JP2020513908A - 睡眠呼吸障害を特徴付ける方法 - Google Patents

Abstract

睡眠期間中の患者の呼吸障害を特徴付ける方法は、最も顕著で非常に関連性のあるイベントを学習するために、音声信号の時間軸の第１の部分的な特徴付けを行うことを含む。後の段階で、すなわち関連性の高いイベントを十分に観察した後に初めて、実際に実施される全時間軸の完全なセグメント化が行われる。線形予測を使用して、元の音声信号を単独で使用する場合よりも優れたセグメント化を提供するために使用される励起信号を生成する。ワープ線形予測又はラゲール線形予測を用いて、異なる周波数範囲で提供される詳細において柔軟性を有する正確なスペクトル表現を作成する。呼吸障害を識別するために信号をさらに特徴付けるために共鳴確率関数が生成される。出力は、識別された呼吸障害の様々な形態のいずれかにおける特徴付けを含む。

Description

本発明は、睡眠期間中の呼吸を監視するための方法及び装置に関し、特に、睡眠呼吸障害（ＳＤＢ： sleep disordered breathing）を特徴付ける方法に関する。

睡眠呼吸障害（ＳＤＢ）は、患者、すなわちＳＤＢを経験している個人の気道におけるある種の閉塞の結果として起こり得ることがよく理解されている。解剖学的／生理学的観点に基づいて様々なタイプの閉塞を互いに区別することができ、結果として生じるＳＤＢ中に特定の種類の閉塞が特定の種類の音を生成することが多い。ＳＤＢ中に発生する音の際立った特徴は、そのスペクトルシグネチャである。例えば、音は、口蓋のいびきであり得、これは１００〜２００Ｈｚの範囲の低周波スペクトルに関連付けられる。更なる例として、吸気性喘鳴（stridor）として知られるＳＤＢイベントは、典型的には周波数スペクトルにおいて遥かに高い、おそらく数ｋＨｚの音によって特徴付けられる。一般的には、“Subject Independent Identification Of Breath Sounds Components Using Multiple Classifiers” (Alshaer, Hisham; Pandya, T. Aditya; Bradley, Douglas; and Rudzicz, Frank, 2014 IEEE Int’l Conf. on Acoustic, Speech and Signal Processing (ICASSP))”に対して参照が行われる。

ＳＤＢ解析に特に関連するパラメータの１つは、ＳＤＢ現象が起こる期間の長さ、例えば全睡眠時間に対するＳＤＢが起こる時間の量、又はＳＤＢが観察される呼吸周期のパーセンテージ等である。正確な結果を提供するために、ＳＤＢにいくらか関連している睡眠期間中の全ての時間を特定する必要がある。ＳＤＢ中に発生するいびき又は呼気性喘鳴（wheezing）の例では、例として、いびきを含む可聴呼吸パターンのより長いセグメントの識別は、いくつかの短い又は個々のいびきを識別することとは異なる。そのような解析のために睡眠期間中のＳＤＢの全期間を特徴付けることが必要である場合に、典型的に、識別することが求められているイベントのタイプの個人化されたサインを知ることが必要であった。ＳＤＢの全期間を特定することに関する問題は、一人の人間でさえＳＤＢの特性が、薬物の使用又はアルコール摂取等の状況に応じて変化する可能性があるという事実によって悪化し、これは、音声の特性に影響を及ぼし得る。さらに、口笛のような呼気音が睡眠期間中の早い時期に発生し、激しいいびきが睡眠期間中の後半に発生する等、睡眠期間の経過中に変化が起こり得る。

激しいいびきの場合に、激しいいびきのエピソード（episodes）は、典型的に強度、エネルギー、又はラウドネス（loudness）パターン、すなわち信号の強度に基づいて容易に識別することができる。その結果、いびきのエピソードは他のエピソード（すなわち、いびきでないエピソード）から分離できることが多い。いびきのエピソードの一般的な特徴付けは、任意の都合のよい周波数変換方法論、すなわちフーリエ変換（ＦＴ）、パワースペクトル密度関数（ＰＳＤ）、又は推定線形予測システムの合成フィルタの伝達関数によって行うことができる。しかしながら、後者の伝達関数のアプローチは、ＳＤＢ音における支配的なスペクトルエネルギーが非常に低いところ（１００Ｈｚ）からかなり高いところ（数ｋＨｚ）までの範囲であり得、特に従来の線形予測方法論の低周波モデリング能力が典型的に貧弱であるという事実によって制限される。

特定の場合において、ＳＤＢイベントのエネルギー又はラウドネスは、任意の所与のＳＤＢエピソードを関心のあるものとして識別するためにいつも十分なトリガーとは限らない。他のイベントは、特徴的なＳＤＢ音の特徴であるとして検索される可聴特性のタイプに関連しない、スピーチ、くしゃみ等の大きな音声を引き起こす可能性がある。従って、ＳＤＢイベントを識別するより高度でロバストな方法を提供する必要がある。

ＳＤＢイベントの識別を改善するために一般的に使用される別の態様は、エンベロープの周期性又は信号のエネルギーの解析である。ただし、これではいつも所望の結果が得られるとは限らない。これは特に、家庭用寝室等の自然環境の場合であり、好ましくは、音は目立たない音声モニタ（寝室内に配置されたマイク等）によって解析され、特定のバックグラウンドノイズが優勢であり、それによって特定の繰返し音声の発生が（スペクトログラムのように）スペクトル的にはっきりと聞こえて観察可能である場合でも、全体的な準周期的なラウドネスの変化に基づいてエピソードを分離するためのシステムはうまくいかない可能性がある。

これらの欠点を克服するために試みられた可能性のある方法は、マルチバンド解析を検討することである。特定のバンドでは、準周期性が見える。しかしながら、そのようなアプローチに対する明らかな不利点は、フィルタの設計だけでなく複雑な決定論理の必要性である。こうして、改善が望まれる。

従って、本発明の目的は、従来の方法の欠点を克服する睡眠呼吸障害を特徴付ける方法を提供することである。この目的は、本発明の一実施形態によれば、方法を提供することによって達成され、その方法は、
患者の近くで睡眠期間の少なくとも一部の間に発生する音を表す少なくとも第１の信号を受信するステップと、
少なくとも第１の信号において複数のセグメントを識別するステップと、
複数のセグメントのうちの少なくともいくつかのセグメントを、それぞれが複数の特性を有する複数の事前設定されたクラスタのうちの１つのクラスタに含まれるものとして特徴付けるステップであって、複数の特性のうちの１つの特性は、呼吸周期の吸気相、呼吸周期の呼気相、呼吸周期の休止相、及び未知のイベントを含む一群の相のうちの相であり、複数の特性のうちの別の特性は、高エネルギーレベルと、低エネルギーレベル及び中間エネルギーレベルのうちの少なくとも１つとを含む一群のエネルギーレベルのうちのエネルギーレベルである、特徴付けるステップと、
少なくともいくつかのセグメントのうちの各セグメントにセグメントのスペクトル特徴付け（characterization）を適用するステップと、
その相として未知のイベントを有するクラスタ内にあると特徴付けられる少なくとも１つのセグメントについて、少なくとも１つのセグメントのスペクトル特徴付けと別のクラスタに関連するスペクトル特徴付けとの間の対応関係に少なくとも部分的に基づいて、少なくとも１つのセグメントを、その相として呼吸周期の吸気相、呼吸周期の呼気相、及び呼吸周期の休止相の１つを有する別のクラスタ内にあると特徴付けられるように再特徴付けして、少なくとも第１の信号に対応する時間軸を形成するステップであって、時間軸のセグメントはそれぞれ、呼吸周期の吸気相、呼吸周期の呼気相、及び呼吸周期の休止相のうちの１つとして分類される、形成するステップと、
時間軸に少なくとも部分的に基づいている情報を含む出力を生成するステップと、を含む。

