CN114746005A - 用于指定rem和唤醒状态的***和方法 - Google Patents

用于指定rem和唤醒状态的***和方法 Download PDF

Info

Publication number
CN114746005A
CN114746005A CN202080079952.0A CN202080079952A CN114746005A CN 114746005 A CN114746005 A CN 114746005A CN 202080079952 A CN202080079952 A CN 202080079952A CN 114746005 A CN114746005 A CN 114746005A
Authority
CN
China
Prior art keywords
data
low frequency
vlfc
epochs
coupling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080079952.0A
Other languages
English (en)
Inventor
H.希尔米松
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.)
Maiyuan Co ltd
Original Assignee
Maiyuan 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 Maiyuan Co ltd filed Critical Maiyuan Co ltd
Publication of CN114746005A publication Critical patent/CN114746005A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • 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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • A61B5/7289—Retrospective gating, i.e. associating measured signals or images with a physiological event after the actual measurement or image acquisition, e.g. by simultaneously recording an additional physiological signal during the measurement or image acquisition
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本公开提供了分析睡眠时期是REM睡眠时期还是唤醒时期的***和方法。根据本公开的各方面，一种计算机实现的方法包括访问贯穿人的睡眠时段的心肺耦合数据，识别睡眠时段中的与心肺耦合数据中的极低频耦合相对应的时期，访问与该时期相对应的心肺耦合数据中的高频耦合数据和/或低频耦合数据，并基于与该时期相对应的高频耦合数据和/或低频耦合数据将该时期指定为REM睡眠时期或唤醒时期，其中基于心肺耦合数据而不使用非心肺耦合生理数据来指定该时期。

