CN113728395A - 用于评估矢量数据的方法、便携式设备和系统 - Google Patents

用于评估矢量数据的方法、便携式设备和系统 Download PDF

Info

Publication number
CN113728395A
CN113728395A CN201980090900.0A CN201980090900A CN113728395A CN 113728395 A CN113728395 A CN 113728395A CN 201980090900 A CN201980090900 A CN 201980090900A CN 113728395 A CN113728395 A CN 113728395A
Authority
CN
China
Prior art keywords
motion
unit
vectors
vector
vector data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980090900.0A
Other languages
English (en)
Other versions
CN113728395B (zh
Inventor
A·默廷斯
M·马斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Draegerwerk AG and Co KGaA
Original Assignee
Draegerwerk AG and Co KGaA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Draegerwerk AG and Co KGaA filed Critical Draegerwerk AG and Co KGaA
Publication of CN113728395A publication Critical patent/CN113728395A/zh
Application granted granted Critical
Publication of CN113728395B publication Critical patent/CN113728395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pulmonology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Urology & Nephrology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种用于评估运动传感器的多维矢量数据、尤其是用于探测呼吸运动的方法，该方法具有：‑以时间序列接收和存储所述运动传感器的多维矢量数据；‑计算多个中期矢量V1和多个长期平均矢量V2；‑根据在相应的中期矢量V1与相应的长期平均矢量V2之间的差，计算并存储多个去除平均值的矢量V；‑测定多个单位矢量E，其中相应的单位矢量取向到随机方向上；‑分别从去除平均值的矢量V和分配给该去除平均值的矢量V的单位矢量E中，计算多个标量积P；‑基于所述多个标量积P，计算运动标志，所述运动标志是针对呼吸运动的量度；和‑基于在所述运动标志与预先确定的运动阈值之间的比较，确定和输出评估信号。

