[go: up one dir, main page]

CN110113998B - 表征睡眠呼吸障碍的方法 - Google Patents

表征睡眠呼吸障碍的方法 Download PDF

Info

Publication number
CN110113998B
CN110113998B CN201780081625.7A CN201780081625A CN110113998B CN 110113998 B CN110113998 B CN 110113998B CN 201780081625 A CN201780081625 A CN 201780081625A CN 110113998 B CN110113998 B CN 110113998B
Authority
CN
China
Prior art keywords
signal
phase
linear prediction
breathing cycle
sdb
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.)
Expired - Fee Related
Application number
CN201780081625.7A
Other languages
English (en)
Other versions
CN110113998A (zh
Inventor
A·C·登布林克尔
O·奥维尔特杰斯
A·G·科尔劳施
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN110113998A publication Critical patent/CN110113998A/zh
Application granted granted Critical
Publication of CN110113998B publication Critical patent/CN110113998B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—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
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

表征在睡眠时段期间患者的呼吸障碍的方法包括执行对音频信号的时间轴的第一部分表征，以便学习最突出且高度相关的事件。仅在稍后阶段，即在充分观察高度相关的事件之后，才实际执行对整个时间轴的完全分段。线性预测用于创建激励信号，该激励信号用于提供比单独使用原始音频信号可能实现的更好的分段。使用扭曲线性预测或拉盖尔线性预测来创建精确的频谱表示，其具有在不同频率范围中提供的细节上的灵活性。生成共振概率函数以进一步表征信号以识别呼吸障碍。输出包括各种形式的识别出的呼吸障碍中的任何形式的表征。

