通过心电图、呼吸声学和胸部加速度进行智能呼吸监测的方法和装置与流程

1.本发明总体上涉及用于确定受试者的呼吸质量和呼吸力度以及呼吸频率(rr)的装置和方法。更具体地，本发明涉及一种用于获得表示呼吸恶化概率的指数的无线装置和方法。
背景技术：
：：2.呼吸是生命的基础。肺部负责呼吸，即负责向身体提供氧气并从体内排出二氧化碳的过程。3.呼吸窘迫是由于氧合功能失常(氧气吸入不足)或通气功能失常(二氧化碳排出不足)引起的。4.这些形式的功能失常可以表现为不规则的呼吸频率和/或异常的呼吸模式。持续对rr和模式进行监测对于检测呼吸衰竭的发作是至关重要的；然而，大多数医院病房未能正确监测这种生命体征。当测量rr时，这种测量进行的频率却很低。普通病房的患者通常每六到八小时才检查一次，并且通常有明显的人为误差，这是因为护士通常是观察患者呼吸15秒，然后将结果乘以4来获得每分钟的rr。世界卫生组织提倡计算一分钟的呼吸次数。如果rr高于或低于12-16次呼吸/分钟的可接受范围，则表明存在呼吸问题。5.当前用于测量rr的装置非常昂贵，并且要通过电缆连接到患者身上，因此它们仅用于特殊的单位，例如重症监护病房(icu)。6.rr在25次每分钟和29次每分钟之间的患者中有21％在医院中死亡(respiratoryrate:theneglectedvitalsign.michelleacretikos,rinaldobellomo,kenhillman,jackchen,simonfinferandarthasflabouris.mja2008；188:657-659)。对患者的临床状态保持警觉并减少并发症的最佳方法是持续对患者的rr和潮气量(tv)进行监测。冠状病毒疫情(covid-19)已经清楚地表明，在医院之外的养老院甚至家庭护理环境中对呼吸进行监测是必要的。7.joseph等人的美国专利申请“acousticsensorandventilationmonitoringsystem”(us2020/0054277a1)公开了一种利用声学测量装置对呼吸进行监测的方法。在对呼吸生理病理学进行广泛描述之后，作者提出了由两个元件集成的装置。其中一个元件附接到患者身上，而第二元件则附接到第一元件上。第一元件由声音传感器、加速度计和发射器组成。第二元件由可充电电池组成。在该装置中，可以集成多个传感器来测量温度、心率以及氧饱和度。所述装置也可以与智能手表连接。利用来自不同传感器的信息，他们提出了一种风险因素指数，以确定由于生理病理变化以及药物或酒精滥用引起的哺乳动物的呼吸功能变化。他们描述了一个二次方程来计算他们的呼吸风险因素指数。其与我们当前专利申请的主要区别在于，一方面，joseph等人仅使用加速度计来评估身体运动，而我们使用加速度计来估算呼吸频率，另一方面，呼吸风险指数和智能呼吸指数的公式显著不同。此外，在joseph等人的专利申请中，呼吸频率是通过呼吸声学来评估的，而在本专利申请中，呼吸频率是通过加速度计测量的胸部加速度和呼吸声包络(breathsoundenvelope)的一阶导数来评估的。8.joseph的专利申请和本专利申请都使用作为麦克风的传感器以及加速度计来评估呼吸声和运动的情况。然而，joseph等人在这两项工作中分析的参数以及用于计算风险因素指数的推导公式与本公开的sri是完全不同的。joseph等人使用加速度计来评估患者的身体运动，而在本公开中，加速度计用于计算呼吸频率。9.joseph等人使用呼吸声来计算呼吸频率和tv，而在本公开中使用包络来评估tv的变异性。10.最后，对于joseph等人来说，身体运动和言语加起来得分最高，而呼吸缓慢和缺乏运动则得分最低。美国申请“portabledevicewithmultipleintegratedsensorsforvitalsignsscanning”(us2015/0313484a1)公开了一种具有多个集成传感器的便携式装置。本发明的患者应用则不同，它既不使用体温计也不使用光体积变化描记法(ppg)，并且本发明定义了呼吸质量的指数。11.美国申请“mobilefrontendsystemforcomprehensivecardiacdiagnosis”(us2015/0065814a1)与本专利申请显著不同，us2015/0065814的目的是对心脏问题进行综合诊断。12.美国专利申请“meshnetworkpersonalemergencyappliance”(us2008/0001735a1)公开了一种系统，所述系统包括形成无线网状网络的一个或多个无线节点，本技术的不同之处在于其不形成无线网状网络。13.美国专利申请“monitoring,predictingandtreatingclinicalepisodes”(us2008/0275349a1)公开了一种用于感测受试者的生理参数并能感测大范围的身体运动的装置，这与没有公开感测大范围的身体运动的本专利申请显著不同。14.美国申请“physiologicalacousticmonitoringsystem”(us8821415b2)公开了一种使用声学信号来评估呼吸频率的方法，然而该申请仅使用一个或两个声学传感器(麦克风)，因此与还使用了心电图(ecg)和加速度计的本发明完全不同。15.美国专利“methodsandsystemsformonitoringrespiration”(us6,918,878b2)公开了一种用于确定患者的呼吸频率的方法，所述方法包括多个部分。呼吸频率可以通过测量心脏的s2分裂来确定。s2分裂可以通过观察心音的时间来识别。也可以识别其他呼吸相关的信息，例如呼吸相位和呼吸暂停的发生。这种类型的呼吸监测器可能对监测亚急性患者和监测门诊患者很有用。用于呼吸监测器的传感器和用于ecg监测器的电极可以组合成单个探头。16.本专利申请不包括s2分裂，因此不同于专利申请us6,918,878。17.美国专利“systemandmethodformonitoringrespiratoryratemeasurements”(us20180214090a1)公开了使用多个生理参数输入来确定呼吸频率测量中的多参数置信度的系统和方法。此公开与本专利申请不同，因为本技术对呼吸声学以及ecgr-r间隔变化(rpeaks)进行了组合。技术实现要素：18.在优选实施例中，贴片(1、13、27、42)附接到患者的胸部，所述贴片(1、13、27、42)至少包含用于心电图(ecg)的传感器、由加速度计测量呼吸频率(rr)的传感器、由麦克风测量rr的传感器。使用心率(hr)提取算法对ecg(2、14、29)进一步处理，例如但不限于使用快速傅立叶变换(fft)(6、19、34)来提取ecg的hr，并且rpeaks(7、20、35)也由fft确定(频谱分析)。19.来自麦克风(3、15、30)的呼吸声(呼吸声学)经过包络波形呼吸提取公式(8、21、36)的处理，以获得呼吸频率，称为respr。公式(9、22、37)用于计算潮气量变异性(tvv)。胸部的加速度信号(4、16、31)通过评估呼吸的希尔伯特变换模型进行分析，称为respracc(10、23、38)。rpeaks、respr和respracc三个参数之间的关系可能随着呼吸恶化而改变，因此要计算交叉互信息(crossmutualinformation)(5、18、32)并生成变量cmibreath。将测量中提取的参数馈送到分类器中，所述分类器可以是但不限于自适应模糊神经网络系统(anfis)(11、25、40)。分类器的输出称为智能呼吸指数(sri)(12、26、41)。20.通过包络公式来估算respr21.将由麦克风记录的声学信号输入到样条函数或其他曲线函数，以评估振幅包络，如图7所示。通过计算包络曲线中的峰值，可以计算出respr，另请参见图6中的示例。22.潮气量变异性(tvv)的估算23.此前，呼吸气流f和呼吸(气管)声的能量e之间的关系可以由形式为a＝kfα的幂律最佳地拟合，其中k和α是常数，不同的研究团队对该指数的值提出了不同的建议。这种声音的振幅-气流关系已用于呼吸监测，特别是用于呼吸气流的定性和定量评估以及用于连续呼吸频率估算。24.然而，我们发现通过将呼吸声包络的导数添加到方程中可以改善估算，因此定义了以下流量方程：25.f＝k1max(da包络/dt)+k2aβ26.因此，容积可以估算为气流f在吸气时间内的积分，[0027][0028]在本文中，将潮气量变异性定义为随时间而变化，例如，如果潮气量从10增加到12，则潮气量变异性为20％。[0029]通过对加速度信号应用希尔伯特变换来确定respracc[0030]提出了一种使用希尔伯特振动分解(hvd)从加速度信号中提取呼吸的新方法。所获取的加速度信号的最大能量分量与呼吸信号成比例。[0031]智能呼吸指数(sri)的确定[0032]在一个实施例中，sri是respr、hr、rrv和tvv的线性函数或二次函数。公式可以是：[0033]sri＝k1*respr+k2*hr+k3*rrv+k4*tvv+k5*respr*hr*rrv*tvv，[0034]在二次方程中可以包含更多的二次因子。[0035]常数k1至k4应在以下范围内：[0036]0.30《k1《0.7，[0037]0.2《k2《0.4，[0038]0.05《k3《0.2，[0039]0.01《k4《0.1。[0040]通过分类器将参数组合以定义sri[0041]如图1所示，在第二实施例中，该装置使用分类器，例如但不限于使用anfis模型来组合参数，从而定义sri定义。从至少3个传感器(ecg、呼吸声、胸部加速度)提取的参数用作自适应模糊神经网络系统(anfis)的输入。在第三实施例中，如图2所示，该装置使用anfis模型来组合参数，从而定义sri。从至少4个传感器(ecg、呼吸声、胸部加速度、脉搏血氧计)提取的参数用作自适应模糊神经网络系统(anfis)的输入。[0042]在第四实施例中，如图3所示，该装置使用anfis模型来组合参数，从而定义sri。从至少4个传感器(ecg、呼吸声、胸部加速度、脉搏血氧计)提取的参数以及患者的人口统计特征数据(年龄、性别、身高、体重)和临床数据(慢性阻塞性肺病、哮喘、交感神经障碍、心房纤颤、β-受体阻滞剂、起搏器)用作自适应模糊神经网络系统(anfis)的输入。[0043]anfis概述[0044]anfis是模糊逻辑系统和神经网络的混合体，它不假设任何控制输入和输出之间关系的数学函数。anfis采用数据驱动的方法，其中训练数据决定系统的行为。[0045]anfis的五层具有以下功能：[0046]□在层1中，每个单元都存储三个参数，以定义钟形隶属函数。每个单元都恰好连接到一个输入单元，并计算获得的输入值的隶属度。[0047]□在层2中，每个规则都由层2中的一个单元表示。每个单元都连接到前一层中与该规则前提相关的单元。单元的输入是隶属度，这些隶属度相乘以确定所代表规则的实现程度。[0048]□在层3中，对于每个规则，都有一个单元通过归一化方程计算其相对实现程度。每个单元都连接到第2层中的所有规则单元。[0049]□在层4中，层4的单元连接到所有输入单元，并且一个单元恰好连接到第3层的一个单元。每个单元都计算规则的输出。[0050]□在层5中，层5的输出单元通过对第4层的所有输出求和来计算最终输出。[0051]anfis应用了神经网络理论的标准学习过程。反向传递用于学习前提参数，即隶属函数，而最小二乘估算用于确定规则结论中线性组合的系数。学习过程中的步骤有两次传递。在第一传递，即前向传递中，对输入模式进行传递，并且通过迭代最小均方过程估算出最佳的结论参数，同时前提参数在训练集的当前循环中保持不变。在第二传递，即反向传递中，对该模式进行再次传递，并且在这一传递中，使用反向传递来修改前提参数，同时结论参数保持不变。然后此过程根据所需的训练周期数进行迭代。如果前提参数最初根据专家知识选择得当，则通常一个训练周期就足够了，因为lms算法可以在一次传递中确定最优的结论参数，并且如果前提参数在梯度下降法的作用下没有发生显著变化，那么lms对结论参数的计算也不会产生其他结果。例如，在2个输入、2个规则的系统中，规则1的定义是：[0052]如果x是a，且y是b，则f1＝p1x+q1y+r1[0053]其中p、q和r都是线性的，称为结论参数或唯一的结论。最常见的是一阶的f，因为更高阶的sugeno模糊模型引入了很大的复杂性，但没有明显的优点。[0054]类别的数量[0055]将anfis系统的输入模糊化成多个预先确定的类别。类别的数量应该大于或等于两个。类别的数量可以通过不同的方法来确定。在传统的模糊逻辑中，类别是由专家定义的。只有当专家清楚两个类别之间的界标(landmarks)可以放置在何处时，才可以应用此方法。anfis优化了界标的位置，然而，如果定义类别的参数的初始值接近于最优值，梯度下降法将更快地达到其最小值。默认情况下，anfis的初始界标是通过将所有数据从最小值到最大值的区间划分成n个等距间隔来选择的，其中n是类别的数量。类别的数量也可以凭借各种聚类方法或马尔科夫模型，通过将数据绘制成直方图并直观地决定足够数量的类别来选择，或者通过模糊归纳推理(fir)进行排序来选择。本发明选择了anfis的默认值，并且在验证阶段发现超过3个类别便会导致不稳定性，因此使用2个或3个类别。[0056]输入的数量[0057]类别的数量和输入的数量都增加了模型的复杂性，即参数的数量。例如，具有4个输入的系统，每个输入都模糊化为3个类别，由36个前提(非线性)参数和405个结论(线性)参数组成，通过以下两个公式计算：[0058]前提＝类别的数量×输入的数量×3[0059]结论＝类别的数量输入的数量×(输入的数量+1)[0060]为了获得参数的有意义的解，输入-输出对的数量通常应该比参数的数量大得多(至少10倍)。[0061]稳定性标准[0062]遗憾的是，目前还没有关于神经模糊系统的稳定性标准的定义。用于确保稳定性的最有用的工具是通过在特定数据集的环境中，使用例如anfis之类的某些神经模糊系统以及使用例如通过模拟获得的极端数据进行测试而获得的经验。[0063]训练周期的数量[0064]anfis使用均方根误差(rmse)来验证训练结果，并且可以在每个训练周期之后，根据一组验证数据计算rmse验证误差。将一个周期定义为前提参数和结论参数的一次更新。增加的周期的数量通常会减少训练误差。附图说明[0065]图1：将提取的参数馈送到anfis，所述anfis是神经网络和模糊逻辑系统的混合体。输入至少包括以下3个参数：hr(6)，rrv(7)，respr(8)，tvv(9)，respracc(10)，hr、rrv和respracc之间的交叉互信息(cmibreath)(5)。anfis模型(11)的输出是智能呼吸指数(sri)(12)，其是从0到100的无单位数，其中下降的值对应于患者的呼吸功能的恶化程度。[0066]图2：将提取的参数馈送到anfis，所述anfis是神经网络和模糊逻辑系统的混合体。输入至少包括以下3个参数：hr(19)，rrv(20)，respr(21)，tvv(22)，respracc(23)，脉搏血氧仪(17)，hr、rrv和respracc之间的交叉互信息(cmibreath)(18)。anfis(25)模型的输出是智能呼吸指数(sri)(26)，其为从0到100的无单位数，其中减小的值对应于患者的呼吸功能的恶化程度。[0067]图3：将提取的参数馈送到anfis，所述anfis是神经网络和模糊逻辑系统的混合体。输入至少包括以下3个参数：hr(34)，rrv(35)，respr(36)，tvv(37)，respracc(38)，脉搏血氧饱和度(39)，hr、rrv和respracc之间的交叉交互信息(cmibreath)(32)、人口统计特征数据，例如性别、年龄和体重指数(bmi)。anfis模型(40)的输出是智能呼吸指数(sri)(41)，其为从0到100的无单位数，其中减小的值对应于患者的呼吸功能的恶化程度。[0068]图4：此图示出了呼吸贴片(42)如何附接到人的胸部，以及示出了贴片的位置。[0069]图5：贴片由用于ecg(51)的放大器(43)、加速度计(52)、麦克风(53)、无线电发射器模块(例如低能耗蓝牙模块(46))、电池(45)和四个电极(47-50)组成，所述四个电极同时用于将贴片附接到患者身上。[0070]图6：此图示出了所获取的信号的数字处理，所获取的信号例如ecg(54)、呼吸声(55)以及胸部运动(56)。此图还示出了从每个信号获得的参数，从ecg(54)中获得了hr、rrv，从麦克风(55)中获得了respr、tvv，从加速度计(56)中获得了respracc。[0071]图7：此图示出了吸气和呼气的循环呼吸声的示意图，其中也绘制了振幅包络线。[0072]图8：此表格表示临床状态和智能呼吸指数(sri)之间的关系。sri是一个渐进的标度，其中100对应于正常的呼吸功能，而递减的值反映了呼吸功能的恶化，当呼吸停止时则用0表示。[0073]图9：此图示出了显示器的图形用户界面(gui)之一，其中sri是最重要的参数，因此也是最大的参数。gui还显示了rr和hr。当前第1页12当前第1页12
技术特征：
1.一种通过结合从心电图(2、14、29)、胸部运动和加速度(4、16、31)以及呼吸声学(3、15、30)提取的参数来确定患者的呼吸质量的方法，其特征在于，所述方法包括以下步骤：a)使用传感器测量心电图(2、14、29)；b)使用传感器测量胸部运动和加速度(4、16、31)；c)使用传感器测量呼吸声学(3、15、30)；d)使用快速傅立叶变换或choi-williams分布从心电图(2、14、29)计算心率变异性(7、20、35)；e)基于呼吸声学(8、21、36)的振幅和振幅包络的一阶导数来计算潮气量变异性(9、22、37)；f)根据胸部运动和加速度(10、23、38)计算呼吸频率；g)计算心电图的心率变异性(7、20、35)、呼吸声学(3、15、30)、胸部运动(4、16、31)和潮气量变异性(9、22、37)之间的交叉互信息(5、18、32)，以作为智能呼吸指数(12、26、41)的输入；h)使用自适应模糊神经网络系统(11、25、40)或任何其他分类器，将从心电图(2、14、29)、呼吸声学(3、15、30)、胸部运动(4、16、31)和三者的交叉互信息(5、18、32)中提取的至少3个参数组合成呼吸质量水平的指数(12、26、41)。2.根据权利要求1所述的方法，其中步骤a的特征在于通过由2个或更多个电极组成的贴片进行测量，以确定位于受试者的上胸部或下胸部的心电图(2、14、29)。3.根据权利要求1所述的方法，其中步骤b的特征在于通过集成在贴片中的加速度计(4、16、31)记录胸部加速度，从而基于加速度(10、23、38)计算呼吸频率。4.根据权利要求1所述的方法，其中步骤c的特征在于通过集成在贴片(53)中的麦克风记录呼吸声学(3、15、30)、吸气和呼气，从而计算呼吸频率(8、21、36)。5.根据权利要求1所述的方法，其中步骤e的特征在于通过以下公式估算流量，f＝k
1 max(da包络/dt)+k2a
β
其中f是流量，a是呼吸声学(3、15、30)的振幅，因此潮气量变异性(9、22、37)是流量随时间变化的积分，6.根据权利要求1所述的方法，其中步骤f的特征在于通过对加速度信号应用希尔伯特变换来从加速度(10、23、38)中提取呼吸，以计算呼吸频率，其中所获取的加速度信号的最大能量分量与呼吸频率成比例。7.根据权利要求1所述的方法，其中步骤g的特征在于计算从心电图(2、14、29)提取的心率变异性(7、20、35)、从呼吸声学(3、15、30)提取的特征和从加速度(4、16、31)提取的特征之间的交叉互信息(5、18、32)。8.根据权利要求1所述的方法，其中步骤h的特征在于从心电图(2、14、29)中提取的心率变异性(7、20、35)和从呼吸声学(3、15、30)中计算的潮气量变异性(9、22、37)，以及交叉互信息(5、18、32)用作自适应模糊神经网络系统(11、25、40)的输入或其他分类器的输入，并且其输出则是呼吸质量的指标(12、26、41)。
9.根据权利要求1所述的方法，其中步骤h的特征在于呼吸质量的指标(12、26、41)的公式是呼吸频率(8、21、36)、心率(6、19、34)、心率变异性(7、20、35)和潮气量变异性(9、22、37)的线性函数或二次函数，所述公式如下：sri＝k1*respr+k2*hr+k3*rrv+k4*tvv+k5*respr*hr*rrv*tvv，其中，常数k1至k4应在以下范围内：0.30<k1<0.7，0.2<k2<0.4，0.05<k3<0.2，0.01<k4<0.1。10.根据权利要求1至10所述的方法，其中所述方法集成在无线的贴片(1、13、27、42)中，所述贴片(1、13、27、42)包含互连的心电图传感器(51)和放大器(43)、麦克风(53)、加速度计(52)、电池(55)以及将数据传输到外部观察器装置(57)的例如低能耗蓝牙模块(46)的无线电发射器。11.一种用于确定患者的呼吸质量的装置，其中所述装置配置为组合从心电图(2、14、29)、胸部运动和加速度(4、16、31)以及呼吸声学(3、15、30)提取的参数，其特征在于，所述装置执行以下步骤：a)使用传感器测量心电图(2、14、29)；b)使用传感器测量胸部运动和加速度(4、16、31)；c)使用传感器测量呼吸声学(3、15、30)；d)使用快速傅立叶变换或choi-williams分布从心电图(2、14、29)计算心率变异性(7、20、35)；e)基于呼吸声学(8、21、36)的振幅和振幅包络的一阶导数来计算潮气量变异性(9、22、37)；f)根据胸部运动和加速度(10、23、38)计算呼吸频率；g)计算心电图的心率变异性(7、20、35)、呼吸声学(8、21、36)、胸部运动(4、16、31)和潮气量变异性(9、22、37)之间的交叉互信息(5、18、32)，以作为智能呼吸指数(12、26、41)的输入；h)使用自适应模糊神经网络系统(11、25、40)或任何其他分类器，将从心电图(2、14、29)、呼吸声学(3、15、30)、胸部运动(4、16、31)和三者的交叉互信息(5、18、32)中提取的至少3个参数组合成呼吸质量水平的指数(12、26、41)。12.根据权利要求11所述的装置，其中步骤a的特征在于由2个或更多个电极(47、48、49、50)组成的贴片(1、13、27、42)，以确定定位于受试者的上胸部或下胸部的心电图(2、14、29)。13.根据权利要求11所述的装置，其中，步骤b的特征在于所述装置配置成通过将加速度计(4、16、31)集成在贴片(42)中来记录胸部加速度，从而基于加速度(10、23、38)来计算呼吸频率。14.根据权利要求11所述的装置，其中步骤c的特征在于所述装置配置成通过将麦克风(53)集成在贴片(1、13、27、42)中来记录呼吸声学(3、15、30)、吸气和呼气，从而计算呼吸频率(8、21、36)。
15.根据权利要求11所述的装置，其中步骤e的特征在于所述装置配置成通过以下公式来估算流量：f＝k
1 max(da包络/dt)+k2a
β
，其中f是流量，a是呼吸声学的振幅，因此潮气量变异性是流量随时间变化的积分，16.根据权利要求11所述的装置，其中步骤f的特征在于所述装置配置成通过将希尔伯特变换应用于加速度信号(4、16、31)来从加速度(10、23、38)中提取呼吸，以计算呼吸频率，其中所获取的加速度信号的最大能量分量与呼吸频率成比例。17.根据权利要求11所述的装置，其中步骤g的特征在于所述装置配置成用于计算从心电图(2、14、29)提取的心率变异性(7、20、35)、从呼吸声学(3、15、30)提取的特征和从加速度(4、16、31)提取的特征之间的交叉互信息(5、18、32)。18.根据权利要求11所述的装置，其中步骤h的特征在于所述装置配置成将从心电图(7、20、35)中提取的心率变异性和从呼吸声学(9、22、37)中计算的潮气量变异性，以及交叉互信息(5、18、32)用作自适应模糊神经网络系统(11、25、40)的输入或其他分类器的输入，并且其输出是呼吸质量的指标(12、26、41)。19.根据权利要求11所述的装置，其中步骤h的特征在于，呼吸质量水平的指数指标(12、26、41)的公式是呼吸频率(8、21、36)、心率(6、19、34)、心率变异性(7、20、35)和潮气量变异性(9、22、37)的线性函数或二次函数，所述公式如下：sri＝k1*respr+k2*hr+k3*rrv+k4*tvv+k5*respr*hr*rrv*tvv，其中，常数k1至k4应在以下范围内：0.30<k1<0.7，0.2<k2<0.4，0.05<k3<0.2，0.01<k4<0.1。20.根据权利要求11至19所述的装置，其中所述装置集成在无线的贴片(1、13、27、42)中，所述贴片(1、13、27、42)包含互连的心电图传感器(51)和放大器(43)、麦克风(53)、加速度计(52)、电池(45)以及将数据传输到外部观察器装置(57)的例如低能耗蓝牙模块(46)的无线电发射器。

技术总结
呼吸是生命的基础。持续对呼吸频率及其模式进行监测对于检测呼吸衰竭的发作是至关重要的；然而，大多数医院病房无法监测这一生命体征。呼吸窘迫是由氧合功能失常(氧气吸入不足)或通气功能失常(二氧化碳排除不足)引起的。本发明公开了通过从胸部加速度、心电图和呼吸声中提取信息来监测呼吸频率的方法和装置。本发明还公开了一种通过定义智能呼吸指数来量化呼吸恶化程度的方法，所述智能呼吸指数是通过组合从例如心电图、呼吸声和胸部加速度的生理测量中提取的至少三个参数来定义的。这些方法由附接于患者胸部的上部的小型无线贴片来实施，并通过蓝牙与外部的专有软件和监视器进行通信。器进行通信。器进行通信。


技术研发人员：H
受保护的技术使用者：科尔赛医疗有限责任公司
技术研发日：2021.10.15
技术公布日：2023/9/16