Description

用于指定REM和唤醒状态的***和方法
相关申请的交叉引用
本申请要求2019年9月21日提交的美国临时申请第62/903,833号的权益和优先权，通过引用将其全部内容并入本文。
技术领域
本公开涉及睡眠分析，并且具体地，涉及在人的睡眠时段期间对心肺耦合(CPC)数据或对CPC数据与生理数据进行分析，以指定在睡眠时段期间的REM和唤醒状态。
背景技术
心肺耦合是一种通过执行两个生理信号-来自与对应的直接或衍生的呼吸信号耦合成的心率变异性的N-N间隔序列-之间的定量分析来确定这两个信号的相干交叉功率来评估睡眠质量的技术。心肺耦合在美国专利第7,324,845号、美国专利第7,734,334号、美国专利第8,403,848号和美国专利第8,401,626号中进行了描述，全部通过引用将这些专利全部内容并入本文。
心肺耦合可以用耦合频率来表征。高频耦合代表稳定睡眠，其是综合稳定NREM睡眠的生物标志，并且与稳定呼吸的周期、高迷走神经张力、脑电图(EEG)上的通常非周期***替模式、高相对δ(delta)功率、生理血压下降(在健康状态下)和/或稳定的唤醒阈值相关联。在高频耦合(HFC)中，耦合的频率大于0.1Hz。
低频耦合代表不稳定睡眠，是综合不稳定NREM睡眠的生物标志物，具有与稳定睡眠相反的特征。不稳定睡眠与称为周期***替模式(CAP)、呼吸模式的波动周期(潮气量波动)、心率的周期性变化(CVHR)、血压不下降和/或可变唤醒阈值的EEG活动有关。零散(fragmented)的REM睡眠具有低频耦合特性。在低频耦合(LFC)中，耦合的频率在[0.01,0.1]Hz范围内。低频耦合可以进一步被分类为升高的低频耦合宽带或升高的低频耦合窄带。
极低频耦合代表REM睡眠和唤醒状态。0.01Hz以下的频率范围被定义为极低频耦合(vLFC)。从用作区分这两种状态的主要工具的多导睡眠图(PSG)和眼电描记术的角度来看，REM和唤醒生理学密切相关。在心肺耦合(CPC)中，REM和唤醒有非常相似的表现，表现为极低频耦合(vLFC)。
人们有兴趣进一步开发和改进睡眠分析的技术，以基于心肺耦合数据来指定各种睡眠状态。
发明内容
本公开涉及睡眠分析，并且具体地，涉及在人的睡眠时段期间对心肺耦合(CPC)数据或对CPC数据与生理数据的分析，以指定在睡眠时段期间的REM和唤醒(WAKE)状态。
根据本公开的各方面，一种计算机实现的方法包括访问贯穿人的睡眠时段的心肺耦合数据，识别睡眠时段中的包括心肺耦合数据中的极低频耦合的时期(epoch)，访问心肺耦合数据中与该时期相对应的高频耦合数据和低频耦合数据中的至少一个，以及基于与该时期相对应的高频耦合数据或低频耦合数据中的至少一个将该时期指定为REM睡眠时期或唤醒时期，其中，该时期是基于心肺耦合数据而不使用非心肺耦合生理数据来指定的。
在该方法的各种实施例中，该时期表现出低频耦合主导(dominance)，并且该方法还包括将该时期期间的极低频耦合的功率与阈值进行比较。
在该方法的各种实施例中，阈值基于以下中的至少一个：该人、该人的状况以及包括该人的群体。
在该方法的各种实施例中，指定该时期包括基于以下条件将该时期指定为REM睡眠时期：(i)低频耦合主导，以及(ii)在该时期期间极低频耦合的功率超过阈值。
在该方法的各种实施例中，该时期表现出极低频耦合主导。
在该方法的各种实施例中，该时期的极低频耦合主导基于与该时期相对应的心肺耦合数据中的极低频耦合范围的预定义较高范围(predefined upper range)中的主导。
在该方法的各种实施例中，指定该时期包括基于以下条件将该时期指定为REM睡眠时期：(i)在极低频耦合范围的预定义较高范围中的极低频耦合主导，以及(ii)在与该时期相对应的高频耦合数据和低频耦合数据中的至少一个中的低频耦合和高频耦合中的至少一个的功率超过阈值。
在该方法的各种实施例中，指定该时期包括基于以下条件将该时期指定为REM睡眠时期：(i)该时期中的极低频耦合主导，以及(ii)在与该时期相对应的低频耦合数据中存在升高的低频耦合窄带。
根据本公开的各方面，一种***包括一个或多个处理器和存储指令的至少一个存储器。该指令在由一个或多个处理器执行时，使得该***访问贯穿人的睡眠时段的心肺耦合数据，识别睡眠时段中的包括心肺耦合数据中的极低频耦合的时期，访问心肺耦合数据中与该时期相对应的的高频耦合数据或低频耦合数据中的至少一个，并基于与该时期相对应的高频耦合数据或低频耦合数据中的至少一个将该时期指定为REM睡眠时期或唤醒时期，其中，该时期是基于心肺耦合数据而不使用非心肺耦合生理数据来指定的。
在该***的各种实施例中，该时期表现出低频耦合主导，并且该指令在由一个或多个处理器执行时，使得该***将该时期期间的极低频耦合的功率与阈值进行比较。
在该***的各种实施例中，阈值基于以下中的至少一个：该人、该人的状况以及包括该人的群体。
在该***的各种实施例中，在指定该时期中，该指令在由一个或多个处理器执行时，使得该***基于以下条件将该时期指定为REM睡眠时期：(i)低频耦合主导，以及(ii)在该时期期间极低频耦合的功率超过阈值。
在该***的各种实施例中，该时期表现出极低频耦合主导。
在该***的各种实施例中，该时期的极低频耦合主导基于与该时期相对应的心肺耦合数据中的极低频耦合范围的预定义较高范围中的主导。
在该***的各种实施例中，在指定该时期中，该指令在由一个或多个处理器执行时，使得该***基于以下条件将该时期指定为REM睡眠时期：(i)在极低频耦合范围的预定义较高范围中的极低频耦合主导，以及(ii)在与该时期相对应的高频耦合数据或低频耦合数据中的至少一个中的低频耦合或高频耦合中的至少一个的功率超过阈值。
在该***的各种实施例中，在指定该时期时，该指令在由一个或多个处理器执行时，使得该***基于以下条件将该时期指定为REM睡眠时期：(i)该时期中的极低频耦合主导，以及(ii)在与该时期相对应的低频耦合数据中存在升高的低频耦合窄带。
根据本发明的各个方面，一种计算机实现的方法包括：访问贯穿人的睡眠时段的心肺耦合数据；基于心肺耦合数据，将睡眠时段中的时期分类为极低频耦合(vLFC)时期；访问与vLFC时期相对应的人的体动记录仪(actigraphy)数据；以及基于在与vLFC时期相对应的体动记录仪数据中指示移动(movement)低于移动阈值的体动记录仪测量的预定百分比，将vLFC时期指定为REM时期。
在该方法的各种实施例中，预定百分比是与vLFC时期相对应的体动记录仪数据中的体动记录仪测量的95％，并且移动阈值是0.01G/s。
在该方法的各种实施例中，该方法包括针对不同的体动记录仪传感器改变预定百分比或移动阈值中的至少一个。
根据本公开的各方面，一种***包括一个或多个处理器和存储指令的至少一个存储器。该指令在由一个或多个处理器执行时，使得该***访问贯穿人的睡眠时段的心肺耦合数据，基于心肺耦合数据将睡眠时段中的时期分类为极低频耦合(vLFC)时期，访问与vLFC时期相对应的人的体动记录仪数据，以及基于在与vLFC时期相对应的体动记录仪数据中指示移动低于移动阈值的体动记录仪测量的预定百分比，将vLFC时期指定为REM时期。
在该***的各种实施例中，预定百分比是与vLFC时期相对应的体动记录仪数据中的体动记录仪测量的95％，并且移动阈值是0.01G/s。
在该***的各种实施例中，该指令在由一个或多个处理器执行时，还使得该***针对不同的体动记录仪传感器改变预定百分比和移动阈值中的至少一个。
