用毫米波雷达远程追踪生命体征的系统和方法与流程 专利技术说明

测量装置的制造及其应用技术用毫米波雷达远程追踪生命体征的系统和方法1.相关申请的交叉引用2.本技术要求于2020年2月18日提交的美国临时专利申请no.62/977,902、于2020年5月28日提交的美国临时专利申请no.63/030,943、于2020年5月7日提交的美国临时专利申请no.63/021,373、于2020年8月23日提交的美国临时专利申请no.63/069,050、于2021年1月11日提交的美国临时专利申请no.63/135,782，这些申请的全部内容都通过引用并入本文。技术领域3.本文的公开内容涉及通过使用毫米波雷达来监测个体的生命体征(life sign)的系统和方法。具体地，该公开内容涉及用于对因呼吸周期引起的身体部位的位移进行追踪以及对呼吸特征、心率或脉搏模式进行监测的系统和方法。背景技术：4.众所周知的用于检测窄带雷达系统中的小位移的方法是利用接收到的信号的相位随时间的变化。这种方法通常最佳地通过首先选择最适于频率确定的体素(voxel)来执行。5.然而，选择提取呼吸模式的最佳体素是一项挑战，同时对其他移动和噪声具有鲁棒性(robust)。本公开内容涉及选择体素、提取来自选中的体素的相位变化的波形、以及组合来自多个体素的呼吸波形。6.对生命体征进行高效且可靠的远程监测的需求仍然存在。本文所述的本发明解决了上述的需求。技术实现要素：7.根据目前公开的主题的一个方面，在此教导一种用于对目标区域内的对象的生命体征进行监测的方法。该方法可以包括提供雷达单元，该雷达单元包括：至少一个发射器天线，该至少一个发射器天线连接至振荡器并且被配置成将电磁波发射到目标区域中；以及至少一个接收器天线，该至少一个接收器天线被配置成接收由目标区域内的物体反射的电磁波并且能够操作成生成原始数据。该方法还可以包括提供处理器单元，该处理器单元被配置成接收来自雷达单元的原始数据并且能够操作成识别原始数据中的振荡信号。8.雷达可以在目标区域上发射和接收扫描辐射；雷达可以产生一系列帧，每个帧包括复值(complex value)阵列，该复值阵列表示在给定时间分段(segment)期间从目标区域的每个体素反射的辐射。因此，处理器可以针对每个体素整理一系列复值，该一系列复值表示在多个帧中相关联的体素的反射辐射。该方法还可以包括：针对每个体素确定复平面中的中心点；在每个帧中针对每个体素确定相位值；针对每个体素生成表示相位随时间变化的平滑波形；选择指示振荡信号的体素子集；以及从振荡信号中提取生命体征参数。9.可选地，选择指示振荡信号的体素子集的步骤包括选择指示呼吸模式的体素子集。10.另外地或替代地，选择指示振荡信号的体素子集的步骤包括：针对与每个体素相关联的相位值计算弧形拟合度量；以及选择具有高于阈值的弧形拟合度量的体素。11.再次另外地或替代地，选择指示振荡信号的体素子集的步骤包括：针对与每个体素相关联的相位值计算时间依赖函数；以及选择具有指示呼吸的周期性特性的体素。例如，指示呼吸的周期性特性选自以下各者：频率、吸气持续时间、呼气持续时间、呼吸频率、以及它们的组合。12.在该方法的又一示例中，选择指示振荡信号的体素子集的步骤包括：针对振荡信号生成线段模型；从线段模型中提取特性特征；以及执行验证函数以确定线段模型是否指示真实呼吸信号。13.可选地，生成线段模型的步骤包括：针对振荡信号中的每个显著倾斜部段选择边界点，其中每个显著倾斜部段的边界点包括：斜率起始点，该斜率起始点指示从前一极端起的显著变化；以及斜率终止点，该斜率终止点与下一显著倾斜部段的后续斜率起始点共享y坐标。14.因此，生成线段模型的步骤还可以包括：通过以下方式构造梯形线段模型：在每个显著倾斜部段的边界点之间构造线段，以及在每个显著倾斜部段的终止点与下一显著倾斜部段的起始点之间构造线段。15.另外地或替代地，选择边界点的步骤可以包括：限定检测阈值；对振荡信号中的信号值进行采样，直到检测到极端信号；检测极端信号点；在检测到极端信号以后，对振荡信号中的信号值进行采样；计算每个采样信号与极端信号之间的差；以及，如果该差大于检测阈值，则：针对极端信号之后的线段设置斜率起始点；以及针对极端信号之前的线段设置斜率终止点。因此，针对极端信号之后的线段设置斜率起始点的步骤可以包括选择极端信号之后的第一信号。可选地，针对极端信号之前的线段设置斜率终止点的步骤包括选择极端之前的信号样本，该信号样本的信号值等于斜率起始值的信号值。16.在该方法的特定示例中，选择指示呼吸模式的体素子集的步骤包括：提供呼吸参数确定模块，该呼吸参数确定模块包括预滤波器、点生成模块、特征提取模块、度量生成模块以及呼吸信号识别模块；预滤波器将候选信号提供给点生成模块；点生成模块生成与候选信号相对应的线段模型；特征提取模块接收线段模型并且从线段模型中提取特性特征；度量生成模块对特性特征进行处理以计算特性度量，该特性度量指示每个特征与呼吸模式一致的概率；呼吸信号识别模块接收特性度量并且确定候选信号表示呼吸信号的概率。17.因此，度量生成模块对特性特征进行处理以计算特性度量的步骤可以包括：针对每个特征生成对数似然比(llr)；针对每个特征的每个llr分配正符号或负符号；以及对llr值进行求和。18.可选地，从振荡信号中提取生命体征参数的步骤包括确定心率参数。在需要的情况下，这可以包括从振荡信号中去除与呼吸有关的振荡，该步骤可能通过：获取具有已知心率的成组参考信号曲线；将线段近似法应用至相位值随时间变化的曲线图；应用高通滤波器以仅识别高于阈值频率值的振荡；应用关联器以将滤波后的相位信号与该成组参考信号曲线中的每个参考信号曲线进行比较；获得特性参考关联曲线；选择峰值关联心率值；以及可选地，还应用验证规则使得仅选择可能的心率。19.在适当情况下，提供雷达监测器的步骤包括提供从第一角度被导向共同目标区域的第一雷达收发器装置以及提供从第二角度被导向共同目标区域的第二雷达收发器装置，以及从数据中去除与呼吸有关的振荡的步骤包括：对从第一雷达收发器接收到的相位信号与从第二雷达收发器接收到的相位信号进行求和，使得径向移动被去除。20.因此，从振荡信号中去除与呼吸有关的振荡的步骤可以包括：获取与在成组连续时间段中从目标区域的选定的体素反射的能量相关联的成组相位值；通过从每个时间段的相位值中减去前一时间段的相位值来创建增量文件；以及减去相位值的移动平均值。21.另外地或替代地，确定心率参数的步骤可以包括：获取心率信号；获得特性参考关联曲线，该特性参考关联曲线指示作为候选心率的函数的心率信号的周期性程度；以及选择与峰值周期性关联相对应的心率值。