JP2015522314A - 心肺健康状態をモニタリングする方法及び装置 - Google Patents

心肺健康状態をモニタリングする方法及び装置 Download PDF

Info

Publication number
JP2015522314A
JP2015522314A JP2015514289A JP2015514289A JP2015522314A JP 2015522314 A JP2015522314 A JP 2015522314A JP 2015514289 A JP2015514289 A JP 2015514289A JP 2015514289 A JP2015514289 A JP 2015514289A JP 2015522314 A JP2015522314 A JP 2015522314A
Authority
JP
Japan
Prior art keywords
patient
motion
cardiopulmonary health
respiratory
monitoring
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.)
Granted
Application number
JP2015514289A
Other languages
English (en)
Other versions
JP2015522314A5 (ja
JP6655991B2 (ja
Inventor
シンドヘルム，クラウス・ヘンリー
ファルジア，スティーヴン・ポール
コールファックス，マイケル・ワツラフ
ジャヴェッド，ファイザン
クシャバ，ラミ
ヘネガン，コナー
ドゥ・シャザル，フィリップ
ザッファローニ，アルベルト
フォックス，ナイル
セルカ，パトリック
オヘア，エマー
レドモンド，スティーヴン・ジェイムズ
Original Assignee
レスメッド センサー テクノロジーズ リミテッド
レスメッド センサー テクノロジーズ リミテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from AU2012902693A external-priority patent/AU2012902693A0/en
Application filed by レスメッド センサー テクノロジーズ リミテッド, レスメッド センサー テクノロジーズ リミテッド filed Critical レスメッド センサー テクノロジーズ リミテッド
Publication of JP2015522314A publication Critical patent/JP2015522314A/ja
Publication of JP2015522314A5 publication Critical patent/JP2015522314A5/ja
Application granted granted Critical
Publication of JP6655991B2 publication Critical patent/JP6655991B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  using microwaves or terahertz waves
    • 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
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • 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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/097—Devices for facilitating collection of breath or for directing breath into or through measuring devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pulmonology (AREA)
  • Emergency Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

心肺健康状態モニタリング装置を開示する。本装置は、モニタリングセッション中に患者の身体的運動を示す１つ以上の運動信号を生成するように構成される非接触式動きセンサと、プロセッサと、該プロセッサに、１つ以上の運動信号を処理する手順を実施させるように構成されるプログラム命令を記憶するメモリとを備える。前記手順は、１つ以上の運動信号から１つ以上の睡眠呼吸障害特徴を抽出し、１つ以上の睡眠呼吸障害特徴に基づいて、所定の予測範囲中に臨床事象が起こる可能性があるかどうかを予測することを含む。【選択図】図７ｂ

