用于取决于睡眠阶段而控制装置的电子开关.pdf

一种用于通过至少取决于人的睡眠阶段而切换装置的功能来控制所述装置（170）的电子开关，所述开关包括：被配置成从EEG传感器（120）接收大脑活动数据的EEG数据接口，所述EEG传感器被配置成在训练阶段期间监控人的大脑的电活动，被配置成从接收到的大脑活动数据对人的睡眠阶段分类的EEG睡眠分类器（125），被配置成从备选传感器（130）接收身体活动数据的身体数据接口，所述备选传感器被配置成在训练阶段和随后的使用阶段二者期间监控人的身体功能，所述备选传感器不同于所述EEG传感器，备选睡眠分类器（135）和机器学习系统（140），所述机器学习系统被配置成训练所述备选睡眠分类器（135）以从接收到的身体活动数据对人的睡眠阶段分类，所述学习系统使用由所述EEG睡眠分类器（125）分类的睡眠阶段以及从所述备选传感器接收的并发的身体活动数据作为训练数据，其中在所述使用阶段中取决于由所述备选睡眠分类器（135）分类的人的睡眠阶段而控制所述装置（170），以及，被配置成至少确定所分类的睡眠阶段是特定睡眠阶段的集合中的一个并且至少取决于所述确定而切换所述装置的功能的控制逻辑（150）。

1.  一种用于通过至少取决于人的睡眠阶段而切换装置的功能来控制所述装置（170）的电子开关（110），所述开关包括：
－EEG数据接口，被配置成从EEG传感器（120）接收大脑活动数据，所述EEG传感器被配置成在训练阶段期间监控人的大脑的电活动，
－EEG睡眠分类器（125），被配置成从接收到的大脑活动数据对人的睡眠阶段分类，
－身体数据接口，被配置成从备选传感器（130）接收身体活动数据，所述备选传感器被配置成在训练阶段和随后的使用阶段二者期间监控人的身体功能，所述备选传感器不同于所述EEG传感器，
－备选睡眠分类器（135）和机器学习系统（140），所述机器学习系统被配置成训练所述备选睡眠分类器（135）以从接收到的身体活动数据对人的睡眠阶段分类，所述学习系统使用由所述EEG睡眠分类器（125）分类的睡眠阶段以及从所述备选传感器接收的并发的身体活动数据作为训练数据，其中在所述使用阶段中取决于由所述备选睡眠分类器（135）分类的人的睡眠阶段而控制所述装置（170），以及
－控制逻辑（150），被配置成至少确定所分类的睡眠阶段是特定睡眠阶段的集合中的一个，以及至少取决于所述确定而切换所述装置的功能。

2.  根据权利要求1所述的开关，包括被配置成指示当前时间的时钟，所述开关（110）可被配置有第一切换时间段，所述控制逻辑被配置成在如下二者发生时切换所述功能：
－由所述时钟指示的当前时间在所述第一切换时段中，以及
－所分类的睡眠阶段是所述特定睡眠阶段的集合中的一个。

3.  根据权利要求2所述的开关，被配置成在由所述时钟指示的当前时间处于所述第一切换时段的结束处时切换所述功能，而不论所分类的睡眠阶段如何。

4.  根据之前权利要求任一项所述的开关，其中所述控制逻辑被配置成延迟切换直至所分类的睡眠阶段保持在所述特定睡眠阶段的集合中持续特定时间段。

5.  根据之前权利要求任一项所述的开关，包括
－统计单元，被配置成
　　在所述训练阶段期间确定接收到的身体活动数据的统计测量并且将其存储为参考测量，
　　在所述使用阶段期间确定接收到的身体活动数据的所述统计测量，
－漂移探测单元，被配置成探测在使用阶段期间所确定的所述统计测量与所述参考测量的漂移，并且一旦探测到所述漂移就向用户发信号以用于所述备选睡眠分类器的重校准。

6.  根据之前权利要求任一项所述的电子开关，其中
－所述EEG传感器被配置成在其被放置成紧密靠近人的头部或者直接接触人的头部时监控，并且
－所述备选传感器被配置成在不与人直接接触的情况下监控。

7.  根据之前权利要求任一项所述的电子开关，其中所述备选传感器被配置成监控呼吸、心脏和活动变化中的至少一个。

8.  根据之前权利要求任一项所述的电子开关，其中所述备选传感器包括用于定位在床垫中或在床垫下方的压力传感器。

9.  一种闹钟，包括
－可配置有第一切换时间段的如之前权利要求中任一项所述的电子开关（110），以及
－被配置成例如通过音频和/或视觉刺激来唤醒人的装置，其中
　　所述控制逻辑被配置成开启所述装置来唤醒人。

10.  根据权利要求9所述的闹钟，其中至少被配置成唤醒人的所述装置被设置用于戴在人耳中。

11.  一种防盗警报器，包括
－根据权利要求1至8任一项所述的电子开关（110），以及
－用于探测盗贼的侵入的侵入传感器，
－被配置成响应于所述侵入传感器探测到侵入而发出警报的装置，其中
　　所述控制逻辑被配置成开启被配置成发出警报的所述装置。

12.  一种娱乐系统，包括，
－如权利要求1至8任一项所述的电子开关（110），以及
－被配置成呈现视频的装置，其中
　　所述控制逻辑被配置成关断被配置成呈现视频的所述装置。

13.  一种用于通过至少取决于人的睡眠阶段而切换装置的功能来控制所述装置（170）的方法，所述方法包括
－在训练阶段期间监控人的大脑的电活动，
－由电子EEG睡眠分类器（125）从所监控的大脑活动数据对人的睡眠阶段分类，
－在所述训练阶段和随后的使用阶段二者期间监控人的身体功能，
－训练电子备选睡眠分类器（135）以从所监控的身体活动数据对人的睡眠阶段分类，学习系统使用由所述EEG睡眠分类器（125）分类的睡眠阶段以及所监控的并发的身体活动数据作为机器学习系统的训练数据，
－由所述备选睡眠分类器（135）从所监控的身体活动数据对人的睡眠阶段分类，
－确定由所述备选睡眠分类器（135）分类的睡眠阶段是特定睡眠阶段的集合中的一个，以及
－至少取决于所述确定而切换装置的功能。

