用于预测疗法采用的系统和方法与流程

用于预测疗法采用的系统和方法
1.相关申请的交叉引用
2.本技术要求2019年9月30日提交的美国临时专利申请no.62/908,528的权益及优先权，该申请的全部内容以引用的方式并入本文。
技术领域
3.本发明总体上涉及用于预测个体为了健康益处而修改他或她的个人行为的可能性的系统和方法；具体地，本发明涉及预测个体将采用规定的治疗计划的可能性。


背景技术：

4.个人的治疗计划由医疗专业人员(例如，医生、护士、护理提供者等)每天为个人(例如，患者)制定和规定。然而，在许多情况下，个体未能采用规定的治疗计划或未能按规定采用完整的治疗计划。由于各种原因，可能发生规定的治疗计划的禁忌症。例如，规定的治疗计划可涉及使用对于个体使用而言困难的装置的治疗。对于另一个示例，规定的治疗计划可涉及服用具有个体不喜欢或不能处理的副作用的药物。对于另一示例，规定的治疗计划可以包括个体不想忍受的外科手术。本发明旨在解决这些问题并解决其它需要。


技术实现要素：

5.根据本发明的一些实施方式，一种方法包括接收与个人相关联的数据。使用机器学习采用预测算法来处理所接收的数据的至少一部分，以确定个体将采用规定的治疗计划的可能性。至少部分地基于(i)规定的治疗计划和(ii)确定的个体将采用规定的治疗计划的可能性，生成针对个体的个性化的治疗采用计划。
6.根据本发明的一些实施方式，一种用于预测个体采用规定的治疗计划的系统包括数据储存库、存储器和控制系统。数据储存库通信地耦合到网络，并且包括存储数据的多个存储设备。存储器存储机器可读指令和机器学习采用预测算法。控制系统包括一个或多个处理器，并且被配置为执行机器可读指令以接收存储在数据储存库中的数据的至少一部分。数据的至少一部分与个体相关联。控制系统使用机器学习采用预测算法来处理所接收的数据的至少一部分，以确定个体将采用规定的治疗计划的可能性。至少部分地基于(i)规定的治疗计划和(ii)确定的个体将采用规定的治疗计划的可能性，控制系统生成针对个体的个性化的治疗采用计划。
7.根据本发明的一些实施方式，一种用于预测个体对规定的治疗计划的采用的方法包括接收存储在数据储存库中的数据的至少一部分。数据的至少一部分与个体相关联。数据储存库通信地耦合到网络，并且包括存储数据的多个存储设备。使用处理接收到的数据的至少一部分的机器学习采用预测算法来确定个体将采用规定的治疗计划的可能性。至少部分地基于(i)所述规定的治疗计划和(ii)所确定的所述个体将采用所述规定的治疗计划的可能性，生成针对所述个体的个性化的治疗采用计划。
8.根据本发明的一些实施方式，一种系统包括数据储存库、存储器和控制系统。存储
器存储机器可读指令和机器学习采用预测算法。控制系统包括被配置为执行机器可读指令以累积数据的一个或多个处理器。数据包括历史数据和当前数据。历史数据与一个或多个治疗计划的多个采用者相关联。当前数据与个体相关联。控制系统用所述历史数据训练所述机器学习采用预测算法，使得所述机器学习采用预测算法被配置成(i)接收所述当前数据的至少一部分和所述个体的规定治疗计划作为输入，以及(ii)确定所述个体将采用所述规定治疗计划的可能性作为输出。
9.以上概述并非旨在表示本发明的每个实施方式或每个方面。本发明的详细描述和附图中，本发明的附加特征和优点是显而易见的。
附图说明
10.图1是根据本发明的一些实施方式的用于预测个体将采用规定的治疗计划的可能性的系统的框图；
11.图2是根据本发明的一些实施方式的用于预测个体将采用规定的治疗计划的可能性的过程的流程图；图3示出了根据本发明的一些实施方式的睡眠时段(session)的示例性时间线；以及
12.图4是根据本发明的一些实施方式的与图3的睡眠时段相关联的示例性催眠图。
13.虽然本发明易受各种修改和替换形式的影响，但是其具体实施方式已经通过附图中的示例示出并且将在本文中详细描述。然而，应当理解，这并不旨在将本发明限制为所公开的特定形式，而是相反，本发明将覆盖落入由所附权利要求限定的本发明的精神和范围内的所有修改，等同物和替换物。
具体实施方式
14.规定的治疗计划是医生(或类似人员)所说的个体(例如，cpap设备的用户、患者等)需要作为最佳治疗过程的内容。本发明使用机器学习采用预测算法来处理存储在数据储存库中的数据，以预测个体采用规定的治疗计划的可能性。基于所确定的可能性生成个性化治疗采用计划。如果确定个体例如80％或更可能采用规定的治疗计划，则个性化治疗采用计划可以是规定的治疗计划。然而，如果确定个体少于例如80％可能采用规定的治疗计划，则个性化治疗采用计划可被开发为不同于规定的治疗计划(例如，对规定的治疗计划的一个或多个修改)。
15.例如，如果个体有20％或更少的可能性采用规定在第一压力范围(例如，在12cm h2o和16cm h2o之间)使用cpap设备的规定治疗计划，则可以创建个性化治疗采用计划，其通过使个体开始使用下颌复位设备(mrd)，然后在第二压力范围(例如，其中第二压力范围小于第一压力范围)使个体启动cpap设备，然后根据规定的治疗计划及时整理cpap设备压力。
16.参考图1，系统100包括数据储存库200、存储器300、控制系统400、和一个或多个终端设备500(下文中称为终端设备500)。如本文所述，系统100通常可用于预测个体(例如，患者)采用规定的治疗计划(例如，由医生/处方者)。在一些实施方式中，当系统100确定个体不可能采用规定的治疗计划时(例如，所确定的可能性低于预定阈值)，系统100可以开发和/或建议对规定的治疗计划的一个或多个修改，以努力使个体易于进行治疗。在这种实施