可选地，获得指示作为候选心率的函数的心率信号的周期性程度的特性参考关联曲线的步骤包括：对心率信号的部段进行采样；针对成组候选心率中的每个候选心率：将心率信号的部段分段成相等持续时间的多个分段窗，该相等持续时间与特定候选心率的周期相对应；以及将相邻的分段窗进行关联以获取关联索引，该关联索引指示与候选心率相对应的周期性程度。22.在该方法的各种示例中，在每个帧中针对每个体素确定相位值的步骤包括：处理器针对每个体素整理一系列复值，该一系列复值表示在多个帧中相关联的体素的反射辐射；针对每个体素确定复平面中的中心点；以及计算帧值与中心点之差的虚分量和实分量之比的反正切。此外，针对每个体素生成表示相位随时间变化的平滑波形的步骤可以包括对每个相位值进行四舍五入。23.根据本公开内容的其他方面，介绍了用于对目标区域内的对象的生命体征进行监测的系统。这种系统可以包括：雷达单元，该雷达单元包括：至少一个发射器天线，该至少一个发射器天线连接至振荡器并被配置成将电磁波发射到目标区域中；以及至少一个接收器天线，该至少一个接收器天线被配置成接收由目标区域内的物体反射的电磁波并且是可操作以生成原始数据；以及处理器单元，该处理器单元被配置成接收来自雷达单元的原始数据并且是可操作，以识别原始数据中的振荡信号。处理器单元可以包括：帧整理器，该帧整理器包括：存储器单元，该存储器单元被配置成对目标区域内的每个体素的一系列复帧值进行存储；体素分段模块，该体素分段模块包括处理器，该处理器被配置成针对每个体素生成表示相位随时间变化的平滑波形；呼吸参数确定模块；以及心率参数确定模块。可选地，心率参数确定模块包括信号滤波器模块和关联模块。24.可选地，该系统包括：高架雷达单元，该高架雷达单元被导向目标区域；以及座部，该座部被定位成使得坐在座部上的对象的上半身位于目标区域内。座部可以被定位成使得对象的背部面对基于雷达的远程心率监测器。可选地，座部被定位成使得对象的胸部面向雷达远程心率监测器。25.在适当的情况下，心率监测器包括：雷达单元，该雷达单元被导向目标区域；脚部搁置部，该脚部搁置部被定位成使得对象的放置在脚部搁置部上的脚部的上侧部位于目标区域内。26.另外地或替代地，远程心率监测器包括：第一雷达单元，该第一雷达单元被导向目标区域；以及第二雷达单元，该第二雷达单元被导向目标区域。27.在一些示例中，信号滤波器单元包括线段近似模块和高通滤波器模块。可选地，信号滤波器单元包括增量文件生成单元，该增量文件生成单元被配置成并且能够操作成进行下述操作：获取与在成组连续时间段中从目标区域的选定的体素反射的能量相关联的成组相位值；通过从每个时间段的相位值中减去前一时间段的相位值来创建增量文件；以及减去相位值的移动平均值。附图说明28.为了更好地理解本发明的实施方式并示出如何将其付诸执行，现在将仅以示例的方式参考附图。29.现在具体参考附图的细节，需要强调的是，所示出的细节是以举例的方式并仅用于对选定实施方式进行例示性讨论，并且是为了提供被认为是对原理和概念方面最有用和最易于理解的描述。在这方面，没有试图示出比基本理解所需的更详细的结构细节；与附图一起进行的描述使本领域的技术人员清楚地看到各种选定的实施方式是如何付诸实践的。在附图中：30.图1a是可能的生命体征监测和通信系统的示意图；31.图1b至图1d示出了用于将雷达波导向对象的装置的各种配置；32.图2是表示生命体征监测方法的动作的流程图；33.图3a至图3f指示了表示目标区域内的单个体素的反射辐射的系列复值(complex value)在多个帧上的绘图的示例；34.图4a和图4b示出了被配置成引导来自两个单元的雷达波从不同方向导向对象的系统；35.图4c示出了用于站立对象的单个胸部导向单元；36.图4d示出了结合到头枕中并导向颈部的雷达装置；37.图5a图示了用于对在诸如图4d所示的系统等的双雷达系统中获取的雷达信号进行处理以产生单个位移信号以及从单个位移信号中分离出心率信号的可能性方法的一些步骤；38.图5b是图示了由于移动的对象而产生的尖峰信号(spiked signal)的示例的曲线图；39.图5c是图示了与图5b的信号相对应的每个帧的平均值的标准偏差的曲线图；40.图5d图示了从位移信号中分离心率信号的另一种方法；41.图6a示出了用于为与特定心率相对应的心率信号生成关联索引(correlation index)的可能性方法；42.图6b示出了用于为心率信号生成关联曲线并选择可能的心率的可能性方法；以及43.图6c示出了用于生成关联曲线并选择可能的心率的替代性方法；44.图7示出了用于估计rpm的可能的莫尔斯小波(morse wavelet)的示例；45.图8是表示用于确定候选周期性波形是否与呼吸信号的特性一致的可能方法的流程图；46.图9是指示包括一系列梯形部段的线段模型如何可以表示周期性信号的曲线图；47.图10示意性地表示呼吸参数确定模块的元件，该呼吸参数确定模块被配置成处理周期性波形并确定候选波形指示呼吸信号的概率；48.图11a至图11c组合起来表示指示系统的部件如何可以组合以处理候选信号的示意性框图；49.图12a和图12b是表示将线段模型叠加在生成这些线段模型的周期性信号上的示例的曲线图；50.图12c和图12d分别指示从图12a和图12b的曲线图的线段模型中提取到的特性特征；51.图13a是图示了用于确定对每个线段的开始和终止进行限定的关键点的方法的主要步骤的流程图；52.图13b是图示了用于设置斜率起始点和斜率终止点的值的可能性方法的流程图；53.图14a和图14b是周期性信号的一部段的曲线图，该周期性信号指示了可以被用于计算斜率起始点和斜率终止点的极端点和阈值；54.图15是图示了对于波动信号而言摆动索引如何随时间变化的曲线图；以及55.图16a是流程图，并且图16b是图示了用于生成特征度量的方法的示意图。具体实施方式56.本公开内容的各个方面涉及用于通过使用毫米波雷达来对个体的生命体征进行监测的系统和方法。本文描述的系统和方法用于在呼吸周期期间追踪身体部位的位移。可以对位移模式进行分析，以提取呼吸特性并且识别心率和脉搏模式。57.需要特别注意的是，在呼吸周期期间追踪这种位移可以被用于监测睡眠时间期间和/或醒来时间期间的生理参数。此外，呼吸追踪可以被用于识别人类和其他目标以及他们的姿势，以用于附加的雷达应用，如跌倒检测。58.按照需要，本文公开了本发明的详细实施方式；然而，应当理解的是，所公开的实施方式仅是本发明的示例，本发明可以以各种形式以及替代形式体现。