呼吸数据的分析的制作方法
呼吸数据的分析的制作方法
【技术领域】
[0001] 本发明涉及测量和/或分析呼吸数据的方法和用于执行该方法的装置。
【背景技术】
[0002] 监测对象的呼吸和/或肺功能提供常常对检测和/或诊断肺疾病和/或肺阻塞和 /或其它状况的存在有用的数据。呼吸和/或肺功能的准确测量和分析通常需要使用被耦 合到待监测的对象的嘴的装置，例如面具或吹嘴。这些装置往往是不舒适的和/或侵入性 的，且不适用于监测不配合的和/或虚弱的对象，例如新生儿对象。
[0003] 呼吸感应体积描记术是监测对象的呼吸和/或肺功能的另一方法，其通过测量胸 腔和腹壁的移动来执行。这种方法基于如下理论：在腹部和肋架的前后径的变化的和与肺 容量的变化相对应。包含正弦曲线形线圈的两个弹性带用于测量该前后径。所述弹性带之 一放置在腋窝下的肋架周围，而另一弹性带在肚脐水平处的腹部周围。
[0004] 弹性带的膨胀改变线圈的自感，从而允许测量出前后径的变化。弹性带连接到振 荡器和解调电子器件，其将读数转换成数字波形。这些波形然后被用于分析和/或描述复 杂的呼吸模型的各种测量，例如呼吸率、一次换气量、每分钟换气量、最大吸气流、分数吸气 时间、最大和/或平均吸气和/或呼气流测量和胸腔和/或腹部对一次换气量的百分比贡 献。
[0005] 将弹性带安装在待监测的对象上需要移动对象，这在一些情况下在不配合的和/ 或虚弱的对象中可能是成问题的。
[0006] 在W02010066824中公开了用于监测对象的呼吸和/或肺功能的另一已知的方法 和相关设备连同用于执行该方法的设备，该专利的内容被并入本文。该方法涉及随着时间 的过去对对象的身体的三维形状进行光学测量，并从形状中的变化得到呼吸量数据。对象 的呼吸数据可和与在统计数据库中的健康和疾病状态相关联的呼吸数据比较以诊断对象 的肺功能。
[0007] 期望提供允许进行更准确的诊断的处理测量数据的方法。
【发明内容】
[0008] 根据本发明的第一方面，提供了分析表示对象的身体的至少部分随着时间的变化 的形状的至少三维的数据阵列的方法，数据阵列与具有格点的2维网格、在每个格点处的 所述形状的空间中的位置和时间点有关，该方法包括下列步骤：
[0009] 将数据阵列映射到2维阵列上；
[0010] 分解2维阵列，
[0011] 根据分解后的2维阵列形成所述对象的识别标志，其表示所述形状的移动模型。
[0012] 分解后的2维阵列允许容易地得到身体（特别是胸腔或肋架和/或腹部，或者躯 干或胸腔或肋架和/或腹部的左和/或右侧）的移动的主模式。主模式可与胸腔表面移动 模型有关。可从主模式得到识别标志。在呼吸分析中，识别标志表示对象的独特呼吸模型。
[0013] 因为主模式提供关于对象的移动的特定信息，因此它可以比全局参数（例如在肺 活量测定法中得到的容量）更准确地区分开疾病状态。在呼吸分析中，主模式常常捕获胸 腔壁的细微和局部的部位变化，而容量一一是胸腔壁作为整体的移动的全局导数一一并不 捕获这些变化。因此，主模式允许更准确的诊断被做出。
[0014] 2维阵列的每行可对应于格点和/或包括在时间点处的多个位置。分解可使用奇 异值分解。分解后的2维阵列可以是作为二维阵列的USVT、U、S和VT，并且/或者识别标 志可以是根据对所测量的移动给予最大贡献的U的列得到的，并且/或者识别标志可包括 从开始列得到的一个或多个频率。
[0015] 本发明的另一特征提供用不同疾病状态的识别标志填充数据库的方法，识别标志 使用上面描述的方法被测量。
[0016] 该方法可包括比较对象的识别标志和与疾病状态相关联的识别标志和/或确定 在对象的识别标志和与疾病状态相关联的识别标志之间的距离。疾病状态的识别标志可根 据在具有相同的疾病状态的一组对象上求平均值的识别标志得到。
[0017] 根据本发明的第二方面，提供识别表示随着时间的过去的呼吸模型的参数值中的 呼吸的方法，其包括下列步骤：
[0018] 形成参数值的时间平均值；
[0019] 将参数划分为段，每段位于所述参数和所述平均值的连续的交叉点之间；
[0020] 确定在每段内的参数的极值，极值是呼气的开始或呼气的结束。
[0021] 参数可以是呼吸量。由该方法确定的段包括呼气的开始或结束。如果一段包括呼 气的开始，则下一段将包括那个呼气的结束，开始和结束定义单个呼吸。参数应提供呼吸模 型的合理地准确的表示，但它在实际容量或排量方面来说不需要是准确的。该方法在平均 值中存在错误时且对平均化的方法是鲁棒的。
[0022] 时间平均值可包括移动平均值（例如指数移动平均值）和/或可使用低通滤波器 (例如高斯滤波器）来形成。呼吸可从一个极值延长到第二个随后的极值。
[0023] 可通过在整数数量的呼吸上形成识别标志在分析数据阵列的上述方法中使用识 别呼吸的方法，从而减小在识别标志中的噪声。
[0024] 根据本发明的第三方面，提供了监测和/或分析对象的呼吸和/或肺功能的方法， 例如以产生数据阵列用于在根据本发明的第一方面的方法中使用和/或产生表示随着时 间的过去的呼吸模型的参数值用于在根据本发明的第二方面的方法中使用，该方法包括下 列步骤：
[0025] 将辐射的图样投影到对象的身体的至少部分上；
[0026] 在多个时刻的每个处记录图像数据，该图像数据表示在那个时刻处的投影图样的 至少一部分的三维构造；以及
[0027] 处理图像数据以产生例如至少三维的和/或表示对象的身体的至少部分随着时 间的变化的形状的数据阵列，和/或产生表示随着时间的过去的呼吸模型的参数值。
[0028] 根据本发明的第一和/或第二方面的方法还可包括将数据阵列分成两个或更多 个子阵列，每个子阵列表示对象的投影图样的相应部分的三维构造。该方法还可包括处理 子阵列以大致估计随着时间过去的对象或投影图样的每个部分的体积。此外，该方法可包 括计算表示在投影图样或对象的每个部分的相对体积贡献中的随着时间的过去的变化的 比较参数。
[0029] 在一些实施方式中，比较参数包括相角，其可包括在多个时刻的全部中从图像数 据计算的总相角或在多个时刻的仅仅一些中从图像数据计算的窗口化相角。比较参数可包 括在对应于一个呼吸的时刻从图像数据计算的呼吸相角。在一些实施方式中，窗口化相角 包括预定数量的呼吸。该方法还可包括将呼吸或肺功能分类为同步的或异步的或反常的。
[0030] 比较参数可包括可使用主分量分析（例如通过计算例如协方差矩阵并对角化协 方差矩阵）来计算的主角和/或展度。
[0031] 该方法还可包括计算呼吸率（例如每分钟呼吸次数）和/或一次换气量（例如每 次呼吸吸入和呼出的量）和/或每分钟换气量（例如乘以呼吸率的一次换气量）和/或最 大吸气流（例如反映呼吸驱动）和/或分数吸气时间和/或快速浅呼吸的索引和/或最大 和/或平均吸气和/或呼气流测量、和/或胸腔和/或腹部对一次换气量的百分比贡献中 的一个或多个。
[0032] 该方法还可包括分析或确定或量化所测量的数据或一个或多个所计算的参数的 规则性和/或不可预见性和/或随机性。该方法可包括针对一个或多个值或参数（例如上 面描述或列出的任何值或参数，例如图像数据或数据阵列的一个或多个值或一个或每个部 分的体积或两个部分的组合体积或比较参数）来计算指示失调（或换句话说，复杂性或随 机性）的值，优选地为熵值，例如近似熵或样本熵。
[0033] 申请人观察到，近似熵和/或样本熵或失调的等价测度可提供对对象的状态的了 解，例如其中预定的摘值指示对象的健康和/或患病和/或运动状态。这个观察的一个特 定的例子是，窗口化和/或每呼吸相角的熵看起来在有慢性阻塞性肺疾病（COPD)的患者中 降低。为了容易参考，熵值或等价值可被称为例如不规则值或变化的系数。
[0034] 根据本发明的其它方面，提供了用于执行该方法的设备、执行该方法的计算机软 件和存储软件的数据载体，该软件和/或数据载体可被包括在设备中。该设备可对应于在 W02010066824中描述的装置或任何其它适当的设备。技术人员也将认识到，可使用利用呼 吸感应体积描记术获取的数据来执行上面描述的方法的一些步骤或方面。
【附图说明】
[0035] 现在仅作为例子参考附图描述本发明的某些实施方式，其中：
[0036] 图1不出测量系统的框图；
[0037] 图2示出方法的流程图；
[0038] 图3示出健康的对象的六个呼吸模式；
[0039] 图4示出遭受COPD的对象的六个呼吸模式；
[0040] 图5示出图3的模式的时间演变；
[0041] 图6示出图4的模式的时间演变；
[0042] 图7示出呼吸检测方法的流程图；
[0043] 图8示出呼吸量的测量；
[0044] 图9示出图1的测量单元的示例性实施方式；
[0045] 图10示出在胸腔和腹部对潮气呼吸量的容量贡献之间的同步性的五个测量；
[0046] 图11示出在胸腔和腹部对潮气呼吸量的容量贡 献之间的主角和展度的第一例 子；以及
[0047] 图12示出在胸腔和腹部对潮气呼吸量的容量贡献之间的主角和展度的第二例 子。
【具体实施方式】
