[go: up one dir, main page]

CN108720837A - 用于检测呼吸阶段的方法、系统和装置 - Google Patents

用于检测呼吸阶段的方法、系统和装置 Download PDF

Info

Publication number
CN108720837A
CN108720837A CN201810219740.2A CN201810219740A CN108720837A CN 108720837 A CN108720837 A CN 108720837A CN 201810219740 A CN201810219740 A CN 201810219740A CN 108720837 A CN108720837 A CN 108720837A
Authority
CN
China
Prior art keywords
classification
signal data
vibration signal
frame
respiratory
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810219740.2A
Other languages
English (en)
Inventor
J·朱
I·奈吉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Altera Corp
Original Assignee
Intel Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Intel Corp filed Critical Intel Corp
Publication of CN108720837A publication Critical patent/CN108720837A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • A61B5/0871—Peak expiratory flowmeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analogue processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Computational Linguistics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Computer Networks & Wireless Communication (AREA)

Abstract

本文公开了用于检测呼吸阶段的方法、系统和装置。一种示例装置，用于分析经由传感器从主体的鼻梁收集的振动信号数据以减少使用振动信号数据训练人工神经网络时的错误，该示例装置包括特征提取器，用于识别该振动信号数据的特征系数。在示例装置中，人工神经网络用于基于特征系数为振动信号数据生成呼吸阶段分类。示例装置包括分类验证器，用于验证呼吸阶段分类；以及输出生成器，用于基于该验证生成呼吸阶段输出。

Description

用于检测呼吸阶段的方法、系统和装置
技术领域
本公开一般涉及主体的呼吸活动并且更具体地涉及用于检测呼吸阶段的方法、系统和装置。
背景技术
主体的呼吸活动包括对空气的吸入和呼出。监测主体的呼吸活动可被用于获得用于各种目的的信息，诸如跟踪锻炼期间的用力或诊断诸如窒息之类的健康状况。从呼吸数据导出的呼吸模式基于主体的生理特征、主体的健康等等是高度主体依赖的。诸如环境噪声和主体运动之类的因素也会影响对呼吸数据的分析以及对呼吸阶段的检测。
附图说明
图1例示出根据本文所公开的教导构造的包括鼻梁振动数据收集设备和处理单元用于检测呼吸阶段的示例系统。
图2是图1的呼吸阶段检测器的示例实现的框图。
图3是图2的后处理引擎的示例实现的框图。
图4是包括由图1-3的示例系统生成的示例过滤后信号数据的图形。
图5是包括由图1-3的示例系统生成的帧能量序列的图形。
图6例示出包括图4的过滤后信号数据的一段的图形。
图7例示出基于图6的过滤后信号数据生成的示例频谱。
图8是表示可以被执行以实现图1-3的示例系统的示例机器可读指令的流程图。
图9例示出可执行图8的示例指令以实现图1-3的示例系统的示例处理器平台。
附图不按比例绘制。相反，为了阐明多个层和区域，层的厚度可以在附图中被放大。只要有可能，在整个附图和所附书面描述中将使用相同的附图标记来指代相同或相似的部件。
具体实施方式
监测主体的呼吸活动包括在主体吸入和呼出期间收集数据。呼吸数据可经由一个或多个传感器而从主体收集，这一个或多个传感器被耦合至主体以测量例如，主体腹部的膨胀和收缩。在其他示例中，可基于对通过主体的鼻子的气流量和由主体发出的声学呼吸噪声的测量来生成呼吸数据。可相对于呼吸速率、吸入和/或呼出的持续时间等来分析呼吸数据。
在本文所公开的示例中，从随主体呼吸产生的鼻梁振动导出呼吸数据。例如，主体可穿戴头戴式设备，诸如包括一个或多个压电传感器的眼镜，这一个或多个压电传感器被耦合至该眼镜。当主体穿戴该眼镜时，传感器(一个或多个)被设置为邻近于主体的鼻梁。在主体呼吸(例如，吸入和呼出)时，压电传感器(一个或多个)变形并产生电信号，该电信号可被分析以识别信号数据中的呼吸模式。
关于指示吸入和呼出的数据模式，鼻梁振动数据是高度个体依赖的。例如，基于主体呼吸的方式、可影响主体的呼吸速率的健康状况、传感器(一个或多个)相对于主体的鼻梁的位置(一个或多个)、主体的鼻子的形状等等，鼻梁振动数据的强度和频率因个体而变化。此外，在数据收集期间由主体作出的运动(例如，头部运动)会给信号数据添加噪声。因此，由传感器(一个或多个)生成的鼻梁振动数据的特性在不同数据收集时段期间以及不同主体之间可能关于主体而不一致。鼻梁振动数据中的这种可变性会影响检测主体的呼吸阶段时的可靠性和精确度。
本文所公开的示例系统和方法使用机器学习算法来分析鼻梁振动数据，该机器学习算法包括前馈人工神经网络(ANN)，用于识别包括吸入、呼出以及非呼吸(例如，噪声)的呼吸阶段。该ANN基于呼吸间隔模式适应性地学习呼吸阶段分类以对鼻梁振动数据的特性或特征进行分类。在一些示例中，已分类的数据被后处理以在输出所识别的呼吸阶段之前验证由ANN作出的分类(一个或多个)和/或纠正该分类(一个或多个)。在一些示例中，后处理分析的结果被用于在识别呼吸阶段方面重新训练ANN。
一些所公开的示例在数据收集期间过滤鼻梁振动信号数据以去除由主体作出的运动(一个或多个)引起的频率成分，这些频率成分会干扰ANN对呼吸数据的分析的精确度。在一些示例中，在已过滤的数据中识别峰值并且这些峰值的位置被用于识别大体一致的呼吸间隔(例如，基于两次吸入或两次呼出之间的时间)。在一些示例中，训练ANN在呼吸间隔大体一致或低于呼吸间隔变化阈值时对呼吸阶段进行分类。因此，ANN基于不包括或大体上无诸如噪声之类的异常的数据来对呼吸阶段进行分类，所述噪声归因于可干扰ANN对所学分类的应用的主体运动。
所公开的示例包括后处理引擎，该后处理引擎评估由ANN确定的呼吸阶段分类(一个或多个)，并且，在一些示例中，纠正该分类(一个或多个)。该后处理引擎提供关于对呼吸阶段的识别和平均呼吸速率的一个或多个输出。在本文所公开的一些示例中，如果在后处理期间分类(一个或多个)被纠正和/或如果在鼻梁振动数据中存在变化(例如，因主体作出的呼吸活动的改变造成的)，则ANN适应性地学习或再学习呼吸阶段特征。因此，所公开的示例通过ANN的自适应、自学习能力来处理鼻梁振动数据中的可变性。
图1例示出根据本公开的教导构造的用于检测主体的呼吸阶段的示例系统100。示例系统100包括用于被主体或用户104(本文中可互换地使用术语“主体”和“用户”)穿戴的头戴式设备(HMD)102。如图1中所例示的，HMD 102包括被用户104穿戴的眼镜。然而，HMD102可包括其他可穿戴设备，诸如口罩或鼻贴(nasal strip)。
HMD 102包括耦合至HMD 102的一个或多个传感器106。在图1的示例中，传感器(一个或多个)106是压电传感器(一个或多个)。传感器(一个或多个)106被耦合至HMD 102使得当用户104穿戴HMD 102时，传感器(一个或多个)106被设置为邻近于用户104的鼻子110的鼻梁108。在用户104吸入和呼出时，传感器(一个或多个)106检测因气流进出用户鼻子110造成的鼻梁108的振动。基于呼吸期间鼻梁108的振动，传感器(一个或多个)106(例如，压电传感器(一个或多个))变形并生成电信号数据。传感器(一个或多个)106可在预定的时间段内(例如，当用户104穿戴HMD 102达特定持续时间时，等等)测量鼻梁振动。
图1的示例HMD 102包括耦合至HMD 102的第一处理单元112。第一处理单元112存储由传感器(一个或多个)106生成的振动数据。在一些示例中，第一处理单元112包括放大器，用于放大由传感器(一个或多个)106生成的振动数据；以及模拟到数字(A/D)转换器，用于将模拟信号数据转换为数字数据。在图1的示例系统100中，第二处理单元114通信地耦合至第一处理单元112。第一处理单元112将振动数据(例如，经由Wi-Fi或蓝牙连接或者经由缆线连接)传输到第二处理单元114。第二处理单元114可与例如，个人计算机相关联。在一些示例中，在数据被收集时，将数据从第一处理单元112大体上实时地传递到第二处理单元114(例如，在第二处理单元114被设置为邻近于用户104同时数据正被收集的示例中)。在其他示例中，在数据收集时段已结束之后，将振动数据从第一处理单元112传递到第二处理单元114。
第二处理单元114包括呼吸阶段检测器116。呼吸阶段检测器116处理由传感器(一个或多个)106获得的振动数据以确定用户104的呼吸速率。呼吸阶段检测器116基于振动数据来识别用户104的呼吸阶段(例如，吸入、呼出)或非呼吸活动(例如，噪声)。呼吸阶段检测器116可在振动数据上执行一个或多个操作，诸如过滤原始信号数据、从原始信号数据去除噪声和/或分析数据。在一些示例中，所述操作中的一个或多个由第一处理单元112来执行(例如，在振动数据被传输到第二处理单元114之前)。
在一些示例中，呼吸阶段检测器116检测由传感器(一个或多个)106生成的振动数据中的变化并确定该变化指示用户104的呼吸模式中的变化。在此类示例中，呼吸阶段检测器116动态地响应于用户呼吸模式中的变化以基于当前振动数据的特性或特征来识别呼吸阶段。
在一些示例中，第二处理单元114基于对呼吸速率和/或呼吸阶段的确定来生成将被例如HMD 102实现的一个或多个指令。例如，第二处理单元114可生成用户104的呼吸速率超过预定阈值的警告并指示HMD 102(例如，经由HMD 102的显示器)呈现该警告。
图2是图1的示例呼吸阶段检测器116的示例实现的框图。如上所述，示例呼吸阶段检测器116被构造成基于由用户(例如，经由头戴式设备)穿戴的传感器(一个或多个)生成的鼻梁振动数据来检测用户的呼吸阶段(例如，吸入、呼出)。在图2的示例中，呼吸阶段检测器116通过图1的示例第二处理单元114来实现。在其他示例中，呼吸阶段检测器116通过图1的HMD 102的第一处理单元112来实现。在一些示例中，呼吸阶段检测器116的一个或多个操作由第一处理单元112实现而一个或多个其他操作由第二处理单元114实现。
图2的示例呼吸阶段检测器116从HMD 102的第一处理单元112接收和/或以其他方式检索鼻梁振动信号数据200。如以上所公开的，鼻梁振动信号数据200在用户(例如，图1的用户104)正穿戴HMD 102时由传感器(一个或多个)106来生成。传感器(一个或多个)106在呼吸期间测量因气流造成的的用户鼻梁的振动。如图2中所例示的，在一些示例中，第一处理单元112包括模拟到数字(A/D)转换器204，用于以特定采样率(例如，2kHz)对振动信号数据200采样并将模拟信号数据转换成数字信号数据以供示例呼吸阶段检测器116分析。
图2的示例呼吸阶段检测器116包括高通滤波器206。高通滤波器206可包括例如，微分器。图2的高通滤波器206过滤由A/D转换器204生成的数字信号数据以从该数字信号数据去除低频分量(一个或多个)。在图2的示例中，数字信号数据的低频分量(一个或多个)可与由用户作出的运动相关联，该运动在振动信号数据200中表现为噪声。例如，在传感器(一个或多个)106对振动信号数据200的收集期间，用户可自愿地或非自愿地执行由传感器(一个或多个)106检测的一个或多个运动，诸如因咳嗽和/或打喷嚏造成的运动、面部运动等等。在图2的示例中，由高通滤波器206实现的截止频率范围基于一个或多个过滤规则208。过滤规则208包括用于已知主体运动(例如，头部或面部运动)的预定义截止频率范围。可经由第二处理单元114处的一个或多个用户输入来接收过滤规则(一个或多个)208。高通滤波器206生成过滤后数字信号数据210作为高通滤波的结果。
示例呼吸阶段检测器116包括信号分割器212。信号分割器212将过滤后信号数据210分割或划分成多个部分或帧214。示例信号分割器212基于时间间隔来分割过滤后信号数据210。例如，信号分割器212基于100毫秒(ms)的时间间隔将过滤后信号数据210分割成相应帧214。在一些示例中，基于60ms到200ms的时间间隔来划分帧214。在一些示例中，在多个帧214之间没有重叠。
示例呼吸阶段检测器116包括特征提取器216。特征提取器216在帧214上执行一个或多个信号处理操作以表征和/或识别每个帧214的信号数据中的指示用户的呼吸阶段的特征。特征提取器216通过为每个帧214确定一个或多个特征系数217来表征信号数据。例如，特征提取器216执行一个或多个自相关操作以针对每个帧214计算包括信号能量(例如，高达n阶)的自相关系数(一个或多个)。由特征提取器216确定的特征系数(一个或多个)217可包括自相关系数和/或根据该自相关系数计算出的系数，诸如线性预测编码系数或倒谱系数。在一些示例中，特征提取器216确定了九个特征系数217。特征提取器216可确定附加的或更少的特征系数217。
由特征提取器216生成的特征系数217被存储在呼吸阶段检测器116的数据缓冲器218中。如本文所公开的，存储在数据缓冲器218中的特征系数217被用于训练呼吸阶段检测器116识别帧214中的呼吸阶段。在图2的示例中，数据缓冲器218是先进先出缓冲器。
由特征提取器216为每个帧214确定的能量系数(一个或多个)被图2的示例呼吸阶段检测器116的低通滤波器219过滤。呼吸阶段检测器116的低通滤波器219所使用的截止频率范围基于特定呼吸速率(例如，1Hz-2Hz)。低通滤波器219使帧214中的每一个帧的帧能量数据220(例如，光谱能量数据)变得平滑。
示例呼吸阶段检测器116包括峰值搜索器222。峰值搜索器222分析帧能量数据220以确定信号数据是否与峰值相关联。图2的峰值搜索器222基于帧的能量，相对于由低通滤波器219过滤的帧能量的移动平均数来识别峰值。例如，如果一个帧在数目不小于预设正整数且能量大于跨特定时间段(例如，10秒)的移动平均数的全部连续帧之中具有最大能量，则峰值搜索器222将具有最大能量的该帧识别为峰值。
基于对峰值的识别，峰值搜索器222生成用于交替的峰值间隔的峰值间隔数据223。例如，其中T(2k)是第一峰值(例如，吸入)的时间，T(2k-1)是出现在第一峰值之后一个峰值处的第二峰值(例如，呼出)的时间，T(2k-2)是出现在第一峰值之后两个峰值处的第三峰值(例如，吸入)的时间，而T(2k-3)是出现在第一峰值之后三个峰值处的第四峰值(例如，呼出)的时间，相邻偶数峰值之间的间隔可被表达为T(2k)-T(2k-2)而相邻奇数峰值之间的间隔可被表达为T(2k-1)-T(2k-3)。因此，峰值搜索器222基于从过滤后信号数据210导出的能量系数来识别峰值的位置。如文本所公开的，峰值的位置被呼吸阶段检测器116用于验证对呼吸阶段的分类。
图2的示例呼吸阶段检测器116包括机器学习算法。在图2的示例中，机器学习算法是人工神经网络(ANN)224。图2的示例ANN 224是具有一个隐藏层的前馈ANN。在图2的示例中，ANN 224的输入层处的节点的数目对应于由特征提取器216计算的特征系数217的数目。在图2的示例中，ANN 224的输出层处的节点的数目是二，这对应于对吸入和呼出的呼吸阶段的识别。
示例ANN 224包括分类器226，用于在ANN 224的训练期间将每个帧214的过滤后信号数据210分类或分配成与输出[1,0]或[0,1]相关联，输出[1,0]或[0,1]与吸入或呼出的呼吸阶段相对应。分类器226经由对ANN 224的训练基于所学习的对呼吸特征模式的识别来对信号数据进行分类。在一些示例中，分类器226在从用户收集振动信号数据200的持续时间内对帧214进行分类。在其他示例中，分类器226对帧214中的对应于从用户收集的信号数据的一些帧进行分类。
分类器226相对于对信号数据中的呼吸阶段的识别来生成分类228。对于每一帧214，分类器226输出0和1之间的两个数字x，y(例如，[x,y])。例如，如果分类器226将帧214识别为包括具有指示吸入的特征的数据，则分类器226应为帧214生成输出[1,0]。如果分类器226将帧214识别为包括具有指示呼出的特征的数据，则分类器226应为帧214生成输出[0,1]。然而，在操作中，分类器226的[x,y]输出(一个或多个)不总是[1,0]或[0,1]。
呼吸阶段检测器116对由分类器226生成的呼吸阶段分类228进行评估或后处理以检查该分类中的任何错误(一个或多个)并纠正该错误(一个或多个)(例如，通过用纠正后的分类更新该分类)。呼吸阶段检测器116在后处理期间使用对分类228的任何纠正来训练或重新训练分类器226识别呼吸阶段。在一些示例中，鉴于用户的呼吸模式的改变，分类器226被重新训练。在图2的示例中，由ANN 224生成的呼吸阶段分类228被呼吸阶段检测器116的后处理引擎230分析。
后处理引擎230接收分类228以及由峰值搜索器222确定的峰值间隔数据223作为输入。后处理引擎230评估峰值间隔数据223以确定用户的呼吸间隔是否大体一致并因此确认信号数据足以训练ANN 224(例如，信号数据没有指示由用户作出的非正常呼吸)。后处理引擎230还关于由ANN 224生成的分类228的一致性来评估分类228。例如，对于其中每个帧都包括具有超过预定阈值的能量的信号数据的三个邻近帧214，后处理引擎230验证ANN224已正确地将这些帧与同一呼吸阶段(例如，吸入)相关联而并未将这些帧中的一个帧识别为与另一呼吸阶段(例如，呼出)相关联。因此，后处理引擎230检查由ANN 224生成的分类228中的错误。
后处理引擎230生成一个或多个呼吸阶段输出232。呼吸阶段输出(一个或多个)232可包括信号数据210中吸入和呼出阶段的位置。基于峰值的位置，呼吸阶段输出(一个或多个)232可包括用户的呼吸速率。在一些示例中，后处理引擎230生成一个或多个指令，用于基于由后处理引擎230检测到的错误来重新训练ANN 224。由后处理引擎230生成的呼吸阶段输出(一个或多个)232可经由与第二处理单元114相关联的呈现设备234(例如，显示屏)而被呈现。在一些示例中，呼吸阶段输出(一个或多个)232经由头戴式设备102的第一处理单元112而被呈现。
图3是图2的示例后处理引擎230的示例实现的框图。出于例示的目的，图3还例示出图2的示例呼吸阶段检测器116的示例ANN 224。
图3的后处理引擎230包括数据库300。数据库300存储一个或多个处理规则302。处理规则(一个或多个)302包括，例如，被用于训练ANN 224的呼吸模式的最大呼吸间隔差异、针对由ANN 224生成的分类用于触发对ANN 224的重新训练的预定错误阈值，等等。处理规则(一个或多个)302可通过一个或多个用户输入来定义。
示例后处理引擎230包括呼吸速率分析器304。呼吸速率分析器304使用由图2的呼吸阶段检测器116的峰值搜索器222生成的峰值间隔数据223来评估用户的呼吸速率306、或者每单位时间的呼吸次数(例如，每分钟呼吸8到16次呼吸，其中呼吸包括吸入和呼出)。例如，呼吸速率分析器304可基于一段时间内峰值的数目来评估呼吸速率306。图3的呼吸速率分析器304基于呼吸速率306的倒数来计算呼吸间隔值(一个或多个)308。呼吸间隔值(一个或多个)308代表两次吸入之间或两次呼出之间的时间。
呼吸速率分析器304关于呼吸间隔之间的差异来比较呼吸间隔值308中的两个或更多个以确定何时用户的呼吸间隔大体一致。例如，包括吸入和呼出的一致的呼吸间隔D(k)可由以下表达式表示：
T(2k)–T(2k-2)＝T(2k-1)–T(2k-3)＝D(k)，其中T代表时间而k代表峰值位置或索引，使得T(2k)是第一峰值(例如，吸入)的时间，T(2k-1)是出现在第一峰值之后一个峰值处的第二峰值(例如，呼出)的时间，T(2k-2)是出现在第一峰值之后两个峰值处的第三峰值(例如，吸入)的时间，而T(2k-3)是出现在第一峰值之后三个峰值处的第四峰值(例如，呼出)的时间(式1)。
然而，由于用户的呼吸中的噪声和/或轻微变化，可能存在关于用户的诸次吸入之间或诸次呼出之间的时间的一些差异。在一些示例中，呼吸速率分析器304确定何时各呼吸间隔值308之间的差异处于或低于特定呼吸间隔差异阈值使得呼吸间隔大体一致。特定差异阈值可基于存储在数据库300中的处理规则(一个或多个)302。
当呼吸速率分析器304确定呼吸间隔大体一致时，呼吸速率分析器304确定用户的呼吸对该用户来说是大体上有规律的(例如，正常的)，并且因此，信号数据210适用于训练ANN 224。因例如疾病造成的无规律呼吸模式不反映用户的典型呼吸模式。因此，由于信号数据中的可变性，基于与不一致的呼吸间隔相关联的数据来识别呼吸阶段相对于训练ANN224识别用户特定呼吸阶段而言将是无效的。
示例后处理引擎230包括训练器309。训练器309训练ANN 224基于存储在图3的数据库300中的一个或多个分类规则310来对帧214的每一帧中的信号数据进行分类。如本文所公开的，分类规则310还可被后处理引擎230用于验证分类器226已正确地识别针对帧214的呼吸阶段。在一些示例中，训练器309使用存储在图2的数据缓冲器218中的数据(例如，特征系数217)来训练ANN 224。在一些示例中，后处理引擎230将ANN训练标志设置为指示ANN224应当(例如，经由训练器309)被训练。
例如，分类规则310可指示被标注为吸入和呼出的峰值应当(例如，基于用户吸入-呼出-吸入-呼出)进行交替。分类规则310可包括峰值受两个相邻谷值限制的规则。分类规则301可包括用于训练ANN 224的规则，该规则为：如果第一峰值相比第二峰值具有更长的持续时间，则第一峰值应当被标注为呼出。分类规则310可包括用于(例如，基于能量系数)将数据识别为与吸入或呼出相关联的能量阈值。该能量阈值可以是先前帧能量的移动平均数的一小部分。分类规则310可包括以下规则：如果分类器226将帧214中的数据识别为与吸入相关联，则分类器226应当输出值为[1,0]的分类228。分类规则310可包括以下规则：如果分类器226将帧214中的数据识别为与呼出相关联，则分类器226应当输出值为[0，1]的分类228。
在一些示例中，信号数据210中的吸入阶段相比个体帧214可具有更长的持续时间。因此，吸入阶段可延伸到多个帧214上。类似地，信号数据210中的呼出阶段相比个体帧214可具有更长的持续时间。因此，呼出阶段可延伸到多个帧214上。示例分类规则(一个或多个)310包括以下规则：包括具有超过特定阈值的能量的信号数据的连续帧214应当被分类为同一阶段。
基于由图3的示例训练器309进行的训练，ANN 224的分类器226关于呼吸阶段对各个帧214中的数据进行分类。如以上所公开的，分类器226分析输入特征系数217并生成针对每一帧214的指示数据是与吸入还是与呼出相关联的两个数字[x,y](其中x和y在0和1之间)。在一些示例中，分类器226分析用于具有类似能量系数(例如，对应于峰值的)的多个帧的[x,y]输出以确定信号数据(从其生成帧214)的呼吸阶段是吸入还是呼出。
在图2和3的示例中，虽然ANN 224的分类器226被训练成为吸入阶段输出[1，0]而为呼出阶段输出[0，1]，但在一些示例中，由于例如，数据中的噪声，分类器226为一个或多个帧214输入0到1之间的x和/或y值。例如，对于连续的第一、第二和第三帧214，分类器226可为第一帧输出[1，0]的值，为第二帧输出[0.8，0.2]的值，而为第三帧输出[0.9，1]的值。在此类示例中，后处理引擎230的分类验证器312确定各帧的x值的平均值(即，在本示例中为0.9)大于θ，其中θ位于区间[0.5，1]内(例如，θ＝0.7)，并且特别地，更靠近值1。分类验证器312确定各帧的y值的平均值(即，在本示例中为0.1)小于1-θ，并且特别地，更靠近0。基于x值的平均值更靠近1而y值的平均值更靠近0，后处理引擎230的分类验证器312将各帧的信号数据识别为与吸入阶段相关联(例如，基于指示输出[1，0]代表吸入阶段的分类规则(一个或多个)310)。在其他示例中，如果y值的平均值更靠近1>θ而x值的平均值小于1-θ，则按照指示数字[0，1]与呼出阶段相关联的示例分类规则310，分类验证器312确定各帧的信号数据与呼出阶段相关联。在一些示例中，如果x值的平均值和y值的平均值中的任一个都位于针对特定阈值θ的区间[1-θ,θ]内，则信号数据被认为指示非呼吸活动或未经训练的呼吸活动(例如，呼吸数据，针对该呼吸数据，ANN 224还未进行训练)。
因此，ANN 224的分类器226基于每个帧214中的信号数据(例如，基于诸如能量系数之类的特征系数217)以及按照分类规则310对ANN 224的训练来对呼吸阶段进行分类。然而，在一些示例中，尽管已对ANN 224进行训练，但分类器226还是会对帧214中的一个或多个帧的信号数据作出不正确的分类。例如，分类错误可起因于用户可能不会在每次收集数据时以完全相同的方式呼吸的事实。分类错误还可起因于用户的数据中的异常，诸如按照另一大体一致的呼吸间隔的吸入或呼出之间的持续时间的突然变化。
后处理引擎230的示例分类验证器312包括检测和纠正由ANN 224的分类器206生成的分类228中的错误。例如，为了检测分类错误，分类验证器312相对于另一个来评估用于多个帧214的[x，y]输出。如以上所公开的，对应于呼吸阶段的数据可延伸到两个或更多帧214上。例如，与吸入阶段相关联的峰值可延伸到十个连续帧(例如，第一帧、第二帧、第三帧等等)上。分类器226可为第一帧输出数字[1，0]，为第二帧输出数字[0，1]，而为剩余帧输出数字[1，0]。如上文所公开的，分类器226被训练以输出用于吸入的数字[1,0]。因此，分类器226确定，除了第二帧之外的所有帧的信号数据都与吸入阶段相关联。分类验证器312检测到对第二帧的分类(即，[0，1])与呼出阶段相关联。分类验证器312还识别到第二帧安置于第一帧和第三帧之间，第一帧和第三帧两者都被分类为与吸入阶段相关联。分类验证器312可分析第二帧中的信号数据的能量并确定该能量与第一和第三帧的能量类似。因此，分类验证器312确定对第二帧的阶段分配是不正确的。分类验证器312纠正对第二帧的数据的分类(例如，通过用纠正后的分类313来更新该分类)，以便用于第一、第二以及所有剩余帧的输出都对应于吸入阶段。分类验证器312基于例如，指示具有类似特性(例如，能量水平)的相邻帧与同一呼吸阶段相关联的分类规则(一个或多个)310来生成用于第二帧的纠正后的分类313。
基于在由分类器226生成的分类输出中检测到的错误，分类验证器312可确定ANN224需要在识别呼吸阶段方面被重新训练。在图3的示例中，如果ANN分类器输出[x，y]的x值的平均值或y值的平均值中的任一个位于针对特定重新训练阈值Ω(例如Ω>θ)的区间[1-Ω.Ω]内，则分类验证器312确定ANN 224需要被重新训练。换句话说，如果针对期望输出[1，0]，x值的平均值x为x≤Ω或y值的平均值y为y>1-Ω，或者针对期望输出[0，1]，x≥Ω或y<1-Ω，则分类验证器312确定ANN 224需要被重新训练。分类验证器312与训练器309通信以重新训练ANN 224。在一些示例中，训练器309基于与分类器226不正确地识别的呼吸阶段相关联的信号数据以及(例如，与紧接着的前一帧相关联的)用于先前识别的阶段的数据来重新训练ANN 224。在一些示例中，训练器309在重新训练期间使用存储在图2的数据缓冲器218中的数据，诸如针对用于重新训练ANN 224的信号数据识别的特征系数。
在一些示例中，分类验证器312确定ANN 224不能对信号数据210进行分类。例如，分类验证器312可检测超过(例如，由处理规则(一个或多个)302定义的)特定错误阈值的分类错误。在此类示例中，后处理引擎230检查信号数据的呼吸间隔值308以验证呼吸间隔值308满足呼吸间隔差异阈值并且因此，呼吸间隔大体一致。在图2和3的示例中，如果呼吸间隔并非大体一致，则训练器309不重新训练ANN 224。
图3的示例后处理引擎230包括呼吸间隔验证器314。如以上所公开的，包括吸入和呼出的一致的呼吸间隔可被上文中的式1(即，对于特定索引k，T(2k)–T(2k-2)＝T(2k-1)–T(2k-3)＝D(k))表示。然而，在一些示例中，由于峰值位置的估计错误和呼吸模式差异，呼吸间隔D(k)不相等。.在此类示例中，平滑呼吸间隔D(n)被使用和更新，使得对于每一个n：
D(n+1)＝(1-μ)*D(n)+μ*(T(n+2)-T(n))，其中n是当前样本索引且其中μ是小于1的特定正数并指示用于减少峰值位置的估计错误和呼吸模式差异的平滑因子(式2)。
在一些示例中，呼吸间隔验证器314确定，尽管去除了噪声，但以上式2中的限制(T(n+2)-T(n))不在特定(例如，预定义)阈值范围内。例如，如果|T(n+2)-T(n)-D(n)|大于(例如，由处理规则(一个或多个)302定义的)特定(例如，预定义)呼吸间隔差异阈值，则呼吸间隔验证器314设置错误标志316。错误标志316指示呼吸间隔并非大体一致，并且因此，ANN244不应被重新训练。在此类示例中，呼吸间隔验证器314指示呼吸速率分析器304监测峰值间隔数据223以识别呼吸间隔何时大体一致，并且因此信号数据适合被用于重新训练ANN224。
在图3的示例中，如果呼吸间隔验证器314设置了错误标志316，则与该错误标志相关联的数据不被用于重新训练ANN 224。如以上所公开的，关于教导ANN 224识别呼吸阶段，使用指示不一致呼吸模式的数据来训练ANN 224是无效的，这是由于该数据中的可变性。同样，噪声模式也不被用于训练ANN 224，因为ANN 224难以在噪声与呼吸之间进行区分，而这是由于噪声信号中的可变性。
示例后处理引擎230包括输出生成器318。输出生成器318基于对由ANN 224生成的分类228的回顾来生成呼吸阶段输出(一个或多个)232。例如，输出生成器318关于信号数据210中的吸入和呼出阶段的位置来生成输出232。在一些示例中，如果分类验证器312检测到由ANN 224生成的分类中的错误，则输出(一个或多个)232包括由分类验证器312作出的纠正后的分类。在一些示例中，输出(一个或多个)232包括用户的呼吸速率(例如，呼吸间隔的倒数或1/D(n))。
图4例示出示例图形400，包括由例如图2和3的呼吸阶段检测器116的示例高通滤波器206生成的过滤后信号数据402。如图4中所例示的，基于在大概120秒的时间段内从用户(例如，用户104)收集的鼻梁振动数据(例如，图2的振动信号数据200)来生成过滤后信号数据402。过滤后信号数据402包括指示由用户进行的吸入和呼出的呼吸活动数据404。
图5例示出示例图形500，包括根据图4的示例图形的过滤后信号数据402生成的帧(例如，帧214)的帧能量序列502。可由图2的示例呼吸阶段检测器116的特征提取器216基于为每个帧所确定的能量系数(例如，特征系数217)来生成示例帧能量序列502。图5的示例帧能量序列502可被图2的示例低通滤波器219过滤并被图2的示例峰值搜索器222用于生成峰值间隔数据223。
图6例示出示例图形600，包括图4的示例图形400的示例过滤后信号数据402在30-39秒之间的时间段内的一段。如图6所示，过滤后信号数据包括第一呼吸活动数据602、第二呼吸活动数据604、第三呼吸活动数据606以及第四呼吸活动数据608。如以上所公开的，用户典型地通过交替吸入和呼出来呼吸。在图6的示例中，第一呼吸活动数据602和第三呼吸活动数据606与与第一呼吸阶段(例如，吸入)相关联而第二呼吸活动数据604和第四呼吸活动数据608与第二呼吸阶段(例如，呼出)相关联。示例呼吸活动数据602、604、606、608还可被图3的示例呼吸速率分析器304用于基于例如，相邻吸入与呼出之间的持续时间，相对于呼吸间隔差异阈值来确定呼吸间隔是否大体一致。
图7是用于图6的第一呼吸活动数据602、第二呼吸活动数据604、第三呼吸活动数据606以及第四呼吸活动数据608的示例频谱700。可由图2的示例呼吸阶段检测器116基于由用于信号数据602、604、606、608的自相关操作确定的特征系数217来生成示例频谱700。频谱700的示例包括基于第一呼吸活动数据602的第一频谱数据702、基于第二呼吸活动数据604的第二频谱数据704、基于第三呼吸活动数据606的第三频谱数据706以及基于第四呼吸活动数据608的第四频谱数据708。
如图7所例示的，第一频谱数据702的形状和第三频谱数据706的形状大体类似，反映出第一呼吸活动数据602和第三呼吸活动数据606与相同的呼吸阶段相关联。同样如图7所例示的，第二频谱数据704的形状和第四频谱数据708的形状大体类似，反映出第二呼吸活动数据604和第四呼吸活动数据608与相同的呼吸阶段相关联。图2和3的示例ANN 224被训练来为第一呼吸活动数据602和第三呼吸活动数据606输出相同呼吸阶段分类228(例如，用于吸入的[1，0])并且为第二呼吸活动数据604和第四呼吸活动数据608输出相同呼吸阶段分类228(例如，用于呼出的[0，1])。ANN 224通过基于对频谱数据的分析生成输出(例如，用于吸入阶段的[1，0]和用于呼出阶段的[0，1])来对每个帧的频谱数据进行分类。如以上所公开的，后处理引擎230可通过比较用于连续帧的分类以确认分类一致来验证分类228。例如，图3的分类验证器312可验证基于第一呼吸活动数据602生成的输出与吸入阶段相关联(例如，[x,y]的x靠近1且[x,y]的y靠近0)。
尽管图1-3例示了实现示例呼吸阶段检测器116的示例方式，但是图1-3中所例示的元件、过程和/或设备中的一个或多个可以被组合、拆分、重新布置、省略、消除和/或以任何其他方式实现。此外，示例A/D转换器204、示例高通滤波器206、示例信号分割器212、示例特征提取器216、示例数据缓冲器218、示例低通滤波器219、示例峰值搜索器222、示例ANN224、示例分类器226、示例后处理引擎230、示例数据库300、示例呼吸速率分析器304、示例训练器309、示例分类验证器312、示例呼吸间隔验证器314、示例输出生成器318和/或更一般地，图1-3的示例呼吸阶段检测器116可通过硬件、软件、固件和/或硬件、软件和/或固件的任意组合来实现。因此，例如，示例A/D转换器204、示例高通滤波器206、示例信号分割器212、示例特征提取器216、示例数据缓冲器218、示例低通滤波器219、示例峰值搜索器222、示例ANN 224、示例分类器226、示例后处理引擎230、示例数据库300、示例呼吸速率分析器304、示例训练器309、示例分类验证器312、示例呼吸间隔验证器314、示例输出生成器318和/或更一般地，图1-3的示例呼吸阶段检测器116中的任一者可通过一个或多个模拟或数字电路、逻辑电路、可编程处理器、专用集成电路(ASIC)、可编程逻辑器件(PLD)和/或现场可编程逻辑器件(FPLD)来实现。当将本专利的装置或系统权利要求中的任一项理解为涵盖纯软件和/或固件实现时，示例A/D转换器204、示例高通滤波器206、示例信号分割器212、示例特征提取器216、示例数据缓冲器218、示例低通滤波器219、示例峰值搜索器222、示例ANN224、示例分类器226、示例后处理引擎230、示例呼吸速率分析器304、示例训练器309、示例分类验证器312、示例呼吸间隔验证器314、示例输出生成器318和/或更一般地，示例呼吸阶段检测器116中的至少一者在此被清楚地限定为包括存储该软件和/或固件的诸如存储器、数字多功能盘(DVD)、光盘(CD)、蓝光盘等非瞬态计算机可读存储设备或存储盘。此外，图1-3的示例呼吸阶段检测器116可包括附加于或替代图3中所例示的那些的一个或多个元件、过程和/或设备，和/或可包括任意或所有被例示出的元件、过程和/或设备中的多于一个。
图8示出表示用于实现图1-3的示例系统100的示例机器可读指令的流程图。在本示例中，机器可读指令包括用于被诸如联系图9在下文所讨论的示例处理器平台900中示出的处理器114之类的一个或多个处理器执行的程序。程序可以被具体化在存储于诸如CD-ROM、软盘、硬驱动器、数字多功能盘(DVD)、蓝光盘或与处理器114关联的存储器之类的非瞬态计算机可读存储介质上的软件里，但是全部和/或部分程序可以替代地由除处理器114之外的器件执行，和/或可以具体化在固件或专用硬件里。此外，虽然参考图8所例示的流程图描述了示例程序，但是可替代地使用实现示例系统100和/或其组件的许多其他方法。例如，各个框的执行次序可以改变，和/或所描述的一些框可以被改变、消除、或组合。
如上文所述，可以使用存储于非瞬态计算机可读存储介质上的被编码的指令(例如，计算机和/或机器可读指令)来实现图8的示例过程，非瞬态计算机可读存储介质诸如：硬盘驱动器、闪存、只读存储器(ROM)、压缩盘(CD)、数字多功能盘(DVD)、高速缓存、随机存取存储器(RAM)和/或将信息存储于其中持续任何时长(例如，在扩展时间段内、永久地、在简短的实例期间、在临时缓冲期间和/或信息缓存期间)的任何其他存储设备或存储盘。如本文中所使用的，术语非瞬态计算机可读存储介质摂被明确地定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播的信号以及排除传输介质。如本文中所使用的，“非瞬态计算机可读存储介质”和“非瞬态机器可读存储介质”可互换地使用。如本文所使用的那样，当短语“至少”被用作权利要求的前序部分中的过渡词时，其和术语“包括”是开放式的一样，是开放式的。
图8是示例机器可读指令的流程图，该示例机器可读指令在被执行时，使图1、2和/或3的示例呼吸阶段检测器116基于从主体(例如，图1的用户104)收集的鼻梁振动数据来检测呼吸阶段。在图8的示例中，鼻梁振动数据可由穿戴包括用于生成振动数据的传感器(一个或多个)(例如，传感器(一个或多个)106)的头戴式设备的主体生成。图8的示例指令可由图1-3的第二处理单元114来执行。图8的指令中的一个或多个可由图1和2的HMD 102的第一处理单元112来执行。
图8的示例使用图2-3的先前训练的人工神经网络(ANN)224来检测从主体收集的鼻梁振动数据200中的呼吸阶段(框800)。ANN 224被图3的训练器309训练以基于充当到ANN224的输入的特征系数217(例如，包括信号能量)以及用于对数据进行分类的一个或多个分类规则310(基于特定(例如，预定)能量阈值，关于对连续帧的分类的规则等等)来识别信号数据中的呼吸阶段。在图8的示例中，使用基于呼吸间隔差异阈值来指示主体的大体一致的呼吸间隔(例如，吸入或呼出之间的大体一致的间隔)的信号数据来训练ANN 224。
在图8的示例中，图2-3的示例呼吸阶段检测器116处理使用传感器(一个或多个)106从主体收集以及经由例如，HMD 102的第一处理单元112在第二处理单元114处接收的鼻梁振动数据200。(框802)例如，图1-2的示例第一处理单元112的A/D转换器204将原始振动信号数据200转换成数字信号数据。图2的示例呼吸阶段检测器116的高通滤波器206基于一个或多个过滤规则208来过滤数字信号数据以去除例如，因用户作出的运动造成的数据中的低频分量。高通滤波器206生成过滤后信号数据210。示例信号分割器212基于例如，特定(例如，100ms)时间间隔将过滤后信号数据210分割成多个帧214。
图2-3的示例呼吸阶段检测器116的特征提取器216从针对帧214中的每一个帧的过滤后信号数据210确定特征系数217(例如，包括信号能量)(框804)。示例特征提取器216使用一个或多个信号处理操作(例如，自相关)来确定系数217。在一些示例中，系数被存储在数据缓冲器218中以训练ANN 224。
在图8的示例中，提供特征系数217作为对ANN 224的输入。图2和3的示例ANN 224的分类器226基于对ANN 224的训练来将呼吸阶段分类分配给信号数据(框806)。分类器226为帧214生成分类228，分类228将帧214中的信号数据分配成与吸入、呼出或非呼吸活动(例如，噪声)相关联。在一些示例中，分类器226输出0和1之间的两个数字(例如,[x,y])作为对帧214的分类228。在一些此类示例中，后处理引擎230的分类验证器312确定被分配给两个或更多连续帧214的x和y值的各自的平均值以通过比较x和y值的各自的平均值与特定阈值θ来对包括如与吸入或呼出相关联的峰值的呼吸活动(具有跨诸个帧的长度的呼吸活动)进行分类(例如，如果x值的平均值x大于θ(并且，尤其更靠近值1)而y值的平均值y小于1-θ(并且，尤其更靠近值0)，则分类验证器312确定帧与吸入相关联)。
同样，在图8的示例中，由图2的特征提取器216确定的帧214的能量系数被图2的示例低通滤波器219低通过滤(框808)。低通滤波器219基于该过滤来生成帧能量数据220(例如，频谱能量数据)。
在图8的示例中，峰值搜索器222分析帧能量数据220以识别信号数据210中的峰值(框810)。峰值搜索器222生成包括信号数据210中的峰值位置的峰值间隔数据223。
在图8的示例中，图2和3的示例后处理引擎230的呼吸速率分析器304分析峰值间隔数据223以确定主体的呼吸速率306和呼吸间隔值(一个或多个)308(框812)。例如，呼吸速率分析器304可基于呼吸速率306的倒数或每分钟呼吸的次数来确定呼吸间隔值(一个或多个)308(例如，两相邻吸入或两相邻呼出之间的时间)。
图8的示例包括对是否将标志设置成关于对信号数据进行分类而训练ANN 224的确定(框814)。训练标志可由例如，后处理引擎230(例如，训练器309)来设置。
在图8的示例中，图2和3的示例后处理引擎230验证由图2和3的示例ANN 224的分类器226生成的分类(一个或多个)228。例如，后处理引擎230的分类验证器312基于存储在图2和3的后处理引擎230的数据库300中的处理规则(一个或多个)302和/或分类规则(一个或多个)310来验证分类(一个或多个)228。分类验证器312识别用于帧214的分类输出中的任何错误，诸如位于两个帧之间的帧的数据的指示呼出(例如，[0,1])的输出包括被分类为与吸入([1,0])相关联的数据。在一些示例中，如果检测到错误(一个或多个)，则分类验证器312纠正该分类(一个或多个)(例如，通过用纠正后的分类(一个或多个)313更新分类(一个或多个)228)。
在图8的示例中，分类验证器312相对于重新训练参考阈值Ω来分析由ANN分类器328输出的值的每一个(例如，x和y值)的平均值(框818)。在图8的示例中，如果ANN分类器输出[x，y]的x值的平均值或y值的平均值中的任一个位于针对特定重新训练阈值Ω(例如Ω>θ)的区间[1-Ω.Ω]内，则分类验证器312确定ANN 224需要被重新训练。
在图8的示例中，如果分类验证器312确定ANN分类器输出[x，y]的x值的平均值或y值的平均值中的任一个位于区间[1-Ω.Ω]内，则分类验证器确定重新训练阈值已被满足并且ANN 224需要被重新训练。如果分类验证器312确定ANN 224需要被重新训练，则示例后处理引擎230的训练器309将标志设置为指示ANN 224需要被重新训练(框820)。
在图8的示例中，如果分类验证器312确定x值的平均值或y值的平均值不在区间[1-Ω.Ω]内，则输出生成器318生成呼吸阶段输出(一个或多个)232(框822)。呼吸阶段输出(一个或多个)232可经由例如，与第二处理单元114相关联的或者，在一些示例中，与HMD102相关联的呈现设备234来显示。呼吸阶段输出(一个或多个)232可包括信号数据中吸入和呼出呼吸阶段的位置和/或主体的呼吸速率。在一些示例中，如果检测到错误，则对吸入和呼出呼吸阶段的识别基于由分类验证器312进行的对分类228的纠正。
在图8的示例中，如果ANN训练标志被设置(框814)，并且如果呼吸间隔验证器314确认信号数据包括大体一致的呼吸间隔(框824)，则经由后处理引擎230的训练器309来训练ANN 224(框826)。如果呼吸间隔值满足特定呼吸间隔差异阈值，则呼吸间隔验证器314确定呼吸间隔大体一致。如果呼吸间隔验证器314确定呼吸间隔并非大体一致，则示例后处理引擎230不使用该呼吸间隔数据重新训练ANN 224。示例呼吸速率分析器304监测信号数据以识别数据何时反映适用于(重新)训练ANN 224的大体一致的呼吸间隔并在大体一致的呼吸间隔被识别时返回到训练ANN 224。
在图8的示例中，后处理引擎230的训练器309使用例如，被不正确地分类的帧的数据和被正确地分类的先前帧(例如，紧接着的前一帧)的数据重新训练ANN 224识别呼吸阶段。在一些示例中，训练器309使用存储在图2的数据缓冲器218中的帧的特征系数217来重新训练ANN 224。
图8的示例继续训练ANN 224直到确定完成对ANN 224的训练(框828)。如果完成了ANN的训练，则训练器309重置ANN训练标志(框830)。图8的示例继续监测由图1-3的呼吸阶段检测器116接收的鼻梁振动数据。当完成和/或需要训练ANN 224并识别鼻梁振动数据中的呼吸阶段时，图8的示例指令可被反复重新实现。
图9是能够执行图8的指令以实现图1、2和/或3的示例呼吸阶段检测器116的示例处理器平台900的框图。处理器平台900可以是例如服务器、个人计算机、移动设备(例如，蜂窝电话、智能电话、诸如iPadTM之类的平板)、个人数字助理(PDA)、因特网设备、诸如眼镜之类的可穿戴设备或任何其他类型的计算设备。
所例示的示例中的处理器平台900包括处理器114。所例示的示例的处理器114是硬件。例如，处理器114可以由来自任何所期望的家族或制造商的一个或多个集成电路、逻辑电路、微处理器或控制器实现。在此示例中，处理器114实现呼吸阶段检测器116及其组件(例如，示例A/D转换器204、示例高通滤波器206、示例信号分割器212、示例特征提取器216、示例数据缓冲器218、示例低通滤波器219、示例峰值搜索器222、示例ANN 224、示例分类器226、示例后处理引擎230、示例呼吸速率分析器304、示例训练器309、示例分类验证器312、示例呼吸间隔验证器314、示例输出生成器318)。
所例示的示例的处理器114包括本地存储器913(例如，高速缓存)。所例示的示例中的处理器114经由总线914与包括易失性存储器916和非易失性存储器918的主存储器通信。易失性存储器914可以通过同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或任何其他类型的随机存取存储器设备实现。非易失性储存器916可以由闪存和/或其他任何所期望类型的存储器设备实现。存储器控制器控制对主存储器914、916的访问。呼吸阶段检测器116的数据缓冲器218和数据库300可通过主存储器414、416来实现。
所例示的示例中的处理器平台900还包括接口电路920。接口电路920可以由任何类型的接口标准实现，例如以太网接口、通用串行总线(USB)和/或PCI快速接口。
在所例示的示例中，将一个或多个输入设备922连接到接口电路920。输入设备(一个或多个)922允许用户将数据和命令输入到处理器114。输入设备(一个或多个)可以由例如音频传感器、话筒、相机(静态或视频)、键盘、按钮、鼠标、触屏、轨迹板、轨迹球、等点鼠标(isopoint)和/或语音识别系统实现。
将一个或多个输出设备234、924也连接到所例示的示例中的接口电路920。输出设备234、924可以由例如显示设备(例如，发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触屏、触觉输出设备、打印机和/或扬声器)实现。因此，所例示的示例中的接口电路920通常包括图形驱动器卡、图形驱动器芯片或图形驱动器处理器。
所例示的示例中的接口电路920还包括诸如发射机、接收机、收发机、调制解调器和/或网络接口卡之类的通信设备，以便于经由网络926(例如，以太网连接、数字用户线路(DSL)、电话线、同轴电缆、蜂窝电话系统等)与外部机器(例如，任何种类的计算设备)交换数据。
所例示的示例中的处理器平台900还包括一个或多个用于存储软件和/或数据的大容量存储设备928。此类大容量存储设备928的示例包括软盘驱动器、硬盘驱动器、光盘驱动器、蓝光盘驱动器、RAID系统和数字多功能盘(DVD)驱动器。
图8中的被编码的指令932可被存储在大容量存储设备928、易失性存储器914、非易失性存储器916、本地存储器913和/或诸如CD或DVD之类的可移动非瞬态计算机可读存储介质中。
从以上所述，将理解，基于经由例如，诸如眼镜的头戴式设备从用户收集的鼻梁振动数据来检测呼吸阶段(例如，吸入和呼出)的方法、系统和装置已被公开。所公开的示例利用自学习人工神经网络(ANN)以基于从用户收集的振动信号数据的一个或多个特征(例如，能量水平)来检测呼吸阶段。所公开的示例过滤该数据以去除由例如，由用户作出的运动产生的噪声。关于对ANN的训练以及ANN对用户呼吸模式的识别，所公开的示例使用指示大体一致的呼吸间隔的数据训练ANN使得ANN改善效率和/或减少错误。所公开的示例对由ANN生成的呼吸阶段分类进行后处理以验证该分类，并在需要时纠正该分类，并且根据例如，呼吸信号数据中的变化来确定ANN是否需要被重新训练。因此，所公开的示例智能地并适应性地检测用户的呼吸阶段。
本文公开了基于鼻梁振动数据检测呼吸阶段的示例方法、装置、系统和制品。以下是本文所公开的示例的非排他性列表。以上可包括其他示例。另外，本文所公开的示例中的任一个可被整体或部分考虑，和/或以其他方式进行修改。
示例1包括一种装置，该装置用于分析经由传感器从主体的鼻梁收集的振动信号数据以减少使用该振动信号数据训练人工神经网络时的错误。该装置包括特征提取器，该特征提取器用于确定振动信号数据的特征系数，人工神经网络用于基于特征系数为振动信号数据生成呼吸阶段分类。该装置包括分类验证器，用于验证呼吸阶段分类；以及输出生成器，用于基于该验证生成呼吸阶段输出。
示例2包括示例1所限定的装置，进一步包括呼吸速率分析器，用于确定振动信号数据的呼吸间隔并将呼吸间隔与呼吸间隔差异阈值进行比较。该装置包括训练器，所述训练器用于在呼吸间隔满足呼吸间隔差异阈值时训练人工神经网络。
示例3包括示例2所限定的装置，其中呼吸阶段分类包括第一值和第二值，并且其中，所述训练器用于在振动信号数据的至少两个呼吸阶段分类的第一值的平均值或振动信号数据的至少两个呼吸阶段分类的第二值的平均值满足重新训练阈值时训练人工神经网络。
示例4包括示例1或2所限定的装置，其中特征系数包括振动信号数据的信号能量。
示例5包括示例1或2所限定的装置，其中呼吸阶段输出是吸入或呼出中的一个。
示例6包括示例1所限定的装置，其中呼吸阶段分类是第一呼吸阶段分类。人工神经网络用于为振动信号数据的第一帧生成第一呼吸阶段分类，并且分类验证器用于相对于对振动信号数据的第二帧的第二呼吸阶段分类验证第一呼吸阶段分类。
示例7包括示例6所限定的装置，进一步包括低通滤波器，该低通滤波器用于过滤特征系数以生成帧能量序列。
示例8包括示例7所限定的装置，进一步包括峰值搜索器，该峰值搜索器用于基于帧能量序列识别振动数据中的峰值。
示例9包括示例6所限定的装置，其中分类验证器用于在第一呼吸阶段分类与吸入相关联而第二呼吸阶段分类与呼出相关联时检测错误。该第一帧和该第二帧是连续帧。
示例10包括示例9所限定的装置，其中第一帧的振动信号数据的能量和第二帧的振动数据的能量满足移动平均数帧能量阈值。
示例11包括示例1、2或6中任一项所限定的装置，进一步包括训练器，该训练器用于基于呼吸阶段输出训练人工神经网络。
示例12包括示例11所限定的装置，进一步包括数据缓冲器，该数据缓冲器用于存储特征系数。训练器基于与呼吸阶段输出相关联的特征系数进一步训练人工神经网络。
示例13包括示例1所限定的装置，进一步包括呼吸间隔验证器，该呼吸间隔验证器用于检测振动信号数据的呼吸间隔是否满足呼吸间隔差异阈值，并且其中如果分类验证器检测到呼吸阶段分类中的错误而呼吸间隔验证器确定呼吸间隔满足呼吸间隔差异阈值，则分类验证器生成用于使人工神经网络被重新训练的指令。
示例14包括示例13所限定的装置，其中分类验证器通过用纠正后的呼吸阶段分类更新呼吸阶段分类来纠正该呼吸阶段分类。呼吸阶段输出包括纠正后的呼吸阶段分类。
示例15包括示例13所限定的装置，进一步包括训练器，该训练器用于基于指令来训练人工神经网络。
示例16包括示例15所限定的装置，其中如果振动信号数据不满足呼吸间隔差异阈值，则训练器抑制对人工神经网络的训练。
示例17包括示例1所限定的装置，进一步包括信号分割器，该信号分割器用于将振动信号数据划分成帧。人工神经网络为帧中的每一个生成各自的呼吸阶段分类。
示例18包括一种方法，该方法用于分析经由传感器从主体的鼻梁收集的振动信号数据。该方法包括通过用处理器执行指令来确定振动信号数据的特征系数。该方法包括通过用处理器执行指令来基于特征系数为振动信号数据生成呼吸阶段分类。该方法包括通过用处理器执行指令来验证呼吸阶段分类。该方法包括通过用处理器执行指令来基于验证生成呼吸阶段输出。
示例19包括示例18所限定的方法，进一步包括确定振动信号数据的呼吸间隔，将呼吸间隔与呼吸间隔差异阈值进行比较，以及如果呼吸间隔满足呼吸间隔差异阈值，则训练人工神经网络以生成呼吸阶段分类。
示例20包括示例19所限定的方法，其中呼吸阶段分类包括第一值和第二值。该方法进一步包括如果振动信号数据的至少两个呼吸阶段分类的第一值的平均值或振动信号数据的至少两个呼吸阶段分类的第二值的平均值满足重新训练阈值，则训练人工神经网络。
示例21包括示例18或19所限定的方法，其中特征系数包括振动信号数据的信号能量。
示例22包括示例18或19所限定的方法，其中呼吸阶段输出是吸入或呼出中的一个。
示例23包括示例18所限定的方法，其中呼吸阶段分类是第一呼吸阶段分类，并且进一步包括为振动信号数据的第一帧生成第一呼吸阶段分类，以及相对于对振动信号数据的第二帧的第二呼吸阶段分类验证第一呼吸阶段分类。
示例24包括示例23所限定的方法，进一步包括过滤特征系数以生成帧能量序列。
示例25包括示例24所限定的方法，进一步包括基于帧能量序列识别振动数据中的峰值。
示例26包括示例23所限定的方法，进一步包括如果第一呼吸阶段分类与吸入相关联而第二呼吸阶段分类与呼出相关联，则检测错误。该第一帧和该第二帧是连续帧。
示例27包括示例26所限定的方法，其中第一帧的振动信号数据的能量和第二帧的振动数据的能量满足移动平均数帧能量阈值。
示例28包括示例18、19或23中任一项所限定的装置，进一步包括基于呼吸阶段输出训练人工神经网络。
示例29包括示例18所限定的方法，进一步包括确定振动信号数据的呼吸间隔是否满足呼吸间隔差异阈值，以及如果在呼吸阶段分类中检测到错误并且如果呼吸间隔满足呼吸间隔差异阈值，则生成用于使人工神经网络被训练的指令。
示例30包括示例29所限定的方法，进一步包括通过用纠正后的呼吸阶段分类更新呼吸阶段分类来纠正该呼吸阶段分类。呼吸阶段输出包括纠正后的呼吸阶段分类。
示例31包括示例29所限定的方法，基于指令来训练人工神经网络。
示例32包括示例18所限定的方法，进一步包括将振动信号数据划分成帧以及为帧中的每一个生成各自的呼吸阶段分类。
示例33包括一种计算机可读存储介质，该计算机可读存储介质包括被执行时使机器至少进行以下操作的指令：确定经由传感器从主体的鼻梁收集的振动信号数据的特征系数，基于特征系数为振动信号数据生成呼吸阶段分类，验证呼吸阶段分类，以及基于验证生成呼吸阶段输出。
示例34包括示例33所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器：为振动信号数据确定呼吸间隔，将呼吸间隔与呼吸间隔差异阈值进行比较，以及如果呼吸间隔满足呼吸间隔差异阈值，则训练人工神经网络以生成呼吸阶段分类。
示例35包括示例34所限定的计算机可读存储介质，其中呼吸阶段分类包括第一值和第二值，并且其中指令在被执行时，进一步使机器学习以进行以下操作：如果振动信号数据的至少两个呼吸阶段分类的第一值的平均值或振动信号数据的至少两个呼吸阶段分类的第二值的平均值满足重新训练阈值，则生成呼吸阶段分类。
示例36包括示例33或34所限定的计算机可读存储介质，其中特征系数包括振动信号数据的信号能量。
示例37包括示例33或34所限定的计算机可读存储介质，其中呼吸阶段输出是吸入或呼出中的一个。
示例38包括示例33所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器：为振动信号数据的第一帧生成第一呼吸阶段分类，以及相对于对振动信号数据的第二帧的第二呼吸阶段分类验证第一呼吸阶段分类。
示例39包括示例38所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器：过滤特征系数以生成帧能量序列。
示例40包括示例39所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器：基于帧能量序列识别振动数据中的峰值。
示例41包括示例38所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器进行以下操作：如果第一呼吸阶段分类与吸入相关联而第二呼吸阶段分类与呼出相关联，则检测错误。该第一帧和该第二帧是连续的。
示例42包括示例41所限定的计算机可读存储介质，其中第一帧的振动信号数据的能量和第二帧的振动数据的能量满足移动平均数帧能量阈值。
示例43包括示例33、34或38中任一项所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器学习以基于呼吸阶段输出生成呼吸阶段分类。
示例44包括示例33所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器：确定振动信号数据的呼吸间隔是否满足呼吸间隔差异阈值，检测呼吸阶段分类中的错误，以及如果检测到错误并且如果呼吸间隔满足呼吸间隔差异阈值，则学习以生成呼吸阶段分类。
示例45包括示例44所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器：通过用纠正后的呼吸阶段分类更新呼吸阶段分类来纠正该呼吸阶段分类，呼吸阶段输出包括纠正后的呼吸阶段分类。
示例46包括示例33所限定的计算机可读存储介质，其中指令在被执行时，进一步使机器：将振动信号数据划分成帧并且为帧中的每一个生成各自的呼吸阶段分类。
示例47包括一种设备，包括：用于识别第一鼻梁振动数据中的第一呼吸阶段的装置，用于训练用于识别的装置识别第一鼻梁振动数据中的第一呼吸阶段的装置，以及用于验证由用于识别的装置识别的第一呼吸阶段的装置。用于训练的装置将基于由用于验证的装置作出的对第一呼吸阶段的验证来训练用于识别的装置，用于识别的装置基于训练和验证来识别第二鼻梁振动数据中的第二呼吸阶段。
示例48包括示例47所限定的设备，其中用于识别的装置包括人工神经网络。
示例49包括设备，该设备包括用于确定振动信号数据的特征系数的装置，用于基于特征系数为振动信号数据生成呼吸阶段分类的装置，用于验证呼吸阶段分类的装置，以及用于基于验证生成呼吸阶段输出的装置。
示例50包括示例49所限定的设备，其中用于生成呼吸阶段分类的装置包括人工神经网络。
尽管本文已公开了某些示例方法、装置和制品，但本专利覆盖的范围并不限于此。相反，本专利覆盖落入本专利权利要求范围内的全部方法、装置和制品。

Claims (25)

1.一种装置，所述装置用于分析经由传感器从主体的鼻梁收集的振动信号数据以减少使用所述振动信号数据训练人工神经网络时的错误，所述装置包括：
特征提取器，所述特征提取器用于确定所述振动信号数据的特征系数，所述人工神经网络用于基于所述特征系数为所述振动信号数据生成呼吸阶段分类；
分类验证器，所述分类验证器用于验证所述呼吸阶段分类；以及
输出生成器，所述输出生成器用于基于所述验证生成呼吸阶段输出。
2.如权利要求1所述的装置，其特征在于，进一步包括：
呼吸速率分析器，所述呼吸速率分析器用于：
确定所述振动信号数据的呼吸间隔；以及
将所述呼吸间隔与呼吸间隔差异阈值进行比较；以及
训练器，所述训练器用于在所述呼吸间隔满足所述呼吸间隔差异阈值时训练所述人工神经网络。
3.如权利要求2所述的装置，其特征在于，所述呼吸阶段分类包括第一值和第二值，并且其中，所述训练器用于在所述振动信号数据的至少两个呼吸阶段分类的第一值的平均值或所述振动信号数据的至少两个呼吸阶段分类的第二值的平均值满足重新训练阈值时训练所述人工神经网络。
4.如权利要求1或2所述的装置，其特征在于，所述特征系数包括振动信号数据的信号能量。
5.如权利要求1或2所述的装置，其特征在于，所述呼吸阶段输出是吸入或呼出中的一个。
6.如权利要求1所述的装置，其特征在于，所述呼吸阶段分类是第一呼吸阶段分类，所述人工神经网络用于为所述振动信号数据的第一帧生成所述第一呼吸阶段分类，并且所述分类验证器用于相对于对所述振动信号数据的第二帧的第二呼吸阶段分类验证所述第一呼吸阶段分类。
7.如权利要求6所述的装置，其特征在于，进一步包括低通滤波器，所述低通滤波器用于过滤所述特征系数以生成帧能量序列。
8.如权利要求7所述的装置，其特征在于，进一步包括峰值搜索器，所述峰值搜索器用于基于所述帧能量序列识别所述振动数据中的峰值。
9.如权利要求6所述的装置，其特征在于，所述分类验证器用于在所述第一呼吸阶段分类与吸入相关联而所述第二呼吸阶段分类与呼出相关联时检测错误，所述第一帧和所述第二帧是连续帧。
10.如权利要求9所述的装置，其特征在于，所述第一帧的振动信号数据的能量和所述第二帧的振动数据的能量满足移动平均数帧能量阈值。
11.如权利要求1、2或6中任一项所述的装置，其特征在于，进一步包括训练器，所述训练器用于基于所述呼吸阶段输出训练所述人工神经网络。
12.如权利要求11所述的装置，其特征在于，进一步包括数据缓冲器，所述数据缓冲器用于存储所述特征系数，所述训练器基于与所述呼吸阶段输出相关联的所述特征系数进一步训练所述人工神经网络。
13.如权利要求1所述的装置，其特征在于，进一步包括呼吸间隔验证器，所述呼吸间隔验证器用于确定所述振动信号数据的呼吸间隔是否满足呼吸间隔差异阈值，并且其中如果所述分类验证器检测到呼吸阶段分类中的错误而所述呼吸间隔验证器确定所述呼吸间隔满足所述呼吸间隔差异阈值，则所述分类验证器生成用于使所述人工神经网络被重新训练的指令。
14.如权利要求13所述的装置，其特征在于，所述分类验证器通过用纠正后的呼吸阶段分类更新所述呼吸阶段分类来纠正所述呼吸阶段分类，所述呼吸阶段输出包括所述纠正后的呼吸阶段分类。
15.如权利要求13所述的装置，其特征在于，进一步包括训练器，所述训练器用于基于所述指令来训练所述人工神经网络。
16.如权利要求15所述的装置，其特征在于，如果所述振动信号数据不满足所述呼吸间隔差异阈值，则所述训练器抑制对所述人工神经网络的训练。
17.如权利要求1所述的装置，其特征在于，进一步包括信号分割器，所述信号分割器用于将所述振动信号数据划分成帧，所述人工神经网络为所述帧中的每一个生成各自的呼吸阶段分类。
18.一种方法，所述方法用于分析经由传感器从主体的鼻梁收集的振动信号数据，所述方法包括：
通过用处理器执行指令来确定所述振动信号数据的特征系数；
通过用所述处理器执行指令来基于所述特征系数为所述振动信号数据生成呼吸阶段分类；
通过用所述处理器执行指令来验证所述呼吸阶段分类；以及
通过用所述处理器执行指令来基于所述验证生成呼吸阶段输出。
19.如权利要求18所述的方法，其特征在于，进一步包括：
确定所述振动信号数据的呼吸间隔；
将所述呼吸间隔与呼吸间隔差异阈值进行比较；以及
如果所述呼吸间隔满足所述呼吸间隔差异阈值，则训练人工神经网络以生成所述呼吸阶段分类。
20.如权利要求19所述的方法，其特征在于，所述呼吸阶段分类包括第一值和第二值，并且进一步包括：如果所述振动信号数据的至少两个呼吸阶段分类的第一值的平均值或所述振动信号数据的至少两个呼吸阶段分类的第二值的平均值满足重新训练阈值，则训练所述人工神经网络。
21.如权利要求18所述的方法，其特征在于，所述呼吸阶段分类是第一呼吸阶段分类，并且进一步包括：
为所述振动信号数据的第一帧生成第一呼吸阶段分类；以及
相对于对所述振动信号数据的第二帧的第二呼吸阶段分类验证所述第一呼吸阶段分类。
22.如权利要求21所述的方法，其特征在于，进一步包括：如果所述第一呼吸阶段分类与吸入相关联而所述第二呼吸阶段分类与呼出相关联，则检测错误，所述第一帧和所述第二帧是连续帧。
23.如权利要求18、19或21中任一项所述的方法，其特征在于，进一步包括基于所述呼吸阶段输出训练人工神经网络。
24.一种计算机可读存储介质，所述计算机可读存储介质包括被执行时使机器至少进行以下操作的指令：
确定经由传感器从主体的鼻梁收集的振动信号数据的特征系数；
基于所述特征系数为所述振动信号数据生成呼吸阶段分类；
验证所述呼吸阶段分类；以及
基于所述验证生成呼吸阶段输出。
25.一种设备，包括：
用于确定振动信号数据的特征系数的装置；
用于基于所述特征系数为所述振动信号数据生成呼吸阶段分类的装置；
用于验证所述呼吸阶段分类的装置；以及
用于基于所述验证生成呼吸阶段输出的装置。
CN201810219740.2A 2017-04-18 2018-03-16 用于检测呼吸阶段的方法、系统和装置 Pending CN108720837A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/490,251 2017-04-18
US15/490,251 US20180296125A1 (en) 2017-04-18 2017-04-18 Methods, systems, and apparatus for detecting respiration phases

Publications (1)

Publication Number Publication Date
CN108720837A true CN108720837A (zh) 2018-11-02

Family

ID=63678844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810219740.2A Pending CN108720837A (zh) 2017-04-18 2018-03-16 用于检测呼吸阶段的方法、系统和装置

Country Status (3)

Country Link
US (1) US20180296125A1 (zh)
CN (1) CN108720837A (zh)
DE (1) DE102018204868A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110353686A (zh) * 2019-08-07 2019-10-22 浙江工业大学 一种基于呼吸检测的太极教学辅助设备
CN111012306A (zh) * 2019-11-19 2020-04-17 南京理工大学 基于双神经网络的睡眠呼吸声检测方法及系统
CN112754534A (zh) * 2021-01-16 2021-05-07 安徽乐众生医疗科技有限公司 一种呼气式二氧化碳采集装置
TWI744887B (zh) * 2020-04-30 2021-11-01 亞達科技股份有限公司 空氣防護系統與空氣防護方法
CN114403847A (zh) * 2021-12-17 2022-04-29 中南民族大学 基于腹部和肺部数据相关性的呼吸状态检测方法及系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11006875B2 (en) 2018-03-30 2021-05-18 Intel Corporation Technologies for emotion prediction based on breathing patterns
DE102019208903A1 (de) * 2019-06-12 2020-12-17 Siemens Healthcare Gmbh Bereitstellen eines Ausgabesignals mittels einer berührungssensitiven Eingabeeinheit und Bereitstellen einer trainierten Funktion
EP3906853A1 (en) * 2020-05-05 2021-11-10 Withings Method and device to determine sleep apnea of a user
US20230023344A1 (en) * 2021-07-21 2023-01-26 Meta Platforms Technologies, Llc Bio-sensor system for monitoring tissue vibration
US20250078202A1 (en) * 2023-08-30 2025-03-06 Qualcomm Incorporated Image detail recovery using high frequency and low frequency image data

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4520238A (en) * 1982-11-16 1985-05-28 Pilot Man-Nen-Hitsu Kabushiki Kaisha Pickup device for picking up vibration transmitted through bones
US6192273B1 (en) * 1997-12-02 2001-02-20 The Cleveland Clinic Foundation Non-programmable automated heart rhythm classifier
US6290654B1 (en) * 1998-10-08 2001-09-18 Sleep Solutions, Inc. Obstructive sleep apnea detection apparatus and method using pattern recognition
US20040260550A1 (en) * 2003-06-20 2004-12-23 Burges Chris J.C. Audio processing system and method for classifying speakers in audio data
US20060079799A1 (en) * 2001-05-23 2006-04-13 Green Paul A Ventilator patient synchronization
US20100076322A1 (en) * 2008-09-19 2010-03-25 Shrivastav Maneesh A Method and apparatus for determining a respiration parameter in a medical device
US20120158620A1 (en) * 2010-12-16 2012-06-21 Microsoft Corporation Human-assisted training of automated classifiers
US20140155773A1 (en) * 2012-06-18 2014-06-05 Breathresearch Methods and apparatus for performing dynamic respiratory classification and tracking
WO2015138474A1 (en) * 2014-03-10 2015-09-17 Zst Holdings, Inc. Non-invasive systems and methods for identifying respiratory disturbances experienced by a subject

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4520238A (en) * 1982-11-16 1985-05-28 Pilot Man-Nen-Hitsu Kabushiki Kaisha Pickup device for picking up vibration transmitted through bones
US6192273B1 (en) * 1997-12-02 2001-02-20 The Cleveland Clinic Foundation Non-programmable automated heart rhythm classifier
US6290654B1 (en) * 1998-10-08 2001-09-18 Sleep Solutions, Inc. Obstructive sleep apnea detection apparatus and method using pattern recognition
US20060079799A1 (en) * 2001-05-23 2006-04-13 Green Paul A Ventilator patient synchronization
US20040260550A1 (en) * 2003-06-20 2004-12-23 Burges Chris J.C. Audio processing system and method for classifying speakers in audio data
US20100076322A1 (en) * 2008-09-19 2010-03-25 Shrivastav Maneesh A Method and apparatus for determining a respiration parameter in a medical device
US20120158620A1 (en) * 2010-12-16 2012-06-21 Microsoft Corporation Human-assisted training of automated classifiers
US20140155773A1 (en) * 2012-06-18 2014-06-05 Breathresearch Methods and apparatus for performing dynamic respiratory classification and tracking
WO2015138474A1 (en) * 2014-03-10 2015-09-17 Zst Holdings, Inc. Non-invasive systems and methods for identifying respiratory disturbances experienced by a subject

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ABUSHAKRA: "Acoustic Signal Classification of Breathing Movements to Virtually Aid Breath Regulation", 《IEEE》, 31 December 2013 (2013-12-31), pages 495 - 497 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110353686A (zh) * 2019-08-07 2019-10-22 浙江工业大学 一种基于呼吸检测的太极教学辅助设备
CN111012306A (zh) * 2019-11-19 2020-04-17 南京理工大学 基于双神经网络的睡眠呼吸声检测方法及系统
CN111012306B (zh) * 2019-11-19 2022-08-16 南京理工大学 基于双神经网络的睡眠呼吸声检测方法及系统
TWI744887B (zh) * 2020-04-30 2021-11-01 亞達科技股份有限公司 空氣防護系統與空氣防護方法
CN112754534A (zh) * 2021-01-16 2021-05-07 安徽乐众生医疗科技有限公司 一种呼气式二氧化碳采集装置
CN114403847A (zh) * 2021-12-17 2022-04-29 中南民族大学 基于腹部和肺部数据相关性的呼吸状态检测方法及系统

Also Published As

Publication number Publication date
US20180296125A1 (en) 2018-10-18
DE102018204868A1 (de) 2018-10-18

Similar Documents

Publication Publication Date Title
CN108720837A (zh) 用于检测呼吸阶段的方法、系统和装置
US12318185B2 (en) Breathing measurement and management using an electronic device
US10278639B2 (en) Method and system for sleep detection
CN109308443A (zh) 用于检测呼吸模式的方法和装置
EP2665408B1 (en) Device for swallowing impairment detection
CN114467142B (zh) 通过声音分析的肺部健康感测
EP3232912B1 (en) System and method for cardiorespiratory sleep stage classification
Fekr et al. Respiration disorders classification with informative features for m-health applications
WO2014045257A1 (en) System and method for determining a person&#39;s breathing
US20180177432A1 (en) Apparatus and method for detection of breathing abnormalities
EP3562401B1 (en) Method of characterizing sleep disordered breathing
WO2021029526A1 (en) Methods and systems for pulmonary condition assessment
JP6032350B2 (ja) 動作検知装置及び動作検知方法
US20230380792A1 (en) Method and apparatus for determining lung pathologies and severity from a respiratory recording and breath flow analysis using a convolution neural network (cnn)
CN115758122A (zh) 基于多尺度卷积神经网络的睡眠呼吸事件定位方法及装置
EP3581098A1 (en) Method of generating respiratory status classifier and method of determining respiratory status
KR102179511B1 (ko) 연하 진단 장치 및 프로그램
TWI848197B (zh) 呼吸功能檢測方法及裝置
JP7552705B2 (ja) 肺音分析システム
US20230380719A1 (en) Method and apparatus for simultaneous collection, processing and display of audio and flow events during breathing
JP6942784B2 (ja) 監視装置、プログラム、システム及び監視方法
El Belghiti et al. Automatic detection of speech inspiration using SVM and decision trees
JP7533589B2 (ja) 肺音分析システム
Fahed et al. Random forest classification of breathing phases from audio signals recorded using mobile devices
KR20230086259A (ko) 스마트 마스크 및 그 제어방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20250918

Address after: California, USA

Applicant after: Altera Corp.

Country or region after: U.S.A.

Address before: California, USA

Applicant before: INTEL Corp.

Country or region before: U.S.A.

TA01 Transfer of patent application right