JP7075405B2 - 睡眠呼吸障害の特徴付け方法 - Google Patents

Description

１．発明の分野
本発明は、睡眠期間中の呼吸を監視する方法及び装置に関し、特に、睡眠呼吸障害（ＳＤＢ）を特徴付ける方法に関する。

２．関連技術の説明
睡眠呼吸障害（ＳＤＢ：ｓｌｅｅｐ ｄｉｓｏｒｄｅｒｅｄ ｂｒｅａｔｈｉｎｇ）は、患者、すなわちＳＤＢを経験する個人の気道における何らかの種類の閉塞（ｏｂｓｔｒｕｃｔｉｏｎ）の結果として起こり得ることがよく理解される。様々な種類の閉塞は、解剖学的／生理学的観点に基づいて互いに区別することができ、特定の種類の閉塞は、結果として生じるＳＤＢの間に、しばしば特定の種類の音を発生する。ＳＤＢ中に発生する音の際立った特徴は、そのスペクトル・シグネチャ（ｓｐｅｃｔｒａｌ ｓｉｇｎａｔｕｒｅ）である。例えば、その音は、１００～２００Ｈｚの範囲の低い周波数スペクトルに関連する口蓋いびき（ｐａｌａｔａｌ ｓｎｏｒｉｎｇ）であり得る。さらなる例として、喘鳴（ぜんめい：ｓｔｒｉｄｏｒ）として知られるＳＤＢ事象は、典型的には、周波数スペクトルのより高い、おそらくは数ｋＨｚの音で特徴付けられる。一般的な参考文献は、「複数の分類器を使用する呼吸音成分の対象独立識別（Ｓｕｂｊｅｃｔ Ｉｎｄｅｐｅｎｄｅｎｔ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｏｆ Ｂｒｅａｔｈ Ｓｏｕｎｄｓ Ｃｏｍｐｏｎｅｎｔｓ Ｕｓｉｎｇ Ｍｕｌｔｉｐｌｅ Ｃｌａｓｓｉｆｉｅｒｓ）」（Ａｌｓｈａｅｒ，Ｈｉｓｈａｍ；Ｐａｎｄｙａ，Ｔ．Ａｄｉｔｙａ；Ｂｒａｄｌｅｙ，Ｄｏｕｇｌａｓ；ａｎｄＲｕｄｚｉｃｚ，Ｆｒａｎｋ，２０１４ ＩＥＥＥ Ｉｎｔ’ｌ Ｃｏｎｆ． ｏｎ Ａｃｏｕｓｔｉｃ， Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＡＳＳＰ））である。

ＳＤＢ解析において特に関連するパラメータの一つは、ＳＤＢ現象が起こる時間の量であり、例えば、ＳＤＢが睡眠時間全体に対して起こる時間の量、又はＳＤＢが観察される呼吸サイクルのパーセンテージである。正確な結果を得るためには、何らかの形でＳＤＢに関連する睡眠期間中のすべての時間を特定する必要がある。ＳＤＢ中に生じたいびき又は喘鳴の場合、例えば、いびきを含む可聴呼吸パターンのより長いセグメントの識別は、いくつかの短い又は個々のいびきを識別するのとは異なる。そのような分析のために、睡眠期間中のＳＤＢの全期間を特徴付ける必要がある場合、典型的には、特定しようとしている事象の種類の個別化されたシグネチャ（署名）を知る必要がある。ＳＤＢの全期間を特定する問題は、一人に対しても、ＳＤＢの特徴が薬物の使用や飲酒などの状況によって変化する可能性があり、音の特性に影響を及ぼす可能性があることから悪化する。さらに、睡眠期間中には、睡眠期間中の早期に口笛呼気音が鳴り、睡眠期間中の後期には激しいいびきが起こるなどの変化が起こりうる。

重いいびきの場合、重いいびきエピソード（ｅｐｉｓｏｄｅｓ）は、典型的には、強度、エネルギー、又は音の大きさパターン、すなわち信号の強度に基づいて容易に識別することができる。その結果、いびきエピソードは、しばしば他のエピソード（すなわち、非いびきエピソード）から切り離すことができる。いびきエピソードの一般的な特徴付けは、任意の都合がよい周波数変換方法、すなわち、フーリエ変換（ＦＴ）、パワー・スペクトル密度関数（ＰＳＤ）、又は推定線形予測システムの合成フィルタの伝達関数によって行うことができる。しかしながら、後者のアプローチは、ＳＤＢ音における支配的なスペクトル・エネルギーが、非常に低い（１００Ｈｚ）からかなり高い（数ｋＨｚ）に及ぶ可能性があり、特に、従来の線形予測方法の低周波数モデリング能力は、典型的には劣っているという事実のために制限される。

場合によっては、ＳＤＢ事象のエネルギー又は音の大きさは、特定のＳＤＢエピソードを関心の対象の一つとして識別するのに必ずしも十分なトリガーとは限らない。他の事象は、会話、くしゃみ等のような、特徴的なＳＤＢ音の特徴として検索される可聴特徴のタイプと関連しない大きな音をトリガーし得る。従って、より高度でロバストなＳＤＢ事象を識別するための方法を提供することが必要である。

ＳＤＢ事象の識別を改善するために一般的に使用される別の態様は、信号のエンベロープ（ｅｎｖｅｌｏｐｅ）又はエネルギーの周期性の分析である。しかし、これは必ずしも望ましい結果をもたらすとは限らない。これは、特に、家庭内寝室のような自然な環境において、好ましくは、控えめな音響モニタ（例えば、寝室内に置かれたマイクロフォン）によって音が分析され、特定の背景雑音が支配的になり、特定の繰り返し音の発生がスペクトル的に明確に聞こえ、かつ観測可能（例えば、スペクトログラムにおいて）である場合であっても、全体的な準周期的音の大きさの変動に基づいてエピソードを分離するシステムは機能しないかもしれない。

これらの欠点を克服するために試みられてきた方法は、マルチバンド分析を検討することである。特定のバンドでは、準周期性が見える。しかしながら、このようなアプローチの明らかな欠点は、複雑な決定論理と同様に、フィルタの設計の必要性である。従って、改善が望ましい。

従って、本発明の目的は、従来の方法の欠点を克服する睡眠呼吸障害を特徴付ける方法を提供することである。この目的は、患者の近くで睡眠期間の少なくとも一部の間において生じる音を表す少なくとも第１の信号を受信することと、少なくとも第１の信号において複数のセグメントを識別することと、複数のセグメントの少なくとも一部のセグメントが予め確立された複数のクラスタのうちの１つに属しているとして特徴付けることであって、予め確立された複数のクラスタがそれぞれ複数の特性を有し、複数の特性の中からの特性が、呼吸サイクルの吸気相、呼吸サイクルの呼気相、呼吸サイクルの休止相、及び未知の事象を含む相のグループの中からの相であり、複数の特性の中からの別の特性が、高エネルギー・レベルと低エネルギー・レベル及び中エネルギー・レベルのうちの少なくとも１つを含むエネルギー・レベルのグループの中からのエネルギー・レベルである、特徴付けることと、その相が未知の事象を有するクライストとして分類される少なくとも１つのセグメントに対して、少なくとも一部のセグメントの各セグメントに、セグメントのスペクトル特徴付けを適用することと、少なくとも１つのセグメントのスペクトル特徴付け及び少なくとも第１の信号に対応する時間軸を形成する他のクラスタに関連するスペクトル特徴付けとの間の対応に少なくとも部分的に基づいて、少なくとも１つのセグメントを、呼吸周期の吸入相、呼吸周期の呼気相、および呼吸周期の休止相のうちの１つをその位相として有する別のクラスタにあるように特徴付けられるように再特徴付けることであって、そのセグメントは、呼吸周期の吸入相、呼吸周期の呼気相、および呼吸周期の休止相のうちの１つである、再特徴付けすることと、少なくとも部分的に時間軸に基づく情報を含む出力を生成することと、を含む方法を提供することによって本発明の実施形態により達成される。