根据本公开的各方面，一种计算机实现的方法包括：访问贯穿人的睡眠时段的心肺耦合数据；基于心肺耦合数据，将睡眠时段中的时期分类为极低频耦合(vLFC)时期；访问与vLFC时期相对应的人的伪体动记录仪数据，其中伪体动记录仪数据基于人的生理测量而不是基于体动记录仪测量；以及基于与vLFC时期相对应的伪体动记录仪数据，将vLFC时期指定为REM时期或唤醒时期。
在该方法的各种实施例中，该方法包括基于生理测量的信号质量生成与vLFC时期相对应的伪体动记录仪数据。
在该方法的各种实施例中，生成伪体动记录仪数据包括当信号质量较低时生成与较大运动(motion)相对应的数据，以及当信号质量较高时生成与较小运动相对应的数据。
在该方法的各种实施例中，生理测量包括人的ECG测量和体积描记术测量中的至少一个。
在该方法的各种实施例中，生成伪体动记录仪数据包括：处理生理测量以检测vLFC时期期间的峰；当检测到的峰的计数低于预定阈值并且当检测到的峰的形状匹配预期的峰形状时，生成与较小运动相对应的数据；以及当检测到的峰的计数大于预定阈值并且当检测到的峰的形状不同于预期的峰形状时，生成指示较大运动的数据。
在该方法的各种实施例中，生理测量包括氧饱和度测量。
根据本公开的各方面，一种***包括一个或多个处理器和存储指令的至少一个存储器。该指令在由一个或多个处理器执行时，使得该***访问贯穿人的睡眠时段的心肺耦合数据，基于心肺耦合数据将睡眠时段中的时期分类为极低频耦合(vLFC)时期，访问与vLFC时期相对应的人的伪体动记录仪数据，其中伪体动记录仪数据基于人的生理测量而不是基于体动记录仪测量，并且基于与vLFC时期相对应的伪体动记录仪数据将vLFC时期指定为REM时期或唤醒时期。
在该***的各种实施例中，该指令在由一个或多个处理器执行时，使得该***基于生理测量的信号质量生成与vLFC时期相对应的伪体动记录仪数据。
在该***的各种实施例中，在生成伪体动记录仪数据中，该指令在由一个或多个处理器执行时，使得该***在信号质量较低时生成与较大运动相对应的数据，并在信号质量较高时生成与较小运动相对应的数据。
在该***的各种实施例中，生理测量包括人的ECG测量和体积描记术测量中的至少一个。
在该***的各种实施例中，在生成伪体动记录仪数据中，该指令在由一个或多个处理器执行时，使得该***：处理生理测量以检测vLFC时期期间的峰，当检测到的峰的计数低于预定阈值并且当检测到的峰的形状匹配预期的峰形状时，生成与较小运动相对应的数据，以及当检测到的峰的计数大于预定阈值并且当检测到的峰的形状不同于预期的峰形状时，生成指示较大运动的数据。
在该***的各种实施例中，生理测量包括氧饱和度测量。
根据本发明的各个方面，一种计算机实现的方法包括：访问贯穿人的睡眠时段的心肺耦合数据；基于心肺耦合数据，将睡眠时段中的时期分类为极低频耦合(vLFC)时期；访问与vLFC时期相对应的人的生理数据，其中生理数据包括生理测量而不包括体动记录仪测量；以及基于与vLFC时期相对应的生理数据指示睡眠呼吸紊乱，将vLFC时期指定为REM时期。
在该方法的各种实施例中，生理测量包括氧饱和度测量，并且该方法包括处理氧饱和度测量以识别在vLFC时期期间的睡眠呼吸紊乱事件。
根据本公开的各方面，一种***包括一个或多个处理器和存储指令的至少一个存储器。该指令在由一个或多个处理器执行时，使得该***访问贯穿人的睡眠时段的心肺耦合数据，基于心肺耦合数据将睡眠时段中的时期分类为极低频耦合(vLFC)时期，访问与vLFC时期相对应的人的生理数据，其中生理数据包括生理测量而不包括体动记录仪测量，以及基于与vLFC时期相对应的生理数据指示睡眠呼吸紊乱，将vLFC时期指定为REM时期。
在该***的各种实施例中，生理测量包括氧饱和度测量，并且该指令在由一个或多个处理器执行时，使得该***处理氧饱和度测量以识别vLFC时期期间的睡眠呼吸紊乱事件。
附图说明
当参考附图阅读对本公开的***和方法的各种实施例的描述时，本领域普通技术人员将明白本公开的***和方法的目的及特征，其中：
图1是根据本公开的各方面的示例性测量***的图示；
图2是根据本公开的各方面的用于基于心肺耦合数据指定REM/唤醒状态的示例性操作的流程图；
图3是根据本公开的各方面的在LFC主导期间具有非零vLFC功率的示例性时期的图；
图4是根据本公开的各方面的在vLFC主导期间具有eLFCNB的示例性时期的图；
图5是根据本公开的各方面的用于基于CPC数据与体动记录仪数据一起指定REM/唤醒状态的示例性操作的流程图；
图6是根据本公开的各方面的具有vLFC主导并且对应于指示移动的体动记录仪信号的示例性时期的图；
图7是根据本公开的各方面的用于基于CPC数据与伪体动记录仪数据一起指定REM/唤醒状态的示例性操作的流程图；
图8是根据本公开的各方面的示例性信号质量测量和体动记录仪信号的曲线图；
图9是根据本公开的各方面的示例性计算***的框图；和
图10是根据本公开的各方面的用于基于CPC数据和各种生理信号指定REM/唤醒状态的示例性操作的流程图。
具体实施方式
本公开涉及在人的睡眠时段期间对心肺耦合(CPC)数据或对CPC数据与生理数据进行分析，以指定睡眠时段期间的REM和唤醒状态。在REM中，受试者几乎保持不动或处于“骨骼肌麻痹”状态，这种状态中主要的机械运动在眼睛。因为REM表现为vLFC，并且应该不存在任何显著的运动，根据本公开的一种在没有足够的体动记录仪的情况下基于vLFC来识别REM状态，以及在具有足够的体动记录仪的情况下基于vLFC来识别唤醒状态的方法。本公开的其他方面不使用体动记录仪数据来指定REM或唤醒状态。例如，可以使用伪体动记录仪数据，如本文稍后更详细地描述的。本发明的其他方面仅使用心肺耦合数据而不使用任何非CPC生理数据来指定REM或唤醒状态，这将在本文后面描述。
现在参考图1，示出了根据本公开的各方面的示例性测量***100的图示。测量***100可以在睡眠期间附接到人以获得可用于计算心肺耦合(“CPC”)的生理测量，例如心电图测量或其他生理测量。测量***100还获得各种测量，例如ECG测量、体积描记术测量(plethysmography measurement)、氧饱和度测量和/或体动记录仪测量，它们使用将在本文后面描述。图1是示例性的，并且各种传感器可以位于人的身体的不同部分，包括图1中未示出的部分。例如，各种传感器可位于人的躯干、头部和/或四肢以及其他位置。本领域技术人员将理解用于检测生理信号的各种传感器。例如，在各种实施例中，传感器可以是触摸人的身体的传感器，或者可以是不直接触摸人的非触摸传感器(例如，基于心包造影的传感器)。生理测量可以被记录在存储介质中，例如磁盘驱动器、闪存驱动器、固态驱动器或其他存储介质。在各种实施例中，可以并行地记录各种生理测量。在各种实施例中，每个记录的数据可以被标记或与时间戳相关联。通过将记录的数据标记或与时间戳相关联，各种记录的测量可以在时间上相关。考虑到可以采用其他方法使记录的测量在时间上相关。
本公开的一个方面涉及用于在不使用非CPC数据的情况下基于心肺耦合频谱分析指定REM或唤醒状态的***和方法。如上所述，极低频耦合(vLFC)表示REM睡眠或唤醒状态。图2示出了在不使用非CPC生理数据的情况下分析来自人的睡眠时段的CPC数据以区分REM睡眠和唤醒状态的示例性操作。在本文的描述中，睡眠时段可以被划分为在本文中被称为“时期”的段。在各种实施例中，不同的时期可以具有相同的持续时间，或者不同的时期可以具有不同的持续时间。
