JP2022507834A - 呼吸障害の検出のための方法および装置 - Google Patents
呼吸障害の検出のための方法および装置 Download PDFInfo
- Publication number
- JP2022507834A JP2022507834A JP2021527983A JP2021527983A JP2022507834A JP 2022507834 A JP2022507834 A JP 2022507834A JP 2021527983 A JP2021527983 A JP 2021527983A JP 2021527983 A JP2021527983 A JP 2021527983A JP 2022507834 A JP2022507834 A JP 2022507834A
- Authority
- JP
- Japan
- Prior art keywords
- sleep
- signal
- signals
- cough
- processors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 421
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 217
- 206010011224 Cough Diseases 0.000 claims abstract description 356
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 234
- 230000033001 locomotion Effects 0.000 claims abstract description 153
- 238000005259 measurement Methods 0.000 claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 284
- 230000007958 sleep Effects 0.000 claims description 187
- 230000003595 spectral effect Effects 0.000 claims description 139
- 238000001514 detection method Methods 0.000 claims description 118
- 230000008569 process Effects 0.000 claims description 102
- 208000008784 apnea Diseases 0.000 claims description 81
- 238000004364 calculation method Methods 0.000 claims description 64
- 206010021079 Hypopnoea Diseases 0.000 claims description 63
- 238000011156 evaluation Methods 0.000 claims description 45
- 238000011282 treatment Methods 0.000 claims description 45
- 230000000414 obstructive effect Effects 0.000 claims description 44
- 201000002859 sleep apnea Diseases 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 34
- 230000000694 effects Effects 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 29
- 230000008667 sleep stage Effects 0.000 claims description 29
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 28
- 230000003434 inspiratory effect Effects 0.000 claims description 27
- 238000002644 respiratory therapy Methods 0.000 claims description 27
- 230000037007 arousal Effects 0.000 claims description 26
- 208000035475 disorder Diseases 0.000 claims description 25
- 230000004622 sleep time Effects 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 24
- 208000006673 asthma Diseases 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 12
- 230000001684 chronic effect Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 208000017574 dry cough Diseases 0.000 claims description 8
- 208000021302 gastroesophageal reflux disease Diseases 0.000 claims description 8
- 201000008827 tuberculosis Diseases 0.000 claims description 8
- 206010036790 Productive cough Diseases 0.000 claims description 6
- 208000020816 lung neoplasm Diseases 0.000 claims description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 5
- 206010035664 Pneumonia Diseases 0.000 claims description 5
- 206010006451 bronchitis Diseases 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 201000005202 lung cancer Diseases 0.000 claims description 5
- 206010070488 Upper-airway cough syndrome Diseases 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000002685 pulmonary effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000005236 sound signal Effects 0.000 abstract description 32
- 238000012216 screening Methods 0.000 abstract description 27
- 208000019116 sleep disease Diseases 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 5
- 206010041235 Snoring Diseases 0.000 description 109
- 239000003570 air Substances 0.000 description 65
- 238000004458 analytical method Methods 0.000 description 54
- 238000000605 extraction Methods 0.000 description 44
- 230000036387 respiratory rate Effects 0.000 description 36
- 238000005516 engineering process Methods 0.000 description 35
- 238000012806 monitoring device Methods 0.000 description 28
- 230000001965 increasing effect Effects 0.000 description 25
- 208000037656 Respiratory Sounds Diseases 0.000 description 23
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 21
- 208000001797 obstructive sleep apnea Diseases 0.000 description 21
- 206010047924 Wheezing Diseases 0.000 description 20
- 210000000038 chest Anatomy 0.000 description 20
- 208000003417 Central Sleep Apnea Diseases 0.000 description 18
- 206010013975 Dyspnoeas Diseases 0.000 description 18
- 238000013459 approach Methods 0.000 description 18
- 230000008447 perception Effects 0.000 description 18
- 238000007781 pre-processing Methods 0.000 description 18
- 238000009423 ventilation Methods 0.000 description 17
- 230000008901 benefit Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 15
- 208000024891 symptom Diseases 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 239000007789 gas Substances 0.000 description 13
- 229910052760 oxygen Inorganic materials 0.000 description 13
- 238000002560 therapeutic procedure Methods 0.000 description 13
- 230000007423 decrease Effects 0.000 description 12
- 230000005713 exacerbation Effects 0.000 description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 11
- 238000010606 normalization Methods 0.000 description 11
- 239000001301 oxygen Substances 0.000 description 11
- 208000023504 respiratory system disease Diseases 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 10
- 239000003814 drug Substances 0.000 description 10
- 229940079593 drug Drugs 0.000 description 10
- 230000007774 longterm Effects 0.000 description 10
- 230000000737 periodic effect Effects 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 10
- 208000000059 Dyspnea Diseases 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 230000001953 sensory effect Effects 0.000 description 9
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 8
- 208000005392 Spasm Diseases 0.000 description 8
- 208000018360 neuromuscular disease Diseases 0.000 description 8
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 8
- 238000011084 recovery Methods 0.000 description 8
- 210000002345 respiratory system Anatomy 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000010183 spectrum analysis Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000001225 therapeutic effect Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 206010019280 Heart failures Diseases 0.000 description 7
- 208000005793 Restless legs syndrome Diseases 0.000 description 7
- 208000013116 chronic cough Diseases 0.000 description 7
- 210000004072 lung Anatomy 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 201000004193 respiratory failure Diseases 0.000 description 7
- 206010010904 Convulsion Diseases 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 210000003205 muscle Anatomy 0.000 description 6
- 238000003672 processing method Methods 0.000 description 6
- 230000003860 sleep quality Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 210000000115 thoracic cavity Anatomy 0.000 description 6
- 238000002604 ultrasonography Methods 0.000 description 6
- 206010021133 Hypoventilation Diseases 0.000 description 5
- 206010062519 Poor quality sleep Diseases 0.000 description 5
- 206010067775 Upper airway obstruction Diseases 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012854 evaluation process Methods 0.000 description 5
- 230000001815 facial effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000003340 mental effect Effects 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 210000000779 thoracic wall Anatomy 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 206010061876 Obstruction Diseases 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000002565 electrocardiography Methods 0.000 description 4
- 238000000537 electroencephalography Methods 0.000 description 4
- 210000004704 glottis Anatomy 0.000 description 4
- 208000000122 hyperventilation Diseases 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 210000000214 mouth Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000011295 pitch Substances 0.000 description 4
- 230000036391 respiratory frequency Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 206010041232 sneezing Diseases 0.000 description 4
- 230000002195 synergetic effect Effects 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 208000000884 Airway Obstruction Diseases 0.000 description 3
- 206010008501 Cheyne-Stokes respiration Diseases 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 206010019233 Headaches Diseases 0.000 description 3
- 208000007101 Muscle Cramp Diseases 0.000 description 3
- 206010038669 Respiratory arrest Diseases 0.000 description 3
- 206010057190 Respiratory tract infections Diseases 0.000 description 3
- 206010041349 Somnolence Diseases 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000003123 bronchiole Anatomy 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011513 continuous positive airway pressure therapy Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 210000001061 forehead Anatomy 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 231100000869 headache Toxicity 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 206010025482 malaise Diseases 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 210000003097 mucus Anatomy 0.000 description 3
- 201000006938 muscular dystrophy Diseases 0.000 description 3
- 201000009240 nasopharyngitis Diseases 0.000 description 3
- 230000008452 non REM sleep Effects 0.000 description 3
- 210000001331 nose Anatomy 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000010349 pulsation Effects 0.000 description 3
- 238000013442 quality metrics Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 208000024794 sputum Diseases 0.000 description 3
- 210000003802 sputum Anatomy 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 210000003437 trachea Anatomy 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- VCGRFBXVSFAGGA-UHFFFAOYSA-N (1,1-dioxo-1,4-thiazinan-4-yl)-[6-[[3-(4-fluorophenyl)-5-methyl-1,2-oxazol-4-yl]methoxy]pyridin-3-yl]methanone Chemical compound CC=1ON=C(C=2C=CC(F)=CC=2)C=1COC(N=C1)=CC=C1C(=O)N1CCS(=O)(=O)CC1 VCGRFBXVSFAGGA-UHFFFAOYSA-N 0.000 description 2
- ABDDQTDRAHXHOC-QMMMGPOBSA-N 1-[(7s)-5,7-dihydro-4h-thieno[2,3-c]pyran-7-yl]-n-methylmethanamine Chemical compound CNC[C@@H]1OCCC2=C1SC=C2 ABDDQTDRAHXHOC-QMMMGPOBSA-N 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010007556 Cardiac failure acute Diseases 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 2
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 2
- 206010013801 Duchenne Muscular Dystrophy Diseases 0.000 description 2
- 208000021642 Muscular disease Diseases 0.000 description 2
- 206010031123 Orthopnoea Diseases 0.000 description 2
- 208000010340 Sleep Deprivation Diseases 0.000 description 2
- LXRZVMYMQHNYJB-UNXOBOICSA-N [(1R,2S,4R)-4-[[5-[4-[(1R)-7-chloro-1,2,3,4-tetrahydroisoquinolin-1-yl]-5-methylthiophene-2-carbonyl]pyrimidin-4-yl]amino]-2-hydroxycyclopentyl]methyl sulfamate Chemical compound CC1=C(C=C(S1)C(=O)C1=C(N[C@H]2C[C@H](O)[C@@H](COS(N)(=O)=O)C2)N=CN=C1)[C@@H]1NCCC2=C1C=C(Cl)C=C2 LXRZVMYMQHNYJB-UNXOBOICSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 2
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 239000003434 antitussive agent Substances 0.000 description 2
- 229940124584 antitussives Drugs 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000035565 breathing frequency Effects 0.000 description 2
- 210000000621 bronchi Anatomy 0.000 description 2
- 206010006514 bruxism Diseases 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 208000027744 congestion Diseases 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 210000003238 esophagus Anatomy 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000000870 hyperventilation Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003387 muscular Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000422 nocturnal effect Effects 0.000 description 2
- 208000012144 orthopnea Diseases 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- 208000037821 progressive disease Diseases 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 210000003019 respiratory muscle Anatomy 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 206010039722 scoliosis Diseases 0.000 description 2
- 208000013220 shortness of breath Diseases 0.000 description 2
- 208000020685 sleep-wake disease Diseases 0.000 description 2
- 210000001584 soft palate Anatomy 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- HVTQDSGGHBWVTR-UHFFFAOYSA-N 2-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]-3-phenylmethoxypyrazol-1-yl]-1-morpholin-4-ylethanone Chemical compound C(C1=CC=CC=C1)OC1=NN(C=C1C=1C=NC(=NC=1)NC1CC2=CC=CC=C2C1)CC(=O)N1CCOCC1 HVTQDSGGHBWVTR-UHFFFAOYSA-N 0.000 description 1
- IHCCLXNEEPMSIO-UHFFFAOYSA-N 2-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperidin-1-yl]-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethanone Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C1CCN(CC1)CC(=O)N1CC2=C(CC1)NN=N2 IHCCLXNEEPMSIO-UHFFFAOYSA-N 0.000 description 1
- HCDMJFOHIXMBOV-UHFFFAOYSA-N 3-(2,6-difluoro-3,5-dimethoxyphenyl)-1-ethyl-8-(morpholin-4-ylmethyl)-4,7-dihydropyrrolo[4,5]pyrido[1,2-d]pyrimidin-2-one Chemical compound C=1C2=C3N(CC)C(=O)N(C=4C(=C(OC)C=C(OC)C=4F)F)CC3=CN=C2NC=1CN1CCOCC1 HCDMJFOHIXMBOV-UHFFFAOYSA-N 0.000 description 1
- WNEODWDFDXWOLU-QHCPKHFHSA-N 3-[3-(hydroxymethyl)-4-[1-methyl-5-[[5-[(2s)-2-methyl-4-(oxetan-3-yl)piperazin-1-yl]pyridin-2-yl]amino]-6-oxopyridin-3-yl]pyridin-2-yl]-7,7-dimethyl-1,2,6,8-tetrahydrocyclopenta[3,4]pyrrolo[3,5-b]pyrazin-4-one Chemical compound C([C@@H](N(CC1)C=2C=NC(NC=3C(N(C)C=C(C=3)C=3C(=C(N4C(C5=CC=6CC(C)(C)CC=6N5CC4)=O)N=CC=3)CO)=O)=CC=2)C)N1C1COC1 WNEODWDFDXWOLU-QHCPKHFHSA-N 0.000 description 1
- KVCQTKNUUQOELD-UHFFFAOYSA-N 4-amino-n-[1-(3-chloro-2-fluoroanilino)-6-methylisoquinolin-5-yl]thieno[3,2-d]pyrimidine-7-carboxamide Chemical compound N=1C=CC2=C(NC(=O)C=3C4=NC=NC(N)=C4SC=3)C(C)=CC=C2C=1NC1=CC=CC(Cl)=C1F KVCQTKNUUQOELD-UHFFFAOYSA-N 0.000 description 1
- CYJRNFFLTBEQSQ-UHFFFAOYSA-N 8-(3-methyl-1-benzothiophen-5-yl)-N-(4-methylsulfonylpyridin-3-yl)quinoxalin-6-amine Chemical compound CS(=O)(=O)C1=C(C=NC=C1)NC=1C=C2N=CC=NC2=C(C=1)C=1C=CC2=C(C(=CS2)C)C=1 CYJRNFFLTBEQSQ-UHFFFAOYSA-N 0.000 description 1
- 208000035285 Allergic Seasonal Rhinitis Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000037874 Asthma exacerbation Diseases 0.000 description 1
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- RZZPDXZPRHQOCG-OJAKKHQRSA-O CDP-choline(1+) Chemical compound O[C@@H]1[C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OCC[N+](C)(C)C)O[C@H]1N1C(=O)N=C(N)C=C1 RZZPDXZPRHQOCG-OJAKKHQRSA-O 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000238366 Cephalopoda Species 0.000 description 1
- 206010008589 Choking Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 208000019505 Deglutition disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 241001669679 Eleotris Species 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010020591 Hypercapnia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 201000009342 Limb-girdle muscular dystrophy Diseases 0.000 description 1
- 206010024971 Lower respiratory tract infections Diseases 0.000 description 1
- 241000131091 Lucanus cervus Species 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010028111 Mucosal dryness Diseases 0.000 description 1
- AYCPARAPKDAOEN-LJQANCHMSA-N N-[(1S)-2-(dimethylamino)-1-phenylethyl]-6,6-dimethyl-3-[(2-methyl-4-thieno[3,2-d]pyrimidinyl)amino]-1,4-dihydropyrrolo[3,4-c]pyrazole-5-carboxamide Chemical compound C1([C@H](NC(=O)N2C(C=3NN=C(NC=4C=5SC=CC=5N=C(C)N=4)C=3C2)(C)C)CN(C)C)=CC=CC=C1 AYCPARAPKDAOEN-LJQANCHMSA-N 0.000 description 1
- 206010028735 Nasal congestion Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010073310 Occupational exposures Diseases 0.000 description 1
- 206010030124 Oedema peripheral Diseases 0.000 description 1
- 206010033307 Overweight Diseases 0.000 description 1
- 208000003251 Pruritus Diseases 0.000 description 1
- 206010038678 Respiratory depression Diseases 0.000 description 1
- 206010038687 Respiratory distress Diseases 0.000 description 1
- 206010048908 Seasonal allergy Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 208000002352 blister Diseases 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000009084 cardiovascular function Effects 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000006392 deoxygenation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000000876 intercostal muscle Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002085 irritant Substances 0.000 description 1
- 231100000021 irritant Toxicity 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007803 itching Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 210000004731 jugular vein Anatomy 0.000 description 1
- 210000000867 larynx Anatomy 0.000 description 1
- 201000010901 lateral sclerosis Diseases 0.000 description 1
- 230000009063 long-term regulation Effects 0.000 description 1
- 235000021266 loss of appetite Nutrition 0.000 description 1
- 208000019017 loss of appetite Diseases 0.000 description 1
- 208000030500 lower respiratory tract disease Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 208000001022 morbid obesity Diseases 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 208000005264 motor neuron disease Diseases 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 206010029864 nystagmus Diseases 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 231100000675 occupational exposure Toxicity 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000003300 oropharynx Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000003863 physical function Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000036412 respiratory physiology Effects 0.000 description 1
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- XGVXKJKTISMIOW-ZDUSSCGKSA-N simurosertib Chemical compound N1N=CC(C=2SC=3C(=O)NC(=NC=3C=2)[C@H]2N3CCC(CC3)C2)=C1C XGVXKJKTISMIOW-ZDUSSCGKSA-N 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 239000006188 syrup Substances 0.000 description 1
- 235000020357 syrup Nutrition 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000003519 ventilatory effect Effects 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- 210000001260 vocal cord Anatomy 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
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
- 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
- A61B5/0823—Detecting or evaluating cough events
-
- 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
- A61B5/4812—Detecting sleep stages or cycles
-
- 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
- A61B5/4815—Sleep quality
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0204—Acoustic sensors
-
- 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
- A61B5/0871—Peak expiratory flowmeters
-
- 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
- A61B5/7228—Signal modulation applied to the input signal sent to patient or subject; demodulation to recover the physiological signal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
方法および装置は、スクリーニングなどのために、人の睡眠呼吸障害状態の監視を提供する。１つまたは複数のセンサは、非接触の能動および／または受動感知のために構成され得る。プロセッサ（７３０４、７００６）は、センサを用いた能動非接触感知によって生成された１つまたは複数の動作信号から呼吸努力信号を抽出することができる。プロセッサは、センサを用いた受動非接触感知によって生成された音響オーディオ信号から１つまたは複数のエネルギー帯域信号を抽出することができる。プロセッサは、エネルギー帯域信号および／または呼吸努力信号を評価して、睡眠障害の呼吸変調を表す強度信号を生成することができる。プロセッサは、１つまたは複数の強度信号から導出された特徴を分類して、睡眠呼吸障害の測定値を生成することができる。プロセッサは、睡眠呼吸障害の測定値に基づいて、睡眠呼吸障害指標を生成することができる。一部のバージョンでは、感知信号を評価して、咳事象および／または咳タイプの表示を生成することができる。
Description
１ 関連出願への相互参照
本出願は、２０１８年１１月１９日に出願された米国仮特許出願第６２／７６９，２７２号、および２０１９年１２月２３日に出願された第６２／７６９，２７２号の利益を主張すし、これらの全内容は、参照により本明細書に組み込まれる。
本出願は、２０１８年１１月１９日に出願された米国仮特許出願第６２／７６９，２７２号、および２０１９年１２月２３日に出願された第６２／７６９，２７２号の利益を主張すし、これらの全内容は、参照により本明細書に組み込まれる。
２ 連邦政府が後援する研究または開発に関する声明
該当なし
該当なし
３ 共同研究開発の当事者の名前
該当なし
該当なし
４ 配列表
該当なし
該当なし
５ 背景技術
５．１ 技術分野
本技術は、睡眠呼吸障害および／または咳などの呼吸障害の１つまたは複数の検出、診断、治療、予防および改善に関する。本技術はまた、医療デバイスまたは装置、ならびにそれらの使用に関する。特に、本技術は、非接触スクリーニングデバイスなどのスクリーニングデバイスまたは装置、およびそれらの使用に関する。
５．１ 技術分野
本技術は、睡眠呼吸障害および／または咳などの呼吸障害の１つまたは複数の検出、診断、治療、予防および改善に関する。本技術はまた、医療デバイスまたは装置、ならびにそれらの使用に関する。特に、本技術は、非接触スクリーニングデバイスなどのスクリーニングデバイスまたは装置、およびそれらの使用に関する。
５．２関連技術の説明
５．２．１ 人間の呼吸器系およびその障害
体の呼吸器系は、ガス交換を容易にする。鼻および口は、患者の気道への入り口を形成する。
５．２．１ 人間の呼吸器系およびその障害
体の呼吸器系は、ガス交換を容易にする。鼻および口は、患者の気道への入り口を形成する。
気道は、一連の分岐管を含み、それらは、肺に深く浸透するにつれて、より狭く、より短く、より多くなる。肺の主な機能はガス交換であり、酸素が空気から静脈血に移動し、二酸化炭素が排出されるようにする。気管は左右の主気管支に分かれ、最終的には終末細気管支にさらに分かれる。気管支は誘導気道を構成し、ガス交換には関与しない。気道のさらなる分割は、呼吸細気管支につながり、最終的には肺胞につながる。肺の肺胞領域は、ガス交換が行われる場所であり、呼吸ゾーンと呼ばれる。Ｊｏｈｎ Ｂ．Ｗｅｓｔ，Ｌｉｐｐｉｎｃｏｔｔ Ｗｉｌｌｉａｍｓ＆Ｗｉｌｋｉｎｓ、第９版、２０１１年発行による「Ｒｅｓｐｉｒａｔｏｒｙ Ｐｈｙｓｉｏｌｏｇｙ」を参照されたい。
様々な呼吸障害が存在する。特定の障害は、特定の事象、例えば無呼吸、低呼吸、および過呼吸によって特徴付けら得る。
呼吸器障害の実施例は、閉塞性睡眠時無呼吸（ＯＳＡ）、チェインストークス呼吸（ＣＳＲ）、呼吸不全、肥満過換気症候群（ＯＨＳ）、慢性閉塞性肺疾患（ＣＯＰＤ）、神経筋疾患（ＮＭＤ）および胸壁障害を含む。
睡眠時無呼吸（ＳＤＢ）の一形態である閉塞性睡眠呼吸障害（ＯＳＡ）は、睡眠中の上気道の閉鎖または閉塞を含む事象によって特徴付けられる。これは、異常に小さい上気道と、睡眠中の舌、軟口蓋、および後部中咽頭壁の領域における筋緊張の正常な喪失の組み合わせに起因する。この状態により、影響を受けた患者は、通常３０～１２０秒間、場合によっては１晩あたり２００～３００回呼吸を停止する。日中の過度の眠気を引き起こすことが多く、心血管疾患や脳損傷を引き起こす可能性がある。この症候群は、特に中年の太りすぎの男性によく見られる障害であるが、影響を受けた人は問題を認識していない可能性がある。米国特許第４，９４４，３１０号（サリバン）を参照されたい。
チェインストークス呼吸（ＣＲＳ）は、睡眠呼吸障害の別の形態である。ＣＳＲは、患者の呼吸コントローラの障害であり、ＣＳＲサイクルとして知られる換気の増減がリズミカルに交互に繰り返される。ＣＳＲは、動脈血の脱酸素と再酸素化を繰り返すことを特徴としている。低酸素症が繰り返されるため、ＣＳＲが有害である可能性がある。一部の患者では、ＣＳＲは睡眠からの反復的な覚醒に関連しており、重度の睡眠障害、交感神経活動の増加、および後負荷の増加を引き起こす。米国特許第６，５３２，９５９号（Ｂｅｒｔｈｏｎ－Ｊｏｎｅｓ）を参照されたい。
肥満過換気症候群（ＯＨＳ）は、低換気の他の既知の原因がない場合の、重度の肥満と覚醒慢性高炭酸ガス血症の組み合わせとして定義される。症状には、呼吸困難、朝の頭痛、日中の過度の眠気などがある。
慢性閉塞性肺疾患（ＣＯＰＤ）は、共通の特定の特徴を有する一群の下気道疾患のいずれかを包含する。これらは、空気の移動に対する抵抗の増加、呼吸の呼気段階の延長、および肺の正常な弾力性の喪失を含む。ＣＯＰＤの実施例は、肺気腫や慢性気管支炎である。ＣＯＰＤは、慢性的な喫煙（主要な危険因子）、職業上の曝露、大気汚染、および遺伝的要因によって引き起こされる。症状には、労作時呼吸困難、慢性咳、痰の生成などがある。ＣＯＰＤは、世界で４番目に多い死因であり、６，５００万人以上が中等度または重度に分類されており、４０歳以上の成人の最大４分の１に影響を及ぼす（世界保健機関ｈｔｔｐ：／／ｗｗｗ．ｗｈｏ．ｉｎｔ／ｒｅｓｐｉｒａｔｏｒｙ／ｃｏｐｄ／ｂｕｒｄｅｎ／ｅｎ／）。
神経筋疾患（ＮＭＤ）は、内因性の筋肉の病状を介して直接的に、または神経の病状を介して間接的に筋肉の機能を損なう多くの疾患および病気を包含する広い用語である。一部のＮＭＤ患者は、歩行の喪失、車椅子に縛られた、嚥下困難、呼吸筋の衰弱、そして最終的には呼吸不全による死亡につながる進行性筋特徴障害を特徴としている。神経筋障害は、急速に進行する障害とゆっくりと進行する障害に分けることができる。（ｉ）急速に進行する障害：数か月で悪化し、数年以内に死亡する筋肉障害を特徴とする（例えば、筋萎縮性側索硬化症（ＡＬＳ）および１０代の若者のデュシェンヌ型筋ジストロフィー（ＤＭＤ））；（ｉｉ）変動性またはゆっくり進行性の障害：数年にわたって悪化し、平均余命をわずかに低下させるだけの筋肉障害を特徴とする（例えば、肢帯型筋ジストロフィー、顔面肩甲上腕型筋ジストロフィーおよび筋緊張性筋ジストロフィー）。ＮＭＤの呼吸不全の症状は、一般的な脱力感、嚥下障害、労作および休憩時呼吸困難、倦怠感、眠気、朝の頭痛、集中力や気分の変化の困難を含む。
胸壁障害は、呼吸筋と胸郭との間の非効率的な結合をもたらす一群の胸部変形である。障害は通常、拘束性の欠陥を特徴とし、長期の高炭酸ガス性呼吸不全の可能性を共有する。脊柱側弯症および／または後側弯症は、重度の呼吸不全を引き起こす可能性がある。呼吸不全の症状には、動作時の呼吸困難、末梢性浮腫、起座呼吸、繰り返しの胸部感染症、朝の頭痛、倦怠感、睡眠の質の低下、食欲不振などがある。
心不全（ＨＦ）は、心臓が体の酸素要求に追いつくことができないことを特徴とする、比較的一般的で重篤な臨床状態である。心不全の管理は、その有病率と重症度が高いため、現代の医療システムにとって重要な課題である。ＨＦは慢性疾患であり、本質的に進行性である。ＨＦの進行は、急性の発作によって中断された（心血管機能の低下はあるものの）長期間にわたって比較的安定していることを特徴とすることがよくある。これらの急性発作では、患者は呼吸困難（呼吸が難しい）、奔馬調律、頸静脈圧の上昇、起座呼吸などの症状の悪化を経験する。これは通常、明白なうっ血（肺腔内の体液の蓄積）を伴いる。この過剰な水分は、しばしば数キログラムの測定可能な体重増加につながる。しかし、多くの場合、明白なうっ血が発生するまでに、医師が患者を再安定させるのを助けるための選択肢は限られており、多くの場合、患者は入院を必要とする。極端な場合、迅速な治療を行わないと、患者は急性非代償性心不全（ＡＤＨＦ）事象を経験する可能性があり、これは代償不全と呼ばれることもある。
５．２．２ 治療
持続的気道陽圧法（ＣＰＡＰ）療法、非侵襲的換気（ＮＩＶ）、侵襲的換気（ＩＶ）および高流量療法（ＨＦＴ）などの様々な療法が、上記の呼吸器障害の１つまたは複数を治療するために使用されてきた。
持続的気道陽圧法（ＣＰＡＰ）療法、非侵襲的換気（ＮＩＶ）、侵襲的換気（ＩＶ）および高流量療法（ＨＦＴ）などの様々な療法が、上記の呼吸器障害の１つまたは複数を治療するために使用されてきた。
持続的気道陽圧法（ＣＰＡＰ）療法は、閉塞性睡眠時無呼吸（ＯＳＡ）を治療するために使用されてきた。作用機序は、持続的気道陽圧法が空気圧副子として機能し、軟口蓋と舌を前方に押して中咽頭後壁から遠ざけるなどして、上気道の閉鎖を防ぎ得ることである。ＣＰＡＰ療法によるＯＳＡの治療は自発的である可能性があり、したがって、患者は、そのような療法を提供するために使用されるデバイスが、不快、使いにくい、高価で審美的に魅力がないという１つまたは複数を見つけた場合、療法に従わないことを選択できる。
非侵襲的換気（ＮＩＶ）は、呼吸の作業の一部またはすべてを行うことによって、患者の呼吸を支援し、および／または体内の適切な酸素レベルを維持するために、上気道を通して患者に換気支援を提供する。換気支援は、非侵襲的な患者インターフェースを介して提供される。ＮＩＶは、ＯＨＳ、ＣＯＰＤ、ＮＭＤ、胸壁障害などの形で、ＣＳＲや呼吸不全の治療に使用されてきた。いくつかの形態では、これらの治療法の快適さと有効性が改善され得る。
侵襲的換気（ＩＶ）は、もはや効果的に呼吸することができなくなった患者に換気支援を提供し、気管切開管を使用して提供され得る。いくつかの形態では、これらの治療法の快適さおよび有効性が改善され得る。
５．２．３ 治療システム
上記の治療法は、治療システムまたはデバイスによって提供され得る。システムおよびデバイスを使用して、状態を治療せずに状態を診断することもできる。
上記の治療法は、治療システムまたはデバイスによって提供され得る。システムおよびデバイスを使用して、状態を治療せずに状態を診断することもできる。
呼吸療法デバイスなどの治療システムは、呼吸圧療法デバイス（ＲＰＴデバイス）、空気回路、加湿器、患者インターフェース、およびデータ管理を含み得る。
５．２．３．１ 患者インターフェース
患者インターフェースは、例えば空気の流れを提供することによって、呼吸装置をそのユーザにインターフェースするために使用され得る。空気の流れは、マスクを介して鼻および／または口に、管を口に、または気管切開管をユーザの気管に提供することができる。適用される治療法に応じて、患者のインターフェースはシールを、例えば、患者の顔の領域で形成し得、治療を行うために周囲圧力で十分に分散した圧力でのガスの送達を容易にし、例えば、約１０ｃｍＨ２Ｏの陽圧である。酸素の送達などの他の形態の治療の場合、患者のインターフェースは、約１０ｃｍＨ２Ｏの陽圧でのガスの供給の気道への送達を容易にするのに十分なシールを含まない場合がある。
患者インターフェースは、例えば空気の流れを提供することによって、呼吸装置をそのユーザにインターフェースするために使用され得る。空気の流れは、マスクを介して鼻および／または口に、管を口に、または気管切開管をユーザの気管に提供することができる。適用される治療法に応じて、患者のインターフェースはシールを、例えば、患者の顔の領域で形成し得、治療を行うために周囲圧力で十分に分散した圧力でのガスの送達を容易にし、例えば、約１０ｃｍＨ２Ｏの陽圧である。酸素の送達などの他の形態の治療の場合、患者のインターフェースは、約１０ｃｍＨ２Ｏの陽圧でのガスの供給の気道への送達を容易にするのに十分なシールを含まない場合がある。
５．２．３．２ＲＰＴデバイス
空気圧発生器は、例えば、工業規模の換気システムなどの様々な用途で知られている。しかし、医療用の空気圧発生器には、医療デバイスの信頼性、サイズ、重量の要件など、より一般化された空気圧発生器では満たされない特定の要件がある。さらに、医療用に設計されたデバイスでさえ、快適さ、ノイズ、使いやすさ、有効性、サイズ、重量、製造可能性、コスト、および信頼性の１つまたは複数を含む欠点に悩まされる可能性がある。
空気圧発生器は、例えば、工業規模の換気システムなどの様々な用途で知られている。しかし、医療用の空気圧発生器には、医療デバイスの信頼性、サイズ、重量の要件など、より一般化された空気圧発生器では満たされない特定の要件がある。さらに、医療用に設計されたデバイスでさえ、快適さ、ノイズ、使いやすさ、有効性、サイズ、重量、製造可能性、コスト、および信頼性の１つまたは複数を含む欠点に悩まされる可能性がある。
５．２．３．３ 加湿器
加湿せずに空気の流れを送ると、気道が乾燥する可能性がある。ＲＰＴデバイスと患者インターフェースを備えた加湿器を使用すると、加湿ガスが生成され、鼻粘膜の乾燥が最小限に抑えられ、患者の気道の快適さが向上する。さらに、より涼しい気候では、患者のインターフェース内およびその周辺の顔の領域に一般的に適用される暖かい空気は、冷たい空気よりも快適である。
加湿せずに空気の流れを送ると、気道が乾燥する可能性がある。ＲＰＴデバイスと患者インターフェースを備えた加湿器を使用すると、加湿ガスが生成され、鼻粘膜の乾燥が最小限に抑えられ、患者の気道の快適さが向上する。さらに、より涼しい気候では、患者のインターフェース内およびその周辺の顔の領域に一般的に適用される暖かい空気は、冷たい空気よりも快適である。
５．２．４ 診断および監視システム
診断は、その徴候および症状からの状態の識別である。診断は１回限りのプロセスになる傾向があるが、状態の進行状況の監視は無期限に継続できる。一部の診断システムは診断にのみ適しているが、一部の診断システムは監視にも使用できる。スクリーニングは通常、診断のための特定の状態に関連して評価され得る、経時的な徴候およびシステムの監視などの診断プロセスを伴う。
診断は、その徴候および症状からの状態の識別である。診断は１回限りのプロセスになる傾向があるが、状態の進行状況の監視は無期限に継続できる。一部の診断システムは診断にのみ適しているが、一部の診断システムは監視にも使用できる。スクリーニングは通常、診断のための特定の状態に関連して評価され得る、経時的な徴候およびシステムの監視などの診断プロセスを伴う。
ＳＤＢおよび他の睡眠障害を検出することができることは興味深い。睡眠呼吸障害は、呼吸の停止や「睡眠呼吸障害」など、睡眠中の異常な呼吸と見なされる場合がある。最も一般的なのは閉塞性睡眠時無呼吸である－継続的な努力にもかかわらず上気道の崩壊。他のタイプは、呼吸と努力の欠如を伴う中枢性睡眠時無呼吸、および混合無呼吸を含む。睡眠に関連する状態として、診断のためのスクリーニング、あるいは監視さえも困難な作業になる可能性がある。睡眠時無呼吸は８０％以上診断されていない（Ｐｅｐｐａｒｄ ＰＥｅｔａｌ．Ａｍ Ｊ Ｅｐｉｄｅｍｉｏｌ ２０１３；Ｙｏｕｎｇ Ｔｅｔａｌ．Ｓｌｅｅｐ １９９７）。例えば、睡眠呼吸障害を患っている４人ごとに、自分がその状態にあることを知らない別の２２人がいる。したがって、状態を検出するために睡眠呼吸障害または睡眠時無呼吸をスクリーニングするための単純でアクセスしやすい手段は、重要な社会的利益をもたらし得る。
睡眠ポリグラフ検査（ＰＳＧ）は、患者を監視するための従来のシステムである。ＰＳＧは通常、脳波検査（ＥＥＧ）、心電図検査（ＥＣＧ）、電気眼振図法（ＥＯＧ）などの様々な身体信号を記録するために、人に１５～２０個の接触センサを配置することを含む。このような多数の接触センサとリードは、故障しやすく、コストがかかり、アクセスが制限されているため、ＰＳＧは睡眠関連の状態を検出するための望ましくない方法になる。
Ｓ＋（エスプラスと発音）（Ｒｅｓ ＭｅｄＳｅｎｓｏｒ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｌｔｄ、アイルランド、ダブリン）は、ＨＦおよびＣＯＰＤなどの慢性疾患の長期監視に適した非接触ベッドサイドモニターである。Ｓ＋は、超低電力（１ｍＷ未満）で５．８ＧＨｚまたは１０．５ＧＨｚのライセンスフリー帯域でレーダー原理に基づいて動作するバイオ動作トランシーバーセンサを含む。Ｓ＋は、０．３～１．５メートルの範囲の距離で体の動作を測定できる。ベッドに２人いる場合、高度なセンサ設計とインテリジェントな信号処理の組み合わせにより、Ｓ＋はセンサに最も近い人の動作のみを測定できる。Ｓ＋は、目立たず、重大なコンプライアンスの問題が発生しないため、ＳＤＢの長期監視に適している。しかし、生のＳ＋信号を処理して、ＳＤＢのスクリーニング、監視、または診断に役立つ情報を取得することは、困難で複雑な作業である。
６ 発明の概要
本技術は、睡眠時呼吸障害および／または咳などの呼吸性の障害呼吸の診断、監視、改善、治療、または予防に使用される医療デバイスを提供することを目的とし、快適性、コスト、有効性、使いやすさ、製造性の１つまたは複数が向上している。
本技術は、睡眠時呼吸障害および／または咳などの呼吸性の障害呼吸の診断、監視、改善、治療、または予防に使用される医療デバイスを提供することを目的とし、快適性、コスト、有効性、使いやすさ、製造性の１つまたは複数が向上している。
本技術の一態様は、睡眠呼吸障害（例えば、異なるタイプの無呼吸、低呼吸、流れ制限、いびきを含む）および／または咳のスクリーニング、診断、または監視に使用される装置に関する。
