生的呼吸暂停低通气计数与呼吸治疗设备的使用和不使用相关联。
42.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,其中所述电子处理装置包含智能电话或智能手表。
43.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含与同步相关的指令,所述同步包括所感测到的反射信号与所感测到的直接路径信号的互相关。
44.根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,进一步包含用于同步过程的指令,所述同步过程包含将参考模板与所述所感测到的反射声音信号的至少一部分相乘。
45.一种能够访问权利要求1所述的处理器可读介质的服务器,其中所述服务器被配置为接收通过网络将所述处理器可读介质的所述处理器可执行指令下载到所述电子处理装置的请求。
46.电子处理装置,包含:一个或多个处理器;扬声器,耦合到所述一个或多个处理器;耦合到所述一个或多个处理器的麦克风;以及(a)根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,或(b)其中所述电子处理装置被配置为用根据权利要求45所述的服务器访问所述处理器可执行指令。
47.根据权利要求46所述的电子处理装置,其中所述电子处理装置是移动电话或智能扬声器中的一者。
48.根据权利要求46所述的电子处理装置,其中所述电子处理装置是呼吸压力治疗装置。
49.一种服务器访问根据权利要求1至3、6、以及8中任一项所述的处理器可读介质的方法,所述方法包含在所述服务器处接收用于通过网络将所述处理器可读介质的所述处理器可执行指令下载到电子处理装置的请求;以及响应于所述请求将所述处理器可执行指令传输到所述电子处理装置。
50.一种用于使用电子处理装置检测身体移动的处理器的方法,包含:
用所述处理器访问根据权利要求1至3、6、以及8中任一项所述的处理器可读介质,以及
在所述处理器中执行所述处理器可读介质的所述处理器可执行指令。
51.一种用于使用电子处理装置检测移动的处理器的方法,包含:
控制经由耦合到所述处理装置的扬声器在所述电子处理装置附近区域产生声音信号;
控制经由耦合到所述处理装置的麦克风感测来自所述附近区域的反射声音信号;和
在所述处理器中,利用所述所感测到的反射声音信号的至少一部分和表示所述声音信号的至少一部分的信号来控制生理移动信号的导出,
其中所述声音信号包含双音调频解调连续波信号。
52.根据权利要求51所述的方法,其中所述所产生的声音信号的至少一部分在不可听的声音范围内。
53.根据权利要求52所述的方法,其中所述所产生的声音信号的所述部分是低频超声声学信号。
54.根据权利要求51至53中任一项所述的方法,其中所述导出所述生理移动信号包含用表示所述声音信号的所述部分的信号来解调所述所感测到的反射声音信号的所述部分。
55.根据权利要求54所述的方法,其中所述解调包含将表示所述声音信号的所述部分的所述信号与所述所感测到的反射声音信号的所述部分相乘。
56.根据权利要求51所述的方法,其中用于导出所述生理移动信号的解调包含所接收到的信号与其自身的相乘,所述所接收到的信号包括所述所感测到的反射声音信号的所述部分和来自所述声音信号的至少一部分的直接路径声音。
57.根据权利要求51至53、以及56中任一项所述的方法,其中获得所述生理移动信号进一步包含检测呼吸、心脏移动和总移动中的一者或多者。
58.根据权利要求51所述的方法,其中表示所述声音信号的所述部分的所述信号是内部产生的振荡器信号或直接路径测得的声音信号。
59.根据权利要求51至53中任一项所述的方法,其中导出所述生理移动信号包含将振荡器信号与所述所感测到的反射声音信号的所述部分相乘。
60.根据权利要求51至53、以及56中任一项所述的方法,进一步包含用自适应滤波器对所述所感测到的反射声音信号的所述部分进行滤波,所述自适应滤波器被配置为基于所述产生的声音信号的至少一部分的定时和所述所感测到的反射声音信号的所述部分的定时中的任一者来改变所述自适应滤波器的通带。
61.根据权利要求51至53、以及56中任一项所述的方法,进一步包含通过所述扬声器组合所述声音信号和可听音频内容以同时产生所述声音信号和所述可听音频内容。
62.根据权利要求61所述的方法,进一步包含在将所述声音信号和可听音频内容相加之前,基于所述声音信号的频率对所述可听音频内容滤波。
63.根据权利要求51至53、以及56中任一项所述的方法,进一步包含根据所检测到的所述附近区域对象的存在来控制所述声音信号的检测方案的变化,其中所述变化包含改变所述声音信号的至少一部分的波形参数。
64.根据权利要求51至53、以及56中任一项所述的方法,进一步包含:
产生用于运动检测的连续波声音信号;和
在用所述连续波声音信号检测到用户在所述附近区域的运动时,开始经由所述扬声器产生所述双音调频解调连续波信号。
65.根据权利要求51至53、以及56中任一项所述的方法,进一步包含:
产生超宽带UWB声音信号作为可听白噪声;和
利用所述UWB声音信号检测用户运动。
66.根据权利要求51至53、以及56中任一项所述的方法,其中所述双音调频率解调连续波信号包含与重复波形中的第二锯齿频率变化重叠的第一锯齿频率变化。
67.根据权利要求51至53、以及56中任一项所述的方法,其中所述所产生的声音信号提供包括过零点的余弦状功能时域形状。
68.根据权利要求51至53、以及56中任一项所述的方法,进一步包含评估所述所导出的生理移动信号以确定一个或多个生理参数。
69.根据权利要求51至53、以及56中任一项所述的方法,进一步包含基于对所述所导出的生理移动信号的评估来生成输出。
70.根据权利要求69所述的方法,其中所述所产生的输出包含:
(a)包含以下中的任一项或多项的输出数据:
人类存在状态;
在所述生理移动信号中存在或不存在运动;
睡眠状态;
呼吸特点;
睡眠行走;
心脏特点;
总移动特点;
睡眠特点;
睡眠呼吸障碍事件;
周期性呼吸事件;
呼吸状况;
嗜睡状况;和
疲劳状态;
或
(b)基于所述输出数据中的任一者来发起事件。
71.根据权利要求70所述的方法,其中所述发起的事件包括开启或关闭装置或与所述装置相关联的进程;和/或对装置的操作,或与所述装置相关联的过程引入调整。
72.根据权利要求71所述的方法,其中所述装置是呼吸治疗装置,并且所述过程与呼吸治疗装置相关联。