Description

用于评估矢量数据的方法、便携式设备和系统
技术领域
本发明涉及一种用于评估运动传感器的多维矢量数据的方法，以及涉及一种用于检测运动、尤其是用于探测呼吸运动的便携式设备。此外，本发明还涉及一种用于检测运动、尤其是用于探测呼吸运动的系统，其中该系统包括便携式设备和主机设备（Host-Geraet）。
背景技术
已知了大量的用于评估加速度传感器的矢量数据的方法。在这种情况下，已经建立了算法，以便能够从这些矢量数据中可靠地推断出加速度传感器的运动的预先确定的特征。
在运动探测的领域中，专利US 9,510,775 B2描述了广泛流行的用于评估多维矢量数据的主分量分析方法。
此外已知的是，将用于评估矢量数据的方法应用在患者监控的范围中，例如应用在通过加速度传感器探测患者的活动中。
发明内容
本发明的任务是，提供了一种经改进的用于评估多维矢量数据的方法，尤其是提供了一种具有特别低的为了执行该方法所需的计算能力的方法。
根据本发明，为了解决所述任务，根据本发明的第一方面建议了一种用于评估运动传感器的多维的（尤其是三维的）矢量数据、尤其是用于探测呼吸运动的方法。根据本发明的方法在这种情况下具有下列步骤：
- 以时间序列、尤其是每隔一定时间，接收和存储运动传感器的多维矢量数据；
- 通过在相应的预先确定的第一时间间隔期间对接收到的矢量数据取平均，计算多个中期矢量V1；
- 通过在预先确定的第二时间间隔期间对接收到的矢量数据取平均，计算多个长期平均矢量V2，所述第二时间间隔长于第一时间间隔；
- 根据在来自多个中期矢量的相应的中期矢量V1与来自多个长期平均矢量的相应的长期平均矢量V2之间的差，基于在中期矢量V1与长期平均矢量V2之间的与时间有关的分配，计算并存储多个去除平均值的（mittelwertbefreiten）矢量V；
- 测定多个单位矢量E，其中相应的单位矢量取向到随机方向上，并且将相应的单位矢量E分配至相应的去除平均值的矢量V；
- 分别从来自多个去除平均值的矢量V的一个去除平均值的矢量V和分配给该去除平均值的矢量V的单位矢量E中计算多个标量积P；
- 基于多个标量积P，计算运动标志，所述运动标志是针对呼吸运动的量度；和
- 基于在运动标志与预先确定的运动阈值之间的比较，确定和输出评估信号。
本发明基于以下认知：标量值的评估和传输对于实现该方法的设备要求特别少的计算能力。此外，在本发明的范围中已认识到，对于运动识别，例如为了探测呼吸运动，必须从所获得的数据中计算出重力对运动传感器的影响。根据本发明，这通过取向到相应的随机方向上的单位矢量和去除平均值的矢量的由此实现的随机投影来实现。通过这些单位矢量和随机投影，可以从多个标量积中提取如下特征：所述特征相对于空间取向是转动不变的。
根据本发明的方法特别有利地允许通过评估标量变量来处理多维矢量数据。经此，避免了计算上耗费的处理步骤、如例如在主分量分析中所需的处理步骤。此外，这导致针对执行该方法的设备的低的存储耗费。
此外，针对根据本发明的方法的所需的低计算能力还导致低电流消耗，并且因此导致小电池尺寸和/或更长的电池运行时间。经此，有利地能够实现相对应的设备的更小的结构尺寸，和/或能够实现设备的更长的移动的投入运行时间。
基于在运动识别与预先确定的运动阈值之间的比较来确定评估信号有利地允许，在没有昂贵的计算过程的情况下，通过简单地比较两个标量值来进行矢量数据的最终评估。这附加地减少了所需的计算耗费，并且因此减少了针对根据本发明的方法要提供的所需的计算能力。这又导致低的电流消耗，该低的电流消耗能够实现小的电池尺寸和/或更长的电池运行时间。
有利地，根据本发明的方法将要求少量计算能力的对运动标志的计算与通过比较操作对运动标志的评估相组合，所述比较操作同样要求少量计算能力。
运动标志是针对呼吸运动的量度，该呼吸运动可以构造为标量值，但是也可以构造为多个值。亦即，运动标志的计算暗含计算经由运动传感器来评估的运动的特征。
运动阈值典型地是凭经验确定的值，该凭经验确定的值暗含要检查的生物、尤其是要检查的人的微弱的呼吸运动。例如，这可以是表征呼吸曲线的运动值。这种运动值典型地从多个试验系列中被测定，以便规定如下阈值：在该阈值之下，不再能够确定无疑地以存在呼吸运动为出发点。
以时间序列接收和存储矢量数据意味着，以预先确定的时间间隔分别接收和存储具有运动传感器的测量的所测定的数据的矢量。在该时间期间接收到的多个矢量形成根据本发明的矢量数据。
单位矢量具有为1的数值。随机方向是随机测定的方向，尤其是在所有三个空间维度上均匀分布的随机测定的方向。用于测定随机方向的算法是已知的，并且在下文不进一步予以阐述。
在第一时间间隔和第二时间间隔期间取平均分别遍及多维矢量数据的如下多个矢量进行，所述多个矢量在相对应的时间间隔之内已被接收到。形成时间序列的预先确定的时间上的间隔因此比第一时间间隔短，并且也比第二时间间隔短。经此有利地确保了，相应的长期平均矢量V2表明运动传感器的通过矢量数据暗含的运动或者方位的长期趋势，而相应的中期矢量V1表明通过矢量数据暗含的运动的在短时间间隔中存在的值。长期平均矢量V2和中期矢量V1因此分别表示滑动平均值，其中根据第一时间间隔和第二时间间隔在滑动平均值的不同运行时间期间取平均。结果，借此有利地从多维矢量数据中滤除高频份额，这些高频份额仅反映运动传感器的短期测量准确度。
在本发明的范围中，平均要被理解为任何种类的平均。尤其是，可以涉及算术平均、几何平均、平方平均和调和平均。此外，可以涉及多级平均、尤其是两级或者三级平均。在这种情况下，多级平均意味着，在相应的组之内对多组值进行首次平均，并且这些被取平均的值在下一级中彼此间被再次取平均。
随后，描述了根据本发明的第一方面的方法的优选实施形式。
在优选实施形式中，多维矢量数据是三维矢量数据。在这种情况下，矢量数据的三个分量通过三个空间方向来形成。在另外的实施形式中，多维矢量数据是二维矢量数据。在这种情况下，两个分量优选地对应于两个空间方向。在其他另外的实施形式中，多维矢量数据是四维矢量数据。在这种情况下，四个分量对应三个空间方向和时间。
在特别优选的实施形式中，评估信号的确定基于运动标志的分类，该运动标志的分类基于通过运动标志引起的运动特征值与多个相应的运动阈值的比较。与多个运动阈值的比较使得能够评估经由矢量数据探测到的运动的多个参数。根据该实施形式的方法允许对运动标志的特别精确的分类。运动标志在这种情况下优选地通过大量标量值来形成，通过例如呈矩阵形式或者呈运动变化过程（Bewegungsverlaufs）形式的大量标量值来形成。多个运动阈值典型地是多个凭经验确定的值，所述凭经验确定的值暗含弱的呼吸运动。例如，这可以是表征呼吸曲线的多个运动值。这种多个运动值典型地从多个试验系列中被测定，以便规定相对应的阈值，在该相对应的阈值之下，不再能够确定无疑地以存在呼吸运动为出发点。在该实施形式的特别优选的变型方案中，运动标志的分类基于随机森林（RandomForrest）算法。与另外的已知的用于分类的算法相比，随机森林算法允许以特别低的计算开销进行分类，因为运动标志的分类仅经由多次比较来进行。此外，在出版文献“RandomForrests.”（L. Breimann，Machine Learning，45，第5-32页，Kluwer AcademicPublishers，2001年）中找到对随机森林算法的结构的详细描述。
