[go: up one dir, main page]

CN111246798B - 呼吸紊乱的自动检测 - Google Patents

呼吸紊乱的自动检测 Download PDF

Info

Publication number
CN111246798B
CN111246798B CN201880068114.6A CN201880068114A CN111246798B CN 111246798 B CN111246798 B CN 111246798B CN 201880068114 A CN201880068114 A CN 201880068114A CN 111246798 B CN111246798 B CN 111246798B
Authority
CN
China
Prior art keywords
user
data
sleep
score
respiratory
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.)
Active
Application number
CN201880068114.6A
Other languages
English (en)
Other versions
CN111246798A (zh
Inventor
苏拉杰·高达
康纳·约瑟夫·赫尼根
阮修顿之洲
吴岸肩
达内尔·乔尔·弗雷施尔
彼得·W·理查兹
克里斯·H·萨兰托斯
乔纳森·旺沃克·金
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.)
Feibit Co ltd
Original Assignee
Feibit Co ltd
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 Feibit Co ltd filed Critical Feibit Co ltd
Priority to CN202311649763.4A priority Critical patent/CN117582211A/zh
Publication of CN111246798A publication Critical patent/CN111246798A/zh
Application granted granted Critical
Publication of CN111246798B publication Critical patent/CN111246798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • 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
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A61B5/02427—Details of sensor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; Determining position of diagnostic devices within or on the body of the patient
    • A61B5/065—Determining position of the probe employing exclusively positioning means located on or in the probe, e.g. using position sensors arranged on the probe
    • A61B5/067—Determining position of the probe employing exclusively positioning means located on or in the probe, e.g. using position sensors arranged on the probe using accelerometers or gyroscopes
    • 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
    • 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—Measuring devices for evaluating the respiratory organs
    • A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14539—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring pH
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Cardiology (AREA)
  • Optics & Photonics (AREA)
  • Emergency Medicine (AREA)
  • Psychology (AREA)
  • Anesthesiology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

提供了用以确定用户的睡眠合宜性评分的方法，该方法诸如可以基于监测到的用户的呼吸紊乱。系统接收在一时间段内通过与用户相关联的可穿戴跟踪器提供的传感器的组合生成的用户状态数据。系统可以使用该信息来计算睡眠合宜性评分、呼吸紊乱评分或其他此类值。例如，系统可以将时间段内的每一分钟分类为正常或非典型，并且可以提供此类信息用于呈现给用户。

