CN1767785B

CN1767785B - 用于自动化正气压滴定的算法

Info

Publication number: CN1767785B
Application number: CN200480009006.XA
Authority: CN
Inventors: 尤金·西尔贝格
Original assignee: Compumedics Ltd
Current assignee: Compumedics Ltd
Priority date: 2003-01-30
Filing date: 2004-01-30
Publication date: 2015-08-26
Anticipated expiration: 2024-01-30
Also published as: EP1596704A4; WO2004066804A3; WO2004066804A2; US8021309B2; JP2006516442A; AU2004208574A1; JP5183924B2; AU2004208574B2; EP1596704A2; CN1767785A; EP1596704B1; US20050241639A1

Abstract

一种用于测定患者的呼吸、用于诊断呼吸疾病以及用于控制治疗患者的呼吸辅助设备的算法。感受器记录输送给患者的压力和气体的流速。统计学处理数据以找出呼吸的起点、呼吸的终点、呼吸的持续时间、呼吸的形态、呼吸的容积、呼吸频率、流速、打鼾指数、平坦指数和其他诊断和治疗患者的有用的数据。数据被用于诊断患者的病变并用于以对患者的病变最优化的压力和流速控制用于治疗患者的呼吸辅助设备。在整个算法中，分别示踪并比较吸气和呼气数据，将其作为对算法所处理的数据的准确性的一种检查。

Description

用于自动化正气压滴定的算法

背景技术

技术领域

本发明涉及一种利用半程(half duration)呼吸方法从原始的呼吸流速数据中得到吸气相、呼气相和流速的方法，其用于确定呼吸流速，并检测气流受限、打鼾、呼吸暂停和呼吸不足，同时从气流数据中消除干扰和呼吸偏差，以使得用于治疗呼吸疾病的机器上的控制器能适当地最优化所应用的气体压力。

相关技术

在一些设备中，压力测定已经被用于检测异常呼吸。在其他设备中，检测呼吸模式的方法使用压力和流速的组合。还有一些其他的设备单独使用气流测定，其中在标准化的吸气气流的中点的给定值(indexed value)上的气流变异检测呼吸暂停。

一些用于确定患者是否正在吸入或呼出的流速系统计算出平均流速。当流速超过平均值时，患者正在吸入，当流速低于平均值时，患者正在呼出。

用于检测吸气或呼气的另一个方法是使用相比于输送给患者的气体的气体气流曲线的第一衍生值而言的高阈值和低阈值。

至今还没有一种所用的方法能准确地检测出吸气的开始、呼气的开始或呼吸的持续时间和流速。至今所用的检测设备也不能准确地分析或检测呼吸的打鼾、呼吸暂停、呼吸不足、或呼吸模式上的暂停和转换。另外，现有的呼吸测定设备不能准确地将干扰从测定值中清除。

当前的呼吸检测器不能测定并平衡吸气和呼气气流。

需要更准确的呼吸测定方法提供用于呼吸睡眠疾病研究、控制睡眠辅助呼吸机器以及监测患者的数据。

发明内容

本发明涉及一种用于提供准确的患者的呼吸数据的方法。该数据可被用于研究、用于监测患者或用于给CPAP或其他呼吸辅助上的控制器提供呼吸信息以调整给患者的气体的压力和气流以改善治疗。

将一个面罩施加于患者，用于给正在被监测或治疗呼吸疾病的患者提供有压力的气体。面罩内或附加于面罩的导管内的感受器确定出输送给患者的气体的流速。从原始数据中减去面罩和导管的漏气速度确定出患者所实际接受的气流。然后分析实际的流速数据以去除干扰、扰动和其他信号，确定出吸气和呼气的起点和终点并确定出输送给患者的气体的流速。将数据平滑化并检查数据中的可能存在的错误以找到准确代表患者呼吸的数据的最佳符合(best fit)。为了测定值的准确性和调整，比较了吸气和呼气容积。然后分析数据以检测患者的呼吸并将数据用于驱动呼吸辅助设备。数据能被用于检测呼吸暂停、呼吸不足、打鼾和其他医学病变以及简单地监测面罩是否脱落、患者是否是经他们的鼻或嘴呼吸、患者是否已经变换了体位或改变了睡眠期以及现在是否正在差异呼吸。

用于检测患者的呼吸的方法包括测定经面罩供应给患者的气体的压力和流速。近似出(approximating)呼吸的转折点(break point)以鉴别每次呼吸的吸气相和呼气相。将吸气流速数据和呼气流速数据分别汇编到吸气数据的连续阵列和呼气数据的连续阵列中。将吸气和呼气数据平滑化以建立一个具有起点、峰点和终点的吸气和呼气的阵列。形成一个吸气流速数据和呼气流速数据的这些平滑化数据的阵列。为了在呼吸分析中比较没有过多干扰的信号，从阵列中清除那些在流速数据中具有过多干扰的吸气和呼气相。将阵列中的吸气气流容积与呼气气流容积的比较作为对在阵列中的数据处理的准确性的一个检查。为了在呼吸分析中比较相似类型的呼吸，比较了相邻的吸气相(或呼气相)对的呼吸的相似性。比较吸气的起点和终点与呼气的起点和终点以检查流速数据的准确性。汇编一系列用于测试患者的呼吸的相似类型的呼吸。调整呼吸的起点和终点以及呼吸的最高点以组合所收集到的流速数据。进行信号水平的验证测试以从用于呼吸分析的数据中清除太接近的或面罩脱落状态下的呼吸。作为对数据质量的一种检查，比较呼吸的吸气和呼吸的容积以保证它们是相同的。然后用流速数据进行呼吸成形并根据呼吸形态最终定出流速数据中的吸气时间的开始和结束。现在可以将流速数据用于诊断患者的呼吸。为了提供诊断，数据被用于生成打鼾指数以显示患者是否正在打鼾以及打鼾到什么程度，和平坦指数(flattening index)以显示与呼吸暂停和呼吸不足相关的患者气道的阻塞程度。用吸气气流幅度鉴别呼吸暂停和呼吸不足。

许多统计学的测定被用于确定呼吸的相似性、吸气和呼气时间的开始、吸气和呼气的结束、呼吸持续时间、每次呼吸的气体容积、每分钟呼吸次数、每次呼吸的形态、以及其他所有的用于诊断患者所患有的呼吸问题的测定。一旦算法确定了患者所患有的问题，它能控制用于治疗患者的机器以在最佳时间上提供治疗其呼吸问题的最佳气流的最佳压力。对应用于患者的压力和气流速度的广泛的统计学分析给患者的诊断和治疗提供了有用的呼吸分析。

发明目的

本发明的一个目的是在治疗呼吸暂停、呼吸不足和其他呼吸疾病期间控制用呼吸面罩输送给患者的压力。

本发明的一个目的是测定患者的呼吸以在正确的时间为治疗患者提供正确的压力。

本发明的一个目的是提供一种用于测定患者的呼吸并计算出在他的呼吸周期内所施加于患者的压力的算法。

本发明的一个目的是检测打鼾。

本发明的一个目的是检测吸气的气流受限。

本发明的一个目的是检测气流幅度减低。

本发明的一个目的是检测呼吸暂停。

本发明的一个目的是检测呼吸不足。

本发明的一个目的是检测呼吸时相和呼吸形态。

本发明的一个目的是检测在呼吸周期内的吸气和呼气的起点和终点。

本发明的一个目的是消除呼吸流速测定值中的干扰和其他扰动。

本发明的一个目的是区分呼吸模式和规律呼吸中的变化。

本发明的一个目的是提供对患者的呼吸的准确监测。

本发明的一个目的是检测异常的呼吸时相。

本发明的一个目的是比较吸气容积和呼气容积以控制数据输出的准确性。

当结合附图考虑时，从以下的具体实施方案的描述中可以清楚地看到本发明的其他目的、优点和新的特点。

附图说明

图1是用于自动化正气压滴定的算法的流程图。

图2是来自原始的吸气气流数据的平滑化的最高峰的图。

图3是被添加到先前的平滑化吸气的原始吸气数据的图。

图3A是被添加到先前的平滑化吸气的具有与终点接近的谷点的早期得到的原始的吸气数据的图。

图3B是被添加到先前的平滑化吸气的刚刚及时得到的原始的吸气数据的图。

图3C是被添加到先前的平滑化吸气的具有与终点不接近的谷点的原始吸气数据的图。

图3D是通过延伸否则基本重叠的数据的尾部被添加到先前的平滑化吸气的非常早期得到的原始吸气数据的图。

图3E是通过延伸第一次呼吸的尾部覆盖非重叠的数据被添加到先前的平滑化吸气的晚期得到的原始吸气数据的图。

图4A是吸气的上升斜线上的双峰。

图4B是吸气的下降斜线上的双峰。

图5是平滑化吸气的阵列的图。

图6A是上升的干扰斜线的图。

图6B是下降的干扰斜线的图。

图7是所满足的干扰斜线的参数限定的表。

图8A显示了用于近似流速的一级分段线性法的图。

图8B显示了用于近似流速的二级分段线性法的图。

图8C显示了用于近似流速的三级分段线性法的图。

图9A显示了通过使用平行四边形检测上升斜线上的小峰的图。

图9B显示了通过使用平行四边形检测下降斜线上的小峰的图。

图10显示了中间的最高峰的阈值的图。

图11A显示了最高峰的最高对中的参数的图。

图11B显示了在其上用最高峰信号水平的百分比标记的图11A的平滑化参数的图。

图12A描绘了最高峰验证。

图12B描绘了最低峰验证。

图13描绘了根据基于最高峰的验证添加新的最低峰。

图14显示了在最高峰对中的两个最高峰之间的面积和持续时间。

图15A描绘了在除外最高峰对过程之前的最高峰。

图15B描绘了在除外最高峰对过程之后的最高峰对。

图16显示了被插入到最高峰和最低峰对之间的新的最高和最低峰。

图17显示了幅度阈值。

图18是吸气和呼气气流面积的图。

图19是无干扰成形的呼吸模式的图。

图20A显示了对一个吸气的一级线性近似。

图20B显示了对一个吸气的二级线性近似。

图20C显示了对一个吸气的三级线性近似。

图21A显示了一次正常呼吸的轮廓。

图21B显示了在一次呼吸期间的打鼾的轮廓。

图21C显示了一次吸气气流受限的轮廓。

图21D显示了一次严重的吸气气流受限的轮廓。

图22A描述了在水平搜索期间的平坦指数的侯选参照线。

图22B描述了所选定的平坦指数。

图22C描述了在一次圆形呼吸中的平坦指数误差。

图22D描述了在一次平坦呼吸中的平坦指数误差。

图22E描述了在斜的平坦呼吸中的平坦指数误差。

图22F描述了U型呼吸中的平坦指数误差。

图23A是上下平坦指数的图。

图23B是左侧平坦指数的图。

图23C是右侧平坦指数的图。

图24是打鼾指数的图。

图25是显示平坦指数的五个划分部分的图表。

图26是显示图25的平坦指数的五个划分部分的表。

图27是显示气流信号水平减低的图表。

图28是显示图27的气流信号水平减低的表。

图29是显示打鼾指数的划分的表。

图30是显示打鼾指数控制指令的表。

图31是显示打鼾指数控制指令的表。

图32是显示用于5次呼吸测试数据的平坦相关的指令的表。

图33是显示用于3次呼吸测试数据的平坦相关的指令的表。

图34是显示用于2次呼吸测试数据的平坦相关的指令的表。

图35是显示用于3次呼吸测试数据的平坦和打鼾相关的指令的表。

图36是显示用于呼吸暂停的压力增加指令的表。

图37是显示相似性的测试数值的表。

图38是显示主要呼吸测试序列中的平坦气流受限的表。

图39是显示平坦吸气气流的背景(contexts)的表。

图40是显示平坦压力变化指令模板的表。

图41是显示打鼾压力变化指令的表。

具体实施方式

在图1中显示了用于自动化正气压滴定的算法。算法的第一步是如所示的在模块10010中接收并记录下按特定时间增量从面罩中所收集到的气流速度信号数据。然后如所示的在模块10020中对来自面罩的数据补偿漏气并记录数据。在模块10030中搜索原始的流速数据并建立第一个可变更的吸气或呼气相的近似。然后在模块10040中将数据与先前所收集到的吸气或呼气相数据合并(如果没有得到先前的数据就将其储存)，然后在模块10050中将数据平滑化并作为数据阵列的一部分将其储存。如果如在模块10055中所确定的数据阵列是不完全的，那么从模块10030 中收集更多的原始数据，近似下一个吸气或呼气相并在模块10040中将其合并到阵列中，然后在模块10050中将数据平滑化并储存。如果现在如模块10050中所确定的阵列是完全的，那么在模块10060中检查阵列的双峰并在模块10070中检查干扰峰。如果在步骤10070中检测到干扰峰，在模块10080中用分段线性近似法将它们平滑化。然后在模块10090中检查所有的呼吸看它们的吸气容积是否与它们的互补的呼气容积匹配。在模块10091中，进行一项测试看吸气容积是否与呼气容积匹配。吸气容积应当与呼气容积匹配，否则就是数据中存在误差，以及数据必须被删除。在模块10095中删除不匹配的数据。如果吸气和呼气数据匹配，那么算法进入模块10100比较吸气或呼气对的相似性。如果它们是相似的，数据被认为是好的且在呼吸中还没有变化发生。第一个最高峰序列测试是在算法的模块10110中所运行的相似性测试。它测试了最高峰序列中的最高峰对之间的相似性。在模块10120的验证中，从在模块10110中所生成的最初的球形的最高峰和最低峰阵列中重新调出数据，并比较最接近的最低峰阵列，使得最高峰阵列中的吸气起点应当匹配于最低峰阵列中的呼气终点以及最高峰阵列中的呼气起点应当匹配于最低峰阵列中的吸气终点。

模块10130近似了吸气和呼气的转折点，在模块10140中将其微调以确定出更为接近的吸气和呼气点并将呼吸成形。

然后模块10150检查了来自吸气气流信号的平坦指数。

平坦指数被用于测定气流受限例如在呼吸暂停中所发生的气流受限。

在模块10160中，通过在气流信号中所发现的干扰检查打鼾。生成打鼾指数并将其用于控制指令以增加或减少患者的压力和气流容积以减轻打鼾。

然后在模块10170中进行呼吸分析以确定患者是否患有呼吸暂停、呼吸不足或其他呼吸疾病，或是否存在一些气道限制，或面罩是否已经脱落或还患者是否正在打鼾。

在模块10180中，一组控制指令被应用于治疗在呼吸分析步骤中所鉴别出的病变。例如，可以增加或减少通过CPAP机器施加于患者的压力。

现在给出了对算法的更为详细的解释说明。

在用连续气道正压通气(CPAP)治疗患者时，利用面罩给患者提供一定压力下的气体。用面罩内或将面罩连接到气体压力源的导管内的传感器进行对气流和气压的测定以得到用于监测患者并确定患者何时正在吸入、呼出、打鼾或患者呼吸暂停或呼吸不足的气流和压力信号。在算法的模块10010中收集原始的压力和气流数据信号。信号必须被处理以提供对患者的病变的有意义的和准确的读数并确定出在治疗期间所应用到患者的压力。因为患者的呼吸不是均匀的并且没有两个患者是相似的，所以获得准确的数据有着许多挑战。在每次呼吸中，患者在不同的时间段内可能以不同的速度吸入。另外，患者可能在吸入和呼出之间停顿不同的时间量。然后患者可能在不同的时间段以不同的速度呼出，然后在吸入之前再次停顿。患者在夜间将改变体位，这将影响呼吸频率。患者也可能在夜间患有不同程度的气道阻塞。增加这些变化打鼾、呼吸暂停和呼吸不足事件，测定患者的呼吸以确定出他何时正在吸入、呼出、打鼾或患有呼吸暂停或呼吸不足使得可以将CPAP设备或BiPAP设备调整到最有效地和最充分地辅助患者的正确压力上是非常困难的。另外，所采集到的原始数据含有干扰例如气体泵和马达、气体输送管路和其他扰动，这将减少所得到的信号的准确性。信号中的可能的偏差是面罩可能已经脱落、管子可能已经不连通或打弯、或患者可能已经开始经其嘴呼吸。

