УСТРОЙСТВО МОНИТОРИНГА ДЛЯ МОНИТОРИНГА ФИЗИОЛОГИЧЕСКОГО СИГНАЛА

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

Изобретение относится к устройству мониторинга, способу мониторинга и компьютерной программе мониторинга для мониторинга физиологического сигнала.

УРОВЕНЬ ТЕХНИКИ

В документе US 6997882 B1 описан способ мониторинга дыхательных функций субъекта. Сигналы ускорения получаются по меньшей мере от одного акселерометрического модуля, прикрепленного к субъекту. Сигналы ускорения обрабатываются для получения сигналов переднезаднего ускорения, представляющих векторы переднезаднего ускорения, в значительной степени свободные от векторов срединно-бокового ускорения. Составляющая ускорения, обусловленная дыханием, извлекается из сигналов переднезаднего ускорения, причем это извлечение содержит применение способа адаптивного подавления шума по алгоритму минимальной среднеквадратичной ошибки. Извлеченная составляющая ускорения, вероятно, находится под негативным воздействием не относящегося к дыханию движения. Поэтому качество извлеченной составляющей ускорения снижается.

РАСКРЫТИЕ ИЗОБРЕТЕНИЯ

Целью настоящего изобретения является обеспечение устройства мониторинга, способа мониторинга и компьютерной программы мониторинга для мониторинга физиологического сигнала, при этом качество определения физиологической информации может быть улучшено. В первом аспекте настоящего изобретения представлено устройство мониторинга для мониторинга физиологического сигнала, причем устройство мониторинга содержит:

- модуль обеспечения физиологического сигнала для обеспечения периодического физиологического сигнала,

- модуль сегментации для определения сегментов сигнала из этого физиологического сигнала, которые соответствуют периодам физиологического сигнала,

- модуль классификации для классификации сегментов сигнала на достоверный класс и недостоверный класс, исходя из характеристик, относящихся к сегментам сигнала,

- модуль определения физиологической информации для определения физиологической информации из по меньшей мере одного из следующего: i) сегментов сигнала, классифицированных на достоверный класс, и ii) сегментов сигнала, классифицированных на недостоверный класс.

Поскольку модуль сегментации определяет сегменты сигнала из физиологического сигнала, которые соответствуют периодам физиологического сигнала, причем после этого модуль классификации классифицирует сегменты сигнала на достоверный класс и недостоверный класс, исходя из характеристик, относящихся к сегментам сигнала, и модуль определения физиологической информации определяет физиологическую информацию из по меньшей мере одного из следующего: i) сегментов сигнала, классифицированных на достоверный класс, и ii) сегментов сигнала, классифицированных на недостоверный класс, причем физиологическая информация может быть определена, основываясь на знании того, является ли соответствующий сегмент сигнала достоверным или нет. Например, модуль определения физиологической информации может быть выполнен с возможностью определения физиологического параметра, такого как частота дыхания, в зависимости от достоверных адаптированных сегментов физиологического сигнала, которые адаптированы к периодам физиологического сигнала, например, адаптированы к одиночным дыхательным движениям сигнала дыхания. Это позволяет повысить качество определения физиологической информации из периодического физиологического сигнала.

Модуль обеспечения физиологического сигнала может быть модулем хранения, в котором уже сохранен периодический физиологический сигнал и из которого этот физиологический сигнал может быть извлечен для его обеспечения. Модуль обеспечения физиологического сигнала может быть также приемным модулем для приема периодического физиологического сигнала через беспроводную или проводную линию передачи данных, при этом модуль обеспечения физиологического сигнала обеспечивает принятый физиологический сигнал. Модуль обеспечения физиологического сигнала может также быть измерительным модулем для измерения периодического физиологического сигнала. Например, модуль обеспечения физиологического сигнала может быть акселерометром для измерения акселерометрического сигнала дыхания. Период физиологического сигнала предпочтительно соответствует одному дыхательному движению.

Предпочтительно, чтобы модуль сегментации был выполнен с возможностью обнаружения впадин в физиологическом сигнале и определения сегмента сигнала как сегмента физиологического сигнала между двумя соседними впадинами. Эти впадины могут указывать начало и конец периода физиологического сигнала. Таким образом, определяя сегмент сигнала по двум соседним впадинам, этот сегмент сигнала может представлять период физиологического сигнала.

Кроме того, предпочтительно, чтобы модуль сегментации был выполнен с возможностью i) обнаружения впадин в физиологическом сигнале, ii) применения ряда заданных правил к характеристикам физиологического сигнала вокруг обнаруженных впадин, причем этот ряд правил определяет, является ли обнаруженная впадина началом или концом периода физиологического сигнала, исходя из характеристик физиологического сигнала вокруг обнаруженных впадин, iii) отбрасывания обнаруженных впадин, которые не определяют начало или конец периода, iv) определения сегмента сигнала как сегмента физиологического сигнала между двумя соседними не отброшенными впадинами. В предпочтительном варианте осуществления модуль сегментации выполнен с возможностью применения ряда правил, в соответствии с которыми по меньшей мере один параметр из амплитуды, кривизны и крутизны физиологического сигнала перед соответствующей обнаруженной впадиной сравнивается с таким же параметром соответствующего физиологического сигнала после соответствующей обнаруженной впадины, и определения по результатам сравнения, обусловлена ли соответствующая обнаруженная впадина началом или концом периода физиологического сигнала. Физиологический сигнал может быть искажен, например, артефактами, шумом и другими изъянами, или же может отклоняться от синусоидальной формы колебаний из-за характера соответствующего принципа измерений, используемого для измерения физиологического сигнала, который может привести в результате к появлению впадин, которые не вызваны началом или концом периода физиологического сигнала. Таким образом, за счет применения ряда правил и отбрасывания обнаруженных впадин, которые, в соответствии с этим рядом правил, не определяют начало или конец периода физиологического сигнала, качество определения сегментов сигнала может быть улучшено.