参考图2，在框210，该操作涉及访问贯穿人的睡眠时段的心肺耦合数据。CPC数据可以例如从图1的测量***或从另一***访问。在框220，该操作涉及识别睡眠时段中的包括心肺耦合数据中的极低频耦合的时期。如下面更详细地描述的，包括极低频耦合(vLFC)的时期可以具有vLFC主导(即，最高频率耦合功率在vLFC频带中)，或者可以不具有vLFC主导。在框230，该操作涉及访问与该时期相对应的心肺耦合数据中的高频耦合数据和/或低频耦合数据。在框240，该操作涉及基于与该时期相对应的高频耦合数据和/或低频耦合数据而不使用非心肺耦合生理数据，将该时期指定为REM睡眠时期或唤醒时期。图2的操作可以由(诸如图9的计算***，图9的计算***将在本文后面描述)计算***来实现。下面描述图2的操作的实施例。
下面的描述涉及包含vLFC耦合但其中该时期的主导CPC状态被分类为低频耦合(LFC)(，即，最高频率耦合功率在LFC频带中)的时期。在这样的时期期间，vLFC的功率是非零的，并且小于LFC的功率。
根据本公开的各方面，对于非零vLFC功率和LFC主导的时期，这种时期可被表征为与不稳定NREM相反的零散的REM(fragmented REM)。在零散的REM的时期期间，并且在不存在上vLFC频带主导(upper vLFC frequency band dominace)的情况下，基于在vLFC频带中应用的动态阈值，可以将这样的时期指定为REM睡眠状态，其中动态阈值对于不同的人可以是不同的。图3中示出了这样的时期的示例，其中示出了具有非零vLFC功率和LFC主导的时期310。
在这种具有非零vLFC功率和LFC主导的时期，鉴于指定是基于非零vLFC功率而非vLFC主导，REM分类可以不基于固定阈值。相反，动态阈值允许REM睡眠和唤醒状态的指定更加准确。例如，特定的固定阈值可能适合于具有健康睡眠的人，但是对于具有其恶化的状况可能影响vLFC频带的不健康睡眠的人，该特定阈值可能不准确地指定REM睡眠和唤醒状态。因此，除其他外，适用于不同状况、人或群体的动态阈值可用于指定具有非零vLFC功率和LFC主导的时期中的REM睡眠和唤醒(例如，图3)。在各种实施例中，动态阈值可以基于特定群体的平均值。例如，如果一个时期具有LFC主导，并且vLFC功率高于特定群体的平均vLFC功率，那么该时期可以被分类为REM。预期其它类型的动态阈值在本公开的范围内。
以下描述涉及其中主导的CPC状态已被分类为vLFC的时期。根据本公开的各方面，将vLFC时期指定为REM状态或唤醒状态是基于在主导的CPC状态已被分类为vLFC之后对CPC频带的分析。
在各种实施例中，当在LFC频带和/或HFC频带中存在激活(例如，非零功率)并且当主导的CPC频率在vLFC频带的较高范围内(例如，接近但不超过0.01Hz)时，具有vLFC主导的时期可以被指定为REM状态。图4示出了这样的时期410、420的示例。
在各种实施例中，当还存在升高(elevated)的低频耦合窄带(eLFCNB)时，具有vLFC主导的时期可以被指定为REM状态。低频耦合可以被次分类为低频耦合宽带(eLFCBB)或碎片化(fragmentation)、升高的低频耦合窄带(eLFCNB)或周期性、或未升高的低频耦合。eLFCNB是周期性的标志，并且与周期性呼吸、Cheyne-Stokes呼吸和中枢性呼吸暂停有关。eLFCBB可由其他疾病引起，如疼痛或导致碎片化的睡眠期间的其他干扰，而eLFCNB可由周期性的肢体移动引起。
图4示出了其中还存在eLFCNB的具有vLFC主导的时期410、420的示例。在测试期间，这样的时期基于多导睡眠图数据被指定为REM状态，并仅基于CPC数据还被精确指定。如本文所使用的，术语升高的极低频耦合窄带(eVLFCNB)，或“周期性REM”睡眠，将用于标识在vLFC频带中主导期间升高的低频耦合窄带(eLFCNB)的出现。可以理解，eVLFCNB、或周期性REM，可以作为一种新的CPC状态。因此，用于指定REM睡眠和唤醒状态的方法被配置为将eVLFCNB指定为REM睡眠状态。如果不存在eVLFCNB，则如上所述，vLFC频带的较高范围中的主导(例如，CPC频率功率超过0.05但小于vLFC频带中的总功率)可用于将该时期指定为REM睡眠状态。
因此，图2至图4和上面的描述示出了其中通过仅分析CPC数据而不使用非CPC数据可以将时期指定为REM睡眠状态的实施例。上面描述的实施例和图2至图4的实施例是示例性的，并且不限制本公开的范围。
本公开的另一个方面涉及用于基于分析心肺数据以及各种生理信号来指定REM或唤醒状态的***和方法，这些生理信号包括诸如体动记录仪、氧饱和度和/或诸如ECG和体积描记术的伪体动记录仪生理信号。将结合图5和图6描述CPC数据与体动记录仪数据一起的使用。将结合图7和图10描述CPC数据与伪动作生理数据和/或氧饱和度数据一起的使用。
根据本公开的各方面，图5示出了基于分析心肺数据与体动记录仪数据一起来指定REM或唤醒状态的示例性操作的流程图。该操作对运动的测量应用一阈值，以将时期指定为REM或唤醒状态。在各种实施例中，为了收集关于移动的信息，记录设备(例如，硬件)包括加速度计传感器。加速度计是测量对象的加速度(速度变化率)的传感器设备，对于本公开，对象是人。根据本公开的各个方面，可以处理原始体动记录仪信号以生成报告具有特定测量单位的加速度的量。常用的测量单位是m/s2或G力。例如，可以使用图1的***来获得和存储体动记录仪数据。
继续参考图5，在框510中，该操作涉及访问贯穿人的睡眠时段的心肺耦合数据。在框520中，该操作涉及基于心肺耦合数据将睡眠时段中的时期分类为极低频耦合(vLFC)时期。分类可以基于该时期中的vLFC主导。在框530中，该操作涉及访问与vLFC时期相对应的人的体动记录仪数据。可以从存储或计算***访问体动记录仪数据，这将结合图9进行描述。例如，可以基于时间戳来识别与vLFC时期相对应的体动记录仪数据。在框540中，该操作包括基于与vLFC时期相对应的体动记录仪数据中指示低于移动阈值的移动的体动记录仪测量的预定百分比，将vLFC时期指定为REM时期。下面提供了一个示例。
在各种实施例中，为了指定REM与唤醒状态，可以使用0.01G/s的阈值，使得低于0.01G/s的加速度被视为指示REM睡眠，而高于0.01G/s的加速度被视为指示唤醒状态。阈值的特定值是示例性的，并且可以使用其他值。在各种实施例中，将超过阈值的加速度样本的数目与该时期中的样本总数进行比较，以产生用于将该时期指定为REM睡眠状态或唤醒状态的度量。在各种实施例中，如果在一个时期中95％的加速度样本低于阈值，那么该时期可以被指定为REM状态。否则，该时期将被指定为唤醒状态。百分比阈值是示例性的，可以是另一值。在各种实施例中，可以修改要分析的时期或周期的长度以增加确定性并导出碎片或碎片缺失的测量。
在各种实施例中，可能需要基于加速度计硬件和固件规范(例如，动态范围、采样速率等)来修改加速度阈值。例如，可能需要分析新的加速度计传感器并将其与参***进行比较，以设置REM/唤醒指定的加速度阈值。
图6示出了其中基于图5的操作指定了REM/唤醒状态的CPC和生理数据的示例。为了与PSG参考进行比较，紫色框中示出了PSG记分的唤醒和所有REM周期的延长周期。
