CN116209389A

CN116209389A - 用于确定呼吸信号的处理器和方法

Info

Publication number: CN116209389A
Application number: CN202180065794.8A
Authority: CN
Inventors: A·T·J·M·石泊尔; R·M·M·德克西; R·J·G·范斯隆
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2020-09-25
Filing date: 2021-09-17
Publication date: 2023-06-02
Also published as: US20220095952A1; WO2022063688A1; EP4216812A1; JP2023542379A; EP3973866A1

Abstract

一种用于导出呼吸信号的处理器和方法是基于对3轴加速度信号的处理。从3轴加速度信号中分离出重力向量，并且执行到经变换的3轴坐标系的坐标变换，其中所分离出的平均重力向量与经变换的3轴坐标系的第一轴线对齐。然后，仅对经变换的3轴坐标系的其余两个轴线的分量执行分析，从而导出1维呼吸信号。可以例如使用频率分析从1维呼吸信号获得呼吸速率，或可以标识睡眠障碍性呼吸事件。

Description

用于确定呼吸信号的处理器和方法

技术领域

本发明涉及呼吸信号的生成，例如，用于测量呼吸速率、呼吸努力或用于检测诸如睡眠障碍性呼吸事件之类的其他状况的呼吸信号的生成。

背景技术

对于检测并管理各种状况，受试者的呼吸特点备受关注。

例如，已经证明了呼吸速率是患者状况恶化的良好指示符。与其他生命体征相结合，呼吸频率在早期警报系统中起关键作用。因此，在医院的重症监护室中，需要对呼吸信号进行连续且可靠的监测，可以从该呼吸信号中提取呼吸频率。医院的一般病房环境中和家庭保健应用中(诸如远程医疗和慢性病管理中)也出现类似需求。更进一步地，估计呼吸努力在诊断阻塞性睡眠呼吸暂停综合征时具有重要性。呼吸努力可以被定义为针对驱动呼吸的呼吸肌的耗能活动。

呼吸监测可以基于不同的原理：测量呼吸努力，例如，胸阻抗体积描记术、呼吸电感体积描记术、加速计、光电体积描记术；测量呼吸效应，例如，声音记录、通过经由鼻插管呼出空气进行体温感测或二氧化碳感测、或横膈膜或胸骨旁肌肉EMG测量。

已经很好地建立了一些传感器来监测呼吸。例如，在重症监护室中，胸阻抗体积描记术是首选方法，而在睡眠研究中，通常也使用通常被称为呼吸带(respiration band或respiband)的呼吸电感体积描记术。

对于能走动的病人，诸如在普通病房或家庭保健中，这些传感器具有局限性。例如，医护人员和患者都认为呼吸带过于显眼和麻烦。然而，在许多应用中，期望在延长的时段内进行动态监测。测量胸部或肋骨运动的设备非常合适，因为它易于佩戴并且仅需要与胸部机械接触的单个点。无需电接触。由于低功耗，所以该设备可以非常小。

例如，WO 2015/018752公开了一种用于使用用于检测呼吸运动的胸部佩戴式设备加速度计来获得呼吸信号的方法和系统。对运动信号的分析包括：确定该运动的旋转轴线和/或旋转角度。旋转模型将呼吸运动建模为围绕单个旋转轴线的旋转。

众所周知，除了加速计之外，还可以使用陀螺仪，并且在加速计表现不好的某些姿势下，可能需要这种陀螺仪。

呼吸频率通常要么通过频率分析要么通过时域分析来确定。通常，假定了一些关于呼吸运动的哪些方向与吸气相对应以及运动的哪些方向与呼气相对应的现有技术知识。然而，需要这种现有知识限制了应用的自由。例如，在这种情况下，必须控制附接到胸部的位置以及传感器的方位。

EP 2 263 532公开了一种运动确定装置，该运动确定装置使用多轴加速度计来获得沿着不同空间轴线的加速度信号。对来自不同轴线的加速度计信号进行组合以导出1维信号。处理基于主分量分析和独立分量分析以找出线性变换的权重，该线性变换将3D加速度值映射到1D信号空间上。