14.  一种计算机程序，当所述计算机程序在计算机上运行时其用于通过至少取决于人的睡眠阶段而切换装置的功能来控制所述装置（170），所述计算机程序包括计算机程序代码构件，所述计算机程序代码构件适于
－在EEG数据接口处接收来自EEG传感器（120）的大脑活动数据，所述EEG传感器被配置成在训练阶段期间监控人的大脑的电活动，
－从接收到的大脑活动数据对人睡眠阶段分类，
－从备选传感器（130）接收身体活动数据，所述备选传感器被配置成在所述训练阶段以及随后的使用阶段二者期间监控人的身体功能，
－训练备选睡眠分类器（135）以从接收到的身体活动数据对人的睡眠阶段分类，学习系统使用由所述EEG睡眠分类器（125）分类的睡眠阶段和从所述备选传感器接收到的并发的身体活动数据作为训练数据，
－由所述备选睡眠分类器（135）从所监控的身体活动数据对人的睡眠阶段分类，
－确定由所述备选睡眠分类器（135）分类的睡眠阶段是特定睡眠阶段的集合中的一个，以及
－至少取决于所述确定而切换装置的功能。

15.  一种体现在计算机可读介质上的如权利要求14中要求保护的计算机程序。

用于取决于睡眠阶段而控制装置的电子开关
技术领域
本发明涉及一种用于通过至少取决于人的睡眠阶段而切换装置的功能来控制装置的电子开关，开关包括被配置成从传感器接收身体活动数据的身体数据接口和被配置成从所接收的身体活动数据对人的睡眠阶段分类的睡眠分类器，以及被配置成至少确定所分类的睡眠阶段是特定睡眠阶段集合中的一个并且至少取决于所述确定而切换装置的功能的控制逻辑，所述传感器被配置成监控人的身体功能，其中取决于由睡眠分类器所分类的人的睡眠阶段而控制该装置。
本发明进一步涉及闹钟、防盗警报器以及娱乐系统。
本发明进一步涉及用于通过至少取决于人的睡眠阶段而切换装置的功能来控制装置的方法。
本发明进一步涉及计算机程序，当计算机程序运行于计算机上时其用于通过至少取决于人的睡眠阶段而切换装置的功能来控制装置。
背景技术
睡眠是通常以睡眠阶段描述的生理过程。例如，睡眠阶段可以分类为：清醒、浅睡（light）、深睡和REM睡眠。可以从对大脑活动和这些阶段之间的转变的测量而推断睡眠阶段。可以通过对采用合适设备捕捉到的大脑振荡进行标注而识别睡眠状态，所述合适设备记录来自附接至对象（subject）的头骨的电极的信号。这种评注睡眠状态的方式是可靠的，并且在睡眠医疗领域中被认为是“黄金标准”。
对人睡眠的自动探测，特别是他所处的特定睡眠阶段的自动分类具有很多应用。对于睡眠监控，特别是走动的（ambulatory）和/或非强迫的（unobtrusive）睡眠监控，特别是家庭睡眠监控而言，被配置用于监控从大脑活动探测睡眠将需要的人的大脑的电活动的EEG传感器的使用被认为是不利的。EEG传感器佩戴在头部处，例如以头罩或头带的形式，并且阻碍了自然睡眠。
可以从除了EEG传感器之外的其他传感器来完成对睡眠和/或睡眠阶段的探测，例如，使用被配置成监控人的身体功能的传感器。这样的传感器对于用户而言潜在地是更舒适的。例如，在不接触的情况下探测身体功能的非接触传感器仅轻微干扰睡眠并且因此是舒适的。如果接触传感器是不想要的或者是不可能的，优选地是使用并未使用接线连接至头部和/或并未连接至另一装置的传感器，例如被配置用于佩戴在手腕或脚踝周围的无线活动计（actiometer）。
然而，如果传感器不是被配置成直接接触或紧密靠近覆盖大脑的人头部的上部部分而佩戴的监控大脑电活动的EEG传感器，则从被配置成监控人的身体功能的传感器进行睡眠分类是缺乏准确性的。
发明内容
在不具有关于讨论中的用户的任何信息的情况下使用非强迫传感器对睡眠阶段分类是困难的。传统地，用户将基于来自“典型”用户的信息而从厂家接收他的被预训练的睡眠分类器。然而，由于对于可以非强迫地被测量的非EEG特征而言尤其明显的（pronounced）用户之间的差异的缘故，这些系统将缺乏准确性。
具有改进的电子开关将是有利的，所述改进的电子开关用于通过至少取决于人的睡眠阶段而开启或关断装置的功能来控制装置。
电子开关被提供用于通过至少取决于人的睡眠阶段而切换装置的功能来控制装置，开关包括：被配置成从EEG传感器接收大脑活动数据的EEG数据接口，所述EEG传感器被配置成在训练阶段期间监控人的大脑电活动，被配置成从接收到的大脑活动数据对人的睡眠阶段分类的EEG睡眠分类器，被配置成从备选传感器接收身体活动数据的身体数据接口，所述备选传感器被配置成在训练阶段以及随后的使用阶段这二者期间监控人的身体功能，备选的睡眠分类器和机器学习系统，机器学习系统被配置成训练备选的睡眠分类器以从接收到的身体活动数据对人的睡眠阶段分类，学习系统使用由EEG睡眠分类器分类的睡眠阶段以及从备选传感器接收到的并发的身体活动数据作为训练数据，其中在使用阶段中取决于由备选睡眠分类器分类的人的睡眠阶段而控制装置，以及被配置成至少确定所分类的睡眠阶段是特定睡眠阶段的集合中的一个并且至少取决于所述确定而切换装置的功能的控制逻辑。
从使用接触电极感测大脑活动获得对睡眠阶段的更佳和更可靠分类。将高质量睡眠分类与从备选传感器接收到的并发的身体活动数据组合（即，高质量睡眠分类指示人处于身体活动数据被接收到的时刻的睡眠阶段）给予高质量训练数据。使用特定于个体的训练数据给予用于备选睡眠分类器的更高质量的训练。因此，具有低人际间变化的传感器和分类被用于训练使用不同类型的传感器（比如，呼吸、心脏或活动变化（actiograph）传感器（RHA），和/或具有高人际间变化的传感器）的分类器。
EEG传感器的主要缺点是它们的强迫性和不便性，并且做出了多个从其他生命体征（例如呼吸、心脏和/或体动记录（actigraphy））推导睡眠状态的尝试。基于身体功能（即，诸如呼吸、心脏和/或体动记录的身体活动数据）的睡眠分类被称作RHA感测。注意的是，也可以由备选传感器监控其他身体功能，例如身体温度、肌肉张力等。身体活动数据包括与生理相关的体征。
