CN115802938A - 用于检测rem行为障碍的系统和方法 - Google Patents
用于检测rem行为障碍的系统和方法 Download PDFInfo
- Publication number
- CN115802938A CN115802938A CN202180039291.3A CN202180039291A CN115802938A CN 115802938 A CN115802938 A CN 115802938A CN 202180039291 A CN202180039291 A CN 202180039291A CN 115802938 A CN115802938 A CN 115802938A
- Authority
- CN
- China
- Prior art keywords
- sleep
- individual
- during
- atypical
- rem
- 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
- 238000000034 method Methods 0.000 title claims abstract description 167
- 230000003542 behavioural effect Effects 0.000 title description 6
- 230000007958 sleep Effects 0.000 claims abstract description 602
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 claims abstract description 226
- 230000008667 sleep stage Effects 0.000 claims abstract description 97
- 230000004461 rapid eye movement Effects 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 230000033001 locomotion Effects 0.000 claims description 173
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 64
- 230000009471 action Effects 0.000 claims description 47
- 230000004044 response Effects 0.000 claims description 42
- 230000000694 effects Effects 0.000 claims description 32
- 230000000241 respiratory effect Effects 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004888 barrier function Effects 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 9
- 230000002618 waking effect Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000037007 arousal Effects 0.000 abstract description 34
- 238000002644 respiratory therapy Methods 0.000 description 83
- 230000000116 mitigating effect Effects 0.000 description 32
- 230000004622 sleep time Effects 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 23
- 208000010975 Dystrophic epidermolysis bullosa Diseases 0.000 description 20
- 208000004298 epidermolysis bullosa dystrophica Diseases 0.000 description 20
- 230000007246 mechanism Effects 0.000 description 20
- 229910052760 oxygen Inorganic materials 0.000 description 18
- 208000008784 apnea Diseases 0.000 description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 17
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 16
- 239000001301 oxygen Substances 0.000 description 16
- 239000012491 analyte Substances 0.000 description 15
- 230000036772 blood pressure Effects 0.000 description 15
- 208000035475 disorder Diseases 0.000 description 14
- 208000001797 obstructive sleep apnea Diseases 0.000 description 13
- 206010062519 Poor quality sleep Diseases 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000007774 longterm Effects 0.000 description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 206010021079 Hypopnoea Diseases 0.000 description 9
- 210000003414 extremity Anatomy 0.000 description 9
- 208000003417 Central Sleep Apnea Diseases 0.000 description 8
- 206010008501 Cheyne-Stokes respiration Diseases 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 210000003205 muscle Anatomy 0.000 description 8
- 230000000630 rising effect Effects 0.000 description 8
- 238000002560 therapeutic procedure Methods 0.000 description 8
- 206010041235 Snoring Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 208000018360 neuromuscular disease Diseases 0.000 description 6
- 201000002859 sleep apnea Diseases 0.000 description 6
- 230000002459 sustained effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 206010011224 Cough Diseases 0.000 description 5
- 208000005793 Restless legs syndrome Diseases 0.000 description 5
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 208000000122 hyperventilation Diseases 0.000 description 5
- 208000014674 injury Diseases 0.000 description 5
- 208000015122 neurodegenerative disease Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000019116 sleep disease Diseases 0.000 description 5
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 4
- 208000000059 Dyspnea Diseases 0.000 description 4
- 206010013975 Dyspnoeas Diseases 0.000 description 4
- 208000006673 asthma Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000005021 gait Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 206010022437 insomnia Diseases 0.000 description 4
- 230000003434 inspiratory effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 206010010904 Convulsion Diseases 0.000 description 3
- 206010020591 Hypercapnia Diseases 0.000 description 3
- 208000008589 Obesity Diseases 0.000 description 3
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 235000020824 obesity Nutrition 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 201000004193 respiratory failure Diseases 0.000 description 3
- 230000036387 respiratory rate Effects 0.000 description 3
- 208000022925 sleep disturbance Diseases 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 206010003497 Asphyxia Diseases 0.000 description 2
- 206010011469 Crying Diseases 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 208000020020 complex sleep apnea Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 201000006646 mixed sleep apnea Diseases 0.000 description 2
- 230000000414 obstructive effect Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 208000023515 periodic limb movement disease Diseases 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 231100000430 skin reaction Toxicity 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 210000000779 thoracic wall Anatomy 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 206010006100 Bradykinesia Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010067889 Dementia with Lewy bodies Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 241001417516 Haemulidae Species 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010021133 Hypoventilation Diseases 0.000 description 1
- 201000002832 Lewy body dementia Diseases 0.000 description 1
- 208000001705 Mouth breathing Diseases 0.000 description 1
- 208000001089 Multiple system atrophy Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 206010041009 Sleep talking Diseases 0.000 description 1
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 description 1
- 206010041347 Somnambulism Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000036757 core body temperature Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006392 deoxygenation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037765 diseases and disorders Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 208000001022 morbid obesity Diseases 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 230000007171 neuropathology Effects 0.000 description 1
- 230000008452 non REM sleep Effects 0.000 description 1
- 238000002496 oximetry Methods 0.000 description 1
- 238000009116 palliative therapy Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000010344 pupil dilation Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 210000003019 respiratory muscle Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 230000004620 sleep latency Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 206010041232 sneezing Diseases 0.000 description 1
- 210000001584 soft palate Anatomy 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- 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
- A61B5/4815—Sleep 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- 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
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Fuzzy Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Regulating Braking Force (AREA)
- Heat Treatment Of Steel (AREA)
- Liquid Developers In Electrophotography (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种用于监测个体的睡眠时段的方法,包括:接收与个体的当前睡眠时段相关联的数据;分析接收的数据的至少一部分以识别个体在当前睡眠时段期间经历的一个或多个睡眠阶段,所述一个或多个睡眠阶段包括轻度睡眠阶段、深度睡眠阶段、典型快速眼动(REM)阶段、非典型REM阶段、觉醒阶段、或它们的任何组合;以及生成当前睡眠时段的概要,所述概要包括:(i)、个体在当前睡眠时段期间经历的多个非典型REM睡眠阶段,(ii)、在当前睡眠时段期间在非典型REM睡眠阶段中花费的时间,或(iii)、(i)和(ii)两者。
Description
相关申请的交叉引用
本申请要求于2020年3月31日提交的美国临时专利申请No.63/003,240的权益和优先权,在此其全文通过引用并入本文。
技术领域
本发明总体上涉及用于检测快速眼动(REM)行为障碍的系统和方法,并且更具体地,涉及用于REM行为障碍的长期监测和梦境演绎行为的实时缓解的系统和方法。
背景技术
许多个体患有睡眠相关病症和/或呼吸相关病症,诸如失眠(例如,开始睡眠困难,在最初睡着后频繁或延长的醒来,以及不能返回睡眠的早期醒来)、周期性肢体运动障碍(PLMD)、阻塞性睡眠呼吸暂停(OSA)、潮式呼吸(CSR)、呼吸功能不全、肥胖症换气过度综合征(OHS)、慢性阻塞性肺病(COPD)、神经肌肉疾病(NMD)等。一种此类睡眠相关病症是快速眼动行为障碍,也称为REM行为障碍或RBD。RBD的特征在于在REM睡眠期间缺乏肌肉张力缺乏,并且在更严重的情况下,由个体在REM睡眠阶段期间产生运动和语音。RBD有时可以伴随有梦境演绎行为(DEB),其中个体表演他们可能具有的梦境,有时导致对他们自己或他们的伴侣的伤害。RBD通常是神经退行性病症的亚类的前体,例如帕金森病、路易体痴呆和多系统萎缩症。通常,RBD在睡眠实验室中通过多导睡眠图诊断。该过程可能是昂贵的,并且通常发生在疾病发展过程的晚期,此时缓解疗法难以采用和/或效果较差。可能难以在睡眠期间监测个体并准确地确定该个体是否患有RBD或DEB。因此,能够准确地检测和缓解RBD和DEB将是有利的。本发明涉及用于非侵入性筛选RBD的系统和方法,所述系统和方法可长期使用而对受试者几乎没有障碍,促进RBD和相关神经退行性病症的早期检测。
发明内容
根据本发明的一些实施方式,一种用于监测个体的睡眠时段的方法,该方法包括接收与该个体的当前睡眠时段相关联的数据;分析接收的数据的至少一部分以识别个体在当前睡眠时段期间经历的一个或多个睡眠阶段,一个或多个睡眠阶段包括轻度睡眠阶段、深度睡眠阶段、典型快速眼动(REM)阶段、非典型REM阶段、觉醒阶段、或它们的任何组合;以及生成当前睡眠时段的概要,概要包括(i)个体在当前睡眠时段期间经历的多个非典型REM睡眠阶段,(ii)在当前睡眠时段期间在非典型REM睡眠阶段中花费的时间,或(iii)(i)和(ii)两者。