Description

呼吸紊乱的自动检测
相关申请的交叉引用
本申请要求2017年8月18日提交的并且名称为“Automatic Breathing ofBreathing Disturbances”的美国临时专利申请序列号62/547,710和2018年8月16日提交的、名称为“Automatic Detection of Breathing Disturbances”的美国非临时专利申请(序列号待定)的优先权，出于所有目的上述申请通过引用整体并入本文。
技术领域
本公开内容涉及可穿戴设备的领域，并且特别是涉及用于使用这样的设备的一个或多个传感器来检测与呼吸有关的问题的技术。
背景技术
可穿戴电子设备已经在消费者中流行。可穿戴电子设备可以使用各种传感器来跟踪用户的活动。可以分析从这些传感器捕获的数据，以便为用户提供可以帮助用户保持健康生活方式的信息。为了确定关于用户的活动的信息，常规的可穿戴电子设备收集活动数据并对该数据进行计算。然而，在获得对用户的活动的准确确定方面遇到困难，因为这些由用户穿戴的可穿戴电子设备通常被包装在内部空间有限的紧凑外壳中。这种有限的空间导致，与较大的电子设备有可能包含的部件诸如处理器相比，上述设备包含的这种部件不那么强大。这限制了这些设备运行复杂计算或执行复杂操作的能力。此外，常规的可穿戴电子设备容易经受大量的偶然移动和噪声，这会影响这些设备中各种部件的包含或使用。
可穿戴电子设备可以跟踪与特定活动有关的计量，诸如用于跑步和步行活动的步数计量。可以由可穿戴电子设备跟踪的其他计量包括与睡眠有关的计量。通常，为了发起对睡眠计量的跟踪，可穿戴电子设备提供一界面，该界面使用户能够提供用户计划去睡觉的手动指示。例如，可穿戴电子设备可以包括用户可以推按或轻敲以指示他或她将要去睡觉的物理或数字按钮。该动作的时间计定(timing，计时、测定…的时间、标记时间)可能与用户实际睡觉时间显著不同，并且没有考虑用户醒着的时段，除非用户手动指示用户现在是醒着的。
发明内容
根据各种实施方式的方法提供了对用户的呼吸数据的监测。这样的信息可以通过监测系统或设备来获得，并且可以用于确定用户的呼吸的不同模式、趋势或方面，这样的不同的模式、趋势或方面可以指示用户诸如在睡眠时段期间的呼吸紊乱(disturbance，失调、受扰)或其他不规则。
这样的系统可以包括可穿戴活动跟踪器或其他可穿戴电子设备，其被配置成被穿戴在用户的身体的腕部或其他部位上。该设备可以与被配置成执行移动应用以处理或收集用户数据的至少一部分的单独的计算设备诸如智能电话或其他移动计算设备进行通信。在各种实施方式中，计算设备和/或跟踪器还可以与至少一个服务器或远程计算系统进行通信，以便卸载处理或持续地存储用户数据或结果数据中的至少一些。
至少一个实施方式中的可穿戴活动跟踪器可以包括：被配置成生成第一PPG数据的至少一个绿光电容积描记术(PPG)传感器；以及被配置成生成第二PPG数据的至少一个红(red，红光)PPG传感器；被配置成生成第三PPG数据的至少一个红外PPG传感器；被配置成生成可用于确定运动的加速度数据的至少一个加速度计；以及至少一个处理器，该至少一个处理器被配置成基于第一PPG数据、第二PPG数据、第三PPG数据和加速度计数据来生成特征集合。移动应用在由移动设备执行时可以将移动设备配置成从可穿戴活动跟踪器接收特征集合并且将该特征集合无线地传输到服务器。服务器可以与移动设备通信，并且还被配置成：从移动设备接收特征集合；基于该特征集合的与加速度计数据有关的第一子集，确定在其期间可穿戴活动跟踪器的用户处于睡眠的睡眠时段；对于睡眠时段内的多个分钟中的每一分钟，基于该特征集合的与在相应分钟期间收集的第一、第二和第三PPG数据对应的第二子集以及与睡眠时段之外的时间段对应的数据，将相应分钟分类为(i)正常分钟或(ii)呼吸紊乱的分钟中的一者；基于对睡眠时段内的多个分钟的分类，生成睡眠时段的呼吸紊乱评分(或其他与呼吸相关的评分，诸如睡眠合宜性(fitness)评分)；以及基于所生成的呼吸紊乱评分，更新与对应于该用户的用户类别相关联的基准呼吸紊乱评分。移动应用还可以将移动设备配置成从服务器接收确定的评分，并使该评分连同更新后的基准呼吸、睡眠合宜性或与用户类别相关联的其他此类评分显示在移动设备的显示屏上，或者以其他方式使其可用于相应的用户。
这样的系统可以具有上述和其他设备传感器的任何子组合。在一些实施方式中，当可穿戴活动跟踪器被穿戴在用户的腕部上时，绿(green，绿光)、红和/或红外PPG传感器以及加速度计的至少子集定位在用户的腕部的同一侧上。系统可以包括传感器，诸如床用式传感器，其被配置成生成指示用户的呼吸作用速率(附加地或替代性地，心率和心脏跳动-跳动间隔)的呼吸作用数据，其中，服务器还可以被配置成基于呼吸作用数据对每个相应分钟进行分类。服务器可以被配置成保持多个用户——每个用户与相应的可穿戴活动跟踪器相关联——的过去的呼吸紊乱评分，其可以在至少一些实施方式中并且在允许使用该数据的情况下用于比较目的。可穿戴活动跟踪器的至少一个处理器还可以被配置成确定加速度计数据何时在阈值时间量内指示至少阈值移动水平，并停用至少一个绿PPG传感器、至少一个红PPG传感器、至少一个红外PPG传感器中的至少一些。
根据各种实施方式的方法可以促进对可穿戴设备的用户的呼吸紊乱的监测。一种示例方法可以包括接收由用户穿戴的可穿戴设备的一个或多个传感器生成的传感器数据，该一个或多个传感器包括至少一个加速度计，该传感器数据包括指示用户的移动的加速度计数据。至少部分地基于加速度计数据，可以确定一睡眠时段，该睡眠时段与加速度计数据的指示与用户在睡觉一致的移动的部分对应。对于睡眠时段内的多个时间窗口中的每个相应时间窗口，可以基于在相应时间窗口期间生成的传感器数据和与睡眠时段之外的时间段对应的数据来将相应时间窗口分类为诸如(i)呼吸紊乱或(ii)呼吸不紊乱(或规则)中之一。可以基于对多个时间窗口的分类来确定呼吸紊乱评分、睡眠合宜性评分或其他此类值，并输出评分以呈现给用户。
根据各种实施方式的方法可以具有以下特征的任何子组合：其中，该方法还包括使用户的呼吸紊乱评分连同与用户对应的基准紊乱评分被显现在与可穿戴设备无线配对的移动设备的显示屏上；其中，该方法还包括确定多个时间窗口中被分类为呼吸紊乱的时间窗口的百分比，以及基于该百分比从多个呼吸紊乱评分中选择呼吸紊乱评分；其中，该方法还包括接收由可穿戴设备的一个或多个传感器中的至少一个传感器生成的附加传感器数据，其中，该附加传感器数据是在睡眠时段之外的第二时段期间生成的，该方法还包括基于附加传感器数据确定与用户相关联的基线生理计量，以及还基于与用户相关联的基线生理计量来对所述每个相应时间窗口进行分类；其中，该方法还包括基于传感器数据确定睡眠时段与小于阈值水平的移动相关联并且睡眠时段之外的第二时段与大于阈值水平的移动相关联，以及对睡眠内的一个或多个时间窗口进行分类，而不对睡眠时段之外的第二时段内的任何时间窗口进行分类；其中，该方法还包括使睡眠时段内的每个时间窗口如何被分类的指示显示在用户界面中，使得用户界面不包括第二时段内的一个或多个时间窗口如何被分类的指示；其中，该方法还包括基于确定睡眠时间比阈值时间量长来输出呼吸紊乱评分；其中，该方法还包括基于传感器数据确定该睡眠时段的呼吸作用速率数据，并且基于确定呼吸作用速率数据的与多个时间窗口中的第一时间窗口对应的部分包括低值跟随有值的尖峰的模式来将第一时间窗口分类为呼吸紊乱；其中，传感器数据包括由至少一个红PPG传感器生成的第一传感器数据和由至少一个绿PPG传感器生成的第二传感器数据，该方法还包括基于确定第二传感器数据在阈值时间量内没有变化超过阈值量来增加分配给第一传感器数据的第一权重；其中，传感器数据包括由一个或多个PPG传感器生成的第一传感器数据和由一个或多个运动传感器生成的第二传感器数据，该方法还包括基于第一传感器数据和第二传感器数据两者对所述每个相应时间窗口进行分类；并且其中，传感器数据包括由红PPG传感器生成的第一传感器数据和由红外PPG传感器生成的第二传感器数据，该方法还包括提取第一传感器数据的低频率分量和第二传感器数据的低频率分量，基于将第一传感器数据的低频率分量除以第二传感器数据的低频率分量来确定经处理的传感器数据，以及基于经处理的传感器数据对多个时间窗口中的至少一个时间窗口进行分类。
本公开内容的一个方面提供了存储指令的非暂时性物理计算机存储装置。该指令在由一个或多个处理器执行时可以将一个或一个以上处理器配置成：接收由用户穿戴的可穿戴设备的一个或多个传感器生成的传感器数据，一个或多个传感器包括至少一个加速度计，传感器数据包括指示用户的移动的加速度计数据；基于加速度计数据，确定与加速度计数据的指示与用户在睡觉一致的移动的部分对应的睡眠时段；对于睡眠时段内的多个时间窗口中的每个相应时间窗口，基于在相应时间窗口期间生成的传感器数据和与睡眠时段之外的时间段对应的数据，将相应时间窗口分类为下述中之一(i)呼吸紊乱或(ii)呼吸不紊乱；基于对多个时间窗口的分类确定呼吸紊乱评分；以及输出呼吸紊乱评分以呈现给用户。
根据各种实施方式的这样的非暂时性物理计算机存储装置可以具有以下特征的任何子组合：其中，指令在由至少一个处理器执行时还将至少一个处理器配置成还基于确定加速度计数据的与相应时间窗口对应的部分指示小于阈值水平的移动来对所述每个相应时间窗口进行分类；其中，指令在由所述至少一个处理器执行时还将至少一个处理器配置成将呼吸紊乱评分无线地传输到云服务以与用户相关联地进行存储；以及其中，指令在由至少一个处理器执行时还将至少一个处理器配置成从云服务接收与用户相关联的多个过去的呼吸紊乱评分，并且基于从云服务接收到的多个过去的呼吸紊乱评分在与可穿戴设备无线地配对的移动设备的显示屏上显现呼吸紊乱评分的历史。
附图说明
在所附附图的图中，以示例而非限制的方式示出了本文描述的实施方式，在所附附图中，相似的附图标记指示类似的元件。
图1A是示出了根据本公开内容的方面的示例可穿戴设备的某些部件的框图。
图1B是示出了根据本公开内容的方面的可以与可穿戴设备的处理器通信的示例传感器的框图。
图1C是根据本公开内容的方面的用于确定心率的系统的示例框图。
图2示出了根据本公开内容的方面的用于监测呼吸紊乱的系统的概览。
图3示出了根据本公开内容的方面的由图2的系统执行的信号处理的概览。
图4示出了根据本公开内容的方面的系统的接收器操作特性(ROC)曲线。
图5示出了根据本公开内容的方面的监测呼吸紊乱的示例方法。
图6示出了根据本公开内容的方面的监测呼吸紊乱的另一示例方法。
图7示出了根据本公开内容的方面的确定合宜性评分的示例方法。
具体实施方式
根据各种实施方式的方法可以获取和分析用于下述用户的与健康有关的信息，这样的用户穿戴有或以其他方式利用设备诸如可穿戴跟踪设备。在一些实施方式中，跟踪设备可以包括用于跟踪由可穿戴设备的用户执行的活动的一个或多个传感器。一些示例可穿戴设备可以被称为可穿戴活动跟踪器或可穿戴活动跟踪设备。已经开发了用于跟踪活动的各种算法或技术，并且可以基于用户执行的活动的类型来使这些算法专门化。例如，用户可以整天穿戴可穿戴设备，并且对于用户在白天和夜晚执行的每项活动，专门化算法可以生成相关活动计量并将其呈现给用户。例如，可穿戴设备可以在用户睡觉时从设置在可穿戴设备上的一个或多个传感器收集传感器数据，并且生成并呈现信息诸如指示用户每晚睡眠如何的睡眠评分。
图1A是示出根据本公开内容的方面的示例可穿戴设备的框图。可穿戴设备100可以包括处理器120(其可以是处理器集合)、存储器130、无线收发器140和一个或多个传感器160。可穿戴设备100还可以可选地包括用户界面110和一个或多个环境传感器150。无线收发器140可以被配置成例如直接地或在无线接入点(未示出)的范围内时(例如，通过个人局域网(PAN)诸如蓝牙配对、通过无线局域网(WLAN)、通过广域网(WAN)等)与客户端设备170和/或服务器175无线地通信。存储器130、无线收发器140、一个或多个传感器160、用户界面110和/或一个或多个环境传感器150中的每一者都可以与处理器120电通信。客户端设备170可以是执行被配置成实行本文描述的一种或多种技术的软件(例如，移动应用)的智能手机、平板电脑或另外的移动设备。服务器175可以使用执行被配置成实行本文描述的一种或多种技术的软件的一个或多个计算设备来实现。本文描述的技术可以由可穿戴设备100、客户端设备170和服务器175以分布式方式执行。可穿戴设备100(在本文中也称为可穿戴活动跟踪器)可以是智能手表、手表、腕式可穿戴的合宜性监测设备、腕式可穿戴的健康监测设备或腕式可穿戴的活动监测设备等中的任何者，尽管本文所述的概念可以在包括一个或多个传感器的任何类型的便携式或可穿戴设备上实现。
存储器130可以存储用于使处理器120执行某些动作的指令。在一些实施方式中，传感器160可以包括生物计量传感器、光学传感器(例如，光电容积描记(PPG)传感器)、运动传感器或惯性传感器(例如，加速度计、陀螺仪、数字罗盘等)、气压传感器(例如，高度计等)、地理位置传感器(例如GPS接收器)和/或其他传感器中的一种或多种。下面(例如，结合图1B)更详细地描述关于这些传感器的进一步信息。
可穿戴设备100可以从一个或多个传感器160、一个或多个环境传感器150和/或外部设备收集一种或多种类型的生理和/或环境数据，并将此类信息传达或中继给其他设备(例如，客户端设备170和/或服务器175)，从而允许收集的数据被诸如个人帐户或共享帐户例如使用网页浏览器或基于网络的应用进行查看，或者在用户允许或允准的情况下通过社交媒体进行共享。如本文所使用的，术语“收集”除了具有其普通含义外，还可以与“确定”、“提取”、“计算”、“生成”等互换使用，以指涉为达到期望的数据(例如，呼吸紊乱计量)而执行的步骤。例如，当由用户穿戴时，可穿戴设备100可以使用一个或多个传感器160通过计算和存储用户的步数来执行生物计量监测。可穿戴设备100可以将表示用户的步数的数据传输到Web服务(例如fitbit.com)、计算机、移动电话和/或健康站上的帐户，在该Web服务、计算机、移动电话和/或健康站，用户可以对数据进行存储、处理和/或可视化。除了或代替用户的步数，可穿戴设备100可以测量或计算其他生理计量。这样的生理计量可以包括但不限于：能量消耗，例如卡路里燃烧；楼层爬升和/或下降；心率；心跳波形；心率变异性；心率恢复；呼吸作用、氧饱和度(Sp02)、血量、血糖、皮肤水分和皮肤色素沉着水平、位置和/或航向(例如，通过GPS、全球导航卫星系统(GLONASS)或类似系统)；海拔；走动速度和/或行进的距离；血压；血糖；皮肤传导；皮肤和/或身体温度；通过肌电图测量的肌肉状态；通过脑电图测量的脑活动；重量；体脂肪；热量摄入；来自食物的营养摄入；药物摄入；睡眠时段(例如，时钟时间、睡眠阶段、睡眠质量和/或持续时间)；pH值；水合水平；呼吸作用速率；和/或其他生理计量。
可穿戴设备100还可以测量或计算与用户周围的环境有关的计量(例如，使用一个或多个环境传感器150)，诸如例如，气压压力、天气条件(例如，温度、湿度、花粉量、空气质量、雨/雪状况、风速)、光暴露(例如环境光、紫外(UV)光暴露、在黑暗中花费的时间和/或持续时间)、噪声暴露、辐射暴露和/或磁场。此外，可穿戴设备100(和/或客户端设备170和/或服务器175)可以从传感器160和/或环境传感器150收集数据，并且可以计算从此类数据得出的计量。例如，可穿戴设备100(和/或客户端设备170和/或服务器175)可以基于心率变异性、皮肤传导、噪声污染和/或睡眠质量的组合来计算用户的应力或放松水平。在另一示例中，可穿戴设备100(和/或客户端设备170和/或服务器175)可以基于与药物摄入、睡眠、和/或活动有关的数据的组合来确定医疗干预例如药物的功效。在又一示例中，可穿戴设备100(和/或客户端设备170和/或服务器22)可以基于与花粉水平、药物摄入、睡眠和/或活动有关的数据的组合来确定过敏药物的功效。提供这些示例仅用于说明，并不意图是限制性的或穷举的。