Модуль классификации выполнен с возможностью классификации сегментов сигнала на достоверный класс и недостоверный класс на основе характеристик, относящихся к сегментам сигнала. Характеристики, относящиеся к сегментам сигнала, являются, например, временными, спектральными и пространственными характеристиками. Они могут быть характеристиками самого соответствующего сегмента сигнала. Характеристики, относящиеся к сегментам сигнала, могут быть также характеристиками, которые соответствуют свойствам измерительного модуля, используемого для измерения физиологического сигнала, состоянию человека или животного, и т.п., во время измерения соответствующего сегмента сигнала. Например, физиологический сигнал может быть сигналом акселерометра, при этом модуль классификации может быть выполнен с возможностью классификации сегментов сигнала, исходя из угла поворота, определяющего поворот акселерометра во время измерения соответствующего сегмента сигнала. Угол поворота предпочтительно определяется как угол, на который поворачивается акселерометр в пространстве за время одного периода, то есть угол поворота может быть определен как разность между ориентацией акселерометра в начале соответствующего сегмента сигнала и ориентацией в конце соответствующего сегмента сигнала. Для сегментов сигнала из-за артефактов движения углы поворота обычно больше по сравнению с сегментами сигнала из физиологических сигналов. В частности, сигналы дыхания, которые не содержат артефактов движения, могут, в принципе, давать нулевой конечный угол поворота за время одного периода дыхания, то есть акселерометр поворачивается по существу к своей первоначальной ориентации в конце одного дыхательного движения. Модуль классификации может быть также выполнен с возможностью классификации сегментов сигнала на основе других характеристик, относящихся к сегментам сигнала, таких как спектральная энтропия соответствующего сегмента сигнала, число впадин в пределах соответствующего сегмента сигнала и/или форма впадин в пределах соответствующего сегмента сигнала.

Предпочтительно модуль классификации выполнен с возможностью использования классификатора дерева решений для классификации сегментов сигнала на достоверный класс и недостоверный класс. Это позволяет классифицировать сегменты сигнала простым образом и в реальном времени.

Предпочтительно также, чтобы модуль классификации был выполнен с возможностью определения коэффициента точности, указывающего точность классификации сегмента сигнала на достоверный класс или недостоверный класс в зависимости от соответствующего сегмента сигнала. Например, если модуль классификации выполнен с возможностью использования классификатора дерева решений для классификации сегментов сигнала на достоверный класс и недостоверный класс, может быть выполнена перекрестная проверка классификатора дерева решений экспериментальными данными, при этом коэффициент точности может быть определен для конкретного оконечного узла дерева, которому была присвоена метка достоверности или метка недостоверности, путем определения отношения правильных решений, принятых в этом оконечном узле дерева, ко всем решениям в этом оконечном узле дерева. Коэффициент точности может быть использован как показатель качества классификации, который может быть показан пользователю и/или использован при дальнейшей обработке.

В предпочтительном варианте осуществления устройство мониторинга дополнительно содержит модуль коррекции классификации для коррекции классификации сегментов сигнала на достоверный класс и недостоверный класс. В частности, модуль коррекции классификации может быть выполнен с возможностью коррекции классификации определенного сегмента сигнала, если коэффициент точности определенного сегмента сигнала ниже заданного порогового значения точности. Например, в зависимости от критичности физиологических параметров и сценария применения может быть установлено соответствующее пороговое значение точности. В варианте осуществления модуль коррекции классификации может содержать распределение между a) физиологическими параметрами и/или применениями, и b) пороговыми значениями точности, причем модуль коррекции классификации может использовать пороговое значение точности на основе такого распределения и текущего контролируемого физиологического параметра и/или текущего применения. Модуль коррекции классификации может содержать ряд правил коррекции, которые определяют, нужно ли и как нужно скорректировать классификацию сегмента, основываясь по меньшей мере на одном из корректирующих признаков, таких как коэффициент точности, характеристики соответствующего сегмента, характеристики соседних сегментов, характеристики пользователя, такие как уровень активности пользователя, характеристики окружающей среды, такие как температура окружающей среды, время суток, и т.д. Например, этот ряд правил может определять, что если сегмент обозначен как достоверный и имеет коэффициент точности меньше порогового значения точности, которое может составлять 60%, и если соседствующие с ним во времени сегменты являются недостоверными сегментами, то модуль коррекции классификации исправляет метку конкретного сегмента на метку недостоверности. Это позволяет улучшить качество классификации сегментов на достоверные и недостоверные сегменты и, тем самым, дополнительно повысить качество определения физиологического параметра.

Модуль определения физиологической информации может быть выполнен с возможностью определения физиологического параметра в качестве физиологической информации из сегментов сигнала, классифицируемых на достоверный класс. Например, частота дыхания или частота сердцебиения может быть определена в качестве физиологического параметра. В частности, модуль обеспечения физиологического сигнала может быть выполнен с возможностью обеспечения сигнала дыхания в качестве физиологического сигнала, при этом модуль определения физиологической информации может быть выполнен с возможностью определения частоты дыхания в качестве физиологического параметра из сегментов сигнала, классифицированных на достоверный класс, посредством, например, инвертирования длительности сегмента сигнала, классифицированного на достоверный класс. Модуль определения физиологической информации может быть дополнительно выполнен с возможностью определения физиологической особенности в качестве физиологической информации из сегментов сигнала, классифицированных на достоверный класс, и сегментов сигнала, классифицированных на недостоверный класс. Физиологической особенностью является, например, характер дыхания или характер сердцебиения, то есть характер поведения сердца. В частности, модуль определения физиологической информации может быть выполнен с возможностью определения характеров дыхания, таких как дыхание Чейна-Стокса, периодическое дыхание, апноэ и т.д. Для определения характера дыхания модуль определения физиологической информации предпочтительно выполняется с возможностью использования не только достоверных сегментов, но также и недостоверных сегментов. В частности, модуль определения физиологической информации может быть выполнен с возможностью определения характера дыхания, основываясь на достоверных и недостоверных сегментах, которые имеют длительность, например, две минуты, и характеристиках этих достоверных и недостоверных сегментов. Модуль определения физиологической информации может содержать ряд правил, которые определяют характер дыхания на основе этих достоверных и недостоверных сегментов и их характеристик. Например, ряд правил может определять, что если часть физиологического сигнала со смежными недостоверными сегментами, имеющими колебания меньше заданного порогового уровня колебаний, сопровождается частью физиологического сигнала со смежными достоверными сегментами с модулированными амплитудами, то присутствует характер дыхания Чейна-Стокса. Часть физиологического сигнала со смежными недостоверными сегментами с малыми колебаниями может представлять апноэ, а часть физиологического сигнала со смежными достоверными сегментами с модулированными амплитудами может представлять гиперпноэ.