当患者带着与他的治疗所结合使用的面罩时，所出现的第一个问题是面罩本身将漏气，使得在从面罩所接受到的气流信号数据中必须使用气流漏气补偿因素，以反映测定的气流和实际应用到患者的气流之间的差异。面罩漏气可以发生在与面罩与患者的界面上(面罩边缘漏气气流)以及面罩与供气管的连接处(通道漏气气流)。

对于所用的每种面罩类型以及应用于面罩的压力，通道漏气气流是不同的。可以用通路漏气气流查询表估计出依赖于压力的气流丢失。从所测定的气流中减去通道漏气气流有助于近似患者的实际气流。相似地，通过用低通过滤器滤过正准备进入患者的气流留下面罩边缘漏气所造成的气流信号的差额可估计出面罩变异漏气气流。在算法的模块10020中用漏气气流确定出进入患者的气流的差额并记录为气流数据。

尽管如上述的已经明确地描述了漏气速度，但是可以使用结合于不同的面罩和通道连接的用于测定流速的其他方法。

用在模块10020中所得到的实际应用于患者的气体的气流和压力信号，开始对个体呼吸的特征的分析。

算法使用呼吸的半程流速。为了测定患者的呼吸，算法确定出吸气相期间的最高流速以及呼气相期间的最低流速并分别将它们进行比较，然后在该过程的晚期将它们合并。所用的算法消除了流速信号干扰以及吸气和呼气之间的时间间隙以提供更为准确的患者在呼吸时所具有的吸气和呼气相及流速的测定。

为了更准确地鉴别吸气和呼气气流，算法接受了掺杂有干扰和信号偏差的原始数据并用多种技术将数据平滑化以消除干扰和偏差以提供出更容易读取的更准确的患者的呼吸频率的表达。算法将近似和统计技术应用于所搜集到的信号数据上以鉴别出吸气和呼气周期的开始和结束以及每次呼吸中的最高和最低流速。所生成的数据被用于控制用于治疗患者的呼吸设备例如CPAP机器。

图2显示了一系列在特定时间段例如10赫兹或250赫兹内所取得的气流信号数据点并将其用代表所收集到的原始的信号数据的虚线100绘制。吸气的起点被选定在被称为转折点的点上，其中数据表示正的流速以及在此之后流速开始显著增加。在算法的模块10030中进行对转折点的选择。转折点被选定为标记为吸气开始的点101。吸气数据中充满着干扰、扰动和误差。随着点120、125、130和135的时间，原始的数据点以不一致的增加数值逐渐变得更高，直到在点150上达到了吸气期间的最高流速，然后在点155、160、165、170、175、180和185上不一致地减低直到吸气终点190。原始数据中的干扰和偏差提供了如虚线100所示的掺杂信号。最高流速点150是在约吸气相中间的最高峰，以及吸气终点190是在算法所选定的具有约与点101的吸气起点的相同流速的点。点190的吸气终点也是同一次呼吸的呼气的起点。

图2也显示了模块10050所代表的线性平滑技术。平滑方法被用于近似患者的呼吸流速并消除信号干扰及偏差。虚线100的点101、150和190相应地等于实线200上的点201、250和290。图2中所示的一级线性技术简单地用上升斜线25连接点201的吸气起点和最高峰250。相似地，下降斜线75被定义为连接最高峰250和吸气终点290。实线210显示了所形成的更为理想的、更容易处理的患者的吸气的平滑化图。使用线200的平滑化图已经去除了干扰和流速的变异以更清楚地显示起点201的吸气起点、在流速峰250上的近吸气周期中间的吸气期间的最高气流以及在终点290的吸气周期的终点，该终点应当等于患者呼吸的呼气周期的起点。呼吸的持续时间为点201和290之间的时间。

用算法示踪呼气和吸气，但是为了解释的方便，我们只示踪吸气。从对吸气的图解中应当容易明白被相似图解的呼气。

算法实时得到了一系列用于分析呼吸的吸气。可用多种可能的方法将吸气数据串添加在一起。为了最有效地利用时间、数据处理和储存资源，在此所呈现的技术在处理器刚刚完成对先前吸气的平滑化后的时候将下一次吸气相的原始数据合并到先前的平滑化的吸气数据中，如在算法模块10040中所描述的那样。对于所用的技术，与先前的吸气的终点比较，下一次吸气的起点多少有些随机。图3图解说明了虚线300所代表的新的原始的吸气气流数据，它具有所估计的吸气起点301、所估计的最高峰流速350、以及所估计的吸气终点390。将虚线300所代表的这个原始数据组与实线200所代表的先前平滑化的吸气数据合并。线200和300的数据将被合并，然后将虚线300的第二次吸气数据平滑为实线400。将实线添加在一起生成如图5所示的平滑连接的平滑化的吸气流速的系列。

取得虚线300所代表的新数据的时间可以是在先前呼吸的平滑化结束之前、在前一次呼吸的平滑化结束的同时、或在先前呼吸的平滑化之后。另外，呼吸起点和终点的流速是不同的，并且它们必须被调整为图5中的平滑组合。

如图3A、3B、3C、3D和3E所示的，有五种主要方案用于将新的吸气数据组与先前的吸气数据组合并。在图3A所描述的第一种方案中，这是最为常见的情况，平滑化终止于流速点290。算法选择具有点301a所示的流速的下一次呼吸的吸气的近似起点。所选择的该点的时间是在点290的平滑化过程结束之前。因此，用于重叠图形的实时最佳符合是将新流速的最近的谷315a匹配于代表先前呼吸的吸气结束的平滑化点290。这里，新的吸气中的谷点315a的流速匹配于或非常接近于点290的先前吸气的流速值，所以290的第一次吸气的终点和点301a的下一次吸气数据的起点之间的空隙可被忽略，以及第二次吸气可被标绘为开始于第二次呼吸原始数据的点315a。新的原始数据组具有350a的峰流速和390a的吸气相终点。然后将第二次呼吸平滑化生成如实线400a所示的吸气图。平滑化的第二次吸气具有点401a的起点、450a的最高点和点490a的吸气终点。

在一种如图3B所示的特殊情况的方案中，第一次呼吸的点290的吸气终点的流速是等于或接近于第二次吸气的起点流速301b，以及计算的时机是使得点290的平滑化吸气终点正好作为点301b所得到的新的数据。然后将如虚线300b所示的第二次吸气的原始流速数据局部平滑化生成如实线400b所示的图，它具有401b的吸气起点、450b的最高峰以及点490b的吸气终点。

在如图3C所示的方案中，平滑化吸气数据终止于点290。在点301c所标绘的时间上得到虚线300c所示的下一次呼吸的数据，它开始于远在点290的平滑化计算结束的终点之前的一个时间。对于时间上的差异，可以有多种原因包括患者呼吸模式的转换。将虚线300c所示的下一次呼吸的原始数据储存并比较用于最佳符合于终止于点290的先前呼吸的平滑化数据。对于两个图形之间的时间和数值的最佳符合，先前呼吸200的吸气气流的平滑化数据匹配于在谷点315c的新呼吸的吸气气流的原始数据中的数值。因此新的呼吸300c被开始于点315c并被平滑化得到图400c。因此忽略平滑化线200的最后部分，将先前呼吸的终点的有效的平滑化位置移动到290’以匹配于315c的下一次吸气的起点。然后将新的呼吸平滑化为开始于401c、达峰于450c以及终止于490c。

在如图3D所示的方案中，先前的平滑化呼吸开始于点201，具有点250的最高峰以及终止于点290。在点201的平滑化吸气数据的起点后的即刻就得到了开始于点301d的下一次吸气的原始数据。两个呼吸的开始部分是近似相同的，但是吸气的尾部是不同的。新数据延伸到更低的吸气流速。最佳符合开始于流速290和呼吸300的原始数据的下降斜线的数值是相等的点，并终止于呼吸300的终点的流速390d。如杂实线所示的，在点290之后添加呼吸200和300的下降斜线，将平滑化图延伸到点390d的吸气终点。

在如图3E所示的方案中，平滑化吸气已经被标注结束于点290，而算法必须等待可得到的开始于点301e的下一次吸气的新的原始数据。必须要补上两个数值之间的空隙。最佳符合是在点290和290’之间添加如杂实线所示的补丁P以覆盖点290的先前吸气的终点和点301e的新的吸气的起点之间的空隙，该补丁连接了上一次吸气的终点的最低流速和新吸气的最低流速。新的呼吸的原始数据开始于点301e，延伸到350e的最高峰以及终止于390e，然后该数据从点401e的吸气起点到点450的最高峰和到点490e的吸气终点被平滑化添加到吸气阵列中。

呼吸的大延迟被疑为可能发生了呼吸模式的改变。

如图5所示，在短的时间间隔内，平滑化吸气的阵列可以生成两个如图4A和4B所示的连续的最高峰。短间隔内的峰是可疑的，它们必须被检查。误差的一个可能的原因是干扰所诱导的高峰骗取算法误诊为一个吸气相。误差的另一个可能的原因是处理最高峰阵列的实时特性。图4A显示了具有两个非常接近的最高峰150和150A的上升的平滑化斜线。图4B显示了具有两个非常接近的最高峰150和150B的下降的平滑化斜线。如在图4A和4B所示，两个最高峰之间存在吸气间隔t。真正的最高流速被选定为最接近于吸气时间间隔t的中点的最高流速。虚线显示了在时间间隔t内具有两个太接近的最高峰的平滑化吸气。连续线显示消除了双峰的再平滑化吸气。在算法的模块10060中检查双峰。

在已经建立了如图5所示的2到4个最高峰的阵列之后，算法的模块10070回顾最高峰850、650、450和250以剥夺它们中的一些最高峰代表吸气最高峰的资格，因为过多的干扰使得原始数据变得不可靠。如果干扰斜线被剥夺了资格，原始数据被分段线性分析法检验以重新绘制出如下所示的使用1、2或3条线的斜线。

检验了用于生成平滑化上升斜线222、422、622和822的原始数据看它们是否是干扰斜线。如图6A所见，比较了从1001的吸气起点到第一峰1010的起始变化2010以及从点1035的谷到最高峰1050的终止变化2050，较小的变化被定义为外变化。检验了对应于峰1020和1030的变化2020和2030，以及在这些变化中，最低点1015和最高点1030之间的变化被定义为内变化2025。如果斜线具有大于内变化2025的外变化2010或2050，那么测试组就可能是干扰斜线。如果上升斜线不是干扰斜线，那么就测试如图6B所示的下降斜线看它是否是干扰斜线。在图6B中，测定了相应地代表下降斜线上的最高峰和终止峰的峰1050和1080的起始变化2060和终止变化2090以找出两者中的更小者，它被指定为外变化。然后检验了剩余峰1060和1070的变化，以及在这些变化中，最低点1075和最高点1060之间的变化被定义为内变化。如果斜线具有大于点1060和1075之间的内变化2075的外变化2060或2090时，那么内变化测试组可能是干扰斜线。

为了实施干扰斜线测试的便利，只选择一个干扰斜线。为了测试组内的干扰斜线，使用了其他参数。对于图6A所示的上升斜线，有左持续时间3010、内持续时间3020和右持续时间3030。左持续时间3010是点1001的吸气起点和1010的第一峰之间的时间。内持续时间是峰1010和谷1035之间的时间。右持续时间是谷点1035和最高峰点1050之间的时间。结合点1001和1010之间的起始变化2010、点1015和1030之间的内变化2025、以及点1035和1050之间的终止变化2050使用这些参数。

另一个所用的参数是斜线内的第一峰和最后峰之间的峰的数目。例如在图6A中，在第一峰1010和最后峰1050之间有两个峰1020和1030。在图6B中，在第一峰1050和最后峰1080之间有两个峰1060和1070。

转折点是吸气流速的起点或终点。在图2中，点201是左转折点以及290是右转折点。在图6A中，转折点是1001和在图6B中，转折点是1085。

现在检查内最高峰看它们是否应当被剥夺资格或从阵列中清除出去。使用两组测定值，为自左侧的持续时间和自右侧的持续时间。

下面的定义被作为在此所用的图表中的速记法：

自左侧的持续时间＝Dur_fromleft

自右侧的持续时间＝Dur_fromright

左持续时间＝Dur_left

右持续时间＝Dur_right

内持续时间＝Dur_int

起始变化＝Var_start

终止变化＝Var_end

内变化＝Var_int

峰数＝Num_peak

下面是在此所用的参数的定义：

Dur_fromleft＝Dur_left+Dur_int

Dur_fromright＝Dur_right+Dur_int

Ratio_left＝Var_left/Var_int-(Num_peak+1)/5

Ratio_right＝Var_right/Var_int-(Num_peak+1)/5

如果测试组中的呼吸持续时间的左和右变化以及经呼吸数目所平均的流速中的呼吸的左和右部分对内变化的变化比值不在特定的参数内，那么用1、2或3线分段线性法近似数据将干扰去除。

可用图7中的表去除不在可接受的参数内的呼吸。

如下实施对呼吸的测试：

利用如图6A所示的来自左测定的持续时间(Dur_fromleft)3010和来自右测定的持续时间(Dur_fromright)3030，其中，左持续时间是点1001和1010之间的时间以及内持续时间3020是点101和1035之间的时间，这样自左侧的持续时间是点1001到1035之间的时间。Dur_fromleft＝Dur_left+Dur_int。

在图6B中显示了自右侧的持续时间3075，右持续时间是点1080和1085之间的时间，以及内持续3070是点1055和1080之间的时间，这样来自右侧的持续时间是点1055到点1085之间的时间。Dur_fromright＝Dur_right+Dur_int。

在图6A显示了左变化2010。var_left＝var_start。

在图6B显示了右变化2090。var_right＝var_end。

Ratio_left＝Var_left/Var_int-(Num_peak+1)/5

Ratio_right＝Var_right/Var_int-(Num_peak+1)/5

如果持续时间是短的以及内信号变化与内比值、左比值或右比值比较是相当小的，那么内最高峰是非常可能要被去除的。如果持续时间是长的，那么变化比值的阈值是高的。

如果满足了图7的表中的各种条件，那么如图6A组中所示的组内的内最高峰1010、1020和1030就要被剥夺资格。图7是在比较中所用的比值的阈值的表。

对于自左侧的持续时间和自右侧的持续时间的数值的组合，根据下面的公式，在图7中的表内的每个框内的阈值必须是真的具有无干扰斜线。

Ratio_Left＞＝Left_Threshold1和Ratio_Right＞＝Right_Threshold1

或

Ratio_Left＞＝Left_Threshold2和Ratio_Right＞＝Right_Threshold2

或

Ratio_Left＞＝Left_Threshold3和Ratio_Right＞＝Right_Threshold3

或

Ratio_Left＞＝Left_Threshold4和Ratio_Right＞＝Right_Threshold4

或

Ratio_Left＞＝Left_Threshold5和Ratio_Right＞＝Right_Threshold5

对于左和右阈值，图7的表的每个框中的五对数值如下：

Left_Threshold1；Right_Threshold1

Left_Threshold2；Right_Threshold2

Left_Threshold3；Right_Threshold3

Left_Threshold4；Right_Threshold4

Left_Threshold5；Right_Threshold5

例如，2.25和1.33是自左侧的持续时间和自右侧的持续时间都小于0.75s的第一组数值的Left_Threshold1和Right_Threshold1。第二个阈值2和1.5是自左侧的持续时间和自右侧的持续时间都小于0.75s的第一组数值的Left_Threshold2和Right_Threshold2。

如果任何最高峰测试组满足图7的表中的任一条件，该组内的内最高峰被认为是要被剥夺资格的并需要被去除的，因为所用的原始数据是太吵杂而不能得到好的结果。

参照于图9A和9B所示的平行四边形，更容易理解图7的表中所呈现的测试的性能，其中测试了图5的平滑化阵列的原始数据以发现过多的信号干扰水平。如图9A所示的，有着外变化Var_ext 2040和终止变化 Var_end 2050的上升干扰斜线在这两个变化之间具有可画出的平行四边形。如果原始信号数据在平行四边形之内，原始数据被认为是含有干扰，但不是太吵杂。同样地对于下降干扰斜线，如图9B所示，如果峰在外变化Var_ext 2060和终止变化Var_end 2090所确定的平行四边形内，那么峰被认为是干扰。图9B的下降干扰斜线是在平行四边形内，所以它不是干扰斜线。

因此，例如如果通过测试上述条件中的原始数据认为图5的上升斜线422是干扰斜线，那么通过删除从点401到601的吸气流速将最高峰450从最高峰阵列中消除出去，并用分段线性近似将其取代，它通过使用具有相应地近似吸气流速的一条、二条或三条线的一级、二级或三级线性方程的线性近似将这些最高峰模式平滑化。用每个一级、二级或三级近似方法的误差率看哪个方法产生了最小误差并应当据此选择方法。下面将解释一级、二级和三级近似以及误差分级。

图8A、8B和8C显示了用于近似流速的一级、二级和三级分段线性法。

图8A显示了具有点201的吸气起点和最高峰250的干扰斜线。点201的吸气起点和最高峰250之间的单虚线222是一级分段线性法的近似。误差221是从局部峰120到线222的线性距离。注意从局部峰130或从谷135到线222的举例都没有从局部峰120的距离远，所以局部峰120被选用于误差。

图8B显示了二级、双线分段线性近似。图8B具有非常不同于图8A的差别以有助于显示所包含的原理。在图8B中，在比较了所有可能的线对的最小误差的组合后，选择了双线231和232。误差223是或者线231或者线232与原始数据之间的最大差异。将误差223与误差221比较看一级或二级线性近似中的哪个具有最小误差。

图8C显示了三级、三线分段线性近似。图8C具有非常不同于图8A 和图8B的差别以有助于显示所包含的原理。在图8C中，在比较了所有可能的线的组合的最小误差的组合后，选择了双线231、232和233。误差227是线231、232、233与原始数据之间的最大差异。将误差227与误差221和223比较看一级、二级、或三级线性近似中的哪个具有最小误差。

然后选择最小误差分段线性近似斜线填充最高峰阵列中的干扰斜线。

既然本领域人员很好理解将一级、二级和三级分段线性近似组合到图形中的方法，所以在此没有给出方法的细节。

从上述的吸气气流数据中可以容易地明白将相同的方法应用于呼气气流数据以消除干扰斜线。

在呼吸时，吸气气体的容积必须等于呼出气体的容积。因此在算法的模块10090中测试了这一点以显示平滑化分段线性校正的最高峰吸气数据匹配于平滑化分段线性校正的最低峰呼气数据。上述测试了具有相当小幅度和短持续时间的干扰信号。但是，还没有筛选大的干扰和假象。大的干扰和假象可以由呼吸模式的变化所引起并表现为呼吸检测中的难题。这些变化的常见实例是患者改变体位、经口呼吸、严重的气流受限性呼吸以及呼吸时相后的异常呼吸。用以下的技术检测不太可能的最高和最低峰，至此它们已经通过了所有的平滑化测试。

现在检查多次连续的呼吸以进一步地剥夺一些最高峰和最低峰的资格。用最高峰对和最高峰对链检查多次连续的呼吸以进一步地从吸气峰的侯选列中剥夺一些最高峰的资格。一直到3.5分钟，形成了连续的最高峰对以及最高峰的最高峰对的组并由算法的模块10100测试以得到最高峰链。最高峰对和最高峰链的测试是用于测试更长时间段内的呼吸。最高峰对测试覆盖了整个呼吸周期以及最高峰链测试覆盖了与多次呼吸的吸气和呼吸相关的最高峰。测试了多次呼吸，通常是2到5次呼吸，提供了呼吸样本，其中如果呼吸是正常的，那么关于患者的数据可被用于控制机器。

从例如在图5所示的最高峰的阵列中，检查任何两个连续的最高峰之间的呼吸时相以形成最高峰对例如250和450、或450和650、或650和850。

在对最高峰对的检测中，我们得到三组参数表示最高峰对。第一组参数与持续时间相关。第二组参数与信号的“形态”相关，它包括外持续时间内的信号水平的变化、以及内持续时间内的不同信号水平的位置指数。第三组参数是在内持续时间的信号期间的干扰指数。

首先，测试最高峰看吸气持续时间是否是至少0.75秒，这是我们的测试所要求的最小的吸气持续时间。

其次，测试最高峰之间的持续时间看它们是否是小于10秒。

第三，最高峰之间的信号水平不能超过由下面公式所定义的阈值“T”：

T＝两个峰的较低峰的最高峰-(两个峰的较低峰的最高峰-彼此之间的最低峰)/5。

图10显示了一个最高峰1250、一个最高峰1450、一个最低峰1401以及阈值T。在图10中，峰1270是在峰1250和1450之间并超过了阈值T，所以将最高峰250和1450的最高峰对排除作为最高峰链中的一个最高峰对。

对于每个可接受的最高峰对，进行其他的测试以确定最高峰对的形态。如图11A所示，显示了具有最高峰1650和第二个最高峰1850的最高峰对。最高峰对的持续时间是吸气流速最高点1650和1850之间的持续时间D，它必须是在0.75秒和10秒之间。1650的信号水平的变化是起点的变化Var_s以及1850的信号水平的变化是终点的变化Var_e。从在 1801的两者之间的最小信号数值中测定出变化。在图11B中，对于下降信号数值，将信号数值平滑化为虚线L，而对于上升信号数值，将信号数值平滑化为虚线R。当信号数值下降时，虚线L随着信号数值，然后水平绘制虚线L直到数值再次减低。同样，当信号数值上升时，虚线R随着信号数值，然后水平绘制虚线R直到数值再次增高。根据图11B中的虚线L和R的左侧和右侧的信号数值，显示了在相应地代表最高峰信号水平1650的5％、25％、50％、75％和95％的点L_5、L_25、L_50、L_75和L_95上所测定的吸气的左侧或下降部分以及吸气的右侧或上升部分的信号数值的时间。也记录了在相应地代表最高峰信号水平1850的5％、25％、50％、75％和95％的R_5、R_25、R_50、R_75和R_95上的信号数值。

确定了在5％、25％、50％、75％和95％位置上的时间的吸气气流信号和近似线L及R之间的差别。然后计算出平均和最大干扰水平。

例如变化1620是峰1660和在下降信号气流L上的50％1650数值之间的差别，以及变化1812是在峰1850和上升气流R的50％数值之间的变化。

现在用最大峰对的统计学测定法确定可接受的最高峰链。第一个最高峰链测试是在算法的模块10110中运行的相似性测试。它测试了最高峰链中的最高峰对之间的相似性。

在对最高峰对的相似性测试中有七(7)种构件。参照图11A，构件是持续时间D、外持续时间内的信号变化、内持续时间内的平均信号水平、外持续时间内的信号“形态”、外持续时间内的信号“形态”、平均干扰水平以及最大干扰水平。

这些构件被定义为：

最高峰对的持续时间是最高峰对中的起始最高峰和终末最高峰之间的时间。

用Var表示最高峰对的外持续时间内的信号水平的变化，它被定义为起始变化Var_s和终止变化Var_e的变化的平均值，即

Var＝(Var_s+Var_e)/2

用Aver表示内持续时间内的平均信号水平，它被定义为：

Aver＝(Value_s+Value_e+2*Value_m)/4+C

其中，Value_s和Value_e是最高峰对的起始和终末的最高峰的数值，Value_m是最高峰对的最高峰之间的最小值，以及C是与数据采集的设置相关的常数。C可以是患者流速数值的动态范围的1/4以减少小的气流数值对平均气流数值的影响。

用Asy表示对最高峰对中的信号“形态”的不对称测定，它被定义为最高峰对的起点和终点之间的信号变化的相对差异，即

Asy＝(Var_e-Var_s)/(max(Var_e，Var_s)+1)

其中Var_s和Var_e是对高峰对的起点和终点之间的信号变化，以及max(Var_e，Var_s)是Var_s和Var_e之间的最大值例如点1810。

对最高峰对的信号“形态”的测定。用如图11B所示的线L和线R的左侧和右侧5％、25％、50％、75％和95％位置确定形态。信号形态比较了在5％、25％、50％、75％和95％位置的数值以表示呼吸的形态。

用Noise_aver表示平均干扰水平，它被定义为：

Noise_aver＝(Noise_averS/Var_s+Noise_averE/Var_e)/2

其中Noise_averS和Noise_averE是最高峰对的起始和终末的平均干扰水平，Var_s和Var_e是最高峰对的起点和终点之间的信号变化。

用Noise_max表示最大干扰水平，它被定义为：

Noise_max＝(Noise_maxS/Var_s+Noise_maxE/Var_e)/2

其中Noise_maxS和Noise_maxE是最高峰对的起始和终末的最大干扰水平，Var_s和Var_e是最高峰对的起点和终点之间的信号变化。

对于七种构件的每个构件，计算了多种统计学测定值，它们包括如下所定义的平均值、标准差、平均和最大误差：

对于给定的数据组d_i，i＝1，2，...，N，该数据组的平均值Mean_d被定义为：

Mean_d＝(∑d_i)/N，i＝1，2，...，N

该数据组的标准差Std_d有着以下的公式：

Std_d＝((∑d_i)²/N)^0.5，i＝1，2，...，N

平均和最大误差被定义为数据组的单个数据和它的平均值之间的平均和最大误差。

我们首先从单个最高峰对中计算出其中构件，并从序列的所有最高峰对中得到每个构件的四个统计学分析结果。最后，我们定义了“相似性”测试的两个指数，称为平均指数和误差指数。平均指数是：

平均指数＝持续时间指数+非对称性指数+干扰指数

持续时间指数是对如何接近于平均持续时间的测定值，一个最高峰对的序列形成了一个“标准的”持续时间。最高峰对的持续时间被分为五类，称为短、短中、中和长中、以及长持续时间。如果平均持续时间是更接近于中持续时间的范畴，小数目被赋予平均指数，否则更大的数目被赋予平均指数。非对称性指数是与(Asy-1)成比例，即如果最高峰对的“形态”具有更高的对称性(Asy～＝1)，小数值被赋予非对称性指数。干扰指数是对最高峰对的信号水平与信号的“标准形态”的接近度的测定，它由平均和最大干扰水平所表示。

通过将平均指数开始为1计算平均指数，并按如下调整：

下面是持续时间的分类：

如果平均持续时间是非常的短≤2s，那么平均指数增加2。

如果平均持续时间是相当的短在2s和3s之间，那么平均指数增加1。

如果平均持续时间是相当的长≥7.5s并＜8.5s，那么平均指数增加1。

如果平均持续时间是非常的长≥8.5s，那么平均指数增加2。

如果非对称性是小的(平均非对称性-1≤0.3s)，那么平均指数增加1。

如果非对称性是中等的(平均非对称性-1≤0.5s)，那么平均指数增加2。

否则，平均指数增加3。

如果平均干扰是小的(平均的平均干扰≤0.16以及平均最大干扰≤0.4)或(平均的平均干扰≤0.2以及平均最大干扰≤0.33)，那么平均指数增加1。

如果平均干扰是中等的(平均的平均干扰≤0.33以及平均最大干扰≤0.75)或(平均的平均干扰≤0.4以及平均最大干扰≤0.66)，那么平均指数增加2。

否则，平均指数增加3。

将所生成的平均指数减去3，并将其限定于从1到4的范围内。因此，平均指数可以具有1、2、3或4的数值，以及更小的数值意味着最高峰对最可能是来自于后继的呼吸。

根据“分类”的原理设计平均指数，我们首先在脑子中有一个“标准的”信号形态(中等持续时间、对称、和“无干扰”)，然后平均指数是对来自单个最高峰对的每个信号模式如何接近于“标准的”模式的测定。误差指数是根据对来自所有最高峰对的样本数据在序列中的分布的测定，如果样本数据是彼此太接近的(更相似的)，误差或标准差是小的，以及误差指数将一样是小的。

根据参数持续时间、变化、平均信号水平、不对称性、左斜线形态和右斜线形态的平均误差和最大误差的数值可计算出误差亚指数。误差指数是除了不对称性以外的所有构件的平均和最大误差的亚指数的总和。序列内的所有最高峰对的一种构件彼此越接近，那么亚指数的数值更小，因此误差指数的数值就更小。

误差亚指数的数值依赖于不连续的分类。每种类型被如下定义：

平均误差不超过一个阈值以及最大误差不超过另一个阈值以及前一个类型所不具有的条件。

分类如下：(平均误差和最大误差阈值)

如果是(0.12和0.33)或(0.18和0.24)，则为类型1

如果是(0.18和0.48)或(0.27和0.36)，则为类型2

如果是(0.25和0.75)或(0.37和0.50)，则为类型3

如果是(0.32和0.96)或(0.48和0.64)，则为类型4

如果是(0.40和0.12)或(0.60和0.80)，则为类型5

如果是(0.50和1.50)或(0.75和1.00)，则为类型6

其他为类型7。

通过利用平均指数和误差指数，我们进行了“相似性”测试。如果最高峰对的序列已经通过了测试，那么就找到了最高峰链。换句话说，最高峰链是具有相似模式的最高峰对的汇集。最高峰链中的最高峰对的数目优选地是从3到6个最高峰对。应当注意到最高峰链只是一个指数载体，以及载体的每个构件都是最高峰对的指数。

如图37中的每个最高峰对的序列大小的组合的相似性表所示，这里有相应的具有阈值误差指数的平均指数，所接受的序列不能超过该指数。

相似呼吸的链显示患者正在以稳定的模式呼吸，并且可以分析呼吸以控制CPAP机器或其他呼吸辅助设备。

当完成对最高峰链的处理之后，该处理已经从最高峰链中消除了一些最高峰对，在模块10120中验证最高峰链。在验证处理期间，将最高峰对添加到在模块10110的最高峰链处理中已被删除了最高峰对的最高峰链中可能是必要的。

在模块10120的验证中，我们首先调出在模块10110中所生成的起始的球面最高峰和最低峰阵列的数据，并比较了最接近的最低峰阵列，使得最高峰阵列中的吸气起点应当匹配于最低峰阵列的呼气终点，以及最高峰阵列的呼吸起点应当匹配于最低峰阵列的吸气终点。

因此，对于给定的最高峰3050，我们计算出最高峰3050的位点到从如图12A所示的最低峰阵列中的最接近的左位点4150之间的持续时间，用left_min表示。如果持续时间比预先设定的阈值更长，这就意味着我们可能已经删除了一次球面最高峰，作为在模块10110的最高峰链处理步骤中的平滑化处理的结果。因此，将一个新的最高峰3150加入到起始的球面的最高峰阵列中，并且这个“丢失的”最高峰应当不“远离”于最低峰的最接近的左位点4101。为了添加一个新的最高峰，我们尽力地去用最初的最高峰数据即来源自模块10030的最高峰覆盖所“丢失的”峰位点。然后峰位点被定义为最高峰指数，它是最接近的左位点即 left_min 4101，以及这个所添加的最高峰的左3101和右3201位点(指数)可以是如在后面所定义的那样随意的。这个处理被称为最高峰“左侧”验证。相同的方法可被应用于最高峰“右侧”验证，其中我们计算出最高峰3250的位点到俩子最低峰阵列的最接近的右位点4201之间的距离right_min。如果这个持续时间比预设的阈值更长，那么可以包括一个额外的最高峰。我们也有如图12B所示的最低峰的“左侧”和“右侧”验证。因此，我们有四个“基于边”的验证。在基于边的数据之后，算法用“基于峰”的数据检查了新峰。如图13所示的基于峰的检查检测了是否在起始的球面的最高峰阵列中的一对任何最高峰例如3450和3650之间是否存在着最低峰。如果没有最低峰的数据，我们需要添加新的最低峰4550。这个新的最低峰指数(位点)被定义为其信号水平是在这个最高峰对内的最低点的位置，并且新的最高峰对的左和右位点(指数)3401和3690也是随意的。如果需要，根据“基于最低峰”的验证，我们用同样的方法添加新的最高峰。

在算法的验证中的下一个测试是一种用两种测定进一步检查最高峰和最低峰阵列的排除方法。第一个测定是信号水平验证。如果任一最高峰对或最低峰对内部的信号水平仍然没有变化，这个最高峰对或最低峰对必须被删除，以及也必须从阵列中排除相应的最低峰对或最高峰对。这个验证针对于去除具有恒定信号水平的最高峰或最低峰。这将消除面罩脱落或其他流速信号没有变化的故障的情况。第二个测定是两个连续的最高峰对或最低峰对之间的持续时间4600以及显示了呼吸的持续时间和容积的面积4700。如果两个对具有的持续时间太短，那么这些对是彼此太“接近的”。因为呼吸是太短的，所以应当从阵列中排除在峰位点上具有较小的信号水平幅度的最高峰对或最低峰对。为了定义一个两个连续的最高峰对或最低峰对之间的“近似性”指数，我们首先计算出如图14所示的这两个最高峰对的持续时间(Dur)4600和面积(Area)4700。对于给定的第i个和第(i+1)个最高峰对，检验了Dur(i，i+1)以及Area(i，i+1)。然后如下我们得到了相对持续时间Dur(i，i+1)r、平均面积Area(i，i+1)ave、以及最大面积Area(i，i+1)max：

Dur(i，i+1)r＝2*Dur(i，i+1)/(Dur(i-1，i)+Dur(i+1，i+2))

Area(i，i+1)ave＝Area(i，i+1)/(Area(i-1，i)+Area(i+1，i+2))

Area(i，i+1)max＝Area(i，i+1)/min(Area(i-1，i)，Area(i+1，i+2))

其中min(Area(i-1，i)，Area(i+1，i+2))是Area(i-1，i)和Area(i+1，i+2)中的最小值。

如果满足以下的任一条件，两个最高峰对被定义为太“接近”：

1.Dur(i，i+1)r＜＝0.5和Area(i，i+1)max＜＝0.5和Area(i，i+1)aver＜＝0.1

2.Dur(i，i+1)r＜＝0.5和Area(i，i+1)max＜＝0.33和Area(i，i+1)aver＜＝0.125

3.Dur(i，i+1)r＜＝0.75和Area(i，i+1)max＜＝0.4和Area(i，i+1)aver＜＝0.08

4.Dur(i，i+1)r＜＝0.75和Area(i，i+1)max＜＝0.25和Area(i，i+1)aver＜＝0.1

5.Dur(i，i+1)r＜＝1和Area(i，i+1)max＜＝0.33和Area(i，i+1)aver＜＝0.066

6.Dur(i，i+1)r＜＝1和Area(i，i+1)max＜＝0.2和Area(i，i+1)aver＜＝0.08

如果发现两个最高峰对是太“接近的”，从阵列中排除在峰位点上具有较小的信号水平幅度的最高峰对。如图15A所示，应当删除第(i+1)最高峰对，图15B显示了在排除第(i+1)最高峰对后的最高峰对阵列。同时，也应当排除与被删除的最高峰对相关的最低峰对。相同的方法可被应用于最低峰检查处理中。

如图15A和15B所示，当区域5100被消除后，下降斜线5075仍在原位，上升斜线5225’填补了去除区域5100后所留下的空隙。在消除区域5100之前和之后，持续时间6000仍是相同的，而持续时间6200增加了持续时间6100称为了持续时间6200’。上升斜线5225’的形态和长度已经不同于斜线5225，而所有的其他斜线都仍无变化。

先前的验证去除了一些彼此太接近的最高峰对和最低峰对。算法的下一步是检查邻近的最高峰或最低峰对看是否它们是离得太远。如果它们是离得太远，可能已经意外地删除了一些真实的最高峰或最低峰。在此所用的主要标准是对最高峰和最低峰之间的持续时间的测定。如果该持续时间比预设的阈值要更长，我们查看了最初的局部的最高峰或最低峰数据看是否有任何一个峰已经被作为附加的球面的最高峰或最低峰而被剥夺资格。在这个验证中，使用了两种类型的“长距离”测定：“4秒”验证和“10秒验证”。在“4秒”验证中，算法的步骤是：

1.计算出每个最高峰对内的任一峰位点与最接近的最低峰对的峰位点之间的持续时间。

2.如果持续时间长于Td＝4秒，那么从最初的局部的最高峰和最低峰组中搜索出新的最高峰和新的最低峰。可能的侯选者必须满足三个条件，称为位点、信号幅度和平滑化。图16显示了插入到峰位点6550和6750之间的新的最高峰和最低峰对。三个条件被定义为：

a.位点条件：相应地从最高峰6550或最高峰6750到新的最高峰6650的最小持续时间5500或5600必须不能短于1秒。同样的，相应地从最高峰6550或最高峰6750到新的最低峰7650的最小持续时间5300或5400必须不能短于1秒。另外，新的最高峰6650应当位于最高峰6550和最高峰6750之间的半路处，而新的最低峰7650应当位于最低峰7550和最低峰7750之间的半路处。

b.幅度条件：如图17所示，新的最高峰6650和最低峰7650的幅度必须大于阈值Ap，Ap依赖于相邻的最高峰和最低峰的幅度。其中

Ap＝Amin+0.75*Avar

Amin＝ALmin和ARmin中的最小值

Avar＝(ALmax+ARmax)的平均值减去(ALmin+ARmin)的平均值

参照字符L代表左手或时间数据中的先于新插入的最高峰或最低峰的部分，以及R代表时间数据中晚于新插入的最高峰或最低峰的部分。

从峰位点6550之前的多个对(建议最多到4个对)中计算出ALmax和ALmin参数，以及从峰位点6750之后的多个对(一样最多到4个对)中计算出ARmax和ARmin参数，

c.平滑化条件：在图16中所添加的最高峰6650和最低峰7650被认为是相当平滑的，这可通过比较线L和R的干扰水平与这两个峰内的信号变化(如图16中所示为内变化V)来测试。为了计算出线L和R的干扰水平，如图16所示，我们首先为线L和线R定义出“单一线”。然后我们计算出线L或线R和在一些点例如最高点的5、25、50、75和95百分比点上的实际气流信号数据水平之间的差异。最后，我们定义出平均和最大的干扰水平。如果平均干扰小于内变化V的12.5％以及最大干扰小于V值的50％，那么新的最高峰和最低峰就通过了平滑化条件测试。

如果满足了所有的三个条件(a、b和c)，将新的最高峰和最低峰对插入到峰位点6550和6750之间。

然后算法测试了长持续时间或10秒的验证。持续时间阈值被定义为10秒，即如果每个最高峰对中的任一峰位点和最接近的最低峰对的峰位点之间的持续时间大于10秒，那么必须添加新的最高峰和最低峰对。对于新添加的最高峰和最低峰也有三种测定，称为持续时间比值、信号水平比值和干扰比值。

a.持续时间比值：对于任何需测试的最高峰对和最低峰对，我们首先计算出在需测试的最高峰和最低峰对之后的所有连续的最高峰和最低峰对的平均持续时间。然后，我们定义出对持续时间比值Dur_ratio的测定为：

如果Dur_aver＞Dur，那么Dur_ratio＝Dur/Dur_aver

否则Dur_ratio＝Dur_aver/Dur

b.信号水平比值：从需测试的最高峰和最低峰对的点开始，我们得到了形成所有最高峰和最低峰对的最低和最高点，用S_min和S_max表示。信号水平比值S_ratio被定义为：

S_ratio＝S_diff/(S_max-S_min)

其中S_diff是需测试的最高峰和最低峰之间的不同的信号水平。

c.干扰比值：需测试的最高峰和最低峰对内部的干扰水平，以及用在5％、25％、50％、75％和95％的流速值处的相似的“五点”测定值找出平均干扰水平N_aver。然后干扰比值N_ratio被定义为：

N_ratio＝N_aver/S_diff

与先前的方法不同，我们定义了一个测定值Comb_ratio，它是测试最高峰和最低峰对的三个比值的组合。Comb_ratio被定义为：

Comb_ratio＝S_ratio*Dur_ratio*(1-N_ratio)

将具有最大值Comb_ratio的最高峰和最低峰对添加为球面的最高峰或最低峰阵列中的新的对。对Comb_ratio的测定常被作为一种“相似性测试”，它意味着一个最高峰和最低峰对与其他的对越接近，那么该对被添加到球面的最高峰和最低峰阵列中的可能性就更大。

球面平滑化处理的最后步骤是更新球面的最高峰和最低峰阵列。因此，我们可以从更新后的球面的最高峰和最低峰阵列中得到以下的信息。

每个最高峰后都跟有最低峰。

每个最高峰都与可能的吸气相相关，以及随后的最低峰可能表示呼气相。

然后在模块10130中，算法用上述调整的球面气流数据确定出吸气间期。

所估计的呼吸的吸气和呼气的起点和终点是发生呼吸的流入和流出的转折点。在这些转折点上，气流数据开始显著地增加。当如图18所示的将吸气和呼气数据结合到一个图上时，显示了吸气气流峰8250、8450和8650以及呼气气流峰8350、8550和8750。转折点是气流从零到显著增加或减少的变化的点，如吸气的点8201、8401和8601以及呼气的点8301、8501和8701。图显示了吸气区域8400和呼气区域8500。吸气相的起点是呼吸相的终点。

为了估计吸气间期，鉴别出最高峰和最低峰。优选地从250赫兹的最初测定数据中而不是从来自上述的调整数据的10赫兹调整的球面数据中选出与最高峰相关的指数点。这将变换发生最大和最小气流的点。通过使用更少的数据点，用10赫兹的数据缩短计算时间。一旦建立了峰，选出转折点并计算出吸气和呼气的面积。吸气面积应当约等于呼气面积。吸气和呼气的转折点应当是约相等的数值。图18显示了转折点8201、8301、8401、8501、8601和8701。最高峰是8250、8450和8650。最低峰是8350、8550和8750。吸气区域8400和呼气区域8500是如图18所示的三角形区域。吸气区域8400的三角形的角是8401、8450和8501，以及呼气区域8500的三角形的角是8501、8550和8601。8501应当是吸气转折点和呼气转折点的相同值或近似相同值。

现在在模块10140中通过如图10所示的更详细地检验数据微调上述的模块10130的吸气和呼气转折点的近似以确定出最接近的吸气和呼气点，它更接近地近似了真实呼吸的形态。

当在面罩中测定气流时，在吸气相和呼气相期间的气流的量可能是不同的，特别是当患者用他们的嘴呼吸时，已知这是“气流不平衡”。另外，所收集到的数据还有“面积不敏感性”问题。它的发生是因为当患者开始吸气时，气流信号水平快速增加，但对气流面积的测定是一个整合的过程，它比气流信号本身的变化要慢得多。换句话说，气流面积的变化对于准确地测定出气流信号快速变化的吸气的起点是不够敏感的。尽管“气流不平衡”和“面积不敏感性”影响了对吸气间期测定的准确性，但是计算气流面积的简单和廉价的计算方法提供了一种以合理的准确性估计出吸气间隔的好方法。用所估计出的结果，还进行了根据检测气流信号模式的变化对吸气起点的微调。从信号测定点的角度看，吸气相的起点被定义为气流信号开始“显著”增加的点。这个对吸气起点的定义是相当有用的(robust)。采用三级线性近似法检测吸气的起点。通过使用三级分段线性近似法，三条斜线比单一斜线将更接近地近似出吸气和呼气以进一步地确定出呼吸的形态。

图19显示了在吸气的上升斜线上的第一条斜线8819、第二条斜线8820和第三条斜线8830以及两条更斜的近似吸气的下降斜线的线8840和8850。

下面计算了一级、二级和三级方程：

1.在图20A中显示了一级线性近似。

对于给定的气流信号F(k)，k＝i，i+1，...，i+m，如在一级线性近似法中所示的，定义出了一个线性方程F’(k)为：

F’(k)＝a+b*(k-i)

其中常数a＝F(i)，以及斜率b＝(F(i+m)-F(i))/m。

F(k)与F’(k)之间的差异可被计算为：

Diff(k)＝|F(k)-F′(k)|＝|F(k)-a-b*(k-i)|

在本研究中的近似的误差被定义为：

Err_one＝max(Diff(k))

其中，max(Diff(k))是Diff(k)的最大值。

然后在图20A中用虚线显示出一级近似。

2.在图20B中显示了二级线性近似。

对于给定的气流信号F(k)，k＝i，i+1，...，i+m，二级线性近似法定义出了一个分段线性方程F’(k)为：

对于第一条斜线，F’(k)＝a1+b1*(k-i)，k＝i，i+1，...，m1

对于第二条斜线，F’(k)＝a2+b2*(k-m1-1)，k＝m1+1，ml+2，...，i+m

其中两个常数a1和a2被定义为：

a1＝F(i)，

a2＝F(m1+1)

用下面的公式计算出两个斜率b1和b2：

b1＝(F(m1)-F(i))/(m1-i)

b2＝(F(i+m)-F(m1+1))/(i+m-m1-1)

用下面的公式得到F(k)与F’(k)之间的差异：

对于第一条斜线，Diff(k)＝|F(k)-F′(k)|＝|F(k)-a1-b1*(k-i)|，k＝i，i+1，...，m1

对于第二条斜线，Diff(k)＝|F(k)-F′(k)|＝|F(k)-a2-b2*(k-m1-1)|，k＝m1+1，m1+2，...，i+m

然后近似误差被定义为：

Err_two＝max(Diff(k))

近似误差Err_two是一个m1的函数，m1是所谓的转折点(如图20B所示)。用搜索处理找出该转折点。从m1＝i+1开始，得到近似误差Err_two(i+1)。当m1增加到i+2，i+3 ，...，i+m-1时，我们已经有一组近似误差Err_two(i+2)，Err_two(i+3)，...，Err_two(i+m-1)。如果Err_two(j)是误差组中的最小值，那么转折点m1＝j。如我们在图20A所见的那样，气流信号在转折点m1上表现出显著的变化(增加)。

3.三级线性近似

在三级线性近似中，依据如图G-1c中所示的最小近似误差，我们需要定义出两个转折点m1和m2。对于给定的气流信号F(k)，k＝i，i+1，...，i+m，三级线性近似被表达为：

对于第一条斜线，F’(k)＝a1+b1*(k-i)，k＝i，i+1，...，m1

对于第二条斜线，F’(k)＝a2+b2*(k-m1-1)，k＝m1+1，m1+2，...，m2

对于第三条斜线，F’(k)＝a3+b3*(k-m2-1)，k＝m2+1，m2+2，...，i+m

F(k)与F’(k)之间的差异为：

Diff(k)＝|F(k)-F′(k)|＝|F(k)-a1-b1*(k-i)|，k＝i，i+1，...，m1

Diff(k)＝|F(k)-F′(k)|＝|F(k)-a2-b2*(k-m1-1)|，k＝m1+1，m1+2，...，m2

Diff(k)＝|F(k)-F′(k)|＝|F(k)-a3-b3*(k-m2-1)|，k＝m2+1，m2+2，...，i+m

其中常数a1、a2和a3被定义为：

a1＝F(i)，a2＝F(m1)，a3＝F(m2)

如下计算出三个斜率：

b1＝(F(m1)-F(i))/(m1-i)

b2＝(F(m2)-F(m1+1))/(m-2m1-1)

b3＝(F(i+m)-F(m2+1))/(i+m-m2-1)

然后近似误差为：

Err_two＝max(|F(k)-F′(k)|)

用与二级线性近似相似的搜索方法确定出m1和m2的数值。即当我们改变m1和m2的数值时，我们得到了一组近似误差Err_three。然后，当Err_three达到最小值时，选择转折点m1和m2。

现在能更准确地确定出转折点，它将被用于更准确地凸现出吸气的起点。

图5的单个吸气斜线图没有显示出真实的呼吸形态。吸气的流速变化不是恒定的。图19显示了更为真实的吸气气流的呼吸形态。对于检测吸气起点的目的，我们可以集中于最低值和最高值之间的气流信号之间的时间间期。在这个时间间期内，根据气流速度，常见的气流改变有着三个“期“，对于图19的情况，它具有例如慢变化、快变化和再次慢变化。在这个模式中，有两个表示气流速度变化的转折点8801和8802，气流信号表现为显著上升的第一个转折点被定义为吸气的起点。应当注意到有着多种呼吸模式，但是在绝大多数情况下，对于检测起点的目的，三条分段线对于近似吸气的加速期是足够准确的。三条分段线的三级线性近似法被用于最优化地近似出位于吸气的加速期的气流信号。三级线性近似处理的结果包括两个转折点8801和8802以及三个斜线8810、8820和8830的相应的斜率值S1、S2和S3。转折点8801和8802是吸气起点的主要侯选者。检测起点的标准是简单地比较在转折点8801和8802上的气流信号水平的相对变化。当测试时，如果转折点8802是起点，我们首先计算4个参数，其中两个是信号变化以及两个是持续时间变化。这些参数被如下定义：

Var_ref＝F_B2-F_min

Var_B2＝F_max-F_B2

Dur_ref＝B2-P_min

Dur_B2＝P_max-B2

如果满足以下条件中的一个，那么8802被定义为吸气的起点。

1.Var_B2＞＝1.5*Var_ref和Dur_B2＜0.5*Durr_ef

2.Var_B2＞＝2*Var_ref和Dur_B2＜0.6*Dur_ref

3.Var_B2＞＝2.5*Var_ref和Dur_B2＜0.75*Dur_ref

4.Var_B2＞＝3*Var_ref和Dur_B2＜Dur_ref

5.Var_B2＞＝3.5*Var_ref和Dur_B2＜1.2*Dur_ref

6.Var_B2＞＝4*Var_ref和Dur_B2＜1.5*Dur_ref

7.Var_B2＞＝4.5*Var_ref和Dur_B2＜2*Dur_ref

8.Var_B2＞＝5*Var_ref和Dur_B2＜3*Dur_ref

9.Var_B2＞＝7*Var_ref和Dur_B2＜4*Dur_ref

10.Var_B2＞＝9*Var_ref和Dur_B2＜5*Dur_ref

11.Var_B2＞＝12*Var_ref和Dur_B2＜6*Dur_ref

为了测试转折点8801，我们也以相似的方法计算出了4个参数，即

Var_ref＝F_max-F_B1

Var_B1＝F_B1-F_min

Dur_ref＝P_max-B1

Dur_B1＝B1-P_min

如果满足了十一(11)条条件的其中一个条件，那么转折点8801被测试为吸气的起点，与转折点8802比较，测试转折点8801的条件的唯一变化是用Var_B1(Dur_B1)取代Var_B2(Dur_B2)。

用相同的十一(11)条条件也可将转折点8801定义为吸气的起点，但

是我们需如下重新计算四(4)个参数：

Var_ref＝F_B2-F_B1

Var_B1＝F_B1-F_min

Dur_ref＝B2-B1

Dur_B1＝B1-P_min

在检测出吸气的起点后，然后我们在下降的气流信号段上搜索出吸气的终点。检测出吸气的终点，其中的信号水平与吸气的起点的信号水平相同。

实行微调处理以微调每次呼吸的所有的估计的起点和终点。然后我们就有了一个吸气间隔阵列，它包括每次呼吸的起点和终点位置的所有指示物。

在下降斜线上具有与吸气起点相同的数值的点被当作是吸气的终点。

现在计算出每次呼吸的吸气和呼气的起点和终点并将其用于控制SPAP机器。每次呼吸的流速也是已知的并可被用于控制SPAP机器。

用所收集到的数据，SPAP机器需要检测出三种类型的呼吸事件，称为呼吸暂停和呼吸不足、打鼾、以及吸气气流受限。第一种类型的事件(吸气暂停和呼吸不足)与吸气气流的减低有关，它是从所收集到的吸气流速数据中直接收集到的。打鼾和吸气流速限制是更可能发生于“异常的”呼吸时相中。如图21A所示，对于“正常的”呼吸，吸气气流峰的信号的“形态”表现为“圆形”并且是相对平滑的。当存在打鼾时，如图21B所示，在吸气期间可见高频气流信号。吸气气流受限被定义为患者在吸气相的最先一半的时间间期内不能生成连续的气流增加时的事件。因此，如图21C所示，吸气气流峰的气流信号被称为“平坦”。在模块10150中进行的平坦分析中，我们根据最小平方误(LSE)法用最佳符合法确定出吸气图的峰的气流信号的参照“平坦”线，并如图21C所示的将在此期间内的气流信号和参照的“平坦”线之间的差异计算作为平坦误差。具有最小值的平坦误差被定义为平坦指数。然后用平坦指数测定气流受限。平坦指数越小，吸气气流受限就越严重。对于图21D的情况，气流受限比图21C中的更为严重。因此，区域1和2中的信号数据是只被用于计算平坦误差的数据，这样可得到更小的平坦误差和平坦指数。已经发展出表示打鼾程度的打鼾指数。打鼾指数被定义为对吸气气流的峰上的高频信号的量的测定值。

平坦指数测定了吸气气流受限。在平坦指数分析中有着两个步骤。首先确定出参照“平坦”信号水平。参照“平坦”信号水平近似了吸气气流。通过用最小平方误(LSE)法将其找出。其次计算出平坦指数。通过计算气流信号相对于该参照的“平坦”水平的误差找出平坦指数。

1.参照“平坦”信号水平：

对于给定吸气气流的参照“平坦”信号水平被定义为具有长度为吸气间隔的60％的直线。该直线斜线可以是平坦的、上升的或下降的。另外，每个吸气相的“平坦”信号水平必须是根据最小平方误法被最佳符合到给定的间隔(总吸气相的60％)内的气流信号的直线。用“二维”(2-D)搜索法找出参照平坦信号水平，它包括水平(时间)和垂直(气流)搜索。以下是2-D搜索法：

在水平搜索处理中，如图22A和22B所示，对于在吸气间隔(Ins_startIns_end之间)内给定的气流信号F，直线的长度被定义为0.6*(Ins_end-Ins_start)。从点Ins_start+0.05*(Ins_end-Ins_start)开始，我们用LSE找到一条组合气流信号的直线。该处理每10ms持续一次，直到“平坦”线的终点等于或小于Ins_end-0.05*(Ins_end-Ins_start)。水平搜索生成了一组如图22A所示的具有以下方程的直线Y：

Y_i＝A_i+B_iX_i

其中，i＝1，2，...，m，m＝0.4*(Ins_end-Ins_start)/10，是组中的直线的编号。X_i是时间(气流信号的)指数，A_i和B_i是直线的参数，它们被定义为：

A_i＝(∑F(X_j)-B_i∑X_j)/L

B_i＝(L*∑(F(X_j)*X_j)-(∑F(X_j))*(∑X_j))/D

其中，L＝0.6*(Ins_end-Ins_start)

D＝(L*(∑(X_i)²)-(∑X_i)²)，

利用时间指数的变化，我们得到了一组参照“平坦”线Y_i，如图22A 所示，i＝1，...k...，m。线k是作为计算平坦误差和指数的参照“平坦”线的最佳侯选者，因为它是最平坦的并被重新绘制于图22B中。但是，根据对平坦误差和指数的定义，这里存在着三个问题。第一，图22B上的点1之前的信号和点2之后的信号不应当被用于计算平坦误差和指数。第二，需要从计算值中去除区域2和线Y_k的信号之间的差异。第三，在去除了象k的这些部分之后，对于剩余信号，信号不再具有所计算的LSE。

通过检测图22B上的间隔k的起点和终点的交叉点，点1和点2可以解决第一个问题，并只用这两个交叉点之间的信号计算误差和指数。通过根据垂直搜索调整参照“平坦”误差可以解决第二个和第三个问题。对于水平搜索所形成的给定的参照“平坦”线I，我们计算出如图23A所示的间隔i内的气流信号F和“平坦”线之间的差异。最大和最小偏差用DP和DN表示。保持线I的斜率相同，我们按DP/4、DP/2、3*DP/4和DP增加了线I的起点和终点形成线I₁到I₄，它们都平行于线I₅。用相似的方式我们按DP/4、DP/2、3*DP/4和DP降低线I的起点和终点形成线I₆到I₉。因此，我们得到了从线I1到I9的一组九(9)条平行线，并根据这九(9)条平行线我们进一步计算出平坦误差和指数。

在计算平坦误差上有四个阶段。对于给定的时间指数I，我们得到一组九(9)条被称为I₁到I₉的平行线。对于来自一组线-I，j＝1，2，...9的一条给定的线(i，j)，我们找到了来自间隔i起始的交叉点点1以及来自间隔i结束的第二个交叉点点2，图23B显示了点1和2。从交叉点1开始，我们计算出气流信号和线(i，j)之间的平均差，直到信号达到交叉点2，但要除外气流信号小于线(i，j)的区域2内的信号。平均差用E′(i，j_start_end)表示，它表示吸气气流如何地接近于参照“平坦”线即线(i，j)。在平坦分析中，我们不仅需要直到吸气气流如何地接近于直线，还要直到该直线是如何的“平坦”。测定吸气相期间的平均气流信号是有用的。为了测定该“平坦”，我们计算出加权平坦误差E(i，j_start_end)，它被定义为：

E(i，j_start_end)＝F_mean1*E′(i，j_start_end)+F_mean2*D_f

其中，F_mean1和F_mean2与吸气相内的平均信号有关，它们被定义为：

F_mean1＝C1/F_mean

F_mean2＝C2/F_mean

F_mean是吸气相内的平均气流信号。它的范围为从150到30不等，限定C1＝1000和C2＝60

D_f是在间隔i的起点和终点的气流信号之间的差异。

因此，加权平坦误差E(i，j_start_end)与参照线(i，j)的斜线的绝对值成比例。这个处理是计算误差的第一步。然后我们固定线(i，j)的起点，如图23B所示按DP/4增加线(i，j)的终点，再次进行阶段1得到误差E(i，j_end_+)。通过将线(i，j)的终点减少DP/4，我们得到误差E(j_end_-)。如图23C所示，我们也固定线(i，j)的终点，并改变线(i，j)的起点得到误差E(i，j_start_+)和E(j_start_+)。在这五个误差中，我们将最小的误差定义为E(i，j)，以及这个处理是计算平坦误差的第二个阶段。在第三个阶段中，我们重复阶段1和2计算出一组线-I，j＝1，2，...9的一组九(9)个误差E(i，j)。然后E(i，j)的最小值被定义为代表时间指数i的平坦误差的E(i)。如发现阶段一样，时间指数从i变化到m，即计算并调整m组参照“平坦”线得到一组m误差，E(i)，i＝1，2，...m。然后将它们中的最小误差值定义为该吸气相的平坦误差，用E表示。然后用这个加权平坦误差作为该研究中的平坦误差，用F_index表示。

在图22C-22F 显示了不同呼吸形态的

LSE误差。在图22C中，显示了具有三个区域误差的圆形呼吸。图22D显示了具有一个误差区域的平坦呼吸。图22E显示了具有斜的呼吸误差区域的斜平坦呼吸。图22F显示了具有两个误差区域的U型呼吸。不计数线以下的中间的误差区域，反映了U型呼吸比平坦呼吸代表上气道阻力的更大的增加。如果气流信号是无干扰的，那么平坦线是相当准确的，但是患者的气流信号不仅是由上气道阻力所决定的，还是由打鼾和动态漏气以及气流湍流所造成的干扰决定的。既然这些因素扭曲了潜在的吸气气流和LSE近似，用随机测试法提高LSE平坦指数的稳固性。测试包括使用多个利用被轻微修饰的原始直线的测试，然后选出作为最佳符合的最小误差。

用所计算出的平坦指数，可以确定出患者的气道的阻塞程度用于辅助诊断吸气暂停和呼吸不足事件。用气流幅度数据鉴别呼吸暂停和呼吸不足事件。

现在在算法的模块10160中确定出打鼾指数。从气流信号的处理的观点触发，打鼾信号被定义为吸气气流信号的峰上的“高频干扰”，以及打鼾指数是对鼾“程度”的测定。因此，对打鼾指数的检测可被认为是对“干扰”信号在幅度和频率上的量的测定值，峰气流信号越吵杂，打鼾指数就越大，打鼾事件就越严重。在这个研究中，我们用以下步骤计算打鼾指数。

步骤1：对于给定的从时间指数Ins_start到Ins_end的吸气相，我们定义出吸气间隔的一半时间为打鼾测试持续时间(Ds)，它位于吸气持续时间的中间，如图24所示。用二级曲线组合技术近似打鼾测试持续时间(Ds)内的气流信号，二级曲线Ys是如在图F-1所示的黑线。二级曲线Ys具有公式：

Ys＝Coef₀+Coef₁*(i-Ins_start)+Coef₂*(i-Ins_start)²

其中，i是时间指数，i＝Ins_start+1，...，Ins_end，以及Coef₀、Coef₁、和Coef₂被定义为：

Coef₂＝((ΔX₂Y)*ΔX₂-(ΔX₁Y)*ΔX₃)/D

Coef₁＝(ΔX₁Y-Coef₂*ΔX₃)/ΔX₂

Coef₀＝(Y₁-Coef₂*X₂-Coef₁*X₁)/X0

Δ＝ΔX₄*ΔX₂-ΔX₃ ²

ΔX₂＝X₂*X₀-X₁ ²

ΔX₃＝X₃*X₀-X₂*X₁

ΔX₄＝X₄*X₀-X₂ ²

ΔX₂Y＝(X₂Y₁)*X₀-Y₁*X₂

ΔX₁Y＝(X₁Y₁)*X₀-Y₁*X₁

X₀＝Ins_end-Ins_start

X₁＝E(i-Ins_start)

X₂＝E(i-Ins_start)²

X₃＝E(i-Ins_start)³

X₄＝∑(i-Ins_start)⁴

Y₁＝∑F(i)

X₁Y＝E(i-Ins_start)*F(i)

X₂Y₁＝∑(i-Ins_start)²*F(i)

步骤2：用“零交叉”法估计出如图F-1所示的在打鼾测试持续时间Ds内的打鼾信号的“频率”和幅度，我们以每Ts＝2ms的时间间隔搜索从Ds起始到结束的气流信号。对于任何“交叉点”j，其中气流信号和近似曲线Ys彼此相互交叉(见图F-1)，计算出在此交叉点上的打鼾幅度S_j，并将其定义为：

S_i＝F_var*Ts*N_Tc

其中，F_var是在该交叉点上的气流信号的变化，以及F_var＝(F(j+1)-F(j-1))，Ts是打鼾取样间隔，它为2ms，以及N_Tc是在此交叉点周围的取样间隔的数目。对于图24的情况，因为交叉点j上的气流水平完全等同于Ys的数值，所以包括了两个打鼾取样间隔，它使得N_Tc＝2，但是，在绝大多数情况中，N_Tc＝1。

步骤3：计算打鼾指数。如果在打鼾测试持续时间内的“交叉点”的数目为N，那么总的打鼾幅度是所有的S_j的总和，即

S_a＝∑S_j，j＝1，2，...，N

打鼾指数，S_index被定义为：

S_index＝S_a/Ds

其中，Ds是打鼾测试持续时间。

现在我们已经描绘出患者的呼吸并已经定位了吸气的起点和吸气的终点、呼气的起点和呼气的终点，并已经得到了呼吸持续时间，确定了流速，查找了呼吸暂停、呼吸不足和打鼾，所汇集的数据可被用于控制用于治疗呼吸疾病的机器。与呼吸相关的数据也可被用于记录患者的用于医学研究的呼吸以及用于一般的患者的监测。数据也可以许多方式用于治疗患者或驱动辅助患者呼吸的机器。在模块10170中分析呼吸并将呼吸按流速、打鼾指数、气流信号范围的减低和其他参数的呼吸数值进行划分部分。

与睡眠相连的正气压系统(SPAP)控制器在算法的模块10180中有一个控制指令的集合，这是用于控制呼吸机器的系统的核心。

控制器遵循大量的用于控制呼吸机器的IF-THEN语句指令。这样的指令结构的实例是：

IF A是a和B是b，或C是c和D是d，THEN X是x和Y是y。

语句的IF部分被称为指令的前提或条件，以及THEN部分是指令的结论。条件可以包括两个或多个平行的用一个‘或’操作符(operator)结合在一起的子条件，并且每个子条件可以有两个或多个用一个‘和’操作符连接在一起的构件。指令的结论可以有一个构件或它可以有两个或多个具有一个‘和’操作符的构件。在我们的命名中，大写字母A、B、C、D、X和Y是条件和结论的变化，以及小写字母a、b、c、d、x和y是每个变化的一个数值。

例如，如果我们定义了作为控制指令中的条件变化平坦指数(FI)、气流信号的减低(RFS)、吸气气流信号水平(FL)、和打鼾指数(SI)，以及作为结论变化的压力变化(ΔP)和压力范围(PR)。那么我们可以定义一个控制指令例如：

指令：IF FI是非常平坦(VF)和RFS是中等的(I)，或FL是中等高的(MH)和SI是轻微的(M)、THENΔP是中等变化(MC)和RP是大范围(LR)。

在每个控制样本时间中，我们测试了指令1中的所有条件。如果满足了条件中的所有构件以及任一子条件，那么指令1是有效的，以及一个命令例如给患者增加压力被发送给泵。例如泵可以被指导增加压力0.5cmH₂O并保持压力在4和20cmH₂O之间。

为了定义一个参数是属于哪个范围内，将一些变化的值分成例如高、中和低的三类、或例如非常高、高、中、低、和非常低的五类的范围是有用的。这些范围有助于控制器给机器提供指令，它是受所设定的数值的范围所控制的，这些范围触发了机器内的不同的设置。

现在说说图25，它是显示FI(平坦指数)划分的图表，取自图26的表。FI值的谱被分成定义为VF(非常平坦)、F(平坦)、MF(中等平坦)、SF(轻微平坦)和NF(不平坦)的范围或类型。如图表和表显示，VF的平均平坦指数是0和8之间，以及最大平坦指数是在0和23之间。F的平均平坦指数是8和12之间，以及最大平坦指数是在23和27之间。MF的平均平坦指数是12和16之间，以及最大平坦指数是在27和31之间。SF的平均平坦指数是16和20之间，以及最大平坦指数是在31和35之间。NF的的平均平坦指数是20或更大，以及最大平坦指数是35或更大。图25的图表中的括号内的数值代表2次后继呼吸的阈值以及括号前的数值代表3次和5次后继呼吸的阈值。相似的，在图26的表中，第一所列的数值是对于3和5次呼吸的以及第二个数值是对于两个后继呼吸的。

平坦指数的数值越小，表示气道阻塞的上气道阻力就越大。然后应答于更高程度的上气道阻塞，控制器增加了施加于患者的压力以治疗患者。通过依据平坦指数的平均和最大数值所定义出的五种患者的状态，根据气道阻塞的严重程度，不同的压力增加和不同的最大压力可以被应用于治疗患者。

图26和27分别显示了RFS(气流信号的减低)的三个划分部分的数值的表和图表。数值的划分部分为重度减低(SR)、中度减低(IR)和(3)轻微减低(MR)。图27的图表中的x轴为FI(平坦指数)值以及y轴为FL(气流信号水平)值。

用平坦指数的变化(ΔFI)和最大气流信号水平的变化(ΔFL)计算出图26和27所用的气流信号的减低(RFS)。ΔFI被定义为当前测试设定和先前测试设定之间的FI_ave的相对减低，以及ΔFL是当前测试设定和先前测试设定的气流信号水平的最大值的相对减低。这可以用下面的数学公式表示：

ΔFI(i)＝FI_ave(i-1)/FI_ave(i)％

ΔFL(i)＝FL_max(i-1)/FL_max(i)％

在图25-28中的图表和表中的FI和FL图表和表中的上述的划分被广泛地用于控制器调整呼吸辅助机器的工作所遵循的指令中。在表32-36中显示了使用这种划分的一组SPAP控制指令。尽管这些指令被遵照者着控制一种类型的呼吸复制机器，但是可以用其他的指令完成其他机器上的相同的或其他的目标。

当检测到峰吸气气流和平坦指数的减低时，控制器是警觉(alert)于相对更为严重的气道阻塞。控制器反应为治疗患者的相对大的压力增加和大的最大压力。

图29和30显示了在打鼾相关指令以及打鼾状态作为IF-THEN语句的一部分的指令中所用的划分部分的表。

在图29中，SI被定义为来自给定的测试设定的打鼾指数的最小值。SI被分为两种被称为无打鼾(NS)和阈值为3l/min的打鼾(S)的类型。

在图30中，SI是测试组的平均指数值以及SI被分为两种阈值为2l/min的类型。SI的范围被分为两种称为无打鼾(NS)和中等打鼾(MS)的类型。

在图31中，显示了打鼾相关控制指令的表，表29的划分部分被应用于控制指令以控制在各种打鼾状态中施加于患者的平均压力。

对打鼾的检测是对上气道阻塞的另一种指示，因此治疗患者的控制器就需要压力的增加。如果检测到与气流受限(即低平坦指数)相结合的打鼾，控制器提供了比单独检测到的打鼾更大的压力的增加。控制器考虑到当前所应用的压力是多少，并且如果压力已经是高的，则以更小的增幅增加压力。

在控制指令中可以使用其他的测定值例如基于气流信号和漏气信号参数的平均气流漏气(LK)、当前的压力水平(CP)和时间间隔。根据指令的不同，这些变化的划分是不同的。

在绝大多数情况中，控制指令的结论是施加于患者的气体的压力变化(ΔP)和压力范围(RP)。

根据所用的核心变化，SPAP控制指令被分为三种组，称为平坦相关指令、打鼾相关指令和事件相关指令。

平坦相关指令主要是用于治疗吸气气流受限。平坦指数(FI)和气流信号的减低(RFS)的测定值是控制指令所用的主要测定值。既然测试数据为2、3和5次呼吸所计算的FI和RFS的组，根据测试组中的不同数目的呼吸使用三个控制指令的亚组。

图32、33和34显示了相应地与5次呼吸、3次呼吸和2次呼吸测试的呼吸的平坦化所相关的控制指令的表。

如图32所示，作为一个实例的控制治疗，IF平坦指数FI是非常平坦VF和气流信号的减低(RFS)是重度减低(SR)，THEN(根据表)压力变化ΔP＝0.5cmH₂O，和压力范围RP＝[418]cmH₂O。

在3次呼吸测试中，表中的每种FI/RFS组合的压力变化ΔP是5次呼吸测试的1/2。相似地，2次呼吸测试的每种FI/RFS组合的压力变化ΔP是3次呼吸测试的1/2。

在SPAP的绝大多数指令中都使用“双重指令”。例如，在图32、33和34的5、3和2次呼吸表中，每种FI/RFS组合中的压力范围的数值都是相同的。每种测试的压力变化ΔP是不同的，但压力范围是相同的以避免指令上的冲突。双重指令要求来自多个最近期的呼吸的测定值以避免假数据、实时分析难点或其他异常所造成的误差。

一些常见的构件被用于所有的图32、33和34的表中的平坦相关指令的亚组。这些常见的构件包括：(1)平均打鼾指数(SI_ave)，(2)平均气流漏气(LK_ave)，和(3)测试组的吸气气流信号水平的最小值(FL_min)。在5次呼吸测试数据组中，常见的构件包括：

SI_ave＜＝2l/min，LK_ave＜＝18l/min，和FL_min＞＝9l/min

平坦相关指令依赖于检测气流信号平坦的准确度，它被认为是对适度小的气流漏气的假定。如果气流漏气更大，那么检测气流信号平坦的准确地是受限的，以及因此控制指令应当称为“软的”。如果平均气体漏气大于18l/min但小于47l/min，那么一组新的控制指令将取代图32、33和34的表中的那些指令。在新组的控制指令中，ΔP的数值是表中的数值的一半的值。

在打鼾相关指令中，打鼾指数和压力的测定值发挥着最重要的作用。两个主变化是来自先前呼吸或两次连续呼吸的打鼾指数的最小值，用SI_min表示，以及来自先前两次consequences呼吸的平均压力值P_ave。常见的构件包括

FL_min＞＝12l/min和FL(i)＞0.5*FL(i-1)

其中FL(i)是先前的第i次呼吸的气流水平。

图31的表显示了P_ave压力范围和大于或等于3l/min的打鼾指数的打鼾相关控制指令。

在图35中显示了混和的平坦和打鼾相关指令。

在平坦和打鼾相关指令中常见的构件是：

LK＜＝18l/min和FL_min＞＝12l/min

如果存在一种同时发生打鼾或平坦的情况，显然有着阻塞事件。SPAP所需的快速反应是增加泵压，并且这是这组指令的目的。因此控制器指导呼吸辅助设备以大的增幅增加压力以及具有增加压力的大的压力阈值。快速反应是需要的以预先避免阻塞性睡眠呼吸暂停的最严重的和明确的表现。在该组中主变化是平坦测定值(FI)和打鼾测定值(SI)、以及在测试组中所用的呼吸的次数是三(3)次，因为这对于控制系统在适度短的时间段内检测出事件是必要的。图31的表显示了平坦指数FI的5个划分部分和打鼾指数SI的中等打鼾(MS)划分部分的控制治疗。

图36的表中所显示的呼吸暂停相关指令显示了阻塞性呼吸暂停的压力增加指令。

在两个步骤中检测阻塞性呼吸暂停。第一步是用后继的强制震荡的开始检测呼吸暂停本身。条件是将气流信号水平减低到低水平更长的一段事件。算法寻找最近8秒钟内的峰与峰的变化FL_var(i)以及先前8秒钟的FL_var(i-1)，比较两个变化，然后测试下面的条件：

FL_var(i)＜＝0.1*FL_var(i-1)

FL_var(i)＜＝0.15*FL_var(i-1)和FL_var(i)＜＝75ml/s

FL_var(i)＜＝3l/min

在强制震荡开始后，计算条件，如果它是足够小的，呼吸暂停被认为是阻塞性的并根据图36的表生成压力应答。

在对呼吸不足的检测中，进行测试看是否存在任何一个其中吸气气流信号已经比邻近时间段的气流信号减低超过了预先设定的阈值的时间段。气流减少的时间段越长，呼吸不足事件就越严重，以及需要施加于患者的压力的量就越大。测试时间段有着多次呼吸，算法中的呼吸的次数从3到10次不等。前面和后面的时间段都包括2次呼吸，它是测试时间段内的气流信号的参照呼吸。呼吸不足的条件是测试时间段内的最大吸气气流应当比参照区域内的最小吸气气流小至少25％。为了收集下降和上升的吸气气流的呼吸不足，单次呼吸可以在测试时间段和任一参照时间段之间，不需被包括到气流减低指令中。

如果检测到呼吸不足，压力增加被定义为：

ΔP＝0.05*P_period(cmH₂O)

以及压力范围

RP＝[4P_up](cmH₂O)

P_up＝max(10+20*P_period，15)(cmH₂O)

其中，P_period是测试段内的呼吸的次数。

例如，如果测试时间段内的呼吸的次数是10，那么我们就有

ΔP＝0.05*P_period＝0.05*10＝0.5(cmH₂O)和

P_up＝10+P_Period＝10+10＝20(cmH₂O)，即压力范围为

RP＝[420](cmH₂O)

如果P_period＝9，并检测到呼吸不足事件，那么我们必须增加压力为：

ΔP＝0.05*P_period＝0.5*9＝0.45(cmH₂O)，

以及当P_up＝10+P_Period＝10+9＝19(cmH₂O)时

RP的范围＝[4 19]

上面描述的控制指令都与呼吸事件例如打鼾或吸气气流受限被检测到时的压力增加有关。在增加了给患者的压力后，可以改善呼吸和呼吸具有“正常的”模式。一旦已经建立了正常呼吸，逐步地降低输送给患者的压力。对于这个目的有着两个指令。对于检测“正常的”呼吸模式所用的变化包括来自5次呼吸的测试组的平坦指数的平均值FI_ave、当前呼吸的打鼾指数SI、以及当前吸气气流幅度水平FL。输出(指令结论中的变化)为靶压力P_target、和时间常数T_cons。

这就意味着如果呼吸称为正常，压力被降低到P_target水平和时间常数T_cons。可以如下描述两种压力降低的指令：

指令1：IF_FI_ave＞＝30％和SI＜＝2l/min和FL＞＝12l/min，THENP_target＝4cmH₂O和T_cons＝1200s

指令2：IF_FI_ave＞＝25％和FL_ave＜30％和SI＜＝2l/min和FL＞＝12l/min，THEN_P_target＝4cmH₂O和T_cons＝2400s

