具体实施方式

本公开涉及一种基于传感器的非接触式睡眠监测系统，用于使用来自支撑对象的结构(例如，床、椅子等)的振动信号来监测对象的特性，诸如例如，睡眠周期期间人/患者的生命体征、姿势、移动和跌落。监测睡眠状态对于了解健康状况和危及生命的事件是重要的。根据本公开的各种实施例，所述非接触式睡眠监测系统被配置为监测对象的心率、呼吸率、身体移动、身体姿势和从床掉落。为了有效地监测睡眠状态，使用创新的基于局部最大值统计的方法和基于瞬时性质的方法来分别估计心率和呼吸率。这些方法与已知方法相比更稳健和稳定。此外，所获得的地震数据的瞬时性质可以用于检测身体移动和姿势识别。与坠落有关的地震信号用于检测从床上掉落。

图1示出了根据本公开的各种实施例的非接触式睡眠监测系统100的示例。根据各种实施例，本公开的非接触式睡眠监测系统包括通过无线或有线连接109与计算装置106进行数据通信的传感器103(例如，地震仪传感器)。传感器103可被附接到与对象相关联的结构112(例如，床架)。传感器103可被附接到结构112，使得其不与对象直接接触。例如，传感器103可位于远离对象躺下的床的顶侧的床的下侧。计算装置106至少包括地震跟踪应用115，其在由计算装置执行时被配置为从传感器103获得传感器数据并且分析传感器数据以识别对象的特性。所述特性可包括心率、呼吸率、身体姿势、移动、从床掉落和/或与所述对象相关联的其他特征。

根据各种实施例，本公开的非接触式睡眠监测系统100被配置为生成包括与对象的睡眠质量和状态相关联的信息的一个或多个用户界面(图10)。例如，一个或多个用户界面可包括地震信号、心率、呼吸率、姿势检测、多个警报(例如，从床掉落的警报)、当前位置和/或其他信息。一个或多个用户界面可周期性地或随机地更新。

在一些实施例中，可在非接触式睡眠监测系统100的计算装置106的显示器上呈现一个或多个用户界面。在其他实施例中，计算装置106通过网络与客户端装置(例如，移动装置)(未示出)进行数据通信。客户端装置可被配置为在客户端装置的显示器上呈现一个或多个用户界面。在一些实施例中，客户端装置可从计算装置获得传感器数据，并且可使用所获得的传感器数据来生成一个或多个用户界面。

在一些实施例中，非接触式睡眠监测系统100可检测事件，并包括被配置为在检测到特定事件的情况下生成警报的警告模块118(图11)。在一些实施例中，警告模块118被实现为睡眠监测系统100的计算装置106的部分。例如，警告系统可包括在计算装置106中可执行的应用。在其他实施例中，警告模块118可与计算装置106分离，并且可通过网络与计算装置106进行数据通信。

检测到的事件可包括掉落、心率在预定义范围之外、呼吸率在预定义范围之外和/或其他事件。在检测到事件时，警告模块118可使得生成警报以通知对象和/或其他关于事件的实体。在一些实施例中，警报可包括视觉和/或听觉警报。在其他实施例中，警告模块118可耦合到可通知紧急实体(例如，医院、医生、911等)和/或其他实体的通信装置。例如，警告模块118可与能够进行紧急呼叫和/或以其他方式通知紧急个人和/或其他人的智能装置(例如，智能扬声器)通信。

地震仪，包括地震检波器和加速度传感器，已经广泛地用于地球物理学和土木工程应用中。最近，已经探索了智能环境的新应用，诸如用于建筑物占用估计的环境振动、用于室内人员定位的地板振动、用于心跳和呼吸率监测的床振动等。