通常期望降低估计误差的水平，因此，在这样的系统中缺乏鲁棒性，并且一直对简化传感器设计和处理要求颇有兴趣。本发明具有这些目的。

发明内容

本发明由权利要求限定。

根据符合本发明的一个方面的示例，提供了一种用于导出呼吸信号的处理器，该处理器包括：

输入，用于接收3轴加速度信号，其中处理器适于：

从3轴加速度信号分离出重力向量；

执行到经变换的3轴坐标系的坐标变换，其中经时间平均的重力向量与经变换的3轴坐标系的第一轴线对齐；

对经变换的3轴坐标系的其余两个轴线的分量执行分析，从而导出1维呼吸信号。

处理用于对经变换的3轴坐标系的2D(水平)平面中的呼吸模式进行分析，即，丢弃第一(竖直)轴线。这简化了处理。经变换的3轴坐标系是三个正交单位向量的坐标系。同样，加速度计生成一组三个正交加速度信号。通过将3D信号投影到该经变换的坐标空间中的水平面，获得了附加鲁棒性。在处理以导出1D呼吸信号之前，减少了维数，并且这降低了计算复杂度。具体地，在将2D加速度值映射到1D信号之前，使用到2D空间中的投影(当丢弃第一轴线时)。感兴趣的生理信号主要在2D空间中表现自己。因此，投影用作映射时的约束并且由于在投影期间丢弃的维度主要包含噪声并且不包含关于呼吸的信息，所以增加了鲁棒性。

呼吸信号可以用于各种目的。

在第一组示例中，根据权利要求所述的处理器还适于对呼吸信号进行处理以使用频率分析根据1维呼吸信号确定呼吸速率。

因此，频率分析与基于质量的统计后处理结合使用。例如，基于质量的后处理包括将多个呼吸速率估计组合成一个估计(例如，基于从5秒时段导出的12个个体速率的加权和，每分钟一个)。权重可以是个体速率的质量数目。

可以在没有假定任何附接位置或传感器方位的情况下使用处理器。它根据以任何方位捕获的加速度数据估计吸气和呼气的方向。

处理器可以适于通过在滑动时间窗口上应用傅立叶变换并且确定每个窗口的频谱中的最高峰值的频率来根据1维呼吸信号确定呼吸速率，其中从一组相继窗口的最高峰值中导出呼吸速率。

在第二组示例中，处理器还适于对呼吸信号进行处理以根据1维呼吸信号确定睡眠障碍性呼吸(SDB)事件。

在无需标识实际呼吸速率的情况下，可以使用呼吸信号来标识睡眠障碍性呼吸事件，诸如呼吸浅慢、以及阻塞性和中枢性呼吸暂停。

可以通过从1维呼吸信号中提取特征来获得睡眠障碍性呼吸事件。这些特征可以涉及信号的幅度、频率或模式特点。机器分类器可以用于确定事件，并且它可以指示不同睡眠障碍性呼吸事件的标志或概率。还可以导出SDB严重性，诸如呼吸暂停低通气指数(AHI)。

处理器可以适于附加地基于对心脏信号的分析来确定睡眠障碍性呼吸事件。例如，心跳间间隔(IBI)或其他措施可以进一步帮助标识睡眠障碍性呼吸事件。

在所有示例中，处理器可以适于在分离出重力向量之前执行对加速度信号的预处理，其中预处理包括采样和低通滤波。这用于从原始加速度信号中提取感兴趣的信号。

处理器可以适于通过实现递归指数平滑函数从3轴加速度信号分离出重力向量。这提供了一种用于分离出重力向量的计算光方法。

处理器可以通过导出旋转矩阵来执行到经变换的3轴坐标系的坐标变换，该旋转矩阵将所分离出的重力向量映射到第一轴线。这提供了简单的计算步骤以使重力向量与经变换的坐标空间的单位向量中的一个单位向量对齐。

处理器可以适于执行分析以使用主分量分析或使用机器学习来导出1维呼吸信号。1维呼吸信号是呼吸努力的未经校准的估计，即，呼吸的瞬时深度(和方向)。

处理器可以例如适于根据1维呼吸信号估计吸气方向和呼气方向。1维信号不包括吸气阶段和呼气阶段的任何标识，但是需要该信息以使得能够对用户的呼吸特点进行适当的分析。

可以通过确定1维呼吸信号的偏度值来估计吸气方向和呼气方向。例如，可以以迭代方式计算偏度。

如果需要，则处理器可以适于执行反转，使得一种类型的偏度(例如，左偏或右偏)与吸气方向相对应，而另一种类型的偏度(例如，右偏或左偏)与呼气方向相对应。这简化了对结果信号的分析，因为它与呼吸的吸气阶段和呼气阶段的关系已知。

本发明还提供了一种用于导出呼吸信号的系统，该系统包括：

加速度计，用于生成3轴加速度信号；以及

如上文所定义的处理器。

本发明还提供了一种用于导出呼吸信号的方法，包括：

接收3轴加速度信号；

从3轴加速度信号分离出重力向量；

该方法实现简单、性能良好。

该方法可以包括：在分离出重力向量之前，执行对加速度信号的预处理，其中预处理包括采样和低通滤波。

该方法还可以包括以下各项中的一项或多项：

通过实现递归指数平滑函数从3轴加速度信号分离出重力向量；

通过导出旋转矩阵，执行到经变换的3轴坐标系的坐标变换，该旋转矩阵将所分离出的重力向量映射到第一轴线；

使用主分量分析或使用机器学习执行分析以导出1维呼吸信号。

例如，迭代主分量分析计算的计算成本低，并且利用随着时间的一致性。

该方法可以包括：通过确定1维呼吸信号的偏度值来从1维呼吸信号估计吸气方向和呼气方向。

该方法可以包括：使用频率分析根据1维呼吸信号确定呼吸速率。可以通过以下各项从1维呼吸信号中导出呼吸速率：在滑动时间窗口上应用傅立叶变换并且确定每个窗口的频谱中的最高峰值的频率以及从一组相继窗口的最高峰值中导出呼吸速率。

该方法可以替代地包括：根据1维呼吸信号确定睡眠障碍性呼吸事件。可以通过从1维呼吸信号中提取特征来确定睡眠障碍性呼吸事件。

可以附加地基于对心脏信号的分析来标识睡眠障碍性呼吸事件。

本发明可以以软件来实现，因此本发明还提供了一种计算机程序，包括计算机程序代码，当计算机程序代码在计算机上运行时，该计算机程序代码适于实现上文所定义的方法。

参考下文所描述的实施例，本发明的这些和其他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，现在仅通过示例参考附图，其中

图1示出了使用加速度计测量方位；

图2示出了加速度计坐标系中的呼吸模式；

图3示出了备选坐标系中与图2相同的模式；

图4示出了3D加速度模式从图2到备选坐标系中的水平面的水平投影；

图5示出了与参考信号(顶部窗格)有关的速度廓线(底部窗格)；

图6示出了在本发明的系统和方法的示例中用于对3D加速度数据进行处理的处理步骤；

图7示出了呼吸信号的估计；

图8示出了估计的频率分布；

图9用于示出了如何导出呼吸方向；

图10示出了示出使用本发明的处理估计的呼吸速率与参考信号的呼吸速率之间的差异的三个曲线图；

图11示出了用于从1D呼吸努力信号中检测到SDB事件的系统；

图12示出了基于神经网络的图11的系统的可能实现方式；

图13示出了图12的系统中存在的一组可能信号；以及

图14示出了图11的示例的扩展，其中还对所检测到的SDB事件进行处理以估计SDB严重性的级别。

具体实施方式

参考附图对本发明进行描述。

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，但是仅用于说明的目的，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他特征方面和优点根据以下描述、所附权利要求和附图将变得更好理解。应当理解，附图仅仅是示意性的并未按比例绘制。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件。

本发明提供了一种处理器、使用该处理器的系统以及用于通过对3轴加速度信号进行处理来导出呼吸信号的方法。从3轴加速度信号中分离出重力向量，并且执行到经变换的3轴坐标系的坐标变换，其中所分离出的重力向量与经变换的3轴坐标系的第一轴线对齐。然后，仅对经变换的3轴坐标系的剩余两个轴线的分量执行分析，从而导出1维呼吸信号。可以例如使用频率分析从1维呼吸信号中获得呼吸速率，或可以标识睡眠障碍性呼吸事件。

本发明的系统利用使用加速度计的呼吸测量。呼吸导致胸骨和肋骨旋转，通过加速度计检测到这些运动。

在吸气期间，胸骨和肋骨沿腹侧和颅侧方向移动。在呼气期间，胸骨和肋骨沿相反方向移动。所附接的加速度计可以通过方位改变来测量该运动。加速度计以准静态方式操作，并且测量重力向量

在轴线上的投影。

加速度计可以被建模为具有悬挂在其内部的重物的盒子。加速度计测量盒子施加到重物上的力。3D加速度计具有形成右手坐标系的三个正交轴

轴线测量加速度在其上的投影。

如果加速计处于自由落体状态，则盒子不会对重物施加任何力，并且所有轴线均测量到零加速度。

图1示出了使用加速度计测量方位。该图示出了加速度计的轴y和z。x轴指向读者并且未示出。重力向量g被示为g。

左侧图像示出了加速度计水平定向，并且z轴与重力对齐。右侧图像示出了加速度计向右倾斜角度α。示出了重力向量沿着y轴和z轴的分解。

如果加速度计被放置在如左侧图像所示的水平表面上，则盒子向重物施加向上力。加速度计将其测量为向上方向上的加速度+1g。如果α是加速度计的z轴与如右侧图像所示的向上方向之间的角度，则a_z＝g cos(α)。如果向上方向在y-z平面中，则a_y＝g sin(α)。

如果α小，则a_z≈g且a_y≈0。如果α改变较少的量，则Δa_z≈0且Δa_y≈αg。这仅在加速度计的z轴指向上的情况下才成立，通常并非这种情况。如下文所解释的，本发明利用了坐标变换以变换到新坐标系

新坐标系形成正交右手系基础，使得/>

向上指向(与/>

对齐)。因此，/>

和/>

位于水平面中(如果/>

被定义/命名为经变换的坐标系中的竖直轴线)。

在这种情况下，仅测量到水平面上的投影就足够了。换句话说，仅使用加速度信号的

和/>

分量就足够了。这仅在加速度计在准静态模式下操作并且角度很小的情况下有效。

该方法可以增加系统的鲁棒性。当导出呼吸信号时，使用其中参数被估计出来的模型。通过使用该水平投影，参数空间受到约束。

参数是投影轴线的三个坐标。为了获得一维呼吸波形，将三维加速度值投影到投影轴线上。首先，向水平面投影，然后向该平面中的轴线投影。轴线的方向使得增加投影值与吸气相对应。

注意，如果加速度计在其轴线上的投影

发生改变，则加速度计只能测量方位改变。如果围绕/>

旋转加速度计，则所有加速度计轴线上的投影保持不变，并且不能测量任何东西。陀螺仪不易受此影响，因为它可以测量与方位无关的旋转。因此，陀螺仪通常用于测量方位改变。

可以根据加速度数据(例如，根据放置在受试者的胸部的加速度计)测量呼吸模式。

图2示出了加速度计坐标系

中的呼吸模式。该图的方位与这些轴线一致(竖直绘制z轴)。

图3示出了相同模式，但是在上述备选变换坐标系

中示出了相同模式。在该坐标系中，/>

和/>

位于水平面中，并且/>

向上指向(与/>

对齐)，因此示出了竖直线。可以看出，模式位于水平面中，其中v＝1g。

图2和图3的加速度数据以16Hz进行采样，并且持续时间为15秒。数据片段跨越两个呼吸周期。每个周期形成一种拉索模式。虚线连接连续样本。

圆点20、30指示模式的开始。轴x、y和z是图2中的原始加速度计轴线，而图3示出了相同数据片段，但是在新坐标系(h1、h2、v)中示出了相同数据片段。

图4示出了3D加速度模式从图3到水平面(h1分量和h2分量)的水平投影，即，通过丢弃v轴。两个呼吸周期遵循对角线逆时针模式。圆点之间的距离与加速度计的方位发生改变的角速度成比例。圆点分开越远，速度就越高。

箭头40、42示出了最大速度的点和方向。箭头40与吸气相对应，而箭头42与呼气相对应。吸气与水平投影图中的左上方方向相对应。

图5示出了与参考信号(顶部窗格)相关的速度廓线(底部窗格)。

参考信号是如由其他可信传感器测量的实际呼吸信号，并且被提供为用于解释系统的操作的目的。在正常使用系统时，该参考信号并非可用信号。参考信号例如从呼吸阻抗体积描记术的频带(RIP频带)中获得。这种频带通常不在流动条件下使用。

转速的峰值处于最大吸气和呼气流量，即，参考信号中吸气周期的最陡部分和呼气周期的最陡部分。峰值50是吸气峰值，而峰值52是呼气峰值，分别与向量40、42相对应。

本申请中给出的结果基于数据收集研究。使用10名健康受试者，其中对每名受试者以仰卧、左侧卧和右侧卧分析80分钟。在不同的身体位置处采用胸戴式加速度计，其中用户自主呼吸。

在一个示例中，该系统的目的是从3D加速度信号中获得呼吸信号和呼吸速率。

图6示出了用于对3D加速度数据进行处理的处理步骤。

每个处理状态的输入处的数字示出了信号的维数。

处理步骤全部由处理器60实现。处理器60接收三维(即，3轴)加速度信号作为输入62。

在第一(预处理)步骤64中，例如，以250Hz对3D加速度信号进行采样。呼吸模式例如具有高达约1.0Hz的信号分量，因此这表示高度过采样。因此，还(例如，使用具有1Hz截止点的二阶巴特沃斯滤波器)对信号进行低通滤波，并且信号被抽取到较低的采样率，例如，16Hz。由此显著降低了后续步骤的计算复杂度。

在步骤66中，对经滤波的信号进行处理以执行重力向量重力的分离和重力向量的移除。与重力分量相比较，3D加速度信号中的呼吸分量相对较小。因此，首先去除重力分量是有利的。

