JP2004533270A - ニューラルネットワークを使用するｃｐａｐのための方法及び装置 - Google Patents

Abstract

呼吸ガス流量に関連するデータを分析する人工ニューラルネットワーク（ＡＮＮ）を用いる睡眠中の呼吸障害を検出し治療するための方法。患者を加圧呼吸ガス供給をもつ継続的な正の気道圧力系（ＣＰＡＰ）に接続することにより呼吸回路を確立し回路中のガス流量を周期的にサンプリングし、種々の呼吸パターンの特徴的な１つまたは数個のパラメーターを周期的に計算しパラメーター値を、睡眠時呼吸障害の特徴的な呼吸パターンを認識するために訓練したＡＮＮに周期的に供給しそしてネットワーク中で分析する。ＣＰＡＰ加圧呼吸ガス供給はＡＮＮ出力に応答して制御される。これに対応する装置も開示されている。
【選択図】図１

Description

【０００１】
【発明の分野】
本発明は、睡眠中の呼吸障害を検出及び治療する方法及び装置に関し、特に人工ニューラルネットワークを使用する方法及び装置に関する。
【０００２】
【発明の背景】
米国特許第５，９５３，７１３号（Ｂｅｈｂｅｈａｎｉ等）は睡眠時呼吸障害を治療する方法を開示しており、該方法は、患者の気道上に置かれた加圧ガスに結合する界面での呼吸に関する変量を測定し、睡眠時呼吸障害に特徴的なパターンを認識するために訓練された人工ニューラルネットワークに呼吸に関する変量から得られた周波数データを送り、睡眠時呼吸障害の人工ニューラルネットワークの認識に応じて患者の気道に加圧ガスを補給することからなる。好ましい実施態様中に開示されたサンプルの圧力変換器の周波数の出力は５１２Ｈｚである。３２のサンプル値ウインドウを使用して１／１６秒毎にフーリエ（Ｆｏｕｒｉｅｒ）トランスフォームを計算する。
【０００３】
周波数分析の別の面では、一方で入力データの数に比例して正確であり、他方では応答時間が対応して増加する。呼吸パターンのかなり小さな変化を検出することができるので高い正確さは歓迎されるが、おそい応答が気道開口部の劣化進行の危険性を増大し、それによって患者に以前よりもひどい呼吸障害をひき起す。睡眠障害を検出する別の方法は呼吸毎に分析することに基づいている。
【０００４】
その代りには、もし適当な治療がなされなければ、患者はより長時間にわたって目覚めるであろう。
【０００５】
【発明の目的】
本発明の目的は、患者に継続的な正の気道を自動的に補給するための改良された方法を提供することである。
本発明のもう１つの目的は、現在到達水準装置の欠点の少なくともいくらかを除いた、自動継続の正の気道圧力装置（ＡＣＰＡＰ）を提供することである。
更に本発明の目的は、下記の、発明の簡単な記載、好ましい実施態様を説明する添付の図面、それらの詳細な記載及び特許請求の範囲から明らかである。
【０００６】
【発明の概要】
本発明は、乱れた呼吸の分析よりも、流れ信号の直接分析、特に周波数分析に基づく流れ量制限呼吸の方がより特徴的であるという洞察に基づいている。
【０００７】
本発明によれば、自動継続、正の気道圧力装置（ＡＣＰＡＰ）が提供され、そこではＣＰＡＰまたは患者に正の空気圧力を与える他のシステムからの空気流が、シグナルに特定の多くのパラメーターの計算のために測定される。パラメーターのセットはケプストラム（ｃｅｐｓｔｒｕｍ）係数及びエネルギー含量からなり、睡眠中の呼吸の無呼吸発生、例えば無呼吸、亜無呼吸（ｈｙｐｏａｐｎｅａ）及び流量制限を示すことから選ばれる。多数の患者から集められたこれらのパラメーターのデータは多くの環境下での患者の部分集合のためにパラメーターの変更範囲をシステムに教えるために人工ニューラルネットワークを訓練するために使用された。人工ニューラルネットワークからの結果は結節点の低次元格子として得られ、そこでは各呼吸タイプが結節点のサブセットまたは軌道によって表わされる。正常な呼吸のための軌道は、阻害された睡眠中の呼吸のものと非常に異なって見える。
【０００８】
もし睡眠障害状態の呼吸徴候が検出されるならばＣＰＡＰ圧力が増大する。これと逆に、ＣＰＡＰ圧力は正常では状態に減少する。
【０００９】
このように、本発明によれば、人工ニューラルネットワーク中で呼吸ガス流量に関するデータを分析するような人工ニューラルネットワークを使用して睡眠中の呼吸障害を検出し治療するための方法を開示している。
【００１０】
具体的には、本発明による方法は下記の階段からなる。
