DE102020117244A1

DE102020117244A1 - IoT-basiertes intelligentes Bettsensorsystem für kontaktlose Atemfrequenzüberwachung

Info

Publication number: DE102020117244A1
Application number: DE102020117244.3A
Authority: DE
Inventors: Qingju Liu; Payam BARNAGHI
Original assignee: Minebea Intec Bovenden GmbH and Co KG
Current assignee: Minebea Intec Bovenden GmbH and Co KG
Priority date: 2020-06-30
Filing date: 2020-06-30
Publication date: 2021-12-30

Abstract

Die Erfindung gibt ein Verfahren zum Bestimmen einer Atemfrequenz (RR) eines Patienten an, wobei das Verfahren umfasst: Messen eines Gewichts eines Patienten durch Abrufen gewichtsbezogener Informationen von einer Mehrzahl bettmontierter Lastsensoren (2), Übertragen der gewichtsbezogenen Informationen an einen Server.

Description

Gebiet
Die vorliegende Erfindung bezieht sich auf ein bettmontiertes Sensorsystem für eine kontaktlose Atemfrequenzüberwachung und ein entsprechendes Verfahren.
Hintergrund
Die Atemfrequenz (Respiratory Rate, RR), kombiniert mit der Körpertemperatur, dem Blutdruck und dem Puls, sind die vier Vitalzeichen, die mit dem Gesundheitszustand einer Person, wie zum Beispiel dem Fortschritt einer Krankheit und der klinischen Schwere der Krankheit, eng verbunden sind. RR ist ein guter Diskriminator bei der Erkennung von Hochrisiko-Patientengruppen, bevor schwere Verläufe, wie zum Beispiel ein kardiopulmonaler Stillstand oder eine Aufnahme in die Intensivstation, ein Thema werden. Natürlich erleichtert die RR-Überwachung die Erkennung auf die Atmung bezogener Symptome, wie zum Beispiel Schlaf-Apnoe, chronischobstruktive Lungenerkrankung und Asthma. Darüber hinaus haben Veränderungen in der RR auch eine starke Verbindung mit psychologischen Aspekten, wie zum Beispiel Stress und Angst und kognitiver Belastung. RR kann auch mit Polysomnografie verbunden werden, da ihre Veränderungen verschiedene Phasen des Schlafes widerspiegeln. Die aktuelle Praxis zum Überwachen der RR in Krankenhäusern und in der Pflege basiert üblicherweise auf der manuellen Beobachtung durch Klinikpersonal. Dies verhindert das Sammeln kontinuierlicher und zuverlässiger Daten in einem Maßstab, der eine frühe Risikoanalyse und frühe Interventionen ermöglicht.
Verschiedene RR-Schätzmethoden wurden entwickelt. Insgesamt können die RR-Schätzmethoden in zwei Gruppen kategorisieren werden: kontaktgebunden und nicht kontaktgebunden. In manchen kontaktgebundenen Methoden werden Sensoren in der Nähe der Luftröhre oder von Körperteilen (Hals, Brust, Bauch usw.) angebracht, an denen die gesammelten Signale direkt die Atemaktivitäten, zum Beispiel Luftstrom, Atemakustik, Lungenbewegungen, widerspiegeln. Weitere kontaktgebundene Methoden verwenden Sensoren, zum Beispiel PPG- und ECG-Geräte, die implizite Ateminformationen erfassen, die eine bestimmte Art der Atemmodulation zur Hauptkomponente enthalten. Bei einem herkömmlichen und immer noch häufig gebrauchten kontaktlosen Verfahren werden ausgebildete klinische Beobachtungen benötigt, indem die Anzahl von Brusthebungen während eines bestimmten Zeitraums (zum Beispiel einer vollen Minute) gezählt wird. Die nicht kontaktgebundenen Methoden verwenden Sensoren, wie zum Beispiel für Druck, optische Bildgebung, thermische Bildgebung und Radarsignale, die mechanische Bewegungen erfassen könnten, oder Heatmaps, die durch die Atmung verursacht werden. Ebenfalls wird darauf hingewiesen, dass nicht kontaktgebundene Erfassungsmethoden dem Patienten einen besseren Komfort bieten und genauer sind, da die „durch ein kontaktgebundenes Gerät verursachte Belastung die Atemfrequenz ändern kann“.
Trotz einer großen Anzahl bestehender Erfassungstechniken für die RR-Überwachung verwenden die meisten der oben genannten Systeme ein einziges Gerät, das jeweils zum Betrieb einen ausgebildeten Techniker bzw. ausgebildetes Klinikpersonal benötigt. Der manuelle Betrieb macht dies für eine Echtzeitüberwachung im großen Maßstab schwierig.
Zusammenfassung
Die Entwicklung automatischer und kontinuierlicher RR-Überwachungslösungen trägt dazu bei, robustere und skalierbare frühe Interventionen in schwierigen Gesundheitsumgebungen zu erschaffen, wobei RR ein entscheidender Indikator sein kann.
Die vorliegende Offenbarung gibt unter anderem ein Verfahren zum Bestimmen einer Atemfrequenz (RR) eines Patienten an, wobei das Verfahren die Schritte des Messens eines Gewichts eines Patienten durch Abrufen gewichtsbezogener Informationen von einer Mehrzahl bettmontierter Lastsensoren, das Übertragen der gewichtsbezogenen Informationen an einen Server umfasst.
Weiter gibt es einen Schritt einer Datenbereinigung, wobei der Schritt der Datenbereinigung umfasst: Umordnen von Datenrahmen durch Vergleichen von Zeitstempeln und/oder Erfassen redundanter Daten durch Vergleichen benachbarten Rahmen, und oder Entfernen der redundanten Daten und/oder Auszeichnen fehlender Zeitrahmen durch Vergleichen von Unterschieden zwischen Zeitstempeln sowie einer Gesamtzahl gesammelter Rahmen.
Weiter kann es einen Schritt einer nichtlinearen Transformation unter der Verwendung einer Sigmoid-Funktion zum Verstärken von Signalen geben, die durch Atmung mit kleinen Magnituden verursacht werden, während ein durch Körperbewegung hervorgerufenes Signal unterdrückt wird, das die Atmungsinformationen verdeckt.
Ferner kann es einen Schritt einer Segmentierung mit überlappenden, verschiebbaren Rechteckfenstern geben, die sich über mehrere Rahmen, insbesondere sieben Rahmen, mit dem Schritt von einem Rahmen, erstrecken, ferner umfassend eine Hauptkomponentenanalyse zur Dimensionsreduktion.
Es kann auch eine Daten-Reliabilitätsanalyse geben, umfassend: Anwenden eines binären Annahme-Verwerfung-Klassifikators zum Erkennen der Zuverlässigkeit eines jeden Rahmens.
Es kann drei verschiedene Typen von Klassifikatoren mit einem offline stattfindenden überwachten Training geben, wobei die Grundwahrheit manuell gekennzeichnet wird. Die Referenz-Kennzeichnung eines Rahmens, d.h., ob ein Rahmen zuverlässig ist, um zur RR-Schätzung beizutragen, oder nicht, wird manuell ausgezeichnet. Diese Referenz-Kennzeichnungen werden auch als Grundwahrheit bezeichnet.
In einem Aspekt kann eine Stützvektormaschine (Support Vector Machine, SVM) angewendet werden.
In einem weiteren Aspekt kann ein Mehrschicht-Perzeptron (Multilayer-Perceptron, MLP) angewendet werden.
Noch weiter kann ein hybrides rekurrentes neuronales Netz (Hybrid RNN) angewendet werden.
Datenrahmen, die als zuverlässig erkannt werden, können in mehrere Fragmente unterschiedlicher Längen zusammengefasst werden.
Eine Atemfrequenz (RR) kann unter der Verwendung von Beiträgen der Fragmente extrahiert werden, während unzuverlässige und fehlende Rahmen ignoriert werden.
Auf jedes Fragment kann eine Spitzenerkennung angewendet werden, wobei eine gewichtete Kombination verfolgt wird, je nach (gegebenenfalls) der Länge zwischen der ersten und der letzten erfassten Spitze in jedem Fragment sowie der FragmentLänge, um die Atemfrequenz zu erfassen.
Auf jedes Fragment kann eine Zeitbereichs-Hilbert-Transformation angewendet werden, um ein Analysesignal zu erhalten, aus dem die Phaseninformationen berechnet und entfaltet werden können, ferner umfassend ein Steigungs-Fitting für alle Fragmente, mit einem gemeinsam genutzten Steigungsparameter und einem weiteren Verzerrungs-Parameter für jedes Segment, wobei die Atemfrequenz (RR) aus dem Steigungsparameter abgebildet wird.
In einem Aspekt werden die Anzahl von Rahmen in jedem Block, die Variation des erfassten Spitzen-Ort-Abstands und der Fitting-Fehler als Indikatoren für das Zuverlässigkeitsniveau der Atemfrequenz (RR) verwendet.
Die vorliegende Offenbarung gibt auch ein System zum Bestimmen einer Atemfrequenz (RR) eines Patienten an. Das System kann eine Mehrzahl bettmontierter Lastsensoren (Gewichtssensoren) umfassen, die im Wesentlichen randständig um ein Bett herum angeordnet sind, elektronische Schaltungen zum Empfangen und Verarbeiten entsprechender Gewichtsdaten aus der Mehrzahl bettmontierter Sensoren, einen Datenlogger zum vorübergehenden Speichern der Gewichtsdaten, und einen Sender zum Übertragen der Gewichtsdaten an eine Datenverarbeitungseinheit, wobei die Datenverarbeitungseinheit dazu konfiguriert ist, eine Scheibe (Slice) von Atmungsdaten in den empfangenen Daten zu klassifizieren, eine Atemfrequenz (RR) in der Scheibe zu erfassen und die erfasste Atemfrequenz (RR) als eine Schablone zum Erfassen weiterer Atemfrequenzinformationen zu verwenden.
Die zentrale Datenverarbeitungseinheit kann ferner dazu konfiguriert sein, eine SVM, hybrides RNN und/oder MLP zur Klassifizierung anzuwenden.
Die zentrale Datenverarbeitungseinheit ist dazu konfiguriert, eine Hilbert-Transformation anzuwenden.
Die vorliegende Offenbarung geht von der Erkenntnis aus, dass IoT-Technologien (Internet of Things) eine Lösung für die eingangs erwähnten Einschränkungen bereitstellen kann. Die vorliegende Offenbarung gibt ein nicht kontaktgebundenes IoT-basiertes System zur im Bett stattfindenden Echtzeit-RR-Überwachung an.
Ein IoT-System könnte eine komplexe Struktur haben, wie zum Beispiel Sensorknoten, Datenspeicherung, Netzwerk, Benutzer. Ein vorteilhaftes Konzept ist jedoch ziemlich einfach, d.h. ein „Kommunikations-Betätigungs-Netzwerk“ mit einer weitläufigen Verteilung von Sensorgeräten.
Das offenbarte System besteht aus fünf Hauptkomponenten: Bettsensorgeräte, Gateway, Back-End, Maschinenlern (ML)-Algorithmus und Benutzerschnittstelle (UI). Jeder Gerätesatz enthält vier Lastsensoren, die unter Bettfüßen montiert sind, die mit einem Datenlogger drahtgebunden verbunden sind, der die gemessenen Daten kalibriert, verarbeitet und überträgt. Das von dem Datenlogger gesendete Datenpaket enthält Wellenformdaten die einer Atmung zugeordnet sind, sowie andere Metadaten, wie zum Beispiel die Geräte-ID, Patienten-ID, Gewicht, Schwerpunkt und Haltung. Das Gateway empfängt Daten über ein drahtloses Netz und erzeugt ein gemeinsames Datenformat, bevor es sie in einem Speicher speichert. Mit verschiedenen Konfigurationen und Spezifikationen koordiniert das Back-End eine Datenbankverwaltung und andere Webdienste, wie zum Beispiel Nachrichtenbus, Authentifizierungs-Middleware und Netzwerkprotokolle. Die ML-Komponente schätzt die Echtzeit-RR, und die Benutzerschnittstelle visualisiert die den registrierten Patienten zugeordneten Daten. Das offenbarte System bietet gegenüber herkömmlichen RR-Extraktionsmethoden die folgenden Vorteile.
Die Verfahren und das System der vorliegenden Offenbarung haben eine sehr geringe Betriebsauffälligkeit, da die bettmontierten Sensoren nicht kontaktgebunden sind und unter dem Bett angebracht werden können, mit der Zielsetzung, die Atmung in der Ruhe oder im Schlaf zu überwachen. Als ein Ergebnis hiervon fühlt die Person keine Störung aufgrund des kontinuierlichen Betriebs. Außerdem werden keine Einschränkungen hinsichtlich der Haltung oder der Position gefordert, was den Benutzern größten Komfort bietet. Die vorliegende Offenbarung bietet auch leicht erweiterbare RR-Schätzmethoden. Das Gateway, das Back-End und die ML-Komponente können auf einem entfernten Server anstelle eines physischen Servers an der Überwachungsstelle laufen. Das ML-Modul kann kontinuierlich laufen, stört jedoch den Datensammelprozess nicht. Die verwendeten ML-Modelle können neu trainiert und fein eingestellt werden, um sich an neue Muster und Statistiken in den gesammelten Daten anzupassen.
Die vorliegende Offenbarung stellt auch ein skalierbares und erweiterbares Ökosystem bereit. Neue Geräte können durch autorisierte Benutzer über die Benutzerschnittstelle (User Interface, UI) hinzugefügt und registriert und zugewiesenen Patienten zugeordnet werden. Die ML-Funktion kann mit mehr Merkmalen nach Kundenwunsch erweitert werden, zum Beispiel um die Schlafqualität vorherzusagen. Andere Typen von Geräten, zum Beispiel welche, die am Körper getragen werden, können in das System integriert werden, um physiologische Signale zum Vergleich oder zur Zusammenführung mit den Atemsignalen zu sammeln. Zusätzlich kann eine Fernüberwachung vorgesehen werden. Autorisierte Benutzer, zum Beispiel Klinikpersonal, können Zugriff auf die Benutzerschnittstelle haben und können sowohl Echtzeit- als auch Historien-Berichte entfernt einsehen und verwalten. Die technischen Neuheiten dieser Arbeit sind unter anderem i) Entwickeln eines Ende-zu-Ende-Systems vom Sammeln roher Sensordaten bis zur Endbenutzer-Schnittstelle und Visualisierung. ii) Bereitstellen einer flexiblen IoT-Architektur, die andere Sensorgeräte ebenfalls enthalten kann, was eine große Systemflexibilität ermöglicht. iii) Aufbauen eines neuartigen Verfahrens zum Analysieren der rauschenden und dynamischen Daten zum Erfassen der Atemfrequenz aus den unauffällig gesammelten Sensordaten und Auswerten der Arbeit und Vergleichen der Leistung mit herkömmlichen Benchmark-Algorithmen.
Die offenbarten Verfahren und Systeme sind dazu konfiguriert, von dem Bettsensorgerät eine exakte Echtzeit-RR zu extrahieren.
Die vorliegende Offenbarung gibt auch eine Benutzerschnittstelle (UI) an, die dazu konfiguriert ist, gemäß den Aspekten dieser Offenbarung und mit diesen zusammen betrieben zu werden.
Figurenliste
Weitere Aspekte und Charakteristiken der vorliegenden Offenbarung werden aus der folgenden Beschreibung der Ausführungsformen anhand der beiliegenden Zeichnungen hervorgehen. Es zeigt:

