呼吸量测量的制作方法

实施例涉及呼吸量测量。例如，一些实施例涉及一种装置，其他实施例涉及一种方法，并且其他实施例涉及一种计算机程序。

背景技术：

可能期望测量通过吸气和呼气而呼吸的受试者(例如，人或具有肺的另一种动物)的呼吸。当受试者吸气时，肺部充满空气并且胸壁向外移动，并且当受试者呼气时，肺部收缩并且胸壁向外移动。

技术实现要素：

根据各种但不是全部实施例，提供了一种呼吸量测量系统。该呼吸量测量系统包括：至少一个运动传感器和机器学习系统。至少一个运动传感器被配置为放置在受试者的胸壁上，以产生取决于受试者的胸壁的呼吸运动的至少一个传感器输出信号。机器学习系统被配置为至少接收传感器输出信号作为输入，并且至少产生不同于传感器输出信号的呼吸测量输出，该呼吸测量输出至少提供受试者的呼吸量的度量。

呼吸量的度量是取决于呼吸量的值，并且可以从该值中获得呼吸量的值。例如，呼吸量是呼吸量的度量。例如，呼吸流速是呼吸量的度量，因为它可以被积分以获得呼吸量。

在一些但不是全部示例中，呼吸测量输出量化受试者的呼吸量。呼吸测量输出可以针对受试者被校准，并且提供受试者的呼吸量的绝对比例测量。机器学习系统可以被配置为执行监督学习，以针对受试者校准所产生的呼吸测量输出。

在一些但不是全部示例中，机器学习系统被配置为对喘息模式进行分类。

在一些但不是全部示例中，呼吸测量输出标识偏离一个或多个参考模式的喘息模式。机器学习系统可以被配置为检测睡眠呼吸暂停。

在一些但不是全部示例中，至少一个运动传感器包括一个或多个线性运动传感器和/或一个或多个角运动传感器。线性运动传感器中的至少一个可以是线性加速度计或多轴加速度计。角运动传感器中的至少一个是角加速度计或陀螺仪。多个运动传感器可以被配置为放置在受试者的胸壁上，以产生取决于受试者的胸壁的呼吸运动的多个传感器输出信号，并且其中机器学习系统被配置为接收多个传感器输出信号作为输入，并且产生呼吸测量输出，该呼吸测量输出提供取决于多个传感器输出信号的不同组合和/或权重的受试者的呼吸量的度量。

在一些但不是全部示例中，机器学习系统还包括微分器，该微分器被配置为至少接收传感器输出信号作为输入并且对传感器输出信号进行微分以产生用于机器学习算法的输入参数。

在一些但不是全部示例中，机器学习系统包括归一化器，该归一化器被配置为至少接收传感器输出信号作为输入并且对传感器输出信号进行归一化以产生用于机器学习算法的输入参数。

在一些但不是全部示例中，至少一个运动传感器被配置为定位并且保持在受试者的胸骨处并且随着胸壁的呼吸运动而移动。

在一些但不是全部示例中，呼吸量测量系统包括多个运动传感器，该多个运动传感器被配置为放置在受试者的胸壁上的不同位置。机器学习系统可以被配置为接收并且使用来自不同位置处的多个运动传感器的传感器输出信号，以移除或减轻由于除受试者的胸壁的运动之外的受试者的运动而引起的运动伪影。

根据各种但不是全部的实施例，提供了一种方法，该方法包括：接收取决于受试者的胸壁的呼吸运动的传感器输出信号；并且产生不同于传感器输出信号的呼吸测量输出，该呼吸测量输出提供受试者的呼吸量的度量，其中呼吸测量输出使用机器学习被产生。

在一些但不是全部示例中，该方法包括使用校准或分类来量化受试者的呼吸量。

根据各种但不是全部的实施例，提供了一种计算机程序，该计算机程序包括指令，该指令引起基于机器学习的呼吸测量的确定，该呼吸测量使用以下来提供受试者的呼吸量的度量：取决于受试者的胸壁的呼吸运动的所接收的传感器输出信号。

在一些但不是全部示例中，该指令引起使用校准或分类对受试者的呼吸量的量化。

根据各种但不是全部的实施例，提供了一种呼吸量测量系统，该呼吸量测量系统包括用于以下的部件：接收取决于受试者的胸壁的呼吸运动的传感器输出信号；以及产生不同于传感器输出信号的呼吸测量输出，该呼吸测量输出提供受试者的呼吸量的度量，其中呼吸测量输出使用机器学习被产生。

