CN114901128A - 心律失常性心跳弹性睡眠呼吸暂停检测 - Google Patents

心律失常性心跳弹性睡眠呼吸暂停检测 Download PDF

Info

Publication number
CN114901128A
CN114901128A CN202080089489.8A CN202080089489A CN114901128A CN 114901128 A CN114901128 A CN 114901128A CN 202080089489 A CN202080089489 A CN 202080089489A CN 114901128 A CN114901128 A CN 114901128A
Authority
CN
China
Prior art keywords
sleep apnea
body sensor
sensor data
subject
motion
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
Application number
CN202080089489.8A
Other languages
English (en)
Inventor
J·马尔加里托
K·T·J·德格鲁特
P·M·F·多斯·桑托斯·达丰塞卡
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN114901128A publication Critical patent/CN114901128A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—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
    • A61B5/02—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • 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
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • 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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Pulmonology (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

用于针对身体传感器数据的一部分生成睡眠呼吸暂停信息的方法。生成睡眠呼吸暂停信息的方法与确定身体传感器数据的一部分内是否存在心律失常相关。响应于在身体传感器数据的一部分内检测到心律失常不存在，而使第一睡眠呼吸暂停检测方法论用，并且响应于在身体传感器数据的一部分内检测到心律失常存在，而使用不同的第二睡眠呼吸暂停检测方法论。

