用于在使用肺机械的模型和进程模型的情况下获取气动尺度的方法和信号处理单元

摘要

本发明涉及一种用计算机来实现的方法以及一种信号处理单元，以用于获取用于病人的自然呼吸的气动尺度（Pmus），其中由呼吸机对病人进行人工呼吸。预先给定肺机械的模型（20）和进程模型（22）。所述肺机械的模型（20）描绘了所述气动尺度（Pmus）与可以测量的体积流量‑信号（Vol‘）、体积信号（Vol）和/或呼吸信号（Sig）之间的关联。所述进程模型（22）作为所述气动尺度（Pmus）或者与所述气动尺度（Pmus）相关联的参量的N个在时间上以前的数值的函数描绘了用于所述气动尺度（Pmus）的数值。首先获取用于所述相关联的参量的N个数值。随后获取用于所述气动尺度（Pmus）的至少一个另外的数值。为此，要使用所述相关联的参量的N个在时间上以前的数值、当前的信号值、所述肺机械的模型（20）和所述进程模型（22）。

说明书

技术领域

本发明涉及一种用计算机来实现的方法和一种信号处理单元，所述方法和信号处理单元被构造用于自动地获取气动尺度。这个有待获取的气动尺度与病人的自然呼吸（自身的呼吸活动）相关联，其中病人优选至少暂时由呼吸机进行人工呼吸。对于所述气动尺度的了解尤其可以用于自动地使呼吸机的工作与被人工呼吸的病人的自然呼吸同步并且/或者用于自动地发现病人的自然呼吸中的异常现象。

发明内容

本发明的任务是，提供一种方法和一种信号处理单元，所述方法和信号处理单元与已知的方法和信号处理单元相比能够更好地自动地获取气动尺度，其中有待获取的气动尺度描绘了病人的自然呼吸或者与这种自然呼吸相关联并且其中病人优选至少暂时地由呼吸机进行人工呼吸。

本发明通过一种方法并且通过一种信号处理单元来解决。有利的设计方案在优选实施例中得到了说明。所述按本发明的方法的有利的设计方案也是所述按本发明的信号处理单元的有利的设计方案并且反之亦然，如果有意义的话。

所述按本发明的用计算机来实现的方法以及所述按本发明的处理数据的信号处理单元能够自动地近似地获取气动尺度。这个气动尺度描绘了病人的自然呼吸（自身的呼吸活动）或者与病人的自然呼吸相关联。这个病人优选至少暂时由呼吸机或者麻醉机进行人工呼吸。所述自然呼吸是病人的自身的呼吸活动并且而后与人工呼吸相叠加。

为所述方法预先给定了计算机可用的并且由此计算机能测评的肺机械的模型以及计算机可用的并且由此计算机能测评的进程模型。所述信号处理单元至少暂时对数据存储器拥有阅览权，在所述数据存储器中以计算机能测评的方式存储了这个肺机械的模型以及这个进程模型。

所述肺机械的模型描绘了

——有待获取的气动尺度P

——体积流量-信号Vol‘和/或体积信号Vol和/或用于病人的呼吸道中的压力P

所述体积流量-信号Vol‘与流往病人的肺和/或来自病人的肺的呼吸空气的流动相关联。这种流动由自然呼吸和人工呼吸来产生。所述体积信号Vol与病人的肺的随时间而变化的填充水平相关联。所述气动压力信号P

所述肺机械的模型能够取决于另外的输入参量，所述输入参量可以测量或者以其他方式来获取。

所述进程模型作为与气动尺度P

在所述进程模型中出现的相关联的参量能够是所述气动尺度P

可能的是，所述预先给定的进程模型参照两个或者还更多个不同的相关联的参量、比如参照所述气动尺度P

所述信号处理单元为所述肺机械的模型所参照的至少一个信号、优选每个信号分别产生信号值。为了产生信号值，所述信号处理单元实施以下步骤中的至少一个步骤、可选两个步骤：

——所述信号处理单元从体积流量-传感器处并且/或者从呼吸道压力-传感器处并且/或者从食道压力-传感器处并且/或者从体积-传感器处接收测量值。所述信号处理单元从这些测量值中产生所述体积流量-信号Vol‘和/或体积信号Vol和/或气动压力信号P

——所述信号处理单元从病人的皮肤上或者体内的传感器装置处、尤其从EMG传感器或者MMG传感器处或者从与病人隔开地布置的无接触地工作的光学传感器处接收测量值。所述信号处理单元从这些测量值中产生呼吸信号Sig。