根据本发明的一些实施方式,一种用于监测个体的睡眠时段的方法,该方法包括:接收与个体的睡眠时段相关联的数据;使用一个或多个训练的算法来识别个体在睡眠时段期间经历的一个或多个睡眠阶段,个体的一个或多个睡眠阶段包括轻度睡眠阶段、深度睡眠阶段、典型快速眼动(REM)睡眠阶段、非典型REM睡眠阶段、觉醒状态、或它们的任何组合;确定个体在睡眠时段期间经历的非典型REM睡眠阶段的总数;确定个体在睡眠时段期间经历非典型REM睡眠阶段的总时间量;并且响应于(i)所述非典型REM睡眠阶段的总数满足第一阈值,致使执行动作,(ii)所述总时间量满足第二阈值,致使执行该动作,或(iii)(i)和(ii)两者。
根据本发明的一些实施方式,一种用于监测个体的睡眠时段的方法,该方法包括至少部分地基于与个体的多个先前睡眠时段相关联的历史生理数据来确定与该个体在多个先前睡眠时段期间所经历的非典型快速眼动(REM)睡眠阶段的严重性相关联的历史睡眠参数的值;接收与个体的当前睡眠时段相关联的当前生理数据;在当前睡眠时段期间确定与个体在当前睡眠时段期间经历的一个或多个非典型REM睡眠阶段的严重性相关联的当前睡眠参数的值;将历史参数的值与当前参数的值进行比较;以及响应于比较指示个体在当前睡眠时段期间经历的一个或多个非典型REM睡眠阶段中的至少一个的严重性大于个体经历的非典型REM睡眠阶段的历史严重性,致使执行动作。
根据本发明的一些实施方式,一种用于监测个体的睡眠时段的方法,该方法包括接收与个体的当前睡眠时段相关联的数据,接收的数据包括(i)呼吸数据,(ii)指示个体在当前睡眠时段期间的运动的运动数据,(iii)指示在当前睡眠时段期间检测的声音的音频数据,(iv)指示个体在睡眠时段期间所处的区域中的光的光学数据,或(v)其任何组合;将接收的数据的至少一部分输入到训练的梦境演绎行为(DEB)算法中以确定个体在当前睡眠时段期间是否正在经历DEB;以及响应于确定个体正在经历DEB,致使执行动作以(i)帮助结束DEB,(ii)帮助缓解DEB对个体的影响,(iii)帮助缓解DEB对个体的床伴的影响,或(iv)其任何组合。
以上概述并不旨在表示本发明的每个实施或每个方面。本发明的附加特征和益处从以下阐述的详细描述和附图中显而易见。
附图说明
图1是根据本发明的一些实施方式的用于监测睡眠时段的系统的功能框图;
图2是根据本发明的一些实施方式的图1的系统、系统的用户和用户的床伴的透视图;
图3示出了根据本发明的一些实施方式的睡眠时段的示例性时间线;
图4示出了根据本发明的一些实施方式的与图3的睡眠时段相关联的示例性睡眠图。
图5是根据本发明的一些实施方式的用于监测睡眠时段的第一算法的功能框图;
图6是根据本发明的一些实施方式的用于监测睡眠时段的第二算法的功能框图;
图7A是根据本发明的一些实施方式的在睡眠时段期间仅经历典型的快速眼动睡眠阶段的用户的睡眠图;
图7B是根据本发明的一些实施方式的在睡眠时段期间经历典型快速眼动睡眠阶段和非典型快速眼动睡眠阶段行为的用户的睡眠图;
图7C是根据本发明的一些实施方式的在睡眠时段期间经历典型快速眼动睡眠阶段、非典型快速眼动睡眠阶段和梦境演绎行为的用户的睡眠图;
图8是根据本发明的一些实施方式的用于监测睡眠时段的第一方法的处理流程图;
图9是根据本发明的一些实施方式的用于监测睡眠时段的第二方法的处理流程图;
图10是根据本发明的一些实施方式的用于监测睡眠时段的第三方法的处理流程图;并且
图11是根据本发明的一些实施方式的用于监测睡眠时段的第四方法的处理流程图。
虽然本发明容许各种修改和替代形式,但其特定实施方式和实施例已通过附图中的示例示出并将在此详细描述。然而,应当理解,这并不旨在将本发明限制为所公开的特定形式,而是相反,本发明将覆盖落入由所附权利要求限定的本发明的精神和范围内的所有修改、等同物和替换物。
具体实施方式
许多个体患有睡眠相关和/或呼吸相关病症。睡眠相关和/或呼吸相关病症的实例包括周期性肢体运动障碍(PLMD)、不宁腿综合征(RLS)、睡眠障碍呼吸(SDB)、阻塞性睡眠呼吸暂停(OSA)、中枢性睡眠呼吸暂停(CSA)、其它类型的呼吸暂停、潮式呼吸(CSR)、呼吸功能不全、肥胖症换气过度综合征(OHS)、慢性阻塞性肺病(COPD)、神经肌肉疾病(NMD)、胸壁病症和快速眼动(REM)行为障碍,也称为RBD。
阻塞性睡眠呼吸暂停(OSA)是睡眠呼吸障碍(SDB)的一种形式,其特征在于包括睡眠期间由异常小的上气道和舌、软腭和后口咽壁区域中的正常肌肉张力丧失的组合引起的上气道的堵塞或阻塞的事件。
中枢性睡眠呼吸暂停(CSA)是当大脑暂时停止向控制呼吸的肌肉发送信号时产生的另一种形式的SDB。更一般地,呼吸暂停一般是指由空气阻塞或呼吸功能停止引起的呼吸停止。通常,在阻塞性睡眠呼吸暂停事件期间,个体将停止呼吸约15秒到约30秒。混合睡眠呼吸暂停是另一种形式的SDB,它是OSA和CSA的组合。
其它类型的呼吸暂停包括呼吸不足、呼吸过度和高碳酸血症。呼吸不足的特征通常在于由狭窄气道引起的缓慢或浅呼吸,而不是阻塞气道。呼吸过度通常以呼吸的深度和/或速率的增加为特征。高碳酸血症的特征通常在于血流中二氧化碳过量为特征,通常由呼吸不足引起。
潮式呼吸(CSR)是另一种形式的SDB。CSR是患者呼吸控制器的病症,其中存在称为CSR周期的有规律的交替的通气盈亏周期。CSR的特征在于动脉血的重复脱氧和再氧合。
肥胖换气过度综合征(OHS)定义为严重肥胖和清醒慢性高碳酸血症的组合,不存在换气不足的其它已知原因。症状包括呼吸困难、早晨头痛和白天过度嗜睡。
慢性阻塞性肺病(COPD)包括具有特定共同特征的下气道疾病组中的任一种,例如对空气运动的阻力增加,呼吸的呼气阶段延长和肺的正常弹性丧失。
神经肌肉疾病(NMD)包括直接通过内在肌肉病理学或间接通过神经病理学损害肌肉功能的许多疾病和疾病。胸壁疾病是一组胸部畸形,其导致呼吸肌和胸腔之间的低效耦合。
这些和其它病症的特征在于当个体睡眠时发生的特定事件(例如打鼾、呼吸暂停、呼吸不足、不宁腿、睡眠障碍、窒息、心率增加、呼吸困难、哮喘发作、癫痫发作、癫痫发作、或它们的任何组合)。
呼吸暂停低通气指数(AHI)是用于指示睡眠期间睡眠呼吸暂停严重性的指数。用户在睡眠时段期间经历的呼吸暂停和/或呼吸不足事件的数量除以睡眠时段中睡眠的总小时数来计算AHI。该事件可以是例如持续至少10秒的呼吸暂停。小于5的AHI被认为是正常的。大于或等于5但小于15的AHI被认为是轻度睡眠呼吸暂停的指示。大于或等于15但小于30的AHI被认为是中度睡眠呼吸暂停的指示。大于或等于30的AHI被认为是严重睡眠呼吸暂停的指示。在儿童中,大于1的AHI被认为是异常的。当AHI正常时,或当AHI正常或轻度时,睡眠呼吸暂停可被认为是“受控的”。AHI还可以与氧去饱和水平结合使用以指示阻塞性睡眠呼吸暂停的严重程度。
RBD是以REM睡眠期间的运动模式和发声为特征的障碍。当个体睡眠时,个体经历各种不同的睡眠阶段,其可包括轻度睡眠阶段(阶段N1和N2),深度睡眠阶段(阶段N3)和REM睡眠阶段。通常,REM睡眠阶段的特征在于快速眼动,以及肌肉张力缺乏,例如肌肉麻痹。然而,患有RBD的个体通常表现出肌肉张力缺乏,并且在REM睡眠阶段经历各种运动模式。这些运动模式可以包括原始运动,例如头、颈、躯干、臂、腿、手、脚等的急动运动。运动模式也可以是更复杂和有目的的运动,例如手势、指点、冲、踢等。
患有RBD的个体还可以在非典型REM睡眠阶段期间表现出各种类型的发声,例如语音(例如,睡眠说话)、静音(可理解的或不可理解的)、哭泣或其他类型的非语音。此外,患有RBD的那些人可发展为在非典型REM睡眠阶段期间展现梦境演绎行为(DEB)。当个体经历DEB时,运动和发声会以表演个体可能正在做的任何梦的形式出现。如本文所用,RBD是以非典型REM睡眠阶段为特征的睡眠相关病症。当具有RBD的人经历非典型REM睡眠阶段时,该人通常比没有RBD的人表现出更多的运动和发声。在一些实例中,患有RBD的那些患者的非典型REM睡眠阶段进一步包括DEB。然而,并不是所有非典型REM睡眠阶段都以DEB为特征,并且并不是所有患有RBD的患者都经历DEB。
参考图1,示出了根据本发明的一些实施方式的系统100。系统100用于在睡眠时段期间监测用户,以便确定用户是否正在经历RBD。通常,系统100被配置为确定用户何时正经历不同于典型REM睡眠阶段的REM睡眠阶段,例如,以运动和/或发声为特征。在患有RBD的用户中发生的这些REM睡眠阶段被称为非典型REM睡眠阶段。系统100包括控制系统110、存储器设备114、电子接口119、一个或多个传感器130、一个或多个外部设备170和DEB缓解系统184。在一些实施方式中,系统100进一步包括呼吸治疗系统120(其包括呼吸治疗设备122)、血压设备180、活动跟踪器182或其任意组合。
控制系统110包括一个或多个处理器112(以下称为处理器112)。控制系统110通常用于控制系统100的各种部件和/或分析由系统100的部件获得和/或产生的数据。处理器112可以是通用或专用处理器或微处理器。虽然在图1中示出了一个处理器112。控制系统110可以包括任何合适数量的处理器(例如,一个处理器、两个处理器、五个处理器、十个处理器等),这些处理器可以在单个外壳中,或者彼此远离地定位。控制系统110(或任何其它控制系统)或控制系统110的一部分,例如处理器112(或任何其它处理器或任何其它控制系统的一部分),可用于执行本文所述和/或要求保护的任何方法的一个或多个步骤。控制系统110可以联接到和/或定位在例如外部设备170的外壳内,和/或一个或多个传感器130的外壳内。控制系统110可以是集中式的(在一个这样的外壳内)或分散式的(在物理上不同的两个或多个这样的外壳内)。在包括包含控制系统110的两个或更多外壳的这种实施方式中,这种外壳可以彼此靠近地和/或远离地定位。
存储器设备114存储可由控制系统110的处理器112执行的机器可读指令。存储器设备114可以是任何合适的计算机可读存储设备或媒体,例如随机或串行存取存储器设备、硬盘驱动器、固态驱动器、快闪存储器设备等。而存储器设备114如图1所示,系统100可包括任何合适数量的存储器设备114(例如,一个存储器设备、两个存储器设备、五个存储器设备、十个存储器设备等)。存储器设备114可以联接到和/或定位在呼吸治疗系统120的呼吸治疗设备122的外壳内,外部设备170的外壳内,一个或多个传感器130的外壳内,或它们的任何组合。类似于控制系统110,存储器设备114可以是集中式的(在一个这样的外壳内)或分散式的(在物理上不同的两个或多个这样的外壳内)。
在一些实施方式中,存储器设备114(图1)存储与用户相关联的用户简档。用户简档可包括例如与用户相关联的人口统计信息,与用户相关联的生物统计信息,与用户相关联的医疗信息,自报告用户反馈,与用户相关联的睡眠参数(例如,从一个或多个较早睡眠时段记录的睡眠相关参数)、或它们的任何组合。人口统计信息可以包括例如指示用户年龄、用户性别、用户种族、家族病史(例如失眠或睡眠呼吸暂停的家族史)、用户就业状况、用户教育状况、用户社会经济状况、或它们的任何组合的信息。医疗信息可包括例如指示与用户相关联的一个或多个医疗状况、用户的药物使用或两者的信息。医疗信息数据还可以包括多睡眠潜伏期测试(MSLT)结果或分数和/或匹兹堡睡眠质量指数(PSQI)分数或值。自我报告的用户反馈可包括指示自我报告的主观睡眠评分(例如,差、平均、优秀),用户的自我报告的主观压力水平,用户的自我报告的主观疲劳水平,用户的自我报告的主观健康状态,用户最近经历的生活事件、或它们的任何组合的信息。
电子接口119被配置为从一个或多个传感器130接收数据(例如,生理数据和/或声学数据),使得数据可以被存储在存储器设备114中和/或由控制系统110的处理器112分析。电子接口119可以使用有线连接或无线连接(例如,使用RF通信协议、wifi通信协议、蓝牙通信协议、IR通信协议,通过蜂窝网络,通过任何其他光通信协议等)与一个或多个传感器130通信。电子接口119可包括天线、接收器(例如,RF接收器)、发射器(例如,RF发射器)、收发器、或它们的任何组合。电子接口119还可以包括一个以上处理器和/或一个以上存储器设备,其与此处描述的处理器112和存储器设备114相同或类似。在一些实施中,电子接口119联接到外部设备170或集成在外部设备170中。在其它实施中,电子接口119联接到控制系统110和/或存储器设备114或与控制系统110和/或存储器设备114集成(例如,在外壳中)。
如上所述,在一些实施中,系统100可选地包括呼吸治疗系统120(也称为呼吸压力治疗系统)。呼吸治疗系统120可以包括呼吸治疗设备122(也称为呼吸压力治疗设备)、用户接口124、导管126(也称为管或空气回路)、显示设备128、加湿罐129或其任意组合。在一些实施方式中,控制系统110、存储器设备114、显示设备128、传感器130中的一个或多个以及加湿罐129是呼吸治疗设备122的一部分。呼吸压力治疗是指以受控的目标压力将空气供应到用户气道的入口的应用,所述受控的目标压力在整个用户的呼吸循环中相对于大气名义上是正的(例如,与诸如罐式呼吸机或胸甲的负压治疗相反)。呼吸治疗系统120通常用于治疗患有一种或多种睡眠相关呼吸障碍(例如,阻塞性睡眠呼吸暂停、中枢性睡眠呼吸暂停或混合性睡眠呼吸暂停)、其它呼吸障碍(例如COPD)或导致呼吸功能不全的其它障碍的个体,所述呼吸功能不全可在睡眠或觉醒期间显现。
呼吸治疗设备122通常用于产生输送到用户的加压空气(例如,使用驱动一个或多个压缩机的一个或多个马达)。在一些实施方式中,呼吸治疗设备122产生连续恒定的空气压力,该空气压力被递送至用户。在其他实施方式中,呼吸治疗设备122产生两个或多个预定压力(例如,第一预定空气压力和第二预定空气压力)。在其他实施方式中,呼吸治疗设备122被配置为在预定范围内产生多种不同的空气压力。例如,呼吸治疗设备122可以输送至少大约6cmH2O,至少大约10cmH2O,至少大约20cmH2O,大约6cmH2O和大约10cmH2O之间,大约7cmH2O和大约12cmH2O之间等。呼吸治疗设备122还可以以例如大约-20L/min和大约150L/min之间的预定流量输送加压空气,同时保持正压(相对于环境压力)。在一些实施方式中,控制系统110、存储器设备114、电子接口119、或它们的任何组合可以联接到呼吸治疗设备122的壳体上和/或定位在该壳体内。
用户接口124接合用户面部的一部分,并将加压空气从呼吸治疗设备122输送到用户的气道,以帮助防止气道在睡眠期间变窄和/或塌陷。这也可以增加用户在睡眠期间的氧气摄入。根据要施加的治疗,用户接口124可以例如与用户面部的区域或部分形成密封,以便于在与环境压力有足够变化的压力下,例如在相对于环境压力约10cmH2O的正压力下输送气体以实现治疗。对于其它形式的治疗,例如氧气的输送,用户接口可以不包括足以促进在大约10cmH2O的正压力下将气体供应输送至气道的密封件。
在一些实施方式中,用户接口124是或包括覆盖用户的鼻子和嘴的面罩(例如,如图1所示)。2).或者,用户接口124是或包括向用户鼻子提供空气的鼻罩或将空气直接输送到用户鼻孔的鼻枕罩。用户接口124可以包括带部件,该带部件具有用于将用户接口124定位和/或稳定在用户的期望位置(例如,面部)上的用户接口124的一部分上的多个带(例如,包括钩子和环紧固件),以及有助于在用户接口124与用户之间提供气密密封的保形垫(例如,硅酮、塑料、泡沫等)。用户接口124还可以包括一个或多个通风口125,用于允许用户呼出的二氧化碳和其它气体逸出。在其他实施方式中,用户接口124包括嘴件(例如,模制为符合用户牙齿的夜用防护嘴件、下颌复位设备等)。
导管126允许空气在呼吸治疗系统120的两个部件之间流动,例如在呼吸治疗设备122和用户接口124之间流动。在一些实施方式中,可以有用于吸入和呼出的导管的分开的分支。在其它实施方式中,单个分支导管用于吸入和呼出。通常,呼吸治疗系统120形成在呼吸治疗设备122的马达和用户和/或用户的气道之间延伸的空气通路。因此,空气通路通常至少包括呼吸治疗设备122的马达、用户接口124和导管126。
呼吸治疗设备122、用户接口124、导管126、显示设备128和加湿罐129中的一个或多个可以包含一个或多个传感器(例如,压力传感器、流量传感器、或更一般地在此描述的任何其他传感器130)。这些一个或多个传感器可用于例如测量由呼吸治疗设备122供应的加压空气的空气压力和/或流量。
显示设备128通常用于显示包括静止图像、视频图像或两者的图像和/或关于呼吸治疗设备122的信息。例如,显示设备128可以提供关于呼吸治疗设备122的状态的信息(例如,呼吸治疗设备122是否开/关、由呼吸治疗设备122递送的空气的压力、由呼吸治疗设备122递送的空气的温度等)和/或其他信息(例如,睡眠得分或治疗得分(也称为myAirTM得分,诸如在WO 2016/061629中所描述的,通过引用整体并入本文)、当前日期/时间、用户的个体信息等)。在一些实施方式中,显示设备128充当包括图形用户接口(GUI)的人机接口(HMI),该图形用户接口被配置为将图像显示为输入接口。显示设备128可以是LED显示器、OLED显示器、LCD显示器等。输入接口可以是例如触摸屏或触敏基板、鼠标、键盘或被配置成感测由与呼吸治疗设备122交互的人类用户做出的输入的任何传感器系统。
加湿罐129联接到呼吸治疗设备122上或集成在呼吸治疗设备122中,并包括可用于加湿从呼吸治疗设备122输送的加压空气的储水器。呼吸治疗设备122可以包括加热器以加热加湿罐129中的水以加湿提供给用户的加压空气。另外,在一些实施方式中,导管126还可以包括加热元件(例如,联接至和/或嵌入在导管126中),该加热元件加热递送至用户的加压空气。在其他实施方式中,呼吸治疗设备122或导管126可以包括无水加湿器。无水加湿器可包括与位于系统100中别处的其它传感器接口的传感器。
呼吸治疗系统120可用作例如呼吸机或气道正压通气(PAP)系统,例如持续气道正压通气(CPAP)系统、自动气道正压通气系统(APAP)、双水平或可变气道正压通气系统(BPAP或VPAP)或其任意组合。CPAP系统将预定气压(例如,由睡眠医师确定的)输送给用户。APAP系统至少部分地基于例如与用户相关联的呼吸数据自动地改变输送给用户的气压。BPAP或VPAP系统被配置成递送第一预定压力(例如,吸气气道正压或IPAP)和低于第一预定压力的第二预定压力(例如,呼气气道正压或EPAP)。
DEB缓解系统184被配置成执行有助于缓解用户在睡眠时段期间经历的任何DEB的动作。DEB缓解系统184可以包括警报器186、灯188、床调节机构190、物理接触机构192、屏障194、或它们的任何组合。DEB的发作常常包括可能伤害用户或用户的床伴的突然和潜在的猛烈运动。而且,甚至特定发声也会对用户造成伤害,例如在高音量下的发音。DEB缓解系统184可以唤醒用户以停止DEB发作,或者可以采取其他动作以缓解DEB对用户或他们的床伴的影响。如图1所示,DEB缓解系统184包括可以缓解或结束DEB发作的各种不同设备或部件。
警报器186是被配置为唤醒用户或中断用户的睡眠以降低DEB的严重性的任何可听噪声。警报器186可以在独立的闹钟、扬声器(例如互联网连接的智能扬声器)上,在外部设备170(其可以是诸如移动电话或平板电脑的移动设备)上,或任何其他合适的设备上实现。警报器186可以产生类似警报的噪声(例如,振铃噪声、警笛噪声等),但也可经配置以播放音乐、自然声音、口述单词或其它抚慰声音。通常,警报器186具有足以从睡眠时段中唤醒用户的音量级,但是在一些实施方式中,可以选择警报器186的音量级,使得当警报器186被激活时,用户退出非典型REM睡眠并进入其他睡眠阶段之一。
灯188被配置为激活并使用户醒来,或使用户退出非典型REM睡眠阶段。灯188可以是外部设备170上的灯(例如,用户电话上的手电筒或显示设备172本身)、用户卧室中的独立灯(例如,天花板灯或台灯),或者可以是包括警报器186的独立闹钟上的灯。
床调节机构190被配置成调节用户的床或用户的床的一部分,以便唤醒用户,停止用户的DEB。在一些实施方式中,床调节机构190被配置成当被激活时振动用户的床或用户的床的一部分。这种振动可以利用用户所睡觉的床的振动或按摩功能来实现。在其它实施方式中,振动可以通过用户在睡眠时段期间躺在其上的振动垫或其它设备来实现。在其它实施方式中,床调节机构190包括能够使用户的床倾斜或下降的马达或其它类似设备。当床调整机构190被激活时,床的物理移动使用户醒来,或足够中断睡眠时段,使得用户退出非典型REM睡眠阶段,从而结束DEB。