本発明のさらに別の目的は、従来の方法の欠点を克服する睡眠呼吸障害を特徴付ける別の方法を提供することである。この目的は、方法を提供することによって達成され、その方法は、
患者の近くで睡眠期間の少なくとも一部の間に発生する音を表す少なくとも第１の信号を受信するステップと、
少なくとも第１の信号の少なくとも一部を線形予測アルゴリズムにかけて少なくとも第１の信号の少なくとも一部を表す励起信号を取得し、
短期多項式分解等を使用することによって、負の勾配と正の勾配との間の励起信号の急速な変化及び低エネルギーレベルの複数の同時発生を励起信号における複数の候補移行点として識別し、
例として、候補移行点のペアの間に存在する励起信号の複数の部分が、周期と複数の部分のスペクトル内容（content）との類似性に少なくとも部分的に基づいて、一例として自己相関関数の適用に基づいて、及びその判定に少なくとも部分的に基づいて、互いに類似していると判定し、
候補移行点のペアが実際の移行点であり、各実際の移行点の直前の励起信号の部分が呼吸周期の吸気相であり、各実際の移行点の直後に続く励起信号の部分が呼吸周期の呼気相であると結論を下す、
ことにより、少なくとも第１の信号において複数のセグメントを識別するステップと、
吸気相及び呼気相の少なくとも一方に少なくとも部分的に基づいている情報を含む出力を生成するステップと、を含む。

本発明のさらに別の目的は、従来の方法の欠点を克服する睡眠呼吸障害を特徴付ける別の方法を提供することである。この目的は、方法を提供することによって達成され、その方法は、
患者の近くで睡眠期間の少なくとも一部の間に発生する音を表す少なくとも第１の信号を受信するステップと、
少なくとも第１の信号の少なくとも一部を線形予測アルゴリズムにかけて、分子多項式を分母多項式で割ったものに等しい伝達関数を取得するステップと、
分子多項式の１つ又は複数の根を求めるステップであって、１つ又は複数の根のうち少なくともいくつかの根はそれぞれ、長さを有し、且つ横座標に対して角度をさらに有するベクトルによって表すことができる複素数の形式である、求めるステップと、
少なくともいくつかの根の各根について、根のベクトルの角度に少なくとも部分的に基づいて確率成分の中心周波数を決定し、且つ根のベクトルの長さに少なくとも部分的に基づいて確率成分の幅を決定することによって、所与の形状と高さ及び幅とを有するテンプレート確率に従う確率成分を生成するステップと、
確率成分互いに組み合わせることによって確率関数を形成するステップと、を含む。
線形予測アルゴリズムは、ワープ係数を使用することができ、ワープは、特定の関心領域への解析に進むために選択可能且つ変更可能であり得る。

本発明の一態様は、先験的又は個別化されたデータの必要性を最小限にして、ＳＤＢのタイプ及び重大性の指標を作成するために、音声解析のための方法論を提供することである。特に、本発明の一態様は、持続時間の指標を含む、区別されたＳＤＢイベントの特徴付けのためのロバストシステムを概説することである。この問題に対処する典型的な方法は、セグメント化から始まり、続いてスペクトルの特徴付け及び識別を行う一連の処理によるものである。これらの試みとは対照的に、本発明はいくつかの部分を改良し、柔軟性を追加した。追加した柔軟性に関して、カスケードアプローチでは、以前の不正確な決定が初期段階（すなわち、セグメント化）で行われ、これは更なる処理を妨げ、又は第２のステップの品質を低下させた。本発明において想定される柔軟性はこの欠点を軽減する。

特に、本発明は、最も顕著で非常に関連性のあるイベントを学習するために、時間軸の第１の部分的な特徴付けを行うことを想定している。後の段階で、すなわち関連性の高いイベントを十分に観察した後に初めて、実際に実施される全時間軸の完全なセグメント化が行われる。

本発明の他の態様は、マルチバンド解析に頼ることなく、ＳＤＢ特有のエピソードを他のエピソードから容易に分離することができる音声解析を行う方法を提供することである。

本発明の他の態様は、吸気／呼気移行を生成し、吸気／呼気時間の長さ（stretches）を識別するための方法論を提示することである。

本発明の更なる態様は、マルチバンド解析に頼ることなく、ＳＤＢ特有のエピソードを他のエピソードから容易に分離することができ、極めて低い周波数のいびき現象（例として、１００Ｈｚ等における）だけでなく、数ｋＨｚで発生する口笛又は吸気性喘鳴現象等の高い周波のいびき現象を処理することができる音声解析方法を提供することである。

本発明の別の態様は、解析の結果を便利で理解し易い形式で提示することである。

本発明のこれら及び他の目的、特徴、及び特性、並びに構造の関連要素の動作方法及び機能、並びに部品の組合せ及び製造の経済性は、添付の図面を参照して以下の説明及び添付の特許請求の範囲の検討からより明らかになるであろう。全ての図面は、本明細書の一部を形成しており、様々な図において同様の参照番号が対応する部分を指す。しかしながら、図面は、例示及び説明のみを目的としており、本発明の制限を規定することを意図していないことを明確に理解されたい。

従来の線形予測アルゴリズムを使用した複数のいびきのエピソードについての推定伝達関数の振幅伝達の逆数である。 同じいびきのエピソードの推定伝達関数の逆振幅を与える点で図１と同様の図であり、図１と異なり、図２は、ワープ線形予測（ＷＬＰ）を使用して推定された逆振幅伝達を有する。 入力信号のランニング・エネルギーを示す。 図３の入力信号をＷＬＰにかけることにより得られる励起信号のランニング・エネルギーを示す。 別の入力信号から導出された別の対応する励起信号と重ね合わされたその別の入力信号のランニング・エネルギーを示し、複数の吸気／呼気移行点を示す矢印をさらに含む。 さらに別の入力信号、及びその別の入力信号から導出されるさらに別の対応する励起信号のランニング・エネルギーであり、さらに他の吸気／呼気の移行をいくつかの矢印で示す。 更なる入力信号、及びその更なる入力信号から得られた更なる対応する励起信号のランニング・エネルギーを互いに重ね合わせて示し、さらに吸気／呼気の移行をアスタリスク記号で示す。 各々が形状（例として、三角形）を有するテンプレート確率の使用の概略的説明であり、複数の確率成分が確率関数に組み合わされる。 確率関数の描写である。 本発明による改良された方法の特定の態様を表すフローチャートである。

