CN117693312A - 用于确定个体的睡眠阶段的系统和方法 - Google Patents
用于确定个体的睡眠阶段的系统和方法 Download PDFInfo
- Publication number
- CN117693312A CN117693312A CN202280051849.4A CN202280051849A CN117693312A CN 117693312 A CN117693312 A CN 117693312A CN 202280051849 A CN202280051849 A CN 202280051849A CN 117693312 A CN117693312 A CN 117693312A
- Authority
- CN
- China
- Prior art keywords
- period
- sleep
- periods
- stage
- individual
- 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
- 230000008667 sleep stage Effects 0.000 title claims abstract description 469
- 238000000034 method Methods 0.000 title claims abstract description 116
- 230000007958 sleep Effects 0.000 claims abstract description 494
- 238000002644 respiratory therapy Methods 0.000 claims abstract description 119
- 230000036387 respiratory rate Effects 0.000 claims abstract description 44
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 71
- 206010062519 Poor quality sleep Diseases 0.000 claims description 67
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 claims description 56
- 230000007704 transition Effects 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 230000004461 rapid eye movement Effects 0.000 claims description 44
- 230000002123 temporal effect Effects 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 230000037007 arousal Effects 0.000 description 49
- 208000008784 apnea Diseases 0.000 description 39
- 230000036772 blood pressure Effects 0.000 description 31
- 206010021079 Hypopnoea Diseases 0.000 description 29
- 230000000241 respiratory effect Effects 0.000 description 28
- 230000004622 sleep time Effects 0.000 description 28
- 238000009826 distribution Methods 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 24
- 230000000694 effects Effects 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 17
- 229910052760 oxygen Inorganic materials 0.000 description 17
- 239000012491 analyte Substances 0.000 description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 15
- 239000001301 oxygen Substances 0.000 description 15
- 208000003417 Central Sleep Apnea Diseases 0.000 description 10
- 208000005793 Restless legs syndrome Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 208000001797 obstructive sleep apnea Diseases 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 206010041235 Snoring Diseases 0.000 description 8
- 208000035475 disorder Diseases 0.000 description 8
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 206010003497 Asphyxia Diseases 0.000 description 6
- 208000000059 Dyspnea Diseases 0.000 description 6
- 206010013975 Dyspnoeas Diseases 0.000 description 6
- 208000018360 neuromuscular disease Diseases 0.000 description 6
- 201000002859 sleep apnea Diseases 0.000 description 6
- 206010010904 Convulsion Diseases 0.000 description 5
- 208000006673 asthma Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000001037 epileptic effect Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000019116 sleep disease Diseases 0.000 description 5
- 230000002459 sustained effect Effects 0.000 description 5
- 238000002560 therapeutic procedure Methods 0.000 description 5
- 238000009423 ventilation Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 208000000122 hyperventilation Diseases 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 230000002618 waking effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000414 obstructive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 208000023504 respiratory system disease Diseases 0.000 description 3
- 210000000779 thoracic wall Anatomy 0.000 description 3
- 206010020591 Hypercapnia Diseases 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 230000003434 inspiratory effect Effects 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 208000023515 periodic limb movement disease Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000284 resting effect Effects 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
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010021133 Hypoventilation Diseases 0.000 description 1
- 208000001705 Mouth breathing Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001269 cardiogenic effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 208000020020 complex sleep apnea Diseases 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000036757 core body temperature Effects 0.000 description 1
- 238000012937 correction Methods 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
- 238000003066 decision tree Methods 0.000 description 1
- 238000006392 deoxygenation reaction Methods 0.000 description 1
- 230000003001 depressive effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000008103 glucose Substances 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
- 230000003862 health status Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 201000006646 mixed sleep apnea Diseases 0.000 description 1
- 208000001022 morbid obesity Diseases 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 230000007171 neuropathology Effects 0.000 description 1
- 230000008452 non REM sleep Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010405 reoxidation reaction Methods 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 210000003019 respiratory muscle Anatomy 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000004620 sleep latency Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 210000001584 soft palate Anatomy 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 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
- A61B5/72—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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
Abstract
一种确定个体的睡眠阶段的方法包括:识别与所述睡眠时段的当前时段相关联的特征;基于所述特征确定多个睡眠阶段概率;识别所述个体在所述当前时段期间经历的事件;以及基于所述个体在所述当前时段或先前时段期间经历的事件和/或先前针对所述先前时段确定的睡眠阶段来调整所述多个睡眠阶段概率中的每一者。这些特征包括与来自该个体所使用的呼吸治疗系统的加压空气流相关联的至少一个特征、与该个体的呼吸速率相关联的至少一个特征,和/或与该睡眠时段的时间相关联的至少一个特征。每个睡眠阶段概率对应于睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个。
Description
相关申请的交叉引用
本申请要求于2021年5月24日提交的第63/192,343号美国临时专利申请的权益,其通过引用整体并入本文。
技术领域
本公开总体上涉及用于在睡眠时段期间确定个体的睡眠阶段的系统和方法,并且更具体地,涉及用于基于流量数据、呼吸数据和呼吸事件在睡眠时段期间确定个体的睡眠阶段的系统和方法。
背景技术
许多个体患有睡眠相关和/或呼吸相关障碍,例如睡眠障碍性呼吸(SDB),其可包括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(例如混合性呼吸暂停和呼吸不足)、呼吸努力相关唤醒(RERA)和打鼾。在一些情况下,当个体处于特定的躺/睡姿时,这些病症显现或更明显地显现。这些个体还可能患有其它健康病症(其可称为并存病),诸如失眠(例如,开始睡眠困难、在最初入睡后频繁或长时间清醒,和/或不能恢复睡眠的早期清醒)、周期性肢体运动障碍(PLMD)、多动腿综合征(RLS)、潮式呼吸(CSR)、呼吸功能不全、肥胖症过度换气综合征(OHS)、慢性阻塞性肺病(COPD)、神经肌肉疾病(NMD)、快速眼动(REM)行为障碍(也称为RBD)、梦境演绎行为(DEB)、高血压、糖尿病、中风、胸壁疾病。
这些障碍通常使用呼吸治疗系统(例如,持续气道正压通气(CPAP)系统)来治疗,其递送加压空气以帮助防止个体的气道在睡眠期间变窄或塌陷。虽然呼吸治疗系统可以被配置为实时检测睡眠障碍性呼吸(SDB)事件,诸如呼吸暂停和呼吸不足,但是它们通常可能基于用户未睡着或用户处于非预期的睡眠阶段而不正确地报告SDB事件(例如,所计算的AHI)。因此,需要新的系统和方法来确定个体的睡眠阶段,特别是在个体正在使用呼吸治疗系统的睡眠时段。本发明旨在解决这些和其它问题。
发明内容
根据本公开的一些实现,一种确定个体的睡眠阶段的方法包括接收与该个体的睡眠时段相关联的数据。睡眠时段被分成多个时段。该方法还包括分析所接收的数据以识别与睡眠时段的当前时段相关联的一个或多个特征。所述一个或多个特征包括(i)与来自呼吸治疗系统的加压空气流相关联的至少一个特征,所述加压空气流在睡眠时段由个体使用,(ii)与个体的呼吸速率相关联的至少一个特征,(iii)与睡眠时段内当前时段的时间位置相关联的至少一个特征,或(iv)(i)-(iii)的任何组合。所述方法还包括至少基于所述一个或多个特征来确定多个睡眠阶段概率。每个睡眠阶段概率对应于睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个。该方法还包括分析数据以识别在睡眠时段的当前时段期间个体经历的事件。所述方法还包括基于(i)所述个体在所述睡眠时段的当前时段期间经历的事件,(ii)所述个体在所述睡眠时段的先前时段期间经历的事件,(iii)所述个体在所述睡眠时段的后续时段期间经历的事件,(iv)针对所述睡眠时段的所述先前时段确定的睡眠阶段,(v)针对所述睡眠时段的所述后续时段确定的睡眠阶段,或(vi)(i)-(v)的任何组合来调整所述多个睡眠阶段概率中的每一者。
根据本公开的一些实现,一种用于确定个体的睡眠阶段的系统包括电子接口、控制系统和存储器。所述电子接口被配置为接收与所述个体的睡眠时段相关联的数据。存储器存储机器可读指令。所述控制系统包括一个或多个处理器,所述一个或多个处理器被配置为执行所述机器可读指令以执行方法。该方法包括接收与个体的睡眠时段相关联的数据。睡眠时段被分成多个时段。该方法还包括分析所接收的数据以识别与睡眠时段的当前时段相关联的一个或多个特征。所述一个或多个特征包括(i)与来自呼吸治疗系统的加压空气流相关联的至少一个特征,所述加压空气流在睡眠时段由个体使用,(ii)与所述个体的呼吸速率相关联的至少一个特征,(iii)与所述睡眠时段的时间相关联的至少一个特征,或(iv)(i)-(iii)的任何组合。所述方法还包括至少基于所述一个或多个特征来确定多个睡眠阶段概率。每个睡眠阶段概率对应于睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个。该方法还包括分析数据以识别在睡眠时段的当前时段期间个体经历的事件。所述方法还包括基于(i)所述个体在所述睡眠时段的当前时段期间经历的事件,(ii)所述个体在所述睡眠时段的先前时段期间经历的事件,或(iii)先前针对所述睡眠时段的先前时段确定的睡眠阶段来调整所述多个睡眠阶段概率中的每一者。
根据本公开的一些实现,一种确定个体的睡眠阶段的方法包括接收与该个体的睡眠时段相关联的数据。睡眠时段被分成多个时段。该方法还包括分析所接收的数据以识别与睡眠时段的当前时段相关联的一个或多个特征。所述一个或多个特征包括(i)与来自呼吸治疗系统的加压空气流相关联的至少一个特征,所述加压空气流在睡眠时段由个体使用,(ii)与个体的呼吸速率相关联的至少一个特征,(iii)与睡眠时段内当前时段的时间位置相关联的至少一个特征,或(iv)(i)-(iii)的任何组合。所述方法还包括至少基于所述一个或多个特征来确定多个睡眠阶段概率。每个睡眠阶段概率对应于睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个。
根据本公开的一些实现,一种用于确定个体的睡眠阶段的系统包括电子接口、控制系统和存储器。所述电子接口被配置为接收与所述个体的睡眠时段相关联的数据。存储器存储机器可读指令。所述控制系统包括一个或多个处理器,所述一个或多个处理器被配置为执行所述机器可读指令以执行方法。该方法包括接收与个体的睡眠时段相关联的数据。睡眠时段被分成多个时段。该方法还包括分析所接收的数据以识别与睡眠时段的当前时段相关联的一个或多个特征。所述一个或多个特征包括(i)与来自呼吸治疗系统的加压空气流相关联的至少一个特征,所述加压空气流在睡眠时段由个体使用,(ii)与所述个体的呼吸速率相关联的至少一个特征,(iii)与所述睡眠时段的时间相关联的至少一个特征,或(iv)(i)-(iii)的任何组合。所述方法还包括至少基于所述一个或多个特征来确定多个睡眠阶段概率。每个睡眠阶段概率对应于睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个。
以上概述并不旨在表示本公开的每个实现或每个方面。本公开的详细描述和附图中,本发明的附加特征和优点是显而易见的。
附图说明
图1是根据本公开的一些实现的呼吸治疗系统的功能框图;
图2是根据本公开的一些实现的图1的呼吸治疗系统、该呼吸治疗系统的用户,以及该用户的床伴的透视图;
图3示出了根据本公开的一些实现的睡眠时段的示例性时间线;
图4示出了根据本公开的一些实现的与图3的睡眠时段相关联的示例性睡眠图;
图5是用于在睡眠时段期间确定个体的睡眠阶段的算法的功能框图;以及
图6是根据本公开的一些实现的用于确定个体的睡眠阶段的方法的处理流程图。
虽然本公开容许各种修改和替代形式,但其特定实现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,这并不旨在将本公开限制为所公开的特定形式,而是相反,本公开将覆盖落入由所附权利要求限定的本公开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