1 eine vereinfachte schematische Darstellung eines loT-basierten RR-Überwachungssystems gemäß Aspekten der vorliegenden Offenbarung;
2 eine weitere vereinfachte schematische Darstellung des RR-Überwachungssystems 1, in dem mehr Details gezeigt sind;
3 eine 30 Sekunden lange Sensor-Wellenform-Darstellung;
4 eine vereinfachte schematische Darstellung eines MLP-Netzwerks gemäß Aspekten der vorliegenden Offenbarung;
5 eine vereinfachte schematische Darstellung eines hybriden RNN-Netzwerks gemäß Aspekten der vorliegenden Offenbarung;
6 eine vereinfachte schematische Darstellung, in der die Anwendung von HT auf die Signale in den oberen zwei Zeilen von 3 veranschaulicht wird;
7 eine vereinfachte schematische Darstellung, in der eine Konvergenz des MLP- und des RNN-Verfahrens auf den Validations-Datensatz veranschaulicht;
8 eine vereinfachte schematische Darstellung, in der ein Vergleich von Vorhersageergebnissen (vor dem Vorzeichen-Operator) aus den drei trainierten Modellen mit der Grundwahrheit veranschaulicht wird;
9 eine vereinfachte schematische Darstellung, in der die Anwendung von sowohl Spitzenzählung als auch HT auf die rohe Wellenform veranschaulicht wird, um für jede Minute eine RR zu extrahieren;
10 eine vereinfachte schematische Darstellung, in der die Kombination des SVM-Modells mit der RR-Schätzung für eine robustere Atemfrequenzextraktion veranschaulicht wird; und
11 eine vereinfachte schematische Darstellung, in der die Kombination des hybriden RNN-Modells mit der RR-Schätzung veranschaulicht wird.