本明細書で使用される場合に、単数形の「１つの（a, an）」、及び「その（the）」は、文脈が明らかにそうでないことを指示しない限り、複数の言及を含む。本明細書で使用される場合に、２つ以上の部品又は構成要素が「結合される」という表現は、リンクが生じる限り、部品が、直接的、又は間接的に、すなわち１つ又は複数の中間部品又は構成要素を介して一緒に接合又は作動することを意味するものとする。本明細書で使用される場合に、「直接的に結合される」は、２つの要素が互いに直接的に接触していることを意味する。本明細書で使用される場合に、「固定的に結合された」又は「固定された」は、２つの構成要素が互いに対して一定の向きを維持しながら１つのものとして動くように結合されることを意味する。

本明細書で使用される場合に、「単一の（unitary）」という語は、構成要素が単一のピース又はユニットとして形成されることを意味する。つまり、別々に作成された後に１つのユニットとして一緒に結合されるピースを含む構成要素は、「単一の」構成要素又は本体ではない。本明細書で用いられる場合に、２つ以上の部品又は構成要素が互いに「係合する」という表現は、それらの部品が直接的に又は１つ又は複数の中間部品又は構成要素を介して互いに力を及ぼすことを意味するものとする。本明細書で用いられる場合に、「数」という用語は、１又は１より大きい整数（すなわち、複数）を意味するものとする。

本明細書で使用される、例えば、これらに限定されないが、上、下、左、右、上部、下部、前、後、及びそれらの派生語等の方向を示す句は、図面に示される要素の向きに関係し、本明細書に明確に記載されていない限り、特許請求の範囲を限定するものではない。

上記のように、本発明によって提示される解決策の一態様は、患者の睡眠期間中の全てのＳＤＢイベントを識別するために４段階解析アプローチを使用することである。本発明の別の態様は、使用可能な最良の解析ツールを使用すること、並びに確率が高い場合にのみ軟判定又は硬判定を使用することである。

本方法は、典型的に、患者の近くで睡眠期間中に発生する音を表す信号を受信することから始まる。いくつかの例では、信号の受信は、携帯電話又は患者が使用する他のそのような装置等の装置の一部であってもなくてもよいマイクの使用によって行われる。以下でより詳細に説明する信号の処理のいくつかは、そのような携帯電話、又はコンピュータを組み込んでおり且つ患者が使用する他のそのような装置上で実行することができる。他の状況では、他のコンピュータ機器を使用して、患者から離れた場所で技術者又は他の専門家によって、患者から離れたところでさらに高度の処理及び更なる解析が行われ得る。

以下でより詳細に述べるように、第１の段階は、そのようなセグメントが容易に認識可能である、すなわちＳＤＢの例又は他の特定のイベントとして高い確率を有するとき、信号のセグメントへの時間的セグメント化を実行することとして説明できる。以下でより詳細に述べるように、セグメントは呼吸周期を識別するために使用可能である。第２の段階において、セグメントは、さらに特徴付けられ、且つそれぞれクラスタ化されるか又は複数のクラスタのうちの１つに分類される。ここで、クラスタ（又は少なくともその規定）は事前設定され得る。第３の段階において、クラスタのスペクトルシグネチャは、睡眠期間中に発生する全ての音を表す信号全体の更なる、すなわち完全な自動注釈付けのために使用される。第４の段階において、任意の所与のクラスタのイベントが発生している睡眠期間の経過中の相対時間を決定するために、クラスタ、より具体的にはそれらの持続時間が評価される。例えば、出力は、（例として）いびきの総期間、非ＳＤＢ睡眠の総期間等を含む睡眠期間の概要であってもよく、このデータは様々な方法のうちのいずれかで出力してもよい。出力は、おそらく、クラスタ化された発生のうちの任意の１つ又は複数のイベントの他の特徴付けで増強され得る。

より具体的には、第１の段階に関して、音声信号が、携帯電話又は他の装置等のマイクによって拾われる。音声信号は、携帯電話又は他の場所で後の処理のために記録することができ、或いは信号はそれが記録されるのと同時に処理することができる。好ましくは、信号の解析は、線形予測アルゴリズムを用いて励起信号を生成することによって行われる。励起信号から、エネルギーが決定される。この時点で、メル周波数ケプストラム係数（ＭＦＣＣ）等のスペクトル特徴を含めることも可能である。自己相関関数（ＡＣＦ）を使用して、予想範囲内に十分な周期性があるかどうかを判断することができ、すなわち、繰返し率が望ましい範囲にしきい値を設定し、且つＡＣＦから相関の強さ又は程度に関する最小値を設定することによってその判断をすることができる。ＡＣＦは、一般的に入手可能であり、関連技術分野でよく知られている多種多様の既知のＡＣＦシステムのいずれでもよい。そのようなＡＣＦは、望ましくは、睡眠期間中のいくつかの呼吸期間に亘って動作するように作成され、さらに好ましくは、例として範囲及び強度設定に従って平均して十分に繰返し性を有するそれらのセグメントのみを識別するように構成される。すなわち、ＡＣＦは個々の呼吸周期を識別するようには構成されていない。

繰返し率に関して、エネルギー信号又は適切に生成されたエンベロープ信号は、２つの明確に区別可能なレベルによって特徴付けられるであろう。これらはクラスタリング・アルゴリズムによって推定することができ、その多くが存在することが知られている。十分な間隔を確保するためにしきい値を設定できる。

これら２つの尺度によって、ＳＤＢイベント、より具体的にはＳＤＢイベント中に発生するＳＤＢ音を明確に示すセグメントを識別することができる。ＳＤＢイベントを含むものとして識別されたセグメントが非常に高い信頼性、すなわち高い特異性を有するように、様々なしきい値を設定することができる。

時間軸の細分化は、推定された繰返し率に基づいて呼吸周期に関して行うことができる。各呼吸周期は、複数の事前設定されたクラスタのうちの１つに属する部分、或いは特定のクラスタ又はレベルに属する確率に分割することができる。最も典型的には、これらの部分は、順次の吸気相、呼気相、及び次の吸気直前の休止相であろう。吸気から呼気への移行を示すために時間マーカーを使用することが可能であり得る。このいくつかの例を以下で述べる。