在根据本发明的方法的特别优选的实施形式中，评估信号表明提供矢量数据的运动传感器的因呼吸造成的运动。在这种情况下，有利地充分利用，根据本发明的方法导致为转动不变的运动标志。因呼吸造成的运动同样在所有空间方向上是可能的，使得根据本发明的运动标志对于呼吸的探测是特别有利的。此外，在该实施形式中有利地充分利用，由经由运动标志实现的特征提取和基于比较的分类构成的组合可以导致对运动的特别准确的探测，使得也可以探测到小的运动，如其针对呼吸要假设的那样。在该实施形式的优选变型方案中，评估信号表明，是否存在呼吸。
在本发明的其他有利的实施形式中，运动标志的计算基于由经过平方的标量积构成的和。在该实施形式的优选变型方案中，运动标志的计算至少部分地基于标量积P的平方和。经此，运动标志有利地具有针对通过运动传感器探测到的运动的运动能量的量度。在该实施形式的特别优选的变型方案中，作为针对探测到的运动的幅度的量度，运动标志既具有标量积P的平方和，又具有标量积P。
在其他有利的实施形式中，除了多个标量积之外，运动标志的计算也基于多个去除平均值的矢量V。经此，可以直接从多维矢量数据中推断出要评估的运动的幅度和/或方向。
在有利的实施形式中，进行在中期矢量V1与长期平均矢量V2之间的与时间有关的分配，使得为了计算相应的中期矢量V1所使用的第一时间间隔基本上位于为了计算相应的长期平均矢量V2所使用的第二时间间隔之内。经此，来自多个去除平均值的矢量V的相应的去除平均值的矢量V引起运动幅度，因为从当前存在的中期矢量V1中减去呈长期平均矢量V2形式的当前的长期运动趋势。在优选的变型方案中，第一时间间隔完全位于第二时间间隔之内，尤其是在第二时间间隔之内位于中央。经此确保，长期平均矢量V2表明在时间上在测定中期矢量V1的数据期间存在的长期运动趋势。
在有利的实施形式中，第二时间间隔是第一时间间隔的至少两倍长，优选地是第一时间间隔的至少四倍长，特别优选地是第一时间间隔的至少六倍长。有利地，第一时间间隔具有为至少0.2秒、优选地至少0.5秒、特别优选地至少1秒的长度。
在其他优选实施形式中，为了评估传感器数据，在接收和存储多维矢量数据之后，在附加的方法步骤中，该方法包括基于多维矢量数据的活动识别，其中只有当通过活动识别输出的活动特征值小于预先确定的活动阈值时，才执行其他方法步骤。在该实施形式的变型方案中，所输出的活动特征值通过多维矢量数据的分量或者矢量数值来形成。在该实施形式中，有利地确保，只有当用于进行活动识别的计算耗费明显较少的方法就没有表明运动时，才应用根据本发明的用于评估矢量数据的精确方法。经此，有利地进一步减少了根据本发明的方法的计算耗费。此外，经此可以确保，不因被检查的生物的活动而将在呼吸运动方面的有错误的评估作为评估信号输出。预先确定的活动阈值典型地是凭经验确定的值，所述凭经验确定的值至少暗含被检查的生物的四肢的微弱运动。这种值典型地从多个试验系列中被测定，以便规定如下阈值：在该阈值之下，不再能够确定无疑地以存在四肢的至少微弱的运动为出发点。在该实施形式的变型方案中，通过所检测到的多维矢量数据的变化确定和置于其下游的与预先确定的活动阈值的比较来进行活动识别。在对图2的描述的范围中，对此详细地予以探讨。
在根据本发明的方法的优选实施形式中，该方法此外还具有：从预先确定的一组运动阈值中选出运动阈值或者选出用于确定评估信号的多个运动阈值，其中所述选出取决于对多维矢量数据的分量的评估，尤其是取决于俯卧位探测的输出信号。在该实施形式的特别优选的变型方案中，多个运动阈值被用在随机森林算法中。在该实施形式中，可以有利地使用如下运动阈值：所述运动阈值特别适合于运动传感器的从对分量的评估中得出的方位。在该实施例的变型方案中，特别有利地识别，要检查的生物是否恰好处于俯卧位；与此无关地选出该运动阈值或者所述多个运动阈值。在该实施形式的变型方案中，预先确定的该组运动阈值被存储在外部设备上，使得该变型方案此外包括以下方法步骤：根据对这些分量的评估，输出选出信号，并且基于选出信号输出和接收该运动阈值或者所述多个运动阈值。
在先前的实施形式的有利变型方案中，选出取决于对多维矢量数据的 z分量的评估，其中z分量在通过运动传感器开始数据记录期间基本上要朝着作用到运动传感器上的重力的方向取向，并且其中 z分量的评估基于在作用到z分量上的加速力与面向重力的预先确定的加速度阈值之间的比较。通过在作用到z分量上的加速力与重力之间的比较，可以确定z分量是否总还是朝着重力的方向取向，或者运动传感器的方位改变是否已从开始数据记录起进行。尤其是，可以探测到要检查的生物的俯卧位。在该实施形式中，运动传感器优选地是加速度传感器。在该实施形式的变型方案中，加速度阈值位于在0 m/s2到-5 m/s2之间、尤其是在-0.2 m/s2到-2 m/s2之间、特别优选地在- 0.7 m/s2到-1 m/s2之间的范围内。优选地通过与在相对应的时间间隔期间被取平均的针对加速力的值进行比较，进行在作用到z分量上的加速力与重力之间的比较。在实例中，平均值是指数平均值。
为了解决本发明的任务，根据第二方面，建议了一种用于检测运动、尤其是用于探测呼吸运动的便携式设备，所述便携式设备具有紧固装置、运动传感器、预处理单元和发送单元。
紧固装置构造为，将便携式设备紧固在该便携式设备的佩戴者的衣物上。运动传感器构造为，根据便携式设备的运动产生多维矢量数据，所述多维矢量数据暗含便携式设备的运动的方向和幅度，并且以时间序列输出这些多维矢量数据。预处理单元与运动传感器以信号技术连接，并且构造为，接收这些多维矢量数据，并将这些多维矢量数据存储在预处理单元的存储模块中，而且此外还构造为，
- 通过在相应的预先确定的第一时间间隔期间对接收到的矢量数据取平均，计算多个中期矢量V1，所述第一时间间隔长于接收时间间隔，
- 通过在预先确定的第二时间间隔期间对接收到的矢量数据取平均，计算多个长期平均矢量V2，所述第二时间间隔长于第一时间间隔，
- 根据在来自多个中期矢量的相应的中期矢量V1与来自多个长期平均矢量的相应的长期平均矢量V2之间的差，基于在中期矢量V1与长期平均矢量V2之间的与时间有关的分配，计算多个去除平均值的矢量V，并将所述多个去除平均值的矢量V存储在存储模块中，
- 测定多个单位矢量E，其中相应的单位矢量E取向到随机方向上，并且将相应的单位矢量E分配至相应的去除平均值的矢量V，而且其中所述预处理单元此外还构造为，
- 分别从来自多个去除平均值的矢量的一个去除平均值的矢量V和分配给该去除平均值的矢量V的单位矢量E中计算多个标量积P。
发送单元至少间接地以信号技术与预处理单元连接，并且构造为，发送基于多个标量积P的运动信号。
便携式设备有利地允许对多维矢量数据进行预处理，该预处理要求特别低的计算能力。这通过计算和使用如下标量值而能够实现：与更为耗费的计算算法、如例如主分量分析的更为耗费的计算算法相比，所述标量值可以非常快速地由预处理单元的处理器来执行。这可以支持便携式设备的比较低的电流消耗。
低电流消耗能够实现在便携式设备之内的电池的小的电池尺寸和/或长的电池运行时间。经此，能够实现便携式设备的小结构尺寸和/或特别长的移动的投入运行持续时间。
在便携式设备的不同的根据本发明的实施形式中，在预处理单元与发送单元之间布置有其他单元，使得预处理单元间接地以信号技术与发送单元连接。在替选的或者补充式实施形式中，预处理单元直接与发送单元连接。
随后，描述了根据本发明的第二方面的便携式设备的优选实施形式。