・ＣＰＡＰによって制御された加圧呼吸ガス源と通じているマスクで患者の気道上にチューブをもつマスクを置き、それによって呼吸回路を確立する；
・回路中のガス流量を周期的にサンプリングする；
・呼吸パターンの特徴的な１つまたは幾つかのパラメーターのための値を周期的に計算する；
・該パラメーター値を睡眠中呼吸障害の特徴的な呼吸パターンを認識するために訓練された人工ニューラルネットワークに周期的に供給する；
・ニューラルネットワーク中で該パラメーター値を分析する；
・該ニューラルネットワークからの出力に応答して加圧呼吸ガス補給を制御する。
【００１１】
ネットワークに周波数２Ｈｚないし３０Ｈｚ、好ましくは約２０Ｈｚで該パラメーター値を送りこむのが好ましい。
該パラメーターのためにはケプストラム係数及びエネルギー傾斜を含むことが好ましい。
【００１２】
本発明の第１の好ましい態様によれば、人工ニューラルネットワークは多数の患者から集めたデータで訓練される。データは多くの状況で異なる患者、即ち性、年齢、体重、呼吸パターンなどで異なる患者から集められるであろう。更に、睡眠呼吸障害の変化型、例えば、背面位で優先的に起るもの、睡眠の特別の段階の間に起るもの、そして薬剤またはアルコールの影響下で起るものなどを考慮する必要がある。
【００１３】
それらのデータは、睡眠研究所で集められ、そこでは睡眠状態を追跡し、呼吸障害のタイプと重症度をポリソムノグラフィーシステムを使用してモニターしている。収集されたデータは主たるデーターベースを形成する。人工ニューラルネットワークを訓練している間、データは少しの二次的に集められたデータベースの形成の下で定量しＡＣＰＡＰに蓄積することができる。このように、本発明によれば、多数の人々から集められたデータからなる第一次データーベースから得られた専用の第二次データーベースがＡＣＰＡＰに蓄積される。
【００１４】
本発明の第二の様態によれば、呼吸の間、定期的にガス流量をサンプリングすることが好ましい。
ＡＮＮは訓練データのセットを示す多くの結節点を含む。各結節点は状態または事変（特徴）を反映している。近接する結節点は小さい幾何学的距離の事変を表わしている。訓練におけるのと同様の方法で、入射ベクトルを各流量データサンプルのために抽出する。入射ベクトルから各結節点までのユークリッド距離を計算する。ベクトルまでの最も近接位置での結節点がそれと関連する。入射ベクトルのシーケンスは、人工ニューラルネットワーク中の結節点のシーケンスに従う。結節点のシーケンスは、ネットワークの応答であるということができる。このようにネットワーク（応答）の幾何学的構造中の軌跡はパラメータースペース中でよりもよく従う。ネットワークの広がりは最も多くの場合パラメータースペースよりも小さいという事実は、それによる計算が簡単になるので有利である。ネットワークからの応答は、無呼吸、亜無呼吸及び正常な呼吸状態を識別するための基礎、したがってＣＰＡＰ圧力コントロールのための基礎を形成する。
【００１５】
このように本発明は、無呼吸または亜無呼吸類似の症状発見を検出するためのコーネン（Ｋｏｈｏｎｅｎ）−マップタイプの人工ニューラルネットワーク（ＡＮＮ）の使用を基礎としている（関連する記憶；Ｔ．Ｋｏｈｏｎｅｎ，自主的組織結成と関連する記憶、第２版、スプリンガー（Ｓｐｒｉｎｇｅｒ）出版、ベルリン１９８７）。ＡＮＮは睡眠研究所での多数の患者から得たデータで訓練される。容易に訓練されたＡＮＮは非揮発性記憶装置中に蓄積されたデータの大域（万能）構造をＡＣＰＡＰ中に形成する。使用においては患者の呼吸パターンが軌跡（トレース）をＡＮＮ中に形成する。正常な呼吸サイクルは閉じた軌跡を形成する。正常からはずれた軌跡は呼吸障害を暗示している。ＡＮＮは無呼吸の最初の段階を示すある領域を作るような方法で構築されている。そのような領域を通る軌跡の通過またはその境界に接触することは、正常な呼吸を再確立するように患者に供給される空気の量を増加しなければならないことを示している。一度呼吸が正常になったら、増加された空気の量は、正常な値、即ち予め確立した基礎値に減少させる。
【００１６】
人工ニューラルネットワークはＰ．Ｂｒａｕｅｒ及びＰ．Ｋｎａｇｅｎｈｊｅｌｍ著、コーネンマップ中でのインフラストラクチャー、Ｐｒｏｃ．ＩＥＥＥ ＩＣＡＳＳＰ，グラスゴー１９８９中に記載された２つの相で訓練される。
【００１７】