本技術の別の態様は、非接触センサを使用した睡眠呼吸障害および／または咳のスクリーニング、診断、または監視に使用される方法に関する。
本技術のいくつかのバージョンは、人の睡眠呼吸障害状態を監視するための１つまたは複数のプロセッサの方法を含み得る。１つまたは複数のプロセッサにおける方法は、１つまたは複数の動作信号、能動非接触感知によって生成された１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出することを含み得る。１つまたは複数のプロセッサにおける方法は、受動信号、受動非接触感知によって生成された受動信号から１つまたは複数のエネルギー帯域信号を抽出することを含み得る。受動信号は、音センサによって検出された音響情報を表し得る。１つまたは複数のプロセッサにおける方法は、１つまたは複数のエネルギー帯域信号および／または１つまたは複数の呼吸信号を評価して、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成することを含み得る。１つまたは複数のプロセッサにおける方法は、１つまたは複数の強度信号から導出された１つまたは複数の特徴を分類して、睡眠呼吸障害の１つまたは複数の測定値を生成することを含み得る。特徴の分類および睡眠呼吸障害の測定値の生成のいずれか１つを、１つまたは複数の遠隔処理デバイスまたはサーバによって遠隔で生成または処理できる。したがって、いくつかの実施形態では、方法は、分類のためのデータまたは睡眠呼吸障害の測定値の生成のための分類された特徴のいずれかを遠隔デバイスまたはサーバに送信することを含み得る。
いくつかのバージョンでは、１つまたは複数のプロセッサの方法は、睡眠呼吸障害の１つまたは複数の測定値に基づいて睡眠呼吸障害指標を生成することを含み得る。１つまたは複数のプロセッサにおける方法は、ディスプレイ上での睡眠呼吸障害指標の表示または表示の制御、および／または転送を含み得る。１つまたは複数のプロセッサにおける方法は、ディスプレイ上での睡眠呼吸障害の１つまたは複数の測定値の表示または表示の制御、および／または転送を含み得る。１つまたは複数の呼吸信号は、呼吸努力信号を含み得る。睡眠呼吸障害の１つまたは複数の測定値は、睡眠呼吸障害の確率を含み得る。分類は、睡眠セッションの閾値を超える多数の睡眠呼吸障害事象の存在の肯定および否定の１つを識別することを含み得、睡眠呼吸障害の１つまたは複数の測定値は、識別の結果を表すバイナリフラグを含み得る。バイナリフラグは、確率が閾値を超えた場合に肯定を表し得る。睡眠呼吸障害事象は、無呼吸および低呼吸事象の少なくとも１つを含み得る。睡眠呼吸障害の１つまたは複数の測定値は、無呼吸事象および低呼吸事象の総数の推定値を表す無呼吸低呼吸指数を含み得る。
いくつかのバージョンでは、１つまたは複数のプロセッサの方法は、確率に基づいて睡眠段階調整係数を生成することを含み得る。１つまたは複数のプロセッサの方法は、睡眠段階調整係数の関数として睡眠段階時間を調整することを含み得る。１つまたは複数のプロセッサの方法は、１つまたは複数の強度信号に基づくクラスタフラグ信号を生成することを含み得る。クラスタフラグ信号は、ＳＤＢ変調の有無を識別する時系列を表し得る。クラスタフラグ信号は、１つまたは複数の強度信号の値と閾値との間の比較に基づいて生成することができる。クラスタフラグ信号のフラグは、１つまたは複数の強度信号の値が第１の強度閾値よりも大きい場合に真に設定され得る。クラスタフラグ信号は、第２の強度閾値と比較したときのフィルタリングされた信号の値の評価に従ってさらに設定され得る。フィルタリングされた信号は、１つまたは複数の強度信号をフィルタリングすることによって導出することができる。１つまたは複数の特徴は、ＳＤＢクラスタを有する総睡眠時間の１つまたは複数の割合を含み得る。１つまたは複数の特徴は、ピーク強度またはピーク平均強度を含み得る。
いくつかのバージョンでは、１つまたは複数のプロセッサの方法は、検出されたＳＤＢクラスタの存在を特徴付ける生成されたクラスタフラグ信号に基づいて睡眠覚醒補正マスク信号を生成することを含み得る。１つまたは複数のプロセッサの方法は、睡眠覚醒補正マスク信号を睡眠段階化プロセスに適用することを含み得、ここで、覚醒分類のインスタンスは、睡眠覚醒補正マスク信号に従って睡眠のインスタンスに補正され得る。生成された睡眠呼吸障害指標は、ディスプレイデバイス上に表示されるグラフィックリスクオメータを含み得、グラフィックリスクオメータは、ポインタおよびスケールを含む。スケールは、睡眠呼吸障害のリスクの離散的な範囲の表示で提示され得る。１つまたは複数の呼吸信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成することは、（ａ）エンベロープ信号を生成すること、（ｂ）エンベロープ信号を正規化すること、（ｃ）正規化されたエンベロープ信号からスペクトル特性を生成すること、のいずれか１つ、または複数、またはすべてを含み得る。スペクトル特性は、睡眠呼吸障害の周波数範囲でのパワースペクトル密度演算のピーク周波数を含み得る。スペクトル特性は、次の比率を含み得る帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数またはピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワー、を含み得る。スペクトル特性は、次の比率を含み得る帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算のスペクトルの合計パワーとピーク周波数付近の狭帯域のパワーとの間の差、を含み得る。帯域内メトリックは、Ｉチャネル動作信号およびＱチャネル動作信号からの帯域内メトリック値から導出された平均メトリックであり得る。
いくつかのバージョンでは、１つまたは複数のエネルギー帯域信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成することは、（ａ）１つまたは複数のエネルギー帯域信号を組み合わせること、（ｂ）組み合わせられたエネルギー帯域信号からエンベロープ信号を生成すること、（ｃ）組み合わせられたエネルギー帯域信号からのエンベロープ信号をフィルタリングおよび正規化すること、（ｄ）フィルタリングおよび正規化されたエンベロープ信号からスペクトル特性を生成することのいずれか１つ、複数、またはすべてを含み得る。フィルタリングおよび正規化されたエンベロープ信号からのスペクトル特性は、次の比率を含み得る帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワー、を含み得る。フィルタリングおよび正規化されたエンベロープ信号からのスペクトル特性は、次の比率を含み得る帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算のスペクトルの合計パワーとピーク周波数付近の狭帯域のパワーとの間の差、を含み得る。
いくつかのバージョンでは、１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出することは、複数の動作信号を組み合わせることを含み得る。複数の動作信号の動作信号のそれぞれは、複数の動作信号の他の動作信号からの検出範囲とは異なる可能性がある検出範囲からの動作を表す動作信号であり得る。組み合わせは、複数の動作信号のそれぞれのパワースペクトル密度から呼吸周波数に従って重量を計算し、複数の動作信号の絶対値の加重平均を決定することを含み得る。受動信号からの１つまたは複数のエネルギー帯域信号の抽出は、（ａ）受動信号の変換を計算することによって受動信号の音の周波数を帯域信号に分離すること、（ｂ）帯域信号のエネルギー値を計算すること、（ｃ）帯域信号ごとに計算されたエネルギー値を平均することのいずれか１つ、または複数、またはすべてを含み得る。
いくつかのバージョンでは、能動非接触感知は、マイクロフォンおよびスピーカーを用いたソナー（ＳＯＮＡＲ）感知を含み得る。能動非接触感知は、無線周波数送信機および受信機を使用したレーダー（ＲＡＤＡＲ）感知を含み得る。能動非接触感知は、周波数変調連続波（ＦＭＣＷ）感知を含み得る。受動非接触感知は、マイクロフォンを用いた呼吸関連音の音響感知を含み得る。１つまたは複数のプロセッサの方法は、受動信号を生成するためにマイクロフォンによって生成された音声信号を前処理することを含み得る。前処理は、（ａ）無限インパルス応答フィルタによるフィルタリング、（ｂ）スライディングウィンドウ上の最小値の減算を含むベースライン除去、（ｃ）パーセンタイル制限を使用したアーチファクトの除去、（ｄ）スライディングウィンドウ上の標準偏差による正規化、（ｅ）積分とハイパスフィルタリングのいずれか１つ、複数、またはすべてを含み得る。１つまたは複数のプロセッサの方法は、前処理された音声信号を自己相関させることを含み得る。１つまたは複数のプロセッサの方法は、自己相関され、前処理された音声信号の事前定義された呼吸範囲でピークを検出することを含み得る。１つまたは複数のプロセッサの方法は、複数の信号のピークから呼吸数の推定値を決定することを含み得る。複数の信号のそれぞれは、離散周波数帯域の音声信号であり得、前処理および自己相関によって処理され得る。１つまたは複数の特徴は、１つまたは複数のエネルギー帯域信号および１つまたは複数の呼吸信号からの複数の強度信号から導出される複数の特徴であり得、睡眠呼吸障害の生成された１つまたは複数の測定値は、複数の特徴の分類によって生成され得る。
いくつかのバージョンでは、１つまたは複数のプロセッサが処理デバイス内にあり得、処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチと呼吸療法デバイスのいずれかを含み得る。１つまたは複数のプロセッサの方法は、１つまたは複数のプロセッサを用いて、睡眠呼吸障害の１つまたは複数の測定値に基づいて呼吸療法デバイスの治療の設定への変更を制御することを含み得る。
処理の少なくとも一部が１つまたは複数の遠隔デバイス上で実行されるいくつかのバージョンでは、この方法は、１つまたは複数のプロセッサにおいて、生成された睡眠呼吸障害の１つまたは複数の測定値を遠隔デバイスから受信することをさらに含み得る。この方法は、（ａ）受信した睡眠呼吸障害の１つまたは複数の測定値をディスプレイに表示すること、または（ｂ）データ通信送信を介して、受信した睡眠呼吸障害の１つまたは複数の測定値を局所処理／ディスプレイデバイスに送信することをさらに含み得る。
本技術のいくつかのバージョンは、１つまたは複数のプロセッサによって実行される場合、１つまたは複数のプロセッサに人の睡眠呼吸障害状態を監視させるプロセッサ実行可能命令をそこに記憶したプロセッサ可読媒体を含み得る。プロセッサ実行可能命令は、本明細書に記載の方法のいずれか１つの方法を実行するように構成され得る。
本技術のいくつかのバージョンは、請求項に記載のプロセッサ可読媒体にアクセスを有するサーバを含み得、サーバは、プロセッサ可読媒体のプロセッサ実行可能命令を処理デバイスにネットワークを介してダウンロードするための要求を受信するように構成され得る。
本技術のいくつかのバージョンは、１つまたは複数のプロセッサ、１つまたは複数のプロセッサに結合されたスピーカー、１つまたは複数のプロセッサに結合されたマイクロフォン、本明細書に記載のプロセッサ可読媒体を含む処理デバイスを含み得る。処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含み得る。
本技術のいくつかのバージョンは、１つまたは複数のプロセッサ、１つまたは複数のプロセッサに結合されたマイクロフォン、１つまたは複数のプロセッサに結合された無線周波数センサ、本明細書に記載のプロセッサ可読媒体を含む処理デバイスを含み得る。
本技術のいくつかのバージョンは、本明細書に記載されるように、プロセッサ可読媒体へのアクセスを有するサーバの方法を含み得る。この方法は、サーバで、プロセッサ可読媒体のプロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードするための要求を受信することを含み得る。この方法は、要求に応答して、プロセッサ実行可能命令を処理デバイスに送信することを含み得る。
本技術のいくつかのバージョンは、人の睡眠呼吸障害状態を監視するための装置を含み得る。装置は、１つまたは複数のプロセッサを含み得る。１つまたは複数のプロセッサは、１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出するように構成され得、１つまたは複数の動作信号は、１つまたは複数のセンサを用いた能動非接触感知によって生成される。１つまたは複数のプロセッサは、受動信号から１つまたは複数のエネルギー帯域信号を抽出するように構成され得、受動信号は、１つまたは複数のセンサを用いた受動非接触感知によって生成される。受動信号は、１つまたは複数のセンサの音センサによって検出された音響情報を表すことができる。１つまたは複数のプロセッサは、１つまたは複数のエネルギー帯域信号および／または１つまたは複数の呼吸信号を評価して、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するように構成され得る。１つまたは複数のプロセッサは、１つまたは複数の強度信号から導出された１つまたは複数の特徴を分類するか、または分類のために送信して、睡眠呼吸障害の１つまたは複数の測定値を生成するように構成され得る。１つまたは複数のプロセッサは、睡眠呼吸障害の１つまたは複数の測定値に基づいて睡眠呼吸障害指標を生成するようにさらに構成され得る。
いくつかのバージョンでは、装置は、能動非接触感知および受動非接触感知のために構成された１つまたは複数のセンサを含み得る。あるいは、装置は、装置の周囲にすでに配置されている外部センサ（スマートスピーカーなど）と通信し、そこからのデータを利用するように構成され得る。１つまたは複数のプロセッサは、１つまたは複数のセンサと通信可能に結合され得る。１つまたは複数のセンサは、能動非接触感知および受動非接触感知のために構成され得る。１つまたは複数のプロセッサは、睡眠呼吸障害指標をディスプレイ上に表示、および／または転送するようにさらに構成され得る。１つまたは複数のプロセッサは、睡眠呼吸障害の１つまたは複数の測定値をディスプレイ上に表示、および／または転送するようにさらに構成され得る。１つまたは複数の呼吸信号は、呼吸努力信号を含み得る。睡眠呼吸障害の１つまたは複数の測定値は、睡眠呼吸障害の確率を含み得る。分類は、睡眠セッションの閾値を超える睡眠呼吸障害事象の数の存在の肯定および否定のうちの１つを識別することを含み得る。睡眠呼吸障害の１つまたは複数の測定値は、識別の結果を表すバイナリフラグを含み得る。バイナリフラグは、確率が閾値を超えた場合の肯定を表し得る。睡眠呼吸障害事象は、無呼吸および低呼吸事象の少なくとも１つを含み得る。睡眠呼吸障害の１つまたは複数の測定値は、無呼吸事象および低呼吸事象の総数の推定値を表す無呼吸低呼吸指数を含み得る。１つまたは複数のプロセッサは、確率に基づいて睡眠段階調整係数を生成するようにさらに構成され得る。１つまたは複数のプロセッサは、調整係数の関数として睡眠段階時間を調整するようにさらに構成され得る。１つまたは複数のプロセッサは、１つまたは複数の強度信号に基づくクラスタフラグ信号を生成するようにさらに構成され得る。クラスタフラグ信号は、ＳＤＢ変調の有無を識別する時系列を表し得る。クラスタフラグ信号は、１つまたは複数の強度信号の値と閾値との間の比較に基づいて生成することができる。クラスタフラグ信号のフラグは、１つまたは複数の強度信号の値が第１の強度閾値よりも大きい場合に真に設定され得る。クラスタフラグ信号は、第２の強度閾値と比較したフィルタリングされた信号の値の評価に従ってさらに設定され得る。フィルタリングされた信号は、１つまたは複数の強度信号をフィルタリングすることによって導出することができる。１つまたは複数の特徴は、ＳＤＢクラスタを有する総睡眠時間の１つまたは複数の割合を含み得る。１つまたは複数の特徴は、ピーク強度またはピーク平均強度を含み得る。
いくつかのバージョンでは、１つまたは複数のプロセッサは、検出されたＳＤＢクラスタの存在を特徴付ける生成されたクラスタフラグ信号に基づいて睡眠覚醒補正マスク信号を生成するようにさらに構成され得る。１つまたは複数のプロセッサは、睡眠覚醒補正マスク信号を睡眠段階化プロセスに適用するようにさらに構成され得、ここで、覚醒分類のインスタンスは、睡眠覚醒補正マスク信号に従って睡眠のインスタンスに補正される。生成された睡眠呼吸障害指標は、ディスプレイデバイスに表示されるグラフィックリスクオメータを含み得る。グラフィックリスクオメータは、ポインタとスケールを含み得る。スケールは、睡眠呼吸障害のリスクの離散的な範囲の表示で提示され得る。１つまたは複数の呼吸信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために、１つまたは複数のプロセッサは、（ａ）エンベロープ信号を生成すること、（ｂ）エンベロープ信号を正規化すること、（ｃ）正規化されたエンベロープ信号からスペクトル特性を生成することのいずれか１つ、または複数またはすべてを制御するように構成される。スペクトル特性は、睡眠呼吸障害の周波数範囲でのパワースペクトル密度演算のピーク周波数を含み得る。スペクトル特性は、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワーの比率を含み得る帯域内メトリックを含み得る。スペクトル特性は、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算のスペクトルの合計パワーとピーク周波数付近の狭帯域のパワーとの間の差の比率を含み得る帯域内メトリックを含み得る。帯域内メトリックは、Ｉチャネル動作信号およびＱチャネル動作信号からの帯域内メトリック値から導出された平均メトリックであり得る。
いくつかのバージョンでは、１つまたは複数のエネルギー帯域信号を評価して、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために、１つまたは複数のプロセッサは、（ａ）１つまたは複数のエネルギー帯域信号を組み合わせることと、（ｂ）組み合わせられたエネルギー帯域信号からエンベロープ信号を生成することと、（ｃ）組み合わせられたエネルギー帯域信号からエンベロープ信号をフィルタリングして正規化することと、（ｄ）フィルタリングおよび正規化されたエンベロープ信号からスペクトル特性を生成することとのすべてのうちのいずれか１つまたは複数を制御または実行するように構成され得る。フィルタリングおよび正規化されたエンベロープ信号からのスペクトル特性は、次の比率を含む帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワー、を含み得る。フィルタリングおよび正規化されたエンベロープ信号からのスペクトル特性は、次の比率を含む帯域内メトリック（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算のスペクトルの合計パワーとピーク周波数付近の狭帯域のパワーとの間の差、を含み得る。
いくつかのバージョンでは、１つまたは複数の動作信号から１つまたは複数の呼吸努力信号を抽出するために、１つまたは複数のプロセッサは、複数の動作信号を組み合わせるように構成され得、複数の動作信号の各動作信号は、複数の動作信号の他の動作信号からの検出範囲とは異なる可能性がある検出範囲からの動作を表す動作信号である。複数の動作信号を組み合わせるために、１つまたは複数のプロセッサは、複数の動作信号のそれぞれのパワースペクトル密度から呼吸周波数に従って重量を計算し、複数の動作信号の絶対値の加重平均を決定するように構成され得る。受動信号から１つまたは複数のエネルギー帯域信号を抽出することは、（ａ）受動信号の変換を計算することにより、受動信号の音の周波数を帯域信号に分離すること、（ｂ）帯域信号のエネルギー値を計算すること、（ｃ）帯域信号ごとに計算されたエネルギー値を平均することのいずれか１つ、複数、またはすべてを制御または実行するように構成される。
装置のいくつかのバージョンでは、能動非接触感知は、１つまたは複数のセンサがマイクロフォンおよびスピーカーを含み得るソナー感知を含み得る。能動非接触感知は、１つまたは複数のセンサが無線周波数送信機および受信機を含み得るレーダー感知を含み得る。能動非接触感知は、周波数変調連続波（ＦＭＣＷ）感知を含み得る。受動非接触感知は、１つまたは複数のセンサがマイクロフォンを含み得る呼吸関連音の音響感知を含み得る。１つまたは複数のプロセッサは、マイクロフォンによって生成された音声信号を前処理して受動信号を生成するように構成され得る。前処理は、無限インパルス応答フィルタによるフィルタリング、スライディングウィンドウ上の最小値の減算を含むベースライン除去、パーセンタイル制限を使用したアーチファクトの除去、スライディングウィンドウ上の標準偏差による正規化、積分とハイパスフィルタリングのいずれか１つ、複数、またはすべてを含み得る。１つまたは複数のプロセッサは、前処理された音声信号を自己相関させるように構成され得る。１つまたは複数のプロセッサは、自己相関され、前処理された音声信号の事前定義された呼吸範囲を有するピークを検出するように構成され得る。１つまたは複数のプロセッサは、複数の信号のピークから呼吸数の推定値を決定するように構成され得、複数の信号のそれぞれは、離散周波数帯域の音声信号であり、前処理および自己相関によって処理される。１つまたは複数の特徴は、１つまたは複数のエネルギー帯域信号および１つまたは複数の呼吸努力信号からの複数の強度信号から導出される複数の特徴であり得、睡眠呼吸障害の生成された１つまたは複数の測定値は、複数の特徴の分類によって生成され得る。１つまたは複数のプロセッサは、処理デバイス内にあり得、処理デバイスは、一般的なコンピューティングデバイス、スマートフォン、タブレットコンピュータ、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む。１つまたは複数のプロセッサは、睡眠呼吸障害の１つまたは複数の測定値に基づいて、呼吸療法デバイスの治療の設定への変更を制御するように構成され得る。装置は、本明細書に記載されるようなプロセッサ可読媒体を含み得る。
装置のいくつかのバージョンでは、１つまたは複数のプロセッサは、１つまたは複数の外部デバイスによる処理によって導出された、生成された睡眠呼吸障害の１つまたは複数の測定値を受信するようにさらに構成され得る。１つまたは複数のプロセッサは、（ａ）受信した睡眠呼吸障害の１つまたは複数の測定値をディスプレイに表示し、または（ｂ）データ通信送信を介して、受信した睡眠呼吸障害の１つまたは複数の測定値を局所処理／ディスプレイデバイスに送信するようにさらに構成され得る。
本技術のいくつかのバージョンは、人による咳を識別するための１つまたは複数のプロセッサの方法を含み得る。１つまたは複数のプロセッサの方法は、マイクロフォンで生成された音響信号にアクセスすることを含み得る。音響信号は、人の近くで受動非接触感知によって生成される。１つまたは複数のプロセッサにおける方法は、音響信号から１つまたは複数の咳関連の特徴を導出することを含み得る。１つまたは複数のプロセッサにおける方法は、人による咳の１つまたは複数の事象の表示を生成するために、１つまたは複数の咳関連の特徴を分類することと、または分類のために送信することとを含み得る。
いくつかのバージョンでは、１つまたは複数の咳関連の特徴は、人の咳の有無に関係する。１つまたは複数の特徴の分類は、咳タイプの識別を含み得る。咳タイプは、（ａ）乾性咳タイプ、（ｂ）生産性咳タイプ、（ｃ）喘鳴関連咳タイプ、および（ｄ）けいれん関連咳タイプのうちのいずれか１つまたは複数を含み得る。１つまたは複数の特徴の分類は、咳の帰属タイプの識別を含み得る。咳の帰属タイプは、（ａ）喘息性咳タイプ、（ｂ）慢性閉塞性肺（ＣＯＰＤ）咳タイプ、（ｃ）気管支炎咳タイプ、（ｄ）結核（ＴＢ）咳タイプ、（ｅ）肺炎咳タイプ、（ｆ）肺癌咳タイプ、（ｇ）胃食道逆流症（ＧＥＲＤ）、および（ｈ）上気道咳症候群のいずれか１つまたは複数を含む。１つまたは複数のプロセッサは、咳の１つまたは複数の事象の１つの事象の強度のレベルを示す咳強度メトリックを生成するようにさらに構成され得る。咳強度メトリックは、音響振幅値および／またはラウドネス値を含み得る。１つまたは複数のプロセッサは、咳強度メトリックの変動性を決定するようにさらに構成され得る。音響信号から導出された１つまたは複数の特徴は、周波数の特徴、時間の特徴、スペクトログラムの特徴、およびウェーブレットの特徴のいずれか１つ、または複数、またはすべてを含み得る。
いくつかのバージョンでは、音響信号から導出された１つまたは複数の特徴の周波数関連の特徴は、（１）局所ピーク、（２）１つまたは複数の周囲のピークに対するドミナントピークの比率、（３）局所での最大値、（４）全体での最大値、（５）高調波、（６）１つまたは複数の周波数成分の積分、（８）異なる周波数エネルギー推定値の比率、（７）１つまたは複数のメル周波数ケプストラル係数（ＭＦＣＣ）、（９）スペクトル束、（１０）スペクトル重心、（１１）高調波積スペクトル、（１２）スペクトル拡散、（１３）１つまたは複数のスペクトル自己相関係数、（１４）スペクトル尖度、および（１５）線形予測符号化（ＬＰＣ）のいずれか、複数、またはすべてを含み得る。音響信号から導出された１つまたは複数の特徴の時間関連する特徴は、（１）二乗平均平方根（ＲＭＳ）値、（２）ゼロ交差率、（３）エンベロープ、（４）自己相関関数に基づくピッチのいずれか１つ、複数、またはすべてを含み得る。この方法は、音声活性化検出によって音響信号を処理して、音響信号のバックグラウンドノイズを除去することを含み得る。この方法は、音響信号から咳の数を推定することをさらに含み得る。この方法は、咳の数の変動を推定することをさらに含み得る。１つまたは複数のプロセッサは、検出された呼吸波形から呼吸の特徴を抽出するように構成され得る。人による咳の１つまたは複数の事象の表示を生成するための１つまたは複数の特徴の分類は、検出された呼吸波形から抽出された１つまたは複数の呼吸の特徴に基づくことができる。１つまたは複数の呼吸の特徴は、（１）吸気時間、（２）吸気深度、（３）呼気時間、（４）呼気深度、（５）吸気対呼気比、（６）咳による呼吸波形の１つまたは複数のノッチ、および（７）呼吸数の１つ、複数、またはすべてを含み得る。１つまたは複数の呼吸の特徴は、１つまたは複数の受動非接触感知および能動非接触感知によって導出され得る。１つまたは複数のプロセッサは、能動非接触感知装置を用いた能動非接触感知によって１つまたは複数の動作信号を生成するように構成され得る。１つまたは複数のプロセッサは、生成された１つまたは複数の動作信号の評価に基づいて、人による咳の１つまたは複数の事象の表示を生成するように構成され得る。
いくつかのバージョンでは、この方法は、人の体位の検出を含み得る。生成された１つまたは複数の動作信号の評価は、人に特有の生体認証の検出を含み得る。生成された１つまたは複数の動作信号の評価は、１つまたは複数の動作信号からの睡眠段階情報の検出を含み得る。１つまたは複数のプロセッサは、睡眠段階情報の検出に基づいて、音響的に感知された咳事象を除去するように構成され得る。１つまたは複数のプロセッサは、睡眠段階情報の検出に基づいて、音響的に感知された咳事象を人に帰属させるように構成され得る。能動非接触感知は、音響タイプの感知、光学タイプの感知、およびレーダータイプの感知のうちの１つまたは複数を含み得る。１つまたは複数のプロセッサは、状態のさらなる調査を推奨するために、人による咳の１つまたは複数の事象の表示に関するデータを通信し、および／または環境パラメータ、治療デバイスの設定、行動変化および／または治療パラメータの１つまたは複数を制御するように構成され得る。寝具を交換または洗濯するためのリマインダーを生成するように、１つまたは複数のプロセッサはさらに構成され得る。
いくつかのバージョンでは、分類は、教師あり機械学習、深層学習、畳み込みニューラルネットワーク、およびリカレントニューラルネットワークのいずれか１つまたは複数によって導出された分類子を含む。この方法は、ユーザの環境相互作用を検出するために音を監視することをさらに含み得る。ユーザの環境相互作用は、ユーザの環境相互作用の検出を含み得、シグニチャは、クリッカー、器具、およびドアのいずれか１つまたは複数を含み得る。ユーザの環境相互作用を検出するために音を監視することは、監視対象者との接触の必要性の表示を生成するために監視対象者の活動のパターンを評価することを含み得る。
本明細書に記載の方法、システム、デバイス、および装置は、特定目的のコンピュータなどの処理デバイスのプロセッサなどのプロセッサにおける改善された機能、および／または睡眠および／または睡眠呼吸障害の診断／監視装置を提供することができる。さらに、場合によっては、それらは、呼吸療法デバイスなどの治療デバイスのコントローラまたはプロセッサと通信するか、またはそれらの中に統合され得る。さらに、記載された方法、システム、デバイスおよび装置は、例えば睡眠呼吸障害を含む、睡眠関連状態および／または呼吸状態の自動管理、スクリーニング、監視および／または治療の技術分野における改善を提供することができる。
本技術のいくつかのバージョンは、プロセッサ可読媒体を含み得、プロセッサ実行可能命令をそこに記憶し、これは、１つまたは複数のプロセッサによって実行される場合、１つまたは複数のプロセッサに、本明細書に記載の任意の方法に従って、人による咳を識別させる。本技術のいくつかのバージョンは、そのようなプロセッサ可読媒体にアクセスを有するサーバを含み、プロセッサ可読媒体のプロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードするための要求を受信し得る。そのような処理デバイスは、１つまたは複数のプロセッサ、１つまたは複数のプロセッサに結合されたスピーカー、１つまたは複数のプロセッサに結合されたマイクロフォン、本明細書に記載のプロセッサ可読媒体を含み得、または１つまたは複数のプロセッサは、サーバを用いてプロセッサ実行可能命令にアクセスするように構成され得る。処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含み得る。処理デバイスは、１つまたは複数のプロセッサ、１つまたは複数のプロセッサに結合されたマイクロフォン、１つまたは複数のプロセッサに結合された無線周波数センサ、およびそのようなプロセッサ可読媒体を含み得る。
本技術のいくつかのバージョンは、そのようなプロセッサ可読媒体へのアクセスを有するサーバの方法を含み得る。この方法は、サーバで、プロセッサ可読媒体のプロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードするための要求を受信することと、要求に応答して、プロセッサ実行可能命令を処理デバイスに送信することとを含み得る。
本技術のいくつかのバージョンは、人による咳を識別するための処理デバイスを含み得る。デバイスは、受動非接触感知用に構成された１つまたは複数のマイクロフォンを含み得、１つまたは複数のマイクロフォンは、人の近くで受動非接触感知によって音響信号を生成する。デバイスは、１つまたは複数のマイクロフォンに結合された１つまたは複数のプロセッサを含み得る。１つまたは複数のプロセッサは、１つまたは複数のマイクロフォンで生成された音響信号にアクセスするように構成されたモジュールを含み得る。１つまたは複数のプロセッサは、音響信号から１つまたは複数の特徴を導出するように構成されたモジュールを含み得る。１つまたは複数の特徴は、人の咳の有無に関係し得る。１つまたは複数のプロセッサは、人による咳の１つまたは複数の事象の表示を生成するために、１つまたは複数の特徴を分類するか、または分類のために送信するように構成されたモジュールを含み得る。処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含み得る。プロセッサは、生成された事象指標をデバイスのディスプレイに表示するように、または生成された事象指標を外部処理／ディスプレイデバイスに転送するようにさらに配置され得る。
本明細書に記載の方法、システム、デバイス、および装置は、特定目的のコンピュータなどの処理デバイスのプロセッサなどのプロセッサにおける改善された機能、および／または睡眠および／または睡眠呼吸障害の診断／監視装置を提供することができる。さらに、場合によっては、それらは、呼吸療法デバイスなどの治療デバイスのコントローラまたはプロセッサと通信するか、またはそれらの中に統合され得る。さらに、記載された方法、システム、デバイスおよび装置は、例えば睡眠呼吸障害を含む、睡眠関連状態および／または呼吸状態の自動管理、スクリーニング、監視および／または治療の技術分野における改善を提供することができる。
もちろん、態様の一部は、本技術のサブ態様を形成することができる。また、サブ態様および／または態様の様々なものは、様々な方法で組み合わせることができ、また、本技術の追加の態様またはサブ態様を構成することができる。
技術の他の特徴は、以下の詳細な説明、要約、図面、および特許請求の範囲に含まれる情報を考慮することから明らかになるであろう。
７ 図面の簡単な説明
本技術は、限定ではなく例として、添付の図面の図に示されている。添付の図面では、同様の参照番号は、以下を含む同様の要素を指す。
本技術は、限定ではなく例として、添付の図面の図に示されている。添付の図面では、同様の参照番号は、以下を含む同様の要素を指す。
７．１ 治療システム
本技術の一形態による治療システムの実施例を示す。患者インターフェース３０００を装着している患者１０００は、ＲＰＴデバイス４０００から陽圧で空気の供給を受ける。ＲＰＴデバイス４０００からの空気は、加湿器５０００で加湿され、空気回路４１７０を通って患者１０００に送られる。７．２ 呼吸器系と顔面解剖学
鼻腔および口腔、喉頭、声帯、食道、気管、気管支、肺、肺胞嚢、心臓および横隔膜を含むヒト呼吸器系の概要を示す。７．３ 患者インターフェース
本技術の一形態による鼻マスクの形態の患者インターフェースを示す。７．４ ＲＰＴデバイス
本技術の一形態によるＲＰＴデバイスを示す。
本技術の一形態による図４ＡのＲＰＴデバイスの空気圧経路の概略図を示す。上流と下流の方向が示されている。７．５ 加湿器
本技術の一態様による加湿器の等角図を示す。
本技術の一態様による加湿器の等角図を示す。７．６ 呼吸波形
睡眠中の人のモデルの典型的な呼吸波形を示す。
約９０秒の期間にわたる通常のノンレム睡眠呼吸中の患者の睡眠ポリグラフ検査データを示す。
ＯＳＡを有する患者の睡眠ポリグラフ検査データを示す。
患者が一連の完全閉塞性無呼吸を経験している場合の患者の流量データを示す。
無呼吸を含むチェインストークス呼吸を有する患者の睡眠ポリグラフ検査データを示す。
低呼吸を含むチェインストークス呼吸を有する患者の睡眠ポリグラフ検査データを示す。７．７ 監視装置
睡眠ポリグラフ検査中の睡眠中の睡眠中の患者を示す。
ＳＤＢの診断、監視またはスクリーニングのための本技術のプロセスの実装に適し得る、眠っている人を監視するための、音響感知などの例示的な処理デバイスを示す。
図７Ｂ－１の処理デバイスなどの例示的な処理デバイスの概略図である。
本明細書に記載の感知および／またはＳＤＢスクリーニング技術など、本技術のいくつかの形態に従って構成されたモバイルコンピューティングデバイスまたは処理デバイスの概念図である。
本技術の一形態に従って、眠っている患者を監視するための、無線周波数感知などを備えた例示的な装置を示す。
より詳細な図７Ｃ－１の監視装置を示すブロック図である。
本技術のいくつかのバージョンにおける睡眠呼吸障害状態の出力表示を提供するための感知信号の処理などの処理デバイスのための例示的なプロセスまたはモジュールを示す。
本技術のいくつかのバージョンにおける咳の状態、事象、および／またはタイプの出力表示を提供するための感知された信号の処理などの処理デバイスの例示的なプロセスまたはモジュールを示す。
とりわけ、本技術のいくつかのバージョンにおける咳の状態、事象、および／またはタイプの出力表示を提供するための、感知された信号の処理などの処理デバイスのさらなる例示的なプロセスまたはモジュールを示す。
図８Ａまたは８Ｂに示される咳評価システムでの実装など、本明細書に記載の受動および／または能動感知技術によるいびき、鼻を詰まり、咳または呼吸困難の特徴的なパターンを検出するための例示的なプロセスまたはモジュールを示す。
例えば、図８Ｃに示される技術を用いた実装に適し得る、能動および受動感知ストリームを処理するための例示的なプロセスまたはモジュールを示す。受動感知ストリームを処理するための例示的プロセスまたはモジュールに特に重点を置いている。
本技術の動作感知デバイスの１つでレンジゲーティングを実装することによるなど、センサからの異なる感知距離での動作を表す異なるレンジビンにおける呼吸努力に関連する様々な動作信号を示す。
本技術のいくつかのバージョンにおいて呼吸努力信号を生成するための呼吸努力に関する情報を抽出するための異なる範囲に関連する動作信号の信号処理のためのプロセスを示す。
ＳＤＢに関連する能動クラスタを識別するための本技術のいくつかのバージョンにおけるスペクトル分析による呼吸努力信号の信号処理のプロセスを示す。
本明細書に記載の処理デバイスによって実装される受動音検出などの音センサ（例えば、マイクロフォン）で生成される例示的な音響信号のスペクトログラムを示す。
ＳＤＢに関連する受動クラスタを識別するための本技術のいくつかのバージョンにおける、受動音検出によって音センサで生成された音響信号などの音響信号の信号処理のプロセスを示す。
本技術のいくつかのバージョンで生成され得るグラフィックのＳＤＢリスク識別子を示し、ＳＤＢリスクの通常の評価および無呼吸および／または低呼吸事象の推定数を示す。
本技術のいくつかのバージョンで生成され得るグラフィックＳＤＢリスク識別子を示し、ＳＤＢリスクの高い眠る人の評価、ならびに無呼吸および／または低呼吸事象の推定数を示す。メータは、１５～３０％の範囲の実施例で計算された確率で、中程度のリスクを示す。
本技術のいくつかのバージョンで生成され得るグラフィックのＳＤＢリスク識別子を示し、ＳＤＢリスクの高い眠る人の評価、ならびに無呼吸および／または低呼吸事象の推定数を示す。メータは、３０～１００％の範囲の実施例で計算された確率で高いリスクを示す。
本技術のいくつかのバージョンで生成され得るグラフィックＳＤＢリスク識別子を示し、十分なデータまたは感知信号が検出されない場合のＳＤＢリスクの高い眠る人の評価を示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の方法論で検出可能な例示的な呼吸事象（ＳＤＢ）の自動境界グラフィックディスプレイを用いて、共通の時間スケールで本明細書に記載の能動および受動感知技術の信号で生成されたグラフィックディスプレイを示す。
本明細書に記載の能動的および／または受動的感知技術の信号で導出された出力ＳＤＢリスク、いびきおよび睡眠の質の指標を備えた、本明細書に記載の装置のディスプレイのための例示的なユーザインターフェースを示す。
図３３と同様の本明細書に記載の装置のディスプレイのための例示的なユーザインターフェースを示す。本明細書に記載の能動および／または受動感知技術の信号から導出された、出力ＳＤＢリスク（高リスクな睡眠）、いびきおよび睡眠の質の指標を伴う。
本明細書に記載の装置のディスプレイのための例示的なユーザインターフェースを示し、本明細書に記載の能動および／または受動感知技術の信号で導出されたいびき分析の出力を伴う。
本明細書に記載の装置のディスプレイのための例示的なユーザインターフェースを示し、本明細書に記載の能動および／または受動感知技術の信号で導出された、入眠および睡眠セッション要約を含む睡眠分析の出力を伴う。
本明細書に記載の装置のディスプレイのための例示的なユーザインターフェースを示し、本明細書に記載の能動および／または受動感知技術の信号で導出された、共通の時間スケールでの睡眠分析および呼吸数表示の出力を伴う。
８ 技術の実施例の詳細な説明
本技術をさらに詳細に説明する前に、技術は、本明細書に記載の特定の実施例に限定されず、変動する可能性があることを理解されたい。また、本開示で使用される用語は、本明細書で論じられる特定の実施例のみを説明することを目的としており、限定することを意図するものではないことも理解されたい。
本技術をさらに詳細に説明する前に、技術は、本明細書に記載の特定の実施例に限定されず、変動する可能性があることを理解されたい。また、本開示で使用される用語は、本明細書で論じられる特定の実施例のみを説明することを目的としており、限定することを意図するものではないことも理解されたい。
以下に記載される装置および方法は、咳および／または睡眠呼吸障害のスクリーニングなどの監視に特に適しており、それらの用語で説明されている。しかしながら、記載された装置および方法はまた、患者の呼吸に影響を与える他の事象を監視するために適用され得る。
本明細書に記載の方法論は、受動感知技術（音声監視）および／または１つまたは複数の能動感知技術（例えば、レーダーおよび／またはソナー感知）を用いたＳＤＢリスク検出および／または咳検出を実装することができ、本明細書に記載されている装置のいずれかなどによって、１つまたは複数のプロセッサにより実装することができる。例えば、本明細書に記載の方法論は、（ｉ）アプリケーションの処理が受動感知（音響呼吸関連の音監視）と能動音響感知（例えば、超音波感知などのソナー）の相乗的な融合を実装するようにスピーカーとマイクロフォンで構成され得る、携帯電話（スマートフォンなど）、スマートスピーカー、スマートＴＶ、スマートウォッチ、タブレットコンピュータなどの処理デバイスまたはコンピューティングデバイス上のアプリケーションを使用し、（ｉｉ）無線周波数（ＲＦ）センサ（レーダーなど）およびマイクロフォンとして実装された専用ハードウェアデバイス上、（ｉｉｉ）音声なしのＲＦセンサとして実装された専用ハードウェアデバイス上、および／または（ｉｖ）ＲＦ感知なしの能動音響感知デバイスとして実装された専用ハードウェアデバイス上などの１つまたは複数のプロセッサによって実行することができる。そのようなデバイスの他の組み合わせは、以下の開示の詳細に関連して認識されるであろう。したがって、そのようなデバイスは、独立しているか、または協調して動作して、本明細書に記載の検出／監視方法のいずれかを用いて音響および無線周波数ベースの感知を実装することができる。
例えば、本明細書に記載の検出および／またはディスプレイを実装するための１つまたは複数のプロセッサを備えたデバイスは、デバイスのハウジング内の１つまたは複数の能動および／または受動感知ハードウェアと統合され得る。任意選択で、本明細書に記載の検出および／またはディスプレイを実装するための１つまたは複数のプロセッサを備えた処理デバイスは、能動および／または受動感知に関連付けられている情報を受信する目的で、有線および／または無線通信などを介して、外部の能動および／または受動感知ハードウェアに別々に結合され得る。そのような外部センサは、例えば、感知が行われる部屋（例えば、寝室）に配置され、例えば、本明細書に記載の検出および／またはディスプレイを実装する処理デバイス（例えば、ＲＰＴデバイス、スマートフォンまたは別のスマート装置）とは別個であり得る。
さらに、その検出および／またはディスプレイを実装するように構成された１つまたは複数のプロセッサは、データ通信（例えば、有線および／または無線送信）を介するなど、独立してまたは協調的に動作することができる。例えば、感知信号を受信する処理デバイスは、本明細書に記載されるように、局所的または遠隔的に信号の処理およびそこからの検出を実行し、あるいは両方の何らかの組み合わせを実行することができる。そのような一例では、処理デバイス（例えば、スマートフォン）は、（受信した感知信号からの）処理および検出を局所的に（すなわち、処理デバイス上で）実行し、結果を表示すように構成され得る。別のそのような例では、処理デバイス（例えば、スマートフォン）は、（受信された感知信号からの）処理および／または検出のいくつかを局所で（すなわち、処理デバイス上で）実行し、データを遠隔処理デバイス（例えば、１つまたは複数のサーバ）に送信するように構成され得、その結果、処理および／または検出の一部を遠隔で実行できるようになる。いくつかのそのような場合、遠隔処理デバイスは、結果を局所処理デバイスに送り返して、局所処理デバイスに表示することができる。局所処理デバイスが制限された処理および／または表示機能を有するＲＰＴデバイスである場合などの他の場合において、局所処理デバイスは、遠隔デバイスから受信したデータを別の局所デバイス（スマートフォンなど）に送信して、さらに処理および／または表示することができる。
別の例示的な構成では、処理デバイス（例えば、スマートフォン）は、データ（例えば、感知信号）を遠隔処理デバイス（例えば、１つまたは複数のサーバ）に送信するように構成され得、その結果、処理および検出は遠隔で実行できる。そのような場合、遠隔処理デバイスは、結果を局所処理デバイスに送り返して、局所処理デバイスまたはそれに関連する別のデバイスに表示することができる。
８．１ 治療システム
一形態では、本技術は、睡眠障害を治療するための装置またはデバイスを含む。装置またはデバイスは、空気回路４１７０を介して患者インターフェース３０００へ加圧空気を患者１０００に供給するための呼吸圧療法（ＲＰＴ）デバイス４０００を含み得る。
一形態では、本技術は、睡眠障害を治療するための装置またはデバイスを含む。装置またはデバイスは、空気回路４１７０を介して患者インターフェース３０００へ加圧空気を患者１０００に供給するための呼吸圧療法（ＲＰＴ）デバイス４０００を含み得る。
８．１．１ 患者インターフェース
本技術の一態様による非侵襲的患者インターフェース３０００は、シール形成構造３１００、プレナムチャンバー３２００、位置決めおよび安定化構造３３００、通気口３４００、１つ空気回路４１７０に接続するための接続ポート３６００の形態、および額支援３７００の機能的側面を含み得る。いくつかの形態では、機能的側面は、１つまたは複数の物理的構成要素によって提供され得る。いくつかの形態では、１つの物理的構成要素が１つまたは複数の機能的側面を提供し得る。使用中、シール形成構造３１００は、気道への陽圧での空気の供給を容易にするように、患者の気道への入口を取り囲むように配置される。いくつかの形態では、高流量治療を提供するためなどの患者インターフェースは、重要なシール形成構造なしで提供され得る。
本技術の一態様による非侵襲的患者インターフェース３０００は、シール形成構造３１００、プレナムチャンバー３２００、位置決めおよび安定化構造３３００、通気口３４００、１つ空気回路４１７０に接続するための接続ポート３６００の形態、および額支援３７００の機能的側面を含み得る。いくつかの形態では、機能的側面は、１つまたは複数の物理的構成要素によって提供され得る。いくつかの形態では、１つの物理的構成要素が１つまたは複数の機能的側面を提供し得る。使用中、シール形成構造３１００は、気道への陽圧での空気の供給を容易にするように、患者の気道への入口を取り囲むように配置される。いくつかの形態では、高流量治療を提供するためなどの患者インターフェースは、重要なシール形成構造なしで提供され得る。
８．１．２ ＲＰＴデバイス
本技術の一態様によるＲＰＴデバイス４０００、または呼吸療法デバイスは、機械的、空気圧的、および／または電気的構成要素を含み、１つまたは複数のアルゴリズムを実行するように構成される。ＲＰＴデバイス４０００は、本文書の他の場所に記載されている呼吸状態の１つまたは複数を治療するなど、患者の気道に送達するための空気の流れを生成するように構成され得る。
本技術の一態様によるＲＰＴデバイス４０００、または呼吸療法デバイスは、機械的、空気圧的、および／または電気的構成要素を含み、１つまたは複数のアルゴリズムを実行するように構成される。ＲＰＴデバイス４０００は、本文書の他の場所に記載されている呼吸状態の１つまたは複数を治療するなど、患者の気道に送達するための空気の流れを生成するように構成され得る。
一形態では、ＲＰＴデバイス４０００は、少なくとも６ｃｍＨ２Ｏ、または少なくとも１０ｃｍＨ２Ｏ、または少なくとも２０ｃｍＨ２Ｏの陽圧を維持しながら、－２０Ｌ／分から＋１５０Ｌ／分の範囲の空気の流れを送達することができるように構築および配置される。したがって、そのようなデバイスは、気道陽圧デバイスまたは高流量治療デバイスとして構成され得る。
ＲＰＴデバイスは、２つの部分、上部４０１２および下部４０１４で形成された外部ハウジング４０１０を有し得る。さらに、外部ハウジング４０１０は、１つまたは複数のパネル４０１５を含み得る。ＲＰＴデバイス４０００は、ＲＰＴデバイス４０００の１つまたは複数の内部構成要素を支援するシャーシ４０１６を含む。ＲＰＴデバイス４０００は、ハンドル４０１８を含み得る。
ＲＰＴデバイス４０００の空気圧経路は、１つまたは複数の空気経路項目、例えば、吸気フィルタ４１１２、入口マフラー４１２２、陽圧で空気を供給することができる圧力発生器４１４０（例えば、送風機４１４２）、出口マフラー４１２４、および圧力センサ４２７２および流量センサ４２７４などの１つまたは複数の変換器４２７０を含み得る。
１つまたは複数の空気経路項目は、空気圧ブロック４０２０と呼ばれる取り外し可能な単一構造内に配置することができる。空気圧ブロック４０２０は、外部ハウジング４０１０内に配置することができる。一形態では、空気圧ブロック４０２０は、シャーシ４０１６によって支援されるか、またはその一部として形成される。
ＲＰＴデバイス４０００は、電源４２１０、１つまたは複数の入力デバイス４２２０、中央コントローラ４２３０、治療デバイスコントローラ４２４０、圧力発生器４１４０、１つまたは複数の保護回路４２５０、メモリ４２６０、変換器４２７０、データ通信インターフェース４２８０および１つまたは複数の出力デバイス４２９０を有し得る。電気部品４２００は、単一のプリント回路基板アセンブリ（ＰＣＢＡ）４２０２に取り付けることができる。別の形態では、ＲＰＴデバイス４０００は、２つ以上のＰＣＢＡ４２０２を含み得る。１つまたは複数のプロセッサなどを備えたそのような中央コントローラ４２３０では、ＲＰＴデバイスは、本明細書に記載の音響および／または無線周波数感知構成要素とともに実装される場合、またはそのような感知信号の１つまたは複数を受信するためのそのような感知構成要素を有する装置と通信する場合のいずれかで、本明細書でより詳細に説明される処理デバイスであり得る。
８．１．３ 空気回路
本技術の一態様による空気回路４１７０は、使用中に、空気の流れがＲＰＴデバイス４０００および患者インターフェース３０００などの２つの構成要素間を移動することを可能にするように構築および配置された導管または管である。
本技術の一態様による空気回路４１７０は、使用中に、空気の流れがＲＰＴデバイス４０００および患者インターフェース３０００などの２つの構成要素間を移動することを可能にするように構築および配置された導管または管である。
８．１．４ 加湿器
本技術の一形態では、周囲空気に対する患者に送達するための空気またはガスの絶対湿度を変更するための加湿器５０００（例えば、図５Ａに示される）が提供される。通常、加湿器５０００は、患者の気道に送達される前に、絶対湿度を上昇させ、空気の流れの温度を（周囲空気と比較して）上昇させるために使用される。
本技術の一形態では、周囲空気に対する患者に送達するための空気またはガスの絶対湿度を変更するための加湿器５０００（例えば、図５Ａに示される）が提供される。通常、加湿器５０００は、患者の気道に送達される前に、絶対湿度を上昇させ、空気の流れの温度を（周囲空気と比較して）上昇させるために使用される。
加湿器５０００は、加湿器リザーバ５１１０、空気の流れを受け入れるための加湿器入口５００２、および加湿された空気の流れを供給するための加湿器出口５００４を含み得る。いくつかの形式では、図５Ａおよび図５Ａに示されるように、加湿器リザーバ５１１０の入口および出口は、それぞれ、加湿器入口５００２および加湿器出口５００４であり得る。加湿器５０００は、加湿器ベース５００６をさらに含み得、加湿器ベース５００６は、加湿器リザーバ５１１０を受け入れるように適合され得、発熱体５２４０を含み得る。
８．２ 呼吸波形
図６Ａは、睡眠中の人のモデルの典型的な呼吸波形を示す。横軸は時間、縦軸は呼吸流量である。パラメータ値は変動する可能性があるが、一般的な呼吸の近似値は次のとおりである。一回換気量、Ｖｔ、０．５Ｌ、吸気時間、Ｔｉ、１．６秒、ピーク吸気流量、Ｑｐｅａｋ、０．４Ｌ／ｓ、呼気時間、Ｔｅ、２．４秒、ピーク呼気流量、Ｑｐｅａｋ、－０．５Ｌ／ｓである。呼吸の合計時間Ｔｔｏｔは約４秒である。人は通常、毎分約１５呼吸（ＢＰＭ）の数で呼吸し、通気、換気、約７．５Ｌ／分である。典型的なデューティサイクルであるＴｉとＴｔｏｔの比率は約４０％である。
図６Ａは、睡眠中の人のモデルの典型的な呼吸波形を示す。横軸は時間、縦軸は呼吸流量である。パラメータ値は変動する可能性があるが、一般的な呼吸の近似値は次のとおりである。一回換気量、Ｖｔ、０．５Ｌ、吸気時間、Ｔｉ、１．６秒、ピーク吸気流量、Ｑｐｅａｋ、０．４Ｌ／ｓ、呼気時間、Ｔｅ、２．４秒、ピーク呼気流量、Ｑｐｅａｋ、－０．５Ｌ／ｓである。呼吸の合計時間Ｔｔｏｔは約４秒である。人は通常、毎分約１５呼吸（ＢＰＭ）の数で呼吸し、通気、換気、約７．５Ｌ／分である。典型的なデューティサイクルであるＴｉとＴｔｏｔの比率は約４０％である。
図６Ｂは、約９０秒の期間にわたって通常約３４回の呼吸を伴うノンレム睡眠呼吸中の患者の選択された睡眠ポリグラフ検査チャネル（パルスオキシメトリ、流量、胸腔動作、および腹部動作）を示す。上のチャネルは血中酸素飽和度（ＳｐＯ２）を示し、スケールは垂直方向に９０～９９％の飽和範囲を有している。患者は、示された期間を通して約９５％の飽和を維持した。第２のチャネルは定量的な呼吸流量を示し、スケールは垂直方向に－１から＋１ＬＰＳの範囲で、インスピレーションは正である。胸腔と腹部の動作は、第３と第４のチャネルに表示される。
８．３ 診断、監視、および／またはスクリーニングシステム
８．３．１ 睡眠ポリグラフ検査
図７Ａは、睡眠ポリグラフ検査（ＰＳＧ）を受けている患者１０００を示す。ＰＳＧシステムは、ＥＥＧ電極２０２０、ＥＣＧ電極２０２５、顎下のＥＭＧ電極２０３０、いびきセンサ２０３５、胸部帯域の呼吸インダクタンスプレチスモグラム（呼吸努力センサ）２０４０、腹部帯域の呼吸インダクタンスプレチスモグラム（呼吸努力センサ）２０４５、経口サーミスタを備えた口腔鼻カニューレ２０５０、フォトプレチスモグラフ（パルスオキシメータ）２０５５、および体位置センサ２０６０のセンサからの信号を受信および記録するヘッドボックス２０００を含む。電気信号は、額の中央に配置された接地電極（ＩＳＯＧ）２０１０を基準としている。
８．３．１ 睡眠ポリグラフ検査
図７Ａは、睡眠ポリグラフ検査（ＰＳＧ）を受けている患者１０００を示す。ＰＳＧシステムは、ＥＥＧ電極２０２０、ＥＣＧ電極２０２５、顎下のＥＭＧ電極２０３０、いびきセンサ２０３５、胸部帯域の呼吸インダクタンスプレチスモグラム（呼吸努力センサ）２０４０、腹部帯域の呼吸インダクタンスプレチスモグラム（呼吸努力センサ）２０４５、経口サーミスタを備えた口腔鼻カニューレ２０５０、フォトプレチスモグラフ（パルスオキシメータ）２０５５、および体位置センサ２０６０のセンサからの信号を受信および記録するヘッドボックス２０００を含む。電気信号は、額の中央に配置された接地電極（ＩＳＯＧ）２０１０を基準としている。
ＰＳＧシステムの品質および信頼性にもかかわらず、それらは、長期の継続的な監視にはあまり適しておらず、制限された可動性を課し、監視中の患者に刺激、苦痛および不快感を引き起こす。これらの制限により、睡眠監視システムの改善に対する要求が高まっている。
８．３．２ 目立たない監視装置
本技術は、特に、対象が眠っている間など、例えば呼吸動作および／または心臓関連の胸部動作を含む、対象の動作を検出するためのシステム、方法、および装置に関する。そのような呼吸および／または他の動作の検出に基づいて、対象の睡眠状態および睡眠呼吸障害事象（例えば、無呼吸、低呼吸など）が検出され得る。例えば、処理デバイス（例えば、一般的なコンピューティングデバイス、スマートフォン、タブレット、スマートスピーカー、スマートテレビ、スマートウォッチなど）に関連付けられたアプリケーション（例えば、１つまたは複数のプロセッサ用のソフトウェア）などの処理デバイスは、スピーカーとマイクロフォン、および／または無線周波数送信機／受信機などのモバイルデバイスセンサを使用して、そのような可聴音を受動的に検出し、および／または非接触方式などで動作を能動的に検出することができる。そのような受動および能動非接触感知技術を組み合わせると、互いに補完し合い、個々にそのような方法が混乱し、または不完全である場合でも、改善された睡眠呼吸障害分類を提供するという相乗的利益をもたらし得る。そのような感知信号情報は、センサが、対象のユーザに直接または間接的に接触する感知モダリティなしに、離れた場所からユーザを監視し得る非接触方式で、本明細書に記載のスクリーニング方法のために処理され得る。本明細書で理解される一般的なコンピューティングデバイスは、プロセッサを有し、本明細書で説明される処理方法のいずれかを達成するためなど、スピーカーおよびマイクロフォンにアクセスを有する任意の電子デバイスであり得る。
本技術は、特に、対象が眠っている間など、例えば呼吸動作および／または心臓関連の胸部動作を含む、対象の動作を検出するためのシステム、方法、および装置に関する。そのような呼吸および／または他の動作の検出に基づいて、対象の睡眠状態および睡眠呼吸障害事象（例えば、無呼吸、低呼吸など）が検出され得る。例えば、処理デバイス（例えば、一般的なコンピューティングデバイス、スマートフォン、タブレット、スマートスピーカー、スマートテレビ、スマートウォッチなど）に関連付けられたアプリケーション（例えば、１つまたは複数のプロセッサ用のソフトウェア）などの処理デバイスは、スピーカーとマイクロフォン、および／または無線周波数送信機／受信機などのモバイルデバイスセンサを使用して、そのような可聴音を受動的に検出し、および／または非接触方式などで動作を能動的に検出することができる。そのような受動および能動非接触感知技術を組み合わせると、互いに補完し合い、個々にそのような方法が混乱し、または不完全である場合でも、改善された睡眠呼吸障害分類を提供するという相乗的利益をもたらし得る。そのような感知信号情報は、センサが、対象のユーザに直接または間接的に接触する感知モダリティなしに、離れた場所からユーザを監視し得る非接触方式で、本明細書に記載のスクリーニング方法のために処理され得る。本明細書で理解される一般的なコンピューティングデバイスは、プロセッサを有し、本明細書で説明される処理方法のいずれかを達成するためなど、スピーカーおよびマイクロフォンにアクセスを有する任意の電子デバイスであり得る。
Ａ．音響非接触感知装置
本技術に適したシステムとして実装するための例示的な装置を、ここで、図７Ｂ－１、７Ｂ－２および７Ｂ－３を参照して説明する。対象１０００の動作を検出するためのアプリケーション７２００で構成された処理デバイス７１００などの携帯電話、または電子デバイスは、人または対象（例えば、患者１０００）の近くのベッドサイドテーブル上に置くことができる。携帯電話または処理デバイス７１００は、例えば、１つまたは複数のプロセッサを有するスマートフォンまたはタブレットであり得る。プロセッサは、とりわけ、アプリケーション７２００の機能を実行するように構成され得る。したがって、プロセス７２０２において、そのような機能は、（ａ）マイクロフォンなどの音響変換器を備えたデバイスの環境内の可聴周囲音を感知するオーディオ信号を生成させることによるなどの受動感知、および／または（ｂ）ソナーに似た方法で、通常はデバイスの部屋の近くなど、一般的に開放された、または制限のない媒体として空中を介して、スピーカーで音響感知信号を生成および送信し、送信信号の反射を、例えば、マイクロフォンなどの変換器で感知することによって受信し、感知された信号を処理して、体の動作を１つまたは複数の動作信号として決定することなどによる能動感知を含み得る。この文脈において、ソナーという用語は、空中を通過する超音波または低周波超音波感知信号（例えば、約１７～２３ｋＨｚ、１８～２２ｋＨｚ、または１８～２２ｋＨｚ、１７～１８ｋＨｚなどの周波数範囲）を生成／送信することによるなどの能動音響感知に関係すると理解され得る。そのようなシステムは、ＰＣＴ／ＥＰ２０１７／０７３６１３に関連して考慮され得、その開示は、参照により本明細書に組み込まれる。