[0048] 图1示出用于测量对象的身体的形状的4维数据阵列并分析数据的测量系统的实 施方式的框图。测量系统包括用于测量随着时间的变化的身体的形状的测量单元1。系统 可使用在专利申请WO 2010/066824中公开的方法或提供类似的测量数据的任何其它方法 来测量对象的移动。测量单元的测量数据可存储在测量存储器2中用于以后使用或在不同 的位置处使用。
[0049] 测量系统还包括用于分析测量数据的设备3。分析可由设备的处理单元4执行；分 析可独立于测量而被执行。例如当测量单元和设备在不同的位置处或在进行了测量之后的 时间分析测量数据时，处理单元可从测量存储器2接收测量数据。它也可直接从测量单元1 接收测量数据，例如当测量单元位于设备附近或测量单元和设备集成在单个装置中时。处 理单元可将数据存储在数据存储器5中并从数据存储器5取回数据，数据存储器5是例如 磁盘驱动器或固态驱动器（SSD)。数据存储器可包括可用于将所测量的对象分类的识别标 志数据库6。分析的结果可被输出到显示单元7并在显示单元7上显示。
[0050] 处理单元4和数据存储器5可形成计算装置的一部分。可使用系统总线来互连它 的部件。其它部件可以是易失性存储器，例如随机存取存储器、输入/输出接口、输入装置 (例如键盘）、用于与例如测量单元1和测量存储器2通信的一个或多个接口。
[0051] 测量单元1测量身体的一部分（特别是胸腔壁和/或腹部）的移动。在正常情况 下，身体的前部部分被测量；可选地或此外，后部或者或多或少的侧向的部分也可被测量。 当测量对象（例如人或动物）的呼吸时，通常测量胸腔壁的移动。替代地或此外，可测量腹 部的移动。该方法为潮气呼吸（tidal breathing)和为非自然动作（forced manoeuvres) 都产生可靠的结果；对象的分类在对潮气呼吸和非自然动作的测量之间是一致的，其中后 者可包含移动伪差。本方法允许使用仅潮气呼吸数据针对呼吸疾病对对象进行分类。使用 例如流量-容量循环的现有技术方法要求对象执行非自然呼吸动作。该方法因此适合于确 定健康和有病的对象（甚至无意识的对象）的呼吸模型。
[0052] 使用具有格点的2维模式的测量网格来测量身体的形状。可通过照亮身体使用棋 盘格模型来实现这样的网格，如在上面提到的专利申请W02010/066824中公开的。在每个 格点处随着时间的变化测量身体的3维位置。网格具有1^乘n 2个格点；n lX n2可以是IOx 15,导致ng= 150个格点。当使用在每秒30帧下操作的视频摄像机以4秒的测量时间捕 获身体的图像时，在nt= 30*4 = 120个时间点处测量在每个格点的身体的位置。提供身 体表面移动到模式的分解的当前分析方法只需要测量相对短的时期，通常仅几秒的持续时 间，而且不需要对象执行非自然动作。可在潮气呼吸的仅仅一小部分（例如6-10秒）上进 行呼吸膜式的分析。作为结果，该方法可甚至应用于不能够执行非自然动作的对象并允许 患者的更快测量。
[0053] 由测量单元1输出的对象的测量的数据包括ni*n2f3维位置的nt个帧。如果位 置由三个空间维度（x，y，z)表示，则数据输出是nt* ni*n2*3个数字。数据可被组织在4维阵 列A中，两个维用于网格，一个维用于位置，且一个维用于时间。可选地，数据可被组织在3 维阵列中，一个维用于网格，一个维用于位置，且一个维用于时间。网格可由具有元素1到 118的1维阵列表示，其中每个元素与网格的一个格点有关。数据可被输入到测量存储器2 或处理单元4。
[0054] 应注意，在两个不同的上下文中使用了词"维"。当在阵列的上下文中被使用时，它 指阵列维。当在位置的上下文中被使用时，它指空间维。
[0055] 处理单元4通过执行在图2的流程图中分别被示为步骤10、11和12的映射、分解 和识别标志形成的三个步骤来分析数据阵列A。
[0056] 第一步骤是将数据阵列A映射到2维阵列M(i，j)上。可执行映射以使得M的每 行对应于格点。当2维阵列的不同行对应于不同的格点时，可从M的分解得到的主模式对 应于作为格点的函数的胸腔壁移动的特性。这样的空间分离信息在诊断中是有用的。如果 网格包括n g= n 1>Hn2个格点，则2维阵列将具有与格点相关的n g行。阵列M(i, j)的索引i 与格点和从1到\的数量有关。
[0057] 数据阵列可被映射到M上，使得每行包括在测量被进行时的时间点处的多个位 置。在这个实施方式中，数据阵列包括在n t个时刻每个格点的位置，且每个位置表示在3维 空间中的点（X，y，z)。这些nt个位置被映射到2维阵列M的行上，使得M将具有3n t个列。 M(i，j)的索引j为从1到3nt。如果Ii1= KKn2= 15且nt= 120,则矩阵M是150x 360。 当行对应于格点且列对应于在身体上的这些格点随着时间的变化的位置时，主模式将是表 示呼吸模型的被测量的对象的表面模式。很多肺病具有特征表面模式，使得模式在诊断中 特别有用。
[0058] 可以用其它方式将数据阵列映射到M上。例如，它可被映射到nt X
[0059] (3*ni*n2)的阵列M上。nt行中的每行对应于特定的时间点，并在那个时亥Ij给出网 格的Iifn2个位置。产生的模式将表示时间识别标志。
[0060] 在分析中的第二步骤是由处理单元4将阵列M分解成主模式，在图2中被示为步 骤11。可使用几种用于分解的方法，其中奇异值分解（SVD)是在非常大的矩阵上有效地起 作用的快速方法；见例如在Siam J. Matrix Anal. Appl?(第21卷，第4号，1253-1278页） 中的 Lathauwer 等人的"A multilinear singular value decomposition"。Ng行乘 3n JlJ 的矩阵M被分解，使得M = USVT。U是ng x ng的酉矩阵，5是118 x 3nt的对角矩阵，且Vt是 3nt X 3nt的酉矩阵。V T是V的共轭转置。U的列是丽T的本征向量；它们是正交的和标准 化的。S的对角值是MtM以及MMt的非负本征值的平方根。V的列是MtM的本征向量。U和 S的元素独立于时间。所测量的移动的时间相关性包括在矩阵Vt中。
[0061] 由处理单元4执行的分析的第三步骤是对象的识别标志的形成，在图12中被示为 步骤12。识别标志可存储在设备3的数据存储器5中。矩阵U的列代表所测量的身体的呼 吸模型的主模式。当对象的胸腔壁的移动被测量时，主模式是对象的呼吸模型。所测量的 移动由U的低编号的列（即由在呼吸期间对表面的所测量的变化给予最大贡献的模式）最 好地表征。
[0062] U的开始列可代表身体的静态方位，其可能对于对象的分类不是相关的。例如，前 两或三列代表对象的主平面方位。代表静态方位的列可从识别标志省略。可通过选择与高 于预定值的S的对角元素对应的的U的那些列来确定为识别标志选择的U的列的数量，可 能不包括与静态方位有关的列。在呼吸模型的分析中，2、3、4、5或6个模式通常对分类就足 够了。较高阶模式通常可被忽略，因为它们对呼吸模型提供非常小的贡献并可能只代表噪 声。
[0063] 除了使用用于识别标志的U的列以外，还可使用矩阵S和/或V的部分。例如，在 矩阵S中的权重可包括在识别标志中，这可通过用S的相应本征值对U的列加权来完成。组 合在U、S和/或V中的信息的方法可取决于所使用的分类的类型。
[0064] 因为U是时间无关的，它对形成识别标志是有用的。而且，在不同的时间获取或从 不同的对象获取的测量数据不必在得到本征模式之前被标准化到特定的预定呼吸率，这在 一些现有技术分析方法中必要的。胸腔的重要表面移动模型包含在U的前几个主模式中。 因此，比从使用现有技术方法的容量测量得到关于对象的更多信息，因为现有技术方法不 区分模式。在确定容量时，所有局部化表面移动信息被丢弃。这个信息在分类中被使用。模 式是呼吸模型的最重要部分，且因此包括在识别标志中。
[0065] 图3示出在潮气呼吸和非自然呼气的第一部分期间健康的对象的前六个呼吸模 式的图形表示。在图中的模式的顺序是从左到右和从顶到底。网格行以升序的行号从腹部 到胸腔。网格列以升序的列号从胸腔壁的左侧到右侧。该表示可显示在显示单元7上。通 过取U的一列并通过将它的n g个元素分布在Ii1X n2阵列上解开它来得到可视化。结果在 附图中被示为在Ii1X n2网格上的表面。图3所示的例子具有15x 10个格点的网格。垂直 轴示出模式的无维数标准化位置。图4示出来自在潮气呼吸和非自然呼气的第一部分期间 慢性阻塞式肺疾病（COPD)患者的矩阵U的前六个呼吸模式。图3和4的前两个模式代表 身体的静态方位。
[0066] 每个呼吸模式的重要性由矩阵S的相应本征值表示。与图3中的健康对象的六个 模式对应的六个本征值是134. 78、93, 36、16. 57、5. 30、0. 73、0. 29。最后两个模式的小本征 值指示这些模式较不重要，因为它们只对所测量的胸腔移动贡献非常小的数量 ；这些模式 可能至少部分地是噪声。在图4中的COro患者的六个模型的六个本征值是160. 19、109. 11、 18. 56、4. 71、1. 42、0. 57。