根据本发明的紧固装置典型地构造为，借助可拆卸的连接紧固在佩戴者的衣物上。在实施形式中，可拆卸的连接是磁性连接，其中衣物布置在磁性连接的两个磁体之间。在其他实施形式中，可拆卸的连接经由别针来实现。在其他实施形式中，可拆卸的连接经由夹紧连接来实现。
在特别优选的实施形式中，便携式设备此外还具有能量源，该能量源构造为，给运动传感器、预处理单元和发送单元供给电流。在该实施形式的有利的变型方案中，能量源是可更换的电池。
在其他特别优选的实施形式中，运动传感器构造为加速度传感器。加速度传感器的结构是已知的，并且因而在下文未详细地予以描绘。
在根据本发明的便携式设备的其他实施形式中，预处理单元此外还构造为，基于多个标量积P来计算运动标志，该运动标志是针对呼吸运动的量度。在该实施形式中，运动信号可以特别有利地传输低数据量，因为仅必须向外部设备输出运动标志，以评估多维矢量数据。运动标志包括多维矢量数据的至少一个特征，所述至少一个特征从多个标量积P中得出。
在先前的实施形式的特别有利的变型方案中，便携式设备此外还具有分类单元，该分类单元与预处理单元以信号技术连接，并且所述分类单元构造为，基于在运动标志与预先确定的运动阈值之间的比较来确定评估信号，并向发送单元输出该评估信号。在该变型方案的有利的实例中，预处理单元经由分类单元间接地与发送单元以信号技术连接。在该变型方案的特别有利的实例中，将通过运动标志引起的运动特征值与多个相应的运动阈值进行比较。特别有利地，该比较基于随机森林算法。该实施形式的变型方案通过如下方式是特别有利的：仅在运动标志与运动阈值之间的比较结果作为运动信号而由发送单元来发送。经此，运动信号特别简单地构建，使得可以避免在经过发送单元的传输中的错误。
选出一个运动阈值或者多个运动阈值优选地取决于通过预处理单元对多维矢量数据的分量的评估，特别是取决于俯卧位探测的输出信号。经此，有利地可以通过分类单元使用对于运动传感器的当前方位特别合适的运动阈值。
在根据本发明的第二方面的便携式设备的其他实施形式中，如果在预处理单元的包括基于多维矢量数据的活动识别的前置处理步骤中通过活动识别输出的活动特征值小于预先确定的活动阈值，则预处理单元才执行对中期矢量V1和长期平均矢量V2的计算并且执行接着的步骤。
为了解决根据本发明的任务，根据本发明的第三方面建议了一种用于检测运动、尤其是用于探测呼吸运动的系统，所述系统具有根据本发明的第二方面的先前实施形式中的至少一个实施形式的便携式设备，并且具有主机设备。
主机设备构造为，接收通过发送单元发送的运动信号，并基于运动信号经由主机设备的输出单元来输出光学的和/或声学的输出信号，其中输出信号暗含便携式设备的因呼吸造成的运动。
根据本发明的系统有利地允许通过与便携式设备间隔开的人经由主机设备输出对多维矢量数据的评估。经此，有利地可以通过在主机设备之内的处理单元来提供对于评估多维矢量数据所需的计算能力的部分。
此外，根据本发明的系统允许，将多个便携式设备与主机设备连接，和/或将便携式设备与多个主机设备连接。经此，例如可以同时对便携式设备的多个佩戴者的矢量数据进行特别清楚明了的评估，尤其是可以同时对多个人的呼吸运动进行探测。
随后，描述了根据本发明的第三方面的系统的优选实施形式。
通过发送单元向主机设备传输运动信号优选地以无线方式进行，例如通过蓝牙连接、ZigBee连接、WLAN连接、NFC连接或者DECT连接进行，或者通过另外的无线电连接进行。
主机设备可以是固定式设备，例如可以是多功能医疗设备，或者可以是针对移动用途设置的设备、例如移动无线电设备、笔记本电脑（Notebook）、智能手表（Smartwatch）或者平板电脑（Tablett-PC）。
在根据本发明的系统的实施形式中，输出信号包括是否存在因呼吸造成的运动的信息。在其他实施形式中，输出信号附加地包括呼吸运动的幅度和/或强度。在其他实施形式中，输出信号包括曾最后一次探测到呼吸运动的时间点的说明。在其他实施形式中，输出信号包括迄今探测到的呼吸运动的持续时间。经此，主机设备的用户可以领会呼吸运动的在此期间的间断。
在根据本发明的第三方面的系统的其他实施形式中，主机设备此外还具有分类单元，所述分类单元构造为，从运动信号中测定多个标量积P，基于多个标量积P计算运动标志，并且基于在运动标志与预先确定的运动阈值之间的比较来确定和输出评估信号，其中光学的和/或声学的输出信号取决于评估信号。在该实施形式中，主机设备有利地承担对通过在便携式设备之内的预处理单元预处理的多维矢量数据的分类。经此，可进一步降低便携式设备的电流消耗，由此能够实现便携式设备的能量供给的更长的运行时间和/或能量供给的更小的构造方式，并且因此能够实现便携式设备的更小的构造方式。优选地，针对根据本发明的系统，配备有分类单元的主机设备与不具有自己的分类单元的便携式设备相组合。经此，避免了在系统之内的多重分类。
在根据本发明的系统的其他有利的实施形式中，评估信号的确定基于运动标志的分类，所述运动标志的分类基于通过运动标志引起的运动特征值与多个相应的运动阈值的比较，尤其是基于随机森林算法。在该实施形式的特别有利的变型方案中，多个相应的运动阈值包括预先确定的多个如下运动阈值：所述运动阈值存储在系统之外的外部存储设备中，并且其中主机设备此外还具有询问单元，所述询问单元构造为，经由在存储设备与询问单元之间的无线电连接向外部存储设备询问多个运动阈值，接收所述多个运动阈值并且给分类单元提供所述多个运动阈值。外部存储设备例如可以是网络的如下外部服务器：主机设备可以访问所述外部服务器。在该变型方案中避免，必须将大的数据量存储在主机设备上。这样，根据本发明的变型方案有利地允许，将预先确定的多个运动阈值一次性地存放在外部存储设备上，使得根据本发明的所有主机设备都可以访问优选地一个外部存储设备。
附图说明
现在，依据在附图中示意性示出的有利实施例，应更详细地阐述本发明。在这些附图中：
图1详细地示出了根据本发明的第一方面的方法的第一实施例的流程图；
图2详细地示出了根据本发明的第一方面的方法的第二实施例的流程图；
图3详细地示出了根据本发明的第二方面的便携式设备的第一实施例的示意图；
图4详细地示出了根据本发明的第二方面的便携式设备的第二实施例的示意图；
图5详细地示出了根据本发明的第三方面的系统的第一实施例的示意图；以及
图6详细地示出了根据本发明的第三方面的系统的第二实施例的示意图。
具体实施方式
图1示出了根据本发明的第一方面的方法100的第一实施例的流程图。
根据本发明的方法100是一种用于评估运动传感器的多维矢量数据、尤其是用于探测呼吸运动的方法。在此，方法100具有在下文说明的步骤。
第一步骤110包括以时间序列接收和存储运动传感器的多维矢量数据。
进一步的步骤120包括：通过在相应的预先确定的第一时间间隔期间对接收到的矢量数据取平均，计算多个中期矢量V1。
接下来的步骤130包括：通过在预先确定的第二时间间隔期间对接收到的矢量数据取平均，计算多个长期平均矢量V2，所述第二时间间隔长于第一时间间隔。
下一个步骤140包括：根据在来自多个中期矢量的相应的中期矢量V1与来自多个长期平均矢量的相应的长期平均矢量V2之间的差，基于在中期矢量V1与长期平均矢量V2之间的与时间有关的分配，计算并存储多个去除平均值的矢量V。
接下来的步骤150包括测定多个单位矢量E，其中相应的单位矢量取向到随机方向上，并且包括将相应的单位矢量E分配至相应的去除平均值的矢量V。
进一步的步骤160包括：分别从来自多个去除平均值的矢量V的一个去除平均值的矢量V和分配给该去除平均值的矢量V的单位矢量E中，计算多个标量积P。