Description

心律失常性心跳弹性睡眠呼吸暂停检测
技术领域
本发明涉及睡眠呼吸暂停检测领域。
背景技术
睡眠呼吸暂停是用于表示两种类型的睡眠呼吸障碍的通用术语，即，阻塞性睡眠呼吸暂停(OSA)和中枢性睡眠呼吸暂停(CSA)。这两种疾病的组合通常被称为“混合性呼吸暂停”。这两种疾病均与气流减少(呼吸不足)或完全停止(呼吸暂停)相关联。这导致血氧饱和度的降低，以及最终的皮层唤醒和交感神经活动的相关联突发，以及心率和血压的增加。
由于睡眠实验室的有限可用性以及与睡眠研究相关联的高成本，睡眠呼吸暂停经常未能作出全面性诊断。普遍认为，未能作出全面性诊断的睡眠呼吸暂停是心血管疾病、思维障碍和糖尿病发展的重要危险因素。因此，期望提供一种标识睡眠呼吸暂停发生的有效且低成本的方法。
现有技术的睡眠呼吸暂停检测方法论包括处理心率信息(诸如心率变异性)，以检测睡眠呼吸暂停的发生。具体地，可以生成所谓的呼吸暂停低通气指数(AHI)，其指示睡眠期间呼吸暂停事件的发生和严重性。
WO2016/142793A1公开了用于处理从活体获取的信号的便携式电子设备。它允许自动检测指示睡眠行为障碍(例如，RBD类型的睡眠行为障碍)的生物参数，并且优选地，允许睡眠呼吸暂停的生物参数用于大规模筛选应用。
US2019/282180A1公开了用于确定受试者的呼吸信息的方法和装置。
目前期望改进睡眠呼吸暂停检测的准确性和鲁棒性。
发明内容
本发明由权利要求限定。
根据本发明的一个方面的示例，提供了用于生成与受试者有关的睡眠呼吸暂停信息的计算机实现的方法。
计算机实现的方法包括：从监测受试者的至少一个身体传感器，获取身体传感器数据的对睡眠呼吸暂停的发生和心律失常性心跳的发生做出响应的一部分；使用心律失常检测方法论来处理身体传感器数据的该部分，以确定身体传感器数据的该部分指示存在还是不存在心律失常性心跳；响应于确定身体传感器数据的该部分指示不存在心律失常性心跳，使用第一睡眠呼吸暂停检测方法论来至少处理身体传感器数据的该部分，从而生成睡眠呼吸暂停信息；以及响应于确定身体传感器数据的该部分指示心律失常性心跳的存在，使用不同的第二睡眠呼吸暂停检测方法论来处理身体传感器数据的该部分，从而生成睡眠呼吸暂停信息。
本发明认识到睡眠呼吸暂停检测方法论的准确性在受试者的心律失常性心跳期间(例如在受试者正在经历心房纤维性颤动时)受到负面影响。具体地，已标识出心律失常性心跳可能导致标准睡眠呼吸暂停检测方法论不正确地将身体传感器数据的一部分(对于患有睡眠呼吸暂停的患者)分类为指示不存在睡眠呼吸暂停(即，生成假阴性)。
本发明提出滤除身体传感器数据中的检测到心律失常性心跳的部分或片段，从而避免这些部分被第一睡眠呼吸暂停检测方法论处理。由此降低了睡眠呼吸暂停检测方法论的假阴性率。
该概念还使得能够使用在全球人群(例如，不一定患有心律失常性心脏病)上训练的睡眠呼吸暂停检测方法论，以增加检测睡眠呼吸暂停发生的准确性。换言之，可以使用例如来自全球人群的没有心律失常性心跳发作的传感器数据来训练第一睡眠呼吸暂停检测方法论。
所提出的方法使得能够生成具有降低的假阴性率的睡眠呼吸暂停信息。
睡眠呼吸暂停信息可以指示身体传感器数据的一部分是否指示睡眠呼吸暂停的存在，是否指示睡眠呼吸暂停的不存在、或者是否指示不能可靠地确定睡眠呼吸暂停的存在/不存在(即，睡眠呼吸暂停状态未知)。换言之，睡眠呼吸暂停信息可以提供三种可能的片段：“检测到睡眠呼吸暂停”、“未检测到睡眠呼吸暂停”或“睡眠呼吸暂停状态未知”。
本发明还提出，当检测到心律失常性心跳时，使用不同的睡眠呼吸暂停检测方法论来处理身体传感器数据的一部分，其中例如已使用其中存在心律失常性心跳的传感器数据训练过该不同的睡眠呼吸暂停检测方法论。
使用两种独立的睡眠呼吸暂停检测方法论能够显著提高生成睡眠呼吸暂停信息的准确性。
至少一个身体传感器可以包括心电图ECG传感器、光学体积描记PPG传感器、加速度计和/或相机。这样的身体传感器对于受试者的长期监测是特别有利的，因为它们对睡眠呼吸暂停和心律失常的侵入性和响应性都最小。在一些实施例中，至少一个身体传感器包括脑电图描记(EEG)传感器。
计算机实现的方法可以进一步包括以下步骤：从监测受试者运动的运动传感器，获取在时间上与身体传感器数据的该部分相对应的运动数据的一部分，其中使用第一睡眠呼吸暂停检测方法论处理身体传感器数据的该部分的步骤包括：使用运动伪影检测方法论来处理运动数据的一部分，以确定运动数据的该部分指示存在还是不存在运动伪影；以及响应于确定运动数据的一部分指示不存在运动伪影，使用睡眠呼吸暂停分类方法论来处理身体传感器数据的对应部分，从而生成睡眠呼吸暂停信息，睡眠呼吸暂停信息指示身体传感器数据的该部分指示发生还是不发生睡眠呼吸暂停。
本文还认识到，受试者的运动也可能影响睡眠呼吸暂停分类方法论的准确性。该实施例因此监测受试者的运动，并确定受试者的运动是否可能影响身体传感器数据(并因此影响睡眠呼吸暂停分类方法论的准确性)。
在一些实施例中，响应于确定运动数据的一部分指示运动伪影的存在，方法包括生成指示不能可靠地确定睡眠呼吸暂停的存在或不存在的睡眠呼吸暂停信息。
计算机实现的方法还可以包括从监测受试者运动的运动传感器，获取在时间上与身体传感器数据的该部分相对应运动数据的一部分的步骤，其中第一睡眠呼吸暂停检测方法论包括使用睡眠呼吸暂停分类方法论来处理身体传感器数据的该部分和运动数据的该部分，以生成睡眠呼吸暂停信息，该信息指示身体传感器数据的该部分指示发生还是不发生睡眠呼吸暂停。
受试者的运动可以指示睡眠呼吸暂停的发生或未发生。运动和身体传感器数据的组合特别有利于提高检测睡眠呼吸暂停的发生或未发生的准确性。
实施例还可以包括获取受试者的受试者特性的步骤，其中使用第一睡眠呼吸暂停检测方法论处理身体传感器数据的一部分的步骤包括：使用第一睡眠呼吸暂停检测方法论处理至少身体传感器数据的该部分和受试者特性。
还已确定，使用受试者特性还可以改进睡眠呼吸暂停检测方法论的准确性。具体地，已确定受试者特性可以影响受试者遭受睡眠呼吸暂停的易感性或倾向。
在至少一个实施例中，受试者特性包括受试者的身体或人口统计特性和/或受试者的患者病史。
具体地，已被标识为与睡眠呼吸暂停有关的受试者特性包括：体重指数；颈部周长；年龄；重量；身高和性别。患者病史可以指示，已被标识为与睡眠呼吸暂停有关的受试者的历史体征/症状/诊断，例如：大声打鼾；日常睡意和/或疲劳感。
在一些实施例中，从监测受试者的至少一个身体传感器获取身体传感器数据的一部分的步骤包括：从至少一个身体传感器，获取原始传感器数据的一部分；以及使用低通滤波器来处理原始传感器数据的颈部周边部分，以获取身体传感器数据的一部分。
使用低通滤波器预处理原始身体传感器数据可以帮助从原始身体传感器数据中去除基线变化和伪影，从而改进对睡眠呼吸暂停的存在或不存在的检测。
优选地，心律失常检测方法论被适配用于检测是否存在心房纤维性颤动。已确定心房纤维性颤动对睡眠呼吸暂停检测方法论的准确性具有特别大的影响，特别是增加睡眠呼吸暂停检测方法论的假阴性率。
身体传感器数据优选地包括心率变异性数据。
还提出了包括计算机程序代码的计算机程序产品，计算机程序代码在具有处理系统的计算设备上执行时，使得处理系统执行本文中描述的任何方法的所有步骤。