Detaillierte Beschreibung von Ausführungsformen
1 ist eine vereinfachte schematische Darstellung eines IoT-basierten RR-Überwachungssystems 1 gemäß Aspekten der vorliegenden Offenbarung. Es gibt eine Bettsensoreinheit 2 und ihre drahtgebundene Verbindung mit dem Datenlogger 3 (oben). Der Datenlogger 3 kalibriert, vorverarbeitet und sendet Datenmessungen aus. Ein Signalschnipsel, der über 15 Minuten der Ausgabe durch den Bettsensor 2 dauert, wird geplottet (unten). Der eingebettete Plot vergrößert ein kurzes Segment, das in dem kleinen Rechteck hervorgehoben ist, wenn der Patient sich nicht erheblich bewegt, woraus ein periodisches Atemmuster beobachtet wird. Hierbei zeigt die A-Achse die Magnitude A und die T-Achse die Zeit im Format MM:SS.
Eine Bettsensorvorrichtung 9 enthält einen Datenlogger 3 und vier Sensoreinheiten 2, die im Wesentlichen als Kraftsensoren (d.h. Kraftmesszellen) konfiguriert sein können. Die Sensoreinheiten 2 können eine hohe Sensibilität aufweisen. Auf diese Weise kann jegliche Druckveränderung aufgrund mechanischer Bewegungen erfasst und in den Vibrationen der Sensormessung reflektiert werden, einschließlich der sehr trivialen Atmungsaktivität. Der Datenlogger 3 kalibriert die Rohdaten und erzeugt ein Wellenformsignal, das Körperbewegungen widerspiegelt. Andere Informationen, wie zum Beispiel Körpergewicht, Schwerpunkt und Haltung, können ebenfalls aus dem Datenlogger 3 extrahiert werden. Diese Zusatzinformationen sind nicht im Umfang der vorliegenden Offenbarung enthalten und werden nicht weiter erörtert. Der drahtlose Datensender und Empfänger (Transceiver) 10 ist in den Datenlogger 3 zur Datenkommunikation integriert. Eine bettmontierte Vorrichtung und ihr Ausgabe-Wellenformsignal sind in 1 veranschaulicht.
Das Bettsensorsystem 9 erfasst durch mechanische Bewegungen hervorgerufene Vibrationen. Regelmäßige Bewegungen, wie zum Beispiel Umdrehen, Aufsetzen, Husten, ergeben eine relativ große Magnitude A in der gemessenen Wellenform, wodurch die Atmungsinformationen überdeckt werden, wie ab der zehnten Minute in 1 gezeigt ist (unten). Wenn der Teilnehmer/Patient jedoch ruht, können auf die Atmung bezogene Bewegungen durch die gemessene Wellenform erfasst werden, trotzdem sie nur eine sehr kleine Magnitude A aufweisen (zwei Größenordnungen kleiner verglichen mit der, die durch regelmäßige Bewegungen verursacht wird). Diese „schwachen“ Signale enthalten jedoch reichhaltige Atmungsinformationen, aus denen mit entsprechenden Signalverarbeitungstechniken die zugrunde liegende RR geschätzt werden kann.
2 ist eine weitere vereinfachte schematische Darstellung des RR-Überwachungssystems 1, wobei mehr Details gezeigt sind. Verschiedene Komponenten, d.h. lokale Geräte 2, 3, die biologische Patienteninformationen sammeln, Service Provider (Server) 4, Endverbraucher 5, können entweder verteilt sein oder denselben Zugangspunkt teilen. Die schematische Darstellung veranschaulicht einen schwierigeren verteilten Fall, in dem die lokalen Geräte 2, 3 und der Server 4 über ein VPN (Virtual Private Network) 6 verbunden sind, während ein autorisierter Zugang zwischen dem Server 4 und den Endverbrauchern 5 aufgebaut wird, um Datensicherheit und den Datenschutz für Patienten zu gewährleisten.
Mit anderen Worten zeigt 2 einen potentiellen allgemeinen Aufbau des Systems 1, wobei eine skalierbare Architektur verwendet wird, die eine Echtzeitüberwachung mehrerer Teilnehmer ermöglicht. An verschiedenen Standorten verteilte Geräte 11 sind mit dem zentralen Datenverarbeitungspunkt 12 verbunden, in dem die meisten der rechenintensiven und ressourcenfressenden Dienste untergebracht sind, einschließlich des Gateways 13, Back-Front-Enden 14 und die ML-Komponente 15.
Zur einfacheren Darstellung kann dieser zentrale Datenverarbeitungspunkt 12 hier auch als der „Server“ 12 bezeichnet werden.
Eine Menge von Back-End-Diensten laufen auf dem Server 12, um die Effizienz, Sicherheit, Stabilität und auf diese Weise qualitativ hochwertige Benutzererfahrungen zu sichern. Zum Beispiel sind das Authentifizierungsdienste zur Verwaltung von Benutzerkonten, Geräte- und Patientendienste zur Registrierung und Zuordnung, Ausgabe, Kommentar und Mitteilungsdienste zum Berichten von Problemen und zum Pushen einer Front-End-Visualisierung. Zur Unterstützung der Kompatibilität mit anderen Gesundheits- und Pflege-Plattformen werden die die gesammelten Daten enthaltenden Datenpakete in FHIR-Nachrichten (Fast Healthcare Interoperability Resources) umgewandelt. Zum effizienten Handhaben der großen Menge der durch das Gateway aus den verteilten Geräten gesammelten Datenpakete ordnet ein RabbitMQ Message Broker 8 die umgewandelten FHIR-Nachrichten in Warteschlangen ein und leitet sie an das Speichersystem weiter. MongoDB 16 wird verwendet, um die Datenbank zu verwalten, die mehrere Sicherheitsmaßnahmen zum Datenschutz enthält.
Die Front-End-Komponente 17 ermöglicht (autorisiert) es, dass Benutzer auf eine interaktive Web-Schnittstelle zugreifen, um i) Benutzerkonten zu verwalten, ii) eine Echtzeitüberwachung vorzusehen und auch auf Historiendaten zuzugreifen, iii) die Geräte- und Patientenberichte zu verwalten, zum Beispiel neue Patienten hinzuzufügen und zu registrieren, iv) Warnhinweise zu geben, wenn das System unregelmäßige Muster in Teilnehmermessungen erfasst, die möglicherweise auf Aktivität und/oder Gesundheitsrisiken hinweisen.
Die Verarbeitungs- und Speicherkapazität des Systems 1 kann durch Cloud-Computing und Big-Data-Analysetechniken auf einem Cloud-Server gesteigert werden, was die Skalierbarkeit des Systems beträchtlich verbessern könnte, wodurch sein möglicher Einsatz in den Stationen und Krankenhäusern mit einer großen Patientenpopulation verbessert werden könnte. Hierdurch werden auch die Hardwarekosten zum Erstellen und Pflegen lokaler physikalischer Server zur individuellen Nutzung in Heimumgebungen verringert, zum Beispiel zur Pflege zu Hause von alleinlebenden älteren Menschen. Zusätzlich ermöglicht ein Cloud-Server auch die Systempflege (z. B. Dienst-Upgrade) und maximiert die Stabilität (z. B. weil Probleme der Kompatibilität eines lokalen Servers vermieden werden).
Nachdem die Daten-Sammel- und -Speicher-Komponenten bereitgestellt wurden, werden die Daten unter der Verwendung von Analyse- und ML-Methoden analysiert. Verschiedene ML-Methoden wurden auf diesem Gebiet auf verschiedene Fälle angewendet. Die bestehenden Techniken sind jedoch für die dynamischen und multivarianten Daten in dem System nicht skalierbar. Es gibt Methoden zur RR-Schätzung, welche die dynamischen Sensordaten in dem System und dann im Auswertungsabschnitt nutzen. Die Leistung des Systems wird mit den herkömmlichen Benchmark-Algorithmen verglichen.
3 ist die Darstellung einer 30 Sekunden langen Sensor-Wellenform, bei der die T-Achse die Zeit in Sekunden zeigt, während der der Teilnehmer vier Stadien mit (untere drei) und ohne (oberste) Körperbewegungen außer der Atmung durchläuft. Körperbewegungen modifizieren und verdecken Atemaktivitäten in der Wellenform, was für die RR-Schätzung zu unzuverlässigen Daten führt.
Der Bettsensor 2 erzeugt eine Wellenform, die sich auf Atmung bezieht, wenn der Patient im Ruhezustand oder annähernd unbewegt ist. Es ist jedoch nicht praktisch umsetzbar, einen Patienten über eine lange Zeit unbewegt zu halten. Deshalb wird der Einfluss von Ausreißern und unzuverlässigen Daten, die durch Körperbewegungen verursacht werden, gemildert, während die RR kontinuierlich überwacht wird.
3 veranschaulicht die gesammelten Bettsensorsignale, während der Teilnehmer 4 Stadien durchläuft: unbewegt in einer rückgelehnten Position 19, sprechend in einer rückgelehnten Position 20, sich zufällig bewegend 21 und keuchend 22 (die Figuren sind von oben nach unten gezeigt). Wenn der Teilnehmer unbewegt liegt 19, ergibt das Signal ein Sinusmuster mit einer sehr kleinen Magnitude A. Jeder Übergang von einem Maximum (Spitze) zu einem Minimum ist in diesem Fall einem vollen Atemzyklus zugeordnet. Die RR kann dann direkt berechnet werden, indem Spitzen (Maxima) innerhalb eines bestimmten Zeitraums gezählt werden.
Wenn es neben der Atmung noch weitere Aktivität, wie zum Beispiel Sprechen 20, gibt, können die dem Atmen zugeordneten Wellenformen, die von den Sensoren gesammelt werden, beträchtlich verzerrt werden. Sprech-Atmen hat aufgrund der Veränderungen der Tiefe und der Dauer des Einatmens und Ausatmens unregelmäßige Zyklen. Beim Sprechen werden Muskeln des Unterkiefers, des Halses und der Schulter aktiviert, und es gibt Thoraxbewegungen, und diese Kinematik ist im Vergleich zu Atemaktivitäten nicht vernachlässigbar, wodurch Artefakte und Ausreißer eingeführt werden. Wenn dabei „schwerere“ Bewegungen auftreten, wie zum Beispiel Zufallsbewegungen 21 und Keuchen 22, werden große Magnituden A erhalten, wie in den letzten beiden Teilplots in 3 gezeigt ist. Diese Bewegungen zeigen viel komplexere und unregelmäßigere Muster aufgrund ihrer Zufälligkeit in Position, Richtung und Stärke der Bewegung. Am wichtigsten ist jedoch, dass die Ateminformationen durch diese Bewegungen verzerrt werden. Deshalb sind die betroffenen Sensormessungen für die RR-Schätzung möglicherweise nicht zuverlässig.
Eine Lösung für dieses Problem der Daten-Reliabilität ist die Anwendung eines Klassifikators gefolgt von der RR-Schätzung. Der Klassifikator erkennt die Reliabilität eines Sammelns oder eines kurzen Segments der Sensormessung, d.h. es handelt sich um einen binären Annahme-Verwerfung-Klassifikator. Danach können von den ausgewählten zuverlässigen Daten beigetragene Informationen zum robusten Berechnen der Atemfrequenz verwendet werden.
Körperbewegungen verursachen oft größere Magnituden A (größere Energie) als Atemaktivitäten. Eine einfache Lösung besteht darin, dem Wellenformsignal einen Energieschwellenwert aufzuerlegen. Diese Lösung kann sich jedoch schlecht darauf einstellen, Muster zu erkennen, die durch Atmen und sehr geringe Bewegungen, wie zum Beispiel Sprechen, verursacht werden. Zusätzlich ist es schwierig, den Schwellenwert zu definieren, wenn man individuelle Unterschiede im Gewicht, der Position (Rand oder Mittelpunkt des Bettes), der Haltung (auf dem Rücken liegend liegend, auf der Seite liegend) und des Atemtyps (tiefes Atmen, leichtes Atmen), die alle Auswirkungen auf den Energiepegel des Signals haben, berücksichtigt.
Ein vorteilhaftes Verfahren gemäß der vorliegenden Offenbarung ist ein überwachtes Training durch Liefern von genügend gekennzeichneten Daten und eines entsprechenden Klassifizierungsmodells. Ein überwachter Algorithmus kann angewendet werden, um die versteckte Struktur freizulegen und die in den Daten enthaltenen zugrunde liegenden Informationen zu erforschen.
Eine Vielzahl überwachter Klassifizierungsverfahren kann binäres Clustering, zum Beispiel die Modelle Logistik Regression (LR), Entscheidungsbäume, Random Forest, Stützvektormaschine (Support Vector Machine, SVM) und tiefes neuronales Netz (Deep Neural Network, DNN) durchführen. Entscheidungsbäume und Random Forest werden oft bei Daten mit vielfachen Arten von Merkmalen eingesetzt. Dies ist jedoch bei einer zeitseriellen eindimensionalen Wellenform nicht der Fall. LR hat die Tendenz zum Overfitting und nimmt eine lineare Kombination der eingegebenen Merkmale an. Auf der anderen Seite zeigt SVM Vorteile eines reichhaltigen Hypothese-Raums mit einer großen Anzahl von Kernelfunktionen, die linear herausfordernde Daten handhaben. Modelle mit neuronalen Netzen sind dazu fähig, „in großen Datensätzen eine feingliedrige Struktur zu entdecken“, wenn ein genügend großer Satz von Trainingsdaten vorhanden ist. Gemäß der vorliegenden Offenbarung werden SVM und DNN vorgesehen, um einen robusten Klassifikator aufzubauen.
s(t) sei das Wellenformsignal, das von dem Zeitpunkt t indiziert wird, und - F_s sei die Abtastrate. Zielsetzung ist das Aufbauen eines Klassifikators, der die Reliabilität des n-ten Rahmens s(n) = [s((n - 1)F_s + 1), ..., s(nF_s)]^T erfasst, wobei das hochgestellte T die Transposition repräsentiert. Diese Grundwahrheits-Reliabilitäts-Kennzeichnung wird als y(n) ∈ {0,1} bezeichnet. Zum Konstruieren der Eingaben in die offenbarten Klassifizierungsmodelle werden die folgenden Merkmale extrahiert.
Wie schon erwähnt, ergeben Atemaktivitäten und andere Körperbewegungen unterschiedliche Energiepegel. Zum Unterdrücken unzuverlässiger Ausreißer mit großen Magnituden A und zum Betonen der stabilen, jedoch „schwachen“ Atemwellenform wird das Signal mit einer skalierten und verschobenen Sigmoid-Funktion zuerst auf den Bereich von (-0,5, 0,5) normalisiert: $\bar{s} (t) = 1 / (1 + exp (- σ s (t))) - 0.5,$
wobei σ der Skalierungsfaktor ist. Der normalisierte n - te Rahmen wird als s̅(n) bezeichnet.
Zur Nutzung der temporalen Information über den aktuellen Rahmen n hinaus, z.B. der Korrelation zwischen benachbarten 2L + 1 Rahmen, werden über den n - ten Rahmen zentrierte Rahmen extrahiert und zusammen verkettet, wobei 2L + 1F_sdimensionale Daten resultieren: $z (n) = {[\bar{s} {(n - L)}^{T}, \dots, \bar{s} {(n + L)}^{T}]}^{T} .$
Zur Vermeidung eines übertriebenen Fittings hochdimensionaler Daten wird eine Hauptkomponentenanalyse (PCA) angewendet, um die Datendimension zu verringern. Das PCA-Verfahren erzeugt das Merkmal x(n): $x (n) = Wz (n),$
wobei W E ℝ^Qx(2L+1)F
s Q Eigenvektoren enthält, die den größten Q Eigenwerten entsprechen, überspannt von dem Eigenraum {z(n)}, n = 1, 2, ... , N von allen N Trainingsabtastungen.
Im Prinzip können auch andere Zusammenfassungstechniken, die die Zeitserie effizient darstellen, zur Merkmalsextraktion verwendet werden. Zum Beispiel kann die diskrete Cosinus-Transformation und Eigenwertcharakterisierung der segmentierten Daten ebenfalls zur Dimensionsreduktion verwendet werden. In der vorliegenden Ausführungsform besteht die Zielsetzung jedoch in der Implementierung eines (nahe) Echtzeitverfahrens und der Vermeidung der Verwendung von Verfahren, die eine höhere Rechenkomplexität haben. Die extrahierten Merkmale behalten und repräsentieren die Schlüsselcharakteristiken der Daten und ermöglichen den Aufbau eines robusteren Klassifikators.
