CN117597064A - 根据肌电图和加速度计信号的吸嗅检测和伪影区分 - Google Patents
根据肌电图和加速度计信号的吸嗅检测和伪影区分 Download PDFInfo
- Publication number
- CN117597064A CN117597064A CN202280046919.7A CN202280046919A CN117597064A CN 117597064 A CN117597064 A CN 117597064A CN 202280046919 A CN202280046919 A CN 202280046919A CN 117597064 A CN117597064 A CN 117597064A
- Authority
- CN
- China
- Prior art keywords
- emg
- signal
- controller
- sniffing
- candidate
- 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
- 238000002567 electromyography Methods 0.000 title claims description 260
- 238000001514 detection method Methods 0.000 title claims description 12
- 230000004069 differentiation Effects 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 128
- 230000000241 respiratory effect Effects 0.000 claims abstract description 85
- 230000000694 effects Effects 0.000 claims abstract description 44
- 210000003019 respiratory muscle Anatomy 0.000 claims abstract description 35
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 77
- 238000007781 pre-processing Methods 0.000 claims description 38
- 238000001914 filtration Methods 0.000 claims description 30
- 238000009499 grossing Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 74
- 239000013598 vector Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000008518 non respiratory effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000001562 sternum Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003434 inspiratory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- 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
Abstract
提供用于量化呼吸肌努力(RME)(或呼吸努力、呼吸功)的非侵入性系统和方法。所述系统和方法利用同时测量的EMG和加速度计信号。预处理所测量的EMG信号以产生强调规律呼吸活动的信号和强调吸嗅活动(深入且急剧的吸气)的信号两者。根据经预处理的EMG信号来确定候选吸嗅的时间间隔。预处理所测量的加速度计信号以产生强调上频带或下频带活动的多个信号。分析对应于候选吸嗅的时间间隔的经预处理的EMG和加速度计信号的特征,以确定所述候选吸嗅是否构成实际吸嗅或伪影。随后,在已识别最大吸嗅努力之后,通过规律呼吸活动的最大值的均值与最大吸嗅努力的值的比率来量化RME。
Description
技术领域
所公开的构思涉及用于量化患者的呼吸努力(即呼吸肌努力或“呼吸功”)的方法和系统,并且尤其涉及用于将指示吸嗅(即,深入且急剧的吸气)努力的肌电图(EMG)信号与EMG信号伪影进行区分的方法和系统。
背景技术
肌电图(EMG)可以被用于通过推断呼吸中涉及到的肌肉的活动(例如胸骨双侧的(胸骨旁)肋间隙或接近隔膜的腹部区域)来评估患者的呼吸状态。尽管可以容易地以非侵入的方式测量呼吸速率,但单独的呼吸速率并不指示患者在呼吸时输出的努力。通过比较,对吸气肌的EMG测量结果是呼吸肌负荷与呼吸肌容量之间的平衡的指标。EMG信号提供一种用于获得呼吸努力的客观量度的非侵入方法。具体地,在吸气期间测量的呼吸EMG活动表示神经呼吸驱动,其为大脑对呼吸肌输出的信号以及呼吸肌负荷与呼吸肌容量之间的平衡的指标。
从EMG信号导出的对呼吸肌活动的客观量度被认为对于监测患者的呼吸状态是重要的,例如患有慢性阻塞性肺病(COPD)的住院病人。除了对在患者放松时自然发生的规律呼吸活动的EMG测量以外,对吸嗅的EMG测量在评估患者的呼吸状态上也具有高信息量。吸嗅是深入且急剧的吸气(最大努力机动动作)。然而,分离EMG信号中的吸嗅活动并不简单,因为由非呼吸活动造成的信号伪影产生EMG信号中常常类似于吸嗅活动的强活动。这样的信号伪影可以例如由患者移动或是因对连接线的压力而造成的电极的干扰引起。
可靠地检测吸嗅并将吸嗅与伪影区分的能力直接影响从EMG信号对呼吸肌活动以及对患者的呼吸状态的估计。利用诸如鼻导管或食管电极的设备对呼吸活动的独立测量提供能够与EMG信号相当的额外的呼吸数据,以在EMG波形上区分吸嗅与信号伪影。然而,鼻导管、食管电极以及其他类似设备是高度侵入性的,并且可能是繁琐或者甚至是对患者的负担。
因此,在用于在EMG信号中区分吸嗅与其他活动的方法和系统上存在改进的空间。
发明内容
因此,本发明的目标是在一个实施例中提供一种用于量化患者在呼吸间隔期间的呼吸肌努力(即,呼吸活动、呼吸功)的方法,包括:利用若干EMG电极测量患者的呼吸肌活动;利用加速度计测量在呼吸活动同时患者的胸腔的多个平面上的加速度;利用控制器接收由EMG电极测量的原始EMG信号和由加速度计测量的原始加速度计信号;通过利用控制器预处理原始EMG信号来产生若干经预处理的EMG信号;通过利用控制器预处理原始加速度计信号来产生若干经预处理的加速度计信号;利用控制器将若干经预处理的EMG信号的部分识别为候选吸嗅;利用控制器根据与候选吸嗅的时间间隔相关联的若干经预处理的EMG信号来确定多个EMG导出特征;利用控制器根据与候选吸嗅的时间间隔相关联的若干经预处理的加速度计信号来确定多个加速度计信号特征;利用控制器将多个EMG导出和加速度计信号特征与多个吸嗅检测阈值进行比较;如果比较的结果指示吸嗅活动,利用控制器将候选吸嗅归类为确认吸嗅;以及,利用控制器通过将若干经预处理的EMG信号的若干属性与确认吸嗅的若干属性进行比较,量化患者的呼吸肌努力。
所述方法还可以包括使用控制器:识别若干经预处理的EMG信号中与规律呼吸相关联的局部规律呼吸EMG最大值;确定局部规律呼吸EMG最大值的均值;以及,识别若干经预处理的EMG信号中与确认吸嗅相关联的最大吸嗅值。量化呼吸肌努力可以包括将局部规律呼吸EMG最大值的均值与最大吸嗅值进行比较。所述方法还可以包括使用控制器:通过预处理原始EMG信号来产生规律呼吸EMG信号,以强调规律呼吸活动并最小化原始EMG信号中的伪影;通过预处理原始EMG信号来产生吸嗅EMG信号,以强调原始EMG信号中的吸嗅活动;识别规律呼吸EMG信号中的局部规律呼吸EMG最大值;识别规律呼吸EMG信号中的局部规律呼吸EMG最小值;以及,识别吸嗅EMG信号中的最大吸嗅值。量化患者的呼吸肌努力可以包括寻找局部EMG最大值的均值对最大吸嗅值的比率。
所述方法还可以包括使用控制器:针对每个候选吸嗅,识别候选吸嗅的隆起,使得在隆起中的吸嗅EMG信号的全部值大于或等于预定阈值吸嗅值;识别每个隆起中的中点,所述中点为使得隆起的左半边的曲线下的面积等于隆起的右半边的曲线下的面积的中值;通过在紧接隆起之前的局部吸嗅EMG最小值与紧随隆起之后的局部吸嗅EMG最小值之间线性插值,计算偏移值;通过寻找隆起中的最大吸嗅EMG值与偏移值之间的差,确定隆起的幅度;以及,如果若干预定幅度条件指示伪影活动,则将候选吸嗅归类为伪影。所述方法还可以包括使用控制器:通过寻找紧接隆起之前的局部吸嗅EMG最小值与紧随隆起之后的局部吸嗅EMG最小值的均值与幅度的比率来确定隆起的第一不对称特征;通过寻找紧接隆起之前的局部吸嗅EMG最小值与紧随隆起之后的局部吸嗅EMG最小值之间的第一差,通过寻找隆起中的最大吸嗅值与紧接隆起之前的局部吸嗅EMG最小值之间的第二差,通过寻找隆起中的最大吸嗅值与紧随隆起之后的局部吸嗅EMG最小值之间的第三差,以及通过寻找第一差与第二差和第三差中较小者的比率,确定隆起的第二不对称特征;通过确定隆起的歪斜度,确定隆起的第三不对称特征;以及,如果若干预定不对称条件指示伪影活动,则将候选吸嗅归类为伪影。