还提出了用于生成与受试者有关的睡眠呼吸暂停信息的睡眠呼吸暂停检测模块。睡眠呼吸暂停检测模块被适配用于：从监测受试者的至少一个身体传感器，获取身体传感器数据的对睡眠呼吸暂停的发生和心律失常性心跳的发生做出响应的一部分；使用心律失常检测方法论处理身体传感器数据的该部分，以确定身体传感器数据的该部分是否指示存在或不存在心律失常性心跳；以及响应于确定身体传感器数据的该部分指示不存在心律失常性心跳，使用第一睡眠呼吸暂停检测方法论来处理身体传感器数据的该部分，从而生成睡眠呼吸暂停信息。
还提出了睡眠呼吸暂停检测系统，包括：本文中任意所述的睡眠呼吸暂停检测模块；以及一个或多个身体传感器，其被适配用于监测受试者、并且获取对睡眠呼吸暂停的发生和心律失常性心跳的发生做出响应的身体传感器数据。
参考以下描述的(多个)实施例，本发明的这些和其它方面将变得显而易见。
附图说明
为了更好地理解本发明并且为了更清楚地示出如何实现本发明，现在将仅通过示例的方式参考附图，其中：
图1图示了将现有的睡眠呼吸暂停检测方法论应用于没有心律失常的受试者的示例身体传感器数据的结果；
图2图示了将现有的睡眠呼吸暂停检测方法论应用于具有心律失常的受试者的示例身体传感器数据的结果；
图3图示了根据一个实施例的睡眠呼吸暂停检测系统；
图4图示了根据一个实施例的用于生成睡眠呼吸暂停信息的方法；
图5图示了根据一个实施例的用于生成睡眠呼吸暂停信息的方法的一部分；
图6图示了根据另一实施例的用于生成睡眠呼吸暂停信息的方法；以及
图7图示了由本发明的实施例生成的报告。
具体实施方式
将参考附图来描述本发明。
应当理解，具体实施方式和特定示例虽然指示了装置、系统和方法的示例性实施例，但是仅用于例示的目的，而不旨在限制本发明的范围。本发明的装置、系统和方法的这些和其它特征、方面和优点将从以下描述、所附权利要求和附图中变得更好理解。应当理解，附图仅是示意性的并且没有按比例绘制。还应当理解，在所有附图中使用相同的附图标记来表示相同或相似的部分。
本发明的实施例提供了用于针对身体传感器数据的一部分生成睡眠呼吸暂停信息的方法。生成睡眠呼吸暂停信息的方法与确定身体传感器数据的一部分内是否存在心律失常相关。响应于在身体传感器数据的一部分内检测到不存在心律失常，而使用第一睡眠呼吸暂停检测方法论。
本发明涉及生成与身体传感器数据的一部分有关的睡眠呼吸暂停信息的概念。睡眠呼吸暂停信息的目的是使得能够标识在由身体传感器数据的一部分覆盖的时间段期间，在受试者中存在还是不存在睡眠呼吸暂停。
本发明认识到迫切需要避免对存在/不存在睡眠呼吸暂停的假阳性确定和/或假阴性确定。这对于防止临床医生根据任何产生的睡眠呼吸暂停信息进行误诊或误治尤为重要。
通过认识到受试者的心律失常将增加当前现有技术的睡眠呼吸暂停检测系统的假阴性率，本发明提出减少发生睡眠呼吸暂停的至少假阴性确定的方法。
如果常规的睡眠呼吸暂停检测系统将变得不可靠、并且依赖于心律失常的存在影响睡眠呼吸暂停检测方法论的准确性的基本认识，则本发明提出使用不同的方法来评估睡眠呼吸暂停的存在/不存在，并且因此提出使用心律失常的检测来控制生成睡眠呼吸暂停信息的方法。
图1和图2一起用于图示本发明的基本认识。
图1图示了通过利用身体传感器监测第一受试者/个体而获取的第一身体传感器数据110，此处第一身体传感器数据是心率变异性数据。第一受试者没有心律失常性心跳，但确实患有睡眠呼吸暂停。
图1还图示了使用常规睡眠呼吸暂停分类算法所处理的第一身体传感器数据110的结果120，常规睡眠呼吸暂停分类算法被设计为指示：在心率变异性数据110中检测到睡眠呼吸暂停(由符号“Y”指示)，还是在心率变异性数据110中未检测到睡眠呼吸暂停(由符号“N”指示)。
图2还图示了也通过利用身体传感器监测第二受试者/个体而获取的第二身体传感器数据210，该第二身体传感器数据再次是心率变异性数据。第二受试者具有例如由心房纤维性颤动(AF)引起的心律失常性心跳并患有睡眠呼吸暂停。
图2还图示了使用相同的常规睡眠呼吸暂停分类算法所处理的第二身体传感器数据110的结果220，常规睡眠呼吸暂停分类算法被设计为：指示在心率变异性数据110中检测到睡眠呼吸暂停(由符号“Y”指示)，还是在心率变异性数据110中未检测到睡眠呼吸暂停(由符号“N”指示)。
从图2可以看出，针对第二受试者检测睡眠呼吸暂停的假阴性率大于第一受试者。因此，睡眠呼吸暂停检测系统的准确性受到心律失常性心跳的存在的影响。
本发明认识到，同时存在睡眠呼吸暂停和心律失常性心跳两者将导致身体传感器数据受到影响，使得不再可能准确检测睡眠呼吸暂停。特别地，用于检测睡眠呼吸暂停的假阴性率受到影响，这将导致AHI指数的假估计(如果计算的话)。
该效果在心率变异性(HRV)数据中特别显著。在HRV数据中，周期性振荡是睡眠呼吸暂停的特性。因此，可以通过在HRV数据中搜索周期性振荡来标识睡眠呼吸暂停。然而，心律失常性心跳的存在破坏了HRV数据的规律性，因此错误地导致睡眠呼吸暂停检测方法论检测到不存在睡眠呼吸暂停。
本发明提出了用于处理睡眠呼吸暂停和例如由心房纤维性颤动引起的心律失常心率的存在之间的冲突的方法。
图3图示了根据一个实施例的睡眠呼吸暂停检测系统300。睡眠呼吸暂停检测系统包括睡眠呼吸暂停检测模块310、一个或多个传感器321、322、323的集合320和(可选的)用户接口330。睡眠呼吸暂停检测模块310本身被认为是本发明的一个实施例。
睡眠呼吸暂停检测模块310被适配用于从一个或多个传感器的集合320获取身体传感器数据的一个或多个部分。睡眠呼吸暂停检测模块310处理身体传感器数据的一部分，来检测心律失常的存在或不存在。响应于检测到不存在心律失常，睡眠呼吸暂停检测模块使用第一睡眠呼吸暂停检测方法论来处理身体传感器数据的一部分，以生成睡眠呼吸暂停信息。
稍后将在讨论根据本发明实施例的方法时提供睡眠呼吸暂停检测模块的操作的更完整的示例。
一个或多个传感器321、322、323的集合320被适配用于响应于心律失常和睡眠呼吸暂停两者来生成身体传感器数据。该数据在受试者睡眠期间被获取、并且可以包括例如心率或心率变异性数据、加速度计数据、ECG/EEG数据等。传感器的合适示例被示出并且可以包括以下项中的一个或多个：心电图(ECG)传感器321、光学体积描记(PPG)传感器322、加速计、EEG系统和/或相机323。相机例如可以监测受试者的颜色变化，以导出心率信息。其它合适的示例是本领域技术人员公知的。
一个或多个传感器的集合320可以进一步被适配用于生成附加数据，例如不对心律失常和睡眠呼吸暂停两者做出响应的附加数据。这可以包括例如呼吸数据，呼吸数据可以使用相机、加速度计或其他传感器(其可以形成一个或多个传感器的集合320的一部分)来获取。该信息可以被用于增强标识睡眠呼吸暂停的准确性，这将在稍后解释。
用户接口330被用于显示如下信息，该信息与睡眠呼吸暂停检测模块310是否检测到睡眠呼吸暂停有关。这可以包括例如显示如下的报告，该报告与在受试者的睡眠过程期间生成的睡眠呼吸暂停信息的发展有关。
图4图示了根据本发明的一个实施例的方法400。
方法400包括获取身体传感器数据490的一部分的步骤401。身体传感器数据可以从监测受试者的一个或多个传感器直接获取或者从数据库获取，该数据库存储从一个或多个传感器获取的信息。如前所述，身体传感器数据的一部分对心律失常和睡眠呼吸暂停两者的存在(或不存在)做出响应。
