CN113646848A - 用于睡眠呼吸暂停中障碍类型的声学识别系统和相应方法 - Google Patents
用于睡眠呼吸暂停中障碍类型的声学识别系统和相应方法 Download PDFInfo
- Publication number
- CN113646848A CN113646848A CN202080026813.1A CN202080026813A CN113646848A CN 113646848 A CN113646848 A CN 113646848A CN 202080026813 A CN202080026813 A CN 202080026813A CN 113646848 A CN113646848 A CN 113646848A
- Authority
- CN
- China
- Prior art keywords
- classifier
- noise
- snoring
- type
- snore
- 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.)
- Pending
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 17
- 208000035475 disorder Diseases 0.000 title claims abstract description 17
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 title claims description 35
- 206010041235 Snoring Diseases 0.000 claims abstract description 229
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 18
- 208000008784 apnea Diseases 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 206010021079 Hypopnoea Diseases 0.000 claims description 5
- 210000002741 palatine tonsil Anatomy 0.000 claims description 4
- 230000004617 sleep duration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 2
- 230000007958 sleep Effects 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 13
- 208000001797 obstructive sleep apnea Diseases 0.000 description 8
- 210000002345 respiratory system Anatomy 0.000 description 8
- 210000002409 epiglottis Anatomy 0.000 description 7
- 238000001839 endoscopy Methods 0.000 description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 6
- 239000003550 marker Substances 0.000 description 5
- 210000003300 oropharynx Anatomy 0.000 description 5
- 239000003814 drug Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 3
- 208000000884 Airway Obstruction Diseases 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000004373 mandible Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000414 obstructive effect Effects 0.000 description 2
- 210000003800 pharynx Anatomy 0.000 description 2
- 210000001584 soft palate Anatomy 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000018035 Dental disease Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000014151 Stomatognathic disease Diseases 0.000 description 1
- 206010067775 Upper airway obstruction Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003254 palate Anatomy 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000932 sedative agent Substances 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- 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
- G16H50/70—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Orthopedics, Nursing, And Contraception (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种分类系统(1),该分类系统用于通过对待分析的打鼾‑噪声信号(Au)进行适当分类来微处理器辅助识别睡眠呼吸暂停中的障碍类型(O1‑O4)。该系统包括:a)用于每个打鼾‑噪声信号(Au)的输入接口;b)第一分类器(K1),能够被训练为使得第一分类器(K1)识别并输出针对特定打鼾‑噪声信号(Au)的最可能打鼾‑噪声起源类型(S1‑S4);c)第二分类器(K2),能够被训练为使得第二分类器(K2)识别并输出针对特定打鼾‑噪声信号(Au)的最可能口部位置(M1‑M2);以及d)第三分类器(K3)或连接矩阵,被设计为根据待分析的打鼾‑噪声信号(Au)、所确定的打鼾‑噪声起源类型(S1‑S4)以及为此确定的口部位置(M1‑M2)中识别并输出最可能障碍类型(O1‑O4)。
