JP2004533270A - ニューラルネットワークを使用するcpapのための方法及び装置 - Google Patents
ニューラルネットワークを使用するcpapのための方法及び装置 Download PDFInfo
- Publication number
- JP2004533270A JP2004533270A JP2002531912A JP2002531912A JP2004533270A JP 2004533270 A JP2004533270 A JP 2004533270A JP 2002531912 A JP2002531912 A JP 2002531912A JP 2002531912 A JP2002531912 A JP 2002531912A JP 2004533270 A JP2004533270 A JP 2004533270A
- Authority
- JP
- Japan
- Prior art keywords
- ann
- breathing
- patient
- data
- cpap
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0051—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes with alarm devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
- A61M16/022—Control means therefor
- A61M16/024—Control means therefor including calculation means, e.g. using a processor
- A61M16/026—Control means therefor including calculation means, e.g. using a processor specially adapted for predicting, e.g. for determining an information representative of a flow limitation during a ventilation cycle by using a root square technique or a regression analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
- A61M2016/0015—Accessories therefor, e.g. sensors, vibrators, negative pressure inhalation detectors
- A61M2016/0018—Accessories therefor, e.g. sensors, vibrators, negative pressure inhalation detectors electrical
- A61M2016/0021—Accessories therefor, e.g. sensors, vibrators, negative pressure inhalation detectors electrical with a proportional output signal, e.g. from a thermistor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/08—Other bio-electrical signals
- A61M2230/10—Electroencephalographic signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/18—Rapid eye-movements [REM]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/20—Blood composition characteristics
- A61M2230/205—Blood composition characteristics partial oxygen pressure (P-O2)
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/60—Muscle strain, i.e. measured on the user
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/62—Posture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
呼吸ガス流量に関連するデータを分析する人工ニューラルネットワーク(ANN)を用いる睡眠中の呼吸障害を検出し治療するための方法。患者を加圧呼吸ガス供給をもつ継続的な正の気道圧力系(CPAP)に接続することにより呼吸回路を確立し回路中のガス流量を周期的にサンプリングし、種々の呼吸パターンの特徴的な1つまたは数個のパラメーターを周期的に計算しパラメーター値を、睡眠時呼吸障害の特徴的な呼吸パターンを認識するために訓練したANNに周期的に供給しそしてネットワーク中で分析する。CPAP加圧呼吸ガス供給はANN出力に応答して制御される。これに対応する装置も開示されている。
【選択図】図1
【選択図】図1
Description
【0001】
【発明の分野】
本発明は、睡眠中の呼吸障害を検出及び治療する方法及び装置に関し、特に人工ニューラルネットワークを使用する方法及び装置に関する。
【0002】
【発明の背景】
米国特許第5,953,713号(Behbehani等)は睡眠時呼吸障害を治療する方法を開示しており、該方法は、患者の気道上に置かれた加圧ガスに結合する界面での呼吸に関する変量を測定し、睡眠時呼吸障害に特徴的なパターンを認識するために訓練された人工ニューラルネットワークに呼吸に関する変量から得られた周波数データを送り、睡眠時呼吸障害の人工ニューラルネットワークの認識に応じて患者の気道に加圧ガスを補給することからなる。好ましい実施態様中に開示されたサンプルの圧力変換器の周波数の出力は512Hzである。32のサンプル値ウインドウを使用して1/16秒毎にフーリエ(Fourier)トランスフォームを計算する。
【0003】
周波数分析の別の面では、一方で入力データの数に比例して正確であり、他方では応答時間が対応して増加する。呼吸パターンのかなり小さな変化を検出することができるので高い正確さは歓迎されるが、おそい応答が気道開口部の劣化進行の危険性を増大し、それによって患者に以前よりもひどい呼吸障害をひき起す。睡眠障害を検出する別の方法は呼吸毎に分析することに基づいている。
【0004】
その代りには、もし適当な治療がなされなければ、患者はより長時間にわたって目覚めるであろう。
【0005】
【発明の目的】
本発明の目的は、患者に継続的な正の気道を自動的に補給するための改良された方法を提供することである。
本発明のもう1つの目的は、現在到達水準装置の欠点の少なくともいくらかを除いた、自動継続の正の気道圧力装置(ACPAP)を提供することである。
更に本発明の目的は、下記の、発明の簡単な記載、好ましい実施態様を説明する添付の図面、それらの詳細な記載及び特許請求の範囲から明らかである。
【0006】
【発明の概要】
本発明は、乱れた呼吸の分析よりも、流れ信号の直接分析、特に周波数分析に基づく流れ量制限呼吸の方がより特徴的であるという洞察に基づいている。
【0007】
本発明によれば、自動継続、正の気道圧力装置(ACPAP)が提供され、そこではCPAPまたは患者に正の空気圧力を与える他のシステムからの空気流が、シグナルに特定の多くのパラメーターの計算のために測定される。パラメーターのセットはケプストラム(cepstrum)係数及びエネルギー含量からなり、睡眠中の呼吸の無呼吸発生、例えば無呼吸、亜無呼吸(hypoapnea)及び流量制限を示すことから選ばれる。多数の患者から集められたこれらのパラメーターのデータは多くの環境下での患者の部分集合のためにパラメーターの変更範囲をシステムに教えるために人工ニューラルネットワークを訓練するために使用された。人工ニューラルネットワークからの結果は結節点の低次元格子として得られ、そこでは各呼吸タイプが結節点のサブセットまたは軌道によって表わされる。正常な呼吸のための軌道は、阻害された睡眠中の呼吸のものと非常に異なって見える。
【0008】
もし睡眠障害状態の呼吸徴候が検出されるならばCPAP圧力が増大する。これと逆に、CPAP圧力は正常では状態に減少する。
【0009】
このように、本発明によれば、人工ニューラルネットワーク中で呼吸ガス流量に関するデータを分析するような人工ニューラルネットワークを使用して睡眠中の呼吸障害を検出し治療するための方法を開示している。
【0010】
具体的には、本発明による方法は下記の階段からなる。
・CPAPによって制御された加圧呼吸ガス源と通じているマスクで患者の気道上にチューブをもつマスクを置き、それによって呼吸回路を確立する;
・回路中のガス流量を周期的にサンプリングする;
・呼吸パターンの特徴的な1つまたは幾つかのパラメーターのための値を周期的に計算する;
・該パラメーター値を睡眠中呼吸障害の特徴的な呼吸パターンを認識するために訓練された人工ニューラルネットワークに周期的に供給する;
・ニューラルネットワーク中で該パラメーター値を分析する;
・該ニューラルネットワークからの出力に応答して加圧呼吸ガス補給を制御する。
【0011】
ネットワークに周波数2Hzないし30Hz、好ましくは約20Hzで該パラメーター値を送りこむのが好ましい。
該パラメーターのためにはケプストラム係数及びエネルギー傾斜を含むことが好ましい。
【0012】
本発明の第1の好ましい態様によれば、人工ニューラルネットワークは多数の患者から集めたデータで訓練される。データは多くの状況で異なる患者、即ち性、年齢、体重、呼吸パターンなどで異なる患者から集められるであろう。更に、睡眠呼吸障害の変化型、例えば、背面位で優先的に起るもの、睡眠の特別の段階の間に起るもの、そして薬剤またはアルコールの影響下で起るものなどを考慮する必要がある。
【0013】
それらのデータは、睡眠研究所で集められ、そこでは睡眠状態を追跡し、呼吸障害のタイプと重症度をポリソムノグラフィーシステムを使用してモニターしている。収集されたデータは主たるデーターベースを形成する。人工ニューラルネットワークを訓練している間、データは少しの二次的に集められたデータベースの形成の下で定量しACPAPに蓄積することができる。このように、本発明によれば、多数の人々から集められたデータからなる第一次データーベースから得られた専用の第二次データーベースがACPAPに蓄積される。
【0014】
本発明の第二の様態によれば、呼吸の間、定期的にガス流量をサンプリングすることが好ましい。
ANNは訓練データのセットを示す多くの結節点を含む。各結節点は状態または事変(特徴)を反映している。近接する結節点は小さい幾何学的距離の事変を表わしている。訓練におけるのと同様の方法で、入射ベクトルを各流量データサンプルのために抽出する。入射ベクトルから各結節点までのユークリッド距離を計算する。ベクトルまでの最も近接位置での結節点がそれと関連する。入射ベクトルのシーケンスは、人工ニューラルネットワーク中の結節点のシーケンスに従う。結節点のシーケンスは、ネットワークの応答であるということができる。このようにネットワーク(応答)の幾何学的構造中の軌跡はパラメータースペース中でよりもよく従う。ネットワークの広がりは最も多くの場合パラメータースペースよりも小さいという事実は、それによる計算が簡単になるので有利である。ネットワークからの応答は、無呼吸、亜無呼吸及び正常な呼吸状態を識別するための基礎、したがってCPAP圧力コントロールのための基礎を形成する。
【0015】
このように本発明は、無呼吸または亜無呼吸類似の症状発見を検出するためのコーネン(Kohonen)−マップタイプの人工ニューラルネットワーク(ANN)の使用を基礎としている(関連する記憶;T.Kohonen,自主的組織結成と関連する記憶、第2版、スプリンガー(Springer)出版、ベルリン1987)。ANNは睡眠研究所での多数の患者から得たデータで訓練される。容易に訓練されたANNは非揮発性記憶装置中に蓄積されたデータの大域(万能)構造をACPAP中に形成する。使用においては患者の呼吸パターンが軌跡(トレース)をANN中に形成する。正常な呼吸サイクルは閉じた軌跡を形成する。正常からはずれた軌跡は呼吸障害を暗示している。ANNは無呼吸の最初の段階を示すある領域を作るような方法で構築されている。そのような領域を通る軌跡の通過またはその境界に接触することは、正常な呼吸を再確立するように患者に供給される空気の量を増加しなければならないことを示している。一度呼吸が正常になったら、増加された空気の量は、正常な値、即ち予め確立した基礎値に減少させる。
【0016】
