睡眠状况的检测的制作方法

文档序号:1202082阅读:324来源:国知局
专利名称:睡眠状况的检测的制作方法
技术领域
本发明(技木)涉及到检测睡眠状况和相关特征的方法和装置。
背景技术
OSA病人在睡梦中经常会遇到呼吸暂停或呼吸不足,只有病人醒过来时才能終止。这些经常性的呼吸功能不全(respiratory dysfunction)事件会造成睡眠时断时续和刺激交感神经系统。这会导致病人白天瞌睡的严重后果(可能引起机动车事故),注意力降低,记 忆カ下降,抑郁症或过度紧张。OSA病人也可能高声打呼,而导致影响周围人的睡眠。患者也可能会遇到其他事件,而中断睡眠。例如,周期性肢体运动(PLM)是重复的睡眠期间的腿抽筋或痉挛。这些腿部运动的事件如果扰乱睡眠,导致白天嗜睡,有可能被认为是一种睡眠障碍。OSA患者通常是恒定的正压治疗(CPAP)。正压可以防止病人在吸气时气道塌陷,从而防止周期性呼吸道系统事件(例如,窒息或呼吸不足)及其后遗症。在病人呼吸循环的适当时候,这种呼吸治疗仪在治疗压カ或压カ可以正常供应病人干净透气天然气的供应(通常是空气,加氧或不加氧)。呼吸治疗仪通常包括流发生器,空气过滤器,面罩或插管,连接的流量发生器至面罩的空气输送管道,各种传感器和基于微处理器的控制器。所述流量发生器包括一个伺服控制电机和叶轮。所述流量发生器还可能包括一个能够交换空气到大气中的阀,作为替代转速电机控制病人的压カ的ー种手段。所述传感器測量,除其他事项外,电机的转速,气体体积流量和派排出压力,如压カ传感器,流量传感器或类似。所述仪器可选择性地包括空气交换电路中的加湿器和/或加热元件。所述控制器包括数据的存储功能,该功能可带或不带集成的数据检索/传输和显示功能,
虽然这些设备通常被配置来检测睡眠呼吸紊乱事件,如窒息或呼吸不足,他们通常不会涉及用户睡眠更详细的信息。因此,它可能是可取的检测睡眠和其他睡眠条件的方法和仪器,以更全面地评估睡眠质量。

发明内容
第一个方面,在一些实施例中,本发明技术提供方法和设备以检测睡眠质量。另ー个方面,在一些实施例中,本发明技术提供方法和设备以检测睡眠状态。进ー步的,在一些实施例中,本发明技术提供方法和设备以检测睡眠稳定性。更进ー步的,在一些实施例中,本发明技术提供方法和技术以检测从睡眠中的觉醒。
一些实施例包括这样的方法该方法控制处理器通过测得的呼吸气体的流量来检测睡眠的状态。所述处理器的方法,包括通过测量呼吸流量,測定一系列的呼吸特征。还包括从潜在的睡眠状态,包括非快速动眼睡眠状态(Non-REM sleep state)和快速动眼睡眠状态(REM sleep state),从而检测睡眠状态。这种检测可以基于测定的呼吸特征。处理器可以显示检测到的状态。在一些实施例中,潜在睡眠状态还包括觉醒状态。同样的,所述快速动眼睡眠是ー种光快速眼动状态,所述潜在睡眠状态可以包括深快速动眼睡眠状态(de印REM state)。在一些实施例中,其中所述处理器通过计算各个潜在睡眠状态之间的转变概率来确定检测状态,并确定所述检测状态为最有可能的一个计算概率的函数,其中,所述各个潜在睡眠状态具有来自各个呼吸特征的数据。选择性地,所述多个呼吸特征包括ー个或多个吸气峰流量变异性的測量值,呼气峰流量变异性的測量值,呼气峰流量位置和呼气时间之比的測量值,呼气峰流量位置变异性的測量值,呼气峰流量的峰面积的测量值,呼气峰流量
峰面积的变异性的测量值,从呼气峰流量到吸气开始所经历的时间的測量值,自上一次确定呼吸变异性以后所经历的时间的测量值,高呼吸频率的周期的测量值,以及吸气时间的变异性的測量值。上述測量方法中的一个或者多个可以应用于睡眠状态检测装置,该装置包括用于这个(些)方法的控制器。选择性地,所述控制器可与流量传感器结合,以测量可呼吸气体的流量。同样地,所述控制器还包括处理器控制的流量发生器,用于根据检测到的状态提供一个受控制的呼吸压カ治疗方案。在一些实施例中,本发明技术还包括ー种根据测量的可呼吸气体流量,控制处理器为睡眠觉醒状态分类的方法。所述处理器的方法包括通过测量呼吸流量,确定多个呼吸特征。该处理器可以从所述多个呼吸特征里检测干扰。所述干扰可指示是觉醒状态。所述处理器可评估干扰是否是ー种非呼吸相关的觉醒。所述处理器显示检测到的干扰代表的是基于呼吸功能不全(respiratory dysfunction)症状以外的觉醒。在一些实施例中,所述评估包括测量的呼吸流量限制,例如平缓流量(flowflattening)的检测。所述评估也可包括检测呼吸流量限制的缺失。在一些实施例中,多个呼吸特征包括一个或多个到达吸气峰流量的一定比例的时间的测量值,高于一定比例的吸气峰流量的面积的测量值,高于一定比例的吸气峰流量变异度的峰面积的测量值,一定比例的吸气峰流量到呼气峰流量之间所需的时间的測量值。选择性地,上述干扰的测定是否是非呼吸相关的觉醒基于睡眠状态的測定。进ー步评估包括检测因面罩泄漏(mask leak)的觉醒。上述方法中的ー种或多种可以应用于ー种睡眠觉醒状态的分类装置,该装置包括一个装备有ー种(或多种)所述方法的控制器。选择性地,所述控制器可连接ー个流量传感器以测量可呼吸气体的流量。同样地,所述控制器还可包括一个处理器控制的流量发生器,根据检测到的睡眠觉醒状态提供一个受控制的呼吸压カ治疗方案。在进ー步的实施例中,一种可以应用于通过测量可以呼吸的气体的流量控制检测睡眠状态的过程的处理器的方法,所述处理器的方法包括通过测量的呼吸流量,确定多个呼吸特征。所述方法也可以包括从所述多个呼吸特征里检测干扰,这些干扰指示的是觉醒状态。所述方法也可以包括评估干扰的程度。所述干扰程度表明睡眠中断的程度的觉醒状况的程度。然后处理器显示干扰的程度。在一些实施例中,測定干扰的程度涉及计算由于干扰引起的呼吸特性与普通的呼吸特性之间的比例,在此实例中,流量数据代表多个呼吸周期。在一些这样的实施例中,归于干扰的所述呼吸特征至少包括如下一条达到吸气峰流量一定比例需要的时间的測量,高于一定比例的吸气峰的面积的测量,測量高于一定比例的吸气峰流量变化度的面积,测量一定比例的吸气峰流量到呼气峰流量之间的时间。选择性地,所述干扰程度的确定包括计算由于干扰引起的呼吸特性与普通的呼吸特性之间的比例的平均值,流量数据表示的是多个呼吸周期。更进一歩的,在一些实施例中,处理器的方法包括根据干扰的程度和病人的特征数据测定自主激活水平。例如,自主激活包括ー个心率变异性的数据值和/或脉冲中转时 间的数据值。因此,所述方法中自主激活水平的确定包括选择至少ー个心率变异性的数据值和脉冲中转时间的数据值。所述选择包括以干扰程度和病人的特征数据为索引访问的数据结构,例如病人的年龄和体重。上述方法中的ー种或多种可以应用于ー种睡眠稳定性评估装置,该装置包括装备有所述方法的一种或多种的控制器。选择性地,所述控制器可连接ー个流量传感器以测量可呼吸气体的流量。同样地,所述控制器可能还包括一个处理器控制的流量发生器,根据检测到的睡眠状态提供一个受控制的呼吸压カ治疗方案。在一些实施例中,一种控制处理器的方法可以通过測量呼吸气体的流量来测定睡眠的质量指标。在所述方法中,处理器通过测量呼吸流量,确定多个呼吸特征。也可以从所述多个呼吸特征測定睡眠状态和睡眠的稳定性,然后从睡眠状态和睡眠稳定性的測量来判定和显示睡眠的质量指数。睡眠质量指标可以通过处理器測定一个治疗疗程中睡眠时间和睡眠稳定性的比例得来。在一些实施例中,所述睡眠质量指标被导出按照治疗期间睡眠时间和睡眠稳定性的比例的函数。睡眠质量指标也可按照治疗期间觉醒持续的时间函数推导出来。在ー些实施例中,所述睡眠状态测量包括至少ー个快速动眼睡眠状态,ー个非快速动眼睡眠状态和一个觉醒状态以及睡眠状态持续时间的測量。进ー步的,所述方法中所述睡眠状态测量可以用来判定干扰流量和预测干扰流量的流量数据。此外,睡眠稳定性的判定包括根据流量的干扰区分睡眠与觉醒。上述方法中的ー种或多种可以应用于ー种睡眠质量检测装置,该装置包括装备有所述方法的一种或多种的控制器。选择性地,所述控制器可连接ー个流量传感器以测量呼吸气体的流量。同样地,所述控制器还包括一个处理器控制的流量发生器,根据检测到的睡眠状态提供一个受控制的呼吸压カ治疗方案。进ー步实施例中,本发明技术涉及检测呼吸周期的方法。所述方法包括通过测量呼吸流量,确定多个呼吸特征。进ー步的,还包括測定多个呼吸特征的临界值。进ー步的,还包括根据临界值检测周期呼吸的状态。在一些实施例中,多个呼吸特征包括吸气流量曲线的面积。例如,所述多个呼吸特征包括通气量和呼吸时间的比率。所述方法还涉及将周期性呼吸状态设定为ー个计数的函数。选择性地,所述计数可以选择性地代表处理的呼吸的数量。在一些实施例中,所述方法可以应用于检测呼吸周期的装置。