图1B是示出根据本公开内容的方面的可以被包括在可穿戴设备100中的多个示例传感器的框图。例如，在图1B的实施方式中，可穿戴设备100包括加速度计161(例如，多轴加速度计)、陀螺仪162、磁力计163、高度计164、GPS接收器165、绿PPG传感器166、红PPG传感器167、红外(IR)PPG传感器168和一个或多个其他传感器167(包括但不限于，例如温度传感器、环境光传感器、皮肤电反应(GSR)传感器、电容传感器、湿度传感器、声音传感器、力传感器、多轴加速度计、重力传感器、压电薄膜传感器、旋转矢量传感器等)，所有这些可以与处理器120通信。图1B所示的每个传感器可以与处理器120电通信。处理器120可以使用从传感器的任何组合接收到的输入来检测锻炼的开始和/或跟踪该锻炼的计量。本文所述的一个或多个传感器可能不在可穿戴设备100内。例如，这些传感器可以放置在用户的胸部、用户的床垫或床头柜上，而可穿戴设备100则由用户穿戴。
尽管图1B的示例示出了传感器161-169，但是在其他实施方式中，可穿戴设备100可以包括较少数量的传感器和/或传感器的任何其他子集和组合(例如，仅加速度计161，加速度计161、红PPG传感器167和IR PPG 168的组合，加速度计161和绿PPG传感器166的组合等)。可穿戴设备100还可以包括图1B中未示出的一个或多个附加传感器。
另外，在一些实现中，GPS接收器165可以定位在客户端设备170而不是可穿戴设备100中。在这些实现中，处理器120可以与客户端设备170无线地通信，以控制和/或接收来自GPS接收器165和/或其他地理位置传感器的地理位置数据。
在相关方面，可穿戴设备100的处理器120和其他部件(例如，图1A和1B图所示)可以使用各种合适的电路诸如一个或多个微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、离散逻辑、软件、硬件、固件或其任何组合中的任何电路来实现。当技术部分地以软件实现时，设备可以将用于软件的指令存储在合适的非暂时性计算机可读介质中，并使用一个或多个处理器以硬件执行指令以实行本公开内容的技术。在另外的相关方面，可穿戴设备100的处理器120和其他部件可以被实现为片上系统(SoC)，该片上系统可以包括一个或多个中央处理单元(CPU)核，该一个或多个中央处理单元核使用一个或多个精简指令集计算(RISC)指令集、GPS接收器165、无线广域网(WWAN)无线电电路、WLAN无线电电路和/或其他软件和硬件来支持可穿戴设备100。
图1C是根据本公开内容的方面的用于确定心率的系统的示例框图。如图1C所示，可穿戴设备100可以包括用于基于光学PPG信号(例如，从图1B的绿PPG传感器166接收的)和运动信号或签名(例如，从图1B的加速度计161接收的)来确定用户的心率的电路部件的系统190。如本文所使用的，运动签名可以指涉任何生物计量签名或信号，这样的生物统计签名或信号可以是从可以指示可穿戴设备100的用户的活动和/或生理状态的传感器诸如惯性传感器(例如，加速度计和陀螺仪)、气压传感器(例如，高度计)中的一个或多个传感器接收的和/或基于来自传感器中的一个或多个传感器的输出数据。系统190可以由硬件部件实现和/或以由处理器120执行的软件实现。系统190可以包括第一和第二光谱估计器191和192、多光谱跟踪器193、活动识别器或鉴别器194和轨迹选择器195。第一和第二光谱估计器191和192中的每一者可以包括快速傅立叶变换(FFT)块和峰值提取块。在图1C的示例中，活动识别器194可以使用从运动签名中提取的峰值来确定用户正在执行的活动(例如，久坐、步行、跑步、睡觉、躺下、坐着、骑自行车、打字、椭圆机训练、举重训练、游泳等)。多光谱跟踪器193和轨迹选择器195可以使用对用户的当前活动的该确定来从光学PPG信号提取心率。因此，系统190可以使用图1C中的运动签名来确定用户的当前活动。在其他实施方式中，处理器120可以使用与活动识别器194类似的技术来确定锻炼的类型，如下面更详细地讨论的。
图1C所示的块仅是可以被执行以向PPG信号增补运动签名以确定心率的部件和/或处理模块的示例。然而，在其他实现中，系统190可以包括其他块或者可以包括来自可穿戴设备100的其他生物计量传感器的输入。
在某些操作条件下，可以通过对时间窗口内的信号峰值数量进行计数或通过利用信号的基本频率或二次谐波(例如，通过FFT)来测量用户的心率。在其他情况下，诸如在用户运动时获取的心率数据，可以对信号和提取的光谱峰值执行FFT，这然后由多目标跟踪器进行后续处理，该多目标跟踪器将启动、继续、合并和/或删除光谱的轨迹。
在一些实施方式中，可以对运动签名执行一组类似的操作，并且输出可以用于执行活动鉴别，该活动鉴别可以用于辅助多光谱跟踪器193。例如，可以确定用户是静止的并且已经开始移动。多光谱跟踪器193可以使用该信息来将轨迹延续(continuation，连续)朝向渐增的频率偏置。类似地，活动识别器194可以确定用户已经停止跑步或者在较慢速跑步，并且该信息可以用于优先地将轨迹延续朝向渐减的频率偏置。
可以由多光谱跟踪器193使用单次扫描或多次扫描、多目标跟踪器拓扑诸如联合概率数据关联跟踪器、多假设跟踪、最近邻等来执行跟踪。跟踪器中的估计和预测可以通过卡尔曼滤波器、样条回归、粒子滤波器、互相作用的多模型滤波器等来完成。
轨迹选择器195可以使用来自多光谱跟踪器193的输出轨迹，并基于该输出轨迹来估计用户的心率。轨迹选择器195可以针对每个轨迹估计该对应的轨迹代表用户的心率的概率。该估计可以被视为：最大概率地代表用户的心率的轨迹；通过它们代表用户的心率的概率进行加权所得的轨迹之和等。活动识别器194可以确定用户在执行的当前活动，轨迹选择器195可以使用该当前活动来估计用户的心率。例如，当用户在睡觉、坐着、躺下或久坐时，用户的估计心率可能会偏向40-80bpm范围内的心率。当用户跑步、慢跑或进行其他剧烈锻炼时，用户的估计心率可能会偏向90-180bpm范围内的升高的心率。活动识别器194可以至少部分地基于用户的速度来确定用户的当前活动(例如，当前锻炼)。当用户不移动时，用户的估计心率可能会朝所选择的输出轨迹的基本频率偏移(或完全由所选择的输出轨迹的基本频率获得)。轨迹选择器195可以基于指示活动的变化的标准来选择与用户的心率对应的输出轨迹。例如，当用户从静止开始步行时，轨迹选择器195可以基于从活动鉴别器194接收的输出来选择示出朝向较高频率的偏移的输出轨迹。
尽管关于心率描述了本公开内容的一些实施方式，但是本文描述的技术可以扩展到其他计量。例如，由本文描述的一个或多个传感器生成的传感器数据可以用于确定呼吸作用、Sp02、血量、血糖、皮肤水分和皮肤色素沉着水平，并且例如利用这些计量进行活动检测/识别。
可穿戴设备100的运动传感器(例如，多轴加速度计161、陀螺仪162或另外的运动传感器)可以生成代表关于多个时间间隔的运动的运动数据样本(例如，运动传感器位于可穿戴设备100的内部，并且运动数据表示可穿戴设备100的运动)。运动传感器可以在时间间隔期间生成多个运动数据样本。在时间间隔中生成的样本数量可以取决于运动传感器的采样率和该间隔的时间长度。在运动传感器是加速度计的情况下，运动数据样本可以表征沿移动的轴线的加速度的度量。在一些情况下，运动数据样本可以是消耗给定存储量(例如64位、32位、16位等)的数据值。由样本消耗的存储量可以取决于实施方式中使用的运动传感器的实现方式以及用于将样本从运动传感器传递到可穿戴设备的微处理器可访问的存储器的通信接口。
可穿戴设备100可以包括一个或多个光学或电光传感器，诸如例如一个或多个PPG传感器。可穿戴设备100的PPG传感器(例如，绿PPG传感器166、红PPG传感器167、IR PPG传感器168等)可以生成可用于计算心率、心率变异性、呼吸作用速率和/或氧饱和度等的PPG数据。PPG数据可以用于通过测量峰值之间的时间或者通过计算光学信号中的主导频率来计算用户的心率。对于大多数用户而言，心率在睡眠开始不久之后下降，并且在睡眠的过程中持续下降，直到清晨。当用户醒来或在睡眠期间的短暂紊乱期间，心率上升。测量心率允许系统较好地识别睡眠的时段。此外，心率是将睡眠的时段与躺着不动的时段分开的良好指标，睡眠的时段和躺着不动的时段可能会使运动传感器(如加速计)混淆。一些用户没有表现出睡眠时心率下降的这种特性。可以在此类用户穿戴了可穿戴电子设备几天后识别出此类用户，并且可以对此类用户使用不同的算法。
用户的心率与他/她的平均静息心率之差可以用作他/她的心率下降多低的个人化度量。PPG数据还可以用于计算用户的呼吸作用速率。呼吸作用速率通常随睡眠表现出明显的变化，并且可以用作识别睡眠的时段的特征。可以使用多种技术来计算呼吸作用：(i)测量心跳之间的峰间间隔的变化，(ii)测量PPG信号的基线中的慢变化(0.1-0.5Hz)，和/或(iii)测量加速度信号中的慢周期信号(0.1-0.5Hz)。
在一个实施方式中，根据本公开内容的实施方式，计算了表示可穿戴设备100的用户的心率、心率变异性、呼吸作用速率和/或氧饱和度的数据，并且所得数据是用于对时间时段进行分类或生成呼吸紊乱评分的附加输入。
在不同实施方式中，本文所述的PPG传感器可以包括一个或多个电子半导体光源，诸如LED，或者使用灯丝、磷光体或激光中的任何者产生光的其他光源。在一些实现中，可穿戴设备100的每个光源发射具有相同中心波长或在相同波长范围内的光。在其他情况下，至少一个光源可以发射具有与另外的光源不同的中心波长的光。由一个或多个光源发射的光的中心波长可以在495nm至570nm的范围内。例如，特定的绿光源可以发射具有525nm(或大约525nm)的中心波长的光。在其他实施方式中，一个或多个光源可以发射红光(例如660nm或大约660nm的中心波长)，并且一个或多个光源可以发射IR光(例如940nm或大约940nm的中心波长)。在一些实施方式中，提供了对所有光源的独立控制。在其他实施方式中，若干光源作为一群(gang)或一组(bank)一起被控制。
本文所述的PPG传感器可以包括一个或多个光检测器，该一个或多个光检测器适于检测从光源发出的光的波长，包括被反射或穿过可能影响光的波长或其他方面的元件的那些光的波长。本文描述的一个或多个PPG传感器可以包括单个光源和单个光检测器。替代性地，本文描述的其他PPG传感器可以包括多个光源和/或多个光检测器。在实施方式中，光检测器可以包括用于检测光源使用的每个不同波长的光的一个或多个检测器。例如，第一检测器可以配置成检测具有660nm(或大约660nm)的波长的光，第二检测器可以配置成检测具有940nm(或大约940nm)的波长的光，第三检测器可以被配置成检测具有525nm(或大约525nm)的波长的光。示例包括光电二极管，该光电二极管由半导体材料制造，并且具有仅允许特定波长或波长范围的光的光学滤波器。光检测器可以包括光电二极管、光电晶体管、电荷耦合器件(CCD)、热电堆检测器或互补金属氧化物半导体(CMOS)传感器中的任何种。光检测器中的一个或多个光检测器可以包括带通滤波器电路。
呼吸和/或睡眠紊乱可能在一般人群中是普遍的。例如，睡眠呼吸暂停可能影响3-7％的成年人。尽管其普遍性，但是最多达80％的中度和重度病例仍未得到诊断。在包括冠状动脉疾病和II型糖尿病在内的各种其他疾病中，未经诊断的睡眠呼吸暂停是危险因素。诊断睡眠呼吸暂停需要睡眠实验室的装备，这可能是昂贵的、耗时的并且由于作为测试的一部分的许多安装在身体上的传感器而干扰自然睡眠。此外，呼吸暂停的严重性可能每晚都不同，并且对睡眠呼吸暂停严重性的全面表征可能需要进行多夜观察，这不适用于睡眠实验室。连续、舒适的睡眠监测系统将允许一般人群在他们自己的家中筛查睡眠呼吸暂停的风险，而不会干扰自然睡眠。这样的系统还将允许用户随着时间跟踪呼吸暂停的严重性，并确定哪种生活方式选择——如果有的话——促使睡眠期间的呼吸紊乱，例如肥胖。
可以使用传感器的各种组合以多种方式来检测睡眠期间(或用户醒着时)正常呼吸的中断。在一些实施方式中，可以基于以下指标的任何组合的存在来检测睡眠呼吸暂停或其他睡眠/呼吸状况：(i)使用脉搏血氧仪(例如，作为利用PPG数据的PPG系统的一部分)测得的血液氧合的减少；(ii)由声音传感器测量的正常可听呼吸模式的中断；(iii)使用PPG系统测量的呼吸作用速率的变化；(iv)使用应变仪(例如，穿戴在胸部周围)测得的呼吸作用的变化；(v)使用加速计(其测量呼吸作用的周期性加速度)测得的呼吸作用的变化；(vi)使用直接或间接观察呼吸作用的摄像机测得的呼吸作用的变化；以及/或者(vii)使用可以检测排出的二氧化碳的变化的CO2传感器测得的呼吸作用的变化。
非侵入性传感器与机器学习算法的组合可以提供诊断上相关的信息。可穿戴设备将被穿戴在腕部上，该可穿戴设备可以使用多种光学波长(红色、红外和绿色)以及运动引起的加速度来感测血液流动。绿色光学传感器使得能够监测心率变异性，并且心率变异性的几种度量已经与呼吸紊乱的存在相关联。红色和红外光学传感器提供关于血液氧合水平的信息，该水平在呼吸暂停或呼吸不足期间可能会减少。位于床上的用以感测位置、移动或呼吸努力的不同封装的传感器还可以与腕部可穿戴系统结合使用。该系统的概览由图2的系统200示出。
在一些实施方式中，用于检测用户的呼吸紊乱的所有传感器都定位在腕戴式设备上。例如，每个传感器可以被配置成从用户的腕部或其附近生成传感器数据。在一个实施方式中，红PPG传感器167和IR PPG传感器168不定位在用户的指尖上。在另一实施方式中，红PPG传感器167和IR PPG传感器168定位在用户的指尖上。在一些实施方式中，由于从其处收集传感器数据的位置(例如用户的腕部)的原因，由可穿戴设备100的传感器中的一个或多个传感器生成的传感器数据不足以计算Sp02(例如，达到医学上可接受的准确程度)。在其他实施方式中，由可穿戴设备100的传感器中的一个或多个传感器(例如，加速度计161)生成的传感器数据足以计算Sp02。(例如达到医学上可接受的准确程度)。可穿戴设备100的运动传感器被配置成从与从其处收集PPG数据(例如，通过PPG传感器166-168中的一个或多个)的位置接近的位置(例如，邻近同一壳体、在同一壳体内、来自腕部的同一侧等)生成运动数据。
在一个示例中，床垫或床用式传感器位于用户的床垫的顶部。在另一示例中，床垫或床用式传感器在用户的床垫内部。在又一示例中，床垫或床用式传感器在用户的床垫下面。在一些情况下，在没有来自床垫或床用式传感器的传感器数据的情况下执行呼吸紊乱的检测。在一些情况下，可穿戴设备100、客户端设备170和服务器175都不与床垫或床用式传感器通信。尽管床垫或床用式传感器被用作示例，但是任何直接的呼吸作用传感器可以代替或另外使用(例如，胸带电感体积描记器或口鼻插管)。附加地或替代性地，这种传感器还可以生成心率和/或心脏跳动-跳动间隔，并且呼吸作用数据、心率数据和/或心脏跳动-跳动间隔数据可以用于给定的时间窗口的分类和/或呼吸紊乱评分的生成。
在一些实施方式中，传感器数据(例如，加速度计数据、PPG数据等)或在活跃时段——在该活跃时段期间运动数据(例如，加速度计数据)指示用户是活跃的——期间生成的其他生理计量用于检测用户在不活跃时段——在该不活跃时段期间运动数据指示用户是不活跃的(或处于睡眠状态)——期间的呼吸紊乱。例如，如果在用户的活跃时段期间生成的用户的运动数据指示用户身体上是活跃的(例如，经常锻炼、具有高步数等)，则基线心率或可能会导致时间窗口被分类为呼吸紊乱(disturbed，受到干扰的、扰乱的)的其他阈值可能增加(或减少)。替代性地，如果在用户的活跃时段期间生成的用户的运动数据指示用户在身体上不是活跃的(例如，不经常运动、具有低步数等)，则基线心率或可能导致时间窗口被分类为呼吸紊乱的其他阈值可能会减少(或增加)。