存在各种可能的重力去除方法。

一种可能的方法基于递归过程，通过该递归过程，以递归方式调整估计直到找到匹配为止。首先，通过指数平滑估计重力：

在该公式中，对于时间步长n，

是重力估计，而/>

是3D加速度。α是平滑参数。例如，它可以被设置为使得对重力改变的适应和抗伪像弹性被平衡。典型地，α的值低，诸如低于0.1。在该分析中使用0.0652的值与16Hz的采样速率的组合。

从3D加速度信号中减去所估计的重力，使得获得‘零重力’加速度(其中去除了经时间平均的重力向量)：

在步骤68中执行上文所提及的水平投影。如上文所解释的，呼吸模式发生在水平面中(在经变换的坐标系中)。

另一可能的方法可以通过减去数据块上的均值加速度来对数据块进行操作。

对重力向量进行“分离”。它可以在坐标变换之前被去除，但是在坐标变换之后到水平面的投影也去除了重力向量。因此，可以以不同方式实现重力向量(具体地，经时间平均的值)的去除。

因此，呼吸模式分析可能局限于水平面。生成水平投影首先包括：执行变换以变换到新坐标系

其中轴线/>

和轴线/>

位于水平面中。

然后，可以丢弃竖直轴线

第一步是标识原始加速度计坐标系中的重力向量

的分量。

作为重力去除步骤的一部分，已经获得该信息。

使用

产生旋转矩阵R，使得

其中

是/>

中的加速度，而/>

是经变换的坐标系/>

中的加速度。

该旋转R与两个连续旋转相对应。首先，围绕x轴(R₁)，然后围绕y轴(R₂)：

其中

/>

对于后续分析，仅使用

的/>

分量和/>

分量，使得维数减少到两个，如图6所示。

在步骤70中，使用主分量分析。第一目的是估计尽可能类似于图5所示的参考信号(r)的呼吸信号

信号/>

是1维信号，而加速度信号是三维信号。因此，需要减少维数。

主分量分析是用于这种类型的数据处理的公知工具，并且它实现了赫布型学习(Hebbian Learning)。PCA例如在J.Karhunen和J.Joutsensalo的“Generalizations ofPrincipal Component Analysis,Optimization Problems,and Neural Networks”，Neural Networks，第8卷，第4期，第549页至第562页，1995中进行了讨论。

在赫布型学习中，通过激活的反馈来加强引起高激活的神经路径。由于只需要一个维度，所以只需要第一主分量，并且可以使用所谓的Oja规则。

Oja规则以迭代式工作。每时间步长执行一个迭代。在每个迭代中，把新输入样本投影到投影轴线

上，使得可以估计出一维信号/>

上述公式是两个向量的点积，结果

是标量(因此，为一维标量)。在反馈回路中，激活/>

用于更新投影轴线/>

更新的结果是投影轴线

将少量转向新输入/>

的方向。发生这种情况的程度取决于该点到轴线的距离/>

激活/>

和学习速率η，其例如被设置为0.001。

这种更新投影轴线的迭代方式完全符合估计重力的迭代方式。此外，Oja规则是指数平滑的形式，其中较旧的值以指数方式淡出。

在步骤72中，基于步骤70的PCA的一维结果

存在吸气方向和呼气方向的估计。

对于

正如参考信号中的情况一样，期望吸气与正信号跃迁相对应，而呼气与负信号跃迁相对应。

遵循这种方向选取则降低了估计误差。另外，方向的改变(翻转)导致额外跃迁，这干扰了呼吸速率估计。

主分量分析不估计吸气方向；在这点上，它是个任一选项。为此，使用

执行对吸气方向的估计。

与适当选取吸气方向强烈相关的特征是

的偏度。如果/>

具有适当方向，则/>

的分布右偏(偏度是正)。在这种情况下，分布的左侧部分中的样本(负信号值)与吸气暂停相对应，其中隔膜和肋间肌放松。分布的右侧部分中的样本(正信号值)与肺部被最大填充的间隔相对应。