参考附图来描述本公开,其中在所有附图中使用相同的附图标记来表示相似或等同的元件。附图不是按比例绘制的,并且仅用于说明本公开。下面参考用于说明的示例应用来描述本公开的几个方面。
许多个体患有睡眠相关和/或呼吸障碍,例如睡眠障碍性呼吸(SDB),例如阻塞性睡眠呼吸暂停(OSA)、中枢性睡眠呼吸暂停(CSA)和其它类型的呼吸暂停、呼吸努力相关唤醒(RERA)、打鼾、潮式呼吸(CSR)、呼吸功能不全、肥胖换气过度综合征(OHS)、慢性阻塞性肺病(COPD)、周期性肢体运动障碍(PLMD)、多动腿综合征(RLS)、神经肌肉疾病(NMD)和胸壁障碍。
阻塞性睡眠呼吸暂停(OSA),一种睡眠障碍性呼吸(SDB)的形式,其特征在于包括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导致的睡眠期间上气道的闭塞或阻塞的事件。更一般地,呼吸暂停一般是指由空气阻塞(阻塞性睡眠呼吸暂停)或呼吸功能停止(中枢性睡眠呼吸暂停)引起的呼吸停止。当大脑暂时停止向控制呼吸的肌肉发送信号时,产生CSA。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。
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。
呼吸努力相关唤醒(RERA)事件的特征通常在于持续十秒或更长的增加的呼吸努力,导致从睡眠中唤醒,并且其不满足呼吸暂停或呼吸不足事件的标准。RERA被定义为呼吸序列,其特征在于增加呼吸努力导致睡眠唤醒,但不满足呼吸暂停或呼吸不足的标准。这些事件符合以下标准:(1)逐渐更负的食管压力模式,由压力突然变化到更低的负水平和唤醒终止,和(2)该事件持续10秒或更长。在一些实现中,鼻插管/压力换能器系统在RERA的检测中是足够且可靠的。RERA检测器可以基于从呼吸治疗装置导出的实际流量信号。例如,可以基于流量信号确定流量限制量度。然后可以根据流量限制量度和通气量突然增加的量度导出唤醒量度。在转让给ResMed Ltd.的WO 2008/138040和美国专利第9,358,353号中描述了一种这样的方法,其每一个的公开内容在此通过引用整体并入本文。
潮式呼吸(CSR)是另一种睡眠障碍性呼吸形式。CSR是患者呼吸控制器的障碍,其中存在称为CSR循环的盛衰通气的节律性交替周期。CSR的特征在于动脉血的重复脱氧和再氧化。
肥胖换气过度综合征(OHS)被定义为严重肥胖和清醒时慢性高碳酸血症的组合,不存在其他已知的换气不足的原因。症状包括呼吸困难、晨起头痛和白天过度嗜睡。
慢性阻塞性肺病(COPD)包括具有某些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。COPD包括具有一组具有某些共同特征的下气道疾病,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)涵盖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病痛。胸壁疾病是一组导致呼吸肌与胸廓之间低效联接的胸廓畸形。
这些和其它障碍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、癫性发作或其任何组合)。
呼吸暂停低通气指数(AHI)是用于指示睡眠时段睡眠呼吸暂停严重性的指数。AHI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。
参考图1,示出了根据本公开的一些实现的系统10。系统10包括呼吸治疗系统100、控制系统200、存储装置204和一个或多个传感器210。系统10可以附加地或可选地包括用户装置260、活动跟踪器270和血压装置280。系统10可用于在睡眠时段期间确定用户的睡眠阶段。
呼吸治疗系统100包括呼吸压力治疗(RPT)装置110(在此称为呼吸治疗装置110)、用户接口120(也称为面罩或患者接口)、导管140(也称为管或空气回路)、显示装置150和加湿器160。呼吸压力治疗是以受控目标压力将空气供应到气道入口的应用,所述受控目标压力在患者的整个呼吸循环中相对于大气名义上是正的(与诸如罐式呼吸机或胸甲的负压治疗相反)。呼吸治疗系统100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)的个体。
呼吸治疗系统100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系统被配置为递送第一预定压力(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)。
如图2所示,呼吸治疗系统100可用于治疗用户20。在该示例中,呼吸治疗系统100的用户20和床伴30位于床40中并躺在床垫42上。用户接口120可以由用户20在睡眠时段期间佩戴。呼吸治疗系统100通常有助于增加用户20的咽喉中的空气压力,以有助于防止气道在睡眠期间闭合和/或变窄。呼吸治疗装置110可定位在如图2所示直接邻近床40的床头柜44上,或更一般地,定位在通常邻近床40和/或用户20的任何表面或结构上。
返回参考图1,呼吸治疗装置110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)。在一些实现中,呼吸治疗装置110产生连续恒定的空气压力,该空气压力被输送至用户。在其他实现中,呼吸治疗装置110产生两个或更多个预定压力(例如,第一预定空气压力和第二预定空气压力)。在其他实现中,呼吸治疗装置110在预定范围内产生多种不同的空气压力。例如,呼吸治疗装置110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。呼吸治疗装置110还可以以预定的流量,例如在约-20L/min和约150L/min之间,输送加压空气,同时保持正压(相对于环境压力)。
呼吸治疗装置110包括壳体112、鼓风机马达114、空气入口116和空气出口118。鼓风机马达114至少部分地布置或集成在壳体112内。鼓风机马达114经由空气入口116从壳体112外部抽吸空气(例如,大气),并使加压空气流过加湿器160,并流过空气出口118。在一些实现中,空气入口116和/或空气出口118包括可在关闭位置与打开位置之间移动的盖(例如,以防止或抑制空气流过空气入口116或空气出口118)。壳体112还可以包括通气口,以允许空气通过壳体112到达空气入口116。如下所述,导管140联接到呼吸治疗装置110的空气出口118。
用户接口120接合用户面部的一部分,并将加压空气从呼吸治疗装置110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。这还可以增加用户在睡眠期间的氧气摄入。通常,用户接口120接合用户的面部,使得加压空气经由用户的嘴、用户的鼻子或用户的嘴和鼻子两者被输送送到用户的气道。呼吸治疗装置110、用户接口120和导管140一起形成与用户气道流体连接的空气通路。加压空气还增加了睡眠期间用户的氧气摄入。根据要施加的治疗,用户接口120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。对于其他形式的治疗,诸如氧气输送,用户接口可以不包括足以有利于将约10cmH2O的正压下的气体供应输送至气道的密封。
用户接口120可以包括例如衬垫122、框架124、头带126、连接器128和一个或多个通气口130。衬垫122和框架124限定了围绕用户的嘴和/或鼻的空间体积。当呼吸治疗系统100在使用中时,该容积空间接收加压空气(例如,经由导管140从呼吸治疗装置110),以进入用户的气道。头带126通常用于帮助将用户接口120定位和/或稳定在用户的一部分(例如面部)上,并且与衬垫122(其例如可以包括硅酮、塑料、泡沫等)一起帮助在用户接口120和用户20之间提供基本上气密的密封。在一些实现中,头带126包括一个或多个条带(例如,包括钩环紧固件)。连接器128通常用于将导管140联接(例如,连接和流体联接)到衬垫122和/或框架124。可替代地,导管140可以在没有连接器128的情况下直接联接到衬垫122和/或框架124上。通气口130可用于允许用户20呼出的二氧化碳和其它气体逸出。用户接口120通常可以包括任何合适数量的通气口(例如,一个、两个、五个、十个等)。
如图2所示,在一些实现中,用户接口120是覆盖用户20的鼻和嘴的至少一部分的面罩(例如,全面罩)。或者,用户接口120可以是向用户鼻子提供空气的鼻罩或将空气直接输送到用户20鼻孔的鼻枕罩。在其他实现中,用户接口120包括吸嘴(例如,模制为符合用户牙齿的夜用防护吸嘴、下颌复位装置等)。
返回参考图1,导管140(也称为空气回路或管)允许空气在呼吸治疗系统100的两个部件之间流动,例如呼吸治疗装置110和用户接口120。在一些实现中,可具有用于吸气和呼气的导管的独立分支。在其他实现中,单个分支导管用于吸气和呼气。
导管140包括联接到呼吸治疗装置110的空气出口118的第一端。第一端可以使用多种技术(例如,压配合连接、卡扣配合连接、螺纹连接等)联接到呼吸治疗装置110的空气出口118。在一些实现中,导管140包括一个或多个加热元件,这些加热元件加热流动穿过导管140的加压空气(例如,将空气加热至预定温度或在预定温度范围内)。这种加热元件可以联接到和/或嵌入导管140中。在这样的实现中,第一端可以包括电触点,该电触点电联接到呼吸治疗装置110以对导管140的一个或多个加热元件供电。例如,电触点可以电耦合到呼吸治疗装置110的空气出口118的电触点。在该示例中,导管140的电触点可以是凸连接器,而空气出口118的电触点可以是凹连接器,或者可替换地,可以使用相反的配置。
显示装置150通常用于显示包括静止图像、视频图像或两者的图像和/或关于呼吸治疗装置110的信息。例如,显示装置150可以提供关于呼吸治疗装置110的状态的信息(例如,呼吸治疗装置110是否开/关、由呼吸治疗装置110递送的空气的压力、由呼吸治疗装置110递送的空气的温度等)和/或其他信息(例如,睡眠得分和/或治疗得分(也称为myAirTM得分,诸如WO 2016/061629和美国专利公开第2017/0311879号中所描述的,其通过引用整体并入本文)、当前日期/时间、用户20的个人信息等)。在一些实现中,显示装置150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。显示装置150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呼吸治疗装置110交互的人类用户做出的输入的任何传感器系统。
加湿器160联接到呼吸治疗装置110或集成在呼吸治疗装置110中,并包括用于存储水的储存器162,水可用于加湿从呼吸治疗装置110输送的加压空气。加湿器160包括一个或多个加热元件164以加热储存器中的水以产生水蒸汽。加湿器160可流体联接到鼓风机马达114和空气出口118之间的空气通路的水蒸气入口,或者可与鼓风机马达114和空气出口118之间的空气通路成一直线地形成。例如,空气在经由空气出口118离开呼吸治疗装置110之前从空气入口116流经鼓风机马达114,然后流经加湿器160。
虽然本文已经将呼吸治疗系统100描述为包括呼吸治疗装置110、用户接口120、导管140、显示装置150和加湿器160中的每一个,但是根据本公开的实现,呼吸治疗系统中可以包括更多或更少的部件。例如,第一替代呼吸治疗系统包括呼吸治疗装置110、用户接口120和导管140。作为另一示例,第二可选系统包括呼吸治疗装置110、用户接口120、导管140和显示装置150。因此,可使用本文所示和所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各种呼吸治疗系统。
控制系统200包括一个或多个处理器202(以下称为处理器202)。控制系统200通常用于控制系统10的各种部件和/或分析由系统10的部件获得和/或产生的数据。处理器202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202,但是控制系统200可以包括任何数量的处理器(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壳体中,或者彼此远离地定位。控制系统200(或任何其它控制系统)或控制系统200的一部分,例如处理器202(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200可以联接到和/或定位在例如用户装置260的壳体、呼吸治疗系统100的一部分(例如呼吸治疗装置110)内,和/或一个或多个传感器210的壳体内。控制系统200可以是集中式的(在一个这样的壳体内)或分散式的(在物理上不同的两个或多个这样的壳体内)。在包括包含控制系统200的两个或更多壳体的这种实现中,壳体可以彼此靠近地和/或远离地定位。
存储器装置204存储可由控制系统200的处理器202执行的机器可读指令。存储器装置204可为任何合适的计算机可读存储装置或媒体,例如,随机存取存储器装置或串行存取存储器装置、硬盘驱动器、固态驱动器、快闪存储器装置等。虽然图1中展示一个存储器装置204,但系统10可包含任何合适数目的存储器装置204(例如,一个存储器装置、两个存储器装置、五个存储器装置、十个存储器装置等)。存储器装置204可以联接到和/或定位在呼吸治疗系统100的呼吸治疗装置110的壳体内、用户装置260的壳体内、一个或多个传感器210的壳体内,或其任何组合。类似于控制系统200、存储器装置204可以是集中式的(在一个这样的壳体内)或分散式的(在物理上不同的两个或多个这样的壳体内)。
在一些实现中,存储器装置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)或其任何组合。人口统计信息可包括例如指示用户年龄、用户性别、用户种族、用户地理位置、关系状态、失眠或睡眠呼吸暂停的家族史、用户就业状态、用户教育状态、用户社会经济状态或其任何组合的信息。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条件、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。自报告用户反馈可包括指示自报告主观睡眠评分(例如,差、平均、优秀)、用户自报告主观压力水平、用户自报告主观疲劳水平、用户自我报告主观健康状态、用户最近经历的生活事件或其任何组合的信息。
如本文所述,处理器202和/或存储器装置204可从一个或多个传感器210接收数据(例如,生理数据和/或音频数据),使得数据存储在存储器装置204中和/或由处理器202分析。处理器202和/或存储器装置204可使用有线连接或无线连接(例如,使用RF通信协议、Wi-Fi通信协议、蓝牙通信协议、经由蜂窝式网络等)与一个或多个传感器210通信。在一些实现中,系统10可以包括天线、接收器(例如,RF接收器)、发射器(例如,RF发射器)、收发器或其任何组合。这些部件可以联接到或集成到控制系统200的壳体(例如,在与处理器202和/或存储器装置204相同的壳体中)或用户装置260。
一个或多个传感器210包括压力传感器212、流量传感器214、温度传感器216、运动传感器218、麦克风220、扬声器222、射频(RF)接收器226、RF发射器228、相机232、红外(IR)传感器234、光电容积图(PPG)传感器236、心电图(ECG)传感器238、脑电图(EEG)传感器240、电容传感器242、力传感器244、应变计传感器246、肌电图(EMG)传感器248、氧传感器250、分析物传感器252、湿度传感器254、光检测和测距(激光雷达)传感器256或其任何组合。通常,一个或多个传感器210中的每一个被配置为输出被接收并存储在存储器装置204或一个或多个其他存储器装置中的传感器数据。
尽管一个或多个传感器210被示出和描述为包括压力传感器212、流量传感器214、温度传感器216、运动传感器218、麦克风220、扬声器222、RF接收器226、RF发射器228、相机232、IR传感器234、PPG传感器236、ECG传感器238、EEG传感器240、电容传感器242、力传感器244、应变计传感器246、EMG传感器248、氧传感器250、分析物传感器252、湿度传感器254和激光雷达传感器256中的每一个,更一般地,一个或多个传感器210可以包括在此描述和/或示出的传感器中的每一个的任何组合和任何数量。
如本文所述,系统10通常可用于在睡眠时段期间生成与用户(例如,呼吸治疗系统100的用户)相关联的生理数据。可以分析生理数据以生成一个或多个睡眠相关参数,其可以包括在睡眠时段期间与用户相关的任何参数、测量等。可以在睡眠时段期间为用户20确定的一个或多个睡眠相关参数包括,例如,呼吸暂停低通气指数(AHI)分数、睡眠分数、流量信号、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、阶段、呼吸治疗装置110的压力设定、心率、心率变异性、用户20的移动、温度、EEG活动、EMG活动、唤醒、打鼾、窒息、咳嗽、吹哨、喘息,或其任何组合。
一个或多个传感器210可用于产生例如生理数据、音频数据或两者。控制系统200可以使用由一个或多个传感器210生成的生理数据来确定在睡眠时段期间与用户20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状态,包括觉醒、放松的觉醒、微觉醒,或不同的睡眠阶段,例如快速眼动(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”),或其任何组合。用于从由一个或多个传感器,诸如一个或多个传感器210生成的生理数据确定睡眠状态和/或睡眠阶段的方法在例如WO 2014/047310、美国专利公开第2014/0088373号、WO 2017/132726、WO 2019/122413、WO 2019/122414和美国专利公开号2020/0383580中描述,其每个通过引用整体并入本文。
在一些实现中,可以对在此描述的睡眠-觉醒信号加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-觉醒信号可以由一个或多个传感器210在睡眠时段期间以预定采样速率测量,例如每秒一个样本、每30秒一个样本、每分钟一个样本等。在一些实现中,睡眠-觉醒信号还可以指示睡眠时段期间的呼吸信号、呼吸速率、吸气幅度、呼气幅度、吸气-呼气比、每小时事件的数目、事件的模式、呼吸治疗装置110的压力设定,或其任何组合。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、混合呼吸暂停、呼吸不足、面罩泄漏(例如,来自用户接口120)、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、癫性发作或其任何组合。可以在睡眠时段期间基于睡眠-觉醒信号为用户确定的一个或多个睡眠相关参数包括,例如,床上总时间、总睡眠时间、睡眠开始等待时间、睡眠开始后觉醒参数、睡眠效率、分段指数或其任何组合。如在此进一步详细描述的,可以分析生理数据和/或睡眠相关参数以确定一个或多个睡眠相关分数。
由一个或多个传感器210生成的生理数据和/或音频数据还可以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期间的呼吸。呼吸信号可以指示和/或被分析以确定(例如,使用控制系统200)一个或多个睡眠相关参数,例如,呼吸速率、呼吸速率可变性、吸气幅度、呼气幅度、吸气-呼气比、一个或多个事件的发生、每小时事件的数目、事件的模式、睡眠状态、睡眠阶段、呼吸暂停-呼吸不足指数(AHI)、呼吸治疗装置110的压力设定,或其任何组合。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、面罩泄漏(例如,来自用户接口120)、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、癫性发作、血压增加或其任何组合。许多所描述的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210的数据或根据其他类型的数据来确定其他类型的生理和/或非生理参数。