2) SVM: Die extrahierten Merkmale werden in den SVM-Trainingsprozess eingespeist, in dem die c-Stützvektor-Klassifizierung verwendet wird, die die Zielsetzung hat, Folgendes zu optimieren: $\begin{array}{l} arg min_{p, p_{0}, ξ} = 0.5 {‖ p ‖}^{2} + C \sum_{n = 1}^{N} ξ_{n} \\ s .t . y (n) (p^{T} ϕ (x (n)) + p_{0}) \geq 1 - ξ_{n} \cdot ξ_{n} > = 0, \end{array}$
wobei || · | die Frobenius-Norm ist, C der Box Constraint ist, der den Penalty-Ausdruck von Schlupfvariablen ξ_n gewichtet; ϕ(·) eine Konvertierung der eingegebenen Daten in einen höherdimensionalen Raum anwendet.
Gleichung (4) wird durch eine duales Optimierungsproblem gelöst, das auf dem Kernelraum definiert ist, wobei der Kernel das innere Produkt zweier konvertierter Variablen ist. Der Kernel kann aus einer Menge von Kernelfunktionen ausgewählt werden. Der Kernel der radialen Basisfunktion (RBF) wurde auf Basis der Vorab-Klassifizierungstests ausgewählt. Der duale Optimierungsprozess wurde durch den Box Constraint C, und einen Kernel-Skalierungsparameter γ, der über eine heuristische Prozedur, wie zum Beispiel eine Gittersuche, gesetzt werden kann, reguliert, nachdem die Kernelfunktion gewählt wurde. Das trainierte Modellψ^(svm)(·) wird zur Reliabilitätserfassung auf einen Datenpunkt angewendet: $\hat{y} (n) = sign (Ψ^{(svm)} (x (n))) .$
Wenn durch Bagging erhaltene Ensembles von SVM-Modellen $Ψ_{k}^{(svm)} (\cdot), k = 1, \dots, K$
über eine K-fache Kreuzvalidation trainiert werden, wird die letzte Vorhersage zu: $\hat{y} (n) = sign (\sum_{k = 1}^{K} Ψ_{k}^{(svm)} (x (n))) .$
3) DNN: DNN können die komplexen zugrunde liegenden Strukturen in den Daten lernen. In der vorliegenden Ausführungsform wird zuerst ein herkömmliches Mehrschicht-Perzeptron (MLP)-Modell implementiert, um den Daten-Reliabilitäts-Klassifikator zu konstruieren.
4 ist eine vereinfachte schematische Darstellung eines MLP-Netzes gemäß Aspekten der vorliegenden Offenbarung. Das implementierte MLP-Netz enthält drei versteckte Schichten (Hidden Layers), die jeweils von einer Dropout-Schicht 23 gefolgt werden. Schwarze Linien zwischen der Eingabe-Schicht und der ersten versteckten Schicht bezeichnen die Dense-Kombination 24, wobei der Bias-Ausdruck über eine Einheit von 1 addiert wird. Die folgenden Schichten und ihre Dense-Verbindungen 24 wurden zu Veranschaulichungszwecken vereinfacht. Nichtlineare Neuronen werden nach der vollständig verbundenen (Fully Connected oder Dense) Schicht 24 verwendet, z.B. rektifizierte Lineareinheiten (ReLU) und Sigmoid-Funktionen, die oben aufgetragen sind.
MLP, auch als Vanilla Network bezeichnet, hat eine einfache Feedforward-Struktur, wie in 4 gezeigt. Einheiten in zwei benachbarten Schichten sind über vollständig verbundene Dense-Verbindungen 24 verbunden, gefolgt von einer nichtlinearen Aktivierungsfunktion. In einer Ausführungsform werden ReLU an versteckten Schichten zur schnellen Berechnung in der Backpropagation und schnellen Konvergenz verwendet. Das Sigmoid-Neuron wird an der letzten Ausgabe-Schicht verwendet, um die Vorhersage innerhalb des Bereichs von (0,1) einzuschränken. Um ein Overfitting zu vermeiden, wird nach jeder Dense-Schicht 24 eine Dropout-Schicht 23 verwendet, wodurch Einheiten zusammen mit ihren Verbindungen in einem vordefinierten Verhältnis zufällig fallen gelassen werden.
Dasselbe Eingabemerkmal für den SVM-Klassifikator, d.h. die PCA-Komponente aus 2L + 1 verketteten Rahmen in Gleichung (3), wird in das MLP-Modell ψ^(mlp)(·) eingesetzt, um die finale Vorhersage zu erhalten: $\hat{y} (ñ) = sign (Ψ^{(mlp)} (x (n)) - 0.5) .$
Um das MLP-Modell ψ^(mlp)(·) zu trainieren, wird die Kreuzentropie als die Verlustfunktion während der Backpropagation minimiert: $- y log (Ψ^{(mlp)} (x)) - (1 - y) log (1 - Ψ^{(mlp)} (x)),$
wobei zur größeren Einfachheit der Zeitindex n weggelassen wird.
Die einfache MLP-Struktur hat jedoch die Einschränkung, dass ihr Aufnahmefeld durch die feste Eingabegröße, z.B. 2L + 1 Rahmen, eingeschränkt ist. Deshalb wird die lange zeitliche Information nicht ausgenutzt. Zum Kompensieren der Vernachlässigung der langfristigen Kontextinformationen wurde ein weiteres hybrides Netz hauptsächlich auf Basis der Rekurrenten Neuronalen Netze (RNN) implementiert.
5 ist eine vereinfachte schematische Darstellung einer hybriden RNN gemäß Aspekten der vorliegenden Offenbarung. Das implementierte hybride RNN enthält zwei gestapelte Schichten eines lang anhaltenden Kurzzeitgedächtnisses (LSTM, Long Short-Term Memory) und eines Rückwärts-LSTM, das zukünftige L Rahmen ausnutzt, wodurch versteckte Vorwärts- 26 und Rückwärts-Tensoren 27 ausgegeben werden, die durch Summation verschmolzen werden. Eine vollständig verbundene Dense-Schicht mit einer Sigmoid-Aktivitätsfunktion wird bei jedem Zeitpunkt des verschmolzenen Tensors angewendet, um die aufeinanderfolgenden Vorhersagen zu erzeugen. Die LSTM-Schichten sind mit dicken hohlen Pfeilen veranschaulicht, und die Blöcke 25 sind die Tensor-Ausgaben. RNN kann Eingaben verschiedener Länge von T aufnehmen, und man bekommt T ≥ 2L ≥ 2L + 1 Rahmen von Eingabedaten. Anstelle der Verwendung der extrahierten Merkmale, wie zum Beispiel der PCA-Komponente, die in den Verfahren SVM und MLP eingesetzt werden, werden normalisierte Zeitserien s̅(n), n = 1, ..., T direkt verwendet. RNN-Schichten mit LSTM-Einheiten werden verwendet, welche bei der Vorhersage des aktuellen Rahmens die Historieninformationen aus allen vorhergehenden Rahmen nutzen. Eine Alternative ist bidirektionales LSTM (BiLSTM), das sowohl den vorherigen Kontext als auch den zukünftigen Kontext erforscht, um die Zeitabhängigkeiten für den aktuellen Rahmen zu lernen. BiLSTM führt jedoch zu einem Latenzproblem und erfordert, dass eine gesamte Sequenz durchläuft, was für die Online-Verarbeitung nicht geeignet ist. Zur Lösung dieses Problems wurde eine hybride Struktur angewendet, wie sie in 5 gezeigt ist. Das offenbarte Modell modifiziert den Mechanismus bidirektionaler rekurrenter Netze, während es jedoch gleichzeitig die Möglichkeit einer Online-Verarbeitung mit einer annehmbaren Latenz bietet. Zum Bereitstellen einer konsistenten Basis zum Vergleich mit den Modellen SVM und MLP, die sowohl vorhergehende als auch zukünftige L Rahmen verwenden, hat die offenbarte RNN-Struktur auch L Rahmen Latenz.
Die normalisierte Zeitserie [s̅(1), ..., s̅(T - L)] geht zuerst durch zwei gestapelte LSTM-Schichten, die beide D Filter enthalten, was in einem Vorwärts-Tensor 26 einer Größe D × (T - L) resultiert. Parallel dazu werden die Zeitserien [s̅(L+1), ..., s̅(T)] in T - 2L überlappende Segemente unterteilt, die jeweils L + 1 Rahmen enthalten. Jedes Segment geht durch eine rückwärts gerichtete LSTM-Schicht, die D Filter enthält, und nur die letzte Rahmenausgabe ist reserviert. Ausgaben aus allen Segmenten werden verkettet, um einen Rückwärts-Tensor 27 einer Größe D × (T - 2L) zu bilden. Der Vorwärts- 26 und der Rückwärts-Tensor 27 werden zusammenaddiert, und zum Beibehalten der dimensionalen Konsistenz werden nur die letzten (T - 2L) Rahmen des Vorwärts-Tensors 26 mit dem Rückwärts-Tensor 27 vereinigt. Sigmoid-Einheiten werden auf den vereinigten Tensor bei jedem Rahmen angewendet, wodurch T - 2L Kennzeichnungs-Schätzungen erzeugt werden, die T - 2L Rahmen zugeordnet sind, die von L + 1 bis T - L indiziert sind.
Zur Anwendung dieses RNN Netzes auf ein Online-Vorhersage-Szenario (d.h. Erzeugung einer Kennzeichnungs-Vorhersage, wann ein neuer Rahmen ankommt), wird eine Verzögerung von L Sekunden zugelassen, um die zukünftigen L Frames für die Aktualisierung des Rückwärts-Tensors 27 zu erhalten. Zusätzlich werden versteckte Ausgaben der zwei gestapelten LSTM-Schichten am vorhergehenden Rahmen behalten, welche die Historieninformationen repräsentieren. Wenn man das RNN-Modell als ψ^(mn)(·) bezeichnet, wird die Reliabilität erhalten als: $\hat{y} (n) = sign (Ψ^{(mn)} ([\bar{s} (1), \dots, \bar{s} (n + L)]) - 0.5) .$
Nach dem Anwenden der konvergierten Klassifizierungsmodelle auf die gesammelte Wellenform zum Erfassen, ob ein Rahmen von Daten zuverlässig ist oder nicht, kann die RR aus diesen zuverlässigen Rahmen extrahiert werden. Zwei RR-Schätzmethoden werden implementiert, von denen eine auf einer Spitzenzählung (Peak Counting) und die andere auf einer Hilbert-Transformation (HT) basiert.
Aus der oberen Zeile in 3 kann beobachtet werden, dass ein vollständiger Atemzyklus ein Maximum und ein Minimum hat. Als Ergebnis hiervon ist die Anzahl von Atemzügen in einem bestimmten Zeitraum gleich der Zählung der Maxima (Spitzen).
Angenommen I Segmente aufeinanderfolgender Daten werden während eines Zeitraums als zuverlässig erfasst, z.B. über eine Minute, und t_i,1 bis t_l,2 der Anfangsindex bzw. der Endindex des i - ten Segments. Dieses Segment wird mit s_i = [s(t_i,1), ..., s(t_i,2)]^T bezeichnet. Spitzen können als die lokalen Maxima in der Kurve erfasst werden. Zur Vermeidung falsch-positiver Ergebnisse, sollten Einschränkungen, wie zum Beispiel ein Schwellenwert für die Magnitude A und ein Höhendifferenzschwellenwert mit dem benachbarten Minimum auferlegt werden. Angenommen, es werden insgesamt J_i Maxima in s_i, angeordnet bei p_i,j, j = 1, ..., J_i. erfasst, dann kann RR wie folgt berechnet werden: $RR = \frac{(\sum_{i = 1, J_{i} > 1}^{I} (J_{i} - 1) + \sum_{i = 1, J_{i} \leq 1}^{I} J_{i}) 60 / F s}{\sum_{i = 1, J_{i} > 1}^{I} (p_{i}, J_{i} - p_{i,1}) + \sum_{i = 1, J_{i} \leq 1}^{I} (t_{i,2} - t_{i,1})} .$
6 ist eine vereinfachte schematische Darstellung, in der die Anwendung von HT auf die Signale in den beiden oberen Zeilen von 3 veranschaulicht wird. Die Anwendung von HT auf die Signale in den beiden oberen Zeilen von 3 ist vorteilhaft zum Erhalten der gefalteten Phase B (oben), aus der die IF berechnet und auf RR abgebildet werden kann (unten). Unter der Verwendung der HT-basierten Methode der Steigungsanpassung (Slope Fitting) wurden die RR-Werte von 20 bzw. 16 jeweils für diese beiden Sequenzen berechnet.
Eine HT-Methode kann zur Berechnung der momentanen Frequenz (Instantaneous Frequency, IF) verwendet werden, die die Steigung der ungefalteten Phase des Analysesignals ist. $IF = \nabla U (∠ H (\cdot)),$
In der vorliegenden Ausführungsform wird HT auf die Signale in den beiden oberen Zeilen von 3 angewendet, um die gefaltete Phase B (oben) zu erhalten, für welche die IF berechnet und auf RR abgebildet werden kann (unten). Unter der Verwendung der HT-basierten Methode der Steigungsanpassung wurden die RR-Werte von 20 bzw. 16 jeweils für diese beiden Sequenzen berechnet.
Wenn H(·) HT bezeichnet, dann entfaltet U(·) die Phase, und berechnet ∇ die Gradienten. Für die vorliegende Ausführungsform kann die IF direkt auf die RR abgebildet werden durch: $RR = \frac{60}{2 π} IF .$
Die IF ist jedoch gegenüber Rauschen sehr empfindlich ist. Das Atemmuster einer Person ist keine ideale Sinuswelle. Lokale Änderungen im Einatmen und Ausatmen würden daher große Veränderungen in der erfassten RR verursachen, wie in 6 veranschaulicht ist, wo die punktierte Linie das aufgenommene Signal einer liegenden Person zeigt, die vollkommen unbeweglich liegt, und die durchgezogene Linie das aufgenommene Signal einer liegenden Person zeigt, die spricht. Die IF ist im Wesentlichen die Steigung der Phasenkurve an jedem Zeitpunkt. Wenn man jedoch die Gesamtsteigung beobachtet, ist diese relativ glatt und reflektiert stabilere Ateminformationen. Als Ergebnis hiervon kann ein robuster RR-Wert aus allen zuverlässigen Datenpunkten durch eine Anpassung durch fragmentierte Linien (Fragmented Line Fitting) erhalten werden. α_i sei die ungefaltete Phase aus H(s_i): $α_{i} = U (∠ H (s_{i})) = {[α (t_{i,1}), \dots, α (t_{i,2})]}^{T},$
dann können die Beiträge zur Steigungsanpassung aus allen I Segmenten wie folgt formuliert werden: $\underset{η}{\underset{︸}{[\begin{matrix} \begin{array}{l} α_{1} {\begin{cases} α (t_{1,1}) \\ α (t_{1,1} + 1) \\ ⋮ \\ α (t_{1,2}) \end{cases} \\ ⋮ \\ ⋮ \end{array} \\ α I {\begin{cases} α (t_{I,1}) \\ α (t_{I,1} + 1) \\ ⋮ \\ α (t_{I,2}) \end{cases} \end{matrix}]}} \approx \underset{Φ}{\underset{︸}{[\begin{matrix} 1 & 1 & 0 & \dots & 0 \\ 2 & 1 & 0 & \dots & 0 \\ ⋮ & ⋮ & ⋮ & ⋮ & ⋮ \\ Δ t_{1} & 1 & 0 & \dots & 0 \\ 1 & 0 & 1 & 0 & \dots \\ 2 & 0 & 1 & 0 & \dots \\ ⋮ & ⋮ & ⋮ & ⋮ & ⋮ \\ 1 & 0 & \dots & 0 & 1 \\ 2 & 0 & \dots & 0 & 1 \\ ⋮ & ⋮ & ⋮ & ⋮ & ⋮ \\ Δ t_{I} & 0 & \dots & 0 & 1 \end{matrix}]}} \underset{b}{\underset{︸}{[\begin{matrix} b_{0} \\ b_{1} \\ ⋮ \\ b_{I} \end{matrix}]}},$
wobei Δt_I = t_i,2 - t_i,1 + 1 ist und b die Gesamtsteigung b₀ und einen Bias-Ausdruck b_i für jedes i - te Segment enthält, dessen Lösung in geschlossener Form wie folgt ist: $b = {(Φ^{T} Φ)}^{- 1} Φ^{T} η .$
Durch Integrieren der Abtastfrequenz, die in Gleichung (14) weggelassen wurde, wird unter der Verwendung von Gleichung (12) $RR = \frac{60 F_{s}}{2 π} b_{0}$
erhalten.
Zum Trainieren und Validieren der offenbarten ML-Methoden zur RR-Schätzung wurden Daten von vier Teilnehmern aufgezeichnet, die jeweils ungefähr eine Stunde dauerten. Die Daten wurden auf einem standardmäßigen Einzelbett aufgenommen, wie es in 1 dargestellt ist. Eine ausgebildete Beobachtungsperson zählte die Anzahl von Atemzügen während festgelegter Zeiträume, wenn die Atemaktivität sichtbar war. Die Beobachtungsinformationen wurden als Grundwahrheit-RR verwendet, um das offenbarte Verfahren zu validieren. Insgesamt wurden 56 Minuten erfolgreich mit einer Grundwahrheit RR geloggt. Angaben über die vier Teilnehmer, einschließlich Geschlecht, Alter, Gewicht und Körper-Gewichts-Index (Body Mass Index, BMI) sind in Tabelle I zusammengefasst. Keiner hatte bekannte Atemvorerkrankungen, welche die Ventilation behindern würden.
TABELLE I: Zusammenfassung der demographischen Informationen der Teilnehmer