本技術に適したシステムとして実装するための例示的な装置を、ここで、図７Ｂ－１、７Ｂ－２および７Ｂ－３を参照して説明する。対象１０００の動作を検出するためのアプリケーション７２００で構成された処理デバイス７１００などの携帯電話、または電子デバイスは、人または対象（例えば、患者１０００）の近くのベッドサイドテーブル上に置くことができる。携帯電話または処理デバイス７１００は、例えば、１つまたは複数のプロセッサを有するスマートフォンまたはタブレットであり得る。プロセッサは、とりわけ、アプリケーション７２００の機能を実行するように構成され得る。したがって、プロセス７２０２において、そのような機能は、（ａ）マイクロフォンなどの音響変換器を備えたデバイスの環境内の可聴周囲音を感知するオーディオ信号を生成させることによるなどの受動感知、および／または（ｂ）ソナーに似た方法で、通常はデバイスの部屋の近くなど、一般的に開放された、または制限のない媒体として空中を介して、スピーカーで音響感知信号を生成および送信し、送信信号の反射を、例えば、マイクロフォンなどの変換器で感知することによって受信し、感知された信号を処理して、体の動作を１つまたは複数の動作信号として決定することなどによる能動感知を含み得る。この文脈において、ソナーという用語は、空中を通過する超音波または低周波超音波感知信号（例えば、約１７～２３ｋＨｚ、１８～２２ｋＨｚ、または１８～２２ｋＨｚ、１７～１８ｋＨｚなどの周波数範囲）を生成／送信することによるなどの能動音響感知に関係すると理解され得る。そのようなシステムは、ＰＣＴ／ＥＰ２０１７／０７３６１３に関連して考慮され得、その開示は、参照により本明細書に組み込まれる。
したがって、処理デバイス７１００は、他の構成要素の中でも、スピーカーおよびマイクロフォンを含み得る。スピーカーを作動させて感知オーディオ信号を送信し、マイクロフォンを作動させて反射信号または周囲音（例えば、ユーザの呼吸音）を受信することができる。
したがって、本技術のいくつかの態様によれば、オーディオ信号が生成され、１つまたは複数のトーンを使用するなどしてユーザに向けて送信され得る。トーンは、特定の周波数で媒体（例えば、空気）の圧力変動を提供する。この説明の目的のために、生成されたトーン（またはオーディオ信号または音声信号）は、可聴圧力波と同様の方法（例えば、スピーカーにより）で生成され得るため、「音」、「音響」または「オーディオ」と呼ばれることがある。しかしながら、そのような圧力変動およびトーンは、「音」、「音響」または「オーディオ」という用語のいずれかによるそれらの特徴付けにもかかわらず、本明細書では可聴または非可聴のいずれかであると理解されるべきである。したがって、生成されるオーディオ信号は、可聴または非可聴であり得、人間集団全体の可聴性の周波数閾値は、年齢によって変化する。一般的な「可聴周波数」の標準範囲は、約２０Ｈｚ～２０，０００Ｈｚ（２０ｋＨｚ）である。高周波聴覚の閾値は年齢とともに低下する傾向があり、中年の人々は１５～１７ｋＨｚを超える周波数の音を聞くことができないことが多く、１０代の若者は１８ｋＨｚを聞くことができる場合がある。音声の最も重要な周波数は、およそ２５０～６，０００Ｈｚの範囲である。一般的な消費者向けスマートフォンのスピーカーとマイクロフォンの信号応答は、多くの場合１９～２０ｋＨｚを超えるように設計されており、一部は２３ｋＨｚ以上に拡張される（特に、デバイスが９６ｋＨｚなどの４８ｋＨｚを超えるサンプリングレートを支援する場合）。したがって、ほとんどの人にとって、１７／１８～２４ｋＨｚの範囲の信号を使用して、非可聴にすることが可能である。１８ｋＨｚは聞こえるが、１９ｋＨｚは聞こえない若い人には、１９ｋＨｚから２１ｋＨｚまでの帯域を使用できる。一部の家庭用ペットは、より高い周波数を聞くことができる場合があることに留意されたい（例えば、犬は６０ｋＨｚまでおよび猫は７９ｋＨｚまで）。この説明で「能動」および「受動」感知と呼ばれる技術は、特定の周波数範囲に対応することがよくある。例えば、「能動」ソナー感知は、サイレントにすることを目的としている。そのため、「能動」感知は、１８ｋＨｚ前後の周波数である、聞き取りにくいまたは聞き取れない周波数に焦点を合わせる傾向がある。一方、「受動」感知は、眠っている人が発する可聴音を対象としているため、通常、１５Ｈｚ～１７ｋＨｚ、さらには２５０Ｈｚ～６，０００Ｈｚなどの１８ｋＨｚ未満の周波数範囲に焦点を合わせる。
能動感知（例えば、ソナー）のために送信されるオーディオ信号は、例えば、正弦波形、鋸歯状チャープ、三角チャープなどを含み得る。背景として、本明細書で使用される「チャープ」という用語は、例えば、線形または非線形プロファイルを有する鋸歯状または三角形の形状を有することができる短期間の非定常信号である。いくつかのタイプの信号処理方法を使用し、例えば、以下を含むオーディオ信号を生成および感知することができ、連続波（ＣＷ）ホモダイニング、パルスＣＷホモダイニング、周波数変調ＣＷ（ＦＭＣＷ）、周波数ホッピング範囲ゲーティング（ＦＨＲＧ）、適応ＦＨＲＧ（ＡＦＨＲＧ）、超広帯域（ＵＷＢ）、直交周波数分割多重（ＯＦＤＭ）、適応ＣＷ、周波数シフトキーイング（ＦＳＫ）、位相シフトキーイング（ＰＳＫ）、バイナリ位相シフトキーイング（ＢＳＰＫ）、直交位相シフトキーイング（ＱＰＳＫ）、直交振幅変調（ＱＡＭ）などと呼ばれる一般化されたＱＰＳＫを含む。
ソナータイプの非接触感知装置によって生成される他の動作信号は、２０１７年９月１９日に出願された「音声およびマルチモーダル信号からの生理学的動作を検出するための装置、システム、および方法」と題された国際ＰＣＴ特許公開第ＷＯ２０１８／０５０９１３号（ＰＣＴ／ＥＰ２０１７／０７３６１３）に記載されているそのような装置の実施例のように利用することができ、その全内容は参照により本明細書に組み込まれる。例えば、そのようなソナー感知は、ＦＭＣＷ感知信号を生成することなどによって、センサからの複数の範囲の並列感知を実質的に同時に実装して、センサからの異なる範囲で動作を有する複数の動作信号を生成し得る。
一般に、そして本明細書でより詳細に説明するように、アプリケーション７２００は、次に、プロセス７２０４で、能動感知信号および／または受動感知信号からの音の呼吸特性から関連情報（例えば、動作）を決定／抽出するなど、検出された信号を処理することができる。そのような処理から、睡眠関連情報は、抽出された情報を評価することによって、プロセス７２０６で特徴付けられ得る（例えば、無呼吸および／または低呼吸が識別され、睡眠呼吸障害が定量化される）。次に、１つまたは複数の識別子が生成され、プロセス７２０８で出力され得る。
そのようなデバイスのための、またはそのようなデバイスの他のプロセスは、それぞれ２０１７年１２月２２日に提出された米国仮特許出願第６２／６１０，０３３、第６２／６１０，０１３号、および６２／６０９，９９８号に記載されているものを含み得、これらの開示は相互参照により本明細書に組み込まれる。
図７Ｂ－３に示されるように、そのような処理デバイス７１００は、集積チップ、メモリおよび／または他の制御命令、データまたは情報記憶媒体を含み得る。例えば、本明細書に記載の評価／信号処理方法を包含するプログラムされた命令は、特定用途向け集積チップ（ＡＳＩＣ）を形成するために、デバイスまたは装置のメモリ内の集積チップ上にコード化され得る。そのような命令はまた、または代わりに、適切なデータ記憶媒体を使用してソフトウェアまたはファームウェアとしてロードされ得る。任意選択で、そのような処理命令は、例えば、ネットワーク（例えば、インターネット）を介してサーバからモバイルデバイスにダウンロードされ得、その結果、命令が実行される場合、処理デバイスは、スクリーニングまたは監視デバイスとして機能する。
したがって、処理デバイス７１００は、図７Ｂ－３に示されるようないくつかの構成要素を含み得る。処理デバイス７１００は、他の構成要素の中でも、マイクロフォンまたは音センサ７３０２、プロセッサ７３０４、ディスプレイインターフェース７３０６、ユーザ制御／入力インターフェース７３０８、スピーカー７３１０、およびメモリ／データストレージ７３１２のいずれかを任意選択で含み得、例えば、本明細書に記載の処理方法／モジュールの処理命令などを備える。図示されていないが、そのような処理デバイスはまた、外部センサからのセンサデータなどの情報を送受信するためのような通信インターフェースを含み得る。
処理デバイス７１００の１つまたは複数の構成要素は、処理デバイス７１００と一体であるか、または動作可能に結合され得る。例えば、マイクロフォンまたは音センサ７３０２は、処理デバイス７１００と一体であるか、または有線または無線リンク（例えば、ブルートゥース、Ｗｉ－Ｆｉまたは他の通信インターフェースなど）を介するなどして処理デバイス７１００と結合され得る。例えば、本明細書に記載の無線周波数感知装置は、処理デバイス７１００と結合して、本明細書に記載の処理のために無線周波数感知装置から処理デバイスに（またはその逆に）感知信号を提供することができる。
メモリ／データストレージ３１２は、処理デバイスのプロセッサ３０４を制御するための複数のプロセッサ制御命令を含み得る。例えば、メモリ／データストレージ３１２は、本明細書に記載の処理方法／モジュールの処理命令によってアプリケーション２００を実行させるためのプロセッサ制御命令を含み得る。任意選択で、そのようなプロセッサ制御命令（コード）は、適切なデータ記憶媒体またはプロセッサ可読媒体を使用してソフトウェアまたはファームウェアとしてロードされ得る。任意選択で、そのような処理命令は、例えば、ネットワーク（例えば、インターネットまたはインターネット）を介してサーバから処理デバイスまたはポータブルコンピューティングデバイスにダウンロードされ得、その結果、命令が実行される場合、デバイスは、スクリーニング、診断、および／または監視デバイスとして機能する。したがって、サーバは、処理デバイスからの要求に応答して、ネットワークを介してなど、処理デバイスにプロセッサ制御命令（コード）を送信するように構成され得る。そのようなサーバは、サーバのプロセッサ可読媒体からネットワークを介して１つまたは複数の処理デバイスのプロセッサ可読媒体にプロセッサ実行可能命令をダウンロードするための要求を受信するように構成され得る。
Ｂ．無線周波数非接触感知装置
追加の感知装置は、図７Ｃ－１を参照して考慮することができ、本技術の一形態による目立たない監視装置７０００を示す。監視装置７０００は、眠っている患者１０００に隣接して比較的近くに配置され（例えば、ベッドサイドテーブル上に）、任意選択で、前述のように処理デバイスと通信するか、またはそのような処理デバイスと統合することができる。
追加の感知装置は、図７Ｃ－１を参照して考慮することができ、本技術の一形態による目立たない監視装置７０００を示す。監視装置７０００は、眠っている患者１０００に隣接して比較的近くに配置され（例えば、ベッドサイドテーブル上に）、任意選択で、前述のように処理デバイスと通信するか、またはそのような処理デバイスと統合することができる。
図７Ｃ－２は、本技術の一形態による、より詳細に図７Ｃ－１の監視装置７０００の構成要素を示すブロック図である。監視装置７０００において、非接触センサユニット１２００は、一般に患者１０００に向けられた非接触動作センサ７０１０を含む。動作センサ７０１０は、患者１０００の体の動作を表す１つまたは複数の信号を生成するように構成され、そこから、患者の呼吸動作を表す１つまたは複数の呼吸動作信号を導出することができる。
センサユニット１２００はまた、マイクロコントローラユニット（ＭＣＵ）７００１、およびデータを記録するためのメモリ７００２（例えば、メモリカード）を含み得る。一実施形態では、センサユニット１２００は、データを外部コンピューティングデバイス７００５、例えば、接続７００８を介した、処理デバイス７１００などの局所汎用コンピュータまたは遠隔サーバに転送するように構成された通信回路７００４を含み得る。接続７００８は、有線または無線であり得る。この場合、通信回路７００４は、無線機能を有し、局所ネットワークまたはインターネットなどの広域ネットワーク（図示せず）を介して直接的または間接的であり得る。
センサユニット１２００は、以下で詳細に説明するように、動作センサ７０１０によって生成された信号を処理するように構成されたプロセッサ７００６を含む。
センサユニット１２００は、任意選択で、ユーザに視覚的フィードバックを提供するように構成されたディスプレイデバイス７０１５を含み得る。一実施形態では、ディスプレイデバイス７０１５は、１つまたは複数の警告灯（例えば、１つまたは複数の発光ダイオード）を含む。ディスプレイデバイス７０１５はまた、ＬＤＣまたはタッチセンシティブディスプレイなどの表示画面として実装され得る。ディスプレイデバイス７０１５の動作は、患者の睡眠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１０００、あるいは医師または他の臨床医などの監視装置７０００のユーザに情報を表示すように動作することができる。ディスプレイデバイス７０１５はまた、監視装置７０００の動作のためのグラフィカルユーザインターフェースを表示することができる。
センサユニット１２００はまた、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、周波数が呼吸とともに変化するトーン、または特定の条件が満たされたときに鳴るアラームを提供するように構成されたオーディオ出力７０１７含み得る。いくつかのバージョンでは、センサユニット１２００は、本明細書でより詳細に説明されるように、受動感知用のマイクロフォンなどの音響変換器を含み得る。
監視装置７０００の動作のユーザ制御は、監視装置７０００のプロセッサ７００６によって感知される制御（図示せず）の動作に基づくことができる。
動作センサ７０１０を囲む点線によって示されるように、このセンサは、センサユニット１２００の残りの構成要素とは空間的に別個に定義され、配置され得ることに留意されたい。そのような構成では、非接触動作センサ７０１０は、残りのユニットと無線で通信するように配置され得る。
センサユニット１２００の一実施例は、ＲｅｓＭｅｄ Ｓｅｎｓｏｒ ＴｅｃｈｎｏｌｏｇｉｅｓＬｔｄによって製造されたＳ＋デバイスであり、これは、非接触ドップラー無線周波数（ＲＦ）動作センサ７０１０を含み得る。そのようなセンサユニットは、２０１３年７月１３日に出願された国際公開２０１４／０１５２３８号に記載されているセンサであり得、その開示全体が参照により本明細書に組み込まれる。
Ｓ＋デバイスが使用される場合など、本技術の一形態では、動作センサ７０１０のセンサユニット１２００は、信号７０６０を送信するように構成されたＲＦ送信機７０２０を含む。上記の音響非接触感知装置とは対照的に、この場合の送信信号７０６０は、無線周波数（ＲＦ）範囲内にある。送信ＲＦ信号７０６０は、例えば、次の形態を有する。
ｓ（ｔ）＝ｕ（ｔ）ｃｏｓ（２πｒｆｃｔ＋θ）（式１）
ｓ（ｔ）＝ｕ（ｔ）ｃｏｓ（２πｒｆｃｔ＋θ）（式１）
１式において、搬送周波数はｆｃ（通常、１００ＭＨｚ～１００ＧＨｚ、例えば３ＧＨｚ～１２ＧＨｚ、例えば５．８ＧＨｚまたは１０．５ＧＨｚ）、ｔは時間、θは任意の位相角、ｕ（ｔ）はパルス形状である。連続波システムでは、ｕ（ｔ）のサイズは単一であり得、式１から省略できる。より一般的には、パルスｕ（ｔ）は式２のように定義できる。
ここで、Ｔは周期幅であり、Ｔｐはパルス幅である。ここでＴｐ＜＜Ｔ，これがパルス連続波システムになる。あるケースでは、Ｔｐが非常に小さくなると、放出される信号のスペクトルが非常に広くなり、このシステムは超広帯域（ＵＷＢ）レーダーまたはインパルスレーダーと呼ばれる。あるいは、ＲＦ送信信号７０６０の搬送波周波数を変化させて（チャープして）、いわゆる周波数変調連続波（ＦＭＣＷ）システムを生成することができる。
送信無線周波数信号７０６０は、パルスゲーティングを適用するための回路と結合された局部発振器７０４０を使用して、ＲＦ送信機７０２０によって生成され得る。ＦＭＣＷの場合、電圧制御発振器を電圧周波数変換器と一緒に使用して、送信用のＲＦ信号７０６０を生成する。送信ＲＦ信号７０６０の空気への結合は、アンテナ７０５０を使用して達成され得る。アンテナ７０５０は、全方向性（すべての方向にほぼ均等に電力を送信する）または指向性（特定の方向に優先的に電力を送信する）であり得る。送信および反射エネルギーが領域内の感知を可能にするように、指向性アンテナ７０５０を使用することが有利であり得る。監視装置７０００の１つの実装形態では、単一のアンテナ７０５０が、単一の搬送周波数で、ＲＦ送信機７０２０および受信機７０３０の両方に使用される。あるいは、複数の搬送周波数で、複数の受信アンテナおよび送信アンテナ７０５０を使用することができる。
監視装置７０００は、様々な実施形態において、単純なダイポールアンテナ、パッチアンテナ、およびヘリカルアンテナなどの様々なタイプのアンテナ７０５０と互換性があり、アンテナの選択は、必要な指向性、サイズ、形状、またはコストなどの要因によって影響を受ける可能性がある。監視装置７０００は、人間が使用するのに安全であることが示されている方法で動作できることに留意されたい。監視装置７０００は、システム全体が１ｍＷ（０ｄＢｍ）以下の平均電力を放出することで実証されている。ＲＦ被曝の推奨安全レベルは１ｍＷ／ｃｍ２である。０ｄＢｍで送信するシステムから１メートルの距離では、等価電力密度はこの推奨制限の少なくとも１００分の１になる。
使用中、送信ＲＦ信号７０６０は、電波を反射する物体（患者１０００の気体インターフェースなど）で反射され、反射信号７０７０の一部は、受信機７０３０で受信され、受信機７０３０は、いわゆる「バイスタティック」構成で、ＲＦ送信機７０２０と併置されるか、またはＲＦ送信機７０２０から分離することができる。受信信号７０７０および送信ＲＦ信号７０６０は、ミキサー７０８０において（アナログまたはデジタル方式のいずれかで）一緒に乗算することができる。このミキサー７０８０は、乗算器（以下（式３）で示される）の形態、または乗算器の効果を近似する回路（例えば、正弦波を追加するエンベロープ検出器回路）の形態であり得る。例えば、ＣＷの場合、混合信号は次のようになる。
ｍ（ｔ）＝γｃｏｓ（２πｆｃｔ）ｃｏｓ（２πｆｃｔ＋φ（ｔ））（式３）
ｍ（ｔ）＝γｃｏｓ（２πｆｃｔ）ｃｏｓ（２πｆｃｔ＋φ（ｔ））（式３）
ここで、φ（ｔ）は、送信および受信されたＲＦ信号７０６０および７０７０（反射が単一の反射物体によって支配される場合）の経路差から生じる位相項であり、γは、反射信号７０７０によって経験される減衰である。反射物体が固定されている場合、φ（ｔ）は固定されている。監視装置７０００では、反射物体（例えば、患者１０００の胸部）は一般に動いており、φ（ｔ）は時間とともに変化する。簡単な例として、胸部が呼吸によって周波数ｆｍの正弦波動作をしている場合、混合信号ｍ（ｔ）はｆｍの成分（およびローパスフィルタリングで簡単に除去できる２ｆｃを中心とする成分）を含む。混合後のローパスフィルタの出力での信号は、動作信号または復調されたセンサ動作信号７００３と呼ばれ、肉眼的（非呼吸）動作および呼吸動作に関する情報を含む。そのような方法論の実施例は、２０１４年６月１２日に公開された米国特許出願公開第２０１４／０１６３３４３号を参照して考慮することができ、その開示全体が参照により本明細書に組み込まれる。
復調されたセンサ動作信号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、動作センサ７０１０（すなわち、動作センサ７０１０がより低いまたはより感度が高い領域）において検出ヌルおよびピークをもたらす。この影響は、ＲＦ送信機７０２０が、式１の送信ＲＦ信号７０６０と同時に（直角位相で）９０度位相がずれた信号を送信する直角位相技術を使用することによって最小化することができる。これにより、２つの反射信号が発生し、両方ともミキサー７０８０によって混合およびローパスフィルタリングされ、それぞれのＩ－およびＱ－「チャネル」で「Ｉ信号」および「Ｑ信号」と呼ばれる２つの復調センサ信号になる。動作信号７００３は、これらの信号の一方または両方を含み得る。そのような方法論は、２０１４年６月１２日に公開された米国特許出願公開第２０１４－０１６３３４３号を参照して考慮することができる。
ＵＷＢ実装では、動作信号７００３を取得する代替方法を使用することができる。最も重要な気体インターフェースまでの経路距離は、送信パルスとピーク反射信号の間の遅延を測定することによって決定できる。例えば、パルス幅が１ｎｓで、動作センサ７０１０から体までの距離が０．５メートルの場合、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になる。多数のパルス（例えば、１μｓごとに１ｎｓのパルス）を送信し、経路距離が所与の期間にわたってゆっくりと変化すると仮定することにより、動作信号７００３は、その期間にわたる時間遅延の平均として計算され得る。
このようにして、動作センサ７０１０、例えば、無線周波数センサは、胸壁の呼吸動作、またはより一般的には、監視装置７０００が監視している患者１０００の体の一部の動作を推定することができる。
上記のように、受信信号７０７０は、例えば、全体的な体の動作の結果として大きな動作のアーチファクトを含み得る。これは、体からの反射信号が複数の反射経路を含み得、複雑な信号につながるという事実によるものである（例えば、片方の手がセンサに向かって移動していて、胸部が離れている場合、または胸部が２つの独立した動作の一部である場合、－周期的な（呼吸）動作のタイプは、全身の一般的な動作に重ね合わせることができる、つまり、ベッドでのユーザの位置の調整が発生したとき）。このような信号の受信は、上半身が動いていることを示すことができるので有用であり、これは睡眠状態を判断するのに有用である。
呼吸動作信号、およびより一般的な身体動作信号の品質を改善するために、反射エネルギーがセンサユニット１２００によって収集される物理的体積は、様々な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のアンテナと同様に、「方向選択的」にすることができる（すなわち、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、または複数のＲＦ送信機７０２０を使用して達成することができる。例えば、複数の送信機の場合、各ＲＦ送信アレイ要素は、複数のグループで考慮され得、各グループは、指向性ビームを形成し、別個の波形を変調し、すべてのビームは、同じ方向を指すように操縦可能である。本技術の代替形態では、連続波、ＦＭＣＷ、またはＵＷＢレーダーを使用して、同様の信号を取得する。「時間領域ゲーティング」と呼ばれる技術を使用して、センサユニット１２００から特定の物理的距離にある信号から生じる反射信号７０７０のみを測定することができる。周波数領域ゲーティング（フィルタリング）を使用して、特定の周波数を超える反射物体の動作を無視できる。これらの技術を実装する方法は、当業者に理解されるであろう。
複数の周波数を使用する監視装置７０００の実装において（例えば、５００ＭＨｚおよび５ＧＨｚで）、より低い周波数を使用して、位相の曖昧さなしに大きな動作を正確に判断することができ、それを次により高い周波数のセンサ信号から差し引くことができる（小さな動作の測定により適している）。このような方法論は、２９１４年１１月２７日に公開された米国特許出願公開第２０１４／０３５０３６１号を参照して考慮することができる。そのようなセンサユニット１２００を使用して、監視装置７０００は、患者１０００から情報を収集し、その情報を使用して、呼吸動作、およびより一般的な身体動作情報を決定する。
動作信号７００３は、各監視セッションについて、センサユニット１２００のメモリ７００２に記憶され、および／またはクラウドストレージまたは外部コンピューティングデバイス７００５のストレージのためのリンク（例えば、接続７００８）を介して送信され得る。１つの実装形態では、各監視セッションは一晩の期間である。
センサユニット１２００のプロセッサ７００６、また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、以下に詳細に説明されるような監視プロセスに従って、記憶された動作信号７００３を処理することができる。説明されたプロセスの指示は、コンピュータ可読記憶媒体に記憶され得、例えば、センサユニット１２００のメモリ７００２であり、プロセッサ、例えば、センサユニット１２００のプロセッサ７００６によって解釈および実行される。
図７Ｃ－２の単一ボックスの実施形態は別として、監視装置７０００はまた、より分散された性質を有し得ることが理解されよう。したがって、監視装置７０００は、複数の場所に分散され、中央記憶装置および／または処理ユニットにリンクされた、いくつかのＲＦセンサおよび／またはスマートスピーカーを含み得る。センサのそのような分布は、いくつかの所定の場所でのユーザの楽で目立たない監視を可能にするだろう。
８．３．３ 代替監視装置
前述の本技術のさらに他の形態は、図１に示されるように、呼吸療法（例えば、圧力療法または高流量療法）を、空気回路４１７０を介して患者インターフェース３０００に患者１０００へ供給するように構成されたＲＰＴデバイス４０００または呼吸療法デバイスを含み得る。この場合、ＲＰＴデバイス４０００はまた、本明細書に記載の受動および／または能動感知装置を有する個別のデバイスまたは統合されたデバイスから感知関連信号を受信するときに、本明細書に記載の処理デバイスとして構成される場合など、監視装置として構成され得る。したがって、音ベースの感知方法および／または無線周波数感知方法は、ベッドサイドデバイス（例えば、持続的気道陽圧法（例えば、「ＣＰＡＰ」）デバイスまたは高流量治療デバイスなどの呼吸療法デバイス）などの他のタイプのデバイス内または他のタイプのデバイスによって実装され得る。
前述の本技術のさらに他の形態は、図１に示されるように、呼吸療法（例えば、圧力療法または高流量療法）を、空気回路４１７０を介して患者インターフェース３０００に患者１０００へ供給するように構成されたＲＰＴデバイス４０００または呼吸療法デバイスを含み得る。この場合、ＲＰＴデバイス４０００はまた、本明細書に記載の受動および／または能動感知装置を有する個別のデバイスまたは統合されたデバイスから感知関連信号を受信するときに、本明細書に記載の処理デバイスとして構成される場合など、監視装置として構成され得る。したがって、音ベースの感知方法および／または無線周波数感知方法は、ベッドサイドデバイス（例えば、持続的気道陽圧法（例えば、「ＣＰＡＰ」）デバイスまたは高流量治療デバイスなどの呼吸療法デバイス）などの他のタイプのデバイス内または他のタイプのデバイスによって実装され得る。
８．３．４ 監視、スクリーニング、および／または診断プロセス
本技術の一態様では、監視装置は、能動および／または受動感知信号からの患者１０００の呼吸に関連するＳＤＢリスクをスクリーニングするために咳および／または患者の睡眠を監視する監視プロセスを実行する。
本技術の一態様では、監視装置は、能動および／または受動感知信号からの患者１０００の呼吸に関連するＳＤＢリスクをスクリーニングするために咳および／または患者の睡眠を監視する監視プロセスを実行する。
本明細書に記載のシステムは、睡眠呼吸障害（ＳＤＢ）を検出／スクリーニング／診断するために、ＰＳＧまたはＰＧ（ポリグラフ検査）の非接触代替物に依存し得る－すなわち、ＳＤＢを検出するためにワイヤ、電極、ウェアラブルデバイスまたはベッドパッドを必要としない。これは、多くのセンサを対象者の体に付着または装着する必要がある従来の実験室／病院ベースの睡眠ポリグラフ検査（ＰＳＧ）とは対照的である。ＰＳＧの重要な問題は、不快ですぐに利用できず、高価で、睡眠に悪影響を与える（異なる睡眠環境、計装されている）多くのハードウェアを必要とすることである。ＰＳＧは、前述のように、睡眠中の脳活動（ＥＥＧ）、眼球動作（ＥＯＧ）、筋肉活動または骨格筋活性化（ＥＭＧ）、心臓リズム（ＥＣＧ）などの多くの身体機能を監視する。
ユビキタス処理デバイス（例えば、一般的なコンピューティングデバイス、スマートフォン、タブレットコンピュータ、スマートスピーカー、スマートテレビ、スマートウォッチなど）などの非接触センサ／感知を利用することによりおよび／またはそのような装置と組み合わせて、非常に効率的なスクリーニングデバイスが提供され得る。この点で、処理デバイスは、ほとんどすべての人がすでに所有しているものである可能性があり、これにより、比較的安価で、広く利用可能で、ポータブルで、計算が高速なソリューションが可能になる。このようなシステムでは、ＳＤＢのスクリーニング結果はほぼ瞬時に（つまり、睡眠セッションの完了時に）、一部のバージョンでは、専門家や分析に個別のツールを必要としないオールインワンソリューションを提供できる。このようなソリューションは、長期的な監視を提供し、追加のメトリックとリスク要因の統合を可能にする。
技術のいくつかのバージョンのいくつかの利点の概要：
本技術のいくつかのバージョンでは、スクリーニングシステムは、いずれかの評価の精度を改善するために、ＳＤＢリスク評価および睡眠段階化評価の両方のプロセスを有利に組み合わせることができる。例えば、無呼吸／低呼吸数（ＡＨＩ）を推定する場合、実際の睡眠パラメータを使用して精度を向上させることができる（例えば、人が眠っているとき（睡眠段階）に無呼吸を検出できるようにする、および／またはＯＳＡのある人との関係で睡眠の種類を調整することができる）。これにより、以前のシステムのいくつかの問題が軽減される可能性がある。マイクロ覚醒により、システムが覚醒の間隔を示し、ＳＤＢ関連の事象を見逃す可能性がある。例えば、システムは、マイクロ覚醒で眠っているのではなく、人が起きていると判断するため、事象はシステムによって無視される可能性がある。
本技術のいくつかのバージョンでは、スクリーニングシステムは、いずれかの評価の精度を改善するために、ＳＤＢリスク評価および睡眠段階化評価の両方のプロセスを有利に組み合わせることができる。例えば、無呼吸／低呼吸数（ＡＨＩ）を推定する場合、実際の睡眠パラメータを使用して精度を向上させることができる（例えば、人が眠っているとき（睡眠段階）に無呼吸を検出できるようにする、および／またはＯＳＡのある人との関係で睡眠の種類を調整することができる）。これにより、以前のシステムのいくつかの問題が軽減される可能性がある。マイクロ覚醒により、システムが覚醒の間隔を示し、ＳＤＢ関連の事象を見逃す可能性がある。例えば、システムは、マイクロ覚醒で眠っているのではなく、人が起きていると判断するため、事象はシステムによって無視される可能性がある。
本明細書に記載されるようなＳＤＢ強度を考慮する場合などのシステムはまた、その評価において閉塞性無呼吸および中枢性無呼吸の両方を説明することができる。いびきの検出を提供するだけのシステムでは、このような無呼吸または低呼吸の事象は無視される。対照的に、説明された技術的に実装されたアプローチは、システムが実際の呼吸努力の表示を提供するために胸部変位（例えば、接触感知なしの動作）を測定／感知できるため、両方を検出できる。したがって、監視対象者が呼吸を停止した場合（つまり、中枢性無呼吸－脳（呼吸制御）が呼吸する信号を送信していない場合）、この呼吸動作の欠如を検出することができる。逆に、閉塞性事象（例えば、閉塞性低呼吸または閉塞性無呼吸－監視対象者が部分的または完全に閉じた気道に対して呼吸する（動作）努力をしている）場合でも、システムは変調を「見る」（検出または感知する）ことができる。この努力は、ノイズの期間とそれに続くノイズの停止を感知することにより、受動オーディオ分析で検出できる。これはまた、そのような有無のノイズの間の呼吸努力（動作）の能動感知と併せて考慮され得る。
したがって、本明細書に記載されるように、デバイスおよび方法は、パルス連続波（ＣＷ）、連続波（ＣＷ）、周波数変調連続波（ＦＭＣＷ）、超広帯域（ＵＷＢ）感知手法を使用するなど、任意の無線周波数感知システムまたはレーダーなどを用いて能動感知を適用することができ、－システムが呼吸努力（ユーザの動作）の変調を検出できる。同様の動作感知は、能動音感知システム（ソナー）で実現できる。マイクロフォンも利用可能である場合、感知技術は、受動音響感知技術と少なくとも１つの能動感知技術との融合によって実装され得る。
マルチセンサの適用可能性：
例えば、本技術のＳＤＢスクリーニングシステムは、能動音響（例えば、低周波超音波－ソナー－それにより音響反射が処理される）、受動音響（１つまたは複数のマイクロフォンを使用して可聴呼吸音を「聞く」）、および／または電磁（例えば、無線周波数（ＲＦ）またはレーダー－それにより無線周波数の反射が処理される）を含む、複数の非接触感知アプローチを実装することができる。したがって、いくつかのバージョンでは、音響バージョンは、関連する信号分析を伴う能動音響感知（スピーカーおよびマイクロフォンを使用して反射を処理する）および関連する信号分析を伴う受動音響感知（リスニング）の両方の組み合わせで実装され得る。いくつかのバージョンでは、能動感知は、（ａ）マイクロフォンが利用できない場合などの受動音響分析なしで、または（ｂ）ＲＦ感知とマイクロフォン感知の両方が実装されている融合アプローチでの受動音響分析を用いてＲＦシステムによって実装され得る。能動感知が採用される場合、感知は、パルスＣＷ、ＦＭＣＷ、およびＵＷＢを実装することによってなどの範囲（例えば、センサからの異なる距離にある異なる動作感知チャネル）で実装され得る。
例えば、本技術のＳＤＢスクリーニングシステムは、能動音響（例えば、低周波超音波－ソナー－それにより音響反射が処理される）、受動音響（１つまたは複数のマイクロフォンを使用して可聴呼吸音を「聞く」）、および／または電磁（例えば、無線周波数（ＲＦ）またはレーダー－それにより無線周波数の反射が処理される）を含む、複数の非接触感知アプローチを実装することができる。したがって、いくつかのバージョンでは、音響バージョンは、関連する信号分析を伴う能動音響感知（スピーカーおよびマイクロフォンを使用して反射を処理する）および関連する信号分析を伴う受動音響感知（リスニング）の両方の組み合わせで実装され得る。いくつかのバージョンでは、能動感知は、（ａ）マイクロフォンが利用できない場合などの受動音響分析なしで、または（ｂ）ＲＦ感知とマイクロフォン感知の両方が実装されている融合アプローチでの受動音響分析を用いてＲＦシステムによって実装され得る。能動感知が採用される場合、感知は、パルスＣＷ、ＦＭＣＷ、およびＵＷＢを実装することによってなどの範囲（例えば、センサからの異なる距離にある異なる動作感知チャネル）で実装され得る。
範囲にわたる処理：
本明細書で論じられるように、システムは、複数の感知範囲にわたる動作信号を評価するように実装され得る（感知領域または感知近傍の空間内の複数の場所（距離）からの信号における動作情報を組み合わせることができるように）。このような組み合わせは、ＦＭＣＷ（周波数変調連続波－ソナーまたはＲＦのいずれか）などの感知技術または他のレンジング技術を含み、異なる検出距離に対して異なる動作チャネル／レンジビンを生成する。このような異なる範囲チャネルで範囲全体の動作情報を評価することにより、多重範囲アプローチを使用して努力信号を生成できる。
本明細書で論じられるように、システムは、複数の感知範囲にわたる動作信号を評価するように実装され得る（感知領域または感知近傍の空間内の複数の場所（距離）からの信号における動作情報を組み合わせることができるように）。このような組み合わせは、ＦＭＣＷ（周波数変調連続波－ソナーまたはＲＦのいずれか）などの感知技術または他のレンジング技術を含み、異なる検出距離に対して異なる動作チャネル／レンジビンを生成する。このような異なる範囲チャネルで範囲全体の動作情報を評価することにより、多重範囲アプローチを使用して努力信号を生成できる。
能動処理の実施例では、能動２Ｄ信号ボリュームの空間内の異なるスライスの絶対値をとることなどによって、異なる感知範囲での動作に関連する位相差を無視することができる。「３０ｃｍ」の範囲からの検出信号（チャネル）またはレンジビンは、同様の動作情報を有し得るが、「３５ｃｍ」の範囲のそのような信号と位相がずれている可能性があると考慮されたい。そのようなチャネルを組み合わせることによって（例えば、組み合わせる前に異なるレンジビンの絶対値を取得する）、そのような信号は、位相がずれている可能性があるという課題に対処することが可能である。要約すると、これは、能動呼吸努力信号を生成するためにレンジビン全体で補正された加重和を使用する潜在的な理由である。
したがって、システムは、複数の能動チャネルにわたる呼吸努力信号のエンベロープを計算するように構成され得る（例えば、そのような各能動チャネルは、空間に対応するＦＭＣＷ信号から導出される）。同様に、努力信号のエンベロープは、音響受動音分析からの複数のチャネルで導出することができ、そのような受動音分析からのそのようなチャネルは、異なる可聴周波数帯域に対応することができる。これらの異なる帯域チャネルは、距離の点で範囲に厳密に技術的に関連しているわけではない。しかし、範囲／距離は、距離によって異なる帯域で振幅が変化する可能性があるように、そのような帯域と関連し得る。
ＳＤＢ事象のクラスタ（密接にグループ化された事象のコレクション）の識別：
本明細書で論じられるように、システムはまた、個別に発生する事象ではなく、無呼吸事象のクラスタを識別するために実装され得る。例えば、帯域内周波数メトリック（「ＩＢＭ」）を使用することにより、信号変調強度は、そのような事象のクラスタを識別するために評価できる信号品質（変調の強度）を提供することができる。したがって、このようなクラスタの周波数は、ＳＤＢリスクの計算または評価の基礎を提供し、ソナー音響感知などの能動感知技術によって実行できる。
本明細書で論じられるように、システムはまた、個別に発生する事象ではなく、無呼吸事象のクラスタを識別するために実装され得る。例えば、帯域内周波数メトリック（「ＩＢＭ」）を使用することにより、信号変調強度は、そのような事象のクラスタを識別するために評価できる信号品質（変調の強度）を提供することができる。したがって、このようなクラスタの周波数は、ＳＤＢリスクの計算または評価の基礎を提供し、ソナー音響感知などの能動感知技術によって実行できる。
変調の強度は、多くの無呼吸の影響を考慮する場合、より長い期間にわたる検出された信号の不安定性に関連して考慮することができる。例えば、信号の期間を単に１つの無呼吸と見なすのとは対照的に、このような変調は、多くの無呼吸が発生する可能性のある期間に関連して考慮することができる。変調の強度が、無呼吸の重症度などによる多くの無呼吸に起因する場合など、感知信号の変調の強度（サイズに匹敵し得る）は、一度に多くの無呼吸を考慮する評価特性を提供する。それは、体の生理学的制御システムの安定性（またはそうでない）への洞察を提供することができる。
代替の実現は、単に各無呼吸事象を検出し、無呼吸のタイプを分類し、そしてそれらを個別に数えることができる。このようなアプローチは、「変調の強度」アプローチと同等ではない。
決定された呼吸努力エンベロープの変調の周波数はまた、所与の対象のＳＤＢレベルを推定する際に予測することができる対象固有の特徴を有することが発見された。したがって、メトリックは、分類子によるＳＤＢ関連のリスク分類の特徴として実装できる。
受動感知および分析（システムがマイクロフォンを使用して人の呼吸関連音を記録する場合など）に関連して、変調強度の評価のために受動エンベロープ生成プロセスを実装することもできる。このようなアプローチは、典型的または標準的な方法でいびきノイズを処理しないため、現場では珍しいものである。呼吸であろうといびきであろうと、ノイズの変調強度を考慮する際に、関心のある特徴は、周波数にわたるベースラインノイズの変化の考慮に基づくことができる（例えば、９つのオーディオ帯域を生成することができる）。帯域は、信号処理によって、ベースラインをトレンド除去するために処理される（アーチファクトのトレンド除去）。結果として生じるトレンド除去された信号は平均化され得る。したがって、強度の変化を評価することができる。このアプローチ（トレンド減少や平均化など）は堅牢であるため、マイクロフォンによっても記録され得る、より短いタイムスケールのバックグラウンドノイズの影響を回避できる。
エンベロープ正規化ステップ（組み合わせたミキサーアプローチであり得る）は、能動および受動処理の両方に使用され得る。各信号は本質的に「脈動」（外観がバースト）であるため、システムは最初に信号を統合し、次に結果をハイパスフィルタリングし得る。このような「脈動」または脈動信号タイプは、受動オーディオ呼吸努力信号に適用される前処理の恩恵を受けることができる。例えば、受動オーディオを使用すると、呼吸／いびきの音を測定するシステムは、システムがユーザの呼気または吸気セクションのいずれかを「聞く」ため、本質的に脈動するこのような信号を含み得る。
続いて、正規化ステップは、次に、結果として生じる信号を、混合される（すなわち、それ自体のバージョンに追加される（音響処理における「フェーダーノブ」に類似し得る）実行中の標準偏差によって除算することができる。エンベロープ正規化の動機は、振幅を減らすことにより、信号の時間ウィンドウで発生する可能性のある大きな動作のアーチファクトの影響を減らすことである。これは、その後の処理のための視覚的に「よりクリーンな」周波数領域につながり得、その結果、標的の睡眠呼吸障害事象情報は、システムによってより容易に評価され得る。
積分およびハイパスフィルタリング（帯域パスフィルタリングとしても説明され得る）の前処理ステップは、脈動信号を、スペクトル分析により適した形状に（本質的に正弦波にするなど）提供する。この処理ステップは、測定された胸部変位が通常同じ脈動性を示さないため、ソナー努力信号に適用する必要はない場合がある。
これは、可変正規化アプローチと見なすことができ、これは、スペクトル分析処理アプローチのより良い精度につながり得る。
次に、システムプロセスは、ソナー（および／またはＲＦ）によって識別されるクラスタを適用して、睡眠段階化出力（例えば、異なる睡眠段階時間の入眠）が、ＳＤＢが識別または測定される場合、特に重大なＳＤＢの場合のような睡眠（覚醒ではない）について適切にスコアリングされることを保証し得る。したがって、スペクトルアプローチでは、事象ごとなど、個々のインシデントを識別または検出する必要はない。むしろ、夜間の傾向に基づく分類子を使用して、一般に事象のクラスタからＳＤＢに関連する変調を特徴付けることができる。
呼吸努力の変調
本明細書においてより詳細に説明されているように、システムは、ＳＤＢの存在を評価し、または検出するために、また、中枢性事象のない閉塞性事象を含むために、呼吸努力の変調を検出することができる。また、システムは、ＳＤＢ回復／覚醒に関連する周期的な運動の検出を同じく可能にする。これは、呼吸信号および／または努力変調が弱い場合に有用である。中枢性事象の場合、この変調はゼロに近づき、したがって本明細書において説明されている変調強度信号に含めること／反映させることはできない。減呼吸の場合、これはＡＭ（振幅）変調に似ている。閉塞性事象の場合、より苛酷なＡＭ変調が検出される。
本明細書においてより詳細に説明されているように、システムは、ＳＤＢの存在を評価し、または検出するために、また、中枢性事象のない閉塞性事象を含むために、呼吸努力の変調を検出することができる。また、システムは、ＳＤＢ回復／覚醒に関連する周期的な運動の検出を同じく可能にする。これは、呼吸信号および／または努力変調が弱い場合に有用である。中枢性事象の場合、この変調はゼロに近づき、したがって本明細書において説明されている変調強度信号に含めること／反映させることはできない。減呼吸の場合、これはＡＭ（振幅）変調に似ている。閉塞性事象の場合、より苛酷なＡＭ変調が検出される。
リキャップするために、システムはあらゆる形態のＳＤＢ事象を検出することができる。本明細書においてより詳細に説明されているように、システムは、減呼吸事象、閉塞性事象、中枢性事象および混合事象を含むＳＤＢ事象の存在を評価し、または検出するために、呼吸努力の変調を検出することができる。すべてのＳＤＢ事象は、最終的には、呼吸努力信号包絡線におけるＡＭ変調として現れることになる。閉塞性事象のＡＭ変調強さは、典型的には減呼吸事象のＡＭ変調強さより大きい。また、システムは、ＳＤＢ回復／覚醒に関連する周期的な運動の検出を同じく可能にし、これは、呼吸信号および／または努力変調が弱い場合に有用であり得る。したがって例えばシステムによる１つまたは複数の閾値を用いたＡＭ変調の評価により、このような事象の区別または検出が可能である。
例えばシステムは、呼吸努力信号の同じ処理を介して、閉塞性タイプの事象、減呼吸タイプの事象および中枢性タイプの事象を検出することができる。これらのすべての事象は、努力信号における変調を含むことができるが、その性質が異なり得る。閉塞性事象は、典型的には努力の増加をもたらす（すなわち限定された気道に対する呼吸）。減呼吸は、閉塞性事象に似ているが、気道が部分的にしか閉鎖されないため、努力の変化はより小さい。一方、中枢性事象は、努力対ベースラインの低減として現れることになる（すなわち呼吸は試行されない）。事象のタイプは、ＰＳＧ研究室で実施された「黄金律」スコアリングに対して検証される。したがってＡＭ変調を評価するための閾値は、システムを訓練することによって誘導することができる。さらに、最近の履歴ベースラインに対して、努力（同じく変調おび振幅変化の形状）における関連する増加または減少を有しているかどうかを評価することによって事象タイプを分類することも可能である。
能動レーダーまたはソナー（国際公開第２０１８／５０９１３号に記載されているＦＭＣＷフロントエンドシステムのレンジビンを表す復調２Ｄマトリックスの事例の場合など）に対してこれを達成するステップは、例えば整流された重み付き合計を使用することにより、異なるレンジビン（定義済み知覚範囲内の）からの信号を結合するプロセスを含む。本明細書においてより詳細に説明されているように、信号のこのような結合が使用される。システムは、次に、あるタイムスケール（例えば約２５秒から約１００秒）にわたって、例えばスペクトル品質メトリックを計算するために移動窓のスペクトルを使用することにより、変調の強さ（強度）を探求し、あるいは決定することができる。
例えばマイクロフォンによって受け取られた信号（すなわち音）が解析される受動知覚ストリーム処理の場合、異なる予備処理ステップを実施して、能動知覚信号の処理に対する関係で包絡線を予測することができる。これに関して、信号は組成が異なっているため、異なる変換を適用することができる。プロセスは、次に信号を積分することができ（例えば能動処理ストリームまたは受動処理ストリームのいずれかの包絡線から）、引き続いて例えば高域通過フィルタリングによってフィルタリングすることができる。
受動信号に対する包絡線検出のためのこのようなプロセスに対する原理的説明は、以下に関連して考察することができる。呼吸と呼吸の間には、典型的には音に関連するギャップが存在する（例えば音が小さくなる）ため、システムは、約５秒おきのピークを識別し、これらのピーク間の信号を補間して包絡線を生成するように構成することができる。引き続いて包絡線を積分し、かつ、高域通過フィルタリングして、信号の「パルス的な」性質を取り扱うことができる。これは、ピーク・アンド・ホールド手法に類似していてもよいが、もっと適切な性能を提供することが可能である。ピーク探究および補間プロセスは信号の初期浄化を提供することができるが、それらは外観が依然として極めてギザギザであり得る（例えば回復呼吸に関連する事象の終端における関連インパルス）。したがって積分および高域通過フィルタリングの追加ステップを適用して、残留しているこのようなギザギザに対処することができる。代替手法は帯域通過フィルタを適用することも可能である。しかしながら結果として得られる信号の外観または組成が正弦波により近くなるようにパルスタイプの形態学を変換することができるため、積分処理が有用である。
次に、誘導された能動および受動呼吸包絡線の両方を同様の方法で正規化することができる。これは、高精度スペクトル解析のための信号の準備を促進することができ、それにより、性能の点でより明確な微分点を提供することができる。これは、例えばソナー包絡線スケールが夜の間に高度に変化する（例えば運動が極めて大きいスパイク／アーチファクトの原因になり得る）場合に重要なステップであり、また、この正規化は、このようなアーチファクトの補償を促進することができる。
能動呼吸包絡線に関して、このような包絡線は、呼吸努力変調の周波数、例えば中央周波数を同じく提供することができる。（例えばパワースペクトル密度（ＰＳＤ）演算は、雑音床に対する十分な信号対雑音比（ＳＮＲ）でスペクトルピークを提供することができる）。したがってこのような情報は、ＡＨＩおよび／またはリスク確率分類子のための入力特徴として評価することができる。例えばこの手法によれば、事実上、任意の時間期間（例えば典型的には単一事象より長い時間期間）にわたって変調の周波数を抽出するようにシステムを構成することができる。これは、受動包絡線に対しても同様である。任意選択で、夜中中の能動／ソナー変調周波数の中心／記録を使用して雑音を除去することができる。
能動特徴および受動特徴の結合
能動知覚信号および受動知覚信号の両方を処理する利点は、それらがいずれも、共通の知覚ターゲットに関する異なる情報を含んでいることである。例えばそれらは、異なるタイプのＳＤＢの存在を予測するための基本として働く生理学的信号の異なる態様を測定している。受動知覚信号の場合、いびきをかく音および／または呼吸する音が解析され、これには、異なる周波数帯域にわたる強度が含まれる。能動知覚信号の場合、胸の変位が測定される（すなわちシステムは、良好な信号品質が存在する場合、胸の運動を知覚することができる）。
能動知覚信号および受動知覚信号の両方を処理する利点は、それらがいずれも、共通の知覚ターゲットに関する異なる情報を含んでいることである。例えばそれらは、異なるタイプのＳＤＢの存在を予測するための基本として働く生理学的信号の異なる態様を測定している。受動知覚信号の場合、いびきをかく音および／または呼吸する音が解析され、これには、異なる周波数帯域にわたる強度が含まれる。能動知覚信号の場合、胸の変位が測定される（すなわちシステムは、良好な信号品質が存在する場合、胸の運動を知覚することができる）。
いくつかの状況では、能動ソナー解析は、対象の背中がセンサに対して回転し、また、人がいくつかの羽ぶとん（毛布／掛けぶとん）の下に位置する場合、困難性を有し得る（予測される信号の品質が低下する）。このような場合、受動解析は、いびきをかく音および／または呼吸する音（不安定な呼吸、ならびに呼吸によって生じる空気攪乱を含む）を依然として知覚することができる。また、システムは、ＳＤＢ回復／覚醒に関連する周期的な運動の検出を同じく可能にする。ここでも、受動解析は、能動的に検出された呼吸信号および／または努力変調が弱い場合に有用であり得る。
チャネルの組合せは、個々の手法から誘導された特徴に対して決定された信号品質に基づいて最適化することができる（より良好な信号対雑音比（ＳＮＲ）またはより良好な品質を有するチャネルを強調するために）。
両方が許容可能な品質のチャネルであると見なされる場合、システムは、その２つのチャネルがどの程度良好に相関されているかを検査し、また、この情報をてこ入れして、中枢性対閉塞性および人の位置を予測することができる。
システムは、例えば可聴帯域（例えば２５０Ｈｚと８ｋＨｚの間）における可聴強度変調がいびきの存在を反映している場合、代用物によっていびきを検出することができ、また、このような相対音響強度を使用して、本明細書において説明されているＳＤＢインジケータが決定される。
システムは、人が呼吸する音を検出することができ、また、例えば呼吸する音が約５ｋＨｚで検出される場合、それらは通常はいびきと関連付けられないため、任意選択で、中枢性無呼吸の発生を除外する基本として、呼吸する音またはいびきをかく音を評価することができる。いびきと関連するこのような周波数成分には、中枢性無呼吸の事象の間に消える傾向がある。
環境的な妨害による遅い周期変調は、受動／能動知覚のいずれかに対する問題の原因になり得る。システムは２つの異なる知覚変調を使用しているため、両方が同時に貧弱になる可能性、あるいは生理学的信号情報を持たなくなる可能性はより小さい。これは、当然、ユーザが部屋から出ていく場合とは全く異なる。システムはこのような発生を知覚することができ、また、その場合、「不在」モードをトリガして、ユーザが再び「現れる」までＳＤＢスクリーニングを停止することができ、また、ユーザが戻って寝入ると、ＳＤＢ監視を再開することができる。
酸素計測法およびカプノグラフィに勝るいくつかの利点
本明細書において説明されているシステムの例は、事象の終端における小さい運動に基づいて覚醒時間を予測することができ、これは、ＳｐＯ２などの他の知覚に対して有利であるが、そうではない場合もある。酸素計測法またはカプノグラフィに勝る利点は、ソナーまたは可聴のいずれかを介したＳＤＢ関連覚醒の一部として生じ得る、身体の一部またはすべての運動を測定するためのシステムの能力に関係している。モダリティの他の知覚は、センサー部位に局所化された運動しか検出することができず、これは、ＳＤＢ検出のためには有用ではないことがある。
本明細書において説明されているシステムの例は、事象の終端における小さい運動に基づいて覚醒時間を予測することができ、これは、ＳｐＯ２などの他の知覚に対して有利であるが、そうではない場合もある。酸素計測法またはカプノグラフィに勝る利点は、ソナーまたは可聴のいずれかを介したＳＤＢ関連覚醒の一部として生じ得る、身体の一部またはすべての運動を測定するためのシステムの能力に関係している。モダリティの他の知覚は、センサー部位に局所化された運動しか検出することができず、これは、ＳＤＢ検出のためには有用ではないことがある。
システムは胸の変調を検出するだけではなく、回復事象による運動を同じく検出し、これは、典型的にはカプノグラフィでは見られない。
さらに、システムは、例えばＳＤＢ関連相関を使用して睡眠／覚醒間の区別を実現することができる。ＡＨＩは睡眠の事象／時間として定義されるため、これはＳＤＢ検出精度を高くする。
ベッドの中の第２のユーザの検出を回避する方法
ベッドの中に二人の人がいる場合、より遠くのベッドパートナーから最も近くの人（解析されるべき人）を分離するために、複数の特徴がシステムによって考察され得る。検出信号は、より近くの人に対してより強くすることができる。本明細書においてより詳細に説明されているように、システムは、信号の重み付き平均を実現することができる。このようなプロセスには、より強い信号を奨励する傾向があり（それを強調することにより）、また、このようなプロセスには、より弱い信号を抑制する傾向がある。したがってこの処理は、より近くの人からの情報をより遠くの人からの情報から分離することができる。いくつかの事例では、センサに対して一番近くではない一人の人がいびきをかくと、そのいびきを可聴的に知覚することができるが、関連する運動は知覚することができないことがある。このような矛盾を使用して、パートナーのいびきを分離することができる（また、任意選択で除去することができる）。言い換えると、受動知覚解析は、ＳＤＢの結論を否定する基本として働くことができる能動解析と無矛盾ではあり得ない。例えばコントローラ／プロセッサの論理を使用して実現されるような投票機構を使用して、ある時間期間にわたってより良好な信号対雑音比信号を選択することができる。能動解析は範囲情報を含むことができるため（例えばＦＭＣＷ処理に基づいて）、それは、いびきをかいているより遠くのパートナーからのデータを除去するための有効な手段であり得る。例えば品質に基づく予測値の重み付き合計を使用することができる。２つの方法が複数の時間スケールにわたって互いに直接矛盾する場合（これはほとんどありそうにない）、システムによって誤り状態の旗を立てることができる。
ベッドの中に二人の人がいる場合、より遠くのベッドパートナーから最も近くの人（解析されるべき人）を分離するために、複数の特徴がシステムによって考察され得る。検出信号は、より近くの人に対してより強くすることができる。本明細書においてより詳細に説明されているように、システムは、信号の重み付き平均を実現することができる。このようなプロセスには、より強い信号を奨励する傾向があり（それを強調することにより）、また、このようなプロセスには、より弱い信号を抑制する傾向がある。したがってこの処理は、より近くの人からの情報をより遠くの人からの情報から分離することができる。いくつかの事例では、センサに対して一番近くではない一人の人がいびきをかくと、そのいびきを可聴的に知覚することができるが、関連する運動は知覚することができないことがある。このような矛盾を使用して、パートナーのいびきを分離することができる（また、任意選択で除去することができる）。言い換えると、受動知覚解析は、ＳＤＢの結論を否定する基本として働くことができる能動解析と無矛盾ではあり得ない。例えばコントローラ／プロセッサの論理を使用して実現されるような投票機構を使用して、ある時間期間にわたってより良好な信号対雑音比信号を選択することができる。能動解析は範囲情報を含むことができるため（例えばＦＭＣＷ処理に基づいて）、それは、いびきをかいているより遠くのパートナーからのデータを除去するための有効な手段であり得る。例えば品質に基づく予測値の重み付き合計を使用することができる。２つの方法が複数の時間スケールにわたって互いに直接矛盾する場合（これはほとんどありそうにない）、システムによって誤り状態の旗を立てることができる。
可変範囲検出（レンジビン）をもたらす能動知覚の場合、異なるレンジビンを同じく使用して、知覚領域を最も近くの人に局所化することができる。これは、人がベッドの遠い方の側に転がる（例えばセンサーからさらに離れる、あるいはセンサーにさらに近づく）場合でもアシストすることができる。
また、システムは、電話またはセンサがナイトスタンド／ベッドサイドテーブルの上に置かれている場合に、より近くの人がより遠くの人を「影で覆う」（部分的に遮る）と、自然の影つけを同じく実現することができ、これは、能動知覚に適用される。このような影つけは、センサを例えば第１の人の胸に向かって位置づけ／配向し、それにより他の人が知覚領域へ移動するのを困難にすることによって容易にされ得る。影つけは、第１の人が監視されている近傍のベッドサイドロッカーまたはテーブル等の上にスマートデバイスが置かれている場合、知覚モダリティの自然の結果である。すなわち、一次ユーザすなわち最も近くのユーザは、能動知覚信号（例えばソナー波形）が二次ユーザに「当たる」／「照射する」のを部分的または完全に物理的に阻止することになり、したがってそれらの運動／呼吸が測定されないか、あるいはより弱くなる。二次ユーザはより遠くに離れており、したがってそれらの可聴信号が典型的により弱くなる点で、それほどではないが受動可聴についても同様である。ユーザおよびベッドパートナーに向かって面している棚付けの上などのベッドの後方に監視デバイスが置かれる場合、影つけの低減（およびパートナーが検出される機会の増加）が存在し得る。本明細書において説明されているようなＦＭＣＷ能動システムは、複数のレンジビンを分割することによって二人の人を区別するように構成することができる。
また、システムは、多くの近代のスマートフォンが複数のスピーカーおよびマイクロフォン、例えば底端スピーカーボックス、およびステレオ再生のための第２の拡声器として同じく働くことができるイヤフォンレシーバー、および同じく底端マイクロフォン、ならびに電話の頂端または頂部後方（カムコーダー）の１つまたは複数のマイクロフォンを有していることを同じく利用することも可能である。