人工ニューラルネットワークはP.Brauer及びP.Knagenhjelm著、コーネンマップ中でのインフラストラクチャー、Proc.IEEE ICASSP,グラスゴー1989中に記載された2つの相で訓練される。
【0017】
分析の目的は、一連の空気流量測定から、無呼吸または亜無呼吸状態を分類し、検出するために選択されたパラメータ値を抽出することである。各単一の分析において、すべての訓練及び決定が基礎としている入射または特徴ベクトルを形成するためにパラメーターが作られる。すべてのサンプル値は、無呼吸または亜無呼吸状態の典型的な予告的警告である流量の変化に素早く応答するための準備で個々に分析される。
【0018】
本発明の第三の好ましい態様によれば、ニューラルネットワークに供給されるパラメーター値を分析するために直線予測符号化(predictive coding)が使用される。4つのパラーメーターを含む直線状予測符号化分析をすべてのサンプルのために実施する。特に、分析からのいわゆるA−パラメータは、パラメータ距離と概念距離との間の最適相関関係のためのケプストラムパラメーターに変換される。即ち、いわゆる結合性である。
【0019】
本発明の好ましい第四の態様によれば、直線予測符号化の計算における予測エラーは次のラインでパラメータのための基礎として使用される。エラーは短期変動を中和するためにフィルターされ分析ウインドウの全エネルギーで正常化される。
【0020】
エネルギーの計算のためには直線予測符号化分析のためのものよりも大きなウインドーを使用する。最後のウインドーのエネルギーは、傾向を記述する傾斜線を計算するために使用できる。傾向での相異は更にパラメーターとして使用される。このように、本発明の第五の好ましい態様によれば傾向変動ラインの傾斜が測定から計算されそしてパラメーターとして使用される。
【0021】
本発明によれば、睡眠中の呼吸障害の検出及び治療のためCPAPを使用する装置をも開示し、該装置は、呼吸特に吸気での空気流量データをサンプリングするためのプローブ及び呼吸空気圧を直接または間接的にコントロールするために該データを分析するための人工ニューラルネットワークとを含む。
【0022】
本発明によれば、呼吸、特に吸気の空気流量データをサンプリングするためのプローブと、呼吸空気圧をコントロールするために該データを直接または間接的に分析するための人工ニューラルネットワークとを含むCAPAPをも開示する。本発明の更に異なる態様は、下記の図面に説明された好ましい様態の詳細な記載において開示されている。
【0023】
【好ましい実施態様の記載】
実施例1 一般原理
基本データ分析
分析の目的は、一連の空気流速測定から、無呼吸及び亜無呼吸状態を分類及び検出するために選択されたパラメーター値を抽出することである。各単独分析において、すべての訓練及び決定を作る基礎となる入射または特徴ベクトルを形成するためにパラメーターが作られる。すべてのサンプル値は無呼吸または亜無呼吸状態の典型的な予備警告である流量での変化に速やかに応答するための準備で個々に分析される。
【0024】
入射ベクトルパラメーター LPC−ケプストラム
各サンプルについて直線状予測的符号化(LPC)のために4−パラメータ分析を実施する。分析からのいわゆるA−パラメーターを、パラメーター距離と概念距離との間の最適相関関係、即ち結合性のためにケプストラムパラメーターに変換する。ケプストラムの語はBogert等によってエコータイムシリーズ分析と関連して導入されシグナルのパワースペクトルの対数の逆フーリエ変換を示す。ケプストラムへの信号の変換はホモ−モルフィック変換である。A.V.Oppenheim及びR.W.Sehafer著、「離散時間信号処理」Prentice Hall,Englewood Cliffs,NJ,1989参照。
残余. LPCの計算において予測のエラーは以下のパラメーターのための基礎として使用される。エラーは短期間変動に対抗するためにフィルターされ、分析ウインドーのための全エネルギーで正常化される。エネルギー傾斜。エネルギーの計算のために、LPC分析のためのものより大きいエネルギーウインドーを使用する。最も新しいウインドーでのエネルギーは、ラインを計算するために使用され、その傾斜は傾向を記載している。傾向での相異.傾向での相異は更にパラメータとして使用する。
【0025】
パラメーター 無呼吸(即ち中枢/閉塞性無呼吸、亜無呼吸、及び流量制限)の発生を検知するために、発生中の流れ信号の典型的な質及び特徴を特性づけるためにモデルを使用する。できるだけ明確で、あいまいでなくそして有効であるという目的でモデルのパラメーターを選択する。パラメーターのセットは医者によって容易に検知される典型的な無呼吸発生に応答するべきである。無呼吸発生に敏感であることに加えて、パラメーターは無呼吸発生を検知するという仕事に関係のない特徴に対して無感覚であることが重要である。
【0026】
特徴ベクトル パラメーターの値はベクトルを形成するためにコンパイルする。以下これを特徴ベクトルと名付ける。毎回、流れ信号を測定(サンプリング)し、特徴ベクトルの値を抽出する。これは、もし毎秒流れ信号fsを測定し、そしてモデルにNパラメーター値を必要とするならば、データーのレートは毎秒fsからN・fsサンプルに増大することを意味する。
【0027】
パラメーター値の抽出の前に、流れ信号を、平均信号値の影響を回避するために微分する(ハイパスフィルター)。平均は患者及び/またはハードウェアによって変り、無呼吸発生の分類には貢献せず従って除外される。各N−次元特徴ベクトルがN−次元信号スペースでの1点と考えられる。
【0028】
ネットワークの訓練. 人工ニューラルネットワーク(ANN)を同じような性質をもつ特徴ベクトルのグループまたはクラスタを編成するためにくり返し訓練する。コーネンの自己編成特徴マップ[1−2]として知られる自己編成方法はこの仕事を実施する大きな能力を示す。訓練の前にクラスタの数を定義しANNの必要な解像によって決定する。訓練は、N−次元信号スペース中に任意に位置するM−クラスタのセットによって開始される。訓練に使用するデータベースは、種々の睡眠障害をもつ多数の患者からの、そして睡眠のすべての段階での特徴ベクトルを編集することによって形成する。訓練中、各入力特徴ベクトルは、入力ベクトルに最もよく似たものを見つけ出すために各クラスタと比較される。このクラスタを成功者とみとめ、そして入力ベクトルに対して調整する。更に、他の領域での成功者の近傍内のほかの全てのクラスタいわゆるマップスペースを入力ベクトルに向って調整する。マップスペースは通常、信号スペース内の各クラスタのための1つの結節点を含む低い次元のものである。結節点は六辺形または正方形の格子に配列され、それらの間のユークリッド距離がそれら相互の関係を定義する。結節点の近傍は通常近傍ファンクションによって定義され、訓練の開始でのすべての結節点を含み、一方で少しだけの(または全くなしの)ものを最終では近傍と考えられる。マップスペースにおいて更に成功者からはなれた結節点、信号スペース中で対応しないクラスタを入力ベクトルに向って調節する。このようにすべての調節を信号スペース中で行い、調節のルールをマップスペース中に定義する。
【0029】
訓練時間は予め決めておきそして訓練の最後に小さい調節のみを起こすようにシステムを“フリーズ”ダウンするためにアニーリングファンクションを使用する。近傍ファンクションは信号スペース距離とマップスペース距離との間の相関関係を創出し、より複雑な信号スペースでよりも、(低次元)マップスペースでの分類を実施させる。上記の方法は“教師なし学習”として知られ、即ち、上記の訓練操作中に分類データを使用する必要がない。種々の無呼吸発生へのデータの分類は退屈な仕事である。
【0030】
ANNが容易に訓練される時、クラスタは正常呼吸、亜無呼吸、流量制限及び無呼吸を含む入力流れ信号のM特徴を表わす(これらの特徴が訓練のために使用したデータベース中に表わされていることを条件として)。ANNの応答は入力信号とすべてのクラスタとの間の信号距離に比例する。図2参照。この出力はしばしば分類の場合にはあまり興味をもたれない。この出力は、その代りに分類された入力にもっともよく似た結節点、例えば正常呼吸や無呼吸発生の結節点を見出すために使用される。これはANNの設計でのラベリング段階として知られる。分類された特徴ベクトルはANNのために与えられ、出力を観察し、最高の出力を与える結節点を示された特徴でラベルする。その後の実際の出力が応答値よりもラベルである。
【0031】
このクラスタのセットがランタイムモードで使用するためのAPAPのメモリーに記憶される。患者の流量データは、モデルで使用したパラメータ値、即ち特徴ベクトルを抽出するために訓練段階で行ったのと正確に同じ方法で分析される。その後流量制御論理で使用する出力ラベル(分類)を創出するネットワークにこのベクトルを与える。
【0032】
実施例2 アルゴリズム
データの収集
流れ信号をfsサンプル/秒でサンプリングしたアナログ流れ信号のディジタル化バージョンにし、サンプル列を与える。
式中xiはx(i・T)の短縮、即ちi・T瞬時でのサンプルでありT=1/fsである。
前処理
個々の患者の変化の影響を減ずるためにそして分類安定性を容易にするために、信号は信号平均を除くための装置を通過するべきである。如何なる種類でもよいが鋭いエッジのハイパスフィルターを使用することができ、理想的な微分器を簡潔性のために使用する。微分器からの出力、d,(及びパラメーター抽出器への入力)は下記の通りである。
パラメーター
ケプストラム係数はほんの少しのパラメーターを使用する信号の周波数内容の良好なモデル(低次モデル)を示した。更に、ケプストラム係数の力学はパラメーターの数量化を容易にする。パラメーターはしばしば同様の分散をもつパラメーターを作り出すことに重きを置かれる。ケプストラム係数は標準的線形予測符号化(LPC)によって計算された、いわゆるA−ポリノミアルの微分である。
【0033】
使用したケプストラム係数は信号エネルギーについての情報をもっていないので、長期間(10秒間)のエネルギー変化を説明するためにパラメーターでケプストラムを増大させる。このパラメーターは流れ信号の絶対的レベルに無感覚であり相対的変動を反映するだけである。
ケプストラム
時間KでPモデルパラメーターを計算するために最後のWz入力サンプルを使用する(ウインドウイング)。サンプル、dk,は下式であると予測される。
このように、予測エラー信号は
である。
この仕事は、ウインドウ内のすべてのサンプルについて予測エラー信号のエネルギーを最小にするセット、a,を見出すためのもので(即ちできるだけdkに似た
を作るためのa=[α1,∧,αp]の値を見出す)ためのものである。最適の解決法はマトリックス等式、
例えばコレスキーアルゴリズム(Cholesky algorithm)を使用するユールーウォーカーの方程式(Yule−Walker)または正常方程式として知られるマトリックス方程式を解くことで見出される。
ベクトルaは、下記のアルゴリズム;
を使用してケプストラム係数のセットに変換できる、いわゆるA−ポリノミアルを構成する。ケプストラム係数、c1,K,cPは特徴ベクトル中でのP第一係数として使用される。
【0034】
エネルギー傾向のパラメーター(PET)
多数のウインドーからのエネルギーはエネルギー値のための傾向を計算するために使用される。もし傾向が増大するエネルギーレベルを示すならば、PETをゼロに設定する。もし傾向が減少しているならば、傾向が時間軸と交差する点を計算する。この値の非線状変形がPET係数を形成する。HBK図。PETは特徴ベクトルに加えられる。完全な特徴ベクトルは、このように図3に従って構成される。
【0035】
特徴マップ幾何学及び定義
Mマップ結節点を示そう。
最もしばしば結節点は正方形(2−次元)格子に配列される。2個のマップ結節点、iとj、の間の距離はDijで示され、それらの間のユークリッド距離の2乗(L2norm)として示される。
サンプルxkを示す入力特徴ベクトルをykで示そう。結節点iでの特徴K,Sik,のためのマップ応答は下記のように示される。
式中、信号スペース距離d2 ikは下記のように示され、
そしてw1はある適当な重量ファンクションである。
【0036】
アニーリングファンクション
アニーリングファンクションの仕事は訓練の最後での等式を得ることである。原理は、訓練の始めに大きな調節が許され、最後には小さい調節のみ(またはゼロ)が許されるということである。どのように減少分を挿入するかは重要ではない。直線状、外挿及び脈動する[4]減少スケジュールさえも文献に提案されている。
【0037】
初期設定
伝統的にはANNを含むクラスタ化スキームをすすめるすべてのデータはパラメーターに任意の(小さい)数を割り当てることにより信号スペース中のクラスタの任意の位置を用いる。実際の値は、それらが等しくない限り重要ではない。クラスタの順序もまた任意である。
【0038】
訓練