クラスタは特性を有することができ、図示の例示的な実施形態では、クラスタには、それぞれそれらの特性としてエネルギーレベル及び相（phase）が与えられる。例えば、エネルギーレベルは高エネルギー又は低エネルギーのいずれかである。他のエネルギーレベル又は追加のエネルギーレベルを使用できることが理解される。さらに、エネルギーレベルが言及される本明細書の任意の点で、エネルギーレベルの代わり信号のエンベロープレベルが使用され得ることが明確に留意される。一般的に理解されるように、振幅は、呼吸周期のセグメントに亘って等、ある期間に亘る何らかのエネルギーの尺度を指すことができ、その振幅は（励起）信号のエネルギーを指すことができる。別のオプションは信号のエンベロープを見ることであり、これは励起信号の平均を参照し、それは等しく関連がある。別の特性は、示された例示的な実施形態において、吸気相、呼気相、休止相、及び未知の相（すなわち、その未知の相は、相が吸気又は呼気又は休止であるかどうかが不確実であるものである）を含む呼吸周期の相である。１〜６の番号が付けられた例示的なクラスタは、高い確率のものとして特徴付けられる。追加のクラスタ７は、そうでなければクラスタ１〜６のうちの１つにあったであろう中及び低確率の例のためのものである。

こうして、各時間インスタンス又は期間は、それぞれが２つのエネルギーレベル（高い及び低い）のうちの１つであると規定されるクラスタを含むケースを提示する以下の表１で特定されるような、複数の事前設定されたクラスタの中からクラスタに属するとして特徴付けられる。

より具体的には、本発明の一態様は、ある種の線形予測、好ましくは元の入力（音声）信号に対してワープ線形予測（ＷＬＰ）又はラゲール線形予測（ＬＬＰ）等のタップ付き全域通過フィルタのラインを使用する線形予測の適用により生じる励起信号を使用することである。関連技術分野で理解されているように、ＷＬＰとＬＬＰとの両方ともタップ付き全域通過フィルタのラインを使用するが、ＬＬＰでは第１のフィルタはＷＬＰのフィルタとは異なる。信号のセグメント化及びセグメント識別のために、元の音声信号のエネルギー又はエンベロープの代わりに又はそれと組み合わせて励起信号のエネルギー又はエンベロープを使用することにはいくつかの利点が存在する。これらの利点について以下で述べる。

第１に、バックグラウンドノイズ（無音又は換気ファン等の固定ノイズ）レベルは、元の音声信号のエネルギーよりも励起信号のエネルギーにおいてより安定しており、こうして、励起信号を信号セグメント化のより信頼できるソースにする。第２に、前述したバックグラウンド（すなわち、無音）レベルとＳＤＢイベントとの間の区別は、典型的に、元の音声信号よりも励起信号においてより顕著である。これは、ＳＤＢ音がより高い周波数特性を有する場合に特に当てはまる。第３に、励起信号は吸気から呼気への移行をより明確に示す。

一般的な線形予測子は次の式で与えられる。
Ｈ（ｚ）＝１−Σｂ_ｋＧ_ｋ（ｚ）
Ｇ_ｋ（ｚ）は任意の伝達関数であり、ｂ_ｋは重みであり、Σは総和記号であり、総和範囲は全てのｋｓに亘る（ｋ＝１，２，・・・Ｋ、Ｋはシステム内の自由度の数である）。Ｈ（ｚ）は解析フィルタと呼ばれる。

従来の線形予測アルゴリズムでは、
Ｇ_ｋ（ｚ）＝ｚ^−ｋ
これは、タップ付き遅延線フィルタとして知られ、ワープ線形予測のために、
Ｇ_ｋ（ｚ）＝Ａ^ｋ（ｚ）
ここで、Ａ（ｚ）は、−１＜ｐ＜１の実数ワープ係数又は極（pole）（ｐ）で規定される１次の全域通過セクションである。関連技術分野において一般的に理解されているように、極ｐを有する一次の全域通過フィルタＡ（ｚ）は、次の式で与えられる。
Ａ（ｚ）＝（ｐ−ｚ^−１）／（１−ｐｚ^−１）

解析フィルタＨ（ｚ）は、このシステムによって元の入力信号ｘ（ｔ）をフィルタリングするときに、出力信号が、最小のエネルギーを有し且つスペクトル的に可能な限り平坦になるように最適化される。この最適化における自由度は係数ｂ_ｋである。

音声の離散時間セグメントである入力信号ｘ（ｔ）は、フィルタシステム内に入力され、（ここでｋ＝１，２，・・・Ｋであり）、これは出力ｙ_ｋ（ｔ）を生成し、ｙ_ｋ（ｔ）が入力ｘ（ｔ）を有するフィルタＧ_ｋ（ｚ）の応答であることを意味する。

共分散行列Ｑは、次のように構成される。
Ｑ_ｋ，ｌ＝Σｙ_ｋ（ｔ）ｙ_ｌ（ｔ）
ここで総和は時間tに亘る。

共分散ベクトルは、次のように構成される。
Ｒ_ｋ＝Σｘ（ｔ）ｙ_ｋ（ｔ）
ここで総和は時間tに亘る。

あるいはまた、共分散は、何らかの時間的重み付け関数を用いて重み付けしてもよい。

最適なパラメータセットは次のように規定される。
ＱＢ＝Ｒ
ここで、ベクトルＢはパラメータｂ_ｋを含み、すなわち、Ｂ＝［ｂ_１，ｂ_２，・・・ｂ_ｋ］である。

このようにパラメータを最適化したので、解析フィルタの伝達関数の振幅の逆数は、元の入力信号ｘ（ｔ）のスペクトル特性を反映する。残差又は励起信号ｅ（ｔ）は、ｘ（ｔ）に作用する解析フィルタＨ（ｚ）の出力であり、次の式で与えられる。
ｅ（ｔ）＝ｘ（ｔ）-ｂ_ｋｙ_ｋ（ｔ）

ランニング（running: 移動）解析は、最適な係数ｂを定期的に決定し、フィルタにおける係数ｂを更新することによって行うことができ、こうして時変適応フィルタを形成することができる。

このように、入力信号ｘ（ｔ）、すなわちそのセグメント以外の全信号から、同様にセグメント化された励振信号以外の全信号である関連する励振信号ｅ（ｔ）を生成することができる。あるいはまた、重複加算法を使用して、セグメントｅ（ｔ）から完全な励起信号を構築することができる。

ＳＤＢイベントを検出するために、ＳＤＢが音声を支配的に決定するそれらの時間セグメントは、音声がバックグラウンドノイズによって支配される残りの時間セグメントから分離する必要があり、そのバックグラウンドノイズは主に無音であり得る。元の信号ｘ（ｔ）に基づくのではなく、励起信号ｅ（ｔ）に基づいてそのような識別及びセグメント化を行うことは、より簡単でよりロバストである。

上で示唆されるように、ＳＤＢ音を含むエピソードを検出するための２つの主な方法は、１）信号エネルギーの準周期的パターンを識別すること、及び２）最も音が大きいレベルがＳＤＢイベントに対応し、可能な限り最も低い音がバックグラウンド音に対応する２つの異なるエネルギーレベルを識別することである。他の方法、すなわち、信号エネルギーの準周期的パターン化に基づかない方法、又は２つの異なるエネルギーレベルの識別に基づかない方法が、本発明の精神から逸脱することなく、元の音声信号からいびき又は他のＳＤＢイベントを識別するために使用できることが理解される。