压力传感器212输出可以存储在存储器装置204中和/或由控制系统200的处理器202分析的压力数据。在一些实现中,压力传感器212是产生指示呼吸治疗系统100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)。在这样的实现中,压力传感器212可以联接到或集成在呼吸治疗装置110中。压力传感器212可以是,例如,电容传感器、电磁传感器、压电传感器、应变片传感器、光学传感器、电位传感器任何组合。
流量传感器214输出可以存储在存储器装置204中和/或由控制系统200的处理器202分析的流量数据。在国际公开WO 2012/012835和美国专利第10,328,219号中描述了流量传感器(例如流量传感器214)的示例,这两个专利的全部内容通过引用结合于此。在一些实现中,流量传感器214用于确定来自呼吸治疗装置110的空气流量、通过导管140的空气流量、通过用户接口120的空气流量,或其任何组合。在这种实现中,流量传感器214可以联接到或集成在呼吸治疗装置110、用户接口120或导管140中。流量传感器214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、膜传感器或其任何组合。在一些实现中,流量传感器214被配置为测量通气流量(例如,有意的“泄漏”)、无意的泄漏(例如,嘴泄漏和/或面罩泄漏)、患者流量(例如,进入和/或离开肺的空气),或其任何组合。在一些实现中,可以分析流量数据以确定用户的心原性振荡。在一些示例中,压力传感器212可用于确定用户的血压。
温度传感器216输出可以存储在存储器装置204中和/或由控制系统200的处理器202分析的温度数据。在一些实现中,温度传感器216生成指示用户20的核心体温、用户20的皮肤温度、从呼吸治疗装置110和/或通过导管140流动的空气的温度、用户接口120中的温度、环境温度或其任何组合的温度数据。温度传感器216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、电阻温度检测器或其任何组合。
运动传感器218输出可以存储在存储器装置204中和/或由控制系统200的处理器202分析的运动数据。运动传感器218可用于检测睡眠期间用户20的运动,和/或检测呼吸治疗系统100的任何部件的运动,例如呼吸治疗装置110、用户接口120或导管140。运动传感器218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。在一些实现中,运动传感器218替代地或附加地生成表示用户的身体移动的一个或多个信号,从该一个或多个信号可以获得表示用户的睡眠状态的信号;例如,通过用户的呼吸移动。在一些实现中,来自运动传感器218的运动数据可以与来自另一传感器210中的另一个的附加数据结合使用以确定用户的睡眠状态。
麦克风220输出可以存储在存储器装置204中和/或由控制系统200的处理器202分析的声音和/或音频数据。由麦克风220产生的音频数据在睡眠时段期间可再现为一个或多个声音(例如,来自用户20的声音)。来自麦克风220的音频数据还可用于识别(例如,使用控制系统200)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。麦克风220可以联接到或集成在呼吸治疗装置110、用户接口120、导管140或用户装置260中。在一些实现中,系统10包括多个麦克风(例如,两个或更多个麦克风和/或具有波束成形的麦克风阵列),使得由多个麦克风中的每一个产生的声音数据可用于区分由多个麦克风中的另一个产生的声音数据。
扬声器222输出系统10的用户(例如,图2的用户20)可听见的声波。扬声器222可用作例如闹钟或向用户20播放警报或消息(例如,响应于事件)。在一些实现中,扬声器222可以用于将由麦克风220生成的音频数据传送给用户。扬声器222可以联接到或集成在呼吸治疗装置110、用户接口120、导管140或用户装置260中。
麦克风220和扬声器222可以用作单独装置。在一些实现中,麦克风220和扬声器222可以被组合成声学传感器224(例如声纳传感器),如在例如WO 2018/050913、WO 2020/104465、美国专利申请公开第2022/0007965号中所描述的,这些专利中的每一个通过引用整体并入本文。在这种实现中,扬声器222以预定间隔产生或发射声波,并且麦克风220检测来自扬声器222的发射声波的反射。由扬声器222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20或床伴30的睡眠。至少部分地基于来自麦克风220和/或扬声器222的数据,控制系统200可以确定用户20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、睡眠状态、睡眠阶段、呼吸装置110的压力设置,或其任何组合。在这样的上下文中,声纳传感器可被理解为涉及主动声感测,例如通过产生和/或发射超声和/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)通过空气。
在一些实现中,传感器210包括(i)第一麦克风,其与麦克风220相同或相似,并且被集成到声学传感器224中;以及(ii)第二麦克风,其与麦克风220相同或相似,但是与被集成到声学传感器224中的第一麦克风分离且不同。
RF发射器226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228检测从RF发射器226发射的无线电波的反射,并且该数据可以由控制系统200分析以确定用户的位置和/或这里描述的一个或多个睡眠相关参数。RF接收器(RF接收器226和RF发射器228或另一RF对)也可用于控制系统200、呼吸治疗装置110、一个或多个传感器210、用户装置260或其任意组合之间的无线通信。虽然RF接收器226和RF发射器228在图1中被示为分离且不同的元件,但是在一些实现中,RF接收器226和RF发射器228被组合为RF传感器230(例如雷达传感器)的一部分。在一些这样的实现中,RF传感器230包括控制电路。RF通信的格式可以是Wi-Fi、蓝牙等。
在一些实现中,RF传感器230是网状系统的一部分。网状系统的一个示例是Wi-Fi网状系统,其可以包括网状节点,网状路由器和网状网关,其中的每一个可以是移动的/可移动的或固定的。在这样的实现中,Wi-Fi网状系统包括Wi-Fi路由器和/或Wi-Fi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230相同或相似的RF传感器。Wi-Fi路由器和卫星使用Wi-Fi信号连续地彼此通信。Wi-Fi网状系统可以用于基于路由器和卫星之间的Wi-Fi信号中的改变(例如,接收信号强度中的差异)来生成运动数据,所述改变是由于移动的物体或人部分地阻挡了信号而引起的。运动数据可以指示运动、呼吸、心率、步态、跌倒、行为等,或其任何组合。
相机232输出可再现为可存储在存储器装置204中的一个或多个图像(例如,静止图像、视频图像、热图像或其任何组合)的图像数据。来自相机232的图像数据可以被控制系统200用来确定在此描述的睡眠相关参数中的一个或多个,例如一个或多个事件(例如,周期性肢体运动或不宁腿综合征)、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、睡眠状态、睡眠阶段,或其任何组合。此外,来自相机232的图像数据可用于例如识别用户的位置,确定用户的胸部移动,确定用户的嘴和/或鼻的气流,确定用户进入床的时间,以及确定用户离开床的时间。在一些实现中,相机232包括广角镜头或鱼眼镜头。
IR传感器234输出可再现为可存储在存储器装置204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234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20的温度和/或用户20的移动。当测量用户20的存在、位置和/或移动时,IR传感器234也可以与相机232结合使用。例如,IR传感器234可以检测波长在约700nm和约1mm之间的红外光,而相机232可以检测波长在约380nm和约740nm之间的可见光。
PPG传感器236输出与用户20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、心率变异性、心动周期、呼吸速率、吸气幅度、呼气幅度、吸气-呼气比、估计血压参数或其组合。PPG传感器236可以由用户20佩戴,嵌入在由用户20佩戴的衣服和/或织物中,嵌入在和/或联接到用户接口120和/或其相关联的头套(例如,带等)等。
ECG传感器238输出与用户20的心脏的电活动相关联的生理数据。在一些实现中,ECG传感器238包括在睡眠时段期间位于用户20的一部分之上或周围的一个或多个电极。来自ECG传感器238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240输出与用户20的大脑的电活动相关联的生理数据。在一些实现中,EEG传感器240包括一个或多个电极,其在睡眠期间定位在用户20的头皮上或周围。来自EEG传感器240的生理数据可用于例如在睡眠时段期间的任何给定时间确定用户20的睡眠状态和/或睡眠阶段。在一些实现中,EEG传感器240可以集成在用户接口120和/或相关联的头套(例如,带等)中。
电容性传感器242、力传感器244和应变计传感器246输出可存储在存储器装置204中且由控制系统200使用/分析以确定例如本文所述的睡眠相关参数中的一个或多个的数据。EMG传感器248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250输出指示气体的氧气浓度的氧气数据(例如,在导管140中或在用户接口120处)。氧气传感器250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、脉搏血氧计(例如,SpO2传感器)或其任何组合。
分析物传感器252可用于检测用户20呼气中分析物的存在。由分析物传感器252输出的数据可以存储在存储器装置204中,并由控制系统200使用以确定用户的呼吸中的任何分析物的身份和浓度。在一些实现中,分析物传感器252位于用户的嘴附近,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120是覆盖用户的鼻和嘴的面罩时,分析物传感器252可以位于面罩内以监测用户的嘴呼吸。在其他实现中,例如当用户接口120是鼻罩或鼻枕罩时,分析物传感器252可以定位在用户的鼻附近以检测通过用户的鼻子呼出的呼吸中的分析物。在其他实现中,当用户接口120是鼻罩或鼻枕罩时,分析物传感器252可以位于用户的嘴附近。在该实现中,分析物传感器252可用于检测是否有任何空气无意地从用户的嘴和/或用户接口120泄漏。在一些实现中,分析物传感器252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。在一些实现中,分析物传感器252还可用于检测用户是通过他们的鼻还是嘴呼吸。例如,如果由位于用户的嘴附近或面罩内(例如,在用户接口120是面罩的实现中)的分析物传感器252输出的数据检测到分析物的存在,则控制系统200可以使用该数据作为用户正通过他们的嘴呼吸的指示。
湿度传感器254输出可以存储在存储器装置204中并由控制系统200使用的数据。湿度传感器254可用于检测围绕用户的各个区域中的湿度(例如,在导管140或用户接口120内部,靠近用户的面部,靠近导管140和用户接口120之间的连接,靠近导管140和呼吸治疗装置110之间的连接等)。因此,在一些实现中,湿度传感器254可以被联接到或集成到用户接口120中或导管140中以监测来自呼吸治疗装置110的加压空气的湿度。在其他实现中,湿度传感器254被放置在需要监测湿度水平的任何区域附近。湿度传感器254还可以用于监测用户周围的周围环境的湿度,例如卧室内部的空气。
激光雷达传感器256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256的固定或移动装置(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256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改变。激光雷达可用于形成环境的3D网状表示。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。
在一些实现中,该一个或多个传感器210还包括皮肤电反应(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、血氧计传感器、声纳传感器、RADAR传感器、血糖传感器、颜色传感器、pH传感器、空气质量传感器、倾斜传感器、雨传感器、土壤湿度传感器、水流传感器、酒精传感器,或其任何组合。
虽然在图1中单独地示出,但是该一个或多个传感器210的任何组合可以被集成和/或联接到系统10的任何一个或多个部件上,包括呼吸治疗装置110、用户接口120、导管140、加湿器160、控制系统200、用户装置260、活动跟踪器270或其任何组合。例如,麦克风220和扬声器222可以集成在用户装置260中和/或联接到用户装置260,并且压力传感器212和/或流量传感器214集成在呼吸治疗装置110中和/或联接到呼吸治疗装置110。在一些实现中,一个或多个传感器210中的至少一个不联接到呼吸治疗装置110、控制系统200或用户装置260,并且在睡眠时段期间通常邻近用户20定位(例如,定位在用户20的一部分上或与其接触,由用户20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)。
呼吸治疗装置110、用户接口120、导管140、显示装置150,以及加湿器160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210)。这些一个或多个传感器可用于例如测量由呼吸治疗装置110供应的加压空气的空气压力和/或流量。
可以分析(例如,通过控制系统200)来自一个或多个传感器210的数据以确定一个或多个睡眠相关参数,其可以包括呼吸信号、呼吸速率、呼吸模式、吸气幅度、呼气幅度、吸气-呼气比、一个或多个事件的发生、每小时的事件数量、事件模式、睡眠状态、呼吸暂停-呼吸不足指数(AHI)或其任何组合。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、面罩泄露、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、癫性发作、血压增加或其任何组合。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210的数据或根据其他类型的数据来确定其他类型的生理和非生理参数。
用户装置260包括显示装置262。用户装置260例如可以是诸如智能电话、平板电脑、游戏控制台、智能手表、膝上型电脑等的移动装置。可替换地,用户装置260可以是外部感测系统、电视(例如,智能电视)或另一智能家庭装置(例如,智能扬声器,诸如GoogleHome、Amazon Echo、Alexa等)。在一些实现中,用户装置是可穿戴装置(例如,智能手表)。显示装置262通常用于显示包括静止图像、视频图像或两者的图像。在一些实现中,显示装置262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)。显示装置262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用户装置260交互的人类用户做出的输入的任何传感器系统。在一些实现中,一个或多个用户装置可以由系统10使用和/或包括在系统100中。
在一些实现中,系统10还包括活动跟踪器270。活动跟踪器270通常用于帮助生成与用户相关联的生理数据。活动跟踪器270可以包括这里描述的一个或多个传感器210,例如运动传感器218(例如,一个或多个加速度计和/或陀螺仪)、PPG传感器236和/或ECG传感器238。来自活动跟踪器270的生理数据可用于确定例如,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、呼吸速率可变性、心率、平均心率、休息心率、最大心率、心率可变性、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),或其任何组合。在一些实现中,活动跟踪器270(例如,电子地或物理地)联接到用户装置260。
在一些实现中,活动跟踪器270是可由用户佩戴的可佩戴装置,诸如智能手表、腕带、戒指或贴片。例如,参考图2,活动跟踪器270佩戴在用户20的手腕上。活动跟踪器270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270还可联接到用户装置260或集成在用户装置116中(例如,在同一壳体内)。更一般地,活动跟踪器270可与控制系统200、存储器装置204、呼吸治疗系统100和/或用户装置260通信地耦合或物理地集成在控制系统200、存储器装置204、呼吸治疗系统100和/或用户装置260中(例如,在壳体内)。
在一些实现中,系统10还包括血压装置280。血压装置280通常用于帮助产生心血管数据,用于确定与用户20相关联的一个或多个血压测量值。血压装置280可以包括一个或多个传感器210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。
在一些实现中,血压装置280是血压计,该血压计包括可以由用户20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212)。例如,在图2的示例中,血压装置280可以戴在用户20的上臂上。在血压装置280是血压计的这种实现中,血压装置280还包括用于给袖带充气的泵(例如,手动操作的球状物)。在一些实现中,血压装置280被联接到呼吸治疗系统100的呼吸治疗装置110上,该呼吸治疗装置进而输送加压空气以便使该袖带充气。更一般地,血压设备280可以与控制系统200、存储器装置204、呼吸治疗系统100、用户装置260和/或活动跟踪器270通信地联接和/或物理地集成在其中(例如,在壳体内)。
在其他实现中,血压装置280是通信地联接到呼吸治疗系统100的动态血压监测器。移动血压监测器包括附接到由用户20佩戴的带子或条带的便携式记录装置和附接到便携式记录装置并围绕用户20的手臂佩戴的可充气袖带。动态血压监视器被配置为在24小时或48小时期间内大约每15分钟到大约30分钟之间测量血压。动态血压监测器可以同时测量用户20的心率。这些多个读数在24小时期间内取平均值。动态血压监测器确定在用户20的睡眠周期和唤醒周期期间测量的用户20的血压和心率的任何变化,以及血压和心率数据的任何分布和/或趋势模式。然后可以将所测量的数据和统计数据传送到呼吸治疗系统100。
血压装置280可以定位在呼吸治疗系统100的外部,直接或间接地联接到用户接口120,直接或间接地联接到与用户接口120相关联的头带,或可充气地联接到用户20的一部分或其周围。血压装置280通常用于帮助生成生理数据,以确定与用户相关联的一个或多个血压测量值,例如收缩血压分量和/或舒张血压分量。在一些实现中,血压装置280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212)。
在一些实现中,血压装置280是侵入式装置,其可以连续地监测用户20的动脉血压并且根据需要采集动脉血样本以分析动脉血的气体。在一些其他实现中,血压装置280是连续血压监测器,其使用射频传感器并且能够测量用户20的血压一次,仅几秒钟(例如,每3秒、每5秒、每7秒等)。射频传感器可以使用连续波、调频连续波(具有斜坡线性调频、三角形、正弦波的FMCW),诸如PSK、FSK等的其他方案、脉冲连续波,和/或超宽带范围中的分布(其可以包括分布、PRN码或脉冲系统)。
虽然控制系统200和存储器装置204在图1中被描述和示出为系统10的单独且不同的部件,但是在一些实现中,控制系统200和/或存储器装置204被集成在用户装置260和/或呼吸治疗装置110中。可替代地,在一些实现中,控制系统200或其一部分(例如,处理器202)可以位于云中(例如,集成在服务器中,集成在物联网(IoT)装置中,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,或其任何组合)。