Description

[関連出願に対する相互参照]
本出願は、その開示が全体として引用することにより本明細書の一部をなすものとする以下の出願の利益を主張する。以下の出願とは、２０１２年５月３０日に出願されたアイルランド出願第ＩＥ２０１３／０２５４号、２０１２年６月２６日に出願されたオーストラリア仮出願第２０１２９０２６９３号、２０１２年１１月３０日に出願されたオーストラリア仮出願第２０１２９０５２２１号、及び２０１３年４月２９日に出願されたオーストラリア仮出願第２０１３９０１４８２号である。
［連邦政府による資金提供を受けた研究又は開発に関する記載］
非適用
［共同研究開発の関係者の名称］
非適用
［シーケンスリスト］
非適用
本技術は、呼吸障害の診断、治療、及び改善のうちの１つ以上のもの、並びに呼吸障害を防止する手法に関する。特に、本技術は、呼吸障害を治療する医療デバイス及びそれらの使用、並びに呼吸障害を防止する医療デバイス及びそれらの使用に関する。
身体の呼吸器系は、ガス交換を容易にしている。鼻及び口は、患者の気道への入口を形成する。
気道は、一連の分岐する管を備え、これらの管は、肺の中に深く入り込むにつれて、より細く、より短く、かつより多くなっていく。肺の最も重要な機能は、酸素が空気から静脈血内に移動することを可能にするとともに二酸化炭素が排出することを可能にするガス交換である。気管は、左右の主気管支に分岐し、これらの主気管支は、最終的に終末細気管支に更に分岐する。気管支は、誘導気道を構成し、ガス交換には関与しない。気道が更に分岐すると、呼吸細気管支に至り、最終的には肺胞に至る。肺のこの胞状部位は、ガス交換が行われる場所であり、呼吸域と呼ばれる。これについては、West, Respiratory Physiology-the essentialsを参照されたい。
様々な心肺障害が存在する。
睡眠呼吸障害（ＳＤＢ）の一形態である閉塞性睡眠時無呼吸（ＯＳＡ）は、睡眠中の上側気道の閉塞によって特徴付けられる。この閉塞性睡眠時無呼吸は、睡眠中に、異常に小さな上気道と、舌、軟口蓋、及び中咽頭後壁の部位における筋緊張の正常欠損とが組合さった結果生じる。この条件によって、罹患患者は、夜毎に、時に２００回〜３００回、通常は３０秒〜１２０秒の継続時間の期間中、呼吸が停止する。この閉塞性睡眠時無呼吸は、多くの場合、過度の日中の傾眠を引き起こし、心血管疾患及び脳損傷を引き起こす場合がある。この症候群は、特に中高年の太りすぎの男性にとって一般的な障害であるが、罹患した人は、その問題に気付いていない場合がある。これについては、米国特許第４，９４４，３１０号（Sullivan）を参照されたい。
例えば、チェーンストークス呼吸（ＣＳＲ）のような周期性呼吸又は変調型呼吸は、動脈血の反復的な脱酸素及び再酸素添加を引き起こす律動的な増大する換気及び減退する換気（過呼吸及び無呼吸又は低呼吸）の交番する周期が存在する患者の呼吸調節器の障害である。ＣＳＲは、反復的な低酸素のために有害である可能性がある。患者の中には、ＣＳＲが睡眠からの反復的な覚醒に結び付き、これによって、深刻な不眠、交感神経作用の増大、及び後負荷の増加が引き起こされる者がいる。これについては、米国特許第６，５３２，９５９号（Berthon-Jones）を参照されたい。
肥満低換気症候群（ＯＨＳ：Obesity Hyperventilation Syndrome）は、低換気について他の既知の原因が存在しない状態での、重度の肥満と意識下慢性高炭酸ガス血症との組合せとして定義される。症状は、呼吸困難、朝の頭痛、及び過剰の日中の眠気を含む。
慢性閉塞性肺疾患（ＣＯＰＤ：Chronic Obstructive Pulmonary Disease）は、或る特定の特性を共通に有する下部気道疾患の群のうちの任意の下部気道疾患を包含する。これらは、空気移動に対する抵抗の増加、呼吸の呼気位相の延長、及び肺の正常弾性の喪失を含む。ＣＯＰＤの例は、肺気腫及び慢性的な気管支炎である。ＣＯＰＤは、慢性的喫煙（主要な危険因子）、職業上の曝露、空気汚染、及び遺伝因子によって引き起こされる。症状は、運動時呼吸困難、慢性咳、及び痰生成を含む。
神経筋疾患（ＮＭＤ：Neuromuscular Disease）は、内在筋病理によって直接、又は、神経病理によって間接的に筋肉の機能を損なう多くの疾患及び病気を包含する広義の用語である。一部のＮＭＤ患者は、進行性筋肉障害を特徴とし、歩行不能となり、車椅子での生活を強いられ、嚥下困難となり、呼吸筋が衰弱し、そして最終的には呼吸不全による死に至る。神経筋障害は、急速進行性及び緩徐進行性、すなわち、（ｉ）数か月にわたって悪化し、数年以内に死に至る筋肉損傷を特徴とする急速進行性障害（例えば、１０代の少年少女の筋委縮性側索硬化症（ＡＬＳ：Amyotrophic lateral sclerosis）及びデュセンヌ筋ジストロフィ（ＤＭＤ：Duchenne muscular dystrophy）、（ｉｉ）数年にわたって悪化し、寿命を少し減少させるだけである筋肉損傷を特徴とする変わり易い又は緩徐進行性障害（例えば、肢帯、顔面肩甲上腕型、及び筋緊張性筋ジストロフィ）に分類することができる。ＮＭＤにおける呼吸不全の症状は、全体的衰弱、嚥下障害、運動時及び安静時呼吸困難、疲労、眠気、朝の頭痛、並びに意識集中及び気分転換に関する困難さを含む。
胸壁障害は、呼吸筋と胸郭との間の不十分な結合をもたらす胸郭変形の群である。その障害は、通常、拘束性障害を特徴とし、長期高炭酸ガス血症的呼吸不全の可能性を共有する。脊柱側弯症及び／又は脊柱後側弯症は、重篤な呼吸不全をもたらす場合がある。呼吸不全の症状は、運動時呼吸困難、末梢性浮腫、起座呼吸、反復される胸部感染、朝の頭痛、疲労、不十分な睡眠品質、及び食欲不振を含む。
心不全は、身体の酸素要求に心臓が追い付くことができないことを特徴とする、比較的一般的でかつ重篤な臨床状態である。心不全の管理は、その有病率及び重篤度が高いことにより現代のヘルスケアシステムにとってかなりの難題である。心不全は、慢性状態であり、本質的に進行性である。心不全の進行は、しばしば、急性性質のエピソードによって区切られる（心臓血管機能の低下があっても）長い期間にわたって比較的安定であることによって特徴付けられる。これらの急性エピソードにおいて、患者は、呼吸困難（dyspnea）（呼吸困難（difficulty breathing））、奔馬調律、頸静脈圧の増加、及び起座呼吸等の症状の悪化を経験する。これは、通常、顕在的うっ血（肺の空洞内への流体の蓄積である）を伴う。この過剰な流体は、しばしば、数キログラムの測定可能な体重増加をもたらす。しかし、顕在的うっ血が起こるまでに、医師が、患者を安定化させるのを助けるオプションには制限があり、多くの場合、患者は入院を必要とする。極端な場合、適時な処置無しで、患者は、急性非代償性心不全（ＡＤＨＦ：acute decompensated heart failure）を受ける場合がある。
１ 療法
閉塞性睡眠時無呼吸（ＯＳＡ）を治療するために、経鼻持続気道陽圧（ＣＰＡＰ：nasal continuous positive airway pressure）療法が用いられている。前提は、持続気道陽圧が空気圧式スプリントとして動作し、軟口蓋及び舌を前方に押して中咽頭後壁から離すことによって上気道閉塞を防止することができるということである。
ＣＳＲ、ＯＨＳ、ＣＯＰＤ、ＮＭＤ、及び胸壁障害を治療するために、非侵襲的換気（ＮＩＶ：non-invasive ventilation）が用いられている。
２ ＰＡＰデバイス
ＣＰＡＰ療法では、陽圧の空気が、通常、モータ駆動ブロワ等のＰＡＰデバイスによって患者の気道に供給される。このブロワの放出口は、可撓性の配送導管を介して、マスク等の患者インタフェースに接続される。
３ モニタリングシステム
ＡＤＨＦ事象等の心肺事象の可能性を、こうした事象を防止するか又は改善させるために、予測できることは興味深い。心肺事象を予測するために提案されるか又は使用されてきた特徴は、体重、Ｂ型ナトリウム利尿ペプチド（ＢＮＰ：B natriuretic peptides）のレベル、夜間心拍数、睡眠姿勢の変化、及び呼吸の変化を含む。睡眠ポリグラフ（ＰＳＧ：Polysomnography）は、心肺障害の診断及び予後のための従来のシステムである。更に、睡眠呼吸障害の重篤度を確定するため、睡眠中に呼吸パラメータをモニタリングし分析する能力を有するマスク又は口鼻（oronasal）カニューレ等の接触式センサモダリティが知られている。しかし、こうしたシステムは、複雑であり、またおそらく費用がかかり、及び／又は、家庭で寝ようと試みる患者にとって不快であるか又は非実用的である場合がある。
本技術は、改善された快適さ、コスト、効能、使い易さ、及び製造可能性のうちの１つ以上のものを有する、心肺障害の診断及び予測に用いられる医療デバイスを提供することを対象としている。
本技術の第１の態様は、心肺障害の診断及び予測に用いられる装置に関する。
本技術の別の態様は、心肺障害の診断及び予測に用いられる方法に関する。
本技術の一形態は、患者の心肺健康状態をモニタリングする心肺健康状態モニタリング装置及び方法を備え、心肺健康状態モニタリング装置及び方法は、患者の身体的運動を示す、非接触式動きセンサから取得される（複数の場合もある）運動信号から、患者による睡眠呼吸障害の重篤度を示す特徴を抽出し、抽出された特徴を使用して、所定の予測範囲中に臨床事象が起こる可能性があるかどうかを予測する。
本技術の一形態の別の態様は、心肺健康状態に関連するセンサデータを分析し、分析に基づいて患者に対して表示するクエリを生成し、クエリに対する応答に基づいて臨床警報を生成する心肺健康状態モニタリング装置及び方法である。
本技術の一形態の別の態様は、センサデータから抽出される呼吸パラメータを分析し、分析に基づいて再発可能性（potential relapse）警報を生成する心肺健康状態モニタリング装置及び方法である。
本技術の一形態の別の態様は、患者の身体的運動を示す、非接触式動きセンサから取得される（複数の場合もある）運動信号から、睡眠呼吸障害の重篤度を示す特徴を抽出する心肺健康状態モニタリング装置及び方法である。
もちろん、上記態様の幾つかの部分は、本技術の部分態様を形成することができる。また、これらの部分態様及び／又は態様のうちの様々なものは、様々な方法で組合せることができ、本技術の追加の態様又は部分態様も構成することができる。
本技術の他の特徴は、以下の詳細な説明、要約書、図面、及び特許請求の範囲に含まれる情報を検討することから明らかになるであろう。
本技術は、限定ではなく例として、添付図面の図に示されている。これらの図において、同様の参照符号は、以下のものを含む類似の要素を参照する。
［１ 治療システム］本技術による実施に適したシステム例を示す図である。患者インタフェース３０００を装着している患者１０００は、ＰＡＰデバイス４０００から陽圧の空気の供給を受ける。ＰＡＰデバイスからの空気は、加湿器５０００において加湿され、空気回路４１７０に沿って患者１０００に進む。 ［２ モニタリングシステム］寝ている患者をモニタリングする非接触式センサユニットを示す。 ［３ 呼吸器系］鼻腔及び口腔、喉頭、声帯、食道、気管、気管支、肺、肺胞嚢、心臓、並びに横隔膜を含む人間の呼吸器系の概略を示す図である。 鼻腔、鼻骨、外側鼻軟骨、大鼻翼軟骨、鼻孔、上唇、下唇、喉頭、硬口蓋、軟口蓋、咽頭口腔部、舌、喉頭蓋、声帯、食道、及び気管を含む人間の上気道の図である。 ［４ 患者インタフェース］本技術の１つの形態による患者インタフェースを示す図である。 ［５ ＰＡＰデバイス］本技術の１つの形態によるＰＡＰデバイスを示す図である。 ［６ 加湿器］本技術の１つの態様による加湿器を示す図である。 ［７ 呼吸波形］睡眠中の人の一般的な呼吸波形のモデルを示す図である。横軸は時間であり、縦軸は呼吸流量である。パラメータ値は変動する場合があるが、一般的な呼吸は、次の近似値、すなわち、１回換気量Ｖｔ、０．５Ｌ、吸息時間Ｔｉ、１．６ｓ、ピーク吸気流量Ｑｐｅａｋ、０．４Ｌ／ｓ、呼息時間Ｔｅ、２．４ｓ、ピーク呼気流量Ｑｐｅａｋ、−０．５Ｌ／ｓを有することができる。呼吸の全継続時間Ｔｔｏｔは、約４ｓである。人は、通常、約１５呼吸毎分（ＢＰＭ）の呼吸数で呼吸し、換気量Ｖｅｎｔは約７．５Ｌ／分である。Ｔｔｏｔに対するＴｉの比である通常のデューティサイクルは約４０％である。 約９０秒の期間にわたって約３４呼吸で正常に呼吸するノンレム睡眠中の患者を示す図である。この患者は、自動ＰＡＰを用いて治療され、マスク圧力が約１１ｃｍＨ２Ｏであった。上部のチャネルは、オキシメトリ（ＳｐＯ２）を示し、縦方向の目盛りは、９０％〜９９％の飽和度の範囲を有する。この患者は、図示した期間全体を通じて約９５％の飽和度を維持していた。第２のチャネルは、定量的な呼吸気流量を示し、目盛りは縦方向で−１ＬＰＳ〜＋１ＬＰＳの範囲であり、吸気は正である。第３のチャネル及び第４のチャネルには、胸部運動及び腹部運動が示されている。 患者の睡眠ポリグラフである。上部から底部に６分間の横スパンを有する１１個の信号チャネルがある。上部の２つのチャネルはともに、異なる頭皮ロケーションからのＥＥＧ（脳波図：electroencephalogram））である。第２のチャネルの周期的なスパイクは、大脳皮質の覚醒及び関連した活動を表している。下にある第３のチャネルは、おとがい下のＥＭＧ（筋電図）である。覚醒時点の辺りの活動の増加は、おとがい舌筋漸増を表す。第４のチャネル及び第５のチャネルは、ＥＯＧ（電気眼球図）である。第６のチャネルは、心電図（electrocardiogram）である。第７のチャネルは、約９０％から７０％未満への反復的な脱飽和を有するパルスオキシメトリ（ＳｐＯ２）を示している。第８のチャネルは、差圧トランスデューサに接続された鼻カニューレを用いた呼吸気流量である。２５秒〜３５秒の反復的な無呼吸が１０秒〜１５秒の回復呼吸のバーストと交互に起こることは、ＥＥＧ覚醒及びＥＭＧ活動の増加と一致する。第９のチャネルは、胸部運動を示し、第１０のチャネルは、腹部運動を示している。腹部は、覚醒に至る無呼吸の長さにわたる運動の漸強を示す。両者は、回復過呼吸の間の身体全体の運動に起因して、覚醒の間は乱雑になる。したがって、無呼吸は閉塞性であり、その状態は深刻である。最も下のチャネルは姿勢であり、この例では、変化を示していない。 患者が一連の総合的な閉塞性無呼吸を体験している場合の患者流量データを示す図である。記録継続時間は、ほぼ１６０秒である。流量は、約＋１Ｌ／ｓ〜約−１．５Ｌ／ｓの範囲である。各無呼吸はほぼ１０ｓ〜１５ｓの間続く。 チェーンストークス呼吸の患者を示す図である。酸素飽和度（ＳｐＯ２）、流量を示す信号、及び３番目に、運動を示す信号の３つのチャネルがある。データは６分間にわたる。流量を表す信号は、鼻カニューレに接続された圧力センサを用いて測定されたものである。患者は、約２２秒の無呼吸と、約３８秒の過呼吸との繰り返しを呈する。各無呼吸中のより高い周波数の低振幅振動は心臓性のものである。 ［８ モニタリング装置］患者の心肺健康状態をモニタリングする、図１ｂの非接触式センサユニットを含む装置を示す。 図７ａのモニタリング装置によって実行される、患者の心肺健康状態をモニタリングする方法を示すフローチャートである。 図７ａのモニタリング装置内で実施される、患者の心肺健康状態をモニタリングする方法を示すフローチャートである。 図７ｂ又は図７ｃの方法において使用することができる、患者の運動を示す信号から臨床事象を予測する方法における例示的なステップを示すフローチャートである。 図７ｄの方法における特徴抽出ステップを実施するのに役立つことができる例示的なモジュール、及び、本技術の一形態における組合せ式の又は単一チャネルのアプローチの下でのそれらの関係を示すブロック図である。 図７ｄの方法における特徴抽出ステップを実施するのに役立つことができる例示的なモジュール、及び、本技術の一形態におけるハイブリッドアプローチの下でのそれらの関係を示すブロック図である。 図７ｅ／図７ｆの睡眠／覚醒分析モジュールの１つの実施中に適用されるロトヨネンパターン展開を示す。 図７ｅ／図７ｆの睡眠／覚醒分析モジュールの代替の実施における波形長閾値を設定する方法を示すフローチャートである。 ３つの一般的なＳＤＢ呼吸努力低減テンプレートの例の図を含む。 図７ｄの方法の予測ステップを実施するために使用することができる方法を示すフローチャートである。
本技術を更に詳細に説明する前に、本明細書において説明する特定の例は変化することができ、本技術はこれらの例に限定されるものではないことが理解されるべきである。この開示において用いられる術語は、本明細書において論述する特定の例のみを説明するためのものであり、限定を意図するものではないことも理解されるべきである。
１ 治療システム
１つの形態では、本技術は、呼吸障害を治療する装置を含む。この治療装置は、空気等の加圧呼吸ガスを、患者インタフェース３０００に通じる空気配送チューブを介して患者１０００に供給するＰＡＰデバイス４０００を備えることができる。
２ 療法
１つの形態では、本技術は、患者１０００の気道の入口に陽圧を印加するステップを含む、呼吸障害を治療する方法を含む。
３ ＰＡＰデバイス４０００
本技術の１つの態様によるＰＡＰデバイス４０００は、機械構成要素及び空気圧構成要素４１００、電気構成要素４２００を備え、１つ以上のプロセス４３００を実行するようにプログラムされる。このＰＡＰデバイスは、好ましくは、外部ハウジング４０１０を有する。外部ハウジング４０１０は、外部ハウジング４０１０の上側部分４０１２及び外部ハウジング４０１０の下側部分４０１４の２つの部分で形成される。代替の形態では、外部ハウジング４０１０は、１つ以上のパネル４０１５を備えることができる。好ましくは、ＰＡＰデバイス４０００は、ＰＡＰデバイス４０００の１つ以上の内部構成要素を支持するシャーシ４０１６を備える。１つの形態では、空気圧ブロック（pneumatic block）４０２０が、シャーシ４０１６によって支持されるか、又はその一部分として形成される。ＰＡＰデバイス４０００は、取っ手４０１８を備えることができる。
４ 加湿器５０００
本技術の１つの形態では、貯水器５１１０及び加熱板５１２０を備える加湿器５０００が設けられる。
５ モニタリング装置７０００
一形態では、本技術は、患者の心肺健康状態をモニタリングする装置７０００を備える。装置７０００は、図１ｂに示すように、（例えば、ベッドサイドテーブル上で）眠っている患者１０００に隣接しかつ患者１０００の比較的近くに位置決めされた非接触式センサユニット１２００を備える。
心不全は、睡眠呼吸障害（ＳＤＢ：sleep disordered breathing）と強く相関することが示されてきた。特に、その例が図６ｅに示されるチェーンストークス呼吸（ＣＳＲ：Cheyne-Stokes respiration）は、一般に、身体の呼吸制御システムの不安定性によってもたらされ、その原因の１つは心不全である。更に、無呼吸／低呼吸指数（ＡＨＩ：Apnea/Hypopnea Index）等のＯＳＡの重篤度を示す特徴は、ＡＤＨＦ事象による死及びＡＤＨＦ事象のための入院の独立した予測因子であることが示されてきた。したがって、ＡＤＨＦ事象を予測する１つのアプローチは、睡眠呼吸障害の重篤度を示す特徴、すなわち、ＳＤＢ特徴を使用することである。ＳＤＢ特徴の一例は、睡眠中の呼吸が、典型的なＣＳＲ、すなわち、「チェーンストークス様（Cheyne-Stokes-like）」特徴に似る程度を示す特徴のセットとすることができる。こうしたＳＤＢ特徴の値及び変化は、ＡＤＨＦ事象の可能性に関する有用な情報を含むことができる。したがって、開示されるモニタリング装置７０００は、患者１０００の睡眠呼吸障害の重篤度を示す特徴、すなわち、ＳＤＢ特徴を抽出し分析するように構成される。場合によっては、こうした特徴は、２００５年１２月２１日に出願された国際公開第２００６／０６６３３７号に記載される方法のうちの任意の方法に従って確定することができる。
さらに、チェーンストークス呼吸特徴はまた、心不全患者の代償不全事象の急性フェーズ中の変化の短期間マーカとすることができる（代償不全事象は、適切な心拍出量を維持するために心臓が使用する代償性メカニズムがもはや十分でないとき起こる−これらの代償不全は、症状の迅速な悪化をもたらすとともに、しばしば、入院を必要とする場合がある）。代償不全に対する医療応答は、しばしば、利尿剤の使用を一時的に増加させ、したがって、過剰の流体を除去することである。これは結果として、呼吸パラメータの変化をもたらす可能性があり、したがって、上述した「チェーンストークス様」特徴は、処置の短期間有効性を評価するために使用することができる。特定の例として、チェーンストークス呼吸の調節サイクル長は、身体の循環遅延と相関し（例えば、Dai Yumino及びT.Douglas Bradley著「Central Sleep Apnea and Cheyne-Stokes Respiration」Proceedings of the American Thoracic Society, Vol.5, No.2 （2008）, pp.226-236参照）、したがって、予知マーカとして使用される可能性がある。
５．１ コンポーネント
図７ａは、本技術の一形態による、患者１０００の心肺健康状態をモニタリングする、図１ｂの非接触式センサユニット１２００を含む装置７０００をより詳細に示すブロック図である。装置７０００では、非接触式センサユニット１２００は、全体的に患者１０００の方に向けられる非接触式動きセンサ７０１０を含む。動きセンサ７０１０は、患者１０００の身体的運動を示す１つ以上の信号を生成するように構成され、動きセンサ７０１０から、患者の呼吸運動を示す１つ以上の信号が取得される。
センサユニット１２００は、マイクロコントローラユニット（ＭＣＵ）７００１、データをロギングするメモリ７００２（例えば、メモリカード）も含むことができる。一実施形態では、センサユニット１２００は、接続７００８を介して、データを、外部コンピューティングデバイス７００５、例えば、ローカルの汎用コンピュータ又はリモートサーバに転送するように構成される通信回路要素７００４を含む。接続７００８は、有線とすることもできるし、通信回路要素７００４が無線機能を有する場合に無線とすることもできるし、直接的とすることもできるし、インターネット（図示せず）等のローカルネットワーク又はワイドエリアネットワークを介して間接的とすることもできる。
センサユニット１２００は、以下で詳細に述べるように、動きセンサ７０１０によって生成される信号を処理するように構成されるプロセッサ７００６を含む。
センサユニット１２００は、ユーザに視覚フィードバックを提供するように構成されるディスプレイデバイス７０１５を含む。一実施態様では、ディスプレイデバイス７０１５は、１つ以上の警告光（例えば、１つ以上の発光ダイオード）を備える。ディスプレイデバイス７０１５は、ＬＣＤ又はタッチ感応式ディスプレイ等のディスプレイスクリーンとしても実施することができる。ディスプレイデバイス７０１５の動作は、患者の心肺健康状態の評価に基づいてプロセッサ７００６によって制御される。ディスプレイデバイス７０１５は、患者か、医師か、又は他の臨床医等の、モニタリング装置７０００のユーザに情報を視覚的に示すように実施することができる。ディスプレイデバイス７０１５は、モニタリング装置７０００の動作のためのグラフィカルユーザインタフェースも表示することができる。
センサユニット１２００は、プロセッサ７００６の制御下で、ユーザに音響フィードバック、例えば、その周波数が呼吸とともに変動するトーン又は或る特定の条件が満たされるときに鳴る警告音を提供するように構成されるオーディオ出力７０１７を含む。
モニタリング装置７０００の動作のユーザ制御は、モニタリング装置７０００のプロセッサ７００６によって検知されるコントローラ（図示せず）の動作に基づくことができる。
センサユニット１２００の一例は、非接触式ドプラ無線周波数（ＲＦ）動きセンサ７０１０を含む、レスメドセンサーテクノロジーズ（ResMed Sensor Technologies）社によって製造されるＳｌｅｅｐＭｉｎｄｅｒ装置である。
ＳｌｅｅｐＭｉｎｄｅｒ装置がセンサユニット１２００として使用されるとき等の本技術の一形態では、動きセンサ７０１０は、ＲＦ信号７０６０を送信するように構成されるＲＦ送信機７０２０を含む。例えば、無線周波数信号７０６０は、以下の形態を有する。
Figure 2015522314
式１では、搬送波周波数はｆｃ（通常、１００ＭＨｚ〜１００ＧＨｚの範囲、例えば、３ＧＨｚ〜１２ＧＨｚ、例えば、５．８ＧＨｚ又は１０．５ＧＨｚ）であり、ｔは時間であり、θは任意の位相角度であり、ｕ（ｔ）はパルス形状である。連続波システムでは、ｕ（ｔ）は１である場合があり、また、式１から省略される可能性がある。より一般的には、パルスｕ（ｔ）は、式２として定義されることになる。
Figure 2015522314
ここで、Ｔは周期幅であり、Ｔｐはパルス幅である。Ｔｐ＜＜Ｔである場合、これは、パルス（pulsed）連続波システムになる。ある場合、Ｔｐが非常に小さくなるにつれて、放出信号のスペクトルが非常に広くなり、システムは、超広帯域（ＵＷＢ）レーダ又はインパルスレーダと呼ばれる。代替的に、ＲＦ送信信号７０６０の搬送波周波数は、いわゆる周波数変調連続波（ＦＭＣＷ：frequency modulated continuous wave）システムを生成するように変動（チャープ）される可能性がある。
無線周波数信号７０６０は、パルスゲーティングを適用する回路要素に結合したローカル発振器７０４０を使用して送信機７０２０によって生成することができる。ＦＭＣＷの場合、電圧制御式発振器が、電圧−周波数変換器とともに使用されて、送信用のＲＦ信号７０６０を生成する。空気に対する送信ＲＦ信号７０６０の結合は、アンテナ７０５０を使用して達成することができる。アンテナ７０５０は、（全ての方向にほぼ等しくパワーを送信する）無指向性又は（或る特定の方向に優先的にパワーを送信する）指向性とすることができる。送信エネルギー及び反射エネルギーが一方向から主にやって来るように装置７０００内で指向性アンテナ７０５０を使用することを有利とすることができる。装置７０００の一実施態様では、単一アンテナ７０５０が、単一搬送波周波数を用いて送信機７０２０及び受信機７０３０の両方について使用される。代替的に、複数の搬送波周波数を用いて複数の受信及び送信アンテナ７０５０を使用することができる。
装置７０００は、種々の実施形態において、簡単なダイポールアンテナ、パッチアンテナ、及びヘリカルアンテナ等の種々のタイプのアンテナ７０５０に適合し、アンテナの選択は、必要とされる指向性、サイズ、形状、又はコスト等の因子によって影響を受ける可能性がある。装置７０００が、人間の使用について安全であることが示されてきた方法で動作する可能性があることに留意するべきである。１ｍＷ（０ｄＢｍ）以下の総システム放出平均パワーを有する装置７０００を説明してきた。ＲＦ暴露についての推奨される安全レベルは１ｍＷ／ｃｍ２である。０ｄＢｍで送信するシステムから１メートルの距離において、等価パワー密度は、推奨されるこの限界より少なくとも１００倍小さいことになる。
使用時、送信ＲＦ信号７０６０は、無線波を反射する物体（患者１０００の空気−身体界面等）から反射され、反射信号７０７０の一部は、受信機７０３０で受信されることになる。受信機７０３０は、送信機７０２０と並置することもできるし、送信機７０２０から離れている、いわゆる「バイスタティック（bistatic）」構成とすることもできる。受信信号７０７０及び送信信号７０６０は、（アナログ方式又はデジタル方式で）混合器７０８０でともに乗算される可能性がある。この混合器７０８０は、乗算器（以下で（式３）に示す）の形態とすることもできるし、乗算器（例えば、正弦波を加算する包絡線検出器回路）の効果を近似する回路内にあることもできる。例えば、ＣＷの場合、混合信号は、以下に等しいことになる。
Figure 2015522314
ここで、φ（ｔ）は、（反射が単一反射物体によって支配される場合）送信信号７０６０及び受信信号７０７０の経路差に起因する位相項であり、γは受信信号７０７０が受ける減衰である。反射物体が固定される場合、φ（ｔ）は固定される。装置７０００では、反射物体（例えば、患者１０００の胸部）は、一般に運動しており、φ（ｔ）は時間変動的となる。簡単な例として、胸部が、呼吸による周波数ｆｍの正弦波の動きを受けている場合、混合信号ｍ（ｔ）は、ｆｍの成分（及びローパスフィルタリングによって簡単に除去することができる２ｆｃに中心のある成分）を含む。混合した後のローパスフィルタの出力における信号は、未処理又は復調センサ信号７００３と呼ばれ、著しい身体的（非呼吸）運動及び呼吸運動に関する情報を含む。
復調センサ信号７００３の振幅は、反射信号の平均経路距離によって影響を受け、センサ７０１０内でヌル及びピーク（センサの感度が低いか又は高いエリア）の検出をもたらす。この効果は、直交位相技法を使用することによって最小にされる可能性がある。直交位相技法では、送信機７０２０は、式１の信号７０６０と位相が９０度ずれた（直交位相状態にある）信号を同時に送信する。これは、２つの反射信号をもたらし、その両方が、混合器７０８０によって混合されるとともにローパスフィルタリングされ、それぞれＩ及びＱ「チャネル（channel）」内の２つの復調信号７００３ａ（「Ｉ信号」）及び７００３ｂ（「Ｑ信号」）をもたらす。
ＵＷＢの実施態様では、復調センサ信号７００３を取得する代替の方法を使用することができる。最も重要な空気−身体界面に対する経路距離は、送信パルスとピーク反射信号との間の遅延を測定することによって確定することができる。例えば、パルス幅が１ｎｓであり、センサ７０１０から身体までの距離が０．５メートルである場合、パルスのピーク反射が受信機７０３０に到達するまでの遅延は、１／（３×１０８）ｓ＝３．３３ｎｓであることになる。多数のパルス（例えば、１μｓごとに１ｎｓパルス）を送信し、また、経路距離が所与の期間にわたってゆっくり変化すると仮定することによって、復調センサ信号７００３は、その期間にわたる時間遅延の平均として計算することができる。
こうして、動きセンサ７０１０、例えば無線周波数センサは、胸部壁の呼吸運動、又はより一般的には、装置７０００がモニタリングしている患者１０００の身体の一部の運動を推定する可能性がある。
上記で述べたように、受信信号７０７０は、例えば、著しい身体的運動の結果として、大きな動きアーチファクトを含む可能性がある。これは、身体からの反射信号が２つ以上の反射経路を含み、複雑な信号をもたらす可能性があることによる（例えば、一方の手がセンサに向かって動き、胸部が離れるように動く場合）。こうした信号の受信は、睡眠状態を判定するのに有用である上体が動いていることを信号が示すことができるため有用である。センサは、下肢静止不能症候群（Restless Legs Syndrome）又は周期性四肢運動（Periodic Limb Movement）等の睡眠障害の診断に有用である患者１０００の身体の下側部分の動き（不随意下肢けいれん等）を検出するためにも使用される可能性がある。
呼吸運動信号、及びより一般的な身体的運動信号の品質を改善するため、反射エネルギーがセンサユニット１２００によってそこから収集される物理的体積は、種々の方法を使用して制限することができる。例えば、センサユニット１２００は、受信機７０３０のアンテナができるように、「方向選択的（directionally selective）」に作られることができる（すなわち、センサユニット１２００は、或る特定の方向により多くのエネルギーを送信する）。方向選択性は、指向性アンテナ７０５０又は複数のＲＦ送信機７０２０を使用して達成される可能性がある。本技術の代替の形態では、連続波、ＦＭＣＷ、又はＵＷＢレーダは、同様な信号を取得するために使用される。「時間領域ゲーティング（time-domain gating）」と呼ばれる技法は、センサユニット１２００から或る特定の物理的距離の信号から生じる反射信号７０７０を測定するだけのために使用される可能性がある。周波数領域ゲーティング（フィルタリング）は、或る特定の周波数を超える反射物体の動きを無視するために使用される可能性がある。
複数の周波数を使用する（例えば、５００ＭＨｚ及び５ＧＨｚにおける）装置７０００の実施形態では、低周波数は、位相の曖昧さ無しで大まかな動きを正確に確定するために使用される可能性があり、低周波数は、その後、高周波数センサ信号（細かい動きを測定するのにより適する）から減算することができる。こうしたセンサユニット１２００を使用して、装置７０００は、患者１０００から情報を収集し、その情報を使用して、呼吸運動、及びより一般的な身体的運動情報を確定する。
他の非接触式動きセンサ、例えば、赤外線センサ、超音波センサ、光センサ、又は、圧電センサ又は呼吸インダクタンスプレチスモグラフ等の接触式動きセンサは、センサユニット１２００の一部として又は別個のセンサユニットの一部として、非接触式動きセンサ７０１０に対する更なる動きセンサとして使用することができる。こうした更なる動きセンサは、それぞれの動きセンサの特徴に従って、患者１０００に対して位置決めされる必要がある。例えば、動きセンサが呼吸インダクタンスプレチスモグラフである場合、センサは、患者１０００の胸部又は腹部の周りに位置決めすることができる。動きセンサが圧電センサ又は直接的な空気−マット圧力センサである場合、こうしたセンサは、患者１０００のマットレスの下に位置決めすることができる。
或る特定の実施態様では、患者１０００の心肺健康状態に関連するデータを提供するように構成される１つ以上の非接触式非動きセンサが、装置７０００に組込まれて、総合精度を高めるか又は更なる頑健性を提供することができる。非接触式非動きセンサの一例は音センサである。睡眠時無呼吸に関連する特徴的な音パターンが、分析され、ＳＤＢの生成された簡易尺度の精度を高めるのに使用することができる。「Silence-breathing-snore classification from snore-related sounds」Physiol. Meas. 29（2）:227-43（February 2008）において、Karunajeewa A.S., Abeyratne U.R., Hukins C.によって述べられるシステムは、ＳＤＢについての音響ベーススクリーニングの一例であり、こうした技法は、装置７０００によって容易に組込まれて、心肺健康状態をモニタリングする有用でかつ頑健なツールを提供することができる。こうした組込みの利点は、呼吸運動信号が、過剰の動きアーチファクトにより時として使用不能である場合があることである。こうしたときに、音響信号は、呼吸パラメータの妥当な推定を提供することができる。逆に、音響信号は、背景ノイズ汚染により時として使用不能である場合があり、そのときには、呼吸運動が、主要なセンサモダリティとして引継ぐ。
更なる他の実施態様では、装置７０００は、患者１０００の心肺健康状態に関連するデータを提供するように構成される１つ以上の接触式非動きセンサを組込むことができる。こうした接触式センサの例は、酸素濃度計（血中酸素レベルを測定する）、口鼻カニューレ（呼吸空気流を直接測定する）、及び心電図（ＥＣＧ）モニタを含む。ＥＣＧモニタは、心拍数等の心臓関連特徴を検出するように構成され、呼吸パラメータ（中枢性無呼吸又は閉塞性無呼吸、低呼吸等）を同様に確定することができる。任意選択的に、これらのパラメータは、プロセッサ７００６に送信されるＥＣＧデータに基づいてプロセッサ７００６によって計算することもできるし、これらのパラメータは、ＥＣＧモニタによって計算され、プロセッサ７００６に送信することもできる。上記で強調された酸素測定センサは、呼吸努力信号を同様に提供することができるという利点を有し、こうした信号は、酸素濃度計の基礎にあるフォトプレチスモグラム（ＰＰＧ：photoplethysmogram）成分から、ＰＰＧのピーク値及びトラフ値を追跡することによって導出することができる。
臨床的に重要な更なるパラメータは、患者の位置及び配向に関連する。頭側体液移動（rostal fluid shift）が中枢性事象及び閉塞性事象の発生に影響を及ぼす可能性があることが示された（例えば、「Role of nocturnal rostral fluid shift in the pathogenes of obstructive and central sleep apnoea」White LH, Bradley TD. J Physiol. 2013 Mar 1;591参照）。実際には、心不全患者はまた、この現象に直感的に気づいており、しばしば、流体蓄積を減少させ、したがって、睡眠中の呼吸をより容易にする角度で自分自身を支持する枕を使用する。さらに、閉塞性事象の可能性は、しばしば位置によって左右される（例えば、多くの患者は、側臥位よりも仰臥位にあるときに閉塞性事象を経験する）。したがって、本明細書で述べるシステムの一実施形態では、患者は、１つ以上の３次元加速度計を装着することができ、３次元加速度計は、患者のリクライン角度及び患者の身体的位置（仰臥位、左臥位、右臥位、腹臥位）に関する情報を提供することができる。この情報は、測定済み呼吸パラメータと組合されて、患者の状態に対する更なる洞察を提供する可能性がある。
センサユニット１２００のプロセッサ７００６又は外部コンピューティングデバイス７００５のプロセッサ７００６は、以下で更に述べるように、センサ、例えば動きセンサ（複数の場合もある）７０１０から取得される信号７００３を処理する。述べる処理についての命令は、センサユニット１２００のコンピュータ可読記憶媒体、例えばメモリ７００２上に記憶し、センサユニット１２００のプロセッサ、例えばプロセッサ７００６によって解釈及び実行することができる。本技術の幾つかの形態では、処理は、「バッチモード（batch mode）」で実行することができる。すなわち、取得信号７００３は、１つ以上の完全なモニタリングセッションの間、センサユニット１２００のメモリ７００２又は外部コンピューティングデバイス７００５のメモリ７００３に記憶され、その後、単一バッチで処理される。一実施態様では、各モニタリングセッションの継続時間は一晩である。本技術の他の形態では、処理は、モニタリングセッション中、「リアルタイム（real time）」に実行することができる。
モニタリング装置７０００の機能が、センサユニット１２００によって制御されるものとして以下で述べられるが、他の実施態様では、外部コンピューティングデバイス７００５が、上述した装置７０００内のセンサユニット１２００及び任意の他のセンサによって外部コンピューティングデバイス７００５に送信されるデータに基づいて、述べた機能を実施することができることに留意するべきである。こうした実施態様では、ビジュアルディスプレイ７０１５及びオーディオ出力７０１７の上記説明は、外部コンピューティングデバイス７００５の匹敵する要素に同様に当てはまる。一例では、外部コンピューティングデバイス７００５は、モニタリング装置７０００等のリモート患者データ記録デバイスからのデータを臨床医が検討することを可能にする複数患者モニタリングシステム等の臨床医アクセス可能装置である。これらのシステムでは、患者モニタリングデータを記録するデータベースを設けることができる。こうした外部コンピューティングデバイス７００５を通して、臨床医は、患者がより厳密な観察を必要とする場合があるか又は病院に連れて行かれるべきであるというレポート又は警報を受信することができる。
５．２ プロセス
プロセッサ７００６は、プロセス４３００を実行して、センサユニット１２００及び任意の他のセンサから受信されるデータから患者の心肺健康状態をモニタリングする。
５．２．１ 臨床警報
プロセス４３００は、入院の前、入院中、入院後に患者１０００をモニタリングするために実行することができる。例えば、心不全及びＣＯＰＤ患者は、憎悪事象又は代償不全事象（ＡＤＨＦ）にかかる場合がある。これらの「臨床事象（clinical events）」は、医療処置に対する修正を必要とする場合がある。未処置の憎悪は、更なる憎悪をもたらし、もしかすると、患者の入院を必要とする可能性がある。しかし、憎悪は、その発症の最も早い段階等、十分に早期に発見される場合、（再）入院を回避することができる方法で処置することができる。
本技術の一形態では、プロセッサ７００６は、処理済み又は受信済みのセンサデータを分析して、センサデータから抽出される心肺健康状態に関連する特徴に基づいて臨床警報の生成をトリガする。１つ以上の変化状態指標の評価を含むことができるこうした分析の更なる例は、それらの全体の開示が相互参照をもって本文の一部をなすものとする、２０１０年３月３１日に出願された米国特許出願第１２／７５１，１７４号及び２００９年６月１２日に出願された米国特許出願第１２／４８３，３５７号に記載される。
任意選択的に、臨床警報は、幾つかの形態をとる警告又は警報メッセージを含むことができる。例えば、プロセッサ７００６は、臨床警報を生成するため、モニタリング装置７０００の状態光（例えば、ディスプレイデバイス７０１５上のＬＥＤ又はアイコン）を起動することができる。指標の評価に関するより詳細なメッセージもまた、ディスプレイデバイス７０１５上に表示することができる。任意選択的に、プロセッサ７００６は、同様に又は代替的に、接続７００８を介して、臨床医に関連する外部コンピューティングデバイス７００５に警報メッセージを送信することができる。こうしたメッセージは、有線通信又は無線通信の形態をとることができる。例えば、プロセッサ７００６は、ページングシステムに自動的にダイヤルすること等によって、ページングシステムを介して警報メッセージを生成することができる。プロセッサ７００６はまた、自動化音声電話呼出しメッセージを生成するように構成することができる。プロセッサ７００６はまた、ファックス伝送によって警報メッセージを送信することができる。幾つかの実施形態では、プロセッサ７００６はまた、電子メールメッセージ等の任意のインターネットメッセージングプロトコル又は任意の他のインターネットデータファイルプロトコルによって警報メッセージを送信することができる。警報メッセージは、患者情報を機密に保つために更に暗号化することができる。典型的な警報メッセージは、患者を特定することができる。こうしたメッセージはまた、モニタリング装置７０００によって記録されるデータ又は任意の他の記録される患者情報を含むことができる。任意選択的に、幾つかの実施形態では、警報メッセージは、潜在的なＡＤＨＦ事象又はＣＯＰＤの憎悪の検出によって、患者が、更なる処置、入院、又は評価について考慮されるべきであることを更に表現することができる。
警報メッセージは、モニタリング装置７０００のディスプレイデバイス７０１５を介して患者に及び／又は接続７００８を介して臨床医に、プロセッサ７００６によって送ることができるが、幾つかの実施形態では、警報メッセージは、より選択的に送られる可能性がある。例えば、第１の警報メッセージは、ディスプレイデバイス７０１５上に警報を全く示さない状態で、接続７００８を通して外部コンピューティングデバイス７００５に警報メッセージを単に送信することによって、臨床医に単に送信することができる。しかし、より緊急性が高いメッセージとすることができる第２の警報メッセージは、外部コンピューティングデバイス７００５に送信されることに加えて、ディスプレイデバイス７０１５上にアクティブに表示される可能性がある。プロセッサ７００６によって制御されるオプションのスピーカからの可聴警告音もまた、実施することができる。可聴警告音の使用は、警報メッセージの緊急性に依存することができる。
５．２．２ クエリ
本技術の別の形態では、プロセッサ７００６は、患者クエリに対する入力応答上で警報を調節することができ、警報は不必要な警報を回避するのに役立つことができる。例えば、モニタリング装置７０００によるセンサデータの分析（例えば、１つ以上の呼吸パラメータと１つ以上の閾値との比較）に基づいて、プロセッサ７００６は、患者に対する患者クエリの提示をトリガして、プロセッサによって行われる評価に基づいて入力するよう患者に促することができる。こうした場合、プロセッサ７００６の制御下のディスプレイデバイス７０１５は、患者に対してクエリを提示し、ユーザインタフェースを介して更なる情報を入力するよう患者を促すことができる。提示されるクエリの１つ以上の質問は、装置のメモリ内のデータ構造等の、データベース又は他の質問のデータ構造から選択することができ、それにより、選択される質問は、分析中のプロセッサによって検出されるパターンに特に関連する。プロセッサ７００６は、その後、クエリに対する受信応答のデータを更に評価することができる。この更なる評価に基づいて、プロセッサ７００６は、警報メッセージをトリガすることもでき、警報メッセージをトリガすることを控えることもでき、及び／又は、警報メッセージのトリガを遅延させ、トリガされる１つ以上の更なるクエリに対する応答を後回しにすることもできる。こうした更なるクエリは、一定時間後に、パターンが更に検出された後に、又は、モニタリング装置７０００を更に使用した後にトリガすることができる。