在一些实施方式中，时间窗口的分类和/或用户的睡眠状态的检测是基于由可穿戴设备100的运动传感器(例如，加速度计161)生成的腕部取向数据和/或腕部移动数据。例如，如果腕部取向数据指示用户的腕部以与特定时段期间的睡眠不一致的方式取向，则可以确定用户在该特定时段期间不处于睡眠状态。在另一示例中，如果腕部移动数据指示用户在四处移动，则基线心率或可能导致时间窗口被分类为呼吸紊乱的其他阈值可能增加。
在一些实施方式中，对由可穿戴设备100的PPG传感器中的一个或多个传感器生成的PPG数据进行过滤，使得在其中运动数据(例如，加速度计数据)指示高水平的用户移动的特定时段期间的任何PPG数据被去除(或不考虑检测用户的呼吸紊乱)。在一些实施方式中，仅在具有低于阈值的运动数据的时段期间生成的PPG数据被保留并用于检测用户的呼吸紊乱。
使用新颖的特征提取算法来提取来自这些不同传感器流的数据。与心率变异性相关的特征(例如，基于来自绿PPG传感器166的传感器数据计算的)、Sp02或其指标(例如，基于来自红PPG传感器167和IR PPG传感器168的传感器数据计算的)、移动(例如，加速度计数据)和/或呼吸作用(例如，来自床垫或床用式传感器的传感器数据)每分钟进行提取，并通过分类算法进行处理，以确定该分钟是呼吸紊乱还是呼吸正常。来自床垫或床用式传感器和/或加速度计的传感器数据可以用于确定睡眠的开始和结束。图3的系统300示出了信号处理链的高级概览。
从传感器数据提取的特征可以包括用于将每个时间窗口分类为呼吸紊乱或正常的各种指标。在一些实施方式中，可以从每个重叠的时间窗口提取这些特征，其中每个重叠的时间窗口包括多个样本(例如，传感器读数)。在一些实施方式中，提取的特征包括下述中的一者或多者：样本的平均值、样本的标准偏差、样本的能量、样本的最大值、样本的最小值、最大值和最小值之间的差、样本的均方根、样本的振荡的计数、样本的AC信号(例如，高频分量)、样本的DC(例如，低频分量)信号等。在一个实施方式中，使用线性加权函数来组合所提取的特征以形成鉴别值。例如，如果将用于时间窗口的特征标记为x1、x2、x3等，则加权和被计算为wlxl+w2x2+w3x3+......＝d，其中d被称为鉴别值。将该值与阈值进行比较，该阈值将“呼吸紊乱”的时期(或时间窗口)与“非呼吸紊乱”时期(或时间窗口)区分开。使用训练数据集合来确定阈值，在该训练数据集合中，这些标签已经通过人类专家或其他手段预先计算。
在一些实施方式中，从睡眠实验室——睡眠专家已经在该实验室中对数据进行标记——收集数据集合，并且系统基于所收集的数据集合来创建所提取的特征在正常情况(例如，在非呼吸紊乱的时间窗口期间)和呼吸紊乱的情况(例如，在呼吸紊乱的时间窗口期间)下是什么样子的字典。系统将从给定的传感器数据集合中提取的特征与字典进行比较，并确定所提取的特征是与对应于正常情况的特征较相似还是与对应于呼吸紊乱的情况的特征较相似。
所提取的特征可以被进一步处理，并且与阈值集合进行比较，以用于确定给定的时间窗口是否为呼吸紊乱。例如，可以用曲线图表示来自红PPG传感器167的传感器数据的DC信号除以来自IR PPG传感器168的传感器数据的DC信号，并且对于阈值时间量，具有相对静态的值(例如，在特定的低阈值和高阈值之间)的任何时间窗口可以被分类为呼吸紊乱。在一些实施方式中，系统可以将由红传感器和红外传感器中的每个传感器生成的信号分成运动敏感分量和运动不敏感分量，并且使用仅运动不敏感分量(而不是运动敏感分量)来将时间窗口分类为呼吸紊乱或呼吸不紊乱。在一些实施方式中，系统可以将由红传感器和IR传感器中的每个传感器生成的信号分成动脉(或血液)氧合分量和组织(或其他)氧合分量，并且使用仅组织氧合分量(而不是动脉氧合分量)来将时间窗口分类为呼吸紊乱或呼吸不紊乱。在一些实施方式中，系统基于检测到低呼吸作用的模式(在阈值时间量内低于呼吸作用阈值水平)来将时间窗口分类为呼吸紊乱。在一些实施方式中，系统基于检测到呼吸作用的尖峰(例如，指示大喘气)来将时间窗口分类为呼吸紊乱。
从运动传感器、PPG传感器和其他传感器收集的其他数据可以包括：(i)用户移动的度量；(ii)用于计算心率、心率变异性和呼吸作用的数据；(iii)心率变异性的时域或频域度量。原始心率数据可以用于定义多种高级特征。例如：(i)在各种时间量程上(例如，在最后一分钟、最后5分钟内等)的滚动中值或平均心率；(ii)在各种时间量程上测量的心率分布的滚动分位数；以及(iii)在某个间隔过程内，心率是否超过/低于某个阈值。
另外，可以使用心率的时间导数来得出统计特征。例如：(i)在不同时间量程内心率的rolling(滚动计算、滚动分析、rolling函数)最大变化；以及(ii)在不同时间量程内心率导数的分布的rolling中值、平均值或某个其他四分位数。可以使用心率变异性或呼吸作用来得出类似的统计特征。例如：(i)在不同时间量程内HRV或呼吸作用事件超过某一阈值的次数；以及(ii)在不同时间量程内HRV或呼吸作用的分布的rolling中值、平均值或某个其他四分位数。可以基于每个用户来适当地使心率、心率的导数、心率变异性和呼吸作用归一化或标准化，以考虑到用户之间的自然变化。例如，用户的静息心率可以从他或她的瞬时心率中减去。同类群体信息还可以用于对特征进行重新归一化，以考虑到根据同类群体特征的变化。
这些统计特征可以用于训练分类器以将时间窗口分类为呼吸紊乱或呼吸正常。在一个实施方式中，系统使用随机森林分类器。其他分类方法包括神经网络、隐马尔可夫模型、支持向量机、k均值聚类和决策树。
在一些实施方式中，基于机器学习的分类器系统可以在特定的传感器输入可用时在不改变基础模型的情况下灵活地使用该特定的传感器输入或者不使用特定的传感器输入。因此，上述系统可以与腕戴式传感器和外部传感器的组合一起使用、仅与腕戴式传感器一起使用、仅与一个或多个PPG传感器和运动传感器一起使用、或者仅与一个或多个PPG传感器一起使用。在一些实施方式中，系统使用所有可用的传感器数据。例如，如果四个传感器正在生成(或生成了)传感器数据，则来自所有四个传感器的传感器数据都被用于将时间窗口分类为呼吸紊乱或呼吸不紊乱。在另一示例中，如果四个传感器中的三个传感器正在生成(或生成了)传感器数据，而四个传感器中的一个传感器没有在生成(或没有生成)传感器数据，则来自三个传感器的传感器数据被用于将时间窗口分类为呼吸紊乱或呼吸不紊乱。
在一些实施方式中，系统使用来自至少一个PPG传感器的传感器数据来将时间窗口分类为呼吸紊乱或呼吸不紊乱。在一些实施方式中，系统不使用由绿PPG传感器生成的传感器数据，而是根据由红PPG传感器生成的传感器数据来计算HRV，并且使用计算出的HRV来将时间窗口分类为呼吸紊乱或呼吸不紊乱。在一些实施方式中，系统使用由PPG传感器生成的传感器数据，而不使用由红PPG传感器、IR PPG传感器或加速度计生成的传感器数据。在一些情况下，系统使用由GSR传感器生成的传感器数据来将时间窗口分类为呼吸紊乱或呼吸不紊乱和/或生成呼吸紊乱评分。
在一些实施方式中，在确定第一条件被满足时，系统使用来自传感器的第一组合的传感器数据，并且在确定第一条件不被满足时，系统使用来自与传感器的第一组合不同的传感器的第二组合的传感器数据。例如，在一些情况下，如果可穿戴设备确定来自红和红外PPG传感器的光学信号质量较差，则可穿戴设备不会从红和红外PPG数据中提取特征，而是仅从绿传感器数据提取特征(例如，心率信息或其他指标)。替代性地或附加地，可穿戴设备可以在确定来自红和红外PPG传感器的光学信号质量较差时关闭红和红外PPG传感器(例如，以节省功率和/或计算资源)。尽管使用红和红外PPG传感器作为示例，但在此描述的技术可以扩展到传感器中的任何传感器或其任何组合
在一些实施方式中，在确定第二条件被满足时，系统使用第一分类规则来将时间窗口分类为呼吸紊乱或呼吸不紊乱，并且在确定第二条件不被满足时，系统使用与第一分类规则不同的第二分类规则来将时间窗口分类为呼吸紊乱或呼吸不紊乱。在一些情况下，可穿戴设备可以基于传感器数据来启用或停用一个或多个传感器。例如，在确定加速度计数据指示用户在过去一分钟(或例如5、15或30分钟)内四处移动时，可穿戴设备可以关闭用于生成睡眠计量(例如，包括呼吸紊乱评分/计量)的一个或多个传感器。在一些情况下，在确定加速度计数据指示用户在过去一分钟(或例如5、15或30分钟)内四处移动时，可穿戴设备停用一个或多个红PPG传感器和一个或多个红外PPG传感器。可穿戴设备可以基于对用户可能正在睡觉的确定(例如，基于对加速度计数据指示用户在过去一分钟(或例如5、15、或30分钟没有四处移动的确定)来启用一个或多个停用的传感器。
尽管在此使用一分钟作为进行这种分类的示例时间窗口，但是可以使用具有不同持续时间的其他时间窗口(例如30秒时间窗口、5分钟时间窗口等)。在一个实施方式中，每个时间窗口具有固定的持续时间。在另一实施方式中，基于用户的睡眠或呼吸模式随时间调整时间窗口的持续时间。例如，如果系统(例如，可穿戴设备100、客户端设备170和服务器175的任何组合)确定用户的呼吸紊乱频繁地跨多个时间窗口延伸，则可以增加时间窗口的持续时间。
在一些实施方式中，系统可以自动地检测下述时间块，在所述时间块期间，可穿戴设备100的用户睡着了。在此，自动检测可以指的是在没有来自用户的明确指示的情况下进行的检测，这样的明确指示诸如遍历屏幕上的菜单或以其他方式输入用户正在睡觉的时间段。要理解的是，术语“自动的”不排除下述情况，在所述情况中，用户可以以不表现对用户在不同睡眠状态之间转换的时间计定的明确指示的方式启用这种特征或动作。这种检测用户处于睡眠的时间块的实施方式可以从下述数据中获得针对一个或多个时间段的特征集合，这样的数据是从一个或多个运动传感器的集合获得的运动数据和/或PPG数据或从该运动数据和/或PPG数据得出的数据。然后，系统可以基于针对一个或多个时间段确定的特征集合将一个或多个时间段分类为用户的多个状态中之一。这些状态可以指示用户的相对移动程度。在一些情况下，这些状态可以是枚举的状态值，诸如活跃或不活跃，其中每个状态表示不同的移动程度或用户处于睡眠状态的可能性。在一些实施方式中，仅运动数据用于检测在其期间用户处于睡眠的时段。在其他实施方式中，来自运动传感器和一个或多个PPG传感器的组合的传感器数据被用于检测在其期间用户处于睡眠的时段。
分类器的以每分钟为单位的性能可以通过接收器操作特性(ROC)曲线来表征。图4中示出了示例ROC曲线400。时期(或时间窗口)分类器输出该分钟呼吸紊乱的概率。为了做出关于该分钟的决定，系统可以应用阈值，使得如果输出概率高于阈值，则系统将该分钟声明为呼吸紊乱，否则，系统将该分钟声明为正常(或呼吸不紊乱)。该阈值的值被选择为在假正例(false positive，误报、假阳性)和漏检之间进行权衡。例如，低阈值将有很少的漏检，但可能有很多假正例。可以基于同类群体数据来确定时间窗口是睡眠紊乱的概率。例如，本文所述的指标和/或特征可以基于与用户相关联的同类群体数据而被不同地加权。同类群体数据可以包括用户的身体质量指数(BMI)、年龄、脖颈周长、体重、身高、性别等中的一项或多项。在一些情况下，基于与用户相关联的同类群体数据(例如，基于用户是否属于较(或较不)可能经历呼吸紊乱的特定用户类别)，概率可能增加或减小。例如，如果用户为65岁(或较大)、具有35(或较大)的BMI、并且具有18英寸(或较大)的脖颈周长，则给定的时间窗口是睡眠紊乱的概率可能会增加(例如，通过加上偏移量或乘以偏移量)。替代性地或附加地，基于与用户相关联的同类群体数据(例如，基于用户是否属于较(或较不)可能经历呼吸紊乱的特定用户类别)，用于确定给定的时间窗口是睡眠紊乱还是睡眠不紊乱的阈值可能增加或减小。在一些实施方式中，基于跨多个用户收集的同类群体数据和分类/呼吸评分来生成和/或更新特定用户类别。
图4的ROC曲线通过在一定阈值范围内绘制真正例率(true positive rate，真正率、检测正确率、真阳性率)(敏感性)与假正例率(特异性)来捕获这种折衷。图4的示例示出了跨若干人的针对8500分钟的睡眠的基于PPG和加速度计特征的分类方法的性能。在一些实施方式中，由于大多数受试者在睡眠期间将没有呼吸紊乱，因此系统选择或使用与接近纵轴的操作点对应的阈值。这实际上会牺牲对特异性的敏感性(真正例)。在一些情况下，系统基于传感器数据或随时间生成的其他计量和/或基于用户输入或反馈来调整阈值。在一些情况下，确定阈值以使得假正例率是固定的或低于阈值水平。在一些情况下，阈值由云服务(例如，服务器175)维护和更新，并且由客户端设备170和/或可穿戴设备100从云服务下载(周期性地或当值被更新时)。
在一些实施方式中，来自不同传感器的传感器数据被不同地加权。例如，可以为每个传感器分配固定的权重，该固定的权重指示该传感器为将时间窗口分类为呼吸紊乱或呼吸不紊乱贡献多少。在另一示例中，基于传感器数据来调整分配给传感器的权重(例如，基于来自绿PPG传感器的传感器数据在一阈值时间段内保持恒定或变化不超过一阈值量，可以对来自红PPG传感器和IR PPG传感器的传感器数据较重地加权)。
每个时间窗口的标签(例如，呼吸紊乱或呼吸正常)被馈送到第二分类算法，以确定给定睡眠时段(例如，整夜)的呼吸紊乱的严重性。该第二分类阶段可以将来自用户的同类群体特征(性别、体重、身高、年龄)和所观察到的整个夜晚的睡眠的信息进行组合，以为用户的夜晚睡眠分配呼吸紊乱评分(例如，呼吸紊乱的严重性)。系统可以确定被分类为呼吸紊乱的时间窗口的百分比，并基于该百分比选择评分。在一些实施方式中，系统为多个夜晚、多周、多个月和/或多年生成综合评分。例如，在系统生成综合评分之前所需的夜晚阈值数量可能会基于一个或多个传感器的信号质量而有所不同。例如，如果一个或多个传感器的信号质量在夜晚较差，则系统在收集了超过4个夜晚的传感器数据、分类和/或呼吸紊乱评分之后生成综合评分。另一方面，如果一个或多个传感器的信号质量良好，则系统在收集超过值2个夜晚的传感器数据、分类和/或呼吸紊乱评分之后生成综合评分。
在一个示例中，呼吸紊乱评分是正常(例如，低于5％)、轻度(例如，5-10％)、中度(例如，10-20％)或严重(例如，20％或以上)中之一。在另一示例中，呼吸紊乱评分是正常(例如，低于5％)或不正常(例如，5％或以上)中之一。在一些实施方式中，这样的信息还可以用于提供睡眠合宜性评分，其中较高的呼吸紊乱评分可以同数据诸如使用加速度计等确定的运动数据一起与较低的睡眠合宜性评分相关联。例如，根据本文所包含的教导和建议，使用对于本领域的普通技术人员来说是明显的本文所讨论的因素的组合，对于用户而言，具有正常呼吸紊乱评分并且在正常运动范围内的夜晚可能会收到“正常”睡眠合宜性评分，而具有不正常呼吸紊乱评分或高于正常运动量的夜晚可能会收到“不正常”的睡眠合宜性评分。此外，尽管在各种示例中使用了示例百分比范围，但是百分比范围可以被设置为其他值，并且可以基于用户和/或其他用户的其他历史数据和/或生理计量进行调整。在一些实施方式中，仅当睡眠时段超过阈值时间量(例如，2、3、4小时)时，系统才生成呼吸紊乱评分。在一些情况下，可以基于一个或多个传感器的信号质量来调整阈值时间量。例如，如果一个或多个传感器的信号质量较差，则仅当睡眠时段超过四个小时时，系统才生成呼吸紊乱评分，并且如果一个或多个传感器的信号质量良好，则只要睡眠时段超过两个小时，系统就生成呼吸紊乱评分。替代性地，无论睡眠时间是多久，系统都会生成呼吸紊乱评分。在一些实施方式中，呼吸紊乱评分的确定可以基于同类群体数据。例如，可以基于与用户相关联的同类群体数据(例如，基于用户是否属于较(或较不)可能经历呼吸紊乱的特定用户类别)来增加或减少被分类为呼吸紊乱的时间窗口的百分比。同类群体数据可以包括用户的身体质量指数(BMI)、年龄、脖颈周长、体重、身高、性别等中的一项或多项。例如，如果用户为65岁(或较大)、具有35(或较大)的BMI、并且具有18英寸(或较大)的脖颈周长，则分类为呼吸紊乱的时间窗口的百分比可能增加(例如，通过加上偏移量或乘以偏移量)。可以基于同类群体数据以及跨多个用户收集的分类/呼吸评分来生成和/或更新特定用户类别。例如，如果系统确定较少数量的年龄在65岁至67岁之间的用户经历呼吸紊乱，则上述示例可以被更新，使得具有35或较大的BMI并且具有18英寸或较大的脖颈周长的68岁及以上的用户将使他们的呼吸紊乱评分向上调整(或者使他们的各个时间窗口是睡眠紊乱的概率向上调整)。
