CN102113034A - 监测、预测和处理临床发作 - Google Patents

Abstract

本发明提供了一种设备(10)，其包括：至少一个传感器(30)，用于感测对象(12)的生理参数和感测对象(12)的大的身体运动；输出单元(24)；以及控制单元(14)。所述控制单元(14)通过分析生理参数和感测到的大的身体运动来监测对象(12)的状况，并在检测到被监测状况的恶化时驱动输出单元(24)发出警报。本发明还描述了其它实施例。

Description

监测、预测和处理临床发作

对相关申请的交叉引用

本申请要求以下美国临时专利申请的优先权：

申请日为2008年5月12日、申请号为61/052,395的美国临时申请，

申请日为2008年5月20日、申请号为61/054,754的美国临时申请，

申请日为2008年7月22日、申请号为61/082,510的美国临时申请，

申请日为2008年10月7日、申请号为61/103,276的美国临时申请，

申请日为2008年12月31日、申请号为61/141,677的美国临时申请，和

申请日为2009年1月15日、申请号为61/144,743的美国临时申请；

并且本申请是申请日为2008年5月1日、申请号为12/113,680的美国专利申请的部分继续申请，该美国专利申请12/113,680要求了以下申请的优先权：

申请日为2007年5月2日、申请号为60/924,181的美国临时申请，

申请日为2007年5月16日、申请号为60/924,459的美国临时申请，

申请日为2007年7月31日、申请号为60/935,194的美国临时申请，

申请日为2007年10月22日、申请号为60/981,525的美国临时申请，

申请日为2007年10月31日、申请号为60/983,945的美国临时申请，

申请日为2007年11月25日、申请号为60/989,942的美国临时申请，

申请日为2008年2月14日、申请号为61/028,551的美国临时申请，和

申请日为2008年3月6日、申请号为61/034,165的美国临时申请。

所有以上申请均在此结合引用。

技术领域

本发明一般地涉及监测病人以及预测和监测异常生理状态并对这些状态进行处理，特别地涉及用于通过非接触式测量和对生理和/或身体参数特征进行分析来预测和监测异常生理状态的方法和设备。

背景技术

慢性病通常表现为临床症状的持续恶化。慢性病的预防性治疗减少了所需药物的总剂量和相关副作用，并降低了死亡率和发病率。通常，一旦检测到最早的临床症状，就应立即启动或强化预防性治疗，以防止临床发作的发展和恶化，并制止和扭转病理生理过程。因此，准确监测发作前指标的能力提升了慢性病的预防性治疗的有效性。

许多慢性病通过各种各样的生理机制引起生命指征(如呼吸和心跳型态)的系统性变化。例如，常见的呼吸系统疾病，如哮喘、慢性阻塞性肺疾病(COPD)、睡眠呼吸暂停和囊肿性纤维化(CF)，是呼吸和/或心跳型态的直接修改者(direct modifier)。已知其它慢性病，如糖尿病、癫痫和某些心脏疾病(如充血性心力衰竭(CHF))，也会改变心脏和呼吸活动。由于与水肿和一般心血管功能不全有关的病理生理学原因，在某些心脏疾病的情形下通常会发生这些改变。另外，已知其它迹象如咳嗽和睡眠不安在某些临床情况中也是非常重要的。

许多慢性病会诱发对生命体征的全身性影响。例如，有些慢性病会干扰清醒状态下和睡眠中的正常呼吸和心脏进程，导致异常的呼吸和心跳型态。

呼吸和心跳型态可通过各种直接和间接的生理机制而被改变，从而导致与引起这些改变的原因有关的异常型态。有些呼吸系统疾病如哮喘和有些心脏疾病如CHF，是直接的呼吸修改者。其它代谢异常如低血糖症和其它受神经系统疾病影响的自主神经系统活动，是间接的呼吸修改者。

以下专利和专利申请也是关于这方面的，在此均全文予以引用：

发明人为Tagg的美国专利4,657,026，

发明人为Zomer的美国专利5,235,989，

发明人为Zabara的美国专利5,540,734，

发明人为Baker的美国专利5,743,263，

发明人为Combs的美国专利5,957,861，

发明人为PeIz的美国专利5,964,720，

发明人为Kumakawa的美国专利6,134,970，

发明人为Sullivan的美国专利6,375,621，

发明人为Gavriely的美国专利6,383,142，

发明人为Goldsmith等的美国专利6,436,057，

发明人为Ariav的美国专利6,856,141，

发明人为Jeung的美国专利6,980,679，

发明人为Sullivan的美国专利6,984,207，

发明人为Ariav的美国专利6,984,993，

发明人为de Chazal的美国专利7,025,729，

发明人为Brydon的美国专利申请2003/0045806，

发明人为Coyle等的美国专利申请2005/0119586，

发明人为Mitchnick的美国专利申请2006/0084848，

发明人为Sullivan的美国专利申请2007/0156031，

发明人为Rubin等的美国专利申请2007/0249952，和

发明人为Wan Fong等的美国专利申请2008/0005838。

以下非专利文献也是关于这方面的，在此均全文予以引用：

[Alihanka J.，et al.，″A new method for long-term monitoring of the ballistocardiogram，heart rate，and respiration，″Am J Physiol Regul Integr Comp Physiol 240：384-392(1981).]

[Bentur，L.et al.，″Wheeze monitoring in children for assessment of nocturnal asthma and response to therapy，″Eur Respir J 21(4)：621-626(2003).]

[Bilmes，J.，″A gentle tutorial on the EM algorithm and its application to parameter estim ation for Gaussian mixture and hidden Markov models，″Technical report，University of Berkeley，ICSI-TR-97-021，1997.]

[Chang，A.B.et al.，″Cough，airway inflammation，and mild asthma exacerbation，″Archives of Disease in Childhood 86：270-275(2002).]

[Dempster，A.P.，N.M.Laird，and D.B.Rubin，″Maximum likelihood from incomplete data via the EM algorithm，″Journal of the royal statistical society，vol.39 B，pp.1-38，1977.]

[Hirtum，A.；Berckmans，D.；Demuynck，K.；and Compernolle，D.，″Autoregressive Acoustical Modelling of Free Field Cough Sound，″Proc.International Conference on Acoustics，Speech and Signal Processing，volume I，pages 493-496，Orlando，U.S.A.，May 2002.]

[Hsu，J.Y.，et al.，″Coughing frequency in patients with persistent cough：assessment using a 24 hour ambulatory recorder，″Eur Respir J 7：1246-1253(1994).]

[Hudgel，D.W.，R.J.Martin，B.Johnson，and P.Hill，″Mechanics of the respiratory system during sleep in normal humans，″J.Appl.Physiol.，vol.5，pp.133-137，1984.]

[Kandtelhardt，J.W.，T.Penzel，S.Rostig，H.F.Becker，S.Halvin，and A.Bunde，Breathing during REM and non-REM sleep：correlated versus uncorrelated behavior，″Physica.A.，vol.319，pp.447-457，2003.]

[Li，Q.and A.Barron，″Mixture density estimation，″Advances in neural information processing systems，vol.12，pp.279-285，MIT press，2000.]

[Mack，D.，et al.，″Non-invasive analysis of physiological signals：NAPS：A low cost，passive monitor for sleep quality and related applications，″University of Virginia Health System (undated).]

[O′Connor CJ et al，″Identification of endotracheal tube malpositions using computerized analysis of breath sounds via electronic stethoscopes，″Anesth Analg 2005；101：735-9.]

[Oppenheim，A.V.，and R.W.Schafer，Discrete-Time Signal Processing，Prentice-Hall，1989，pp.311-312.]

[Rechtschaffen A.，Kales A.Manual of standardized terminology，techniques and scoring system for sleep for sleep stages of human subjects.Los Angeles：UCLA brain information services/brain research institute，1968.]

[Salmi，T.，et al.，″Automatic analysis of sleep records with static charge sensitive bed，″Electroencephalography and Clinical Neurophysiology 64：84-87(1986).Schwarz，G.，″Estimating the dimension of a model，″Annals of statistics，vol.6，pp.461-464，1978.]

[Sorvoja，H.and Myllyla，R.，″Noninvasive blood pressure measurement methods，″Molecular and Quantum Acoustics，vol.27，2006.]

[Van der Loos，H.F.M.，et al.，″Unobtrusive vital signs monitoring from a multisensor bed sheet，″RESNA′2001，Reno，NV，June 22-26，2001.]

[Waris，M.，et al.，″A new method for automatic wheeze detection，″Technol Health Care6(1)：33-40(1998).]

[Watanabe，T.，et al.，″Noncontact Method for Sleep Stage Estimation，″IEEE Transactions on Biomedical Engineering，No 10，Vol.51，October 2004.]

[Whitney，CW.，Gottlieb DJ，Redline S，Norman RG，Dodge RR，Shahar E，Surovec S and Nieto FJ，″Reliability of scoring respiratory disturbance indices and sleep staging，″Sleep，1998，Nov 2；21(7)：749-757.]

[Yongjoon，C，et al.，″Air mattress sensor system with balancing tube for unconstrained measurement of respiration and heart beat movements″，2005 Physiol.Meas.26413-422.]

在此引用美国专利7,077,810，其描述了一种用于预测临床发作的开始的方法，所述方法包括感知对象的呼吸、确定所述对象的响应被感知呼吸的至少一种呼吸型态、将所述呼吸型态与基线呼吸型态进行比较、预测至少部分响应所述比较的所述发作的开始。

美国临时专利申请60/541,779、60/674,382和60/692,105，国际公布号为WO 05/074361的PCT申请，美国专利申请2006/0241510、2008/0275349，于2008年5月1日转让给了本申请的申请人，再加上美国专利申请2007/0118054，所有这些均已转让给了本申请的申请人，在此全文予以引用，这些专利申请描述了各种不同的用于临床发作预测和监测的方法和系统。对背景技术部分述及的参考文献的引用并不表示这些文献构成了本发明的现有技术。

发明内容

本发明的实施例提供了用于监测病人生理事件的发生或复发的方法和系统，所述生理事件例如慢性疾病或疾病。这种监测可以帮助病人或医疗服务提供者治疗疾病或者减轻病痛。本发明的实施例提供了以下技术：利用自动化传感器和电子信号处理来监测生命体征和非生命体征、以便检测和表征生理事件的开始，以及，在有些应用中，例如用治疗方法或药物对所述生理事件进行处理。

附图说明

图1为根据本发明一个实施例的、用于监测对象的慢性疾病状况的系统的示意图；

图2展示了根据本发明一个实施例的、图1中系统的控制单元各组成部分的原理框图；

图3展示了根据本发明一个实施例的、图2中控制单元的呼吸模式分析模块的原理框图；

图4A-C为根据本发明一个实施例来测量的运动信号图；

图5为根据本发明一个实施例来测量的示范性机械信号的示意图；

图6为根据本发明一个实施例的、对具有正常呼吸模式的对象测量而得的示范性机械信号示意图；

图7为根据本发明一个实施例的、对具有喘气呼吸模式的对象测量而得的示范性机械信号示意图；

图8为根据本发明一个实施例测量的示范性心率(heart rate，HR)信号输出示意图；

图9为根据本发明一个实施例的、对仰卧对象进行测量而得的示范性心率相关信号输出的频率分析示意图；

图10为根据本发明一个实施例的、对图9中的相同对象在左侧卧时进行测量而得的示范性心率相关信号输出的频率分析示意图；

图11为根据本发明一个实施例的、对呼吸状况恶化的对象进行测量而得的呼吸运动信号示意图；

图12为根据本发明一个实施例的、对呼吸状况恶化的对象进行测量而得的呼吸运动信号示意图；

图13为根据本发明一个实施例的、对呼吸状况稳定的对象进行测量而得的呼吸运动信号示意图；

图14为根据本发明一个实施例的、对在床中心进行姿势改变之前、之中和之后的对象进行测量而得的运动信号示意图；

图15为根据本发明一个实施例的、对一些身体运动之前和之中的对象进行测量而得的运动信号示意图，所述身体运动不包括任何姿势改变；

图16为根据本发明一个实施例的、对处于从床中心到床侧部的姿势改变之前、之中和之后的对象进行测量而得的运动信号示意图；

图17为根据本发明一个实施例的、对对象进行测量而得的运动信号示意图，测量时所述对象的状态为：先在床上躺240秒，然后挺直坐240秒，再将腿移出床外240秒，再使其腿触及地板、同时仍然坐在床上约240秒，最后下床240秒；

图18为根据本发明一个实施例的、对睡眠中的对象进行测量而得的示范性心率信号输出示意图，其中，所述对象被怀疑患有睡眠呼吸暂停；

图19为根据本发明一个实施例的、对对象进行测量而得的运动信号(上图)和相应的检测心率(下图)示意图；

图20A-C为根据本发明一个实施例对对象进行测量而得的示意图，其中各图分别展示了测得的运动信号(20A)、相应的检测心率(20B)、以及大的人体运动检测输出(20C)；

图21A-C为根据本发明一个实施例对对象进行测量而得的示意图，其中各图分别展示了测得的平均动脉压参考信号(21A)、ECG设备与脉搏血氧仪之间的相应脉搏传导时间(Pulse Transit Time，PTT)(21B)、以及非接触式运动传感器与脉搏血氧仪之间的相应PTT(21C)；

图22A-B为根据本发明一个实施例对对象进行测量而得的示意图，其中各图分别展示了测得的ECG信号(虚线)和来自放置在胸部面积下方的非接触式运动传感器的相应信号(22A)、以及同样的ECG信号和来自放置在腿部面积下方的非接触式运动传感器的相应信号(22B)。

具体实施方式

图1为根据本发明一个实施例的、用于监测对象12的慢性疾病状况的系统10的示意图。系统10通常包括运动传感器30、控制单元14和用户接口(U/I)24。在有些应用场合，用户接口24被集成到控制单元14中，如图所示，而在其它应用场合，用户接口与控制单元彼此独立。在一些应用场合，运动传感器30被集成到控制单元14中，在这种情形下，用户接口24也被集成到控制单元14中、或者远离控制单元14而独立存在。

在本发明的一些实施例中，运动传感器30为“非接触式传感器”，也就是不与对象12的身体或对象12所穿的衣服接触的传感器。在其它实施例中，运动传感器30与对象12的身体或其所穿的衣服接触。在另外的实施例中，由于运动传感器30不与对象12接触，因此该运动传感器30可以在不造成对象12的不舒服或不方便的前提下检测对象12的运动。在有些应用场合中，运动传感器30在对象12不知道的情形下进行感测，甚至在有些应用场合中，运动传感器30在未经对象12同意的情形下进行感测。在有些应用场合中，对象12或其所穿的衣服没有处在运动传感器30的直接视线范围内。

运动传感器30可包括压电陶瓷传感器、振动传感器、压力传感器或者应变传感器如应变计，设置为安装在躺卧表面37的下方，并可感测对象12的运动。传感器30所感测的例如睡眠中对象12的运动可包括常规呼吸运动、心跳相关运动，以及如下文所述的其它与身体运动无关的运动(unrelated body movements)，或者前述运动的结合。在有些应用中，传感器30包括标准通信接口(如USB)，使该传感器可与标准监控设备相连。

本申请中的所有实验结果都是用一个或多个压电传感器测得的。不过，本发明的范围包括用其它运动传感器30，如其它压力计或加速度计，来进行测量。

图2为根据本发明一个实施例的、控制单元14各组成部分的原理框图。控制单元14通常包括运动数据采集模块20和模式分析模块16。模式分析模块16通常包括一个或多个以下模块：呼吸模式分析模块22，心跳模式分析模块23，咳嗽分析模块26，躁动(辗转不安)分析模块28，血压分析模块29，以及觉醒分析模块31。在有些应用中，两个或两个以上分析模块20、22、23、26、28、29、31被封装在单个外壳中。而在其它应用中，所述模块各自独立封装(例如，这使得可以通过一个或多个模式分析模块来对数据采集模块在本地获得的呼吸信号进行远程分析)。

用户接口24通常包括专用显示单元，如LCD或CRT显示器。替代性或附加性地，用户接口24包括无线或有线通信端口，用于将获得的原始数据和/或处理过的数据转发至远程站点，以作进一步的分析、解释、专家评审和/或临床随访。例如，所述数据可通过电话线、和/或因特网或其它广域网、无线或有线地传输。

呼吸模式分析模块22用于从运动数据中提取呼吸模式，如下文参照图3所述，而心跳模式分析模块23用于从运动数据中提取心跳模式。替代性或附加性地，系统10包括其它类型的传感器，如声传感器或空气流量传感器，其附加在对象的脸、脖子、胸部和/或背上，或者放置在床垫下。

在本发明的一个实施例中，系统10包括温度传感器80，用于测量体温。在有些应用中，温度传感器80包括用于测量体温的集成式红外传感器。体温是全身性感染和炎症的一般状况的生命体征指标。用体温的全面上升作为医疗诊断的第一筛选工具。

图3展示了根据本发明一个实施例的、呼吸模式分析模块22的各组成部分的原理框图。呼吸模式分析模块22分析了呼吸模式的改变，通常是睡眠过程中呼吸模式的改变。呼吸模式分析模块22通常包括数字信号处理器(DSP)41、双端口RAM(DPR)42、EEPROM44、以及输入/输出端口46。模块23、26、28、29和31类似于图3所示的模块22。例如，模块23、26、28、29和31可包括与数字信号处理器41、双端口RAM 42、EEPROM 44、输入/输出端口46类似的数字信号处理器、双端口RAM、EEPROM、输入/输出端口。

参见图4A、4B和4C，这些图展示了对根据本发明的一个实施例测量的运动信号的分析。图4A展示了通过床垫下的压电传感器测量的原始机械信号50，包括呼吸和心跳相关信号以及与呼吸和心跳无关的一般身体运动的共同贡献。信号50被分解成呼吸相关成分52，如图4B所示，以及心跳相关成分54，如图4C所示，用下午述及的技术进行分解。

在本发明的一个实施例中，数据采集模块20用于非侵入性地监测对象12的呼吸和心跳模式。呼吸模式分析模块22和心跳模式分析模块23分别用于从数据采集模块20产生的原始数据中提取呼吸模式和心跳模式，并分别进行呼吸模式和心跳模式的处理和分类。呼吸模式分析模块22和心跳模式分析模块23用于分析各自的模式，以便：(a)预测临床发作的即将发生，所述临床发作例如哮喘发作、心脏病相关的肺部积水、败血症、心脏骤停、或者呼吸抑制；和/或(b)当临床发作发生时，监测临床发作的严重程度及进展。用户接口24用于通知对象12和/或医护人员预测到的或正在发生的发作。即将发生的临床发作的预测便于早期预防治疗，这通常可以改善疾病的结果，例如，通过降低药物的所需剂量和/或降低死亡率和发病率来进行所述改善。当治疗普通病房中的住院病人时，例如，对病人恶化的早期识别可以防止需要将病人送入ICU的情况出现，并可以缩短病人的住院时间，以及增加成功康复的可能性。

睡眠中的正常呼吸模式在几天、几星期、几个月和几年的时间内缓慢变化。由于周期性的环境变化如季节变化、或者由于周期性时间安排表如每周时间安排表(例如每周六户外活动)、或者生理周期如月经周期等因素，使得有些变化是周期性的。其它一些变化是单调进行的，例如像孩子长大或成人变老那样的变化。在本发明的一些实施例中，系统10动态地追踪这些缓慢的变化。

在本发明的一个实施例中，两个薄的压电传感器一个叠一个地粘附在半刚性板上。这两个传感器实际上经历同样的变形，从而产生高度相关的信号，有效地使传感器电容增倍，并从而在不增加感应表面面积需求的前提下提高信噪比。

在本发明的一个实施例中，系统10用于监测所述对象的临床参数，包括但不限于：呼吸率(即呼吸频率)，心率，咳嗽次数，呼气/吸气比，增强呼吸的振幅、数量或频率，深吸气的振幅、数量或频率，震颤的振幅、持续时间或频率，睡眠周期的持续时间或频率，以及躁动模式的振幅、数量或频率。这些参数是本说明书和权利要求书中述及的“临床参数”的一些例子。通常，临床参数是数值参数，其可以在临床上测量出来，并具有临床价值。

在本发明的一个实施例中，模式分析模块16结合了一个或多个分析模块20、22、23、26、28、29、31产生的临床参数数据，并对这些数据进行分析，以预测和/或监测临床事件。对于有些应用场合，模式分析模块16基于参数偏离基准值(对于特定病人或者基于人均值)的偏离程度来对每个参数进行评分。模式分析模块16选择性地结合评出的分值、进行综合评分，例如通过计算平均值、最大值、标准差或者这些分数的其它函数等方式来进行综合评分。将综合评分值与一个或多个阈值(预先确定或者不预先确定)进行比较，以确定临床发作是否即将发生、正在发生，或者既不会即将发生、也没有正在发生，和/或监测正在发生的临床发作的严重程度及进展。对于有些应用，模式分析模块16学习用于对那些单个的参数分值进行综合评分的规则和/或函数，其中，所述参数分值是具体的病人或病人组基于个人或组的历史而评出的参数分值。例如，模式分析模块16可以通过分析在以往的临床事件发生之前测量的参数值来进行上述学习。

对于有些应用，模式分析模块16用于分析各自的模式，例如前述的缓慢变化模式，以便识别临床参数基线特征的变化。例如，为了识别小孩睡眠过程中由于其生长而造成的平均呼吸速率的缓慢变化，所述系统计算睡眠过程中呼吸速率的月平均值。接着，系统10计算平均呼吸速率从一个月到下一个月的变化率，并将该变化率展示给所述对象、对象的父母、或者医护专业人员。替代性或附加性地，系统10识别出周末睡眠时的平均呼吸速率高于工作日，从而用不同的周末基线来进行比较，并确定临床发作是否正在发生或者即将发生。

在本发明的一个实施例中，系统10监测并记录在一段长时间内(例如至少两个月)对象的临床状态。在这段时间中，所述系统还监测和记录行为模式、治疗方法及可能影响对象状态的外部参数。系统10基于测量的临床参数来计算所述对象的临床状态评分。所述系统输出这一评分，以供对象或护理人员使用。

虽然系统10可以在任何时间监测呼吸和心跳模式，但是对于有些情形，用该系统10监测晚上睡眠时的这些模式是最有效的。当所述对象醒着时，与被监测状态无关的身体和心理活动常常影响呼吸和心跳模式。这些无关活动通常在大多数夜间睡眠中影响较小。对于有些应用，系统10监测和记录全部或大部分夜晚中的模式。由此得到的数据集通常包括典型的长期呼吸和心跳模式，并有利于进行综合分析。此外，这一大的数据组使人们可以抛弃被运动或其它人工因素污染的部分，而只保留用于统计显著性分析的足够数据。

再次参见图2，数据采集模块20通常包括用于处理运动传感器30产生的原始运动信号的电路元件，例如至少一个前置放大器32，至少一个滤波器34，以及至少一个模拟至 数字(analog-to-digital，A/D)转换器36。滤波器34通常包括带通滤波器或低通滤波器，以作为截止频率小于采样频率的一半的抗混叠滤波器。低传输数据通常以至少10Hz的取样频率被数字化，并被存储在存储器中。例如，可将所述抗混叠滤波器的截止频率设置为10Hz，并将所述取样频率设置为40Hz。对于有些应用，滤波器34包括这样的带通滤波器：其低截止频率处在约0.03Hz～约0.2Hz之间(例如约0.05Hz)，而其高截止频率处在约1Hz～约10Hz之间(例如约5Hz)。数据采集模块20通常以至少10Hz的采用频率将所述运动数据数字化，虽然更低的频率对于某些应用更适合。

替代性或选择性地，运动传感器30的输出通过几个信号调理频道进行，每个信号调理频道都具有各自的增益和根据所需信号而进行过调整的滤波设置。例如，对于呼吸信号，可以采用相对较低的增益和最高约5Hz的通带频率，而对于心跳信号，可以采用中等增益和稍微高一些的约10Hz的截止频率。对于某些应用，运动传感器30还用于记录声音信号，可以使用约100Hz～约8kHz的通带频率。

在本发明的一个实施例中，系统10用于监测对象12的多项临床参数，如呼吸率、心率、咳嗽的发生、身体运动、深吸气、和/或呼气/吸气比。模式分析模块16用于分析各自的模式，以便识别临床参数的基线模式变化。在有些情形下，这种产生了与前一基线完全不同的新基线的基线模式变化，是由药物变化或对象状态的其它长期变化所引起的，并为护理者或医护专业人员提供有价值的治疗有效性回馈。

在本发明的一个实施例中，系统10用于监测临床参数，如上文所述。模式分析模块16用于分析各自的模式，以便识别由药物引起的变化，并提供可用于优化药物剂量的反馈。例如，所述药物可包括β阻断剂，该β阻断剂用于治疗高血压、充血性心力衰竭(congestive heart failure，CHF)、心律失常和胸痛(心绞痛)，以及有时用于防止发生过心肌梗死(myocardial infarction，MI)的病人复发MI。例如，通过在夜间睡眠过程中测量心率模式，所述系统可以识别所述药物的功效，帮助调节药物剂量，直到获得最佳心率模式。所述系统可以将数据报告给病人或医护专业人员，以供其调整药物剂量，或者将数据传输给自动配药设备，让其根据这些数据来配药。

再次参见图1。在本发明的一个实施例中，运动传感器30包括压力/振动传感器(如压电传感器)或者过载传感器(accelerometer，也称“加速度计”)，这些传感器通常安装在对象躺卧(如睡觉)的表面37之内、之上或之下，用于感测对象的呼吸或心跳相关运动。通常，表面37包括床垫、床垫罩、床单、床褥、和/或床套。对于有些应用，运动传感器30内置于表面37中，例如，放入床垫中，且所述运动传感器和躺卧表面被设置为一个整体单元。对于某些应用，运动传感器30用于安装在邻近对象12的腹部38或胸部39的表面37之内、之上或之下。作为选择或附加性地，运动传感器30安装在邻近对象腰部以下部分的表面之内、之上或之下，例如邻近对象的腿40。对于有些应用，这种设置提供了比传感器邻近对象的腹部38或胸部39的设置更清晰的脉搏信号。

再次参见图2。在本发明的一个实施例中，运动传感器30与控制单元14无线通信。在该实施例中，运动传感器30包括或连接至传感器无线通信模块56，该模块56无线发送数据至控制单元无线通信模块58，和/或无线接收来自模块58的数据，所述模块58与控制单元14相连。这些通信模块利用模拟信号(如用标准的AM或FM)或数字信号(如用蓝牙技术)进行通信。例如，在医院环境中，对象位置，比如床，通常只被每个对象占据若干天。在有些情形下，每当一个新的对象被分配到这个床上时，可以更换传感器30。在有些情形下，通过在床垫下放置一个包含传感器30和无线通信模块56的褥子，可以减少护士花费的时间。这种无线功能传感器褥子的使用使得人们不再需要连接和断开从控制单元14引出的电线。这种使用也使护士、医生和对象更易于接近和/或进入所述床。在有些包含无线操作的传感器30的实施例中，所述传感器、或者包含所述传感器和所述无线通信模块的传感器组件，通常包括内部电源，如电池。为了维持电池寿命，传感器30通常在检测到有关的运动信号或其它输入时启动通信。

在有些地方，比如在医院中，可以非常近的使用多个系统10。在这种情况下，每个控制单元14通常只与正确的运动传感器30通信，而不会错误地与设置在不同床、与不同系统10相关联的其它运动传感器30通信。蓝牙协议，例如，允许这种配对过程。在一个实施例中，所述系统在不启动传感器端和控制单元端的常规蓝牙型配对过程的前提下进行这种配对。除了无线功能的运动传感器30之外，控制单元14连接至应用于对象12的一个或多个接触式传感器60，例如血氧监测仪86(如脉搏血氧仪)、心电监护仪62、或者温度传感器80。控制单元14从接触式传感器60处获取脉搏信息。为了在控制单元无线范围内的多个发送信号的运动传感器30中识别出(与该控制单元)配对的运动传感器30，所述控制单元对从运动传感器30接收到的每个无线信号中的脉搏数据进行计算，并识别出这样的信号：该信号具有与接收自接触式传感器60的信息相关联的脉搏数据。识别出这种匹配情况后，控制单元记录这一识别、连接至被识别的运动传感器30的无线通信模块56的特征(如发射器的唯一ID)，从而将被识别的传感器30与控制单元14配对。对于某些应用，进行了这种配对后，控制单元14通知医护人员：不再需要接触式传感器60、可以只用非接触式传感器30对所述对象进行监测，或者可以使用更少的接触式传感器60。

对于有些无线应用场合，激活了传感器30之后，护士按下控制单元14上的连接按钮，并在传感器30上拍击一次或多次。接着控制单元14连接至附近的多个传感器30中的一个传感器，该传感器将该确切地点处的拍击及时发送出去。替代性地，用户接口24提供所述拍击的视觉或声音指示，医护人员在批准传感器和控制单元的配对之前、核实他/她的拍击是否被正确地显示出来。对于有些应用，包括传感器板的传感器，如下文所述，不包括任何按钮或其它用户控件。(这些应用不排除在无线功能的运动传感器30上使用开关)对于有些应用场合，可以无需按压传感器上的任何按钮或控件而激活无线功能的运动传感器30，并将该传感器与控制单元进行配对。传感器的激活和配对可以不通过在传感器上进行拍击来实现，而是通过用电线将传感器临时性地连接至控制单元来实现。对于有些应用场合，用临时电线来开始传感器30与控制单元14的配对。传感器和控制单元被配对后，断开所述临时电线，让所述系统用无线通信来工作。替代性或附加性地，通过电线连接至控制单元14的运动传感器(如压力传感器)被简单地放置在躺卧表面上，并被抵着床垫向下压。来自有线运动传感器和无线功能的运动传感器30的同步读数使控制单元14能够识别特定的、被按压的、位于床垫下的无线功能运动传感器30。

在本发明的一个实施例中，控制单元14用接触式传感器提供的脉搏信息来核实用运动传感器30监测到的呼吸数据的准确性。控制单元14用来自传感器30的信息计算呼吸速率和心率，并用来自接触式传感器的信息来计算心率。用接触式传感器测得的心率与用传感器30测得的心率之间的关系表明：用来自传感器30的信息计算而得的呼吸数据也是准确的。在有些实施方式中，限制传感器的更换前使用时间是有用的(通过示例性而非限制性的方式进行限制，以防止传感器老化，在有些传感器生产技术中，老化问题对传感器的灵敏性有很大影响)。因此，在本发明的一个实施例中，传感器30用于在有限时间段内工作。对于有些应用场合，传感器30包括内部计时器，用于测量处于使用中的传感器与控制单元14通信的时间。积极使用一段预定时间后，传感器30不再与任何控制单元14通信。对于有些应用，每个传感器30均具有唯一ID。维持使用和不使用的传感器的总数据库。连接至新的传感器单元30之后，控制单元14在传感器总数据库中检查是否该传感器曾经在别的地方使用过。在一些实施例中，所述总数据库还保持用于控制单元14的操作的一般校验数据和其它有用数据。

在本发明的一个实施例中，传感器30包括单个压电陶瓷传感器。该传感器粘附在板子上，所述板子例如包含柔性塑料[如：有机玻璃(PMMA)、聚碳酸酯、或者丙烯腈-丁二烯-苯乙烯共聚物(ABS)]或非塑料材料(如硬纸板)的半刚性板子，板子的尺寸例如为20cm×28cm×1.5mm。当所述对象呈现最常见的卧床姿势时，即使对象的身体不直接位于传感器的上方，所述传感器也能够检测到信号。在一个实施例中，传感器30被实施为采用两个或多个薄的压电传感器(例如半径为13mm，厚度为100μm)，其中，所述两个或多个传感器叠放在所述半刚性板子的顶部，从而使第一传感器与所述板子相连，而第二(还可能有第三，等等)传感器与所述第一传感器相连。通过放大器和/或数字化电子装置将来自两个传感器的信号彼此加合，以提高所述系统的信噪比。

在本发明的一个实施例中，系统10用于连续监测对象12的心率。系统10每隔一小段时间(例如1秒钟)产生一个心率读数。系统10还计算每秒心率读数的标准差，例如，在过去的一秒中所有心率读数的标准差。在一个实施例中，系统10还连续监测对象12的身体运动水平。对于许多处在休息中的对象而言，这种标准差处在每分钟心跳1～5次(即1～5bpm，bpm即每分钟心跳次数)的范围内。在有些情形下，休息中对象的心率表现出突然的变化(例如该变化发生在60秒内、通常是15秒内)，变化量为上述标准差的5～10倍，例如：标准差为2bpm，心率在30秒内下降10bpm。在一个实施例中，系统10包括输出单元，该输出单元向临床医生警示这类事件。在用系统10的一个实施例进行的临床试验中，这种警示与对象在警示后72小时内的死亡高度相关，因此，这种警示对临床医生有非常大的潜在益处。图8展示了用本发明一个实施例来监测对象时，该对象的连续心率输出信号图。在图中的1281区域，对象的心率高度稳定，其标准差小于2bpm。在图中的1282区域，例如，当系统识别出病人处在休息中时，在此期间系统10识别出心率有突然的变化。因此，提供这种警示给临床医生具有非常重大的临床价值，可使医生能够进行适当的干预。

在一个实施例中，系统10使得临床医生具有通过用户接口24输入信息的选择权，输入的信息是关于是否用β阻断剂药物或其它可能影响心率的药物来治疗所述对象的信息。这些药物通常被认为能够降低心率的变化性，因此系统10提高了对心率变化引发的警报的灵敏度水平。例如，如果一个对象的心率基线是60bpm，而标准的警报标准是33％的变化，则针对β阻断剂病人的警报标准会自动改变为15％。或者举个例子，如果系统通常设置为驱动输出单元、以根据心率在1小时内相对于基线的高于20％的变化而发出警报，那么如果所述对象正在使用降低心率变化性的β阻断剂，则所述系统将根据心率在1小时内相对于基线的5％的变化而发出警报。在一个实施例中，系统10通过结合与心率有关的信息和运动信息、为β阻断剂病人警示心率相对于基线的变化。例如，系统10将用警报报告与病人整体身体运动的显著增加无关的10％的心率变化。通常，对于用降低心率变化性的药物治疗的病人而言，系统10会将其心率变化阈值(该阈值用于响应接收到的所述病人正在服用所述药物的指示、基于检测到的心率变化而发出警报)与不服用这种药物的病人的阈值相比降低至少30％。

对于有些应用，运动传感器30(例如，包括压电传感器)被包封在刚性隔间内，这种刚性隔间的表面积通常至少为10cm²，厚度通常小于5mm。该传感器的输出被输送至电子放大器(例如通常与压电传感器一起使用的电荷放大器)和电容式转换器，以便将所述放大器的非常高的输出阻抗调整为适于通过长电缆传输的低阻抗电压。所述传感器和电子放大器将机械振动转化为电子信号。

在本发明的一个实施例中，运动传感器30包括多个传感器的网格，用于安装在躺卧表面37之内、之上或之下。使用这种网格而不是单个的单元，可以改善呼吸和心跳信号的接收。

在本发明的一个实施例中，呼吸模式分析模块22通过进行光谱滤波来提取约0.05～0.8Hz范围内的呼吸相关信号，而心跳模式分析模块23通过进行光谱滤波来提取约0.8～5.0Hz范围内的心跳相关信号。对于有些应用，运动数据采集模块20基于对象12的年龄来修改所述光谱滤波。例如，小孩通常具有较高的呼吸率和心率，因此一般将光谱滤波更紧密设定至上述范围的较高端，例如约0.1～0.8Hz用于呼吸，约1.2～5Hz用于心跳。对于成年人，光谱滤波通常更紧密地设定至上述频率范围的较低端，例如约0.05～0.5Hz用于呼吸，约0.5～2.5Hz用于心跳。

在本发明的一个实施例中，模式分析模块16从呼吸相关数据中获取心跳信号。例如当所述呼吸相关数据比直接监测到的心跳信号更清晰时，可以采用这种技术方案。有时候由于产生呼吸相关数据的机械身体运动比心跳相关信号更显著，会发生上述情况。

在本发明的一个实施例中，测得的呼吸相关信号用于解调所述心跳相关信号，并从而使心跳相关信号的检测得到改善。心跳模式分析模块23用所述呼吸相关信号来解调所述心跳相关信号，例如通过将所述心跳相关信号与所述呼吸相关信号相乘来进行解调。这种解调产生了更清晰的心跳相关信号的解调信号，从而能够改善所述信号的检测。在有些情形下，所述解调信号的功率谱显示出与解调心率相对应的清晰峰值。对于有些应用，用降低了的最高截止频率(例如约0.5Hz，而不是上述的约0.8Hz)来过滤解调过程中使用的所述呼吸相关信号。这种降低通常可以确保只有呼吸相关信号的基本正弦波形用于解调计算。

在本发明的一个实施例中，对于每个过滤信号，计算其功率谱，并确定其最大峰值。计算心率相关峰值与呼吸相关峰值的比率。绘出整个夜晚的比率图。只要对象躺在同一位置，通常希望这一比率保持不变。对于每两个连续的时间点(一般为30～300秒之间的时间点，例如60秒)，数据采集模块20计算这一比率在所述两个时间点之间的变化百分比。当所述比率的变化百分比大于阈值(通常为约10％～50％，例如，约25％)时，所述系统确定已经发生了身体姿势的改变。测量这些改变的频率和时间选择，以作为睡眠不安现象的指征。

在一个实施例中，用心冲击信号(cardio-ballistic signal)频率分布的变化作为姿势改变的指征。

在一个实施例中，系统10包括姿势变化识别算法，该算法识别病人是否在床上或其它躺卧表面上或椅子上改变了其位置。目的是识别病人是否在4个位置之间移动：仰卧、俯卧、左侧卧、或者右侧卧，因为通常每2～4小时需要一次这种改变以防止高风险病人形成压疮。替代性地，所述系统还可识别主要的身体运动，包括躯干的变位和/或最容易出现压疮的骶骨区的变位。所述系统识别大的身体运动事件，并评估该事件是否包含了主要身体的姿势改变。

所述姿势改变的识别具有3个阶段：

1、姿势改变之前；

2、姿势改变过程中；

3、姿势改变之后。

第1阶段：姿势改变之前

在姿势改变之前的时间段里，当没有检测到大的身体运动时，获取频域和时域内的信号特征，所述信号特征可随姿势而改变。以上获取的信号特征作为基线，用于识别姿势改变事件。在一个实施例中所述频域内的信号特征包括以下各项中的至少一项：

-在心跳频率及其谐波处，由心跳产生的频率的振幅。图9展示了利用本发明的一个实施例进行的这种分析。

-不同谐波的振幅之间的比率。

-在呼吸频率及其谐波处，由呼吸相关运动产生的频率的振幅。

-这些谐波之间的比率。

在一个实施例中，所述时域内的信号特征包括以下各项中的至少一项：

-由呼吸产生的模式。

-由心跳产生的模式。

-呼吸周期的变化量度(例如：呼吸运动信号振幅的标准差，呼吸周期时间的标准差)。

-心跳模式的变化水平(例如：心跳信号振幅的标准差，RR(呼吸率)间隔时间的标准差)。

第2阶段：姿势改变过程中

所有的姿势改变均需要显著的大的身体运动。通过如下所述的方式来定义和识别大的身体运动。在姿势改变过程中，大的身体运动分为两类：

1.显著的大的身体运动：由所述大的身体运动发生前后，原始信号的基线(直流电平)的变化来识别，所述基线的变化表明了床垫上病人重量分布的变化。替代性地，如果所述大的身体运动的时间跨度超过了一个阈值，例如，4～10秒(如6～10秒)，则认定该大的身体运动是“显著的”。

2.不显著的大的身体运动：不符合以上标准的大的身体运动。

如果运动被归类为显著的大的身体运动，则如果姿势改变已经发生，将确定第3阶段。否则，算法返回第1阶段。

第3阶段：姿势改变之后

识别出大的身体运动结束之后，从运动后信号部分中提取与第1阶段相同的特征，并将这些特征与所述大的身体运动之前获得的特征作比较。如果比较后发现有实质性区别，则姿势改变事件被识别出来。否则，不记录姿势改变。例如，如果与心率的基础频率相对应的信号部分的振幅的变化超过一个阈值(该阈值处在30％～80％之间)时，例如，超过50％时，姿势改变被识别出来，或者如果心率的第一和第二谐波的振幅之间的比率变化超过33％，则姿势改变被识别出来。在一个实施例中，将结合以上列出的不同参数的区别的分值计算出来，并与阈值进行比较。

图9和10展示了利用本发明的一个实施例进行的临床试验的结果。峰值1291-1295和1301-1305代表被测信号频谱分析中，心率的不同谐波(第一至第五谐波)的频谱中的峰值。仰卧和左侧卧时，峰值的高度和比率明显不同。在左侧卧时(图10)，第三谐波(1303)比第二谐波(1302)强得多；而仰卧时却不是这样。第四和第五谐波(分别为1294、1295和1304、1305)之间的比率也存在类似的情形——在仰卧时几乎不存在第四谐波。在对不同床上的不同对象进行的其它几个临床试验中，也可以看到类似的结果。在一个实施例中，控制单元表明病人正在侧卧，这是对以下情形的响应：当对显著的大的身体运动前后的频谱进行比较时，发现功率谱中心率谐波的比率(例如：与第二和第三谐波有关的比率，和/或与第四和第五谐波有关的比率)存在清晰的变化。

这种有关姿势改变事件是否被识别出来的信息被记录和显示出来，并且，倘若用户如此设定的话，如果在设定的时间段(如2小时)内没有识别出姿势改变，将会驱使输出单元产生一个警报。所述记录被提供给临床管理团队，以有助于保持对压疮预防方案的遵守。

在一个实施例中，通过用户接口识别出第2阶段，所述用户接口使临床医生能够输入姿势改变的时间(即“姿势是何时发生改变的”)。接着所述系统通过将临床医生输入后的读数与输入前的读数相比较，来核实所述姿势改变的发生，并记载其结果。这为临床团队提供了基于临床医生输入和传感器信号分析的病人姿势改变的双层档案。

安装在半刚性板上的压电传感器常常被制成这种形式：当施加了同一类型的压力时，并非所有部件均在相同方向上提供信号。这意味着当施加了额外的压力时，来自一个具体的生产批次中一些传感器将具有正信号，而对于相同方向上施加在传感器上的相同类型的压力，该批次中的另一些传感器将产生负信号。在一个实施例中，系统10利用安装在半刚性板上的陶瓷型压电传感器，其方向已经经过了校准，即，例如，施加在所述板的中心的向下的压力通常总是产生正信号。这可以通过例如以下方式简单地进行：测试所安装的传感器的批次，并且只选择那些生产这种优选方向的信号的生产线生产出来的传感器。

在一个实施例中，系统10用以下标准来识别姿势改变是否已经发生：

1.身体运动信号的大小(与呼吸相关运动信号进行比较)；

2.运动节段前后信号基线的变化(第1阶段：第3阶段)；

3.与基线(第1阶段)相比，所述运动节段(第2阶段)期间信号改变的方向；

4.运动期间心率的变化(第2阶段：第3阶段)。

在一个实施例中，系统10查找与三种可能场景之一相配的模式，假定传感器位于床的宽度的中央，并使用校准为上述一致方向的传感器：

1.病人在床中央的翻转；

2.病人从床侧翻转到床的中央；

3.病人从床中央翻转到床侧。

病人在床中央的翻转的特征是：

·相对于基线的双向运动信号。例如图14所示。图14的部分1412是姿势改变过程中测得的信号，其中病人在床的中央被翻转。部分1411和1413代表姿势改变前后的基线。图14清楚地示出了运动信号的部分1412移动到代表基线的部分1411和1413的上方和下方。相反，图15展示了临床试验过程中收集的信号，在所述临床试验中，病人进行其它身体运动(例如动手或动腿)而没有发生姿势改变。与图14不同，图15中运动部分1420和1421只展示了相对于基线部分1422在一个方向(正向)上的改变。在用本发明的一个实施例进行的临床试验过程中收集和分析了其它几个这种情况。

·图14展示了明显大于呼吸运动信号的运动信号，其中，部分1412处的运动振幅大大高于基线1411和1413处涟漪状的呼吸相关运动的振幅。

·在有些姿势改变事件中可以观察到：运动时间段内病人的心率瞬时升高，接着在运动结束后返回正常值(相关数据没有示出)。

在一个实施例中，系统10计算已识别的运动事件为姿势改变事件的概率得分值，并将该分值与一个阈值相比较，以确定病人是否进行了姿势改变。在另一个实施例中，系统10需要在至少以上两种情况发生时，才能识别姿势改变。在另一实施例中，系统10需要在以上三种情况都发生时，才能识别姿势改变。这存在一些缺点，即常常错误地识别出身体运动的发生(实际上没发生)、以及错误地识别出病人没有运动(实际上有运动)，这加重了医务人员的负担。在一个实施例中，临床医生具有阈值设定权，所述阈值用于响应(例如)病人病情和/或给定时间点时病房的忙碌程度来识别姿势改变。

在一个实施例中，通过以下方式识别病人从床中央到床侧的翻转：

·代表施加在传感器上的减小的压力的基线变化(假定所述传感器位于床的中央)。例如如图16所示，其中，区域1431展示了实际姿势改变过程中的运动信号，且基线1432低于基线1430。在其结果如图16所示的临床试验所用的具体实施例中，传感器连接至高通滤波器，这解释了基线的慢慢变小的变化，将渐渐地回到部分1432处的所述基线，类似于部分1430。但两基线1430和1432之间的暂时性区别被识别为与姿势改变前后病人施加在传感器上的压力的变化有关。

·可能发生的心率的变化。

·代表大的身体运动的运动信号水平，其大大高于呼吸相关运动。在一个实施例中，使用与上述相同的评分或决策机制来识别这种类型的姿势改变。

通过以下方式识别病人从床侧到床中央的翻转：

·代表传感器上压力上升的基线变化(假定传感器位于床的中央)。

·可能发生的心率变化。

·运动信号水平大大高于呼吸相关运动。

在一个实施例中，使用与上述相同的评分或决策机制来识别这种类型的姿势改变。

在一个实施例中，系统10用以上标准来确定对象是否改变姿势从床侧到了床中央、从床中央到床侧、或者从中央到中央。所述系统记录这些信息并将其展示给临床医生。该信息可帮助临床医生和管理人员来核实一个事实：压疮预防规定被正确地遵守了。在一个实施例中，系统10记录哪个姿势改变由临床医生进行(通过操作员接口指明)，哪个由对象自己进行(没有临床医生通过接口表明其参与的指示)。这又有助于确定对压疮预防方案的遵守。在一个实施例中，系统10允许临床医生通过操作员接口来指示是否对象已被翻转到左侧卧位、右侧卧位、仰卧位或者坐姿位。这一信息被记录并展示出来，并且在有些实施例中，还通过系统的传感器和信号分析模块进行核实。

在一个实施例中，系统10用以下标准来区分噪声、信号以及噪声信号(noisy-signal)：

1.自相关。在一个实施例中，系统10利用(但不限于)信号之一小部分(例如半秒，如下例所述)的自相关作用，并计算结果里面的局部极值的数目。

2.选定频段中信号的功率，所述选定频段例如处在呼吸或心率范围之外、但又处于典型的生物力学频率范围之中的噪声信号。在一个实施例中，系统10采用约3.73Hz和12.11Hz的频段，但也可以采用另外的或其它的频段。

3.各选定频段的功率的比率。

在一个实施例中，系统10通过使用具有两个或多个阈值的系统将这三个参数结合为噪声评分。根据该噪声评分相对于所述阈值的值的大小，将测定的每个参数加上、减去所述噪声评分，或者不改变噪声评分。设定所述阈值和噪声评分，从而使得：明显的负值代表明确的信号，明显的正值代表噪声，约等于零的噪声评分是典型的噪声信号。

在一个可选实施例中，对于下面列出的每个真实的情况，每个小部分(如半秒)的噪声水平增加了1点：

·PR＜10，

·PR＜3，

·PR＜2，

·P1＜P1N，

·P2＜P2N，

·AC＞75。

且对于以下列出的每个真实的情况，每个小部分的噪声水平降低了1点：

·PR＞15，

·PR＞20，

·PR＞25，

·P1＞P1S，

·P2＞P2S，

·AC＜40。

其中：

·P1为第一频段(例如3.73Hz)中的功率。

·P1N为第一频段中的噪声功率——其中“噪声功率”的定义是：当床上没有人时，在该频段中测得的功率。

·P1S为所述第一频段中的最小信号功率——其中“最小信号功率”的定义是：当对象处在离传感器最远、但仍然可以测量的位置时，在所述第一频段中测得的最小信号的功率。

·P2为第二频段(例如12.11Hz)中的功率。

·P2N为第二频段中的噪声功率。

·P2S为第二频段中的最小信号功率。

·PR为P1与P2之间的比率，即PR＝P1/P2。

·AC为信号的自相关中的局部极值的数目。

两个连续的半秒时间段的噪声水平的总和被考虑到噪声评分(noise score，NS)中，该噪声评分的值为-12～+12。每个半秒被归类为：

·如果NS≤0，信号；

·如果NS＞5，噪声；

·如果NS等于1～5，噪声信号。

在一个实施例中，系统10利用上述噪声水平和功率分布来检测病人和传感器的不同相关状态，例如躺在床上、坐在床上、处于床外。图17中的上图所展示的信号例子是这样记录的：对象先在床上躺4分钟(240秒)——部分1440，然后坐直240秒——部分1441，接着将其两腿移出床外240秒——部分1442，再将其双腿触及地板240秒(但仍然坐在床上)——部分1443，最后站立在床外240秒——部分1444。图17中的下图展示了上述噪声评分(NS)的一个可能实施例，其中，所述噪声评分从躺在床上时(部分1450)的低的稳定负值，变为坐着时(部分1451～1453)约为零的中水平波动值，再变为对象处于床外时(部分1454)的高的稳定正值。

在一个实施例中，系统10测量和分析来自传感器的噪声水平，并从而确定以下信息：对象是否在床上，以及对象与传感器之间的相对位置关系。在一些应用中，检测具有传感器的对象从仰卧到坐起来的位置改变是有用的。在有些情形下，这样做是有用的：确定所述对象的上身没有与床垫接触，并以此警示看护人或临床医生，以帮助所述对象和防止其从床上掉下来。在一个实施例中，如果运动后12秒(或更短时间)内，有至少3个半秒时间段被归类为噪声，则系统10测出(对象)离开了床。如果探测到运动以后，至少20个连续的半秒时间段(10秒)被归类为信号，则认为对象躺在床上。如果前面两种情况都没有出现；且在20秒内，大部分的半秒时间段都被归类为噪声信号；且对于每个归类为信号的时间段，均存在至少一个被归类为噪声的时间段，那么就认为对象坐在床上。

在一个实施例中，系统10通过以下方式来减少病人从床上掉落的次数：当病人坐在床上时，系统10驱使所述输出单元产生警报，从而为可能离开床的病人的医疗团队提供预警，以便在病人实际上离开床之前对他进行协助，从而有效地防止掉落。对于有些应用，如上所述，系统10响应正在进行的、对运动信号中噪声水平的计算，识别出病人已经坐在床上。

在一个实施例中，系统10与具有活性表面的智能床系统相连，所述智能床系统例如由美国密歇根州的Stryker Medical of Kalamazoo公司制造的、具有XPRT启用活性表面的InTouch危重病急救床(InTouch Critical Care Bed)。所述床被监控，并能够提供例如以下干预：改变靠背角度，旋转病人，和/或提供振动和冲击治疗。系统10响应测得的临床参数，激活这些干预的其中之一。例如，如果识别出在一个5分钟～3小时(如30分钟)的时间段内平均呼吸率上升、且对象的活动水平没有相应的上升(这表明了病人呼吸状况的恶化)，则激活振动和冲击治疗，或者将靠背角度增加至30度。替代性地，如果对象在每段时间的姿势改变数低于用于1小时～24小时(例如3小时)的时间段的阈值，所述活性表面会将病人旋转。没有对对象的旋转的感测，所述床将不得不每3小时转动一次对象，即使病人自动转动，也会让对象产生很大和/或不必要的不适。

在本发明的一个实施例中，系统10识别一个或多个被测临床参数的变化趋势，作为临床发作的开始或进展的表征。例如，呼吸率连续三晚持续上升可能向系统10表明：也许是哮喘发作了。

在本发明的一个实施例中，系统10基于检测到的临床参数来计算哮喘评分。对于有些应用，所述系统用下式计算所述哮喘评分：

$S\left(D\right)=\frac{20R_a\left(D\right)+20R^{\′}\left(D\right)+20R_b\left(D\right)+10{\mathrm{HR}}_a\left(D\right)+10{\mathrm{HR}}^{\′}\left(D\right)+\mathrm{AC}\left(D\right)+5\mathrm{SE}\left(D\right)+5\mathrm{DI}\left(D\right)}{N}$

(式1)

其中：

S(D)-日期D的哮喘评分；

R_a(D)-日期D的平均呼吸率，由前面所有测量日期的平均呼吸率划分；

R’(D)-用下式计算的呼吸率的一阶导数：

$R^{\′}\left(D\right)=\frac{R\left(D\right)-R(D-1)}{R(D-1)}$ (式2)

其中，R(D)是日期D的平均呼吸率，R(D-1)是日期D的前一天的平均呼吸率；R_b(D)-日期D的前一天(the date immediately priorto date D)的平均呼吸率，由前面n天(例如前面3天)的平均呼吸率划分；

HR_a(D)-日期D的平均心率，由前面所有测量日期的平均心率划分；

HR’(D)-用下式计算的平均心率的一阶导数：

${\mathrm{HR}}^{\′}\left(D\right)=\frac{\mathrm{HR}\left(D\right)-\mathrm{HR}(D-1)}{\mathrm{HR}(D-1)}$ (式3)

其中，HR(D)是日期D的平均心率，HR(D-1)是日期D的前一天的平均心率；

AC(D)-日期D睡眠(睡眠不安)过程中的活动水平测量值，由所有前面测量日期的该活动水平平均值划分；

SE(D)-日期D的睡眠效率，由前面所有测量日期的平均睡眠效率划分；

DI(D)-日期D的深吸气次数，由前面所有测量日期的平均深吸气次数划分；

N-一个整数，其决定于根据所考虑的条件，除其它因素外，通常其值约为80～110，比如约为88～92，例如约91。

以上所有参数均针对日期D前的晚上的持续睡眠时间或具体几个小时的情况计算而得。

R_a(D)、HR_a(D)、AC(D)、SE(D)和DI(D)的值通常针对日期D以前的至少三天(例如：日期D前的、紧接着日期D的至少连续三天)的情况计算而得。替代性地，R_a(D)、HR_a(D)、AC(D)、SE(D)和DI(D)为当天的测量值与K天的平均值之比，其中K通常约为7～365，例如约30。替代性地，对于有些应用，所述K天为连续天数，例如，日期D之前紧接着日期D的连续K天。替代性地，R_a(D)、HR_a(D)、AC(D)、SE(D)和DI(D)为当天测量值与没有慢性病发作的以前K个晚上的平均值之比，该K个晚上或者通过用户手动输入来识别，或者由系统10自动识别。对于有些应用，计算出睡眠中每一分钟的平均心率，并计算这一时间序列的平均心率的标准差。将该标准差作为附加参数添加到例如评分公式(如上式1)中。

在本发明的一个实施例中，系统10基于上述临床参数来计算哮喘评分。对于有些应用，上述评分公式包括临床参数的线性函数，例如：呼吸率相对于基线的变化百分比和每一特定时间长度内的咳嗽率。对于有些应用，上述评分公式为临床参数的接近线性的函数，即：当绘制所述评分与任何临床参数的曲线图时，评分曲线与最近的线性逼近之间的面积相对小于所述线性逼近下方的面积，例如，前者比后者小10％。对于有些应用，所述哮喘评分用下式计算：

S(D)＝100-BR(D)-C(D)(式4)

其中：

S(D)-日期D的哮喘评分；

BR(D)-日期D睡眠过程中的平均呼吸率相对于所述对象的基线的百分增加值(例如，如果日期D的呼吸率BR比基线高20％，则BR(D)＝20)；

C(D)-日期D的咳嗽次数(例如，在午夜12点至凌晨6点或其它时段测得的咳嗽次数)，或者每单位时间的咳嗽发生率。

在一个实施例中，将计算得到的哮喘评分与阈值进行比较，所述阈值例如约为50～90，比如约75。如果所述评分低于所述阈值，则向对象12或医护人员发出“需要干预”的警报。

在本发明的一个实施例中，系统10基于上述临床参数来计算哮喘评分。对于有些应用，所述哮喘评分用下式计算：

S(D)＝100-k1*BR(D)-k2*C(D)(式5)

其中：

S(D)-日期D的哮喘评分；

BR(D)-日期D睡眠过程中的平均呼吸率相对于所述对象的基线的百分增加值(例如，如果日期D的呼吸率BR比基线高20％，则BR(D)＝20)；

C(D)-日期D的咳嗽次数(例如，在午夜12点至凌晨6点或其它时段测得的咳嗽次数)，或者每单位时间的咳嗽发生率；

k1、k2-用于呼吸率和咳嗽次数参数的系数。通常k1和k2约为0.7～1.3。

在一个实施例中，将计算得到的哮喘评分与阈值进行比较，所述阈值例如约为50～90，比如约75。如果所述评分低于所述阈值，则向对象12或医护人员发出“需要干预”的警报。

在本发明的一个实施例中，系统10基于上述临床参数来计算哮喘评分。对于有些应用，所述哮喘评分用下式计算：

5(D)＝100-k1*BR(D)-k2*C(D)-k3*RS(D)(式6)

其中：

S(D)-日期D的哮喘评分；

BR(D)-日期D睡眠过程中的平均呼吸率相对于所述对象的基线的百分增加值(例如，如果日期D的呼吸率BR比基线高20％，则BR(D)＝20)；

C(D)-日期D的咳嗽次数(例如，在午夜12点至凌晨6点或其它时段测得的咳嗽次数)，或者每单位时间的咳嗽发生率；

RS(D)-日期D睡眠过程中的睡眠不安水平(例如，该水平为0～Y，通常Y为10～30，比如为17，其中Y是最高的睡眠不安水平，而0是最低的睡眠不安水平)；

k1、k2、k3-用于呼吸率、咳嗽、和睡眠不安参数的系数。通常k1、k2和k3约为0.6～1.5。

在一个实施例中，将计算得到的哮喘评分与阈值进行比较，所述阈值通常约为60～80，比如约74。如果所述评分低于所述阈值，则向对象12或医护人员发出“需要干预”的警报。

如上所述，对象在睡眠中的运动包括正常的呼吸相关运动、心跳相关运动以及其它不相关的身体运动。一般来说，呼吸相关运动是睡眠中身体运动的主要贡献者。在本发明的一个实施例中，模式分析模块16用于大致剔除从运动数据采集模块20处接收的、代表与呼吸和心跳无关的运动的运动信号部分。对于有些应用，模式分析模块16将被非呼吸相关和非心跳相关运动所污染的信号部分除去。呼吸相关和心跳相关运动是周期性的，而其它运动一般是随机和不可预知的。对于有些应用，模式分析模块16用频域谱分析或时域回归分析来剔除所述非呼吸相关和非心跳相关运动。应用这些分析技术的技术对于阅读过本申请的本领域技术人员而言是非常明显的。对于有些应用，模式分析模块16用统计方法(如线性预测或异常点分析)来从信号中除去非呼吸相关和非心跳相关运动。

在本发明的一个实施例中，模式分析模块16通过比较测得的呼吸率模式与基线呼吸率模式、和/或比较测得的心跳模式与基线心跳模式来确定疾病发作的开始、和/或进行中的疾病发作的严重程度。

在本发明的一个实施例中，模式分析模块16包括咳嗽分析模块26，该模块用于检测和/或评估与接近或出现临床发作有关的咳嗽发作。在哮喘中，轻度咳嗽常常是重要的早期发作前信号，表明临床哮喘发作即将开始(参见以上列出的ChangAB的文献)。在充血性心率衰竭(CHF)中，咳嗽可提供由于心力衰竭恶化或发展中的心血管功能不全导致的肺部水肿的预警。

对于有些应用，通常用约50Hz～8kHz(例如约100Hz～1kHz)的声带过滤从安装在躺卧表面之中、之上或之下的运动传感器30、或从安装在对象附近的扩音器处获取咳嗽声。替代性地，所述信号被过滤到两个或多个频段，且运动信号采集模块20用至少一个频段来记录身体运动(该至少一个频段通常为非常低的频率，最高约为10Hz)，并用至少一个另外的频段来记录声音(该至少一个另外的频段具有较高的频率范围，例如约50Hz～8kHz)。对于有些应用，所述模块使用较窄的声带，比如约150Hz～约1kHz。

在本发明的一个实施例中，呼吸模式分析模块22通常在夜间睡眠过程中检测与CHF有关的异常呼吸模式，比如呼吸急促、潮式呼吸(Cheyne-Stokes Respiration，CSR)或周期性呼吸。

在本发明的一个实施例中，呼吸模式分析模块22检测那些可能代表病人状况恶化的异常呼吸模式，比如气喘、濒死呼吸、共济失调性呼吸、潮式呼吸、或间断呼吸。在一个实施例中，系统10独立于呼吸运动的整体速率的任何改变、识别与呼吸运动的形态有关的模式。呼吸运动形态的监测构成非速率呼吸模式的监测。形态可包括，例如，呼吸运动的特征部分之间的时间，或者吸气或呼气的坡度。喘气被识别为急剧的呼吸运动，与较平滑的正常呼吸运动形成对照。系统10，例如，识别出变化率(坡度)比正常呼吸运动中测量的信号高得多的喘气运动信号(图7中曲线1261展示的是喘气呼吸运动信号，而图6中曲线1251展示的是正常呼吸运动信号)。例如，具有急剧喘气式呼吸模式的呼吸率中的低呼吸频率(3-4次呼吸)异常代表共济失调性呼吸。通过计算呼吸间隔时间的变化性来分析异常情况。在一个实施例中，所述系统基于对这些呼吸模式的其中之一的识别来启动警报。

被称为“胸腹异步”(thoracoabdominal asynchrony，TAA)的双相胸腹呼吸模式常常是病人患有呼吸道障碍或其它呼吸窘迫疾病的征兆。TAA有时也指胸腹矛盾呼吸或相位角。在用本发明的一个实施例进行的临床研究中，几个被该实施例和临床医生识别出具有TAA的对象后来都患上了严重的呼吸窘迫。在本发明的一个实施例中，呼吸模式分析模块22检测那些以呼吸运动模式为特征的、可能代表病人状况恶化的异常呼吸模式，其中，每一呼吸循环模式均以与图13中1403所示的正常信号相比、具有2个明显峰值的2个不同子循环为特征(分别参见图11和图12中的1401和1402)。在用本发明一个实施例进行的临床试验中，这一信号已被证实与病人状况的严重恶化相关联，且在几种情形下与24～72小时内的病人死亡相关联。在一个实施例中，所述系统检测到高于1～120分钟(例如15分钟)时间段的这种模式后，发出警报。在一个实施例中，这一运动模式被当做TAA报告给临床医生。在一个实施例中，用以下3条标准来确定呼吸循环包含2个不同的子循环：

1.在两个峰值之间有一低谷，该低谷的最低点低于百分比阈值，该阈值低于两个极大值的平均值。所述阈值为50％～90％，例如为80％。

2.两个峰值之间的距离与整个循环时间之比高于一个百分比阈值。所述阈值为15％～45％，例如为30％。

3.所述两个峰值中的每一个峰值前面的信号上升坡度彼此截然不同。这两个坡度之差与二者的平均值之比高于一个百分比阈值。该阈值为30％～80％，例如为65％。替代性或附加性地，用类似方法计算两个峰值之后的下降信号的坡度。

如果以上3条标准都符合，那么就将当前的呼吸循环认定为TAA循环。如果在一段1～10分钟(例如3分钟)的时间段内，被确定为TAA占总呼吸循环之比的呼吸循环百分比高于一个阈值，则系统记录并警示临床医生：识别出TAA。所述阈值通常为30％～80％，例如为60％。在一个实施例中，在上述标准#2中计算的所述距离被计算为占呼吸循环时间的百分比，再乘以360。该角度作为TAA的实际相位角的指标，并作为TAA严重性指标展示给临床医生(该角度越接近180°，表示TAA越严重)。因此，在一个实施例中，系统10成为用于测量相位角的单传感器非接触测量工具。

在一个实施例中，连续监测呼吸率。在有些情形下，当对象表现出具有高坡度呼吸运动曲线的喘气呼吸模式时，有些呼吸率分析算法将错误地将这些模式的呼吸率测定为实际呼吸率的两倍。在一个实施例中，系统10在小于一段相当短的时间量的时间段内识别出呼吸率的改变时，将发出警报，所述相当短的时间量比如15分钟，其接近前一15分钟内呼吸率的两倍(例如，平均呼吸率的1.8～2.2倍)。例如，如果病人的呼吸率平均为在3小时内每分钟呼吸12次，然后超过15分钟所述平均值改变为每分钟24次，则系统会警示临床医生：或者存在呼吸率的快速变化，或者呼吸率模式导致了对其呼吸率的双倍读数。在一个实施例中，只有当病人没有显示出大的身体运动的量的同步增长时(因为这些运动，如果存在的话，会引起呼吸率大大上升，而这并不代表病人状况的恶化)，系统10才会对这种改变发出警报。

通常用持续气道正压(Continuous Positive Airway Pressure，CPAP)系统来治疗患有睡眠呼吸暂停的病人。在很多情形下，这样做是有利的：感测呼吸率和心率，以使CPAP设备的使用最优化。在本发明的一个实施例中，运动数据采集模块20采集的呼吸相关信号和心跳相关信号(在有些情形下，由系统10测量的其它临床参数)用于使CPAP设备的工作最优化。

在本发明的一个实施例中，运动传感器30以及所有的或部分的运动数据采集模块20被封装到一个生物相容性壳体中(或多个壳体中)，该壳体可以植入对象12体内。植入式元件包括无线发射器，该无线发射器用传输技术例如射频(RF，比如用或ZigBee协议，或专有协议)或超声将采集到的信号发送给外部接收器。替代性地，一个或多个分析模块22、23、26、28、29或31、和/或用户接口24可以植入对象12体内，或者像其它植入式元件一样装入相同的壳体内，或者装入多个独立壳体内。进一步替代性地，运动传感器30适于植入对象12体内，而运动数据采集模块20位于所述对象的体外、并通过无线或有线方式与运动传感器30通信。

在本发明的一个实施例中，系统10包括多个运动传感器30，例如腹部38或胸部39附近的第一传感器(图1)，和腿部40附近的第二传感器。模式分析模块16确定位于腹部或胸部下方的传感器测得的脉搏信号和位于腿部下方的传感器测得的脉搏信号之间的时间延迟。对于有些应用，所述模块通过用小于呼吸循环时间(比如约1～3次心跳周期)的时间窗口进行多个心跳信号之间的互相关运算来测定所述时间延迟。替代性地，对于有些应用，所述模块识别心跳信号中的峰值，并计算这些信号峰值之间的时间差。模式分析模块16用这种时间差来计算连续基础上的血压变化，例如，比照美国专利6,599,251所述。模块16计算整个吸气/呼气周期内血压变化信号的改变振幅，并将该振幅与一个阈值(比如10mmHg)或者基线值进行比较，所述基线值是先前对所述对象进行测定而得，或者基于人均值而确定。模块16将所述振幅大于所述阈值解释为奇脉(pulsus paradoxus)。替代性或附加性地，所述系统展示所述振幅和/或记录所述振幅，以形成针对具体对象的基线，在以后用于识别该对象的状况变化。

在有些情形下，心跳从心脏区域到四肢末端的平均延迟(脉搏传导时间)相对于同一病人的较早读数的上升被用作心脏功能恶化的标志。

在本发明的一个实施例中，系统10包括一个或多个如上所述的机械运动传感器(如压电传感器)以及一个脉搏血氧传感器(如美国加利福尼亚州Nellcor of Pleasanton公司出售的

脉搏血氧传感器)。所述系统测定以下二者之间的传播延迟：由放置在对象胸部区域下方的机械传感器进行的脉搏信号测量，以及，由放置在对象手指上的脉搏血氧传感器进行的脉搏信号测量。对于有些应用，所述系统用互相关计算来测定这种传播延迟。所述系统将所述传播延迟输出至用户接口24和/或记录这种延迟。此外，如上所述，这种延迟的变化被用于评估血压的改变、心输出量的改变和奇脉的检测。对于有些应用，用所述传播延迟作为其中一个临床参数，如上所述，比如用于计算所述对象的评分。在一个实施例中，用放置在床垫下方的一对非接触式传感器来测定脉搏传导时间。在这样的实施例中进行的所述脉搏传导时间的测量与用放在手指上的传感器进行的测量相比，前者不易受到由于肢体运动引起的瞬时变化的影响。

在本发明的一个实施例中，所述系统利用上述的传播延迟来计算血压，例如用上面提到的Sorvoja，H和Myllyla，R.等人的文献中述及的脉搏传导时间法来识别血压的变化。如果临床医生间歇性地测量绝对血压(比如每4小时测一次)，并将血压(blood pressure，BP)测量值输入所述系统——这也可利用自动血压袖带自动进行——则可对连续算出的血压变化进行校准，以测量所述绝对血压值。这种技术的好处是，所述系统提供连续的血压测量值，同时只需每4小时挤压一次对象的胳膊即可。替代性地，即使不使用血压袖带，所述系统也可警示临床医生：对象的血压正在经历可能需要干预的急剧变化。对于有些应用，系统10识别在此述及的身体运动，并将与身体运动有关的传播时间变化识别为假警报。

图21A-C为根据本发明一个实施例对对象进行测量而得的示意图，其中各图分别展示了测得的平均动脉压(Mean Arterial Blood Pressure，MAP)参考信号(21A)、ECG设备与脉搏血氧仪之间的相应脉搏传导时间(PTT)(21B)、以及非接触式运动传感器与脉搏血氧仪之间的相应PTT(21C)。在时间大约450-650秒处MAP的清楚上升导致了图21B和21C所示的PTT的下降。在时间650-800处MAP的清楚下降导致了图21B和21C所示的PTT的上升。

在本发明的一些实施例中，所述系统在检测到血压的重大变化(例如收缩压下降，这被认为是需要药物干预的警告标志，例如用于住院对象)后识别和提供警报。

在前述利用脉搏传导时间法来测量血压和/或识别血压变化的技术中，必须使用多个传感器。这多个传感器的使用使得系统更复杂和昂贵，且在有些情形下，这些传感器实际上无法安装在病人身上或其周围。例如，实际上难以将这种多传感器系统安装在病人乘坐的轮椅中。在一个实施例中，系统10只用单个传感器、通过脉搏传导时间法来测量血压和/或识别血压变化。通常(但不是必须的)，这单个传感器是非接触式的。

可以通过计算身体内两个参考点之间的脉搏波传导时间(PTT)来测定血压(BP)的变化。当BP上升时，血流也上升，而所述两个参考点之间的PTT下降。在文献中，有些参考文献比较了用心电图(ECG)测量和光体积描记器(photoplethysmograph，PPG)测量而得的PTT。在一个实施例中，PTT测量于放置在手指上的PPG传感器和放置在对象的胸部区域下方的运动传感器之间。替代性地，PTT测量于放置在对象的胸部区域下方的运动传感器与放置在另一点处(如对象的腿的下方)的运动传感器之间。当PPG传感器放置在对象手指上时，如果对象将他那条其手指上带有PPG传感器的胳膊举起，那么测量值会受到影响，因为此时在没有发生BP的生理变化的条件下，PTT会降低。对于有些应用，用附加的管来使胳膊与胸部区域之间不同高度处的测量更便利。当在位于胸部下方和(例如)腿部下方的两个机械传感器之间进行测量时，可以通过改变床的靠背的角度来获得这种效果。有利地，这种测量可以用此处所述的测量系统容易地进行，所述测量系统可集成或连接有智能电动床，这种床可以连续测量或调节，并能够通报床的靠背角度。替代性地，所述两个传感器的放置方式使得其中一个传感器位于臀部/骶骨区域之下，而另一传感器位于脚踝区域之下。在这种情形下，当对象在床上时，不同高度没有明显区别，因此不需要额外的测量。

一般已知体内机械脉搏信号的前进速度约为4m/s，必要时可根据每个对象进行校正。知道两个机械传感器之间的距离和体内压力波的脉搏前进速度的话，可以找到机械信号中的心跳峰值。例如，如果所述前进速度是4m/s，且所述距离为1m，那么两个传感器中峰值之间的大概距离应为200毫秒。

在一个实施例中，用于计算脉搏传导时间的两个点通过单个机械传感器算出。这一传感器放置在腿部区域(或者距离胸腔一定距离，如0.5m以上，的一些其它区域)。第一点是当主动脉瓣膜打开时的时间(“瓣膜点”)(有时会发现两个很靠近的峰值，这可能表明是两个瓣膜，主动脉瓣膜和肺动脉瓣膜)。脉搏在床垫中以声速传播，即v＞330m/s。这意味着它几乎立即会被床垫下的传感器接收到，即，从瓣膜实际开启到被传感器接收到的时间延长不超过6毫秒。当压力波通过位于传感器上方的对象身体上的点(例如腿部，如果传感器放置在腿部下方的话)到达所述传感器时，第二参考点(“压力点”)被识别出来，其间，如果所述距离是1m的话，时间延迟约为200毫秒。所述“瓣膜点”与“压力点”之间的时间差的变化用于脉搏传导时间的计算，以反映BP。对于将要进行的这些计算，需要知道心脏位置与传感器位置之间的大致距离。在一个实施例中，这一距离是固定的(例如为1米)，且指示安装系统的临床医生将传感器放置在离心脏为该距离处(例如，膝盖区域周围，根据病人身高而定)。在另一实施例中，所述操作员接口使临床医生能够输入这一距离。另外，对于许多实施方式而言，所述系统的好处是其能够识别BP的变化及其变化的方向。由于对象不大可能在床的纵向方向上进行实质性移动，所述两点之间的时间延迟的变化极有可能代表了血压的变化。在一个实施例中，单个机械传感器被放置在与对象身体接触的位置。为了识别“瓣膜点”和“压力点”，在一个实施例中采取了以下步骤：

1.使信号通过2～5Hz(例如3Hz)的高通滤波器，以从心脏信号中滤去呼吸相关数据；

2.使信号通过50～150Hz(例如80Hz)的低通滤波器，以清除信号中的高频噪声；

3.找出所有局部极大值和极小值；替代性地，可在信号的一阶导数曲线上找出这些局部极值点，一阶导数突出了急剧变化的极值点，而不是缓慢变化的极值点；

4.利用心跳模式分析模块23计算而得的对象的当前心率(例如，上一个8秒的心率)，将信号切割成代表单次心跳的时间段(例如，如果心率是120bpm，则时间段长度为0.5秒)；

5.给定时间段内最尖锐的局部极值点代表两个参考点的其中之一，或者是“瓣膜点”，或者是“压力点”；

6.可以利用远端传感器距胸部的大致距离来估计大致的PTT；例如，如果所述距离为1米，且脉搏传播速度约为4m/s，则PTT为250毫秒；大致经验是，10mmHg的血压变化有望将脉搏传播速度改变大约0.2m/s；因此，如果心脏与传感器之间相隔1米，10mmHg的血压变化有望引起大约12毫秒的PTT变化；由于测量是连续进行的，预计一个PTT与下一个PTT之间的变化不会超过10毫秒；因此可以用它们之间合适的时间差来寻找极值、从而识别出正确的极值；

7.找到被上述合适的时间差间隔开的、最接近的匹配极值；

8.通过计算下面的时间段中连续的“瓣膜点”与连续的“压力点”(它们应当与每个连续各自点相隔1个心跳时间)之间的时间差来对所述两点进行验证；此外，对连续时间段中“瓣膜点”与“压力点”之间的时间差进行测量——该时间差应保持相对稳定；

9.测量这些“瓣膜点”与“压力点”之间的时间差——这就是PTT；用得到的PTT来计算血压变化。

图22A-B展示了用本发明一个实施例测量的瓣膜点和压力点。图22A展示了ECG信号(虚线)和放置在胸部区域下方的非接触式运动传感器感测到的相应信号(实线)，根据本发明的一个实施例，在对象身上测得。图22B展示了ECG信号(虚线)和放置在腿部区域下方的非接触式运动传感器感测到的相应信号(实线)，根据本发明的一个实施例，与图22A中的测量同时进行。1491和1495是QRS复合波的R峰值，1493和1496是在对象身上测得的ECG信号的T波的峰值。1492和1497是被本发明的一个实施例识别为“瓣膜点”的机械信号极值。1492和1497由两个接近的传感器同时测得。峰值1494为传感器在对象腿部区域测得的“压力点”。1494和1497之间的时间差(约250毫秒)即为PTT。

值得注意的是，对于以上述及的用“单个传感器”检测血压的情况，本发明的范围包括用置于(例如)对象腿部下方的单个传感器组件来测量，而不放置仍和传感器在对象的心脏下方进行这种测量。但所述传感器组件本身可以包括一个或多个传感器。例如，所述传感器组件可包括两个传感器，该两个传感器沿对着所述对象的心脏的一条直线对齐(例如，沿床的纵轴对齐)，且该两个传感器通常相隔10～30cm，例如相隔25cm。该两个传感器分别在不同的时间检测到传播中的脉搏。如果不利用上面述及的瓣膜点和压力点检测技术，具有两个传感器的小型传感器组件通常并不能产生足够的时间分辨率来准确地测定PTT。可以用此处述及的技术来识别瓣膜点和压力点，但是，当与瓣膜点的识别相结合时，要考虑到该传感器组件中两个传感器之间已知的纵向偏移，以减少PTT测量中的误差。

在有些情形下，脉搏血氧仪可能不进行任何可见警告地给出错误读数。这可能会发生，例如，由于灌流不佳(poor perfusion)。在本发明的一个实施例中，系统10包括上述的脉搏血氧仪和机械传感器。系统10既用脉搏血氧仪信号、也用机械传感器信号计算所述对象的心率。所述系统将用该两种方法计算出来的心率进行比较，以验证计算出来的心率是正确的。如果二者不相符合，则系统会向医护人员发出警报。

脉搏血氧仪测得的脉搏信号受到了对象的呼吸循环的调制。在本发明的一个实施例中，系统10用脉搏血氧仪在呼吸循环中测得的脉搏信号的调制水平来评估所述对象是否患有奇脉。对于有些应用，为了识别这种调制，所述系统用上述的机械传感器来测量所述呼吸信号。所述系统分析所述信号，以找到所述呼吸循环的频率和时间，并从而测量被呼吸循环调制过的脉搏信号的调制深度。对于有些应用，所述系统采用与美国专利5,743,263中相似的技术，只不过用呼吸率而不是心率作为虚拟触发物。

在本发明的一个实施例中，系统10利用上述非接触式机械传感器测得的心率，以提高脉搏血氧仪读数中的信噪比。例如，所述心率被用作虚拟触发物，其使用方式类似于美国专利5,743,263中述及的技术。替代性地，非接触式机械传感器测得的脉搏信号的确切时间用于触发心跳同步过程，以提高脉搏血氧仪信号中的信噪比。

在本发明的一个实施例中，系统10监测呼吸和脉搏(或心跳)模式，以识别中枢性睡眠呼吸暂停(Central Sleep Apnea，CSA)的发作。

在一个实施例中，系统10包括气道正压(Positive Airway Pressure，PAP)设备。检测到对象已经睡着了之后，所述系统启动PAP设备。替代性地，所述系统在识别出平静呼吸之后，将PAP设备启动一段预定的时间，以促进所述对象入睡，这可与PAP的启动相协调。对于有些应用，该实施例的技术在不妨碍对象入睡的前提下，用于治疗患有阻塞性睡眠呼吸暂停(obstructive sleep apnea，OSA)的对象。

在本发明的一个实施例中，系统10连续监测睡眠中对象12的心率。所述系统识别并记录心率的短期大幅上升。例如，模式分析模块16计算每分钟的平均心率和前10分钟的平均值。所述系统检测到当前分钟的平均心率比前10分钟的平均值至少大一定百分比时，例如，大了约5％～约30％，如大了约10％，此时所述系统识别出(疾病发作)事件发生了。所述系统记录这类事件的发生次数和严重程度，并将这类事件作为如上所述的附加临床参数。在有些情形下，这类事件的发生与血氧饱和度的下降紧密相关。替代性地，记录COPD对象所发生的这类事件的次数和严重程度，并将其重大变化作为对象临床状况变化的标志。对于有些应用，系统10为对象建立一个或多个晚上的心率中峰值或谷值的特征基线，并在检测到这类峰值的特征(例如，睡眠中峰值的高度、频率或分布)发生了明显变化时，对所述对象或医护人员发出警报。在一个实施例中，还对这类峰值进行分析，并根据它们是否与大的身体运动同时发生或靠近大的身体运动来对它们进行分类。在一个实施例中，只有当前面没有发生过大的身体运动时，这类峰值才被报告给临床医生。

在本发明的一个实施例中，系统10接收用于临床参数如心率或呼吸率的值的指定范围。响应运动传感器30感测到的运动信号，在至少30秒(例如，至少60秒，或至少1小时)的持续时间段内，所述系统每10秒钟至少计算一次所述对象的临床参数值。只有当发现在整个时间段内历次计算所得的临床参数值中，超过50％的值落到了所述指定范围之外时，所述系统才发出警报。对于有些应用，这一技术用于监测具有某类病况(如肺炎、COPD、CHF，或除了呼吸暂停或SIDS之外的其它病况)的对象。

在本发明的一个实施例中，系统10接收用于临床参数如心率或呼吸率的值的指定范围。响应运动传感器30感测到的运动，在至少30秒(例如，至少60秒，或至少1小时)的持续时间段内，所述系统每10秒钟至少计算一次所述对象的临床参数的各原始值。系统在所述原始值的基础上计算代表值，如这些原始值的平均值或中值，或基于原始值的其它代表值(例如，包括弃去外围原始值)。只有当发现所述代表值落到了所述指定范围之外时，系统才发出警报。

在本发明的一个实施例中，系统10接收用于临床参数如心率或呼吸率的基线值的指示。响应运动传感器30感测到的运动，在至少10秒(例如，至少30秒，至少60秒，或至少1小时)的持续时间段内，所述系统例如至少10秒钟至少计算三次所述对象的临床参数的值。只有当发现所述值为至少一个阈值百分比、该阈值百分比与所述时间段内历次计算的基线值相差超过50％时，所述系统才发出警报。对于有些应用，这一技术用于监测具有某类病况(如肺炎、COPD、CHF，或除了呼吸暂停或SIDS之外的其它病况)的对象。

在本发明的一个实施例中，系统10接收用于临床参数如心率或呼吸率的基线值的指示。响应运动传感器30感测到的运动，在至少10秒(例如，至少60秒，或至少1小时)的持续时间段内，所述系统至少计算三次所述对象的临床参数的各原始值。系统在所述原始值的基础上计算代表值，如这些原始值的平均值或中值，或基于原始值的其它代表值(例如，包括弃去外围原始值)。只有当发现所述代表值与所述基线值相差至少一个阈值百分比时，系统才发出警报。

接受细胞毒性化疗的对象处于罹患CHF和/或肺水肿的高风险境地。在本发明的一个实施例中，系统10用于在接受化疗时或化疗后对对象12进行监测，并在检测到即将发生CHF或肺水肿的临床指示后，向对象或医护人员发出警报。

在本发明的一个实施例中，对象10用于监测患有肾功能衰竭的对象。系统10识别生命体征或其它测量参数的变化(例如，心率和呼吸率的上升或睡眠质量的降低)(表示为，例如，从午夜到凌晨六点的时间段内、大的身体运动的频率和振幅)，这种变化表明对象可能需要透析治疗或其它干预。

肺动脉高压的特征是肺的收缩或二尖瓣狭窄引起肺动脉中的血压升高。这种状况对肺中的血液流动造成不利影响，并导致心脏负担加重。在本发明的一个实施例中，系统10用于监测患有肺动脉高压的对象，以及识别他们的病情的开始和/或恶化。系统10监测临床参数，并识别可能指示了这种恶化的参数变化，例如呼吸率或心率的上升。

在一个实施例中，系统10检测呼吸率、心率、大的身体运动的改变以及震颤，这些表明一个已知可能要遭受痛苦的对象(例如，因为疼痛住进了医院接受治疗的对象)实际上正在遭受痛苦。对于有些应用，检测到疼痛时，所述系统启动给药装置84(图2)，以使之自动地进行合适药物的给药，从而缓解疼痛。

血氧饱和度是病情的重要指标。但是在有些情形下，血氧饱和度的下降是个较晚的指标，在它之前先发生了呼吸、心脏和运动模式的改变。例如，在接受氧气支持的病人中，血氧饱和度下降常常是呼吸衰竭的迟到指标。再次参见图2。在本发明的一个实施例中，系统10包括血氧监测仪86(例如脉搏血氧仪)。系统10监测所述对象的呼吸模式、所述对象的心跳模式、或者所述对象的呼吸运动模式(包括每次呼吸的深度)(或者两种或多种以上模式的结合)，同时用血氧监测仪86监测所述对象的血氧水平。所述系统用学习技术来识别与即将发生的血氧水平变化相关联的一个或多个特征模式。检测到所学习的发生在血氧水平变化之前的至少一个特征模式之后，所述系统向所述对象或医护人员发出警报。因此所述系统成为了血氧水平变化的早期预警系统。选择性地，即使没有进行学习，所述系统仍结合血氧监测仪86利用这种模式监测技术，以提供即将发生的血氧水平变化的早期预警，可能只单独使用血氧水平仪来进行预警。对于有些应用，所述系统只用血氧水平仪86来学习特征呼吸或心率模式，而不在后来用于监测对象即将发生的血氧水平变化。

对于有些应用，系统10将呼吸率的变化和呼吸模式的变化解释为血氧水平即将恶化的高概率指标。例如，与正休息的病人的浅呼吸或TAA结合的上升的呼吸率可能提供这样一种指标。上升的心率，连同这些变化，成为血氧水平下降的高概率的附加指标。

在本发明的一个实施例中，系统10将血氧监测仪86测得的有关血氧水平的信息与运动传感器30测得的有关呼吸率和/或心率的信息相结合，以产生综合临床评分。当得分超过阈值时，所述系统产生警报：对象存在呼吸窘迫的危险。对于有些应用，系统10还计算不规则呼吸的临床参数。对于有些应用，所示系统计算在一个基线时间段(例如，小于1小时，比如约15～45分钟，或者大于约1小时)内用于所述对象的、针对每个测量参数的基线。所述系统用例如以下公式计算所述临床评分：

S＝5(100-Ox)-kl*DeltaRR-k2*DeltaHR+k3*RESPIrreg(式7)

其中：

S-临床评分；

Ox-百分比形式的血氧饱和度；

DeltaRR-呼吸率相对于基线的百分比变化；

DeltaHR-心率相对于基线的百分比变化；

RESPIrreg-不规则呼吸相对于基线的百分比变化；

kl、k2、k3-用于呼吸和心率参数的系数；通常kl、k2和k3约为0.6～1.4。

在有些情形下，特别是当心率很低时，呼吸率的高次谐波可能会出现在心脏通道的频谱中，并可能会影响心率的测量。在本发明的一个实施例中，系统10利用例如约2～10Hz的通带、用带通滤波器来消除大部分的呼吸谐波(以及心率的基本频率)。对得到的信号进行傅里叶分析时，心率的基本频率不再是最高峰值。但是，心率信号的谐波仍然以峰值形式存在。心跳模式分析模块23识别这种峰值，并通过计算连续峰值之间的距离来算出心率。

在另一实施例中，系统10用振幅解调方法来计算心率。在这种方法中，使用拒绝基本心跳频率和大多数呼吸谐波的带通滤波器。例如，所述带通滤波器可被调谐至约2～10Hz之间。计算过滤信号的绝对值，并将具有合适的截止频率(例如约3Hz)的低通滤波器应用于所述绝对值信号结果。最后，所述系统计算功率谱，并识别其主要峰值，该主要峰值与心率相对应。

震颤测量

震颤测量有多种临床用途。一项应用是监测糖尿病人以识别低血糖。在本发明的一个实施例中，系统10识别与心率和呼吸率有关的信号。所述系统从总体信号中减去心率和呼吸率信号。那些没有不安事件存在的区域中的结果信号被视为用于上述分析的震颤信号。对于有些应用，所述震颤信号的能量由呼吸和/或心跳信号的大小予以归一化。

通常，与震颤有关的身体振动发生在大约3～18Hz的频段。在本发明的一个实施例中，运动数据采集模块20和模式分析模块16用于数字化和分析这些频率处的数据。所述系统把在该频域中测得的能量的显著变化归因于震颤水平的变化，并将信号频谱的变化归因于震颤频谱的变化。

在一个实施例中，系统10用机械传感器30识别呼吸和心跳信号的停止。其它标准监测技术如ECG常常不能完成这项任务，因为人死之后，心脏仍会产生一些电活动，这些电活动被ECG监测仪错误地当成了信号。在一个实施例中，系统10用于识别心跳和呼吸运动信号的停止。在一个实施例中，用机械传感器30进行的测量的特点是大信号(与呼吸和心跳相关信号相比)，这是由大的身体运动、说话或其它一些活动引起的。在这些情形下，检测不到心率和呼吸信号并不一定意味着心源性猝死。在一个实施例中，系统10运用附加标准来检测心源性猝死。当心脏和呼吸相关运动信号消失时(或变得非常微弱时)，可检测到震颤信号明显高于所有其它信号。如果存在震颤信号，但没有心脏和呼吸相关运动，则系统10会将这种情况作为心源性猝死的标志。在一个实施例中，对检测到的机械信号进行频率分析。例如，利用短窗口时间框架(不大于30秒，以便进行心源性猝死的快速检测)。系统10识别是否在功率谱中存在频率为3～7Hz的震颤相关峰值。这种峰值在功率谱中为宽峰，其不以正弦信号(该正弦信号例如为呼吸相关运动所产生的波及其谐波的特征)为特征。如果系统10识别出这样一种峰值：该峰值大大高于呼吸和心跳相关运动信号所在的0.05～3.0Hz中的能量，则系统10确定所述震颤相关信号高于呼吸或心跳相关信号，从而对医疗专业人士发出适当的警报。图5展示了在对象死亡后很短时间内进行的临床试验中，传感器30测得的信号。线1210展示了时域中的信号，而线1211为频域中的信号，均由系统10分析过。线1211展示了与死亡后的震颤有关的峰值，该峰值高于频谱中的任何其它信号，因为没有呼吸和心跳相关运动存在。在本发明的一个实施例中，系统10识别对象12的大的身体运动。“大的身体运动”被定义为：其振幅大大高于(例如，至少高5倍)呼吸相关身体运动的振幅，和/或其频率分量高于(例如，频率大约高1Hz)呼吸运动的频率分量。对于有些应用，所述系统从所述机械信号中提取相对和绝对运动时间与振幅参数。运动前的信号模式或者与规则呼吸相对应(当对象在床上时)，或者与系统噪声相对应(对象正在进入所述床)。大的身体运动期间的信号模式的特点是：其振幅比规则呼吸振幅高5～100倍，且信号从最大正值快速变化为最小负值。大的身体运动的初始阶段包括从对应于规则呼吸或系统噪声的模式转变为运动模式，该初始阶段通常持续约0.5秒。所述大的身体运动时间事件的持续时间通常为10～20秒。该初始阶段的动力学特征是：在一秒内，信号变为最大振幅。在所述大的身体运动的初始阶段，振幅的上升通常比相应于规则呼吸模式的所述最大(振幅)值大10～100倍。

在本发明的一个实施例中，系统10通过检测所述初始运动阶段来识别所述大的身体运动事件的开始，以及当运动相终止时所述运动事件的结束。对于有些应用，所述系统通过评估滑动重叠(时间)窗口来进行实时信号分析，并识别出所述初始运动阶段正在一个时间窗口中发生，其特征是至少一项以下比率、或者在一些应用中是以下两个比率：

小于一个阈值的信噪比(SNR)；和

所述时间窗口内的信号标准差(STD)与以通常呼吸信号为特征的窗口(例如，在其中检测到了呼吸信号的最近窗口)内的信号STD之比大于一个阈值。

为了计算SNR，所述系统通常计算功率谱，并将SNR设置为等于以下比率：(a)呼吸范围中的特定频率间隔(例如，约0.1～1Hz)中的能量，与(b)不包括呼吸范围的整个频谱中的噪声能量之比，即：为了计算SNR，将(a)的值除以(b)的值。所述频率间隔类似于所述系统测得的呼吸率的范围。所述系统通常指定一个窗口的大小，从而使每个窗口包括至少一个呼吸循环(例如，如果呼吸率为每分钟12次，则指定窗口大小为5秒)。对于有些应用，所述系统自适应地设置所述窗口大小，但对于其它应用，所述系统根据允许的最低呼吸率来固定所述窗口的大小。

替代性地，所述系统通过将所述时间窗口分割成约0.25～0.75秒的小窗口(有重叠或无重叠)来进行所述大的身体运动的初始阶段的检测。对于每个窗口，所述系统基于该窗口内的信号方差计算出一组参数。对于有些应用，所述系统将所述方差设为等于成对的序列样本差的绝对值的总和，所述序列样本差由所述窗口内的样本数的平方根予以归一化。所述系统将所述方差参数与一个阈值进行比较，如果所述方差参数大于所述阈值，则所述系统识别出所述窗口包含大的身体动作。

在一个实施例中，系统10检测对象12进入床和/或离开床的事件。所述系统先检测到大的身体运动、然后检测到连续运动的信号指示(例如，与呼吸或心跳有关)时，确认发生了“进入床”事件；而当所述系统先检测到大的身体运动、然后却没有收到运动信号时，确认发生了“离开床”事件。对于有些应用，传感器30包括单个半刚性板，以及与该半刚性板相连的振动传感器和两个应变计，这两个应变计用于检测对象身体施加于传感器30上的重量。

在一个实施例中，如果对象12已经离开床，且在大于指定时间长度的时间段内没有返回，则系统10发出警报，所述指定时间长度为3分钟～2小时，例如为10分钟。这可在一天中的具体时间(比如晚上)，针对病人手动或自动启动。这可用于监管那些能够独立地进入或离开床、但可能摔倒的病人。护士可能不希望在每次病人离开床时都收到警报，但可能希望在病人离开了床、且10分钟后未返回时收到警报，因为这种情况可能意味着病人摔倒了且需要帮助，或者正独自蹒跚在医院或疗养院内。护士可能，例如，希望这种系统只在夜晚启动，因为此时护理团队较小，且预计病人除了很短期的离床外，几乎全部时间都呆在床上。这种“长时间离床”警报对于减少警报次数、从而避免“警报疲劳”有着重大意义，可以有效地向护理团队通知可能需要干预的异常情况。

在一个实施例中，系统10监测心率和另外的生理参数如呼吸率和运动水平。如果在一个相当长的时间(1分钟～6小时，例如15分钟)内，呼吸率的检测信号质量良好和/或没有检测到大的身体运动，而用此处述及的方法检测到心率不一致，那么这可能表明心率不稳定，例如心房纤维性颤动。接着系统10就不稳定的心率读数发出警报，且在有些实施例中，系统10还向临床医生额外的展示将病人连接至ECG设备的建议。

对于有些对象，识别心率的不稳定性是有用的，这可能是心率失常的标志。在有些情形下，就每次高心率变化性事件向临床医生发出警报可能导致假警报过多、达到不可接受的水平，因为许多这类事件可能是由于病人的运动或情绪激动所导致的。在一个实施例中，系统10监测心率和呼吸率。如果在一段相当长的时间(该段相当长的时间为1分钟～1小时，例如15分钟)内，呼吸率稳定(例如，呼吸率读数的标准差小于该段时间内平均呼吸率的5％)且没有检测到大的身体运动，但是心率却显示出很高的变化性(例如，心率读数的标准差大于该段时间内心率平均值的8％，且心率没有下降或上升的趋势)，那么这可能是心率不稳定(例如心房纤维性颤动)的标志。接着系统10就不稳定的心率读数发出警报，且在有些实施例中，还额外地向临床医生展示将病人连接至ECG设备的建议。

在一个实施例中，系统10包括床垫本身，该床垫被设计为将机械信号最佳传输至压电传感器，因而成为传感元件的一部分。例如，在一个实施例中，所述传感器集成到动态、无动力的床垫中，该床垫如Kinetic Concepts公司制造的AtmosAir9000型床垫。在有些实施例中，所述床垫本身的调节技术使得对象身体与床垫的接触面积最大化，从而使系统检测的信号得到改善。

在一个实施例中，系统10用于在担架运输(病人)时对病人进行监测。传感器内置于担架的面料中，并在运输途中持续监测病人。当检测到对象状况急剧变化时，不需要临床医生的任何启动或对象的任何服从，系统10就会发出警报。

快速变化检测

在本发明的一个实施例中，系统10用于识别医院(例如外科或内科病房)中至少一个对象的病情变化，例如采用美国专利申请11/782,750中述及的技术，该申请转让给了本申请的申请人，并在此全文予以引用。所述变化通常包括需要迅速干预的恶化。系统10通常在不接触或察看对象或对象所穿衣服、不限制对象活动、且不需要护理人员或其它医护人员付出任何劳动的情况下，识别所述变化。例如，检测到对象的呼吸率下降到每分钟8次以下(这可能是呼吸抑制的迹象)时，所述系统向护士发出警报。对于有些应用，所述系统用于预测临床发作的开始，并发出警报。

对于有些应用，系统10在医院中的对象进入对象位点如床之后，自动地监测所述对象。通常，系统10不需要由护士或其它医护人员启动，而且除了需要对象在床上外，不需要对象的任何其它服从。通常，运动传感器30是非接触式的(即：不与对象或对象所穿衣服接触)，并基本连续地工作。当对象进入床时，所述传感器检测由对象产生的振动或其它运动，并开始监测。替代性或附加性地，所述系统用上文述及的技术检测“进入床”事件。所述系统检测到任何可能需要干预的变化后，向临床医生发出警报。例如，系统可将警报发送给护士、快速反应团队成员或其它医护人员，运用无线方法，例如发送至无线通信设备如呼机，或者运用医院中的其它呼叫系统。对于有些应用，接收到信号之后，所述无线通信设备发出声音警报，例如，包括自动产生的语音留言，该留言包括对象的姓名或编号、病房号、和/或警报类型。这使得临床医生能够基于警报采取行动和/或不需拿到纸件就能知道情况(这在当医生手头十分忙碌时是有用的)。

对于有些应用，当对象进入床时，系统10开始使用用于警报的预设阈值。经过一段时间例如一个小时后，所述系统建立参考基线，例如该段时间内的平均呼吸率。建立起基线后，当发现临床参数相对于基线有变化(例如快速变化)时，所述系统会向临床医生发出警报。例如，当检测到临床参数在15分钟内变化35％时，系统可发出警报。

对于有些应用，所述系统决定是否响应至少一项临床参数来发出警报，所述至少一项临床参数选自：临床参数的当前值、临床参数相对于基线的变化、在一段相当短的时间段内临床参数的变化率，所述相当短的时间段例如约2～180分钟，比如约10～20分钟。对于有些应用，所述系统采用两项或更多项临床参数的综合评分。例如，所述评分可包括两项或两项以上参数的加权平均值，例如：

评分＝K*Param+J*DeltaParam+L*DeltaParamRate(式19)

其中K、J和L为系数(例如，分别等于1、0.2和0.4)；Param是临床参数如呼吸率或心率的当前值；DeltaParam是所述参数相对于所述对象的基线的差异(例如，以百分比表示)；而DeltaParamRate是当前时间与前一时间之间的时间段中所述参数的变化百分比，所述前一时间例如约10～20分钟之前，如约15分钟前。通常Param具有测量单位，例如每分钟呼吸多少次-次/分钟，每分钟心跳多少次-次/分钟，而DeltaParam和DeltaParamRate没有单位。对于有些应用，Param被归一化了，例如将测得的值除以基线值再乘以常数如100。例如，(如果Param被归一化了)可将评分的上下阈值分别设定为65和135，用于监测呼吸率。如果评分落到了所述阈值范围之外，系统会发出警报。

在一个实施例中，传感器10应用在床的床垫中，从而没有给床增加任何额外的可见部件。

在本发明的一些实施例中，包括上段述及的实施例，通常希望将警报数量降到最低，特别是那些激活护士呼叫系统且在整个医院病房内都能听到的警报。在一个实施例中，识别出警报因素后，系统10首先启动持续一段短时间如30秒的、对象房间内的本地警报。系统30的用户接口24包括“去启动”控制装置，比如一个按钮，让临床医生在进入房间后可以关掉警报，从而避免激活整个医院病房内的警报。在上述一段短时间后，如果本地警报没有被临床医生关掉，则系统会发出通用警报。

对于有些应用，传感器30安装在对象位点中，如安装在靠近对象的床的椅子中。

对于有些应用，所述系统在检测到床空了一段时间(例如空了一小时，这可能意味着原对象已经离开了床，一个新的对象将进入床)后，会删除基线。

在本发明的一个实施例中，系统10包括一个或多个以下传感器：尿量传感器，温度传感器(有线或无线)，血压传感器。

在本发明的一个实施例中，系统10用于监测对象，并在检测到恶化后发出警报。对于有些应用，将与恶化的特定类型模式(如肺动脉栓塞、低血糖、酒精戒断)有关的信息输入模式分析模块16。由医生选择病人对哪种类型的状况存在危险，系统针对所选状况查找出一组合适的参数，并参数针对这些状况的警报。例如，睡眠中的心动过速、心悸、震颤、翻身，以及发作，是酒精戒断症状；震颤和心动过速是高血糖症状；而呼吸促迫、心动过速和咳嗽是肺动脉栓塞症状。系统检查符合医生选择的那些状况的结合，并在识别出这些结合时发出警报。该技术为医生提供了有效预警，并减少了对特定对象极不可能发生的事件的假警报(例如，没有糖尿病的对象不大可能发生低血糖，而没有已知的DVT风险的对象也不大可能发生肺动脉栓塞)。

建议大多数住院病人避免持续长时间的呆在床上。在本发明的一个实施例中，系统10测量病人在床上持续呆了多长时间，记录该数据，并选择性地给医生发警报——如果持续时间超过了一个阈值的话，所述阈值例如12小时，或者由医生设定。

在本发明的一个实施例中，传感器30安装在床垫内、作为床垫的不可分割的一部分。

再次参见图2。在本发明的一个实施例中，系统10用非接触式机械传感器(传感器30)和声音传感器82来监测住院对象。系统识别与属于所述对象的运动信号相关的声音信号。例如，系统识别打鼾和喘息，并向临床医生发出警报。对于有些应用，所述系统通过检测振动信号与声音信号的结合来识别所述对象的谈话。当对象在说话时，系统配置心率和呼吸率检测算法，例如，设置不收集数据的空白时段，从而不会将与说话有关的身体运动误当成呼吸或心率数据。

有生压疮风险的对象常常被放置在交变压力床垫上，这种床垫可以使对象身体与床的接触点发生变化。在本发明的一个实施例中，每次激活压力床垫改变位置，系统10都要检测交变压力床垫产生的机械信号(即振动)，并将这种振动结合到检测算法中，从而不会错误地将这种振动识别成呼吸或心率信号。替代性地，系统10学习所述压力床垫系统的特征振动信号，模式分析模块16则每次识别所述信号，以便忽略该信号。替代性地，当系统10识别所述交变压力床垫的特征振动时，该系统会启动空白时间段，在该空白时间段中不采集数据。

在本发明的一个实施例中，系统10计算每个被测临床参数的置信水平。例如，通过计算有关呼吸率对频谱中基线噪声水平的峰值的频域中的信噪比，来计算呼吸率的置信度。所述系统用该置信度来使假警报数量最小化。因此，例如，如果呼吸率超过了要发出警报的阈值，但其置信度却不够高，则系统可能暂时不会启动警报而等待另外的读数(例如30秒后的读数)。

在本发明的实施例中，系统10通过识别信号振幅的变化，只用一个传感器来识别对象的姿势改变。

在本发明的一个实施例中，系统10利用频谱的高频部分，利用带通滤波器组的解调作用，来检测心率。例如，这样的滤波器组可包括从3Hz～12Hz的多个滤波器，且每个滤波器可以是1Hz宽，并与另一滤波器重叠0.5Hz。所述算法选择具有最高的心跳峰值信噪比(SNR)的滤波器，且所述系统一直使用这种滤波器，直到对象的位置发生改变，或者直到检测出大的身体运动。(在发明人进行的临床试验中，对于处在不同位置的相同对象，最佳的滤波器可能有4～5Hz的变化)对于有些应用，心跳峰值的SNR被定义为该峰值的振幅除以不包括该峰值的任何整数谐波的、该峰值附近区域的频谱振幅。例如，如果心率峰值的频率是f，且频率f处的频谱的振幅是H(f)，则：

$\mathrm{SNR}=\frac{H\left(f\right)}{1/2*(\mathrm{mean}\left(H(f-0.5f:f-0.1f)\right)+\mathrm{mean}\left(H(f+0.1f:f+0.5f)\right))}$

(等式8)

其中，mean(H(a:b))＝频率f处在a～b范围内时，相应的H(f)的平均值。

在本发明的一个实施例中，系统通过使压电振动传感器测得的信号经过相对较高带宽的带通滤波器，来识别心跳相关信号。所述带通滤波器具有例如30～80Hz的带宽。再将得到的信号经过峰值检测算法的检测，以确定实际心跳的位置。

在本发明的一个实施例中，系统10计算上述临床参数，比如呼吸率和/或心率，并记录其结果。接着系统计算特定时间段内所述临床参数的代表值。通常，系统计算所述时间段内临床参数的平均值或中值，或者计算更短的子时间段内临床参数的一系列代表值，并使这一系列的值通过低通滤波器或中通滤波器。至少一种以下警报状况开始后，系统发出警报(所述系统允许医生设定每个阈值和时间范围的水平；替代性地，所述系统学习每个特定对象的参数分布、疾病类型、或医院病房，从而设定所述水平)：

·约10秒～约3分钟(例如，约30秒)的时间段内临床参数的代表值大于或小于预定的阈值。

·针对时间段T计算的临床参数的代表值高于或低于设定阈值。所述时间段T是所述阈值和当前读数的函数，这使得，所述阈值离所述对象的基线读数或人均值越远，时间段T越短。例如，如果人均呼吸率是每分钟呼吸12次，且将较高阈值设定为每分钟20次，则时间段T为2分钟；但是，如果将所述阈值设定为每分钟45次，则时间段T被自动减少到15秒。替代性地，定义连续阈值与时间段T的关系。例如，对上面同样的例子，对于大于例如15的每个读数R(表示每分钟的呼吸次数)，用下式计算单位为秒的阈值函数T(R)：

T(R)＝540/(R-12)

如果时间段T内计算的呼吸率的代表值大于或等于R，则启动警报。同样的逻辑在另一实施例中应用于其它临床参数如心率或活动水平。

·在约10秒～约3分钟(例如约30秒)的时间段内临床参数的代表值发生了急剧变化。例如，将“急剧变化”定义为：相对于基线至少有约20％～70％(例如，约50％)的百分比变化。所述变化是相对于基线计算的，该基线被定义为，例如：一段跟踪时间(例如，前15分钟)内临床参数的代表值。

·临床参数显示出缓慢但重大的变化。例如，可将最近10分钟内测得的临床参数的代表值(A₁₀)与以下时间段内测得的临床参数的代表值进行比较：

ο前一小时(H₁)；

ο前一小时之前的一小时(H₂)；

ο前两小时之前的一小时(H₃)；

ο前三小时之前的一小时(H₄)。

将阈值设定在约20％～70％之间，例如设定为约50％。如果以下条件表达式为真，所述系统将发出警报：

Δ_i＝ABS[(A₁₀-H_i)/A₁₀]；(式9)

·如果Max{Δ₁，Δ₂，Δ₃，Δ₄}＞阈值(例如：50％)，则发出警报。其中ABS函数是求绝对值，Max函数是求最大值。

·如果在没有重量改变的前提下(即没有发生“离开床”事件)，系统对临床参数的感测突然失灵，则系统会立即，或者，例如在1分钟内，发出警报。

·最近时间段如过去5分钟内临床参数的代表值与前面长得多的一段时间内(例如前6小时)临床参数的代表值之差大于所述长得多的一段时间内临床参数的标准差的n倍(例如2～10倍，比如3倍)。所述代表值周围n倍标准差的范围被定义为临床参数的可接受范围。

在本发明的一个实施例中，系统10可防止由于以下情形而发出假警报：除了被监测对象之外，还有另外的人(例如访客或护士)坐在床上。在一个实施例中，所述系统包括重量传感器，其称量床上对象的重量(这种重量传感器例如在美国印第安纳州MI and Hill Rom of Batesville的Stryker Medical of Kalamazoo公司制造的几种床上有安装)。重量传感器的读数通过标准通信装置传输给控制单元14。系统10为所述对象设定了预计重量范围(例如，30～250Kg)。在对象进入床之前，测得的重量接近0。只要读数低于30Kg水平，系统就不会产生任何读数。当识别出重量处于以上范围内时，系统自动启动测量。如果在测量中发现对象突然增重，例如增加了30Kg以上，系统10会认为另一人坐到了床上，从而停止测量和/或向医生报警。这用于防止潜在的由于一个以上的人坐在床上而产生的假读数。替代性地，在一个实施例中，系统10包括操作员接口，以向系统指明何时对象在床上。记录该时间点使测得的重量，任何时候如果重量读数超过了该初始读数的10％，系统都会停止测量和/或警示医生。

此外，在一个实施例中，系统10用重量传感器的读数来识别非接触式传感器30信号的突然消失。这种信号的消失可能是由于所述对象离开床引起的，或者是由于心脏骤停事件引起的。利用所述重量读数，系统10可以区分这两种情况。如果信号的消失伴随着床上重量的下降，则系统会这种情形识别为病人离开床。如果没有识别出这种重量变化，则系统10会将这一事件识别为心脏骤停(举例)，并从而发出警报。在一个实施例中，所述床包括与其相结合的一组重量传感器(例如，由美国密歇根州的Stryker Medical of Kalamazoo售出)，这些传感器可以计算所述对象的质量中心。在一个实施例中，系统10将这些重量传感器的读数与非接触式传感器的读数相结合，以提高对所述对象的姿势改变的检测的精确性。只有当所述质量中心显示了一些运动，且传感器30识别出如上所述的姿势改变附加特征时，才会确定发生了姿势改变。在一个实施例中，对所述对象进入或离开床的检测，包括另外的对象坐或躺在床上的识别，可以用与图像处理单元相连的照相机来完成。在一个实施例中，将上述系统适应性地安装到椅子或轮椅中以应用于所述对象。

当医生评估病人状况时，在有些情形下这样做是有用的：将对象状况参数的当前读数与过去若干分钟、小时或天内该参数的趋势相结合。当前读数与趋势的结合使得医生可对所述对象当前的风险水平及其对立即干预的需求进行综合评估。例如，目前呼吸率稳定在36次/分钟的病人的状况，与当前呼吸率也为36次/分钟、但一小时前还具有25次/分钟的稳定呼吸率的病人的状况，是决然不同的。在本发明的一个实施例中，系统10识别缓慢改变模式，并用一个阈值来识别何时系统应发出警报。所述系统计算并输出上述时间量(应发出警报的时间)，直到所述对象到达上述警报阈值——如果所述缓慢改变趋势持续的话。例如，如果系统识别出呼吸率的上升趋势是每小时上升3次/分钟，而当前呼吸率为21次/分钟、阈值为36次/分钟，那么系统就计算出5小时后应发出警报(5＝(36-21)/3)，并将该警报时间提醒值显示在屏幕上。这种警报使得医生能够基于当前值和缓慢趋势来评估当前状况的风险水平。此外，在一个实施例中，如果所述警报时间提醒值低于一个阈值，则所述系统会输出一个警告。例如，如果所述警报时间提醒值小于2小时，则所述系统会在屏幕上显示一个警告信息。

在本发明的一个实施例中，系统10将临床参数的两个或两个以上变化相结合。例如，所述系统可将过去10分钟内心率和呼吸率的代表值的百分比变化相加得一总和，并将该总和与一个阈值进行比较。如果发现所述总和大于为该总和设定的阈值，系统会发出警报。这可在帮助识别病人恶化的同时，减少由于某个具体读数的局部错误(例如，心率或呼吸率测量中的错误)而引起的假警报。在一个实施例中，当一个参数的变化方向与两个参数之间的正常相关性相反时，系统10发出警报。例如，在很多情形下，心率和呼吸率是高度相关的，因此当例如心率上升时，呼吸率也会趋向上升、或者至少保持基本不变。因此，在一个实施例中，当心率上升至少20％，而在相同时间段内，呼吸率却下降至少20％，系统10发出了警报。这可能是与呼吸抑制有关的恶化迹象，所述呼吸抑制可能是由例如止痛药引起的。

在本发明的一个实施例中，触发警报的因素包括那些结合了心脏和呼吸恶化的事件。例如，所述系统同时发现以下两种情况后，会发出警报：(a)在一段时间(例如，约10秒～约3分钟)内，呼吸率的值持续大于一个阈值，和(b)在所述一段时间内，心率的值持续大于一个阈值。对于有些应用，如果在一段约10秒～约3分钟(比如约30秒)的时间内(a)和(b)两个条件都满足，所述系统会发出警报。

在本发明的一个实施例中，系统10将对象心率的高变化水平识别为可能出现心率失常的迹象。对于有些应用，当用运动传感器测得的测量心率与高水平或高度变化水平的身体运动相关时，系统10会滤去这些测量心率，因为这些测量心率的变化性可能是由对象身体运动导致的心率改变所造成的。

在本发明的一个实施例中，系统给每个临床参数测量值(例如呼吸率)分配一个置信水平，该置信水平是例如以下各项的函数：信号质量、信噪比、在非常短的时间窗口内所述临床参数测量值结果的可重复性、和/或用不同传感器或不同计算算法(例如，一个在频域中，另一个在时域中)得到的结果的可重复性。所述系统通常不断更新所述置信水平。只有当激活临床参数的置信水平大于一个阈值时，系统才发出警报。替代性地，如果在一段时间(例如约10秒～约3分钟)内所述临床参数的平均置信水平大于一个阈值水平，所述系统发出警报。

在本发明的一个实施例中，所述系统在对象醒着和睡着时均对其进行监测。在有些情形下，睡着时临床参数的变化量低于醒着时。在一个实施例中，系统用不同的阈值来识别这两种状态下的对象恶化。系统用自动或手动方式在这两种阈值水平之间切换。例如，医护人员或看护者根据其观察到的对象状态改变(醒了或睡了)，通过用户接口24将这种状态改变输入系统，从而在睡眠模式和觉醒模式之间手动切换。替代性或附加性地，所述系统根据一天中预计对象要睡着或要醒来的时间，或者基于系统对对象是否睡着或醒来的检测，自动地进行开关，例如通过当病人表现出高水平的非呼吸身体动作和当病人表现出低水平的非呼吸身体动作时进行的检测来判断对象是否睡着或醒来，如前述用于识别大的身体运动的有关技术所述。

例如，可将其基线呼吸率为14次/分钟的对象的警报启动阈值设定为：觉醒期——8次/分钟～30次/分钟，睡眠期——8次/分钟～20次/分钟，以便更有效地识别其病情的恶化。在觉醒期采用更窄的阈值范围会使假警报的数量达到不可接受的水平，但在睡眠期采用较窄的阈值范围却可在几乎不增加假警报数量的前提下更好的识别对象状况的恶化。

在本发明的一个实施例中，系统10在用于计算呼吸率或心率的不同算法之间、睡眠和觉醒模式之间、和/或低活动水平与高活动水平之间切换。例如，对于有些应用，当对象醒着时，用时域算法来计算呼吸率更有效，而当对象睡着时，用频域算法更有效。替代性地，所述系统根据对象活动水平和/或不安状态，在不同算法之间切换。对于有些应用，识别出对象正在睡觉或者在安静地休息后，所述系统启动预警机制，如果存在对象企图离开床的高风险时，该预警机制使系统发出警报。例如，如果对象安静地躺在床上，而系统突然识别出所述对象正在绕床持续移动了超过30秒，则系统会警示医生：对象存在试图离开床的高风险。这在防止对象特别是老人、痴呆者从床上掉落时是有用的。对于有些应用，系统10建立睡眠中对象的身体运动基线，并在检测到其运动模式与基线大不相同时发出警报，因这种大不相同可能意味着对象失眠或睡眠过度。对于有些应用，所述系统根据一天中不同小时内的对象运动，用不同的标准来发出警报。例如，在凌晨2点到5点，30秒的时间间隔内相对较低水平的运动会引发警报，而在一天中的其它时段，阈值较高。在一个实施例中，系统10让临床医生能够指定所述对象为高掉落风险病人。对于这种病人，系统对可能预示着即将掉落的运动模式采取更严格的标准来发出警报。例如，对于多数机构而言，病人掉落的高风险时段为夜间(例如，晚上8点到凌晨5点)。但是对于被指定为高风险的病人，所述系统识别病人何时进入休息模式(例如，超过15分钟的低病人运动量，以及可能发生的、其心率相对于前3小时的平均值降低了5％)。接着，当这种休息状态被确定了之后，如果运动量的上升超过了一个阈值，警报会被启动，以通知护士：病人不再处在休息模式了。例如，如果系统识别出大的身体运动超过了30分钟，就会激活警报。这可能是掉落风险大大上升的征兆，护士应当尽快注意病人。只在夜晚或确认病人已经休息后激活这种警报有助于减少警报，并从而降低医疗团队的警报疲劳。在一个实施例中，当一个在手术中被麻醉、在手术后前几个小时中渐渐从麻醉状态中恢复过来的病人离开床时，系统发出警报。所述系统具有操作员接口，该接口使医生能够指明病人处于术后麻醉状态，并指明他的预计恢复时间。如果病人在所述恢复时间(例如12小时)中试图离开床，系统会发出警报，但恢复时间之后，系统会自动关闭该警报功能，以使假警报最少化。替代性地，当引发全部警报的运动水平被识别了一设定时间段后，系统关掉警报。

在有些情形下，对象的运动降低了测量参数(例如，非接触式传感器测量的呼吸率和心率，以及接触式传感器测量的血氧饱和度和血压)的准确性。在本发明的一个实施例中，当计算分配给测量值的置信水平时，系统10会考虑测量时对象的运动(例如，辗转不安)水平。在一个实施例中，在具有大的身体运动的时段进行的读数被忽略掉，或者在全部时间内进行加权平均时给予较低的权重。在另一实施例中，如果临床参数的值表明系统应该发出警报，当倘若置信水平较低，则系统会延迟发出警报。在延迟时间段内，系统持续地测量所述临床参数并评估是否发出警报。如果在整个延迟时间段内所述参数的值、或这些值的平均值，继续表明应当发出警报，则系统会基于延迟结论发出警报。因此，例如，假定系统被设计为测定血氧饱和度，并在检测到所述饱和度下降到90％以下时发出警报。如果系统识别出这种下降，且在饱和度测量期间没有检测到任何大的身体运动，那么系统会立即发出警报。另一方面，如果系统识别出这种下降，同时在饱和度测量期间又检测到大的身体运动，那么系统会在延迟时间段(例如60秒)内继续测量饱和度并计算其平均值，只有当整个延迟时间段内所述平均值都低于90％时，系统才会发出警报。这一技术大大降低了由运动引起的假警报。

在有些情形下，临床参数的变化可能是由对象的大的身体运动导致的。例如，如果病人安静的躺着，对象呼吸率的突然上升可能是引发警报的原因，但是如果对象在床上辗转不安，这种上升就可能是正常的(这对于高度肥胖者特别真实)。在本发明的一个实施例中，对于那些在辗转不安期间或之后不会立即发生的临床参数变化，系统10采用较紧或较快的警报响应时间；而对于那些在辗转不安期间或之后会立即发生、以及预计在辗转不安期间就会发生的临床参数变化(例如呼吸率的上升)，系统10采用第二个较松的阈值。对于有些应用，如果识别出临床参数的改变后发生所述辗转不安，系统不会执行这种双重阈值。

在本发明的实施例中，识别出临床参数超过了用于产生警报的阈值后，系统延迟一段时间发出警报。例如，这段延迟时间可以是约15秒～约10分钟，具体长度决定于医生输入、对象读数的在先变化性、测量值的置信水平以及对象的当前状况(例如：睡眠中、觉醒中、REM睡眠、已知的哮喘病情，等等)。在这段延迟时间中，系统还要核实所述读数是真正准确的，和/或读数始终超过了所述警报阈值。核实之后，系统才发出警报。否则系统不会发出警报。该技术有助于防止假警报。

在本发明的一个实施例中，系统10根据对象临床参数(例如对象的心率和/或呼吸率)的变化来识别败血症的开始和进展。对于有些应用，系统响应震颤水平的上升和/或心率和/或翻身水平的检测来识别败血症。对于有些应用，系统响应浅快呼吸的检测来识别败血症，浅快呼吸的特征是：呼吸相关运动的振幅下降，同时呼吸率上升。对于有些应用，系统基于以下两个或两个以上参数的结合来计算败血症评分：呼吸率、呼吸深度(浅或深)、心率、翻身/大的身体运动、以及震颤。当该评分相对于基线变化很大或者超过了预定阈值时，系统对医生发出警报。

在本发明的一个实施例中，系统10通过识别以下状态来识别浅快呼吸：呼吸率上升、呼吸运动信号的大小下降、且对象的姿势与浅快呼吸开始之前没有变化。

在本发明的一个实施例中，系统10通过识别以下状态来识别浅快呼吸：对象的呼吸性窦性心率不齐的振幅下降。

在本发明的一个实施例中，系统10用医疗机构中现有的护士呼叫系统来向护理人员通知任何警报状况。

在本发明的一个实施例中，系统10一直坚持向护士提醒病人状况的持续恶化，直到成功地使病人受到干预。

在本发明的一个实施例中，系统10例如利用上述技术来识别病人12进入床的事件。对于有些对象，有一点是重要的：在对象没有离开床时，不让对象老躺着(例如，为了防止压疮)。如果对象在预定时间段例如12小时内没有离开过床，系统10会向医务人员发出警报。对于有些应用，系统10还会利用上述技术来识别对象是否在床上改变了位置或者翻了身。替代性或附加性地，系统用美国专利申请11/552,872(其公布号为2007/0118054)中述及的技术来识别姿势改变，该专利申请已经转让给了本申请的申请人，在此全文予以引用。如果在预定时间段内，对象没有在床上改变过位置或者翻过身，系统会发出警报。对于有些应用，系统10包括用户接口，该用户接口使医生能够指示系统：对象已经在床上翻过身。这一纪录使人们能够进行历史分析，并产生了已对病人进行过适当处理的记录。系统对对象运动的自动检测的执行或者是为了确认医生的进入，或者是为了取代前一记录。对于有些应用，系统用病人翻身的手动指示来校正自动姿势改变检测算法。

在本发明的一个实施例中，系统10帮助医疗机构加强和记录对压疮预防方案的遵守。例如，在许多医院，用于防止很可能生压疮的病人产生压疮的方案是让病人每2小时翻身一次。在一个实施例中，系统10包括用户接口，该用户接口使得医护人员(例如医生或护士长)能够指明所需的压疮防止方案，例如，病人的两次姿势改变或翻身之间的最长允许时间。接着系统的用户接口24显示一个计数器，进行倒计时，直到到达根据所述方案的病人需要进行下次姿势改变的时间。如果计数器到了0，警报就会启动。如果系统识别出姿势改变，计数器会重置为初始值(例如2小时)并重新开始倒计时。

在一个实施例中，系统10包括防止病人翻身的虚假检测的双保护层。为了进行姿势改变的识别和重置计数器，既需要通过传感器和控制单元来检测姿势改变，又需要医护人员通过用户接口输入他/她确实已经给病人翻过身的信息。因此，为了重置计数器，系统10需要医护人员和传感器关于姿势改变的输入在设定时间段(例如，10～300秒，通常为60秒)内相符合。因此，当护士接近容易生压疮的病人给他翻身时，她按下用户接口上的有关按钮，然后给病人翻身。系统通过它的传感器识别病人的翻身，并接收用户接口上的输入；如果二者在(例如)60秒内相符合，则重置计数器。在一个实施例中，系统还每次都记录这类事件，以帮助完善病人护理文件和减少医院责任。在一个实施例中，对姿势改变的检测通过床垫下的传感器或照相机、在不触及病人身体的条件下进行。

在一个实施例中，系统10结合了两个传感元件：照相机和机械传感器。使来自两个传感器的信号互相关联，以减少伪信号。对于每个传感器，计算每个读数的置信度，并选择具有较高置信水平的信号源(传感器)。替代性地，独立于每个传感器的信号来计算临床参数(如心率)。如果两个读数在设定范围内相似，则予以采信，并显示和记录这些读数。如果相关，则发出警报。如果信号不同，则拒绝接受。

在本发明的一个实施例中，系统10基于运动水平和对象姿势改变次数来计算评分。系统在约15分钟～3天(如约4小时)的时间段内分析这一评分。该评分为压疮发展风险水平的标志。可根据有关监管机构或主治医师设定的规则来对该评分进行调整。例如，许多医院有个政策：至少要使容易生压疮的病人每两小时翻一次身或改变一次位置。

根据用于计算这一评分的第一示范技术，所述系统用下式进行评分：

评分＝100-20*(TC/RTC)(式10)

其中，TC是从上一次姿势改变到现在所经过的时间，以分钟为单位，RTC是规则或医嘱规定的两次姿势改变之间的推荐时间，也以分钟为单位。

对于有些应用，以上计算评分显示为数字或图形如颜色码。例如，如果评分大于85，显示为绿色。75～85之间的评分显示为黄色，而将75分以下的评分显示为红色。对于有些应用，如果评分落到了一个阈值之下，系统会发出警报，以提醒医生及时干预。

根据用于计算这一评分的第二示范技术，所述系统用下式进行评分：

评分＝[100-20*(TC/RTC)]+MPR(式11)

其中，TC是从上一次姿势改变到现在所经过的时间，以分钟为单位；RTC是规则或医嘱规定的两次姿势改变之间的推荐时间，也以分钟为单位；MPR是最后一小时内对象进行大的身体运动的时间百分比(例如：如果大的身体运动在15秒的时间间隔内被识别出来，则将每个这样的15秒时间间隔标记为运动时间，这种被标记的时间间隔在最后一小时中所占的百分比即为式11中所用的MPR)。

在本发明的一个实施例中，系统在一个时间段内计算平均评分，所述时间段的范围为约1小时至病人的整个住院时间。该平均评分为医疗团队对指定规则的遵守程度的标志(即遵守程度指标)。医院管理层可用该平均评分来评估团队绩效和持续改进病人护理。在一个实施例中，对移动的8小时(举例)时间窗口内评分进行平均。系统报告病人住院期间的任意6小时窗口内的最低评分。

在本发明的一个实施例中，该评分也反映了呼吸率、心率和/或震颤水平相对于基线的变化。这些参数的上升可能意味着感染，在有些情形下，这种感染伴随着压疮的形成。对于有些应用，替代性或附加性地，所述评分作为附加的感染指标，反映了心率和呼吸率的变化水平。

在本发明的一个实施例中，系统10(包括任何合适的上述传感器)用于识别对象何时在床上。所述系统定期地(例如每小时)记录对象是否在床上。例如，当对象只需用几天或几个小时的床时，这种记录可帮助医院设备租赁商进行租床收费。

聚类分析

在用原始传感器数据计算呼吸率的过程中常常存在几种挑战。挑战之一是如何克服本地运动伪信号和利用历史数据，以使假读数最少化，同时仍然保持对呼吸率变化的响应性。以前的算法主要集中于具有不同成功水平的不同类型滤波器。根据本发明一个实施例，下述聚类模型提供了将当前和历史数据结合的有效方法，以及将历史时刻有关信息、呼吸形态有关信息和有关形态随时间变化的信息相结合以减少假读数的有效方法。在一个实施例中，系统10包括基于模糊c-均值逻辑算法的呼吸率算法。所述聚类基算法采取4个步骤：

·潜在呼吸循环的全局最大检测；

·弃去离群者；

·模糊C-均值聚类；

·判定功能块。

全局最大检测算法

通过全局最大算法进行潜在呼吸循环的全局最大检测。该算法基于呼吸信号的振幅和周期性，将本地最大/最小值与全局最大/最小值区分开来。该算法的输出是固定时间段内潜在呼吸循环表，称为呼吸历史(例如2分钟)，以及每个呼吸循环的呼吸参数的D维向量。在一个实施例中，呼吸循环的参数采用：呼吸循环持续时间和峰与峰振幅(故D＝2)。在另一实施例中，采用呼吸循环的形态特征，比如：呼吸循环上升部分中传感器信号的坡度、呼吸循环上升部分中传感器信号的上升时间、呼吸循环下降部分中传感器信号的坡度、呼吸循环下降部分中传感器信号的下降时间(D＝6)。

在另一实施例中，可根据检测到的呼吸率来调整呼吸历史的长度。

弃去离群者

在一个实施例中，将具有远离所有其它潜在呼吸循环的参数(离群者)的呼吸循环从呼吸历史中除去。

这可用以下步骤来完成：

创建呼吸循环参数D维空间内的空间网格。将呼吸历史中的每个循环填入具体网格中。将呼吸循环的离散空间密度确定为每个网格中循环的数目。所有密度低于密度阈值的网格都被认为是离群者，将其相应的循环从呼吸历史中除去。

模糊C-均值聚类

在一个实施例中，将模糊C-均值聚类应用于呼吸历史。模糊C-均值聚类如J.C.Bezdek在文献[″Pattern Recognition with Fuzzy Objective Function Algorithms″，Plenum Press，New York(1981)]中所述，在此引用该文献。重复运用该聚类方法进行4聚类、3聚类、2聚类和1聚类的配置。

对于每个聚类，用下式12计算出其相对指标。指标值最小的聚类被定义为最佳聚类。在一个实施例中，根据最佳聚类中心的持续时间坐标来确定新的呼吸率。另一实施例中，根据最佳聚类中测得的最后一个循环来确定新的呼吸率。

另一实施例中，根据属于最佳聚类且在最后T秒(例如T＝60秒)中测得的呼吸循环的平均持续时间来确定新的呼吸率。

用下式13计算最佳聚类的置信度。如果其置信度大于选定阈值，拒绝该聚类，并在判定功能块中确定新的呼吸率。如果置信度低于所述阈值，则将其值和新的呼吸率发送给判定功能块。

判定功能块

在一个实施例中，所述判定功能块决定是否将从聚类功能块处接收到的所述新的呼吸率显示在系统10的显示器上。该决定是基于以下普遍现象作出的：一个准确的呼吸率值更可能接近于在先值。为此，计算已接受的在先呼吸率的概率密度函数(probability density function，PDF)，从该PDF中提取新呼吸率的概率。最后，根据所述概率和置信度的结合，判定功能块决定是拒绝还是接受最新值。

(式12)

其中：x为经过归一化后的参数的向量；N_k为聚类k中的循环数。

(式13)

其中：X_d为维度d的参数值，N_最佳聚类为最佳聚类中的循环数。

在一个实施例中，系统10评估所述对象在一个时间段(例如，晚上)内的休息质量，并计算出一个分值。该分值被提供给医生，以帮助医生做出有关病人治疗的管理的决定(例如：用药或出院)。例如可用下式计算分值S：

S＝R+HR+RR+K*BEX  (式14)

其中：

S-临床分值；

R-在所述时间段内病人的躁动(辗转不安)水平，分值越高，病人越不安；

RR-当前时间段中病人的平均呼吸率相对于前一时间段(例如前6小时)的变化，即：如果当前时间段中病人的平均呼吸率比前6小时中病人的平均呼吸率高了12％，则RR值为12；

HR-当前时间段中病人的平均心率相对于前一时间段(例如前6小时)的变化，即：如果当前时间段中病人的平均心率比前6小时中病人的平均心率低了12％，则HR值为-12；

BEX-所述时间段中“进入/离开”床循环的次数；

K-常数，为所述分值中用于“离开床”事件的系数，通常为3～20，例如8。

分值S越低，则所述时间段越舒适，这被报告给医生。例如，一些医生相信，对于医院中的许多病人而言，如果他们度过了一个舒适的晚上，在许多情形下，他们就可以立即出院回家了。

呼吸暂停检测

在一个实施例中，系统10用于识别呼吸暂停事件。检测呼吸暂停分两个阶段。第一阶段是可疑时间间隔的初步识别。在第二阶段中，计算每个时间间隔的评分向量——所述评分与呼吸暂停事件的估计可能性相关联。接着判定功能块对评分进行分析，并提供对呼吸暂停事件的检测。这在识别具有高的中度或重度窒息风险的对象时尤其有用。

可疑时间间隔的检测：

在第一阶段，用两种方法(关联和运动检测)对可疑的时间间隔进行检测：

i.关联。对于每个对象，选定一个匹配滤波器，该滤波器在连续三次规则的呼吸循环中测量传感器信号形态。该匹配滤波器的具有为病人记录的全部信号的关联结果通过以下方式算出：将匹配滤波器窗口在整个记录时间上移动。

具有最低关联响应的时间间隔被定义为涉嫌呼吸暂停的时间间隔。用以下两种参数进行这些时间间隔的检测：

(1)关联信号的振幅与前一时间段内关联信号振幅的平均值相比的大幅下降。例如，关联信号的振幅与前90秒内关联信号振幅的平均值相比下降了60％。

(2)关联信号峰值之间距离的大幅收窄。当对匹配滤波器与呼吸相关运动信号之间进行互相关时，预计结果会显示出一系列按照呼吸时间间隔的峰值，即：如果呼吸率是12次/分钟，则两峰之间的间隔约为5秒。“大幅收窄”的定义是：在运行的平均呼吸率的基础上，峰与峰之间的距离小于呼吸时间的70％。因此，对于呼吸率为12次/分钟的情形，如果峰与峰之间的距离低于呼吸时间(5秒)的70％，即3.5秒，则符合“大幅收窄”标准。

满足以上两条标准的时间间隔被定义为呼吸暂停可疑时间间隔。输出值为每个可疑时间间隔的开始时间标记向量。

ii.运动检测：

在一个实施例中，这一算法采用用于识别大的身体运动的算法，如上文以及例如本申请的申请人的在先申请文件(这些文件在前面引用过了)中所述。上述大的身体运动算法提供了以大的身体运动为特征的传感器检测信号内的时间空隙。在一个实施例中，呼吸暂停检测算法还执行用于分辨全部大的身体运动时间段的方法，如下所述：即使已经识别出由短片段分隔的运动空隙，算法还是将身体运动期间的有关片段结合到整个运动期间中，其中，所述运动空隙中没有检测到大的运动。

该算法的输入是大的身体运动片段的时间空隙的标志，且输出是大的身体运动期间的开始和结束。

以上两种方法所述的可疑时间间隔都结合到涉嫌呼吸暂停事件的一个表中。

下一步是再次对每个可疑时间间隔进行评估，其中，对每个可疑时间间隔，取其周围的三分钟，将这三分钟当做“当前间隔”来分析。对于每个当前间隔，所述算法确定呼吸暂停是否发生并作出结论，同时计算该结论的置信度。对于每个当前间隔的结论是基于以下标准作出的：

心率变化。已知心率上升是呼吸暂停的一个特征，该心率上升反映了终止呼吸暂停事件的短暂觉醒。这种上升的持续时间通常约为5～8次心跳时间。通过分析心率信号中连续两次心跳之间的(时间)距离来检测这种上升，所述距离例如来自集成于系统10中的脉搏血氧仪的光学体积描记术信号中峰与峰之间的距离。每两个相邻峰代表R-R间隔，指两峰横跨一次心跳。心率的上升是相对于平均值来定义的，并考虑了夜间心率的标准差。例如，如果心率比整个晚上的心率平均值高了20％以上，且大于12％的心率高于(整个晚上的心率平均值+标准差)之和，则将心率上升确定为潜在呼吸暂停模式。

将最高置信度给予既满足20％要求，又满足12％要求的区域。

血氧饱和度变化。在一个实施例中，采用脉搏血氧仪产生的血氧饱和度信号。用该信号可以识别呼吸暂停事件之后的去饱和状态。如果血氧饱和度比当前时间间隔内的最大值下降了至少5％，则“去饱和状态”被识别为呼吸暂停模式。

呼吸率变化。在一个实施例中，用呼吸暂停嫌疑事件前后的呼吸率变化来识别呼吸暂停事件。通过计算当前时间间隔内信号的功率谱密度(Power Spectrum Density，PSD)来检测呼吸率(respiration rate，RR)。如果在所述时间间隔内RR保持不变，则PSD中存在与所述不变的RR相对应的单显峰。但是，如果RR在呼吸暂停涉嫌事件之后相对于事件之前有所变化，则PSD将在潜在呼吸率范围内显示两个峰。呼吸暂停通常随着运动一起发生。如果可疑时间间隔中包含运动，则PSD会大大扭曲，那么就较难检测到所述两个峰。因此，在一个实施例中，从当前时间间隔中去掉所述运动时间间隔，并将当前时间间隔中剩余的部分连在一起。在一个实施例中，执行以下方式：

·通过移动60秒时间窗口(每两个相邻窗口有10秒的数据相互重叠)来分析可疑时间间隔传感器信号片段。

·分三个阶段对每个60秒时间窗口进行处理：

(1)除去运动(大的身体运动)(如果存在的话)，以得到“净信号”；

(2)使“净信号”通过低通滤波器，该低通滤波器采用1～2Hz(如1.2Hz)的截止频率；

(3)利用用于计算PSD的Welch算法，并将其应用于由滤波器过滤过的“净信号”。

·如果至少一个结果PSD谱图包含两个峰，则检测RR变化。

评分公式

在一个实施例中，用一个评分公式将以上每种方法(即：对心率变化、血氧饱和度变化、呼吸率变化的检测)对当前时间间隔的计算结果结合起来。例如，对于以上的每条标准，计算出与该标准相配的分值，作为针对每个当前时间间隔的0～100之间的置信度，其中，100分的分值给予针对每条标准在最严重的呼吸暂停事件中测得的结果，而0分的分值给予没有任何变化的情形。例如，对于心率变化，给任何超过40bpm的变化给予100分的分值。对于饱和度变化，变化超过20％时，给予100分的分值。而对于呼吸率，变化超过10次/分钟时，给予100分的分值。对于低于这些阈值的任何结果，用线性内插法来计算分值。因此，例如，如果心率变化10bpm，则给予25分。那么，总的置信水平分值为所述三种标准的三个置信分数的平均值。

判定功能块

该模块的目的是获得关于当前时间间隔是否含有呼吸暂停事件的最后结论。例如，将最后得分值与一个阈值进行比较。

在一个实施例中，系统10通过分析病人在睡眠中的心率变化来识别具有高呼吸暂停风险的病人。预计在许多情形下，具有睡眠呼吸暂停的病人在睡眠中会具有周期性心率模式。该模式预计具有40～120秒范围的周期。在一个实施例中，系统10分析夜间心率信号的周期性，如果发现了适当的周期模式，则向医生指出该病人存在很高的睡眠呼吸暂停风险。

图18展示了根据本发明一个实施例、用非接触式传感器测量的心率模式，图中所示被系统识别的病人显示出具有很高的睡眠呼吸暂停风险。峰值1460和1461为相隔约60秒的心率模式中的样本峰值。

图19展示了与反映呼吸暂停事件的周期性呼吸模式(上图-每隔60秒呼吸振幅上升和下降)相对应的类似的周期性心率模式(下图)，在这种情形下，最可能的中央呼吸暂停具有约60秒的循环时间。这种重复的周期性心率模式被系统10识别并提供给医生，以指明潜在的呼吸暂停高风险。在一个实施例中，系统10使心率中的峰值与如图19的上图所示的呼吸模式中的变化相关联，或者与运动传感器测得的大的身体运动迹象相关联。在该例中，所述对象与图18中的例子相比具有较低的心率和较低的变化率。随着呼吸振幅的下降(由于呼吸暂停)，心率上升。

如果大的身体运动迹象和/或呼吸运动模式变化与心率峰值的重要子集相关，则确定的呼吸暂停风险水平上升，并展示给医生。

图20A～C展示了具有很高的睡眠呼吸暂停风险的对象的一般运动信号(20A)、心率输出信号(20B)和大的身体运动检测输出信号(20C)。用输出“On”来指示大的身体运动检测，而用输出“Off”来指示没有大的身体运动。所述大的身体运动检测与心率模式的周期性相关良好-展示出一个短系列的运动，这些运动在每个呼吸率上升周期(大约每50秒)重复一下自身，从而强化高呼吸暂停风险的状况。在一个实施例中，系统10基于以下一项或多项来计算呼吸暂停风险指标：周期为40～120秒的心率周期模式的存在，心率模式与呼吸周期模式的相关性，心率周期模式与大的身体运动检测的相关性，以及血氧饱和度降低(例如用安装在手指上的脉搏血氧仪来测量)与心率周期模式的相关性。例如，对于心率周期的每个测量峰值，在该峰值前面的部分开一个与心率周期性相应长度的时间窗口。因此，例如，如果心率的周期模式具有50秒的周期，则每次分析50秒的窗口长度。如果在此期间检测到大的身体运动，则确认该时间窗口内存在呼吸振幅明显变化的呼吸模式(呼吸信号振幅的标准差超过一个阈值，该阈值设置为平均周期振幅的15％～30％，例如20％)或TAA，然后该事件就被当做呼吸暂停风险事件计数。如果一个小时内这类事件的数量超过了一个阈值(例如，10～30之间的阈值，比如15)，就会警示医生：病人具有呼吸暂停的风险，其风险指数为每小时这么多次。

在此描述的技术可以与以下一个或多个专利申请和专利中述及的技术结合使用，下面的这些专利申请和专利都转让给了本申请的申请人，在此均全文予以引用。在一个实施例中，将以下一个或多个申请中述及的技术和设备与此处描述的技术和设备结合：

美国临时专利申请61/052,395；

美国临时专利申请61/054,754；

美国临时专利申请60/674,382；

美国临时专利申请60/692,105；

美国临时专利申请60/731,934；

美国临时专利申请60/784,799；

美国临时专利申请60/843,672；

申请日为2007年5月16日的美国临时专利申请60/924,459；

申请日为2007年5月2日的美国临时专利申请60/924,181；

申请日为2007年7月31日的美国临时专利申请60/935,194；

申请日为2007年10月22日的美国临时专利申请60/981,525；

申请日为2007年10月31日的美国临时专利申请60/983,945；

申请日为2007年11月25日的美国临时专利申请60/989,942；

申请日为2008年2月14日的美国临时专利申请61/028,551；

申请日为2008年3月6日的美国临时专利申请61/034,165

申请日为2008年7月22日的美国临时专利申请61/082,510；

申请日为2005年8月3日的美国专利申请11/197,786，已授权，专利号为7,314,451；

美国专利申请11/782,750；

美国专利申请11/446,281；

美国专利申请11/755,066；

美国专利申请12/113,680；

申请日为2005年1月31日的美国专利申请11/048,100，已授权，专利号为7,077,810；

PCT专利申请PCT/IL2005/000113，其国际公布号为WO 2005/074361；

PCT专利申请PCT7IL2006/000727，其国际公布号为WO 2006/137067；

PCT专利申请PCT/IL2006/002998，其国际公布号为WO 2007/052108。

本领域技术人员将会明白，本发明不限于以上特别展示和描述的内容。本发明的范围包括以上述及的各种特征的组合或次组合，以及现有技术中没有的、所述各种特征的变化或修改，所有这些在本领域技术人员阅读了以上说明书内容后都能领会。

Claims (71)

1.一种设备，包括：

传感器，该传感器用于感测对象的生理参数并响应这种感测产生信号；

床；和

控制单元，该控制单元用于：通过分析所述生理参数来监测所述对象的状况，以及响应所述监测驱动所述床以提供干预。

2.根据权利要求1所述的设备，其特征在于：所述传感器包括与所述床相连的一个或多个重量传感器。

3.用于与床一起使用的设备，该设备包括：

传感器，该传感器用于感测对象的生理参数并响应这种感测产生信号；

控制单元，该控制单元用于：通过分析所述生理参数来监测所述对象的状况，以及响应所述监测驱动所述床以提供干预。

4.用于与包括传感器的床一起使用的设备，该设备包括：

控制单元，该控制单元包括：

监测功能件，该监测功能件通过分析所述传感器测得的生理参数的信号指示来监测所述对象的状况；和

驱动功能件，该驱动功能件响应所述监测驱动所述床以提供干预。

5.根据权利要求1或3或4所述的设备，其特征在于：所述控制单元用于响应所述监测、驱动所述床以旋转所述对象。

6.根据权利要求1或3或4所述的设备，其特征在于：所述控制单元用于响应所述监测、驱动所述床以改变床的靠背角度。

7.根据权利要求1或3或4所述的设备，其特征在于：所述控制单元用于响应所述监测、驱动所述床以向所述对象提供振动治疗。

8.根据权利要求1或3或4所述的设备，其特征在于：所述传感器用于感测所述对象的运动。

9.根据权利要求8所述的设备，其特征在于：所述控制单元用于响应感测到的对象运动，获取所述对象的姿势改变的速率。

10.根据权利要求1或3或4所述的设备，其特征在于：所述控制单元用于从所述信号中获取所述对象的呼吸率。

11.根据权利要求3所述的设备，其特征在于：所述传感器包括一个或多个与所述床相连的重量传感器。

12.一种设备，包括：运动传感器，用于在不触及或不察看对象或对象所穿衣服的前提下，感测对象的运动，并响应这种感测产生运动信号；重量传感器，用于测量处在床的一部分上的对象的重量，并响应这种测量产生重量信号；输出单元；以及控制单元，用于：分析所述运动信号，响应这种分析、识别可能需要产生警报的运动信号指示的方向，并通过识别重量信号的变化是否与已识别的运动信号方向基本同步来降低假警报的发生率，并且，如果基本同步的话，拒绝驱动所述输出单元发出警报，而如果不基本同步的话，驱动输出单元发出警报。

13.一种设备，包括：运动传感器，用于在不触及或不察看对象或对象所穿衣服的前提下，感测对象的运动，并响应这种感测产生运动信号；重量传感器，用于测量床上对象的重量，并响应这种测量产生重量信号；输出单元；以及控制单元，用于：(a)通过分析所述运动信号来分析心率和呼吸率的变化，以及(b)分析重量信号的变化，并响应(a)和(b)的分析、驱动所述输出单元发出警报。

14.根据权利要求12或13所述的设备，其特征在于：还包括电动床，其中，所述重量传感器是所述电动床的一个部件。

15.一种设备，包括：至少一个传感器，用于感测对象的生理参数和感测所述对象的震颤；输出单元；以及控制单元，用于：通过分析所述生理参数和感测到的震颤，监测所述对象的除其震颤之外的其它状况，并在基于对生理参数和震颤的分析检测出被监测状况的恶化后、驱动所述输出单元发出警报。

16.根据权利要求15所述的设备，其特征在于：所述控制单元用于通过分析所述生理参数和感测到的震颤来监测低血糖症。

17.一种设备，包括：至少一个传感器，用于感测对象的运动，并响应这种感测产生运动信号；以及控制单元，该控制单元利用聚类算法、在所述运动信号的基础上、计算所述对象的呼吸率。

18.一种设备，包括：至少一个传感器，用于感测对象的运动，并响应这种感测产生运动信号；以及控制单元，该控制单元用于：在所述运动信号的基础上计算所述对象的呼吸相关运动，将该呼吸相关运动与所述运动信号相关联，并响应这种关联来识别所述对象的潜在呼吸暂停事件。

19.一种设备，包括：至少一个传感器，用于在不触及或不察看对象或对象所穿衣服的前提下，感测对象的运动，并响应这种感测产生运动信号；以及控制单元，该控制单元用于：基于所述运动信号计算所述对象的呼吸相关运动，基于所述呼吸相关运动识别胸腹异步事件，并响应所述胸腹异步事件的识别来识别所述对象的潜在呼吸暂停事件。

20.一种设备，包括：用于检测对象的姿势改变的传感器；用于接收指示的用户接口，所述指示为医护人员改变了所述对象的姿势；以及控制单元，该控制单元识别以下(a)和(b)两项都在发生在定义长度的时间窗口内：(a)传感器对姿势改变的检测和(b)用户接口对所述指示的接收。

21.一种设备，包括：至少一个传感器，用于感测对象的呼吸运动信号；输出单元；以及控制单元，用于：通过分析所述呼吸运动信号来监测对象的非速率呼吸模式，以识别非速率非呼吸暂停呼吸模式，该模式是对象状况恶化的标志；检测到状况恶化后，驱动输出单元发出警报。

22.根据权利要求21所述的设备，其特征在于，所述非速率非呼吸暂停呼吸模式选自以下各项：喘气，濒死呼吸，共济失调性呼吸，潮式呼吸，比奥呼吸，与吸气坡度相关联的呼吸模式，与呼气坡度相关联的呼吸模式；其中，所述控制单元用于检测所选的非速率非呼吸暂停呼吸模式。

23.根据权利要求21所述的设备，其特征在于：所述控制单元用于分析呼吸运动信号的规则性，并响应对呼吸运动信号的规则性的分析来驱动输出单元。

24.根据权利要求23所述的设备，其特征在于：所述控制单元响应对以下事件的识别，驱动所述输出单元以发出警报：所述呼吸运动信号的规则性水平下降到规则性阈值水平之下。

25.一种设备，包括：传感器，用于在不触及或不察看对象或对象所穿衣服的前提下感测对象的运动；以及控制单元，用于分析感测到的运动并响应这种分析来识别胸腹异步。

26.根据权利要求25所述的设备，其特征在于：所述控制单元用于响应对感测到的运动的分析来计算以胸腹异步为特征的相位角，并将算出的相位角输出给临床医生。

27.一种设备，包括：传感器，用于感测对象的心率；输出单元；以及控制单元，用于通过分析所述心率来监测对象的状况，并在检测到对象的心率变化水平最初很低、然后心率突然变化时，驱动输出单元以发出警报。

28.根据权利要求27所述的设备，其特征在于：所述控制单元在检测到心率的突然变化后，即使任何其它被检测参数都没有发生变化，也仍然要驱动控制单元来发出警报。

29.根据权利要求27所述的设备，其特征在于：所述传感器用于感测对象的大的身体运动，其中，当心率的突然变化伴随着所述对象的大的身体运动时，所述控制单元拒绝发出警报。

30.根据权利要求27所述的设备，其特征在于：在检测心率的突然变化时，控制单元用于识别心率的突然下降。

31.一种设备，包括：传感器，用于在不触及或不察看对象或对象所穿衣服的前提下感测对象的运动；输出单元；以及控制单元，用于：响应感测到的运动，计算所述对象的临床参数的各原始值，基于所述原始值计算代表值，且只有当发现所述代表值为不同于所述临床参数的基线值的至少一个阈值百分比时，才驱动输出单元发出警报；其中，所述控制单元自动调整运动感测的持续时间，并基于该运动感测来计算代表值，该代表值为算出的原始值的函数。

32.根据权利要求31所述的设备，其特征在于：所述控制单元自动调整运动感测的持续时间，该持续时间为算出的原始值与临床参数基线值之差的函数。

33.一种设备，包括：运动传感器，用于感测对象的身体运动，并响应这种感测产生运动信号；以及控制单元，用于分析运动信号，并区分包含姿势改变的身体运动和不包含姿势改变的身体运动。

34.根据权利要求33所述的设备，其特征在于：所述控制单元响应对运动信号的分析，获取所述对象的心率相关运动信号；并响应取得的心率相关运动信号，区分包含姿势改变的身体运动和不包含姿势改变的身体运动。

35.根据权利要求20或33或34所述的设备，其特征在于：所述控制单元利用其对包含姿势改变的身体运动和不包含姿势改变的身体运动的区分，核实对压疮防止方案的遵从度。

36.根据权利要求20或33或34所述的设备，其特征在于：所述控制单元用于识别姿势改变速率是否小于阈值速率，该阈值速率为每小时0.1～1次姿势改变。

37.根据权利要求20或33或34所述的设备，其特征在于：如果单位时间内的姿势改变速率低于阈值，所述设备发出警报。

38.根据权利要求20或33或34所述的设备，其特征在于：所述控制单元利用传感器对从不同方向施加到传感器上的力的响应的校正数据指示来进行识别。

39.根据权利要求20或33或34所述的设备，其特征在于：所述控制单元用于区别(a)和(b)：其中(a)从床中央到床侧的姿势改变，(b)从床侧到床中央的姿势改变。

40.一种设备，包括：传感器，用于感测对象的身体运动，并响应这种感测产生运动信号；输出单元；以及控制单元，用于：分析运动信号，并响应这种分析和响应已识别的对象正在睡觉的可能性，如果运动信号表明对象不再睡觉且其掉落床下的风险上升的话，驱动输出单元发出警报。

41.根据权利要求40所述的设备，其特征在于：控制单元基于对象运动的减少来识别对象正在睡觉的可能性。

42.根据权利要求41所述的设备，其特征在于：基于以前测量的对象的运动模式，控制单元将运动减少识别为对象可能正在睡觉的标志。

43.根据权利要求40所述的设备，其特征在于：控制单元基于一天中的时间来识别对象入睡的可能性。

44.根据权利要求40所述的设备，其特征在于：控制单元基于选自以下各项的输入来调整用于警示医生的阈值：表明对象存在掉落床下的高风险的输入，有关对象用药管理特征的输入，以及对对象接受过手术的指示的输入。

45.一种设备，包括：单个传感器，用于在不触及或不察看对象或对象所穿衣服的前提下感测对象的运动，并响应这种感测产生信号；以及控制单元，用于分析所述信号以识别对象的运动，且，作为响应，确定对象是否在床上。

46.根据权利要求45所述的设备，其特征在于：在分析所述信号时，控制单元分析选自以下各项的信号特征：信号中的噪声，以及信号的频谱。

47.一种设备，包括：传感器，用于产生有关对象是否在床上的信号指示；输出单元；以及控制单元，用于在对象已经离开床至少一段预定时间时，驱动输出单元发出警报。

48.根据权利要求47所述的设备，其特征在于：如果对象离床时间小于一分钟，控制单元拒绝驱动输出单元发出警报。

49.一种设备，包括：传感器组件，用于感测对象的运动，并响应这种感测产生运动信号，该传感器组件包括板和两个或多个压电传感器，这些压电传感器一个叠在另一个上面，并与所述板相连；以及控制单元，用于响应所述运动信号，计算一个或多个临床参数。

50.一种设备，包括：机械传感器，用于产生机械传感信号；照相机，用于测定对象的运动并产生照相信号；以及控制单元，用于：利用选自以下各项的至少一个信号来计算对象的临床参数：机械传感信号和照相信号、来自所述机械传感信号和照相信号的处理信息，并利用所述处理信息来使计算临床参数的错误最小化。

51.一种设备，包括：至少一个传感器，用于感测对象的心率和对象的附加生理参数；输出单元；以及控制单元，用于：通过分析心率和生理参数来监测对象的状况，并在监测到伴随有所述附加临床参数的低变化性的心率的高变化性时，驱动输出单元发出警报。

52.一种设备，包括：至少一个传感器，用于感测对象的心率和对象的附加生理参数；输出单元；以及控制单元，用于：通过分析心率和生理参数来监测对象的状况，并在监测到以下情况时，驱动输出单元发出警报：(a)与感测心率的低信号质量相关联的心率的高变化性，即伴随着(b)感测到的附近生理参数的高信号质量。

53.根据权利要求51或52所述的设备，其特征在于：在驱动输出单元发出警报的过程中，控制单元驱动输出单元发出心率失常的警报。

54.根据权利要求53所述的设备，其特征在于：在驱动输出单元发出警报的过程中，控制单元驱动输出单元发出心房纤维性颤动的警报。

55.根据权利要求51或52所述的设备，其特征在于：所述附加生理参数包括对象的呼吸率，其中，所述至少一个传感器用于测量呼吸率。

56.根据权利要求51或52所述的设备，其特征在于：所述附加生理参数包括对象的运动水平，其中，所述至少一个传感器用于测量运动水平。

57.根据权利要求51或52所述的设备，其特征在于，控制单元通过以下确定以下条件来确定心率的高变化性伴随着附加生理参数的低变化性：确定所述高、低变化性彼此发生在15分钟内。

58.根据权利要求51或52所述的设备，其特征在于，所述至少一个传感器包括单个传感器，该单个传感器用于感测心率和所述附加生理参数。

59.一种设备，包括：传感器，用于感测对象的心率；输出单元；控制单元，用于：接收对象的用药指示，响应该用药指示自动设定阈值，识别出心率超出阈值后发出警报。

60.根据权利要求59所述的设备，其特征在于，控制单元响应关于药物为β阻断剂的指示来设定阈值。

61.一种设备，包括：至少一个传感器，用于感测对象在床上的运动并由此产生运动信号；以及控制单元，用于分析运动信号的噪声特征并由此确定对象的物理配置情况。

62.根据权利要求61所述的设备，其特征在于，在确定对象的物理配置情况时，控制单元确定对象是躺在床上还是坐在床上。

63.根据权利要求61所述的设备，其特征在于，所述至少一个传感器包括用于感测对象运动的单个传感器。

64.一种设备，包括：传感器，用于感测对象的心率并由此产生信号；输出单元；控制单元，用于：在检测到心率信号的周期模式时，驱动输出单元产生睡眠呼吸暂停风险警报。

65.根据权利要求64所述的设备，其特征在于：在分析心率时，控制单元用于关联对象的心率和呼吸运动，并响应这种关联来确定对象是否具有睡眠呼吸暂停风险。

66.一种设备，包括：单个传感器；控制单元，用于接收来自单个传感器的信号，计算对象两个位点之间的脉搏传导时间指标，并基于该脉搏传导时间来获取血压指标。

67.根据权利要求66所述的设备，其特征在于，单个传感器与对象接触。

68.根据权利要求66所述的设备，其特征在于，控制单元用于：从单个传感器的信号中获取如下信息：(a)对象心动周期的特征时间，和(b)对象非心脏位置处的压力波的到达时间，并获取从(a)到(b)的脉搏传导时间。

69.一种设备，包括：多个传感器，用于感测对象的运动并由此产生运动信号；控制单元，用于接收信号，并基于来自其中一个传感器的信号来计算：(a)对象心动周期的特征时间，和(b)对象非心脏位置处压力波的到达时间，并获取从(a)到(b)的脉搏传导时间。

70.根据权利要求1，3，4，15，17，18，20，21，27，33，40，47，50，51，52，59，61，64或66中任一项所述的设备，其特征在于：所述传感器用于在不触及对象或对象所穿衣服的前提下感测对象的运动。

71.根据权利要求1，3，4，15，17，18，20，21，27，33，40，47，50，51，52，59，61，64或66中任一项所述的设备，其特征在于：所述传感器用于在不触及或不察看对象或对象所穿衣服的前提下感测对象的运动。

Images