例えば、切迫した急性非代償性心不全（ＡＤＨＦ）事象に関して心不全患者をモニタリングする、又は、憎悪に関してＣＯＰＤ患者をモニタリングするとき、プロセッサ７００６によって行われるパターン検出を認定することを患者に問合せることが望ましい場合がある。こうしたクエリは、偽陽性（例えば、処理が、臨床的接触の必要性をフラグで知らせ、臨床的接触が、不必要であったことが後でわかるとき）を減少させるのに役立つことができる。このタイプの偽陽性は、医療的介入無しで補正することができる患者の振舞いの変化による場合がある。こうした振舞いは、服薬の用量の抜け落ち又は不適切な用量、食事指定及び／又は安静要件に関する不遵守（non-compliance）等を含む場合がある。
例えば、幾つかの実施形態では、偽陽性を最小にしようとして、プロセッサ７００６は、臨床的警報を必要とする場合がある呼吸パターン又は潜在的な臨床事象（例えば、ＣＯＰＤ憎悪及び／又はＡＤＨＦを示すことができる、一定期間にわたる一定数のＳＤＢ事象）を検出することができる。検出されるパターン又は事象に基づいて、プロセッサ７００６は、装置７０００のユーザインタフェース上で患者に対して１つ以上の質問をクエリで提示することができる。こうした質問は、患者による医薬品的及び／又は生活様式的な遵守（例えば、患者が処方された薬物を摂取したか、及び／又的に、医師の処置助言に従ったか等）を扱うことができる。任意選択的に、場合によっては、１つ以上の質問は、収集されたデータが有効であることを保証するため、モニタリング装置７０００の運用完全性を扱うことができる。任意選択的に、プロセッサ７００６は、所定のスパンの時間（睡眠についての１つ以上のモニタリングセッション又は夜間等）にわたって一連のクエリを遂行し、所定のスパンの時間が経過した後にだけ臨床警報を生成することができる。
例えば、再発性呼吸パターン（幾つかのモニタリングセッションにおいて繰返し検出される呼吸パターン等）が臨床事象の可能性を示す場合、プロセッサ７００６は、再発性パターンと因果関係を有する場合がある食事に関する一連のクエリを患者に対してプロンプト表示することができる。プロセッサ７００６は、モニタリング装置７０００に入力される患者の応答から患者が食事要件を遵守していないと判定する場合、患者をモニタリングし続け、更なるモニタリング期間が経過した後に再び患者に問合せることができる（例えば、数分後、数時間後、又は数日後に患者に問合せる）。プロセッサ７００６が、検出された呼吸パターンの継続を検出し、食事が原因でないことを患者の応答が示す（例えば、患者が、後続のクエリに対して、食事要件を現在遵守していると応答する）場合、プロセッサ７００６は、以下で述べるように、通知インフラストラクチャ（例えば、遠隔モニタリング）を介して臨床医に対する臨床警報メッセージをトリガして、臨床医に直接通知することができる。場合によっては、クエリの１つ以上の質問に対する或る特定の受信応答（複数の場合もある）は、代替的に、こうした警報メッセージのトリガ動作を除外することができる。例えば、クエリ及び応答は、患者が自分のマスクを装着していなかったと判定する場合があり、結果として、プロセッサ７００６は、警報をトリガするのを控えることができる。
上述した技術は、以下の例に関して更に示することができる。心不全患者が、或る特定の期間の間、処方された利尿剤を摂取しない。不遵守のせいで、患者は、夜間に呼吸困難及び呼吸不規則性を経験する。モニタリング装置７０００のプロセッサ７００６は、切迫した代償不全又は憎悪事象を示すことができる、こうした事象又はこうした事象のパターンを検出することができる。臨床医に臨床警告を直接発する代わりに、モニタリング装置７０００は、患者が処方された利尿剤を摂取したかどうかを判定するクエリを患者に対して（例えば、ディスプレイデバイス７０１５を介して）トリガすることができる。応答の評価は、臨床医に対する警告ではなく、患者に対するメッセージをトリガして、入力される回答が否定的である場合、薬物を摂取するよう患者に想起させることができる。２４時間等の或る特定の期間後に、モニタリング装置７０００のプロセッサ７００６は、患者の呼吸パターンを更に評価して、パターンが再発するか又は（利尿剤の摂取によって）解決されたかを調べることができる。警告メッセージは、プロセッサ７００６が、最初のクエリをトリガした直前に検出された呼吸パターンを検出しない場合、生成されないことになる。任意選択的に、プロセッサ７００６は、補助クエリによって、患者が薬物を摂取したことも確認することができる。こうした場合、モニタリングは、その後、通常通りに再開することができる。しかし、最初のクエリ後に、再発性パターンが、プロセッサによって依然として又は再び検出される場合、異なる質問を有するクエリ等の後続のクエリが、ディスプレイデバイス７０１５上で患者に提示することができる。所定の数及び頻度のクエリが実施され、パターンが、プロセッサ７００６によって依然として検出された後、モニタリング装置７０００は、警告メッセージをトリガして、臨床医に切迫した臨床事象を通知することができる。こうして、プロセッサは、患者が接触されることを要求する臨床的警告メッセージについての必要性無しで、不遵守の単純な場合（食事又は運動等）に対処するか、又は、例えば意図しない切断又はパワー喪失による装置誤動作を説明するように構成することができる。
一例では、プロセッサ７００６は、クエリのセットを含むメモリ７００２にアクセスすることができる。クエリの各質問は、１つ以上の検出可能な呼吸パターン又は事象に関連することができる。質問は、幅があることもできるし（例えば、「患者は規定された食事を遵守したか？」）、具体的とすることもできる（例えば、「患者の食事の栄養価はカリウムによって高められたか？」）。検出可能なこうしたパターン又は事象によって索引付けされた質問のセットによって、プロセッサ７００６は、検出されたパターン又は事象に基づいて、クエリ用の質問のサブセットを選択することができる。
質問は、特定のモニタリングセッションに応答して連続して提示することができる。例えば、プロセッサ７００６は、２つ、３つ、４つ、５つ、６つ、又はそれより多くの質問を行（row）でプロンプト表示して、警告メッセージを必要とするか又は必要としないであろうモニタリングセッションの検出された呼吸異常の原因を特定又は除外することができる。代替的に、プロセッサ７００６は、可能性の順序を示す質問についての関連するランク又は優先度にアクセスすることができる。そのため、プロセッサ７００６は、各質問に関連するランクに従って一連の質問を条件付きで提示することができる。例えば、コントローラは、予測される事象に応答して第１のクエリを提示することができる。第１のクエリに回答するときに、予測される事象が警告を（少なくともまだ）必要としないことを（複数の場合もある）患者応答が示す場合、その応答及び判定は、ログされ、プロセッサ７００６は、所定の期間中に第２のモニタリングセッションに進むことができる。呼吸パターンが再び検出される場合、第１のクエリと異なるランクの第２のクエリをトリガすることができる。この検出及びクエリ実行サイクルは、更なるクエリが全く残らなくなるまで、又は、クエリに対する応答が警告についての必要性を示すまで繰返すことができ、その後、プロセッサ７００６は警告メッセージをトリガすることができる。
図７ｂは、本技術の一形態において、モニタリング装置７０００内で実施される、心肺健康状態をモニタリングする方法７１００を示すフローチャートである。方法７１００は、モニタリング装置７０００のプロセッサ７００６によって実行され、メモリ７００２等のコンピュータ可読記憶媒体上に記憶される命令によって構成される。
第１のステップ７１１０にて、プロセッサ７００６は、センサユニット１２００及び上述した任意の他のセンサから受信されるデータをモニタリングし分析して、以下で詳細に述べるように、所定の予測範囲内で臨床事象が起こる可能性があるかどうかを予測する。ステップ７１２０にて、事象が全く予測されない（「Ｎ」の）場合、プロセッサ７００６は、７１１０にてモニタリング／分析し続けることができる。ステップ７１２０にて、潜在的な臨床事象が予測される（「Ｙ」の）場合、プロセッサ７００６、及び／又は、プロセッサ７００６と直接的に又は間接的につながっている別の処理デバイス（例えば、タブレットコンピュータ、携帯電話、又は他のコンピューティングデバイス等）は、７１３０にて、臨床事象の潜在的な原因を評価する１つ以上のクエリの生成を、本明細書でより詳細に論じるディスプレイデバイス７０１５上にそのクエリを表示すること等によってトリガする。ステップ７１４０にて受信されるクエリに対する患者入力応答に応じて、プロセッサ７００６及び／又はこうした他の処理デバイスは、ステップ７１８０に進んで、臨床警告の生成を即座にトリガすることができる（破線矢印７１４５として示す）、又は、ステップ７１５０に進むことによって、臨床警告生成を延期することができる。
ステップ７１５０にて、プロセッサ７００６は、患者クエリに対する受信応答に応答して処置の調整を制御することができる。例えば、プロセッサ７００６は、ＰＡＰデバイス４０００のターゲット換気又は他の処置制御パラメータを修正することができる。代替的に、プロセッサ７００６は、モニタリング／分析ステップ７１１０中に提供される処置と同じ処置を維持し、代わりに、食事又は服薬の変更等の調整を行う、又は、装置７０００又はＰＡＰデバイス４０００のリセット若しくは修理を行うよう患者に指令する指令メッセージを発することができる。次のステップ７１６０にて、所定の遅延（例えば、２４時間〜４８時間）後に、装置は、ステップ７１１０と同様の方式で、センサデータをモニタリングし分析して、指令されるか又は制御されたステップ７１５０の調整が、ステップ７１１０にて上記で検出された問題を解決したかどうかを（例えば、予測される臨床事象が依然として予測されるかどうかを判定することによって）判定する。ステップ７１７０にて、問題が解決された（例えば、臨床事象がもはや予測されない）（「Ｙ」の）場合、方法７１００は、ステップ７１１０に戻って、センサデータをモニタリングし分析し続ける。方法７１００は、臨床事象が依然として予測される（「Ｎ」の）場合、更なるクエリ又は調整が利用可能である場合に（破線矢印７１７５及び７１７８を介して）ステップ７１３０又は７１５０に戻ることができ、又は、予測されない場合、臨床警報の生成が、本明細書で更に詳細に述べるようにステップ７１８０にてトリガされる。
５．２．３ 再発モニタリング
幾つかの実施形態では、モニタリング装置７０００は、更なる操作を実施することができる。例えば、上記で述べたように、モニタリング装置７０００は、入院した患者（例えば、心不全又はＣＯＰＤ患者）が、すぐに退院できるか、退院させるべきでないかを判定するのに有用とすることができる。あまりにも早期に患者を退院させることは、特に、再発が退院直後に起こり、患者が再入院しなければならない場合、患者にとって有益でない場合がある。心不全及びＣＯＰＤ患者は、代償不全及び／又は憎悪に苦しみ、より長い初期滞在によって回避される場合がある再発のせいで頻繁に再入院を必要とする。同様に、あまりにも早期に患者を退院させることは、他の実体について必然的な結果を有する場合がある。例えば、病院は、こうした再発の結果としての再入院に関連するコストについて、償還されない場合があるか又は部分的にしか償還されない場合がある。そのため、あまりにも早期に患者を退院させることを回避するのに役立つためのツールとしてＣＯＰＤ又はＨＦ患者のありそうな再発を予測する技法を提供することが有用であることになる。本技術の幾つかの形態は、最初の期間中に患者の状態を評価して、後続の期間における再発についての可能性に関連する予測を提供する。例えば、心不全及び／又はＣＯＰＤ患者の場合、入院以後の代償不全及び／又は悪化事象についての可能性は、上記で述べた呼吸運動信号の分析等の、入院中の呼吸パラメータの分析から予測することができる。
したがって、モニタリング装置７０００は、退院後の再発の可能性を示すことができる呼吸パラメータを、入院から退院までの期間中、モニタリングし分析するように構成することができる。入院から退院に近いか又は退院の前の時点までの期間内で呼吸パラメータをモニタリングし分析することによって、モニタリング装置７０００は、患者が退院直後に再入院するリスクがあるかどうかを判定することができる。この点に関して、モニタリング装置７０００の方法は、再発のリスクのせいで退院が早過ぎるかどうかを助言する再発可能性警報を臨床医に提供することができる。例えば、モニタリング装置７０００は、患者が退院すると再発及び／又は再入院についてのリスクが高いことを臨床医に警告する場合があり、また、再発についての注意深いモニタリングが特定の患者について考慮されるべきであること、又は、退院が再考されるか又は延期されるべきであることを更に助言することができる。場合によっては、こうした再発可能性警報は、ブール指標又は確率等の数値として提示され、ブール指標又は確率は、将来の再発のより大きな又はより少ないリスクのスケーリングされた指示をもたらすため、或る特定の範囲内の推定を含むことができる。
図７ｃは、本技術の一形態においてモニタリング装置７０００内に実施される患者の心肺健康状態をモニタリングする方法を示すフローチャートである。患者が入院している間にこの患者に関して使用することができる方法７２００は、モニタリング装置７０００のプロセッサ７００６及び／又はこうしたプロセッサと直接的に又は間接的につながっているプロセッサによって実行され、メモリ７００２等のコンピュータ可読記憶媒体上に記憶される命令によって構成される。
方法７２００は、第１のステップ７２１０にて、以前に述べたセンサのうちの任意のうちの１つ以上のものによって取得されるデータから、呼吸数、毎分換気量、一回換気量、（例えば、無呼吸／低呼吸指数等の）睡眠呼吸障害重篤度指標、吸気波形形状、呼気波形形状等のうちの１つ以上のものを含む、患者の呼吸パラメータを、入院期間にわたって、抽出し、モニタリングし、記録する。方法７２００は、ステップ７２２０にて、抽出される呼吸パラメータの１つ以上の分析を実施して、再発可能性の指標又は再発の確率を計算することができる。ステップ７２２０は、入院期間の過程中にパラメータがどのように変化したかを評価することを含むことができる。パラメータ又はパラメータの変化の１つ以上のものは、１つ以上の閾値と比較されて、再発可能性の指標を計算することができる。こうした閾値は、入院後に再発した及び／又は再発しなかった１人以上の入院患者の履歴データから経験的に確定することができる。任意選択的に、こうしたデータは、特定の患者の履歴データから採用した閾値に基づくことができる。代替的に又は付加的に、再発の確率は、複数のパラメータのパターン又は複数のパラメータの変化に基づいてステップ７２２０にて計算することができる。こうした比較及び／又はパターン評価は、例えば、決定木、分類子、又は任意の他の評価方法によって行うことができる。再発の計算される確率又は再発可能性指標に基づいて、ステップ７２３０にて、再発可能性警報が生成することができる。例えば、再発可能性指標又は再発の計算される確率等の再発の確率を示すデータは、ステップ７２３０にて、ディスプレイデバイス７０１５上に表示することができる、及び／又は、接続７００８を介して臨床医に対するメッセージとして送信することができる。
幾つかの実施形態では、再発可能性指標又は再発の確率は、入院のモニタリング期間中の、抽出される呼吸パラメータの連続したモニタリング及び分析に基づいて、連続して更新され、表示又は送信することができる。しかし、幾つかの実施形態では、再発についての可能性に関する、指標、確率、及び／又はメッセージは、装置７０００のユーザインタフェース（例えば、１つ以上のボタン、又は、装置のユーザインタフェースのオペレーション）を通して、又は、方法７２００を始動させる電子的要求を送信することによって、臨床医等のユーザによって行われる要求に応答して生成することができる。この点に関して、モニタリング装置７０００は、呼吸パラメータのその直前の分析に基づいて再発可能性警報を生成するように構成することができる。しかし、幾つかの実施形態では、方法７２００において使用される呼吸パラメータは、モニタリング装置７０００によって抽出され、モニタリング装置７０００から外部コンピューティングデバイス７００５に送信されることができ、外部コンピューティングデバイス７００５は、受信済み呼吸パラメータから再発可能性の確率又は再発指標を計算し、再発可能性警報を生成するステップ７２２０及びステップ７２３０を実施することができる。
５．２．４ 事象予測
図７ｄは、運動を示す信号（運動信号）から臨床事象を予測する方法７３００の主要なステップを示すフローチャートである。方法７３００は、本技術の一形態において方法７１００のステップ７１１０を実施するために使用することができ、センサデータは動きセンサ７０１０から取得される１つ以上の運動信号であり、心肺健康状態に関連する特徴は１つ以上のＳＤＢ特徴である。方法７３００は、本技術の一形態において方法７２００のステップ７２１０及びステップ７２２０を実施するために同様に使用することができ、センサデータは動きセンサ７０１０から取得される１つ以上の運動信号であり、呼吸パラメータは１つ以上のＳＤＢ特徴である。一実施態様では、方法７３００は、モニタリング装置７０００のプロセッサ７００６によって実行され、メモリ７００２等のコンピュータ可読記憶媒体上に記憶される命令によって構成され、運動信号は、非接触式動きセンサ７０１０から取得される。
方法７３００は、ステップ７３１０にて始まり、ステップ７３１０にて、運動信号は、更なる処理のため運動信号を調節するよう前処理される。前処理ステップ７３１０（図７ｄにおいて破線で示す）は、任意選択的であり、省略することができる。次のステップ７３２０にて、前処理済み運動信号が分析されて、運動信号によって示される期間中、患者１０００によるＳＤＢの重篤度を示すＳＤＢ特徴を抽出する。最後に、予測ステップ７３３０にて、方法７３００は、抽出済みＳＤＢ特徴を使用して、臨床事象が所定の予測ホライズン内に起こる可能性があるかどうかを予測する。
上述したように、本技術の一形態では、非接触式動きセンサ７０１０は、ドプラＲＦ動きセンサである。こうした実施態様では、動きセンサ７０１０は、Ｉ信号７００３ａ及びＱ信号７００３ｂとラベル付けされた２つの未処理運動信号を提供し、Ｉ信号７００３ａ及びＱ信号７００３ｂはそれぞれ、全体的に身体的運動を示すが、互いに全体的に９０度位相がずれている。
第１アプローチ又は「並列（parallel）」アプローチでは、ステップ７３１０及びステップ７３２０は、Ｉ信号７００３ａ及びＱ信号７００３ｂのそれぞれに関して並列に実施され、別々に取得される特徴は、特徴抽出ステップ７３２０中に組合される。一実施態様では、「並列」アプローチの下で、前処理ステップ７３１０は省略することができる。第２アプローチ又は「組合せ式（combined）」アプローチでは、Ｉ信号７００３ａ及びＱ信号７００３ｂは、前処理ステップ７３１０の一部として組合され、処理ステップ７３２０〜処理ステップ７３３０は、組合せ型の運動信号に関して実行される。組合せ式アプローチは、予測精度が低くなるという潜在的な犠牲を払って、並列アプローチより計算複雑度が低いという利点を有する。
本技術の他の形態では、非接触式動きセンサ７０１０は、単一の運動信号７００３を提供する。これは、「単一チャネル（single-channel）」アプローチと以下で呼ばれる。
本技術の一形態では、ステップ７３３０は省略される。すなわち、臨床事象の予測は全く行われない。ステップ７３２０にて抽出されるＳＤＢ特徴は、上述した臨床警報をトリガするために使用することができる。代替的に、抽出されるＳＤＢ特徴は、メモリ７００２に記憶することもできるし、後の診断的検討のために外部コンピューティングデバイス７００５に送信することもできる。
以下の節は、事象予測方法７３００のステップ７３１０〜ステップ７３３０のそれぞれの実施態様をより詳細に述べる。
５．２．４．１ 前処理７３１０
「組合せ型」アプローチの下で、前処理ステップ７３１０は、Ｉ信号７００３ａ及びＱ信号７００３ｂを適応的幾何学的方法で組合せて、組合せ型運動信号ｃにすることによって始まる。一実施態様では、組合せサブステップは、Ｉ信号７００３ａ及びＱ信号７００３ｂに沿って摺動するウィンドウに適用される３つの段階を含む。一実施態様では、ウィンドウは、継続時間が１０秒であり、５０％オーバラップを有する。
ａ．相互相関を使用して、信号の位相が１８０度ずれているかどうかをチェックし、ずれている場合、信号を同じ直交位相状態に戻るよう反転させる。
ｂ．ベクトル（Ｉ，Ｑ）が準円弧の周りで点群を形成するので、この群の平均を減算して、弧を（０，０）にセンタリングし、センタリングされた点群の最小ｍＩＱを両方向に突止め、ｍＩＱに関する各ベクトル（Ｉ，Ｑ）の長さｍを計算する。
Figure 2015522314
Figure 2015522314
 ｃ．ｍの平均を減算して、（１次元）組合せ型信号ｃを生成する。
Figure 2015522314
そして、組合せ型運動信号ｃは、（任意選択的に）トレンド除去されて、ベースライン変動を除去する。一実施態様では、トレンド除去することは、３次多項式を使用して実施される。
Figure 2015522314
別の実施態様では、トレンド除去することは、ダブルパス中央値フィルタリングを使用して実施される。
トレンド除去済み信号ｃ１は、（任意選択的に）呼吸機能の周波数範囲に設定された所定の範囲を有するバタワースバンドパスフィルタによってバンドパスフィルタリングされる。所定の範囲は、一実施態様では、［０．１Ｈｚ，０．８Ｈｚ］（６〜４８呼吸／分に対応する）である。
前処理ステップ７３１０における更なる（任意選択的な）サブステップはノイズ低減である。非定常的であるドプラＲＦ動きセンサ７０１０からの信号に特に適する一実施態様では、ノイズ低減サブステップが、ウェーブレット変換ドメインにおいて、（バンドパスフィルタリングされた）トレンド除去された組合せ型運動信号ｃ２に関して実行される。
Figure 2015522314
ここで、Ｗは、ウェーブレット変換、例えば、第５の２進レベルまでの３０係数「シムレット（symmlet）」ウェーブレットを示し、Ｍは、或る特定のウェーブレット係数を通過させ、他のウェーブレットを、「擾乱的（perturbative）」であると考えて排除するマスキング行列である。
Ｍのアクションを実施するステップは次の通りである。
ａ．ウェーブレット係数の「アーチファクトネス（artefactness）」（以下を参照）が、それについて第１の閾値ＴＡを超える２進スケールを選択する。
ｂ．このスケールのセットから、標準偏差に基づいてウェーブレット係数の（閾値ＴＣによる）ハード閾値法を実施する。
或る特定のスケールにおける「アーチファクトネス」は、アーチファクトが、そのスケールにおいて信号に影響を及ぼす程度を定量化する。アーチファクトネスは、ありそうもなく高い振幅値を含む可能性がある信号の歪度の尺度である。信号ｘのアーチファクトネスは、
Figure 2015522314
 として計算することができる。
ここで、σｘは信号ｘの標準偏差である。Ａｒｔ（ｘ）が１から離れれば離れるほど、アーチファクトが大きくなる。
上記で述べた「並列」アプローチの下で、組合せサブステップは、前処理ステップ７３１０から省略され、後続のサブステップ（トレンド除去、フィルタリング、及びノイズ低減）の任意のサブステップ又は全てのサブステップが、Ｉ信号７００３ａ及びＱ信号７００３ｂのそれぞれに関して並列に実施される。
「単一チャネル」アプローチの下で、トレンド除去、フィルタリング、及びノイズ低減の任意のサブステップ又は全てのサブステップが、運動信号７００３に関して実施される。
以下の説明では、特徴抽出ステップ７３２０に対する入力（複数の場合もある）は、前処理ステップ７３１０のオプションの性質を反映するため（前処理済みの）運動信号（複数の場合もある）と呼ばれる。
５．２．４．２ 特徴抽出７３２０
図７ｅは、特徴抽出ステップ７３２０の一実施形態を構成するモジュール及び組合せ型アプローチ又は単一チャネルアプローチの下でのそれらの関係を示すブロック図７４００である。
図７ｅに示す実施態様では、活動推定及び運動検出モジュール７４１０は、（前処理済みの）運動信号から活動計数信号及び運動フラグ系列を生成する。存在／非存在検出モジュール７４２０は、（前処理済みの）運動信号及び運動フラグ系列から存在／非存在フラグ系列を生成する。睡眠／覚醒分析モジュール７４３０は、存在／非存在フラグ系列、運動フラグ系列、及び活動計数信号から睡眠図を計算する。呼吸数推定モジュール７４４０は、（前処理済みの）運動信号及び睡眠図から患者の呼吸数の一連の推定値を生成する。信号選択モジュール７４５０は、運動フラグ系列及び睡眠図を使用して、（前処理済みの）運動信号の所定のセクションを選択する。変調サイクルメトリック計算モジュール７４５５は、（前処理済みの）運動信号の所定の選択済みセクションから患者の呼吸の変調サイクル長の推定値を生成する。包絡線発生モジュール７４６０は、推定済み呼吸数を使用して（前処理済みの）運動信号の選択済みセクションの包絡線を生成する。ＳＤＢ事象検出モジュール７４６５は、推定済み変調サイクル長を使用して（前処理済みの）運動信号の選択済みセクションから候補ＳＤＢ事象を生成する。ＳＤＢ事象確認モジュール７４７０は、ＳＤＢ事象検出モジュール７４６５によって生成される候補ＳＤＢ事象を確認する。最後に、特徴計算モジュール７５４０は、確認済みＳＤＢ事象からＳＤＢ特徴値を計算する。
並列アプローチの下で、ブロック図７４００のモジュール７４１０〜モジュール７４７０は、Ｉ信号７００３ａ及びＱ信号７００３ｂのそれぞれを独立に処理するため、簡単に複製される。特徴計算モジュール７４８０の修正バージョンは、２つの並列処理ストリームからのＳＤＢ事象を組合せて、２つの（前処理済みの）運動信号について単一のＳＤＢ特徴セットを計算する。
「ハイブリッド」アプローチの下で、特徴抽出ステップ７３２０の或る特定のモジュールは、（前処理済みの）運動信号を独立に処理するために複製され、中間結果は、以下で記述する特徴抽出ステップ７３２０の種々のモジュール内で組合される。
図７ｆは、特徴抽出ステップ７３２０の一実施形態を構成するモジュール及びハイブリッドアプローチの下でのそれらの関係を示すブロック図７５００である。
図７ｆに示す実施態様では、活動推定及び運動検出モジュール７５１０は、Ｉ信号７００３ａ及びＱ信号７００３ｂから活動計数信号及び運動フラグ系列を生成する。存在／非存在検出モジュール７５２０は、Ｉ信号７００３ａ及びＱ信号７００３ｂ並びに運動フラグ系列から存在／非存在フラグ系列を生成する。睡眠／覚醒分析モジュール７５３０は、存在／非存在フラグ系列、運動フラグ系列、及び活動計数信号から睡眠図を計算する。呼吸数推定モジュール７５４０は、Ｉ信号７００３ａ及びＱ信号７００３ｂ及び睡眠図から患者の呼吸数の一連の推定値を生成する。信号選択モジュール７５５０ａ及び７５５０ｂは、運動フラグ系列及び睡眠図を使用して、Ｉ信号７００３ａ及びＱ信号７００３ｂのセクションをそれぞれ選択する。変調サイクルメトリック計算モジュール７５５５は、Ｉ信号７００３ａ及びＱ信号７００３ｂの選択済みセクションから患者の呼吸の変調サイクル長の推定値を生成する。包絡線発生モジュール７５６０ａ及び７５６０ｂは、推定済み呼吸数を使用してＩ信号７００３ａ及びＱ信号７００３ｂの選択済みセクションの包絡線をそれぞれ生成する。ＳＤＢ事象検出モジュール７５６５ａ及び７５６５ｂは、推定済み変調サイクル長を使用してＩ信号７００３ａ及びＱ信号７００３ｂの選択済みセクションから候補ＳＤＢ事象を生成する。ＳＤＢ事象確認モジュール７５７０ａ及び７５７０ｂは、ＳＤＢ事象検出モジュール７５６５ａ及び７５６５ｂによってそれぞれ生成される候補ＳＤＢ事象を確認する。最後に、特徴計算モジュール７５８０は、確認済みＳＤＢ事象からＳＤＢ特徴値を計算する。
特徴抽出ステップ７３２０を構成するモジュールのそれぞれは、以下の節で詳細に述べられる。
５．２．４．２．１ 活動推定及び運動検出７４１０
活動推定モジュール及び運動検出モジュールは、身体的活動のレベルを示す「活動計数（activity count）」値の時系列、及び、著しい身体的（非呼吸）運動の存在又は非存在を示す２値運動フラグの時系列を返す。各時系列は、一実施態様では、１０Ｈｚに等しい（前処理済みの）運動信号のサンプリングレート（運動信号周波数）でサンプリングされる。運動フラグ系列は、以下で述べる、存在／非存在検出、睡眠／覚醒分析、信号選択、及び呼吸数推定モジュールによって使用される。特に、信号選択モジュールは、分析のために、著しい身体的運動によって支配されない信号のセクションを選択する。活動計数系列並びに運動の継続時間及び直前の運動から経過した時間は、睡眠／覚醒分析モジュールによって使用されて、患者の睡眠／覚醒状態を判定する。
一実施態様では、活動推定モジュール及び運動検出モジュールは、運動信号パワーレベル、運動信号形態、及び運動パターンに基づく。
一実施態様では、５つの主要なサブモジュールは、活動推定モジュール及び運動検出モジュールの一部を形成する。
活動マッピングサブモジュールは、対応する時間における運動信号のパワーに全体的に比例する一連の活動計数値を生成する。活動計数は、以下のように生成される。
・信号が範囲［１．５Ｈｚ，４．５Ｈｚ］に対してバンドパスフィルタリングされる。
・継続時間４秒の最大値フィルタが、信号に関して実行されて、振幅包絡線を取得する。
・信号のベースライン（残留呼吸活動による）が、ローリング２０秒ウィンドウ上で信号の５パーセンタイルを推定することによって抽出される。
・包絡線とベースラインとの差が、閾値（一実施態様では０．００７５Ｖ）と比較され、包絡線によって再びスケーリングされる。
・信号が、非オーバラップ間隔に分割される。一実施態様では、各間隔の継続時間は２秒である。
・スケーリング済み信号が、各間隔にわたって積分され、運動信号周波数にアップサンプリングされて、活動計数系列を生成する。
一実施態様では、運動検出器サブモジュールは、次の通りに進む。
信号は、最初にハイパスフィルタリングされて、ＶＬＦ成分及びベースラインを除去する。その後、３つの特徴が、ベースライン除去済み信号から導出される。第１の特徴は、ノイズ特徴と呼ばれる。
・およそ１Ｈｚのカットオフ周波数を有するハイパスフィルタが、適用されて、呼吸成分を除去する。
・ハイパスフィルタリング済み信号が、その後、非オーバラップ間隔に分割される。一実施態様では、各間隔は継続時間２秒である。
・ノイズ特徴が、各間隔についてフィルタリング済み「ノイズ（noise）」信号の２乗平均平方根（ＲＭＳ：root mean square）として計算される。
第２及び第３の特徴は、相関特徴及びパワー特徴であり、ノイズ特徴に対して異なる周波数帯域に関して計算される。
総合モニタリングセッションの平均呼吸数は、はじめに、ベースライン除去済み信号のバイアス無し自己相関を実行し、平均呼吸数の半分を規定する最初の最小値を見出すことによって推定される。平均呼吸数は、平均呼吸数あたりの或る特定の範囲の周波数として患者固有の許容可能呼吸数周波数ウィンドウを規定する。
およそ２Ｈｚのカットオフ周波数を有するローパスフィルタは、ベースライン除去済み信号に適用される。ローパスフィルタリング済み信号は、その後、オーバラップウィンドウに分割され、トレンド除去され、平均除去（de-mean）される。一実施態様では、ウィンドウの長さは１５秒であり、１２秒のオーバラップ（３秒のシフト）を有する。
相関特徴は、
・各ウィンドウ内でトレンド除去され平均除去された信号のバイアス無し自己相関をとり、
・第１のピークが、平均呼吸数によって規定される患者固有の許容可能呼吸数ウィンドウ内にある場合、第１のピークを選択する（否定的な場合、相関特徴は０に設定される）
ことによって計算される。
パワー特徴は、
・各ウィンドウについてローパスフィルタリング済み信号のパワースペクトル密度を計算し、
・平均呼吸数から規定される患者固有の許容可能呼吸数ウィンドウ内で最大値を特定し、
・最大周波数及び最初の２つの高調波にわたって＋／−０．０５Ｈｚの呼吸帯域を選択し、
・選択済み呼吸帯域内の信号パワーと信号の全帯域内の信号パワーとの比を計算する
ことによって計算することができる。
ウィンドウ長が、ウィンドウの間で３秒より大きいシフトであるため、最大値フィルタは、そのように計算された相関及びパワー特徴にわたって実行することができる。
そして、３つ全ての特徴は、（前処理済みの）運動信号内の各サンプルについて特徴値が存在するように運動信号周波数に対して補間することができる。
ノイズ特徴は、高い相関特徴値を有する全てのサンプル（０．９より大きい値を有する全てのサンプル）及び高いパワー特徴値を有する全てのサンプル（０．８より大きい値を有する全てのサンプル）について計算される平均パワー特徴によって正規化することができる。
ノイズ特徴のベースラインは、０．００３を超えるノイズ特徴値に、０．００３未満の全ての値の９５パーセンタイルを割当てることによって計算することができる。そして、幅１８０秒の中央値フィルタが実行され、ベースラインは、フィルタリング済み系列の５０パーセンタイルとして規定される。そして、ベースラインは、ノイズ特徴から減算される。
ベースライン除去済みノイズ特徴が「高い（high）」閾値（一実施態様では１に等しい）を超え、相関及びパワー特徴が「低い（low）」閾値（一実施態様では０．７に等しい）未満である場合、対応する運動フラグは、真に設定される。ベースライン除去済みノイズ特徴がその平均値を超える場合、運動フラグは、同様に真に設定される。
運動フラグ系列は、一実施態様では４秒に等しいマルチ秒継続時間の最大値フィルタを通過することによって、検出される各運動セクションの前及び後で最終的に拡張される。
運動補正サブモジュールは、数分にわたる運動のトレンドを分析することによって、運動検出器サブモジュールにおいて検出される運動について２値「妥当性検証（validation）」フラグを生成する。無呼吸に関連する運動は、実際には、睡眠／覚醒分析モジュールとＳＤＢ事象検出モジュールの両方の性能を損なうことになるため、そのようにラベル付けされる必要はない。
・反復的運動マスクが、互いの１２０秒以内の全ての運動を併合することによって取得されて、連続した無呼吸（一般に、閉塞性）が、誤って運動セクションとしてラベル付けされ、その後、覚醒としてラベル付けされる場合があるセクションを特定する。
・少なくとも５分の継続時間を有するセクションだけが、２／３のオーバラップ（ウィンドウ間に１００秒シフトを有するように３００秒ウィンドウに分割することによって実施される）を持った状態でこのサブモジュールによって処理される。
・振幅包絡線が、
○以下で述べる呼吸数推定モジュールの場合と同じ方法でピーク−トラフ検出を実施し、
○個々の呼吸の開始点及び終了点を、１つのピークとその連続するトラフとの間の中間点として規定し、
○検出される各呼吸中の信号のピーク間振幅に包絡線を割当てる
ことによって生成することができる。
・振幅包絡線がカットオフ周波数０．５Ｈｚを有するローパスフィルタによってフィルタリングすることができる。
・フィルタリング済み包絡線が、その７０パーセンタイル値又はその標準偏差の２倍を超えるときにソフトリミティングを実施することによって、及び、１．６のスケーリング因子よって乗じられたその７０パーセンタイルに達すると、ハードリミティングすることによって平滑化することができる。
・包絡線の自己相関を、その間隔について計算することができ、１６秒と９０秒との間の期間に対応する自己相関関数内の最初の２つのピーク及びトラフが特定される。
各ピークの値とその先行するトラフの値との差を、計算することができ、設定閾値より大きいことが見出される場合、ＳＤＢ事象の列に適合する反復的パターンが起こりそうであると思われるため、全間隔が非運動としてマーク付けされる。
ハイブリッドアプローチの下で、組合せサブモジュールが続き、組合せサブモジュールにおいて、
・両方の（前処理済みの）運動信号にわたる活動計数が平均化される。
・両方の（前処理済みの）運動信号にわたる運動フラグがＡＮＤ演算を通して組合される（すなわち、運動は、真の運動フラグを生成するように、両方の信号に関して検出されている必要がある）。
他のアプローチの下で、組合せサブモジュールは必要とされない。
最終的なサブモジュールは、運動状態継続時間を計算する。このサブモジュールは、全ての運動／非運動遷移を特定し、全ての個々の運動／非運動状態の継続時間を有するベクトルを生成する。
平均非ゼロ活動計数は、その標準偏差、歪度、尖度、並びに、非ゼロ活動計数を有する全ての間隔にわたる分布の５パーセンタイル、２５パーセンタイル、５０パーセンタイル、７５パーセンタイル、及び９５パーセンタイルとともに、同様に計算するとともに記憶することができる。非ゼロ活動計数を有する間隔の総継続時間は、総運動時間として計算するとともに記憶することができる。モニタリングセッション中の非ゼロ活動計数を有する間隔のパーセンテージは、同様に計算するとともに記憶することができる。このパーセンテージは、主睡眠期間（以下で規定される）の第１の半分及び第２の半分としてマーク付けされる期間に関して同様に計算することができる。
５．２．４．２．２ 存在／非存在検出７４２０
存在／非存在検出モジュールは、患者がセンサ７０１０の視野内に存在する（すなわち、ベッドにいる）か、存在しない（すなわち、ベッドにいない）かを検出する。存在／非存在検出モジュールは、活動推定及び運動検出モジュールによって生成される信号パワーレベル、信号形態、及び運動フラグ系列に基づいて存在／非存在フラグの時系列を生成する。
一実施態様では、存在／非存在検出モジュールはサブモジュールを含むことができる。例えば、５つの主要なサブモジュールが次の通りに実施することができる。
・各（前処理済みの）運動信号に関して別々に実施される前処理、その前処理において、例えば、
○信号が、カットオフ周波数０．１Ｈｚによってハイパスフィルタリングされて、形態学的特徴に影響を及ぼす場合があるベースライン変動及び低周波数成分を除去する。
○信号が、分析のために、非オーバラップエポックに分割される。エポック長は、呼吸の継続時間と比較して長くなるように選択される。一実施態様では、各エポックは継続時間が３０秒である。
○信号は、各エポックにわたって平均除去される。
・振幅分析−形態学的特徴ゲートが、前処理サブモジュール後に、（前処理済みの）各運動信号に関して同様に別々に実施することができる。このサブモジュールは、例えば、以下の５項目を検証することができる。
○各エポック内の信号のＲＭＳは、或る特定の非存在に関連する最小値（一実施態様では、０．００１５に等しい）より大きい。
○各エポック内の信号は、明確な外れ値を含まない。低振幅信号がある場合、準ガウスノイズ又は小振幅呼吸が存在するということを仮定する。外れ値は、９９．９５パーセンタイルと６６．６パーセンタイルとの間、又は、３３．３パーセンタイルと０．０５パーセンタイルとの間の比が６の係数を超える場合に存在すると思われる。ガウス分布の場合、この比は３を超えるべきでなく、２の安全係数が使用される。
○上記条件がともに検証される場合、以下で述べる次のサブモジュールによって計算される形態学的特徴はそのまま維持される。
○第１の条件が検証されない（仮定が非存在である）場合、形態学的特徴は、その計算値の最大値でかつ非存在が検出されることを保証するのに十分に大きな値に設定される。
○第２の条件が検証されない場合、形態学的特徴は、ＮａＮ（not a number：非数の）値を割当てられ、エポックは、存在及び非存在の検出において無視されることになる（仮定は、ノイズ又は攣縮のバーストである）。
・形態学的特徴の計算は、前処理サブモジュールの後に（前処理済みの）運動信号に関して同様に別々に実施することができ、次の通りに実施することができる。
○形態学的特徴は、エポック中の信号の自己相関の尖度として計算される。未相関信号は、ピーク性自己相関関数を返すことになり、一方、呼吸信号は、周期的ピークを有する自己相関関数を返すことになる。尖度は、ピーク性分布について大きい。形態学的特徴のより大きい値は非存在と関連する。
・アーチファクト除去、トレンド形成、及び組合せ。このサブモジュールは、次の通りに、直前のサブモジュールによって計算される形態学的特徴系列又は各形態学的特徴系列に関して実施することができる。
○形態学的特徴の孤立した高い値は、直前のエポックの値に割当てられる。
○各信号について、一実施形態において長さを９エポックに設定される平均フィルタは、形態学的特徴系列にわたって実行される。
○ハイブッドアプローチの下で、一時的な組合せ型の特徴ベクトルが次の通りに生成される。両方の信号のＲＭＳが、予測される存在に関連する最大閾値（一実施形態では、０．０１に設定される）より下がる場合、ベクトルは、各入力信号の形態学的特徴の平均に等しい値を割当てられ、そうでない場合、ゼロの値が割当てられて、存在／非存在フラグを存在に向けてスキューさせる。
○（組合せ型）形態学的特徴系列は、一実施態様では、２０に設定される各値を非存在／存在閾値と比較することによって、存在／非存在フラグ系列に変換される。形態学的特徴値が閾値より小さい場合、対応するフラグは真（存在）に設定され、そうでない場合、フラグは偽（非存在）に設定される。
・存在／非存在フラグ系列に関して実施される後処理は、次の通りに、活動推定及び運動検出モジュールによって生成される運動フラグ系列を利用して実施することができる。
○モニタリング装置７０００の電源投入の遷移は、５番目のエポックのフラグ値を最初の４つのエポックに割当てることによって無視される。
○存在から非存在への又は非存在から存在への全ての遷移が調査される。存在／非存在の遷移の前の最後の運動（運動フラグ系列によって示される）と遷移自体との間のセクション中に、形態学的特徴値の少なくとも８５％がＮａＮでない場合、遷移は、直前の運動に続くエポックに戻る。同等のことが、非存在と存在との間の遷移について行われる。（このタイプの再ラベル付けについての理論的根拠は、存在／非存在の遷移が、ベッドに入る又はベッドから出る著しい身体的運動に関連するはずであることである。）
組合せ型又は単一チャネルアプローチに適する存在／非存在検出モジュールの代替の実施形態では、各エポックについて、エポック内の（前処理済みの）運動信号のＲＭＳ値が、エポックが５秒継続時間である代替の実施形態の１バージョンでは０．０１５に設定される「ノイズだけの（noise-only）」閾値より下がる場合に、存在／非存在フラグは偽（非存在）に設定される。そうでない場合、そのエポックについての存在／非存在フラグは真（存在）に設定される。代替の実施態様は、運動フラグ系列を使用しない。
５．２．４．２．３ 睡眠／覚醒分析７４３０
睡眠／覚醒分析モジュールは、各エポックを、眠っている、覚醒している、非存在、又は不明として分類することを目指す。（エポックは、存在／非存在検出モジュールのエポックに一致する。）結果として得られるエポック分類の系列は睡眠図と呼ばれる。
一実施態様では、睡眠／覚醒分析モジュールは、活動推定モジュール及び運動検出モジュールの出力を使用して、各エポックについての分類器内に給送される特徴を生成する。幾つかの初期の後処理、存在／非存在検出モジュールからの存在フラグ／非存在フラグに関する積分、及び最終的な後処理は、睡眠／覚醒分析モジュールが睡眠図を改良することを可能にする。
この実施態様では、睡眠／覚醒分析モジュールは、次の通りに、幾つか（例えば、４つ）のサブモジュールによって実施することができる。
特徴抽出サブモジュールは、活動計数信号及び運動フラグ系列から以下の特徴の一部又は全てを抽出する。
・次の通りに処理することができる活動特徴
○活動計数信号が、その平均で割ることによって正規化されて、範囲／感度効果を低減する。
○正規化済み活動計数信号が各エポックにわたって積分される。
○積分値の４乗根が計算される。
・次の通りに処理することができる運動特徴の継続時間
○各エポックについて、運動の１つ以上の部分が存在する場合、（関心のエポックの外側の部分を含む）サンプル内のそれらの平均継続時間の平方根が計算される。
・次の通りに処理することができる非運動特徴の継続時間
○各エポックについて、非運動の１つ以上の部分が存在する場合、（関心のエポックの外側の部分を含む）サンプル内のそれらの平均継続時間の平方根が計算される。
・次の通りに処理することができるクシダ（Kushida）活動特徴
○クシダ活動は、重みが一実施態様では｛０．０４，０．０４，０．２，０．２，２，０．２，０．０４，０．０４｝／２．９６に設定された状態で、積分済み活動係数に適用される重み付き総和である。（最初の４つのエポックと最後の４つのエポックについてのクシダ活動特徴は、部分的な重み付き総和のみに基づく）
