相關申請的交叉引用本申請要求申請號為61/369,247、申請日為2010年7月30日的美國臨時專利申請的優先權，并將該申請的內容在此予以全文引用。本技術涉及與呼吸治療裝置相關的泄漏檢測的方法和裝置。更具體地，本技術的一些實施例可涉及能用于持續氣道正壓治療的呼吸治療裝置中的自動化泄漏檢測。
背景技術：
：阻塞性睡眠呼吸暫停(obstructivesleepapnea(osa))患者在睡眠期間患有只有在患者覺醒后才能停止的周期性呼吸暫停或呼吸功能不全。治療osa患者的最好形式是持續氣道正壓(cpap)，所述持續氣道正壓由鼓風機(例如，壓縮機)通過連接的軟管和面罩施加。正壓防止患者的氣道在吸氣期間塌陷，因此防止周期性呼吸暫停或呼吸功能不全及其后遺癥。這樣的呼吸治療裝置可在患者呼吸周期中的適當時刻以治療壓力向患者提供清潔的可呼吸氣體(通常為空氣，帶有或不帶有補充性氧氣)。呼吸治療裝置通常包括流發生器、空氣過濾器、面罩或套管、連接流發生器與面罩的空氣輸送管道、各種傳感器和微機控制器。流發生器可包括伺服控制發動機和葉輪。流發生器還可包括閥，該閥能將空氣排放至大氣中，作為一種控制發動機速度的替代方式的裝置，改變輸送至患者的壓力。傳感器測量除其它參數外，還包括發動機速度、氣體容積流率和排氣壓力，例如具有壓力變換器，流傳感器，比如呼吸速度描記器和差壓變換器，或類似物。所述裝置可選擇地包括位于空氣輸送導管路徑上的加濕器和/或加熱元件。所述控制器可包括數據存儲功能，其帶有或不帶有集成式數據檢索/傳輸和顯示功能。使用這種設備的呼吸治療期間，測量實驗對象的呼吸流量通常是有用的，其可用流傳感器確定。但是，面罩和患者之間的泄漏是典型的。因此，流傳感器可測量呼吸流量加上泄漏的流量的總量。如果泄漏的瞬時流量是已知的，則呼吸流量可通過從呼吸速度描記器的流量減去泄漏的流量計算。用于更正泄漏的流量的已知方法可假設(i)該泄漏是基本恒定的，并且(ii)在足夠長的時間后，吸氣和呼氣的呼吸流量將抵消。如果這些假設都滿足，在足夠長的時間后通過流傳感器的平均流量將與泄漏大小相等，并且準確的呼吸氣流可如上描述的計算。已知，通過計算泄漏的電導率測量泄漏。如美國專利號6,659,101所述，電導率可通過低通濾波呼吸氣流測量值除以面罩壓力測量值的低通濾波的平方根而確定。瞬時泄漏可通過用面罩壓力的平方根乘以電導率而確定。如berthon-jones美國專利號5,704,345所述，也已知閥類泄漏存在的指數的確定。該指數以呼氣的第一個0.5秒期間的峰值流量與呼氣的第二個0.5秒期間的平均流量的比率計算。歐洲公布號0714670a2公布了另一技術，其包括取決于壓力的泄漏組成的計算。該方法依靠精確地知道吸氣事件的開始和下一個吸氣事件的開始的出現。換句話說，泄漏計算作為已知的呼吸的平均值而產生并應用至隨后的呼吸，在呼吸治療，比如經鼻cpap治療中依然表現出對嘴泄漏的許多擔憂，這些擔憂可包括如下：1.患者的覺醒率和/或呼吸暫停和呼吸功能不全指數("ahi")可能由于泄漏而增加，影響患者的睡眠結構。2.由于經鼻呼吸流從嘴泄漏出來，可能降低通氣支持，這是患者在bi-水平/vpap治療中特別擔憂的。3.可能建立單向經鼻氣道，導致上氣道脫水，炎癥介質充血和釋放。此外，單向經鼻流可增加經鼻氣道阻力，這反過來可增加口部氣流傾向，導致在一個循環中產生更多嘴泄漏。4.由于經鼻癥狀，患者依從性可能降低。5.由于得到的測得的總流量信號可能沒正確計算口部的流量，在患者流量估計和流發生器的控制算法中發生錯誤的行為。6.兒童的嘴呼吸被證明影響頜面發育。特別地，過度的口腔氣流可以導致牙齒排列不整齊(牙齒咬合不正)，頭部前傾姿勢，不規則的鎖骨生長，和耳朵感染的易感性增加。發展用于檢測和/或測量泄漏的另外的方法，這可能是可取的，該方法可能在呼吸治療裝置，比如用于檢測的裝置和/或用于治療上呼吸癥狀比如osa的裝置上實施。技術實現要素：本技術一些實施例的第一方面是提供用于檢測泄漏的方法和設備。本技術一些實施例的另一方面是在測量患者呼吸流量信號的裝置中檢測泄漏。本技術另外的方面是在呼吸治療裝置，比如持續氣道正壓設備中實施泄漏檢測。本技術的一些實施例涉及用于控制處理器的方法，比如通過泄漏檢測設備，從而比如從測得的可呼吸氣體流量檢測泄漏。在這種方法中，所述處理器可確定測得的可呼吸氣體流量的多個特征。該處理器可分析所述多個特征從而基于所述多個特征確定泄漏事件。所述處理器也可將泄漏事件分類為多個不同類型的泄漏。在這樣一些實施例中，多個不同類型的泄漏可包括持續的嘴泄漏和閥類嘴泄漏。在這樣一些實施例中，所述多個特征可包括通氣測量值和/或瞬時泄漏測量值。此外，所述分析可涉及通氣測量值中和瞬時泄漏測量值的同期變化的確定。該同期變化可以為瞬時泄漏測量值增加和通氣測量值減少。進一步地，該分析可能涉及通氣測量值和瞬時泄漏測量值的進一步同期變化的確定。在這種情況下，所述進一步同期變化可為通氣測量值增加和瞬時泄漏測量值減少。此外，在一些實施例中，該分析可涉及持續時間以同期變化開始并以進一步同期變化結束的泄漏事件的持續時間的計算。在這樣一些情況下，測得的可呼吸氣體流量的多個特征可包括第一值和第二值，所述第一值與低于呼吸中的最大流量的比例的流量測量值相關，所述第二值與高于呼吸中最大流量值的比例的流量測量值相關。在這種情況下，該分析可能涉及代表第一值出現和第二值出現之間的時間的持續時間值的確定。該分析也可能涉及持續時間值與閾值的比較。在這種情況下，當持續時間值低于所述閾值時，該分析可檢測到泄漏事件開始。類似地，當持續時間值等于或超過閾值時，該分析可檢測到泄漏事件結束。本技術的一些實施例涉及控制處理器以檢測泄漏的方法，所述泄漏可能來自測得的可呼吸氣體流量。該處理器的方法可涉及通氣測量值和來自測得的可呼吸氣體流量的泄漏測量值的確定。該處理器可分析通氣測量值和泄漏測量值，從而檢測通氣測量值和泄漏測量值的同期變化。所述處理器可基于該同期變化識別泄漏事件。在這樣一些實施例中，所述同期變化可以為泄漏測量值增加和通氣測量值減少。可選擇地,所述同期變化可以為泄漏測量值減少和通氣測量值增加。在這種處理器中，對通氣測量值和泄漏測量值的分析可檢測通氣測量值和泄漏測量值的進一步同期變化，可選地，該處理器可確定持續時間以同期變化開始并以進一步同期變化結束的泄漏事件的持續時間。在一些這樣的實施例中，所述同期變化可以為泄漏測量值增加和通氣測量值減少，并且所述進一步同期變化可以為泄漏測量值減少和通氣測量值增加。可選地，所述通氣測量值可以為一分為二的流量測量值的低通濾波絕對值，并且所述泄漏測量值可以為確定為隨計算出的泄漏電導率而變化的瞬時泄漏。在這樣一些實施例中，所述分析可能包括代表通氣測量值和泄漏測量值的數據的協方差確定。其也可能涉及代表泄漏測量值的數據的梯度的確定。可選地，所述梯度和所述協方差的結果可合并。在這種情況下，基于合并結果與閾值的比較，該處理器可通過對持續嘴泄漏進行打分而識別泄漏事件。本技術另外的實施例可涉及一種控制泄漏檢測設備的處理器從而比如從測得的可呼吸氣體的流量檢測泄漏的方法。該處理器的方法可涉及第一出現和第二出現的確定，所述第一出現與呼吸中低于閾值的流量測量值相關，所述第二出現與呼吸中高于所述閾值的流量測量值相關。所述處理器可分析與第一和第二出現相關的持續時間。基于該分析，所述處理器也可識別泄漏事件。在一些實施例中，所述閾值可能為呼吸的最大或峰值流量的比例。此外，該分析可涉及持續時間與其它閾值的比較。可選地，該比例可為約5％至30％的范圍中的分數，比如約17％，比如優選17.5％。在一些情況下，所述持續時間可代表第一出現和第二出現之間的時間。更進一步地，在持續時間低于其它閾值時，泄漏事件可被識別為開始，并且在所述持續時間等于或超過其它閾值時，所述泄漏事件可被識別為結束。在一些情況下，所述其它閾值可能為代表約0.05至0.4秒范圍中的若干秒，或約0.2秒比如優選0.18秒的值。一個或多個這些檢測控制方法可選擇地通過泄漏檢測裝置來實施。所述裝置可包括檢測控制器，所述檢測控制器具有至少一個處理器，從而存取代表測得的可呼吸氣體流量的數據。可選地，所述裝置進一步包括流傳感器和/或流發生器。所述控制器可用于以所述流傳感器確定測得的可呼吸氣體流量。此外，所述控制器可進一步用于控制所述流發生器以基于檢測到的泄漏，根據壓力治療方案產生可呼吸氣體。類似的泄漏檢測裝置可代表本技術的實施例。再次，這種裝置可包括控制器，所述控制器具有至少一個處理器，從而存取代表測得的可呼吸氣體流量的數據。所述控制器可用于確定被測可呼吸氣流的多個特征。所述多個特征可被分析，從而基于所述多個特征確定泄漏事件。所述泄漏事件可被分類。可選地，基于帶有時間的多個特征與大小閾值的比較，所述泄漏事件可確定為嘴泄漏事件，比如持續的嘴泄漏事件。在一些情況下，所述控制器可用于確定測得的可呼吸氣體流量的第一和第二特征。該控制器可進一步用于分析第一特征從而檢測在預定時間段內第一特征的變化。基于第一特征檢測預定時間段的變化的分析，該控制器可進一步用于比較第二特征與閾值。更進一步地，基于所述比較，所述控制器可用于設置泄漏指示，使得泄漏指示為持續嘴泄漏的代表。在所述裝置的一些實施例中，第一特征可包括修正協方差信號和/或第一特征的變化可能為負向變化。可選地，所述第二特征可包括協方差總和。在一些情況下，如果比較檢測出所述第二特征低于所述閾值，所述泄漏指示可設置為代表持續嘴泄漏。可選地，所述第一和第二特征來源于通氣測量值和瞬時泄漏測量值。所述裝置的進一步實施例可包括流傳感器和流發生器，所述流發生器用于產生壓力高于大氣壓的，用于患者的可呼吸氣體。在這樣一些情況下，所述控制器可進一步用于以流傳感器確定測得的可呼吸氣體流量，并控制所述流發生器，以根據壓力治療方案產生可呼吸氣體。可選地，所述控制器也可用于控制所述流發生器，以基于泄漏指示，根據壓力治療方案產生可呼吸氣體。本技術進一步的實施例可涉及帶有控制器的泄漏檢測裝置，所述控制器具有至少一個處理器，從而存取代表測得的可呼吸氣體流量的數據。所述控制器可用于確定測得的可呼吸氣體流量的特征，從而分析所述特征并產生泄漏指示，從而排除閥類嘴泄漏，使得泄漏指示代表發覺嘴泄漏。在這樣一些情況下，至少一個特征可包括修正協方差信號和/或至少一個特征可包括協方差總和，類似地，至少一個特征可包括指示閥類嘴泄漏水平的信號。可選地，所述特征可來源于通氣測量值和瞬時泄漏測量值。類似于其它實施例，所述裝置也可包括流傳感器和流發生器，所述流發生器用于產生壓力高于大氣壓的，用于患者的可呼吸氣體。在這樣一些情況下，所述控制器可進一步用于以所述流傳感器確定測得的可呼吸氣體流量，并控制所述流發生器，從而根據壓力治療方案產生可呼吸氣體。可選地，所述控制器可進一步用于控制所述流發生器，以基于泄漏指示，根據壓力治療方案產生可呼吸氣體。本技術的另一實施例涉及用于泄漏檢測和泄漏控制的呼吸治療裝置。所述裝置可包括用于測量壓力和流量的傳感器，所述流量可歸因為可呼吸氣體。所述裝置可進一步包括流發生器，所述流發生器用于產生壓力高于大氣壓的，用于患者的可呼吸氣體。所述裝置也可包括與傳感器和流發生器結合的控制器。所述控制器可用于控制流發生器以根據壓力治療方案產生可呼吸氣體。所述控制器可進一步包括泄漏檢測模塊，所述泄漏檢測模塊用于基于測得的流量信號分析檢測泄漏事件。其也可包括壓力調節模塊，所述壓力調節模塊用于調節所述流發生器提供的，隨泄漏檢測模塊的輸出而變化的治療壓力，其中所述調節減少所述泄漏事件。在一些這樣的實施例中，所述泄漏檢測模塊可用于檢測持續嘴泄漏。可選地，所述壓力調節模塊可用于降低隨泄漏變化的壓力。所述壓力調節模塊也可用于增加隨泄漏變化的壓力。更進一步地，所述壓力調節模塊可用于分析患者流量信號，從而計算壓力增加和壓力降低的調節可能性。在這樣的情況下，所述壓力調節模塊可基于調節可能性和閾值的比較而調節壓力。本呼吸技術另外的特征將在下面的詳細描述，附圖和權利要求書的評述中更明顯。附圖說明下面通過如圖中的實例對本發明進行舉例說明，但這些實例不構成對本發明的限制，其中相同的元件使用相同的附圖標記。圖1展示了帶有可選的流傳感器和流發生器的本技術的泄漏檢測裝置的圖；圖2描述了指示持續嘴泄漏的流量特征的圖；圖3為描述了指示閥類嘴泄漏的流量特征的圖；圖4為用于區分不同類型的泄漏的泄漏檢測器實施例的方法的流程圖；圖5為一種控制一種裝置以檢測泄漏的方法的實施例的流程圖；圖6為與通過泄漏檢測器發覺持續嘴泄漏相關的各種信號軌跡的圖；圖6a為與通過泄漏檢測器發覺持續嘴泄漏相關的各種信號軌跡的另外的圖；圖7和7a為一種控制一種裝置以基于累積協方差的計算檢測持續嘴泄漏(cml)的方法的兩個實施例的流程圖；圖8為用于泄漏檢測器的實施例的方法的另外的例子的流程圖；圖9為描述通過泄漏檢測器檢測閥類嘴泄漏的流量信號的信號軌跡的圖；圖10為描述可能指示持續嘴泄漏的流量特征的例子的圖；圖11為描述可能指示閥類泄漏的流量特征的例子的圖；圖12為適于檢測嘴泄漏事件的實施例中的進程模塊流程圖；圖13為適于檢測嘴泄漏事件的實施例中的另外的進程模塊流程圖；圖14為展示了可能用于檢測持續嘴泄漏事件的各種特征信號的信號圖；圖15為展示了可能用于檢測閥類嘴泄漏事件的各種特征的患者流量信號圖；圖16為可能用于檢測閥類泄漏事件的可選擇的特征的患者流量的另外的信號圖；圖17為在本技術的一些實施例中的嘴泄漏檢測模塊的例子的流程圖；圖17a為在本技術的一些實施例中的嘴泄漏檢測模塊的例子的另一流程圖；圖18為基于泄漏持續時間，用于量化泄漏嚴重性的持續嘴泄漏事件的隸屬函數的圖；圖19為基于泄漏的持續時間，用于量化泄漏嚴重性的閥類嘴泄漏事件的隸屬函數的圖；圖20為基于不同的泄漏事件，用于量化泄漏嚴重性的輸出函數的圖；圖21為泄漏檢測裝置中的控制器的方框圖，所述泄漏檢測裝置包括適于實施本技術的檢測方法的所述裝置的部件；圖22為展示了用于具有本技術的泄漏檢測和泄漏控制器的呼吸治療裝置的一些部件的方框圖；圖23為描述基于以圖22的控制器部件進行的壓力控制的泄漏的信號圖。具體實施方式因此，如圖1所示，本技術的實施例可包括具有控制器104的泄漏檢測設備或裝置102，所述控制器104可具有一個或多個處理器，以實施具體的泄漏檢測方法，比如在此更詳細描述的算法。因此，所述設置或裝置可包括集成芯片，存儲器和/或其它控制指令，數據或信息存儲介質。例如，包含這種檢測方法的程序指令可能編碼在所述設備或裝置的儲存器的集成芯片上，從而形成專用集成芯片(asic)。這樣的指令也可以或選擇性地以合適的數據存儲介質作為軟件或固件裝入。以這種控制器或處理器，所述設備可用于處理來自流量信號的數據。因此，所述處理器可控制泄漏的評估，比如通過檢測泄漏，區別或區分如在此基于從先前睡眠時期中測得的和記錄的呼吸流量數據中的更詳細描述的實施例中所描述的不同類型的泄漏，和/或確定泄漏時間，持續時間，和嚴重性。可選擇地，該檢測可在睡眠時期與呼吸流量信號測量同時進行。因此，在一些實施例中，所述設備或裝置本身可選擇地與用于測量呼吸流量信號的流傳感器106利用實施的方法使用。例如，進入或經過經鼻套管108或經鼻面罩或全臉面罩的流量可用呼吸速度描記器和差壓變換器，或類似設備，比如使用一束管子或導管的設備測量，以獲取流量信號。可選地，流量信號可從其它傳感器推算，比如，2005年11月2日提交的pct/au2005/001688中所述的電動機流傳感器，其內容在此予以全文引用。如圖1中進一步所示，所述泄漏檢測設備102可用于累積或生成泄漏相關數據，如可通過泄漏檢測設備102存儲或輸出的泄漏報告中所述的泄漏事件數據109。如在此更詳細的論述，所述輸出可在所述設備的顯示器上可視地輸出或電子轉移，例如，以無線方式，到另一個裝置。通過進一步的實施例，所述泄漏檢測設備能以控制方法使用，從而基于泄漏檢測方法提供呼吸治療，使得所述設備可用作呼吸治療裝置。例如，如圖1所示，所述泄漏檢測設備102可選擇地與流發生器110比如帶有用于所述控制的合適的傳感器(例如，壓力傳感器)的伺服控制鼓風機一起使用。因此，呼吸治療或壓力治療方案，比如與cpap治療相關的治療壓力水平可通過所述設備的控制器輸送，可選地，該治療可提供相對不斷地穿過患者每次呼吸循環的壓力，或調節壓力以在呼氣期間提供較低的壓力并在吸氣期間提供較高的壓力。治療壓力水平可自動地調節以響應osa事件(比如呼吸暫停和呼吸功能不全事件)的發覺，所述osa事件由校正泄漏的呼吸氣流信號的確定。可選地，泄漏事件的檢測或某些泄漏事件的關鍵數量可用于確定基線壓力是否偏離。因此，這些測量值可作為調節基線壓力的基礎或起因。可選擇地，關鍵泄漏事件的檢測可用于控制喪失對osa事件的自動檢測能力或自動改變為治療壓力水平的能力。也可以使用其它壓力調節方案。進一步地，關鍵泄漏事件的檢測可作為控制器不能或中斷壓力治療輸送的情況。例如，在一些實施例中，泄漏事件的檢測，比如持續嘴泄漏的檢測，可作為呼吸功能不全檢測器的一部分。