例えばユーザは、ユーザの入眠を補助するために眠り音（ユーザの呼吸と同期した海の波の音など）を聴いてリラックスすることを希望することができる。スマートフォンスピーカに対する共通の問題は、ソナー知覚音を音楽または他の可聴源と混合することにより、知覚信号の放出出力が小さくなること、また、極めて小さいスピーカーおよび関連するスマート出力増幅器が、スピーカーおよび／または増幅器チェーンの非理想性によるソース信号のいずれにも存在しない望ましくない可聴アーチファクトをもたらし得ることである（知覚波形と重畳し得るあらゆる周波数を除去するために音楽が低域通過フィルタリングされている場合であっても）。１つの解決法は、音チャネルを個別のスピーカーに対して分離することであり得る。例えばシステムは、フィルタリングされた音楽を第２のスピーカーのみに経路付けすることができ（これには、場合によっては、ステレオ音楽源を混合して単一のチャネル表現を形成する必要がある）、また、第１のスピーカーを介してソナー知覚音を流し、それにより知覚忠実度ならびに音楽／可聴再生忠実度を維持することができる。別の手法は、知覚のために両方のスピーカーを使用することであるが、スピーカー毎に異なる知覚周波数範囲および／または反復率が必要である。反射は、１つまたは複数のマイクロフォンによって監視することができる。これは、ユーザが１つまたは複数の分厚い掛けぶとん（羽ぶとん）および／または毛布を使用している場合、また、信号レベルが低い場合、あるいは天井の高さまたは壁材料が異なる場合に有利であり得る。典型的には、２つまたはそれ以上のスマートデバイススピーカーが異なる方向に向けられ、また、これらのスマートデバイススピーカーは、異なる多重通路反射を利用して、ユーザの胸および身体の運動をより良好に検出することができる。異なる周波数範囲（絶対項または時間のいずれかにおいて）を使用する理由は、反射の処理を簡単にする（場合によっては符号化スキームは不要である）、さらに、スピーカー、マイクロフォンおよび関連する増幅器は、通常、１８ｋＨｚより高いエンサイン周波数範囲では非線形であるため、第２の反射エコー信号は、呼吸および運動形態を誘導するためのさらなる情報源を提供する。また、ユーザが寝入っている間、第２のスピーカーを使用して音が流される場合、それらが健全に眠ると、音楽を消して二次知覚信号に置き換えるがことが可能であることが同じく分かる。
睡眠関連呼吸妨害を保証する睡眠段階化
ＡＨＩ計算の一部として、システムは、呼吸減少または呼吸停止が睡眠中にのみ処理されるよう、睡眠検出を考慮する。したがって本明細書ならびに国際公開第２０１５／００６３６４（ＰＣＴ／ＵＳ２０１４／０４５８１４）号において説明されているような睡眠段階化プロセスを含むことにより、システムの精度が改善される。
ＡＨＩ計算の一部として、システムは、呼吸減少または呼吸停止が睡眠中にのみ処理されるよう、睡眠検出を考慮する。したがって本明細書ならびに国際公開第２０１５／００６３６４（ＰＣＴ／ＵＳ２０１４／０４５８１４）号において説明されているような睡眠段階化プロセスを含むことにより、システムの精度が改善される。
さらに、無呼吸事象の数は、睡眠に限定され得ない検出期間にわたる無呼吸事象の数を考慮するより単純な評価ではなく、検出された総睡眠時間に関連して定義することができる。
ＰＬＭ／ＲＬＳ
周期性肢運動（ＰＬＭ）およびむずむず脚症候群（ＲＬＳ）は、システムによって検出される変調の中に出現し得る。しかしながらこれらの変調は、無呼吸のクラスタほどには無矛盾ではなく、また、異なる時間スケールで生じ得る。したがってシステムは、ＰＬＭの反復／発生の割合が無呼吸の反復／発生の割合より高く、したがって他と全く別のものになってしまうＰＬＭの節度のあるレベルに対して頑丈である。さらに、人の肢（脚を含む）は、通常、電話またはセンサの角度および位置に応じて主知覚ゾーンの外側に存在しているため、ＰＬＭおよびＲＬＳは干渉する可能性がほとんどない。任意選択で、個別の、または組み合わされたＲＬＳ／ＰＬＭ検出器を本明細書におけるシステムと共に同じく使用して、これらの周期運動を追跡することも可能である。このような検出器の例には、ＰＣＴ／ＥＰ２０１６／０８０２６７に記載されている任意の方法を含むことができ、このＰＣＴ／ＥＰ２０１６／０８０２６７の開示全体は、参照により本明細書に組み込まれている。
周期性肢運動（ＰＬＭ）およびむずむず脚症候群（ＲＬＳ）は、システムによって検出される変調の中に出現し得る。しかしながらこれらの変調は、無呼吸のクラスタほどには無矛盾ではなく、また、異なる時間スケールで生じ得る。したがってシステムは、ＰＬＭの反復／発生の割合が無呼吸の反復／発生の割合より高く、したがって他と全く別のものになってしまうＰＬＭの節度のあるレベルに対して頑丈である。さらに、人の肢（脚を含む）は、通常、電話またはセンサの角度および位置に応じて主知覚ゾーンの外側に存在しているため、ＰＬＭおよびＲＬＳは干渉する可能性がほとんどない。任意選択で、個別の、または組み合わされたＲＬＳ／ＰＬＭ検出器を本明細書におけるシステムと共に同じく使用して、これらの周期運動を追跡することも可能である。このような検出器の例には、ＰＣＴ／ＥＰ２０１６／０８０２６７に記載されている任意の方法を含むことができ、このＰＣＴ／ＥＰ２０１６／０８０２６７の開示全体は、参照により本明細書に組み込まれている。
受動知覚信号および能動知覚信号を使用して実施される信号結合は、ＰＬＭを和らげるように働くことができる。例えばシステムは、呼吸が生じる運動に関連するレンジビンに対してより重い重みを実現することができる（例えば重み付けは、呼吸の強さに基づいて実現することができる）。したがってシステム処理は、ＰＬＭがシステムに対する重大な交絡因子になるのを積極的に防止することができる。
歯粉砕／歯ぎしり
歯粉砕／歯ぎしりは、より高い（より速い）頻度で生じ、処理される変調範囲には入らない。したがってこのような事象は、本明細書において説明されているＳＤＢ検出方法で回避することができる。
歯粉砕／歯ぎしりは、より高い（より速い）頻度で生じ、処理される変調範囲には入らない。したがってこのような事象は、本明細書において説明されているＳＤＢ検出方法で回避することができる。
中枢性無呼吸対閉塞性無呼吸
システムは、パラメータの形状に基づいて、また、受動知覚信号特性と能動知覚信号特性の間の特徴の関係に基づいて、中枢性クラスタ対閉塞性クラスタを差別することができる。中枢性事象対閉塞性事象は、呼吸努力信号における異なるタイプの変調として検出することができる。閉塞性事象は、典型的には努力の増加をもたらす（すなわち限定された気道に対する呼吸）。閉塞性減呼吸は、閉塞性無呼吸事象に似ているが、気道が部分的にしか閉鎖されないため、努力の変化はより小さい。一方、中枢性事象は、努力対ベースラインの低減として現れることになる（すなわち呼吸は試行されない）。したがってシステムは、事象を検出し、また、その事象が、努力における関連する増加または減少を有しているかどうか、努力包絡線の特性形状またはプロファイル、および／または振幅対ベースライン努力の相対変化（局所時間または全体的時間）を評価することにより、タイプ毎にその事象を分類することができる。
システムは、パラメータの形状に基づいて、また、受動知覚信号特性と能動知覚信号特性の間の特徴の関係に基づいて、中枢性クラスタ対閉塞性クラスタを差別することができる。中枢性事象対閉塞性事象は、呼吸努力信号における異なるタイプの変調として検出することができる。閉塞性事象は、典型的には努力の増加をもたらす（すなわち限定された気道に対する呼吸）。閉塞性減呼吸は、閉塞性無呼吸事象に似ているが、気道が部分的にしか閉鎖されないため、努力の変化はより小さい。一方、中枢性事象は、努力対ベースラインの低減として現れることになる（すなわち呼吸は試行されない）。したがってシステムは、事象を検出し、また、その事象が、努力における関連する増加または減少を有しているかどうか、努力包絡線の特性形状またはプロファイル、および／または振幅対ベースライン努力の相対変化（局所時間または全体的時間）を評価することにより、タイプ毎にその事象を分類することができる。
いくつかの事例では、装置は、いびきまたは他の特性可聴特徴（例えば喘鳴音、窒息）を使用して、事象の性質が閉塞性であることを決定するように実現することができる。例えば本明細書において説明されているシステムは、２０１８年９月１３に公開された米国特許出願公開第２０１８／０２５６０６９号に記載されているように、いびきまたは他の睡眠障害呼吸事象検出を実現することができ、米国特許出願公開第２０１８／０２５６０６９号の開示全体は、参照により本明細書に組み込まれている。任意選択で、システムは、中枢性事象対閉塞性事象対混合事象の品質に基づいて（また、無呼吸または減呼吸を考慮して）、治療の推奨された異なるタイプに構成することができる。
位置の変化は検出可能である
システムは、例えばベッドの中の最も近くにいる人がセンサに面しているか、センサとは反対側に面しているか、あるいは仰向けになっているか、うつぶせになっている場合、その人の相対位置を検出することができる。例えば位置を検出するためのセンサ構成および方法の例は、２０１７年３月２日に公開された国際公開第２０１７／０３２８７３号に関連して考察することができ、国際公開第２０１７／０３２８７３号の開示全体は、参照により本明細書に組み込まれている。
システムは、例えばベッドの中の最も近くにいる人がセンサに面しているか、センサとは反対側に面しているか、あるいは仰向けになっているか、うつぶせになっている場合、その人の相対位置を検出することができる。例えば位置を検出するためのセンサ構成および方法の例は、２０１７年３月２日に公開された国際公開第２０１７／０３２８７３号に関連して考察することができ、国際公開第２０１７／０３２８７３号の開示全体は、参照により本明細書に組み込まれている。
吸息対呼息
いくつかのバージョンでは、システムは、ＲＦ検出（例えばドップラー知覚）を実現して、吸息努力／呼息努力を分離または区別することができる（人は送気法を実施しているため、吸息は常にセンサに向かう）。このような区別は、例えばドップラーシフト（例えば検出運動方向変化）を処理し、それにより、吸息／呼息にマッピングすることができるターゲットの移動の方向をもたらすことによって実現することができる。これらの呼吸フェーズを区別するために実現することができる、運動方向変化を検出するための方法は、２０１６年１０月２７日に公開された国際公開第２０１６／１７００１１号に記載されており、国際公開第２０１６／１７００１１号の開示全体は、参照により本明細書に組み込まれている。
いくつかのバージョンでは、システムは、ＲＦ検出（例えばドップラー知覚）を実現して、吸息努力／呼息努力を分離または区別することができる（人は送気法を実施しているため、吸息は常にセンサに向かう）。このような区別は、例えばドップラーシフト（例えば検出運動方向変化）を処理し、それにより、吸息／呼息にマッピングすることができるターゲットの移動の方向をもたらすことによって実現することができる。これらの呼吸フェーズを区別するために実現することができる、運動方向変化を検出するための方法は、２０１６年１０月２７日に公開された国際公開第２０１６／１７００１１号に記載されており、国際公開第２０１６／１７００１１号の開示全体は、参照により本明細書に組み込まれている。
ＡＨＩを生成する
システムは、ＡＨＩ（無呼吸減呼吸指標）またはＲＤＩ（呼吸障害指標）の予測値を提供することができる。例えばこれは、無呼吸事象および減呼吸事象の数、または睡眠時間当たりの無呼吸および事象の数に関連付けることができる。したがって異なるタイプの無呼吸（例えば無呼吸事象および減呼吸事象の直接カウント）および睡眠時間をシステムによって予測することができる場合、ＡＨＩ値を予測することが可能であることが分かる。別の手法は、一人または複数人の熟練者ＰＳＧスコアラーによって提供される予測値（ラベルが振られたデータ）に基づいて、より長いスケール変調データ（例えば無呼吸および／または減呼吸の列またはシーケンス）を機械学習モデルの中に提供し、かつ、分類子（ロジスティック回帰モデル分類子など）を展開して、これらの特徴からＡＨＩを予測することである。システムは、ＡＨＩおよび／またはＲＤＩおよび／またはＳＤＢのメトリック定量化リスク（例えばロジスティック回帰モデルの確率出力）の予測値を提供することができる。
システムは、ＡＨＩ（無呼吸減呼吸指標）またはＲＤＩ（呼吸障害指標）の予測値を提供することができる。例えばこれは、無呼吸事象および減呼吸事象の数、または睡眠時間当たりの無呼吸および事象の数に関連付けることができる。したがって異なるタイプの無呼吸（例えば無呼吸事象および減呼吸事象の直接カウント）および睡眠時間をシステムによって予測することができる場合、ＡＨＩ値を予測することが可能であることが分かる。別の手法は、一人または複数人の熟練者ＰＳＧスコアラーによって提供される予測値（ラベルが振られたデータ）に基づいて、より長いスケール変調データ（例えば無呼吸および／または減呼吸の列またはシーケンス）を機械学習モデルの中に提供し、かつ、分類子（ロジスティック回帰モデル分類子など）を展開して、これらの特徴からＡＨＩを予測することである。システムは、ＡＨＩおよび／またはＲＤＩおよび／またはＳＤＢのメトリック定量化リスク（例えばロジスティック回帰モデルの確率出力）の予測値を提供することができる。
他の危険因子と結合する
システムの出力は、「危険な睡眠」指標を計算し、かつ、総合するために、他の危険因子、例えば年齢、ＢＭＩ、人種、収入、併存性、アルコール摂取量と結合することができる。これは、本明細書において説明されている分類子への入力であってもよく、また、分類子によって特性化され得る。
システムの出力は、「危険な睡眠」指標を計算し、かつ、総合するために、他の危険因子、例えば年齢、ＢＭＩ、人種、収入、併存性、アルコール摂取量と結合することができる。これは、本明細書において説明されている分類子への入力であってもよく、また、分類子によって特性化され得る。
８．３．４．１ システム処理アーキテクチャ
例えば本明細書において説明されているモジュールを有する例示的システムアーキテクチャは、図８を参照して考察することができる。このようなモジュールは、本明細書において説明されている、ＲＦセンサに基づくシステムおよび／または移動電話などの任意の処理デバイスによって実現することができる。別法としては、処理モジュールは、近傍に置かれた処理デバイス（例えばＲＦセンサの近くに置かれた移動電話またはタブレット）、あるいは遠隔サーバに置かれた処理デバイスのいずれかによって、センサから個別に実現することも可能である。一般に、システムは、例えば本明細書において説明されている、音響および／または無線周波数に基づく知覚デバイスからの、睡眠者（一夜の睡眠または複数の夜間睡眠など）を有する１つまたは複数の知覚セッションからの関連する知覚信号からＳＤＢリスクの評価を実施する。プロセスは、ＳＤＢリスク指示を生成して、例えば以下のうちの任意の１つまたは複数を提供するように構成することができる。
（１）ＳＤＢ事象の臨床閾値の超過（例えば１５などの閾値より大きいＡＨＩ）に対する二進分フラグ（真または偽）。この閾値は、例えば１０または５に調整することができ、あるいは必要に応じてもっと高く、あるいはもっと低くすることも可能である。任意選択で、二進分類フラグは記号にすることも可能である。例えばこのようなインジケータは、例えば真に対して１つの色を指示し、また、偽に対して別の色を指示するための色コード化出力であってもよい（例えば閾値（例えば１５）未満のカウントに対して「緑」、また、閾値より大きいか、あるいは閾値に等しいカウントに対して赤）。
（２）ＳＤＢリスクの計算された確率（例えば１から１００までなどの範囲における百分率指示またはスケール化指示であって、例えばその範囲の一方の端は、それほどにはＳＤＢを指示せず、また、その範囲のもう一方の端は、よりＳＤＢを示す）。
（３）関連するＳＤＢ事象の予測されたスコア（例えば無呼吸－減呼吸指標（ＡＨＩ）、またはＳＤＢ事象の他のカウント）。
例えば本明細書において説明されているモジュールを有する例示的システムアーキテクチャは、図８を参照して考察することができる。このようなモジュールは、本明細書において説明されている、ＲＦセンサに基づくシステムおよび／または移動電話などの任意の処理デバイスによって実現することができる。別法としては、処理モジュールは、近傍に置かれた処理デバイス（例えばＲＦセンサの近くに置かれた移動電話またはタブレット）、あるいは遠隔サーバに置かれた処理デバイスのいずれかによって、センサから個別に実現することも可能である。一般に、システムは、例えば本明細書において説明されている、音響および／または無線周波数に基づく知覚デバイスからの、睡眠者（一夜の睡眠または複数の夜間睡眠など）を有する１つまたは複数の知覚セッションからの関連する知覚信号からＳＤＢリスクの評価を実施する。プロセスは、ＳＤＢリスク指示を生成して、例えば以下のうちの任意の１つまたは複数を提供するように構成することができる。
（１）ＳＤＢ事象の臨床閾値の超過（例えば１５などの閾値より大きいＡＨＩ）に対する二進分フラグ（真または偽）。この閾値は、例えば１０または５に調整することができ、あるいは必要に応じてもっと高く、あるいはもっと低くすることも可能である。任意選択で、二進分類フラグは記号にすることも可能である。例えばこのようなインジケータは、例えば真に対して１つの色を指示し、また、偽に対して別の色を指示するための色コード化出力であってもよい（例えば閾値（例えば１５）未満のカウントに対して「緑」、また、閾値より大きいか、あるいは閾値に等しいカウントに対して赤）。
（２）ＳＤＢリスクの計算された確率（例えば１から１００までなどの範囲における百分率指示またはスケール化指示であって、例えばその範囲の一方の端は、それほどにはＳＤＢを指示せず、また、その範囲のもう一方の端は、よりＳＤＢを示す）。
（３）関連するＳＤＢ事象の予測されたスコア（例えば無呼吸－減呼吸指標（ＡＨＩ）、またはＳＤＢ事象の他のカウント）。
さらに、システムは、睡眠段階を検出し、および／または本明細書において説明されている睡眠スコア、精神リフレッシュスコア／インジケータおよび／または身体リフレッシュスコア／インジケータを提供し、かつ、運動検出に基づいて、睡眠段階を示す出力を生成するように構成することも可能である。例えばこれは、２０１４年７月８日に出願された国際公開第２０１５／００６３６４号に記載されているように実現することができ、国際公開第２０１５／００６３６４の開示全体は、参照により本明細書に組み込まれている。さらに、システムは、睡眠段階化解析に対する補正を実現し、それにより例えば苛酷なＳＤＢを有する人／ユーザに対しても、このような段階化決定が正しいこと、あるいはより正確であることを保証するように構成することも可能である。本明細書においてより詳細に説明されている例では、これは、知覚信号の解析からの睡眠または覚醒の決定を表すインジケータの時間シリーズなどの睡眠覚醒補正マスクを実現する方法（機械アルゴリズム）を使用して実現することができる。このような補正は、ＳＤＢ周波数範囲において検出される変調（例えば２５秒から１００秒のインターバルで生じる変調）の強度の検出および評価に基づくことができる。
これに関して、事象には連続的に発生する傾向があり、２つの連続する事象間の期間は、典型的には（実験的解析によれば）２５秒と１００秒の間の範囲である。システムは、例えばこの特定の範囲における周期性（すなわち変調）を検出するように調整することができる。システムがＳＤＢ事象の「クラスタ」を検出すると、睡眠覚醒補正が適用される。クラスタ内の事象は特定の割合（すなわち周波数）で生じる。また、その周期性が無呼吸と関連する典型的な「正規の」生理学的範囲外である事象は、それらが見せかけのものである可能性が高いため、そのことに基づいてこれらの事象を無視するようにシステムを構成することも同じく可能である。個別のＲＬＳおよび／またはＰＬＭ検出器を使用することができる。
図８に図解されているように、例えば１つまたは複数のアルゴリズムを使用した処理は、多重モジュール（例えば例では３つ）として実現することができる。１つまたは複数のプロセッサによって実現されるモジュールの操作／機能は、以下の節で詳細に説明され、また、図７Ｂ－２に関連して図解されている方法の一部として実現することができる。この例では、操作モジュールは、（ａ）オンライン（この場合の「オンライン」は、データが収集される際に、それらのデータのブロックまたはフレームを処理し、それにより例えば夜の終わりに最も速い応答をユーザに与え、また、潜在的に多くのギガバイトの生可聴データのバッファリングを回避するためのプロセッサの使用を意味するものと理解され得る）モジュールであってもよい抽出モジュール８８１０、（ｂ）オフライン（この場合の「オフライン」は、先行する「オンライン」処理ステップによって提供される中間パラメータの「セッションの終わり」処理を意味するものとして理解され得る）モジュールであってもよい評価モジュール８８２０、および（ｃ）出力生成のための同じくオフラインモジュールであってもよい出力モジュール８８３０として実現することができる。これらのモジュールの各々は、本明細書においてより詳細に説明されている。
一般に、抽出モジュール８８１０は、例えば能動知覚信号（例えばＲＦおよび／またはソナー）知覚信号および受動知覚信号（例えば周囲可聴／音声）からの信号抽出を実施するように構成することができる。このようなモジュールは、例えば入力知覚信号（例えばＲＦおよび／またはソナー運動知覚からの生運動信号）からＩ＆Ｑ（同相および直角位相）呼吸努力信号を抽出するためなどの複数のチャネルを含むことができる。また、モジュールは、例えば受動検出からの複数の音響チャネルを有することも同じく可能であり、それにより重要な可聴エネルギーを隔離して、例えばそれを１つまたは複数の重要な帯域（例えば９チャネル帯域）の中へ抽出することができる。
一般に、抽出モジュールからの入力信号を有する評価モジュール８８２０は、変調の周波数および強度などの変調特性を決定することができる。また、モジュールは、決定された変調強さに基づいて睡眠覚醒補正マスクを計算することも同じく可能である。このような補正マスクは、補正マスクを適用して、ＳＤＢのために不正確である覚醒の指示を補正し、あるいは回避することができるよう、睡眠段階（例えばヒプノグラム信号）を決定する睡眠段階化プロセスに入力することができる。例えば強度、周波数および睡眠段階化情報（例えばマスクによって補正されたヒプノグラム信号）を有する評価モジュール８８２０は、ＳＤＢ摘要評価のために適用することができる。このような評価においては、ＳＤＢ特徴（例えばスカラー値）は、能動知覚（例えばソナーおよびＲＦ知覚）などの呼吸努力信号、および受動音響知覚からの周波数帯域から誘導することができる。これらの特徴は、１つまたは複数の分類子に適用することができる。例えばロジスティック分類子は、スカラー値を分類して、既に考察した二進分類フラグおよびリスク確率インジケータを生成することができる。他の例として、線形回帰分類子は、呼吸事象スコア（例えばこのような事象をカウントする無呼吸／減呼吸指標）を計算するためにスカラー値を分類することができる。呼吸事象スコアのこのような計算は、睡眠スコアの１つまたは複数の部分を調整し、それにより例えば身体リフレッシュスコア／インジケータおよび／または精神リフレッシュスコア／インジケータにおける調整要素として働かせることができる、ＳＤＢペナルティ要素などの調整要素として適用することができる。
操作は、操作を実時間または準実時間に分割し（睡眠セッションを記録している間）、また、記録および／または睡眠セッションの終了時または終了した後の最終化のために、図８の例に図解されているが、操作の他の分割を実現することも可能である。図解されている例における操作分割は、例えばスマートフォンによって実現される場合に、プロセッサのとりわけ有効な使用を提供することができる。
それにもかかわらず、オンライン操作およびオフライン操作は、それらがすべてオフラインとして処理されるように実現することができ、あるいはオフライン操作の態様は、オンライン処理として実現することができる。示されているように、オンラインおよびオフラインの分割は、マルチスコアスマートフォンプロセッサを有効に利用するように設計されているが、利用可能なプロセッサの特性および記憶装置／メモリの可用性に基づいて調整することができる。
８．３．４．１．１ 抽出モジュール８８１０
例えば睡眠セッション中であれ、あるいは睡眠セッションの後であれ、連続的または周期的処理を実現することによる抽出モジュール８８１０の目的は、能動知覚信号から関連する情報信号を規則的に計算し、および／または受動知覚信号（例えば非接触知覚）から情報信号を規則的に計算することである。このような抽出処理は、知覚信号の性質、例えばそれらがレーダー（すなわちＲＦ）からのものであるかどうか、および／またはソナーからのものであるかどうかに依存することになる。
例えば睡眠セッション中であれ、あるいは睡眠セッションの後であれ、連続的または周期的処理を実現することによる抽出モジュール８８１０の目的は、能動知覚信号から関連する情報信号を規則的に計算し、および／または受動知覚信号（例えば非接触知覚）から情報信号を規則的に計算することである。このような抽出処理は、知覚信号の性質、例えばそれらがレーダー（すなわちＲＦ）からのものであるかどうか、および／またはソナーからのものであるかどうかに依存することになる。
例えば能動知覚情報信号の場合、抽出プロセスは呼吸努力信号を生成することができ、この呼吸努力信号は非接触呼吸運動知覚に基づいている。このような呼吸努力信号は、ソナーの事例では、本明細書において既に説明されているように、および／または国際ＰＣＴ特許公開第ＷＯ２０１８／０５０９１３号に記載されている方法に従って生成することができ、また、レーダーの事例では、本明細書において説明されているように、および／または国際公開第２０１４／０１５２３８号、または２０１３年１０月２２日に発行された米国特許第８５６２５２６号に記載されている方法に従って生成することができる。
一例では、例えば１６Ｈｚの２チャネル（ＩおよびＱ）呼吸努力信号を生成することにより、ソナー復調信号またはＲＦ復調信号から１つまたは複数の呼吸努力信号を生成することができる。任意選択で、システムによって他のサンプリングレートを実現することも可能である。周波数変調持続波（ＦＭＣＷ）能動フロントエンド知覚（音響または無線周波数）の場合、この抽出モジュールのタスクは、ＦＭＣＷ呼吸努力検出を実施することである。このような能動知覚信号抽出処理は、１つまたは複数の能動知覚信号抽出サブモジュール８８１２を使用して実現することができる。このようなサブモジュールは、ソナー知覚信号抽出サブモジュールおよび／またはレーダー知覚信号抽出サブモジュールを使用して実現することができる。
さらに、受動知覚情報信号の場合、抽出モジュール８８１０の抽出プロセスは、音響的に知覚された可聴信号から情報信号を抽出することができる。このような受動可聴エネルギーは、全帯域可聴信号（実現されたマイクロフォンの検出可能可聴範囲など）から、ＳＤＢのための関連する帯域（例えば異なる周波数帯域を有する９チャネル）の中へ抽出することができる。このような信号は１Ｈｚで生成することができるが、必要に応じて他のサンプリング周波数を実現することも可能である。このような受動可聴信号抽出処理は、受動知覚信号抽出サブモジュール８８１４によって実施することができる。
いくつかの事例では、抽出モジュール８８１０は、呼吸速度信号および／または信号品質信号を抽出するためのモジュールまたはサブモジュールをさらに実現することができる。呼吸速度信号は、時間に対する呼吸速度を表し、また、信号品質信号は、時間に対して記録された知覚信号の品質を示す。
８．３．４．１．１．１ 能動知覚信号からの呼吸努力信号の抽出
例えば８８１０Ａにおける、呼吸努力信号（呼吸運動に基づく）を生成／抽出するための能動知覚信号の処理は、図９、図１０および図１１を参照して考察することができる。いくつかのバージョンでは、知覚信号のこのような処理は、複数の範囲（レンジビン）（図９参照）からの複素復調知覚信号を結合するための処理を含むことができ、個々のレンジビン信号は２つのチャネルに存在し得る（１つは実数部に対するものであり（これはＩ信号であってもよい）、また、１つは虚数部に対するものである（これはＱ信号であってもよい））。典型的には、呼吸努力信号を抽出するために望ましい２つの入力が存在している。
ａ．例えば５秒の期間にわたる個々のレンジビンにおけるソナー信号
ｂ．これらのレンジビンの各々に対する呼吸解析
例えば８８１０Ａにおける、呼吸努力信号（呼吸運動に基づく）を生成／抽出するための能動知覚信号の処理は、図９、図１０および図１１を参照して考察することができる。いくつかのバージョンでは、知覚信号のこのような処理は、複数の範囲（レンジビン）（図９参照）からの複素復調知覚信号を結合するための処理を含むことができ、個々のレンジビン信号は２つのチャネルに存在し得る（１つは実数部に対するものであり（これはＩ信号であってもよい）、また、１つは虚数部に対するものである（これはＱ信号であってもよい））。典型的には、呼吸努力信号を抽出するために望ましい２つの入力が存在している。
ａ．例えば５秒の期間にわたる個々のレンジビンにおけるソナー信号
ｂ．これらのレンジビンの各々に対する呼吸解析
呼吸解析は、呼吸周波数範囲における最も高いスペクトルパワー密度を定量化するメトリックに基づいて、個々のレンジビンに存在する呼吸信号の数を教える。この呼吸解析は、インターバル（例えば５秒）毎に実施することができる（例えばもっと長い期間、例えば６４秒にわたる信号に対して）。レンジビン毎に、例えば５秒領域の左右の境界にメトリック出力を有することになる。
呼吸に基づくメトリックを介してすべてのレンジビンを１つの単一のチャネルに結合する方法は、以下のステップを有するプロセスを含むことができる。
ａ．すべてのレンジビンにわたって合計することによって特定のレンジビンに対応するメトリックを分割することにより、領域の左右の境界におけるレンジビン毎の重みを定義する。
ｂ．レンジビン毎に、左と右の間の重みを線形的に補間する。
ｃ．個々のレンジビンの中の信号を重みに掛け合わせる。
ｄ．すべてのレンジビンにわたって上記を合計する。
ａ．すべてのレンジビンにわたって合計することによって特定のレンジビンに対応するメトリックを分割することにより、領域の左右の境界におけるレンジビン毎の重みを定義する。
ｂ．レンジビン毎に、左と右の間の重みを線形的に補間する。
ｃ．個々のレンジビンの中の信号を重みに掛け合わせる。
ｄ．すべてのレンジビンにわたって上記を合計する。
解析は、例えば５秒の期間内にソナー呼吸解析と一致して（同時に）実施することができ、また、呼吸情報を含むレンジビンからの信号を使用して努力信号が抽出される。図９からの例示的知覚信号では、これは、０．３ｍ～３ｍにおけるレンジビンからの信号を含む。
処理は、以下の課題のうちの任意の課題の対処を補助することができる。
（ａ）信号は、距離レンジビン毎に１８０°だけ位相を変化させることができる。
（ｂ）呼吸範囲（すなわち呼吸運動周波数）における変調を含んでいない距離レンジビンは除外しなければならない。
（ｃ）対象位置のあり得る変化を考慮して、連続する５秒セグメントの間で連続性を保証しなければならない。
（ａ）信号は、距離レンジビン毎に１８０°だけ位相を変化させることができる。
（ｂ）呼吸範囲（すなわち呼吸運動周波数）における変調を含んでいない距離レンジビンは除外しなければならない。
（ｃ）対象位置のあり得る変化を考慮して、連続する５秒セグメントの間で連続性を保証しなければならない。
従って図１０に図解されているように、このようなプロセスは、個々の離散範囲信号またはレンジビンに対して絶対値プロセスを適用するステップ、および、次にＰＳＤ操作からの呼吸関連周波数の重み付き平均化に従ってレンジビン信号を結合するステップを含むことができる。プロセスは、それぞれＩチャネルおよびＱチャネルの各々に対して実施することができる。例は、以下の処理を使用して考察することができる。
（１）重みは、レンジビン毎に、５秒領域の左右の境界における呼吸範囲内の最も高いパワースペクトル密度（ＰＳＤ）に存在しているメトリックから計算することができる。
（２）重みは、右の境界と左の境界の間の一次補間を介して領域全体にわたって分配することができる。
（３）レンジビンは、
（ａ）個々のレンジビンの絶対値を取ること
（ｂ）重みのアレイを使用した掛算を介して上記の重み付き平均を取ること
によって結合することができる。
この例の場合、重みは、単純に、個々のレンジビンの信号に適用される倍率である。これは、特定のレンジビンを比例的に他のレンジビンよりも重く「重み付けする」。呼吸速度を評価する場合、大きい振幅変調成分を抑制するためには場合によっては正規化が望ましい。しかしながらこの振幅変調（ＡＭ）成分は、ＳＤＢに関連する重要な変調をより長い時間スケールにわたって含んでいるため、ＳＤＢ解析のために保持される。
（１）重みは、レンジビン毎に、５秒領域の左右の境界における呼吸範囲内の最も高いパワースペクトル密度（ＰＳＤ）に存在しているメトリックから計算することができる。
（２）重みは、右の境界と左の境界の間の一次補間を介して領域全体にわたって分配することができる。
（３）レンジビンは、
（ａ）個々のレンジビンの絶対値を取ること
（ｂ）重みのアレイを使用した掛算を介して上記の重み付き平均を取ること
によって結合することができる。
この例の場合、重みは、単純に、個々のレンジビンの信号に適用される倍率である。これは、特定のレンジビンを比例的に他のレンジビンよりも重く「重み付けする」。呼吸速度を評価する場合、大きい振幅変調成分を抑制するためには場合によっては正規化が望ましい。しかしながらこの振幅変調（ＡＭ）成分は、ＳＤＢに関連する重要な変調をより長い時間スケールにわたって含んでいるため、ＳＤＢ解析のために保持される。
８．３．４．１．１．２ ＳＤＢのための受動可聴信号の抽出
例えばサブモジュール８８１２の中で周波数帯域を生成し／抽出するための受動知覚信号の処理は、図１２に示されている可聴信号の周波数スペクトルを参照して考察することができる。このサブモジュールは、例えば後で異なる周波数帯域のためのエネルギーの測度を生成するために、生の全帯域可聴信号を周波数領域に変換する。ＳＤＢのための受動可聴信号の抽出は、周波数帯域信号への可聴信号の分離を含むことができる（例えば約１００Ｈｚから８ｋＨｚまで、または２５０Ｈｚから８ｋＨｚの範囲などの範囲に区切る９個の離散周波数帯域）。いくつかのバージョンでは１１個の周波数帯域を実現することができ、例えばそれらの帯域は、名目上、２５０Ｈｚの範囲インターバルで間隔が隔てられる。抽出処理は、１秒毎に実施することができる（１ヘルツ）。これは、離散または高速フーリエ変換などのフーリエ変換を使用して実現することができる。
例えばサブモジュール８８１２の中で周波数帯域を生成し／抽出するための受動知覚信号の処理は、図１２に示されている可聴信号の周波数スペクトルを参照して考察することができる。このサブモジュールは、例えば後で異なる周波数帯域のためのエネルギーの測度を生成するために、生の全帯域可聴信号を周波数領域に変換する。ＳＤＢのための受動可聴信号の抽出は、周波数帯域信号への可聴信号の分離を含むことができる（例えば約１００Ｈｚから８ｋＨｚまで、または２５０Ｈｚから８ｋＨｚの範囲などの範囲に区切る９個の離散周波数帯域）。いくつかのバージョンでは１１個の周波数帯域を実現することができ、例えばそれらの帯域は、名目上、２５０Ｈｚの範囲インターバルで間隔が隔てられる。抽出処理は、１秒毎に実施することができる（１ヘルツ）。これは、離散または高速フーリエ変換などのフーリエ変換を使用して実現することができる。
例えば抽出は以下の処理を含むことができる。
（ａ）例えば毎秒１６回、可聴データのサンプル（例えば３０００サンプル）に対してＦＦＴ（例えば「４０９６点」）を計算することができる。これは、任意選択でデ－ミーニングの後に実施することができ、また、スペクトルウィンドウ処理が適用される。いくつかの事例では、平均除去ではなく、中央値（例えば中央値除去を例えば１秒ベースで実施する）を使用することができる。例えば１０００サンプルの可聴データに対する１０２４ｐｔ ＦＦＴ、等々（例えば非重畳フレーム）などの他のサイズを使用することも可能である。
（ｂ）個々の周波数帯域におけるエネルギーは、特定の周波数帯域の対応するＦＦＴ係数の絶対値の合計を計算することによって決定することができる。個々のこのような合計は、個々の周波数帯域のエネルギー値と見なすことができる。９個の周波数帯域の例示的事例の場合、個々のＦＦＴ演算は、９個のエネルギー値の計算をもたらすことになる。
（ａ）例えば毎秒１６回、可聴データのサンプル（例えば３０００サンプル）に対してＦＦＴ（例えば「４０９６点」）を計算することができる。これは、任意選択でデ－ミーニングの後に実施することができ、また、スペクトルウィンドウ処理が適用される。いくつかの事例では、平均除去ではなく、中央値（例えば中央値除去を例えば１秒ベースで実施する）を使用することができる。例えば１０００サンプルの可聴データに対する１０２４ｐｔ ＦＦＴ、等々（例えば非重畳フレーム）などの他のサイズを使用することも可能である。
（ｂ）個々の周波数帯域におけるエネルギーは、特定の周波数帯域の対応するＦＦＴ係数の絶対値の合計を計算することによって決定することができる。個々のこのような合計は、個々の周波数帯域のエネルギー値と見なすことができる。９個の周波数帯域の例示的事例の場合、個々のＦＦＴ演算は、９個のエネルギー値の計算をもたらすことになる。
次に、ＳＤＢ評価のための個々の帯域信号を抽出するために、個々の帯域のエネルギー値からの平均値を例えば１秒ウィンドウにわたって決定する（計算する）ことができる。毎秒１６回のＦＦＴを実施する例では、個々の帯域は１６個のエネルギー値を平均することになる。したがってプロセスは、繰り返されると、時間に対して個別の信号を帯域毎に生成し（例えばＳＤＢおよび呼吸に対して９個）、所与の帯域の信号の個々のサンプルは、時間インターバルからの平均エネルギーを表す。システムは９個の帯域をトレンド除去し、次に平均を取ることができる。次に、個別に説明されているように、包絡線ピーク発見が実施され、ピーク補間、等々が実施される（例えば積分生成および高域通過フィルタリングによって）。呼吸の場合、個々の帯域は、予備処理および自己相関を使用して、呼吸に対して独立して処理される。自己相関出力は、ピークの突出が存在している場合、呼吸を含み得るチャネルを選択し、かつ、それらを結合するために信号品質メトリックと共に使用される。これは、例えばスライディングウィンドウ（例えば６４秒スライディングウィンドウ）を使用して数秒毎に（例えば５秒毎に）繰り返すことができる。
また、能動包絡線および受動包絡線の抽出を実施することも同じく可能である。能動信号包絡線抽出は、（ｉ）無効データ補間、（ｉｉ）アウトライヤー除去、（ｉｉｉ）遮断が０．０７５Ｈｚ（または何らかの他の低い値）であるＩＩＲ低域通過フィルタ、（ｉｖ）フィルタ遅延の補償、（ｖ）１Ｈｚにおけるダウンサンプリングのステップを含むことができる。
受動包絡線抽出は、図８Ｂに図解されているステップを含むことができる。これは、以下のステップのうちの任意のステップ、いくつかのステップまたはすべてのステップを含むことができる。（ｉ）チャネルを結合するステップであって、スライディングウィンドウ全体にわたって最小を控除することによって帯域毎のベースラインが除去され、また、帯域は、帯域全体にわたる平均を取ることによって結合される。図解されているように、（ｉｉ）プロセスは、（例えばアンチエイリアスフィルタ）などを使用して受動ストリームを殺すことができ、これには（ｉｖ）ダウンサンプリングが後続することができる。これらは、例えば生の４８ｋＨｚ信号をある係数（例えば３の係数）だけ低減することによって効率を改善する。
任意選択で、（ｉｉｉ）ＳＤＢ変調検出ならびに呼吸チャネル選択を強化するために、他の処理に先立って、ウィーナーフィルタ（時間による変化に基づく連続するＳＮＲを使用している）などのフィルタを使用して、スペクトルに対するスペクトル雑音除去を実施することができる。
雑音除去プロセスは周波数領域の中で実施することができる。このプロセスの目的は、最終的に、同じく雑音を含んでいる測定された信号のみから重要な信号の予測値を得ること、すなわち信号から雑音を除去することである。これは、スペクトル利得Ｇ（決定されるべき）を有する信号の雑音バージョン（すなわちシステムによって実際に記録されるもの）のスペクトル積（時間領域における畳込み）を介して実施することができる。
上式で、
およびＸ（ｐ，ｋ）は、それぞれ予測された信号、利得および測定された信号プラス雑音に対する短時間可聴フレームｐのｋ番目の成分である（アルゴリズムにおいては１／１６秒、１６ｋＨｚ、非重畳フレーム）。アルゴリズムにおいては、スペクトル信号Ｘは、フレームｐのハニングウィンドウ化バージョンに適用される１０２４点ＦＦＴを使用して得ることができる。例えばフレームｐは、スマートデバイスのマイクロフォンからの殺された生の４８ｋＨｚ信号の１６ｋＨｚ出力から取られる。
スペクトル利得Ｇは、２つの成分、すなわち可聴フレームの後および前の信号対雑音比（ＳＮＲ）の関数である。これらの項は、特定の可聴フレームｐに対する真の雑音の知識の存在および欠落におけるＳＮＲ計算を意味している。それらは、
および
として定義することができる。
上式で、Ｓ（ｐ，ｋ）、Ｎ（ｐ，ｋ）は、信号および雑音に対する短時間可聴フレームｐのｋ番目の成分であり、Ｅは期待演算子である。
したがって利得Ｇは、上記ＳＮＲ値の予測値を使用して記述することができる。
関数ｇは多くの異なる形態を取ることができる（例えば参考文献Ｃ．Ｐｌａｐｏｕｓ、Ｃ．Ｍａｒｒｏ、Ｐ．Ｓｃａｌａｒｔ、「Ｉｍｐｒｏｖｅｄ ｓｉｇｎａｌ－ｔｏ－ｎｏｉｓｅ ｒａｔｉｏ ｅｓｔｉｍａｔｉｏｎ ｆｏｒ ｓｐｅｅｃｈ ｅｎｈａｎｃｅｍｅｎｔ」、ＩＥＥＥ Ｔｒａｎｓ．Ａｕｄｉｏ Ｓｐｅｅｃｈ Ｌａｎｇ．Ｐｒｏｃｅｓｓ．，ｖｏｌ．１４，ｎｏ．６，ｐｐ．２０９８－２１０８，２００６を参照されたい）。使用することができる一例示的手法は、ウィーナーフィルタである。
（ｖ）雑音除去プロセスが完了すると、この雑音除去されたスペクトル信号から帯域中のエネルギーを得ることができ、また、先入れ先出しＦＩＦＯバッファ（例えば６４秒循環バッファ）に加えることができる。
信号品質および呼吸速度
いくつかのバージョンでは、このモジュール８８１２は、任意選択で、能動および／または受動信号などの信号の解析を実現し、呼吸速度および／または対応する信号品質を予測することができる。いくつかのバージョンでは、呼吸速度は、国際公開第２０１５／００６３６４号に記載されているように決定することができる。このような情報は、頑丈性を改善するために人が知覚の近傍に存在しているか否かを識別する不在／存在決定モジュールの一部として実現することができる。
いくつかのバージョンでは、このモジュール８８１２は、任意選択で、能動および／または受動信号などの信号の解析を実現し、呼吸速度および／または対応する信号品質を予測することができる。いくつかのバージョンでは、呼吸速度は、国際公開第２０１５／００６３６４号に記載されているように決定することができる。このような情報は、頑丈性を改善するために人が知覚の近傍に存在しているか否かを識別する不在／存在決定モジュールの一部として実現することができる。
システムは、能動および／または受動ストリームの両方を介して独立して呼吸速度を計算することができ、また、任意選択で、それぞれの予測された信号品質に基づいて出力を結合することができる。
受動呼吸速度
良好な信号品質が存在している場合、任意選択で呼吸速度（能動または受動のいずれか）を使用して、例えばシステムの精度を改善することができる。信号の品質状況がより貧弱である場合、夜／睡眠セッションの一部に対して実時間呼吸速度を利用することができない場合であっても、依然として変調を検出して無呼吸／減呼吸のクラスタを識別することができる。
良好な信号品質が存在している場合、任意選択で呼吸速度（能動または受動のいずれか）を使用して、例えばシステムの精度を改善することができる。信号の品質状況がより貧弱である場合、夜／睡眠セッションの一部に対して実時間呼吸速度を利用することができない場合であっても、依然として変調を検出して無呼吸／減呼吸のクラスタを識別することができる。
いくつかのバージョンでは、このサブモジュールは、上で考察した周波数帯域の各々（例えばバッファ中の）を処理し、かつ、個々の期間（例えば６４秒バッファ）（既に説明したような）に対する呼吸速度および／または信号品質を予測するように構成することができる。これは、能動知覚信号から決定された呼吸速度（例えばソナー誘導呼吸速度）と一致して５秒おきに繰り返すことができる。
受動解析からの呼吸信号は、通常、周期インパルスの形態を取るため、アルゴリズムの頑丈性の改善を促進するために最初に何らかの予備処理が適用される。例示的ステップは、以下のうちの任意の項目を含むことができる。
１．整合したフィルタにガウスインパルス応答を適用する。
２．スライディングウィンドウ全体にわたって最小値を差し引くことによってベースラインを除去する。
３．運動などからのアーチファクトを最小化するために９５番目の百分位数で制限する。
４．短いスライディングウィンドウ全体にわたって標準偏差によって正規化する。
５．信号を統合するし、高域通過フィルタをかける。
６．スライディングウィンドウ全体にわたって標準偏差によってもう一度正規化する。
１．整合したフィルタにガウスインパルス応答を適用する。
２．スライディングウィンドウ全体にわたって最小値を差し引くことによってベースラインを除去する。
３．運動などからのアーチファクトを最小化するために９５番目の百分位数で制限する。
４．短いスライディングウィンドウ全体にわたって標準偏差によって正規化する。
５．信号を統合するし、高域通過フィルタをかける。
６．スライディングウィンドウ全体にわたって標準偏差によってもう一度正規化する。
このような予備処理を完了することにより、インパルス列が時間領域解析のためにより適した信号に変換される。
自己相関は信号に対して実施することができ、また、画定された呼吸範囲内の第１のピークは、呼吸速度予測値として選択される。ピーク突出度が計算され、また、信号品質または信頼性のメトリックとして使用される。このプロセスは周波数帯域毎に繰り返すことができる。
最後に、最も高い信号品質を有する４つの予測値の平均を取ることによって呼吸速度予測値を計算することができる。信号品質出力は、単純に、最も高い４つの信号品質メトリックの平均である。このような出力は、任意選択で、評価モジュール８８２０に、または任意のそのサブモジュールプロセスに出力することができる。
８．３．４．１．２ 評価モジュール８８２０
図８に図解されているように、評価モジュール８８２０は、ＳＤＢ変調評価サブモジュール８８２２またはプロセス、睡眠段階化サブモジュール８８２４またはプロセス、およびＳＤＢ摘要サブモジュール８８２６またはプロセスを含むことができる。これらの各々は、本明細書においてより詳細に考察されている。一般に、ＳＤＢ変調評価プロセスは、抽出処理（すなわちそれぞれ能動（例えばソナーまたはレーダー誘導呼吸運動信号）および受動（例えば可聴音響信号））からの信号ストリームの各々に対するＳＤＢ変調（周波数および／または強度）の評価を実現することができる。「ＳＤＢ変調」という用語は、呼吸／生物運動信号振幅における変調、およびＳＤＢ関連事象によるより長い期間の包絡線変化と見なすことができる。
図８に図解されているように、評価モジュール８８２０は、ＳＤＢ変調評価サブモジュール８８２２またはプロセス、睡眠段階化サブモジュール８８２４またはプロセス、およびＳＤＢ摘要サブモジュール８８２６またはプロセスを含むことができる。これらの各々は、本明細書においてより詳細に考察されている。一般に、ＳＤＢ変調評価プロセスは、抽出処理（すなわちそれぞれ能動（例えばソナーまたはレーダー誘導呼吸運動信号）および受動（例えば可聴音響信号））からの信号ストリームの各々に対するＳＤＢ変調（周波数および／または強度）の評価を実現することができる。「ＳＤＢ変調」という用語は、呼吸／生物運動信号振幅における変調、およびＳＤＢ関連事象によるより長い期間の包絡線変化と見なすことができる。
さらに、ＳＤＢ変調評価プロセスは、抽出処理の出力によって提供されるそれぞれ能動信号ストリームおよび受動可聴信号ストリームの各々に対する顕著すなわち強力なＳＤＢ変調（クラスター）を含む時間セグメント（すなわち入力信号の一部）を識別することができる。さらに、ＳＤＢ変調評価サブモジュール８８２２は、既に説明した補正マスクを生成することができ、この補正マスクは、サブモジュール８８２４の睡眠段階化プロセスの睡眠段階指示を改善するための入力として働くよう、睡眠／覚醒特性化を提供することができる。図８に図解され、また、本明細書においてより詳細に説明されているように、ＳＤＢ摘要サブモジュールは、例えばＡＨＩおよび二進フラグを生成し、これらは、例えば任意選択出力モジュール８８３０による出力である（例えばスクリーンまたは他のユーザインターフェースへの）。
８．３．４．１．２．１ ＳＤＢ変調の評価－サブモジュール８８２２
能動（例えばソナー）および受動可聴ストリーム（すなわち抽出モジュール８８１０の抽出処理によって生成される信号）は、ＳＤＢ周波数範囲（２５秒から１００秒）における変調を定量化するスペクトル特性を誘導するために個別に処理される。処理ステップの多くは、２つのストリームに対して同様である。
能動（例えばソナー）および受動可聴ストリーム（すなわち抽出モジュール８８１０の抽出処理によって生成される信号）は、ＳＤＢ周波数範囲（２５秒から１００秒）における変調を定量化するスペクトル特性を誘導するために個別に処理される。処理ステップの多くは、２つのストリームに対して同様である。
（Ａ）能動（例えばソナー誘導）ストリームにおけるＳＤＢ変調
呼吸努力を表すＩ＆Ｑチャネルの各々に対して、以下の処理が特定のＳＤＢ変調周波数に対する関係で変調強度を決定する。一般に、図１１に図解されているように、包絡線は個々のチャネル／信号から抽出される。包絡線は、フィルタリングおよび／または正規化することができる。包絡線は、ＳＤＢ関連範囲（例えば約２５～１００秒）における変調周波数特性および／またはその強度特性を決定するためにスペクトル解析によって処理される。そのＳＤＢ関連周波数における変調強度は、本明細書においてより詳細に考察されているようにＳＤＢ摘要サブモジュール８８２６に出力することができる。このような出力を生成するための例示的ステップは以下を含むことができる。
１）包絡線抽出（ＦＭＣＷ抽出包絡線）
ａ．ＮａＮ補間
ｂ．アウトライヤー除去
ｃ．遮断が０．０７５ＨｚのＩＩＲ ＬＰフィルタ
ｄ．１Ｈｚにおけるダウンサンプリング
２）ミキサー手法を介した包絡線正規化（包絡線を正規化する）
ａ．総合中央値による初期スケーリング
ｂ．上記ステップａ）における包絡線と、スライディングウィンドウ全体にわたって標準偏差によってスケール化された包絡線との線形結合
３）ＳＤＢ周波数範囲におけるスペクトル特性の抽出（変調周波数を獲得し、ｉｂｍ（インバンドメトリック）を計算する）
ａ．トレンド除去およびスペクトルウィンドウ処理を適用した後、６分のウィンドウ全体にわたって１分おきにＦＦＴ（例えば１０２４点）が実施される
ｂ．以下のスペクトル特性が抽出される
（ｉ）ｆＰｅａｋ：ＳＤＢ周波数範囲（すなわちＳＤＢ帯域－例えば２５秒から１００秒）におけるピークＰＳＤに対応する周波数
（ｉｉ）ｉｂｍ（インバンドメトリック）、
として取られる対応する変調強度または信号品質
上式で、「Ｐ信号」は、ピーク周波数の近辺の帯域（例えば狭帯域）に含まれているパワーであり、また、「Ｐ雑音」は、総パワーとＰ信号の間の差である。
呼吸努力を表すＩ＆Ｑチャネルの各々に対して、以下の処理が特定のＳＤＢ変調周波数に対する関係で変調強度を決定する。一般に、図１１に図解されているように、包絡線は個々のチャネル／信号から抽出される。包絡線は、フィルタリングおよび／または正規化することができる。包絡線は、ＳＤＢ関連範囲（例えば約２５～１００秒）における変調周波数特性および／またはその強度特性を決定するためにスペクトル解析によって処理される。そのＳＤＢ関連周波数における変調強度は、本明細書においてより詳細に考察されているようにＳＤＢ摘要サブモジュール８８２６に出力することができる。このような出力を生成するための例示的ステップは以下を含むことができる。
１）包絡線抽出（ＦＭＣＷ抽出包絡線）
ａ．ＮａＮ補間
ｂ．アウトライヤー除去
ｃ．遮断が０．０７５ＨｚのＩＩＲ ＬＰフィルタ
ｄ．１Ｈｚにおけるダウンサンプリング
２）ミキサー手法を介した包絡線正規化（包絡線を正規化する）
ａ．総合中央値による初期スケーリング
ｂ．上記ステップａ）における包絡線と、スライディングウィンドウ全体にわたって標準偏差によってスケール化された包絡線との線形結合
３）ＳＤＢ周波数範囲におけるスペクトル特性の抽出（変調周波数を獲得し、ｉｂｍ（インバンドメトリック）を計算する）
ａ．トレンド除去およびスペクトルウィンドウ処理を適用した後、６分のウィンドウ全体にわたって１分おきにＦＦＴ（例えば１０２４点）が実施される
ｂ．以下のスペクトル特性が抽出される
（ｉ）ｆＰｅａｋ：ＳＤＢ周波数範囲（すなわちＳＤＢ帯域－例えば２５秒から１００秒）におけるピークＰＳＤに対応する周波数
（ｉｉ）ｉｂｍ（インバンドメトリック）、
上式で、「Ｐ信号」は、ピーク周波数の近辺の帯域（例えば狭帯域）に含まれているパワーであり、また、「Ｐ雑音」は、総パワーとＰ信号の間の差である。
最後に、２つのチャネルの平均を決定して、変調の強度を表す信号を生成することができる（平均ＳＤＢインバンドメトリック（ｉｂｍ））。次にこの平均値を評価して、本明細書においてより詳細に考察されているＳＤＢ摘要サブモジュール８８２６における能動ストリーム（例えばソナーまたはレーダー）に対するＳＤＢクラスター（能動クラスター）を定義することができる。
（Ｂ）受動可聴ストリームにおけるＳＤＢ変調
可聴帯域チャネルの場合（例えば例では９個）、以下の処理が特定のＳＤＢ変調周波数に対する関係で変調強度を決定する。一般に、図１３に図解されているように、包絡線は結合されたチャネル／信号から抽出される。包絡線は、フィルタリングおよび／または正規化することができる。包絡線は、次に、ＳＤＢ関連範囲（例えば約２５～１００秒）における変調周波数特性および／またはその強度特性を決定するためにスペクトル解析によって処理される。そのＳＤＢ関連周波数における変調強度は、本明細書においてより詳細に考察されているようにＳＤＢ摘要サブモジュール８８２６に出力することができる。このような出力を生成するための例示的ステップは以下を含むことができる。
１）チャネル結合
ａ．スライディングウィンドウ全体にわたって最小を控除することによって帯域毎のベースラインが除去される
ｂ．帯域全体にわたる平均を取ることによって帯域が結合される
２）包絡線抽出
ａ．ピークが抽出され、最小ピークに約５秒の分離を強制する
ｂ．１Ｈｚでの補間および平均フィルタの適用によって包絡線が誘導される
３）積分および高域通過フィルタ（１／１００Ｈｚにおける通過帯域周波数）を含む包絡線フィルタリング
・このステップは、インパルス列（これは、受動可聴信号包絡線における閉塞性無呼吸の特徴である）をスペクトル解析のためにより適した信号に変換するために適用される。
４）包絡線正規化－ソナーストリーム処理からのステップ２）と全く同じである
５）ＳＤＢ周波数範囲におけるスペクトル特性の抽出－上で説明した能動ストリーム処理からのステップ３）と全く同じである
可聴帯域チャネルの場合（例えば例では９個）、以下の処理が特定のＳＤＢ変調周波数に対する関係で変調強度を決定する。一般に、図１３に図解されているように、包絡線は結合されたチャネル／信号から抽出される。包絡線は、フィルタリングおよび／または正規化することができる。包絡線は、次に、ＳＤＢ関連範囲（例えば約２５～１００秒）における変調周波数特性および／またはその強度特性を決定するためにスペクトル解析によって処理される。そのＳＤＢ関連周波数における変調強度は、本明細書においてより詳細に考察されているようにＳＤＢ摘要サブモジュール８８２６に出力することができる。このような出力を生成するための例示的ステップは以下を含むことができる。
１）チャネル結合
ａ．スライディングウィンドウ全体にわたって最小を控除することによって帯域毎のベースラインが除去される
ｂ．帯域全体にわたる平均を取ることによって帯域が結合される
２）包絡線抽出
ａ．ピークが抽出され、最小ピークに約５秒の分離を強制する
ｂ．１Ｈｚでの補間および平均フィルタの適用によって包絡線が誘導される
３）積分および高域通過フィルタ（１／１００Ｈｚにおける通過帯域周波数）を含む包絡線フィルタリング
・このステップは、インパルス列（これは、受動可聴信号包絡線における閉塞性無呼吸の特徴である）をスペクトル解析のためにより適した信号に変換するために適用される。
４）包絡線正規化－ソナーストリーム処理からのステップ２）と全く同じである
５）ＳＤＢ周波数範囲におけるスペクトル特性の抽出－上で説明した能動ストリーム処理からのステップ３）と全く同じである
ここで生成される、受動信号知覚に基づくＳＤＢ関連周波数における変調強度信号は、ＳＤＢ摘要サブモジュール８８２６に出力することも可能であり、この信号は、次にこのＳＤＢ摘要サブモジュール８８２６で評価され、それにより受動ストリームのためのＳＤＢクラスター（受動クラスター）を定義することができる。
（ｃ）能動可聴ストリームにおける睡眠段階化のための睡眠覚醒補正マスクの計算
また、サブモジュール８８２２は、例えば能動知覚ストリーム中における検出されたＳＤＢクラスタの存在を特性化している生成されたクラスタフラグに基づいて、睡眠覚醒補正マスクを同じく生成することができる。このような手法は、以下の要因の対処を促進することができる。
・睡眠段階化（例えばソナー特徴のみに基づいて実施される場合）とＳＤＢ評価の間の無矛盾性を保証すること
・ＳＤＢスクリーニングのための能動知覚信号（例えばソナー）特徴の性能が受動可聴特徴のみよりも優れている
また、サブモジュール８８２２は、例えば能動知覚ストリーム中における検出されたＳＤＢクラスタの存在を特性化している生成されたクラスタフラグに基づいて、睡眠覚醒補正マスクを同じく生成することができる。このような手法は、以下の要因の対処を促進することができる。
・睡眠段階化（例えばソナー特徴のみに基づいて実施される場合）とＳＤＢ評価の間の無矛盾性を保証すること
・ＳＤＢスクリーニングのための能動知覚信号（例えばソナー）特徴の性能が受動可聴特徴のみよりも優れている
マスクは、検出されたＳＤＢクラスタが総記録セッション継続期間の所定の百分率（例えば２０％）を超えて構成している場合に起動される。
マスクは、強力なＳＤＢ変調の期間に印を付け、それによりその期間が睡眠の期間として印が付けられるべきであることを反映するために生成される。この出力補正マスクは睡眠段階化モジュール８８２４に入力され、そこでは、この出力補正マスクは、覚醒分類の事実（期間）を補正して、それが睡眠の事実／期間として印が付けられ、マスクにおけるＳＤＢ変調決定と無矛盾であるよう、サブモジュールの睡眠／覚醒分類の後に適用される。
８．３．４．１．２．２ ＳＤＢ摘要－サブモジュール８８２６
既に説明したように、評価モジュールは、入力信号（例えば能動および受動知覚信号からのＳＤＢ関連周波数としての変調強度）を評価することができ、それによりＳＤＢ分類フラグ、ＳＤＢリスクの確率および／またはＳＤＢ事象のスコアを決定することができる。また、このような決定は、例えばサブモジュール８８２４からの睡眠段階化情報に基づくことも同じく可能である。このような決定は、ＳＤＢ関連変調を含むセグメント（時間期間）を表すＳＤＢ関連クラスタの検出を最初に含むことができる。このような決定は、本明細書においてより詳細に説明されている。
既に説明したように、評価モジュールは、入力信号（例えば能動および受動知覚信号からのＳＤＢ関連周波数としての変調強度）を評価することができ、それによりＳＤＢ分類フラグ、ＳＤＢリスクの確率および／またはＳＤＢ事象のスコアを決定することができる。また、このような決定は、例えばサブモジュール８８２４からの睡眠段階化情報に基づくことも同じく可能である。このような決定は、ＳＤＢ関連変調を含むセグメント（時間期間）を表すＳＤＢ関連クラスタの検出を最初に含むことができる。このような決定は、本明細書においてより詳細に説明されている。
（Ａ）強力なＳＤＢ変調（クラスター）を有するセグメントの識別
強力なＳＤＢ変調のクラスタは、能動（例えばソナーおよび／またはレーダー）および受動可聴ストリームの各々に対する変調強度メトリックに基づいて識別される。プロセスは、以下の処理のうちの任意の処理を含むことができる。
・メトリックに対する最小閾値を評価することによって二進フラグ信号（時間シリーズ）が構築される。例えば閾値以上の強度信号の値に対してはフラグは真にセットされ、また、そうでない場合は偽にセットされる。この「強度」は、振幅／パワーの変調強度、および／または能動または受動知覚ストリームの周波数変調強度に関連している。