Description

表征睡眠呼吸障碍的方法
技术领域
本发明涉及用于监测在睡眠时段期间的呼吸的方法和装置，并且特别地涉及表征睡眠呼吸障碍(SDB)的方法。
背景技术
众所周知，睡眠呼吸障碍(SDB)可能由于患者(即，经受SDB的个体)气道中某种类型的阻塞而发生。基于解剖学/生理学观点，可以将各种类型的阻塞彼此区分开，并且特定类型的阻塞通常在发生的SDB期间产生特定类型的声音。在SDB期间出现的声音的区别特征是其频谱签名。例如，声音可以是腭打鼾，其与100-200Hz范围内的低频谱相关联。通过另一示例的方式，称为喘鸣的SDB事件典型地由在频谱中可能高得多(可能是几kHz)的声音来表征。一般性地参考“Subject Independent Identification Of Breath SoundsComponents Using Multiple Classifiers(使用多个分类器对呼吸声音成分的受试者独立识别)”(Alshaer，Hisham；Pandya，T.Aditya；Bradley，Douglas；以及Rudzicz，Frank，2014IEEE Int'l Conf.on Acoustic，Speech and Signal Processing(ICASSP))。
在SDB分析中特别相关的参数之一是在其间发生SDB现象的时间量，例如，SDB相对于总体睡眠持续时间而言发生的时间量，或其中观察到SDB的呼吸循环的百分比。为了提供准确的结果，需要识别在睡眠时段期间中的在某种程度上与SDB相关联的所有时间。在SDB期间发生打鼾或喘息的实例中，通过示例的方式，对包括打鼾的可听呼吸模式的较长片段的识别不同于识别若干短的打鼾或个体打鼾。如果表征在睡眠时段期间的SDB的所有时段以进行这种分析是必要的，则典型地必须知道正在寻求识别的事件类型的个性化签名。识别SDB的所有时段的问题因以下事实而加剧：即使是一个人，SDB的性质也可能取决于环境而改变，例如，通过使用药物或饮酒，这可能会对声音的性质产生影响。此外，在睡眠时段的过程中可能发生变化，例如，其中在睡眠时段期间早期出现哨声呼气声音，并且在睡眠时段期间后期发生重度打鼾。
在重度打鼾的情况下，典型地可以基于强度、能量或响度模式(即，信号的强度)容易地识别重度打鼾发作。因此，打鼾发作经常可以与其他发作(即，非打鼾发作)分开。可以通过任何方便的频率变换方法(即，傅里叶变换(FT)、功率谱密度函数(PSD)或估计的线性预测系统的合成滤波器的传递函数)来对打鼾发作做出共同表征。然而，后一种方法由于这样的事实而受限制：SDB声音中的主导频谱能量的范围可以从非常低(100Hz)到相当高(几kHz)，并且特别是常规线性预测方法的低频建模能力典型地很差。
在某些情况下，SDB事件的能量或响度并不总是将任何给定的SDB发作识别为感兴趣事件的充分触发。其他事件可以触发诸如语音、打喷嚏等之类的响亮声音，这些响亮声音与作为特性SDB声音特征被搜索的可听特性的类型不关联。因此，提供用于识别更高级且鲁棒的SDB事件的方法是必要的。
改进对SDB事件的识别的另一个常用方面是分析信号的包络或能量的周期性。然而，这并不总是提供期望的结果。在诸如家庭卧室之类的自然环境中尤其如此，其中优选地通过不显眼的声音监视器(例如，位于卧室内的麦克风)分析声音，其中某些背景噪声可能主导，使得即使某些重复的音频出现在频谱上清晰可听且可观察(例如，在频谱图中)时，基于整体准周期性响度变化来分离发作的系统也可能不起作用。
已经尝试克服这些缺点的可能方式是考虑多频带分析。对于特定频带，准周期性将是可见的。然而，这种方法的明显缺点是需要设计滤波器以及复杂的决策逻辑。因此，改进将是期望的。
发明内容
因此，本发明的一个目的是提供一种表征睡眠呼吸障碍的方法，该方法克服了常规方法的缺点。根据本发明的一个实施例，通过提供一种方法来实现该目的，该方法包括：接收至少第一信号，该第一信号表示在睡眠时段的至少一部分期间在患者附近出现的声音，在至少第一信号中识别多个片段，将多个片段中的至少一些片段表征为各自处于多个预先建立的聚类中的一个聚类中，多个预先建立的聚类各自具有多个属性，来自多个属性中的一个属性是来自一组阶段中的一个阶段，所述一组阶段包括呼吸循环的吸气阶段、呼吸循环的呼气阶段、呼吸循环的休息阶段和未知事件，来自多个属性中的另一属性是来自包括高能量级别以及低能量级别和中等能量级别中的至少一个的一组能量级别中的能量级别，对至少一些片段中的每个片段应用片段的频谱表征，对于被表征为处于具有未知事件而作为其阶段的聚类中的至少一个片段，至少部分地基于至少一个片段的频谱表征与属于具有呼吸循环的吸气阶段、呼吸循环的呼气阶段和呼吸循环的休息阶段中的一个而作为其阶段的另一聚类的频谱表征之间的对应关系，将至少一个片段重新表征为被表征为处于另一聚类中，以形成与至少第一信号相对应并且其片段各自被分类为呼吸循环的吸气阶段、呼吸循环的呼气阶段和呼吸循环的休息阶段中的一个的时间轴，以及生成包括至少部分地基于时间轴的信息的输出。
本发明的另一个目的是提供另一种表征睡眠呼吸障碍的方法，该方法克服了常规方法的缺点。该目的通过提供一种方法来实现，该方法包括：接收至少第一信号，该第一信号表示在睡眠时段的至少一部分期间在患者附近出现的声音，通过以下操作在至少第一信号中识别多个片段：使至少第一信号的至少一部分经受线性预测算法，以获得表示至少第一信号的至少一部分的激励信号，将低能量级别的多个同时出现以及激励信号在负斜率与正斜率之间的快速变化识别为激励信号中的多个候选转变点，例如通过使用短期多项式分解，通过示例的方式，至少部分地基于周期的相似性和多个部分的频谱内容，基于自相关函数的应用(通过示例的方式)，确定激励信号的存在于候选转变点的对之间的多个部分彼此相似，并且至少部分地基于该确定，得出结论：候选转变点的对是实际转变点，紧接在每个实际转变点之前的激励信号的一部分是呼吸循环的吸气阶段，并且紧接在每个实际转变点之后的激励信号的一部分是呼吸循环的呼气阶段，并且生成包括至少部分地基于吸气阶段和呼气阶段中的至少一个的信息的输出。
本发明的另一个目的是提供另一种表征睡眠呼吸障碍的方法，该方法克服了常规方法的缺点。该目的通过提供一种方法来实现，该方法包括：接收至少第一信号，该第一信号表示在睡眠时段的至少一部分期间在患者附近出现的声音，使该至少第一信号的至少一部分经受线性预测算法，以获得等于分子多项式除以分母多项式的传递函数，确定分子多项式的一个或多个根，一个或多个根中的根中的至少一些根各自以可以由具有长度并且还具有相对于横坐标的角度的向量表示的复数的形式，通过以下操作针对根中的至少一些根中的每个根生成遵循具有给定形状并且具有高度和宽度的模板概率的概率分量：至少部分地基于根向量的角度来确定概率分量的中心频率，并且至少部分地基于根向量的长度来确定概率分量的宽度，并且通过将概率分量组合在一起来形成概率函数。线性预测算法可以采用扭曲因子，并且扭曲可以是可选择的且可改变的，以转向对特定的感兴趣区域进行分析。