虽然系统10被示为包括上述所有部件,但是在根据本公开的实现的系统中可以包括更多或更少的部件。例如,第一替代系统包括控制系统200、存储器装置204和一个或多个传感器210中的至少一个,并且不包括呼吸治疗系统100。作为另一个示例,第二替代系统包括控制系统200、存储器装置204、一个或多个传感器210中的至少一个以及用户装置260。作为又一个示例,第三替代系统包括控制系统200、存储器装置204、呼吸治疗系统100、一个或多个传感器210中的至少一个以及用户装置260。因此,可使用本文所示和所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各种系统。
现在参考图3,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定义睡眠时段。在一些实现中,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,在一些实现中,睡眠时段具有开始时间和结束时间,并且在睡眠时段期间,只要用户醒着的连续持续时间低于觉醒持续时间阈值,用户就可以醒着,而睡眠时段不结束。觉醒持续时间阈值可以被定义为睡眠时段的百分比。觉醒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,或任何其他阈值百分比。在一些实现中,觉醒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。
在一些实现中,睡眠时段被定义为在晚上用户首先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,当用户首先为了入睡而入床时(例如,如果用户不打算在入睡之前首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。
在一些实现中,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)在用户装置260(图1)的显示装置262上显示的一个或多个用户可选元素来手动发起或终止睡眠时段。
图3示出了睡眠时段的示例性时间线300。时间线300包括入床时间(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)和起床时间(t起床)。
入床时间t入床与用户在入睡之前(例如,当用户躺下或坐在床中时)最初入床(例如,图2中的床40)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入床时间t入床,以区分用户出于睡眠而入床时与用户出于其他原因(例如,观看电视)而入床时的时间。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入床时间t入床,但更一般地,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)与用户在入床(t入床)之后最初尝试入睡的时间相关联。例如,在入床之后,用户可以参加一个或多个活动以在尝试睡眠之前下风(例如,阅读、观看电视、听音乐、使用用户装置260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。用户可以在最初入睡之后体验具有短持续时间(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,用户可以在最初入睡(例如,起床去浴室、照顾儿童或宠物、睡眠行走等)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醒来阈值持续时间(例如,用户被觉醒至少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,起床时间t起床与用户离开床并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、睡眠行走等相反)的时间相关联。换言之,起床时间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,起床时间t起床可以例如至少部分地基于起床阈值持续时间(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床阈值持续时间(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。在一些实现中,至少部分地基于事件(例如,入睡或离开床)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/或最终起床时间t起床。这种阈值持续时间可以为用户定制。对于在晚上睡觉、然后在早晨醒来和离床的标准用户,可以使用在大约12和大约18小时之间的任何时段(在用户觉醒(t觉醒)或起床(t起床)之间,以及用户上床(t入床)、进入睡眠(tGTS)或入睡(t睡眠))。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视用户睡眠行为的系统来初始地选择和/或稍后调节阈值周期。
床上总时间(TIB)是入床时间t入床和起床时间t起床之间的持续时间。总睡眠时间(TST)与初始睡眠时间和醒来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)将比床上总时间(TIB)短(例如,短一分钟、短十分钟、短一小时等)。例如,如时间线300所示,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)比床上总时间(TIB)短。
在一些实现中,总睡眠时间(TST)可以被定义为持久总睡眠时间(PTST)。在这种实现中,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。持久的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,当用户最初入睡时,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。在此示例中,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)。
在一些实现中,睡眠时段被定义为在入床时间(t入床)开始并在起床时间(t起床)结束,即,睡眠时段被定义为床上总时间(TIB)。在一些实现中,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。在一些实现中,睡眠时段被定义为总睡眠时间(TST)。在一些实现中,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。在一些实现中,睡眠时段被定义为在入睡时间(tGTS)开始并在起床时间(t起床)结束。在一些实现中,睡眠时段被定义为在入床时间(t入床)开始并在觉醒时间(t觉醒)结束。在一些实现中,睡眠时段被定义为在初始睡眠时间(t睡眠)开始并在起床时间(t起床)结束。
参照图4,示出了根据一些实现的对应于图3的时间线300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、觉醒阶段轴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210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,包括觉醒、放松的觉醒、微觉醒、REM阶段、第一非REM阶段、第二非REM阶段、第三非REM阶段或其任何组合。在一些实现中,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,而深睡眠阶段可以包括第二非REM阶段和第三非REM阶段。虽然在图4中示出的睡眠图400包括浅睡眠阶段轴430和深睡眠阶段轴440,但是在一些实现中,睡眠图400可以包括用于第一非REM阶段、第二非REM阶段和第三非REM阶段中的每一个的轴。在其他实现中,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、每小时事件的数目、事件的模式,或其任何组合。描述睡眠-觉醒信号的信息可存储在存储器装置204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)、睡眠开始后觉醒(WASO)、睡眠效率(SE)、睡眠分段指数、睡眠阻塞或其任何组合。
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,睡眠开始等待时间表示用户在最初尝试入睡之后实际入睡所花费的时间。在一些实现中,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。在一些实现中,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分钟的觉醒、第一非REM阶段和/或其间的移动。换句话说,持续睡眠开始等待时间需要在第二非REM阶段、第三非REM阶段和/或REM阶段内持续睡眠多达例如8分钟。在其他实现中,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。在这样的实现中,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)。
睡眠开始后觉醒(WASO)与用户在初始睡眠时间和醒来时间之间觉醒的总持续时间相关联。因此,睡眠开始后觉醒包括睡眠期间的短暂和微觉醒(例如,图4中所示的微觉醒MA1和MA2),无论是有意识的还是无意识的。在一些实现中,睡眠开始后觉醒(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睡眠开始后觉醒(PWASO)。
睡眠效率(SE)被确定为床上总时间(TIB)与总睡眠时间(TST)的比。例如,如果在床上总时间是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%。睡眠效率表示用户的睡眠卫生。例如,如果用户在睡觉之前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,用户处罚)。在一些实现中,可以至少部分地基于床上总时间(TIB)和用户试图睡眠的总时间来计算睡眠效率(SE)。在这样的实现中,用户试图睡眠的总时间被定义为入睡(GTS)时间和这里描述的起床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,并且起床时间是7:15AM,则在这样的实现中,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所示的微觉醒MA1和微觉醒MA2),则分段指数可以表示为2。在一些实现中,分段指数在整数的预定范围之间(例如,在0和10之间)缩放。
睡眠块与任何睡眠阶段(例如,第一非REM阶段、第二非REM阶段、第三非REM阶段和/或REM)和觉醒阶段之间的转换相关联。可以以例如30秒的分辨率计算休眠块。
在一些实现中,在此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)、起床时间(t起床),或其任何组合。
在其他实现中,传感器210中的一个或多个可以用于确定或识别入床时间(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)、起床时间(t起床),或其任何组合,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218、麦克风220、相机232或其任何组合生成的数据来确定入床时间t入床。可以至少部分地基于例如来自运动传感器218的数据(例如,指示用户没有移动的数据)、来自相机232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220的数据(例如,指示正在关闭TV的数据)、来自用户装置260的数据(例如,指示用户不再使用用户装置260的数据)、来自压力传感器212和/或流量传感器214的数据(例如,指示用户打开呼吸治疗装置110的数据、指示用户佩戴用户接口120的数据等),或其任何组合来确定入睡时间。
图5示出了用于在睡眠时段期间确定用户(例如用户20)的各种睡眠阶段的示例算法500的框图。可以使用系统10或系统10的部件来实现算法500的各个部分。例如,算法500中使用的任何数据可以由一个或多个传感器210生成。
算法500将睡眠时段划分为多个称为时段的单独段。算法500可以确定用户在每个时段期间所处的睡眠阶段,并且创建示出用户在整个睡眠时段中的各个睡眠阶段的睡眠图。在一些实现中,可能的睡眠阶段是唤醒阶段、轻度睡眠阶段、深度睡眠阶段和REM睡眠阶段。其他实现可以包括或多或少的睡眠阶段。例如,其他实现可以将浅睡眠阶段分成N1阶段和N2阶段,并且将深睡眠阶段分成N3和N4阶段。在这些实现中,可能的睡眠阶段是唤醒阶段、N1阶段、N2阶段、N3阶段和N4阶段,以及REM睡眠阶段。在其他实现中,仅轻度睡眠阶段被分成多个阶段。因此,这些实现中可能的睡眠阶段是唤醒阶段、N1阶段、N2阶段、深度睡眠阶段和REM睡眠阶段。在另外的实现中,仅深度睡眠阶段被分成多个阶段。因此,这些实现中可能的睡眠阶段是唤醒阶段、轻度睡眠阶段、N3阶段、N3阶段和REM睡眠阶段。在更进一步的实现中,潜在睡眠阶段仅包括唤醒阶段和睡眠阶段。
算法500可将在睡眠时段期间由系统10产生的各种数据(包含由一个或多个传感器210产生的数据)作为输入。该数据可以包括流量信号,该流量信号表示当用户在睡眠时段期间呼吸时经由导管140从呼吸治疗装置110到用户接口120的加压空气的流量。通常,流量信号是每单位时间流量的量度。生理数据还可以包括表示用户呼吸的呼吸信号。通常,呼吸信号是用户呼吸幅度的量度。时间数据也可以由系统10生成(例如,与睡眠时段的持续时间有关的数据、与睡眠时段的哪个时段是当前时段有关的数据等)。
如图5所示,该算法包括可以以不同速率操作的三个单独的处理块510、512和514。在所示的实现中,框510以25Hz(例如,每秒25个周期)操作,并且每个周期从流量信号中提取单独的流量值。单个流量值通常是指不同的流量,例如,n升/秒(L/s)。然而,在其它实现中,框510可以以不同的速率操作。然后,可以将流量值(例如,在某些时间的流量信号的值)存储在例如存储器装置(诸如存储器装置204)中以供以后使用。在某些情况下,由用户佩戴的用户接口可能脱落,或者可能无意地或故意地从用户的面部移除。在这些情况下,在流量信号中可能存在间隙,因此对于该周期将不存储单独的流量值。最后,当方框510监测流量信号并记录流量值时,框510还针对每个周期确定流量信号是否指示呼吸事件的发生,例如呼吸暂停、呼吸不足、RERA、流量限制事件等。在一些实现中,框510仅确定在该时段期间是否发生呼吸暂停、呼吸不足和/或RERA。在其他实现中,可以识别其他事件,例如打鼾、有意的用户接口泄露、无意的用户接口泄露、嘴泄露、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、癫性发作、血压增加、过渡换气或其任何组合。在一些实现中,框510(或算法500的其他框)还可以确定在睡眠时段期间是否发生了可能影响用户睡眠的其他事件,诸如警报熄灭或发生了其他大噪声。
在所示的实现中,框512以0.5Hz(例如,每两秒一个周期)操作,并且每个周期从呼吸信号中提取呼吸速率值。然而,在其它实现中,框512可以以不同的速率操作,诸如在约0.1Hz和约2.0Hz之间。通常,每个时段必须提取至少一个呼吸速率值。因此,如果时段的长度是30秒,则框512可以以大约0.03Hz(例如,Hz)的最小频率操作。然后可以将呼吸速率值(例如,在某些时间的呼吸速率信号的值)存储在例如存储器装置(诸如存储器装置204)中以供以后使用。流量值、流量值中的间隙和事件发生从框510发送到框514。类似地,呼吸速率值从框512发送到框514。
在一些实现中,流量信号和呼吸信号是可以被输入到算法500中的分开的信号。然而,在其他实现中,可以从流量信号导出呼吸速率值。在这些实现中,可以从流量信号获得呼吸信号,然后从呼吸信号获得呼吸速率值。在这些其他实现的第一示例中,流量信号本身可以被输入到框510和框512两者中,并且框512可以从流量信号中导出呼吸速率值。在这些其他实现的第二示例中,可以分析流量信号(例如通过系统10的控制系统200)以获得呼吸速率信号,并且然后将呼吸速率信号输入到框512中。在这些其他实现的第三示例中,可以分析流量信号(例如通过系统10的控制系统200)以获得呼吸速率值,然后可以将该呼吸速率值输入到框512中(然后可以在每个周期记录呼吸速率值中的一个)。在另外的实现中,呼吸速率值直接从流量信号获得(例如,不首先从流量信号获得呼吸信号),并且然后可以被输入到框512中。在另外的实现中,可以将单独的流量值和单独的呼吸速率值直接输入到框510和框512中。框510可以记录每个周期的流量值之一,并且框512可以记录每个周期的呼吸速率值之一。
框514分析从框510和框512接收的数据,并为睡眠时段中的每个单独时段确定用户在该时段处于哪个睡眠阶段。通常,框514实时分析数据,因此每当一个时段结束时,框514分析来自该时段的数据以确定用户在该时段期间处于哪个睡眠阶段。在所示实现中,每个时段持续约30秒,因此框514以30秒的增量(例如,跨越约30秒的增量)分析数据。然而,在其它实现中,可以使用不同长度的时段。例如,时段的长度可以是约1秒、约5秒、约10秒、约20秒、约1分钟、约2分钟、约5分钟或约10分钟。还可以将时段的长度设定为对应于特定的呼吸次数,例如1次呼吸、2次呼吸、5次呼吸等。可以基于用户的平均呼吸速率或用户所属群体的平均呼吸速率来确定长度。
框514由四个子框形成。子框520从框510和框512发送的数据中提取每个时段的呼吸相关特征。子框530至少部分地基于所提取的特征为每个时段生成睡眠阶段概率。子框540至少部分地基于在每个时段期间发生的事件、在一个或多个先前时段期间发生的事件和/或一个或多个先前时段的睡眠阶段概率来调整该时段的睡眠阶段概率。子框550至少部分地基于周围时段的睡眠阶段概率和该时段在睡眠时段中的位置,对每个时段的睡眠阶段概率执行实时后处理。在所示的实现中,框514实时操作,因此,在已经存储了一个时段的所有数据并将其发送到框514之后,立即执行框514的功能。如这里所使用的,术语“当前时段”是指刚刚结束的时段,并且当前在框514处被分析以确定在该时段期间用户处于哪个睡眠阶段。然而,在其它实现中,框514可在睡眠时段已完成之后操作。然而,在这些实现中,术语“当前时段”将仍然指当前在框514处被分析的时段。
对于每个时段,子框520分析来自框510的流量数据和来自框512的呼吸数据,以提取与该时段相关联的一个或多个特征,该特征然后可用于确定用户在该时段期间处于哪个睡眠阶段。然后,这些特征可以被存储其他子框或框将来使用。所提取的特征通常可以被分组为三个不同类别中的一个。第一类特征包括与在该时段期间从呼吸治疗装置110到用户接口120的加压空气流相关联的特征。第二类特征包括与睡眠时段期间用户20的呼吸速率相关联的特征。第三类包括与睡眠时段内的时段的时间位置相关联的特征。
可以通过分析由块510捕获的流量数据来提取流量相关特征。可以提取的第一流量相关特征是当前时段和/或一个或多个先前时段的最大流量。通常,唤醒阶段和轻度睡眠阶段具有比深度睡眠阶段和REM睡眠阶段更高的最大流量值。此外,例如,大的最大流量值(其可以由例如用户吸气或通气过度引起)可以指示用户处于唤醒阶段。在所示的实现中,单个时段将具有750个存储的流量值,因为框510每秒提取流量值25次,并且每个时段持续30秒。子框520分析当前时段和至少一个先前时段的所有存储的流量值,并因此从至少1500个存储的流量值中选择单个流量值。在一个实现中,第一特征是当前时段和最后两个时段上的最大流量值,在这种情况下,子框520将从2,250个存储的流量值中选择最大流量值。在一些实现中,该特征是当前时段和至少一个先前时段上的最大流量值。所述至少一个先前时段可以包括一个先前时段、两个先前时段、三个先前时段、四个先前时段、五个先前时段或十个先前时段。然而,在其它实现中,该特征可以是仅跨越当前时段的最大流量值。
可以捕获的第二流相关特征是当前时段(和/或一个或多个先前时期)内的流量值的分布。流量值的分布测量当前时段的流量值如何聚集在一起,并且可以表示为描述流量值的阈值百分比落入的范围。在一些实现中,阈值百分比是大约68%,但是也可以使用其他百分比。与深睡眠阶段和REM睡眠阶段相比,对于唤醒阶段和轻度睡眠阶段,流量值的分布通常更大。流量值的分布可以通过根据以下等式计算流量值的标准偏差来提取:
这里,Qi是当前时段内的ith流量值;μ是时段的平均流量值;并且N是当前时段内的流量值的数量。在所说明的实现中,N=750,这意味着Qi值的范围将从Q1(该时段内的第1流量值)到Q750(该时段内的第750流量值)。在一些实现中,可以在多个时段上确定流量值的分布,这些时期可以包括当前时段和一个或多个先前时段,或简单地两个或多个先前时段。
第三个与流动相关的特征是流动值在当前时段和/或一个或多个先前时段上的分布的稳定性。该特征是对多个时期的流动分布有多稳定(而不是流动值本身有多稳定)的度量。通常,当用户进展到深度睡眠时,流动分布将更稳定,并且在时段到时段的基础上变化不大。流量值的分布的稳定性是根据以下等式通过取当前时段和一个或多个先前时段上的流量值的标准偏差的标准偏差来计算的:
这里,是ith时段的流量值的分布;μ是分布所有i个时段的平均流量值;并且N是流量值分布的数量(例如N=i)。在一些实现中,在当前时段和两个先前时段上测量流量值的分布的稳定性。在这些实现中,N=3,将存在三个不同的流量值分布,并且平均流量值分布将是这三个流量值分布的平均值。在其他实现中,可以跨当前时段和一个先前时段/当前时段和三个或更多个先前时段,或仅两个或更多个先前时段来确定流量值的分布的稳定性。
可以捕获的第四流量相关特征是当前时段(和/或一个或多个先前时段)的流量值的偏斜。一个时段内的流量值的偏斜测量流量值的分布在该时段的平均流量值周围。该偏斜测量流量值的分布相对于平均流量值的不对称程度。偏斜测量不对称的方向以及不对称的幅度。关于平均流量值完全对称的流量值分布将具有0的偏斜值。该时段上的正偏斜意味着用户在该时段期间强调吸气而不是呼气(例如,在吸气期间比呼气期间发生更多的流动)。该时段上的负偏斜意味着用户在该时段期间强调呼气超过吸气(例如,在呼气期间比吸气期间发生更多的流动)。通常,唤醒阶段和轻度睡眠阶段将具有更正的偏斜值,而深度睡眠阶段和REM睡眠阶段将具有更负的偏斜值,因为在深度睡眠和REM睡眠阶段中更强调呼气。在一些实现中,流量值的偏斜被测量为Fisher-Pearson偏斜度,并且根据以下等式来确定:
这里,Qi是当前时段内的ith流量值;μ是该时段的平均流量值,并且σ是当前时段内的流量值的标准偏差(其本身是第二流量相关特征)。
可以捕获的第五流量相关特征是流量值的偏斜的平滑版本。该特征是第四流量相关特征的平滑版本,并且对于该时段的数据中的伪像(例如,由事件引起的伪像)较不敏感。平滑后的偏斜可以简单地通过在期望的一个或多个时段内取中间偏斜值来计算。在一些实现中,平滑后的偏斜是当前时段和前九个时段上的中间偏斜值。在其它实现中,平滑后的偏斜是当前时段和前一到五个时段的中间偏斜值。
第六流量相关特征是当前时段和/或一个或多个先前时段的流量的稳定性。流量仅仅是用户在该时段呼吸多少空气的量度,并且当用户进入深度睡眠阶段和REM睡眠阶段时通常将变得更加稳定。可以通过将该时段的所有单个流量值相加来计算流量。然后可以根据以下等式通过取当前时段和一个或多个先前时段的流量的标准偏差来计算流量的稳定性:
这里,是针对ith时段的流量;μ是跨所有i时段的平均流量;并且N是计算的流量(例如N=i)的数量。在一些实现中,跨当前时段和九个先前时段测量流量的稳定性。在这些实现中,N=10,将存在十个不同的流量,并且平均流量将是这十个流量的平均值。在其它实现中,在当前时段和19个先前时段测量流量的稳定性。在这些实现中,N=20,将存在二十个不同的流量,并且平均流量将是这二十个流量的平均值。在另外的实现中,跨这两个时期跨度(N=10和N=20)的流量的稳定性被提取为两个单独的特征。在进一步的实现中,可以跨当前时段和任何数目的先前时段来计算流量的稳定性。
在一些实现中,可以从当前时段和/或一个或多个先前时段的流量值中提取附加特征。这些附加特征可以包括该时段的吸气与呼气的时间比、当前时段的吸气与呼气的体积比,或两者。在一些实现中,与由呼吸治疗装置供应的加压空气流相关的特征可以基于加压空气的压力参数(例如,可以从睡眠时段的压力信号中提取)。例如,这些特征可以包括当前时段和/或一个或多个先前时段期间的加压空气的最大压力、当前时段和/或一个或多个先前时段期间的加压空气的平均压力、当前时段和/或一个或多个先前时段期间的加压空气的压力值的分布、当前时段和/或一个或多个先前时段期间的加压空气的压力值的分布的稳定性、其他压力相关特征,以及它们的任何组合。与加压空气的流动相关并且基于压力参数的其他特征可以包括在当前时段和/或一个或多个先前时段期间加压空气的压力值的偏斜、在当前时段和/或一个或多个先前时段期间加压空气的压力值的平滑偏斜,或其组合。
可以通过分析由框512捕获的呼吸数据来提取呼吸速率相关特征。可以提取的第一呼吸速率相关特征是当前时段的平均呼吸速率。通常,当用户移动到深度睡眠阶段时,用户的呼吸速率将减慢,并且当用户移动到REM睡眠阶段和唤醒阶段时,用户的呼吸速率将加速。该特征可以通过将框512捕获的当前时段的每个单独呼吸速率的值相加,然后将该和除以当前时段的呼吸速率采样的数量来计算。在所示的实施中,因为每个时段是30秒长并且框512以0.5Hz的频率操作,所以在15个呼吸速率值上计算当前时段的平均呼吸速率。
可以捕获的第二呼吸速率相关特征是当前时段和一个或多个先前时段的平均呼吸速率值的可变性。平均呼吸速率值的可变性度量平均呼吸速率值在多个时期的过程中如何变化。平均呼吸速率值通常在深度睡眠阶段(在一些情况下为轻度睡眠阶段)变化较小,但在REM睡眠阶段变化较大。平均呼吸速率值的可变性可以通过根据以下等式计算平均呼吸速率值的标准偏差来提取:
这里,是ith时段的平均呼吸速率;μ是当前时段和一个或多个先前时段的所有平均呼吸速率值的平均值;并且N是平均呼吸速率值的数量。在一些实现中,在当前时段和9个先前时段测量平均呼吸速率值的可变性。在这些实现中,N=10,将有十个不同的平均呼吸速率值,并且该平均值将是这十个平均呼吸速率值的平均值。在其他实现中,在当前时段和19个先前时段测量平均呼吸速率值的可变性。在这些实现中,N=20,将有二十个不同的平均呼吸速率值,并且该平均值将是这二十个平均呼吸速率值的平均值。在另外的实现中,在这两个时段跨度(N=10和N=20)上的平均呼吸速率值的可变性被提取为两个单独的特征。在进一步的实现中,平均呼吸速率值的可变性可以跨当前时段和任何数目的先前时段来计算。
在一些实现中,这些特征与用户呼吸的附加特性相关联,或者与用户呼吸的不同特性相关联,而不是与用户的呼吸速率相关联。例如,这些特征可以与呼吸速率可变性、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、呼吸治疗装置110的压力设定,或其任何组合相关联。
第三类包括与睡眠时段内的时段的时间位置相关联的特征。通常,如果时段更接近睡眠时段的开始,则睡眠阶段更可能是唤醒阶段或深度睡眠阶段。如果时段进一步远离睡眠时段的开始,则睡眠阶段更可能是深度睡眠阶段或轻度睡眠阶段。如果该时段更接近睡眠时段的结束,则睡眠阶段更可能是REM睡眠阶段。第一时间特征是睡眠时段内的时段的计数。例如,如果当前时段是睡眠时段内的第五时段,则第一时间特征的值是5。如果当前时段是睡眠时段的第267个时段,则第一时间特征的值是267。第二时间特征是睡眠时段内时段计数的第20根。该第二时间特征类似于第一时间特征,但是采用计数的第20根,而不是计数本身。返回参考该示例,如果当前时段是睡眠时段内的第五时段,则第二时间特征的值是 如果当前时段是睡眠时段内的第267个时段,则第二时间特征的值是还可以提取使用时段计数的不同根,以不同方式变换时段计数(例如,时段计数的对数或平方),或以不同方式指示睡眠时段内的时段的位置的其它时间特征。
在一些实现中,时段计数在睡眠时段开始时开始。在其他实现中,当用户在睡眠时段期间初始入睡时,时段计数开始。在其他实现中,该时段可以在每次用户醒来时复位。通常,算法500可以包括时段计数器,每当时段完成时(例如,每当捕获并存储30秒的流量数据和呼吸数据时),该时段计数器递增。
子框520还分析每个时段的数据,以确定在当前时段的至少一部分期间与未被用户佩戴的用户接口相关联的数据中是否存在任何间隙。如果在一个时段的数据中存在间隙,使得不能为该时段提取和存储任何特征值,则子框520将该时段的特征值存储为“非数字”(也称为“NaN”)。
子框530基于这里讨论的任何一个或多个特征的存储值执行实时睡眠分期。子框530使用经过训练的模型(例如经过训练的机器学习算法)来产生多个睡眠阶段概率。可以使用训练数据来训练该模型,该训练数据包括来自先前睡眠时段的数据,该先前睡眠时段已经与睡眠时段中确认的睡眠阶段相关。训练数据可以在例如医院和其它保健设施中进行的睡眠研究期间生成。确认的睡眠阶段可以使用例如多导睡眠图来确定。每个睡眠阶段概率是用户在当前时段期间处于相应的一个潜在睡眠阶段的概率的量度。
子框530首先确定当前时段的任何特征的值(由子框520存储的值)是否被设定为非数字。如果当前时段的特征被设定为非数字,则当前时段被指定为“面罩关面罩开”或“MOMO”。然后将当前时段的MOMO指定发送到子框550用于实时后处理。
如果当前时段的特征中没有一个被设定为“否”,则子框530继续标准化每个提取的特征的值。标准化特征值将特征值置于相同的标度上,并且当确定个体在当前时段处于哪个睡眠阶段时,允许更容易地比较这些值。特征值可以被标准化为-1和+1之间、-2和+2之间,以及其它标度。为了标准化特征值,从实际值中减去该特征的平均值,然后除以该特征值的标准偏差。在一些实现中,从用于训练模型的训练数据生成特征值的平均值和标准偏差。在其他实现中,使用从用户的当前睡眠时段先前获得的数据来生成特征值的平均值和标准偏差。
在一些实现中,子框530对值进行归一化而不是对值进行标准化。在这些实现中,子框530可以将所有值除以最大值,使得所有归一化值被设置在0和1之间。在一些实现中,在标准化或归一化特征值之前,子框530首先丢弃或校正与该特征的某个基线值或基线范围相比具有离群值的任何特征。可以建立每个特征的最小值和最大值,使得存在每个特征的可能值的预定义范围。然后,可以丢弃具有在该特征的可能值的预定义范围之外的值(例如,大于最大值或小于最小值的值)的任何特征,或者将其修改为最大值(如果大于最大值)或最小值(如果小于最小值)。在一个示例中,从用于训练模型的训练数据确定基线值或基线范围。
在特征值被标准化之后,子框530可以将标准化的特征值输入到训练的模型中。训练的模型处理标准化的特征值,并输出睡眠阶段概率。在一些实现中,四个睡眠阶段概率被输出:用户在当前时段处于唤醒阶段的概率、用户在当前时段处于轻度睡眠阶段的概率、用户在当前时段处于深度睡眠阶段的概率,以及用户在当前时段处于REM睡眠阶段的概率。通常,这四个睡眠阶段概率的总和等于100%。
在一些实现中,该模型是多层感知器模型,其是一类前馈人工神经网络。在其他实现中,该模型可以是逻辑回归模型、决策树、朴素贝叶斯高斯模型、刚性分类模型、线性判别模型、二次模型、支持向量机(SVM)模型、可用于基于一组输入来预测输出的任何其他分类器。各种不同的可控变量可以影响模型的性能,包括哪些特征被输入到模型中、特征在被输入到模型中之前如何被变换、模型可以将该时段分类为多少睡眠阶段、哪些时段被用于训练模型,以及其它。
为了训练模型以适当地分类时段,可以调整多个不同的参数。这些参数包括学习速率(其影响在每个训练步骤之后调节多少不同的权重),正则化常数(其影响模型与数据拟合的好坏程度),模型在输入层和输出之间包括多少内层,每层具有多少节点,以及模型执行的最大迭代次数。在一个实现中,使用0.001的学习率,0.001的正则化常数和400的最大迭代次数来训练模型。被训练的模型包括具有12个节点的一个内层。
在一些实现中,模型可以包括一个输入层、一个隐藏层和一个输出层。输入层包括与输入到模型中的特征值的数量相对应的多个输入节点。因此,每个输入节点对应于单个特征的值。每个输入节点将其特征值传递给每个隐藏节点。类似于输入层,隐藏层包括与输入到模型中的特征值的数量相对应的多个隐藏节点。在每个隐藏节点处,执行以下计算:
这里,是第i个特征的值(例如,从输入节点接收的到隐藏节点的输入),/>是隐藏节点处的第i个特征的预定加权值,b1是隐藏节点的预定偏置值,并且z1是隐藏节点的中间输出。在每个隐藏节点处,加权值对于每个不同的输入(例如,来自输入节点之一的特征值)可以是不同的。此外,与其它隐藏节点相比,每个隐藏节点可以具有不同的加权值和偏置值。因此,在给定的隐藏节点,每个特征(来自输入节点)的值被加权,每个特征的总和被确定,并且偏置值被添加到该总和。然后,对于每个隐藏节点,使用该相应隐藏节点的中间输出z1来确定激活函数的值。在一些实现中,隐藏节点的激活函数是由下式/> 给出的线性整流函数(ReLU)。因此,如果输入为正,则ReLU函数输出输入z1,如果输入z1为0或负,则输出0。因此,每个隐藏节点产生单个输出a1。
输出层包括用于每个不同的潜在睡眠阶段概率的输出节点。通常,每个输出节点对应于睡眠阶段概率之一。每个隐藏节点的输出被传递到输出层的每个输出节点。在每个输出节点处,执行以下计算:
这里,是第i个隐藏节点的输出,/>是第i个输出节点的预定加权值,b2是第i个输出节点的预定偏置值,并且z2是输出节点的中间输出。在每个输出节点处,加权值对于每个不同的输入(例如,每个隐藏节点的输出)可以是不同的。此外,与其它输出节点相比,每个输出节点可以具有不同的加权值和偏置值。因此,在给定的输出节点,每个隐藏节点的输出被加权,每个隐藏节点的总和被确定,并且偏置值被加到该总和上。然后,对于每个输出节点,使用各个输出节点的中间输出z2来确定激活函数的值。在一些实现中,输出节点的激活函数是由下式/>给出的S形函数。每个输出节点的输出a2是所述输出对应的睡眠阶段的睡眠阶段概率。
通常,该模型可以具有任意数量的层,并且在每层具有任意数量的节点,包括输入层。因此,在一些实现中,输入层可以包括用于每个特征的一个输入节点,但是在其他实现中,输入层包括比特征更多的输入节点,或者比特征更少的输入节点。可以使用层和节点的任何组合,只要输出层包括的输出节点的数量等于用户在该时段期间可能处于的潜在睡眠阶段的数量(例如,输出节点的数量等于使用该模型生成的不同睡眠阶段概率的数量)。
睡眠阶段概率包括用户在当前时段处于唤醒阶段的概率(P(w)),用户在当前时段处于轻度睡眠阶段的概率(P(l)),用户在当前时段处于深度睡眠阶段的概率(P(d)),以及用户在当前时段处于REM睡眠阶段的概率(P(r))。在其它实现中,所述模型可被配置为产生多于或少于四个睡眠阶段概率。通常,每个睡眠阶段概率是0和1之间的小数。然而,睡眠阶段概率也可以表示为0和100之间的百分比。
然后可以将这些睡眠阶段概率发送到子框540,子框540将权重应用于睡眠阶段概率(例如,将睡眠阶段概率乘以一组系数)。子框540首先基于由框510产生的数据确定在当前时段期间是否发生事件。如果在当前时段期间确实发生了事件,则将睡眠阶段概率传递到事件转换矩阵,其中通过将睡眠阶段概率乘以第一组系数来对睡眠阶段概率进行加权。在一些实现中,第一组系数中的每个系数的值是0和1之间的十进制数。然而,在其它实现中,第一组系数中的一个或多个系数可以具有大于1的值。通常,第一组系数包括睡眠阶段和事件类型的每个组合的相应系数。在一些实现中,存在可以影响睡眠阶段概率的三个不同事件。这些事件是呼吸暂停、呼吸不足和RERA。因此,在当前时段有四个睡眠阶段概率的实现中,第一组系数包括总共十二个系数-四个睡眠阶段和三个事件类型的每个组合一个系数。这里示出了12个系数:
每个系数的第一个字母是指在当前时段经历的事件类型:a=呼吸暂停,h=呼吸不足和re=RERA。每个系数的第二字母是指所述系数要应用于的睡眠阶段概率:w=唤醒阶段,l=轻度睡眠阶段,d=深度睡眠阶段和r=REM睡眠阶段。因此,例如,如果在当前时段期间发生呼吸暂停,则a:w是当前时段的唤醒睡眠阶段概率乘以的系数;h:d是当前时段的深度睡眠阶段概率乘以当前时段期间发生呼吸不足的系数;并且re:r是当前时段的REM睡眠阶段概率乘以当前时段期间是否发生RERA的系数。在一些情况下,在单个时期期间可能发生多个事件。在这些情况下,算法500包括用于确定要使用第一组系数中的哪些系数的优先级顺序。在一些实现中,优先级顺序是呼吸暂停、呼吸不足和RERA。在这些实现中,如果连同呼吸不足和RERA一起检测到呼吸暂停,则将对应于呼吸暂停事件的系数应用于睡眠阶段概率。类似地,如果检测到呼吸不足和RERA,则将对应于呼吸不足事件的系数应用于睡眠阶段概率。最后,如果仅检测到RERA事件,则对应于RERA事件的系数将仅应用于睡眠阶段概率。在其他实现中,可以使用不同的优先级顺序。
虽然事件转换矩阵被显示为具有十二个系数,但是算法500可以用于识别任何数量的睡眠阶段和事件,并且因此事件转换矩阵通常可以根据需要包括任何数量的系数。一旦已经应用了事件转换矩阵并且已经通过乘以第一组系数中的每个睡眠阶段概率的适当系数来调整每个睡眠阶段概率,则这些最终睡眠阶段概率被传递到子框550。
如果子框540确定在当前时段期间没有事件发生,则子框540查看紧接的先前时段以确定在该时段期间是否发生事件。如果在先前时段期间确实发生了事件,则将睡眠阶段概率再次传递到事件转换矩阵,其中将第一组系数应用于所讨论的睡眠阶段概率。最后的睡眠阶段概率然后被传递到子框550。
在所示的实现中,相同的第一组系数被应用于睡眠阶段概率,而不管事件是发生在当前时段还是先前时段。然而,在其他实现中,可以基于在当前时段还是在先前时段发生的事件来应用不同的系数集。两组系数通常将具有相同类型的系数,例如,如果事件是呼吸暂停则将一个系数应用于唤醒阶段概率,如果事件是呼吸不足则将一个系数应用于轻度睡眠阶段概率,等等。然而,系数本身通常将具有不同的值,使得经调整的睡眠阶段概率将具有不同的值。然而,在进一步的实现中,如果与当前时段相比在先前时段期间发生事件,则可以应用完全不同的系数集(具有不同数目的系数)。
在一些实现中,如果先前时段被指定为面罩开面罩关,则事件转换矩阵可用于调整睡眠阶段概率。通常,如果先前时段是面罩开面罩关时段,则算法500被配置为将当前时段设定为唤醒阶段。因此,事件转换矩阵可以包括当应用时将唤醒阶段的睡眠阶段概率设定为100%(或1)并且将轻度睡眠阶段、深度睡眠阶段和REM睡眠阶段的睡眠阶段概率设定为0%(或0)的系数。
在一些实现中,子框540还可以确定在后续时段中是否发生了任何事件,并且基于后续时段中的事件来调整当前时段的睡眠阶段概率。随后的时段通常在当前时段之后立即发生,但是也可以在睡眠时段之后发生。例如,如果在随后的时期期间发生呼吸暂停事件,则先前时段更可能是REM睡眠阶段,因为呼吸暂停事件更可能在REM睡眠阶段期间发生。然后,由于检测到的呼吸暂停事件,可以调整当前时段的睡眠阶段概率,以增加REM睡眠阶段概率。在这些实现中,算法500通常将以延迟的方式或在睡眠时段完成之后追溯地对来自睡眠时段的数据进行操作。因此,当框514的子框540在当前时段上操作时,框510已经在后续时段上操作以识别在后续时段期间经历的事件。这样,子框540可以使用在后续时段期间经历的任何事件来调整当前时段的睡眠阶段概率。在这些实现中,如果在随后的时段期间发生事件,则子框540将当前时段的睡眠阶段概率传递到事件转换矩阵,其中通过将睡眠阶段概率乘以第一组系数来加权睡眠阶段概率。
在一些实现中,转换矩阵可以将相同的系数应用于睡眠阶段概率,而不管事件是发生在当前时段、先前时段还是后续时段,其中系数特定于所发生的事件的类型。在其他实现中,基于事件发生在当前时段、先前时段还是后续时段,转换矩阵可以包括不同的系数。
然而,如果子框540确定在紧接的先前时段期间也没有事件发生,则子框540查看对于紧接的先前时段所确定的睡眠阶段是什么(例如,具有最高概率的睡眠阶段),然后将睡眠阶段概率传递到阶段转换矩阵。阶段转换矩阵类似于事件转换矩阵,并且包括要应用于睡眠阶段概率的第二组系数。然而,阶段转换矩阵包括先前时段睡眠阶段和当前时段睡眠阶段的每个组合的相应系数。因此,在有四个可能的睡眠阶段用于分类时段的实现中,阶段转换矩阵包括十六个系数,在此示出:
每个系数的第一个字母是指紧接的先前时段的睡眠阶段(例如,具有最高概率的睡眠阶段),并且每个系数的第二个字母是指当前时段的睡眠阶段。因此,例如,如果唤醒睡眠阶段在紧接的先前时段中具有最高概率,则w:w是当前时段的唤醒阶段概率乘以当前时段的唤醒阶段概率的系数;如果深度睡眠阶段在紧接的先前时段中具有最高概率,则d:l是当前时段的轻度睡眠阶段概率乘以的系数;并且如果轻度睡眠阶段在紧接的先前时段中具有最高概率,l:r是当前时段的REM睡眠阶段概率乘以的系数。虽然所示的阶段转换矩阵具有16个系数,但算法500可用于识别任何数目的睡眠阶段,且因此阶段转换矩阵通常可根据需要包括任何数目的系数。一旦已经应用了阶段转换矩阵并且已经通过乘以第二组系数中的每个睡眠阶段概率的适当系数来调整每个睡眠阶段概率,则将这些最终睡眠阶段概率传递到子框550。