将清楚，身体传感器数据的一部分对应于在一个时间段内获取的身体传感器数据，即可以相对于时间变化。
当然，身体传感器数据的一部分可以包括从不同源提取的信息(例如，心率信息和呼吸信息)。并非身体传感器数据的所有部分均需要对心律失常和睡眠呼吸暂停做出响应，只要至少一些身体传感器数据对心律失常和睡眠呼吸暂停(例如，仅心率信息)做出响应。
可以例如从原始身体传感器数据(例如，原始身体传感器数据的最近获取的一部分)的窗口或时期导出身体传感器数据的一部分。
在一些实施例中，步骤401包括：从至少一个身体传感器获取原始传感器数据的一部分、并且使用(数字)低通滤波器处理原始传感器数据的该部分来获取身体传感器数据的一部分。换言之，步骤401可以包括使用(数字)低通滤波器预处理身体传感器数据的一部分。这减小了身体传感器数据的一部分中的基线变化的影响和伪影的影响。
方法400还包括使用心律失常检测方法论来处理身体传感器数据的一部分的步骤402。方法然后在判定步骤403中确定身体传感器数据的一部分指示存在还是不存在心律失常性心跳(即，作为处理的结果)。
处理身体传感器数据的一部分可以使用机器学习方法(例如经训练的分类器)来执行。分类器可以被适配用于预测身体传感器数据的一部分指示是否存在心律失常性心跳(即，心律失常)。
响应于身体传感器数据的一部分指示不存在心律失常性心跳，方法移动到步骤404，使用第一睡眠呼吸暂停检测方法论来处理身体传感器数据的一部分，从而生成睡眠呼吸暂停信息。
具体地，步骤404包括使用第一睡眠呼吸暂停检测方法论来处理身体传感器数据的一部分。方法然后执行判定步骤405来确定身体传感器数据的一部分指示是否存在睡眠呼吸暂停。响应于检测到睡眠呼吸暂停的存在，方法例如通过提供“存在”输出作为睡眠呼吸暂停信息，从而执行生成睡眠呼吸暂停信息的步骤406，该睡眠呼吸暂停信息指示该部分数据指示发生睡眠呼吸暂停。响应于检测到不存在睡眠呼吸暂停，方法执行步骤407，例如通过提供“不存在”输出作为睡眠呼吸暂停信息，从而生成如下的睡眠呼吸暂停信息，该信息指示该部分指示不存在睡眠呼吸暂停。
指示存在或不存在睡眠呼吸暂停的其它形式的睡眠呼吸暂停信息可以被生成，例如生成存在睡眠呼吸暂停的概率等。
当在步骤404之后执行步骤405时，步骤405使用从第一睡眠呼吸暂停检测方法论获取的信息，来进行确定。
响应于步骤402－403，确定身体传感器数据的一部分指示存在心律失常性心跳，可以执行若干不同的动作，稍后将描述其适当的示例。然而，应当清楚，响应于存在心律失常性心跳而执行的过程不同于响应于不存在心律失常性心跳而执行的过程，例如省略包括附加步骤的某些步骤或完全执行另一过程。
在一个实施例中，响应于确定身体传感器数据的一部分指示存在心律失常性心跳，方法400执行步骤408，步骤408使用不同的第二睡眠呼吸暂停检测方法论来处理身体传感器数据的一部分，从而生成睡眠呼吸暂停信息。第二睡眠呼吸暂停检测方法论不同于第一睡眠呼吸暂停检测方法论，例如已使用不同的数据而被训练过、和/或使用身体传感器数据的一部分的不同特征或元素等。
在该实施例中，身体传感器数据的包括心律失常性心跳的一部分可以被用于确定心律失常的类型。可以通过使用诸如深度学习和/或基于特征的方法的机器学习技术，来训练心律失常类型分类器。身体传感器数据的一部分和/或从身体传感器数据提取的统计和形态特征可以用作心律失常类型分类器的输入。心律失常的类型可以包括心房扑动、心房纤维性颤动、心室纤维性颤动、房性期前收缩、室上性心动过速、室性心动过速、病态窦房结综合征、室上性心律失常、室性期前收缩中的任一种。第二睡眠呼吸暂停检测方法论可以包括针对每个类型的心律失常的不同方法。基于在身体传感器数据的剩余部分中是否检测到睡眠呼吸暂停事件的信息，可以选择和标记身体传感器数据的包括心律失常性心跳的一部分。身体传感器数据的一部分或所提取的特征与它们的标签(呼吸暂停－未呼吸暂停)的组合可以被提供作为机器学习算法的输入，机器学习算法基于监督学习方法来学习身体传感器数据的片段是否隐藏睡眠呼吸暂停事件。在确定身体传感器数据的一部分中存在哪个类型的心律失常之后，通过第二睡眠呼吸暂停检测方法论来部署对应的算法。确定状况(诸如心律失常性心跳、睡眠呼吸暂停或心律失常类型)的存在或不存在可以包括确定状况存在的概率。睡眠呼吸暂停存在的概率可以基于所确定的心律失常存在的概率、和/或心律失常的类型来确定。与所确定的状况存在概率有关的信息可以例如被提供给用户，例如被包含在睡眠呼吸暂停信息中。
方法400然后从步骤408移动到步骤405。当在步骤408之后执行步骤405时，步骤405使用从第二睡眠呼吸暂停检测方法论获取的信息，来做出关于是否检测到睡眠呼吸暂停的判定。
通过从身体传感器数据的一部分导出一个或多个(统计)特征，并且使用经预训练的分类模型处理特征，可以执行步骤402和404中的一个或多个，以确定心律失常或睡眠呼吸暂停的存在或不存在(在适当的情况下)。
在一些实施例中，特征从身体传感器数据的一部分直接提取。在其它实施例中，从身体传感器数据的一部分导出的信息中提取特征。
考虑如下的示例：其中在步骤401中，从受试者获取的心率数据的一部分(例如由ECG或PPG传感器测量)导出身体传感器数据的一部分。
导出特征可以包括使用心跳检测器来检测心率数据的一部分中的心跳、并标识心跳间间隔(IBI)，即，生成IBI时间序列。在ECG传感器的情况下，这可以使用标识和定位R峰的QRS检测器来执行。在PPG传感器的情况下，该检测器可以替代地通过定位峰值振幅或增加脉冲的根来检测个体心跳。(统计)特征然后可以从IBI序列中提取，从而从身体传感器数据的一部分中获取特征。
用于检测心律失常和/或睡眠呼吸暂停的经预训练的分类模型可以通过部署机器学习方法而被构建，并且可以被用于处理从身体传感器数据的一部分导出的(统计)特征，例如从IBI时间序列中提取的特征。
在一个实例中，心律失常分类模型包括逻辑回归分类器。其由于其简单性和可解释性是特别有利的。然而，可以采用任何合适的机器学习算法。合适的机器学习算法的示例包括决策树算法和人工神经网络。诸如支持向量机、随机森林或自然贝叶斯模型的其它机器学习算法是合适的备选。
合适的机器学习算法的其它示例将在稍后描述。
在步骤402和404的任一个中提取的特征不需要彼此相同。因此，用于检测睡眠呼吸暂停的特征可以不同于用于检测心律失常的特征。类似地，用于检测睡眠呼吸暂停的特征可以根据是否检测到心律失常而不同。
仅作为示例，身体数据的一部分可以包括对睡眠呼吸暂停做出响应、但对心律失常不做出响应的一些信息(例如呼吸数据等)。所提取的用于检测睡眠呼吸暂停的特征可以对应于这样的信息的特征。
作为另一示例，机器学习算法的训练可以导致标识不同特征，以用于检测睡眠呼吸暂停和检测心律失常。
返回图4，在一些实施例中，(第一和可选的第二)睡眠呼吸暂停检测方法论可以使用受试者的附加信息来检测睡眠呼吸暂停的存在或不存在。
例如，受试者290的特性可以被用于改进睡眠呼吸暂停检测方法论。受试者特性可以被提供作为睡眠呼吸暂停检测方法论的输入，或者可以被使用以选择多个可能的睡眠呼吸暂停检测方法论中的哪一个被用于处理身体传感器数据的一部分。