本发明的一个方面是提供一种用于声音分析以便创建SDB的类型和严重性的指示符而同时对先验或个性化数据的需求最少的方法。特别地，本发明的一个方面是概述用于区分SDB事件表征(包括持续时间指示符)的鲁棒系统。解决这个问题的典型方法是从分段开始的一系列处理，然后是频谱表征和识别。与这些尝试相比，本发明改进了一些部分并增加了灵活性。关于增加的灵活性，在级联方法中，先前的错误决策是在早期阶段(即，分段)做出的，这阻碍了进一步处理或降低了第二步骤的质量。本发明所设想的灵活性减轻了该缺点。
特别地，本发明设想执行对时间轴的第一部分表征以便学习最突出且高度相关的事件。仅在稍后阶段，即在充分观察高度相关的事件之后，才实际执行对整个时间轴的完全分段。
本发明的另一方面是提供一种执行声音分析的方法，该方法可以容易地将SDB特定发作与其他发作分开，而无需借助于多频带分析。
本发明的另一方面是提出一种用于生成吸气/呼气转变并识别吸气/呼气时间伸展的方法。
本发明的另一方面是提供一种声音分析方法，该方法可以容易地将SDB特定发作与其他发作分开，而无需借助于多频带分析，并且其可以针对极低频打鼾现象(例如，100Hz，通过示例的方式)以及高频打鼾现象(例如，在几kHz出现的哨声或喘鸣现象)对此进行处理。
本发明的另一方面是以方便且易于理解的格式呈现分析的结果。
本发明的这些和其他目的、特征和特性以及结构的相关元件的操作方法和功能以及部件的组合和制造经济将在参考附图的情况下考虑下面的说明书和所附权利要求书之后变得更加显而易见，所有这些形成本说明书的一部分，其中相同的附图标记表示各幅图中的对应部分。然而，应该清楚地理解，附图仅用于说明和描述的目的，而并不旨在作为对本发明的限制的定义。
附图说明
图1是使用常规线性预测算法的针对多个打鼾发作的估计传递函数的幅度传递的倒数；
图2是在提供相同打鼾发作的估计传递函数的倒数幅度方面类似于图1的视图，除了图2具有使用扭曲线性预测(WLP)估计的倒数幅度传递之外；
图3描绘了输入信号的运行能量；
图4描绘了通过使图3的输入信号经受WLP而获得的激励信号的运行能量；
图5是对另一输入信号的运行能量的描绘，该另一输入信号叠加有从其导出的另一对应的激励信号，并且另外包括指示多个吸气/呼气转变点的箭头；
图6是又一输入信号的运行能量和从其导出的另一对应的激励信号，其用多个箭头描绘其他吸气/呼气转变；
图7描绘了另一输入信号的运行能量和从其获得的彼此叠加的另一对应的激励信号，并且用星号符号描绘了进一步的吸气/呼气转变；
图8是使用模板概率的图解说明，每个模板概率具有形状(通过示例的方式，三角形)，其中多个概率分量被组合成概率函数；
图9是对概率函数的描绘；并且
图10是描绘根据本发明的改进方法的某些方面的流程图。
具体实施方式
如本文所使用的，单数形式的“一”、“一个”和“该”包括复数指代，除非上下文另有明确说明。如本文所使用的，两个或更多个部件或组件“耦合”的陈述应表示这些部件直接或间接地(即，通过一个或多个中间部件或组件，只要发生链接)连接或一起操作。如本文所使用的，“直接耦合”表示两个元件彼此直接接触。如本文所使用的，“固定耦合”或“固定”意表示两个组件被耦合以便一体地移动，而同时维持相对于彼此的恒定取向。
如本文所使用的，词语“整体式”表示组件被创建为单个块或单元。也就是说，包括单独创建然后耦合在一起作为单元的块的组件不是“整体式”组件或主体。如本文采用的，两个或更多个部件或组件彼此“接合”的陈述应表示这些部件直接地或通过一个或多个中间部件或组件彼此施加力。如本文采用的，术语“数字”应表示一或大于一的整数(即，复数)。
本文使用的例如但不限于顶部、底部、左侧、右侧、上部、下部、前部、后部及其衍生词的方向性短语涉及图中所示的元件的取向，并且除非在其中明确地叙述，否则不限制权利要求。
如上面指出的，本发明提出的解决方案的一个方面是采用四阶段分析方法，以便识别在患者的睡眠时段期间的所有SDB事件。本发明的另一方面是使用可以采用的最佳分析工具，以及仅针对高概率的情况采用软决策或硬决策。
该方法典型地开始于接收表示在睡眠时段期间在患者附近出现的声音的信号。在一些实例中，通过使用麦克风发生对信号的接收，该麦克风可以是或可以不是诸如蜂窝电话或患者采用的其他此类设备之类的设备的一部分。下面更详细描述的信号的处理中的某些处理可以在这样的蜂窝电话或包含计算机并且由患者采用的其他此类设备上执行。在其他情况下，可以使用其他计算机设备在远离患者的位置处由技术人员或其他专家个人远离患者执行更大程度的处理和进一步的分析。
如下面将更详细地阐述的，第一阶段可以被描述为当片段容易地识别(即，以高概率程度)为SDB的实例或其他特定事件时，执行将信号按时间分段成这样的片段。如下面将更详细地阐述的片段可用于识别呼吸循环。在第二阶段中，进一步表征这些片段，并且每个片段被聚类或分类为多个聚类中的一个聚类，其中聚类(或至少其定义)可以是预先建立的。在第三阶段中，聚类的频谱签名用于对整个信号进行进一步的(即，完整的)自动注释，整个信号表示在睡眠时段期间出现的所有声音。在第四阶段中，对聚类进行评估，更具体地对它们的持续时间进行评估，以便确定在其间任何给定聚类的事件已经发生的睡眠时段的过程中的相对时间。例如，输出可以是(通过示例的方式)睡眠时段的概要，其包括打鼾的总时段、非SDB睡眠的总时段等，并且该数据可以以各种样式中的任何一种输出。输出可能利用聚类的发生中的任何一个或多个的事件的其他表征来增强。
更具体地，关于第一阶段，音频信号由例如蜂窝电话或其他设备的麦克风拾取。可以在蜂窝电话或其他地方记录音频信号以便以后处理，或者可以在记录信号的同时处理信号。优选地，通过使用线性预测算法创建激励信号来执行对信号的分析。根据激励信号，确定能量。此时还可能包括频谱特征，例如，梅尔频率倒谱系数(MFCC)等。自相关函数(ACF)可以用于确定在预期范围内是否存在充分的周期性，即，例如通过根据ACF在其中期望重复率的范围上设置阈值并且设置相关的强度或程度的最小值。ACF可以是通常可用的并且在相关领域中众所周知的各种已知ACF系统中的任何一种。期望使得这样的ACF在睡眠时段期间在若干呼吸时段内操作，并且仍然优选地，通过示例的方式，其被配置为仅识别根据范围和强度设置在平均上充分地重复的那些片段。也就是说，ACF未被配置为识别个体呼吸循环。
关于重复率，能量信号或适当创建的包络信号将由两个明确可区分的电平表征。这些可以通过其中许多已知存在的聚类算法来估计。可以设置阈值以确保充分分离。
通过这两种措施，可以识别出明确指示SDB事件的片段，并且更具体地，识别出明确指示在SDB事件期间出现的SDB声音的片段。可以设置各种阈值，使得被识别为包括SDB事件的片段具有非常高的可靠性，即，高特异性。
可以基于估计的重复率在呼吸循环方面进行时间轴的细分。每个呼吸循环可以被分成属于多个预先建立的聚类之一的部分或属于某个聚类或级别的概率。最典型地，这些部分将依次是吸气阶段和呼气阶段，以及紧接着下一次吸气之前的休息阶段。可以采用时间标记来指示从吸气到呼气的转变。下面将阐述许多这样的示例。