73.根据权利要求69所述的方法,进一步包含在所述处理器中评估经由所述麦克风所感测到的可听口头命令,并且响应于所述可听口头命令经由所述扬声器提供所述输出。
74.根据权利要求51至53、以及56中任一项所述的方法,进一步包含解调所述声音信号的至少一部分和所述所感测到的反射声音信号的所述部分以产生正交基带运动信号。
75.根据权利要求74所述的方法,进一步包含通过一个或多个滤波器处理所述正交基带运动信号,以隔离可归因于呼吸移动、总身体移动和心脏移动中的一者或多者的频率范围。
76.根据权利要求51至53、以及56中任一项所述的方法,进一步包含在用所述生理移动信号导出的快速傅里叶变换窗口中进行仓搜索以选择与用户运动相关联的范围。
77.根据权利要求51至53、以及56中任一项所述的方法,进一步包含在所述处理器中,检测和识别由所述麦克风所感测到的呼吸压力治疗装置的可听声音。
78.根据权利要求51至53、以及56中任一项所述的方法,进一步包含检测心脏可变性并将所述心脏可变性与存在和不存在的呼吸治疗相关联。
79.根据权利要求51至53、以及56中任一项所述的方法,进一步包含响应于对所述生理移动信号的分析而通过所述扬声器播放可听询问。
80.根据权利要求51至53、以及56中任一项所述的方法,进一步包含将所检测到的移动与治疗依从性相关联。
81.根据权利要求51至53、以及56中任一项所述的方法,进一步包含基于检测到另一用户的睡眠质量来推断用户的非治疗依从性。
82.根据权利要求51至53、以及56中任一项所述的方法,进一步包含基于对治疗装置的操作和缺乏操作的合理检测来检测非治疗依从性和治疗依从性。
83.根据权利要求51至53、以及56中任一项所述的方法,进一步包含基于所检测到的用户的治疗依从性或非治疗依从性生成输出意见,所述所生成的输出意见基于来自包括所述用户的多个用户的睡眠检测,所述所生成的输出意见促使所述用户维持依从性。
84.根据权利要求51至53、以及56中任一项所述的方法,进一步包含对所述麦克风所感测到的声音进行线性调频滤波,以隔离所述所感测到的反射声音信号的所述部分。
85.根据权利要求84所述的方法,其中线性调频脉冲滤波器数字地滤波所述所产生的声音信号的频率范围内的通带。
86.根据权利要求51至53、以及56中任一项所述的方法,进一步选择性地改变所述声音信号的至少一部分的产生的解调参数,以感测具有不同声音信号解调特点的所述电子处理装置附近区域的运动。
87.根据权利要求86所述的方法,其中所述不同的声音信号解调特点包含连续波CW、调频连续波FMCW、超宽带UWB、频移键控FSK和相移键控PSK中的任两者或多者。
88.根据权利要求51至53、以及56中任一项所述的方法,进一步包含通过对所述生理移动信号的特征进行分类来产生输出,其中所述特征包含手工制作的特征和机器学习的特征。
89.根据权利要求88所述的方法,其中通过将所述生理移动信号的特征分类而产生的所述输出包含以下中的一项或多项:
睡眠阶段和/或睡眠状态;睡眠呼吸障碍事件;和
呼吸暂停低通气计数。
90.根据权利要求89所述的方法,进一步包含基于所述所产生的呼吸暂停低通气计数产生治疗使用意见。
91.根据权利要求89所述的方法,进一步包含将所述所产生的呼吸暂停低通气计数与呼吸治疗设备的使用和不使用相关联。
92.根据权利要求51至53、以及56中任一项所述的方法,其中所述电子处理装置包含智能电话或智能手表。
93.根据权利要求51至53、以及56中任一项所述的方法,进一步包含在同步过程中,将参考模板与所述所感测到的反射声音信号的至少一部分相乘。
94.根据权利要求51至53、以及56中任一项所述的方法,进一步包含在同步过程中,使所述所感测到的反射信号与所述所感测到的直接路径信号互相关。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762610033P | 2017-12-22 | 2017-12-22 | |
US62/610,033 | 2017-12-22 | ||
PCT/EP2018/086762 WO2019122412A1 (en) | 2017-12-22 | 2018-12-21 | Apparatus, system, and method for health and medical sensing |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111655125A CN111655125A (zh) | 2020-09-11 |
CN111655125B true CN111655125B (zh) | 2023-08-18 |
Family
ID=65011989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880087507.1A Active CN111655125B (zh) | 2017-12-22 | 2018-12-21 | 用于健康和医学感测的设备、系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200367810A1 (zh) |
EP (1) | EP3727134B8 (zh) |
JP (1) | JP7202385B2 (zh) |
CN (1) | CN111655125B (zh) |
WO (1) | WO2019122412A1 (zh) |
Families Citing this family (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11470814B2 (en) | 2011-12-05 | 2022-10-18 | Radio Systems Corporation | Piezoelectric detection coupling of a bark collar |
US11553692B2 (en) | 2011-12-05 | 2023-01-17 | Radio Systems Corporation | Piezoelectric detection coupling of a bark collar |
US11615285B2 (en) | 2017-01-06 | 2023-03-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Generating and identifying functional subnetworks within structural networks |
US11394196B2 (en) | 2017-11-10 | 2022-07-19 | Radio Systems Corporation | Interactive application to protect pet containment systems from external surge damage |
US11372077B2 (en) | 2017-12-15 | 2022-06-28 | Radio Systems Corporation | Location based wireless pet containment system using single base unit |
EP3798685B1 (en) * | 2018-06-05 | 2021-11-10 | Google LLC | Systems and methods of ultrasonic sensing in smart devices |
US11663478B2 (en) | 2018-06-11 | 2023-05-30 | Inait Sa | Characterizing activity in a recurrent artificial neural network |
US11893471B2 (en) | 2018-06-11 | 2024-02-06 | Inait Sa | Encoding and decoding information and artificial neural networks |
US10706329B2 (en) | 2018-11-13 | 2020-07-07 | CurieAI, Inc. | Methods for explainability of deep-learning models |
US11569978B2 (en) | 2019-03-18 | 2023-01-31 | Inait Sa | Encrypting and decrypting information |
US11652603B2 (en) | 2019-03-18 | 2023-05-16 | Inait Sa | Homomorphic encryption |
JP6893528B2 (ja) * | 2019-04-15 | 2021-06-23 | ミネベアミツミ株式会社 | 生体情報モニタリングシステム、生体情報モニタリング方法、及びベッドシステム |
US11580382B2 (en) * | 2019-04-26 | 2023-02-14 | Rohde & Schwarz Gmbh & Co. Kg | Method and apparatus providing a trained signal classification neural network |
WO2020235037A1 (ja) * | 2019-05-22 | 2020-11-26 | 三菱電機株式会社 | 情報処理装置、サウンドマスキングシステム、制御方法、及び制御プログラム |
US11766213B1 (en) * | 2019-06-04 | 2023-09-26 | Dp Technologies, Inc. | Sleep monitoring based compliance and effectiveness tracking engine |
WO2020264427A1 (en) * | 2019-06-28 | 2020-12-30 | Resmed Inc. | Systems and methods for triggering sounds to mask noise from respiratory systems and their components |
US11238889B2 (en) | 2019-07-25 | 2022-02-01 | Radio Systems Corporation | Systems and methods for remote multi-directional bark deterrence |
US20210030276A1 (en) * | 2019-07-29 | 2021-02-04 | DawnLight Technologies Inc. | Remote Health Monitoring Systems and Method |
TWI703957B (zh) * | 2019-08-07 | 2020-09-11 | 徐文雄 | 睡眠健康管理系統 |
EP4017354A1 (en) * | 2019-08-23 | 2022-06-29 | Braincool AB | Apparatus, method and associated sensor head for shivering detection |
EP4027879A1 (en) | 2019-09-13 | 2022-07-20 | ResMed Sensor Technologies Limited | Systems and methods for detecting movement |
CN114727763A (zh) * | 2019-09-13 | 2022-07-08 | 瑞思迈传感器技术有限公司 | 用于连续护理的系统和方法 |
EP4051093A1 (en) * | 2019-10-31 | 2022-09-07 | ResMed Pty Ltd | Systems and methods for active noise cancellation |
US11797827B2 (en) * | 2019-12-11 | 2023-10-24 | Inait Sa | Input into a neural network |
US11816553B2 (en) | 2019-12-11 | 2023-11-14 | Inait Sa | Output from a recurrent neural network |
US11580401B2 (en) | 2019-12-11 | 2023-02-14 | Inait Sa | Distance metrics and clustering in recurrent neural networks |
US11651210B2 (en) | 2019-12-11 | 2023-05-16 | Inait Sa | Interpreting and improving the processing results of recurrent neural networks |
US11875659B2 (en) | 2019-12-12 | 2024-01-16 | Google Llc | Privacy-preserving radar-based fall monitoring |
CN115334959A (zh) | 2020-01-31 | 2022-11-11 | 瑞思迈传感器技术有限公司 | 用于呼吸暂停-低通气指数计算的睡眠状态检测 |
CN111297327B (zh) * | 2020-02-20 | 2023-12-01 | 京东方科技集团股份有限公司 | 一种睡眠分析方法、系统、电子设备及存储介质 |
US20210282668A1 (en) * | 2020-03-16 | 2021-09-16 | Koninklijke Philips N.V. | Non-invasive determination of airway resistance |
IL273499A (en) * | 2020-03-22 | 2021-09-30 | Qualcomm Inc | Radio frequency sensing for media system control |
US11300321B2 (en) * | 2020-03-31 | 2022-04-12 | Johnson Controls Tyco IP Holdings LLP | Systems and methods to operate an HVAC system based on sound level |
JP2021168014A (ja) * | 2020-04-09 | 2021-10-21 | 学校法人北里研究所 | 看護支援装置及びプログラム |
KR20230053547A (ko) * | 2020-04-20 | 2023-04-21 | 레즈메드 아시아 피티이. 엘티디. | 수면-관련 파라미터 분석을 위한 시스템 및 방법 |
JP2023525692A (ja) * | 2020-04-30 | 2023-06-19 | レズメド センサー テクノロジーズ リミテッド | 覚醒サービス |
IT202000011221A1 (it) * | 2020-05-15 | 2021-11-15 | St Microelectronics Srl | Sistema e metodo di rilevamento del sollevamento e dell'abbassamento di un piede di un utilizzatore con la finalita' di abilitare una funzionalita' di un dispositivo dell'utilizzatore, e dispositivo dell'utilizzatore |
WO2021234037A1 (en) | 2020-05-19 | 2021-11-25 | Resmed Sensor Technologies Limited | Methods and apparatus for detection and monitoring of health parameters |
US11701055B2 (en) * | 2020-06-30 | 2023-07-18 | Bose Corporation | Using personalized physiological parameters for sleep/wake detection |
EP4171358A1 (en) * | 2020-06-30 | 2023-05-03 | ResMed Sensor Technologies Limited | Systems and methods for generating custom messages to encourage a behavioral response |
US11490597B2 (en) | 2020-07-04 | 2022-11-08 | Radio Systems Corporation | Systems, methods, and apparatus for establishing keep out zones within wireless containment regions |
CN111938613B (zh) * | 2020-08-07 | 2023-10-31 | 南京茂森电子技术有限公司 | 基于毫米波雷达的健康监测装置及方法 |
US11808839B2 (en) * | 2020-08-11 | 2023-11-07 | Google Llc | Initializing sleep tracking on a contactless health tracking device |
US11754676B2 (en) | 2020-08-11 | 2023-09-12 | Google Llc | Precision sleep tracking using a contactless sleep tracking device |
US11406281B2 (en) | 2020-08-11 | 2022-08-09 | Google Llc | Contactless cough detection and attribution |
US11832961B2 (en) | 2020-08-11 | 2023-12-05 | Google Llc | Contactless sleep detection and disturbance attribution |
US20220061694A1 (en) * | 2020-09-02 | 2022-03-03 | Hill-Rom Services Pte. Ltd. | Lung health sensing through voice analysis |
US20230405250A1 (en) * | 2020-09-29 | 2023-12-21 | Resmed Sensor Technologies Limited | Systems and methods for determining usage of a respiratory therapy system |
US20220165393A1 (en) * | 2020-11-24 | 2022-05-26 | Inz Human Engineering LLC | System for the detection and management of mental, emotional, and behavioral disorders |
EP4256372A1 (en) * | 2020-12-01 | 2023-10-11 | Shure Acquisition Holdings, Inc. | Acoustic distance ranging system |
CN112598033B (zh) * | 2020-12-09 | 2022-08-30 | 兰州大学 | 生理信号处理方法、装置、设备及存储介质 |
US20240062872A1 (en) * | 2020-12-18 | 2024-02-22 | Resmed Sensor Technologies Limited | Cohort sleep performance evaluation |
CN112890795B (zh) * | 2021-01-15 | 2022-07-15 | 宁波善德电子集团有限公司 | 一种基于多分辨率信号的心跳和呼吸检测方法 |
WO2022176224A1 (ja) * | 2021-02-19 | 2022-08-25 | パナソニックIpマネジメント株式会社 | 入眠判定方法、入眠判定システム、空気調和機及びプログラム |
CN113028612B (zh) * | 2021-03-26 | 2022-08-02 | 珠海格力电器股份有限公司 | 空调器的控制方法、装置、存储介质和处理器 |
CN113453131A (zh) * | 2021-05-12 | 2021-09-28 | 钰太芯微电子科技(上海)有限公司 | 集成超声波换能器的微机电麦克风及电子设备 |
CN113384250B (zh) * | 2021-05-26 | 2022-03-15 | 上海交通大学 | 用于生命体征探测的毫米波雷达系统低功耗实现方法 |
CA3229062A1 (en) * | 2021-08-19 | 2023-02-23 | Ian Shadforth | Medical evaluation systems and methods using add-on modules |
WO2023052824A1 (en) * | 2021-09-30 | 2023-04-06 | Sobalvarro Ruata Alvaro | Screening method for identification, and treatment pathways for sleep disorders |
CN113892931B (zh) * | 2021-10-14 | 2023-08-22 | 重庆大学 | 一种基于深度学习的fmcw雷达提取分析腹内压力方法 |
WO2023077237A1 (en) * | 2021-11-04 | 2023-05-11 | Tandemlaunch Inc. | System and method of improving an audio signal |
CN114403878B (zh) * | 2022-01-20 | 2023-05-02 | 南通理工学院 | 一种基于深度学习的语音检测疲劳度方法 |
WO2023139999A1 (ja) * | 2022-01-20 | 2023-07-27 | パナソニックIpマネジメント株式会社 | 睡眠状態推定方法、睡眠状態推定システム、識別装置、及び、プログラム |
NO20220132A1 (en) * | 2022-01-26 | 2023-07-27 | Elliptic Laboratories As | Improved presence detection |
EP4241657A1 (en) * | 2022-03-10 | 2023-09-13 | Bitsensing Inc. | Device, method and computer program for scoring sleep quality |
US20230329583A1 (en) * | 2022-04-13 | 2023-10-19 | Sleep Number Corporation | Detecting and preventing sleepwalking events |
WO2023225061A1 (en) * | 2022-05-18 | 2023-11-23 | Sleep Number Corporation | Bed with bed presence detection using temperature signals |
CN115148203A (zh) * | 2022-06-06 | 2022-10-04 | 青岛海尔科技有限公司 | 拾音校准方法、装置、非易失性存储介质及电子设备 |
CN115661906B (zh) * | 2022-11-11 | 2023-06-30 | 杭州海量信息技术有限公司 | 一种多模态融合的人脸活体检测方法及系统 |
TWI814663B (zh) * | 2022-12-12 | 2023-09-01 | 臺北醫學大學 | 睡眠異常呼吸事件預測及調控系統、方法以及呼吸器裝置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005032831A (ja) * | 2003-07-08 | 2005-02-03 | Advanced Lcd Technologies Development Center Co Ltd | 結晶化方法、結晶化装置、薄膜トランジスタ及び表示装置 |
CN101489478A (zh) * | 2006-06-01 | 2009-07-22 | 必安康医疗有限公司 | 用于监视生理症状的装置、系统和方法 |
CN101689219A (zh) * | 2006-11-01 | 2010-03-31 | 必安康医疗有限公司 | 用于监测心肺参数的系统和方法 |
WO2016093927A2 (en) * | 2014-12-08 | 2016-06-16 | University Of Washington | Systems and methods of identifying motion of a subject |
WO2016130532A1 (en) * | 2015-02-09 | 2016-08-18 | Grace Clinic Holdings, Llc | Computer assisted patient navigation and information systems and methods |
WO2017032873A2 (en) * | 2015-08-26 | 2017-03-02 | Resmed Sensor Technologies Limited | Systems and methods for monitoring and management of chronic desease |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6996394B2 (en) * | 2002-08-30 | 2006-02-07 | Qualcomm Incorporated | Server processing in providing messages for a wireless device connecting to a server |
DE10259522A1 (de) * | 2002-12-19 | 2004-07-01 | Robert Bosch Gmbh | Radargestützte Sensierung von Lage und/oder Bewegung des Körpers oder im Körper von Lebewesen |
EP1582090B1 (en) * | 2002-12-30 | 2011-10-12 | Koninklijke Philips Electronics N.V. | Audio reproduction apparatus, feedback system and method |
US7307575B2 (en) * | 2004-09-14 | 2007-12-11 | Bae Systems Information And Electronic Systems Integration Inc. | Through-the-wall frequency stepped imaging system utilizing near field multiple antenna positions, clutter rejection and corrections for frequency dependent wall effects |
US20080074307A1 (en) * | 2006-05-17 | 2008-03-27 | Olga Boric-Lubecke | Determining presence and/or physiological motion of one or more subjects within a doppler radar system |
US20120150387A1 (en) * | 2010-12-10 | 2012-06-14 | Tk Holdings Inc. | System for monitoring a vehicle driver |
CN115813368A (zh) * | 2012-05-30 | 2023-03-21 | 瑞思迈传感器技术有限公司 | 用于监控心肺健康的方法和设备 |
US20140276165A1 (en) * | 2013-03-14 | 2014-09-18 | Covidien Lp | Systems and methods for identifying patient talking during measurement of a physiological parameter |
EP4101489A1 (en) | 2013-10-30 | 2022-12-14 | ResMed Pty Ltd | Control for pressure of a patient interface |
US20150289786A1 (en) * | 2014-04-11 | 2015-10-15 | Reginald G. Garratt | Method of Acoustic Screening for Processing Hearing Loss Patients by Executing Computer-Executable Instructions Stored On a Non-Transitory Computer-Readable Medium |
CN106572812B (zh) | 2014-05-26 | 2023-06-20 | 瑞思迈传感器技术有限公司 | 监测慢性疾病的方法和设备 |
FR3028741B1 (fr) * | 2014-11-25 | 2019-06-14 | Psa Automobiles Sa. | Dispositif de mesure du rythme cardiaque du conducteur d’un vehicule |
NZ734910A (en) | 2015-03-13 | 2022-04-29 | ResMed Pty Ltd | Respiratory therapy apparatus and method |
JP2018519029A (ja) * | 2015-05-27 | 2018-07-19 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 多要素無線周波数アンテナによる動き検出 |
US9692874B2 (en) * | 2015-09-30 | 2017-06-27 | Apple Inc. | Adjusting alarms based on sleep onset latency |
WO2017100605A1 (en) * | 2015-12-10 | 2017-06-15 | Georgia Tech Research Corporation | Multi-carrier noncontact signal detection with noise-suppression based on a phase-locked loop |
JP2017134012A (ja) * | 2016-01-29 | 2017-08-03 | オプテックス株式会社 | 車両検知装置、車両検知装置の制御方法、および車両検知プログラム |
EP3896868A1 (en) * | 2017-03-28 | 2021-10-20 | QUALCOMM Incorporated | Range-based transmission parameter adjustment |
WO2019122413A1 (en) * | 2017-12-22 | 2019-06-27 | Resmed Sensor Technologies Limited | Apparatus, system, and method for motion sensing |
-
2018
- 2018-12-21 CN CN201880087507.1A patent/CN111655125B/zh active Active
- 2018-12-21 US US16/767,849 patent/US20200367810A1/en active Pending
- 2018-12-21 WO PCT/EP2018/086762 patent/WO2019122412A1/en unknown
- 2018-12-21 JP JP2020534829A patent/JP7202385B2/ja active Active
- 2018-12-21 EP EP18833243.1A patent/EP3727134B8/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005032831A (ja) * | 2003-07-08 | 2005-02-03 | Advanced Lcd Technologies Development Center Co Ltd | 結晶化方法、結晶化装置、薄膜トランジスタ及び表示装置 |
CN101489478A (zh) * | 2006-06-01 | 2009-07-22 | 必安康医疗有限公司 | 用于监视生理症状的装置、系统和方法 |
CN101689219A (zh) * | 2006-11-01 | 2010-03-31 | 必安康医疗有限公司 | 用于监测心肺参数的系统和方法 |
WO2016093927A2 (en) * | 2014-12-08 | 2016-06-16 | University Of Washington | Systems and methods of identifying motion of a subject |
WO2016130532A1 (en) * | 2015-02-09 | 2016-08-18 | Grace Clinic Holdings, Llc | Computer assisted patient navigation and information systems and methods |
WO2017032873A2 (en) * | 2015-08-26 | 2017-03-02 | Resmed Sensor Technologies Limited | Systems and methods for monitoring and management of chronic desease |
Also Published As
Publication number | Publication date |
---|---|
EP3727134B8 (en) | 2023-03-08 |
US20200367810A1 (en) | 2020-11-26 |
CN111655125A (zh) | 2020-09-11 |
WO2019122412A1 (en) | 2019-06-27 |
JP2021508279A (ja) | 2021-03-04 |
EP3727134B1 (en) | 2023-01-25 |
KR20200104341A (ko) | 2020-09-03 |
JP7202385B2 (ja) | 2023-01-11 |
EP3727134A1 (en) | 2020-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111655125B (zh) | 用于健康和医学感测的设备、系统和方法 | |
CN111629658B (zh) | 用于运动感测的设备、系统和方法 | |
CN111655135B (zh) | 用于车辆中的生理感测的设备、系统和方法 | |
US20220007965A1 (en) | Methods and apparatus for detection of disordered breathing | |
JP7273909B2 (ja) | 特性信号から人間の検出及び識別 | |
US20230173221A1 (en) | Systems and methods for promoting a sleep stage of a user | |
US20230190140A1 (en) | Methods and apparatus for detection and monitoring of health parameters | |
JP2023539060A (ja) | 非接触型睡眠検出および障害帰属 | |
US20220047209A1 (en) | Contactless sleep detection and disturbance attribution for multiple users | |
US20220050175A1 (en) | Precision Sleep Tracking Using a Contactless Sleep Tracking Device | |
KR102658390B1 (ko) | 건강 및 의료 감지를 위한 장치, 시스템, 및 방법 | |
KR20240053667A (ko) | 건강 및 의료 감지를 위한 장치, 시스템, 및 방법 | |
US11627890B2 (en) | Contactless cough detection and attribution |
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 |