所述信号处理单元实施初始化阶段和接下来的利用阶段。在这两个阶段中，所述信号处理单元分别产生多个信号值。

在所述初始化阶段中，所述信号处理单元为N个彼此先后相随的采样时刻获取所述或者每个与有待获取的气动尺度P

“采样时刻”这个概念表示以下时刻，在所述时刻所述肺机械的模型中的信号或者所述有待获取的气动尺度P

在利用阶段中，所述信号处理单元为至少一个采样时刻获取用于气动尺度P

——用于这个采样时刻的所产生的信号值，

——所述预先给定的肺机械的模型，

——所述或者每个在预先给定的进程模型中出现的并且与气动尺度P

——所述预先给定的进程模型。

所述按本发明的方法和所述按本发明的信号处理单元提供用于病人的自然呼吸的气动尺度。这个气动尺度可以用于对病人进行监控并且探测对于病人的危害。此外，所述所获取的尺度可以用于使通过与病人相连接的呼吸机进行的人工呼吸自动地与病人的自然呼吸同步、尤其使呼吸行程在频率与幅度方面与自然呼吸同步。

所述按本发明所使用的肺机械的模型描绘了有待获取的气动尺度P

所述进程模型可以用于描绘关于有待获取的气动尺度P

所述按本发明的方法和所述按本发明的信号处理单元允许组合地使用所述肺机械的模型和所述进程模型。在许多情况中，本发明省去了获取病人何时自发地吸气并且病人何时又自发地呼气的必要性。这种获取工作通常带有不可靠性和误差。在许多情况中，更确切地说，可能的是，制订肺机械的模型和/或进程模型，其不仅适用于病人的吸气（Inspiration）而且适用于其呼气（Exspiration）。

按照本发明，预先给定一个数目N，并且所述进程模型作为N个在时间上以前的数值的函数来确定所述气动尺度的数值。所述数目N能够等于1或者不过能够大于或者等于2。

通常，所述肺机械的模型和所述进程模型仅仅近似地适用。模型与现实之间的偏差导致过程噪声。所述按本发明的方法和所述按本发明的信号处理单元降低了这种过程噪声的影响，与其他方案相比。在许多情况中，所述过程噪声被“抹去”到一定的程度。这一点之所以得到实现，尤其是因为使用了两个模型而不是仅仅使用一个模型。

在一种设计方案中，所述进程模型至少作为N个以前的用于气动尺度P

按照本发明，预先给定的进程模型至少作为随时间而变化的与所述气动尺度P

下面对多种分别具有卡尔曼滤波器的设计方案进行描述。卡尔曼滤波器在线性的情况中包括状态方程式以及具有观察矩阵的测量方程式（观测方程式），其中所述状态方程式借助于转换矩阵将在一个采样时刻的状态矢量与在前一个采样时刻的状态矢量连接起来，其中也在所述测量方程式中出现所述状态矢量。

在本发明的一种设计方案中，所述信号处理单元使用预先给定的第一卡尔曼滤波器，该第一卡尔曼滤波器包括所述进程模型。这个第一卡尔曼滤波器具有第一状态矢量，所述第一状态矢量参照与P

在另一种设计方案中，所述信号处理单元使用预先给定的第二卡尔曼滤波器，该第二卡尔曼滤波器包括所述肺机械的模型。这个第二卡尔曼滤波器具有第二状态矢量和第二观测方程式。用于所述气动尺度P

这两种具有两个卡尔曼滤波器的设计方案可以比如组合如下：预先给定的第三卡尔曼滤波器不仅包括所述进程模型而且包括所述肺机械的模型。这个第三卡尔曼滤波器具有第三状态矢量。这个第三状态矢量包括以下组成部分：

——实现所述进程模型的状态矢量、比如所述气动尺度P

——可选所述第一状态矢量与所述第二状态矢量的组合。

所述第三卡尔曼滤波器的观测方程式又包括用于所述体积流量-信号Vol‘和/或体积信号Vol和/或压力信号P

在一种设计方案中，这样的卡尔曼滤波器的状态方程式具有以下拥有预先给定的函数f的形式：

其中

在一种改动方案中，所述卡尔曼滤波器的状态方程式具有以下拥有预先给定的函数g的形式：

其中所述加数g[

在一种设计方案中，所述两个函数f和g是线性的。在这种情况下优选使用传统的线性的卡尔曼滤波器。如果至少一个函数是非线性的，则可以将传统的卡尔曼滤波器的扩展方案用于非线性的系统。用于这样的扩展方案的实例是：