下一个步骤170包括基于多个标量积P来计算运动标志，所述运动标志是针对呼吸运动的量度。
最终的步骤180包括：基于在运动标志与预先确定的运动阈值之间的比较，确定和输出评估信号。
典型地，部分相互并行地执行方法100的步骤。这样，在一定的观察时段期间、例如在要检查的人的睡眠阶段期间总是进一步接收和存储多维矢量数据，而在整个观察时段期间总是也进一步计算中期矢量V1和长期平均矢量V2，以便最后以一定的时间间隔在观察时段期间基于当前运动标志而输出评估信号。这样，通过连续地在观察时段期间重复执行方法100的步骤，进行根据本发明的对多维矢量数据的评估。
在所示出的实施例中，以在10Hz到50Hz之间、尤其是在20Hz到40Hz之间、在本发明为大约26Hz的频率来接收多维矢量数据。第一时间间隔的长度在0.8秒到2秒之间，优选地在0.8秒到1.5秒之间，在本发明为约1秒。在所示出的实施例中，第二时间间隔的长度在2秒到6秒之间，尤其是在3秒到4秒之间，在本发明为大约3.7秒。在这种情况下，第一时间间隔在每次计算中都分别位于第二时间间隔之内。
在所示出的第一实施例中，评估信号表明：从所计算的运动标志中是否得出，存在要检查的患者的呼吸。在未示出的实施例中，评估信号此外还表明，从何时起已测量到持续不断的呼吸。在另外的未示出的实施例中，评估信号此外还表明，运动传感器的运动、尤其是呼吸运动的所探测到的幅度有多大。
在第一实施例中，所计算的运动标志基于标量积P的平方和，其中该和具有所有如下那些标量积P：所述标量积P已在当前的时间上的标志间隔之内被计算。借此，所述和是针对通过运动传感器探测到的运动的能量的量度。此外，在所示出的实施例中，运动标志具有在当前的时间上的标志间隔之内计算的和存储的去除平均值的矢量V。这些矢量形成针对运动传感器的当前探测到的运动的幅度的量度。在未示出的实施例中，为了计算运动标志，通过形成其他滑动平均值或者通过有针对性地考虑预先定义的份额的去除平均值的矢量、如比方说每四个去除平均值的矢量，进一步处理这些当前所计算的去除平均值的矢量。
在其他未示出的实施例中，运动标志的计算基于借助于傅立叶变换来处理所计算的矢量，例如基于通过实施已知的库利-图基算法来处理所计算的矢量。
在所示出的实施例中，评估信号的确定基于运动标志的分类。运动标志的分类通过将通过运动标志引起的运动特征值与多个相应的运动阈值进行比较来进行。该比较详细地构建为所谓的随机森林分类。在未示出的实施例中，运动标志的分类通过将通过运动标志引起的运动特征值与预先确定的运动阈值直接比较来进行。
随机森林分类特别适合于根据本发明的方法100，因为通过基于比较的算法接收到的数据特别快速地和不复杂地被处理，以便最后在两个状态、如比方说“存在呼吸”和“不存在呼吸”之间进行区分。
在根据本发明的方法的未示出的实施例中，在输出评估信号之前，对所计算的数据进行后处理，以便减小关系到通过评估信号通知的结果的误差概率。尤其是，在该实施例中，为了避免误警报，仅仅在重新探测到该结果之后才输出如下信息：还没有探测到运动传感器的运动，或者仅曾探测到运动传感器的微小运动，亦即很可能不存在呼吸。
图2示出了根据本发明的第一方面的方法200的第二实施例的流程图。
该方法200与在图1中所示的方法100的区别在于：在步骤110、即接收和存储多维矢量数据之后，不自动地执行步骤120。这样，在中间连接的步骤215中，设置有活动识别。
在活动识别的范围中，计算活动特征值，并且最终将该活动特征值与预先确定的活动阈值进行比较。只有当活动特征值小于预先确定的活动阈值（亦即测定与为了达到活动阈值可能所需的活动相比更小的活动）时，那么才执行接着的方法步骤。这样置于上游的测试是有意义的，因为小的运动（如例如在探测呼吸时存在的运动）可能会被过大的活动叠加，使得很可能会对多维矢量数据进行有错误的评估。
在所示出的实施例中，矢量数据是加速度计数据。这些加速度计数据被使用在用于确定滑动平均值的活动识别的范围中。在这种情况下所使用的借助滑动平均值的平滑例如是指数平滑。通过在原始加速度计数据与滑动平均值之间的比较，确定加速度计数据的变化。如果该变化大于预先确定的变化阈值，则针对当前存在的时间上的活动间隔而将计数器设置得高。位于同步的（mitlaufenden）活动间隔之外的加速度计数据不再被计数器考虑。该计数器针对分别存在的时间上的活动间隔形成活动特征值。如果该活动特征值超过预先确定的活动阈值，则在本实施例中输出如下活动信号：该活动信号表明，针对根据本发明的对运动的探测当前存在过大的叠加的活动。这样，在探测呼吸运动时，可能输出，不能探测到人是否在呼吸，因为人或者其周围环境为此运动太剧烈。
此外，方法200与图1中所示出的方法100的不同之处还在于其他的中间连接的步骤285。
在步骤285中，评估多维矢量数据的分量。依据该评估，从预先确定的一组运动阈值中选出多个运动阈值。在所示出的实施例中，所评估的分量是矢量数据的z分量，该z分量典型地在观察时段的开始朝着作用到运动传感器上的重力的方向取向。此外，矢量数据是如下加速度计数据：所述加速度计数据因此适合于表明与典型地朝着重力方向作用的重力加速度的偏差。
对于所示出的实施例进行在步骤285的范围中的评估，使得在两种状态之间进行区分，即在低于预先确定的加速度阈值的z分量与高于预先确定的加速度阈值的z分量之间进行区分。加速度阈值典型地位于在 0 m/s2到-5 m/s2之间，在本发明位于在-0.7 m/s2到-1 m/s2之间的范围中。结果，该评估对应于俯卧位探测，因为在存在俯卧位时，要期望z分量在负的重力加速度的范围中、亦即在-9.81 m/s2处。
在所示出的实施例中，中间连接的俯卧位探测的步骤285仅被用于确定适合于执行根据本发明的方法的运动阈值。在未示出的实施例中，同样通过相对应的信号、优选地通过评估信号来输出俯卧位探测的结果。在其他未示出的实施例中，俯卧位探测被中间连接在根据本发明的方法的其他部位处。
在其他未示出的实施例中，同样经由评估信号来输出活动识别的结果。
图3示出了根据本发明的第二方面的便携式设备300的第一实施例的示意图。
便携式设备300是用于检测运动、尤其是用于探测呼吸运动的设备。便携式设备300在此包括紧固装置310、运动传感器320、预处理单元330和发送单元340。
紧固装置310构造为，将便携式设备300紧固在便携式设备300的佩戴者的衣物312上。在所示出的实施例中，紧固装置310是磁性连接，所述磁性连接包括两个部分314、316，其中第一部分314紧固在便携式设备300的壳体305上，并且第二部分316布置在衣物312之下，使得在这两个部分314、316之间的磁相互作用将便携式设备300保持在衣物312上。
在未示出的实施例中，紧固装置形成可拆卸的连接，所述可拆卸的连接经由别针或者经由夹紧连接来实现。
运动传感器320构造为：根据便携式设备300的运动，产生多维矢量数据，所述多维矢量数据暗含便携式设备300的运动的方向和幅度；并且以时间序列输出多维矢量数据。在所示出的实施例中，运动传感器320是加速度传感器。
预处理单元330与运动传感器320以信号技术连接，在本发明通过线缆连接，并且所述预处理单元330构造为，接收多维矢量数据，并将所述多维矢量数据存储在预处理单元330的存储模块332中。