根据本公开的各方面，图7示出了基于分析心肺数据与伪体动记录仪数据一起来指定REM或唤醒状态的示例性操作的流程图。如本文所用，术语“伪体动记录仪信号”或数据是指具有指示体动记录的某些特征的非体动记录生理信号。伪体动记录仪信号可以包括例如ECG信号、体积描记术信号和氧饱和度信号等。在各种实施例中，伪体动记录仪信号可以是生理信号，当人处于REM状态时，其信号质量增加，而当人处于唤醒状态时，其信号质量降低。信号质量可以例如通过影响信号强度、信号有效性或信号存在等的变化而降低。根据这些方面，信号质量的间歇性恶化与运动伪影相关，并可用作伪体动记录仪。在各种实施例中，在vLFC主导期间信号质量的间歇性恶化可以被指定为唤醒状态，而在vLFC主导期间接近原始或原始的信号质量可以被指定为REM状态。因此，所公开的***和方法可以分析伪体动记录仪信号以将时期指定为REM或唤醒状态。
继续参考图7，在框710，该操作涉及访问贯穿人的睡眠时段的心肺耦合数据。在框720中，该操作涉及基于心肺耦合数据将睡眠时段中的时期分类为极低频耦合(vLFC)时期。例如，vLFC时期可以表现出vLFC主导。在框730中，该操作涉及访问与vLFC时期相对应的人的伪体动记录仪数据。伪体动记录仪数据是基于人的生理测量，而不是基于体动记录仪测量。如上所述，伪体动记录仪数据可包括ECG信号、体积描记术信号和氧饱和度信号等。在框740，该操作涉及基于与vLFC时期相对应的伪体动记录仪数据将vLFC时期指定为REM时期或唤醒时期。图7的操作可以在(诸如图9的计算***，图9的计算***将在本文后面描述)计算***中实现。下面描述图7的操作的各种实施例。
根据本公开的各方面，关于ECG和体积描记术信号，可以通过评估ECG和体积描记术信号的特征提取的性能来量化信号质量。对于ECG，这些特征包括但不限于R峰、P波、ST段和/或QRS波群等。对于体积描记术，这些特征包括但不限于收缩期峰、舒张期峰和/或二向切迹(dicrotic notche)等。当信号恶化和/或导致缺少检测到的特征时，信号质量结果降低。
在各种实施例中，某些特征可以被拒绝。在弱信号的周期期间，检测器可能不成功地检测信号的特征，从而导致“缺失特征”。在各种实施例中，可以将每个标记的特征与预设模板进行比较，并且可以计算与模板的相关性。在运动伪影期间，信号会发生失真，标记的特征与模板之间的相关性较低，该特征可能会被拒绝为“被拒绝的特征”。
在各种实施例中，可以通过将给定时间段的检测到的特征的数量与预期的检测到的特征数量进行比较来量化信号质量。时间段的长度可以根据所需的粒度而改变。在各种实施例中，信号质量可以表示为所选时间段的期望特征是标记的特征的百分比。
在各种实施例中，当检测到的特征是信号峰时，当检测到的峰的计数低于预定阈值并且当检测到的峰的形状匹配预期的峰形状时，信号质量可以被量化为与较小运动相对应的数据，并且当检测到的峰的计数大于预定阈值并且当检测到的峰形状不同于预期的峰形状时，信号质量可以被量化为指示较大运动的数据。
根据本公开的各方面，关于氧饱和度信号，氧饱和度信号的信号质量基于评估值和变化率。氧饱和度报告血氧饱和度在[0％,100％]范围内。在传感器与人完全断开连接的情况下(例如，由于移动)，氧饱和度值将预期下降到0％。在这些时段期间，信号质量将为零(0)。间歇地与对象断开连接，例如由于移动，可能会导致传感器接触不良，但不会完全断开连接。在这种情况下，氧饱和度值将以实际人体生理学难以置信的速度迅速下降。
根据本发明的各方面，氧饱和度下降的速率被评估并与阈值(例如每秒变化3％的阈值(即，0.03/s)或另一值)进行比较。在各种实施例中，在阈值被违反的期间，信号质量值可以被设置为零(0)，否则，信号质量值可以被设置为一(1)。可以设想在本公开的范围内对信号质量进行评分的其他方式。3％的阈值是示例性的，可以使用其他值。在各种实施例中，可以修改阈值以改变灵敏度，并且可以注意不要设置阈值以使得假阴性去饱和压倒真去饱和。
在各种实施例中，可以通过将给定时间段内的检测到的特征的数量与预期的检测到的特征数量进行比较来量化信号质量。时间段的长度可以根据所需的粒度而改变。在各种实施例中，信号质量可以表示为所选时间段的期望特征是标记的特征的百分比。
因此，描述了伪体动记录仪信号的各种示例，包括ECG、多导睡眠图和氧饱和度。提供这些示例是为了说明，并且不限制本公开的范围。其它生理信号可以用作伪体动记录仪信号，并且它们被设想在本公开的范围内。在本文描述的用于确定生理信号的信号质量的实施例是示例性的，并且将信号质量确定为伪体动记录仪信号的其他方式被设想在本公开的范围内。
图8是人的示例性体动记录仪信号和伪体动记录仪信号的示例性信号质量的曲线图，其中每个时间段的信号质量分数在左侧y轴上，体动记录仪在右y轴上以G/S为单位，并且样本数在x轴上。如图8所示，体动记录仪信号和伪体动记录仪信号的信号质量是逆相关的，如该曲线图示出了高信号质量特征的数量如何随着体动记录仪的增加而减少。
根据本公开的各方面，并继续参考图7，当氧饱和度数据可用时，所公开的***和方法可以分析氧饱和度数据以将时期指定为REM或唤醒状态。根据本发明的各个方面，可以分析血氧饱和度(SO2、SaO2、SpO2等)的测量，以检测经常与睡眠呼吸紊乱相关联的氧去饱和事件的周期。在vLFC主导的时段期间出现这种事件指示REM睡眠。可以使用各种技术和方法来识别氧去饱和事件和/或睡眠呼吸紊乱事件，例如在国际申请公开号WO 2020061014A1中描述的技术，通过引用将其全部内容结合于此。用于使用氧饱和度数据识别氧去饱和度事件和/或睡眠呼吸紊乱事件的其他技术和方法被设想在本公开的范围内。
尽管上述技术(例如，图2、图5、图7)中的每一个都可以独立使用，但它们也可以组合使用，以基于可用信号来增加确定性、准确性和/或灵活性，以帮助指定REM/唤醒状态。这些技术也可以帮助诊断特定于REM睡眠状态的睡眠障碍。例如，“REM呼吸暂停”被认为是睡眠呼吸紊乱的一个子类别，即在REM睡眠期间发生呼吸暂停/低通气事件。为此，具有氧饱和度信号可以提高疾病分类的精度。此外，通过使用体动记录仪或通过分析CPC频谱分析指示REM的时段期间的体动记录仪信号，完全不存在任何被分类为REM的时段，可以指示存在REM行为障碍(RBD)，其中REM的时段与机械运动(包括梦游)相关联。
图10是示出用于决定将哪些信号用于REM/唤醒分类的示例性操作的流程图。图10的操作可以在计算***(诸如稍后将描述的图9的计算***)上实现。在框1010，该操作涉及读取数据文件以访问可用信号。在框1020，该操作涉及确定ECG和/或体积描记术信号是否可用。如果没有，则操作可以在框1022处结束。如果存在这样的信号，则在框1030，该操作涉及执行CPC处理以生成CPC时期的阵列，并且每个时期被分类为基于主导的频带的三个CPC状态中的一个：HFC、LFC或vLFC。这一过程可称为“基本标记”。另外，每个时期都可以分为具有无eLFC、eLFCBB或eLFCNB，这一过程可以称为“扩展标记”。在框1040中，对于被分类为vLFC的每个时期，如果扩展标记已被分类为eLFCNB，则可以将该时期指定为REM状态，如上所述。如果在框1030中没有指定REM/唤醒状态，则操作继续到框1040。
在框1040，该操作确定是否存在体动记录仪数据。如果是，则该操作涉及如果运动伪影低于足够数量样本的预定阈值，则指定一个时期为REM状态，如上面结合图5所述。否则，该时期被指定为唤醒状态。如果体动记录仪的数据不可用，则操作继续到框1050。