元の信号ｘ（ｔ）を使用するときよりも励起信号ｅ（ｔ）を使用するときの方がＳＤＢイベントの識別及びセグメント化がより容易であるだけでなく、励起信号ｅ（ｔ）が従来の線形予測アルゴリズム以外の線形予測アルゴリズムの使用によって得られるとさらに望ましい。関連技術分野で理解されているように、従来の線形予測方法はタップ付き遅延線を使用する。図１は、そのような従来の線形予測を使用するいくつかのいびきのエピソードに対する解析フィルタの伝達関数Ｈ（ｚ）の振幅伝達の逆数を示す。対照的に、図２は、ｐ＝０．６の極、すなわちワープ係数を有するＷＬＰを使用することを除いて、同じいびきのエピソードに対する伝達関数を示すが、そのワープ係数は、代替的には−０．６であってもよい。上記のように、ＷＬＰは一連のタップ付き全域通過フィルタを使用する。図１及び２に提示される両方の場合に、次数はＫ＝１０である。図２から最も理解されるように、ＷＬＰを使用する伝達関数は、約１５０Ｈｚに明確な共鳴ピークを有するが、これは従来の線形予測を使用する図１では殆ど見えない。１５０Ｈｚでのピークは、図１及び図２に示されるいびきイベントにおける実際の支配的ないびき音周波数を反映することに留意されたい。こうして、ＷＬＰ（又は、例としてＬＬＰ）は、従来の線形予測よりも励起信号ｅ（ｔ）を生成するのにより有利であることが理解されよう。例として、従来の線形予測を使用するのではなく、ＷＬＰ又はＬＬＰを使用することの他の利点について、以下でさらに詳細に述べる。

元の音声信号ｘ（ｔ）ではなく励振信号ｅ（ｔ）を有利に使用することが、図３及び図４にさらに有利に示されている。例えば、図３は入力信号ｘ（ｔ）のランニング（running：移動）エネルギーを示す。図４において、元の信号ｘ（ｔ）から導出され、Ｋ＝１０の次数に対してｐ＝０．６のワープ係数を有するＷＬＰを使用する励起信号ｅ（ｔ）のランニング・エネルギーが示されている。図３及び図４の場合に、入力音は呼気中のパフ（puffing）音である。繰り返されるパフ音は、図４においてより明確に見え、特に、元の信号ｘ（ｔ）を示す図３よりもその励起信号ｅ（ｔ）においてより明確に見える。そのため、ＷＬＰを使用する解析は、深いいびきに加えて他のタイプの呼吸現象を識別するのに役立つ。

図５は、異なる入力信号と結果として生じる励起信号とを互いに重ね合わせて示す。元の入力信号では、バックグラウンドの識別は約１０秒〜３０秒の間は困難である。しかしながら、１０〜３０秒のこの期間は、励起（すなわち、残差（residual））信号において、特にその一時的な挙動において、遥かに規則的で且つ明確に識別可能である。これは、前述したメカニズム、すなわち準周期性の検出及び異なるエネルギーレベルの検出が、元の信号に対する操作ではなく、励起信号に対して操作するときにより良い結果を与えることを意味する。

さらに図５において、吸気と呼気との間の移行点を示す一連の矢印が示されている。すなわち、移行点の直前（すなわち、移行点の左側）の期間は、呼吸周期の吸気相に対応し、移行点の直後（すなわち、移行点の右側）の期間は、呼吸周期の呼気相に対応する。吸気移行点及び呼気移行点は、元の（すなわち、入力）信号よりも励起（すなわち、残差）信号のエネルギーの方が遥かに見易く、このことはそのような移行点の識別が元の信号よりも励起信号においてより容易であることを示していることに留意されたい。

図６は、別の例示的な入力信号と結果として生じる励起信号（すなわち、残差信号）を示しており、これら入力信号及び励起信号が互いに重ね合わされている。やはり、図６の励起信号は、元の入力信号よりも構造的に優れており、元の信号における低レベルのエネルギーは、励起信号におけるエネルギーよりも遥かに雑音が多いように見えることが分かる。また、複数の吸気／呼気移行点が図６に複数の矢印を用いて示されている。

図５及び図６において矢印によって特定される移行点は、以下のように検出することができる。吸気と呼気との間の移行は、ｉ）負の勾配から正の勾配に急速に進むことを意味する高い正の曲率と、ｉｉ）エネルギーレベルがバックグラウンドレベルに又はそれに近いことを意味する低いレベルとの同時発生によって特徴付けられるが、時にはそのレベルは中レベルであり得るが、本質的にはより高いレベルではない。

短期多項式分解を使用することは、候補移行点のリストを作成するために、高い曲率及び低いレベルの同時発生を識別することができる方法である。その場合に、好ましくは図６にｄＢで示される励起信号のランニング・エネルギーは、重なり合うセグメントに割り込む。多項式関数がそれにフィットされ、好ましくはこのフィット（fit）は重み付け関数の下での最小２乗フィットである。近似曲線の多項式係数が検査され、誤差信号も検査される。誤差が十分に小さく、曲率が十分に高く、レベルが十分に低い場合に、セグメントは移行を含む。セグメント内の移行の位置は、推定多項式係数から決定できる。決定に必要な全ての値（十分に小さく、高く、及び低い）は、環境を監視する又は過去のセグメントを追跡することによって、前もって設定することによって（例えば、総誤差の１０％未満の誤差、少なくとも一定の割合のモデリング誤差を低減する際の２次項の寄与）、又は両方の方法の組合せによって、動的に設定することができる。あるいはまた、分類器（例えば、ニューラルネットワーク）が、エネルギーグラフにおける移行を認識するように訓練され得る。候補移行点のリストは、典型的に、ノイズによって引き起こされるいくつかの余分な要素を含み、さらにいくつかの欠損要素を含み得る。

候補移行点の識別に続いて、効果的な次のステップは検証動作である。移行点同士の間の距離（すなわち、持続時間）は規則的であること、すなわち呼吸によって引き起こされる繰返し率の１倍又は複数倍であることが予想され得る。繰返し率は、励起信号に適用される前述の自己相関関数（ＡＣＦ）又は追加の又は代替のＡＣＦから決定することができ、多数のＡＣＦが関連技術分野でよく知られており、本明細書では簡潔のために改めて述べない。

このような方法論は、候補移行点の生成と、候補移行点の呼吸周期の吸気相と呼気相との間の実際の移行点への検証とを有利に可能にする。そのような処理の結果は、図７の更なる例に示されており、図７は、さらに別の入力（音声）信号及びその入力信号から導出された励起信号を示し、両方の信号が重ね合わされていることを示す。図７は２つの観察を強調している。第１に、移行点はいつも低いレベルとは限らないが、上述したように中間レベルでも起こり得る。これに関して、様々な呼吸周期の吸気相と呼気相との間の移行点が、図７にアスタリスク記号を用いて示されている。第２に、図７は、たとえ励起信号内に他の多数の高い曲率の事例が見いだされたとしても、上述したメカニズムが移行点の正しい位置を見出すのに有効であることを実証している。元の入力（音声）信号のエネルギープロファイルは、所望の移行点ではないと決定される明確に高い曲率の事例を示すことに留意されたい。こうして、これもまた、励起信号ｅ（ｔ）が、元の（音声）信号ｘ（ｔ）自体のエネルギープロファイルよりも、一連のＳＤＢイベントの時間的構造を解析及び解釈するためのより良い手段を提供することを示す。

信号内の複数の移行点を識別したので、全時間信号は、移行点の直前の吸気相、移行点の直後の呼気相、及び呼気の直後に位置するが次の吸気相の前の休止相又は無声相に分割することができる。そのような解析は、（上述したような）高度な方法論又は直接的な発見的（heuristic）方法論によって実行される。従って、高レベルのＳＤＢイベントは、吸気相又は呼気相に属するものとして特徴付けることもでき、これは特定のＳＤＢエピソードに関連する特徴の解釈にとってさらに有益である。

そのようなＳＤＢ監視システムの１つの結果は、様々な情報を提供するために前述した解析の出力を使用することができる。例えば、ＳＤＢイベントであるとマークされているかどうかにかかわらず、吸気相中の典型的なスペクトルの概観を提供することができる。同様に、ＳＤＢイベントとしてマークされているかどうかにかかわらず、呼気中の典型的なスペクトルの概観を同様に出力することができる。また、典型的なバックグラウンドノイズスペクトルの概要も同様に出力することができる。関連技術分野において理解されているように、ＳＤＢイベント中に得られるスペクトルは、吸気相又は呼気相の間にかかわらず、ＳＤＢイベントの特定の原因又は複数の原因を究明するのに役立ち得ることが非常に望ましい。

こうして、段階１の出力は潜在的にタイムラインであり得、タイムライン全体は高い確率の移行点同士の間でセグメント化される。しかしながら、他の実施形態では、第１の段階の出力は、単に前述した表１等の表の出力であり得る。

第２の段階では、クラスタ、より具体的にはその中のセグメントは、イベントをさらに記述するパラメータによってさらに増強される。より具体的には、表１の例示的なクラスタ１〜７等のクラスタは、各クラスタ内の各サンプルにそのサンプルのスペクトルの特徴付けを追加することによって増強される。そのようなスペクトルの特徴付けは、フーリエ変換、パワースペクトル密度関数であり得、又はメル周波数ケプストラム係数（ＭＦＣＣ）のスペクトルを記述する特徴、又は線形予測システムのパラメータを含み得る。信号の細分化が（ＷＬＰ又はＬＬＰが使用された）励起信号に基づいている状況では、前述したパラメータｂ_ｋが既に段階１から利用可能である限り、線形予測システムは特に有効である。追加のスペクトル特徴付けに基づいて、クラスタは、それらのスペクトル特徴付けに関して一貫性についてチェックされ、必要ならばさらに細分化される。その結果、一貫したスペクトル特徴付けに少なくとも部分的に基づいて１組のクラスタが作成される。これは、表１の例に示されるように、クラスタが一貫したエネルギーレベル及び一貫した相に少なくとも部分的に基づくことに加重される。

本発明のこの部分のいくつかの態様は、前述したＷＬＰ及びＬＬＰ等の全域通過フィルタに基づく線形予測方法論の使用を含む。そのような代替の線形予測方法論の使用はエラーシステムのチューブモデルとの対応の喪失をもたらすかもしれないが、ＳＤＢに関してＷＬＰ又はＬＬＰを使用することの利点は、チューブモデルを用いたそのような対応の喪失よりも大きな利点である。

特に、そのようなＷＬＰ及びＬＬＰの使用は、ワープパラメータの正の設定のために低周波数範囲において増大したスペクトル分解能をもたらす。これにより、低周波いびき現象の改善されたスペクトルの特徴付け（特性評価）が可能になる。さらに、吸気性喘鳴、呼気性喘鳴、及びパフ（puffing）で起こるような高周波現象について、元の信号ｘ（ｔ）の使用と比較して、励起信号ｅ（ｔ）、すなわち、残差信号エネルギー又は励起信号エネルギーの解析からより良い時間的特徴付けが得られる。さらに、解釈可能なスペクトルフォーマットに到達するための方法論は、様々なＳＤＢエピソードからの推定システム（ＷＬＰ又はＬＬＰ）によるパラメータを共鳴確率関数に変換することによって達成される。

本例示的な実施形態では、本発明の精神から逸脱することなくＬＬＰを使用できることが理解されるが、ＷＬＰが使用される。音声符号化の場合に、人間の聴覚システムを模倣するために、選択される例示的なワープ係数又は極が音声信号のサンプリング周波数に結合される。例えば、サンプリングレートが３０ｋＨｚである場合に、ｐ＝０．７のワープ係数が使用され得るが、１０ｋＨｚでのサンプリングシステムにおいては、好ましいワープ係数は、これらのそれぞれの範囲に亘って人間の耳の感度と良好な対応を取るために、ｐ＝０．６であり得る。

ＳＤＢ解析では、ＳＤＢ特徴付けのための改良された機能を提供するためにワープの自由度を使用することが好ましい。そのため、最良のＳＤＢ解析のための極又はワーピング係数の選択は、様々な検討事項に基づいて設定される。例えば、極は先験的情報に設定することができ、あるいはまた、異なる基準を使用して信号特性に基づいて最適化することができる。一例として、先験的情報の使用は、高周波現象をより詳細に見ることが望まれる場合に、ｐ＝−０．５のワープ係数又は極の選択を含み得るか、又はワープ係数又は極は、より低い周波数の現象を調べることが望まれる場合に、ｐ＝０．５であるとして選択され得る。異なる基準が使用される場合に、ワープ係数は、例えば平均二乗誤差を最小化するために選択され得るか、又は平均絶対誤差を最小化することが望まれる場合に異なる値に選択され得る。さらに別法として、共鳴ピークの解析を行うことが望まれる場合のように、解析は、所望のＳＤＢ解析結果に応じて進められ得る。例えば、約１５０Ｈｚでの共鳴ピークが図２で識別されるように、共鳴ピークが特定の周波数で識別されると決定してもよい。１５０Ｈｚにおける存在ピークに基づいて、１５０Ｈｚ付近の現象に焦点を合わせるためにワープ係数を調整することが望ましいかもしれない。他の例は明らかであろう。

上で示唆されるように、ベクトルＢに含まれる推定パラメータは解析フィルタ関数Ｈ（ｚ）を規定する。その分子多項式の根は、共鳴ピークを決定するために使用することができる。すなわち、フィルタ関数Ｈ（ｚ）は、分子多項式を分母多項式で割ったものとして特徴付けることができる。分子多項式の根は、多種多様な方法のいずれかで識別できる。１つ又は２つの根を識別する必要がある状況では、基本的な代数演算が、根を決定するために潜在的に使用され得る。より多くの根が存在する状況では、その多くが関連技術分野で知られている、多種多様なより複雑な根発見アルゴリズムのいずれかを使用することができる。例えば、使用され得る他の根発見アルゴリズムは、Bairstowの方法、或いはHalleyの方法、Laguerreの方法、Bernoulliの方法等の他の方法に基づくものを、制限なく含むだろう。