# Geschlecht Alter Gewicht [kg] BMI

1 M 25 93 24.26

2 F 23 50 19.53

3 M 46 68 21.4

4 F 25 62 21.9
Zum Simulieren von Atemaktivitäten, sowie anderer Aktivitäten und Faktoren, die das Atemmuster stören könnten, wurden alle Teilnehmer gebeten, die folgenden 17 Aktionen auszuführen, die jeweils 2 Minuten dauerten: Liegen in einer auf dem Rücken liegenden Position, Liegen auf dem Bauch, Liegen auf der linken Seite des Körpers, Liegen auf der rechten Seiten des Körpers, auf dem Rücken liegende Position in der Nähe des rechten Bettrands, auf dem Rücken liegende Position in der Nähe des linken Bettrands, zufällige Bewegungen auf dem Bett, Beine Herumwerfen, Husten, tiefe Atemzüge, Keuchen (nach Atem Ringen), Sprechen, Aufsitzen in der Mitte des Bettes, Sitzen auf dem Bettrand, schnelle seichte Atemzüge, Körpertremor, Beinbewegungen.
Insgesamt wurden 14078 Sekunden Daten aufgezeichnet. Zum Trainieren der zuvor in Abschnitt III erwähnten Reliabilitäts-Klassifikatoren, wurde die Daten-Reliabilität pro Sekunde (Rahmen) gekennzeichnet. Drei Klassifikatoren wurden trainiert, wie unten im Einzelnen ausgeführt.

1) SVM: Ein SVM-Klassifikator wurde zuerst trainiert. Zum Extrahieren von in dem SVM-Modell verwendeten Merkmalen wurde der Skalierungsfaktor σ in Gleichung (12) empirisch auf 10 gesetzt. Verschiedene Zeitparameter L wurden getestet. PCA wurde angewendet, um die größten Eigenwerte zu erhalten, die über 95% Eigenraum beherrschen. Insgesamt wurden 14078 - 8L Merkmalsvektoren erhalten, die zum Testen des Trainings (80% - 20%) aufgespalten wurden. Eine 10-fache (K = 10) Validation wurde angewendet, um ein Ensemble von SVM-Modellen $ψ_{k}^{(s v m)} (\cdot), k = 1, \dots, K$
zu generieren.

Die Ergebnisse zeigten unter Verwendung eines Gaußschen Kernels (d.h. RBF-Kernels) hinsichtlich einer Vorhersagegenauigkeit eine bessere Leistung und wurden daher danach auch gewählt. Dies stimmt auch mit einer Intuition über die RR-Daten überein, die eine multivariante Gauß-Verteilung zu haben scheint. Die Parameter γ und C wurden über eine Gittersuche ausgewählt, die mit dem Zeitparameter L variierte.
Fünf Kandidaten von L wurden getestet, und die Leistung wurde an dem Test-Datensatz mit den folgenden drei Metriken evaluiert (Evaluations): Gesamterfassungsfehler (Fehler), Präzision $precision = \frac{# tp}{# tp + # fp},$
und Trefferquote $recall = \frac{# tp}{# tp + # fn} .$
Diese Ergebnisse sind in Tabelle II zusammengefasst.

