GROENENDAAL, Willemijn,DESCHRIJVER, Dirk,RUYSSINCK, Joeri,VAN STEENKISTE, Tom
申请号:
EPEP2019/056222
公开号:
WO2019/179836A1
申请日:
2019.03.13
申请国别(地区):
EP
年份:
2019
代理人:
摘要:
A method for detecting a respiratory event of a subject comprises: receiving a bio-impedance measurement signal (S2) dependent on respiratory action from the subject; extracting (306) at least one time- sequence of the bio-impedance measurement signal (S2); and for each extracted time-sequence: comparing (308) the bio-impedance measurement signal (S2) with each of a plurality of machine learning models in an ensemble of machine learning models to form a set of predictions of occurrence of a respiratory event, wherein each prediction is based on comparing the bio-impedance measurement signal (S2) with one machine learning model, wherein each model correlates features of time-sequences of a bio-impedance measurement signal (S2) with presence of a respiratory event and wherein each model is trained on a unique data set of training time- sequences; deciding (310) whether a respiratory event occurs in the extracted time-sequence based on the set of predictions.Un procédé de détection d'un événement respiratoire d'un sujet comprend : la réception d'un signal de mesure de bioimpédance (S2) dépendant de l'action respiratoire provenant du sujet; l'extraction (306) d'au moins une séquence temporelle du signal de mesure de bioimpédance (S2); et pour chaque séquence temporelle extraite, la comparaison (308) du signal de mesure de bioimpédance (S2) avec chaque modèle d'une pluralité de modèles d'apprentissage machine d'un ensemble de modèles d'apprentissage machine pour former un ensemble de prédictions d'occurrence d'un événement respiratoire, chaque prédiction étant basée sur la comparaison du signal de mesure de bioimpédance (S2) avec un modèle d'apprentissage machine, chaque modèle corrélant des caractéristiques de séquences temporelles d'un signal de mesure de bioimpédance (S2) avec la présence d'un événement respiratoire et chaque modèle étant formé sur un ensemble de données unique de séquences temporelles d'apprentissage; la décision (310) visant à savoir si un événement