[0067] V的列给出模式如何在x、y和z方向上移动的标准化时间系列。图5和6示出分 别对应于在图3和4中示出的六个呼吸模式的V的前六列的曲线。这六个曲线中的每个的 水平轴代表从1到1500的帧编号，其被细分成坐标x、y和z的三个部分。曲线的垂直轴代 表坐标必须被乘以的数字，以得到模式的时间演变。前500个帧代表相应模式的所有格点 的X个坐标必须被乘的值。接下来的500个帧代表y坐标的值，且最后500个帧代表z坐 标的值。
[0068] 可通过组合U的一个或多个模式形状、S的一个或多个相应的幅值和V的一个或 多个相应的时间相关性在显示单元7上显现每个模式或模式的组合的时间演变。可通过针 对相关模式计算M =USVt来进行该组合。
[0069] 替代地或除了在识别标志中使用U的模式以外，还可在识别标志中使用从U提取 的特征。一个这样的特征是每个模式的2维频率，其可经由模式的2D傅立叶变换而形成。 某些模式的2维频率是特定的疾病状态的特征，例如肺的失调，且因此适合于分类。
[0070] 从分解的矩阵A提取并组合在所测量的对象的识别标志中的特征可用于对对象 分类。分类在图2中被示为步骤13,其可被包括或可从该方法省略。在分类步骤中，对象的 识别标志与存储在数据库6中的以前产生的识别标志比较。这些以前获取的识别标志的每 个代表特定的疾病状态，包括但不限于COPD、哮喘、肺炎或健康状态。分类的结果是对象的 呼吸识别标志与特定的疾病状态或健康状态的相关性或与这样的状态的接近性。
[0071] 数据库6存储大量对象的识别标志，每个识别标志被标记有其疾病或健康状态。 疾病状态可包括疾病发展。对象的测量数据阵列通常被离线地分析，且识别标志形成。
[0072] 聚类算法形成每个疾病标签的识别标志的群集，并将它们存储在数据库中。分类 的简单形式由将每个群集数量减小到平均值和近似半径（例如标准偏差）组成。结果是每 个疾病类别的代表性识别标志和来自代表性识别标志的这个类别的成员的预期扩展。在另 一形式的分类中，所标出的群集数量或它们的所提取的特征向量保持在数据库中用于在经 由k最近邻方法的随后分类中使用。当额外标出的识别标志变得可用时，数据库可被更新 和提炼。所标出的识别标志的数量越大，分类就越准确。当每个群集具有至少40个识别标 志时，良好的结果被得到。如果在数据库中的识别标志在类似的条件（例如照明环境、呼吸 动作、网格覆盖、网格尺寸和患者位置）下被得到，则分类被改善。另一方面，识别标志的群 体应捕获宽范围的条件，其中系统应被预期在这些条件下执行。
[0073] 在处理单元4中执行对象的实际分类。识别标志到每个群集的代表性识别标志的 距离被确定，被称为分类或k均值搜索。可选地，识别标志的标签可被分配为在它的k个最 近邻当中的最常见的标签，其中"最近"暗示"最小距离"。分类步骤的输出可以是，对象处 于与他的识别标志最接近的代表性识别标志的疾病状态对应的疾病状态中，或对于每个疾 病标签，对象在那个特定的疾病状态中的概率。
[0074] 如图2所述的方法包括映射、分解和识别标志形成，以及形成数据阵列的分析。分 析的结果可被存储并稍后用于由医师分类或用于其它目的。分析之后也可跟随有使用识别 标志数据库进行的分类，形成由元素10-13所示的四步骤方法。在特殊实施方式中，分析前 面直接是对象被测量且数据阵列被填充的步骤；分析之后可再次跟随有分类。
[0075] 可在矩阵U、S和V的组成中交换矩阵的行和列。虽然上面描述的实施方式使用 矩形坐标系（x，y，z)，但可使用任何其它坐标系，例如具有沿着身体纵轴的轴的圆柱形坐标 系。
[0076] 如果识别标志所基于的数据与呼吸的整数数量有关，则根据所测量的数据形成的 识别标志变得更准确。它可被视为将数据输入"标准化"到识别标志分解。这可通过分析 数据并手动地选择呼吸的期望整数数量来实现。下面的方法允许使呼吸的选择自动化，使 分析变得更不耗时。
[0077] 图7示出用于识别单独的呼吸或一系列呼吸的呼吸检测方法的流程图。表示随着 时间的过去的呼吸模型的所测量的参数值被输入到方法。参数可以例如是所测量的随着时 间的过去的呼吸量或胸腔壁移动。可以从呼吸量计得到呼吸量。如果图7的方法连同图2 的方法一起被使用，则可从上面的矩阵M或从USV t得到呼吸量或随着时间的过去的胸腔壁 移动。在后一情况中，在移动的计算中可通过只使用U的最重要的模式来减少在方法中的 噪声。参数也可以是在测量网格上的z位置的平均值。
[0078] 图8示出对象的随着时间t的过去的呼吸量V的测量30 ;该测量包括潮气呼吸和 一个非自然动作。垂直轴示出以升为单位的容量，水平轴示出在每秒30帧下获取的以帧数 表示的时间。胸腔壁移动的测量将导致类似的曲线。所测量的参数值对于图7的方法用作 输入。
[0079] 在图7的方法中的第一步骤20中，参数值的平均值形成。平均值可以是指数移动 平均值。当参数值V在分立的时间点i处被给出时，平均值A可被确定为A(i) = (1-a) A(i_l) + a V(i)。a可具有在范围[0, 1]内的任何值。使用等于〇.〇〇8的a的值得到宽范 围的输入的良好结果。移动平均值在图8中被示为线31。
[0080] 可通过其它算法例如使用具有高斯响应函数的低通滤波器来确定平均值。在特定 的实施方式中，滤波器可具有采样率的三倍的尺寸和等于采样率的S igma( O )，其中采样 率是测量单元的每秒帧数。
[0081] 在该方法的第二步骤21中，以时间段划分参数。每段位于参数和平均值的连续交 叉点之间。图8示出三个连续的交叉点32-34,其定义两个连续的段35和36。该方法对确 定交叉点的方式不敏感。交叉点可被定义为（V(i)-A(i))改变符号的时间点。
[0082] 在该方法的第三步骤22中，确定在每段内的参数的极值。可通过比较参数的值与 其两个相邻值来确定极值。该方法将找到最大值37作为段35的极值并找到段36的最小 值38,如图8所示。如果段的极值是最大值，则它对应于吸气的结束和呼气的开始。如果极 值是最小值，则它对应于呼气的结束和吸气的开始。通过针对最大值检查极值V(i)是否大 于平均值A(i)以及针对最小值检查极值是否小于平均值，可以使得方法变得更鲁棒。可选 地，可确定在段上的（V(i) -A(i))的带符号区域；在具有正区域的段中的极值是对应于呼 气的开始的最大值，在具有负区域的段中的极值是对应于吸气的开始的最小值。
[0083] 因为每段只有参数的一个极值，它必须包括呼气的开始（是吸气的结束）或呼气 的结束（是吸气的开始）。因此，如果段包括呼气的开始，则下一段将包括呼气的结束。单 独的呼吸--包括吸气和呼气--对应于在两个连续的最大值之间或在两个连续的最小 值之间的时期。可通过在参数的极值的时间点处开始选择并在开始点之后的参数的第2p 个极值处停止选择来进行在某个数量P的完整呼吸上延伸的测量数据的选择。
[0084] 可在类似于图1中的包括形成计算机装置的处理单元4和数据存储器5的设备3 的设备中执行该方法。在实时实现中，设备连接到测量单元的输出，且测量值被馈送到设备 中。可以以定期间隔按照帧来输入数据，例如每秒30个帧。如果必要，测量值被预先处理 以得到该方法所需的参数值，例如呼吸量或胸腔壁移动。在上述移动平均方法被使用的实 施方式中，在每个帧被输入到设备中时更新移动平均值，执行对新段的开始的检查，且更新 移动极值。
[0085] 图7的方法可用于通过监测在测试中的对象的呼吸来确定识别标志分解的开始。 呼吸检测方法执行呼吸的在线扫描，直到它检测到足够数量的优质连续呼吸为止，此时，用 信号通知设备4以开始识别标志分解而没有额外的操作员干预。
[0086] 在该方法的离线实现中，设备连接到测量存储器，测量值从测量存储器取回。可与 在线实现类似地执行处理。
[0087] 识别呼吸的方法可用于在呼吸治疗中的呼吸器设置，例如用于确定有阻塞性疾病 的患者的随着时间的过去的容量漂移。它也可在呼吸器触发的环境中被使用，其中检测到 吸气（即呼气的结束）触发氧气的施用。
[0088] 该方法也可用于分析单独呼吸的模型，如在兽医领域中常见的。该方法用于分割 完整呼吸中的测量。
[0089] 该方法作为在形成图2的方法中的识别标志中的步骤是适当的。该方法可应用于 由图1中的测量单元1输出的数据阵列，例如通过使用在测量网格上的平均z位置作为参 数。映射、分解和识别标志形成的步骤可接着应用于与整数数量的呼吸对应的数据阵列的 一部分。
[0090] 图2和7的每种方法可由计算装置执行，其中软件存储在存储器中并被编码以当 在处理单元中运行时执行该方法。软件可存储在数据载体上。
[0091] 现在参考图9,示出了图1的测量单元1的示例性实施方式。测量单元1包括附接 到安装框架103的第一和第二照相机100、101和投影仪102。投影仪102将辐射的图样投 影到俯卧于表面105上的对象104的胸腔和腹部区域 上。照相机100、101安装在投影仪的 任一侧上并朝着对象104成在大约10度到大约40度之间的一个角度，取决于在框架103 和对象104之间的间隔。
[0092] 在使用中，测量单元1在预定的时间段中在多个时刻的每个处从照相机100、101 获取表示在那个时刻处的投影图样的三维构造的图像数据。图像数据然后被处理以产生表 示对象104的随着时间的变化的形状的呼吸数据的阵列。可接着根据上述方法来使用这些 数据。
[0093] 数据阵列也可分成两个或多个子阵列，每个子阵列表示对象104的相应部分（例 如对象的胸腔和腹部或对象的躯干区的左侧和右侧）的三维构造。子阵列可被处理以大致 估计对象的每个部分随着时间的过去的体积，并可通过显示单元7来显示，例如以帮助临 床医师诊断对象104中的状况。
[0094] 子阵列或体积可被处理以计算表示在对象104的每个部分的相对体积贡献中随 着时间的过去的变化的一个或多个比较参数。
[0095] 图10示出一个这样的比较参数，即在胸腔或肋架测量RC和腹部测量AB之间的相 角，其中：
[0097] 本领域中的技术人员将认识到，相角巾可在整个时间段（即整个相位）中或在整 个时间段的子集（即窗口化相位）中被计算。子集可对应于单个呼吸（即每呼吸相位）或 预定数量的呼吸。
[0098] 图11和12示出两个另外的比较参数的例子，即在胸腔或肋架测量RC和腹部测量 AB之间的主角0^ 02和展度SpS2。
[0099] 使用主分量分析通过计算2x2协方差矩阵并对角化协方差矩阵来计算这些参数， 其中 M = Cov (AB-mean (AB)，RC-mean (RC))，其中：
[0101] 主角Q丨、Q 2是在X = y线和P丨之间的角（以度为单位），而展度（spread)是比 率：
[0103] 角变化对跟踪也是有用的，这通过采用三个连续点p0、pi、p2、通过使z坐标为0 将这些二维向量处理为三维的并执行三维叉积：
[0104] a =(P2-P1)X(P1-P0)
[0105] 并使它的符号和角的幅值的乘积改变来完成。
[0106] 对计算和在显示单元7上的显示可能有用的另外的参数包括呼吸率、一次换气 量、每分钟换气量、最大吸气流、分数吸气时间、最大和/或平均吸气和/或呼气流测量和胸 腔和/或腹部对一次换气量的百分比贡献。
[0107] 要执行的一个特别有用的分析是确定或量化上面描述的一个或多个测量值或参 数的熵。具体地，近似熵或样本熵或失调的等价测量或一些前面提到的参数被发现在确定 健康或疾病的比较状态时是有用的。
[0108] 特别是，发现与从健康的对象得到的呼吸数据相关的熵比从有病的患者得到的呼 吸数据更高，在很多情况下明显更高。
[0109] 以样本摘（SampEn)、近似j：商（ApEn)或模糊j：商（FuzzyEn)的形式的j：商可被 计算，如例如在 CHEN.W 等人的"Measuring complexity using FuzzyEn，ApEn, and SampEn"（Medical Engineering&Physics, 31(1),61 68,2009)的第 2 节中描述的。
[0110] 上述实施方式应被理解为示例性例子。可设想另外的实施方式。应理解，关于任 一个实施方式描述的任何特征可单独地或与所描述的其它特征组合地被使用，并且也可结 合任何其它实施方式或任何其它实施方式的任何组合的一个或多个特征来使用。此外，未 在上面描述的等效形式和修改也可被使用而不偏离所附的权利要求的范围。
【主权项】
1. 一种分析表示对象的身体的至少部分随着时间的变化的形状的至少三维的数据阵 列的方法，所述数据阵列与具有格点的2维网格、在每个格点处的所述形状的空间中的位 置以及时间点有关， 所述方法包括下列步骤： 将所述数据阵列映射到2维阵列上， 分解所述2维阵列， 根据分解后的2维阵列形成所述对象的识别标志，其表示所述形状的移动模型。2. 如权利要求1所述的方法，其中所述2维阵列的每行对应于格点。3. 如权利要求1或2所述的方法，其中每行包括在所述时间点处的多个位置。4. 如权利要求1、2或3所述的方法，其中所述分解使用奇异值分解。5. 如任一前述权利要求所述的方法，其中分解后的2维阵列是作为二维阵列的USVT、 U、S和VT，且所述识别标志是根据对所测量的移动给予最大贡献的U的列得到的。6. 如权利要求5所述的方法，其中所述识别标志包括从开始列得到的一个或多个频 率。7. -种用不同疾病状态的识别标志填充数据库的方法，所述识别标志使用权利要求1 到6中任一的方法被测量。8. 如权利要求1到7中的任一项所述的方法，包括比较所述对象的识别标志和与疾病 状态相关联的识别标志的步骤。9. 如权利要求8所述的方法，包括确定在所述对象的识别标志和与疾病状态相关联的 识别标志之间的距离的步骤。10. 如权利要求8或9所述的方法，其中疾病状态的识别标志从在具有相同的疾病状态 的一组对象上求平均值的识别标志得到。11. 一种被配置为分析表示对象的身体的至少部分随着时间的变化的形状的至少三维 的数据阵列的设备，该设备包括被配置为执行根据权利要求1到10中的任一项的方法的处 理系统。12. 如权利要求11所述的设备，包括存储系统，其用于存储与疾病状态相关联的识别 标志的数据库。13. -种被配置为执行根据权利要求1到10中的任一项的方法的计算机软件。14. 一种存储根据权利要求13的软件的数据载体。15. -种识别表示随着时间的过去的呼吸模型的参数值中的呼吸的方法，包括下列步 骤： 形成所述参数值的时间平均值； 将参数划分为段，每段位于所述参数和所述平均值的连续的交叉点之间； 确定在每段内的所述参数的极值，所述极值是呼气的开始或呼气的结束。16. 如权利要求15所述的方法，其中所述时间平均值是移动平均值，例如指数移动平 均值。17. 如权利要求15所述的方法，其中使用例如高斯滤波器的低通滤波器来形成所述时 间平均值。18. 如权利要求15、16或17所述的方法，其中呼吸从一个极值延长到第二个随后的极 值。19. 如权利要求1到10中的任一项所述的方法，包括使用根据权利要求15到18中的 任一项的方法的用于基于与整数数量的呼吸对应的数据阵列的一部分来形成所述识别标 志的步骤。20. -种被配置为识别单独的呼吸的设备，其包括被配置为执行根据权利要求15到19 中的任一项的方法的处理系统。21. -种监测和/或分析对象的呼吸和/或肺功能的方法，所述方法包括下列步骤： 将辐射的图样投影到对象的身体的至少部分上； 在多个时刻的每个处记录图像数据，该图像数据表示在那个时刻处的投影图样的至少 一部分的三维构造； 处理所述图像数据以产生表示所述对象的身体的至少部分随着时间的变化的形状的 数据阵列；以及 针对所述数据阵列的一个或多个值或参数或者根据所述数据阵列计算的一个或多个 值或参数，来计算指示失调的值，优选地为熵值。22. 如权利要求21所述的方法，其中所述熵值包括近似熵值或样本熵值。23. 如权利要求21或权利要求22所述的方法，还包括下列步骤： 将所述数据阵列分成两个或更多个子阵列，每个子阵列表示所投影的图样或所述对象 的相应部分的三维构造； 处理所述子阵列以大致估计随着时间过去的所投影的图样或所述对象的每个部分的 体积。24. 如权利要求23所述的方法，其中所述熵计算步骤包括针对一个或多个大致估计的 体积和/或大致估计的体积的总合来计算熵值。25. 如权利要求23或24所述的方法，还包括计算表示在所投影的图样或所述对象的每 个部分的相对体积贡献中的随着时间的变化的比较参数。26. 如权利要求25所述的方法，其中所述熵计算步骤包括计算所述比较参数的熵值。27. 如权利要求25或权利要求26所述的方法，其中所述比较参数包括相角或主角和/ 或展度。28. 如权利要求21到26中的任一项所述的方法，还包括计算从呼吸率、一次换气量、每 分钟换气量、最大吸气流、分数吸气时间、最大和/或平均吸气和/或呼气流测量、以及胸腔 和/或腹部对一次换气量的百分比贡献中选择的一个或多个另外的参数。29. 如权利要求28所述的方法，其中所述熵计算步骤包括计算所述一个或多个另外的 参数的摘值。
【专利摘要】一种分析表示对象104的躯干随着时间的过去的形状的呼吸数据以监测和/或分析对象的呼吸模型的方法。数据被测量并处理成与具有格点的2维网格、在每个格点处的所述形状的空间中的位置和时间点有关的数据阵列。该方法包括如下步骤：将数据阵列映射到2维阵列上、分解所述2维阵列以及根据分解后的2维阵列形成所述对象104的识别标志，其表示移动模型。
【IPC分类】G01B11/16, A61B5/113, G06T7/20
【公开号】CN104902816
【申请号】CN201380069399
【发明人】J·莱曾比, W·H·德波尔
【申请人】纽玛凯尔有限公司
【公开日】2015年9月9日
【申请日】2013年11月27日
【公告号】EP2925227A1, US20150305657, WO2014083337A1