在一些实施方式中，系统输出一个或多个附加的呼吸紊乱计量。例如，系统可以输出下述中的一项或多项：被分类为呼吸紊乱的时间窗口的百分比、每小时(或每晚)呼吸紊乱的数量、呼吸暂停-呼吸不足指数(AHI)、以及睡眠呼吸暂停严重性评分(例如，AHI低于5为正常、AHI处于5或以上且低于15为轻度、AHI处于15或以上且低于30为中度、并AHI处于30或以上的为严重)。该系统还可以输出例示用户随时间(例如，每天、每周、每月、和/或每年)变化的呼吸紊乱评分或计量的趋势的曲线图。在一些实施方式中，系统可以输出用户安排去看医生的建议。
在一些实现中，一旦确定呼吸紊乱评分或计量是不正常(例如，高于被分类为呼吸紊乱的时间窗口的阈值百分比或高于每小时呼吸暂停事件的阈值数量)，系统就输出问题以及可选选项，以从用户收集附加信息。例如，客户端设备170可以显示问题“你一直都昏昏欲睡吗？”，其中用户界面元件用于指示“是”或“否”。一旦检测到用户对预定选项(例如，“是”)的选择，系统就输出建议给睡眠实验室或医生以供进一步检查。系统可以从注册的(例如，作为实施该系统的公司的收入分成计划的一部分)并且还在用户的地理区域内的睡眠实验室和/或医生的列表中选择睡眠实验室或医生。在一些情况下，一旦确定呼吸紊乱评分或计量是不正常(例如，高于被分类为呼吸紊乱的时间窗口的阈值百分比或高于每小时呼吸暂停事件的阈值数量)，系统就输出呼吸紊乱评分或计量连同睡眠实验室、医生或医疗设备公司的广告(例如，由医疗设备公司制造的连续气道正压(CPAP)机器)，以用于呈现给用户。
在一些实施方式中，为给定用户生成的呼吸紊乱评分被存储在云存储中，并且用户可访问，使得用户可以监测用户随时间变化经历呼吸紊乱的程度并查看该用户与具有类似同类群体特征(例如年龄、性别、身高、体重、活动水平等)的其他用户的比较如何。用户自己的呼吸紊乱评分和基于其他用户的呼吸紊乱评分生成的基准数据都将使用户能够通过包括CPAP治疗、减肥和/或改变睡眠取向的实践来降低呼吸紊乱的严重性。
在一些实施方式中，在确定针对给定夜晚的用户的呼吸紊乱评分是轻度、中度或严重中之一时，系统访问存储在云中或用户的移动设备上的过去评分，并确定针对该给定夜晚的用户的呼吸紊乱评分是否不平常。例如，如果用户在过去三年中从未有过“正常”以外的评分，则系统可能会忽略上一晚(例如，一次、两次或阈值次数)生成的“严重”评分并输出“正常”的评分。替代性地，在这种情况下，系统可以将评分下调至“轻度”或“中等”。
在一些实施方式中，在图形用户界面(GUI)中呈现呼吸紊乱评分或其他与呼吸或睡眠有关的评分，该图形用户界面还包括基于其他用户的呼吸紊乱评分而生成的基准数据。在一些实施方式中，呼吸紊乱评分在GUI中被呈现，该GUI还包括用户的体重、用户在白天期间的活动水平和/或用户的睡眠取向。在一些实施方式中，呼吸紊乱评分在GUI中被呈现，该GUI还包括用户的呼吸紊乱评分/计量的历史。在这样的实施方式中的一些实施方式中，历史跨至少30天。在一些情况下，历史至少跨365天。
在一些实施方式中，可穿戴设备100包括压力传感器，该压力传感器被配置成感测可穿戴设备相对于用户的皮肤的相对运动。例如，压力传感器生成下述传感器数据，所述传感器数据指示在与用户的皮肤垂直的方向上有多少力(例如，将可穿戴设备100推入用户的腕部中的力)和/或在与用户的皮肤平行的方向上有多少力(例如，沿用户的腕部上下推动和/或沿用户的腕部的周界推动可穿戴设备100的力)被施加在可穿戴设备100上。
在一些实施方式中，在确定原本将被分类为呼吸紊乱的时间窗口包括指示在与用户的皮肤垂直的方向上施加的力大于阈值水平的压力传感器数据时，系统将时间窗口分类为正常(或呼吸不紊乱)。在一些实施方式中，在确定原本将被分类为呼吸紊乱的时间窗口包括指示在与用户的前臂的轴线平行的方向上施加的力大于阈值水平的压力传感器数据时，系统将时间窗口分类为正常(或呼吸不紊乱)。在一些实施方式中，在确定原本将被分类为呼吸紊乱的时间窗口包括指示在与用户的腕部的切线方向平行的方向上施加的力大于阈值水平的压力传感器数据时，系统将时间窗口分类为正常(或呼吸不紊乱)。
在一些实施方式中，在确定在给定时间段期间生成的压力传感器数据指示在与用户的皮肤垂直的方向上施加的力大于阈值水平时，系统在将时间窗口分类为呼吸紊乱或呼吸不紊乱方面忽略在给定时间段期间生成的其他传感器数据(例如，PPG传感器数据和/或运动传感器数据)。在一些实施方式中，在确定在给定时间段期间生成的压力传感器数据指示在与用户的前臂的轴线平行的方向上施加的力大于阈值水平时，系统在将时间窗口分类为呼吸紊乱或呼吸不紊乱方面忽略在给定时间段期间生成的其他传感器数据(例如，PPG传感器数据和/或运动传感器数据)。在一些实施方式中，在确定在给定时间段期间生成的压力传感器数据指示在与用户的腕部的切线方向平行的方向上施加的力大于阈值水平时，系统在将时间窗口分类为呼吸紊乱或呼吸不紊乱方面忽略在给定时间段期间生成的其他传感器数据(例如，PPG传感器数据和/或运动传感器数据)。
在一个实施方式中，可穿戴设备执行所有处理，并将结果(例如，分类和呼吸紊乱评分)发送到移动设备或集中式服务器。在另一实施方式中，可穿戴设备确定分类，而移动设备或服务器确定呼吸紊乱评分。在又一实施方式中，处理的一部分在可穿戴设备上执行，并且处理的其余部分可以在移动设备或服务器上执行。在又一实施方式中，传感器数据被发送到移动设备或服务器而不进行任何处理。在这样的实施方式中的一些实施方式中，传感器数据由移动设备或服务器进行处理以确定分类和呼吸紊乱评分。
在一些实施方式中，呼吸紊乱的检测发生在可以与可穿戴设备通信的移动设备(例如，客户端设备170)上。例如，由可穿戴设备收集的传感器数据可以被发送(通过或没有通过可穿戴设备进行附加处理)给用户的这种移动设备，并且该移动设备可以分析传感器数据以对各个时间窗口进行分类并生成呼吸紊乱评分。移动设备可以将分类和/或呼吸紊乱评分或计量无线地传输到云服务(例如，服务器175)以进行存储。
有利地，在这样的移动设备上进行呼吸紊乱的检测可以为可穿戴设备提供功率节省(例如，因为检测不是由可穿戴设备执行的)，而不需要集中式数据库的基础结构。
在一些实施方式中，呼吸紊乱的检测发生在可以与可穿戴设备和/或与用户相关联的移动设备通信的集中式服务器(例如，服务器175)上。例如，由可穿戴设备收集的传感器数据可以(在通过或没有通过可穿戴设备进行附加处理的情况下)被(直接或通过移动设备)发送到这样的服务器，该服务器可以分析传感器数据以对各个时间窗口进行分类并生成呼吸紊乱评分。集中式服务器可以将分类和呼吸紊乱评分或计量无线地传输到移动设备和/或可穿戴设备以进行存储和呈现给用户。
有利地，在这样的集中式服务器上进行呼吸紊乱的检测可以为可穿戴设备提供功率节省(例如，因为检测不是由可穿戴设备执行的)，并且提供较鲁棒的检测，这是因为与客户端设备170相比，在服务器上可供使用的数据和处理能力较多。
图5是示出了根据本公开内容的方面的用于监测用户的呼吸紊乱的示例方法的流程图。方法500可以由可穿戴设备100、客户端设备170和/或服务器175单独地或以分布式方式执行。方法500示出了示例算法，该示例算法可以使用任何合适的编程环境或语言进行编程，以创建能够由可穿戴设备100、客户端设备170和/或服务器175的CPU或微控制器执行的机器码。各种实施方式可以使用汇编、C、OBJECTIVE-C、C++、JAVA或其他人类可读语言进行编码，然后被编译、汇编或以其他方式转换成可以被加载到可穿戴设备100、客户端设备170和/或服务器175的只读存储器(ROM)、可擦除可编程只读存储器(EPROM)或其他可记录存储器中的机器码，只读存储器、可擦除可编程只读存储器或其他可记录存储器耦接至CPU或微控制器，然后由CPU或微控制器执行。
在框505，系统接收由用户穿戴的可穿戴设备100的一个或多个传感器生成的传感器数据，其中，传感器数据在第一时段(例如，在其期间用户处于睡眠的睡眠时段)期间生成。传感器数据可以包括由本文描述的传感器的任何组合生成的传感器数据(或基于这样的传感器数据生成的其他数据)。例如，传感器数据可以包括由绿PPG传感器166生成的绿PPG数据、由红PPG传感器167生成的红PPG数据、由IR PPG传感器168生成的IR PPG数据和/或由加速度计161(或本文所述的其他运动传感器)生成的运动数据。如本文所述，传感器数据可以由可穿戴设备100上设置的一个或多个传感器和/或可穿戴设备100外部的一个或多个附加传感器生成。
在框510，对于第一时段内的多个时间窗口中的每个相应时间窗口，基于在相应时间窗口期间生成的传感器数据，系统将该相应时间窗口分类为(i)呼吸紊乱或(ii)呼吸不紊乱中之一。例如，时间窗口可以都是1分钟长，并且对于睡眠时段内的多个分钟中的每个相应分钟，系统可以分析在该分钟期间由传感器(例如，一个或多个运动和PPG传感器)中的每个传感器生成的传感器数据，并确定用户在该分钟期间是否有可能经历呼吸紊乱。在另一示例中，时间窗口是30秒、2分钟或5分钟中之一。系统可以基于所接收的传感器流(例如，由可穿戴活动跟踪器上设置的传感器中的一个传感器生成的各个传感器流)中的一个或多个传感器流是否包括指示用户具有呼吸紊乱的特征来对给定的分钟进行分类。例如，在确定由可穿戴活动跟踪器的绿PPG传感器生成的绿PPG传感器数据在给定的分钟内包括第一时段的慢振荡，接着是第二时段的快振荡，系统可以将该给定的分钟分类为呼吸紊乱。系统可以基于从传感器流中提取的特征与指示用户具有呼吸紊乱的一个或多个预定特征之间的相似性来确定用户在给定的分钟内具有呼吸紊乱的可能性，并且如果可能性超过阈值(例如，如图4的ROC曲线所示的30％、50％、75％等)，则将该给定的分钟分类为呼吸紊乱。如果在该给定的分钟期间的多个传感器流包括与指示用户具有呼吸紊乱的一个或多个预定特征类似的特征，则在该给定的分钟期间用户具有呼吸紊乱的可能性可能较高。在一些实施方式中，在对时间窗口进行分类之前，系统可以首先确定一特定时段——在该特定时段期间用户是睡着了的，并且对该特定时段内的每个时间窗口进行分类，其中该特定时段是在框505针对其接收传感器数据的第一时段的子集。在其他实施方式中，系统在第一时段内对每个时间窗口进行分类，而无需确定用户在第一时段的任何部分期间是否睡着了。在一些实施方式中，系统可以利用在第一时段(或特定时段，在该特定时段期间，确定用户已经睡着了)之外收集的信息。例如，可以基于用户的年龄、性别、身高、体重、活动水平和/或其他因素来确定时间窗口是呼吸紊乱还是呼吸不紊乱。在另一示例中，系统基于一天中(例如，除了确定用户在其期间已经睡着了的时段之外)测量的用户的心率或者若干天、若干周、若干个月或若干年内的用户的心率来确定与用户相关联的基线心率(或其他生理计量，诸如Sp02、心率变异性、呼吸作用速率等)，并使用基线心率(或其他生理计量)来确定给定的时间窗口应该被为分类为呼吸紊乱还是呼吸不紊乱。例如，105的心率尖峰针对其基准心率是50的用户可能指示呼吸紊乱，但针对其基准心率是100的另一用户可能不指示呼吸紊乱。
在框515，系统基于多个时间窗口的分类来确定呼吸紊乱评分。例如，系统确定被分类为呼吸紊乱的时间窗口的百分比，并基于该百分比生成呼吸紊乱评分。例如，系统可以从一组可用评分中选择评分，每个可用评分与百分比范围相关联(例如，“正常”与0-5的百分比范围相关联，“轻度”与5-10的百分比范围相关联，“中度”与10-20的百分比范围相关联，并且“严重”与20+的百分比范围相关联)。在一些实施方式中，系统可以基于分类和在第一时段(或特定时段，在该特定时段期间，确定用户已经睡着了)之外收集的信息来确定呼吸紊乱评分。例如，用户的呼吸紊乱评分的确定可以基于用户的年龄、性别、身高、体重、活动水平和/或其他因素。
在框520，系统输出呼吸紊乱评分以呈现给用户。例如，客户端设备170可以在客户端设备170的显示屏上显示呼吸紊乱评分以及基于与该用户类似的其他用户生成的基准呼吸紊乱评分。可以从服务器175下载这样的基准呼吸紊乱评分。附加地或替代性地，客户端设备170可以从存储了多个过去的呼吸紊乱评分的云服务中接收与该用户相关联的这种过去的呼吸紊乱评分，并基于从云服务接收的多个过去的呼吸紊乱评分在客户端设备170的显示屏上显示呼吸紊乱评分的历史。例如，历史可以包括示出了用户的呼吸紊乱评分的趋势的曲线图。在一些情况下，附加地或替代性地，系统可以将呼吸紊乱评分传输到另一设备以用于在所述另一设备上显示。
在方法500中，图5所示的框中的一个或多个框可以被去除(例如，不执行)和/或可以切换执行该方法的顺序。例如，在一些实施方式中，可以省略框505、510、515和520中的一个或多个框。在一些实施方式中，可以将附加框添加到方法500。方法500可以由可穿戴设备100、客户端设备170和/或服务器175单独地或以分布式方式执行。例如，框505和510可以由客户端设备170执行，并且框515和520可以由服务器175执行。替代性地，框505-520中的所有框可以由服务器175执行，使得在框505服务器175从可穿戴设备100或客户端设备170接收传感器数据，并在框520将呼吸紊乱评分输出到可穿戴设备100或客户端设备170。本公开内容的实施方式不限于图5所示的示例或不受其限制，并且在不脱离本公开内容的精神的情况下，可以实现其他变型。
图6是示出了根据本公开内容的方面的用于监测用户的呼吸紊乱的示例方法的流程图。方法600可以由可穿戴设备100、客户端设备170和/或服务器175单独地或以分布式方式执行。方法600示出了示例算法，该示例算法可以使用任何合适的编程环境或语言进行编程，以创建能够由可穿戴设备100、客户端设备170和/或服务器175的CPU或微控制器执行的机器码。各种实施方式可以使用汇编、C、OBJECTIVE-C、C++、JAVA或其他人类可读语言进行编码，然后被编译、汇编或以其他方式转换成可以被加载到可穿戴设备100、客户端设备170和/或服务器175的只读存储器(ROM)、可擦除可编程只读存储器(EPROM)或其他可记录存储器中的机器码，只读存储器、可擦除可编程只读存储器或其他可记录存储器耦接至CPU或微控制器，然后由CPU或微控制器执行。为了方便起见，下面将方法600描述为由服务器执行。
在框605，服务器接收由至少一个绿PPG传感器生成的第一PPG数据、由至少一个红PPG传感器生成的第二PPG数据、由至少一个红外PPG传感器生成的第三PPG数据以及由至少一个加速度计生成的加速度计数据。尽管在图6的示例中使用加速度计数据，但是可以附加地或替代性地使用由本文所述的一个或多个其他运动传感器生成的传感器数据。在一些实施方式中，服务器从可穿戴设备接收数据。
替代性地，移动设备(例如，经由蓝牙或其他无线技术)从可穿戴设备接收数据，并且该移动设备将数据无线地传输到服务器。至少一个绿PPG传感器、至少一个红PPG传感器、至少一个红外PPG传感器和至少一个加速度计中的每一者可以设置在单个可穿戴活动跟踪器上，该单个可穿戴活动跟踪器被配置成被穿戴在用户的腕部上。在一些实施方式中，PPG数据和/或加速度计数据可以是由相应传感器生成的原始数据。在其他实施方式中，PPG数据和/或加速度计数据可以是由可穿戴活动跟踪器基于这样的原始数据生成的经处理的数据。例如，经处理的数据可以包括从第一、第二和第三PPG数据以及加速度计数据中的一者或多者提取的特征集合(例如，从每分钟的传感器数据的值中提取17个特征)。可以针对各个时间窗口(例如，针对每分钟的传感器数据，针对每5分钟的传感器数据等)生成该特征集合。在一些实施方式中，传感器被设置在可穿戴活动跟踪器上，使得当可穿戴活动跟踪器被穿戴在用户的腕部上时，传感器中的各个传感器位于用户的腕部的同一侧。在一些实施方式中，至少一个传感器不与其余传感器位于用户的腕部的同一侧。在一些情况下，可穿戴活动跟踪器外部的一个或多个传感器与移动设备和/或服务器通信，并且将附加传感器数据无线地传输到移动设备和/或服务器。例如，移动设备可以与床用式传感器通信以收集指示心脏上的弹道力的心冲击图数据。在一些情况下，可以基于第一PPG数据、第二PPG数据、第三PPG数据、加速度计数据和/或心冲击图数据中的一者或多者来生成呼吸作用数据。