Предпочтительно, чтобы устройство мониторинга дополнительно содержало модуль предварительной обработки для предварительной обработки физиологического сигнала посредством выполнения по меньшей мере одного из следующих действий: фильтрации, нормализации, устранения смещения, понижения дискретизации. Предварительная обработка может улучшить качество физиологического сигнала и/или уменьшить вычислительную нагрузку при дальнейшей обработке сигнала дыхания. Например, за счет понижения дискретизации физиологического сигнала время и нагрузка вычислений при последующей обработке могут быть снижены. В варианте осуществления физиологический сигнал является сигналом дыхания, и дискретизация этого сигнала дыхания понижается до 20 Гц, предпочтительно до около 16 Гц.

В варианте осуществления модуль обеспечения физиологического сигнала выполнен с возможностью обеспечения нескольких периодических физиологических сигналов, таких как сигнал дыхания и сигнал пульса. Модуль сегментации может тогда быть выполнен с возможностью определения сегментов сигнала для разных физиологических сигналов, модуль классификации может быть выполнен с возможностью классификации сегментов сигнала для разных физиологических сигналов, и модуль определения физиологической информации может быть выполнен с возможностью определения физиологических параметров для разных физиологических сигналов. Например, могут быть определены частота дыхания и частота пульса. Для того чтобы использовать физиологические параметры, определенные для различных физиологических сигналов, с целью оценки состояния постоянно контролируемого объекта, в частности, состояния человека или животного, модуль предварительной обработки может быть выполнен с возможностью применения фазовой коррекции к разным физиологическим сигналам, с тем чтобы они были синфазными.

В варианте осуществления физиологический сигнал является сигналом дыхания, и модуль предварительной обработки выполнен с возможностью применения полосового фильтра с полосой пропускания от 0,1 до 2 Гц к сигналу дыхания. При этом только те частоты проходят через модуль предварительной обработки, которые могут быть согласованы с дыханием, что улучшает качество сигнала дыхания.

В другом варианте осуществления модуль обеспечения физиологического сигнала выполнен с возможностью обеспечения трех физиологических сигналов, которые соответствуют трем осям трехосного акселерометра, при этом модуль предварительной обработки выполнен с возможностью объединения трех физиологических сигналов в один физиологический сигнал. Например, модуль предварительной обработки может применить анализ главных компонентов (РСА) к физиологическому сигналу. РСА преобразует набор данных трех коррелированных сигналов, которые предпочтительно соответствуют трем разным осям акселерометра, в набор данных трех ортогональных сигналов, где первый главный компонент имеет максимальные колебания. Модуль предварительной обработки может быть выполнен с возможностью определения первого главного компонента РСА как одного объединенного физиологического сигнала, тем самым сводя трехмерные данные к одномерным данным. Это может сократить вычислительное время и нагрузку при последующей обработке.

Предпочтительно устройство мониторинга дополнительно содержит устройство отображения для отображения определенного физиологического параметра.

В другом аспекте настоящего изобретения представлен способ мониторинга физиологического сигнала, причем этот способ мониторинга содержит:

обеспечение периодического физиологического сигнала посредством модуля обеспечения физиологического сигнала;

определение посредством модуля сегментации сегментов сигнала из физиологического сигнала, которые соответствуют периодам физиологического сигнала;

классификацию посредством модуля классификации сегментов сигнала на достоверный класс и недостоверный класс на основе характеристик, относящихся к сегментам сигнала;

определение физиологической информации из по меньшей мере одного из следующего: i) сегментов сигнала, классифицированных на достоверный класс, и ii) сегментов сигнала, классифицированных на недостоверный класс, посредством модуля определения физиологической информации.

В другом аспекте настоящего изобретения представлена компьютерная программа мониторинга для мониторинга физиологического сигнала, причем эта компьютерная программа мониторинга содержит средство программного кода, побуждающее устройство мониторинга, определенное в пункте 1 формулы изобретения, выполнять этапы способа мониторинга, определенного в пункте 14 формулы изобретения, когда компьютерная программа выполняется на компьютере, управляющем устройством мониторинга.

Должно быть понятно, что устройство мониторинга по п. 1, способ мониторинга по п. 14 и компьютерная программа мониторинга по п. 15 формулы изобретения имеют подобные или идентичные предпочтительные варианты осуществления, в частности, определенные в зависимых пунктах формулы изобретения.

Должно быть понятно, что предпочтительный вариант осуществления изобретения может быть также любым сочетанием зависимых пунктов формулы изобретения с соответствующим независимым пунктом.

