CN116601721A

CN116601721A - 用于识别用户接口的系统和方法

Info

Publication number: CN116601721A
Application number: CN202180056648.9A
Authority: CN
Inventors: 尼尔·安德鲁·福克斯; 格雷姆·亚历山大·里昂; 雷德蒙德·舒尔德迪斯; 斯蒂芬·麦克马洪
Original assignee: Resmed Sensor Technologies Ltd
Current assignee: Resmed Sensor Technologies Ltd
Priority date: 2020-06-05
Filing date: 2021-06-07
Publication date: 2023-08-15
Also published as: JP7529811B2; JP2023532186A; US11878118B2; EP4162499A1; US20230191063A1; US20240173504A1; EP4465302A1; WO2021245637A1; EP4162499B1

Abstract

本公开涉及一种用于识别用户接口的方法。接收与在呼吸治疗系统中流动的空气相关联的气流数据。接收与呼吸治疗系统相关联的声学数据。分析所接收的流数据和所接收的声学数据。至少部分地基于该分析，确定用户接口的面罩类型。

Description

用于识别用户接口的系统和方法

相关申请的交叉引用

本申请要求于2020年6月5日提交的63/035,497号美国临时专利申请的权益和优先权，其通过引用整体并入本文作为参考。

技术领域

本公开总体上涉及用于识别用户接口的系统和方法，更具体地，涉及用于确定用户接口的面罩类型的系统和方法。

背景技术

许多个体患有睡眠相关的和/或呼吸障碍，例如周期性肢体运动障碍(PLMD)、下肢不宁综合征(RLS)、睡眠障碍呼吸(SDB)，例如阻塞性睡眠呼吸暂停(OSA)、中枢性睡眠呼吸暂停(CSA)和其它类型的呼吸暂停，例如混合性呼吸暂停和呼吸不足、与呼吸相关的觉醒(RERA)、潮式呼吸(CSR)、呼吸功能不全、肥胖性换气过度综合征(OHS)、慢性阻塞性肺病(COPD)、神经肌肉疾病(NM)、快速眼运动(REM)行为障碍(也称为RBD)、梦境行为(DEB)、高血压、糖尿病、中风、失眠和胸壁障碍。通常使用呼吸治疗系统来治疗这些障碍。患有呼吸障碍的人可能具有睡眠障碍，但是被设计为减轻呼吸障碍的身体症状的系统没有解决可以使人保持良好睡眠的障碍本身的症状之外的问题。

例如，每个呼吸治疗系统通常具有经由导管连接至用户接口(有时称为面罩)的呼吸治疗装置。使用者佩戴该用户接口并且经由该导管被供应来自该呼吸治疗装置的加压空气流。

可以使用各种不同的用户接口。用户接口通常是针对用户的特定类别和类型的用户接口，诸如用户接口的类别为直接连接(例如，连接至用户接口的衬垫和/或框架的导管)或间接连接(例如，连接至由衬垫和/或框架形成的腔室中的导管)，以及用户接口类型为全罩式面罩、部分罩式面罩(例如，覆盖嘴但不覆盖鼻子或仅覆盖鼻子的一部分的面罩)、鼻罩、或鼻枕。除了特定的类别和类型之外，用户接口通常是由特定制造商制造的特定型号。例如，每种类型的用户接口可以具有由同一制造商制造的不同型号，其中每种型号在形状、尺寸、美学风格、制造日期等方面不同。有利的是，知道连接至呼吸治疗装置的用户接口和导管，用于提供对输送给用户的治疗的改进的控制。例如，在对诸如面罩中的压力和排气流的治疗参数的测量或估计中可能是有利的。因此，对正在使用什么用户接口的了解或确认可以增强治疗。虽然呼吸装置可以包括菜单系统，该菜单系统允许用户输入所使用的用户接口的类型，例如按类型、型号、制造商等，但是用户可能输入不正确或不完整的信息。因此，需要用于识别与呼吸治疗系统相关的特定类型的面罩的系统和方法。本公开旨在解决这些问题并解决其他需要。

发明内容

根据本公开的一些实现方式，描述了一种用于识别用户接口的方法。接收与呼吸治疗系统中的气流相关联的气流数据。接收与所述呼吸治疗系统相关联的声学数据。分析接收的流数据和接收的声学数据。至少部分地基于该分析，确定用户接口的面罩类型。

根据本公开的一些实现方式，系统包括具有一个或多个处理器的控制系统，和其上存储有机器可读指令的存储器。控制系统联接至存储器。当存储器中的机器可执行指令由控制系统的一个或多个处理器中的至少一者执行时，实现上述公开的方法。

根据本公开的一些实现方式，用于识别用户接口的系统包括控制系统，该控制系统具有被配置来实施以上公开的方法的一个或多个处理器。

根据本公开的一些实现方式，计算机程序产品包括指令，该指令在由计算机执行时使该计算机执行以上公开的方法。在一些实现方式中，该计算机程序产品是非暂时性计算机可读介质。

以上概述并非旨在表示本公开的每个实现方式或每个方面。本公开的附加特征和益处从以下阐述的详细描述和附图中显而易见。

附图说明

通过阅读以下详细描述并参考附图，本公开的前述和其他优点将变得显而易见。

图1是根据本公开的一些实现方式的系统的功能框图；

图2是根据本公开的一些实现方式的透视图，包括图1的系统的至少一部分、佩戴全罩式面罩的用户、和床伴；

图3图示了根据本公开的一些实现方式的睡眠时段的示例性时间线；

图4图示了根据本公开的一些实现方式的与图3的睡眠时段相关联的示例性睡眠图；

图5图示了根据本公开的一些实现方式的响应于指示用户接口的一个或多个特征的声学反射的声学数据的生成；

图6A图示了根据本公开的一些实现方式的与呼吸治疗系统的用户相关联的流数据；

图6B图示了根据本公开的一些实现方式的与持续气道正压通气系统的用户相关联的压力数据；

图6C图示了根据本公开的一些实现方式的与具有呼气减压模块的呼吸治疗系统的用户相关联的压力数据；

图7是根据本公开的一些实现方式的用于识别用户接口的方法的流程图；

图8A图示了根据本公开的一些实现方式的表示平均装置压力和以升每分钟表示的平均总流量的绘制的笛卡尔坐标；

图8B图示了根据本公开的一些实现方式的在图5A的绘制的笛卡尔坐标上的拟合特征曲线；

图9图示了根据本公开的一些实现方式的与用户相关联的用户接口的面罩识别曲线；

图10A图示了根据本公开的一些实现方式的压力信号和流量信号；

图10B图示了根据本公开的一些实现方式的多个面罩类型的压力对流量数据点与已知的压力对流量曲线之间的比较；

图11是根据本公开的一些实现方式的生成的声学数据的计算的倒谱的曲线图；

图12是根据本公开的一些实现方式的生成的声学数据的开窗倒谱的曲线图；

图13是根据本公开的一些实现方式的生成的声学数据的对齐的开窗倒谱的曲线图；以及

图14是根据本公开的一些实现方式的生成的声学数据的归一化开窗倒谱的曲线图。

虽然本公开容许各种修改和替代形式，但其特定实现方式和实施例已通过附图中的示例示出并将在此详细描述。然而，应当理解，这并不旨在将本公开限制为所公开的特定形式，而是相反，本公开将覆盖落入由所附权利要求限定的本公开的精神和范围内的所有修改、等效物和替换物。

具体实施方式

参考附图来描述本公开，其中在所有附图中使用相同的附图标记来表示相似或等同的元件。附图不是按比例绘制的，并且仅仅是为了说明本发明而提供的。以下参考用于说明的示例应用来描述本公开的若干方面。

许多个体患有睡眠相关的和/或呼吸相关的障碍，例如周期性肢体运动障碍(PLMD)、下肢不宁综合征(RLS)、睡眠障碍呼吸(SDB)，例如阻塞性睡眠呼吸暂停(OSA)、中枢性睡眠呼吸暂停(CSA)和其它类型的呼吸暂停，例如混合性呼吸暂停和呼吸不足、与呼吸相关的觉醒(RERA)、潮式呼吸(CSR)、呼吸功能不全、肥胖性换气过度综合征(OHS)、慢性阻塞性肺病(COPD)、神经肌肉疾病(NM)、快速眼运动(REM)行为障碍(也称为RBD)、梦境行为(DEB)、高血压、糖尿病、中风、失眠和胸壁障碍。

阻塞性睡眠呼吸暂停(OSA)是睡眠呼吸障碍(SDB)的一种形式，其特征是包括睡眠时段期间由异常小的上气道和舌、软腭和后口咽壁区域中的正常肌肉张力丧失的组合引起的上气道的阻塞或阻塞的事件。

中枢性睡眠呼吸暂停(CSA)是当大脑暂时停止向控制呼吸的肌肉发送信号时产生的另一种形式的SDB。更通常，呼吸暂停一般是指由空气阻塞或呼吸功能停止引起的呼吸停止。通常，在阻塞性睡眠呼吸暂停事件期间，个体将停止呼吸约15秒到约30秒。混合睡眠呼吸暂停是另一种形式的SDB，它是OSA和CSA的组合。

其他类型的呼吸暂停包括呼吸不足，呼吸过度和高碳酸血症。低通气的特征通常是由狭窄气道引起的缓慢或浅呼吸，而不是阻塞气道。呼吸过度通常以呼吸的深度和/或速率增加为特征。高碳酸血症的特征通常是血流中二氧化碳过量，通常由低通气引起。

呼吸努力相关觉醒(RERA)事件的特征通常是持续十秒或更长的增加的呼吸努力，导致从睡眠中觉醒，并且其不满足呼吸暂停或低通气事件的标准。在1999年，AASM任务组将RERA定义为“一系列呼吸，其特征在于增加导致从睡眠中觉醒的呼吸努力，但是其不满足呼吸暂停或呼吸不足的标准”。这些事件必须满足以下两个标准：1.逐渐更负的食管压力模式，由压力突然变化到更低的负水平和觉醒而终止，和2.该事件持续10秒或更长。在2000年，在NYU医学院进行的并且在Sleep，第23卷，第6期，第763-771页中公开的研究“通过鼻插管/压力传感器系统的与呼吸相关的觉醒(RERA)的非侵入性检测”证明鼻插管/压力传感器系统在RERA的检测中是足够和可靠的。RERA检测器可以基于从呼吸治疗(例如，PAP)装置导出的实际流量信号。例如，可以基于流量信号确定流量限制测量。然后可以根据流量限制测量和通气量突然增加的测量导出觉醒测量。在WO 2008/138040、US 9,358,353、US 10,549,053和US 2020/0197640中描述了一种此类方法，其各自通过引用整体并入本文。

潮式呼吸(CSR)是另一种形式的SDB障碍。CSR是患者呼吸控制器的障碍，其中存在称为CSR周期的盛衰通气的律动交替周期。CSR的特征在于动脉血的重复性缺氧和复氧。

肥胖通气过度综合征(OHS)被定义为严重肥胖和清醒时慢性高碳酸血症的组合，不存在通气不足的其他已知原因。症状包括呼吸困难、晨起头痛和过度日间嗜睡。

慢性阻塞性肺病(COPD)包括具有某些共同特征的下气道疾病组中的任一种，诸如对空气运动的阻力增加、呼吸的呼气阶段延长和肺的正常弹性丧失。

神经肌肉疾病(NMD)包括直接经由内在肌肉病理或间接经由神经病理损害肌肉功能的许多疾病和病痛。胸壁是一组导致呼吸肌与胸廓之间无效率联接的胸廓畸形。

这些和其他障碍的特征是当个体睡眠时发生的特定事件(例如，打鼾、呼吸暂停、低通气、不宁腿、睡眠障碍、窒息、心率增加、呼吸困难、哮喘发作、癫痫发作、癫痫发作或其任意组合)。

呼吸暂停低通气指数(AHI)是用于指示睡眠时段期间睡眠呼吸暂停严重性的指数。AHI用户在睡眠时段期间经历的呼吸暂停和/或低通气事件的数量除以睡眠时段中睡眠的总小时数来计算AHI。该事件可以是例如持续至少10秒的呼吸暂停。小于5的AHI被认为是正常的。大于或等于5但小于15的AHI被认为是浅睡眠呼吸暂停的指示。大于或等于15但小于30的AHI被认为是中度睡眠呼吸暂停的指示。大于或等于30的AHI被认为是严重睡眠呼吸暂停的指示。在儿童中，AHI大于1被认为是异常的。当AHI正常时，或当AHI正常或轻度时，睡眠呼吸暂停可被认为是“受控的”。AHI还可以与氧去饱和水平结合使用以指示阻塞性睡眠呼吸暂停的严重程度。

通常，与不使用呼吸治疗系统相比(尤其是当用户遭受睡眠呼吸暂停或其他睡眠相关障碍时)，被开处方使用呼吸治疗系统的用户将倾向于在使用呼吸治疗系统之后的一天期间经历更高质量的睡眠和更少的疲劳。然而，由于用户接口不舒服或麻烦(例如，由于不适当配合的用户接口和/或与用户接口相关联的错误设置)，或者由于其它副作用(例如，口干、唇干、咽干、不舒服等)，所以许多用户不合规范地进行使用。如果用户没有感知到他们正在经历任何益处(例如，在一天中更少疲劳)，则他们更可能不能如规定的那样使用呼吸治疗系统(或完全中断使用)。

参考图1，图示了根据本公开的一些实现方式的系统100。系统100可用于识别用户使用的用户接口和其他用途。系统100包括控制系统110、存储器装置114、电子接口119、一个或多个传感器130和可选地一个或多个用户装置170。在一些实现方式中，系统100还包括呼吸治疗系统120，该呼吸治疗系统包括呼吸治疗装置122。系统100可用于检测和/或识别用户接口124，如本文中进一步详细公开的。

控制系统110包括一个或多个处理器112(以下称为处理器112)。控制系统110通常用于控制系统100的各种部件和/或分析由系统100的部件获得和/或产生的数据。处理器112可以是通用或专用处理器或微处理器。虽然在图1中示出了一个处理器112，但是控制系统110可以包括任意合适数量的处理器(例如，一个处理器、两个处理器、五个处理器、十个处理器等)，这些处理器可以在单个壳体中，或者彼此远离地定位。控制系统110(或任意其他控制系统)或控制系统110的一部分，诸如处理器112(或任意其他处理器或任意其他控制系统的一部分)，可用于执行本文所述和/或要求保护的任意方法的一个或多个步骤。控制系统110可以联接至和/或定位在例如用户装置170的壳体内，和/或一个或多个传感器130的壳体内。控制系统110可以是集中式的(在一个此类壳体内)或分散式的(在物理上不同的两个或多个此类壳体内)。在包括包含控制系统110的两个或多个壳体的此类实现方式中，此类壳体可以彼此靠近地和/或远离地定位。

存储器装置114存储可由控制系统110的处理器112执行的机器可读指令。存储器装置114可以是任意合适的计算机可读存储器装置或介质，诸如，例如，随机或串行存取存储器装置、硬盘驱动器、固态驱动器、闪存装置等。虽然图1中示出了一个存储器装置114，但是系统100可以包括任意适当数量的存储器装置114(例如，一个存储器装置、两个存储器装置、五个存储器装置、十个存储器装置等)。存储器装置114可以联接至和/或定位在呼吸治疗系统120的呼吸治疗装置122的壳体内、用户装置170的壳体内、一个或多个传感器130的壳体内，或其任意组合。类似于控制系统110，存储器装置114可以是集中式的(在一个此类壳体内)或分散式的(在物理上不同的两个或多个此类壳体内)。

在一些实现方式中，存储器装置114存储与用户相关联的用户简档。用户简档可包括例如与用户相关联的人口统计信息、与用户相关联的生物统计信息、与用户相关联的医疗信息、自报告用户反馈、与用户相关联的睡眠参数(例如，从一个或多个较早睡眠时段记录的睡眠相关参数)或其任意组合。人口统计信息可以包括例如指示用户的年龄、用户的性别、用户的种族、家庭医疗史(诸如失眠或睡眠呼吸暂停的家庭史)、用户的就业状态、用户的教育状态、用户的社会经济状态或其任意组合的信息。医疗信息可包括例如指示与用户相关联的一种或多种医疗状况、用户的药物使用或两者的信息。医疗信息数据还可以包括与用户相关联的跌倒风险评估(例如，使用莫尔斯跌倒量表的跌倒风险评分)、多睡眠潜伏期测试(MSLT)结果或评分和/或匹兹堡睡眠质量指数(PSQI)评分或值。自我报告的用户反馈可包括指示自我报告的主观睡眠评分(例如，差、平均、优秀)、用户的自我报告的主观压力水平、用户的自我报告的主观疲劳水平、用户的自我报告的主观健康状态、用户最近经历的生活事件或其任意组合的信息。

电子接口119被配置为从一个或多个传感器130接收数据(例如，生理数据和/或声学数据)，使得数据可以被存储在存储器装置114中和/或由控制系统110的处理器112分析。电子接口119可使用有线连接或无线连接(例如，使用RF通信协议、WiFi通信协议、蓝牙通信协议、IR通信协议、通过蜂窝网络、通过任意其它光学通信协议等)与一个或多个传感器130通信。电子接口119可包括天线、接收器(例如，RF接收器)、发送器(例如，RF发送器)、收发器或其任意组合。电子接口119还可以包括与本文所述的处理器112和存储器装置114相同或类似的一个或多个处理器和/或一个或多个存储器装置。在一些实现方式中，电子接口119联接至用户装置170或集成在用户装置170中。在其他实现方式中，电子接口119联接至控制系统110和/或存储器装置114或与控制系统810和/或存储器装置814集成(例如，在壳体中)。

如上所述，在一些实现方式中，系统100可选地包括呼吸治疗系统120(也称为呼吸治疗系统)。呼吸治疗系统120可以包括呼吸治疗装置122(也称为呼吸压力治疗装置)、用户接口124(也称为面罩或患者接口)、导管126(也称为管或空气回路)、显示装置128、湿化罐129或其任意组合。在一些实现方式中，控制系统110、存储器装置114、显示装置128、传感器130中的一者或多者和湿化罐129是呼吸治疗装置122的一部分。呼吸压力治疗是指在受控目标压力下将空气供应施加到用户气道的入口，该受控目标压力在用户的整个呼吸周期内相对于大气名义上是正的(例如，与诸如罐通气机或胸甲的负压治疗形成对比)。呼吸治疗系统120通常用于治疗患有一种或多种睡眠相关呼吸障碍(例如，阻塞性睡眠呼吸暂停、中枢性睡眠呼吸暂停或混合性睡眠呼吸暂停)、其他呼吸障碍(诸如COPD)或其他导致呼吸功能不全的障碍的个体，这些障碍可能在睡眠或觉醒期间出现。

呼吸治疗装置122通常用于产生递送到用户的加压空气(例如，使用驱动一个或多个压缩机的一个或多个马达)。在一些实现方式中，呼吸治疗装置122产生连续恒定的空气压力，该空气压力被递送至用户。在其他实现方式中，呼吸治疗装置122产生两个或多个预定压力(例如，第一预定空气压力和第二预定空气压力)。在其他实现方式中，呼吸治疗装置122被配置为在预定范围内产生多种不同的空气压力。例如，呼吸治疗装置122可以递送至少大约6cmH₂O、至少大约10cmH₂O、至少大约20cmH₂O、大约6cmH₂O和大约10cmH₂O之间、大约7cmH₂O和大约12cmH₂O之间等。呼吸治疗装置122还可以以例如大约-20L/min和大约150L/min之间的预定流量递送加压空气，同时保持正压(相对于环境压力)。在一些实现方式中，控制系统110、存储器装置114、电子接口119或其任意组合可以联接至呼吸治疗装置122的壳体上和/或定位在该壳体内。

用户接口124接合用户面部的一部分，并将加压空气从呼吸治疗装置122递送到用户的气道，以帮助防止气道在睡眠时段期间变窄和/或塌陷。这也可以增加用户在睡眠时段期间的氧气摄入。根据要施加的治疗，用户接口124可以例如与用户面部的区域或部分形成密封，以便于在与环境压力有足够变化的压力下，例如在相对于环境压力约10cmH₂O的正压力下递送气体以实现治疗。对于其他形式的治疗，诸如氧气递送，用户接口可以不包括足以有利于将约10cmH₂O的正压下的气体供给递送至气道的密封。

在一些实现方式中，用户接口124是或包括覆盖用户的鼻子和嘴的面罩(例如，如图2所示)。可替代地，用户接口124可以是向用户的鼻子提供空气的鼻罩或直接向用户的鼻孔递送空气的鼻枕罩。用户接口124可以包括绑带组件和适形衬垫(例如，硅树脂、塑料、泡沫等)，绑带组件具有用于将用户接口124定位和/或稳定在用户接口124的一部分上的用户的期望位置(例如，面部)上的多个绑带(例如，包括钩环紧固件)，适形衬垫有助于在用户接口124与用户之间提供气密密封。在一些实现方式中，用户接口124可以包括连接器127和一个或多个通风口125。一个或多个通气孔125可用于允许用户呼出的二氧化碳和其他气体逸出。在其他实现方式中，用户接口124包括咬嘴(例如，模制为符合用户牙齿的夜用防护咬嘴、下颌复位装置(MRD)等)。在一些实现方式中，连接器127与用户接口124(和/或导管126)不同，但可连接至用户接口124(和/或导管126)。连接器127被配置为将用户接口124连接并流体联接至导管126。

导管126允许空气在呼吸治疗系统120的两个部件之间流动，诸如呼吸治疗装置122和用户接口124。在一些实现方式中，可以有用于吸入和呼出的导管的分开的分支。在其他实现方式中，单个分支导管用于吸入和呼出。通常，呼吸治疗系统120形成在呼吸治疗装置122的马达和用户和/或用户的气道之间延伸的空气通路。因此，空气通路通常至少包括呼吸治疗装置122的马达、用户接口124和导管126。

呼吸治疗装置122、用户接口124、导管126、显示装置128和湿化罐129中的一者或多者可以包括一个或多个传感器(例如，压力传感器、流量传感器，或更通常在本文描述的任意其他传感器130)。这些一个或多个传感器可用于例如测量由呼吸治疗装置122供应的加压空气的空气压力和/或流量。

显示装置128通常用于显示包括静止图像、视频图像或两者的图像和/或关于呼吸治疗装置122的信息。例如，显示装置128可以提供关于呼吸治疗装置122的状态(例如，呼吸治疗装置122是开/关、由呼吸治疗装置122输送的空气的压力、由呼吸治疗装置122输送的空气的温度等)的信息和/或其它信息(例如，睡眠评分或治疗评分(诸如，myAir^TM评分，例如WO 2016/061629和US 2017/0311879中所描述的，其每一个都通过引用整体并入本文)、当前日期/时间、用户的个人信息、用户的调查表等)。在一些实现方式中，显示装置128充当包括图形用户界面(GUI)的人机界面(HMI)，该图形用户界面被配置为将图像显示为输入界面。显示装置128可以是LED显示器、OLED显示器、LCD显示器等。输入界面可以是例如触摸屏或触敏基板、鼠标、键盘或被配置为感测由与呼吸治疗装置122交互的人类用户做出的输入的任意传感器系统。

湿化罐129联接至呼吸治疗装置122上或集成在呼吸治疗装置122中，并包括可用于湿化从呼吸治疗装置122递送的加压空气的储水器。呼吸治疗装置122可以包括加热器以加热湿化罐129中的水以湿化提供给用户的加压空气。另外，在一些实现方式中，导管126还可以包括加热元件(例如，联接至和/或嵌入在导管126中)，该加热元件加热递送至用户的加压空气。湿化罐129可以流体地联接至空气通路的水蒸气入口并且经由水蒸气入口将水蒸气递送到空气通路中，或者可以与空气通路成直线地形成作为空气通路本身的一部分。在其他实现方式中，呼吸治疗装置122或导管126可以包括无水湿化器。该无水湿化器可包括与位于系统100中别处的其他传感器接口的传感器。

呼吸治疗系统120可用作例如呼吸机或气道正压通气(PAP)系统，诸如持续气道正压通气(CPAP)系统，自动气道正压通气系统(APAP)、双水平或可变气道正压通气系统(BPAP或VPAP)或其任意组合。CPAP系统将预定气压(例如，由睡眠医师确定的)递送至用户。APAP系统至少部分地基于例如与用户相关联的呼吸数据自动地改变输送给用户的气压。BPAP或VPAP系统被配置为递送第一预定压力(例如，吸气气道正压或IPAP)和低于第一预定压力的第二预定压力(例如，呼气气道正压或EPAP)。

参考图2，图示了根据一些实现方式的系统100(图1)的一部分。呼吸治疗系统120的用户和床伴220位于床230中并躺在床垫232上。用户接口124(例如，完整的面罩)可以由用户在睡眠期间佩戴。用户接口124经由导管126流体联接和/或连接至呼吸治疗装置122。呼吸治疗装置122又经由导管126和用户接口124向用户递送加压空气，以增加用户的喉部中的空气压力，从而帮助防止气道在睡眠期间闭合和/或变窄。呼吸治疗装置122可以包括显示装置128，该显示装置可以允许用户与呼吸治疗装置122交互。呼吸治疗装置122还可以包括湿化罐129，该湿化罐存储用于湿化加压空气的水。呼吸治疗装置122可定位在如图2所示直接邻近床230的床头柜240上，或更通常，定位在通常邻近床230和/或用户210的任意表面或结构上。当躺在床230中的床垫232上时，用户还可以佩戴血压装置180和活动跟踪器190。

返回参考图1，系统100的一个或多个传感器130包括压力传感器132、流量传感器134、温度传感器136、运动传感器138、麦克风140、扬声器142、射频(RF)接收器146、RF发射器148、相机150、红外(IR)传感器152、光电容积描记(PPG)传感器154、心电图(ECG)传感器156、脑电图(EEG)传感器158、电容传感器160、力传感器162、应变仪传感器164、肌电图(EMG)传感器166、氧传感器168、分析物传感器174、湿度传感器176、光检测和测距(LiDAR)传感器178或其任意组合。通常，一个或多个传感器130中的每一者被配置为输出被接收并存储在存储器装置114或一个或多个其他存储器装置中的传感器数据。传感器130还可以包括眼电图(EOG)传感器、外围氧饱和度(SpO₂)传感器、皮肤电反应(GSR)传感器、二氧化碳(CO₂)传感器或其任意组合。

虽然一个或多个传感器130被示出和描述为包括压力传感器132、流量传感器134、温度传感器136、运动传感器138、麦克风140、扬声器142、RF接收器146、RF发射器148、相机150、IR传感器152、PPG传感器154、ECG传感器156、EEG传感器158、电容传感器160、力传感器162、应变计传感器164、EMG传感器166、氧气传感器168、分析物传感器174、湿度传感器176和LiDAR传感器178中的每一者，但是更通常，一个或多个传感器130可以包括本文描述和/或示出的传感器中的每一者的任意组合和任意数量。

一个或多个传感器130可以用于生成例如与呼吸治疗系统120的用户(诸如图2的用户)、呼吸治疗系统120、用户和呼吸治疗系统120两者、或其他实体、对象、活动等相关联的生理数据、声学数据或两者。由一个或多个传感器130生成的生理数据可以被控制系统110用来确定在睡眠期期间与用户相关联的睡眠-觉醒信号以及一个或多个睡眠相关参数。睡眠-觉醒信号可以指示一个或多个睡眠阶段(有时称为睡眠状态)，包括睡眠、觉醒、放松的觉醒、微觉醒、或不同的睡眠阶段，诸如快速眼动(REM)阶段(其可以包括典型的REM阶段和非典型的REM阶段)、第一非REM阶段(通常称为“N1”)、第二非REM阶段(通常称为“N2”)、第三非REM阶段(通常称为“N3”)或其任意组合。例如，在WO 2014/047310、US 10,492,720、US10,660,563、US 2020/0337634、WO 2017/132726、WO 2019/122413、US 2021/0150873、WO2019/122414、US 2020/0383580中描述了用于根据由一个或多个传感器(诸如传感器130)生成的生理数据确定睡眠阶段的方法，在此将其整体并入本文作为参考。

睡眠-觉醒信号还可以被加上时间戳以指示用户进入床的时间、用户离开床的时间、用户试图入睡的时间等。可以在睡眠期期间以预定采样速率(例如，每秒一个样本、每30秒一个样本、每分钟一个样本等)在一个或多个传感器130上测量睡眠-觉醒信号。可以至少部分地基于睡眠-觉醒信号在睡眠期期间为用户确定的一个或多个睡眠相关参数的示例包括总的入睡时间、总的睡眠时间、总的觉醒时间、睡眠开始等待时间、睡眠后开始觉醒参数、睡眠效率、碎片指数、入睡时间量、呼吸速率的一致性、入睡时间、觉醒时间、睡眠扰动速率、运动次数或其任意组合。

由一个或多个传感器130产生的生理数据和/或声学数据也可用于确定在睡眠期间与用户相关联的呼吸信号。呼吸信号通常指示用户在睡眠时段期间的呼吸或呼吸。呼吸信号可以指示例如呼吸速率、呼吸速率变化性、吸气幅度、呼气幅度、吸气-呼气幅度比、吸气-呼气持续时间比、每小时事件的数量、事件的模式、呼吸治疗装置122的压力设置或其任意组合。事件可以包括打鼾、呼吸暂停、中枢性呼吸暂停、阻塞性呼吸暂停、混合型呼吸暂停、呼吸不足、RERA、流量限制(例如，尽管胸内负压升高指示努力增加，但导致流量没有增加的事件)、面罩泄漏(例如，从用户接口124)、不宁腿、睡眠障碍、窒息、增加的心率、心率变化、呼吸困难、哮喘发作、癫痫发作、发烧、咳嗽、打喷嚏、打鼾、喘息、存在诸如普通感冒或流感的疾病、压力水平升高等。事件可以通过本领域已知的任何方法检测，例如US 5,245,995、US 6,502,572、WO 2018/050913、WO 2020/104465中所述，将其各自通过引用整体并入本文。

压力传感器132输出可以存储在存储器装置114中和/或由控制系统110的处理器112分析的压力数据。在一些实现方式中，压力传感器132是产生指示呼吸治疗系统120的用户的呼吸(例如，吸气和/或呼气)和/或环境压力的传感器数据的空气压力传感器(例如，大气压力传感器)。在此类实现方式中，压力传感器132可以联接至呼吸治疗装置122或集成在呼吸治疗装置822中。压力传感器132可以是例如电容传感器、电磁传感器、电感传感器、电阻传感器、压电传感器、应变仪传感器、光学传感器、电位传感器或其任意组合。在一个示例中，压力传感器132可用于确定用户的血压。

流量传感器134输出可以存储在存储器装置114中和/或由控制系统110的处理器112分析的流量数据。在一些实现方式中，流量传感器134用于确定来自呼吸治疗装置122的空气流量、通过导管126的空气流量、通过用户接口124的空气流量，或其任意组合。在此类实现方式中，流量传感器134可以联接至呼吸治疗装置122、用户接口124或导管126或集成在其中。流量传感器134可以是质量流量传感器，诸如旋转流量计(例如，霍尔效应流量计)、涡轮流量计、孔口流量计、超声流量计、热线传感器、涡流传感器、膜传感器或其任意组合。

温度传感器136输出可以存储在存储器装置114中和/或由控制系统110的处理器112分析的温度数据。在一些实现方式中，温度传感器136生成指示用户的核心体温、用户210的皮肤温度、从呼吸治疗装置122流出和/或通过导管126流动的空气的温度、用户接口124中的温度、环境温度或其任意组合的温度数据。温度传感器136可以是例如热电偶传感器、热敏电阻传感器、硅带隙温度传感器或基于半导体的传感器、电阻温度检测器或其任意组合。

运动传感器138输出可以存储在存储器装置114中和/或由控制系统110的处理器112分析的运动数据。运动传感器138可用于在睡眠时段期间检测用户的运动，和/或检测呼吸治疗系统120的任意部件(诸如呼吸治疗装置122、用户接口124或导管126)的运动。运动传感器138可以包括一个或多个惯性传感器，诸如加速计、陀螺仪和磁力计。运动传感器138可用于检测与动脉脉搏相关联的运动或加速度，诸如在用户面部中或面部周围并且接近用户接口124的脉搏，并且被配置为检测脉搏形状、速度、幅度或音量的特征。在一些实现方式中，运动传感器138替代地或另外地生成表示用户的身体运动的一个或多个信号，从该一个或多个信号可以获得表示用户的睡眠状态的信号；例如，经由用户的呼吸运动。

麦克风140输出可以存储在存储器装置114中和/或由控制系统110的处理器112分析的声学数据。由麦克风140产生的声学数据可再现为睡眠时段期间的一个或多个声音(例如，来自用户的声音)以确定(例如，使用控制系统110)一个或多个睡眠相关参数，如本文中进一步详细描述的。来自麦克风140的声学数据还可以用于识别(例如，使用控制系统110)用户在睡眠时段期间经历的事件，如本文进一步详细描述的。在其他实现方式中，来自麦克风140的声学数据表示与呼吸治疗系统120相关联的噪声。在一些实现方式中，系统100包括多个麦克风(例如，两个或更多个麦克风和/或具有波束成形的麦克风阵列)，使得由多个麦克风中的每一者产生的声音数据可用于区分由多个麦克风中的另一者产生的声音数据。麦克风140通常可以以任意配置联接至或集成在呼吸治疗系统120(或系统100)中。例如，麦克风140可以被布置在呼吸治疗装置122、用户接口124、导管126或其他部件内部。麦克风140还可以被定位成邻近或联接至呼吸治疗装置122的外部、用户接口124的外部、导管126的外部或任意其他部件的外部。麦克风140还可以是用户装置170的组件(例如，麦克风140是智能电话的麦克风)。麦克风140可以集成到用户接口124、导管126、呼吸治疗装置122或其任意组合中。通常，麦克风140可以位于呼吸治疗系统120的空气通路内或附近的任意位置，呼吸治疗系统120至少包括呼吸治疗装置122的电动机、用户接口124和导管126。因此，空气通路也可称为声学通路。

扬声器142输出用户可听见的声波。在一个或多个实现方式中，声波可以是系统100的用户可听见的或系统的用户不可听见的(例如，超声声波)。扬声器142可用作例如闹钟或向用户播放警报或消息(例如，响应于事件)。在一些实现方式中，扬声器142可用于将由麦克风140生成的声学数据传送给用户。扬声器142可以联接至或集成在呼吸治疗装置122、用户接口124、导管126或用户装置170中。

麦克风140和扬声器142可以用作单独的装置。在一些实现方式中，麦克风140和扬声器142可以组合成声学传感器141(例如，SONAR传感器)，如在例如WO 2018/050913和WO2020/104465中所描述的，其每一者通过引用整体并入本文。在此类实现方式中，扬声器142以预定间隔和/或频率产生或发送声波，并且麦克风140检测来自扬声器142的发送声波的反射。由扬声器142产生或发出的声波具有人耳听不到的频率(例如，低于20Hz或高于大约18kHz)，以便不干扰用户或用户的床伴(诸如图2中的床伴220)的睡眠。至少部分地基于来自麦克风140和/或扬声器142的数据，控制系统110可以确定用户的位置和/或本文中描述的睡眠相关参数中的一者或多者，例如，呼吸信号、呼吸速率、吸气幅度、呼气幅度、吸气-呼气比、每小时事件的数量、事件的模式、睡眠阶段、呼吸治疗装置122的压力设置、嘴泄露状态或其任意组合。在本文中，SONAR传感器可被理解为涉及主动声感测，诸如通过产生/发送超声或低频超声感测信号(例如，在例如约17-23kHz、18-22kHz或17-18kHz的频率范围内)通过空气。此类系统可以相对于上述WO 2018/050913和WO 2020/104465来考虑。在一些实现方式中，扬声器142是骨传导扬声器。在一些实现方式中，一个或多个传感器130包括(i)第一麦克风，其与麦克风140相同或相似，并且被集成到声学传感器141中，和(ii)第二麦克风，其与麦克风140相同或相似，但是与集成到声学传感器141中的第一麦克风分开且不同。

RF发送器148产生和/或发送具有预定频率和/或预定幅度(例如，在高频带内、在低频带内、长波信号、短波信号等)的无线电波。RF接收器146检测从RF发送器148发送的无线电波的反射，并且该数据可以由控制系统110分析以确定用户的位置和/或本文描述的睡眠相关参数中的一者或多者。RF接收器(RF接收器146和RF发送器148或另一RF对)也可用于控制系统110、呼吸治疗装置122、一个或多个传感器130、用户装置170或其任意组合之间的无线通信。虽然RF接收器146和RF发送器148在图1中被示出为分离且不同的元件，但是在一些实现方式中，RF接收器146和RF发送器148被组合为RF传感器147(例如，RADAR传感器)的一部分。在一些此类实现方式中，RF传感器147包括控制电路。RF通信的特定格式可以是WiFi、蓝牙等。

在一些实现方式中，RF传感器147是网格系统的一部分。网格系统的一个示例是Wi-Fi网格系统，其可以包括网格节点、(一个或多个)网格路由器和(一个或多个)网格网关，它们中的每一者都可以是移动的/可移动的或固定的。在此类实现方式中，WiFi网格系统包括WiFi路由器和/或WiFi控制器以及一个或多个卫星(例如，接入点)，每个卫星包括与RF传感器147相同或相似的RF传感器。WiFi路由器和卫星使用WiFi信号连续地彼此通信。WiFi网格系统可以用于至少部分地基于路由器和卫星之间的WiFi信号中的变化(例如，接收信号强度中的差异)来生成运动数据，该变化是由于移动的物体或人部分地阻挡了信号而引起的。运动数据可以指示运动、呼吸、心率、步态、跌倒、行为等或其任意组合。

相机150输出可再现为可存储在存储器装置114中的一个或多个图像(例如，静止图像、视频图像、热图像或其组合)的图像数据。来自相机150的图像数据可由控制系统110用于确定本文所述的睡眠相关参数中的一者或多者。例如，来自相机150的图像数据可用于识别用户的位置、确定用户进入用户的床(诸如图2中的床230)的时间，以及确定用户离开床230的时间。相机150还可用于跟踪眼睛运动、瞳孔扩张(如果用户的一只或两只眼睛睁开)、眨眼率或REM睡眠期间的任意变化。相机150还可用于跟踪用户的位置，这可影响患有阻塞性睡眠呼吸暂停的用户的呼吸暂停事件的持续时间和/或严重性。

IR传感器152输出可再现为可存储在存储器装置114中的一个或多个红外图像(例如，静止图像、视频图像或两者)的红外图像数据。来自IR传感器152的红外数据可用于确定睡眠时段期间的一个或多个睡眠相关参数，包括用户的温度和/或用户的移动。当测量用户的存在、位置和/或移动时，IR传感器152也可以与相机150结合使用。例如，IR传感器152可以检测波长在约700nm和约1mm之间的红外光，而相机150可以检测波长在约380nm和约740nm之间的可见光。

PPG传感器154输出与用户相关联的生理数据，该生理数据可以用于确定一个或多个睡眠相关参数，例如心率、心率模式、心率变异性、心动周期、呼吸率、吸气幅度、呼气幅度、吸气-呼气比、估计的血压参数或其任意组合。PPG传感器154可以由用户佩戴、嵌入在由用户佩戴的衣服和/或织物中、嵌入在和/或联接至用户接口124和/或其相关联的头戴装置(例如，绑带等)等。

ECG传感器156输出与用户心脏的电活动相关联的生理数据。在一些实现方式中，ECG传感器156包括在睡眠时段期间位于用户的一部分之上或周围的一个或多个电极。来自ECG传感器156的生理数据可用于例如确定本文所述的睡眠相关参数中的一者或多者。

ECG传感器158输出与用户大脑的电活动相关联的生理数据。在一些实现方式中，EEG传感器158包括在睡眠时段期间定位在用户的头皮上或周围的一个或多个电极。来自EEG传感器158的生理数据可用于例如在睡眠期间的任何给定时间确定用户的睡眠阶段。在一些实现方式中，EEG传感器158可以集成在用户接口124和/或相关联的头盔(例如，绑带等)中。

电容性传感器160，力传感器162和应变仪传感器164输出可存储在存储器装置114中且由控制系统110使用以确定本文所述的睡眠相关参数中的一者或多者的数据。EMG传感器166输出与由一个或多个肌肉产生的电活动相关联的生理数据。氧传感器168输出指示气体(例如，在导管126中或在用户接口124处)的氧浓度的氧数据。氧气传感器168可以是例如超声波氧气传感器、电氧气传感器、化学氧气传感器、光学氧气传感器或其任意组合。在一些实现方式中，一个或多个传感器130还包括皮肤电反应(GSR)传感器、血流传感器、呼吸传感器、脉搏传感器、血压计传感器、血氧测定传感器或其任意组合。

分析物传感器174可用于检测用户呼气中分析物的存在。分析物传感器174输出的数据可以存储在存储器装置114中，并由控制系统110使用，以确定用户呼吸中任意分析物的身份和浓度。在一些实现方式中，分析物传感器174位于用户的嘴附近，以检测从用户的嘴呼出的呼吸中的分析物。例如，当用户接口124是覆盖用户的鼻子和嘴的面罩时，分析物传感器174可以位于面罩内以监视用户的嘴呼吸。在其他实现方式中，诸如当用户接口124是鼻罩或鼻枕面罩时，分析物传感器174可定位在用户的鼻子附近以检测通过用户鼻子呼出的呼吸中的分析物。在其他实现方式中，当用户接口124是鼻罩或鼻枕面罩时，分析物传感器174可以位于用户的嘴附近。在该实现方式中，分析物传感器174可用于检测任意空气是否无意中从用户的嘴泄漏。在一些实现方式中，分析物传感器174是挥发性有机化合物(VOC)传感器，其可用于检测碳基化学品或化合物，诸如二氧化碳。在一些实现方式中，分析物传感器174还可用于检测用户是否正在通过他们的鼻子或嘴呼吸。例如，如果由位于用户的嘴附近或面罩内(在用户接口124是面罩的实现方式中)的分析物传感器174输出的数据检测到分析物的存在，则控制系统110可以使用该数据作为用户正通过他们的嘴呼吸的指示。

湿度传感器176输出可以存储在存储器装置114中并由控制系统110使用的数据。湿度传感器176可用于检测围绕用户的各种区域中的湿度(例如，在导管126或用户接口124内、在用户的面部附近、在导管126和用户接口124之间的连接附近、在导管126和呼吸治疗装置122之间的连接附近等)。因此，在一些实现方式中，湿度传感器176可以被联接至或集成在用户接口124中或导管126中以监视来自呼吸治疗装置122的加压空气的湿度。在其他实现方式中，湿度传感器176被放置在需要监视湿度水平的任意区域附近。湿度传感器176还可以用于监视用户周围的周围环境的湿度，例如用户卧室内的空气。湿度传感器176还可以用于跟踪用户对环境变化的生物测量响应。

一个或多个激光雷达传感器178可用于深度感测。此类型的光学传感器(例如，激光传感器)可用于检测受试者并构建周围环境(诸如，生活空间)的三维(3D)图。激光雷达通常可以利用脉冲激光来进行飞行时间测量。激光雷达也被称为3D激光扫描。在使用此类传感器的示例中，具有LiDAR传感器178的固定或移动装置(诸如智能电话)可以测量和映射从传感器延伸5米或更远的区域。例如，激光雷达数据可以与由电磁RADAR传感器估计的点云数据融合。LiDAR传感器178还可以使用人工智能(AI)通过检测和分类可能引起RADAR系统的问题的空间中的特征来自动地地理栅栏RADAR系统，诸如玻璃窗(其可以是对RADAR高度反射的)。例如，激光雷达还可以用于提供人的身高的估计，以及当人坐下或跌倒时身高的变化。LiDAR可用于形成环境的3D网格表示。在进一步的用途中，对于无线电波穿过的固体表面(例如，透射线材料)，LiDAR可以反射离开此类表面，从而允许对不同类型的障碍物进行分类。

虽然在图1中单独示出，但是一个或多个传感器130的任意组合可以集成在系统100的任意一个或多个部件中和/或联接至系统100的任意一个或多个部件，包括呼吸治疗装置122、用户接口124、导管126、湿化罐129、控制系统110、用户装置170或其任意组合。例如，声学传感器141和/或RF传感器147可以集成在用户装置170中和/或联接至用户装置170。在此类实现方式中，用户装置170可以被认为是生成供系统100(例如，控制系统110)根据本公开的一些方面使用的附加或辅助数据的辅助装置。在一些实现方式中，压力传感器132和/或流量传感器134被集成到呼吸治疗装置122中和/或联接至呼吸治疗装置122。在一些实现方式中，一个或多个传感器130中的至少一者未联接至呼吸治疗装置122、控制系统110或用户装置170，并且在睡眠时段期间被定位成大体邻近用户(例如，被定位在用户的一部分上或与其接触、由用户佩戴、联接至或被定位在床头柜上、联接至床垫、联接至天花板等)。更通常，一个或多个传感器130可以位于相对于用户的任意合适的位置，使得一个或多个传感器130可以在一个或多个睡眠时段期间生成与用户和/或床伴220相关联的生理数据。

可以分析来自一个或多个传感器130的数据，以确定一个或多个睡眠相关参数，该睡眠相关参数可以包括呼吸信号、呼吸速率、呼吸模式、吸气幅度、呼气幅度、吸气-呼气比、一个或多个事件的发生、每小时的事件数量、事件模式、事件的平均持续时间、事件持续时间的范围、不同事件数量之间的比率、睡眠阶段、呼吸暂停-呼吸不足指数(AHI)或其任意组合。该一个或多个事件可以包括打鼾、呼吸暂停、中枢性呼吸暂停、阻塞性呼吸暂停、混合型呼吸暂停、呼吸不足、有意用户接口泄漏、无意用户接口泄漏、口腔泄漏、咳嗽、不宁腿、睡眠障碍、窒息、心率增加、呼吸困难、哮喘发作、癫痫发作、血压增加或其任意组合。这些睡眠相关参数中的许多是生理参数，尽管睡眠相关参数中的一些可以被认为是非生理参数。还可以根据来自一个或多个传感器130的数据或根据其他类型的数据来确定其他类型的生理和非生理参数。

用户装置170包括显示装置172。用户装置170可以是例如移动装置，诸如智能电话、平板电脑、膝上型计算机、游戏控制台、智能手表等。可替代地，用户装置170可以是外部感测系统、电视机(例如，智能电视机)或另一智能家庭装置(例如，诸如Google Home、Amazon Echo、Alexa等的智能扬声器)。在一些实现方式中，用户装置170是可穿戴装置(例如，智能手表)。显示装置172通常用于显示包括静止图像、视频图像或两者的图像。在一些实现方式中，显示装置172充当包括被配置为显示图像的图形用户界面(GUI)和输入界面的人机界面(HMI)。显示装置172可以是LED显示器、OLED显示器、LCD显示器等。输入界面可以是例如触摸屏或触敏基板、鼠标、键盘或被配置为感测由与用户装置170交互的人类用户进行的输入的任意传感器系统。在一些实现方式中，一个或多个用户装置170可以由系统100使用和/或包括在系统100中。

血压装置180通常用于帮助产生用于确定与用户相关联的一个或多个血压测量值的生理数据。血压装置180可以包括一个或多个传感器130中的至少一者，以测量例如收缩血压分量和/或舒张血压分量。

在一些实现方式中，血压装置180是血压计，该血压计包括可以由用户佩戴的可充气袖带和压力传感器(例如，在本文描述的压力传感器132)。例如，如图2的示例所示，血压装置180可以戴在用户的上臂上。在血压装置180是血压计的这种实现方式中，血压装置180还包括用于给袖带充气的泵(例如，手动操作的灯泡)。在一些实现方式中，血压装置180被联接至呼吸治疗系统120的呼吸治疗装置122，该呼吸治疗装置进而递送加压空气以对该袖带充气。更通常，血压装置180可以与控制系统110、存储器装置114、呼吸治疗系统120、用户装置170和/或活动跟踪器190通信地联接和/或物理地集成在其中(例如，在壳体内)。

活动跟踪器190通常用于帮助生成用于确定与用户相关联的活动测量的生理数据。活动测量可以包括，例如步数、行进的距离、攀登的步数、身体活动的持续时间、身体活动的类型、身体活动的强度、站立所花费的时间、呼吸速率、平均呼吸速率、休息呼吸速率、最大HE呼吸心率、呼吸速率变异性、心率、平均心率、休息心率、最大心率、心率变异性、燃烧的卡路里数、血氧饱和度、皮肤电活动(也称为皮肤电导或皮肤电反应)或其任意组合。活动跟踪器190包括本文描述的传感器130中的一者或多者，诸如，例如，运动传感器138(例如，一个或多个加速计和/或陀螺仪)、PPG传感器154和/或ECG传感器156。

在一些实现方式中，活动跟踪器190是可以由用户穿戴的可穿戴装置，诸如智能手表、腕带、戒指或贴片。例如，参考图2，活动跟踪器190佩戴在用户的手腕上。活动跟踪器190还可以联接至或集成到用户所穿的衣服或衣物。可替代地，活动跟踪器190还可联接至用户装置170或集成在用户装置870中(例如，在同一壳体内)。更通常，活动跟踪器190可以与控制系统110、存储器装置114、呼吸治疗系统120、用户装置170和/或血压装置180通信地联接或物理地集成在其中(例如，在壳体内)。

虽然控制系统110和存储器装置114在图1中被描述和示出为系统100的单独且不同的部件，但是在一些实现方式中，控制系统110和/或存储器装置114被集成在用户装置170和/或呼吸治疗装置122中。可替代地，在一些实现方式中，控制系统110或其一部分(例如，处理器112)可以位于云中(例如，集成在服务器中、集成在物联网(IoT)装置中、连接至云、经受边缘云处理等)、位于一个或多个服务器(例如，远程服务器、本地服务器等或其任意组合)中。

虽然系统100被示为包括上述所有组件，但是根据本公开的实现方式，在用于识别用户所使用的用户接口的系统中可以包括更多或更少的组件。例如，第一可选系统包括控制系统110、存储器装置114和一个或多个传感器130中的至少一者。作为另一示例，第二可选系统包括控制系统110、存储器装置114、一个或多个传感器130中的至少一者以及用户装置170。作为又一示例，第三备选系统包括控制系统110、存储器装置114、呼吸治疗系统120、一个或多个传感器130中的至少一者和用户装置170。作为另一示例，第四备选系统包括控制系统110、存储器装置114、呼吸治疗系统120、一个或多个传感器130中的至少一者、用户装置170，以及血压装置180和/或活动跟踪器190。因此，用于修改压力设置的各种系统可以使用在此示出和描述的部件的任何一个或多个部分和/或与一个或多个的各种系统。

再次参见图2，在一些实现方式中，控制系统110、存储器装置114、一个或多个传感器130中的任一个或其组合可以位于通常邻近床230和/或用户210的任何表面和/或结构上和/或中。例如，在一些实现方式中，一个或多个传感器130中的至少一者可以位于呼吸治疗系统120的与床230和/或用户210相邻的一个或多个部件上和/或之中的第一位置处。一个或多个传感器130可以联接至呼吸治疗系统120，用户接口124、导管126、显示装置128、湿化罐129或其组合。

可替代地或另外地，一个或多个传感器130中的至少一者可以位于床230上和/或床230中的第二位置(例如，一个或多个传感器130联接至床230和/或集成到床230中)。此外，可替代地或另外地，该一个或多个传感器130中的至少一者可以位于床垫232上和/或床垫232中的第三位置处，该第三位置邻近床230和/或用户210(例如，该一个或多个传感器130联接至床垫232上和/或整合到床垫232中)。可替代地或另外地，一个或多个传感器130中的至少一者可以位于枕头上和/或枕头中的第四位置，该枕头通常邻近床230和/或用户210。

可替代地或另外地，一个或多个传感器130中的至少一者可以位于床罩240上和/或床罩240中的第五位置，该位置通常邻近床230和/或用户210。可替代地或另外地，该一个或多个传感器130中的至少一者可以被定位在第六位置处，使得该一个或多个传感器130中的该至少一个被联接至和/或定位在用户210上(例如，该一个或多个传感器130被嵌入或联接至织物、衣服，和/或由用户210佩戴的智能装置上)。更通常，一个或多个传感器130中的至少一者可以位于相对于用户210的任何合适的位置，使得一个或多个传感器130可以生成与用户210相关联的传感器数据。

在一些实现方式中，诸如麦克风140的主传感器被配置为在睡眠时段期间生成与用户210相关联的声学数据。例如，一个或多个麦克风(与图1的麦克风140相同或相似)可以集成在和/或联接至(i)呼吸治疗装置122的电路板，(ii)导管126，(iii)呼吸治疗系统120的部件之间的连接器，(iv)用户接口124，(v)与用户接口相关联的头带(例如，带子)，或(vi)其组合。

在一些实现方式中，除了主传感器之外，还可以使用一个或多个次传感器来生成附加数据。在一些此类实现方式中，该一个或多个次级传感器包括：麦克风(例如，系统100的麦克风140)、流量传感器(例如，系统100的流量传感器134)、压力传感器(例如，系统100的压力传感器132)、温度传感器(例如，系统100的温度传感器136)、相机(例如，系统100的相机150)、叶片传感器(VAF)、热丝传感器(MAF)、冷丝传感器、层流传感器、超声波传感器、惯性传感器或其组合。

另外或替代地，一个或多个麦克风(与图1的麦克风140相同或类似)可以集成在和/或耦合到协同定位的智能装置，诸如用户装置170、TV、手表(例如，机械手表或用户佩戴的另一智能装置)、挂件、床垫232、床230、位于床230上的床上用品、枕头、扬声器(例如，图1的扬声器142)、无线电、平板装置、无水湿化器或其组合。协同定位的智能装置可以是在用于检测由用户、呼吸治疗系统120和/或系统100的任何部分发出的声音的范围内的任何智能装置。在一些实现方式中，协同定位的智能装置是在睡眠时段期间与用户在同一房间中的智能装置。

另外或可替代地，在一些实现方式中，一个或多个麦克风(与图1的麦克风140相同或相似)可以远离系统100(图1)和/或用户210(图2)，只要存在允许声学信号传播到一个或多个麦克风的空气通道。例如，一个或多个麦克风可以在与包含系统100的房间不同的房间中。

如本文所使用的，可以至少部分地基于例如初始开始时间和结束时间以多种方式来定义睡眠时段。在一些实现方式中，睡眠时段是用户睡眠的持续时间，即，睡眠时段具有开始时间和结束时间，并且在睡眠时段期间，用户直到结束时间才醒来。也就是说，用户醒着的任意时段都不包括在睡眠时段中。根据睡眠时段的该第一定义，如果用户在同一夜晚多次醒来并入睡，则由醒来间隔分开的每个睡眠间隔是睡眠时段。

可替代地，在一些实现方式中，睡眠时段具有开始时间和结束时间，并且在睡眠时段期间，只要用户醒着的连续持续时间低于醒着持续时间阈值，用户就可以醒着，而睡眠时段不结束。觉醒持续时间阈值可以被定义为睡眠时段的百分比。觉醒持续时间阈值可以是例如睡眠时段的大约20％、睡眠时段持续时间的大约15％、睡眠时段持续时间的大约10％、睡眠时段持续时间的大约5％、睡眠时段持续时间的大约2％等，或任意其他阈值百分比。在一些实现方式中，觉醒持续时间阈值被定义为固定的时间量，诸如大约一小时、大约三十分钟、大约十五分钟、大约十分钟、大约五分钟、大约两分钟等，或任意其他时间量。

在一些实现方式中，睡眠时段被定义为在晚上用户首先上床的时间与第二天早上用户最后起床的时间之间的整个时间。换言之，睡眠时段可以被定义为一个时间段，即开始于在当用户第一次上床想要入睡时(例如，如果用户不打算在入睡之前首先看电视或使用智能电话，则不是这样)，可以被称为当前晚上的第一时间(例如，下午10:00)的第一日期(例如，2020年1月6日星期一)，并且结束于在当用户第一次下床并且不想在第二天早上睡觉时，可以被称为第二天早晨的第二时间(例如，上午7:00)的第二日期(例如，2020年1月7日星期二)。

在一些实现方式中，用户可以手动定义睡眠时段的开始和/或手动终止睡眠时段。例如，用户可以选择(例如，通过点击或轻敲)在用户装置170(图1)的显示装置172上显示的一个或多个用户可选元素来手动发起或终止睡眠时段。

参考图3，示出了睡眠时段的示例性时间线300。时间线300包括上床时间(t_入床)、进入睡眠时间(t_GTS)、初始睡眠时间(t_睡眠)、第一微觉醒MA₁、第二微觉醒MA₂、觉醒A、觉醒时间(t_觉醒)和起床时间(t_起床)。

进入床时间t_入床与用户在入睡之前(例如，当用户躺下或坐在床中时)最初进入床(例如，图2中的床230)的时间相关联。可至少部分地基于床阈值持续时间来识别上床时间t_入床，以在用户上床睡觉的时间和用户出于其他原因(例如，观看TV)上床的时间之间进行区分。例如，床阈值持续时间可以是至少约10分钟、至少约20分钟、至少约30分钟、至少约45分钟、至少约1小时、至少约2小时等。尽管在本文中参照床描述了入床时间t_入床，但是更通常，入床时间t_入床可以指用户最初进入任意位置以睡觉的时间(例如，睡椅、椅子、睡袋等)。

入睡时间(GTS)与用户在进入床之后最初尝试入睡的时间(t_入床)相关联。例如，在上床之后，用户可以参加一个或多个活动以在尝试睡眠之前放松一下(例如，阅读、观看电视、听音乐、使用用户装置170等)。初始睡眠时间(t_睡眠)是用户初始入睡的时间。例如，初始睡眠时间(t_睡眠)可以是用户初始进入第一非REM睡眠阶段的时间。

觉醒时间t_觉醒是与用户在不回到睡眠的情况下醒来的时间(例如，与用户在晚间醒来并回到睡眠相反)相关联的时间。用户可以在最初入睡之后体验具有短持续时间(例如，5秒、10秒、30秒、1分钟等)的多个无意识微觉醒(例如，微觉醒MA₁和MA₂)中的一个。与觉醒时间t_觉醒相反，用户在微觉醒MA₁和MA₂中的每一者之后回到睡眠。类似地，用户可以在最初入睡(例如，起床去浴室、照顾儿童或宠物、睡眠行走等)之后具有一个或多个有意识的觉醒(例如，觉醒A)。然而，用户在觉醒A之后回到睡眠。因此，可以例如至少部分地基于觉醒阈值持续时间(例如，用户被觉醒至少15分钟、至少20分钟、至少30分钟、至少1小时等)来定义觉醒时间t_觉醒。

类似地，起床时间t_起床与用户起床并起床以结束睡眠时段(例如，与用户在夜间起床去浴室、照顾儿童或宠物、睡眠行走等相反)的时间相关联。换言之，起床时间t_起床是用户最后起床而不返回床直到下一个睡眠时段(例如，下一个晚上)的时间。因此，可以例如基于上升阈值持续时间(例如，用户已经起床至少15分钟、至少20分钟、至少30分钟、至少1小时等)来定义起床时间t_起床。还可以至少部分地基于上升阈值持续时间(例如，用户已经起床至少4小时、至少6小时、至少8小时、至少12小时等)来定义第二后续睡眠时段的入床时间t_入床时间。

如上所述，在最初的t_入床和最后的t_起床之间的夜晚期间，用户可以醒来并起床一次以上。在一些实现方式中，最终觉醒时间t_觉醒和/或最终起床时间t_起床是至少部分地基于事件(例如，入睡或起床)之后的预定阈值持续时间来识别或确定的。此类阈值持续时间可以为用户定制。对于在晚上睡觉、然后在早晨醒来和离床的标准用户，可以使用在大约12和大约18小时之间的任意时段(在用户醒来(t_觉醒)或起床(t_起床)之间，以及用户上床(t_入床)、进入睡眠(t_GTS)或入睡(t_睡眠)。对于在床上花费较长时段的用户，可以使用较短的阈值时段(例如，在约8小时和约14小时之间)。可以至少部分地基于监视用户睡眠行为的系统来初始地选择和/或稍后调整阈值周期。

床中总时间(TIB)是入床时间t_入床和起床时间t_起床之间的持续时间。总睡眠时间(TST)与初始睡眠时间和觉醒时间之间的持续时间相关联，不包括其间的任意有意识或无意识的觉醒和/或微觉醒。通常，总睡眠时间(TST)将比总卧床时间(TIB)短(例如，一分钟短、十分钟短、一小时短等)。例如，参考图3的时间线300，总睡眠时间(TST)跨越初始睡眠时间t_睡眠和觉醒时间t_觉醒之间，但不包括第一微觉醒MA1，第二微觉醒MA₂和觉醒A的持续时间。如图所示，在该示例中，总睡眠时间(TST)比床中的总时间(TIB)短。

在一些实现方式中，总睡眠时间(TST)可以被定义为持久总睡眠时间(PTST)。在这些实现方式中，持续总睡眠时间不包括第一非REM阶段(例如，浅睡眠阶段)的预定初始部分或时段。例如，预定初始部分可以在大约30秒和大约20分钟之间、在大约1分钟和大约10分钟之间、在大约3分钟和大约5分钟之间等。持续的总睡眠时间是持续睡眠的度量，并且使睡眠-觉醒睡眠图平滑。例如，当用户最初入睡时，用户可以处于第一非REM阶段很短的时间(例如，大约30秒)，然后返回到觉醒阶段很短的时间(例如，一分钟)，然后返回到第一非REM阶段。在此示例中，持久总睡眠时间排除第一非REM阶段的第一实例(例如，约30秒)。

在一些实现方式中，睡眠时段被定义为在入床时间(t_入床)开始并在起床时间(t_起床)结束，即，睡眠时段被定义为总入床时间(TIB)。在一些实现方式中，睡眠时段被定义为在初始睡眠时间(t_睡眠)开始并在觉醒时间(t_觉醒)结束。在一些实现方式中，睡眠时段被定义为总睡眠时间(TST)。在一些实现方式中，睡眠时段被定义为在进入睡眠时间(t_GTS)开始并在觉醒时间(t_觉醒)结束。在一些实现方式中，睡眠时段被定义为在进入睡眠时间(t_GTS)开始并在起床时间(t_起床)结束。在一些实现方式中，睡眠时段被定义为在入床时间(t_入床)开始并在觉醒时间(t_觉醒)结束。在一些实现方式中，睡眠时段被定义为在初始睡眠时间(t_睡眠)开始并在起床时间(t_起床)结束。

参考图4，图示了根据一些实现方式的对应于时间线300(图3)的示例性睡眠图400。如图所示，睡眠图400包括睡眠-觉醒信号401、觉醒阶段轴410、REM阶段轴420、浅睡眠阶段轴430和深睡眠阶段轴440。睡眠-清醒信号401与轴410-440中的一者之间的相交指示在睡眠时段期间给定时间的睡眠阶段。

睡眠-清醒信号401可至少部分地基于与用户相关联的生理数据(例如，由本文所述的传感器130中的一者或多者产生)而产生。睡眠-觉醒信号可以指示一种或多种睡眠状态、包括觉醒、放松的觉醒、微觉醒、REM阶段、第一非REM阶段、第二非REM阶段、第三非REM阶段或其任意组合。在一些实现方式中，第一非REM阶段，第二非REM阶段和第三非REM阶段中的一者或多者可以被分组在一起并且被分类为浅睡眠阶段或深睡眠阶段。例如，浅睡眠阶段可以包括第一非REM阶段，而深睡眠阶段可以包括第二非REM阶段和第三非REM阶段。虽然在图4中示出的睡眠图400包括浅睡眠阶段轴430和深睡眠阶段轴440，但是在一些实现方式中，睡眠图400可以包括用于第一非REM阶段、第二非REM阶段和第三非REM阶段中的每一者的轴。在其他实现方式中，睡眠-觉醒信号还可以指示呼吸信号、呼吸速率、吸气幅度、呼气幅度、吸气-呼气幅度比、吸气-呼气持续时间比、每小时事件的数量、事件的模式或其任意组合。描述睡眠-觉醒信号的信息可以存储在存储器装置114中。

睡眠图400可以用于确定一个或多个睡眠相关参数，诸如睡眠开始潜伏期(SOL)、睡眠后觉醒开始(WASO)、睡眠效率(SE)、睡眠分段指数、睡眠块或其任意组合。

睡眠开始等待时间(SOL)被定义为进入睡眠时间(t_GTS)和初始睡眠时间(t_睡眠)之间的时间。换言之，睡眠开始等待时间表示用户在最初尝试入睡之后实际入睡所花费的时间。在一些实现方式中，睡眠开始等待时间被定义为持续睡眠开始等待时间(PSOL)。持续睡眠开始等待时间与睡眠开始等待时间的不同之处在于，持续睡眠开始等待时间被定义为进入睡眠时间与预定量的持续睡眠之间的持续时间。在一些实现方式中，预定量的持续睡眠可包括例如在第二非REM阶段、第三非REM阶段和/或REM阶段内睡眠至少10分钟，并且觉醒不超过2分钟、第一非REM阶段和/或其间的移动。换句话说，在第二非REM阶段、第三非REM阶段和/或REM阶段和/或REM阶段内持续睡眠多达例如8分钟。在其他实现方式中，预定量的持续睡眠可以包括在初始睡眠时间之后的第一非REM阶段、第二非REM阶段、第三非REM阶段和/或REM阶段内的至少10分钟的睡眠。在此类实现方式中，预定量的持续睡眠可以排除任意微觉醒(例如，十秒微觉醒不重新开始10分钟时段)。

睡眠后觉醒开始(WASO)与用户在初始睡眠时间和觉醒时间之间醒着的总持续时间相关联。因此，睡眠后觉醒开始包括睡眠时段期间的短暂和微觉醒(例如，图4中所示的微觉醒MA₁和MA₂)，无论是有意识的还是无意识的。在一些实现方式中，睡眠后觉醒开始(WASO)被定义为仅包括具有预定长度(例如，大于10秒、大于30秒、大于60秒、大于约5分钟、大于约10分钟等)的觉醒的总持续时间的持续睡眠后觉醒开始(PWASO)。

睡眠效率(SE)被确定为床中总时间(TIB)与总睡眠时间(TST)的比率。例如，如果在床上的总时间是8小时并且总睡眠时间是7.5小时，则该睡眠时段的睡眠效率是93.75％。睡眠效率指示用户的睡眠卫生。例如，如果用户在睡觉之前上床并花费时间从事其他活动(例如，观看电视)，则睡眠效率将降低(例如，用户被处罚)。在一些实现方式中，可以至少部分地基于床上总时间(TIB)和用户试图睡眠的总时间来计算睡眠效率(SE)。在此类实现方式中，用户试图睡眠的总时间被定义为进入睡眠(GTS)时间本文描述的起床时间之间的持续时间。例如，如果总睡眠时间是8小时(例如，在11PM和7AM之间)，进入睡眠时间是10：45PM，并且起床时间是7：15AM，则在此类实现方式中，睡眠效率参数被计算为大约94％。

至少部分地基于睡眠时段期间的觉醒次数来确定分段指数。例如，如果用户具有两个微觉醒(例如，图4中所示的微觉醒MA₁和微觉醒MA₂)，则分段指数可以表示为2。在一些实现方式中，分段指数在整数的预定范围之间(例如，在0和10之间)缩放。

睡眠块与任意睡眠阶段(例如，第一非REM阶段、第二非REM阶段、第三非REM阶段和/或REM)和觉醒阶段之间的过渡相关联。可以以例如30秒的分辨率计算休眠块。

在一些实现方式中，本文描述的系统和方法可以包括生成或分析包括睡眠-觉醒信号的睡眠图，以至少部分地基于睡眠图的睡眠-觉醒信号来确定或识别进入床时间(t_入床)、进入睡眠时间(t_GTS)、初始睡眠时间(t_睡眠)、一个或多个第一微觉醒(例如，MA₁和MA₂)、觉醒时间(t_觉醒)、起床时间(t_起床)或其任意组合。

在其他实现方式中，传感器130中的一者或多者可以用于确定或识别进入床时间(t_入床)、进入睡眠时间(t_GTS)、初始睡眠时间(t_睡眠)、一个或多个第一微觉醒(例如，MA₁和MA₂)、觉醒时间(t_觉醒)、起床时间(t_起床)或其任意组合，其进而定义睡眠时段。例如，可以至少部分地基于例如由运动传感器138、麦克风140、相机150或其任意组合生成的数据来确定进入床时间t_入床。例如，可以至少部分地基于来自运动传感器138的数据(例如，指示用户没有移动的数据)、来自相机150的数据(例如，指示用户没有移动和/或用户已经关闭灯的数据)、来自麦克风140的数据(例如，指示使用关闭TV的数据)、来自用户装置170的数据(例如，指示用户不再使用用户装置170的数据)、来自压力传感器132和/或流量传感器134的数据(例如，指示用户打开呼吸治疗装置122的数据、指示用户穿上用户接口124的数据等)或其任意组合来确定进入睡眠时间。

图5图示了根据本公开的各方面的响应于指示用户接口的一个或多个特征的声学反射而生成声学数据。声学数据的产生包括声学传感器141，该传感器包括麦克风140(或任何类型的音频换能器)和扬声器142。然而，如上所述，扬声器142可替代地由能够产生声学信号的另一装置(诸如呼吸治疗装置122的马达)代替。麦克风140和扬声器142被示出为在相对于导管126的特定位置，该导管126连接至呼吸治疗装置122(未示出)。然而，如上所述，麦克风140和扬声器142的位置可以不同于所示的位置。

扬声器142在导管126内发射声学信号502。声学信号502是声音的形式。声音可以是标准声音(例如，来自现成声音应用的原始的未修改的声音)、定制声音、听不见的频率、白噪声声音、宽带脉冲、连续正弦波形、方波波形、锯齿波形、以及调频正弦曲线(例如，啁啾)中的一者或多者。根据一些其他实现方式，声学信号502可以是可听声音或超声声音中的一种或多种的形式。根据一些其他实现方式，声学信号502是以听不见的声音的形式，其中基于声音的频率(例如，在人类听觉的频率范围之外的频率)或声音的幅度(例如，幅度足够低使得声音对于人类感知不够响亮)中的一者或两者，声音是听不见的。

在一个或多个实现方式中，在特定时间发射声学信号502，诸如当用户首先戴上用户接口时，在用户脱下用户接口之后，在检测到呼吸暂停事件或呼吸不足事件正在发生之后(例如，在使用呼吸治疗装置检测到呼吸暂停事件或呼吸不足事件正在发生之后)。例如，特定的监测时间被选择为在至少4秒的持续时间内以0.1秒的间隔。

声学信号502沿导管126的长度L向下传播，直到声学信号502在用户接口124与导管126的连接506处或附近接触用户接口124的特征504。特征504可包括通过导管126和用户接口124形成的通路508的加宽(或变窄)。特征504处的加宽导致声学信号502的声阻抗和声反射510的变化。声学反射510沿着管道126的长度L往回传播，直到其到达麦克风140。麦克风140检测声反射510并响应于声反射510产生声学数据。随后生成的声学数据随后被分析用于对用户接口进行分类和/或表征，如下面参考图7进一步讨论的。

声学信号502可以继续超出特征504并进入用户接口124。尽管未示出，但是用户接口124可以包括改变声学信号502的声阻抗的一个或多个附加特征，其进一步产生声反射510。因此，虽然仅特征504被示出和描述为引起声学反射510，但是可以存在用户接口124的多个特征，这些特征都可以有助于声学反射510。

照此，在一些实现方式中，系统100被配置为生成声学数据，该声学数据进而由控制系统110分析。在一些实现方式中，声学数据包括由麦克风(例如，系统100的麦克风140)接收的，从扬声器(例如，系统100的扬声器142，或外部扬声器)发送的反射声波。该反射声波表示声波路径中的分量的形状和尺寸。另外或可替代地，声学数据包括来自用户的指示一个或多个睡眠相关参数(例如，通过鼻子的呼吸，通过嘴的呼吸、打鼾、嗅探)的声音。

例如，声学数据可以包括由麦克风140生成的数据。扬声器142产生声音。声音可以穿过湿化罐129，沿着第一连接，沿着导管126，经由第二连接，经由无水湿化器(如果装配的话)到达一个或多个面罩空腔(例如，鼻孔和/或嘴部)，到达用户的呼吸治疗系统(包括鼻子和/或嘴部、气道、肺等)。对于路径中的每个变化(例如，腔、结、形状的变化)，在该点处看到基于声速的反射。反射的不同类型和距离可用于定义用户接口124的类型和/或模型。

在一些实现方式中，实现倒谱分析以分析声学数据。倒谱是“准时(quefrency)”域，其也被称为时域波形的对数频谱。例如，倒谱可以被认为是分贝频谱的前向傅立叶变换的对数频谱的逆傅立叶变换等。该操作基本上可以将脉冲响应函数(IRF)和声源的卷积转换成加法操作，使得声源然后可以被更容易地考虑或移除，以便隔离IRF的数据用于分析。倒谱分析的技术在名称为"The Cepstrum:A Guide to Processing”(Childers等人，Proceedings of the IEEE，第65卷，第10期，1977年10月)和Randall RB，频率分析，哥本哈根：Bruel&Kjaer，第344页(1977，修订版1987)，其通过引用并入本文。A Guide toProcessing”(Childers et al,Proceedings of the IEEE,Vol.65,No.10,Oct 1977)andRandall RB,Frequency Analysis,Copenhagen:Bruel&Kjaer,p.344(1977,reviseded.1987),which is hereby incorporated by reference herein in its entirety.

此类方法可以根据卷积特性来理解。F和g的卷积可以写为f*g。该运算可以是两个函数(f和g)的乘积在一个被反转和移位之后的积分。这样，它是如等式1的一类积分变换，如下：

虽然上面使用了符号t，但是它不需要表示时域。但是，在该上下文中，卷积公式可以被描述为在时刻t的函数f(τ)的加权平均，其中加权由简单地移位量t的g(-τ)给出。当t改变时，加权函数强调输入函数的不同部分。

更通常，如果f和g是Rd上的复值函数，则它们的卷积可以被定义为等式2的积分：

可以将声学系统输出与时间恒定线性系统的输入相关联的数学模型可以基于该卷积，该时间恒定线性系统例如是涉及呼吸治疗装置的导管的系统(其可以包括系统的一些人或其他未知部分)。在系统的麦克风处测量的输出可以被认为是与作为时间(t)的函数的系统脉冲响应函数(IRF)“卷积”的输入噪声，如等式3所示：

y(t)＝s₁(t)*h₁(t) 等式3

其中*表示卷积函数；y(t)是在该声音传感器处测量的信号；S1(t)是声音或噪声源，诸如在呼吸治疗装置的气流发生器中或由气流发生器产生的噪声或声音；并且h1(t)是从噪声或声源到声音传感器的系统IRF。脉冲响应函数(IRF)是对单位脉冲输入的系统响应。

通过测量的声音数据的傅立叶变换(例如，离散傅立叶变换(“DFT”)或快速傅立叶变换(“FFT”))并考虑卷积定理，将等式3转换成频域，产生等式4：

其中Y(f)是y(t)的傅立叶变换；S1(f)是s1(t)的傅立叶变换；并且H1(f)是h1(t)的傅立叶变换。在这种情况下，时域中的卷积变成频域中的乘法。

可以应用等式4的对数，使得乘法被转换为加法，得到等式5：

Log{Y(f)}＝Log{S₁(f)H₁(f)}＝Log{S₁(f)}+Log{H₁(f)} 等式5

然后可以通过傅立叶逆变换(IFT)(例如，逆DFT或逆FFT)将等式5转换回时域，这导致复倒频谱(K(τ))(复因为可以从复频谱工作)-频谱的对数的傅立叶逆变换；等式6。

K(τ)＝IFT[Log{S₁(f)}+Log{H₁(f)}] 等式6

其中“τ”是称为准当前值的实值变量，单位以秒测量。由此，在时域中卷积的效果在频谱的对数中变为加性的，并且在倒谱中保持这样。

对来自倒谱分析的数据的考虑，诸如检查准货币的数据值，可以提供关于系统的信息。例如，通过将系统的倒谱数据与该系统的倒谱数据的先前或已知基线进行比较，该比较(诸如差异)可用于识别系统中的差异或相似性，该差异或相似性然后可用于实现本文所公开的各种功能或目的。以下公开内容可利用如本文所解释的这种分析的方法来实现用户接口的识别。

因此，在一些实现方式中，可以使用使用倒谱的声学数据分析来测量用户接口124、鼻通道、估计的鼻窦尺寸的横截面积和横截面积的变化。鼻通道和鼻窦的估计尺寸的变化可以指示炎症和/或充血。

在一些实现方式中，可以实现直接频谱方法来分析声学数据。直接谱方法的一些示例包括处理离散傅里叶变换(DFT)、具有滑动窗的快速傅里叶变换(FFT)、短时傅里叶变换(STFT)、小波、基于小波的倒谱计算、深度神经网络(例如，使用应用于频谱图的成像方法)、希尔伯特黄变换(HHT)、经验模式分解(EMD)、盲源分离(BSS)、卡尔曼滤波器或其组合。在一些实现方式中，诸如，通过将声学数据分析作为语音识别问题来对待并且使用机器学习/分类系统，可以使用诸如Mel频率倒谱系数(MFCC)的倒谱系数(CC)。

在一些实现方式中，本公开的系统包括流量传感器(例如，图1的流量传感器134)和/或压力传感器(例如，图1的压力传感器132)。流量传感器134可用于在睡眠时段期间生成与呼吸治疗装置122的用户210(图2)相关联的流数据。在国际公布第WO 2012/012835号中描述了流量传感器(诸如流量传感器134)的示例，该国际公布通过引用以其全文结合在此。在一些实现方式中，流量传感器134被配置为测量通气流量(例如，有意的“泄漏”)、无意的泄漏(例如，嘴泄漏(例如，当使用鼻罩或鼻枕罩时从嘴的泄漏)和/或罩泄漏)、患者流量(例如，空气进入和/或离开肺)或其组合。在一些实现方式中，可以分析流数据以确定用户的心原性振荡。

在一些实现方式中，流量传感器和/或压力传感器被配置为在治疗时间段上生成流数据。例如，图6A图示了根据本公开的一些实现方式的与呼吸治疗系统(例如，图1的呼吸治疗系统120)的用户(例如，图2的用户210)相关联的这种流数据的一部分。如图6A所示，在大约七个完全呼吸循环(601-607)上测量的多个流量值被绘制为连续曲线610。

在一些实现方式中，压力传感器被配置为在治疗时间段上生成压力数据。例如，图6B图示了根据本公开的一些实现方式的与CPAP系统的用户相关联的压力数据。图6B所示的压力数据是在与图6A相同的治疗时间内产生的。如图6B所示，在大约七个完全呼吸周期(601-607)上测量的多个压力值被绘制为连续曲线620。因为使用了CPAP系统，所以图6B的连续压力曲线呈现具有相对较小振幅的大致正弦曲线图案，因为CPAP系统试图在七个全呼吸循环期间保持系统的恒定预定空气压力。

参见图6C，根据本公开的一些实现方式，图示了与具有呼气减压(EPR)模块的呼吸治疗系统的用户相关联的压力数据。图6C所示的压力数据是在与图6A相同的治疗时间内产生的。如图6C所示，在大约七个完整呼吸周期(601-607)上测量的多个压力值被绘制为连续曲线630。图6C的连续曲线630不同于图6B的连续曲线620，因为EPR(说明性压力释放)模块(用于图6C中的压力数据)可以具有用于EPR水平的不同设置，该EPR水平与吸气期间的压力水平和呼气期间的降低的压力水平之间的差异相关联。

参考图7，公开了用于识别用户接口的方法700的流程图。通常，方法700可用于表征用户接口具有的通风口的类型，以便将用户接口分类为已知具有该通风口的特定类型。方法700的一个或多个步骤可以使用在本文描述的系统100(图1-2)的任何要素或方面来实现。在步骤710，接收与呼吸治疗系统中流动的空气相关联的流数据。流数据可以包括流数据和/或压力数据。可以使用系统100的一个或多个传感器130，诸如流量传感器134和/或压力传感器132来产生流数据。

在步骤720，接收与呼吸治疗系统相关联的声学数据。可以使用系统100的一个或多个传感器130(诸如麦克风140和/或扬声器142)来生成声学数据。如本文所讨论的，麦克风140可以在呼吸治疗系统的外部。另外或可替代地，麦克风140可以联接至智能装置、智能电话、智能扬声器或其任意组合。另外或可替代地，麦克风140可以是集成麦克风，其联接至(i)呼吸治疗系统的呼吸治疗装置的导管，(ii)呼吸治疗系统的呼吸治疗装置的电路板，(iii)呼吸治疗系统的连接器，(iv)呼吸治疗系统的用户接口，或(v)呼吸治疗系统的任何其他部件。

在一些实现方式中，当用户在睡眠时段期间佩戴用户接口时，接收在步骤710接收的流数据和在步骤720接收的声学数据。在其他实现方式中，当用户没有佩戴用户接口时接收流数据和声学数据。在另外的实现方式中，在专用时间段期间接收流数据和声学数据，该专用时间段可以在睡眠时段开始之前，或者在用户入睡之前的睡眠时段开始时。在该专用时间段期间，用户可以佩戴用户接口，不佩戴用户接口，或者佩戴用于一个或多个部分的第一集合的用户接口而不佩戴用于一个或多个部分的第二集合的用户接口。可以响应于从用户接收指令和/或输入而启动流数据和声学数据的收集。

在步骤730，分析接收的流数据和接收的声学数据。在一些实现方式中，分析的声学数据包括倒谱数据和/或如以上参考图5所讨论的声谱特征。在一些此类实现方式中，分析接收的声学数据包括倒谱分析、自倒谱分析、自相关分析、谱分析或其组合。频谱分析可以包括具有滑动窗口的快速傅立叶变换(FFT)、频谱图、短时傅立叶变换(STFT)、基于小波的分析或其组合。

此外，在一些实现方式中，分析接收的流数据和接收的声学数据(步骤730)包括处理接收的流数据(步骤710)和/或接收的声学数据(步骤720)以识别一个或多个特征。这些特征可以包括倒谱的最大幅度、倒谱的最小幅度、倒谱的标准偏差、倒谱的偏斜度、倒谱的峰度、倒谱的绝对值的中值、倒谱的绝对值的总和、倒谱的正面积的总和、倒谱的负面积的总和、基频、与基频相对应的能量、平均能量、导管和用户接口的组合的至少一个谐振频率、至少一个谐振频率的变化、范围内的峰值的数量、峰值突出、峰值之间的距离、一个或多个谱特征、一个或多个频率、一个或多个幅度、一个或多个压力值、一个或多个流量值、压力值与流量值的一个或多个比率、或者其任何组合或变化。涉及变化的任何特征可以包括相对于先前确定的特征的变化，相对于已知特定面罩特征库的变化，或相对于其他基线值的变化。

在步骤760处，至少部分地基于分析来确定用户接口的面罩类型。例如，在一些实现方式中，用于用户接口的面罩类型包括面罩系列，诸如(i)全脸，(ii)部分脸，(iii)鼻和(iv)鼻枕。在一些实现方式中，面罩类型还可以包括全脸面罩，其除了用户的嘴和鼻子之外还可以覆盖用户的一些或全部眼睛和/或耳朵。另外或可替代地，在一些实现方式中，用户接口的面罩类型包括面罩尺寸。在一些此类实现方式中，面罩尺寸包括超小、小、中、大、超大或任何合理的中间尺寸，诸如小/中等等。另外或可替代地，在一些实现方式中，用户接口的面罩类型包括用户接口的面罩模型。另外或可替代地，在一些实现方式中，用户接口的面罩类型包括用户接口的面罩制造商。

另外地或另选地，在一些实现方式中，用户接口的面罩类型包括面罩样式。例如，面罩样式可包括面部安装样式、管道样式或两者。面部佩戴式面罩通常是指通常定位在用户面部的前部上的面罩，其中导管在用户面部的前部处附接到面罩的前部。面部安装式面罩可包括一个或多个围绕用户头部延伸的带子，以将面罩固定到用户头部。图2大致图示了面部安装式面罩。导管型面罩，也称为头戴面罩或头戴用户接口，是包括围绕用户头部延伸的其自身导管的面罩。来自该呼吸治疗装置的导管在该用户头部的顶部处联接至该导管式面罩的导管。然后，导管式面罩的导管延伸到用户面部的前面，并定位在用户的嘴和/或鼻子的前面，以向用户的气道提供空气。在一些实现方式中，导管式面罩具有在用户面部的一侧延伸的单个导管。在其他实现方式中，导管式面罩具有在用户面部的任一侧延伸的两个导管。

在一些实现方式中，方法700还包括步骤740，其中至少部分地基于分析的流数据来确定用户接口的基于流的面罩类型。在一些这样的实现方式中，为基于流的面罩类型确定多个面罩类型中的每一者的相应似然性(例如，以置信区间、概率、分数、百分比、排名、是/否、描述性词语等的形式)。

在一些实现方式中，分析接收的流数据(在步骤730)和确定用户接口的基于流量的面罩类型(在步骤740)可以包括确定用户接口的压力-流量曲线。方法700可以包括接收与呼吸治疗系统相关联的压力数据，该压力数据可以与流数据(或在一些实现方式中作为流数据的替代)一起被接收。对于各种不同的压力和流量，压力-流量曲线可用于确定压力与流量的比率。然后，对于多种不同的面罩类型，可以将压力和流量之间的比率映射到压力和流量的已知比率。该映射可以是步骤740、步骤760或独立步骤的一部分。

如本文所讨论的，在一些实现方式中，路径由呼吸治疗装置(例如，呼吸治疗装置122)、面罩(例如，用户接口124)和导管(例如，导管126)形成。导管产生第一阻抗Z1(湿化器容器、管和面罩阻抗)，这又引起作为总流量Qt的函数的压降ΔP。用户接口(例如，面罩)压力Pm是装置压力Pd减去通过导管的压降ΔP。

Pm＝Pd-ΔP 等式7

其中ΔP是压降，这是导管的特性。压降ΔP是总流量Qt的函数：

ΔP＝Z1·Qt等式8 等式8

在一些实现方式中，面罩的通气口产生第二阻抗Z2(通气口阻抗)。面罩接口压力Pm经由通气阻抗特性Z2与通气流量Qv直接相关：

Pm＝Z2·Qv 等式9

类似地，经由通气口进入特性Y2，通气口流量Qv与面罩接口压力Pm直接相关：

Qv＝Y2·Pm 等式11

将等式(7)与等式(11)相结合，可以将通气流量Qv确定为：

Qv＝Y2·(Pd-ΔP) 等式12

未知且不可预测变化的非故意泄漏产生第三阻抗Z3(泄漏阻抗)。另外，在一些实现方式中，第四阻抗(气道阻力和肺顺应性)包括(i)患者气道阻力Z4，(ii)患者肺顺应性Clung，和/或(iii)可变压力源Plung,其每一个表示用户呼吸回路的特性。因此，总流量Qt等于通气流量Qv、泄漏流量Qleak和呼吸流量Qr之和：

Qt＝Qv+Qleak+Qr 等式13

在一些实现方式中，呼吸流量Qr在多个呼吸周期(例如，呼吸周期)上平均为零，因为进入或离开肺的平均呼吸流量必须为零。采用tilde(～)表示多个呼吸周期的平均值：

照此，取多个呼吸循环(例如，呼吸)上的每个流量的平均值，该平均泄漏流量可以近似为：

平均过程可以通过具有足够长的时间常数的低通滤波来实现，以包含多个呼吸周期。时间常数可以是任何合适的持续时间，诸如五秒、十秒、三十秒、一分钟等等。然而，也可以考虑其它时间间隔。

结合等式(7)、(8)和(9)，平均装置压力可以写为：

在没有任何泄漏流量(例如，)的情况下，平均总流量等于平均排出流量然后可以写出等式(16)以反映平均总流量与表征呼吸治疗空气回路的平均装置压力之间的关系：

该关系由出口阻抗特性Z2和管道压降阻抗特性Z1确定。在存在泄漏的情况下，在存在泄漏的情况下，

现在参考图8A，示出了平均总流量(以升每分钟为单位)对平均装置压力(以cmH₂O为单位)的散点图800A。图8A图示了表示平均装置压力和平均总流量(表示为升每分钟(“LPM”，相当于60倍L/s))的绘制的笛卡尔坐标。每个笛卡尔坐标包括X值和Y值。如图所示，五个笛卡尔坐标810、812、814、816和818在治疗期间被绘制在散点图800A中。每个笛卡尔坐标也可以表示为

例如，第一笛卡尔坐标812具有大约每分钟20升的第一X值和大约6cmH₂O的第一Y值。这样，第一笛卡尔坐标812可以表示为(20，6)。可以至少基于在第一时间段上产生的第一多个流量值来估计和/或计算第一X值。在一些实现方式中，第一X值是在第一时间段上生成的第一多个流量值的平均流量值。

在一些实现方式中，第一时间段是预定的时间间隔，诸如五秒、十秒、30秒、一分钟、两分钟等。在一些实现方式中，第一时间段包括一个或多个满呼吸周期，诸如一个呼吸周期、两个呼吸周期、五个呼吸周期、十个呼吸周期等。因此，在一些实现方式中，第一X值是在一个或多个呼吸周期(例如，七个呼吸周期(图6A))内生成的第一多个流量值的平均流量值。

类似地，可以至少基于在第一时间段上产生的第一多个压力值来估计和/或计算第一Y值。第一多个压力值中的每一者对应于第一多个流量值中的相应一者。例如，在一些实现方式中，第一多个流量值中的每一者具有对应的时间戳(例如，图6A)。使用对应的时间戳，可以识别该第一多个压力值中的对应的一个压力值(例如，图6B或图6C)。因此，在一些实现方式中，该第一Y值是在一个或多个呼吸周期，诸如七个呼吸周期(例如，图6B或图6C)上产生的该第一多个压力值的平均压力值。

第二笛卡尔坐标816具有大约28升每分钟的第二X值和大约10cmH₂O的第二Y值。这样，第二笛卡尔坐标816可以表示为(28，10)。可以以与第一笛卡尔坐标812的第一X值和第一Y值相同或相似的方式来估计和/或计算第二笛卡尔坐标816的第二X值和第二Y值。

参考图8B，至少部分地基于第一笛卡尔坐标812和第二笛卡尔坐标816，可以在曲线800B中拟合压力-流量曲线850。例如，在一些实现方式中，可以使用诸如二次方程的多项式方程来近似压力-流量曲线850：

在该二次方程中，压力-流量曲线的参数，即两个非零常数(或系数)，k₁和k₂，表征了通气口阻抗特性Z1和空气回路压降阻抗特性Z2的串联连接。在一些实现方式中，多项式方程通过针对给定压力提供有意泄漏的对应流量来定义系统的有意泄漏(例如，系统的排气流)。

如果至少两个笛卡尔坐标是已知的，则可以求解非零常数k₁和k2。例如，使用第一笛卡尔坐标812(20，6)和第二笛卡尔坐标816(28，10)，等式(20)可以被求解并重新写成近似：

换句话说，对于通过第一笛卡尔坐标812和第二笛卡尔坐标816的二次曲线，非零常数k₁是(大约0.00714)，非零常数k₂是(大约0.157)。因此，在一些实现方式中，压力-流量曲线850可以被估计和/或定义为等式(21)。

在一些实现方式中，非零常数取决于(i)用于压力值的单位，(ii)用于流量值的单位，(iii)用于呼吸治疗系统的通气装置，(iv)用于呼吸治疗系统的面罩，(v)用于呼吸治疗系统的湿化器容器，(vi)用于呼吸治疗系统的导管，(vii)计算缩放因子，或(viii)其任何组合。非零常数也可以随着不同类型的面罩，不同制造商的面罩和/或不同批次的面罩而变化。例如，对于呼吸治疗系统的特定通气口，利用以cmH₂O测量的压力值和以L/min测量的流量值，非零常数k₁和k₂可以分别为大约和大约

在一些实现方式中，多项式方程可具有两个以上非零常数，例如三个非零常数、四个非零常数、五个非零常数等。例如，多项式方程可以表示为：

在一些实现方式中，多项式方程可涉及三次方、四次方、五次方等。例如，多项式方程可以表示为：

在一些实现方式中，在压力值高的系统中更可能发生无意泄漏。为了得到更好拟合的有意泄漏特性曲线，仅使用具有较低值的笛卡尔坐标来求解多项式方程。例如，在一些实现方式中，使用其中Y值不超过预定压力阈值的笛卡尔坐标。预定压力阈值可与无意泄漏的低可能性相关联，诸如小于约10cmH₂O、小于约9cmH₂O、小于约8cmH₂O、小于约7cmH₂O、小于约6cmH₂O、小于约5cmH₂O、小于约4cmH₂O、小于约3cmH₂O或小于约2cmH₂O。

图9图示了可用于确定用户接口的基于流量的面罩类型(例如，基于流数据和/或压力数据来确定用户接口的类型)的X-Y曲线图900。根据本公开的一些实现方式，X-Y曲线900图示了与用户相关联的用户接口的三条面罩识别曲线。在所示示例中，x轴表示面罩压力，y轴表示通气流量，但在其他实例中，x轴可表示通气流量，y轴可表示面罩压力。这三个面罩识别曲线各自表示面罩类型。面罩识别曲线可以是预定的标准曲线和/或基于呼吸治疗系统收集的数据随时间学习的标准曲线。

不同的面罩可以具有不同的面罩识别曲线。例如，全罩式面罩、部分式面罩、鼻罩和鼻枕都可以具有不同的面罩识别曲线。作为另一个示例，不同的面罩尺寸(例如，小、中、大)可以具有不同的面罩识别曲线。作为进一步的示例，不同的面罩样式(导管样式、面部安装样式)可以具有不同的面罩识别曲线。作为另一个示例，由不同制造商制造的面罩可以具有不同的面罩识别曲线。作为另一个示例，不同的面罩模型可以具有不同的面罩识别曲线。

在图9的该示例中，第一曲线910与第一面罩相关联；第二曲线920与第二面罩相关联；第三曲线930与第三面罩相关联。如本文所讨论的，压力值和流量值之间的比率可以映射到标准特性曲线。如图所示，代表比率的点950被映射到X-Y曲线900，并且最接近第一曲线910。因此，面罩类型可能是第一面罩。在一些实现方式中，系统100和/或方法700为每个面罩类型分配似然性。在此示例中，第一面罩最有可能，且第三面罩最不可能。因此，在一些实现方式中，可以使用流数据和/或压力数据来为用户正在使用的用户接口生成压力-流量曲线。然后可以将该压力-流量曲线与已知与各种类型的用户接口相关联的预先存在的压力-流量曲线进行比较。

图10A和10B图示了关于使用流数据和/或压力数据识别面罩类型的进一步细节。图10A包括示出压力信号1002A和流量信号1002B相对于时间的曲线图1000。压力信号1002A绘制为cmH₂O，流量信号绘制为升每秒，时间绘制为小时。压力信号1002A和流量信号1002B图示可从分析流数据获得的典型信号。

图10B图示了具有一系列已知的压力-流量曲线1052A-1052E和一系列压力-流数据点1054的曲线图1050。从图10B中的压力信号1002A和流量信号1002B获得压力-流数据点1054。在一些实现方式中，每个单独的数据点1054对应于一分钟内的平均压力相对于该一分钟的平均流量。每个压力-流量曲线1052A-1052E对应于已知类型的面罩的压力-流量。在所示的实现方式中，曲线1052A是可由用户使用的典型面罩的最大压力-流量曲线。曲线1052B是鼻罩的压力-流量曲线。曲线1052C是鼻枕面罩的压力-流量曲线。曲线1052D是全面罩的压力-流量曲线。曲线1052E是可由用户使用的典型面罩的最小压力-流量曲线。最大曲线1052A和最小曲线1052E可建立压力-流量曲线的外边界。如果数据点1054落在这些外边界之外，这可能表明流数据和压力数据的分析有故障。它还可以指示用户正在使用未知类型的面罩，或来自未知源的面罩。在一个示例中，曲线1052A和1052E可用于建立由特定制造商制造的面罩的外边界。如果数据点1054落在这些外边界之外，则可以确定用户正佩戴来自不同制造商的面罩。如图10B所示，大部分数据点1054沿着曲线1052D下降，曲线1052D是全面罩的压力-流量曲线。因此，通过分析流数据和压力数据以产生数据点1054，可以确定用户的当前面罩是全面部面罩的可能性很高。

尽管图10B示出了对应于已知面罩的三个压力-流量曲线，以及建立外边界的最大和最小压力-流量曲线，但是可以使用任何数量的已知压力-流量曲线。例如，在一些实现方式中，方法700可以不包括将数据点1054与由曲线1052A和1052E建立的外边界进行比较。在其他实现方式中，方法700可以使用对应于诸如局部面面罩的附加面罩类型的曲线。

在一些实现方式中，基于分析的流数据来选择单一类型的用户接口。在其他实现方式中，确定用户接口对应于每种类型的已知用户接口的可能性。在一些实现方式中，似然性表示为百分比，例如表示为1和100之间的整数或0和1之间的十进制数。在其他实现方式中，可以为每种类型的已知用户接口分配0和10之间的似然度。在2021年5月3日提交的国际申请第PCT/IB2021/051884号中可以找到与分析流数据以帮助识别面罩有关的其他细节，在此通过引用将其全文并入。

返回参考图7，在一些实现方式中，方法700还包括步骤750，其中至少部分地基于分析的声学数据来确定用户接口的基于声学的面罩类型。在一些这样的实现方式中，为基于声学的面罩类型确定多个面罩类型中的每一者的相应似然性(例如，以置信区间、概率、分数、百分比、排名、是/否、描述性词语等的形式)。

在一些实现方式中，分析接收的声学数据(在步骤730)和确定用户接口的基于声学的面罩类型(在步骤750)可以包括对声学数据执行各种不同的分析以确定表示面罩类型的特征或特性。分析可以包括至少部分地基于呼吸治疗系统的至少一个特征，诸如用户接口的至少一个特征、导管的至少一个特征等，对所生成的声学数据进行加窗。用户接口的至少一个特征可以是例如从导管的连接处到由全面罩的衬垫抵靠用户面部形成的腔室的膨胀。导管的至少一个特征可以是例如导管的长度。更具体地，长度可以是从声学传感器到导管连接至用户接口的位置的距离。在一个或多个实现方式中，开窗口可以至少部分地基于用户接口的一个或多个特征中的至少一个特征。开窗口是产生的声学数据的一部分的选择，其用于附加分析和/或用于表征用户接口，如下所述。开窗口集中在产生的声音数据上，该声音数据可以区分和区分存在于呼吸治疗系统中的各种用户接口。因此，开窗口可以集中在生成的指示用户接口的声学数据上。开窗口可以有利地允许忽略否则可能混淆用户接口的估计的信号区域，诸如变化的导管长度，呼吸治疗系统中的差异，诸如不同的呼吸治疗装置等。因此，对生成的声学数据加窗仅选择声学信号的区域以及与用户接口相关联的对应数据。结果，开窗口允许忽略声学信号和相应数据的区域，否则这些区域可能混淆用户接口的估计，例如上述因素。

该至少一个特征在生成的声学数据中具有充当基准点的对应点。基准点提供了用于分析针对不同类型的用户接口、导管、呼吸治疗装置等生成的声学数据的基础。因此，基准点充当用于对所生成的声学数据的进一步分析的参考，并且提供在不同环境下生成的不同声学数据之间的一致性。

在一个或多个实现方式中，该基准点可以对应于该一个或多个特征沿着至少部分地由该一个或多个特征的位置。例如，基准点可以对应于导管的特征或导管和用户接口之间的连接的特征。在一个或多个实现方式中，基准点可以对应于用户接口本身的特征。在一个或多个实现方式中，基准点对于给定用户接口是相同的。在一个或多个实现方式中，基准点对于所有不同的可能用户接口是相同的。该特征可以通用于不同类型的用户接口，使得该特征或该特征的至少一个变体存在于包括连接至导管的用户接口的所有呼吸治疗系统中。例如，该特征可以是发生在导管和用户接口之间的连接处的声通路的扩展。尽管这种膨胀对于导管和不同用户接口的每个组合可能不相同，但导管与用户接口的每个组合可包括这种膨胀。因此，导管和用户接口之间的连接处的膨胀可以是对应于用户加宽产生的声学数据的基准点的特征。

概括地说，基准点可以是引起声阻抗变化的任何特征，因此存在于从声学反射产生的声学数据中。在一个或多个实现方式中，声阻抗的变化可以至少部分地基于由导管和用户接口以及在(i)用户接口，(ii)导管和用户接口的连接，或(iii)其组合处形成的路径的变窄。可替代地，声阻抗的变化可以至少部分地基于(i)用户接口，(ii)导管和用户接口的连接，或(iii)其组合处的路径的加宽。

在下面进一步讨论的一个或多个实现方式中，对生成的声学数据的分析可以包括对生成的声学数据执行反卷积，诸如计算生成的声学数据的倒谱。在这种情况下，基准点可以是产生的声学数据的去卷积的预定部分内的最小点。可替代地，基准点可以是产生的声学数据的去卷积的预定部分内的最大点。如上所述，基准点可以基于用户接口和导管之间的连接，而预定部分可以基于导管的长度。更具体地，预定部分可以基于声学传感器与导管和用户接口之间的连接之间的距离。

参考图11，图示了计算的倒谱1100A和1100B，该倒谱1100A和1100B生成的声学数据产生。示出两个倒谱1100A和1100B仅仅是为了描述的方便，并不意味着限制。例如，可以为生成的用于表征用户接口的声学数据计算单个倒谱。两个倒谱1100A和1100B是从相同用户接口的不同生成的声学数据计算的两个倒谱。

这些图以X轴的频率和Y轴的振幅示出。频率类似于时间或距离，但X轴的单位只是声学反射的样本或样本数。Y轴的单位可以是测量振幅的任何单位。围绕X轴的250值是大的最小值1102A和1102B，其可用作分析产生的声学数据的基准点。这些对应于管道中路径的加宽，诸如管道和用户接口之间的连接点。

在一个或多个实现方式中，开窗口可以包括生成的声学数据的第一开窗口和生成的声学数据的第二开窗口。在一个或多个实现方式中，第一开窗口可识别或定位对应于基准点的用户接口的特征。随后，第二窗口可识别或定位用户接口的其他特征。生成的声学数据的第一开窗口可以与生成的声学数据的第二开窗口相差生成的声学数据量，生成的声学数据量是在生成的声学数据中的基准点之前，在生成的声学数据中的基准点之后或其组合来选择的。相对于由导管和用户接口产生的路径的长度，第一开窗口可以仅捕获基准点之前和之后约10cm，例如，在导管和用户接口之间的连接点之前和之后约10cm。相反，第二开窗可捕获基准点之前约35cm和基准点之后约50cm。

由开窗口捕获的数据量可以基于与开窗口相关的特定分析所需的产生的声学数据量而变化。例如，第一开窗口可仅用于识别基准点。结果，窗口的结果窗口的尺寸可以更小，因为它完全集中在确定基准点上。一旦确定了基准点，就可以出现第二窗口，这可以导致更大的第二窗口。较大的第二窗口可以捕获产生的声音数据，该声音数据被发送到下面讨论的表征步骤。表征步骤可以受益于附加数据，这就是为什么从第二窗口生成的第二窗口可以大于从第一窗口生成的第一窗口，其中与第一窗口相比，较大的窗口捕获更多的用于表征用户接口的特征。可替换地，在第一和第二开窗口期间生成的窗口的大小可以颠倒，其中第一窗口比第二窗口大。大的第一窗口可以帮助确定用于分析的正确基准点。

参考图12，分别对应于倒谱1100A和1100B的开窗倒谱1200A和1200B在如上所述执行加窗之后被示出。在图11中的X轴中大约350个值之后，开窗去除产生的声学数据，并且在图11中的X轴中大约200个值之前去除产生的声学数据。执行开窗口以消除生成的声学数据，该声学数据不用于表征用户接口，并且可能潜在地破坏用于确定用户接口的声学数据的附加分析和表征。在基准点1102A和1102B的任一侧上剩余的产生的声学数据约为80。

参照图13，加窗的倒谱1200A相对于加窗的倒谱1200B所示的加窗的另一结果是基于基准点1102A和1102B的对准。如下所述，对准允许在产生的声学数据的附加分析和分析的声学数据的表征中的进一步一致性。

如上所述，在一个或多个表示中，分析生成的声学数据的呼吸治疗系统120可以包括在对生成的声学数据加窗之前对生成的声学数据进行去卷积。在一个或多个实现方式中，生成的声学数据的反卷积可以包括计算生成的声学数据的倒谱。倒谱识别与声学反射相关联的距离，并且该距离指示用户接口的一个或多个特征的位置。计算倒谱可以通过在一系列阶段中处理声学反射来实现：通过快速傅里叶变换计算声反射的频谱；取该频谱的绝对量的自然对数；执行逆傅立叶变换并计算信号的实部以产生倒谱。该过程可以在多个时间间隔上重复，并且可以估计平均倒谱。得到的倒谱信号将声反射变换到类似于在时间和/或距离上分离反射的准频域。在一个或多个实现方式中，可以使用4096个声反射样本的快速傅立叶变换来计算倒谱，可替代地，样本重叠50％。这些4096个样本代表大约0.2秒的产生的声学数据。

在一个或多个实现方式中，对生成的声学数据的分析可以包括计算倒谱的导数以确定倒谱信号的变化率。倒谱的导数可以提供用于表征用户接口的附加信息。倒谱的导数还允许网络从相同的输入中找到替代特征。

在一个或多个表示中，呼吸治疗系统120分析生成的声学数据可以包括归一化生成的声学数据。归一化生成的声学数据可以解决混淆条件。混杂状况可以是例如麦克风增益、呼吸幅度、治疗压力、变化的导管长度、卷曲或伸展的导管、不同的治疗压力、环境温度或其组合。在一个或多个实现方式中，所生成的声学数据的归一化可以包括从所生成的声学数据中减去平均值、除以所生成的声学数据的标准偏差、或其组合。归一化的目的是使分析的声学数据的倒谱的所有输入具有相似的幅度并且在对于表征是自然的范围内，如下面进一步描述的。在一个或多个实现方式中，归一化的目的是使倒谱的平均值总是为零。

参考图14，图示了分别对应于倒谱1100A和1100B的归一化倒谱1400A和1400B。如图14中相对于图13的Y轴的值所示，幅度已被调整，使得倒谱具有相似的幅度并且在自然表征的范围内，如下所述。

返回参考图7，步骤750可以包括至少部分地基于分析的声学数据来确定用户接口的面罩类型。该确定可以包括将分析的声学数据输入到监督式机器学习模型(例如，诸如卷积神经网络的(深度)神经网络)中以确定用户接口。在一个或多个实现方式中，确定用户接口包括确定用户接口的形状因子或类型(例如，全脸、鼻、枕头等)、用户接口的模型(例如，由ResMed制造的AirFit^TMF20面罩)、用户接口的一个或多个元素的大小、或其组合。

在一个或多个实现方式中，卷积神经网络(CNN)可以包括一个或多个卷积和最大合并层。在一个或多个实现方式中，CNN可以包括一个或多个卷积层。在一个或多个实现方式中，CNN可以包括N个特征。N个特征中的每一者的宽度可以是L个样本。CNN还可以允许M个样本的最大汇集。N个特征中的每个特征是分析的声学数据内(诸如倒谱内)的唯一曲线或波。在一个或多个实现方式中，N可以等于64，使得CNN可以说明分析的声学数据内的64个唯一的图或特征。宽度上的L个样本中的每个样本表示基于声学反射生成的数据点。因此，L个采样表示响应于声反射而产生的L个数据点。L个样本与声反射内的特征的预期尺寸大致匹配。在一个或多个实现方式中，L个样本可以大致对应于约25cm的长度。M个样本可以是例如20个样本，这允许模型中的一些自然时间不变性来说明不同面罩反射之间的偏移。在一个或多个实现方式中，N与M的比率可以是1：1至4：1。在一个或多个实现方式中，卷积层的输出可以在进行分类之前被馈送到一个或多个完全连接的密集层中。

在一个或多个实现方式中，可以通过将随机循环移位20个样本添加到用于训练CNN的特征，基于扩充训练集来训练CNN。具体地，可以将变换应用于用于训练CNN的数据集内的特征，这使得对声学信号移位的时间部分，窗口中的声学数据的移位，添加噪声和其他类型的移位更鲁棒，以用于更鲁棒的系统。

在一些实现方式中，分析的声学数据可以用于基于所公开的用于识别用户接口的相同方法来识别导管。例如，可以在呼吸治疗系统内使用不同的导管(例如，不同的直径、长度、材料等)。该系统和方法可用于确定不同的导管。

在一个或多个实现方式中，可以识别导管而不是用户接口。在一个或多个实现方式中，可以与识别该用户接口一起识别该管道。在识别这两者的情况下，识别的顺序包括同时识别这两者，或者首先识别一个(例如，导管或用户接口)，然后识别另一个。

在一个或多个实现方式中，识别管道接口可以缩小识别用户接口的可能选择。例如，特定导管可以仅与呼吸治疗系统的所有用户接口的子集兼容。因此，识别管道可以限制仅在子集内的用户接口中对用户接口的后续识别。

在一些实现方式中，基于分析的声学数据来选择单一类型的用户接口。在其他实现方式中，确定用户接口对应于每种类型的已知用户接口的可能性。在一些实现方式中，似然性表示为百分比，例如表示为1和100之间的整数或0和1之间的十进制数。在其他实现方式中，可以为每种类型的已知用户接口分配0和10之间的似然度。

在另外的或可替代实现方式中，分析声学数据还可以包括识别一个或多个特征以确定面罩的声学签名。声学数据的分析可以包括生成频谱、生成倒谱、生成频谱和/或倒谱的各种不同变换或其他操作，以及其他技术。一个或多个可以形成用户当前正在使用的面罩的声学标记。然后可以将该声学签名与多种不同类型的面罩的已知声学签名进行比较，以帮助识别用户当前正在使用的面罩。

在2020年10月30日提交的美国临时专利申请第63/108,161号、2020年10月30日提交的美国临时专利申请第63/107,763号和2020年6月8日提交的美国临时专利申请第63/036,303号中可以找到与分析声学数据以帮助识别面罩有关的附加细节，在此通过引用将其全部并入本文。

返回参考图7，确定用户接口的面罩类型(步骤760)可以包括至少部分地基于确定的基于流的面罩类型(步骤740)和确定的基于声学的面罩类型(步骤750)来确定面罩类型。如本文所述，对流数据，压力数据和/或声学数据的分析可用于识别用户当前使用的面罩的通气口类型，然后可将所识别的通气口与具有该类型通气口的面罩类型相关联。在一些实现方式中，可以至少部分地基于确定的基于流的面罩类型(步骤740)和确定的基于声学的面罩类型(步骤750)来为多个面罩类型中的每一者生成加权似然，确定的基于流的面罩类型和确定的基于声学的面罩类型可以是步骤760或其独立步骤的一部分。然后，可以选择多个面罩类型中具有最高加权似然的一个面罩类型作为用户接口的面罩类型(步骤760)。

例如，方法700可以将确定的基于流的面罩类型(步骤740)和确定的基于声学的面罩类型(步骤750)分配为相等的权重(例如，50/50)。然后，可以基于其他因素(例如，收集数据的时间长度、流量信号和/或声学信号的强度和/或质量、历史数据、用户输入数据)来修改每种面罩类型的权重。下面的表1提供了确定的基于流的面罩类型(步骤740)，确定的基于声学的面罩类型(步骤750)，每个面罩类型的修改后的似然性以及每个面罩类型的加权似然性的说明性示例。在这种情况下，流量确定加权为40％，而声学确定加权为60％。因此，面罩类型的基于流的确定的可能性乘以0.4，面罩类型的基于声学的确定的可能性乘以0.6。然后，可以将修改后的似然性加在一起以获得每个面罩类型的加权似然性。如该示例的最后一列所示，类型BB具有最高的加权似然。因此，可以确定用户接口的面罩类型是类型BB(步骤760)。

表1：按面罩类型的似然性(评分1-10，10是最高似然性)

在一些实现方式中，方法700还包括针对基于流的面罩类型确定和/或估计与接收的流数据相关联的流信号质量。例如，可以至少部分地基于接收的流数据(步骤710)或分析的流数据(步骤730)来确定和/或估计流信号质量。另外或可替代地，在一些实现方式中，方法700还包括针对基于声学的面罩类型来确定和/或估计与接收到的声学数据相关联的声学信号质量。例如，可以至少部分地基于接收的声学数据(步骤720)或分析的声学数据(步骤730)来确定和/或估计声学信号质量。

在一些实现方式中，可以在睡眠时段上的多个周期和/或部分中生成和/或接收流数据和声学数据。随着流数据和声学数据的积累，如果周期/段中的任一数据的信号质量差，则在分析步骤(530)或确定步骤(760)中可以忽略来自该周期/段的数据。信号质量不良的原因包括：呼吸治疗系统中的泄漏、与用户和/或呼吸治疗系统的一个或多个部件相关联的运动、传感器问题(诸如一个或多个传感器故障)、一个或多个阻塞的通气口、一个或多个损坏的通气口等。

此外，本文讨论的加权置信区间可以至少部分地基于流量信号质量和/或声学信号质量来确定和/或修改。然后，在一些实现方式中，可以选择多个面罩类型中具有最高修改的加权似然的一个面罩类型作为用户接口的面罩类型(步骤760)。

在一些实现方式中，方法700(图7)还包括估计确定的面罩类型对于特定用户的适合性。例如，可以对特定用户尝试的面罩类型进行分级。在一些实现方式中，方法700可以观察在从全脸面罩到鼻罩(或相反)，和/或从织物面罩到硅酮面罩等的过渡过程中收集的数据，并且确定哪一个更适合于(例如，最佳地工作)特定用户。在一些实现方式中，可以至少部分地基于例如如本文所述的一个或多个测量的睡眠相关参数(诸如测量的AHI分数、测量的泄漏(例如，诸如面罩泄漏或嘴泄漏的无意泄漏)或用户舒适度(基于例如来自用户的针对每个测试的面罩类型的对象反馈)来估计特定面罩(例如，从方法700中的其他步骤识别的)的适合性。

在一个示例中，可以基于针对用户佩戴的特定面罩测量的一个或多个睡眠相关参数(诸如AHI评分)来估计从方法700中的其他步骤识别的特定面罩的适合性。可以与用户佩戴的其他面罩类型(例如，在相同或不同的睡眠时段或面罩适配时段期间)相比较来评估适合性，并且相对于这些其他面罩类型来测量一个或多个睡眠相关参数，其中睡眠相关参数越有利(或最有利)，面罩就越适合。在本示例中，其中一个或多个睡眠相关参数包括AHI评分，导致用户的最低AHI评分的面罩类型可被认为是用户的最合适的面罩类型。在其他示例中，最合适的面罩类型可以基于导致较低(或最低)无意识泄漏，较低(或最低)嘴泄漏，夜间呼吸治疗的较长(或最长)使用，较高/较有利(或最高/最有利)睡眠质量度量或其任何组合的所识别的面罩。

在一些实现方式中，方法700可用于将面罩分类为特定面罩类型，例如全脸、部分脸、鼻或鼻枕。在一些实现方式中，方法700用于例如通过识别面罩的特定类型和模型来进一步识别面罩。

通常，方法700可以使用具有控制系统的系统来实现，该控制系统具有一个或多个处理器和存储机器可读指令的存储器。控制系统可以联接至存储器，并且方法700可以在机器可读指令由控制系统的至少一个处理器执行时实现。还可以使用包括指令的计算机程序产品(诸如非暂时性计算机可读介质)来实现方法700，该指令在由计算机执行时使得计算机执行方法700的步骤。

虽然本文参考单个用户描述了系统100和方法700，但是更通常，系统100和方法700可以与多个用户同时使用(例如，两个用户、五个用户、10个用户、20个用户等)。例如，系统100和方法700可以用在云监视设置中。

来自以下权利要求1-40中任一项中的一个或多个要素或方面或步骤或其任意部分可以与来自其他权利要求1-139中任一项中的一个或多个要素或方面或步骤或其任意部分组合，以形成本公开的一个或多个附加实现方式和/或权利要求。

虽然已经参考一个或多个特定实施例或实现方式描述了本公开，但是本领域技术人员将认识到，在不脱离本公开的精神和范围的情况下，可以对其进行许多改变。这些实现方式中的每一者及其明显的变型被认为落入本公开的精神和范围内。还预期根据本公开的方面的另外的实现方式可以组合来自本文描述的实现方式中的任一个的任意数量的特征。

Claims

1.一种用于识别用户接口的方法，所述方法包括：

接收与在呼吸治疗系统中流动的空气相关联的流数据；

接收与所述呼吸治疗系统相关联的声学数据；

分析所接收的流数据和所接收的声学数据；以及

至少部分地基于所述分析，确定所述用户接口的面罩类型。

2.根据权利要求1所述的方法，其中确定的用户接口的面罩类型是(i)全脸，(ii)部分脸，(iii)鼻，或(iv)鼻枕。

3.根据权利要求1至2中任一项所述的方法，其中确定的所述用户接口的面罩类型包括面罩尺寸。

4.根据权利要求3所述的方法，其中所述面罩尺寸是超小、小、中、大、或超大。

5.根据权利要求1至4中任一项所述的方法，其中确定的用户接口的面罩类型包括面罩样式。

6.根据权利要求5所述的方法，其中所述面罩样式包括管道样式、面部安装样式、或前述两者。

7.根据权利要求1至6中任一项所述的方法，其中确定的用户接口的面罩类型包括所述用户接口的面罩模型。

8.根据权利要求1至7中任一项所述的方法，其中确定的用户接口的面罩类型包括所述用户接口的面罩制造商。

9.根据权利要求1至8中任一项所述的系统，还包括：

至少部分地基于所分析的流数据来确定所述用户接口的基于流的面罩类型；以及

至少部分地基于所分析的声学数据来确定所述用户接口的基于声学的面罩类型。

10.根据权利要求9所述的方法，其中确定所述用户接口的面罩类型包括至少部分地基于所确定的基于流的面罩类型和所确定的基于声学的面罩类型来确定所述面罩类型。

11.根据权利要求9至10中任一项所述的方法，还包括为所述基于流的面罩类型确定多个面罩类型中的每一者的相应似然性。

12.根据权利要求9至11中任一项所述的方法，还包括为所述基于声学的面罩类型确定多个面罩类型中的每一者的相应似然性。

13.根据权利要求9至12中任一项所述的方法，还包括为所述基于流的面罩类型确定与所接收的流数据相关联的流信号质量。

14.根据权利要求13所述的方法，其中所述流信号质量至少部分地基于所接收的流数据或所分析的流数据来确定。

15.根据权利要求9至14中任一项所述的方法，还包括为所述基于声学的面罩类型确定与所接收的声学数据相关联的声学信号质量。

16.根据权利要求15所述的方法，其中所述声学信号质量至少部分地基于所接收的声学数据或所分析的声学数据来确定。

17.根据权利要求9至16中任一项所述的方法，还包括至少部分地基于所确定的基于流的面罩类型和所确定的基于声学的面罩类型来为多个面罩类型中的每一者生成加权似然。

18.根据权利要求17所述的方法，其中为多个面罩类型中的每一者生成加权似然还至少部分地基于与所接收的流数据相关联的流信号质量和/或与所接收的声学数据相关联的声学信号质量。

19.根据权利要求17至18中任一项所述的方法，其中确定所述用户接口的所述面罩类型包括选择所述多个面罩类型中具有最高加权似然的面罩类型作为所述用户接口的所述面罩类型。

20.根据权利要求17至19中任一项所述的方法，还包括至少部分地基于与所接收的流数据相关联的流信号质量和/或与所接收的声学数据相关联的声学信号质量来修改多个面罩类型中的每一者的加权似然性。

21.根据权利要求11至20中任一项所述的方法，其中确定所述用户接口的所述面罩类型包括选择所述多个面罩类型中具有最高修改的加权似然的面罩类型作为所述用户接口的所述面罩类型。

22.根据权利要求1至21中任一项所述的方法，其中从所述呼吸治疗系统的麦克风接收所述声学数据。

23.根据权利要求22所述的方法，其中所述麦克风在所述呼吸治疗系统的外部。

24.根据权利要求23所述的方法，其中所述麦克风联接至智能装置、智能电话、智能扬声器、或它们的任意组合。

25.根据权利要求22至24中任一项所述的方法，其中所述麦克风是集成麦克风，所述集成麦克风联接至(i)所述呼吸治疗系统的呼吸治疗装置的导管，(ii)所述呼吸治疗系统的所述呼吸治疗装置的电路板，(iii)所述呼吸治疗系统的连接器，(iv)所述呼吸治疗系统的所述用户接口，或(v)所述呼吸治疗系统的任何其他部件。

26.根据权利要求25所述的方法，其中所述呼吸治疗装置被配置为在睡眠时段期间经由所述用户接口向所述用户的气道供应加压空气。

27.根据权利要求26所述的方法，其中所述呼吸治疗装置被配置为经由所述导管连接至所述用户接口，并且其中所述呼吸治疗装置、所述用户接口、和所述导管形成路径，使得当所述用户接口联接至所述用户的面部时，供应的加压空气被引导至所述用户的气道。

28.根据权利要求1至27中任一项所述的方法，其中所分析的声学数据包括倒谱数据和/或声学频谱特征。

29.根据权利要求1至28中任一项所述的方法，其中分析所接收的声学数据包括执行倒谱分析、自倒谱分析、自相关分析、谱分析、或它们的任意组合。

30.根据权利要求29所述的方法，其中所述频谱分析包括具有滑动窗口的快速傅立叶变换(FFT)、频谱图、短时傅立叶变换(STFT)、基于小波的分析、或它们的组合。

31.根据权利要求1至30中任一项所述的方法，其中分析所接收的流数据和所接收的声学数据包括处理所接收的流数据和/或所接收的声学数据以识别多个特征。

32.根据权利要求31所述的方法，其中所述多个特征包括(i)光谱特征，(ii)频率，(iii)振幅，(iv)(i)-(iii)中任一项相对于基线值的变化，或(v)它们的组合。

33.根据权利要求1至32中任一项所述的方法，还包括接收与所述呼吸治疗系统相关联的压力数据，所述压力数据表示在所述呼吸系统中流动的空气的压力，其中分析所接收的流数据和所接收的声学数据包括：

映射所接收的压力数据的压力值与所接收的流数据的流量值之间的比率，所述比率被映射到压力与流量的一个或多个预定比率，每个已知比率对应于多种类型的面罩中的一者；以及

确定所述映射是否是所述面罩类型的特征。

34.根据权利要求1至33中任一项所述的方法，其中分析所接收的流数据和所接收的声学数据包括：

确定所述映射是否是所述面罩类型的特征。

35.根据权利要求1至34中任一项所述的方法，还包括至少部分地基于所接收的流数据和/或所接收的声学数据，估计确定的面罩类型对于特定用户的适合性。

36.一种系统，包括：

控制系统，其包括一个或多个处理器；和

其上存储有机器可读指令的存储器；

其中所述控制系统联接至所述存储器，并且当所述存储器中的所述机器可执行指令由所述控制系统的所述一个或多个处理器中的至少一者执行时，实施根据权利要求1至35中任一项所述的方法。

37.一种用于识别用户接口的系统，所述系统包括具有一个或多个处理器的控制系统，所述一个或多个处理器被配置来实施根据权利要求1至35中任一项所述的方法。

38.一种包括指令的计算机程序产品，所述指令在由计算机执行时使所述计算机执行根据权利要求1至35中任一项所述的方法。

39.根据权利要求38所述的计算机程序产品，其中所述计算机程序产品是非暂时性计算机可读介质。

40.一种确定个体的睡眠阶段的系统，所述系统包括：

呼吸治疗系统，其被配置来向个体供应加压空气；

存储机器可读指令的存储器；和

控制系统，其包括一个或多个处理器，所述一个或多个处理器被配置来执行所述机器可读指令以：

接收与在呼吸治疗系统中流动的空气相关联的流数据；

接收与所述呼吸治疗系统相关联的声学数据；

分析所接收的流数据和所接收的声学数据；以及

至少部分地基于所述分析，确定所述用户接口的面罩类型。