合适的受试者特性包括：体重指数；颈部周长；年龄；性别；身高和/或体重。也可以使用利用上述特征导出的任何合适的参数(例如，从身高、性别和体重计算的体重指数)。
患者病史也可以以类似于受试者特性的方式使用。患者病史可以指示受试者的历史体征/症状/诊断，并且特别是已被标识为与睡眠呼吸暂停有关的那些，例如：大声打鼾；日常睡意和/或疲劳感。该信息可以被用于使用身体传感器数据的一部分来改进对睡眠呼吸暂停的检测。
从监测受试者的一个或多个传感器的集合获取的附加信息(例如生成呼吸信息)可以被用于改进对睡眠呼吸暂停的存在或不存在的检测，这对于本领域技术人员是显而易见的。
作为另一示例，运动数据可以被用于改进对睡眠呼吸暂停的预测。例如通过将伪影引入身体传感器数据的运动，受试者的运动可以影响检测睡眠呼吸暂停发生的准确性。此外，受试者的运动可以指示睡眠呼吸暂停，例如由于受试者暂时醒来而进入睡眠呼吸暂停事件。
运动数据可以从一个或多个传感器(例如与受试者或其周围环境连接的加速度计或压力传感器)的集合获取。
受试者的运动数据还可以被用于确定睡眠呼吸暂停检测方法论是否能够可靠地检测睡眠呼吸暂停的存在/不存在。
因此，在一些进一步的实施例中，方法可以包括以下步骤：获取在时间上与身体传感器数据的一部分相对应的运动数据，并且处理所获取的运动数据来标识运动伪影(其可以影响身体传感器数据的一部分，并且由此影响睡眠呼吸暂停检测的准确性/可靠性)的存在或不存在。
响应于检测到运动伪影的存在，方法可以包括生成如下的呼吸暂停信息，该信息指示不能可靠地确定睡眠呼吸暂停的存在或不存在。否则，方法可以正常进行(即，就好像确定运动伪影的存在或不存在的步骤从未发生)。
标识(多个)运动伪影是否影响生成准确的睡眠呼吸暂停信息的能力的过程可以在整个方法的任何阶段执行。优选地，该过程在确定身体传感器数据的一部分指示存在还是不存在心律失常的步骤之前执行，以避免对身体传感器数据的一部分进行不必要的复杂处理。
备选地，该过程可以集成到第一和/或第二睡眠呼吸暂停检测方法论中。
图5图示了使用睡眠呼吸暂停检测方法论来处理身体传感器数据的一部分的一个实施例。如图所示，该过程可以至少部分地集成到方法400的步骤404和/或408(如果存在)中。
过程包括步骤501：从监测受试者运动的运动传感器获取运动数据590的一部分。运动数据的一部分在时间上对应于身体传感器数据的一部分(即，对应于与身体传感器数据的一部分相同的时间段)。
过程还包括步骤502：使用运动伪影检测方法论来处理运动数据的一部分，以确定运动数据的一部分指示存在还是不存在运动伪影。因此，运动数据的一部分可以被处理，以确定运动数据是否影响对睡眠呼吸暂停的检测。
判定步骤503判定是否检测到运动伪影。
响应于没有检测到或检测到可忽略的运动伪影，例如所检测的运动伪影的数量低于预定阈值，在步骤504中使用睡眠呼吸暂停分类方法论来处理身体传感器数据的一部分，以生成睡眠呼吸暂停信息。睡眠呼吸暂停分类方法论可以包括任何合适的睡眠呼吸暂停处理方法论，诸如先前参考步骤404或步骤408描述的那些。
响应于确定运动数据的一部分指示运动伪影的存在(即，存在不可忽略的运动伪影量)，过程执行步骤505：生成如下的睡眠呼吸暂停信息，该信息指示不能可靠地确定睡眠呼吸暂停的存在或不存在。
因此，在执行睡眠呼吸暂停检测方法论之前，实施例提出检查是否存在心律失常和/或是否存在运动伪影。响应于存在心律失常和运动伪影中的任一个，方法移动到生成指示不能可靠地确定睡眠呼吸暂停的存在或不存在的睡眠呼吸暂停信息的步骤。
在所示示例中，通过首先检查心律失常，然后检查运动伪影来执行过程。然而，在本发明的其它实施例中，该过程可以颠倒。
因此，可以提供用于生成与受试者有关的睡眠呼吸暂停信息的计算机实现的方法，包括：获取受试者的运动数据的一部分；使用运动伪影检测方法论来处理运动数据的一部分，以确定运动数据的一部分指示存在还是不存在运动伪影；响应于确定运动数据的一部分指示不存在运动伪影：从监测受试者的至少一个身体传感器，获取身体传感器数据的对睡眠呼吸暂停的发生和心律失常性心跳的发生做出响应的一部分，身体传感器数据的一部分在时间上对应于运动数据的一部分；使用心律失常检测方法论，处理身体传感器数据的一部分，以确定身体传感器数据的一部分指示存在还是不存在心律失常性心跳；以及响应于确定身体传感器数据的一部分指示不存在心律失常性心跳，使用第一睡眠呼吸暂停检测方法论来处理身体传感器数据的一部分，从而生成睡眠呼吸暂停信息。
当然，获取身体数据的一部分的步骤不需要响应于运动数据的一部分的确定，并且可以在任何情况下执行，例如与获取运动数据的对应部分一起执行。
在一些进一步的实施例中，方法可以包括确定身体传感器数据的一部分的质量的步骤。这可以使用任何合适的质量确定过程来执行，质量确定过程例如可以包括使用用于评估数据质量的机器学习方法来处理身体传感器数据的一部分。
这可以包括：在身体传感器数据的一部分包括心率数据或加速度计数据的情形中，计算身体传感器数据的一部分中的心跳数。心跳数反映了身体传感器数据的一部分的质量。
在一些示例中，该过程可以包括确定身体部分数据的一部分的噪声水平，例如信噪比(SNR)。这使得能够导出身体传感器数据的一部分的质量。
响应于身体传感器数据的一部分不满足预定阈值或指标(例如，所计算的心跳数或SNR率低于预定值)，方法可以包括生成指示不能可靠地确定睡眠呼吸暂停的存在或不存在的呼吸暂停信息。否则，方法可以正常进行(即，好像确定身体传感器数据的一部分的质量的步骤从未发生)。
该步骤可以在过程期间的任何时间执行，但是优选地在确定身体传感器数据的一部分指示存在还是不存在心律失常的步骤之前执行。
因此，实施例提出检查心律失常的存在，并且提出可选地检查运动伪影和/或适当的数据质量。生成睡眠呼吸暂停信息的过程是响应性的、或者根据该/这些元素的存在和/或不存在而不同。
例如对于身体传感器数据的不同部分，可以迭代地执行生成睡眠呼吸暂停信息的过程。这允许处理身体传感器数据的一部分的一个序列或一个系列，从而使得能够导出在大时间段(例如夜间睡眠)过程中的睡眠呼吸暂停信息。
在优选实施例中，身体传感器数据流被获取、并且滑动窗口被应用于身体传感器数据流。身体传感器数据的每个窗口部分形成随后被处理的身体传感器数据的一部分。
在一个示例中，每个窗口的长度在40到80秒的长度范围内(例如60秒)，窗口之间具有20到40秒的重叠(例如30秒)。在另一示例中，每个窗口的长度在15到30秒(例如20秒)的范围内，窗口之间具有0.5到2秒(例如1秒)的重叠。后一实施例使得能够以更精细的分辨率来标识睡眠呼吸暂停的存在或不存在。
具体地，经处理的身体传感器数据的一部分可以是身体传感器数据的最近可用部分(例如，表示预定时间段)。
该过程在图6中图示，图6图示了处理身体感测数据(流)690的方法600。
方法600包括获取身体感测数据690的最近部分的步骤601。方法然后执行针对所获取的身体感测数据的一部分生成睡眠呼吸暂停信息的方法400。
步骤601和方法400可以迭代地重复，直到达到如步骤602中所判定的停止条件。停止条件例如可以是达到迭代次数、经过预定时间段或接收用户输入。
方法然后移动到(可选的)步骤603：生成身体感测数据的报告，该报告图示了睡眠呼吸暂停信息随时间的变化。当然，可以在不需要满足停止条件的情况下生成实况报告，例如图示直到当前时间段的睡眠呼吸暂停信息。