分類器サブモジュールは、各エポック内で、抽出済み特徴を分類して、仮の睡眠／覚醒ラベル［睡眠＝０，覚醒＝１］を生成する。一実施態様では、分類器は、事前訓練済み線形判別分析（ＬＤＡ：linear discriminant analysis）分類器である。
後処理サブモジュールは、仮の睡眠／覚醒ラベル系列を以下の方式で処理することができる。
・仮の睡眠／覚醒ラベルは、ロトヨネンパターン展開（Lotjonen pattern expansion）に従って後処理され、大きな睡眠又は覚醒セクション内の覚醒又は睡眠の短いバーストは、それぞれ睡眠又は覚醒として再ラベル付けされる。ロトヨネンパターン展開は図７ｇに示される。
・存在／非存在検出器モジュールからの存在／非存在フラグは、後処理済み睡眠／覚醒ラベル系列上にオーバレイされる。第１の一時的な睡眠図は、非存在としてフラグを立てられたエポックに一致する睡眠としてラベル付けされた各エポックにＮａＮ値を割当てることによって、後処理済み睡眠／覚醒ラベル系列から生成される。
・一方、未処理の（後処理済みでない）仮の睡眠／覚醒ラベルは、覚醒ラベルによって上書きされ、ＮａＮ値は、第１の一時的な睡眠図内に存在し、ロトヨネンパターン展開法を使用して後処理されて、第２の一時的な睡眠図を生成する。
・第２の一時的な睡眠図は、次の通りに第１の一時的な睡眠図と組合される。すなわち、第１の一時的な睡眠図の値が睡眠であり、第２の一時的な睡眠図の値が覚醒である各エポックにおいて、第１の一時的な睡眠図の値は不明に設定される。
第１の一時的な睡眠図は、以下の最終の後処理ステップ後に最終の睡眠図になる。
・不明のラベルが、２つの覚醒ラベルの間にある場合、不明のラベルは覚醒に設定される。
・少なくとも１５分の連続的な不明のラベルが存在する場合、これらのラベルは非存在に設定される。
・５分以下の継続時間の非存在のセクションは、非存在として再ラベル付けされる。
・最後に、未処理の（後処理済みでない）睡眠図の始まり及び／又は終りに存在する任意の覚醒は、最終の睡眠図内に維持される。
組合せ型又は単一チャネルアプローチに適する代替の実施態様では、睡眠／覚醒分析モジュールは、存在／非存在検出モジュールからの存在／非存在フラグ系列及び組合せ型の（前処理済みの）運動信号を使用して、各エポックを、睡眠、覚醒、又は非存在としてラベル付けする睡眠図を生成する。代替の実施態様では、睡眠／覚醒分析モジュールは、活動推定及び運動検出モジュールによって生成される運動フラグ系列を使用するのではなく、むしろ、モニタリングセッションについて、そのエポック内の運動信号の分散を適応的閾値と比較することによって、自分自身の運動フラグ系列（そのエポック内での著しい身体的運動を示す、各エポックについての１つのフラグ）を生成する。適応的閾値は、例えば、代替の実施態様の１つのバージョンでは、モニタリングセッションにわたる分散の９５パーセンタイルから、同じモニタリングセッションにわたる分散の７５パーセンタイルの２倍を引いた値（７５パーセンタイルが０．５より大きいとき）に、又は、モニタリングセッションにわたる分散の９５パーセンタイルから、同じモニタリングセッションにわたる分散の７５パーセンタイルの１．５倍を引いた値（７５パーセンタイルが０．５以下であるとき）に設定することができる。分散が適応的閾値を超える場合、そのエポックについての運動フラグは真に設定される。
代替の実施態様では、存在／非存在フラグ系列内で非存在としてラベル付けされるエポックは、睡眠図において非存在として最初にラベル付けされる。「波形の長さ（waveform length）」特徴は、存在／非存在フラグ系列内で存在としてラベル付けされる各エポック内の（前処理済みの）運動信号ｃ３から抽出される。波形の長さは、そのエポックにわたるサンプルごとの振幅の累積的変化を測定することによって計算される。比喩的には、それは、運動信号波形をゴタ混ぜのひものように扱い、ひもの真直ぐに伸ばした長さを測定することに相当する。波形の長さ特徴は、そのエポックにわたって運動信号の振幅、周波数、及び継続時間を効果的にカプセル化する。エポックｉについての波形の長さ特徴の値ｗｉは、
Figure 2015522314
 として計算される。
ここで、Ｎはそのエポック内のサンプルの数である。
それぞれの存在エポックｉについての波形の長さ特徴の値ｗｉは、適応的閾値Ｔと比較される。値ｗｉが閾値Ｔより小さい場合、存在エポックは、睡眠図において睡眠としてラベル付けされ、そうでない場合、存在エポックは覚醒としてラベル付けされる。モニタリングセッションについて閾値Ｔを計算するため、四分位間範囲（inter-quartile range）特徴が、モニタリングセッションにわたって波形の長さ特徴ｗｉについて計算される（この特徴ベクトル内の各点は、よく知られているＲ＆Ｋ睡眠スコア付け基準と同様の方式でエポックの波形の長さを示す）。閾値Ｔは、図７ｈのフローチャートに示す方法を使用して、波形の長さ特徴ｗｉの５０パーセンタイルｗ５０、７５パーセンタイルｗ７５、及び９５パーセンタイルｗ９５から計算される。パラメータα１、α２、β１、β２、及びβ３は、代替の実施態様の１つのバージョンでは、４、２．７８、１０、０．９５、及び４に設定される。
要約サブモジュールは、最終の睡眠図から以下の要約メトリックの任意のメトリックを計算することができる。
・総睡眠時間（ＴＳＴ：total sleep time）（睡眠としてラベル付けされる全てのエポックの継続時間の総和）。
・ベッドにいる総時間（非存在としてラベル付けされない全てのエポックの継続時間の総和）。
・睡眠効率（眠っているとしてラベル付けされる第１のエポックと第２のエポックとの間における総睡眠時間と、ベッドにいる総時間との比）。
・（もしあれば）不明としてラベル付けされるエポックの継続時間の総和。
睡眠図は、患者が存在する（すなわち、睡眠又は覚醒としてマーク付けされる）複数の別個の連続的なセクションを示す場合がある。これは、自身の状態のせいで昼間の一部をベッドで過ごす患者について特に当てはまる。したがって、要約サブモジュールは、一実施態様では３０分に設定される閾値より短い非存在とマーク付けされるセクションを無視して、睡眠又は覚醒としてマーク付けされる連続的なセクションを突止めることによって「一時的な睡眠期間」を生成する。例えば、患者がモニタリングセッション中に存在する状態の５つのセクションから、２つの「一時的な睡眠期間」が生成される場合がある。その理由は、存在セクションの間の、非存在とマーク付けされる４つのうちの３つのギャップが閾値より小さいからである。そして、要約サブモジュールは、そのように生成された「一時的な睡眠期間」のうちの最も長い期間として、「主睡眠期間」を規定し、主睡眠期間の第１及び第２の半分の開始及び終了をマーク付けする。
５．２．４．２．４ 呼吸数推定７４４０
呼吸数推定モジュールは、（前処理済みの）運動信号のピーク−トラフ検出に基づく呼吸検出器を使用して、モニタリングセッションの各エポックについて呼吸数のオフラインの非因果性推定を行う。（エポックは、存在／非存在検出モジュール及び睡眠／覚醒分析モジュールのエポックに一致する。）呼吸数推定モジュールの出力は、呼吸曲線と呼ばれる。
一実施態様では、４つの主要なサブモジュールは、呼吸数推定モジュールとして役立つことができる。
・前処理サブモジュールは、以下のステップの任意のステップを実施することができる
○運動フラグに一致する運動信号のセクションを抹消すること。
○信号がローパスフィルタによってフィルタリングされて、任意の未検出残留運動を除去することができる。一実施態様では、ローパスフィルタは、０．８Ｈｚのカットオフ周波数を有する１０次のバタワースフィルタである。
・ピーク−トラフ検出サブモジュールは、以下のステップの任意のステップを実施することができる
○信号がハイパスフィルタを通されて、ＶＬＦ成分を除去する。一実施態様では、カットオフ周波数は０．１５Ｈｚである。
○モニタリングセッションにわたる平均呼吸数は、フィルタリング済みの全信号にわたって自己相関を実施し、０．５Ｈｚ後の最初のピークを選択することによって推定される。この平均呼吸数は、更なる処理のために１／０．８倍だけスケールアップされて、全ての呼吸が捕捉されることを保証する。
○レイリー分布が構築され、そのピークは、平均呼吸継続時間の半分である。この分布は、転換点を特定する尤度因子として使用されることになる（したがって、呼吸継続時間の半分だけが使用される）。
○フィルタリング済み信号上の全てに転換点が特定される。各転換点について：
○候補転換点として、次の１０秒にわたる全ての転換点を選択する。
○現在の転換点から候補転換点までの距離に、それ自身のレイリー確率（現在の転換点からその距離にあるレイリー分布値）を掛けた値として良度指数を規定する。
○最も高い良度指数を有する転換点が選択され、プロセスが繰返され、進む。
○前に検出された運動セクションに関連する全ての転換点を除去する。
・呼吸数推定サブモジュールは、以下のものの任意のものを実施することができるように進む。
○ピーク−トラフ検出サブモジュールによって特定される転換点から、トラフが廃棄されるため、ピークだけが考慮される。
○呼吸間隔は、連続的なピーク間の距離として規定される。一実施態様では７秒に設定される通常の呼吸間隔と比較して長い継続時間以上の呼吸間隔が除去される。その理由は、それらの呼吸間隔が、呼吸時の中断又は運動に関連する可能性があるからである。
○各エポックを囲むウィンドウについての呼吸数は、ウィンドウ内の全ての呼吸にわたる中央値呼吸数（呼吸間隔の逆数）として計算される。一実施態様では、ウィンドウは３．５分の長さである。
・ハイブリッドアプローチの下で、両方の（前処理済みの）運動信号からの呼吸数が各エポックにおいて平均される組合せサブモジュールが続く。他のアプローチの下で、組合せサブモジュールは必要とされない。
呼吸数推定のために使用されるウィンドウの長さを考慮すると、呼吸数推定モジュールは、かなりの量の平均化を含み、したがって、アーチファクトに対してかなり頑健である。しかし、同じ理由で、呼吸数推定モジュールは、ローカルな呼吸数変動にそれほど敏感でない。
睡眠図において非存在又は不明としてラベル付けされる全てのエポックについて、呼吸数は、ＮａＮ値に割当てられる。
代替の実施態様では、呼吸数推定値は、単に、活動推定及び運動検出サブモジュールによって（式１９）を使用して計算される値Ｆｒｅｑである。
モニタリングセッションにわたる平均呼吸数は、その標準偏差、並びに、分布の５、２５、５０、７５、及び９５パーセンタイルとともに、呼吸数推定モジュールによって同様に計算して記憶することができる。
５．２．４．２．５ 信号選択７４５０
信号選択モジュールは、後続のＳＤＢ事象検出のために（前処理済みの）運動信号の適したセクションを選択することを目指す。信号選択の基礎をなす１つの考えは、ＳＤＢ事象検出が、患者が眠っている場合、運動信号のセクションに関してだけ実施することができることである。したがって、睡眠／覚醒分析モジュールの睡眠図出力は、信号選択モジュールを通してＳＤＢ事象検出をゲート制御するのに役立つことができる。さらに、著しい身体的運動によって生成される任意の信号が、ＳＤＢ事象に関連する可能性のある呼吸運動信号を目立たなくするので、運動セクションが、信号選択モジュールによって同様に除去され、ＳＤＢ事象検出のために睡眠及び呼吸セクションだけを残す。最後に、ＳＤＢ事象検出モジュールにおいて使用される方法が、時間ドメイン振幅依存方法であることを考慮すると、ＳＤＢ事象を特徴付ける呼吸努力の降下を検出するのに十分な余裕を保証するため、十分な信号対ノイズ比が存在することを保証することが有益である。
信号選択モジュールは、睡眠／覚醒分析モジュールとＳＤＢ事象検出モジュールとの間のインタフェースとして働く。その主要な機能は、後続の信号処理モジュールに、睡眠及び呼吸並びに十分な信号品質のセクションだけを給送することである。
信号選択モジュールは次の通りに進む。
睡眠図（運動フラグ系列のサンプリングレートまでアップサンプリングされた）及び運動フラグ系列は、最初に組合されて、睡眠及び呼吸のマスクを取得する。マスクは、睡眠図が睡眠を示し、運動フラグが偽である場合、サンプルにおいて値１を有する。
睡眠及び呼吸のマスクは、その後、各（前処理済みの）運動信号に適用され、可変継続時間の１つ以上のセクションをもたらす。これらのセクションのそれぞれについて、良度指数が計算され、そのセクションが選択されるべきかどうかに関する決定が、良度指数と閾値との比較に基づいて行われる。
ＳＤＢ事象検出の場合、呼吸努力の妥当性検証済みの尺度の少なくとも５０％の降下を観測することが可能であるはずであることが推定される。したがって、呼吸努力尺度は、ノイズによって５０％閾値未満にめったに引張られないはずである。準ガウス加法性ノイズ分布を仮定すると、ノイズサンプルの９７．５％は、所与のセクションのＲＭＳノイズ値の４倍以内のピーク間振幅を有することになる。正弦曲線の場合、ピーク間振幅とＲＭＳ値との比は２√２である。したがって、信頼性のあるＳＤＢ事象検出について十分な品質であるため、睡眠及び呼吸セクションは、少なくとも、
Figure 2015522314
 によって与えられるＲＭＳ値を有するべきである。
ここで、ｒｍｓｍａｘｎｏｉｓｅは、ノイズについての最大ＲＭＳ値である。
したがって、信号選択モジュールは、一実施形態では１５０秒に等しい継続時間の、実行中標準偏差（ＲＭＳ：running standard deviation）フィルタを、睡眠及び呼吸（前処理済みの）運動信号の各セッションに適用することができる。セクションは、良好な品質であると思われ、したがって、そのセクションについてのＲＭＳ値の分布の、一実施態様では７５パーセンタイルに設定される、高いパーセンタイルが、ノイズ閾値を超えるときに、信号選択モジュールによって選択される。ノイズ閾値は、動きセンサ７０１０についての最大ＲＭＳノイズ値（ＳｌｅｅｐＭｉｎｄｅｒセンサユニットに関しては０．００５に等しい）と、そのセクションについて計算される前処理済みの運動信号のＲＭＳ値の分布の５パーセンタイルの小さい方として計算される。
ハイブリッド又は並列アプローチの下で、各（前処理済みの）運動信号は、独立に処理されるため、或る特定のセクションは、１チャネルだけのために選択される場合がある。総分析時間（ＴＡＴ：total analysis time）は、少なくとも１つのチャネル内でＳＤＢ事象検出のために選択された信号の総継続時間として計算される。ＴＡＴは、以下で述べる特徴計算モジュールによって計算されるＡＨＩの分母として使用される。
各チャネルについての睡眠及び呼吸信号セクションの総継続時間が計算するとともに記憶される。各チャネルについての良品質の睡眠及び呼吸信号の総継続時間が計算するとともに記憶される。各チャネルについての低品質の睡眠及び呼吸信号の総継続時間も計算するとともに記憶される。
特徴計算モジュールによって返されるＡＨＩが、信頼性がありかつ代表的であることを保証するため、以下の条件の少なくとも１つを、各チャネルにおいて継続してＳＤＢ事象検出を行う前に課することができる。
・「患者存在（patient-presence）」の総継続時間は最小継続時間より大きい。一実施態様では、この最小継続時間は、ＰＳＧ実験所における標準的な慣行に従って３時間である。
・良品質の睡眠及び呼吸信号の総継続時間は最小継続時間より大きい。一実施態様では、この最小継続時間は、ＰＳＧ実験所における標準的な慣行に従って２時間である。
・良品質の睡眠及び呼吸信号継続時間と低品質の睡眠及び呼吸信号継続時間の比は少なくとも１：Ｒである。一実施態様では、Ｒは、睡眠及び呼吸信号の少なくとも３３％をＳＤＢ事象検出のために使用することができることを保証するため、２に設定された。
その他の場合、予測方法７３００は、そのチャネルについて中止される。
５．２．４．２．６ 包絡線発生７４６０
包絡線発生モジュールは、呼吸変調の周波数部分だけでなく振幅部分もまた保持する包絡線の形態で呼吸努力の尺度を生成することを目指す。
一実施態様では、包絡線発生モジュールは、幾つかの信号処理ステップに頼る。信号選択モジュールによって選択される良品質の睡眠及び呼吸信号の各セクションについて、以下のものの任意のものが実施することができる。
・セクションは、
Figure 2015522314
 及び
Figure 2015522314
 であるよう割当てることによって外れ値除去について処理することができる。
・振幅変調型呼吸運動信号（式１６参照）のスペクトルが呼吸数基本部分の両側に２つの小さなピークを有することになることを考慮すると、セクションは、バンドパスフィルタによってフィルタリングされて、非常に低い周波数成分及び非常に高い周波数成分を除去することができる。この実施態様の１つのバージョンでは、バンドパスフィルタは、範囲［０．１Ｈｚ，０．８Ｈｚ］を有する２次バタワースフィルタである。
・振幅情報を維持するため、セクションは、一方のフィルタが正のサンプルについてであり、もう一方のフィルタが負のサンプルについてである、ダブルマックス及びホールドフィルタ（double max and hold filter）によってフィルタリングされて、正の包絡線及び負の包絡線を与えることができる。
○ダブルマックス及びホールドフィルタの継続時間は重要である可能性がある。すなわち、長過ぎると、フィルタは、より平滑な包絡線を生成するが、平均化のせいで、沈下部の継続時間を減少させることになる。同時に、短過ぎると、フィルタは、呼吸信号の性質によりリンギングを生じることになる。
○理想的なマックス及びホールドフィルタ継続時間は、単一呼吸継続時間よりわずかに長い。この理由で、呼吸数推定モジュールによって推定される呼吸数は、１よりわずかに大きい倍率だけスケールダウンされて、適度に短い（＜＜２呼吸）フィルタ継続時間を維持しながら、リンギング作用を回避するように余裕を与える。一実施態様では、倍率は１．２５である。
○各セクションについて、そのセクションにわたるスケールダウン済みの呼吸曲線の平均値が、マックス及びホールドフィルタ継続時間として使用される。
・最終的な包絡線は、正の包絡線と負の包絡線との差として生成することができる。
代替の実施態様では、（前処理済みの）運動信号の選択される各セクションｃ３の包絡線は、
・ｃ３のヒルベルト変換Ｈ｛ｃ３｝をとり、
・経験的モード分解（ＥＭＤ：Empirical Mode Decomposition）を使用して、次の通りにヒルベルト変換Ｈ｛ｃ３｝から包絡線Ｅｃ３を生成すること
によって生成することができる。
Figure 2015522314
代替の実施態様の変形では、包絡線は、ｃ３＋ｊＨ｛ｃ３｝のモデュラスをローパスフィルタリングすることによって生成することができる。ここで、ｊは−１の平方根である。代替の実施態様の変形の１つのバージョンでは、ローパスフィルタは、０．１５Ｈｚのカットオフ周波数を有する。
５．２．４．２．７ 変調サイクルメトリック計算７４５５
変調サイクルメトリック計算モジュールは、患者の変調型呼吸サイクルの平均変調サイクル長を推定して、ＳＤＢ事象検出モジュールをその患者によりよく適合させる。主要な難題は、推定が基づく正しいサンプルの選択、及び選択されたサンプルを使用する、スペクトルのＶＬＦ帯域内での変調周波数の抽出である。
一実施態様では、変調サイクルメトリック計算モジュールは、上述した包絡線発生モジュールの方法と同一の方法（外れ値除去及びバンドパスフィルタリング）で（前処理済みの）運動信号の選択される各セクションを前処理することによって始まる。
次に、前処理済みの各セクションは、平均０及び標準偏差１に対して正規化され、包絡線が、包絡線発生モジュールにおいて上述した方法の任意の方法を使用して正規化済みの各セクションについて生成することができる。
選択済みの各セクションについて、オーバラップするマクロエポックが生成することができる。マクロエポックの継続時間の選択は、変調型呼吸サイクルが、それぞれ一部の患者について２分まで続く場合があること、及び、変調サイクル長を推定するために３つの波長が望ましいことによって影響を受ける。一実施態様では、マクロエポックは、４分のオーバラップを有する６分の継続時間を有する。
各マクロエポックは、以下のステップの任意のステップによって処理することができる。
・包絡線は平均除去することができる。
・包絡線は、チェビシェフウィンドウによって乗ぜられて、スペクトルのＶＬＦセクションに関するエッジ効果を回避することができる。
・包絡線について、高速フーリエ変換（ＦＦＴ）が計算され、ＦＦＴから、パワースペクトル密度（ＰＳＤ：power spectral density）が計算することができる。
・ＰＳＤが補間されて、その解像度を増加することができる。
・ＰＳＤのピークを突き止めることができる。各ピークは、考えられる変調型呼吸サイクルに対応する。ピーク高さは変調パワーを示し、ピーク周波数は変調サイクル長の逆数である。
・無効なピークが廃棄することができる。有効な変調型呼吸サイクルは、以下の３つを有するものとして規定することができる。
○生理的範囲（３０秒と１００秒との間、すなわち、０．０１Ｈｚと０．０３３Ｈｚとの間）に適合するサイクル長。
○一実施態様では１０４に設定される最小パワーより大きいピークパワー。
○０．０１Ｈｚ未満の最大高さの５０％における占有帯域（ＯＢＷ：occupied bandwidth）及び隣接する極小値の２００％より大きい高さを有するピークとして規定される明瞭なピーク。
・ＰＳＤのＤＣパワーに関して、特別な条件、すなわち、ＤＣ関連作用が呼吸変調のせいであるとしてマーク付けされることを回避するため、ＤＣパワーが最大ピーク高さの値の１５０％を超えないことが課することができる。
最後の時点で詳述した条件に基づいて、各マクロエポックについて、有効なピークが全く残らない、１つ残る、又は２つ以上残る場合がある。
モニタリングセッションについての全てのマクロエポックは、その後、以下のものの任意のものによって処理することができる。
・有効ピークが全く無いマクロエポックは廃棄される。
・有効ピークが１つだけ残っているマクロエポックは最初に処理される（それらの推定値がより正確であるはずであるため−すなわち、高調波成分の誤検出によって影響を受けないため）。変調パワー（ピーク高さ）の対数によって重み付けられた変調サイクル長（ピーク周波数の逆数）の平均は、こうした全てのマクロエポックにわたって計算される。
・２つ以上の有効ピークを含む他の全てのマクロエポックについて、単一ピークを有する全てのマクロエポックについて計算される平均変調サイクル長に対して最も近いピークが選択される。
・総合変調サイクル長の分布の５及び９５パーセンタイルから外れる変調サイクル長を有する任意の有効ピークは廃棄される。
モニタリングセッションにわたる残りの全ての（それらの変調パワーによって重み付けられた）変調サイクル長の平均は、その後、その標準偏差、並びに、５、２５、５０、７５、及び９５パーセンタイルとともに計算することができる。
うっ血性心不全とＣＳＲとを結び付ける１つのメカニズムは、身体の呼吸制御システムの「ループ利得（loop gain）」に影響を及ぼす肺の空洞内での流体の蓄積である。ＣＳＲの程度は、肺の空洞内の流体の未処理量だけでなく、その分布にも依存する。この分布は、人の身体位置が、セッションの開始時に全体的に垂直から全体的に水平に変化しているため、モニタリングセッションにわたって変化する。したがって、抽出される特徴の値は、モニタリングセッションにわたって変動することを予想することができる。モニタリングセッション中の、より後期の値は、より早期の値に比べて、うっ血性心不全の重篤度、したがって、ＡＤＨＦ事象の尤度についてのより真の指示を提供することができる。その理由は、その後期までに、流体が新しい平衡分布をとっているはずだからである。
したがって、残りの全ての（それらの変調パワーによって重み付けられた）変調サイクル長の平均は、その標準偏差、並びに、５、２５、５０、７５、及び９５パーセンタイルとともに、睡眠／覚醒分析モジュールによって主睡眠期間の第１及び第２の半分としてマーク付けされる期間について、同様に計算することができる。
同様な方式で、少なくとも１つの有効ピークを有する各マクロエポックについて変調パワー及びＯＢＷの値が、それらの平均、標準偏差、並びに５、２５、５０、７５、及び９５パーセンタイルとともに、全モニタリングセッション及び主睡眠期間のそれぞれの半分について計算するとともに記憶することができる。
ハイブリッドアプローチの下で、両方のチャネルからの統計量は、各チャネルについて有効マイロエポックの数で乗ぜられた両方のチャネルからの統計量を平均することによって組合せることができる。他のアプローチの下で、こうした組合せは必要とされない。
５．２．４．２．８ ＳＤＢ事象検出７４６５
ＳＤＢ事象検出モジュールは、ＯＳＡとＣＳＲの両方のエピソードを含むＳＤＢ事象が起こっている可能性がある運動信号の部分を検出することを目指している。こうした部分は、候補ＳＤＢ事象と呼ばれる。
一実施態様では、ＳＤＢ事象検出モジュールは、変調サイクル長推定モジュールによって推定される変調サイクル長を使用して、患者１０００に固有の１つ以上の汎用ＳＤＢ呼吸努力テンプレートのセットを作る。汎用テンプレートは、ＳＤＢ事象に関連する呼吸努力の減少を検出するように設計することができる。患者固有のテンプレートを、包絡線発生モジュールによって生成される包絡線（呼吸努力の尺度）に対して相互相関させ、閾値と比較することによって、候補ＳＤＢ事象を検出することができる。
この実施態様の１つのバージョンでは、３つの汎用ＳＤＢ呼吸努力減少テンプレートは、正弦関数と余弦関数とガウス分布とを使用して規定される。図７ｉは、この実施態様の１つのバージョンにおける３つの例示的な汎用ＳＤＢ呼吸努力減少テンプレートの図を含む。付録Ａは、変調サイクル長ＣＬによってパラメータ化された３つの汎用テンプレートのそれぞれについての仕様を含む。
汎用テンプレートは、パラメータＣＬとして変調サイクル長推定モジュールによって推定される変調サイクル長の値を書入れることによってインスタンス化される。
相関特徴は、各サンプルについて包絡線を患者固有のテンプレートのそれぞれに相互相関させ、相関値の最大値を受付けることによって生成される。一実施態様では、この操作は、運動信号のサンプリングレートのごくわずか、例えば１／１０で実施されて計算負荷を低減する。（一実施態様では、変調サイクル長の１／６又は１０秒のうちの値の小さい方に設定される）別の閾値より長い時間の間、相関特徴が、一実施態様では０．５に設定される閾値を超えるときはいつでも、候補ＳＤＢ事象が検出される。互いに近過ぎる候補ＳＤＢ事象、すなわち、それらの中点が、平均変調サイクル長の半分以内にあるような候補ＳＤＢ事象は廃棄される。結果として得られるものは、モニタリングセッション内の候補ＳＤＢ事象の場所のベクトルである。
ＳＤＢ事象検出モジュールの代替の実施態様は、組合せ型又は単一チャネルアプローチに適する。代替の実施態様は、ＡＡＳＭスコアリングルールに従って呼吸努力包絡線内の降下をベースラインと比較することによって候補ＳＤＢ事象を検出する。ＡＡＳＭスコアリングルールとは、
・低呼吸：３％脱飽和を有するベースラインの≧５０％の空気流の減少、又は４％脱飽和し、少なくとも１０秒間持続する≧３０％の空気流の減少
・無呼吸：少なくとも１０秒間持続するベースラインの≧９０％の空気流の減少
である。
装置７０００の幾つかのバージョンでは、酸素脱飽和レベルに対するアクセスが全く存在しない場合がある。代わりに、３つのスライディングウィンドウが利用することができる。主ウィンドウは、平均包絡線値が空気流用のプロキシとして計算されるウィンドウである。一例では、主ウィンドウは、７５％オーバラップを有する１０秒のスライディングウィンドウである。主ウィンドウがスライドするときに主ウィンドウを囲む他の２つのウィンドウは、ベースラインを確定するために利用される。一例では、これらの２つのベースラインウィンドウは、主ウィンドウの前と後で、直前の３５秒及び次の３５秒を含む。主ウィンドウ内の平均包絡線値が、２つのベースラインウィンドウ内の平均包絡線値によって規定されるベースラインに関して（酸素脱飽和無しで）上記基準のいずれかを満たす場合、候補ＳＤＢ事象を検出する。
そして、ＳＤＢ事象検出モジュールの代替の実施態様は、上述したＡＡＳＭスコアリングルールに従って１０秒より短い継続時間の候補ＳＤＢ事象を廃棄する。
ＳＤＢ事象検出モジュールの更なる代替の実施態様は、組合せ型又は単一チャネルアプローチにも適する。
更なる代替の実施態様の１つのバージョンは、前処理済みでない及び前処理済みの運動信号ｃ及びｃ３並びに包絡線Ｅｃ３に関して働き、したがって、モジュール７４１０〜モジュール７４５０を使用しない。
（前処理済みでない）運動信号ｃの瞬時パワーは、長さＮのサンプルのスライディングウィンドウにわたってｃの偏差Ｖａｒとして最初に計算される。
Figure 2015522314
更なる代替の実施態様の１つのバージョンでは、Ｖａｒは、７５％オーバラップを有する３０秒のスライディングウィンドウに関して計算される。
次に、（前処理済みの）運動信号ｃ３の変調深さＭＤが推定することができる。ノイズ無しの規則的に振幅変調される信号は、以下の形態を有する。
Figure 2015522314
 ・ここで、ＭＤは、０と１との間で変動する変調深さである。呼吸運動信号の変調深さは、ＣＳＲの重篤度の指示である。変調深さＭＤは、次の通りに推定することができる。
Figure 2015522314
ここで、σｃ３及びσＥｃ３は、信号及びその包絡線の標準偏差であり、ＳａｔＬｉｎは、
Figure 2015522314
 によって与えられる、範囲[０，１]にＭＤを制限する飽和マッピングである。
ここで、ａは１に設定され、Θ（）はヘビサイド（Heaviside）ステップ関数である。
スペクトル分析は、こうした運動が存在するときに呼吸運動である信号ｃ３の主要な高調波を抽出する簡単でかつ頑健な方法を提供する。更なる代替の実施態様の１つのバージョンでは、（９次の）自己回帰ユールウォーカ法（Yule Walker method）が使用されて、ｃ３のパワースペクトル密度（ＰＳＤ）及びその包絡線Ｅｃ３を推定し、したがって、２つのＰＳＤ、すなわち、
Figure 2015522314
 及び
Figure 2015522314
 を生成することができる。
ＰＳＤ
Figure 2015522314
 の大きさの最大ピークの場所は、呼吸数の推定値Ｆｒｅｑとして使用される。
Figure 2015522314
信号の帯域幅は、「不規則性（irregularity）」の尺度とすることができる。信号ｃ３の帯域幅ＢＷは、
Figure 2015522314
 として計算することができる。
ここで、
Figure 2015522314
 はＰＳＤ
Figure 2015522314
 の大きさの最大ピークの場所であり、Ωは関心の周波数範囲であり、
Figure 2015522314
 は、
Figure 2015522314
 として計算されるｃ３の正規化ＰＳＤである。
スペクトルエントロピーは、前に推定されたＰＳＤを十分に利用する。信号ｘの正規化スペクトルエントロピーＨｘは、次の通りにｘの正規化ＰＳＤから計算される。
Figure 2015522314
信号ｃ３のスペクトルエントロピーＨｃ３及び包絡線Ｅｃ３のスペクトルエントロピーＨＥｃ３はともに、（式２２）を使用して計算される。
呼吸の３つのカテゴリを特定することができる。
・呼吸周波数帯域内のほぼ一定の振幅の信号を特徴とする規則的呼吸（ＲＢ：Regular breathing）。周波数は時間変化する可能性がある。
・呼吸周波数帯域内の不規則な振幅の信号を特徴とする不規則的呼吸（ＩＢ：Irregular breathing）。この不規則性は、胸部又は腹部の運動の不規則性、気道閉鎖、嚥下／咳き込み、及び同様な挙動による可能性がある。
・呼吸周波数帯域内の規則的に振幅変調される信号を特徴とするチェーンストークス呼吸（ＣＳＲ）。
エントロピーＨｃ３及びＨＥｃ３は、呼吸カテゴリに応じて特徴的な挙動を有する。更なる代替の実施態様の１つのバージョンでは、ガウス混合モデル（Gaussian Mixture Model）に基づくクラスタリングアルゴリズムが、エントロピーＨｃ３及びＨＥｃ３に適用されて、３つのカテゴリに最もよく対応する３つの確率密度（probability density）のセットの近似を見出す。更なる代替の実施態様の別のバージョンでは、ランドマークベーススペクトルクラスタリングが最初に適用され、それに続いて、クラスタの確率密度のガウスフィットが適用される。
それぞれのバージョンによって、クラスタリングによって特定される３つのガウシアンの中心（平均）は、３ベクトルＧｃ３及びＧＥｃ３として表現される。
Ｇｃ３の中央値Ｈｈｃ３は、次の通りに見出され、上側をクリップされる。
Figure 2015522314
この中央値Ｈｈｃ３を参照するエントロピーＨｃ３は、その後、反転され飽和させられ、それにより、「反転エントロピー（inverted entropy）」Ｈｉの高い値が、より規則的な信号に対応する。
Figure 2015522314
ここで、Ｓ状飽和関数ＳａｔＮＬが、
Figure 2015522314
 として規定される。
また、λ、Ｔｃ３、及びＳｃ３はパラメータである。更なる代替の実施態様の１つのバージョンでは、λ＝５、Ｔｃ３＝１、及びＳｃ３＝２０である。
運動信号のチェーンストークス指数ＣＳは、その後、次の通りに計算される。
Figure 2015522314
ここで、
Figure 2015522314
 である。
また、ＴＣＳ、ＣＳＣＳ、及びＳＣＳはパラメータである。更なる代替の実施態様の１つのバージョンでは、ＴＣＳ＝１、ＣＳＣＳ＝０．３、及びＳＣＳ＝２０である。
運動信号の以下の４つのクラスが規定される。
１．チェーンストークス呼吸（ＣＳＲ）（クラスＣＳ）
２．ＣＳＲでない運動（クラスＭ）
３．運動無し（クラスＮＭ）
４．無呼吸及び低呼吸（クラスＡＨ）
４つのブール値指標又は「真（truth）」変数ＣＳＴ、ＭＴ、ＮＭＴ、及びＡＨＴは、運動信号が、所与の瞬間においてそれぞれのクラスに属する（真）か又は属さない（偽）ことを示す、時系列として計算することができる。３つのうちの１つだけがいつでも真である可能性があるという意味で互いに排他的である、第１の３つの真変数ＣＳＴ、ＭＴ、ＮＭＴは、論理ルールのセットを適用することによって計算される。更なる代替の実施態様の１つのバージョンでは、論理ルールは、
・信号は、瞬時パワーが運動閾値より大きく、エントロピーがエントロピー閾値より小さく、チェーンストークス指数がチェーンストークス閾値未満である場合、運動クラスに属する：
Figure 2015522314
 ・信号は、瞬時パワーが非運動閾値より小さく、信号が運動クラスに属さない場合、非運動クラスに属する：
Figure 2015522314
 ・信号は、チェーンストークス指数がチェーンストークス閾値より大きく、信号が運動クラス又は非運動クラスに属さない場合、ＣＳクラスに属する。
Figure 2015522314
運動閾値、エントロピー閾値、チェーンストークス閾値、及び非運動閾値ＴＭ、ＴＨｉ、ＴＣＳ、及びＴＮＭは、更なる代替の実施態様の１つのバージョンでは、ＴＭ＝２、ＴＨｉ＝０．９５、ＴＣＳ＝０．１、及びＴＮＭ＝０．０００１ＴＭであるように設定される。
第４の真変数ＡＨＴは、長さＷＡＨのスライディングウィンドウ上で適応的閾値法を使用して計算される。更なる代替の実施態様の１つのバージョンでは、ＷＡＨは３０秒に設定される。ＷＡＨの値は、より長い継続時間の無呼吸又は低呼吸に対処するために増加することができる。
適応的閾値ＴＡＨＩはウィンドウにわたる瞬時パワーＶａｒの平均の半分として計算され、真変数ＡＨＴは、瞬時パワーが適応的閾値ＴＡＨＩより小さく、チェーンストークス指数が無呼吸／低呼吸チェーンストークス閾値より小さいか又はエントロピーが無呼吸／低呼吸エントロピー閾値より大きい場合、真である。
Figure 2015522314
無呼吸／低呼吸チェーンストークス閾値及び無呼吸／低呼吸エントロピー閾値ＴＣＳＡＨ及びＴＨｉＡＨは、更なる代替の実施態様の１つのバージョンでは、以下の値をとる。すなわち、ＴＣＳＡＨ＝０．１ＴＣＳ及びＴＨｉＡＨ＝０．０９５である。
候補ＳＤＢ事象は、ＡＨＴ又はＣＳＴが真である間隔である。
５．２．４．２．９ ＳＤＢ事象確認７４７０
事象確認モジュールは、候補ＣＳＲ事象に対応する（前処理済みの）運動信号ｃ３又は呼吸努力を示すその包絡線の分析に基づいて各候補ＳＤＢ事象を確認又は廃棄する。
事象確認モジュールの一実施態様は、各候補ＳＤＢ事象に関連する呼吸努力の減少の継続時間及び量を、ＳＤＢ事象を規定する患者固有の閾値の時間ドメイン及び振幅ドメインの基準と比較する。また、事象確認モジュールのこの実施態様は、候補ＳＤＢ事象に隣接する過呼吸セクションの特徴を抽出して、「攣縮（twitch）」又は他の非ＳＤＢ生理的事象による誤検出を排除する。
この実施態様では、事象確認モジュールは、２つの主要な段階を含む。第１に、各候補ＳＤＢ事象の極端な点は、
・候補ＳＤＢ事象中の最小呼吸努力を突止め、
・変調サイクル長の８５％（平均変調サイクル長値にわたる約７０％の余裕）以内で最小努力の場所を囲む全ての局所ピークを特定し、
・最小呼吸努力の場所と、最小呼吸努力の場所の両側の最大呼吸努力のそれぞれの場所との間の距離ｋの予め規定された関数として確率ｐを計算し、一実施態様では、関数ｐ［ｋ］は、
Figure 2015522314
 として規定され、
・ここで、ＣＬは推定される変調サイクル長であり、
・呼吸努力の差を確率ｐで乗じた値に基づいて最もありそうな最大値を選択し、
・極大値間の最小距離が、一実施態様では１０秒に設定される最小継続時間より大きいことを検証する
ことによって突止められる。
各候補ＳＤＢ事象は、その後、
・いずれかの最大呼吸努力と最小呼吸努力との間の最小比を計算し、
・この比に従って候補ＳＤＢ事象についての包絡線を正規化し、
・呼吸努力包絡線が最小値の大きさの２倍より大きい大きさを有する、隣接する過呼吸セクションが（この実施態様の１つのバージョンでは９秒に設定される）最小値より大きい継続時間を有することを検証し、
・変調サイクル長の１／５より長い時間の間、呼吸努力包絡線が低呼吸閾値（元々の呼吸努力の６０％として規定される）より沈下することを検証する
ことによって確認することができる。包絡線を検出するために適用されるマックス及びホールドフィルタリングが２秒より長い継続時間を有するため、検出されるＳＤＢ事象は１０秒より短い可能性がある。
ＳＤＢ事象確認モジュールの代替の実施態様は、各候補ＳＤＢ事象に対応する（前処理済みの）運動信号ｃ３又はその包絡線から或る特定の特徴を計算し、計算される特徴にルールベース推論エンジンを適用して、各候補ＳＤＢ事象を確認又は廃棄するかどうかを判定する。各候補ＳＤＢ事象に対応する（前処理済みの）運動信号ｃ３は、２つの期間、すなわち、無呼吸／低呼吸期間及び換気又は過呼吸期間に最初に分割される。
計算される特徴は、以下の一部又は全てとすることができる。
・運動信号ｃ３の自己相関Ｒ（ｉ）の尖度Ｋ。尖度は、確率分布の「ピーク性（peakiness）」の尺度である。より高い尖度は、候補ＳＤＢ事象が真のＳＤＢ事象である可能性が小さいことを示し、その自己相関は、そのピークから徐々に離れて減衰する傾向がある。尖度Ｋは、
Figure 2015522314
 として計算される。ここで、Ｐは自己相関のサンプルの数であり、
Figure 2015522314
 は、その平均値であり、σＲはその標準偏差である。
・（式１０）に関して上述したように、過呼吸セクションの振幅、周波数、及び継続時間をカプセル化する特徴である候補ＳＤＢ事象の低呼吸期間の波形の長さＨｗｌより大きい波形の長さは、候補ＳＤＢ事象が真のＳＤＢ事象である可能性が小さいことを示す。波形の長さは、（式１０）の場合と同様に計算される。
・自由度（ＤＯＦ：Degree of Freedom）：ｃ３によって示される呼吸パターンの複雑さの指示。ＤＯＦ値は、ｃ３から、
Figure 2015522314
 として計算される。１つだけの急峻なピークを有する運動信号はほぼ１のＤＯＦ値を有することになり、一方、正弦波信号は、０自由度を有することになる。候補ＳＤＢ事象の一部は、実際には、運動信号のノイズ様部分に関連する場合がある。しかし、こうしたノイズ様部分は、正常呼吸パターンに関連せず、また、本物のＳＤＢ事象がＤＯＦのより低い値を示す傾向があるため、ＤＯＦ特徴値によって判別することができる。
・候補ＳＤＢ事象中に呼吸努力を示す特徴である平均包絡線（ＭＥ：Mean Envelope）。患者が正常に呼吸している場合、突然の運動又は一過性の覚醒は、偽陽性ＳＤＢ事象検出をトリガする可能性がある。こうした場合に対処するため、数人の患者について候補ＳＤＢ事象の平均包絡線値の５０、７５、及び９５パーセンタイルの値が計算されて、正常値が平均してどんな値になるべきかを推論し、極端な値を特定する。モニタリングセッション中の全ての候補ＳＤＢ事象の平均包絡線値の９５パーセンタイルより高い平均包絡線値を有する候補ＳＤＢ事象は、真のＳＤＢ事象である可能性が小さい。平均包絡線値の９５パーセンタイルが、波形の長さ特徴の９５パーセンタイルについて大きな値を有する他の患者の平均包絡線値と比較して、大き過ぎる場合、候補ＳＤＢ事象は、真のＳＤＢ事象である可能性が小さい。
・低い計算資源を必要とする、候補ＳＤＢ事象の過呼吸セクションにおける呼吸間変動を定量化する特徴である不規則性因子ＩＲ。不規則性因子は、基礎にあるプロセスの性質、すなわち、狭帯域か又は広帯域かを示す。狭帯域プロセスは、定常ランダムプロセス（stationary random process）であり、そのスペクトル密度は、その幅がその帯域の中心周波数の大きさと比較して小さい周波数帯域においてだけ有効値を有する。広帯域プロセスは、広い範囲の周波数にわたって有効なパワー項を有する。ＳＤＢ事象は、低い不規則性因子を有する狭帯域プロセスであることが予想される。代替の実施態様の１つのバージョンでは、不規則性因子ＩＲは、以下で述べるように計算される上方ゼロ交差の数ＺＣとピークの数ＮＰの比として過呼吸セクションについて計算される。
Figure 2015522314
 ここで、ＮＰは、過呼吸セクションの第４のモーメントと第２のモーメントの比の平方根として計算される。モーメントは、周波数ドメイン又は時間ドメインで計算することができる。
ルールベース推論エンジンは、計算される特徴値にルールのセットを適用して、各候補ＳＤＢ事象を確認する。候補ＳＤＢ事象は、特徴値が、指定されたルールを満たすかどうかに応じて確認又は廃棄される。代替の実施態様の１つのバージョンでは、推論エンジンは、付録Ｂに述べるルールを適用する。ＳＤＢ事象確認モジュールの代替の実施態様は、候補ＳＤＢ事象も分析して、候補ＳＤＢ事象がＣＳＲ事象に対応するか否かを調べる。代替の実施態様の下でのＳＤＢ事象確認の場合と同様に、或る特定の特徴は、各候補ＳＤＢ事象に対応する（前処理済みの）運動信号ｃ３から計算され、ルールベース推論エンジンが、計算される特徴に適用されて、各候補ＳＤＢ事象をＣＳＲ事象としてマーク付けするか否かを判定する。
計算される特徴は次の通りである。
・ＳＤＢ事象の無呼吸／低呼吸期間の開始から、後続の過呼吸期間、すなわち、無呼吸／低呼吸期間長に換気期間長（ＶｅｎｔｌＬｅｎｇｔｈ）を足した期間の終了までの時間として規定される変調サイクル長（ＣＬ：cycle length）。ＣＳＲ事象におけるＣＬについての典型的な範囲は、３０秒〜９０秒である。ＣＷＬとして表記される各変調サイクルの波形の長さは、変調サイクルにわたって（式１０）を使用して同様に計算される。
・ゼロ交差の数（ＺＣ）：この特徴は、運動信号ｃ３がｘ軸を交差する回数を示す。これは、運動信号ｃ３が変調サイクル内でどれほど速く振動するかについての指標であり、それは、次に、ＳＤＢ事象中の呼吸数の指標である。生理的呼吸範囲外の呼吸数を示すＺＣ値を有するＳＤＢ事象は、ＣＳＲ事象である可能性が小さい。Ｎサンプルを有する運動信号セクションの場合、ゼロ交差特徴値の数ＺＣは、
Figure 2015522314
 として計算される。ここで、ｓｇｎ（）はシグナム関数（signum function）であり、ｔは、１つのバージョンでは０に設定される所定の閾値である。
・位相ロック値（ＰＬＶ：Phase locking value）：運動信号ｃ３の２つの半分の間の瞬時位相差を見て、２つの半分が互いにどれだけ似ているかを示す統計的記述子。典型的なＣＳＲ事象は、漸増及び漸減（waxing and waning）効果によって２つの半分の間に高い位相類似性を、したがってＰＬＶの高い値を示し、一方、損なわれているＣＳＲ事象は低い類似性を示す。ＰＬＶ特徴値は次の通りに計算することができる。
○ｃ３の絶対値のヒルベルト変換の角度を採用する。