因此，偏度的度量用于从信号

的不同时间段确定吸气方向。/>

步骤70的输出处的信号与来自框72的呼吸信号相同。因此，步骤72对于该信号透明。步骤72估计方向，并且将其反馈回到步骤70，其中通过翻转投影轴线的方向进行校正。

因此，当正确设置投影轴线的方向时，吸气与该信号的向上跃迁相对应。

图7示出了呼吸信号的估计。图8示出了估计的频率分布。偏度为0.3，这意味着分布右偏。

偏度的定义如下(其中s为标准偏差而μ为均值)：

一种方法是递归方法。可以执行指数平滑，而非如上文对于偏度的定义中一样进行平均。更进一步地，

具有零均值并且被归一化以使其标准偏差等于1。由于这个原因，所以偏度通过以下公式进行近似。

这种近似的优点在于，它非常适合于其他步骤的递归方案。

平滑参数α例如等于0.0005。将这个平滑参数α与16Hz的采样速率结合使用则给出了大体1分钟的时间常数。

如果偏度s_n高于阈值(即，分布充分右偏)，则递归过程可以继续而没有任何改变；投影轴线

具有正确的、方向，并且吸气与正跃迁相对应。然而，如果偏度s_n低于阈值，则投影轴线/>

具有错误方向。

必须进行校正，如图9所示。图9示出了吸气方向和呼气方向的校正的示例。图9从上到下示出了呼吸参考(来自RIP频带)、呼吸估计、与阈值的偏度(虚线)和投影轴线(h1、h2)。

在t＝143s之前，符号被反转，因此偏度减小。在t＝143处，偏度下降到阈值以下，从而使得呼吸估计、偏度和投影轴线反转。

因此，校正由使投影轴线

偏度s_n和呼吸估计/>

的符号反转组成。投影轴线

的信号的反转是对PCA步骤的反馈，这在图6中可以看为虚线箭头。

呼吸估计

的反转本身表现为不连续，如图9的第二曲线图所示。

将阈值设置为-0.01则防止重复反转；当偏度正在减小并且S_n低于阈值时，则翻转S_n的符号，使得S_n高于阈值。由于翻转，所以正在减小的趋势现在变为正在增加的趋势，并且在另一翻转发生之前，S_n必须改变趋势并且减小至少两倍的阈值大小。因此，获得了滞后效应，从而防止连续翻转。

单元72的输出是具有16Hz采样速率的呼吸信号，即，与图5所示的参考信号相对应的呼吸信号的重建。

(来自RIP频带的)参考信号是呼吸努力的备选测量。为了尽可能接近地重建该参考信号，通过使来自步骤72的呼吸信号与参考信号之间的差异最小，系统生成呼吸努力信号，然后可以用于导出呼吸速率。

在该示例中，在步骤74中，通过检测谱图中的峰值，随后进行统计后处理来估计呼吸速率。

为此，呼吸信号被下采样到4Hz。这足以进行呼吸速率分析。然后，窗口在信号上滑动。窗口长度例如是30秒(120个样本)，并且相继窗口之间的时间差可能为5秒。

每个窗口应用傅立叶变换(N＝256，通过补零)。频率分辨率如下：

对于每个窗口，对频谱进行归一化。选取归一化常数，使得纯正弦信号的峰值具有高度1。

选择每个窗口的频谱中的最强峰值的频率f_n，并且使用该频率f_n记录其高度h_n：

(f_n，h_n)

在统计后处理中，12个相继窗口的峰值被组合为呼吸速率的一个估计，使得在每一分钟内，呼吸速率估计都变得可用。首先，选择高度高于阈值th的峰值。在这些峰值中，取加权均值，其中权重是峰值高度，而值是峰值的呼吸速率。

如果不存在峰值，其中h_n＞th，则在该分钟内，没有确定呼吸速率。覆盖范围是可以确定呼吸速率的间隔的数目除以间隔总数。

已经对所估计的呼吸速率与参考之间的一致性进行了分析，结果如图8所示。

图8中的三个曲线图示出了呼吸速率与均值呼吸速率的差异，其比较了根据加速度信号估计的呼吸速率和根据参考信号估计的呼吸速率。具体地，在每种情况下，水平轴示出了被比较的两个速率的均值，而竖直轴示出了这两个速率之间的差异。虚线处于-1.96SD,0和+1.96SD。

每个圆点是一分钟内的呼吸速率。收集所有受试者、设备位置和姿势的圆点，并且按姿势(仰卧“sup”、左侧卧和右侧卧)进行分组。示图符合Bland-Altman。

结果示出了使用两种方法计算的呼吸速率之间接近一致。

上述示例是从3D加速度信号中获得呼吸信号和呼吸速率。获得呼吸速率的处理是可选的(图6中的步骤74)，并且存在对前述呼吸信号的其他可能用途，前述呼吸信号可以被认为表示1D呼吸努力信号。