・任意選択で、例えば１０－タップ平均フィルタを強度信号に適用することによって強度信号をフィルタリングすることができる。
・クラスタフラグ信号は、フィルタリング後の追加強度信号を二次閾値を使用して追加評価することによって得ることができ、あるいは補正することができる。例えば第２の閾値以上のフィルタリング済み強度値に対してはフラグは真にセットされ、また、そうでない場合は偽にセットされる。
強力なＳＤＢ変調のクラスタは、能動（例えばソナーおよび／またはレーダー）および受動可聴ストリームの各々に対する変調強度メトリックに基づいて識別される。プロセスは、以下の処理のうちの任意の処理を含むことができる。
・メトリックに対する最小閾値を評価することによって二進フラグ信号（時間シリーズ）が構築される。例えば閾値以上の強度信号の値に対してはフラグは真にセットされ、また、そうでない場合は偽にセットされる。この「強度」は、振幅／パワーの変調強度、および／または能動または受動知覚ストリームの周波数変調強度に関連している。
・任意選択で、例えば１０－タップ平均フィルタを強度信号に適用することによって強度信号をフィルタリングすることができる。
・クラスタフラグ信号は、フィルタリング後の追加強度信号を二次閾値を使用して追加評価することによって得ることができ、あるいは補正することができる。例えば第２の閾値以上のフィルタリング済み強度値に対してはフラグは真にセットされ、また、そうでない場合は偽にセットされる。
このような閾値は、例えば実験的解析を使用して最適化することができ、それによりＰＳＧ注釈から誘導される実際のＳＤＢクラスタを検出する精度を最大化することができる。このような処理からのクラスタ信号は、図１１（能動知覚信号からのクラスタ）および図１３（受動知覚信号からのクラスター）の下側のグラフに図解されている。
（Ｂ）分類
既に言及したように、ＳＤＢ摘要サブモジュール８８２６は、何らかのＳＤＢリスク、ＳＤＢ識別および／または事象スコアリングを決定するための上で言及した処理からの入力を分類するための１つまたは複数の分類子を含むことができる。例えばこのようなモジュールは、能動知覚ストリーム（例えばＩチャネルおよびＱチャネルからの強度信号、クラスタ信号、呼吸速度信号、信号品質信号、睡眠段階、等々のうちの任意の信号からのスカラー値）、および受動知覚ストリーム（例えば強度信号、クラスタ信号、呼吸速度信号、信号品質信号、等々）からの記録セッション全体を特性化する１つまたは複数のスカラー値などのＳＤＢ関連の特徴を計算することができる。モジュールは、例えばロジスティックモデル分類子を適用して二進ＳＤＢ分類フラグおよび関連するＳＤＢリスク確率を生成し、および／または回帰モデル分類子を適用して、（ａ）ＡＨＩスコアの予測値または（ｂ）閾値（例えば睡眠障害を表す閾値）より大きい多数の無呼吸および／または減呼吸事象を含んだ睡眠セッションであるリスク確率値を生成することができる。また、モジュールは、ＳＤＢ確率の評価に基づいて睡眠スコア調整（例えばペナルティ化）係数を同じく生成することができる。これを適用して、睡眠段階化モジュール８８２４によって決定される、ＳＤＢ摘要モジュール８８２６への入力である睡眠関連スコアを補正することができる。
既に言及したように、ＳＤＢ摘要サブモジュール８８２６は、何らかのＳＤＢリスク、ＳＤＢ識別および／または事象スコアリングを決定するための上で言及した処理からの入力を分類するための１つまたは複数の分類子を含むことができる。例えばこのようなモジュールは、能動知覚ストリーム（例えばＩチャネルおよびＱチャネルからの強度信号、クラスタ信号、呼吸速度信号、信号品質信号、睡眠段階、等々のうちの任意の信号からのスカラー値）、および受動知覚ストリーム（例えば強度信号、クラスタ信号、呼吸速度信号、信号品質信号、等々）からの記録セッション全体を特性化する１つまたは複数のスカラー値などのＳＤＢ関連の特徴を計算することができる。モジュールは、例えばロジスティックモデル分類子を適用して二進ＳＤＢ分類フラグおよび関連するＳＤＢリスク確率を生成し、および／または回帰モデル分類子を適用して、（ａ）ＡＨＩスコアの予測値または（ｂ）閾値（例えば睡眠障害を表す閾値）より大きい多数の無呼吸および／または減呼吸事象を含んだ睡眠セッションであるリスク確率値を生成することができる。また、モジュールは、ＳＤＢ確率の評価に基づいて睡眠スコア調整（例えばペナルティ化）係数を同じく生成することができる。これを適用して、睡眠段階化モジュール８８２４によって決定される、ＳＤＢ摘要モジュール８８２６への入力である睡眠関連スコアを補正することができる。
処理デバイスによって決定することができる任意の分類プロセスのための例示的ＳＤＢ関連の特徴は、以下のうちの任意の１つまたは複数、あるいはすべてを含むことができる。
１．ｃｌｕｓｔｅｒ＿ｒａｔｉｏ＿ａｃｔｉｖｅ ｆｅａｔｕｒｅ：この特徴は、能動知覚ストリーム（例えばソナー知覚）から誘導されるＳＤＢクラスタからなる総睡眠時間の比率であってもよい。この特徴は、以下のようにプロセッサによって誘導することができる。
ａ．生成されたヒプノグラムデータを評価して、総睡眠時間および睡眠覚醒マスクが誘導される。睡眠段階化プロセスによって決定されるヒプノグラムは、記録セッションの進行全体にわたって睡眠（例えば深い、浅い、ＲＥＭ）または覚醒の異なる段階を識別する。睡眠覚醒補正マスクは、時間シリーズの特定の時間サブインターバルにおける睡眠または覚醒のいずれかを表す記録セッションのためのインジケータの時間シリーズである。したがってマスクの睡眠インジケータは、深い、浅いまたはＲＥＭ、等々のうちの任意の睡眠を睡眠インターバルとして要約する。
ｂ．次に、発生する、または睡眠（すなわちマスクの睡眠指示）と一致する特定のＳＤＢクラスタと関連する時間の識別を許容するために、ソナークラスター時間シリーズとの時間関係で睡眠覚醒マスクが評価される。
ｃ．特徴の比率は、ＳＤＢクラスタ関連時間を総睡眠時間で割ることによって計算することができる（例えばＳＤＢクラスタ時間／総睡眠時間）。
２．ｃｌｕｓｔｅｒ＿ｒａｔｉｏ＿ｐａｓｓｉｖｅ ｆｅａｔｕｒｅ：この特徴も、上で説明したＳＤＢクラスタからなる総睡眠時間の比率であるが、能動知覚ストリームではなく、受動可聴ストリームから決定されるＳＤＢクラスタ時間シリーズを使用してプロセッサによって誘導される。
３．ｆｐｅａｋ＿ｍｅｄｉａｎ ｆｅａｔｕｒｅ：この特徴は、能動知覚ストリームからのＳＤＢ変調周波数時間シリーズ（すなわち既に説明した強度信号）から決定することができるピーク強度またはピーク中央値強度である。任意選択でこの特徴は、上記の代わりに、あるいはさらなる追加特徴として、受動知覚ストリームに基づくことも可能である。特徴は、ソナーストリームまたは受動音声ストリームのいずれかからの変調周波数の時間シリーズ上に存在し得る。このような特徴は、以下のようにプロセッサによって決定／計算することができる。
・能動知覚ストリームから（例えばｆｐｅａｋ＿ｍｅｄｉａｎ＿ａｃｔｉｖｅ）
（ａ）空白の期間はスクリーンアウトすることができる
（ｂ）存在する場合、さらなる処理のために、例えばチャネルのうちの最小雑音チャネルを表し得る最小を取ることによってＩ＆Ｑチャネルを結合することができる。別法として、３点中央値フィルタを適用することによってＩ＆Ｑチャネルを円滑にすることも可能であり、また、最も高い変調強さを有するチャネルに対応する値を抽出することによってチャネルを結合することができ、また、ｉｂｍ（インバンドメトリック）を円滑にするために３点中央値フィルタが適用される。
（ｃ）次に、変調強度が閾値を超えている期間にわたって、信号または結合された最小信号の中央値を計算することによって特徴を計算することができる。任意選択で、隔離された一点ブロックを予測値から除外することができる。超過ブロックの累積継続期間が閾値より小さい場合、最小周波数を戻すことができる。能動クラスタ比率が大きい場合、周波数特徴は、能動クラスタ全体の平均として計算することができる。
・受動知覚ストリームから（例えばｆｐｅａｋ＿ｍｅｄｉａｎ ｐａｓｓｉｖｅ）
（ａ）円滑化のために３点中央値フィルタを変調周波数時間シリーズに適用することができる
（ｂ）受動クラスタ全体の中央値を特徴として取ることができる
・能動知覚ストリームから（例えばｆｐｅａｋ＿ｍｅｄｉａｎ＿ａｃｔｉｖｅ）
（ａ）空白の期間はスクリーンアウトすることができる
（ｂ）存在する場合、さらなる処理のために、例えばチャネルのうちの最小雑音チャネルを表し得る最小を取ることによってＩ＆Ｑチャネルを結合することができる。別法として、３点中央値フィルタを適用することによってＩ＆Ｑチャネルを円滑にすることも可能であり、また、最も高い変調強さを有するチャネルに対応する値を抽出することによってチャネルを結合することができ、また、ｉｂｍ（インバンドメトリック）を円滑にするために３点中央値フィルタが適用される。
（ｃ）次に、変調強度が閾値を超えている期間にわたって、信号または結合された最小信号の中央値を計算することによって特徴を計算することができる。任意選択で、隔離された一点ブロックを予測値から除外することができる。超過ブロックの累積継続期間が閾値より小さい場合、最小周波数を戻すことができる。能動クラスタ比率が大きい場合、周波数特徴は、能動クラスタ全体の平均として計算することができる。
・受動知覚ストリームから（例えばｆｐｅａｋ＿ｍｅｄｉａｎ ｐａｓｓｉｖｅ）
（ａ）円滑化のために３点中央値フィルタを変調周波数時間シリーズに適用することができる
（ｂ）受動クラスタ全体の中央値を特徴として取ることができる
分類子は、次に、これらの特徴のうちの任意の１つまたは複数、あるいはすべてを評価して、二進フラグ、リスク確率および／またはＳＤＢ関連事象の予測されたカウント（例えばＡＨＩ予測値）を生成することができる。
閾値（例えばＡＨＩ＞＝１５）より大きい無呼吸／減呼吸カウントの出力リスク確率、および出力フラグ（例えば正のＳＤＢフラグまたはＳＤＢ分類フラグ）出力は、デフォルトロジスティックモデルを分類特徴（例えばｃｌｕｓｔｅｒ＿ｒａｔｉｏ＿ａｃｔｉｖｅ、ｃｌｕｓｔｅｒ ＿ｒａｔｉｏ＿ｐａｓｓｉｖｅおよび／またはｆｐｅａｋ＿ｍｅｄｉａｎ（例えばｆｐｅａｋ ＿ｍｅｄｉａｎ＿ａｃｔｉｖｅおよび／またはｆｐｅａｋ＿ｍｅｄｉａｎ＿ｐａｓｓｉｖｅ））に対して適用することによって決定／計算される。
また、ＡＨＩスコアのための予測値（予測されたカウント）は、同じ特徴に対して線形回帰モデルを適用することによって同じく計算することができる。矛盾する出力の危険を回避するために、回帰モデルは、ロジスティックモデルに対して「スレーブ」にすることができる。したがって回帰モデルおよびロジスティックモデルの予測が折り合わない場合、確率出力に基づいてＡＨＩスコアを補正することができる。
システムは無効出力（ＮａＮ）を返すことができ、それにより、例えば総存在時間が閾値（例えば４時間）未満である場合；アーチファクト検出器速度が設定された閾値（例えば信号品質が貧弱であることの指示）を超えており、および／またはデフォルトモデルが正（例えば正のＳＤＢ指示）を返し、また、受動特徴に基づくモデルが負しか返さない（例えば異なる検出方法からの否定する結果が存在する）場合などの条件の下ではＳＤＢリスク決定を実施することができないことを識別することができる。
いくつかのバージョンでは、ＳＤＢ閾値は１５のＡＨＩに設定することができる。正の結果は、この場合、ＡＨＩ＞１５を示すことができる。このような結果に引き続いて、例えばディスプレイへの自動メッセージを介して、医療実践者によるフォローを受けることをユーザに推奨することができる。
既に言及したように、プロセッサは、ＳＤＢ事象が睡眠を中断させる場合、例えば睡眠スコアペナルティとして働き得る調整係数または睡眠スコア補正係数を同じく決定することができる。このような調整係数は、以下の関数に従ってプロセッサによって計算することができる。
Ｆａｃｔｏｒ＝ｍｉｎ［１，ｓｌｏｐｅ×ｒｉｓｋ＿ｐｒｏｂ＋ｉｎｔｅｒｃｅｐｔ）］
Ｆａｃｔｏｒ＝ｍｉｎ［１，ｓｌｏｐｅ×ｒｉｓｋ＿ｐｒｏｂ＋ｉｎｔｅｒｃｅｐｔ）］
ｓｌｏｐｅおよびｉｎｔｅｒｃｅｐｔは、予め決定することも、あるいは係数が以下の２つの基準を満足するように設定することも可能である。
（ａ）負として分類された対象に対しては係数は１に等しくなる（ペナルティなし）（例えばＳＤＢリスクの確率はゼロであるか、または閾値未満である）。
（ｂ）「ｒｉｓｋ＿ｐｒｏｂ」すなわちＳＤＢリスク確率（例えばカウント閾値（例えば１５）より大きいＡＨＩを有するユーザの確率）が１（例えば１００％または百分率閾値より大きい）場合、係数は最小値（例えば０．６）に等しくなる。
（ａ）負として分類された対象に対しては係数は１に等しくなる（ペナルティなし）（例えばＳＤＢリスクの確率はゼロであるか、または閾値未満である）。
（ｂ）「ｒｉｓｋ＿ｐｒｏｂ」すなわちＳＤＢリスク確率（例えばカウント閾値（例えば１５）より大きいＡＨＩを有するユーザの確率）が１（例えば１００％または百分率閾値より大きい）場合、係数は最小値（例えば０．６）に等しくなる。
したがって例では、係数は、ＳＤＢリスク確率の決定された値に対する関係で、１（ペナルティなし）と０．６（完全ペナルティ）の間で変化することになる。係数は、次に、例えば掛算によって、（１）総睡眠時間、（２）深い睡眠時間、（３）ＲＥＭ睡眠時間および（４）浅い睡眠時間のうちの任意の１つまたは複数、あるいはすべてに適用することができる。このような睡眠時間は、例えば国際公開第２０１５／００６３６４号に記載されているように、ソナーセンサーからであれ、あるいはＲＦセンサーからであれ、運動信号解析から決定することができる。例えばＳＤＢ確率リスクの存在における係数は、この場合、報告された睡眠スコア、身体リフレッシュスコアおよび／または精神リフレッシュスコアをペナルティ化するように働き得る。いくつかのこのようなバージョンでは、係数が調整された任意の睡眠時間を係数が調整されていない睡眠時間に対する関係で、例えばディスプレイ上に出力することができ、それによりユーザの睡眠または睡眠時間の性質に対するＳＤＢ条件の効果の視覚指示を提供することができる。例えば睡眠時間のバー（または任意の代替）グラフを特定の色を使用してディスプレイデバイス上に表示することができ、また、ペナルティに帰し得られるそのバーグラフの部分は、それに影を付けるか、あるいは異なる色で示すことができ、それにより全体の関係における低減を示すことができる。別法としては、１つはペナルティ係数があり、また、もう１つはペナルティ係数がない２つの隣接するバー（または他の形）を示すことも可能である。このような視覚指示は、例えば治療デバイス（例えばＲＰＴデバイス）の使用に対する関係におけるＳＤＢ条件に対して、ユーザによる治療の探究を動機付けるように、または承諾を向上させるように働くことができる。任意選択で、このようなペナルティ化され／短縮された睡眠時間を、ペナルティを指示するための何らかの境界を提供することなく、低減された全体として単純に示すことも可能である。
ＳＤＢに基づいて補正された睡眠関連スコア（例えば睡眠スコア、精神リチャージスコア、身体リチャージスコア）は、以下のように計算することができる。睡眠スコア補正係数は上記のように計算することができる。ｓｌｏｐｅおよびｉｎｔｅｒｃｅｃｔは、（ｉ）負として分類された対象に対しては係数が１に等しくなり、（ｉｉ）ＡＨＩ＞＝１５が１である確率に対しては係数が（例えば）０．６の最小値に等しくなるように計算することができる。
係数を適用して、例えば以下の成分のうちのいずれかまたはすべてを含む睡眠関連スコアの成分を小さくすることができる。
・総睡眠時間
・深い睡眠
・ＲＥＭ睡眠
・浅い睡眠
・総睡眠時間
・深い睡眠
・ＲＥＭ睡眠
・浅い睡眠
ペナルティ化は、それにより、これらの調整された成分から誘導される睡眠スコア、身体リチャージスコアおよび精神リチャージスコアをもたらす。このようなスコアは、２０１４年７月８日に出願されたＰＣＴ／ＵＳ２０１４／０４５８１４の開示に従って決定することができ、このＰＣＴ／ＵＳ２０１４／０４５８１４の開示全体は、参照により本明細書に組み込まれている。
８．３．４．１．２．３ 咳の評価
本技術のいくつかのバージョンにおいては、抽出信号による、および／または、その他の前記のセンサのための能動および／または受動感知信号のその他の処理によるなどして、咳の評価を具現してもよい。そのようなシステムは、図８Ａに図示するような咳評価モジュール８８４３を備えて具現してもよい。例えば咳事象に関する兆候信号を生成するための、そのような評価は、図８Ａに示すような前記の評価モジュール８８２０により、または評価モジュールとは別の独立モジュールにより、具現してもよい。（例えば、ベッド、ソファ、椅子などにおいて）睡眠中の人に対する咳／喘鳴／くしゃみの検出は、ＳＤＢ検出と並行して行うことができる。覚醒中の人のＳＤＢ検出は、必ず（またはほぼ必ず）入力を「覚醒中」として行う必要がある。睡眠スコアは、例えば睡眠中断指標または睡眠断片化指標の上昇が生じることにより、咳が悪化すると下げる（減点）ことができる。総合的なクオリティ・オブ・ライフのスコアは、昼間と夜間の両方の咳またはその他の呼吸事象にしたがって引き下げてもよい。
本技術のいくつかのバージョンにおいては、抽出信号による、および／または、その他の前記のセンサのための能動および／または受動感知信号のその他の処理によるなどして、咳の評価を具現してもよい。そのようなシステムは、図８Ａに図示するような咳評価モジュール８８４３を備えて具現してもよい。例えば咳事象に関する兆候信号を生成するための、そのような評価は、図８Ａに示すような前記の評価モジュール８８２０により、または評価モジュールとは別の独立モジュールにより、具現してもよい。（例えば、ベッド、ソファ、椅子などにおいて）睡眠中の人に対する咳／喘鳴／くしゃみの検出は、ＳＤＢ検出と並行して行うことができる。覚醒中の人のＳＤＢ検出は、必ず（またはほぼ必ず）入力を「覚醒中」として行う必要がある。睡眠スコアは、例えば睡眠中断指標または睡眠断片化指標の上昇が生じることにより、咳が悪化すると下げる（減点）ことができる。総合的なクオリティ・オブ・ライフのスコアは、昼間と夜間の両方の咳またはその他の呼吸事象にしたがって引き下げてもよい。
この点について、咳の評価は、様々な咳の種類の評価のために有用であり、そのうちのいくつかの咳の種類は、後述のとおり、多くの重症の呼吸症状の重症度および増悪の兆候の可能性があることに留意されたい。
喘息は、反復する息切れ、喘鳴、および咳の発作を特徴とする慢性的な炎症性肺疾患である（www.cdc.gov/asthma/interventions/background.htm）。
咳喘息は、主な症状が乾性咳嗽である特定種類の喘息であり、息切れまたは喘鳴など、他の一般的な喘息症状をともなわないこともあり得る。これは「慢性咳」と呼ばれ、６～８週間続くこともあり、睡眠中断をともなうこともある。
一般男性集団における慢性咳の疫学的負荷を推定したSong等（European Respiratory Journal, 2015）によるメタアナリシスでは、喘息または慢性閉塞性肺疾患に匹敵する、全世界における高い有病率（９．６％）を示している。慢性咳は、最も厳格な定義「咳 ３か月超」を適用した場合には、有病率７．９％である。
咳症状を有する人は、急性疾患（典型的にはウィルス性）の患者と慢性咳の患者に分けることができる。急性咳は、プライマリ・ケアにおける最大の単一の診療原因であり、一方、慢性咳は、呼吸器医療において最も一般的な症状の一つであり、医療システムにとって顕著な負荷であることが明らかである。
喘息、ＣＯＰＤ、気管支炎、結核（ＴＢ）、肺炎、肺癌等、咳の原因種別を分類可能とすることは有意義である。
特に、通常の風邪による職場、学校における休暇、欠席を考えると、咳による社会的財政的負担は大きい（世界的に１億に近い休暇・欠席－Altman & Irwin, Cough: An Interdisciplinary Problem, 2010における推定）。
咳治療の世界市場は、数十億ドルに相当し、例えば、全世界の風邪およびインフルエンザのための口腔シロップ市場は１１０億ドルであり、市販の咳、風邪、およびアレルギー薬の全世界市場は、２０１７～２０２２年の間、年成長率４．９％で成長し、評価額３７０億米ドルに達すると推定されている（Factmr, 2017）。
咳の特徴は、その力学に関係がある。人の脳の延髄の「咳中枢」が咳の準備をし、横隔膜の下方向活動を促して空気を胸郭に引き込み、そして声門が閉じ、その後、横隔膜と肋間筋が収縮して胸郭の圧力を高め、そして声門が開いて圧縮された空気が放出される（それとともに咳の原因である刺激性物質が排出される可能性がある）。吸息、強制呼息、および声門閉鎖は、ときに、咳の３相と呼ばれ、強制呼息は聞き取れる咳音の主原因である。
したがって、この吸息と空気放出は、胸壁の運動（胸郭内への空気の引き込み、圧力をかけて排出）、ならびに吸息、声門閉鎖、声門開放、および空気放出の音響の特徴（人が咳と関連づけることができる「音」）において特徴を有する。これは、例えば喘鳴、くしゃみ、水泡音、または笛様音とは異なる特徴を有する。
未治療のインフルエンザまたは通常の風邪（特に、それらに関連する喘鳴および咳をともなうもの）は、生死にかかわる肺炎にまで進行する可能性がある。人は、粘液の色と量の変化を経験することがある。喘息性の咳は、湿性（痰生成）または乾性（乾咳）があり、喘鳴（気道収縮の結果生じる高音の笛様音）をともなうこともあり、また、ともなわないこともある。喘鳴および水泡音は、例えば聴診法によって、医師が検査することができる。
咳発作のほとんどは、特異治療により、または、それなしに、呼吸器感染症から回復すると、自然に治癒し、消え去る。持続する咳は、注意を要する（例えば、肺癌の疑いなど）。咳の治療にあたって最も重要なことの一つは、急性の重症疾患が咳の原因であるか否かを判定することである。急性咳の原因の圧倒的多数は、通常の風邪など、良性の上気道感染症である（Chest Foundation, 2018）。
Chan et al. （Eur Respir J. 2010）は、（女性の有病率が高い）慢性咳は閉塞性睡眠時無呼吸の患者が示す唯一の症状である可能性があると述べている。さらに、「ＳＤＢ咳は、医師には認識されにくいので、咳の検査を専門とするクリニックに紹介された一部の患者が誤診される可能性がある。速報は、ＳＤＢ咳はＳＤＢの特異治療による効果が良好であることを示唆しているので、ＳＤＢを認識することは重要である」と述べている。
したがって、ここに述べたような、アプリケーションをベースにした咳検出システムは、人々のＳＤＢ認識を高めることなど、公衆に様々な利益を与え得る。
他に考えられる咳評価の方法手段は、バンド、ブレスレット、ネックレス、リング、パッチ、時計など、ハードウェア／デバイスを購入し、着用する必要がある、またはベッド周囲、寝室あるいは居間に設置する必要がある。
多くの既存システムも、高価な外部マイクロフォンを必要とし、それらは、身体近くに装着し（例えば、ラブ・オン・チップ・パッチの一部を、ラペルにクリップ留め、頸部に装着するなど）、非常に静かな環境で使用される必要があるかも知れない。さらに、それらは、大量データの記憶装置を必要とするかも知れない。会話も記録され得るので、プライバシーの懸念を生じる可能性がある。そのようなシステムは、人が手動で咳発作の可能性を検討することを含め、オフライン処理も行う。身体着用デバイスについては、最終的には、デバイスのバッテリー容量が、充電間隔期間に対して、音声のサンプリング速度／ビット深度を制限する可能性（すなわち、咳分類の品質および咳音と背景／偽似音の識別の潜在可能性の低下）もあり、かつ／または、長期間使用すると、密着により皮膚にかゆみを生じる可能性もあるが、逆に、無接触システムは、より大きな電力源を用いるか、または変圧器等を介して商用交流電源に差し込み接続することもあり得る。従来の技術にも、咳の検出、またはあらかじめ検出された咳の咳種別の分類を試みるものがあるが、それらは、頸部付近に装着する専門的／専用のマイクロフォンを用いるなど、専用ハードウェアを必要とし、上述の制約がある。そのようなシステムは、マイクロフォン／トランスデューサーの操作、水／汗の影響で、時の経過につれて損耗を生じる可能性があり、また化粧品が好ましくないこともあり得る。例えば、外観が好ましくない可能性もあり、装着している人が他の人から見て病気じみて見えるなどの問題もあり得る。そうすると、人前では装着できなかったり、身体を洗った後に交換することができないかも知れない。
一方、本明細書に記載した咳評価システムは、非接触（例えば、音響）咳感知に基づいており、ここに記載する既存の処理システム（例えば、前述の能動および／または受動の感知構成要素のいずれかへのアクセスを有するスマートフォンまたはその他のプロセッサ・ベースの装置）内に組み込まれる。したがって、夜間の周囲環境を含め、多様な環境において咳を認識することにおいて、未充足のニーズに応えることができる。
既述のとおり、このような非接触「音響」タイプの感知は、空気、固体等における物理的波に関係する－音声、超音波、インフラサウンド、および振動を含んでもよい。本明細書に記載する「受動」音響処理は、（システムが音響を「聴取」し、咳、喘鳴、咳き込み、いびき、あえぎなどがあるか否かを判定する）一つ以上のマイクロフォンからの電気信号に適用されるデジタル信号処理およびその他の技術であると解してよい。これは、他の音源からの反射およびエコーの処理を含んでもよい。ただし、「能動」処理として先に述べたものは、感知のための可聴音または非可聴音など、運動検出のためのシステムが発射することができる感知音にかかわるものである。約１８ｋＨｚ～２４ｋＨｚ未満の範囲の感知音については、４８ｋＨｚでサンプリングするスマートデバイス（スマートフォンタブレット、スマートスピーカー、スマートＴＶおよびラジオなど）の通常のスピーカーおよびマイクロフォンを用いて、上述のことを実現することができる。それより速いサンプリング速度については、スピーカーおよびマイクロフォンならびに筐体の機械的設計がその構成をサポートするものであれば、さらに高い周波数も利用可能である。（ほとんどの人にとって可聴閾値である）約１８ｋＨｚを超える感知周波数を用いる／生成する（主に空気中で動作する）そのような能動システムを記述するために、ソナー（ＳＯＮＡＲ）という用語が用いられる。超音波は、（可聴閾値を超える）約２０ｋＨｚ以上と解してよい。したがって、本システムは、低周波超音波を含むような感知音を生成することによって能動的に動作してもよい。
したがって、本技術の例示の処理デバイスまたはシステムは、人々が、日常、持ち運び、使用するデバイスなど、すでに利用可能なコンピュータおよび音響処理ハードウェアを提供してもよく、スマートフォンあるいはスマートスピーカー、スマートＴＶ、スマートウォッチ、バンド、ネックレス、またはパッチなど、夜間に傍らに置いてもよい。そのようなシステムの利点は、任意のスマートデバイス（例えば、スマートフォンまたはスマートスピーカー）上で任意のオペレーティングシステム（例えば、アンドロイドまたはアップル）で（ダウンロード可能なアプリケーション（アプリ）など）アプリケーションを実行することによって動作させることができることである。そしで、上述の非接触センサの補完として（底縁部に取り付けるマイクロフォンのような組み込み機器など）マイクロフォンを用いてもよい。ここに提案するシステムは、電話信号処理を最小限にする特別モードを実装して動作してもよい。例えば、マイクロフォンを用いてＣＯＤＥＣから取得した音声サンプルは、マルチコアＣＰＵを用いてフレーム単位で処理される。一般的には、ユーザ識別可能な音声データは電話機器のメモリに保存されない。
そのようなシステムの実施例は、咳発作を経時的に追跡し、各咳事象または一連の咳事象を（「リスクのある」咳などと）分類することができ、さらなる検査または診療予約をユーザに勧め、適時かつ徹底的な医療評価を促してもよい。そのようなデバイスは、ユーザのクオリティ・オブ・ライフの改善の助けになり得る。
処理デバイスは、プロセッサによって実行されるアプリケーションを用いて、マイクロフォンおよび／またはＣＯＤＥＣによって生成されるリアルタイム音声信号に対して、時間－周波数音声信号処理を行ってもよい。そのような信号は、（上述のソナー信号など）反射音響信号、ならびにモニター対象の人および背景環境からの音声から得られる情報を含んでもよい。
任意の選択肢として、（検出モジュールまたはサブモジュールなどによる）咳検出および（分類モジュールまたはサブモジュールなどによる）咳分類は、追加モジュールとして実装してもよく、能動感知関連システム／モジュール（例えば、スピーカーおよびマイクロフォンを用いて信号を生成するソナー、またはレーダーなど）からデータを受け取ってもよい。このように、咳検出および分類は、（ａ）人が感知領域内に存在するか否かに関するデータ（例えば、そのような情報は背景ノイズの除去のために用いてもよい）、（ｂ）睡眠状態に関するデータ（例えば、咳事象が直近の覚醒に関係するか否か）、および／または（ｃ）モニター対象の分離（例えば、検出された咳事象が、（追跡／モニターの対象ではない、ベッドを共にする人など）他の人のものではなく、モニター対象の人のものであることを正しく認識するために、追跡／モニターされている呼吸曲線を検討または比較することなどによる））と組み合わせてもよく、それらの影響を受ける、あるいはそれらに影響を与えてもよい。
したがって、本システムは、呼吸事象および関連事象に関する（咳の特徴など）特異な特徴を検出および／または分類してもよい。
咳分析の実施例は、（ａ）検出－（１）一事象（個別の咳）と（２）（咳き込み痙攣のような）連続する咳のいずれか、または両方、ならびに（ｂ）咳（事象または連続）の（湿性または乾性のような）種別に係るものとしてもよい。本システムは、原因を特徴づけるような関連出力を提供してもよい。例えば、本システムは、ＣＯＰＤ、喘息、胃食道逆流症（ＧＥＲＤ）、上気道咳症候群など、特定の疾患の一つ以上に関係する確率を決定してもよい。そのような推定は、スコア付き咳種別の分析を含む経験的データから導き出されるコンピュータモデルを用いるなどして生成してもよい。
本システムは、（スマートフォンなど）処理デバイス上で動作するアプリケーションを備えるなどして、睡眠段階期間と覚醒期間の両方の呼吸状態に関する生理信号を推定するために、いろいろなセンサにアクセスしてもよい。いくつかの実施例では、信号の追跡は、浅い睡眠、深い睡眠、およびレム（ＲＥＭ）睡眠のいずれか一つを含む、検出された睡眠段階期間に実施してもよい。したがって、（咳の種別および／または原因など）咳に関する情報の判定においては、睡眠段階が評価されてもよい。例えば、くしゃみは、レム睡眠時には、筋緊張抑制のゆえに、発生しないと予想される。したがって、レム睡眠期間においては、（くしゃみよりも）咳の発生の方が、より蓋然性の高い音響事象である。
さらに、本システムは、昼間または夜間に咳を検出するように構成してもよい。
例えば、咳を、（深夜などに）レム睡眠時に発生（開始）するものと特徴づけてもよい。したがって、睡眠構築に対する咳の影響を検出してもよい。例えば、咳を、検出された睡眠（睡眠段階の変化など）に対して及ぼす影響に従って特徴づけてもよい。いくつかのケースでは、特に呼気時に、特定の喘鳴パターンを検出してもよい。非レム睡眠期間には、基礎代謝量と換気ドライブが低下する。例えば、本システムは、睡眠の質および長さなどの因子に基づいて睡眠スコアを決定するよう構成してもよい。したがって、咳評価モジュールは、睡眠スコアに基づいてユーザの咳事象を評価してもよい。例えば、睡眠スコアは、（特に、頻繁に咳の発作がある場合）咳のために下げられる傾向があってもよい。
音響分析は、咳の頻度、重症度を推定し、咳を種別分類するためにも利用することができる。いくつかのケースでは、そのような分析は、特に検出された呼気に関連する場合、特定の喘鳴パターンを検出ために利用してもよい。
同様の判定は、夜間および昼間について行ってもよく、その期間、咳は、主観的および／または客観的尺度における疲労および倦怠を経験する結果に至る可能性がある。それらは、季節性の花粉症に（しばしば、複合して）関係している可能性もある。
（例えば、スマートフォンあるいはスマートスピーカー、スマートＴＶ、またはスマートウォッチに関連する）本システムのマイクロフォンは、さらに、慢性咳またはいびきに一致する音声パターンをモニター、分類し、それらのノイズを、冷房ファン、道路の騒音など他の背景ノイズから分離するために使用してもよい。いくつかのケースでは、任意の選択肢として、低周波超音波感知を、咳運動が原因であるかも知れない胸郭および身体の動きを検出するために利用してもよい。
そのような咳関連の特徴を検出、分類するために、処理デバイスによって、いくつかの方法を適用してもよい。
一実施例の方法では、標準時間、周波数、または時間／周波数の方法を用いて、自ら構成する特徴量を経験的に決定してもよい。そこで、分類システムは、教師あり学習を用いることにより、実施されてもよい。例えばＰＳＧ（睡眠ポリグラフ検査）睡眠研究および音響感知からの人がラベル付けした事象に基づいて、例えば、分類システムを導いてもよい。多くのＰＳＧは、すでに、受動的音響解析に適する（ときに映像記録と併せて）音声記録を含んでいる。ＰＳＧは、－ソナーなどを用いて－低周波超音波（例えば、約１８ｋＨｚ超）を発射し、記録する能動解析を含むものが理想である。
そのような分類システムは、線形判別分析あるいは二次判別分析、または複数の決定木を生成し、多数決投票を用いて初期決定木の性能を改善するランダムフォレスト分類モデル、または、一つ以上の隠れ層と出力層を有する単純なニューラルネットワークに基づくものとしてもよい。したがって、訓練された分類システムが、咳の検出および種別識別（等）、ならびに前述の関連出力のために実装されてもよい。また、浅い、または深い、ニューラルネットワークを分類のために使用してもよい。
音声認識のために音響特徴量が詳しく調査されており、スマートデバイスプロセッサはこのような（ＦＥＴの計算のような）処理のために最適化することができるので（スマートフォンは、電話からの承継に基づいて、音声処理のために最適化される）、このやり方にはいくつかの利点がある。
本システムは、図８Ｃに図示する処理実施例に従うなどして、いびき、鼻閉音、咳、または呼吸困難の特徴的パターンを検出するように構成してもよい。したがって、以下に挙げるような技術を用いて検出を実行してもよい。（ｉ）マイクロフォン信号のデジタル化。（ｉｉ）デジタルフィルターバンク（信号をサブバンドに分割するために使用される帯域通過フィルタの配列）。この後、信号は、（ｉｉｉ）エネルギーレベルおよび／またはエンベロープおよび／またはゼロおよび／または尖度（「バースト性」を識別するために特に有用）などの時間領域メトリックの一つ以上を用いて処理される。それらは、フィルターバンクからの各サブバンド、および全帯域幅信号成分に対して作用することができる。（ｉｖ）（ウェーブレット変換または短時間フーリエ変換（ＳＴＦＴ）の利用などによる）時間－周波数分解。バースト性ノイズ（例えば、スペクトル分析を用いる「咳の特徴」）の探索および／または形態学的探索（スペクトログラムに適用される形状処理など）である。これは、各サブバンドまたは全帯域信号に対して作用する。メル周波数ケプストラム係数（ＭＦＣＣ）が計算され、サブバンドは、低い周波数では狭い帯域が選択され、高い周波数では広い帯域が選択されてもよい。ソナーが同時に動作している場合には、ソナーの周波数帯域および関連のソナー高調波（例えば、毎秒１６掃引のＦＭＣＷ １８－２０ｋＨｚ三角掃引は、処理時に対応を要する約１２ｋＨｚの小アーチファクトを導入することがある）は、この咳処理から除外することができる。これらの咳事象候補（および連続性の咳もあり得る）は、任意の選択肢として、感知された動きおよび／または呼吸データにおいて識別されたパターンとの相互相関を見てもよい。そのような尺度による咳音の態様、ならびにソナーに由来する呼吸信号および動きの検出を利用することにより、本システムは、事象および連続性ならびに痙攣の検出を実現することができる。本システムは、上記のＳＤＢ処理により、連続性の咳を、ＳＤＢ、ＰＬＭ、ＲＬＳ、および強い拍子および／または反復を有する背景ノイズなどの他の調節音（可聴）事象から－または、実際、ソナーベースの動作および活動推定サブシステムによって検出されるその他の調節事象から－分離してもよい。
咳の音の分析と、関連する検出呼吸波形を組み合わせることの明らかな利点は、（ｉ）（音声帯域およびソナー推定の両方で咳を検査することにより、可聴事象の波形に見られる吸息と強制呼息の相関を評価／判定することによるなどして）咳が実際に存在することの信頼度が高まること、（ｉｉ）主なモニター対象の咳と、パートナーの咳を分離すること、（ｉｉｉ）、高齢の人がＴＶの音量を大きくしている場合などに、大きな背景音響を取り扱うこと、（ｉｖ）言語音声および笑声（咳検出における一般的な交絡効果）を棄却すること、（ｖ）（吸気性笛声、弛緩、湿性［例えば、一日テーブルスプーン約２杯分以上の喀痰］、乾性などの種類を含む）咳、喘鳴、笛様音、くしゃみなどの咳の区別を助ける、などを含むことができる。
咳の強度は、呼吸波形の変化および／または咳音声の強度レベルに基づいて推定することができる。音声の強度レベルを見ると、強度に関する補足的情報が、試験の再生シーケンスでスピーカー／マイクロフォンの感度を推定することにより、および／または、ソナーに基づいてマイクロフォンからのモニター対象の推定範囲（距離）を用いることにより、補足的に取得できる。簡単に言えば、本システムは、対象の人が感知デバイスに対して移動しても（あるいは、その逆でも）、第一の、およびそれに続く、咳がどの程度、大きい／強い／強度があるかを推定できる。
咳検出パラメータについては、そのような自ら構成する信号処理特徴量の例は、ピーク検出を用いる（高速フーリエ変換などによる）信号のスペクトル成分の計算（周波数領域）、または離散化ウェーブレット変換、適切な基底の選択、またはピーク検出を用いる処理に匹敵する、時間－周波数処理を用いても含んでもよい。また、このプロセスで識別される残留低周波数成分を、（例えば、別に）処理して、より長い期間の傾向を判定してもよい。特に、その後の分類のための特徴量を、そのような処理から導いてもよい。
呼吸数も、咳期間の間、相互の関係を理解するために、モニターすることができる。悪化する咳は、特に、当人の病気が増悪している場合（通常の風邪であれ、それ以外であれ、増悪）、非咳期間における個人ベースラインに対する呼吸数の増加を示す可能性がある。夜間の頻繁な咳は、睡眠の質にも影響するおそれがあり、そのような咳の存在により、睡眠スコア指標を引き下げ調整することができる。
咳の頻度および重症度／強度、ならびに呼吸数および身体の運動の理解は、（咳シーケンスの時間の長さの増加、呼吸数の増加、浅い呼吸とその間に散発する深い呼吸を検出することなどにより）喘息発作の早期予測に利用してもよい。
さらに背景として、咳は、声門の解放（爆発音）、それに続く呼気、それに続く声門閉鎖を含むものと理解することができる。咳は、単発事象（孤発の咳）または短い連続性（大きな咳と間を置かずにそれに続く咳－しばしば５～１０秒以上続く連続性）があり得る。連続性の咳のエンベロープ（または、実際、５分超（＞５分）続く痙攣として知られる非常に長い連続性）を計算することもできる。言い換えると、咳は、痙攣として起こるか否か（例えば、痙攣は、通常、約５分超続く連続的な咳とみなされる）によって分類することができる。さらに、咳は、その産生によって、すなわち、咳が乾性であるか湿性であるか（例えば、湿性咳を示す粘液の存在）によって分類することができる。（例えば、本システムでは、音声信号に基づいて測定され、、非接触呼吸信号に基づいて測定され、胸郭の動きに基づいて測定される一つ以上のパラメータに従って検出される）湿性咳の呼気時間は、一般的には、乾性咳の呼気時間よりも長い、ただし、母集団に広範な差異があり得ることには留意すべきである（例えば、ディープニューラルネットワークなどの機械学習法は、モニター対象に特有のいびきに、または、実に、乾性から湿性、またはその逆方向の経時変化としてに適応するという利点を有し得る）。
したがって、そのような咳に関する分類（例えば、（ａ）咳、（ｂ）連続する咳／痙攣、（ｃ）産生（乾性または湿性－例えば、粘液または喘鳴をともなうなど）は、分類を決定するセンサー（能動および／または受動）からの信号の分類によって導くことができ、分類のために信号から得る特徴量はセンサからの能動および／または受動ストリームから導き出される。
咳は、一般的に、約５～１０秒の連続性があり、２５０ミリ秒以上続く。乾性咳の吸気と強制呼気は、１６ｋＨｚ以下に強い成分（１８ｋＨｚ以上のソナーを棄却するために使用することができる低域通過フィルタの約３ｄＢ）を生じ、ほとんどのエネルギーは、例えば、３００ミリ秒続く０．１～４ｋＨｚ、それに続く、短い静音期間、それに続く声門閉鎖／さらに咳シーケンスの一部等から生じ、同時に、約１．５ｋＨｚの、より強度の低い成分がある（「コホ、（コホ）、（コホ）、（コホ）、 コホ」…など）。以上は、単なる例示であり、年齢および性別、ＢＭＩ等がそれらの値の範囲に影響を与える可能性があり、この点で、大きなラベル付き（教師あり）またはラベルなし（教師なし）の咳関連信号データへの機械学習の適用は重要である。任意の選択肢として、分類器は、年齢（例えば、子供と大人の咳は異なるパラメータとしてもよい）および性別などのパラメータを取り入れてもよい。
例えば、夜間、モニター対象が寝ようとしている時に咳が発生した場合、その咳は、（ａ）呼吸信号の擾乱（例えば、能動ソナーにおいて、呼吸信号にノッチが見られる、および／または、深い吸気と、それに続く急速な呼気、または受動呼吸分析において、スペクトログラムに明らかな干渉がある（特に、初期の「コホ」音））、（ｂ）心拍数の変化（一般的には、本システムによって、例えば、その前の１０分間におけるベースライン心拍数からの上昇として検出され、それは、咳の後、主として呼気の間、数分間持続する）、（ｃ）血圧の上昇、ならびに、（ｄ）（例えば、胸郭の物理的運動に起因する）（身体の）全体的運動事象のうちの一つ、またはそれらの組み合わせによって検出される。特に咳痙攣の発生の場合、翌日には、決定された睡眠スコアの因子に低下がみられるかも知れない。発生する咳の種別に応じて、大きな吸気と、それに続く大きな呼気と、それに続く大きな吸気のパターンが見られるかも知れない（例えば、直近の呼吸に対する５０％の増加）。逆に、別の種別の咳は、大きな爆発的な呼気と、それに続く吸気－大きな呼気の上昇時間、水平線、その後の回復呼吸（または、大きな呼気のみ）－が目立って見えるかも知れない。
呼吸波形に生起する「スパイク」は、推定呼吸数の上昇、または、いくつかのケースでは、短時間における呼吸数の低下を引き起こす可能性がある。それゆえ、呼吸数の推定に加えて、呼吸信号のエンベロープの推定により、呼吸振幅変化における局所変化を処理し、（特に、吸息と、声門閉鎖後の、強制呼息を識別する）吸気／呼気の波形形態の個々の部分を追跡することにより、波形を解析してもよい。
したがって、音声処理は、音声センサから取得したサンプリング音声波形に短時間フーリエ変換（ＳＴＦＴ）解析を適用し、その正規化されたサブバンドレベルを推定することを含んでもよい。いびきおよび／または咳を話し声と区別するためにメル周波数ケプストラム係数（ＭＦＣＣ）が評価される。いびきの開始を検出するために（パワースペクトル推定値の変化を分析することにより）スペクトル束が決定、評価されてもよい。咳に関係する音を背景ノイズと区別するために、ＲＭＳ（二乗平均平方根）が、ＳＴＦＴパワーレベルおよび移動メディアンフィルターなどとともに、決定、評価されてもよい。
ディープラーニングモデルには、スペクトログラムの使用が好ましく、シャローモデルには、ＭＦＣＣスペクトログラムが良いかも知れない。
（例えば、生成された音響信号の）信号の前処理は、１００Ｈｚ～４，０００Ｈｚ（またはそれ以上）の範囲の周波数成分を保持するデジタル帯域通過フィルタの適用を含むことができる。これは、カイザーウィンドウまたはその他の手段を用いる直接形ＦＩＲフィルタで実施することができる。信号は、記憶域スペースの限界が問題となる場合などは、８０００Ｈｚなどの望ましい周波数への再サンプリングを行ってもよい。任意の選択肢として、信号は、－例えば、μ則圧縮器あるいは類似の方式、またはコンパンダ－を適用することにより－圧縮・伸張してもよい。これは、他の信号処理手段によっても可能であり、また、圧縮・伸張は必ずしも必要ではない。
（前処理から出力された信号の変換の適用などにより）周波数領域では、分類のための特徴量は、：０．０１～５００、５００～１０００、１０００～１５００、１５００～２０００、２０００～２５００Ｈｚ、さらにそれ以上の周波数のサブバンド（Ｈｚ）におけるサブバンドパワーを含むことができる。さらに高いサンプリング率のため、より高い周波数帯域を考慮してもよい。周波数帯域は、より小さい、またはより大きい、セグメントに分割することができる。例えば、８００Ｈｚ未満の特定サブバンド－すなわち、０～８００Ｈｚ（移動ウィンドウにおける平均値の平均除去）－を考慮してもよい。特徴量を導くために決定され得る、その他のスペクトル尺度は、スペクトル中心、ならびに、「ピッチ」などの音声処理ステップ－高調波積スペクトル、スペクトル拡散、スペクトル自己相関係数、および／またはスペクトル尖度－などであってもよい。
時間領域では、（前処理からの出力から導いてもよい）特徴量は、ゼロ交差率、自己相関係数、移動振幅尺度を含むことができる。その他の方式は、短時間エネルギーおよび短時間ゼロ交差率の計算である。
要約すると、分類のための処理デバイスモジュールによって導き出してもよい特徴量の例は、以下を決定する音声サンプルの（非重複であってもよい）処理フレームを含むことができる。
・周波数
・時間－（強度の代用として用いてもよい）振幅を含む
・スペクトログラム
・ウェーブレット
・周波数
・時間－（強度の代用として用いてもよい）振幅を含む
・スペクトログラム
・ウェーブレット
分解能１６または３２ビットで音声サンプリング率４８ｋＨｚでは、例えば、フレームサイズ６４ｍｓは７５０個のサンプルに相当する。
そのような周波数（ＦＦＴ）、および／または、時間／周波数（ＳＴＦＴ、ウェーブレット、スペクトログラム）の特徴量は、以下のうちのいずれか一つ以上を含んでもよい。
・局所ピーク（ピーク検出）、および主ピーク対周辺ピークの面積比（例えば、ピーク周囲の面積の積分による）
・局所での最大値および全体での最大値および高調波
・低周波成分の積分（エネルギー推定値）、高周波成分の積分、および／または、低高比率など、低周波および高周波のエネルギー推定値の比率
・複数帯域への分割（例えば、フィルターバンクの使用による）、および、ここに記載したもの以外の特徴量を導き出すなどのために、各サブバンド内のデータの処理
・メル周波数ケプストラム係数（ＭＦＣＣ）－人間の可聴音に近似するための非線形間隔フィルターバンク
・スペクトル束
・スペクトル重心
・高調波積スペクトル
・スペクトル拡散
・スペクトル自己相関係数
・スペクトル尖度
・線形予測符号化（ＬＰＣ）
・局所ピーク（ピーク検出）、および主ピーク対周辺ピークの面積比（例えば、ピーク周囲の面積の積分による）
・局所での最大値および全体での最大値および高調波
・低周波成分の積分（エネルギー推定値）、高周波成分の積分、および／または、低高比率など、低周波および高周波のエネルギー推定値の比率
・複数帯域への分割（例えば、フィルターバンクの使用による）、および、ここに記載したもの以外の特徴量を導き出すなどのために、各サブバンド内のデータの処理
・メル周波数ケプストラム係数（ＭＦＣＣ）－人間の可聴音に近似するための非線形間隔フィルターバンク
・スペクトル束
・スペクトル重心
・高調波積スペクトル
・スペクトル拡散
・スペクトル自己相関係数
・スペクトル尖度
・線形予測符号化（ＬＰＣ）
時間の特徴量の例は、以下のうちのいずれか一つ以上を含んでもよい。
・ＲＭＳ（各フレームの音量（ｄＢ尺度などによる大きさ）の推定を与えるためなど）
・ゼロ交差率
・エンベロープ（例えば、フィルタを通したヒルベルト変換の絶対値）
・短時間音声自己相関関数に基づくピッチ
・ＲＭＳ（各フレームの音量（ｄＢ尺度などによる大きさ）の推定を与えるためなど）
・ゼロ交差率
・エンベロープ（例えば、フィルタを通したヒルベルト変換の絶対値）
・短時間音声自己相関関数に基づくピッチ
処理デバイスのその他の手法は、修正音声区間検出（ＶＡＤ）プロセスを適用して、話声を棄却し、呼吸事象を保持することを含んでもよい。いくつかのバージョンでは、処理デバイスは、一般的ＶＡＤを利用して、単に低背景ノイズを棄却し、話声と呼吸関連音声を両方とも保持してもよい。音声認識は、急速に進歩しつつある分野であり、商用クラウド接続サービスが、改良ＳＤＢおよび咳検出を可能にするように、声／話声／音楽を消去するために利用可能である。
咳の数（例えば、分または時間などの、時間当たり咳数）の分散の推定、または、（例えば、発作性咳が頻繁かつ激しい／強い咳が呼吸困難をもたらす可能性がある、等）咳発作の形状を推定するなどのために、咳の群に対する咳の数の調整（例えば、単位化されたシーケンスまたは発作当たりの咳の数）の推定を行うために、いっそう長い咳の列が処理されてもよい。
呼吸波形が推定され、処理デバイスによる利用が可能な場合には、デバイスは、分類のためにその波形から一つ以上のいずれの特徴量も決定することができる。そのような波形および／または特徴量は、ＰＣＴ／ＥＰ２０１７／０７３６１３、ＰＣＴ／ＵＳ２０１４／０４５８１４、米国特許出願公開第２０１８／２５６０６９、および米国特許出願公開第２０１４／１６３３４３など、上記の参照文献にいずれかに記載されたように、導き出してもよい。例えば、以下の特徴量のいずれか一つ以上を決定、評価してもよい。
・吸気の時間および深度
・呼気の時間および深度
・吸気対呼気の比率
・（例えば）咳による呼吸信号のノッチ／へこみ
・長期間の呼吸数（ピーク－ピーク、トラフ－トラフ、あるいはゼロ交差から推定－または、スペクトル推定から導く）
・吸気の時間および深度
・呼気の時間および深度
・吸気対呼気の比率
・（例えば）咳による呼吸信号のノッチ／へこみ
・長期間の呼吸数（ピーク－ピーク、トラフ－トラフ、あるいはゼロ交差から推定－または、スペクトル推定から導く）
本システムは、咳き込み痙攣に関係する、完全な持続的覚醒に進行するか否か（分類のための特徴量など）を検査するように構成することができる。このパターンは、無接触感知信号（ＲＦ、ソナー、光学など）、音声での咳の特徴、および咳反復数のいずれか一つ、または組み合わせからわかるであろう。レム睡眠／深い睡眠時の咳はまれであり（レム時には深い睡眠と比べても、いっそう蓋然性が低い）、大多数の咳は覚醒時に発生する。本システムが音声処理側において咳の特徴の可能性を検出したとき、モニター対象が深い睡眠またはレム睡眠状態にあると判定された場合には、その咳の特徴には、実際に咳が存在する確率よりも低い確率が付与されてもよい。
もちろん、呼吸に基づくレム睡眠の検出は、長い咳のシーケンス／咳き込み痙攣によって影響を受ける可能性がある。背景として、本システムにおいて使用される、呼吸および動きに基づく睡眠段階化システムは、個別の動き事象の大きさと時間の長さ、および、各呼吸動作の振幅と時間の長さを推定する能力を有する。アルゴリズムは、それらのパラメータの高分解能推定を組み合わせて、３０秒エポックの特徴量とし、それらを評価して、生体運動信号を異なる睡眠段階にマップする。ベッドにいることは、受信信号電力の増加によって検出される。ユーザの覚醒（Ｗ）は、検出される動きのレベルが高いこと、期間が長いこと、呼吸数のかわりやすいことに結び付けられる。吸息眼球運動睡眠（ＲＥＭ）は、検出される呼吸パラメータがもっとも変動しやすいことに結び付けられ、一方、浅い睡眠（Ｎ１およｂＮ２に対応するものとする）および深い睡眠（Ｎ３に対応する）は検出されるメトリックの安定性が増加する傾向がある。
そのような睡眠にかかわる因子は、対象者以外の人の咳の検出を増強するように実装することができる。例えば、モニター対象者が、非接触センサに基づく睡眠段階化モジュールなどからの睡眠段階判定に基づいて深い睡眠またはレム睡眠状態にあると判定された場合、マイクロフォンまたはその他の音響センサによって検出される音は、ベッドを共にする人から来たものと判定してもよい。しかし、非モニター対象の、ベッドを共にする人に、咳き込み痙攣が生じた場合は、モニター対象者の覚醒につながる可能性がある。そのようなケースでは、非接触センサを介して検出される呼吸波形を評価して、覚醒とその後の咳が、睡眠時の咳とその後の覚醒よりも有意に頻繁であるとの、例えば検出による、処理論理を用いて、咳の発生源（例えば、モニター対象の人、ベッドを共にする人）を確認してもよい。本システムは、前者の場合は、咳はモニター対象の人に発生したものと判定し、後者の場合は、それ以外の発生であると判定してもよい。
咳の発生は夜間に増加するので、モニター対象の人の睡眠スコアは低下することがある。夜間は、直近の活動レベルならびに当日の昼間および前夜の咳スコアを運動誘発事象（例えば、喘息発作またはＣＯＰＤ増悪）のリスクカテゴリー化への入力として用いることができ、リスクはそのような入力によって高まる可能性もある。安静時呼吸数の増加および／または吸気／呼気比率の変化とともに、咳（および覚醒）またはいびきによる睡眠スコアの低下の分析は、呼吸器感染症の増悪を示し、それによる、例えば、運動誘発事象などによる、対象者の症状悪化のリスク増加を示すことができる。言い換えると、ユーザが、夜間および昼間に、いっそう息切れするようになると、それは、両方において、（咳を含む）呼吸パラメータの変化に見られ、対象の人は不快が増して、活動／運動性が低下する。
夜間の咳の長さと重症度のモニターは、提案する治療の良い効果（または良くない効果）の定量化を可能にするフィードバックを与える。患者に、各種の運動管理、治療、または変更の提案（薬剤（投薬の量の調整）、行動（深呼吸、冷気を避ける、等）、またはその他）を提示してもよい。夜間または中間の患者の咳の悪化は、治療提案を調整または取りやめなければならないことを示すかも知れない。各種のパラメータは、夜間の咳の時間総計、咳き込み発作の数、各咳込み発作の重症度など、患者の咳の増悪を推定するために用いることができる。「増悪」の定量的基準は、「改善」の基準よりも厳格であってもよい。また、「増悪」の定量的基準は、患者の健康または咳の状態が悪ければ悪いほど厳格になるように調整可能としてもよい。
ベッド環境において、処理デバイスは、－睡眠の質の最適化と、咳および最終的には増悪のリスクの低下の両方を考慮するなどして－適切な睡眠状態に関する勧告を生成してもよい。これは、気温、湿度、および空気の質のいずれか一つ以上をモニターおよび／または制御することによって行ってもよい。利用可能なパラメータは、建物、エアハンドリングあるいは局所加湿器、および／または、処理デバイスなどとともに、適切な制御器あるいは制御装置を備えた空調／暖房機器によって、自動制御してもよい。寝室が無人である日は、それらのシステムは、湿度を下げ、室内空気を新鮮にするために、空気流を増加し、自動的に通風孔／ブラインドを開けるように、制御機器を設定してもよい。そのような環境および／または制御は、本明細書に記載する咳事象および／または咳種別を検出する処理デバイスに基づくものとしてもよい。
本システムは、ベッド寝具（シーツ、毛布など）がベッドにある時間の長さを管理し（例えば、毎週、ユーザにベッド寝具の洗濯を警告する、または看護または介護スタッフに自動的に警報を送る）、また、（例えば、イエダニ、雑菌等を減少させるために）ベッド寝具を洗う温度についての勧告または（低温で洗濯洗剤を増量する、または、ベッド寝具が耐えられる場合には６０°Ｃで洗うなど）その他の勧告を与えることもできる。就寝時間近くなると、自動的に寝室の温度を適切な睡眠温度まで上げることもできる。本システムは、湿度測定値および地域的気象パターン分析に基づいて、寝室の湿度を調整するなど、ユーザに具体的なフィードバック助言を与えてもよい。そのような調整制御は、本明細書に記載する咳事象および／または咳種別を検出する処理デバイスに基づいてもよい。
自ら構成する特徴量を含む記述的および予測的な教師あり機械学習の代替として、ディープラーニングとして知られる別の形式の機械学習を行うことが可能である。これは、一般的には、（数百日の夜間のスコア付き睡眠データおよび／または咳の昼間データなど）大量のスコア（ラベル）付きデータに依存する。この方式は、いっそう複雑な特徴量が各層によって「学習」されるような、（単純なニューラルネットワークより「深い」）ニューラルネットワークを形成する多数の相互接続されたニューロン層を実装するものとしてもよい。機械学習は、人間が構成する特徴量よりも多くの変数を使用することができる。
畳み込みニューラルネットワーク（ＣＮＮ）は、顔認識などの－情報推論のため画像処理において広く用いられており、この関連で非常に優れた働きをすることができる（すべての入力が相互に独立であると仮定してもよい－ある物体からの画素など）。それらは、スペクトログラムにも適用できるが、スペクトログラムにおける観測周波数は多くの蓄積された音に属するかも知れないということ－実際、複雑な構築であり、破壊的な干渉（例えば、位相の打ち消し合い）がある－から脆弱性を生じる。本システムは、可能であれば、音声の周期性を評価してもよい。実際、本システムは、記録装置からのデジタル化音声の強度、スペクトル、および統計的推定から時間的特性を認知「学習」する。その代表は、話声ではない－異なる呼吸の流出である（しかし、最新のスマートデバイスに見られる音声および音響処理が有用であり得る）。
ＣＮＮとは対照的に、すべての問題が、固定長の入力および出力を有するものとして表現可能ではない。例えば、呼吸音の処理は、音声認識および時系列予測と類似性を有し、したがって、以前の出力や隠れた状態を入力として受け取ることができる反復ニューラルネットワークのような、コンテキスト情報を蓄積し、利用するシステムが有用であり得る。言い換えると、コンテキストノードに情報を蓄積することができる多層ニューラルネットワークであってもよい。ＲＮＮは、時間ステップにわたって状態情報を維持することによって、可変長の入力および出力の処理を可能にし、勾配消失問題の取り扱いのため、および／または勾配クリッピングの使用により、ＬＳＴＭ（長短期記憶－ＲＮＮ制御の増加を可能にする「ニューロン」のタイプ）を含むものとしてもよい。
要約すると、処理デバイスの一つ以上のモジュールなどにおける（または、処理デバイスと通信する一つ以上のプロセッサを用いる）中核的処理は、以下のうちの任意の一つ以上を含むことができる。
・呼吸および動きの超音波検出。これは、約１５～２０ｋＨｚ以上の周波数を使用することができる。
・１００Ｈｚ～５ｋＨｚ以上の標準可聴周波数を検出するマイクロフォンを使用する、呼吸事象の音声検出および分類。この音声処理は、超音波検出から導き出される呼吸パターンおよび動きと融合させることができる。
・任意の選択肢として、スマートフォンの加速度計および／またはジャイロスコープ、またはその他の運動センサあるいはその他のセンサ（ＰＰＧ）あるいはサービスを使用して昼間の活動および歩行を追跡し、任意の選択肢として、活動あるいは歩数、または活動あるいは歩数の変化を咳事象／種別に関連づける。
・機械学習された特徴量を使用する個人化ＡＩの洞察、および大きな現場データセットへのディープラーニングの適用
・呼吸および動きの超音波検出。これは、約１５～２０ｋＨｚ以上の周波数を使用することができる。
・１００Ｈｚ～５ｋＨｚ以上の標準可聴周波数を検出するマイクロフォンを使用する、呼吸事象の音声検出および分類。この音声処理は、超音波検出から導き出される呼吸パターンおよび動きと融合させることができる。
・任意の選択肢として、スマートフォンの加速度計および／またはジャイロスコープ、またはその他の運動センサあるいはその他のセンサ（ＰＰＧ）あるいはサービスを使用して昼間の活動および歩行を追跡し、任意の選択肢として、活動あるいは歩数、または活動あるいは歩数の変化を咳事象／種別に関連づける。
・機械学習された特徴量を使用する個人化ＡＩの洞察、および大きな現場データセットへのディープラーニングの適用
したがって、そのような処理は、ソナーおよび／またはレーダー感知から取得した音響／音声の処理および／または運動の処理に基づいて、覚醒時（特に、体位の変化が咳を悪化させる可能性があるのでベッドに入った後、および、朝の覚醒後）のベッドにおける異なるタイプの咳、あえぎ、および喘鳴の検出のために実行してもよい。したがって、咳は、体位の変化など－例えば、腹臥位に対する仰臥位（またはその逆）の場合の咳の治まり具合を調べるために－、検出された体位に関して分類してもよい。
