CN102137623A - 用于医疗装置的姿势状态分类 - Google Patents

Abstract

提供了在传感器的坐标系中进行患者姿势分类的技术。根据一方面，从相对于患者以大致固定方式设置的传感器获取定义向量。该定义向量在传感器的坐标系中描述而与相对于患者设置传感器的定向无关。从传感器获取使用传感器的坐标系描述的检测向量。检测向量和定义向量用于分类所述患者的姿势状态而与所述传感器相对于所述患者设置的定向无关。可由医疗装置启动应答，应答可包括调整治疗递送。

Description

用于医疗装置的姿势状态分类

背景技术

许多类型的医疗装置可用于向患者提供慢性(例如长期)治疗。例如，可采用脉冲发生器提供心脏起搏和神经刺激治疗，采用泵递送治疗剂，例如药物。通常，这种装置根据参数连续或周期性地提供治疗。例如，临床医师可指定包括对于多个参数中的每一个相应的值的程序，用于递送治疗。

在一些情况下，可能希望基于患者状态激活和/或修改治疗。例如，诸如接受脊髓刺激(SCS)治疗的患者的疼痛强度等的症状可能基于患者的活动水平或姿势、患者采取的具体活动等因素而随时间改变。需要能够准确检测和分类患者的状态，所述分类可用于激活和/或选择对于该状态最有效的治疗。

发明概述

根据本发明的一方面，提供了用于患者姿势分类的技术。姿势分类采用传感器的坐标系，传感器可以是加速度计，或用于检测姿势和/或活动的一些其它传感器。在一个实施方式中，这种姿势分类可以与患者的身体坐标系无关。因此，无需进行将传感器输出信号转化为身体坐标系的转化或转换。相反，传感器输出信号可用作向量，与定义的姿势定义进行直接比较。这可显著降低患者姿势分类所需的时间和功率消耗。

在一个实施方式中，可植入传感器或者以其它方式由患者承载，所述传感器可包括一个或多个加速度计。传感器提供了指示患者姿势的三维向量。如上所述，这种向量可以在传感器的坐标系中表达而与患者的身体坐标系无关。当传感器以大致固定的位置由患者承载的同时，可定义一种或多种姿势。这可以通过要求患者采取某一姿势而进行。当患者采取该姿势的同时，可从传感器获取相应的向量。该向量可称为定义的姿势向量。然后在该姿势与定义的姿势向量之间产生关联。

接着，用户(例如临床医师)可选择与该定义下姿势联用的容差。容差可描述与向量的关系。在一个实施方式中，该容差可描述圆锥、圆环面、或围绕所述姿势向量的一些其它空间。该容差与姿势定义相关联。

可以上述方式产生任意数量的姿势定义。然后使用这些姿势定义对患者的姿势进行分类。当传感器以姿势定义过程期间承载的大致相同方式相对于患者身体进行设置的同时，从传感器获取指示患者当前姿势的向量。该向量称为检测的姿势向量，可以按照传感器的坐标系表达而与患者的身体坐标系无关。这样，该向量可与姿势定义内包含的向量进行直接比较，在对患者的姿势进行分类之前无需对检测的姿势向量进行转换。这大大改善了姿势分类的效率，因为将传感器信号转换至患者的身体坐标系是处理密集型的操作。

根据另一方面，通过消除姿势分类过程期间的角度推导甚至可进一步优化姿势分类。推导角度是非常处理密集型的，因此在诸如可植入医疗装置等采用有效能源的应用中是不理想的。因此，采用非角度相似性，以节省时间和节约功率的方式来执行姿势分类。具体说，可以通过确定检测的姿势向量与定义姿势的定义姿势向量之间的相似性值(“相似性”)来进行姿势分类。相似性值可以是除角度之外的值，不涉及角度的推导或比较。这种相似性可以表达为三角函数(例如正弦或余弦)、欧几里德距离、绝对距离、城市街区距离或一些其它类型的非角度值的形式。如果推导的相似性符合定义姿势的容差所指定的要求，则患者可分类为处于该姿势。

在一个实施方式中，检测的姿势向量和定义的姿势向量之间的相似性可基于定义的姿势向量的平方长度以及定义的姿势向量与检测的姿势向量之间的内积中至少一个。前者的值，即定义的姿势向量的平方长度，是只有在姿势定义过程期间选择了定义的姿势向量之后才需计算的常数。然后，采用预先推导的常数和内积计算完成姿势分类。这种类型的处理比采用角度推导来对姿势分类时需要的处理步骤要少许多，能够非常快速地完成。

根据另一方面，定义的姿势向量可以相对于彼此归一化。这可涉及将每个定义的姿势向量除以其自身长度，所得结果乘以预定的比例因子S。由此所有定义的姿势向量归一化至相同的已知长度。在一些情况下，这可使得定义的姿势向量与检测的姿势向量之间的比较更有效地完成。例如，这可允许采用内积来确定检测的姿势向量最接近哪个定义的姿势向量，结局用于对患者的姿势分类。

本发明的另一方面涉及利用空间中多个区域之间的关系来产生单一的姿势定义。空间中的这些多个区域通过逻辑函数相互关联(例如，布尔逻辑函数和、或、非等)。作为一个具体例子，可使用围绕直立向量的圆环面来定义大致对应于处于俯伏位置的患者的姿势。此外，可定义多个圆锥，每个对应于当患者处于俯伏状态时(例如，仰卧、俯卧、右侧卧、左侧卧等)可能采取的特定的姿势。然后产生躺下姿势的定义，该定义引用圆环面内的空间和/或每个这些圆锥内的空间。由此该定义利用逻辑或类型的函数将空间(圆环面和圆锥)中的各个区域组合在一起。可利用其它逻辑函数以类似的方式将空间中任意数量的区域组合或者以其它方式相互关联。例如，可利用逻辑和类型、非类型或其它逻辑函数引用多个圆锥和/或圆环面中相互重叠的部分。这提供了定义可能涉及空间中多个区域的各个姿势的非常灵活的方式。

本发明的另一方面涉及使用一种或多种定义的姿势向量来产生虚拟的姿势向量。作为产生虚拟的姿势向量的一个例子，考虑当患者处于俯伏位置时可能采取的多个姿势。这种姿势可包括仰卧、俯卧、右侧卧和左侧卧姿势。每个这种姿势可以与当患者采取该姿势(例如仰卧)时从传感器获取的定义的姿势向量相关联。定义的姿势向量可以以相邻对成组，相邻性表示向量在空间中如何定位。例如，可使用仰卧和左侧卧姿势形成相邻对，因为这两个向量在三维空间中相互“邻近”。采用这种例子的四个姿势形成四组相邻对。每个相邻对形成叉积，导致垂直于相邻对中两个定义的姿势向量的向量。假定所有这种叉积在脑中由右手规则产生导致所得向量均具有相同的记号(正或负)，这些叉积将均在相同的大致方向上。推导这些叉积的均值用作检测躺下姿势时的虚拟姿势向量。

在一些情况下，虚拟的姿势向量将比实际的定义姿势向量得到更准确的姿势分类。例如，当确定患者处于躺下时是这样。当患者躺下时通常可能采取的一种或多种位置可能涉及患者身体的一部分比另一部分抬高。因此，许多患者占据并非垂直于患者身体的S-I轴线，而是相对于S-I轴线以一定角度“倾斜”的平面。获取大致垂直于该倾斜平面的虚拟向量。使用这种虚拟向量比使用与身体的S-I轴线大致重合的直立向量能够更准确地检测躺下姿势。

在一些情况下，根据本发明的另一方面，基于状态的评价选择姿势定义的一方面可能是有益的。

为了说明这种情况，考虑患者可能离开与直立姿势相关联的定义姿势向量一定距离倾斜。可能希望当患者沿向前方向倾斜显著量时患者仍然归类为直立姿势。相反，也可能希望在患者被重新分类为除了直立姿势之外的姿势之前仅允许少量向后倾。因为这种不对称的要求，单一容差不足以描述直立姿势向量的所需关系。相反，需要两个不同的容差，较大的容差与向前倾相关联，较小的容差则用于向后倾。

在使用当前例子的直立姿势定义来对患者的位置进行分类时，必须首先确定患者是相对于直立姿势向前倾或是向后倾。为此，比较检测的姿势向量与两个额外的定义姿势向量：俯卧姿势的姿势向量(与俯卧相关联)以及仰卧的姿势向量(与仰卧相关联)。采用这种比较可以确定检测的姿势向量是更接近俯卧姿势导致患者向前倾，或者更接近仰卧姿势导致患者向后倾。

基于上述评价的结果，选择与直立姿势定义相关联的容差。如果检测的姿势向量更接近俯卧，选择描述较大圆锥的容差用于确定患者是否仍然处于直立姿势。相反，如果检测的姿势向量更接近仰卧，指示患者向后倾，则选择描述较小圆锥的容差用于确定患者是否处于直立。以这种方式，可使多个容差与单一姿势定义相关联，其中每个容差定义空间中的不同区域。基于状态的评价选择选择定义内采用的容差。

这仅仅是评价状态以确定姿势定义的一方面的一个例子。可评价其它类型的状态。在评价过程中可执行任意数量的N比较，结果可涉及N-向结局。结局可用于选择区域大小(例如，圆锥大小)、区域形状(例如圆锥版圆环面)、区域相互关系(一个或多个区域、布尔逻辑等)，等等。

本发明的其它方面涉及对患者的活动状态进行分类，其中活动状态可涉及运动的方向(例如速度方向或加速度方向)。

可以参照产生姿势定义的上述类似的方式利用患者参与定义活动状态。可指导承载传感器的患者开始进行活动(可能涉及运动或缺乏运动)。可以从传感器获取指示该活动的一种或多种原始或处理的信号。在一个实施方式中，这些信号可以从传感器信号的AC分量获取。这些一种或多种信号可以与活动状态的定义一起储存。用户可以与选择用于姿势向量的容差大致相同的方式提供与这些信号联用的容差。

定义活动状态之后，该定义可用于对患者的运动进行分类。在这种情况下，当患者进行日常生活的同时可以从传感器接收一种或多种信号。这些信号可经过处理(例如过滤以提取AC信号分量等)以获取检测的活动向量(例如速度或加速度向量)。可以将检测的活动向量与一种或多种定义的活动向量进行比较以确定检测的活动向量与定义的活动向量是否具有相关容差所确定的关系。这种比较可以采用本文参照姿势分类描述的技术中的任一种。例如，这种比较可以使用相似性进行而不需要计算角度，因为这可大大降低功率需求。这种比较可进一步采用与定义的活动状态一起储存的常数以进一步减少计算。这种常数可包括例如，以上述所述方式定义的活动向量的平方长度。

以上参照姿势描述的处理效率的任一种可用于活动状态。例如，单一活动状态定义中可参照空间中多个区域。这些区域可以通过布尔逻辑算子相互关联。活动状态定义可引用虚拟的活动向量，这种虚拟的活动向量可以通过对多个定义的活动向量应用处理步骤推导得到。在一个实施方式中，处理可涉及获取定义的活动向量的相邻对的叉积的平均值。可以以上文参照姿势定义描述的方式中的任一种使用这些虚拟向量产生活动状态定义。

作为另一个例子，状态可以与活动状态定义相关联。进行这种状态评价以选择活动状态定义的某一方面。例如，在一个实施例中，评价状态产生的结果可用于选择围绕定义所引用的向量的区域的大小和形状。

姿势定义和活动状态定义可一起用于对患者的姿势状态进行分类。可产生引用姿势定义和活动状态中至少一个的患者的姿势状态定义。就是说，可以仅仅基于姿势，仅仅基于活动状态，或者基于两者将患者分类为具体的姿势状态。姿势和活动状态的分类可根据上文所述技术中任一种进行。该姿势状态分类可用于启动各种类型的应答。例如，检测到姿势状态改变时，系统可自动修改当前递送的治疗，选择新的治疗递送至患者和/或停止现有治疗的递送。在另一个实施方式中，检测的姿势状态转变可用于提示通知的发布或启动一些信息的记录。

根据一方面，提供了对患者的姿势状态进行分类的方法。该方法包括从相对于患者以大致固定方式设置的至少一个传感器获取定义向量，所述定义向量在所述至少一个传感器的坐标系中描述而与所述传感器相对于所述患者设置的定向无关。该方法还包括从所述至少一个传感器获取检测向量，所述检测向量采用所述至少一个传感器的坐标系描述并且指示所述患者的姿势状态。比较所述检测向量和定义向量，基于所述比较对所述患者的姿势状态进行分类而与所述传感器相对于所述患者设置的定向无关。通过与向患者提供护理有关的医疗装置启动动作。这种基于姿势状态分类的动作可涉及调整治疗，开始或停止治疗，提供通知，储存数据用于分析系统或诊断患者，等等。

根据另一方面，描述了一种用于确定患者的姿势状态的可植入医疗装置。该装置包括传感器，所述传感器大致固定于患者而与传感器的定向无关。提供储存装置，所述储存装置储存引用在所述传感器的坐标系中表达的至少一个定义向量的至少一种姿势状态定义。提供处理器，所述处理器从所述传感器获取在所述传感器的坐标系中的检测向量，比较所述检测向量与所述至少一个定义向量并基于所述比较对所述患者的姿势状态进行分类而与所述传感器的定向无关。

另一个实施方式涉及一种方法，该方法包括从患者体内以任何定向承载的至少一个传感器接收定义向量，所述定义向量在所述至少一个传感器的坐标系中表达而与患者的坐标系无关。该方法还包括参照定义向量定义姿势状态，和从与可植入医疗装置通信耦联的至少一个传感器获取检测向量，检测向量在所述至少一个传感器的坐标系中表达而与患者的坐标系无关。基于检测向量和定义向量的比较对患者的姿势状态进行分类。可基于姿势状态分类经可植入医疗装置向患者递送治疗。

在另一个实施方式中，提供一种储存介质，该储存介质储存可执行的指令以使处理器执行一种方法，该方法包括：从相对于患者以任意定向承载的传感器的信号推导检测向量，该检测向量在传感器的坐标系中指示。该方法还包括获取引用一种或多种定义向量的一种或多种姿势状态定义，每种定义向量在所述传感器的坐标系中指示。直接比较检测向量与一种或多种定义向量，基于这种比较对患者的姿势状态进行分类。

在附图和以下描述中详细说明了本发明的一种或多种实施方式。通过描述、附图以及权利要求书，所述机制的其它特征、目的和优点将是显而易见的。

附图简要说明

图1的概念图显示了一种有利于本发明姿势状态的定义和分类的示例性系统。

图2的框图较详细地显示了可植入医疗装置的一种实施方式。

图3的框图显示了根据本发明一个实施方式的可植入医疗装置的存储器的一种示例性配置。

图4的概念图显示了使用校正因子将来自传感器坐标系的传感器信号翻译成身体坐标系。

图5A显示了根据本发明一个实施方式定义姿势的示例性方法。

图5B显示了根据本发明另一个实施方式定义躺下姿势的示例性方法。

图6的流程图描述了根据本发明产生和使用姿势定义的一种方法。

图7A是直立姿势的姿势定义的图形描绘。图7B是躺下姿势的姿势定义的图形描绘。

图8A和8B是患者躺下时可能采取多种姿势的姿势定义的图形描绘。

图9A和9B是单一姿势定义所引用的空间中多个区域的图形描绘。

图10A是采取虚拟姿势向量的姿势定义的图形描绘。

图10B是采取虚拟姿势向量并引用空间中多个区域的姿势定义的图形描绘。

图11的流程图描述了根据本发明的一方面产生和使用姿势定义的一种方法。

图12的流程图描述了根据本发明的一更具体实施方式使用姿势定义的一种方法。

图13的图形表示显示了用于选择姿势定义的一方面的状态。

图14的流程图显示了在对姿势进行分类时使用评价的状态。

图15的流程图描述了根据本发明对姿势状态进行分类的一种方法。

图16A和16B的概念图显示了在可植入医疗装置的诊断或治疗应用之前使可植入装置与患者姿势状态定向的示例性用户界面。

图17A和17B的概念图显示了一种示例性用户界面，以确定可植入医疗装置的定向而不要求对每种姿势状态进行定向。

具体实施方式

本文所述技术涉及患者姿势状态的分类。所述姿势状态涉及姿势和活动中至少一种。患者姿势状态的分类可用于启动应答。例如，这种分类可用于以闭环方式递送治疗。

采用本发明所述的技术以闭环方式递送的治疗的例子包括电刺激或治疗剂的递送。电刺激可以例如用于治疗患有慢性背部疼痛、或不能通过其它方法治疗的其它疼痛的患者。当患者改变姿势状态时，可能涉及位置和/或活动的改变，可能需要调整刺激以维持功效。可检测、分类患者姿势状态的这种改变，并用于修改当前递送的治疗，或选择新的治疗递送给患者。在另一个实施方式中，检测的姿势状态转变可用于提示一些通知，或者记录一些信息。

根据本发明的一些实施方式，医疗装置，例如可植入医疗装置(IMD)包括感应姿势状态的传感器或与其耦联。传感器可以是三轴加速度计，例如压电和/或微-电-机(MEM)加速度计。然后，感应的姿势状态可用于启动一些动作，可以是相对于该患者采取的动作。这种动作可以仅仅是储存感应的姿势状态。该动作可额外或可选地涉及递送的治疗的改变，提供通知，和/或相对于感应的姿势状态适当采取的任何其它动作。

IMD可储存含有记录的表或其它数据结构。每条记录可包含与相应的姿势状态相关联的治疗信息。IMD可自动感应患者当前的姿势状态和/或患者姿势状态的改变。感应的信息可用于附注包含治疗信息的表或其它数据结构。从而可选择合适的治疗，提供对于患者当前的姿势状态最有效的结果。

图1的概念图显示了一种有利于本发明姿势状态的定义和分类的示例性系统10。在所示实施例中，系统10包括IMD12，IMD12植入患者14体内，向患者14递送神经刺激治疗。

IMD12通过治疗连接16A和16B(“治疗连接16”)向患者14递送神经刺激治疗，所示治疗连接例如可以是负载电极的导线。在这种类型的应用中，电极(未示出)可以是例如桨形导线上的电极垫、围绕导线主体的圆形(例如环形)电极、符合电极、C形电极(cuff electrodes)、分段电极、或能够形成用于治疗的单极、双极或多极电极配置的任何其它类型的电极。在一些应用中，例如治疗慢性疼痛的SCS，相邻的治疗连接16可具有相互间大致平行的纵轴线，一个治疗连接无需与另一治疗连接具有相同数量的电极。

系统可提供超过2个，或者仅仅1个治疗连接16。在一种情况下，提供三个治疗连接16，每个治疗连接负载电极以形成所谓的4-8-4或4-16-4导线配置，由此所述数量指示了可以由单根导线定义的特定列中的电极数量。其它导线配置，例如8-16-8、8-4-8、16-8-16、16-4-16也是可能的。外置编程装置20可首先告诉导线16的数量和配置以适当对刺激治疗编程。

如图1所示，治疗连接16可植入患者14的脊髓18附近，IMD12可向患者14递送SCS治疗以例如减轻患者14的疼痛。然而，本发明并不限于图1所示治疗连接16的配置或SCS治疗的递送。例如，一个或多个治疗连接16可以从IMD12延伸至患者14的大脑(未示出)，IMD12可以向患者14递送深部脑刺激(DBS)治疗以治疗震颤、帕金森病或癫痫。

在其它实施例中，可以将一个或多个治疗连接16植入骨盆神经、胃或其它器官(未示出)附近，IMD12可递送神经刺激治疗以治疗失禁、胃轻瘫、性功能障碍或其它病症。此外，本发明并不限于可植入装置。任何外置医疗装置可对姿势状态进行分类，用于根据本发明的技术递送治疗。

并且，如上所述，本发明并不限于IMD12递送刺激治疗的实施方式。例如，在一些实施方式中，IMD12可额外或替代地耦联于一个或多个导管或其它物质递送装置以向患者14递送一种或多种治疗物质，例如一种或多种药物。

IMD12递送的示例性治疗剂包括但不限于：胰岛素、吗啡、氢吗啡酮、布比卡因、可乐定、其它镇痛药、遗传物质、抗生素、营养液、激素或激素药物、基因治疗药物、抗凝剂、心血管药物或化学治疗剂。在这种情况下，IMD 12用作药物泵，与外置编程装置20通信以启动治疗或在运行期间修改治疗。此外，IMD 12可重复填充以允许慢性药物递送。

当IMD 12向患者递送治疗物质时，可放置多个治疗连接16如导管以向相同的解剖学位置或相同的组织或器官递送物质。或者，每个导管可将治疗递送至患者14体内不同组织，用于治疗多种症状或病症。在一些实施方式中，IMD 12可以是外置装置，其包括经皮导管，经皮导管提供治疗连接16之一或者例如通过流体耦联器耦联于治疗连接16。在其它实施方式中，IMD12可耦联于提供电刺激和药物递送治疗的治疗连接16。

虽然目标治疗递送部位在患者14的脊髓18附近，但其它应用也是可能的。例如，在药物递送系统的其它应用中目标递送部位可位于患者14内骶神经(例如，S2、S3或S4骶神经)附近或者其它合适的神经、器官、肌肉或肌肉组织附近，例如可基于患者病症进行选择。在一个这种应用中，可使用药物递送系统将治疗剂递送至阴部神经、会阴神经或神经系统的其它区域附近的组织，在这种情况下，治疗连接16可植入或基本固定于相应的神经附近。因此，许多类型的应用是可能的。

并且，在一些方面，本文所述用于评价姿势和姿势状态的技术可应用于通常致力于感应或监测但不包括刺激或其它治疗组件的IMD。例如，本文所述的姿势状态分类机制可用于诊断目的，例如诊断治疗需要，或者确定患者如何响应现有的治疗。姿势状态分类也可用于提供通知，例如经无线链接向护理人员提供患者可能已经历跌倒的通知。因此，本发明的姿势定义和分类可用于启动许多类型的动作，包括储存分类用于后续分析、启动治疗改变、提示通知等等。

在示例性的实施方式中，IMD12在一个或多个程序的控制下执行各种操作，包括姿势状态分类。程序包括一个或多个参数，这些参数根据该程序定义姿势分类和/或检测的一方面。

在示例性的实施方式中，IMD12可响应记录内的信息启动动作。例如，多个记录可储存在表或其它数据结构中。每个这种记录可描述至少一种姿势状态以及响应检测到该姿势状态而采取的相关动作。如上所述，基于定义的姿势和活动参数的值(例如，指示总体患者活动的参数)中至少一种确定姿势状态。当IMD 12检测姿势状态时，IMD12可启动记录中对于该姿势状态的信息所指示的动作。这种动作可涉及根据特定的程序、程序组和/或参数集合来递送治疗。这种动作可替代地或另外地涉及提供某些通知和/或记录某些信息。

在所示实施例中，系统10还包括编程装置20，如图1所示，编程装置20可以是手持式计算装置。编程装置20允许用户(例如患者或临床医师)与IMD12相互作用。例如，编程装置20可采用射频(RF)遥测技术或本领域已知的任何其它技术通过无线通信与IMD12通信。

如图1所示，编程装置20可包括显示器22和键区24，以允许用户与编程装置20相互作用。在一些实施方式中，显示器22可以是触摸屏显示器，用户可通过显示器22与编程装置20相互作用。用户也可采用外围定点设备(例如指示笔或鼠标)与编程装置20相互作用。键区24可采取字母数字键区或与特定功能相关联的一组简化的键的形式。在一些实施方式中，键区24可包括幅度上调按钮和幅度下调按钮以直接调整刺激幅度。

在示例性的实施方式中，编程装置20是临床医师使用的临床医师编程装置，根据本发明定义姿势和姿势状态。然后，定义的姿势可用于检测日常生活期间患者采取的姿势和姿势状态。检测的姿势可用于确定提供给患者的治疗的类型，监测患者一般健康状况，为患者建议新的治疗，以及确定患者是否经历姿势特异性事件如跌倒。

图2的框图较详细地显示了可植入医疗装置IMD12的一种实施方式。IMD12可通过治疗连接16A和16B递送神经刺激治疗。如上所述，这些治疗连接可以是具有一个或多个电极30AH(统称为“电极30”)的导线，或一些其它治疗机制，例如用于向患者递送物质的一个或多个导管。IMD 12可耦联于任何数量的治疗连接。

治疗连接16A和16B通过治疗模块32偶联于IMD12。例如，这可以是例如刺激脉冲发生器。这种脉冲发生器可耦联于电源，例如电池。治疗模块32可以向患者14递送电脉冲和/或可以递送一些物质类型，例如药物。

治疗递送可以在处理器34的控制下进行。处理器34可包括微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、离散的逻辑电路、或者它们的任意组合。

处理器34可控制治疗模块32，根据选择的程序递送神经刺激或其它治疗。例如，处理器34可控制治疗模块32，递送具有程序所指定的幅度、宽度和频率的电脉冲。处理器34也可控制治疗模块32，通过程序所指定的具有选定极性的选择的电极亚组30(例如选择的电极配置)来递送脉冲。

IMD 12也可包括遥测电路38，遥测电路允许处理器34与编程装置20通信。例如，临床医师可选择将要传送至IMD12的存储器36的程序、参数、姿势定义、姿势状态定义以及相关的治疗和动作。处理器34也可与编程装置20通信，通过遥测电路38向临床医师提供储存在存储器36中的诊断信息。处理器34也可与患者编程装置通信，从用户(例如患者14)接收治疗参数调整或其它治疗调整，以及启动或终止刺激的命令。遥测电路38可对应于可植入医疗装置领域已知的任何遥测电路。

IMD 12还包括传感器40，感应用于检测姿势状态的一个或多个参数。在示例性的实施方式中，传感器40包括三轴加速度计，例如压电和/或MEM加速度计。在其它实施方式中，可采用多个单轴或多轴加速度计代替一个三轴加速度计。在其它实施例中，传感器40可包括陀螺仪或能够感应姿势和/或活动水平的其它传感器。因此，应理解，传感器40可包括超过一个的传感器。

在示例性实施方式中，传感器40位于IMD12的外壳(未示出)内。然而，本发明并不限于此。在一些实施方式中，传感器40通过额外的治疗连接16(未示出)耦联于IMD12。传感器可位于患者14体内任何位置。

在替代实施例中，第一和第二传感器可以在患者14体内并且相对于IMD12的各组件处于不同位置。例如，一个姿势传感器可以是靠近IMD12植入但物理分离的独立的可植入传感器。另一个传感器可以例如连接于治疗连接16附近位于患者14体内的额外的传感器导线。或者，另一个传感器可以是靠近治疗连接植入但与治疗连接物理分离的独立的可植入传感器。在一些实施例中，将一个姿势传感器设置在患者14体内治疗递送部位附近，而另一个传感器设置在比第一传感器更接近IMD12的位置。

在一些实施方式中，IMD12可耦联于一个或多个加速度计或者位于患者14外表面上各个位置的其它位置传感器。在其它实施方式中，所述一个或多个传感器可与IMD12无线通信而不需要一根或多根导线与IMD12通信。例如，传感器40可位于患者14外部，直接或通过编程装置20与处理器34无线通信。

如上所述，传感器40可感应用于检测姿势状态的一个或多个参数。姿势状态是通过姿势定义和活动状态中至少一个分类的状态，所述活动状态可描述例如总体活动水平，一个或多个选择方向上的活动水平，与速度或加速度有关的向量，等等。

可检测的示例性姿势状态包括直立姿势状态。该姿势状态可定义为与活动状态无关的当患者处于直立姿势时的状态。作为另一个例子，直立且活动的姿势状态可与直立姿势和活动状态相关联，所述活动状态与超过一些预定阈值水平的活动水平相关联。可定义其它示例性姿势状态，例如“跑步”、“坐下”、“弯曲”等等并随后由传感器40感应。

IMD 12还包括存储器36，存储器36可储存编程指令，当处理器34执行所述指令时可导致IMD12执行归属于IMD12的功能。存储器36可包括任何易失性、非易失性、磁性、光学或电学介质，例如随机存取存储器(RAM)、只读存储器(ROM)、非易失性存储器存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、FLASH存储器，等等。

图2还包括姿势状态模块41。在一个实施方式中，提供该姿势状态模块以处理传感器40的模拟输出。姿势状态模块41可包括离散组件、微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)，等等。姿势状态模块41可单独运行，或与处理器34联合运行，以处理检测姿势状态中使用的传感器输出。例如，姿势状态模块41可处理传感器40提供的原始信号以确定检测姿势状态中使用的指示活动水平、沿一个或多个加速度计轴的速度(可通过整合相应的加速度计信号获得)等的活动计数。下面将进一步讨论。

在其它实施例中，姿势状态模块41可额外地或替代地被配置成感应患者14的一种或多种生理学参数。例如，生理学参数可包括心率，肌电图(EMG)，脑电图(EEG)，心电图(ECG)，体温，呼吸率或pH。在一些实施方式中，这些生理学参数被处理器34可用以确认或拒绝可能由于震动、患者旅行(例如在飞机、汽车或火车上)患者姿势状态模块41检测的一些其它假阳性姿势状态导致的感应的姿势状态的改变。

图3的框图显示了IMD12的存储器36的示例性配置。如图3所示，存储器36储存程序50，处理器34可利用一个或多个程序产生姿势状态定义52。如上所述，每个姿势状态定义52与姿势定义52a和活动状态定义52b中至少一个相关联。

患者的姿势、活动状态和/或姿势状态可记录在姿势状态历史文件54中。例如，该文件可记录患者当前的姿势信息，包括当前的姿势和活动状态，以及一段时间内患者采取的先前的姿势和活动状态。

存储器36也可储存诊断信息56，用于确定患者如何响应治疗，是否需要治疗修改，是否启动治疗，等等。

在一些情况下，姿势状态信息可通信至用于追踪患者状态的外置装置(例如外置监测器)。警告也可以这种方式发送。例如，可发送指示患者可能已经历跌倒的警告。

如上所述，使用传感器40的信号来检测姿势。为了讨论的目的，假设传感器40是三轴加速度计，虽然传感器40也可包括多个单轴加速度计。传感器40提供描述沿每个x、y和z轴的加速度的相应的信号。假定这些轴为正交。

传感器40提供的每个x-、y-和z-轴信号具有DC分量和AC分量。DC分量描述了传感器上产生的重力，因而可用于确定地球重力场内传感器的定向。根据本发明，传感器的定向相对于患者保持相对固定，则可利用x、y和z信号的DC分量来确定重力场内患者的定向，因而确定患者的姿势。

现有技术的机制在确定姿势时通常利用患者身体坐标系。身体坐标系包括上-下(S-I)身体轴线(从脚趾延伸至头部)，前-后(A-P)身体轴线(从背面延伸至前面)，和外-内(L-M)身体轴线(从右侧延伸至左侧)。姿势可以根据这些身体坐标轴容易地定义。

在简单的情形下，传感器40可位于患者体内或体表，使得传感器40的x、y和z轴与患者的身体坐标系对齐。在一个实施例中，传感器40的y轴可与S-I身体轴线对齐，传感器40的z轴与A-P身体轴线对齐，传感器40的x轴与L-M身体轴线对齐。当传感器坐标系和身体坐标系之间实现这种对齐时，传感器信号可容易地用于检测按照身体坐标系定义的姿势。然而，这种对齐可能难以实现和维持。例如，置于患者体内或体表的同时传感器位置可能发生转移。

姿势分类的另一种方法涉及使用校正因子，考虑到传感器40可能不与身体坐标系对齐。该校正因子用于将传感器输出翻译成身体坐标系，可以几种方式表达。例如，校正因子可以是应用于传感器输出的传输矩阵。或者，校正因子可包括俯仰角、滚转角和偏转角，应用于传感器信号以执行所述翻译。表达校正因子的其它机制也是可能的。根据该方法，施加校正因子之后传感器信号可仅用于检测姿势，信号按照患者的身体坐标系表达。

图4显示了使用校正因子将来自传感器坐标系的传感器信号翻译成身体坐标系。显示IMD 12被植入患者14体内。如上所述，传感器40负载在IMD12的外壳内。传感器40具有传感器坐标系57，包括y轴57a、x轴57b和z轴(因为简明未显示)。

患者14具有身体坐标系58，包括S-I轴线58a、L-M轴线58b和A-P轴线58c。在图4中身体坐标系58不与传感器坐标系对齐。例如，S-I轴线58a不与传感器坐标系的y轴57a对齐，L-M轴线58b不与传感器坐标系的x轴57b对齐。因此，传感器40的输出不能用于直接检测按照身体坐标系定义的姿势。

在传感器40的输出可用于检测按照身体坐标系定义的姿势之前，对传感器输出施用校正因子。在该实施例中，校正因子包括滚转角59。滚转角描述了S-I轴线58a和传感器40的y轴57a未对齐。可使用类似的角来描述L-M轴线58b和x轴57b之间的未对齐，A-P轴线58c和传感器40的z轴(未示出)之间的任何未对齐。例如在题为“定向和校准可植入医疗装置的姿势和装置(Posture and Device Orientation and Calibration for Implantable Medical Devices)”的共同受让的美国专利6,044,297中提供了施用校正因子的机制。

传感器输出中校正因子的应用可能是处理密集型的。而且，必须首先确定校正因子。在定期执行姿势分类的IMD中，可能希望去除这些步骤以节省功率。

根据所述姿势检测机制的一些实施方式，当前技术可以在传感器的坐标系而非患者的身体坐标系中定义姿势。因此，无需对传感器40的输出施用校正因子。而且，没有必要导出校正因子。这显著简化了执行姿势检测的过程，从而节省了显著量的功率和处理时间。这对于诸如IMD等涉及可再充电或不可再充电电池的具有有限功率源的装置尤其重要。

为了在传感器的坐标系中定义姿势，将传感器40以大致固定的方式沿任何定向设置到患者14体表或体内。例如，传感器可以在外科手术期间植入患者体内，可使用经皮手术设置到患者上，可以暂时或永久性地固定于患者外表面，或者可以负载在患者的衣服或患者穿着的其它制品上。相对于患者的传感器的定向基本上不变，至少在进行姿势分类的一些时间段内。

一旦传感器相对于患者身体定位，要求患者暂时采取一定的姿势。在患者处于所采取的姿势的同时获取传感器40的输出。在三轴加速度计的情况下，这些输出在三维空间中定义向量，在一个实施方式中，可按照传感器40的坐标系而非患者身体坐标系进行表达。传感器40的输出所定义的向量可以是三维空间中的任意向量。

然后，称为定义的姿势向量的向量与要求患者采取的姿势相关联。该关联可通过将定义的姿势向量或其某种表示与标识该姿势的名称相关联而实现。所述关联可储存在图3的姿势定义52a所示的表、数据结构、或其它有组织的数据集合中。

可以上述方式要求患者采取任意数量的姿势。采取每种姿势时，从传感器40获取指示定义的姿势向量的信号，在一个实施方式中，在传感器40的坐标系而非患者坐标系中表达。定义的姿势向量或其标识与该定义下的姿势相关联。

在定义的姿势向量与姿势相关联之后，选择容差。该容差定义了与定义的姿势向量的关系。该关系可定义圆锥、圆环面或围绕姿势向量或以其它方式与姿势向量相关设置的一些其它区域，如下文参考其余附图描述的那样。类似于定义的姿势向量，选择的容差也与该姿势相关联。同样，定义的姿势向量和容差将用于确定患者是否采取相关姿势。

患者可使用编程装置如临床医师编程装置20来定义姿势。例如，当患者采取所需位置时，用户可通过编程装置20向IMD 12发出命令。该命令导致IMD 12从传感器40获取信号值，任选地通过IMD的姿势状态模块41进行处理并储存在存储器36中。这些传感器信号也可通过遥测电路38上链路至外置装置如编程装置20，进行一些处理步骤。捕获的传感器信号可与识别采用该编程装置20的使用者所指出的姿势的指示(例如，字母数字的标签、二元标签等)相关联。这种指示可采用显示屏22、键区24、触摸屏、外围定点设备和/或其它类型的用户界面机制，如上所述。该过程期间可采用用户界面如图形用户界面。容差可类似地由用户指定与该姿势定义相关联。这种关联可储存在编程装置20的存储器中，IMD 12的存储器36中或一些其它储存设备中。下面将讨论用于定义姿势向量和产生上述关联的技术。

以上述方式，定义一种或多种姿势。每种姿势与向量和容差相关联。然后使用这些定义的姿势对患者的姿势和运动进行分类。应理解，在该分类过程期间，重要的是在最初获取姿势定义时传感器40相对于患者维持在与原本相同的大致位置。这样，就能使用相同的传感器坐标系来定义姿势，类似地用于对患者的位置进行分类。如果当IMD 12相对于患者14发生旋转时传感器相对于患者的定向发生改变，则必须执行定义姿势的重新校准。这同样将包括在传感器40的坐标系中获取和重新记录与每种定义的姿势相关联的向量。在以任意上述方式产生之后，姿势定义可用于对患者的姿势进行分类，如下所述。当患者运动和/或采取一定姿势时，由姿势状态模块41处理传感器40的输出，得到定义检测的姿势向量的测量结果。在一个实施方式中，该检测的姿势向量和定义的姿势向量一样，按照传感器坐标系表达而与患者坐标系无关。鉴于此原因，可将检测的姿势向量与一个或多个定义的姿势向量进行直接比较而不需要对检测的姿势向量应用校正因子。这种比较指示了检测的姿势向量与定义的姿势向量中的任一种是否具有相关容差所指定的关系。例如，假定容差描述了围绕定义的姿势向量的圆锥并指示检测的姿势向量必须位于该圆锥内以满足定义的要求。比较步骤将确定检测的姿势向量是否位于该圆锥内。

如上所述，如果检测的姿势向量和定义的姿势向量按照传感器坐标系表达而与患者坐标系无关，该分类步骤不涉及对检测的姿势向量应用任何校正因子。检测的和定义的姿势向量可进行直接比较，因为两者向量均按照传感器坐标系描述。这种比较可以非处理密集型方式完成。

图5A的三维图显示了采用传感器40定义姿势的一种方法。传感器40(未示出)相对于患者14以基本固定的方式设置。传感器40的坐标系包括y轴57a、x轴57b和z轴57c。如上所述，在一个实施方式中，该传感器坐标系无需相对于患者14或者患者的身体坐标系58以任何特定方式定向(图4)。

如果已知患者是站立直立式，传感器40提供的输出经处理后获得向量[V₁，V₂，V₃]，以V_Up 60表示。在本发明中，采用以下记法描述该向量和类似的向量，其中第一向量分量(例如V₁)可对应于向量的x轴分量，第二向量分量(例如V₂)可对应于向量的y-轴分量，第三向量分量(例如V₃)可对应于向量的z轴分量。

通过储存该姿势的一些指示以及标识该向量的一个或多个值，向量[V₁，V₂，V₃]可与直立姿势相关联。然后，对于该姿势可选择容差描述与向量V_Up的关系。在本实施例中，容差与角θ_Up 62定义的圆锥64相关，其中θ_Up可以是偏转角。在该姿势定义中，圆锥标识离向量V_Up的最大距离。只要患者检测的姿势向量位于该圆锥内，认为该患者处于直立姿势。这样，患者可以稍微先前、向后或者侧向离开向量V_Up倾斜，只要检测的姿势向量位于圆锥64内则仍然分类为站立。

姿势向量V_Up60、预定角θ_Up62以及容差所限定的一些关系描述(例如，“位于圆锥内”)可以在患者姿势的后续分类中与站立姿势相关联。这可涉及将该信息以姿势定义52a(图3)之一的形式储存在存储器中。

以类似的方式，可定义它姿势向量。例如，可定义向量V_L66，用于确定左侧姿势，当患者14左侧卧时对分类为该左侧姿势。以类似于上述的方式，定义该向量的容差，可涉及具有角度68所指示的大小的圆锥70。和直立姿势一样，该圆锥指示离V_L66的最大距离。当检测的姿势向量位于该姿势圆锥70中时，将患者14分类为左侧卧。这对于检测的姿势向量V_pt71也是如此，显示位于圆锥70内。

以类似的方式可定义任何其它一种或多种姿势。例如，向量V_IA 72可与一些姿势倒角相关，当患者俯卧而其头部略低于其脚部时将该患者分类该姿势倒角。如上所述，该实施例显示了对于该姿势选择的容差，涉及角θ_IA 74定义的圆锥76。如果检测的姿势向量位于该圆锥内，则将该姿势分类为倒角姿势。

一些空间可能不包括在任何姿势定义内。例如，在该图示中，圆锥64、70和76之外的空间被排除在姿势定义之外。该空间表示未分类的姿势。在一个实施方式中，如果检测的姿势向量落在该空间内，则将患者分类为未定义的姿势。在另一个实施方式中，当检测的姿势向量落在该空间内时，患者的姿势可仍然分类为患者检测的姿势向量进入该空间之前的姿势。例如，如果患者先前被分类为处于直立姿势，则在检测的姿势向量转变到不与该定义的姿势相关联的空间内之后患者仍然分类为直立姿势。与未定义的姿势相关联的空间的大小可变化，取决于该系统中使用的姿势定义的数量，以及与每种姿势定义相关的容差的大小。

根据其它情况，姿势定义可能不是互相排斥的。例如，虽然在图5A中圆锥64、70和76的区域均不重叠，但在另一实施方式中圆锥的重叠也是可能的。如果存在这种重叠，患者可能被分类为多于一种的姿势。或者，重叠的圆锥可用于定义单一姿势。下面将描述这些实施方式。

在上述方式中，可选择任何向量用于定义姿势。每种定义的姿势向量无需以处于任何特定平面或者与任何其它定义的姿势向量具有任何预定的关系。作为另一个例子，直立姿势无需与躺下姿势是正交的。而且，当患者躺下时(例如，右侧卧、左侧卧、仰卧、俯卧等)采取的姿势无需是共平面的。作为另一个例子，定义描述患者右侧卧的右侧卧姿势应与参照图5A讨论的左侧卧姿势不具有特定关系。

采用上述技术，可产生针对具体的患者活动和/或职业的姿势定义。例如，银行出纳员可能花费大部分的工作时间以一定角度前倾。因此，可使用传感器40获取该前倾姿势专用的定义的姿势向量。类似地，可选择特定患者专用的该姿势定义的容差。然后，在该前倾姿势中患者姿势的分类可用于启动治疗的递送，患者信息的记录和/或一些其它类型的动作。如上所述，在一些实施方式中，可以在传感器40的坐标系中定义所有定义的姿势向量而与患者的身体坐标系无关以提供有效的姿势分类。

姿势定义的所有上述实施例描述了圆锥。圆锥的大小可通过圆锥角度进行描述。例如，圆锥64的大小可通过角θ_Up 62描述。虽然角度可以选择为任何大小，但在一个实施方式中，角度通常约为1度-70度。在其它实施例中，圆锥角可约为10度-30度。在图5A所示的一些实施例中，圆锥角约为20度。

指定圆锥的另一种方法是通过选择相对于中心向量或轴线的圆锥的基部的半径。该半径可以是但不一定是围绕相关定义的姿势向量对称的。在图5A所示实施例中，圆锥64、70和76各自围绕相应的中心轴60、66和72旋转对称。因此，图5A所示圆锥中中心线60、66和72垂直通过相应基部的中心。在其它实施例中，中心线60、66、72可能不垂直通过相应基部的中心。因此，可以多种方式描述和配置姿势定义所引用的圆锥。

当姿势定义引用圆锥时，如果传感器读数显示检测的姿势向量在圆锥内(即检测的姿势向量相对于定义的姿势向量不超过圆锥所述的最大距离)则可将患者分类为采取该相关姿势。但不一定是这样，如果传感器读数在圆锥之外患者也可以分类为采取相关姿势，如参照图5B所述。

图5B的图显示了可用于产生姿势定义的另一种关系。可使用向量V_Up60和角θ_Ld 80定义姿势，其中角θ_Ld 80定义离开向量V_Up 60的最小距离(而不是最大距离)。如果检测的姿势向量比θ_Ld 80更远离定义的姿势向量V_Up60(即位于圆锥82之外)则将患者分类为采取该姿势。例如，这种类型的定义可例如用于定义躺下姿势。根据该实施例，检测的姿势向量V_pt84和V_pt85将分类为这种躺下姿势，因为两个向量均位于围绕V_Up 60的圆锥82之外。

在姿势定义的另一个实施例中，两个角θ_Ld 80和θ_Ld286可与定义的姿势向量V_Up 60联用来表达容差。例如，可选择这两个角来描述围绕姿势向量V_Up的圆环面88(虚线显示)。如果检测的姿势向量位于该圆环面之内，则可将患者分类为采取定义的姿势。在这种情况下，与检测的姿势向量V_pt84相关的患者被分类为躺下姿势，因为该姿势向量位于圆环面88之内。但是，与向量V_pt85相关的患者不能分类为躺下姿势，因为该检测的姿势向量位于圆环面88之外。

图6的流程图描绘了根据本发明的一个实施方式定义姿势定义以及使用这些定义来分类患者姿势的一种方法。首先，指导患者采取一定姿势(100)。这可以是任何姿势。在患者采取该姿势的同时，从传感器40获取在传感器的坐标系中描述的定义的姿势向量(102)。使该定义的姿势向量与定义的姿势相关联(104)。例如，这可例如通过储存定义的姿势的指示以及定义的姿势向量的指示来实现。使容差也与定义的姿势相关联(106)。容差指出与定义的姿势向量的关系。该关系可以描述相对于定义的姿势向量定位的空间(例如，圆锥、圆环面等)中的一个或多个区域。该区域可以多种方式描述(例如，使用三角函数、直线距离、城市街区距离、内积等)。该关系还可涉及最小(例如“落在之内”)、最大(例如，“落在之外”)和/或布尔逻辑。容差的关联可以通过储存容差以及定义的姿势的指示来实现。如果需要定义任何更多姿势(108)，则回到步骤100重复定义过程。

以上述方式定义一种或多种姿势之后，处理继续至步骤110，在步骤110获取描述患者当前姿势的检测的姿势向量。该检测的姿势向量在传感器的坐标系中由传感器40获取。将检测的姿势向量与一个或多个姿势定义进行比较以确定该检测的姿势向量与任何姿势定义所提出的定义的姿势向量是否具有指定的关系(112)。然后基于这种确定对患者的姿势进行分类(114)。

然后基于姿势分类启动一些应答或动作(116)。该应答可涉及治疗患者和/或向患者提供护理。所述护理可涉及自动修改当前递送的治疗，或者选择新的治疗递送至患者。在另一个实施方式中，检测的姿势可用于提示一些通知，或者启动一些信息的记录。

可周期性地重复图6的过程，以传感器40的取样速率，在一些其它预定的时间段，一旦发生一些检测的事件，或者基于系统内的一些其它事件。

检测的姿势向量可能与该姿势定义中的任一种所包括的定义的姿势向量中的任一种没有关系。在这种情况下，患者姿势可分类为未定义并且可启动与该未定义姿势分类相关联的所需的动作。在另一个实施方式中，如果发生上述情况，患者仍然分类为他最后所分类的姿势。就是说，患者最新近的姿势分类保持不变。

上述描述聚焦在使用传感器的坐标系来定义和分类姿势的机制。具体说，该机制包括：使用传感器的坐标系定义姿势，在系统坐标系中获取检测的姿势向量，和直接比较两个向量以对类患者姿势进行分类。该机制可应用于使用向量描述的姿势和活动状态，下面参照活动状态的分类进行讨论。

接着，将讨论用于比较检测的姿势向量与定义的姿势向量的更具体的技术。实现该目的的一种方式涉及比较角度。例如，确定V_pt84(图5B)是否位于圆环面88内可基于θ_Ld 80、θ_Ld 286和β_Up 89之间的比较。具体说，如果θ_Ld 80＜β_Up 89＜θ_Ld 2 86，根据图5B所示定义，患者可分类为躺下姿势。然而，为了执行这种分类，必须首先确定V_pt84和V_Up之间的角β_Up 89，该步骤是高度处理密集的，需要相对大量的功率消耗。这并不是有益的，尤其是在使用可植入装置执行分类时。

上述技术的替代方式涉及在这里被称为相似性值的参照值(或简单地“相似性”)。相似性是指示两个向量如何相互近似的度量，但不是角度，不需要角度推导或在角度间比较。例如，可使用一些类型的标量(非角度)距离如向量间的最大直线距离作为相似性。其他例子包括“城市街区”距离、欧几里德距离、绝对差、闵可夫斯基(p-norm)距离、内积、或比较两个向量的一些其它数学关系。在一个具体的实施方式中，可使用余弦或另一三角函数(正弦)作为相似性。如果使用相似性而非角度来执行姿势分类，可以用相对很少的处理步骤完成姿势分类。这能够节约显著量的功率，允许处理更快完成，如其余附图所示。

图7A是直立姿势的姿势定义的图形描绘。该姿势按照向量V_Up 60以及可引用角θ_Up62的容差进行定义。如上文参照图5A和5B所示，可使用角θ_Up来描述围绕向量V_Up的圆锥64。在该实施例中，如果该患者检测的姿势向量V_pt130位于圆锥64之内，则患者姿势被分类为直立。

确定V_pt130是否落在圆锥64内的一种方式是推导β_Up，β_Up是V_pt 130和V_Up 60之间的角度。然后将该角β_Up与定义圆锥大小的θ_Up 62进行比较。如上所述，该过程是处理密集型的，因而认为并不理想。

作为确定角β_Up的替代方式，可使用以下角β_Up和θ_Up的余弦之间的比较：

如果cos(β_Up)≥cos(θ_Up)，姿势＝直立       (方程1)

这种关系在图7A中描绘，通过箭头134显示了角β_Up 132的余弦。角θ_Up的余弦由箭头136表示。在这种情况下，cos(β_Up)大于cos(θ_Up)。因此，患者被分类为直立姿势。

检测的姿势向量V_pt＝[V_pt1 V_pt2 V_pt3]和定义的姿势向量V_Up＝[V_Up1，V_Up2，V_Up3]之间的角β_Up的余弦可通过下式表示：

$\cos \left({\mathrm{\β}}_{\mathrm{Up}}\right)=\frac{V_{\mathrm{pt}1}\·V_{\mathrm{Up}1}+V_{\mathrm{pt}2}\·V_{\mathrm{Up}2}+V_{\mathrm{pt}3}\·V_{\mathrm{Up}3}}{\sqrt{{V_{\mathrm{Up}1}}^2+{V_{\mathrm{Up}2}}^2+{V_{\mathrm{up}3}}^2}\·\sqrt{{V_{\mathrm{pt}1}}^2+{V_{\mathrm{pt}2}}^2+{V_{\mathrm{pt}3}}^2}}$ (方程2)

通过使用类似的方程来表示cos(θ_Up)，将余弦代入方程1中，所得方程的两边取平方(有益地消除处理密集型的平方根运算)，得到以下关系：

(V_pt1·V_Up1+V_pt2·V_Up2+V_pt3·V_Up3)²≥cos²(θ_Up)·(V_Up1 ²+V_Up2 ²+V_Up3 ²)·(V_pt1 ²+V_pt2 ²+V_pt3 ²)  (方程3)

根据该关系，只要方程3的关系是真实的，并且(V_pt1·V_Up1+V_pt2·V_Up2+V_pt3·V_Up3)的内积大于0，患者可分类为直立姿势。

方程3显示了如何使用相似性值(在这种情况下是余弦)来评价患者的姿势而不需要使用处理密集性运算，例如涉及角度推导和平方根运算的那些。通过识别方程3中出现的术语cos²(θ_Up)·(V_Up1 ²+V_Up2 ²+V_Up3 ²)可进一步精简处理运算，产生恒定值。对于给定的姿势(在这种情况下是直立姿势)可计算该恒定值一次，然后在进行与直立姿势向量的比较时使用，进一步简化处理步骤。

图7A还包括第二圆锥138，可描述为圆锥130的镜像。该第二圆锥138围绕向量-V_Up 61，离向量V_Up 60为180度。例如，该圆锥可用于定义例如倒立姿势。类似于上文所述的关系可用于确定检测的姿势向量是否落在圆锥138内。如上所述，可完成这种确定而不需要根据目前方法的角度推导。

图7B是躺下姿势的姿势定义的图形表示，例如上文参照图5B已经讨论的躺下姿势。如上所述，当检测的姿势向量V_pt 143在围绕向量V_Up 60的圆锥64之外时，患者可定义为躺下姿势。采用余弦作为相似性值，容差关系可用以下方程表示：

如果cos(β_Up)≤cos(θ_Ld)，姿势＝躺下(方程4)

角β_Up是检测的姿势向量V_Up与检测的姿势向量V_pt143之间的角度。

在当前的实施例中，满足上述关系。角β_Up的余弦由箭头144表示，角θ_Ld 140的余弦由箭头142表示。可见角β_Up 144的余弦小于角θ_Ld 142的余弦，从而将具有检测的姿势向量V_pt143的患者分类为躺下姿势。

接着，假定获得V_pt146表示的检测的姿势向量。采用上文方程4所示的关系，该检测的姿势向量将类似地分类为躺下。即使姿势向量V_pt146可更恰当地归类为与倒立姿势相关，也是如此。因为V_pt 146和V_Up 60之间的角β_Up 148的余弦(箭头150表示)小于角θ_Ld的余弦142，所以发生该姿势分类。可能希望将这种姿势向量排除在躺下定义之外。为此，可使用以下容差关系来定义躺下姿势：

如果|cos(β_Up)|≤cos(θ_Ld)，姿势＝躺下(方程5)

这排除了检测的姿势向量和V_Up之间的角的余弦小于角θ_Ld的余弦的负值的情况。因此，满足方程3的关系的最小可允许的余弦由箭头152表示。

如上文参照图7A所述的情况，使用相似性如角的余弦来定义容差能够完成姿势分类而不需要确定角度。这在希望节省功率的应用中高度有益，例如IMD应用的情况。这些机制可应用于指定的俯伏姿势，例如参照图8A和8B所示。

图8A和8B是患者躺下时可能采取的多种姿势的姿势定义的图形描绘。在一个实施方式中，这些图可能占据患者的A-P 58c和L-M 58b轴线所在的平面，但并不一定是这样。

当患者躺下时采取的姿势可包括抵靠其背部躺下的仰卧姿势，抵靠其胃部躺下的俯卧姿势，靠其右侧躺下的右侧卧姿势以及靠其左侧躺下的左侧卧姿势。这些向量可以是共平面的，但并不一定如此。而且，向量无需相互等距，而是可以在三维空间内的任何地方。

在图8A中，使用定义的姿势向量V_Fd 150定义俯卧姿势。如果检测的姿势向量V_pt152落在圆锥154内，所述圆锥大小可通过角θ_Fd156的余弦定义，则检测的姿势向量V_pt152与该俯卧姿势相关联。进行这种分类的一种方式是确定检测的姿势向量V_pt152和定义的姿势向量V_Fd 150之间的角β_Fd158的余弦是否大于角θ_Fd的余弦。如果是，则检测的姿势向量落在圆锥154内，可确定患者为俯卧姿势。

以类似的方式，使用第二定义的姿势向量V_Fu 160来定义仰卧姿势。注意该向量无需与V_Fd 150相对，事实上，甚至不一定与俯卧向量共平面。如果检测的姿势向量V_pt 152落在围绕向量V_Fu的圆锥164内，所述圆锥大小可通过角θ_Fu166的余弦定义，则检测的姿势向量V_pt152与该仰卧姿势相关联。进行这种分类可包括确定检测的姿势向量V_pt 152和定义的姿势向量V_Fu 160之间的角β_Fu 168的余弦是否大于角θ_Fu 166的余弦。

在图8A的实施例中，检测的姿势向量V_pt152不能分类为仰卧或俯卧姿势，因为该向量不落在圆锥154或164之一内。

图8B是类似于图8A的图形描绘，只是分别涉及与定义的姿势向量V_R 170和V_L172相关联的右侧或左侧姿势。如果检测的姿势向量V_pt173落在圆锥174内，可将患者分类为右侧姿势。当检测的姿势向量V_pt173和定义的姿势向量V_R 170之间的角β_R182的余弦大于角θ_R178的余弦时是这样。相反，如果检测的姿势向量落在圆锥176内，可将患者分类为左侧姿势。当检测的姿势向量V_pt173和定义的姿势向量V_L172之间的角β_L184的余弦大于角θ_L 180的余弦时是这样。

在上述方式中，可定义任何数量的N姿势以分类躺下的患者。图8A和8B的四种姿势仅仅是示例性的。这些姿势可以相互共平面，但不一定是这样，相互间可以是任何关系。围绕特定向量的圆锥无需是相对于其它圆锥的任何大小。这提供了定义姿势的非常灵活的方法。

如上所述，余弦提供了可用于分类患者姿势而不需要角度推导的相似性值的一个例子。在替代实施方式中可使用其它相似性。例如，可利用“最小正弦”关系而非“最大余弦”关系来确定与检测的姿势向量最接近的定义的姿势向量。作为另一个例子，可根据以下方程推导检测的姿势向量V_pt＝[V_pt1 V_pt2 V_pt3]与定义的姿势向量V＝[V₁ V₂ V₃]之间的城市街区距离d(V，V_pt)：

d(V，V_pt)＝|V₁-V_pt1|+|V₂-V_pt2|+|V₃-V_pt3| (方程6)

该技术的变体提供了欧几里德距离，如下所示：

$d(V,V_{\mathrm{pt}})=\sqrt{{(V_1-V_{\mathrm{pt}1})}^2+{(V_2-V_{\mathrm{pt}2})}^2+{(V_3-V_{\mathrm{pt}3})}^2}$ (方程7)

另一种技术采用如下所示的最大绝对差d_∞(V，V_pt)：

d_∞(V，Vpt)＝max{|V₁-V_pt1|，|V₂-V_pt2|，|V₃-V_pt3|}(方程8)

作为另一个例子，可使用Minkowski(P-Norm)距离。也可使用其它机制来描述不涉及角度计算的两个向量之间的相似性。

应理解，上文参照方程6-8讨论的距离关系类型以及某些三角函数(例如，角度的正弦)产生了与进行比较的两个向量之间存在的相似度具有相反关系的相似性值。例如，如果方程6-8所描述的任何距离产生的值为“0”，则两个比较的向量是相同的。即，向量完美相似。相反，距离增加则向量相似性降低。

在诸如上述的情况下，可能希望使用将该原始相似性值映射到与比较的向量之间存在的相似度成直接比例的新值的映射函数。例如，映射函数可涉及从一些最大值扣除原始相似性值。作为一个具体的例子，可以从“一”减去角度正弦，使得新的相似性值与比较的向量之间的相似度成直接比例。为了说明，该映射函数可以将“1”的正弦转换为新的相似性值“0”，等等。映射函数也可涉及从一些其它最大可能的相似性值减去该相似性值。

可采用上文所述任何类型的相似性值，包括余弦、正弦、距离等，以上文所述的任何方式来定义姿势。就是说，可产生包括定义的姿势向量和容差的姿势定义。容差描述了引用本文所述任何类型的一种或多种相似性的关系。使用期间，从患者获取检测的姿势向量并与定义的姿势向量进行比较以获取相似性，该相似性优选是该姿势定义引用的类型，从而进行有意义的比较。如果该相似性满足了容差所指定的关系，则患者分类为该定义的姿势。

然后，考虑引用空间中多个区域的姿势定义。在所有上述实施例中，姿势定义涉及空间中的单一区域。采用向量和容差来定义该单一区域。例如，空间中的区域可以是圆锥、圆环面、圆锥外的空间、或者可以用容差准确描述和引用的空间中任何其它类型的区域。

空间中与两个不同的姿势定义相关的两个区域可能发生重叠。例如，图5B示出了用于定义躺下姿势的圆环面。该圆环面围绕患者的中段。如果患者检测的姿势向量落在该圆环面内的任何地方，则该患者被分类为躺下。该圆环面很可能与图8A和8B所示方式定义的圆锥重叠。因此，患者被分类为躺下姿势的同时也可分类为仰卧、俯卧、右侧卧和左侧卧姿势中的任一种。可能希望合并空间中的这些区域，以包括在单一姿势定义内。

图9A是与图8A和8B的四个圆锥154、164、174和176重叠的图5B的圆环面88的图形描绘。为了阐述的目的，假定选择θ_Ld 80和θ_Ld286，使得θ_Ld的余弦等于θ_Ld2的负余弦(即，圆环面围绕垂直于直立姿势向量V_Up 60的轴线对称)。这是为了简化当前的讨论。然而，应理解，姿势定义可选地包括不对称的圆环面。

组合空间中的5个区域以定义躺下姿势，如下所示：

如果|cos(β_Up)|≤cos(θ_Ld)或

cos(β_Fu)≥cos(θ_Fu)或

cos(β_Fd)≥cos(θ_Fd)或

cos(β_R)≥cos(θ_R)或

cos(β_L)≥cos(θ_L)则姿势＝躺下(方程9)

以这种方式，如果患者检测的姿势向量落在该方程所定义的空间中一个或多个区域内，则患者被分类为躺下姿势。

参照方程9所述的定义类型可用于定义躺下姿势，因为斜倚的患者常常以头部在足部之上的方式横卧，尤其是在仰卧姿势时。在这种情况下，患者斜倚的角度可将患者置于包括在圆环面88内的区域之外。如果仅使用圆环面来对患者姿势进行分类，则仰卧姿势的患者可不分类为躺下。这种情况可通过以下方式解决，即覆盖足够大的圆锥以对圆环面88中仰卧姿势进行准确分类，如参照方程9所述。采用这种类型的躺下姿势定义，仰卧姿势的患者可准确分类为躺下。

虽然可覆盖各个区域以包括在相同的姿势定义内，但这不是必需的。例如，需要的话，不覆盖圆环面88任何部分的圆锥或者图5A中的任何其它圆锥可包括在躺下姿势的定义内。

参照图9A所述的各种技术可使系统受益于圆环面和圆锥的使用。具体说，系统提供了在使用圆环面来检测躺下姿势时获得的灵敏度。系统还涵盖了允许独立调整圆锥大小的基于圆锥的方法的特异性。例如，如上所述，与仰卧姿势相关的圆锥可选择成相对较大以适应偏好以相对较大的角仰卧斜倚的患者。需要时，俯卧姿势的圆锥可显著较小，因为在该姿势中患者以头部仅仅稍高的方式横卧。因此，在定义躺下姿势时，使用圆环面和圆锥提供了非常高的灵活度。当然，这种技术也可应用于任何其它姿势，并不限于躺下姿势。

应理解，通过将圆环面结合到定义中，在俯伏姿势时不论患者如何旋转患者仍然分类为躺下姿势。例如，患者可以从仰卧姿势转变为左侧卧姿势。在该转变期间，检测的姿势向量可能超出仰卧姿势的圆锥但尚未进入左侧卧姿势的圆锥。在一个实施方式中，如果不使用圆环面，患者可能进入其姿势为未定义的区域。然而，因为使用了圆环面，患者将仍然分类为躺下。在一个实施方式中，该躺下分类可用于提供系统中的滞后，使得患者保持先前躺下姿势的俯伏姿势亚分类(在该实施例中，仰卧姿势亚分类)直到患者进入新的俯伏姿势亚分类(在该情况下，左侧卧亚分类)。因此，使用诸如参照方程9所述的技术可以更佳灵活和准确地进行姿势分类。

上述内容说明，如何使用布尔逻辑来组合空间中的各个区域用于姿势分类目的。作为另一个例子，各自与相应的容差相关联的两个定义的姿势向量，可描述三维空间中的两个圆锥。姿势定义可指定，只有两个圆锥都囊括在内的区域包括在该定义的姿势内。这可参照图9B显示。

图9B是围绕与直立姿势相关联的定义的姿势向量V_Up 202的第一圆锥200的图形描绘。圆锥大小由角θ_Up 204定义。如果检测的姿势向量和V_Up之间的角度β_Up满足以下关系，则检测的姿势向量将落在圆锥200内：

如果cos(β_Up)≥cos(θ_Up)(方程10)

第二圆锥206围绕与患者左侧卧姿势相关的定义的姿势向量V_L 208。圆锥大小由角θ_L 210定义。如果检测的姿势向量和V_L之间的角度β_L满足以下关系，则检测的姿势向量将落在圆锥206内：

如果cos(β_L)≥cos(θ_L)(方程11)

满足两种关系的区域可用于定义示例性的倾斜姿势，如下所示：

如果cos(β_Up)≥cos(θ_Up)与

cos(β_L)≥cos(θ_L)则姿势＝倾斜     (方程12)

满足该关系类型的区域将包括两个圆锥的交集，如图9B中阴影区域212所示。

另一种关系类型可包括：

如果cos(β_L)≥cos(θ_L)与非

cos(β_Up)≥cos(θ_Up)则姿势＝左侧卧2(方程13)

这种替代的患者左侧卧姿势包括圆锥206的阴影区域214部分，但不包括阴影区域212。因此，包括在两个重叠区域之一内但不在另一个之内的区域可用于产生姿势定义。这些概念可扩展至包括三维空间中任何区域数量，通过本领域已知的任何类型的布尔逻辑函数相互关联。

图9A和9B的讨论提供了引用空间中一个或多个区域包括在单一姿势定义中的替代方式。例如，使用多个空间区域可涉及布尔逻辑。另一种实现类似结果的方式涉及将多个姿势单一连接在一起。例如，再次考虑方程9的实施例，允许由单一姿势定义引用5个空间区域(一个圆环面和四个圆锥)。不是在相同定义中引用这5个区域，5个区域中的每一个可由相应的姿势定义引用，然后将5个姿势定义连接用于应答目的。根据后一种方法，患者检测为连接的姿势中的任一种，采取相同的应答(例如，采用相同的程序组或治疗参数值的共用集合以提供治疗)。以这种方式合并或连接定义可用于对于所有连接的姿势启动相同动作或动作集合(例如，采用治疗参数值的共用集合来提供治疗)的实施例。这样，该替代方式可采用连接在一起的最多5种姿势定义，以实现与采用根据上述方程9连接的5个空间区域获得的结果类似的结果。

然后，考虑用于获取在姿势定义中使用的定义的姿势向量的替代方式。

如上所述，定义的姿势向量可通过患者参与获取。要求患者采取一姿势并从传感器40提供的信号获取向量。这是“实际”的定义姿势向量，因为它对应于患者采取的实际姿势。

另一种类型的定义的姿势向量是“虚拟”而非“实际”的。虚拟的定义姿势向量(或简单地“虚拟姿势向量”)是将处理步骤应用于其它定义的姿势向量中的一个或多个而获取的向量。这可通过回到图9A来理解。

在图9A中，采用相应的定义姿势向量V_Fu 160、V_Fd 150、V_R 170和V_L 172来定义与俯伏姿势相关联的每个圆锥。这四个向量可用于获取直立姿势的虚拟姿势向量。该虚拟向量可以但不一定对应于实际的定义姿势向量V_Up 60。

根据一种方法，采用多次叉积获取直立姿势的虚拟姿势向量。例如，俯卧和左侧卧姿势之间的叉积(即V_Fd叉积V_L)可用于推导与V_Fd和V_L垂直的向量V_Norm1。采用叉积身份，V_Norm1可表示为：

$V_{\mathrm{Norm}1}=\frac{V_{\mathrm{Fd}}x{V}_L}{\sqrt{{V_{\mathrm{Fd}1}}^2+{V_{\mathrm{Fd}2}}^2+{V_{\mathrm{Fd}3}}^2}\·\sqrt{{V_{L1}}^2+{V_{L2}}^2+{V_{L3}}^2}\·\sin \left({\mathrm{\θ}}_{\mathrm{Fd}\_L}\right)}$

(方程14)

其中θ_{Fd_L}是定义的姿势向量V_Fd和V_L之间的角度。在方程14中，分子是向量，如下所示：

V_Fd x V_L＝V_FdxL＝[V_FdxL1，V_FdxL2，V_FdxL3](方程15)

如上所述，在本发明中，方程15中的向量阵列中的第一、第二和第三项对应于向量的x-、y-和z-轴分量。第一或x轴分量可以如下确定：

V_FdxL1＝V_Fu1·V_L3-V_Fu3·V_L1 (方程16)

第二或y轴分量可以如下确定：

V_FdxL2＝V_Fu2·V_L3-V_Fu3·V_L2 (方程17)

第三或z轴分量可以如下确定：

V_FdxL3＝V_Fu1·V_L2-V_Fu2·V_L1 (方程18)

V_Norm1是垂直于两个相交向量的向量，其具有右手定则确定的方向。该方向可以在某种程度上对应于患者的S-I轴线，也可以与定义的姿势向量V_Up是相同的大致方向。

以类似的方式，可分别确定相邻的向量对(V_L，V_Fu)、(V_Fu，V_R)和(V_R，V_Fd)的三个额外的法向向量V_Norm2、V_Norm3和V_Norm4，紧记叉积关系不可交换的。在每种情况下，所得向量V_Norm2、V_Norm3和V_Norm4垂直于用于产生该向量的两个向量，并将具有由右手定则确定的方向。该方向通常可与患者的S-I轴线重合。

然后对四个所得向量V_Norm1-V_Norm4取平均以获得向量V_{Up_虚拟}182。应理解，在该实施例中，取平均可通过以下方式实现：累加每个V_Norm1-V_Norm4的第一向量分量(即所有四个x-轴分量)并除以四以获得V_{Up_虚拟}的第一向量分量。类似地，对所有第二向量分量(即，所有四个y-轴分量)取平均以获取V_{Up_虚拟}的第二向量分析，对所有第三向量分析取平均以获取V_{Up_虚拟}的第三向量分量。

所得虚拟姿势分量V_{Up_虚拟}182可具有大致垂直于躺下姿势均值的方向，可以在某些程度上对应于患者的S-I轴线。虽然虚拟向量将具有与定义的姿势向量V_Up相同的大致方向，但两个向量无需相同。

上述处理技术可应用于系统内定义的任何数量的N种姿势，并不限于上文所述的四种定义的姿势。在一个实施方式中，考虑到叉积不是可交换的，并且必须遵守右手定则，由两个相邻向量的叉积获得每个法向向量V_Normx。例如，这可涉及在围绕患者的S-I轴线沿逆时针方向行进的同时获取叉积。在另一个例子中，这可涉及沿顺时针方向行进，然后用平均值的负值作为虚拟的姿势向量。

在上述实施例中，用于产生虚拟向量的每个定义的姿势向量V_Fu、V_L、V_Fd和V_R是通过以上述方式使患者采取仰卧、左侧卧、俯卧、右侧卧姿势获取的定义的姿势向量。然而，该概念不限于此。在另一个实施方式中，可获取虚拟向量，作为与患者躺下时采取的姿势无关的其它定义向量的叉积的均值。并且，虚拟向量可单独采用其它虚拟向量或与定义的姿势向量联用来获取。而且，在另一个实施方式中，叉积无需通过叉积相邻的向量对来形成，而是采用非相邻的向量对来获取。

根据用于确定虚拟向量的另一种方法，定位最佳地接近用于获取虚拟向量的向量的子空间的平面。例如，该实施例中，定位最佳地接近四个定义的姿势向量V_Fu、V_Fd、V_R和V_L的子空间的平面。这可通过计算最佳地接近这四个躺下向量的两个奇异主导向量，然后获取两个主导向量的叉积来进行。为此，形成三乘四的矩阵X＝[V_Fu，V_Fd，V_R，V_L]，其包含四种躺下姿势的每个定义的姿势向量。然后采用奇异值分解来寻找最佳地接近X的范围的两个正交向量。奇异值分解S与X具有以下关系：

X＝USV^T(方程19)

式中，U是左奇异向量的正交矩阵，S是奇异值的矩阵，V是右奇异向量的正交矩阵，T代表转置操作。

根据该方法，从左奇异矩阵U选择具有最大奇异值的两个向量。这两个向量形成矩阵X中四个向量跨过的三维空间的最佳接近平面。就是说，该函数确定X的两个秩(平面)近似。这两个选择的向量可称为U₁和U₂。然后，可获取虚拟向量，作为U₁和U₂的叉积。

当使用上述方法时，重要的是确保使用合适的向量排序以获取具有与定义的姿势向量V_Up大致相同方向的叉积。例如，这可以通过确定所得虚拟向量与向量V_Up之间的内积是否是正的来查明。如果不是这样，所得虚拟向量和向量V_Up不在相同的大致方向。

如果V_Up与所得虚拟向量不在相同的大致方向上，用于获取虚拟向量的向量U₁、U₂的排序倒转，确定叉积以获取与V_Up在相同的大致方向上的虚拟向量。

仍然可采用其它类型的函数以推导其它类型的虚拟向量。例如，在一些实施方式中，可以对叉积均值取负值来获取虚拟姿势向量。或者，处理无需考虑多次叉积的均值，而是采用一次叉积获取的虚拟向量。在又一个实施例中，可获取虚拟向量作为多个向量的均值而不需要使用叉积。可采用除了取平均之外的统计学技术来获取虚拟的姿势向量。因此，可考虑处理步骤的许多类型和组合，从定义姿势中使用的多个定义的姿势向量产生虚拟的姿势向量。而且，虚拟的姿势向量可单独使用，或者与实际定义的姿势向量联用以推导其它虚拟姿势向量。参照图10A和10B讨论使用虚拟姿势向量来产生姿势定义。

图10A是采用虚拟姿势向量V_{Up_虚拟}220(虚线表示)的姿势定义的图形表示，所述向量是以上述方式从俯伏姿势的相邻对的叉积的均值推导的向量。该虚拟姿势向量可用于定义与图5B所示类似的姿势。如图5B所示，可参照虚拟的姿势向量V_{Up_虚拟}提供两个角θ_{Ld_虚拟}222和θ_{Ld2_虚拟}224。可使用这两个角来描述围绕虚拟的姿势向量200的圆环面226。躺下姿势的姿势定义可引用这些角，如下所示：

如果coS(θ_{Ld2_虚拟})≤cos(β_{Up_虚拟})≤cos(θ_{Ld_虚拟})，姿势＝躺下(方程20)

在该方程中，角β_{Up_虚拟}是检测的姿势向量V_pt 228与虚拟的姿势向量V_{Up_虚拟}220之间的角。需要时，可以通过选择θ_Ld 222和θ_Ld2 224使得cos(θ_Ld)等于负的cos(θ_Ld2)，简化所述关系，如下所示：

如果|cos(β_{Up_虚拟})|≤cos(θ_{Ld_虚拟})，姿势＝躺下(方程21)

用V_{Up_虚拟}定义躺下姿势提供了某些优点。例如，许多患者可能偏爱头部以一定方式“支起”，例如在枕头上。为了将该姿势类型准确包括到根据实际的定义姿势向量V_Up 60(图9A)定义的圆环面内，必须减小与V_Up相关联的角θ_Ld 62。否则，可能不能准确检测患者的仰卧姿势是在直立姿势，或是在直立姿势和躺下姿势之间的未定义姿势中。然而，以这种方式减小角θ_Ld 62可能导致直立姿势的检测灵敏度降低，在一些情况下可能导致躺下姿势的虚假检测。

上述挑战可通过以下方式解决：采用虚拟的检测姿势向量V_{Up_虚拟}而不是实际的定义姿势向量V_Up用于检测躺下姿势。因为虚拟向量V_{Up_虚拟}比实际的定义姿势向量V_Up更接近与各种俯伏姿势(例如，仰卧、俯卧等)垂直，可选择角θ_{Ld_虚拟}，使得当患者仰卧躺下且头部升高时，患者可分类为采取躺下姿势。这实现了躺下姿势更准确的姿势检测。因此，在一个实施方式中，可使用虚拟的姿势向量V_{Up_虚拟}来检测躺下姿势，使用实际的定义姿势向量V_Up来检测直立姿势，或者与直立姿势相关联的其它姿势(例如，直立且斜倚)。

图10B是以图10A所示方式采用虚拟姿势向量V_{Up_虚拟}220的姿势定义的图形表示，进一步将与俯伏姿势向量相关联的圆锥覆盖在圆环面226上。在该实施方式中，只覆盖两个圆锥，与左侧卧姿势的定义姿势向量V_L相关联的第一圆锥230，以及与俯卧姿势的定义姿势向量V_Fd相关联的第二圆锥232。可以以类似于图9A所示方式包括其它圆锥(例如右侧卧、仰卧等)。图10B的姿势可具有以下定义：

如果|cos(β_{Up_虚拟})|≤cos(θ_{Ld_虚拟})或

cos(β_Fd)≥cos(θ_Fd)或

cos(β_L)≥cos(θ_L)则姿势＝躺下 (方程22)

如上文的实施例所示，β_{Up_虚拟}、β_Fd和β_L是检测的姿势向量V_pt 228分别与各个虚拟姿势向量V_{Up_虚拟}220、V_Fd 233和V_L 231之间的角。

参照图10B所述的各种技术提供了许多优点。例如，如上文参照图9A所讨论的那样，采用圆环面和圆锥能使系统将两者方法的优点结合到系统中。具体说，系统提供了当使用圆环面来检测躺下姿势时获得的灵敏度，同时保留基于圆锥方法的特异性和灵活性。而且，如上所述，圆环面的使用使得当患者从一种伏卧位置(例如仰卧)移动至另一种姿势(例如左侧卧)时可利用滞后。

图10B的方法进一步受益于虚拟向量V_{Up_虚拟}的使用。在一个实施方式中，选择该虚拟向量使得基本上垂直于最佳地接近包含该伏卧姿势的定义姿势向量的平面的平面。因此，圆环面226内的区域涵盖了当患者处于俯伏姿势时最可能被患者占据的区域。当圆环面定义成围绕V_Up时这未必为真。因此，以图10B所示的方式，结合虚拟向量、圆环面以及一个或多个圆锥的实施方式提供了许多优点。

如上所述，虚拟姿势向量可包括在涉及任何类型的逻辑函数，例如布尔逻辑函数的任何类型的定义中。用虚拟向量定义的区域和用实际定义姿势向量定义的区域可以在相同的定义中引用。这种区域可以但不一定重叠。这将参照图11的方法进一步描述。

图11的流程图描述了根据本发明的一方面产生和使用姿势定义的一种方法。可要求患者采取定义的姿势，例如直立姿势(250)。在患者处于该姿势的同时，从传感器40获取实际的定义姿势向量(252)。如果需要获取更多定义的姿势向量(254)，则过程回到步骤250。否则，执行继续至步骤256，在步骤256执行任选的处理，从实际的定义姿势向量获取一个或多个虚拟的姿势向量。例如，这种处理可涉及从与躺下相关姿势的定义的姿势向量的相邻对的叉积均值来获取虚拟的直立向量。在其它实施方式中，可执行其它类型的处理以获取不同类型的虚拟向量(例如，均值、均值复数、叉积均值复数，等等)。

任选地获取一个或多个虚拟的姿势向量(256)之后，产生包括一个或多个定义的姿势向量和/或一个或多个虚拟的姿势向量及相关的容差的姿势定义(260)。回想这些容差指示了相应的定义姿势向量和/或虚拟姿势向量之间的关系。这些容差可引用相似性，例如角度的余弦，而非角度本身，这对于以上文所述方式实现处理效率是理想的。而且，采用上文举例的逻辑函数(例如与、或、非等)可将多个向量及相关的容差结合到单一定义中。需要时，可储存每个这种姿势定义作为姿势状态定义52之一。

然后，从传感器获取描述患者姿势的检测的姿势向量(262)。在一个实施方式中，检测的姿势向量在系统坐标系中指定而与患者的坐标系无关，以便于处理。该检测的姿势向量可以与姿势定义直接比较以确定检测的姿势向量是否满足任意姿势定义的所有要求(264)。患者的姿势可基于比较结果进行分类(266)。如果患者的姿势满足姿势定义的要求，则患者可分类为采取相关姿势。但是，如果患者的姿势不满足任意自姿势定义的要求，则可将患者分类为未定义姿势。

然后基于姿势分类启动一些应答或动作(268)。这可涉及自动修改目前递送的治疗，或者选择新的治疗递送给患者。在另一个实施方式中，检测的姿势可用于提示一些通知，或者启动一些信息的记录。

可周期性地重复图11的过程，以传感器40的取样速率，在一些其它预定的时间段，在发生一些检测的事件，或者基于系统内的一些其它事件时进行。

图12的流程图描述了根据本发明的一更具体实施方式使用姿势定义的一种方法。从传感器40获取检测的姿势向量(280)。将该检测的姿势向量与直立姿势的实际的定义姿势向量V_Up进行比较，其中V_Up可以是当患者采取直立姿势状态时获取的(282)。在另一个实施方式中，该向量可以由临床医师选择，提供了在传感器坐标系中的向量。

如果检测的姿势向量与V_Up具有直立姿势的容差所指定的关系(284)，患者可分类为直立姿势(286)。然后基于姿势分类启动一些应答或动作(288)。这可涉及自动修改目前递送的治疗，或者选择新的治疗递送给患者。在另一个实施方式中，检测的姿势可用于提示一些通知，或者启动一些信息的记录。

回到步骤284，如果步骤282的比较指示检测的姿势向量与直立姿势不具有该定义的容差所指定的关系，执行继续至步骤290，将检测的姿势向量与虚拟姿势向量V_{Up_虚拟}进行比较以确定检测的姿势向量与虚拟向量是否具有躺下姿势的容差所指定的关系(292)。如果是，患者分类为躺下姿势(294)。该躺下姿势的分类可涉及使用三维空间中任何类型的一个或多个区域。例如，一个或多个圆环面和/或一个或多个圆锥可用于该目的。需要时，可使用布尔逻辑或其它逻辑函数使多个空间区域相互关联。

接着，如果需要的话，通过比较检测的姿势向量与躺下姿势的所有“亚分类”的所有定义可进一步细化患者的躺下姿势分类。这种亚分类可包括仰卧、俯卧、右侧卧和左侧卧姿势(296)。系统内可存在任何数量的这种定义，用于以这种方式使用。例如，这可涉及比较检测的姿势向量与围绕这些姿势的每个定义的姿势向量的圆锥。然后处理继续至步骤288，基于姿势分类采取一些动作。

回到步骤292，如果检测的姿势向量不能分类为与躺下姿势相关，处理继续至步骤298，在步骤298将检测的姿势向量与其它定义姿势的其它定义的姿势向量进行比较。这可包括除了直立姿势和躺下姿势之外的那些姿势。然后，执行继续至步骤，根据姿势分类采取一些动作(288)。

可周期性地重复图12的过程，以传感器40的取样速率，在一些其它预定的时间段，在发生一些检测的事件，或者基于系统内的一些其它事件时。

接着，考虑评价容差关系的另一种方法。在所有上述实施例中，姿势分类可描述为涉及确定检测的姿势向量是否落在三维空间中的一些定义区域内，所述空间区域由姿势定义的容差指定。在替代实施方式中，姿势分类可简单地涉及确定检测的姿势向量最接近哪个定义姿势向量。例如，假定患者分类为躺下姿势。可能希望进一步确定患者的姿势最接近躺下姿势的哪个亚分类，所述亚分类可包括仰卧、俯卧、右侧卧和左侧卧姿势。例如，这种处理类型可应用于图12的步骤296。

确定哪个定义的姿势向量最接近检测的姿势向量的一种方式涉及考虑检测的姿势向量与每个定义的姿势向量之间的角度的余弦。不论哪个角度具有最大的余弦，可确定为最接近的定义姿势向量。或者，可使用“最小余弦”确定代替“最大余弦”确定。

根据一种方法，通过归一化系统内使用的所有定义的姿势向量可简化上述确定。为了归一化定义的姿势向量如V_Up＝[V_Up1，V_Up2，V_Up3]，该向量的每个x、y和z分量除以向量的长度‖V_Up‖并乘以比例因子S，如下所示：

其中 $\left|\right|V_{\mathrm{Up}}\left|\right|=\sqrt{{V_{\mathrm{Up}1}}^2+{V_{\mathrm{Up}2}}^2+{V_{\mathrm{Up}3}}^2}$ (方程23)

在该方程中，“S”可以是任何选择的值，例如1、10或100。归一化所有向量时必须使用相同的比例因子。当执行这种归一化时，所有定义的姿势向量具有相同的长度。结果，最大余弦确定简化为涉及内积的确定。就是说，与检测的姿势向量最接近的定义姿势向量将是与检测的姿势向量产生最大正内积的定义姿势向量。

如上所述，可利用“最接近”关系来分类患者姿势。如上所述，确定检测的姿势向量最接近仰卧、俯卧、右侧卧、左侧卧的定义姿势向量中的哪个，并基于该发现进行姿势分类。该关系的更一般应用将比较检测的姿势向量与所有定义的姿势向量(而不是仅仅与俯伏姿势相关的那些)，然后基于最接近哪个定义的姿势向量对患者的姿势进行分类。

可注意到，这种类型的“最接近”关系并不限于使用实际的定义姿势向量，而是推广至包括虚拟的姿势向量。下面将描述这种“最接近”关系的其它应用。

上述内容提供了可用于流线姿势分类和/或更灵活且可靠地作出姿势分类的各种类型的处理技术。用于该目的的另一类型的技术涉及评价姿势定义所引用的状态。这可以通过回到图7A的实施例进行描述。在该示例中，根据检测的姿势向量V_Up 60和围绕V_Up 60的圆锥64定义直立姿势。根据该定义，只要检测的姿势向量V_pt130位于圆锥64内任意位置，该姿势可分类为直立。为了分类为与直立姿势相关，V_pt在圆锥64内位于什么位置无关紧要，只要V_pt在该圆锥内的某一位置。

在一些情况下，宜可基于状态的评价来选择姿势定义的一方面。例如，可能希望基于定义的姿势向量V_pt位于哪一侧来确定围绕V_Up的圆锥的大小。具体说，例如当患者在斜躺椅中可能发生的患者向后仰时，宜检测当检测的姿势向量V_pt仍然相对接近V_Up时患者已超出直立姿势。这可以在患者向后仰形成斜倚姿势时相对快速地启动治疗改变，从而防止当患者处于向后仰时(例如，在斜躺椅中)采用与直立姿势相关的治疗水平可能发生的患者不舒服。

当患者向后仰时这种考虑并不存在。事实上，可能希望将患者继续分类为直立姿势，即使当患者处于相对远离V_Up向量的向前倾姿势。这可允许患者在可能需要患者以显著方式向前倾的诸如爬楼梯等活动期间继续接受与直立姿势相关的治疗。在该活动期间，可能希望向患者递送与直立姿势相关的相同的治疗。

根据上述实施例，可基于状态选择围绕V_Up的圆锥的大小。在这种情况下，状态涉及确定患者检测的姿势向量V_pt是否更接近仰卧姿势向量V_Fu使得患者向后仰，或者V_pt是否更接近俯卧姿势向量V_Fd使得患者更加向前倾。如果确定V_pt更接近仰卧姿势，选择容差使得如果V_pt更接近俯卧姿势时患者更快地超出直立姿势。这可通以通过考虑图13来进一步理解。

图13的图形表示显示了用于选择姿势定义的一方面的状态评估。在该实施例中，向量V_Up310是用于定义直立姿势的定义的姿势向量。该向量V_Up可以是实际的定义姿势向量或根据上文所述技术的任一种虚拟的姿势向量。定义的姿势向量V_Fd 312与俯卧姿势相关联，定义的姿势向量V_Fu314与仰卧姿势相关联。

获取描述患者当前姿势的检测的姿势向量V_pt316。根据当前方面，将该检测的姿势向量与每个向量V_Fd 312和V_Fu 314进行比较以确定这些定义的姿势向量中哪一个最接近检测的姿势向量。这种比较可涉及比较角度(虽然这在功率有限的实施方式中不是优选的)，角度的余弦或正弦、或者一些其它相似性值(例如，市块、绝对差、欧几里得等)。如上所述，根据一种简单的方法，推导V_pt＝[V_pt1，V_pt2，V_pt3]与每个向量V_Fu或V_Fd之间的内积。例如，V_pt和V_Fu＝[V_Fu1，V_Fu2，V_Fu3]之间的内积如下：

(V_pt1·V_Fu1+V_Fu2·V_Up2+V_Fu3·V_Up3)(方程24)

导致正内积的定义的姿势向量之一可以确定为最接近检测的姿势向量。

在图13的实施例中，V_pt 316与V_Fd 312具有正内积，与V_Fu 314具有负内积，其中与V_Fu的负内积是定义的姿势向量V_Fu和V_pt之间的角度β_Fu 315大于90度的结果。因此，这种评价的结局是选择V_Fd作为“最接近”V_pt。该结局结果可用于选择姿势定义的一些方面。在当前的实施例中，该方面是用于定义围绕V_Up的圆锥的角度。具体说，假定角θ_Up1 320与V_Fd相关联，因而选择用于定义圆锥大小。如果评价结果选择V_Fu 316作为最接近V_pt的定义姿势向量，将选择角θ_Up2与直立姿势定义相关联。

应理解，选择的角θ_Up1 320大于与V_Fu相关联的角θ_Up2 322。当使用较大的圆锥时，V_pt 316落在该圆锥内，如图13所示。因此，患者可分类为直立姿势，因此将继续接受治疗。例如，这可对应于当患者爬楼梯时向前倾的情况，并将最受益于接受与直立姿势相关联的治疗。

接着，假定V_pt 316最接近V_Fu 314而不是V_Fd，但仍然离开V_Up相同距离，如图13所示。在该情况下，选择角θ_Up2 322来评价直立姿势而不是角θ_Up1 320。因为角θ_Up2 322小于角θ_Up1 320，V_pt不再位于直立姿势的容差内，即使V_pt离开V_Up不比图13所示情况更远。结果，在这种情况下患者将分类为已经超出直立姿势。这对应于当患者在摇椅中向后仰而重量压迫脊柱时的情况。在这种情况下，可能希望至少暂时超出直立姿势状态以根据一些其它姿势，例如仰卧姿势来递送治疗。否则，如果患者向后仰而将重量置于脊柱上的同时继续接受与直立姿势相关联的治疗则可发生不舒服。

以上述方式，可基于状态的评价选择作出姿势定义的一些方面。在这种情况下，状态涉及两个实际的定义姿势向量V_Fu和V_Fd。在其它情况下，比较中可涉及超过两个向量，向量可以是虚拟和/或定义的姿势向量。如果需要，可将V_pt 316与N种姿势向量(例如右侧卧、左侧卧、仰卧、俯卧等定义的姿势向量)进行比较，所有N次比较的结果可用于确定容差。而且，评价并不限于双向结局。例如，在涉及N种姿势向量的实施例中，可以从N或更多种结局进行选择(例如N种不同的圆锥大小)。

在另一个实施方式中，评价的状态可涉及一些其它类型的比较，例如涉及系统参数或患者生理学状态的比较，而不是定义或虚拟的姿势向量。

虽然示例性的评价涉及用于鉴定V_pt最接近两个向量中的哪一个的“最接近”确定，但是情况不一定如此。在作出这种确定时可使用任何其它类型的关系。例如，在替代方式中，可使用涉及哪个向量最远，或者哪个向量落在一定距离范围内的确定。关系可涉及一些其它类型的比较而不是两个向量之间的比较，例如涉及系统参数或患者的生理学状态的比较。

虽然上述实施例涉及圆锥大小的选择，但是情况不一定如此。在另一种情况下，可涉及区域的选择。例如，可选择圆环面形状的空间中区域与基于一种结局的定义联用，选择一个或多个圆锥与基于另一结局的定义联用。可基于状态的评价来选择这些区域的大小、区域的数量、区域相互关联的方式(例如，使用布尔逻辑)。

图14的流程图显示了在分类姿势时使用评价的状态。首先，获取用于患者当前姿势的检测的姿势向量V_pt(340)。获取用于姿势分类的姿势定义的集合{P₁-P_i}。选择姿势定义之一与V_pt进行比较(344)。例如，这可涉及选择用于躺下姿势的定义与V_pt进行比较。

接着，确定状态是否与该姿势定义相关联(346)。如果不是，将该姿势定义的容差与V_pt进行比较以确定患者是否应分类为该姿势(348)。处理继续至步骤356，在步骤356确定姿势分类是否完成(356)。如果患者已分类为选择的姿势P(例如躺下姿势)并且不发生进一步的分类(即，该实施方式不要求对患者姿势进行进一步的分类，例如进一步进行躺下姿势的亚分类)，则认为处理完成。如果认为姿势分类未完成(例如，患者的姿势尚未分类，或者分类要求进一步细分)，处理可回到步骤344进行患者姿势的进一步分类或亚分类。

如果姿势分类完成(356)，则基于姿势分类启动一些应答(358)。这可涉及自动修改当前递送的治疗，或者选择新的治疗递送至患者。在另一个实施方式中，检测的姿势可用于提示一些通知，启动一些信息的记录，或者执行一些其它应答。

回到步骤346，如果确定状态与定义的姿势P相关联，处理继续至步骤350。在步骤350评价状态。例如，这可涉及确定V_pt最接近与该状态相关联的集合中哪个定义的姿势向量。这种评价可用于选择姿势P的容差，例如这可涉及选择圆锥大小(352)。然后，基于选择的容差对检测的姿势向量V_pt与定义的姿势P进行比较以确定患者是否应分类为该姿势(354)。如果认为姿势分类已完成(356)，可基于姿势分类启动应答(358)。否则，处理回到步骤344，在步骤344选择另一种定义姿势并重复上述过程。

可周期性地重复图14的过程，以传感器40的取样速率，在一些其它预定的时间段，一旦发生一些检测的事件，或者基于系统内的一些其它事件。

上述讨论聚集于姿势分类，在一个实施方式中这可涉及传感器40的x、y和z信号的DC分量的应用。类似的技术可应用于分类患者的运动。患者运动可使用活动状态进行分类。在一个实施方式中，活动状态可以从传感器40输出的AC分量确定(不同于用于检测姿势的传感器输出的DC分量)。例如，可过滤传感器40的输出以保留预定的频率范围并排除噪音，根据各种修匀技术进行处理，然后用于确定患者的运动。

可使用活动状态定义分类患者的运动。活动状态定义可包括类似于姿势定义的定义姿势向量的定义活动向量。该向量可涉及速度的方向、加速的方向、或者一些其它涉及运动的方向。

如姿势定义中所述，活动状态定义可指定描述与定义活动向量的关系的容差。可使用类似于上文所述关于用于姿势定义的那些关系来表达容差。

活动状态定义可以由用户(例如临床医师)产生。例如，临床医师可提示患者开始活动，例如在踏车上行走。虽然这样，临床医师可利用临床医师编程装置20向IMD 12发送命令，导致从传感器40的输出获取指示患者运动方向的一个或多个向量。如果需要，可以对一个或多个向量进行处理(例如，提取某一频率范围、过滤噪音、和/或确定中位或平均向量值)。所得向量可与选择的容差联用以定义活动状态定义。以这种方式，活动状态定义可以与姿势定义引用定义的姿势向量和容差大致类似的方式引用向量和容差。

一旦产生活动状态定义，可用于分类患者的活动状态。在患者的日常生活中，传感器40的输出经处理以推导检测的活动向量。该向量可以与活动状态定义内包含的定义活动向量进行比较。与姿势向量的比较相同，这种比较可利用相似性，其可以是上文所述任何类型的相似性。比较可以使用上文所述参照定义的姿势向量与检测的姿势向量的比较的任何技术来实现。在一个实施方式中，这些技术不采用角度推导。因此，可以更有效地进行处理。如果比较指示检测的活动参数满足定义活动状态的要求，则患者可分类为该活动状态。

因此，应理解，上文参照姿势定义和姿势向量描述的所有技术可应用于涉及活动状态定义的向量。如上所述，这可涉及获取在传感器40坐标系中的活动向量而不参照患者的坐标系。这可进一步涉及采用非角度相似性(例如，三角函数、内积、距离等)对检测的活动向量和活动状态定义作出比较。活动定义可涉及选择容差之前必须评价的状态。该定义可涉及通过逻辑函数相互关联的空间中多个区域。替代或另外地，在活动状态定义中可引用虚拟的活动向量。因此，本文所述的任何技术可同等应用于活动向量以及姿势向量。

如上所述，姿势定义和活动状态定义各自是称为姿势状态定义的更通用定义级别的一个亚组。姿势状态定义引用定义的姿势和定义的活动状态中至少一个。因此，姿势状态可仅仅涉及姿势定义，仅仅涉及活动状态定义，或者涉及两者。

姿势状态定义可用于分类患者的姿势状态。这些定义可利用本文所述的任何机制。因此，姿势状态定义可引用姿势和活动状态。姿势可根据定义的姿势向量及相关的容差进行定义。活动状态可根据定义的活动向量及相关的容差进行定义。本文所述的任何技术可应用于姿势状态定义所引用的姿势和活动中的任一种或两者。

图15的流程图描述了根据本发明分类姿势状态的一种方法。患者采取一姿势状态，该姿势状态涉及姿势和活动状态中至少一个(370)。使用传感器获取用于定义姿势状态的一个或多个实际的定义向量(372)。以这种方式获取的向量可以在传感器的坐标系中表达以实现更有效的处理。

一个或多个实际的定义向量可经处理后获得一个或多个虚拟的向量(374)。例如，该处理可涉及对步骤372获得的向量取多次叉积的平均值。可定义一个或多个容差(376)。每个这种容差可定义与实际向量和/或虚拟向量之一的关系。

产生姿势状态定义，其包括实际和/或虚拟向量中的一个或多个(378)。定义可进一步包括一个或多个容差，并可任选地采用逻辑函数(例如，布尔和、或、非类型的函数，等等)。任选地，使状态与用于选择容差的姿势状态定义相关联(380)。例如，该状态可将检测的向量与一个或多个实际或虚拟向量比较以确定哪个最接近。

如果需要产生更多姿势状态定义(382)，处理可回到步骤370。否则，处理继续至步骤384，在步骤384获取一个或多个检测的向量。检测的向量可以在传感器的坐标系中表达，描述了患者的姿势状态。确定检测的向量是否满足任意姿势状态定义的所有要求(386)。在一个实施方式中，该步骤可采用不涉及角度推导的相似性来执行。而且，该步骤可仅仅使用传感器的坐标系执行，而不参照患者的坐标系。基于步骤386的比较对患者的姿势状态进行分类(388)。根据一个实施方式，可执行该分类而不参照患者的坐标系。

可基于姿势分类启动一些应答(390)。这可涉及自动修改当前递送的治疗，或者选择递送至患者的新治疗。在另一个实施方式中，检测的姿势可用于提示一些通知，或者启动一些信息的记录。

接着，提供示例性的用户界面以用于定向传感器，使得定义的向量和检测的向量在传感器40的坐标系中获得而不参照患者的坐标系。参照其余附图考虑该示例性的用户界面。

图16A的概念图显示了用于在诊断或治疗使用之前定向可植入的医疗装置的示例性用户界面408。用户界面408描述为通常由编程装置20显示，可以是临床医师编程装置、患者编程装置或一些其它外置编程装置或远程设备。用户界面408显示与感应姿势状态、自动姿势响应、审阅记录的治疗调整信息和建议的治疗参数有关的信息以提高治疗功效。

在图16A的实施例中，用户界面408的显示屏410呈递定向信息436、操作菜单424、网络图标414、打印机图标416、IMD通信图标418、编程装置电池图标420、刺激状态图标422、患者数据图标426、数据记录图标428、装置状态图标430、编程图标432和数据报告图标434。此外，显示屏410包括姿势状态选择438A、438B、438C、438D和438E(通常为“姿势状态选择438”)、复位按钮440、帮助按钮442和定向按钮444。通过选择编程图标432打开下拉菜单，让用户选择多个不同的显示屏之一，可访问显示屏410。用户可选择“定向装置”或象征访问启动IMD 12内的传感器40的定向的过程的一些其它文字或图标。

显示屏410包括与用户界面408的其它显示屏共用的多个菜单和图标。操作菜单424是用户可选择查看能够由用户进行选择的多个选项或偏好的按钮。操作菜单424可提供编程装置20的偏好而不是治疗专用信息。在一个实施方式中，网络图标414变成灰色以指示编程装置20当前没有连接到网络。当网络图标414完全显示时，编程装置20连接到网络。打印机图标416指示何时编程装置20连接到打印机。如果如图16A所示打印机图标416变灰，则没有打印机连接到编程装置20。

而且，显示IMD通信图标418指示临床医师编程装置没有与IMD 12通信，因为该图标包括划过IMD表示的斜杠。当编程装置20与IMD12建立通信链接时，斜杠消失。此外，编程装置电池图标420指示编程装置20内包含的电池的当前充电水平。刺激状态图标422指示用户何时向患者14递送刺激。当前没有递送刺激，但在递送刺激时刺激状态图标422可包括通过IMD表示的电螺栓。

显示屏410也提供与患者14的刺激治疗相关的菜单选项。患者数据图标426允许用户进入和审阅与患者14的状态和病症有关的数据。数据记录图标428允许用户导航至其它显示屏，进入记录偏好的数据和审阅储存的数据。装置状态图标430允许用户查看IMD14的例如电极，导线，电池各组件的操作状态，以及任何发现的问题。编程图标432允许用户导航至定义用于向患者14递送刺激的刺激治疗参数的编程显示屏。此外，数据报告图标434允许用户查看和打印患者14进程和其它治疗信息的报告。

用户界面408的显示屏410所特有的是，通过帮助患者14采取与选择438关联的姿势状态中的每一个和将传感器40的输出设置成该具体的姿势状态选择，临床医师可启动IMD12的传感器40的定向。提供定向信息436以指导临床医师如何根据患者14定向IMD12，虽然并非在所有实施例中都是必需的。例如，图16A显示临床医师选择了姿势状态选择438A。一旦患者14采取站立姿势，临床医师将选择定向按钮444以使IMD 12将传感器40输出设定成站立姿势状态。临床医师可以临床医师选择的任何顺序针对每个姿势状态选择438重复该过程。在其它实施例中，临床医师可无需将IMD 12定向成五种姿势状态选择438中的每一种。IMD 12可以仅要求三种姿势状态选择，例如直立、仰卧、俯卧、以及左侧卧或右侧卧之一。

在传感器的坐标系中感应、记录和/或处理定义的向量和检测的向量(例如，定义的姿势向量、检测的姿势向量、定义的活动向量、检测的活动向量)而不参照患者的坐标系的实施方式中，使IMD 12定向的步骤可能的必需的。如上所述，在传感器40的坐标系中利用向量的能力提供了在进行姿势状态分类之前要求向量转换的系统不能提供的处理效率。

在一个实施方式中，用户界面408可阻止临床医师使用IMD 12用于姿势分类目的，除非临床医师已经根据患者14定向IMD12。以这种方式，姿势状态的进一步定义只有在定向完成之后才进行。

图16B的概念图显示了一种示例性用户界面408，显示完成了可植入医疗装置的定向的用户。如图16B所示，用户界面408的显示屏446向临床医师指示已经完成了针对图16A中所述每一种姿势状态选择438的IMD12的定向。在显示屏446的右侧，每一种姿势状态选择438具有划过图形姿势状态指示的选中标记以指示每种姿势状态选择438已经定向。而且，在一个实施方式中，定向按钮444可变灰导致临床医师不能再选择该按钮。一旦编程装置20配置显示屏446，需要时，临床医师可采用定义向量继续定义姿势状态，或者启动涉及感应患者14的姿势状态的其它编程任务。在替代实施例中，一旦IMD 12针对患者14定向之后，编程装置20可自动进入允许姿势状态定义的模式。

图17A和17B的概念图显示了一种示例性用户界面，以确定可植入医疗装置的定向而不要求患者采取每一种姿势状态进行定向。图17A和17B显示了基本上类似于图16A和16B的显示屏410和446的用户界面408的示例性显示屏411和447。然而，图17A和17B的实施例仅仅要求患者14采取可能的五种姿势状态中的四种姿势状态以根据患者14定向IMD12，因为在该实施方式中假定俯卧姿势状态与仰卧姿势状态精确相对。

如图17A所示，用户界面408的显示屏411呈递定向信息437，姿势状态选择439A、439B、439C、439D和439E(统称为“姿势状态选择439”)，位置按钮441和定向按钮445。用户可选择“定向装置”或象征访问启动IMD 12内的传感器40的定向的过程的一些其它文字或图标。

通过帮助患者14采取IMD12可检测的一些可能的姿势状态，显示屏411允许临床医师启动IMD12的传感器40的定向。一旦患者14采取姿势状态选择439所指示的合适类型的姿势状态，则IMD12的传感器40将根据相关的定义姿势向量定向或校准，如本发明所述起作用。

如上所述，一旦通过用户界面获得定义的姿势向量，这些向量可用于定义姿势状态，如同定义描述这些向量的关系的容差。这些容差可描述圆锥、圆环面、或相对于可用于定义姿势状态的这些向量的空间中其它区域。在一些实施例中，定义的姿势向量可用于定义直立姿势的直立圆锥，还可定义用于检测躺下姿势的圆锥或圆环面。可使用其它向量来定义躺下姿势的其它亚分类(例如，右侧卧、左侧卧、仰卧、俯卧等等)。

在图17A的实施例中，虽然共有五种可能的姿势状态，显示屏411只要求患者14采取五种姿势状态中的四种。以任何特定的顺序，临床医师使IMD 12分别根据姿势状态选择439A、439B、439C、439D和439E所指示的直立、仰卧、俯卧、左侧卧和右侧卧姿势状态进行定向。

临床医师可通过点击合适的姿势状态选择439，确保患者14采取该特定的姿势状态并选择定向按钮445，而定向这些姿势状态中的每一种。然后，根据本发明所述姿势检测技术中的任一种，将感应的向量指派给姿势状态选择作为用于姿势检测的定义姿势向量。在任何时间，临床医师可通过选择位置按钮441验证IMD12目前检测患者14的姿势状态。一旦选择位置按钮441，用户界面408可提供患者14当前姿势状态的指示。一旦这些姿势状态中的每一种均已定向，则如本发明所述进行治疗。

如图17B所示，用户界面408的显示屏447向临床医师指示已经完成了针对图17A中所述每一种姿势状态选择439的IMD12的定向。在显示屏447的右侧上，每一种姿势状态选择439具有划过图形姿势状态指示的选中标记以指示每种姿势状态选择439已经定向。应注意，在仰卧姿势状态与俯卧姿势状态“相对”的实施方式中，一旦定向仰卧或俯卧姿势状态，则这两种姿势状态选择439B和439C均已确认完成。

具体说，在仰卧和俯卧姿势状态的定义姿势向量处于相互精确相对方向的实施方式中，一旦获得俯卧或仰卧姿势状态之一的定义姿势向量，则该定义姿势标向量的倒数可用于俯卧或仰卧姿势状态中的另一个。例如，如果获得俯卧姿势状态的定义姿势向量，则仰卧姿势状态的定义姿势向量即是俯卧定义姿势向量的倒数，无需获得俯卧姿势状态的实际定义姿势向量。以类似的方式，在右侧卧和左侧卧定义姿势向量相互间精确相对的实施方式中，患者仅需采取该姿势状态之一，因为可采用其中一个位置确定两个向量。

图16A-17B示例性的用户界面仅仅提供了可使用本文所述技术定义的许多类型的姿势状态的一个例子。除姿势之外，姿势状态还可涉及活动，或者仅涉及活动。在这种情况下，要求患者开始活动以定向装置。因此，许多其它实施方式是可能的，这只是一个示例。

本文描述的示例性实施方式采用各种效率用于执行姿势和活动状态的检测和分类。效率可包括在传感器的坐标系中检测向量(例如姿势向量或活动状态向量)而不参照患者的坐标系。然后，使用该向量来分类患者的姿势状态而不参照患者的坐标系。

这种效率可进一步包括使用不要求角度推导的非角度相似性进行分类。姿势或活动状态的定义可引用空间中多个区域，包括一个或多个圆环面和/或一个或多个圆锥。需要时，这些区域可使用逻辑函数(例如，或类型的逻辑函数)相互关联。在一个实施方式中，区域可以相互“重叠”。

其它效率涉及在患者采取已知姿势或开始已知活动时，使用基于从患者获取的实际向量推导的虚拟向量。类似于实际的定义姿势向量，这种虚拟向量可用于定义姿势和活动状态。

另一方面涉及评价用于选择姿势或活动状态定义的一方面的状态。例如，评价可选择姿势或活动状态定义使用的圆锥的大小。

可使用本文所述一个或多个效率或方面中的任一种进行姿势定义和分类，活动状态定义和分类，或两者。而且，任何效率可单独使用，或者与任何其它效率联用。因此，系统的许多实施方式可能在本说明书的范围内。

在上文所述内容中，与IMD 12的姿势状态模块41和/或存储器36结合，处理器34可执行各种函数、步骤、技术和机制。然而，在其它实施例中，数据处理和储存可以不同方式分布在治疗系统的装置之间。例如，处理来自传感器40的信号以及分类患者姿势状态的一些处理步骤可以由经遥测通信接收来自IMD 12的信号的编程装置20的处理器执行。然后，编程装置20基于姿势状态分类启动应答，和/或可以向IMD 12发布命令使IMD启动一些应答，当应答涉及开始、停止或修改由IMD 12递送至患者14的治疗时，这是必要的。在一些情况下，IMD 12的处理器34可执行一些处理步骤，向编程装置20发送中间信息并且编程装置将执行一些步骤，并将信息重新发送至IMD以完成处理。步骤的许多组合和顺序都是可能的。在另一个实施例中，可以从IMD 12或编程装置20下载至少一些处理至远程装置，包括例如与编程装置20无线耦联或以其它方式耦联的服务器。

在任一种实施方式中，姿势状态定义52可以由IMD 12和/或编程装置20储存。例如，编程装置和IMD 12都可储存这些信息的拷贝。

本发明所述的技术可至少部分地用硬件，软件，固件或其任何组合来实现。例如，技术的各个方面可以在一个或多个微处理器、DSP、ASIC、FPGA或任何其他等价集成或独立逻辑电路中以及这些组件的任意组合来实现，嵌入在编程装置(例如临床医师或患者编程装置)，刺激器或其他装置中。术语“处理器”或“处理电路”通常表示任何上述逻辑电路，单独使用或与其它逻辑电路或者任何其它等价电路组合。

用软件实现时，归属于本发明所述系统和装置的功能可以具体化为计算机可读介质上的指令，所述计算机可读介质包括例如RAM、ROM、NVRAM、EEPROM、FLASH存储器、磁性介质、光学介质等。可执行指令以使一个或多个处理器支持本发明所述功能的一个或多个方面。

此外，应理解本文所述的系统并不限于治疗人类患者。在替代实施方式中，这些系统可以在非人类患者中实现，例如灵长类，犬齿类，马，猪和猫。这些动物可经历可能受益于本发明主题的临床或研究治疗。

本领域技术人员将理解，可以对本文所述的系统、方法和技术作出其它修改。例如，可以在诸如姿势状态模块41的硬件中实现方法的一些步骤。在许多情况下，步骤可以重新排序，并且一些步骤可以省略。因此，实施方式的描述仅仅是示例性的，本发明的范围由以下权利要求书限定。

Claims (38)

1.一种分类患者姿势状态的方法，所述方法包括：

从相对于所述患者以大致固定方式设置的至少一个传感器获取定义向量，所述定义向量在所述至少一个传感器的坐标系中描述而与所述传感器相对于所述患者设置的定向无关；

从所述至少一个传感器获取检测向量，所述检测向量采用所述至少一个传感器的坐标系描述并且指示所述患者的姿势状态；

比较所述检测向量与所述定义向量；和

基于所述比较对所述患者的姿势状态进行分类，与所述传感器相对于所述患者设置的定向无关。

2.如权利要求1所述的方法，其特征在于，获取所述定义向量包括：

在所述患者采取定义姿势向量的同时测量所述至少一个传感器的输出；和

使所述测量的输出与所述定义向量相关联。

3.如权利要求1所述的方法，其特征在于，还包括使空间中区域与所述定义向量相关联，其中比较所述检测向量与所述定义向量还包括确定所述检测向量是否位于所述空间中区域内。

4.如权利要求3所述的方法，其特征在于，还包括：

获取多个定义向量，每个与相应的空间中区域相关联；和

其中比较所述检测向量与所述定义向量包括确定所述检测向量是否位于与所述多个定义向量相关联的所述空间中区域的任一个内。

5.如权利要求1所述的方法，其特征在于，还包括：

使容差与所述定义向量相关联；和

确定所述定义向量与所述检测向量之间的相似性；和

其中比较所述检测向量与所述定义向量包括比较所述相似性与所述容差。

6.如权利要求5所述的方法，其特征在于，所述相似性是距离，还包括：

将所述距离映射成与所述定义向量与所述检测向量之间的相似度直接成比例的值；和

其中比较所述检测向量与所述定义向量包括比较所述值与所述容差。

7.如权利要求1所述的方法，其特征在于，还包括：

获取多个定义向量；

使所述多个定义向量中的每一个与相应的容差相关联；和

使所述容差中的多个相互关联；和

其中比较所述检测向量与所述定义向量包括比较所述检测向量与所述容差中相互关联的多个描述的空间中区域。

8.如权利要求7所述的方法，其特征在于，使所述容差中的多个相互关联包括采用一种或多种逻辑函数。

9.如权利要求7所述的方法，其特征在于，所述空间中区域由圆环面和至少一个圆锥定义。

10.如权利要求1所述的方法，其特征在于，还包括：

使多个容差与所述定义向量相关联，每个指示与所述定义向量的关系；

评价状态；

基于所述评价选择所述多个容差中的一个；和

其中比较所述检测向量与所述定义向量包括确定所述检测向量是否满足所述多个容差中选定的一个所指示的与所述定义向量的关系。

11.如权利要求10所述的方法，其特征在于，还包括：

获取至少一个其它的定义向量；和

其中评价所述状态包括比较所述检测向量与所述至少一个其它的定义向量。

12.如权利要求11所述的方法，其特征在于，还包括：

确定所述检测向量是更接近仰卧姿势的定义向量或者更接近俯卧姿势的定义向量；和

基于所述确定选择围绕躺下姿势的定义向量设置的空间中区域的大小；和

其中比较所述检测向量与所述定义向量包括比较所述检测向量与所述空间中区域以确定所述患者是否处于躺下姿势。

13.如权利要求1所述的方法，其特征在于，还包括：

基于所述定义向量的平方长度和围绕所述定义向量的圆锥大小中至少一个推导一种或多种常数；

使所述一种或多种常数与所述定义向量相关联；和

使用所述一种或多种常数来比较所述检测向量与所述定义向量。

14.如权利要求13所述的方法，其特征在于，还包括归一化所述定义向量以具有选择的长度。

15.如权利要求1所述的方法，其特征在于，还包括：

获取多个定义向量；

比较所述检测向量与所述多个定义向量中的多个；和

如果基于所述比较，所述患者不能分类为与所述多个定义向量中的多个的任一个相关联的姿势状态，则产生细化信息以鉴别所述检测向量最接近所述多个定义向量中的多个的哪一个。

16.如权利要求1所述的方法，其特征在于，还包括：

获取多个定义向量；

处理所述多个定义向量中的多个以获取虚拟向量；和

比较所述检测向量与所述虚拟向量以对所述患者的姿势状态进行分类。

17.如权利要求16所述的方法，其特征在于，比较所述检测向量与所述定义向量确定所述患者是否处于直立姿势，还包括比较所述检测向量与所述虚拟向量以确定所述患者是否处于躺下姿势。

18.如权利要求17所述的方法，其特征在于，还包括：

获取多个额外的定义向量，每个与当患者俯伏时可能采取的姿势相关联；和

如果所述患者被分类处于躺下姿势，比较所述检测向量与一个或多个所述额外的定义向量以分类所述患者处于当患者俯伏时可能采取的姿势中的一个。

19.如权利要求16所述的方法，其特征在于，比较所述检测向量与所述虚拟向量包括确定所述检测向量是否落在围绕所述虚拟向量设置的多个空间中区域的任一个内。

20.如权利要求16所述的方法，其特征在于，所述多个定义向量中的多个各自与所述患者俯伏时可能采取的相应的患者姿势相关联；

获取所述多个定义向量中的多个的多个相邻对之间的叉积；和

对所述叉积取平均以获取所述虚拟向量。

21.如权利要求1所述的方法，其特征在于，还包括：

获取多个定义向量；

基于所述检测向量与所述多个定义向量中的每一个之间的比较对所述患者的姿势状态进行分类；和

如果所述患者不能分类为与所述多个定义向量中的任一个相关联的姿势状态，则产生姿势细化信息以鉴别所述检测向量最接近所述多个定义向量中的哪一个。

22.如权利要求1所述的方法，其特征在于，还包括：

获取多个定义向量；

推导所述检测向量与所述多个定义向量中的多个之间的内积；和

基于所述推导的内积，将所述患者分类为所述多个定义向量中与所述检测向量最接近的一个相关联的姿势状态。

23.如权利要求1所述的方法，其特征在于，所述定义向量和所述检测向量各自与所述患者的运动方向相关联，其中对所述患者的姿势状态进行分类包括对所述患者的运动进行分类。

24.如权利要求1所述的方法，其特征在于，还包括基于所述姿势状态分类调整治疗递送至所述患者的方式。

25.一种用于确定患者姿势状态的可植入医疗装置，包括：

传感器，所述传感器大致固定于患者，与传感器的定向无关；

储存装置，所述储存装置储存引用在所述传感器的坐标系中表达的至少一个定义向量的至少一种姿势状态定义；和

处理器，所述处理器从所述传感器获取在所述传感器的坐标系中的检测向量，比较所述检测向量与所述至少一个定义向量并基于所述比较对所述患者的姿势状态进行分类而与所述传感器的定向无关。

26.如权利要求25所述的装置，其特征在于，所述至少一个定义向量描述所述患者的运动，所述处理器基于所述运动进一步对所述患者的姿势状态进行分类。

27.如权利要求25所述的装置，其特征在于，还包括治疗模块，所述治疗模块基于所述姿势状态的分类向所述患者提供治疗。

28.如权利要求27所述的装置，其特征在于，还包括治疗模块，所述治疗模块基于所述姿势状态的分类向所述患者递送电刺激治疗。

29.如权利要求25所述的装置，其特征在于，所述至少一种姿势状态定义引用描述与所述定义向量的关系的容差，所述处理器基于所述检测向量与所述至少一个定义向量是否具有所述关系而进一步对所述姿势状态进行分类。

30.如权利要求25所述的装置，其特征在于，所述处理器基于所述检测向量与所述至少一个定义向量中的每一个之间的相似性对所述姿势状态进行分类，所述相似性的推导不需要角度推导。

31.如权利要求25所述的装置，其特征在于，所述处理器基于对所述检测向量最接近所述至少一个定义向量中的哪一个的确定进一步对所述姿势状态进行分类。

32.如权利要求25所述的装置，其特征在于，所述至少一种姿势状态定义考虑到所述患者的姿势和活动状态中至少一个。

33.如权利要求25所述的装置，其特征在于，所述至少一种姿势状态定义引用多个定义向量，所述处理器进一步处理所述多个定义向量中的多个以获取虚拟向量，基于所述检测向量与所述虚拟向量之间的比较对所述患者的姿势状态进行分类。

34.如权利要求33所述的装置，其特征在于，所述处理器进一步获取所述多个定义向量中的多个的多个相邻对，获取所述多个相邻对中每一对的叉积，对所述叉积取平均以获取所述虚拟向量。

35.如权利要求34所述的装置，其特征在于，所述处理器比较所述检测向量与直立姿势的定义向量以确定所述姿势状态是否涉及直立姿势，如果不是，则比较所述检测向量与虚拟向量以确定所述姿势状态是否涉及躺下姿势。

36.如权利要求25所述的装置，其特征在于，所述至少一种姿势状态定义引用多个定义向量，每个与相应的容差相关联，函数描述所述容差间的关系，所述处理器进一步确定所述检测向量是否位于所述容差间的所述关系描述的空间中区域内。

37.如权利要求36所述的装置，其特征在于，至少一个容差描述围绕直立姿势的定义向量的圆环面，另一个容差描述围绕当患者处于俯伏姿势时采取的姿势的定义向量的圆锥，所述关系是逻辑或函数。

38.一种储存介质，所述储存介质储存可执行指令以使处理器执行以下方法，包括：

获取从相对于患者以任意定向承载的传感器的信号推导的检测向量，所述检测向量在所述传感器的坐标系中指示；

获取引用一种或多种定义向量的一种或多种姿势状态定义，每种定义向量在所述传感器的坐标系中指示；

直接比较所述检测向量与所述一个或多个定义向量；和

基于所述比较，对所述患者的姿势状态进行分类。

Images