信号内に様々なＳＤＢエピソードを有し、ベクトルＢからのフィルタパラメータ（すなわち、ｂ_ｋ＝ｂ_１，ｂ_２，・・・ｂ_ｋ）は有用な解析を可能にする。前述のＳＤＢエピソードのそれぞれについて、ＳＤＢエピソードを特徴付けるために共鳴確率関数を決定することができる。これは、上述したようにＨ（ｚ）の分子多項式の根を検討することによって行うことができる。分子多項式の根のいくつかは、（ａ＋ｂ_ｉ）を特徴とする複素数であり、ここでａ及びｂが実数であり、ｉが虚数単位である。

さらに、そのような複素数は、横座標がａ軸で縦座標がｂ軸であるａ−ｂ座標系の原点に位置するそれ自身の原点を有するベクトルとしてそれぞれ特徴付けることができることが理解される。ベクトルの終点は、ａ−ｂ座標系上の点ａ，ｂにある。

Ｈ（ｚ）の分子多項式の様々な根は、１つ又は複数の複素数根及び／又は１つ又は複数の実数根を含むことができる。実数の根は、正の虚数部がない、又は十分な絶対値がない複素数根の場合と同様に、無視される。これに関して、絶対値はベクトルの長さであり、ＳＱＲＴ（ａ^２＋ｂ^２）によって与えられる。長さが０．４以上の状況では、そのような根（正の虚数部がある場合）は、共鳴現象の代表であると見なされる。共鳴現象を表す複素数根（complex roots）を選択するためのわずかに異なる基準も同様に使用することができ、例えば角度と半径との両方が選択範囲で役割を果たす。

このような分子多項式の複素数根のうち、横軸に対するベクトルの角度は中心周波数ｆ_ｉに対応し、根の半径（すなわち、長さ）は帯域幅Ｗ_ｉに関連付けられる。次に、所定の形状を有するテンプレート確率を使用することができ、前述の角度（すなわち、中心周波数ｆ_ｉ）及び半径（すなわち、帯域幅Ｗ_ｉ）を使用して、確率密度関数を生成する際に使用される所与の根についての確率成分を構成することができる。具体的には、テンプレート確率は中心周波数ｆ_ｉを中心とし、テンプレート確率の幅は帯域幅Ｗ_ｉに設定される。これは次の式で与えられる。
Ｐ（ｆ）＝ΣＴ（（ｆ−ｆ_ｉ）／ｗ_ｉ）ｗ_ｉ
ここで、Ｐは確率関数であり、ｆは周波数であり、Ｔはテンプレート関数である。一例を図８に提供し、この図では、分子多項式の４つの例示的な根が三角形のテンプレート確率に適用されて４つの確率成分（数字２４、２８、３２、及び３６で示される）を形成し、それら成分が組み合わされて数字４０で示されるような例示的な確率関数を形成する。典型的に、Ｐは、ｆに対するＰの積分が１に等しくなるように、すなわちＰを確率密度関数にするように正規化される。実際の確率密度関数の例は、概して図９に示されており、この図は約１５０Ｈｚにピークを示し、これはこの周波数でいびき現象の可能性が高いことを示す非常に狭いピークである。

例を提供する目的で本明細書では三角形のテンプレート関数を使用しているが、他の種類のテンプレート確率を使用することもできることを理解されたい。おそらく使用可能である他のテンプレート確率は、長方形テンプレート確率、ガウステンプレート確率、及び他のそのようなテンプレート確率を制限なく含むであろう。一例として、単位は固定されており、その高さは典型的には１／ｗに比例することにさらに留意されたい。

さらに、相が「未知」であるそれらのクラスタが、一例として、それらの未知セグメントのスペクトル特徴付けと吸気及び呼気クラスタのスペクトル特徴付けとの間の一貫性に基づいて、「吸気」又は「呼気」として再ラベル付けされ得るかどうかを検討することが有利であり得る。これは、クラスタのプールと呼ばれることがある。

段階３では、信号内の各時刻又は時間セグメントのスペクトル特徴付けは、段階２で出力されたクラスタ（又はそれらのクラスタに割り当てられたセグメントのクラスタ）の特徴付けと比較される。これにより、各時刻又は時間セグメントについてクラス割当て又は少なくとも確率を出力することが可能になる。

さらに、時間的構造の完全性は、呼吸の時間的論理を含むクラス割当て（又は確率）、すなわち、吸気相とそれに続く呼気相とそれに続く安静相とを、定性的に知られている、すなわち可能であれば段階１で測定されたもの等のデータの一部である特定のリズム（cadence）と対比することによって確認することができる。この段階では、測定データの特定の部分が必ずしも上述の解析に向いていない可能性があるので、識別されていない（すなわち、クラスタに割り当てられていない）セグメントを使用することができる。これは、例えば、バックグラウンドノイズが支配的であること、又は他の現象が原因である可能性がある。

さらに、クラスタは、データベース内で利用可能であり得る、又は他で利用可能であり得るクラスタと比較され得るか、又はそのクラスタで増強され得る。一例は、ある日の睡眠期間のクラスタを、前の夜の睡眠期間中に又は別の機会に生成されたクラスタと比較することができるだろう。段階３の出力は完全に分類された時間軸であり、ここで全ての時間インスタンス又は時間セグメントは呼吸周期の吸気相、呼気相、又は休止相として完全に分類される。図７は、そのような分類された時間軸の例示的な限られた部分を示す。

段階４に関して、クラスタをそれらのスペクトル特徴付けによって記述し、そのようなクラスタ内のそのようなセグメントが開始及び終了する様々な時間を有することによって、様々な概観及び解析を作成し生成して、分類された時間軸によって例示される測定値への洞察を与えることができることが理解される。最も単純な形式では、段階４は、様々なクラスタの情報を１つの形式又は別の形式でレンダリングし、出力を提供することである。出力は、クラスタ毎に、スペクトルの挙動の統計（すなわち、周波数毎の平均及び標準偏差、又は中央値及び四分位範囲）、夜の総持続時間、夜の相対的な持続時間（ここで相対的とは、呼吸時間の合計時間又は特定の相に対するものである）、及び／又はそのような挙動が観察される呼吸周期の割合を示す一連のプロットであり得る。

あるいはまた、データは、イベントに意味又は解釈を与えるために、知識エンジン又はデータベースを使用することによって解釈することができ、システムの出力は、知識ベース内の又はデータベース内の特定のラベルとの比較に関する特徴付けとすることができる。例えば、特定のいびきが起きる可能性があり、又は就寝前のアルコールの消費量に応じてその特性が変わる可能性があることが理解される。同様に、いびきの特徴付けは、過剰年齢（excess age）、鼻閉塞等によって変化する可能性がある。そのようなラベルは、出力に含まれてもよい。さらに代替として、トレンド解析を生成し、そのようなトレンド解析の結果を出力するために、データを前日に収集したデータと比較することができる。他の種類の他の出力は明らかであろう。