此外，预处理单元330构造为，通过在相应的预先确定的第一时间间隔期间对接收到的矢量数据取平均来计算多个中期矢量V1，以及通过在预先确定的第二间间隔期间对接收到的矢量数据取平均来计算多个长期平均矢量V2，所述第二时间间隔长于第一时间间隔。
预处理单元330此外还构造为，使用多个中期矢量V1和多个长期平均矢量V2，以便根据在相应的中期矢量V1与相应的长期平均矢量V2之间的差来计算多个去除平均值的矢量V。该计算基于在中期矢量V1与长期平均矢量V2之间的与时间有关的分配。在此选择与时间有关的分配，使得相应的中期矢量V1的第一时间间隔位于相应的长期平均矢量V2的第二时间间隔之内。这样的与时间有关的分配负责，相应的去除平均值的矢量V具有针对探测到的运动的幅度的量度。多个去除平均值的矢量V通过预处理单元330同样被存储在存储模块332中。
此外，预处理单元330构造为：测定多个单位矢量E，其中相应的单位矢量E取向到随机方向上；并且将相应的单位矢量E分配至相应的去除平均值的矢量V。由于单位矢量E是随机选出的矢量，所以针对在单位矢量与去除平均值的矢量V之间的分配不需要分配规则。在本实施例中，随机方向是根据在所有空间方向上的均匀分布随机选出的方向。在未示出的实施例中，为了测定单位矢量而使用在所有空间方向上的另外的随机分布。所测定的单位矢量始终具有与多维矢量数据的矢量完全一样多的分量。
根据相应的单位矢量E和相应的去除平均值的矢量V的分配，预处理单元330进一步构造为，分别从去除平均值的矢量V和所分配的单位矢量E中计算相对应的多个标量积P。
这些标量积P作为预处理单元330的基础，以便经由在预处理单元330与发送单元340之间的至少间接的信号技术的连接来发送运动信号345，所述运动信号345基于多个标量积P。在所示出的实施例中，至少间接的信号技术的连接是经由线缆的直接连接。在本发明，运动信号345作为无线电信号被发送。
预处理单元330的不同处理步骤在图3中通过在预处理单元330之内的不同方框来示出。这是解释清楚在预处理单元330的唯一处理器之内的处理步骤的阐明。在未示出的实施例中，预处理单元的处理步骤划分到至少两个在空间上分开的预处理模块上。
在预处理单元330之内执行的处理步骤可以类似于在图1和图2的范围中讨论的针对根据本发明的方法的实施例而不同地来实现。
在所示出的实施例中，运动信号345包括多个标量积P。在未示出的实施例中，运动信号附加地或者替选地包括基于标量积P计算的运动标志。在另外的未示出的实施例中，运动信号附加地包括多个去除平均值的矢量V。
图4示出了根据本发明的第二方面的便携式设备400的第二实施例的示意图。
便携式设备400与在图3中示出的便携式设备300的不同之处在于，在预处理单元430与发送单元340之间布置有分类单元450，该分类单元450与预处理单元430和发送单元340以信号技术连接。
预处理单元430在这种情况下附加地构造为，基于多个标量积P来计算运动标志。运动标志在这种情况下包括标量积P的平方和，并且包括针对基于多个去除平均值的矢量V的当前运动幅度的量度。
分类单元450构造为，基于在运动标志与预先确定的运动阈值之间的比较来确定评估信号455，而且向发送单元340输出该评估信号455。发送单元340在这种情况下基于分类单元450的评估信号455而发送运动信号345。
在本发明，在随机森林分类的范围中实现在运动标志与预先确定的运动阈值之间的比较，以及实现对预先确定的运动阈值的选出。在未示出的实施例中，从预先确定的一组运动阈值中选出这些运动阈值，其中预先确定的该组运动阈值寄存在分类单元的存储器中。
在所示出的实施例中，预处理单元430和分类单元450形成分离的单元。在未示出的实施例中，这两个单元由共同的处理器来形成。
图5示出了根据本发明的第三方面的系统500的第一实施例的示意图。
根据本发明的系统500是用于检测运动、尤其是用于探测呼吸运动的系统。所述系统包括按照根据本发明的第二方面的至少一个实施例的便携式设备400，并且包括主机设备550。
在本发明，便携式设备是在图4中所示出的便携式设备400。
主机设备550构造为，经由接收单元560来接收通过发送单元寄送的运动信号345，并且基于运动信号345经由主机设备550的输出单元570来输出光学的和/或声学的输出信号575。在本发明，输出单元570具有LED 577，所述LED 577的光学输出信号575通过LED 577是否发光的状态来形成。在本发明，发光的LED 577意味着，尚未探测到运动传感器的运动，亦即尤其是尚未探测到被检查的人的呼吸。未发光的LED 577说明，探测到呼吸。
在本发明，主机设备550是具有自己的壳体555的移动设备。在未示出的实施例中，主机设备为移动电话、平板电脑、笔记本电脑或者智能手表。
在本发明，在便携式设备400与主机设备550之间的传输经由无线的连接、即蓝牙连接进行。在未示出的实施例中，传输经由替选的无线的连接进行，如比方说经由NFC连接、WLAN连接、ZigBee连接或者另外的无线电连接进行。
图6示出了根据本发明的第三方面的系统600的第二实施例的示意图。
根据本发明的系统600与在图5中所示出的系统500的不同之处在于，主机设备650此外还具有分类单元660。由于便携式设备300因此不需要分类单元，所以在所示出的实施例中涉及在图3中所示出的便携式设备300。
通过便携式设备300发送的运动信号345暗含多个标量积P。分类单元660构造为，从运动信号345中测定多个标量积P，并基于多个标量积P来计算运动标志。此外，分类单元660构造为，将运动标志与至少一个运动阈值进行比较，并且依据该比较输出评估信号665。输出单元670此外还构造为，根据评估信号665将输出信号675输出。
在所示出的实施例中，经由将通过运动标志引起的运动特征值与多个相应的运动阈值进行比较来进行分类。根据随机森林算法，从寄存在分类单元660的存储模块667之内的一组预先确定的运动阈值中选出并输出多个运动阈值。
在未示出的实施例中，该组预先确定的运动阈值存储在根据本发明的系统之外的外部存储设备上。在该实施例中，主机设备此外还构造为，经由主机设备的询问单元向外部存储设备询问多个运动阈值，接收所述多个运动阈值并将所述多个运动阈值提供给分类单元。
作为输出信号675的光学输出，输出单元670具有显示器677，在该显示器677上显示运动传感器的矢量数据的评估结果。
在根据本发明的第二方面的便携式设备和根据本发明的第三方面的系统的未示出的实施例中，同样一起地或者彼此分开地实现在图2的范围中阐述的活动识别和俯卧位探测。
原则上，根据本发明的方法的特征同样可以在便携式设备或者系统的处理步骤之内实现。尤其是，根据本发明的方法的优点导致，相对应运行的便携式设备或者相对应运行的系统同样具有这些优点。
附图标记列表
100、200 方法
110、120、130、140、150、160、170、180 方法步骤
215 活动识别
285 俯卧位探测
300、400 便携式设备
305 便携式设备的壳体
310 紧固装置
312 衣物
314、316 磁性连接的部分
320 运动传感器
330、430 预处理单元
332 预处理单元的存储模块
340 发送单元
345 运动信号
450、660 分类单元
455、665 评估信号
500、600 系统
550、650 主机设备
555 主机设备的壳体
560 接收单元
570、670 输出单元
575、675 输出信号
577 LED
667 分类单元的存储模块
677 显示器。