○結果として得られる位相波形を２つの半分に分割し、第２の半分を時間反転させて、Φ１及びΦ２を取得する。
○以下の式を適用する：
Figure 2015522314
 ここで、Ｎは、それぞれの半分内のサンプルの数である。
・信号アーチファクトネス（ＳＡ：Signal Artefactness）：ＣＳＲの漸増及び漸減形状に似ていない非常に急峻な突然のピーク等の、運動信号ｃ３内のアーチファクトの存在の２値指標。ＳＡ値は、ｃ３から次の通りに計算される。
Figure 2015522314
 ここで、ｚ（ｋ）はｃ３の絶対値のｋ番目のサンプルであり、σｚはｚ（ｋ）の標準偏差である。ＳＡは、ｗ（ｋ）がｋの任意の値について非ゼロである場合、１の値を割当てられ、そうでない場合、０を割当てられる。
・変調深さ（ＭＤ：Modulation depth）：この特徴は、２つの量の比として計算することができる。第１の量（サイクルパーセンテージＣＰ）は、ＳＤＢ事象のデューティ比、すなわち、ＳＤＢ事象の換気期間の継続時間と無呼吸／低呼吸期間の継続時間の比である。第２の量（振幅変動ＡＶ）は、無呼吸／低呼吸期間の振幅に対する、換気期間の振幅のパーセンテージ変化であり、
Figure 2015522314
 として計算される。ここで、ｔは換気期間と無呼吸／低呼吸期間との間の遷移の場所である。換気期間の継続時間が無呼吸／低呼吸期間の継続時間より大きい（又は、小さい）場合、ＣＰは１より大きい（又は、小さい）ことになる。同じ挙動は、ＡＶにおいて観測されることになる。すなわち、ＡＶは、換気振幅の積分が、対応する無呼吸／低呼吸振幅より大きい場合、１より大きく、そうでない場合、１より小さい。ＭＤは、ＳＤＢ事象が、大きな振幅変動及び小さなサイクルパーセンテージを有し、大きな変調を示す場合、１より大きく、ＳＤＢ事象が低い振幅変動及び大きなサイクルパーセンテージを有するとき、１より小さい。ＭＤの高い値は、ＳＤＢ事象がＣＳＲ事象である尤度が高いことを示す。
・立上り時間（ＲＴ：Rise Time）：立上り時間は、運動信号振幅包絡線が、過呼吸継続時間のパーセンテージとして表現されるその最終値のｘ％〜ｙ％まで立上るのに必要とされる時間として計算することができる。ここで、ｘ及びｙは、１つのバージョンでは０及び９５に設定される。最大振幅への突然のジャンプは、ＳＤＢ事象が、ＣＳＲ事象の漸増及び漸減効果を欠くことを示すため、立上り時間のより小さな値は、ＳＤＢ事象がＣＳＲ事象である可能性が小さいことを示す。
・パワースペクトル自己相関の標準偏差（ＳＴＤＰＳＤ：Standard Deviation of Power Spectrum AutoCorrelation）：各候補ＳＤＢ事象は、高速フーリエ変換（ＦＦＴ）によって分析されて、その対応するパワースペクトルを取得する。そして、パワースペクトルの自己相関の標準偏差は、別の特徴として計算されて、ＣＳＲ事象を他のＳＤＢ事象から区別する。
・最大パワー周波数（Ｆｍａｘ）：ＣＳＲ事象が０．１５より大きいＦｍａｘ値を有する傾向があるため、各候補ＳＤＢ事象のパワースペクトルの最大パワー値を有する周波数もまた計算される。
ルールベース推論エンジンは、計算される特徴値にルールのセットを適用して、各候補ＳＤＢ事象を、ＣＳＲ事象又はＣＳＲ事象でないとしてマーク付けする。代替の実施態様の１つのバージョンでは、推論エンジンは、付録Ｃに述べるルールを適用する。
そして、ＳＤＢ事象確認モジュールの代替の実施態様は、（前処理済みの）運動信号を、代替の実施態様の１つのバージョンでは長さが１０分に設定される連続的な非オーバラップセグメントに分割する。ＳＤＢ事象確認モジュールの代替の実施態様は、その後、セグメントのそれぞれにおいてどれだけの数のＣＳＲ事象が起こるかを計算する。各セグメントは、少なくとも３つの連続的なＣＳＲ事象を含む場合、ＣＳＲ事象としてマーク付けされる。
最後に、ＳＤＢ事象確認モジュールの代替の実施態様は、ＣＳＲセグメントの総継続時間と総睡眠時間（ＴＳＴ）の比、及び、ＣＳＲセグメントの総継続時間とモニタリングセッションの長さ（総記録時間又はＴＲＴ）の比を計算する。
ＳＤＢ事象確認モジュールの全ての実施態様は、確認済みの各ＳＤＢ事象について事象継続時間及び最小（残留）呼吸努力を記憶することによって終了する。
５．２．４．２．１０ 特徴計算７４８０
並列又はハイブリッドアプローチの下で、特徴計算モジュールは、論理ＯＲ演算によって各チャネル内で確認済みのＳＤＢ事象を最初に組合せる。組合せ型又は単一チャネルアプローチの下で、組合せは全く必要とされない。
一実施態様では、特徴計算モジュールは、確認済みのＳＤＢ事象の総数を、信号選択モジュールによって計算される総分析時間（ＴＡＴ：total analysis time）（時間単位）で除した値として、無呼吸/低呼吸指数（ＡＨＩ）を計算する。
確認済みのＳＤＢ事象のセットから、特徴計算モジュールはまた、全モニタリングセッションと、主睡眠期間の第１及び第２の半分、の両方の期間の間、確認済みのＳＤＢ事象の継続時間及び残留努力について平均及び標準偏差を計算し記憶する。
計算される基本的な特徴セットは、表１に要約される特徴の一部又は全てを含むことができる。
Figure 2015522314
特徴計算モジュールは、任意選択的に、単一モニタリングセッションにわたって、或る特定の方法で基本的特徴を組合せ、基本的特徴から新しい特徴を導出することによって基本的特徴セットを拡張する。表２は、特徴計算モジュールの一実施態様における単一セッションの組合せ型及び導出型特徴を要約する。
Figure 2015522314
特徴計算モジュールは、任意選択的に、複数のモニタリングセッションにわたって基本的特徴セットから特徴を更に導出する。表３は、特徴計算モジュールの一実施態様におけるマルチセッションの導出型特徴を要約する。（現在のモニタリングセッションはｉと番号付けされる）
Figure 2015522314
マルチセッションにわたる特徴導出の代替の実施態様では、差分フィルタリングが基本的特徴セットに適用される。一実施態様では、差分フィルタリングは、モニタリングセッションｉ−Ｎにおける各基本的特徴値を、現在のモニタリングセッションｉにおけるその値から減算することを含む。
計算された特徴は、予測ステップ７３３０に渡される前に正規化することができる。正規化は、大きな絶対値を有するだけによって特徴が予測を支配することを防止する。従来の正規化は、各特徴値とその平均値との差を、その特徴値の標準偏差で割ることを含み、ゼロ平均及び１の標準偏差を有する正規化特徴をもたらす。
しかし、特徴値の平均及び標準偏差の計算は、前もって利用可能であることを全データセットに要求し、そのことは、センサデータが各セッション後に記録され処理される本技術のアプリケーション等のリアルタイムアプリケーションにとって非現実的である。
本技術の一形態では、正規化は、ｎ個の最も最近の特徴値を含むスライディングウィンドウにわたって各特徴の平均及び標準偏差を計算する。利用可能なデータが、ｎより小さい数のモニタリングセッションを含むとき、平均及び標準偏差は、全ての利用可能なデータに対して計算される。各特徴値ｘについて、正規化は、
Figure 2015522314
 を計算する。
一実施態様では、ｎは３５に設定される。
一実施態様では、特徴計算モジュールによって計算される、基本的特徴、組合せ型特徴、単一セッションの導出型特徴、及びマルチセッションの導出型特徴の完全なセットが予測ステップ７３３０に渡される。
代替の実施態様では、完全なセットのサブセットだけが予測ステップ７３３０に渡される。こうした実施態様は、事象予測の精度が低くなるという潜在的な犠牲を払って、予測ステップ７３３０によって要求される計算量を低減する。
一実施態様では、予測ステップ７３３０に渡される特徴の一部又は全てのリストは表４に与えられ、表４は、各特徴が正規化されているか、正規化されていないかも示す。
Figure 2015522314
別の実施態様では、特徴計算モジュールは、ＳＤＢ事象検出モジュールの代替の実施態様によって計算される４つの真の変数ＣＳＴ、ＭＴ、ＮＭＴ、及びＡＨＴから８つの統計量を導出する。
・ＣＳＣｕｍ及びＣＳＴｏｔ％は、モニタリングセッション中に信号がチェーンストークスクラスに属した総時間及び時間のパーセンテージである。
・ＭＣｕｍ及びＭＴｏｔ％は、モニタリングセッション中に信号が運動クラスに属した総時間及び時間のパーセンテージである。
・ＮＭＣｕｍ及びＮＭＴｏｔ％は、モニタリングセッション中に信号が非運動クラスに属した総時間及び時間のパーセンテージである。
・ＡＨＣｕｍ及びＡＨＴｏｔ％は、モニタリングセッション中に信号が無呼吸／低呼吸クラスに属した総時間及び時間のパーセンテージである。
パーセンテージ値は、モニタリングセッションの継続時間Ｄによって正規化される総時間値である。
特徴計算モジュールは、モニタリングセッションを、同じ長さのＮ個のサブセッションＱ（ｎ）に分割する。ＳＤＢ事象検出モジュールの代替の実施態様によって計算される、帯域幅、変調深さ、及びチェーンストークス指数の値ＢＷ、ＭＤ、及びＣＳは、各サブセッション内でＣＳクラス期間にわたって総和をとられ、Ｄによって正規化される。
Figure 2015522314
Figure 2015522314
Figure 2015522314
ＳＤＢ事象検出モジュールの代替の実施態様によって計算される反転エントロピー値Ｈｉは、各サブセッションにわたって総和をとられ、Ｄによって正規化される。
Figure 2015522314
一実施態様では、Ｎ＝４であるため、サブセッションは四分位である。
一実施態様では、特徴計算モジュールの代替の実施態様によって計算される特徴のサブセットは、予測ステップ７３３０に渡される。１つのこうしたサブセットは、表５に上げる６つの特徴の一部又は全てを含む。
Figure 2015522314
更に別の実施態様では、Ｎ＝４のサブセッションを有する特徴計算モジュールの両方の実施態様によって計算される特徴のサブセットは、正規化され、予測ステップ７３３０に渡される。１つのこうしたサブセットは、表６に挙げる特徴の一部又は全てを含むことができる。
Figure 2015522314
予測ステップ７３３０が省略される本技術の或る特定の形態の一実施態様では、特徴抽出ステップ７３２０によって返されるＳＤＢ特徴は、ＡＨＩ、総睡眠時間（ＴＳＴ）、ＣＳＲ事象の総継続時間と総睡眠時間（ＴＳＴ）の比、及び、ＣＳＲ事象の総継続時間とモニタリングセッションの長さ（総記録時間又はＴＲＴ）の比である。
５．２．４．２．１１ 特徴選択
表４、表５、及び表６において上記で挙げた特徴等の特徴のサブセットは、特徴選択によって取得することができる。特徴選択は、予測ステップ７３３０が、妥当な精度で、見えないデータから臨床事象を効率的に予測することを可能にする完全特徴セットのサブセットを特定することを目指す。
特徴選択のための１つのスキームは、差分評価特徴選択（ＤＥＦＳ：differential evaluation feature selection）と呼ばれる。ＤＥＦＳは、選択される予め指定された数の特徴、母集団サイズ、及び反復回数を使用する。ＤＥＦＳは、完全特徴セットから、予め指定された母集団サイズに等しいサブセットの母集団を最初に生成する。各サブセットは、予め指定された数の特徴に等しい幾つかのランダムに選択される特徴を含む。ＤＥＦＳは、次に、生成されるサブセットのそれぞれに擾乱を適用し、擾乱を受けた各サブセットが、その母集団内で、対応する生成されたサブセットに置換されるべきかどうかを判定する。擾乱及び置換ステップは、予め指定された反復回数について繰返される。全ての反復について、擾乱を受けたサブセットが、その相手方に比べて良好な良度指数をもたらすかどうかを判定することによって、置換の判定が、所定の良度指数を使用して行われる。全ての反復が終了した後、最良の良度指数を有する母集団内のサブセットが、選択されたサブセットとして返される。
所定の良度指数は、訓練用データに関する予測ステップ７３３０の性能に基づく。訓練用データセットは、複数の患者から取得されるデータの複数回のモニタリングセッションを含む。訓練用データセット内のセッションの少なくとも一部は、関連するセッションの直後の期間内で、対応する患者において臨床専門家によって特定された臨床事象に関連する。特徴は、モニタリング装置７０００が本当に予測的であることを保証するため、１モニタリングセッションだけシフトされる（すなわち、セッションｎの特徴は、セッションｎの臨床事象を予測するために使用することができない）。
所与のサブセットについて良度指数を計算するため、訓練用セット内の各患者について、予測ステップ７３３０は、（訓練が必要とされる場合）その患者以外の全ての患者からのセッションを使用して訓練され、訓練式予測が、その患者からのセッションに関して実行されて、そのサブセットについての真陽性（ＴＰ：true positive）、偽陽性（ＦＰ：false positive）、偽陰性（ＦＮ：false negative）、真陰性（ＴＮ：true negative）の性能比を取得する。
ＤＥＦＳの一実施態様では、良度指数は、受信者動作曲線（ＲＯＣ：receiver operating curve）における急峻な立上りを保証する、少なくとも７５％の感度を可能にする最大特異度である。より高い良度指数はよりよい性能を示す。
ＤＥＦＳの代替の実施態様では、良度指数は、偽陽性によって覆われるエリアであり、かつ特異度に対して逆に関連する偽陽性カバリッジ（ＦＰＣカバリッジ）と、感度（ＴＰ／（ＴＰ＋ＦＮ）との比である。ＦＰＣカバリッジ及び感度は、４０％及び７５％の上限及び下限をそれぞれ有するように設定される。低い良度指数は、よりよい性能を示す。
上記ＤＥＦＳ実施態様のオプションの拡張では、選択される特徴の数は、ＤＥＦＳによって選択されるサブセットの全てのサブサブセットを特定し、全サブセットの性能に対して各サブサブセットの性能を評価し、その性能が、全サブセットの性能に対して大幅に減少しない、と良度指数によって判断される、サブサブセットを選択することによって、予め指定された数から低減される。この拡張は、通常、選択される特徴の数を２だけ低減する。
別のオプションの拡張は、投票システムであり、ＤＥＦＳの複数のラウンドが実施され、それぞれのラウンドが、予め指定された元々の数より多い数の特徴を指定する。特徴の数は、その後、全ての選択されるサブセットに関して投票スキームを使用して低減され、それにより、特徴は、選択されるサブセットの少なくとも或る特定のパーセンテージ（例えば、８０％）が特徴を含まなければ廃棄される。
５．２．４．３ 予測７３３０
予測ステップ７３３０は、特徴抽出ステップ７３２０によって渡されるＳＤＢ特徴のベクトルｘから、臨床事象が、所定の予測ホライズン内に起こる可能性があるかどうかについてのブール指示を生成する。
図７ｊは、本技術の一形態において予測ステップ７３３０を実施するために使用することができる方法７９００を示すフローチャートである。方法７９００は、ステップ７９１０にて始まり、ステップ７９１０は、状態空間主成分分析（ＳＳＰＣＡ：State-Space Principal Component Analysis）を適用して、特徴ベクトルイｘの主成分Ｓ１、Ｓ２、．．．を生成する。ＳＳＰＣＡは、特徴空間の次元を低減するために適用される、直交化特性を有する自己同調型線形フィルタバンクと同等である。
ステップ７９１０の一実施態様では、ＳＳＰＣＡは、履歴行列（trajectory matrix）Ｚを生成するため、ＳＤＢ特徴ベクトルｘ及び先行するモニタリングセッションからのその先行物を高次元空間に埋め込むことによって始まる。埋め込みは、２つのパラメータ、すなわち、埋め込み用ラグＬ及び埋め込み用次元Ｎを必要とする。
Figure 2015522314
ここで、ｘｉ（ｊ）は、ｊによって索引付けされるモニタリングセッションにおける特徴ベクトルｘのｉ番目の成分の値である。Ｚの次元は、Ｍ（Ｎ＋１）行×Ｌ列であり、Ｍは選択される特徴の数である。一実施態様では、Ｌ＝１であり、Ｎ＝３０である。
ＳＳＰＣＡは、その後、履歴行列Ｚの特異値分解を実施する。
Figure 2015522314
ここで、Ｄは、その対角線上に降順でＺのＬ特異値ｄｉを有し、その他の所ではゼロであり、ＰＳ及びＰＥは、正方ユニタリ行列であり、その列は、
Figure 2015522314
 を満たすＺの、それぞれ左及び右の特異ベクトルｓｉ及びｅｉである。
状態空間主成分行列ＳＳＰＣは、その後、対応するｎ０左特異ベクトルｓｉ上に履歴行列Ｚを射影することによって最大ｎ０特異値ｄｉから計算される。
Figure 2015522314
行列ＳＳＰＣは、ｎ０行及びＬ列を有する。行列ＳＳＰＣの行は、特徴ベクトルｘのｎ０個の主成分Ｓ１、Ｓ２、．．．、Ｓｎ０である。一実施態様では、ｎ０は４に設定される。
ＳＳＰＣＡのオプションの最終ステップでは、ｎ０個の主成分Ｓ１、Ｓ２、．．．、Ｓｎ０（行列ＳＳＰＣの行）はそれぞれ、２次バタワースフィルタを使用して周波数帯域[０．００１Ｈｚ，０．０５Ｈｚ]にバンドパスフィルタリングされる。
方法７９００に戻ると、オプションのステップ７９２０（図７ｊにおいて破線で示す）は、所定の予測ホライズンにわたって主成分Ｓ１について適応的予測的線形（ＡＰＬ：adaptive predictive linear）モデルの係数Ｈを推定する。一実施態様では、ＡＰＬモデルは、１２次の外因性入力を有する自己回帰運動平均モデル（ＡＲＭＡＸ）モデルであり、予測ホライズンは７セッションである。最小２乗平均（ＬＭＳ：least mean square）アルゴリズムを使用して、主成分Ｓ１についてＡＰＬモデルの係数Ｈを推定することができる。
更なるオプションのステップ７９３０（図７ｊにおいて同様に破線で示す）は、その後、ステップ７９２０によって計算されるＡＰＬモデル係数Ｈの差分尺度Ｗを計算する。差分尺度Ｗを取得するために差分演算子を使用する理由は、ＡＰＬモデル係数Ｈの絶対値ではなく変化率が、予測のための対象となるからである。一実施態様では、差分尺度Ｗは、次の通りに計算される。
Figure 2015522314
最後に、ステップ７９４０は、以下でより詳細に述べるように、オプションのステップ７９２０及び７９３０が実施された場合、主成分Ｓ１、Ｓ２、．．．の１つ以上のもの及び差分尺度Ｗを採用し、予測ホライズン内で臨床事象が起こる可能性があるかどうかについてのブール指示を生成する。方法７９００は、その後終了する。
差分尺度Ｗを計算するためステップ７９２０及び７９３０が使用された場合に適する、予測ステップ７９４０の一実施態様では、発見的ルールが使用されて、ブール指示を生成する。この実施態様では、ブール指示Ｐは、主成分Ｓ１、差分尺度Ｗ、及び３つの閾値Ｔａ、Ｔｗ、及びＴｎの２値（１＝真、０＝偽）関数である。
Figure 2015522314
ここで、Θはヘビサイドステップ関数である。閾値Ｔａ、Ｔｗ、及びＴｎが、Ｓ１及びＷの極値に応じて以下の範囲内で選択される。
Figure 2015522314
ステップ７９２０及び７９３０が省略された場合に適する、予測ステップ７９４０の別の実施態様では、異なる発見的ルールが適用されて、最初の２つの主成分Ｓ１及びＳ２からブール指示Ｐを生成する。この発見的ルールの下で、Ｐは、Ｓ１及びＳ２がともに、所定の範囲（Ｔ１Ｉ，Ｔ１Ｓ）及び（Ｔ２Ｉ，Ｔ２Ｓ）内にそれぞれ存在する場合、真である。
Figure 2015522314
ここで、Ｔ１Ｉ、Ｔ１Ｓ、Ｔ２Ｉ及びＴ２Ｓは所定の端点である。一実施態様では、以下の端点が使用される。すなわち、Ｔ１Ｉ＝Ｔ２Ｉ＝０．３５、Ｔ１Ｓ＝Ｔ２Ｓは＝２０である。
予測ステップ７９４０の他の実施態様では、分類器が適用されて、ｃ出力クラスのそれぞれに属するその入力ベクトルｙの事後確率を推定する。ｃ出力クラスの１つは「事象が全く起こらない（no-event-occurring）」クラスであり、残りは、所定の予測ホライズン中に起こる種々のタイプの臨床事象に関連する。推定される各事後確率は、事後確率閾値と比較される。臨床事象の発生関連する任意のクラスの事後確率が事後確率閾値より大きい場合、ブール指示は真に設定され、そうでない場合、ブール指示は偽に設定される。
予測ステップ７９４０の幾つかの分類器ベース実施態様では、分類器に対する入力ベクトルｙは、主成分Ｓ１、Ｓ２、．．．、Ｓｎ０の１つ以上のもの及び（計算される場合）差分尺度Ｗである。
予測ステップ７９４０の１つのこうした実施態様では、分類器は、主成分Ｓ１及び差分尺度Ｗに適用される量子ニューラルネットワーク（ＱＮＮ：Quantum Neural Network）である。ＱＮＮは、それぞれの関連するクラスラベルを有する複数の入力ベクトルを含む訓練用データに関して最初に訓練される。ＱＮＮは、ファジー非線形推論システムとして働き、非常に少数の隠れニューロンによって複素関数を近似することができる。
予測ステップ７９４０の更なるこうした実施態様では、分類器は、主成分Ｓ１及び差分尺度Ｗに適用される単純ベイズ分類器である。ベイズ分類器は、クラスの独立性を仮定する点で、単純である。
予測ステップ７９４０の他のこうした実施態様では、上述したＱＮＮ又はベイズ分類器は、差分尺度Ｗを省略して、最初のｋ主成分Ｓ１、．．．、Ｓｋに適用される。
予測ステップ７３３０の代替の実施態様では、ステップ７９１０、７９２０、及び７９３０は省略され、ステップ７９４０にて使用される分類器に対する入力ベクトルｙは、単にＳＤＢ特徴ベクトルｘである。ステップ７３３０のこうした「直接的（direct）」実施態様は、完全な方法７９００を使用する実施態様に比べて、計算集約的でない。ただし、特徴ベクトルｘが長過ぎない場合に限る。
１つのこうした実施態様では、ステップ７９４０にて使用される分類器は、線形判別分析（ＬＤＡ）分類である。ＬＤＡ分類器の基本的な考えは、異なるクラスを特徴付けるか又は分離する特徴の線形組合せを見出すことである。ＬＤＡは、パラメータ最適化のためにデータに対して複数のパスを要求せず、当然、３つ以上のクラスを有する問題を処理する。
ＬＤＡ分類器は、
Figure 2015522314
 として、ｋ＝１、．．．、ｃによって索引付けられたｃクラスのそれぞれに属する所与の入力ベクトルｙの事後確率Ｐｋを推定する。
ここで、
Figure 2015522314
 である。
これは、ｃベクトルｚへのベクトルｙの線形変換である。
線形変換のパラメータＷ０（ｃベクトル）及びＷ１（ｃ×Ｎｆ行列、ここで、Ｎｆは入力ベクトルｙの長さ）は、それぞれの関連するクラスラベルを有する複数のベクトルを含む訓練用データに関してＬＤＡ分類器を訓練することによって取得される。各クラスｋ内の訓練用ベクトルのクラス平均μｋ及び共分散Σｋが最初に取得される。そして、一般的な共分散Σは、クラス共分散Σｋの重み付き総和として計算される。全てのクラスの重みは、１つの実施態様では１／ｃに設定される。代替の実施態様では、各クラスの重みは、そのクラスによってラベル付けされる訓練用ベクトルの小部分である。
そして、線形変換パラメータＷ０及びＷ１のｋ番目の行は、
Figure 2015522314
Figure 2015522314
 として、各クラスｋについて計算される。
ここで、πｋは、一実施態様では１／ｋに設定される事前クラス確率である。
非接触式動きセンサから取得される運動データについて一般的でないが、入力ベクトルｙが１つ以上の抜けている特徴（すなわち、ＮａＮに設定される成分）を含む場合、（式５５）及び（式５６）によって規定される線形変換パラメータは、（式５４）の場合のような、不完全な特徴ベクトルｙに適用することができない。こうした不完全な特徴ベクトルｙの場合、「縮小型（reduced）」クラス平均μｋ’及び共分散Σｋ’が、不完全な入力特徴ベクトルｙ内の利用可能な特徴だけに基づいて各クラスｋについて計算される。そして、縮小型の一般的な共分散行列Σ’は、上記の縮小型クラス共分散Σｋ’の重み付き総和として計算される。そして、「縮小型」線形変換パラメータＷ０’及びＷ１’は、（式５５）及び（式５６）を使用して、縮小型クラス平均及び縮小型の一般的な共分散行列Σ’から計算される。最後に、「縮小型」線形変換パラメータＷ０’及びＷ１’を使用する線形変換（式５４）が、不完全な特徴ベクトルｙに適用されて、事後確率Ｐｋを取得する。
予測ステップ７９４０の分類器ベースの実施態様では、クラスの数ｃは通常２である。その理由は、訓練用データベクトルが、２つのラベル、すなわち、予測される事象又は予測されない事象だけを有するからである。しかし、幾つかの実施態様では、事象予測型クラスは、関連するベクトルをサブクラスに最初にクラスタリングすることによって、例えば、ｋ平均クラスタリングによって、異なる予測事象に関連するサブクラスに再分することができる。
予測ステップ７９４０の分類器ベースの実施態様では、事後確率閾値の値が設定される必要がある。これらの実施態様の幾つかのバージョンでは、訓練用データセットが使用されて、一実施態様では７５％に設定される閾値以上の感度値について、ＲＯＣにおいて偽陽性カバリッジを最小にする値に事後確率閾値を設定する。
これらの実施態様の他のバージョンでは、事後確率閾値の設定は、事後確率閾値を、範囲[０，１]内に存在するように制約された、上述したＤＥＦＳ法によって最適化される特別なパラメータにすることによって、特徴選択と組合される。
セッションｎにて予測される臨床事象についてセッションｎ−７とセッションｎ−１との間で、すなわち、７セッション予測ホライズンの間で警報が提供されるモニタリング装置７０００の１つのアプリケーションに従って、各陽性予測は、７セッションによって将来に拡張される。この修正は、分類器訓練及び特徴選択において使用される感度及び偽陽性カバリッジの計算に含まれた。
また、訓練のため、この操作の反転が、臨床エキスパート評価に関して実施され、臨床事象についてのセッションｎ−７とセッションｎ−１との間のスミアリング（smearing）が、セッションｎにて起こると思われる。これは、分類器性能を高めるための最も効果的な範囲であることがわかったため、訓練用データに関して適用されただけであった。
６ 用語解説
本技術を開示するために、本技術の或る特定の形態では、以下の定義のうちの１つ以上のものを適用することができる。本技術の他の形態では、代替の定義を適用することができる。
６．１ 通則
本技術の或る特定の形態では、患者に供給される空気とは、大気の空気とすることができ、本技術の他の形態では、大気の空気には、酸素を補うことができる。
持続気道陽圧（ＣＰＡＰ）とは、大気に対して連続して陽圧であり、好ましくは患者の呼吸サイクルを通じてほぼ一定の圧力であり、空気又は呼吸に適したガスの供給を気道の入口に適用することである。幾つかの形態では、気道の入口における圧力は、単一の呼吸サイクル内で数水柱センチメートルだけ変動し、例えば、吸息中は高くなり、呼息中は低くなる。幾つかの形態では、気道の入口における圧力は、呼息中は僅かに高くなり、吸息中は僅かに低くなる。幾つかの形態では、圧力は、患者の呼吸サイクルごとに変動し、例えば、部分的上気道閉塞の指標の検出に応答して増加され、部分的上気道閉塞の指標が存在しない場合には減少される。
６．２ ＰＡＰデバイスの態様
空気回路とは、ＰＡＰデバイスと患者インタフェースとの間の空気又は呼吸に適したガスの供給を配送するように使用時に構成及び準備された導管又はチューブである。特に、空気回路は、空気圧ブロック及び患者インタフェースの放出口と流体接続することができる。空気回路は、空気配送チューブと呼ばれる場合がある。幾つかの場合には、吸息用及び呼息用に回路の別々のリムが存在する場合がある。他の場合には、単一のリムが用いられる。
ブロワ又はフロージェネレータとは、周囲圧力を超える圧力で空気の流れを配送するデバイスである。
コントローラとは、入力に基づいて出力を調整するデバイス、又はデバイスの一部分である。例えば、コントローラの１つの形態は、デバイスへの入力を構成する、制御を受ける変数、すなわち制御変数を有する。デバイスの出力は、制御変数の現在の値とその変数の設定点との関数である。サーボ人工呼吸器は、入力として換気量を有し、設定点として目標換気量を有し、出力として圧補助のレベルを有するコントローラを備えることができる。入力の他の形態は、酸素飽和度（ＳａＯ２）、二酸化炭素の分圧（ＰＣＯ２）、運動、光プレチスモグラムからの信号、及びピーク流量のうちの１つ以上のものとすることができる。コントローラの設定点は、固定されたもの、可変のもの、又は学習されたもののうちの１つ以上のものとすることができる。例えば、人工呼吸器における設定点は、患者の測定された換気量の長期平均とすることができる。別の人工呼吸器は、時間とともに変化する換気設定点を有することができる。圧力コントローラは、特定の圧力で空気を配送するようにブロワ又はポンプを制御するように構成することができる。
本文脈における療法とは、陽圧療法、酸素療法、二酸化炭素療法、死腔の制御、及び薬の投与うちの１つ以上のものとすることができる。
気道陽圧（ＰＡＰ）デバイスとは、陽圧の空気の供給を気道に提供するデバイスである。
トランスデューサとは、エネルギー又は信号の１つの形態を別の形態に変換するデバイスである。トランスデューサは、力学的エネルギー（運動等）を電気信号に変換するセンサ又は検出器とすることができる。トランスデューサの例には、圧力センサ、流量センサ、二酸化炭素（ＣＯ２）センサ、酸素（Ｏ２）センサ、努力センサ、運動センサ、雑音センサ、プレチスモグラフ、及びカメラを含む。
６．３ 呼吸サイクルの態様
無呼吸とは、流量が或る継続時間、例えば１０秒の間、所定の閾値未満に降下したときに発生したと言われる。閉塞性無呼吸は、患者の努力にもかかわらず、気道の或る閉塞によって空気が流れることができないときに発生したと言われる。中枢性無呼吸は、呼吸努力の低下又は呼吸努力の欠如に起因した無呼吸が検出されたときに発生したと言われる。
呼吸数とは、患者の自発呼吸数は、通例、呼吸毎分で測定される。
デューティサイクルとは、全呼吸時間Ｔｔｏｔに対する吸息時間Ｔｉの比である。
努力（呼吸）とは、呼吸を試みる自発呼吸者によってなされる仕事である。
呼吸サイクルの呼気部分とは、呼気流の開始から吸気流の開始までの期間である。
好ましくは、流量制限とは、患者による努力の増大が流量の対応する増加を引き起こさない患者の呼吸の状態とされる。流量制限が呼吸サイクルの吸気部分の間に生じている場合、これは、吸気流量制限と呼ぶことができる。流量制限が呼吸サイクルの呼気部分の間に生じている場合、これは、呼気流量制限と呼ぶことができる。
好ましくは、低呼吸とは、流量の停止ではなく、流量の低下とされる。１つの形態では、低呼吸は、或る継続時間の間、閾値を下回る流量の低下があるときに発生したと言うことができる。成人の１つの形態では、以下のもののいずれかが低呼吸であるとみなすことができる。
（ｉ）少なくとも１０秒間の患者呼吸の３０％の低下に、関連した４％脱飽和が加わったもの、又は
（ｉｉ）少なくとも３％の関連した脱飽和又は覚醒を伴った少なくとも１０秒間の患者呼吸の低下（ただし、５０％未満）。
過呼吸とは、標準流量よりも高いレベルへの流量の増加である。
呼吸サイクルの吸気部分とは、好ましくは、吸気流の開始から呼気流の開始までの期間が、呼吸サイクルの吸気部分とされる。
開存性（気道）とは、気道が開放している度合い、又は気道が開放している程度である。開存気道は開放している。気道開存性は定量化することができ、例えば、１の値は開存しており、０の値は閉鎖している。
呼吸流量、空気流量、患者空気流量、呼吸気流量（Ｑｒ）の同義の用語は、通例はリットル毎分で表される、患者が受けている実際の呼吸流量である「真の呼吸流量」又は「真の呼吸気流量」とは対照的に、ＰＡＰデバイスの呼吸気流量の推定値を指すものと理解することができる。
上気道閉塞（ＵＡＯ）とは、部分上気道閉塞及び完全上気道閉塞の双方を含む。これは、上気道にわたる圧力差が増加するにつれて、流量のレベルが僅かにしか増加しないか又は減少する場合さえある（スターリングレジスタ挙動）流量制限の状態に関連付けることができる。
６．４ ＰＡＰデバイスパラメータ
流量率とは、単位時間当たりに配送される空気の瞬時体積（又は質量）である。流量率及び換気量は、単位時間当たりの体積又は質量という同じ次元を有するが、流量率は、はるかに短い時間期間にわたって測定される。流量は、患者の呼吸サイクルの吸気部分の間は名目的に正とすることができ、したがって、患者の呼吸サイクルの呼気部分の間は負とすることができる。幾つかの場合には、流量率というときは、スカラー量、すなわち、大きさのみを有する量を指す。他の場合には、流量率というときは、ベクトル量、すなわち、大きさ及び方向の双方を有する量を指す。流量には、シンボルＱが与えられる。総流量Ｑｔは、ＰＡＰデバイスを出て行く空気の流量である。通気孔流量Ｑｖは、吐き出されたガスのウォッシュアウトを可能にする通気孔を出て行く空気の流量である。漏れ流量Ｑｌは、患者インタフェースシステムからの意図的でない漏れの流量率である。呼吸流量Ｑｒは、患者の呼吸器系内に受け入れられる空気の流量である。
好ましくは、漏れという言葉は、周囲への空気の流れであると解釈される。漏れは、例えば吐き出されたＣＯ２のウォッシュアウトを可能にするために意図的である場合がある。漏れは、例えば、マスクと患者の顔との間の不完全なシールの結果として意図的でない場合がある。
圧力とは、単位面積当たりの力である。圧力は、ｃｍＨ２Ｏ、ｇ−ｆ／ｃｍ２、ヘクトパスカルを含む様々な単位で測定することができる。１ｃｍＨ２Ｏは、１ｇ−ｆ／ｃｍ２に等しく、ほぼ０．９８ヘクトパスカルである。この明細書では、別段の明示がない限り、圧力はｃｍＨ２Ｏの単位で与えられる。ＯＳＡの経鼻ＣＰＡＰ治療の場合、治療圧というときは、約４ｃｍＨ２Ｏ〜２０ｃｍＨ２Ｏ又は約４ｃｍＨ２Ｏ〜３０ｃｍＨ２Ｏの範囲の圧力を指す。患者インタフェースにおける圧力には、シンボルＰｍが与えられる。
６．５ 呼吸器系の解剖学
横隔膜とは、胸郭の底部にわたって延在する筋層である。横隔膜は、心臓、肺、及び肋骨を収容する胸腔を腹腔から隔てている。横隔膜が収縮するにつれて、胸腔の体積が増加し、空気が肺に引き込まれる。
喉頭又は発声器（voice box）は、声帯を収容し、咽頭の下部分（下咽頭）を気管と接続する。
肺は、人間の呼吸器官である。肺の気道部（conducting zone）は、気管、気管支、細気管支、及び終末細気管支を含む。呼吸域は、呼吸細気管支、肺胞管、及び肺胞を含む。
鼻腔（又は鼻窩）は、顔の中央において鼻の上部及び背後の空気で満たされた大きな空間である。鼻腔は、鼻中隔と呼ばれる垂直のひれによって２つに分割されている。鼻腔の両側には、鼻甲介又は鼻介骨と呼ばれる３つの水平の伸び出たもの（outgrowths）がある。鼻腔の前方には鼻がある一方、後方は、後鼻孔を経由して鼻咽頭に融合している。
咽頭とは、鼻腔の直ぐ下（下部）でかつ食道及び喉頭の上に位置する咽喉の部分である。咽頭は、慣習的に３つの区域、すなわち、鼻咽頭（上咽頭）（咽頭の鼻部分）、咽頭口腔部（中咽頭）（咽頭の口腔部分）、及び喉頭咽頭（下咽頭）に分割される。
７ 他の特記事項
本特許文書の開示内容の一部分は、著作権保護を受けるマテリアルを含んでいる。著作権者は、本特許文書又は特許開示内容が特許商標庁の包袋又は記録に現われているときは、いかなる者によるこの特許文書又は特許開示内容の複製に対しても異議を有しないが、それ以外については、いかなる著作権も全てこれを留保する。
文脈が明らかに別段の規定をしていない限り、値の範囲が提供されている場合には、下限の単位の１０分の１まで、その範囲の上限と下限との間にある各値、及びその明示された範囲にある他の任意の明示された値又は間にある値が、本技術の範囲内に包含されることが理解される。これらの間にある範囲の上限及び下限は、当該間にある範囲に独立して含まれる場合があり、これらも、本技術の範囲内に包含され、明示された範囲内で任意の明確に除外された制限に従う。明示された範囲がこれらの上限及び下限の一方又は双方を含む場合、それらの含まれる上限及び下限の一方又は双方を除外した範囲も本技術に含まれる。
さらに、単数又は複数の値が、本技術の一部分として実施されるものとして本明細書に明示されている場合、そのような値は、別段の明示がない限り、近似することができ、そのような値は、実際の技術的な実施態様が可能とすることができるか又は必要とする場合がある程度まで任意の好適な有効桁で利用することができることが理解される。
別段の定義がない限り、本明細書に用いられる全ての科学技術用語は、この技術が属する技術分野の当業者によって一般に理解されているものと同じ意味を有する。本明細書に記載された方法及びマテリアルと類似の又は等価ないずれの方法及びマテリアルも、本技術の実践又は試験において用いることができるが、限られた数の例示の方法及びマテリアルが本明細書に記載されている。
特定のマテリアルが、構成要素の構築に用いられることが好ましいと特定されたとき、同様の性質を有する明らかな代替のマテリアルを代替物として用いることができる。さらに、本明細書に記載したありとあらゆる構成要素は、逆のことが明記されていない限り、製造することが可能であると理解され、したがって、合わせて又は別々に製造することができる。
数が特定されていないものは、本明細書及び添付の特許請求の範囲において用いられるとき、文脈が明らかに別段の規定をしていない限り、単数及び複数の等価なものを含むことに留意しなければならない。
本明細書で言及した全ての刊行物は、それらの刊行物の主題である方法及び／又はマテリアルを開示及び記載しているように引用することによって本明細書の一部をなすものとする。本明細書において論述した刊行物は、本出願の出願日前のそれらの開示内容についてのみ提供される。本明細書におけるいかなるものについても、本技術が先行発明によるそのような刊行物に先行する権利がないことを認めるものと解釈されるべきではない。さらに、提供される刊行物の日付は、実際の公開日とは異なる場合があり、実際の公開日は、別個に確認することが必要な場合がある。
その上、開示内容を解釈する際に、全ての用語は、文脈と一貫性のある最も広い合理的な方法で解釈されるべきである。特に、「備える」及び「含む」（“comprises” and “comprising”）という用語は、非排他的な方法で要素、構成要素、又はステップを指すものと解釈されるべきであり、参照される要素、構成要素、又はステップが存在することができること、利用することができること、又は明確に参照されない他の要素、構成要素、若しくはステップと組合せることができることを示す。
詳細な説明において用いられた見出し語は、読み手の参照を容易にするためにのみ含まれており、本開示又は特許請求の範囲全体を通じて見られる主題を限定するために用いられるべきではない。これらの見出し語は、特許請求の範囲の範囲又は特許請求の範囲の限定事項を解釈する際に用いられるべきではない。
特定の実施形態を参照して本明細書における技術を説明してきたが、これらの実施形態は、本技術の原理及び適用の単なる例示にすぎないことが理解されるべきである。幾つかの場合には、術語及びシンボルは、本技術を実施するのに必要とされない特定の詳細を意味している場合がある。例えば、「第１」及び「第２」という用語が用いられる場合があるが、別段の指定がない限り、それらは、何らかの順序を示すことを意図するものではなく、異なる要素を区別するのに利用される場合がある。さらに、上記方法論におけるプロセスステップは、或る順序で説明又は図示される場合があるが、そのような順序付けは必須ではない。当業者であれば、そのような順序付けを変更することができ、及び／又はそれらの態様を同時に行うこともできるし、同期して行うこともできることを認識するであろう。
したがって、本技術の趣旨及び範囲から逸脱することなく、非常に多くの変更を例示の実施形態に行うことができ、他のアレンジを考案することができることが理解されるべできである。
１０００ 患者
１２００ センサユニット
３０００ 患者インタフェース
４０００ ＰＡＰデバイス
４０１０ 外部ハウジング
４０１２ 上側部分
４０１４ 下側部分
４０１５ パネル
４０１６ シャーシ
４０１８ 取っ手
４０２０ 空気圧ブロック
４１００ 空気圧構成要素
４１７０ 空気回路
４２００ 電気構成要素
４３００ プロセス
５０００ 加湿器
５１１０ 貯水器
５１２０ 加熱板
７０００ 装置
７００１ マイクロコントローラユニット（ＭＣＵ）
７００２ メモリ
７００３ 運動信号
７００３ａ Ｉ信号
７００３ｂ Ｑ信号
７００４ 通信回路要素
７００５ 外部コンピューティングデバイス
７００６ プロセッサ
７００８ 接続
７０１０ 非接触式動きセンサ
７０１５ ディスプレイデバイス
７０１７ オーディオ出力
７０２０ 送信機
７０３０ 受信機
７０４０ ローカル発振器
７０５０ アンテナ
７０６０ 信号
７０７０ 信号
７０８０ 混合器
７１００ 方法
７１１０ 第一のステップ
７１２０ ステップ
７１３０ ステップ
７１４０ ステップ
７１４５ 破線矢印
７１５０ ステップ
７１６０ ステップ
７１７０ ステップ
７１７５ 破線矢印
７１７８ 破線矢印
７１８０ ステップ
７２００ 方法
７２１０ ステップ
７２２０ ステップ
７２３０ ステップ
７３００ 予測する方法
７３１０ ステップ
７３２０ ステップ
７３３０ ステップ
７４００ ブロック図
７４１０ モジュール
７４２０ 存在／非存在検出モジュール
７４３０ 睡眠／覚醒分析モジュール
７４４０ 呼吸数推定モジュール
７４５０ 信号選択モジュール
７４５５ 変調サイクルメトリック計算モジュール
７４６０ 包絡線発生モジュール
７４６５ ＳＤＢ事象検出モジュール
７４７０ ＳＤＢ事象確認モジュール
７４８０ 特徴計算モジュール
７５００ ブロック図
７５１０ 運動検出モジュール
７５２０ 存在／非存在検出モジュール
７５３０ 睡眠／覚醒分析モジュール
７５４０ 呼吸数推定モジュール
７５５０ａ 信号選択モジュール
７５５０ｂ 信号選択モジュール
７５５５ 変調サイクルメトリック計算モジュール
７５６０ａ 包絡線発生モジュール
７５６０ｂ 包絡線発生モジュール
７５６５ａ ＳＤＢ事象検出モジュール
７５６５ｂ ＳＤＢ事象検出モジュール
７５７０ａ ＳＤＢ事象確認モジュール
７５７０ｂ ＳＤＢ事象確認モジュール
７５８０ 特徴計算モジュール
７９００ 方法
７９１０ ステップ
７９２０ ステップ
７９３０ ステップ
７９４０ ステップ
（付録Ａ）
ｋは−ＣＬ／２〜ＣＬ／２の範囲にある。
テンプレート１：
Figure 2015522314
 ここで、β＝６０００。
テンプレート２：
Figure 2015522314
 テンプレート３：
Figure 2015522314
（付録Ｂ）
//セッションにわたって各特徴についての四分位間範囲の統計量を抽出する
Figure 2015522314
 //各候補ＳＤＢ事象用の各特徴について統計量をバッチプロセスする
//検出される事象について論理インデックスベクトルを生成する（１はこのＳＤＢ事象が確認されていることを意味し、０はそうでないことを意味する）
Figure 2015522314
 //そのＤＯＦ値が０．９未満である事象、すなわち、非ノイズ又は非スパイク様事象を維持する
Figure 2015522314
 //ルール１：非常に高いＡＨＩ値を有する患者は、非ゼロ値のｙ０５Ｋを有する傾向があり、他の場合、ｙ０５Ｋは常にゼロである。
Figure 2015522314
 //ルール２：非常に低いＡＨＩ値を有する患者は、ゼロ値のｙ０５Ｋ、ｙ２５Ｋ、及びｙ５０Ｋを有する傾向があり、他の場合、これらの値は全てゼロでない。
Figure 2015522314
 //ＳＤＢ事象がＫ＜２４の状態であるが非ゼロであることを確認しようと試みる
Figure 2015522314
 //ルールの残りは、中間ＡＨＩ値を有する患者に的を絞る。
//ルール３：ＡＨＩ＜１０である患者に主に的を絞る：ここでは範囲が小さいはずであるため、Ｋ≧１２である事象を除去する
Figure 2015522314
 //ルール４：ＡＨＩ＜２０である患者に主に的を絞る
Figure 2015522314
 //ルール５：ＡＨＩ＜３０である患者に主に的を絞る
Figure 2015522314
 //ルール６：ＡＨＩ＜５０である患者に主に的を絞り、ここでは、ＡＨＩ≧５からＡＨＩ≦５０まで変動する広い範囲が予想される。
Figure 2015522314
 //ルール７：主に、ＡＨＩ＞３０かつＡＨＩ＜６０である患者について
Figure 2015522314
 //ルール８：上記でカバーされない任意の他の状況をカバーする
Figure 2015522314
 //ルール９：不規則性因子の範囲をカバーする
Figure 2015522314
（付録Ｃ）
//各特徴について四分位間範囲記述子を抽出する
Figure 2015522314
 //確認されるＳＤＢ事象について論理インデックスベクトルを生成する（１は、この事象がＣＳＲ事象としてマーク付けされていることを意味し、０はそうでないことを意味する）
Figure 2015522314

Claims (91)

  1. 心肺健康状態モニタリング装置であって、
    モニタリングセッション中に患者の身体的運動を示す１つ以上の運動信号を生成するように構成される非接触式動きセンサと、
    プロセッサと、
    前記プロセッサに、前記１つ以上の運動信号を処理する手順を実施させるように構成されるプログラム命令を記憶するメモリと
    を備えてなり、
    前記手順は、
    前記１つ以上の運動信号から１つ以上の睡眠呼吸障害特徴を抽出し、
    前記１つ以上の睡眠呼吸障害特徴に基づいて所定の予測範囲中に臨床事象が起こる可能性があるかどうかを予測することを含む、心肺健康状態モニタリング装置。
  2. 前記非接触式動きセンサ、前記プロセッサ、及び前記メモリは、非接触式センサユニットの一部を形成する、請求項１に記載の心肺健康状態モニタリング装置。
  3. 前記プロセッサ及び前記メモリは、前記非接触式動きセンサの外部にあるコンピューティングデバイスの一部を形成する、請求項１に記載の心肺健康状態モニタリング装置。
  4. 前記手順は、前記予測に応じて外部コンピューティングデバイスに警報メッセージを送信することを更に含む、請求項２に記載の心肺健康状態モニタリング装置。
  5. ディスプレイを更に備え、前記手順は、前記予測に応じて警報メッセージを前記ディスプレイ上に表示することを更に含む、請求項１〜４のいずれか１項に記載の心肺健康状態モニタリング装置。
  6. オーディオ出力を更に備え、前記手順は、前記予測に応じて前記オーディオ出力によって警告音を生成することを更に含む、請求項１〜５のいずれか１項に記載の心肺健康状態モニタリング装置。
  7. 前記非接触式動きセンサは、無線周波数動きセンサである、請求項１〜６のいずれか１項に記載の心肺健康状態モニタリング装置。
  8. 前記無線周波数動きセンサは、互いに直交位相状態にあるそれぞれの送信無線周波数信号に基づいて２つの運動信号を生成するように構成される、請求項７に記載の心肺健康状態モニタリング装置。
  9. 前記手順は、前記抽出する前に、組合せ型の運動信号になるよう前記２つの運動信号を組合せることを含む、請求項８に記載の心肺健康状態モニタリング装置。
  10. 前記手順は、前記予測する前に、各運動信号から抽出される前記睡眠呼吸障害特徴を組合せることを含む、請求項８に記載の心肺健康状態モニタリング装置。
  11. 前記プロセッサは、接触式動きセンサから取得される１つ以上の運動信号から前記特徴を抽出するように更に構成される、請求項１〜１０のいずれか１項に記載の心肺健康状態モニタリング装置。
  12. 前記プロセッサは、非動きセンサから取得される前記患者の心肺健康状態に関連するデータから前記特徴を抽出するように更に構成される、請求項１〜１１のいずれか１項に記載の心肺健康状態モニタリング装置。
  13. 心肺健康状態モニタリング装置であって、
    患者の心肺健康状態に関連するデータを生成するように適合される少なくとも１つのセンサと、
    ディスプレイと、
    前記少なくとも１つのセンサに結合されるコントローラと
    を備えてなり、
    該コントローラは、
    １つ以上のモニタリングセッション中に前記センサデータを分析し、
    前記分析に基づいて、応答するよう前記患者を促すように構成される少なくとも１つのクエリの前記ディスプレイ上への生成をトリガし、
    前記コントローラに入力される、前記クエリに対する患者の応答に基づいて臨床的警報の生成をトリガする
    ように構成されている、心肺健康状態モニタリング装置。
  14. 質問のデータ構造を含むメモリを更に備え、各質問は、前記少なくとも１つの呼吸パラメータの検出可能な条件に関連する、請求項１３に記載の心肺健康状態モニタリング装置。
  15. 前記質問は、服薬遵守を扱う、請求項１４に記載の心肺健康状態モニタリング装置。
  16. 前記質問は、食事遵守を扱う、請求項１４に記載の心肺健康状態モニタリング装置。
  17. 前記コントローラは、前記呼吸パラメータの検出条件に応答して第１の質問を選択し、前記第１の質問に対する応答に基づいて、臨床的警報を生成する前に、後続のモニタリングセッションにおいて前記少なくとも１つの呼吸パラメータを分析し続けるように更に構成される、請求項１４〜１６のいずれか１項に記載の心肺健康状態モニタリング装置。
  18. 前記コントローラは、前記後続のモニタリングセッションに続いて前記臨床的警報の生成をトリガするように更に構成され、前記臨床的警報の生成は、前記コントローラによって生成される第２の質問に対する患者の応答に基づく、請求項１７に記載の心肺健康状態モニタリング装置。
  19. 前記コントローラは、前記少なくとも１つのクエリに対する患者の応答に基づいて、患者インタフェースに対する呼吸可能なガスの流れを生成するように構成されるＰＡＰデバイスの処置制御パラメータを調整するように更に構成される、請求項１３〜１８のいずれか１項に記載の心肺健康状態モニタリング装置。
  20. 前記臨床的警報の生成をトリガすることは、前記ディスプレイ上に警告を表示することを含む、請求項１３〜１９のいずれか１項に記載の心肺健康状態モニタリング装置。
  21. 通信デバイスを更に備え、前記臨床的警報の生成をトリガすることは、前記通信デバイスから電子メッセージを送信することを更に含む、請求項１３〜２０のいずれか１項に記載の心肺健康状態モニタリング装置。
  22. 前記分析は、前記データから前記患者の前記心肺健康状態に関連する特徴を抽出することを含む、請求項１３〜２１のいずれか１項に記載の心肺健康状態モニタリング装置。
  23. 前記データは前記患者の運動を示す運動信号であり、前記特徴は睡眠呼吸障害特徴である、請求項２２に記載の心肺健康状態モニタリング装置。
  24. 前記分析は、前記抽出された特徴に基づいて所定の予測範囲内に臨床事象が起こる可能性があるかどうかを予測することを更に含む、請求項２３に記載の心肺健康状態モニタリング装置。
  25. 心肺健康状態モニタリング装置であって、
    患者の心肺健康状態に関連するデータを生成するように適合される少なくとも１つのセンサと、
    前記少なくとも１つのセンサに結合されるコントローラと
    を備えてなり、
    該コントローラは、
    １つ以上のモニタリングセッション中に前記データから少なくとも１つの呼吸パラメータを測定し、
    前記少なくとも１つの呼吸パラメータを分析し、
    前記予測に基づいて再発可能性警報を生成する
    ように構成されている、心肺健康状態モニタリング装置。
  26. 前記少なくとも１つの呼吸パラメータは呼吸数を含む、請求項２５に記載の心肺健康状態モニタリング装置。
  27. 前記少なくとも１つの呼吸パラメータは換気の測定値を含む、請求項２５に記載の心肺健康状態モニタリング装置。
  28. 前記少なくとも１つの呼吸パラメータの前記分析は、前記１つ以上のモニタリングセッションにわたる前記少なくとも１つの呼吸パラメータの変化についての評価を含む、請求項２５〜２７のいずれか１項に記載の心肺健康状態モニタリング装置。
  29. 前記少なくとも１つの呼吸パラメータの前記分析は、再発が起こる確率を計算することを含む、請求項２５〜２８のいずれか１項に記載の心肺健康状態モニタリング装置。
  30. 前記少なくとも１つの呼吸パラメータの前記分析は、ブール値再発可能性の指標を計算することを含む、請求項２５〜２８のいずれか１項に記載の心肺健康状態モニタリング装置。
  31. 前記計算することは、前記１つ以上の呼吸パラメータの変化とそれぞれの閾値との比較を含む、請求項３０に記載の心肺健康状態モニタリング装置。
  32. 前記再発可能性警報を生成することは、ディスプレイ上で前記再発可能性警報を表示することを含む、請求項２５〜３１のいずれか１項に記載の心肺健康状態モニタリング装置。
  33. 前記再発可能性警報を生成することは、該装置のユーザに前記再発可能性警報を送信することを含む、請求項２５〜３２のいずれか１項に記載の心肺健康状態モニタリング装置。
  34. 前記データは前記患者の運動を示す運動信号であり、前記呼吸パラメータは睡眠呼吸障害特徴である、請求項２５〜３３のいずれか１項に記載の心肺健康状態モニタリング装置。
  35. 心肺健康状態モニタリング装置であって、
    患者の身体的運動を示す１つ以上の運動信号を生成するように構成される非接触式動きセンサを備える非接触式センサユニットと、
    プロセッサと、
    前記プロセッサに、前記１つ以上の運動信号を処理する手順を実施させるように構成されるプログラム命令を記憶するメモリと
    を備えてなり、
    前記手順は、
    モニタリングセッションにわたって、前記１つ以上の運動信号から、１つ以上の睡眠呼吸障害特徴であって、前記モニタリングセッション中の、前記患者による睡眠呼吸障害の重篤度を示す、１つ以上の睡眠呼吸障害特徴を抽出することを含む、心肺健康状態モニタリング装置。
  36. 前記手順は、前記抽出された睡眠呼吸障害特徴に応じて外部コンピューティングデバイスに警報メッセージを送信することを更に含む、請求項３５に記載の心肺健康状態モニタリング装置。
  37. 前記手順は、前記抽出された睡眠呼吸障害特徴に応じてディスプレイに警報メッセージを表示することを更に含む、請求項３５又は３６に記載の心肺健康状態モニタリング装置。
  38. オーディオ出力を更に備え、前記手順は、前記抽出された睡眠呼吸障害特徴に応じて前記オーディオ出力によって警告音を生成することを更に含む、請求項３５〜３７のいずれか１項に記載の心肺健康状態モニタリング装置。
  39. 前記１つ以上の睡眠呼吸障害特徴は、
    無呼吸／低呼吸指数と、
    前記総睡眠時間と、
    前記総睡眠時間に対するチェーンストークス呼吸事象の総継続時間の比と、
    前記モニタリングセッションの継続時間に対するチェーンストークス呼吸事象の総継続時間の比と
    からなる群からの複数の特徴を含む、請求項３５〜３８のいずれか１項に記載の心肺健康状態モニタリング装置。
  40. 患者の心肺健康状態をモニタリングする方法であって、
    前記患者の身体的運動を示す１つ以上の運動信号から、１つ以上の睡眠呼吸障害（ＳＤＢ）特徴を抽出するステップであって、該運動信号は、少なくとも１つのモニタリングセッション中に前記患者に向けられた非接触式動きセンサによって生成される、抽出するステップと、
    前記１つ以上のＳＤＢ特徴に基づいて所定の予測範囲中に臨床事象が起こる可能性があるかどうかを予測するステップと
    を含んでなる、患者の心肺健康状態をモニタリングする方法。
  41. 前記抽出するステップは、
    前記運動信号の睡眠及び呼吸セクションを選択し、
    前記睡眠及び呼吸セクション内でＳＤＢ事象を検出し、
    前記検出されたＳＤＢ事象からＳＤＢ特徴を計算する
    ことを含む、請求項４０に記載の方法。
  42. 前記抽出するステップは、前記運動信号を最初に前処理することを含む、請求項４１に記載の方法。
  43. 前記運動信号の数は２つであり、前記前処理するステップは、前記２つの運動信号を最初に組合せることを含む、請求項４２に記載の方法。
  44. 前記組合せるステップは、
    各運動信号の平均を除去し、
    各運動信号の最小値を計算し、
    各サンプルにおける成分が、前記それぞれの運動信号の、それぞれの最小値からの距離である、サンプルベクトルの長さを計算し、
    各サンプルにおいて前記長さの平均を除去する
    ことを含む、請求項４３に記載の方法。
  45. 前記前処理するステップは、各運動信号をトレンド除去することを含む、請求項４２〜４４のいずれか１項に記載の方法。
  46. 前記選択するステップは、良好な品質の睡眠及び呼吸セクションを選択することを更に含む、請求項４１〜４５のいずれか１項に記載の方法。
  47. 良好な品質のセクションは、当該セクションにわたる前記運動信号についての良度指数が該セクションについてのノイズ閾値を超えるセクションを含む、請求項４６に記載の方法。
  48. 前記良度指数は、前記セクションにわたる前記運動信号の２乗平均平方根（ＲＭＳ）である、請求項４７に記載の方法。
  49. 前記良度指数は、前記セクションにわたる前記運動信号のＲＭＳ値の分布の７５パーセンタイルである、請求項４７に記載の方法。
  50. 前記セクションについての前記ノイズ閾値は、前記動きセンサについての最大ノイズ値及び前記セクションにわたる前記運動信号の前記ＲＭＳ値の分布のパーセンタイルの小さい方である、請求項４７〜４９のいずれか１項に記載の方法。
  51. 睡眠及び呼吸セクションは、当該セクション中に、前記患者は眠っていて、著しい身体的運動を行わなかったセクションを含む、請求項４１〜５０のいずれか１項に記載の方法。
  52. 前記患者が眠っていたセクションは、前記患者が存在するエポックを含み、前記エポック内の前記運動信号の波形の長さの値が閾値より小さい、請求項５１に記載の方法。
  53. 前記患者が眠っていたセクションは、眠っているとしてＬＤＡ分類子によってラベル付けされるエポックを含み、前記ＬＤＡ分類子は、前記エポックについての活動カウント系列及び運動フラグ系列に基づいて各エポックをラベル付けするように構成される、請求項５１に記載の方法。
  54. 前記活動カウント系列は、前記エポック内の１つ以上の間隔にわたって前記運動信号の包絡線を積分することによって取得される、請求項５３に記載の方法。
  55. 前記患者が眠っており、著しい身体的運動を行わなかったセクションは、前記患者が眠っており、著しい身体的運動を示す運動フラグ系列が偽りであるセクションを含む、請求項５１〜５４のいずれか１項に記載の方法。
  56. 前記運動フラグ系列は、
    前記運動信号の各サンプルについてノイズ特徴、相関特徴、及びパワー特徴を計算し、
    前記サンプルについての前記ノイズ特徴が高い閾値を超え、対応する前記相関特徴及びパワー特徴が低い閾値より低い場合には、各サンプルについての運動フラグを真に設定し、そうでなければ、前記運動フラグを偽に設定する
    ことによって取得される、請求項５３〜５５のいずれか１項に記載の方法。
  57. 前記患者が眠っており、著しい身体的運動を行わなかったセクションは、エポックであって、該エポック中に前記患者が眠っており、該エポック内の前記運動信号の分散が、前記モニタリングセッションについての閾値を超えるエポックを含む、請求項５１〜５６のいずれか１項に記載の方法。
  58. 前記患者が存在するエポックは、該エポック内の前記運動信号の２乗平均平方根の値が、ノイズのみの閾値を超えるエポックである、請求項５２に記載の方法。
  59. ＳＤＢ事象を検出するステップは、
    前記運動信号の選択された各セクションの呼吸努力包絡線を１つ以上の呼吸努力テンプレートと相関付けることによって相関特徴を計算し、
    前記相関特徴が、ある継続時間の間、第２の閾値より大きい第１の閾値を超えるときはいつでも、ＳＤＢ事象を検出する
    ことを含む、請求項４１〜５８のいずれか１項に記載の方法。
  60. 前記相関特徴は、前記呼吸努力テンプレートにわたる前記相関値の最大値である、請求項５９に記載の方法。
  61. 前記呼吸努力テンプレートは、それぞれの一般的なテンプレートであり、該一般的なテンプレートの継続時間は、前記モニタリングセッションにわたって前記患者について推定される平均呼吸調節サイクル長によってスケーリングされる、請求項５９又は６０に記載の方法。
  62. 前記呼吸調節サイクル長は、前記選択されたセクション内の１つ以上のマクロエポックにわたって計算される前記呼吸努力包絡線のパワースペクトル密度のピーク周波数の逆数の重み付き平均として推定される、請求項６１に記載の方法。
  63. 前記重み付けは、前記それぞれのピークの高さに依存する、請求項６２に記載の方法。
  64. ＳＤＢ事象を検出するステップは、
    主ウィンドウにわたって、選択された各セクションの呼吸努力包絡線の平均値を計算し、
    前記主ウィンドウを囲む２つのウィンドウにわたる前記平均呼吸努力包絡線値としてベースラインを計算し、
    前記主ウィンドウにわたる前記平均呼吸努力包絡線値が、前記計算されたベースラインに関して無呼吸基準又は低呼吸基準を満たす場合に前記ＳＤＢ事象を検出し、
    を含む、請求項４１〜６３のいずれか１項に記載の方法。
  65. 検出される各ＳＤＢ事象を有効ＳＤＢ事象として確認することステップを更に含む、請求項４１〜６４のいずれか１項に記載の方法。
  66. 前記確認するステップは、検出される各事象に対応する呼吸努力包絡線の最小値に隣接する低呼吸セクションが、最小値より大きい継続時間を有することを検証することを含む、請求項６５に記載の方法。
  67. 前記確認するステップは、前記呼吸努力包絡線が、前記患者について調節サイクル長の１／５より長い時間の間、低呼吸閾値未満に下がることを検証することを更に含む、請求項６６に記載の方法。
  68. 前記確認するステップは、
    各候補ＳＤＢ事象に対応する前記運動信号から１つ以上の特徴を計算し、
    検出される各ＳＤＢ事象を確認するかどうかを判定するために、前記１つ以上の計算された特徴にルールベース推論エンジンを適用する
    ことを含む、請求項６５に記載の方法。
  69. 前記呼吸努力包絡線は、実数部が前記選択されるセクションの前記運動信号であり、虚数部が前記セクションの前記運動信号のヒルベルト変換である、複素数値信号のモデュラスをローパスフィルタリングすることによって前記選択されるセクションについて計算される、請求項５９、６４、６６のいずれか１項に記載の方法。
  70. 前記呼吸努力包絡線は、前記選択されるセクションの前記運動信号のヒルベルト変換の経験的モード分解として前記選択されるセクションについて計算される、請求項５９、６４、６６のいずれか１項に記載の方法。
  71. 前記呼吸努力包絡線は、前記選択されるセクションの前記運動信号にダブルマックス及びホールドフィルタを適用して、正の包絡線及び負の包絡線を計算し、前記正の包絡線から前記負の包絡線を減算することによって、前記選択されるセクションについて計算される、請求項５９、６４、６６のいずれか１項に記載の方法。
  72. 前記計算するステップは、前記モニタリングセッションの間に、前記検出されるＳＤＢ事象の統計量を計算することを含む、請求項４１〜７１のいずれか１項に記載の方法。
  73. 前記計算するステップは、前記モニタリングセッションの複数のサブセッションのそれぞれの間に、前記検出されるＳＤＢ事象の前記統計量を計算することを更に含む、請求項７２に記載の方法。
  74. 前記サブセッションは、前記モニタリングセッションの主睡眠期間の半分である、請求項７３に記載の方法。
  75. 前記サブセッションは、前記モニタリングセッションの四分位数である、請求項７３に記載の方法。
  76. 前記計算するステップは、複数のモニタリングセッションについて前記検出されるＳＤＢ事象の統計量を計算することを含む、請求項７２〜７５のいずれか１項に記載の方法。
  77. 前記計算するステップは、前記モニタリングセッションに先行するとともに前記モニタリングセッションを含む複数のモニタリングセッションを含むスライディングウィンドウにわたって、前記計算されるＳＤＢ特徴を、ゼロ平均及び１標準偏差に正規化することを更に含む、請求項７２〜７６のいずれか１項に記載の方法。
  78. 前記スライディングウィンドウは、前記モニタリングセッションに先行するとともに前記モニタリングセッションを含む全てのモニタリングセッションを含む、請求項７７に記載の方法。
  79. 前記予測するステップは、前記ＳＤＢ特徴を「事象未発生」クラス又は「事象発生」クラスに分類する分類子を適用することを含む、請求項４０〜７８のいずれか１項に記載の方法。
  80. 前記分類子は、線形判別分析分類子である、請求項７９に記載の方法。
  81. 前記分類子は、前記ＳＤＢ特徴の１つ以上の主成分に適用される、請求項７９に記載の方法。
  82. 前記予測するステップは、前記ＳＤＢ特徴の１つ以上の主成分に発見的ルールを適用することを含む、請求項４０〜７８のいずれか１項に記載の方法。
  83. 前記予測に基づいて、応答するよう前記患者を促すように構成される少なくとも１つのクエリのディスプレイ上への生成をトリガするステップと、
    前記クエリに対する前記患者の応答に基づいて臨床的警報の生成をトリガするステップと
    を更に含む、請求項４０〜８２のいずれか１項に記載の方法。
  84. 前記予測に基づいて、再発可能性警報を生成するステップを更に含む、請求項４０〜８２のいずれか１項に記載の方法。
  85. 患者の心肺健康状態をモニタリングする方法であって、
    前記患者の前記心肺健康状態に関連するデータを分析するステップと、
    前記分析に基づいて、応答するよう前記患者を促すように構成される少なくとも１つのクエリのディスプレイ上への生成をトリガするステップと、
    前記クエリに対する患者の応答に基づいて臨床的警報の生成をトリガするステップと
    を含んでなる、患者の心肺健康状態をモニタリングする方法。
  86. 患者の心肺健康状態をモニタリングする方法であって、
    １つ以上のモニタリングセッション中に前記患者の前記心肺健康状態に関連するデータから少なくとも１つの呼吸パラメータを測定するステップと、
    前記少なくとも１つの呼吸パラメータを分析するステップと、
    前記少なくとも１つの呼吸パラメータの前記分析に基づいて再発可能性警報を生成するステップと
    を含んでなる、患者の心肺健康状態をモニタリングする方法。
  87. 患者の心肺健康状態をモニタリングする方法であって、
    前記患者の身体的運動を示す１つ以上の運動信号から１つ以上の睡眠障害特徴を抽出するステップを含み、該運動信号は、少なくとも１つのモニタリングセッション中に前記患者に向けられた非接触式動きセンサによって生成され、前記睡眠呼吸障害特徴は、前記モニタリングセッション中の、前記患者による睡眠呼吸障害の重篤度を示すものである、患者の心肺健康状態をモニタリングする方法。
  88. 患者の心肺健康状態をモニタリングする手順をプロセッサに実行させるように構成されるプログラム命令を記憶するコンピュータ可読媒体であって、
    前記患者の身体的運動を示す１つ以上の運動信号から、１つ以上の睡眠呼吸障害（ＳＤＢ）特徴を抽出する手順であって、前記運動信号は、少なくとも１つのモニタリングセッション中に前記患者に向けられた非接触式動きセンサによって生成される、抽出する手順と、
    前記１つ以上のＳＤＢ特徴に基づいて所定の予測範囲中に臨床事象が起こる可能性があるかどうかを予測する手順と
    を前記プロセッサに実行させることを含む、コンピュータ可読媒体。
  89. 患者の心肺健康状態をモニタリングする手順をプロセッサに実行させるように構成されるプログラム命令を記憶するコンピュータ可読媒体であって、
    前記患者の前記心肺健康状態に関連するデータを分析する手順と、
    前記分析に基づいて、応答するよう前記患者を促すように構成される少なくとも１つのクエリのディスプレイ上への生成をトリガする手順と、
    前記クエリに対する患者の応答に基づいて臨床的警報の生成をトリガする手順と
    を前記プロセッサに実行させることを含む、コンピュータ可読媒体。
  90. 患者の心肺健康状態をモニタリングする手順をプロセッサに実行させるように構成されるプログラム命令を記憶するコンピュータ可読媒体であって、
    １つ以上のモニタリングセッション中に前記患者の前記心肺健康状態に関連するデータから少なくとも１つの呼吸パラメータを測定する手順と、
    前記少なくとも１つの呼吸パラメータを分析する手順と、
    前記少なくとも１つの呼吸パラメータの前記分析に基づいて再発可能性警報を生成する手順と
    を前記プロセッサに実行させることを含む、コンピュータ可読媒体。
  91. 患者の心肺健康状態をモニタリングする手順をプロセッサに実行させるように構成されるプログラム命令を記憶するコンピュータ可読媒体であって、
    前記患者の身体的運動を示す１つ以上の運動信号から１つ以上の睡眠呼吸障害特徴を抽出する手順を含み、前記運動信号は、少なくとも１つのモニタリングセッション中に前記患者に向けられた非接触式動きセンサによって生成され、前記睡眠呼吸障害特徴は、前記モニタリングセッション中の、前記患者による睡眠呼吸障害の重篤度を示すものである、コンピュータ可読媒体。
JP2015514289A 2012-05-30 2013-05-30 心肺健康状態をモニタリングする方法及び装置 Active JP6655991B2 (ja)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
IE20120254 2012-05-30
IE2012/0254 2012-05-30
AU2012902693 2012-06-26
AU2012902693A AU2012902693A0 (en) 2012-06-26 Methods and Apparatus for Monitoring and Treating Respiratory Insufficiency
AU2012905221 2012-11-30
AU2012905221A AU2012905221A0 (en) 2012-11-30 Method and Apparatus for the Detection and Treatment of Respiratory Disorders
AU2013901482 2013-04-29
AU2013901482A AU2013901482A0 (en) 2013-04-29 Method and apparatus for predicting cardio-pulmonary events
PCT/AU2013/000564 WO2013177621A1 (en) 2012-05-30 2013-05-30 Method and apparatus for monitoring cardio-pulmonary health