步骤603可以附加地或备选地包括：使用针对身体传感器数据的多个部分生成的睡眠呼吸暂停信息，来确定呼吸暂停低通气指数(Apnea-Hypopnea)。
具体地，通过排除与不能针对其来确定睡眠呼吸暂停的存在或不存在的身体传感器数据的一部分(即睡眠呼吸暂停状态是否“未知”)相关联的时间段，可以生成呼吸暂停低通气指数。
这可以包括将检测到睡眠呼吸暂停存在的次数除以检测到睡眠呼吸暂停不存在的时间长度(例如，与睡眠呼吸暂停的存在或不存在未知或不能被可靠地计算相反)。
因此，在480分钟时段期间检测到20个睡眠呼吸暂停事件的情况下，其中的210分钟与一部分身体传感器数据(针对该部分数据，不可能准确检测到睡眠呼吸暂停的发生或不发生)相关联，则呼吸暂停低通气指数被计算为4.4。
图7图示了以图形方式表示的报告700的适当示例。报告提供了一个时间段内的睡眠呼吸暂停信息。
报告的点画(即虚线)部分指示检测到不存在睡眠呼吸暂停的时间。方形阴影部分指示检测到睡眠呼吸暂停存在的时间。水平阴影部分指示由于心律失常发生而不可能准确检测睡眠呼吸暂停的存在或不存在的时间。斜线阴影部分指示由于其它原因(例如，差的质量数据)而不可能可靠地检测睡眠呼吸暂停的存在或不存在的时间。
所示出的显示性质仅是示例性的、并且可以由用于区分各部分(例如颜色或其他图案)的任何其他合适的指示符来代替。
当然，在当检测到心律失常时使用第二睡眠呼吸暂停检测方法论的实施例中，可以由指示检测到睡眠呼吸暂停存在或不存在的时间的适当标记的部分来代替“水平阴影线”部分。这样的部分可以包括心房纤维性颤动发生的另外的指示符(例如，与其它部分相比，某种颜色或饱和度)。
在任何先前描述的实施例中，确定状况(诸如心律失常性心跳或睡眠呼吸暂停)的存在或不存在可以包括确定状况存在的概率。响应于所确定的概率超过预定阈值(例如50％或75％)，可以执行响应于确定状况的存在而执行的步骤。响应于所确定的概率低于预定阈值(例如低于50％等)，可以执行响应于确定不存在状况而执行的步骤。与所确定的状况存在的概率有关的信息可以被提供给用户，例如被包含在睡眠呼吸暂停信息中。
先前的实施例已描述了如何使用机器学习算法来处理数据，以生成或预测输出数据。具体地，机器学习算法可以被用于：处理身体传感器数据的一部分，来确定睡眠呼吸暂停或心律失常的存在或不存在；处理运动数据的一部分来确定运动伪影的存在或不存在；或者处理身体传感器数据的一部分来确定身体传感器数据的一部分的质量。
机器学习算法是处理输入数据以产生或预测输出数据的任何自训练算法。
在本发明中采用的合适的机器学习算法对于本领域技术人员来说是显而易见的。合适的机器学习算法的示例包括决策树算法和人工神经网络。诸如逻辑回归、支持向量机或自然贝叶斯模型的其它机器学习算法是合适的备选。
人工神经网络(或简单地，神经网络)的结构受到人脑的启发。神经网络包括多个层，每个层包括多个神经元。每个神经元包括数学运算。具体地，每个神经元可以包括单个类型的变换的不同加权组合(例如，具有不同权重的相同类型的变换S形变换等)。在处理输入数据的过程中，对输入数据执行每个神经元的数学运算来产生数值输出，并且神经网络中的每个层的输出被顺序地馈送到下一层。最后一层提供输出。
训练机器学习算法的方法是公知的。通常，这样的方法包括获取训练数据集、训练数据集包括训练输入数据条目和对应的训练输出数据条目。经初始化的机器学习算法被应用于每个输入数据条目来生成经预测的输出数据条目。经预测的输出数据条目和对应的训练输出数据条目之间的误差被用于修改机器学习算法。该过程可以被重复，直到误差收敛，并且经预测的输出数据条目与训练输出数据条目足够相似(例如±1％)。这通常被称为监督学习技术。
例如，在机器学习算法由神经网络形成的情况下，每个神经元的数学运算(的权重)可以被修改，直到误差收敛。修改神经网络的已知方法包括梯度下降、反向传播算法等。
使用机器学习方法可以包括从作为输入提供的数据中导出或提取一个或多个(统计)特征，并且处理所导出的特征来确定输出。
不同的机器学习方法可以使用相同输入数据的不同特征来生成它们的输出数据。如果机器学习方法旨在提供与输出数据相同的信息(例如，确定存在或不存在睡眠呼吸暂停)，则甚至可能是这种情况。
本发明的实施例提出根据所确定的心律失常的存在或不存在，使用不同的睡眠呼吸暂停检测方法论，例如使用不同数据集训练的机器学习算法。这可以包括使用不同的机器学习方法来处理身体传感器数据的一部分，以确定睡眠呼吸暂停的存在或不存在。
本领域技术人员将能够容易地开发用于执行本文中描述的任何方法的处理系统。因此，流程图的每个步骤可以表示由处理系统执行的不同动作，并且可以由处理系统的相应模块执行。
实施例因此可以利用处理系统。处理系统可以利用软件和/或硬件以多种方式实现为执行所需的各种功能。处理器是采用一个或多个微处理器的处理系统的一个示例，一个或多个微处理器可以使用软件(例如，微代码)而被编程为执行所需功能。然而，处理系统可以在采用或不采用处理器的情况下实现，并且还可以被实现为用以执行某些功能的专用硬件与用于执行其它功能的处理器(例如，一个或多个经编程微处理器及相关联电路)的组合。
可以在本公开的各种实施例中采用的处理系统组件的实例包括(但不限于)常规微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实现方式中，处理器或处理系统可以与诸如易失性和非易失性计算机存储器(诸如RAM、PROM、EPROM和EEPROM)的一个或多个存储介质相关联。存储介质可以利用一个或多个程序来编码，一个或多个程序在一个或多个处理器和/或处理系统上执行时，执行所需的功能。各种存储介质可以被固定在处理器或处理系统内，或者可以是可传送的，使得其上存储的一个或多个程序可以被加载到处理器或处理系统中。
应当理解，所公开的方法优选地是计算机实现的方法。这样，还提出了包括代码装置的计算机程序的概念，代码装置用于在所述程序在诸如计算机的处理系统上运行时实现任何所述方法。因此，根据一个实施例的计算机程序的代码的不同部分、行或块可以由处理系统或计算机执行来执行本文所述的任何方法。在一些备选实现方式中，(多个)框图或(多个)流程图中指出的功能可以不按附图中指出的顺序发生。例如，根据所涉及的功能，连续示出的两个框实际上可以基本上同时执行或者这些框有时可以以相反的顺序执行。
通过研究附图、公开内容和所附权利要求，本领域技术人员在实践所要求保护的本发明时可以理解和实现所公开实施例的变型。在权利要求中，词语“包括”不排除其他元素或步骤，并且不定冠词“一(a)”或“一个(an)”不排除多个。单个处理器或其它单元可以实现权利要求中所述的若干项的功能。在相互不同的从属权利要求中记载某些措施的事实并不表示不能有利地使用这些措施的组合。如果以上讨论了计算机程序，则它可以被存储/分布在适当的介质上，诸如与其他硬件一起提供或作为其他硬件的一部分提供的光存储介质或固态介质，但是也可以以其他形式分布，诸如经由因特网或其他有线或无线电信系统。如果在权利要求或说明书中使用术语“被适配用于”，则应注意，术语“被适配用于”旨在等同于术语“被配置为”。权利要求中的任何附图标记不应被解释为限制范围。