反復的アルゴリズムは各入力特徴ベクトル、yk,が提示された後すべてのクラスタを調節する。調節の方向はykに向うものであり、そしてどれ位の量かは一部はアニーリングファンクションによって決められ一部は近傍ファンクションによって決められる。瞬間t+1でのクラスタykのための調節式は下記の通りである:
式中
であって、f(t)はアニーリングファンクションであり、g(t)は近傍ファンクションである。種々の適するファンクションが[3]で討論されている。
【0039】
実施例3 ハード決定A
64のマップ結節点を8×8正方形格子中に配列し左の上端から右の下端へ0から63までの番号をつけよう。このようにして例えばマップ距離は
である。
すべての睡眠段階での数人の患者から流量測定を含む大きなデーターベースを記録する。記録は20Hzで実施しメモリーディスクに記憶させる。データーベースは正常な睡眠呼吸、流量制限、いびき、せき、種々の無呼吸発生を含むがマスクのもれや他の人為構造も含む。
【0040】
データーベースをサンプル毎に分析する。20Hzの流れ信号は先ずイデアル微分器を通過させる。180サンプルの直角ウインドーを使用して4つのケプストラム係数(c1,K,c4)及びPETパラメーターを抽出するためのベースを形成する。このように、特徴ベクトルは、各50ms毎に抽出された値をもつ5−次元ベクトルである。
【0041】
訓練が進行する限り任意の方法でデータベースからサンプルを集める。反復数,T,はデータベースの大きさによって決められるが経験則としては、サンプル毎に10−30反復が適当な数であろう。すべてのクラスタ,yi,i=0,K,M−1へのユークリッド距離を計算し特徴ベクトルに最も近いクラスタが成功者とみとめられ、そしてy1と示される距離の計算において下記の重量ファンクションを使用する:
近傍ファンクションは、すべての時間ですべてのクラスタを調節させる(即ち近傍の大きさは時間で減少しない)が、ウィナーy1から遠くはなれたクラスタを罰するであろう。
アニーリングファンクション,f(t),は線状減衰スケジュールに従う。
訓練段階の後、マップは既知の特徴、例えば正常呼吸、流量制限信号などで提示される。マップの各結節点における各発生の応答,S,を計算する(図2参照)。
正常呼吸のための高い応答をもつ領域を正常領域としてラベルする。流量制限に反応する領域を流量制限エリアとしてラベルするなどである。その後、発生を示すどの結節点が応答を必要としているかを決定する。即ちアラーム信号が圧力コントロールシステムにパスされる。図2において、流量制限に対応する入力へのマップ応答が描写されている。この場合、結節点X,Y,Zは多分流量制限領域としてラベルされている。
【0042】
実施例4 ハード決定B
この実施例は、実施例1に記載されたものと類似しているが、ここでは直角の代りに180サンプルのハミング(Hamming)ウインドウを使用している。更にケプストラム係数は大体同じ分散をもつように加量されており、一方でPETパラメーターはケプストラム分散の2倍与えられている。これはPETパラメーターに他のパラメーターよりも若干の重要性を与えるであろう。下記のウェートファンクションを使用する。
訓練は以前と正確に同じように実施し、そして典型的な流量限定信号のためのマップ応答を図4に示す。この場合、結節点X,Y,Zは多分流量制限領域としてラベルされるであろう。
【0043】
実施例5 ソフト決定
この実施例では、分類結果の重症さを示すラベルとして、マップ結節点が0,2,5または10の数字で与えられる。従って、圧力コントロールシステムへのオン/オフアラーム信号を示す代りに数字が通過する。例えば、もし0が正常領域を反映するものであり、10が無呼吸を反映するものであれば、全体の呼吸状態の分類を形成するために数字を全体にまとめることができる。もしレベルが非常に高いならば圧力を速やかに増大させ、低レベルでは圧力を減少させる。そして中間レベルでは圧力のゆっくりとした増大の結果となる。
【0044】
実施例6 ダウンサンプリング
もしプロセッサーの容量が上記のすべての計算を許さないものであれば、LPC計算を2または4のファクターで減少させることができる。分析ウインドー内のサンプルの数をその後減少させてウインドーの時間範囲がまだ約2呼吸サイクルであるようにしなければならない。マップ応答の解像はこれによって悪くならないであろう。
【0045】
実施例7 圧力調整及びランタイムモード
圧力制御システムは、ANN応答が1シーケンス中50サンプルで正であれば、1段階に0.125ミリバールの圧力を増加するであろう。もしANN応答が1シーケンス中300サンプルで負であれば、圧力は1段に0.125ミリバールで減少させる。もしANN応答がこれらのシーケンスの間に変化されるならば圧力は変えられないであろう。ランタイムモードにおいて、流れ信号のサンプルを上記のようにして(即ち、特徴ベクトルを抽出して)分析し、そしてマップに提示し、APAP−ユニット中のメモリーバンクに記憶させる。単調函数であるからマップ応答のための表現で指数を計算する必要はない。
【0046】
実施例8 プログラムコード
【0047】
実施例9 患者の治療
装置
内部流れ測定をもつブレア(Breas)のCPAP pv10 プロトタイプ(Breas AB,Moelndal,スウェーデン);PSGシステム,EMBLATMポリソムノグラフィー(Embla hf,レイキャビック,アイスランド);
人工ニューラルネットワークソフトウエアをもつ睡眠障害検出のためのPC。
患者
種々のタイプの睡眠障害になやむ31才から60才の年令の男性6人。
測定
患者はPSGシステムからのすべてのセンサーで装備された。即ちEEG,EOG,EMG,酸素飽和,脈,鼻の流れサーミスター測定,体位。この装備で、睡眠段階,覚醒,睡眠時無呼吸,睡眠時亜無呼吸及び他の睡眠に関係する事項を決定することができる。CPAPは患者に鼻マスクによってチューブを通って空気を供給する。CPAP通信インタフェースによってPCはCPAPと接続された。PCソフトウエアはCPAPからの空気流量値を読みとることができそして通信インタフェースによってCPAP上に新しい圧力セットポイントをセットすることができる。約20Hzの率で情報が交換された。PCプログラムが人工ニューラルネットワーク(ANN)に適量値を供給する。ANNからの出力は圧力調整アルゴリズム(PRA)にエンターされる。圧力調整アルゴリズムは新しい圧力セットポイントを計算しCPAP中に新しい値を起動する。人工ニューラルネットワークからの出力及び圧力セットポイントはPSGシステムによって読みとられる。
評価
通常のCPAP分析(睡眠障害分析)ではCPAPを睡眠中患者に接続する。CPAP圧力を夜の間に調節して患者を睡眠障害を示さない状態に置くようにする。この圧力はCPAP処置で使用したものである。種々のCPAP圧力のための患者の要求はPSGシステムで各呼吸毎に見ることができる。要求されるCPAP圧力は睡眠段階、体位その他によって変化する。自動CPAPテストからのデータは、CPAP治療を受ける患者を評価するために医者によって使用されるCPAP分析のためのものと同じ方法でPSGシステム中で評価された。これによってANNによる睡眠障害の検出とPSGシステムにおける分析との間の相関関係を決定することができた。得られた良好な相関関係はAFNが正確に反応したことを示した。
【0048】
参考文献
[1]T.Kohonen,T.Torkkola,M.Shozakai,O.Venta 著“フィンランド語と日本語のための音声タイプライター”,Proc IEEE ICASSP,ニューヨーク,ニューヨーク,1988
[2]H.C.Leung,V.W.Zue 著“人工ニューラルネットを使用するある音声認識実験”Proc IEEE ICASSP,ニューヨーク,ニューヨーク,1988
[3]P.Brauer 著“コーネンマップでの基礎構造”Proc IEEE ICASSP,グラスゴー,スコットランド,1989
[4]P.Knagenhjelm 著“ローバストベクトル数量化のための帰納的設計方法”,Proc,ICSPAT,ボストン,マサチューセッツ,1992
【図面の簡単な説明】
本発明をいくつかの図からなる図面によって説明する。
【図1】パラメーター抽出に関するブロック線図を示す。
【図2】実施例3に関する応答の特徴マップを示す。
【図3】特徴ベクトルを示す。
【図4】実施例4に関する応答の特徴マップを示す。
【発明の分野】
本発明は、睡眠中の呼吸障害を検出及び治療する方法及び装置に関し、特に人工ニューラルネットワークを使用する方法及び装置に関する。
【0002】
【発明の背景】
米国特許第5,953,713号(Behbehani等)は睡眠時呼吸障害を治療する方法を開示しており、該方法は、患者の気道上に置かれた加圧ガスに結合する界面での呼吸に関する変量を測定し、睡眠時呼吸障害に特徴的なパターンを認識するために訓練された人工ニューラルネットワークに呼吸に関する変量から得られた周波数データを送り、睡眠時呼吸障害の人工ニューラルネットワークの認識に応じて患者の気道に加圧ガスを補給することからなる。好ましい実施態様中に開示されたサンプルの圧力変換器の周波数の出力は512Hzである。32のサンプル値ウインドウを使用して1/16秒毎にフーリエ(Fourier)トランスフォームを計算する。
【0003】
周波数分析の別の面では、一方で入力データの数に比例して正確であり、他方では応答時間が対応して増加する。呼吸パターンのかなり小さな変化を検出することができるので高い正確さは歓迎されるが、おそい応答が気道開口部の劣化進行の危険性を増大し、それによって患者に以前よりもひどい呼吸障害をひき起す。睡眠障害を検出する別の方法は呼吸毎に分析することに基づいている。
【0004】
その代りには、もし適当な治療がなされなければ、患者はより長時間にわたって目覚めるであろう。
【0005】
【発明の目的】
本発明の目的は、患者に継続的な正の気道を自動的に補給するための改良された方法を提供することである。
本発明のもう1つの目的は、現在到達水準装置の欠点の少なくともいくらかを除いた、自動継続の正の気道圧力装置(ACPAP)を提供することである。
更に本発明の目的は、下記の、発明の簡単な記載、好ましい実施態様を説明する添付の図面、それらの詳細な記載及び特許請求の範囲から明らかである。
【0006】
【発明の概要】
本発明は、乱れた呼吸の分析よりも、流れ信号の直接分析、特に周波数分析に基づく流れ量制限呼吸の方がより特徴的であるという洞察に基づいている。
【0007】
本発明によれば、自動継続、正の気道圧力装置(ACPAP)が提供され、そこではCPAPまたは患者に正の空気圧力を与える他のシステムからの空気流が、シグナルに特定の多くのパラメーターの計算のために測定される。パラメーターのセットはケプストラム(cepstrum)係数及びエネルギー含量からなり、睡眠中の呼吸の無呼吸発生、例えば無呼吸、亜無呼吸(hypoapnea)及び流量制限を示すことから選ばれる。多数の患者から集められたこれらのパラメーターのデータは多くの環境下での患者の部分集合のためにパラメーターの変更範囲をシステムに教えるために人工ニューラルネットワークを訓練するために使用された。人工ニューラルネットワークからの結果は結節点の低次元格子として得られ、そこでは各呼吸タイプが結節点のサブセットまたは軌道によって表わされる。正常な呼吸のための軌道は、阻害された睡眠中の呼吸のものと非常に異なって見える。
【0008】
もし睡眠障害状態の呼吸徴候が検出されるならばCPAP圧力が増大する。これと逆に、CPAP圧力は正常では状態に減少する。
【0009】
このように、本発明によれば、人工ニューラルネットワーク中で呼吸ガス流量に関するデータを分析するような人工ニューラルネットワークを使用して睡眠中の呼吸障害を検出し治療するための方法を開示している。
【0010】
具体的には、本発明による方法は下記の階段からなる。
・CPAPによって制御された加圧呼吸ガス源と通じているマスクで患者の気道上にチューブをもつマスクを置き、それによって呼吸回路を確立する;
・回路中のガス流量を周期的にサンプリングする;
・呼吸パターンの特徴的な1つまたは幾つかのパラメーターのための値を周期的に計算する;
・該パラメーター値を睡眠中呼吸障害の特徴的な呼吸パターンを認識するために訓練された人工ニューラルネットワークに周期的に供給する;
・ニューラルネットワーク中で該パラメーター値を分析する;
・該ニューラルネットワークからの出力に応答して加圧呼吸ガス補給を制御する。
【0011】
ネットワークに周波数2Hzないし30Hz、好ましくは約20Hzで該パラメーター値を送りこむのが好ましい。
該パラメーターのためにはケプストラム係数及びエネルギー傾斜を含むことが好ましい。
【0012】
本発明の第1の好ましい態様によれば、人工ニューラルネットワークは多数の患者から集めたデータで訓練される。データは多くの状況で異なる患者、即ち性、年齢、体重、呼吸パターンなどで異なる患者から集められるであろう。更に、睡眠呼吸障害の変化型、例えば、背面位で優先的に起るもの、睡眠の特別の段階の間に起るもの、そして薬剤またはアルコールの影響下で起るものなどを考慮する必要がある。