この検出は、対象の人が睡眠状態にあることを判定／示す睡眠段階化システムに関連させて実行されてもよい。したがって、本システムは、咳の検出のために、前述のものなど、そのような睡眠にかかわる情報を評価してもよい。
さらに、そのようなシステムは、咳検出のため、対象の人が動いている時の咳検出などには、能動ソナーおよびそのスピーカーを使用せずに、移動性がより高い、より受動的な構成で実施し、移動処理デバイスが動いている間（すなわち、ベッドわきのテーブル上のような静止位置にない）、マイクロフォンのみを（例えば、ユーザの操作によるなどして、処理デバイスが、マイクロフォンにかかわる音声感知を起動した場合）使用してもよい。
能動検出（例えば、超音波）および受動検出が利用可能な場合（寝室または車中など）には、処理デバイスは、特定ユーザー（モニター対象の人）のバイオメトリクスを測定／検出してもよい。例えば、そのようなバイオメトリクスは、参照によりその全開示を本出願に援用するＰＣＴ／ＥＰ２０１６／５８７８９に記載された感知運動信号から決定してもよい。そのような決定されたバイオメトリクスによって、検出された咳を、モニター対象の人に結び付けてもよい。例えば、ベッドを共にする人が咳をした場合、その音響事象が、処理デバイスによって決定されたモニター対象の人の咳メトリクスに影響することを排除することが可能である。
加速計（および／またはジャイロスコープ）および受動検出が実施可能であり、利用可能である場合（ポケットに携帯電話を持っている昼間の活動時など）、処理デバイスは、音（咳音）と、当然それに関連する運動（咳にかかわる胸郭／身体の動き）の時間的相関を評価するなど、咳に結び付けられる胸郭運動を検出するポケットの中の携帯電話の加速度計からの運動信号を評価することによって、咳（検出された音響咳事象／種別）を（他の人または背景ノイズではなく）モニター対象の人に結び付けてもよい。
一つの有用な特徴量は、（距離メトリクスがソナーから入手可能な場合）距離について（例えば、調整または正規化など）補正してもよい、咳の強度および時間的長さに基づくパラメータとしてもよい）咳強度、ならびに、頻度（または、連続性、列、咳き込み発作）を、長時間にわたる呼吸数の変化に関連させ、それにより、個人化された推定いびきメトリクスに基づく喘息またはＣＯＰＤ増悪のリスクを推定するものである。
他の態様は、喘鳴、乾性の「空咳」の特徴等の検出である。例えば、スペクトログラムにおける０．１～１５の範囲の余分な「トーン」）を含むが、喘鳴発作を含まない、無呼吸を検出することも可能である。
睡眠段階、いびき、および咳を検出することにより、処理デバイスは、そのような事象を、睡眠困難、すなわち、咳あるいはその他の不安、またはいびきに関連づけることができると理解される。
多数の昼間および夜間にわたる咳パラメータの分析は、喘息による咳は夜間に悪化する可能性もあるので、潜在的な喘息への洞察を与えることもできる。例えば、湿性咳の存在は、ＣＯＰＤの増悪のリスクを大きくするかも知れない。
ＣＯＰＤ症状の管理および／評価のために、処理デバイスは、吸気／呼気比率における変化、および呼吸数の増加、および長い期間にわたる調節を通じて評価される、長い時間の呼吸数の変動性（例えば、夜間変動または複数夜間にわたる変動）を評価するなどにより、息切れ（浅い呼吸）（気道閉塞疾患において長引く呼気を引き起こす、呼気フェーズにおける空気流の制限－ＣＯＰＤの兆候の一つ）を検出することができる。
２つの処理デバイス（例えば、室内に２台のスマートフォン、スマートフォンとスマートスピーキング）を有するシステムは、近いユーザと遠いユーザとの咳の分離を実施することができる。それらのデバイスは、咳事象をモニター対象の特定人に帰することを支援するなどのために、ネットワーク－インターネット（ｉｎｔｅｒｎｅｔまたはＩｎｔｅｒｎｅｔ）またはＢｌｕｅｔｏｏｔｈ、Ｗｉ－Ｆｉ等の近距離無線など－を介して、パラメータ（例えば、咳関連パラメータ）を送信してもよい。
前述のように、処理デバイスは、能動および／または受動音響処理を用いて吸気および呼気の波形を追跡してもよい。
音響処理は、ＴＶ、タブレット、またはその他のスマートフォン音声の使用中（電話通話／ビデオ通話）などに、話声、道路ノイズなど、ノイズの多い環境を処理することができるように設計されている。例えば、処理デバイスは、音響信号をフィルタにかけて、そのような音に関連する周波数を除去してもよい。
使用されるニューラルネットワークのタイプによっては、電力消費量を低減するために、ローカル電話人工知能（ＡＩ）アクセラレーションが利用可能かも知れない（また、それは、一般的には画像処理のために利用されたりするＣＮＮタイプの方式、または音声処理にためには、より一般的に利用されるＲＮＮにとって有用かも知れない）。
いくつかのケースでは、処理デバイスは、薬剤使用に関する出力を制御または提供してもよい。例えば、咳抑制剤、抗生剤の使用前の咳関連データを、それらの薬剤の使用後／使用中の期間の類似データと比較するなどにより、ユーザにとってそれの薬剤が助けになっているか否かについて指示を与えてもよい。そのような薬剤使用の情報／データは、処理デバイスに入力して、使用時間、薬剤量、薬剤ブランド名等の相関を提供するようにしてもよい。さらに、処理デバイスは、咳の性質の変化および薬剤によって咳が緩和されるか否かを、特徴づける、または、指示を提供してもよい。さらに、咳事象は、喘息薬剤などその他の非咳用薬剤の使用について、咳がそれらに反応（変化）するか否かを判定するために利用されてもよい。その場合、咳が喘息に関連するものあるか否かが判定されてもよい。同様に、検出された咳事象が、ユーザが薬剤使用を止めた後も続く場合（喘息薬剤および／または咳抑制剤、または抗生剤など）は、そのような持続的な咳の場合、本システムの判定により、－肺癌関連の咳など－その他の薬剤の投与に関する検討など、さらなる考察を促す警告が出されてもよい。
本技術は、消費者／患者のスマートフォンまたはスマートスピーカー上で－他のハードウェアの購入を考える必要もない－豊富かつ詳細な慢性疾患スクリーニング、分析、および管理を可能にする。患者は、単にダウンロードしたアプリケーションによるなどして、自分のスマートデバイスで、健康データの洞察を取得する新たな感知機能を可能にするスマートアプリを使用して、また、任意の選択肢として、クラウドソフトウェアサービスを介する接続（処理支援）により、自分の健康を理解し、ある程度管理する力を与えられ得る。
そのようなシステムの実施例は、図８Ａの咳評価モジュール８８３３に関連して、さらに、図８Ｂの処理モジュールに関連して、検討し得る。前記のモジュールは、図８Ａまたは図８Ｂのように本システムに含まれてもよく、別に実施してもよい。本システムは、能動感知モジュール８９０２および受動感知モジュール８９０４を含んでもよい。能動感知モジュールは、スピーカーを介してソナーベースの感知信号を生成し、マイクロフォンを介して信号の反射バージョンを受け取り、生の運動信号を生成するために復調（例えば、ミキシング）を行ってもよい。受動分析は、フィルタリング、および／または、その他の信号条件付け（例えば、前処理）を行ってもよい。本システムは、信号抽出および特徴抽出のなどのための睡眠段階化処理モジュール８９０６を含んでもよい。評価モジュール８９０８では、能動信号ストリームから、生の運動信号を用いて、エポックごとにの呼吸数、信号品質、および動き／活動カウントが判定されてもよい。そのような信号／パラメータの同様の生成は、プロセス／モジュール８９１２において、受動ストリームから導き出される。一方または他方の処理ストリームがノイズ／干渉／外部の動きなどにより、異なる影響を受けている可能性があるので、両方の信号品質プロセスが、特徴量の重みづけのために実施されてもよい。いびき分類および／または指紋（例えば、咳の特徴）などのための特徴量は、受動信号ストリームから、特徴抽出プロセス／モジュール８９１４において導き出されてもよい。モジュール８９１６において、そのような分類のために、機械学習された特徴量が抽出されてもよい。したがって、そのような特徴量を用いて、いびき分類プロセス／モジュール８９２０および咳関連指紋プロセス／モジュール８９１８が、各々、受動ストリームを分類して、咳事象、いびき、喘鳴、あえぎなどを生成してもよい。モジュール８９１０は、モジュール８９０８から得るパラメータ、および８９０２における能動ストリーム処理から得る生の運動信号を処理して、呼吸努力信号など、呼吸努力を判定してもよい。睡眠段階化プロセス／モジュール８９０６から得る、そのような信号および睡眠段階化情報を用いて、ＳＤＢ評価プロセス／モジュール８９２２は、前述のようにして、分類別などにより、ＳＤＢ関連出力を決定してもよい。睡眠段階化情報を含む、そのような評価を用いて、睡眠段階がプロセス／モジュール８９２４から出力されてもよく、睡眠スコアがプロセス／モジュール８９２から出力されてもよい。８９２８におけるさらなる出力特徴量が、ＡＨＩ、ＳＤＢ事象、信号品質など、ＳＤＢ評価に基づいて、出力されてもよい。
いびき検出の実施例
いびき検出器を実施する一つのやり方は、リアルタイムまたは（毎秒２回の特徴量更新など）ほぼリアルタイムの処理、および／または、オフライン動作で夜間終期／セッション終期における、いびき分類プロセスを含んでもよい、後処理などを検討することである。この場合、「オフライン」は、データが、遅れて、ある時点（例えば、睡眠セッション後）に処理されることを指すものと解することができる。一方、「オンライン」は、リアルタイムまたはほぼリアルタイムの処理にかかわる。データをリアルタイムまたはほぼリアルタイムで処理する必要がないということは、いっそう大きな処理能力の利用を実施するために、データをリモートサーバー（または、他のクラウドコンピューティング装置）へ送信することを可能にする。これは、より長い期間にわたる、より多いデータの処理を容易にし、そのデータにおける長期的傾向の認識を可能にする。本技術の実施例は、ローカルおよび／またはリモート処理を利用する、そのようなオンラインおよびオフラインの処理方法のいずれか、または両方を実施してもよい。
いびき検出器を実施する一つのやり方は、リアルタイムまたは（毎秒２回の特徴量更新など）ほぼリアルタイムの処理、および／または、オフライン動作で夜間終期／セッション終期における、いびき分類プロセスを含んでもよい、後処理などを検討することである。この場合、「オフライン」は、データが、遅れて、ある時点（例えば、睡眠セッション後）に処理されることを指すものと解することができる。一方、「オンライン」は、リアルタイムまたはほぼリアルタイムの処理にかかわる。データをリアルタイムまたはほぼリアルタイムで処理する必要がないということは、いっそう大きな処理能力の利用を実施するために、データをリモートサーバー（または、他のクラウドコンピューティング装置）へ送信することを可能にする。これは、より長い期間にわたる、より多いデータの処理を容易にし、そのデータにおける長期的傾向の認識を可能にする。本技術の実施例は、ローカルおよび／またはリモート処理を利用する、そのようなオンラインおよびオフラインの処理方法のいずれか、または両方を実施してもよい。
例えば、ほぼリアルタイムのいびき処理は、フィルタリング（能動ソナー波形のノイズ低減または除去など、－例えば、ＦＩＲアンチエイリアスフィルターのような－例えば１７ｋＨｚ超の成分を除去する低域通過フィルタ、および／または、（現地の地域電力の周波数に応じて、）５０Ｈｚ～６０Ｈｚの商用電力ハムを除去するノッチフィルターをかけるなど）、ならびにダウンサンプリング（データレートおよび処理要求を低減するため－例えば、４８ｋＨｚ音声を１６ｋＨｚ音声に再サンプリングする）を含んでもよい。（ＩＩＲなどの）ノッチまたはその他の適応型フィルタリングは、携帯電話などのスマートデバイスが、録音中に充電する場合、充電サイクルは音声アーチファクトを導入する可能性があるので、そのとき入り込む可能性があるアーチファクトを抑制するために有用である。
例えば、いびきのための音声分類モジュールは、以下の３つの出力（例えば、メトリクス）のうちの任意の一つ以上を計算してもよい。
・所与の秒間におけるいびきの確率［ｐＳｎｏｒｅ］。前記の確率は、本明細書にいっそう詳細に記載するように、計算してもよい。これは、（ディープニューラルネットワーク（ＤＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、反復ニューラルネットワーク（ＲＮＮ）等の）ニューラルネットワークによって計算することができる。この値は、処理のために使用してもよく、いびきインジケータとして表示してもよい。
・所与の秒間の音声信号の二乗平均平方根（ＲＭＳ）［ａｕｄｉｏＲｍｓ］ （例えば、入力音声は、現在秒のＲＭＳによって正規化することができる）。これは、信号強度の推定値を表すものとしてもよい。
・所与の秒間におけるいびきの確率［ｐＳｎｏｒｅ］。前記の確率は、本明細書にいっそう詳細に記載するように、計算してもよい。これは、（ディープニューラルネットワーク（ＤＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、反復ニューラルネットワーク（ＲＮＮ）等の）ニューラルネットワークによって計算することができる。この値は、処理のために使用してもよく、いびきインジケータとして表示してもよい。
・所与の秒間の音声信号の二乗平均平方根（ＲＭＳ）［ａｕｄｉｏＲｍｓ］ （例えば、入力音声は、現在秒のＲＭＳによって正規化することができる）。これは、信号強度の推定値を表すものとしてもよい。
音声の代表［ａｕｄｉｏＲｅｐＲａｗ］を出力するのために用いられる、所与の秒間の要約値。これは、信号の相対振幅をプロットするために用いることができる相対的強度メトリックであってもよい。要約メトリックは、図３６のプロットにおいて音声信号の形状を与える。これらのメトリック出力は、オフラインの分類モジュールによって評価して、いびき検出器の追加出力を形成してもよい（例えば、図３４～図３６のユーザインターフェースの関連出力参照）。例えば、総いびき時間を決定し、分類から図３６のユーザインターフェース実施例の「いびき片（ｓｎｏｒｅ ｓｎｉｐｐｅｔｓ）」に表示してもよい。図に示すように、分類に基づいて表示のために選択され得る、複数の音声信号スニペット、または、より大きな音声セッションのサブセグメントの各々は、ユーザインターフェースの再生ボタン（図３６の再生矢印記号参照）付近にプロットされ、ユーザインターフェースを提示する装置のスピーカーで関連する音声信号の再生することが可能にされてもよい。
例えば、処理は、例えば、メル周波数ケプストラム係数（ＭＦＣＣ）を計算し、その後、（機械学習プラットフォーム（例えば、Ｔｅｎｓｏｒｆｌｏｗ）などに実装される）ＣＮＮまたはＲＮＮモデルを用いて、特定周波数（例えば、２Ｈｚ）におけるいびきの確率を推定し、例えば、別の周波数（例えば、１Ｈｚ）におけるいびきの相対強度を推定することを含んでもよい。例えば、グラフにおいて、いびきの強度のおよさの代表値を表示するために平均ＲＭＳが計算されてもよい。そのようなグラフは、図３６のスニペットに図示される。本システムは、ユーザによる再生のために高確率および／または高強度のいびきの期間に印を付ける、または選択してもよい（例えば、図３６参照）。
一実施例では、ＭＦＣＣは、フィルタをかけた音声（例えば、１６ｋＨｚ）から計算されてもよい、例えば、各２５ミリ秒の音声について、１０ミリ秒ステップで、９８セクションを残してＭＦＣＣを計算し、１５のＭＦＣＣが計算される。これは、所与の秒間について、最終的なＭＦＣＣマトリクスのサイズを１４×９８とする。
一つの実現において、Ｔｅｎｓｏｒｆｌｏｗモジュール（または、いびきおよび非いびき音声の大きなラベル付きデータセットについて訓練されたＡＩモデルの、その他のいくつかの実現）は、毎秒２回呼び出されて、２Ｈｚ出力を与える。これは、カレントウィンドウの終期近くにいびきが開始した場合のエラーを低減するために行われる。モデルを２回呼び出すために、前回のプロセスの呼び出しコールの一部（例えば、１秒相当のＭＦＣＣの後半半分）が、その状態を表すメモリに保持される。その後、このモデルは、２回呼び出される。（ｉ）その状態のＭＦＣＣの０．５秒と現在のＭＦＣＣの前半０．５秒、および（ｉｉ）現在のＭＦＣＣの全１秒。その後、現在のＭＦＣＣの後半０．５秒は、この状態に保存されて、モジュールを呼び出す次の関数コールに利用される。Ｔｅｎｓｏｒｆｌｏｗモジュールを呼び出す各コールの前に、ＭＦＣＣは、長さ１３７２のベクトルにアンラップされる。その後、コールの前に、このベクトルはスケーリングされる。Ｔｅｎｓｏｒ Ｆｌｏｗモジュールを呼び出す各コールは、単一の出力ｐＳｎｏｒｅ値を生成し、それは、使用および／または出力のために保存される。したがって、音声セッションについて、音声信号の時間に関連する時系列のｐＳｎｏｒｅ値を生成する（ローカルおよび／またはリモートでもよく、オンラインまたはオフラインでもよい）処理が実施されてもよい。
いびき分類器のオフラインバージョンの実施例は、（例えば、ｐＳｎｏｒｅ値を使用する）いびき音声分類モデルから取得したデータを後処理し、ユーザインターフェースに表示してもよいいびきの出力を計算するために用いることができる。セッションまたは（一つの夜間に複数のセッションがある場合）セッションの集合の間、オフラインいびき分類器は、エンドユーザーのために、アプリケーションプログラミングインターフェース（ＡＰＩ）フォーマットなどにおいて、以下のうちの任意の一つ以上またはすべてを含む、（例えば、４つの）追加出力を生成するように実装されてもよい：（ｉ）総いびき時間長［ＳｎｏｒｅＤｕｒａｔｉｏｎ］－特定の睡眠セッションまたはセッションの集合（例えば、夜間に何度か睡眠中断があった一つの夜間の睡眠）の間などに、ユーザがいびきに使った時間の総量カウント、（ｉｉ）いびきフラグ［ｓｎｏｒｅＦｌａｇ］－ユーザがいびきをかいた時を示すバイナリフラグ、（ｉｉｉ）いびき事象時刻［ｓｎｏｒｅＳｎｉｐｓ］－音声再生のために使用することができるユーザがいびきをかいた時刻のリスト、（ｉｖ）音声表示信号［ＳｎｏｒｅＤｉｓｐＳｉｇ］－各秒時における記録音声信号の振幅の単純代表値（例えば、信号の標準偏差に基づく振幅メトリック）（ユーザーインターフェース（ＵＩ）などのため）。
いびき分類器アルゴリズムは、以下の処理動作のいずれかを行ってもよい：（ｉ）ｐＳｎｏｒｅ値の後処理、（ｉｉ）いびきフラグを生成するための閾値ｐＳｎｏｒｅ、（ｉｉｉ）いびき事象時検出器、（ｉｖ） いびきフラグをまとめてチャンクにする（例えば、５分チャンク）、および／または（ｖ）音声表示信号の後処理。これらの各動作は、以下にさらに詳しく記載される。
（ｉ）ｐＳｎｏｒｅ値の後処理：上述のように、ｐＳｎｏｒｅは、短時間の音声信号（例えば、所与の秒間のみ）を取り扱い、データにおける、より長い間の傾向の認識を表さない。それゆえ、ｐＳｎｏｒｅ を後処理して、インターフェースに対して、より堅牢な単一の特徴量にすることが有用である。例えば、複数（例えば、３つの）の入力特徴量を有するロジスティック回帰モデルが実行され得る。このモデルは、ｐＳｎｏｒｅから導出される２つの特徴量を、また音声ＲＭＳから別の特徴量を、取り込んでもよい。ｐＳｎｏｒｅに基づく２つの特徴量のうちの第一のものは、異なるウィンドウ長さを有するｐＳｎｏｒｅのパーセンタイルフィルター済みバージョンとすることができる。ｐＳｎｏｒｅは、一般的には、短時間データ（例えば、１秒間のデータ）を評価するが、これは、より長い時間ウィンドウにわたるいびきのレベルを評価するために実行される。他方の特徴量は、例えば、音声ＲＭＳから導出される、５～３５ＢＰＭの呼吸数の推定から導かれる信号品質に基づく特徴量である。信号において時間に沿った呼吸数の表示が、図３８に、睡眠ヒプノグラムと共通の時間スケール上に図示される。この特徴量は、非いびきである非周期的ノイズ源に対する堅牢性を増強するが、ニューラルネットワークに別の交絡を招く可能性もある。このモデルの出力は、いびきの蓋然性の尺度の値（以下、ｐＳｎｏｒｅＦｉｌｔとする）であり、このモジュールの以下の動作によって内部利用してもよい。
（ｉｉ）ｓｎｏｒｅＦｌａｇを生成するための閾値：の分析のために、以前の処理からｐＳｎｏｒｅＦｉｌｔ閾値を設定することにより、いびきフラグ（例えば、２Ｈｚ周波数で反復生成する）が生成される。この処理は、睡眠段階化アルゴリズムが、一定量（例えば、３分間）の以上の不在、覚醒、または中断状態を与えた場合は、いびき検出のセクションを空白とする睡眠ヒプノグラムを用いてもよい。言い換えると、本システムは、すでに睡眠システムがモニター対象の人が覚醒、不在、またはその他の態様で睡眠を中断していると認識しているので、検出されたいびきがモニター対象のユーザのものではないと認識してもよい。この評価は、本システムが最も近くにいる人の睡眠およびいびきのみを検出するように設計されている場合、ベッドを共にする人の音声を棄却するためにも役に立つ。
（ｉｉｉ）いびき事象の時刻／セクションの検出器：ユーザが聴取できる多数のいびきの音声セクションを提供するために、アルゴリズム一定数（例えば、５つ）までの、いびき事象の蓋然性の最も高い事象を検出し、各音声セクションの始期と終期の時刻スタンプを与える。各セクションは、最大長（例えば、１分間）を有する。この例を、図３６の「スニペット」に図示する。スニペットのいびきセクションは、ｐＳｎｏｒｅＦｉｌｔが閾値以上であるセクションから取られる。この閾値は、夜間のいびき全体のパーセンテージを計算するための閾値よりも有意に高くしてもよい。取得可能な最大数のセクションに満たない場合には、このアルゴリズムは、取得可能な限りのセクションを報告してもよい。例えば、わずかのいびきの記録しかないのであれば、ユーザは、このアルゴリズムから３つのいびきセクションのみを得るのであってもよい。ｐＳｎｏｒｅＦｉｌｔ は、いびきフラグが設定されていない場合は、常に、ゼロに設定される。ｐＳｎｏｒｅＦｉｌｔ値の平均は、最小間隔５分でｐＳｎｏｒｅＦｉｌｔの最大ピークを認識する前のスライディングウィンドウ（例えば、６０秒）にわたって決定されてもよい。その後、このアルゴリズムは、最高有効ピーク（例えば、５）まで選択し、各音声スニペットについてウィンドウ±３０秒を返す。
（ｉｖ）ｓｎｏｒｅＦｌａｇをまとめてチャンクにする：一つの実現において、いびき状態は、数分程度の（例えば、５分間）のチャンクで与えられる出力のように、さらに粒状の形式で報告されてもよい。結果として、最終的にユーザにいびきフラグが出力される前に、より高い周波数（例えば、２Ｈｚ）のいびきフラグが、チャンク（例えば、５分長のチャンク）にまとめられる。５分間のいびきフラグのブロックの５０％超が（より高い周波数（２Ｈｚ）のいびきフラグを考慮して）いびきとしてフラグされている場合、そのチャンク全体がいびきとして印を付けられる。その後、このプロセスからの出力いびきフラグは、３０秒間のエポック単位で表示するためにサンプリングされる。この最終的ないびきフラグは、ＡＰＩ出力として提供され得る。いびきの総時間長出力は、この長い期間のいびきフラグから計算される。
（ｖ）音声表示信号の後処理：オフラインいびき検出器の最後の部分は、音声ディスプレイ信号の短い後処理である。５分間ウィンドウを有する標準偏差フィルタが、ディスプレイ信号全体に適用され、その後、それは０～１に正規化される。この最後の部分の出力は最終音声ディスプレイ信号である。この音声信号の例は、図３６のユーザーインターフェース・ディスプレイの中間パネルにグラフとして示される。
気流の制限／呼吸－努力の推定
ＲＦ、ソナー、および／または受動音響分析を用いて、呼吸努力の推定に基づいて気流制限を推定することができる。これは、詳しくは、前記の感知技術を用いて、気流制限の存在または程度（またはその他の呼吸努力メトリック）を推定するプロセスを含む。実施例は、気流制限／呼吸努力を示すフラグまたは（絶対または相対）指標を出力してもよい。
ＲＦ、ソナー、および／または受動音響分析を用いて、呼吸努力の推定に基づいて気流制限を推定することができる。これは、詳しくは、前記の感知技術を用いて、気流制限の存在または程度（またはその他の呼吸努力メトリック）を推定するプロセスを含む。実施例は、気流制限／呼吸努力を示すフラグまたは（絶対または相対）指標を出力してもよい。
気流制限（ＦＬ）
・食道における圧力の上昇に気流の増加が伴わない場合に発生の可能性があり、残留上気道気流制限の非侵襲的評価がある。
・負の健康結果に結びつき、睡眠を妨げかねない。
・期間が長引く可能性がある。すなわち、無呼吸／低呼吸／酸素飽和度低下事象に結びつかないかも知れない。
・ＣＯＰＤ（呼気ＦＬ）のモニターにおいて有用である可能性もある。
・一般的に、気流信号形状の水平化として現れる。
・食道における圧力の上昇に気流の増加が伴わない場合に発生の可能性があり、残留上気道気流制限の非侵襲的評価がある。
・負の健康結果に結びつき、睡眠を妨げかねない。
・期間が長引く可能性がある。すなわち、無呼吸／低呼吸／酸素飽和度低下事象に結びつかないかも知れない。
・ＣＯＰＤ（呼気ＦＬ）のモニターにおいて有用である可能性もある。
・一般的に、気流信号形状の水平化として現れる。
受動音響処理を用いる気流制限／努力の推定の、例示の処理方式は、以下を含むことができる。
・スペクトログラム／ＭＦＣＣ、ケプストラム、短時間フーリエ変換（ＳＴＦＴ）へのＣＮＮなどの時間／周波数の方法
・スペクトログラム／ＭＦＣＣ、ケプストラム、短時間フーリエ変換（ＳＴＦＴ）へのＣＮＮなどの時間／周波数の方法
能動ソナー、ＲＦ、光検出と測距（ＬＩＤＡＲ）、その他の光学的方式を用いる気流制限／努力の推定方式は、以下を含んでもよい。
・生体運動信号の形状（基準点分析、歪度、尖度、呼吸部分面積等）から推論する。
・これは、一般的には、（該当する場合にはＣＷ／ＦＭＣＷ歪みを説明する）波形のある種の水平化を記述するメトリックを探求するものである。
・（利用可能な場合には）ドップラーレーダーを用いて呼吸サイクルの吸気／呼気部分を推論することができる。
・生体運動信号の形状（基準点分析、歪度、尖度、呼吸部分面積等）から推論する。
・これは、一般的には、（該当する場合にはＣＷ／ＦＭＣＷ歪みを説明する）波形のある種の水平化を記述するメトリックを探求するものである。
・（利用可能な場合には）ドップラーレーダーを用いて呼吸サイクルの吸気／呼気部分を推論することができる。
受動音響および能動ソナー、ＲＦ、ライダー（ＬＩＤＡＲ）、その他の光学的方式を用いて気流制限／努力を推定する方式は、以下を含んでもよい。
・受動および能動の特徴量の利用は、信頼性を高め、さまざまなタイプの気流制限の捕捉を可能にすることなどにより、非接触感知モダリティに相乗的改善をもたらすことができる。例えば、気流制限は、全面的閉塞性事象よりも重症度の低い閾値に対応させてもよく、そうすれば、いろいろな感知技術が、異なる検出閾値の利用を可能にするであろう。
・受動および能動の特徴量の利用は、信頼性を高め、さまざまなタイプの気流制限の捕捉を可能にすることなどにより、非接触感知モダリティに相乗的改善をもたらすことができる。例えば、気流制限は、全面的閉塞性事象よりも重症度の低い閾値に対応させてもよく、そうすれば、いろいろな感知技術が、異なる検出閾値の利用を可能にするであろう。
このような推定値は、呼吸努力関連の覚醒（ＲＥＲＡ）を推定する覚醒／活動の尺度と組み合わせることができる。潜在的利用可能なケースとして、低／軽度ＡＨＩだが気流制限を有するコホートに対して、別の療法（例えば、ＭＲＤ）を勧めることがある。これは、睡眠スコアの減点の一部として実施してもよい（例えば、気流制限事象および／または期間に基づいてＳｌｅｅｐＳｃｏｒｅが減点される）。
この処理は、音声信号の特性を分析することにより、閉塞の位置／タイプを推定することもできる。
閉塞性、中枢性、および低呼吸事象の分離
事象の以下の背景は、事象分類のガイドラインとして役立ててもよい。
（ａ）無呼吸は、口鼻の熱信号、ＰＡＰデバイス流、または代替的無呼吸センサを使用して得る、１０秒以上の間（任意の選択肢として、±２秒）の、事象前ベースラインからのピーク信号エクスカーションの９０％以上の低下（任意の選択肢として、±５％または１０％）とみなしてもよい。酸素飽和度低下または覚醒の要件はない。
（ｂ）閉塞性無呼吸は、呼吸停止の開始時（また、呼吸停止を通じて、奇異呼吸の可能性もある）、呼吸努力が持続する場合の上の（ａ）の無呼吸とみなしてもよい。
（ｃ）中枢性無呼吸は、呼吸努力がない場合の上の（ａ）の無呼吸とみなしてもよい。
（ｄ）低呼吸は、鼻の圧力、ＰＡＰデバイス流、または代替的低呼吸センサーを使用して得る、１０秒以上の間の、事象前ベースラインからのピーク信号エクスカーションの３０％以上の低下、かつ、事象前ベースラインからの３％以上の酸素飽和度低下または事象が覚醒に結びつくことみなしてもよい。本システムは、（ｉ）事象の間のいびき、（ｉｉ）ベースラインと比較して気流信号の吸気のいっそうの水平化、（ｉｉｉ）事象時に発生する胸腹部奇異を評価してもよい。
（ｅ）閉塞性低呼吸は、（ｉ）、（ｉｉ）、または（ｉｉｉ）が存在すると評価された場合の、上の（ｄ）低呼吸とみなしてもよい。
（ｆ）中枢性低呼吸は、（ｉ）、（ｉｉ）、（ｉｉｉ）のいずれもが存在しない（すなわち、（ｉ）、（ｉｉ）、（ｉｉｉ）の欠如）と評価された場合の、上の（ｄ）低呼吸とみなしてもよい。
（ｇ）チェーンストークス呼吸は、呼吸振幅の漸増／漸減によって分離している、３回以上のサイクル長４０以上の連続的中枢性無呼吸および／または低呼吸発作、かつ、２時間以上のモニター時間にわたり記録される漸増／漸減呼吸パターンに結びつく、睡眠１時間当たり５回以上の中枢性無呼吸および／または中枢性低呼吸の存在とみなしてもよい。
能動および受動データ分析における閉塞性無呼吸の兆候
閉塞性無呼吸は、その事象が、強いいびきに時間的に近接する持続的無音として現れるので、受動音響ストリームのみを用いて分類してもよい。検出のために事象の周期性も利用できる。このような特徴は、重症例では相当明確であり、実際の事象の時にいびき、あえぎ音が存在し得る中等度の事象は異なる特徴を有する。
閉塞性無呼吸は、その事象が、強いいびきに時間的に近接する持続的無音として現れるので、受動音響ストリームのみを用いて分類してもよい。検出のために事象の周期性も利用できる。このような特徴は、重症例では相当明確であり、実際の事象の時にいびき、あえぎ音が存在し得る中等度の事象は異なる特徴を有する。
（例えば、ソナー、ＲＦ、光学等の）能動信号では、閉塞性無呼吸に関する最も示差的な特徴量は振幅の低下である。例えば、多くの事象が、無呼吸事象の間ずっと、連続的呼吸努力（例えば、呼吸運動）を表す。
能動信号は、レンジビンの組み合わせにおいて主成分分析技法を用いて抽出可能である。これは、受動信号から抽出できる特徴的ないびき、あえぎ音の検出によって補完することができる。分類システムは、事象カウントを評価するなどにより、中等度または重度の閉塞性睡眠時無呼吸（ＯＳＡ）を等級付けする睡眠無呼吸分類を出力してもよい。例えば、中等度ＯＳＡは、１５～３０個の事象の範囲（任意の選択肢として、範囲限界の一方または両方において±２または３個の事象）のＡＨＩを有する患者として認識してもよい。同様に、重度ＯＳＡは、中等度の範囲を越える（例えば、３０個超（任意の選択肢として、±２または３個の事象）を有する患者として認識してもよい。図１８～図２１は、主として閉塞性無呼吸に基づく、中等度ＯＳＡ分類における受動および能動感知信号の共通の時間スケールのグラフィック表示の例示であり、分類された事象（例えば、閉塞性無呼吸、閉塞性／中枢性混在無呼吸、中枢性無呼吸、および低呼吸）の兆候を表示している。図２２～図２５は、主として閉塞性無呼吸事象に基づく、重度ＯＳＡ分類における受動および能動感知信号の共通の時間スケールのグラフィック表示の例示であり、分類された事象（例えば、閉塞性無呼吸、閉塞性／中枢性混在無呼吸、中枢性無呼吸、および低呼吸）の兆候を表示している。本明細書に記載する受動および能動の感知技術の相乗効果の例として、図２４に見ることができる。上部の能動感知パネルの運動信号は、単独には、いくつかの時間（例えば、振幅変動を分ける間）において努力の欠如と誤認される可能性もあり、それは中枢性無呼吸を示唆するようにシステムを混乱させ得るが、中間パネルの受動感知のデータと組み合わせる、前記の信号は、より正確に、下部のパネルに表示するとおり、閉塞性無呼吸を反映するものと分類されるであろう。
データにおける中枢性無呼吸の兆候
中枢性無呼吸の最も示差的な特性は、能動信号に見られる無呼吸時の呼吸努力の欠如である。多くの例は、いびきを発現しない。しかし、あえぎ／大音の呼吸の特徴が、スペクトログラムから検出され得る。これは、受動信号からあえぎ／大音呼吸を確認することによって補完され得る。中枢性無呼吸分類は、受動信号における不規則ないびきの欠如と併せて、能動信号を利用することによって見つけることができる。いくつかの稀な症例では、実際の中枢性無呼吸事象の前に、大音で規則的ないびきが検出され得る（例えば、訓練症例がディープニューラルネットワークに提供されてもよい、または、両方の症例の分類を可能にするために規則セットが利用されてもよい）。図２６～図３０は、主として中枢性無呼吸事象に基づく、中等度ＯＳＡ分類における受動および能動感知の信号の共通の時間スケールのグラフィック表示の例示であり、分類された事象（例えば、閉塞性無呼吸、閉塞性／中枢性混在無呼吸、中枢性無呼吸、および低呼吸）の兆候を表示している。図３１は、主として中枢性無呼吸事象に基づく、重度ＯＳＡ分類における受動および能動感知の信号の共通の時間スケールのグラフィック表示の例示であり、分類された事象（例えば、閉塞性無呼吸、閉塞性／中枢性混在無呼吸、中枢性無呼吸、および低呼吸）の兆候を表示している。
中枢性無呼吸の最も示差的な特性は、能動信号に見られる無呼吸時の呼吸努力の欠如である。多くの例は、いびきを発現しない。しかし、あえぎ／大音の呼吸の特徴が、スペクトログラムから検出され得る。これは、受動信号からあえぎ／大音呼吸を確認することによって補完され得る。中枢性無呼吸分類は、受動信号における不規則ないびきの欠如と併せて、能動信号を利用することによって見つけることができる。いくつかの稀な症例では、実際の中枢性無呼吸事象の前に、大音で規則的ないびきが検出され得る（例えば、訓練症例がディープニューラルネットワークに提供されてもよい、または、両方の症例の分類を可能にするために規則セットが利用されてもよい）。図２６～図３０は、主として中枢性無呼吸事象に基づく、中等度ＯＳＡ分類における受動および能動感知の信号の共通の時間スケールのグラフィック表示の例示であり、分類された事象（例えば、閉塞性無呼吸、閉塞性／中枢性混在無呼吸、中枢性無呼吸、および低呼吸）の兆候を表示している。図３１は、主として中枢性無呼吸事象に基づく、重度ＯＳＡ分類における受動および能動感知の信号の共通の時間スケールのグラフィック表示の例示であり、分類された事象（例えば、閉塞性無呼吸、閉塞性／中枢性混在無呼吸、中枢性無呼吸、および低呼吸）の兆候を表示している。
データにおける低呼吸の兆候
低呼吸は、受動信号のみを用いて分類するのは、難しいことがあり得る。本節では、一人の重症患者の低呼吸事象の例が示される。例えば、受動ストリームに明確な特徴のない低呼吸シーケンスの視覚的例示を与える、一方、別の例では、いびき／大音呼吸が、受動スペクトログラムに見られる（この患者は、チェーンストークス呼吸の兆候－ストークス呼吸とおそらくは原発性のいびき（いびき検出アルゴリズムによる総記録時間の３４％）を示している）。図３２および図３３は、主として低呼吸事象に基づく、重度ＯＳＡ分類における受動および能動感知信号の共通の時間スケールのグラフィック表示の例示であり、分類された事象（例えば、閉塞性無呼吸、閉塞性／中枢性混在無呼吸、中枢性無呼吸、および低呼吸）の兆候を表示している。
低呼吸は、受動信号のみを用いて分類するのは、難しいことがあり得る。本節では、一人の重症患者の低呼吸事象の例が示される。例えば、受動ストリームに明確な特徴のない低呼吸シーケンスの視覚的例示を与える、一方、別の例では、いびき／大音呼吸が、受動スペクトログラムに見られる（この患者は、チェーンストークス呼吸の兆候－ストークス呼吸とおそらくは原発性のいびき（いびき検出アルゴリズムによる総記録時間の３４％）を示している）。図３２および図３３は、主として低呼吸事象に基づく、重度ＯＳＡ分類における受動および能動感知信号の共通の時間スケールのグラフィック表示の例示であり、分類された事象（例えば、閉塞性無呼吸、閉塞性／中枢性混在無呼吸、中枢性無呼吸、および低呼吸）の兆候を表示している。
いびき、および閉塞性無呼吸との関連
いびき検出アルゴリズムは、ＳＤＢ検出、および特に事象の種別化、のための有用な特徴量を提供することができる。例えば、総いびき時間とＡＨＩの間には明確が相関があるかも知れない。支配的閉塞性成分を有する記録は、いびきのある睡眠時間の総量の比率が高い。支配的中枢性成分を含むほとんどの記録は、いびきのレベルが低いが、例外もある。そのような例外では、検出されたいびきは、実際、原発性の症例かも知れない。それは、より粒状のレベルで本システムによるさらなる分析の対象となり得る（すなわち、いびきフラグをＳＤＢ事象に関連づける）。
いびき検出アルゴリズムは、ＳＤＢ検出、および特に事象の種別化、のための有用な特徴量を提供することができる。例えば、総いびき時間とＡＨＩの間には明確が相関があるかも知れない。支配的閉塞性成分を有する記録は、いびきのある睡眠時間の総量の比率が高い。支配的中枢性成分を含むほとんどの記録は、いびきのレベルが低いが、例外もある。そのような例外では、検出されたいびきは、実際、原発性の症例かも知れない。それは、より粒状のレベルで本システムによるさらなる分析の対象となり得る（すなわち、いびきフラグをＳＤＢ事象に関連づける）。
医師
医師は、ＣＯＰＤまたはその他の慢性症状に苦しむ患者の健康状態への洞察を得ることができ、医療取り扱いを必要とするが、慢性症状を有することをまだ自覚していない患者に接続する潜在的可能性を有する。したがって、処理デバイスとそのアプリケーション（アプリ）は、咳関連の情報を生成し、咳関連の情報の遠隔モニタリングのための臨床システムに送信するように構成されてもよい。
医師は、ＣＯＰＤまたはその他の慢性症状に苦しむ患者の健康状態への洞察を得ることができ、医療取り扱いを必要とするが、慢性症状を有することをまだ自覚していない患者に接続する潜在的可能性を有する。したがって、処理デバイスとそのアプリケーション（アプリ）は、咳関連の情報を生成し、咳関連の情報の遠隔モニタリングのための臨床システムに送信するように構成されてもよい。
高齢者の介護／独居生活
背景として、本システムのための、接続された介護の価値提案は、高齢者介護市場に存在する－特に、高齢者介護のデジタル支援生活ツールに、先に述べたような、能動ソナーおよび／または受動音響技術を組み込むことによって、独居生活における介護負担を軽減することを目標としている。本システムは、広範な潜在可能性を有する－例えば、喘息、ＣＯＰＤ、ＣＨＦ、認知症、アルツハイマー病等に苦しむ独居生活者がいる。２０１５年には、世界中で８人に１人が６０歳以上であった。２０３０年までには、６人に１人が６０歳以上となる。
背景として、本システムのための、接続された介護の価値提案は、高齢者介護市場に存在する－特に、高齢者介護のデジタル支援生活ツールに、先に述べたような、能動ソナーおよび／または受動音響技術を組み込むことによって、独居生活における介護負担を軽減することを目標としている。本システムは、広範な潜在可能性を有する－例えば、喘息、ＣＯＰＤ、ＣＨＦ、認知症、アルツハイマー病等に苦しむ独居生活者がいる。２０１５年には、世界中で８人に１人が６０歳以上であった。２０３０年までには、６人に１人が６０歳以上となる。
現在の独居者のための手段は、一般的には、基本的なセンサ（例えば、ドアセンサー、水流、ベッド占有、ＲＩＰ運動、圧力パッド、ピルボックス、大音量電話、ウェアラブル運動）を備えた、しばしば高額のハードウェアの、バラバラの製品である。逆に、より完備した手段が、受動音声および能動ソナーをスマートフォンおよび／または住居のスマートスピーカーに組み込むことにより、提供され得る。本明細書に概略記載した能動ソナーと受動音響分析は、生活環境において以下を可能にすることにより、このギャップを埋めることができる（例えば、住居の生活支援設備、介護ホーム／高齢者介護施設等）。
動きと活動の追跡
これは、（例えば、（任意の利用可能な範囲の「ビン」－例えば、すべての範囲－を処理する）ＣＷまたはＦＭＣＷ ソナーを用いる）能動感知を備えた部屋で動きを検出することにより、および／または、動きの音の特性を受動感知／聴取することにより、でマクロスケールで行うことができる。
これは、（例えば、（任意の利用可能な範囲の「ビン」－例えば、すべての範囲－を処理する）ＣＷまたはＦＭＣＷ ソナーを用いる）能動感知を備えた部屋で動きを検出することにより、および／または、動きの音の特性を受動感知／聴取することにより、でマクロスケールで行うことができる。
後者（受動のみ）については、干渉環境音の数が限られている静音環境が望ましい（例えば、机上あるいは天井の扇風機、または外部ノイズが入る開放窓は問題ないが、大音の話声あるいは近傍の大音量のテレビ（聴覚の衰えた高齢者にはめずらしくない）は、純粋な受動音響分析を困難にする）。一方、超音波ＦＭＣＷまたはＵＷＢ音響システムは、そのような干渉の許容度が高い。
ＦＭＣＷまたはＵＷＢ技術も、範囲を現局化できるので、本システムは、動き検出に加えて、動きの強度と時間長に基づいて活動を分類し、活動の特性の特徴を分類することができる。
座位または横臥位における呼吸
高齢者は、テレビの前で多くの時を過ごすことがあり、実際、（心臓障害が原因で横になっている場合、またはＣＯＰＤを有する人などの聴覚困難など）健康状態が悪くなると、いっそうそこで時間を費やすことになる（すなわち、椅子で寝ようとする）。
高齢者は、テレビの前で多くの時を過ごすことがあり、実際、（心臓障害が原因で横になっている場合、またはＣＯＰＤを有する人などの聴覚困難など）健康状態が悪くなると、いっそうそこで時間を費やすことになる（すなわち、椅子で寝ようとする）。
これは、ＦＭＣＷ、（Ａ）ＦＨＲＧ、ＵＷＢ等を用いて、空間における呼吸周波数の蓋然性の高い周波数を現局化し、ユーザを追跡する。
睡眠段階化の洞察
認知症およびアルツハイマー病の増悪の兆候としての睡眠メトリクスの劣化を検出することなどにより、睡眠断片化メトリクスを追跡する。
認知症およびアルツハイマー病の増悪の兆候としての睡眠メトリクスの劣化を検出することなどにより、睡眠断片化メトリクスを追跡する。
受動音声による疾患進行の洞察
これは、咳の多さと強度、異常呼吸数の期間など、音響の特徴の経時的変化における検出にかかわる。
これは、咳の多さと強度、異常呼吸数の期間など、音響の特徴の経時的変化における検出にかかわる。
これは、住居環境に一つ以上のスマートスピーカーが設置されている場合に（例えば、ベッドわきに設置されたアマゾンエコードット、居間／テレビ室にあるグーグルホームミニ、台所周囲のグーグルミニなどの商用スマートデバイス）、実行可能である。
日常生活に音響の特徴を加える（ユーザ環境との相互作用）
本システムは、冷蔵庫のドアの開放、電子レンジ、オーブン、玄関ドアの特徴的な音を受動分析して「聴取」し、それらの事象をモニタリングステーションへ送信する。事象を示すその他の特徴的な音には、電子レンジのタイマーの「ベル」音またはドアベルなどがある。機器の使用に関する相互作用など、そのようなユーザ環境との相互作用は、モニター対象の人の活動の兆候を与えることができ、それは、そのモニター対象の人の活動の標準または一貫性／パターンなどに関連して、ユーザの状態／健康の兆候として役立ち得る。予想される時間枠におけるそのような活動の欠如は、懸念される兆候とみなしてもよく、モニター対象の人（例えば、高齢者）の検査のために、直接的接触の必要があると見てもよい。
本システムは、冷蔵庫のドアの開放、電子レンジ、オーブン、玄関ドアの特徴的な音を受動分析して「聴取」し、それらの事象をモニタリングステーションへ送信する。事象を示すその他の特徴的な音には、電子レンジのタイマーの「ベル」音またはドアベルなどがある。機器の使用に関する相互作用など、そのようなユーザ環境との相互作用は、モニター対象の人の活動の兆候を与えることができ、それは、そのモニター対象の人の活動の標準または一貫性／パターンなどに関連して、ユーザの状態／健康の兆候として役立ち得る。予想される時間枠におけるそのような活動の欠如は、懸念される兆候とみなしてもよく、モニター対象の人（例えば、高齢者）の検査のために、直接的接触の必要があると見てもよい。
代替として、小型の超音波「クリッカー」は、ドアなどに設置可能であり、本システムが発生する事象を正確に判定するように、（人にとって可聴または非可聴の）特徴的な音を生成する。通常使用されるセンサーとは対照的に、このクリッカーは、高周波で「クリック」する単純な機械的構成要素であるので、バッテリーも電子機器も必要としない。これは、接着材および／または磁石でドアまたは枠に取り付ける２部品構成のデバイスとしてもよい。そのようにして、住居環境の多くの側面のモニタリングを実現することができる。
超音波「クリッカー」の能動バージョンが、さらに情報を提供するために用いられてもよい。能動クリッカーは、窓またはドアの状態または状態変化など、事象を示す、可聴または非可聴のデータ変調ＣＷ音を送信する。
８．３．４．１．３ 出力モジュール８８３０
上記の評価および信号に基づいて、コンピュータまたは携帯電話などの処理デバイスのディスプレイに表示される出力実施例は、図１４～図１７および図３４～図３８に例示のグラフィックインジケータを参照して考慮してもよい。この点について、評価モジュールによって生成されるいかなる信号／情報も、出力モジュール８８３０による出力として生成されてもよい。例えば、ＳＤＢリスク（または、ＳＤＢ確率）の決定値は、リスクオメータ（ｒｉｓｋ－ｏ－ｍｅｔｅｒ）グラフィックに出力される。リスクオメータは、針などのポインタ、および１～１００などのスケールを含んでもよい。その他の適切な形式および／またはスケールが提供されてもよい。スケールは、ポインタが軸点からスケールに沿って表示値を指示するように、円形または円弧としてもよい。いくつかのバージョンでは、スケールの離散部分（範囲）が、異なる色で表されて、スケールに沿って異なる特性を示してもよい。例えば、スケールは、正常な特性（例えば、０～１５）と、リスクの高い睡眠特性（例えば、１５～１００）の範囲を表してもよい。リスクの高い睡眠特性は、高と低など、複数の下位特性によって形成されてもよい。実施例においては、リスクの高い睡眠特性について、赤色で表してもよい高リスク範囲は、３０～１００の範囲である。リスクの高い睡眠特性のうち、橙色で表してもよい低リスク範囲は、１５～３０の範囲である。同様に、正常な睡眠特性も、低と正常など、複数の下位特性によって形成してもよい。正常な睡眠特性のうち、例えば、黄色で表してもよい低リスクは、５～１５の範囲である。正常な睡眠特性のうち、緑色で表してもよい正常なリスクは、０～５の範囲である。図１４～図１７および図３４の例では、評価モジュール８８２０において決定されたリスク確率値が、出力モジュール８８３０によって利用され、スケール表示にリスク判定値を示すポインタを備えたインジケータが生成される。任意の選択肢として、テキストラベルが、スケールの範囲によって認識される睡眠特性のラベルを提供する。いくつかのバージョンでは、図示のように、グラフィックインジケータが、評価モジュール８８２０の分類器によって決定された推定ＡＨＩカウントを記載したテキストラベルを含んでもよい。図３４の例示リスクメーターでは、曲線形状（例えば、円弧形）が、確率計算値と結びつけられたリスクレベルの色で比例的に彩色表示されてもよい。
上記の評価および信号に基づいて、コンピュータまたは携帯電話などの処理デバイスのディスプレイに表示される出力実施例は、図１４～図１７および図３４～図３８に例示のグラフィックインジケータを参照して考慮してもよい。この点について、評価モジュールによって生成されるいかなる信号／情報も、出力モジュール８８３０による出力として生成されてもよい。例えば、ＳＤＢリスク（または、ＳＤＢ確率）の決定値は、リスクオメータ（ｒｉｓｋ－ｏ－ｍｅｔｅｒ）グラフィックに出力される。リスクオメータは、針などのポインタ、および１～１００などのスケールを含んでもよい。その他の適切な形式および／またはスケールが提供されてもよい。スケールは、ポインタが軸点からスケールに沿って表示値を指示するように、円形または円弧としてもよい。いくつかのバージョンでは、スケールの離散部分（範囲）が、異なる色で表されて、スケールに沿って異なる特性を示してもよい。例えば、スケールは、正常な特性（例えば、０～１５）と、リスクの高い睡眠特性（例えば、１５～１００）の範囲を表してもよい。リスクの高い睡眠特性は、高と低など、複数の下位特性によって形成されてもよい。実施例においては、リスクの高い睡眠特性について、赤色で表してもよい高リスク範囲は、３０～１００の範囲である。リスクの高い睡眠特性のうち、橙色で表してもよい低リスク範囲は、１５～３０の範囲である。同様に、正常な睡眠特性も、低と正常など、複数の下位特性によって形成してもよい。正常な睡眠特性のうち、例えば、黄色で表してもよい低リスクは、５～１５の範囲である。正常な睡眠特性のうち、緑色で表してもよい正常なリスクは、０～５の範囲である。図１４～図１７および図３４の例では、評価モジュール８８２０において決定されたリスク確率値が、出力モジュール８８３０によって利用され、スケール表示にリスク判定値を示すポインタを備えたインジケータが生成される。任意の選択肢として、テキストラベルが、スケールの範囲によって認識される睡眠特性のラベルを提供する。いくつかのバージョンでは、図示のように、グラフィックインジケータが、評価モジュール８８２０の分類器によって決定された推定ＡＨＩカウントを記載したテキストラベルを含んでもよい。図３４の例示リスクメーターでは、曲線形状（例えば、円弧形）が、確率計算値と結びつけられたリスクレベルの色で比例的に彩色表示されてもよい。
いくつかのバージョンでは、そのような範囲またはリスク評価（例えば、カウントまたはリスク確率）は、臨床医療者またはその他の関係者に転送されてもよい、または、ＲＰＴデバイスによって提供される治療の調整ために、呼吸治療制御装置に適用されてもよい。例えば、ＳＤＢを示す、そのようなリスク評価は、外部処理デバイスからＲＰＴデバイスへその評価を送信するとき、または、それがＲＰＴデバイスのプロセッサによって決定されるときなど、ＲＰＴのプロセッサおよび／または治療制御装置への入力としてもよい。そのとき、プロセッサまたは制御装置は、ＳＤＢリスクの値に応じて、治療圧、治療流量、またはその他の、ＳＤＢリスクの治療のためのパラメータを変更してもよい。
任意の選択肢として、図１７に図示するように、インジケータは、睡眠セッションが閾値未満（例えば、１時間）のセッションからの感知信号を含む場合など、不十分なデータが取得されたとのメッセージを提示してもよい。いびき情報データおよび睡眠セッションの睡眠スコアにかかわる、そのようなユーザインターフェースの例示が、図３５に示される。
８．３．５ 本技術のいくつかの実施例の潜在的利益
本技術のいくつかのバージョンは、以下のいずれかを提供してもよい。
（１）アプリケーション（例えば、ソフトウェア）を使用するＲＦハードウェアセンサーおよび／またはソナー感知装置による非接触ＳＤＢスクリーニング
（２）正確なＡＨＩ推定を含む、睡眠段階が検出されてもよい。
（３）重度のＳＤＢを持つ対象者などについては、ＡＨＩおよび睡眠段階の予測の確度を向上させるために、睡眠／覚醒補正が提供されてもよい。
（４）本システムが最も有用な方向で最適の位置にない場合でも、結果を生み出すように、能動センサー（ソナーまたはＲＦ）と受動センサ（マイクロフォン）の両方を実装して、技術を融合して相乗効果を生み出すようにしてもよい。
（５）能動感知信号と受動感知信号の両方からの特徴量を評価して、中枢性事象を、閉塞的およびその他のタイプの事象と区別してもよい。
（６）個別事象の個別的検出ではなく、呼吸／音／動き（強度と周波数の両方）の長い時間周期の調節を含む評価。それにより、本システムを、よくある干渉因子／交絡因子に対して、より堅牢にすることができる。
（７）努力における調節または音だけではなく、ＳＤＢ関連の覚醒／回復に結び付けられる動きを捕捉する。
（８）本システムは、非接触感知装置からの、より遠い別の人の感知を避けるために、ベッド内の最も近い人の検出に集中するように構成されてもよい。
本技術のいくつかのバージョンは、以下のいずれかを提供してもよい。
（１）アプリケーション（例えば、ソフトウェア）を使用するＲＦハードウェアセンサーおよび／またはソナー感知装置による非接触ＳＤＢスクリーニング
（２）正確なＡＨＩ推定を含む、睡眠段階が検出されてもよい。
（３）重度のＳＤＢを持つ対象者などについては、ＡＨＩおよび睡眠段階の予測の確度を向上させるために、睡眠／覚醒補正が提供されてもよい。
（４）本システムが最も有用な方向で最適の位置にない場合でも、結果を生み出すように、能動センサー（ソナーまたはＲＦ）と受動センサ（マイクロフォン）の両方を実装して、技術を融合して相乗効果を生み出すようにしてもよい。
（５）能動感知信号と受動感知信号の両方からの特徴量を評価して、中枢性事象を、閉塞的およびその他のタイプの事象と区別してもよい。
（６）個別事象の個別的検出ではなく、呼吸／音／動き（強度と周波数の両方）の長い時間周期の調節を含む評価。それにより、本システムを、よくある干渉因子／交絡因子に対して、より堅牢にすることができる。
（７）努力における調節または音だけではなく、ＳＤＢ関連の覚醒／回復に結び付けられる動きを捕捉する。
（８）本システムは、非接触感知装置からの、より遠い別の人の感知を避けるために、ベッド内の最も近い人の検出に集中するように構成されてもよい。
用語集
本技術の開示において、本技術のいくつかの形態においては、以下の定義のうち１つ以上が適用され得る。本技術のその他の形態において、別の定義も適用され得る。
本技術の開示において、本技術のいくつかの形態においては、以下の定義のうち１つ以上が適用され得る。本技術のその他の形態において、別の定義も適用され得る。
８．３．６ 一般的事項
空気：本技術のいくつかの形態においては、空気は大気を意味してもよく、本技術のその他の形態においては、空気は、例えば、酸素を豊富に含む大気など、他の呼吸可能な気体の組み合わせを意味するものと解してもよい。
空気：本技術のいくつかの形態においては、空気は大気を意味してもよく、本技術のその他の形態においては、空気は、例えば、酸素を豊富に含む大気など、他の呼吸可能な気体の組み合わせを意味するものと解してもよい。
持続陽圧呼吸療法（ＣＰＡＰ）：ＣＰＡＰ治療は、空気供給を、大気に対して連続的に正の圧力で、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、気道入口へ与えることを意味するものと解される。いくつかの形態において、気道の入口における圧力は、呼息時において若干上昇し、吸息時において若干低下する。いくつかの形態において、その圧力は、患者の異なる呼吸サイクル間において変動し、例えば、部分的な上気道閉塞の兆候の検出に応答して増加され、部分的な上気道閉塞の兆候がなければ低減される。
８．３．７ 呼吸サイクルの態様
無呼吸：好ましくは、無呼吸は、気流が、例えば１０秒間、所定の閾値を下回った場合に発生したものとされる。閉塞性無呼吸は、患者の努力にもかかわらず、気道の閉塞が空気の流れを許さない場合に発生したものとされる。中枢無呼吸は、気道が開通してにもかかわらず、呼吸努力の低下または呼吸努力の欠如に起因する無呼吸が検出された場合に発生したものとされる。混在無呼吸は、呼吸努力の低下または欠如と気道閉塞が同時に起こっている場合に、発生する。
無呼吸：好ましくは、無呼吸は、気流が、例えば１０秒間、所定の閾値を下回った場合に発生したものとされる。閉塞性無呼吸は、患者の努力にもかかわらず、気道の閉塞が空気の流れを許さない場合に発生したものとされる。中枢無呼吸は、気道が開通してにもかかわらず、呼吸努力の低下または呼吸努力の欠如に起因する無呼吸が検出された場合に発生したものとされる。混在無呼吸は、呼吸努力の低下または欠如と気道閉塞が同時に起こっている場合に、発生する。
呼吸数：通常、分当たり呼吸として測定される、患者の自発呼吸数
デューティサイクル：総呼吸時間Ｔｔｏｔに対する呼息時間Ｔｉの比率
努力（呼吸）：好ましくは、呼吸努力は、自発呼吸をする人が呼吸を試みることによってなされる仕事とされる。
呼吸サイクルの呼気部分：呼気流の開始から吸気流の開始までの期間
気流制限：好ましくは、気流制限は、患者の努力の増加が対応する気流量の増加を引き起こさない場合の患者の呼吸の状態に存在する。呼吸サイクルの吸気部分で気流制限が起こる場合は、吸気流制限と言われる。呼吸サイクルの呼気部分で気流制限が起こる場合は、呼気流制限と言われる。
低呼吸：好ましくは、低呼吸は、気流の低下であって、気流の停止ではないと解釈される。一つの態様においては、低呼吸は、気流が、ある長さの時間、閾値を下回った場合に、発生したものとされる。中枢性低呼吸は、低呼吸が呼吸努力の低下に起因する場合に、発生したものとされる。
過呼吸：正常な気流よりも高いレベルへの気流の増加
呼吸サイクルの吸気部分：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みなされる。
開通（気道）：気道の開度、または気道が開いている程度。開通気道は開いている。気道の開通は、例えば、値１を開通、値０を閉鎖（閉塞）として、定量化されてもよい。
呼気終末陽圧（ＰＥＥＰ）：呼気終末における肺の、大気圧を超える圧力部分
ピーク気流 （Ｑｐｅａｋ）：呼吸流波形の吸気部分における最大気流値
呼吸流、気流、患者気流、呼吸気流 （Ｑｒ）：これらの同義語は、通常、毎分リットル数で表される、患者が経験した実際の呼吸流である「真の呼吸流」または「真の呼吸気流」に対して、ＲＰＴデバイスの呼吸流の推定値を指すと解してもよい。
一回換気量（Ｖｔ）：正常な呼吸時に、特に努力を払わずに、吸息または呼息される空気の量
（吸息）時間（Ｔｉ）：呼吸流波形の吸気時間
（呼息）時間（Ｔｅ）：呼吸流波形の呼気時間
（総）時間（Ｔｔｏｔ）：呼吸流波形の吸気部分の開始と呼吸流波形の呼気部分の開始の間の総時間
直近の典型的換気量：換気量の値であって、その周囲に、いくつかの所定の時間長の間の直近の値が群を形成する傾向が見られる値、例えば、換気量の直近の値の中心的傾向の尺度である。
上気道閉塞（ＵＡＯ）：部分的上気道閉塞と全面的上気道閉塞の両方を含む。これは、気流のレベルが、上気道前後の圧力差が大きくなっても、わずかしか増加しない、あるいは減少する、気流制限に関連する可能性がある（スターリングレジスタ挙動）。
換気量（Ｖｅｎｔ）：吸気流と呼気流の両方を含む、患者の呼吸器系により交換される気体の、単位時間当たり総量の尺度。分当たり量として表される場合、この量は、しばしば、「毎分換気量」と呼ばれる。毎分換気量は、ときに、量のみで与えられるが、分当たり量を表すものと理解される。
８．３．８ ＲＰＴデバイスのパラメータ
気流量（または気流）：単位時間当たりで運ばれる空気の瞬間量（または質量）。気流量と換気量は、単位時間当たりの体積または質量で同じ次元を有するが、気流量は、はるかに短い時間に対して測定される。いくつかのケースでは、参照気流量は、スカラー量、すなわち、大きさのみを有する量である。また、別のケースでは、参照気流量は、ベクトル量、すなわち、大きさと方向を有する量である。符号付きの量として言及している場合、気流量は、患者の呼吸周期の吸気部分を、名目上、正とし、したがって、患者の呼気周期の呼気部分を負としてもよい。気流量は、記号Ｑで表される。総気流量Ｑｔは、ＲＰＴデバイスを出ていく空気の流量である。換気量Ｑｖは、呼気気体のウォッシュアウトを可能にするベントを出て行く空気の流量である。漏出量Ｑｌは、患者インターフェースシステムから、意図に反して漏れ出してしまう流量である。呼吸量Ｑｒは、患者の呼吸システムで受け取る空気の流量である。
気流量（または気流）：単位時間当たりで運ばれる空気の瞬間量（または質量）。気流量と換気量は、単位時間当たりの体積または質量で同じ次元を有するが、気流量は、はるかに短い時間に対して測定される。いくつかのケースでは、参照気流量は、スカラー量、すなわち、大きさのみを有する量である。また、別のケースでは、参照気流量は、ベクトル量、すなわち、大きさと方向を有する量である。符号付きの量として言及している場合、気流量は、患者の呼吸周期の吸気部分を、名目上、正とし、したがって、患者の呼気周期の呼気部分を負としてもよい。気流量は、記号Ｑで表される。総気流量Ｑｔは、ＲＰＴデバイスを出ていく空気の流量である。換気量Ｑｖは、呼気気体のウォッシュアウトを可能にするベントを出て行く空気の流量である。漏出量Ｑｌは、患者インターフェースシステムから、意図に反して漏れ出してしまう流量である。呼吸量Ｑｒは、患者の呼吸システムで受け取る空気の流量である。
