万蕴Vayyar的非接触式生命体征监测方案基于成熟的vBlu模组，可以提供一系列完整的数据输出，如实时的呼吸波形、呼吸频率、体动、离床指示等，下面让我们一起来看看该项方案在医养行业的一些典型的应用场景：
应用场景1: 呼吸频率异常监测和报警
呼吸频率RPM是指每分钟呼吸的次数，年长者的RPM正常值标准为12-20次/分钟。
- 当RPM超过24次，属于呼吸过速
- 当RPM低于12次，属于呼吸过缓
- 当RPM超过30次，应重点关注
心率与呼吸频率也是密切相关的，一般每呼吸增加1次，心率就会增加4次。
演示视频：呼吸过快，过慢，急促报警。
毫米波雷达监测生命体征的原理是通过测量呼吸引起的胸部微小的移动来实现的。实际使用过程中，传统毫米波雷达由于角分辨率低，容易受监测对象睡姿、环境干扰等影响，导致数据准确性不佳和误报警问题。
万蕴Vayyar的方案基于24发22收的高分辨率成像硬件，可以同时监测身体多个位置的微小移动，通过算法分析输出最接近胸部监测点的体征数据。另外，方案也经过了数千小时各种不同BMI人群、不同睡姿等复杂场景下的验证测试，达到极高的准确性和场景适应性。
应用场景2: 呼吸异常监测
除了呼吸频率呼吸异常还体现在幅度、节律方面的不规律变化。
万蕴Vayyar的方案可以提供实时、高还原度的呼吸变化波形，可以实现更加复杂的呼吸异常监测，比如呼吸暂停、低通气、间歇呼吸、气体陷闭等。
下面我们来看一下万蕴Vayyar体征雷达监测到的真实的异常呼吸波形。
演示视频：呼吸暂停、低通气、气体陷闭、潮式呼吸演示
应用场景3: 离床报警
离床报警是养老护理机构、医院等场所的刚需应用，可以帮助预防跌倒等意外发生，有效减轻医护人员的工作压力。
传统的毫米波方案由于角度分辨率低，判断在床或离床时容易导致漏报或误报问题。万蕴Vayyar的生命体征监测方案提供了专门的离床指示，结合体动数据和置信度数据，可以实现更加准确的离床判定并且降低误报。另外离床指标也可以解决双人在床的呼吸体征监测问题。
演示视频：离床时，体动数据和置信度下降并有离床指示；回床时，置信度上升
*离床指标数据越接近1，表明发生离床事件可能性越大
应用场景4:翻身体动监测
翻身体动和睡眠质量有关。通常情况下，一个人在一晚上的睡眠中，可能会进行翻身、转体或调整体姿的次数在60-150次之间。如果睡觉时体动过多就有可能是体动异常，原因可能是由于近期心理压力过大、精神过度紧张引起的，也有可能是与慢性疼痛、肌阵挛性癫痫等疾病有关。
翻身体动监测的另一个典型应用是针对长期卧床患者的防压疮提醒。当患者保持一个姿势过久时，翻身体动监测传感器能够提醒患者和护理人员及时更换姿势。
应用场景5: 睡眠监测
睡眠监测涉及到不同睡眠阶段的分类，目前行业已经有很多相关应用，通过分析呼吸波形的频率周期变异、幅度变异以及体动数据，来估算不同的睡眠阶段[1][2][3]，也有一些科技公司推出了相关的产品，可以实现清醒、浅睡、深睡、眼动四个睡眠阶段的检测。
万蕴Vayyar生命体征睡眠监测方案
万蕴Vayyar可提供成熟的软硬件一体化方案，针对睡眠监测需求的完善的数据输出和工具，如实时呼吸波形、置信度、监测体素点位置、体动数据、离床指标等，方案具备以下特点：
媲美医疗级专业呼吸监测设备的准确度：方案基于成熟的24发22收高分辨率射频模组，集成的片上DSP算法可同时跟踪20多个不同体位点的呼吸数据，输出最优的数据。
更强环境适应性，支持不同的睡眠姿势，不同BMI指数的人体，不受被子、风扇等干扰的影响。
150°以上的超宽视野角范围，用户无需担心放置角度问题影响使用。
支持双人在床的场景，避免同床人员数据之间的相互干扰，影响结果的准确度。
参考文献
[1]S. Rostig, J. W. Kantelhardt, T. Penzel, W. Cassel, J.-H. Peter, C. Vogelmeier, H. F. Becker, and A. Jerrentrup. Nonrandom variability of respiration during sleep in healthy humans. Sleep, 28(4):411–417, 2005
[2]Kagawa M., Sasaki N., Suzumura K. et al. (2015). Sleep stage classification by body movement index and respiratory interval indices using multiple radar sensors. Conf Proc IEEE Eng Med Biol Soc. 2015; 2015:7606-7609. doi:
[3]Long X., Yang J., Weysen T. et al. (2014). Measuring dissimilarity between respiratory effort signals based on uniform scaling for sleep staging. Phys Meas, vol. 35, no. 12, pp. 2529–2542. doi: 10.1088/09673334/35/12/2529
[4] Alexander Tataraidze, Lesya Anishchenko, Lyudmila Korostovtseva, Bert Jan Kooij, Mikhail Bochkarev, and Yurii Sviryaev "Sleep stage classification based on respiratory signal". Proceedings of the 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2015. P. 358–361. DOI: 10.1109/EMBC.2015.7318373
[5]Gutierrez G., Williams J., Alrehaili G. A., McLean A., Pirouz R., Amdur R., Jain V., Ahari J., Bawa A., Kimbro S.. Respiratory rate variability in sleeping adults without obstructive sleep apnea. Physiol Rep, 4 (17), 2016, e12949, doi: 10.14814/phy2.12949
热门跟贴