Эти и другие аспекты изобретения станут очевидными и будут разъяснены со ссылкой на описанные ниже варианты осуществления.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

На следующих чертежах:

Фиг. 1 иллюстрирует схематически и в качестве примера вариант осуществления устройства мониторинга для мониторинга физиологического сигнала,

Фиг. 2 и 3 иллюстрируют в качестве примера часть сигнала дыхания с впадинами и пиками,

Фиг. 4 иллюстрирует в качестве примера сигнал дыхания с достоверными сегментами сигнала и недостоверными сегментами сигнала,

Фиг. 5 иллюстрирует блок-схему, представляющую в качестве примера вариант осуществления способа мониторинга для мониторинга физиологического сигнала.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

На Фиг. 1 схематически и в качестве примера показан вариант осуществления устройства мониторинга для мониторинга физиологического сигнала. Устройство мониторинга 1 содержит модуль 2 обеспечения физиологического сигнала для обеспечения периодического физиологического сигнала. В этом варианте осуществления модуль 2 обеспечения физиологического сигнала является модулем хранения, в котором уже сохранен периодический физиологический сигнал. Этот сигнал предпочтительно является акселерометрическим сигналом дыхания, который измеряется, используя акселерометр. Акселерометр является электромеханическим датчиком, который измеряет как гравитационное, обусловленное силой земного тяготения (g=9,8 м/с²), так и инерционное ускорение, вызываемые движениями. Конкретно, акселерометр является трехосным акселерометром, который прикрепляется к грудной клетке, предпочтительно на левой стороне грудной клетки, человека для измерения проекций вектора силы тяжести на его считывающих осях. Во время дыхания движение грудной клетки поворачивает датчик в земной системе координат, тем самым вызывая изменения проекций вектора силы тяжести на трех осях, что отражается на сигналах с осей датчика. Таким образом, акселерометр предпочтительно используется как уклономер, для того чтобы измерять акселерометрические сигналы дыхания. Использование акселерометра позволяет обеспечить беспроводный, экономный, недорогой и непрерывный мониторинг внешнего дыхания. Вместо и в дополнение к прикреплению акселерометра к грудной клетке акселерометр может быть также прикреплен к другой части тела человека, которая приходит в движение с дыханием, такой как живот.

В другом варианте осуществления модуль обеспечения физиологического сигнала выполнен с возможностью измерения периодического физиологического сигнала. В частности, модуль обеспечения физиологического сигнала может содержать акселерометр для измерения акселерометрического сигнала дыхания, аналого-цифровой преобразователь для преобразования аналогового акселерометрического сигнала в цифровой акселерометрический сигнал и буфер для хранения цифрового акселерометрического сигнала до подачи его в модуль 3 предварительной обработки.

Модуль 3 предварительной обработки выполнен с возможностью предварительной обработки поданного физиологического сигнала посредством выполнения по меньшей мере одного из следующих действий: фильтрации, нормализации, устранения смещения и понижения дискретизации. Такая предварительная обработка выполняется с тем, чтобы упростить последующую обработку сигнала, не теряя соответствующую информацию. Например, модуль 3 предварительной обработки может быть выполнен с возможностью применения к сигналу дыхания полосового фильтра с полосой пропускания 0,1-1 Гц или 0,1-2 Гц. При этом фильтрация может быть выполнена таким образом, что через модуль 3 предварительной обработки проходят только частоты, которые могут быть коррелированны с дыханием, что тем самым улучшает качество сигнала дыхания. Полосовой фильтр с полосой 0,1-1 Гц соответствует нормальной частоте дыхания от 6 до 60 вдохов в минуту. Полосовой фильтр с полосой 0,1-2 Гц рассчитан также на дыхание новорожденных.

В этом варианте осуществления модуль 2 обеспечения физиологического сигнала выполнен с возможностью обеспечения трех акселерометрических сигналов трехосного акселерометра в качестве сигналов дыхания. Три акселерометрических сигнала, которые соответствуют трем осям акселерометра, предпочтительно объединяются в один сигнал дыхания за счет использования РСА модулем 3 предварительной обработки. Первый главный компонент РСА предпочтительно является единственным сигналом дыхания, который используется для дальнейшей обработки.

Устройство мониторинга 1 дополнительно содержит модуль 4 сегментации для определения сегментов сигнала из физиологического сигнала, то есть, в этом варианте осуществления, сигнала дыхания, которые соответствуют периодам физиологического сигнала. Эти сегменты могут рассматриваться как кандидаты на представление дыхания, при этом модуль 4 сегментации подготавливает сигнал дыхания для обнаружения дыхания, генерируя кандидатов на представление дыхания, являющихся базовыми единицами классификации, которая будет описана подробно ниже. Типовой цикл дыхания подобен сигналу дыхания синусоидальной формы с пиком, разделяющим вдох и выдох, при этом начало вдоха и конец выдоха отмечаются локальными минимумами в сигнале дыхания.

Модуль 4 сегментации может быть выполнен с возможностью обнаружения впадин в физиологическом сигнале и определения сегмента сигнала как сегмента физиологического сигнала между двумя соседними впадинами. Таким образом, модуль 4 сегментации может быть выполнен с возможностью обнаружения впадин в сигнале дыхания, которые могут быть определены как локальные минимумы ниже средней величины сигнала дыхания, чтобы определить начало и конец кандидата на представление дыхания. Поскольку не все из впадин могут быть действительным началом или концом дыхательного движения вследствие, например, характера принципа измерения, используемого для измерения физиологического сигнала, небольших артефактов, шума и других изъянов, могут присутствовать недостоверные впадины, которые могут привести к ложным кандидатам. Модуль 4 сегментации может, поэтому, быть выполнен с возможностью применения ряда заданных правил к характеристикам сигнала дыхания вокруг обнаруженных впадин, причем этот ряд правил определяет, является ли обнаруженная впадина началом или концом периода сигнала дыхания, исходя из характеристик сигнала дыхания вокруг обнаруженных впадин. В частности, модуль 4 сегментации может быть выполнен с возможностью применения ряда правил, согласно которым по меньшей мере одно из амплитуды, перекоса или крутизны сигнала дыхания перед соответствующей обнаруженной впадиной сравнивается с таким же параметром соответствующего сигнала дыхания после соответствующей обнаруженной впадины, причем по результату сравнения определяется, что соответствующая обнаруженная впадина обусловлена началом или концом периода сигнала дыхания. Ряд правил может быть определен калибровкой или обучением, причем этот ряд правил определяется таким образом, что при калибровке или обучении сигналам дыхания точность определения того, обусловливается ли обнаруженная впадина началом или концом периода сигнала дыхания, или же нет, оптимизируется. Таким образом, ряд правил может быть определен изучением возникновения, например, ложных кандидатов, причем этот ряд правил определяется так, что возникновения ложных кандидатов сводятся к минимуму.