在一些实现中,子框540还可以基于后续时段的睡眠阶段(紧接在当前时段之后或在睡眠时段之后)来调整当前时段的睡眠阶段概率。类似于基于在后续时段期间发生的事件的调整,算法500通常将以延迟的方式或在睡眠时段已完成之后追溯地对来自睡眠时段的数据进行操作。因此,在这些实现中,当子框540在当前时段上操作时,子框530将至少确定后续时段的初始睡眠阶段概率(例如,在概率由事件转换矩阵和/或阶段转换矩阵加权之前的睡眠阶段概率)。这样,子框540可以使用后续时段的初始睡眠阶段概率来调整当前时段的睡眠阶段概率。在一些情况下,子框540可以将后续时段的具有最高初始睡眠阶段概率的睡眠阶段视为后续时段的确定的睡眠阶段。子框540可以将睡眠阶段概率传递到阶段转换矩阵,其中通过将睡眠阶段概率乘以第二组系数来对睡眠阶段概率进行加权。
在一些实现中,阶段转换矩阵将相同的系数应用于当前时段的睡眠阶段概率,而不管子框540是与过去时段比较还是与后续时段比较。因此,如果在先前时段和后续时段中的最高睡眠阶段概率是相同的睡眠阶段,则将相同的系数应用于当前时段的睡眠阶段概率。然而,在其他实现中,根据子框540是与先前时段比较还是与后续时段比较来使用不同的系数。因此,即使相同的睡眠阶段对于先前时段和后续时段具有最高的概率,根据是使用先前时段还是使用后续时段,也将不同的系数应用于当前时段的睡眠阶段概率。
算法500可以基于不同的环境查看先前时段或后续时段。例如,算法500可以基于当前时段的初始睡眠阶段概率在先前时段和后续时段之间进行选择。如果初始睡眠阶段概率具有第一值/值范围,则子框540可以确定先前时期是什么睡眠阶段,然后应用来自阶段转换矩阵的相应系数。如果初始睡眠阶段概率具有第二值/值范围,则子框540可以确定后续时段是什么睡眠阶段,然后应用来自阶段转换矩阵的相应系数。在先前时段和后续时段具有相同睡眠阶段和相同睡眠阶段的相同系数的情况下,使用先前时段还是后续时段无关紧要。然而,在先前时段和后续时段具有相同睡眠阶段,但相同睡眠阶段具有不同系数的情况下,算法500可以基于不同的情况,例如当前时段的初始睡眠阶段概率,再次在先前时段和后续时段之间进行选择。算法500还可以使用其他因素,诸如睡眠时段内的当前时段的位置(例如,睡眠时段内的较早或较晚)、加压空气的流量、加压空气的压力、用户的生理参数(诸如呼吸相关参数)以及其他因素。
子框550根据每个时期的睡眠阶段概率产生睡眠图,然后对睡眠图进行实时滤波。睡眠图(其可以类似于图4的睡眠图400)是通过选择潜在睡眠阶段之一作为每个时期的实际睡眠阶段而产生的。通常,具有最高调整睡眠阶段概率(例如,在由第一组系数或第二组系数加权之后的最高睡眠阶段概率)的睡眠阶段被选择为当前时段的睡眠阶段。
在一些实现中,由子框550生成的该睡眠图是示例算法的最终输出,并且可以用于分析用户的睡眠时段以及其他任务。然而,在其他实现中,子框550将滤波器应用于睡眠图,以便使时段之间的转换平滑。当过滤时,睡眠图更平滑,并且当在不同睡眠阶段之间转换时包括更多的具体步骤,而不是包括在不同睡眠阶段之间来回的多个较小转换。在所示的实现中,子框550将短模式滤波器应用于在睡眠开始之前出现的时段,而将长模式滤波器应用于在睡眠开始之后出现的时段。对于两个滤波器,子框550查看一组连续的时段,确定哪一个睡眠阶段对于该组时段是最常见的,并且修改该组内的时段,使得该组中的每个时段被设置为最常见的睡眠阶段。例如,如果子框550查看其睡眠阶段是唤醒阶段、轻度睡眠阶段、轻度睡眠阶段、唤醒阶段和轻度睡眠阶段的五个时段的组,则子框550将确定轻度睡眠阶段是时段组内最常见的睡眠阶段,然后修改唤醒阶段时段以改为设定为轻度睡眠阶段。然后,子框550将移动到下一组时段。在一些实现中,每个时段组包含完全不同的时段,使得没有时段对于多个组是共同的并且将被过滤两次。然而,在其它实现中,在相邻组中的时段之间可能存在重叠。
组内时段的数量取决于子框550是应用短模式滤波器(在睡眠开始之前)还是应用长模式滤波器(在睡眠开始之后)。通常,当应用短模式滤波器时每个组内的时段的数量小于当应用长模式滤波器时每个组内的时段的数量。在一个示例中,当应用短模式滤波器时,每个组内的时段的数量是五个时段,而当应用长模式滤波器时,每个组内的时段的数量是七个或八个时段。然而,短模式滤波器和长模式滤波器也可以使用其它数量的时段。如果在给定的一组时段内存在平局,则可以根据不同潜在睡眠阶段的预定排序来设定这些时段的睡眠阶段。在一些实现中,该排序依次是唤醒阶段、轻度睡眠阶段、深度睡眠阶段,以及最后是REM睡眠阶段。
在一些实现中,一旦给定的一组时段被设定为睡眠阶段之一,子框550就从短模式滤波器转换到长模式滤波器。通常,这是轻度睡眠阶段,但它可以是深度睡眠阶段或REM睡眠阶段。因此,子框550应用短模式滤波器的最后一组时段是第一组时段,其中最常见的时段是轻度睡眠阶段、深度睡眠阶段或REM睡眠阶段。
因此,算法500的框514的输入包括在框510和框512生成的流量值、呼吸速率值和事件发生。框514的输出是睡眠图,其指定每个时段的睡眠阶段,该睡眠阶段具有该时段的最高概率,如子框530、子框540和子框550所确定的。
框516可以在睡眠图上操作最后一组后处理步骤。在一些实现中,一旦睡眠时段完成,框516就对睡眠图进行操作。然而,在其它实现中,当子框550为每个时段输出所选择的睡眠阶段时,框516还可以实时地对睡眠图进行操作。框516基于每个时段的睡眠阶段分析睡眠图中时段中的潜在错误。
在第一示例中,算法500假设在面罩开面罩关时期之前或之后的一定数量的时段应该被设定为唤醒阶段。因此,框516识别被标记为面罩开面罩关的时段,并且如果预定数目的先前时段和预定数目的后续时段被设定为唤醒阶段之外的任何其他时段,则框516将这些时段的睡眠阶段改变为唤醒阶段。然而,在该示例中,也被指定为面罩开面罩开时段的来自面罩开面罩开时段的预定数目内的先前睡眠阶段或后续睡眠阶段不被改变。因此,如果存在被指定为面罩开面罩开时段的连续时段串,则算法500将仅查看该串中的第一个面罩开面罩关时段之前的预定数目的时段,以及该串中的最后一个面罩开面罩开时段之后的预定数目的时段。先前和后续时段的预定数目可以相同或不同,并且可以是任何数目的时段。在一种实现中,算法500检查在面罩开面罩关时段之前的两个时段以及面罩开面罩关时段之后的五个时段。
在第二示例中,算法500假设睡眠时段的第一时段和睡眠时段的最后时段都应该被设定为唤醒阶段。如果这些时段中的任一个未被设定为唤醒阶段,则框516将这些时段改变为唤醒阶段。
在第三示例中,算法500假设深度睡眠阶段和REM睡眠阶段都持续至少预定的最小时间量。因此,框516识别被设定为深度睡眠阶段或REM睡眠阶段的一个或多个时期的任何组,并且如果这些时段不满足预定的最小时间量,则修改这些时段。在一些实现中,REM睡眠阶段和深度睡眠阶段的最小时间量彼此不同。通常,REM睡眠阶段的最小时间量小于深度睡眠阶段的最小时间量,但是在一些情况下,深度睡眠阶段的最小时间量可以更少。在这些实现的一个示例中,REM睡眠阶段的最小时间量是一分钟(如果该时段是30秒长,则这等于两个时段),并且深度睡眠阶段的最小时间量是三分钟(如果该时段是30秒长,则这等于六个时段)。在其他实现中,REM睡眠阶段的最小时间量与深度睡眠阶段的最小时间量相同。在一些实现中,深度睡眠阶段和REM睡眠阶段的组中未持续最小时间量的时段都被改变为轻度睡眠阶段。然而,在其他实现中,这些组内的时段可以被改变为其他睡眠阶段。
在第四示例中,算法500假定睡眠阶段之间存在不被允许的某些转换。如果框516检测到具有不允许转换之一的两个相邻时期,则框516可以校正睡眠图。第一非允许转换是从唤醒阶段直接到深度睡眠阶段。如果框516检测到该转换,则框516可通过将唤醒阶段时段改变为轻度睡眠阶段时段、将深度睡眠阶段时段改变为轻度睡眠阶段时段,或在唤醒阶段时段和深度睡眠阶段时段之间插入轻度睡眠阶段时段来校正睡眠图。第二非允许转换是从唤醒阶段直接到REM睡眠阶段。如果框516检测到该转换,则框516可以通过将唤醒阶段时段改变为轻度睡眠阶段时段、将REM睡眠阶段时段改变为轻度睡眠阶段时段,或在唤醒阶段时段和REM睡眠阶段时段之间插入轻度睡眠阶段时段来校正睡眠图。
第三个不允许的转换是从深度睡眠阶段直接到REM睡眠阶段。如果框516检测到该转换,则框516可以通过将深度睡眠阶段时段改变为轻度睡眠阶段时段、将REM睡眠阶段时段改变为轻度睡眠阶段时段,或在深度睡眠阶段时段和REM睡眠阶段时段之间插入轻度睡眠阶段时段来校正睡眠图。第四种不允许的转换是从REM睡眠阶段直接到深度睡眠阶段。如果框516检测到该转换,则框516可以通过将REM睡眠时期改变为轻度睡眠阶段时段、将深度睡眠阶段时段改变为轻度睡眠阶段时段,或在REM睡眠阶段时段和深度睡眠阶段时段之间插入轻度睡眠阶段时段来校正睡眠图。在框516完成校正初始睡眠图之后,可以将最终睡眠图用于可能期望的睡眠时段的任何进一步分析。在一些实现中,用户(或第三方)可以查看睡眠图并提供反馈。然后可以使用该反馈来调整框510、框512、框514和框516中的任一个的操作。
在各种实现中,算法500可以包括比图5所示的框和子框更多或更少的框和子框,并且由框和子框执行的各种功能可以以不同的顺序和/或在不同的时间执行。在第一示例中,由子框530执行的睡眠分期可以在整个睡眠时段完成之后而不是实时地完成。因此,可以基于特征值在整个睡眠时段中的值对特征值进行标准化。在第二示例中,可以实时地或在睡眠时段已经完成之后对任意数量的特征的值进行标准化(或归一化)。在第三示例中,睡眠阶段概率不被实时加权,而是在睡眠时段已经完成之后被改变,并且基于睡眠时段的所有时段的睡眠阶段概率被改变。一般来说,算法500的任何部分可在睡眠时段期间或在睡眠时段已完成之后实时执行。因此,算法500的各种功能可全部在睡眠时段期间实时执行,可全部在睡眠时段已完成之后执行,或可在睡眠时段期间和睡眠时段已完成之后以实时组合执行。
图6示出了用于确定个体的睡眠阶段的方法600。通常,控制系统(例如系统10的控制系统200)被配置为执行方法600的各个步骤。存储器装置(例如系统10的存储器装置204)可用于存储方法600(或其它方法)的步骤中所利用的任何类型的数据。方法600是算法500的特定实现,其可以与各种不同的方法一起使用。
方法600的步骤602包括接收与具有多个时段的睡眠时段相关联的数据。在一些实现中,该数据包括经由导管140从呼吸治疗装置110到用户接口120的加压空气流的流量数据,以及表示用户呼吸的呼吸数据。在一些实现中,流量数据和呼吸数据由与呼吸治疗装置110和/或呼吸治疗系统100相关联的传感器(诸如传感器210)生成。通常,步骤602对应于算法500的框510和框512,其接收流量信号和呼吸信号并记录各个流量值和呼吸速率值。
在方法600的步骤604,分析数据以识别与当前时段相关联的特征。通常,步骤604对应于算法500的子框520。如上所述,可以将睡眠时段划分为多个时段。时段可以是任何合适的长度,例如30秒长。在步骤604,分析表示该时段期间的加压空气流的任何流量数据,以及表示该时段期间的用户呼吸速率的任何呼吸数据。可以识别许多不同的特征。在一些实现中,这些特征包括与加压空气的流量相关联的一个或多个特征,例如(i)跨当前时段和一个或多个先前时段的最大流量值,(ii)当前时段的流量偏斜,(iii)跨当前时段和一个或多个先前时段的中值流量偏斜,(iv)当前时段的流量值的标准偏差,(v)当前时段和一个或多个先前时段的流量值的标准偏差的标准偏差,(vi)当前时段和一个或多个先前时段的流量的标准偏差,(vii)当前时段的吸气与呼气的时间比,(viii)当前时段的吸气体积与呼气体积的比,或(ix)(i)-(viii)的任何组合。
在一些实现中,这些特征包括与用户的呼吸速率相关联的一个或多个特征,例如跨当前时段的平均呼吸速率、跨当前时段和一个或多个先前时段的呼吸速率的标准偏差,或两者。在一些实现中,这些特征可以包括与当前时段的时间特性相关联的至少一个特征。通常,时间特性是对时段在睡眠时段中的位置的某种测量。例如,时间特性可以是当前睡眠时段内的当前时段的数目或当前睡眠时段内的当前时段的数目的第n根。在一些实现中,n=20,并且时间特性是当前睡眠时段内的当前时段的数目的第20根。
方法600的步骤606包括确定当前时段的多个睡眠阶段概率。在一些实现中,用户可以在当前时段期间处于多个潜在睡眠阶段中的一个。这些睡眠阶段可以包括唤醒阶段、轻度睡眠阶段、深度睡眠阶段和REM睡眠阶段。在一些实现中,潜在睡眠阶段可以包括更多的睡眠阶段或更少的睡眠阶段。在这些实现的任一个中,步骤606包括确定用户在当前时段期间处于每个潜在睡眠阶段的概率。在一些实现中,睡眠阶段概率的确定至少部分地基于至少一个流量相关特征、至少一个呼吸速率相关特征,以及与当前时段的时间特性相关联的至少一个特征。然而,在其他实现中,睡眠阶段概率的确定可以至少部分地基于流量相关、呼吸速率相关和时间特征和/或其他特征的任何组合。
在一些实现中,睡眠阶段概率的确定由已使用一组训练数据训练的经训练机器学习算法来执行。训练数据可以例如从睡眠研究中获得,其中使用例如“黄金标准”多导睡眠图技术并利用相应的流量数据和呼吸数据来确定和验证睡眠阶段。在一些实现中,训练的机器学习算法是多层感知器模型,它是一类前馈人工神经网络。在其他实现中,可以使用其他类型的机器学习算法,以及用于确定睡眠阶段概率的其他技术。步骤606通常对应于算法500的子框530。
在一些实现中,方法600可以包括丢弃具有异常值的当前时段的任何特征。例如,如果该时段的平均呼吸速率被确定为不切实际地高,则该特征可以被丢弃,并且将不被用于确定当前时段的睡眠阶段概率。在一些实现中,可以将特征值与该特征的基线值或基线范围进行比较。在一些实现中,从训练数据生成基线值或范围。在其他实现中,使用从用户的当前睡眠时段和/或一个或多个先前睡眠时段先前获得的数据来生成基线值或范围。在一些实现中,这些特征的值还可以被标准化为全部在相同的尺度上(例如在-1与+1之间、-2与+2之间等)。
方法600的步骤608包括分析数据以识别用户在当前时段经历的事件。流量数据和/或呼吸数据可以指示用户在当前时段是否遭受任何事件。在一些实现中,事件包括呼吸相关事件,例如呼吸暂停、呼吸不足和/或RERA。
在已经提取了来自当前时段的特征并且已经识别了在当前时段期间发生的事件之后,可以在步骤610A、610B或610C中基于在当前时段期间发生的事件、在先前时段期间发生的事件或先前时段的所确定的睡眠阶段来调整多个睡眠阶段概率。步骤610A、610B和610C通常对应于算法500的子框540。
如果在当前时段期间确实发生了一个或多个事件,则方法600从步骤608前进到步骤610A,其中至少部分地基于在当前时段期间发生的一个或多个事件来调整每个睡眠阶段概率。
在一些实现中,在步骤610A中调整多个睡眠阶段概率包括将第一组系数应用于睡眠阶段概率。第一组系数包括对应于潜在睡眠阶段和潜在事件的多个系数。第一组系数中的每个系数与(i)潜在睡眠阶段中的单个阶段和(ii)睡眠时段期间可能发生的潜在事件中的单个事件相关联。第一组系数包括睡眠阶段和事件的每个不同组合的相应系数。在一些实现中,潜在睡眠阶段包括唤醒阶段、轻度睡眠阶段、深度睡眠阶段和REM睡眠阶段;睡眠时段期间可能发生并被检测到的事件包括呼吸暂停、呼吸不足和RERA。因此,在这些实现中,第一组系数将包括十二个不同的系数。通常,基于潜在睡眠阶段的数目和在睡眠时段期间可能发生的事件的数目,第一组系数可包括所需的一样多的系数。
通常,方法600的步骤606将包括确定用户在当前时段可能处于的每个潜在睡眠阶段的睡眠阶段概率。因此,当在步骤608中应用第一组系数时,对应于检测到的事件和每个不同的潜在睡眠阶段的系数是所使用的系数。应用系数包括将每个睡眠阶段概率乘以适当的系数。因此,如果在当前时段期间检测到呼吸暂停事件,则步骤608包括:(i)将唤醒阶段的睡眠阶段概率乘以对应于呼吸暂停事件和唤醒阶段的系数,(ii)将轻度睡眠阶段的睡眠阶段概率乘以对应于呼吸暂停事件和轻度睡眠阶段的系数,(iii)将深度睡眠阶段的睡眠阶段概率乘以对应于呼吸暂停事件和深度睡眠阶段的系数,以及(iv)将REM睡眠阶段的睡眠阶段概率乘以对应于呼吸暂停事件和REM睡眠阶段的系数。通常,如果对于当前时段存在n个不同的潜在睡眠阶段(例如,如果步骤606包括确定n个不同的睡眠阶段概率)以及在当前时段期间可能发生的m个不同类型的事件,则第一组系数中的系数的总数将是n×m。
在一些实现中,睡眠阶段概率中的每一者是0与1之间的十进制数,且第一组系数中的每一系数是0与1之间的十进制数。一旦通过将睡眠阶段概率乘以第一组系数中的适当系数而调整了多个睡眠阶段概率中的每一个,可以选择具有最高概率的睡眠阶段作为当前时段的睡眠阶段。
如果在当前时段期间没有事件发生,则方法600确定在先前时段期间是否发生任何事件。如果在先前时段期间确实发生了一个或多个事件,则方法600从步骤608前进到步骤610B,其中至少部分地基于在先前时段期间发生的一个或多个事件来调整每个睡眠阶段概率。在一些实现中,先前时段是紧接在当前时段之前的时段。在其他实现中,先前时段可以是紧接在前的时段,或者在当前时段之前的多个时段(例如,2、3、4、5或更多个时段)内。在一些实现中,基于在先前时段期间发生的事件来调整多个睡眠阶段概率包括将与步骤610A相同的第一组系数应用于睡眠阶段概率。例如,如果在先前时段检测到呼吸暂停事件,则每个睡眠阶段的睡眠阶段概率将乘以与在当前时段检测到呼吸暂停事件时完全相同的系数。然而,在其它实现中,如果在先前时段期间发生任何事件,则可以将不同的系数集合应用于睡眠阶段概率。然而,在这些实现中,对于睡眠阶段和事件的每个组合,不同的系数集通常仍将具有单个不同的系数。然而,这些系数的实际值与第一组系数相比是不同的。
最后,如果在当前时段或先前时段期间没有事件发生,则方法600从步骤608前进到步骤610C。在步骤610C,通过将第二组系数应用于睡眠阶段概率,至少部分地基于先前时段的确定的睡眠阶段来调整每个睡眠阶段概率。步骤610C类似于步骤610A和610B,因为每个睡眠阶段概率将乘以第二组系数的相应系数。然而,第二组系数的系数对应于(i)当前时段的潜在睡眠阶段和(ii)先前时段的确定睡眠阶段的不同组合,而不是(i)当前时段的潜在睡眠阶段和(ii)在当前时段或先前时段期间发生的事件的不同组合。
第二组系数包括用于先前时段的睡眠阶段和当前时段的潜在睡眠阶段之间的每个转换的不同系数。因此,如果存在可以将时段分类到n个潜在睡眠阶段,则第二组系数将包括n2个不同的系数。第二组系数中的每个系数对应于当前时段的潜在睡眠阶段和先前时段的先前确定的睡眠阶段的不同组合。类似于第一组系数,第二组系数中的每个系数是0和1之间的十进制数。一旦通过将睡眠阶段概率乘以第二组系数的适当系数而调整了多个睡眠阶段概率中的每一个,则可以选择具有最高概率的睡眠阶段作为当前时段的睡眠阶段。
因此,一旦初始睡眠阶段概率被生成(例如通过使用训练的机器学习模型),这些睡眠阶段概率可以基于在当前时段期间经历的事件、在先前时段期间发生的事件,或先前时段的所确定的睡眠阶段概率来调整。通过将睡眠阶段概率乘以适当的系数来调整睡眠阶段概率。每个系数将对应于(i)当前时段的潜在睡眠阶段和在当前时段期间发生的事件;(ii)当前时段的潜在睡眠阶段和在先前时段期间发生的事件;或(iii)当前时段的潜在睡眠阶段和先前确定的先前时段的睡眠阶段的不同组合。
在一些实现中,方法600可以包括确定用户接口在当前时段期间的任何点是否未被用户佩戴。在睡眠时段期间,由于各种原因,用户接口可以从用户的头部分离。例如,用户可能移除用户接口以起身并使用洗手间,或者如果用户在他们的睡眠中四处移动,则用户接口可能无意地脱离。当这种情况发生时,通常在流量数据和/或呼吸数据中将存在间隙。方法600可以包括识别这些间隙,并且注意用户接口在当前时段的至少一部分期间没有被用户佩戴。当做出这样的识别时,可以将当前时段设定为面罩开面罩关时段(或“MOMO”),然后该方法可以继续分析睡眠时段内的下一时段的数据。
在一些实现中,方法600可以包括当针对每个时段确定睡眠阶段时(例如,当生成并调整睡眠阶段概率,并且针对每个时段选择最高的经调整的睡眠阶段概率作为睡眠阶段时)实时地生成睡眠图。睡眠图(其可以类似于睡眠图400)可以示出睡眠时段的每个时段的睡眠阶段。如果确定在这些时段的数据中存在间隙,则睡眠图还可以指示哪些时段被指定为面罩开面罩关时期。
在一些实现中,方法600可以包括对时段进行滤波以平滑不同时段之间的转换。在一些情况下,睡眠图可以包括在睡眠阶段之间来回的一个或多个突然转换。例如,在睡眠时段的早期部分期间,睡眠图可以在唤醒阶段和轻度睡眠阶段之间来回振荡。为了平滑这一系列的振荡,可以通过调整时段的睡眠阶段来过滤时段。可以选择包括一组不同时段的睡眠时段的第一部分,并且可以确定该组时段的最常见睡眠阶段。然后,可以将该组时段内的每个时段的睡眠阶段设定为最常见的睡眠阶段。通过接下来选择包含不同时段的不同组的睡眠时段的全新部分来继续过滤过程,使得在多个单独的组中不包括单个时段。