在一些自動化呼吸功能不全檢測設備中，從假的陽性呼吸功能不全的意義上說，嘴泄漏可通過呼吸功能不全檢測器的自動化方法錯誤地記分為呼吸功能不全事件。以在此描述的方法，呼吸功能不全事件和泄漏事件的同時發覺可作為防止記分為檢測到的呼吸功能不全的基礎。例如，呼吸中自動檢測到的呼吸功能不全事件的記分能以確認在呼吸中存在檢測到的泄漏事件為條件。相對于可檢測到的泄漏事件的例子，嘴泄漏可在呼吸治療，比如經鼻cpap治療期間以各種不同的方式發生。這些泄漏事件能以患者流量或來自流傳感器的，代表患者流量的流量信號差異化表示。例如，該泄漏可能為持續嘴泄漏。可選擇地，該泄漏可能為閥類嘴泄漏。在持續嘴泄漏(“cml”)期間，至少在發生泄漏的每次呼吸的大部分時間或全部時間的意義上說，患者的嘴保持打開。一般地，在涉及呼吸的每次泄漏期間，該泄漏使一些經鼻吸入的空氣從嘴中逃脫。在圖2所示的信號軌跡中說明了這種事件。在這點上，圖2包括信號軌跡的上部圖和信號軌跡的下部圖，兩者都在共同的時間刻度上。上部信號軌跡展示了流量的測量值。下部軌跡為泄漏的測量值，在這種情況下為瞬時泄漏，比如美國專利號6,659,101中描述的瞬時泄漏，其內容在此予以全文引用作為參考。該圖描述了基于以流量信號代表的泄漏測量值的變化(例如，增加)和通氣的變化(例如，減少)之間基于時間的對應關系。在本技術的一些實施例中，這種同期變化的發覺可視為發生持續嘴泄漏或cml的指示。在閥類嘴泄漏(“vml”)期間，經鼻吸入的空氣在呼吸周期的一部分期間通過嘴部分地或完全地呼出。一般地，經鼻呼氣正常開始，但快速回落至零，因為嘴“啪啪”打開(像閥門)，使嘴能呼氣。這在流量信號中可以表示為可檢測的變化，比如經鼻流量信號中尖銳的負值峰。圖3的信號軌跡中描述了這種事件的例子。在這點上，圖3包括信號在共同的時間刻度上的信號軌跡的上部圖和信號軌跡的下部圖。該上部信號軌跡展示了經鼻流量的測量值。該下部軌跡為瞬時泄漏測量值。在本技術的一些實施例中，流量信號中的這種尖銳的負值峰的發覺可視為發生閥類嘴泄漏或vml的指示。如下部軌跡所示，該可檢測的變化也可與瞬時泄漏測量值的同期變化一致。因此，如圖1進一步所示，該泄漏檢測設備102可檢測或報告泄漏事件數據109，比如cml和/或vml事件以及關于這些事件的另外的數據。例如，該泄漏檢測設備102可區分并報告在一個或多個睡眠時期過程中的檢測到的這種事件的總數。該檢測器可確定每次泄漏事件的持續時間以及每次泄漏發生的時間。該檢測器可報告沒發生這種泄漏的時期。基于其占總泄漏事件的百分比，該檢測器可進一步報告泄漏事件的衰減。基于其占睡眠時期或治療時期的總持續時間或泄漏時間的總持續時間的百分比，該檢測器可進一步確定泄漏事件持續時間的衰減。該泄漏檢測設備102也可確定泄漏指數以總結泄漏的嚴重性。如在此更詳細的論述，該指數可與測得的一種或多種不同類型的泄漏信息結合。該檢測器可進一步使用關于泄漏嚴重性的信號警告，這可以基于嚴重性指數。例如，如圖4所示，在一些實施例中，所述泄漏檢測設備102可使用一種方法控制處理器從而從測得的可呼吸氣體流量檢測泄漏。在440中，所述處理器的方法可涉及從測得的可呼吸氣體流量確定多個特征。例如，在一些實施例中，該方法可檢測通氣測量值，比如潮氣量。通氣測量值可為一分鐘通氣(例如，在半分鐘至5分鐘的范圍但優選地3分鐘的時段確定的測量值)。可選地，這樣的通氣測量值可通過將從該時間段(例如，0.5分鐘，1分鐘，3分鐘，5分鐘)的流量信號獲得的流量樣品的絕對值的總和二等分而確定。該測量值也可以確定為以理想時段(例如，半分鐘，1，3或5分鐘)中患者流量的絕對值的一半的合成(因為患者流量考慮瞬時泄漏和軟管壓降補償)。更進一步地，該測量值可通過以若干分鐘(例如，半分鐘，1，3或5分鐘)但優選3分鐘的時間常數的患者流量絕對值一半的低通濾波確定。更進一步地，所述測量值可為泄漏測量值或之前提及的瞬時泄漏測量值。通過進一步的例子，所述測量值可以為流量信號或流量信號的其它可檢測產物的頂峰或最大流量值。在442，檢測器控制所述多個特征的分析以基于所述多個特征確定泄漏事件。所述檢測器可控制將泄漏事件劃分為多種不同類型的泄漏事件。這樣，檢測器可區分多種不同類型的泄漏，而不是簡單地檢測不同泄漏的持續時間或泄漏。例如，在一些實施例中，所述檢測器可區分為cml和vml泄漏事件。a.cml泄漏事件檢測實施例可用于檢測cml類泄漏事件的方法可參見圖5至7。例如，如圖5所示，在這樣一個實施例中，在540，檢測器的處理器可從測得的可呼吸氣體流量確定通氣測量值和泄漏測量值。在542，該處理器可分析通氣測量值和泄漏測量值以檢測通氣測量值和泄漏測量值的同期變化。在544，該處理器可基于同期變化識別泄漏事件。這樣的同期變化可為，例如，通氣減少和泄漏增加，或通氣增加和泄漏減少。可選地，這樣進程可基于協方差的確定。在這樣的實施例中，協方差能以下面的自動化分析和泄漏檢測器102的計算確定。對于這樣的實施例，輸入的數據可以被處理。該輸入可包括從分鐘通氣測量值(例如，1分鐘，3分鐘，5分鐘等等)中抽樣的通氣值，從泄漏測量值中抽樣的瞬時泄漏值和從流量信號比如濾波流量信號中抽樣的患者流量值。可選地，該數據可以緩沖。例如，通過呼吸原則，在呼吸中可以緩沖該流量值。因此，泄漏檢測器的輸入模塊可存儲當前輸入值(例如，通氣樣品和泄漏樣品以及帶有代表當前呼吸的流量值的輸入矢量)。可以按如下可選擇地進行這樣的通氣處理，泄漏進程，呼吸檢測進程和協方差進程：(1)通氣確定流量值用于確定分鐘通氣值(例如，3分鐘通氣)，該流量值可選地為均勻的通氣值。例如，從獲得流量信號的樣品反過來用于確定當前均勻的通氣值。如在此更詳細的論述，這也應用于患者流量矢量。通氣確定進程可以如下：(a)獲得患者流量值qp；(b)用低通濾波器比如理想的低通濾波器確定均勻的通氣。這可通過等式來管理：其中：vn為瞬時分鐘通氣，例如，以表示；為之前均勻的通氣值。為新的均勻的通氣值。a可以根據通氣時間常數(τ)(例如，30或60)和抽樣時間(δt)以下面的等式確定。可選地，該通氣時間常數可在30秒至5分鐘的范圍內。優選地，其可為約30秒。確定均勻通氣的進程與計算3分鐘或5分鐘通氣的進程是相同的，但可能使用不同的時間常數。可選地，在一些實施例中，所述通氣測量值進程也可以基于覺醒檢測，以在通氣測量值中使與覺醒相關的呼吸的影響最小化。如果眾多的覺醒影響通氣測量值，覺醒后通氣將減少。為了避免這種影響，該通氣測量值可更改為“無覺醒”通氣測量值。例如，當檢測到覺醒時(例如，基于下面論述的“覺醒標志”)，該通氣測量值可保持不變或維持(例如，通過設置之前通氣值為當前通氣值，如下：直到恢復正常呼吸)。在這種情況下，可使用覺醒檢測器，如下：在每次呼吸后：(1)測量末尾呼吸的峰至峰流量(例如最大的流量減去最小的流量)。(2)如果該值比大于末尾呼吸(例如，末尾20次呼吸)的平均的峰至峰流量的一些因子(例如，1.5倍)更大，視為覺醒。(3)當末尾呼吸為覺醒時，設置“覺醒標志”，使得通氣測量值可忽視該值直到所述標志重新設置。也可使用其它覺醒檢測方法。(2)泄漏確定過濾瞬時泄漏值，例如，通過理想的低通過濾器使輸入值隨時間變均勻，其可通過等式管理：其中：xn為測得的當前瞬時泄漏；為之前均勻的泄漏值。為新的均勻的泄漏值。a可根據時間常數(τ)(例如20)和抽樣時間(δt)通過下面的等式確定：可選地，該泄漏時間常數可以在10秒至2分鐘的范圍內。優選地，其可以為約60秒。(3)呼吸緩沖區將患者流量值加上呼吸矢量或其它數據結構，以存儲數據。該數據結構，矢量或緩沖區可用于以后的決策，這里所描述決策可以使用逐次呼吸分析。這種緩沖區可能會被每個新的呼吸清除。因此，該數據結構可以用于收集隨每次吸氣開始或呼氣結束的檢測而變化的流量數據。可選地，這些泄漏和通氣輸入值可進一步緩沖，例如，作為具有在選定的時間段(例如，以大約秒，比如20-120秒的范圍，比如約20秒或30秒)的均勻的泄漏值的環形緩沖區，和作為具有在選定的時間段(例如，以大約秒，比如20-120秒的范圍，比如約20秒或30秒)的通氣值的環形緩沖區。因此，這些信號緩沖區可以維持最新的通氣值和均勻的泄漏值的記錄，比如末尾20，30或60秒的值。(4)協方差確定協方差特征c可以基于環形緩沖區的通氣數據和泄漏數據而計算。這樣的協方差特征c可視為但不一定等同于兩個信號的協方差。信號協方差可視為兩個變量一起增加或減少多么密切的測量值。高度正相關協方差表明兩者一起緊密移動，而高度負相關協方差表明其成反向移動(即，一個增加而另一個減少)。因此，通氣和泄漏緩沖區可以表示為[(v＝{v)]1,v2,...,vn}和[(l＝{l)]1,l2,...,ln}，該通氣和泄漏緩沖區分別地通過下面的進程分析：(1)首先，通氣和泄漏協方差(cov)可用下面的方程式計算：(2)如果cov(v,l)≥0，那么該檢測器可設置cov(v,l)≥0。如果需要專注于負協方差(例如，(1)當通氣減少而泄漏增加時，其可視為持續嘴泄漏事件開始的指示，或(2)當通氣增加而泄漏減少，其可視為持續嘴泄漏事件結束的指示)，那么可以進行該步驟。因此，可以使用該步驟以忽視正協方差。(3)可選地，該協方差至也可乘以泄漏緩沖區的梯度的符號或正負號函數。這能區分泄漏事件的開始(泄漏增加)和結束(泄漏減少)。可選地，為了使算法運行時間減到最少，該梯度運算可簡化為僅僅用一些沿著泄漏緩沖區均勻間隔開的值(例如，10個點)估計。例如，所述梯度可用以下獲得：其中，t＝{1,2,...,10}。因此，在實施例中，最終的協方差特征值c可用下面的方程式確定：c＝sign(grad(l))×cov(v,l)然后該協方差特征可以隨時間而累積。例如，該協方差特征c值可隨時間加和或積分，從而形成累積協方差特征ac。例如，該處理器可將協方差特征c積分以確定隨時間變化的，協方差特征c代表的曲線下的面積。該步驟可用于使時間依賴性減到最少。例如，如圖6所示，該協方差特征c本身可能不會總是大的，但可以是中等的，并在一大段時間內可以維持。在圖6中，包括泄漏事件、通氣測量值v、瞬時測量值l、協方差特征c和累積的協方差特征ac的流量信號f的信號軌跡繪制在共同的時間軸上。在一些實施例中，累積協方差特征ac可以用如下的自動化進程計算：(1)以ac＝0的特征值開始；(2)對于確定的協方差特征c的每個值，用下面的方程式更新累積協方差特征ac：ac＝ac+tslow×c其中，tslow為乘數，該乘數使總和成比例從而保證在抽樣時間的變化不會改變特征值；(3)如果c末尾值為不同的符號或等于零，那么累積協方差特征ac在增加任何新的值之前重設為零。這樣，累積協方差特征ac的值在一個方向(例如，泄漏增加，或泄漏減少)追蹤持續協方差的大小。可選地，在一些實施例中，累積協方差信號可以基于各種另外的情況重設(例如，為零)。基本上，這是為了確保不利的影響，如面罩的裝配，壓力調節等，在泄漏檢測過程中依賴泄漏和通氣值之前，使泄漏和通氣值穩定。例如，在檢測器的一些實施例中，可以使用下面的情況。(a)末尾10次呼吸的5次具有閥類嘴泄漏。這樣的情況可視為長時間的vml事件已經引起通氣值顯著減少的指示，通氣值顯著地減少可以發生在嚴重的vml事件的情況下。基于ac信號的檢測器可將該事件錯誤地報告為cml事件而不是正確地報告為vml事件。這種情況可使這種假陽性減少。(b)當激活smartstart/stop特征時。smartstart是在裝置檢測到患者呼吸來自或進入面罩時，一種使呼吸治療裝置自動開始壓力治療的特征。smartstop使壓力治療在該設備檢測到患者移開面罩時自動停止。這些檢測可基于檢測面罩處的壓力的某些變化。在利用這些特征的事件中，當檢測到移開了面罩或當檢測到初次使用面罩時，ac信號可重設為零。這種ac信號調節可以使治療開始期間或治療接近停止時可能出現的泄漏或通氣值的劇增值無效。這可以通過估計流量數據以檢測特定時間段(例如，2分鐘)的“長呼吸”來檢測。可選地，該ac特征在使用開始時間段(例如，范圍為1至4分鐘的時間段，并優選呼吸時間約第一個二分鐘)可維持為零。(c)當泄漏達到特定水平當泄漏緩沖區的瞬時泄漏測量值的泄漏值超過一定的閾值(例如，超過1.5l/min)。累積協方差特征可以重設(例如，設置為零)。這種重要的泄漏值可以地檢測過程有不利影響，并且不可能為cml事件的指示。實際上，這種高度泄漏更可能為一些錯誤的指示而不是cml。因此，用于檢測cml事件的方法可基于累積協方差特征ac。這可能涉及ac特征與一個或多個閾值的一個或多個比較。在這點上，圖6的累積協方差ac信號軌跡可視為指示cml事件在時間t1開始并在時間t2停止。這些時間之差可視為cml事件的持續時間的測量值。在t1和t2為樣品數的情況下，該持續時間可以是采樣數。此外，累積協方差特征ac的大小可作為cml事件的當前狀態的數量詞。更進一步地，在給定的cml事件中，累積協方差特征ac的峰值，比如ac的負值峰或絕對值的峰，可作為量化特定的cml事件的測量值。通過進一步的例子，cml事件的量化可基于cml事件檢測和泄漏或瞬時泄漏的測量值。例如，在該cml事件的特定時間段中泄漏測量值可作為cml事件的數量的測量值。在一些實施例中，合并或合計從該事件的開始時間至該事件的停止時間的泄漏測量值可作為這樣的測量值。在實施例中，該累積協方差ac可用作cml事件檢測的算法的一部分，比如圖7的流程圖的檢測過程，從而確定是否具有持續嘴泄漏事件。在這樣的實施例中，變量(cml狀態)可設置為基于累積協方差ac特征指示cml事件是否發生。該進程可循環用于確定累積協方差ac特征的每個新的值。在圖7中，760處，檢測過程確定cml狀態變量的當前狀態。如果該cml狀態變量為開(即，cml事件在進行中)，那么流程前進到774。如果cml狀態為關(即，cml事件不在進行中)，那么流程前進到762.在762，該ac特征與預定閾值比較，所述預定閾值基于來自一個或多個患者的已知數據比如通過機械學習過程根據經驗確定。例如，如果累積協方差ac低于開始閾值(例如，-0.19l2/s2)，進程可流動到764。如果不是，進程可流動到772，在772，cml狀態變量沒有發生狀態變化，并且該進程能以下一個ac值重新開始。可選地，該開始閾值可在約-0.001l2/s2至約-2.0l2/s2的范圍內，比如約-0.133l2/s2。可選地，在764，可檢查呼吸矢量以確定當前呼吸是否為長時間呼吸，比如超過分鐘或秒的順序的時間段(例如，從約100至140秒的范圍，但優選120秒)的呼吸。如果當前呼吸為“長”呼吸，那么進程可以流動至772，在772，cml狀態變量沒有發生狀態變化，并且圖7的整個進程能以下一個ac值重新開始。可選地，在766，可以檢查計時器以確定自末尾長呼吸后是否已經流逝一段時間，這將使緩沖區得到填補，并且使系統能再次正常運行。可選地，該時間段可與定義長呼吸的時段相同或大約相同。例如，該時段可為從約100至140秒的范圍，但優選120秒。該計時器將典型地以每次檢測到的長呼吸結束的檢測為開始。如果時間段已經流逝，那么流程前進至768。如果該時間段沒有流逝，進程可以流動至772，在772，cml狀態變量沒有發生狀態變化，并且圖7的整個進程能以下一個ac值重新開始。可選地，在768，檢查先前事件的數據以確定一些之前的呼吸是否具有檢測到的閥類泄漏(vml)事件。例如，前面幾次緊鄰的呼吸中(例如，5至15的范圍，但優選10)，這些呼吸中的一些(例如，半次或更少，比如5次)是否具有vml事件。如果有這樣的事件，流程前進至770，在770，cml狀態變量設置為開，以指示檢測到的cml事件的開始或存在。如果沒有這樣的事件，那么進程可流動到772，在772，cml狀態變量沒有發生狀態變化，并且圖7的整個進程能以下一個ac值重新開始。在774，作為對760查詢積極響應的結果，累積協方差特征ac與另一預定閾值比較，該預定閾值可能與762的開始閾值相同或不同。在這點上，774處的所述閾值可視為停止閾值，該停止閾值可相似地通過經驗實驗或分析確定。在774的比較的例子中，如果ac特征不高于停止閾值(例如，0.1l2/s2)，那么流程前進至776。如果ac特征高于停止閾值，進程流動至780，在780，cml狀態變量發生狀態改變，將該變量設置為關，從而指示cml事件結束。可選地，該停止閾值可在約0.001l2/s2至約2.0l2/s2的范圍內，比如約+0.05l2/s2。其后，圖7的整個進程能以下一個ac值重新開始。在776，檢查通氣以確定通氣測量值是否已經恢復或未恢復至其前clm檢測值。該確定可以基于通氣緩沖區的值和在cml事件檢測開始時設置的之前記錄的通氣值，比如在770設置這樣的通氣閾值。例如，在776，如果該通氣未恢復至其在當前cml事件開始之時或之前的數量，流程前進至778。如果通氣已經恢復，進程流動至780，在780，cml狀態變量發生狀態改變，將該變量設置為關，從而指示cml事件結束。其后，圖7的整個進程能以下一個ac值重新開始。在778，檢測器確定泄漏的測量值是否已經恢復至其當檢測前cml事件之前的水平或數量。該確定可以基于泄漏緩沖區的值和之前記錄的泄漏值，之前記錄的泄漏值在cml事件檢測的開始時設置，比如通過在770設置這樣的泄漏閾值。例如，在778，如果該泄漏已經恢復至其當前cml事件開始之前的數量，流程前進至772。在772，cml狀態變量不發生狀態變化，并且圖7的整個進程能以下一個ac值重新開始。但是，在778，如果泄漏已經恢復，進程流動至780，在780，cml狀態變量發生狀態改變，將該變量設置為關，從而指示cml事件結束。其后，圖7的整個進程能以下一個ac值重新開始。以在泄漏檢測器102的處理器中使用這樣的進程，可以檢測cml事件。但是，在該實施例中，假陰性優于假陽性。為此，檢測持續嘴泄漏cml事件開始的標準比檢測cml事件結束的標準更嚴格。在該實施例中，如之前提及，長呼吸的測量值的檢驗可確保比如通氣和泄漏劇增的事件在以下情況下發生：(a)當第一次開始該治療設備時；(b)當面罩被放置在患者臉上之前開始該治療設備時；或(c)由于其它延長現象，不被錯誤地分類為cml事件。以在776和778之前記錄的起始值檢驗泄漏和/或通氣測量值能確保即使在不利狀況下，也可以檢測到cml事件的結束。例如，在有些情況下，cml事件可能繼續從而隱藏泄漏，并且可能不具有穩定的協方差，然而，所描述的檢測器進程依然可預示cml結束。在一些實施例中，可以基于770處的進程而記錄泄漏和通氣的起始值。但是該起始值也可以指的是在以這樣的時刻檢測到的相關時段為開始的時間上一致的通氣和泄漏值：剛好在檢測到當前cml事件開始之前檢測到協方差特征c的符號最后改變時。在一些實施例中，776和778進程的閾值比較可以涉及泄漏和通氣的起始值以及通氣和泄漏緩沖區的平均值，例如，起始泄漏可以與泄漏緩沖區的泄漏值的平均泄漏值比較，而起始通氣可以與通氣緩沖區的通氣值的平均通氣值比較。例如，如果該通氣緩沖區的平均值比起始通氣值更大，該檢測器可以預示該cml事件已經結束。此外，如果泄漏緩沖區的平均值比起始泄漏更小，該檢測器可以預示該cml事件已經結束。在一些實施例中，如768的進程所使用，核對閥類嘴泄漏事件的前面若干緊鄰的呼吸(例如，在最后5-15次呼吸的范圍內的若干呼吸，比如優選10次)可能是可取的。在嚴重的情況下，延長的vml事件可引起通氣顯著減少，這可能反而被檢測為cml事件。但是，768的進程可減少該問題。圖7a描述了基于累積協方差ac檢測cml的另一實施例。該進程的該方法與圖7的進程是可比較的。但是，省略了圖7的764處的長呼吸核對，766處長呼吸流逝的核對和768處的最后幾次呼吸的核對。此外，圖7a在769增加了另外的可選的核對。在769，檢測通氣測量值從而確定其是否已經下降至低于一定的量，比如，通過使該其與閾值比較。所述閾值與起始通氣值相關。因此，當在760檢測到潛在的cml事件開始時，進程前進至769從而確定通氣是否已經充分下降，比如下降量低于760處的核對之前的通氣百分數(例如，約85％)。在一些情況下，巨大的面罩泄漏和微小的通氣變化可能具有穩定的協方差，但不會是真實的持續嘴泄漏事件的結果。微小的通氣變化可能與患者的呼吸方式有關。因此，如果通氣沒有充分變化，該核對可用于防止cml事件的假陽性指示。在此雖然沒有展示，但這種核對也能可選地用于圖7的進程的例子中。與圖6類似，圖6a展示了與cml事件的檢測相關的信號軌跡的另外的圖。但是，在該版本中，描述了另外的信號，其可以代表cml狀態變量的狀況(圖6a表示為cml-s)，該狀況可以通過之前所述的任何方法設置。流量信號f，cml狀態信號cml-s，泄漏信號l，通氣信號v，協方差信號c和累積協方差信號ac也繪制在共同的時間軸上。該cml事件描述為發生在時間出現t1和時間出現t2之間的時段。如圖6a所示，cml事件開端的真實時間和其檢測之間可能會有延遲。這樣的延遲可能由于協方差的處理，并特別是可能由于在一些實施例中使用的協方差緩沖區的時間長度。為了補償這種延遲，該檢測器的一些版本可以使用協方差時間延遲(cov延遲)，該協方差時間延遲可作為用于將cml狀態變量設置為非檢測狀態的另外的條件，或可能用于檢測cml事件的時間。該延遲如圖6a所示。在該圖中，點d1(當cml事件在時間出現t1真正開始時)和點d2(當該檢測器在時間出現t1-d初次檢測到該事件時)之間描述了該延遲。該cov延遲時間以線d1--d2的時間段表示。因此，在一些實施例中，檢測到的事件的時間段的確定可通過與檢測的時間延遲(例如，t1-d減去t1)相關的延遲時間調節。例如，該時間可能增加至該事件的結束t2處名從而檢測該事件的總時間。可選擇地，設置cml狀態變量為關(例如，圖7a的過程780)的方法能以這樣的計時器的運轉為條件：在cml狀態變量設置為關(在時間出現t2-d)之前，具有cov延遲的流逝時間段。例如，該計時器可在圖7a的進入進程780后開始運轉，并且當該計時器已經過cov延遲時間段時，該cml狀態變量可設置為關。b.vml泄漏事件檢測實施例用于檢測vml類泄漏事件的方法的例子可參見圖8和9。在一些實施例中，這樣的進程可分析來自患者流量信號的數據從而檢測尖銳的負值峰，比如在呼氣期間的，可以視為代表典型的閥類嘴泄漏的負值峰。在這樣一個實施例中，該進程可以測量在呼氣期間患者流量低于選定的截止流量水平的持續時間。如果該持續時間被認為非常短，那么，可以認為這是很可能發生閥類嘴泄漏的尖銳的負值峰。例如，如圖8所示，在這樣一個實施例中，在880，檢測器的處理器可確定第一出現和第二出現，所述第一出現與呼吸中低于閾值的流量測量值相關，所述第二出現與在該呼吸中高于閾值的流量測量值相關。在882，該處理器可分析與第一和第二流量出現相關的持續時間。在884，該處理器可基于分析識別泄漏事件。這樣的過程可基于之前所述的流量緩沖區，該流量緩沖區包含來自流傳感器的數據和來自過濾的流量信號的可參考數據。該緩沖區的數據可代表一次完整呼吸。因此，此處的vml檢測過程可在表示一次完整呼吸的數據的基礎上逐次呼吸地進行。來自檢測過程的輸出可被認為是vml狀態變量，該vml狀態變量指示分析的呼吸是否包含閥類嘴泄漏事件。因此，在該實施例中，檢測器處理來自具體呼吸的患者流量信號的數據并確定在該呼吸中是否存在vml事件。這樣的過程可參見圖9的流量信號軌跡的圖。在圖9的患者流量軌跡f中，呼吸b具有閥類嘴泄漏。在該進程中，在檢測閥類泄漏中可參考在比正常呼吸nb的流量小的具體流量下消耗的時間。在該vml檢測過程的實施例中可使用下面的計算：(1)確定qcutoff的值，該值為預定流量的預定比例，該預定流量在具體呼吸的最小流量qmin和峰值流量992或最大流量qmax之間。例如，這個比例可代表具體呼吸的最大流量qmax的分數或百分數。該百分數可在約5％-30％的范圍內，但優選約17％比如17.5％；(2)確定呼吸中流量初次低于qcutoff的點994-a的出現；(3)確定在相同的呼吸中流量恢復至高于qcutoff的點994-b的下一次出現；(4)確定點994-a和994-b之間的持續時間(例如：時間，或樣品數)。例如，時間的持續時間可通過獲得時間t1和t2(如，分別與點994-a和994-b相關的圖9的示意圖所示)并從t2中減去t1而確定。可選擇地，該樣品數可用作持續時間而不用實際換算為時間的測量值，比如通過計算t1和t2之間的樣品的數量；(5)比較確定的持續時間與閾值。例如，如果閾值在很短的時間內，比較持續時間和時間閾值，該時間閾值可由一個或多個患者的已知數據通過經驗確定，比如通過機械學習。例如，合適的時間閾值可以為在0.05至0.4秒的范圍內，比如0.14或0.18，或約0.3s。可選擇地，基于樣品數的持續時間可與代表預定樣品數的閾值比較；(6)基于比較設置vml狀態變量。例如，如果持續時間低于閾值，該vml狀態變量可設置為開，從而指示在該呼吸中檢測vml事件；否則，該vml變量可設置為關，從而指示在該呼吸中沒有檢測到vml事件。這種事件的數量和計時可在治療時期中記分。可選地，可獲得呼吸中具體vml事件的確定的持續時間，并以量化具體的vml事件的重要性的測量值報告。c.進一步的實施例本技術的進一步的例子可參見圖10至17的實施例的圖，該實施例也可進行cml和/或vml事件檢測。在該實施例中，持續嘴泄漏的確定，比如通過進程算法，可能基于通氣信號和泄漏信號。在該實施例中，如果通氣減少同時泄漏增加，這預示cml開始。同樣，通氣增加伴隨泄漏減少指示cml結束。圖10描述了在cml時段中捕捉的，一個典型時期的數據。典型地，在該時段持續的空氣流進入嘴中并且表面通氣將減少，而通過流發生器檢測到的泄漏將增加。圖10包含在共同時間刻度上的信號圖，該信號圖包括總流量信號(tfs)，所述總流量信號為原始的鼓風機流量信號，比如來自流傳感器。同樣展示了患者流量信號(pfs)，所述患者流量信號為從總流量信號中減去瞬時泄漏信號和排氣流量信號而獲得的信號。盡管可以使用任何泄漏測量值(參見美國專利號6,659,101)，在該具體實施例中，瞬時泄漏信號(ils)可以為通過當前壓力修正的面罩平均流量。這種瞬時信號的概念可將時間的當前瞬間認為是當前瞬間泄漏。該通氣信號(vs)可以是通過低通過濾患者流量計算的分鐘通氣(例如，3分鐘)。在此更詳細地論述了數據的處理以產生這些信號。在該實施例中，閥嘴泄漏的確定，比如通過過程算法，可以基于患者流量信號。例如，通過檢測閥類嘴泄漏的典型的尖銳的負值峰。在這樣的情況下，一種算法可測量呼氣期間患者流量低于截止流量水平的(在每次呼吸中)持續時間。如果該持續時間非常短，可以看作是尖銳的負值峰并且可能發生vml。圖11描述了閥類嘴泄漏的一段時間中捕捉的，一個典型時期的數據。早期呼氣中，尖銳的負值峰也被稱為“閥類”效應，其發生在早期呼氣嘴打開時。在圖11中所示的總流量信號，患者流量信號，瞬時泄漏信號和通氣信號與圖10的信號是可比較的。(1)進程概述圖12為嘴泄漏檢測進程算法的例子的高水平概述圖。該算法可具有3個信號輸入：來自患者流量信號進程1210的患者流量信號，來自通氣信號進程1214的通氣信號和來自瞬時泄漏信號進程1212的瞬時泄漏信號。嘴泄漏模塊進程1216用這些輸入進行計算，然后報告嘴泄漏狀況信息1218，比如指示嘴泄漏的二進制真/假輸出。該實施例的輸入1210，1212和1214中涉及的進程可如下：1.患者流量或患者流量信號：這可以是呼吸流量信號并且可以是來自流傳感器的過濾測量值(在1210)；2.通氣流量或通氣流量信號-這可以在1214計算或確定為設置的時間段(例如3分鐘)中患者流量信號的絕對值的積分值的一半。三分鐘通氣信號可以是3分鐘或180秒中患者流量信號的積分值；3.瞬時泄漏或瞬時泄漏信號：這可以通過下面的進程在1212計算或確定：-通過獲得總流量并減去排氣流量或排氣流量信號計算面罩流量或面罩流量信號(該排氣流量可以是通過用于氣道正壓治療的排氣面罩的排氣口的流量)。-通過低通過濾具有恒定或可變的時間常數的面罩流量計算面罩平均流量。(這可以認為是面罩流量信號的有效的“dc”組分或平均值。)-通過用當前面罩壓力求平方根，然后用具有恒定或可變時間常數的低通過濾器過濾該平方根，計算均方根面罩壓力。面罩壓力可以是從壓力傳感器測得的壓力，比如位于呼吸治療裝置的流發生器的壓力傳感器，該壓力傳感器用于調節由于在輸送壓力治療，比如氣道正壓(pap)中使用的特定軟管和面罩造成的壓力損失。-當前面罩壓力的平方根除以均方根面罩壓力，再乘以平均面罩流量，從而計算出瞬時泄漏。可選擇地，可用最初計算出的平均泄漏而不是使用瞬時泄漏計算所述的嘴泄漏。(b)嘴泄漏模塊進程實施例1216處的嘴泄漏模塊進程可進一步參見圖13的示意圖。1216處的模塊劃分為4個子模塊部分或子進程部分，該子模塊部分或子進程部分包括1322處緩沖進程，1324處的vml特征計算進程，1326處的cml特征計算進程和1328處的嘴泄漏分類進程。1322處的緩沖區進程可基于分別在1210至1214的患者流量進程，瞬時泄漏進程或通氣進程產生的數據更新緩沖區1322。因此，該進程的輸入可以包括代表患者流量，通氣和泄漏的信號。來自該進程的輸出可以包括泄漏緩沖區，通氣緩沖區，患者流量緩沖區。該泄漏和通氣緩沖區可用于維持近期數據記錄，比如記錄的值的最后若干秒(例如，約120秒)。該輸入信號可能被抽樣，比如，以大約0.5hz的頻率，從而產生緩沖區。例如，來自每個輸入信號的最新樣品可每2秒增加至分別的緩沖區，并且因為僅可使用粗略的趨勢，最舊的樣品可移除。也可以使用其它樣品比率。該患者流量緩沖區可以是來自患者流量的環形緩沖區并且可包括當前呼吸的流量。呼吸暫停，呼吸功能不全或rera的出現可引起呼吸信號的波動，這可能與嘴泄漏事件的出現混淆。因為這，在一些實施例中，該緩沖區的填充可受限于或基于呼吸暫停，呼吸功能不全和/或呼吸相關覺醒(rera)事件癥狀的檢測。例如，如果呼吸事件比如呼吸暫停，呼吸功能不全或rera發生，那么在一段時間比如180秒，在使用3分鐘通氣信號的事件中，樣品不可以加入通氣或泄漏緩沖區，之前所述的。此外，在該呼吸暫停，呼吸功能不全或rera事件中，所述嘴泄漏(ml)狀況在該事件中和在與通氣緩沖區的時間常數可相比的一段時間可設置為假。1326處的cml特征計算進程該模塊的進程可計算指示持續嘴泄漏存在的特征，比如在此更詳細描述的修正協方差特征和/或協方差總和特征。這可以基于包括通氣緩沖區和/或泄漏緩沖區的輸入數據。該輸出可包括修正協方差信號和/或協方差總和信號。如在此更詳細的描述，可以確定該修正協方差和協方差總和。如之前所述，分別以[(v＝{v)]1,v2,...,vn}和[(l＝{l)]1,l2,...,ln}表示通氣和泄漏緩沖區，該協方差可以用下面等式計算：該協方差可乘以泄漏緩沖區(l)的梯度符號，從而區別嘴泄漏片段的開始(泄漏增加)和結束(泄漏減少)。該梯度可根據以下確定：其中：l為泄漏緩沖區；li為ith泄漏值；為泄漏緩沖區的平均值；t為計算梯度的區間(ti＝1,2,...,n)；并且為區間t的平均值。“修正”協方差值(modifiedcov)可通過下面的公式確定：modifiedcov＝sign(grad(l))×cov(v,l)最后，通過下面的等式對修正協方差(cov)信號求和計算協方差總和(covsum)。如果協方差(cov)從正數轉變為負數或從負數轉變為正數，那么在繼續求和之前該協方差設置為0。covsumi＝modifiedcovi×tslow+covsumi-1其中：covsumi為時間的當前瞬間的協方差總和；covsumi-1為時間的前一瞬間的協方差總和；modifiedcovi為時間的當前瞬間的修正協方差；以及tslow可以為想要的常數，比如值為2.圖14展示了代表這些cml特征的信號。這些信號基于持續嘴泄漏時段的患者流量信號(“pfs”)計算。如所述，如果瞬時泄漏信號(“ils”)和通氣信號(“vs”)同時反向移動，修正協方差信號(圖14中標記為“c”)將變成負值，而如果信號同時同向移動，那么其將變成正值。因此，該協方差信號在嘴泄漏片段開始時和嘴泄漏結束時將變成負值。為了區分嘴泄漏的開始和結束，將該協方差信號乘以泄漏緩沖區的梯度符號(在嘴泄漏開始時梯度符號將為正值，并且在嘴泄漏事件結束時為負值，因此，在嘴泄漏開始時修正協方差信號將為負值，并且在嘴泄漏事件結束時為正值)。在圖14中該協方差總和信號標記為信號“cs”。1324處的vml特征計算進程該模塊的進程評估一次呼吸中患者流量信號，從而確定在該呼吸中是否存在vml事件。在圖15所示的患者流量信號軌跡中，對于帶有vml(左邊所示)的呼吸，在流量qcutoff下消耗的時間比正常呼吸(如右邊所示)消耗的時間少。在該例子中，該模塊的輸入可為患者流量緩沖區，并且輸出特征可以是指示vml的信號，在此，以vml水平表示。該特征可通過下面的方法確定。-計算總呼氣面積。如圖15所示，用圓圈突出的面積與用條紋突出的面積相加。一般地，qcutoff下的面積為帶圓圈的面積。-計算qcutoff下的面積(用圓圈突出的面積)-通過qcutoff下的面積除以總呼氣面積計算vml比率(例如，圖15帶圓圈的面積除以帶圓圈的面積和帶條紋的面積的總和)；-如果vml比率低于預設成值為0.2的vml閾值，增加1至vml緩沖區。否則增加0至vml緩沖區；-如果vml緩沖區的總和大于想要的閾值比如2，將vml水平設置為2；-如果vml緩沖區的總和大于0并且小于或等于2，將vml水平設置為1；-如果vml緩沖區的總和等于0，那么將vml水平設置為0.雖然該實施例的方法通過計算qcutoff下的面積和總呼氣面積的比率預測vml的存在，但也可以使用其它方法，比如基于圖16所示的方法。圖16展示了呼吸的患者呼氣流量部分。在該實施例中，vml指示可通過計算一個或多個時間比率獲得。例如，為此目的，可評估比率的大小，比如t1/(t1+t2+t3)，(t1+t2+t3)/(t1+t2+t3+t4)，和/或(t2+t3)/(t1+t2+t3+t4)。這些比率可指示峰和/或相對狹窄的峰的相對尖銳上升(下降)，從而提供vml指示。1328處的嘴泄漏分類進程該模塊將嘴泄漏狀況分類。用于該模塊的輸入包括修正協方差和協方差總和(來自1326)以及vml水平(來自1324)。該輸出可以是當前ml狀況，當前ml狀況可以是指示嘴泄漏狀況或存在為真或假的標志或“ml”標志。圖17或圖17a描述了用于該模塊進程的流程圖的例子。以下ml分類表中概述的規則可用于將ml狀況分類。在該實施例中，該規則設計為：只用當cml標志為真并且有很少或沒有vml時(即，vml水平低于或等于1)，ml狀況為真。因此ml狀況變量可認為是本質上是連續的，并且基于排除了潛在閥類嘴泄漏事件的假設的嘴泄漏事件的指示。盡管ml狀況變量可能作為輸出報告給用戶，并不一定需要報告該vml水平本身，因為其的臨床意義可能有限。但是，ml狀況變量也可以對流發生器的算法的控制功能是有用的，所示流發生器可以基于嘴泄漏檢測。因此，ml狀況變量可用作控制輸入，比如用于呼吸治療裝置的壓力治療控制的輸入。ml分類表cml標志＝真cml標志＝假vml水平＝0ml狀況＝真ml標志＝假vml水平＝1ml狀況＝真ml標志＝假vml水平＝2ml狀況＝真ml標志＝假因此，該模塊也可以計算ml標志的設置中評估的cml標志。該cml標志是持續嘴泄漏的代表。用于設置cml標志和ml狀況的進程的實施例可結合圖17的流程圖進一步考慮。在1701，決定當前修正協方差是否為負值。如果是，那么進程前進至1703。如果不是，那么進程前進至1702。在1702，如果該cml標志當前設置為真，那么前進至1704。否則，該cml標志設置為假，那么該進程將前進至1710。在1703，如果處于時間的前一瞬間，修正協方差標志設置為正值的，結束ml計數器變量將重置為0，并且開始ml計數器變量將設置為1(因為這是新的嘴泄漏“可能”時段的開始)并且進程將前進至1701。該結束ml計數器變量用于追蹤嘴泄漏事件的結束。該進程會等待一定的時間流逝(例如，該計數器將需要達到一定的閾值)，然后僅設置cml假標志。這可有助于確保該進程不會錯誤地終止嘴泄漏事件的檢測。該開始ml計數器變量可用于追蹤嘴泄漏事件的開始。該進程會等待一定的時間流逝(例如，計數器達到一定的閾值)，然后僅設置cml真標志。這可確保該進程不會錯誤地識別嘴泄漏事件。嘴泄漏“可能”時段為進程啟動該開始嘴泄漏檢測計數器，但不設置cml真標志，因為該計數器不符合必要的閾值，并且太早決定真實的嘴泄漏時段是否已經發生。否則，在1703，如果處于時間的前一瞬間，該修正協方差標志設置為負值并且系統已經處于嘴泄漏“可能”時段，該進程將繼續從而使開始ml計數器變量增值并且該進程將前進至1705。在1704，如果處于時間的前一瞬間，修正協方差標志設置為正值，開始ml計數器變量將重置為0并且結束ml計數器變量將設置為1(因為這是嘴泄漏“可能”結束時段的開始)，并且該進程將前進至1701。嘴泄漏“可能”結束時段為這樣的時間，在該時間，進程啟動結束嘴泄漏計數器，但不設置cml假標志，因為該計數器不符合必要的閾值并且太早決定所述嘴泄漏時段是否真正結束。否則，在1704，如果處于時間的前一瞬間，該修正協方差標志設置為正值并且系統已經處于嘴泄漏“可能”結束時段，那么繼續使結束ml計數器變量增值并且前進至1706。在1705，如果開始ml計數器變量高于閾值，那么進程將前進至1707。否則在1705，該進程將前進至1710。在這瞬間，該閾值可為任何想要的預設值(例如，30)。這樣的值可預示嘴泄漏“可能”時段已經足夠長并且確實已經發生嘴泄漏事件。在1706，如果結束ml計數器變量高于閾值，該進程將前進至1709。否則，該進程前進至1710。在該瞬間，所述閾值可為任何想要的預設值(例如，30)。這樣的值可預示嘴泄漏“可能”結束時段已經足夠長并且嘴泄漏事件確實剛剛已經結束。在1707，核對該協方差總和。如果其低于閾值，該進程將前進至1708。否則，該進程前進至1701。在該核對中，該閾值用于估計該協方差總和是否足夠小以保證嘴泄漏時段。這是為了確保通氣和泄漏具有足夠明顯的變化以便將嘴泄漏時段劃分為真。該閾值可為任何合適的預設值(例如，-0.125)。在1708，cml標志變量設置為真，并且該進程前進至1711。在1709，該cml標志變量設置為假，并且該進程前進至1714。在1710，該進程不改變cml標志并且該進程前進至1701。在1711，核對vml水平變量。如果該變量低，那么進程前進至1712。否則，在1711，如果該變量不低，那么該進程前進至1714。如果有很少或沒有閥類嘴泄漏，那么該vml水平被認為“低”。一個或多個閾值可用于“低”核對。例如，在本實施例中，如果該vml水平變量為1或0，那么其被認為“低”。如果該vml水平變量為2，那么其被認為足夠高從而不劃分為嘴泄漏。在1712，可以核對一些另外的情況。例如，可以評估下面2個情況a和b(如下所述)并且如果其中一個為真，那么該進程返回真并且前進至1714。否則在1712，該進程將前進至1713。在1712這種核對中，這兩個情況(情況a和情況b)可以如下：情況a：如果當前通氣值大于開始通氣值的閾值(例如，約95％)并且在通氣緩沖區的最舊通氣值大于開始通氣，那么返回真。情況b:如果當前泄漏值低于開始泄漏值的閾值(例如，約105％)并且在泄漏緩沖區的最舊值大于開始泄漏值，那么返回真。在1713，該進程將ml狀況標志變量設置為真并前進至1701。在1714，該進程將ml狀況變量設置為假并前進至1701。在cml標志和ml狀況標志的設置中涉及的進程的另一實施例可結合圖17a的流程圖的例子考慮。圖17a的進程與圖17的進程是可比較的。但是，1816處的另外的核對可用于圖17a的版本中。在該實施例中，由于1706處的閾值比較，如果結束ml計數器高于該閾值，那么該進程前進至1816。在1816，核對協方差總和，比如通過將其與閾值比較。如果該協方差總和高于該閾值，那么進程前進至1709.但是，如果該協方差總和不高于該閾值，那么進程前進至1710。1816處協方差總和的核對可代表嘴泄漏事件是否已經結束的確定。如果該協方差總和足夠大，那么其被視為嘴泄漏事件已經結束的指示。用于該核對的閾值可以是任何合適的預設值(例如，0.125)。d泄漏嚴重性分析實施例除了通過先前方法確定的泄漏事件相關數據，比如該vml持續時間和cml持續時間已經這些事件的總數，泄漏嚴重性的聯合測量值可以基于數個量化不同類型的泄漏事件的測量值的檢測。例如，這樣的測量值可以是泄漏嚴重性指數，用戶或內科醫生能通過該檢測器確定、記錄和/或報告該泄漏嚴重性指數。在一個能夠可選地使用模糊邏輯分析的實施例中，單個泄漏嚴重性指數在cml和vml持續時間的基礎上確定。也可以提供關于嚴重性的文本信息(例如，“高”，“非常高”，“低”等等)。在這樣的實施例中，在例如治療時期或睡眠時期，可對cml事件的持續時間求和，從而提供cml事件的總持續時間。類似地，可對vml事件的持續時間求和從而提供vml事件的總持續時間。這些持續時間可轉換為在檢測到泄漏事件或利用該治療裝置期間總治療時間或睡眠時期的比例。例如，如果多個cml事件占八小時睡眠時期中的四個小時，那么cml持續時間可以表示為50％。在一些實施例中，治療時期的總時間能可選地代表多個時期。在模糊邏輯的實例中，處理器可以將檢測到的不同的泄漏事件的持續時間(例如，cml事件的百分比持續時間(lc)和vml時間的百分比持續時間(lv))處理成模糊集合。在這點上，圖18和19描述了隸屬函數。對于圖18和19中分別展示的lv和lc兩者，其有4個“模糊集合”或類別標記為如下：低，中等，高，以及非常高。lv和lc的任何測量結果可屬于這些集合中的任何一個，或可以部分在兩個集合中。例如，lv測量結果20％可認為大約在高和非常高之間，并且將部分地落入兩個類別中。某些測量結果屬于某些集合或類別的程度由模糊集合的隸屬函數表示。因此，每個函數的輸出是0和1之間的值。在這點上，雖然其它函數是可能的，但在該實例中，每個隸屬函數是不對稱的，并且包括(a)隸屬值等于1的區間；(b)隸屬值等于0的區間；以及(c)線性分段的連續段之間。表a中定義了函數表a在該實例中，也有5個輸出集合，其可標記為：非常低，低，中等，高和非常高。圖20描述了這些集合的隸屬函數。在該實施例中，每個輸出隸屬函數是對稱的，并且包括(a)隸屬值等于1的單個點；(b)隸屬值等于0的區間；以及(c)線性分段的連續段之間。表b定義了這些函數表b為了將輸入繪制成輸出，可能有如下若干規則：規則1-低lc和低lv輸出非常低；規則2-低lc和非常高lv輸出中等；[...]規則16-非常高lc和非常高lv輸出非常高；這些規則可用于定義用于確定輸入集合的哪個組合導向哪個輸出集合的規則表。表c中總結了這種規則表。表c下面的模糊邏輯函數可以應用于確定輸出指數。一般說來，可以假設對于任何變量x，集合a的隸屬度用μa(x)表示，而對于任何變量y，集合b中的隸屬度用μb(y)表示。基于上面。可以評定下面的邏輯函數。模糊與xandy＝min(μa(x),μb(y))模糊或xory＝max(μa(x),μb(y))模糊非notx＝1-μa(x)基于模糊規則的分類能以這些模糊邏輯函數進行。一般地，用于cml持續時間(例如，占總時期的百分比)和vml持續時間(例如，占總時期的百分比)的變量可分別用xc和xv表示，模糊集合設置為ac和av，并且輸出變量可用y～[0,1]，模糊集合b表示。同樣，每個這些持續時間的測量值可用lc和lv表示。基于所有16條規則的貢獻，該檢測器的進程可根據總輸出隸屬函數μtot(y)產生嚴重性指數。為此，每條規則的貢獻可表示為：每個貢獻可與模糊與結合從而獲得最終的輸出隸屬函數。最后，這些隸屬函數的重心可用于確定適合用作嚴重性指數的最終輸出值(例如，包含在0和1之間的值)。d結構實施例圖21的方框圖中描述了執行泄漏檢測器102的控制器的系統結構的實施例。在該圖中，泄漏檢測設備2101或通用計算機可以包括一個或多個處理器2108。該設備還可包括顯示界面2110，從而，比如在顯示器或液晶面板輸出泄漏檢測報告(例如，泄漏總數和/或嚴重性測量值，比如圖1所示的數據)，結果或圖(例如，圖6或9所示的任何信號軌跡)，如在此描述。也可提供用戶控制/輸入界面2112，例如，鍵盤，觸摸屏，控制按鈕，鼠標等，以激活在此描述的方法。該設備還可包括傳感器或數據界面2114，比如信息通路，用于接收/發送數據，如編程指令、流量數據、泄漏檢測數據、泄漏相關數據等等。該設備通常還可以包括存儲器/數據存儲組件，所述存儲器/數據存儲組件包括上述方法的控制指令存儲。在2122，這些可包括,流量信號處理的處理器控制指令(例如，預處理方法，過濾器，緩沖器，瞬時泄漏測量值，通氣測量值等)，如在此更詳細的描述。在2124，它們也可包括用于泄漏測量的處理器控制指令(例如，cml檢測，vml檢測，協方差計算，累積協方差計算，截止點計算，嚴重性指數確定等等)。在2126，它們也可包括基于泄漏檢測的治療控制的處理器控制指令。最后，它們也可以包括用于這些方法的存儲數據2128，比如檢測到的泄漏事件、持續嘴泄漏、閥類嘴泄漏、事件持續時間、事件出現時間、事件總數、百分數、截止點、峰、最大流量、協方差數據、累積協方差數據、嚴重性指數、時間持續時間、總持續時間、閾值、報告和圖等等。在一些實施例中，用于控制上述方法的處理器控制指令和數據可以包含在計算機可讀記錄介質中，比如通用計算機使用的軟件，這樣，根據在此描述的任何方法將該軟件下載至通用計算機后，通用計算機可作為專用計算機使用。e壓力處理控制進程如之前所述，上述方法的一些實施例可通過呼吸治療裝置用于壓力治療比如氣道正壓控制中。這樣一個實施例在圖22和23中有描述。這樣的實施例可以包括嘴泄漏壓力控制進程模塊2228，比如嘴泄漏關閉環模塊，該嘴泄漏壓力控制進程模塊2228基于嘴泄漏檢測輸出信號控制壓力設置值，如圖22所示。在這樣的實施例中，該控制器可以伺服控制壓力隨檢測到的泄漏信號變化，從而減少或消除泄漏檢測模塊的輸出信號代表的泄漏。例如，在圖22的實施例中，該模塊可用于產生信號從而基于當前嘴泄漏(ml)狀況發布治療壓力的變化。在一些實施例中，如果之前所述的ml狀況變量為真，那么可以調節壓力設置值。為了消除ml狀況變量代表的泄漏事件，可以增加或減少該壓力設置值。在控制這種壓力變化中，壓力控制進程模塊2228可接收各種輸入信號。例如，嘴泄漏檢測進程2222可產生泄漏檢測信號，比如，如之前所述，可代表持續嘴泄漏檢測的嘴泄漏狀況變量。可選地，患者流量緩沖區進程2224模塊，比如，如之前所述，產生患者流量緩沖區的進程組件，可用患者近期流量數據給壓力控制進程模塊2228提供更新的緩沖區。類似地，面罩壓力進程模塊2226可產生指示用于壓力控制進程模塊2228的面罩壓力的信號。例如，從面罩中的壓力傳感器或流發生器測得的壓力信號可提供合適的信號。該信號可以過濾并且其可調節為用于任何可歸因于患者界面的壓力下降的數目，然后提供給壓力控制進程模塊2226。壓力控制進程模塊2228的方法可基于當前ml(嘴泄漏)狀況變量。如果該模塊檢測到嘴泄漏狀況變量為真(例如，檢測到持續嘴泄漏事件)，那么進行可能性計算。這樣的可能性可被認為是泄漏調節可能性。例如，這樣的可能性可以用ml閉環可能性變量實施。該可能性可以是這樣的方向的測量值：在該方向，應該改變當前治療壓力以響應ml狀況變量(例如，如果ml狀況為真，為了消除相關泄漏事件，壓力應該增加還是降低？)。例如，如果該可能性大于一些閾值(例如，0.5)，那么將會公布壓力上升。如果該可能性小于一些閾值(例如，0.5)，那么將會公布壓力下降。在一個實施例中，ml閉環可能性可以隨當前患者流量緩沖區的變化而計算。如之前所述，該緩沖區可包括用于近期呼吸(例如，一個呼吸循環)的流量，并可以認為是“呼吸輪廓”。該可能性可以用呼吸輪廓的特征計算，比如，其形狀，潮氣量，吸氣時間等等，這些特征可以指示壓力過低或過高。可選地，如果計算出的可能性大于閾值(例如，約0.5)，那么可以公布壓力上升控制信號，比如具有恒定速率(例如，0.5cmh20/秒的速率)的壓力。可選地，該速率也可以隨當前泄漏信號的大小(例如，量化檢測到的，觸發ml狀況變量設置的持續嘴泄漏的程度的值)和/或可能性本身而變化。如果該可能性小于閾值(例如，約0.5)，那么能以恒定速率(例如0.5cmh20/秒的速率)發布壓力下降。可選地，該速率也可以隨當前泄漏信號的大小和/或可能性本身而變化。圖23展示了嘴泄漏壓力控制進程模塊2228使用的泄漏控制實施例。該圖在共同的時間刻度上包括若干信號，該信號包括患者流量信號(pfs)，面罩壓力信號(mps)，瞬時泄漏信號(ils)和通氣信號(vs)。在圖23中，2310所示的壓力中尖銳的上升引起2312所示的嘴泄漏。基于泄漏檢測和可能性評估，該嘴泄漏壓力控制進程模塊2228引起壓力下降直到該壓力下降使得嘴泄漏逐漸消失，如2314所示。在該時刻，不再檢測泄漏并且基于該泄漏檢測取消對壓力下降的控制。在前面的描述和附圖中，特定術語、公式和圖形符號是為了深入了解本發明而提供的。在有些情形下，所述術語和符號可以代表具體細節，這些細節對本發明而言不是必需的。例如，雖然本文中使用了術語“第一”和“第二”，但除非有特別指明，否則這些術語不代表特定的順序，而只是幫助解釋本發明的不同元件。此外，雖然檢測方法的過程步驟在附圖中體現為一種順序，這種順序卻不是必需的。本領域技術人員會認識到，這種順序可以修改和/或它們的各個方面可以同時進行。此外，雖然在此描述的本技術結合了具體的實施例，但應該理解的是這些實施例僅用于描述本技術的原理和應用。因此，應該理解的是所述的實施例可作出大量的修改并且可以發明其它的設置而不脫離本技術的精神和范圍。例如，雖然使用了模糊邏輯以結合檢測出的各種不同的泄漏數據，但也可以使用其它方法從而基于檢測出的不同類型泄漏的量產生嚴重性指數。此外，應該清楚的是，所述的方法不僅僅通過基于測得的流量和泄漏的瞬時值計算各種特征，而且該計算也可以基于平均化預定的時間量，比如1分鐘，3分鐘等等的平均值。此外，一些實施例中使用的測試具有相對性。例如，當圖17中的1707測試測得如果cov總和低于一定的閾值，這是基于該測試的協方差總和是負值這樣的事實。因此，類似的測試可應用于各個值的絕對值，在這種情況下，可以證明cov總和的當前值是否大于各個閾值。當前第1頁12