【0013】
それらのデータは、睡眠研究所で集められ、そこでは睡眠状態を追跡し、呼吸障害のタイプと重症度をポリソムノグラフィーシステムを使用してモニターしている。収集されたデータは主たるデーターベースを形成する。人工ニューラルネットワークを訓練している間、データは少しの二次的に集められたデータベースの形成の下で定量しACPAPに蓄積することができる。このように、本発明によれば、多数の人々から集められたデータからなる第一次データーベースから得られた専用の第二次データーベースがACPAPに蓄積される。
【0014】
本発明の第二の様態によれば、呼吸の間、定期的にガス流量をサンプリングすることが好ましい。
ANNは訓練データのセットを示す多くの結節点を含む。各結節点は状態または事変(特徴)を反映している。近接する結節点は小さい幾何学的距離の事変を表わしている。訓練におけるのと同様の方法で、入射ベクトルを各流量データサンプルのために抽出する。入射ベクトルから各結節点までのユークリッド距離を計算する。ベクトルまでの最も近接位置での結節点がそれと関連する。入射ベクトルのシーケンスは、人工ニューラルネットワーク中の結節点のシーケンスに従う。結節点のシーケンスは、ネットワークの応答であるということができる。このようにネットワーク(応答)の幾何学的構造中の軌跡はパラメータースペース中でよりもよく従う。ネットワークの広がりは最も多くの場合パラメータースペースよりも小さいという事実は、それによる計算が簡単になるので有利である。ネットワークからの応答は、無呼吸、亜無呼吸及び正常な呼吸状態を識別するための基礎、したがってCPAP圧力コントロールのための基礎を形成する。
【0015】
このように本発明は、無呼吸または亜無呼吸類似の症状発見を検出するためのコーネン(Kohonen)−マップタイプの人工ニューラルネットワーク(ANN)の使用を基礎としている(関連する記憶;T.Kohonen,自主的組織結成と関連する記憶、第2版、スプリンガー(Springer)出版、ベルリン1987)。ANNは睡眠研究所での多数の患者から得たデータで訓練される。容易に訓練されたANNは非揮発性記憶装置中に蓄積されたデータの大域(万能)構造をACPAP中に形成する。使用においては患者の呼吸パターンが軌跡(トレース)をANN中に形成する。正常な呼吸サイクルは閉じた軌跡を形成する。正常からはずれた軌跡は呼吸障害を暗示している。ANNは無呼吸の最初の段階を示すある領域を作るような方法で構築されている。そのような領域を通る軌跡の通過またはその境界に接触することは、正常な呼吸を再確立するように患者に供給される空気の量を増加しなければならないことを示している。一度呼吸が正常になったら、増加された空気の量は、正常な値、即ち予め確立した基礎値に減少させる。
【0016】
人工ニューラルネットワークはP.Brauer及びP.Knagenhjelm著、コーネンマップ中でのインフラストラクチャー、Proc.IEEE ICASSP,グラスゴー1989中に記載された2つの相で訓練される。
【0017】
分析の目的は、一連の空気流量測定から、無呼吸または亜無呼吸状態を分類し、検出するために選択されたパラメータ値を抽出することである。各単一の分析において、すべての訓練及び決定が基礎としている入射または特徴ベクトルを形成するためにパラメーターが作られる。すべてのサンプル値は、無呼吸または亜無呼吸状態の典型的な予告的警告である流量の変化に素早く応答するための準備で個々に分析される。
【0018】
本発明の第三の好ましい態様によれば、ニューラルネットワークに供給されるパラメーター値を分析するために直線予測符号化(predictive coding)が使用される。4つのパラーメーターを含む直線状予測符号化分析をすべてのサンプルのために実施する。特に、分析からのいわゆるA−パラメータは、パラメータ距離と概念距離との間の最適相関関係のためのケプストラムパラメーターに変換される。即ち、いわゆる結合性である。
【0019】
本発明の好ましい第四の態様によれば、直線予測符号化の計算における予測エラーは次のラインでパラメータのための基礎として使用される。エラーは短期変動を中和するためにフィルターされ分析ウインドウの全エネルギーで正常化される。
【0020】
エネルギーの計算のためには直線予測符号化分析のためのものよりも大きなウインドーを使用する。最後のウインドーのエネルギーは、傾向を記述する傾斜線を計算するために使用できる。傾向での相異は更にパラメーターとして使用される。このように、本発明の第五の好ましい態様によれば傾向変動ラインの傾斜が測定から計算されそしてパラメーターとして使用される。
【0021】
本発明によれば、睡眠中の呼吸障害の検出及び治療のためCPAPを使用する装置をも開示し、該装置は、呼吸特に吸気での空気流量データをサンプリングするためのプローブ及び呼吸空気圧を直接または間接的にコントロールするために該データを分析するための人工ニューラルネットワークとを含む。
【0022】
本発明によれば、呼吸、特に吸気の空気流量データをサンプリングするためのプローブと、呼吸空気圧をコントロールするために該データを直接または間接的に分析するための人工ニューラルネットワークとを含むCAPAPをも開示する。本発明の更に異なる態様は、下記の図面に説明された好ましい様態の詳細な記載において開示されている。
【0023】
【好ましい実施態様の記載】
実施例1 一般原理
基本データ分析
分析の目的は、一連の空気流速測定から、無呼吸及び亜無呼吸状態を分類及び検出するために選択されたパラメーター値を抽出することである。各単独分析において、すべての訓練及び決定を作る基礎となる入射または特徴ベクトルを形成するためにパラメーターが作られる。すべてのサンプル値は無呼吸または亜無呼吸状態の典型的な予備警告である流量での変化に速やかに応答するための準備で個々に分析される。
【0024】
入射ベクトルパラメーター LPC−ケプストラム
各サンプルについて直線状予測的符号化(LPC)のために4−パラメータ分析を実施する。分析からのいわゆるA−パラメーターを、パラメーター距離と概念距離との間の最適相関関係、即ち結合性のためにケプストラムパラメーターに変換する。ケプストラムの語はBogert等によってエコータイムシリーズ分析と関連して導入されシグナルのパワースペクトルの対数の逆フーリエ変換を示す。ケプストラムへの信号の変換はホモ−モルフィック変換である。A.V.Oppenheim及びR.W.Sehafer著、「離散時間信号処理」Prentice Hall,Englewood Cliffs,NJ,1989参照。
残余. LPCの計算において予測のエラーは以下のパラメーターのための基礎として使用される。エラーは短期間変動に対抗するためにフィルターされ、分析ウインドーのための全エネルギーで正常化される。エネルギー傾斜。エネルギーの計算のために、LPC分析のためのものより大きいエネルギーウインドーを使用する。最も新しいウインドーでのエネルギーは、ラインを計算するために使用され、その傾斜は傾向を記載している。傾向での相異.傾向での相異は更にパラメータとして使用する。
【0025】
パラメーター 無呼吸(即ち中枢/閉塞性無呼吸、亜無呼吸、及び流量制限)の発生を検知するために、発生中の流れ信号の典型的な質及び特徴を特性づけるためにモデルを使用する。できるだけ明確で、あいまいでなくそして有効であるという目的でモデルのパラメーターを選択する。パラメーターのセットは医者によって容易に検知される典型的な無呼吸発生に応答するべきである。無呼吸発生に敏感であることに加えて、パラメーターは無呼吸発生を検知するという仕事に関係のない特徴に対して無感覚であることが重要である。
【0026】
特徴ベクトル パラメーターの値はベクトルを形成するためにコンパイルする。以下これを特徴ベクトルと名付ける。毎回、流れ信号を測定(サンプリング)し、特徴ベクトルの値を抽出する。これは、もし毎秒流れ信号fsを測定し、そしてモデルにNパラメーター値を必要とするならば、データーのレートは毎秒fsからN・fsサンプルに増大することを意味する。
【0027】
パラメーター値の抽出の前に、流れ信号を、平均信号値の影響を回避するために微分する(ハイパスフィルター)。平均は患者及び/またはハードウェアによって変り、無呼吸発生の分類には貢献せず従って除外される。各N−次元特徴ベクトルがN−次元信号スペースでの1点と考えられる。
【0028】
ネットワークの訓練. 人工ニューラルネットワーク(ANN)を同じような性質をもつ特徴ベクトルのグループまたはクラスタを編成するためにくり返し訓練する。コーネンの自己編成特徴マップ[1−2]として知られる自己編成方法はこの仕事を実施する大きな能力を示す。訓練の前にクラスタの数を定義しANNの必要な解像によって決定する。訓練は、N−次元信号スペース中に任意に位置するM−クラスタのセットによって開始される。訓練に使用するデータベースは、種々の睡眠障害をもつ多数の患者からの、そして睡眠のすべての段階での特徴ベクトルを編集することによって形成する。訓練中、各入力特徴ベクトルは、入力ベクトルに最もよく似たものを見つけ出すために各クラスタと比較される。このクラスタを成功者とみとめ、そして入力ベクトルに対して調整する。更に、他の領域での成功者の近傍内のほかの全てのクラスタいわゆるマップスペースを入力ベクトルに向って調整する。マップスペースは通常、信号スペース内の各クラスタのための1つの結節点を含む低い次元のものである。結節点は六辺形または正方形の格子に配列され、それらの間のユークリッド距離がそれら相互の関係を定義する。結節点の近傍は通常近傍ファンクションによって定義され、訓練の開始でのすべての結節点を含み、一方で少しだけの(または全くなしの)ものを最終では近傍と考えられる。マップスペースにおいて更に成功者からはなれた結節点、信号スペース中で対応しないクラスタを入力ベクトルに向って調節する。このようにすべての調節を信号スペース中で行い、調節のルールをマップスペース中に定義する。
【0029】
訓練時間は予め決めておきそして訓練の最後に小さい調節のみを起こすようにシステムを“フリーズ”ダウンするためにアニーリングファンクションを使用する。近傍ファンクションは信号スペース距離とマップスペース距離との間の相関関係を創出し、より複雑な信号スペースでよりも、(低次元)マップスペースでの分類を実施させる。上記の方法は“教師なし学習”として知られ、即ち、上記の訓練操作中に分類データを使用する必要がない。種々の無呼吸発生へのデータの分類は退屈な仕事である。
【0030】
ANNが容易に訓練される時、クラスタは正常呼吸、亜無呼吸、流量制限及び無呼吸を含む入力流れ信号のM特徴を表わす(これらの特徴が訓練のために使用したデータベース中に表わされていることを条件として)。ANNの応答は入力信号とすべてのクラスタとの間の信号距離に比例する。図2参照。この出力はしばしば分類の場合にはあまり興味をもたれない。この出力は、その代りに分類された入力にもっともよく似た結節点、例えば正常呼吸や無呼吸発生の結節点を見出すために使用される。これはANNの設計でのラベリング段階として知られる。分類された特徴ベクトルはANNのために与えられ、出力を観察し、最高の出力を与える結節点を示された特徴でラベルする。その後の実際の出力が応答値よりもラベルである。
【0031】
このクラスタのセットがランタイムモードで使用するためのAPAPのメモリーに記憶される。患者の流量データは、モデルで使用したパラメータ値、即ち特徴ベクトルを抽出するために訓練段階で行ったのと正確に同じ方法で分析される。その後流量制御論理で使用する出力ラベル(分類)を創出するネットワークにこのベクトルを与える。
【0032】
実施例2 アルゴリズム
データの収集
流れ信号をfsサンプル/秒でサンプリングしたアナログ流れ信号のディジタル化バージョンにし、サンプル列を与える。
式中xiはx(i・T)の短縮、即ちi・T瞬時でのサンプルでありT=1/fsである。
前処理
個々の患者の変化の影響を減ずるためにそして分類安定性を容易にするために、信号は信号平均を除くための装置を通過するべきである。如何なる種類でもよいが鋭いエッジのハイパスフィルターを使用することができ、理想的な微分器を簡潔性のために使用する。微分器からの出力、d,(及びパラメーター抽出器への入力)は下記の通りである。
パラメーター
ケプストラム係数はほんの少しのパラメーターを使用する信号の周波数内容の良好なモデル(低次モデル)を示した。更に、ケプストラム係数の力学はパラメーターの数量化を容易にする。パラメーターはしばしば同様の分散をもつパラメーターを作り出すことに重きを置かれる。ケプストラム係数は標準的線形予測符号化(LPC)によって計算された、いわゆるA−ポリノミアルの微分である。
【0033】
使用したケプストラム係数は信号エネルギーについての情報をもっていないので、長期間(10秒間)のエネルギー変化を説明するためにパラメーターでケプストラムを増大させる。このパラメーターは流れ信号の絶対的レベルに無感覚であり相対的変動を反映するだけである。