こうして、前述の方法論は、睡眠期間中の患者の呼吸障害の特徴付けを有利に可能にすることが分かる。そのような解析は、本明細書で述べたＷＬＰ及びＬＬＰ解析方法によって少なくとも部分的に可能になる。これは、そのｂ_ｋパラメータを有するベクトルＢがフィルタを特徴付け、そうするために非常に少ないデータ要素しか必要としないので特にそうである。例えば、本明細書に記載されているようにＫ＝１０である１０次システムでは、伝達関数Ｈ（ｚ）は１０個のｂパラメータによって効果的に特徴付けることができる。ＷＬＰ又はＬＬＰが存在しない場合に、データ信号の従来のサンプリングは、睡眠期間全体の経過に亘って処理するのに実用的ではないであろう膨大な数のデータを生成するであろう。例えば、３０ｋＨｚでの従来の音声サンプリングの使用は、睡眠に関して毎分１８０万のデータ値をもたらすであろう。人間は通常１日当たり６〜８時間眠るので、睡眠に関して毎分１８０万のデータ値を生成することは、従来のデータ処理装置を使用して意味のあるように処理することが不可能な量のデータを生成するであろう。他方、フィルタ関数が１０個のｂ値に関して特徴付けることができる場合に、必要とされるデータ処理は、信号の厳密なサンプリング及びそのようなサンプルの記憶の場合に必要とされるものよりも数桁少ない。このように、ＷＬＰ及びＬＬＰの使用は、そうでなければ非実用的又は不可能となるであろう従来のデータ処理装置を使用してデータ処理を行うことを有利に可能にする。従って、有利には、本明細書に提示される解析は、現代のコンピュータ機器で実行することが可能であるが、ＷＬＰ及びＬＬＰが存在しない場合に、これは不可能であろう。他の利点は明らかであろう。

請求項において、括弧内に配置されたいかなる参照符号も請求項を限定するものとして解釈すべきではない。「備える、有する、含む（comprising）」又は「含む、有する（including）」という用語は、請求項に記載されたもの以外の要素又はステップの存在を排除するものではない。いくつかの手段を列挙している装置の請求項において、これらの手段のいくつかはハードウェアの同一のアイテムによって具現化してもよい。要素に先行する単語「１つの（a, an）」は、そのような要素が複数存在することを排除するものではない。いくつかの手段を列挙しているいずれの装置の請求項においても、これらの手段のいくつかはハードウェアの同一のアイテムによって具現化することができる。特定の要素が互いに異なる従属請求項に記載されているという単なる事実は、これらの要素を組み合わせて使用できないことを示すものではない。

本発明について、最も実用的で好ましい実施形態であると現在考えられているものに基づいて説明の目的で詳細に説明したが、そのような詳細はもっぱらその目的のためであり、本発明は開示された実施形態に限定されず、むしろ逆に、添付の特許請求の範囲の趣旨及び範囲内にある修正形態及び均等な構成を網羅することが意図されている。例えば、本発明は、可能な範囲で、任意の実施形態の１つ又は複数の特徴を任意の他の実施形態の１つ又は複数の特徴と組み合わせたものを企図することを理解されたい。

Claims (12)

1. 睡眠期間中の患者の呼吸障害を特徴付ける方法であって、当該方法は、
   前記患者の近くで前記睡眠期間の少なくとも一部の間に発生する音を表す少なくとも第１の信号を受信するステップと、
   前記少なくとも第１の信号において複数のセグメントを識別するステップと、
   前記複数のセグメントのうちの少なくともいくつかのセグメントを、それぞれが複数の特性を有する複数の事前設定されたクラスタのうちの１つのクラスタに含まれるものとして特徴付けるステップであって、複数の特性の中からの１つの特性が、呼吸周期の吸気相、呼吸周期の呼気相、呼吸周期の休止相、及び未知のイベントを含む一群の相の中からの相であり、前記複数の特性の中からの別の特性がエネルギー値を表す、特徴付けるステップと、
   前記少なくともいくつかのセグメントの各セグメントに前記セグメントのスペクトル特徴付けを適用するステップと、
   その相として未知のイベントを有するクラスタ内にあると特徴付けられる少なくとも１つのセグメントについて、前記少なくとも１つのセグメントの前記スペクトル特徴付けと別のクラスタに関連するスペクトル特徴付けとの間の対応関係に少なくとも部分的に基づいて、前記少なくとも１つのセグメントを、その相として呼吸周期の吸気相、呼吸周期の呼気相、及び呼吸周期の休止相の１つを有する別のクラスタ内にあると特徴付けられるように再特徴付けして、前記少なくとも第１の信号に対応する時間軸を形成するステップであって、前記時間軸のセグメントはそれぞれ、呼吸周期の吸気相、呼吸周期の呼気相、及び呼吸周期の休止相のうちの１つとして分類される、形成するステップと、
   前記時間軸に少なくとも部分的に基づいている情報を含む出力を生成するステップと、を含む、
   方法。
2. 前記少なくとも第１の信号を線形予測アルゴリズムにかけて、励起信号を生成するステップをさらに含む、請求項１に記載の方法。
3. 前記線形予測アルゴリズムは、周波数スペクトルの少なくとも１つの特定の部分にエンハンスされた詳細を提供するために調整可能な少なくとも１つのパラメータを含むフィルタ構造を使用する、請求項２に記載の方法。
4. 前記線形予測アルゴリズムは、ラゲール線形予測アルゴリズムである、請求項３に記載の方法。
5. 前記線形予測アルゴリズムは、ワープ線形予測アルゴリズムである、請求項３に記載の方法。
6. 前記エネルギー値は、高振幅と、低振幅及び中振幅のうちの少なくとも１つとを含む一群の振幅の中からの振幅である、請求項１に記載の方法。
7. 振幅は、前記少なくともいくつかのセグメントのうちのあるセグメントのエネルギーレベルに対応する、請求項１に記載の方法。
8. 前記出力を生成するステップは、前記複数の事前設定されたクラスタの中からの少なくともいくつかの前記クラスタのスペクトル挙動の統計を示す１つ又は複数のプロットを含む、請求項１に記載の方法。
9. 前記出力を生成するステップは、呼吸の特定の相及び別の値に対するその大きさを含む、請求項１に記載の方法。
10. 前記出力を生成するステップは、知識ベース内のラベルとの比較に関する特徴付けを含む、請求項１に記載の方法。
11. 前記出力を生成するステップは、
    トレンド解析を生成するために以前に収集したデータとの比較を実行するステップと、
    前記トレンド解析の結果を出力するステップと、を含む、請求項１に記載の方法。
12. 前記エネルギー値は、エンベロープを指す、請求項１に記載の方法。

Images