物理接触机构192可以是物理接触用户的任何机构。物理接触机构192可用于通过唤醒用户或使用户退出非典型REM睡眠阶段来结束或缓解用户的DEB。例如,物理接触机构192可以是当被激活时接触用户的某种类型的致动器。物理接触机构192还可以是风扇,其被配置为将空气吹到用户上以帮助唤醒用户,或者将睡眠时段中断到足够的程度,使得用户退出非典型REM睡眠阶段,从而结束DEB。
在一些实施方式中,物理接触机构192附加地或替代地用于在用户正经历DEB时物理地防止来自用户或用户的床伴的伤害。在一个示例中,物理接触机构192是在用户的至少一部分上和/或围绕用户的至少一部分延伸的带。当系统100检测到正在发生DEB时,可以拉紧带。位于用户手臂上的带可以防止用户的手臂移动或冲破,并可能撞击用户的床伴或其它实体,例如床架或床边桌。带也可以放置在用户的腿上,以防止用户踢到用户的床伴或其它物体。带的拉紧也可以用用户的床单或毯子来实现。通常,用户将睡在床单和/或毯子下面。床单和/或毯子可连接到可使床单和/或毯子围绕用户绷紧的设备(例如马达),这可防止用户冲破或踢,并伤害他们自己或他们的床伴。
最后,可以激活屏障194,以便为用户和用户的床伴之一或两者提供保护。在一些实施方式中,屏障194被定位在用户与床伴之间,并且当检测到DEB时,屏障194被移动到被设计成防止用户意外撞击床伴的位置。在一些实施方式中,该位置是升高的位置,使得屏障194将用户与用户的床伴分开。屏障194(或附加屏障194)也可放置在用户和床的侧面之间,这可用于防止用户撞击床边桌子,或甚至从床上掉下。
通常,系统100可以包括DEB缓解系统184的所示部件中的任何一个或多个。DEB缓解系统184还可以附加地或替代地包括其他部件。在任何实施方式中,DEB缓解系统184可以例如通过唤醒用户或使用户退出非典型REM睡眠阶段来帮助结束DEB。DEB缓解系统184还可用于缓解DEB对用户和/或用户的床伴的影响,例如通过减少用户的移动或完全防止用户移动,或通过向用户和/或用户的床伴提供一定程度的物理保护。
参考图2,根据一些实施方式,示出了系统100(图1)的一部分。呼吸治疗系统120的用户210和床伴220位于床230中并躺在床垫232上。用户接口124(例如,完整的面罩)可以由用户210在睡眠时段期间佩戴。用户接口124经由导管126流体联接和/或连接到呼吸治疗设备122。呼吸治疗设备122又经由导管126和用户接口124向用户210递送加压空气,以增加用户210的喉部中的空气压力,从而帮助防止气道在睡眠期间闭合和/或变窄。呼吸治疗设备122可以包括显示设备128,其可以允许用户与呼吸治疗设备122交互。呼吸治疗设备122还可以包括加湿罐129,其存储用于加湿加压空气的水。呼吸治疗设备122可定位在直接邻近床230的床头柜240上,如图2所示,或者更一般地,在通常邻近床230和/或用户210的任何表面或结构上。当躺在床230中的床垫232上时,用户还可以佩戴血压设备180和活动跟踪器182。
闹钟234和台灯238也位于床头柜240上。闹钟234可用于实现DEB缓解系统184(图1)的警报器186和灯188的之一或两者。DEB缓解系统184的灯188可以附加地或替代地使用台灯238来实现。图2还示出了放置在用户上方的带236。带236可用作DEB缓解系统184的物理接触机构192。所示的带236放置在用户210的躯干上,但也可以放置在用户210的手臂或腿上。
图2示出了具有呼吸治疗系统120和DEB缓解系统184的部件的系统100。然而,在一些实施方式中,用户210可以使用DEB缓解系统184而不使用呼吸治疗系统120。例如,用户210可能不会遭受任何需要使用呼吸治疗系统120的睡眠相关和/或呼吸相关疾病(例如OSA)。然而,用户210仍可能遭受RBD,在这种情况下,可以利用DEB缓解系统184的部件。
再次参考图1,系统100的一个或多个传感器130包括压力传感器132、流量传感器134、温度传感器136、运动传感器138、麦克风140、扬声器142、射频(RF)接收器146、RF发射器148、相机150、红外(IR)传感器152、光电容积图(PPG)传感器154、心电图(ECG)传感器156、脑电图(EEG)传感器158、电容传感器160、力传感器162、应变计传感器164、肌电图(EMG)传感器166、氧气传感器168、分析物传感器174、湿度传感器176、光检测和测距(激光雷达)传感器178、或它们的任何组合。通常,一个或多个传感器130中的每一个被配置为输出被接收并存储在存储器设备114或一个或多个其它存储器设备中的传感器数据。传感器130还可以包括眼电图(EOG)传感器、外围氧饱和度(SpO2)传感器、皮肤电反应(GSR)传感器、二氧化碳(CO2)传感器或其任意组合。
尽管一个或多个传感器130被示出和描述为包括压力传感器132、流率传感器134、温度传感器136、运动传感器138、麦克风140、扬声器142、RF接收器146、RF发射器148、相机150、IR传感器152、PPG传感器154、ECG传感器156、EEG传感器158、电容传感器160、力传感器162、应变计传感器164、EMG传感器166、氧传感器168、分析物传感器174、湿度传感器176和激光雷达传感器178中的每一个,更一般地,一个或多个传感器130可以包括本文描述和/或示出的传感器中的每一个的任何组合和任何数量。
一个或多个传感器130可用于生成例如与呼吸治疗系统120的用户(例如图2的用户210)、呼吸治疗系统120、用户和呼吸治疗系统120或其他实体、对象、活动等相关联的生理数据、声学数据或二者。控制系统110可以使用由一个或多个传感器130生成的生理数据来确定在睡眠时段期间与用户相关联的睡眠-觉醒信号和一个或多个睡眠相关参数。睡眠-觉醒信号可以指示一个或多个睡眠阶段和/或睡眠状态(其在本文中可以互换使用),包括睡眠、觉醒、放松的觉醒、微醒来、或不同的睡眠阶段,例如快速眼动(REM)阶段(其可以包括典型的REM阶段和非典型的REM阶段),第一非REM阶段(通常称为“N1”),第二非REM阶段(通常称为“N2”),第三非REM阶段(通常称为“N3”),或它们的任何组合。在例如WO2014/047310,US2014/0088373,WO2017/132726,WO2019/122413和WO2019/122414中描述了用于根据由一个或多个传感器(例如传感器130)生成的生理数据来确定睡眠阶段和/或睡眠状态的方法,以及用于确定睡眠阶段和/或睡眠状态的训练算法的方法,这些专利中的每一个通过引用其全文结合在此。
睡眠-觉醒信号还可被标上时间戳以指示用户进入床的时间,用户离开床的时间,用户试图入睡的时间等。睡眠-觉醒信号可在睡眠时段期间以预定采样速率(例如,每秒一个样本、每30秒一个样本、每分钟一个样本)测量传感器130中的一个或多个。可以在睡眠时段期间至少部分地基于睡眠-觉醒信号为用户确定的一个或多个睡眠相关参数的示例包括床上总时间、总睡眠时间、总觉醒时间、睡眠开始等待时间、睡眠开始后觉醒参数、睡眠效率、分段指数、入睡时间量、呼吸速率的一致性、入睡时间、觉醒时间、睡眠干扰速率、移动次数、或它们的任何组合。
由一个或多个传感器130产生的生理数据和/或声学数据也可用于确定在睡眠时段期间与用户相关联的呼吸信号。呼吸信号通常表示用户在睡眠时段期间的呼吸。呼吸信号可以指示例如呼吸速率、呼吸速率变异性、吸气幅度、呼气幅度、吸气-呼气幅度比、吸气-呼气持续时间比、每小时的事件数量、事件模式、呼吸治疗设备122的压力设置、或它们的任何组合。事件可以包括打鼾、呼吸暂停、中枢性呼吸暂停、阻塞性呼吸暂停、混合性呼吸暂停、呼吸不足、面罩泄漏(例如,来自用户接口124)、不宁腿、睡眠障碍、窒息、心率增加、心率变化、呼吸困难、哮喘发作、癫痫发作、癫痫发作、发烧、咳嗽、打喷嚏、打鼾、气喘,诸如普通感冒或流感的疾病的存在,压力水平升高等。
压力传感器132输出可以存储在存储器设备114中和/或由控制系统110的处理器112分析的压力数据。在一些实施方式中,压力传感器132是产生指示呼吸治疗系统120的用户的呼吸(例如,吸气和/或呼气)和/或环境压力的传感器数据的空气压力传感器(例如,大气压力传感器)。在这种实施方式中,压力传感器132可以联接到呼吸治疗设备122或集成在呼吸治疗设备122中。压力传感器132可以是,例如,电容传感器、电磁传感器、电感传感器、电阻传感器、压电传感器、应变片传感器、光学传感器、电位传感器或其任意组合。在一个示例中,压力传感器132可用于确定用户的血压。
流量传感器134输出可以存储在存储器设备114中和/或由控制系统110的处理器112分析的流量数据。在一些实施方式中,流量传感器134用于确定来自呼吸治疗设备122的空气流量,通过导管126的空气流量,通过用户接口124的空气流量、或它们的任何组合。在这样的实施方式中,流量传感器134可以联接到呼吸治疗设备122、用户接口124或导管126或集成在其中。流量传感器134可以是质量流量传感器,例如旋转流量计(例如霍尔效应流量计)、涡轮流量计、孔口流量计、超声流量计、热线传感器、涡流传感器、膜传感器、或它们的任何组合。
温度传感器136输出可以存储在存储器设备114中和/或由控制系统110的处理器112分析的温度数据。在一些实施方式中,温度传感器136生成指示用户的核心体温、用户的皮肤温度,从呼吸治疗设备122和/或通过导管126流动的空气的温度、用户接口124中的温度、环境温度、或它们的任何组合的温度数据。温度传感器136可以是例如热电偶传感器、热敏电阻传感器、硅带隙温度传感器或基于半导体的传感器、电阻温度检测器、或它们的任何组合。
运动传感器138输出可以存储在存储器设备114中和/或由控制系统110的处理器112分析的运动数据。运动传感器138可用于检测用户在睡眠时段期间的运动,和/或检测呼吸治疗系统120的任何部件(诸如呼吸治疗设备122、用户接口124或导管126)的运动。运动传感器138可以包括一个或多个惯性传感器,例如加速计、陀螺仪和磁力计。运动传感器138可用于检测与动脉脉搏相关联的运动或加速度,例如在用户面部中或面部周围并且接近用户接口124的脉搏,并且被配置为检测脉搏形状、速度、幅度或音量的特征。
麦克风140输出可以存储在存储器设备114中和/或由控制系统110的处理器112分析的声学数据。由麦克风140产生的声学数据可再现为睡眠时段期间的一个或多个声音(例如,来自用户的声音)以确定(例如,使用控制系统110)一个或多个睡眠相关参数,如本文中进一步详细描述的。来自麦克风140的声学数据还可用于识别(例如,使用控制系统110)用户在睡眠时段期间经历的事件,如本文中进一步详细描述的。在其他实施方式中,来自麦克风140的声学数据表示与呼吸治疗系统120相关联的噪声。麦克风140通常可以以任何配置联接到或集成在呼吸治疗系统120(或系统100)中。例如,麦克风140可以被布置在呼吸治疗设备122、用户接口124、导管126或其他部件内部。麦克风140还可以被定位成邻近或联接到呼吸治疗设备122的外部、用户接口124的外部、导管126的外部或任何其他部件的外部。麦克风140还可以是外部设备170的部件(例如,麦克风140是智能电话的麦克风)。麦克风140可以集成到用户接口124、导管126、呼吸治疗设备122或其任意组合中。通常,麦克风140可以位于呼吸治疗系统120的空气通路内或附近的任何位置,呼吸治疗系统120至少包括呼吸治疗设备122的马达、用户接口124和导管126。因此,空气通路也可称为声学通路。
扬声器142输出用户可听见的声波。扬声器142可用作例如闹钟或向用户播放警报或消息(例如,响应于事件)。在一些实施方式中,扬声器142可以用于将由麦克风140生成的声学数据传送给用户。扬声器142可以联接到或集成在呼吸治疗设备122、用户接口124、导管126或外部设备170中。
麦克风140和扬声器142可以用作单独的设备。在一些实施方式中,麦克风140和扬声器142可以被组合成声学传感器141(例如,声呐传感器),如在例如WO2018/050913和WO2020/104465中所描述的,其每一个在此通过引用其整体并入。在这样的实施方式中,扬声器142以预定间隔和/或频率产生或发射声波,并且麦克风140检测来自扬声器142的发射声波的反射。由扬声器142产生或发射的声波具有人耳听不到的频率(例如,低于20Hz或高于约18kHz),以便不干扰用户或用户的床伴(例如图2中的床伴220)的睡眠。至少部分地基于来自麦克风140和/或扬声器142的数据,控制系统110可以确定用户的位置和/或在此描述的睡眠相关参数中的一个或多个,例如呼吸信号、呼吸速率、吸气幅度、呼气幅度、吸气-呼气比、每小时的事件数量、事件模式、睡眠阶段、呼吸治疗设备122的压力设置、或它们的任何组合。在本文中,声呐传感器可以被理解为涉及主动声感测,例如通过产生/传输穿过空气的超声或低频超声感测信号(例如,在例如约17-23kHz、18-22kHz或17-18kHz的频率范围内)。这种系统可以相对于上述WO2018/050913和WO2020/104465来考虑。在一些实施方式中,扬声器142是骨传导扬声器。在一些实施方式中,一个或多个传感器130包括(i)第一麦克风,其与麦克风140相同或相似,并且被集成到声学传感器141中;以及(ii)第二麦克风,其与麦克风140相同或相似,但是与被集成到声学传感器141中的第一麦克风不同。
RF发射器148产生和/或发射具有预定频率和/或预定幅度(例如,在高频带内、在低频带内、长波信号、短波信号等)的无线电波。RF接收器146检测从RF发射器148发射的无线电波的反射,并且该数据可以由控制系统110分析以确定用户的位置和/或这里描述的睡眠相关参数中的一个或多个。RF接收器(RF接收器146和RF发射器148或另一RF对)也可用于控制系统110、呼吸治疗设备122、一个或多个传感器130、外部设备170或其任意组合之间的无线通信。虽然RF接收器146和RF发射器148在图1中被示为分离且不同的元件,在一些实施方式中,RF接收器146和RF发射器148被组合为RF传感器147(例如,雷达传感器)的一部分。在一些这样的实施方式中,RF传感器147包括控制电路。RF通信的特定格式可以是wifi、蓝牙等。
在一些实施方式中,RF传感器147是网状网系统的一部分。网状网系统的一个示例是wifi网状网系统,其可以包括网状网节点、网状网路由器和网状网网关,其中的每一个可以是移动的/可移动的或固定的。在这样的实施方式中,wifi网状网系统包括wifi路由器和/或wifi控制器以及一个或多个卫星(例如,接入点),每个卫星包括与RF传感器147相同或相似的RF传感器。wifi路由器和卫星使用wifi信号连续地彼此通信。wifi网状网系统可以用于至少部分地基于路由器和卫星之间的wifi信号中的变化(例如,接收信号强度中的差异)来生成运动数据,所述变化是由于移动的物体或人部分地堵塞了信号而引起的。运动数据可以指示运动、呼吸、心率、步态、跌倒、行为等、或它们的任何组合。
相机150输出可再现为可存储在存储器设备114中的一个或多个图像(例如,静止图像、视频图像、热图像或其组合)的图像数据。来自相机150的图像数据可由控制系统110用于确定本文所述的睡眠相关参数中的一个或多个。例如,来自相机150的图像数据可用于识别用户的位置,以确定用户进入用户床(例如图2的床230)的时间,以及确定用户退出床230的时间。相机150还可用于跟踪眼动、瞳孔扩张(如果用户的一只或两只眼睛睁开)、眨眼率或REM睡眠期间的任何变化。相机150还可用于跟踪用户的位置,这可影响患有阻塞性睡眠呼吸暂停的用户的呼吸暂停事件的持续时间和/或严重性。
IR传感器152输出可再现为可存储在存储器设备114中的一个或多个红外图像(例如,静止图像、视频图像或两者)的红外图像数据。来自IR传感器152的红外数据可用于确定睡眠时段期间的一个或多个睡眠相关参数,包括用户的温度和/或用户的运动。当测量用户的存在、位置和/或运动时,IR传感器152也可以与相机150结合使用。例如,IR传感器152可以检测波长在约700nm和约1mm之间的红外光,而相机150可以检测波长在约380nm和约740nm之间的可见光。
IR传感器152输出可再现为可存储在存储器设备114中的一个或多个红外图像(例如,静止图像、视频图像或两者)的红外图像数据。来自IR传感器152的红外数据可用于确定睡眠时段期间的一个或多个睡眠相关参数,包括用户的温度和/或用户的运动,包括与RBD或DEB相关联的运动。当测量用户的存在、位置和/或运动时,IR传感器152也可以与相机150结合使用。例如,IR传感器152可以检测波长在约700nm和约1mm之间的红外光,而相机150可以检测波长在约380nm和约740nm之间的可见光。
PPG传感器154输出与用户相关联的生理数据,该生理数据可用于确定一个或多个睡眠相关参数,例如心率、心率模式、心率变异性、心动周期、呼吸率、吸气幅度、呼气幅度、吸气-呼气比、估计血压参数或其任意组合。PPG传感器154可以由用户佩戴,嵌入在由用户佩戴的衣服和/或织物中,嵌入在和/或联接到用户接口124和/或其相关联的头盔(例如,带等)等。
ECG传感器156输出与用户心脏的电活动相关联的生理数据。在一些实施方式中,ECG传感器156包括一个或多个电极,所述一个或多个电极在睡眠时段期间位于用户的一部分之上或周围。来自ECG传感器156的生理数据可用于例如确定本文所述的睡眠相关参数中的一个或多个。
EEG传感器158输出与用户大脑的电活动相关的生理数据。在一些实施方式中,EEG传感器158包括一个或多个电极,其在睡眠时段期间定位在用户的头皮上或周围。来自EEG传感器158的生理数据可用于例如确定睡眠时段阶段期间的任何给定时间的用户的睡眠阶段和/或睡眠状态。在一些实施方式中,EEG传感器158可以集成在用户接口124和/或相关联的头盔(例如,带等)中。
电容性传感器160、力传感器162和应变仪传感器164输出可存储在存储器设备114中且由控制系统110使用以确定本文所述的睡眠相关参数中的一个或多个数据。EMG传感器166输出与一个或多个肌肉产生的电活动相关的生理数据。氧气传感器168输出指示气体的氧气浓度的氧气数据(例如,在导管126中或在用户接口124处)。氧气传感器168可以是例如超声波氧气传感器、电氧气传感器、化学氧气传感器、光学氧气传感器或其任意组合。在一些实施方式中,一个或多个传感器130进一步包括皮肤电反应(GSR)传感器、血流传感器、呼吸传感器、脉搏传感器、血压计传感器、血氧传感器或其任意组合。
分析物传感器174可用于检测用户呼气中分析物的存在。分析物传感器174输出的数据可以存储在存储器设备114中,并由控制系统110使用,以确定用户呼吸中任何分析物的身份和浓度。在一些实施方式中,分析物传感器174被定位在用户的嘴附近以检测从用户的嘴呼出的呼吸中的分析物。例如,当用户接口124是覆盖用户的鼻子和嘴的面罩时,分析物传感器174可以位于面罩内以监测用户的嘴呼吸。在其他实施方式中,例如当用户接口124是鼻罩或鼻枕面罩时,分析物传感器174可以定位在用户的鼻子附近以检测通过用户的鼻子呼出的呼吸中的分析物。在其它实施方式中,当用户接口124是鼻罩或鼻枕面罩时,分析物传感器174可定位在用户嘴部附近。在该实施方式中,分析物传感器174可用于检测是否有任何空气无意地从用户的嘴泄漏。在一些实施方式中,分析物传感器174是挥发性有机化合物(VOC)传感器,其可用于检测碳基化学品或化合物,例如二氧化碳。在一些实施方式中,分析物传感器174还可用于检测用户是通过他们的鼻子还是嘴呼吸。例如,如果由位于用户嘴部附近或面罩内(在用户接口124是面罩的实施方式中)的分析物传感器174输出的数据检测到分析物的存在,则控制系统110可以使用该数据作为用户通过其嘴部呼吸的指示。
湿度传感器176输出可以存储在存储器设备114中并由控制系统110使用的数据。湿度传感器176可用于检测围绕用户的各种区域中的湿度(例如,在导管126或用户接口124内,在用户面部附近,在导管126和用户接口124之间的连接附近,在导管126和呼吸治疗设备122之间的连接附近等)。因此,在一些实施方式中,湿度传感器176可以被联接到或整合到用户接口124中或导管126中以监测来自呼吸治疗设备122的加压空气的湿度。在其他实施方式中,湿度传感器176被放置在需要监测湿度水平的任何区域附近。湿度传感器176还可以用于监测用户周围的周围环境的湿度,例如用户卧室内的空气。湿度传感器176还可以用于跟踪用户对环境变化的生物测量响应。