针对不同的睡眠阶段的信号的表现方面的大的交叉（cross）对象差异妨碍了依据不同于EEG、包括基于RHA的分类系统的身体功能的睡眠分类的性能。开关可以通过在一个或多个夜晚期间针对“黄金标准”采用参考传感器（优选地，尽可能非强迫的）记录大脑活动、根据睡眠状态自动地分类并且使用这些作为参考以在采用更加用户友好的传感器获得的信号中识别出睡眠阶段的特定于用户的表现来促进非EEG分类器的性能。RHA也经受了高人际间变化。
特别简单但是高效的是将功能开启或关断的电子开关。开关也可以通过例如以某个标度（on a scale）增加或减小功能的强度而切换。例如，可以采用离散的标度配置功能，并且开关可以取决于睡眠状态而将功能移动至下一标度的水平。
在使用中，电子开关具有训练阶段和随后的使用阶段，所述阶段延续一天或多天。例如，训练阶段可以是一周。在训练阶段期间，收集训练数据，训练数据包括接收到的身体数据以及从EEG睡眠分类器获得的对应的睡眠分类数据。接收到的身体数据可以被压缩在训练数据中，例如通过提取相关特征并且丢弃原始数据。
在实施例中，装置仅通过开关耦合至人。例如，装置可以是家用器具。使用该开关，家用器具可以在用户的睡眠期间被开启或关断或者被另外地控制。替代于将功能开启或关断，人们可以以另一方式来控制功能，例如人们可以切换至不同的功能，例如人们可以增加或减小强度，比如照明或加热的强度。典型的应用是在用户睡眠时关断诸如电视机或照明的家用器具；或者在用户睡眠时开启诸如防盗警报器的家用器具；或者在用户接近苏醒时开启家用器具，例如唤醒灯、唤醒警报、照明、加热等。使用该开关，可以控制器具。
电子开关可以被扩展有被配置成指示当前时间的时钟，例如电子时钟。包括时钟的电子开关可以取决于睡眠阶段和时间而切换。实际上，在实施例中，开关包括被配置成指示当前时间的时钟，被配置成至少取决于所分类的睡眠阶段和当前时间二者而切换功能的控制逻辑。人们可以将这样的开关称作依赖于睡眠的定时开关（也称作定时器开关）。
在实施例中，定时开关可被配置有第一切换时间段。当以下二者发生时，功能被开启或关断：由时钟指示的当前时间在第一切换时段中，以及所分类的睡眠阶段是特定睡眠阶段的集合中的一个。这种睡眠与时间依赖性的组合对于许多应用是有利的，其中功能需要不仅在人们睡眠时或者已经达到特定睡眠阶段时被开启，而且也在特定时刻被开启。
对于一些功能，重要的是，不论人的睡眠状态如何，它们在一些点处被开启（或关断）。为了支持这点，定时开关的实施例可被配置成当由时钟指示的当前时间是在第一切换时段结束处时将功能开启或关断，而不论所分类的睡眠阶段如何。
第一时间段通常在小时的量级，例如半小时或两小时。可以设置定时开关以使得时段指示24小时一天内的时段，时段可以在随后的日子上重复。
在实施例中，配置控制逻辑以延迟切换直至所分类的睡眠阶段保持在特定睡眠阶段的集合中持续特定时间段。例如，开关可以被配置有第二时间段。控制逻辑可以例如要求睡眠者保持处于睡眠阶段的集合中的睡眠阶段之中持续至少第二时间段。如果睡眠者在第二时间段结束之前清醒，则可以跳过切换。有趣地，为了避免对人的不利的训练效果，例如控制逻辑可以随机地选择特定时间段，例如在第二时间段内随机地。第二时间段通常小于一小时，比如20分钟。
通过取决于人的睡眠阶段而开启或关断装置的功能来控制装置具有许多的应用。以下列出了多个示例性应用：
例如，定时开关可以与闹钟一起使用或者用在闹钟中，闹钟包括被配置成例如通过音频和/或视觉刺激而唤醒人的装置，其中控制逻辑被配置成开启该装置来唤醒人。一旦人在时间段期间达到特定睡眠阶段，则唤醒人。例如，人可能需要达到浅睡眠阶段，诸如N1或N2阶段。闹钟可以使用两个第一切换时段。在第一个第一切换时段中，一旦人达到N1睡眠（非常浅的睡眠阶段）就唤醒他。在随后的并且可选的第二个第一切换时段中，一旦人达到N1或N2（二者是浅睡眠阶段）就唤醒他。在第二个第一切换时段之后，可以唤醒人而不论他的睡眠阶段如何。如果人是醒着的则可以设置定时开关以跳过切换时段。
有趣地，一部分或者整个开关，比如至少被配置成唤醒人的装置可以被设置用于佩戴在人耳朵中。这具有仅唤醒所关注的人的优点。并未唤醒在由开关所唤醒的人附近睡眠的不同的人。因而，不同的人可以使用他或她自己的依赖于睡眠的闹钟来唤醒他或她。这是尤其有利的，因为针对个体的用户来训练开关。人们可以甚至具有被配置用于佩戴在人耳中的耳机，包括用于测量人的大脑波数据的头戴电极，被配置成从所测得的大脑波数据对人的睡眠阶段分类的睡眠分类器，以及用于在可配置时间段中唤醒处于预定睡眠阶段中的人的闹钟。然而，在典型实施例中，开关将被设置用于放置在床附近，比如在床头柜上。
例如，开关可以与防盗警报器一起使用或用在防盗警报器中，该防盗警报器包括用于探测盗贼侵入的侵入传感器，被配置成响应于侵入传感器探测到侵入而发出警报的装置，其中控制逻辑被配置成开启被配置成发出警报的装置。对于一些人群而言，如果他们太晚去睡觉，他们忘记开启警报系统是一个问题。如果那些人群在不同的时间去睡觉，则使用非依赖于睡眠的定时开关可能是不合适的。然而，通过在房屋中的用户睡着了的时候开启警报器，避免了该问题。防盗警报器可以使用开关，该开关包括被配置成从多个备选传感器接收身体活动数据的身体数据接口，所述备选传感器被配置成在训练阶段和随后的使用阶段这二者期间监控多个人的身体功能。以如此方式，警报器可以查实多个人在睡眠。这可以与时间段组合。例如，系统可以仅在夜晚时段中开启警报器。
当房屋中所有的人均睡着时，防盗警报器系统被激活。当人们睡着时，仅激活追踪在防护周界内的运动的安全性的扩展部分，比如其是可配置的。