Claims (16)

1.一种用于评估运动传感器（320）的多维矢量数据、尤其是用于探测呼吸运动的方法（100），其具有：
- 以时间序列接收和存储所述运动传感器（320）的所述多维矢量数据；
- 通过在相应的预先确定的第一时间间隔期间对接收到的矢量数据取平均，计算多个中期矢量V1；
- 通过在预先确定的第二时间间隔期间对所述接收到的矢量数据取平均，计算多个长期平均矢量V2，所述第二时间间隔长于所述第一时间间隔；
- 根据在来自所述多个中期矢量的相应的中期矢量V1与来自所述多个长期平均矢量的相应的长期平均矢量V2之间的差，基于在中期矢量V1与长期平均矢量V2之间的与时间有关的分配，计算并存储多个去除平均值的矢量V；
- 测定多个单位矢量E，其中相应的单位矢量取向到随机方向上，并且将相应的单位矢量E分配至相应的去除平均值的矢量V；
- 分别从来自所述多个去除平均值的矢量V的一个去除平均值的矢量V和分配给该去除平均值的矢量V的单位矢量E中，计算多个标量积P；
- 基于所述多个标量积P，计算运动标志，所述运动标志是针对所述呼吸运动的量度；和
- 基于在所述运动标志与预先确定的运动阈值之间的比较，确定和输出评估信号（455）。
2.根据权利要求1所述的方法（100），其中，所述评估信号（455）的所述确定基于所述运动标志的分类，所述运动标志的所述分类基于通过所述运动标志引起的运动特征值与多个相应的运动阈值的比较。
3.根据权利要求2所述的方法（100），其中，所述运动标志的所述分类基于随机森林算法。
4.根据上述权利要求中至少一项所述的方法（100），其中，所述评估信号（455）表明提供所述矢量数据的所述运动传感器（320）的因呼吸造成的运动。
5.根据上述权利要求中至少一项所述的方法（100），其中，所述运动标志的所述计算基于由经过平方的标量积构成的和。
6.根据上述权利要求中至少一项所述的方法（100），其中，进行所述在中期矢量V1与长期平均矢量V2之间的与时间有关的分配，使得为了计算所述相应的中期矢量V1所使用的所述第一时间间隔基本上位于为了计算所述相应的长期平均矢量V2所使用的所述第二时间间隔之内。
7.根据上述权利要求中至少一项所述的方法（100），其中，为了评估传感器数据，在接收和存储所述多维矢量数据之后，在附加的方法步骤（215）中，所述方法包括基于所述多维矢量数据的活动识别（215），其中只有当通过所述活动识别（215）输出的活动特征值小于预先确定的活动阈值时，才执行其他方法步骤。
8.根据上述权利要求中至少一项所述的方法（100），此外还具有：从预先确定的一组运动阈值中，选出所述运动阈值或者用于确定所述评估信号的多个运动阈值，其中所述选出取决于对所述多维矢量数据的分量的评估，尤其是取决于俯卧位探测（285）的输出信号。
9.根据权利要求8所述的方法（100），其中，所述选出取决于对所述多维矢量数据的z分量的评估，其中所述z分量在通过所述运动传感器（455）开始数据记录期间基本上要朝着作用到所述运动传感器（455）上的重力的方向取向，并且其中对所述z分量的所述评估基于在作用到所述z分量上的加速力与面向所述重力的预先确定的加速度阈值之间的比较。
10.一种用于检测运动、尤其是用于探测呼吸运动的便携式设备（300），其具有：
- 紧固装置（310），所述紧固装置（310）构造为，将所述便携式设备（300）紧固在所述便携式设备（300）的佩戴者的衣物（312）上；
- 运动传感器（455），所述运动传感器（455）构造为，根据所述便携式设备（300）的运动来产生多维矢量数据，所述多维矢量数据暗含所述便携式设备（300）的所述运动的方向和幅度，并且以时间序列输出所述多维矢量数据；
- 预处理单元（330），所述预处理单元（330）与所述运动传感器（455）以信号技术连接，而且所述预处理单元（330）构造为，接收所述多维矢量数据，并且将所述多维矢量数据存储在所述预处理单元的存储模块（332）中，而且所述预处理单元（330）此外还构造为，
- 通过在相应的预先确定的第一时间间隔期间对接收到的矢量数据取平均，计算多个中期矢量V1，
- 通过在预先确定的第二间间隔期间对所述接收到的矢量数据取平均，计算多个长期平均矢量V2，所述第二时间间隔长于所述第一时间间隔，
- 根据在来自所述多个中期矢量的相应的中期矢量V1与来自所述多个长期平均矢量的相应的长期平均矢量V2之间的差，基于在中期矢量V1与长期平均矢量V2之间的与时间有关的分配，计算多个去除平均值的矢量V，并将所述多个去除平均值的矢量V存储在所述存储模块（332）中，
- 测定多个单位矢量E，其中相应的单位矢量E取向到随机方向上，并且将相应的单位矢量E分配至相应的去除平均值的矢量V，而且其中所述预处理单元（330）此外还构造为，
- 分别从来自所述多个去除平均值的矢量的一个去除平均值的矢量V和分配给该去除平均值的矢量V的单位矢量E中计算多个标量积P；
- 发送单元（340），所述发送单元（340）至少间接地以信号技术与所述预处理单元（330）连接，并且所述发送单元（340）构造为，发送基于所述多个标量积P的运动信号（345）。
11.根据权利要求10所述的便携式设备（300），其中，所述预处理单元（330）此外还构造为，基于所述多个标量积P来计算运动标志，所述运动标志是针对所述呼吸运动的量度。
12.根据权利要求11所述的便携式设备（300），其中，所述便携式设备（300）此外还具有分类单元（450），所述分类单元（450）与所述预处理单元（330）以信号技术连接，并且所述分类单元（450）构造为，基于在所述运动标志与预先确定的运动阈值之间的比较来确定评估信号（455），并向所述发送单元（340）输出所述评估信号（455）。
13.一种用于检测运动、尤其是用于探测呼吸运动的系统（500），其具有：
- 根据权利要求10至12中至少一项所述的便携式设备（300），以及
- 主机设备（550），所述主机设备（550）构造为，接收通过发送单元（340）寄送的运动信号（345），并基于所述运动信号（345）经由所述主机设备（550）的输出单元（570）来输出光学的和/或声学的输出信号（575），其中所述输出信号（575）暗含所述便携式设备（300）的因呼吸造成的运动。
14.根据权利要求13所述的系统（500），其中，所述便携式设备（300）根据权利要求10或者11来构造，并且其中所述主机设备（550）此外还具有分类单元（660），所述分类单元（660）构造为，从所述运动信号（345）中测定多个标量积P，基于所述多个标量积P来计算运动标志，而且基于在所述运动标志与预先确定的运动阈值之间的比较来确定和输出评估信号（455），其中所述光学的和/或声学的输出信号（575）取决于所述评估信号（455）。
15.根据权利要求14所述的系统（500），其中，所述评估信号（455）的所述确定基于所述运动标志的分类，所述运动标志的所述分类基于通过所述运动标志引起的运动特征值与多个相应的运动阈值的比较，尤其是基于随机森林算法。
16.根据权利要求15所述的系统（500），其中，所述多个相应的运动阈值包括如下预先确定的多个运动阈值：所述预先确定的多个运动阈值存储在所述系统（500）之外的外部存储设备中，并且其中所述主机设备（550）此外还具有询问单元，所述询问单元构造为，经由在所述存储设备与所述询问单元之间的无线电连接，向所述外部存储设备询问所述多个运动阈值，接收所述多个运动阈值并且给所述分类单元（660）提供所述多个运动阈值。
CN201980090900.0A 2019-01-30 2019-03-29 用于评估矢量数据的方法、便携式设备和系统 Active CN113728395B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102019000608.9A DE102019000608A1 (de) 2019-01-30 2019-01-30 Verfahren, tragbares Gerät und System zum Auswerten von Vektordaten
DE102019000608.9 2019-01-30
PCT/EP2019/057974 WO2020156686A1 (de) 2019-01-30 2019-03-29 Verfahren, tragbares gerät und system zum auswerten von vektordaten