在框1050，该操作涉及使用伪体动记录仪信号来指定REM/唤醒状态，如结合图7所述。例如，如果检测到的过剩(excess)和遗漏的N-N间隔的总和低于预定阈值，并且氧饱和度信号质量(如果存在)没有伪影，则可以将该时期指定为REM状态。
在框1060，该操作涉及确定是否存在氧饱和度信号。如果是，则该操作确定是否存在去饱和事件，是否没有伪影。如果有去饱和事件并且没有伪影，操作可以将时期指定为REM状态。
因此，基于上述操作生成睡眠阶段分类的阵列1070。上面描述的操作是示例性的，并且设想变体在本公开的范围内。例如，在各种实施例中，由块1060确定的去饱和事件的存在可以覆写块1040和/或1050的判决，或者可以使得块1040和/或1050将时期指定为“未知”状态。
图10的操作是示例性的，并且预期使用生理数据与CPC数据的组合来确定REM/唤醒状态的其他方式在本公开的范围内。
本公开的方面和实施例可以在能够执行本文描述的功能的一个或多个计算***中实现。参考图9，示出了用于实现本公开的计算***900的示例。本文描述的本公开的各种实施例可由计算***900实现。然而，对于相关领域的技术人员来说，如何使用其他计算机***和/或计算机体系结构来实现本公开将是显而易见的。
计算***900包括一个或多个处理器，例如处理器904。处理器904连接到通信基础设施906(例如，通信总线、交叉条(crossover bar)或网络)。
计算***900可包括显示器930，显示器930从通信基础设施906(或从未示出的帧缓冲器)接收图形、文本和其他数据以用于显示。在各种实施例中，显示器930可以呈现本文描述的各种测量和度量，包括CPC数据、体动记录仪数据、氧饱和度数据、ECG数据和/或体积描记术数据等。在各种实施例中，显示器930可以呈现图形和数字呈现。呈现和报告可以包括在本文上面公开的各种度量中的一些或全部。
计算***900还包括主存储器908，优选地是随机存取存储器(RAM)，并且还可以包括辅助存储器910。辅助存储器910可以包括例如硬盘驱动器912和/或表示软盘驱动器、磁带驱动器、光盘驱动器等的可移动存储驱动器914。可移动存储驱动器914以已知的方式从可移动存储单元918读取和/或写入可移动存储单元918。可移动存储单元918表示由可移动存储驱动器914读取和写入的软盘、磁带、光盘等。如将理解的，可移动存储918包括在其中存储计算机软件(例如，程序或其他指令)和/或数据的计算机可用存储介质。
在各种实施例中，辅助存储器910可以包括用于允许计算机软件和/或数据被加载到计算***900中的其他类似设备。这样的设备可以包括例如可移动存储器922和接口920。这样的示例可以包括程序盒和盒接口(例如在传统设备中发现的)、可移动存储器芯片(例如EPROM或PROM)和相关联的插座，以及允许软件和数据从可移动存储设备922传送到计算***900的其他可移动存储设备922和接口920。
计算***900还可以包括通信接口924。通信接口924允许在计算***900和外部设备之间传送软件和数据。通信接口924的示例可包括调制解调器、网络接口(例如以太网或WiFi卡)、通信端口、PCMCIA或SD或其他插槽和卡以及其他组件。经由通信接口924传送的软件和数据为信号928的形式，信号928可以是电子、电磁、光学或能够由通信接口924接收的其他信号。这些信号928经由通信路径(即，信道)926提供给通信接口924。通信路径926承载信号928，并且可以使用电线或电缆、光纤、电话线、蜂窝电话链路、RF链路、自由空间光学和/或其他通信信道来实现。
如本文所使用的，术语“计算机程序介质”和“计算机可用介质”通常用于指诸如可移动存储918、可移动存储922、安装在硬盘驱动器912中的硬盘和信号928的介质。这些计算机程序产品是用于向计算***900提供软件的设备。本公开包括这样的计算机程序产品。
计算机程序(也称为计算机控制逻辑或计算机可读程序代码)存储在主存储器908和/或辅助存储器910中。计算机程序也可以经由通信接口924接收。当这些计算机程序被执行时，使计算***900能够实现本文所讨论的本公开。具体地，当计算机程序被执行时，使处理器904能够实现本公开的处理和操作，例如，上述图2、图5和/或图7的各种操作。因此，这样的计算机程序表示计算***900的控制器。
在使用软件实现本公开的实施例中，软件可以存储在计算机程序产品中，并使用可移动存储驱动器914、硬盘驱动器912、接口920或通信接口924加载到计算***900中。当由处理器904执行时，控制逻辑(软件)使处理器904执行如本文所述的本公开的功能。因此，本公开的技术可以作为医疗设备(SaMD)的软件或非医疗软件提供。在各种实施例中，软件可以包括基于云的应用。
本文公开的实施例是本公开的示例，并且可以以各种形式实施。例如，尽管本文的某些实施例被描述为单独的实施例，但是本文的每个实施例可以与本文的一个或多个其他实施例组合。本文公开的具体结构和功能细节不应被解释为限制，而是作为教导本领域技术人员在几乎任何适当的详细结构中不同地使用本公开的代表性基础。
短语“在一个实施例中”、“在实施例中”、“在各种实施例中”、“在一些实施例中”或“在其他实施例中”可以各自指代根据本公开的相同或不同实施例中的一个或多个。形式为“A或B”的短语是指“(A)、(B)或(A和B)”。形式为“A、B和C中的至少一个”的短语是指“(A)；(B)；(C)；(A和B)；(A和C)；(B和C)；或(A、B和C)。”
本文所描述的方法、程序、算法或代码中的任何一个都可以转换为编程语言或计算机程序，或用编程语言或计算机程序表示。本文所用的术语“编程语言”和“计算机程序”包括用于指定计算机指令的任何语言，并包括(但不限于)下列语言及其衍生物：汇编语言、基本语言、批处理文件、BCPL、C、C+、C++、Delphi、Fortran、Java、JavaScript、机器代码、操作***命令语言、Pascal、Perl、PL1、Python、脚本语言、Visual Basic、本身指定程序的元语言以及所有第一、第二、第三、第四、第五或下一代的计算机语言。还包括数据库和其他数据模式，以及任何其他元语言。在解译、编译或同时使用编译和解译方法的语言之间没有区别。程序的编译版本和源版本之间没有区别。因此，一个程序，其中编程语言可以存在于一个以上的状态(如源、编译、对象或链接)，是对任何和所有这些状态的引用。
本文描述的***还可以利用一个或多个控制器来接收各种信息并变换所接收的信息以生成输出。控制器可以包括能够执行存储在存储器中的一系列指令的任何类型的计算设备、计算电路或任何类型的处理器或处理电路。控制器可以包括多个处理器和/或多核中央处理单元(CPU)，并且可以包括任何类型的处理器，例如微处理器、数字信号处理器、微控制器、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)等。控制器还可以包括存储器，用于存储当由一个或多个处理器执行时使得一个或多个处理器执行一个或多个方法和/或算法的数据和/或指令。
应当理解，前述描述仅是对本公开的说明。在不脱离本公开的情况下，本领域技术人员可以设计各种替代方案和修改。因此，本公开旨在包含所有此类替代、修改和差异。参考附图描述的实施例仅是为了演示本公开的某些示例而呈现的。与上面描述的元素、步骤、方法和技术没有实质不同的其他元素、步骤、方法和技术也旨在在本公开的范围内。