Description
本发明涉及一种用于通过待检查的打鼾-噪声信号的相应分类来微处理器辅助识别睡眠呼吸暂停中的障碍类型的系统。
打鼾被定义为由上呼吸道中的软组织振动引起的夜间呼吸噪声。术语“打鼾”有不同定义,其中很多打鼾是由气流引起的上呼吸道组织的振动,从而形成所产生的打鼾-噪声中的音调部分。然而,“打鼾”和“大声呼吸”没有明显的区别。在下文中,术语“打鼾”还可以被理解为一般类型的噪声,该噪声也可以含有没有显著音调部分的呼吸噪声。
打鼾-噪声信号被理解为比如已经由麦克风记录并且已经被转换成电信号的声学信号。打鼾-噪声信号还可以含有或包含传输关于声学打鼾-噪声信号的一个或多个附加信息的指示符或标记形式的附加信息,例如,打鼾-噪声起源处、打鼾-噪声起源类型、口部位置、时刻、患者姓名、患者体重和睡觉位置。
障碍性睡眠呼吸暂停应理解为由于闭合和相应的上呼吸道障碍(所谓的呼吸道障碍)而发生夜间呼吸暂停的病症。根据每小时的障碍性睡眠呼吸暂停次数,区分障碍性睡眠呼吸暂停的各种严重程度。对于障碍性睡眠呼吸暂停,打鼾是一种常见的伴随症状。打鼾和障碍性睡眠呼吸暂停是与睡眠相关的呼吸障碍。在下文中,障碍性睡眠呼吸暂停简称为睡眠呼吸暂停(sleep apnoea)。
打鼾-噪声和呼吸道障碍是在上呼吸道的不同部位以各种方式产生的。这些不同的方式可以通过振动或缩窄的相应的取向和类型来确定,这些振动或缩窄可以是比如圆形的或成形为侧向槽缝。因此,存在不同类型的打鼾-噪声的来源,其在解剖学上与各种部位和类型的障碍相关。换言之,打鼾-噪声的起源类型由打鼾-噪声的起源处、振动的方向和类型或其组合来定义。类似地,障碍的类型由障碍部位、障碍的方向或其组合来限定。打鼾-噪声起源的不同类型可分为:
A)软腭的前后振动;
C)呼吸道在腭咽或口咽中的环形缩窄;
L)口咽区域中软组织的横向振动;
T)在舌根区域中的缩窄部;和/或
E)会厌区域的振动或缩窄。
在咽部中,打鼾-噪声可比如在具有悬腭的软腭区域中、在腭扁桃体区域中、在舌根区域中和在会厌的水平上产生。本领域已经描述了许多分类系统,目的是在临床实践中建立缩窄部位和障碍类型的标准化指定。图2示出了患者头部的侧向截面图,其中打鼾-噪声起源部位在颈部、鼻部和喉部,具有腭咽部(V)、口咽部(O)、舌根部(T)和会厌部(E)的区域。
根据大多数医学指导,睡眠相关呼吸障碍的诊断包括测量由自然睡眠中呼吸道缩窄(呼吸不足)引起的障碍和呼吸困难所引起的呼吸暂停的频率,其中测量既可以在睡眠实验室中作为多导睡眠记录来执行,也可以在家庭环境中作为多记录和心肺筛查来执行。然而,这些测量不提供关于缩窄或障碍的部位的明确信息。根据缩窄或障碍的部位和形状,可以相应地采取各种治疗措施。除了了解由呼吸暂停的频率和长度确定的障碍性睡眠呼吸暂停的严重程度之外,了解相应的障碍类型对于障碍性睡眠呼吸暂停的靶向治疗是非常重要的。了解打鼾-噪声的起源类型对于有针对性地治疗打鼾也是非常重要的。
一种用于确定打鼾-噪声的起源部位和障碍部位的已知解决方案是比如夜间测压法,其中,直径为几毫米的配备有串联布置的若干传感器的细导管通过鼻子引入到患者的上呼吸道中。因此,可以在上呼吸道的多个位置在夜晚测量自然睡眠期间的压力状况。该方法的一个优点是在自然睡眠期间连续测量。缺点为不是每位患者在整个晚上都能耐受其上呼吸道中的导管。而且,不能获得关于障碍的类型和形状的信息。
确定患者障碍部位和类型的另一种众所周知的方法是药物诱发的睡眠视频内窥镜检查。通过该方法,患者被麻醉医师镇静以产生人工睡眠。然后借助于通过鼻子引入的柔性内窥镜来监测上呼吸道。因此,能够可视化和确定障碍的部位、形状和类型。该方法的缺点是由镇静药物引起的对患者的压力以及在工作人员和设备方面的巨大努力和高相关成本。在药物诱发的睡眠视频内窥镜检查期间,频繁地打鼾-噪声的音频记录和内窥镜检查的视频记录同时进行,从其中可以回顾地提取具有关于打鼾-噪声的起源的相应类型和/或关于障碍的相应类型的信息的打鼾-噪声信号。打鼾-噪声的起源类型与障碍类型有一定的相关性;然而,不能根据打鼾-噪声的起源类型明确地推导出障碍的类型。而且,在大多数情况下,障碍和打鼾-噪声在一定时间关系内发生,但在时间上不同步。
已知睡眠期间的口部位置对睡眠质量和其他病症(例如牙齿疾病)以及呼吸道障碍的发生概率和类型具有显著影响。该口部位置基本上由下颌骨和口唇的位置确定。在最简单的情况下,区分两种情况:口闭(例如唇闭合)和口开。或者,可以用不同的限定更详细地描述口部位置。
在由药物诱发的睡眠视频内窥镜检查期间,比如通过检查者手动移动患者下颌骨来强制打开和闭合口部位置,并且以这种方式检查口部位置对障碍类型的影响。然而,根据睡眠视频内窥镜的音频记录和内窥镜视频记录,不能识别出发生打鼾-噪声时的口部位置。也不能以结构化形式获得在睡眠视频内窥镜检查期间发生打鼾-噪声时的口部位置信息。
为了在自然睡眠期间确定口部位置,已知各种方法,比如基于视频的方法。为此,已经记录了相应的打鼾-噪声信号,对于这些打鼾-噪声信号,可以提取相应的口部位置作为附加信息,并且可以将这些打鼾-噪声信号确定并记录为指示符。这里,要注意,为了确定口部位置,基于视频的确定需要大量时间,并且作为替代方法,通过附着到患者头部的传感器进行确定会干扰睡眠质量。另一方面,以这种方式获得的附加打鼾-噪声信号以及相应的口部位置是可用的并因此是有帮助的。
WO 2017/009081 A1公开了一种用于在上呼吸道中识别打鼾-噪声的装置和方法,其中呼吸通过优选地具有两个偏置麦克风传感器的管发生。通过两个麦克风传感器的传感器信号,可以在吸气和呼气时识别上呼吸道障碍。
WO 2012/155257 A1公开了一种用于诊断呼吸道噪声和节律的装置和方法,其中在呼吸或睡眠期间,麦克风传感器位于患者鼻子的前方。
DE 102006008844 A1公开了一种检测呼吸道噪声的方法,其中传感器被定位在鼻孔前方或被引入其中,并且因此评估其传感器信号。