后一组指令解决例如大的气流漏气或气流信号水平在相当长的时间段内仍保持不变的状况。在这些情况下，马上将泵压力降低到最小水平4cm H₂O是安全的。因此，当检测到被定义为过去20次呼吸内的平均气流漏气是大于1000ml/s的大的气流漏气，或在过去180s内的峰对峰的气流信号的变异小于250ml/s时，应用安全相关指令。安全相关指令具有最高的优先权，这意味着：

1.当该指令被触发后，它控制其他所有的指令120s。

2.安全相关指令可以忽略来自任何其他指令的任何暂停时间。

如果没有满足上述控制指令的任一指令的条件，应用缺省控制指令，它为“DO NOTHING”，即压力仍然未变。

既然遇到了这么多的条件以及患者的治疗机器必须被编程为应答于所有可能的条件，治疗患者就变得非常的复杂。为了控制用于治疗患者的机器，可以用不同的方法编程控制器以使用经不同的方法所收集并分析到的数据。除了上述的指令外，给出了用于SPAP机器的自动化滴定算法的11组其他的压力控制指令。

1.平坦指令

目的：当用对气流信号的平坦化检测到给患者的气体的气流受限时，应用平坦指令以增加施加于患者的压力。

何时调用：除非已经开始强制震荡技术或时间暂停仍被强制时，在对一序列的呼吸气流信号峰的检测的任何更新后，就调用平坦指令。

主要气流参数：主要气流参数是如图38所示的2、3和5次呼吸的平坦指数。根据在2、3或5次呼吸中所测定的患者的呼吸的平均和最大平坦指数，这里有4种类型的气流受限为重度、大、中、轻。当气流成为更长时间段的更高限制性，更高的压力被施加于患者更长的时间。

相对于最近数据的所测试的时间转换：在当前的2、3或5次呼吸序列或通过1或2次先前呼吸的时间转换可以进行对控制患者的压力的平坦指数的测试。

排除标准：如果有以下情况，则不采用平坦指令：

a.在2、3或5次呼吸的主要呼吸测试序列或它们之前的任一5次呼吸中有任何无效呼吸。

b.主要呼吸测试序列中的最小吸气气流是小于150ml/s(9l/min)。

c.对于3或5次呼吸，主要测试序列中的平坦指数超过37或对于2次呼吸次数序列，它超过35。

d.对于3或5次呼吸，主要测试序列中的平均平坦指数超过22或对于2次呼吸测试序列，它超过20。

e.对于2或3次呼吸序列，主要呼吸测试序列中的平均漏气超过500ml/s或对于5次呼吸序列，它超过1000ml/s。

f.对于2和5次呼吸序列，主要呼吸测试中的打鼾的峰间气流超过35ml/s和对于3次呼吸序列，它超过70ml/s。

背景考虑(context considerations)：

a.打鼾：如果在主要呼吸测试序列期间检测到打鼾，增加了上气道阻塞的可能以及压力应答/最大值可以被增加。打鼾检测的阈值是3次呼吸的主要呼吸测试序列中的35ml/s平均打鼾的峰间气流。

b.漏气：如果检测到大漏气，准确地测定平坦指数是较小可能的。因此，数值不能准确地反映出上气道阻塞并且应当减少施加于患者的压力。大漏气的阈值是在5次呼吸序列的主要测试序列期间的平均漏气为500ml/s。

c.与前5次呼吸测试序列比较的平均峰吸气气流的减低：如果患者的平均气流减低了，应当增加施加于患者的压力和所应用的最大压力。如果平均漏气率是低于大漏气阈值，这里有三种平均吸气气流减低的类型：

大减低，其中平均峰吸气气流为不超过5次呼吸的平均峰吸气气流的60％。

小减低：其中平均峰吸气气流为5次呼吸的平均峰吸气气流的60％和80％之间。

无减低：其中平均峰吸气气流超过80％。

对于大减低，有着两种减低的类型。低于阈值的70％的减低和无减低。

d.与前5次呼吸测试序列比较的平均平坦指数的减低：如果检测到平均平坦指数的减低，既然平坦表示患者气道的限制，那么就应当增加施加于患者的压力。用于增加应用于患者的压力的阈值为平坦指数的60％减低。如果没有检测到大漏气，就仅仅增加压力。图39的表显示了一组通过检查Peak Inspiratory Flow Context对Flattening Index Context的状况来设定施加于患者的压力的指令。

在图40的表中呈现了用于控制呼吸辅助机器例如SPAP的一组指令。对于呼吸序列中的呼吸的次数，罗列了其他的所列的参数、压力变化和压力限制。

2.呼吸不足指令

目的：应答于如表示呼吸不足的平坦所示的患者的吸气气流的减少，增加了应用于患者的压力。

何时调用：除非下面条件的任一条件是真实的，在被检测的呼吸气流信号峰的序列中的任何更新之后：

FOT模式已经被激活

适用于所用指令的暂停还没有结束

在过去的15秒钟内检测到了先前的呼吸不足

主要气流参数(s)：一序列的连续呼吸的峰吸气气流的减低。在序列中具有减低的吸气气流的呼吸(呼吸不足的呼吸)的数目可以是从3到15 次。整个被分析的呼吸序列必须包括呼吸不足的呼吸之前的2次参照呼吸和呼吸不足的呼吸之后的2次复原呼吸。呼吸不足的呼吸的最大峰吸气气流不应当超过参照和复原呼吸的最小峰吸气气流的80％。当呼吸不足发作之前和之后的峰吸气气流的变化可以是突然的或逐步的，可以有一次中间的呼吸不足前的呼吸和一次中间的呼吸不足后的呼吸。一次中间呼吸的峰吸气气流不应当超过呼吸不足的呼吸的最大峰吸气气流的133％以及至少是参照(呼吸不足前的中间呼吸)或复原(呼吸不足后的中间呼吸)的呼吸的最小峰吸气气流的75％。呼吸不足的序列越长，压力应答和可激活压力应答的最大压力就越大。

相对于最近数据的测试时间的转换：无时间转换，1次呼吸转换到过去或两次呼吸转换到过去。

排除标准(以下任何一条)：

对于每个呼吸不足持续时间和中间呼吸的组合，任何一次在所有被分析的呼吸以外的呼吸。

呼吸不足的呼吸序列中的平均吸气气流小于75ml/s。

背景考虑：气流受限一如果呼吸不足序列中的平均平坦指数超过了典型的气流受限值，它可能是呼吸不足的中枢或人为的病因的提示，因此应当降低压力应答。超过30的平均平坦指数构成了无气流受限的条件，以及26和30之间的数值构成了轻微气流受限的条件。

实际指令：在0.25到0.75cmH₂O的范围内，压力应答被计算为0.05cmH₂O乘以呼吸不足的呼吸的次数。如果没有气流首先，将压力应答减半，对于轻微的气流受限，它被乘以0.75。最大压力被计算为15到20cmH₂O的范围内的1cmH₂O乘以呼吸不足的呼吸的次数并加上10cmH₂O。

3.短呼吸不足的指令

目标：应答于检测到的短呼吸不足(2次呼吸不足的呼吸)，增加施加于患者的压力。将峰吸气气流的减低用作为对呼吸不足的测定。

何时调用：除非以下任何一个条件是真实的，否则就在被检测的呼吸气流信号峰序列中的任何更新之后调用基于呼吸的指令：

FOT模式被激活

适用于所有指令的暂停期还没有结束

在15秒内检测到最后一次呼吸不足

主要气流参数：与上述的短呼吸不足一样，呼吸不足的呼吸次数等于2。

排除标准(以下任何一条)：

呼吸不足的呼吸序列中的平均吸气气流小于75ml/s。

呼吸不足的呼吸的平均平坦指数大于30以及在2分钟内无既往的呼吸暂停或呼吸不足。

背景考虑：

气流受限--如果呼吸不足序列中的平均平坦指数超过了典型的气流受限值，它可能是呼吸不足的中枢或人为的病因的提示，因此应当降低压力应答。超过30的平均平坦指数构成了无气流受限的条件，以及26和30之间的数值构成了轻微气流受限的条件。

呼吸事件背景(context)--如果在2分钟内有既往的呼吸暂停或呼吸不足，那么无压力变化。但是储存该时间瞬间以给可能的未来事件提供呼吸事件背景。

实际指令：压力应答为0.25cmH₂O。如果无气流受限，将压力应答减半。对于轻微的气流受限，压力应答被乘以0.75。最大压力为15cmH₂O。

4.平滑呼吸不足指令

目标：应答于非常逐步减低的呼吸不足，通过应用峰吸气气流的少量增加以增加施加于患者的压力。用上述的短呼吸不足指令或呼吸不足指令不能检测到这些呼吸不足。峰吸气气流的减低仍被用作为对呼吸不足的测定，但是所参照的和复原的呼吸序列不同与上述的短呼吸不足指令或呼吸不足指令。

何时调用：除非下面任何一个条件是真实的，否则在被检测的呼吸气流信号峰序列中的任何更新之后调用基于呼吸的指令。

FOT模式被激活

适用于所有指令的暂停期还没有结束

在15秒内检测到最后一次呼吸不足

主要气流参数(s)。将一序列在呼吸不足前的具有峰呼吸气流逐步减低的呼吸检测为参照(但是清楚地鉴别出峰吸气气流的逐步减低所造成的第一个呼吸不足的呼吸是不可能的)。参照序列应当具有至少3次呼吸。逐步的峰吸气气流减低的标准要考虑到其中一种下面的模式类型。

峰吸气气流的持续减低即任何随后的呼吸的峰吸气气流都小于前一次呼吸的峰吸气气流，

如果任何随后的呼吸的峰吸气气流超过或等于前一次呼吸的峰吸气气流，那么应当服从两个条件，就是前者的峰吸气气流应当小于前前一次呼吸的90％以及随后呼吸后的呼吸的峰吸气气流应当小于前一次呼吸的峰吸气气流的90％。

同样地，参照序列后的一序列峰吸气气流逐步增加的呼吸应当被检测为复原模式。复原序列的指令镜像于参照序列的指令。最初的参照和最后的复原呼吸的最大峰吸气气流不应当超过这些呼吸的最小峰吸气气流的175％。呼吸不足的呼吸的序列应当是第一次呼吸位于不晚于参照序列之后的呼吸、最后一次呼吸位于不早于复原序列之前的呼吸、以及具有至少3次呼吸不足的呼吸以及至少3次在去除呼吸不足的呼吸之后的参照和复原序列中的呼吸的序列。如果呼吸不足呼吸的最大峰吸气气流不超过最初的参照和最后的复原呼吸的最小峰吸气气流的75％，那么就算检测到呼吸不足事件。

相对于最近数据的所测试的时间转换：无时间转换和一次呼吸到过去的转换。

除外标准(以下任何一条)：

任何所有参照、呼吸不足和复原呼吸之外的无效呼吸。

呼吸不足的呼吸序列中的平均吸气气流小于75ml/s，

呼吸不足的呼吸的持续时间超过100s。

背景考虑：气流受限-如果呼吸不足的呼吸序列中的平均平坦指数超过了典型的气流受限值，它可能提示呼吸不足的中枢或人为的病因，因此应当降低压力应答。超过30的平均平坦指数构成了无气流受限的条件，以及26和30之间的数值构成了轻微气流受限的条件。

5.复原呼吸暂停后指令

目标：应答于呼吸暂停，增加压力。当呼吸复原发生在FOT应答可以被分析之前时，这个指令通常将生成应答于短的呼吸暂停的压力变化。峰间气流的减低将作为呼吸暂停的测定。

适用于所有指令的暂停期还没有结束，

在15秒内检测到最后一次呼吸不足，

在10秒内检测到最后一次呼吸暂停。

主要气流参数：将复原气流计算作为测试序列的第二末位呼吸的吸气的起点和测试序列的最后一次呼吸的吸气的终点之间(复原时间间隔)的峰间气流变化。参照呼吸对是任何两个连续的先于测试序列的最后两次呼吸的呼吸，这样在参照和复原呼吸对之间的峰间气流变化上有一个下降。参照气流被计算为参照对的第一次呼吸的吸气的起点和参照对的最后一次呼吸的吸气的终点之间(参照时间间隔)的峰间气流变化。呼吸暂停气流是参照时间间隔的终点和复原时间间隔的起点之间的时间间隔(呼吸暂停时间间隔)的峰间气流变化。复原和参照气流都应当超过200ml/s并且比例差异不应当超过2比1。呼吸暂停时间间隔应当为至少8秒钟以及呼吸暂停气流不应当超过参照或复原气流的20％。

相对于最近数据的所测试的时间转换：无时间转换，1次呼吸转换到过去或两次呼吸转换到过去。

排除标准：任何所有的参照或复原呼吸对之外的无效呼吸。

背景考虑：

呼吸事件背景-2分钟内的先前的呼吸暂停或呼吸不足。如果该条件是真实的，那么将无压力变化，但是这个时间瞬间将被储存以给可能的未来事件提供呼吸事件背景。

面罩压力-现有的压力越高，应答的幅度应当越小。

实际指令：如果在过去5秒钟内的平均压力不超过6cmH₂O，那么压力增加为1cmH₂O。如果在过去5秒钟内的平均压力不超过12cmH₂O，那么压力增加为0.75cmH₂O，否则压力增加为0.5cmH₂O。所应用的最大压力是20cmH₂O，时间常数为5s。如果FOT已经被打开，那么指令就被停止。

6.打鼾指令

目标：应答于打鼾，增加施加于患者的压力。如果平均峰间打鼾气流含有超过10赫兹的吸气气流震荡，患者被认为是正在打鼾。

何时调用：除非下面的任何条件是真实的，否则就在被检测呼吸气流信号峰中的任何更新之后调用基于呼吸的指令：

FOT模式被激活

适用于所有指令的暂停还没有结束

主要气流参数：呼吸测试序列(1或2次呼吸)中的最小打鼾气流应当为至少60ml/s。

相对于最近数据的所测试的时间转换：1、2和3次呼吸转换到过去。

除外标准(以下任何一条)：

任何测试序列之外的无效呼吸，

测试序列中的最大呼气高频干扰至少是最小打鼾气流的90％，

如果是2次呼吸测试，最小峰吸气气流是低于100ml/s(6l/min)，以及如果是1次呼吸测试，要低于200ml/s(12l/min)

测试序列的最小峰吸气气流小于前一次呼吸的峰吸气气流的一半。

背景考虑：

要考虑到测试序列中的最大呼气高频干扰对最小打鼾气流的比值。比值越大，不正确的打鼾评估的可能性就越大，因此应当降低压力应答。置信系数是1减去比值。如果置信系数超过0.5，它被设定为1。

面罩压力-现有的压力越高，应答的幅度就越小。从测试序列的末次呼吸和前一次呼吸中计算出平均压力。

根据图41的表计算出实际指令。

7.压力降低指令

目的：如果没有测定到可靠的气流信号，就快速地降低压力(到4cmH₂O或降低1cmH₂O)。

何时调用：除非有FOT被激活，

或适用于所有指令的暂停还没有结束

否则就在被测试的呼吸气流信号峰的序列中的任何更新之后或在末次呼吸峰更新已经结束的2秒暂停之后调用用于降低压力的基于时间的指令。

主要气流参数：在过去2分钟内的峰间气流变化低于250ml/s以及过去20秒钟内的平均漏气超过阈值(这依赖于平均峰吸气气流)。

没有采用相关于最近数据的所测试的时间转换。

没有采用排除标准。

背景考虑：峰吸气气流，峰吸气气流越小，漏气所引起的误差就越大。

实际指令：如果峰间气流是小的(作为主要参数)或对于下面的在过去20秒钟内的平均漏气和平均漏气吸气气流的组合，压力被降低到4cmH₂O。

＞＝1000ml/s(60l/min)，＜＝100ml/s(6l/min)