这些附图不一定是按比例绘制的；一些特征可能被夸大或缩小以示出特定部件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅作为教导本领域技术人员以各种方式运用本发明的表示性基础。59.在本公开内容的各种实施方式中，如本文所述的一个或更多个任务可以由数据处理器执行，诸如由用于执行多个指令的计算平台或分布式计算系统执行。可选地，数据处理器包括或访问用于存储指令、数据等的易失性存储器。另外地或替代地，数据处理器可以访问用于存储指令和/或数据的非易失性存储器件，例如，磁性硬盘、闪存驱动器、可移动介质等。60.需要特别注意的是，本文所公开的系统和方法在其应用中可以不限于描述中阐述的或者在附图和示例中图示的部件或方法的结构及布置的细节。本公开内容的系统和方法可以有其他的实施方式，或者以各种方式和技术来实施和执行。61.类似于或等同于本文所述的方法的替代方法和材料可以用于实践或测试本公开内容的实施方式。然而，本文描述的特定方法和材料仅用于例示性目的。这些材料、方法和示例并不意在一定是限制性的。62.现在参考图1a，该图1a是根据本发明的一个实施方式的生命体征监测器100的示意图代表。生命体征监测器可以包括雷达单元110、处理器单元120、以及通信模块130。需要注意的是，处理器单元120可以包括：可操作以提取呼吸数据的呼吸特性确定模块126；以及可操作以提取心率数据的脉搏确定模块128。63.雷达单元包括发射器阵列112和接收器阵列114。振荡器116可以连接到至少一个发射器天线或发射器天线阵列。因此，发射器112可以被配置成产生被导向监测区域105(诸如封闭的房间等)的成束电磁辐射，诸如微波辐射等。接收器114可以能够操作成接收从监测区域105内的对象102反射的电磁辐射。64.需要注意的是，对象102可以在监测区域内以各种方式站立、坐下、斜倚或行走。如果需要，例如为了确定敏感的心率，对象102可以背对着装置110b坐下，使得辐射被导向对象的背部，如图1b所示。替代性地，对象可以将他或她的胸部朝向装置110c坐下，使得辐射被导向对象的胸部，如图1c所示。作为另一替代性方案，装置110d可以被配置成使得辐射被导向对象的脚的顶部，如图1d所示，例如，在该处该装置可以接收来自背动脉103的强反射。还有其他系统可以使用多个收发器，如下文关于图4a和图4b描述的。65.处理器单元120可以包括诸如以下各者的模块：帧整理器122、体素分段模块124、呼吸参数确定模块126、以及心率参数确定模块128。因此，处理器单元120可以被配置成从雷达单元110接收原始数据，并且可操作以基于接收到的数据来生成呼吸参数和脉搏参数。66.通信模块130被配置并且可操作以将脉搏参数传送至第三方138。可选地，通信模块130可以与诸如互联网等的计算机网络132进行通信，该通信模块可以经由该计算机网络(例如经由电话、计算机、可穿戴装置等)将警报传送至第三方。67.现在参考图2的流程图，在用于确定目标区域内的呼吸参数的可能性方法中呈现了选定的步骤。68.该方法包括通过提供雷达单元202，提供处理器单元204，以识别目标区域内的至少一个心率模式，雷达在目标区域上发射和接收扫描辐射206，处理器单元：针对每个体素整理一系列复值208，这些复值表示在多个帧中相关联的体素的反射辐射；针对每个体素确定复平面中的中心点210；在每个帧中针对每个体素确定相位值212；针对每个体素生成表示相位随时间变化的平滑波形214；选择指示呼吸模式的体素子集216；以及针对检测到的呼吸模式确定呼吸函数218；选择指示脉搏模式的体素子集220；以及针对检测到的脉搏模式确定脉搏函数222。69.雷达单元可以包括：至少一个发射器天线，该至少一个发射器天线连接至振荡器，并且被配置成将电磁波发射到监测区域中；以及至少一个接收器天线，该至少一个接收器天线被配置成接收监测区域内由物体反射的电磁波，并可操作以生成原始数据。处理器单元通常被配置成从雷达单元接收原始数据，并可操作以从原始数据中获取呼吸参数和脉搏参数。70.可选地，处理器可以生成一系列帧，其中每个帧包括表示在给定时间段期间从目标区域的每个体素反射的辐射的复值阵列。71.在一个实施方式中，本发明的方法在一个时间周期内并行地监测多个体素。通过接收器接收到的信号可以通过以下方式给出：[0072][0073]其中v是体素的索引，n是时间索引；av是体素的dc部分，由于泄漏和静态物体的原因；rv是体素v的相位变化部分的幅值(或半径)；φv是体素v的滋扰相位偏移；λ是波长；bv是体素v的有效位移幅度；vv[n]是附加噪声；以及w[n]是时间n的波形。[0074]对于每个监测体素，计算参考中心点通过图示的方式，可以根据圆心的线性均方误差估计器来确定中心。例如，该估计可以基于接收到的信号的实部和虚部的矩(moment)。可以使用无限脉冲响应(iir)滤波器对矩进行平均。iir滤波器的遗忘因子具有自适应控制，该自适应控制在环境变化(例如对象的移动)时迅速收敛到新值的需求与保持估计的一致性的需求之间取得平衡。[0075]每个帧中针对每个体素的相位值可以通过处理器来确定，该处理器：针对每个体素整理一系列复值，这些复值表示在多个帧中相关联的体素的反射辐射；以及针对每个体素确定复平面中的中心点；以及计算帧值与中心点之差的虚分量和实分量之比的反正切。[0076]因此，给定参考中心点，体素v在给定的时刻n的相位可以被计算为：[0077][0078]为了创建表示相位随时间变化的平滑波形，可以对相位值进行四舍五入。可以对相位进行展开以根据如下公式生成平滑波形，该平滑波形没有大于π的间断：[0079][0080]在另一实施方式中，相位展开可以基于之前几个相位对下一相位进行预测。这种预测可以被用于降低帧率和/或提高对噪声的弹性(resilience)，同时避免周期滑移。例如，下面的预测器倾向于考虑相位动量：[0081][0082]其中0＜α≤1是对动量(相位的线性进展)与稳定性(零阶保持)的权重进行控制的参数。[0083]图3a和图3d示出了表示目标区域内的单个体素的反射辐射的系列复值在多个帧上的绘图的示例。需要注意的是，复值在复平面内形成以单个点为中心的近似圆。周期性可能在多个帧上看到，从而引起了特性振荡函数，如图3b和图3e所示，它们分别针对图3a和图3b的绘图表示了相位随时间的变化(使用帧数作为时间的指标(proxy))。图3c和图3f示出了频率空间的对应变化。例如，这种振荡函数可以指示呼吸或脉搏率。幅度参考图。[0084]例如，可以通过选择符合选择规则的体素子集(诸如使用评估这些体素的适合性的度量)来找到指示呼吸特性和脉搏特性的体素。这种度量可以包括对圆弧模型的拟合、对具有强周期性的预定模式脉搏波形等的拟合、以及体素的空间位置。[0085]在许多情况下，最适合呼吸追踪的体素位于呼吸者的胸部和腹部附近。在其他情况下，最适合的选择是其他体素，诸如来自墙壁或天花板的反射，或者其他物体因呼吸而产生的移动。[0086]可以针对与每个体素相关联的相位值计算弧形拟合度量；以及选中的体素将是那些具有高于预定阈值的弧形拟合度量的体素。例如，度量可以评估将数据拟合至本文所述模型的准确性。相对稳定性可以从接收到的信号与估计的参考中心点之间的距离来测量。[0087][0088]例如，该度量可以被计算为：[0089][0090]另外地或替代地，可以针对与每个体素相关联的相位值计算时间依赖函数；以及可以选择具有指示脉搏的周期性特性的体素，该周期性特性诸如为收缩期、舒张期、脉搏率等以及它们的组合。[0091]这样的度量可以将展开的相位的适应性评估为干净的脉搏波形。可以计算该信号的傅里叶变换，并且可以检查峰值是否以在呼吸或正常脉搏所预期的合理周期范围内的频率实现，并且可以检查该峰的能量除以其他频率中的平均能量。[0092]举例来说，指示呼吸的周期性特性可以包括：在1:1到1:6之间的吸气与呼气之比；在1到10秒之间的呼吸频率。还举例来说，指示对象在静息时的脉搏的周期性特性可以包括：例如在每分钟45至150次之间的脉搏或心率；以及约为2:1的舒张期与收缩期之比。[0093]上述两个度量可以被平滑化，以及然后被组合成单个度量，该单个度量表示每个体素针对脉搏的提取的适应性。[0094]在本发明的一个可能性实施方式中，基于上述度量来选择单个体素进行脉搏确定，用滞后来避免体素之间的频繁跳动。[0095]在另一实施方式中，选择具有高度量值的多个体素，并在通过适应性度量进行加权以后使用svd(pca)对多个体素的波形进行平均。[0096]可以从相位曲线信号中对指示呼吸的相位信号的低频振荡进行滤波，以留下指示心率的高相位振荡。[0097]在其他实施方式中，体素选择可以使用另外的度量(诸如信号质量(snr))来验证从该体素中提取的信号是否具有足够好的信号以用于呼吸检测来验证观察到的信号是否与真实的呼吸信号一致。这两个度量可以被组合，以确定该体素适合于选择。[0098]现在参考图4a和图4b，图示了被配置成将来自两个单元的雷达波从不同方向导向对象的系统。该系统可以包括双重或多重收发器，其中辐射被导向对象的背部和胸部。需要注意的是，呼吸在胸部产生的移动比在背部更夸张。因此，在适当情况下，导向胸部的收发器可以被用于检测指示呼吸的振荡，以及导向背部的收发器可以被用于分离心率信号。此外，已经发现的是，可以执行使用多个收发器的方法，以从本文所述的呼吸信号中分离出心率信号。[0099]具体地，图4a示出了背部传感器412被导向坐下的对象的背部402以及胸部传感器414被导向对象的胸部404的系统。根据不同的实施方式，传感器412、414可以位于地面上方约90cm处，其中背部传感器412与对象的背部402之间的距离可以是约50cm左右，以及胸部传感器414与对象的胸部402之间的距离可以是约80cm左右。其他高度可以被用于根据需要而将雷达传感器导向例如下背部或上背部、下胸部和上胸部。[0100]如图4c所示，在又一系统中，单个传感器419可以被导向处于站立姿势的对象，例如被导向在40cm左右的距离处的对象。[0101]具体地，已经发现的是，当至少一个传感器被导向对象的颈部和上背部405时，已经观察到了良好的心率信号。这可能是由于通过颈动脉406的强脉搏所致。因此，如图4d所示，需要注意的是，位于汽车头枕中的传感器装置417可以很好地被定位以监测汽车座部上的乘员的生命体征。这种传感器还可以监测驾驶员的健康和警觉性。[0102]类似的系统可以将传感器416、418布置在例如150cm的高度处，使得当对象处于如图4b所示的站立姿势时，这些传感器被导向胸部和背部。[0103]图5a示出了用于处理在双雷达系统(诸如图4a和4b所示的系统)中获取的雷达信号的方法。在一个实施方式中，在可选的第一步骤中，可以将两个获取到的相位信号进行组合510，例如，通过添加两个相位信号进行组合。当来自两个收发器的相位信号512、514被添加时，相位的径向变化往往被抵消。因此，由于呼吸生成了身体的径向移动，剩余信号516中的振荡指示脉搏。替代性地，可以使用单个传感器来产生单个相位信号，该相位信号可以被处理以分离出脉搏。[0104]可以对组合信号520应用增量处理(delta process)，或者替代性地对单个相位信号应用增量处理，其中，计算所组合的信号中每对连续的相位值之间的相位差。这将产生导数位移曲线522，然后可以对该导数位移曲线进行平滑处理。例如，可以通过生成移动的时间窗口来实现平滑化，以及可以从窗口530的中心处的相位差中减去时间窗口中的位移曲线的平均值。因此，可以分离出心率信号532。[0105]需要注意的是，在需要的情况下，例如当对象的移动导致直流电流波动在信号中创建尖峰534时，如图5b所示，可以将尖峰去除机制应用于得到的心率信号532以对尖峰进行滤波。尖峰去除机制的一个示例可以是对超出环境中值的阈值的任何数据或与如图5c所示的平均值有一定量标准偏差的数据进行滤波，其中清楚的尖峰536对应于图5b中的帧1000处的跳变534的标准偏差是明显的。[0106]跳变去除算法可以基于相对少量的滑动窗口，例如9个样本左右的滑动窗口，使得对于信号中的每个样本i(窗口以点为中心)[0107]di＝xi-xi-1[0108]其中x是输入信号，计算出以下度量：[0109]σw-窗口中的值的标准偏差w。[0110]mw-窗口中的中值w。[0111]如果样本di满足以下条件，则将被前一样本所取代，以去除跳变：[0112][0113]其中sf是相对阈值，而a是位移差值的绝对阈值。[0114]在图5d中示出用于处理位移信号的另一种方法。获取540位移信号542，并将线段近似应用于550该位移信号。可以从位移信号542中减去得到的信号552，以去除信号中可能由于呼吸移动而产生的漂移。然后使该信号经历高通滤波560以去除呼吸分量，从而获取分离的信号562。[0115]现在参考图6a，该图6a图示了用于生成关联索引的可能性方法，该关联索引指示了心率信号对应于特定心率的概率。对心率信号612的选择进行采样610，例如可以选择12秒的样本614进行分析。将样本614分段成若干个分段窗口622a、622b、622c等(统称为622)，该分段窗口的持续时间与特定的心率相对应。例如，对于每分钟40次心跳的心率，预计周期性为1.5秒，因此12秒的分段可以被划分为8个分段窗口，每个分段窗口持续时间为1.5秒。可以将相邻的分段窗口关联630，例如，可以将8个1.5秒的分段窗口622中的每个分段窗口与其相邻的分段窗口进行比较，例如将622a和622b、622b和622c等等进行比较，以评定周期性程度630。可以将总体关联记录为关联索引640，该关联索引例如用于与1.5秒的特定窗口大小相对应的40bpm心率。[0116]如图6b所示，可以通过将样本分段成不同长度的分段窗口650来为多种心率生成关联索引。通常，通过将样本划分成大小为1.33秒的分段窗口652来为每分钟45次心跳的心率生成关联索引，并且通过将样本分段成例如以下各者的越来越短的窗口来针对另外的心率生成关联索引：直到长度为0.6秒的分段窗口，该0.6秒的分段窗口对应于每分钟100次心跳的心率，或者长度为0.43秒的分段窗口，该0.43秒的分段窗口对应于每分钟140次心跳的心率654。可以理解的是，其他范围的心率可以根据需要被关联。[0117]通常，对于最大值max_bpm与最小值min_bpm之间的每个整数心率，可以限定关联窗口wbpm。因此，tdet秒的分段窗口可以被划分为nbpm分段窗口wbpm，i。因此，对于我们假设的每个候选心率，关联窗口的数量是[0118]可以计算每对连续窗口wbpm，i和wbpm，i-1之间的关联性以得到置信度度量，诸如：[0119][0120]在对所有候选心率值进行计算以后，可以将多个关联索引绘制在曲线图662上，以产生信号664的关联曲线660特性。该曲线的峰值可以被用于指示被监测的个体的最可能的心率。因此，可以选择与信号相对应的最可能的心率670。因此，心率可以被选择为以下值：[0121][0122]其中由自关联给出的置信度：[0123]conf＝max(cbpm)[0124]还需要注意的是，由此产生的特性关联曲线本身可以用为一种新颖的诊断度量。[0125]图6c示出了另一种用于从通过减去移动平均值生成的位移信号中确定心率的方法，如上所述。图6c所示的方法利用了两个或更多个参考曲线710。在生成每个参考曲线时，对象被暴露在如上所述的双收发器系统的辐射下。在暴露于辐射的同时，通过任何已知方法确定对象的心率。例如，可以通过获取个体的心电图来确定心率，或者通过将麦克风放在对象的心脏之上的胸部上来获取声波图。如上文参考图5a所解释的那样处理参考信号以产生参考曲线。因此，每个参考曲线具有相关联的心率。[0126]仍然参考图6c，可以使用高通滤波器对在对象上获取的位移信号进行滤波720。因此，可以获取对象的心率信号730。心率信号可以通过生成经滤波的信号与每个参考曲线的交叉关联740来进行分析。选择与对象的位移信号具有最大关联性的参考曲线742，以及将与具有最大关联性的参考曲线相关联的心率确定为对象的心率750。可以应用验证规则，使得仅选择可能的心率。[0127]可以通过找到展开的相位快速傅里叶变换(ffm)的最大值来确定rpm。[0128][0129]可以使用汉明窗口来减少旁瓣(sidelobe)。[0130]还需要注意的是，可以使用高通滤波器来抵消患者的移动。因此，为了支持各种呼吸频率，可以引入基于移动平均数(ma减法)的高通滤波器组，例如，对应于rpm为6的10秒平均值、对应于rpm为12的5秒平均值、对应于rpm为20的3秒平均值、对应于rpm为60的1秒平均值等等。[0131]可以使用连续小波变换执行rpm估计。在图7的示例中，使用了莫尔斯小波，其中时间-bw乘积为60，并且对称性参数γ＝3。[0132]连续小波变换产生了量图s，并且每个标度对应于伪频率fa，该伪频率可以通过下式给出：[0133][0134]其中，a是标度，并且fc是小波中心频率。[0135]测量区间t的中心中的最大伪频率对应于所估计的rpm[0136][0137]以及置信度可以通过下式限定：[0138][0139]需要注意的是，因为标度是根据信号的长度来选择的，所以小波不能被换算(scale)成比信号长。因此，较低的频率可能需要较长的信号。因此，为了测量慢速rpm，需要较长的记录。[0140]可以通过挑选与产生最佳置信度的高通滤波器长度耦合的体素候选的组合来执行最佳体素选择。[0141]由于滤波器长度会影响rpm精度并且也会影响呼吸波形质量，系统可以被配置成通过将滤波器长度依赖惩罚[pl1 pl2..plm]添加到置信度矩阵行中，从而使某些滤波器长度优先于其他滤波器长度。这可以帮助提高某些范围内的精度。[0142]返回参考图3b和图3e的呼吸信号，需要注意的是，通过检测信号中的峰值来识别呼吸信号出乎意料地困难。由于一些因素，诸如与真实呼吸信号缺乏周期性相关联的假阴性、以及与由低频信号中高能量的相位包裹所引起的相位跳变、扫描、随机步行数据相关联的假阳性，峰值检测出乎意料地不成功。因此，期望一种用于呼吸信号确定的更鲁棒性的方法。[0143]因此，所提取的周期性波形信号可以通过线分段机制进行处理，以确定周期性波形信号是否与呼吸信号的特性一致。[0144]现在参考图8的流程图，线分段机制可操作以通过如下方式执行方法：估计用于候选波形的线段模型(lsm)802，从线段模型中提取特性特征804，执行呼吸识别函数806，以及确定候选波形是呼吸信号的概率808。[0145]现在参考图9，候选信号的线段模型的特征在于每个周期有四个线段。可以为lsm的每个梯形周期确定各种特征，诸如深度、幅值和周期。因此，可以针对候选信号确定特性特征，诸如平均深度、幅值误差、平均周期、周期变化等。这些特征可以被转换为适于确定信号表示真实呼吸信号的概率的度量。[0146]需要注意的是，lsm的优点包括其模块化和与参数相关联的物理意义，导致很容易提取某些呼吸参数，诸如rpm。此外，它较容易明确地去除趋势，时间轴与rpm无关，因为每次更新的窗口是呼吸周期本身，并且每个周期的变量数量相对较少，这简化了实现方式，并且降低了用于存储信号的存储器要求。[0147]因此，如图10中示意性表示的，呼吸参数确定模块1000可以包括预滤波器1002、点生成模块1004、特征提取模块1006、度量生成模块1008、以及呼吸信号识别模块1010。[0148]预滤波器1002可以被配置成向点生成模块1004提供候选信号1003。点生成模块1004接收候选信号1003并且通常通过识别候选信号1004中的每个显著斜率上的第一点和最后点来生成线段模型(lsm)1005。[0149]特征提取模块1006被配置并可操作以从lsm 1005中提取特性特征1007，诸如本文所述的每分钟速率、速率变化、深度变化、斜率变化、静息状态幅值变化、静息状态长度变化等。[0150]度量生成模块1008被配置并可操作以处理特征并针对每个特征计算特性度量1009，该特性度量指示该特征与呼吸信号一致的概率。[0151]呼吸信号识别模块1010接收针对特征的特性度量1009，并且应用呼吸识别函数来整合度量，以及确定候选信号表示呼吸信号的概率1011。[0152]举例来说，图11a至图11c的框图指示了系统的部件可以如何组合以处理候选信号。[0153]预滤波器接收周期性相位变化信号，例如，以便确定生成相位变化信号的体素是否适于监测呼吸信号。预滤波器可以被用于降低噪声水平或者将提取到的信号集中到预期呼吸信号的频域，并且提取候选周期性信号，该候选周期性信号被传输到点生成模块。[0154]点生成模块可以通过识别候选信号中的每个显著斜率的斜率起始点和斜率终止点来应用线段顺序近似法。[0155]现在参考图12a和图12b的曲线图。表示了两个示例，示出了线段模型被叠加在生成这些线段模型的周期性信号上。对输入的周期性信号进行处理，以生成每个周期具有四个线段的线段模型。这四个线段包括具有正梯度的上升段1202、跟随上升段并具有零梯度的保持段1204、具有负梯度的下降段1206、以及跟随下降段并具有零梯度的静息段1208。[0156]如图13a的流程图所示，点生成模块执行方法以确定限定了每个线段的开始和终止的关键点。该方法包括：识别周期性信号内的显著上升部段和下降部段1310；检测每个显著倾斜部段的斜率起始点1320；以及检测每个显著倾斜部段的斜率终止点1330。[0157]各种限定可以被用来设置斜率起始点和斜率终止点的值，图13b的流程图图示了一种这样的方法。在该方法中，限定检测阈值thr 1311，在前极端阶段期间对信号值进行采样1312，检测极端信号点1313并记录，以及后极端阶段开始，在该后极端阶段期间再次对信号值进行采样1314。在后极端阶段期间，计算每个信号值与上一个极端信号值之间的差diff 1315。将差diff与阈值thr进行比较。如果差diff大于阈值thr，则通过选择slope_start_value(斜率_起始_值)点作为上个极端以后的第一信号样本1317，针对极端信号点之后的线段设置新的斜率起始点，以及通过选择上一个slope_end_value(斜率_终止_值)(具有与新的slope_start_value相同的值)点作为前一个前极端阶段期间采样到的信号，针对极端信号点之前的线段设置新的斜率终止点1319。[0158]也可参考图14a和图14b来理解该方法的步骤。在该示例的方法中，可以将检测阈值选择为使得仅检测到显著斜率而丢弃较小波动的值。特别地参考图14a的示出了周期性信号的部段的示例的曲线图，指示了检测阈值risefall_detect_thresh 1402、1404。从信号的极端点1406、1408向中心测量检测阈值，以及因此限定了上裕度和下裕度，在此范围内的小峰值不被认为是显著的。举例来说，图14a的曲线图用圆形标记指示了裕度的界限1402、1404。[0159]返回参考图13b，对信号进行采样1312，以检测信号值中的局部极端1314，局部极端1406、1408可以是局部最小信号值1408或局部最大信号值1406。在检测到极端信号值时，通过计算当前采样信号值与上一个极端信号之间的差1315来分析每个后极端采样。如果差的绝对值(diff)小于阈值(thr)，则对下一后极端信号值进行采样。[0160]如果差的绝对值(diff)大于阈值(thr)，则设置斜率起始点1317，可选地，该斜率起始点可以被选择为上一极端之后的第一信号样本，尽管也可以根据需要来选择其他样本。举例来说，图14b的曲线图用菱形标记1410、1412指示斜率起始点。[0161]在设置了新的斜率起始点后，可以将先前的斜率终止点追溯性地确定为上一极端之前的点1318，该上一极端之前的点具有与新的斜率起始点相同的信号值。然后再次对信号进行采样以检测下一局部极端。举例来说，图14b的曲线图用八边形标记指示斜率终止点1414、1416。[0162]需要注意的是，信号可能会经历不取决于呼吸的影响的各种幅值和频率的摆动。这些摆动包括可能由于身体移动而造成的幅值巨大移位、由于相位展开误差造成的相位跳变、其他噪声等。[0163]在适当的情况下，算法还可以对信号的摆动进行归一化，例如，当以下表达式是真实的时，可以识别出上升[0164](signal-min(signal))＞(risefall_detect_thresh＊swing)，[0165]类似地，当以下表达式是真实的时，可以识别出下降[0166](signal-max(signal))＜(risefall_detect_thresh＊swing)。[0167]其中，上述表述中的“min”和“max”分别是从上一次下降/上升检测开始的一段时间内测量的。[0168]可以对摆动进行评估，以识别信号的整体形状并适应它。估计摆动的简单方法可以是通过取得信号的rms，例如使用iir在一个时间窗口内测量的信号的rms，以及乘以因子；或者将摆动估计为上一个高极端与低极端之间的差，例如swing＝runmax(sn)-runmin(sn)，其中，runmax/runmin是时间窗口内的最大/最小值或者这些值的近似形式。runmax/runmin的可能实现方式可以由下面的递归等式来限定。关系被限定为：[0169]yn＝(1-α)max(yn-1，xn)+αxn[0170]对于一些常数α，并分别为最小值。[0171]实现这一点并且可以对单向跳变有弹性的一种方法是评估摆动索引s，其中存在正峰值，该正峰值根据需要在一侧或两侧具有两个小于s的信号。例如，可以采取最大的时间窗口和最小的时间窗口并将摆动作为“上升”和“下降”之间的最小值：min(p+[k]-p-[k-1]，p+[k-1]-p-[k])。[0172]摆动索引可以通过对信号与上下限之间的距离进行测量并且取其最小距离的一侧来计算。因此，摆动索引可以通过下式给出：[0173]swing＝min(runmax(un-sn)，runmax(sn-ln))[0174]其中un＝runmax(sn)和ln＝runmin(sn)，以及runmax/min被如上限定，使得如果信号的偏置中发生突然上升，则un将追踪该上升，但ln将会滞后。图11的曲线图图示了对于波动信号，摆动索引的值以及un和ln的值是如何随时间变化的。[0175]现在返回参考图11a至图11c的框图，点生成模块将线段模型传输到特征提取模块，该特征提取模块可以在线段上执行线段呼吸特征顺序函数，从而针对整体信号生成呼吸信号特征。其中，出于例示性目的，下面介绍了这类特征的一些示例。[0176]avg_rpm-这个值可以近似于真实呼吸信号的rpm，该rpm被预计为具有约为3-60的值，其典型值为15。这个值可以使用以下公式计算[0177]avgrpm＝60/avgperiod[0178]rate_variation_short_term-这个值可以表示呼吸频率的一致性。这个值可以使用公式rate_variation_short_term＝periodvariation/avgperiod来计算[0179]breath_depth_variation_short_term-这个值可以指示呼吸幅值的周期性。这个值可以使用公式breath_depth_variation_short_term＝depthvariation/avgdepth来计算。[0180]breath_slope_variation-这个值可以指示呼吸信号斜率的周期性。这个值可以使用公式breath_slope_variation＝slopevariation/avgslope来计算mean[rise/fall]。[0181]rest_state_amp_variation-这个值可以指示静息状态幅值的变化，该静息状态幅值趋于具有较小的变化并且通常不取决于深度。这个值可以使用公式rest_state_amp_variation＝ampvariation[rest]/avgdepth来计算。[0182]rest_state_length_variation-这个值可以指示静息状态持续时间的变化。这个值可以使用公式rest_state_length_variation＝lengthvariation[rest]]/avgdepth来计算。[0183]rest_length_minus_hold_length_norm-这个值可以指示静息状态比保持状态长多少，对于典型的呼吸来说，保持状态应该具有正值。这个值可以使用公式rest_length_minus_hold_length_norm＝(avglength[rest]-avglength[hold])/avgperiod来计算。[0184]hold_state_minus_rest_state_amp_variation-这个值可以指示保持状态下的变化比静息状态多多少。对于典型的呼吸来说，这通常是正值，并且可以用于补偿周期性。这个值可以使用公式hold_state_minus_rest_state_amp_variation＝(ampvariation[hold]-ampvariation[rest])/(ampvariation[hold]+ampvariation[rest])来计算。[0185]exhale_minus_inhale_norm-这个值可以指示呼气比吸气长多少，对于典型呼吸的呼气时间通常约为吸气时间的两倍。这个值可以使用公式exhale_minus_inhale_norm＝(avglength[fall]-avglength[rise])/avgperiod来计算。[0186]出于上述目的，使用的术语是由以下各者给出：[0187]其中表示运行经验平均值。[0188][0189][0190]depth＝s2i-s2i-1[0191][0192][0193][0194][0195][0196][0197][0198]作为示例，参考图12c以及图12d，该图12c指示了从图12a所示的信号中提取到的特性特征，该图12d指示了从图12b所示的信号中提取到的特性特征。[0199]需要注意的是，选中的特性特征可以与时间标度无关并且彼此不相关。[0200]再次参考图11a至图11c的框图，特征提取模块将所提取的特性特征传输到度量生成模块，该度量生成模块可以执行线段特征到度量函数，以将特性特征聚集到度量中。[0201]可以理解的是，特性特征可以被分为两大类，即符号相关性特征和符号无关性特征。[0202]符号相关性特征包括rest_length_minus_hold_length_norm(静息_长度_减去_保持_长度_正常)、hold_state_minus_rest_state_amp_variation(保持_状态_减去_静息_状态_放大_变化)、以及exhale_minus_inhale_norm(呼气_减去_吸气_正常)。可以预期这些特征对于任何正常的呼吸信号来说都是积极的，而且呼吸信号的反相(inversion)也会使这些特征反相。可以预期的是，这些特征的值越高，信号就越可能是呼吸信号。这些特征可以被使用以确定接收到的信号的符号(反相/非反相)；在检测到符号以后(例如，通过在一个或更多个呼吸周期内整合这些特征)，这些特征可以乘以检测到的符号，以使它们对齐。[0203]符号无关性特征包括avg_rpm、rate_variation_short_term(心率_变化_短_期)、breath_depth_variation_short_term(呼吸_深度_变化_短_期)、breath_slope_variation(呼吸_斜率_变化)、rest_state_amp_variation(静息_状态_幅值_变化)、和rest_state_length_variation(静息_状态_长度_变化)。这些特征通常与反相信号无关。[0204]因此，在将特征转化为特性度量时，可以生成对数似然比(llr)，以示出信号是呼吸的概率。例如，信号是呼吸的概率可以由给出，其中llr＝log{pr(breathing)/pr(～breathing)}。[0205]举例来说，下面提出了一种可能的方法，其中通过使每个特征通过分片线性函数(piecewise linear function)以转换为llr，以及然后将这些llr求和，并在适当的地方添加全局偏移，就可以确定总体概率。[0206]参考图16a的流程图和图16b的示意图，用于生成度量的方法可以包括：计算每个特征的llr值1602，校正特征的llr值的符号1604，以及对校正后的llr值进行求和1606。[0207]计算每个特征的llr的步骤可以使用分片线性函数，使得对于每个特征，可以通过特征的函数来提供llr的分片线性描述，以一组点的形式给出(每个点是特征值和llr值的集合)，通常llr是第一个点以下和最后一点以上的常数。[0208]llrperfeature[n]＝interp1(points[n]，feature[n])[0209]因为，对于符号相关特征，信号的反相意味着特征的反相，可以为以下两种假设计算llr：第一种是符号＝+1，以及第二种是符号＝-1。因此，该函数可以通过下式给出：[0210]llrperfeature[n；sign]＝interp1(points[n]，sign·feature[n])[0211]特征生成(linesegmentbreathingfeaturessequential，线段呼吸特征顺序)和呼吸llr计算(linesegmentfeaturestometrics，线段特征到度量)都需要知道符号，并且由于这种已知不存在，因此可以通过对相关参数采取最佳情况下的“min/max/abs”来使其对符号具有弹性(即，选择能给出较好llr的选项)。这种“未编码”决策增加了llr，并减少了与虚无假设的差——例如，在有噪声的情况下，发现llr几乎增加了+1。[0212]因此，校正符号特征的步骤可以取决于符号决策反馈是否已经确定了符号。[0213]在符号已知的情况下，则根据已知的符号来选择llr_per_feature[n，sign]的输入。[0214]在没有确定这样的符号的情况下，可以对每个符号假设的符号llr-s进行求和，并选择两种情况中的最大和。[0215]对校正后的llr值进行求和的步骤，可以通过在选择了具有正确极性的符号特征以后对所有特征的llr_per_feature进行求和，来生成呼吸llr，并另外增加了可能的偏移：[0216][0217]符号llr＝log(pr(sign＝1)/pr(sign＝-1))可以通过针对每个假设单独获取的llr之间的差给出：[0218][0219]需要注意的是，符号llr的平滑化可以在“linesegmentgeneratemetrics(线段生成量度)”模块之外进行，然而整合符号决策对于通过向其馈送正确符号来改善呼吸检测llr是有用的。该等式如下所示：[0220]signllraccum[n]＝limiter(signllraccum[n-1]+signllr[n]，[-k，k])[0221]另外需要注意的是，尽管上面提出了特定模型，但本领域的技术人员可能更喜欢可以生成lsm的替代性模型。实际上，其他特征的度量可以根据需要来确定。此外，除了呼吸信号分析之外或者与呼吸信号分析并行，可以根据需要为诸如心率信号等的其他信号生成lsm。[0222]在适当的情况下，线段模型可以被用于将包括心跳和呼吸的信号分离成两个分量。例如，如果信号s[n]包括两个分量s[n]＝b[n]+h[n]，其中b是呼吸，并且h是心跳，则b[n]可以通过本文所述的lsm来估计，以及h[n]可以通过s[n]与b[n]的差来确定。[0223]技术说明[0224]本文使用的技术术语和科学术语应具有与本公开内容所属领域的普通技术人员通常理解含义相同。然而，预期在本技术的专利有效期内，许多相关的系统和方法将被开发出来。因此，诸如计算单元、网络、显示器、存储器、服务器等的术语的范围意在包括所有这些先验的新技术。[0225]本文使用的术语“约”是指至少±10％。[0226]术语“包括”、“包含”、“具有”、“带有”及其变形词是指“包括但不限于”并指示包括所列的部件，但通常不排除其他部件。这些术语包括术语“由……构成”和“基本由……构成”。[0227]短语“基本上由……构成”意味着该组合物或方法可以包括额外的成分和/或步骤，但前提是这些额外的成分和/或步骤不会实质性地改变所要求保护的组合物或方法的基本特征和新颖特征。[0228]如本文所使用的，单数形式的“一”、“一个”和“该”可以包括复数引用，除非上下文另有明确规定。例如，术语“一种化合物”或“至少一种化合物”可以包括多个化合物，包括其混合物。[0229]本文使用的“示例性”一词是指“作为示例、实例或例示”。被描述为“示例性”的任何实施方式不一定要被理解为比其他实施方式更优选或更有利，也不一定要排除与来自其他实施方式的特征的结合。[0230]本文使用的“可选地”一词是指“在一些实施方式中提供，而在其他实施方式中不提供”。本公开内容的任何特定实施方式都可以包括多个“可选的”特征，除非这些特征发生冲突。[0231]无论何时本文中指出数值范围，其意味着包括指定范围内的任何引用的数值(分数或整数)。短语“在”第一指示数字和第二指示数字“之间的范围”以及“从”第一指示数字“到”第二指示数字“的范围”在本文中可以互换使用，并意味着包括第一指示数字和第二指示数字及其之间的所有分数和整数数值。因此，应理解的是，以范围格式描述仅仅是为了方便和简洁，不应被理解为对本公开内容的范围的不灵活限制。因此，对范围的描述应被视为已具体公开了所有可能的子范围以及该范围内的单个数值。例如，对范围的描述，诸如从1到6，应被视为具体公开了以下子范围，诸如从1到3、从1到4、从1到5、从2到4、从2到6、从3到6等，以及公开了该范围内的以下单个数字，例如，1、2、3、4、5、和6以及非整数的中间值。无论范围的广度如何，这都适用。[0232]应理解的是，为了清楚起见，在单独实施方式的上下文下描述的本公开内容的某些特征也可以在单个实施方式中以组合的方式提供。反之，为简洁起见，在单个实施方式的上下文下描述的本公开内容的各种特征也可以单独地提供、或者以任何合适的子组合的方式提供、或者被提供为适于本公开内容的任何其他描述的实施方式。在各种实施方式的上下文中描述的某些特征不应被视为这些实施方式的基本特征，除非没有这些元素的实施方式是不可操作的。[0233]尽管已经结合具体实施方式对本公开内容进行了描述，但很明显的是，对于本领域的技术人员来说，许多替代方案、修改和变化都将是显而易见的。因此，本公开内容意在包含所有落入所附权利要求的精神和广泛范围内的此类替代方案、修改和变化。[0234]本说明书中提到的所有出版物、专利和专利申请在本文中通过引用全文并入本说明书，其程度与每个单独的出版物、专利或专利申请被具体地和单独地指示通过引用并入本文的程度相同。此外，本技术中对任何参考文献的引用或标识不应被解释为承认该参考文献可以作为本公开内容的现有技术。就使用章节标题而言下，它们不应被解释为必定限制性的。[0235]所公开的主题的范围由所附权利要求限定，并且包括上述各种特征的组合和子组合以及其变化和修改，这些变化和修改在本领域的技术人员阅读上述描述后会想到。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!