聚类可以具有属性，并且在所描绘的示例性实施例中，这些聚类各自按照其属性被给予能量级别和阶段。例如，能量级别是高能量或低能量。应该理解，可以采用其他能量级别或附加的能量级别。此外，明确指出，可以使用信号包络电平来代替本文提及能量级别的任何点处的能量级别。如通常理解的，幅度可以指代在一段时间内(例如，在呼吸循环的片段内)的某种能量测量，并且它可以指代(激励)信号的能量。另一个选项是查看信号的包络，信号的包络指代激励信号的平均值，其同样相关。属性中的另一属性是呼吸循环的阶段，在所描绘的示例性实施例中，阶段包括吸气阶段、呼气阶段、休息阶段和未知阶段，即，不确定该阶段是吸气还是呼气或休息的阶段。编号为1到6的示例性聚类被表征为具有高概率。附加的聚类7针对否则将在聚类1-6之一中的中等概率示例和低概率示例。
因此，每个时间实例或时段被表征为属于在多个预先建立的聚类(例如，在下面的表1中标识的)中的聚类，表1呈现了涉及被定义为各自具有两个能量级别(高和低)中的一个的聚类的情况。
表1
聚类 级别 阶段 概率
1 高 吸气 高
2 高 呼气 高
3 高 未知 高
4 低 吸气 高
5 低 呼气 高
6 低 未知 高
7 对于聚类1-6为中等或低
更具体地，本发明的一个方面将使用因应用某种类型的线性预测而产生的激励信号，优选地线性预测是对原始输入(音频)信号采用一系列抽头全通滤波器，例如，扭曲线性预测(WLP)或拉盖尔(Laguerre)线性预测(LLP)。如相关领域中应理解的，WLP和LLP两者都使用一系列抽头全通滤波器，但在LLP中，第一滤波器不同于WLP的第一滤波器。在使用激励信号的能量或包络代替原始音频信号的能量或包络或与原始音频信号的能量或包络相结合以用于信号分段和片段识别时，存在若干优点。这些优点在下面阐述。
首先，背景噪声(静音或固定噪声，例如，通风扇等)级别在激励信号的能量中比在原始音频信号的能量中更稳定，从而使激励信号成为用于信号分段的更可靠来源。第二，前述背景(即，静音)级别和SDB事件之间的区别典型地在激励信号中比在原始音频信号中更明显。如果SDB声音具有更高频率性质，则尤其如此。第三，激励信号更清楚地显示从吸气到呼气的转变。
一般线性预测器由下式给出：
H(z)＝1-ΣbkGk(z)
其中Gk(z)是任意传递函数，其中bk是权重而Σ是求和符号，并且求和的范围是对所有k(k＝1，2，...K，其中K是系统中的自由度数)。H(z)被称为分析滤波器。
在常规线性预测算法中，
Gk(z)＝z-k
被称为抽头延迟线滤波器，并且用于扭曲线性预测，
Gk(z)＝Ak(z)
其中A(z)是由真实扭曲因子或极点(p)定义的第一阶全通区段，其中(-1<p<1)。如相关领域中通常理解的，具有极点p的第一阶全通滤波器A(z)由下式给出：
A(z)＝(p–z-1)/(1–pz-1)
分析滤波器H(z)以这样的方式进行优化：当通过该系统对原始输入信号x(t)进行滤波时，输出信号具有最小的能量并且在频谱上尽可能地平坦。该优化中的自由度是系数bk。
将输入信号x(t)输入到滤波器系统中，输入信号x(t)是音频的离散时间片段，其中k＝1，2，...K，并且产生输出yk(t)，表示yk(t)是滤波器Gk(z)具有输入x(t)的响应。
协方差矩阵Q被构造为：
Qk,l＝Σyk(t)yl(t)
其中求和是对时间t。
协方差向量被构造为：
Rk＝Σx(t)yk(t)
其中求和是对时间t。
可替代地，可以使用某种时间加权函数对协方差进行加权。
定义了最佳参数集：
Q B＝R。
其中向量B包括参数bk，即B＝[b1，b2，...bK]。
在以这种方式优化参数之后，分析滤波器的传递函数的幅度的倒数反映了原始输入信号x(t)的频谱属性。残余或激励信号e(t)是分析滤波器H(z)作用于x(t)的输出，并且由下式给出：
e(t)＝x(t)-bk yk(t)。
可以通过定期确定最佳系数b并更新滤波器中的系数b来进行运行分析，从而创建时变自适应滤波器。
因此，根据输入信号x(t)(即，完整信号而不是其片段)，可以创建相关联的激励信号e(t)，其同样是完整信号而不是分段激励信号。可替代地，可以使用重叠相加方法来由片段e(t)构建完整激励信号。
为了检测SDB事件，其中SDB主导地确定声音的那些时间片段需要与其中声音由背景噪声(其可以主要地是静音)主导的其余时间片段分开。基于激励信号e(t)而不是基于原始信号x(t)进行这种识别和分段更容易且更鲁棒。
如上面提出的，用于检测具有SDB声音的发作的两种主要方法是1)识别信号能量的准周期性模式，以及2)识别两个不同的能量级别，其中最响亮的级别对应于SDB事件并且最低可能的声音对应于背景声音。应理解，替代方法(即，不基于信号能量的准周期性模式化或不基于对两个不同能量级别的识别的方法)可以用于根据原始音频信号识别打鼾或其他SDB事件而不脱离本发明的精神。
当使用激励信号e(t)时，不仅对SDB事件的识别和分段比使用原始信号x(t)更容易，如果通过使用除常规线性预测算法之外的线性预测算法获得激励信号e(t)，则其是更加期望的。如相关领域中理解的，常规线性预测方法采用抽头延迟线。图1描绘了采用这种常规线性预测的针对多个打鼾发作的分析滤波器的传递函数H(z)的幅度传递的倒数。相比之下，图2描绘了针对相同打鼾发作的传递函数，除了采用具有p＝0.6的极点(即，扭曲因子)的WLP，但是p可替代地可以是-0.6。如上面指出的，WLP采用一系列抽头全通滤波器。在图1和图2中呈现的两种情况下，阶数是K＝10。如从图2中可以清楚地理解的，采用WLP的传递函数在约150Hz处具有清晰的共振峰值，而这在采用常规线性预测的图1中几乎不可见。应注意，在150Hz处的峰值反映了在图1和图2中描绘的打鼾事件中的实际主导打鼾声音频率。因此可以理解，WLP(或LLP，通过示例的方式)在创建激励信号e(t)方面比常规线性预测更有利。通过示例的方式，使用WLP或LLP而不是采用常规线性预测的其他优点将在下面更详细地阐述。
有利地使用激励信号e(t)而不是原始音频信号x(t)进一步有利地在图3和图4中描绘。例如，图3描绘了输入信号x(t)的运行能量。在图4中，描绘了激励信号e(t)的运行能量，该激励信号e(t)是从原始信号x(t)导出的，并且针对K＝10的阶数采用具有p＝0.6的扭曲因子的WLP。在图3和图4的情况下，输入声音是呼气期间的吹气声。与在描绘了原始信号x(t)的图3中相比，在图4中，重复的吹气声更清晰可见，特别是在其激励信号e(t)中。因此，采用WLP的分析除了深度打鼾外，还有助于识别其他类型的呼吸现象。
图5描绘了彼此叠加的不同输入信号和产生的激励信号。在原始输入信号中，在大约10秒至30秒之间难以识别背景。然而，在10秒到30秒之间的这个时段在激励(即，残余)信号中更加规则且清晰地可识别，特别是在其时间行为方面。这意味着上述机制(即，对准周期性的检测和对不同能量级别的检测)当对激励信号操作而不是对原始信号操作时将提供更好的结果。
进一步在图5中，提供了一系列箭头，其指示吸气与呼气之间的转变点。也就是说，紧接在转变点之前(即，左侧)的时段对应于呼吸循环的吸气阶段，并且紧接在转变点之后(即，右侧)的时段对应于呼吸循环的呼气阶段。应注意，吸气和呼气转变点在激发(即，残余)信号的能量中比在原始(即，输入)信号中更加可见，这表明对这种转变点的识别在激励信号中比在原始信号中更容易。