Claims (38)

1.一种计算机实现的方法，包括：
访问贯穿人的睡眠时段的心肺耦合数据；
识别所述睡眠时段中的包括所述心肺耦合数据中的极低频耦合的时期；
访问所述心肺耦合数据中与所述时期相对应的高频耦合数据或低频耦合数据中的至少一个；以及
基于与所述时期相对应的所述高频耦合数据或所述低频耦合数据中的至少一个，将所述时期指定为REM睡眠时期或唤醒时期，其中，所述时期是基于所述心肺耦合数据而不使用非心肺耦合生理数据来指定的。
2.根据权利要求1所述的计算机实现的方法，其中，所述时期表现出低频耦合主导，所述方法还包括将所述时期期间的所述极低频耦合的功率与阈值进行比较。
3.根据权利要求2所述的计算机实现的方法，其中，所述阈值基于以下中的至少一个：所述人、所述人的状况以及包括所述人的群体。
4.根据权利要求3所述的计算机实现的方法，其中，指定所述时期包括基于以下条件将所述时期指定为REM睡眠时期：(i)所述低频耦合主导，以及(ii)在所述时期期间所述极低频耦合的功率超过所述阈值。
5.根据权利要求1所述的计算机实现的方法，其中，所述时期表现出极低频耦合主导。
6.根据权利要求5所述的计算机实现的方法，其中，所述时期的所述极低频耦合主导基于与所述时期相对应的所述心肺耦合数据中的极低频耦合范围的预定义较高范围中的主导。
7.根据权利要求6所述的计算机实现的方法，其中，指定所述时期包括基于以下条件将所述时期指定为REM睡眠时期：(i)在所述极低频耦合范围的预定义较高范围中的所述极低频耦合主导，以及(ii)在与所述时期相对应的所述高频耦合数据或所述低频耦合数据中的至少一个中的低频耦合或高频耦合中的至少一个的功率超过阈值。
8.根据权利要求5所述的计算机实现的方法，其中，指定所述时期包括基于以下条件将所述时期指定为REM睡眠时期：(i)所述时期中的所述极低频耦合主导，以及(ii)在与所述时期相对应的所述低频耦合数据中存在升高的低频耦合窄带。
9.一种***，包括：
一个或多个处理器；和
至少一个存储器，存储指令，所述指令在由所述一个或多个处理器执行时，使得所述***：
访问贯穿人的睡眠时段的心肺耦合数据；
识别所述睡眠时段中的包括所述心肺耦合数据中的极低频耦合的时期；
访问所述心肺耦合数据中与所述时期相对应的高频耦合数据或低频耦合数据中的至少一个；以及
基于与所述时期相对应的所述高频耦合数据或所述低频耦合数据中的至少一个，将所述时期指定为REM睡眠时期或唤醒时期，其中，所述时期是基于所述心肺耦合数据而不使用非心肺耦合生理数据来指定的。
10.根据权利要求9所述的***，其中，所述时期表现出低频耦合主导，并且其中，所述指令在由所述一个或多个处理器执行时，还使得所述***将所述时期期间的所述极低频耦合的功率与阈值进行比较。
11.根据权利要求10所述的***，其中，所述阈值基于以下中的至少一个：所述人、所述人的状况以及包括所述人的群体。
12.根据权利要求11所述的***，其中，在指定所述时期中，所述指令在由所述一个或多个处理器执行时，使得所述***基于以下条件将所述时期指定为REM睡眠时期：(i)所述低频耦合主导，以及(ii)在所述时期期间所述极低频耦合的功率超过所述阈值。
13.根据权利要求9所述的***，其中，所述时期表现出极低频耦合主导。
14.根据权利要求13所述的***，其中，所述时期的所述极低频耦合主导基于与所述时期相对应的所述心肺耦合数据中的极低频耦合范围的预定义较高范围中的主导。
15.根据权利要求14所述的***，其中，在指定所述时期中，所述指令在由所述一个或多个处理器执行时，使得所述***基于以下条件将所述时期指定为REM睡眠时期：(i)在所述极低频耦合范围的预定义较高范围中的所述极低频耦合主导，以及(ii)在与所述时期相对应的所述高频耦合数据或所述低频耦合数据中的至少一个中的低频耦合或高频耦合中的至少一个的功率超过阈值。
16.根据权利要求13所述的***，其中，在指定所述时期中，所述指令在由所述一个或多个处理器执行时，使得所述***基于以下条件将所述时期指定为REM睡眠时期：(i)所述时期中的所述极低频耦合主导，以及(ii)在与所述时期相对应的所述低频耦合数据中存在升高的低频耦合窄带。
17.一种计算机实现的方法，包括：
访问贯穿人的睡眠时段的心肺耦合数据；
基于所述心肺耦合数据，将所述睡眠时段中的时期分类为极低频耦合(vLFC)时期；
访问与所述vLFC时期相对应的所述人的体动记录仪数据；以及
基于在与所述vLFC时期相对应的所述体动记录仪数据中指示移动低于移动阈值的体动记录仪测量的预定百分比，将所述vLFC时期指定为REM时期。
18.根据权利要求17所述的计算机实现的方法，其中，所述预定百分比是与所述vLFC时期相对应的所述体动记录仪数据中的所述体动记录仪测量的95％，并且其中，所述移动阈值是0.01G/s。
19.根据权利要求17所述的计算机实现的方法，还包括针对不同的体动记录仪传感器改变所述预定百分比和所述移动阈值中的至少一个。
20.一种***，包括：
一个或多个处理器；和
至少一个存储器，存储指令，所述指令在由所述一个或多个处理器执行时，使得所述***：
访问贯穿人的睡眠时段的心肺耦合数据；
基于所述心肺耦合数据，将所述睡眠时段中的时期分类为极低频耦合(vLFC)时期；
访问与所述vLFC时期相对应的所述人的体动记录仪数据；以及
基于在与所述vLFC时期相对应的所述体动记录仪数据中指示移动低于移动阈值的体动记录仪测量的预定百分比，将所述vLFC时期指定为REM时期。
21.根据权利要求20所述的***，其中，所述预定百分比是与所述vLFC时期相对应的所述体动记录仪数据中的所述体动记录仪测量的95％，并且其中，所述移动阈值是0.01G/s。
22.根据权利要求20所述的***，其中，所述指令在由所述一个或多个处理器执行时，还使得所述***针对不同的体动记录仪传感器改变所述预定百分比和所述移动阈值中的至少一个。
23.一种计算机实现的方法，包括：
访问贯穿人的睡眠时段的心肺耦合数据；
基于所述心肺耦合数据，将所述睡眠时段中的时期分类为极低频耦合(vLFC)时期；
访问与所述vLFC时期相对应的所述人的伪体动记录仪数据，其中，所述伪体动记录仪数据基于所述人的生理测量而不是基于体动记录仪测量；以及
基于与所述vLFC时期相对应的所述伪体动记录仪数据，将所述vLFC时期指定为REM时期或唤醒时期。
24.根据权利要求23所述的计算机实现的方法，还包括基于所述生理测量的信号质量生成与所述vLFC时期相对应的所述伪体动记录仪数据。
25.根据权利要求23所述的计算机实现的方法，其中，生成所述伪体动记录仪数据包括当所述信号质量较低时生成与较大运动相对应的数据，以及当所述信号质量较高时生成与较小运动相对应的数据。
26.根据权利要求25所述的计算机实现的方法，其中，所述生理测量包括所述人的ECG测量和体积描记术测量中的至少一个。
27.根据权利要求26所述的计算机实现的方法，其中，生成所述伪体动记录仪数据包括：
处理所述生理测量以检测所述vLFC时期期间的峰；
当检测到的峰的计数低于预定阈值并且当所述检测到的峰的形状匹配预期的峰形状时，生成与较小运动相对应的所述数据；以及
当所述检测到的峰的计数大于所述预定阈值并且当所述检测到的峰的形状不同于所述预期的峰形状时，生成指示较大运动的所述数据。
28.根据权利要求25所述的计算机实现的方法，其中，所述生理测量包括氧饱和度测量。
29.一种***，包括：
一个或多个处理器；和
至少一个存储器，存储指令，所述指令在由所述一个或多个处理器执行时，使得所述***：
访问贯穿人的睡眠时段的心肺耦合数据；
基于所述心肺耦合数据，将所述睡眠时段中的时期分类为极低频耦合(vLFC)时期；
访问与所述vLFC时期相对应的所述人的伪体动记录仪数据，其中，所述伪体动记录仪数据基于所述人的生理测量而不是基于体动记录仪测量；以及
基于与所述vLFC时期相对应的所述伪体动记录仪数据，将所述vLFC时期指定为REM时期或唤醒时期。
30.根据权利要求29所述的***，其中，所述指令在由所述一个或多个处理器执行时，还使得所述***基于所述生理测量的信号质量生成与所述vLFC时期相对应的所述伪体动记录仪数据。
31.根据权利要求29所述的***，其中，在生成所述伪体动记录仪数据中，所述指令在由所述一个或多个处理器执行时，使得所述***在所述信号质量较低时生成与较大运动相对应的数据，以及在所述信号质量较高时生成与较小运动相对应的数据。
32.根据权利要求31所述的***，其中，所述生理测量包括所述人的ECG测量和体积描记术测量中的至少一个。
33.根据权利要求32所述的***，其中，在生成所述伪体动记录仪数据中，所述指令在由所述一个或多个处理器执行时使得所述***：
处理所述生理测量以检测所述vLFC时期期间的峰；
当检测到的峰的计数低于预定阈值并且当所述检测到的峰的形状匹配预期的峰形状时，生成与较小运动相对应的所述数据；并且
当所述检测到的峰的计数大于所述预定阈值并且当所述检测到的峰的形状不同于所述预期的峰形状时，生成指示较大运动的所述数据。
34.根据权利要求31所述的***，其中，所述生理测量包括氧饱和度测量。
35.一种计算机实现的方法，包括：
访问贯穿人的睡眠时段的心肺耦合数据；
基于所述心肺耦合数据，将所述睡眠时段中的时期分类为极低频耦合(vLFC)时期；
访问与所述vLFC时期相对应的所述人的生理数据，其中，所述生理数据包括生理测量并且不包括体动记录仪测量；以及
基于与所述vLFC时期相对应的所述生理数据指示睡眠呼吸紊乱，将所述vLFC时期指定为REM时期。
36.根据权利要求35所述的计算机实现的方法，其中，所述生理测量包括氧饱和度测量，所述方法还包括处理所述氧饱和度测量以识别在所述vLFC时期期间的睡眠呼吸紊乱事件。
37.一种***，包括：
一个或多个处理器；和
至少一个存储器，存储指令，所述指令在由所述一个或多个处理器执行时，使得所述***：
访问贯穿人的睡眠时段的心肺耦合数据；
基于所述心肺耦合数据，将所述睡眠时段中的时期分类为极低频耦合(vLFC)时期；
访问与所述vLFC时期相对应的所述人的生理数据，其中，所述生理数据包括生理测量而不包括体动记录仪测量；以及
基于与所述vLFC时期相对应的所述生理数据指示睡眠呼吸紊乱，将所述vLFC时期指定为REM时期。
38.根据权利要求37所述的***，其中，所述生理测量包括氧饱和度测量，并且其中，所述指令在由所述一个或多个处理器执行时，还使得所述***处理所述氧饱和度测量以识别在所述vLFC时期期间的睡眠呼吸紊乱事件。
CN202080079952.0A 2019-09-21 2020-09-21 用于指定rem和唤醒状态的***和方法 Pending CN114746005A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962903833P 2019-09-21 2019-09-21
US62/903,833 2019-09-21
PCT/US2020/051799 WO2021055943A1 (en) 2019-09-21 2020-09-21 Systems and methods for designation of rem and wake states