一个或多个激光雷达传感器178可用于深度感测。这种类型的光学传感器(例如,激光传感器)可用于检测对象并构建周围环境(例如,生活空间)的三维(3D)图。激光雷达通常可以利用脉冲激光来进行飞行时间测量。激光雷达也被称为3D激光扫描。在使用这种传感器的示例中,具有激光雷达传感器178的固定或移动设备(诸如智能电话)可以测量和映射从传感器延伸5米或更远的区域。例如,激光雷达数据可以与由电磁雷达传感器估计的点云数据融合。激光雷达传感器178还可以使用人工智能(AI)通过检测和分类可能引起雷达系统的问题的空间中的特征来自动地地理围栏雷达系统,例如玻璃窗(其可以是对雷达高度反射的)。例如,激光雷达还可以用于提供人的身高的估计,以及当人坐下或跌倒时身高的变化。激光雷达可用于形成环境的3D网状网表示。在进一步的用途中,对于无线电波穿过的固体表面(例如,透射线材料),激光雷达可以反射离开这样的表面,从而允许对不同类型的障碍物进行分类。
虽然在图1中单独示出,一个或多个传感器130的任何组合可以集成在系统100的任何一个或多个部件中和/或联接到系统100的任何一个或多个部件,包括呼吸治疗设备122、用户接口124、导管126、加湿罐129、控制系统110、外部设备170、DEB缓解系统184、或它们的任何组合。例如,声学传感器141和/或RF传感器147可以集成在外部设备170中和/或联接到外部设备170。在这样的实施方式中,外部设备170可以被认为是生成供系统100(例如,控制系统110)根据本发明的一些方面使用的附加或辅助数据的辅助设备。在一些实施方式中,压力传感器132和/或流量传感器134被集成到呼吸治疗设备122中和/或联接到呼吸治疗设备122。在一些实施方式中,一个或多个传感器130中的至少一个不联接到呼吸治疗设备122、控制系统110、或外部设备170,并且在睡眠时段期间通常被定位成邻近用户(例如,被定位在或接触用户的一部分上、由用户佩戴、联接到或定位在床头柜上、联接到床垫、联接到天花板等)。更一般地,一个或多个传感器130可以位于相对于用户的任何合适的位置,使得一个或多个传感器130可以在一个或多个睡眠时段期间生成与用户和/或床伴220相关联的生理数据。
可以分析来自该一个或多个传感器130的数据以确定一个或多个睡眠相关参数,这些参数可以包括呼吸信号、呼吸速率、呼吸模式、吸气幅度、呼气幅度、身体移动(例如,诸如一个或多个肢体的移动的总体身体移动,诸如胸部的移动,床中的移动等的精细身体移动)、吸气-呼气比率、一个或多个事件的发生、每小时事件的数量、事件的模式、事件的平均持续时间、事件持续时间的范围、不同事件的数量之间的比率、睡眠阶段、呼吸暂停低通气指数(AHI)、或它们的任何组合。所述一个或多个事件可以包括打鼾、呼吸暂停、中枢性呼吸暂停、阻塞性呼吸暂停、混合性呼吸暂停、呼吸不足、有意的用户接口渗漏、无意的用户接口渗漏、嘴渗漏、咳嗽、不宁腿、睡眠障碍、窒息、心率增加、呼吸困难、哮喘发作、癫痫发作、癫痫发作、血压增加、或它们的任何组合。许多这些睡眠相关参数是生理参数,尽管一些睡眠相关参数可以被认为是非生理参数。也可以根据来自一个或多个传感器130的数据或根据其它类型的数据来确定其它类型的生理和非生理参数。
外部设备170包括显示设备172。外部设备170例如可以是诸如智能电话、平板电脑、膝上型电脑等的移动设备。可替换地,外部设备170可以是外部感测系统、电视(例如,智能电视)或另一智能家庭设备(例如,智能扬声器,诸如谷歌家庭,亚马逊回声,Alexa等)。在一些实施方式中,外部设备170是可穿戴设备(例如,智能手表)。显示设备172通常用于显示包括静止图像、视频图像或两者的图像。在一些实施方式中,显示设备172充当包括被配置为显示图像的图形用户接口(GUI)和输入接口的人机接口(HMI)。显示设备172可以是LED显示器、OLED显示器、LCD显示器等。输入接口可以是例如触摸屏或触敏基板、鼠标、键盘或被配置为感测由与外部设备170交互的人类用户做出的输入的任何传感器系统。在一些实施方式中,一个或多个外部设备170可以由系统100使用和/或包括在系统100中。
血压设备180通常用于帮助产生用于确定与用户相关联的一个或多个血压测量值的生理数据。血压设备180可以包括一个或多个传感器130中的至少一个,以测量例如收缩血压分量和/或舒张血压分量。
在一些实施方式中,血压设备180是血压计,该血压计包括可以由用户佩戴的可充气袖带和压力传感器(例如,在此描述的压力传感器132)。例如,如图2的示例所示,血压设备180可以佩戴在用户的上臂上。在血压设备180是血压计的这种实施方式中,血压设备180进一步包括用于给袖带充气的泵(例如,手动操作的灯泡)。在一些实施方式中,血压设备180被联接到呼吸治疗系统120的呼吸治疗设备122,该呼吸治疗设备进而递送加压空气以对该袖带充气。更一般地,血压设备180可以与控制系统110、存储器设备114、呼吸治疗系统120、外部设备170和/或活动跟踪器182通信地联接和/或物理地集成在其中(例如,在外壳内)。
活动跟踪器182通常用于帮助生成用于确定与用户相关联的活动测量的生理数据。活动测量可以包括,例如,步数、行进的距离、爬升的步数、身体活动的持续时间、身体活动的类型、身体活动的强度、站立所花费的时间、呼吸速率、平均呼吸速率、休息呼吸速率、最大呼吸速率、呼吸速率变异性、心率、平均心率、休息心率、最大心率、心率变异性、燃烧的卡路里数、血氧饱和度、皮肤电活动(也称为皮肤电导或皮肤电反应)、或它们的任何组合。活动跟踪器182包括这里描述的一个或多个传感器130,例如运动传感器138(例如,一个或多个加速度计和/或陀螺仪)、PPG传感器154和/或ECG传感器156。
在一些实施方式中,活动跟踪器182是可由用户佩戴的可佩戴设备,诸如智能手表、腕带、戒指或贴片。例如,参考图2,活动跟踪器182佩戴在用户的手腕上。活动跟踪器182还可以联接到或集成到由用户穿戴的服装或衣服。或者,活动跟踪器182还可联接到外部设备170或集成在外部设备170中(例如,在同一外壳内)。更一般地,活动跟踪器182可以与控制系统110、存储器设备114、呼吸治疗系统120、外部设备170和/或血压设备180通信地联接或物理地集成在其中(例如,在外壳内)。
虽然控制系统110和存储器设备114在图1中被描述和显示为系统100的单独和不同的部件,但在一些实施方式中,控制系统110和/或存储器设备114集成在外部设备170和/或呼吸治疗设备122中。可替代地,在一些实施方式中,控制系统110或其一部分(例如,处理器112)可以位于云中(例如,集成在服务器中,集成在物联网(IoT)设备中,连接到云,经受边缘云处理等),位于一个或多个服务器中(例如,远程服务器、本地服务器等、或它们的任何组合)。
虽然系统100被示为包括上述所有部件,但是根据本发明的实施方式,在用于在一个或多个睡眠时段期间监测用户以确定用户是否遭受RBD和/或DEB的系统中可以包括更多或更少的部件。例如,第一可选系统包括控制系统110、存储器设备114和一个或多个传感器130中的至少一个。作为另一示例,第二可选系统包括控制系统110、存储器设备114、一个或多个传感器130中的至少一个,以及外部设备170。作为又一示例,第三可选系统包括控制系统110、存储器设备114、呼吸治疗系统120、一个或多个传感器130中的至少一个以及外部设备170。作为另一示例,第四可选系统包括控制系统110、存储器设备114、呼吸治疗系统120、一个或多个传感器130中的至少一个、外部设备170,以及血压设备180和/或活动跟踪器182。因此,用于在一个或多个睡眠时段期间监测用户以确定用户是否遭受RBD和/或DEB的各种系统可以使用在此示出和描述的部件的任何部分或多个部分和/或与一个或多个其它部件组合来形成。
如这里所使用的,可以至少部分地基于例如初始开始时间和结束时间以多种方式来定义睡眠时段。在一些实施方式中,睡眠时段是用户睡眠的持续时间,即,睡眠时段具有开始时间和结束时间,并且在睡眠时段期间,用户直到结束时间才醒来。也就是说,用户醒着的任何时段都不包括在睡眠时段中。根据睡眠时段的该第一定义,如果用户在同一夜晚多次醒来并入睡,则由醒来间隔分开的每个睡眠间隔是睡眠时段。
或者,在一些实施方式中,睡眠时段具有开始时间和结束时间,并且在睡眠时段期间,只要用户醒来的连续持续时间低于醒来持续时间阈值,用户就可以醒着,而睡眠时段不结束。醒来持续时间阈值可以被定义为睡眠时段的百分比。醒来持续时间阈值可以是例如睡眠时段的大约20%,睡眠时段持续时间的大约15%,睡眠时段持续时间的大约10%,睡眠时段持续时间的大约5%,睡眠时段持续时间的大约2%等,或任何其它阈值百分比。在一些实施方式中,醒来持续时间阈值被定义为固定的时间量,例如大约一小时,大约三十分钟,大约十五分钟,大约十分钟,大约五分钟,大约两分钟等,或任何其他时间量。
在一些实施方式中,睡眠时段被定义为在晚上用户首先进入床的时间与第二天早上用户最后离开床的时间之间的整个时间。换言之,睡眠时段可以被定义为在第一日期(例如,星期一,2020年1月6日)在第一时间(例如,下午10:00)开始的时间段,该时间段可以被称为当前晚上,当用户首先为了进入睡眠而进入床时(例如,如果用户不打算在进入睡眠之前先观看电视或用智能电话播放等),并且在第二日期(例如,星期二,2020年1月7日)在第二时间(例如,上午7:00)结束,这可以被称为第二天早上,此时用户首先离开该床,目的是不要在第二天早上返回睡眠。
在一些实施方式中,用户可以手动定义睡眠时段的开始和/或手动终止睡眠时段。例如,用户可以选择(例如,通过点击或轻敲)在外部设备170(图1)的显示设备172上显示的一个或多个用户可选元素,以手动发起或终止睡眠时段。
参考图3示出了睡眠时段的示例性时间线300。时间线300包括进入床时间(t入床)、入睡时间(tGTS)、初始睡眠时间(t睡眠)、第一微觉醒MA1、第二微觉醒MA2、觉醒A、觉醒时间(t觉醒)和起身时间(t起床)。
进入床时间t入床与用户在睡着之前(例如,当用户躺下或坐在床上时)最初进入床(例如,图2中的床230)的时间相关联。可以至少部分地基于床阈值持续时间来识别进入床时间t入床,以区分用户出于睡眠而进入床时与用户出于其它原因(例如,观看电视)而进入床时的时间。例如,床阈值持续时间可以是至少约10分钟,至少约20分钟,至少约30分钟,至少约45分钟,至少约1小时,至少约2小时等。虽然本文中关于床描述了进入床时间t入床,但更一般地,进入床时间t入床可以指用户最初进入用于睡眠的任何位置(例如,沙发椅、椅子、睡袋等)的时间。
入睡时间(GTS)与用户在进入床(t入床)之后最初尝试入睡的时间相关联。例如,在进入床之后,用户可以参加一个或多个活动以在试图睡眠之前放松(例如,阅读、观看电视、听音乐、使用外部设备170等)。初始睡眠时间(t睡眠)是用户初始入睡的时间。例如,初始睡眠时间(t睡眠)可以是用户初始进入第一非REM睡眠阶段的时间。
觉醒时间t觉醒是与用户在不回到睡眠的情况下醒来的时间(例如,与用户在晚间醒来并回到睡眠相反)相关联的时间。用户可以在最初睡着之后经历具有短持续时间(例如,5秒、10秒、30秒、1分钟等)的多个无意识微觉醒(例如,微觉醒MA1和MA2)中的一个。与觉醒时间t觉醒相反,用户在微觉醒MA1和MA2中的每一个之后回到睡眠。类似地,用户可以在最初睡着(例如,起床去浴室、照顾儿童或宠物、梦游等)之后具有一个或多个有意识的觉醒(例如,觉醒A)。然而,用户在觉醒A之后回到睡眠。因此,可以例如至少部分地基于唤醒阈值持续时间(例如,用户被唤醒至少15分钟、至少20分钟、至少30分钟、至少1小时等)来定义觉醒时间t觉醒。
类似地,起身时间t起床与用户离开床以结束睡眠时段(例如,与用户在夜间起床去浴室、照顾儿童或宠物、梦游等相反)的时间相关联。换言之,起身时间t起床是用户最后离开床而不返回床直到下一个睡眠时段(例如,下一个晚上)的时间。因此,起身时间t起床可以例如至少部分地基于起身阈值持续时间(例如,用户已经离开床至少15分钟,至少20分钟,至少30分钟,至少1小时等)来定义。还可以至少部分地基于起身阈值持续时间(例如,用户已经离开床至少4小时,至少6小时,至少8小时,至少12小时等)来定义第二后续睡眠时段的进入床时间t入床时间。
如上所述,在最初的t入床和最后的t起床之间的夜晚期间,用户可以醒来并离开床一次以上。在一些实施方式中,至少部分地基于事件(例如,睡着或离开床)之后的预定阈值持续时间来识别或确定最终觉醒时间t觉醒和/或最终起身时间t起床。这种阈值持续时间可以为用户定制。对于在晚上下床,然后在早上醒来和下床的任何时间段(在用户觉醒(t觉醒)或起身(t起床)和用户上床(t入床)、入睡(tGTS)或睡着(t睡眠)之间)的标准用户,可以使用约12至约18小时。对于在床上花费较长时段的用户,可以使用较短的阈值时段(例如,在约8小时和约14小时之间)。可以至少部分地基于监测用户睡眠行为的系统来初始地选择和/或稍后调整阈值周期。
总卧床时间(TIB)是进入床时间t入床和起身时间t起床之间的持续时间。总睡眠时间(TST)与初始睡眠时间和觉醒时间之间的持续时间相关联,不包括其间的任何有意识或无意识的觉醒和/或微觉醒。通常,总睡眠时间(TST)将比总卧床时间(TIB)短(例如,短一分钟、短十分钟、短一小时等)。例如,参考图3的时间线300,总睡眠时间(TST)跨越初始睡眠时间t睡眠和觉醒时间t觉醒之间,但不包括第一微觉醒MA1、第二微觉醒MA2和觉醒A的持续时间。如图所示,在该示例中,总睡眠时间(TST)比总卧床时间(TIB)短。
在一些实施方式中,总睡眠时间(TST)可以被定义为持久总睡眠时间(PTST)。在这种实施方式中,持久总睡眠时间不包括第一非REM阶段(例如,轻度睡眠阶段)的预定初始部分或时段。例如,预定初始部分可以在大约30秒和大约20分钟之间,在大约1分钟和大约10分钟之间,在大约3分钟和大约5分钟之间等。持久总睡眠时间是持续睡眠的量度,并且使睡眠-觉醒睡眠图平滑。例如,当用户最初睡着时,用户可以处于第一非REM阶段很短的时间(例如,大约30秒),然后返回到觉醒阶段很短的时间(例如,一分钟),然后返回到第一非REM阶段。在此实例中,持久总睡眠时间排除第一非REM阶段的第一实例(例如,约30秒)。
在一些实施方式中,睡眠时段被定义为在进入床时间(t入床)开始并在起身时间(t起床)结束,即,睡眠时段被定义为总卧床时间(TIB)。在一些实施方式中,睡眠时段被定义为在初始睡眠时间(t睡眠)开始并在觉醒时间(t觉醒)结束。在一些实施方式中,睡眠时段被定义为总睡眠时间(TST)。在一些实施方式中,睡眠时段被定义为在入睡时间(tGTS)开始并在觉醒时间(t觉醒)结束。在一些实施方式中,睡眠时段被定义为在入睡时间(tGTS)开始并在起身时间(t起床)结束。在一些实施方式中,睡眠时段被定义为在进入床时间(t入床)开始并在觉醒时间(t觉醒)结束。在一些实施方式中,睡眠时段被定义为在初始睡眠时间(t睡眠)开始并在起身时间(t起床)结束。
参考图4,根据一些实施方式,示出了对应于时间线300(图3)的示例性睡眠图400。如图所示,睡眠图400包括睡眠-觉醒信号401、清醒阶段轴410、REM阶段轴420、轻度睡眠阶段轴430和深度睡眠阶段轴440。睡眠-觉醒信号401与轴410-440中的一者之间的相交指示在睡眠时段期间给定时间的睡眠阶段。
睡眠-觉醒信号401可至少部分地基于与用户相关联的生理数据(例如,由本文所述的传感器130中的一个或多个产生)而产生。睡眠-觉醒信号可以指示一个或多个睡眠阶段,包括清醒、放松的清醒、微觉醒、REM阶段、第一非REM阶段、第二非REM阶段、第三非REM阶段、或它们的任何组合。在一些实施方式中,第一非REM阶段、第二非REM阶段和第三非REM阶段中的一个或多个可以被分组在一起并且被分类为轻度睡眠阶段或深度睡眠阶段。例如,轻度睡眠阶段可以包括第一非REM阶段,而深度睡眠阶段可以包括第二非REM阶段和第三非REM阶段。虽然睡眠图400在图4中显示为包括轻度睡眠阶段轴430和深度睡眠阶段轴440,但在一些实施方式中,睡眠图400可包括第一非REM阶段、第二非REM阶段和第三非REM阶段中的每一个的轴。在其他实施方式中,睡眠-觉醒信号还可以指示呼吸信号、呼吸速率、吸气幅度、呼气幅度、吸气-呼气幅度比、吸气-呼气持续时间比、每小时事件的数量、事件的模式、或它们的任何组合。描述睡眠-觉醒信号的信息可存储在存储器设备114中。
睡眠图400可用于确定一个或多个睡眠相关参数,例如睡眠开始等待时间(SOL)、入睡后觉醒时间(WASO)、睡眠效率(SE)、睡眠分段指数、睡眠阻碍、或它们的任何组合。
睡眠开始等待时间(SOL)被定义为入睡时间(tGTS)和初始睡眠时间(t睡眠)之间的时间。换言之,睡眠开始等待时间指示用户在最初尝试入睡之后实际入睡所花费的时间。在一些实施方式中,睡眠开始等待时间被定义为持续睡眠开始等待时间(PSOL)。持续睡眠开始等待时间与睡眠开始等待时间的不同之处在于,持续睡眠开始等待时间被定义为入睡时间与预定量的持续睡眠之间的持续时间。在一些实施方式中,预定量的持续睡眠可以包括例如在第二非REM阶段、第三非REM阶段和/或REM阶段内至少10分钟的睡眠,其中不超过2分钟的清醒、第一非REM阶段和/或其间的移动。换句话说,在第二非REM阶段、第三非REM阶段和/或REM阶段内持续睡眠开始等待时间多达例如8分钟。在其他实施方式中,预定量的持续睡眠可以包括在初始睡眠时间之后的第一非REM阶段、第二非REM阶段、第三非REM阶段和/或REM阶段内的至少10分钟的睡眠。在这样的实施方式中,预定量的持续睡眠可以排除任何微觉醒(例如,十秒微觉醒不重新开始10分钟时段)。
入睡后觉醒时间(WASO)与用户在初始睡眠时间和觉醒时间之间醒着的总持续时间相关联。因此,入睡后觉醒时间包括睡眠时段期间的短暂和微觉醒(例如,图4中所示的微觉醒MA1和MA2),无论有意识的或无意识的。在一些实施方式中,入睡后觉醒时间(WASO)被定义为仅包括具有预定长度(例如,大于10秒,大于30秒,大于60秒,大于约5分钟,大于约10分钟等)的觉醒的总持续时间的持续入睡后觉醒时间(PWASO)。
睡眠效率(SE)被确定为总卧床时间(TIB)与总睡眠时间(TST)的比率。例如,如果总卧床时间是8小时并且总睡眠时间是7.5小时,则该睡眠时段的睡眠效率是93.75%。睡眠效率指示用户的睡眠卫生。例如,如果用户在睡觉之前进入床并花费时间从事其他活动(例如,观看电视),则睡眠效率将降低(例如,用户受到处罚)。在一些实施方式中,可以至少部分地基于总卧床时间(TIB)和用户试图睡眠的总时间来计算睡眠效率(SE)。在这样的实施方式中,用户试图睡眠的总时间被定义为本文描述的入睡(GTS)时间和起身时间之间的持续时间。例如,如果总睡眠时间是8小时(例如,在11PM和7AM之间),入睡时间是10:45PM,并且起身时间是7:15AM,则在这样的实施方式中,睡眠效率参数被计算为大约94%。
至少部分地基于睡眠时段期间的觉醒次数来确定分段指数。例如,如果用户具有两个微觉醒(例如,图4中所示的微觉醒MA1和微觉醒MA2),分段指数可以表示为2。在一些实施方式中,分段指数在整数的预定范围之间(例如,在0和10之间)缩放。
睡眠阻碍与任何睡眠阶段(例如,第一非REM阶段、第二非REM阶段、第三非REM阶段和/或REM)和清醒阶段之间的过渡相关联。可以以例如30秒的分辨率计算睡眠阻碍。
在一些实施方式中,本文描述的系统和方法可以包括生成或分析包括睡眠-觉醒信号的睡眠图,以至少部分地基于睡眠图的睡眠-觉醒信号来确定或识别进入床时间(t入床)、入睡时间(tGTS)、初始睡眠时间(t睡眠)、一个或多个第一微觉醒(例如,MA1和MA2)、觉醒时间(t觉醒)、起身时间(t起床)、或它们的任何组合。睡眠图可以在睡眠时段实时产生,或者可以在睡眠时段完成之后产生。
在其他实施方式中,传感器130中的一个或多个可以用于确定或识别进入床时间(t入床)、入睡时间(tGTS)、初始睡眠时间(t睡眠)、一个或多个第一微觉醒(例如MA1和MA2)、觉醒时间(t觉醒)、醒来时间(t起床),或其任意组合,其进而定义睡眠时段。例如,可以至少部分地基于例如由运动传感器138、麦克风140、相机150或其任意组合生成的数据来确定进入床时间t入床。可以至少部分地基于例如来自运动传感器138的数据(例如,指示用户没有移动的数据),来自相机150的数据(例如,指示用户没有移动和/或用户已经关闭灯的数据),来自麦克风140的数据(例如,指示正在关闭TV的数据),来自外部设备170的数据(例如,指示用户不再使用外部设备170的数据)来确定入睡时间,来自压力传感器132和/或流量传感器134的数据(例如,指示用户打开呼吸治疗设备122的数据、指示用户佩戴用户接口124的数据等)、或它们的任何组合。