【技术领域】
[0001] 本发明涉及测量和/或分析呼吸数据的方法和用于执行该方法的装置。
【背景技术】
[0002] 监测对象的呼吸和/或肺功能提供常常对检测和/或诊断肺疾病和/或肺阻塞和 /或其它状况的存在有用的数据。呼吸和/或肺功能的准确测量和分析通常需要使用被耦 合到待监测的对象的嘴的装置，例如面具或吹嘴。这些装置往往是不舒适的和/或侵入性 的，且不适用于监测不配合的和/或虚弱的对象，例如新生儿对象。
[0003] 呼吸感应体积描记术是监测对象的呼吸和/或肺功能的另一方法，其通过测量胸 腔和腹壁的移动来执行。这种方法基于如下理论：在腹部和肋架的前后径的变化的和与肺 容量的变化相对应。包含正弦曲线形线圈的两个弹性带用于测量该前后径。所述弹性带之 一放置在腋窝下的肋架周围，而另一弹性带在肚脐水平处的腹部周围。
[0004] 弹性带的膨胀改变线圈的自感，从而允许测量出前后径的变化。弹性带连接到振 荡器和解调电子器件，其将读数转换成数字波形。这些波形然后被用于分析和/或描述复 杂的呼吸模型的各种测量，例如呼吸率、一次换气量、每分钟换气量、最大吸气流、分数吸气 时间、最大和/或平均吸气和/或呼气流测量和胸腔和/或腹部对一次换气量的百分比贡 献。
[0005] 将弹性带安装在待监测的对象上需要移动对象，这在一些情况下在不配合的和/ 或虚弱的对象中可能是成问题的。
[0006] 在W02010066824中公开了用于监测对象的呼吸和/或肺功能的另一已知的方法 和相关设备连同用于执行该方法的设备，该专利的内容被并入本文。该方法涉及随着时间 的过去对对象的身体的三维形状进行光学测量，并从形状中的变化得到呼吸量数据。对象 的呼吸数据可和与在统计数据库中的健康和疾病状态相关联的呼吸数据比较以诊断对象 的肺功能。
[0007] 期望提供允许进行更准确的诊断的处理测量数据的方法。
【发明内容】
[0008] 根据本发明的第一方面，提供了分析表示对象的身体的至少部分随着时间的变化 的形状的至少三维的数据阵列的方法，数据阵列与具有格点的2维网格、在每个格点处的 所述形状的空间中的位置和时间点有关，该方法包括下列步骤：
[0009] 将数据阵列映射到2维阵列上；
[0010] 分解2维阵列，
[0011] 根据分解后的2维阵列形成所述对象的识别标志，其表示所述形状的移动模型。
[0012] 分解后的2维阵列允许容易地得到身体（特别是胸腔或肋架和/或腹部，或者躯 干或胸腔或肋架和/或腹部的左和/或右侧）的移动的主模式。主模式可与胸腔表面移动 模型有关。可从主模式得到识别标志。在呼吸分析中，识别标志表示对象的独特呼吸模型。
[0013] 因为主模式提供关于对象的移动的特定信息，因此它可以比全局参数（例如在肺 活量测定法中得到的容量）更准确地区分开疾病状态。在呼吸分析中，主模式常常捕获胸 腔壁的细微和局部的部位变化，而容量一一是胸腔壁作为整体的移动的全局导数一一并不 捕获这些变化。因此，主模式允许更准确的诊断被做出。
[0014] 2维阵列的每行可对应于格点和/或包括在时间点处的多个位置。分解可使用奇 异值分解。分解后的2维阵列可以是作为二维阵列的USVT、U、S和VT，并且/或者识别标 志可以是根据对所测量的移动给予最大贡献的U的列得到的，并且/或者识别标志可包括 从开始列得到的一个或多个频率。
[0015] 本发明的另一特征提供用不同疾病状态的识别标志填充数据库的方法，识别标志 使用上面描述的方法被测量。
[0016] 该方法可包括比较对象的识别标志和与疾病状态相关联的识别标志和/或确定 在对象的识别标志和与疾病状态相关联的识别标志之间的距离。疾病状态的识别标志可根 据在具有相同的疾病状态的一组对象上求平均值的识别标志得到。
[0017] 根据本发明的第二方面，提供识别表示随着时间的过去的呼吸模型的参数值中的 呼吸的方法，其包括下列步骤：
[0018] 形成参数值的时间平均值；
[0019] 将参数划分为段，每段位于所述参数和所述平均值的连续的交叉点之间；
[0020] 确定在每段内的参数的极值，极值是呼气的开始或呼气的结束。
[0021] 参数可以是呼吸量。由该方法确定的段包括呼气的开始或结束。如果一段包括呼 气的开始，则下一段将包括那个呼气的结束，开始和结束定义单个呼吸。参数应提供呼吸模 型的合理地准确的表示，但它在实际容量或排量方面来说不需要是准确的。该方法在平均 值中存在错误时且对平均化的方法是鲁棒的。
[0022] 时间平均值可包括移动平均值（例如指数移动平均值）和/或可使用低通滤波器 (例如高斯滤波器）来形成。呼吸可从一个极值延长到第二个随后的极值。
[0023] 可通过在整数数量的呼吸上形成识别标志在分析数据阵列的上述方法中使用识 别呼吸的方法，从而减小在识别标志中的噪声。
[0024] 根据本发明的第三方面，提供了监测和/或分析对象的呼吸和/或肺功能的方法， 例如以产生数据阵列用于在根据本发明的第一方面的方法中使用和/或产生表示随着时 间的过去的呼吸模型的参数值用于在根据本发明的第二方面的方法中使用，该方法包括下 列步骤：
[0025] 将辐射的图样投影到对象的身体的至少部分上；
[0026] 在多个时刻的每个处记录图像数据，该图像数据表示在那个时刻处的投影图样的 至少一部分的三维构造；以及
[0027] 处理图像数据以产生例如至少三维的和/或表示对象的身体的至少部分随着时 间的变化的形状的数据阵列，和/或产生表示随着时间的过去的呼吸模型的参数值。
[0028] 根据本发明的第一和/或第二方面的方法还可包括将数据阵列分成两个或更多 个子阵列，每个子阵列表示对象的投影图样的相应部分的三维构造。该方法还可包括处理 子阵列以大致估计随着时间过去的对象或投影图样的每个部分的体积。此外，该方法可包 括计算表示在投影图样或对象的每个部分的相对体积贡献中的随着时间的过去的变化的 比较参数。
[0029] 在一些实施方式中，比较参数包括相角，其可包括在多个时刻的全部中从图像数 据计算的总相角或在多个时刻的仅仅一些中从图像数据计算的窗口化相角。比较参数可包 括在对应于一个呼吸的时刻从图像数据计算的呼吸相角。在一些实施方式中，窗口化相角 包括预定数量的呼吸。该方法还可包括将呼吸或肺功能分类为同步的或异步的或反常的。
[0030] 比较参数可包括可使用主分量分析（例如通过计算例如协方差矩阵并对角化协 方差矩阵）来计算的主角和/或展度。
[0031] 该方法还可包括计算呼吸率（例如每分钟呼吸次数）和/或一次换气量（例如每 次呼吸吸入和呼出的量）和/或每分钟换气量（例如乘以呼吸率的一次换气量）和/或最 大吸气流（例如反映呼吸驱动）和/或分数吸气时间和/或快速浅呼吸的索引和/或最大 和/或平均吸气和/或呼气流测量、和/或胸腔和/或腹部对一次换气量的百分比贡献中 的一个或多个。
[0032] 该方法还可包括分析或确定或量化所测量的数据或一个或多个所计算的参数的 规则性和/或不可预见性和/或随机性。该方法可包括针对一个或多个值或参数（例如上 面描述或列出的任何值或参数，例如图像数据或数据阵列的一个或多个值或一个或每个部 分的体积或两个部分的组合体积或比较参数）来计算指示失调（或换句话说，复杂性或随 机性）的值，优选地为熵值，例如近似熵或样本熵。
[0033] 申请人观察到，近似熵和/或样本熵或失调的等价测度可提供对对象的状态的了 解，例如其中预定的摘值指示对象的健康和/或患病和/或运动状态。这个观察的一个特 定的例子是，窗口化和/或每呼吸相角的熵看起来在有慢性阻塞性肺疾病（COPD)的患者中 降低。为了容易参考，熵值或等价值可被称为例如不规则值或变化的系数。
[0034] 根据本发明的其它方面，提供了用于执行该方法的设备、执行该方法的计算机软 件和存储软件的数据载体，该软件和/或数据载体可被包括在设备中。该设备可对应于在 W02010066824中描述的装置或任何其它适当的设备。技术人员也将认识到，可使用利用呼 吸感应体积描记术获取的数据来执行上面描述的方法的一些步骤或方面。
【附图说明】
[0035] 现在仅作为例子参考附图描述本发明的某些实施方式，其中：
[0036] 图1不出测量系统的框图；
[0037] 图2示出方法的流程图；
[0038] 图3示出健康的对象的六个呼吸模式；
[0039] 图4示出遭受COPD的对象的六个呼吸模式；
[0040] 图5示出图3的模式的时间演变；
[0041] 图6示出图4的模式的时间演变；
[0042] 图7示出呼吸检测方法的流程图；
[0043] 图8示出呼吸量的测量；
[0044] 图9示出图1的测量单元的示例性实施方式；
[0045] 图10示出在胸腔和腹部对潮气呼吸量的容量贡献之间的同步性的五个测量；
[0046] 图11示出在胸腔和腹部对潮气呼吸量的容量贡 献之间的主角和展度的第一例 子；以及
[0047] 图12示出在胸腔和腹部对潮气呼吸量的容量贡献之间的主角和展度的第二例 子。
【具体实施方式】
[0048] 图1示出用于测量对象的身体的形状的4维数据阵列并分析数据的测量系统的实 施方式的框图。测量系统包括用于测量随着时间的变化的身体的形状的测量单元1。系统 可使用在专利申请WO 2010/066824中公开的方法或提供类似的测量数据的任何其它方法 来测量对象的移动。测量单元的测量数据可存储在测量存储器2中用于以后使用或在不同 的位置处使用。
[0049] 测量系统还包括用于分析测量数据的设备3。分析可由设备的处理单元4执行；分 析可独立于测量而被执行。例如当测量单元和设备在不同的位置处或在进行了测量之后的 时间分析测量数据时，处理单元可从测量存储器2接收测量数据。它也可直接从测量单元1 接收测量数据，例如当测量单元位于设备附近或测量单元和设备集成在单个装置中时。处 理单元可将数据存储在数据存储器5中并从数据存储器5取回数据，数据存储器5是例如 磁盘驱动器或固态驱动器（SSD)。数据存储器可包括可用于将所测量的对象分类的识别标 志数据库6。分析的结果可被输出到显示单元7并在显示单元7上显示。
[0050] 处理单元4和数据存储器5可形成计算装置的一部分。可使用系统总线来互连它 的部件。其它部件可以是易失性存储器，例如随机存取存储器、输入/输出接口、输入装置 (例如键盘）、用于与例如测量单元1和测量存储器2通信的一个或多个接口。
[0051] 测量单元1测量身体的一部分（特别是胸腔壁和/或腹部）的移动。在正常情况 下，身体的前部部分被测量；可选地或此外，后部或者或多或少的侧向的部分也可被测量。 当测量对象（例如人或动物）的呼吸时，通常测量胸腔壁的移动。替代地或此外，可测量腹 部的移动。该方法为潮气呼吸（tidal breathing)和为非自然动作（forced manoeuvres) 都产生可靠的结果；对象的分类在对潮气呼吸和非自然动作的测量之间是一致的，其中后 者可包含移动伪差。本方法允许使用仅潮气呼吸数据针对呼吸疾病对对象进行分类。使用 例如流量-容量循环的现有技术方法要求对象执行非自然呼吸动作。该方法因此适合于确 定健康和有病的对象（甚至无意识的对象）的呼吸模型。
[0052] 使用具有格点的2维模式的测量网格来测量身体的形状。可通过照亮身体使用棋 盘格模型来实现这样的网格，如在上面提到的专利申请W02010/066824中公开的。在每个 格点处随着时间的变化测量身体的3维位置。网格具有1^乘n 2个格点；n lX n2可以是IOx 15,导致ng= 150个格点。当使用在每秒30帧下操作的视频摄像机以4秒的测量时间捕 获身体的图像时，在nt= 30*4 = 120个时间点处测量在每个格点的身体的位置。提供身 体表面移动到模式的分解的当前分析方法只需要测量相对短的时期，通常仅几秒的持续时 间，而且不需要对象执行非自然动作。可在潮气呼吸的仅仅一小部分（例如6-10秒）上进 行呼吸膜式的分析。作为结果，该方法可甚至应用于不能够执行非自然动作的对象并允许 患者的更快测量。
[0053] 由测量单元1输出的对象的测量的数据包括ni*n2f3维位置的nt个帧。如果位 置由三个空间维度（x，y，z)表示，则数据输出是nt* ni*n2*3个数字。数据可被组织在4维阵 列A中，两个维用于网格，一个维用于位置，且一个维用于时间。可选地，数据可被组织在3 维阵列中，一个维用于网格，一个维用于位置，且一个维用于时间。网格可由具有元素1到 118的1维阵列表示，其中每个元素与网格的一个格点有关。数据可被输入到测量存储器2 或处理单元4。
[0054] 应注意，在两个不同的上下文中使用了词"维"。当在阵列的上下文中被使用时，它 指阵列维。当在位置的上下文中被使用时，它指空间维。
[0055] 处理单元4通过执行在图2的流程图中分别被示为步骤10、11和12的映射、分解 和识别标志形成的三个步骤来分析数据阵列A。
[0056] 第一步骤是将数据阵列A映射到2维阵列M(i，j)上。可执行映射以使得M的每 行对应于格点。当2维阵列的不同行对应于不同的格点时，可从M的分解得到的主模式对 应于作为格点的函数的胸腔壁移动的特性。这样的空间分离信息在诊断中是有用的。如果 网格包括n g= n 1>Hn2个格点，则2维阵列将具有与格点相关的n g行。阵列M(i, j)的索引i 与格点和从1到\的数量有关。
[0057] 数据阵列可被映射到M上，使得每行包括在测量被进行时的时间点处的多个位 置。在这个实施方式中，数据阵列包括在n t个时刻每个格点的位置，且每个位置表示在3维 空间中的点（X，y，z)。这些nt个位置被映射到2维阵列M的行上，使得M将具有3n t个列。 M(i，j)的索引j为从1到3nt。如果Ii1= KKn2= 15且nt= 120,则矩阵M是150x 360。 当行对应于格点且列对应于在身体上的这些格点随着时间的变化的位置时，主模式将是表 示呼吸模型的被测量的对象的表面模式。很多肺病具有特征表面模式，使得模式在诊断中 特别有用。
[0058] 可以用其它方式将数据阵列映射到M上。例如，它可被映射到nt X
[0059] (3*ni*n2)的阵列M上。nt行中的每行对应于特定的时间点，并在那个时亥Ij给出网 格的Iifn2个位置。产生的模式将表示时间识别标志。
[0060] 在分析中的第二步骤是由处理单元4将阵列M分解成主模式，在图2中被示为步 骤11。可使用几种用于分解的方法，其中奇异值分解（SVD)是在非常大的矩阵上有效地起 作用的快速方法；见例如在Siam J. Matrix Anal. Appl?(第21卷，第4号，1253-1278页） 中的 Lathauwer 等人的"A multilinear singular value decomposition"。Ng行乘 3n JlJ 的矩阵M被分解，使得M = USVT。U是ng x ng的酉矩阵，5是118 x 3nt的对角矩阵，且Vt是 3nt X 3nt的酉矩阵。V T是V的共轭转置。U的列是丽T的本征向量；它们是正交的和标准 化的。S的对角值是MtM以及MMt的非负本征值的平方根。V的列是MtM的本征向量。U和 S的元素独立于时间。所测量的移动的时间相关性包括在矩阵Vt中。
[0061] 由处理单元4执行的分析的第三步骤是对象的识别标志的形成，在图12中被示为 步骤12。识别标志可存储在设备3的数据存储器5中。矩阵U的列代表所测量的身体的呼 吸模型的主模式。当对象的胸腔壁的移动被测量时，主模式是对象的呼吸模型。所测量的 移动由U的低编号的列（即由在呼吸期间对表面的所测量的变化给予最大贡献的模式）最 好地表征。
[0062] U的开始列可代表身体的静态方位，其可能对于对象的分类不是相关的。例如，前 两或三列代表对象的主平面方位。代表静态方位的列可从识别标志省略。可通过选择与高 于预定值的S的对角元素对应的的U的那些列来确定为识别标志选择的U的列的数量，可 能不包括与静态方位有关的列。在呼吸模型的分析中，2、3、4、5或6个模式通常对分类就足 够了。较高阶模式通常可被忽略，因为它们对呼吸模型提供非常小的贡献并可能只代表噪 声。
[0063] 除了使用用于识别标志的U的列以外，还可使用矩阵S和/或V的部分。例如，在 矩阵S中的权重可包括在识别标志中，这可通过用S的相应本征值对U的列加权来完成。组 合在U、S和/或V中的信息的方法可取决于所使用的分类的类型。
[0064] 因为U是时间无关的，它对形成识别标志是有用的。而且，在不同的时间获取或从 不同的对象获取的测量数据不必在得到本征模式之前被标准化到特定的预定呼吸率，这在 一些现有技术分析方法中必要的。胸腔的重要表面移动模型包含在U的前几个主模式中。 因此，比从使用现有技术方法的容量测量得到关于对象的更多信息，因为现有技术方法不 区分模式。在确定容量时，所有局部化表面移动信息被丢弃。这个信息在分类中被使用。模 式是呼吸模型的最重要部分，且因此包括在识别标志中。
[0065] 图3示出在潮气呼吸和非自然呼气的第一部分期间健康的对象的前六个呼吸模 式的图形表示。在图中的模式的顺序是从左到右和从顶到底。网格行以升序的行号从腹部 到胸腔。网格列以升序的列号从胸腔壁的左侧到右侧。该表示可显示在显示单元7上。通 过取U的一列并通过将它的n g个元素分布在Ii1X n2阵列上解开它来得到可视化。结果在 附图中被示为在Ii1X n2网格上的表面。图3所示的例子具有15x 10个格点的网格。垂直 轴示出模式的无维数标准化位置。图4示出来自在潮气呼吸和非自然呼气的第一部分期间 慢性阻塞式肺疾病（COPD)患者的矩阵U的前六个呼吸模式。图3和4的前两个模式代表 身体的静态方位。
[0066] 每个呼吸模式的重要性由矩阵S的相应本征值表示。与图3中的健康对象的六个 模式对应的六个本征值是134. 78、93, 36、16. 57、5. 30、0. 73、0. 29。最后两个模式的小本征 值指示这些模式较不重要，因为它们只对所测量的胸腔移动贡献非常小的数量 ；这些模式 可能至少部分地是噪声。在图4中的COro患者的六个模型的六个本征值是160. 19、109. 11、 18. 56、4. 71、1. 42、0. 57。
[0067] V的列给出模式如何在x、y和z方向上移动的标准化时间系列。图5和6示出分 别对应于在图3和4中示出的六个呼吸模式的V的前六列的曲线。这六个曲线中的每个的 水平轴代表从1到1500的帧编号，其被细分成坐标x、y和z的三个部分。曲线的垂直轴代 表坐标必须被乘以的数字，以得到模式的时间演变。前500个帧代表相应模式的所有格点 的X个坐标必须被乘的值。接下来的500个帧代表y坐标的值，且最后500个帧代表z坐 标的值。
[0068] 可通过组合U的一个或多个模式形状、S的一个或多个相应的幅值和V的一个或 多个相应的时间相关性在显示单元7上显现每个模式或模式的组合的时间演变。可通过针 对相关模式计算M =USVt来进行该组合。
[0069] 替代地或除了在识别标志中使用U的模式以外，还可在识别标志中使用从U提取 的特征。一个这样的特征是每个模式的2维频率，其可经由模式的2D傅立叶变换而形成。 某些模式的2维频率是特定的疾病状态的特征，例如肺的失调，且因此适合于分类。
[0070] 从分解的矩阵A提取并组合在所测量的对象的识别标志中的特征可用于对对象 分类。分类在图2中被示为步骤13,其可被包括或可从该方法省略。在分类步骤中，对象的 识别标志与存储在数据库6中的以前产生的识别标志比较。这些以前获取的识别标志的每 个代表特定的疾病状态，包括但不限于COPD、哮喘、肺炎或健康状态。分类的结果是对象的 呼吸识别标志与特定的疾病状态或健康状态的相关性或与这样的状态的接近性。
[0071] 数据库6存储大量对象的识别标志，每个识别标志被标记有其疾病或健康状态。 疾病状态可包括疾病发展。对象的测量数据阵列通常被离线地分析，且识别标志形成。
[0072] 聚类算法形成每个疾病标签的识别标志的群集，并将它们存储在数据库中。分类 的简单形式由将每个群集数量减小到平均值和近似半径（例如标准偏差）组成。结果是每 个疾病类别的代表性识别标志和来自代表性识别标志的这个类别的成员的预期扩展。在另 一形式的分类中，所标出的群集数量或它们的所提取的特征向量保持在数据库中用于在经 由k最近邻方法的随后分类中使用。当额外标出的识别标志变得可用时，数据库可被更新 和提炼。所标出的识别标志的数量越大，分类就越准确。当每个群集具有至少40个识别标 志时，良好的结果被得到。如果在数据库中的识别标志在类似的条件（例如照明环境、呼吸 动作、网格覆盖、网格尺寸和患者位置）下被得到，则分类被改善。另一方面，识别标志的群 体应捕获宽范围的条件，其中系统应被预期在这些条件下执行。
[0073] 在处理单元4中执行对象的实际分类。识别标志到每个群集的代表性识别标志的 距离被确定，被称为分类或k均值搜索。可选地，识别标志的标签可被分配为在它的k个最 近邻当中的最常见的标签，其中"最近"暗示"最小距离"。分类步骤的输出可以是，对象处 于与他的识别标志最接近的代表性识别标志的疾病状态对应的疾病状态中，或对于每个疾 病标签，对象在那个特定的疾病状态中的概率。
[0074] 如图2所述的方法包括映射、分解和识别标志形成，以及形成数据阵列的分析。分 析的结果可被存储并稍后用于由医师分类或用于其它目的。分析之后也可跟随有使用识别 标志数据库进行的分类，形成由元素10-13所示的四步骤方法。在特殊实施方式中，分析前 面直接是对象被测量且数据阵列被填充的步骤；分析之后可再次跟随有分类。
[0075] 可在矩阵U、S和V的组成中交换矩阵的行和列。虽然上面描述的实施方式使用 矩形坐标系（x，y，z)，但可使用任何其它坐标系，例如具有沿着身体纵轴的轴的圆柱形坐标 系。
[0076] 如果识别标志所基于的数据与呼吸的整数数量有关，则根据所测量的数据形成的 识别标志变得更准确。它可被视为将数据输入"标准化"到识别标志分解。这可通过分析 数据并手动地选择呼吸的期望整数数量来实现。下面的方法允许使呼吸的选择自动化，使 分析变得更不耗时。
[0077] 图7示出用于识别单独的呼吸或一系列呼吸的呼吸检测方法的流程图。表示随着 时间的过去的呼吸模型的所测量的参数值被输入到方法。参数可以例如是所测量的随着时 间的过去的呼吸量或胸腔壁移动。可以从呼吸量计得到呼吸量。如果图7的方法连同图2 的方法一起被使用，则可从上面的矩阵M或从USV t得到呼吸量或随着时间的过去的胸腔壁 移动。在后一情况中，在移动的计算中可通过只使用U的最重要的模式来减少在方法中的 噪声。参数也可以是在测量网格上的z位置的平均值。
[0078] 图8示出对象的随着时间t的过去的呼吸量V的测量30 ;该测量包括潮气呼吸和 一个非自然动作。垂直轴示出以升为单位的容量，水平轴示出在每秒30帧下获取的以帧数 表示的时间。胸腔壁移动的测量将导致类似的曲线。所测量的参数值对于图7的方法用作 输入。
[0079] 在图7的方法中的第一步骤20中，参数值的平均值形成。平均值可以是指数移动 平均值。当参数值V在分立的时间点i处被给出时，平均值A可被确定为A(i) = (1-a) A(i_l) + a V(i)。a可具有在范围[0, 1]内的任何值。使用等于〇.〇〇8的a的值得到宽范 围的输入的良好结果。移动平均值在图8中被示为线31。
[0080] 可通过其它算法例如使用具有高斯响应函数的低通滤波器来确定平均值。在特定 的实施方式中，滤波器可具有采样率的三倍的尺寸和等于采样率的S igma( O )，其中采样 率是测量单元的每秒帧数。
[0081] 在该方法的第二步骤21中，以时间段划分参数。每段位于参数和平均值的连续交 叉点之间。图8示出三个连续的交叉点32-34,其定义两个连续的段35和36。该方法对确 定交叉点的方式不敏感。交叉点可被定义为（V(i)-A(i))改变符号的时间点。
[0082] 在该方法的第三步骤22中，确定在每段内的参数的极值。可通过比较参数的值与 其两个相邻值来确定极值。该方法将找到最大值37作为段35的极值并找到段36的最小 值38,如图8所示。如果段的极值是最大值，则它对应于吸气的结束和呼气的开始。如果极 值是最小值，则它对应于呼气的结束和吸气的开始。通过针对最大值检查极值V(i)是否大 于平均值A(i)以及针对最小值检查极值是否小于平均值，可以使得方法变得更鲁棒。可选 地，可确定在段上的（V(i) -A(i))的带符号区域；在具有正区域的段中的极值是对应于呼 气的开始的最大值，在具有负区域的段中的极值是对应于吸气的开始的最小值。
[0083] 因为每段只有参数的一个极值，它必须包括呼气的开始（是吸气的结束）或呼气 的结束（是吸气的开始）。因此，如果段包括呼气的开始，则下一段将包括呼气的结束。单 独的呼吸--包括吸气和呼气--对应于在两个连续的最大值之间或在两个连续的最小 值之间的时期。可通过在参数的极值的时间点处开始选择并在开始点之后的参数的第2p 个极值处停止选择来进行在某个数量P的完整呼吸上延伸的测量数据的选择。
[0084] 可在类似于图1中的包括形成计算机装置的处理单元4和数据存储器5的设备3 的设备中执行该方法。在实时实现中，设备连接到测量单元的输出，且测量值被馈送到设备 中。可以以定期间隔按照帧来输入数据，例如每秒30个帧。如果必要，测量值被预先处理 以得到该方法所需的参数值，例如呼吸量或胸腔壁移动。在上述移动平均方法被使用的实 施方式中，在每个帧被输入到设备中时更新移动平均值，执行对新段的开始的检查，且更新 移动极值。
[0085] 图7的方法可用于通过监测在测试中的对象的呼吸来确定识别标志分解的开始。 呼吸检测方法执行呼吸的在线扫描，直到它检测到足够数量的优质连续呼吸为止，此时，用 信号通知设备4以开始识别标志分解而没有额外的操作员干预。
[0086] 在该方法的离线实现中，设备连接到测量存储器，测量值从测量存储器取回。可与 在线实现类似地执行处理。
[0087] 识别呼吸的方法可用于在呼吸治疗中的呼吸器设置，例如用于确定有阻塞性疾病 的患者的随着时间的过去的容量漂移。它也可在呼吸器触发的环境中被使用，其中检测到 吸气（即呼气的结束）触发氧气的施用。
[0088] 该方法也可用于分析单独呼吸的模型，如在兽医领域中常见的。该方法用于分割 完整呼吸中的测量。
[0089] 该方法作为在形成图2的方法中的识别标志中的步骤是适当的。该方法可应用于 由图1中的测量单元1输出的数据阵列，例如通过使用在测量网格上的平均z位置作为参 数。映射、分解和识别标志形成的步骤可接着应用于与整数数量的呼吸对应的数据阵列的 一部分。
[0090] 图2和7的每种方法可由计算装置执行，其中软件存储在存储器中并被编码以当 在处理单元中运行时执行该方法。软件可存储在数据载体上。
[0091] 现在参考图9,示出了图1的测量单元1的示例性实施方式。测量单元1包括附接 到安装框架103的第一和第二照相机100、101和投影仪102。投影仪102将辐射的图样投 影到俯卧于表面105上的对象104的胸腔和腹部区域 上。照相机100、101安装在投影仪的 任一侧上并朝着对象104成在大约10度到大约40度之间的一个角度，取决于在框架103 和对象104之间的间隔。
[0092] 在使用中，测量单元1在预定的时间段中在多个时刻的每个处从照相机100、101 获取表示在那个时刻处的投影图样的三维构造的图像数据。图像数据然后被处理以产生表 示对象104的随着时间的变化的形状的呼吸数据的阵列。可接着根据上述方法来使用这些 数据。
[0093] 数据阵列也可分成两个或多个子阵列，每个子阵列表示对象104的相应部分（例 如对象的胸腔和腹部或对象的躯干区的左侧和右侧）的三维构造。子阵列可被处理以大致 估计对象的每个部分随着时间的过去的体积，并可通过显示单元7来显示，例如以帮助临 床医师诊断对象104中的状况。
[0094] 子阵列或体积可被处理以计算表示在对象104的每个部分的相对体积贡献中随 着时间的过去的变化的一个或多个比较参数。
[0095] 图10示出一个这样的比较参数，即在胸腔或肋架测量RC和腹部测量AB之间的相 角，其中：
[0097] 本领域中的技术人员将认识到，相角巾可在整个时间段（即整个相位）中或在整 个时间段的子集（即窗口化相位）中被计算。子集可对应于单个呼吸（即每呼吸相位）或 预定数量的呼吸。
[0098] 图11和12示出两个另外的比较参数的例子，即在胸腔或肋架测量RC和腹部测量 AB之间的主角0^ 02和展度SpS2。
[0099] 使用主分量分析通过计算2x2协方差矩阵并对角化协方差矩阵来计算这些参数， 其中 M = Cov (AB-mean (AB)，RC-mean (RC))，其中：
[0101] 主角Q丨、Q 2是在X = y线和P丨之间的角（以度为单位），而展度（spread)是比 率：
[0103] 角变化对跟踪也是有用的，这通过采用三个连续点p0、pi、p2、通过使z坐标为0 将这些二维向量处理为三维的并执行三维叉积：
[0104] a =(P2-P1)X(P1-P0)
[0105] 并使它的符号和角的幅值的乘积改变来完成。
[0106] 对计算和在显示单元7上的显示可能有用的另外的参数包括呼吸率、一次换气 量、每分钟换气量、最大吸气流、分数吸气时间、最大和/或平均吸气和/或呼气流测量和胸 腔和/或腹部对一次换气量的百分比贡献。
[0107] 要执行的一个特别有用的分析是确定或量化上面描述的一个或多个测量值或参 数的熵。具体地，近似熵或样本熵或失调的等价测量或一些前面提到的参数被发现在确定 健康或疾病的比较状态时是有用的。
[0108] 特别是，发现与从健康的对象得到的呼吸数据相关的熵比从有病的患者得到的呼 吸数据更高，在很多情况下明显更高。
[0109] 以样本摘（SampEn)、近似j：商（ApEn)或模糊j：商（FuzzyEn)的形式的j：商可被 计算，如例如在 CHEN.W 等人的"Measuring complexity using FuzzyEn，ApEn, and SampEn"（Medical Engineering&Physics, 31(1),61 68,2009)的第 2 节中描述的。
[0110] 上述实施方式应被理解为示例性例子。可设想另外的实施方式。应理解，关于任 一个实施方式描述的任何特征可单独地或与所描述的其它特征组合地被使用，并且也可结 合任何其它实施方式或任何其它实施方式的任何组合的一个或多个特征来使用。此外，未 在上面描述的等效形式和修改也可被使用而不偏离所附的权利要求的范围。
【主权项】
1. 一种分析表示对象的身体的至少部分随着时间的变化的形状的至少三维的数据阵 列的方法，所述数据阵列与具有格点的2维网格、在每个格点处的所述形状的空间中的位 置以及时间点有关， 所述方法包括下列步骤： 将所述数据阵列映射到2维阵列上， 分解所述2维阵列， 根据分解后的2维阵列形成所述对象的识别标志，其表示所述形状的移动模型。2. 如权利要求1所述的方法，其中所述2维阵列的每行对应于格点。3. 如权利要求1或2所述的方法，其中每行包括在所述时间点处的多个位置。4. 如权利要求1、2或3所述的方法，其中所述分解使用奇异值分解。5. 如任一前述权利要求所述的方法，其中分解后的2维阵列是作为二维阵列的USVT、 U、S和VT，且所述识别标志是根据对所测量的移动给予最大贡献的U的列得到的。6. 如权利要求5所述的方法，其中所述识别标志包括从开始列得到的一个或多个频 率。7. -种用不同疾病状态的识别标志填充数据库的方法，所述识别标志使用权利要求1 到6中任一的方法被测量。8. 如权利要求1到7中的任一项所述的方法，包括比较所述对象的识别标志和与疾病 状态相关联的识别标志的步骤。9. 如权利要求8所述的方法，包括确定在所述对象的识别标志和与疾病状态相关联的 识别标志之间的距离的步骤。10. 如权利要求8或9所述的方法，其中疾病状态的识别标志从在具有相同的疾病状态 的一组对象上求平均值的识别标志得到。11. 一种被配置为分析表示对象的身体的至少部分随着时间的变化的形状的至少三维 的数据阵列的设备，该设备包括被配置为执行根据权利要求1到10中的任一项的方法的处 理系统。12. 如权利要求11所述的设备，包括存储系统，其用于存储与疾病状态相关联的识别 标志的数据库。13. -种被配置为执行根据权利要求1到10中的任一项的方法的计算机软件。14. 一种存储根据权利要求13的软件的数据载体。15. -种识别表示随着时间的过去的呼吸模型的参数值中的呼吸的方法，包括下列步 骤： 形成所述参数值的时间平均值； 将参数划分为段，每段位于所述参数和所述平均值的连续的交叉点之间； 确定在每段内的所述参数的极值，所述极值是呼气的开始或呼气的结束。16. 如权利要求15所述的方法，其中所述时间平均值是移动平均值，例如指数移动平 均值。17. 如权利要求15所述的方法，其中使用例如高斯滤波器的低通滤波器来形成所述时 间平均值。18. 如权利要求15、16或17所述的方法，其中呼吸从一个极值延长到第二个随后的极 值。19. 如权利要求1到10中的任一项所述的方法，包括使用根据权利要求15到18中的 任一项的方法的用于基于与整数数量的呼吸对应的数据阵列的一部分来形成所述识别标 志的步骤。20. -种被配置为识别单独的呼吸的设备，其包括被配置为执行根据权利要求15到19 中的任一项的方法的处理系统。21. -种监测和/或分析对象的呼吸和/或肺功能的方法，所述方法包括下列步骤： 将辐射的图样投影到对象的身体的至少部分上； 在多个时刻的每个处记录图像数据，该图像数据表示在那个时刻处的投影图样的至少 一部分的三维构造； 处理所述图像数据以产生表示所述对象的身体的至少部分随着时间的变化的形状的 数据阵列；以及 针对所述数据阵列的一个或多个值或参数或者根据所述数据阵列计算的一个或多个 值或参数，来计算指示失调的值，优选地为熵值。22. 如权利要求21所述的方法，其中所述熵值包括近似熵值或样本熵值。23. 如权利要求21或权利要求22所述的方法，还包括下列步骤： 将所述数据阵列分成两个或更多个子阵列，每个子阵列表示所投影的图样或所述对象 的相应部分的三维构造； 处理所述子阵列以大致估计随着时间过去的所投影的图样或所述对象的每个部分的 体积。24. 如权利要求23所述的方法，其中所述熵计算步骤包括针对一个或多个大致估计的 体积和/或大致估计的体积的总合来计算熵值。25. 如权利要求23或24所述的方法，还包括计算表示在所投影的图样或所述对象的每 个部分的相对体积贡献中的随着时间的变化的比较参数。26. 如权利要求25所述的方法，其中所述熵计算步骤包括计算所述比较参数的熵值。27. 如权利要求25或权利要求26所述的方法，其中所述比较参数包括相角或主角和/ 或展度。28. 如权利要求21到26中的任一项所述的方法，还包括计算从呼吸率、一次换气量、每 分钟换气量、最大吸气流、分数吸气时间、最大和/或平均吸气和/或呼气流测量、以及胸腔 和/或腹部对一次换气量的百分比贡献中选择的一个或多个另外的参数。29. 如权利要求28所述的方法，其中所述熵计算步骤包括计算所述一个或多个另外的 参数的摘值。
【专利摘要】一种分析表示对象104的躯干随着时间的过去的形状的呼吸数据以监测和/或分析对象的呼吸模型的方法。数据被测量并处理成与具有格点的2维网格、在每个格点处的所述形状的空间中的位置和时间点有关的数据阵列。该方法包括如下步骤：将数据阵列映射到2维阵列上、分解所述2维阵列以及根据分解后的2维阵列形成所述对象104的识别标志，其表示移动模型。
【IPC分类】G01B11/16, A61B5/113, G06T7/20
【公开号】CN104902816
【申请号】CN201380069399
【发明人】J·莱曾比, W·H·德波尔
【申请人】纽玛凯尔有限公司
【公开日】2015年9月9日
【申请日】2013年11月27日
【公告号】EP2925227A1, US20150305657, WO2014083337A1
最新回复(0)