Claims (13)

1.一种用于生成与受试者有关的睡眠呼吸暂停信息的计算机实现的方法(400)，所述计算机实现的方法包括：
从监测所述受试者的至少一个身体传感器(321、322、323)，获取(401)身体传感器数据(490)的对睡眠呼吸暂停的发生和心律失常性心跳的发生做出响应的部分；
使用心律失常检测方法论来处理(402)所述身体传感器数据的所述部分，以确定所述身体传感器数据的所述部分指示存在还是不存在心律失常性心跳；
响应于确定(403)所述身体传感器数据的所述部分指示不存在心律失常性心跳，使用第一睡眠呼吸暂停检测方法论来处理(404)所述身体传感器数据的所述部分，从而生成睡眠呼吸暂停信息；以及
响应于确定(403)所述身体传感器数据的所述部分指示存在心律失常性心跳，使用不同的第二睡眠呼吸暂停检测方法论来处理(408)所述身体传感器数据的所述部分，从而生成睡眠呼吸暂停信息。
2.根据权利要求1所述的计算机实现的方法(400)，其中所述至少一个身体传感器(321、322、323)包括心电图ECG传感器、加速度计、脑电图EEG传感器、光学体积描记PPG传感器和/或相机。
3.根据权利要求1至2中任一项所述的计算机实现的方法(400)，还包括以下步骤：从监测所述受试者的运动的运动传感器，获取(501)在时间上与所述身体传感器数据的所述部分相对应的运动数据(590)的部分，
其中使用第一睡眠呼吸暂停检测方法论来处理所述身体传感器数据的所述部分的步骤包括：
使用运动伪影检测方法论，处理(502)所述运动数据的所述部分，以确定所述运动数据的所述部分指示存在还是不存在运动伪影；以及
响应于确定(503)所述运动数据的所述部分指示不存在运动伪影，使用睡眠呼吸暂停分类方法论来处理(504)所述身体传感器数据的对应部分，以生成如下的睡眠呼吸暂停信息，所述睡眠呼吸暂停信息指示所述身体传感器数据的所述部分指示发生还是不发生睡眠呼吸暂停。
4.根据权利要求3所述的计算机实现的方法，其中响应于确定(503)所述运动数据的所述部分指示存在运动伪影，生成(505)如下的睡眠呼吸暂停信息，所述睡眠呼吸暂停信息指示不能可靠地确定睡眠呼吸暂停的存在或不存在。
5.根据权利要求1至4中任一项所述的计算机实现的方法，包括以下步骤：从监测所述受试者的运动的运动传感器，获取在时间上与所述身体传感器数据的所述部分相对应的运动数据(496)的部分，
其中所述第一睡眠呼吸暂停检测方法论包括：使用睡眠呼吸暂停分类方法论来处理所述身体传感器数据的所述部分和所述运动数据的所述部分，以生成如下的睡眠呼吸暂停信息，所述睡眠呼吸暂停信息指示所述身体传感器数据的所述部分指示发生还是不发生睡眠呼吸暂停。
6.根据权利要求1至5中任一项所述的计算机实现的方法，包括获取所述受试者的受试者特性(495)的步骤，
其中使用第一睡眠呼吸暂停检测方法论来处理所述身体传感器数据的所述部分的步骤包括：使用所述第一睡眠呼吸暂停检测方法论来至少处理所述身体传感器数据的所述部分和所述受试者特性。
7.根据权利要求6所述的计算机实现的方法，其中所述受试者特性包括：所述受试者的身体或人口统计特性和/或所述受试者的患者病史。
8.根据权利要求1至7中任一项所述的计算机实现的方法，其中从监测所述受试者的至少一个身体传感器，获取(501)身体传感器数据的部分的步骤包括：
从所述至少一个身体传感器，获取原始传感器数据的部分；以及
使用低通滤波器来处理所述原始传感器数据的所述部分，以获取所述身体传感器数据的所述部分。
9.根据权利要求1至8中任一项所述的计算机实现的方法，其中所述心律失常检测方法论被适配用于检测心房纤维性颤动的存在或不存在。
10.根据权利要求1至9中任一项所述的计算机实现的方法，其中所述身体传感器数据包括心率变异性数据。
11.一种包括计算机程序代码的计算机程序产品，所述计算机程序代码在具有处理系统的计算设备上执行时，使得所述处理系统执行根据权利要求1至10中任一项所述的方法的所有步骤。
12.一种用于生成与受试者有关的睡眠呼吸暂停信息的睡眠呼吸暂停检测模块(310)，所述睡眠呼吸暂停检测模块被适配用于：
从监测所述受试者的至少一个身体传感器(321、322、323)，获取(401)身体传感器数据(490)的对睡眠呼吸暂停的发生和心律失常性心跳的发生做出响应的部分；
使用心律失常检测方法论来处理(402)所述身体传感器数据的所述部分，以确定所述身体传感器数据的所述部分指示存在还是不存在心律失常性心跳；
响应于确定(403)所述身体传感器数据的所述部分指示心律失常性心跳不存在，使用第一睡眠呼吸暂停检测方法论来处理(404)所述身体传感器数据的所述部分，从而生成睡眠呼吸暂停信息；以及
响应于确定(403)所述身体传感器数据的所述部分指示心律失常性心跳存在，使用不同的第二睡眠呼吸暂停检测方法论来处理(408)所述身体传感器数据的所述部分，从而生成睡眠呼吸暂停信息。
13.一种睡眠呼吸暂停检测系统(300)，包括：
根据权利要求12所述的睡眠呼吸暂停检测模块(310)；以及
一个或多个身体传感器(321、322、323)，被适配用于监测所述受试者、并且获取对睡眠呼吸暂停的发生和心律失常性心跳的发生做出响应的身体传感器数据。
CN202080089489.8A 2019-12-23 2020-12-17 心律失常性心跳弹性睡眠呼吸暂停检测 Pending CN114901128A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19219335.7A EP3841961A1 (en) 2019-12-23 2019-12-23 Arrhythmic heartbeat resilient sleep apnea detection
EP19219335.7 2019-12-23
PCT/EP2020/086742 WO2021130099A1 (en) 2019-12-23 2020-12-17 Arrhythmic heartbeat resilient sleep apnea detection