图5示出了用于监测用户(诸如用户210)并确定用户210是否具有RBD和/或DEB的示例算法500的框图。算法500通常包括两个单独的部件502和552。部件502用于用户的日常和夜间监测,而部件552可用于长期评估和诊断。在一个实施方式中,部件502被实现为用户的个体设备(诸如外部设备170)。因此,在一些实施方式中,部件502被实现为用户的移动设备(例如,电话、平板电脑、膝上型电脑等)上的程序或应用。部件552还可以在用户的个体设备上实现,但是在许多实施方式中被实现为基于云的平台的一部分。这允许第三方(例如用户的健康护理提供者、照顾者、朋友、家庭成员等)访问更长期的评估和诊断信息。在其它实施方式中,部件502和552可在设备、平台等的任何组合上实现。通常,部件502和552可被实现为系统100(图1)的一部分。
部件502包括夜间监测部分(在部件502的上部块和中部块中示出)和白天监测部分(在部件502的下部块中示出)。块504A和504B是部件502的夜间监测部分的输入。在块504A,在睡眠时段期间监测用户以检测任何非典型REM睡眠阶段和/或DEB。块504A的睡眠时段监测通常包括例如使用传感器130(图1)中的任一个来跟踪睡眠时段期间用户的移动和发声(例如,语音和非语音)。可以使用产生移动数据的各种不同的移动传感器来跟踪移动。可以使用生成音频数据的音频传感器来跟踪用户在睡眠时段期间进行的发声(例如语音、缄默、哭泣、打鼾、咳嗽、窒息等)。也可以使用其它类型的数据。例如,可以生成与用户呼吸相关的呼吸数据(连同称为生物运动数据的运动数据)。可以生成与用户周围环境中(例如,用户卧室中)的光水平相关的光学数据。并且可以生成与睡眠时段内经过的时间有关的时间数据。通常,数据从非侵入性装置获得,例如通过使用移动传感器、音频传感器等。不需要使用诸如EEG传感器、ECG传感器或EOG传感器的更具侵入性的传感器。
在块504B,生成来自用户的音频样本。已知音频样本属于进行各种发声的用户(包括语音和非语音,诸如咳嗽、咕哝、打鼾、哭泣等),并且可以帮助确定在睡眠时段期间检测到的发声是否实际上是由用户产生的(而不是用户的床伴),并且如果是,则确定发声是语音还是非语音。在一些实施方式中,在一天期间记录用户以生成已知音频样本。在其它实施方式中,提示用户说出特定被记录的短语。可以使用用户的移动设备(例如,电话、平板电脑)或任何其他合适的设备来完成记录。例如,在一些实施方式中,用户卧室中的智能扬声器可以在用户开始睡眠时段之前(例如,在用户晚上上床之前)或在用户结束睡眠时段之后(例如,在用户早上下床之后)记录来自用户的音频样本。
来自块504A的数据和来自块504B的音频样本用于在块506A处分析睡眠时段。通常,在块506A执行的分析可以使用一个或多个算法来实现。这些算法可以是已被训练成至少基于来自夜间监测块504A的数据和来自音频采样块504B的数据来识别用户在睡眠时段期间经历的不同睡眠阶段的机器学习算法。可以对来自临床参考的数据(在睡眠实验室中记录的数据、识别睡眠阶段的数据、由专家评分的RBD和DEB发作等)预训练算法500的模块。当应用于新用户时,预训练可以提供良好的基线性能(算法500之前没有看到的数据)。一旦部署了算法500,就可以用用户特定的数据对算法500进行自动再训练。该训练可以针对特定用户优化算法500的性能。在一些实施方式中,使用单独的训练算法来确定各个睡眠阶段并检测用户是否正在经历DEB。在其他实施方式中,单个训练的算法可以确定各种睡眠阶段并检测用户是否正在经历DEB。因此,当用户正经历指示RBD的非典型REM睡眠阶段时,块506A处的睡眠时段分析可以指示用户是否在任何非典型REM睡眠阶段期间经历DEB。基于来自块504A的睡眠时段监测的数据,块506A处的睡眠时段分析可在睡眠时段期间实时发生。
块506A处的睡眠时段分析通常在块508A和508B处具有两个不同的输出。在块508A,生成睡眠时段概要数据。睡眠时段概要包括关于用户在睡眠时段期间经历的不同睡眠阶段的数量以及在睡眠时段期间在每个不同睡眠阶段中花费的时间的细节。因此,睡眠时段分析向用户和/或第三方指示用户在睡眠时段期间经历的非典型REM睡眠阶段的总数,以及在睡眠时段期间在非典型REM睡眠阶段中花费的总时间量。在一些实施方式中,睡眠时段概要被产生为睡眠图,该睡眠图示出了用户的睡眠时段和用户在整个睡眠时段中经历的各种睡眠阶段的时间线。在一些实施方式中,在睡眠时段结束时生成睡眠时段概要。在其他实施方式中,可以在睡眠时段期间实时生成睡眠时段概要,这在监测用户的睡眠时段的第三部分时可能是有用的。
睡眠时段分析块506A的另一输出是块508B,其中发生DEB缓解。如果块506A的实时睡眠时段分析确定用户当前正经历DEB,则系统100可激活DEB缓解系统184以减少或结束用户的DEB,或减轻DEB对用户或用户的床伴的影响。如在此所讨论的,DEB缓解可以通过多种方式来实现,例如使用可听警报器、灯、移动或振动用户床的床调节机构、与用户接触的物理接触机构,或者减轻DEB可能对用户或用户的床伴造成的任何伤害的防护装置或屏障。
部件502进一步包括块504C处的日间监测。通常,白天监测包括在白天期间监测用户的移动。多种不同的运动异常可与神经变性疾病(包括RBD)相关,例如僵硬、步态异常、肢体运动徐缓、震颤等。可以使用各种不同的设备来跟踪用户的移动并生成移动数据,诸如计步器、智能手表、可穿戴健身设备、移动设备(诸如外部设备170)。在块506B,使用移动数据来执行运动技能分析。可以分析移动数据以确定与用户的姿势摇摆、步态和肢体移动相关的各种特征。用户步态的方面可包括急动、谐波稳定性和振动范围。用户肢体移动的方面可包括手臂摆动、或左右手臂或左右腿之间的不对称。
块506B处的运动技能分析的输出是块508C处的运动技能汇总。在一些实施方式中,可以生成汇总表供用户查看。在其他实施方式中,运动技能汇总数据被用作长期评估的一部分。
来自块508A的睡眠时段概要和块508C的运动技能概要的数据可用作由部件552执行的长期评估和诊断的一部分。通常,每个睡眠时段的睡眠时段概要数据是对在部件552的块556处执行的长期评估的输入,例如,在用户醒来且睡眠时段结束之后的每天早晨,向块556提供一组新的睡眠时段概要数据。来自块508C的运动技能汇总数据也可以周期性地输入到块556。
块556还可以包括在块554提供的人口统计信息。人口统计信息可以是与用户相关的人口统计信息,例如年龄、性、性别、种族、病史等。然而,人口统计信息也可以包括来自其他用户的人口统计信息。在这些实施方式中,人口统计信息通常进一步包括关于那些用户是否具有RBD的信息,并且可以包括关于那些其他用户的睡眠时段数据、移动数据和语音数据。这使得RBD和/或DEB能够与特定人口统计因素相关,并且还允许将用户的数据与来自相同人口中的其他用户的数据进行比较。
在块558,长期评估的输出是诊断和建议。块558通常提供对用户的长期预后的评估。基于来自多个睡眠时段的数据和基于来自长时间段的移动数据,用户的长期预后可以显示RBD随时间的潜在发展。通常,RBD是缓慢发展的病症,并且因此在块558处的诊断可以包括风险因素或严重性分数,例如如果用户处于RBD的早期阶段。风险因素还可以指示用户发展其它类型的神经变性病症的风险。该建议可以包括用于治疗选项(例如,药物)的建议,用于缓解或结束用户在睡眠时段期间经历的DEB的建议,用于跟进用户的健康护理提供者的建议,或相关建议或建议。
在一些实施方式中,块504B的音频采样也直接用于块556的长期评估。存在多种可与睡眠时段期间发生的发声一起或分开分析的发声异常,其也可以是神经变性病症如RBD的早期指标。这些异常可能与持续发声有关,例如音调波动、噪声或持续发声期间的非周期性。这些异常可能与发音有关,例如不精确的元音和辅音,慢的和不规则的音节,以及发音衰减。在另一个例子中,异常可以与韵律有关,并且可以包括降低响度、降低响度变化、降低音调变化和不适当的无声。用户发声的长期跟踪能够识别这些异常,这有助于RBD的早期诊断。
现在参考图6,示出了用于监测睡眠时段的示例算法600。通常,算法600是算法500的部件502的夜间监测部分的更详细说明。算法600包括模型部件602和再训练部件652。算法600的模型部件602的输入可包括块604A处的运动数据,块604B处的呼吸数据,块604C处的音频数据和块604D处的光学数据。在一些实施方式中,所有这些数据可以由系统100的传感器130中的任何一个或多个生成。块604A处的运动数据可以由运动传感器138生成,运动传感器138可以包括加速度计、陀螺仪、磁力计等。块604B处的呼吸数据可以由压力传感器132、流量传感器134、运动传感器138、麦克风140、或它们的任何组合生成。块604C处的音频数据可由麦克风140产生。块604D处的光学数据可以由相机150或IR传感器152生成。块604A-604D处的任何数据也可以由其他传感器生成。
在块606A处分析运动数据604A以检测用户在睡眠时段期间做出的运动,包括肢体运动。块606A处的运动检测还可识别其他运动,诸如用户的床伴的运动。在块606B分析块604B的呼吸数据以检测用户的呼吸。在块604C处的音频数据在块606C处被分析以检测在睡眠时段期间产生的发声,其可以包括用户的语音和非语音,用户的床伴的语音和非语音,以及任何其它检测到的音频。在一些实施方式中,使用诸如递归神经网络的机器学习算法来分析块604C处的音频数据以提取特定事件。最后,可以在块606D处分析块604D处的光学数据,以确定用户在睡眠时段期间所处的区域(例如,用户的卧室)中的光水平。
在块608A处,在块606A处检测到的运动和在块606B处检测到的呼吸被用于在睡眠时段期间标记可识别的运动事件。这可以包括用户肢体的特定运动模式,例如拳击、脚踢等;以及运动的各种属性,如速度、加速度等。可识别的运动还可以涉及用户的呼吸,例如呼吸速率和呼吸幅度。在一些实施方式中,块608A还可以利用来自块606C的检测的声音和来自块606D的检测到的光水平。
在块608B,将特定音频事件标记为相关的。例如,如果算法600确定在块604C的发声检测期间识别的特定音频事件是由用户的床伴产生的,则可以丢弃那些音频事件。可以保留确定为来自用户的所识别的音频事件以供进一步使用。所识别的音频事件可以包括任何感兴趣的发声,例如语音、哭泣、缄默、窒息、咳嗽等。特别地,可以标记具有可识别音调、强度和口头内容的语音,因为这些类型的事件经常发生在具有RBD的用户中。在一些实施方式中,块608B还可以利用来自块606A的检测到的运动,来自块606B的检测到的呼吸,以及来自块606D的检测到的光水平。
在块608C,将睡眠时段期间用户所处的区域识别为亮或暗环境。基于该区域(例如,用户的卧室)中的光水平,块608C确定它是亮的还是暗的,这进而可以用于确定用户是否正在经历非典型REM睡眠阶段。在一些实施方式中,块608C还可以利用来自块606A的检测到的运动,来自块606B的检测到的呼吸,以及来自块606C的检测的声音。
块608A的可识别运动,块608B的可识别音频事件,以及块608C的用户环境的所确定的亮度或暗度也可用作块610A处的输入,其执行实时睡眠时段分析。实时睡眠时段分析在睡眠时段的各个睡眠阶段发生时识别这些睡眠阶段。
实时睡眠时段分析的输出之一是检测到DEB的发生。当检测到DEB时,可以发生块612A处的实时DEB缓解。如本文所讨论的,DEB缓解可以以多种方式发生,包括使用可听警报器、灯、移动或振动用户床的床调节机构,与用户接触的物理接触机构,或缓解DEB可能对用户或用户的床伴造成的任何伤害的防护件或屏障。
块610A处的实时睡眠时段分析的结果也用作块610B的输入,块610B通常在睡眠时段结束之后执行更精细的睡眠分析。通常,由一个或多个训练的算法或模型来执行块610B的精细睡眠分析。因此,块610B处的睡眠时段分析可以利用更多数据来识别睡眠时段的各个睡眠阶段。块610B的睡眠时段分析的输出是块612B处的睡眠时段概要。睡眠时段概要识别用户在睡眠时段期间经历的所有睡眠阶段,以及每个睡眠阶段持续多长时间。在一些实施方式中,睡眠时段概要是睡眠图的形式,如本文进一步描述的。
在再训练部件652中,可更新在块610A处执行实时睡眠时段分析和在块610B处执行精细睡眠时段分析的训练的算法/模型。在块654,可以提供关于睡眠时段分析的反馈。在一些示例中,用户提供关于睡眠时段概要的反馈,这可以包括确认各种睡眠阶段、睡眠时段的开始和结束时间、DEB的发生,或睡眠时段概要的其他方面。基于块612B的睡眠时段概要和块654的反馈,可以创建或更新经验证的模板。在块656A生成经验证的运动模板,并包括指示在睡眠时段期间倾向于重新出现的用户特定运动的数据。在块656A处生成的经验证的运动模板通常还可包括可用于更新块610A和610B的训练的算法的与运动相关的任何类型的经确认数据或信息。类似地,在块656B生成验证的音频模板,该验证的音频模板包括指示用户确认的发声(例如语音或非语音)的数据,或通常可用于更新块610A和610B的训练的算法的与音频相关的任何类型的经确认数据或信息。这两个模板都可以用作再训练块658的输入,其中可以例如利用用户特定信息来再训练经过训练的模型。因此,可以使精细睡眠时段分析对于将来的睡眠时段更准确。
在块660A,创建用于块610A的实时睡眠时段分析的更新的检测阈值。检测阈值通常告诉训练的算法什么类型的数据指示各种睡眠阶段,以及何时发生DEB。在块660B,创建用于块612A的DEB缓解的更新的缓解阈值。缓解阈值通常指示何时应当执行某种类型的DEB缓解。例如,可能发生一些不严重到要求任何缓解的DEB。通过在块660B更新缓解阈值,算法600可以更准确地确定DEB的严重性何时足以保证缓解。在块660A和660B处生成的阈值可以由任何合适的机制生成,包括用新的用户特定数据、类似于用户的人的新数据(例如,用户的相同人口统计群体中的人)或任何其它数据来更新各种算法和模型。
图7A、7B和7C示出了可以为具有不同水平RBD的用户创建的不同睡眠图。每个睡眠图显示四个不同的睡眠周期。图7A示出了没有RBD的用户的睡眠时段的睡眠图700A。可以看出,每个睡眠周期的REM睡眠阶段是典型REM睡眠阶段702A。图7B的睡眠图700B示出了具有轻度到中度RBD的用户的睡眠时段的概要。如图所示,第一周期的REM睡眠阶段是典型REM睡眠阶段702A。然而,用户在以后的睡眠周期中开始经历非典型REM睡眠阶段。第二睡眠周期和第三睡眠周期的REM睡眠阶段包括典型REM睡眠阶段702A和非典型REM睡眠阶段702B。最后,图7C的睡眠图700C示出了已经开始呈现DEB的具有RBD的用户的睡眠时段的概要。在第一睡眠周期中,REM睡眠阶段仅包括典型REM睡眠阶段702A。在第二睡眠周期和第三睡眠周期中,REM睡眠阶段包括典型REM睡眠阶段702A和非典型REM睡眠阶段702B,类似于图7B中的睡眠图700B。在第四睡眠周期中,用户经历DEB,因此第四睡眠周期的REM睡眠阶段仅包括DEB阶段702C。
参考图8,示出了用于监测睡眠时段的方法800。通常,控制系统(例如系统100的控制系统110)或控制系统的一部分(例如处理器(例如一个或多个处理器112))被配置为执行方法800(或本文公开的其他方法)的各个步骤。存储器设备(例如系统100的存储器设备114)可用于存储方法800(或其它方法)的步骤中所利用的任何类型的数据。方法800是示例算法500和600的特定实施方式,其可以与各种不同的方法一起使用。
方法800的步骤802包括接收与用户的睡眠时段相关联的数据。接收的数据可以包括各种不同类型的数据,例如呼吸数据,指示在睡眠时段期间个体的运动的运动数据,指示在睡眠时段期间检测到的发声的音频数据,指示在睡眠时段期间个体所处的区域中的光的光学数据、或它们的任何组合。数据还可以包括表示在睡眠时段期间经过的时间的时间数据。例如,可以使用任何一个或多个传感器130来生成数据。
方法800的步骤804包括分析接收的数据以确定用户在睡眠时段期间是否正在经历DEB。在一些实施方式中,使用机器学习工具(诸如训练的DEB算法)来确定用户是否正在经历DEB。经训练的DEB算法经配置以进行各种确定,包括在睡眠时段期间检测的声音是由用户或用户的床伴进行的发声,以及由用户进行的发声是语音还是非语音。在一些实施方式中,DEB算法分析在睡眠时段之外说话的用户的附加音频数据,以帮助确定在睡眠时段期间检测到的发声是否是用户发出的语音。在更进一步的实施方式中,DEB算法确定检测的声音是否来自单独的源,诸如用户房间中的电子设备。DEB算法还可以分析运动数据、呼吸数据和光学数据以帮助确定用户是否正在经历DEB。DEB算法还可以识别任何检测到的发声中的口头内容。基于所识别的口头内容,系统100可以识别用户的情绪,例如恐惧或恐怖,其可以指示DEB。通常,为了分析数据并确定用户是否正在经历DEB,必须接收最小量的数据。在一些实施方式中,接收数据的最小量是在睡眠时段内的30秒时间段期间生成的数据。在其他实施方式中,接收的数据的最小量是在睡眠时段内的两分钟时间段期间生成的数据。
方法800的步骤806包括执行缓解用户DEB的动作。该动作可以包括激活光源,激活可听警报,使用户躺在其上的床移动,使个体身体移动,采取步骤以防止伤害用户或用户的床伴、或它们的任何组合。在一些实施方式中,该动作被配置成通过唤醒用户或使他们退出非典型REM睡眠阶段来帮助结束用户的DEB。在其他实施方式中,该动作被配置成缓解DEB本身的严重性,例如通过阻止用户和/或用户的肢体的移动,或通过保护用户和/或用户的床伴。通常,在睡眠时段期间连续地实时执行步骤804和步骤808,以确保无论何时用户经历DEB,都可以检测和缓解DEB。
在步骤808,分析接收的数据以确定个体在睡眠时段期间经历的各种不同睡眠阶段。这些睡眠阶段可以包括轻度睡眠阶段、深度睡眠阶段、典型REM睡眠阶段、非典型REM睡眠阶段和觉醒状态。与步骤804和806相反,步骤808可以在睡眠时段期间或之后的任何点执行。如果在睡眠时段期间执行,则可连续分析数据以确定用户经历的各种睡眠阶段。然而,因为仅仅经历非典型REM睡眠阶段不需要实时干预(与经历在每个非典型REM睡眠阶段期间不发生的DEB相反),所以可以在睡眠时段之后分析数据以确定用户在睡眠时段期间经历的不同睡眠阶段。在一些实施方式中,训练的机器学习算法用于分析数据并确定用户在睡眠时段期间经历的各种不同的睡眠阶段。这些训练的算法可以与用于实时确定用户是否正在经历DEB的经过训练的DEB算法相同或不同。
在一些实施方式中,单独查看不同类型的数据以确定用户处于什么睡眠阶段。例如,检测到高于特定阈值的移动可以指示用户正在经历非典型REM睡眠阶段和/或DEB所共有的有意的和复杂的移动,诸如指点、踢、冲等。在另一示例中,检测到用户在睡眠时段期间产生的发声可以指示用户处于非典型REM睡眠阶段或正在经历DEB。在又一示例中,可以分析光学数据以确定在发生睡眠时段的区域中的光水平,该区域通常是用户的卧室。高于特定阈值的光水平可以帮助确定用户处于觉醒状态,而低于阈值的光水平可以帮助确定用户处于某种类型的睡眠阶段,例如浅的、深的、典型的REM或非典型的REM。
可以组合不同类型的数据以揭示关于用户的睡眠时段的洞察力,诸如用户是否正在经历非典型REM睡眠阶段和/或正在经历DEB。特别地,因为检测移动可以发生在觉醒状态和非典型REM睡眠阶段两者中,所以将运动数据与其他数据进行交叉检查是有用的,以确定用户是否真正处于非典型REM睡眠阶段,或是否简单地醒来和四处移动。在一个示例中,时间数据和运动数据被组合。可以分析时间数据以确定在睡眠时段期间经过的时间,例如通过使用从睡眠时段开始的定时器,或者通过将当前时间与睡眠时段开始的时间进行比较。分析运动数据以确定用户是否在移动。通常,REM睡眠阶段稍后在睡眠时段期间发生,通常在后半部分。因此,在经过第一时间量(其可以是例如最大4小时)之后发生的运动指示该运动是由于用户处于觉醒状态,而在经过第二时间量(其可以是例如最小4小时)时发生的运动指示该运动是由于用户当前处于非典型REM睡眠阶段。时间数据也可以与音频数据组合。如果音频数据表明用户在经过第一时间量之后说话,则系统100通常可以确定该语音是因为用户处于觉醒状态。如果音频数据显示当第二时间量已经过去时用户正在说话,则系统100可以确定该语音是因为用户处于非典型REM睡眠阶段或正在经历DEB。在其他实施方式中,所经过的时间可以与用户在睡眠时段期间已经经历的睡眠阶段的知识相结合。通常,如果确定用户已经在睡眠时段内的特定经过时间经历了某个先前的睡眠阶段,则系统100可以确定用户当前处于什么睡眠阶段,或者当前睡眠阶段是睡眠阶段中的特定一个的概率百分比。