分析の目的は、一連の空気流量測定から、無呼吸または亜無呼吸状態を分類し、検出するために選択されたパラメータ値を抽出することである。各単一の分析において、すべての訓練及び決定が基礎としている入射または特徴ベクトルを形成するためにパラメーターが作られる。すべてのサンプル値は、無呼吸または亜無呼吸状態の典型的な予告的警告である流量の変化に素早く応答するための準備で個々に分析される。
【００１８】
本発明の第三の好ましい態様によれば、ニューラルネットワークに供給されるパラメーター値を分析するために直線予測符号化（ｐｒｅｄｉｃｔｉｖｅ ｃｏｄｉｎｇ）が使用される。４つのパラーメーターを含む直線状予測符号化分析をすべてのサンプルのために実施する。特に、分析からのいわゆるＡ−パラメータは、パラメータ距離と概念距離との間の最適相関関係のためのケプストラムパラメーターに変換される。即ち、いわゆる結合性である。
【００１９】
本発明の好ましい第四の態様によれば、直線予測符号化の計算における予測エラーは次のラインでパラメータのための基礎として使用される。エラーは短期変動を中和するためにフィルターされ分析ウインドウの全エネルギーで正常化される。
【００２０】
エネルギーの計算のためには直線予測符号化分析のためのものよりも大きなウインドーを使用する。最後のウインドーのエネルギーは、傾向を記述する傾斜線を計算するために使用できる。傾向での相異は更にパラメーターとして使用される。このように、本発明の第五の好ましい態様によれば傾向変動ラインの傾斜が測定から計算されそしてパラメーターとして使用される。
【００２１】
本発明によれば、睡眠中の呼吸障害の検出及び治療のためＣＰＡＰを使用する装置をも開示し、該装置は、呼吸特に吸気での空気流量データをサンプリングするためのプローブ及び呼吸空気圧を直接または間接的にコントロールするために該データを分析するための人工ニューラルネットワークとを含む。
【００２２】
本発明によれば、呼吸、特に吸気の空気流量データをサンプリングするためのプローブと、呼吸空気圧をコントロールするために該データを直接または間接的に分析するための人工ニューラルネットワークとを含むＣＡＰＡＰをも開示する。本発明の更に異なる態様は、下記の図面に説明された好ましい様態の詳細な記載において開示されている。
【００２３】
【好ましい実施態様の記載】
実施例１ 一般原理
基本データ分析
分析の目的は、一連の空気流速測定から、無呼吸及び亜無呼吸状態を分類及び検出するために選択されたパラメーター値を抽出することである。各単独分析において、すべての訓練及び決定を作る基礎となる入射または特徴ベクトルを形成するためにパラメーターが作られる。すべてのサンプル値は無呼吸または亜無呼吸状態の典型的な予備警告である流量での変化に速やかに応答するための準備で個々に分析される。
【００２４】
入射ベクトルパラメーター ＬＰＣ−ケプストラム
各サンプルについて直線状予測的符号化（ＬＰＣ）のために４−パラメータ分析を実施する。分析からのいわゆるＡ−パラメーターを、パラメーター距離と概念距離との間の最適相関関係、即ち結合性のためにケプストラムパラメーターに変換する。ケプストラムの語はＢｏｇｅｒｔ等によってエコータイムシリーズ分析と関連して導入されシグナルのパワースペクトルの対数の逆フーリエ変換を示す。ケプストラムへの信号の変換はホモ−モルフィック変換である。Ａ．Ｖ．Ｏｐｐｅｎｈｅｉｍ及びＲ．Ｗ．Ｓｅｈａｆｅｒ著、「離散時間信号処理」Ｐｒｅｎｔｉｃｅ Ｈａｌｌ，Ｅｎｇｌｅｗｏｏｄ Ｃｌｉｆｆｓ，ＮＪ，１９８９参照。
残余． ＬＰＣの計算において予測のエラーは以下のパラメーターのための基礎として使用される。エラーは短期間変動に対抗するためにフィルターされ、分析ウインドーのための全エネルギーで正常化される。エネルギー傾斜。エネルギーの計算のために、ＬＰＣ分析のためのものより大きいエネルギーウインドーを使用する。最も新しいウインドーでのエネルギーは、ラインを計算するために使用され、その傾斜は傾向を記載している。傾向での相異．傾向での相異は更にパラメータとして使用する。
【００２５】
パラメーター 無呼吸（即ち中枢／閉塞性無呼吸、亜無呼吸、及び流量制限）の発生を検知するために、発生中の流れ信号の典型的な質及び特徴を特性づけるためにモデルを使用する。できるだけ明確で、あいまいでなくそして有効であるという目的でモデルのパラメーターを選択する。パラメーターのセットは医者によって容易に検知される典型的な無呼吸発生に応答するべきである。無呼吸発生に敏感であることに加えて、パラメーターは無呼吸発生を検知するという仕事に関係のない特徴に対して無感覚であることが重要である。
【００２６】
特徴ベクトル パラメーターの値はベクトルを形成するためにコンパイルする。以下これを特徴ベクトルと名付ける。毎回、流れ信号を測定（サンプリング）し、特徴ベクトルの値を抽出する。これは、もし毎秒流れ信号ｆ_ｓを測定し、そしてモデルにＮパラメーター値を必要とするならば、データーのレートは毎秒ｆ_ｓからＮ・ｆ_ｓサンプルに増大することを意味する。
【００２７】
パラメーター値の抽出の前に、流れ信号を、平均信号値の影響を回避するために微分する（ハイパスフィルター）。平均は患者及び／またはハードウェアによって変り、無呼吸発生の分類には貢献せず従って除外される。各Ｎ−次元特徴ベクトルがＮ−次元信号スペースでの１点と考えられる。
【００２８】
ネットワークの訓練． 人工ニューラルネットワーク（ＡＮＮ）を同じような性質をもつ特徴ベクトルのグループまたはクラスタを編成するためにくり返し訓練する。コーネンの自己編成特徴マップ［１−２］として知られる自己編成方法はこの仕事を実施する大きな能力を示す。訓練の前にクラスタの数を定義しＡＮＮの必要な解像によって決定する。訓練は、Ｎ−次元信号スペース中に任意に位置するＭ−クラスタのセットによって開始される。訓練に使用するデータベースは、種々の睡眠障害をもつ多数の患者からの、そして睡眠のすべての段階での特徴ベクトルを編集することによって形成する。訓練中、各入力特徴ベクトルは、入力ベクトルに最もよく似たものを見つけ出すために各クラスタと比較される。このクラスタを成功者とみとめ、そして入力ベクトルに対して調整する。更に、他の領域での成功者の近傍内のほかの全てのクラスタいわゆるマップスペースを入力ベクトルに向って調整する。マップスペースは通常、信号スペース内の各クラスタのための１つの結節点を含む低い次元のものである。結節点は六辺形または正方形の格子に配列され、それらの間のユークリッド距離がそれら相互の関係を定義する。結節点の近傍は通常近傍ファンクションによって定義され、訓練の開始でのすべての結節点を含み、一方で少しだけの（または全くなしの）ものを最終では近傍と考えられる。マップスペースにおいて更に成功者からはなれた結節点、信号スペース中で対応しないクラスタを入力ベクトルに向って調節する。このようにすべての調節を信号スペース中で行い、調節のルールをマップスペース中に定義する。
【００２９】
訓練時間は予め決めておきそして訓練の最後に小さい調節のみを起こすようにシステムを“フリーズ”ダウンするためにアニーリングファンクションを使用する。近傍ファンクションは信号スペース距離とマップスペース距離との間の相関関係を創出し、より複雑な信号スペースでよりも、（低次元）マップスペースでの分類を実施させる。上記の方法は“教師なし学習”として知られ、即ち、上記の訓練操作中に分類データを使用する必要がない。種々の無呼吸発生へのデータの分類は退屈な仕事である。
【００３０】
ＡＮＮが容易に訓練される時、クラスタは正常呼吸、亜無呼吸、流量制限及び無呼吸を含む入力流れ信号のＭ特徴を表わす（これらの特徴が訓練のために使用したデータベース中に表わされていることを条件として）。ＡＮＮの応答は入力信号とすべてのクラスタとの間の信号距離に比例する。図２参照。この出力はしばしば分類の場合にはあまり興味をもたれない。この出力は、その代りに分類された入力にもっともよく似た結節点、例えば正常呼吸や無呼吸発生の結節点を見出すために使用される。これはＡＮＮの設計でのラベリング段階として知られる。分類された特徴ベクトルはＡＮＮのために与えられ、出力を観察し、最高の出力を与える結節点を示された特徴でラベルする。その後の実際の出力が応答値よりもラベルである。
【００３１】
このクラスタのセットがランタイムモードで使用するためのＡＰＡＰのメモリーに記憶される。患者の流量データは、モデルで使用したパラメータ値、即ち特徴ベクトルを抽出するために訓練段階で行ったのと正確に同じ方法で分析される。その後流量制御論理で使用する出力ラベル（分類）を創出するネットワークにこのベクトルを与える。
【００３２】
実施例２ アルゴリズム
データの収集
流れ信号をｆ_ｓサンプル／秒でサンプリングしたアナログ流れ信号のディジタル化バージョンにし、サンプル列を与える。

式中ｘ_ｉはｘ（ｉ・Ｔ）の短縮、即ちｉ・Ｔ瞬時でのサンプルでありＴ＝１／ｆ_ｓである。
前処理
個々の患者の変化の影響を減ずるためにそして分類安定性を容易にするために、信号は信号平均を除くための装置を通過するべきである。如何なる種類でもよいが鋭いエッジのハイパスフィルターを使用することができ、理想的な微分器を簡潔性のために使用する。微分器からの出力、ｄ，（及びパラメーター抽出器への入力）は下記の通りである。

パラメーター
ケプストラム係数はほんの少しのパラメーターを使用する信号の周波数内容の良好なモデル（低次モデル）を示した。更に、ケプストラム係数の力学はパラメーターの数量化を容易にする。パラメーターはしばしば同様の分散をもつパラメーターを作り出すことに重きを置かれる。ケプストラム係数は標準的線形予測符号化（ＬＰＣ）によって計算された、いわゆるＡ−ポリノミアルの微分である。
【００３３】
使用したケプストラム係数は信号エネルギーについての情報をもっていないので、長期間（１０秒間）のエネルギー変化を説明するためにパラメーターでケプストラムを増大させる。このパラメーターは流れ信号の絶対的レベルに無感覚であり相対的変動を反映するだけである。
ケプストラム
時間ＫでＰモデルパラメーターを計算するために最後のＷｚ入力サンプルを使用する（ウインドウイング）。サンプル、ｄ_ｋ，は下式であると予測される。

このように、予測エラー信号は

である。
この仕事は、ウインドウ内のすべてのサンプルについて予測エラー信号のエネルギーを最小にするセット、ａ，を見出すためのもので（即ちできるだけｄ_ｋに似た

を作るためのａ＝［α_１，∧，α_ｐ］の値を見出す）ためのものである。最適の解決法はマトリックス等式、

例えばコレスキーアルゴリズム（Ｃｈｏｌｅｓｋｙ ａｌｇｏｒｉｔｈｍ）を使用するユールーウォーカーの方程式（Ｙｕｌｅ−Ｗａｌｋｅｒ）または正常方程式として知られるマトリックス方程式を解くことで見出される。
ベクトルａは、下記のアルゴリズム；

を使用してケプストラム係数のセットに変換できる、いわゆるＡ−ポリノミアルを構成する。ケプストラム係数、ｃ_１，Ｋ，ｃ_Ｐは特徴ベクトル中でのＰ第一係数として使用される。
【００３４】
エネルギー傾向のパラメーター（ＰＥＴ）
多数のウインドーからのエネルギーはエネルギー値のための傾向を計算するために使用される。もし傾向が増大するエネルギーレベルを示すならば、ＰＥＴをゼロに設定する。もし傾向が減少しているならば、傾向が時間軸と交差する点を計算する。この値の非線状変形がＰＥＴ係数を形成する。ＨＢＫ図。ＰＥＴは特徴ベクトルに加えられる。完全な特徴ベクトルは、このように図３に従って構成される。
【００３５】
特徴マップ幾何学及び定義
Ｍマップ結節点を示そう。

最もしばしば結節点は正方形（２−次元）格子に配列される。２個のマップ結節点、ｉとｊ、の間の距離はＤ_ｉｊで示され、それらの間のユークリッド距離の２乗（Ｌ^２ｎｏｒｍ）として示される。

サンプルｘ_ｋを示す入力特徴ベクトルをｙ_ｋで示そう。結節点ｉでの特徴Ｋ，Ｓ_ｉｋ，のためのマップ応答は下記のように示される。

式中、信号スペース距離ｄ^２ _ｉｋは下記のように示され、

そしてｗ_１はある適当な重量ファンクションである。
【００３６】
アニーリングファンクション
アニーリングファンクションの仕事は訓練の最後での等式を得ることである。原理は、訓練の始めに大きな調節が許され、最後には小さい調節のみ（またはゼロ）が許されるということである。どのように減少分を挿入するかは重要ではない。直線状、外挿及び脈動する［４］減少スケジュールさえも文献に提案されている。
【００３７】
初期設定
伝統的にはＡＮＮを含むクラスタ化スキームをすすめるすべてのデータはパラメーターに任意の（小さい）数を割り当てることにより信号スペース中のクラスタの任意の位置を用いる。実際の値は、それらが等しくない限り重要ではない。クラスタの順序もまた任意である。
【００３８】
訓練
反復的アルゴリズムは各入力特徴ベクトル、ｙ_ｋ，が提示された後すべてのクラスタを調節する。調節の方向はｙ_ｋに向うものであり、そしてどれ位の量かは一部はアニーリングファンクションによって決められ一部は近傍ファンクションによって決められる。瞬間ｔ＋１でのクラスタｙ_ｋのための調節式は下記の通りである：

式中

であって、ｆ（ｔ）はアニーリングファンクションであり、ｇ（ｔ）は近傍ファンクションである。種々の適するファンクションが［３］で討論されている。
【００３９】
実施例３ ハード決定Ａ
６４のマップ結節点を８×８正方形格子中に配列し左の上端から右の下端へ０から６３までの番号をつけよう。このようにして例えばマップ距離は

である。
すべての睡眠段階での数人の患者から流量測定を含む大きなデーターベースを記録する。記録は２０Ｈｚで実施しメモリーディスクに記憶させる。データーベースは正常な睡眠呼吸、流量制限、いびき、せき、種々の無呼吸発生を含むがマスクのもれや他の人為構造も含む。
【００４０】
データーベースをサンプル毎に分析する。２０Ｈｚの流れ信号は先ずイデアル微分器を通過させる。１８０サンプルの直角ウインドーを使用して４つのケプストラム係数（ｃ_１，Ｋ，ｃ_４）及びＰＥＴパラメーターを抽出するためのベースを形成する。このように、特徴ベクトルは、各５０ｍｓ毎に抽出された値をもつ５−次元ベクトルである。
【００４１】
訓練が進行する限り任意の方法でデータベースからサンプルを集める。反復数，Ｔ，はデータベースの大きさによって決められるが経験則としては、サンプル毎に１０−３０反復が適当な数であろう。すべてのクラスタ，ｙ_ｉ，ｉ＝０，Ｋ，Ｍ−１へのユークリッド距離を計算し特徴ベクトルに最も近いクラスタが成功者とみとめられ、そしてｙ_１と示される距離の計算において下記の重量ファンクションを使用する：

近傍ファンクションは、すべての時間ですべてのクラスタを調節させる（即ち近傍の大きさは時間で減少しない）が、ウィナーｙ_１から遠くはなれたクラスタを罰するであろう。

アニーリングファンクション，ｆ（ｔ），は線状減衰スケジュールに従う。

訓練段階の後、マップは既知の特徴、例えば正常呼吸、流量制限信号などで提示される。マップの各結節点における各発生の応答，Ｓ，を計算する（図２参照）。

正常呼吸のための高い応答をもつ領域を正常領域としてラベルする。流量制限に反応する領域を流量制限エリアとしてラベルするなどである。その後、発生を示すどの結節点が応答を必要としているかを決定する。即ちアラーム信号が圧力コントロールシステムにパスされる。図２において、流量制限に対応する入力へのマップ応答が描写されている。この場合、結節点Ｘ，Ｙ，Ｚは多分流量制限領域としてラベルされている。
【００４２】
実施例４ ハード決定Ｂ
この実施例は、実施例１に記載されたものと類似しているが、ここでは直角の代りに１８０サンプルのハミング（Ｈａｍｍｉｎｇ）ウインドウを使用している。更にケプストラム係数は大体同じ分散をもつように加量されており、一方でＰＥＴパラメーターはケプストラム分散の２倍与えられている。これはＰＥＴパラメーターに他のパラメーターよりも若干の重要性を与えるであろう。下記のウェートファンクションを使用する。

訓練は以前と正確に同じように実施し、そして典型的な流量限定信号のためのマップ応答を図４に示す。この場合、結節点Ｘ，Ｙ，Ｚは多分流量制限領域としてラベルされるであろう。
【００４３】
実施例５ ソフト決定
この実施例では、分類結果の重症さを示すラベルとして、マップ結節点が０，２，５または１０の数字で与えられる。従って、圧力コントロールシステムへのオン／オフアラーム信号を示す代りに数字が通過する。例えば、もし０が正常領域を反映するものであり、１０が無呼吸を反映するものであれば、全体の呼吸状態の分類を形成するために数字を全体にまとめることができる。もしレベルが非常に高いならば圧力を速やかに増大させ、低レベルでは圧力を減少させる。そして中間レベルでは圧力のゆっくりとした増大の結果となる。
【００４４】
実施例６ ダウンサンプリング
もしプロセッサーの容量が上記のすべての計算を許さないものであれば、ＬＰＣ計算を２または４のファクターで減少させることができる。分析ウインドー内のサンプルの数をその後減少させてウインドーの時間範囲がまだ約２呼吸サイクルであるようにしなければならない。マップ応答の解像はこれによって悪くならないであろう。
【００４５】
実施例７ 圧力調整及びランタイムモード
圧力制御システムは、ＡＮＮ応答が１シーケンス中５０サンプルで正であれば、１段階に０．１２５ミリバールの圧力を増加するであろう。もしＡＮＮ応答が１シーケンス中３００サンプルで負であれば、圧力は１段に０．１２５ミリバールで減少させる。もしＡＮＮ応答がこれらのシーケンスの間に変化されるならば圧力は変えられないであろう。ランタイムモードにおいて、流れ信号のサンプルを上記のようにして（即ち、特徴ベクトルを抽出して）分析し、そしてマップに提示し、ＡＰＡＰ−ユニット中のメモリーバンクに記憶させる。単調函数であるからマップ応答のための表現で指数を計算する必要はない。
【００４６】
実施例８ プログラムコード

【００４７】
実施例９ 患者の治療
装置
内部流れ測定をもつブレア（Ｂｒｅａｓ）のＣＰＡＰ ｐｖ１０ プロトタイプ（Ｂｒｅａｓ ＡＢ，Ｍｏｅｌｎｄａｌ，スウェーデン）；ＰＳＧシステム，ＥＭＢＬＡ^ＴＭポリソムノグラフィー（Ｅｍｂｌａ ｈｆ，レイキャビック，アイスランド）；
人工ニューラルネットワークソフトウエアをもつ睡眠障害検出のためのＰＣ。
患者
種々のタイプの睡眠障害になやむ３１才から６０才の年令の男性６人。
測定
患者はＰＳＧシステムからのすべてのセンサーで装備された。即ちＥＥＧ，ＥＯＧ，ＥＭＧ，酸素飽和，脈，鼻の流れサーミスター測定，体位。この装備で、睡眠段階，覚醒，睡眠時無呼吸，睡眠時亜無呼吸及び他の睡眠に関係する事項を決定することができる。ＣＰＡＰは患者に鼻マスクによってチューブを通って空気を供給する。ＣＰＡＰ通信インタフェースによってＰＣはＣＰＡＰと接続された。ＰＣソフトウエアはＣＰＡＰからの空気流量値を読みとることができそして通信インタフェースによってＣＰＡＰ上に新しい圧力セットポイントをセットすることができる。約２０Ｈｚの率で情報が交換された。ＰＣプログラムが人工ニューラルネットワーク（ＡＮＮ）に適量値を供給する。ＡＮＮからの出力は圧力調整アルゴリズム（ＰＲＡ）にエンターされる。圧力調整アルゴリズムは新しい圧力セットポイントを計算しＣＰＡＰ中に新しい値を起動する。人工ニューラルネットワークからの出力及び圧力セットポイントはＰＳＧシステムによって読みとられる。
評価
通常のＣＰＡＰ分析（睡眠障害分析）ではＣＰＡＰを睡眠中患者に接続する。ＣＰＡＰ圧力を夜の間に調節して患者を睡眠障害を示さない状態に置くようにする。この圧力はＣＰＡＰ処置で使用したものである。種々のＣＰＡＰ圧力のための患者の要求はＰＳＧシステムで各呼吸毎に見ることができる。要求されるＣＰＡＰ圧力は睡眠段階、体位その他によって変化する。自動ＣＰＡＰテストからのデータは、ＣＰＡＰ治療を受ける患者を評価するために医者によって使用されるＣＰＡＰ分析のためのものと同じ方法でＰＳＧシステム中で評価された。これによってＡＮＮによる睡眠障害の検出とＰＳＧシステムにおける分析との間の相関関係を決定することができた。得られた良好な相関関係はＡＦＮが正確に反応したことを示した。
【００４８】
参考文献
［１］Ｔ．Ｋｏｈｏｎｅｎ，Ｔ．Ｔｏｒｋｋｏｌａ，Ｍ．Ｓｈｏｚａｋａｉ，Ｏ．Ｖｅｎｔａ 著“フィンランド語と日本語のための音声タイプライター”，Ｐｒｏｃ ＩＥＥＥ ＩＣＡＳＳＰ，ニューヨーク，ニューヨーク，１９８８
［２］Ｈ．Ｃ．Ｌｅｕｎｇ，Ｖ．Ｗ．Ｚｕｅ 著“人工ニューラルネットを使用するある音声認識実験”Ｐｒｏｃ ＩＥＥＥ ＩＣＡＳＳＰ，ニューヨーク，ニューヨーク，１９８８
［３］Ｐ．Ｂｒａｕｅｒ 著“コーネンマップでの基礎構造”Ｐｒｏｃ ＩＥＥＥ ＩＣＡＳＳＰ，グラスゴー，スコットランド，１９８９
［４］Ｐ．Ｋｎａｇｅｎｈｊｅｌｍ 著“ローバストベクトル数量化のための帰納的設計方法”，Ｐｒｏｃ，ＩＣＳＰＡＴ，ボストン，マサチューセッツ，１９９２
【図面の簡単な説明】
本発明をいくつかの図からなる図面によって説明する。
【図１】パラメーター抽出に関するブロック線図を示す。
【図２】実施例３に関する応答の特徴マップを示す。
【図３】特徴ベクトルを示す。
【図４】実施例４に関する応答の特徴マップを示す。

Claims (24)

1. 睡眠中の呼吸障害を呼吸ガス流量に関連するデータを分析する人工ニューラルネットワーク（ＡＮＮ）を使用して検出し治療する方法であって、
   ・患者の気道上にチューブをもつマスクを設置し、該マスクは継続的な正の気道圧力（ＣＰＡＰ）系によって制御される加圧呼吸ガス源と連結されており、それによって呼吸回路を確立している；
   ・この回路中のガス流量を周期的ににサンプリングする；
   ・種々の呼吸パターンの特徴ある１つまたは数個のパラメーターのための値を定期的に計算する；
   ・該パラメーター値を、睡眠時呼吸障害の特徴的な呼吸パターンを認識するために訓練されたＡＮＮに周期的に供給する；
   ・該パラメーター値をニューラルネットワーク中で分析する；
   ・該ＡＮＮからの出力に応答して、加圧呼吸ガス供給をコントロールする；
   ことを特徴とする該方法。
2. 該パラメーター値を周波数２Ｈｚないし３０Ｈｚでネットワークに供給することを特徴とする請求項１の方法。
3. 該パラメーター値を約２０Ｈｚの周波数でネットワークに供給することを特徴とする請求項２の方法。
4. 該パラメーターがケプストラム（ｃｅｐｓｔｒｕｍ）係数、エネルギー傾斜、傾向変動の差からなる請求項１の方法。
5. ＡＮＮが多数の患者から集められたデータで訓練されたものである請求項１ないし５項のいずれか１項に記載の方法。
6. ＡＮＮが睡眠の特別段階での患者から集められたデータで訓練されたものである請求項１の方法。
7. ＡＮＮが睡眠中に特別の体位で休む患者から集めたデータで訓練されたものである請求項１の方法。
8. ＡＮＮが睡眠中にアルコールを含む薬剤の影響下にある患者から集めたデータで訓練されたものである請求項１の方法。
9. ＡＮＮがポリソムノグラフシステムの使用による患者から集めたデータで訓練されたものである請求項１の方法。
10. ＡＮＮが訓練データのセットを表わす多数の結節点を含む請求項１の方法。
11. ＡＮＮがコーネンマップ（Ｋｏｈｏｎｅｎ−ｍａｐ）タイプのＡＮＮである請求項１の方法。
12. 不揮発性メモリーに蓄積されたデータの構造を含む請求項１１の方法。
13. 不揮発性メモリーが自動ＣＰＡＰによって包含される請求項１２の方法。
14. ＡＮＮが無呼吸の最初の段階を表わす領域を含む請求項１１の方法。
15. 患者の呼吸パターンの閉鎖軌道特性をＡＮＮを通過するために作り、そして無呼吸の最初の段階を表わす該領域との幾何学的関係に関して分析し、そのような領域を通る該軌道の通過またはそのような領域に接触することが呼吸障害のパターンを示すものであり、そしてＡＣＰＡＰを制御して、患者に供給する空気の量を増加させ正常な呼吸を回復するように使用することを特徴とする請求項１４の方法。
16. 正常な呼吸を回復するために加えた追加の空気量は、正常な呼吸パターンが再確立された後に減少させる請求項１５の方法。
17. ＡＮＮに供給するパラメーター値を分析するために直線状予測符号化の使用を含む請求項１１の方法。
18. 該直線状予測符号化分析において、分析からのいわゆるＡ−パラメータを、パラメーター距離と概念距離との間の最適相互関係のためのケプストラムパラメーターに変換することを特徴とする請求項１７の方法。
19. 直線状予測符号化の計算において予測エラーをラインの次のパラメータ値を決定するための基礎として使用する請求項１１の方法。
20. 該予測エラーを短期間の変動を中和するためにフィルターしそして分析ウインドーの全エネルギーで正常化することを特徴とする請求項１９の方法。
21. ＣＰＡＰを使用して睡眠中の呼吸障害を検出し治療するための装置であって、該装置は、呼吸の空気流量、特に吸気における空気流量データをサンプリングするためのプローブ及び、呼吸空気圧を制御するために該データを直接または間接的に分析するための人工ニューラルネットワークを含むものである装置。
22. ＡＮＮがコーネンマップタイプＡＮＮである請求項２１の装置。
23. 呼吸空気流量データをサンプリングするためのプローブと呼吸空気圧力を制御するために該データを直接または間接的に分析するための人工ニューラルネットワーク（ＡＮＮ）とを含む自動継続、正の気道圧力装置（ＡＣＰＡＣ）。
24. ＡＮＮがコーネンマップタイプのＡＮＮである請求項２３の装置。

Images