——扩展式卡尔曼滤波器（EKF）；

——无迹卡尔曼滤波器（UKF）；

——西格玛点滤波器（SPF）；

——粒子滤波器（PF）。

在一种设计方案中，所述肺机械的模型包括至少两种关联，也就是：

——所述气动尺度P

——所述气动尺度P

比如所述第一关联的信号用气动传感器来测量并且所述第二关联的信号用至少一个电传感器、尤其是EMG传感器来测量。

理想的是，所述两种关联始终提供同一个用于所述气动尺度P

为了获取所述气动尺度P

这种设计方案允许以特别简单的方式来同时使用所述肺机械的模型的两种关联。在许多情况中，这种设计方案避免了通过预先给定的加权因数将所述两个用于一个采样时刻的数值概括为一个数值的必要性。如果使用加权因数，则所述结果经常取决于对于加权因数的正确的选择，并且正确的选择经常是困难的。

在这种设计方案的一种改进方案中，使用具有状态方程式和观测方程式的卡尔曼滤波器，其中所述卡尔曼滤波器的状态矢量包括所述气动尺度P

按照本发明，同时并且并行地使用所述进程模型和所述肺机械的模型。但是可能的是，在用于所述肺机械的模型所参照的信号的采样时刻不存在数值或者所测量的数值不是足够可靠。比如，传感器没有提供足够可靠的数值或者失灵。或者不过所述采样时刻在将来，并且应该预测用于所述气动尺度P

在有些情况中，所述肺机械的模型尽管缺少信号值还是提供足够可靠的用于所述气动尺度P

在一种应用方案中，由于放弃暂时不能使用的肺机械的模型而渡过的时间段以及预测时间段——对于所述预测时间段来说要预测所述气动尺度P

在一种设计方案中，所述肺机械的模型包括至少一个模型参数，所述模型参数通常随时间而变化。在利用阶段中并且可选也在初始化阶段中，所述信号处理单元为所述或者每个模型参数分别估计一个数值并且为这种估计而使用所述肺机械的模型以及用于当前的采样时刻的信号值以及用于至少一个以前的采样时刻、优选多个以前的采样时刻的信号值。

比如，所述信号处理单元实施回归分析（“fitting”），以用于使所述模型参数值最佳可能地与信号值相匹配。模型参数能够具有物理的、尤其是肺机械的意义。但是，所述近似地算出的模型参数值并非必然地分别接近真实的物理的数值。所述按本发明的方法的目标是，获取所述气动尺度P

按照本发明，所述信号处理单元在初始化阶段中为N个彼此先后相随的采样时刻获取与所述气动尺度P

按照本发明，所述信号处理单元使用两个计算机能测评的模型。可能的是，这些模型是源程序的组成部分，其中从所述源程序中通过编译或者组合或者以其他合适的方式来产生能执行的程序，并且其中所述信号处理单元而后在利用阶段的期间并且优选也在初始化阶段的期间来执行这种程序。

附图说明

下面借助于实施例对本发明进行描述。在此：

图1示意性地示出了哪些传感器测量哪些不同的用于获取气动尺度P

图2示意性地示出了参数估计器如何自动地与P

图3示意性地示出了额外的估计器，该额外的估计器自动地汇合两个以不同的方式获取的、用于气动尺度P

图4示范性地示出了如何考虑到所述过程噪声和测量噪声。

具体实施方式

在本实施例中使用本发明，以用于获取气动尺度P

对于所述气动尺度P

所述气动尺度P

在每个采样时刻t

图1示意性地示出了哪些信号可以从测量值中产生，为此要适当地对所述测量值进行处理。示出了：

——至少暂时地进行人工呼吸的病人P；

——病人P的食道Sp、胃Ma和横隔膜Zw；

——柔性的连接件3，该连接件在呼吸的期间处于病人P的口中；

——柔性的测量导管8，该测量导管被插入到病人P的食道Sp中并且该测量导管在连接件3中开始；

——呼吸机1，该呼吸机至少暂时地对病人P进行人工呼吸并且包括处理数据的信号处理单元5，所述信号处理单元至少暂时地对数据存储器9拥有阅览权；

——具有两组2.1.1到2.2.2分别带有至少两个测量电极的传感器的传感器装置，其中所述测量电极组2.1.1和2.1.2靠近病人P的胸骨来布置并且所述测量电极组2.2.1和2.2.2靠近肋弓来布置，并且其中所述传感器装置此外包括至少一个未示出的用于接地的参考电极；

——在空间上远离病人P的身体的气动传感器7；

——可选的传感器4，该传感器包括摄像仪和图像测评单元并且对准病人P的胸部区域；

——处于病人P的食道Sp中并且处于其横隔膜Zw的附近的、呈探针或者气球的形式的、可选的气动传感器6，其中该传感器6测量所述食道Sp中的压力P

——处于病人P的胃Ma中的可选的胃探针14，该胃探针同样与所述测量导管8处于流体连接之中。

所述气动传感器7包括测量值接受器7.1，该测量值接受器则包括开口，所述开口布置在病人P的口的附近并且从所述流体连接中截取空气。所截取的空气通过软管（通过箭头勾画出来）被传输给压力传感器7.2，该压力传感器测量用于所述流体连接中的呼吸道压力P

测量电极的测量电极组2.11到2.2.2以及未示出的参考电极在信号处理之后提供电气的呼吸信号Sig，该电气的呼吸信号与有待获取的气动尺度P

所述气动传感器7在信号处理之后作为信号来提供病人P的口之前的呼吸道压力P

不同的信号可以作为所述或者一个呼吸信号Sig来使用。也可能的是，使用两个呼吸信号Sig

此外，从所述气动传感器7、14、可选的气动传感器6和/或可选的光学传感器4的测量值中，作为信号可以推导出流入病人P的肺中并且从病人的肺中流出的呼吸空气的体积流量Vol‘和/或病人肺的体积Vol。可能的是，通过关于所测量的体积流量Vol‘的数字积分来计算肺体积Vol。也可能的是，一方面从所述光学传感器4的测量值中推导并且另一方面通过数字积分来获取所述肺体积Vol并且而后在这两个以不同的方式所获取的信号之间适当地对其求平均。

预先给定的计算机能测评的肺机械的模型20和预先给定的计算机能测评的进程模型22被存储在数据存储器9中，所述信号处理单元5至少暂时地对所述数据存储器拥有阅览权。所述信号处理单元5能够将所述两个模型自动地应用到信号值上。所述肺机械的模型20具有至少一个、优选多个模型参数，所述模型参数通常随时间而变化并且对于所述模型参数来说所述信号处理单元5至少一次分别算出一个数值，优选为多个采样时刻分别计算一个数值，以用于考虑到时间上的变化。

图2示意性地示出了参数估计器10与P

在一种设计方案中，所述信号处理单元5使用这些数值P

在本实施例中，因此一方面使用所述肺机械的模型20，该肺机械的模型包括所寻求的气动尺度P

在本实施例中，这个肺机械的模型20包含至少一个、优选多个模型参数，其中所述或者每个模型参数通常同样随时间而变化。优选所述肺机械的模型在每个模型参数中是线性的、但是在信号中并非必然是线性的。但是，所述模型参数通常比有待获取的气动尺度P

在一种设计方案中，所述肺机械的模型20包括模型方程式

（1）P

这个模型方程式（1）拥有三个模型参数、也就是两个肺机械的因数R和E以及加数P0。所述因数R（resistance）描绘了病人P的呼吸道用来阻碍流入肺中和从肺中流出的空气的体积流量的呼吸阻力。所述因数E（elastance）描绘了肺的弹性。所述加数P0（pulmonaryend-expiration pressure,PEEP,终端呼吸压力）描绘了病人P的不完全的呼气的影响。所述加数σ1

也可能的是，使用以下模型方程式：

（2）P

│x│表示x的绝对值。

这个方程式可以改写如下：

（3）P

其中R(Vol‘) = R

所述模型参数在有些情况中用方程式（3）可以比用方程式（2）来更快地估计。

在一种偏差方案中，将所述模型方程式（1）中的所有模型参数R、E和P0假定为差不多在时间上是恒定的。就时间对所述模型方程式（1）求微分一次，由此被假定为恒定的加数P0消失。这种处理方式提供以下肺机械的模型方程式：

（4）P

相应的处理方式可以应用到模型方程式（2）和（3）上。

也可能的是，测量病人P的食道Sp中、也就是探针6的压力P

比如而后使用以下肺机械的模型方程式：

（5）P

或者在就时间对所述模型方程式（5）求微分之后也使用：

（6）P

所述肺机械的因数E

在另一种设计方案中，取代所述模型方程式（1）或者（4）而预先给定了具有另外的加数的模型方程式、比如以下肺机械的模型方程式：

（7）P

在此，Q描绘了阻碍气流的阻力，从呼吸机1到病人P的软管中的和/者病人P的气管中的紊流产生所述阻力，S描绘了肺和/或胸腔的伸缩性的、取决于肺的体积Vol的变化，并且I描绘了阻碍呼吸空气的加速的阻力，其中这个阻力I在加速度足够小时小到能够忽略。

此外，有待获取的气动尺度P

（8）P

也可能的是，所述呼吸信号Sig通过其他传感器、比如食道Sp中的探针6或者胃14中的胃探针14的测量值来产生。在这种情况下，优选使用其他的、描绘了P

所述因数k

在至此所描述的设计方案中，产生一种呼吸信号Sig。也可能的是，优选在使用不同的传感器的测量值的情况下产生两种不同的呼吸信号Sig

（9）P

其中两个模型参数呈两个因数k

所述模型方程式（1）到（7）中的至少一个模型方程式以及模型方程式（8）或（9）一起形成本实施例的肺机械的模型20，该肺机械的模型被存储在数据存储器9中。所述肺机械的模型20的每个模型方程式描绘了有待获取的气动尺度P

作为肺机械的模型20的补充，使用一种用于所述气动尺度P

一种优选的用于P

（10）

在此t

（11）P

这个进程模型22的一种设计方案包括N阶的自回归的模型，也就是：

（12）P

在此N是为进程模型22预先给定的数目。用于P

在这种设计方案中，所述状态矢量具有形式

比如在所述进程模型22中假设，所述气动尺度P

（13）P

也可能的是，使用比如具有N=2的自回归的进程模型并且事先借助于抽样来估计并且由此事先确定所述两个因数a1和a2。当然N也能够大于或者等于3。

也可能的是，在运行时间里估计所述自回归的模型（12）的N个参数a

呼吸是差不多周期性的过程。因此，所寻求的气动尺度P

在一种有偏差的设计方案中，所述气动尺度P

也可能的是，作为进程模型22而预先给定并且使用高斯过程-先验（Prior）。借助于高斯过程-先验可以对平滑的、周期性的或者准周期性的信号进行建模。高斯过程-优选项的使用允许将关于P

在一种设计方案中，所述进程模型22包括输入信号

所述信号处理单元5实施初始化阶段和接下来的利用阶段。所述信号处理单元5优选在两个阶段中使用肺机械的模型20，而仅仅在利用阶段中使用所述进程模型22。

所述初始化阶段包括至少N个采样时刻，其中N刚好是为所述进程模型22预先给定的数目。所述信号处理单元5在初始化阶段中为这些至少N个采样时刻t

在利用阶段中，所述信号处理单元5使用所述进程模型22以及所述N个以前的数值P

在一种设计方案中，借助于卡尔曼滤波器来获取所述气动尺度P

按照本发明，并行地使用所述进程模型22和肺机械的模型20，以用于为采样时刻而近似地获取所述气动尺度P

（14）

的形式的状态空间模型以及观测方程式

（15）P

所述加数

所述肺机械的模型20通过额外的观测方程式来加入。

在一种设计方案中，从所述肺机械的模型方程式（1）和（8）中获取额外的观测方程式，其中所述方程式（8）被转换：

（16）Sig(t) = 1/k

其中有另一个用于过程噪声的加数σ5

所述状态空间方程式而后是：

（17）

其中

（18）

（19）

以及

（20）

所述观测方程式是：

（21）

（22）

（23）

（24）

（25）

所述状态空间矢量

这种设计方案尤其具有以下优点：

——不需要的是，在病人P的呼吸中探测病人P的各次呼吸或者各个阶段、尤其是吸气和呼气并且使所使用的模型的模型参数或其他参数与各次呼吸的长度或强度相匹配。更确切地说，均匀地并且用预先给定的采样频率、也就是说不取决于自动呼吸和被动呼吸的情况下来获取并且处理测量值；

——所使用的肺机械的模型20包含两个模型方程式（1）和（8）。所述模型方程式（1）描绘了所述气动尺度P

——用于所测量的信号的可选的加权21可以加入到也就是所述观测方程式（21）的观测矩阵

——在市场上可获得标准程序，用所述标准程序能够快速地实现卡尔曼滤波器。

按照本发明，比如就像通过方程式（17）到（20）以及（21）到（25）来描述的一样，同时使用两个模型22和20。可能的是，在一个单个的采样时刻t

也可能的是，使用单独的参数估计器10，以用于在所述肺机械的模型20中估计、优选连续地估计模型参数的数值。在这种改动方案中，也不需要探测各次呼吸或者吸气和呼气并且将其彼此区分开来。

所述模型参数的数值从信号值的组中来估计，其中优选使用用于多个彼此先后相随的采样时刻的多组信号值，以用于估计一组模型参数值。

优选所述参数估计器10使用统计方法，以用于估计模型参数值的组。在一种设计方案中，使用一种递归的方法来估计所述参数值。在此，在使用以前的模型参数值、当前的信号值-组以及可选至少一个以前的信号值-组的情况下估计经过更新的模型参数值。在一种设计方案中，所述参数估计器10使用以下方法中的至少一种方法：

——基于梯度的最大可能性估计，

——期望最大化，

——变分推理，

——马尔可夫链蒙特卡洛，

——普通最小二乘法，

——递推最小二乘法。

也可能的是，使用自身的用于参数估计器10的卡尔曼滤波器。这个卡尔曼滤波器比如使用状态空间方程式

（26）

其中适用

（27）

（28）

并且其中

（29）

描绘了在估计四个模型参数值R、E、P0、k

（30）P

其中适用

（31）

并且其中v又被作为具有期望值0的正态分布的随机变量来处理。

可能的是，使用多个用于阻力的模型参数R

在一种偏差方案中，使用所述状态空间方程式

（32）

其中

（33）

以及观测方程式

（34）

其中

（35）

（36）

（37）

其中ε是过程噪声并且ζ是测量噪声。

图3示出了另一种改动方案。所述参数估计器10提供用于所述——在这种情况下四个——模型参数R、E、P0以及k

（38）

（39）

（40）

以及

（41）

其中

在一种实现方式中，这种设计方案引起以下最小化任务：预先给定了所述模型方程式P

下面对所述参数估计器10所使用的加权21以及所述加权估计器12的作用原理进行详细描述。在一种设计方案中，所述具有电极（EMG传感器）2.1.1到2.2.2的传感器装置提供电气的呼吸信号Sig。这些传感器2.1.1到2.2.2相当紧挨地布置在用于病人P的体内的电信号的来源处。因此，在一种设计方案中，没有为所述信号Sig的数值使用加权因数。

所述传感器7、4和6测量气动参量，并且所述传感器7、4和6离用于病人P的体内的呼吸活动的来源相当远。以下描述涉及一种设计方案，在该设计方案中所述传感器2.2.1、…、2.2.2或者6或者14、7和4在每个采样时刻t提供测量值，所述信号处理单元5从所述测量值中产生具有三个信号值{ { Sig(t)、Vol‘(t)、Vol(t) }的三元组。也可能的是，产生四元组{ Sig

对于每个信号值-三元组/四元组和每个采样时刻t

也可能的是，为三元组的信号值使用不同的加权、比如{ α

也可能的是，相反地用加权因数对用于测量噪声的加数

优选的是以下基本原理：信息含量越高，这样的信号值-三元组的加权α(t)就越高。在一种设计方案中，一个三元组在抽样中、也就是在信号值-三元组的集合中出现得越少，这个三元组的信息含量就越高。在另一种设计方案中，给这样的三元组配设高的权重，对于所述三元组来说所述三个信号值之一具有比其他两个信号值明显更大的相对幅度。“相对幅度”比如是指所述信号值的、偏离用于这个信号的所有所测量的数值的算术平均值或者中值的偏差。

在一种设计方案中，为一系列采样时刻产生信号值-三元组的集合。在三维的空间中、比如在具有三根坐标轴Sig、Vol‘和Vol的笛卡尔坐标系中或者在极坐标空间中，用所述信号值-三元组作为抽样来实施实证的密度估计。比如，所述三维空间被划分为区域、比如被划分为方块并且为所述三维空间的每个区域分别计算频次。这个区域中的每个信号值-三元组得到一个加权，所述加权比如等于所述区域的所估计的频次的倒数。

优选自动地去除偏差值（freak values）和明显错误的测量值，并且这一点更确切地说在确定用于模型参数的数值之前并且在计算刚刚所描述的加权因数之前进行。由此防止具有偏差值或者错误的测量值的三元组得到高的权重。为了探测偏差值或者错误的测量值，优选预先给定具有生理学的和/或人类学的意义的阈值（边界）或者用于测量值的区域。也可能的是，借助于统计方法来识别偏差值和错误的测量值。具有偏差值和/或错误的测量值的三元组被剔除或者得到加权因数零或者很小的加权因数。

附图标记列表：