在另一示例中,运动数据与呼吸数据组合。分析呼吸数据以确定呼吸率变异性率。通常,在典型和非典型REM睡眠阶段期间,用户的呼吸速率变异性都很高。在运动发生时确定用户具有高于阈值的呼吸速率变异性指示用户正在经历DEB或处于非典型REM睡眠阶段。确定用户具有高于相同阈值的呼吸速率变异性,但是当没有运动发生时,指示用户处于典型REM睡眠阶段。也可以使用呼吸速率代替呼吸速率变异性。在另一示例中,运动数据与光学数据组合,光学数据被分析以确定用户在睡眠时段期间所在区域中的光水平。当光水平高于特定阈值(例如,卧室灯或灯打开)时检测到移动指示用户醒着。相反,当光水平低于阈值(例如,灯关闭)时检测到移动指示用户未醒来,并且检测到的移动是由于用户处于非典型REM睡眠阶段或正在经历DEB。在又一示例中,相同的光水平分析可以与在睡眠时段期间检测到的发声组合。当光水平低于阈值时检测到用户正在说话可以指示用户处于非典型REM睡眠阶段或正在经历DEB。当光水平高于阈值时检测到用户正在说话可以指示用户处于觉醒状态。
也可以使用其它数据来确定帮助确定用户处于哪个睡眠阶段。在一些实施方式中,系统100可以访问用户的病史。来自医疗历史的数据可揭示用户所具有的可提供对睡眠时段的额外洞察的特定状况或疾病。例如,病史可以指示用户过去已经治疗或诊断有RBD,这可以指示检测到的运动或发声更可能是由于用户处于非典型REM睡眠阶段。在另一示例中,用户的病史可以提供关于为什么用户在睡眠时段期间可能正在移动或说话的其他原因,这可以指示用户不处于非典型REM睡眠阶段,尽管在睡眠时段期间检测到移动和/或发声。还可以向用户提供问卷,该问卷可以揭示有助于确定用户处于哪个睡眠阶段的信息。例如,如果用户在调查表上指示他们具有诸如失眠或周期性肢体运动(PLM)的状况,则训练的算法可以更准确地确定移动是由于用户处于非典型REM睡眠阶段,还是由于用户的失眠或周期性肢体运动。此外,该算法可以包含能够例如基于呼吸信号、检测到的发声或移动来确定潜在的其他状况或睡眠障碍的附加模块。在一个示例中,可以基于移动模式的周期性来检测PLM。在另一示例中,可以基于呼吸信号和检测到的打鼾来检测OSA。因此,这些模块可以消除非典型REM和/或DEB检测中的混淆因素。
其它数据也可以是与一个或多个先前睡眠时段相关联的历史数据。系统100可分析历史数据以确定来自当前睡眠时段的数据中是否存在类似方面。如果历史数据将任何特征、趋势等与特定睡眠阶段相关联,则系统100可使用这些相关性来帮助确定来自当前睡眠时段的类似特征或趋势何时指示用户处于特定睡眠阶段或正在进行DEB。
最后,在方法800的步骤810,生成睡眠时段的概要。在一些实施方式中,该概要呈现为睡眠图,如图7A-7C所示。在其它实施方式中,概要包括或由指示在睡眠时段过程中在每个睡眠阶段中花费的时间的数据组成。在任一实施方式中,概要可以包括用户在睡眠时段期间经历的不同的非典型REM睡眠阶段的数量,和/或在当前睡眠时段期间在非典型REM睡眠阶段中花费的总时间。在一些实施方式中,可以将先前睡眠时段的历史概要与当前睡眠时段的概要进行比较。该比较可用于帮助确认用户在睡眠时段期间经历的非典型REM睡眠阶段的数量,以及在睡眠时段期间在非典型REM睡眠阶段中花费的时间。这些比较也可用于监测用户的长期趋势。例如,如果时间段上睡眠时段的比较指示用户正经历越来越多的非典型REM睡眠阶段,则系统100可以通知用户或第三方,并提供建议。
参考图9,示出了用于监测睡眠时段的方法900。通常,控制系统(例如系统100的控制系统110)或控制系统的一部分(例如处理器(例如一个或多个处理器112))被配置为执行方法900(或本文公开的其他方法)的各个步骤。存储器设备(例如系统100的存储器设备114)可用于存储方法900(或其它方法)的步骤中所利用的任何类型的数据。方法900是示例算法500和600的特定实施方式,其可以与各种不同的方法一起使用。
方法900的步骤902包括接收与用户的睡眠时段相关联的数据,类似于方法800的步骤802。接收的数据可以包括各种不同类型的数据,例如呼吸数据,指示在睡眠时段期间个体的运动的运动数据,指示在睡眠时段期间检测到的发声的音频数据,指示在睡眠时段期间个体所处的区域中的光的光学数据、或它们的任何组合。数据还可以包括表示在睡眠时段期间经过的时间的时间数据。例如,可以使用任何一个或多个传感器130来生成数据。
方法900的步骤904包括分析接收的数据以识别用户在睡眠时段期间经历的睡眠阶段。睡眠阶段可以包括轻度睡眠阶段、深度睡眠阶段、典型REM睡眠阶段、非典型REM睡眠阶段和觉醒状态。在睡眠时段期间,用户通常将以周期或半周期的方式循环通过各个睡眠阶段。因此,在一些实施方式中,可以将睡眠时段划分为多个较小的睡眠周期,其中每个睡眠周期包括至少一个浅睡眠阶段,至少一个深睡眠阶段和至少一个REM睡眠阶段,这可以是典型的、非典型的或两者。在一些实施方式中,使用一个或多个训练的算法来识别睡眠时段的睡眠阶段。通常,可以在步骤904处使用这里描述的任何技术,包括关于方法800的步骤808描述的技术。
在步骤906,确定用户在睡眠时段期间经历的非典型REM睡眠阶段的数量,以及在睡眠时段期间在非典型REM睡眠阶段中花费的总时间。在步骤908,基于这些确定来执行动作。在一些实施方式中,如果非典型REM睡眠阶段的数量或非典型REM睡眠阶段所花费的时间量超过相应的阈值,则导致执行该动作。
被致使执行的动作通常可以是涉及非典型REM睡眠阶段的发生的任何动作。在一些实施方式中,该动作包括使通知或消息被发送给用户或第三方。该通知可以包含非典型REM睡眠阶段的数量或非典型REM睡眠阶段所花费的时间超过其相应阈值的指示,用户采取的下一步骤的建议(例如治疗或治愈、服药、看医生等),或任何其他合适的通知或消息。第三方可以是用户的健康护理提供者(例如医生或护士)、用户的家庭成员、用户的朋友、用户的照顾者或任何其它合适的第三方。在另外的实施方式中,该动作包括用关于非典型REM睡眠阶段的数量和在睡眠时段期间在非典型REM睡眠阶段中花费的时间的信息来更新用户的医疗记录。
在一些实施方式中,可以利用用户反馈来更新用于识别睡眠阶段,并且具体地识别非典型REM睡眠阶段的训练算法。例如,如果确定用户在睡眠时段期间经历了一个或多个非典型REM睡眠阶段,则可以提示用户(或第三方,例如用户的床伴)确认用户在睡眠时段期间确实经历了一个或多个非典型REM睡眠阶段。响应于确认或缺乏确认,可以更新训练的算法,使得它们可以在随后的睡眠时段期间更准确地识别非典型REM睡眠阶段。音频和/或视频数据还可用于确认用户在睡眠时段期间是否经历了一个或多个非典型REM睡眠阶段。音频数据可以指示用户是否发出了指示非典型REM睡眠阶段的任何发声或其他声音,并且视频数据可以指示用户是否经历了指示非典型REM睡眠阶段的任何移动。
在一些实施方式中,可以将在当前睡眠时段期间在非典型REM睡眠阶段中花费的时间与在一个或多个先前睡眠时段期间在非典型REM睡眠阶段中花费的时间进行比较。在一个示例中,确定每个睡眠时段在非典型REM睡眠阶段中花费的平均时间量,然后将其与在当前周期期间在非典型REM睡眠阶段中花费的总时间进行比较。如果用户在当前睡眠阶段期间花费的时间多于非典型REM睡眠阶段中的平均时间,则可以在步骤908中执行该动作。此外,每个周期在非典型REM睡眠阶段中花费的平均时间量可以用来自当前睡眠时段的数据来更新。如果在每个睡眠时段的非典型REM睡眠阶段中花费的更新的平均时间满足阈值时间量,则也可以执行步骤908中的动作。
在其他实施方式中,可以利用用于分析在睡眠时段中经历的非典型REM睡眠阶段的数量的类似方法。因此,确定跨越一个或多个先前睡眠时段的每个睡眠时段经历的非典型REM睡眠阶段的平均数,然后与当前睡眠时段中的非典型REM睡眠阶段的数量进行比较。如果当前睡眠时段中的非典型REM睡眠阶段的数量较高,则可以执行该动作。还可以用来自当前睡眠时段的数据来更新每个睡眠时段的非典型REM睡眠阶段的平均数,并且如果更新的平均数高于阈值,则可以使动作被执行。
因此,方法900可以用于通过查看非典型REM睡眠阶段的数量和花费在非典型REM睡眠阶段中的时间来在更长的时间段上监测用户以确定用户正在发展RBD。如果用户开始经历更多的非典型REM睡眠阶段或开始在非典型REM睡眠阶段花费更长的时间量,则可以采取特定动作,其可以包括通知用户他们可能正在发展或具有RBD,或向第三方提供相关信息。
参考图10示出了用于监测睡眠时段的方法1000。通常,控制系统(例如系统100的控制系统110)或控制系统的一部分(例如处理器(例如一个或多个处理器112))被配置为执行方法1000(或本文公开的其他方法)的各个步骤。存储器设备(例如系统100的存储器设备114)可用于存储方法1000(或其它方法)的步骤中所利用的任何类型的数据。方法1000是示例算法500和600的特定实施方式,其可以与各种不同的方法一起使用。
方法1000的步骤1002包括确定与用户在先前睡眠时段中经历的非典型REM睡眠阶段的严重性相关联的历史参数。通常,非典型REM睡眠阶段的严重性可以参考例如用户在非典型REM睡眠阶段期间的运动或用户在非典型REM睡眠阶段期间的发声来量化。例如,特征为剧烈和快速移动或具有大运动范围的移动的非典型REM睡眠阶段可被认为更严重。相反,特征在于较慢和较小移动(同时仍然是RBD的有意移动)的非典型REM睡眠阶段可以被认为是较不严重的。在另一个实例中,特征为大声发声(语音或非语音)的非典型REM睡眠阶段可以被认为是特征为较安静发声(语音或非语音)的更严重的非典型REM睡眠阶段。监测非典型REM睡眠阶段的严重性(或非典型REM睡眠阶段期间经历的DEB的严重性)可以显示用户在更长时间段内RBD的发展。
方法1000的步骤1004包括接收与当前睡眠时段相关联的数据。步骤1004可以类似于方法800的步骤802和方法900的步骤902。方法1000的步骤1006包括确定与在当前睡眠时段期间经历的非典型REM睡眠阶段的严重性相关联的当前参数。通常,以与历史参数相同的方式测量与当前睡眠时段期间的非典型REM睡眠阶段的严重性相关联的参数。在一些实施方式中,历史和当前参数可以在从0到10的标度上测量。
方法1000的步骤1008包括将当前参数与历史参数进行比较。方法1000的步骤1010包括基于该比较来执行动作。在一些实施方式中,如果该比较指示在当前睡眠时段期间经历的非典型REM睡眠阶段比在一个或多个先前睡眠时段期间经历的非典型REM睡眠阶段更严重,则可以导致执行该导致。步骤1010的动作可以包括通知用户或第三方非典型REM睡眠阶段正变得更严重,这通常指示用户的RBD正在进展。该动作还可以包括在非典型REM睡眠阶段期间减少用户移动或发声的步骤。该动作可以是诸如至少参考方法800的步骤806描述的DEB缓解的实时缓解。该动作还可以包括向用户建议他们修改他们的睡眠时段以尝试并降低非典型REM睡眠阶段的严重性。该修改可以是与稍微倾斜床一样简单的事情,或者可以是更剧烈的事情,例如在睡眠时段期间部分地约束自身。
在一些实施方式中,任何非典型REM睡眠阶段的严重性是基于用户在睡眠时段期间的移动和/或用户在睡眠时段期间所做的发声。在一些实施方式中,如果正在移动的用户的部分(例如,用户的手臂)根据预定移动模式以阈值速度、以阈值加速度移动大于预定阈值时间量的时间量、或它们的任何组合,则非典型REM睡眠阶段的严重性被认为已经增加。因此,如果用户更快地或以更大的加速度移动,以有意的移动(与更随机的移动相反)开始移动,或移动更长的时间量,非典型REM睡眠阶段变得更加严重。也可以分析其它运动特征以确定非典型REM睡眠阶段是否变得更严重。用户发出的发声也可用于监测非典型REM睡眠阶段的严重程度。例如,如果在非典型REM睡眠阶段期间产生的发声比阈值音量大,具有特定的音调/频率,或者出现更长的时间量,则可以说非典型REM睡眠阶段变得更加严重。
参考图11,示出了用于监测睡眠时段的方法1100。通常,控制系统(例如系统100的控制系统110)或控制系统的一部分(例如处理器(例如一个或多个处理器112))被配置为执行方法1100(或本文公开的其他方法)的各个步骤。存储器设备(例如系统100的存储器设备114)可用于存储方法1100(或其它方法)的步骤中所利用的任何类型的数据。方法1100是示例算法500和600的特定实施方式,其可以与各种不同的方法一起使用。
方法1100的步骤1102包括接收与当前睡眠时段相关联的数据。步骤1102可以类似于方法800的步骤802、方法900的步骤902和方法1000的步骤1004。方法1100的步骤1104包括将接收的数据中的一些或全部输入到训练的DEB算法中,以确定个体在睡眠时段期间是否正在经历DEB。在一些实施方式中,使用与已知用户经历DEB的先前睡眠时段相关联的训练的数据来训练DEB算法。因此,指示DEB期间的运动的运动数据,指示DEB期间的呼吸的呼吸数据和指示DEB期间检测到的发声(或在先前的睡眠时段期间检测到的其它声音)的音频数据都可用于训练DEB算法。DEB算法还可以使用指示用户在清醒时发出的发声(语音或非语音)的音频数据或其它数据来训练。
在一些实施方式中,使用群体级训练的数据来附加地或替代地训练DEB算法。通常,用户将是特定感兴趣群体的成员,其可以由多种因素来表征,包括人口统计因素,诸如年龄、性、性别、潜在的医疗状况等。与用户群体的其他成员相关联的呼吸、运动和音频数据可以用于训练DEB算法,并且特别是与群体成员所经历的DEB的已知实例相关联的数据。
在一些实施方式中,使用神经网络来训练DEB算法。在一些实施方式中,通过从诸如呼吸率和运动水平的各种睡眠度量中提取特征,并将这些特征输入到诸如支持向量机(SVM)回归的分类器中来训练DEB算法。
方法1100的步骤1106包括响应于确定用户在睡眠时段期间正在经历DEB,执行缓解DEB的动作。步骤1106因此类似于方法800的步骤806。方法1100的步骤1108包括向用户确认用户在睡眠时段期间确实经历了DEB。该确认可以包括简单地询问用户他们是否经历了DEB。确认还可以包括向用户显示睡眠时段的视频或音频,并且使用户指示他们在听到或看到DEB时经历到DEB。可以向用户回放在睡眠时段期间记录的任何发声,然后提示用户确认他们是否进行了发声。方法1100的步骤1110包括基于该确认更新训练的DEB算法,以提高DEB算法的精度。然后可以基于用户的回答来更新DEB算法,这因此有助于改进DEB算法区分用户发出的发声和其它声音的能力。在一些实施方式中,可以使用附加数据来帮助用户确认用户进行了发声并对提示作出响应。例如,睡眠时段期间用户的视频数据可用于从检测到声音时的睡眠时段期间的时间点向用户显示视频。这允许用户容易地确认声音是用户发出的发声(语音或非语音)。
在一些实施方式中,在此提及的阈值(例如,移动量、呼吸速率、呼吸速率变异性、光水平、经过的时间、非典型REM睡眠阶段的数量、经历非典型REM睡眠阶段的时间量等)通常可以通过预训练在此讨论的任何算法或模块来确定,包括算法500、算法600、DEB算法,以及用于识别睡眠阶段的算法。在一些实施方式中,可以使用来自已知表现出RBD的患者的现有临床数据对算法和模块进行预训练,并且对于所述临床数据存在可用的合适数据源(诸如多导睡眠图(PSG)数据)。可以通过使用用户特定信息来重新训练(例如,更新)这些阈值。例如,如果在用户记录的先前睡眠时段中检测到RBD(例如,通过识别DEB或非典型REM睡眠阶段),则可以调整用于识别DEB或非典型REM睡眠阶段的各种阈值。可以基于用户对DEB或非典型REM睡眠阶段的确认,基于确认用户特别经历了DEB或非典型REM睡眠阶段的数据(例如声音数据),或基于任何其他合适的机制来调整阈值。
训练的DEB算法还可以使用从用户的先前睡眠时段生成的一个或多个睡眠图来更新。睡眠图可以指示用户在睡眠时段期间经历的非典型REM睡眠阶段的,以及用户在睡眠时段期间经历的非典型REM睡眠阶段的总数。因为睡眠图不需要产生直到睡眠时段结束,所以睡眠图通常可以利用更多的数据来识别用户在睡眠时段期间所处的各种不同睡眠阶段。因此,与睡眠时段期间采用的实时检测相比,睡眠图可以包括用户在睡眠时段期间经历的DEB的更准确的后视视图。因此,可以使用睡眠图来更新DEB算法,以提高DEB算法的准确性。在一些实施方式中,DEB算法最初可以使用来自用户或来自其他用户的睡眠图来训练。
在其他实施方式中,阈值也可以基于用户输入来确定。例如,用户可以向系统指示房间中的光水平何时处于其通常在睡眠时段期间的水平,以及用户何时在睡眠时段之前或之后醒来。这些光水平然后可用于确定用于本文所述的任何方法或算法的阈值光水平。在其他实施方式中,系统可以通过一些其他方法(用户确认、来自传感器的数据等)来检测用户何时醒着或睡着,并且检测各种参数的值以确定这些参数的阈值。
通常,方法800、900、1000和1100中的任一个可以使用具有控制系统的系统来实现,该控制系统具有一个或多个处理器和存储机器可读指令的存储器。控制系统可以联接到存储器,并且当机器可读指令由控制系统的至少一个处理器执行时,可以实现方法800-1100。方法800-1100还可以使用包括指令的计算机程序产品(诸如非暂时性计算机可读介质)来实现,所述指令在由计算机执行时使得计算机执行方法800-1100的步骤。
来自以下权利要求1-83中任一项的一个或多个的一个或多个元件或方面或步骤或其任何部分可以与来自其他权利要求1-83中任一项的一个或多个的一个或多个元件或方面或步骤或其任何部分或其组合进行组合,以形成本发明的一个或多个附加实施方式和/或权利要求。
虽然已经参考一个或多个特定实施例或实施方式描述了本发明,但是本领域技术人员将认识到,在不脱离本发明的精神和范围的情况下,可以对其进行许多改变。这些实施方式中的每一个及其明显的变化都被认为落入本发明的精神和范围内。还预期根据本发明的各方面的附加实施方式可以组合来自本文描述的任何实施方式的任何数量的特征。
Claims (83)
1.一种用于监测个体的睡眠时段的方法,所述方法包括:
接收与所述个体的当前睡眠时段相关联的数据;
分析所述接收的数据的至少一部分以识别所述个体在所述当前睡眠时段期间经历的一个或多个睡眠阶段,所述一个或多个睡眠阶段包括轻度睡眠阶段、深度睡眠阶段、典型快速眼动(REM)阶段、非典型REM阶段、觉醒阶段、或它们的任何组合;以及
生成所述当前睡眠时段的概要,所述概要包括:(i)、所述个体在所述当前睡眠时段期间经历的多个非典型REM睡眠阶段,(ii)、在所述当前睡眠时段期间在非典型REM睡眠阶段中花费的时间,或(iii)、(i)和(ii)两者。
2.根据权利要求1所述的方法,其中所述接收的数据包括:(i)、呼吸数据,(ii)、运动数据,其指示所述个体在所述当前睡眠时段期间的运动,(iii)、音频数据,其指示在所述当前睡眠时段期间检测的声音,(iv)、光学数据,其指示所述个体在所述睡眠时段期间所处的区域中的光,或(v)、它们的任何组合。
3.根据权利要求2所述的方法,进一步包括:
跟踪自所述当前睡眠时段开始以来所经过的时间;
分析所述运动数据以检测所述个体当前是否在移动;
响应于自所述当前睡眠时段所述开始以来已经经过的第一时间量并且检测到所述个体当前正在移动,确定所述个体当前处于所述觉醒状态;和/或
响应于自所述当前睡眠时段所述开始以来已经经过的第二时间量并且检测到所述个体当前正在移动,确定所述个体当前处于所述非典型REM睡眠阶段,所述第二时间量大于所述第一时间量。
4.根据权利要求2或3所述的方法,进一步包括:
基于所述运动数据确定所述个体在所述睡眠时段期间的移动量;
基于所述呼吸数据确定所述个体在所述睡眠时段期间的呼吸速率或呼吸速率变异性;
响应于确定所述个体的所述移动量小于阈值移动量并且所述个体的所述呼吸速率或所述呼吸速率变异性大于阈值呼吸速率或阈值呼吸速率变异性,确定所述个体不处于典型REM睡眠阶段;和/或
响应于确定所述个体的所述移动量大于所述阈值移动量并且所述个体的所述呼吸速率或所述呼吸速率变异性大于所述阈值呼吸速率或所述阈值呼吸速率变异性,确定所述个体处于非典型REM睡眠阶段。
5.根据权利要求2至4中任一项所述的方法,进一步包括:
基于所述运动数据确定所述个体在所述睡眠时段期间的移动量;
基于所述光学数据确定所述个体在所述睡眠时段期间所处的区域的光水平;
响应于确定所述个体的所述移动量大于阈值移动量并且所述个体所位于的所述区域的所述光水平大于阈值光水平,确定所述个体处于觉醒状态;和/或
响应于确定所述个体的所述移动量大于所述阈值移动量并且所述个体所处的所述区域的所述光水平小于所述阈值光水平,确定所述个体处于非典型REM睡眠阶段。