Модуль 4 сегментации может быть дополнительно выполнен с возможностью отбрасывания обнаруженных впадин, которые не определяют начало или конец периода сигнала дыхания, и определения сегмента сигнала как сегмента сигнала дыхания между двумя соседними не отброшенными впадинами.

На Фиг. 2 и 3 схематически и в качестве примера показана часть объединенного акселерометрического сигнала дыхания, конкретно, амплитуда А сигнала в произвольно выбранных единицах в зависимости от времени в произвольных единицах. На этих чертежах крестиками обозначены впадины, вертикальные линии обозначают пики, и эллипсами обозначены впадины, подлежащие удалению. Модуль 4 сегментации может быть выполнен с возможностью обнаружения впадин, обозначенных на Фиг. 2 и 3 эллипсами, для определения таких впадин как впадин, которые не определяют начало или конец периода дыхания.

Устройство мониторинга дополнительно содержит модуль 5 классификации для классификации сегментов сигнала на достоверный класс или недостоверный класс, исходя из характеристик, относящихся к сегментам сигнала. При этом модуль 5 классификации предпочтительно выполняется с возможностью вычисления характеристик, которые могут также рассматриваться как признак, относящийся к соответствующему сегменту сигнала, то есть к соответствующему кандидату на представление дыхания, и классификации соответствующего сегмента сигнала в зависимости от вычисленных характеристик. Характеристиками могут быть, например, по меньшей мере одна из временной, спектральной и пространственной характеристик, относящихся к соответствующему сегменту сигнала. Например, угол поворота, определяющий поворот акселерометра во время измерения соответствующего сегмента сигнала, может вычисляться в качестве пространственной характеристики, спектральная энтропия соответствующего сегмента сигнала может определяться как спектральная характеристика, а число впадин в соответствующем сегменте сигнала и форма впадин в соответствующем сегменте сигнала могут вычисляться как временные характеристики. Угол поворота предпочтительно определяется как угол, на который поворачивается акселерометр в пространстве за время одного периода, то есть угол поворота может быть определен как разность между ориентацией акселерометра в начале соответствующего сегмента сигнала и ориентацией в конце соответствующего сегмента сигнала. Модуль 5 классификации может, например, быть выполнен с возможностью классификации соответствующего сегмента сигнала как достоверного, если угол поворота меньше заданного порогового значения угла поворота, и классификации соответствующего сегмента сигнала как недостоверного, если угол поворота больше заданного порогового значения угла поворота. Пороговое значение угла поворота может быть задано калибровкой или обучением сегментам сигнала, относительно которых неизвестно, являются ли они достоверными или недостоверными.

Модуль 5 классификации предпочтительно выполняется с возможностью определения вектора признаков, который представляет характеристики, относящиеся к соответствующему элементу сигнала, для сегментов сигнала, то есть кандидатов на представление дыхания. Модуль классификации затем предпочтительно использует вектор признака для отнесения конкретного кандидата на представление дыхания к категории достоверного или недостоверного, то есть к сегменту дыхания или к сегменту, не представляющему дыхание. Модуль 5 классификации может использовать разные типы классификаторов, которые могут выполнять эту задачу. Предпочтительно модуль 5 классификации использует классификатор дерева решений, который позволяет классифицировать сегменты сигнала простым образом и в реальном времени.

Классификатор дерева решений также предпочтительно получен путем обучения или калибровки, используя сегменты сигнала, о которых известно, являются ли они достоверными или недостоверными. Например, классификатор дерева решений может быть получен путем обучения из аннотированных вручную данных дыхания, снабженных комментариями, является ли соответствующий сегмент сигнала достоверным или недостоверным. Данные дыхания могут быть данными дыхания нескольких человек, находящихся в одном или нескольких госпиталях.

В варианте осуществления вектор признаков содержит несколько признаков, разнесенных по времени, частоте и/или пространственным доменам. Например, вектор признаков может содержать по меньшей мере один из следующих признаков: ширину, среднее значение, медиану, колебания амплитуды, пиковую амплитуду, амплитуду в начале элемента сигнала, амплитуду в конце элемента сигнала, относительное положение пика в пределах соответствующего элемента сигнала, положительную ширину, число впадин, находящихся внутри сегмента сигнала, но превышающих среднее значения, наклон линии, проходящей через амплитуды в начале и в конце сигнала, площадь под кривой сегмента сигнала, доминантную частоту, амплитуду при доминантной частоте, спектральную энтропию, спектральный центр тяжести, амплитуды в нескольких, например, в четырех разных полосах частот, угол поворота, и т.п. Несколько полос частот могут быть заданы, используя полученные обучением наборы данных, содержащие сегменты сигнала, о которых известна их правильно определенная принадлежность к достоверному или недостоверному классу, при этом полосы частот выбираются таким образом, что число неправильно классифицированных сегментов сигнала из полученного обучением набора данных является минимальным.

Модуль 5 классификации может быть выполнен с возможностью предварительной классификации сегментов сигнала до выполнения описанной выше классификации. Предпочтительно предварительная классификация выполняется посредством использования классификатора дерева решений, который меньше описанного выше классификатора дерева решений. В частности, меньше признаков определяется для сегмента сигнала, и предварительная классификация выполняется на основе этого малого числа признаков. Например, признаки, используемые для предварительной классификации, могут быть легко вычисляемыми признаками, такими как длительность или колебания амплитуды соответствующего сегмента сигнала.

Предварительная классификация предпочтительно используется для определения очевидно недостоверных сегментов сигнала, и она может быть подготовлена путем использования полученного при обучении набора данных. Классификатор дерева решений может, например, быть выполнен таким образом, чтобы сегмент сигнала, имеющий колебания амплитуды меньше порогового значения для апноэ, рассматривался как очевидный недостоверный сегмент, поскольку предполагается, что такой сегмент сигнала находится внутри апноэ. Кроме того, предварительная классификация может выполняться таким образом, что сегмент сигнала, имеющий колебания амплитуды выше порогового значения для движения, определяется как недостоверный сегмент сигнала, так как предполагается, что относительно высокие колебания амплитуды вызываются артефактом движения. Основная классификация затем выполняется на сегментах сигнала, которые не были определены как очевидно недостоверные сегменты при предварительной классификации. Основная классификация, поэтому, выполняется на меньшем числе сегментов сигнала, что снижает вычислительную нагрузку при выполнении основной классификации.

Классификатор дерева решений, выполняющий основную классификацию, и необязательный предварительный классификатор дерева решений, выполняющий предварительную классификацию, могут быть, например, стандартным С 4.5 классификатором дерева решений или древовидной схемой классификации и регрессии (CART).

Модуль 5 классификации предпочтительно дополнительно выполняется с возможностью определения коэффициента точности, указывающего точность классификации сегмента сигнала на достоверный класс или недостоверный класс в зависимости от соответствующего сегмента сигнала. Этот коэффициент точности, который указывает точность классификации соответствующего сегмента сигнала, то есть указывает метку решения, прямо соотносится с качеством соответствующего дыхания. Модуль 5 классификации может быть выполнен с возможностью перекрестной проверки классификатора дерева решений экспериментальными данными, чтобы определить коэффициент точности как отношение правильных решений, выносимых применительно к оконечному узлу дерева, которые присваивают метку достоверности или недостоверности сегментам сигнала, ко всем решениям в этом оконечном узле. В варианте осуществления полученный обучением набор данных, содержащий сегменты сигналов, о которых известно, являются ли они достоверными или недостоверными сегментами сигналов, классифицируется классификатором дерева решений. Поскольку правильная классификация соответствующего сегмента сигнала известна, классификация, являющаяся результатом использования классификатора дерева решений, может сравниваться с правильной классификацией, для того чтобы определить для каждого оконечного узла классификатора дерева решений точное значение. Например, коэффициент точности может быть определен как число правильных решений, принятых в соответствующем оконечном узле, деленное на общее число решений, принятых в соответствующем оконечном узле. После определения коэффициента точности для каждого оконечного узла классификатор дерева решений может быть применен к реальному сегменту сигнала, для которого правильная классификация неизвестна, при этом после выполнения классификации соответствующий реальный сегмент сигнала направляется в определенный оконечный узел классификатора дерева решений, определяя тем самым класс соответствующего реального сегмента сигнала и соответствующий коэффициент точности.

На Фиг. 4 показана схематически и в качестве примера амплитуда А сигнала дыхания в зависимости от времени t. Разные сегменты сигнала определяются впадинами, которые обозначены крестиками. Достоверные сегменты сигнала показаны сплошной линией, а недостоверные сегменты сигнала показаны пунктирной линией. Цифры, показанные на Фиг. 4 над соответствующими сегментами сигнала, означают соответствующий коэффициент точности.

Как следует из Фиг. 4, сегменты 9 сигнала отклоняются от синусоидальной формы и имеют меньший коэффициент точности. Это отклонение и малый коэффициент точности могут быть вызваны влиянием на сигнал акселерометра движений, не относящихся к дыханию.

Устройство мониторинга 1 предпочтительно дополнительно содержит модуль 6 коррекции классификации для коррекции классификации сегментов сигнала на достоверный класс и недостоверный класс. В частности, в зависимости от точности присвоения меток и знания окружающих меток решение классификатора может быть отменено для улучшения надежности.

Модуль 6 коррекции классификации может быть выполнен с возможностью коррекции классификации определенного сегмента сигнала, если коэффициент точности определенного сегмента сигнала ниже заданного порогового значения точности. Например, в зависимости от критичности физиологических параметров и сценария применения может быть установлена соответствующая величина порогового значения точности. В варианте осуществления модуль 6 коррекции классификации может содержать распределение между a) физиологическими параметрами и/или применениями, и b) пороговыми значениями точности, причем модуль 6 коррекции классификации может использовать пороговое значение точности, исходя из этого распределения и текущего контролируемого физиологического параметра, и/или текущего применения. Например, пороговое значение точности может быть задано таким образом, чтобы классификация сегментов 9, показанных на Фиг. 4 и имеющих коэффициент точности менее 0,8, была скорректирована из достоверного класса на недостоверный класс.

Модуль 6 коррекции классификации может содержать ряд правил коррекции, которые определяют, нужно ли и как нужно скорректировать классификацию сегмента, исходя из порогового значения точности, характеристик соответствующего сегмента, характеристик соседних сегментов, характеристик пользователя, таких как уровень активности пользователя, характеристик окружающей среды, таких как температура окружающей среды, время суток, и т.п. Например, ряд правил может определять, что если сегмент помечен как достоверный и имеет коэффициент точности меньше порогового значения точности, которое может составлять 60%, и если соседствующие во времени сегменты являются недостоверными сегментами, модуль 6 коррекции классификации корректирует метку конкретного сегмента на метку недостоверности. Это позволяет повысить качество классификации сегментов на достоверные и недостоверные сегменты, тем самым дополнительно повышая качество определения физиологического параметра.