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2018092234A Division JP6787947B2 (ja) 2012-05-30 2018-05-11 心肺健康状態モニタリング装置及びコンピュータ可読媒体

Publications (3)

Publication Number Publication Date
JP2015522314A true JP2015522314A (ja) 2015-08-06
JP2015522314A5 JP2015522314A5 (ja) 2018-07-05
JP6655991B2 JP6655991B2 (ja) 2020-03-04

Family

ID=49672180

Family Applications (4)

Application Number Title Priority Date Filing Date
JP2015514289A Active JP6655991B2 (ja) 2012-05-30 2013-05-30 心肺健康状態をモニタリングする方法及び装置
JP2018092234A Active JP6787947B2 (ja) 2012-05-30 2018-05-11 心肺健康状態モニタリング装置及びコンピュータ可読媒体
JP2020180519A Active JP7273774B2 (ja) 2012-05-30 2020-10-28 心肺健康状態をモニタリングするシステム、システムの作動方法及びコンピュータ可読媒体
JP2023074413A Pending JP2023099124A (ja) 2012-05-30 2023-04-28 心肺健康状態をモニタリングするシステム、システムの作動方法及びコンピュータ可読媒体

Family Applications After (3)

Application Number Title Priority Date Filing Date
JP2018092234A Active JP6787947B2 (ja) 2012-05-30 2018-05-11 心肺健康状態モニタリング装置及びコンピュータ可読媒体
JP2020180519A Active JP7273774B2 (ja) 2012-05-30 2020-10-28 心肺健康状態をモニタリングするシステム、システムの作動方法及びコンピュータ可読媒体
JP2023074413A Pending JP2023099124A (ja) 2012-05-30 2023-04-28 心肺健康状態をモニタリングするシステム、システムの作動方法及びコンピュータ可読媒体

Country Status (6)

Country Link
US (3) US10426380B2 (ja)
EP (3) EP2854636B1 (ja)
JP (4) JP6655991B2 (ja)
CN (3) CN115813368A (ja)
AU (2) AU2013270443B2 (ja)
WO (1) WO2013177621A1 (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017212995A1 (ja) 2016-06-09 2017-12-14 コニカミノルタ株式会社 被監視者監視装置、該方法および該システム
KR20180009925A (ko) * 2016-07-20 2018-01-30 한국과학기술연구원 스마트 섬유를 이용한 카펫 시스템
JP2018187381A (ja) * 2017-04-28 2018-11-29 バイオセンス・ウエブスター・（イスラエル）・リミテッドＢｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ （Ｉｓｒａｅｌ）， Ｌｔｄ． 特徴検出用のフィルタを含むｅｃｇ機械
JP2018196763A (ja) * 2018-08-17 2018-12-13 パラマウントベッド株式会社 呼吸障害判定装置、呼吸障害判定方法及びプログラム
JP2019125319A (ja) * 2018-01-19 2019-07-25 富士通株式会社 学習プログラム、学習方法および学習装置
JP2020530377A (ja) * 2017-08-11 2020-10-22 レステック エス アール エルＲｅｓｔｅｃｈ Ｓ．Ｒ．Ｌ． 慢性閉塞性肺疾患の増悪を早期に識別する方法
JP2022507834A (ja) * 2018-11-19 2022-01-18 レスメッド センサー テクノロジーズ リミテッド 呼吸障害の検出のための方法および装置
JP2022518713A (ja) * 2019-01-29 2022-03-16 コーニンクレッカ フィリップス エヌ ヴェ 呼吸警報を発生させるための装置及びシステム
JP2022188307A (ja) * 2019-09-24 2022-12-20 カシオ計算機株式会社 特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラム
JP7507501B2 (ja) 2021-09-09 2024-06-28 ビットセンシング インコーポレイテッド レーダを利用して睡眠呼吸を分析する装置、方法及びコンピュータプログラム