所述方法还可以包括使用控制器:低通滤波、整流和平滑化原始加速度计信号,以产生下频带功率信号;高通滤波、整流和平滑化原始加速度计信号,以产生上频带功率信号;对下频带功率信号与上频带功率信号进行求和,以产生和频带功率信号;确定在与候选吸嗅中的每个相关联的时间间隔期间,针对加速度计的第一轴,上频带功率信号与和频带功率信号的第一比率;确定在与候选吸嗅中的每个相关联的时间间隔期间,针对加速度计的第二轴,上频带功率信号与和频带功率信号的第二比率;将第一比率和第二比率与预定频带比率进行比较;以及,将候选吸嗅中针对其的第一比率和第二比率超过预定频带比率的任意候选吸嗅算作伪影。
所述方法还可以包括使用控制器:高通滤波、整流和平滑化原始加速度计信号,以产生上频带功率信号;确定在与候选吸嗅中的每个相关联的时间间隔期间上频带功率信号与预定阈值相交的次数;以及,将候选吸嗅中在与候选吸嗅相关联的时间间隔期间其上频带功率信号与预定阈值相交的次数超过预定相交次数的任意候选吸嗅算作伪影。所述方法还可以包括使用控制器:低通滤波原始加速度计信号,以产生下频带信号;高通滤波原始加速度计信号,以产生上频带信号;确定下频带信号与高频带信号的标准偏差;以及,将候选吸嗅中其标准偏差超过预定值的任意候选吸嗅算作伪影。
在另一实施例中,一种用于量化患者在呼吸间隔期间的呼吸努力的系统包括:若干EMG电极,其被配置为测量患者的呼吸肌活动;加速度计,其被配置为测量在患者的胸腔的多个轴上的加速度;以及控制器。所述控制器被配置为:接收由EMG电极测量的原始EMG信号和由加速度计测量的原始加速度计信号;通过预处理原始EMG信号来产生若干经预处理的EMG信号;通过预处理原始加速度计信号来产生若干经预处理的加速度计信号;将若干经预处理的EMG信号的部分识别为候选吸嗅;根据与候选吸嗅的时间间隔相关联的若干经预处理的EMG信号来确定多个EMG导出特征;根据与候选吸嗅的时间间隔相关联的若干经预处理的加速度计信号来确定多个加速度计信号特征;将多个EMG导出信号特征和加速度计信号特征与多个吸嗅检测阈值进行比较;基于多个EMG导出信号特征和加速度计信号特征与所述多个吸嗅检测阈值的比较将候选吸嗅归类为确认吸嗅或信号伪影;以及,通过将若干经预处理的EMG信号的若干属性与确认吸嗅的若干属性进行比较来量化患者的呼吸肌努力。
所述系统的控制器还可以被配置为:识别若干经预处理的EMG信号中与规律呼吸相关联的局部规律呼吸EMG最大值;确定局部规律呼吸EMG最大值的均值;识别若干经预处理的EMG信号中与确认吸嗅相关联的最大吸嗅值,以及通过将局部EMG最大值的均值与最大吸嗅值进行比较来量化呼吸肌努力。所述系统的控制器还可以被配置为:通过预处理原始EMG信号来产生规律呼吸EMG信号,以强调规律呼吸活动并最小化EMG信号中的伪影;通过预处理原始EMG信号来产生吸嗅EMG信号,以强调EMG信号中的吸嗅活动;识别规律呼吸EMG信号中的局部EMG最大值;以及,识别吸嗅EMG信号中的最大吸嗅值。将局部EMG最大值的均值与最大吸嗅值进行比较可以包括寻找局部EMG最大值的均值对最大吸嗅值的比率。
所述系统的控制器还可以被配置为:针对每个候选吸嗅,识别候选吸嗅的隆起,使得隆起中的吸嗅EMG信号的全部值大于或等于预定阈值吸嗅值;识别每个隆起中的中点,中点为使得隆起的左半边的曲线下的面积等于隆起的右半边的曲线下的面积的中值;通过在紧接隆起之前的局部吸嗅EMG最小值与紧随隆起之后的局部吸嗅EMG最小值之间线性插值,确定每个隆起的中点处的偏移值;通过寻找隆起中的最大吸嗅EMG值与偏移值之间的差,确定隆起的幅度;以及,如果若干预定幅度条件指示伪影活动,则将候选吸嗅归类为伪影。
所述系统的控制器还可以被配置为:高通滤波、整流和平滑化原始加速度计信号,以产生上频带功率信号;确定在与候选吸嗅中的每个相关联的时间间隔期间上频带功率信号与预定阈值相交的次数;以及,将候选吸嗅中在与候选吸嗅相关联的时间间隔期间其上频带功率信号与预定阈值相交的次数超过预定相交次数的任意候选吸嗅算作伪影。所述系统还可以被配置为:低通滤波原始加速度计信号以产生下频带信号;高通滤波原始加速度计信号以产生上频带信号;下频带信号与高频带信号的标准偏差;以及,将候选吸嗅中其标准偏差超过预定值的任意候选吸嗅算作伪影。
在参考附图考虑下文的描述及所附权利要求书时,本发明的这些及其他目的、特征和特性,以及结构的相关元件的操作方法和功能以及部件的组合和制造的经济性将变得更为明显,全部附图都形成本说明书的部分,其中相似的附图标记指代各个附图中的对应部件。然而,要明确理解,附图仅是出于说明和描述的目的,而不意图为对本发明的限制的意义。
附图说明
图1A为根据本发明的示范性实施例的患者躯干的前侧的立体图,其中,若干EMG电极和加速度计被附接到躯干,示出了关于躯干定义的加速度计的x轴和y轴;
图1B为根据本发明的示范性实施例的图1中所示的患者的右侧的立体图,示出了相对于躯干定义的x-z平面,使得重力矢量大致落在x-z平面内;
图2示出了根据本发明的示范性实施例的表示由诸如图1A中所示电极的EMG电极测量的原始信号在原始信号已经历两种不同形式的预处理之后的两个范例波形;
图3为根据本发明的示范性实施例的用于量化呼吸肌努力的方法50的流程图;
图4为根据本发明的示范性实施例的过程100的流程图,过程100用于定义在规律呼吸经预处理的EMG信号及吸嗅经预处理的EMG信号的呼吸循环c期间可能发生候选吸嗅的间隔;
图5为根据本发明的示范性实施例的过程200的流程图,过程200用于使用数据点和基于在过程100中确定的EMG信号的最大值的时间间隔来定义在过程100期间定义的候选吸嗅的主隆起的几个特征;
图6为根据本发明的示范性实施例的过程300的流程图,过程300用于使用数据点和基于在过程100中确定的EMG信号的最小值的时间间隔来定义在过程100期间定义的候选吸嗅的主隆起的额外特征;
图7示出了根据本发明的示范性实施例对表示由诸如图1A和图1B中描绘的EMG电极和加速度计的EMG电极和加速度计测量的信号的范例波形的编译,这样的范例波形已经历了根据图4-6和图8-10中描绘的过程100-600的各种水平的预处理;
图8为根据本发明的示范性实施例的过程400的流程图,过程400用于构建松散表示图1A和图1B中所示的加速度计的角度随患者呼吸的改变的信号;
图9为根据本发明的示范性实施例的过程500的流程图,过程500用于从由图8中涉及的加速度计测量的原始加速度计信号构建上下频带信号;以及
图10为根据本发明的示范性实施例的过程600的流程图,过程600用于定义图8和9中涉及的原始加速度计信号的特征,以将在过程100-300期间识别的候选吸嗅归类为吸嗅或信号伪影。
具体实施方式
如本文中使用的,单数形式的“一”“一个”和“所述”包括复数引用,除非上下文另有明确指示。
如本文中使用的,两个或多个零件或部件“相连接”的陈述应意指零件直接或间接地——即通过一个或多个中间零件或部件——接合或一起操作,只要发生联系。
如本文中使用的,术语“伪影”应意指因非呼吸活动造成的肌电图(EMG)信号波形的畸变,非呼吸活动包括但不限于(例如因身体的移动、电极-皮肤阻抗的改变或对连接到感测EMG信号的电极的线缆的干扰造成的)非呼吸肌的激活。
如本文中使用的,术语“控制器”应意指能够存储、检索、运行和处理数据(例如软件程序和/或这样的程序使用的信息)的若干可编程模拟和/或数字设备(包含关联存储器零件或部分),包含但不限于现场可编程门阵列(FPGA)、复杂可编程逻辑器件(cPLD)、可编程片上系统(PSOc)、专用集成电路(ASIc)、微处理器、微控制器、可编程逻辑控制器或者任意其他合适的处理设备或装置。存储器部分可以为多种类型的内部和/或外部存储介质中的任意一个或多个,例如但不限于RAM、ROM、(一个或多个)EPROM、(一个或多个)EEPROM、FLASH等等,其提供存储寄存器(即非暂态机器可读介质)用于例如为计算机的内部存储区域方式的数据和程序代码存储,并且可以为易失性或非易失性存储器。
如本文中使用的,术语“机器学习模型”应意指基于被称作“训练数据”的样本数据开发和构建数学模型用于在没有被明确编程这么做的情况下做出预测或决策的软件系统,包含但不限于,开发已被训练为从训练数据的集识别模式,并随后开发算法以从其他数据集中的训练数据识别模式的计算机软件系统。
如本文中使用的,术语“数目”应意指一或大于一的整数(即多个)。
本文中使用的方向性短语,例如但不限于,顶、底、左、右、上、下、前、后及其派生词,涉及附图中所示的元件的方位并且不受权利要求的限制,除非本文中明确记载。