图6描绘了彼此叠加的另一示例性输入信号和产生的激励信号(即，残余信号)。再次强调，图6中的激励信号比原始输入信号的结构更好，并且可以看出原始信号中的低能量级别看起来比在激励信号中嘈杂得多。再次强调，在图6中用多个箭头指示多个吸气/呼气转变点。
由图5和图6中的箭头标识的转变点可以以下列方式检测。吸气和呼气之间的转变由同时出现i)高正曲率(表示从负斜率快速进入正斜率)以及ii)低级别(表示能量级别处于或接近背景级别，虽然有时可能处于中等级别，但基本上从不处于较高级别)来表征。
采用短期多项式分解是一种可以识别高曲率和低级别的同时出现以便创建候选转变点列表的方式。在这种情况下，如图6中描绘的激励信号的运行能量(优选地以dB为单位)切割成重叠的片段。多项式函数与其拟合，优选地，该拟合是在加权函数下的最小二乘拟合。检查拟合曲线的多项式系数，并且误差信号也是如此。如果误差足够小，曲率足够高，并且级别足够低，该片段包含转变。可以根据估计的多项式系数来确定转变在片段内的位置。可以动态地设置决策中要求的所有值(足够小、高和低)，例如，通过监测环境或对过去的片段保持跟踪，通过前期设置(例如，误差小于总误差的10％，二次项在减少建模误差至少某一百分比方面的贡献)，或两种方法的组合。可替代地，可以训练分类器(例如，神经网络)以识别能量图中的转变。候选转变点列表典型地包括由噪声引起的多个额外元素，并且还可以包括一些缺失元素。
在识别候选转变点之后，有效的后续步骤是验证操作。可以预期转变点之间的距离(即，持续时间)是规则的——呼吸引起的重复率的一倍或多倍。重复率可以根据前述自相关函数(ACF)或应用于激励信号的附加或替代ACF来确定，要重申的是许多ACF在相关领域中是众所周知的，并且出于简洁的原因在此不再重述。
这种方法有利地实现候选转变点的生成以及将候选转变点验证成为呼吸循环的吸气阶段与呼气阶段之间的实际转变点。这种处理的结果在图7中的另一示例中示出，图7描绘了又一输入(音频)信号和从其导出的激励信号，其中两个信号叠加。图7突出显示了两个观察结果。首先，转换点不一定总是处于低级别，而是也可以发生在中等级别，如上面提及的。在这方面，图7中用星号符号指示了各种呼吸循环的吸气阶段和呼气阶段之间的转变点。第二，图7表明，即使在激励信号中可以找到高曲率的多个其他实例，上述机制也能高效地找到转变点的正确位置。应注意，原始输入(音频)信号的能量简档示出了被确定为不是期望的转变点的清晰的高曲率实例。因此，这再次指示激励信号e(t)提供比原始(音频)信号x(t)本身的能量简档好的用于分析和解释一系列SDB事件的时间结构的途径。
在已经识别出信号中的多个转变点的情况下，整个时间信号可以被分成紧接在转变点之前的吸气阶段，紧接在转变点之后的呼气阶段，以及位于紧接在呼气阶段之后但在顺序地下一吸气阶段之前的休息或静音阶段。这种分析是通过先进的方法或直接的启发式方法(例如，上面提及的)执行的。因此，高级别SDB事件也可以被表征为属于吸气阶段或呼气阶段，这对于解释与特定SDB发作相关联的特性具有进一步的益处。
这种SDB监测系统的一个结果可以采用前述分析的输出来提供各种信息。例如，可以提供吸气阶段期间的典型频谱的概述，而无论是否标记为SDB事件。同样地，同样可以输出呼气期间的典型频谱的概述，而无论是否标记为SDB事件。此外，同样可以输出典型背景噪声频谱的概述。如相关领域中理解的，无论是在吸气阶段还是呼气阶段期间，在SDB事件期间获得的频谱可以有助于诊断SDB事件的特定原因或多个特定原因，这是非常期望的。
因此可以看出，阶段一的输出潜在地可以是时间线，其中整个时间线在具有高概率的转变点之间被分段。然而，在其他实施例中，第一阶段的输出可以简单地是输出诸如前述表1之类的表。
在第二阶段中，通过进一步描述事件的参数进一步增强了聚类，并且更具体地，进一步增强了其中的片段。更具体地，通过向每个聚类中的每个样本添加样本的频谱表征来增强聚类，例如，表1的示例性聚类1-7。这样的频谱表征可以是傅里叶变换、功率谱密度函数，或者可以包括描述频谱的特征，例如，梅尔频率倒谱系数(MFCC)，或线性预测系统的参数。线性预测系统特别地高效，这是由于在信号的细分基于其中采用WLP或LLP的激励信号的情况下，前述参数bk已经从阶段一获得。基于附加的频谱表征，在聚类的频谱表征方面检查聚类的一致性，并且如果需要，进一步细分。因此，至少部分地基于一致的频谱表征来创建一组聚类。除了聚类之外，这至少部分地基于一致的能量级别和一致的阶段，如表1中的示例中表明的。
本发明该部分的某些方面涉及使用基于全通滤波器的线性预测方法，例如，前述WLP和LLP。应认识到，尽管使用这种替代线性预测方法可能导致失去与错误系统的管模型的对应关系，但是针对SDB采用WLP或LLP的优点比失去与管模型的这种对应关系更有利。
特别地，对于扭曲参数的正设置，使用这种WLP和LLP在低频范围中带来增加的频谱分辨率。这使得能够改进低频打鼾现象的频谱表征。另外，与对于例如在喘鸣、喘息和吹气中发生的高频现象使用原始信号x(t)相比，从对激励信号e(t)(即，残余或激励信号能量)的分析产生更好的时间表征。此外，通过将来自估计系统(WLP或LLP)的参数从各种SDB发作变换为共振概率函数来实现达到可解释频谱格式的方法。
在本示例性实施例中采用WLP，但应理解，可以采用LLP而不脱离本发明的精神。对于音频编码，所选择的示例性扭曲因子或极点耦合到音频信号的采样频率，以便模仿人类听觉系统。例如，在采样率为30kHz的实例中，可以采用p＝0.7的扭曲因子，而在10kHz的采样系统中，优选的扭曲因子可能是p＝0.6，以便得到在这些相应范围内与人耳的灵敏度的良好对应关系。
对于SDB分析，优选的是采用扭曲的自由度来针对SDB表征实现改进的特征。因此，针对最佳SDB分析对极点或扭曲因子的选择是关于不同的考虑因素而设置的。例如，可以关于先验信息设置极点，或者可替代地，可以使用不同的标准基于信号特性来优化极点。通过示例的方式，如果期望更接近地观察高频现象，则使用先验信息可能涉及选择p＝-0.5的扭曲因子或极点，或者如果期望检查较低频率现象，则可以将扭曲因子或极点选为p＝0.5。如果采用不同的标准，则可以选择扭曲因子，例如，以便最小化均方误差，或者如果期望最小化平均绝对误差，则可以在不同的值处选择。另外可替代地，可以取决于期望的SDB分析结果来控制分析，例如，当期望对共振峰值执行分析时。例如，可以确定在特定频率处识别共振峰值，例如，以在图2中识别出在大约150Hz处的共振峰值的方式。基于在150Hz处的存在峰值，可能期望调整扭曲因子以集中于150Hz附近的现象。其他示例将是显而易见的。
如上面提出的，向量B中包含的估计的参数定义了分析滤波器函数H(z)。其分子多项式的根可以用于确定共振峰值。也就是说，滤波器函数H(z)可以表征为分子多项式除以分母多项式。分子多项式的根可以用各种方式中的任一种来识别。在需要识别一个或两个根的情况下，潜在地可以采用基本代数运算来确定根。在存在更多根的情况下，可以采用各种更复杂的根寻找算法中的任何一种，其中许多是相关领域中已知的。例如，可以采用的其他根寻找算法将包括基于Bairstow的方法或其他方法(例如但不限于Halley方法、拉盖尔方法、Bernoulli方法等)的那些根寻找算法。