在框610，服务器基于加速度计数据(或从加速度计数据中提取的特征集合的一部分或子集)识别在其期间可穿戴活动跟踪器的用户处于睡眠的睡眠时段。在一些实施方式中，服务器通过确定加速度计数据的哪一部分指示与用户在睡觉一致的用户移动来识别睡眠时段。例如，服务器可以通过下述来识别睡眠时段：确定加速度计数据的哪一部分(或与哪个时间戳或时间窗口相关联的一个或多个特征)指示小于阈值水平的移动，并且确定在其期间生成了加速计数据的这样的部分的时间段为睡眠时段。在一些情况下，服务器基于确定加速度计数据的与睡眠时段对应的部分在至少阈值时间量内不指示阈值移动水平来识别睡眠时段。即使当穿戴可穿戴活动跟踪器的用户正在睡觉时，可穿戴活动跟踪器也可能会经历一些移动，并且加速度计数据可能会反映出这种移动。在一些实施方式中，服务器忽略用户正在睡觉时的这种移动，并且在其期间发生这种移动的时段不从睡眠时段中排除。
在框615，服务器将睡眠时段内的多个分钟中的每一分钟分类为下述中之一(i)正常分钟或(ii)呼吸紊乱的分钟。服务器可以基于下述来对各个分钟进行分类：(i)在睡眠时段期间生成的绿PPG数据的一部分，(ii)在睡眠时段期间生成的红PPG数据的一部分，(iii)在睡眠时段期间生成的红外PPG数据的一部分及其任何组合(或者从绿PPG数据、红PPG数据和/或红外PPG数据中提取的特征集合的子集，例如从给定的分钟期间生成的绿PPG数据中提取的5个特征，以及从给定的分钟期间生成的红PPG数据和红外PPG数据的组合中提取的8个特征)。服务器还可以基于与睡眠时段之外的时间段对应的附加数据来对各个分钟进行分类。例如，可以基于用户的年龄、性别、身高、体重、活动水平和/或其他因素来确定分钟是呼吸紊乱还是呼吸不紊乱。在另一示例中，服务器基于一天中(例如，除了确定用户在其期间已经睡着的时段之外)测量的用户的心率或者若干天、若干周、若干个月或若干年内的用户的心率来确定与用户相关联的基线心率(或其他生理计量，诸如Sp02、心率变异性、呼吸作用速率等)，并使用基线心率(或其他生理计量)来确定给定的分钟应该被为分类为呼吸紊乱还是呼吸不紊乱。例如，105的心率尖峰针对其基准心率是50的用户可能指示呼吸紊乱，但针对其基准心率是100的另一用户可能不指示呼吸紊乱。在一些实施方式中，服务器基于第一PPG数据、第二PPG数据、第三PPG数据、加速度计数据和/或心冲击图数据中的一者或多者来生成呼吸作用数据，并基于呼吸作用数据对各个分钟进行分类。例如，服务器可以基于下述确定来将给定的分钟分类为呼吸紊乱，这样的确定为与给定的分钟对应的呼吸作用数据的一部分包括低值跟随有值的尖峰的模式。在一些实施方式中，服务器对一时段——在该时段期间传感器数据指示移动小于阈值水平——内的各个分钟进行分类，并且不对另一时段——在该时段期间传感器数据指示移动大于阈值水平——内的各个分钟进行分类。在一些实施方式中，服务器基于确定给定的分钟与小于阈值水平的移动相关联来对该给定的分钟进行分类。例如，在对给定的分钟进行分类之前，服务器可以首先确定该给定的分钟与小于阈值水平的移动相关联。
在框620，服务器基于各个分钟的分类为睡眠时段生成呼吸紊乱评分。例如，服务器确定被分类为呼吸紊乱的分钟的百分比，并且基于该百分比生成呼吸紊乱评分。例如，服务器可以从一组可用评分中选择评分，每个可用评分与百分比范围相关联(例如，“正常”与0-5的百分比范围相关联，“轻度”与5-10的百分比范围相关联，“中度”与10-20的百分比范围相关联，并且“严重”与20+的百分比范围相关联)。在一些实施方式中，服务器可以基于分类和在睡眠时段(或特定时段，在该特定时段期间，确定用户已经睡着了)之外收集的信息来确定呼吸紊乱评分。例如，用户的呼吸紊乱评分的确定可以基于用户的年龄、性别、身高、体重、活动水平和/或其他因素。服务器可以基于用户的呼吸紊乱评分来更新与用户的年龄、性别、身高、体重、活动水平和/或其他类别相对应的基准呼吸紊乱评分。服务器可以保持多个用户的过去的呼吸紊乱评分，每个用户与相应的可穿戴活动跟踪器相关联。
在框625，服务器使呼吸紊乱评分被显现在移动设备的显示屏上。例如，服务器可以将呼吸紊乱评分无线地传输到移动设备，并且移动设备可以显示呼吸紊乱评分以及与用户的年龄、性别、身高、体重、活动水平和/或其他类别对应的基准呼吸紊乱评分。可以从服务器或另一服务下载这样的基准呼吸紊乱评分。例如，移动设备可以从服务器请求与用户所属的用户类别相关联的基准呼吸紊乱评分(例如，用户属性的任何组合诸如“30-39岁、男性、6'0”-6'3”、175-185lbs”)，并且服务器可以无线地传输与用户类别相关联的基准呼吸紊乱评分。在一些实施方式中，在用户显示器中显示各个分钟是如何分类的(例如，呼吸紊乱或呼吸正常)。在一个示例中，这样的用户界面不包括睡眠时段之外的各个分钟的任何分类。在另一示例中，这样的用户界面可以包括睡眠时段之外的各个分钟的分类。
在方法600中，图6所示的框中的一个或多个框可以被去除(例如，不执行)和/或可以切换执行该方法的顺序。例如，在一些实施方式中，可以省略框605、610、615、620和625中的一个或多个框。在一些实施方式中，可以将附加框添加到方法600。方法600可以由可穿戴设备100、客户端设备170和/或服务器175单独地或以分布式方式执行。作为一个示例，框605和610可以由可穿戴设备100或客户端设备170执行，框615和620可以由服务器175执行，并且框625可以由客户端设备170执行。例如，通过在可穿戴设备100上执行至少一些处理，可以减少需要从可穿戴设备100无线地传输到客户端设备170和/或服务器175的数据量，从而减少带宽需求和/或减少与数据传输/同步相关联的延迟。替代性地，框605-625中的所有框可以仅由可穿戴设备100、仅由客户端设备170或仅由服务器175执行。例如，通过在服务器175上执行至少一些处理，可以减少需要由客户端设备170执行的处理量，从而减少客户端设备170上的功耗和/或计算资源消耗。在一些实施方式中，客户端设备170不执行用于对时间窗口进行分类和/或生成呼吸紊乱评分的计算。在其他实施方式中，客户端设备170执行用于对时间窗口进行分类和/或生成呼吸紊乱评分的计算中的至少一些。本公开内容的实施方式不限于图6所示的示例或不受其限制，并且在不脱离本公开内容的精神的情况下，可以实现其他变型。
图7是示出了根据本公开内容的方面的用于为用户生成睡眠合宜性评分的示例方法的流程图。方法700可以由可穿戴设备100、客户端设备170和/或服务器175等单独地或以分布式方式执行。在框702，从跟踪器设备接收用户状态数据，然而如在一些实施方式中提到的，该数据可以从一个或多个传感器或其他此类源被接收到跟踪器设备上的子系统。在该示例中，用户状态数据包括PPG数据、心率数据和运动速率数据，然而也可以接收各种其他类型的数据，如可以包括血压数据、眼动数据、音频数据、心冲击图数据、身体温度数据和大脑活动数据等。如所提到的，在至少一些实施方式中，可以使用在跟踪器上的或与跟踪器通信的适当的传感器或机构来获得该数据。在各种实施方式的范围内，可以获得关于用户的健康、合宜性或状态的任何适当信息。
一旦获得，在框704，该过程确定用户的至少一个睡眠时段。这可以如本文其他地方所讨论的那样进行确定，如可以使用结合任何其他相关的用户状态数据的运动数据。可以从设备上的加速度计或其他运动传感器或者从相机或图像传感器等中获得运动数据。同样如所提到的，在一些实施方式中，这可以包括确定一个夜晚或指定的时间段内的多个窗口或睡眠时段。对于至少一个睡眠时段，在框706，分析用户状态数据以生成睡眠合宜性数据。如本文其他地方所讨论的，这可能涉及使用用户状态数据中的任何数据来生成可用于确定睡眠合宜性的数据，如可以涉及使用PPG数据来确定呼吸紊乱评分、使用运动数据来确定躁动评分、使用心率信息来确定脉搏规律评分等。如本文所讨论和建议的，并且如根据本公开内容对于本领域的普通技术人员将明显的，可以计算可用于确定用户的睡眠状态或合宜性的任何数据。在框708，可以将所生成或计算的睡眠合宜性数据中的至少一些与历史睡眠合宜性数据进行比较。如所提到的，这可以用于确定值中的任何值是否偏离针对用户通常确定的那些值，因为在不同的用户的正常睡眠模式期间，这些用户将具有不同的运动量或状态变化。在框710，可以针对相应的时间段为该用户生成睡眠合宜性评分。如上所提到的，这可以基于任何或所有睡眠合宜性数据以及与历史值的任何差异。例如，在可允许的差异范围或阈值内，被确定与给定用户的历史平均值对应的所有正常值可能会得到针对用户计算的正常的合宜性评分。这可能得到评分为“正常”、合宜性为100％等。在一些实施方式中，睡眠合宜性数据的加权函数可以用于生成睡眠合宜性评分，诸如从0到100，其可以被呈现给用户，并单独指示该评分对该用户是否正常。如果评分在正常范围之外，则评分和指示可能会附带附加信息，诸如可能与导致非典型评分的数据类型有关。函数的各种参数的权重可以通过实验或者通过使用经训练的机器学习算法等来确定。在一些实施方式中，睡眠合宜性评分可以是“合宜(fit)”或“不合宜(unfit)”等的简单评分，其中正常范围之外的任何个体用户状态数据都可能导致不合宜的评分。在各种实施方式中，睡眠合宜性评分可以与单个睡眠合宜性数据点有关，诸如可以与基于至少检测到的运动确定的呼吸紊乱评分或躁动评分有关，同时在各种实施方式中，本文所讨论和建议的因素的组合被用于提供更准确和有用的确定。一旦生成，在框712，该过程可以提供至少睡眠合宜性评分以用于呈现，并且还可以提供如本文所讨论和建议的其他相关信息。
传统的睡眠分析设备(由睡眠实验室或传感器系统使用的那些设备，诸如ARESTM家庭睡眠测试)虽然更准确，但仅由已经获知或怀疑他们患有睡眠障碍的个人使用。在可穿戴活动跟踪器上使用传感器的一个优点是，可以在几个月和几年内监测任何个体的睡眠质量，而不会中断其自然睡眠例程。腕戴式传感器加上机器学习算法的组合可以提供与睡眠质量有关的信息。使用新颖的特征提取算法从这些不同的传感器流中提取数据。
睡眠呼吸暂停诊断通常需要睡眠实验室的装备和人员。睡眠技术员在受试者睡觉时监测受试者，并记录来自一系列传感器的数据，诸如例如大脑活动脑电图(EEG)测量、通过PPG测量的Sp02、通过鼻管和压力换能器测量的气流、和/或心跳的电监测(ECG)。在一些实现中，与加速度计耦接的手指Sp02传感器和从床用式传感器得到的呼吸作用可以用于监测用户的呼吸紊乱。在其他实现中，可以使用通过前额反射脉搏血氧仪记录Sp02和心率并且通过鼻压力传感器记录呼吸运作的可穿戴平台。由于所需的装备，这些实现可能是昂贵的，外行人可能不容易获得该装备的操作。此外，这些实现可能需要对数据进行手动评分，以便进行医学诊断。因此，使用日常可穿戴活动跟踪器实现的大规模筛查系统将使人们能够以与睡眠实验室相比最小的成本并且在无需中断他们的自然睡眠例程的情况下来确定他们是否应该寻求进一步的医疗护理。
在一些实施方式中，可穿戴设备100被设计为每天都被穿戴，并且被配置成除了睡眠计量之外还提供其他计量或通知(例如，智能手机通知、步数、慢跑统计等)。因此，在这种情况下，可穿戴设备100更可能由不怀疑他们患有睡眠呼吸暂停或其他睡眠/呼吸疾病的用户获取，并向尚未认识到他们患有睡眠呼吸暂停或其他睡眠/呼吸疾病的大量用户提供有价值的诊断信息。
本文公开的信息和信号可以使用多种不同科技和技术中的任何一种来表示。例如，在整个以上描述中可能引用的数据、指令、命令、信息、信号、位、符号和芯片可以由电压、电流、电磁波、磁场或粒子、光场或粒子或其任何组合表示。
结合本文所公开的实施方式描述的各种说明性逻辑框和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，各种说明性的部件、框和步骤已经在上面根据其功能大体上进行了描述。将这种功能实现为硬件还是软件取决于特定的应用和施加在整个系统上的设计约束。技术人员可以针对每个特定应用以变化的方式来实现所描述的功能，但是这种实现决定不应被解释为导致脱离本公开内容的范围。
本文描述的技术可以以硬件、软件、固件或其任何组合来实现。这样的技术可以在各种设备中的任一种设备中实现，诸如例如可穿戴设备、无线通信设备手机、或用于可穿戴设备、无线通信设备手机的集成电路设备、以及其他设备。被描述为设备或部件的任何特征都可以在集成逻辑设备中一起实现，或单独地实现为离散但可互操作的逻辑设备。如果以软件实现，则该技术可以至少部分地由计算机可读数据存储介质来实现，该计算机可读数据存储介质包括程序代码，该程序代码包括指令，该指令在被执行时执行上述方法中的一种或多种方法。计算机可读数据存储介质可以形成计算机程序产品的一部分，该计算机程序产品可以包括包装材料。计算机可读介质可以包括存储器或数据存储介质，诸如随机存取存储器(RAM)诸如同步动态随机存取存储器(SDRAM)、只读存储器、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、闪速存储器、磁性或光学数据存储介质等。附加地或替代性地，可以至少部分地通过计算机可读通信介质来实现该技术，该计算机可读通信介质携带或传送程序代码，该程序代码呈指令或数据结构的形式，并且可以由计算机访问、读取和/或执行，诸如传播的信号或波。
根据一些实施方式，本文描述的技术由一个或多个特殊用途计算设备实现。特殊用途计算设备可以进行硬连线以执行该技术，或者可以包括数字电子设备诸如经过永久编程以执行该技术的一个或多个专用集成电路(ASIC)或现场可编程门阵列(FPGA)，或者可以包括被编程为根据固件、存储器、其他存储装置或组合中的程序指令来执行技术的一个或多个通用硬件处理器。这样的特殊用途计算设备还可以将定制的硬连线逻辑、ASIC或FPGA与定制的编程相结合，以实现该技术。特殊用途计算设备可以是台式计算机系统、便携式计算机系统、手持式设备、网络设备、可穿戴设备或合并了硬连线和/或程序逻辑以实现该技术的任何其他设备。
与计算机可读介质(例如，存储器或其他数据存储设备)通信(例如，与之协同操作)的处理器可以执行程序代码的指令，并且可以包括一个或多个处理器，诸如作为一个或多个数字信号处理器(DSP)、通用微处理器、ASIC、FPGA或其他等效的集成或离散逻辑电路。这样的处理器可以被配置成执行本公开内容中描述的技术中的任何技术。通用处理器可以是微处理器；但是作为替代，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP核结合的一个或多个微处理器或任何其他这样的配置。因此，本文所用的术语“处理器”可以指的是前述结构中的任一者、前述结构的任何组合、或者适合于实施本文所述的技术的任何其他结构或装置。同样，该技术可以在一个或多个电路或逻辑元件中完全实现。
本公开内容的技术可以在包括可穿戴设备、无线手机、集成电路(IC)或一组IC(例如，芯片组)在内的多种设备或装置中实现。各种部件或单元在本公开内容中进行描述以强调被配置以执行所公开的技术的设备的功能方面，但不一定需要由不同硬件单元来实现。更确切地说，如上所述，各种单元可以在硬件单元中组合，或者由互操作的硬件单元的集合来提供，包括如上所述的与合适的软件和/或固件结合的一个或多个处理器。
尽管已经结合各种不同的实施方式描述了前述内容，但是在不脱离本公开内容的教导的情况下，来自一个实施方式的特征或元件可以与其他实施方式组合。然而，各个实施方式之间的特征的组合不一定限于此。