在一些实现中,每组内的时段数可以基于在睡眠开始之前或睡眠开始之后出现的时段组。在一些实现中,睡眠开始之前每个组内的时段数小于睡眠开始之后每个组内的时段数。例如,睡眠开始前每组中的时段数可以是5个时段,睡眠开始后每组中的时段数可以是7或8个时段。在一些实现中,睡眠开始仅指睡眠时段期间睡眠的初始开始。在其他实现中,睡眠仅指睡眠的任何开始。因此,如果用户在睡眠时段期间醒来(例如使用休息室),则过滤过程将开始以每组内较少数量的时段开始过滤,直到确定用户已经再次入睡。该滤波处理通常对应于算法500的子框550。
在一些实现中,方法600可以包括以各种方式修改睡眠图。这些修改通常对应于算法500的框516所采取的步骤。在一些实现中,方法600包括识别睡眠时段的初始时段和睡眠时段的最终时段,并且如果唤醒阶段不是具有最高调整睡眠阶段概率的睡眠阶段,则将这两个时期设定为唤醒阶段。在一些实现中,方法600包括识别被指定为面罩开面罩关时段的任何时段。然后,如果唤醒阶段不是具有最高调整睡眠阶段概率的睡眠阶段,则可以将紧接在面罩开面罩关时期之前的睡眠阶段和紧接在面罩开面罩关时期之后的睡眠阶段设定为唤醒阶段。
在一些实现中,方法600包括识别表示睡眠阶段之间的无效转换的睡眠时段的连续时段,以及修改这些时段中的一个或两个的睡眠阶段,或者在这些时段之间插入人工时段。连续时段之间的无效转换可以包括(i)唤醒阶段到深度睡眠阶段,(ii)唤醒阶段到REM睡眠阶段,(iii)深度睡眠阶段到REM睡眠阶段,以及(iv)REM睡眠阶段到深度睡眠阶段。在一些实现中,在两个识别的时段之间插入人工时段,并且将该人工时段设定为轻度睡眠阶段。在其他实现中,可以修改两个识别的时段中的一个或两个的睡眠阶段,使得两个时段不再表示睡眠阶段之间的无效转换。
在一些实现中,方法600包括识别一组不持续指定睡眠阶段所需的最小时间量的时段,然后修改这些时段的睡眠阶段。通常,一旦用户达到深度睡眠或REM睡眠,这些睡眠阶段将持续至少一些最小时间量。如果被设定为深度睡眠阶段或REM睡眠阶段的一组时段跨越小于最小时间量的总时间量,则方法600可以包括修改该组时段内的时段的睡眠阶段。在一些实现中,该组时段内的每个时段的睡眠阶段被设定为轻度睡眠阶段。在其他实现中,可以在被设置为相同睡眠阶段的该组时段内的任何点处添加人工时段,直到达到最小时间量。在其他实现中,可以修改该组时段之前或之后的时段以将其设定为与该组时段相同的睡眠阶段,直到达到最小时间量。
通常,方法600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,并且方法600可以在机器可读指令由控制系统的至少一个处理器执行时实现。方法600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600的步骤。
来自以下权利要求1-84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1-84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组合,以形成本公开的一个或多个附加实现和/或权利要求。
虽然已经参考一个或多个特定实施例和实现描述了本公开,但是本领域技术人员将认识到,在不脱离本公开的精神和范围的情况下,可以对其进行许多改变。这些实现中的每一个及其明显的改变都被认为落入本公开的精神和范围内。还预期根据本公开的各方面的附加实现可以组合来自本文描述的任何实现的任何数量的特征。
Claims (84)
1.一种用于确定个体的睡眠阶段的系统,所述系统包括:
电子接口,其被配置来接收与所述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,其包括一个或多个处理器,所述一个或多个处理器被配置来执行机器可读指令以:
接收与所述个体的睡眠时段相关联的数据,所述睡眠时段被划分成多个时段;
分析所接收的数据以识别与所述睡眠时段的当前时段相关联的一个或多个特征,所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的呼吸治疗系统的加压空气流相关联的至少一个特征,(ii)与所述个体的呼吸速率相关联的至少一个特征,(iii)与所述睡眠时段内的所述当前时段的时间位置相关联的至少一个特征,或(iv)(i)-(iii)的任何组合;
至少基于所述一个或多个特征来确定多个睡眠阶段概率,每个睡眠阶段概率对应于所述睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个;
分析所述数据以识别所述个体在所述睡眠时段的当前时段期间经历的事件;以及
至少部分地基于(i)所述个体在所述睡眠时段的当前时段期间经历的事件,(ii)所述个体在所述睡眠时段的先前时段期间经历的事件,(iii)所述个体在所述睡眠时段的后续时段期间经历的事件,(iv)针对所述睡眠时段的所述先前时段确定的睡眠阶段,(v)针对所述睡眠时段的所述后续时段确定的睡眠阶段,或(vi)(i)-(v)的任何组合来调整所述多个睡眠阶段概率中的每一者。
2.根据权利要求1所述的系统,其中调整所述多个睡眠阶段概率包括:响应于所述个体在所述睡眠时段的所述当前时段期间经历的事件的数目大于零,将所述多个睡眠阶段概率中的每一者乘以第一多个系数中的相应系数。
3.根据权利要求2所述的系统,其中调整所述多个睡眠阶段概率包括:
响应于在所述睡眠时段的当前时段期间经历的事件的数目等于零,确定所述个体在所述睡眠时段的先前时段期间经历的事件的数目;以及
响应于所述个体在所述睡眠时段的先前时段期间经历的事件的数目大于零,将所述多个睡眠阶段概率中的每一者乘以所述第一多个系数中的相应系数。
4.根据权利要求2或3所述的系统,其中所述第一多个系数中的每一系数的值是基于在所述睡眠时段的当前时段期间经历的事件类型或在所述睡眠时段的先前时段期间经历的事件类型。
5.根据权利要求3或4所述的系统,其中调整所述多个睡眠阶段概率进一步包括:响应于在所述睡眠时段的所述先前时段期间经历的事件的所述数目等于零,将所述多个睡眠阶段概率中的每一者乘以第二多个系数中的相应系数。
6.根据权利要求5所述的系统,其中所述第二多个系数中的每一系数的值是基于所述睡眠时段的所述先前时段的所述先前确定的睡眠阶段。
7.根据权利要求1至6中任一项所述的系统,其中所述呼吸治疗系统被配置为用于通过所述个体可佩戴的用户接口来提供所述加压空气,并且其中所述一个或多个处理器进一步被配置为用于执行所述机器可读指令以:
基于所接收的数据确定所述用户接口在所述当前时段的至少一部分期间是否未被所述个体佩戴;以及
响应于确定所述用户接口在当前时段期间未被佩戴,分析所接收的数据以识别(i)与所述睡眠时段的后续时段相关联的一个或多个特征以及(ii)所述个体在所述睡眠时段的后续时段期间经历的事件的数目。
8.根据权利要求7所述的系统,还包括将所述当前时段指定为面罩开面罩关时段。
9.根据权利要求1至8中任一项所述的系统,其中所述睡眠时段的后续时段紧接在所述睡眠时段的当前时段之后发生。
10.根据权利要求1至9中任一项所述的系统,其中每个识别的特征具有值,并且其中确定所述多个睡眠阶段概率包括:
丢弃具有异常值的特征;
将每个剩余特征的值标准化为相同的尺度;以及
将每一剩余特征的标准化值输入到经训练算法中,所述经训练算法被配置来输出所述多个睡眠阶段概率。
11.根据权利要求1至10中任一项所述的系统,其中所述一个或多个处理器还被配置来执行所述机器可读指令以:
选择所述多个潜在睡眠阶段中具有最高调整睡眠阶段概率的一个潜在睡眠阶段作为所述睡眠时段的当前时段的睡眠阶段;以及
至少部分地基于与所述多个时段中的每个剩余时段相关联的所识别的特征来确定所述多个时段中的每个剩余时段的睡眠阶段。
12.根据权利要求11所述的系统,其中所述一个或多个处理器还被配置来执行所述机器可读指令以:
将睡眠时段的多个时段划分为多个时段组,每个时段组包括两个或更多个不同的时段;
对于每个相应时段组,为相应时段组中的两个或两个时段确定最常见的睡眠阶段;以及
对于每个相应时段组,将相应时段组中的两个或多个时段的睡眠阶段设定为相应时段组的最常见睡眠阶段。
13.根据权利要求11或12所述的系统,其中所述一个或多个处理器被配置来执行所述机器可读指令以:
识别所述睡眠时段的第一部分,所述第一部分包括在所述睡眠时段期间所述个体入睡之前发生的时段,所述睡眠时段的所述第一部分中的所述时段组包括第一数目的不同时段;以及
识别所述睡眠时段的第二部分,所述第二部分包括在所述睡眠时段期间所述个体最初入睡之后出现的时段,所述睡眠时段的所述第二部分中的所述时段组包括第二数目的不同时段,所述第二数目不同于所述第一数目。
14.根据权利要求13所述的系统,其中所述第一数目的不同时段是五个时段,而所述第二数目的不同时段是七个时段或八个时段。
15.根据权利要求13或14所述的系统,其中所述睡眠时段的所述第一部分发生在所述个体在所述睡眠时段期间最初入睡之前,且所述睡眠时段的所述第二部分发生在所述个体在所述睡眠时段期间最初入睡之后。
16.根据权利要求13或14所述的系统,其中所述睡眠时段的第一部分和所述睡眠时段的第二部分都发生在所述个体在所述睡眠时段期间最初入睡之后。
17.根据权利要求11至16中任一项所述的系统,其中所述一个或多个处理器还被配置来执行所述机器可读指令以:
识别所述多个时段中的初始时段;
识别所述多个时段中的最终时段;以及
将初始时段和最终时段的睡眠阶段设定为唤醒阶段。
18.根据权利要求11至17中任一项所述的系统,其中所述呼吸治疗系统被配置为用于通过所述个体可佩戴的用户接口来提供所述加压空气,并且其中所述一个或多个处理器进一步被配置为用于执行这些机器可读指令以:
识别所述多个时段中在所述时段的至少一部分期间所述用户接口未被所述个体佩戴的时段;
将紧接在所识别的时段之前的时段的睡眠阶段设定为唤醒阶段;以及
将紧接在所识别的时段之后的时段的睡眠阶段设定为唤醒阶段。
19.根据权利要求11至18中任一项所述的系统,其中所述一个或多个处理器还被配置来执行所述机器可读指令以:
识别所述多个时段中的第一时段和所述多个时段中的第二时段,所述第二时段紧接在所述第一时段之后出现,所述第一时段和所述第二时段表示两个不同睡眠阶段之间的无效转换;
在第一时段和第二时段之间插入人工时段;以及
将人工时段的睡眠阶段设定为轻度睡眠阶段。
20.根据权利要求19所述的系统,其中所述第一时段的睡眠阶段是唤醒阶段,而所述第二时段的睡眠阶段是深度睡眠阶段。
21.根据权利要求19所述的系统,其中所述第一时段的睡眠阶段是唤醒阶段,而所述第二时段的睡眠阶段是快速眼动(REM)睡眠阶段。
22.根据权利要求19所述的系统,其中所述第一时段的睡眠阶段是深度睡眠阶段,而所述第二时段的睡眠阶段是快速眼动(REM)睡眠阶段。
23.根据权利要求19所述的系统,其中所述第一时段的睡眠阶段是快速眼动(REM)睡眠阶段,而所述第二时段的睡眠阶段是深度睡眠阶段。
24.根据权利要求11至23中任一项所述的系统,其中所述一个或多个处理器还被配置来执行所述机器可读指令以:
识别被设定为深度睡眠阶段或快速眼动(REM)睡眠阶段的一组时段;
确定由时段组所跨越的总时间量;以及
响应于所述组时段所跨越的总时间量小于预定最小时间量,将所述组时段的每个时段的睡眠阶段设定为轻度睡眠阶段。
25.根据权利要求1至24中任一项所述的系统,其中所述多个潜在睡眠阶段包括唤醒阶段、轻度睡眠阶段、深度睡眠阶段和快速眼动(REM)阶段。
26.根据权利要求1至25中任一项所述的系统,其中所述多个潜在睡眠阶段包括唤醒阶段和睡眠阶段。
27.根据权利要求1至26中任一项所述的系统,其中所述多个时段中的每个时段持续约30秒。
28.根据权利要求1至27中任一项所述的系统,其中所述先前时段紧接在所述当前时段之前发生。
29.根据权利要求1至28中任一项所述的系统,其中与所述加压空气的流量相关联的所述至少一个特征包括(i)跨越所述当前时段和/或一个或多个先前时段的最大流量值,(ii)所述当前时段的流量偏斜,(iii)跨越所述当前时段和/或一个或多个先前时段的中值流量偏斜,(iv)所述当前时段的流量值的标准偏差,(v)当前时段和/或一个或多个先前时段的流量值的标准偏差的标准偏差,(vi)当前时段和/或一个或多个先前时段的流量稳定性,(vii)当前时段的吸气与呼气的时间比,(viii)当前时段的吸气体积与呼气体积的比,(ix)当前时段和/或一个或多个先前时段期间的最大压力,(x)当前时段和/或一个或多个先前时段期间的平均压力,或(xi)(i)-(x)的任何组合。
30.根据权利要求1至29中任一项所述的系统,其中与所述个体的呼吸速率相关联的所述至少一个特征包括:(i)在当前时段和所有先前时段上的平均呼吸速率,(ii)在当前时段和一个或多个先前时段上的呼吸速率值的标准偏差,或(iii)(i)和(ii)两者。
31.根据权利要求1至30中任一项所述的系统,其中与所述睡眠时段的时间相关联的所述至少一个特征包括(i)所述睡眠时段内的当前时段的数目,(ii)所述睡眠时段内的当前时段的数目的nth根,或(iii)(i)和(ii)两者。
32.根据权利要求31所述的系统,其中n=20。
33.根据权利要求1至32中任一项所述的系统,其中所述呼吸治疗系统包括一个或多个传感器,并且其中所述接收的数据由所述一个或多个传感器生成。
34.根据权利要求1至33中任一项所述的系统,其中所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的所述呼吸治疗系统的加压空气流相关联的至少一个特征,以及(ii)与所述个体的呼吸速率相关联的至少一个特征。
35.根据权利要求1至33中任一项所述的系统,其中所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的所述呼吸治疗系统的加压空气流相关联的至少一个特征,以及(ii)与所述睡眠时段内的当前时段的时间位置相关联的至少一个特征。
36.根据权利要求1至33中任一项所述的系统,其中所述一个或多个特征包括(i)与所述个体的呼吸速率相关联的至少一个特征,以及(ii)与所述睡眠时段内的当前时段的时间位置相关联的至少一个特征。
37.根据权利要求1至33中任一项所述的系统,其中所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的所述呼吸治疗系统的加压空气流相关联的至少一个特征,(ii)与所述个体的呼吸速率相关联的至少一个特征,以及(iii)与所述睡眠时段内的当前时段的时间位置相关联的至少一个特征。
38.一种用于确定个体的睡眠阶段的系统,所述系统包括:
呼吸治疗系统,所述呼吸治疗系统被配置为向个体供应加压空气;
存储机器可读指令的存储器;以及
控制系统,其包括一个或多个处理器,所述一个或多个处理器被配置来执行机器可读指令以:
接收与所述个体的睡眠时段相关联的数据,所述睡眠时段被划分为多个时段;
分析所接收的数据以识别与所述睡眠时段的当前时段相关联的一个或多个特征,所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的呼吸治疗系统的加压空气流相关联的至少一个特征,(ii)与所述个体的呼吸速率相关联的至少一个特征,(iii)与所述睡眠时段内的所述当前时段的时间位置相关联的至少一个特征,或(iv)(i)-(iii)的任何组合;以及
至少基于所述一个或多个特征来确定多个睡眠阶段概率,每个睡眠阶段概率对应于所述睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个。
39.根据权利要求38所述的系统,其中所述一个或多个处理器还被配置来执行所述机器可读指令以:
分析所述数据以识别所述个体在所述睡眠时段的当前时段期间经历的事件;以及
至少部分地基于(i)所述个体在所述睡眠时段的当前时段期间经历的事件,(ii)所述个体在所述睡眠时段的先前时段期间经历的事件,(iii)所述个体在所述睡眠时段的后续时段期间经历的事件,(iv)针对所述睡眠时段的所述先前时段确定的睡眠阶段,(v)针对所述睡眠时段的所述后续时段确定的睡眠阶段,或(vi)(i)-(v)的任何组合来调整所述多个睡眠阶段概率中的每一者。
40.根据权利要求38或39所述的系统,其中所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的所述呼吸治疗系统的加压空气流相关联的至少一个特征,(ii)与所述个体的呼吸速率相关联的至少一个特征,以及(iii)与所述睡眠时段内的当前时段的时间位置相关联的至少一个特征。
41.一种确定个体的睡眠阶段的方法,所述方法包括:
接收与所述个体的睡眠时段相关联的数据,所述睡眠时段被划分为多个时段;
分析所接收的数据以识别与所述睡眠时段的当前时段相关联的一个或多个特征,所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的呼吸治疗系统的加压空气流相关联的至少一个特征,(ii)与所述个体的呼吸速率相关联的至少一个特征,(iii)与所述睡眠时段内的所述当前时段的时间位置相关联的至少一个特征,或(iv)(i)-(iii)的任何组合;
至少基于所述一个或多个特征来确定多个睡眠阶段概率,每个睡眠阶段概率对应于所述睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个;
分析所述数据以识别所述个体在所述睡眠时段的当前时段期间经历的事件;以及
至少部分地基于(i)所述个体在所述睡眠时段的当前时段期间经历的事件,(ii)所述个体在所述睡眠时段的先前时段期间经历的事件,(iii)所述个体在所述睡眠时段的后续时段期间经历的事件,(iv)针对所述睡眠时段的所述先前时段确定的睡眠阶段,(v)针对所述睡眠时段的所述后续时段确定的睡眠阶段,或(vi)(i)-(v)的任何组合来调整所述多个睡眠阶段概率中的每一者。
42.根据权利要求41所述的方法,其中调整所述多个睡眠阶段概率包括:响应于所述个体在所述睡眠时段的所述当前时段期间经历的事件的数目大于零,将所述多个睡眠阶段概率中的每一者乘以第一多个系数中的相应系数。
43.根据权利要求42所述的方法,其中调整所述多个睡眠阶段概率进一步包括:
响应于在所述睡眠时段的当前时段期间经历的事件的数目等于零,确定所述个体在所述睡眠时段的先前时段期间经历的事件的数目;以及
响应于所述个体在所述睡眠时段的先前时段期间经历的事件的数目大于零,将所述多个睡眠阶段概率中的每一者乘以所述第一多个系数中的相应系数。
44.根据权利要求41或42所述的方法,其中所述第一多个系数中的每一系数的值是基于在所述睡眠时段的当前时段期间经历的事件类型或在所述睡眠时段的先前时段期间经历的事件类型。
45.根据权利要求41或43所述的方法,其中调整所述多个睡眠阶段概率进一步包括:响应于在所述睡眠时段的所述先前时段期间经历的事件的所述数目等于零,将所述多个睡眠阶段概率中的每一者乘以第二多个系数中的相应系数。
46.根据权利要求44所述的方法,其中所述第二多个系数中的每一系数的值是基于所述睡眠时段的所述先前时段的所述先前确定的睡眠阶段。
47.根据权利要求41至46中任一项所述的方法,其中所述呼吸治疗系统被配置为用于通过所述个体可佩戴的用户接口来提供所述加压空气,并且其中所述方法进一步包括:
基于所接收的数据确定所述用户接口在所述当前时段的至少一部分期间是否未被所述个体佩戴;以及
响应于确定所述用户接口在当前时段期间未被佩戴,分析所接收的数据以识别(i)与所述睡眠时段的后续时段相关联的一个或多个特征以及(ii)所述个体在所述睡眠时段的后续时段期间经历的事件的数目。
48.根据权利要求47所述的方法,还包括将所述当前时段指定为面罩开面罩关时段。
49.根据权利要求41至48中任一项所述的方法,其中所述睡眠时段的后续时段紧接在所述睡眠时段的当前时段之后发生。
50.根据权利要求41至49中任一项所述的方法,其中每个识别的特征具有值,并且其中确定所述多个睡眠阶段概率包括:
丢弃具有异常值的特征;
将每个剩余特征的值标准化为相同的尺度;以及
将每一剩余特征的标准化值输入到经训练算法中,所述经训练算法被配置来输出所述多个睡眠阶段概率。
51.根据权利要求41至50中任一项所述的方法,进一步包括:
选择所述多个潜在睡眠阶段中具有最高调整睡眠阶段概率的一个潜在睡眠阶段作为所述睡眠时段的当前时段的睡眠阶段;以及
至少部分地基于与所述多个时段中的每个剩余时段相关联的所识别的特征来确定所述多个时段中的每个剩余时段的睡眠阶段。
52.根据权利要求51所述的方法,进一步包括:
将睡眠时段的多个时段划分为多个时段组,每个时段组包括两个或更多个不同的时段;
对于每个相应时段组,为相应时段组中的两个或两个时段确定最常见的睡眠阶段;以及