TABELLE II: quantitative Evaluierungen der erstellten SVM-Modelle

L	Parameter			Evaluationen
L	Q	C	γ	Fehler	Präzision	Trefferquote
0	3	2	0.05	0.23	0.65	0.71
1	7	2	0.2	0.14	0.80	0.78
2	11	2	0.3	0.12	0.83	0.79
3	15	2	0.4	0.11	0.87	0.78
4	19	2	0.5	0.10	0.88	0.79
5	23	2	0.6	0.11	0.88	0.77

Wie aus Tabelle II hervorgeht, verbessert sich die Leistung mit der Zunahme der zeitlichen Länge und bleibt nach einer spezifischen Länge, z.B. 7 Rahmen (L = 3), ungefähr stabil. Ein großes L führt jedoch auch zu einer größeren rechnerischen Komplexität aufgrund der relativ hochdimensionalen Daten sowie auch einer großen Anzahl von Stützvektoren in dem Modell, was es zu einem Overfitting tendieren lässt. Deshalb wurde beschlossen, das mit L = 3 trainierte Modell zu wählen, wie in Tabelle II hervorgehoben. Um die Vergleiche fair zu gestalten, wurde die gleiche zeitliche Länge auch für die auf DNN basierenden Modelle verwendet.
2) DNN: Zwei DNN-Topologien wurden implementiert: Strukturen von MLP und hybridem RNN.
Dieselben Merkmale, die für das SVM-Training verwendet wurden, wurden auch für das MLP-Modell verwendet. Wie in 4 veranschaulicht, hat das MLP-Modell drei versteckte Schichten. Die Größe wurde für jede der vollständig verbundenen Schichten auf 100 gesetzt, gefolgt von einer Dropout-Schicht von 0,2. Der Regularisierungsausdruck l₂ wurde mit einem Gewicht von 10^-6 hinzugefügt. 20% der Trainingsdaten wurden zur Validierung verwendet. Die Lernrate wurde auf 0,001 initialisiert, mit einer Verfallsrate von 0,99 nach jeder Epoche. Der Adam-Optimierer wurde in der Backpropagation eingesetzt. Mini-Batches der Größe 64 wurden verwendet, wobei für jedes Mini-Batch ∈ ℝ^64×Q gilt, wobei Q = 15 für I = 3 Situationen ist. Insgesamt wurden 1000 Epochen laufen gelassen, und die Trainingsdaten wurden nach jeder Epoche randomisiert.
Für RNN wurden die normalisierten Rohdaten direkt anstelle der über die PCA-Darstellung in Gleichung (3) extrahierten Merkmale verwendet. Wie in 5 dargestellt, wurden zwei Schichten von gestapelten LSTM-Schichten verwendet, wobei jede Schicht eine Größe von 50 hatte, was für jeden Zeitpunkt zu einem Vorwärts-Tensor 26 einer Dimension D = 50 führte. Der Rückwärts-LSTM hatte zur Beibehaltung der Konsistenz ebenfalls eine Größe von 50. Die anfänglichen L = 3 Rahmen des Vorwärts-Tensors 26 wurden entfernt, bevor eine Addition mit dem Rückwärts-Tensor 27 durchgeführt wurde. Mini-Batches einer Größe 32 wurden verwendet, wobei jeder Mini-Batch ∈ ℝ^32×F
s×T war, wobei 20 ≤ T ≤ 30. war. Das weitere Parameter-Setup ist mit dem MLP-Modell konsistent.
7 ist eine vereinfachte schematische Darstellung, die eine Konvergenz C der MLP- und der RNN-Methode an dem Validations-Datensatz veranschaulicht, wobei der MLP-Fehler 28, der MLP-Verlust 29, der Hybrid-RNN-Fehler 30 und der Hybrid-RNN-Verlust 31 gezeigt sind. Das Hybrid-RNN-Modell konvergierte nicht so schnell wie MLP. Doch zeigte es gegenüber MLP nach 100 Epochen E mit einem stabileren und geringem Verlust letztendlich eine bessere Leistung. Außerdem ergab das Hybrid-RNN-Modell auch konsistent eine größere Genauigkeit, d.h. eine geringere Fehlerrate als MLP. 7 zeigt die Konvergenz der beiden DNN-basierten Modelle an den Valiationsdaten hinsichtlich der objektiven Verlustfunktion (Kreuzentropie + Regularisierungsausdrücke) sowie den Gesamt-Vorhersagefehler. Es war zu beobachten, dass MLP nach 20 Epochen E schnell konvergierte. Danach verschlechterte sich sein Verlust geringfügig und blieb dann glatt. RNN zeigte auf der anderen Seite eine relativ langsame, doch stetige Verbesserung bei sowohl Verlust als auch Genauigkeit, wodurch es insbesondere für die Verlustkonvergenz eine bessere Leistung als MLP zeigte. Das RNN-Modell konvergierte nach ungeführ 400 Epochen E.
Auf die Testsequenzen angewendet zeigte MLP einen Fehler von 0,10, eine Genauigkeit von 0,88 und eine Trefferquote von 0,82, was geringfügig besser als SVM hinsichtlich der Genauigkeit und der Präzision war, sowie eine relativ größere Verbesserung von 0,04 in der Trefferquote. Das RNN-Modell zeigte Vorteile mit einer viel größeren Marge, ergab einen Fehler von 0,03, eine Präzision von 0,98 und eine Trefferquote von 0,94. RNN hatte eine viel größere Genauigkeit an Testsequenzen als der trainierte Datensatz, aus den folgenden Gründen.
In der RNN-Trainingsphase wurden die Vorwärts-Zeitinformationen nur für kurze Sequenzen verwendet, die 20 ≤ T ≤ 30 Rahmen lang dauerten. Die ersten paar Rahmen litten aufgrund des Fehlens langer Zeitabhängigkeiten mit größerer Wahrscheinlichkeit an einem höheren Erfassungsfehler. Auf der Inferenzstufe wurde das trainierte RNN-Modell auf viel längere Sequenzen angewendet, wobei die meisten Rahmen (außer den ersten paar Rahmen) von den angesammelten Zeitabhängigkeiten profitierten, wodurch sich eine größere Genauigkeit ergab.
Zum Demonstrieren des Unterschiedes in der Leistung der drei Reliabilitäts-Schätzmodelle trugen wir ein Beispiel einer Anwendung dieser Modelle auf einer Sequenz auf, die eine Stunde dauerte, wobei die direkten Vorhersageergebnisse vor dem Vorzeichen-Operator gezeigt wurden. Insgesamt zeigten SVM und MLP eine ähnliche Leistung, und beide litten an Unsicherheiten, insbesondere von der 30. bis zur 45. Minute. Das hybride RNN hatte jedoch eine höhere Leistung, die auch in der Nähe der Grundwahrheit war. Diese Beobachtung war mit den quantitativen Evaluierungen, die hier auch offenbart sind, ebenfalls konsistent.
8 ist eine vereinfachte schematische Darstellung, in der ein Vergleich von Vorhersageergebnissen (vor dem Vorzeichen-Operator) von den drei trainierten Modellen mit der Grundwahrheit 32 veranschaulicht ist. Die SVM-Vorhersageergebnisse wurden linear auf einen Bereich von [0 1] abgebildet, damit sie mit anderen Methoden konsistent sind, wobei 0 unzuverlässig und 1 zuverlässig ist.
9 ist eine vereinfachte schematische Darstellung, in der die Anwendung sowohl der Spitzenzählung 33 als auch der HT 34 auf die rohe Wellenform (schwarze Kurve mit der linken Y-Achse) RR dargestellt ist, um RR für jede Minute (Rauten- und Kreis-Kurven mit der rechten Y-Achse) A zu extrahieren. Auf Basis der Experten-Beobachtungen während des Aufzeichnungsprozesses war der Teilnehmer in den ersten 20 Minuten insgesamt in Ruhe mit gelegentlichen Bewegungen, und die durchschnittliche RR war ungefähr 16 Atemzüge pro Minute. Danach zeigte der Teilnehmer mehr und mehr Bewegungen, und nahm auch tiefe, langsame Atemzüge um die 38. Minute herum, und schnelle, seichte Atemzüge an der 53. Minute, wobei beides 2 Minuten lang dauerte. Von Ausreißern beeinträchtigt leidet die direkte RR-Schätzung unter großen Variationen von einer Minute zur anderen, insbesondere für das Verfahren der Spitzenzählung 33, bei dem die größere Wahrscheinlichkeit einer Überschätzung besteht. Das HT-Verfahren 34 leidet an niederenergetischem Nulldurchgangsrauschen, wie das durch die hervorgehobene Spitze um die 11. Minute herum veranschaulicht ist. Die kurzen Cyan-Balken sind die menschlichen Beobachtungen der Grundwahrheit.
Wenn die RR-Schätzung entweder über eine Spitzenzählung 33 oder eine HT 34 direkt auf die rohe Wellenform angewendet wird, könnte die Genauigkeit durch einen höheren Rauschpegel beeinträchtigt werden. 9 veranschaulicht die RR, die direkt von einer Sequenz extrahiert wurde, die eine Stunde dauerte, die jede Minute aktualisiert wurde. Aufgrund des großen Anteils unzuverlässiger Daten, die durch Körperbewegungen verursacht wurden, leiden das Verfahren der Spitzenzählung 33 und der HT 34 beide an hohen Fehlern, wie das durch die großen Sprünge zwischen zwei benachbarten Minuten widergespiegelt ist. Es wurde eine Einschränkung dahingehend eingeführt, dass eine Spitze nur dann als gültig betrachtet wird, wenn sie auf beiden Seiten um mindestens die Standardabweichung eines jeden einminütigen Segments abfällt. Es stellte sich aber immer noch heraus, dass die Spitzenzählung 33 mehr an Ausreißern litt und einen Trend der Überschätzung zeigte. Die HT 34 war relativ robuster als die Spitzenzählung 33. Es bestand jedoch auch hier ein höheres Niveau von Erfassungsfehler bei der Verwendung des HT-Verfahrens 34. Hauptsächlich war das Verfahren der HT 34 mit größerer Wahrscheinlichkeit von dem Nulldurchgangsrauschen betroffen, das eine niedrige Energie hatte, wie durch die Spitze um die 11. Minute (hervorgehoben durch die gestrichelte Linie 35) in 9 gezeigt ist.
Zur Lösung dieses Problems wurden die in Abschnitt IV-B aufgebauten Reliabilitätsmodelle mit den RR-Schätzmodellen kombiniert. Zunächst wurden die trainierten Ensembles der SVM-Modelle $Ψ_{k}^{(svm)} (\cdot), k = 1, \dots,10$
integriert. Die Reliabilitäts-Kennzeichnung wurde zunächst für jeden Rahmen (Sekunde) vorhergesagt. Segmente, die aufeinanderfolgende zuverlässige Rahmen enthielten, wurden dann extrahiert, und diejenigen, die nur ein oder zwei Sekunden lang dauerten, wurden entfernt. Diese Entfernung der Rahmen erfolgte aus folgenden Gründen: i) es ist sehr wahrscheinlich, dass während dieser kurzen Schnipsel keine Spitze erfasst wird, und ii) die Steigung nach der HT variiert für sehr kurze Segmente erheblich. Wenn die Gesamtlänge der verfeinerten Segmente länger als 9 Sekunden (15 Prozent der aktuellen Minute) war oder wenn das längste gültige Segment länger als 6 Sekunden (10 Prozent) dauerte, wurde durch Anwendung von Gleichung (10) und Gleichung (14) eine RR-Schätzung durchgeführt. Ergebnisse an denselben Daten wie 9 sind in 10 dargestellt.
10 ist eine vereinfachte schematische Darstellung, welche die Kombination des SVM-Modells mit der RR-Schätzung zur robusteren Extraktion einer Atemfrequenz zeigt.
Aufgrund des großen Anteils von Bewegungen (mehr als die Hälfte) hat nicht jede Minute ein zugeordnetes RR-Ergebnis. Es wird beobachtet, dass während der Intervalle, wenn der Teilnehmer überwiegend ruhte, d. h. während des normalen Atmens innerhalb der ersten 20 Minuten, tiefe Atemzüge von der 38. Minute an, seichte Atemzüge von der 53. Minute an, die RR mit einer größeren Genauigkeit sowohl durch Spitzenzählung 33 als auch HT 34 extrahiert wurde. Dann wurde das SVM-Modell durch das erste Modell eines neuronalen Netzes ψ^(mlp)(·) ersetzt. Wie in 8 gezeigt, hatte das MLP-Modell ein sehr ähnliches Annahme-Verwerfungs-Muster wie SVM, was auch durch ähnliche quantitative Evaluierungsergebnisse bei Fehler, Präzision und Trefferquote bestätigt wurde. Als ein Ergebnis ergaben die MLP-Integration für die RR-Schätzung sehr ähnliche Ergebnisse, wie in 10 gezeigt ist. Von allen erfassten RR, die denselben Zeitstempeln zugeordnet sind, hatten SVM und MLP eine absolute durchschnittliche Differenz von 0,56 Atemzügen pro Minute und 0,42 Atemzügen pro Minute für die Spitzenzählung 33 bzw. HT 34. Aufgrund ihrer ähnlichen Ergebnisse ist die RR-Schätzung kombiniert mit dem LMP-Modell nicht aufgetragen.
Das hybride RNN zeigte auf der anderen Seite eine höhere Erfassungsgenauigkeit als sowohl das SVM- als auch MLP-Modell, wie in 8 gezeigt ist. Dann wurde das SVM-Modell durch das RNN-Modell ersetzt, und die letztendlich extrahierte RR ist in 11 gezeigt.
11 ist eine vereinfachte schematische Darstellung, in der die Kombination des hybriden RNN-Modells mit der RR-Schätzung dargestellt ist. Im Vergleich mit 10 wurden weniger Segmente einer RR-Vorhersage zugeordnet, da mehr Rahmen korrekt als unzuverlässig erfasst wurden. Wenn der Teilnehmer normal in Ruhestellung atmete, d. h. die ersten 20 Minuten, zeigte das hybride RNN-Modell fast identische RR-Werte wie das SVM-Modell. Interessanterweise wurden, wenn der Teilnehmer um die 53. Minute herum sehr schnell atmete RR = 41 Atemzüge pro Minute, durch die Spitzenzählung 33 nur 34 Spitzen gezählt. Diese Erfassungsrate liegt daran, dass eine Einschränkung dahingehend auferlegt wurde, dass nur bei einem Abfall des Signals auf beiden Seiten um mindestens die Standardabweichung dieses einminütigen Segments dies als eine Spitze betrachtet wurde. Diese Einschränkung ist geeignet, wenn eine Person normal atmet, wobei die vollständigen Zyklen der Atmung ähnliche Spitzenwerte aufweisen. Es würde jedoch während der Periode der schnellen Atmung mehrere relativ seichte Atemzüge geben, deren Magnitude A sehr klein ist. Auf diese Weise wurden diese zugeordneten Spitzen vernachlässigt. Die Spitzenzählung 33 führte keinen beträchtlichen Fehler ein, wenn das SVM-Modell verwendet wurde, da Rahmen dieser seichteren Atemzüge als unzuverlässig (falsch-negatives Ergebnis) erfasst wurden. Im Gegensatz zur Methode der Spitzenzählung 33, zeigte die HT 34 eine größere Robustheit gegenüber den dynamischen Pegeln der Atmung.
Zum quantitativen Evaluieren der RR-Schätzgenauigkeit wurden die geschätzten RR mit den Grundwahrheits-RR verglichen, die durch eine ausgebildete beobachtende Person gezählt wurden. Zum Verringern des Fehlers der menschlichen Beobachtung zählt der Beobachter Atemzüge während der Zeitlänge von zwei Minuten anstelle von einer, wie das bei herkömmlichen Messungen im Krankenhaus gemacht wird. Insgesamt wurden 28 Zählungen, die 56 Minuten dauerten, erhalten. Die folgende Evaluierungsmetrik wurde angewendet: $e = \frac{| RP - {RR}^{(gth)} |}{| {RR}^{(gth)} |},$
wobei RR^(gth) die Grundwahrheit ist und | · | der Modul-Operator ist. Die durchschnittlichen Ergebnisse wurden in Tabelle III berichtet.
Tabelle III: durchschnittlicher RR-Schätzfehler e aus 56 Minuten.