为了清楚起见,在此应注意的是,相应的打鼾-噪声信号可以包括一个或多个附加信息片段,或者它们可以被附接到该打鼾-噪声信号上,该一个或多个附加信息片段与该声学打鼾-噪声信号相关联作为指示符或标记。这些一个或多个附加信息或指示符例如可以是打鼾-噪声的起源部位、打鼾-噪声的起源类型、口部位置和/或如上所述的附加患者参数。指示符(通常也称为标记)可以被调制到例如打鼾-噪声信号本身上,或者以编码的方式被包含在打鼾-噪声信号中,或者可以被记录在第二信号轨道或文件中,或者可以以写入的方式被记录。
因此,用于消除现有技术的缺点的本发明的目的在于提供一种系统,该系统用于根据待检查的打鼾-噪声信号来自动地识别并且如果可能的话显著识别在每种情况下最可能的障碍类型。
上述目的通过根据独立权利要求1的特征的装置来实现。在从属权利要求中指出了本发明的其他它有利实施例。
根据本发明,介绍了一种用于通过待检查的打鼾-噪声信号的相应分类来支持微处理器识别睡眠呼吸暂停的障碍类型的分类系统,该分类系统包括:
-用于相应打鼾-噪声信号的输入接口;
-第一分类器,其适于如果输入了具有相应的打鼾-噪声起源类型的第一多个打鼾-噪声信号,则在训练模式中进行学习,使得在识别模式中,其识别和输出对于特定打鼾-噪声信号的预定义类型的组的最可能打鼾-噪声起源;
-第二分类器,其适于如果输入了具有相应口部位置的第二多个打鼾-噪声信号,则在训练模式中进行学习,使得在识别模式中,其识别并输出对于特定打鼾-噪声信号的预定口部位置的组的最可能位置;
-第三分类器,其被设计成在识别模式中根据由第一分类器确定的打鼾-噪声起源类型和由第二分类器确定的口部位置的输入,来识别一组预定义的障碍类型中最可能障碍类型,并且输出相同的障碍类型信号作为障碍类型信号;
-用于指示障碍类型信号的输出接口。
优选地,第三分类器还适于当由第一分类器识别的打鼾-噪声起源类型、由第二分类器识别的口部位置和障碍类型被输入时在训练模式中进行学习,使得在识别模式中,其针对相应打鼾-噪声起源类型和口部位置,将在训练期间输入的障碍类型识别为最可能障碍类型。为了清楚起见,应当注意,本领域的技术人员已知分类器领域中“学习”的意图。
本发明的优点具体在于以下事实:为了训练第一分类器和第二分类器,可以使用多个打鼾-噪声信号,除了打鼾-噪声信号的仅声学分量之外,该多个打鼾-噪声信号仅含有打鼾-噪声起源类型或口部位置作为附加信息。信息通常可以编码在打鼾-噪声信号本身中作为指示符或标记,或者调制到其上,记录在单独的信号轨道或文件中,或者可以附加到打鼾-噪声信号,比如作为写入标记。因此,可以借助于在现有技术中已经可用的大量打鼾-噪声信号来训练第一分类器,该打鼾-噪声信号仅包括打鼾-噪声起源类型作为标记,而不会错误地训练第二分类器和/或第三分类器。因此,可以借助于在现有技术中已经可用的其他大量打鼾-噪声信号来训练第二分类器,该打鼾-噪声信号仅包括口部位置作为标记,而不会错误地训练第一分类器和/或第三分类器。因此,根据本发明的分类系统不需要结合两个指示符《打鼾-噪声起源类型》和《口部位置》记录的打鼾-噪声信号的全新记录。由于根据本发明,现有的打鼾-噪声信号可以仅与一个或另一个指示符一起用于训练第一分类器和第二分类器,因此在成本和付出方面实现了很大的优势;然而,在从待检查的打鼾-噪声信号开始识别障碍类型期间,考虑指示符“打鼾-噪声起源类型”和“口部位置”两者。与来自待检查的打鼾-噪声信号的障碍类型的识别与作为唯一指示符的打鼾-噪声起源类型相比,这两个指示符的组合使用显著增加了正确识别相应类型的障碍的精度,和/或错误识别变得更不可能。
优选地,第一分类器和第二分类器被配置为使得第一分类器和第二分类器的训练可以分别与多个打鼾-噪声信号分开执行,其中第一分类器可以独立于口部位置来训练,并且第二分类器可以独立于打鼾-噪声起源类型来训练。优选地,第一分类器的训练可以相对于第二分类器的训练以时移发生。或者优选地,第一分类器的训练可以与第二分类器的训练同时进行。为了清楚起见,多个打鼾-噪声信号可以包括打鼾-噪声信号的序列,打鼾-噪声起源类型被分配为指示符并且没有口部位置;以及不同的打鼾-噪声信号序列,其中口部位置被分配为指示符并且没有打鼾-噪声起源类型。
为了清楚起见,术语“指示符”和“标记”在此被理解为同义词。分类器的训练也可以称为“学习”。通过具有带有至少一个指示符的相应打鼾-噪声信号的相应分类器的“训练”或“训练模式”,意图是相应分类器在该过程期间改变,使得在识别模式中,其可以从打鼾-噪声信号更好地识别至少一个指示符,优选地在具有若干指示符的许多训练的打鼾-噪声信号的情况下是平均的,如本领域技术人员已知的。本领域技术人员已知,使用越多不同的打鼾-噪声信号训练各个分类器,识别率越高。
当然,第一分类器和第二分类器优选地还被配置为可与另外多个打鼾-噪声信号一起训练,另外多个打鼾-噪声信号包含打鼾-噪声起源类型和口部位置两者作为所分配的指示符。以这种方式,第一多个打鼾-噪声信号、第二多个打鼾-噪声信号和/或附加的多个不同的打鼾-噪声信号可用于训练第一分类器和第二分类器。
本领域技术人员还已知,第一分类器、第二分类器和第三分类器在技术上可以是仅一个分类器的一部分;在这种情况下,可以借助于部分分类器来训练和/或识别打鼾-噪声起源类型和口部位置和/或障碍类型。此外,本领域技术人员知道,打鼾-噪声起源类型和口部位置的信息可以替代地由一系列标记或指示符提供,每个标记或指示符表征打鼾-噪声起源类型和口部位置的组合。优选地,各个标记或指示符可以包含关于打鼾-噪声信号的一个或多个信息,比如打鼾-噪声起源类型、口部位置、睡眠时间等。
根据打鼾-噪声信号对打鼾-噪声起源类型和口部位置的改进识别,导致对障碍类型的改进识别。
为了清楚起见,在此注意到,第一分类器是学习分类器,其在训练或学习模式中可由第一系列打鼾-噪声信号训练,使得随后在识别模式中,其可以从相应的打鼾-噪声信号中以最高概率识别相应打鼾-噪声起源类型。以相同的方式,第二分类器是学习分类器,其在训练或学习模式中可由第二系列打鼾-噪声信号训练,使得随后在识别模式中,其可以从相应的打鼾-噪声信号中以最高概率识别相应的口部位置。
本领域技术人员知道,优选优化各个分类器以识别预定义的特征。
相应分类器对打鼾-噪声信号的训练和识别可随后发生、同时发生或在时间上重叠地发生。