例如,一个处理器可以配置用来通过测量呼吸流量来測定ー套呼吸特征,确定呼吸特征的临界值并且根据临界值检测ー个周期的呼吸状态。在本发明的一些实施例中涉及到检测睡眠起始的方法。所述方法包括通过测量呼吸流量确定ー套呼吸特征。所述方法还包括确定所述呼吸特征的临界值。所述方法还包括通过临界值确定睡眠状态的分值。所述睡眠状态分值可以表示睡眠的状态。所述方法还涉及检测睡眠起始按照临界值与測定的睡眠状态分值的函数。在一些实施例中,ー套呼吸特征包括測定呼气峰流量位置的函数。选择性地,所述函数指的是以下两者之间的区別(a)呼气峰流量出位置与呼气的时间之比(b)多次呼吸測定的比率的平均值。进ー步的,所述方法还涉及,基于上述測定,输出ー个睡眠起始的指标,该指标代表进入治疗疗程第一睡眠时期。在一些实施例中,所述方法可以用在检测睡眠起始的装置上。例如,处理器可以配置用于通过測量呼吸流量来測定ー套呼吸特征。所述处理器也可确定所述呼吸特征的临界 值,根据临界值可确定睡眠状态的分值,再根据临界值和睡眠状态分值确定随眠的起始状态。在进ー步实施例中,本发明涉及ー种呼吸处理装置。所述装置包括ー个流量发生器,该流量发生器向病人接ロ提供压カ高于大气压的可呼吸气流。进ー步的,还包括一个流量传感器,可以测量病人呼吸的可呼吸气流。进ー步的,包括一个控制器,该控制器与流量发生器和流量传感器相连。所述控制器,例如ー个或多个的处理器,配置用于大致基于流量传感器感测的流量測量值来检测多个睡眠状态的其中之一。进ー步地,所述控制器基于检测到的睡眠状态来控制呼吸压处理疗法。例如,所述呼吸压处理疗法包括呼气减压控制,所述控制为当检测到一系列睡眠状态中的ー个睡眠状态时控制器可降低呼吸压力。进ー步的,所述呼吸压カ疗法包括控制呼气压カ的降低,所述控制器当检测到一系列睡眠状态中的是ー种非觉醒状态,会提高呼气卸压(expiratory pressure relief)的减压量。更进一步的,所述呼吸压处理疗法包括检测流量检测数据的变动,所述变动包括至少ー种窒息和呼吸减缓,当检测到的睡眠状态是属于睡眠阶段时,所述变动需记录。选择性地,检测到的变故分别记录在相关检测的睡眠状态一起。在一些实施例中,所述呼吸压カ治疗方案包括自主调节治疗压力水平,所述控制器根据检测到的呼吸异常提高治疗压力水平,根据比较睡眠稳定性指数和临界值降低治疗压カ水平。进ー步的,所述呼吸压カ治疗方案包括根据流量的测量检测心流(cardiogenicflow),所述心流检测受控于当检测到的一系列的睡眠状态有ー个状态可以归为是睡眠。所述呼吸压カ治疗方案还包括以检测心流的存在为基础的中枢性呼吸暂停(central apnea)检测。在此类实施例中,检测的睡眠状态可以是非快速动眼睡眠(NREM state)。本发明呼吸技术的其他特点,在如下详细的讨论,附图和权利要求中。


本发明的技术通过列图举例进行说明,而不用于限制本发明,所述附图中的特征, 像參考数字是指类似的元素,包括图I是本发明技术中的睡眠状态检测装置控制器的结构 图2是呼吸流量信号特有的吸气和呼气峰流量变化特征 图3是进ー步说明呼吸流量信号的特点,包括呼气峰流量的位置与呼气时间之比以及一定比例的呼气峰下面的面积;
图.4是进ー步的对呼吸流量信号特点说明,包括呼气峰流量的平均值和从最后一次确认吸气所用的时间;
图5是呼吸流量信号的高频率呼吸特征的示意 图6显示的是呼吸流量的特性,包括到达吸气峰流量平均值最大的时间,高于吸气峰流量平均值最大时的峰面积和到达从流量峰平均值和呼气峰出现位置时的时间;
图7是基于流量传感器检测睡眠状态的控制装置的数据方法学实例流程 图8是通过流量传感器检测无呼吸相关觉醒的控制装置的数据方法学实例流程 图9是通过流量传感器检测睡眠稳定性的控制装置的数据方法学实例流程 图10是通过流量传感器检测睡眠质量的控制装置的数据方法学实例流程 图11显示的是本技术的睡眠状态的检测装置图例;
图12显示的是呼吸不足检测装置的控制器的方框图,该装置包括实施本技术的检测方法部件;
图13显示说明在本技术中ー些实施例中检测觉醒的模块的ー个控制方法学图例;
图14是通过举例说明觉醒探测器输入和输出临界值特征的通用阈值函数的示例图; 图15显示说明在本技术中ー些实施例中检测稳定性的模块的一个控制方法学图例; 图16显示的是在睡眠稳定性检测实例中调整睡眠稳定性分值函数的曲线 图17显示的是在通过举例在睡眠稳定性检测实例中临界值输入和输出值说明临界值重要性的临界值函数曲线图例;
图18是说明在本技术中ー些实施例中检测周期性呼吸状态模块的一个控制方法学图
例;
图19显示的是在通过举例说明呼吸周期状态检测实例中临界值输入和输出值说明临界值重要性的临界值函数曲线图例;
图20是说明睡眠状态检测的控制方法学的示意 图21展示了在ー个睡眠状态检测仪实施例中、用于实施可检测睡眠条件状态的最終状态机器状态 图22是当ー个人清醒时所发出的典型呼吸气流信号图谱;
图23是当ー个人熟睡时所发出的典型呼吸气流信号图谱;
图23-A是特征为非快速动眼睡眠转换时呼吸流量信号图谱;
图24本发明技术睡眠状态检测仪特点分析的一般临界值函数图例;
图25是图24中临界值特征的输入和输出值示例表;
图26是三个用来确定睡眠状态的状态转换概率的标准的图表;
图27是三个用来确定睡眠状态的状态转换概率的附加标准的图表; 图28是睡眠质量评估模块控制元件图例;
图29是图28中睡眠质量评估模块的睡眠状态临界值函数图谱;
图30为图28中睡眠质量评估模块的睡眠稳定性指数临界值函数图谱;图31为图28中睡眠质量评估模块的觉醒数据临界值函数图谱。
具体实施例方式如图I所示,本发明技术实施例中,包括睡眠状态检测装置102或者具有控制器104的设备,该控制器具有一个或多个处理 器可以用来执行睡眠状态和/或睡眠觉醒的检测方法,在此,给予这样的计算法进行详细的描述。在一个实施例中,该控制器系统含有多个元件或模块,可以控制控制器的多个方面。所述组件或模块可连接有整合的芯片,存储卡和/或者其他控制指令的数据或信息储存方式。例如,包含这种检测方法的程序指令可编码在集成芯片上,作为装置或设备记忆以形成ー个特殊用途的集成芯片(ASIC)。这些指令可以或者可选地,以适当的数据存储介质以软件或硬件的形式装载以控制一个或多个程序控制器。图I的实施例中,所述控制器104可使用呼吸流量信号或其他包括任选的流量测量模块105的数据。通过这些模块,所述控制器可以直接測量呼吸流量。因此,处理器可以控制睡眠状况(此处详细描述的基于来自先前的睡眠区间的上述呼吸流量数据)的检测或评估。可选择的,所述检测可在同时期的睡眠区间执行,通过检测到呼吸流量信号,使用流量传感器的目前检测的流量数据。因此,在一些实施例中,使用执行方法,根据流量传感器检测的呼吸流量信号,该装置本身随机地被执行。例如,到达或经过鼻管或面罩的流量可被測量,通过使用呼吸速度描记器和不同的压カ变换器或者类似装置如软管或输气管的应用包来得到流量信号。选择性地,流量信号可通过其他传感器而被推断,例如2005年11月2号提交的PCT/AU2005/001688专利申请中描述的马达传感器(motor current sensor),通过交叉參考,其完全公开的技术在此与本发明结合。在此,进行更详细的讨论,流量数据可以通过模块处理例如流量限制检测模块106,窒息和/或睡眠不足(AHI)检测模块108,呼吸流量特性或特征提取模块110和泄漏检测组件。所述AHI模块108可以利用睡眠状态检测模块114输入的数据来判定窒息和/或睡眠不足的情況。从流量限制检测模块106,AHI检测模块108和呼吸特征提取模块110输出的信号或数据,可通过觉醒检测模块114加工。同样地,从泄漏检测组件和呼吸特征提取模块110输出的数据可以通过睡眠状态检测模块118处理。进ー步的,觉醒检测模块114和病人特征数据存储库112输出的数据可被睡眠稳定性检测模块116处理。睡眠质量检测/评估模块120可处理从睡眠稳定性检测模块116,病人特征数据存储模,块122和睡眠状态检测模块118输出的数据和信号。睡眠质量评估模块120输出的信号和数据可通过用户接ロ模块124显示和/或者输入于反馈控制模块126,用于修正或者调整治疗控制处理模块128的装置置,例如压カ治疗方案装置。在本技术的ー些实施例中,所述检测仪和控制器的模块具备如下特征和功能。A.病人信息存储模块
该模块可以控制使用睡眠状态检测装置102的病人的数据和信息的存储。这些数据可以通过用户接ロ模块124界面输入,任意的,该模块包括键盘,面板开关,触摸屏等。例如,在所述模块的控制下,该装置可促进病人或者医生选择或者登陆ー个或多个病人信息例如年龄,性別,体重,身高,BMI和/或者早前出现的情况信息(如,影响心率改变的潜在健康情况,可能导致空气流动模式变化的潜在健康状况,或者其他目前的生理状况等)。这样的健康状况可能包括例如哮喘、肺气肿、慢性心血管疾病。储存信息反过来可以用于所述装置的其他模块。这些病人的信息可以用来对所述方法学的输出值的加权。例如,可能不存在绝对的空气流量的特征,可以用来作为适应于每ー个病人检测不同睡眠状态的标准。因此,病人的信息可以用来调整特征提取模块的敏感度(或者呼吸特征的临界值被比较。这样,对于不同的病人,空气流量特征被更加精确地评估。例如,ー个年龄超过50岁的病人的上气道的稳定性就很差。因此,对于这样的病人,在评估气流稳定性时就应该选择本技术中不太剧烈的系统或者方法。在此,本系统所得病人信息的其他用途也被详细介绍。B.流量限制检测模块
所述呼吸流量限制检测模块106可通过流量信号数据以检测呼吸流量限制。例 如,所述装置可设置用于检测流量限制,例如在2008年5月9日提交的专利申请PCT/AU08/000647中公开的模糊的流量限制测量(国际专利申请公开号No. W0/2008/138040)和2007年4月17日提交的,美国临时专利申请号No. 60/965, 172。选择性地,其可用来通过分析流量数据的平缓(flattening)来检测流量限制。例如,所述平缓可以通过美国专利号.5,704,345的专利中公开的方法判定,其全部的公开通过交叉引用与本发明结合。C. AHI检测模块
在一些实施例中,流量数据可被用于为睡眠不足和/或者呼吸暂停的检测或者评分(如,阻塞性呼吸暂停和/或者中枢性呼吸暂停)。例如,通过美国专利号Nos . 6,138,675和6,029,665的专利中所述方法(其全部公开的技术通过交叉引用在此被加入),所述装置可以用来检测阻塞性呼吸暂停,部分阻塞性呼吸暂停和/或者中枢性呼吸暂停。在一些实施例中,所述AHI检测模块108可以被改良用于拒绝基于泄漏检测组件112的评分事件.例如,如果检测到泄漏,该模块可以禁止任何同时期的评分事件,直到检测不到泄漏。这样,相对于在整个带面罩的时间内,AHI可被计算。也即是,这个时间是病人实际上带面罩的时间而不是病人总的睡眠时间。这可以避免在流量发生器(FG)执行过程中的过分评价。因此,在一些实施例中,选择性地,AHI检测模块可以连接平缓显示器和泄漏显示器以提供简单的睡眠质量打分,这样,可以基本地洞察睡眠质量。D.泄漏检测模块
相应地,在一些实施例中,流量数据可用来检测泄漏的存在,这样的泄漏与脱去面罩泄漏或高泄漏(high leak)相关。例如,高泄漏可认为是超过某个临界值的量的泄漏(如,超过
O.4米/秒(Ι/s)的泄漏)。进ー步举例,例如,所述装置可用来检测正在发生的泄漏或已经发生的泄漏,通过美国的专利号Nos . 6,152,129和/或6,532,957的专利公开方法,其全部公开的技术通过交叉引用在此被加入。选择性地,泄漏检测可用来帮助因面罩泄漏导致的从睡眠中觉醒的分类,正如前面提到的因泄漏的存在而阻止AHI的打分。E.特征提取模块
ー个或多个流量特性须通过特征提取模块110确定。在典型实施例中,特征可通过处理呼吸流量数据来測定。选择性地,特征可在呼吸-呼吸的基础上或者通过滑动窗ロ比较几个呼吸周期来计算。所述特征可用来作为该系统的其他模块的指示或者输入。例如,根据ー个或者几个检测的特征的数据,在其他模块根据这些流量数据可得出关于睡眠状况的各种结论。以下是可通过流量数据被检测或测定的特征的举例。I.吸气峰流量的变异度
所述呼吸流量特征可通过计算吸气峰流量的变异数(variance)来測定。所述特征在图2中有详细介绍。所述变异数可用包括多次呼吸(如5次呼吸)的滑动窗ロ測定。如图2所示,所述计算是采用一组连续呼吸的吸气峰流量值202来计算。当采用具有合适的临界值的状态检测仪来评定,该值可显示不同的睡眠状态,如下所示
(a)觉醒状态显示高水平的吸气峰流量的变异度。(b)快速动眼睡眠状态显示中等水平的吸气峰流量的变异度。(c)非快速动眼睡眠状态显示低水平的吸气峰流量的变异度。此处吸气峰流量的变异度的特征可标记为〃IPFV〃。2.呼气峰流量的变异度
该呼吸流量特征可通过计算呼气峰流量的变异度来确定。所述特征在图2中有详细介绍。所述变异度可用包括多次呼吸(如5次呼吸)的滑动窗ロ測定。如图2所示,所述计算是采用一组连续呼吸的呼气峰流量值204来计算。当采用具有合适的临界值的状态检测仪来评定,该測定值可显示不同的睡眠状态,如下所示
(a)觉醒状态显示高水平的呼气峰流量的变异度。(b)快速动眼睡眠状态显示中等水平的呼气峰流量的变异度。(c)非快速动眼睡眠状态显示低水平的呼气峰流量的变异度。在此,呼气峰流量的变异度特征可标记为"EPFV"。3.呼气峰流量位置/呼气的时间之比
如图3所示,该呼吸流量特征可被计算,按照从呼气开始到达呼气峰流量(TPE)所需时间与总的呼气时间(TE)之比。该比值如图3所示。当采用具有合适的临界值的状态检测仪来评定,该比值显示不同的睡眠状态,如下所示
(a)觉醒状态相比于睡眠状态显示一个较大的呼气峰流量位置/呼气的时间之比。(b)快速动眼睡眠状态相比于觉醒状态显示小的呼气峰流量位置/呼气的时间之比。(C)非快速动眼睡眠状态相比于觉醒状态显示低的呼气峰流量位置/呼气的时间之比。4.呼气峰流量位置/呼气的时间之比的变异度
该呼吸特征可按照呼气峰流量位置/呼气的时间之比的变异度(例如变异性)来计算。所述变异度可用包括多次呼吸(如5次呼吸)的滑动窗ロ測定。当采用具有合适的临界值的状态检测仪来评定,该值显示不同的睡眠状态,如下所示
(a)觉醒状态从一次呼吸到另一次呼吸的显示高的呼气峰流量位置/呼气的时间之比的变异度。(b)快速动眼睡眠状态从一次呼吸到另一次呼吸的显示低的呼气峰流量出现的位置/呼气时间之比的变异度。(C)非快速动眼睡眠状态从一次呼吸到另一次呼吸的显示低的呼气峰流量出现的位置/呼气时间之比的变异度。
5.低于75%的呼气峰流量的面积
该呼吸特征可按照呼气峰流量的呼气流量曲线的面积的一定比例值(如75%-100%之间)来计算。图3列举了呼气峰流量面积306例子。当采用具有合适的临界值的状态检测仪来测,该值可显示不同的睡眠状态,如下所示
(a)觉醒状态在低于75%的呼气峰流量时显示大的面积值。(b)快速动眼睡眠状态在低于75%的呼气峰流量时显示小的面积值。(c)非快速动眼睡眠状态在低于75%的呼气峰流量时显示小的面积值。6.低于75%的呼气峰流量的面积的变异度 该呼吸流量特性可通过对前述特征的面积的变异度(例如方差)计算。所述变异度可用包括多次呼吸(例如5次呼吸)的滑动窗ロ(sliding window)測定。当采用具有合适的临界值的状态检测仪来评定,该值显示不同的睡眠状态,如下所示
(a)觉醒状态从一次呼吸到另一次呼吸的低于75%的呼气峰流量的面积显示大的变异度。(b)快速动眼睡眠状态(REM Sle印State):从一次呼吸到另一次呼吸的低于75%的呼气峰流量的面积显示小的变异度。(C)非快速动眼睡眠状态(NREM Sleep State):从一次呼吸与另一次呼吸的低于75%的呼气峰流量的面积显示小的变异度。7.从75%呼气峰流量到开始吸气的时间
该呼吸流量特征可以按照呼气峰流量的上升部分的流量洪峰的一定比例(例如75%)和下一次开始吸气之间所用的时间来计算。这ー特征在图4中得以说明。当采用具有合适的临界值的状态检测仪评估,该值显示不同的睡眠状态,如下所示
Ca)觉醒状态从75%呼气峰流量到开始吸气会显示一个较缓慢的上升时间。(b)快速动眼睡眠状态 从75%呼气峰流量到开始吸气会显示一个较快的上升时间。(c)非快速动眼睡眠状态从75%呼气峰流量到开始吸气会显示一个较快的上升时间。8.从上次确认呼吸以来的时间
该呼吸流量特征,可以按照自上一次确认吸气以后的时间来计算。该特征參见图4。所述特征可被具有合适的临界值觉醒检测仪进行评定。9.从上次确认呼吸以来的时间的变异度
该这种呼吸流量的特征,可以按照上述特征的自上次确认吸气之后的时间的变异度(如方差)进行计算。所述变异度可用包括多次呼吸(如5次呼吸)的滑动窗ロ測定。当采用具有合适的临界值的状态检测仪评定,该值显示不同的睡眠状态,如下所示
(a)觉醒状态从上次确认的呼吸以来,从ー个呼吸到另ー个呼吸所花的时间显示巨大的变异度。(b)快速动眼睡眠状态从上次确认的呼吸以来,ー个呼吸到另ー个呼吸所花的时间显示中等的的变异度。(C)非快速动眼睡眠状态从上次确认的呼吸以来,ー个呼吸到另ー个呼吸所花的时间显示很小的变异度。
从上次确认呼吸以来时间变异度的特征在此表示为TSLBV。10.高频率呼吸周期
这种呼吸流量特征可以通过在滑动呼吸时期(如15次)之上扫描任何小部分高频率呼吸来计算。该特征可參见图5。当采用具有合适的临界值的状态检测仪来评定,这个值可以指示快速动眼睡眠的呼吸。11.吸气时间变异度
这种呼吸流量特征可按照吸气时间的变异度(如方差)被计算。所述变异度可用包括多次呼吸(如5次呼吸)的滑动窗ロ測定。当采用具有合适的临界值的状态检测仪评定,该值显示不同的睡眠状态,如下所示
Ca)觉醒状态吸气时间时显示巨大变化 (b)快速动眼睡眠状态吸气时间时显示中度变化
(c)睡眠状态吸气时间时显示微小变化。12.呼吸一致性检测
该特征可以用来測定多次呼吸(如5次)期间的从呼吸到呼吸的呼吸流量特征是否一致。所述一致性考虑到吸气时间,吸气峰流量位置,呼气时间,呼气峰流量位置。所述这些特征的细微差别可以认为是一致的。13.特征一致性检测
该特征对在多个呼吸时期(如30次呼吸)的上述确定的呼吸流量特征(如特征I一 12)的变异度进行检验。例如,通过多个呼吸(如30次)期间的任何特征的自动分析,可以识别任何特征是否一致的或者是否为有意义的变异度。如,在清醒期间,流量峰的变异度特征平均起来,比在睡眠期间要高。毎次计算得到的这样ー个值,如通过30次呼吸的期间得到,可能不会比觉醒状态的临界值高,但是在评估的临界值以上的部分是有意义的。14.达到95%吸气峰流量的时间
该呼吸流量特征可以按照从开始吸气到呼吸达到吸气峰流量的一定比例(如95%)所用的时间来计算。该95%的时间的特征,如图6所示,用T_95表示。所述这种呼吸流量特征通过唤醒检测模块144在评估中被用到。15.高于吸气峰流量的7 5%峰面积
该呼吸流量特征按照高于吸气峰流量的一定比例(如75%)的吸气峰流量曲线的面积而计算得到。该呼吸流量特征在评估中可用于觉醒检测模块114。75%吸气峰时间特征(Τ_75)是指一次一口气达到一个吸气峰流量的比例(如95%),这可以通过计算图6中阴影部分的面积而确定。所述高于7 5%吸气峰流量的峰面积的特征在本文中简写为“ΙΡ75Α”。16.高于7 5%吸气峰流量的峰面积的变异度
这种吸气流量特性可以计算上述吸气流量特征的变化。所述这种变化用包括多次呼吸(如5次)的一个滑动窗ロ来确定。所述吸气流量特性的特点在评估中可以用于觉醒检测模块114。所述高于7 5%吸气峰流量的峰面积的变化的特征在本文中简写为“I75AV”。17. 95%吸气流量最峰和呼气峰流量之间的时间
该呼吸流量特性可以按照吸气峰流量曲线上升侧达到一定比例(如95%)到呼气峰流量的位置之间的时间来计算。该呼吸流量的特征在评估中用于醒检测模块114。18.当前的呼吸3mvTtot与先前呼吸3mvTtot之比3mvTtot比率可按照这次呼吸的3mvTtot除以上次呼吸的3mvTtot来计算。3mvTtot由平均毎分钟通气量(如三分钟通气量)和总呼吸时间(例如,当前呼吸持续的时间段)的比率決定。毎分钟通气量由前几分钟(例如,大约两到五分钟的范围,但最好是三分钟)的平均通气量决定。19.当前呼吸IPkFlow到当前IPkFlow的一定比例
所述之比为最大吸气流量(IPkFlow)与当前呼吸的吸气流量中最大吸气流量(IPkFlow)的一定比例(如75%)的比率。这ー特征在本文中标记为“PF75PF”。F.睡眠/觉醒监测模块
图7显示的是ー个关于睡眠状态检测模块118检测方法的例子。从本质上讲,所述检测器实现了通过从反应测量透气气体流量的数据监测ー种睡眠状态的方法。在770步骤吋,所述方法涉及由多个呼吸流量測定多个呼吸特征。尽管呼吸特征的获取可能与睡眠状态检测仪整合,但所述获取与由特征提取模块110获得的数据相吻合。 步骤772时,所述的睡眠监测器检测方法涉及从潜在的睡眠状态来检测当时所处状态,如ー个或多个非快速眼动眼睡眠状态,快速动眼睡眠状态,阶段性的快速眼动睡眠状态,补充性快速动眼睡眠状态,ー种深度快速动眼睡眠状态和/或浅快速动眼睡眠状态。步骤774时,所述状态的检测基于呼吸特征的測定。在一些实施例中,所述状态检测器主要基于呼吸特征的測定,因为所有这些状态可通过呼吸流量传感器来測定,而不依靠传统睡眠阶段传感测定技术如脑电图数据分析(E.E.G.),肌电图(E. M. G),电图(E. O. G.)传感器。然后,处理器会指示检测到的状态。例如,所述处理器能够存储记忆检测到的状态,然后可以将它应用于输入另一种模块(如睡眠质量评估模块120)和/或者用于输出,例如显示在用户接ロ模块124。在另ー个实施例中,所述从流量信号中获得的呼吸特征可以经处理进行睡眠状态的分类,即马尔可夫分类系统。在这样的实施例中,一种非平稳马尔可夫分类系统可以用于鉴定病人的睡眠状态。所述马尔可夫模型(Markov model)是源于允许该系统进行分析的假设之一,命名为马尔可夫属性。所述马尔可夫属性状态假定当前状态系统,该系统的未来升级不依赖于历史状态。在每ー阶段,所述系统会按照一定的概率,从当前状态变为另ー个状态,或者保持相同状态。所述这种状态的改变称为转换,以及相关的各种状态改变的概率称为转换概率。所述马尔可夫属性的数学表达式
Pr(JT,. , = '-|X.— = —π-. ' = I =PrI:A'.·, = —\·|Χ—.. = χ;)
其中
X :—个随机变量 N :表示ー种特定状态的数字
Pr (Xn+1 = x I Xn = xn)更多地表示为Pi, j( i = Xn, j = x),这些计算可以确定状态从Xn到X的转换概率。状态转换矩阵可以包含一种状态转变为其他任何一种状态的概率(或仅仅保持当前状态)。在目前技术的ー些实施例中,所述睡眠状态是ー个随机变量,并且可以表现出很多可能的状态(如,以下三种情况非快速动眼睡眠状态,觉醒状态,快速动眼睡眠状态)。因此,在接下来的这个例子,将计算三维状态的转移矩阵。由于额外的状态也会使矩阵和计算适当增加。相应地,在一些实施例中,通过从所述特性的获取模型中输入的呼吸特点或特征,以下方法可以应用于确定睡眠状态。(I)计算状态转换表
所述状态转换表是非平稳的(如随时间的变换而变换),因为所述转换概率的得到有直接依赖于流量信号(也随时间变化而变换)的特点。正如前面所述,ー些特征是特定睡眠阶段的特点。任何数量的所述特征(如,来自特征获取模块)的组合可以用于得到这些状态的转换概率。所述这种概率可以根据每种呼吸特点设定的临界值而确定。所述临界值的设定可以通过在设备中实例分析和记录的检测到概率来确定。因此,毎次睡眠状态的更新都会重新计算转换表。这就要在连续呼吸的基础上进行。在三种状态的情况下,会出现从ー种状态到另一种状态以及本身状态转变的九种转换。(2)在之前状态的基础上计算当前状态的概率(如,非快速动眼睡眠状态,觉醒状态,快速动眼睡眠状态)
由泄漏检测组件112的输出,可以为矩阵概率提供一个调节器。例如,如果存在高水平的泄漏检测,可以预计调节器的流量信号不稳定或者不指示任何特定的睡眠状态。甚至可以指示为觉醒状态。因此,在一些实施例中,所述方法可以通过适当改变睡眠状态概率的比重来减少泄漏的影响。(3)最有可能睡眠状态的输出。在本技术更进一步的实施例中,ー种睡眠监测模块119设置了处理,如图20流程图板块中所示。所述处理代表了病人睡眠状态的ー种计算方法。为此,传统的R&K PSG是基于把睡眠分为六步计算
i ·)清醒
ii.)非快速动眼步骤I(NREM Stage I)
iii.)非快速动眼步骤2(NREM Stage 2)
iv.)非快速动眼步骤3( NREM Stage 3)
V.)非快速动眼步骤4 ( NREM Stage4) vi .)快速动眼步(REM)
所述这种睡眠阶段的计分是基于不同的生理信号包括脑电图(EEG),眼电图(EOG)和呼吸努力频带(respiratory effort bands)。在这个实施例中,睡眠阶段的评估主要基于呼吸流量信号的分析。由于这个原因,R&K PSG所有阶段的睡眠结构详细的特征在所述这种模型并没有得到实现。相反,本实施例睡眠状态检测压缩为以下四种状态i ·)清醒
.)非快速动眼睡眠转换(实际上是第一阶段)
iii.)非快速动眼睡眠(睡眠2,3,4阶段)
iv.)快速动眼睡眠
最后,所述觉醒状态和快速动眼睡眠状态被认为类似于R&K的睡眠分值。所述这些状 态与呼吸流量是有关的,如图22 (清醒)和图23 (非快速动眼)所示。所述非快速动眼睡眠状态被认为是睡眠第3阶段和第四阶段(慢波睡眠)和部分第二阶段。图23阐明了这ー阶段中呼吸流量是平稳的有节律的。图23中非快速眼动睡眠区域(以黑体NRS表示)阐明了非快速眼动睡眠状态2114与呼吸流量有夫。这个区域被检测仪描述为NREM SLEEP状态2114。所述非快速动眼睡眠T (转换)在睡眠第一阶段是有效的,这ー阶段有ー个从清醒到睡眠的转变。睡眠开始时,有很典型的睡眠呼吸不稳状态(这是由于从清醒到睡眠转变时CO2设定点改变了)。这经常是与睡眠的第一阶段联系在一起的,有时候也可以延伸至第二阶段(通常可以在脑电图中看到)。在这ー时期呼吸流量倾向于不规则的。图22阐示了觉醒状态的不规则的时期(arrhythmic periods AP)的例子。这种呼吸不稳定的情况不仅限于晚上开始时的睡眠-清醒的过渡阶段。它也有可能发生在后半夜,或者如果病人醒了,准备再次进入睡眠的时候。在以上所提到的状态的检测过程中,在本实施例中,所述检测仪将要处理ー个或多个先前描述的特征提取模块110的特征,其是以来源于流量传感器的表示呼吸气流的数据为根据的。状态的决定取决于病人的信息(例如,年龄,体重指数,性別,当前生理状況)。 这些信息来自于病人特征数据库122,或来自于觉醒模块144的数据和/或泄漏检测组件的数据。在这个实施例中,ー个有限状态仪器用来分类睡眠阶段。如图21所示,定义了 3个基础状态觉醒状态2110 ;快速动眼睡眠状态2112 ;非快速动眼睡眠状态2114。在每个呼吸周期结束时,通过计算转换概率来确定ー种新的睡眠状态。所述这种从ー种状态到另一种状态或到同一种状态的转变,是建立在最有可能的转变机率的基础上的,如图21所示(标记为转移概率TIl,T12等)。理论上,ー个病人在某种程度上及时地从任何ー种状态转变到另ー种状态是有概率的。然而,睡眠的生理是ー种动态的数量过程,整个过程有一种随机性。因此,在每个呼吸周期结束时,应该控制和更新转换概率。在这些转换概率的基础上计算睡眠状态。进ー步的,环境条件可以解释在睡眠过程中出现的不稳定(有时是周期性呼吸)。所述有限状态仪器的的另ー状态,非快速眼动睡眠转变状态2116,也被定义了,如果检测到相同数量的睡眠不稳定性,状态仪将转变到非快速动眼睡眠的变换状态。所述非快速眼动睡眠转变状态2116与呼吸流量有关,如图23-Α。图中,举例说明发生在睡眠开始时的睡眠不稳定区域(显示为方框的SOI)被观察仪描述为非快速眼动睡眠转变状态2116。在这个例子中,睡眠状态检测模块119的处理方法如图20所示。所述睡眠状态检测模块是基于ー个或多个特征提取模块110对呼吸特征的分析,如上所述。在測量呼吸流量的基础上,特征提取模块110可测定ー个或多个特征。在这个实施例中,IPFV (吸气峰流量的改变),EPFV (呼气峰流量的改变),TSLBV(从上次确认呼吸改变以来的时间),175AV(高于75%以上的吸气峰流量的峰面积)特征可能会被分析。
所述每个特征提供到临界值単元2010——拥有ー个或多个临界值函数,如图24和25所阐述的例子,它适用于特征子集的每ー种特征。然而,根据这些状态数,每ー种特征被代表性地应用于每个可能的基础睡眠状态的临界值,如图25中表格所示。例如,设定IPFV特征临界值,为每ー个可能的睡眠状态,图24中,图表2450的函数可能被实施,如输入ΙΑ、IB、1C、ID和在表IPFV (图25中所示特征仪2540A)中输出0A,OB, OC和0D,代表每ー种可能的睡眠状态。正如前面这些表中所提到的,这些输入值IA、IB、IC等代表连续输出值范围。因此,对于表IPFV (图25中所示特征2540A)来说,IA是从小于O. OOl 一直到O. 001,包括O. 001 ;IB是从大于IA的一直到O. 003和包括O. 003的序列值;IC是从大于IB —直到O. 009,包括O. 009的序列值;ID是从大于IC的范围一直到10,包括10的序列值,这是最大可能的输入值。例如,假设当特征IPFV在确定值O. 003的情况下,其输出值,可被认为是睡眠状态权重,当为O. I的特征IPFV值时输出值则被认为是醒着状态。进ー步的,输出值为O. 8时则被认为是由于非快速动眼睡眠状态的IPFV特征的输出值,当输出值为O. I则被认为是在快速眼动状态下的IPFV特征的输出值。同样的,输出值被选择作为EPFV特征。然而,在EPFV特征的情况下,每个状态下图表2450的函数的输入值和输出值都基于EPFV表中的值。同样的,归因于基本的睡眠状态的权重也被测定为表中相应的TSLBV特征和I75AV特征(显示为图25中表TSLBV的特征2540C和图25中表I75AV的特征2540D)。虽然具体的值如图25的表中所示,但是这些数值会被理解为仅仅只是例子。其 它值可采用,或凭经验从无论是一群病人或ー个特定的病人中測定。因此,这些值可以通过机器学习(machine learning)和模式识别技术(pattern recognition techniques)被学会处理。可以采用的技术实例包括聚类分析(cluster analysis),支持向量机(supportvector machinesノ 矛ロ贝ロ十classification)。所述输出的权重被提供给ー个模式应用元件2014。在此处理过程中,各个不同的独立的特征数据相结合。为此,与当个特征相比,几个特征子集的权重有可能包含更多的睡眠阶段的指示的信息。因此,需考虑ー种模式,收集ー种或多种特征所显示的信息,以确定睡眠的阶段。进ー步的,一系列模式的信息收集起来用来确定睡眠阶段。在这方面,这一系列模式需包含符合下列条件的信息
i.)所述模式包含睡眠阶段的具体信息。ii.)任何两个模式不包含有关睡眠阶段的相同信息。满足第一个条件相对来说比较容易,第二个条件则具有更多的挑战性。假设自然条件下的呼吸流量信号和随后计算特征,创造很少或根本没有重叠的模式是很难的工作。因此,需采用一个明智的组合以实现这些模式,以获取必要的信息。例如,在一个实施例中,模式应用仪可以适用以下模式((Pl,P2, P3, P4和P5)。ID模式的特征子集
Pl IPFV, EPFV, TSLBVP2 IPFV, EPFV
P3 TSLBVP4 IPFV
P5 IPFV, I75AV
在所述模式的基础上,根据为每个睡眠状态设置的临界值得来的特征权重相结合,例如,通过权重总数。因此,对于每个模式(ρ ···Ρη)和每个状态(Si···Si)来说,会产生Ι*Ν个模式得分。以上五个模式的举例,以及3个状态的例子,将有20个模式得分。(即,Pl_觉醒,Pl_非快速动眼睡眠,Pl_快速动眼睡眠,...,Ρ5_觉醒,Ρ5_非快速动眼睡眠,Ρ5_快速动眼睡眠)。总体模式权重计算的例子如下
使用的特征IPFV,EPFV, TSLBV临界值函数的特征权重(wn)
清醒分值
IPFV: wll
EPFV: wl2
TSLBV: wl3
非快速动眼睡眠分值
IPFV: w21EPFV: w22TSLBV: w23快速动眼睡眠分值IPFV: w31EPFV: w32TSLBV: w33所用的模式
ID模式特征子集
Pl IPFV, EPFV, TSLBVP2 IPFV, EPFVP3 TSLBV模式权重的计算
Pl_ 清醒=α * (wll + wl2 + wl3)
P1_NREM sleep = β * (w21 + w22 + w23)
Pl_ 快速动眼睡眠=μ* (w31 + w32 + w33)
P2_ 清醒=a I* (wll + w 12)
P2_非快速动眼睡眠=β I* (w21 + w22)
P2_快速动眼睡眠=μ I* (w31 + w32)
P3_ 清醒=a 2* wl3
P3_非快速动眼睡眠=β 2*w23
P3快速动眼睡眠=μ 2* w33
在所述计算中,偏向因素(biasing factors)的 α,β,μ,α L , β L , μ L , α 2 ,β 2和μ 2如上所示可被实现。这些因素根据病人信息数据122中ー个或多个病人信息允许ー些模式得分的调整。例如,如果没有特定病人的信息会采取更多或更少代表一个特别的状态的特别的模式,ー个或多个可设置为I。然而,其他值可能会采用,也可能根据病人的特点凭经验确定。所述原始睡眠状态计算単元2016通过结合各自状态分值,对每一个状态生成一个特别的原始睡眠状态得分。在以上的例子中,原始睡眠状态计算単元2016将生成如下的原始清醒分值
清醒=Pl_清醒+ Ρ2_清醒+ Ρ3_清醒;
非快速动眼_睡眠=Pl_非快速动眼_睡眠+Ρ2_非快速动眼_睡眠+非快速动眼_睡眠;、快速动眼_睡眠=(Pl_快速动眼_睡眠+ P2_快速动眼_睡眠+ P3_快速动眼_睡眠)* (快速动眼_睡眠_增强_指数);
在该实施例中,引入快速动眼增强因子(定义为快速动眼睡眠增强指数)。该快速动眼增强因子是由如图20中所示的快速动眼状态增强子2030生成的。快速动眼状态增强子2030在此被讨论了更多的细节。这实质上为调整(例如.通过乘法)原始快速动眼睡眠得分提供了一个额外的权重。 通常,在这个过程中,所述权重只为基于模式的得分进行计算,例如非快速动眼睡眠状态,快速动眼睡眠状态或觉醒状态。图21中的非快速动眼睡眠T状态,被认为是依赖于得分的“状态”,而不是依赖于得分的模式。在这点上,这个转换状态中的任何值都是基于周期的状态和觉醒状态时概率的计算,图27公开了关于转换概率更详细的论述。原始状态的分值随后被状态转换概率计算单元2018处理。这种处理一般包括图表中状态转化概率确定,如图21所阐示根据此处所讨论的概率方法的转换概率识别。这些概率可考虑在睡眠阶段的计算过程中的进ー步条件步骤(conditioning step)。图26和27是概率值举例。通常,转换概率与给定状态的原始数据联系在一起,例如,用乘法得到ー个修饰的睡眠状态分数。通过这种方式,采用这种转换概率的原始睡眠得分可能有偏差。然而,非快速动眼睡眠T状态,其原始状态的得分可以假定为1,这样转换概率将成为所述状态的修改后的状态得分。在这方面,由于睡眠的生理性质,在測定睡眠状态时须考虑随机性元素。例如,第一次清醒阶段(假设睡眠前阶段)比随后整个晚上的觉醒状态要长的多(如ー个更长时间段)。夜晚第一个睡眠阶段不可能是ー个快速动眼睡眠状态阶段,除非病人具有特别的快速动眼状态睡眠紊乱。因此,这些规则可应用于在确定状态转换概率以解释相应的情況。图26和27举例详细说明了这些转换的条件和其相关的概率。而且,一些转换的概率还可以取决于入睡眠起始指数,所述指数在此有更详细的讨论。通常,睡眠起始指数可能是ニ进制指数。例如,如果读数值为I,这表示病人在睡眠阶段(非快速动眼睡眠或快速动眼睡眠T)。同样的,如果读数是0,这表示病人处于觉醒状态。然而,如果病人处于晚上的第一个觉醒状态,且读数值为0,所有管理三个睡眠状态中的任何一个状态的变化的转换概率都为零(如,如果睡眠起始指数为0,T12, T13和T14都为O)。基于修改的睡眠状态得分,状态选择器2020将决定下ー个睡眠状态。通过对修改的睡眠状态得分的比较,下ー个状态将被选择。例如,修改后的睡眠状态的最大分值可被视为图21中状态机的状态检测所检测到的状态。所讨论的睡眠状态检测的检测方法可按如下例子考虑
例子
有限状态机(Finite Machine)的当前睡眠状态=觉醒状态2110 原始睡眠状态得分计算
清醒=O. I
非快速动眼睡眠=O. 5 快速动眼睡眠=O. 2 非快速动眼睡眠转换=I基于当前的睡眠状态的转移概率是TIL,T12,T13,T14。TIL,T13和T14,參考表2600A,假设规则6适用于这个例子。T12可參考表2700A T,假定规则2适用。TIl = O. 45T12 = O
T13 = O. 45T14 = O. I
修饰的睡眠状态得分
清醒=清醒*T11 = O. 045 非快速动眼睡眠_T = Τ12 = O 非快速动眼睡眠=非快速动眼睡眠*Τ13 = O. 225 快速动眼睡眠=非快速动眼睡眠*Τ14 = O. 02
由于非快速动眼睡眠状态是得分最高的,下一歩的睡眠状态,可以设置为非快速动眼睡眠状态2114。G.快速动眼睡眠状态增强仪。当只分析呼吸气流信号,快速动眼睡眠状态是最难检测的睡眠状态。因此,一些特别的特征可以被特异地应用到捕捉“快速眼动睡眠型”气流的特点,以加强快速动眼睡眠的检测。这些特征的结合输出产生了一个增强的快速动眼状态,可部分地由如图20所示的快速动眼状态增强单元2030实施。例如,以下附加特征可以被确定,选择性地,至少部分由处理特征提取模块110实施。为此,呼吸气流被捕捉、处理以计算随后的快速动眼所特有的特征。I) VtRat -当前呼吸吸气潮气量(VTcurr)与之前呼吸吸气潮气量(VTprev)之间的简单比。在一些实施例中,这个比例可根据下列公式计算。
权利要求
1.一种控制处理器、以根据测得的可呼吸气体的流量来检测睡眠状态的方法,该方法包括 根据呼吸流量的测量值来确定多个呼吸特征; 基于所确定的呼吸特征、根据潜在睡眠状态来进行状态检测,所述潜在睡眠状态包括非快速动眼睡眠状态和快速动眼睡眠状态; 指示出检测到的状态。
2.根据权利要求I所述方法,其中所述潜在睡眠状态还包括觉醒状态。
3.根据权利要求2所述方法,其中快速动眼睡眠是一种轻度快速动眼状态,且所述潜在睡眠状态还包括深度快速动眼睡眠状态。
4.根据权利要求I所述方法,其中所述处理器通过计算各个潜在睡眠状态之间的转变概率来确定检测状态,并确定所述检测状态为最有可能的一个计算概率的函数,其中,所述各个潜在睡眠状态具有来自所述多个呼吸特征的数据。
5.根据权利要求I所述方法,其中多个呼吸特征包括吸气峰流量变异度的测量值。
6.根据权利要求I所述方法,其中多个呼吸特征包括呼气峰流量变异度的测量值。
7.根据权利要求I所述方法,其中多个呼吸特征包括呼气峰流量位置与呼气时间之比。
8.根据权利要求I所述方法,其中多个呼吸特征包括呼气峰流量位置变异度的测量值。
9.根据权利要求I所述方法,其中多个呼吸特征包括呼气峰流量的面积的测量值。
10.根据权利要求I所述方法,其中多个呼吸特征包括呼气峰流量变异度的面积的测量值。
11.根据权利要求I所述方法,其中多个呼吸特征包括从呼气峰流量到吸气开始所经历的时间的测量值。
12.根据权利要求I所述方法,其中多个呼吸特征包括自上一次确定的呼吸变化之后所经历的时间的测量值。
13.根据权利要求I所述方法,其中多个呼吸特征包括高呼吸频率周期的测量值。
14.根据权利要求I所述方法,其中多个呼吸特征包括吸气时间的变异度的测量值。
15.根据权利要求I所述方法,其中多个呼吸特征包括吸气峰流量变异度的测量值。
16.根据权利要求I所述方法,其中所述多个呼吸特征包括选自以下各项的两个或多个测量值(a)呼气峰流量变异度的测量值,(b)呼气峰流量位置与呼气时间之比的测量值,(c)呼气峰流量位置变异度的测量值,Cd)呼气峰流量的面积的测量值,Ce)呼气峰流量变异度的面积的测量值,Cf)从呼气峰流量到吸气开始所经历的时间的测量值,(g)自上一次确定呼吸变异度后所经历的时间的测量值,(h)高呼吸频率周期的测量值,(i)吸气时间变异度的测量值。
17.根据权利要求I所述的方法,其特征在于所述处理器根据所检测到的状态调控呼吸压力治疗方案。
18.一种睡眠状态检测装置,包括 具有至少一个处理器的控制器,用于处理测量到的呼吸的气体流量的数据,所述控制器设置为通过测量呼吸流量确定多个呼吸特征; 基于所确定的呼吸特征、根据潜在睡眠状态来进行状态检测,所述潜在睡眠状态包括非快速动眼睡眠状态和快速动眼睡眠状态; 指示所检测到的状态。
19.根据权利要求18所述睡眠状态检测装置,其中潜在的睡眠状态还包括觉醒状态。
20.根据权利要求19所述睡眠状态检测装置,其中快速动眼睡眠是一种轻度快速动眼状态,且所述潜在睡眠状态包括深度快速动眼状态。
21.根据权利要求18所述睡眠状态检测装置,其中所述处理器通过计算各个潜在睡眠状态之间的转变概率来确定检测状态,并确定所述检测状态为最有可能的一个计算概率的函数,其中,所述各个潜在睡眠状态具有来自所述多个呼吸特征的数据。
22.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括吸气峰流量变异度的测量值。
23.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括呼气峰流量变异度的测量值。
24.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括呼气峰流量位置和呼气时间之比的测量值。
25.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括呼气峰流量位置变异度的测量值。
26.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括呼气峰流量的面积的测量值。
27.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括呼气峰流量变异度的面积的测量值。
28.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括从呼气峰流量到吸气开始所经历的时间的测量值。
29.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括自上一次确定呼吸变异后所经历的时间的测量值。
30.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括高呼吸频率周期的测量值。
31.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括吸气时间变异度的测量值。
32.根据权利要求18所述睡眠状态检测装置,其中多个呼吸特征包括吸气峰流量变异性的测量值。
33.根据权利要求18所述睡眠状态检测装置,其中所述多个呼吸特征包括选自以下各项的两个或多个测量值Ca)呼气峰流量变异度的测量值,(b)呼气峰流量位置与呼气时间之比的测量值,(C)呼气峰流量位置变异度的测量值,Cd)呼气峰流量的面积的测量值,Ce)呼气峰流量变异度的面积的测量值,(f)从呼气峰流量到吸气开始所经历的时间的测量值,(g)自上一次确定呼吸变异度后所经历的时间的测量值,(h)高呼吸频率周期的测量值,(i)吸气时间变异度的测量值。
34.根据权利要求18所述睡眠状态检测装置,该睡眠状态检测装置还包括用于测量可吸入气体的流量的流量传感器,且所述控制器还具有处理器控制的流量发生器,其中所述控制器用于根据检测到的状态来控制呼吸压力治疗方案。
35.一种睡眠状态检测系统,包括 用于访问可呼吸气体的流量测量数据、并根据呼吸流量测量值来确定多个呼吸特征的装置; 基于所确定的呼吸特征、通过潜在睡眠状态来进行状态检测的装置,所述潜在睡眠状态包括非快速动眼睡眠状态和快速动眼睡眠状态;以及用于指示检测到的状态的装置。
36.根据权利要求35所述睡眠状态检测系统,还包括用于测量可呼吸气体的流量的装置。
37.根据权利要求36所述睡眠状态检测系统,还包括流量发生装置,用于根据检测到的状态产生可呼吸气体的流量。
38.通过控制处理器、以根据测定的可呼吸气体的流量来对睡眠觉醒状态进行分类的方法,包括 根据呼吸流量的测量值来确定多个呼吸特征; 根据所述多个呼吸特征来检测干扰,所述干扰象征着觉醒状态; 评估所述干扰是否为非呼吸相关的觉醒;以及 指示所检测到的干扰代表的是基于呼吸功能不全症以外的事件的觉醒。
39.根据权利要求38所述的方法,其中所述评估包括确定象征呼吸流量限制的测量值。
40.根据权利要求39所述的方法,其中评估还包括检测呼吸流量限制的缺失。
41.根据权利要求40所述的方法,其中象征呼吸流量限制的测量值包括平缓流量的测量值。
42.根据权利要求38所述的方法,其中多个呼吸特征包括到达吸气峰流量的一定比例所用的时间的测量值。
43.根据权利要求38所述的方法,其中多个呼吸特征包括吸气峰流量的一定比例以上的面积的测量值。
44.根据权利要求38所述的方法,其中多个呼吸特征包括吸气峰流量变异度的一定比例以上的一定比例面积的测量值。
45.根据权利要求38所述的方法,其中多个呼吸特征包括吸气峰流量的一定比例和呼气峰流量之间所需的时间的测量值。
46.根据权利要求38所述方法,其中评估干扰是否是非呼吸相关的觉醒是基于睡眠状态的检测而进行的。
47.根据权利要求38所述方法,其中所述评估还包括检测面罩泄漏,借以检测由于面罩泄漏而引起的觉醒。
48.根据权利要求38所述方法,其中所述处理器基于干扰指示来控制呼吸压力治疗方案。
49.根据权利要求38所述方法,其中所述指示步骤包括识别周期性腿动的发生。
50.一种根据可呼吸气体的流量测量值来对睡眠觉醒状态进行分类的装置,该装置包括 具有至少一个处理器的控制器,用于处理测量到的呼吸的气体流量的数据,该控制器还设置为 通过测量呼吸流量测定多个呼吸特征;; 从多个呼吸特征里检测干扰,所述干扰表明的是觉醒状态; 评估干扰是否是呼吸相关的觉醒;以及 指示所检测到的干扰代表的是基于呼吸功能不全症状以外的觉醒。
51.根据权利要求50所述的方法,其中评估包括确定象征着呼吸流量限制的测量值。
52.根据权利要求51所述的装置,其中评估包括检测呼吸流量限制的缺失。
53.根据权利要求50所述的装置,其中象征着呼吸流量限制的测量值包括流量平缓的测量值。
54.根据权利要求50所述的装置,其中的多个呼吸特征包括吸气峰流量到达一定比例时所用的时间的测量值。
55.根据权利要求50所述的装置,其中的多个呼吸特征包括吸气峰流量的一定比例以上的面积的测量值。
56.根据权利要求50所述的装置,其中多个呼吸特征包吸气峰流量变异度的一定比例以上的面积的测量值。
57.根据权利要求50所述的装置,其中多个呼吸特征包括吸气峰流量的一定比例与呼气峰流量之间所经历的时间的测量值。
58.根据权利要求50所述的装置,其中评估干扰是否是非呼吸相关的觉醒是基于睡眠状态的检测而进行的。
59.根据权利要求50所述的装置,其中所述评估还包括检测面罩泄漏,借以检测由于面罩泄漏而引起的觉醒。
60.根据权利要求50所述的装置,还包括有流量发生器和流量传感器,该流量传感器用于测量可呼吸气体的流量,且其中所述处理器根据检测到的干扰的指示来控制呼吸压力疗法。
61.根据权利要求50所述的装置,其中控制器通过识别周期性腿动的发生来指示检测到的干扰。
62.根据可呼吸气体的流量测量值来对睡眠觉醒状态进行分类的系统,该系统包括 根据呼吸流量测量值来确定多个呼吸特征的装置; 根据多个呼吸特征来检测干扰的装置,所述干扰表明的是觉醒状态; 评估干扰是否是呼吸相关的觉醒的装置;以及 指示所检测到的干扰代表的是基于呼吸功能不全症状以外的觉醒的装置。
63.根据权利要求62所述系统,还包括有检测呼吸流量的装置。
64.根据权利要求62所述系统,还包括流量发生装置,该流量发生装置基于评估的装置的输出而产生可呼吸气体的流量。
65.用于控制处理器、以根据可呼吸气体的流量测量值来评估睡眠稳定性的方法,该方法包括 根据呼吸流量测量值来确定多个呼吸特征;根据多个呼吸特征来检测干扰,所述干扰表示的是觉醒状态; 确定干扰程度,所述干扰程度表示睡眠被中断的觉醒状态的程度;以及 指示干扰程度。
66.根据权利要求65所述方法,其中所述干扰程度的测定包括计算由于干扰引起的呼吸特征与源于干扰发生之前的气流数据的普通的呼吸特征之间的比例,所述流量数据表示的是多个呼吸周期。
67.根据权利要求66所述方法,其中,由于干扰引起的呼吸特征包括以下各项中的至少一项(a)到达吸气峰流量的一定比例需要的时间的测量值,(b)高于一定比例的吸气峰流量的面积的测量值,(c)吸气峰流量变异度高于一定比例时的面积的测量值,(d)吸气峰流量的一定比例和呼气峰流量之间所需的时间的测量值。
68.根据权利要求65所述方法,其中所述干扰程度的测定包括计算由于干扰引起的呼吸特征与源于干扰发生之前的气流数据的普通的呼吸特征之间的比例的平均值,所述流量数据表示的是多个呼吸周期。
69.根据权利要求65所述方法,还包括根据干扰的程度和病人的特征数据测定自主激活水平。
70.根据权利要求69所述方法,其中该自主激活包括至少一个心率变异性的数据值和脉冲中转时间的数据值。
71.根据权利要求70所述方法,其中自主激活水平的测定包括选择至少一个心率变异性的数据值和脉冲中转时间的数据值,所述选择包括以干扰程度和病人的特征数据为索引存取的数据结构。
72.根据权利要求71所述方法,其中病人的特征数据包括病人的年龄和病人的重量中的中少一个。
73.根据权利要求65所述方法,其中所述处理器控制的呼吸压力治疗方案是基于检测到的干扰的指示。
74.根据可呼吸气体的流量测量值来对睡眠觉醒状态进行分类的装置,该装置包括 具有至少一个处理器的控制器,所述处理器用于访问可呼吸气体的流量测量数据,所述控制器还设置为 通过测量呼吸流量,测定多个呼吸特征; 从多个呼吸特征里检测干扰,所述干扰表明的是觉醒状态; 确定干扰程度,所述干扰程度表示睡眠被觉醒状态打断的程度;以及 指示干扰程度。
75.根据权利要求74所述装置,其中所述干扰程度的测定包括计算由于干扰引起的呼吸特征与源于干扰发生前的流量数据的普通的呼吸特征之间的比例,所述流量数据表示的是多个呼吸周期。
76.根据权利要求75中所述装置,由于干扰引起的呼吸特征包括以下各项中的至少一项(a)到达吸气峰流量的一定比例需要的时间的测量值,(b)高于一定比例的吸气峰流量的面积的测量值,(c)吸气峰流量变异度高于一定比例时的面积的测量值,(d)吸气峰流量的一定比例和呼气峰流量之间所需的时间的测量值。
77.根据权利要求74中所述装置,其所述干扰程度的测定包括计算由于干扰引起的呼吸特征与源于干扰发生前的流量数据的普通的呼吸特征之间的比例的平均值,所述流量数据表示的是多个呼吸周期。
78.根据权利要求74所述装置,还包括有根据干扰的程度和病人的特征数据测定自主激活水平。
79.根据权利要求78所述装置,其中自主激活包括至少一个心率变异性的数据值和脉冲中转时间的数据值。
80.根据权利要求79中所述装置,其中自主激活水平的确定包括选择至少一个心率变异性的数据值和脉冲中转时间的数据值,所述选择包括以干扰程度和病人的特征数据的数据结构索引的存取。
81.根据权利要求80所述装置,其中病人的体征数据包括病人的年龄和病人的体重中的至少一个。
82.根据权利要求74所述装置,还包括流量发生器和一个流量传感器测量呼吸的气体的流量,且其中处理器控制的呼吸压力治疗方案基于检测到的干扰的指示。
83.根据可呼吸气体的流量测量值来对睡眠觉醒状态进行分类的系统,该系统包括 根据呼吸流量测量值来测定多个呼吸特征的装置; 从多个呼吸特征里检测干扰的装置,所述干扰表明的是觉醒状态; 确定干扰程度的装置,所述干扰程度表示睡眠被觉醒状态打断的程度;以及 指示干扰程度的装置。
84.根据权利要求83中所述系统,还包括有检测呼吸流量的装置。
85.根据权利要求84所述系统,还包括流量发生装置,该发生装置基于检测数据输出而产生可呼吸气体的流量。
86.控制处理器、以根据可呼吸气体的流量测量值来确定睡眠质量指标的方法,该方法包括 根据呼吸流量测量值来确定多个呼吸特征; 基于所述多个呼吸特征来确定睡眠状态数据; 根据所述多个呼吸特征来确定睡眠稳定性; 根据所确定的睡眠状态和睡眠稳定性来确定睡眠质量指标; 指示所述睡眠质量指标。
87.根据权利要求86所述方法,其中所述睡眠质量指标被导出为治疗期间睡眠时间和睡眠稳定性的比例的函数。
88.根据权利要求87所述方法,其中所述睡眠质量指标还导出为治疗期间觉醒持续时间的函数。
89.根据权利要求86所述方法,其中所述睡眠状态测量包括至少一个快速动眼睡眠状态,一个非快速动眼睡眠状态和一个觉醒状态以及睡眠状态持续时间的测量。
90.根据权利要求86所述方法,其中所述睡眠稳定性被导出为测定的流量干扰和上述流量干扰的流量数据的函数。
91.根据权利要求90所述方法,其中所述睡眠稳定性的测定还包括根据流量干扰检测从睡眠中的觉醒。
92.根据权利要求90所述方法,其中睡眠质量指标应用于反馈控制系统,通过流量发生器调整治疗服务。
93.一种根据可呼吸气体的流量测量值来确定睡眠质量指标的装置,该装置包括 具有至少一个处理器的控制器,所述处理器用于访问可呼吸的流量测量数据,该控制器还设置为 通过测量呼吸流量测定多个呼吸特征; 通过所述多个呼吸特征测定睡眠状态数据; 通过所述多个呼吸特征测定睡眠稳定性; 通过测量睡眠状态和睡眠稳定性测定睡眠质量指标; 指示所述睡眠质量指标。
94.根据权利要求93所述装置,其中所述睡眠质量指标被导出为治疗期间睡眠时间和睡眠稳定性的比例的函数。
95.根据权利要求94所述装置,其中所述睡眠质量指标被导出为治疗期间觉醒期持续时间的函数。
96.根据权利要求93所述装置,其中所述睡眠状态测量包括至少一个快速动眼睡眠状态,一个非快速动眼睡眠状态和一个觉醒状态以及睡眠状态持续时间的测量。
97.根据权利要求93所述装置,其中所述睡眠稳定性测量被导出为测定的流量干扰和前述流量干扰的流量数据的函数。
98.根据权利要求97所述装置,其中所述睡眠稳定性的测定还包括根据流量干扰检测从睡眠中的觉醒。
99.根据权利要求93所述装置,还具有流量发生器和一个流量传感器用于测量可呼吸气体的流量,且其中处理器控制的呼吸压力治疗方案是基于检测到的干扰的指示。
100.根据权利要求93中所述装置,其中睡眠质量指标应用于反馈控制系统,通过流量发生器调整提供的治疗。
101.根据可呼吸气体的流量测量值来确定睡眠质量指标的系统,该系统包括 根据呼吸流量测量值来确定多个呼吸特征的装置; 通过所述多个呼吸特征测定睡眠状态数据的装置; 通过所述多个呼吸特征测定睡眠稳定性的装置; 通过测量睡眠状态和睡眠稳定性测定睡眠质量指标的装置; 指示所述睡眠质量指标的装置。
102.根据权利要求101所述系统,还包括检测呼吸流量的装置。
103.根据权利要求102所述系统,还包括流量发生装置,该发生装置基于检测数据输出而产生可呼吸气体的流量。
104.根据权利要求101所述系统,其中所述睡眠质量指标应用于反馈控制系统,通过流量发生器设置治疗服务。
105.一种用来检测周期性呼吸的方法,该方法包括 通过测量呼吸流量来确定一套呼吸特征; 确定所述一套呼吸特征的临界值; 基于所述临界值来检测周期性呼吸状态。
106.根据权利要求105所述方法,其中所述一套呼吸特征包括吸气流量曲线的面积。
107.根据权利要求106所述方法,其中所述一套呼吸特征包括通气量和呼吸时间的比率。
108.根据权利要求105所述方法,还包括建立所述周期性呼吸状态的计数的函数。
109.根据权利要求107所述方法,其中所述计数表示处理过的呼吸的数量。
110.一种检测周期性呼吸的装置,包括有 通过测量呼吸流量检测一套呼吸特征的处理器; 其中所述处理器还配置具有所述一套呼吸特征的临界值,并通过该临界值检测周期性呼吸状态。
111.根据权利要求110所述装置,其中所述一套呼吸特征包括吸气流量曲线的面积。
112.根据权利要求110所述装置,其中所述一套呼吸特征包含通气量和呼吸时间的比率。
113.根据权利要求110所述装置,还包括将周期性呼吸状态设置为计数的函数。
114.根据权利要求113所述装置,其中所述计数表示处理过的呼吸的数量。
115.一种检测睡眠起始的方法,包括 根据测量呼吸流量测定一套呼吸特征; 测定所述一套呼吸特征的临界值; 在临界值的基础上,测定睡眠状态的分值,所述睡眠状态分值象征睡眠状态; 以及检测睡眠的起始为临界值和测定的睡眠状态分值的函数。
116.根据权利要求115所述方法,其中所述一套呼吸特征包括测定的呼气峰流量位置的函数。
117.根据权利要求116所述方法,其中所述函数指的是以下两者之间变异度(a)呼气峰流量的位置和呼气时间之比(b)多次呼吸测定的比率的平均值。
118.根据权利要求115所述方法,还包括,基于所述测定,输出一个睡眠起始的指标,该指标代表进入治疗疗程第一睡眠时期。
119.一种检测睡眠起始的装置,包括 具备通过测量呼吸流量检测一套呼吸特征的处理器; 所述处理器还配置有所述一套呼吸特征的临界值,在临界值的基础上,测定睡眠状态的分值; 基于所述临界值和测定的睡眠状态的分值,测定睡眠起始状态。
120.根据权利要求119所述装置,其中所述一套呼吸特征包括测定的呼气峰流量的位置的函数。
121.根据权利要求120所述装置,其中所述函数指的是以下两者之间的变异度(a)呼气峰流量的位置和呼气时间之比(b)多次呼吸测定的比率的平均值。
122.根据权利要求119所述装置,还包括,基于所述测定,输出一个睡眠起始的指标,该指标代表进入治疗疗程第一睡眠时期。
123.—种呼吸治疗装置,包括 流量发生器,其产生在病人的接触面的压力大于大气压力的可呼吸气流; 流量传感器,用于测量病人呼吸的气体的流量; 控制器,与流量发生器和流量传感器偶联,该控制器能基于流量传感器测量的流量数据,检测多个睡眠状态中的一个; 该控制器还设置为基于检测的睡眠状态,能控制呼吸压力治疗方案。
124.根据权利要求123所述装置,其中呼吸压力治疗方案包括呼气减压控制,且所述控制器降低减压量,当检测到多个睡眠状态中的一个是属于睡眠的状态时。
125.根据权利要求123所述装置,其中呼吸压力治疗方案包括控制呼气压力的降低,所述控制器增大减压量,当检测到多个睡眠状态中的一个是属于失眠的状态时。
126.根据权利要求123所述装置,其中呼吸压力治疗方案包括检测流量测量数据的结果,所述结果包括至少一种窒息和呼吸不全,且所述结果被记录,当检测到多个睡眠状态中的一个是属于睡眠的状态时。
127.根据权利要求123所述装置,其中检测到的结果分别记录在相关检测的睡眠状态一起。
128.根据权利要求123所述装置,其中所述呼吸压力治疗方案包括自主调节治疗压力水平,所述控制器根据检测到的呼吸异常提高治疗压力水平,根据检测到的睡眠稳定指数和临界值降低治疗压力水平。
129.根据权利要求123所述装置,其中所述呼吸压力治疗方案包括根据测量流量检测心流,所述心流检测当检测到的多个睡眠状态有一个归为是睡眠时被调控。
130.根据权利要求129所述装置,其中呼吸压力治疗方案包括以检测心流的存在为基础的中枢性呼吸暂停的检测。
131.根据权利要求129所述装置,其中检测到的多个睡眠状态中的一个是非快速动眼睡眠状态。
全文摘要
提供用于确定睡眠状态的方法的自动化设备,可与通过压力治疗装置,如连续气道正压设备,进行的睡眠呼吸紊乱的治疗相结合。基于呼吸气流的测量值,提取呼吸特征,以检测觉醒状态、睡眠稳定性、睡眠状态和/或进行睡眠治疗评估。所述方法可用于通过特定目的计算机、测量呼吸气流的监测设备和/或基于检测到的状态来提供呼吸治疗方案的呼吸治疗装置来进行数据分析。
文档编号A61B5/087GK102665546SQ201080041492
公开日2012年9月12日 申请日期2010年7月14日 优先权日2009年7月16日
发明者丁内什·雷曼纳, 杰弗里·皮特·阿密斯特 申请人:雷斯梅德有限公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1