方式中，一个或多个修改的目的是最终使个体采用规定治疗计划而不进行修改。修改的规定治疗计划在本文中称为个性化治疗采用计划。虽然系统100被示为包括各种元件，但系统100可包括本文所示和所述的元件的任何部分和/或子集，和/或系统100可包括图1中未具体示出的一个或多个附加元件。
17.数据储存库200通信地耦合到网络250。在一些实施方式中，数据储存库200经由网络250通信地连接到控制系统400和/或一个或多个终端设备500。
18.数据储存库200包括存储数据的多个存储设备。在本发明的一些实施方式中，数据储存库200包括社交媒体数据库210、电子保健记录数据库220、可穿戴技术数据库230或其任何组合。虽然数据储存库200被示为包括各种存储设备，但是数据储存库200可以包括这里示出和描述的元件的任何子集，和/或数据储存库200可以包括图1中未具体示出的一个或多个附加元件。
19.存储在数据储存库200中的数据可以包括各种类型和/或内容的数据。例如，在一些实施方式中，存储在数据储存库200中的数据包括与多个个体相关联的个人数据。对于另一示例，在一些实施方式中，数据包括与类似于该个体的多个个体相关联的依从性数据。对于另一示例，在一些实施方式中，数据包括引导个体进行睡眠相关诊断的历史事件的概要。对于另一示例，在一些实施方式中，数据包括向个体提供睡眠相关诊断的人的类型的指示。对于另一示例，在一些实施方式中，数据包括个体是否在睡眠期间遇到呼吸困难的确定。对于另一示例，在一些实施方式中，数据包括个体的关系信息。对于另一示例，在一些实施方式中，数据包括由个体执行的web搜索。对于另一个示例，在一些实施方式中，数据包括个体是否可能表现出类似放纵的行为的判定，个体是否可能改变行为的判定，或两者。对于另一示例，在一些实施方式中，数据包括个体已经改变的临床行为的历史账户的至少一部分的概要。又例如，在一些实施方式中，数据包括一个或多个每日健康评估，其包括个体头痛和/或偏头痛经历的发生和/或频率。对于另一示例，在一些实施方式中，数据包括个体的家属信息。对于另一示例，在一些实施方式中，数据包括：个体在基于移动或基于web的健康应用中的订阅，与个体相关联的社交媒体信息，与呼吸设备使用相关的支持组信息，或其任何组合。对于另一示例，在一些实施方式中，数据包括个体成为早期技术采用者的趋势的确定。对于另一示例，在一些实施方式中，数据包括规定给个体的治疗计划。对于另一个示例，在一些实施方式中，数据包括：与个体是否是吸毒者相关联的信息，与个体是否饮酒相关联的信息，或其任何组合。应理解，存储在数据储存库200中的数据可包括上述类型的数据和/或本文未具体描述的其它类型的数据的任何组合。对于另一示例，在一些实施方式中，数据包括诸如年龄、性别、bmi、健康信息、个体是吸烟者还是非吸烟者、个体是否喝酒、或其任何组合的信息。对于另一示例，在一些实施方式中，数据包括诸如自报告的疼痛点的信息，诸如白天嗜睡、打鼾、疲劳、锻炼水平(持续时间、强度、类型)、睡眠困难等，或其任何组合。
20.存储在数据储存库200中的数据可以包括与多个个体相关联的训练数据。在一些这样的实施方式中，控制系统400执行机器可读指令(存储在存储器300或不同的存储器或两者中)，以用训练数据训练机器学习采用预测算法330(存储在存储器300或不同的存储器或两者中)。通过使用训练数据，机器学习采用预测算法330被配置为接收存储在数据储存库200中的与个体相关联的数据的至少一部分作为输入，并且确定个体将采用规定的治疗计划的可能性作为输出。如本文所述，基于所确定的个体采用的可能性，可实施规定的治疗
计划或可修改规定的治疗计划的一个或多个方面，使得为个体确定个性化治疗采用计划。
21.在一些实施方式中，控制系统400执行机器可读指令320以接收与个体对规定的治疗计划和/或个性化治疗采用计划的依从性水平相关联的反馈。控制系统400进一步被配置成至少部分地基于规定的治疗计划、第一个性化治疗采用计划、反馈或其任何组合来生成针对个体的第二个性化治疗采用计划。反馈可以包括例如个体对一个或多个问题的回答、由一个或多个传感器产生的数据、或两者。在一些这样的实施方式中，一个或多个传感器可以包括cpap设备/呼吸治疗设备中的流量传感器和/或压力传感器、移动设备中的麦克风、运动传感器、活动传感器(例如、用于测量个体的活动水平、如脚步等)、声纳传感器、超宽带射频传感器、rf传感器、用于测量个体的核心和/或表面温度和/或环境温度的温度传感器、用于监测打鼾的音频或流量传感器、或其任何组合。一个或多个传感器可以被包括在个体所佩戴的可佩戴设备中，个体的生活区域中的一个或多个静止设备中，或其组合。
22.在本发明的一些实施方式中，机器学习采用预测算法330使用所接收的反馈来学习机器学习采用预测算法330做出的错误，以便提高系统100的性能。例如，在一个实例中，机器学习采用预测算法330可以预测个体有90％可能采用，但实际上通过反馈(手动输入或自动确定)来学习个体从未采用规定的治疗计划。在这样的示例中，可以调整机器学习采用预测算法330，使得在未来的示例中，机器学习采用预测算法330更可能降低相对百分比可能性，这可能导致不同的结果(例如，可以创建个性化的治疗采用计划，而不是用规定的治疗计划给个人开处方)。
23.一个或多个终端设备500可以与个体相关联，并且被配置为从控制系统400接收一个或多个通知。在一些实施方式中，通知是基于针对个体生成的个性化治疗采用计划。一个或多个终端设备500可以包括个人计算机510、移动设备520、诸如cpap设备的呼吸治疗设备530、或其任意组合。