ケプストラム
時間KでPモデルパラメーターを計算するために最後のWz入力サンプルを使用する(ウインドウイング)。サンプル、dk,は下式であると予測される。
このように、予測エラー信号は
である。
この仕事は、ウインドウ内のすべてのサンプルについて予測エラー信号のエネルギーを最小にするセット、a,を見出すためのもので(即ちできるだけdkに似た
を作るためのa=[α1,∧,αp]の値を見出す)ためのものである。最適の解決法はマトリックス等式、
例えばコレスキーアルゴリズム(Cholesky algorithm)を使用するユールーウォーカーの方程式(Yule−Walker)または正常方程式として知られるマトリックス方程式を解くことで見出される。
ベクトルaは、下記のアルゴリズム;
を使用してケプストラム係数のセットに変換できる、いわゆるA−ポリノミアルを構成する。ケプストラム係数、c1,K,cPは特徴ベクトル中でのP第一係数として使用される。
【0034】
エネルギー傾向のパラメーター(PET)
多数のウインドーからのエネルギーはエネルギー値のための傾向を計算するために使用される。もし傾向が増大するエネルギーレベルを示すならば、PETをゼロに設定する。もし傾向が減少しているならば、傾向が時間軸と交差する点を計算する。この値の非線状変形がPET係数を形成する。HBK図。PETは特徴ベクトルに加えられる。完全な特徴ベクトルは、このように図3に従って構成される。
【0035】
特徴マップ幾何学及び定義
Mマップ結節点を示そう。
最もしばしば結節点は正方形(2−次元)格子に配列される。2個のマップ結節点、iとj、の間の距離はDijで示され、それらの間のユークリッド距離の2乗(L2norm)として示される。
サンプルxkを示す入力特徴ベクトルをykで示そう。結節点iでの特徴K,Sik,のためのマップ応答は下記のように示される。
式中、信号スペース距離d2 ikは下記のように示され、
そしてw1はある適当な重量ファンクションである。
【0036】
アニーリングファンクション
アニーリングファンクションの仕事は訓練の最後での等式を得ることである。原理は、訓練の始めに大きな調節が許され、最後には小さい調節のみ(またはゼロ)が許されるということである。どのように減少分を挿入するかは重要ではない。直線状、外挿及び脈動する[4]減少スケジュールさえも文献に提案されている。
【0037】
初期設定
伝統的にはANNを含むクラスタ化スキームをすすめるすべてのデータはパラメーターに任意の(小さい)数を割り当てることにより信号スペース中のクラスタの任意の位置を用いる。実際の値は、それらが等しくない限り重要ではない。クラスタの順序もまた任意である。
【0038】
訓練
反復的アルゴリズムは各入力特徴ベクトル、yk,が提示された後すべてのクラスタを調節する。調節の方向はykに向うものであり、そしてどれ位の量かは一部はアニーリングファンクションによって決められ一部は近傍ファンクションによって決められる。瞬間t+1でのクラスタykのための調節式は下記の通りである:
式中
であって、f(t)はアニーリングファンクションであり、g(t)は近傍ファンクションである。種々の適するファンクションが[3]で討論されている。
【0039】
実施例3 ハード決定A
64のマップ結節点を8×8正方形格子中に配列し左の上端から右の下端へ0から63までの番号をつけよう。このようにして例えばマップ距離は
である。
すべての睡眠段階での数人の患者から流量測定を含む大きなデーターベースを記録する。記録は20Hzで実施しメモリーディスクに記憶させる。データーベースは正常な睡眠呼吸、流量制限、いびき、せき、種々の無呼吸発生を含むがマスクのもれや他の人為構造も含む。
【0040】
データーベースをサンプル毎に分析する。20Hzの流れ信号は先ずイデアル微分器を通過させる。180サンプルの直角ウインドーを使用して4つのケプストラム係数(c1,K,c4)及びPETパラメーターを抽出するためのベースを形成する。このように、特徴ベクトルは、各50ms毎に抽出された値をもつ5−次元ベクトルである。
【0041】
訓練が進行する限り任意の方法でデータベースからサンプルを集める。反復数,T,はデータベースの大きさによって決められるが経験則としては、サンプル毎に10−30反復が適当な数であろう。すべてのクラスタ,yi,i=0,K,M−1へのユークリッド距離を計算し特徴ベクトルに最も近いクラスタが成功者とみとめられ、そしてy1と示される距離の計算において下記の重量ファンクションを使用する:
近傍ファンクションは、すべての時間ですべてのクラスタを調節させる(即ち近傍の大きさは時間で減少しない)が、ウィナーy1から遠くはなれたクラスタを罰するであろう。
アニーリングファンクション,f(t),は線状減衰スケジュールに従う。
訓練段階の後、マップは既知の特徴、例えば正常呼吸、流量制限信号などで提示される。マップの各結節点における各発生の応答,S,を計算する(図2参照)。
正常呼吸のための高い応答をもつ領域を正常領域としてラベルする。流量制限に反応する領域を流量制限エリアとしてラベルするなどである。その後、発生を示すどの結節点が応答を必要としているかを決定する。即ちアラーム信号が圧力コントロールシステムにパスされる。図2において、流量制限に対応する入力へのマップ応答が描写されている。この場合、結節点X,Y,Zは多分流量制限領域としてラベルされている。
【0042】
実施例4 ハード決定B
この実施例は、実施例1に記載されたものと類似しているが、ここでは直角の代りに180サンプルのハミング(Hamming)ウインドウを使用している。更にケプストラム係数は大体同じ分散をもつように加量されており、一方でPETパラメーターはケプストラム分散の2倍与えられている。これはPETパラメーターに他のパラメーターよりも若干の重要性を与えるであろう。下記のウェートファンクションを使用する。
訓練は以前と正確に同じように実施し、そして典型的な流量限定信号のためのマップ応答を図4に示す。この場合、結節点X,Y,Zは多分流量制限領域としてラベルされるであろう。
【0043】
実施例5 ソフト決定
この実施例では、分類結果の重症さを示すラベルとして、マップ結節点が0,2,5または10の数字で与えられる。従って、圧力コントロールシステムへのオン/オフアラーム信号を示す代りに数字が通過する。例えば、もし0が正常領域を反映するものであり、10が無呼吸を反映するものであれば、全体の呼吸状態の分類を形成するために数字を全体にまとめることができる。もしレベルが非常に高いならば圧力を速やかに増大させ、低レベルでは圧力を減少させる。そして中間レベルでは圧力のゆっくりとした増大の結果となる。
【0044】
実施例6 ダウンサンプリング
もしプロセッサーの容量が上記のすべての計算を許さないものであれば、LPC計算を2または4のファクターで減少させることができる。分析ウインドー内のサンプルの数をその後減少させてウインドーの時間範囲がまだ約2呼吸サイクルであるようにしなければならない。マップ応答の解像はこれによって悪くならないであろう。
【0045】
実施例7 圧力調整及びランタイムモード
圧力制御システムは、ANN応答が1シーケンス中50サンプルで正であれば、1段階に0.125ミリバールの圧力を増加するであろう。もしANN応答が1シーケンス中300サンプルで負であれば、圧力は1段に0.125ミリバールで減少させる。もしANN応答がこれらのシーケンスの間に変化されるならば圧力は変えられないであろう。ランタイムモードにおいて、流れ信号のサンプルを上記のようにして(即ち、特徴ベクトルを抽出して)分析し、そしてマップに提示し、APAP−ユニット中のメモリーバンクに記憶させる。単調函数であるからマップ応答のための表現で指数を計算する必要はない。
【0046】
実施例8 プログラムコード
【0047】
実施例9 患者の治療
装置
内部流れ測定をもつブレア(Breas)のCPAP pv10 プロトタイプ(Breas AB,Moelndal,スウェーデン);PSGシステム,EMBLATMポリソムノグラフィー(Embla hf,レイキャビック,アイスランド);
人工ニューラルネットワークソフトウエアをもつ睡眠障害検出のためのPC。
患者
種々のタイプの睡眠障害になやむ31才から60才の年令の男性6人。
測定
患者はPSGシステムからのすべてのセンサーで装備された。即ちEEG,EOG,EMG,酸素飽和,脈,鼻の流れサーミスター測定,体位。この装備で、睡眠段階,覚醒,睡眠時無呼吸,睡眠時亜無呼吸及び他の睡眠に関係する事項を決定することができる。CPAPは患者に鼻マスクによってチューブを通って空気を供給する。CPAP通信インタフェースによってPCはCPAPと接続された。PCソフトウエアはCPAPからの空気流量値を読みとることができそして通信インタフェースによってCPAP上に新しい圧力セットポイントをセットすることができる。約20Hzの率で情報が交換された。PCプログラムが人工ニューラルネットワーク(ANN)に適量値を供給する。ANNからの出力は圧力調整アルゴリズム(PRA)にエンターされる。圧力調整アルゴリズムは新しい圧力セットポイントを計算しCPAP中に新しい値を起動する。人工ニューラルネットワークからの出力及び圧力セットポイントはPSGシステムによって読みとられる。
評価
通常のCPAP分析(睡眠障害分析)ではCPAPを睡眠中患者に接続する。CPAP圧力を夜の間に調節して患者を睡眠障害を示さない状態に置くようにする。この圧力はCPAP処置で使用したものである。種々のCPAP圧力のための患者の要求はPSGシステムで各呼吸毎に見ることができる。要求されるCPAP圧力は睡眠段階、体位その他によって変化する。自動CPAPテストからのデータは、CPAP治療を受ける患者を評価するために医者によって使用されるCPAP分析のためのものと同じ方法でPSGシステム中で評価された。これによってANNによる睡眠障害の検出とPSGシステムにおける分析との間の相関関係を決定することができた。得られた良好な相関関係はAFNが正確に反応したことを示した。
【0048】
参考文献
[1]T.Kohonen,T.Torkkola,M.Shozakai,O.Venta 著“フィンランド語と日本語のための音声タイプライター”,Proc IEEE ICASSP,ニューヨーク,ニューヨーク,1988
[2]H.C.Leung,V.W.Zue 著“人工ニューラルネットを使用するある音声認識実験”Proc IEEE ICASSP,ニューヨーク,ニューヨーク,1988
[3]P.Brauer 著“コーネンマップでの基礎構造”Proc IEEE ICASSP,グラスゴー,スコットランド,1989
[4]P.Knagenhjelm 著“ローバストベクトル数量化のための帰納的設計方法”,Proc,ICSPAT,ボストン,マサチューセッツ,1992
【図面の簡単な説明】
本発明をいくつかの図からなる図面によって説明する。
【図1】パラメーター抽出に関するブロック線図を示す。
【図2】実施例3に関する応答の特徴マップを示す。
【図3】特徴ベクトルを示す。
【図4】実施例4に関する応答の特徴マップを示す。
Claims (24)
- 睡眠中の呼吸障害を呼吸ガス流量に関連するデータを分析する人工ニューラルネットワーク(ANN)を使用して検出し治療する方法であって、
・患者の気道上にチューブをもつマスクを設置し、該マスクは継続的な正の気道圧力(CPAP)系によって制御される加圧呼吸ガス源と連結されており、それによって呼吸回路を確立している;
・この回路中のガス流量を周期的ににサンプリングする;
・種々の呼吸パターンの特徴ある1つまたは数個のパラメーターのための値を定期的に計算する;
・該パラメーター値を、睡眠時呼吸障害の特徴的な呼吸パターンを認識するために訓練されたANNに周期的に供給する;
・該パラメーター値をニューラルネットワーク中で分析する;
・該ANNからの出力に応答して、加圧呼吸ガス供給をコントロールする;
ことを特徴とする該方法。 - 該パラメーター値を周波数2Hzないし30Hzでネットワークに供給することを特徴とする請求項1の方法。
- 該パラメーター値を約20Hzの周波数でネットワークに供給することを特徴とする請求項2の方法。
- 該パラメーターがケプストラム(cepstrum)係数、エネルギー傾斜、傾向変動の差からなる請求項1の方法。
- ANNが多数の患者から集められたデータで訓練されたものである請求項1ないし5項のいずれか1項に記載の方法。
- ANNが睡眠の特別段階での患者から集められたデータで訓練されたものである請求項1の方法。
- ANNが睡眠中に特別の体位で休む患者から集めたデータで訓練されたものである請求項1の方法。
- ANNが睡眠中にアルコールを含む薬剤の影響下にある患者から集めたデータで訓練されたものである請求項1の方法。
- ANNがポリソムノグラフシステムの使用による患者から集めたデータで訓練されたものである請求項1の方法。
- ANNが訓練データのセットを表わす多数の結節点を含む請求項1の方法。
- ANNがコーネンマップ(Kohonen−map)タイプのANNである請求項1の方法。