本発明のさらに別の目的は、従来の方法の欠点を克服する睡眠呼吸障害を特徴付ける別の方法を提供することである。この目的は、睡眠期間中の患者の呼吸障害を特徴付ける方法であって、患者の近くで睡眠期間の少なくとも一部の期間に発生する音を表す少なくとも第１の信号を受信することと、少なくとも第１の信号において複数のセグメントを以下によって識別することであって、少なくとも第１の信号の少なくとも一部に線形予測アルゴリズムにかけて、少なくとも第１の信号の少なくとも一部を表す励起信号を得ることと、短期多項式分解を使用するなどして、励起信号における複数の候補遷移点として、負の勾配と正の勾配との間の励起信号における低エネルギー・レベル及び急速な変化の複数の同時発生を識別することと、例えば、自己相関関数の適用に基づいて候補遷移点の対の間に存在する励起信号の複数の部分が、期間及び複数の部分のスペクトル内容の類似性に、少なくとも部分的に基づいて互いに類似していることを決定することと、例えば、決定することに少なくとも部分的に基づいて、候補遷移点の対が実際の遷移点であり、各実際の遷移点の直前にある励起信号の一部は、呼吸サイクルの吸気相であり、各実際の遷移点の直後に続く励起信号の一部は、呼吸サイクルの呼気相である、と結論付けることと、である、識別することと、吸気相及び呼気相のうちの少なくとも１つに少なくとも部分的に基づく情報を含む出力を生成することと、を含む方法により達成される。

本発明のさらに別の目的は、従来の方法の欠点を克服する睡眠呼吸障害を特徴付ける別の方法を提供することである。この目的は、患者の近くで睡眠期間の少なくとも一部の間に発生する音を表す少なくとも第１の信号を受信することと、少なくとも第１の信号の少なくとも一部分を線形予測アルゴリズムに付して、分母多項式で割った分子多項式に等しい伝達関数を得ることと、分母多項式の１つ以上の根を決定することと、１つ以上の根の少なくとも一部は、長さを有し、さらに横軸に関して角度を有するベクトルによって表すことができる複素数の形状で表すことができる、根の少なくとも一部の各ルートに対して、所定の形状を有し、且つ、根のベクトルの角度に少なくとも部分的に基づいて確率成分の中心周波数を決定し、根のベクトルの長さに少なくとも部分的に基づいて、確率成分の幅を決定することによる高さ及び幅を有するテンプレート確率に従う確率成分を生成することと、確率成分を組み合わせることによって、確率関数を形成することと、含む方法を提供することによって達成される。線形予測アルゴリズムは、ワーピング係数を使用することができ、ワーピングは、選択可能であり、特定の関心領域に対して分析を方向付けるために選択可能で変更可能であり得る。

本発明の一態様は、先験的に又は個別化されたデータの必要性を最小限に抑えたＳＤＢのタイプ及び重症度のインジケータを作成するために、音の分析のための方法論を提供することである。特に、本発明の一態様は、期間インジケータを含む、識別されたＳＤＢ事象特徴付けのためのロバストなシステムを概説することである。この問題に対処する典型的な方法は、セグメンテーションから始まり、スペクトル特徴付け及び識別に続く処理の連鎖によるものである。これらの試みとは対照的に、本発明は、いくつかの部分を改善し、柔軟性を付加した。付加された柔軟性に関して、カスケード・アプローチにおいて、前の不正確な決定が初期段階（すなわち、セグメンテーション）で行われ、それはさらなる処理を妨げ、又は第２のステップの品質を低下させた。本発明において想定される柔軟性は、この欠点を緩和する。

特に、本発明は、最も顕著で非常に関連性の高い事象を学習するために、時間軸の第１の部分的特徴付けを行うことを想定している。後期段階、すなわち非常に関連性の高い事象を十分に観察した後にのみ、実際に実行される全時間軸の完全なセグメンテーションである。

本発明の別の態様は、マルチバンド分析に頼ることなく、ＳＤＢ特異的エピソードを他のエピソードから容易に分離することができる音響分析を実施する方法を提供することである。

本発明の別の態様は、吸気／呼気遷移を生成し、吸気／呼気時間ストレッチを識別する方法論を提示することである。

本発明のさらなる態様は、マルチバンド分析に頼ることなく、ＳＤＢ特異的エピソードを他のエピソードから容易に分離することができ、これを、極めて低周波数のいびき現象（ｓｎｏｒｉｎｇ ｐｈｅｎｏｍｅｎａ）（例えば、１００Ｈｚにおけるような）及び数ｋＨｚで発生する笛声音（ｗｈｉｓｔｌｉｎｇ）又は喘鳴現象（ｓｔｒｉｄｏｒ ｐｈｅｎｏｍｅｎａ）のような高周波数のいびき現象に対して取り扱うことができる音響分析方法を提供することである。

本発明の別の態様は、簡便で容易に理解可能なフォーマットで分析の結果を提示することである。

本発明のこれら及び他の目的、特徴、及び特性、並びに構造の関連する要素の動作方法及び機能、並びに部品の組み合わせ及び製造の経済性は、添付の図面を参照して以下の説明及び添付の特許請求の範囲を考慮すると、より明白になり、これらの図面は全て本明細書の一部を構成し、類似の参照番号は種々の図面における対応する部品を示す。しかしながら、図面は、例示及び説明のみを目的とし、本発明の境界の定義を意図するものではないことを明示的に理解すべきである。

従来の線形予測アルゴリズムを用いた複数のいびきエピソードに対する推定伝達関数の振幅伝達の逆数である。

図１と同様の図であり、図２が、ワープ線形予測（ＷＬＰ）を用いて推定された逆振幅伝達を有することを除き、同じいびきエピソードの推定伝達関数の逆振幅を提供する。

入力信号の走行エネルギーを示す。

図３の入力信号をＷＬＰにかけることによって得られる励起信号の走行エネルギーを示す。

そこから導出された別の対応する励起信号と重ね合わせられた別の入力信号の走行エネルギーの図であり、さらに、複数の吸気／呼気の遷移点を示す矢印を含む。

さらに別の入力信号と、そこから導出されるさらに別の対応する励起信号の走行エネルギーであり、複数の矢印でさらに他の吸気／呼気遷移を示す。

さらなる入力信号及びそこから得られたさらなる対応する励起信号の走行エネルギーを互いに重ね合わせて示し、アスタリスク記号でさらに吸気／呼気遷移を示す。

複数の確率成分が結合されて確率関数となる形状（一例として三角形）を有するテンプレート確率の使用の概略的説明である。

確率関数の表現である。

本発明による改良方法の特定の態様を示すフローチャートである。

本明細書中で使用される場合、「１つの（ａ）」、「１つの（ａｎ）」、及び「その（ｔｈｅ）」の単数形は、文脈が明確に他を指示しない限り、複数の参照を含む。本明細書で使用される場合、２つ以上の部品又は構成要素が「結合される（ｃｏｕｐｌｅｄ）」という記述は、リンクが発生する限り、当該部品が直接又は間接的に、すなわち、１つ以上の中間部品又は構成要素を介して接続され、又は互いに動作することを意味するものとする。本明細書で使用される「直接結合（ｄｉｒｅｃｔｌｙ ｃｏｕｐｌｅｄ）」とは、２つの要素が互いに直接接触することを意味する。本明細書で使用される「固定結合（ｆｉｘｅｄｌｙ ｃｏｕｐｌｅｄ）」又は「固定された（ｆｉｘｅｄ）」とは、２つの構成要素が、互いに対して一定の方向を維持しながら一方として移動するように結合されることを意味する。

本明細書で使用される場合、「単一の（ｕｎｉｔａｒｙ）」という用語は、構成要素が単一の部品又はユニットとして作成されることを意味する。すなわち、別々に作られ、次いでユニットとして一緒に結合される部品を含む構成要素は、「単一の」構成要素又は本体ではない。本明細書で使用されるように、２つ以上の部品又は構成要素が互いに「係合する（ｅｎｇａｇｅ）」という記述は、部品が直接又は１つ以上の中間部品又は構成要素を介して互いに対して力を及ぼすことを意味するものとする。本明細書において使用される場合、用語「数（ｎｕｍｂｅｒ）」は、１又は１よりも大きい整数（すなわち、複数）を意味する。

本明細書において使用される、例えば制限なく、上部、下部、左、右、上の、下の、前の、後の、及びそれらの派生語のような、方向性フレーズは、図面に示される要素の向きに関係し、その中に明示的に記載されない限り、請求項を限定するものではない。

上述のように、本発明によって提示される解決策の一態様は、患者の睡眠期間中のすべてのＳＤＢ事象を識別するために、４ステージ分析アプローチ（ｆｏｕｒ－ｓｔａｇｅ ａｎａｌｙｓｉｓ ａｐｐｒｏａｃｈ）を使用することである。本発明の別の態様は、利用可能な最良の分析ツールを使用するとともに、高い確率でケースに対してのみソフトな決定又はハードな決定を使用することである。

この方法は、典型的には、患者の近くで睡眠期間中に発生する音を表す信号を受信することから始まる。場合によっては、信号の受信は、患者によって使用される携帯電話又は他のそのような装置のような装置の一部であってもよいし、そうでなくてもよいマイクロフォンの使用を介して行われる。以下により詳細に説明する信号の処理のうちのあるものは、コンピュータを組み込んで患者に使用されるこのような携帯電話又は他のそのような装置上で行うことができる。他の状況では、より高度な処理及びさらなる分析は、他のコンピュータ装置を用いて、患者から離れた位置にいる技術者又は他の専門家によって患者から遠隔で実施されてもよい。

以下により詳細に説明するように、第１ステージは、そのようなセグメントが容易に認識可能であるとき、すなわち、ＳＤＢ又は他の特定の事象のインスタンスとして、高い確率であるとき、信号のセグメントへの時間的セグメント化を行うと説明することができる。以下により詳細に記載されるように、セグメントは、呼吸サイクルを識別するために使用可能である。第２ステージでは、セグメントはさらに特徴付けられ、各々が複数のクラスタのうちの１つにクラスタ化されるか、又は分類され、そのクラスタ（又は少なくともその定義）は予め確立され得る。第３ステージでは、クラスタのスペクトル特徴は、さらなる、すなわち、睡眠期間中に発生する全ての音を表す信号全体の完全な自動注釈のために使用される。第４ステージでは、任意のクラスタの事象が発生する睡眠期間中の相対時間を決定するためにクラスタ及びより詳細にはその持続期間が評価される。例えば、出力は、（例として）いびきの総期間、ＳＤＢ以外の睡眠の総期間等を含む睡眠期間の要約であってもよく、このデータは種々の様式のいずれかで出力されてもよい。出力は、おそらく、クラスタ化された発生のいずれか１つ又は複数の事象の他の特徴付けによって補強されてもよい。

より詳細には、第１ステージに関して、オーディオ信号は、携帯電話又は他の装置などのマイクロフォンによってピックアップされる。オーディオ信号は、携帯電話又は他の場所のいずれかで、後の処理のために記録され得るか、又は信号は、その記録と同時に処理され得る。好ましくは、信号の分析は、線形予測アルゴリズムを用いて励起信号を生成することによって行われる。励起信号からエネルギーが決定される。また、この時点で、メル周波数ケプストラム係数（ＭＦＣＣ：Ｍｅｌ Ｆｒｅｑｕｅｎｃｙ Ｃｅｐｓｔｒａｌ Ｃｏｆｆｉｃｉｅｎｔｓ）等のようなスペクトル特徴を含むことも可能である。自己相関関数（ＡＣＦ）は、期待される範囲に十分な周期性があるかどうか、すなわち、繰返し率が望ましい範囲にしきい値を設定し、ＡＣＦからの強度又は相関の程度の最小値を設定することによって決定するために使用することができる。ＡＣＦは、一般的に利用可能であり、関連技術において周知であることが知られている広範囲の既知のＡＣＦシステムのいずれかであり得る。そのようなＡＣＦは、望ましくは、睡眠期間中の数回の呼吸期間にわたって作動するように作られ、さらに、好ましくは、例えば、範囲及び強度設定に従って平均的に十分に繰り返されるこれらのセグメントのみを識別するように構成される。すなわち、ＡＣＦは、個々の呼吸サイクルを識別するように構成されていない。

繰返し率に関して、エネルギー信号又は適切に作成されたエンベロープ信号は、２つの明確に区別可能なレベルによって特徴付けられる。これらはクラスタリング・アルゴリズムによって推定でき、その多くは存在することが知られている。しきい値は、十分な分離を保証するように設定できる。

これらの２つの測定によって、ＳＤＢ事象、特に、ＳＤＢ事象中に発生するＳＤＢ音を明確に示すセグメントを識別することができる。種々のしきい値は、ＳＤＢ事象を含むと識別されるセグメントが非常に高い信頼性、すなわち高い特異性を有するように設定することができる。

時間軸の再分割は、推定された繰り返し率に基づいて呼吸周期に関して行うことができる。各呼吸周期は、予め確立された複数のクラスタのうちの１つに属する部分、又は特定のクラスタ又はレベルに属する確率に属する部分に分けることができる。最も典型的には、部分は、連続的に吸気相、呼気相、及び次の吸気の直前の休止相（ｒｅｓｔ ｐｈａｓｅ）である。吸気から呼気への移行を示す時間マーカーを用いることができる。これに関するいくつかの例を以下に説明する。

クラスタは、特性を有し得、図示された例示的実施形態では、クラスタは、各々、それらの特性として、エネルギー・レベル及び位相を与えられる。例えば、エネルギー・レベルは、高エネルギー又は低エネルギーのいずれかである。他のエネルギー・レベル又は追加のエネルギー・レベルを使用することができることが理解される。さらに、信号エンベロープ・レベルは、エネルギー・レベルが言及されている本明細書中の任意の点において、エネルギー・レベルに代わりに使用され得ることに、明示的に留意されたい。一般的に理解されるように、振幅は、呼吸サイクルのセグメント上のような一定期間にわたるエネルギーのいくつかの尺度を参照することができ、（励起）信号のエネルギーを参照することができる。もう１つの選択肢は、同様に関係する励起信号の平均を参照する信号のエンベロープを見ることである。他の特性は、図示された例示的実施形態において、吸気相、呼気相、休止相、及び未知の相、すなわち相が吸気、呼気、又は休止であるか否かが不明である相を含む呼吸サイクルの位相である。１から６の番号が付けられた例示的なクラスタは、高い確率であると特徴付けられる。追加のクラスタ７は、そうでなければクラスタ１～６のうちの１つであったであろう中確率及び低確率の例に対するものである。

従って、各時間インスタンス又は期間は、以下の表１に示されるように、予め確立された複数のクラスタの中からクラスタに属するものとして特徴付けられ、これは、各々が２つのエネルギー準位（高及び低）のうちの１つであると定義されるクラスタを含む場合を示す。

より具体的には、本発明の一態様は、あるタイプの線形予測の適用から生じる励起信号を使用することであり、好ましくは、元の入力（オーディオ）信号にワープ線形予測（ＷＬＰ）又はラゲレ線形予測（ＬＬＰ）のようなタップ付き全域通過フィルタのラインを使用するものである。関連技術において理解されるように、ＷＬＰ及びＬＬＰの両方は、タップされた全域通過フィルタのラインを使用するが、ＬＬＰでは、第１のフィルタは、ＷＬＰのそれとは異なる。信号セグメンテーション及びセグメント識別のために、元のオーディオ信号のエネルギーの代わりに、又はそれと組み合わせて、励起信号のエネルギー又はエンベロープを使用することには、いくつかの利点がある。これらの利点は以下に記載される。

第一に、バックグラウンド・ノイズ（背景雑音）（静音又は換気ファンのような固定ノイズ）レベルは、元のオーディオ信号のエネルギーよりも励起信号のエネルギーにおいてより定常であり、従って、励起信号を信号セグメンテーションのためのより信頼性のあるソースにする。第二に、前述のバックグラウンド（すなわち、静音）レベルとＳＤＢ事象との差異は、典型的には、元のオーディオ信号よりも励起信号において顕著である。特に、ＳＤＢ音に高周波特性がある場合はそうである。第三に、励起信号は、吸気から呼気への遷移をより明確に示す。

一般的な線形予測子（ｌｉｎｅａｒ ｐｒｅｄｉｃｔｏｒ）は、次の式で与えられる：
Ｈ（ｚ）＝１－Σｂ_ｋＧ_ｋ（ｚ）
Ｇ_ｋ（ｚ）は任意の伝達関数であり、ｂ_ｋは重みであり、Σは総和記号であり、総和はｋ全体にわたる（ｋ＝１，２，．．．．Ｋ、Ｋは系の自由度数である）。Ｈ（ｚ）を分析フィルタと呼ぶ。

従来の線形予測アルゴリズムでは、
Ｇ_ｋ（ｚ）＝ｚ^－ｋ
は、タップ付き遅延線フィルタとして知られ、ワープ線形予測のために、
Ｇ_ｋ（ｚ）＝Ａ^ｋ（ｚ）
ここで、Ａ（ｚ）は－１＜ｐ＜１のワープ係数又はｐｏｌｅ（ｐ）によって定義される一次全域通過セクションである。関連技術において一般に理解されるように、ｐｏｌｅ ｐを有する一次全域通過フィルタＡ（ｚ）は、以下によって与えられる。
Ａ（ｚ）＝（ｐ－ｚ^－１）／（１－ｐｚ^－１）

解析フィルタＨ（ｚ）は、このシステムによって元の入力信号ｘ（ｔ）をフィルタする場合、出力信号は最小のエネルギーを有し、可能な限りスペクトル的に平坦であるように最適化される。この最適化における自由度は、係数ｂ_ｋである。

入力信号ｘ（ｔ）は、オーディオの離散時間セグメントであり、ｋ＝１，２， ． Ｋであるフィルタ・システムに入力され、そして出力ｙ_ｋ（ｔ）を生成し、これは、ｙ_ｋ（ｔ）が入力ｘ（ｔ）を持つフィルタＧ_ｋ（ｚ）の応答であることを意味する。

共分散行列Ｑは次のように構成される：
Ｑ_ｋ，ｌ＝Σｙ_ｋ（ｔ）ｙ_ｌ（ｔ）
ここで、総和は時間ｔにわたる。

共分散ベクトルは次のように構成される：
Ｒ_ｋ＝Σｘ（ｔ）ｙ_ｋ（ｔ）
ここで、総和は時間ｔにわたる。

あるいは、共分散は、ある時間的加重関数を用いて加重されてもよい。

最適なパラメータセットが定義される：
ＱＢ＝Ｒ
ここで、ベクトルＢは、パラメータｂ_ｋ、すなわちＢ＝［ｂ_１，ｂ_２，．．．．ｂ_Ｋ］を含む。

このようにしてパラメータを最適化した後、解析フィルタの伝達関数の振幅の逆数は、元の入力信号ｘ（ｔ）のスペクトル特性を反映する。残留信号又は励起信号ｅ（ｔ）は、ｘ（ｔ）に作用する解析フィルタＨ（ｚ）の出力であり、次式により与えられる：
ｅ（ｔ）＝ｘ（ｔ）－ｂ_ｋｙ_ｋ（ｔ）

ランニング解析は、最適係数ｂを定期的に決定し、フィルタ内の係数ｂを更新することにより、時間可変適応フィルタ（ｔｉｍｅ－ｖａｒｉａｎｔ ａｄａｐｔｉｖｅ ｆｉｌｔｅｒ）を作り出すことによって行うことができる。

従って、入力信号ｘ（ｔ）、すなわち、そのセグメントではなく全信号から、同様に、セグメント化された励起信号ではなく全信号である関連する励起信号ｅ（ｔ）を生成することができる。あるいは、重畳加算法（ｏｖｅｒｌａｐ－ａｄｄ ｍｅｔｈｏｄｓ）を用いて、セグメントｅ（ｔ）からの完全励起信号を構成することができる。

ＳＤＢ事象を検出するために、ＳＤＢが主としてサウンドを決定する時間セグメントは、サウンドがバックグラウンド・ノイズによって支配される残りの時間セグメントから分離する必要があり、これは主にサイ無音であるかもしれない。元の信号ｘ（ｔ）に基づくのではなく、励起信号ｅ（ｔ）に基づくこのような識別及びセグメンテーションを行うことは、より容易であり且つロバストである。

上述のように、ＳＤＢ音のエピソードを検出するための２つの主要な方法は、１）信号エネルギーの準周期的パターンを識別すること、及び２）最も大きなレベルがＳＤＢ事象に対応し、最も小さい可能な音がバックグラウンド音に対応する２つの別個のエネルギー・レベルを識別することである。代替の方法、すなわち、信号エネルギーの準周期的パターン化に基づかない方法又は２つの別個のエネルギー・レベルの識別に基づかない方法は、本発明の精神から逸脱することなく、元のオーディオ信号からのいびき又は他のＳＤＢ事象の識別に使用できることが理解される。

励起信号ｅ（ｔ）を使用する場合、元の信号ｘ（ｔ）を使用する場合よりもＳＤＢ事象の識別及びセグメント化が容易であるだけでなく、励起信号ｅ（ｔ）が、従来の線形予測アルゴリズム以外の線形予測アルゴリズムを使用することによって得られる場合、さらに望ましい。関連技術において理解されるように、従来の線形予測方法は、タップ付き遅延線（ｔａｐｐｅｄ ｄｅｌａｙ ｌｉｎｅ）を使用する。図１は、このような従来の線形予測を用いる多数のいびきエピソードに対する解析フィルタの伝達関数Ｈ（ｚ）の振幅伝達の逆数を示す。対照的に、図２は、極（ｐｏｌｅ）、すなわちワープ係数ｐ＝０．６を有するＷＬＰを使用することを除き、同じいびきエピソードに対する伝達関数を示しているが、代わりに－０．６であってもよい。上述のように、ＷＬＰは一連のタップ付き全域通過フィルタ（ａｌｌｐａｓｓ ｆｉｌｔｅｒｓ）を採用している。図１及び図２に示される両方の場合において、オーダー（ｏｒｄｅｒ）はＫ＝１０である。図２から明確に理解できるように、ＷＬＰを用いた伝達関数は、約１５０Ｈｚで明確な共鳴ピークを有するが、従来の線形予測を用いた図１ではこれはほとんど見えない。１５０Ｈｚのピークは、図１及び図２に示されるいびき事象における実際の支配的ないびき音周波数を反映していることに留意されたい。従って、ＷＬＰ （又は例としてＬＬＰ）は、従来の線形予測よりも励起信号ｅ（ｔ）を生成するのにより有利であることが理解され得る。従来の線形予測を使用するよりもむしろ、例として、ＷＬＰ又はＬＬＰを使用する他の利点は、以下により詳細に説明される。

元のオーディオ信号ｘ（ｔ）よりもむしろ励起信号ｅ（ｔ）の有利な使用は、図３及び図４にさらに有利に描かれる。例えば、図３は、入力信号ｘ（ｔ）の走行エネルギー（ｒｕｎｎｉｎｇ ｅｎｅｒｇｙ）を示す。図４では、元の信号ｘ（ｔ）から導かれ、Ｋ＝１０のオーダーに対してｐ＝０．６のワーピング係数を有するＷＬＰを用いた励起信号ｅ（ｔ）の走行エネルギーが示されている。図３及び図４の場合、入力音は呼気中のパフ音（ｐｕｆｆｉｎｇ ｓｏｕｎｄ）である。繰り返されるパフ音は、元の信号ｘ（ｔ）を示す図３よりも、図４、特にその励起信号ｅ（ｔ）においてより明確に見える。このように、ＷＬＰを用いた解析は、深いいびきに加えて、他のタイプの呼吸現象を識別するのに役立つ。

図５は、異なる入力信号及び結果として生じる励起信号を互いに重ね合わせて示している。元の入力信号において、バックグラウンドの識別は約１０秒から３０秒の間は困難である。しかしながら、この１０～３０秒の間の期間は、励起（すなわち、残留（ｒｅｓｉｄｕａｌ））信号において、特にその時間的挙動において、はるかに規則的で明確に識別可能である。これは、上述のメカニズム、すなわち準周期性の検出及び別個のエネルギー・レベルの検出が、元の信号上で動作するよりもむしろ励起信号上で動作する場合に良好な結果を提供することを意味する。

さらに、図５では、吸気と呼気との間の遷移点を示す一連の矢印が提供される。すなわち、遷移点の直前（すなわち、左側）の期間は呼吸サイクルの吸気相に対応し、遷移点の直後（すなわち、右側）の期間は呼吸サイクルの呼気相に対応する。吸気及び呼気の遷移点は、元の信号（すなわち、入力）よりも励起（すなわち、残留）信号のエネルギーにおいてはるかに見やすいことに留意されたいし、このことは、このような遷移点の識別が、元の信号よりも励起信号においてより容易であることを示している。

図６は、互いに重ね合わせられる別の例示的な入力信号及び結果として生じる励起信号（すなわち、残留信号）を示す。再び、図６の励起信号は、元の入力信号よりも良好な構造であり、元の信号における低レベルのエネルギーは、励起信号におけるよりもはるかにノイズが多く見えることが分かる。再び、複数の吸気／呼気の遷移点が、複数の矢印で図６に示されている。

図５及び図６の矢印によって識別される遷移点は、以下の方法で検出することができる。吸気と呼気の間の遷移は、ｉ）負の勾配から正の勾配に急速に向かうことを意味する高い正の曲率と、ｉｉ）エネルギー・レベルがバックグラウンド・レベルか又は近いことを意味し、時々中間のレベルであって、しかし、基本的に高いレベルではない、低いレベルの、同時発生によって特徴付けられる。

短期多項式分解を用いることは、候補遷移点のリストを作成するために、高曲率と低レベルの同時発生を識別できる方法である。この場合、励起信号の走行エネルギーは、好ましくは、図６に示されるｄＢで、重なり合うセグメントに分けられる（ｃｕｔ ｉｎｔｏ）。多項式関数は、それにフィットされ、好ましくは、このフィットは、重み関数の下での最小二乗フィットである。フィットした曲線の多項式係数を検査し、誤差信号も調べる。誤差が十分に小さく、曲率が十分に高く、且つレベルが十分に低い場合、そのセグメントは遷移を含む。セグメント内の遷移の位置は、推定された多項式係数から決定できる。決定において必要とされる全ての値（十分に小さく、高く、低い）は、例えば、環境をモニタするか、過去のセグメントの追跡を保つことによって、先行設定（例えば、全誤差の１０％未満の誤差、モデリング誤差を少なくともあるパーセンテージ低減する際の二次項の寄与）、又は両方の方法の組み合わせによって、動的に設定することができる。あるいは、分類器（例えば、ニューラル・ネットワーク）は、エネルギー・グラフにおける遷移を認識するように訓練することができる。候補遷移点のリストは、典型的には、ノイズによって誘起される多数の余分な要素を含み、さらに、幾つかの欠落要素を含み得る。

候補遷移点の識別に続いて、有効な後続ステップは検証動作である。遷移点間の距離（すなわち、持続時間）は、規則的であり、呼吸によって誘発される繰返し率の１倍又は複数倍である。繰返し率は、前述の自己相関関数（ＡＣＦ）又は励起信号に適用される追加の又は代替のＡＣＦから決定することができ、多くのＡＣＦは、関連する分野で周知であり、簡潔さの理由で本明細書中では再記述されないことを再び言う。

このような方法論は、有利には、候補遷移点の生成と、候補遷移点を、呼吸サイクルの吸気相と呼気相との間の実際の遷移点へと検証することを可能にする。このような処理の結果は、図７のさらなる例に示されており、図７は、さらに別の入力（オーディオ）信号と、そこから導出された励起信号とが両方の信号が重ね合わせて示している。図７は、２つの観察を強調する。第１に、遷移点は必ずしも低レベルである必要はなく、前述のように中レベルでも起こりうる。この点に関し、種々の呼吸サイクルの吸気相と呼気相との間の遷移点を、アスタリスク記号で図７に示す。第２に、図７は、上述のメカニズムが、励起信号中に他の多くの高曲率のインスタンスが見つかったとしても、遷移点の正しい位置を見つけるのに有効であることを示している。元の入力（オーディオ）信号のエネルギー・プロファイルは、所望の遷移点と判断されない明瞭な高曲率インスタンスを示すことに留意されたい。このように、このことは、さらに、励起信号ｅ（ｔ）が、元の（オーディオ）信号ｘ（ｔ）自体のエネルギー・プロファイルよりも、一連のＳＤＢ事象の時間的構造を分析し解釈するためのより良い手段を提供することを示す。

信号における複数の遷移点を特定した上で、全時間信号は、遷移点の直前の吸気相、遷移点の直後の呼気相、及び呼気相の直後であるが連続する次の吸気相の前に位置する休止相又は無音相に分けることができる。このような分析は、先進的な方法論又は直接的な発見的方法論（上述のような）によって行われる。従って、高レベルのＳＤＢ事象は、吸気相又は呼気相に属するものとして特徴付けることもでき、これは、特定のＳＤＢエピソードに関連する特性の解釈にとってさらに有益である。

このようなＳＤＢ監視システムの１つの結果は、種々の情報を提供するために前述の分析の出力を使用することができる。例えば、吸気相中の典型的なスペクトルの概要は、ＳＤＢ事象としてマークされているか否かを問わず、提供され得る。同様に、呼気中の典型的なスペクトルの概要も、ＳＤＢ事象としてマークされているか否かにかかわらず、同様に出力され得る。また、典型的なバックグラウンド・ノイズ・スペクトルの概要も同様に出力することができる。関連技術において理解されるように、ＳＤＢ事象の間に得られるスペクトルは、吸気相又は呼気相のいずれにおいても、非常に望ましいＳＤＢ事象の特定の原因の診断に有用であり得る。

従って、ステージ１の出力は、潜在的にタイムラインであり得、全体のタイムラインは、高確率の遷移点の間でセグメント化されることが分かる。しかしながら、他の実施形態では、ステージ１の出力は、単に、上述の表１のような表の出力であってもよい。

第２ステージでは、クラスタ、より詳細には、その中のセグメントは、事象をさらに説明するパラメータによってさらに増強される。より具体的には、表１の例示的クラスタ１～７のようなクラスタは、各クラスタ内の各サンプルにサンプルのスペクトル特徴付けを加えることによって増強される。このようなスペクトル特徴付けは、フーリエ変換、パワー・スペクトル密度関数、又はメル周波数ケプストラム係数（ＭＦＣＣ）、又は線形予測システムのパラメータのようなスペクトルを記述する特徴を含むことができる。線形予測システムは、前述のパラメータｂ_ｋが、信号のサブディビジョンがＷＬＰ又はＬＬＰが使用された励起信号に基づく状況において、ステージ１から既に利用可能であるので、特に有効である。追加のスペクトル特徴付けに基づき、クラスタがそのスペクトル特徴付けに関して一貫性をチェックされ、必要に応じてさらに細分化される。結果として、一組のクラスタは、少なくとも部分的には、一貫したスペクトル特徴付けに基づいて作成される。これは、クラスタが、少なくとも部分的には、表１の例に示されるように、一貫したエネルギー・レベル及び一貫した位相に基づいていることに加えられる。

本発明のこの部分の特定の態様は、前述のＷＬＰ及びＬＬＰのような、全域通過フィルタに基づく線形予測方法論の使用を含む。このような代替的な線形予測方法の使用は、誤差システムの管モデルとの対応の喪失をもたらし得るが、ＳＤＢに対してＷＬＰ又はＬＬＰを使用する利点は、管モデルとのこのような対応の喪失よりも大きな利点であることが理解される。

特に、このようなＷＬＰ及びＬＬＰの使用は、ワーピング・パラメータの正の設定のために、低周波数範囲においてスペクトル分解能を増加させる。これにより、低周波いびき現象のスペクトル特性の改善が可能になる。さらに、吸気性喘鳴（ｓｔｒｉｄｏｒ）、呼気性喘鳴（ｗｈｅｅｚｉｎｇ）、及びパフィング（ｐｕｆｆｉｎｇ）などで発生する高周波現象に対する元の信号ｘ（ｔ）の使用と比較して、励起信号ｅ（ｔ）、すなわち残留又は励起信号のエネルギーの分析から、より良好な時間的特徴付けが得られる。さらに、解釈可能なスペクトル・フォーマットに到達するための方法論は、種々のＳＤＢエピソードからの推定システム（ＷＬＰ又はＬＬＰ）からのパラメータを共鳴確率関数に変換することによって達成される。

ＬＬＰは本発明の精神から逸脱することなく使用可能であることが理解されるが、本例示的実施形態においては、ＷＬＰが使用される。オーディオ符号化のために、選択される代表的なワーピング係数又は極は、人間の聴覚システムを模倣するために、オーディオ信号のサンプリング周波数に結合される。例えば、サンプリング・レートが３０ｋＨｚである例においては、ｐ＝０．７のワーピング係数が使用されてもよく、一方、１０ｋＨｚのサンプリング・システムにおいては、好ましいワーピング係数は、これらのそれぞれの範囲にわたって人間の耳の感度と良好な一致を得るために、ｐ＝０．６であってもよい。

ＳＤＢ解析では、ＳＤＢ特徴付けのための改善された特徴を供給するために、ワーピングの自由度を使用することが好ましい。従って、最良のＳＤＢ解析のための極又はワーピング係数の選択は、異なる考慮事項に基づいて設定される。例えば、極は、先験的な情報に基づいて設定することができ、あるいは、異なる基準を用いて信号特性に基づいて最適化することができる。例として、先験的情報の使用は、高周波現象をより詳細に見ることが望ましい場合、ｐ＝－０．５のワーピング係数又は極の選択を含むことができ、又はより低い周波数現象の検査が望ましい場合、ワーピング係数又は極をｐ＝０．５として選択することができる。異なる基準が用いられる場合、例えば、平均二乗誤差を最小にするために、ワーピング係数を選択することができ、又は平均絶対誤差を最小にすることが望ましい場合には、異なる値で選択することができる。さらに、あるいは、共鳴ピークの分析を行いたい場合のように、所望のＳＤＢ分析結果に応じて、分析を導くことができる。例えば、約１５０Ｈｚの共鳴ピークが図２において識別される方法のように、共鳴ピークが特定の周波数で識別されることが決定されてもよい。１５０Ｈｚのピークの存在に基づいて、１５０Ｈｚ付近の現象に焦点を合わせるように、ワーピング係数を調整することが望ましい場合がある。他の例も明らかになる。

上述のように、ベクトルＢに含まれる推定パラメータは、解析フィルタ関数Ｈ（ｚ）を定義する。分子多項式の根（ｒｏｏｔｓ）を使って共鳴ピークを決定することができる。すなわち、フィルタ関数Ｈ（ｚ）は、分母多項式で割った分子多項式として特徴付けることができる。分子多項式の根は、いろいろな方法で特定することができる。１つ又は２つの根を識別する必要がある状況では、根を決定するために基本的な代数演算を潜在的に使用してもよい。より多くの根が存在する状況では、その多くが関連技術において知られている多種多様で複雑な根発見アルゴリズムのいずれかを用いることができる。例えば、使用され得る他の根発見アルゴリズムは、Ｂａｉｒｓｔｏｗの方法、又はＨａｌｌｅｙの方法、Ｌａｇｕｅｒｒｅの方法、Ｂｅｒｎｏｕｌｌｉの方法などの他の方法に基づくものを含むが、これらに限定されない。

信号における様々なＳＤＢエピソードを有し、ベクトルＢからのフィルタ・パラメータ、すなわちｂ_ｋ＝ｂ_１，ｂ_２，．．．ｂ_Ｋは有用な分析を可能にする。前述のＳＤＢエピソードの各々について、共鳴確率関数を決定して、ＳＤＢエピソードを特徴付けることができる。これは、上述のようにＨ（ｚ）の分子多項式の根を考えることによって行うことができる。分子多項式の根のいくつかは、ａとｂが実数であり、ｉが虚数単位である場合に特徴付けられる複素数（ａ＋ｂｉ）である。

さらに、このような複素数は、各々、横座標がａ軸であり、縦座標がｂ軸であるａ－ｂ座標系の起点に位置するそれ自身の起点を有するベクトルとして特徴付けることができることが理解される。ベクトルの終端は、ａ－ｂ座標系上の点ａ、ｂにある。

Ｈ（ｚ）の分子多項式の種々の根は、１つ以上の複素数根及び／又は１つ以上の実数根を含むことができる。実数根は無視され、複素数根は正の虚数部を欠くか、あるいは十分な絶対値を欠く。この点に関して、絶対値はベクトルの長さであり、ＳＱＲＴ（ａ^２＋ｂ^２）によって与えられる。長さが０．４以上の場合、そのような根（正の虚数部を有する場合）は、共鳴現象を表すと考えられる。共鳴現象を表す複素根を選択するためのわずかに異なる基準、例えば、角度と半径の両方が選択に役割を果たす場合も同様に使用することができる。

分子多項式のこのような複素数根のうち、横軸に対するベクトルの角度は、中心周波数ｆ_ｉに対応し、ルートの半径（すなわち、長さ）は帯域幅ｗ_ｉと関連する。次いで、所定の形状を有するテンプレート確率を使用することができ、上記の角度（すなわち、中心周波数ｆ_ｉ）及び半径（すなわち、帯域幅ｗ_ｉ）を使用して、確率密度関数を生成する際に使用される所定の根に対する確率成分を構成することができる。具体的には、テンプレート確率は中心周波数ｆ_ｉを中心とし、テンプレート確率の幅を帯域幅ｗ_ｉに設定する。これは次式で与えられる。
Ｐ（ｆ）＝ΣＴ（（ｆ－ｆ_ｉ）／ｗ_ｉ）ｗ_ｉ
ここで、Ｐは確率関数、ｆは周波数、Ｔはテンプレート関数である。分子多項式の４つの例示的根が三角形テンプレート確率に適用され、４つの確率成分（数字２４、２８、３２、及び３６で示される）を形成し、これらは組み合わされて、数字４０で示される例示的確率関数を形成する例が、図８に示されている。通常、Ｐは、ｆ上のＰの積分が１に等しくなるように、すなわちＰを確率密度関数にするように正規化される。実際の確率密度関数の一例は、ほぼ１５０Ｈｚのピークを示し、この周波数でいびき現象の可能性が高いことを示す非常に狭いピークである図９に一般的に示されている。

三角形テンプレート関数は、例を提供する目的で本明細書において使用されるが、他のタイプのテンプレート確率を用いることができることが理解される。使用可能であると思われる他のテンプレート確率は、矩形テンプレート確率、ガウス・テンプレート確率、及び限定されない他のそのようなテンプレート確率を含む。さらに、単位は固定されており、高さは、典型的には、例として、１／ｗに比例していることに留意されたい。

さらに、例えば、吸気クラスタ及び呼気クラスタのスペクトル特性による未知のセグメントのスペクトル特徴付けの間で整合性に基づき、位相が「未知」のクラスタが「吸気」又は「呼気」として再ラベル付けされるか否かを検討することが有利であり得る。これは、クラスタのプーリング（ｐｏｏｌｉｎｇ）と呼ばれる。

ステージ３において、信号における各時間インスタント又は時間セグメントのスペクトル特徴付けは、ステージ２で出力されたクラスタ（又はこれらのクラスタに割り当てられるセグメント）の特徴付けと比較される。これにより、クラスの割り当て、又は少なくとも、各時間のインスタント又は各時間セグメントごとに出力される確率が可能になる。

さらに、時間的構造の完全性は、クラスの割り当て（又は確率）を、呼吸の時間的論理、すなわち、吸気相に続いて呼気相に続いて休止相、定性的に知られているデータの一部である一定の歩調、すなわち、可能であれば、ステージ１で測定されたような、と対比させることによってチェックすることができる。このステージでは、測定データの特定の部分が必ずしも上述の分析に役立つとは限らないので、識別されない（すなわち、クラスタが割り当てられていない）セグメントを使用することができる。これは、例えば、支配的なバックグラウンド雑音の結果として、又は他の現象に起因し得る。

さらに、クラスタは、データベース内で利用可能であり得るか、又は他の方法で利用可能であり得るクラスタと比較することができ、又は増大することができる。たとえば、ある日の睡眠期間のクラスタを、前の夜又は別の機会の睡眠期間中に生成されたクラスタと比較してもよい。ステージ３の出力は、時間のすべてのインスタンス又は時間のセグメントが、呼吸サイクルの吸気相、呼気相、又は休止相として完全に分類される、完全に分類された時間軸である。図７は、このような分類された時間軸の例示的な限定された部分を示す。

ステージ４に関して、それらのスペクトル特徴付けによって記述されるクラスタを有し、かつそのようなクラスタ内のそのようなセグメントが開始及び終了する種々の時間を有することによって、種々の概観及び分析が作成され、分類された時間軸によって例示される測定に対する洞察を与えることができることが理解される。最も単純な形態では、ステージ４は、種々のクラスタの情報をある形態又は他の形態でレンダリングし、出力を提供するだろう。出力は、クラスタ当たりのスペクトル挙動（すなわち、周波数当たりの平均及び標準偏差、又は中央値及び四分位範囲）、夜の総期間、呼吸時間の総時間又は特定の相に対する夜の相対的な期間、及び／又はそのような挙動が観察される呼吸サイクルのパーセンテージを示す一連のプロットであってもよい。

あるいは、データは、事象に対して意味又は解釈を与えるために知識エンジン又はデータベースを使用することによって解釈することができ、システムの出力は、知識ベース又はデータベース内の特定のラベルとの比較に関する特徴付けとすることができる。例えば、ある種のいびきは、睡眠前のアルコールの消費に依存して生じ得るか、又はその性質を変化させることができることが理解される。同様に、いびきの特徴は、過剰な年齢、鼻閉などを伴って変化することがある。このようなラベルは、出力に含めることができる。また、トレンド分析を生成し、そのようなトレンド分析の結果を出力するために、データを過去の日に収集したデータと比較してもよい。他のタイプの出力も明らかになる。

従って、上述の方法論は、有利には、睡眠期間中の患者の呼吸障害の特徴付けを可能にすることが分かる。このような分析は、少なくとも部分的には、本明細書で言及したＷＬＰ及びＬＬＰ分析方法によって可能とされる。これは特に、ｂ_ｋパラメータを持つベクトルＢがフィルタを特徴付けるので、そのためにほとんどデータ要素を必要としない。例えば、Ｋ＝１０である本明細書に記載されるような１０次のシステムでは、伝達関数Ｈ（ｚ）は、１０個のｂパラメータによって効果的に特徴付けることができる。ＷＬＰ又はＬＬＰがない場合、データ信号の従来のサンプリングは、睡眠期間全体の進行にわたって処理することが実用的でない膨大な数のデータを生成するだろう。例えば、３０ｋＨｚでの従来のオーディオサンプリングの使用は、睡眠１分あたり１８０万のデータ値をもたらす。人間は一般に１日に６～８時間睡眠するので、睡眠１分あたり１８０万のデータ値を生成すると、従来のデータ処理装置を用いて意味のある処理を行うことができない大量のデータを生成することになる。他方、もしフィルタ関数を１０個のｂ値で特徴付けることができるならば、必要とされるデータ処理は、信号の厳密なサンプリング及びそのようなサンプルの保存の場合に必要とされるかなり桁が少ない。従って、ＷＬＰ及びＬＬＰの使用は、有利には、データ処理が、そうでなければ実用的でないか又は不可能である従来のデータ処理装置を用いて行われることを可能にする。従って、有利には、本明細書に提示される分析は、現代のコンピュータ装置で実行することができるが、ＷＬＰ及びＬＬＰが無い限り、これは不可能であろう。他の利点も明らかであろう。

請求項において、括弧の中に付された参照符号は、請求項を限定するものと解釈してはならない。「含む（ｃｏｍｐｒｉｓｉｎｇ）」又は「含む（ｉｎｃｌｕｄｉｎｇ）」という語は、請求項に列挙されている要素又はステップ以外の要素又はステップの存在を除外しない。いくつかの手段を列挙する装置の請求項において、これらの手段のいくつかは、ハードウェアの一つの同一項目によって具体化され得る。要素の前にある「１つの（ａ）」又は「１つの（ａｎ）」という語は、複数のそのような要素の存在を除外しない。いくつかの手段を列挙する装置の請求項において、これらの手段のいくつかは、ハードウェアの一つの同一項目によって具体化され得る。特定の要素が相互に異なる従属請求項に記載されているという単なる事実は、これらの要素を組み合わせて使用することができないことを示していない。

本発明は、現在最も実用的で好ましい実施形態であると考えられるものに基づく例示の目的で詳細に説明されてきたが、かかる詳細は、専らその目的のためのものであり、本発明は、開示された実施形態に限定されるものではなく、むしろ、添付の特許請求の範囲の精神及び範囲内にある修正及び均等な構成をカバーすることを意図するものであることを理解されたい。例えば、本発明は、可能な限り、任意の実施形態の１つ又は複数の特徴を、任意の他の実施形態の１つ又は複数の特徴と組み合わせることができることを意図していることを理解されたい。

Claims (9)

1. 睡眠期間中の患者の呼吸障害を特徴付ける装置の作動方法であって、
   コンピュータが、前記患者の近くで前記睡眠期間の少なくとも一部の期間に発生する音を表す少なくとも第１の信号を受信することと、
   前記コンピュータが、前記少なくとも第１の信号において複数のセグメントを以下によって識別することであって、
   前記コンピュータが、前記少なくとも第１の信号の少なくとも一部に線形予測アルゴリズムにかけて、前記少なくとも第１の信号の前記少なくとも一部を表す励起信号を得ることと、
   前記コンピュータが、前記励起信号における複数の候補遷移点として、負の勾配と正の勾配との間の前記励起信号における低エネルギー・レベル及び急速な変化の複数の同時発生を識別することと、
   前記コンピュータが、候補遷移点の対の間に存在する前記励起信号の複数の部分が、前記期間及び前記複数の部分のスペクトル内容の類似性に、少なくとも部分的に基づいて互いに類似していることを決定することと、
   前記コンピュータが、前記決定することに少なくとも部分的に基づいて、
   候補遷移点の前記対が実際の遷移点であり、
   各実際の遷移点の直前にある前記励起信号の一部は、呼吸サイクルの吸気相であり、
   各実際の遷移点の直後に続く前記励起信号の一部は、呼吸サイクルの呼気相である、
   と結論付けることと、
   である、識別することと、
   前記コンピュータが、前記吸気相及び前記呼気相のうちの少なくとも１つに少なくとも部分的に基づく情報を含む出力を生成することと、
   を含む、
   作動方法。
2. 前記線形予測アルゴリズムは、タップ付き遅延線フィルタを使用する、請求項１に記載の作動方法。
3. 前記線形予測アルゴリズムは、周波数スペクトルの少なくとも１つの特定の部分において強化された詳細を提供するために調整可能な少なくとも１つのパラメータを含むフィルタ構造を用いる、請求項１に記載の作動方法。
4. 前記線形予測アルゴリズムは、ラゲール線形予測アルゴリズムである、請求項３に記載の作動方法。
5. 前記線形予測アルゴリズムは、ワープ線形予測アルゴリズムである、請求項３に記載の作動方法。
6. 前記励起信号における前記複数の遷移点候補として、負の勾配と正の勾配との間で前記励起信号における低エネルギー・レベル及び急速な変化の複数の同時発生を識別することは、短期多項式分解を使用することを含む、請求項１に記載の作動方法。
7. 候補遷移点の対間に存在する前記励起信号の前記複数の部分が互いに類似していることを決定することは、自己相関関数を適用することを含む、請求項１に記載の作動方法。
8. 前記励起信号における前記複数の候補遷移点として、負の勾配と正の勾配との間の前記励起信号における低エネルギー・レベル及び急速な変化の複数の同時発生を識別することは、訓練された分類器によって実行される、請求項１に記載の作動方法。
9. 前記低エネルギー・レベルは、エンベロープを指す、請求項１に記載の作動方法。

Images