＞＝1200ml/s(72l/min)，＜＝150ml/s(9l/min)

＞＝1400ml/s(84l/min)，＜＝200ml/s(12l/min)

在这种情况中，设定了适用于所有指令的2分钟的暂停，否则如果平均漏气至少为1000ml/s(60l/min)，减少压力1cmH₂O并将暂停设定为20秒。

8.开始强制震荡技术指令

目标：如果检测到峰间气流减低，就开始FOT。

何时调用：在被检测的呼吸气流信号漏气序列中的任何更新之后或在末次呼吸漏气更新已经完成后的2秒暂停之后调用基于时间的指令，除非下面的任何条件都是真实的：

FOT模式被激活，

适用于所有指令的暂停还没有结束，

先前的FOT开始事件在15秒钟内被激活。

主要气流参数：如果存在过去3个七秒间隔(末次，第二次和第一次)内的峰间气流变化，并且末次气流变化不超过第二次呼吸的1/10，或不超过1/7和75ml/s，或不超过50ml/s，以及第二次和第一次气流变化的最大值至少为150ml/s，该指令被激活。

不采用相对于最近数据的所测试的事件转换。

不采用排除标准。

不采用背景考虑。

实际指令：除外了开始FOT外，适用于所有指令的暂停被设定为4秒钟。

9.强制震荡技术呼吸暂停指令

目标：在开始FOT之后，应答于被检测到的呼吸暂停，给患者增加压力。低数值的气道传导率被用作为存在阻塞性呼吸暂停的一个指示。

何时调用：除非下面的任何情况是真实的，否则在被检测的呼吸气流信号峰序列中的任何更新之后或在当末次呼吸更新已经结束时的2秒暂停之后调用基于时间的指令：

FOT没有被激活，

适用于所有指令的暂停还没有结束，

先前的呼吸暂停时间在10秒钟内激活。

主要气流参数：过去5秒钟内的峰间气流变异低于100ml/s，以及过去5秒钟内的平均气道传导率低于阈值。

不采用相对于最近数据的所测试的事件转换。

不采用排除标准。

背景考虑：现有的面罩压力越高，应答的幅度就应当越小。

实际指令：如果过去5秒钟内的平均压力不超过6cmH₂O，压力增加为2cmH₂O，如果过去5秒钟内的平均压力不超过12cmH₂O，那么压力增加为1cmH₂O，否则压力增加为0.5cmH₂O。最大压力为20cmH₂O，时间常数为5秒钟。终止FOT。

10.压力减低指令

目标：应答于平坦指数所测定的气流受限的消失，逐步减低应用于患者的压力。

何时调用：除非下面任何的条件是真实的，否则就在被检测的呼吸气流信号峰序列的任何更新后调用基于呼吸的指令：

FOT模式被激活，

适用于所有指令的暂停还没有结束。

主要气流参数：呼吸测试序列(5次呼吸)中的平均平坦指数应当超过25。如果它小于33，那么压力减低时间常数为40分钟，否则为20分钟。

除外标准(以下任何一条)：

任何测试序列外的无效呼吸，

在90秒钟内检测到末次呼吸事件(呼吸暂停或呼吸不足)。

测试序列的末次呼吸的打鼾气流超过40ml/s。

测肆行序列的末次呼吸的峰吸气气流低于200ml/s。

背景考虑：如果末次呼吸事件是在2分钟内(但在过去是早于1.5分钟)，将时间常数加倍。

实际指令：将施加于患者的压力从当前的数值减低到4cmH₂O以及所选的时间常数。

11.终止强制震荡技术指令

目标：一旦呼吸恢复为正常，就终止治疗患者。

除非下面任何的条件是真实的，否则就在被检测的呼吸气流信号峰序列的任何更新后调用基于呼吸的指令：

FOT模式没有被激活，

适用于所有指令的暂停还没有结束。

主要气流参数：呼吸测试序列(3次呼吸)中的最小峰吸气应当超过200ml/s(12l/min)。

相对于最近数据的所测试的时间转换：无时间转换。

排除标准：任何测试序列之外的无效呼吸。

没有采用背景考虑。

没有采用实际指令。

显而易见的，根据上述的阐述，对本发明的多种修改和变更都是可能的。因此应该理解，在所附权利要求书的范围内，可以不同于所具体描述的其他方式来实施本发明。

Claims

1.一种测定面罩中的呼吸气流的方法，其包括步骤：

通过传感器收集面罩中的气体的流速数据，

通过用线性平滑法近似吸气和呼气的起始和终止时间以确定吸气和呼气的转折点，将流速数据汇编到吸气阵列和呼气阵列中，并从平滑化流速数据中确定出吸气期间的最大峰流速和呼气期间的最小峰流速，以及

调整流速数据阵列中的吸气和呼气的起始和终止时间使得通过将前次呼吸的吸气和呼气的终止转折点分别与后继呼吸的吸气和呼气的原始数据的转折点匹配实现最佳符合，以获得平滑化的吸气和呼气阵列。

2.如权利要求1所述的方法，还包括步骤：

从流速数据阵列中去除干扰。

3.如权利要求1所述的方法，还包括步骤：

收集面罩中的气体的压力数据。

4.如权利要求1所述的方法，还包括步骤：

通过从原始流速中减去面罩漏气流速计算出面罩漏气补偿流速以确定出面罩中的气体的流速。

5.如权利要求1所述的方法，还包括步骤：

作为一种准确性检查，比较吸气流速数据与呼气流速数据。

6.如权利要求5所述的方法，还包括步骤：

作为一种准确性检查，比较吸气容积数据和呼气容积数据。

7.如权利要求5所述的方法，其中比较吸气流速数据与呼气流速数据包括：

比较吸气终止时间的流速数据和呼气起始时间的流速数据以及比较吸气起始时间的流速数据和呼气终止时间的流速数据。

8.如权利要求1所述的方法，还包括步骤：

将流速数据汇编成呼吸形态，和

调整从流速数据中得到的呼吸形态中的每次吸气和呼气的起始和终止时间。

9.如权利要求2所述的方法，其中

用一种线性平滑技术去除所述干扰。

10.如权利要求9所述的方法，包括如下步骤：

收集吸气的原始流速数据，用线性平滑法将阵列中的第一次吸气的原始流速数据平滑化，然后将所收集的下一次吸气的原始流速数据连接至平滑化流速数据并用线性平滑法将下一次吸气的原始流速数据平滑化以汇编流速数据的吸气阵列并从流速数据中消除干扰，以及重复所收集的新的吸气流速数据的连接和平滑化，直到阵列被完成，由此将流速数据汇编到吸气阵列中。

11.如权利要求10所述的方法，包括步骤：

通过用所述最佳符合来匹配第一次呼吸的吸气终止转折点和后继呼吸的原始流速数据的转折点，将吸气原始流速数据连接至平滑化流速数据的阵列中，据此调整阵列并然后线性平滑化原始流速数据以形成吸气阵列。

12.如权利要求11所述的方法，其中所述最佳符合包括：

当在得到吸气转折点流速数据的终点之前得到下一次呼吸的原始流速数据以及下一次呼吸的原始流速数据以比第一次呼吸的吸气转折点的终点更低的数值开始时，将第一次呼吸的吸气转折点的终点连接至下一次呼吸的原始流速数据中的局部最小流速数据点上。

13.如权利要求11所述的方法，其中所述最佳符合包括：

当第一次呼吸的吸气转折点的终点与下一次呼吸的吸气转折点的起点具有相同的数值以及在与第一次呼吸的吸气转折点的终点的计算值相同的时间得到所计算的吸气转折点的起点时，将第一次呼吸的吸气转折点的终点连接至下一次呼吸的吸气转折点的起点上。

14.如权利要求11所述的方法，其中所述最佳符合包括：

当在得到吸气转折点流速数据的终点之前得到下一次呼吸的原始流速数据以及下一次呼吸的原始流速数据的吸气转折点的起点以比吸气转折点的终点更高的数值开始时，在平滑化流速数据与原始流速数据重叠的点上将作为吸气转折点的平滑化吸气流速数据上的点连接至下一次呼吸的原始流速数据中的局部最小流速数据点。

15.如权利要求11所述的方法，其中所述最佳符合包括：

当与平滑化流速数据同时地得到下一次呼吸的原始流速数据使得下一次呼吸的原始流速数据和平滑化流速数据在时间上接近重叠以及下一次呼吸的原始流速数据延伸到比第一次呼吸的吸气转折点的终点更低的数值时，在其中原始流速数据等于吸气转折点的终点的点上将第一次呼吸的吸气转折点的终点连接至下一次呼吸的原始流速数据上。

16.如权利要求11所述的方法，其中所述最佳符合包括：

将第一次呼吸的吸气转折点的终点连接至下一次呼吸起始转折点的原始流速数据上，在平滑化的第一次呼吸和所述下一次呼吸起始转折点的原始流速数据之间存在着时间间隙的情况下，通过将最高峰和呼吸转折点的终点之间的线性平滑化吸气的斜率用作填充间隙的线的斜率来填充间隙，并移动下一次呼吸的起始转折点的时间以截取填充间隙的线。

17.如权利要求11所述的方法，包括步骤：

检查吸气阵列中的在吸气的起始转折点和终止转折点之间的代表一个双峰的特定时间段内的两个最高峰，和

通过选择最接近吸气的一半持续时间的最高峰作为真实的最高峰并将所述最接近吸气的一半持续时间的最高峰向起始转折点和终止转折点线性平滑化，从而线性平滑化吸气流速数据。

18.如权利要求17所述的方法，包括步骤：

鉴别吸气峰阵列内的干扰最高峰。

19.如权利要求18所述的方法，包括步骤：

用一系列局部峰测试之间的持续时间和峰测试之间的流速变化确定哪些呼吸符合在预先设定的定义干扰呼吸的参数阈值内。

20.如权利要求18所述的方法，包括步骤：

首先检查阵列中的每次吸气的上升斜线以查看是否存在干扰斜线，如果未发现干扰斜线，就检查阵列中的每次吸气的下降斜线以查看是否存在干扰斜线。

21.如权利要求18所述的方法，包括步骤：

通过流速数据的一级线性近似、二级线性近似和三级线性近似生成的最小误差选择来平滑化在流速数据阵列中所发现的干扰最高峰。

22.如权利要求21所述的方法，包括步骤：

比较呼吸阵列中的吸气容积与邻近呼吸的呼气容积，以相同容积的吸气和呼气来检查所收集的流速数据的准确性。

23.如权利要求22所述的方法，包括步骤：

如果吸气容积等于邻近呼吸的呼气容积，就将流速数据作为准确的数据而接受。

24.如权利要求22所述的方法，包括步骤：

如果吸气容积不等于邻近呼吸的呼气容积，就将流速数据作为不准确的数据而拒绝。

25.如权利要求23所述的方法，包括步骤：

测试一个最高峰对内的两个峰之间的原始流速数据以查看是否有任何峰在特定阈值之上，如果有，则剥夺这两个峰作为最高峰对的资格。

26.如权利要求25所述的方法，包括步骤：

根据预先设定的数值范围，测试最高峰之间的持续时间，如果持续时间不在预先设定的范围内，最高峰对被剥夺资格。

27.如权利要求26所述的方法，包括步骤：

绘制具有第一最高峰和第二最高峰的最高峰对原始流速数据组中的流速变化的图形，并线性平滑化原始流速数据，显示当数值在最高峰对的第一最高峰和最低点之间下降时的下降数值，图形显示在上升变化期间没有变化，并显示最高峰对的最低点和第二最高峰之间的上升数值，而显示在下降变化期间没有变化，并标出变化下降至最高峰对的第一最高峰的95％、75％、50％、25％和5％的点，以及标出变化上升至最高峰对的第二最高峰的5％、25％、50％、75％和95％的点。

28.如权利要求27所述的方法，包括步骤：

汇编位于5％、25％、50％、75％和95％位置处的原始流速数据和线性平滑化流速数据之间的变化的差异。

29.如权利要求28所述的方法，包括步骤：

利用最高峰对的相似性测试选择出哪些最高峰对被添加到最高峰链中，形成最高峰对的最高峰链。

30.如权利要求29所述的方法，包括步骤：

计算下面的每个最高峰对参数的平均值、标准差、平均和最大误差：持续时间、外持续时间的流速信号水平的变化、内持续时间流速信号的平均流速信号水平、形态的非对称性测定、外持续时间的流速信号“形态”、内持续时间的流速信号“形态”、平均干扰水平和最大干扰水平。

31.如权利要求30所述的方法，包括步骤：

根据预先设定的表中的数值范围建立平均指数和误差指数数值，用于将最高峰对添加到最高峰链中。

32.如权利要求29所述的方法，包括步骤：

通过比较吸气最高峰链起始转折点和呼气最高峰链呼气终止转折点以及吸气最高峰链终止转折点和呼气最高峰链呼气起始转折点来验证最高峰链。

33.如权利要求32所述的方法，包括步骤：

通过左侧和右侧最高峰验证，如果吸气和呼气转折点不匹配以及最高峰之间的持续时间比预先设定的阈值更长，添加来自原始流速数据的最高峰。

34.如权利要求33所述的方法，包括步骤：

利用流速信号水平验证来查看是否信号水平仍是恒定的，恒定则说明面罩已经脱落，且必须从最高峰链中消除这个最高峰对。

35.如权利要求33所述的方法，包括步骤：

测试两个最高峰之间的持续时间并用最高峰下的面积测定吸气容积，如果持续时间和容积不在预先设定的限制内，则最高峰对是太接近的，并从阵列中消除较小幅度的最高峰。

36.如权利要求33所述的方法，包括步骤：

对于超过预先设定的限度的持续时间，测试两个最高峰之间的持续时间，且如果通过4秒钟持续时间测试和10秒钟验证测试这两个测试，则将最高峰添加回到阵列中。

37.如权利要求1所述的方法，包括步骤：

用采用呼吸形态的分段线性近似的所述最佳符合将吸气和呼气流速数据成形。

38.如权利要求33所述的方法，包括步骤：

39.如权利要求37所述的方法，包括步骤：

用三级分段线性近似从流速数据确定呼吸形态。

40.如权利要求38所述的方法，包括步骤：

用三级分段线性近似从流速数据确定呼吸形态。

41.如权利要求39所述的方法，包括步骤：

通过对吸气的起始和终止时的流速的相对变化的比较来微调吸气和呼气的起始和终止转折点，以找出吸气的起始和吸气的终止的时间。

42.如权利要求40所述的方法，包括步骤：

比较转折点上的流速相对变化，以找出吸气的起始和吸气的终止的时间来微调转折点。

43.如权利要求1所述的方法，包括步骤：

检测吸气阵列中的吸气流速的减低。

44.如权利要求1所述的方法，包括步骤：

检测吸气阵列中的吸气流速的平坦化。

45.如权利要求2所述的方法，包括步骤：

根据测得的呼吸流速的幅度和频率测定所述干扰的量。

46.如权利要求1所述的方法，包括步骤：

检测流速信号顶部的高频流速。