- 不揮発性メモリーに蓄積されたデータの構造を含む請求項11の方法。
- 不揮発性メモリーが自動CPAPによって包含される請求項12の方法。
- ANNが無呼吸の最初の段階を表わす領域を含む請求項11の方法。
- 患者の呼吸パターンの閉鎖軌道特性をANNを通過するために作り、そして無呼吸の最初の段階を表わす該領域との幾何学的関係に関して分析し、そのような領域を通る該軌道の通過またはそのような領域に接触することが呼吸障害のパターンを示すものであり、そしてACPAPを制御して、患者に供給する空気の量を増加させ正常な呼吸を回復するように使用することを特徴とする請求項14の方法。
- 正常な呼吸を回復するために加えた追加の空気量は、正常な呼吸パターンが再確立された後に減少させる請求項15の方法。
- ANNに供給するパラメーター値を分析するために直線状予測符号化の使用を含む請求項11の方法。
- 該直線状予測符号化分析において、分析からのいわゆるA−パラメータを、パラメーター距離と概念距離との間の最適相互関係のためのケプストラムパラメーターに変換することを特徴とする請求項17の方法。
- 直線状予測符号化の計算において予測エラーをラインの次のパラメータ値を決定するための基礎として使用する請求項11の方法。
- 該予測エラーを短期間の変動を中和するためにフィルターしそして分析ウインドーの全エネルギーで正常化することを特徴とする請求項19の方法。
- CPAPを使用して睡眠中の呼吸障害を検出し治療するための装置であって、該装置は、呼吸の空気流量、特に吸気における空気流量データをサンプリングするためのプローブ及び、呼吸空気圧を制御するために該データを直接または間接的に分析するための人工ニューラルネットワークを含むものである装置。
- ANNがコーネンマップタイプANNである請求項21の装置。
- 呼吸空気流量データをサンプリングするためのプローブと呼吸空気圧力を制御するために該データを直接または間接的に分析するための人工ニューラルネットワーク(ANN)とを含む自動継続、正の気道圧力装置(ACPAC)。
- ANNがコーネンマップタイプのANNである請求項23の装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE0003531A SE0003531D0 (sv) | 2000-10-02 | 2000-10-02 | Auto CPAP |
PCT/SE2001/002085 WO2002028281A1 (en) | 2000-10-02 | 2001-09-28 | Method and apparatus for cpap using a neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004533270A true JP2004533270A (ja) | 2004-11-04 |
Family
ID=20281252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002531912A Pending JP2004533270A (ja) | 2000-10-02 | 2001-09-28 | ニューラルネットワークを使用するcpapのための方法及び装置 |
Country Status (12)
Country | Link |
---|---|
US (1) | US6889691B2 (ja) |
EP (1) | EP1328194B1 (ja) |
JP (1) | JP2004533270A (ja) |
KR (1) | KR20030066632A (ja) |
CN (1) | CN1468077A (ja) |
AT (1) | ATE355011T1 (ja) |
AU (2) | AU2001290474B2 (ja) |
CA (1) | CA2423637A1 (ja) |
DE (1) | DE60126971T2 (ja) |
SE (1) | SE0003531D0 (ja) |
WO (1) | WO2002028281A1 (ja) |
ZA (1) | ZA200302527B (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009509638A (ja) * | 2005-09-30 | 2009-03-12 | ニューヨーク ユニバーシティー | 患者の呼吸パターンの診断と治療のためのシステムおよび方法 |
JP2011505177A (ja) * | 2007-11-13 | 2011-02-24 | オリディオン・メディカル・1987・リミテッド | 医療システム、装置及び方法 |
JP2012517303A (ja) * | 2009-02-11 | 2012-08-02 | レスメド・リミテッド | 呼吸治療装置用の音響検出 |
JP2012176252A (ja) * | 2006-03-06 | 2012-09-13 | Resmed Ltd | 閉塞睡眠時無呼吸の改良された流量制限検出の方法及び装置 |
US9168344B2 (en) | 2003-08-14 | 2015-10-27 | New York University | System and method for diagnosis and treatment of a breathing pattern of a patient |
Families Citing this family (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8672858B2 (en) | 2002-08-30 | 2014-03-18 | University Of Florida Research Foundation, Inc. | Method and apparatus for predicting work of breathing |
US7425201B2 (en) | 2002-08-30 | 2008-09-16 | University Of Florida Research Foundation, Inc. | Method and apparatus for predicting work of breathing |
US20050211249A1 (en) * | 2002-11-19 | 2005-09-29 | Mirko Wagner | Ventilator method, ventilator and memory medium |
US8020555B2 (en) * | 2003-06-18 | 2011-09-20 | New York University | System and method for improved treatment of sleeping disorders using therapeutic positive airway pressure |
WO2007040988A2 (en) * | 2003-08-14 | 2007-04-12 | New York University | System and method for diagnosis and treatment of a breathing pattern of a patient |
US6988994B2 (en) * | 2003-08-14 | 2006-01-24 | New York University | Positive airway pressure system and method for treatment of sleeping disorder in patient |
US7115097B2 (en) * | 2003-10-09 | 2006-10-03 | Johnson Joseph L | Positive airway pressure notification system for treatment of breathing disorders during sleep |
US7524279B2 (en) * | 2003-12-31 | 2009-04-28 | Raphael Auphan | Sleep and environment control method and system |
SE0401208D0 (sv) * | 2004-05-10 | 2004-05-10 | Breas Medical Ab | Multilevel ventilator |
US7276031B2 (en) * | 2004-05-12 | 2007-10-02 | New York University | System and method for classifying patient's breathing using artificial neural network |
US20050268912A1 (en) * | 2004-06-04 | 2005-12-08 | Norman Robert G | System and method for automated titration of continuous positive airway pressure |
DE602005022591D1 (de) * | 2004-07-08 | 2010-09-09 | Breas Medical Ab | Deltafluss-druckregler |
US8910632B2 (en) * | 2004-07-08 | 2014-12-16 | Breas Medical, Ab | Energy trigger |
US7882834B2 (en) * | 2004-08-06 | 2011-02-08 | Fisher & Paykel Healthcare Limited | Autotitrating method and apparatus |
DE102004040659A1 (de) * | 2004-08-20 | 2006-02-23 | Weinmann Geräte für Medizin GmbH + Co. KG | Vorrichtung zur Beatmung sowie Verfahren zur Steuerung eines Beatmungsgerätes |
US8578937B2 (en) | 2004-09-21 | 2013-11-12 | Medtronic Xomed, Inc. | Smart mandibular repositioning system |
US20060096596A1 (en) * | 2004-11-05 | 2006-05-11 | Occhialini James M | Wearable system for positive airway pressure therapy |
US7942824B1 (en) | 2005-11-04 | 2011-05-17 | Cleveland Medical Devices Inc. | Integrated sleep diagnostic and therapeutic system and method |
US8172766B1 (en) * | 2005-11-04 | 2012-05-08 | Cleveland Medical Devices Inc. | Integrated sleep diagnosis and treatment device and method |
US8545416B1 (en) * | 2005-11-04 | 2013-10-01 | Cleveland Medical Devices Inc. | Integrated diagnostic and therapeutic system and method for improving treatment of subject with complex and central sleep apnea |
DE102006017278A1 (de) * | 2006-04-12 | 2007-10-18 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Nachweis des Beginns einer Apnoe |
US20080059394A1 (en) * | 2006-08-17 | 2008-03-06 | Ali El Solh | Predicting Continuous Positive Airway Pressure Titration Using An Artificial Neural Network |
US9743841B2 (en) * | 2007-09-25 | 2017-08-29 | Ric Investments, Llc | Automated sleep phenotyping |