如本文中联系各个具体示范性实施例更详细描述的,本发明提供用于以非侵入性方式客观量化患者的呼吸努力(也被称作呼吸肌努力(RME))的方法和系统。如本文中更详细描述的,吸嗅对于RME的准确确定是重要的,但吸嗅和信号伪影常常相似地显现在EMG信号波形上。尽管诸如鼻导管或食管电极的设备能够被用于产生能够与EMG信号相当的额外的呼吸信号,以在EMG波形上将吸嗅与信号伪影区分开,然而鼻导管对患者而言可能是不舒服的并且食管电极是侵入性的。本发明的方法和系统提供了以两种主要方式对用于客观量化RME的方法的改进:通过利用除EMG信号以外的加速度计信号,以更好地将EMG信号波形中的吸嗅与信号伪影区分开,以及通过仅使用非侵入性设备,即EMG电极和加速度计,以最大化患者在经历RME数据收集时的舒适度。
图1A和1B示出了对呼吸努力量化系统1的简化示意性表示,呼吸努力量化系统1由若干EMG电极2、二轴或三轴加速度计4和控制器6构成。根据本发明的示范性实施例,EMG电极2被附接到患者P,以监测患者P的呼吸肌活动,同时加速度计4被附接到患者P,以测量在加速度计4附着到的身体表面(即,胸腔)的多个轴(即x、y和/或z轴)上的与呼吸活动同时发生的加速度。尤其地,加速度计4还测量因与呼吸活动完全无关的伪影造成的加速度。如在本文中参考图8中描绘的过程400更详细地解释的,由加速度计4测量的加速度信号被用于构建松散表示加速度计4附着到的身体表面的取向上的改变的信号。相应地,加速度计4可以被认为直接或间接产生移动和取向信号。
在示范性实施例中,EMG电极2被放置在第二肋间隙上。参考电极的放置可以有所变化,并且图1A示出了参考电极放置的两个示范性实施例。在一个示范性实施例中,参考电极2’被放置在锁骨上,而在另一示范性实施例中,参考电极2”被放置在胸骨上略高于电极2。加速度计4被附着到患者P的胸骨,使得z轴指向患者的身体之外,即,正交于身体表面,同时x轴和y轴落在与身体表面相切的平面,其中,x轴指向患者P的头部。相应地,x-z平面大致垂直于地球表面,使得重力向量大致落在x-z平面。EMG电极2和加速度计4被描绘为与控制器6电通信,控制器6被配置为接收并存储由EMG电极2和加速度计4测量的信号。
将认识到,几种类型的控制器(例如各种类型的计算机)能够接收并存储由诸如EMG电极2和加速度计4的设备检测的信号信息。相应地,任意类型的控制器6以及任意数目(即一个或多于一个)的控制器6可以被用于接收并存储由EMG电极2和加速度计4传输的信息,而不偏离本发明公开的范围。此外,在示范性实施例中,包括机器学习模型7的软件被集成到如图1中所示的控制器6中,从而使本发明的方法和过程可以自动化。
图2示出了每个都描绘多次呼吸循环的第一经预处理的EMG信号10和第二经预处理的EMG信号11的范例,其中,每次呼吸循环都由EMG信号10或EMG信号11中的一次显著震荡组成。EMG信号10和EMG信号11得自使用对由诸如如图1中所示的EMG电极2的电极测量的原始EMG信号的两种不同水平的预处理。具体地,EMG信号10是强低通滤波原始EMG信号(即,由诸如图1A中的EMG电极2的若干电极检测的EMG信号)的结果,而EMG信号11是对EMG信号10执行基线移除和延迟补偿的结果。
图2中的EMG信号10和11被示为经预处理的而非原始形式,以更好地突出不同呼吸循环的属性。本发明的方法和系统利用经预处理的EMG信号,以移除尽可能多的信号伪影,同时分离并保留信号中的规律呼吸和吸嗅活动(术语“规律呼吸”和“吸嗅”在本文后面更详细地解释)。尽管本文中提供了有关这样的信号预处理的高层次细节,但本发明并不指向这样的预处理的详尽细节。后文中,出于简要公开的目的,对EMG信号的属性的参考将涉及EMG信号10,然而将认识到,对EMG信号10的时间属性的任何讨论也适用于EMG信号11,反之亦然,因为这两个信号都源自相同的原始EMG信号并跨相同的时间间隔。
EMG信号10被分割成两部分,INS和OUT,如在图2中的波形中通过使用实线和虚线指代的。EMG信号10中包含呼吸循环的主峰12的最大值的那些部分被称作EMG信号10的INS部分14,并且将认识到,EMG信号10中被绘制成与标记的INS部分14相同的虚线的全部部分也指代EMG信号10的INS部分14。EMG信号10中非INS部分14的那些部分被称作OUT部分16,并且将认识到,EMG信号10中被绘制成与标记的OUT部分16相同的实线的全部部分也指代EMG信号10的OUT部分16。给定呼吸循环c的INS部分14也可以被表示为I[c],并且给定呼吸循环c的OUT部分也可以被表示为O[c]。
针对本发明的方法和系统,不需要严格定义每个INS部分14和OUT部分16的确切起始和结束时间,因为给定呼吸循环的定义特征是在INS部分中包含呼吸循环的主峰的最大值。尽管在图2中仅标记了EMG信号10中呼吸循环的主峰的一个这样的最大值12,但将认识到,发生在图2中所示的呼吸循环期间的全部局部最大值也都是主峰的最大值12。呼吸循环的主峰的最大值12发生的时间在本文中被称作在观察图2时,将认识到,每个OUT部分16中都包括每个呼吸循环的最小值18。尽管在图2中仅标记了EMG信号10中呼吸循环的一个这样的最小值18,但将认识到,发生在图2中所示的呼吸循环期间的全部局部最小值也都是最小值18。呼吸循环的最小值18发生的时间在本文中被称作/>一般地,EMG信号10中呼吸循环的INS部分14对应于吸气,因为呼吸肌活动通常在吸气期间最大。然而,对于某些患者,呼吸肌活动反而是在呼气期间最大,并且将理解,对于这样的患者EMG信号中呼吸循环的INS部分2对应于呼气。
如果给定呼吸循环在本文中被称作呼吸循环c,则应理解,紧接在循环c之前的呼吸循环为循环[c-1],并且紧随循环c之后的循环为[c+1]。呼吸循环可以被定义为算法呼吸循环或自然呼吸循环。算法呼吸循环标示为ABC[c],并且包括在紧随其后的INS部分14之前的呼吸循环的OUT部分16,使得ABC[c]=(O[c],I[c])。自然呼吸循环标示为NBC[c],并且包括在紧随其后的OUT之前的呼吸循环的INS,使得NBC[c]=(I[c],O[c+1])。算法呼吸循环之所以这么称呼是因为,相较于(I[c],O[c+1]),将呼吸循环定义为(O[c],I[c])更容易通过实时算法进行伪影检测。
在继续对本发明的示范性实施例进行深入描述之前,为方便引用,下面列出几个缩略语和变量名(包含上文讨论的变量)及它们的含义。以下列表中的条目中的一些尚未得到介绍,然而,列表可以随着缩略语和变量在本公开通篇使用而被引用:
缩略语及变量列表
i.BC:代表“呼吸循环”,EMG信号中由一次显著震荡组成的部分,该显著震荡预计或是对应于连续的吸气和呼吸的组合或是因伪影造成的大的隆起
ii.INS:指代呼吸循环中包含呼吸循环的主峰的最大值的部分
iii.OUT:指代呼吸循环中非INS部分的部分;
iv.I[c]:指代呼吸循环c的INS部分
v.O[c]:指代呼吸循环c的OUT部分
vi.c:指代整数顺序呼吸循环指数
vii.ABC[c]:代表“算法呼吸循环”,其被定义用于呈现本发明中使用的有意义且便于实时处理的伪影检测算法;每个ABC[c]都包括在紧随其后的INS之前的呼吸循环的OUT,使得ABC[c]=(O[c],I[c])
viii.NBC[c]:代表“自然呼吸循环”;每个NBC[c]都包括在紧随其后的OUT之前的呼吸循环的INS,使得NBC[c]=(I[c],O[c+1])
ix.s[n]:指代用规律呼吸参数预处理的EMG信号;图2中所示的EMG信号10和11指代两个这样的用规律呼吸参数预处理的EMG信号s[n]
x.v[n]:指代用吸嗅参数预处理的EMG信号
xi.在I[c]期间与s[n]的最大值相关联的时间;参考图2,点12代表在s[n]中呼吸循环c的局部最大值,并且与标记点12相关联的时间为针对该呼吸循环c的/>
xii.与在O[c]期间s[n]的最小值相关联的时间;参考图2,点18代表在s[n]中呼吸循环c的局部最小值,并且与标记点18相关联的时间为针对该呼吸循环c的/>
xiii.与在O[c]期间v[n]的最小值相关联的时间
xiv.与在I[c]期间v[n]的最大值相关联的时间
xv.指代呼吸循环的绝对EMG活动的最大值的均值,通过针对规律呼吸的伪影检测其被视为无伪影的
xvi.指代在使用加速度计信号的特征同时连同EMG信号的特征在EMG信号中识别出吸嗅之后,在吸嗅期间测量的最大呼吸肌活动
xvii.Erel:指代对/>的比率,并且构成对呼吸肌努力(RME)的相对测量
如前文陈述的,本发明的方法和系统利用经预处理以尽可能减少信号伪影的EMG信号,其允许从原始EMG信号分离规律呼吸和吸嗅活动。“规律”呼吸被认为是发生在假定患者放松且自然或自主呼吸时。相比而言,“吸嗅”要比规律呼吸更加急剧、更强且更短。应注意,吸嗅的独特性质(即相较于规律呼吸吸气而急剧、强且短的性质)以及它们相较于规律呼吸不频繁的发生,并不立即导致通过被设计用于在规律呼吸活动期间检测呼吸循环和伪影的算法对吸嗅的自然检测。
因此,被设计用于检测规律呼吸活动的规律呼吸参数集被用于预处理给定的原始EMG信号,以产生规律呼吸信号s[n](在下文中可以将这样的预处理称作“规律呼吸预处理”),例如图2中的EMG信号10和11,并且被设计用于检测吸嗅活动并保留吸嗅的主要特性的不同的吸嗅参数集被用于预处理给定EMG信号,以产生吸嗅信号v[n](在下文中可以将这样的预处理称作“吸嗅预处理”)。如此,根据本发明的示范性实施例,针对给定的原始EMG信号,产生了经规律呼吸预处理的信号s[n]和经吸嗅预处理的信号v[n]两者,使得针对由信号s[n]中的数据点表示的每个时间点,都存在信号v[n]中对应的数据点,反之亦然。
对EMG信号的预处理以产生经规律呼吸预处理的信号s[n]和经吸嗅预处理的信号v[n]跟在几个相同步骤之后,其中,规律呼吸预处理与吸嗅预处理之间的主要区别在于,吸嗅预处理涉及对EMG信号的少得多的净平滑化。规律呼吸预处理和吸嗅预处理两者都涉及尖峰去除、缩放、第一轮高通滤波、可选的电力线干扰减小、整流、下采样、中值滤波以及轻微低通滤波。规律呼吸处理额外地包括另一轮低通滤波,用于基线去除的另一轮高通滤波,以及针对呼吸循环部分和伪影检测的辅助信号的构造。
尖峰去除消除了原始EMG信号中因例如但不限于起搏器和尖锐伪影造成的非常短的大的尖峰。缩放简单地指将以伏特为单位测量的信号转换为以微伏特(或另一常规单位)为单位。第一轮高通滤波减小了低频运动伪影、紧张性活动、心电图(ECG)活动、电力线干扰以及传感器噪声。如果在第一轮高通滤波之后还存在残留电力线干扰,则处于基础电力线频率及其谐波的带陷波的梳状滤波器可以被用于进一步减小电力线干扰。整流是用于计算高频EMG信号的低频包络的第一操作,以便构建替代呼吸信号。下采样跟在整流之后,以降低存储器和处理要求,因为包络信号中存在的频率要比原始信号中的频率低得多。中值滤波被应用于进一步减少剩余尖峰,尤其是因ECG造成的剩余尖峰。轻微低通滤波被用于进一步平滑化包络信号,并获得替代呼吸肌活动信号。来自轻微低通滤波的进一步平滑化有利于对经预处理的EMG信号中的最小值和最大值的计算。
现在参考图3,示出了用于量化RME的方法50的流程图。应注意,方法50的步骤提供对量化RME中涉及的步骤的一般概览,并且方法50的步骤中大部分自身也是涉及几个步骤的过程。相应地,本文中参考图4-6和8-9中描绘的过程100、200、300、400、500和600提供方法50的每个步骤的更具体细节。在方法50的步骤51并且如前面参考图1A和1B描述的,利用EMG电极2测量呼吸肌活动,并且利用加速度计4测量与呼吸活动同时发生的在胸腔的x、y和/或z轴上的加速度,以产生原始EMG和加速度计信号。在步骤52,利用规律呼吸参数预处理由EMG电极2测量的原始EMG信号以产生规律呼吸信号s[n],并利用吸嗅参数预处理原始EMG信号以产生吸嗅信号v[n]。贯穿本公开,经预处理的EMG信号s[n]或v[n]中表示潜在吸嗅的部分可以被称作“候选吸嗅”。在步骤53,规律呼吸信号s[n]和吸嗅信号v[n]的各种属性被用于识别已在其中发生候选吸嗅的时间间隔。本文中参考图4中描绘的过程100提供有关方法50的步骤51-53的更多细节。
仍参考图3,在方法50的步骤54,预处理由加速度计4测量的原始加速度计信号,以产生在不同频带的多重信号。本文中参考图9中描绘的过程500提供有关步骤54的更多细节。在步骤55,在步骤52-54找到的经预处理的EMG信号和经预处理的加速度计信号的属性被用于通过分析经预处理的加速度计信号与候选吸嗅重合的属性来确认或拒绝候选吸嗅为实际吸嗅。本文中参考分别在图6和10中描绘的过程300和600提供有关方法50的步骤55的更多细节。
方法50的最终步骤56是量化RME的最终步骤,其需要使用在图4中描绘的过程100(其对应于方法50的步骤51-53)期间确定的规律呼吸属性通过执行方法50的步骤51-55以及图4-6和8-10中描绘的对应过程100-600确定的吸嗅属性/>以及使用/>和/>以确定值Erel。/>表示被视为无伪影的规律呼吸活动的最大值的均值,而/>指代检测到的吸嗅活动的最大值。在方法50的步骤56中,属性Erel是通过如下对规律呼吸值/>相对于吸嗅值/>进行归一化来确定的:
使得可以被表达为/>的分数或百分数。由于经验结果显示Erel是RME的最具预测性的量度之一,因此执行方法50的步骤56。
图4-6和8-10是详细描述被用于使用EMG信号和加速度计信号两者从EMG信号提取规律呼吸和吸嗅特性的各个过程100-600的单个步骤的流程图。过程100-600意图针对为给定信号波形的每个呼吸循环c来执行,并且是使用经典特征提取方法来开发。应注意,例如但不限于,当提及寻找给定呼吸循环c内的信号波形的最小值或最大值时,呼吸循环c和呼吸循环c内的信号波形的最小值或最大值时通过经训练的机器学习模型7来识别,并人工检查正确性。相应地,应注意,在对过程100-600的详细描述中涉及的EMG和加速度计波形可以包含由患者根据命令执行的或自发执行的吸嗅之一或是两者,只要实践者能够注意到这样的吸嗅的时机并使用时机的知识验证过程100-600的效力。
图4是详述根据本发明的示范性实施例的过程100的步骤的流程图,过程100用于定义在经规律呼吸预处理的EMG信号s[n]和对应的经吸嗅预处理的EMG信号v[n]的给定呼吸循环c期间,候选吸嗅可能已在其中发生的间隔。如前文陈述的,与I[c]期间s[n]的最大值两关联的时间为并且与O[c]期间s[n]的最小值相关联的时间为/>在过程100中,时间/>被用作每个呼吸循环中用于识别v[n]中的几个基准点的初始种子点。时间类似地被用作用于识别v[n]中额外的基准点的初始种子点,如本文后面参考图6中描绘的过程300描述的。
在过程100的步骤101,以时间为中心的时间间隔/>如下定义:
其中Tmax为预先确定的持续时间,其在示范性实施例中通常被设为0.8秒。因此为以与s[n]中的I[c]的最大值相关联的时间/>为中心的持续时间2Tmax的间隔。在步骤102,在步骤101定义的时间间隔/>内,识别信号v[n]中最大EMG活动vmax[c]发生的时间/>在步骤103,在v[n]中/>左边(即紧接在其之前)的时间间隔/>如下定义:
其中,为预先确定的值,其在示范性实施例中通常被设为1.2秒。类似地,在步骤104,在v[n]中/>右边(即紧随在其之后)的间隔/>如下定义:
其中,为预先确定的值,其在示范性实施例中通常被设为1.6秒。
在步骤105,吸嗅信号v[n]中针对呼吸循环c的阈值吸嗅值νη[c]如下定义:
其中η为预先确定的吸嗅系数,其在示范性实施例中通常被设为0.5,使得吸嗅信号v[n]中针对呼吸循环c的阈值吸嗅值νη[c]等于针对该特定呼吸循环c的v[n]的最大值vmax[c]的0.5倍。在步骤106,识别最后的点针对其的/>并且该点/>是距/>至多/>秒的最大值/>左边(即在其之前)的最后时间点,并且其中当从最大值往回看时v[n]的值第一次落在阈值νη[c]以下。在步骤107,使用在步骤106找到的时间/>如下定义左边的时间间隔/>
类似地,在步骤108,识别的第一点针对其的/>并且该点是距/>至多/>秒的最大值/>右边(即在其之后)的第一时间点,并且其中,当从最大值往前看时v[n]的值第一次落在阈值νη[c]以下。在步骤109,使用在步骤108找到的时间/>如下定义右边的时间间隔/>
在最后的步骤110,如下定义由阈值吸嗅值νη[c]定义并且落在时间周围的间隔:
间隔Tη[c]定义候选吸嗅中与阈值吸嗅值νη[c]有关的主要部分,并且间隔Tη[c]在下文中可以被称作经预处理的EMG信号v[n]中的“隆起”或“隆起间隔”。将认识到,间隔Tη[c]的边界包括在步骤106识别的时间间隔的左边界和在步骤108识别的时间间隔的右边界。
图5是详细描述过程200的步骤的流程图,过程200用于使用经预处理的EMG信号s[n]和v[n]以及在过程100中确定的数据点和时间间隔,定义候选吸嗅的主隆起的几个特征。在步骤201,在过程100的步骤110定义的隆起间隔Tη[c]如下定义:
要求该持续时间D[c]落在最小值Dmin与最大值Dmax之间。在本发明的示范性实施例中,Dmin通常被选为0.15秒并且Dmax通常被选为1.0秒。在步骤202,识别隆起间隔Tη[c]的中点使得在隆起间隔Tη[c]中v[n]的曲线下面面积的一半落在/>与/>之间(即的左边),并且另一半落在/>与/>之间(即/>的右边)。相应地,中点/>也可以被称作隆起间隔Tη[c]的中值。识别中点/>是因为其表示比/>更好的“质心”,因为νmax[c]可能对可能出现在隆起间隔Tη[c]中的小的局部极值更敏感。在步骤203,定义不对称比γ1,以量化隆起间隔Tη[c]中的波形的不对称性:
由于人们可以凭直觉认为,经验数据显示吸嗅通常抬升得比它们下降得更快。因此,不对称比通常将理想地大于1并且不会显著小于0.8。在本发明的示范性实施例中,被选为γ1的最小可接受值的典型阈值为0.85。
在步骤204,确定v[n]在与/>之间(即在隆起间隔Tη[c]上)的歪斜度,以拥有对隆起间隔Tη[c]中波形的不对称性的第二量度。再次,由于吸嗅通常抬升得比它们下降得更快,预期隆起间隔Tη[c]的歪斜度将为正(即向右歪斜)。在本发明的示范性实施例中,针对在隆起间隔Tη[c]上的歪斜度的典型阈值为零。
直觉上,合理进行的吸嗅不会太紧密地一起发生。因此,v[n]中刚刚在Tη[c]之前或之后出现的大的隆起非常有可能是伪影造成的并且可能影响候选吸嗅。为了检测这样的隆起,在步骤205和206,如下定义左边的间隔/>(即在隆起间隔Tη[c]开始之前的间隔)和在/>右边的间隔/>(即在隆起间隔Tη[c]结束之后的间隔:
其中,Tbump为预先确定的持续时间,其在示范性实施例中被设为0.5s的典型值。每个间隔和/>内的离散时间指数的对应集合分别被称作/>和/>在步骤207和208,分别计算表示v[n]在/>上的均值和v[n]在/>上的均值的值/>和其中,/>和/>如下定义:
两个均值和/>都被要求小于在过程100的步骤105计算的阈值νη[c],使得/>并且/>在没有出现在潜在吸嗅附近的不期望的隆起时(隆起是“不期望的”因为它们使对吸嗅的分离和识别复杂化),值/>和可以被用作用于量化候选吸嗅的不对称性的额外数字。再一次,由于预期吸嗅起来得比它们下去得更快,施加以下标准:
图4和5中描绘的过程100和200使用时间戳和与从EMG信号的最大值导出的s[n]和v[n]中的基准点相关的值。然而,EMG信号的最小值也与RME的量化高度相关。相应地,图6是详细描述过程300的步骤的流程图,过程300用于使用在过程100和200中确定的数据点和时间间隔,基于经预处理的EMG信号s[n]和v[n]的最小值,定义候选吸嗅的额外特征。具体地,过程300被用于确定可以被用于在吸嗅与非吸嗅(例如伪影)活动之间进行区分的EMG导出特征和属性。如前文陈述的,与O[c]期间s[n]的最小值相关联的时间为并且在过程300中,时间/>被用作每次呼吸循环中的初始种子点,用于识别v[n]中的几个基准点。
在过程300的步骤301,如下定义针对给定呼吸循环c在s[n]中的时间间隔
其中,Tmin为预先确定的持续时间,其在示范性实施例中通常被设为0.8s。因此,为s[n]中以与O[c]的最小值相关联的时间/>为中心的持续时间2Tmin的间隔。在步骤302,在步骤301中定义的时间间隔/>内,识别信号v[n]中最小值vmin[c]出现时的时间/>在步骤303,通过在第c次呼吸循环的最小值(/>vmin[c])与第(c+1)次呼吸循环的最小值(/>vmin[c+1])之间第一线性插值v[n],然后寻找插值函数在中点/>的位置处的值,寻找第c次呼吸循环的偏移值/>随后,在步骤304,将第c次呼吸循环的幅度定义为vmax[c]与/>之间的差:
其中,对幅度施加标准Alow≤A[c]≤Aupp。在示范性实施例中,下限和上限阈值Alow和Aupp的典型值分别为3μV和40μV。
在步骤305,定义第一不对称特征以量化以下事实,即优选的是,在最大值(tmax[c],vmax[c])之前和之后的最小值的均值相对于对应呼吸循环的幅度A[c]是低的值。这样,如下定义/>
其中,要求小于预先确定的阈值,其在示范性实施例中被选为大致0.3。在步骤306,定义第二不对称特征γ2[c],以一方面量化随后的谷底最小值vmin[c]与vmin[c+1]之间的差的相对大小,另一方面量化在峰值的最大值vmax[c]之间及在谷底最小值与谷底最小值(vmin[c]与vmin[c+1])中的每个之间的差中的较小者。这样,如下定义γ2[c]:
其中要求小于预先确定的上限阈值,其在示范性实施例中被选为大致0.2。最后,在步骤307,如下定义第三不对称特征γ3[c],以量化吸嗅峰值的左边不对称性:
其中,要求γ3[c]小于预先确定的上限阈值,其在示范性实施例中被选为大致0.25。在所公开的概念的示范性实施例中,如果候选吸嗅不满足上文关于步骤304-307描述的全部幅度和不对称条件,则将候选吸嗅归类为伪影而非吸嗅。
图7示出了根据所公开的构思的示范性实施例,与已经历各种水平的预处理的加速度计信号的若干波形73、74、75和76对齐的、已经历各种水平的预处理的EMG信号的若干波形71、72和77的并行情况,EMG信号和加速度计信号已由如在图1A和1B中描绘的EMG电极2和加速度计4同时测量。图7中所示的波形仅被用于说明性的目的,并且不意图为对本发明的范围的限制。波形71-77描绘来自相同时间间隔的原始的或经处理的EMG或加速度计信号,但每个波形强调呼吸肌活动的不同方面或身体表面取向上的改变。
仍参考图7,波形71描绘原始EMG信号,并且波形72描绘在已经历预处理高通滤波之后的波形71。比较波形72与波形71,可以认识到,对原始EMG信号的预处理强调呼吸肌活动,同时减小信号伪影。如本文中关于图8中描绘的过程400所描述的,波形73描绘从原始加速度计信号构建的经预处理的加速度计信号,其松散表示加速度计4随时间在角度上的改变,无论角度上的改变是因呼吸活动或非呼吸活动造成的。波形74是描绘加速度计4的x轴的下和上频带信号两者(分别为图7中的波形74A和74B)的经预处理的加速度计信号(从原始加速度计信号构建的),并且波形75为描绘加速度计4的z轴的下和上频带信号两者(分别为图7中的75A和75B)的经预处理的加速度计信号。本文中参考图10中描绘的过程600描述波形74、75的构建。
仍参考图7,波形76表示针对加速度计4的x通道和z通道两者,上和下频带信号的比率。具体地,如本文中参考图9中描绘的过程500描述的,在过程500的步骤504寻找经整流和平滑化的下频带信号acc_lpf_sm(acc_lpf_sm_x是针对x通道找到的,并且acc_lpf_sm_z是针对z通道找到的),并且在过程500的步骤505寻找经整流和平滑化的上频带信号acc_hpf_sm(acc_hpf_sm_x是针对x通道找到的,并且acc_hpf_sm_z是针对z通道找到的)。在图7中,波形76A为用小数表示的比率(acc_hpf_sm_x)/(acc_lpf_sm_x+acc_hpf_sm_x),并且波形76B为用小数表示的比率(acc_hpf_sm_z)/(acc_lpf_sm_z+acc_hpf_sm_z)。最后,波形77表示经吸嗅处理的EMG信号v[n],其中在方法50之后已正确识别出若干吸嗅80,并且已针对在经预处理的EMG信号中识别出的呼吸循环中的每个执行了过程100-600的步骤。
简单回来参考图1A和1B并且如前文陈述的,加速度计4被附着到患者P的胸骨,使得z轴指向患者P的身体之外并且正交于身体表面,而x轴和y轴落在与身体表面相切的平面内,其中x轴指向患者P的头部。这样,x-z平面大致垂直于地球表面,使得重力矢量大致落在x-z平面。现在参考图8,过程400被用于构建加速度计信号,其松散表示加速度计4随时间角度上的改变,这种角度上的改变是由呼吸活动与非呼吸活动的某种组合造成的。在第一步骤401,将四阶巴特沃斯抗锯齿低通滤波器应用于原始加速度计信号,并且在示范性实施例中,使用20Hz的截止频率。在步骤402,抽取(decimate)得到的信号。在本发明的示范性实施例中,用16的因数抽取信号。在步骤403,应用二阶巴特沃斯低通滤波器以进一步减少加速度计信号的高频噪声和伪影,并且得到的信号在下文中被称作acc_lpf_403。在示范性实施例中,应用10Hz的截止频率。
在步骤404,应用线性相位有限脉冲响应移动平均滤波器。在本发明的示范性实施例中,以2秒的支持应用所述线性相位有限脉冲响应移动平均滤波器。步骤404产生向量μ[n],其包含x和z分量,分别作为向量的第一和第二元素。在步骤405,用滤波器的群延迟延迟在步骤403产生的信号acc_lpf_403,以使其与向量μ[n]对齐,产生向量a[n]。在步骤406,使用以下方程,评价松散表示得自加速度计4被附着到的身体表面(即图A中描绘的x-y平面)的取向上的改变的角度的倾斜角θ[n],该评价通过基于前面建立的重力矢量大致落在x-z平面的假设寻找μ[n]与a[n]的叉积的y分量(即μ[n]与a[n]之间的角度的正弦),以及用向量a[n]和的大小的积对叉积进行归一化,来进行:
应注意,倾斜角θ[n]指代关于y轴的旋转,图1A中描绘了y轴。此外,在隆起间隔Tη[c]期间,对倾斜角θ[n]施加条件θL<max(|θ[n]|)<θU。在示范性实施例中,为θL指定为0.5的值并且为θU指定为4.0的值,因为这些具体的值对应于针对正是用本发明的系统和方法观察的患者推荐的示范姿势。在已真对正被分析的时间间隔中每个时间点确定了角度θ[n]之后,产生诸如由图7中的波形73表示的信号。
现在参考图9,使用过程500构建加速度计信号的上和下频带,以识别原始加速度计信号中所测量的呼吸活动和运动伪影的瞬态特征。应注意,被用于对原始加速度计信号进行预处理的过程400和过程500是并行执行的。在过程500的步骤501,通过应用三阶巴特沃斯高通滤波,从加速度计信号去除基线,并且在所公开的概念的示范性实施例中,使用为0.5Hz的截止频率。在步骤502,应用三阶巴特沃斯低通滤波以提取下频带信号acc_lpf_502,并且在示范性实施例中,使用为50Hz的截止频率。类似地,在步骤503,应用三阶巴特沃斯高通滤波以提取上频带信号acc_hpf_503,并且在示范性实施例中,使用为150Hz的截止频率。在步骤504和505,为了分别从下频带和上频带分别提取类功率信号,使用已知的信号处理技术对在步骤502找到的下频带信号acc_lpf_502和在步骤503找到的上频带信号acc_hpf_503进行整流和平滑化。在步骤504产生的经整流和平滑化的下频带信号表示为acc_lpf_sm(从acc_lpf_502产生的)并且在步骤504产生的经整流和平滑化的上频带信号表示为acc_hpf_sm(从acc_hpf_503产生的)。如图9中描绘的,步骤502和504可以与步骤503和505并行执行。
将认识到,针对加速度计4的x通道和z通道两者执行过程500的步骤,使得使用过程500对加速度计的x通道信号的预处理产生经整流和平滑化的下和上频带信号acc_lpf_sm_x和acc_hpf_sm_x,同时使用过程500对加速度计4的z通道信号的预处理产生经整流和平滑化的信号acc_lpf_sm_z和acc_hpf_sm_z。再次联和图9参考图7,信号74A为在步骤504找到的x通道下频带信号的波形,并且信号74B为在步骤505找到的x通道上频带信号的波形。类似地,信号75A为在步骤504找到的z通道下频带信号的波形,并且信号75B为在步骤505找到的z通道上频带信号的波形。
现在参考图10,示出描绘过程600的流程图,过程600用于定义加速度计信号关于在过程100-500期间找到的各种经预处理的信号的呼吸特征。如下文详细描述的,过程500的结果被用于过程600中,并且相应地,将认识到,过程600是在过程500的结果上针对x通道和z通道两者执行的。在过程600期间找到的全部特征都是在隆起间隔Tη[c]上定义的。在步骤601,对在步骤504产生的经平滑化的下频带信号acc_lpf_sm和在步骤505产生的经平滑化的上频带信号acc_hpf_sm求和。在步骤602,寻找在步骤505产生的经平滑化的上频带信号对在步骤601产生的和信号的比率。
再次联和图10参考图7,在步骤601中针对x通道将波形74A(加速度计4x通道的下频带信号)和波形74B(加速度计4x通道的上频带信号)加和到一起。类似地,在步骤601针对z通道将波形75A(加速度计4z通道的下频带信号)和波形75B(加速度计4z通道的上频带信号)加和到一起。波形76A得自针对x通道执行步骤602,因为波形76A得自寻找波形74B对在步骤601针对x通道找到的波形74A与74B的和的比率。类似地,波形76B得自针对z通道执行步骤602,因为波形76B得自寻找波形75B对在步骤601针对z通道找到的波形75A与75B的和的比率。
根据本发明的示范性实施例,为了将候选吸嗅算作吸嗅而非伪影,在步骤602计算与候选吸嗅的时间间隔相关联的比率必须小于预定值。该要求基于这样的观察,即加速度计数据的谱图通常显示吸嗅的主功率出现在较低频率区域,而整个频带通常包含在伪影活动期间的强分量。因此,在步骤603,如果在步骤602计算的比率确实小于预定值,则候选吸嗅保留为候选吸嗅。
实验观察额外地显示,如果在步骤505产生的上频带信号acc_hpf_sm在候选吸嗅的时间间隔期间与预定阈值交叉多余预定次数,则EMG信号中对应的隆起间隔Tη[c]通常是由伪影造成的。阈值表示为重力加速度(9.8m/s2)的分数。在示范性实施例中,阈值被选为0.1g(即0.98m/s2)并且预定相交次数被选为7。相应地在步骤604,如果高频带信号acc_hpf_sm与阈值(例如0.1g)相交超过预定相交次数(例如7),则将候选吸嗅算作伪影,否则,候选吸嗅维持其作为候选吸嗅的状态。
最后,在步骤605,确定在过程500期间分别在步骤502和503找到的经低通滤波和经高通滤波的信号acc_lpf_502和acc_hpf_503两者的方差和标准偏差。如果在步骤605找到的方差或标准偏差中的任一个超过预定值,则将候选吸嗅活动视为对应于伪影而非吸嗅。相反,如果在步骤605找到的方差或标准偏差落在预定值以下,则将候选吸嗅视为是吸嗅而非信号伪影。图7中的波形77为经吸嗅处理的EMG信号v[n]的范例,针对其已在执行了过程100-600之后正确识别出若干吸嗅80。简要地再次参考图3中描绘的方法50,在已针对由EMG电极2和加速度计4记录的期望次数的呼吸循环执行了过程100-600,并且已识别出所述呼吸循环中的任意吸嗅之后,执行用于通过寻找Erel量化RME的最终步骤56。
在本发明的示范性实施例中,预期除了前面针对关于过程100-300所描述的EMG导出特征所陈述的标准也得以满足之外,在全部三个步骤603、604和605的标准下,将真实吸嗅算作吸嗅。然而,在候选吸嗅在步骤603、604和605中点的一个或两个而非全部三个的标准下展现伪影倾向的情况下,可以调节过程100-600中使用的预定值和阈值,而不偏离所公开的概念的范围。本文中引用的全部所谓的“阈值”和“预定值”均为建议值,而不意图限制本发明的范围。具体地,如果使用了与本文前面陈述的方法不同的用于对EMG信号进行预处理的方法,则将认识到,可能需要调节本文中建议的阈值和预定值中的至少一些,以解释与本文中描述的那些相比经预处理的信号分量的大小和/或频率的差异,但利用对阈值和预定值的这样的调节本文中描述的方法和系统仍将适用。
如前文所述,本文描述的方法50和过程100-600是使用经典工程及特征提取方法来开发的。之前,非侵入性吸嗅检测的自动化是有挑战的,并且会因EMG信号中吸嗅和信号伪影显现的相似性而导致在吸嗅与信号伪影之间不准确的区分。然而,本发明除了EMG信号数据和特征之外还对加速度计信号数据的使用,尤其是过程400-600,使在吸嗅与信号伪影之间的准确且非侵入性区分的自动化成为可能。
在权利要求中,置于括号内的任意附图标记不应被解读为限制权利要求。词语“包括”或“包含”不排除权利要求中所列的那些以外的元件或步骤的存在。在枚举了几个装置的设备权利要求中,这些装置中的几个可以体现为一项且相同的硬件。元件前的词语“一”或“一个”不排除多个这样的元件的存在。在枚举了几个装置的设备权利要求中,这些装置中的几个可以体现为一项且相同的硬件。互不相同的从属权利要求中记载了某些元件这一仅有事实并不指示这些元件不能组合使用。
尽管已出于说明的目的基于目前认为最实际且优选的实施例详细描述了本发明,但要理解,这样的细节仅是出于该目的,并且本发明不限于所公开的实施例,而是相反,意图覆盖在所附权利要求的精神和范围内的修改和等同布置。例如,要理解,本发明预期在可能的程度上,任意实施例的一个或多个特征能够与任意其他实施例的一个或多个特征相组合。
Claims (15)
1.一种量化患者在呼吸间隔期间的呼吸努力的方法(50),所述方法包括:
利用若干肌电图(EMG)电极(2)测量(51)所述患者的呼吸肌活动;
利用加速度计(4)测量(51)在所述患者的胸腔的多个轴上的加速度;
利用控制器(6)接收由所述EMG电极(2)测量的原始EMG信号和由所述加速度计(4)测量的原始加速度计信号;
通过利用所述控制器(6)预处理所述原始EMG信号来产生(52)若干经预处理的EMG信号;
通过利用所述控制器(6)预处理所述原始加速度计信号来产生(54)若干经预处理的加速度计信号;
利用所述控制器(6)将所述若干经预处理的EMG信号的部分识别(53)为候选吸嗅;
利用所述控制器(6)根据与所述候选吸嗅的时间间隔相关联的所述若干经预处理的EMG信号来确定(55、300)多个EMG导出特征;
利用所述控制器(6)根据与所述候选吸嗅的时间间隔相关联的所述若干经预处理的加速度计信号来确定(55、600)多个加速度计信号特征;
利用所述控制器(6)将所述多个EMG导出特征和加速度计信号特征与多个吸嗅检测阈值进行比较(300、600),
利用所述控制器(6)基于所述比较,将所述候选吸嗅归类(300、600)为确认吸嗅或信号伪影;并且
利用所述控制器(6)通过将所述若干经预处理的EMG信号的若干属性与所述确认吸嗅的若干属性进行比较来量化(56)所述患者的呼吸肌努力。
2.如权利要求1所述的方法(50),还包括:
利用所述控制器(6)识别所述若干经预处理的EMG信号中与规律呼吸相关联的局部规律呼吸EMG最大值;
利用所述控制器(6)确定所述局部规律呼吸EMG最大值的均值;并且
利用所述控制器(6)识别所述若干经预处理的EMG信号中与所述确认吸嗅相关联的最大吸嗅值,
其中,量化所述呼吸肌努力包括将所述局部规律呼吸EMG最大值的所述均值与所述最大吸嗅值进行比较。
3.根据权利要求1或2所述的方法(50),还包括:
通过利用所述控制器(6)预处理所述原始EMG信号来产生规律呼吸EMG信号,以强调规律呼吸活动并使所述原始EMG信号中的伪影最小化;
通过利用所述控制器(6)预处理所述原始EMG信号来产生吸嗅EMG信号,以强调所述原始EMG信号中的吸嗅活动;
利用所述控制器(6)识别所述规律呼吸EMG信号中的所述局部规律呼吸EMG最大值;
利用所述控制器(6)识别所述规律呼吸EMG信号中的局部规律呼吸EMG最小值;以及
利用所述控制器(6)识别所述吸嗅EMG信号中的所述最大吸嗅值。
4.根据权利要求1、2或3所述的方法(50),其中,量化所述患者的所述呼吸肌努力包括寻找所述局部EMG最大值的所述均值与所述最大吸嗅值的比率。
5.如权利要求3所述的方法(50),还包括:
针对每个候选吸嗅,利用所述控制器(6)识别(110)所述候选吸嗅的隆起,使得在所述隆起中所述吸嗅EMG信号的全部值都大于或等于预定阈值吸嗅值;
利用所述控制器(6)识别(202)每个隆起中的中点,所述中点为使得所述隆起的左半边的曲线下的面积等于所述隆起的右半边的曲线下的面积的中值;
利用所述控制器(6)通过在紧接所述隆起之前的局部吸嗅EMG最小值与紧随所述隆起之后的局部吸嗅EMG最小值之间线性插值来计算(303)每个隆起的所述中点处的偏移值;
利用所述控制器(6)通过寻找所述隆起中的最大吸嗅EMG值与所述偏移值之间的差来确定(304)所述隆起的幅度;以及
如果若干预定幅度条件指示伪影活动,则将所述候选吸嗅归类(305)为伪影。
6.根据权利要求5所述的方法(50),还包括:
利用所述控制器(6)通过寻找紧接所述隆起之前的所述局部吸嗅EMG最小值和紧随所述隆起之后的所述局部吸嗅EMG最小值的均值与所述幅度的比率来确定(305)所述隆起的第一不对称特征;
利用所述控制器(6)通过寻找在紧接所述隆起之前的所述局部吸嗅EMG最小值与紧随所述隆起之后的所述局部吸嗅EMG最小值之间的第一差,通过寻找在所述隆起中的最大吸嗅值与紧接所述隆起之前的所述局部吸嗅EMG最小值之间的第二差,通过寻找在所述隆起中的所述最大吸嗅值与紧随所述隆起之后的所述局部吸嗅EMG最小值之间的第三差,以及通过寻找所述第一差与所述第二差和所述第三差中的较小者的比率,确定(306)所述隆起的第二不对称特征;
利用所述控制器(6)通过确定所述隆起的歪斜度,确定(307)所述隆起的第三不对称特征;以及
如果若干预定不对称条件指示伪影活动,则将所述候选吸嗅归类(305、306、307)为伪影。
7.根据权利要求1-6中的任一项所述的方法(50),还包括:
利用所述控制器(6)低通滤波(502)、整流和平滑化(504)所述原始加速度计信号,以产生下频带功率信号;
利用所述控制器(6)高通滤波(503)、整流和平滑化(505)所述原始加速度计信号,以产生上频带功率信号,
利用所述控制器(6)对所述下频带功率信号与所述上频带功率信号进行求和(601),以产生和频带功率信号;
确定(602)在与所述候选吸嗅中的每个相关联的所述时间间隔期间,针对所述加速度计的第一轴,所述上频带功率信号对所述和频带功率信号的第一比率;
确定(602)在与所述候选吸嗅中的每个相关联的所述时间间隔期间,针对所述加速度计的第二轴,所述上频带功率信号与所述和频带功率信号的第二比率;
利用所述控制器(6)将所述第一比率和所述第二比率与预定频带比率进行比较(603);以及
将所述候选吸嗅中所述第一比率和所述第二比率超过所述预定频带比率的任意候选吸嗅定性(603)为伪影。
8.根据权利要求1-6中的任一项所述的方法(50),还包括:
利用所述控制器(6)高通滤波(503)、整流(505)和平滑化(505)所述原始加速度计信号,以产生上频带功率信号;
利用所述控制器(6)确定(604)在与所述候选吸嗅中的每个相关联的所述时间间隔期间所述上频带功率信号与预定阈值相交的次数;以及
利用所述控制器(6)将所述候选吸嗅中在与所述候选吸嗅相关联的所述时间间隔期间其所述上频带功率信号与所述预定阈值相交的所述次数超过预定相交次数的任何候选吸嗅定性(604)为伪影。
9.根据权利要求1-6中的任一项所述的方法(50),还包括:
利用所述控制器(6)低通滤波(502)所述原始加速度计信号,以产生下频带信号;
利用所述控制器(6)高通滤波(503)所述原始加速度计信号,以产生上频带信号;
利用所述控制器(6)确定(605)所述下频带信号与所述高频带信号的标准偏差;以及
利用所述控制器(6)将所述候选吸嗅中其所述标准偏差超过预定值的任意候选吸嗅定性(605)为伪影。
10.一种用于量化患者在呼吸间隔期间的呼吸努力的系统(1),所述系统包括:
若干肌电图(EMG)电极(2),其被配置为测量所述患者的呼吸肌活动;
加速度计(4),其被配置为测量在所述患者的胸腔的多个轴上的加速度;以及
控制器(6),
其中,所述控制器(6)被配置为接收由所述EMG电极(2)测量的原始EMG信号和由所述加速度计(4)测量的原始加速度计信号,
其中,所述控制器(6)被配置为通过预处理所述原始EMG信号来产生若干经预处理的EMG信号,
其中,所述控制器(6)被配置为通过预处理所述原始加速度计信号来产生若干经预处理的加速度计信号,
其中,所述控制器(6)被配置为将所述若干经预处理的EMG信号的部分识别为候选吸嗅,
其中,所述控制器(6)被配置为根据与所述候选吸嗅的时间间隔相关联的所述若干经预处理的EMG信号来确定多个EMG导出特征,
其中,所述控制器(6)被配置为根据与所述候选吸嗅的时间间隔相关联的所述若干经预处理的加速度计信号来确定多个加速度计信号特征,
其中,所述控制器(6)被配置为将所述多个EMG导出特征和所述多个加速度计信号特征与多个吸嗅检测阈值进行比较,
其中,所述控制器(6)被配置为基于所述多个EMG导出特征和所述多个加速度计信号特征与所述多个吸嗅检测阈值的比较,将所述候选吸嗅归类为确认吸嗅或信号伪影,并且
其中,所述控制器(6)被配置为通过将所述若干经预处理的EMG信号的若干属性与所述确认吸嗅的若干属性进行比较,量化所述患者的呼吸肌努力。
11.如权利要求10所述的系统(1),其中,所述控制器(6)还被配置为:
识别所述若干经预处理的EMG信号中与规律呼吸相关联的局部规律呼吸EMG最大值;
确定所述局部规律呼吸EMG最大值的均值;
识别所述若干经预处理的EMG信号中与所述确认吸嗅相关联的最大吸嗅值;以及
通过将所述局部EMG最大值的所述均值与所述最大吸嗅值进行比较,量化所述呼吸肌努力。
12.根据权利要求10或11所述的系统(1),其中,所述控制器(6)还被配置为:
通过预处理所述原始EMG信号来产生规律呼吸EMG信号,以强调规律呼吸活动并最小化所述EMG信号中的伪影;
通过预处理所述原始EMG信号来产生吸嗅EMG信号,以强调所述EMG信号中的吸嗅活动;
识别所述规律呼吸EMG信号中的局部EMG最大值;以及
识别所述吸嗅EMG信号中的所述最大吸嗅值,并且
其中,将所述局部EMG最大值的均值与所述最大吸嗅值进行比较包括寻找所述局部EMG最大值的均值与所述最大吸嗅值的比率。
13.如权利要求12所述的系统(1),其中,所述控制器(6)还被配置为:
针对每个候选吸嗅,识别所述候选吸嗅的隆起,使得在所述隆起中的所述吸嗅EMG信号的全部值都大于或等于预定阈值吸嗅值;
识别每个隆起中的中点,所述中点为使得所述隆起的左半边的曲线下的面积等于所述隆起的右半边的曲线下的面积的中值;
通过在紧接所述隆起之前的局部吸嗅EMG最小值与紧随所述隆起之后的所述局部吸嗅EMG最小值之间线性插值,确定每个隆起的所述中点处的偏移值;
通过寻找所述隆起中的最大吸嗅EMG值与所述偏移值之间的差来确定所述隆起的幅度;以及
如果若干预定幅度条件指示伪影活动,则将所述候选吸嗅归类为伪影。
14.根据权利要求10-13中的任一项所述的系统(1),其中,所述控制器(6)还被配置为:
高通滤波、整流和平滑化所述原始加速度计信号,以产生上频带功率信号;
确定在与所述候选吸嗅中的每个相关联的所述时间间隔期间所述上频带功率信号与预定阈值相交的次数;以及
将所述候选吸嗅中在与所述候选吸嗅相关联的所述时间间隔期间其所述上频带功率信号与所述预定阈值相交的次数超过预定相交次数的任意候选吸嗅定性为伪影。
15.根据权利要求10-13中的任一项所述的系统(1),其中,控制器(6)还被配置为:
低通滤波所述原始加速度计信号,以产生下频带信号;
高通滤波所述原始加速度计信号,以产生上频带信号;
确定所述下频带信号与所述高频带信号的标准偏差;以及
将所述候选吸嗅中其所述标准偏差超过预定值的任意候选吸嗅定性(605)为伪影。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163216269P | 2021-06-29 | 2021-06-29 | |
US63/216,269 | 2021-06-29 | ||
PCT/EP2022/067521 WO2023274931A1 (en) | 2021-06-29 | 2022-06-27 | Sniff detection and artifact distinction from electromyography and accelerometer signals |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117597064A true CN117597064A (zh) | 2024-02-23 |
Family
ID=82446561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280046919.7A Pending CN117597064A (zh) | 2021-06-29 | 2022-06-27 | 根据肌电图和加速度计信号的吸嗅检测和伪影区分 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4362783A1 (zh) |
CN (1) | CN117597064A (zh) |
WO (1) | WO2023274931A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201116860D0 (en) * | 2011-09-30 | 2011-11-09 | Guy S And St Thomas Nhs Foundation Trust | Patent monitoring method and monitoring device |
JP6827935B2 (ja) * | 2015-01-28 | 2021-02-10 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 被験者の呼吸努力を決定及び/又は監視するための装置並びに方法 |
US10945628B2 (en) * | 2015-08-11 | 2021-03-16 | Koninklijke Philips N.V. | Apparatus and method for processing electromyography signals related to respiratory activity |
EP3381354A1 (en) * | 2017-03-31 | 2018-10-03 | Koninklijke Philips N.V. | Methods and system for processing an emg signal |
-
2022
- 2022-06-27 EP EP22738427.8A patent/EP4362783A1/en active Pending
- 2022-06-27 CN CN202280046919.7A patent/CN117597064A/zh active Pending
- 2022-06-27 WO PCT/EP2022/067521 patent/WO2023274931A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
EP4362783A1 (en) | 2024-05-08 |
WO2023274931A1 (en) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101815465B (zh) | 从心电图得出的呼吸暂停/呼吸减弱指数 | |
Taji et al. | False alarm reduction in atrial fibrillation detection using deep belief networks | |
JP6199312B2 (ja) | チェーンストークス呼吸パターンの判別 | |
US20140200474A1 (en) | Detection of sleep apnea using respiratory signals | |
US9585580B2 (en) | Method and apparatus for determining information indicative of cardiac malfunctions and abnormalities | |
WO2010121290A1 (en) | Discrimination of cheyne -stokes breathing patterns by use of oximetry signals | |
Gamage et al. | Clustering seismocardiographic events using unsupervised machine learning | |
DE102018204868A1 (de) | Verfahren, Systeme und Vorrichtung zur Detektion von Atemphasen | |
US20160135717A1 (en) | Method and apparatus for determining information indicative of cardiac malfunctions | |
US10463311B2 (en) | Multi-channel ballistocardiography with cepstrum smoothing and quality-based dynamic channel selection | |
Risdal et al. | Impedance-based ventilation detection during cardiopulmonary resuscitation | |
Morales et al. | Sleep apnea hypopnea syndrome classification in spo 2 signals using wavelet decomposition and phase space reconstruction | |
CN114449947B (zh) | 用于确定呼吸信号和/或心源性信号的方法和设备 | |
Wlodarczak | RespInPeace: toolkit for processing respiratory belt data | |
CN107753012B (zh) | 一种心磁信号质量评估方法、系统、及服务器 | |
CN117597064A (zh) | 根据肌电图和加速度计信号的吸嗅检测和伪影区分 | |
JP7146803B2 (ja) | Emg信号から吸入を検出する及び神経呼吸ドライブの量を抽出する方法並びにシステム | |
Rozo et al. | Controlled Breathing Effect on Respiration Quality Assessment Using Machine Learning Approaches | |
WO2017042350A1 (en) | Method and system for monitoring ventilatory parameter | |
KR102637471B1 (ko) | 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법 | |
KR102637473B1 (ko) | 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 | |
KR102637472B1 (ko) | 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 | |
Bashi et al. | Diagnosis of obstructive apnea disease AHI in chemical warfare veterans based on HRV signals analysis using the ANFIS neural network | |
DE102018216578A1 (de) | Verfahren und Vorrichtung zum Bestimmen von kardiophysiologischen Merkmalen für ein Lebewesen und Kardiografiesystem | |
Castro et al. | Analysis of the electromechanical activity of the heart from synchronized ECG and PCG signals of subjects under stress |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |