CN101815465B - 从心电图得出的呼吸暂停/呼吸减弱指数 - Google Patents

从心电图得出的呼吸暂停/呼吸减弱指数 Download PDF

Info

Publication number
CN101815465B
CN101815465B CN200880110023.0A CN200880110023A CN101815465B CN 101815465 B CN101815465 B CN 101815465B CN 200880110023 A CN200880110023 A CN 200880110023A CN 101815465 B CN101815465 B CN 101815465B
Authority
CN
China
Prior art keywords
ecg
peak
respiration case
variation
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN200880110023.0A
Other languages
English (en)
Other versions
CN101815465A (zh
Inventor
克里斯·尼尔森
尤金·兹尔博格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Compumedics Medical Innovation Pty Ltd
Original Assignee
Compumedics Medical Innovation Pty Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from AU2007905367A external-priority patent/AU2007905367A0/en
Application filed by Compumedics Medical Innovation Pty Ltd filed Critical Compumedics Medical Innovation Pty Ltd
Publication of CN101815465A publication Critical patent/CN101815465A/zh
Application granted granted Critical
Publication of CN101815465B publication Critical patent/CN101815465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了用于单独从ECG信号数据来确定呼吸暂停或呼吸减弱的发生的一种方法和装置。该方法通过以下装置来进行，该装置被配置为从一位正在睡觉的受试者获取ECG信号，将这些信号转化为数据，并提取与估算呼吸努力相关的多个ECG特征用于确定呼吸暂停以及呼吸减弱的呼吸事件的特征。所提取的ECG特征是呼吸努力的相关性，并用作呼吸或呼吸事件的替代措施。该方法可包括计算一个AHI或呼吸暂停/呼吸减弱指数。该方法可将呼吸暂停分类为阻塞性或中枢性的呼吸暂停。

Description

从心电图得出的呼吸暂停/呼吸减弱指数
技术领域
本发明涉及用于从一位受试者(特别是从具有睡眠障碍性呼吸、更特别是睡眠呼吸暂停、甚至更特别是阻塞性睡眠呼吸暂停或中枢性睡眠呼吸暂停的一位受试者)获取并分析的心电图数据的方法和装置。
背景技术
睡眠呼吸暂停(SA)(包括阻塞性睡眠呼吸暂停(OSA)和/或中枢性睡眠呼吸暂停(CSA)，其中呼吸被停止)影响了一个显著比例的人群。当气道萎陷并且气体不能通过时感觉到OSA的效应。当受试者由于与中枢神经系统发挥作用相关联的原因不能吸气和呼气时感觉到CSA的效应。OSA和CSA均能导致无效率的睡眠以及其他医学问题。
目前，OSA和CSA均是在睡眠实验室中通过整夜多导睡眠描记(PSG)研究进行诊断的，在这些研究中受试者在睡觉的同时具使多个电极附着在身体上用于测量不同的生理参数。此类PSG研究必须承担高昂的费用，因为它们要求受试者整晚睡在诊所内。
已经采取了一些方法来研究用于测量SA的发生和类型的装置以及方法。用于诊断SA的标准PSG规则要求检测个体呼吸事件(respiratoryevent)的实际起始时间、持续时间以及分类。然后，将这个信息用于通过产生一个呼吸暂停-呼吸减弱指数(AHI)[1]来评估睡眠呼吸暂停的存在和严重性。目前，所报道的最为成功的方法能够检测受试者是否患有睡眠呼吸暂停(没有AHI值的可靠估算)或者在任何一个给定的时刻内是否存在一个睡眠呼吸暂停事件[2-5]。例如，US 5,769,08传授了一种方法，该方法使用了对不同的睡眠参数(包括测量心电图(ECG))的无序处理来确定SA的存在。然而，该方法未延展至区别OSA与CSA。在US 6,415,174中传授了用于从位于一位受试者的不同平面上的多个传感器来测量SA的一种方法。这份文件没有传授可以区别CSA与OSA的方法。在WO 2005/067790(通过引用结合在此)中，Burton指出可能的是使用一种ECG轨迹(ECG trace)来鉴别SA的情况并将该SA分类为OSA或CSA。然而，这种CSA信号相对于背景噪音而言是很小的，即存在着小信噪比。
在心脏病患者中存在着OSA和CSA的大发生率，这使得使用ECG数据来确定AHI称为比使用PSG数据甚至更具吸引力的一种选择。所需要的是测量睡眠呼吸暂停的一种更为便利和可靠的方法及其使用了比PSG研究更加简单的装置的形式。这些方法应当能够检测个体呼吸事件并对其进行分类。优选地，此类方法将在家中进行[6-8]。
发明内容
本发明利用了以下出人意料的观察，即从ECG得出的参数与呼吸事件相关并且这些从ECG得出的相关性可用来识别呼吸事件(特别是在睡觉的受试者中)。所识别的呼吸事件可用来确定呼吸努力(respiratoryeffort)。呼吸努力的确定可用于计算呼吸暂停/呼吸减弱指数。从ECG得出的数据还可用来区别OSA与CSA。本发明的一个目的是提供使用ECG信号数据来识别呼吸事件的方法。本发明的另一个目的是提供使用ECG信号数据来确定呼吸努力的方法。本发明的另一个目的是提供用于从ECG信号数据来计算一个呼吸暂停/呼吸减弱指数的方法。
一方面，本发明提供了一种方法用于从一个ECG信号来确定呼吸事件，该方法包括以下步骤：获取ECG信号数据；从所述ECG信号数据中提取波形的形态学数据；并且从所述波形形态学数据中估算呼吸努力。该方法可包括交叉验证该呼吸努力的多个峰的步骤。该方法可包括对来自所述呼吸努力的呼吸模式进行表征并检测这些呼吸事件用于观察的步骤。该方法可包括将一个呼吸事件分类为呼吸暂停或呼吸减弱之一的步骤。该方法可包括将一个呼吸事件分类为阻塞性呼吸暂停或中枢性呼吸暂停之一的步骤。该方法可包括计算一个呼吸暂停/呼吸减弱指数的步骤。这些波形数据可以被转化为从ECG得出的多个生理预测值中的任何一个或组合，包括从ECG得出的呼吸信号，心率，或者R信号的面积或振幅或周期。优选地，该方法是在处于睡眠状态的一位受试者上操作。
在另一方面，本发明提供了一种用于分析睡眠障碍性呼吸的方法，该方法包括以下步骤：从ECG传感器中获取生物信号；将这些生物信号作为数据储存在一个计算机文件中；从所述生物信号数据中提取心率和波形的形态学数据；从所提取的心率和ECG波形形态学数据中得出多个生理预测值；并且从所述得出的多个生理预测值中确定呼吸事件的起始和结束。该方法可包括从每小时长于十秒的呼吸事件的平均数目来计算这个呼吸暂停/呼吸减弱指数。该方法可包括展示这个呼吸暂停/呼吸减弱指数。
在又一方面，本发明提供了用于从一个ECG信号来确定呼吸努力的装置，包括：用于从一位受试者获取至少两个正交信号的至少两个ECG引线；用于将所述信号转化为数字数据的装置；电子数据存储装置；以及被编程为从数字的ECG数据中提取波形并确定呼吸事件以及呼吸努力的一台微处理器。该装置可进一步包括被编程为计算一个呼吸暂停/呼吸减弱指数的一台微处理器。
附图说明
图1示出了用于从ECG数据复合波(complex)来计算呼吸减弱/呼吸暂停指数的步骤的概括性流程图。
图2示出了用于从ECG数据复合波来计算呼吸减弱/呼吸暂停指数的详细步骤的流程图。
图3示出了一个典型的ECG引线I复合波的输出结果的曲线图，其中该曲线图的每一段均进行了标记。
图4示出了在睡眠过程中展示出有规律的、稳定的呼吸的一位受试者的ECG信号对时间的具有QRS面积、R振幅、以及呼吸流速的一条曲线。
图5示出了展示出一个呼吸事件的一位受试者的ECG信号对QRS面积、R振幅、以及呼吸流速的时间的曲线。
图6示出了在睡眠过程中的一个呼吸事件中在一个ECG信号中mV的R波对QRS复合波数目的曲线图。
图7示出了在睡眠过程中在一系列呼吸事件期间的一个ECG信号中mV的R-R间期以及呼吸流速对时间对QRS复合波数目的曲线图。
图8示出了在睡眠过程中在呼吸暂停和正常呼吸的多个周期过程中这些信号对QRS面积、在一个ECG信号中的R振幅、以及流速的时间的曲线图。
图9示出了在一个呼吸事件过程中在一个ECG信号中R波的振幅对QRS复合波数目的曲线图。
图10示出了在一个呼吸事件过程中在一个ECG信号中QRS区域的面积对QRS复合波数目的曲线图。
图11示出了在一个呼吸事件期间在一个ECG信号中R-R间期对QRS复合波数目的曲线图。
图12在一个ECG信号中通过一个呼吸事件示出了QRS面积对QRS复合波数目的曲线图。
图13a示出了以下输出信号，该信号在一个第一ECG引线中通过一个呼吸事件示出了R波。
图13b示出了以下输出信号，该信号通过在图12a所示的呼吸事件示出了来自一个第二ECG引线的R波。
图14通过一个呼吸事件针对一个ECG信号示出了R-R间期对QRS数目的曲线图。
图15通过一个呼吸事件示出了在一个ECG信号中EDR信号对QRS复合波数目的曲线。
图16通过一个呼吸事件示出了在一个ECG信号中一个R波的振幅对QRS复合波数目的曲线图。
图17a示出了针对一个OSA事件在一个ECG信号中QRS面积和R波振幅随时间的曲线图。
图17b示出了针对一个CSA事件在一个ECG信号中QRS面积和R波振幅随时间的曲线图。
具体实施方式
本发明提供了用于以前未知的、从一位受试者所获得的ECG信号数据来确定一个呼吸暂停/呼吸减弱指数的方法。本发明的方法有利地利用了在睡眠过程中所获得的ECG信号的改变来计算睡眠期间的一个呼吸暂停/呼吸减弱指数。
不同的ECG引线测量了遍及身体的不同区域之间的一种电位差异。呼吸影响了多个电极之间的阻抗，并且因此影响了电位以及它们之间的差异。胸部和腹部的运动在呼吸事件的过程中发生变化，并且因此改变了在电极之间的阻抗如何随呼吸努力而变化。这导致了从ECG得出的多个信号之间的一种能够观察到的相位变化。
该方法使用这些相位变化作为呼吸事件的标志物。该方法有利地利用了在一个呼吸事件之后以及在一个觉醒过程中的短时间，在这段时间内伴随着交感神经活力增加存在着短期的增加的心率、收缩压、以及舒张压。呼吸暂停事件通常因一次觉醒而终止，这使得一次觉醒的标志物能用作呼吸暂停终止的标志物。心率增加的发作可容易地从ECG检出。如以下所说明R-R间期的突然下降用作呼吸事件结束的标志物。
睡眠呼吸暂停在本质上常常是循环的，并且这能产生出也呈现为一种循环类型的多个提取的ECG信号，这种循环类型具体显示于图8中呼气的流速2的最低轨迹之中。可以观察到QRS面积和R波振幅也具有一种相同频率的周期类型。(一个ECG信号的参数显示为图3中的轨迹1)随着这种呼吸信号形成了一个更为长期的周期性类型，伴随的提取的ECG信号也形成了具有相同频率的一种周期性类型，它在本发明的方法中可用作估算呼吸信号的替代品。使用数字滤波的傅里叶分析技术以及平滑技术可用于该方法中以识别这些类型。被发现包含这些循环类型的包络用来突出这些数据的区域用于如在此所解释的更为仔细的检查。
该方法识别了在ECG信号数据中具有可测量的特征的呼吸事件的起点和终点。最便利的是，这些ECG信号数据是在受试者睡着时通过与其相邻的多个传感器而获得的。搜集这些数据并将其储存在一个计算机文件中用于微处理器和计算机程序的操作以识别呼吸事件、确定呼吸努力、或计算呼吸暂停/呼吸减弱指数。
表1提供了对在ECG信号数据中一些可测量的参数的定义以及它们在本说明书中所使用的缩写。这些参数将被获得并分析ECG信号的领域之内的普通技术人员所熟知。该方法不限于表1中的这些参数，但可包括与呼吸努力具有相关性的任何一种从ECG得出的信号。
本发明的方法的步骤的概述呈现于图1的流程图中。在图2中显示了一个进一步详述该方法的更为详细的流程图。一个典型的ECG轨迹1作为获得的信号幅值对时间的曲线示于图3中。该方法所有的计算都是使用一台微处理器而进行的。提及图1，在一个第一步骤中，使用标准的ECG监测装置(如一台ECG holter)从一位受试者中记录这个ECG信号。可以使用能够记录一个数字ECG信号的任何适当的设备。将所获得的数据方便地储存在计算机介质上的一个数字文件夹中用于分析。可以根据ECG数据的一种相关的带宽使用已知的技术将这些数据过滤。
随时间的ECG信号1具有一个特征性的波形形态学结合区段(如图3所示)，这些区段在该方法的第二步骤中被识别。具体而言，在点Q开始、在R到达一个最大值、并且在S到达一个最小值的峰作为“QRS”复合波是熟知的。在该方法中所使用并且在这些图中示出的其他参数是每个ECG复合波的T波的振幅以及图下面积(area under the graph)、R处信号的振幅、在多个连续的R波之间的时间段、以及QRS区段的图下面积。心率被测量为图3所示的在多个R波峰之间的时间，它被称为R-R间期(RRI)。
这些从ECG得出的信号用来在一个第三步骤中产生呼吸事件的多个从ECG得出的相关性。这些相关性用来证实在呼吸或呼吸事件(包括呼吸暂停或呼吸减弱事件)期间在gai ECG中所发生的变化。在此说明了可以在该方法中使用的这些相关性中的每一种。本发明的范围包括与呼吸事件相关的任何一个从ECG得出的参数的使用。然后，将识别的ECG参数分类为正常的或不正常的心脏功能的代表。这项分析使用线性近似来识别ECG复合波的不同区域。然而，可以使用其他相关的分析。通过检查在第二步骤中所识别的ECG参数的变化来进行这种分类。
将一个参数分为正常的或不正常的类别使用了已知的相关性。对于心率的归类，该方法结合了以下相关性。在哺乳动物中，呼吸性窦性心律失常(RSA)是在心率(HR)或ECG的R-R间期(RRI)中所观察到的一种自然发生的节律。这种节律是呼吸系统与心血管系统相互作用的直接结果。RSA的特征为一种周期性信号，该信号展示了与呼吸速率相似的RRI的最大值和最小值。典型地，HR将增加吸气并且减少呼气。在该方法中，RSA信号的变化可用作一个生理预测值。
众所周知，在一个呼吸事件之后在RRI中存在着减少。这与觉醒过程中交感神经活动的降低相关联。在一个觉醒过程中，伴随着交感神经活动增加存在着短期增加的心率、收缩压、以及舒张压。心率的可变性还由交感神经活动的增加而减少。在该方法中，这种RRI的减少可用作一个生理预测值。
ECG波形的形态学被用来根据呼吸的变化将呼吸分类为是否是正常的，这是由于心脏相对于这些电极的运动与变化的胸内阻抗相关联。由呼吸引起的、心脏相对于这些电极的转动在R波的振幅和R波的面积(这包括图3中所示的整个QRS区段的面积)这二者的振动中是明显的。当在一个事件过程中呼吸减少或彻底停止时，预期了这个信号的峰-峰(peakto peak)振动的减少。在该方法中，振幅和面积的变化可用作一个生理预测值。
心脏方位的突然偏移将引起R波振幅的一个突然变化。如果ECG引线是正交的，则这种偏移应该是在相反方向上的。在该方法中，在ECG引线中R波振幅的相反变化可用作一个身体预测值。
R波或T波振幅的一种逐渐增加可用作一个身体预测值。在一个ECG信号中增加的R波的一个实例示于图16中。
在一个第四步骤中，通过检查每个ECG复合波的生理预测值的变化，该方法确定每个ECG复合波是否在一个呼吸事件的起始时发生。然后，在该方法的第四步骤中确定了每个呼吸事件的起始和结束。图2示出了用于从储存在一个数据文件夹中的多个连续ECG复合波中计算呼吸暂停/呼吸减弱指数的方法的步骤。
在一个第五步骤中，使用所检测的呼吸事件的数目及其持续时间来计算呼吸暂停/呼吸减弱指数。将这个呼吸暂停/呼吸减弱指数计算为每小时长于十秒的呼吸事件的平均数。
该方法有利地单独使用了ECG信号数据来表征呼吸模式。通过检查从ECG得出的呼吸努力以及所提取的ECG信号，识别了包含与呼吸事件相关联的呼吸模式变化的数据区域。存在着多个在此所说明的变化，可对这些变化进行调查来帮助识别可能的呼吸事件。
图5示出了在一个阻塞性睡眠呼吸暂停事件期间ECG信号参数(QRS面积和R振幅)连同所测量的气流2的曲线图。与该事件之前和之后相比，预期在该事件过程中存在着呼吸幅值的降低，这清楚地显示在图5中。通过检查这种呼吸努力并且对具有呼吸努力减少的区域进行定位来识别可能的呼吸事件。该方法使用了识别呼吸速率的变化来辅助标记可能的呼吸事件，即发生在事件开始、事件过程中以及觉醒时的呼吸速率的变化。该方法可使用在呼吸事件开始和结束时所发生的QRS面积和R波振幅的急剧的变化。心脏方位的突然偏移将引起R波振幅的突然变化。从ECG得出的信号的突然偏移用来标记呼吸事件可能的开始和结束。这示于图6中，其中在一个呼吸事件过程中所发生的突然偏移在R波振幅信号的这个区段中是明显的。A和B处的线对应地标记了该呼吸事件的开始和结束。图7示出在每个阻塞性呼吸暂停事件之后能够观察到RRI信号的下降，在气流(flow)中是明显的。
该方法可包括从ECG得出的呼吸努力的测量值来确定呼吸模式。这可包括如图5所示的呼吸努力幅值降低的类型、或者如图7所示的呼吸速率突然改变的类型、或者如图6所示的呼吸努力标志物的潜在水平的突然改变的类型。该方法可使用呼吸努力的多个测量值之间的相关系的变化类型、在一系列呼吸的过程中在一个或多个呼吸努力估算值的幅值方面的一致性变化的类型、或者如图8所示在一个或多个呼吸努力估算值的包络方面的循环性类型。
更特别地，提及图2经由一个二引线(或更多)ECG记录中获得了原始的ECG数据。这必须使用至少两个正交的ECG引线。将这个数据保存到一个数字存储装置上。AHI的计算开始于一台微处理器，该微处理器被编程为取得并分析所存储的ECG信号数据(图2框1)并且若有必要对相关的带宽进行过滤(图2框2)。应当理解所获取的大量信号数据以及所要求的转变是用一台具有所要求的本领域已知的处理速度和能力的微处理器进行的，而且该微处理器被编程为根据在此所说明的方法来获得、存储并操作信号和数据。
所存储的数据的分析开始于使用常规的Holter分析程序的检查，并且识别了ECG的QRS波、P波、以及T波区段(图2框3)。然后，将心搏动的每个区段分类为正常的、心室的、动脉的或人工制品。所收集的数据的一个实例在图4中用图表示，它示出了对一位正常呼吸的正在睡觉的受试者所提取的ECG特征的一种表示。在图4中所展示的针对时间的信号是从本领域已知的一种ECG引线配置中获得的信号。通过检查所识别的波的特性，通过该软件产生了从ECG得出的信号。所产生的从ECG得出的信号是：R波振幅、QRS面积、R-R间期(RRI)、T波振幅、以及T波面积。前两个信号、连同所测量的呼吸气流示于图4中。该软件程序通过对这个或这些ECG信号的形态学分析提取了这个或这些ECG信号的形态学特征(图2，框4)，包括：对P波、QRS复合波、以及T波的起始时间、结束时间以及峰值时间。这包括通过应用心律失常分类法将QRS复合波分类为正常的、心室的、室上的、或人工制品。产生这种或这些ECG信号的定量参数包括R-R间期、R波振幅、QRS复合波面积、T波振幅、以及T波面积(图2，框5-9)。
从ECG得出的这些信号中有多个表现了与随呼吸而发生的振动类型相类似的振动类型(图4)。这种呼吸努力是从随呼吸而振动的QRS面积和R波振幅中估算的(图2，框10-11)。这种呼吸信号、或从ECG得出的呼吸信号(EDR)可以从来自正交ECG引线的QRS区段的面积的比率中计算出(图2，框26)。
在每个从ECG得出的信号中识别了与呼吸方向的变化(从呼气变为吸气，或反之亦然)相关联的多个局部的峰(图2框10)。通过在这些从ECG得出的信号内检查呼吸峰候选项的振动类型、周期的相似性、以及信号幅值来识别这些峰。
一旦在每个从ECG得出的信号中已识别出这些峰，可以在多个信号之间对它们进行比较。这能够在每个信号中进行这些呼吸峰的一个交叉验证(图2框10)。通过在每个信号中检查并比较这些峰中的每个峰，识别了单组的呼吸峰。这通过比较这些峰中每个峰之间的时间以及在多个信号之间这些峰振幅的变化而实现(图2框10)。通过使用以上所说明的方法来检查从ECG得出的信号的变化以及所估算的呼吸努力，识别了可能的ECG事件的开始和结束的标志物。这些事件可能的开始和结束的标志物用来产生一组呼吸事件候选项。将这些呼吸事件与用于所估算的呼吸检测类型和R-R间期的预限定的或可调整的规则进行比较，包括应用查询表和人工神经网络。
该方法计算了以下参数。图9中示出了在整个潜在的呼吸事件过程中与该事件之前和之后的对应值相比R波振幅的平均峰-峰振动幅值的下降。图10中也示出了在整个潜在的呼吸事件过程中与该事件之前和之后的对应值相比在QRS复合波下的面积的平均峰-峰振动幅值的下降。图11中示出了与该事件的整个过程的平均R-R间期相比在一个潜在的呼吸事件之后平均R-R间期的下降。图12中示出了在整个潜在的呼吸事件过程中与在该事件之前和之后的对应值相比在QRS复合波下的面积的平均值的改变。图13示出了对于多个ECG信号对而言，在整个潜在的呼吸事件过程中与该事件之前和之后的对应值相比R波振幅的多个平均值的改变之间的差异。图14中示出了在整个潜在的呼吸事件过程中与该事件之前和之后的对应值相比R-R间期的平均峰-峰振动幅值的下降。图15中示出了在整个潜在的呼吸事件过程中与该事件之前和之后的对应值相比从这两个正交ECG引线所检测的QRS复合波下的面积的比率的平均峰-峰振动幅值的下降。图16中示出了在整个潜在的呼吸事件过程中通过拟合最小二乘方误差线性近似而对R波振幅的线性趋势的估算。
针对这些呼吸事件候选项中的每一项，产生了呼吸事件的各个从ECG得出的相关性(图2框17、19、21-27)。这些相关性用来证实或拒绝这些呼吸事件候选项中的每一项。接受了证明从ECG得出的、产生了所预期的呼吸事件的相关性的这些呼吸事件候选项。
一旦验证了这些呼吸峰，它们可以用来产生呼吸努力的一个估算值(图2框28)。通过将R波振幅的值和QRS复合波面积的序列插入到来自单个或多个ECG信号的对应通道来估算这种呼吸努力。这些插入的通道充当呼吸努力的近似标志物。来自呼吸努力的单独的近似标志物的多个呼吸峰的序列是通过在这些标志物上检测多个峰的相似距离、信号改变、以及斜度而确定的。通过匹配从这些单个标志物所确定的峰序列对呼吸峰的序列进行微调，以便消除假阳性呼吸峰并恢复缺失的呼吸峰。
由呼吸引起的、相对于这些电极的心脏转动在R波的振幅和R波的面积(这包括整个QRS区段的面积)这二者的振动中是明显的。在一个事件过程中当呼吸减少或彻底停止时，预期该信号的峰-峰振动会减少。如在图9和图10中所示，Rpp和AREApp的相关性是通过找出在该事件过程中R波振幅/QRS面积的平均峰-峰振动的值减去在该事件之前和之后R波振幅/QRS面积的平均峰-峰振动的值而计算出的。图9示出在该呼吸事件过程中在R波的振幅中可以看到振动的减少。线A、B对应地标记了该呼吸事件的开始和结束。图10示出在该呼吸事件过程中在QRS区段的面积中可以看到振动的减少。线A、B对应地标记了该呼吸事件的开始和结束。
众所周知，在一个呼吸事件之后在RR间期存在着降低。这与觉醒过程中交感神经活动的降低相关联。在一个觉醒过程中，伴有着交感神经活动增加存在着短期增加的心率、收缩压、以及舒张压。心率的可变性还由交感神经活动的增加而减少。在该事件过程中RRI的平均值与该事件之后RRI的平均值之间的差异用来计算可以在该方法中使用的RRI后(RRI_post)相关性。图11示出可以观察到直接在呼吸事件之后的R-R间期的下降。线A、B对应地标记了该呼吸事件的开始和结束。
心脏方位的偏移引起QRS面积以及R波振幅的一种变化。在该事件过程中平均QRS面积与该事件之前和之后平均QRS之间的差异用来计算AREA相关性。图12示出了在该呼吸事件过程中平均QRS的变化。线A、B对应地标记了该呼吸事件的开始和结束。
针对两个通道计算出在该事件过程中平均R波振幅与直接在该事件前面和随后的平均R波振幅之间的差异，并接着将二者一起相乘来计算反相关联性。如果ECG引线是正交的，则这种偏移应该在相反的方向上。
图13示出了R波振幅的一种明显的突然变化，并且每个引线的变化是在相反的方向上。线A、B对应地标记了该呼吸事件的开始和结束。
呼吸性窦性心律失常(RSA)是在心率(HR)或ECG的R-R间期(RRI)中所观察到的一种自然发生的节律。这种节律是呼吸系统与心血管系统相互作用的直接结果。RSA的特征为一种周期性信号，该信号展示了与呼吸速率相似的RRI中的最大值和最小值。典型地，HR将增加吸气并且减少呼气。如所证实，在该事件过程中RRI的平均峰-峰振动的值与在该事件之前和之后RRI的平均峰-峰振动的值的差异用来计算RSA相关性。
图14示出可以观察到在该呼吸事件过程中R-R间期振动的下降。线A、B对应地标记了该呼吸事件的开始和结束。
将从ECG得出的呼吸信号(EDR)计算为来自正交ECG引线的QRS区段面积的比率以确定一个呼吸信号。在该事件过程中EDR信号的平均峰-峰振动与在该事件之前和之后EDR信号的平均峰至峰振动的差异用来计算EDRpp相关性。图15示出可以观察到在该呼吸事件过程中EDR信号振动的下降。线A、B对应地标记了该呼吸事件的开始和结束。
图16示出了一个实例ECG信号，其中在该事件过程中存在着R波振幅的一种逐渐增加。针对在该事件过程中R波振幅的线性最佳拟合的斜率(由虚线显示)可用来计算Rslope相关性。
来自QRS面积和R波振幅的呼吸努力使得能够进行事件分类。因为这些信号可用来估算呼吸努力，它们可用来辅助区别中枢性事件与阻塞性事件(图2框29)。呼吸努力应该是明显的，并且在一个阻塞性事件过程中可能增加，而在一个中枢性事件过程中这种呼吸努力应该是非常低或不存在的。这类实例呈现在图17a和17b中，它们示出了在OSA和CSA事件中多个ECG参数的差异。图17a示出了在一个阻塞性事件过程中QRS面积和R波怎样发生变化。明显的是在该事件中仍保持着呼吸努力。图17b示出了在一个CSA事件过程中QRS面积和R波的变化。明显的是呼吸努力急剧减少或不存在。此外，从ECG得出的呼吸事件的相关性产生了不同的结果，这取决于所检查的事件的类型。例如，AREApp相关性将预期具有与一个阻塞事件相比更大的一个中枢性事件的幅值，因为在与呼吸相关联的QRS面积的振动中应该存在着一种更大的降低。
因为与低通气事件相比在呼吸暂停事件过程中在呼吸方面存在着一种更大的降低，所以预期了与呼吸减弱事相比在呼吸暂停事件中从ECG得出的呼吸事件的相关性的更大变化。通过对在从ECG得出的呼吸事件的相关性的这些变化进行定量，该方法可以区别呼吸暂停事件和呼吸减弱事件。该方法可通过针对从ECG得出的呼吸努力测量值来计算这些呼吸事件内的平均振动幅值与在呼吸事件之前和之后这些对应值之比而可以区别呼吸暂停事件和呼吸减弱事件，其中具有在预定阈值以下的这些比率的事件被分类为呼吸暂停，而其他事件被分类为呼吸减弱。
将呼吸事件的总数除以ECG信号记录时间的小时数而计算出AHI(图2框31)。针对睡眠评估时间间隔来计算这个呼吸暂停/呼吸减弱指数通过针对阻塞性呼吸事件、中枢性呼吸事件以及阻塞性与混合性呼吸事件的组合所计算的单独指数，提供了对睡眠呼吸暂停的存在、严重性以及类型的一种临床估算。优选地，由本方法的使用者将该指数展示在一台适宜的监测器上用于观察。
表1：从ECG得出的呼吸事件的相关性的说明摘要
 从ECG得出的呼吸事件的关联性的说明。   生理预测值
 在该事件过程中EDR信号的峰-峰振动的改变。   EDR
 在该事件过程中在2个正交ECG引线之间R波振幅突然反向变化的测量值。   反相
 RSA信号的变化(RRI信号的峰-峰振动)。   RSA
 在该事件之后平均RRI信号的变化。   RRIpost
 在该事件过程中R振幅的峰-峰振动的变化。   Rpp
 在该事件过程中QRS面积的峰-峰振动的变化。   AREapp
 在该事件过程中QRS面积的变化。   面积
 在该事件过程中R波振幅增加的测量值。   Rslope
参考文献
[1]″Sleep-related breathing disorders in adults：recommendations forsyndrome definition and measurement techniques in clinical research.The Report of an American Academy of Sleep Medicine Task Force，″Sleep，vol.22，pp.667-89，Aug 1 1999.
[2]M.Schrader，C.Zywietz，V.von Einem，B.Widiger，and G.Joseph，″Detection of sleep apnea in single channel ECGs from thePhysioNet data base，″2000，pp.263-266.
[3]C.Maier，H.Dickhaus，M.Bauch，and T.Penzel，″Comparison of heartrhythm and morphological ECG features in recognition of sleep apneafrom the ECG，″in Computers in Cardiology，2003，2003，pp.311-314.
[4]S.Vijendra，K.Behbehani，E.A.Lucas，J.R.Burk，D.N.Burli，and D.H.Dao，″The use of R-wave morphology in the detection ofsleep-disordered breathing using the electrocardiogram-a comparisonbetween leads，″2004，pp.3881-3884Vol.6.
[5]F.Roche，V.Pichot，E.Sforza，I.Court-Fortune，D.Duvemey，F.Costes，M.Garet，and J.C.Barthelemy，″Predicting sleep apnoea syndrome fromheart period：a time-frequency wavelet analysis，″Eur Respir J，vol.22，pp.937-42，Dec 2003.
[6]J.D.Lattimore，D.S.Celermajer，and I.Wilcox，Obstructive sleep apneaand cardiovascular disease，″J Am Coll Cardiol，vol.41，pp.1429-37，May 72003.
[7]J.Wolf，J.Lewicka，and K.Narkiewicz，″Obstructive sleep apnea：Anupdate on mechanisms and cardiovascular consequences，″Nutr MetabCardiovasc Dis，Feb 192007.
[8]M.T.Naughton，″Heart failure and obstructive apnoea，″Sleep MedicineReviews，vol.2，pp.93-103，1998.
[9]P.Grossman and E.W.Taylor，″Toward understanding respiratory sinusarrhythmia：relations to cardiac vagal tone，evolution and biobehavioralfunctions，″Biol Psychol，vol.74，pp.263-85，Feb 2007.
[10]J.W.Denver，S.F.Reed，and S.W.Porges，″Methodological issues in thequantification of respiratory sinus arrhythmia，″Biol Psychol，vol.74，pp.286-94，Feb 2007.
[11]F.Yasuma and J.Hayano，″Respiratory sinus arrhythmia：why doesthe heartbeat synchronize with respiratory rhythm？，″Chest，vol.125，pp.683-90，Feb 2004.
[12]H.J.Burgess，J.Kleiman，and J.Trinder，″Cardiac activity during sleeponset，″Psychophysiology，vol.36，pp.298-306，May 1999.
[13]M.J.Carrington，R.Barbieri，I.M.Colrain，K.E.Crowley，Y.Kim，andJ.Trinder，″Changes in cardiovascular function during the sleep onsetperiod in young adults，″J Appl Physiol，vol.98，pp.468-76，Feb 2005.
[14]R.J.Davies，P.J.Belt，S.J.Roberts，N.J.AIi，and J.R.Stradling，″Arterial blood pressure responses to graded transient arousal from sleepin normal humans，″J Appl Physiol，vol.74，pp.1123-30，Mar 1993.
[15]K.Narkiewicz，N.Montano，C.Cogliati，P.J.van de Borne，M.E.Dyken，and V.K.Somers，″Altered cardiovascular variability inobstructive sleep apnea，″Circulation，vol.98，pp.1071-7，Sep 151998.
[16]G.B.Moody，R.G.Mark，A.Zoccola，and S.Mantero，″Derivation ofRespiratory Signals from Multi-lead ECGs，″Computers in Cardiology，vol.12，pp.113-116，1985.

Claims (13)

1.一种根据ECG信号来确定呼吸努力的装置，该装置包括：
用于从受试者获取至少两个正交ECG信号的至少两个正交ECG引线；
用于将所获取的正交ECG信号转化为数字ECG数据的装置；
电子数据存储装置；以及
微处理器，该微处理器被编程为从数字ECG数据中提取多个波形并根据从所述波形的形态学数据得出的以下信息中的任何信息确定多个呼吸事件以及呼吸努力：在呼吸事件过程中EDR信号的峰-峰振动的变化、在呼吸事件过程中至少两个正交ECG引线之间R波振幅的突然反向变化的测量值、RRI信号的峰-峰振动的变化、在呼吸事件之后平均RRI信号的变化、在呼吸事件过程中R波振幅的峰-峰振动的变化、在呼吸事件过程中QRS面积的峰-峰振动的变化、在呼吸事件过程中QRS面积的变化以及在呼吸事件过程中R波振幅增加的测量值。
2.根据权利要求1所述的装置，其中，所述微处理器还被编程为：
对所述呼吸努力的多个峰进行交叉验证。
3.根据权利要求1或2所述的装置，其中，所述微处理器还被编程为：
根据所述呼吸努力表征呼吸模式；以及
检测要观察的呼吸事件。
4.根据权利要求1或2所述的装置，其中，所述微处理器还被编程为：
将呼吸事件分类为呼吸暂停或呼吸减弱之一的装置。
5.根据权利要求1或2所述的装置，所述微处理器还被编程为计算呼吸暂停/呼吸减弱指数。
6.一种根据ECG信号来确定呼吸努力的方法，该方法包括以下步骤：
提供根据权利要求1-5中任意一项的装置；
获取所述ECG信号数据；
操作所述微处理器，以从所述ECG信号数据中提取波形的形态学数据；并且
根据从所述波形的形态学数据得出的以下信息中的任何信息估算该呼吸努力：在呼吸事件过程中EDR信号的峰-峰振动的变化、在呼吸事件过程中至少两个正交ECG引线之间的R波振幅的突然反向变化的测量值、RRI信号的峰-峰振动的变化、在呼吸事件之后平均RRI信号的变化、在呼吸事件过程中R波振幅的峰-峰振动的变化、在呼吸事件过程中QRS面积的峰-峰振动的变化、在呼吸事件过程中QRS面积的变化以及在呼吸事件过程中R波振幅增加的测量值。
7.根据权利要求6所述的方法，该方法还包括操作所述微处理器来对该呼吸努力的多个峰进行交叉验证的步骤。
8.根据权利要求6或7所述的方法，该方法还包括操作所述微处理器来根据所述呼吸努力表征呼吸模式，并检测要观察的呼吸事件的步骤。
9.根据权利要求6或7所述的方法，该方法还包括操作所述微处理器来将呼吸事件分类为呼吸暂停或呼吸减弱之一的步骤。
10.根据权利要求9所述的方法，该方法还包括操作所述微处理器来计算呼吸暂停/呼吸减弱指数的步骤。
11.一种分析睡眠障碍性呼吸的方法，该方法包括以下步骤：
获取步骤，通过至少两个正交ECG引线从邻近一位受试者的至少两个ECG传感器获取至少两个正交ECG信号；
储存步骤，将这些正交ECG信号作为数据储存在一个计算机文件中；
提取步骤，从所述正交ECG信号数据中提取心率和ECG波形的形态学数据；
得出步骤，从所提取的心率和ECG波形的形态学数据中得出以下变化中的任何变化：在呼吸事件过程中EDR信号的峰-峰振动的变化、在呼吸事件过程中至少两个正交ECG引线之间的R波振幅的突然反向变化的测量值、RRI信号的峰-峰振动的变化、在呼吸事件之后平均RRI信号的变化、在呼吸事件过程中R波振幅的峰-峰振动的变化、在呼吸事件过程中QRS面积的峰-峰振动的变化、在呼吸事件过程中QRS面积的变化以及在呼吸事件过程中R波振幅增加的测量值；以及
确定步骤，根据所得出的变化来确定呼吸事件的起始和结束，其中
所述得出步骤和所述确定步骤是由微处理器来执行的。
12.根据权利要求11所述的方法，该方法还包括将呼吸事件分类为呼吸暂停或呼吸减弱的步骤。
13.根据权利要求12所述的方法，该方法还包括以下步骤：计算该呼吸暂停/呼吸减弱指数；以及显示该呼吸暂停/呼吸减弱指数。
CN200880110023.0A 2007-10-02 2008-09-30 从心电图得出的呼吸暂停/呼吸减弱指数 Active CN101815465B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2007905367 2007-10-02
AU2007905367A AU2007905367A0 (en) 2007-10-02 Electrocardiogram Derived Apnoea/Hypopnea Index
PCT/AU2008/001445 WO2009043087A1 (en) 2007-10-02 2008-09-30 Electrocardiogram derived apnoea/hypopnea index

Publications (2)

Publication Number Publication Date
CN101815465A CN101815465A (zh) 2010-08-25
CN101815465B true CN101815465B (zh) 2014-04-23

Family

ID=40525756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880110023.0A Active CN101815465B (zh) 2007-10-02 2008-09-30 从心电图得出的呼吸暂停/呼吸减弱指数

Country Status (8)

Country Link
US (1) US20100217133A1 (zh)
EP (1) EP2203115B1 (zh)
JP (1) JP5303802B2 (zh)
KR (1) KR20100045521A (zh)
CN (1) CN101815465B (zh)
AU (1) AU2008307127A1 (zh)
CA (1) CA2697631A1 (zh)
WO (1) WO2009043087A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012052951A1 (en) * 2010-10-22 2012-04-26 Koninklijke Philips Electronics N.V. Respiratory effort assessment through ecg
JP5587524B2 (ja) * 2012-07-06 2014-09-10 パナソニック株式会社 生体信号計測装置、および、生体信号計測方法
US10194834B2 (en) * 2013-01-16 2019-02-05 Vital Connect, Inc. Detection of sleep apnea using respiratory signals
WO2014115115A2 (en) * 2013-01-24 2014-07-31 B. G. Negev Technologies And Applications Ltd. Determining apnea-hypopnia index ahi from speech
JP5632570B1 (ja) * 2013-03-22 2014-11-26 パナソニック株式会社 生体信号計測システム、装置、方法およびそのプログラム
CN104107040B (zh) * 2013-04-17 2016-08-17 深圳富泰宏精密工业有限公司 呼吸分析显示系统及方法
CN104720808B (zh) * 2013-12-20 2017-09-08 中国移动通信集团公司 一种检测人体睡眠呼吸的方法和装置
KR101596662B1 (ko) * 2014-02-11 2016-02-25 서울대학교병원 (분사무소) 폐쇄성 수면무호흡증의 치료 효과 진단 장치 및 그 진단 방법
US10028665B2 (en) * 2014-09-12 2018-07-24 Panasonic Intellectual Property Management Co., Ltd. Biosignal determining device and biosignal determining method
TW201617026A (zh) * 2014-11-11 2016-05-16 金寶電子工業股份有限公司 呼吸相關訊號量測系統及其量測方法
WO2017012906A1 (en) * 2015-07-21 2017-01-26 Koninklijke Philips N.V. A method and a system for automatic labeling of activity on ecg data
US11076793B2 (en) 2015-11-10 2021-08-03 Nippon Telegraph And Telephone Corporation Respiration estimation method and apparatus
CN105769122B (zh) * 2016-03-16 2018-10-12 中国科学院电子学研究所 一种睡眠呼吸暂停低通气指数的测量设备
KR102386000B1 (ko) * 2016-03-17 2022-04-13 주식회사 바이랩 수면 무호흡 모니터링 시스템
CN106580324B (zh) * 2016-11-07 2019-07-16 广州视源电子科技股份有限公司 一种呼吸信号提取方法及装置
US11844605B2 (en) * 2016-11-10 2023-12-19 The Research Foundation For Suny System, method and biomarkers for airway obstruction
WO2019075520A1 (en) * 2017-10-18 2019-04-25 Medibio Limited INDICATOR OF RESPIRATORY CONDITION
EP3768150A1 (en) * 2018-03-19 2021-01-27 Onera Technologies B.V. A method and a system for detecting a respiratory event of a subject and a method for forming a model for detecting a respiratory event
JP7053994B2 (ja) * 2018-04-05 2022-04-13 ダイキン工業株式会社 無呼吸判定装置
CN110236527A (zh) * 2019-07-05 2019-09-17 北京理工大学 一种获取呼吸信息的方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5913308A (en) * 1996-12-19 1999-06-22 Hewlett-Packard Company Apparatus and method for determining respiratory effort from muscle tremor information in ECG signals
US6415174B1 (en) * 1998-11-09 2002-07-02 Board Of Regents The University Of Texas System ECG derived respiratory rhythms for improved diagnosis of sleep apnea
US7025729B2 (en) * 2001-09-14 2006-04-11 Biancamed Limited Apparatus for detecting sleep apnea using electrocardiogram signals
WO2005067790A1 (en) * 2004-01-16 2005-07-28 Compumedics Ltd Method and apparatus for ecg-derived sleep disordered breathing monitoring, detection and classification
US7343198B2 (en) * 2004-08-23 2008-03-11 The University Of Texas At Arlington System, software, and method for detection of sleep-disordered breathing using an electrocardiogram

Also Published As

Publication number Publication date
WO2009043087A1 (en) 2009-04-09
JP5303802B2 (ja) 2013-10-02
EP2203115A4 (en) 2011-03-02
AU2008307127A1 (en) 2009-04-09
US20100217133A1 (en) 2010-08-26
KR20100045521A (ko) 2010-05-03
CA2697631A1 (en) 2009-04-09
EP2203115A1 (en) 2010-07-07
CN101815465A (zh) 2010-08-25
EP2203115B1 (en) 2019-11-20
JP2010540124A (ja) 2010-12-24

Similar Documents

Publication Publication Date Title
CN101815465B (zh) 从心电图得出的呼吸暂停/呼吸减弱指数
JP6199330B2 (ja) 酸素測定信号を用いるチェーンストークス呼吸パターンの識別
EP2172153B1 (en) Apparatus for detection of Cheyne-Stokes breathing
JP7104076B2 (ja) 睡眠統計を決定する方法及び装置
CN104144636B (zh) 处理表示生理节律的信号的方法
US20210030353A1 (en) Method and a system for detecting a respiratory event of a subject and a method for forming a model for detecting a respiratory event
Dong et al. Frequency network analysis of heart rate variability for obstructive apnea patient detection
WO2014036651A1 (en) Method for multi-scale quality assessment for variability analysis
Bruun et al. Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability
Lee et al. A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices
JP7216408B2 (ja) 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム
Khandoker et al. Modeling respiratory movement signals during central and obstructive sleep apnea events using electrocardiogram
Yan et al. Automatic obstructive sleep apnea detection based on respiratory parameters in physiological signals
Aittokallio et al. Inspiratory flow shape clustering: an automated method to monitor upper airway performance during sleep
Alam et al. Sensor agnostic photoplethysmogram signal quality assessment using morphological analysis
Avcı et al. Comparison of the ANN based classification accuracy for real time sleep apnea detection methods
Shilvya et al. Obstructive Sleep Apnea Detection from ECG Signals with Deep Learning
Fahruzi et al. Classification of Sleep Disorder from Single Lead Non-overlapping of ECG-apnea based Non-Linear Analysis using Ensemble Approach
KR102637471B1 (ko) 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법
KR102637473B1 (ko) 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
US20240197201A1 (en) Remote Monitoring of Respiration
KR102637472B1 (ko) 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
Kumar et al. Estimation of Respiratory Rate from a Corrupted PPG Signal using Time-Frequency Spectrogram
JP2024525037A (ja) 筋電図及び加速度計信号からのスニフの検出及びアーティファクトの区別
Kozia Breathing Rate and Work-of-Breathing Estimation using Real Biomedical Signals

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant