CN111919242A - 用于处理多个信号的系统和方法 - Google Patents

Abstract

一种用于处理由传感器生成的多个信号的系统和方法，处理以识别和/或监测个体的生理数据(例如在医疗保健系统中)或环境、预定空间(例如房间、机器、建筑物)或物体的一般陈述(例如，在智能家居系统、环境监测系统、防火系统等中)。

Description

用于处理多个信号的系统和方法

技术领域

本发明涉及信号处理领域，用以识别和/或监测个体的生理数据(例如在医疗保健系统中)或环境、预定空间(例如房间、机器、建筑物)或物体的一般陈述(例如，在智能家居系统、环境监测系统、防火系统等中)。

背景技术

现在可以使用多个和/或各种传感器来在个体或物体上或附近获取多个信号。例如，利用这些传感器可以获得表示心电图(ECG)、脑电图(EEG)、呼吸、血压、代谢物的存在、温度、个体身体活动等的信号。类似地，这些传感器中的一些允许获得表示室温、测湿、pH、重金属检测、湿度、气压、空气质量、环境光等的信号。

根据一个示例，监测由这些传感器递送的信号允许确定可能受损的个体特定生理状况。例如，当个体正在发作疾病时，特定信号特征出现在对应于心电图(ECG)或呼吸的信号。

根据另一个示例，监测由烟雾检测器和温度传感器从预定空间(例如，房间)递送的信号可以防止火灾发生。

US 9 339 195公开了一种检测疾病发作症状的方法。在该方法中，传感器模块从多个传感器接收多个孤立信号，并且特征检测模块在所述多个孤立信号中检测与疾病发作症状相关联的多个孤立预定义特征。该文献的解决方案仅局限于癫痫症状的检测，它需要大量的计算能力，并且仅限于孤立和独立的信号的处理。这个现有技术不将各种孤立信号进行相关，并且因此在检测疾病发作状态时具有较高的假阳性率。

因此，需要一种能够通过以使得可以检测传入信号中的任何改变的发生和/或同时发生的方式而对多个独立信号进行组合来处理多个独立信号的方法，其中每个信号可以具有不同的量级、单位或测量系统。因此，所获得的组合处理后数据将提供更精确的高级信息，从而允许预测、识别或监测个人或环境的演变，并在降级的情况下实时发出警报。

发明内容

本发明涉及一种用于处理由传感器、优选地由至少两个传感器产生的至少两个信号的方法，该方法包括：

(i)从传感器接收至少两个信号，其中所述至少两个信号中的至少一个是时间信号，

(ii)如果接收到的时间信号不是异步信号，则将接收到的时间信号转换为包括用于所述时间信号的事件的异步时间信号，所述事件表示所述时间信号的每次改变，

(iii)分析在(i)中接收和/或在(ii)中转换的、从一个传感器接收的每个所述异步信号，并提供经分析的所述异步信号的活动简档，该活动简档至少包括活动值，该活动值作为自从所述异步信号的连续事件之中的最近事件以来已经经过的时间(t)的函数而变化，

(iv)在给定的时间t处：

a.确定时间上下文(t TC)，所述时间上下文被定义为在每个所述异步信号的所述给定时间t处的一组活动简档，

b.通过将在步骤(a)中确定的所述时间上下文与从至少两个预定义参考时间上下文之中选择的至少一个时间参考上下文相关联，来识别元事件(t ME)，

c.通过确定在步骤(b)中识别的不同元事件之间的相关程度，来确定元上下文(tMC)，

d.通过将在步骤(c)中确定的所述元上下文与从至少两个预定义的参考元上下文中选择的至少一个参考元上下文相关联，来识别参考元上下文(t refMC)。

根据优选实施例，步骤(iii)包括分析在(i)中接收和/或在(ii)中转换的、从一个传感器接收的每个所述异步信号，并提供经分析的所述异步信号或传感器的活动简档，该活动简档至少包括活动值，该活动值作为自从所述异步信号的连续事件之中的最近事件以来已经经过的时间(t)的函数而减小。

根据特定实施例，所述一组活动简档包括在时间和/或空间上最接近事件的活动简档。

根据特定实施例，来自传感器的所有接收到的信号都是时间信号。

根据特定实施例，所有接收到的时间信号都是异步信号。

根据特定实施例，所有接收到的时间信号都是异步信号，并且步骤(ii)不存在。

提供以下术语或定义只是为了帮助理解本发明。这些定义不应被解释为具有小于对本领域所理解的范围的普通技术。

“事件”指明由超过转变状态的激励所触发的发生。

“事件信号”指明仅由一系列事件组成的任何异步信号。

“异步信号”由以一系列异步事件为特征的时间信号(称为“事件信号”)组成。更特别地，它指明其值被非周期性地调整或更新的任何时间信号，即两次值调整之间的时间可以变化。

所有这些术语在本领域中是众所周知的。

“异步信号”、“事件信号”、“将时间信号变换为一系列异步事件”全都是“基于事件的信号”。

步骤(ii)是可选的，并且涉及其中所接收的时间信号不是异步信号的方法的实施例。步骤(ii)包括将接收到的时间信号变换为一系列异步事件(称为“事件信号”)，这些事件表示在它们发生时由传感器捕获的信号的改变。该方法的以下步骤包括：当利用从时间信号获得的异步信号接收事件时，使用活动简档分析所述事件信号。

对于每个传感器或对于每个异步信号(所述异步信号在(i)中直接从传感器接收和/或在(ii)中被转换)，活动简档至少包括活动值，该活动值作为从来自所述传感器的连续事件之中的最近事件以来已经经过的时间的函数而变化。根据优选实施例，对于每个传感器或对于每个异步信号，该活动简档至少包括活动值，该活动值作为从来自所述传感器的连续事件之中的最近事件以来已经经过的时间的函数而减小。

因此，传感器或异步信号的“活动简档”可以被视为是时间的函数曲线，其值至少表示针对该传感器或针对该异步信号所接收到的最后事件的时间。已经观察到，活动简档的形态指示在由传感器获取的信号中存在某些基本模式。

“事件信号”可以是出自于给定传感器的事件集或这些事件的子集(空间子集：限于特定时间子集，限于给定时间段)。

根据特定实施例，活动简档的活动值作为自从一个传感器生成的连续事件之中的最近事件以来已经经过的时间的函数而呈指数变化。

根据优选实施例，活动简档的活动值作为自从一个传感器生成的连续事件之中的最近事件以来已经经过的时间的函数而呈指数减小。

在特定实施例中，对于每个传感器或对于每个异步信号，活动简档至少包括活动值，该活动值作为从来自所述传感器的连续事件之中的最近事件之前的事件以来已经经过的时间的函数而变化，优选地减小。

根据本发明，在步骤(c)中确定的参考元上下文可以与个体的特定生理状况相关，例如与临床状态或医学状况相关。可替代地，参考元上下文可以与环境、预定空间或物体的特定陈述相关。

根据一个特定实施例，在步骤(i)中通过具有用于发射和接收所述信号的发射器/接收器的通信接口来接收至少两个信号。根据特定实施例，所述通信接口经由有线或无线链路来工作。

基于事件的信号的使用允许对更多有限的信息集执行关联/相关步骤。这允许处理由传感器生成的更多信号。

根据优选实施例，根据本领域的方法来执行步骤b或/和d中的关联。根据一个特定实施例，通过计算所考虑的上下文(时间或/和元上下文)与属于预定参考上下文组中的对应参考上下文(即，参考时间上下文或/和参考元上下文)之间的距离来进行所述关联，其中所述距离是最小距离。

根据另一个实施例，所述关联步骤是通过来自诸如脉冲神经网络(SNN)、多层感知器(MLP)或自动编码器(AE)之类的机器学习领域的方法来进行的。脉冲神经网络可以优选地被用于连续识别，因为这些网络输出在达到检测阈值时所识别的参考上下文。

根据一个特定实施例，对于相同的信号，执行多个检测。要被检测的每个预定特征都具有其自己的事件信号。这允许在时间信号内执行分类，并且提高了参考上下文的识别的精度。

根据优选实施例，至少两个所述接收到的信号具有不同的量级、单位或测量系统和/或源自于不同的传感器类型。

根据优选实施例，所述接收到的信号在包括表示心电图(ECG)、脑电图(EEG)、呼吸、血压、体温、个体身体活动等的信号的组中选择。

可替代地，所述接收到的信号从包括表示室温、测湿、pH、重金属检测、湿度、气压、空气质量、环境光等的信号的组中选择。

根据优选实施例，本发明的方法包括至少两个时间信号，优选地至少三个时间信号，甚至更优选地至少五个时间信号。

根据特定实施例，参考上下文(即，参考时间上下文或/和参考元上下文)与事件信号相关联，并且，当参考上下文被识别时，与该参考上下文相关联的事件信号被调整为一个值，并且随后随时间变化，优选地随时间减小。根据特定实施例，每个参考上下文与事件信号相关联，并且当参考上下文被识别时，与该参考上下文相关联的事件信号被调整为一个值，并且随后随时间变化，优选地随时间减小。

应当注意，本申请中提及的与参考信号相关联的事件信号和与预定信号特征相关联的事件信号具有相似的属性。例如，本领域技术人员可以根据参考上下文所表示的内容来调整与参考上下文相关联的事件信号被调整到的值，以及这种事件信号的变化的持续时间，优选地是其减小的持续时间。

根据本发明，与参考上下文相关联的事件信号的使用允许以促进进一步处理的方式跟踪参考上下文的每次检测。

根据另一个特定实施例，本发明的方法还包括以下步骤：

(v)在给定的时间t+n处：

a'.确定时间上下文(t+n TC)，所述上下文被定义为在所述异步信号的所述给定时间t+n处的一组活动简档，

b’.通过将在步骤(a’)中确定的每个所述时间上下文与从至少两个预定义参考时间上下文之中选择的至少一个时间参考上下文相关联，来识别元事件(t+n ME)，

c’.通过确定在步骤(b’)中识别的并由所述至少两个信号引起的不同的元事件之间的相关程度，来确定元上下文(t+n MC)，

d’.通过将在步骤(c’)中确定的所述元上下文与从至少两个预定义的参考元上下文中选择的至少一个参考元上下文相关联，来识别参考元上下文(t+n refMC)。

根据特定实施例，t＝t+n(n＝0)。

根据另一个特定实施例，t不同于t+n。

根据特定的实施方案，n为≥1。

根据特定实施例，参考上下文(即，参考时间上下文或/和参考元上下文)与事件信号相关联，并且，当参考上下文被识别时，与该参考上下文相关联的事件信号被调整为一个值，并且随后随时间变化，优选地随时间减小。根据特定实施例，每个参考上下文与事件信号相关联，并且当参考上下文被识别时，与该参考上下文相关联的事件信号被调整为一个值，并且随后随时间变化，优选地随时间减小。

根据一个实施例，在步骤(d')中识别的每个参考元上下文与事件信号相关联，并且，当参考元上下文在步骤(d')中被识别时，与该参考元上下文相关联的事件信号被调整为一个值，并且随后随时间变化，优选地随时间减小。

本发明的方法可以是递归的。可以基于一个或多个后续参考元上下文从一个或多个事件信号中导出后续元上下文。

应当注意，仅在已经执行了识别参考上下文的所需分类的情况下才可以执行基于元上下文的分类。技术人员将能够确定何时应该执行每个分类。

根据实施例，在第一参考元上下文或第二参考元上下文的识别之前，在第三给定时间处识别至少一个补充上下文，该方法还包括参考元上下文的以及第三参考元上下文的分类步骤，用以识别包括第三给定时间和给定时间或第二给定时间的时段的参考签名。

该实施例允许使用已经被识别的不同的参考元上下文来识别仅在包括第三给定时间和第一给定时间或第二给定时间的该时段上可见的状态。

技术人员将知道应该使用哪种分类方法来识别签名。

根据实施例，参考签名与事件信号相关联，并且当参考签名被识别时，与该参考签名相关联的事件信号被调整为一个值，并且随后随时间变化，优选地随时间减小。

换句话说，以类似于参考上下文的方式，签名与事件信号相关联。可以使用这些事件信号用于在签名被识别之后可以确定的上下文，例如用于分类目的。

根据实施例，元上下文被确定为还包括指示符的或接收到的数据的值。

该指示符也可以被本领域技术人员指明为标志，例如可以被设置为零或一以指示某物的二进制值。

以示例的方式，用户可以将该指示符设置为“1”(或“0”)，以指示传感器无法观察到的特定状况，并且在分类步骤中将考虑该指示符，因为它是(第二)上下文的一部分。

可替代地，可以使用接收到的数据。该数据可以是不是使用传感器获取的或由指示符定义的任何附加信息。

根据实施例，执行分类以识别参考元上下文或第二参考元上下文或签名还包括在未来的给定时间处识别未来参考元上下文或签名(如果分类提供了签名)。

换句话说，识别元上下文的分类，其有助于对未来状态的预测的定义(参见图3A)。

根据实施例，该方法包括递送与该未来参考元上下文相关联的概率值。例如，此概率值指示达到该未来参考元上下文或签名的概率。

根据实施例，该方法还包括考虑识别的参考元上下文和/或识别的参考签名来执行进一步的动作。

通过示例的方式，该动作可以是触发警报、发送消息或操作闭环设备(诸如注射泵)。

根据实施例，至少一个时间信号是在个体上获取的并且与个体的生理数据相关。

本发明还涉及一种用于处理信号的系统，其中所述系统包括能够生成信号的一个或多个传感器，其中所述信号中的至少一个是时间信号；以及一种实现本发明的方法的处理单元。

根据一个特定实施例，一个或多个传感器被布置在被配置为由个体穿戴的物品上。

在该实施例中，一个或多个传感器获取个体的生理数据。

通过示例的方式，该物品可以是衣服，诸如衬衫或T恤衫。

通过示例的方式，该物品可以是位于个体的身体上的电子贴片。

本发明的方法可以由单独设备的处理器来实现。该单独设备可以是智能手机、智能手表、平板电脑等。传感器与独立设备之间的通信可以是有线的(例如，经由USB：通用串行总线)或无线的(例如，经由蓝牙)。

在一个特定实施例中，如上定义的步骤由计算机程序指令来确定。

因此，本发明还涉及一种计算机程序，当该程序由计算机执行时用于执行如上所述的方法的步骤。

本发明还涉及一种安装在现有装备上的、实现本文上述方法的全部或一部分的计算机程序。

本发明还涉及一种在其上存储有计算机程序的非暂时性计算机可读介质，该计算机程序包括指令，当该程序由处理器执行时该指令用于实现本发明的方法。

该程序可以使用任何编程语言(例如，面向对象的语言或其他)，并且可以是可解译的源代码、目标代码或源代码和目标代码之间的中间代码的形式，诸如部分编译的形式、完整编译的代码或任何其他所期望的形式。

信息介质可以是能够存储程序的任何实体或设备。例如，介质可以包括诸如ROM例如CD ROM或微电子电路ROM之类的存储装置，或例如磁盘(软盘)或硬盘之类的磁性存储装置。

可替代地，信息介质可以是其中并入有程序的集成电路，该电路适于执行所讨论的方法或在其执行中被使用。

在该实施例中，该设备包括计算机，该计算机包括存储器，该存储器用于存储允许实现该方法的指令、与接收到的事件流有关的数据以及用于执行诸如本文如上所述的方法的各个步骤的临时数据。

该计算机还包括电路。该电路可以是，例如：

-能够解译计算机程序形式的指令的处理器，或

-在硅中描述了本发明方法的步骤的电子卡，或

-可编程电子芯片，诸如FPGA芯片(现场可编程门阵列)。

该计算机包括用于接收来自传感器的信号的输入接口。最后，计算机可以包括屏幕和键盘，以便于与用户轻松交互。当然，键盘是可选的，特别是在例如具有触敏平板电脑形式的计算机的框架中。

附图说明

现在将参考附图通过示例的方式描述如何实现本公开，附图中：

-图1是根据示例的用于处理生理数据的方法的步骤的示意图，

-图2图示出了单个时间信号的处理，是在其中确定第二上下文的方法的步骤的示意图，

-图3A和图3B是在其中确定第二上下文的方法的步骤的示意图；

-图4是根据示例的系统的示意图，

-图5是包括衣物的系统的示意图，

-图6是包括替代衣物的系统的示意图，

-图7是使用ECG、呼吸信号、血氧仪信号和EEG的融合的睡眠呼吸暂停检测的示意图。

具体实施方式

图1图示出了用于处理个体的生理数据的方法的步骤。

然而，本发明不限于处理个体的生理数据，并且还可以应用于与物体、房间或建筑物相关的信号。

在第一步骤S10中，执行收集生理数据的步骤。可以通过经由通信接口(例如，经由有线或无线接口)接收生理数据来执行该步骤。换句话说，可以相对于个体而远程地执行该方法。

在本示例中，生理数据包括第一时间信号、第二时间信号以及具有值“1”的指示符或标志。

时间信号可以已经在个体上被获取，并且可以是模拟类型的电信号(即连续信号)或数字信号(即采样信号)。举例来说，第一感测信号可以是ECG信号，而第二感测信号可以是监测个体的呼吸的传感器的输出。

应当注意，在本申请中，时间信号是具有随时间变化的值的信号。

具有值“1”的指示符可以是例如指示个体的特定状况的指示符。例如，指示符可以指示该个体已经经历了特定手术，或者该个体已经服药。又例如，可以通过在步骤S10中接收到的用户的命令来获取这样的指示符。

应当注意，可以以连续的方式或准连续的方式执行步骤S10，其中当已经为时间信号获取了新样本时，收集这些新样本。

一旦已经收集了时间信号和指示符就执行检测步骤S21、S22和S23或者随着时间信号的收集而连续地执行检测步骤S21、S22和S23。

在步骤S21中，在第一时间信号中检测到由“A”指明的预定信号特征。特征“A”可以是例如达到预定值的第一时间信号。

对特征“A”的每次检测之后是调整步骤(步骤S31)，其中与特征“A”相关联的时间信号(称为事件信号A(t))被调整为一个值(例如1)。正如图上可以看出的，特征“A”在所示的时间部分中被检测到两次。事件信号A(t)随后被两次调整为相同值。A(t)以预定义的斜率随时间按线性的方式减小。选择该斜率以说明特征“A”保持相关的持续时间。

在步骤S22中，在第一时间信号中检测到由“B”指明的预定信号特征。特征“B”可以是例如第一时间信号中的峰值的宽度。

对特征“B”的每次检测之后是调整步骤(步骤S32)，其中与特征“B”相关联的时间信号(称为事件信号B(t))被调整为一个值(例如1)。正如图上可以看出的，特征“B”在所示的时间部分中被检测到一次。在被调整为一个值(例如1)之后，B(t)以预定义的斜率随时间按线性的方式减小。正如从图中可以看出的，该斜率不如针对事件信号A(t)所示的斜率那么陡。因此，特征“B”可能对个体产生在较长时间内保持相关的影响。

在步骤S23中，在第二时间信号中检测到由“C”指明的预定信号特征。特征“C”可以是例如达到预定值的第二时间信号。

对特征“C”的每次检测之后是调整步骤(步骤S33)，其中与特征“C”相关联的时间信号(称为事件信号C(t))被调整为一个值(例如1)。正如图上可以看出的，特征“C”在所示的时间部分中被检测到一次。在被调整为一个值(例如1)之后，C(t)以预定义的斜率随时间按线性的方式减小。

在给定时间处，为了检测到个体处于特定状态，可以使用事件信号和标志。为此，可以使用先前已调整的所有事件信号或一部分事件信号。

另外，对于给定的检测，例如通过将小于一的系数应用到对于特定检测不那么重要的事件信号，可以进一步调整事件信号。例如，对于每种类型的检测，可以存在由应用到事件信号的系数来体现的事件信号之间的层级。例如在校准步骤期间，技术人员将能够确定这些系数。

在由t0指明的给定时间处执行步骤S40。通过示例的方式，可以以规律的间隔例如每分钟来执行步骤S40。在此步骤中，将上下文C确定为包括在t0处的每个事件信号的值和在“1”处的标志：

C＝(A(t0)；B(t0)；C(t0)；“1”)

在该示例中，C是包括4个分量的向量。

然后可以在分类步骤S50中使用该上下文，在该步骤中参考上下文被识别。在该示例中，例如在校准步骤中已经初步定义了一组参考上下文。每个参考上下文可以与个体的特定状态相关联。

分类步骤S50可以借助于距离计算(即，上下文C与每个参考上下文之间的距离；本领域技术人员将能够确定应该使用哪个数学距离)来执行，或者也可以借助于来自机器学习领域诸如脉冲神经网络(SNN)、多层感知器(MLP)或使用自动编码器(AE)的方法来执行。

然后参考上下文可以被识别。

图2图示出了根据示例的单个感测信号300的处理，该信号是ECG信号。该信号300包括本领域技术人员众所周知的多个QRS波群。信号中示出的第一QRS波群由附图标记301指明，信号300的右侧也更详细地示出了它。

在所图示的示例中，预定信号特征与在持续时间T的特定时刻达到预定义水平L1、L2和L3的时间信号相关。

已经观察到这些预定特征允许识别个体的各种状态。每次检测到这些特征时，都会在信号302上生成峰值(可以使用其他形状的信号)。此信号302图示出了对预定义特征的检测。

在信号302上，当增加的信号达到预定义水平时，将生成正峰值。当减小的信号达到预定义水平时，将生成负峰值。

从这些峰值的顺序，可以知道已检测到哪个预定义特征。

因此，可以在每次检测到对应的预定特征时将对应的事件信号F1、F2、F3、F4和F5调整为一个值。在事件信号F1至F5已被调整为一个值后立即减小。

在给定的时间t0处，将上下文确定为包括事件信号F1至F5的所有值。

上下文304被获得。在图上，以雷达图的形式来表示该上下文304。

可以使用利用上下文304作为输入的分类方法来识别参考上下文。例如，上下文304和参考上下文之间的距离可以被用于分类。

所识别的参考上下文可以属于一组参考上下文305，该组参考上下文305尤其包括已经在该图中表示的参考上下文305A、305B、305C(为简洁起见，未表示其他参考上下文)。参考上下文305B和上下文304在图形上接近并且该参考上下文应该被识别。

所识别的参考上下文305B或与该参考上下文相对应的值被输入到执行进一步分类的分类器306。

例如，在t0之前的另一个给定时间t0’处，可以确定上下文307。可以从参考上下文组中识别另一个参考上下文。在该示例中，参考上下文308被识别。

参考上下文308或与该参考上下文相对应的值也被输入到分类器306。

例如，分类器306可能能够检测到5个不同的签名，每个签名均由字母指明：

-N：正常状态；

-S：室上性早搏；

-V：室性期前收缩；

-F：纤维性颤动；和

-O：其他，未分类事件。

这些签名可以各自与事件信号相关联。而且，参考上下文N：正常状态可以优选地不与第二事件信号相关联，以便限制要生成的数据量。

优选地，参考上下文306使用脉冲神经网络，其可以仅在已经达到预定义的检测阈值时才输出签名。

图3A是在其中确定第二上下文的方法的示例。

在该图上，表示了不同的时间信号。这些信号已经在个体上被获取。第一时间信号201图示出了个体的呼吸，第二时间信号202图示出了个体的ECG，第三时间信号203图示出了用户的温度。这些时间信号都是不同的类型。

对于时间信号201，通过将类似于参考图1公开的方法仅应用于该时间信号，两个可能的参考上下文可以被识别。当这两个参考上下文之一被识别时，与已被识别的参考上下文相对应的事件信号E11(t)被调整为一个值(例如1)。随后，事件信号E11(t)随时间以类似于参考图1描述的事件信号的方式减小。

类似地，当另一参考上下文被识别时，与该另一参考上下文相对应的事件信号E12(t)被调整为一个值(例如1)。随后，事件信号E12(t)随时间减小。

对于第二时间信号202，详细说明了与三个不同参考上下文相对应的三个事件信号：E21(t)、E22(t)和E23(t)。应当注意，可替代地，这些事件信号中的一个或多个可以与已被识别的签名相关联，如参考图2所公开的。

对于第三时间信号203，详细说明了对应的一个事件信号：E31(t)。可以基于信号203的预定信号特征的检测来详细说明该事件信号。

从这些事件信号中，可以检测到个体所处的状态，并且该状态可以被识别，因为已经观察到该状态与在时间段内所识别的多个特定上下文相关联：这意味着观察对应的事件信号允许检测此状态。

例如，该检测可以定期地执行，例如每24小时执行一次。

为了能够在给定的时间t1处检测到此状态，将上下文C确定为：

C＝(E11(t1)；E12(t1)；E21(t1)；E22(t1)；E23(t1)；E31(t1))

在此示例中，C是6个分量的向量。

然后可以在分类步骤S80中使用该上下文C，在该步骤中第二参考上下文被识别。在该示例中，例如在校准步骤中已经初步定义了一组第二参考上下文。每个第二参考上下文可以与个体的特定状态相关联。

分类步骤S80可以借助于距离计算(即，上下文C与每个第二参考上下文之间的距离；本领域技术人员将能够确定应当使用哪个数学距离)来执行，或者也可以借助于来自机器学习领域诸如脉冲神经网络(SNN)或多层感知器(MLP)的方法来执行。

如图2所示，分类步骤既输出了已被识别的第二参考上下文，又输出了预测。

该预测包括可以在t1+Δt处识别的第二参考上下文，其中Δt是预定义的持续时间。另外，预测可以与概率值相关联。

技术人员将能够选择适当的分类方法以被用来也输出概率值。该概率值可以指示该第二参考上下文被识别的概率。

应当注意，可以基于上下文的识别或基于第二上下文的识别来详细说明事件信号。

图3B是图3A所示方法的替代实现，其中与时间信号201相关联的事件信号E11(t)和E12(t)被处理(步骤S100)以获得表示这些事件信号在t1处的状态的单个值。

与时间信号202相关联的事件信号E21(t)、E22(t)和E23(t)被处理(步骤S101)，以获得表示这些事件信号在t1处的状态的单个值。

因此，这简化了上下文的确定和步骤S80的分类。

如图上所示，已经表示出了示出上下文的雷达图。每个分量都与不同的生理现象相关联。

图4示出了根据示例的系统的示例。该系统可以被配置为执行参考图1至图3描述的各种实施例。

系统400包括与两个外部(相对于设备401)传感器402和403通信的设备401。可以使用设备401的通信接口404来获得通信。例如，通信接口可以是有线通信接口，诸如USB接口。传感器402和403被配置为获取关于个体的时间信号，其构成个体的生理数据。

设备401还包括处理时间信号的处理器405和非易失性存储器406。

此非易失性存储器406包括参考的上下文407和一组指令408、408、410和411。当由处理器405执行时，这些指令和处理器405形成设备401的模块：

指令408，在由处理器405执行时，执行：在由传感器402和403获取的时间信号中检测至少一个预定信号特征。指令408和处理器405形成检测模块，该检测模块在包括时间信号的信号中检测至少一个预定信号特征。

指令409，当由处理器405执行时，执行：当至少一个预定信号特征被检测到时，将与至少一个预定信号特征相关联的时间信号调整为一个值，该时间信号被称为事件信号，事件信号随后随时间减小。指令409和处理器405形成调整模块，该调整模块当至少一个预定信号特征被检测到时，将与至少一个预定信号特征相关联的时间信号调整为一个值，该时间信号被称为事件信号，事件信号随后随时间减小。

指令410，在由处理器405执行时，执行：在给定时间处将上下文确定为至少包括在该给定时间处的事件信号的值。指令410和处理器405形成确定模块，该确定模块在给定时间处确定至少包括在该给定时间处的事件信号的值的上下文。

指令411，在由处理器405执行时，执行上下文的分类，以便(从参考上下文407中)识别参考上下文。指令411和处理器405形成分类模块，该分类模块在给定时间处对上下文进行分类以便识别参考上下文。

在图5上，已经表示出了系统500。该系统包括设备501，该设备可以是智能电话并且类似于参考图4描述的设备401。

在此示例中，三个传感器被示为被嵌入在衣物：T恤中。这些传感器以503、504和505来标记。三个传感器503至505连接到通信模块506，该通信模块506通过通信链路L1来与设备501无线通信。可以使用蓝牙或任何其他适当的无线通信协议来执行无线通信。

如图上所示，设备501的屏幕可以根据所识别的参考上下文来显示警报消息。

在图6上，已经表示出了系统600。系统600可以是衣物的形式：臂章。

该臂章包括设备601，设备601被嵌入在臂章中并且类似于参考图4所述的设备401。臂章还配备有传感器602、604和604。

从以上示例中可以理解，可以以紧凑的方式实现本发明。

事件信号的使用还允许获得实时结果(例如，上下文可以每秒被识别一次)。

而且，使用源自于不同类型的时间信号的(第二)事件信号允许识别个体的复杂状态。因此，可以改善对例如个体可能有害的状态的检测，从而主动保护个体或对个体发出警报。

图7图示出了使用ECG、呼吸信号、血氧仪信号和EEG的融合将本发明的数据融合方法用于多参数睡眠呼吸暂停检测器。

数据融合是集成多个数据源以产生比任何个体数据源所提供的信息更加一致、准确和有用的信息的过程。使用本发明的方法对来自每个传感器的每个孤立信号应用特征提取。然后将这些特征组合以检测特定的生理状况(请参见图7)。

通常使用多导睡眠图(PSG)方法来诊断睡眠呼吸暂停，该方法包括在整晚睡眠期间监测多种生理信号。这就是为什么检测这种病理是说明本发明的数据融合方法的好示例。睡眠呼吸暂停是一种以在睡眠期间呼吸暂停或浅呼吸期为特征的睡眠障碍。每次暂停可能会持续几秒钟到几分钟，并且可能会在一晚上发生多次。睡眠呼吸暂停有三种形式：阻塞性(OSA)，最常见的形式；中枢性(CSA)以及两者的组合称为混合性。这种障碍破坏了正常的睡眠，并且它可能会导致瞌睡、神经认知功能障碍、心血管疾病、代谢功能障碍和呼吸衰竭。睡眠呼吸暂停也是癫痫患者的常见病理，并且可能会导致死亡。所监测的信号通常包括脑电图(EEG)、气流、胸部或腹部呼吸运作信号和血氧饱和度。PSG的分析需要专门的人员，并且非常耗时。此外，它涉及记分者中的评分者之间的可靠性差异。因此需要自动睡眠呼吸暂停检测。

性能指标：

在Se、SP、总体准确度(ACC)和F1-得分方面对睡眠呼吸暂停检测器进行评估。这些指标依赖于以下数据的数目：真阳性(TP：被正确识别为睡眠呼吸暂停的病例数)，真阴性(TN：被正确识别为非睡眠呼吸暂停的病例数)，假阳性(FP：被错误识别为睡眠呼吸暂停的病例数)和假阴性(FN：被错误识别为非睡眠呼吸暂停的病例数)，并且被计算如下：

敏感度(Se)是指正确检测睡眠呼吸暂停的能力，而特异度(Sp)评估正确排除无睡眠呼吸暂停的患者的能力。

结果：

数据是7个小时到将近10个小时的35个记录。每个记录包括ECG信号，只有4个记录还包括胸部和腹部呼吸运作信号。每次记录的每分钟指示呼吸暂停的存在与否。数据集中仅存在OSA呼吸暂停。为了评估数据融合的兴趣，仅使用同时包含ECG和呼吸信号二者的记录。通过将我们的方法仅应用于呼吸信号上、然后应用于两个信号(ECG+呼吸信号)上，将使用单个参数的呼吸暂停检测性能与使用多个参数的检测进行比较。由于数据融合，获得了F1-得分多于15％的提高。但是，可用数据集的大小限制了学习和结果。

	Se	Sp	F1-得分	准确率
					仅呼吸	78％	71％	74％	77％
呼吸+ECG	89％	90％	89.5％	89％

该方法的性能已在另一个数据集：MIT-BIH多导睡眠图数据库上被验证，该数据库是睡眠期间的多种生理信号记录的集合。该数据库包含四、六和七通道的超过80小时的记录。只有4个记录包括ECG信号、EEG信号、鼻、胸部和腹部呼吸运作信号以及耳垂血氧仪信号(SO2)。针对每次记录的每30s，指示睡眠阶段以及不同类型的呼吸暂停的存在与否。数据集包含不同类型的呼吸暂停，OSA和CSA，以及不同类型的睡眠阶段(1、2、3、4和清醒)。该分类在不同类型的呼吸暂停之间没有任何区别，并且信号的各部分被分类为“呼吸暂停”或“非呼吸暂停”。仅使用呼吸运作信号对信号进行分类。获得81％的F1-得分。通过结合ECG和呼吸的信息，获得84％的F1-得分。通过首先将信号的各部分分类为不同的睡眠阶段，可以改善结果。EEG被用来将信号分类为4个类别：“睡眠阶段1”、“睡眠阶段2”、“睡眠阶段3和4”和“清醒”。然后，分析ECG、呼吸和血氧仪信号，以将记录分类为“呼吸暂停”或“非呼吸暂停”。获得94.4％的F1-得分。当我们添加更多的生理信号时，分类的结果将不断增加。

	Se	Sp	F1-得分
				仅呼吸	74.5％	91％	81％
+ECG	94％	76％	84％
				+S0<sub>2</sub>+EEG	91％	98％	94.4％

结论

利用两个多参数数据库：MIT-BIH多导睡眠图数据库和来自心脏病学计算机挑战赛(CinC Challenge)2000的数据集，已经验证了睡眠呼吸暂停检测。这些数据库包含多个生理信号，并且实现了数据融合的评估。记录包括ECG、EEG、呼吸信号和耳垂血氧仪信号。针对CinC Challenge 2000数据集，通过结合来自ECG和来自呼吸信号的特征，与仅来自呼吸的特征相比，已经获得了F1得分的15％的提高。来自MIT-BIH多导睡眠图数据库的记录呈现了不同类型的呼吸暂停和不同的睡眠阶段。首先使用EEG信息将信号的各部分分类为各睡眠阶段。然后将本发明的方法应用于ECG、呼吸和血氧仪信号。获得了91％的敏感度(Se)和98％的特异度(Sp)。

总之，数据融合改善了呼吸暂停检测的结果。监测多个生理信号可导致更好地检测不同的病理。

Claims (17)

1.一种用于处理由传感器、优选地由至少两个传感器产生的至少两个信号的方法，该方法包括：

(i)从传感器接收至少两个信号，其中所述至少两个信号中的至少一个是时间信号，

(ii)如果接收到的所述时间信号不是异步信号，则将所述接收到的时间信号转换为包括用于所述时间信号的事件的异步时间信号，所述事件表示所述时间信号的每次改变，

(iii)分析在(i)中接收和/或在(ii)中转换的、从一个传感器接收的每个所述异步信号，并提供经分析的所述异步信号的活动简档，该活动简档至少包括活动值，该活动值作为自从所述异步信号的连续事件之中的最近事件以来已经经过的时间(t)的函数而变化，

(iv)在给定的第一时间处：

a.确定第一时间上下文(tTC)，所述第一时间上下文被定义为在所述异步信号的所述给定第一时间处的一组活动简档，

b.通过将步骤(a)中确定的所述第一时间上下文与从至少两个预定义参考时间上下文之中选择的至少一个时间参考上下文相关联，来识别第一元事件(tME)，

c.通过确定在步骤(b)中识别的并且由所述至少两个信号引起的不同的第一元事件之间的相关程度，来确定第一元上下文(t refMC)，

d.通过将在步骤(c)中确定的所述元上下文与从至少两个预定义的参考元上下文中选择的至少一个参考元上下文相关联，来识别第一参考元上下文。

2.根据权利要求1所述的方法，其中步骤(iii)包括分析在(i)中接收和/或在(ii)中转换的、从一个传感器接收的每个所述异步信号，并提供经分析的所述异步信号的活动简档，该活动简档至少包括活动值，该活动值作为自从所述异步信号的连续事件之中的最近事件以来已经经过的时间(t)的函数而减小。

3.根据权利要求1或2所述的方法，其中，来自传感器的所有接收到的信号都是时间信号。

4.根据权利要求1至3所述的方法，其中，所有接收到的时间信号是异步信号，并且步骤(ii)不存在。

5.根据前述权利要求中任一项所述的方法，其中在步骤(c)中确定的参考元上下文可以与个体的特定生理状况相关。

6.根据前述权利要求中任一项所述的方法，其中，所述接收到的信号中的至少两个具有不同的量级、单位或测量系统和/或源自于不同的传感器类型。

7.根据前述权利要求中任一项所述的方法，其中所述接收到的信号在包括表示心电图(ECG)、脑电图(EEG)、呼吸、血压、体温、个体身体活动等的信号的组中选择。

8.根据前述权利要求中任一项所述的方法，该方法包括至少两个时间信号，优选地至少三个时间信号，甚至更优选地至少五个时间信号。

9.根据前述权利要求中任一项所述的方法，其中该方法包括至少两个时间信号，优选地至少三个时间信号，甚至更优选地至少五个时间信号。

10.根据前述权利要求中任一项所述的方法，其中该方法还包括以下步骤：

(i)在给定的时间t+n处：

a'.确定时间上下文(t+n TC)，所述上下文被定义为在所述异步信号的所述给定时间t+n处的一组活动简档，

b'.通过将在步骤(a')中确定的每个所述时间上下文与从至少两个预定义参考时间上下文之中选择的至少一个时间参考上下文相关联，来识别元事件(t+n ME)，

c'.通过确定在步骤(b')中识别的并由所述至少两个信号引起的不同的元事件之间的相关程度，来确定元上下文(t+n MC)，

d'.通过将在步骤(c')中确定的所述元上下文与从至少两个预定义的参考元上下文中选择的至少一个参考元上下文相关联，来识别参考元上下文(t+nrefMC)。

11.根据权利要求10所述的方法，其中，t＝t+n(n＝0)。

12.根据权利要求10所述的方法，其中，t不同于t+n。

13.根据前述权利要求中任一项所述的方法，其中，所述参考时间上下文或/和参考元上下文与事件信号相关联，并且，当参考上下文被识别时，与该参考上下文相关联的事件信号被调整为一个值，并且随后随时间变化，优选地随时间减小。

14.根据前述权利要求中任一项所述的方法，其中所述方法是递归的。

15.根据前述权利要求中任一项所述的方法，其中所述预测包括第二参考上下文，该第二参考上下文可以在t1+Δt处被识别，其中Δt是预定义持续时间。

16.根据前述权利要求所述的方法，其中所述预测与概率值相关联。

17.根据权利要求15至16所述的方法，其中所述预测与警报相关联。

Images