RU2492808C2 (ru) * | 2008-02-07 | 2013-09-20 | Конинклейке Филипс Электроникс Н.В. | Устройство для измерения и прогнозирования респираторной стабильности пациентов |
US8251876B2 (en) | 2008-04-22 | 2012-08-28 | Hill-Rom Services, Inc. | Breathing exercise apparatus |
WO2010080709A1 (en) * | 2009-01-08 | 2010-07-15 | Hancock Medical | Self-contained, intermittent positive airway pressure systems and methods for treating sleep apnea, snoring, and other respiratory disorders |
CN101564302B (zh) * | 2009-05-25 | 2011-06-29 | 重庆科技学院 | 基于多源信息融合的婴儿睡眠躁动监测方法及检测系统 |
NZ735906A (en) | 2009-07-16 | 2019-06-28 | ResMed Pty Ltd | Detection of sleep condition |
WO2011110963A1 (en) * | 2010-03-08 | 2011-09-15 | Koninklijke Philips Electronics N.V. | System and method for obtaining an objective measure of dyspnea |
US8991392B1 (en) | 2010-12-21 | 2015-03-31 | Fisher & Paykel Healthcare Limited | Pressure adjustment method for CPAP machine |
US8327846B2 (en) | 2011-02-08 | 2012-12-11 | Hancock Medical, Inc. | Positive airway pressure system with head position control |
US8620987B2 (en) * | 2011-09-10 | 2013-12-31 | Hewlett-Packard Development Company, L.P. | Multi-regime detection in streaming data |
US9180271B2 (en) | 2012-03-05 | 2015-11-10 | Hill-Rom Services Pte. Ltd. | Respiratory therapy device having standard and oscillatory PEP with nebulizer |
US10314989B2 (en) | 2013-01-28 | 2019-06-11 | Hancock Medical, Inc. | Position control devices and methods for use with positive airway pressure systems |
US10165966B2 (en) | 2013-03-14 | 2019-01-01 | University Of Florida Research Foundation, Incorporated | Methods and systems for monitoring resistance and work of breathing for ventilator-dependent patients |
US10881829B2 (en) | 2014-08-18 | 2021-01-05 | Resmed Inc. | Portable pap device with humidification |
TW201612845A (en) * | 2014-08-28 | 2016-04-01 | Resmed Ltd | Method, system and apparatus for diagnosis, monitoring and treatment of respiratory disorders |
USD776802S1 (en) | 2015-03-06 | 2017-01-17 | Hancock Medical, Inc. | Positive airway pressure system console |
CN104689444B (zh) * | 2015-03-26 | 2018-08-24 | 北京怡和嘉业医疗科技股份有限公司 | 正压通气治疗机的压力调整方法及系统 |
EP3277351B1 (en) | 2015-04-02 | 2019-06-05 | Hill-Rom Services PTE. LTD. | Manifold for respiratory device |
US11298074B2 (en) | 2015-12-08 | 2022-04-12 | Fisher & Paykel Healthcare Limited | Flow-based sleep stage determination |
CN109310348B (zh) | 2016-05-19 | 2022-01-25 | 汉考克医药公司 | 姿势阻塞性睡眠呼吸暂停检测系统 |
CN106039510B (zh) * | 2016-07-29 | 2018-12-25 | 湖南明康中锦医疗科技发展有限公司 | 呼吸机安全控制的方法、呼吸机及云平台 |
US11413414B2 (en) | 2016-10-21 | 2022-08-16 | Novaresp Technologies Inc. | Method and apparatus for breathing assistance |
CN110325110B (zh) | 2016-11-10 | 2022-08-09 | 纽约州立大学研究基金会 | 用于气道阻塞的系统、方法和生物标记 |
BR102016029897A2 (pt) | 2016-12-19 | 2018-07-17 | Soc Beneficente Israelita Brasileira Hospital Albert Einstein | sistema e método de controle inteligente, baseado em aprendizado de máquina, para modular níveis de concentração end-tidal através de ajustes no volume e na concentração de um fluxo de gases respiratórios de entrada em tempo real |
JP7075405B2 (ja) * | 2016-12-28 | 2022-05-25 | コーニンクレッカ フィリップス エヌ ヴェ | 睡眠呼吸障害の特徴付け方法 |
CN108619597B (zh) * | 2017-03-17 | 2021-03-05 | 深圳市大雅医疗技术有限公司 | 一种呼吸机流道的压力补偿方法 |
US10229092B2 (en) | 2017-08-14 | 2019-03-12 | City University Of Hong Kong | Systems and methods for robust low-rank matrix approximation |
KR102076759B1 (ko) | 2018-03-20 | 2020-02-12 | 한양대학교 산학협력단 | 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치 |
JP2022507035A (ja) | 2018-11-10 | 2022-01-18 | ノバレスプ テクノロジーズ インコーポレイテッド | 呼吸不全の検出および/または予測のための気道内圧の継続的管理のための方法および装置 |
CN109498952B (zh) * | 2018-11-30 | 2020-08-28 | 深圳市科曼医疗设备有限公司 | 呼吸机比例阀流量控制方法、装置、计算机设备 |
CN109893732B (zh) * | 2019-02-28 | 2021-04-06 | 杭州智瑞思科技有限公司 | 一种基于循环神经网络的机械通气人机不同步检测方法 |
CN110032758B (zh) * | 2019-02-28 | 2023-06-06 | 苏州瑞派宁科技有限公司 | 计算电信号的能量的方法、装置和计算机存储介质 |
CN112870503A (zh) * | 2019-11-29 | 2021-06-01 | 深圳市大雅医疗技术有限公司 | 压力调节方法、装置、呼吸机和服务器 |
BR112022017185A2 (pt) | 2020-02-26 | 2022-10-18 | Novaresp Tech Inc | Método e aparelho para determinar e/ou prever comportamentos do sono e respiratórios para gerenciamento de pressão de vias aéreas |
TWI768577B (zh) * | 2020-12-03 | 2022-06-21 | 國立中興大學 | 以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3850168A (en) | 1971-09-21 | 1974-11-26 | Puritan Bennett Corp | Oxygen mask apparatus |
US5092343A (en) | 1988-02-17 | 1992-03-03 | Wayne State University | Waveform analysis apparatus and method using neural network techniques |
US5134995A (en) | 1989-05-19 | 1992-08-04 | Puritan-Bennett Corporation | Inspiratory airway pressure system with admittance determining apparatus and method |
US5058600A (en) | 1990-01-08 | 1991-10-22 | Center For Innovative Technology | Graphical readout of laryngotracheal spectra and airway monitor |
US5251626A (en) | 1990-07-03 | 1993-10-12 | Telectronics Pacing Systems, Inc. | Apparatus and method for the detection and treatment of arrhythmias using a neural network |
US5146918A (en) | 1991-03-19 | 1992-09-15 | Medtronic, Inc. | Demand apnea control of central and obstructive sleep apnea |
US5458137A (en) | 1991-06-14 | 1995-10-17 | Respironics, Inc. | Method and apparatus for controlling sleep disorder breathing |
US5309921A (en) * | 1992-02-11 | 1994-05-10 | Spectrum Medical Technologies | Apparatus and method for respiratory monitoring |
FI98338C (fi) | 1993-03-26 | 1997-06-10 | Instrumentarium Oy | Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla |
US5503161A (en) | 1993-10-25 | 1996-04-02 | Van Den Heuvel; Raymond C. | Universal medical instrument based on spectrum analysis |
US5666466A (en) * | 1994-12-27 | 1997-09-09 | Rutgers, The State University Of New Jersey | Method and apparatus for speaker recognition using selected spectral information |