漏出：好ましくは、漏出という語は、周囲環境への空気の流れと解釈される。漏出は、例えば、呼息のＣＯ２のウォッシュアウトを可能にするために意図的に行われることもある。漏出は、例えば、マスクと患者の顔面の間の密閉が不完全な結果として、意図せずして発生することもある。一実施例では、漏出は、スイベルエルボにおいて発生し得る。
８．４ その他の事項
本特許文書の開示の一部は、著作権保護の対象となる内容を含む。本特許文書または本特許開示は特許庁の特許ファイルまたは記録に記載されるものであり、何人によるそれらのファックス複製にも、著作権所有者は異議を有しないが、その他の点については、すべての著作権を保有する。
本特許文書の開示の一部は、著作権保護の対象となる内容を含む。本特許文書または本特許開示は特許庁の特許ファイルまたは記録に記載されるものであり、何人によるそれらのファックス複製にも、著作権所有者は異議を有しないが、その他の点については、すべての著作権を保有する。
文脈から明らかな場合を除き、かつ、値の範囲が与えられている場合、当該範囲の上限と下限の間の、下限値の単位の１／１０までの各中間値、および、当該記載範囲内のその他の任意の記載された値または中間値が、本技術に包含されるものと解される。それらの中間範囲の上限と下限は、別個に当該中間範囲に含めてもよいが、本技術に包含されるものである、ただし、記載範囲において限界が特に排除されることもあり得る。記載された範囲が限界の一方または両方を含む場合、それらの含まれる限界のいずれか一方または両方を除く範囲も本技術に包含される。
さらに、本明細書において、一つまたは複数の値が本技術の一部として実施されるものとして記載される場合、特に指定がなければ、その値は近似とすることができ、また、その値は、実際の技術的実施において許容または要求される程度に、任意の適切な有効桁として用い得るものと解される。
定義の記載がない場合は、本明細書におけるすべての技術用語および科学用語は、本技術が属する分野の当業者によって一般的に理解される意味を有する。本明細書に記載する方法および材料に類似するかまたは等しい、いかなる方法および材料も本技術の実施または試験において使用可能であるが、本明細書には、限定的な数の例示的方法および材料が記載される。
特定の材料が構成要素の構築に好適に用いられるものとして記載されている場合、同様の特性を有する明らかな代替材料は代替物として用いられ得る。さらに、本明細書中に記載されるすべての構成要素は、またそのいずれのものも、否定的記載のない限りは、製造可能であり、いっしょに、または別個に製造され得るものと理解される。
本明細書および添付の特許請求の範囲において用いられる単数形「ａ」、「ａｎ」および「ｔｈｅ」は、その複数の均等物を含むことに留意しなければならない、ただし、文脈からそうでないことが明らかである場合はこの限りではない。
本明細書に記載する公開文献はすべて、参照により援用して、それらの公開文献の主題である方法および／または材料を開示し、記載する。本明細書に記載する公開文献は、本出願の出願日前のその開示内容についてのみ提示するものである。本明細書のいかなる部分も、先行発明を理由として本技術が前記の公開文献に先行する権利を有すると認めるものと解釈されてはならない。さらに、提示された公開文献の日付は、実際の公開文献の日付と異なる可能性もあり、これは独自に確認を要する。
さらに、本開示の解釈においては、用語はすべて、文脈に一致して最も広く、合理的に解釈されるべきである。特に、「ｃｏｍｐｒｉｓｅｓ」および「ｃｏｍｐｒｉｓｉｎｇ」という用語は、要素、構成要素またはステップを非限定的に指すものであり、指示された要素、構成要素またはステップは、明示されていない他の要素、構成要素またはステップと共に存在、利用または組み合わされ得ると解釈されるべきである。
詳細な説明において用いられる見出しは、読者の便宜のためのものであり、本開示または特許請求の範囲全体に見られる主題事項を制限するために用いられるべきではない。これらの見出しは、特許請求の範囲または特許請求項における限定の解釈において用いられるべきではない。
本明細書において本技術は特定の実施例に関して記載しているが、それらの実施例は本技術の原理および応用の単に例示であると解すべきである。いくつかの実施例では、用語および記号は、本技術の実施のためには必要ではない特定詳細を含意することがある。例えば、「ｆｉｒｓｔ（第１の）」および「ｓｅｃｏｎｄ（第２の）」という用語が用いられるが、特に指定のない限り、それらは、いかなる順番も表すものではなく、別個の要素を区別するために使用され得るものである。さらに、本方法におけるプロセスステップは順序を付けて記載または例示されることもあるが、そのような順序は必要ではない。当業者であれば、このような順序が変更可能であり、かつ／または、その様態を同時に、または同期して実行することさえ、可能であることを認識するであろう。
したがって、例示の実施例に数多くの変更がなされ得ること、およびその他の改変も、本技術の本旨および範囲を逸脱することなく考案され得るものと解すべきである。例えば、本技術のさらなるバージョンは、以下の段落および例をも考慮して解されるであろう。この目的のために、本技術は、以下を含んでもよい。
実施例１．人の睡眠呼吸障害状態を監視するための１つまたは複数のプロセッサの方法であって、１つまたは複数のプロセッサの方法は、以下を含む。
１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出する。１つまたは複数の動作信号は、能動非接触感知によって生成される。
受動信号から１つまたは複数のエネルギー帯域信号を抽出し、受動信号は、受動非接触感知によって生成され、受動信号は、音響センサによって検出された音響情報を表す。
睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために、１つまたは複数のエネルギー帯域信号および／または１つまたは複数の呼吸信号を評価する。そして
睡眠呼吸障害の１つまたは複数の測定値を生成するために、１つまたは複数の強度信号から導出された１つまたは複数の特徴を分類する。
実施例２．実施例１の方法は、以下を含む
睡眠呼吸障害の１つまたは複数の測定値に基づいて睡眠呼吸障害指標を生成する。
実施例３．睡眠呼吸障害指標をディスプレイ上に表示する、および／または転送することとをさらに含む、実施例２の方法。
実施例４．睡眠呼吸障害の１つまたは複数の測定値をディスプレイ上に表示することと、および／または転送することとをさらに含む、実施例１から３のいずれか１つに記載の方法。
実施例５．１つまたは複数の呼吸信号は呼吸努力信号を含む、実施例１から４のいずれか１つに記載の方法。
実施例６．睡眠呼吸障害の１つまたは複数の測定値は、睡眠呼吸障害の確率を含む、実施例１から５のいずれか１つに記載の方法。
実施例７．分類は、睡眠セッションの閾値を超える多数の睡眠呼吸障害事象の存在の肯定および否定のうちの１つを識別することを含み、睡眠呼吸障害の１つまたは複数の測定値は識別の結果を表すバイナリフラグを含む、実施例１から６のいずれか１つに記載の方法。
実施例８．実施例６に依存する場合の実施例７に記載の方法であって、バイナリフラグは確率が閾値を超えた場合に肯定を表す、方法。
実施例９．睡眠呼吸障害事象は、無呼吸および低呼吸事象のうちの少なくとも１つを含む、実施例７に記載の方法。
実施例１０．睡眠呼吸障害の１つまたは複数の測定値は、無呼吸事象および低呼吸事象の総数の推定値を表す無呼吸低呼吸指数を含む、実施例１から９のいずれか１つに記載の方法。
実施例１１．実施例１から１０のいずれか１つ記載の方法であって、実施例６に依存する場合、確率に基づいて睡眠段階調整係数を生成することをさらに含む、方法。
実施例１２．調整係数の関数として睡眠段階時間を調整することをさらに含む、実施例１１に記載の方法。
実施例１３．１つまたは複数の強度信号に基づくクラスタフラグ信号を生成することをさらに含み、クラスタフラグ信号は、ＳＤＢ変調の有無を識別する時系列を表す、実施例１から１２のいずれか１つに記載の方法。
実施例１４．クラスタフラグ信号は、１つまたは複数の強度信号の値と閾値との間の比較に基づいて生成される、実施例１３に記載の方法。
実施例１５．１つまたは複数の強度信号の値が第１の強度閾値よりも大きい場合に、クラスタフラグ信号のフラグが真に設定される、実施例１４に記載の方法。
実施例１６．クラスタフラグ信号は、第２の強度閾値と比較した場合においてフィルタリングされた信号の値の評価に従ってさらに設定され、フィルタリングされた信号は、１つまたは複数の強度信号をフィルタリングすることによって導出される、実施例１５に記載の方法。
実施例１７．１つまたは複数の特徴は、ＳＤＢクラスタを有する総睡眠時間の１つまたは複数の割合を含む、実施例１から１６のいずれか１つに記載の方法。
実施例１８．１つまたは複数の特徴はピーク強度またはピーク平均強度を含む、実施例１から１７のいずれか１つに記載の方法。
実施例１９．検出されたＳＤＢクラスタの存在を特徴付ける生成されたクラスタフラグ信号に基づいて睡眠覚醒補正マスク信号を生成することをさらに含む、実施例１から１８のいずれか１つに記載の方法。
実施例２０．睡眠覚醒補正マスク信号を睡眠段階化プロセスに適用することをさらに含む実施例１９に記載の方法であって、覚醒分類のインスタンスが睡眠覚醒補正マスク信号に従って睡眠のインスタンスに補正される、方法。
実施例２１．生成された睡眠呼吸障害指標は、ディスプレイデバイス上に表示されるグラフィックリスクオメータを含み、グラフィックリスクオメータはポインタおよびスケールを含む、実施例１から２０のいずれか１つに記載の方法。
実施例２２．スケールが、睡眠呼吸障害の呼吸リスクの離散的な範囲の表示とともに提示される、実施例２１に記載の方法。
実施例２３．睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために１つまたは複数の呼吸信号を評価する、実施例１から２２のいずれか１つに記載の方法は、以下を含む。
エンベロープ信号を生成する。
エンベロープ信号を正規化する。そして
正規化されたエンベロープ信号からスペクトル特性を生成する。
エンベロープ信号を生成する。
エンベロープ信号を正規化する。そして
正規化されたエンベロープ信号からスペクトル特性を生成する。
実施例２４．スペクトル特性は、睡眠呼吸障害の周波数範囲のパワースペクトル密度演算のピーク周波数を含む、実施例２３に記載の方法。
実施例２５．スペクトル特性は、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワー、の比率を含む帯域内メトリックを含む、実施例２３および２４のいずれか１つに記載の方法。
実施例２６．スペクトル特性は、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算のスペクトルの総パワーとピーク周波数付近の狭帯域のパワーの間の差、の比率を含む帯域内メトリックを含む、実施例２３および２４のいずれか１つに記載の方法。
実施例２７．帯域内メトリックは、Ｉチャネル動作信号およびＱチャネル動作信号からの帯域内メトリック値から導出された平均メトリックである、実施例２５および２６のいずれか１つに記載の方法。
実施例２８．睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために１つまたは複数のエネルギー帯域信号を評価する、実施例１から２７のいずれか１つに記載の方法は、以下を含む。
１つまたは複数のエネルギー帯域信号を組み合わせる。
組み合わせられたエネルギー帯域信号からエンベロープ信号を生成する。
組み合わされたエネルギー帯域信号からのエンベロープ信号をフィルタリングおよび正規化する。そして
フィルタリングされ正規化されたエンベロープ信号からスペクトル特性を生成する。
１つまたは複数のエネルギー帯域信号を組み合わせる。
組み合わせられたエネルギー帯域信号からエンベロープ信号を生成する。
組み合わされたエネルギー帯域信号からのエンベロープ信号をフィルタリングおよび正規化する。そして
フィルタリングされ正規化されたエンベロープ信号からスペクトル特性を生成する。
実施例２９．フィルタリングされ正規化されたエンベロープ信号からのスペクトル特性が、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワーの比率、を含む帯域内メトリックを含む、実施例２８に記載の方法。
実施例３０．フィルタリングされ正規化されたエンベロープ信号からのスペクトル特性が、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算のスペクトルの合計パワーとピーク周波数付近の狭帯域のパワーとの間の差の比率を含む帯域内メトリックを含む、実施例２８に記載の方法。
実施例３１．１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出することは、複数の動作信号を組み合わせることを含み、複数の動作信号のそれぞれは、複数の動作信号の他の動作信号からの検出範囲とは異なる検出範囲からの動作を表す動作信号である、実施例１から３０のいずれか１つに記載の方法。
実施例３２．組み合わせは、複数の動作信号のそれぞれのパワースペクトル密度から呼吸周波数に従って重量を計算することと、複数の動作信号の絶対値の加重平均を決定することとを含む、実施例３１に記載の方法。
実施例３３．受動信号から１つまたは複数のエネルギー帯域信号を抽出する、実施例１から３２のいずれか１つに記載の方法は、以下を含む。
受動信号の変換を計算することにより、受動信号の音の周波数を帯域信号に分離する。
帯域信号のエネルギー値を計算する。そして
帯域信号ごとに計算されたエネルギー値を平均する。
受動信号の変換を計算することにより、受動信号の音の周波数を帯域信号に分離する。
帯域信号のエネルギー値を計算する。そして
帯域信号ごとに計算されたエネルギー値を平均する。
実施例３４．能動非接触感知は、マイクロフォンおよびスピーカーを用いたソナー感知を含む、実施例１から３３のいずれか１つに記載の方法。
実施例３５．能動非接触感知は、無線周波数送信機および受信機を使用したレーダー感知を含む、実施例１から３３のいずれか１つに記載の方法。
実施例３６．能動非接触感知は周波数変調連続波（ＦＭＣＷ）感知を含む、実施例１から３５のいずれか１つに記載の方法。
実施例３７．受動非接触感知は、マイクロフォンを用いた呼吸関連音の音響感知を含む、実施例１から３６のいずれか１つに記載の方法。
実施例３８．実施例３７に記載の方法は、受動信号を生成するためにマイクロフォンによって生成された音声信号を前処理することをさらに含み、前処理は、無限インパルス応答フィルタを用いたフィルタリング、スライディングウィンドウ上の最小値の減算を含むベースライン除去、パーセンタイル制限を使用したアーチファクトの除去、スライディングウィンドウ上の標準偏差による正規化、積分とハイパスフィルタリングのうちのいずれかの１つまたは複数を含む。
実施例３９．前処理された音声信号を自己相関させることをさらに含む、実施例３８に記載の方法。
実施例４０．実施例３９に記載の方法は、自己相関され、前処理された音声信号の事前定義された呼吸範囲でピークを検出することをさらに含む。
実施例４１．実施例４０に記載の方法は、複数の信号のピークから呼吸数推定値を決定することをさらに含み、複数の信号のそれぞれは、離散周波数帯域の音声信号であり、前処理および自己相関によって処理される。
実施例４２．１つまたは複数の特徴は、１つまたは複数のエネルギー帯域信号および１つまたは複数の呼吸信号からの複数の強度信号から導出された複数の特徴であり、睡眠呼吸障害の生成された１つまたは複数の測定値は、複数の特徴の分類によって生成される、実施例１から４１のいずれか１つに記載の方法。
実施例４３．１つまたは複数のプロセッサは処理デバイス内にあり、処理デバイスはスマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチと呼吸療法デバイスを含む、実施例１から４２のいずれか１つ記載の方法。
実施例４４．睡眠呼吸障害の１つまたは複数の測定値に基づいて、呼吸療法デバイスの治療の設定への変更を１つまたは複数のプロセッサで制御することをさらに含む、実施例１から４３のいずれか１つに記載の方法。
実施例４５．プロセッサ可読媒体は、１つまたは複数のプロセッサによって実行される場合、プロセッサ実行可能命令をそこに記憶し、これにより、１つまたは複数のプロセッサに、人の睡眠呼吸障害状態を監視させ、プロセッサ実行可能命令は、実施例１から４４のいずれか１つに記載の方法を実行するように構成される。
実施例４６．サーバは、プロセッサ可読媒体のプロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードする要求を受信するように構成される、実施例４５に記載のプロセッサ可読媒体にアクセスを有するサーバ。
実施例４７．処理デバイスは、１つまたは複数のプロセッサ、１つまたは複数のプロセッサに結合されたスピーカー、１つまたは複数のプロセッサに結合されたマイクロフォン、実施例４５に記載のプロセッサ可読媒体を含む。
実施例４８．処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティング装置、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、実施例４７に記載の処理デバイス。
実施例４９．処理デバイスは、１つまたは複数のプロセッサ、１つまたは複数のプロセッサに結合されたマイクロフォン、１つまたは複数のプロセッサに結合された無線周波数センサおよび実施例４５に記載のプロセッサ可読媒体を含む。
実施例５０．実施例４５に記載のプロセッサ可読媒体にアクセスを有するサーバの方法であって、方法は、サーバで、プロセッサ可読媒体のプロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードする要求を受信することと、要求に応答して、プロセッサ実行可能命令を処理デバイスに送信することとを含む、方法。
実施例５１．人の睡眠呼吸障害状態を監視するための装置であって、以下を含む装置。
能動非接触感知および受動非接触感知のために構成された１つまたは複数のセンサ。そして
以下のように構成された１つまたは複数のプロセッサ。
１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出し、１つまたは複数の動作信号は、１つまたは複数のセンサを用いた能動非接触感知によって生成され、
受動信号から１つまたは複数のエネルギー帯域信号を抽出し、受動信号は、１つまたは複数のセンサを用いた受動非接触感知によって生成され、受動信号は、１つまたは複数のセンサの音響センサによって検出される音響情報を表す。
１つまたは複数のエネルギー帯域信号および／または１つまたは複数の呼吸信号を評価して、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成する。そして
睡眠呼吸障害の１つまたは複数の測定値を生成するために、１つまたは複数の強度信号から導出された１つまたは複数の特徴を分類する。
能動非接触感知および受動非接触感知のために構成された１つまたは複数のセンサ。そして
以下のように構成された１つまたは複数のプロセッサ。
１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出し、１つまたは複数の動作信号は、１つまたは複数のセンサを用いた能動非接触感知によって生成され、
受動信号から１つまたは複数のエネルギー帯域信号を抽出し、受動信号は、１つまたは複数のセンサを用いた受動非接触感知によって生成され、受動信号は、１つまたは複数のセンサの音響センサによって検出される音響情報を表す。
１つまたは複数のエネルギー帯域信号および／または１つまたは複数の呼吸信号を評価して、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成する。そして
睡眠呼吸障害の１つまたは複数の測定値を生成するために、１つまたは複数の強度信号から導出された１つまたは複数の特徴を分類する。
実施例５２．１つまたは複数のプロセッサは、睡眠呼吸障害の１つまたは複数の測定値に基づいて睡眠呼吸障害指標を生成するようにさらに構成される、実施例５１に記載の装置。
実施例５３．１つまたは複数のプロセッサは、睡眠呼吸障害指標をディスプレイ上に表示し、および／または転送するようにさらに構成される、実施例５２に記載の装置。
実施例５４．１つまたは複数のプロセッサは、睡眠呼吸障害の１つまたは複数の測定値をディスプレイ上に表示し、および／または転送するようにさらに構成される、実施例５１から５３のいずれか１つに記載の装置。
実施例５５．１つまたは複数の呼吸信号は呼吸努力信号を含む、実施例５１から５４のいずれか１つに記載の装置。
実施例５６．睡眠呼吸障害の１つまたは複数の測定値は、睡眠呼吸障害の確率を含む、実施例５１から５５のいずれか１つに記載の装置。
実施例５７．分類は、睡眠セッションの閾値を超えるいくつかの睡眠呼吸障害事象の存在の肯定および否定のうちの１つを識別することを含み、睡眠呼吸障害の１つまたは複数の測定値は、識別の結果を表すバイナリフラグを含む、実施例５１から５６のいずれか１つに記載の装置。
実施例５８．バイナリフラグは確率が閾値を超えた場合の肯定を表す、実施例５６に依存する場合の実施例５７の装置。
実施例５９．睡眠呼吸障害事象は無呼吸および低呼吸事象のうちの少なくとも１つを含む、実施例５７に記載の装置。
実施例６０．睡眠呼吸障害の１つまたは複数の測定値は、無呼吸事象および低呼吸事象の総数の推定値を表す無呼吸低呼吸指数を含む、実施例５１から５９のいずれか１つに記載の装置。
実施例６１．１つまたは複数のプロセッサは、確率に基づいて睡眠段階調整係数を生成するようにさらに構成される、実施例５４に依存する場合、実施例５１から６０のいずれか１つの装置。
実施例６２．１つまたは複数のプロセッサは、調整係数の関数として睡眠段階時間を調整するようにさらに構成される、実施例６１に記載の装置。
実施例６３．１つまたは複数のプロセッサは、１つまたは複数の強度信号に基づくクラスタフラグ信号を生成するようにさらに構成され、クラスタフラグ信号は、ＳＤＢ変調の有無を識別する時系列を表す、実施例５１から６２のいずれか１つに記載の装置。
実施例６４．クラスタフラグ信号が、１つまたは複数の強度信号の値と閾値との間の比較に基づいて生成される、実施例６３に記載の装置。
実施例６５．１つまたは複数の強度信号の値が第１の強度閾値よりも大きい場合に、クラスタフラグ信号のフラグが真に設定される、実施例６４に記載の装置。
実施例６６．クラスタフラグ信号が、第２の強度閾値との比較におけるフィルタリングされた信号の値の評価に従ってさらに設定され、フィルタリングされた信号は、１つまたは複数の強度信号をフィルタリングすることによって導出される、実施例６５に記載の装置。
実施例６７．１つまたは複数の特徴は、ＳＤＢクラスタを有する総睡眠時間の１つまたは複数の割合を含む、実施例５１から６６のいずれか１つに記載の装置。
実施例６８．１つまたは複数の特徴はピーク強度またはピーク平均強度を含む、実施例５１から６７のいずれか１つに記載の装置。
実施例６９．１つまたは複数のプロセッサは、検出されたＳＤＢクラスタの存在を特徴付ける生成されたクラスタフラグ信号に基づいて睡眠覚醒補正マスク信号を生成するようにさらに構成される、実施例５１から６８のいずれか１つに記載の装置。
実施例７０．１つまたは複数のプロセッサは、睡眠覚醒補正マスク信号を睡眠段階化プロセスに適用するようにさらに構成され、睡眠覚醒分類のインスタンスが睡眠覚醒補正マスク信号に従って睡眠のインスタンスに補正される、実施例６９に記載の装置。
実施例７１．生成された睡眠呼吸障害指標は、ディスプレイデバイス上に表示されたグラフィックリスクオメータを含み、グラフィックリスクオメータはポインタおよびスケールを含む、実施例５１から７０のいずれか１つに記載の装置。
実施例７２．スケールが、睡眠呼吸障害の呼吸リスクの離散的な範囲の表示とともに提示される、実施例７１に記載の装置。
実施例７３．１つまたは複数の呼吸信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために、１つまたは複数のプロセッサは、以下のように構成される、実施例５１から７２のいずれか１つに記載の装置。
エンベロープ信号を生成する。
エンベロープ信号を正規化する。そして
正規化されたエンベロープ信号からスペクトル特性を生成する。
エンベロープ信号を生成する。
エンベロープ信号を正規化する。そして
正規化されたエンベロープ信号からスペクトル特性を生成する。
実施例７４．スペクトル特性は、睡眠呼吸障害の周波数範囲におけるパワースペクトル密度演算のピーク周波数を含む、実施例７３に記載の装置。
実施例７５．スペクトル特性は、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワー、の比率を含む帯域内メトリックを含む、実施例７３および７４のいずれか１つに記載の装置。
実施例７６．スペクトル特性は、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算のスペクトルの総パワーとピーク周波数付近の狭帯域のパワーの間の差、の比率を含む帯域内メトリックを含む、実施例７３および７４のいずれか１つに記載の装置。
実施例７７．帯域内メトリックは、Ｉチャネル動作信号およびＱチャネル動作信号からの帯域内メトリック値から導出された平均メトリックである、実施例７３および７６のいずれか１つに記載の装置。
実施例７８．１つまたは複数のエネルギー帯域信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために、１つまたは複数のプロセッサは、以下のように構成される、実施例５１から７７のいずれか１つに記載の装置。
１つまたは複数のエネルギー帯域信号を組み合わせる。
組み合わせられたエネルギー帯域信号からエンベロープ信号を生成する。そして
組み合わせられたエネルギー帯域信号からのエンベロープ信号をフィルタリングおよび正規化する。そして
フィルタリングされ正規化されたエンベロープ信号からスペクトル特性を生成する。
１つまたは複数のエネルギー帯域信号を組み合わせる。
組み合わせられたエネルギー帯域信号からエンベロープ信号を生成する。そして
組み合わせられたエネルギー帯域信号からのエンベロープ信号をフィルタリングおよび正規化する。そして
フィルタリングされ正規化されたエンベロープ信号からスペクトル特性を生成する。
実施例７９．フィルタリングされ正規化されたエンベロープ信号からのスペクトル特性は、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワー、の比率を含む帯域内メトリックを含む、実施例７８に記載の装置。
実施例８０．フィルタリングされ正規化されたエンベロープ信号からのスペクトル特性は、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）パワースペクトル密度演算のスペクトルの合計パワーとピーク周波数付近の狭帯域のパワーとの間の差、の比率を含む帯域内メトリックを含む、実施例７８に記載の装置。
実施例８１．１つまたは複数の動作信号から１つまたは複数の呼吸努力信号を抽出するために、１つまたは複数のプロセッサは、複数の動作信号を組み合わせるように構成され、複数の動作信号のそれぞれは、複数の動作信号の他の動作信号からの検出範囲とは異なる検出範囲からの動作を表す動作信号である、実施例５１から８０のいずれか１つの装置。
実施例８２．複数の動作信号を組み合わせるために、１つまたは複数のプロセッサは、複数の動作信号のそれぞれのパワースペクトル密度から呼吸周波数に従って重量を計算し、複数の動作信号の絶対値の加重平均を決定するように構成される、実施例８１に記載の装置。
実施例８３．受動信号から１つまたは複数のエネルギー帯域信号を抽出するために、１つまたは複数のプロセッサは、以下のように構成される、実施例５１から８２のいずれか１つに記載の装置。
受動信号の変換を計算することにより、受動信号の音の周波数を帯域信号に分離する。
帯域信号のエネルギー値を計算する。そして
各帯域信号の計算エネルギー値を平均する。
受動信号の変換を計算することにより、受動信号の音の周波数を帯域信号に分離する。
帯域信号のエネルギー値を計算する。そして
各帯域信号の計算エネルギー値を平均する。
実施例８４．能動非接触感知はソナー感知を含み、１つまたは複数のセンサはマイクロフォンおよびスピーカーを含む、実施例５１から８３のいずれか１つに記載の装置。
実施例８５．能動非接触感知はレーダー感知を含み、１つまたは複数のセンサは無線周波数送信機および受信機を含む、実施例５１から８３のいずれか１つに記載の装置。
実施例８６．能動非接触感知は周波数変調連続波（ＦＭＣＷ）感知を含む、実施例５１から８５のいずれか１つに記載の装置。
実施例８７．受動非接触感知は呼吸関連音の音響感知を含み、１つまたは複数のセンサはマイクロフォンを含む、実施例５１から８６のいずれか１つに記載の装置。
実施例８８．１つまたは複数のプロセッサは、マイクロフォンによって生成された音声信号を前処理して受動信号を生成するように構成され、前処理は、無限インパルス応答フィルタによるフィルタリング、スライディングウィンドウ上の最小値の減算を含むベースライン除去、パーセンタイル制限を使用したアーチファクトの除去、スライディングウィンドウ上の標準偏差による正規化、積分とハイパスフィルタリングのいずれか１つ以を含む、実施例８７に記載の装置。
実施例８９．１つまたは複数のプロセッサは、前処理された音声信号を自己相関させるように構成される、実施例８８に記載の装置。
実施例９０．１つまたは複数のプロセッサは、自己相関され、前処理された音声信号の事前定義された呼吸範囲を有するピークを検出するように構成される、実施例８９に記載の装置。
実施例９１．１つまたは複数のプロセッサは、複数の信号のピークから呼吸数の推定値を決定するように構成され、複数の信号のそれぞれが離散周波数帯域の音声信号であり、前処理および自己相関によって処理される、実施例９０に記載の装置。
実施例９２．１つまたは複数の特徴は、１つまたは複数のエネルギー帯域信号および１つまたは複数の呼吸努力信号からの複数の強度信号から導出された複数の特徴であり、睡眠呼吸障害の生成された１つまたは複数の測定値は、複数の特徴の分類によって生成される、実施例５１から９１のいずれか１つに記載の装置。
実施例９３．１つまたは複数のプロセッサは、処理デバイス内にあり、処理デバイスは、一般的なコンピューティングデバイス、スマートフォン、タブレットコンピュータ、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、実施例５１から９２のいずれか１つに記載の装置。
実施例９４．１つまたは複数のプロセッサは、睡眠呼吸障害の１つまたは複数の測定値に基づいて呼吸療法デバイスの治療の設定への変更を制御するように構成される、実施例５１から９３のいずれか１つに記載の装置。
実施例９５．実施例４５に記載のプロセッサ可読媒体をさらに含む、実施例５１に記載の装置。
実施例９６．人による咳を識別するための１つまたは複数のプロセッサの方法であって、１つまたは複数のプロセッサの方法は、以下を含む。
マイクロフォンで生成された信号にアクセスし、信号は、人の近くでの受動非接触感知によって生成され、信号は、マイクロフォンによって検出された音響情報を表す。
信号から１つまたは複数の咳関連の特徴を導出する。そして
人による咳の１つまたは複数の事象の表示を生成するために１つまたは複数の特徴を分類する。
マイクロフォンで生成された信号にアクセスし、信号は、人の近くでの受動非接触感知によって生成され、信号は、マイクロフォンによって検出された音響情報を表す。
信号から１つまたは複数の咳関連の特徴を導出する。そして
人による咳の１つまたは複数の事象の表示を生成するために１つまたは複数の特徴を分類する。
実施例９７．もう１つの特徴は、人の咳の有無に関する、実施例９６に記載の方法。
実施例９８．１つまたは複数の特徴を分類することは、咳タイプを識別することを含む、実施例９６から９７のいずれか１つに記載の方法。
実施例９９．咳タイプは、（ａ）乾性咳タイプ、（ｂ）生産性咳タイプ、（ｃ）喘鳴関連咳タイプ、および（ｄ）けいれん関連咳タイプのいずれか１つまたは複数を含む、実施例９８に記載の方法。
実施例１００．１つまたは複数の特徴を分類することは、咳帰属タイプを識別することを含む、実施例９６から９９のいずれか１つに記載の方法。
実施例１０１．咳帰属タイプは、（ａ）喘息性咳タイプ、（ｂ）慢性閉塞性肺（ＣＯＰＤ）咳タイプ、（ｃ）気管支炎咳タイプ、（ｄ）結核（ＴＢ）咳タイプ、（ｅ）肺炎咳タイプ、（ｆ）肺癌咳タイプ、（ｇ）胃食道逆流症（ＧＥＲＤ）、および（ｈ）上気道咳症候群のいずれか１つまたは複数を含む、実施例１００の方法。
実施例１０２．１つまたは複数のプロセッサは、咳の１つまたは複数の事象の１つの事象の強度のレベルを示す咳強度メトリックをさらに生成する、実施例９６から１０１のいずれか１つに記載の方法。
実施例１０３．咳強度メトリックは音響振幅値および／またはラウドネス値を含む、実施例１０２に記載の方法。
実施例１０４．１つまたは複数のプロセッサが咳強度メトリックの変動性を決定する、実施例１０２から１０３のいずれか１つに記載の方法。
実施例１０５．音響信号から導出された１つまたは複数の特徴は、周波数の特徴、時間の特徴、スペクトログラムの特徴、およびウェーブレットの特徴のいずれか１つ、または複数、またはすべてを含む、実施例９６から１０４のいずれか１つに記載の方法。
実施例１０６．音響信号から導出された１つまたは複数の特徴の周波数関連の特徴は、（１）局所ピーク、（２）ドミナントピークと１つまたは複数の周囲のピークの比率、（３）局所での最大値、（４）全体での最大値、（５）高調波、（６）１つまたは複数の周波数成分の積分、（８）異なる周波数エネルギー推定値の比率、（７）１つまたは複数のメル周波数ケプストラル係数（ＭＦＣＣ）、（９）スペクトル束、（１０）スペクトル重心、（１１）高調波積スペクトル、（１２）スペクトル拡散、（１３）１つまたは複数のスペクトル自己相関係数、（１４）スペクトル尖度、および（１５）線形予測符号化（ＬＰＣ）のいずれか１つ、または複数、またはすべてを含む、実施例９６から１０５のいずれか１つに記載の方法。
実施例１０７．音響信号から導出された１つまたは複数の特徴の時間的に関連する特徴は、（１）二乗平均平方根（ＲＭＳ）値、（２）ゼロ交差率、（３）エンベロープ、（４）自己相関関数に基づくピッチのいずれか１つ、または複数、またはすべてを含む、実施例９６から１０６のいずれか１つに記載の方法。
実施例１０８．音響信号のバックグラウンドノイズを除去するために音声活性化検出によって音響信号を処理することをさらに含む、実施例９６から１０７のいずれか１つに記載の方法。
実施例１０９．音響信号から咳の数を推定することをさらに含む、実施例９６から１０８のいずれか１つに記載の方法。
実施例１１０．咳の数の変動を推定することをさらに含む、実施例１０９に記載の方法。
実施例１１１．１つまたは複数のプロセッサは、検出された呼吸波形から呼吸特徴を抽出するように構成され、人による咳の１つまたは複数の事象の表示を生成するための１つまたは複数の特徴の分類は、呼吸波形から抽出された１つまたは複数の呼吸波形特徴に基づく、実施例９６から１１１のいずれか１つ記載の方法。
実施例１１２．１つまたは複数の呼吸特徴は、（１）吸気時間、（２）吸気深度、（３）呼気時間、（４）呼気深度、（５）吸気対呼気比、（６）咳による呼吸波形の１つまたは複数のノッチ、および（７）呼吸数の１つ、または複数、またはすべてを含む、実施例１１１に記載の方法。
実施例１１３．１つまたは複数の呼吸特徴が、受動非接触感知および能動非接触感知のうちの１つまたは複数で導出される、実施例１１２に記載の方法。
実施例１１４．１つまたは複数のプロセッサは、能動非接触感知装置を用いた能動非接触感知によって１つまたは複数の動作信号を生成する、実施例９６から１１３のいずれか１つに記載の方法。そして
１つまたは複数のプロセッサは、生成された１つまたは複数の動作信号の評価に基づいて、人による咳の１つまたは複数の事象の表示を生成する。
１つまたは複数のプロセッサは、生成された１つまたは複数の動作信号の評価に基づいて、人による咳の１つまたは複数の事象の表示を生成する。
実施例１１５．人の体位の検出をさらに含む、実施例１１４に記載の方法。
実施例１１６．生成された１つまたは複数の動作信号の評価は、人に特有の生体認証の検出を含む、実施例１１４から１１５のいずれか１つに記載の方法。
実施例１１７．生成された１つまたは複数の動作信号の評価は、１つまたは複数の動作信号からの睡眠段階情報の検出を含む、実施例１１３から１１６のいずれか１つに記載の方法。
実施例１１８．１つまたは複数のプロセッサは、睡眠段階情報の検出に基づいて音響的に感知された咳の事象を除去する、実施例１１７に記載の方法。
実施例１１９．１つまたは複数のプロセッサは、睡眠段階情報の検出に基づいて、音響的に感知された咳の事象を人に帰属させる、実施例１１７から１１８のいずれか１つに記載の方法。
実施例１２０．能動非接触感知は、音響タイプの感知、光学タイプの感知、およびレーダータイプの感知のうちの１つまたは複数を含む、実施例１１４から１１９のいずれか１つに記載の方法。
実施例１２１．１つまたは複数のプロセッサは、状態のさらなる調査を推奨するため、人による咳の１つまたは複数の事象の表示に関するデータを通信し、および／または環境パラメータ、治療デバイスの設定、行動変化および／または治療パラメータの１つまたは複数を制御ようにさらに構成される、実施例９６から１２０のいずれか１つに記載の方法。
実施例１２２．１つまたは複数のプロセッサは、寝具を交換または洗濯するためのリマインダーを生成するようにさらに構成される、実施例９６から１２１のいずれか１つに記載の方法。
実施例１２３．分類は、教師あり機械学習、深層学習、畳み込みニューラルネットワーク、およびリカレントニューラルネットワークのいずれか１つまたは複数によって導出された分類子を含む、実施例９６から１２２のいずれか１つに記載の方法。
実施例１２４．ユーザの環境相互作用を検出するために音を監視することをさらに含む、実施例９６から１２３のいずれか１つ記載の方法。
実施例１２５．ユーザ環境相互作用は、クリッカー、器具、およびドアのいずれか１つまたは複数を含むユーザ環境相互作用の特徴の検出を含む、実施例１２４に記載の方法。
実施例１２６．ユーザ環境相互作用を検出するために音を監視することは、監視対象者との接触の必要性の表示を生成するために監視対象者の活動パターンを評価することを含む、実施例１２４および１２５のいずれか１つに記載の方法。
実施例１２７．プロセッサ可読媒体は、１つまたは複数のプロセッサによって実行される場合、１つまたは複数のプロセッサに人による咳を識別させるプロセッサ実行可能命令をそこに記憶し、プロセッサ実行可能命令は、実施例９６から１２６のいずれか１つ記載の方法を実行するように構成される。
実施例１２８．サーバは、プロセッサ可読媒体のプロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードするための要求を受信するように構成される、実施例１２７に記載のプロセッサ可読媒体にアクセスを有する、サーバ。
実施例１２９．処理デバイスは、１つまたは複数のプロセッサ、１つまたは複数のプロセッサに結合されたスピーカー、１つまたは複数のプロセッサに結合されたマイクロフォン、実施例１２７に記載のプロセッサ可読媒体を含み、または１つまたは複数のプロセッサは、実施例１２８に記載のサーバを用いてプロセッサ実行可能命令にアクセスするように構成される。
実施例１３０．処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティング装置、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、実施例１２９に記載の処理デバイス。
実施例１３１．処理デバイスは、１つまたは複数のプロセッサ、１つまたは複数のプロセッサに結合されたマイクロフォン、１つまたは複数のプロセッサに結合された無線周波数センサ、および実施例１２７に記載のプロセッサ可読媒体を含む。
実施例１３２．実施例１２７に記載のプロセッサ可読媒体にアクセスを有するサーバの方法であって、方法は、サーバで、プロセッサ可読媒体のプロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードする要求を受信することと、要求に応答して、プロセッサ実行可能命令を処理デバイスに送信することとを含む、方法。
実施例１３３．人による咳を識別するための処理デバイスは、以下を含む。
受動非接触感知用に構成された１つまたは複数のマイクロフォンであって、１つまたは複数のマイクロフォンは、人の近くで受動非接触感知によって信号を生成し、信号は、１つまたは複数のマイクロフォンによって検出された音響情報を表す。そして
１つまたは複数のマイクロフォンに結合された１つまたは複数のプロセッサであって、１つまたは複数のプロセッサは、以下を含む。
１つまたは複数のマイクロフォンで生成された信号にアクセスするように構成されたモジュール。
信号から１つまたは複数の特徴を導出するように構成されたモジュール。そして
人による咳の１つまたは複数の事象の表示を生成するために１つまたは複数の特徴を分類するように構成されたモジュール。
受動非接触感知用に構成された１つまたは複数のマイクロフォンであって、１つまたは複数のマイクロフォンは、人の近くで受動非接触感知によって信号を生成し、信号は、１つまたは複数のマイクロフォンによって検出された音響情報を表す。そして
１つまたは複数のマイクロフォンに結合された１つまたは複数のプロセッサであって、１つまたは複数のプロセッサは、以下を含む。
１つまたは複数のマイクロフォンで生成された信号にアクセスするように構成されたモジュール。
信号から１つまたは複数の特徴を導出するように構成されたモジュール。そして
人による咳の１つまたは複数の事象の表示を生成するために１つまたは複数の特徴を分類するように構成されたモジュール。
実施例１３４．処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティング装置、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、実施例１３３に記載の処理デバイス。
１０００ 眠っている患者
１２００ 非接触センサユニット
２０１０ 接地電極ＩＳＯＧ
２０１５ ＥＯＧ電極
２０２０ ＥＥＧ電極
２０２５ ＥＣＧ電極
２０３０ サブメンタルＥＭＧ電極
２０３５ いびきセンサ
２０４０ 呼吸インダクタンスプレチスモグラム呼吸努力センサ
２０４５ 呼吸インダクタンスプレチスモグラム呼吸努力センサ
２０５０ ｏｒｏ－鼻カニューレ
２０５５ フォトプレチスモグラフパルスオキシメータ
２０６０ 体位センサ
３０００ 患者インターフェース
３１００ シール－形成構造
３２００ プレナムチャンバー
３３００ 構造
３４００ 通気口
３６００ 接続ポート
３７００ 額支援
４０００ ＲＰＴデバイス
４０１０ 外部ハウジング
４０１２ 上部
４０１４ 部分
４０１５ パネル
４０１６ シャーシ
４０１８ ハンドル
４０２０ 空気圧ブロック
４１１２ 吸気フィルタ
４１２２ 入口マフラー
４１２４ 出口マフラー
４１４０ 圧力発生器
４１４２ 送風機
４１７０ 空気回路
４２００ 電気部品
４２０２ ＰＣＢＡ
４２１０ 電源
４２２０ 入力デバイス
４２３０ 中央コントローラ
４２４０ 治療デバイスコントローラ
４２５０ 保護回路
４２６０ メモリ
４２７０ 変換器
４２７２ 圧力センサ
４２７４ 流量センサ
４２８０ データ通信インターフェース
４２９０ 出力デバイス
５０００ 加湿器
５００２ 加湿器入口
５００４ 加湿器出口
５００６ 加湿器ベース
５１１０ 加湿器リザーバ
５２４０ 発熱体
７０００ 監視装置
７００１ マイクロコントローラユニットＭＣＵ
７００２ メモリ
７００３ 動作信号
７００４ 通信回路
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 非接触動作センサ
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 局部発振器
７０５０ （指向性）アンテナ
７０６０ 送信信号
７０７０ 反射信号
７０８０ ミキサー
７１００ 処理デバイス
７２００ アプリケーション
７２０２ プロセス
７２０４ プロセス
７２０６ プロセス
７２０８ プロセス
７３０２ 音センサ
７３０４ プロセッサ
７３０６ ディスプレイインターフェース
７３０８ ユーザ制御／入力インターフェース
７３１０ スピーカー
７３１２ メモリ／データストレージ
８８１０ 抽出モジュール
８８１２ 能動感知信号抽出サブ－モジュール
８８１４ 受動感知信号抽出サブ－モジュール
８８２０ 評価モジュール
８８２２ ＳＤＢ変調評価サブ－モジュール
８８２４ 睡眠段階化モジュール
８８２６ ＳＤＢ概要モジュール
８８３０ 出力モジュール
８８３３ 咳評価モジュール
８９０２ 能動感知プロセス／モジュール
８９０４ 受動感知プロセス／モジュール
８９０６ 睡眠段階化プロセス／モジュール
８９０８ 評価プロセス／モジュール
８９１０ 呼吸努力プロセス／モジュール
８９１２ プロセス／モジュール
８９１４ 特徴抽出プロセス／モジュール
８９１６ 学習した特徴プロセス／モジュール
８９１８ 咳関連のフィンガープリントプロセス／モジュール
８９２０ いびき分類プロセス／モジュール
８９２２ ＳＤＢ評価プロセス／モジュール
８９２４ 睡眠段階出力プロセス／モジュール
８９２６ 睡眠スコア出力プロセス／モジュール
８９２８ 出力プロセス／モジュール
１２００ 非接触センサユニット
２０１０ 接地電極ＩＳＯＧ
２０１５ ＥＯＧ電極
２０２０ ＥＥＧ電極
２０２５ ＥＣＧ電極
２０３０ サブメンタルＥＭＧ電極
２０３５ いびきセンサ
２０４０ 呼吸インダクタンスプレチスモグラム呼吸努力センサ
２０４５ 呼吸インダクタンスプレチスモグラム呼吸努力センサ
２０５０ ｏｒｏ－鼻カニューレ
２０５５ フォトプレチスモグラフパルスオキシメータ
２０６０ 体位センサ
３０００ 患者インターフェース
３１００ シール－形成構造
３２００ プレナムチャンバー
３３００ 構造
３４００ 通気口
３６００ 接続ポート
３７００ 額支援
４０００ ＲＰＴデバイス
４０１０ 外部ハウジング
４０１２ 上部
４０１４ 部分
４０１５ パネル
４０１６ シャーシ
４０１８ ハンドル
４０２０ 空気圧ブロック
４１１２ 吸気フィルタ
４１２２ 入口マフラー
４１２４ 出口マフラー
４１４０ 圧力発生器
４１４２ 送風機
４１７０ 空気回路
４２００ 電気部品
４２０２ ＰＣＢＡ
４２１０ 電源
４２２０ 入力デバイス
４２３０ 中央コントローラ
４２４０ 治療デバイスコントローラ
４２５０ 保護回路
４２６０ メモリ
４２７０ 変換器
４２７２ 圧力センサ
４２７４ 流量センサ
４２８０ データ通信インターフェース
４２９０ 出力デバイス
５０００ 加湿器
５００２ 加湿器入口
５００４ 加湿器出口
５００６ 加湿器ベース
５１１０ 加湿器リザーバ
５２４０ 発熱体
７０００ 監視装置
７００１ マイクロコントローラユニットＭＣＵ
７００２ メモリ
７００３ 動作信号
７００４ 通信回路
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 非接触動作センサ
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 局部発振器
７０５０ （指向性）アンテナ
７０６０ 送信信号
７０７０ 反射信号
７０８０ ミキサー
７１００ 処理デバイス
７２００ アプリケーション
７２０２ プロセス
７２０４ プロセス
７２０６ プロセス
７２０８ プロセス
７３０２ 音センサ
７３０４ プロセッサ
７３０６ ディスプレイインターフェース
７３０８ ユーザ制御／入力インターフェース
７３１０ スピーカー
７３１２ メモリ／データストレージ
８８１０ 抽出モジュール
８８１２ 能動感知信号抽出サブ－モジュール
８８１４ 受動感知信号抽出サブ－モジュール
８８２０ 評価モジュール
８８２２ ＳＤＢ変調評価サブ－モジュール
８８２４ 睡眠段階化モジュール
８８２６ ＳＤＢ概要モジュール
８８３０ 出力モジュール
８８３３ 咳評価モジュール
８９０２ 能動感知プロセス／モジュール
８９０４ 受動感知プロセス／モジュール
８９０６ 睡眠段階化プロセス／モジュール
８９０８ 評価プロセス／モジュール
８９１０ 呼吸努力プロセス／モジュール
８９１２ プロセス／モジュール
８９１４ 特徴抽出プロセス／モジュール
８９１６ 学習した特徴プロセス／モジュール
８９１８ 咳関連のフィンガープリントプロセス／モジュール
８９２０ いびき分類プロセス／モジュール
８９２２ ＳＤＢ評価プロセス／モジュール
８９２４ 睡眠段階出力プロセス／モジュール
８９２６ 睡眠スコア出力プロセス／モジュール
８９２８ 出力プロセス／モジュール
Claims (77)
- 人の睡眠呼吸障害状態を監視するための１つまたは複数のプロセッサで実施される方法であって、
１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出することと、ここで、前記１つまたは複数の動作信号は、能動非接触感知によって生成され、
受動信号から１つまたは複数のエネルギー帯域信号を抽出することと、ここで、前記受動信号は受動非接触感知によって生成され、前記受動信号は音センサによって検出された音響情報を表し、
前記１つまたは複数のエネルギー帯域信号および／または前記１つまたは複数の呼吸信号を評価して、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成することと、
睡眠呼吸障害の１つまたは複数の測定値を生成するために、前記１つまたは複数の強度信号から導出された１つまたは複数の特徴を分類する、または分類のために送信することと、
を含む方法。 - （ａ）睡眠呼吸障害の前記１つまたは複数の測定値に基づいて睡眠呼吸障害指標を生成することと、（ｂ）前記睡眠呼吸障害指標をディスプレイに表示する、および／または転送することと、（ｃ）睡眠呼吸障害の前記１つまたは複数の測定値をディスプレイに表示する、および／または転送することと、
のいずれか１つまたは複数をさらに含む、請求項１に記載の方法。 - 前記分類することは、睡眠セッションの閾値を超える多数の睡眠呼吸障害事象の存在の肯定および否定のうちの１つを識別することを含み、睡眠呼吸障害の前記１つまたは複数の測定値は、前記識別の結果を表すバイナリフラグを含む、請求項１から２のいずれか一項に記載の方法。
- 睡眠呼吸障害の前記１つまたは複数の測定値は、睡眠呼吸障害の確率を含み、前記バイナリフラグは、前記確率が閾値を超えた場合に肯定を表す、請求項３に記載の方法。
- 睡眠呼吸障害の前記１つまたは複数の測定値は、無呼吸事象および低呼吸事象の総数の推定値を表す無呼吸低呼吸指数を含む、請求項１から４のいずれか一項に記載の方法。
- 睡眠呼吸障害の前記１つまたは複数の測定値は、睡眠呼吸障害の確率を含み、前記方法は、（ａ）前記確率に基づいて睡眠段階調整係数を生成することと、（ｂ）睡眠段階時間を前記睡眠段階調整係数の関数として調整することと、をさらに含む、請求項１から５のいずれか一項に記載の方法。
- １つまたは複数の強度信号に基づくクラスタフラグ信号を生成することをさらに含み、前記クラスタフラグ信号は、ＳＤＢ変調の有無を識別する時系列を表す、請求項１から６のいずれか一項に記載の方法。
- 前記クラスタフラグ信号は、前記１つまたは複数の強度信号の値と閾値との間の比較に基づいて生成される、請求項７に記載の方法。
- 前記クラスタフラグ信号のフラグは、前記１つまたは複数の強度信号の値が第１の強度閾値よりも大きい場合に真に設定され、前記クラスタフラグ信号は、第２の強度閾値と比較した場合においてフィルタリングされた信号の値の評価に従ってさらに設定され、前記フィルタリングされた信号は、前記１つまたは複数の強度信号をフィルタリングすることによって導出される、請求項８に記載の方法。
- 前記１つまたは複数の特徴は、
（ａ）ＳＤＢクラスタを有する総睡眠時間の１つまたは複数の割合と、
（ｂ）ピーク強度またはピーク平均強度と、および／または
（ｃ）前記１つまたは複数のエネルギー帯域信号からの複数の強度信号から導出された複数の特徴と、
を含む、請求項１から９のいずれか一項に記載の方法。 - 検出されたＳＤＢクラスタの存在を特徴付ける生成されたクラスタフラグ信号に基づいて睡眠覚醒補正マスク信号を生成することと、前記睡眠覚醒補正マスク信号を睡眠段階化プロセスに適用することと、をさらに含み、覚醒分類のインスタンスは、前記睡眠覚醒補正マスク信号に従って睡眠のインスタンスに補正される、請求項１から１０のいずれか一項に記載の方法。
- 前記生成された睡眠呼吸障害指標は、ディスプレイデバイス上に表示されるグラフィックリスクオメータを含み、前記グラフィックリスクオメータは、ポインタおよびスケールを含む、請求項２から１１のいずれか一項に記載の方法。
- 前記１つまたは複数の呼吸信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成することは、
エンベロープ信号を生成することと、
前記エンベロープ信号を正規化することと、
前記正規化されたエンベロープ信号からスペクトル特性を生成することと、
を含む、請求項１から１２のいずれか一項に記載の方法。 - 前記スペクトル特性は、
（１）睡眠呼吸障害の周波数範囲のパワースペクトル密度演算のピーク周波数、
（２）次の比率を含む帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）前記パワースペクトル密度演算からの前記睡眠呼吸障害の周波数範囲のパワー、および
（３）次の比率を含む帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）前記パワースペクトル密度演算の前記スペクトルの合計パワーと前記ピーク周波数付近の前記狭帯域の前記パワーと間の差、
のいずれか１つまたは複数を含む、請求項１３に記載の方法。 - 前記１つまたは複数のエネルギー帯域信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成することは、
前記１つまたは複数のエネルギー帯域信号のエネルギー帯域信号を組み合わせることと、
前記組み合わせられたエネルギー帯域信号からエンベロープ信号を生成することと、
前記組み合わせられたエネルギー帯域信号からの前記エンベロープ信号をフィルタリングおよび正規化することと、
前記フィルタリングおよび正規化されたエンベロープ信号からスペクトル特性を生成することと、
を含む、請求項１から１４のいずれか一項に記載の方法。 - 前記フィルタリングおよび正規化されたエンベロープ信号からの前記スペクトル特性は、
（１）次の比率を含む帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）前記パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワー、および
（２）次の比率を含む帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）前記パワースペクトル密度演算の前記スペクトルの合計パワーと前記ピーク周波数付近の前記狭帯域のパワーと間の差、
のいずれか一方または両方を含む、請求項１５に記載の方法。 - １つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出することは、複数の動作信号を組み合わせることを含み、前記複数の動作信号のそれぞれは、前記複数の動作信号の他の動作信号からの検出範囲とは異なる検出範囲からの動作を表す動作信号である、請求項１から１６のいずれか一項に記載の方法。
- 前記受動信号から１つまたは複数のエネルギー帯域信号を抽出することは、
前記受動信号の変換を計算することにより、前記受動信号の音の周波数を帯域信号に分離することと、
前記帯域信号のエネルギー値を計算することと、
各帯域信号の計算されたエネルギー値を平均することと、
を含む、請求項１から１７のいずれか一項に記載の方法。 - （１）前記能動非接触感知は、（ａ）マイクロフォンおよびスピーカーを使用したソナー感知、（ｂ）無線周波数送信機および受信機を使用したレーダー感知、および（ｃ）周波数変調連続波（ＦＭＣＷ）感知のいずれかを含み、（２）前記受動非接触感知は、マイクロフォンを用いた呼吸関連音の音響感知を含む、請求項１から１８のいずれか一項に記載の方法。
- 前記１つまたは複数のプロセッサは、処理デバイス内にあり、前記処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、請求項１から１９のいずれか一項に記載の方法。
- 前記１つまたは複数のプロセッサを用いて、睡眠呼吸障害の前記１つまたは複数の測定値に基づく呼吸療法デバイスの治療の設定への変更を制御することをさらに含む、請求項１から２０のいずれか一項に記載の方法。
- 前記１つまたは複数のプロセッサにおいて、睡眠呼吸障害の前記生成された１つまたは複数の測定値を受信することと、
（ａ）前記受信した睡眠呼吸障害の１つまたは複数の測定値をディスプレイに表示すること、または（ｂ）データ通信送信を介して、前記受信した睡眠呼吸障害の１つまたは複数の測定値を局所処理デバイスに送信することと、
をさらに含む、請求項１から２１のいずれか一項に記載の方法。 - １つまたは複数のプロセッサによって実行されるときに前記１つまたは複数のプロセッサに人の睡眠呼吸障害状態を監視させるプロセッサ実行可能命令を記憶したプロセッサ可読媒体であって、前記プロセッサ実行可能命令は、請求項１から２２のいずれか一項に記載の方法を実行するように構成されるプロセッサ可読媒体。
- 請求項２３に記載のプロセッサ可読媒体にアクセス可能なサーバであって、前記プロセッサ可読媒体の前記プロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードするための要求を受信するように構成されるサーバ。
- 処理デバイスであって、１つまたは複数のプロセッサと、前記１つまたは複数のプロセッサに結合されたスピーカーと、前記１つまたは複数のプロセッサに結合されたマイクロフォンと、請求項２３に記載のプロセッサ可読媒体とを含む処理デバイス。
- 前記処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、請求項２５に記載の処理デバイス。
- 処理デバイスであって、１つまたは複数のプロセッサと、前記１つまたは複数のプロセッサに結合されたマイクロフォンと、前記１つまたは複数のプロセッサに結合された無線周波数センサと、請求項２３に記載のプロセッサ可読媒体とを含む処理デバイス。
- 請求項２３に記載のプロセッサ可読媒体にアクセス可能なサーバで実施される方法であって、前記方法は、前記サーバで、前記プロセッサ可読媒体の前記プロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードするための要求を受信することと、前記要求に応答して、前記プロセッサ実行可能命令を前記処理デバイスに送信することと、を含む方法。
- 人の睡眠呼吸障害状態を監視するための装置であって、１つまたは複数のプロセッサを含んで構成され、
前記１つまたは複数のプロセッサが、
１つまたは複数の動作信号から１つまたは複数の呼吸信号を抽出することと、ここで、前記１つまたは複数の動作信号は、１つまたは複数のセンサを用いた能動非接触感知によって生成され、