在信号中具有各种SDB发作并且具有来自向量B的滤波器参数(即，bk＝b1，b2，...bK)实现有用的分析。对于前述SDB发作中的每一个，可以确定共振概率函数以表征SDB发作。这可以通过考虑如上面提及的H(z)的分子多项式的根来完成。分子多项式的根中的某些根将是表征为(a+bi)的复数，其中a和b是实数，并且其中i是虚数单位。
还应理解，这样的复数可以各自表征为其自己的原点位于a-b坐标系的原点处的向量，其中横坐标是a轴而纵坐标是b轴。向量的终点位于a-b坐标系上的点a，b处。
H(z)的分子多项式的各种根可以包括一个或多个复数根和/或一个或多个实数根。实数根被忽略，因为是缺乏正虚部或缺乏足够的绝对值的复数根。在这方面，绝对值是向量的长度，并且由SQRT(a2+b2)给出。在长度为0.4或更大的情况下，这种根(如果它们具有正虚部)被认为是对共振现象的表示。还可以使用用于选择表示共振现象的复数根的略微不同的标准，例如，角度和半径两者都在选择中起作用。
在分子多项式的这种复数根中，向量相对于横坐标的角度对应于中心频率fi，并且根的半径(即，长度)与带宽wi相关联。然后，可以采用具有预定形状的模板概率，并且可以使用前述角度(即，中心频率fi)和半径(即，带宽wi)来构建将在生成概率密度函数时使用的给定根的概率分量。具体地，模板概率以中心频率fi为中心，并且模板概率的宽度被设置为带宽wi。这由以下公式给出：
P(f)＝ΣT((f-fi)/wi)wi
其中P是概率函数，f是频率，T是模板函数。图8中提供了一个示例，其中将分子多项式的四个示例性根应用于三角形模板概率，以形成四个概率分量(以数字24、28、32和36指示)，这四个概率分量被组合以形成如以数字40指示的示例性概率函数。典型地，P被归一化，使得P对f的积分等于1，即，使P成为概率密度函数。实际概率密度函数的示例一般性地在图9中描绘，图9描绘了在大约150Hz处的峰值，并且其是非常窄的峰值，指示在该频率下打鼾现象的高可能性。
虽然本文采用三角形模板函数以用于提供示例的目的，但应理解，可以采用其他类型的模板概率。可能可用的其他模板概率将包括矩形模板概率、高斯模板概率和其他此类模板概率，而没有限制。还应注意，单位是固定的，并且通过示例的方式，该高度典型地与1/w成比例。
另外，考虑阶段是“未知”的那些聚类是可能被重新标记为“吸气”还是“呼气”可能是有利的，通过示例的方式，基于这些未知片段的频谱表征与吸气聚类和呼气聚类的频谱表征之间的一致性。这可以称为聚类的池化。
在阶段三处，将信号中的每个时刻或时间片段的频谱表征与已经在阶段二输出的聚类(或分配给这些聚类的片段)的表征进行比较。这使得能够针对每个时刻或时间片段输出类别分配或至少一个概率。
另外，可以通过这样使类别分配(或概率)与呼吸的时间逻辑相对来检查时间结构的完整性：即，吸气阶段后接呼气阶段，后接休息阶段，具有特定节奏，该特定节奏是定性已知的数据的一部分(即，如果可能的话，例如已经在阶段一进行测量)。在这个阶段，可以使用未识别的(即，未分配聚类的)片段，这是由于测量数据的某些部分可能不一定适合于上面阐述的分析。例如，这可能是由于主导背景噪声或者是由于其他现象导致的。
另外，可以将聚类与可以在数据库中可用或可以以其他方式可用的聚类进行比较，或将聚类利用可以在数据库中可用或可以以其他方式可用的聚类进行扩充。一个示例可以是：可以将给定日期的睡眠时段的聚类与在前一晚的睡眠时段期间或另一时机生成的聚类进行比较。阶段三的输出是完全分类的时间轴，其中所有时间实例或时间片段被完全分类为呼吸循环中的吸气阶段、呼气阶段或休息阶段。图7描绘了这种分类的时间轴的示例性受限部分。
关于阶段四，可以理解的是，通过使聚类按其频谱表征进行描述，并且通过使这些聚类中的这些片段在各种时间开始和结束，可以创建和生成各种概述和分析以深入了解分类的时间轴所例证的测量。在其最简单的形式中，阶段四将以一种或另一种形式呈现各种聚类的信息并提供输出。输出可以是一系列绘图，按每个聚类示出频谱行为的统计结果(即，每个频率的平均值和标准差或中值和四分位数范围)、夜晚的总持续时间、相对于夜晚的相对持续时间(其中相对可以是相对于总时间或呼吸时间的特定阶段)和/或观察到这种行为的呼吸循环的百分比。
可替代地，可以通过使用知识引擎或数据库来解释数据以便给出事件的含义或解释，并且系统的输出可以是与知识库中或者数据库中的某些标签的比较方面的表征。例如，应当理解，某些打鼾可以出现或者可以取决于睡觉前酒精的消耗而改变其性质。同样地，打鼾的表征可以随着年龄过大、鼻塞等而改变。这样的标签可以包括在输出中。另外可替代地，可以将数据与前几天收集的数据进行比较，以便生成趋势分析并输出这种趋势分析的结果。其他类型的其他输出将是显而易见的。
因此可以看出，上述方法有利地使得能够表征在睡眠时段期间患者的呼吸障碍。这种分析至少部分地通过本文提到的WLP和LLP分析方法成为可能。这特别地是由于具有其bk参数的向量B表征了滤波器并且这样做要求非常少的数据元素。例如，在诸如本文描述的其中K＝10的第十阶系统中，传递函数H(z)可以高效地由十个b参数表征。在没有WLP或LLP的情况下，数据信号的常规采样将产生大量数据，在整个睡眠时段的过程中处理这些数据是不切实际的。例如，使用30kHz的常规音频采样将导致每分钟睡眠180万个数据值。由于人类典型地每天睡6至8小时，每分钟睡眠产生180万个数据值将产生大量数据，这些数据将无法使用常规的数据处理设备进行有意义的处理。另一方面，如果滤波器函数可以关于十个b值来表征，则要求的数据处理比否则在对信号严格采样和存储这种样本的情况下需要的数据处理小许多个数量级。因此，WLP和LLP的使用有利地使得能够使用常规的数据处理设备进行数据处理，否则常规的数据处理设备将是不切实际或不可能的。因此，有利地，本文给出的分析能够在当代计算机设备上执行，而在没有WLP和LLP的情况下，这是不可能的。其他优点将是显而易见的。
在权利要求书中，放置在括号内的任何附图标记不应被解释为对权利要求进行限制。词语“包括”或“包含”不排除存在权利要求中列出的元素或步骤之外的元素或步骤。在列举了若干模块的设备权利要求中，这些模块中的若干模块可以由同一个硬件项体现。元素前面的词语“一”或“一个”不排除存在多个这样的元素。在列举了若干模块的任何设备权利要求中，这些模块中的若干模块可以由同一个硬件项体现。在相互不同的从属权利要求中叙述某些元素的仅有事实并不指示这些元素不能组合使用。
尽管为了说明的目的已经基于当前被认为是最实用且优选的实施例详细描述了本发明，但是应该理解，这样的细节仅用于该目的并且本发明不限于所公开的实施例，而是相反，本发明旨在覆盖落在所附权利要求书的精神和范围内的修改和等同布置。例如，应该理解，本发明设想，在可能的程度上，任何实施例的一个或多个特征可以与任何其他实施例的一个或多个特征组合。

Claims (12)

1.一种用于监测在睡眠时段期间的呼吸的方法，包括：
接收至少第一信号，所述至少第一信号表示在所述睡眠时段的至少一部分期间在患者附近出现的声音；
在所述至少第一信号中识别多个片段；
将所述多个片段中的至少一些片段表征为各自处于多个预先建立的聚类中的一个聚类中，所述多个预先建立的聚类各自具有多个属性，来自所述多个属性中的一个属性是来自一组阶段中的一个阶段，所述一组阶段包括呼吸循环的吸气阶段、呼吸循环的呼气阶段、呼吸循环的休息阶段和未知事件，来自所述多个属性中的另一属性表示能量值；
对所述至少一些片段中的每个片段应用所述片段的频谱表征；
对于被表征为处于具有未知事件而作为其阶段的聚类中的至少一个片段，至少部分地基于所述至少一个片段的频谱表征与属于具有呼吸循环的吸气阶段、呼吸循环的呼气阶段和呼吸循环的休息阶段中的一个而作为其阶段的另一聚类的频谱表征之间的对应关系，将所述至少一个片段重新表征为被表征为处于所述另一聚类中，以形成与所述至少第一信号相对应并且其片段各自被分类为呼吸循环的吸气阶段、呼吸循环的呼气阶段和呼吸循环的休息阶段中的一个的时间轴；以及
生成包括至少部分地基于所述时间轴的信息的输出。
2.如权利要求1所述的方法，还包括：使所述至少第一信号经受线性预测算法以生成激励信号。
3.如权利要求2所述的方法，其中，所述线性预测算法采用滤波器结构，所述滤波器结构包括至少一个参数，所述至少一个参数可调以用于在频谱的至少一个特定部分中提供增强的细节。
4.如权利要求3所述的方法，其中，所述线性预测算法是拉盖尔线性预测算法。
5.如权利要求3所述的方法，其中，所述线性预测算法是扭曲线性预测算法。
6.如权利要求1所述的方法，其中，所述能量值是来自一组幅度中的幅度，所述一组幅度包括低幅度和中等幅度中的至少一个以及高幅度。
7.如权利要求6所述的方法，其中，所述幅度与所述至少一些片段中的片段的能量级别相对应。
8.如权利要求1所述的方法，其中，输出的生成包括一个或多个绘图，所述一个或多个绘图示出了来自所述多个预先建立的聚类中的至少一些聚类的频谱行为的统计结果。
9.如权利要求1所述的方法，其中，输出的生成包括呼吸的特定阶段以及相对于另一持续时间的其持续时间。
10.如权利要求1所述的方法，其中，输出的生成包括在与知识库中的标签的比较方面的表征。
11.如权利要求1所述的方法，其中，输出的生成包括：
执行与先前收集的数据的比较以便生成趋势分析；以及
输出趋势分析的结果。
12.如权利要求1所述的方法，其中，所述能量值指代包络。
CN201780081625.7A 2016-12-28 2017-12-27 表征睡眠呼吸障碍的方法 Expired - Fee Related CN110113998B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662439508P 2016-12-28 2016-12-28
US62/439,508 2016-12-28
PCT/EP2017/084597 WO2018122228A1 (en) 2016-12-28 2017-12-27 Method of characterizing sleep disordered breathing

Publications (2)

Publication Number Publication Date
CN110113998A CN110113998A (zh) 2019-08-09
CN110113998B true CN110113998B (zh) 2022-05-13

Family

ID=60935865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780081625.7A Expired - Fee Related CN110113998B (zh) 2016-12-28 2017-12-27 表征睡眠呼吸障碍的方法

Country Status (5)

Country Link
US (1) US20190343453A1 (zh)
EP (1) EP3562402B1 (zh)
JP (1) JP7061126B6 (zh)
CN (1) CN110113998B (zh)
WO (1) WO2018122228A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3545848A1 (en) * 2018-03-28 2019-10-02 Koninklijke Philips N.V. Detecting subjects with disordered breathing
CN109222961B (zh) * 2018-11-09 2024-01-19 中科数字健康科学研究院（南京）有限公司 一种便携式睡眠监测系统及相关睡眠监测方法
JP7601185B1 (ja) 2023-11-07 2024-12-17 積水ハウス株式会社 いびき判定システム、いびき判定方法及びプログラム

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101128150A (zh) * 2004-07-23 2008-02-20 以康源有限公司 使用非接触式麦克风进行呼吸型式测定的装置和方法
WO2010054481A1 (en) * 2008-11-17 2010-05-20 Toronto Rehabilitation Institute Method and apparatus for monitoring breathing cycle by frequency analysis of an acoustic data stream
EP2283773A1 (en) * 2009-08-10 2011-02-16 Koninklijke Philips Electronics N.V. Processing a breathing signal
CN102088911A (zh) * 2008-06-17 2011-06-08 皇家飞利浦电子股份有限公司 利用声音分类器和麦克风的声学患者监测
CN102395322A (zh) * 2009-04-14 2012-03-28 夏普株式会社 使用利用标记验证进行显式加标记的呼吸阶段分类的方法和系统
WO2013005201A1 (en) * 2011-07-01 2013-01-10 Koninklijke Philips Electronics N.V. System and method for limited flow respiratory therapy
CN103376434A (zh) * 2012-04-20 2013-10-30 西门子公司 借助磁共振技术采集呼吸的检查对象的测量数据组的方法
CN104905791A (zh) * 2014-03-11 2015-09-16 上海宽带技术及应用工程研究中心 基于聚类算法来提取呼吸信号的方法及系统
WO2016038088A1 (de) * 2014-09-10 2016-03-17 Ait Austrian Institute Of Technology Gmbh Verfahren und vorrichtung zur bestimmung des zeitlichen verlaufs der atemtiefe

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070118054A1 (en) 2005-11-01 2007-05-24 Earlysense Ltd. Methods and systems for monitoring patients for clinical episodes
JP2009539132A (ja) 2006-05-30 2009-11-12 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ オーディオ信号の線形予測符号化
GB201011816D0 (en) 2010-07-14 2010-09-01 Imp Innovations Feature characterization for breathing monitor
WO2012155257A1 (en) * 2011-05-17 2012-11-22 University Health Network Osa/csa diagnosis using recorded breath sound amplitude profile and pitch contour
US9814438B2 (en) * 2012-06-18 2017-11-14 Breath Research, Inc. Methods and apparatus for performing dynamic respiratory classification and tracking
CA2888394A1 (en) * 2014-05-02 2015-11-02 University Health Network Method and system for sleep detection
JP6315576B2 (ja) 2014-06-16 2018-04-25 国立大学法人山口大学 寝息呼吸音解析装置及び方法
CN108474841B (zh) 2015-04-20 2022-03-18 瑞思迈传感器技术有限公司 由特征信号对人类的检测和识别

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101128150A (zh) * 2004-07-23 2008-02-20 以康源有限公司 使用非接触式麦克风进行呼吸型式测定的装置和方法
CN102088911A (zh) * 2008-06-17 2011-06-08 皇家飞利浦电子股份有限公司 利用声音分类器和麦克风的声学患者监测
WO2010054481A1 (en) * 2008-11-17 2010-05-20 Toronto Rehabilitation Institute Method and apparatus for monitoring breathing cycle by frequency analysis of an acoustic data stream
CN102395322A (zh) * 2009-04-14 2012-03-28 夏普株式会社 使用利用标记验证进行显式加标记的呼吸阶段分类的方法和系统
EP2283773A1 (en) * 2009-08-10 2011-02-16 Koninklijke Philips Electronics N.V. Processing a breathing signal
WO2013005201A1 (en) * 2011-07-01 2013-01-10 Koninklijke Philips Electronics N.V. System and method for limited flow respiratory therapy
CN103376434A (zh) * 2012-04-20 2013-10-30 西门子公司 借助磁共振技术采集呼吸的检查对象的测量数据组的方法
CN104905791A (zh) * 2014-03-11 2015-09-16 上海宽带技术及应用工程研究中心 基于聚类算法来提取呼吸信号的方法及系统
WO2016038088A1 (de) * 2014-09-10 2016-03-17 Ait Austrian Institute Of Technology Gmbh Verfahren und vorrichtung zur bestimmung des zeitlichen verlaufs der atemtiefe

Also Published As

Publication number Publication date
JP7061126B2 (ja) 2022-04-27
WO2018122228A1 (en) 2018-07-05
JP7061126B6 (ja) 2022-06-03
EP3562402B1 (en) 2021-07-14
CN110113998A (zh) 2019-08-09
US20190343453A1 (en) 2019-11-14
JP2020513908A (ja) 2020-05-21
EP3562402A1 (en) 2019-11-06

Similar Documents

Publication Publication Date Title
CN110234279B (zh) 表征睡眠呼吸障碍的方法
Windmon et al. Tussiswatch: A smart-phone system to identify cough episodes as early symptoms of chronic obstructive pulmonary disease and congestive heart failure
Abeyratne et al. Pitch jump probability measures for the analysis of snoring sounds in apnea
CN109686377B (zh) 音频识别方法及装置、计算机可读存储介质
CN110570880B (zh) 一种鼾声信号识别方法
EP3964134A1 (en) Lung health sensing through voice analysis
Zhang et al. A novel wheeze detection method for wearable monitoring systems
Swarnkar et al. Neural network based algorithm for automatic identification of cough sounds
KR102186157B1 (ko) 뉴로-퍼지 네트워크 기반 폐음 분석 방법 및 시스템
Ulukaya et al. Overcomplete discrete wavelet transform based respiratory sound discrimination with feature and decision level fusion
CN110113998B (zh) 表征睡眠呼吸障碍的方法
CN105962897B (zh) 一种自适应的鼾声信号检测方法
El Emary et al. Towards developing a voice pathologies detection system
Aras et al. Automatic detection of the respiratory cycle from recorded, single-channel sounds from lungs
EP3581098A1 (en) Method of generating respiratory status classifier and method of determining respiratory status
Janott et al. Snoring-an acoustic definition
Dam et al. e-Breath: breath detection and monitoring using frequency cepstral feature fusion
CN114464200B (zh) 基于耳机的肺功能检测方法、系统、设备及可读存储介质
US20200093424A1 (en) Method of characterizing sleep disordered breathing
Abushakra et al. Efficient frequency-based classification of respiratory movements
Liu et al. Classifying respiratory sounds using electronic stethoscope
Zhu et al. Recognition of cough using features improved by sub-band energy transformation
Moussa et al. Time-frequency analysis versus cepstrum analysis for validating respiratory sounds in infants and children
Dagar et al. Analysis of Respiratory Signals in Spectral Domain for Detecting Respiratory Disorders with Emphasis on COVID-19
Aras et al. Recognition of Common Lung Sounds using PCA and Support Vector Machines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220513

CF01 Termination of patent right due to non-payment of annual fee