US5953713A (en) | 1995-10-26 | 1999-09-14 | Board Of Regents, The University Of Texas System | Method and apparatus for treatment of sleep disorder breathing employing artificial neural network |
GB9522872D0 (en) * | 1995-11-08 | 1996-01-10 | Oxford Medical Ltd | Improvements relating to physiological monitoring |
AUPO247496A0 (en) | 1996-09-23 | 1996-10-17 | Resmed Limited | Assisted ventilation to match patient respiratory need |
US6290654B1 (en) | 1998-10-08 | 2001-09-18 | Sleep Solutions, Inc. | Obstructive sleep apnea detection apparatus and method using pattern recognition |
EP1189649B1 (en) | 1999-06-30 | 2005-06-15 | University Of Florida Research Foundation, Inc. | Ventilator monitor system |
-
2000
- 2000-10-02 SE SE0003531A patent/SE0003531D0/xx unknown
-
2001
- 2001-09-27 US US09/965,681 patent/US6889691B2/en not_active Expired - Lifetime
- 2001-09-28 CA CA002423637A patent/CA2423637A1/en not_active Abandoned
- 2001-09-28 WO PCT/SE2001/002085 patent/WO2002028281A1/en active IP Right Grant
- 2001-09-28 CN CNA018167071A patent/CN1468077A/zh active Pending
- 2001-09-28 JP JP2002531912A patent/JP2004533270A/ja active Pending
- 2001-09-28 EP EP01970474A patent/EP1328194B1/en not_active Expired - Lifetime
- 2001-09-28 AU AU2001290474A patent/AU2001290474B2/en not_active Expired
- 2001-09-28 KR KR10-2003-7004690A patent/KR20030066632A/ko not_active Application Discontinuation
- 2001-09-28 DE DE60126971T patent/DE60126971T2/de not_active Expired - Lifetime
- 2001-09-28 AU AU9047401A patent/AU9047401A/xx active Pending
- 2001-09-28 AT AT01970474T patent/ATE355011T1/de not_active IP Right Cessation
-
2003
- 2003-03-31 ZA ZA200302527A patent/ZA200302527B/en unknown
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9168344B2 (en) | 2003-08-14 | 2015-10-27 | New York University | System and method for diagnosis and treatment of a breathing pattern of a patient |
JP2009509638A (ja) * | 2005-09-30 | 2009-03-12 | ニューヨーク ユニバーシティー | 患者の呼吸パターンの診断と治療のためのシステムおよび方法 |
JP2012176252A (ja) * | 2006-03-06 | 2012-09-13 | Resmed Ltd | 閉塞睡眠時無呼吸の改良された流量制限検出の方法及び装置 |
US8607793B2 (en) | 2006-03-06 | 2013-12-17 | Resmed Limited | Method and apparatus for improved flow limitation detection of obstructive sleep apnea |
US10004862B2 (en) | 2006-03-06 | 2018-06-26 | Resmed Limited | Method and apparatus for improved flow limitation detection of obstructive sleep apnea |
US10960161B2 (en) | 2006-03-06 | 2021-03-30 | ResMed Pty Ltd | Method and apparatus for improved flow limitation detection of obstructive sleep apnea |
US11759590B2 (en) | 2006-03-06 | 2023-09-19 | ResMed Pty Ltd | Method and apparatus for improved flow limitation detection of obstructive sleep apnea |
JP2011505177A (ja) * | 2007-11-13 | 2011-02-24 | オリディオン・メディカル・1987・リミテッド | 医療システム、装置及び方法 |
JP2012517303A (ja) * | 2009-02-11 | 2012-08-02 | レスメド・リミテッド | 呼吸治療装置用の音響検出 |
JP2015180255A (ja) * | 2009-02-11 | 2015-10-15 | レスメド・リミテッドResMedLimited | 呼吸治療装置用の音響検出 |
US10773038B2 (en) | 2009-02-11 | 2020-09-15 | ResMed Pty Ltd | Acoustic detection for respiratory treatment apparatus |
US11123507B2 (en) | 2009-02-11 | 2021-09-21 | ResMed Pty Ltd | Acoustic detection for respiratory treatment apparatus |
Also Published As
Publication number | Publication date |
---|---|
ATE355011T1 (de) | 2006-03-15 |
US20030000528A1 (en) | 2003-01-02 |
ZA200302527B (en) | 2004-06-30 |
AU9047401A (en) | 2002-04-15 |
AU2001290474B2 (en) | 2006-07-20 |
DE60126971D1 (de) | 2007-04-12 |
DE60126971T2 (de) | 2007-11-22 |
US6889691B2 (en) | 2005-05-10 |
WO2002028281A1 (en) | 2002-04-11 |
CA2423637A1 (en) | 2002-04-11 |
EP1328194B1 (en) | 2007-02-28 |
KR20030066632A (ko) | 2003-08-09 |
CN1468077A (zh) | 2004-01-14 |
EP1328194A1 (en) | 2003-07-23 |
SE0003531D0 (sv) | 2000-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2004533270A (ja) | ニューラルネットワークを使用するcpapのための方法及び装置 | |
AU2001290474A1 (en) | Method and apparatus for CPAP using a neural network | |
US10278639B2 (en) | Method and system for sleep detection | |
US11751817B2 (en) | Breathing disorder identification, characterization and diagnosis methods, devices and systems | |
US7276031B2 (en) | System and method for classifying patient's breathing using artificial neural network | |
US20240127078A1 (en) | Transferring learning in classifier-based sensing systems | |
CN102770070A (zh) | 用于实时评估肺力学的系统和方法 | |
CN102458245A (zh) | 使用血氧饱和度信号辨别潮式呼吸模式 | |
US20220313155A1 (en) | Flow-based sleep stage determination | |
WO2018011801A1 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
CN112399819A (zh) | 用于监测时间相关过程的传感系统和方法 | |
Casaseca-de-la-Higuera et al. | Weaning from mechanical ventilation: a retrospective analysis leading to a multimodal perspective | |
DE102018204868A1 (de) | Verfahren, Systeme und Vorrichtung zur Detektion von Atemphasen | |
Simply et al. | Obstructive sleep apnea (OSA) classification using analysis of breathing sounds during speech | |
EP3581098B1 (en) | Method of generating respiratory status classifier and method of determining respiratory status | |
Sebastian et al. | A preliminary study of the automatic classification of the site of airway collapse in OSA patients using snoring signals | |
US20220202389A1 (en) | Method and apparatus for detecting respiratory function | |
JP7216408B2 (ja) | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム | |
Unger | Analysis of Respiratory Time Series Data for Breathing Discomfort Detection Prior to Sleep Onset During APAP Therapy | |
Waghmare et al. | Spirometry data classification using self organizing feature map algorithm | |
Drinnan et al. | Automated measurement of the cyclic activity of respiratory muscles | |
CN114680867A (zh) | 呼吸功能检测方法及装置 | |
Ahles | tee |