在一些但不是全部示例中，呼吸量测量系统包括被配置为使用校准或分类来量化受试者的呼吸量的部件。

在一些但不是全部示例中，呼吸量测量系统包括被配置为执行监督学习以针对受试者校准所产生的呼吸测量输出的部件。

在一些但不是全部示例中，呼吸量测量系统包括被配置为对喘息模式进行分类的部件。

在一些但不是全部示例中，呼吸量测量系统包括被配置为检测睡眠呼吸暂停的部件。

在一些但不是全部示例中，呼吸量测量系统包括被配置为以下的部件：接收多个传感器输出信号作为输入，并且产生呼吸测量输出，该呼吸测量输出提供取决于多个传感器输出信号的不同组合和/或权重的受试者的呼吸量的度量。

在一些但不是全部示例中，呼吸量测量系统包括被配置为以下的部件：至少接收传感器输出信号作为输入，并且对传感器输出信号进行微分，以产生用于机器学习算法的输入参数。

在一些但不是全部示例中，呼吸量测量系统包括被配置为以下的部件：对传感器输出信号进行归一化以产生用于机器学习算法的输入参数。

在一些但不是全部示例中，呼吸量测量系统包括被配置为以下的部件：接收和使用来自不同位置处的多个运动传感器的传感器输出信号，以移除或减轻由于除受试者的胸壁的运动之外的受试者的运动而引起的运动伪影。

在一些但不是全部示例中，呼吸量测量系统包括健康监测系统的一部分。

根据各种但不是全部实施例，提供了一种呼吸量测量系统，该呼吸量测量系统包括：至少一个运动传感器，被配置为放置在受试者的胸壁上，以产生取决于受试者的胸壁的呼吸运动的至少一个传感器输出信号；以及机器学习系统，被配置为至少接收传感器输出信号作为输入，并且至少产生不同于传感器输出信号的呼吸测量输出，该呼吸测量输出至少提供受试者的呼吸流速。

根据各种但不是全部实施例，提供了如所附权利要求书所要求保护的示例。

附图说明

现在将参考附图描述一些示例实施例，在附图中：

图1示出了本文中描述的主题的示例实施例；

图2示出了本文中描述的主题的另一示例实施例；

图3示出了本文中描述的主题的示例实施例；

图4a示出了本文中描述的主题的示例实施例；

图4b示出了本文中描述的主题的示例实施例；

图5示出了本文中描述的主题的示例实施例；

图6a示出了本文中描述的主题的示例实施例；

图6b示出了本文中描述的主题的示例实施例；

图7a示出了本文中描述的主题的示例实施例；

图7b示出了本文中描述的主题的示例实施例；

图8示出了本文中描述的主题的示例实施例；

图9示出了本文中描述的主题的示例实施例；

图10a示出了本文中描述的主题的示例实施例；

图10b示出了本文中描述的主题的示例实施例；

图11a示出了本文中描述的主题的示例实施例；

图11b示出了本文中描述的主题的示例实施例；

图11c示出了本文中描述的主题的示例实施例。

具体实施方式

期望通过测量受试者的胸壁的运动来测量受试者的呼吸。受试者可以是人或动物。

例如，可以通过将运动传感器附接到受试者的胸壁来测量受试者的胸壁的运动。传感器然后产生取决于受试者的胸壁的呼吸运动的输出信号。传感器输出信号的随后处理然后可以用于产生呼吸测量输出，该呼吸测量输出提供受试者的呼吸量的度量。

呼吸量的度量是取决于呼吸量的值，并且可以从该值中获得呼吸量的值。例如，呼吸量是呼吸量的度量。例如，呼吸流速是呼吸量的度量，因为它可以被积分以获得呼吸量。因此，传感器输出信号的随后处理然后可以用于产生呼吸测量输出，该呼吸测量输出提供受试者的呼吸量。因此，传感器输出信号的随后处理然后可以用于产生呼吸测量输出，该呼吸测量输出提供受试者的呼吸流速。

也可以测量其他参数，诸如吸气/呼气阶段开始、吸气阶段的持续时间、呼气阶段的持续时间、呼吸周期的持续时间。

例如，可以通过将多个运动传感器附接到受试者的胸壁来测量受试者的胸壁的运动。然后，每个传感器产生取决于受试者的胸壁的呼吸运动的输出信号。传感器输出信号的随后处理然后可以用于产生呼吸测量输出，该呼吸测量输出提供受试者的呼吸量的度量。

在下面描述的示例中，呼吸量测量系统100使用机器学习系统20处理传感器输出信号11或者处理多个传感器输出信号11。机器学习系统20产生受试者30的呼吸量的度量作为呼吸测量输出。它也可以提供受试者30的呼吸速率的度量。

呼吸量的度量是取决于呼吸量的值，并且可以从该值中获得呼吸量的值。例如，呼吸量是呼吸量的度量。例如，呼吸流速是呼吸量的度量，因为它可以被积分以获得呼吸量。因此，在一些示例中，机器学习系统20产生受试者的呼吸量作为呼吸测量输出。因此，在一些示例中，另外地或备选地，机器学习系统20产生受试者的呼吸流速作为呼吸测量输出。也可以测量其他参数，诸如吸气/呼气阶段开始、吸气阶段的持续时间、呼气阶段的持续时间、呼吸周期的持续时间。

例如，图1示出了包括一个或多个传感器10和机器学习系统20的呼吸量测量系统100的示例。运动传感器中的至少一个被配置为放置在受试者30的胸壁32上(参见图2)，以产生取决于受试者30的胸壁32的呼吸运动的传感器输出信号11。如果存在多于一个的运动传感器10，则每个运动传感器10可以被配置为放置在受试者30的胸壁32上，以产生取决于受试者30的胸壁32的呼吸运动的相应的传感器输出信号11。

机器学习系统20被配置为接收传感器输出信号11(或多个传感器输出信号11)作为输入，并且产生不同于传感器输出信号11的呼吸测量输出21，该呼吸测量输出21提供受试者30的呼吸量的度量。

呼吸测量输出21量化受试者30的呼吸量。该量化可以例如相对于受试者30，例如测量相对于先前确定的受试者的呼吸量的百分比增加或减少。备选地，呼吸测量输出21可以相对于绝对体积标度(例如，ml(毫升)或ml/s(毫升/秒))量化受试者的呼吸量。术语“绝对”表示相对于参考标度进行测量，而不是相对测量。它并不一定表示较高的测量精度。

图2示出了受试者30的示例。在该示例中，运动传感器10被配置为定位并且保持在人类受试者30的胸骨34处，并且随着胸壁32的呼吸运动而移动。在该示例中，运动传感器10被配置为既测量如z轴(图中的参考z)所示的背腹运动(前后运动)，又测量如x轴(图中的参考x)所示的纵向测量。纵向运动的方向是从头到脚并且与背腹运动正交。在其他示例中，可以仅测量背腹运动或仅测量纵向运动。一个或多个传感器10可以通过带子(为清楚起见未示出)被保持在胸骨34处的位置。

来自传感器的传感器输出信号11可以由传感器10进行后处理，或者由机器学习系统20或在其他地方进行预处理，以产生新的传感器输出信号11。该处理将关于图5进一步详细描述。然而，例如可能期望对表示在背腹方向和/或纵向方向上的加速度的传感器输出信号11进行微分。图3示出了如下示例，在该示例中传感器输出信号112表示时变加速度信号，并且传感器输出信号113表示该信号的一阶时间微分。传感器输出信号112、113中的一者或两者可以例如由机器学习系统20使用以获得呼吸测量输出21。

图4a示出了包括用于测量运动的一个或多个传感器的运动传感器10的示例。该运动可以例如是相对于一个、两个或三个正交轴而测量的时变位移(线性和/或角度)或其一阶或二阶导数。运动传感器10可以例如直接测量时变位移(线性和/或角度)，或者测量取决于时变位移(线性和/或角度)的力，并且该力可以转换为时变位移(线性和/或角度)的力。

例如，线性运动传感器(例如，加速度计10)可以测量线性加速度并且产生与特定方向上的加速度成比例的传感器输出信号11。

例如，角运动传感器(例如，加速度计10)可以测量角加速度(角速度的变化率)并且产生与围绕特定轴的加速度成比例的传感器输出信号11。

例如，角运动传感器(例如，陀螺仪10)可以测量围绕特定轴的取向或角速度。

因此，对于线性加速度计，加速度计10的轴被定义为被测量的线性加速度的方向，而对于旋转加速度计或陀螺仪，加速度计10的轴被定义为围绕其测量旋转的旋转轴。

多轴加速度计测量相对于多个正交轴的加速度。

图4b示出了多个运动传感器10可以沿着多个不同的正交轴对准以形成多轴运动传感器。在该示例中，描述了三轴系统。例如，一个轴可以与受试者30的背腹(前后)方向对准，另一轴可以与受试者30的横向方向对准，而另一轴可以与纵向方向对准。

在一些示例中，可以仅使用线性运动传感器10(例如，加速度计)，在其他示例中，可以仅使用角运动传感器10(例如，角加速度计或陀螺仪)，并且在其他示例中，可以使用线性和角加速度计两者。使用角加速度计或陀螺仪的一个优点是它们不易受重力作用的影响或受其影响较小。重力的影响可能会在线性加速度计的操作中产生误差。然而，重力是恒定的，并且该恒定误差可以通过传感器输出信号11的微分而移除。

小型线性加速度计和角加速度计或陀螺仪用于移动电子设备(诸如移动电话)中，并且类似的传感器可以用作传感器10。

单个设备可以用作线性加速度计和角加速度计或陀螺仪。

图5示出了传感器输出信号11在由机器学习系统20的算法处理之前的处理的示例。该处理可以作为传感器10处的后处理或者作为机器学习系统20处或其他地方的预处理来执行。

运动传感器10产生传感器输出信号111。传感器输出信号111由微分器14进行微分以产生传感器输出信号112。传感器输出信号112由滤波器12滤波以产生传感器输出信号113，并且传感器输出信号113由归一化器16归一化以产生传感器输出信号114，该传感器输出信号114由机器学习系统20使用。

应当理解，滤波器12、微分器14和归一化器16是可选的，并且可以使用或可以不使用它们中的任何一个或它们的任何组合。还应当理解，它们可以在模拟域或数字域中执行其功能。

应当理解，滤波器12和/或微分器14和/或归一化器16可以实现为电路系统，或者实现为由处理器执行的软件或固件。

滤波器12可以是低通滤波器，该低通滤波器通过频率小于1hz或基本上1hz或更低或更高的信号。

来自传感器10的dc信号不表示呼吸量的变化。因此，在一些示例中，滤波器12可以是具有大于0.05hz或基本上0.05hz的范围的带通滤波器。例如，它可以是具有在0.05hz至1hz范围内或基本上在0.05hz至1hz范围内的低衰减的带通滤波器。

在一些示例中，滤波器12可以是变化的自适应滤波器。例如，它可以被配置为取决于受试者的心率或增加的呼吸频率来改变其带通，使得滤波器12可以适应休息时的正常呼吸条件以及运动期间的正常呼吸条件。

微分器14被配置为接收传感器输出信号112作为输入并且对传感器输出信号112进行微分以产生用于机器学习算法的输入参数。在所示的示例中，它产生传感器输出信号113。微分可以是一阶时间微分，也可以是高阶微分。在传感器输出信号111表示由加速度计10测量的加速度的示例中，然后由微分器14产生的第一时间微分表示急动(加速度的变化率)，并且将其作为传感器输出信号113输出。

归一化器16被配置为接收传感器输出信号113并且对该信号进行归一化以产生传感器输出信号114。这可以通过将信号113除以其最大值并且对其进行处理以使其具有零均值来实现。

尽管图5仅示出了单个传感器10，但是应当理解，对于存在多个传感器10的每个传感器10，可以执行类似的过程。图5所示的过程的结果是用于由机器学习系统20使用的机器学习算法的输入参数p的产生。在使用多个传感器10i的情况下，可以以参数的不同加权组合和/或参数的函数来对输入参数pi进行组合，或者作为对机器学习算法的输入的预处理或者作为机器学习算法的一部分。但是，这些参数或组合参数仍然是传感器输出信号11。

图6a和6b示出了使用机器学习系统20以通过校准来提供受试者的呼吸量的绝对测量。

图6a示出了校准系统的训练过程。在校准过程期间，各种传感器输出信号11与呼吸量的对应绝对值一起作为训练数据被提供给机器学习算法。机器学习算法生成一个函数，该函数将各种传感器输出信号11作为输入并且产生呼吸量的对应绝对值的正确估计作为输出。这可以通过使用监督学习来实现，监督学习使用合适的机器学习算法，诸如线性回归、二次回归、具有反向传播的神经网络。

一旦使用上述监督学习过程训练了机器学习算法，如图6b所示，已校准的机器学习系统20便能够接收传感器输出信号11作为输入，并且自动产生呼吸测量输出21，该呼吸测量输出21提供受试者30的呼吸量的绝对测量。

图7a和7b示出了使用机器学习系统20以通过分类来标识受试者的呼吸模式。

图7a示出了训练过程。在训练过程期间，各种传感器输出信号11被提供给机器学习算法。机器学习算法生成将各种传感器输出信号11作为输入并且将当时的输入分类为一个或多个不同类别的函数。这可以通过使用适当的机器学习算法(诸如逻辑回归)的无监督学习来实现。

如图7b所示，一旦使用上述无监督学习过程对机器学习算法进行了训练，则已训练的机器学习系统20便能够接收传感器输出信号11作为输入，并且自动产生对输入进行分类的呼吸测量输出21。

已训练的机器学习系统20可以对喘息模式进行分类，并且使用呼吸测量输出21标识偏离(多个)参考喘息模式的喘息模式。例如，它可以检测由睡眠呼吸暂停(也被拼写为呼吸暂停)产生的喘息模式。

在图8所示的示例中，使用多个运动传感器10，并且有意地使它们彼此物理分开。这种分开的目的是使得它们都以相同或基本相同的程度受到受试者30的总体运动的影响，但是响应于由受试者30的呼吸引起的胸壁32的运动而经受不同的运动。因此，来自位置偏移传感器10的传感器输出信号11之间的差异基本上与受试者30的总体运动无关，并且取决于呼吸引起的受试者30的胸壁32的运动。因此，该差异信号可以用作提供给机器学习系统20的传感器输出信号11。以这种方式，可以减轻受试者的身体的总体运动的影响。

图9示出了方法200的示例。

在框202处，方法200包括接收取决于受试者30的胸壁32的呼吸运动的传感器输出信号11。

在框204处，方法200包括产生不同于传感器输出信号11的呼吸测量输出21，该呼吸测量输出21提供受试者30的呼吸量的测量，其中呼吸测量输出21使用机器学习被产生。

如之前关于前述示例所描述的，方法200可以使用校准或分类来量化受试者30的呼吸量。

图10a示出了控制器40的示例。控制器40的实现可以作为控制器电路系统。控制器40可以仅以硬件来实现，可以在仅包括固件的软件中具有某些方面，或者可以是硬件和软件(包括固件)的组合。

如图10a所示，控制器40可以使用启用硬件功能的指令来实现，例如，通过使用通用或专用处理器42中的计算机程序46的可执行指令，其可以存储在计算机可读存储介质(磁盘、存储器等)上以由这样的处理器42执行。

处理器42被配置为从存储器44读取和向存储器44写入。处理器42还可以包括：输出接口和输入接口，处理器42经由该输出接口输出数据和/或命令的输出接口，数据和/或命令经由该输入接口被输入到处理器42。

存储器44存储计算机程序46，该计算机程序46包括计算机程序指令(计算机程序代码)，该计算机程序指令在被加载到处理器42中时控制机器学习系统20的操作。计算机程序46的计算机程序指令提供逻辑和例程，该逻辑和例程使得该装置能够执行图9所示的方法。处理器42通过读取存储器44能够加载和执行计算机程序46。

因此，机器学习系统20包括：

至少一个处理器42；以及

至少一个存储器44，该至少一个存储器44包括计算机程序代码

至少一个存储器44和计算机程序代码被配置为与至少一个处理器42一起使机器学习系统20至少执行：基于机器学习来确定呼吸测量，该呼吸测量使用以下来提供受试者30的呼吸量的度量：取决于受试者30的胸壁32的呼吸运动的所接收的传感器输出信号11。

受试者30的呼吸量的量化使用例如校准或分类。

如图10b所示，计算机程序46可以经由任何合适的传送机制48到达机器学习系统20。传送机制48可以是例如机器可读介质、计算机可读介质、非瞬态的计算机可读存储介质、计算机程序产品、存储器设备、诸如光盘只读存储器(cd-rom)或数字多功能光盘(dvd)或固态存储器的记录介质、包括或有形地体现计算机程序46的制品。传送机制可以是被配置为可靠地传送计算机程序46的信号。机器学习系统20可以将计算机程序46作为计算机数据信号传播或传输。

计算机程序46包括指令，该指令引起基于机器学习的呼吸测量的确定，该呼吸测量使用以下来提供受试者30的呼吸量的度量：取决于受试者30的胸壁32的呼吸运动的所接收的传感器输出信号11。该指令引起使用例如校准或分类对受试者30的呼吸量的量化。

计算机程序指令可以被包括在计算机程序、非瞬态计算机可读介质、计算机程序产品、机器可读介质中。在一些但不是全部示例中，计算机程序指令可以分布在多于一个的计算机程序上。

尽管存储器44被示出为单个组件/电路系统，但是其可以被实现为一个或多个分开的组件/电路系统，其中的一些或全部可以被集成/可移动和/或可以提供永久/半永久/动态/高速缓存的存储。

尽管处理器42被示出为单个组件/电路系统，但是其可以被实现为一个或多个分开的组件/电路系统，其中的一些或全部可以被集成/可移动的。处理器42可以是单核或多核处理器。

对“计算机可读存储介质”、“计算机程序产品”、“有形体现的计算机程序”等或“控制器”、“计算机”、“处理器”等的引用应当被理解为不仅包括具有不同架构的计算机，诸如单/多处理器架构和顺序(冯·诺依曼)/并行架构，而且还包括专用电路，诸如现场可编程门阵列(fpga)、专用电路(asic)、信号处理设备和其他处理电路系统。对计算机程序、指令、代码等的引用应当被理解为包含用于可编程处理器或固件的软件，诸如硬件设备的可编程内容，而无论是用于处理器的指令，还是用于固定功能设备、门阵列或可编程逻辑器件等的配置设置。

如本申请中使用的，术语“电路系统”可以是指以下中的一项或多项或全部：

(a)仅硬件电路系统实现(诸如仅在模拟和/或数字电路系统中的实现)，以及

(b)硬件电路和软件的组合，诸如(如适用)：

(i)(多个)模拟和/或数字硬件电路与软件/固件的组合，以及

(ii)具有软件的(多个)硬件处理器(包括(多个)数字信号处理器)、软件和(多个)存储器的任何部分，这些部分一起工作以使装置(诸如移动电话或服务器)执行各种功能，以及

(c)操作需要软件(例如，固件)才能操作的(多个)硬件电路和/或(多个)处理器，诸如(多个)微处理器或(多个)微处理器的一部分，但是在操作不需要软件时，软件可以不存在。

电路系统的这种定义适用于该术语在本申请中的所有使用，包括在任何权利要求中。作为另一示例，如本申请中使用的，术语“电路系统”还覆盖仅硬件电路或处理器及其(或它们的)随附软件和/或固件的实现。术语电路系统还覆盖(例如，并且在适用于特定权利要求元素的情况下)用于移动设备的基带集成电路、或者服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。

图9所示的框可以表示方法和/或计算机程序46中的代码部分中的步骤。对框的特定顺序的图示并不一定意味着对框存在要求或优选的顺序，并且框的顺序和布置可以改变。此外，可能省略某些框。

图11a、11b和11c示出了呼吸量测量系统100的实现的不同示例。

在图11a所示的示例中，呼吸量测量系统100完全容纳在单个装置60内，该装置包括一个或多个运动传感器10和机器学习系统20。在该示例中，装置60可以固定到受试者30的胸壁。装置60可具有用于在网络中进行通信的通信部件(未示出)。

图11b示出了呼吸量测量系统100可以被分成两个不同的装置62、64。在该示例中，装置62包括一个或多个运动传感器10，并且装置64包括机器学习系统20。一个或多个传感器10和机器学习系统20都能够经由通信信道65在装置62与装置64之间通信。该通信信道例如可以经由无线接口来提供。在该示例中，装置62可以放置在用户的胸壁上。装置64可以是本地的但与装置62分开，或者它可以例如经由网络与装置62分开一定距离。

图11c示出了图11b所示的系统100的发展。在该示例中，装置64被替换为包括多个装置68的分布式网络66。

应当理解，(多个)传感器输出信号11的产生和呼吸测量输出21的产生可以在时间和/或空间上分开。例如，机器学习系统20可以实时地接收传感器输出信号11，并且实时地产生呼吸测量输出21。但是，在其他示例中，传感器输出信号11可以存储在存储器系统中，并且机器学习系统20可以在稍后的时间处理这些信号以产生呼吸测量输出21。

而且，如前所述，运动传感器10和机器学习系统可以在空间上分开，或者可以在相同的位置或装置中。

在说明书中，特征被示出为是耦合的。这些特征在操作上耦合，并且可以存在任何数目或组合的中间元素(包括没有中间元素)。

在结构特征已经被描述的情况下，可以由用于执行结构特征的一个或多个功能的部件来代替该结构特征，无论该功能或那些功能是显式地还是隐式地描述的。

控制器40执行机器学习系统20的功能，并且可以由任何合适的处理部件代替。例如，它可以是由软件或固件、电路系统、编程的逻辑门、多个处理器控制的可编程处理器。

呼吸量测量系统100包括用于以下的部件：接收取决于受试者30的胸壁32的呼吸运动的传感器输出信号11；以及产生不同于传感器输出信号11的呼吸测量输出21，该呼吸测量输出21提供受试者30的呼吸量的度量，其中呼吸测量输出21使用机器学习被产生。

例如，受试者30的呼吸量可以使用校准或分类被量化。

在一些但不是全部示例中，机器学习系统20被配置为在具有或不具有在机器学习系统20处的存储器44中的数据的本地存储的情况下，并且在具有或不具有由机器学习系统20处的电路系统或处理器对数据的本地处理的情况下，传送来自机器学习系统20的数据。

该数据例如可以是来自传感器10的测量数据，或者是通过对来自机器学习系统20的测量数据的处理而产生的数据。

数据可以以处理或未处理的格式远程存储在一个或多个设备处。数据可以存储在基于云的存储系统中。

数据可以在一个或多个设备处远程被处理。数据可以在一个或多个设备处被部分地本地处理和部分地远程处理。

例如，数据可以经由短距离无线电通信(例如wi-fi或bluetooth)或者通过长距离蜂窝无线电链路无线传送到远程设备。该装置可以包括通信接口，诸如例如用于数据通信的无线电收发器。

机器学习系统20可以是形成较大的、分布式网络的一部分的物联网的一部分。

数据的处理(无论是本地的还是远程的)可以用于健康监测、数据聚合、患者监测、生命体征监测或其他目的。

数据的处理(无论是本地的还是远程的)可以涉及人工智能或机器学习算法。例如，数据可以用作训练机器学习网络的学习输入，也可以用作提供响应的机器学习网络的查询输入。机器学习网络可以例如使用线性回归、逻辑回归、向量支持机或非循环机器学习网络，诸如单隐层或多隐层神经网络。

数据的处理(无论是本地的还是远程的)可以产生输出。该输出可以被传送到机器学习系统20，在机器学习系统20中它可以产生对受试者敏感的输出，诸如音频输出、视觉输出或触觉输出。

系统、装置、方法和计算机程序可以使用机器学习，机器学习可以包括统计学习。机器学习是计算机科学的一个领域，它使计算机能够学习无需进行显式编程。如果计算机在t任务中的性能(由p测量)随着经验e而提高，则计算机从经验e中学习有关某类任务t和性能度量p。计算机通常可以从先前的训练数据中学习，以对未来的数据做出预测。机器学习包括全部或部分监督学习和全部或部分无监督学习。它可以启用离散输出(例如，分类、聚类)和连续输出(例如，回归)。机器学习例如可以使用不同方法(诸如例如，成本函数最小化、人工神经网络、支持向量机和贝叶斯网络)来实现。成本函数最小化可以用于例如线性和多项式回归以及k均值聚类。例如具有一个或多个隐层的人工神经网络对输入向量与输出向量之间的复杂关系进行建模。支持向量机可以用于监督学习。贝叶斯网络是有向无环图，其表示多个随机变量的条件独立性。

上文中描述的算法可以应用于实现以下技术效果：受试者的呼吸量的测量、受试者的呼吸量的量化、受试者的呼吸量的绝对测量、受试者的喘息模式的检测。

上面描述的示例可以作为以下的启用组件找到应用：汽车系统；电信系统；电子系统，包括消费电子产品；分布式计算系统；用于生成或渲染媒体内容的媒体系统，包括音频、视觉和视听内容以及混合、中介、虚拟和/或增强现实；个人系统，包括个人健康系统或个人健身系统；导航系统；用户接口，也称为人机接口；网络，包括蜂窝、非蜂窝和光网络；自组织网络；互联网；物联网；虚拟网络；以及相关软件和服务。

如本申请中使用的，术语“电路系统”可以是指以下中的一项或多项或全部：

(a)仅硬件电路系统实现(诸如仅在模拟和/或数字电路系统中的实现)，以及

(b)硬件电路和软件的组合，诸如(如适用)：

(i)(多个)模拟和/或数字硬件电路与软件/固件的组合，以及

(ii)具有软件的(多个)硬件处理器(包括(多个)数字信号处理器)、软件和(多个)存储器的任何部分，这些部分一起工作以使装置(诸如移动电话或服务器)执行各种功能，以及

(c)需要软件(例如，固件)才能操作的(多个)硬件电路和/或(多个)处理器，诸如(多个)微处理器或(多个)微处理器的一部分，但是在操作不需要软件时，软件可以不存在。

电路系统的这种定义适用于该术语在本申请中的所有使用，包括在任何权利要求中。作为另一示例，如本申请中使用的，术语“电路系统”还覆盖仅硬件电路或处理器及其(或它们的)随附软件和/或固件的实现。术语电路系统还覆盖(例如，并且在适用于特定权利要求元素的情况下)用于移动设备的基带集成电路、或者服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。

本文档中使用的术语“包括(comprise)”具有包括性而非排他性含义。也就是说，对包括y的x的任何引用都表示x可以仅包括一个y或者可以包括多于一个的y。如果旨在使用具有排他性含义的“包括(comprise)”，则在上下文中将通过引用“仅包括一个……”或使用“由……组成”来使其清楚。

在本说明书中，已经参考了各种示例。关于示例的特征或功能的描述指示那些特征或功能存在于该示例中。不管是否明确说明，在本文中使用术语“示例”或“例如”或“可能”或“可以”表示这样的特征或功能至少存在于所描述的示例中(无论是否描述为示例)，并且它们可以但不一定存在于某些或所有其他示例中。因此，“示例”“例如”“可能”或“可以”是指一类示例中的特定实例。实例的属性可以是仅该实例的属性，也可以是该类的属性，或者是该类的子类的属性，该子类包括该类中的一些但不是全部实例。因此，隐式地公开了参考一个示例而不是参考另一示例描述的特征，在可能的情况下可以在该另一示例中用作工作组合的一部分，但不一定必须在该另一示例中使用。

尽管在前面的段落中已经参考各种示例描述了实施例，但是应当理解，可以在不脱离权利要求的范围的情况下对所给出的示例进行修改。

可以以除了以上明确描述的组合之外的组合来使用在先前描述中描述的特征。

尽管已经参考某些特征描述了功能，但是那些功能也可以由其他特征执行，无论是否描述。

尽管已经参考某些实施例描述了特征，但是那些特征也可以存在于其他实施例中，无论是否描述。

本文档中使用的术语“一个(a)”或“该(the)”具有包括性而非排他性含义。就是说，对包括一个(a)/该(the)y的x的任何引用表示x可以仅包括一个y或可以包括多于一个的y，除非上下文清楚地表明相反。如果旨在将“一个(a)”或“该(the)”用于排他性含义，则将在上下文中使其清楚。在某些情况下，可以使用“至少一个”或“一个或多个”来强调包括性含义，但是不应当将缺少这些术语用于推断和排他性含义。

权利要求中的特征(或特征组合)的存在是对该特征(或特征组合)本身的引用，也是对实现基本相同技术效果的特征(等同特征)的引用。等同特征包括例如作为变体的特征，并且以基本相同的方式实现基本相同的结果。等同特征包括例如以基本相同的方式执行基本相同的功能以实现基本相同的结果的特征。

在本说明书中，已经参考了使用形容词或形容词短语的各种示例来描述示例的特性。关于示例的对特性的这种描述表明，该特性在某些示例中与所描述的完全相同，而在其他示例中与所描述的基本相同。

在本文中术语“示例”或“例如”或“可能”或“可以”的使用表示(不管是否明确说明)这样的特征或功能至少存在于所描述的示例中(无论是否被描述为示例)，并且它们可以但不一定存在于某些或所有其他示例中。因此，“示例”、“例如”、“可以”或“可能”是指一类示例中的特定实例。实例的属性可以是仅该实例的属性，也可以是该类的属性，或者是该类的子类的属性，该子类包括该类中的一些但不是全部实例。因此，隐含地公开了参考一个示例而不是参考另一示例而描述的特征，在可能的情况下可以在该另一示例中用作工作组合的一部分，但不一定必须在该另一示例中使用。

尽管尽力在前述说明书中引起人们对被认为是重要的特征的注意，但是应当理解，申请人可以经由权利要求书关于在上文中参考和/或在附图中示出的任何可获专利的特征或特征的组合寻求保护，无论是否已将重点放在其上。