Claims (13)

1.一种睡眠监测系统，包括：
可穿戴设备，所述可穿戴设备被配置来由用户穿戴，所述可穿戴设备包括一个或多个光电容积描记术PPG传感器和运动传感器；
至少一个处理器；以及
非暂时性计算机可读存储器，所述非暂时性计算机可读存储器包括指令，所述指令在由所述至少一个处理器执行时使所述系统：
接收PPG数据和运动数据，所述PPG数据和所述运动数据分别是利用所述可穿戴设备的所述一个或多个PPG传感器和所述运动传感器捕获的；
至少使用所述PPG数据和所述运动数据确定所述用户的睡眠时段；
针对所述用户的所述睡眠时段，确定所述睡眠时段的呼吸紊乱评分，所述呼吸紊乱评分至少是基于以逐分钟方式计的所述用户的所述睡眠时段以及所述PPG数据中的血液氧合的减少；
至少基于所述呼吸紊乱评分和所述运动数据，计算所述用户在所述睡眠时段内的睡眠合宜性评分，所述睡眠合宜性评分指示睡眠质量；
使用所述呼吸紊乱评分来更新所述用户的基线呼吸评分；以及
在所述可穿戴设备的显示器上显示所述睡眠合宜性评分或所述呼吸紊乱评分中的至少一者。
2.根据权利要求1所述的系统，其中，所述指令在被执行时还使所述系统：
部分地通过至少确定在其间由所述运动数据表示的运动量小于确定的运动阈值的阈值时间段，来确定所述睡眠时段。
3.根据权利要求1所述的系统，其中，所述指令在被执行时还使所述系统：
使用呼吸模式数据来计算呼吸紊乱评分，所述呼吸模式数据包括所述PPG数据。
4.根据权利要求3所述的系统，其中，所述指令在被执行时还使所述系统：
还基于在所述睡眠时段内捕获的所述用户的呼吸作用速率数据来计算所述睡眠合宜性评分。
5.根据权利要求1所述的系统，其中，所述可穿戴设备是被穿戴在所述用户的腕部上的可穿戴跟踪器。
6.根据权利要求1所述的系统，其中，所述指令在被执行时还使所述系统：
提取由红PPG传感器生成的第一传感器数据的低频率分量和由红外PPG传感器生成的第二传感器数据的低频率分量；
基于将所述第一传感器数据的低频率分量除以所述第二传感器数据的低频率分量，来确定经处理的传感器数据；以及
使用所述经处理的传感器数据对所述睡眠时段的多个时间窗口中的至少一个时间窗口进行分类。
7.一种用于处理光电容积描记术PPG数据的计算机实施的方法，包括：
接收所述PPG数据，所述PPG数据和运动数据分别是利用被配置来由用户穿戴的可穿戴设备的一个或多个PPG传感器和运动传感器捕获的；
至少使用所述PPG数据和所述运动数据确定所述用户的睡眠时段；
针对所述用户的所述睡眠时段，确定所述睡眠时段的呼吸紊乱评分，所述呼吸紊乱评分至少是基于以逐分钟方式计的所述用户的所述睡眠时段以及所述PPG数据中的血液氧合的减少；
至少基于所述呼吸紊乱评分和所述运动数据，计算所述用户在所述睡眠时段内的睡眠合宜性评分，所述睡眠合宜性评分指示睡眠质量；
使用所述呼吸紊乱评分来更新所述用户的基线呼吸评分；以及
在所述可穿戴设备的显示器上显示所述睡眠合宜性评分或所述呼吸紊乱评分中的至少一者。
8.根据权利要求7所述的计算机实施的方法，还包括：
使用由所述运动传感器捕获的所述运动数据来确定所述睡眠时段的运动量；
至少基于下述来计算所述睡眠合宜性评分：所述用户的所述呼吸紊乱评分与历史基线呼吸紊乱评分之间的差；以及确定的所述睡眠时段的运动量。
9.根据权利要求8所述的计算机实施的方法，还包括：
使用床用式传感器捕获所述用户在所述睡眠时段内的呼吸作用速率数据；以及
还基于所述用户的所述呼吸作用速率数据计算所述睡眠合宜性评分。
10.根据权利要求7所述的计算机实施的方法，还包括：
提供更新后的基线呼吸评分以用于在所述可穿戴设备的所述显示器上显示。
11.根据权利要求7所述的计算机实施的方法，其中，所述PPG数据是使用所述可穿戴设备上的绿PPG传感器、红PPG传感器和红外PPG传感器捕获。
12.根据权利要求7所述的计算机实施的方法，还包括：
确定所述睡眠时段的多个时间窗口中被分类为表示所述用户的紊乱呼吸的时间窗口的百分比；以及
至少基于所述时间窗口的百分比来生成所述呼吸紊乱评分。
13.根据权利要求7所述的计算机实施的方法，还包括：
在所述睡眠时段之外的第二时段期间，生成由所述可穿戴设备的至少一个附加传感器生成的附加传感器数据；
基于所述附加传感器数据来确定与所述用户相关联的基线生理计量；以及
至少基于与所述用户相关联的所述基线生理计量来对相应时间窗口进行分类。
CN201880068114.6A 2017-08-18 2018-08-17 呼吸紊乱的自动检测 Active CN111246798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311649763.4A CN117582211A (zh) 2017-08-18 2018-08-17 呼吸紊乱的自动检测

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762547710P 2017-08-18 2017-08-18
US62/547,710 2017-08-18
PCT/US2018/046963 WO2019036661A1 (en) 2017-08-18 2018-08-17 AUTOMATIC DETECTION OF RESPIRATORY DISORDERS

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311649763.4A Division CN117582211A (zh) 2017-08-18 2018-08-17 呼吸紊乱的自动检测

Publications (2)

Publication Number Publication Date
CN111246798A CN111246798A (zh) 2020-06-05
CN111246798B true CN111246798B (zh) 2023-12-22

Family

ID=65359997

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201880068114.6A Active CN111246798B (zh) 2017-08-18 2018-08-17 呼吸紊乱的自动检测
CN202311649763.4A Pending CN117582211A (zh) 2017-08-18 2018-08-17 呼吸紊乱的自动检测

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202311649763.4A Pending CN117582211A (zh) 2017-08-18 2018-08-17 呼吸紊乱的自动检测

Country Status (5)

Country Link
US (4) US20190053754A1 (zh)
EP (1) EP3668396B1 (zh)
CN (2) CN111246798B (zh)
ES (1) ES2965942T3 (zh)
WO (1) WO2019036661A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020140009A1 (en) * 2018-12-28 2020-07-02 Bionous, LLC Methods and systems for multi-dimensional photoplethysmography (ppg)
US20220218232A1 (en) * 2019-04-23 2022-07-14 Koninklijke Philips N.V. A device, system, and method for measuring physiological phenomena and physical activivies in a subject
US20210137450A1 (en) * 2019-05-13 2021-05-13 Aditya Agarwal Breath monitoring and feedback application and methods
US20200367811A1 (en) * 2019-05-21 2020-11-26 Firstbeat Analytics Oy Method and apparatus for detecting a sleep state
US20210251568A1 (en) * 2020-02-14 2021-08-19 Objectvideo Labs, Llc Infrared sleep monitoring
CN113311736A (zh) * 2020-02-27 2021-08-27 Oppo广东移动通信有限公司 可穿戴设备的控制方法、装置、电子设备和可读存储介质
CA3173752A1 (en) * 2020-03-06 2021-09-10 The Access Technologies A smart wristband for multiparameter physiological monitoring
US20220249021A1 (en) * 2020-03-06 2022-08-11 The Access Technologies Smart wristband for multiparameter physiological monitoring
EP4128276A1 (en) * 2020-03-26 2023-02-08 Eisai R&D Management Co., Ltd. Apparatus for health monitoring
EP3906853A1 (en) 2020-05-05 2021-11-10 Withings Method and device to determine sleep apnea of a user
CN115515478A (zh) * 2020-05-07 2022-12-23 菲利普莫里斯生产公司 检测床垫组件的周围的第一气体的方法和系统
US11896387B2 (en) 2020-06-02 2024-02-13 Pacesetter, Inc. Methods, systems, and devices for detecting sleep and apnea events
CN112656387A (zh) * 2020-06-15 2021-04-16 杭州星迈科技有限公司 一种可穿戴设备数据的处理方法、装置和计算机设备
US20210407684A1 (en) * 2020-06-25 2021-12-30 Oura Health Oy Illness Detection Based on Temperature Data
CN114073493B (zh) * 2020-08-18 2023-12-29 华为终端有限公司 生理数据采集方法、装置及可穿戴设备
CN114120586A (zh) * 2020-08-25 2022-03-01 深圳迈瑞生物医疗电子股份有限公司 报警方法、监护设备、监护系统及可读存储介质
CN113729725B (zh) * 2021-09-30 2024-02-06 东南大学 基于功率谱一阶矩和平滑器的心电信号提取呼吸波形方法
AU2022353842A1 (en) * 2021-10-01 2024-04-11 Oura Health Oy Techniques for heart rate detection
CN118201542A (zh) * 2021-10-13 2024-06-14 华为技术有限公司 用于判断人是否睡着的装置、系统和方法
US12226196B2 (en) 2021-12-17 2025-02-18 Samsung Eletronica Da Amazonia Ltda. Method and wearable electronic system for predicting the heart rate of a user during a physical activity, and, non-transitory computer readable storage medium
EP4226854A4 (en) * 2021-12-31 2024-04-10 Kingfar International Inc. Wearable multi-index integrated physiological intelligent sensor system and physiological index monitoring method
WO2024086245A1 (en) * 2022-10-19 2024-04-25 The Alfred E. Mann Foundation For Scientific Research System for treating a respiratory disorder, and method for treating sleep-disordered breathing
CN117598709B (zh) * 2023-12-22 2024-11-05 王玲 基于连续心电记录评估呼吸功能分析方法和装置
CN118662100B (zh) * 2024-08-21 2025-03-21 浙江强脑科技有限公司 基于多传感器数据的睡眠分析方法、装置、终端及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101340869A (zh) * 2005-12-20 2009-01-07 皇家飞利浦电子股份有限公司 用于减少睡着的人的打鼾和/或睡眠呼吸暂停的系统和方法
EP2687154A1 (en) * 2012-07-20 2014-01-22 CSEM Centre Suisse d'Electronique et de Microtechnique SA Portable device and method for determining a sleep-related parameter of a user
CN103767710A (zh) * 2013-12-31 2014-05-07 歌尔声学股份有限公司 人体运动状态监视方法和装置
CN106580325A (zh) * 2017-02-07 2017-04-26 珠海安润普科技有限公司 睡眠呼吸监测设备及睡眠呼吸监测方法

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61228831A (ja) * 1985-04-02 1986-10-13 ミノルタ株式会社 無呼吸発作検出装置
US5540733A (en) * 1994-09-21 1996-07-30 Medtronic, Inc. Method and apparatus for detecting and treating obstructive sleep apnea
US6306088B1 (en) * 1998-10-03 2001-10-23 Individual Monitoring Systems, Inc. Ambulatory distributed recorders system for diagnosing medical disorders
US7294112B1 (en) * 1999-05-13 2007-11-13 Colin Dunlop Motion monitoring apparatus
BRPI0414359A (pt) * 2000-06-16 2006-11-14 Bodymedia Inc sistema para a monitoração e gerenciamento do peso corpóreo e demais condições psicológicas que abrangem um planejamento interativo e personalizado, intervenção e capacidade de formular relatórios
US6529752B2 (en) * 2001-01-17 2003-03-04 David T. Krausman Sleep disorder breathing event counter
US7020508B2 (en) * 2002-08-22 2006-03-28 Bodymedia, Inc. Apparatus for detecting human physiological and contextual information
US6878121B2 (en) * 2002-11-01 2005-04-12 David T. Krausman Sleep scoring apparatus and method
KR100552681B1 (ko) * 2003-04-25 2006-02-20 삼성전자주식회사 수면 무호흡 진단 장치 및 방법
US20050113709A1 (en) * 2003-11-24 2005-05-26 Titanium Ventures Inc. Diagnostic system and methods for detecting disorders in the respiratory control chemoreceptors
JP2006204742A (ja) * 2005-01-31 2006-08-10 Konica Minolta Sensing Inc 睡眠評価方法、睡眠評価システム及びその動作プログラム、パルスオキシメータ並びに睡眠支援システム
US8562526B2 (en) * 2006-06-01 2013-10-22 Resmed Sensor Technologies Limited Apparatus, system, and method for monitoring physiological signs
EP2091428A4 (en) * 2006-09-07 2012-05-30 Widemed Ltd IDENTIFICATION OF HEART FAILURE WITH A PHOTOPLETHYSMOGRAPHS
CN102113034A (zh) * 2008-05-12 2011-06-29 阿列森斯有限公司 监测、预测和处理临床发作
AU2009296732A1 (en) * 2008-09-24 2010-04-01 Resmed Sensor Technologies Limited Contactless and minimal-contact monitoring of quality of life parameters for assessment and intervention
US8515529B2 (en) * 2009-02-12 2013-08-20 Braemar Manufacturing, Llc Detecting sleep disorders using heart activity
NZ594879A (en) * 2009-04-20 2013-08-30 Resmed Ltd Discrimination of cheyne -stokes breathing patterns by use of oximetry signals
US8636667B2 (en) * 2009-07-06 2014-01-28 Nellcor Puritan Bennett Ireland Systems and methods for processing physiological signals in wavelet space
WO2011026669A1 (en) * 2009-09-03 2011-03-10 Csem Sa Monitoring device and method for estimating blood constituent concentration for tissues with low perfusion
JP5859979B2 (ja) * 2010-01-14 2016-02-16 ベンチャー ゲイン リミテッド ライアビリティー カンパニー 人間の健康の監視のための多変量残差に基づく健康指標
US10137245B2 (en) * 2010-08-17 2018-11-27 University Of Florida Research Foundation, Inc. Central site photoplethysmography, medication administration, and safety
US9241635B2 (en) * 2010-09-30 2016-01-26 Fitbit, Inc. Portable monitoring devices for processing applications and processing analysis of physiological conditions of a user associated with the portable monitoring device
US9549677B2 (en) * 2011-10-14 2017-01-24 Flint Hills Scientific, L.L.C. Seizure detection methods, apparatus, and systems using a wavelet transform maximum modulus algorithm
CN110720918B (zh) * 2012-05-30 2023-01-10 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
US9044171B2 (en) * 2012-06-22 2015-06-02 Fitbit, Inc. GPS power conservation using environmental data
EP3673876A1 (en) * 2013-03-14 2020-07-01 ZST Holdings, Inc. System and non-transitory computer-readable medium for providing an automated titration for oral appliance therapy
US20140343371A1 (en) * 2013-05-14 2014-11-20 Ii Thomas Skerik Sowers Wearable sensor device for health monitoring and methods of use
WO2015006364A2 (en) * 2013-07-08 2015-01-15 Resmed Sensor Technologies Limited Method and system for sleep management
US20150065832A1 (en) * 2013-09-03 2015-03-05 Paul Manion System and methods of identifying and alerting a user of a health event
NZ630770A (en) * 2013-10-09 2016-03-31 Resmed Sensor Technologies Ltd Fatigue monitoring and management system
US20160051184A1 (en) * 2013-10-24 2016-02-25 JayBird LLC System and method for providing sleep recommendations using earbuds with biometric sensors
CN104706318B (zh) * 2013-12-16 2018-02-23 中国移动通信集团公司 一种睡眠分析方法及装置
US10278638B2 (en) * 2014-07-21 2019-05-07 Withings System and method to monitor and assist individual's sleep
US9808185B2 (en) * 2014-09-23 2017-11-07 Fitbit, Inc. Movement measure generation in a wearable electronic device
US20160113526A1 (en) * 2014-10-23 2016-04-28 Dyansys, Inc. Generating user information from autonomic nervous system parameters
US10159421B2 (en) * 2015-03-30 2018-12-25 Resmed Sensor Technologies Limited Detection of periodic breathing
US9642538B2 (en) * 2015-07-19 2017-05-09 Sanmina Corporation System and method for a biosensor monitoring and tracking band
KR102656806B1 (ko) * 2016-04-28 2024-04-12 엘지전자 주식회사 와치타입 단말기 및 이의 제어방법
US10325514B2 (en) * 2016-06-02 2019-06-18 Fitbit, Inc. Systems and techniques for tracking sleep consistency and sleep goals
US11207021B2 (en) * 2016-09-06 2021-12-28 Fitbit, Inc Methods and systems for labeling sleep states
US10111615B2 (en) * 2017-03-11 2018-10-30 Fitbit, Inc. Sleep scoring based on physiological information
WO2019005039A1 (en) * 2017-06-28 2019-01-03 Incyphae Inc. CUSTOMIZATION OF DIAGNOSIS IN TERMS OF HEALTH AND DISEASE
US20220392590A1 (en) * 2021-06-07 2022-12-08 Apple Inc. Granular data update sharing

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101340869A (zh) * 2005-12-20 2009-01-07 皇家飞利浦电子股份有限公司 用于减少睡着的人的打鼾和/或睡眠呼吸暂停的系统和方法
EP2687154A1 (en) * 2012-07-20 2014-01-22 CSEM Centre Suisse d'Electronique et de Microtechnique SA Portable device and method for determining a sleep-related parameter of a user
CN103767710A (zh) * 2013-12-31 2014-05-07 歌尔声学股份有限公司 人体运动状态监视方法和装置
CN106580325A (zh) * 2017-02-07 2017-04-26 珠海安润普科技有限公司 睡眠呼吸监测设备及睡眠呼吸监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李峰等.《睡方安眠保健 睡眠养生十二讲》.上海科学技术文献出版社,2017,第54-59页. *

Also Published As

Publication number Publication date
US20190282159A1 (en) 2019-09-19
EP3668396A1 (en) 2020-06-24
US20190053754A1 (en) 2019-02-21
EP3668396A4 (en) 2021-05-05
WO2019036661A1 (en) 2019-02-21
US11678838B2 (en) 2023-06-20
US20210161464A1 (en) 2021-06-03
US10874345B2 (en) 2020-12-29
CN117582211A (zh) 2024-02-23
ES2965942T3 (es) 2024-04-17
CN111246798A (zh) 2020-06-05
EP3668396B1 (en) 2023-10-04
US20230270377A1 (en) 2023-08-31

Similar Documents

Publication Publication Date Title
CN111246798B (zh) 呼吸紊乱的自动检测
JP7009556B2 (ja) ヘルスケア用ウェアラブル装置及びそのための方法
US11889994B2 (en) Menstrual cycle tracking
Mendonça et al. A review of approaches for sleep quality analysis
US11872041B1 (en) Determining mental health and cognitive state through physiological and other non-invasively obtained data
US20210407684A1 (en) Illness Detection Based on Temperature Data
US10321871B2 (en) Determining sleep stages and sleep events using sensor data
CN107106085B (zh) 用于睡眠监测的设备和方法
CN109328034B (zh) 用于确定对象的睡眠阶段的确定系统和方法
EP3920783B1 (en) Detecting and measuring snoring
US20150245777A1 (en) Detection of emotional states
CN111867450A (zh) 睡眠呼吸暂停检测系统和方法
JP2016214491A (ja) 無呼吸識別システム及びコンピュータプログラム
Zhang et al. Rass: A portable real-time automatic sleep scoring system
Hamida et al. A new era in sleep monitoring: The application of mobile technologies in insomnia diagnosis
EP4033495A1 (en) Activity task evaluating system, and activity task evaluating method
CN118592907A (zh) 基于智能戒指实现用户健康监测的方法及系统
Kuo et al. An EOG-based automatic sleep scoring system and its related application in sleep environmental control
Assaf et al. Sleep detection using physiological signals from a wearable device
Alberto et al. Sensory system for the sleep disorders detection in the geriatric population
Srinivasan et al. In-Depth Sleep Disorder Assessment using REMcraft Navigator IoT and Random Forest Algorithms
WO2022138041A1 (ja) うつ状態であると判定するための判別方法、及びうつ状態判定システム
Assaf et al. Sleep Detection Using Physiological Signals from
Rajesh et al. Application of Multi-Sensor based Audio Wearable Device in Sleep Analysis, Wellness Tracking and Prediction
Dai Smart Sensing and Clinical Predictions with Wearables: From Physiological Signals to Mental Health

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: California, USA

Applicant after: Feibit Co.,Ltd.

Address before: California, USA

Applicant before: Fitbit, Inc.

GR01 Patent grant
GR01 Patent grant