Устройство мониторинга 1 дополнительно содержит модуль 7 определения физиологической информации для определения физиологической информации по меньшей мере либо из i) сегментов сигнала, классифицированных на достоверный класс, либо из ii) сегментов сигнала, классифицированных на недостоверный класс. В частности, модуль 7 определения физиологической информации выполнен с возможностью определения физиологического параметра из сегментов сигнала, классифицированных на достоверный класс. В этом варианте осуществления модуль 7 определения физиологической информации выполнен с возможностью определения частоты дыхания в качестве физиологического параметра из сегментов сигнала, классифицированных на достоверный класс. Например, модуль 7 определения физиологической информации может быть выполнен с возможностью определения частоты дыхания, инвертируя длительность сегмента сигнала, классифицированного на достоверный класс. Модуль 7 определения физиологической информации может быть дополнительно выполнен с возможностью определения характеров дыхания, таких как дыхание Чейна-Стокса, периодическое дыхание, апноэ, и т.п. Для определения характера дыхания модуль 7 определения физиологической информации предпочтительно выполняется с возможностью использования не только достоверных сегментов, но также и недостоверных сегментов. В частности, модуль 7 определения физиологической информации может быть выполнен с возможностью определения характера дыхания на основе меток достоверности и недостоверности сегментов сигнала, которые имеют длительность, например, две минуты, и характеристик этих достоверных и недостоверных сегментов. Модуль 7 определения физиологической информации может содержать ряд правил, которые определяют характер дыхания, основываясь на метках достоверности и недостоверности сегментов сигнала и характеристиках сегментов сигнала. Например, ряд правил может определять, что если часть физиологического сигнала со смежными недостоверными сегментами, которые преимущественно имеют длительность по меньшей мере 10 секунд, с колебаниями менее заданного порога колебаний, сопровождается частью физиологического сигнала со смежными достоверными сегментами с модулированными амплитудами, присутствует характер дыхания Чейна-Стокса. Часть физиологического сигнала со смежными недостоверными сегментами с малыми колебаниями может представлять апноэ, а часть физиологического сигнала со смежными достоверными сегментами с модулированными амплитудами может представлять гиперапноэ. Также ряд правил, используемый модулем 7 определения физиологической информации, может быть определен калибровкой или обучением, при этом используются сегменты сигнала, представляющие известный физиологический параметр и/или известную физиологическую особенность.

Устройство мониторинга 1 дополнительно содержит устройство 8 отображения для отображения, например, физиологического параметра, такого как частота дыхания, физиологической особенности, такой как характер дыхания, достоверных сигналов и/или недостоверных сигналов. В частности, устройство отображения может быть выполнено с возможностью отображения достоверных и недостоверных сегментов сигнала, как в качестве примера показано на Фиг. 4.

Далее будет описан в качестве примера со ссылками на блок-схему, изображенную на Фиг. 5, способ мониторинга для мониторинга физиологического сигнала.

На этапе 101 модуль 2 обеспечения физиологического сигнала обеспечивает периодические физиологические сигналы, которые в этом варианте осуществления являются акселерометрическими сигналами дыхания. На этапе 102 эти физиологические сигналы предварительно обрабатываются модулем 3 предварительной обработки. В частности, физиологические сигналы фильтруются, проходя через полосовой фильтр с полосой пропускания 0,1-2 Гц. Кроме того, модуль 3 предварительной обработки объединяет акселерометрические сигналы дыхания, которые предпочтительно являются тремя акселерометрическими сигналами дыхания от трехосного акселерометра, в единый сигнал дыхания посредством РСА. На этапе 103 модуль 4 сегментации определяет сегменты сигнала из предварительно обработанного физиологического сигнала, которые соответствуют периодам физиологического сигнала, а на этапе 104 модуль 5 классификации классифицирует сегменты сигнала на достоверный класс и недостоверный класс на основе относящихся к сегментам сигнала характеристик. На этапе 105 модуль 6 коррекции классификации корректирует, если потребуется, классификацию сегментов сигнала на достоверный класс и недостоверный класс, а на этапе 106 модуль 7 определения физиологической информации определяет физиологическую информацию, например, физиологический параметр, такой как частота дыхания, из сегментов сигнала, классифицированных на достоверный класс, или физиологической особенности, такой как характер дыхания, из сегментов сигнала, классифицированных на достоверный класс, и сегментов сигнала, классифицированных на недостоверный класс. На этапе 107 по меньшей мере определенный физиологический параметр и/или физиологическая особенность отображаются на устройстве 8 отображения.

Хотя в описанных выше вариантах осуществления физиологический сигнал является акселерометрическим сигналом дыхания, устройство мониторинга и способ мониторинга могут быть также выполнены с возможностью мониторинга сигнала дыхания, который измеряется другим устройством, подобным ремню для контроля дыхания. Устройство мониторинга и способ мониторинга могут быть также выполнены с возможностью мониторинга другого физиологического сигнала, такого как сигнал сердца, в частности, такого как кардиографический сигнал.

Устройство мониторинга и способ мониторинга могут быть выполнены с возможностью мониторинга одного или нескольких физиологических сигналов. Например, один или несколько акселерометров могут быть использованы для мониторинга одного или нескольких сигналов дыхания. Кроме того, устройство мониторинга и способ мониторинга могут быть выполнены с возможностью одновременного мониторинга разных физиологических сигналов, таких как сигнал дыхания и сигнал сердца.

Физиологические параметры, такие как частоты дыхания и сердцебиения, имеют высокую клиническую ценность как ранние индикаторы нарушения здоровья пациента. Традиционно в отделениях интенсивной и умеренной терапии хорошо организован мониторинг пациентов, тогда как в медсанчастях и послеоперационных отделениях этого нет. В общем случае непрерывный мониторинг физиологических параметров пациента в течение длительного времени является трудной задачей вследствие недостачи медицинского персонала по уходу за больными, отсутствия надзора и отсутствия подходящей мониторинговой системы, которая могла бы обеспечить близкий к оптимальному присмотр. Описанное выше устройство мониторинга может быть надежным, автоматическим и простым в эксплуатации устройством для измерения физиологических параметров пациентов в отделениях больниц общего профиля.

Датчик ускорений предпочтительно закрепляется на грудной клетке или животе пациента и может быть использован для обнаружения дыхательного усилия вместе с такой информацией, как сердцебиение, положение корпуса и уровень активности пациента. Датчик ускорений может прикрепляться к пациентам, которые физически более активны, чем традиционно подвергаемые мониторингу пациенты в отделениях интенсивной терапии (ICU), при этом сигналы датчика могут смешиваться с ускорениями из-за движений тела пациента. Устройство мониторинга и способ мониторинга могут быть выполнены с возможностью обеспечения надежной интерпретации данных измерения путем извлечения физиологических параметров из значимых клинических сигналов, а не загрязненных движением сигналов. При таком подходе ложные сигналы тревоги ограничиваются, и состояние пациента может правильно наблюдаться. В частности, устройство мониторинга и способ мониторинга предпочтительно выполняются с возможностью отбрасывания загрязненных движением сигналов, то есть загрязненных движением сегментов сигналов, которые классифицируются как недостоверные, и надежного извлечения частот дыхания/пульса и тенденций из остальной части сигнала. Таким образом, может быть обеспечен автоматический алгоритм, который разумно определяет и обрабатывает загрязненные движением измерения, чтобы сделать целенаправленным непрерывный мониторинг жизненно важных признаков тела у пациентов в больницах общего назначения.