24.在系统100包括呼吸治疗设备530的一些实施方式中，从控制系统400接收的通知可以包括使呼吸治疗设备530上的一个或多个设置被调节的命令和/或指令。例如，可以修改呼吸治疗设备530的压力设置或规定压力范围，以在使用呼吸治疗设备530期间提供更高和/或更低的压力。对呼吸治疗设备530的修改可以至少部分地基于个性化治疗采用计划，在实现个性化治疗采用计划和/或规定的治疗计划期间来自个体的反馈，存储在数据储存库200中的数据的一部分，或其任何组合。虽然一个或多个终端设备500被示为包括各种终端设备，但是一个或多个终端设备500可以包括这里示出和描述的元件的任何子集，和/或一个或多个终端设备500可以包括图1中未具体示出的一个或多个附加元件。
25.在一些实施方式中，存储器300存储机器可读指令320和机器学习采用预测算法330。控制系统400通信耦合到存储器300。存储器300可以包括一个或多个物理分离的存储器设备，使得一个或多个存储器设备可以耦合到和/或内置于任一终端设备500中。在一些实施方案中，存储器300包括非易失性存储器、电池供电的静态ram、易失性ram、eeprom存储器、nand快闪存储器或其任何组合。在一些实施方式中，存储器300是可移除形式的存储器(例如，存储卡)。
26.控制系统400包括一个或多个处理器410(下文，处理器410)。控制系统400通常用于控制系统100的各种部件和/或分析由系统100的部件获得和/或产生的数据。处理器410执行存储在存储器设备300中的机器可读指令320，并且可以是通用或专用处理器或微处理
器。虽然在图1中示出了一个处理器410，但是控制系统400可以包括任何合适数量的处理器(例如，一个处理器，两个处理器、五个处理器、十个处理器等)。存储器300可以是任何合适的计算机可读存储设备或介质，例如随机或串行访问存储设备、硬盘驱动器、固态驱动器、闪存设备等。控制系统400和/或存储器300可以耦合到和/或定位在一个或多个终端设备500的外壳中。控制系统400和/或存储器300可以是集中式的(在一个外壳内)或分散式的(在两个或更多物理上不同的外壳内)。
27.在一些实施方式中，控制系统400是专用电子电路。在一些实施方式中，中央控制器400为专用集成电路。在一些实施方式中，控制系统400包括分立电子部件。控制系统400能够从系统100的任何其他元件接收输入(例如，信号、生成的数据、指令等)。控制系统400能够提供输出信号以使系统100中发生一个或多个动作。在一些实施方式中，控制系统400或其一部分(例如，控制系统400的至少一个处理器)可以位于云中(例如，集成在服务器中、集成在物联网(iot)设备中，连接到云，经受边缘云处理等)，位于一个或多个服务器中(例如，远程服务器、本地服务器等、或其任何组合)。
28.在本发明的一些实施方式中，处理器410被配置成执行机器可读指令320以接收存储在数据储存库200中的数据的至少一部分。在一些这样的实施方式中，所接收的数据的部分与个体相关联。机器学习采用预测算法330用于处理所接收的数据或其一部分，以确定个体将采用规定的治疗计划的可能性。在一些实施方式中，当所确定的采用的可能性低于阈值(例如，采用规定的治疗计划的可能性低于95％，采用规定的治疗计划的可能性低于90％，采用规定的治疗计划的可能性低于80％等)时，处理器410执行机器可读指令320来为个体生成与规定的治疗计划不同的个性化治疗采用计划。个性化治疗采用计划可以基于规定的治疗计划，但包括一个或多个修改、加法、减法等，或其任何组合。
29.例如，机器学习采用预测算法330可以建立用于确定个体将采用规定的治疗计划的可能性的阈值。在一些实施方式中，当可能性低于80％时，确定个体将采用规定的治疗计划的可能性满足第一阈值。在一些实施方式中，规定的治疗计划包括针对个体的第一推荐，以在第一压力范围下开始使用呼吸治疗设备530进行治疗。在一些这样的实施方式中，个性化治疗采用计划(例如，规定治疗计划的修改版本)包括针对个体的第二修改推荐，以在不同于第一压力范围的第二压力范围(例如，其中第二压力范围相对较低和/或更易于个体接收)下开始使用呼吸治疗设备530进行治疗。
30.在一些实施方式中，规定的治疗计划包括针对个体的第一推荐，以开始使用呼吸治疗设备530进行治疗。在一些这样的实施方式中，个性化治疗采用计划(例如，规定治疗计划的修改版本)包括针对个体的第二推荐，以使用下颌复位设备开始治疗而不启动呼吸治疗设备530。
31.在一些实施方式中，规定的治疗计划包括针对个体的第一推荐，以开始使用呼吸治疗设备530进行治疗。在一些这样的实施方式中，个性化治疗采用计划(例如，规定治疗计划的修改版本)包括针对个体的第二推荐，以通过与提供关于使用呼吸治疗设备530的提示、事实、信息、益处、挑战等的指导程序(虚拟或亲自)交互来开始进行治疗。在一些这样的实施方式中，使用反馈，系统100可以测量来自指导的个体进度以确定何时推荐治疗中的下一步骤(例如，呼吸治疗设备530的实际使用，mrd的使用等)。
32.在一些实施方式中，规定的治疗计划包括针对个体的第一推荐，以在第一压力范
围下开始使用呼吸治疗设备530进行治疗。在一些这样的实施方式中，个性化治疗采用计划(例如，规定计划的修改版本)包括针对个体的第二推荐，以通过进行手术来开始治疗而不是启动呼吸治疗设备530。在一些这样的实施方式中，例如，推荐的手术可包括减肥手术、口腔手术、吸脂手术或其任何组合。
33.口腔颌面外科(omfs或oms)具体包括面部、口和颌的手术。此类oms程序可包括，例如，牙槽骨手术(去除阻生牙的手术、困难的拔牙、对医疗受损患者的拔牙、骨移植或修复前手术，以便为植入物、假牙或其他假牙的放置提供更好的解剖结构)。其它oms程序可包括插入骨结合(骨融合)牙科植入物和用于连接颅面假体和骨锚定助听器的颌面植入物的手术。其他oms手术包括头颈部整容手术：(除皱术/整容，眉毛提升，眼睑成形术/亚洲眼睑成形术，耳成形术，鼻成形术，鼻中隔成形术，隆颊术，隆颏术，颏成形术，眼整形术，颈部吸脂术，毛发移植，唇部增强，注射美容治疗剂，如肉毒杆菌毒素、填充剂、富含血小板的血浆、干细胞，化学换肤，中胚层疗法)。oms手术还可包括正颌手术、牙颌面畸形的手术治疗/矫正以及面部创伤和睡眠呼吸暂停的管理。