目标睡眠生命信号测量是心跳和呼吸率，该测量的其定时和持续时间是重要的。然而，由于数据的非静态性质，传统的谐波分析不适于生物信号处理和分析。目前，振荡分析已广泛地应用于作为一种重要的非稳态信号分析工具。振荡分析的假设是信号包含几个具有不同振荡模式的主要分量和次要分量。例如，在一种已知的过程中，使用振荡模式分解从PPG(光电血管容积图)信号中提取呼吸节律和心节律。

根据本公开的各种实施例，局部最大值统计方法估计心率，并且来自振荡分析的瞬时性质被用于表征呼吸率。与已知方法不同，不需要心跳的严格周期性特性，因此本公开更稳健。此外，与使用已知方法的基于包络(envelope)的呼吸率估计不同，基于瞬时性质的方法被设计用于稳健且稳定的估计。

根据各种实施例，公开了用于检测身体移动和睡眠姿势变化的算法。评估证明了非侵入式且非接触式的本公开的非接触式睡眠监测系统100，对于监测睡眠状态和质量以及检测呼吸暂停现象是有效的。

对于睡眠监测，心率和呼吸率以及身体移动和睡眠姿势是重要的参数。本公开提供了用于参数估计和监测的不同算法。图2A-2B提供了根据本公开的各种实施例的示例睡眠监测系统工作流程。

对于老年人/特殊需要的群体，掉落检测也是及时辅助人们的重要特征。本公开提供了使用地震/振动数据的用于掉落检测的算法。图2B提供了根据本公开的各种实施例的掉落检测工作流程的示例。

心率估计

直接从数据频谱估计心率BPM_h是不准确的，因为心跳波形实际上不是严格周期性的。BPM_h对于心率表示每分钟的搏动次数，BPM_r对于呼吸率表示每分钟的呼吸次数。为了避免周期性依赖性，公开了一种新颖的局部最大值统计方法来解决这个挑战。

由于心跳在记录的地震仪数据s(t)上产生一个峰值，若对于每个s(t)≥s(z)，则点(t，s(t))被定义为在间隔I_h内的局部最大值，其中I_h是根据心跳频率范围被初始化。另外，心跳强度(幅度)也可是局部最大值搜索期间的约束。然而，即使利用滤波和自相关运算，心跳识别结果也不稳定，并且可能受到干扰的影响。

为了解决不稳定性，公开了一种新颖的经验截断统计分析方法来估计BPM_h。当获得局部最大值时，存在错误地挑选的峰值和一些遗漏的峰值。那些错误地挑选的峰值导致较小的周期估计，而遗漏的峰值导致较大的估计结果。这里，X是两个连续挑选的峰值之间的间隔。将内的心跳周期估计为截断平均值：

基于局部最大值检测性能来确定下限和上限(a和b)。在本公开的示例中，分别选择0.1和0.9。

呼吸率估计

商品地震仪对低频测量(通常低于0.3Hz)不敏感，因此不能从地震数据中直接观察到呼吸率BPM_r。先前已经提出了使用包络来估计载波频率的幅度调制方法。然而，所记录的地震仪信号的幅度调制是不稳定的。根据实验，下包络和上包络通常表现出不同的行为，因此难以使用幅度调制方法来进行可靠的估计。

根据本公开的各种实施例，新颖的信号配置模型用公式表示地震数据、心跳和呼吸分量之间的关系。然后，将振荡分析技术同步压缩小波包变换(SSWPT)用于提取呼吸模式的瞬时性质。在振荡分析中，非线性和非静态波状信号s(t)被定义为若干振荡分量的叠加：

其中，α_k(t)是瞬时幅度，N_kφ_k(t)是瞬时相位，N_kφ′_k(t)是瞬时频率，并且n(t)是噪声污染。在该实验中，α₀(t)和N₀φ′₀(t)对应于想要的呼吸分量。

方程2中的瞬时特性(幅度、频率和相位)是未知的，并且可以通过SSWPT来估计。假设W_s(ξ，t)是1D波状分量的小波变换。已经证明瞬时频率信息函数i能够近似Nφ′(t)。因此，与传统方法相比，SSWPT用于获得锐化的瞬时性质估计。当提取呼吸的瞬时幅度(IA)时，可容易地获得呼吸率。

身体运动/移动和姿势识别

在之前的实验中，所有对象都仰卧。然而，睡眠姿势影响记录的数据质量和性质。图3和图7示出了身体移动产生强信号(107幅度)而呼吸和心跳显示幅度约为105的图形表示。特别地，图3示出了睡眠监测数据，其中传感器数据在睡眠之前(例如下午11点)、在睡眠期间(例如上午1点)以及在睡眠姿势改变之前和之后(上午3点)被记录。因此，基于剧烈的能量变化，可使用局部阈值方法来识别身体运动：

其中，λ是阈值系数，并且τ是时间延迟。

此外，呼吸的IA通常在检测到身体移动之后改变，这可能意味着睡眠姿势已经改变。因此，通过将方程式3应用于IA，也可检测姿势变化，但是具有不同的λ。

从床掉落的识别

根据本公开的各种实施例，实现了新颖的“从床掉落”检测以识别掉落并发送警报。床上的高幅度和运动事件被分类为掉落或未掉落。这是使用单类支持向量机(SVM)完成的。当发生的事件被分类为掉落时，向装置/应用发送警报以进行通知。

实验

本公开的睡眠监测系统100被设计为连续监测睡眠信号。在以下实验中，地震仪附接于床架，该床架是非侵入式的并且不接触人体。计算装置106与传感器103(例如，地震仪)连接以进行实时数据处理。图4示出了根据本公开的各种实施例的非接触式睡眠监测系统100的示例。特别地，图4示出了附接到床边112并耦合到计算装置106的传感器103。图3示出了非限制性示例，其示出了安装在床上的传感器103。例如，图3示出了安装到床112的下侧的传感器103的示例。图3示出了安装在床112的顶侧上的传感器103的另一示例。在各种实施例中，传感器103可包括地震仪，该地震仪自然是二阶高通滤波器，并且其一般共振频率可是8Hz。在我们的实验中使用垂直信道信号。

身体参数监测

图3显示了三个记录的片段：睡眠前、正常睡眠和身体移动，其提取自人类对象的八小时睡眠监测数据集。使用局部最大值搜索方法，识别出的心跳在图5、图6、图7和图8中示出，特别地，图5示出了睡眠前示例的图形表示的示例。特别地，图5示出了来自图3的睡眠前区段的示例，其示出了识别出的心跳、包络和呼吸IA。

图6示出了根据各种实施例的图3的睡眠期间示例的图形表示的示例。特别地，图6示出了来自图3的睡眠期间区段的示例，其示出了识别出的心跳、包络和呼吸IA。当与图54的睡眠前表示相比时，图6中呼吸较慢并且IA较弱。

图7A-7C示出了根据本公开的各种实施例的示出身体运动和姿势识别数据的图形表示的示例。特别地，图7A示出了由强幅度所示的身体移动。图7B示出了移动之前的身体运动，并且图7B示出了移动之后的身体运动。如图7C所示，IA改变，其表示姿势变化。

图8示出了根据本公开的各种实施例的指示呼吸暂停(一段时间内无呼吸)的收集到的数据的图形表示。具体地，图8示出了地震仪信号400、识别出的心跳403、包络409和呼吸瞬时幅度406。

根据方程式1中的BPM_h估计，对象在睡眠之前具有90BPM_h(图5)，在睡眠期间具有75BPM_h(图6)，其由佩戴的智能手表验证。

为了与基于包络的方法进行比较，呼吸分量α₀(t)的瞬时幅度(IA)以及上包络和下包络被绘制成图5所示的曲线。从包络可估计出BPM_r，但上包络和下包络并不总是具有相同的周期性。此外，包络提取对参数敏感，导致呼吸率估计先前已经被预定义的参数约束。图5中的中间曲线是从SSWPT提取的呼吸分量的IA。根据频谱分析，对象的呼吸率在睡眠之前约为15.6BPM_r(图5)，这非常接近秒表测量的地面实况。而睡眠期间的BPM_r是12.4。

睡眠质量和姿势

根据本公开的各种实施例，本公开的睡眠监测系统被配置为检测睡眠质量和姿势。如果对象具有许多移动和运动，则这意味着睡眠质量不好。图3示出了在实心帧(solidframe)内的早上3点的深夜数据。图7A-7C示出了与仅仅心跳和呼吸相比信号太强(大100倍)。使用幅度异常，可记录和分析身体运动和移动以用于睡眠质量确定。

在图3和图7A-图7C中，平均峰值幅度在身体移动之前大约是1×10⁵，但是在移动之后峰值幅度变成大约1.5～3×10⁵，这意味着当对象改变姿势时呼吸更强。根据各种实施例，振荡分量可与睡眠姿势相关联。关于睡眠状态的新信息将使得更详细的睡眠分析报告成为可能，其可提供更多的健康建议。另外，根据各种实施例，诸如机器学习的特征学习方法可用于识别不同的姿势。例如，新姿势信号的后面部分示出了针对一次心跳的双峰，其与姿势改变之前z者不同。该信息可用于了解对象以及对象的身体如何对姿势变化做出反应。

呼吸暂停检测和警报

呼吸暂停(apnea)或呼吸停止(apnoea)是呼吸的暂停。在呼吸暂停期间，吸气肌肉没有运动，并且肺的体积最初保持不变。取决于气道被阻塞的程度(通畅性)，在肺和环境之间可能存在或可能不存在气体流。这可能是危险的情况。图8示出了当对象躺在床上屏住呼吸至少十(10)秒时的5s地震仪信号记录。除了呼吸的IA 406，还示出了识别出的心跳403、包络409。显然呼吸率太低。在这种情况下，与商业智能家居系统(未示出)连接的嵌入式警告模块118可进行紧急呼叫或通知其他人。

本公开的睡眠监测系统100是非侵入式的和非接触式的，显示出睡眠质量和状态监测的巨大潜力。观察呼吸和心跳是人体的不同节律，可提取振荡分量来估计那些身体参数。设计了一种新颖的局部最大值统计方法和基于SSWPT的瞬时特质分析方法，以估计心率和呼吸率。实验证明振荡分析对于时间序列生物信号数据分析是有前途的。所提取的振荡分量帮助提取信号节律以及关于幅度和频率的有用信息，不仅用于心率/呼吸率估计，而且用于身体移动和姿势识别。此外，本公开的系统可检测用户的轻微活动，诸如睡眠期间的打鼾。此外，使用机器学习和深度学习模型，可开发更复杂的睡眠监测系统以准确地检测人的睡眠阶段并评估睡眠质量。特别地，机器学习和深度学习模型可用于检测和分类与人的睡眠阶段和睡眠质量相关联的收集到的信息。

现在转到图9，示出了根据各种实施例的与睡眠监测跟踪系统100相关联的示例用户界面900。根据各种实施例，用户界面900可包括地震信号400、心率、呼吸率、姿势检测、多个警报(例如，从床掉落的警报)、当前位置和/或关于对象的其他信息。

地震信号400可包括从床架112和/或其它结构上的传感器103获得的传感器数据。地震信号400的可视化可周期性地更新。例如，可以每五(5)秒更新信号。可以理解，更新速率可由用户调整。根据各种实施例，用户可与用户界面900交互以在不同日期范围之间搜索，从而可视化在该时刻信号是如何的。

用户界面900中提供的心率可示出人躺在床上时的心率。在分析心脏信号之后显示该数字。在人躺在床上之后提取呼吸率，并且获得心脏信号。用户界面的姿势检测元素示出人躺在床上的姿势。取决于实际的身体位置，具有四种状态：“右(“Right)”、“左(Left)”、“背(Back)”或“胸(Chest)”。此外，如果人正在移动，则所显示的消息是“移动(Movement)”。

警报的数量可包括多次从床掉落或警报。例如，当人从床上掉落时，系统100可登记警报并向智能装置发送消息，例如用于警报。这些情节登记在此元素卡中。人的当前位置可包括与对象是否“下床(OFF BED)”或对象何时“上床(ON BED)”相关联的状态。

图10A-10F示出了根据本公开的各种实施例的可在需要较小屏幕空间的移动装置上显示的示例用户界面900(例如，900a-900f)。在使用智能电话上的应用时，可显示传感器和患者的位置、实时信号、心率、呼吸率、状态、上一次移动、位置变化、历史分析和设置。

现在参考图11，示出了根据本公开的各种实施例的执行地震数据分析算法的各种功能的至少一个计算装置106(例如，接口装置、中央服务器、服务器或其他网络装置)的一个示例。每个计算装置106包括至少一个处理器电路，例如，具有处理器1103和存储器1106，两者都耦合到本地接口。为此，每个计算装置106可使用一个或多个电路、一个或多个微处理器、微控制器、专用集成电路、专用硬件、数字信号处理器、微计算机、中央处理单元、现场可编程门阵列、可编程逻辑装置、状态机或其任意组合来实现。本地接口1112可包括例如具有伴随的地址/控制总线的数据总线或可理解的其他总线结构。每个计算装置106可包括用于呈现所生成的图形的显示器1115，例如用户界面900和例如小键盘或触摸屏之类的输入界面，以允许用户输入。另外，每个计算装置106可包括允许每个计算装置与其他通信装置通信地耦合的通信接口(未示出)。通信接口可包括一个或多个无线连接，诸如例如蓝牙或其它射频(RF)连接和/或一个或多个有线连接。

存储在存储器1106中的是数据和可由处理器1103执行的若干组件。具体地，存储在存储器中并且可由处理器执行的是(多个)地震跟踪应用115、警告模块118和/或其他应用1118。地震跟踪应用115可包括与附着到结构的传感器103交互并且检测与睡眠质量和/或姿势相关联的实体特性的应用。警告模块118可包括可响应于检测到的事件而生成警报以通知其他个体和/或紧急实体的应用。应当理解到，存在有存储在存储器1106中并且可由处理器1103执行的其他应用1118是可以理解的。在以软件的形式实现本文所讨论的任何组件的情况下，可采用多种编程语言中的任何一种，诸如，例如，C、C++、C#、Objective C、Perl、PHP、Ruby、 或其他编程语言。

多个软件组件被存储在存储器1106中，并且可由处理器1103执行。在这方面，术语“可执行”意味着程序文件，其形式为最终可由处理器1103运行。可执行程序的示例可以是例如可被翻译成：具有可被加载到存储器的随机存取部分中并且由处理器运行的格式的机器代码，诸如能够被加载到存储器的随机存取部分中并且由处理器1103执行的目标代码的可以以适当格式表达的源代码，或者可以被另一可执行程序解释以在存储器1106的随机存取部分中生成将由处理器1103执行的指令的源代码等等的编译程序。可执行程序可以存储在存储器1106的任何部分或组件中，包括例如随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器、固态驱动器、USB闪存驱动器、存储卡、诸如压缩盘(CD)或数字多功能盘(DVD)的光盘、软盘、磁带或其他存储器组件。

存储器1106在此被定义为包括易失性和非易失性存储器两者以及数据存储组件。易失性组件是在掉电时不保留数据值的那些组件。非易失性组件是在掉电时保留数据的那些组件。因此，存储器1106可以包括例如随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器、固态驱动器、USB闪存驱动器、经由存储卡读取器访问的存储卡、经由相关联的软盘驱动器访问的软盘、经由光盘驱动器访问的光盘、经由适当的磁带驱动器访问的磁带和/或其它存储器组件，或者这些存储器组件中的任何两个或更多个的组合。此外，RAM可以包括例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)或磁性随机存取存储器(MRAM)和其它这样的装置。ROM可以包括例如可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或其它类似的存储器装置。

此外，处理器1103可以表示多个处理器，并且存储器1106可以表示分别在并行处理电路中操作的多个存储器。在这种情况下，本地接口1112可以是促进多个处理器1103中的任何两个之间、任何处理器1103与存储器1106中的任何一个之间，或存储器中的任何两个之间等的通信的适当网络。本地接口1112可以包括被设计为协调该通信的附加系统，包括例如执行负载平衡。处理器1103可以是电的或一些其它可用的结构。

如上所述，尽管(多个)地震跟踪应用115、警告模块118、其他应用1118和本文描述的其他各种系统可以体现在由通用硬件执行的软件或代码来体现，如上文所讨论的，但是作为替代，同样也可以体现在专用硬件或软件/通用硬件和专用硬件的组合。如果在专用硬件中体现，则每个可实现为采用多种技术中的任何一种或其组合的电路或状态机。这些技术可以包括但不限于具有用于在施加一个或多个数据信号时实现各种逻辑功能的逻辑门的离散逻辑电路、具有适当逻辑门的专用集成电路或其他组件等。这些技术通常是本领域技术人员公知的，因此在此不作详细描述。

此外，包括软件或代码的本文描述的任何逻辑或应用(包括(多个)地震跟踪应用115和警告模块118)可被体现在任何非暂时性计算机可读介质中，以供指令执行系统(诸如，例如计算机系统或其他系统中的处理器)使用或与指令执行系统结合使用。在这种意义上，逻辑可以包括例如语句，语句包括可从计算机可读介质中取出并由指令执行系统执行的指令和声明。在本公开的上下文中，“计算机可读介质”可以是可包含、存储或维护本文描述的逻辑或应用以供指令执行系统使用或与指令执行系统结合使用的任何介质。计算机可读介质可包括许多物理介质中的任何一种，诸如例如磁、光或半导体介质。合适的计算机可读介质的更具体的示例包括但不限于磁带、磁软盘、磁硬盘驱动器、存储卡、固态驱动器、USB闪存驱动器或光盘。此外，计算机可读介质可以是随机存取存储器(RAM)，包括例如静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM)，或者磁随机存取存储器(MRAM)。此外，计算机可读介质可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或其它类型的存储器装置。

除了前述内容之外，本公开的各种实施例包括但不限于在以下条款中设定的实施例。

条款1.一种用于基于支撑对象的结构的振动信号来监测所述对象的多个特性的系统，所述系统包括：耦合到所述结构的传感器；与所述传感器进行数据通信的至少一个计算装置；以及在所述至少一个计算装置中可执行的应用，其中当被执行时，所述应用使所述至少一个计算装置至少：从所述传感器获得实时传感器数据；分析所述传感器数据以确定所述对象的所述多个特性的连续和实时测量，所述多个特性包括以下中的至少一个：所述对象的心率、呼吸率、所述对象的移动或所述对象的姿势；生成用户界面，所述用户界面包括对所述多个特性的所确定的测量结果的显示；以及经由显示器呈现所述用户界面。

条款2.根据条款1所述的系统，其中，当被执行时，所述应用还使得所述至少一个计算装置至少部分地基于局部最大值统计方法来至少确定所述心率。

条款3.根据条款1或2中任一项所述的系统，其中，当被执行时，所述应用还使得所述至少一个计算装置通过估计与所述传感器数据相关联的幅度、频率和相位来至少确定所述呼吸率。

条款4.根据条款1至3中任一项所述的系统，其中，当被执行时，所述应用还使得所述至少一个计算装置至少根据从传感器数据提取的呼吸的瞬时幅度来检测所述对象的所述姿势。

条款5.根据条款1至4中任一项所述的系统，其中，当被执行时，所述应用还使得所述至少一个计算装置至少部分地基于所述心率、所述呼吸率、所述对象的姿势或所述对象的移动中的至少一个来至少检测事件。

条款6.根据条款5所述的系统，其中所述事件包括所述对象的掉落、所述心率在预定义范围之外、所述呼吸率在预定义范围之外或所述姿势的改变中的至少一个。

条款7.根据条款5或6中任一项所述的系统，其中，当被执行时，所述应用还使得所述至少一个计算装置响应于检测到的事件而至少生成警报。

条款8.根据条款7所述的系统，其中所述警报是听觉或视觉或振动警报中的至少一种。

条款9.根据条款7或8中任一项所述的系统，其中，所述至少一个计算装置与被配置为与第三方通信的智能装置通信，并且生成所述警报还包括指示所述智能装置发送与所述第三方的通信。

条款10.根据条款1至9中任一项所述的系统，其中所述传感器不与所述对象直接接触。

条款11.一种用于监测对象的方法，包括经由至少一个计算装置从耦合到结构的传感器接收传感器数据，所述传感器数据对应于所述结构的一个或多个振动；经由所述至少一个计算装置分析所述地震数据以确定由所述结构支撑的对象的心率、呼吸率、移动和姿势；经由所述至少一个计算装置生成包括所述对象的所述心率、所述呼吸率和所述姿势的用户界面；以及经由所述至少一个计算装置，经由显示器呈现所述用户界面。

条款12.根据条款11所述的方法，还包括更新所述用户界面以包括以下中的至少一个：更新的心率、更新的呼吸率、更新的移动检测、更新的警报或更新的姿势。

条款13.根据条款11或条款12中任一项所述的方法，还包括至少部分地基于局部最大值统计方法来确定所述心率。

条款14.根据条款11至条款13中任一项所述的方法，还包括通过估计与所述传感器数据相关联的幅度、频率和相位来确定所述呼吸率。

条款15.根据条款11至条款14中任一项所述的方法，还包括根据从传感器数据提取的呼吸的瞬时幅度来检测所述对象的所述姿势。

条款16.根据条款11至条款15中任一项所述的方法，还包括至少部分地基于所述心率、所述呼吸率、对象的所述姿势或所述对象的移动中的至少一个来检测事件。

条款17.根据条款16所述的方法，其中所述事件包括掉落、所述心率在预定义范围之外、所述呼吸率在预定义范围之外或所述姿势改变中的至少一个。

条款18.根据条款16至条款17中任一项所述的方法，还包括响应于检测到的事件而生成警报。

条款19.根据条款18所述的方法，其中所述警报是听觉或视觉或振动警报中的至少一种。

条款20.根据条款18或条款19中任一项所述的方法，其中，所述至少一个计算装置与被配置为与第三方通信的智能装置通信，并且生成所述警报还包括指示所述智能装置发送与所述第三方的通信。

应当强调的是，本公开的上述实施例仅仅是为了清楚地理解本公开的原理而阐述的实施方式的可能示例。在基本上不偏离本公开的精神和原理的情况下，可以对上述实施例进行许多变化和修改。所有这些修改和变化都旨在包括在本公开的范围内并由所附权利要求保护。

应当注意，比率、浓度、量和其它数值数据在本文中可以以范围格式表示。应当理解，使用这种范围形式是为了方便和简洁，因此应当以灵活的方式解释为不仅包括作为范围的界限明确列举的数值，而且包括该范围内包含的所有单个数值或子范围，就像明确列举了每个数值和子范围一样。为了说明，“约0.1％至约5％”的浓度范围应被解释为不仅包括明确列举的约0.1wt％至约5wt％的浓度，而且包括在所示范围内的单个浓度(例如，1％、2％、3％和4％)和子范围(例如，0.5％、1.1％、2.2％、3.3％和4.4％)。术语“约”可包括根据数值有效数字的传统四舍五入。另外，短语“约‘x’至‘y’”包括“约‘x’至约‘y’”。