direkt SVM MLP Hybrid RNN

Spitzenzählung 18.26% 6.54% 5.10% 5.53%

HT-basiert 10.43% 5.48% 4.40% 3.92%
Wo die Verfahren der RR-Schätzung der Spitzenzählung 33 oder der HT 34 direkt auf die gesammelte Wellenform angewendet wurden, d. h. „direct“ in Tabelle III, wurde ein hoher Fehler erhalten, insbesondere für die Spitzenzählung 33 (fast 20%). Auch wenn das HT-basierte Verfahren 34 gegenüber der Spitzenzählung eine gewisse Verbesserung zeigte, gab es immer noch einen Fehler von ungefähr 10%. Diese hohen Fehler sind mit den großen Variationen von einem Rahmen zum anderen in 9 konsistent. Wenn die offenbarte Daten-Reliabilitäts-Erfassung zum RR-Schätzverfahren hinzugefügt wurde, wurde der Fehler beträchtlich verringert, insbesondere wenn das hybride RNN-Klassifizierungsmodell mit der HT-basierten 34 RR-Schätzung kombiniert wurde. Es sollte betont werden, dass trotzdem die Grundwahrheit als der Goldstandard verwendet wird. Die Wahrscheinlichkeit eines menschlichen Beobachtungsfehlers wird jedoch nicht berücksichtigt. Zum Beispiel wurden nur vollständige Zyklen von Atemzügen gezählt, während nur zum Teil durchgeführte Atemzüge vernachlässigt wurden, wodurch eine Unterberechnung tatsächlicher RR eingeführt wurde. Alle drei getesteten Modelle zeigten eine beträchtliche Verbesserung in der RR-Schätzgenauigkeit, was die Wirksamkeit der offenbarten Strategie beweist.
Zum Rechtfertigen der Praktikabilität des beschriebenen RR-Schätzverfahrens wurde die Analyse der Rechenkomplexität für die Verarbeitung von Daten für eine Minute (60 Rahmen, 600 rohe Wellenform-Datenpunkte) durchgeführt, die wie folgt aufgelistet ist. Die Anzahl von Operationen in der Merkmalsextraktion aus den rohen Daten ist ungefähr 60 × Q(2L + 1)10. Die zehnfach-SVM mit dem RBF-Kernel hatte ungefähr 10 × 60 × n_svQ Operationen, wobei n_sv die Anzahl von Stützvektoren für jede Gruppe (Fold) ist, die im trainierten SVM-Modell durchschnittlich 7876 ist, wenn L = 3 und Q = 15 ist. Die rechenintensiven Operationen in dem vorgeschlagenen MLP liegen hauptsächlich zwischen den drei vollständig verbundenen versteckten Schichten, die jeweils die Größe von 100 überspannen, deren Anzahl ungefähr 60 × 2 × 100² ist. Die meisten RNN-Operationen existieren in den beiden gestapelten und der einen zeitverteilten LSTM-Schichten, deren Anzahl ungefähr 60 x 80.000 ist. Die Spitzenzählung 33 hat eine sehr geringe Rechenkomplexität von O(600). Die HT 34 hat eine Komplexität ähnlich der Fast Fourier Transformation (FFT) plus ihrem inversen Prozess, was 2O(600log₂600) ist. Die Gesamtzahl von Operationen in der Anpassung durch fragmentierte Linien in der HT-basierten Methode ist ungefähr 6000, wenn alle Rahmen als zuverlässig erfasst werden. Als ein Ergebnis hiervon haben die Vorverarbeitung, die auf der Spitzenzählung basierende RR-Schätzung und die HT-basierte RR-Schätzung alle eine sehr geringe Rechenkomplexität, die im Vergleich zu den drei Daten-Reliabilitäts-Erfassungsmodellen vernachlässigbar ist. Insbesondere hat SVM die höchste Rechenlast, ungefähr eine Größenordnung höher als beim Modell des hybriden RNN, während das RNN-Modell ungefähr dreimal mehr Rechenleistung benötigt als das MLP-Modell.
Um auf die besten klinischen Praktiken einzugehen, wurde auch eine benutzerfreundliche webbasierte Ul vorgesehen. Die Front-End-Komponente ist in JavaScript implementiert, das verschiedene Endgeräte, wie zum Beispiel Laptops und Mobiltelefone unterstützt. Autorisierte Benutzer, zum Beispiel Ärzte, Klinikpersonal und Pflegepersonal, können sich in die interaktive Ul einloggen, um die Gerät- und Patientenberichte einzusehen und zu verwalten.
Die vorliegende Offenbarung gibt ein loT-basiertes Bettsensorsystem zur Echtzeit-Gesundheitsüberwachung an. Dabei gibt es ein Verfahren zum Erfassen der Atemfrequenz aus Messungen an, die durch unauffällige Sensorgeräte gesammelt wurden. Das Verfahren und das System haben eine gute Skalierbarkeit und Erweiterbarkeit. Bettsensorgeräte, die zum Sammeln physiologischer Signale verwendet werden, sind kontaktlos und bieten eine geringe Betriebsauffälligkeit für Teilnehmer, insbesondere für eine langzeitige Krankheitsüberwachung.
Die vorliegende Offenbarung gibt Maschinenlernmodelle an, die eine gleichzeitige und robuste RR-Schätzung ermöglichen. Die offenbarten Modelle sind kombiniert mit einer Vorverarbeitungsmethode zum Schätzen der Reliabilität und zum Auswählen der Rahmen aus rohen Atmungsdaten zum Beitragen zur robusten RR-Schätzung. Die vorliegende Offenbarung gibt ferner mehrere Evaluierungen an, um die Auswirkung der Vorverarbeitungsmethoden zu zeigen, und es wurde die Atemfrequenz im Vergleich mit dem Goldstandard menschlicher Beobachtungen geprüft und evaluiert. Die Ergebnisse zeigen, dass die offenbarte Lösung die aus den unauffälligen Geräten gesammelten Daten verwenden kann und eine exakte Schätzung einer Atemfrequenz (RR) für eine Person liefern kann, die auf dem Bett liegt, insbesondere in Fällen, in denen sich die Person nicht wesentlich auf dem Bett bewegt. Die Arbeit hat eine beträchtliche Auswirkung auf das Liefern kontinuierlicher und exakter RR-Messwerte in der entfernten Krankheits- und Pflegeüberwachung und der Überwachung auf der Krankenhausstation. Die aktuelle Praxis basiert hauptsächlich auf manuellen Beobachtungen, die ressourcenintensiv sind und auch dem menschlichen Fehler bei der Beobachtung und der Aufzeichnung unterliegen. In der vorliegenden Arbeit lag der Hauptfokus auf den technischen Problemen und der Entwicklung einer Ende-zu-Ende-Lösung zum Transformieren der Rohdaten in zuverlässige RR-Informationen in einer kontinuierlichen Weise.
Gemäß Aspekten der vorliegenden Offenbarung wird das Internet of Things (IoT) auf Anwendungen der klinischen und Gesundheitspflege-Überwachungsanwendungen angewendet, unterstützt durch die wachsende Anzahl von Sensorgeräten, die verschiedene physiologische und biologische Merkmale messen können. Die vorliegende Offenbarung sieht ein IoT-basiertes intelligentes Bettsensorsystem vor, das auf die Atmung bezogene Signale sammelt und analysiert, um zu Hause, in Krankenhäusern und Pflegeeinrichtungen eine nicht störende Überwachung bereitzustellen. Es wird eine kontaktlose Vorrichtung verwendet, die vier Lastsensoren, die unter dem Bett montiert sind, sowie eine Datenverarbeitungseinheit (Datenlogger) aufweist. Verschiedene Maschinenlernverfahren werden auf die Daten angewendet, die von dem Datenlogger gestreamt werden, um die Atemfrequenz (RR) zu erfassen. Eingesetzt werden Stützvektormaschine (Support Vector Machine, SVM) und auch auf neuronalen Netzen (NN) basierende Mustererkennungsmethoden, die entweder mit Spitzenerfassung oder Hilbert-Transformation zur robusten RR-Berechnung kombiniert werden. Experimentelle Ergebnisse zeigen, dass die Methoden die RR effektiv extrahieren konnten, wobei die von den kontaktlosen Bettsensoren gesammelten Daten verwendet wurden. Die Methoden sind gegenüber durch Körperbewegungen verursachten Ausreißern und Rauschen robust. Das Überwachungssystem stellt auch eine flexible und skalierbare Weise für die kontinuierliche und entfernte Überwachung von Schlaf, Bewegung und Gewicht unter der Verwendung der eingebetteten Sensoren bereit.
Bezugszeichenliste