34.在一些实施方式中，规定的治疗计划包括用于个体在第一压力范围下开始使用呼吸治疗设备530进行治疗的第一推荐。在一些这样的实施方式中，个性化治疗采用计划(例如，规定计划的修改版本)包括针对个体的第二推荐，以通过采用饮食、采用锻炼计划或其组合来开始治疗。例如，可以指定个人教练来创建不会耗尽个人但提高其生活质量的锻炼时间表。对于另一示例，锻炼时间表可以是有意识的以不需要个体锻炼太多，因为这可能导致较差的睡眠质量(例如，打鼾更多)。此外，训练者可以帮助训练特定的肌肉以帮助避免睡眠相关的呼吸问题(例如，睡眠呼吸暂停等)。
35.在一些实施方式中，规定的治疗计划包括针对个体的第一推荐，以开始使用呼吸设备进行治疗。在一些这样的实施方式中，个性化治疗采用计划(例如，规定治疗计划的修改版本)包括针对个体的第二推荐，以使用可调节床相关设备开始治疗。可调节床相关设备可有助于解决位置问题，如位置阻塞性睡眠呼吸暂停(osa)、位置打鼾等。在一些实施方式中，可调节床相关设备包括可调节枕头、可调节床垫、可调节床架、可调节床上用品或其任意组合。
36.在一些实施方式中，规定的治疗计划包括针对个体的第一推荐，以开始使用呼吸治疗设备530进行治疗。在一些这样的实施方式中，个性化治疗采用计划(例如，规定治疗计划的修改版本)包括针对个体的第二推荐，以使用鼻绑带开始治疗。
37.虽然以特定顺序和/或关系描述了对规定治疗计划的修改以形成个性化治疗采用计划的上述示例，但是可以设想，可以以任何顺序和/或组合来组合上述示例性修改以创建针对个体的个性化治疗采用计划。
38.例如，在一些实施方式中，规定的治疗计划包括针对个体的第一推荐，以开始使用呼吸治疗设备530进行治疗。在一些这样的实施方式中，个性化治疗采用计划(例如，规定计划的修改版本)包括针个体开始通过以下进行治疗的第二推荐，以使用下颌复位设备，进行外科手术，减轻体重，采用饮食，采用锻炼方案，避免或减少饮酒，避免或减少吸烟，戒烟，避免或减少咖啡因摄入，睡眠时使用加湿器，使用舌头稳定装置，避免或减少安眠药的使用，练习发声练习，练习一次或多次呼吸练习，使用可调节床相关设备，或其任何组合。
39.在一些实施方式中，系统100在对个体实施任何治疗之前(例如，经由一个或多个
终端设备500)向个体提供个性化治疗采用计划。至少部分地基于确定的个体将采用规定的治疗计划的可能性，将规定的治疗计划的修改版本提供给个体。
40.在一些实施方式中，机器学习采用预测算法330被配置为确定个体将采用规定的治疗计划的可能性满足第二阈值(例如，可能性大于预定量)。在这样的确定之后，为个体生成的个性化治疗采用计划是规定的治疗计划。例如，当可能性等于或大于80％、大于85％、大于90％、大于95％等或任何其它百分比可能性时，个体将采用规定的治疗计划的可能性满足第二阈值。
41.在本发明的一些实施方式中，控制系统400经由一个或多个终端设备500从个体接收用户输入。可以使用机器学习采用预测算法330来处理用户输入。在一些实施方式中，用户输入包括：描绘个体的至少一部分的一个或多个视频，描绘个体的至少一部分的一个或多个图像，或它们的组合。
42.在一些实施方式中，机器学习采用预测算法330可以通过分析用户输入来处理用户输入，以确定个体睡眠障碍的风险。例如，可以分析个体的图像数据以确定面部颜色、眼睛数据等。)基于该分析，机器学习采用预测算法330被配置为预测个体睡眠呼吸暂停的风险。这种计算的睡眠呼吸暂停的风险可以包括在确定的个体将采用规定的治疗计划的可能性中。例如，如果确定个体处于睡眠呼吸暂停的风险中或实际上具有睡眠呼吸暂停，则机器学习采用预测算法330可以预测个体更可能采用规定的治疗计划。类似地，如果机器学习采用预测算法330确定睡眠呼吸暂停的风险低，则可以确定个体不太可能采用规定的治疗计划，因为他们可能看不到益处或看不到值得治疗不便的显著益处。
43.用户输入的处理可以替代地和/或附加地用于帮助确定当前规定的治疗的有效性。基于有效性或有效性的缺乏，系统100可以生成对当前治疗计划的一个或多个修改，以帮助增加个体长期继续采用和/或遵守治疗计划而不退出治疗(例如，在一个月或两个月内)的可能性。
44.如结合图1所讨论的，系统100可以包括用于收集信息的一个或多个传感器。一个或多个传感器可以包括输出压力数据的压力传感器，该压力数据可以存储在存储器300中和/或由控制系统400的处理器410分析。在一些实施方式中，压力传感器是产生指示呼吸治疗设备530的用户的呼吸(例如，吸气和/或呼气)和/或环境压力的传感器数据的空气压力传感器(例如，大气压力传感器)。压力传感器可以是例如电容传感器、电磁传感器、压电传感器、应变片传感器、光学传感器、电位传感器或其任意组合。
45.一个或多个传感器可以包括输出流量数据的流量传感器。在一些实施方式中，流量传感器用于确定来自呼吸治疗设备530的空气流速、通过呼吸治疗设备530的管的空气流量、通过呼吸治疗设备530的面罩的空气流量、或其任意组合。流量传感器可以是质量流量传感器，如旋转流量计(例如霍尔效应流量计)、涡轮流量计、孔口流量计、超声流量计、热线传感器、涡流传感器、膜传感器、或其任何组合。
46.一个或多个传感器可以包括输出温度数据的温度传感器。在一些实施方式中，温度传感器生成指示个体的核心体温、个体的皮肤温度、从呼吸治疗设备530流出的空气的温度、环境温度或其任何组合的温度数据。温度传感器可以是例如热电偶传感器、热敏电阻传感器、硅带隙温度传感器或基于半导体的传感器、电阻温度检测器或其任何组合。
47.一个或多个传感器可以包括输出音频数据的麦克风。由麦克风生成的音频数据可
在睡眠时段期间再现为一种或多种声音。来自麦克风的音频数据还可用于识别(例如，使用控制系统400)用户在睡眠时段期间经历的事件，如本文中进一步详细描述。麦克风可以耦合到或集成到任何一个或多个终端设备500中。
48.一个或多个传感器可以包括扬声器，扬声器输出个体可听见的声波。扬声器可用作例如闹钟或向个体播放警报或消息(例如，响应于事件)。在一些实施方式中，扬声器可用于传送由麦克风生成的音频数据。扬声器可以耦合到或集成在一个或多个终端设备500中。
49.麦克风和扬声器可以用作单独的设备。在一些实施方式中，麦克风和扬声器可以被组合到声学传感器中，如在例如wo2018/050913中所描述的，在此通过引用将其整体并入本文。在这种实施方式中，扬声器以预定间隔产生或发射声波，并且麦克风检测来自扬声器的发射声波的反射。扬声器生成或发出的声波具有人耳听不到的频率(例如，低于20hz或高于约18khz)，以免在睡着时打扰个体。至少部分地基于来自麦克风和/或扬声器的数据，控制系统400可以确定个体的位置和/或这里描述的一个或多个睡眠相关参数。
50.一个或多个传感器可以包括射频(rf)发射器，rf发射器产生和/或发射具有预定频率和/或预定幅度(例如，在高频带内、在低频带内、长波信号、短波信号等)的无线电波。rf接收器检测从rf发射器发射的无线电波的反射，并且该数据可以由控制系统400分析以确定个体的位置和/或这里描述的不同参数或测量中的一个或多个。rf接收器也可用于系统100中的无线通信。在一些实现中，rf接收器和rf发射器被组合为射频(rf)传感器的一部分。在一些这样的实施方式中，rf传感器包括控制电路。rf通信的特定格式可以是wifi、蓝牙等。
51.在一些实施方式中，rf传感器是网格系统的一部分。网格系统的一个示例是wifi网格系统，其可以包括网格节点、网格路由器和网格网关，其中的每一个可以是移动的/可移动的或固定的。在这样的实施方式中，wifi网格系统包括wifi路由器和/或wifi控制器以及一个或多个卫星(例如，接入点)，每个卫星包括rf传感器。wifi路由器和卫星使用wifi信号连续地彼此通信。wifi网格系统可以用于基于路由器和卫星之间的wifi信号中的变化(例如，接收信号强度中的差异)来生成运动数据，所述变化是由于移动的物体或人部分地阻挡了信号而引起的。运动数据可以指示运动、呼吸、心率、步态、跌倒、行为等，或其任何组合。
52.一个或多个传感器可以包括输出图像数据的照相机，图像数据可再现为可以存储在存储器300中的一个或多个图像(例如，静止图像、视频图像、热图像或其组合)。控制系统400可以使用来自相机的图像数据来确定本文所述的一个或多个不同参数以预测治疗的采用。例如，来自相机的图像数据可用于识别个体的位置，确定个体进入其床的时间，确定个体离开床的时间，以及确定个体是否与呼吸治疗设备530交互。
53.一个或多个传感器可包括输出红外图像数据的红外(ir)传感器，红外图像数据可再现为可存储在存储器300中的一个或多个红外图像(例如，静止图像、视频图像或两者)。来自ir传感器的红外数据可用于确定睡眠时段期间的一个或多个参数，包括个体的温度和/或个体的运动。在测量个体的存在、位置和/或移动时，ir传感器也可以与相机结合使用。例如，ir传感器可以检测波长在约700nm和约1mm之间的红外光，而相机可以检测波长在约380nm和约740nm之间的可见光。
54.一个或多个传感器可包括输出与个体相关联的生理数据的ppg传感器，生理数据
可用于确定一个或多个参数，例如心率、心率变异性、心动周期、呼吸率、吸气幅度、呼气幅度、吸气-呼气比、估计的血压参数或其任意组合。ppg传感器可以由个体佩戴，嵌入个体佩戴的衣服和/或织物中，嵌入和/或耦合到任一终端设备500等。
55.一个或多个传感器可以包括心电图(ecg)传感器，其输出与个体心脏的电活动相关联的生理数据。在一些实施方式中，ecg传感器包括在睡眠时段期间位于个体的一部分之上或周围的一个或多个电极。来自ecg传感器的生理数据可用于例如确定本文所述的参数中的一个或多个。
56.一个或多个传感器可以包括脑电图(eeg)传感器输出与用户210的大脑的电活动相关的生理数据。在一些实施方式中，eeg传感器包括在睡眠时段期间定位在个体头皮上或头皮周围的一个或多个电极。来自eeg传感器的生理数据可用于例如确定个体在睡眠时段期间的任何给定时间的睡眠状态。在一些实施方式中，eeg传感器可以集成在终端设备500中的任何一个中。
57.一个或多个传感器可以包括电容传感器、力传感器和应变仪传感器，它们输出可以存储在存储器300中并由控制系统400用来确定本文所述的一个或多个参数的数据。包括在一个或多个传感器中的肌电图(emg)传感器可以输出与由一个或多个肌肉产生的电活动相关联的生理数据。包括在一个或多个传感器中的氧气传感器可以输出指示气体的氧气浓度的氧气数据(例如，在呼吸治疗设备530的管和/或与呼吸治疗设备530一起使用的面罩中)。氧气传感器可以是例如超声波氧气传感器、电氧气传感器、化学氧气传感器、光学氧气传感器或其任意组合。在一些实施方式中，一个或多个传感器还包括皮肤电反应(gsr)传感器、血流传感器、呼吸传感器、脉搏传感器、血压计传感器、血氧传感器、或其任意组合。
58.一个或多个传感器可包括分析物传感器，分析物传感器可用于检测个体呼气中分析物的存在。分析物传感器输出的数据可以存储在存储器300中并由控制系统400用来确定个体呼吸中任何分析物的特性和浓度，这对于确定个体是否会采用治疗计划很有用。基于类似地定位的个体的采用成功率，某些物质上的个体可以转向不同的治疗计划。在一些实施方式中，分析物传感器位于个体的嘴巴附近，以检测从个体的嘴巴呼出的呼吸中的分析物。分析物传感器可以位于个体的鼻子附近以检测通过用户鼻子呼出的呼吸中的分析物。在一些实施方式中，分析物传感器是可用于检测碳基化学品或化合物的挥发性有机化合物(voc)传感器。
59.一个或多个传感器可包括湿度传感器，其输出可存储在存储器300中并由控制系统400使用的数据。湿度传感器可用于检测围绕个体的各个区域中的湿度(例如，在呼吸治疗设备530的管或与呼吸治疗设备530一起使用的面罩内部，靠近个体的面部等)。因此，在一些实施方式中，湿度传感器可以耦合到或集成在任一终端设备500中。湿度传感器还可用于监测个体周围环境的湿度，例如卧室内的空气。
60.一个或多个传感器可以包括用于深度感测的光检测和测距(lidar)传感器。这种类型的光学传感器(例如，激光传感器)可用于检测对象并构建周围环境(例如，生活空间)的三维(3d)图。激光雷达通常可以利用脉冲激光来进行飞行时间测量。激光雷达也被称为3d激光扫描。在使用这种传感器的示例中，具有激光雷达传感器的固定或移动设备(如智能电话)可以测量和映射从传感器延伸5米或更远的区域。例如，激光雷达数据可以与由电磁radar传感器估计的点云数据融合。激光雷达传感器还可以使用人工智能(ai)通过检测和
分类可能引起radar系统的问题的空间中的特征来自动地理栅栏radar系统，例如玻璃窗(其可以是对radar高度反射的)。例如，激光雷达还可以用于提供人的身高的估计，以及当人坐下或跌倒时身高的变化。激光雷达可用于形成环境的3d网格表示。在进一步的用途中，对于无线电波穿过的固体表面(例如，透射线材料)，激光雷达可以反射离开这样的表面，从而允许对不同类型的障碍物进行分类。
61.参考图2，示出了用于预测个体将采用规定的治疗计划的可能性的方法1100的流程图。这里描述的方法1100的一个或多个步骤可以使用系统100(图1)来实现。方法1100的步骤1101包括接收数据。所接收的数据可以是存储在数据储存库(例如，数据储存库200)中的数据的一部分。如上所述，数据可以与个体和/或多个其它个体相关联。在方法1100的步骤1102，确定个体将采用规定的治疗计划的可能性。确定可以使用机器学习采用预测算法来处理所接收的数据。
62.在方法1100的步骤1103，生成针对个体的个性化治疗采用计划。个性化治疗采用计划可以基于规定的治疗计划，但包括一个或多个修改、加法、减法等，或其任何组合。
63.如这里所使用的，可以基于例如初始开始时间和结束时间以多种方式定义睡眠时段。参考图3，示出了睡眠时段的示例性时间线300。时间线300包括入床时间(t
入床
)，入睡时间(t
gts
)，初始睡眠时间(t
睡
)，第一微唤醒ma1和第二微唤醒ma2，唤醒时间(t
醒
)和起床时间(t
起床
)。
64.如这里所使用的，可以以多种方式定义睡眠时段。例如，睡眠时段可以由初始开始时间和结束时间来定义。在一些实施方式中，睡眠时段是用户睡眠的持续时间，即，睡眠时段具有开始时间和结束时间，并且在睡眠时段期间，用户直到结束时间才醒来。也就是说，用户醒着的任何时段都不包括在睡眠时段中。根据睡眠时段的这一第一定义，如果用户在同一夜晚多次醒来并入睡，则由醒来间隔分开的每个睡眠间隔是睡眠时段。
65.或者，在一些实施方式中，睡眠时段具有开始时间和结束时间，并且在睡眠时段期间，只要用户醒着的连续持续时间低于醒着持续时间阈值，用户就可以醒着，而睡眠时段不结束。唤醒持续时间阈值可以被定义为睡眠时段的百分比。唤醒持续时间阈值可以是例如睡眠时段的大约百分之二十、睡眠时段持续时间的大约百分之十五、睡眠时段持续时间的大约百分之十、睡眠时段持续时间的百分之五、睡眠时段持续时间的大约百分之二等、或任何其它阈值百分比。在一些实施方式中，唤醒持续时间阈值被定义为固定的时间量，如大约一小时、大约三十分钟、大约十五分钟、大约十分钟、大约五分钟、大约两分钟等、或任何其他时间量。
66.在一些实施方式中，睡眠时段被定义为在晚上用户首先上入床的时间与第二天早上用户最后离开床的时间之间的整个时间。换言之，睡眠时段可以被定义为在第一日期(例如，周一，2020年1月6日)在第一时间(例如，下午10:00)开始的时间段，该时间段可以被称为当前晚上，当用户首先进入意图去睡眠的床时(例如，如果用户不打算在去睡眠之前首先观看电视或用智能电话播放等)，并且在第二日期(例如，周二，2020年1月7日)在第二时间(例如，上午7:00)结束，这可以被称为第二天早上，此时用户首先离开该床，目的是不要在第二天早上返回睡眠。
67.在一些实施方式中，用户可以手动定义睡眠时段的开始和/或手动终止睡眠时段。例如，用户可以选择(例如，通过点击或轻敲)在外部设备170(图1)的用户设备172上显示的
一个或多个用户可选元素，以手动发起或终止睡眠时段。
68.参考图3，示出了睡眠时段的示例性时间线300。时间线300包括入床时间(t
入床
)，入睡时间(t
gts
)，初始睡眠时间(t
睡
)，唤醒a，第一微唤醒ma1和第二微唤醒ma2，唤醒时间(t
醒
)和起床时间(t
起床
)。
69.入床时间t
入床
与用户在入睡之前(例如，当用户躺下或坐在床中时)最初入床(例如，图2中的床230)的时间相关联。可基于床阈值持续时间来识别入床时间t
入床
，以区分用户出于睡眠而入床时与用户出于其它原因(例如，观看电视)而入床时的时间。例如，床阈值持续时间可以是至少约10分钟、至少约20分钟、至少约30分钟、至少约45分钟、至少约1小时、至少约2小时等。虽然本文中关于床描述了入床时间t
入床
，但更一般地，入床时间t
入床
可以指用户最初进入用于睡眠的任何位置(例如，沙发椅、椅子、睡袋等)的时间。
70.入睡时间(gts)与用户在入床之后最初尝试入睡的时间(t
入床
)相关联。例如，在入床之后，用户可以参加一个或多个活动以在试图睡眠之前放松一下(例如，阅读、观看电视、听音乐、使用用户设备170等)。初始睡眠时间(t
睡
)是用户初始入睡的时间。例如，初始睡眠时间(t
睡
)可以是用户初始进入第一非rem睡眠阶段的时间。
71.唤醒时间t
醒
是与用户在不回到睡眠的情况下醒来的时间(例如，与用户在晚间醒来并回到睡眠相反)相关联的时间。用户可以在最初入睡之后体验具有短持续时间(例如，5秒、10秒、30秒、1分钟等)的多个无意识微觉醒(例如，微觉醒ma1和ma2)中的一个。与唤醒时间t
醒
相反，用户在微觉醒ma1和ma2中的每一个之后回到睡眠。类似地，用户可以在最初入睡(例如，起床去浴室、照顾儿童或宠物、睡眠行走等)之后具有一个或多个有意识的觉醒(例如，觉醒a)。然而，用户在唤醒a之后回到睡眠。因此，唤醒时间t
醒
可以例如基于唤醒阈值持续时间(例如，用户被唤醒至少15分钟、至少20分钟、至少30分钟、至少1小时等)来定义。
72.类似地，起床时间t
起床
与用户离开床并下床以结束睡眠时段(例如，与用户在夜间起床去浴室、照顾儿童或宠物、睡眠行走等相反)的时间相关联。换言之，起床时间t
起床
是用户最后离开床而不返回床直到下一个睡眠时段(例如，下一个晚上)的时间。因此，起床时间t
起床
可以例如基于起床阈值持续时间(例如，用户已经离开床至少15分钟、至少20分钟、至少30分钟、至少1小时等)来定义。还可以基于起床阈值持续时间(例如，用户已经离开床至少4小时、至少6小时、至少8小时、至少12小时等)来定义第二后续睡眠时段的入床时间t
入床
时间。
73.如上所述，在最初的t
入床
和最后的t
起床
之间的夜晚期间，用户可以醒来并离开床一次以上。在一些实施方式中，最终唤醒时间t
醒
和/或最终起床时间t
起床
是基于事件(例如，入睡或离开床)之后的预定阈值持续时间来识别或确定的。这种阈值持续时间可以为用户定制。对于在晚上下床，然后在早上醒来和下床的任何时间段(在用户醒来(t
醒
)或起床(t
起床
)和用户入床(t
入床
)，入睡(t
gts
)或入睡(t
睡
)之间)的标准用户，可以使用约12至约18小时。对于在床上花费较长时段的用户，可以使用较短的阈值时段(例如，在约8小时和约14小时之间)。可以基于监视用户睡眠行为的系统初始地选择和/或稍后调整阈值周期。
74.床中总时间(tib)是入床时间t
入床
和起床时间t
起床
之间的持续时间。总睡眠时间(tst)与初始睡眠时间和唤醒时间之间的持续时间相关联，不包括其间的任何有意识或无意识的唤醒和/或微唤醒。通常，总睡眠时间(tst)将比床上总时间(tib)短(例如，短一分钟、短十分钟、短一小时等)。例如，参考图3的时间线300，总睡眠时间(tst)跨越初始睡眠时
间t
睡
和唤醒时间t
醒
之间，但不包括第一微觉醒ma1、第二微觉醒ma2和觉醒a的持续时间。如图所示，在该示例中，总睡眠时间(tst)比床中的总时间(tib)短。
75.在一些实施方式中，总睡眠时间(tst)可以被定义为持久总睡眠时间(ptst)。在这种实施方式中，持久总睡眠时间不包括第一非rem阶段(例如，轻度睡眠阶段)的预定初始部分或时段。例如，预定的初始部分可以在大约30秒和大约20分钟之间、在大约1分钟和大约10分钟之间、在大约3分钟和大约5分钟之间等。持久的总睡眠时间是持续睡眠的量度，并且使睡眠-觉醒睡眠图平滑。例如，当用户最初入睡时，用户可以处于第一非rem阶段很短的时间(例如，大约30秒)，然后返回到觉醒阶段很短的时间(例如，一分钟)，然后返回到第一非rem阶段。在该示例中，持久总睡眠时间排除第一非rem阶段的第一实例(例如，约30秒)。
76.在一些实施方式中，睡眠时段被定义为在入床时间(t
入床
)开始并在起床时间(t
起床
)结束，即，睡眠时段被定义为总入床时间(tib)。在一些实施方式中，睡眠时段被定义为在初始睡眠时间(t
睡
)开始并在唤醒时间(t
醒
)结束。在一些实施方式中，睡眠时段被定义为总睡眠时间(tst)。在一些实施方式中，睡眠时段被定义为在进入睡眠时间(t
gts
)开始并在唤醒时间(t
醒
)结束。在一些实施方式中，睡眠时段被定义为在进入睡眠时间(t
gts
)开始并在起床时间(t
起床
)结束。在一些实施方式中，睡眠时段被定义为在入床时间(t
入床
)开始并在唤醒时间(t
醒
)结束。在一些实施方式中，睡眠时段被定义为在初始睡眠时间(t
醒
)开始并在起床时间(t
起床
)结束。
77.参照图4，示出了根据一些实施方式的对应于时间线301(图3)的示例性睡眠图600。如图所示，睡眠图600包括粗体睡眠-觉醒信号、觉醒阶段轴610、rem阶段轴620、浅睡眠阶段轴630和深睡眠阶段轴640。睡眠-清醒信号和轴610-640之一之间的交点表示在睡眠时段期间的任何给定时间的睡眠阶段。
78.睡眠-清醒信号可基于与用户相关联的生理数据(例如，由本文所述的传感器中的一者或一者以上产生)而产生。睡眠-觉醒信号可以指示一种或多种睡眠状态、包括觉醒、放松的觉醒、微觉醒、rem阶段、第一非rem阶段、第二非rem阶段、第三非rem阶段或其任何组合。在一些实施方式中，第一非rem阶段、第二非rem阶段和第三非rem阶段中的一个或多个可以被分组在一起并且被分类为轻度睡眠阶段或深度睡眠阶段。例如，浅睡眠阶段可以包括第一非rem阶段，而深睡眠阶段可以包括第二非rem阶段和第三非rem阶段。虽然在图4中示出的睡眠图600包括浅睡眠阶段轴630和深睡眠阶段轴640，但是在一些实施方式中，睡眠图600可以包括用于第一非rem阶段、第二非rem阶段和第三非rem阶段中的每一个的轴。在其他实施方式中，睡眠-清醒信号还可以指示呼吸信号、呼吸速率、吸气幅度、呼气幅度、吸气-呼气比率、每小时事件的数目、事件的模式、或其任何组合。描述睡眠-清醒信号的信息可存储在存储器300中。
79.睡眠图600可用于确定一个或多个睡眠相关参数，例如睡眠开始等待时间(sol)、睡眠开始后觉醒(waso)、睡眠效率(se)、睡眠分段指数、睡眠阻塞或其任何组合。
80.睡眠开始等待时间(sol)被定义为进入睡眠时间(t
gts
)和初始睡眠时间(t
睡
)之间的时间。换言之，睡眠开始等待时间表示用户在最初尝试入睡之后实际入睡所花费的时间。在一些实施方式中，睡眠开始等待时间被定义为持续睡眠开始等待时间(psol)。持续睡眠开始等待时间与睡眠开始等待时间的不同之处在于，持续睡眠开始等待时间被定义为进入睡眠时间与预定量的持续睡眠之间的持续时间。在一些实施方式中，预定量的持续睡眠可
以包括例如在第二非rem阶段、第三非rem阶段和/或rem阶段(其中不超过2分钟的觉醒)、第一非rem阶段内至少10分钟的睡眠和/或其间的移动。换句话说，在第二非rem阶段、第三非rem阶段和/或rem阶段和/或rem阶段内持续睡眠多达例如8分钟。在其他实施方式中，预定量的持续睡眠可以包括在初始睡眠时间之后的第一非rem阶段、第二非rem阶段、第三非rem阶段和/或rem阶段内的至少10分钟的睡眠。在这样的方式中，预定量的持续睡眠可以排除任何微觉醒(例如，十秒微觉醒不重新开始10分钟时段)。
81.睡眠后唤醒开始(waso)与用户在初始睡眠时间和唤醒时间之间醒着的总持续时间相关联。因此，睡眠后觉醒开始包括睡眠期间的短暂和微觉醒(例如，图4中所示的微觉醒ma1和ma2)，无论是有意识的还是无意识的。在一些实施方式中，睡眠后觉醒发作(waso)被定义为仅包括具有预定长度(例如，大于10秒、大于30秒、大于60秒、大于约5分钟、大于约10分钟等)的觉醒的总持续时间的持续睡眠后觉醒发作(pwaso)。
82.睡眠效率(se)被确定为床中总时间(tib)与总睡眠时间(tst)的比率。例如，如果在床上的总时间是8小时并且总睡眠时间是7.5小时，则该睡眠时段的睡眠效率是93.75％。睡眠效率表示用户的睡眠卫生。例如，如果用户在睡觉之前入床并花费时间从事其他活动(例如，观看电视)，则睡眠效率将降低(例如，用户被罚分)。在一些实施方式中，可以基于床上总时间(tib)和用户试图睡眠的总时间来计算睡眠效率(se)。在这样的实施方式中，用户试图睡眠的总时间被定义为进入睡眠(gts)时间这里描述的起床时间之间的持续时间。例如，如果总睡眠时间是8小时(例如，在下午11点和上午7点之间)，进入睡眠时间是上午10:45，并且起床时间是上午7:15，则在这样的实施方式中，睡眠效率参数被计算为大约94％。
83.至少部分地基于睡眠时段期间的唤醒次数来确定分段指数。例如，如果用户具有两个微觉醒(例如，图4中所示的微觉醒ma1和微觉醒ma2)，则分段指数可以表示为2。在一些实施方式中，分段索引在整数的预定范围之间(例如，在0和10之间)缩放。
84.睡眠块与任何睡眠阶段(例如，第一非rem阶段、第二非rem阶段、第三非rem阶段和/或rem)和觉醒阶段之间的过渡相关联。可以以例如30秒的分辨率计算睡眠块。
85.在一些实施方式中，在此描述的系统和方法可以包括生成或分析包括睡眠-觉醒信号的睡眠图，以至少部分地基于睡眠图的睡眠-觉醒信号来确定或识别入床时间(t
入床
)、入睡时间(t
gts
)、初始睡眠时间(t
睡
)、一个或多个第一微觉醒(例如，ma1和ma2)、唤醒时间(t
醒
)、起床时间(t
起床
)、或其任何组合。
86.在其他实施方式中，传感器130中的一个或多个可以用于确定或识别入床时间(t
入床
)、入睡时间(t
gts
)、初始睡眠时间(t
睡
)、一个或多个第一微觉醒(例如，ma1和ma2)、唤醒时间(t
醒
)、起床时间(t
起床
)、或其任何组合，这反过来又定义了睡眠时段。例如，可以基于例如由运动传感器、麦克风、相机或其任意组合生成的数据来确定入床时间t
入床
。可以基于例如来自运动传感器的数据(例如，指示用户没有移动的数据)、来自相机的数据(例如，指示用户没有移动和/或用户已经关闭灯的数据)、来自麦克风的数据(例如，指示正在关闭tv的数据)、来自移动设备520的数据(例如，指示用户不再使用移动设备520的数据)、来自压力传感器和/或流量传感器的数据(例如，指示用户打开呼吸治疗设备530的数据等)、或其任何组合来确定入睡时间。数据可以由一个或多个传感器在借助于图3定义的睡眠时段期间产生，或者可以产生类似于图4的睡眠图的睡眠图，以帮助通知个体的治疗计划。
87.来自以下权利要求1至85中任一项的一项或多项的一个或多个要素或方面或步骤
或其任何部分可以与来自其他权利要求1至85中任一项的一项或多项或其组合的一个或多个要素或方面或步骤或其任何部分组合，以形成本发明的一个或多个附加实现和/或权利要求。
88.虽然已经参考一个或多个特定实施方式描述了本发明，但是本领域技术人员将认识到，在不脱离本发明的精神和范围的情况下，可以对其做出许多改变。这些实施方式及其明显变化中的每一个都被认为落入本发明的精神和范围内。还设想根据本发明的方面的附加实现可以组合来自本文描述的任何实现的任何数量的特征。