Publications (2)

Publication Number Publication Date
CN113728395A true CN113728395A (zh) 2021-11-30
CN113728395B CN113728395B (zh) 2024-04-12

Family

ID=65995746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980090900.0A Active CN113728395B (zh) 2019-01-30 2019-03-29 用于评估矢量数据的方法、便携式设备和系统

Country Status (4)

Country Link
US (1) US20220142506A1 (zh)
CN (1) CN113728395B (zh)
DE (1) DE102019000608A1 (zh)
WO (1) WO2020156686A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3973866A1 (en) * 2020-09-25 2022-03-30 Koninklijke Philips N.V. A processor and method for determining a respiratory rate
CN115590505B (zh) * 2022-12-15 2023-03-14 楠楠聚智信息科技有限责任公司 一种智能运动监测装置数据异常分析方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6580944B1 (en) * 2000-11-28 2003-06-17 The United States Of America As Represented By The Secretary Of The Navy Method and apparatus for diagnosing sleep breathing disorders while a patient in awake
US20040006375A1 (en) * 2002-02-15 2004-01-08 Yann Poezevera Detection and the treatment of ventilatory disorders during sleep for an active implantable medical device, in particular a pacemaker
US20050113671A1 (en) * 2003-11-26 2005-05-26 Salla Prathyusha K. Method and system for estimating three-dimensional respiratory motion
US20090062628A1 (en) * 2005-05-18 2009-03-05 Matsushita Electric Works, Ltd. Sleep diagnosis device
US20100076061A1 (en) * 2008-04-30 2010-03-25 University Of Iowa Research Foundation Repeated administration of lentiviral vectors to respiratory cells
US20110105915A1 (en) * 2009-11-05 2011-05-05 Inovise Medical, Inc. Detection and differentiation of sleep disordered breathing
CN103370004A (zh) * 2010-12-15 2013-10-23 心脏起搏器股份公司 使用多个传感器的心脏代偿失调检测
TW201612845A (en) * 2014-08-28 2016-04-01 Resmed Ltd Method, system and apparatus for diagnosis, monitoring and treatment of respiratory disorders
US20160183846A1 (en) * 2013-08-09 2016-06-30 Koninklijke Philips N.V. Processing apparatus and processing method for determining a respiratory signal of a subject
CN106470598A (zh) * 2014-07-01 2017-03-01 心脏起搏器股份公司 用于检测医疗治疗的系统
US20180344170A1 (en) * 2017-05-30 2018-12-06 Qualcomm Incorporated Heart rate determination in power-constrained environment

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2263532A1 (en) 2009-06-05 2010-12-22 Koninklijke Philips Electronics N.V. Motion determination apparatus
EP2533692B1 (en) * 2010-02-11 2015-01-14 Koninklijke Philips N.V. Method and apparatus for determining a respiration signal

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6580944B1 (en) * 2000-11-28 2003-06-17 The United States Of America As Represented By The Secretary Of The Navy Method and apparatus for diagnosing sleep breathing disorders while a patient in awake
US20040006375A1 (en) * 2002-02-15 2004-01-08 Yann Poezevera Detection and the treatment of ventilatory disorders during sleep for an active implantable medical device, in particular a pacemaker
US20050113671A1 (en) * 2003-11-26 2005-05-26 Salla Prathyusha K. Method and system for estimating three-dimensional respiratory motion
US20090062628A1 (en) * 2005-05-18 2009-03-05 Matsushita Electric Works, Ltd. Sleep diagnosis device
US20100076061A1 (en) * 2008-04-30 2010-03-25 University Of Iowa Research Foundation Repeated administration of lentiviral vectors to respiratory cells
US20110105915A1 (en) * 2009-11-05 2011-05-05 Inovise Medical, Inc. Detection and differentiation of sleep disordered breathing
CN103370004A (zh) * 2010-12-15 2013-10-23 心脏起搏器股份公司 使用多个传感器的心脏代偿失调检测
US20160183846A1 (en) * 2013-08-09 2016-06-30 Koninklijke Philips N.V. Processing apparatus and processing method for determining a respiratory signal of a subject
CN106470598A (zh) * 2014-07-01 2017-03-01 心脏起搏器股份公司 用于检测医疗治疗的系统
TW201612845A (en) * 2014-08-28 2016-04-01 Resmed Ltd Method, system and apparatus for diagnosis, monitoring and treatment of respiratory disorders
US20180344170A1 (en) * 2017-05-30 2018-12-06 Qualcomm Incorporated Heart rate determination in power-constrained environment

Also Published As

Publication number Publication date
WO2020156686A1 (de) 2020-08-06
DE102019000608A1 (de) 2020-07-30
US20220142506A1 (en) 2022-05-12
CN113728395B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN105979858B (zh) 心率监测设备
Gjoreski et al. Accelerometer placement for posture recognition and fall detection
US11030564B2 (en) Motion analysis apparatus, motion analysis method, and computer program product
CN109635710A (zh) 危险状态确定方法、装置、危险告警设备及储存介质
CN102187371B (zh) 跌倒检测系统和操作跌倒检测系统的方法
EP3104777B1 (en) Activity recognition using accelerometer data
WO2019103620A3 (en) System, sensor and method for monitoring health related aspects of a patient
CN107257651A (zh) 医学监测的场景检测
CN105787504B (zh) 人体行为识别方法及系统
CN109397703A (zh) 一种故障检测方法及装置
CN106132287A (zh) 心率监测器系统
CN113728395B (zh) 用于评估矢量数据的方法、便携式设备和系统
EP3076870A1 (en) Method and apparatus for determining the orientation of an accelerometer
US20180150126A1 (en) Detecting Wearing State of Wearable Devices Using Body Capacitance
Gjoreski et al. Context-based fall detection and activity recognition using inertial and location sensors
CN110532999B (zh) 抽烟行为识别方法、装置及设备
CN110226934A (zh) 一种跌倒检测方法、装置及腕带式设备
CN110737201A (zh) 一种监护方法、装置、存储介质及空调
WO2021094201A1 (en) Monitoring system for a feeding bottle
CN106909086B (zh) 一种异常数据的检测方法及其装置
JP2016120271A (ja) 位相補正装置、行動識別装置、行動識別システム、マイクロコントローラ、位相補正方法、及びプログラム
WO2014191803A1 (en) Acceleration-based step activity detection and classification on mobile devices
KR102106504B1 (ko) 사물의 분실 방지 장치 및 이를 이용한 사물의 분실 방지 방법
CN105982658B (zh) 生理信息侦测方法及装置
US10139428B2 (en) Phase correction device, action identification device, action identification system, microcontroller, phase correction method, and program

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