Устройство мониторинга и способ мониторинга предпочтительно выполняются с возможностью точного обнаружения каждого одного дыхательного движения в сигнале дыхания. Таким образом, в отличие от анализа в фиксированном интервале времени, при котором сигнал дыхания сегментируется и обрабатывается в интервалах времени фиксированного размера, например, 25 с, устройство мониторинга и способ мониторинга могут быть выполнены с возможностью работы с высокой разрешающей способностью и при этом захватывать каждое отдельное дыхательное движение, которое является достоверным, тем самым повышая возможность получения дыхательной информации. Выходные данные, такие как частота дыхания (RR), коэффициент точности, который может рассматриваться также как показатель достоверности (CI), характер дыхания, и т.п., предпочтительно посылаются на устройство отображения, чтобы уведомить наблюдателя. Устройство мониторинга и способ мониторинга обнаруживают предпочтительно каждое одно дыхательное движение после адаптивной сегментации сигнала дыхания. Последовательность операций выполняется применительно к сигналу дыхания для вычисления, например, RR и соответствующего CI. CI выражает количественную достоверность вычисления частоты дыхания по одному дыхательному движению. Он отражает точность обнаружения дыхания и качество дыхания.

Сигнал дыхания предпочтительно является оцифрованным сигналом акселерометра и предпочтительно буферизованным вплоть до одного цикла дыхания, например, до 10 секунд, прежде чем подвергнуться предварительной обработке модулем предварительной обработки, который предпочтительно выполняет операции, такие как фильтрация, удаление составляющей постоянного тока, нормализация, и т.п., над оцифрованными и буферизованными необработанными сигналами датчика. Модуль сегментации затем предпочтительно разграничивает сигнал, чтобы произвести кандидатов на представление дыхания на основе заданных правил. По сравнению с классификацией в фиксированных интервалах времени кандидаты на представление дыхания, то есть сегменты сигнала, могут рассматриваться как кадры с высокой разрешающей способностью, имеющие изменяющуюся во времени длительность, которые являются базовыми элементами, с которыми работает модуль классификации. Модуль классификации вычисляет предпочтительно ряд специфических для дыхания признаков для каждого кандидата на представление дыхания, которые затем классифицируются в категории “дыхание”, то есть достоверную, и “не дыхание”, то есть недостоверную, используя алгоритм классификации, такой как дерево решений. Модуль определения физиологической информации затем предпочтительно вычисляет частоту дыхания наряду с соответствующим показателем достоверности из кандидатов на представление дыхания, которые были классифицированы как “дыхание”.

Устройство мониторинга и способ мониторинга могут быть выполнены с возможностью их применения в установке, когда жизненно важные для человека признаки, такие как дыхание, постоянно контролируются путем использования одного или более датчиков, в частности, одного или более акселерометров. Устройство мониторинга и способ мониторинга могут быть выполнены с возможностью мониторинга дыхания в палатах общего профиля в госпитале. Но устройство мониторинга и способ мониторинга могут быть также выполнены с возможностью мониторинга в отделениях интенсивной терапии (ICU) и при медико-санитарной помощи на дому.

Хотя в описанных выше вариантах осуществления PCA используется как способ для объединения физиологических сигналов, могут быть также использованы другие способы объединения, такие как формирование луча по взвешенной сумме (WSB), поворот геометрических координат и другие эвристические способы объединения.

Другие разновидности описанных вариантов осуществления могут быть поняты и осуществлены специалистами в данной области техники при практическом применении заявленного изобретения, из изучения чертежей, описания и прилагаемой формулы изобретения.

В формуле изобретения слово “содержитʺ не исключает других элементов или этапов, а артикль единственного числа (“a” или “an” в оригинале) не исключает множественности.

Один элемент или устройство может выполнять функции нескольких элементов, упомянутых в формуле изобретения. Простой факт, что определенные показатели упомянуты во взаимно отличающихся зависимых пунктах формулы изобретения, не указывает на то, что сочетание этих показателей не может быть использовано для получения преимущества.

Вычисления, подобные определению сегментов сигнала, классификации сегментов сигнала или определению физиологической информации, выполняемые одним или несколькими элементами или устройствами, могут выполняться любым другим числом элементов или устройств. Вычисления и/или управление устройством мониторинга в соответствии со способом мониторинга могут осуществляться как средство программного кода компьютерной программы и/или как специализированное аппаратное обеспечение.

Компьютерная программа может сохраняться/распространяться на подходящем носителе информации, таком как оптический носитель или твердотельный носитель, поставляемый вместе с устройством или как часть другого аппаратного оборудования, но может также распространяться в других формах, например, через Интернет или же другие проводные или беспроводные телекоммуникационные системы.

Любые ссылочные позиции в формуле изобретения не должны истолковываться как ограничивающие объем.

Изобретение относится к устройству мониторинга для мониторинга физиологического сигнала. Модуль сегментации определяет сегменты сигнала из физиологического сигнала, которые соответствуют периодам физиологического сигнала, модуль классификации классифицирует сегменты сигнала на достоверный класс и недостоверный класс, исходя из характеристик, относящихся к сегментам сигнала, а модуль определения физиологической информации определяет физиологическую информацию по меньшей мере либо из i) сегментов сигнала, классифицированных на достоверный класс, либо из ii) сегментов сигнала, классифицированных на недостоверный класс. Поэтому физиологическая информация может быть определена исходя из знания того, является ли соответствующий сегмент сигнала достоверным или нет. Например, физиологический параметр, такой как частота дыхания, может быть определен в зависимости от достоверных адаптированных сегментов физиологического сигнала, которые адаптированы к периодам физиологического сигнала. Это повышает качество определения физиологической информации из физиологического сигнала.