作为开关的许多用途中的最终示例，开关可以用在包括被配置成呈现视频的装置的娱乐系统中或者与其一起使用，其中控制逻辑被配置成关断被配置成呈现视频的装置。例如，这样的娱乐系统在卧室中是尤其有用的。例如，在所有观看者均睡着的情形下，可以自动关断电视机。
开关是开启还是关断可以是可配置的。可以通过将装置开启或关断而完成经由开启或关断功能而控制装置。特定的睡眠阶段的集合也是可配置的。例如，可以从集合{N1,N2,N3和REM睡眠}选择它们，我们也将REM睡眠称作N4。例如，为了避免令人不愉快的唤醒呼叫，可以在N3和N4阶段中避免唤醒呼叫。例如，为了切换电视机，可以在N2、N3或N4阶段中关断电视机。例如，可以在N1阶段或更高的阶段中开启警报器。这些设定是示例性的。人们可以使用美国睡眠医学会（AASM）的分类，但是这并非是必需的，人们可以使用其他分类，例如具有更多或更少的睡眠阶段。
EEG传感器适用于探测睡眠和/或对睡眠阶段分类。例如，EEG传感器可以包括一个或多个头皮电极。头皮电极被设置成紧密靠近人的头皮或者与其直接接触而放置。
有趣地，依据大脑活动数据对睡眠分类是通用的。这意味着可以比如在工厂中配置EEG睡眠分类器以对任何人（至少大部分人）起作用。依据EEG数据的睡眠分类中的人际间变化是小的。然而，依据其他身体数据的睡眠分类中的人际间变化要大得多。这意味着对于使用个体数据来改进依据其它的身体数据的睡眠分类的准确性存在很大的余地。使用各种机器学习技术依据EEG数据对睡眠或睡眠阶段的自动分类是可能的。
一种实现EEG睡眠分类器的方式是通过接收EEG数据并且手动对其进行标注来创建EEG训练数据的集合。接着机器学习算法被应用于EEG训练数据。强调的是，使用如权利要求1中定义的开关，无需对EEG数据进行手动标注的人类专家的介入。
适当的机器学习算法包括例如所谓的支持向量机（SVM），其是在较高维度的空间中操作并且尝试使用分区超平面对给定的向量进行标注的分类器。监督学习方法采用训练数据的集合并且构造能够标注未知的测试数据的模型。其他适当的算法包括决策树学习，包括神经网络决策树学习。应用机器学习算法的结果可以由第一计算预定的特征（诸如功率谱密度）改进。用于创建EEG睡眠分类器的相同或不同的机器学习算法可以被用于机器学习系统中。EEG睡眠分类器甚至可以手动构造而没有机器学习系统的介入。注意的是，存在许多机器学习算法，包括SVM。
可以测量各种的人身体功能。特别有效的是心脏的信息、呼吸信息和活动变化（移动）信息。注意的是，单个传感器可以被用来获取多种类型信息。例如，安装在由睡眠的人所使用的床垫中或在其之下的压力传感器记录由人对床垫施加的压力。压力传感器对于人的移动是灵敏的。如果压力传感器是足够灵敏的，则其将还响应于呼吸并且甚至响应于心跳。
通过对上述的所记录的压力数据进行频率分析，可以获取三种类型的数据。移动是低频部分，呼吸是中频部分，以及心脏的信息是高频部分。替代性地，低通、中通和高通滤波器可以被用来将压力信息分割为三个部分。当输入数据被划分为语义上有意义的数据时，通过机器学习系统的训练得以改进。开关可以包括用于从压力传感器获得心脏的、呼吸和/或运动变化信号的单元。
注意，在训练阶段和随后的使用阶段二者期间使用身体数据传感器。这并未施加特别的额外负担，因为身体传感器可以被做出为比EEG传感器舒适得多。实际上，在实施例中，备选传感器被配置成在不与人直接接触的情况下监控。
开关收集从备选感测系统接收到的数据（即身体数据），以及由EEG睡眠分类器做出的分类，并且匹配它们以使得接收到的身体数据具有对应的睡眠分类。该训练数据是高度个性化的，因为数据是从具体的而不是“平均”的人获取的。
机器学习系统训练备选睡眠分类器以从接收到的身体活动数据对人的睡眠阶段分类，学习系统使用由EEG睡眠分类器分类的睡眠阶段以及从备选传感器接收到的并发的身体活动数据作为训练数据。
在实施例中，可能已经针对平均人训练了备选睡眠分类器，但是备选睡眠分类器被进一步训练以适用于具体的人。例如，可以配置学习系统以通过修改备选睡眠分类器而改进备选睡眠分类器的分类，使得备选睡眠分类器对睡眠阶段的分类与备选睡眠分类器对睡眠阶段的分类更接近地匹配。
实际上，依据所监控的身体功能的睡眠状态评估（诸如基于RHA的睡眠状态评估系统）的一个主要障碍在于RHA信号中的睡眠状态的表现方面的大的交叉对象（cross-subject）的变化性。紧接着（next to）大脑活动（EEG）进行一个或多个夜晚的对RHA信号的同时记录允许构建从EEG推得的睡眠状态与它们在RHA信号中的表现之间的更佳的链接。因此，紧接着RHA系统具有更高端的基于EEG的系统促进基于RHA的睡眠状态分类器的性能，减小了对象间差异的效应。实际上，系统甚至可以被用来减小对象内的差异，诸如例如季节性改变。基于EEG 的系统可以在需要时提供准确的睡眠状态评估，尽管以与无接触的RHA系统相比较不舒适为代价；例如，用于偶然的重校准。例如，重校准可以根据计划表而完成，比如每年或每季度一次或两次。例如，秋季和冬季之间以及春季和夏季之间被建议作为重校准的时刻。
在实施例中，电子开关包括漂移探测单元，其被配置成探测在使用阶段期间所确定的统计测量和在训练阶段期间所确定的参考测量的漂移。漂移可以指示人的睡眠习惯已经改变至使得睡眠分类可能不再准确的这样的程度。一旦探测到漂移，漂移探测单元可以向人发信号以用于备选睡眠分类器的重校准。重校准单元可以是训练阶段的重复。
数据漂移探测单元可以使用统计单元，其被配置成在训练阶段期间确定接收到的身体活动数据的统计测量并且将其存储为参考测量，并且在使用阶段期间确定接收到的身体活动数据的统计测量。例如，统计单元可以计算身体活动数据的统计测量，诸如例如平均、标准偏差、与在训练期间所使用的身体活动数据的统计距离，等等。一旦统计测量漂移远离之前的值，数据漂移探测单元发出需要重校准的信号。例如，如果统计测量与被用作参考的统计测量的之前的值相差多于预定的百分比，比如在可能的连续多日期间，则数据漂移探测单元向用户发出用于重校准的信号。向用户发出信号可以使用LED或显示器等。
开关是电子装置并且可以被嵌入在计算机中或作为计算机。
本发明的进一步的方面关注一种用于通过至少取决于人的睡眠阶段而开启或关断装置的功能来控制装置的方法，方法包括：在训练阶段期间监控人的大脑的电活动，由电子EEG睡眠分类器从所监控的大脑活动数据对人的睡眠阶段分类，在训练阶段和在随后的使用阶段二者期间监控人的身体功能，训练电子备选睡眠分类器以从所监控的身体活动数据对人的睡眠阶段分类，学习系统使用由EEG睡眠分类器所分类的睡眠阶段和并发的所监控的身体活动数据作为机器学习系统的训练数据，由备选睡眠分类器从所监控的身体活动数据对人的睡眠阶段分类，确定由备选睡眠分类器所分类的睡眠阶段是特定的睡眠阶段的集合中的一个，以及至少取决于所述确定而开启或关断装置的功能。
根据本发明的方法可以作为计算机实施的方法、或者以专用硬件，或者以两者的组合而实施在计算机上。用于根据本发明的方法的可执行代码可以存储在计算机程序产品上。计算机程序产品的示例包括存储器装置、光学存储装置、集成电路、服务器、在线软件等。优选地，计算机程序产品包括存储在计算机可读介质上的非临时程序代码构件，当所述程序产品在计算上运行时其用于执行根据本发明的方法。
在优选实施例中，计算机程序包括计算机程序代码构件，当计算机程序在计算机上运行时其适合于执行根据本发明的方法的所有步骤。优选地，计算机程序被体现在计算机可读介质上。
附图说明
从在下文中描述的实施例，本发明的这些和其它的方面将是明显的，并且将参照它们来阐述本发明的这些和其他方面。在附图中，
图1是图示睡眠阶段受控系统的框图，
图2示出了EEG数据、睡眠分类数据和身体活动数据，
图3图示依赖于睡眠的闹钟，
图4图示了用于取决于睡眠而控制装置的方法的流程图。
应该注意的是，在不同的图中具有相同附图标记的项目具有相同的结构特征和相同功能，或者是相同的信号。在已经解释了这样的项目的功能和/或结构的地方，无需在详细说明中重复其解释。
附图标记列表：
100 睡眠阶段受控系统
110 电子开关
120 被配置成监控人大脑电活动的EEG传感器
125 被配置成从接收到的大脑活动数据对人的睡眠阶段分类的EEG睡眠分类器
130 被配置成监控人身体功能的备选传感器
135 用于从所监控的身体功能对人的睡眠阶段分类的备选睡眠分类器
140 被配置成训练备选睡眠分类器以从接收到的身体活动数据对人的睡眠阶段分类的机器学习系统
150 控制逻辑
160 时钟
170 由开关110控制的装置
210 睡眠分类数据
220 腕动记录（wrist actigraphy）
230 EEG数据
240 示出深睡眠的时间段
310 床
312 地板
314 床垫
320 EEG传感器
322 EEG传感器电缆
330 压力垫
332 压力垫电缆
350 蜂鸣器
340 开关
342 处理器
344 存储器
346 时钟。
具体实施方式
尽管本发明容许许多不同形式的实施例，但是在附图中示出并且将在本文详细描述一个或多个具体实施例，应理解的是，本公开将被视作本发明原理的示例而并非意在将本发明限定于所示和所描述的具体实施例。
图1是图示睡眠阶段受控系统100的示意性框图。图1示出了电子开关110以及由开关110控制的装置170。开关可以开启或关断装置或其功能。例如，装置170可以是用于唤醒人的装置，比如说蜂鸣器，开关110可以在合适的时刻并且在合适的睡眠阶段开启蜂鸣器。
睡眠受控系统100进一步包括被配置成监控人大脑电活动的EEG传感器120，以及被配置成监控人身体功能的备选传感器130。EEG传感器120和备选传感器130是两个不同传感器。
EEG传感器可以是被配置用于放置在人头皮处的传感器，并且可以包括多个电极。备选传感器130优选地是更舒适的，例如是非接触传感器，即并未直接接触人，和/或是无线传感器，即并未通过接线连接至开关110。对于备选传感器130的良好选择是放置在床垫中或床垫下方的压力传感器。这样的压力传感器是非接触传感器。这样的压力传感器在方便的时候可以通过接线连接至开关110，其对于人而言是非强迫的。备选传感器130可以是活动变化传感器，以用于感测人的移动。例如，活动变化传感器可以佩戴在手腕或脚踝等等周围；其被视为比EEG传感器更舒适。备选传感器也可以包括更先进的系统，例如相机，可能地包括红外滤波器。可以从相机获取诸如移动、温度等特征。
更一般地，可能期望的是在采用睡眠分类器对其处理之前从原始身体数据获取特征。例如，从记录心脏活动的心脏传感器可以获取诸如心率和心脏变化的特征。心率和心脏变化响应于睡眠阶段的改变而不同地改变。使用心率和心率变化作为替代原始数据的两个特征允许机器学习系统更快地学习，例如备选睡眠分类器将更快地朝向EEG睡眠分类器的性能收敛。
备选传感器130和EEG传感器120被示出为连接至开关110。开关110可以配置使得备选传感器130和/或EEG传感器120是可拆卸的。尤其，EEG传感器120优选地可从开关110拆卸，因为EEG传感器120并未在使用阶段中（参见下文）使用。备选传感器130和EEG传感器120连接在接口处（并非单独示出）。在实施例中，备选传感器130不是EEG传感器。在实施例中，备选传感器130不包括被配置成测量大脑电活动的电极。由备选传感器130测量的身体功能与睡眠和/或睡眠阶段相关联。
开关110包括被配置成从接收到的大脑活动数据对人的睡眠阶段分类的EEG睡眠分类器125。在第一次使用开关110之前配置EEG睡眠分类器125。例如，在制造中配置EEG睡眠分类器125，或者用户安装用于EEG睡眠分类器125的配置文件。后者具有可以更新EEG睡眠分类器125的优点。组合是可能的。
为了做出EEG睡眠分类器125，人们可以从多个睡眠的人获得EEG数据，优选地从多个背景并且跨多个夜晚获得，并且让睡眠专家根据睡眠分类系统而标注EEG数据；接着类似于机器学习系统140，但是用于EEG数据的机器学习系统可以用于训练EEG睡眠分类器125。替代性地，EEG睡眠分类器125可以是使用由睡眠专家指示的手工特征的基于规则的专家系统。
开关110包括用于从所监控的身体功能对人的睡眠阶段分类的备选睡眠分类器135。备选睡眠分类器135可以像EEG睡眠分类器125那样被预训练，然而预期其性能是相当差的。虽然就依据EEG数据的睡眠分类而言，人际间差异是小的，但是当从非EEG数据对睡眠分类时人际间差异要大得多。
开关110包括机器学习系统140，其被配置成训练备选的睡眠分类器以从接收到的身体活动数据对人的睡眠阶段分类。机器学习系统140可以是各种自动机器学习系统中的任何学习系统，其在构造上类似于用于训练系统以从EEG数据对睡眠分类的机器学习系统。注意的是，即便机器学习系统原理上能够用于无监督学习，数据也可以有利地被预处理。例如，可以完成频率分析，例如将数据转换至频域，例如功率谱。例如，可以使用低通、中通和高通滤波器分割数据。例如，可以在相继的时间间隔之上平均化数据，比如说每30秒，例如以减小噪声。
开关110进一步包括控制逻辑150。控制逻辑从备选睡眠分类器135接收睡眠分类。控制逻辑150决定是否要执行切换。可选地，开关110包括时钟160，其提供当前时间作为到开关110的输入。
开关110可以以许多不同方式配置。开关110可以是可配置的或者以更固定的方式被配置。开关110可以简单地一旦探测到睡眠（任何阶段）就关断装置，例如不论时间如何，不论睡眠阶段如何，只要探测到睡眠，或者一旦已经探测到例如深或REM睡眠的具体的睡眠阶段，就关断辐射器。然而，使用时钟160，更加精确的配置是可能的。
例如，控制逻辑150可以在定义的时间段中，即第一切换时段中，以依赖于睡眠的方式控制受控装置170；例如，仅在19:00与23:00之间或者06:30与07:00之间等。
在工作中，例如“开箱即用（out of the box）”，开关110开始于训练阶段。训练阶段至少为一晚，或者起码是夜晚中的完整的睡眠循环，但是更优选地为几天，例如一周或10天。一般地，更长的训练阶段将导致更佳的训练。在训练阶段期间，用户在既有EEG传感器120又有备选传感器130的情况下睡眠。采用合适的睡眠分类标注从EEG传感器120接收到的EEG数据。在训练阶段期间，来自备选传感器130的身体数据与对应的睡眠分类一起被获得。可以有来自多个传感器130的多个身体数据集合。也可以从单个传感器提取多个特征，例如可以从单个压力传感器提取RHA数据。
由机器学习系统140使用训练数据以训练备选睡眠分类器135。这可以批量地被完成，比如说在训练阶段的结束处，或者在训练数据的累积期间。训练阶段的结束可以是固定时刻，比如说在一周的结束处，但是也可以配置机器学习系统140以指示训练的质量，并且可以指示质量是否已经达到最低质量水平，可能地具有比如3天的最小的训练阶段的持续时间历时。例如，当备选睡眠分类器135在来自备选传感器130的数据上的睡眠分类与EEG睡眠分类器125的睡眠分类以至少最小的百分比（比如说95％）匹配时。优选地，在EEG睡眠分类器125与备选睡眠分类器135的睡眠分类之间计算统计测量“科恩的卡巴值（Cohen's Kappa）”，并且如果其在最小值以上，例如在0.85以上，则质量是高的。在一些点处，不论在机器学习系统140的指示下或者在固定时间段之后等等，训练阶段结束。在该点处，使用阶段开始。用户然后将在没有EEG传感器120的情况下睡眠并且仅使用备选传感器130。备选传感器130可以是明显更舒适和/或非强迫性的。备选传感器130可以是非接触的和/或无线的和/或并未附接至头部而是附接至其他身体部分。即便备选传感器130并未感测EEG数据，而是感测具有大得多的人际间变化的其他数据，也已经针对该特定个体训练了备选睡眠分类器135，这相当地促进了性能。
批量训练可能是稍微更准确的；然而在训练阶段期间的训练还允许在训练是足够的时终止训练阶段，这是相当有利的。
在使用阶段中，控制逻辑150使用睡眠分类以做出关于开启或关断受控装置170的功能的决定。例如，控制逻辑150可以被配置有
－第一切换时段，例如包括开始时间和结束时间，
－特定睡眠阶段的集合，例如指示任何睡眠的{N1,N2,N3,N4}，例如指示深或REM睡眠的{N3,N4}，例如指示浅睡眠的{N1,N2}，等等，
－受控装置170的功能，
－关于功能是要开启还是关断的指示。
如果不期望这样的程度的可配置性，可以移除一些，比如睡眠阶段的集合可以被固定至任何睡眠的指示等。在使用阶段中，如果这由开关110所支持，可以从开关110拔除EEG传感器120。在训练阶段中，控制逻辑150可以使用EEG睡眠分类器125的分类而不是备选睡眠分类器135的分类。
通常，开关110和可选地装置170每个包括微处理器（未示出），其执行存储在开关110和可选地装置170处的合适软件，例如软件可以已经被下载并且存储在例如RAM或闪存（未示出）的对应存储器中，和/或被放置在ROM代码中。注意的是，开关110的部分或全部可以实施在硬件中，例如使用集成电路。
备选传感器130可以是用以获得总的身体移动的测量的传感器，尽管这不是心脏/呼吸特征，但这是可以与ECG一起被记录的模态。这对于区分“睡眠”（任何睡眠阶段）与“清醒”是非常有用的，但是对于区分不同睡眠阶段、例如N3（“深睡眠”）和REM睡眠不那么有用。备选传感器130可以测量在（心脏）跳动（beat-to-beat）间隔中的变化（或“心率变化性”）。后者高度依赖于交感神经和自主神经系统的活动。例如，当交感活动增多和/或自主活动减少时，这些变化将减小。另一方面，已知的是，在REM睡眠期间，与清醒相比，并且尤其当与非REM睡眠比较时，交感活动有所增加（或有时更高）。因此，诸如高频功率分量（例如0.15至0.40Hz）的心率变化性的某些属性在REM与非REM睡眠之间是非常有辨别性的，但是在REM与“清醒”状态之间辨别性更小。将不同的传感器（例如，用于总的身体移动的传感器和用于心率变化性的传感器）组合在一起增大了在没有EEG数据的情况下探测睡眠阶段的准确性。
本发明人发现某些特征的辨别力（discriminating power）是依赖于对象的。这是生理（包括某些医学状况的可能存在）和行为方面的差异的结果。例如：
－考虑正躺在床上、清醒着的人并未太多地移动他/她的身体。在该情形下，总的身体移动可能比清醒时移动更多的人更欠辨别性。
－心率变化性严重地取决于年龄。更年轻的人将比更老的人具有更高的心率变化性。因此与对于更老的人相比，对于更年轻人只是自然的是，基于心率变化性的特征将在REM（或清醒）与非REM睡眠状态之间更好地辨别。
机器学习系统可以针对给定对象一方面计算这些特征和/或其他特征的值，并且另一方面能访问（评估）针对该人的睡眠阶段。统计方法（例如标准化平均差、马哈朗诺比斯（Mahalanobis）距离等）可以被用于确定某些特征（或特征组合）在这些阶段之间良好地辨别（或没有辨别）的程度。
图2图示了训练阶段。图2示出了EEG数据230，在此以EEG频率谱的形式。实际上，EEG睡眠分类器125可以执行对于其分类而言是必需的这样的处理，例如频率分析。EEG数据是面部PSG信号，其显示作为乳状电极与眼部之上的点（面部的相同侧）之间的电势差而捕捉的大脑活动。
图2示出了备选传感器130的身体数据。在该情形中，典型的RHA信号：手腕体动记录220。可以记录不同或额外的数据；比如，比如从压力传感器，或者从直接附接至胸腔的传感器（例如胸腔带等）可能已经获得呼吸速率。
图2中的信号是对准的，即睡眠图与手腕活动变化以及大脑功率谱信号可视化对准。在竖直方向上处于彼此紧上方的数据（例如数据220和230）是同时被感测的。注意的是，数据已经在时间点（epoch）之上被划分，在此为每30秒，这可能是便利的，其他的划分是可能的。EEG睡眠分类器125具有所分类的EEG数据230。在图2中，已经采用颜色代码指示了睡眠分类210。再次，在竖直方向上处于彼此上方的数据是同时的。注意的是，例如在时间段240中，EEG数据230示出了清楚的慢波活动，这已经在颜色代码210中分类为深睡眠。机器学习系统140可以使用数据210和220作为训练数据，丢弃EEG数据230。注意的是，如果睡眠阶段的集合在训练阶段中是已知的，则睡眠分类数据210可以被简化，例如如果开关110仅需取决于睡眠的存在或缺失，则睡眠分类数据210可以减少为是否睡眠。
从图片中我们可以看到，在图中240处标记的深睡眠区域以慢波大脑活动被良好地表现。与此同时，手腕体动记录稳定地为零。对于该个体，深睡眠分类与低体动记录强烈地相关。这似乎暗示了体动记录可以被用于例如识别深睡眠事件。尽管特征实际上可能对于深睡眠的识别是敏感的，其在这方面的特异性随着对象而显著变化。例如，低体动记录与图2中所示的深睡眠分类之间的强相关性对于每个个体而言无需是相同的，特别是相关性可以不同。考虑在入睡之前很静止地躺着（例如，因为他们在阅读书籍）的示例性对象。在该情形中，体动记录也将非常低，并且将使得清醒与深睡眠之间的区分非常困难。另一方面，如果对象在入睡之前显著移动，则体动记录将提供在清醒与深睡眠之间非常良好的辨别性。可以通过添加更多（RHA）传感器和/或在例如清醒与睡眠之间或在睡眠阶段之间也是有辨别性的特征来改进准确性。注意的是，对于一个对象有辨别性的传感器/特征可能对于另一个对象而言可能不具有辨别性或者具有较少的辨别性；这在实际中不必是问题，因为机器学习系统将拾取对于该个体有辨别性的特征。
因此，在基于强迫性的基于接触的大脑活动测量装置（例如基于可以容易地放置在用户的面部上的电极）的一个或多个夜晚记录之后，自动分类器将执行睡眠阶段分类。同时，更方便的和非强迫性的无接触传感器将在那些相同夜晚期间记录来自该用户的RHA信号。然后这些睡眠阶段将与针对该用户所测得的RHA信号的特性相关联，并且可基于那些特性构建新的分类器。在随后的夜晚中，用户将不再要求基于接触的大脑活动的测量，而是仅监控RHA信号：新分类器将仅使用这些信号以自动地对睡眠阶段分类。
在实施例中，控制逻辑不仅被配置来控制装置（例如，通过发送技术控制数据至装置以指令该装置切换功能性，例如，从一个功能到另一功能，开启或关断，等等），而且记录与睡眠相关的信息，例如基于备选或EEG睡眠分类器而分类的睡眠阶段。以该方式，在早晨可以向用户示出所述睡眠信息或者存档以用于进一步的跟踪或诊断。
图3图示了依赖于睡眠的闹钟300。图示出了在训练阶段期间的配置。示出了站立在地板312上具有床垫314的床310。人躺在床上。EEG传感器320附接至人的头皮，在该情形中采用头戴附接，替代方式包括颅骨帽、粘胶等等。注意的是，该人处于其自身家庭的私密空间中，他/她无需去睡眠实验室。EEG传感器320附接至开关340，在该情形中采用EEG传感器电缆322，连接也可以是无线的。开关340具有与开关110相同的基本设计。还采用压力垫电缆332将压力垫330附接至开关340，该连接也可以是无线的。压力垫330放置在床垫314下面。也可能将压力传感器集成在床垫中。这将增加压力信号的灵敏性，这对于从压力数据获得心电图是尤其是有利的。可以使用除压力垫之外的其他压力传感器，例如并入在床垫中的压力传感器，例如光学传感器。
已经使用处理器342和存储器344实施了该开关340。存储器优选地是非易失性的，并且可以被用于存储用于在处理器342上运行以实施开关340的功能的软件。开关340控制装置，也即蜂鸣器350。当由开关340开启该功能时，蜂鸣器350被配置来唤醒人。注意的是，蜂鸣器350和开关340可以很好地被集成在单个装置中。对于闹钟实施例，开关340包括时钟346。对于除在特定时刻唤醒之外的一些其他应用，无需时钟。
如所示的开关340处于训练阶段中。开关340记录来自身体传感器330的压力信息以及来自EEG传感器320的EEG数据。EEG数据由放置在存储器中344中的EEG分类软件而被分类为睡眠分类阶段。当完成训练阶段时，EEG传感器320不再由人所使用，并且可以甚至从开关340断开。机器学习软件使用从压力垫330接收到的数据以及睡眠分类来训练备选睡眠分类器，以根据由EEG睡眠分类器所使用的相同睡眠分类系统对身体数据分类。
可以对开关340的控制软件进行编程来以合适的方式唤醒人，例如：如果身体数据由备选睡眠分类器分类为浅睡眠， 比如N1或(N1和N2)，则在6:00与6:30之间开启蜂鸣器350，而不论备选睡眠分类器的分类如何都在6:30与6:35之间开启蜂鸣器。开关340可以方便地被配置有按钮以关断功能，比如关断蜂鸣器350。
在尤其方便的实施例中，蜂鸣器350被配置用于耳朵中的放置。例如，开关340可以配置有两个或更多个开关，两个开关可以共用一些部件，例如时钟、EEG睡眠分类器自身，可选地可以仅使用单个EEG传感器。然后传感器320将可依次连接至两个或更多个开关。这意味着例如开关340可以对夫妻两人中的每一个的睡眠阶段分类，对于他们中的每一个可以探测基于睡眠分类的理想唤醒时刻。因为蜂鸣器是戴在耳中的，所以仅唤醒正确的人。优选地，然后蜂鸣器无线地连接至开关340。耳戴蜂鸣器可以甚至与开关和身体传感器集成，在该情形中无需无线连接，每个人将具有他自己的开关。例如，用于如心跳、身体温度和体动记录的这样的身体功能的这些传感器可以配置用于作为耳机放置在耳中。
依赖于睡眠阶段的闹钟可以组合用于心脏、移动和/或呼吸测量装置的传感器。训练“开箱即用”系统以基于所测得的大脑波数据对睡眠阶段分类。在训练阶段期间，采用所分类的睡眠阶段来训练系统，以仅使用从一个或多个心脏/移动/呼吸测量装置获得的数据对睡眠阶段分类。在使用阶段中，系统并未使用头部电极，而是仅使用更简单的系统，即一个或多个心脏/移动/呼吸测量装置。闹钟使用所分类的睡眠阶段以在“正确的睡眠阶段时刻”唤醒你使得你感觉清爽（refreshed）。
除依赖于睡眠阶段的闹钟340之外的开关110的其他应用包括依赖于睡眠而关断设备（诸如家庭娱乐系统），以及依赖于睡眠而开启家庭警报系统。
图4以流程图图示了用于通过至少取决于人的睡眠阶段而开启或关断装置的功能来控制装置170的方法400。流程图示出了训练阶段480和使用阶段490。训练阶段包括例如采用EEG传感器监控人大脑的电活动的步骤412，以及监控人的身体功能的步骤414。注意的是，步骤412和步骤414是并行的或者至少相当地重叠。在训练阶段的步骤420中，例如使用EEG睡眠分类器将所监控的大脑活动数据（即EEG数据）分类为睡眠阶段。最终，睡眠分类与所监控的身体活动数据一起被用于训练备选睡眠分类器，以例如使用机器学习系统对睡眠阶段分类。在训练阶段的结束处，备选睡眠分类器能够根据睡眠分类系统比在针对不同的人或者甚至“平均”人的数据上训练时将相当更佳地对身体活动数据分类。
使用阶段490包括步骤440，由备选睡眠分类器从所监控的身体活动数据对人的睡眠阶段分类。在步骤450中，确定由备选睡眠分类器所分类的睡眠阶段是特定睡眠阶段的集合中的一个。如果这样，则在步骤460中，至少取决于所述确定而开启或关断装置的功能。可以存在所考虑的其他类型的输入，例如来自时钟的时间信息，或者从外部信息提供系统获得的信息。
运行方法的许多不同方式是可能的，如对于本领域技术人员而言将是明显的。例如，可以改变步骤的顺序，或者可以并行地运行一些步骤。此外，可以在步骤之间插入其他方法步骤。所插入的步骤可以表示诸如在此所描述的方法的精制，或者可以与方法不相关。例如，至少部分地并行运行步骤412和414。此外，在下一个步骤开始之前，给定步骤可能并未完全完成。
可以使用软件来运行根据本发明的方法，所述软件包括用于使得处理器系统执行方法400的指令。软件可以仅包括由系统的特定子实体所采取的那些步骤。软件可以存储在合适的存储媒介中，诸如硬盘、软盘、存储器等。软件可以沿着接线、或无线、或使用数据网络（例如互联网）作为信号被发送。软件可以被实现可用于下载和/或用于服务器上的远程使用。
将领会的是，本发明也扩展至适用于实践本发明的计算机程序，特别是在载体上或载体中的计算机程序。程序可以是源代码、目标代码、诸如部分编译的形式的代码中间源和目标代码的形式，或者是适合于在根据本发明的方法的实施中使用的任何其他形式。关于计算机程序产品的实施例包括对应于所阐述的方法中的至少一个方法中的每个处理步骤的计算机可运行指令。这些指令可以被细分为子例程和/或被存储在可以静态或动态地链接的一个或多个文件中。与计算机程序产品相关的另一实施例包括对应于所阐述的系统和/或产品中的至少一个中的每个构件的计算机可运行指令。
应该注意的是上述实施例示例说明而非限制本发明，并且本领域技术人员将能够设计许多替代性的实施例。
在权利要求中，放置在括号中的任何附图标记不应解释为限制权利要求。动词“包括”及其词形变化的使用并非排除权利要求中陈述的那些之外的其他元件或步骤的存在。在元件之前的冠词“一”或“一个”并未排除多个这样的元件的存在。本发明可以借由包括数个分立元件的硬件而实施，以及借由适当的编程的计算机而实施。在列举了数个构件的装置权利要求中，这些构件中的数个可以由硬件的同一个项而实施。某些措施被记载在相互不同的从属权利要求中这一纯粹事实并未指示这些措施的组合不能被有利地使用。