1: IoT-basiertes RR-Überwachungssystem/ System
2: bettmontierter Sensor/ Bettsensor/ Bettsensoreinheit (siehe auch 9: lokale Geräte)
3: Datenlogger (siehe auch 9: lokale Geräte)
4: Server
5: Endnutzer
6: VPN (Virtual Private Network)
7: WLAN
8: RabbitMQ
9: Bettsensorgerät, lokale Geräte (siehe auch 2)
10: drahtloser Transceiver
11: verteilte Geräte
12: zentrale Datenverarbeitungseinheit / zentraler Datenverarbeitungspunkt
13: Gateway
14: Back-Front-Enden (siehe auch 17)
15: ML-Komponente
16: MongoDB
17: Back-End- und Front-End-Komponente (siehe auch 14)
19: Ruhestellung in auf dem Rücken liegender Position
20: Sprechen in auf dem Rücken liegender Position
21: Zufallsbewegungen
22: Keuchen
23: Dropout-Schicht
24: Dense
25: Block
26: Vorwärts-Tensor
27: Rückwärts-Tensor
28: MLP-Fehler
29: MLP-Verlust
30: Hybrid-RNN-Fehler
31: Hybrid-RNN-Verlust
32: Grundwahrheit
33: Spitzenzählung
34: HT-basiert
35: gestrichelte Linie
A: Magnitude
E: Epochen
BiLSTM: bidirektionaler LSTM (Long Short-Term Memory)
C: Konvergenz
DNN: tiefes neuronales Netz (Deep Neural Network)
HT: Hilbert-Transformation
IoT: Internet der Dinge (Internet of Things)
ReLU: rektifizierte lineare Einheiten
RNN: rekurrentes neuronales Netz
RR: Atemfrequenz (Respiratory Rate)
ML: Maschinenlernen
MLP: Mehrschicht-Perzeptron (Multilayer-Perceptron)
LR: Logistische Regression
LSTM: Long Short-Term Memory
PCA: Hauptkomponentenanalyse
SVM: Stützvektormaschine (Support Vector Machine)
T: Zeit
UI: Benutzerschnittstelle (User Interface)

Claims

Verfahren zum Bestimmen einer Atemfrequenz (RR) eines Patienten, wobei das Verfahren umfasst: Messen eines Gewichts eines Patienten durch Abrufen gewichtsbezogener Informationen von einer Mehrzahl bettmontierter Lastsensoren (2), Übertragen der gewichtsbezogenen Informationen an einen Server (4).
Verfahren gemäß Anspruch 1, umfassend einen Schritt einer Datenbereinigung, wobei der Schritt der Datenbereinigung umfasst: Umordnen von Datenrahmen durch Vergleichen von Zeitstempeln, und/oder Erfassen redundanter Daten durch Vergleichen benachbarten Rahmen, und/oder Entfernen der redundanten Daten, und/oder Auszeichnen fehlender Zeitrahmen durch Vergleichen von Unterschieden zwischen Zeitstempeln sowie einer Gesamtzahl gesammelter Rahmen.
Verfahren gemäß Anspruch 2, umfassend einen Schritt einer nichtlinearen Transformation unter der Verwendung einer Sigmoid-Funktion zum Verstärken von Signalen, die durch Atmung mit kleinen Magnituden (A) verursacht werden, während ein durch Körperbewegung hervorgerufenes Signal unterdrückt wird, das die Atmungsinformationen verdeckt.
Verfahren gemäß Anspruch 3, umfassend den Schritt einer Segmentierung mit überlappenden, verschiebbaren Rechteckfenstern, die sich über mehrere, zum Beispiel 1, 2, 3, 4, 5, 6 oder insbesondere 7, Rahmen mit dem Schritt von 1 Rahmen, erstrecken, ferner umfassend eine Hauptkomponentenanalyse zur Dimensionsreduktion.
Verfahren gemäß einem der vorhergehenden Ansprüche, umfassend eine Daten-Reliabilitätsanalyse, umfassend: Anwenden eines binären Annahme-Verwerfungs-Klassifikators zum Erkennen der Zuverlässigkeit eines jeden Rahmens.
Verfahren gemäß Anspruch 5, ferner umfassend drei verschiedene Typen von Klassifikatoren mit einem off-line stattfindenden überwachten Training, wobei die Grundwahrheit (32) manuell gekennzeichnet wird.
Verfahren gemäß einem der vorhergehenden Ansprüche, ferner umfassend Anwenden einer Stützvektormaschine (Support Vector Machine, SVM).
Verfahren gemäß einem der vorhergehenden Ansprüche, ferner umfassend Anwenden eines Mehrschicht-Perzeptrons (Multilayer-Perceptron, MLP).
Verfahren gemäß einem der vorhergehenden Ansprüche, umfassend Anwenden eines hybriden rekurrenten neuronalen Netzes (Hybrid RNN).
Verfahren gemäß einem der vorhergehenden Ansprüche, umfassend Zusammenfassen von Datenrahmen, die als zuverlässig erkannt wurden, in mehrere Fragmente verschiedener Längen.
Verfahren gemäß Anspruch 10, umfassend Extrahieren einer Atemfrequenz (RR) unter der Verwendung von Beiträgen der Fragmente, während unzuverlässige und fehlende Rahmen ignoriert werden.
Verfahren gemäß Anspruch 11, umfassend Anwenden einer Spitzenerkennung auf jedes Fragment, wobei eine gewichtete Kombination verfolgt wird, je nach (gegebenenfalls) der Länge zwischen der ersten und der letzten erfassten Spitze in jedem Fragment sowie der Fragmentlänge, um die Atemfrequenz (RR) zu erfassen.
Verfahren gemäß Anspruch 11, umfassend Anwenden einer Hilbert-Transformation auf jedes Zeitbereichs-Fragment zum Erhalten eines Analysesignals, aus dem die Phaseninformationen berechnet und entfaltet werden, ferner umfassend eine Steigungsanpassung (Slope Fitting) für alle Fragmente, mit einem (1) gemeinsam genutzten Steigungsparameter und einem weiteren Verzerrungs-Parameter für jedes Segment, wobei die Atemfrequenz (RR) aus dem Steigungsparameter abgebildet wird.
Verfahren gemäß Anspruch 12 oder 13, wobei die Anzahl von Rahmen in jedem Block, die Variation des erfassten Spitzen-Ort-Abstands und der Fitting-Fehler als Indikatoren für das Zuverlässigkeitsniveau der Atemfrequenz (RR) verwendet werden.
System zum Bestimmen einer Atemfrequenz (RR) eines Patienten, wobei das System umfasst: eine Mehrzahl bettmontierter Lastsensoren (Gewichtssensoren), die im Wesentlich randständig um ein Bett herum angeordnet sind, elektronische Schaltungen zum Abrufen und Verarbeiten entsprechender Gewichtsdaten aus der Mehrzahl bettmontierter Sensoren, einen Datenlogger zum vorübergehenden Speichern der Gewichtsdaten, einen Sender zum Übertragen der Gewichtsdaten an eine Datenverarbeitungseinheit, wobei die Datenverarbeitungseinheit dazu konfiguriert ist, eine Scheibe (Slice) von Atmungsdaten in den empfangenen Daten zu klassifizieren, eine Atemfrequenz (RR) in der Scheibe zu erfassen und die erfasste Atemfrequenz (RR) als eine Schablone zum Erfassen weiterer Atemfrequenzinformationen zu verwenden.
System gemäß Anspruch 15, wobei die zentrale Datenverarbeitungseinheit ferner dazu konfiguriert ist, SVM, Hybrid RNN und/oder MLP zur Klassifizierung anzuwenden.
System gemäß Anspruch 16, wobei die zentrale Datenverarbeitungseinheit ferner dazu konfiguriert ist, eine Hilbert-Transformation und eine Anpassung durch fragmentierte Linien (Fragmented Line Fitting) anzuwenden.