优选地,第一分类器适于在识别模式中识别具有相应概率的相应打鼾-噪声起源类型,以指示其并将其转发到第三分类器。然后,第三分类器结合相应的口部位置估计打鼾-噪声相应起源类型的概率,如果需要,还估计另外的打鼾或患者数据。优选地,第一分类器将打鼾-噪声信号分类为打鼾-噪声起源类型的向量,打鼾-噪声起源类型或打鼾-噪声起源类型的分类被输出作为相应概率。对于第三分类器这增加了在所识别的打鼾-噪声起源类型和所识别的口部位置之间以概率馈送的评估可能性和组合分析。
优选地,第二分类器适于在识别模式中以相应概率识别各个口部位置,以指示它并将它转发到第三分类器。然后,第三分类器结合相应的打鼾-噪声起源类型估计相应的口部位置的概率,如果需要,还估计另外的打鼾或患者数据。优选地,第二分类器将打鼾-噪声信号分类为口部位置的向量中,每个口部位置或口部位置分类作为相应概率被输出。
优选地,第三分类器适于在识别模式中以相应的概率识别相应的障碍类型,以指示它并将它转发到输出接口。然后,输出接口向通知特征提供障碍的类型;该输出接口可以是已知适合于此目的的任何接口,比如电接口或无线接口,比如到智能电话或PC的显示器的接口。输出接口还可以连接到互联网,使得评估和显示可以在不同的位置发生。
系统的各个部件也可以在空间上分开。优选地,然后将经由合适的接口在系统组件之间传输相应的信息,接口比如可以是电接口或无线接口。该信息也可以经由互联网传输。
优选地,第三分类器适于经由输入接口记录打鼾人的除了打鼾-噪声起源类型和口部位置之外的附加打鼾或患者数据,并且在分类障碍类型时在训练模式和/或识别模式中将它们考虑在内。附加打鼾或患者数据可以是用于甚至更好地确定最可能障碍类型的参数或参数信号。“更好”在此是指“具有较高的命中率”。
优选地,打鼾或患者数据包括以下参数中的至少一个:性别、体重指数、呼吸暂停低通气指数、扁桃体大小、舌大小、弗里德曼评分、打鼾时间、睡眠时间和/或患者体重。
打鼾事件和障碍事件可一起发生,但未必总是这种情况。为了清楚起见,注意到,在障碍事件的情况下,障碍类型的标记也可以指定障碍的类型,该障碍类型的标记与关于打鼾-噪声起源类型和口部位置的相应信息一起用于训练第三分类器,该障碍事件已经在特定时间联系中发生,但不与和特定患者关联的相应打鼾事件同时发生。
优选地,第一分类器基于以下机器学习或分类方法中的一个:支持向量机-SVM-、朴素贝叶斯系统、最小均方方法、k-最近邻方法-k-NN-、线性判别分析-LDA-、随机森林方法-RF-、超限学习机-ELM-、多层感知器-MLP-、深度神经网络-DNN-、逻辑回归。从现有技术已知的其他方法也是可以想到的并且可以在此应用。
优选地,第二分类器基于以下机器学习或分类方法中的一个:支持向量机-SVM-、朴素贝叶斯系统、最小均方方法、k-最近邻方法-k-NN-、线性判别分析-LDA-、随机森林方法-RF-、超限学习机-ELM-、多层感知器-MLP-、深度神经网络-DNN-、逻辑回归。从现有技术已知的其他方法也是可以想到的并且可以在此应用。
优选地,第三分类器基于以下机器学习或分类方法中的一个:支持向量机-SVM-、朴素贝叶斯系统、最小均方方法、k-最近邻方法-k-NN-、线性判别分析-LDA-、随机森林方法-RF-、超限学习机-ELM-、多层感知器-MLP-、深度神经网络-DNN-、逻辑回归。从现有技术已知的其他方法也是可以想到的并且可以在此应用。
还可以向第一分类器和/或第二分类器分配打鼾或患者数据或其部分,在对打鼾-噪声信号进行分类时,相应的第一分类器和/或第二分类器可以评估或考虑数据或其部分。比如,可以将患者性别、体重指数、呼吸暂停低通气指数、扁桃体大小、舌大小、弗里德曼评分、打鼾时间和/或睡眠持续时间的特征,分配给分类器。
可替换地优选地,第三分类器可以基于根据打鼾-噪声起源类型的第一输入矢量和根据口部位置的至少一个第二输入矢量的矩阵概率计算,其汇总概率导致各种障碍类型及其概率。
为了清楚起见,通过第一组打鼾-噪声起源类型,意图是第一组第一类打鼾-噪声起源类型。
优选地,打鼾-噪声起源的类型组包括以下分类:腭咽(V)、口咽(O)、舌根区域(T)和/或会厌区域(E)。自然地,也可以想到打鼾-噪声起源的其他分类或部位或类型。
为了清楚起见,通过该组口部位置,优选地理解该组口部位置的分类。优选地,该组口部位置包括口部位置“口开”和“口闭”;其他口部位置和中间位置也是自然可以想到的。
为了清楚起见,通过障碍类型的组,优选地理解障碍类型分类的组。
为了清楚起见,除了噪声产生的位置之外或者代替噪声产生的位置,噪声产生的类型描述了振动的取向和/或形状,振动在本文中被指定为“打鼾-噪声起源类型”。
为了清楚起见,优选地基于客观参考值(地面真值)来确定指示符(也称为标记),优选地通过在相应打鼾事件发生时由有经验的观察者对药物诱发的睡眠视频内窥镜检查的内窥镜图像的观察来确定指示符(也称为标记)。用于口部位置的指示符或标记,优选地通过在检查期间观察患者、在检查期间评估患者的口区域的视频记录或经由通过口和鼻子或其他传感器的空气流记录传感器数据、以及通过在记录打鼾-噪声信号的时间期间记录口部位置,来获得。
根据足够数量的特征向量和训练数据,作为机器分类器的分类器生成至少一个模型。如果没有标记的特征向量被馈送到模型中,它将输出结果值。结果值含有关于特征向量所基于的打鼾事件所属的最可能分类的信息。在替代实施例中,模型另外输出关于打鼾事件属于最可能分类的概率的信息;可替代地另外输出关于属于其他类的概率的信息,如上所述。优选地,输出分类对应于用于训练的标记的分类。
在以下附图和详细描述中描述了本发明的优选实施例;然而,它们不旨在将本发明限制于:
图1示意性地示出了具有第一分类器和第二分类器的分类系统,具有相应可选指示符的打鼾-噪声信号经由输入接口被馈送到第一分类器和第二分类器中的每一个,该第一分类器和第二分类器的输出信号被馈送到第三分类器以用于分类;将第三分类器的代表障碍类型的输出信号通过输出接口转发至显示单元并在显示单元显示;附加的打鼾或患者数据可以经由输入接口输入并且被馈送到第三分类器以用于分类;
图2示出了患者头部的截面侧视图,该患者头部包含具有腭咽、口咽、舌根和会厌区域的颈-鼻-咽喉区域;以及
图3示出了用于从打鼾-噪声信号确定相应的最可能障碍类型或相应的障碍类型的概率的方法的信号流示图,打鼾-噪声信号包含用于训练第一分类器和第二分类器的目的的可选指示符。
具体实施方式
图1示意性地示出了用于微处理器辅助识别障碍类型O1-O4的分类系统1的可能实施例,该障碍类型O1-O4可以在睡眠呼吸暂停期间发生并且由分类系统1根据待检查的打鼾-噪声信号Au来识别。分类系统1包括以下部件:
A)用于相应打鼾-噪声信号Au的输入接口,该输入接口可以具有模拟和/或数字输入。为了训练分类系统1,打鼾-噪声信号Au具有至少一个附加指示符或标记,其具有打鼾-噪声起源类型S1-S4和/或分配给相应打鼾-噪声信号Au的口部位置M1-M2。优选地,打鼾-噪声信号Au还具有障碍类型O1-O4作为指示符,可用于训练分类系统1。输入接口通常还可以具有用于键盘、按钮、光学输入或扫描仪等的输入,以便记录和转发指示符或标记。
B)第一分类器K1,其适于当具有对应的打鼾-噪声起源类型S1-S4的第一多个打鼾-噪声噪声信号Au被输入时在训练模式中进行学习,使得在识别模式中,其能够从一组预定的打鼾-噪声起源类型S1-S4中识别并输出用于相应打鼾-噪声信号Au的最可能的打鼾-噪声起源类型S1-S4。因此,第一分类器是学习分类器。为了清楚起见,如果训练数据的打鼾-噪声信号Au在识别模式中输入,则打鼾-噪声相应起源类型S1至S4将被正确地输出或至少平均地以最高概率输出,具有上述优选的分类器。如果随后在识别模式中输入待检查的打鼾-噪声信号Au,则将最可能的打鼾-噪声起源类型S1-S4或打鼾-噪声起源类型S1-S4确定为概率值并转发到第三分类器K3。
C)第二分类器K2,其适于当具有相应口部位置M1-M2的第二多个打鼾-噪声信号Au被输入时在相应训练模式中学习,使得在识别模式中其从用于相应打鼾-噪声信号Au的一组预定义口部位置M1-M2中识别并输出相应最可能口部位置M1-M2。因此,第二分类器也是学习分类器。如果随后在识别模式中输入了要检查的打鼾-噪声信号Au,则将最可能口部位置M1-M2或口部位置M1-M2确定为概率值,并将其转发至第三分类器K3。
D)第三分类器K3,其适于当输入了由第一分类器K1识别的打鼾-噪声起源类型S1-S4和由第二分类器K2识别的口部位置M1-M2时,在识别模式中识别出一组预定的障碍类型O1-O4中最可能障碍类型O1-O4,并将其作为障碍类型信号输出。
优选地,第三分类器K3适于当输入了由第一分类器K1识别的打鼾-噪声起源类型S1-S4、由第二分类器K2识别的口部位置M1-M2和障碍类型O1-O4时在训练模式中进行学习,使得在识别模式中,对于相应的打鼾-噪声起源类型S1-S4和相应的口部位置M1-M2,将输入的障碍类型O1-O4识别为最可能障碍类型O1-O4。
优选地,第三分类器K3适于当输入了由第一分类器K1识别的打鼾-噪声起源类型S1-S4、由第二分类器K2识别的口部位置M1-M2和障碍类型O1-O4时在训练模式中进行学习,使得在识别模式中,对于相应的打鼾-噪声起源类型S1-S4和口部位置M1-M2,将输入的障碍类型O1-O4识别为最可能障碍类型O1-O4。
如果在识别模式中输入待检查的打鼾-噪声信号Au,则由第一分类器K1识别的打鼾-噪声起源类型S1-S4和由第二分类器K2识别的口部位置M1-M2被以相应概率值分配给最可能障碍类型O1-O4。第三分类器K3也可以是连接矩阵,如上所述,其通过输入参数(例如至少打鼾-噪声起源类型S1-S4和口部位置M1-M2),执行精确定义的概率评估。在该过程中,连接矩阵还可以通过所实现的或从属的学习算法来调整,使得精确预定义的概率评估优选地在识别模式之前或在训练模式中的连续识别期间被进一步学习;以及
E)具有用于障碍类型信号的显示器的输出接口3。
优选地,分类系统1还具有输入接口2,借助于该输入接口可以输入附加打鼾和患者数据Px,该附加打鼾和患者数据Px比如在各个障碍类型O1-O4的分类期间由第三分类器K3考虑。
为了清楚起见,注意到,通过打鼾-噪声起源类型S1-S4、口部位置M1-M2和障碍类型O1-O4,信号可以被认为是具有信号属性的。
优选地,通过标注的测试数据来确定识别精度。优选地,测试数据是训练数据集的独立部分,但是不用于训练。
优选地,打鼾-噪声信号Au是包括表示打鼾-噪声信号和一个或多个特征信号的麦克风或音频信号的信号或信号矢量。可以以各种方式对表示打鼾-噪声信号的麦克风或音频信号进行预处理,比如通过带通滤波或现有技术中公知的方式。
或者优选地,打鼾-噪声信号Au是通过特征提取器从音频信号获得的特征向量,该特征向量包括至少一个或多个声学特征。声学特征可以比如是基频、谐波噪声比-HNR-、Mel频率倒谱系数-MFCC-和/或其他。该特征提取器优选地提取关于优选地作为静态值呈现的声学特征的年代历史的信息,而不是提取描述打鼾事件的整个时间段的每个特征的单独值。静态值优选为平均值、中值、标准偏差和/或高斯分布。
一种适用于上述分类系统的方法,该分类系统用于在睡眠呼吸暂停的情况下通过对所记录的待检查的打鼾-噪声信号Au进行分类来微处理器支持识别障碍类型O1-O4,该方法包括以下步骤:
A)通过在其输入端口输入第一多个打鼾-噪声信号Au来训练第一分类器K1,打鼾-噪声信号Au分配了相应的打鼾-噪声起源类型S1-S4,以用于在相应的识别模式中分类和输出最可能的打鼾-噪声相应起源类型S1-S4,相应的打鼾-噪声起源类型S1-S4源自可能的打鼾-噪声起源类型S1-S4的第一组分类;
B)通过在其输入端口输入的第二多个打鼾-噪声信号Au来训练第二分类器K1,第二多个打鼾-噪声信号Au分配了相应口部位置M1-M2,以用于在相应识别模式中对相应最可能口部位置M1-M2进行分类和输出,相应口部位置M1-M2源自可能口部位置M1-M2的第二组分类;
C)优选地,通过在其输入端口输入上述识别的打鼾-噪声起源类型S1-S4和口部位置M1-M2,训练或矩阵形状关联第三分类器K3,以便在相应的识别模式中分类,并在睡眠呼吸暂停的情况下输出最可能障碍类型O1-O4,相应的障碍类型O1-O4源自障碍类型O1-O4的第三组分类;或者,第三分类器K3也可以通过参数输入被预编程,用于最可能障碍类型O1-O4的分类;
D)在相应的识别模式中,借助于第一分类器K1从打鼾-噪声信号Au识别打鼾-噪声起源类型S1-S4、借助于第二分类器K2识别口部位置M1-M2,以及借助于第三分类器K3识别所得障碍类型O1-O4;以及
E)在输出接口3输出待检查的打鼾-噪声信号Au的借助于第一分类器K1、第二分类器K2和第三分类器K3识别的障碍类型O1-O4。
图3示出了上述方法的示例作为信号流示图。
优选地,上述方法还包括以下步骤,其中利用多个打鼾-噪声信号Au对第一分类器K1的训练和对第二分类器K2的训练彼此独立地进行,其中独立于口部位置M1-M2对第一分类器K1进行训练和学习,并且独立于打鼾-噪声起源类型S1-S4对第二分类器K2进行训练和学习。优选地,第一分类器K1和第二分类器K2的训练和学习以时移发生或同时发生。
优选地,上述方法还包括以下步骤,其中,利用另外多个打鼾-噪声信号Au一起且同时地训练第一分类器K1和训练第二分类器K2,打鼾-噪声起源类型S1-S4和相应口部位置M1-M2被分配给相应采用的打鼾-噪声信号Au。
优选地,上述方法还包括以下步骤,其中在识别模式中,由第一分类器K1识别相应的打鼾-噪声起源类型S1-S4,并将其馈送到第三分类器K3。
优选地,上述方法还包括以下步骤,其中在识别模式中,由第二分类器K2识别相应口部位置M1-M2,并将其馈送到第三分类器K3以识别障碍类型O1-O4。
优选地,上述方法还包括以下步骤,其中在识别模式中,由第三分类器K3根据相应的打鼾-噪声起源类型S1-S4和口部位置M1-M2识别相应的障碍类型O1-O4,并指示相应的概率。
优选地,上述方法还包括以下步骤,其中第一组打鼾-噪声起源类型S1-S4包括以下类别:腭咽(V)、口咽(O)、舌根区域(T)和/或会厌区域(E)。优选地,相应的打鼾-噪声起源类型S1-S4还包含振动的定向,其可以是比如横向或圆形振动。
优选地,第二组口部位置包括以下口部位置:口开、口闭。可选地,优选地,第二组口部位置可以包含两个以上的口部位置和中间位置。
优选地,上述方法适于使得除了相应的打鼾-噪声起源类型S1-S4和相应的口部位置M1-M2之外,与打鼾者相关的附加打鼾或患者数据Px被馈送至第三分类器K3,在训练期间和/或障碍类型O1-O4的识别期间,由第三分类器K3考虑和评估该数据。
优选地,打鼾或患者数据Px包括以下参数中的至少一个:体重指数、呼吸暂停低通气指数、扁桃体大小、舌大小、弗里德曼得分、打鼾时间、睡眠持续时间。
为了清楚起见,注意到与对象有关的不定冠词“一”并不将对象的数目限制为确切的“一个”,而是旨在限制为“至少一个”。这适用于所有不定冠词,比如“一个”等。
为了清楚起见,这里使用的术语“第一”、“第二”、“第三”等仅仅用于区分不同的多个元件和/或部件。因此,比如,第一多个也可以称为第二多个,并且因此第二多个也可以称为第一多个,而不偏离本发明的教导。
应当理解,代替这里提到的打鼾-噪声起源类型、口部位置和障碍类型的两个或四个类别,也可以使用或检测其他多个类别。
权利要求中指示的参考符号仅仅是为了更好地理解,并不以任何方式将权利要求限制为附图中所示的实施例。
参考标号列表
1 分类系统
2 输入接口
3 输出接口
Au 打鼾-噪声信号
Sx,S1-S4 打鼾-噪声起源类型
Mx,M1,M2 口部位置
Ox,O1-O4 障碍类型
K1 第一分类器
K2 第二分类器
K3 第三分类器
Px 打鼾或患者数据
V 腭咽
O 口咽
T 舌根区域
E 会厌区域
Claims (10)
1.一种分类系统(1),用于借助于待检查的打鼾-噪声信号(Au)的适当分类来微处理器辅助识别睡眠呼吸暂停中的障碍类型(O1-O4),所述分类系统包括:
a)用于相应的所述打鼾-噪声信号(Au)的输入接口;
b)第一分类器(K1),适于当具有相应的打鼾-噪声起源类型(S1-S4)的第一多个打鼾-噪声信号(Au)被输入时在训练模式中进行学习,使得在识别模式中,从一组预定的打鼾-噪声起源类型(S1-S4)中识别并输出针对特定打鼾-噪声信号(Au)的最可能打鼾-噪声起源类型(S1-S4);
c)第二分类器(K2),适于当具有相应的口部位置(M1-M2)的第二多个打鼾-噪声信号(Au)被输入时在所述训练模式中进行学习,使得在所述识别模式中,从一组预定的口部位置(M1-M2)中识别并输出针对特定打鼾-噪声信号(Au)的最可能口部位置(M1-M2);
d)第三分类器(K3),适于当由所述第一分类器(K1)识别的所述打鼾-噪声起源类型(S1-S4)和由所述第二分类器(K2)识别的所述口部位置(M1-M2)被输入时,在所述识别模式中从一组预定的障碍类型(O1-O4)中识别最可能障碍类型(O1-O4),并将所述最可能障碍类型(O1-O4)作为障碍类型信号输出;以及
e)用于所述障碍类型信号的显示器的输出接口(3)。
2.根据权利要求1所述的分类系统(1),所述第一分类器(K1)和所述第二分类器(K2)适于使得:利用多个打鼾-噪声信号(Au)使所述第一分类器(K1)和所述第二分类器(K2)的各自的训练能够彼此分开地执行,其中所述第一分类器(K1)独立于所述口部位置(M1-M2)进行训练和学习并且所述第二分类器(K2)独立于所述打鼾-噪声起源类型(S1-S4)进行训练和学习。
3.根据权利要求1或2所述的分类系统(1),所述第一分类器(K1)和所述第二分类器(K2)适于使得:利用附加的多个打鼾-噪声信号(Au)使所述第一分类器(K1)和所述第二分类器(K2)的各自的训练一起并且同时发生,所使用的相应的所述打鼾-噪声信号(Au)包含作为相应信息的相应的所述打鼾-噪声起源类型(S1-S4)和相应的所述口部位置(M1-M2)。
4.根据前述权利要求中的一项或多项所述的分类系统(1),所述第一分类器(K1)适于在所述识别模式中以相应概率识别相应的所述打鼾-噪声起源类型(S1-S4)、指示并将所述打鼾-噪声起源类型(S1-S4)转发至所述第三分类器(K3)。
5.根据前述权利要求中的一项或多项所述的分类系统(1),所述第二分类器(K2)适于在所述识别模式中以相应概率识别相应的所述口部位置(M1-M2)、指示并将所述口部位置(M1-M2)转发至所述第三分类器(K3)。
6.根据前述权利要求中的一项或多项所述的分类系统(1),所述第三分类器(K3)适于当由所述第一分类器(K1)识别的所述打鼾-噪声起源类型(S1-S4)、由所述第二分类器(K2)识别的所述口部位置(M1-M2)、以及所述障碍类型(O1-O4)被输入时,在所述训练模式中进行学习,使得在所述识别模式中,所述第三分类器通过相应的所述打鼾-噪声起源类型(S1-S4)和相应的所述口部位置(M1-2),将输入的所述障碍类型(O1-O4)识别为所述最可能障碍类型(O1-O4)。
7.根据前述权利要求中的一项或多项所述的分类系统(1),所述第三分类器(K3)适于在所述识别模式中以相应概率识别相应的所述障碍类型(O1-O4)、指示并将所述障碍类型(O1-O4)转发到所述输出接口(3)。
8.根据前述权利要求中的一项或多项所述的分类系统(1),所述第三分类器(K3)适于除了识别相应的所述打鼾-噪声起源类型(S1-S4)和相应的所述口部位置(M1-M2)之外,还经由输入接口(2)识别与打鼾者相关联的其他打鼾或患者数据(Px),并且在所述训练模式和/或所述识别模式中,所述第三分类器将所述其他打鼾或患者数据(Px)考虑为对所述障碍类型(O1-O4)进行分类时的参数或参数信号。
9.根据权利要求8所述的分类系统(1),所述打鼾或患者数据(Px)包括以下参数中的至少一项:体重指数、呼吸暂停低通气指数、扁桃体大小、舌大小、弗里德曼得分、打鼾时间、睡眠持续时间。
10.根据前述权利要求中的一项或多项所述的分类系统(1),所述第一分类器(K1)基于以下机器学习方法中的一种:支持向量机-SVM-、朴素贝叶斯系统、最小均方方法、k-最近邻方法-k-NN-、线性判别分析-LDA-、随机森林方法-RF-、超限学习机-ELM-、多层感知器-MLP-、深度神经网络-DNN-、逻辑回归;和/或
所述第二分类器(K2)基于以下机器学习方法中的一种:支持向量机-SVM-、朴素贝叶斯系统、最小均方方法、k-最近邻方法-k-NN-、线性判别分析-LDA-、随机森林方法-RF-、超限学习机-ELM-、多层感知器-MLP-、深度神经网络-DNN-、逻辑回归;和/或
所述第三分类器(K3)基于以下机器学习方法中的一种:支持向量机-SVM-、朴素贝叶斯系统、最小均方方法、k-最近邻方法-k-NN-、线性判别分析-LDA-、随机森林方法-RF-、超限学习机-ELM-、多层感知器-MLP-、深度神经网络-DNN-、逻辑回归;或者
所述第三分类器(K3)基于根据所述打鼾-噪声起源类型(S1-S4)的第一输入矢量和根据所述口部位置(M1-M2)的至少一个第二输入矢量的矩阵概率计算,所述矩阵概率计算的总概率又导致各种所述障碍类型(O1-O4)及所述障碍类型的概率。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019105762.0A DE102019105762B4 (de) | 2019-03-07 | 2019-03-07 | System zur akustischen Erkennung von Obstruktionsarten bei der Schlafapnoe. |
DE102019105762.0 | 2019-03-07 | ||
PCT/EP2020/054789 WO2020178060A1 (de) | 2019-03-07 | 2020-02-24 | System zur akustischen erkennung von obstruktionsarten bei der schlafapnoe und entsprechendes verfahren |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113646848A true CN113646848A (zh) | 2021-11-12 |
Family
ID=70057073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080026813.1A Pending CN113646848A (zh) | 2019-03-07 | 2020-02-24 | 用于睡眠呼吸暂停中障碍类型的声学识别系统和相应方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220156640A1 (zh) |
EP (2) | EP3935648B1 (zh) |
JP (1) | JP7419641B2 (zh) |
CN (1) | CN113646848A (zh) |
DE (1) | DE102019105762B4 (zh) |
WO (1) | WO2020178060A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021129912A1 (de) | 2021-11-16 | 2023-05-17 | Diametos GmbH | Diagnose- und Steuersystem zur Erkennung und Therapie von respiratorischen Ereignissen im Schlaf |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006008844A1 (de) | 2006-02-25 | 2007-08-30 | Heiko Lorenzen | Verfahren zur Detektion von Atemstillständen während des Schlafes |
CA2836196C (en) | 2011-05-17 | 2021-06-29 | University Health Network | Breathing disorder identification, characterization and diagnosis methods, devices and systems |
JP5788251B2 (ja) * | 2011-07-25 | 2015-09-30 | オムロンヘルスケア株式会社 | 睡眠時情報検出装置および睡眠時情報検出装置における検出方法 |
US10537463B2 (en) * | 2015-01-13 | 2020-01-21 | Align Technology, Inc. | Systems and methods for positioning a patient's mandible in response to sleep apnea status |
EP3322336B1 (en) | 2015-07-16 | 2019-09-11 | Koninklijke Philips N.V. | System and method for analysis of the upper airway and a respiratory pressure support system |
JP2019010437A (ja) * | 2017-06-30 | 2019-01-24 | ヤマハ株式会社 | 判定装置、及び判定方法 |
-
2019
- 2019-03-07 DE DE102019105762.0A patent/DE102019105762B4/de active Active
-
2020
- 2020-02-24 EP EP20715275.2A patent/EP3935648B1/de active Active
- 2020-02-24 JP JP2021553028A patent/JP7419641B2/ja active Active
- 2020-02-24 WO PCT/EP2020/054789 patent/WO2020178060A1/de active Application Filing
- 2020-02-24 CN CN202080026813.1A patent/CN113646848A/zh active Pending
- 2020-02-24 US US17/436,623 patent/US20220156640A1/en active Pending
- 2020-02-24 EP EP23189065.8A patent/EP4276852A3/de active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3935648A1 (de) | 2022-01-12 |
DE102019105762B4 (de) | 2021-09-16 |
EP4276852A3 (de) | 2024-01-24 |
DE102019105762A1 (de) | 2020-09-10 |
US20220156640A1 (en) | 2022-05-19 |
JP2022531535A (ja) | 2022-07-07 |
EP3935648B1 (de) | 2023-08-02 |
EP4276852A2 (de) | 2023-11-15 |
JP7419641B2 (ja) | 2024-01-23 |
WO2020178060A1 (de) | 2020-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10278639B2 (en) | Method and system for sleep detection | |
US11751817B2 (en) | Breathing disorder identification, characterization and diagnosis methods, devices and systems | |
JP5952536B2 (ja) | 嚥下機能データ測定装置及び嚥下機能データ測定システム及び嚥下機能データ測定方法 | |
JP4011071B2 (ja) | 嚥下音解析システム | |
JP5022782B2 (ja) | 生体検査装置 | |
AU2012255590A1 (en) | OSA/CSA diagnosis using recorded breath sound amplitude profile and pitch contour | |
KR102068330B1 (ko) | 수면 무호흡 중증도 검사 장치 | |
Sarraf Shirazi et al. | Detection of swallows with silent aspiration using swallowing and breath sound analysis | |
CN105078426A (zh) | 用于诊断睡眠呼吸暂停的系统、方法和装置 | |
BT et al. | Asthmatic versus healthy child classification based on cough and vocalised/ɑ:/sounds | |
CN113646848A (zh) | 用于睡眠呼吸暂停中障碍类型的声学识别系统和相应方法 | |
CN109498228B (zh) | 基于咳嗽音反馈的肺康复治疗装置 | |
Sebastian et al. | A preliminary study of the automatic classification of the site of airway collapse in OSA patients using snoring signals | |
JP2016034325A (ja) | ファジィ推論を用いた嚥下検出方法、嚥下活動モニタリングシステム及び嚥下機能評価方法 | |
CN117116470B (zh) | 一种吞咽障碍筛查系统及筛查方法 | |
JP2019050967A (ja) | 嚥下能力検査装置 | |
CN109788922A (zh) | 咽下诊断装置以及程序 | |
Sebastian | Identifying the site of upper airway collapse in obstructive sleep apnoea patients using snore signals | |
Balu et al. | Usefulness of Drug-induced Sleep Endoscopy to Diagnose Laryngeal Cause in Obstructive Sleep Apnea Patients | |
Sadara et al. | An overview of techniques of acoustic analysis for the detection of obstructive sleep apnea | |
Khlaifi et al. | Automatic Detection and Recognition of Swallowing Sounds. | |
JP2024072801A (ja) | 摂食嚥下モニター装置および摂食嚥下評価方法 | |
WO2023235499A1 (en) | Methods and systems for analyzing airway events | |
Kim et al. | How to measure snoring: A systematic review | |
Chandrasekhar et al. | Multi-Modality Neuron Network for Monitoring of Obstructive Sleep Apnea |
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 |