6.根据权利要求2至5中任一项所述的方法,进一步包括:
确定在所述当前睡眠时段期间检测的所述声音是否是由所述个体发出的语音;
基于所述光学数据确定所述个体在所述睡眠时段期间所处的所述区域的光水平;
响应于确定所检测的声音是由所述个体发出的语音并且所述个体所位于的所述区域的所述光水平大于阈值光水平,确定所述个体处于觉醒状态;和/或
响应于确定所检测的声音是所述个体发出的语音并且所述个体所处的所述区域的所述光水平小于所述阈值光水平,确定所述个体处于非典型REM睡眠阶段。
7.根据权利要求2至6中任一项所述的方法,进一步包括:
确定在所述当前睡眠时段期间检测的所述声音是否是由所述个体发出的语音;
确定在所述当前睡眠时段期间经过的时间;
响应于确定所检测的声音是所述个体发出的语音并且在所述当前睡眠时段期间所经过的时间小于阈值时间,确定所述个体处于觉醒状态;和/或
响应于确定所检测的声音是所述个体发出的语音并且在所述当前睡眠时段期间所经过的时间大于所述阈值时间,确定所述个体处于非典型REM睡眠阶段。
8.根据权利要求2至7中任一项所述的方法,进一步包括:
基于所述运动数据确定所述个体在所述睡眠时段期间的移动量;
确定在所述当前睡眠时段期间经过的时间;
响应于确定所述个体的所述移动量大于阈值移动量并且在所述当前睡眠时段期间经过的时间小于阈值时间,确定所述个体处于觉醒状态;和/或
响应于确定所述个体的所述移动量大于阈值移动量并且在所述当前睡眠时段期间经过的时间大于所述阈值时间,确定所述个体处于非典型REM睡眠阶段。
9.根据权利要求2至8中任一项所述的方法,进一步包括基于所述运动数据确定所述个体在所述睡眠时段期间的移动量,所述个体的所述移动量高于阈值移动量指示所述个体处于非典型REM睡眠阶段。
10.根据权利要求2至9中任一项所述的方法,进一步包括确定在所述当前睡眠时段期间检测的所述声音是由所述个体发出的、由所述个体的床伴发出的、或由单独的源发出的发声。
11.根据权利要求10所述的方法,其中确定在所述当前睡眠时段期间检测的所述声音是所述个体或所述个体的所述床伴发出的发声至少部分地基于:(i)、指示所述个体醒来时所述个体发出的发声的附加音频数据,(ii)、指示在一个或多个先前睡眠时段期间所述个体发出的确认发声的附加音频数据,或(iii)、(i)和(ii)两者。
12.根据权利要求10或11所述的方法,进一步包括确定所述个体在所述当前睡眠时段期间发出的所述发声是语音还是非语音。
13.根据权利要求12所述的方法,其中所述确定所述个体发出的所述发声是语音至少部分地基于:(i)、指示所述个体醒来时由所述个体发出的发声的附加音频数据,(ii)、指示在一个或多个先前睡眠时段期间由所述个体发出的确认发声的附加音频数据,或(iii)、(i)和(ii)两者。
14.根据权利要求2至13中任一项所述的方法,进一步包括确定所检测的声音是否是所述个体发出的语音,所检测的声音是所述个体发出的语音指示所述个体处于非典型REM睡眠阶段。
15.根据权利要求2至14中任一项所述的方法,进一步包括确定所述个体在所述睡眠时段期间所处的所述区域的光水平,所述确定的光水平大于指示所述个体处于觉醒状态的阈值光水平。
16.根据权利要求1至15中任一项所述的方法,进一步包括接收指示所述个体的病史的数据,所述个体的所述病史帮助识别所述个体在所述当前睡眠时段期间经历的所述一个或多个睡眠阶段。
17.根据权利要求1到16中任一项所述的方法,其中所接收的数据的第一部分包括指示在所述当前睡眠时段期间检测的声音的音频数据。
18.根据权利要求1至17中任一项所述的方法,其中所接收的数据的第二部分包括指示所述个体在所述当前睡眠时段期间的运动的运动数据和指示在所述当前睡眠时段期间检测的声音的音频数据。
19.根据权利要求1至18中任一项所述的方法,进一步包括:
确定在所述当前睡眠时段期间经过的时间;以及
基于所述个体在所述睡眠时段期间已经经历的一个或多个先前睡眠阶段以及在所述当前睡眠时段期间经过的时间,识别当前睡眠阶段。
20.根据权利要求1至19中任一项所述的方法,进一步包括:
接收与所述个体的一个或多个先前睡眠时段相关联的历史数据;
生成所述个体的所述一个或多个先前睡眠时段的历史概要,所述历史概要包括所述个体在所述一个或多个先前睡眠时段期间经历的多个非典型REM睡眠阶段,以及在所述一个或多个先前睡眠时段期间在非典型REM睡眠阶段中花费的时间;
将所述一个或多个先前睡眠时段的所述历史概要与所述当前睡眠时段的所述概要进行比较,以帮助确认所述个体在所述当前睡眠时段期间经历的非典型REM睡眠阶段的数量,以及在所述当前睡眠时段期间在非典型REM睡眠阶段中花费的时间。
21.根据权利要求1至20中任一项的方法,进一步包括:
使用训练的梦境演绎行为(DEB)算法分析所接收的数据的至少所述部分以确定所述个体在所述当前睡眠时段期间是否正经历DEB;以及
响应于确定所述个体正经历DEB,使动作执行。
22.根据权利要求21所述的方法,进一步包括:
接收与所述个体的一个或多个先前睡眠时段相关联的历史数据,所述历史数据包括与在所述一个或多个先前睡眠时段中的至少一个睡眠时段期间经历DEB的所述个体的确认实例相关的数据;以及
将与一个或多个先前睡眠时段相关联的所述历史数据和与所述当前睡眠时段相关联的数据进行比较,以帮助确定所述个体在所述当前睡眠时段期间是否正在经历DEB。
23.根据权利要求21或22所述的方法,其中所述动作被配置成:(i)、帮助结束所述DEB,(ii)、帮助缓解所述DEB对所述个体的影响,(iii)、帮助缓解所述DEB对所述个体的床伴的影响,或(iv)、它们的任何组合。
24.根据权利要求21至23中任一项所述的方法,其中所述动作包括激活光源、激活可听警报,使所述个体躺在其上的床移动,或者使所述个体身体移动。
25.根据权利要求24所述的方法,其中所述可听警报包括振铃噪声、警笛、音乐、自然声音、或口述单词。
26.根据权利要求1至25中任一项所述的方法,进一步包括响应于所述概要而执行动作,所述概要指示:(i)、所述个体在所述当前睡眠时段期间经历的非典型REM睡眠阶段的所述数量满足阈值数量,(ii)、在所述当前睡眠时段期间在非典型REM睡眠阶段中花费的时间大于阈值时间,或(iii)、(i)和(ii)两者。
27.一种用于监测个体的睡眠时段的系统,所述系统包括:
控制系统,其包括一个或多个处理器;以及
存储器,其上存储有机器可读指令;
其中所述控制系统联接到所述存储器,并且当所述存储器中的所述机器可执行指令由所述控制系统的所述一个或多个处理器中的至少一个处理器执行时,实施根据权利要求1至26中任一项所述的方法。
28.一种用于监测个体的睡眠时段的系统,所述系统包括被配置来实施权利要求1至26中任一项所述的方法的控制系统。
29.一种包括指令的计算机程序产品,所述指令在由计算机执行时使所述计算机执行根据权利要求1至26中任一项所述的方法。
30.根据权利要求29所述的计算机程序产品,其中所述计算机程序产品是非暂时性计算机可读介质。
31.一种系统,包括:
电子接口,其被配置来接收与个体的睡眠时段相关联的数据;
存储机器可读指令的存储器;以及
控制系统,其包括被配置来执行所述机器可读指令的一个或多个处理器,以便:
分析所接收的数据的至少一部分以识别所述个体在所述当前睡眠时段期间经历的一个或多个睡眠阶段,所述一个或多个睡眠阶段包括轻度睡眠阶段、深度睡眠阶段、典型快速眼动(REM)阶段、非典型REM阶段、觉醒阶段、或它们的任何组合;以及
生成所述当前睡眠时段的概要,所述概要包括:(i)、所述个体在所述当前睡眠时段期间经历的多个非典型REM睡眠阶段,(ii)、在所述当前睡眠时段期间在非典型REM睡眠阶段中花费的时间,或
(iii)、(i)和(ii)两者。
32.一种用于监测个体的睡眠时段的方法,所述方法包括:
接收与个体的睡眠时段相关联的数据;
使用一个或多个训练的算法来识别所述个体在所述睡眠时段期间经历的一个或多个睡眠阶段,所述个体的所述一个或多个睡眠阶段包括轻度睡眠阶段、深度睡眠阶段、典型快速眼动(REM)睡眠阶段、非典型REM睡眠阶段、觉醒状态、或它们的任何组合;
确定所述个体在所述睡眠时段期间经历的非典型REM睡眠阶段的总数;
确定所述个体在所述睡眠时段期间经历所述非典型REM睡眠阶段的总时间量;以及
响应于(i)、所述非典型REM睡眠阶段的总数满足第一阈值,使动作执行,(ii)所述总时间量满足第二阈值,使所述动作执行,或(iii)、(i)和(ii)两者。
33.根据权利要求32所述的方法,其中所述动作包括:使通知被发送给所述个体或第三方,使通知被显示在电子显示设备上,帮助在所述个体当前正经历所述非典型REM睡眠阶段中的一个阶段时唤醒所述个体,或它们的任何组合。
34.根据权利要求32或33所述的方法,其中所述睡眠时段包括多个睡眠周期。
35.根据权利要求34所述的方法,其中所述多个睡眠周期中的每一个睡眠周期包括所述一个或多个睡眠阶段。
36.根据权利要求35所述的方法,其中所述多个睡眠周期中的每一个睡眠周期包括:(i)、至少一个轻度睡眠阶段,(ii)、至少一个深度睡眠阶段,以及(iii)、至少一个典型REM睡眠阶段或至少一个非典型REM睡眠阶段。
37.根据权利要求32至36中任一项所述的方法,进一步包括:
响应于所述一个或多个训练的算法确定所述个体在所述睡眠时段期间经历了一个或多个非典型REM睡眠阶段,在所述当前睡眠时段之后确认所述个体在所述睡眠时段期间经历了所述一个或多个非典型REM睡眠阶段;以及
响应于所述确认,至少部分地基于所述响应来更新所述一个或多个训练的算法。
38.根据权利要求37所述的方法,其中所述确认包括提示所述个体指示所述个体在所述当前睡眠时段期间是否经历了所述一个或多个非典型REM睡眠阶段。
39.根据权利要求32至38中任一项所述的方法,进一步包括确定所述个体在至少一个或多个先前睡眠时段期间的每个睡眠时段经历非典型REM睡眠阶段的平均时间量。
40.根据权利要求39所述的方法,其中响应于所述个体在所述睡眠时段期间经历所述非典型REM睡眠阶段的所述总时间量比所述个体经历非典型REM睡眠阶段的所述平均时间量大阈值量,使所述动作执行。
41.根据权利要求39或40所述的方法,进一步包括基于所述个体在所述睡眠时段期间经历非典型REM睡眠阶段的所述总时间量,更新所述个体在每个睡眠时段经历非典型REM睡眠阶段的所述平均时间量。
42.根据权利要求41所述的方法,进一步包括响应于所述个体在每个睡眠时段经历非典型REM睡眠阶段的更新的平均时间量大于阈值量而使所述动作执行。
43.根据权利要求32至42中任一项所述的方法,进一步包括确定在至少一个或多个先前睡眠时段期间所述个体在每个睡眠时段经历的非典型REM睡眠阶段的平均数。
44.根据权利要求43所述的方法,其中响应于所述个体在所述睡眠时段期间经历的非典型REM睡眠阶段的所述总数比所述个体经历的非典型REM睡眠阶段的所述平均数大阈值量,使所述动作执行。
45.根据权利要求43或44所述的方法,进一步包括基于所述个体在所述睡眠时段期间经历的非典型REM睡眠阶段的所述总数来更新每个睡眠时段的非典型REM睡眠阶段的所述平均数。
46.根据权利要求45所述的方法,进一步包括响应于所述个体在每个睡眠时段经历的非典型REM睡眠阶段的所述更新的平均数大于阈值量而使所述动作执行。
47.根据权利要求32至46中任一项所述的方法,其中所述动作包括向所述个体发送消息、向第三方发送消息、更新所述个体的医疗记录、或它们的任何组合。
48.根据权利要求47所述的方法,其中所述第三方包括所述个体的健康护理提供者、所述个体的家庭成员、所述个体的朋友、所述个体的照顾者、或它们的任何组合。
49.一种用于监测个体的睡眠时段的系统,所述系统包括:
控制系统,其包括一个或多个处理器;以及
存储器,其上存储有机器可读指令;
其中所述控制系统联接到所述存储器,并且当所述存储器中的所述机器可执行指令由所述控制系统的所述一个或多个处理器中的至少一个处理器执行时,实施根据权利要求32至48中任一项所述的方法。
50.一种用于监测个体的睡眠时段的系统,所述系统包括被配置来实施权利要求32至48中任一项所述的方法的控制系统。
51.一种包括指令的计算机程序产品,所述指令在由计算机执行时使所述计算机执行根据权利要求32至48中任一项所述的方法。
52.根据权利要求51所述的计算机程序产品,其中所述计算机程序产品是非暂时性计算机可读介质。
53.一种系统,包括:
电子接口,其被配置来接收与个体的睡眠时段相关联的数据;
存储机器可读指令的存储器;以及
控制系统,其包括被配置来执行所述机器可读指令的一个或多个处理器,以便:
使用一个或多个训练的算法来识别所述个体在所述睡眠时段期间经历的一个或多个睡眠阶段,所述个体的所述一个或多个睡眠阶段包括轻度睡眠阶段、深度睡眠阶段、典型快速眼动(REM)睡眠阶段、非典型REM睡眠阶段、觉醒状态、或它们的任何组合;
确定所述个体在所述睡眠时段期间经历的非典型REM睡眠阶段的总数;
确定所述个体在所述睡眠时段期间经历所述非典型REM睡眠阶段的总时间量;以及
响应于(i)、所述非典型REM睡眠阶段的总数满足第一阈值,使动作执行,(ii)、所述总时间量满足第二阈值,使所述动作执行,或(iii)、(i)和(ii)两者。
54.一种用于监测个体的睡眠时段的方法,包括:
至少部分地基于与个体的多个先前睡眠时段相关联的历史生理数据来确定与所述个体在所述多个先前睡眠时段期间经历的非典型快速眼动(REM)睡眠阶段的严重性相关联的历史睡眠参数的值;
接收与所述个体的当前睡眠时段相关联的当前生理数据;
在所述当前睡眠时段期间确定与所述个体在所述当前睡眠时段期间经历的一个或多个非典型REM睡眠阶段的严重性相关联的当前睡眠参数的值;
将所述历史参数的值与所述当前参数的值进行比较;以及
响应于所述比较指示所述个体在所述当前睡眠时段期间经历的所述一个或多个非典型REM睡眠阶段中的至少一个非典型REM睡眠阶段的严重性大于所述个体经历的非典型REM睡眠阶段的历史严重性,使动作执行。
55.根据权利要求54所述的方法,其中基于(i)、在所述个体经历的所述一个或多个非典型REM睡眠阶段中的一个非典型REM睡眠阶段期间所述个体的至少一部分的运动,(ii)、在所述个体经历的所述一个或多个非典型REM睡眠阶段中的所述一个非典型REM睡眠阶段期间所述个体发出的声音,或(iii)、(i)和(ii)两者,确定所述个体经历的所述一个或多个非典型REM睡眠阶段中的所述一个非典型REM睡眠阶段的严重性。
56.根据权利要求55所述的方法,其中当所述个体的所述部分(i)以满足预定阈值速度的速度移动,(ii)以满足预定阈值加速度的加速度移动,(iii)根据预定移动模式移动,(iv)移动满足预定阈值时间量的时间量,(v)(i)和(iii)两者,(vi)(ii)和(iii)两者,(vii)(i)和(iv)两者,(viii)(ii)和(iv)两者,或(ix)(i)-(viii)的任何组合时,所述个体在所述当前睡眠时段期间经历的所述一个或多个非典型REM睡眠阶段中的所述一个非典型REM睡眠阶段的严重性大于所述个体经历的非典型REM睡眠阶段的所述历史严重性。
57.根据权利要求55或56所述的方法,其中当所述个体所发出的所述声音(i)是语音,(ii)比预定阈值音量大,(iii)具有等于预定音调的音调,(iv)发生大于预定阈值时间量的时间量,(v)(i)和(ii)两者,(vi)(i)和(iv)两者,(vii)(ii)和(iii)两者,(viii)(ii)和(iv)两者,或(ix)(i)-(viii)的任何组合时,所述个体在所述当前睡眠时段期间经历的所述一个或多个非典型REM睡眠阶段中的所述一个非典型REM睡眠阶段的严重性大于所述个体经历的非典型REM睡眠阶段的所述历史严重性。
58.根据权利要求55至57中任一项所述的方法,其中所述动作包括:(i)、在所述一个或多个非典型REM睡眠阶段中的所述一个非典型REM睡眠阶段期间减少所述个体的所述部分的移动,(ii)、在所述一个或多个非典型REM睡眠阶段中的所述一个非典型REM睡眠阶段期间减少所述个体产生的所述声音,或(iii)、(i)和(ii)两者。
59.根据权利要求54至58中任一项所述的方法,其中与所述个体在所述当前睡眠时段期间经历的所述一个或多个非典型REM睡眠阶段的严重性相关联的所述当前睡眠参数的值是以从0至10的标度测量的。
60.根据权利要求54至59中任一项所述的方法,其中所述历史参数指示(i)所述个体在所述多个先前睡眠时段期间经历的非典型REM睡眠阶段期间的移动,或(ii)所述个体在所述多个先前睡眠时段期间经历的所述一个或多个非典型REM睡眠阶段期间的声音。
61.根据权利要求54至60中任一项所述的方法,其中所述当前参数指示(i)所述个体在所述当前睡眠时段期间经历的非典型REM睡眠阶段期间的移动,或(ii)所述个体在所述当前睡眠时段期间经历的所述一个或多个非典型REM睡眠阶段期间的声音。
62.一种用于监测个体的睡眠时段的系统,所述系统包括:
控制系统,其包括一个或多个处理器;以及
存储器,其上存储有机器可读指令;
其中所述控制系统联接到所述存储器,并且当所述存储器中的所述机器可执行指令由所述控制系统的所述一个或多个处理器中的至少一个处理器执行时,实施根据权利要求54至61中任一项所述的方法。
63.一种用于监测个体的睡眠时段的系统,所述系统包括被配置来实施权利要求54至61中任一项所述的方法的控制系统。
64.一种包括指令的计算机程序产品,所述指令在由计算机执行时使所述计算机执行根据权利要求54至61中任一项所述的方法。
65.根据权利要求64所述的计算机程序产品,其中所述计算机程序产品是非暂时性计算机可读介质。
66.一种系统,包括:
电子接口,其被配置来接收与个体的多个先前睡眠时段相关联的历史数据和与所述个体的当前睡眠时段相关联的当前数据;
存储机器可读指令的存储器;以及
控制系统,其包括被配置来执行所述机器可读指令的一个或多个处理器,以便:
至少部分地基于与所述个体的所述多个先前睡眠时段相关联的所述历史数据来确定与所述个体在所述多个先前睡眠时段期间经历的非典型快速眼动(REM)睡眠阶段的严重性相关联的历史睡眠参数的值;
在所述当前睡眠时段期间确定与所述个体在所述当前睡眠时段期间经历的一个或多个非典型REM睡眠阶段的严重性相关联的当前睡眠参数的值;
将所述历史参数的值与所述当前参数的值进行比较;以及
响应于所述比较指示所述个体在所述当前睡眠时段期间经历的所述一个或多个非典型REM睡眠阶段中的至少一个非典型REM睡眠阶段的严重性大于所述个体经历的非典型REM睡眠阶段的历史严重性,使动作执行。
67.一种用于监测个体的睡眠时段的方法,所述方法包括:
接收与个体的当前睡眠时段相关联的数据,所接收的数据包括:(i)、呼吸数据,(ii)、运动数据,其指示所述个体在所述当前睡眠时段期间的运动,(iii)、音频数据,其指示在所述当前睡眠时段期间检测的声音,(iv)、光学数据,其指示所述个体在所述睡眠时段期间所处的区域中的光,或(v)、它们的任何组合;
将所接收的数据的至少一部分输入到训练的梦境演绎行为(DEB)算法中以确定所述个体在所述当前睡眠时段期间是否正在经历DEB;以及
响应于确定所述个体正经历DEB,使动作执行,以:(i)、帮助结束所述DEB,(ii)、帮助缓解所述DEB对所述个体的影响,(iii)、帮助缓解所述DEB对所述个体的床伴的影响,或(iv)、它们的任何组合。
68.根据权利要求67所述的方法,其中所述动作包括激活光源、激活可听警报,使所述个体躺在其上的床移动,使所述个体身体移动,或在所述个体与所述个体的床伴之间提供屏障。
69.根据权利要求68所述的方法,其中所述可听警报包括振铃噪声、警笛、音乐、自然声音或口述单词。
70.根据权利要求67至69中任一项所述的方法,其中使用与所述个体的多个先前睡眠时段相关联的训练的数据来训练所述DEB算法,所述训练的数据包括:(i)、呼吸数据,其指示在所述个体经历DEB的所述多个先前睡眠时段的至少一部分期间所述个体的呼吸,(ii)、运动数据,其指示在所述个体经历DEB的所述多个先前睡眠时段的至少一部分期间所述个体的运动,(iii)、音频数据,其指示在所述个体经历DEB的所述多个先前睡眠时段的至少一部分期间检测的声音,(iv)、音频数据,其指示当所述个体醒来时由所述个体产生的语音,或(v)、它们的任何组合。