受動信号から１つまたは複数のエネルギー帯域信号を抽出することと、ここで、前記受動信号は、前記１つまたは複数のセンサを用いた受動非接触感知によって生成され、前記受動信号は、前記１つまたは複数のセンサのうちの音センサによって検出された音響情報を表し、
前記１つまたは複数のエネルギー帯域信号および／または前記１つまたは複数の呼吸信号を評価して、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成することと、
睡眠呼吸障害の１つまたは複数の測定値を生成するために、前記１つまたは複数の強度信号から導出された１つまたは複数の特徴を分類する、または分類のために送信することと、
を行うように構成される装置。 - 前記能動非接触感知および前記受動非接触感知のために構成された１つまたは複数のセンサをさらに含む、請求項１に記載の装置。
- 前記１つまたは複数のプロセッサは、さらに、
（ａ）睡眠呼吸障害の前記１つまたは複数の測定値に基づいて睡眠呼吸障害指標を生成することと、
（ｂ）前記睡眠呼吸障害指標をディスプレイに表示する、および／または転送することと、
（ｃ）睡眠呼吸障害の前記１つまたは複数の測定値をディスプレイに表示する、および／または転送することと、
を行うように構成される、請求項２９から３０のいずれか一項に記載の装置。 - 前記１つまたは複数のプロセッサは、分類するために、睡眠セッションの閾値を超える多数の睡眠呼吸障害事象の存在の肯定および否定のうちの１つを識別するように構成され、睡眠呼吸障害の前記１つまたは複数の測定値は、前記識別の結果を表すバイナリフラグを含む、請求項２９から３１のいずれか一項に記載の装置。
- 睡眠呼吸障害の前記１つまたは複数の測定値は、睡眠呼吸障害の確率を含み、前記バイナリフラグは、前記確率が閾値を超えた場合に肯定を表す、請求項３２に記載の装置。
- 睡眠呼吸障害の前記１つまたは複数の測定値は、無呼吸事象および低呼吸事象の総数の推定値を表す無呼吸低呼吸指数を含む、請求項２９から３３のいずれか一項に記載の装置。
- 睡眠呼吸障害の前記１つまたは複数の測定値は、睡眠呼吸障害の確率を含み、前記１つまたは複数のプロセッサは、さらに、
（ａ）前記確率に基づいて睡眠段階調整係数を生成することと、
（ｂ）前記調整係数の関数として睡眠段階時間を調整することと、
を行うように構成される、
請求項２９から３４のいずれか一項に記載の装置。 - 前記１つまたは複数のプロセッサは、さらに、１つまたは複数の強度信号に基づくクラスタフラグ信号を生成するように構成され、前記クラスタフラグ信号は、ＳＤＢ変調の有無を識別する時系列を表す、請求項３１から３５のいずれか一項に記載の装置。
- 前記クラスタフラグ信号は、前記前記１つまたは複数の強度信号の値と閾値との間の比較に基づいて生成される、請求項３６に記載の装置。
- 前記クラスタフラグ信号のフラグは、前記１つまたは複数の強度信号の値が第１の強度閾値よりも大きい場合に真に設定され、前記クラスタフラグ信号は、第２の強度閾値との比較におけるフィルタリングされた信号の値の評価に従ってさらに設定され、前記フィルタリングされた信号は、前記１つまたは複数の強度信号をフィルタリングすることによって導出される、請求項３７に記載の装置。
- １つまたは複数の特徴は、
（ａ）ＳＤＢクラスタを有する総睡眠時間の１つまたは複数の割合と、
（ｂ）ピーク強度またはピーク平均強度と、および／または
（ｃ）前記１つまたは複数のエネルギー帯域信号からの複数の強度信号から導出された複数の特徴と、
を含む、請求項２９から３８のいずれか一項に記載の装置。 - 前記１つまたは複数のプロセッサは、さらに、検出されたＳＤＢクラスタの存在を特徴付ける生成されたクラスタフラグ信号に基づいて睡眠覚醒補正マスク信号を生成するように構成され、前記１つまたは複数のプロセッサは、さらに、前記睡眠覚醒補正マスク信号を睡眠段階化プロセスに適用するように構成され、覚醒分類のインスタンスは、前記睡眠覚醒補正マスク信号に従って睡眠のインスタンスに補正される、請求項２９から３９のいずれか一項に記載の装置。
- 前記生成された睡眠呼吸障害指標は、ディスプレイデバイス上に表示されたグラフィックリスクオメータを含み、前記グラフィックリスクオメータはポインタおよびスケールを含む、請求項３１から４０のいずれか一項に記載の装置。
- 前記１つまたは複数の呼吸信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために、前記１つまたは複数のプロセッサは、
エンベロープ信号を生成することと、
前記エンベロープ信号を正規化することと、
正規化されたエンベロープ信号からスペクトル特性を生成することと、
を行うように構成される、請求項２９から４１のいずれか一項に記載の装置。 - 前記スペクトル特性は、
（１）睡眠呼吸障害の周波数範囲のパワースペクトル密度演算のピーク周波数、
（２）次の比率を含む帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）前記パワースペクトル密度演算からの前記睡眠呼吸障害の周波数範囲のパワー、および
（３）次の比率を含む帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）前記パワースペクトル密度演算の前記スペクトルの合計パワーと前記ピーク周波数付近の前記狭帯域の前記パワーとの間の差、
のいずれか１つまたは複数を含む、請求項４２に記載の装置。 - 前記１つまたは複数のエネルギー帯域信号を評価し、睡眠呼吸障害変調の強度を表す１つまたは複数の強度信号を生成するために、前記１つまたは複数のプロセッサは、
前記１つまたは複数のエネルギー帯域信号のエネルギー帯域信号を組み合わせることと、
前記組み合わせられたエネルギー帯域信号からエンベロープ信号を生成することと、
前記組み合わせられたエネルギー帯域信号からの前記エンベロープ信号をフィルタリングおよび正規化することと、
前記フィルタリングおよび正規化されたエンベロープ信号からスペクトル特性を生成することと、
を行うように構成される、請求項２９から４３のいずれか一項に記載の装置。 - 前記フィルタリングおよび正規化された前記エンベロープ信号からの前記スペクトル特性は、
（１）次の比率を含む帯域内メトリック、（ａ）パワースペクトル密度演算のピーク周波数、および（ｂ）前記パワースペクトル密度演算からの睡眠呼吸障害の周波数範囲のパワー、および
（２）次の比率、（ａ）パワースペクトル密度演算のピーク周波数付近の狭帯域のパワー、および（ｂ）前記パワースペクトル密度演算の前記スペクトルの合計パワーと前記ピーク周波数付近の前記狭帯域の前記パワーとの差、
のいずれか一方または両方を含む、請求項４４に記載の装置。 - １つまたは複数の動作信号から１つまたは複数の呼吸努力信号を抽出するために、前記１つまたは複数のプロセッサは、複数の動作信号を組み合わせるように構成され、前記複数の動作信号のそれぞれは、前記複数の動作信号の他の動作信号からの検出範囲とは異なる検出範囲からの動作を表す動作信号である、請求項２９から４５のいずれか一項に記載の装置。
- 受動信号から前記１つまたは複数のエネルギー帯域信号を抽出するために、前記１つまたは複数のプロセッサは、
前記受動信号の変換を計算することにより、前記受動信号の音の周波数を帯域信号に分離することと、
前記帯域信号のエネルギー値を計算することと、
帯域信号ごとに計算されたエネルギー値を平均することと、
を行うように構成される、請求項２９から４６のいずれか一項に記載の装置。 - （１）前記能動非接触感知は、（ａ）前記１つまたは複数のセンサがマイクロフォンおよびスピーカーを含むソナー感知、（ｂ）前記１つまたは複数のセンサが無線周波数送信機および受信機を含むレーダー感知、および（ｃ）周波数変調連続波（ＦＭＣＷ）感知のいずれかを含み、（２）前記受動非接触感知は、呼吸関連音の音響感知を含み、前記１つまたは複数のセンサがマイクロフォンを含む、請求項２９から４７のいずれか一項に記載の装置。
- 前記１つまたは複数のプロセッサは、処理デバイス内にあり、前記処理デバイスは、一般的なコンピューティングデバイス、スマートフォン、タブレットコンピュータ、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、請求項２９から４８のいずれか一項に記載の装置。
- 前記１つまたは複数のプロセッサは、睡眠呼吸障害の前記１つまたは複数の測定値に基づいて呼吸療法デバイスの治療の設定への変更を制御するように構成される、請求項２９から４９のいずれか一項に記載の装置。
- 前記１つまたは複数のプロセッサは、さらに、
睡眠呼吸障害の前記生成された１つまたは複数の測定値を受信することと、
（ａ）前記受信した睡眠呼吸障害の１つまたは複数の測定値をディスプレイに表示すること、または（ｂ）データ通信送信を介して、前記受信した睡眠呼吸障害の１つまたは複数の測定値を局所処理デバイスに送信することと、
を行うように構成される、請求項２９から５０のいずれか一項に記載の装置。 - 請求項２３に記載のプロセッサ可読媒体をさらに含む、請求項２９に記載の装置。
- 人による咳を識別するための１つまたは複数のプロセッサの方法であって、
人の近くで受動非接触感知によってマイクロフォンで生成された受動信号にアクセスすることと、ここで、前記受動信号は、前記マイクロフォンによって検出された音響情報を表し、
前記信号から１つまたは複数の咳関連の特徴を導出することと、
前記人による咳の１つまたは複数の事象の表示を生成するために前記１つまたは複数の咳関連の特徴を分類する、または分類のために送信することと、
を含む方法。 - （１）前記１つまたは複数の咳関連の特徴を分類することは、咳タイプを識別することを含み、前記咳タイプは、（ａ）乾性咳タイプ、（ｂ）生産性咳タイプ、（ｃ）喘鳴関連咳タイプ、および（ｄ）けいれんに関連する咳タイプのいずれか１つまたは複数を含み、および／または
（２）前記１つまたは複数の咳関連の特徴を分類することは、咳帰属タイプを識別することを含み、前記咳帰属タイプは、（ａ）喘息性咳タイプ、（ｂ）慢性閉塞性肺（ＣＯＰＤ）咳タイプ、（ｃ）気管支炎咳タイプ、（ｄ）結核（ＴＢ）咳タイプ、（ｅ）肺炎咳タイプ、（ｆ）肺癌咳タイプ、（ｇ）胃食道逆流症（ＧＥＲＤ）、および（ｈ）上気道咳症候群のいずれか１つまたは複数を含む、請求項５３に記載の方法。 - 前記１つまたは複数のプロセッサは、さらに、前記１つまたは複数の咳の事象のうちの１つの事象の強度のレベルを示す咳強度メトリックを生成する、請求項５３から５４のいずれか一項に記載の方法。
- 前記１つまたは複数のプロセッサは、前記咳強度メトリックの変動性を決定する、請求項５５に記載の方法。
- 前記受動信号から導出される前記１つまたは複数の咳関連の特徴は、周波数の特徴、時間の特徴、スペクトログラムの特徴、およびウェーブレットの特徴のいずれか１つ、複数、またはすべてを含む、請求項５３から５６のいずれか一項に記載の方法。
- （ａ）前記信号から導出された前記１つまたは複数の咳関連の特徴の周波数関連の特徴は、（１）局所ピーク、（２）１つまたは複数の周囲のピークに対するドミナントピークの比率、（３）局所での最大値、（４）全体での最大値、（５）高調波、（６）１つまたは複数の周波数成分の積分、（８）異なる周波数エネルギー推定値の比率、（７）１つまたは複数のメル周波数ケプストラル係数（ＭＦＣＣ）、（９）スペクトル束、（１０）スペクトル重心、（１１）高調波積スペクトル、（１２）スペクトル拡散、（１３）１つまたは複数のスペクトル自己相関係数、（１４）スペクトル尖度、および（１５）線形予測符号化（ＬＰＣ）のいずれか１つ、複数、またはすべてを含み、および／または
（ｂ）前記信号から導出された前記１つまたは複数の咳関連の特徴の時間関連の特徴は、（１）二乗平均平方根（ＲＭＳ）値、（２）ゼロ交差率、（３）エンベロープ、（４）自己相関関数に基づくピッチのいずれか１つ、複数、またはすべてを含む、
請求項５３から５７のいずれか一項に記載の方法。 - 前記信号のバックグラウンドノイズを除去するために音声活性化検出によって前記受動信号を処理することをさらに含む、請求項５３から５８のいずれか一項に記載の方法。
- 前記信号から咳の数を推定することをさらに含む、請求項５３から５９のいずれか一項に記載の方法。
- 咳の数の変動を推定することをさらに含む、請求項６０に記載の方法。
- 前記１つまたは複数のプロセッサは、検出された呼吸波形から呼吸の特徴を抽出するように構成され、前記人による咳の１つまたは複数の事象の表示を生成するために前記１つまたは複数の咳関連の特徴を分類することは、前記検出された呼吸波形から抽出された１つまたは複数の呼吸の特徴に基づいており、前記１つまたは複数の呼吸の特徴は、（１）吸気時間、（２）吸気深度、（３）呼気時間、（４）呼気深度、（５）吸気対呼気比、（６）咳による前記呼吸波形の１つまたは複数のノッチ、および（７）呼吸数の１つ、複数、または全てを含む、請求項５３から６１のいずれか一項に記載の方法。
- 前記１つまたは複数の呼吸の特徴は、受動非接触感知および能動非接触感知のうちの１つまたは複数によって導出され、
前記１つまたは複数のプロセッサは、能動非接触感知装置を用いた能動非接触感知によって１つまたは複数の動作信号を生成し、
前記１つまたは複数のプロセッサは、前記生成された１つまたは複数の動作信号の評価に基づいて、前記人による咳の１つまたは複数の事象の表示を生成する、請求項６２に記載の方法。 - 前記人の体位の検出をさらに含む、請求項６３に記載の方法。
- 前記生成された１つまたは複数の動作信号の評価は、
（ａ）前記人に特有の生体認証の検出と、および／または
（ｂ）前記１つまたは複数の動作信号からの睡眠段階情報の検出と、
を含む、請求項６３から６４のいずれか一項に記載の方法。 - 前記１つまたは複数のプロセッサは、前記睡眠段階情報の検出に基づいて、音響的に感知された咳の事象を除去する、請求項６５に記載の方法。
- 前記１つまたは複数のプロセッサは、前記睡眠段階情報の検出に基づいて、音響的に感知された咳の事象を前記人に帰属させる、請求項６５から６６のいずれか一項に記載の方法。
- （ａ）前記１つまたは複数のプロセッサは、さらに、前記状態のさらなる調査を推奨するため、前記人による咳の前記１つまたは複数の事象の表示に関するデータを通信し、および／または環境パラメータ、治療デバイスの設定、行動の変化および／または治療パラメータの１つまたは複数を制御するために構成され、および／または
（ｂ）１つまたは複数のプロセッサは、さらに、寝具を交換または洗濯するためのリマインダーを生成するように構成される、
請求項５３から６７のいずれか一項に記載の方法。 - 請求項５３から６８のいずれか一項に記載の方法であって、ユーザの環境相互作用を検出するために音を監視することを含み、
（ａ）前記ユーザの環境相互作用は、クリッカー、器具、およびドアのいずれか１つまたは複数を含むユーザ環境相互作用の特徴の検出を含み、および／または（ｂ）前記ユーザの環境相互作用を検出するために音を監視することは、前記監視対象者との接触の必要性の表示を生成するために監視対象者の活動のパターンを評価することを含む、請求項５３から６８のいずれか一項に記載の方法。 - １つまたは複数のプロセッサによって実行されるときに、前記１つまたは複数のプロセッサに、人による咳を識別させるプロセッサ実行可能命令を記憶したプロセッサ可読媒体であって、前記プロセッサ実行可能命令は、請求項５３から６９のいずれか一項に記載の方法を実行するように構成されるプロセッサ可読媒体。
- 請求項７０に記載のプロセッサ可読媒体にアクセス可能なサーバであって、前記プロセッサ可読媒体の前記プロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードするための要求を受信するように構成されるサーバ。
- 処理デバイスであって、１つまたは複数のプロセッサと、前記１つまたは複数のプロセッサに結合されたスピーカーと、前記１つまたは複数のプロセッサに結合されたマイクロフォンと、請求項７０に記載のプロセッサ可読媒体と、を含み、前記１つまたは複数のプロセッサは、請求項６８に記載のサーバを用いて前記プロセッサ実行可能命令にアクセスするように構成される処理デバイス。
- 前記処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、請求項７２に記載の処理デバイス。
- 処理デバイスであって、１つまたは複数のプロセッサと、前記１つまたは複数のプロセッサに結合されたマイクロフォンと、前記１つまたは複数の前記プロセッサに結合された無線周波数センサと、請求項７０に記載のプロセッサ可読媒体とを含む処理デバイス。
- 請求項７０に記載のプロセッサ可読媒体にアクセス可能なサーバで実施される方法であって、前記方法は、前記サーバで、前記プロセッサ可読媒体の前記プロセッサ実行可能命令をネットワークを介して処理デバイスにダウンロードするための要求を受信することと、前記要求に応答して、前記プロセッサ実行可能命令を前記処理デバイスに送信することと、を含む方法。
- 人による咳を識別するための処理デバイスであって、
受動非接触感知用に構成された１つまたは複数のマイクロフォンと、ここで、前記１つまたは複数のマイクロフォンは、人の近くで受動非接触感知によって信号を生成し、前記信号は、前記１つまたは複数のマイクロフォンによって検出された音響情報を表し、
前記１つまたは複数のマイクロフォンに結合された１つまたは複数のプロセッサと、
を含んで構成され、
前記１つまたは複数のプロセッサは、
前記１つまたは複数のマイクロフォンで生成された前記信号にアクセスするように構成されたモジュールと、
前記信号から１つまたは複数の特徴を導出するように構成されたモジュールと、
前記人による咳の１つまたは複数の事象の表示を生成するために、前記１つまたは複数の特徴を分類する、または分類のために送信するように構成されたモジュールと、
を含む処理デバイス。 - 前記処理デバイスは、スマートフォン、タブレットコンピュータ、一般的なコンピューティングデバイス、スマートスピーカー、スマートテレビ、スマートウォッチ、および呼吸療法デバイスのいずれかを含む、請求項７６に記載の処理デバイス。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862769272P | 2018-11-19 | 2018-11-19 | |
| US62/769,272 | 2018-11-19 | ||
| US201862784491P | 2018-12-23 | 2018-12-23 | |
| US62/784,491 | 2018-12-23 | ||
| PCT/EP2019/081818 WO2020104465A2 (en) | 2018-11-19 | 2019-11-19 | Methods and apparatus for detection of disordered breathing |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022507834A true JP2022507834A (ja) | 2022-01-18 |
| JPWO2020104465A5 JPWO2020104465A5 (ja) | 2022-11-28 |
Family
ID=68699393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021527983A Pending JP2022507834A (ja) | 2018-11-19 | 2019-11-19 | 呼吸障害の検出のための方法および装置 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20220007965A1 (ja) |
| EP (1) | EP3883468A2 (ja) |
| JP (1) | JP2022507834A (ja) |
| CN (1) | CN113710151A (ja) |
| WO (1) | WO2020104465A2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023162966A1 (ja) * | 2022-02-28 | 2023-08-31 | ミネベアミツミ株式会社 | 異常判定モデルの生成方法、異常判定装置、異常判定方法、及び学習済みモデル |
Families Citing this family (94)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3080399A1 (en) | 2017-10-30 | 2019-05-09 | The Research Foundation For The State University Of New York | System and method associated with user authentication based on an acoustic-based echo-signature |
| WO2020136592A1 (ja) * | 2018-12-28 | 2020-07-02 | 南紀之 | 情報処理装置、情報処理方法、情報処理プログラム、および情報処理システム |
| EP4027879A1 (en) | 2019-09-13 | 2022-07-20 | ResMed Sensor Technologies Limited | Systems and methods for detecting movement |
| EP4065057B1 (en) | 2019-11-30 | 2023-12-27 | ResMed Sensor Technologies Limited | Systems and methods for adjusting user position using multi-compartment bladders |
| US11875659B2 (en) | 2019-12-12 | 2024-01-16 | Google Llc | Privacy-preserving radar-based fall monitoring |
| WO2021130681A1 (en) | 2019-12-26 | 2021-07-01 | Resmed Sensor Technologies Limited | Systems and methods for generating reminders to use respiratory therapy systems |
| EP4084673A1 (en) | 2019-12-31 | 2022-11-09 | ResMed Sensor Technologies Limited | Systems and methods for determining a sleep time |
| US11583226B2 (en) * | 2020-01-05 | 2023-02-21 | Kelly Huang | Method and system of monitoring and alerting patient with sleep disorder |
| JP2023513887A (ja) | 2020-01-31 | 2023-04-04 | レズメド センサー テクノロジーズ リミテッド | 不眠症関連症状を軽減するためのシステムおよび方法 |
| WO2021152484A1 (en) | 2020-01-31 | 2021-08-05 | Resmed Sensor Technologies Limited | Systems and methods for requesting consent for data |
| JP2023513889A (ja) | 2020-01-31 | 2023-04-04 | レズメド センサー テクノロジーズ リミテッド | 口漏れを検出するためのシステムおよび方法 |
| CN115334959A (zh) | 2020-01-31 | 2022-11-11 | 瑞思迈传感器技术有限公司 | 用于呼吸暂停-低通气指数计算的睡眠状态检测 |
| EP4111462A2 (en) | 2020-02-26 | 2023-01-04 | ResMed Sensor Technologies Limited | Method and apparatus for edema detection |
| WO2021171266A1 (en) | 2020-02-27 | 2021-09-02 | Resmed Sensor Technologies Limited | Systems and methods for predicting alertness |
| CN115605133A (zh) | 2020-03-05 | 2023-01-13 | 瑞思迈传感器技术有限公司（Ie） | 用于增加个体睡意的系统和方法 |
| US11724051B2 (en) | 2020-03-06 | 2023-08-15 | Resmed Sensor Technologies Limited | Systems and methods for detecting an intentional leak characteristic curve for a respiratory therapy system |
| EP4126150A1 (en) | 2020-03-28 | 2023-02-08 | ResMed Sensor Technologies Limited | User interface with integrated sensor |
| US20230240595A1 (en) | 2020-03-31 | 2023-08-03 | Resmed Sensor Technologies Limited | Systems and methods for detecting rem behavior disorder |
| WO2021198941A1 (en) | 2020-03-31 | 2021-10-07 | Resmed Sensor Technologies Limited | System and method for mapping an airway obstruction |
| EP4125560A1 (en) | 2020-03-31 | 2023-02-08 | ResMed Sensor Technologies Limited | Systems and methods for determining movement of a conduit |
| AU2020440233A1 (en) * | 2020-04-01 | 2022-10-27 | UDP Labs, Inc. | Speech-controlled health monitoring systems and methods |
| US11468908B2 (en) * | 2020-04-15 | 2022-10-11 | Optum, Inc. | Hybrid input machine learning frameworks |
| KR20230053547A (ko) | 2020-04-20 | 2023-04-21 | 레즈메드 아시아 피티이. 엘티디. | 수면-관련 파라미터 분석을 위한 시스템 및 방법 |
| AU2021265344A1 (en) | 2020-04-30 | 2022-12-08 | Resmed Sensor Technologies Limited | Systems and methods for promoting a sleep stage of a user |
| US20230172486A1 (en) | 2020-04-30 | 2023-06-08 | Resmed Sensor Technologies Limited | Systems and methods for analyzing physical features of an individual |
| JP2023525692A (ja) | 2020-04-30 | 2023-06-19 | レズメド センサー テクノロジーズ リミテッド | 覚醒サービス |
| JP2023527717A (ja) | 2020-05-28 | 2023-06-30 | レズメド センサー テクノロジーズ リミテッド | ユーザ活動を監視するためのシステムおよび方法 |
| WO2021243293A1 (en) | 2020-05-29 | 2021-12-02 | Resmed Sensor Technologies Limited | Systems and methods for locating user interface leak |
| US11878118B2 (en) | 2020-06-05 | 2024-01-23 | Resmed Sensor Technologies Limited | Systems and methods for identifying a user interface |
| WO2021250573A1 (en) | 2020-06-08 | 2021-12-16 | Resmed Sensor Technologies Limited | Acoustic detection of water level in humidifier |
| MX2022015537A (es) | 2020-06-08 | 2023-04-27 | Resmed Sensor Tech Ltd | Sistemas y metodos para categorizar y/o caracterizar una interfaz de usuario. |
| CN115701934A (zh) * | 2020-06-18 | 2023-02-14 | 瑞爱普健康有限公司 | 受试者声音中的事件检测 |
| WO2021260656A1 (en) | 2020-06-26 | 2021-12-30 | Resmed Sensor Technologies Limited | Systems and methods for communicating an indication of a sleep-related event to a user |
| EP4171358A1 (en) | 2020-06-30 | 2023-05-03 | ResMed Sensor Technologies Limited | Systems and methods for generating custom messages to encourage a behavioral response |
| CN111938604A (zh) * | 2020-07-09 | 2020-11-17 | 上海交通大学 | 一种基于多模态技术的呼吸系统疾病远程监控系统 |
| CN111884967B (zh) * | 2020-07-29 | 2022-07-01 | 黑龙江大学 | 基于时频分析和卷积神经网络的qpsk信号解调方法 |
| US20230270350A1 (en) | 2020-07-30 | 2023-08-31 | Resmed Inc | Systems and methods for determining a health condition on a device local to a respiratory system user |
| CN116249481A (zh) | 2020-07-31 | 2023-06-09 | 瑞思迈传感器技术有限公司 | 用于确定呼吸治疗期间的运动的系统和方法 |
| US11406281B2 (en) | 2020-08-11 | 2022-08-09 | Google Llc | Contactless cough detection and attribution |
| US11754676B2 (en) | 2020-08-11 | 2023-09-12 | Google Llc | Precision sleep tracking using a contactless sleep tracking device |
| US11832961B2 (en) | 2020-08-11 | 2023-12-05 | Google Llc | Contactless sleep detection and disturbance attribution |
| US11808839B2 (en) | 2020-08-11 | 2023-11-07 | Google Llc | Initializing sleep tracking on a contactless health tracking device |
| KR20230057392A (ko) * | 2020-08-28 | 2023-04-28 | 구글 엘엘씨 | 호흡기 건강 모니터링을 위한 비접촉식 디바이스 |
| AU2021331633A1 (en) | 2020-08-31 | 2023-03-09 | Resmed Sensor Technologies Limited | Systems and methods for pre-symptomatic disease detection |
| JP2023544119A (ja) | 2020-09-18 | 2023-10-20 | レズメド センサー テクノロジーズ リミテッド | 併存疾患を監視するシステム及び方法 |
| CN116456901A (zh) | 2020-09-18 | 2023-07-18 | 瑞思迈传感器技术有限公司 | 用于帮助呼吸治疗系统用户的系统和方法 |
| US20230405250A1 (en) | 2020-09-29 | 2023-12-21 | Resmed Sensor Technologies Limited | Systems and methods for determining usage of a respiratory therapy system |
| EP4103048A4 (en) * | 2020-09-30 | 2024-03-20 | ResMed Pty Ltd | SYSTEMS AND METHODS FOR DIAGNOSING THERAPY TERMINATION |
| CN116600751A (zh) | 2020-10-09 | 2023-08-15 | 瑞思迈传感器技术有限公司 | 自动口腔矫治器调整 |
| EP4237793A1 (en) | 2020-10-30 | 2023-09-06 | ResMed Sensor Technologies Limited | Systems and methods for determining a length and/or a diameter of a conduit |
| US20230420124A1 (en) | 2020-11-20 | 2023-12-28 | Resmed Sensor Technologies Limited | Systems and methods for monitoring a comfort level of an individual |
| JP2023551012A (ja) | 2020-11-27 | 2023-12-06 | レズメド ピーティーワイ リミテッド | 呼吸治療中にユーザの体位を識別するためのシステムおよび方法 |
| 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 |
| US20240062872A1 (en) | 2020-12-18 | 2024-02-22 | Resmed Sensor Technologies Limited | Cohort sleep performance evaluation |
| US20240033459A1 (en) | 2020-12-23 | 2024-02-01 | Resmed Sensor Technologies Limited | Systems and methods for detecting rainout in a respiratory therapy system |
| US20240066249A1 (en) | 2020-12-23 | 2024-02-29 | Resmed Sensor Technologies Limited | Systems and methods for detecting occlusions in headgear conduits during respiratory therapy |
| WO2022149092A1 (en) * | 2021-01-07 | 2022-07-14 | Circadia Technologies Ltd. | Systems, apparatus and methods for acquisition, storage, and analysis of health and environmental data |
| JP2024505098A (ja) | 2021-01-29 | 2024-02-02 | レズメド センサー テクノロジーズ リミテッド | 主観的快適度レベルを推定するためのシステムおよび方法 |
| US20240075225A1 (en) | 2021-01-29 | 2024-03-07 | Resmed Sensor Technologies Limited | Systems and methods for leak detection in a respiratory therapy system |
| WO2022173663A1 (en) * | 2021-02-09 | 2022-08-18 | Halare, Inc. | Multi-therapy systems, methods and apparatuses for the alleviation of sleep disordered breathing |
| EP4298638A1 (en) | 2021-02-26 | 2024-01-03 | ResMed Inc. | System and method for continuous adjustment of personalized mask shape |
| WO2022208368A1 (en) | 2021-03-31 | 2022-10-06 | Resmed Sensor Technologies Limited | Systems and methods for managing blood pressure conditions of a user of a respiratory therapy system |
| WO2022219481A1 (en) | 2021-04-16 | 2022-10-20 | Resmed Sensor Technologies Limited | Systems and methods for characterizing a user interface or a vent using acoustic data associated with the vent |
| EP4329848A1 (en) | 2021-04-29 | 2024-03-06 | ResMed Sensor Technologies Limited | Systems and methods for modifying pressure settings of a respiratory therapy system |
| CN113221722B (zh) * | 2021-05-08 | 2022-07-26 | 浙江大学 | 语义信息获取方法及装置、电子设备、存储介质 |
| EP4088651A1 (en) | 2021-05-12 | 2022-11-16 | Ectosense NV | Method for detecting sleep disordering events |
| EP4346556A1 (en) | 2021-05-24 | 2024-04-10 | ResMed Sensor Technologies Limited | Systems and methods for determining a sleep stage of an individual |
| US20220409090A1 (en) * | 2021-06-28 | 2022-12-29 | Google Llc | Opportunistic sonar monitoring of vital signs |
| WO2023275812A1 (en) | 2021-06-30 | 2023-01-05 | Resmed Sensor Technologies Limited | Systems and methods for characterizing a conduit in a respiratory therapy system |
| AU2021107064B4 (en) * | 2021-08-24 | 2022-08-25 | Rudder Technology Pty Ltd | Non-contact human respiration detection with radar signals |
| WO2023031802A1 (en) | 2021-08-30 | 2023-03-09 | Resmed Sensor Technologies Limited | Intelligent respiratory entrainment |
| WO2023031737A1 (en) | 2021-08-30 | 2023-03-09 | Resmed Sensor Technologies Limited | Biofeedback cognitive behavioral therapy for insomnia |
| WO2023084366A1 (en) | 2021-11-10 | 2023-05-19 | Resmed Sensor Technologies Limited | Enhanced wearable sensing |
| CN114027801B (zh) * | 2021-12-17 | 2022-09-09 | 广东工业大学 | 一种睡眠鼾声识别与打鼾抑制方法及系统 |
| CN114176543A (zh) * | 2021-12-29 | 2022-03-15 | 广东工业大学 | 一种睡眠体征及状态检测方法 |
| WO2023126840A1 (en) | 2021-12-30 | 2023-07-06 | Resmed Sensor Technologies Limited | Systems and methods for monitoring the use of a respiratory therapy system by an individual with diabetes |
| WO2023149861A1 (en) * | 2022-02-01 | 2023-08-10 | Google Llc | Contactless respiration guidance system facilitating real-time feedback |
| WO2023187686A1 (en) | 2022-03-30 | 2023-10-05 | ResMed Pty Ltd | Systems and methods for determining a positional sleep disordered breathing status |
| WO2023192481A1 (en) | 2022-03-31 | 2023-10-05 | Resmed Inc. | Methods and systems for an overall health score |
| TWI809864B (zh) * | 2022-05-10 | 2023-07-21 | 亞迪電子股份有限公司 | 感測方法和感測系統 |
| TWI815546B (zh) * | 2022-07-11 | 2023-09-11 | 中國醫藥大學 | 睡眠呼吸中止症評估程式的建立方法、睡眠呼吸中止症評估系統與睡眠呼吸中止症評估方法 |
| WO2024020106A1 (en) | 2022-07-22 | 2024-01-25 | ResMed Pty Ltd | Systems and methods for determining sleep scores based on images |
| WO2024020231A1 (en) | 2022-07-22 | 2024-01-25 | Resmed Digital Health Inc. | Systems and methods for selectively adjusting the sleeping position of a user |
| WO2024023743A1 (en) | 2022-07-28 | 2024-02-01 | Resmed Sensor Technologies Limited | Systems for detecting a leak in a respiratory therapy system |
| WO2024039569A1 (en) | 2022-08-17 | 2024-02-22 | Resmed Digital Health Inc. | Systems and methods for determining a risk factor for a condition |
| WO2024039774A1 (en) | 2022-08-19 | 2024-02-22 | Resmed Digital Health Inc. | Systems and methods for collaborative sleep therapy usage |
| WO2024039890A1 (en) | 2022-08-19 | 2024-02-22 | Resmed Digital Health Inc. | Systems and methods for determining a user interface type |
| WO2024039752A1 (en) | 2022-08-19 | 2024-02-22 | Resmed Digital Health Inc. | Systems and methods for determining matches based on sleep information |
| WO2024039751A1 (en) | 2022-08-19 | 2024-02-22 | Resmed Digital Health Inc. | Systems and methods for providing a sleep therapy community |
| WO2024039742A1 (en) | 2022-08-19 | 2024-02-22 | Resmed Digital Health Inc. | Systems and methods for presenting dynamic avatars |
| WO2024049704A1 (en) | 2022-08-30 | 2024-03-07 | Resmed Digital Health Inc. | Systems and methods for pulmonary function testing on respiratory therapy devices |
| WO2024069436A1 (en) | 2022-09-27 | 2024-04-04 | Resmed Sensor Technologies Limited | Systems and methods for analyzing sounds made by an individual during a sleep session |
| WO2024069500A1 (en) | 2022-09-29 | 2024-04-04 | Resmed Sensor Technologies Limited | Systems and methods for cardiogenic oscillation detection |
| CN116211256B (zh) * | 2023-03-16 | 2023-12-22 | 武汉理工大学 | 一种非接触式的睡眠呼吸信号获取方法和装置 |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0088761B1 (en) | 1981-04-24 | 1987-08-12 | Somed Pty. Ltd. | Device for treating snoring sickness |
| US5105354A (en) * | 1989-01-23 | 1992-04-14 | Nippon Kayaku Kabushiki Kaisha | Method and apparatus for correlating respiration and heartbeat variability |
| AUPP366398A0 (en) | 1998-05-22 | 1998-06-18 | Resmed Limited | Ventilatory assistance for treatment of cardiac failure and cheyne-stokes breathing |
| JP4753881B2 (ja) * | 2004-01-16 | 2011-08-24 | コンプメディクス リミテッド | 心電図から導出された睡眠呼吸障害の監視、検出及び分類のための装置及び信号処理方法 |
| US9820658B2 (en) * | 2006-06-30 | 2017-11-21 | Bao Q. Tran | Systems and methods for providing interoperability among healthcare devices |
| US20060212273A1 (en) * | 2005-03-04 | 2006-09-21 | Individual Monitoring Systems.Inc. | Real-time snoring assessment apparatus and method |
| US8562526B2 (en) | 2006-06-01 | 2013-10-22 | Resmed Sensor Technologies Limited | Apparatus, system, and method for monitoring physiological signs |
| AU2007317469B2 (en) | 2006-11-01 | 2010-05-20 | Resmed Sensor Technologies Limited | System and method for monitoring cardiorespiratory parameters |
| US8844525B2 (en) * | 2008-07-25 | 2014-09-30 | Resmed Limited | Method and apparatus for detecting and treating heart failure |
| JP5575789B2 (ja) * | 2008-11-19 | 2014-08-20 | インスパイア・メディカル・システムズ・インコーポレイテッド | 睡眠呼吸障害の治療方法 |
| 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 |
| JP5969283B2 (ja) * | 2012-06-28 | 2016-08-17 | フクダ電子株式会社 | 生体信号解析装置およびその制御方法 |
| US9445729B2 (en) | 2012-07-20 | 2016-09-20 | Resmed Sensor Technologies Limited | Range gated radio frequency physiology sensor |
| US9542933B2 (en) * | 2013-03-08 | 2017-01-10 | Analog Devices Global | Microphone circuit assembly and system with speech recognition |
| US20160022204A1 (en) * | 2013-03-13 | 2016-01-28 | Kirill Mostov | An apparatus for remote contactless monitoring of sleep apnea |
| EP4133997A1 (en) | 2013-07-08 | 2023-02-15 | ResMed Sensor Technologies Limited | A method carried out by a processor and system for sleep management |
| US10638971B2 (en) * | 2014-02-25 | 2020-05-05 | Somnics, Inc. (Usa) | Methods and applications for detection of breath flow and the system thereof |
| US10369310B2 (en) * | 2014-03-05 | 2019-08-06 | ResMed Pty Ltd | Method and apparatus for treatment of respiratory disorders |
| WO2016170011A1 (en) | 2015-04-20 | 2016-10-27 | Resmed Sensor Technologies Limited | Gesture recognition with sensors |
| CN108135486A (zh) * | 2015-08-17 | 2018-06-08 | 瑞思迈传感器技术有限公司 | 睡眠呼吸障碍筛查仪 |
| US20200297955A1 (en) | 2015-08-26 | 2020-09-24 | Resmed Sensor Technologies Limited | Systems and methods for monitoring and management of chronic disease |
| WO2018050913A1 (en) * | 2016-09-19 | 2018-03-22 | Resmed Sensor Technologies Limited | Apparatus, system, and method for detecting physiological movement from audio and multimodal signals |
| CN110234279B (zh) * | 2016-12-28 | 2022-09-20 | 皇家飞利浦有限公司 | 表征睡眠呼吸障碍的方法 |
-
2019
- 2019-11-19 US US17/293,253 patent/US20220007965A1/en active Pending
- 2019-11-19 WO PCT/EP2019/081818 patent/WO2020104465A2/en unknown
- 2019-11-19 JP JP2021527983A patent/JP2022507834A/ja active Pending
- 2019-11-19 CN CN201980089577.5A patent/CN113710151A/zh active Pending
- 2019-11-19 EP EP19809736.2A patent/EP3883468A2/en active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023162966A1 (ja) * | 2022-02-28 | 2023-08-31 | ミネベアミツミ株式会社 | 異常判定モデルの生成方法、異常判定装置、異常判定方法、及び学習済みモデル |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220007965A1 (en) | 2022-01-13 |
| CN113710151A (zh) | 2021-11-26 |
| EP3883468A2 (en) | 2021-09-29 |
| WO2020104465A3 (en) | 2020-07-23 |
| WO2020104465A2 (en) | 2020-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022507834A (ja) | 呼吸障害の検出のための方法および装置 | |
| 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 | |
| JP7284782B2 (ja) | 慢性疾患の監視および管理のためのシステムおよび方法 | |
| CN111655125B (zh) | 用于健康和医学感测的设备、系统和方法 | |
| US20230190140A1 (en) | Methods and apparatus for detection and monitoring of health parameters | |
| KR102091167B1 (ko) | 수면 스테이지를 결정하는 시스템 및 방법 | |
| CN113382676A (zh) | 用于改变发送到外部源的数据量的系统和方法 | |
| CA2931662C (en) | Acoustic upper airway assessment system and method, and sleep apnea assessment system and method relying thereon | |
| JP2018531055A6 (ja) | 慢性疾患の監視および管理のためのシステムおよび方法 | |
| CN108135486A (zh) | 睡眠呼吸障碍筛查仪 | |
| CN105658142B (zh) | 咽下推测装置 | |
| JP2017536905A (ja) | 音響的監視システム、監視方法及び監視するコンピュータプログラム | |
| JP2012166037A (ja) | 呼吸事象検出システムおよび方法 | |
| US20230107369A1 (en) | Systems and methods for detecting mouth leak | |
| US11878118B2 (en) | Systems and methods for identifying a user interface | |
| WO2024069436A1 (en) | Systems and methods for analyzing sounds made by an individual during a sleep session | |
| EP4218021A2 (en) | Systems and methods for diagnosing operational issues in a respiratory system | |
| 김재필 | Obstructive Sleep Apnea Severity Classification using Sleep Breathing Sounds | |
| CA2717270A1 (en) | Sleep apnea monitoring and diagnosis based on pulse oximetery and tracheal sound signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221117 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221117 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230726 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230804 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240305 |