Publications (1)

Publication Number Publication Date
CN114901128A true CN114901128A (zh) 2022-08-12

Family

ID=69159518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080089489.8A Pending CN114901128A (zh) 2019-12-23 2020-12-17 心律失常性心跳弹性睡眠呼吸暂停检测

Country Status (5)

Country Link
US (1) US11813077B2 (zh)
EP (2) EP3841961A1 (zh)
JP (1) JP2023508145A (zh)
CN (1) CN114901128A (zh)
WO (1) WO2021130099A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113693608A (zh) * 2021-08-04 2021-11-26 福州大学至诚学院 一种基于云平台诊断睡眠障碍检测方法
DE102023106192A1 (de) * 2022-03-22 2023-09-28 Löwenstein Medical Technology S.A. Schlaf-/ Wacherkennung

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150057512A1 (en) * 2011-11-16 2015-02-26 Rijuven Corporation Wearable heart failure monitor patch
AU2014232694A1 (en) * 2013-03-15 2015-09-17 Peerbridge Health, Inc. System and method for monitoring and diagnosing patient condition based on wireless sensor monitoring data
US10055549B2 (en) * 2013-10-10 2018-08-21 Wireless Medical Monitoring, Inc. Method and apparatus for wireless health monitoring and emergent condition prediction
EP3267880B1 (en) * 2015-03-12 2018-11-14 Microbiomed S.R.L. Portable electronic device to process a signal acquired from a living body and method thereof
US10398381B1 (en) * 2015-11-19 2019-09-03 Fitbit, Inc. System and method for characterizing cardiac arrhythmia
EP3474739B1 (en) * 2016-06-22 2023-11-01 Koninklijke Philips N.V. A method and apparatus for determining respiratory information for a subject
US11475998B2 (en) * 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection

Also Published As

Publication number Publication date
EP4081101A1 (en) 2022-11-02
JP2023508145A (ja) 2023-03-01
WO2021130099A1 (en) 2021-07-01
US11813077B2 (en) 2023-11-14
US20210186416A1 (en) 2021-06-24
EP3841961A1 (en) 2021-06-30

Similar Documents

Publication Publication Date Title
JP7240789B2 (ja) 脳症／せん妄のスクリーニングおよびモニタリングのためのシステム
US20190133468A1 (en) Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device
Nikkonen et al. Automatic respiratory event scoring in obstructive sleep apnea using a long short-term memory neural network
US11922796B2 (en) Predicting critical alarms
US11813077B2 (en) Arrhythmic heartbeat resilient sleep apnea detection
JP2021048965A (ja) 特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラム
US20230263400A1 (en) System and method for filtering time-varying data for physiological signal prediction
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
EP3304365B1 (en) System for the detection and the early prediction of the approaching of exacerbations in patients suffering from chronic obstructive broncopneumaty
US20200229708A1 (en) Method and system for detection of atrial fibrillation
US20140276156A1 (en) Patient signal analysis and characterization
CN210494064U (zh) 一种动态心电、呼吸和运动监测设备
Yousefi et al. Atrial fibrillation detection from wrist photoplethysmography data using artificial neural networks
US20230404475A1 (en) System and method for analyzing brain activity
KR102645586B1 (ko) 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법
US20220189181A1 (en) Determining a relative cognitive capability of a subject
EP4298989A1 (en) System and method for determining a measure of a severity of sleep disordered breathing
JP7466548B2 (ja) 呼吸警報を発生させるための装置及びシステム
US20220183620A1 (en) Determining a sleep state of a user
KR20220129283A (ko) 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법
Parbat et al. Multiscale entropy analysis of single lead ECG and ECG derived respiration for AI based prediction of sleep apnea events
WO2023214957A1 (en) Machine learning models for estimating physiological biomarkers

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