Publications (1)

Publication Number Publication Date
CN114746005A true CN114746005A (zh) 2022-07-12

Family

ID=74883557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080079952.0A Pending CN114746005A (zh) 2019-09-21 2020-09-21 用于指定rem和唤醒状态的***和方法

Country Status (7)

Country Link
US (1) US20220386946A1 (zh)
EP (1) EP4030994A4 (zh)
JP (1) JP2022551816A (zh)
CN (1) CN114746005A (zh)
AU (1) AU2020348479A1 (zh)
CA (1) CA3155017A1 (zh)
WO (1) WO2021055943A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7088153B2 (ja) * 2019-09-19 2022-06-21 カシオ計算機株式会社 Ｃａｐ（周期性脳波活動）検出装置、ｃａｐ（周期性脳波活動）検出方法及びプログラム
US11748354B2 (en) * 2020-09-27 2023-09-05 International Business Machines Corporation Data shape confidence

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU6942494A (en) * 1993-05-21 1994-12-20 Nims, Inc. Discriminating between valid and artifactual pulse waveforms
CA2516093C (en) * 2003-02-28 2012-05-01 Consolidated Research Of Richmond, Inc. Automated insomnia treatment system
US7734334B2 (en) 2004-05-17 2010-06-08 Beth Israel Deaconess Medical Center, Inc. Assessment of sleep quality and sleep disordered breathing based on cardiopulmonary coupling
US7324845B2 (en) 2004-05-17 2008-01-29 Beth Israel Deaconess Medical Center Assessment of sleep quality and sleep disordered breathing based on cardiopulmonary coupling
WO2008037020A1 (en) * 2006-09-27 2008-04-03 Resmed Ltd Methods and apparatus for assessing sleep quality
EP2265173B1 (en) * 2008-04-16 2014-06-11 Philips Intellectual Property & Standards GmbH Method and system for sleep/wake condition estimation
US8262582B2 (en) * 2008-08-22 2012-09-11 Valtion Teknillinen Tutkimuskeskus Extraction of heart inter beat interval from multichannel measurements
JP5711213B2 (ja) * 2009-04-20 2015-04-30 レスメド・リミテッドＲｅｓＭｅｄＬｉｍｉｔｅｄ 酸素測定信号を用いるチェーンストークス呼吸パターンの識別
US8979730B2 (en) * 2009-06-04 2015-03-17 Koninklijke Philips N.V. Method and system for providing behavioural therapy for insomnia
US11134887B2 (en) * 2017-06-02 2021-10-05 Daniel Pituch Systems and methods for preventing sleep disturbance
WO2019246234A1 (en) * 2018-06-19 2019-12-26 Hilmisson Hugi Systems and methods for evaluation of health situation or condition
CN112930139A (zh) 2018-09-17 2021-06-08 脉源有限公司 分析睡眠呼吸障碍事件的***和方法

Also Published As

Publication number Publication date
US20220386946A1 (en) 2022-12-08
WO2021055943A1 (en) 2021-03-25
AU2020348479A1 (en) 2022-05-12
EP4030994A4 (en) 2023-10-11
CA3155017A1 (en) 2021-03-25
EP4030994A1 (en) 2022-07-27
JP2022551816A (ja) 2022-12-14

Similar Documents

Publication Publication Date Title
US10470719B2 (en) Machine learnt model to detect REM sleep periods using a spectral analysis of heart rate and motion
US8403848B2 (en) Assessment of sleep quality and sleep disordered breathing based on cardiopulmonary coupling
EP3410924B1 (en) Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion
AU2010239127B2 (en) Discrimination of Cheyne -Stokes breathing patterns by use of oximetry signals
JP7455815B2 (ja) 睡眠呼吸障害イベントを分析するためのシステムおよび方法
CN106413541B (zh) 用于诊断睡眠的***和方法
US8862195B2 (en) Method, system, and apparatus for automatic detection of obstructive sleep apnea from oxygen saturation recordings
US20220386946A1 (en) Systems and methods for designation of rem and wake states
CN112469329A (zh) 评估健康情况或状况的方法和***
JP7216408B2 (ja) 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム
CN113827202A (zh) 基于机器学习的睡眠质量检测方法及装置
WO2021230775A1 (ru) Способ определения фазы сна в длительной записи ээг
KR102637471B1 (ko) 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법
KR102637472B1 (ko) 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
Sazonova et al. Activity-based sleep-wake identification in infants
JP2023066909A (ja) 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム
AU2013221962A1 (en) Discrimination of Cheyne-Stokes Breathing Patterns by Use of Oximetry Signals

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