对于每个相应时段组,将相应时段组中的两个或多个时段的睡眠阶段设定为相应时段组的最常见睡眠阶段。
53.根据权利要求51或52所述的方法,进一步包括:
识别所述睡眠时段的第一部分,所述第一部分包括在所述睡眠时段期间所述个体入睡之前发生的时段,所述睡眠时段的所述第一部分中的所述时段组包括第一数目的不同时段;以及
识别所述睡眠时段的第二部分,所述第二部分包括在所述睡眠时段期间所述个体最初入睡之后出现的时段,所述睡眠时段的所述第二部分中的所述时段组包括第二数目的不同时段,所述第二数目不同于所述第一数目。
54.根据权利要求53所述的方法,其中所述第一数目的不同时段是五个时段,而所述第二数目的不同时段是七个时段或八个时段。
55.根据权利要求53或54所述的方法,其中所述睡眠时段的所述第一部分发生在所述个体在所述睡眠时段期间最初入睡之前,且所述睡眠时段的所述第二部分发生在所述个体在所述睡眠时段期间最初入睡之后。
56.根据权利要求53或54所述的方法,其中所述睡眠时段的第一部分和所述睡眠时段的第二部分都发生在所述个体在所述睡眠时段期间最初入睡之后。
57.根据权利要求51至56中任一项所述的方法,进一步包括:
识别所述多个时段中的初始时段;
识别所述多个时段中的最终时段;以及
将初始时段和最终时段的睡眠阶段设定为唤醒阶段。
58.根据权利要求51至57中任一项所述的方法,其中所述呼吸治疗系统被配置为用于通过所述个体可佩戴的用户接口来提供所述加压空气,并且其中所述方法进一步包括:
识别所述多个时段中在所述时段的至少一部分期间所述用户接口未被所述个体佩戴的时段;
将紧接在所识别的时段之前的时段的睡眠阶段设定为唤醒阶段;以及
将紧接在所识别的时段之后的时段的睡眠阶段设定为唤醒阶段。
59.根据权利要求51至58中任一项所述的方法,进一步包括:
识别所述多个时段中的第一时段和所述多个时段中的第二时段,所述第二时段紧接在所述第一时段之后出现,所述第一时段和所述第二时段表示两个不同睡眠阶段之间的无效转换;
在第一时段和第二时段之间插入人工时段;以及
将人工时段的睡眠阶段设定为轻度睡眠阶段。
60.根据权利要求59所述的方法,其中所述第一时段的睡眠阶段是唤醒阶段,而所述第二时段的睡眠阶段是深度睡眠阶段。
61.根据权利要求59所述的方法,其中所述第一时段的睡眠阶段是唤醒阶段,而所述第二时段的睡眠阶段是快速眼动(REM)睡眠阶段。
62.根据权利要求59所述的方法,其中所述第一时段的睡眠阶段是深度睡眠阶段,而所述第二时段的睡眠阶段是快速眼动(REM)睡眠阶段。
63.根据权利要求59所述的方法,其中所述第一时段的睡眠阶段是快速眼动(REM)睡眠阶段,而所述第二时段的睡眠阶段是深度睡眠阶段。
64.根据权利要求51至63中任一项所述的方法,进一步包括:
识别被设定为深度睡眠阶段或快速眼动(REM)睡眠阶段的一组时段;
确定由时段组所跨越的总时间量;以及
响应于所述组时段所跨越的总时间量小于预定最小时间量,将所述组时段的每个时段的睡眠阶段设定为轻度睡眠阶段。
65.根据权利要求41至64中任一项所述的方法,其中所述多个潜在睡眠阶段包括唤醒阶段、轻度睡眠阶段、深度睡眠阶段和快速眼动(REM)阶段。
66.根据权利要求41至65中任一项所述的方法,其中所述多个潜在睡眠阶段包括唤醒阶段和睡眠阶段。
67.根据权利要求41至66中任一项所述的方法,其中所述多个时段中的每个时段持续约30秒。
68.根据权利要求41至67中任一项所述的方法,其中所述先前时段紧接在所述当前时段之前发生。
69.根据权利要求41至68中任一项所述的方法,其中与所述加压空气的流量相关联的所述至少一个特征包括(i)跨越所述当前时段和/或一个或多个先前时段的最大流量值,(ii)所述当前时段的流量偏斜,(iii)跨越所述当前时段和/或一个或多个先前时段的中值流量偏斜,(iv)所述当前时段的流量值的标准偏差,(v)当前时段和/或一个或多个先前时段的流量值的标准偏差的标准偏差,(vi)当前时段和/或一个或多个先前时段的流量稳定性,(vii)当前时段的吸气与呼气的时间比,(viii)当前时段的吸气体积与呼气体积的比,(ix)当前时段和/或一个或多个先前时段期间的最大压力,(x)当前时段和/或一个或多个先前时段期间的平均压力,或(ix)(i)-(viii)的任何组合。
70.根据权利要求41至69中任一项所述的方法,其中与所述个体的呼吸速率相关联的所述至少一个特征包括:(i)在当前时段和所有先前时段上的平均呼吸速率,(ii)在当前时段和一个或多个先前时段上的呼吸速率值的标准偏差,或(iii)(i)和(ii)两者。
71.根据权利要求41至70中任一项所述的方法,其中与所述睡眠时段的时间相关联的所述至少一个特征包括(i)所述睡眠时段内的当前时段的数目,(ii)所述睡眠时段内的当前时段的数目的nth根,或(iii)(i)和(ii)两者。
72.根据权利要求71所述的方法,其中n=20。
73.根据权利要求41至72中任一项所述的方法,其中所述呼吸治疗系统包括一个或多个传感器,并且其中所接收的数据由所述一个或多个传感器生成。
74.根据权利要求41至73中任一项所述的方法,其中所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的所述呼吸治疗系统的加压空气流相关联的至少一个特征,以及(ii)与所述个体的呼吸速率相关联的至少一个特征。
75.根据权利要求41至73中任一项所述的方法,其中所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的所述呼吸治疗系统的加压空气流相关联的至少一个特征,以及(ii)与所述睡眠时段内的当前时段的时间位置相关联的至少一个特征。
76.根据权利要求41至73中任一项所述的方法,其中所述一个或多个特征包括(i)与所述个体的呼吸速率相关联的至少一个特征,以及(ii)与所述睡眠时段内的当前时段的时间位置相关联的至少一个特征。
77.根据权利要求41至73中任一项所述的方法,其中所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的所述呼吸治疗系统的加压空气流相关联的至少一个特征,(ii)与所述个体的呼吸速率相关联的至少一个特征,以及(iii)与所述睡眠时段内的当前时段的时间位置相关联的至少一个特征。
78.一种用于确定个体的睡眠阶段的方法,所述方法包括:
接收与所述个体的睡眠时段相关联的数据,所述睡眠时段被划分为多个时段;
分析所接收的数据以识别与所述睡眠时段的当前时段相关联的一个或多个特征,所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的呼吸治疗系统的加压空气流相关联的至少一个特征,(ii)与所述个体的呼吸速率相关联的至少一个特征,(iii)与所述睡眠时段内的所述当前时段的时间位置相关联的至少一个特征,或(iv)(i)-(iii)的任何组合;以及
至少基于所述一个或多个特征来确定多个睡眠阶段概率,每个睡眠阶段概率对应于所述睡眠时段的当前时段期间的多个潜在睡眠阶段中的相应一个。
79.根据权利要求78所述的方法,进一步包括:
分析所述数据以识别所述个体在所述睡眠时段的当前时段期间经历的事件;以及
至少部分地基于(i)所述个体在所述睡眠时段的当前时段期间经历的事件,(ii)所述个体在所述睡眠时段的先前时段期间经历的事件,(iii)所述个体在所述睡眠时段的后续时段期间经历的事件,(iv)针对所述睡眠时段的所述先前时段确定的睡眠阶段,(v)针对所述睡眠时段的所述后续时段确定的睡眠阶段,或(vi)(i)-(v)的任何组合来调整所述多个睡眠阶段概率中的每一者。
80.根据权利要求78或79所述的方法,其中所述一个或多个特征包括(i)与来自所述个体在所述睡眠时段期间使用的所述呼吸治疗系统的加压空气流相关联的至少一个特征,(ii)与所述个体的呼吸速率相关联的至少一个特征,以及(iii)与所述睡眠时段内的当前时段的时间位置相关联的至少一个特征。
81.一种用于确定个体的睡眠阶段的系统,所述系统包括:
控制系统,其包括一个或多个处理器;以及
其上存储有机器可读指令的存储器,
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读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41至80中任一项所述的方法。
82.一种用于确定个体的睡眠阶段的系统,所述系统包括具有一个或多个处理器的控制系统,所述一个或多个处理器被配置来实施根据权利要求41至80中任一项所述的方法。
83.一种包括指令的计算机程序产品,当由计算机执行所述指令时,所述指令使所述计算机执行根据权利要求41至80中任一项所述的方法。
84.根据权利要求83所述的计算机程序产品,其中所述计算机程序产品是非瞬态计算机可读介质。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163192343P | 2021-05-24 | 2021-05-24 | |
US63/192,343 | 2021-05-24 | ||
PCT/IB2022/054772 WO2022249013A1 (en) | 2021-05-24 | 2022-05-22 | Systems and methods for determining a sleep stage of an individual |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117693312A true CN117693312A (zh) | 2024-03-12 |
Family
ID=81927632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280051849.4A Pending CN117693312A (zh) | 2021-05-24 | 2022-05-22 | 用于确定个体的睡眠阶段的系统和方法 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4346556A1 (zh) |
CN (1) | CN117693312A (zh) |
WO (1) | WO2022249013A1 (zh) |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NZ614401A (en) | 2007-05-11 | 2015-03-27 | Resmed Ltd | Automated control for detection of flow limitation |
EP3821930B1 (en) | 2010-07-30 | 2024-04-17 | ResMed Pty Ltd | Methods and devices with leak detection |
US10492720B2 (en) | 2012-09-19 | 2019-12-03 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
EP2897526B1 (en) | 2012-09-19 | 2021-03-17 | ResMed Sensor Technologies Limited | System and method for determining sleep stage |
WO2016061629A1 (en) | 2014-10-24 | 2016-04-28 | Resmed Limited | Respiratory pressure therapy system |
WO2017132726A1 (en) | 2016-02-02 | 2017-08-10 | Resmed Limited | Methods and apparatus for treating respiratory disorders |
US11712198B2 (en) * | 2016-07-11 | 2023-08-01 | B.G. Negev Technologies And Applications Ltd., At Ben-Gurion University | Estimation of sleep quality parameters from whole night audio analysis |
JP7110183B2 (ja) | 2016-09-19 | 2022-08-01 | レスメッド センサー テクノロジーズ リミテッド | 音声信号およびマルチモード信号から生理学的動きを検出するための装置、システムおよび方法 |
SG10201608507PA (en) * | 2016-10-11 | 2018-05-30 | Nat Univ Singapore | Determining Sleep Stages |
JP2021508521A (ja) | 2017-12-22 | 2021-03-11 | レスメッド センサー テクノロジーズ リミテッド | 車両内生理学的感知のための装置、システムおよび方法 |
JP7464522B2 (ja) | 2017-12-22 | 2024-04-09 | レスメッド センサー テクノロジーズ リミテッド | 動き感知のための装置、システムおよび方法 |
JP2022502153A (ja) * | 2018-10-01 | 2022-01-11 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 睡眠段階を決定するためのシステム及び方法 |
US20220007965A1 (en) | 2018-11-19 | 2022-01-13 | Resmed Sensor Technologies Limited | Methods and apparatus for detection of disordered breathing |
EP4021356A1 (en) * | 2019-08-30 | 2022-07-06 | Resmed Corp. | Systems and methods for adjusting user position using multi-compartment bladders |
US20220322999A1 (en) * | 2019-09-05 | 2022-10-13 | Emory University | Systems and Methods for Detecting Sleep Activity |
AU2020373407B2 (en) * | 2019-10-31 | 2022-12-22 | Resmed Sensor Technologies Limited | Systems and methods for insomnia screening and management |
-
2022
- 2022-05-22 EP EP22727486.7A patent/EP4346556A1/en active Pending
- 2022-05-22 WO PCT/IB2022/054772 patent/WO2022249013A1/en active Application Filing
- 2022-05-22 CN CN202280051849.4A patent/CN117693312A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4346556A1 (en) | 2024-04-10 |
WO2022249013A1 (en) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220339380A1 (en) | Systems and methods for continuous care | |
US20230240595A1 (en) | Systems and methods for detecting rem behavior disorder | |
CN116018173A (zh) | 用于分类和/或表征用户接口的系统和方法 | |
EP4236767A1 (en) | Sleep performance scoring during therapy | |
CN116249481A (zh) | 用于确定呼吸治疗期间的运动的系统和方法 | |
US20230363700A1 (en) | Systems and methods for monitoring comorbidities | |
WO2022047172A1 (en) | Systems and methods for determining a recommended therapy for a user | |
CN116261422A (zh) | 用于向用户传达睡眠相关事件的指示的系统和方法 | |
CN117693312A (zh) | 用于确定个体的睡眠阶段的系统和方法 | |
US20240075225A1 (en) | Systems and methods for leak detection in a respiratory therapy system | |
US20240108242A1 (en) | Systems and methods for analysis of app use and wake-up times to determine user activity | |
US20230405250A1 (en) | Systems and methods for determining usage of a respiratory therapy system | |
US20230417544A1 (en) | Systems and methods for determining a length and/or a diameter of a conduit | |
US20240139446A1 (en) | Systems and methods for determining a degree of degradation of a user interface | |
US20240145085A1 (en) | Systems and methods for determining a recommended therapy for a user | |
US20230380758A1 (en) | Systems and methods for detecting, quantifying, and/or treating bodily fluid shift | |
US20240066249A1 (en) | Systems and methods for detecting occlusions in headgear conduits during respiratory therapy | |
WO2024039569A1 (en) | Systems and methods for determining a risk factor for a condition | |
WO2024069436A1 (en) | Systems and methods for analyzing sounds made by an individual during a sleep session | |
CN116348038A (zh) | 用于症状发生前疾病检测的系统和方法 | |
EP4329848A1 (en) | Systems and methods for modifying pressure settings of a respiratory therapy system | |
WO2024020106A1 (en) | Systems and methods for determining sleep scores based on images | |
WO2024023743A1 (en) | Systems for detecting a leak in a respiratory therapy system | |
CN116801793A (zh) | 用于在呼吸治疗期间识别用户身体位置的系统和方法 | |
WO2023126840A1 (en) | Systems and methods for monitoring the use of a respiratory therapy system by an individual with diabetes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |