本發(fā)明涉及嬰兒睡眠監(jiān)測器和監(jiān)測睡覺的嬰兒的方法。

背景技術(shù)：

wo2005055802公開了一種睡眠引導系統(tǒng)，其被設計成監(jiān)測人的睡眠階段并引導人進入所選擇的睡眠階段。正常成人人類睡眠的睡眠階段包括諸如一個或多個“深睡眠”階段、“快速眼動”睡眠階段等階段。傳統(tǒng)上，睡眠階段基于腦電圖(eeg)測量來確定。然而，對人進行的其他生理測量也可以用于區(qū)分不同的睡眠階段。wo2005055802提及了眼電圖、肌電圖、腦電圖和其他多導睡眠監(jiān)測器、麥克風、運動傳感器、濕度傳感器、肌肉張力監(jiān)測器、血壓袖帶、呼吸器、脈搏血氧儀、溫度計和類似物，并給出了睡眠階段之間的兩個心率、呼吸和溫度改變的示例。

wo2005055802公開了個性化睡眠簡檔的在先校準可以提供更好的監(jiān)測結(jié)果?？梢允褂锰囟ㄋ吣Ｊ脚c睡眠者的生理特性之間的關(guān)系的校準來建立個性化睡眠者簡檔。個性化睡眠者簡檔可以與處理器相關(guān)聯(lián)地存儲。處理器使用個性化睡眠者簡檔來控制如何使用生理特性確定睡眠狀態(tài)并且可選地睡眠者是否將要轉(zhuǎn)變至特定睡眠階段。

為了校準，處理器監(jiān)測睡眠者的睡眠模式和/或生理特性。wo2005055802的處理器評價在睡眠者的睡眠循環(huán)的哪些部分或者在哪些情形下發(fā)生生理特性的哪些模式和哪些生理特性而最清楚地指示睡眠者的睡眠階段之間的改變。wo2005055802還公開了睡眠者對施加的不同刺激的響應可以被校準、例如用于睡眠引導。

人類兒童睡眠與人類成人睡眠非常不同。僅區(qū)分兩個兒童睡眠狀態(tài)：“主動睡眠”和“安靜睡眠”，并且當然兒童也經(jīng)常處于各種“醒著”狀態(tài)。新生兒以主動睡眠狀態(tài)和安靜睡眠狀態(tài)交替的睡眠循環(huán)睡眠。當新生兒首次入睡時，立即進入“主動睡眠”。這是相對不安的睡眠狀態(tài)，類似于成人身上的rem(快速眼動)睡眠。正如成人在rem期間更容易醒一樣，新生兒在主動睡眠期間更容易醒。新生兒可以保持處于該主動睡眠狀態(tài)25分鐘或更長，之后他們潛入稱為“安靜睡眠”的較深的睡眠狀態(tài)。與主動睡眠相比，安靜睡眠以較慢的更有節(jié)奏的呼吸、少量移動和沒有眼瞼顫動為特征。大約50分鐘之后，發(fā)生新的睡眠循環(huán)，主動睡眠跟著是安靜睡眠。嬰兒在安靜睡眠期間與在主動睡眠期間相比不太容易醒。

本發(fā)明人已發(fā)現(xiàn)，一方面心跳特征和/或呼吸特征和可選的其他檢測特征與另一方面“主動睡眠”和“安靜睡眠”狀態(tài)之間的關(guān)系的在先校準可以用于檢測這些睡眠狀態(tài)。心跳特征和呼吸特征的優(yōu)點在于它們可以在不打攪嬰兒的情況下通過遠程感測來檢測。可選地，也可以使用檢測到的嬰兒移動特征，盡管這并不減輕對于校準的需要。嬰兒移動特征也可以在不打攪嬰兒的情況下進行檢測。在任何情況中，如果將這樣的特征用于睡眠狀態(tài)檢測，則都有必要校準。不幸的是，已發(fā)現(xiàn)，這樣的校準結(jié)果僅針對校準之后的有限時間提供可靠的結(jié)果。此后睡眠分類結(jié)果變得不可靠。本發(fā)明人推測，這是因為嬰兒的發(fā)育顯著地影響心跳特征和呼吸特征與睡眠狀態(tài)之間的關(guān)系。這些改變似乎不可基于嬰兒的年齡來預測。這可能是因為不同嬰兒以不同速度發(fā)育。

該關(guān)系的頻繁重復的再校準已發(fā)現(xiàn)使得嬰兒身上的睡眠階段的檢測更可靠。然而，如果牽涉到像腦電圖(eeg)測量的更多侵入性測量或睡眠階段的人為測定的輸入以便編譯再校準的關(guān)系，則再校準是繁瑣的。

技術(shù)實現(xiàn)要素：

其中的一個目的是提供一種能夠在嬰兒發(fā)育的時期監(jiān)測嬰兒睡眠而不要求繁瑣的再校準的睡眠監(jiān)測器。

提供了一種用于監(jiān)測嬰兒睡眠的睡眠監(jiān)測器，其包括

-心跳特征檢測器和/或呼吸特征檢測器；

-基于心跳特征和/或呼吸特征的睡眠狀態(tài)分類器，具有聯(lián)接至心跳特征檢測器和/或呼吸特征檢測器的輸入；

-聲音特征檢測器、移動特征檢測器和睜眼檢測器中的至少一個；

-處理電路，被配置成在睡眠監(jiān)測器的使用期間重復地執(zhí)行睡眠狀態(tài)分類器的再訓練過程，其中處理電路被配置成基于來自聲音特征檢測器、移動特征檢測器和睜眼檢測器中的至少一個的信號來檢測床中的嬰兒處于清醒狀態(tài)時的時間點，并且使用檢測到的時間點生成或選擇用于再訓練過程的訓練示例。

聲音特征檢測器可以包括位于采集源自嬰兒床的聲音的位置的麥克風。移動特征檢測器可以包括聯(lián)接至視頻運動檢測器、加速度計、雷達和/或力傳感器的照相機。睜眼檢測器可以包括聯(lián)接至面部檢測器的照相機。心跳特征檢測器和呼吸特征檢測器可以包括照相機、多普勒雷達、力傳感器和/或加速度計等等。

可以使用來自模式辨識領(lǐng)域的基于傳統(tǒng)特征的分類器，以及來自該領(lǐng)域的傳統(tǒng)分類器訓練過程。在用于監(jiān)測嬰兒睡眠的睡眠監(jiān)測器中，在使用期間重復地應用訓練過程，也就是，基于早期訓練結(jié)果接著進行分類。已發(fā)現(xiàn)，在嬰兒睡眠監(jiān)測的情況下，再訓練對于獲得長期可靠結(jié)果是必要的并且通過在使用期間自動地這樣做不需要繁瑣的調(diào)整。雖然分類基于心跳和/或呼吸特征和諸如嬰兒移動特征等的可能的附加特征，但是通過使用像歸因于哭泣的聲音、大的運動和/或嬰兒眼睛睜開的檢測一樣的其他可檢測的效果，提高了訓練過程的可靠性。這樣的效果的直接觀察使得能夠提供當嬰兒醒著時的時間點的更加可靠的檢測。通過在選擇或生成用于在再訓練過程中使用的訓練示例的中使用該信息，使得再訓練更加可靠。再訓練可以包括使用從清醒狀態(tài)的檢測的結(jié)束起的時間序列以對用于訓練過程在該時間序列期間的心跳特征和/或呼吸特征值分配類別。再訓練還可以包括將在檢測到的清醒狀態(tài)之外檢測到的檢測特征和/或特征呼吸特征值聚類(clustering)。

在實施例中，處理電路被配置成基于由移動特征檢測器檢測到的嬰兒運動特征的移動幅度是否超過第一預定值、由聲音特征檢測器檢測到的聲音的響度性質(zhì)是否超過第二預定值、和/或睜眼檢測器檢測到在床中的嬰兒上是否睜眼來檢測非睡眠狀態(tài)。如觀察到的例如通過在連續(xù)捕獲的圖像中的相互移位的圖像區(qū)域中匹配圖像內(nèi)容并確定偏移(或者或者來自加速度計、力傳感器或雷達測量)的大的移動(尤其是軀干的大的移動)可以用來增加清醒狀態(tài)的檢測的可靠性。檢測到的大的移動也可以指示父母將嬰兒放在床中，這指示了嬰兒處于清醒狀態(tài)的高的可能性?？赡軐儆趤碜詪雰旱目奁拇舐暤穆曇魰r清醒狀態(tài)的可靠指標。類似地，通過檢測嬰兒的圖像中的面部并檢測面部中的眼睛的虹膜的可見度而檢測嬰兒眼睛已睜開是清醒狀態(tài)的可靠指標。

為了睡眠的評價，嬰兒睡眠監(jiān)測器的主要目的是在多個不同的睡覺狀態(tài)、即在嬰兒在床中的情況下嬰兒睡著或可選地醒著時的不同狀態(tài)之間區(qū)分(如本文使用的，睡眠狀態(tài)可以用來指示嬰兒是否正在睡覺，并且在前一情況中其中的主動和安靜睡覺狀態(tài)是正在睡覺中)。優(yōu)選地，再訓練包括再訓練用于在不同睡覺狀態(tài)之間區(qū)分的準則。

在實施例中，處理電路被配置成基于用來獲得訓練示例的測量時間區(qū)間是否包括檢測到的時間點中的至少一個來排除用來訓練用于在所述多個睡覺狀態(tài)之間區(qū)分的分類準則的訓練示例。通過消除這樣的訓練示例，獲得了訓練示例的子集，其包含具有來自睡覺狀態(tài)的心跳和/或呼吸特征的示例的較高分數(shù)，如果不僅來自睡覺狀態(tài)的話。用于訓練的這樣的子集的使用使得能夠?qū)崿F(xiàn)不同睡覺狀態(tài)之間的更加可靠的區(qū)別。

在實施例中，處理電路被配置成提供在如下的訓練時間區(qū)間獲得的與安靜睡眠相關(guān)聯(lián)的訓練示例，訓練時間區(qū)間是在檢測到嬰兒處于非睡眠狀態(tài)時的時間點之后緊接著的時間區(qū)間。對于再訓練過程，示例的至少一部分可以與訓練過程應該被分類的狀態(tài)相關(guān)聯(lián)地提供。因為已知嬰兒在清醒后最有可能進入主動睡眠狀態(tài)，所以嬰兒清醒時的時間點的檢測可以用來提供訓練示例的與該睡覺狀態(tài)的關(guān)聯(lián)性。

一種自動監(jiān)測嬰兒睡眠的方法提供有如下步驟

-針對連續(xù)的測量時間區(qū)間檢測嬰兒的心跳特征、移動特征和/或呼吸特征；

-基于測量時間區(qū)間的心跳和/或呼吸特征自動地分類與連續(xù)的測量時間區(qū)間相關(guān)聯(lián)的嬰兒的睡眠狀態(tài)；

-自動地重復再訓練在使用期間用于所述分類的分類準則，所述再訓練包括

-基于來自聲音特征檢測器、移動特征檢測器和睜眼檢測器中的至少一個的信號檢測床中的嬰兒處于清醒狀態(tài)時的時間點，

-使用檢測到的時間點生成或選擇用于再訓練的訓練示例。

在各實施例中，分類可以基于心跳特征值的范圍或呼吸特征值的范圍或心跳特征與呼吸特征值的組合的范圍或可選的這些特征與其他特征的值組合中的任一個的范圍的隱式或顯式限定。類似地，分類可以基于這樣的值或值的組合的一個函數(shù)或多個函數(shù)的隱式或顯式限定，一個函數(shù)或多個函數(shù)表達了不同狀態(tài)的可能性?；谛奶卣骱?或呼吸特征的分類可以歸結(jié)為限定的范圍或者最可能是其中來自測量時間區(qū)間的心跳和/或呼吸特征值所位于的范圍的確定。

在這樣的實施例中，再訓練可以包括調(diào)整限定范圍或一個函數(shù)或多個函數(shù)的參數(shù)。可以例如調(diào)整表示范圍的中心值和/或范圍的邊界的參數(shù)。在另一示例中，一個函數(shù)或多個函數(shù)可以取決于到可調(diào)參考值(如中心值)的距離。

在其他實施例中，分配給測量時間區(qū)間的分類也可以取決于來自周圍的時間區(qū)間的特征值。例如，分類可以基于考慮不同狀態(tài)之間的轉(zhuǎn)變的可能性并且把狀態(tài)與觀察到的特征值的可能性聯(lián)系起來的諸如隱馬爾可夫模型(hiddenmarkovmodel)等的時間依賴性模型中的最有可能的狀態(tài)。用于不同狀態(tài)的可能性的經(jīng)訓練的函數(shù)可以在這樣的模型中使用以找到狀態(tài)，和/或轉(zhuǎn)變的可能性可以基于訓練示例的序列來調(diào)整。

提供了一種計算機程序產(chǎn)品，諸如計算機可讀介質(zhì)，其包括用于可編程數(shù)據(jù)處理系統(tǒng)的機器可讀指令，該指令當由數(shù)據(jù)處理系統(tǒng)執(zhí)行時將引起數(shù)據(jù)處理系統(tǒng)執(zhí)行該方法。

附圖說明

這些和其他目的及有利方面將從參照附圖的示例性實施例的描述中變得顯而易見。

圖1示出嬰兒睡眠監(jiān)測器。

圖1a示出嬰兒睡眠監(jiān)測器的模塊圖。

圖2示出嬰兒睡眠監(jiān)測的流程圖。

圖3示出模型的狀態(tài)圖的示例。

圖4示出訓練過程的示例性實施例的流程圖。

圖5示出訓練過程的示例性實施例的流程圖。

具體實施方式

圖1示出示例性嬰兒睡眠監(jiān)測器。嬰兒睡眠監(jiān)測器包括指向床12的照相機10、麥克風14、力傳感器16、數(shù)據(jù)處理系統(tǒng)18和顯示器19。力傳感器16被聯(lián)接至床12，并且被布置成測量作為時間的函數(shù)的歸因于床中的嬰兒的重量和與其移動相關(guān)聯(lián)的重力和壓力改變的加速度的力。照相機10、麥克風14、力傳感器16和顯示器19被聯(lián)接至數(shù)據(jù)處理系統(tǒng)18。

在操作中，嬰兒睡眠監(jiān)測器用于確定作為時間的函數(shù)的嬰兒睡眠狀態(tài)并累積這些睡眠狀態(tài)的統(tǒng)計。

當必要的設備可用時，可以基于腦電波測量和許多類似測量技術(shù)直接區(qū)分不同的睡眠狀態(tài)。對于嬰兒睡眠通常僅使用兩個不同的睡眠狀態(tài)，標記為安靜睡眠和主動睡眠。然而，用于這樣的直接測量的測量設定是繁瑣的并因此不適合日常使用或由諸如大多數(shù)父母等的非專業(yè)人士使用。

代替地，本嬰兒睡眠監(jiān)測器使用移動、心跳和呼吸特征值來估計嬰兒處于哪種睡眠狀態(tài)。心跳和呼吸特征值可以以不太繁瑣的方式來檢測，例如通過遠程照相機感測、重力、加速度或多普勒測量。在嬰兒的情況中，這樣的特征值與將從使用腦電波測量產(chǎn)生的睡眠狀態(tài)之間沒有唯一的通用關(guān)系。代替地，數(shù)據(jù)處理系統(tǒng)18借助于訓練過程適應地確定該關(guān)系。數(shù)據(jù)處理系統(tǒng)18通過由數(shù)據(jù)處理系統(tǒng)18執(zhí)行的訓練過程重復地確定這些范圍或功能的更新限定，以便追蹤該關(guān)系歸因于嬰兒的發(fā)育而發(fā)生的改變。

圖1a示出嬰兒睡眠監(jiān)測器的處理系統(tǒng)的模塊圖，包括心跳特征檢測器102、呼吸特征檢測器104、分類器106、訓練模塊108、聲音特征檢測器110、移動特征檢測器112、睜眼檢測器114和數(shù)據(jù)分析模塊120。心跳特征檢測器102和呼吸特征檢測器104具有聯(lián)接至分類器106的輸出。分類器106具有聯(lián)接至數(shù)據(jù)分析模塊120的輸出。心跳特征檢測器102、呼吸特征檢測器104、聲音特征檢測器110、移動特征檢測器112和睜眼檢測器114具有聯(lián)接至訓練模塊108的輸出。訓練模塊108具有聯(lián)接至分類器106的輸出。

心跳特征檢測器102、呼吸特征檢測器104、聲音特征檢測器110、移動特征檢測器112和睜眼檢測器114包括傳感器100(僅在心跳特征檢測器102和呼吸特征檢測器104中示出)或者被聯(lián)接至傳感器。此外，它們包括用以處理來自這些傳感器的數(shù)據(jù)的電路。替代地，它們可以使用由數(shù)據(jù)處理系統(tǒng)18執(zhí)行的軟件模塊來實現(xiàn)。用于處理數(shù)據(jù)的電路可以使用與軟件模塊組合的可編程數(shù)據(jù)處理器來實現(xiàn)。在該實施中，圖1a可以被看作示意性軟件架構(gòu)。類似地，分類器106、訓練模塊108和數(shù)據(jù)分析模塊120可以借助于數(shù)據(jù)處理器和軟件模塊來實現(xiàn)。雖然通過示例的方式示出了具有所有的心跳特征檢測器102、呼吸特征檢測器104、聲音特征檢測器110、移動特征檢測器112和睜眼檢測器114的實施例，但應該認識到，在其他實施例中可以僅存在這些檢測器的子集。

在操作中，心跳特征檢測器102使用傳感器數(shù)據(jù)以連續(xù)測量時間區(qū)間測量諸如心跳頻率、心跳循環(huán)持續(xù)時間、心跳頻率直方圖、心率變化性等等的一個或多個心跳特征。呼吸特征檢測器104使用傳感器數(shù)據(jù)以連續(xù)測量時間區(qū)間測量諸如呼吸頻率、呼吸循環(huán)持續(xù)時間、呼吸頻率直方圖、呼吸變化性等等的一個或多個呼吸特征。分類器106基于心跳和呼吸特征中的至少一個來選擇睡眠狀態(tài)。分類器106將所選擇的睡眠狀態(tài)發(fā)信號給數(shù)據(jù)分析模塊120，數(shù)據(jù)分析模塊120收集睡眠狀態(tài)的統(tǒng)計和/或基于所選擇的睡眠狀態(tài)生成警報。

訓練模塊108在睡眠檢測器的使用期間重復地執(zhí)行分類器106的再訓練過程。訓練模塊108基于來自聲音特征檢測器110、移動特征檢測器112和睜眼檢測器114中的至少一個的信號來檢測床中的嬰兒處于清醒狀態(tài)時的時間點。訓練模塊108使用所檢測到的時間點生成或選擇用于再訓練過程的訓練示例。訓練模塊108接著使用訓練示例來選擇由分類器106限定分類的參數(shù)，并將這些參數(shù)加載到分類器106中。

圖2示出借助于心跳和呼吸特征值進行的嬰兒睡眠監(jiān)測的流程圖。在第一步驟21中，數(shù)據(jù)處理系統(tǒng)18(心跳特征檢測器102和呼吸特征檢測器104)以測量時間區(qū)間測量心跳和呼吸特征及可選的移動特征。在實施例中，數(shù)據(jù)處理系統(tǒng)18為此目的使用了從照相機10獲得的圖像數(shù)據(jù)。

心跳特征檢測器102可以對應于心跳的范圍內(nèi)的周期持續(xù)時間、根據(jù)用聯(lián)接至床的力或加速度傳感器檢測到的歸因于心跳而施加在床上的周期性力的效果來測量心跳。也可以從如用多普勒雷達檢測到的周期性移動或者對由皮膚產(chǎn)生的光反射的強度(例如反射的顏色或灰度等級強度)的變化的效果來測量。皮膚的血液灌注的程度在心跳循環(huán)期間是變化的。于是，數(shù)據(jù)處理系統(tǒng)18可以配置成收集在來自照相機10的圖像的顯示了床12中的嬰兒的皮膚的區(qū)域中的像素值(像素值的r平均值)。在替代示例中或者除了多普勒雷達之外，可以使用光學雷達(lidar)、力(重量)傳感器或加速度計來測量歸因于心跳的移動、力或加速度。力傳感器或加速度計可以放置在床墊上或下方，例如在嬰兒的胸部所在的位置附近。在其他實施例中，可以使用用于在嬰兒身上使用的夾式傳感器。力傳感器或加速度計可以使用被定向為對豎直方向上(即垂直于嬰兒躺著的平面)的力或加速度做出響應的那些力傳感器或加速度計。

從針對時間序列圖像獲得的結(jié)果，多普勒雷達、光學雷達、力和/或加速度感測結(jié)果和數(shù)據(jù)處理系統(tǒng)18可以確定作為時間和/或頻率的函數(shù)的像素變化的相應特征之間的時間的持續(xù)時間。所得到的作為時間的函數(shù)的顏色、速度、力或加速度的測量可以在時間上被濾波以強調(diào)心跳的周期性效果。像素值的連續(xù)最小值或最大值之間的持續(xù)時間可以例如通過檢測最小值或最大值的時間點并確定差異來確定。類似地，可以測量測得的速度、力或加速度的最小值或最大值或過零之間的持續(xù)時間。持續(xù)時間和/或頻率可以用作心跳特征，或者數(shù)據(jù)處理系統(tǒng)18可以從多個連續(xù)測得的頻率的持續(xù)時間導出一個或多個心跳特征，例如通過對持續(xù)時間求平均值和/或計算持續(xù)時間上的分布，諸如其方差、心率變化性或者心跳之間的持續(xù)時間的變化范圍的大小?？梢岳绱_定在一分鐘與十分鐘之間的測量時間區(qū)間中的平均值或分布。作為另一可能性，可以在測量時間區(qū)間上取得像素值的傅里葉變換，并且可以使用傅里葉變換中的預定頻譜帶上的頻譜分布作為心跳特征。

呼吸特征檢測器104可以測量呼吸的效果，其可以從例如在圖像、或雷達或光學雷達信號中觀察到的移動而測得。呼吸導致周期性胸部移動，該移動造成照相機圖像中可見的圖像特征的周期性位移或者由雷達等等觀察到胸部或胸部處衣服可見的那些圖像的區(qū)域中的移動。因此，數(shù)據(jù)處理系統(tǒng)18可以使用傳統(tǒng)運動向量檢測器的輸出，或者將連續(xù)圖像的區(qū)域中的圖像數(shù)據(jù)進行比較以確定連續(xù)圖像之間的相應圖像特征的位移?？梢岳缡褂脠D像中作為距離的函數(shù)的針對連續(xù)時間點的圖像之間的相關(guān)性。數(shù)據(jù)處理系統(tǒng)18可以應用時間濾波器以強調(diào)在呼吸頻率的預期范圍內(nèi)的呼吸的周期性效果。數(shù)據(jù)處理系統(tǒng)18可以確定作為時間的函數(shù)的運動或頻率的相應特征之間的持續(xù)時間。運動的連續(xù)最小值或最大值之間的持續(xù)時間或其時間導數(shù)可以例如通過檢測最小值或最大值的時間點并確定差異或者從例如雷達多普勒、力或加速度測量來確定。該持續(xù)時間或頻率可以用作呼吸特征，或者數(shù)據(jù)處理系統(tǒng)18可以從多個連續(xù)測得的持續(xù)時間導出一個或多個呼吸特征，例如通過求持續(xù)時間的平均值和/或計算其分布。作為另一可能性，可以在測量時間區(qū)間上取得運動的傅里葉變換，并且可以使用傅里葉變換中的預定頻譜帶上的頻譜分布作為呼吸特征。

可選地，數(shù)據(jù)處理系統(tǒng)18可以從來自照相機10的圖像確定進一步的特征，諸如像手指相對于手的運動、手臂相對于軀干的移動、腿相對于軀干的移動等等的相對身體部位運動。數(shù)據(jù)處理系統(tǒng)18可以通過在連續(xù)時間點處捕獲到的圖像中搜索具有匹配內(nèi)容的圖像區(qū)域并確定這些圖像區(qū)域的位置之間的偏移來檢測身體部位的運動向量。數(shù)據(jù)處理系統(tǒng)18可以基于圖像區(qū)域與已知的與其他身體部位(例如頭部)相關(guān)聯(lián)的另外的圖像區(qū)域的相對位置來確定圖像區(qū)域與身體部位之間的關(guān)聯(lián)性，該其它身體部分可通過面部檢測定位的頭部或可從作為最大身體部位的事實而識別的軀干等。

可選地，數(shù)據(jù)處理系統(tǒng)18可以確定來自其他傳感器(諸如來自力傳感器16)的信號的特征。通過示例的方式，可以確定力值變化的標準差，或者力值變化的頻譜的預定譜帶上的功率密度。

在步驟22中，數(shù)據(jù)處理系統(tǒng)18(分類器106)將估計的睡眠狀態(tài)和/或概率分配給特征向量，各特征向量包含測量時間區(qū)間中的心跳和呼吸特征值及可選的測量時間區(qū)間中的其他特征值的測得向量、諸如與身體部位相關(guān)聯(lián)的運動向量。基本上，估計睡眠狀態(tài)的分配利用了心跳和呼吸特征及可選的其他特征值的特征向量的空間中的范圍的顯式或隱式預定限定，和與這些范圍相關(guān)聯(lián)的狀態(tài)指示。由于可能牽涉到多于一個的特征，所以范圍可以是多維范圍，諸如半空間、多邊形、圓形、球體等等。在一個示例中，半空間和多邊形可以通過用于特征值的加權(quán)和的閾值隱式地限定。

如將說明的，范圍的顯式或隱式預定限定及其相關(guān)聯(lián)的狀態(tài)指示通過訓練過程來確定，然而對于理解圖2的分配過程不需要訓練過程。

估計睡眠狀態(tài)的分配可以包括確定所測得的特征向量所位于的顯式或隱式限定的范圍和將與該范圍相關(guān)聯(lián)的狀態(tài)分配為針對測量時間區(qū)間的睡眠狀態(tài)。確定所測得的特征向量所位于的范圍可以例如基于該范圍的顯式限定或者通過計算應用于包含特征值的測得特征向量的一個或多個預定的特性函數(shù)的函數(shù)值并將結(jié)果與閾值進行比較來進行。在該情況中，特性函數(shù)用于隱式地表征范圍。類似地，估計睡眠狀態(tài)的概率可以通過計算特征值的測得向量的預定的概率函數(shù)來計算。

如將說明的，特性函數(shù)和/或概率函數(shù)的限定可以通過訓練過程來確定。在進一步的實施例中，估計睡眠狀態(tài)和/或概率的分配可以利用針對多個測量時間區(qū)間的測量。例如可以使用隱馬爾可夫模型，其中睡眠狀態(tài)是模型的狀態(tài)并且心跳和呼吸特征的向量被用作由具有預定概率的這些狀態(tài)產(chǎn)生的符號。

圖3示出這樣的模型的狀態(tài)圖的示例。狀態(tài)圖將狀態(tài)表示為節(jié)點30a至30d，其中第一節(jié)點30a表示“嬰兒不在床中”狀態(tài)。第二節(jié)點30b表示嬰兒在床12中的“醒著”狀態(tài)。第三節(jié)點30c表示嬰兒在床中的“主動睡眠”狀態(tài)。第四節(jié)點30d表示嬰兒在床12中的“安靜睡眠”狀態(tài)?？蛇x地，可以添加“無檢測可能”狀態(tài)，其例如當父母遮蔽嬰兒的圖像或在床上引起大的力時發(fā)生。實心箭頭表示最頻繁地造成不同狀態(tài)30a至30d的轉(zhuǎn)變。當嬰兒被放到床上時，大多數(shù)達到醒著或主動睡眠狀態(tài)。從醒著狀態(tài)，主要發(fā)生到主動睡眠狀態(tài)的轉(zhuǎn)變。到安靜睡眠狀態(tài)的轉(zhuǎn)變大多數(shù)從主動睡眠狀態(tài)發(fā)生并且反之亦然。嬰兒從主動或安靜睡眠狀態(tài)清醒。當嬰兒啼哭時，父母大多數(shù)將嬰兒在醒著狀態(tài)下從床中抱走。除了用實心箭頭指示的轉(zhuǎn)變之外，其他不太頻繁的轉(zhuǎn)變(未示出)是可能的，諸如嬰兒從安靜睡眠狀態(tài)直接進入醒著狀態(tài)，或者在處于其中一個睡眠狀態(tài)時被放到床上或從床上抱出來。

隱馬爾可夫模型包括針對狀態(tài)之間的轉(zhuǎn)變中的至少一部分的概率值和當處于各狀態(tài)時的不同符號(例如，測得的心跳和呼吸特征值)的概率?；陔[馬爾可夫模型的分配包括基于測得的符號及其時間序列的處于模型的不同狀態(tài)的可能性的逆向計算。在該過程中，基于心跳和呼吸特征的單獨向量的估計睡眠狀態(tài)和/或概率的臨時分配可以用作用于基于測得的符號的時間序列的分配的輸入。如將說明的，隱馬爾可夫模型的參數(shù)的限定可以通過訓練過程來確定。

在第三步驟23中，數(shù)據(jù)處理系統(tǒng)18(數(shù)據(jù)分析模塊120)通過引起它們存儲在作為數(shù)據(jù)處理系統(tǒng)18的一部分的存儲裝置中或位于別處來記錄與測量時間區(qū)間相關(guān)聯(lián)的被分配的估計睡眠狀態(tài)和/或概率?？蛇x地，數(shù)據(jù)處理系統(tǒng)18可以存儲底層的特征值的測得向量。在該情況中，第二步驟22可以移動到稍后階段。

在第四步驟24中，數(shù)據(jù)處理系統(tǒng)18測試是否需要睡眠狀態(tài)分配的顯示或聚合(例如響應于用以顯示聚合睡眠數(shù)據(jù)的用戶指令的輸入)和可選地是否滿足用于生成報警信號。如果否，則數(shù)據(jù)處理系統(tǒng)18重復從第一步驟21的過程。否則數(shù)據(jù)處理系統(tǒng)18前進至第五步驟25。

在第五步驟25中，數(shù)據(jù)處理系統(tǒng)18在諸如從當前時間開始的選擇的小時數(shù)、一晚或一天等的選擇的時間周期內(nèi)檢索所記錄的睡眠狀態(tài)分配。數(shù)據(jù)處理系統(tǒng)18可以被配置成引起顯示器19沿著時間標尺顯示針對測量時間區(qū)間的分配的睡眠狀態(tài)。雖然第五步驟25被示出為過程中的順次步驟，但事實上它可以與其他步驟同時執(zhí)行，例如在分離的處理線程中或通過不同的處理器。

數(shù)據(jù)處理系統(tǒng)18可以被配置成在第五步驟25中將睡眠狀態(tài)聚合，例如，通過例如基于分配給不同睡眠狀態(tài)的測量時間區(qū)間的計數(shù)來計算在所選擇的時間周期中、在睡眠狀態(tài)中的相應一個睡眠狀態(tài)中花費的時間的量，和/或通過計算橫跨連續(xù)分配相同睡眠狀態(tài)的多個測量時間區(qū)間的連續(xù)時間區(qū)間的長度。數(shù)據(jù)處理系統(tǒng)18可以被配置成引起顯示器19顯示計算出的聚合，例如，作為數(shù)字、條或呈連續(xù)時間區(qū)間的長度的直方圖的形式。

在第五步驟25之后，數(shù)據(jù)處理系統(tǒng)18執(zhí)行第六步驟26，其中確定是否啟動再訓練過程27，用于再訓練用于在第二步驟22中的分配的顯式或隱式范圍。再訓練(通過訓練模塊108)可以例如周期性地或者響應于檢測到分類器106可靠性的減小的指示而啟動。再訓練可以與圖2的過程同時執(zhí)行：分配的舊方法可以繼續(xù)在第二步驟22中使用直到再訓練完成。雖然第六步驟26被示出為過程中的順次步驟，但事實上也可以與其他步驟同時執(zhí)行，例如在分離的處理線程中或者通過不同的處理器。

如所描述的，第二步驟22中由數(shù)據(jù)處理系統(tǒng)18進行的睡眠狀態(tài)和/或睡眠狀態(tài)的概率的分配牽涉到使用心跳和呼吸特征值的向量的值的范圍的預定限定和/或表達用于分配的向量的序列的可能性的那些向量和/或模型的函數(shù)的限定。

已發(fā)現(xiàn)，使用具有固定限定的心跳和呼吸特征值不可能獲得可靠的睡眠狀態(tài)數(shù)據(jù)。睡眠狀態(tài)之間的關(guān)系似乎可以通過更直接的方法來確定，并且這些特征在嬰兒的發(fā)育過程中改變，且改變發(fā)生時的時間標尺和它們發(fā)生的方式在不同嬰兒之間廣泛地存在差異。

為了維持基于心跳和呼吸特征值的可靠的睡眠狀態(tài)分配，數(shù)據(jù)處理系統(tǒng)18重復地執(zhí)行訓練過程以確定在時間過程中的更新的限定。用于確定具有相關(guān)聯(lián)的狀態(tài)值的范圍的限定的訓練過程、用以隱式地限定這樣的范圍的函數(shù)、用以分配概率的函數(shù)和模型(諸如隱馬爾可夫模型)本身可從模式辨識的一般領(lǐng)域已知。

為了提高睡眠狀態(tài)的分配的可靠性，優(yōu)選的是使用受監(jiān)督的訓練過程，也就是，如下的訓練過程，在訓練過程中，提供特征值的測得向量的示例，每個示例與當測量測得的特征值時所屬的狀態(tài)的指示或不同狀態(tài)的概率相關(guān)聯(lián)。

然而，受監(jiān)督的訓練一般更繁瑣。因為已發(fā)現(xiàn)沒有單個的限定可以用于所有嬰兒，所以用于嬰兒睡眠監(jiān)測的各重復的訓練過程必須針對單獨的嬰兒來進行。通過對嬰兒應用電極以便基于腦電波與心跳和呼吸特征的訓練示例組合來提供真實狀態(tài)測量而是不可行的。在學習了區(qū)分不同嬰兒睡眠狀態(tài)之后，要求父母觀察嬰兒許多小時并且輸入觀察到的睡眠狀態(tài)也是不可行的。

可測量的語境信息可以代替地使用來支持不要求對嬰兒應用電極或持續(xù)觀察的受監(jiān)督的訓練的形式。數(shù)據(jù)處理系統(tǒng)18可以使用來自麥克風14的輸入來檢測嬰兒何時啼哭。啼哭的檢測指示嬰兒未處于任何睡眠狀態(tài)。類似地，數(shù)據(jù)處理系統(tǒng)18可以使用來自照相機10的視頻輸入和/或測量施加在床上的力的力變化的力傳感器以檢測嬰兒何時進行大規(guī)模移動。取代照相機圖像和/或感測到的力，可以使用透射-反射延遲，雷達、光學雷達或諸如多普勒頻移等的聲納測量，和/或加速度計測量。像啼哭的檢測一樣，高于充分高的閾值的移動的檢測指示嬰兒未處于任何睡眠狀態(tài)。當這樣的訓練示例被從訓練睡眠狀態(tài)的檢測中排除時，該類型的語境信息增加了對應于實際睡眠狀態(tài)的剩余訓練示例的分數(shù)，由此增加了檢測的可靠性。此外，這樣的訓練示例提供了訓練示例與清醒狀態(tài)相關(guān)聯(lián)的受監(jiān)督的訓練信息的形式。

在實施例中，數(shù)據(jù)處理系統(tǒng)18可以在訓練過程中使用這樣的檢測以從訓練過程中消除當檢測到嬰兒未處于睡眠狀態(tài)時已測得的示例性心跳和呼吸特征值。這可以用來提高使用剩余示例性心跳和呼吸特征值的不受監(jiān)督的訓練的準確性。例如，因為存在來自非睡眠狀態(tài)的較少噪聲，剩余的示例性心跳和呼吸特征值可以被聚類成更準確地對應于不同睡眠狀態(tài)的聚類。在另一示例中，剩余示例性心跳和呼吸特征向量可以首先被過濾，以去除處于當檢測到嬰兒未處于睡眠狀態(tài)時已測得的特征向量的聚類內(nèi)的向量。因此，對應于醒著狀態(tài)的更多特征向量可以被消除。在該實施例中，過濾后保留的特征向量提供了睡眠狀態(tài)之間的區(qū)分的更準確的訓練。

應強調(diào)的是，該實施例僅僅是利用語境信息的訓練過程的一個示例。通過示例的方式，針對該示例將給出訓練過程的流程圖。

圖4示出訓練過程的示例性實施例的流程圖。在第一步驟41中，數(shù)據(jù)處理系統(tǒng)18確定心跳和呼吸特征值以及針對多個時間區(qū)間中的每一個的語境信息?？梢允褂帽确秸f在比方說一小時與一天之間的延長的時間段內(nèi)分布的三十秒與十分鐘之間的時間區(qū)間。

第一步驟41中的心跳和呼吸特征值的確定可以如針對圖2的第一步驟21所描述的那樣進行?？蛇x地，可以使用來自用于測量床上的力的其他傳感器(諸如一個或多個力傳感器)的特征值。在示例性實施例中，第一步驟41中由數(shù)據(jù)處理系統(tǒng)18確定的語境信息可以基于從麥克風14接收的音頻數(shù)據(jù)、來自照相機10的視頻數(shù)據(jù)和/或來自力傳感器16的力數(shù)據(jù)。在一個示例中，數(shù)據(jù)處理系統(tǒng)18可以被配置成從麥克風14接收音頻數(shù)據(jù)，將在時間區(qū)間的至少一部分期間的平均音頻功率水平計算為特征值(可選地，處于包括由啼哭的嬰兒產(chǎn)生的頻率的預定頻帶的功率水平)。另外地或替代地，處理系統(tǒng)18可以通過從來自照相機10的圖像中檢測運動并將運動的幅度確定為特征值(例如，嬰兒的身體的相同部位的不同位置之間的最大圖像距離)來確定語境信息。另外地或替代地，處理系統(tǒng)18可以通過檢測作為特征值的最大峰-峰力值變化而從來自諸如力傳感器16等的其他傳感器的信號中確定語境數(shù)據(jù)。

在第二步驟42中，數(shù)據(jù)處理系統(tǒng)18確定是否針對時間區(qū)間中的每一個從這些傳感器導出的特征值是否在與嬰兒的“醒著”狀態(tài)相關(guān)聯(lián)的預定的范圍內(nèi)?？蛇x地，數(shù)據(jù)處理系統(tǒng)18基于特征的大小在醒著狀態(tài)、睡覺狀態(tài)和“不確定”狀態(tài)之間進行區(qū)分。

在一個示例中，數(shù)據(jù)處理系統(tǒng)18可以被配置成將時間區(qū)間中的平均或最大音頻功率水平特征與預定閾值進行比較，并且如果超過閾值則檢測特征值在預定的范圍中。另外地或替代地，處理系統(tǒng)18可以將運動幅度特征值與進一步的預定閾值進行比較，并且如果超過進一步的閾值則檢測特征值在預定的范圍中。另外地或替代地，處理系統(tǒng)18可以將峰-峰力變化特征與預定閾值進行比較，并且如果超過閾值則檢測特征值在預定的范圍中。

在第三步驟43中，數(shù)據(jù)處理系統(tǒng)18選擇心跳和呼吸特征向量及可選的其他特征值的向量的第一和第二集合。第一集合的向量包含來自第二步驟42中確定“醒著”狀態(tài)所針對的時間區(qū)間的特征值的向量。第二集合的特征值包含來自不是這樣的時間區(qū)間的特征值的向量。

在該示例性實施例的第四步驟44中，數(shù)據(jù)處理系統(tǒng)18執(zhí)行聚類過程以形成來自所選擇的第一和第二集合的心跳和呼吸特征值及可選的其他特征值的特征向量的聚類。在實施例中，數(shù)據(jù)處理系統(tǒng)18首先針對第一集合執(zhí)行聚類過程，其所得到的聚類將被稱為“醒著”聚類。接下來，數(shù)據(jù)處理系統(tǒng)18測試來自第二集合的向量以確定它們是否處于基于第一集合形成的“醒著”聚類內(nèi)(或者它們是否處于與這些“醒著”聚類的中心相距不超過預定距離)。如果是這樣，則數(shù)據(jù)處理系統(tǒng)18從第二集合中去除該向量。在該實施例中，數(shù)據(jù)處理系統(tǒng)18隨后執(zhí)行針對第二集合中的剩余向量的聚類過程。這造成第二類型的聚類，其將被稱為“睡眠”聚類。取代這樣的兩個步驟聚類，可以使用一個步驟聚類過程，其要求聚類的那部分基本不包含來自第三步驟43中形成的第二集合。來自該部分的聚類接著被稱為“睡眠”聚類?？蛇x地，數(shù)據(jù)處理系統(tǒng)18可以針對已經(jīng)借助于來自第二步驟42中分配給確定的睡覺狀態(tài)的時間區(qū)間的特征向量而存在的睡覺狀態(tài)中的一個或多個創(chuàng)建初始聚類(種子)。以該方式，來自在第二步驟42中已發(fā)現(xiàn)不確定的時間區(qū)間的特征向量可以被添加到基于心跳和呼吸特征值及可選的其他特征值的確定的睡覺狀態(tài)。

聚類方法本身是已知的。聚類利用了針對不同訓練實例中的不同特征的特征值與值的向量之間的距離度量。在聚類的示例性形式中，各聚類包含如下的特征向量，與到針對其他聚類的參考特征向量相比，針對該聚類的參考特征向量相距近。聚類方法的實施例選擇使從訓練示例的特征向量到它們的聚類的參考特征向量的距離的組合最小化的參考特征向量。對于一維特征向量，聚類可以僅僅是選擇對應于向量值的分布中的峰值的參考值的問題。在本情況中，特征向量包括相同時間區(qū)間的心跳和呼吸特征及可選的其他特征的值，并且使用了來自不同時間區(qū)間的這樣的特征向量之間的距離。

在實施例中，數(shù)據(jù)處理系統(tǒng)18可以被配置成在聚類過程中使用針對當前或前一分配的聚類作為初始聚類，例如以迭代地選擇聚類的適配版本以便減小聚類與訓練示例之間的距離。

在一個實施例中，可以使用歐式距離(euclideandistance)，即，來自不同時間區(qū)間的對應特征的值之間的差異的平方的可選加權(quán)和的平方根。在這些或其他實施例中，可以使用用作針對不同時間區(qū)間的特征的直方圖之間的差異度量來取代差異。也可以使用其他類型的差異度量，諸如絕對值的(加權(quán))和。

在第五步驟45中，數(shù)據(jù)處理系統(tǒng)18將“睡眠”聚類分配給安靜睡眠和主動睡眠聚類的集合。這可以例如基于將具有高于和低于閾值的平均心率的向量的聚類分別分配給安靜睡眠聚類的集合和主動睡眠聚類的集合來完成。在該實施例中，數(shù)據(jù)處理系統(tǒng)18可以在圖2的過程的第二步驟22中使用針對聚類的參考特征向量來分配睡眠狀態(tài)。第二步驟22可以包括計算從測量時間區(qū)間確定的特征向量與聚類的參考特征向量之間的距離和使用處于最低距離的聚類的睡眠狀態(tài)，或者距離低于閾值所針對的聚類的睡眠狀態(tài)。為了檢測這樣的分配的降低了的可靠性的指示，數(shù)據(jù)處理系統(tǒng)18可以測試針對聚類的參考特征向量與針對分配給根據(jù)該聚類的對應睡眠狀態(tài)的特征向量的多個時間區(qū)間的平均值之間的距離。如果該差異超過預定閾值，則數(shù)據(jù)處理系統(tǒng)18可以觸發(fā)再訓練。

如所提到的，通過參照圖4描述的實施例僅僅是訓練過程的一個示例。可以使用的任何類型的訓練過程，例如并不一定是聚類過程，用于區(qū)分訓練向量的集合中的類別并確定參數(shù)以識別該類別，該參數(shù)標識用于將向量分配給類別的訓練準則。類別此后可以與不同的睡眠狀態(tài)和醒著狀態(tài)相關(guān)聯(lián)，例如，通過確定哪些類別大多數(shù)包含與醒著狀態(tài)相關(guān)聯(lián)的特征向量，并且使用平均心率和/或呼吸率以將安靜睡眠類別與主動睡眠類別區(qū)分開。在其他實施例中，可以使用部分受監(jiān)督的訓練過程，其中需要類別的指示，這是因為僅需要類別的一部分。

在進一步的實施例中，嬰兒未處于睡眠狀態(tài)的檢測可以用于在諸如圖3的隱馬爾可夫模型等的時間序列模塊中分配確定的狀態(tài)。隨后，該模型可以用于將隨后的狀態(tài)分配以與沒有檢測時相比較高的可靠性。即使模型的參數(shù)因為它們歸因于嬰兒的發(fā)育變得過時而需要再訓練，這也可以用于產(chǎn)生針對用于在檢測之后的有限時間周期內(nèi)在受監(jiān)督的訓練中使用的示例性特征值測量的狀態(tài)分配或概率。

在簡單示例中，嬰兒已被放在床中或已停止啼哭或已停止做出大的移動的檢測可以用于獲得在假定該檢測的情況下對于立即隨后的時間區(qū)間中的不同可能狀態(tài)的預定概率。在給定這樣的檢測的情況下嬰兒處于主動睡眠狀態(tài)的概率基本高于在任意時間的那個概率。這可以用于提高具有從那個隨后時間區(qū)間獲得的示例性特征值的受監(jiān)督的訓練的可靠性。在簡單實施例中，在預定時間區(qū)間期間與示例性特征值相關(guān)聯(lián)的狀態(tài)可以被設定為針對用于訓練的目的的預定持續(xù)時間(例如，在一分鐘與十分鐘之間)的時間區(qū)間的主動睡眠狀態(tài)。雖然存在有這會造成錯誤示例的低的可能性，但是對于這樣的錯誤示例訓練過程是魯棒性的。

應強調(diào)的是，該實施例僅僅是利用與所檢測的語境信息的時間關(guān)系的訓練過程的示例。通過示例的方式，將對于該示例給出訓練過程的流程圖。

圖5示出使用這樣的時間信息的訓練過程的示例性實施例的流程圖。在類似于圖4的第一步驟41的第一步驟51中，數(shù)據(jù)處理系統(tǒng)18確定針對多個時間區(qū)間中的每一個的心跳和呼吸特征值以及語境信息。

在第二步驟52中，數(shù)據(jù)處理系統(tǒng)18確定是否針對時間區(qū)間中的每一個從這些傳感器導出的特征值是否在與嬰兒的“醒著”狀態(tài)或?qū)雰悍旁诖仓邢蛄康念A定的范圍內(nèi)。這些時間區(qū)間將被稱作種子間隔。

在第三步驟53中，數(shù)據(jù)處理系統(tǒng)18使用第二步驟52的檢測到的時間區(qū)間將狀態(tài)分配給其他時間區(qū)間的一部分。在另一實施例中，可以將狀態(tài)概率分配給這些其他時間區(qū)間。一般地，在種子間隔之后的預定延遲內(nèi)所跟隨的時間區(qū)間可以被分配給“主動睡眠”狀態(tài)。

在第四步驟54中，數(shù)據(jù)處理系統(tǒng)18執(zhí)行聚類過程以形成來自所選擇的第一和第二集合的心跳和呼吸特征值及可選的其他特征值的特征向量的聚類。在實施例中，數(shù)據(jù)處理系統(tǒng)18可以首先執(zhí)行已分配“醒著”狀態(tài)和“主動睡眠狀態(tài)”的時間區(qū)間的聚類過程。接下來數(shù)據(jù)處理系統(tǒng)18測試來自剩余時間區(qū)間的特征向量以確定它們是否處于“醒著”聚類或“主動”聚類內(nèi)(或者它們是否處于與這些聚類的中心相距不超過預定距離)。數(shù)據(jù)處理系統(tǒng)18隨后執(zhí)行針對不是這些聚類中的剩余向量的聚類過程。接著將最終得到的聚類與“主動睡眠”狀態(tài)相關(guān)聯(lián)。當在主動睡眠狀態(tài)的開始后的某一時間區(qū)間之后沒有檢測到移動時，分配安靜睡眠狀態(tài)。

注意到，該實施例僅僅是利用與所檢測的語境信息的時間關(guān)系的訓練過程的一個示例。對于圖4的過程，任何類型的訓練過程、例如但不一定是聚類過程可以用于區(qū)分訓練向量的集合中的類別并確定參數(shù)以識別該類別，在參數(shù)上識別用于將向量分配給類別的訓練準則。類別可以此后與不同睡眠狀態(tài)相關(guān)聯(lián)。在其他實施例中，可以使用不同受監(jiān)督的訓練過程，其中需要類別的指示，這是因為僅需要類別的一部分。

如果使用狀態(tài)概率，則可以為緊跟著種子間隔的時間區(qū)間限定對于不同狀態(tài)的預定概率的第一集合，以及背景概率的第二集合和描述了概率如何作為種子間隔之后的時間距離的函數(shù)從第一集合改變至第二集合的函數(shù)。這樣的集合和函數(shù)可以從馬爾可夫模型的參數(shù)計算出。數(shù)據(jù)處理系統(tǒng)18可以根據(jù)這些函數(shù)將概率分配給種子間隔之后的時間區(qū)間。在這樣的實施例中，可以使用就狀態(tài)的概率而言具有監(jiān)督的訓練過程。

如果使用隱馬爾可夫模型，則可以基于在經(jīng)訓練的分類的基礎(chǔ)上分配的狀態(tài)來再訓練根據(jù)該模型的狀態(tài)轉(zhuǎn)變的轉(zhuǎn)變概率。

本領(lǐng)域技術(shù)人員可以在實踐所要求保護的本發(fā)明時從對附圖、公開和隨附權(quán)利要求的研究中理解并實現(xiàn)對所公開的實施例做出的其他變化。在權(quán)利要求中，詞語“包括”不排除其他元件或步驟，并且不定冠詞“一”或“一個”不排除多個。單個處理器或其他單元可以滿足權(quán)利要求中所記載的若干項目的功能。相互不同的從屬權(quán)利要求中記載了某些措施這個純粹的事實不表明這些措施的組合不能有利地使用。計算機程序可以存儲/分布在合適的介質(zhì)上，諸如與其他硬件一起或作為其一部分供給的光學存儲介質(zhì)或固態(tài)介質(zhì)，但是也可以以其他形式分布，諸如經(jīng)由因特網(wǎng)或者其他有線或無線電信系統(tǒng)。權(quán)利要求中的任何附圖標記都不應該解釋為限制權(quán)利要求的范圍。