Families Citing this family (112)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8437843B1 (en) 2006-06-16 2013-05-07 Cleveland Medical Devices Inc. EEG data acquisition system with novel features
US9202008B1 (en) * 2007-06-08 2015-12-01 Cleveland Medical Devices Inc. Method and device for sleep analysis
US10426399B1 (en) * 2007-06-08 2019-10-01 Cleveland Medial Devices Inc. Method and device for in-home sleep and signal analysis
US8826473B2 (en) 2011-07-19 2014-09-09 Hill-Rom Services, Inc. Moisture detection system
CN115813368A (zh) * 2012-05-30 2023-03-21 瑞思迈传感器技术有限公司 用于监控心肺健康的方法和设备
US10525219B2 (en) 2012-06-26 2020-01-07 Resmed Sensor Technologies Limited Methods and apparatus for monitoring and treating respiratory insufficiency
WO2015128842A1 (en) * 2014-02-27 2015-09-03 Technion Research & Development Foundation Ltd. Method device and system for monitoring sub-clincal progression and regression of heart failure
DE102014003542B4 (de) 2014-03-12 2021-09-30 Drägerwerk AG & Co. KGaA Verfahren und Vorrichtung zur Erzeugung eines Alarms während einer maschinellen Patientenbeatmung
US10980476B2 (en) * 2014-05-26 2021-04-20 Resmed Sensor Technologies Limited Methods and apparatus for monitoring chronic disease
US9931483B2 (en) * 2014-05-28 2018-04-03 Devilbiss Healtcare Llc Detection of periodic breathing during CPAP therapy
WO2016022823A2 (en) * 2014-08-07 2016-02-11 Board Of Regents Of The University Of Nebraska Systems and techniques for estimating the severity of chronic obstructive pulmonary disease in a patient
TWI549090B (zh) * 2014-08-29 2016-09-11 Portable sensing operation device
JP6676877B2 (ja) * 2015-03-09 2020-04-08 富士通株式会社 食事時間推定方法、食事時間推定装置及び食事時間推定プログラム
EP4364655A2 (en) * 2015-03-13 2024-05-08 ResMed Pty Ltd Respiratory therapy apparatus and method
CN104757967A (zh) * 2015-04-27 2015-07-08 张政波 心肺耦合反馈方法及其装置
EP3294115B1 (en) * 2015-05-13 2024-04-10 ResMed Pty Ltd Systems and methods for screening, diagnosis, and monitoring of sleep-disordered breathing
US10542961B2 (en) 2015-06-15 2020-01-28 The Research Foundation For The State University Of New York System and method for infrasonic cardiac monitoring
US20180233017A1 (en) * 2015-08-10 2018-08-16 Konica Minolta, Inc. System for monitoring person to be monitored, monitoring information screen display device, and monitoring information screen display method
CN114588445A (zh) 2015-08-26 2022-06-07 瑞思迈传感器技术有限公司 监测和管理慢性疾病的系统与方法
CN108430327B (zh) * 2015-10-07 2021-07-27 普莱柯迪尔公司 用于产生指示心脏状况的信息的方法和设备
WO2017097907A1 (en) * 2015-12-08 2017-06-15 Resmed Limited Non-contact diagnosis and monitoring of sleep disorders
WO2017119638A1 (ko) * 2016-01-08 2017-07-13 전남대학교산학협력단 실시간 수면장애 감시 장치
US10537253B2 (en) * 2016-02-25 2020-01-21 Samsung Electronics Company, Ltd. Detecting live tissues using signal analysis
EP3435864A4 (en) * 2016-03-31 2019-09-18 Zoll Medical Corporation SYSTEMS AND METHODS FOR MONITORING THE MOVEMENT OF A PATIENT
EP3435862A1 (en) 2016-04-01 2019-02-06 Cardiac Pacemakers, Inc. Systems and methods for detecting worsening heart failure
US11285284B2 (en) 2016-05-03 2022-03-29 Pneuma Respiratory, Inc. Methods for treatment of pulmonary lung diseases with improved therapeutic efficacy and improved dose efficiency
US10376221B2 (en) * 2016-07-06 2019-08-13 Biosense Webster (Israel) Ltd. Automatic creation of multiple electroanatomic maps
US11350874B2 (en) 2016-10-11 2022-06-07 ResMed Pty Ltd Apparatus and methods for screening, diagnosis and monitoring of respiratory disorders
WO2018069790A1 (en) * 2016-10-14 2018-04-19 Facense Ltd. Systems and methods to detect breathing parameters and provide biofeedback
KR102087583B1 (ko) * 2016-10-18 2020-03-11 한국전자통신연구원 이상호흡 감지 장치 및 방법
CA3043325A1 (en) 2016-11-10 2018-05-17 The Research Foundation For The State University Of New York System, method and biomarkers for airway obstruction
EP3320840B1 (en) 2016-11-11 2022-08-17 Tata Consultancy Services Limited System and method for pulmonary health monitoring
CN110520043B (zh) * 2016-12-05 2023-04-21 梅迪平斯公司 使用呼吸气体样品进行呼吸测量的系统和方法
KR101917313B1 (ko) * 2017-01-26 2018-11-12 (주)더블유알티랩 레이더를 이용하여 객체 탐지를 위한 임계 값을 적응적으로 설정하는 방법 및 장치
US10709349B2 (en) * 2017-04-18 2020-07-14 Boston Scientific Scimed Inc. Annotation waveform
CN110799231B (zh) 2017-05-19 2022-08-02 精呼吸股份有限公司 干粉输送装置及其使用方法
EP3424418B1 (en) * 2017-07-05 2023-11-08 Stichting IMEC Nederland A method and a system for detecting a vital sign of a subject
US20200178843A1 (en) * 2017-07-26 2020-06-11 Thorasys Thoracic Medical Systems Inc. Method and system to acquire oscillometry measurements
US20190053754A1 (en) * 2017-08-18 2019-02-21 Fitbit, Inc. Automated detection of breathing disturbances
US11723579B2 (en) 2017-09-19 2023-08-15 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement
CN107744392A (zh) * 2017-09-28 2018-03-02 惠州Tcl家电集团有限公司 呼吸异常监控方法、装置及计算机可读存储介质
EP3691728B1 (en) 2017-10-04 2024-05-22 Pneuma Respiratory, Inc. Electronic breath actuated in-line droplet delivery device
US11458267B2 (en) 2017-10-17 2022-10-04 Pneuma Respiratory, Inc. Nasal drug delivery apparatus and methods of use
US11771852B2 (en) 2017-11-08 2023-10-03 Pneuma Respiratory, Inc. Electronic breath actuated in-line droplet delivery device with small volume ampoule and methods of use
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
US10573155B2 (en) * 2017-12-07 2020-02-25 Covidien Lp Closed loop alarm management
EP3727134B8 (en) * 2017-12-22 2023-03-08 ResMed Sensor Technologies Limited Processor readable medium and corresponding method for health and medical sensing
CN108304912B (zh) * 2017-12-29 2020-12-29 北京理工大学 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法
US11273283B2 (en) 2017-12-31 2022-03-15 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to enhance emotional response
EP3738126A1 (en) * 2018-01-12 2020-11-18 Cardiac Pacemakers, Inc. Discharge readiness assessment
US11759677B2 (en) 2018-02-16 2023-09-19 University Of Louisville Research Foundation, Inc. Respiratory training and airway pressure monitoring device
JP6944402B2 (ja) * 2018-03-08 2021-10-06 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 在不在判定方法、プログラム、センサ処理システム、及びセンサシステム
KR20200133246A (ko) * 2018-03-14 2020-11-26 크로놀라이프 다수의 신호들을 프로세싱하기 위한 시스템 및 방법
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
JP2021523799A (ja) * 2018-05-23 2021-09-09 ユニバーシティ オブ ワシントンＵｎｉｖｅｒｓｉｔｙ ｏｆ Ｗａｓｈｉｎｇｔｏｎ 呼吸不全検知システムおよび関連する方法
CN109009222A (zh) * 2018-06-19 2018-12-18 杨成伟 面向心脏病类型和严重程度的智能评估诊断方法及系统
US11638795B2 (en) * 2018-06-29 2023-05-02 Koninklijke Philips N.V. System and method for providing enhanced PAP metrics
CN112399819A (zh) * 2018-07-02 2021-02-23 3M创新有限公司 用于监测时间相关过程的传感系统和方法
EP3591663A1 (en) * 2018-07-06 2020-01-08 Koninklijke Philips N.V. Computer aided diagnosis and monitoring of heart failure patients
WO2020028470A1 (en) * 2018-07-31 2020-02-06 The Trustees Of Dartmouth College Device for automatically detecting lung function variability
WO2020037599A1 (zh) * 2018-08-23 2020-02-27 深圳迈瑞生物医疗电子股份有限公司 医疗设备、呼吸暂停事件监测方法和装置
CA3112564A1 (en) 2018-09-14 2020-03-19 Neuroenhancement Lab, LLC System and method of improving sleep
US11484256B2 (en) * 2018-10-01 2022-11-01 Koninklijke Philips N.V. Systems and methods for sleep staging
US20210327584A1 (en) * 2018-10-22 2021-10-21 Koninklijke Philips N.V. Decision support software system for sleep disorder identification
CN109602414B (zh) * 2018-11-12 2022-01-28 安徽心之声医疗科技有限公司 一种多视角转换的心电信号数据增强方法
EP3695776A1 (en) * 2019-02-13 2020-08-19 Koninklijke Philips N.V. A method and system for generating a respiration instability signal
CN110151156B (zh) * 2019-04-07 2021-10-29 西安电子科技大学 一种基于窗内自动加权平均算法的胎心率提取方法及系统
US11464446B2 (en) * 2019-04-17 2022-10-11 Mediatek Inc. Physiological status monitoring apparatus and method
WO2020223738A1 (en) * 2019-05-02 2020-11-05 Enhale Medical, Inc. Systems and methods to improve sleep disordered breathing using closed-loop feedback
CN113785364A (zh) * 2019-05-02 2021-12-10 月亮工厂公司 用于测量呼吸和调整呼吸运动的系统
US11786694B2 (en) 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep
US11134900B2 (en) 2019-07-23 2021-10-05 KMZ Holdings LLC System and method for diagnostic analysis of human body systems, organs, and cells
US11420061B2 (en) 2019-10-15 2022-08-23 Xii Medical, Inc. Biased neuromodulation lead and method of using same
EP4051351A1 (en) * 2019-10-31 2022-09-07 ResMed Sensor Technologies Limited Systems and methods for injecting substances into a respiratory system
EP4065057B1 (en) * 2019-11-30 2023-12-27 ResMed Sensor Technologies Limited Systems and methods for adjusting user position using multi-compartment bladders
EP4076175A1 (en) * 2019-12-18 2022-10-26 Koninklijke Philips N.V. System and method for detecting respiratory information using contact sensor
CN111142102B (zh) * 2019-12-26 2022-07-19 华为技术有限公司 一种呼吸数据计算方法以及相关设备
WO2021152551A1 (en) * 2020-01-31 2021-08-05 Resmed Sensor Technologies Limited Sleep status detection for apnea-hypopnea index calculation
EP4097735A1 (en) * 2020-01-31 2022-12-07 ResMed Sensor Technologies Limited Systems and methods for requesting consent for data
EP4069343A4 (en) * 2020-02-26 2024-02-21 Novaresp Technologies Inc. METHOD AND APPARATUS FOR DETERMINING AND/OR PREDICTING SLEEP AND RESPIRATORY BEHAVIOR FOR MANAGING AIRWAY PRESSURE
EP3875026A1 (en) * 2020-03-03 2021-09-08 Koninklijke Philips N.V. Sleep apnea detection system and method
US20210315467A1 (en) * 2020-04-10 2021-10-14 Norbert Health, Inc. Contactless sensor-driven device, system, and method enabling ambient health monitoring and predictive assessment
CN111462863B (zh) * 2020-04-14 2023-06-13 赣州市全标生物科技有限公司 营养自查与膳食推荐方法及系统
EP4165646A1 (en) * 2020-06-10 2023-04-19 Koninklijke Philips N.V. Methods and systems for searching an ecg database
EP3944250A1 (en) * 2020-07-22 2022-01-26 Koninklijke Philips N.V. Methods and systems for searching an ecg database
EP4189697A1 (en) * 2020-07-30 2023-06-07 ResMed, Inc. Systems and methods for determining a health condition on a device local to a respiratory system user
TWI785378B (zh) * 2020-09-03 2022-12-01 雲云科技股份有限公司 具雷達偵測輔助之光影像生理監視系統
CN112043251B (zh) * 2020-09-30 2021-05-25 深圳市艾利特医疗科技有限公司 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统
US12009087B2 (en) 2020-11-18 2024-06-11 Evernorth Strategic Development, Inc. Predictive modeling for mental health management
CN112381233A (zh) * 2020-11-20 2021-02-19 北京百度网讯科技有限公司 数据压缩方法、装置、电子设备和存储介质
CN112598033B (zh) * 2020-12-09 2022-08-30 兰州大学 生理信号处理方法、装置、设备及存储介质
US11691010B2 (en) 2021-01-13 2023-07-04 Xii Medical, Inc. Systems and methods for improving sleep disordered breathing
CN112932457B (zh) * 2021-01-26 2022-11-25 四川大学 呼吸系统健康监测装置
US20240108834A1 (en) * 2021-02-09 2024-04-04 Halare, Inc. Multi-therapy systems, methods and apparatuses for the alleviation of sleep disordered breathing
USD1014517S1 (en) 2021-05-05 2024-02-13 Fisher & Paykel Healthcare Limited Display screen or portion thereof with graphical user interface
CN112990789B (zh) * 2021-05-10 2021-11-02 明品云(北京)数据科技有限公司 一种用户健康风险分析系统
US11847127B2 (en) 2021-05-12 2023-12-19 Toyota Research Institute, Inc. Device and method for discovering causal patterns
FR3123795A1 (fr) * 2021-06-10 2022-12-16 Valeo Systemes Thermiques Système d’aide pour fournir une information de diagnostic
US11793945B2 (en) 2021-06-22 2023-10-24 Pneuma Respiratory, Inc. Droplet delivery device with push ejection
CN113368403B (zh) * 2021-06-24 2022-01-04 深圳市恒康泰医疗科技有限公司 一种可以提高心肺功能的智能理疗系统
AU2021107064B4 (en) * 2021-08-24 2022-08-25 Rudder Technology Pty Ltd Non-contact human respiration detection with radar signals
CN115804581B (zh) * 2021-09-15 2023-12-15 深圳先进技术研究院 心率特征的测量方法、症状检测方法及相关设备
KR102451624B1 (ko) * 2021-10-05 2022-10-11 연세대학교 산학협력단 수면 무호흡증 인자를 고려한 심혈관 질환 위험도 분석 시스템 및 그 방법
CN113892931B (zh) * 2021-10-14 2023-08-22 重庆大学 一种基于深度学习的fmcw雷达提取分析腹内压力方法
AU2022385572A1 (en) * 2021-11-15 2024-05-16 Fisher & Paykel Healthcare Limited Data capture, processing, storage and rendering system for breathing assistance apparatus
CN113951869B (zh) * 2021-11-17 2024-05-28 上海跃扬医疗科技有限公司 一种呼吸障碍检测方法、装置、设备及介质
WO2023178267A2 (en) * 2022-03-18 2023-09-21 Ohio State Innovation Foundation Mobile ultrawideband radar for monitoring thoracic fluid levels and cardio-respiratory function
CN114778699A (zh) * 2022-03-29 2022-07-22 哈尔滨工业大学 一种基于声发射技术的微细磨削在线无损监测方法
WO2024073494A1 (en) * 2022-09-28 2024-04-04 Impulse Wellness Llc Wearable biosignal device and system for individualized therapeutic feedback
US11874271B1 (en) * 2022-10-04 2024-01-16 Gmeci, Llc Apparatus and method for human performance exhalation sensing
CN117503153B (zh) * 2024-01-05 2024-03-15 北华大学 基于人工智能的患者术后康复评价方法
CN117860241B (zh) * 2024-03-11 2024-06-11 简阳市人民医院 一种急性心肌梗死患者的自我管理行为监控方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008525060A (ja) * 2004-12-23 2008-07-17 レスメド リミテッド 呼吸信号から呼吸パターンを検出して識別する方法
JP2009532072A (ja) * 2005-11-01 2009-09-10 アーリーセンス エルティディ 臨床発作患者の監視方法及びシステム
JP2009538720A (ja) * 2006-06-01 2009-11-12 ビアンカメッド リミテッド 生理的徴候を監視するための装置、システム、および方法
JP2012517293A (ja) * 2009-02-06 2012-08-02 ビアンカメッド リミテッド 慢性疾患モニタリングのための機器、システム及び方法

Family Cites Families (74)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3276924D1 (en) 1981-04-24 1987-09-17 Somed Pty Ltd Device for treating snoring sickness
DE3401841A1 (de) 1984-01-20 1985-07-25 Drägerwerk AG, 2400 Lübeck Beatmungssystem und betriebsverfahren hierzu
US5522382A (en) 1987-06-26 1996-06-04 Rescare Limited Device and method for treating obstructed breathing having a delay/ramp feature
DE69433051T2 (de) 1993-11-05 2004-06-03 Resmed Ltd., North Ryde Sensor für Apnoe und Hindernis im Luftweg eines Atmungssystems
US5738102A (en) * 1994-03-31 1998-04-14 Lemelson; Jerome H. Patient monitoring system
AUPN236595A0 (en) 1995-04-11 1995-05-11 Rescare Limited Monitoring of apneic arousals
AUPO247496A0 (en) 1996-09-23 1996-10-17 Resmed Limited Assisted ventilation to match patient respiratory need
WO1998052467A1 (en) 1997-05-16 1998-11-26 Resmed Limited Respiratory-analysis systems
AUPP366398A0 (en) 1998-05-22 1998-06-18 Resmed Limited Ventilatory assistance for treatment of cardiac failure and cheyne-stokes breathing
US7308894B2 (en) 1998-06-03 2007-12-18 Scott Laboratories, Inc. Apparatuses and methods for providing a conscious patient relief from pain and anxiety associated with medical or surgical procedures according to appropriate clinical heuristics
MXPA00011835A (es) * 1998-06-03 2002-10-17 Scott Lab Inc Aparato y metodo para proveer alivio del dolor de un paciente consciente y ansiedad asociada con procedimientos medicos o quirurgicos.
US6390091B1 (en) 1999-02-03 2002-05-21 University Of Florida Method and apparatus for controlling a medical ventilator
US6367475B1 (en) 1999-04-02 2002-04-09 Korr Medical Technologies, Inc. Respiratory flow meter and methods of use
US7593952B2 (en) * 1999-04-09 2009-09-22 Soll Andrew H Enhanced medical treatment system
US20060030890A1 (en) * 1999-04-16 2006-02-09 Cosentino Daniel L System, method, and apparatus for automated interactive verification of an alert generated by a patient monitoring device
US6895963B1 (en) 1999-06-16 2005-05-24 Resmed Limited Apparatus with automatic respiration monitoring and display
US6600949B1 (en) 1999-11-10 2003-07-29 Pacesetter, Inc. Method for monitoring heart failure via respiratory patterns
US6398728B1 (en) 1999-11-16 2002-06-04 Cardiac Intelligence Corporation Automated collection and analysis patient care system and method for diagnosing and monitoring respiratory insufficiency and outcomes thereof
FR2804405B1 (fr) 2000-01-28 2002-05-10 Schmalbach Lubeca Procede et appareil de stockage de preformes plastiques dans un container, procede et installation de fabrication et de stockage de preformes plastiques
US6644312B2 (en) 2000-03-07 2003-11-11 Resmed Limited Determining suitable ventilator settings for patients with alveolar hypoventilation during sleep
US6752151B2 (en) * 2000-09-25 2004-06-22 Respironics, Inc. Method and apparatus for providing variable positive airway pressure
EP1349491B1 (en) * 2000-12-07 2013-04-17 Children's Medical Center Corporation Automated interpretive medical care system
US20030014222A1 (en) 2001-02-28 2003-01-16 Klass David B. Method and system for monitoring patient care
CA2465625C (en) 2001-11-01 2007-07-10 Scott Laboratories, Inc. User interface for sedation and analgesia delivery systems and methods
US20040122487A1 (en) 2002-12-18 2004-06-24 John Hatlestad Advanced patient management with composite parameter indices
JP3872371B2 (ja) 2002-03-29 2007-01-24 セイコーインスツル株式会社 携帯型生体情報収集装置、生体情報収集システム及び生体情報収集方法
WO2004013611A2 (en) * 2002-08-01 2004-02-12 California Institute Of Technology Remote-sensing method and device
UA90651C2 (uk) * 2002-10-09 2010-05-25 Компьюмедикс Лимитед Спосіб та пристрій для підтримування та контролювання якості сну при терапевтичному лікуванні
DE10248590B4 (de) 2002-10-17 2016-10-27 Resmed R&D Germany Gmbh Verfahren und Vorrichtung zur Durchführung einer signalverarbeitenden Betrachtung eines mit der Atmungstätigkeit einer Person im Zusammenhang stehenden Messsignales
US7438686B2 (en) * 2003-01-10 2008-10-21 Medtronic, Inc. Apparatus and method for monitoring for disordered breathing
NZ547601A (en) 2003-12-29 2008-06-30 Resmed Ltd Mechanical ventilation in the presence of sleep disordered breathing
WO2005067790A1 (en) * 2004-01-16 2005-07-28 Compumedics Ltd Method and apparatus for ecg-derived sleep disordered breathing monitoring, detection and classification
US8403865B2 (en) * 2004-02-05 2013-03-26 Earlysense Ltd. Prediction and monitoring of clinical episodes
NZ581725A (en) 2004-02-11 2011-06-30 Resmed Ltd Session-by-session adjustment of a device for treating sleep disordered breathing
SE0400378D0 (sv) * 2004-02-17 2004-02-17 Jan Hedner Sätt att behandla och diagnostisera andningsstörningar i sömnen och medel för att utföra sättet
US7878198B2 (en) 2004-03-31 2011-02-01 Michael Farrell Methods and apparatus for monitoring the cardiovascular condition of patients with sleep disordered breathing
WO2005096729A2 (en) 2004-03-31 2005-10-20 Resmed Limited Methods and apparatus for monitoring the cardiovascular condition of patients with sleep disordered breathing
NZ554417A (en) 2004-10-06 2011-04-29 Resmed Ltd Air delivery system including pulse oximeter configured to determine a measure of patient effort
US20060089542A1 (en) 2004-10-25 2006-04-27 Safe And Sound Solutions, Inc. Mobile patient monitoring system with automatic data alerts
ATE526872T1 (de) * 2004-11-02 2011-10-15 Univ Dublin Schlafüberwachungssystem
US7578793B2 (en) * 2004-11-22 2009-08-25 Widemed Ltd. Sleep staging based on cardio-respiratory signals
JP2008520311A (ja) 2004-11-23 2008-06-19 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 鬱病検出装置
US20090048500A1 (en) * 2005-04-20 2009-02-19 Respimetrix, Inc. Method for using a non-invasive cardiac and respiratory monitoring system
US20070193582A1 (en) * 2006-02-17 2007-08-23 Resmed Limited Touchless control system for breathing apparatus
US20110263997A1 (en) * 2006-04-20 2011-10-27 Engineered Vigilance, Llc System and method for remotely diagnosing and managing treatment of restrictive and obstructive lung disease and cardiopulmonary disorders
US7551078B2 (en) 2006-05-08 2009-06-23 Ihc Intellectual Asset Management, Llc Device alert system and method
DE102007039004A1 (de) 2006-08-30 2008-03-20 Weinmann Geräte für Medizin GmbH + Co. KG Verfahren und Vorrichtung zur Bilevel-Beatmung
WO2008135985A1 (en) * 2007-05-02 2008-11-13 Earlysense Ltd Monitoring, predicting and treating clinical episodes
US8261742B2 (en) 2007-08-23 2012-09-11 Invacare Corporation Method and apparatus for adjusting desired pressure in positive airway pressure devices
JP5115704B2 (ja) 2007-10-31 2013-01-09 株式会社エクォス・リサーチ ステアリング
US7808395B2 (en) * 2007-11-09 2010-10-05 Emfit Oy Occupancy detecting method and system
US20100152600A1 (en) * 2008-04-03 2010-06-17 Kai Sensors, Inc. Non-contact physiologic motion sensors and methods for use
CN102046076A (zh) * 2008-04-03 2011-05-04 Kai医药公司 非接触式生理运动传感器及其使用方法
US8870785B2 (en) * 2008-05-09 2014-10-28 Koninklijke Philips N.V. Contactless respiration monitoring of a patient
JP2012502671A (ja) * 2008-05-12 2012-02-02 アーリーセンス エルティディ 臨床症状のモニタリング、予測及び治療
US8298153B2 (en) * 2008-07-09 2012-10-30 Medtronic, Inc. System and method for the detection of acute myocardial infarction
US8417463B2 (en) 2008-07-22 2013-04-09 Cardiac Pacemakers, Inc. Systems and methods for monitoring pulmonary edema dynamics
US8844525B2 (en) 2008-07-25 2014-09-30 Resmed Limited Method and apparatus for detecting and treating heart failure
JP2012503804A (ja) * 2008-09-24 2012-02-09 ビアンカメッド リミテッド 評価及び介入のためのｑｏｌパラメータの非接触及び微接触測定
EP2346390A4 (en) 2008-10-12 2014-04-16 Univ Maryland PREDICTED PRESENTATION OF PATIENT DATA ON THE HOSPITAL
AU2010201032B2 (en) 2009-04-29 2014-11-20 Resmed Limited Methods and Apparatus for Detecting and Treating Respiratory Insufficiency
US8478538B2 (en) * 2009-05-07 2013-07-02 Nellcor Puritan Bennett Ireland Selection of signal regions for parameter extraction
WO2011006184A1 (en) 2009-07-14 2011-01-20 Resmed Ltd Setup automation for respiratory treatment apparatus
GB2471902A (en) 2009-07-17 2011-01-19 Sharp Kk Sleep management system which correlates sleep and performance data
US8884813B2 (en) 2010-01-05 2014-11-11 The Invention Science Fund I, Llc Surveillance of stress conditions of persons using micro-impulse radar
US8862195B2 (en) * 2010-03-10 2014-10-14 University Of Valladolid Method, system, and apparatus for automatic detection of obstructive sleep apnea from oxygen saturation recordings
WO2011141916A1 (en) * 2010-05-13 2011-11-17 Sensewiser Ltd. Contactless non-invasive analyzer of breathing sounds
WO2011143631A2 (en) * 2010-05-14 2011-11-17 Kai Medical, Inc. Systems and methods for non-contact multiparameter vital signs monitoring, apnea therapy, sway cancellation, patient identification, and subject monitoring sensors
US8695591B2 (en) * 2010-05-26 2014-04-15 Lloyd Verner Olson Apparatus and method of monitoring and responding to respiratory depression
IT1401645B1 (it) 2010-09-10 2013-08-02 Milano Politecnico Sistema per la valutazione automatica di patologie respiratorie e per la predizione di acute future instabilita' delle vie aeree
US20120138533A1 (en) 2010-12-01 2012-06-07 Curtis James R Dialysis system control system with user interface
CN102415879A (zh) * 2011-09-09 2012-04-18 北京大学深圳研究生院 一种基于压电薄膜传感器的睡眠监测装置
GB201116860D0 (en) 2011-09-30 2011-11-09 Guy S And St Thomas Nhs Foundation Trust Patent monitoring method and monitoring device
CN115813368A (zh) * 2012-05-30 2023-03-21 瑞思迈传感器技术有限公司 用于监控心肺健康的方法和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008525060A (ja) * 2004-12-23 2008-07-17 レスメド リミテッド 呼吸信号から呼吸パターンを検出して識別する方法
JP2009532072A (ja) * 2005-11-01 2009-09-10 アーリーセンス エルティディ 臨床発作患者の監視方法及びシステム
JP2009538720A (ja) * 2006-06-01 2009-11-12 ビアンカメッド リミテッド 生理的徴候を監視するための装置、システム、および方法
JP2012517293A (ja) * 2009-02-06 2012-08-02 ビアンカメッド リミテッド 慢性疾患モニタリングのための機器、システム及び方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017212995A1 (ja) 2016-06-09 2017-12-14 コニカミノルタ株式会社 被監視者監視装置、該方法および該システム
KR20180009925A (ko) * 2016-07-20 2018-01-30 한국과학기술연구원 스마트 섬유를 이용한 카펫 시스템
KR101897065B1 (ko) * 2016-07-20 2018-09-12 한국과학기술연구원 스마트 섬유를 이용한 카펫 시스템
JP2018187381A (ja) * 2017-04-28 2018-11-29 バイオセンス・ウエブスター・（イスラエル）・リミテッドＢｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ （Ｉｓｒａｅｌ）， Ｌｔｄ． 特徴検出用のフィルタを含むｅｃｇ機械
JP7163058B2 (ja) 2017-04-28 2022-10-31 バイオセンス・ウエブスター・（イスラエル）・リミテッド 特徴検出用のフィルタを含むｅｃｇ機械
JP2020530377A (ja) * 2017-08-11 2020-10-22 レステック エス アール エルＲｅｓｔｅｃｈ Ｓ．Ｒ．Ｌ． 慢性閉塞性肺疾患の増悪を早期に識別する方法
JP7215756B2 (ja) 2017-08-11 2023-01-31 レステック エス アール エル 慢性閉塞性肺疾患の増悪を早期に識別する方法
JP2019125319A (ja) * 2018-01-19 2019-07-25 富士通株式会社 学習プログラム、学習方法および学習装置
JP7006296B2 (ja) 2018-01-19 2022-01-24 富士通株式会社 学習プログラム、学習方法および学習装置
JP2018196763A (ja) * 2018-08-17 2018-12-13 パラマウントベッド株式会社 呼吸障害判定装置、呼吸障害判定方法及びプログラム
JP2022507834A (ja) * 2018-11-19 2022-01-18 レスメッド センサー テクノロジーズ リミテッド 呼吸障害の検出のための方法および装置
JP2022518713A (ja) * 2019-01-29 2022-03-16 コーニンクレッカ フィリップス エヌ ヴェ 呼吸警報を発生させるための装置及びシステム
JP7466548B2 (ja) 2019-01-29 2024-04-12 コーニンクレッカ フィリップス エヌ ヴェ 呼吸警報を発生させるための装置及びシステム
JP2022188307A (ja) * 2019-09-24 2022-12-20 カシオ計算機株式会社 特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラム
JP7507501B2 (ja) 2021-09-09 2024-06-28 ビットセンシング インコーポレイテッド レーダを利用して睡眠呼吸を分析する装置、方法及びコンピュータプログラム

Also Published As

Publication number Publication date
AU2017200083A1 (en) 2017-02-02
EP3639733A2 (en) 2020-04-22
CN104736055A (zh) 2015-06-24
US11850077B2 (en) 2023-12-26
AU2013270443A1 (en) 2014-12-18
EP2854636B1 (en) 2019-08-21
EP2854636A1 (en) 2015-04-08
JP2018153661A (ja) 2018-10-04
CN110720918B (zh) 2023-01-10
US20200113484A1 (en) 2020-04-16
CN110720918A (zh) 2020-01-24
WO2013177621A9 (en) 2014-02-13
EP4154804A1 (en) 2023-03-29
JP2021035521A (ja) 2021-03-04
WO2013177621A1 (en) 2013-12-05
US20150164375A1 (en) 2015-06-18
EP3639733A3 (en) 2020-07-29
JP6787947B2 (ja) 2020-11-18
JP2023099124A (ja) 2023-07-11
CN115813368A (zh) 2023-03-21
JP6655991B2 (ja) 2020-03-04
AU2013270443B2 (en) 2016-10-13
US20240164726A1 (en) 2024-05-23
EP2854636A4 (en) 2016-02-24
JP7273774B2 (ja) 2023-05-15
AU2017200083B2 (en) 2019-07-11
EP3639733B1 (en) 2022-10-26
US10426380B2 (en) 2019-10-01

Similar Documents

Publication Publication Date Title
JP7273774B2 (ja) 心肺健康状態をモニタリングするシステム、システムの作動方法及びコンピュータ可読媒体
US11796665B2 (en) Detection and identification of a human from characteristic signals
JP7244695B2 (ja) 慢性疾患をモニタする方法及び機器
US20220007965A1 (en) Methods and apparatus for detection of disordered breathing
US11980484B2 (en) Systems and methods for monitoring and management of chronic disease
US20230190140A1 (en) Methods and apparatus for detection and monitoring of health parameters
WO2023148190A1 (en) Systems and methods for screening, diagnosis, detection, monitoring and/or therapy

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150130

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20150422

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20150422

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160527

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160527

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170314

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170317

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20170612

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20170814

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170823

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20180111

A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20180511

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20180521

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20180608

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20190702

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20190801

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20190902

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191002

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191128

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200204

R150 Certificate of patent or registration of utility model

Ref document number: 6655991

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250