在另一示例中，该1D呼吸努力信号用于检测睡眠障碍性呼吸(SDB)事件(呼吸浅慢、以及阻塞性和中枢性呼吸暂停)。

图11示出了用于从在图6中的步骤72处获得的1D呼吸努力信号中检测SDB事件的系统。

在步骤80中，从1D呼吸信号中提取有意义的特征。这些特征应当表达在存在SDB事件(或在其附近)时从努力信号中预期会遇到的典型变化。这些特征可以表达呼吸信号的幅度、其频率、(重复)呼吸模式的自相似性、伪像的存在(例如，由于运动)、熵等的特点。

经过人工设计的特征已经被用于在使用不同的传感器获得的(替代)呼吸信号中进行SDB检测的目的，诸如G.B.Papini等人的论文“Wearable monitoring of sleep-disordered breathing:estimation of the apnea–hypopnea index using wrist-wornreflective photoplethysmography”，Sci Rep，第10卷，第1期，第13512页，2020年12月中公开的PPG。

可以在尺寸足够(例如，10秒至30秒或更长，使用具有重叠的滑动窗口)的窗口中提取特征，然后事件检测算法82检测DB事件。对于事件检测，可以使用机器学习分类器。分类器可以使用一组现代分类技术中的任一种现代分类技术，诸如概率(贝叶斯)分类器、支持向量机、逻辑回归、或甚至使用呼吸特征和相关SDB事件的示例进行训练的神经网络。

事件检测算法的输出可以是指示给定时段(或时间)内存在SDB事件的标志；备选地，该算法可以输出这种事件的概率(或可能性)。

附加地，分类器可以分别输出用于每种类型的SDB事件的标志或概率，该分类器通过例如分离阻塞性呼吸暂停、中枢性呼吸暂停、或呼吸浅慢、或这些的任何组合进行训练。分类器还可以用于检测其他SDB事件的存在，诸如呼吸相关微觉醒(RERA)。

图11附加地示出了可选扩展，通过该扩展，另一特征提取算法84对心脏信号进行处理，从而把呼吸特征和心脏特征组合起来。心脏信号可以是一系列心跳间间隔(IBI)或等效信号(例如，瞬时心率)。在优选的可选实施例中，该IBI信号可以从用于获得1D呼吸努力信号的相同加速度计信号中导出。

这可以通过用于在加速度计信号中进行IBI检测的已知技术(诸如心冲击描记术或心震描记术)来实现。

心脏特征提取块84可能基于已知可辨别SDB事件的心脏特征的任何组合，基于例如IBI系列的时间和频率分析、去趋势波动分析、多尺度熵、相位协调等。这种经过人工设计的特征也已经用于在使用上文所引用的Papini等人的论文中的PPG获得的IBI信号中进行SDB检测。

上文对经过人工设计的特征的用途进行了解释。然而，代替经过人工设计的特征(或除了经过人工设计的特征之外)，深度神经网络还可以被设计为从输入的1D呼吸努力信号(以及可选地，心脏信号)中学习区别性呼吸(以及可选地，心脏)特征。

例如，算法80、82、84可以是神经网络90的一部分。当使用具有输入的1D呼吸努力信号的足够区别性示例和SDB事件的对应注释的足够数据集进行训练时，这些神经网络(例如，基于卷积神经网络)可以通过识别输入数据中的模式来增强分类器的性能，当开发经过人工设计的特征时，人类不容易发现这些模式。

图12示出了基于神经网络的系统的可能实现方式。输入到神经网络90的信号是1D呼吸努力信号92和已经从心跳间隔检测器96中导出的瞬时心率(IHR)信号94。例如，以固定采样速率对该信号进行插补。

神经网络90通过对事件概率应用阈值来导出呼吸暂停和呼吸浅慢事件的SDB事件概率98以及SDB事件间隔100。

图13示出了一组可能信号。上部曲线图示出了(随时间变化的)IHR信号，第二曲线图示出了(随时间变化的)1D呼吸努力信号。

存在4个SDB事件，并且对神经网络进行训练以区分呼吸暂停A(中枢性和阻塞性)和呼吸浅慢H。

第三曲线图示出了由神经网络确定的呼吸暂停事件和呼吸浅慢事件的输出概率，而第四曲线图示出了在使用预定阈值之后，可以建立与事件的持续时间相对应的间隔。

图14示出了图11的示例的扩展，其中还对所检测到的SDB事件进行处理以估计SDB严重性的级别。例如，基于所检测到的呼吸暂停和呼吸浅慢，可以计算呼吸暂停-呼吸浅慢指数(AHI)。

在该系统中，相同的1D呼吸努力信号和心脏信号也作为睡眠分期算法110的输入，睡眠分期算法110输出作为最小值的总睡眠时间。睡眠分期算法110还可以提供更为详细的睡眠分期信息，诸如清醒/浅度/深度/REM睡眠，或甚至清醒/N1/N2/N3/REM睡眠。总睡眠时间可以通过对在除了清醒之外的任何阶段花费的时间求和来获得。

通过在SDB严重性算法112中将呼吸暂停事件和呼吸浅慢事件的数目除以所估计的总睡眠时间，可以获得AHI的估计。

分类器还可以检测呼吸努力相关微觉醒(RERA)。然后，呼吸紊乱指数(RDI)也可以通过将RERAS加上呼吸暂停和呼吸浅慢的数目除以总睡眠时间来导出。

SDB严重性的任何备选指示也可以通过该方法来计算，例如，通过对SDB事件概率进行积分，或通过使用所检测到的事件的任何非线性或加权组合来使一种类型的SDB事件优先于另一种类型的SDB事件等。在所有这些情况下，睡眠阶段可以用于通过睡眠所花费的时间来对严重性的估计进行归一化。

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的实施例的变型。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。

单个处理器或其他单元可以实现权利要求中所述的若干项的功能。(可选的)

在相互不同的从属权利要求中叙述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。

计算机程序可以存储/分布在合适介质(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学存储介质或固态介质)上，但是也可以以其他形式(诸如经由因特网或其他有线或无线电信系统)分布。(可选的)

如果在权利要求或说明书中使用术语“适于”，则应当指出，术语“适于”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解释为限制范围。

Claims

1.一种用于导出呼吸信号的处理器(60)，包括：

输入(62)，用于接收3轴加速度信号，其中所述处理器适于：

从所述3轴加速度信号分离出重力向量(66)；

执行到经变换的3轴坐标系的坐标变换，其中经时间平均的重力向量与所述经变换的3轴坐标系的第一轴线对齐(68)；以及

对所述经变换的3轴坐标系的其余两个轴线的分量执行分析，从而导出1维呼吸信号(70)。

2.根据权利要求1所述的处理器，还适于：

通过使用频率分析对所述1维呼吸信号进行处理以确定呼吸速率(74)。

3.根据权利要求2所述的处理器，适于：通过在滑动时间窗口上应用傅立叶变换并且确定每个窗口的频谱中的最高峰值的频率来从所述1维呼吸信号确定所述呼吸速率，其中所述呼吸速率从一组相继窗口的最高峰值中导出。

4.根据权利要求1所述的处理器，还适于：

对所述呼吸信号进行处理以根据所述1维呼吸信号确定睡眠障碍性呼吸事件(74)。

5.根据权利要求4所述的处理器，适于：通过从所述1维呼吸信号中提取特征来确定睡眠障碍性呼吸事件。

6.根据权利要求5所述的处理器，适于：附加地基于对心脏信号的分析来确定睡眠障碍性呼吸事件。

7.根据权利要求1至6中任一项所述的处理器，适于：在分离出所述重力向量之前，执行对所述加速度信号的预处理(64)，其中所述预处理包括采样和低通滤波。

8.根据权利要求1至7中任一项所述的处理器，适于：通过实施递归指数平滑函数从所述3轴加速度信号分离出所述重力向量。

9.根据权利要求1至8中任一项所述的处理器，适于：通过导出旋转矩阵来执行所述到经变换的3轴坐标系的坐标变换，所述旋转矩阵将所分离出的重力向量映射到所述第一轴线。

10.根据权利要求1至8中任一项所述的处理器，适于使用主分量分析或使用机器学习来执行所述分析以导出所述1维呼吸信号。

11.根据权利要求1至10中任一项所述的处理器，适于：从所述1维呼吸信号估计吸气方向和呼气方向。

12.根据权利要求11所述的处理器，适于：通过确定(72)所述1维呼吸信号的偏度值来估计所述吸气方向和所述呼气方向，并且如果需要，则可选地执行反转，使得一种类型的偏度与所述吸气方向相对应，并且另一种类型的偏度与所述呼气方向相对应。

13.一种用于导出呼吸信号的系统，包括：

加速度计，用于生成3轴加速度信号；以及

根据权利要求1至12中任一项所述的处理器，用于对所述3轴加速度信号进行处理。

14.一种用于导出呼吸信号的方法，包括：

接收3轴加速度信号；

从所述3轴加速度信号中分离出重力向量；

执行到经变换的3轴坐标系的坐标变换，其中所分离出的重力向量与所述经变换的3轴坐标系的第一轴线对齐；以及

对所述经变换的3轴坐标系的其余两个轴线的分量执行分析，从而导出1维呼吸信号。

15.一种计算机程序，包括计算机程序代码，当所述计算机程序代码在计算机上运行时，所述计算机程序代码适于实现根据权利要求14所述的方法。