71.根据权利要求67至70中任一项所述的方法,其中所述个体是个体群体的成员,并且其中使用与所述个体群体的成员的多个先前睡眠时段相关联的训练的数据来训练所述DEB算法,所述训练的数据包括:(i)、呼吸数据,其指示所述群体的所述成员在所述多个先前睡眠时段的至少一部分期间的呼吸,(ii)运动数据,其指示所述群体的所述成员在所述多个先前睡眠时段的至少一部分期间的运动,(iii)音频数据,其指示在所述多个先前睡眠时段的至少一部分期间检测的声音,(iv)、音频数据,其指示所述群体的所述成员在所述个体醒来时发出的语音,或(v)、它们的任何组合。
72.根据权利要求67至71中任一项所述的方法,进一步包括在所述当前睡眠时段之后,分析与所述当前睡眠时段相关联的所接收的数据并生成睡眠图,所述睡眠图指示(i)、所述个体在所述当前睡眠时段期间经历的非典型REM睡眠阶段的数量,(ii)、所述个体在所述当前睡眠时段期间经历的非典型REM睡眠阶段的时间量,或(iii)、(i)和(ii)两者。
73.根据权利要求72所述的方法,进一步包括使用所述睡眠图的至少一部分来保持训练的DEB算法。
74.根据权利要求67至73中任一项所述的方法,进一步包括:
响应于所述训练的DEB算法确定所述个体正经历DEB,在所述当前睡眠时段之后确认所述个体在所述睡眠时段期间经历DEB;以及
响应于所述确认,至少部分地基于所述响应来更新所述训练的DEB算法。
75.根据权利要求74所述的方法,其中所述确认包括提示所述个体指示所述个体在所述当前睡眠时段期间是否经历DEB。
76.根据权利要求67至75中任一项所述的方法,进一步包括:
接收与个体的当前睡眠时段相关联的音频数据;
响应于确定所述个体正在经历DEB,提示所述个体确认对应于所述个体在所述当前睡眠时段期间所经历的所述DEB的所述音频数据的一部分是与所述个体相关联的声音;以及
响应于所述个体对所述提示的响应,至少部分地基于所述响应来更新所述训练的DEB算法。
77.根据权利要求76所述的方法,进一步包括:
接收指示所述个体在所述睡眠时段期间的视频的视频数据;以及
在所述睡眠时段期间显示所述个体的所述视频以帮助所述个体响应所述提示。
78.根据权利要求67至77中的任一项所述的方法,其中在所述当前睡眠时段之前使用指示所述个体在一个或多个先前睡眠时段期间的运动的数据来训练所述DEB算法,并且其中更新所述训练的DEB算法有助于提高所述DEB算法的能力,以确定在睡眠时段期间检测到的音频是否是所述个体发出的声音。
79.一种用于监测个体的睡眠时段的系统,所述系统包括:
控制系统,其包括一个或多个处理器;以及
存储器,其上存储有机器可读指令;
其中所述控制系统联接到所述存储器,并且当所述存储器中的所述机器可执行指令由所述控制系统的所述一个或多个处理器中的至少一个执行时,实施根据权利要求67至78中任一项所述的方法。
80.一种用于监测个体的睡眠时段的系统,所述系统包括被配置来实施权利要求67至78中任一项所述的方法的控制系统。
81.一种包括指令的计算机程序产品,所述指令在由计算机执行时使所述计算机执行根据权利要求67至78中任一项所述的方法。
82.根据权利要求81所述的计算机程序产品,其中所述计算机程序产品是非暂时性计算机可读介质。
83.一种系统,包括:
被配置来接收与个体的睡眠时段相关联的数据的电子接口,所接收的数据包括:(i)、呼吸数据,(ii)、运动数据,其指示在所述当前睡眠时段期间所述个体的运动,(iii)、音频数据,其指示在所述当前睡眠时段期间检测的声音,(iv)、光学数据,其指示在所述睡眠时段期间所述个体所处的区域中的光,或(v)、它们的任何组合;
存储机器可读指令的存储器;以及
控制系统,其包括被配置来执行所述机器可读指令的一个或多个处理器,以便:
将所接收的数据的至少一部分输入到训练的梦境演绎行为(DEB)算法中,以确定所述个体在所述当前睡眠时段期间是否正在经历DEB;以及
响应于确定所述个体正经历DEB,使动作执行,以:(i)、帮助结束所述DEB,(ii)、帮助缓解所述DEB对所述个体的影响,(iii)、帮助缓解所述DEB对所述个体的床伴的影响,或(iv)、它们的任何组合。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063003240P | 2020-03-31 | 2020-03-31 | |
US63/003,240 | 2020-03-31 | ||
PCT/IB2021/052669 WO2021198934A1 (en) | 2020-03-31 | 2021-03-31 | Systems and methods for detecting rem behavior disorder |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115802938A true CN115802938A (zh) | 2023-03-14 |
Family
ID=75746963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180039291.3A Pending CN115802938A (zh) | 2020-03-31 | 2021-03-31 | 用于检测rem行为障碍的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230240595A1 (zh) |
EP (1) | EP4125576A1 (zh) |
JP (1) | JP2023526888A (zh) |
CN (1) | CN115802938A (zh) |
AU (1) | AU2021247681A1 (zh) |
WO (1) | WO2021198934A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116746887A (zh) * | 2023-08-18 | 2023-09-15 | 智慧眼科技股份有限公司 | 一种基于音频的睡眠分期的方法、系统、终端及存储介质 |
CN117275723A (zh) * | 2023-09-15 | 2023-12-22 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11887729B2 (en) * | 2019-11-10 | 2024-01-30 | SensorRx, Inc. | Personalized extended digital migraine diary |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262373A1 (en) * | 2007-04-02 | 2008-10-23 | Burns Joseph W | Automated polysomnographic assessment for rapid eye movement sleep behavior disorder |
US20110160603A1 (en) * | 2008-06-13 | 2011-06-30 | The Parkinson's Institute | Diagnosis of neurogenerative disorders |
US20120053508A1 (en) * | 2010-08-26 | 2012-03-01 | Medtronics, Inc. | Therapy for rapid eye movement behavior disorder (rbd) |
US20150126821A1 (en) * | 2012-06-12 | 2015-05-07 | Technical University Of Denmark | Support System And Method For Detecting Neurodegenerative Disorder |
CN104812300A (zh) * | 2012-09-19 | 2015-07-29 | 瑞思迈传感器技术有限公司 | 用于确定睡眠阶段的系统和方法 |
CN106510663A (zh) * | 2016-11-28 | 2017-03-22 | 沃康(上海)家具有限公司 | 一种基于物联网的睡眠监控方法 |
CN106691686A (zh) * | 2016-12-28 | 2017-05-24 | 广东中科慈航信息科技有限公司 | 一种用于监测和评估快速眼动睡眠期行为障碍功能的眼罩 |
CN107875496A (zh) * | 2017-11-22 | 2018-04-06 | 宁波德葳智能科技有限公司 | 一种智能睡眠管理眼罩装置及其控制方法 |
CN110366387A (zh) * | 2017-02-27 | 2019-10-22 | 博能电子公司 | 测量和评估睡眠质量 |
JP2019195469A (ja) * | 2018-05-10 | 2019-11-14 | ディメンシア・フロント株式会社 | 睡眠評価方法及び睡眠評価シート、並びに、睡眠評価結果に基づいて脳機能疾病を鑑別する鑑別方法及び鑑別シート |
CN110558946A (zh) * | 2019-09-11 | 2019-12-13 | 京东方科技集团股份有限公司 | 一种记录用户异常睡眠状态的方法及睡眠仪 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10492720B2 (en) | 2012-09-19 | 2019-12-03 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
EP3209358B1 (en) | 2014-10-24 | 2021-12-01 | ResMed Inc. | Respiratory pressure therapy system |
WO2017132726A1 (en) | 2016-02-02 | 2017-08-10 | Resmed Limited | Methods and apparatus for treating respiratory disorders |
KR102647218B1 (ko) | 2016-09-19 | 2024-03-12 | 레스메드 센서 테크놀로지스 리미티드 | 오디오 신호 및 다중 신호로부터 생리학적 운동을 검출하는 장치, 시스템 및 방법 |
KR102649497B1 (ko) | 2017-12-22 | 2024-03-20 | 레스메드 센서 테크놀로지스 리미티드 | 차량에서의 생리학적 감지를 위한 장치, 시스템, 및 방법 |
US11615688B2 (en) | 2017-12-22 | 2023-03-28 | Resmed Sensor Technologies Limited | Apparatus, system, and method for motion sensing |
WO2019212901A1 (en) * | 2018-04-30 | 2019-11-07 | Kelvin Ning | Method, system and device for assisted sleep |
WO2020104465A2 (en) | 2018-11-19 | 2020-05-28 | Resmed Sensor Technologies Limited | Methods and apparatus for detection of disordered breathing |
-
2021
- 2021-03-31 CN CN202180039291.3A patent/CN115802938A/zh active Pending
- 2021-03-31 JP JP2022559999A patent/JP2023526888A/ja active Pending
- 2021-03-31 AU AU2021247681A patent/AU2021247681A1/en active Pending
- 2021-03-31 US US17/915,779 patent/US20230240595A1/en active Pending
- 2021-03-31 WO PCT/IB2021/052669 patent/WO2021198934A1/en unknown
- 2021-03-31 EP EP21722543.2A patent/EP4125576A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262373A1 (en) * | 2007-04-02 | 2008-10-23 | Burns Joseph W | Automated polysomnographic assessment for rapid eye movement sleep behavior disorder |
US20110160603A1 (en) * | 2008-06-13 | 2011-06-30 | The Parkinson's Institute | Diagnosis of neurogenerative disorders |
US20120053508A1 (en) * | 2010-08-26 | 2012-03-01 | Medtronics, Inc. | Therapy for rapid eye movement behavior disorder (rbd) |
US20150126821A1 (en) * | 2012-06-12 | 2015-05-07 | Technical University Of Denmark | Support System And Method For Detecting Neurodegenerative Disorder |
CN104812300A (zh) * | 2012-09-19 | 2015-07-29 | 瑞思迈传感器技术有限公司 | 用于确定睡眠阶段的系统和方法 |
CN106510663A (zh) * | 2016-11-28 | 2017-03-22 | 沃康(上海)家具有限公司 | 一种基于物联网的睡眠监控方法 |
CN106691686A (zh) * | 2016-12-28 | 2017-05-24 | 广东中科慈航信息科技有限公司 | 一种用于监测和评估快速眼动睡眠期行为障碍功能的眼罩 |
CN110366387A (zh) * | 2017-02-27 | 2019-10-22 | 博能电子公司 | 测量和评估睡眠质量 |
CN107875496A (zh) * | 2017-11-22 | 2018-04-06 | 宁波德葳智能科技有限公司 | 一种智能睡眠管理眼罩装置及其控制方法 |
JP2019195469A (ja) * | 2018-05-10 | 2019-11-14 | ディメンシア・フロント株式会社 | 睡眠評価方法及び睡眠評価シート、並びに、睡眠評価結果に基づいて脳機能疾病を鑑別する鑑別方法及び鑑別シート |
CN110558946A (zh) * | 2019-09-11 | 2019-12-13 | 京东方科技集团股份有限公司 | 一种记录用户异常睡眠状态的方法及睡眠仪 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116746887A (zh) * | 2023-08-18 | 2023-09-15 | 智慧眼科技股份有限公司 | 一种基于音频的睡眠分期的方法、系统、终端及存储介质 |
CN116746887B (zh) * | 2023-08-18 | 2023-12-01 | 智慧眼科技股份有限公司 | 一种基于音频的睡眠分期的方法、系统、终端及存储介质 |
CN117275723A (zh) * | 2023-09-15 | 2023-12-22 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及系统 |
CN117275723B (zh) * | 2023-09-15 | 2024-03-15 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021198934A1 (en) | 2021-10-07 |
AU2021247681A1 (en) | 2022-11-03 |
EP4125576A1 (en) | 2023-02-08 |
JP2023526888A (ja) | 2023-06-26 |
US20230240595A1 (en) | 2023-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2024512835A (ja) | ユーザの睡眠段階を促進するためのシステムおよび方法 | |
US20230240595A1 (en) | Systems and methods for detecting rem behavior disorder | |
US20220339380A1 (en) | Systems and methods for continuous care | |
WO2021137120A1 (en) | Systems and methods for determining a sleep time | |
JP2023523001A (ja) | 睡眠関連パラメータを分析するためのシステムおよび方法 | |
US20230363700A1 (en) | Systems and methods for monitoring comorbidities | |
US20220401673A1 (en) | Systems and methods for injecting substances into a respiratory system | |
WO2021152484A1 (en) | Systems and methods for requesting consent for data | |
US20230417544A1 (en) | Systems and methods for determining a length and/or a diameter of a conduit | |
US20230111477A1 (en) | Systems and methods for increasing a sleepiness of individuals | |
US20220192592A1 (en) | Systems and methods for active noise cancellation | |
US20240215908A1 (en) | Systems and methods for determining a sleep stage of an individual | |
US20240226477A1 (en) | Systems and methods for modifying pressure settings of a respiratory therapy system | |
WO2024039569A1 (en) | Systems and methods for determining a risk factor for a condition | |
EP4346556A1 (en) | Systems and methods for determining a sleep stage of an individual | |
WO2023173166A1 (en) | Systems and methods for optimizing parameters of a respiratory therapy system | |
WO2024069436A1 (en) | Systems and methods for analyzing sounds made by an individual during a sleep session | |
CN117580602A (zh) | 用于修改呼吸治疗系统的压力设置的系统和方法 | |
EP4267223A1 (en) | Systems and methods for detecting rainout in a respiratory therapy system |
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 |