JP2020185390A - 睡眠時無呼吸予測方法 - Google Patents
睡眠時無呼吸予測方法 Download PDFInfo
- Publication number
- JP2020185390A JP2020185390A JP2020084519A JP2020084519A JP2020185390A JP 2020185390 A JP2020185390 A JP 2020185390A JP 2020084519 A JP2020084519 A JP 2020084519A JP 2020084519 A JP2020084519 A JP 2020084519A JP 2020185390 A JP2020185390 A JP 2020185390A
- Authority
- JP
- Japan
- Prior art keywords
- snoring
- signal
- snoring signal
- sleep apnea
- vector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 36
- 206010041235 Snoring Diseases 0.000 claims abstract description 153
- 239000013598 vector Substances 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 34
- 206010038669 Respiratory arrest Diseases 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 208000004756 Respiratory Insufficiency Diseases 0.000 claims description 6
- 206010038678 Respiratory depression Diseases 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 206010021079 Hypopnoea Diseases 0.000 abstract description 11
- 238000010801 machine learning Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract 1
- 208000008784 apnea Diseases 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 208000001797 obstructive sleep apnea Diseases 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000001145 Metabolic Syndrome Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000037849 arterial hypertension Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0826—Detecting or evaluating apnoea events
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Pulmonology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
【課題】睡眠時無呼吸予測方法を提供する。【解決手段】本発明は、ニューラルネットワークを用いた機械学習を利用していびきから睡眠時の無呼吸を予測する方法である。これは、原信号をキャプチャするステップａと、原信号中から少なくとも１つのいびき信号を検索し、且ついびき信号を分割した後、一次元特徴ベクトルを有するいびき信号ベクトルを出力するいびき信号分割アルゴリズム実行ステップｂと、いびき信号の特徴からいびき信号ベクトルを抽出し、いびき信号ベクトルを、二次元特徴ベクトルを有するいびき機能マトリックスに変換する特徴抽出アルゴリズム実行ステップｃと、いびき機能マトリックスを分類し、いびき機能マトリックスが分類学習を経た後、いびき信号の意味を解釈して呼吸停止回数または呼吸低下回数を予測するニューラルネットワークアルゴリズム実行ステップｄと、を含む。【選択図】図１
Description
本発明は、ニューラルネットワークを用いた機械学習を利用していびきから睡眠時の無呼吸を予測する方法（A method for predicting sleep apnea from neural networks）に関し、更に詳しくはニューラルネットワークを用いた機械学習を利用していびき信号の意味を解釈して呼吸停止回数及び呼吸低下回数を予測する方法に関する。
いびき及び閉塞性睡眠時無呼吸症候群（obstructive sleep apnea, OSA）は睡眠時に上気道の一部が閉塞されることで起こり、共に同じ疾病に属するが、重症度は異なり、少なくとも人口の４％以上が罹患している。罹患すると日中に疲労や眠気を感じたり、記憶力が減退したり、うつ病に罹ったりする。さらには交通事故の発生率を上昇させたり、精神面の疾患、動脈性高血圧、心血管の疾病、脳卒中、及びメタボリックシンドロームなどを引き起こしたりすることもある。
現在の臨床上の診断基準は、睡眠ポリグラフ検査に基づいている。この検査は、病院に一泊して睡眠をとり、睡眠効率及び睡眠の深さを観測するものであり、睡眠時の呼吸停止回数及び血中酸素濃度等の検査項目が含まれる。しかしながら、睡眠ポリグラフ検査は病院で行う必要があるが、これは日数がかかる上、費用も人手もかかり、且つ検査費用も高かった。このため、医師や一般市民にとっては、迅速且つ簡単に診断を行うことができ、睡眠時の呼吸停止の重症度を毎日測れる道具があれば、非常に有益である。
いびきは閉塞性睡眠時無呼吸症候群の１つの主要な症状であり、患者のうち約９５％にはいびきの症状がある。いびきをかく患者達にとっては、自宅で自らいびき検知ができれば、便利で有用である。単純ないびき及び睡眠時無呼吸症候群によるいびきについて、頻度及び音の違い等を基に、過去に分析がなされており、睡眠時の閉塞部位の評価に応用されている。しかしながら、過去の医師や研究では、いびきから閉塞性睡眠時無呼吸症候群による睡眠時の呼吸停止（Sleep apnea: SA）回数や、睡眠時の呼吸低下（Sleep hypopnea: SH）回数を測ることできなかった。なお、１時間あたりの平均呼吸停止回数及び呼吸低下回数は「無呼吸低呼吸指数」（Apnea-hypopnea Index: AHI）と呼ばれている。
そこで、本発明者は上記従来技術の欠点が改善可能と考えた。ニューラルネットワークを用いた機械学習を利用して睡眠時の呼吸停止回数または睡眠時の呼吸低下回数を分類学習させることが、本発明の課題である。
本発明は、上述の従来技術の問題に鑑みてなされたものである。上記の課題解決のため、本発明は、ニューラルネットワークを用いた機械学習を利用していびきから睡眠時の無呼吸を予測する方法を提供することを目的とする。
換言すれば、本発明はニューラルネットワークを用いた機械学習により睡眠時の呼吸停止回数または睡眠時の呼吸低下回数を分類学習し、過去の医師や研究がいびきから睡眠時の呼吸停止回数や呼吸低下回数を予測できなかったという問題点を解決し、いびき信号の意味を解釈して呼吸停止回数または呼吸低下回数により人間の睡眠時の呼吸が正常であるか病気を患っているかを予測するという効果を提供する。
換言すれば、本発明はニューラルネットワークを用いた機械学習により睡眠時の呼吸停止回数または睡眠時の呼吸低下回数を分類学習し、過去の医師や研究がいびきから睡眠時の呼吸停止回数や呼吸低下回数を予測できなかったという問題点を解決し、いびき信号の意味を解釈して呼吸停止回数または呼吸低下回数により人間の睡眠時の呼吸が正常であるか病気を患っているかを予測するという効果を提供する。
上記課題を解決するために、本発明のある態様の睡眠時無呼吸予測方法は、
原信号をキャプチャするステップと、
前記原信号中から少なくとも１つのいびき信号をキャプチャし、且つ前記いびき信号を分割した後、一次元特徴ベクトルを有するいびき信号ベクトルを出力するいびき信号分割アルゴリズム実行ステップと、
前記いびき信号の特徴から前記いびき信号ベクトルを抽出し、前記いびき信号ベクトルを、二次元特徴ベクトルを有するいびき機能マトリックスに変換する特徴抽出アルゴリズム実行ステップと、
前記いびき機能マトリックスを分類し、前記いびき機能トリックスが分類学習を経た後、前記いびき信号の意味を解釈して呼吸停止回数または呼吸低下回数を予測するニューラルネットワークアルゴリズム実行ステップと、を含む。
原信号をキャプチャするステップと、
前記原信号中から少なくとも１つのいびき信号をキャプチャし、且つ前記いびき信号を分割した後、一次元特徴ベクトルを有するいびき信号ベクトルを出力するいびき信号分割アルゴリズム実行ステップと、
前記いびき信号の特徴から前記いびき信号ベクトルを抽出し、前記いびき信号ベクトルを、二次元特徴ベクトルを有するいびき機能マトリックスに変換する特徴抽出アルゴリズム実行ステップと、
前記いびき機能マトリックスを分類し、前記いびき機能トリックスが分類学習を経た後、前記いびき信号の意味を解釈して呼吸停止回数または呼吸低下回数を予測するニューラルネットワークアルゴリズム実行ステップと、を含む。
本発明の好適例において、前記いびき信号分割アルゴリズムは、第一閾値及び第二閾値を分割基準とし、且つスライディングウィンドウを設定して前記原信号のリニア検査を行い、前記スライディングウィンドウ内の前記原信号の最大値を計算するステップを更に含む。
前記原信号の最大値が前記第二閾値より大きい場合、前記いびき信号が発生したと認定し、前記スライディングウィンドウの停留位置を前記いびき信号の位置として設定する。
次いで、前記スライディングウィンドウが右に向けて継続的に前記いびき信号のリニア検査を行い、同時に前記スライディングウィンドウ内で前記いびき信号の絶対値の合計を計算し、算出された前記いびき信号の絶対値の合計が前記第一閾値未満である場合、前記スライディングウィンドウの停留位置を前記いびき信号の右側停止位置として設定する。
その後、前記スライディングウィンドウが左に向けて継続的に前記いびき信号のリニア検査を行い、同時に前記スライディングウィンドウ内で前記いびき信号の絶対値の合計を計算し、算出された前記いびき信号の絶対値の合計が前記第一閾値未満である場合、前記スライディングウィンドウの停留位置を前記いびき信号の左側停止位置として設定し、且つ前記いびき信号の前記右側停止位置及び前記いびき信号の前記左側停止位置から前記いびき信号ベクトルを分割する。
前記原信号の最大値が前記第二閾値より大きい場合、前記いびき信号が発生したと認定し、前記スライディングウィンドウの停留位置を前記いびき信号の位置として設定する。
次いで、前記スライディングウィンドウが右に向けて継続的に前記いびき信号のリニア検査を行い、同時に前記スライディングウィンドウ内で前記いびき信号の絶対値の合計を計算し、算出された前記いびき信号の絶対値の合計が前記第一閾値未満である場合、前記スライディングウィンドウの停留位置を前記いびき信号の右側停止位置として設定する。
その後、前記スライディングウィンドウが左に向けて継続的に前記いびき信号のリニア検査を行い、同時に前記スライディングウィンドウ内で前記いびき信号の絶対値の合計を計算し、算出された前記いびき信号の絶対値の合計が前記第一閾値未満である場合、前記スライディングウィンドウの停留位置を前記いびき信号の左側停止位置として設定し、且つ前記いびき信号の前記右側停止位置及び前記いびき信号の前記左側停止位置から前記いびき信号ベクトルを分割する。
本発明の好適例において、前記第一閾値の式は式（１）で表され、
Ｍは前記第一閾値を示し、meanは平均値を示し、ｆ()はダウンサンプリング関数を示し、Ｙｉは前記原信号のベクトルを示す。
また、前記第二閾値の式は式（２）で表され、
Ｘは前記第二閾値を示し、meanは平均値を示し、stdは標準偏差を示し、Ｎは自然数を示し、sortは小から大までの順序を示し、式（３）はＹｉが分割されたn個のベクトル示す。
また、前記第二閾値の式は式（２）で表され、
本発明の好適例において、前記いびき信号ベクトルの長さは25000に設定されている。
本発明の好適例において、前記スライディングウィンドウの長さは1000に設定されている。
本発明の好適例において、前記特徴抽出アルゴリズムはメル周波数ケプストラム係数アルゴリズムであり、
前記メル周波数ケプストラム係数アルゴリズムはプリエンファシスプロセスと、フレーミングとウィンドウプロセスと、高速フーリエ変換プロセスと、メルフィルターバンクと、非線形変換と、離散コサイン変換プロセスと、を含む。
前記メル周波数ケプストラム係数アルゴリズムはプリエンファシスプロセスと、フレーミングとウィンドウプロセスと、高速フーリエ変換プロセスと、メルフィルターバンクと、非線形変換と、離散コサイン変換プロセスと、を含む。
本発明の好適例において、前記ニューラルネットワークアルゴリズムは畳み込みニューラルネットワークアルゴリズムであり、
前記畳み込みニューラルネットワークアルゴリズムはDenseブロックネットワークモデルが識別モデルとして選択されている。
前記畳み込みニューラルネットワークアルゴリズムはDenseブロックネットワークモデルが識別モデルとして選択されている。
本発明の好適例において、前記Denseブロックネットワークモデルは複数のDenseブロックと、複数のTransitionレイヤーと、分類レイヤーと、を含む。
本発明の好適例において、前記Transitionレイヤーは畳み込みプロセス及びプーリングプロセスを含む。前記分類レイヤーはSoftmaxレイヤーである。
本発明の好適例において、前記DenseブロックはDenseレイヤーと、BR BN-ReLU-Convレイヤーと、成長率と、を含む。
上記技術手段により、前記いびき信号分割アルゴリズム、前記特徴抽出アルゴリズム、及び前記ニューラルネットワークアルゴリズムを統合することで、前記原信号を有効に処理し、前記いびき信号の呼吸停止回数または呼吸低下回数を予測する。前記いびき信号の呼吸停止回数または呼吸低下回数から人間の睡眠時の呼吸が正常であるか病気にかかっているかを予測し、過去の医師や研究がいびきから睡眠時の呼吸停止回数や呼吸低下回数を予測できなかったという問題点を解決する。
以下、図面を参照しつつ、本発明に係る睡眠時無呼吸予測方法について具体的に説明する。なお、本発明は、以下に説明する実施形態に限定されるものではない。
（実施形態）
以下、本発明を図１〜７Ｂに基づいて説明する。本発明の睡眠時無呼吸予測方法は、以下のステップから構成されている。
以下、本発明を図１〜７Ｂに基づいて説明する。本発明の睡眠時無呼吸予測方法は、以下のステップから構成されている。
＜ステップａ＞
原信号（Ｙ）をキャプチャする。本実施例では、各患者に対し睡眠ポリグラフ検査（PSG）を行う。
睡眠研究変量は無呼吸低呼吸指数（Apnea-hypopnea index, AHI）評価と、いびき指数と、最小酸素飽和度（MOS）と、を含む。
前記無呼吸低呼吸指数評価とは、睡眠１時間あたりの閉塞性呼吸停止（Apnea）及び呼吸低下（hypopnea）発作の総数を指す。
呼吸停止（Apnea）とは、少なくとも１０秒間呼吸が停止した状態を指す。
呼吸低下（hypopnea）とは、基線通気値が５０％以上低下した状態が１０秒以上続き、且つ酸素飽和度が４％以上低下した状態を指す。
PSG実施中は、胸骨上切痕上方に取り付けた小型マイクのデジタル音量計を使用していびきを記録するが、この方法に限定するわけではない。
原信号（Ｙ）をキャプチャする。本実施例では、各患者に対し睡眠ポリグラフ検査（PSG）を行う。
睡眠研究変量は無呼吸低呼吸指数（Apnea-hypopnea index, AHI）評価と、いびき指数と、最小酸素飽和度（MOS）と、を含む。
前記無呼吸低呼吸指数評価とは、睡眠１時間あたりの閉塞性呼吸停止（Apnea）及び呼吸低下（hypopnea）発作の総数を指す。
呼吸停止（Apnea）とは、少なくとも１０秒間呼吸が停止した状態を指す。
呼吸低下（hypopnea）とは、基線通気値が５０％以上低下した状態が１０秒以上続き、且つ酸素飽和度が４％以上低下した状態を指す。
PSG実施中は、胸骨上切痕上方に取り付けた小型マイクのデジタル音量計を使用していびきを記録するが、この方法に限定するわけではない。
＜ステップｂ＞
いびき信号分割アルゴリズム（Ｇ1）により前記原信号（Ｙ）中から少なくとも１つのいびき信号（Ｂ）をキャプチャし、且つ前記いびき信号（Ｂ）を分割した後、一次元特徴ベクトルを有するいびき信号ベクトル（Ｓ）を出力する。
前記原信号（Ｙ）は終夜録音され、学習前にはデータに対する前処理を施す必要がある。また、目標はいびきであるため、音声周波数中の各いびきを自動的に分割する必要があり、全自動分割アルゴリズムを設計し、最初の原信号を一段一段いびきの段に分割するが、この方法に限定するわけではない。
いびき信号分割アルゴリズム（Ｇ1）により前記原信号（Ｙ）中から少なくとも１つのいびき信号（Ｂ）をキャプチャし、且つ前記いびき信号（Ｂ）を分割した後、一次元特徴ベクトルを有するいびき信号ベクトル（Ｓ）を出力する。
前記原信号（Ｙ）は終夜録音され、学習前にはデータに対する前処理を施す必要がある。また、目標はいびきであるため、音声周波数中の各いびきを自動的に分割する必要があり、全自動分割アルゴリズムを設計し、最初の原信号を一段一段いびきの段に分割するが、この方法に限定するわけではない。
上述したように、本実施例では、前記いびき信号分割アルゴリズム（Ｇ1）は、第一閾値（Ｍ）及び第二閾値（Ｘ）を分割基準とし、スライディングウィンドウ（Ｗ）を設定して前記原信号（Ｙ）のリニア検査を行うステップを更に含む。
図３Ｄに示されるように、前記スライディングウィンドウ（Ｗ）内の前記原信号（Ｙ）の最大値（Ｘｉ）の計算を行う。
前記原信号（Ｙ）の最大値（Ｘｉ）が前記第二閾値（Ｘ）より大きい場合、前記いびき信号（Ｂ）が発生したと認定し、前記スライディングウィンドウ（Ｗ）の停留位置を前記いびき信号（Ｂ）の位置と設定する。
次いで、前記スライディングウィンドウ（Ｗ）が右に向けて継続的に前記いびき信号（Ｂ）のリニア検査を行い（図３Ｅを参照）、同時に前記スライディングウィンドウ（Ｗ）内で前記いびき信号の絶対値の合計（Ｍｉ）を計算して算出された絶対値の合計（Ｍｉ）が前記第一閾値（Ｍ）未満である場合、前記スライディングウィンドウ（Ｗ）の停留位置を前記いびき信号（Ｂ）の右側停止位置（Ｒ）と設定する。
そして、前記スライディングウィンドウ（Ｗ）が左に向けて継続的に前記いびき信号（Ｂ）のリニア検査を行い、同時に前記スライディングウィンドウ（Ｗ）内で前記いびき信号の絶対値の合計（Ｍｉ）の計算を行い、算出された絶対値の合計（Ｍｉ）が前記第一閾値（Ｍ）未満である場合、前記スライディングウィンドウ（Ｗ）の停留位置を前記いびき信号（Ｂ）の左側停止位置（Ｌ）と設定し、且つ前記いびき信号（Ｂ）の右側停止位置（Ｒ）及び前記いびき信号（Ｂ）の左側停止位置（Ｌ）から前記いびき信号ベクトル（Ｓ）を分割する。
図３Ｆ〜図３Ｌに示されるように、分割後に第一単一いびき信号ベクトル（Ｓ1）、第二単一いびき信号ベクトル（Ｓ2）、第三単一いびき信号ベクトル（Ｓ3）、
第四単一いびき信号ベクトル（Ｓ4）、第五単一いびき信号ベクトル（Ｓ5）、
第六単一いびき信号ベクトル（Ｓ6）、及び第七単一のいびき信号ベクトル（Ｓ7）が形成される。
また、各前記単一のいびき信号ベクトル（Ｓ1〜Ｓ7）は同じ長さである必要があるため、前記いびき信号ベクトル（Ｓ）をキャプチャする長さを調整し、前記いびき信号ベクトル（Ｓ）の長さを25000に設定するが、この方法に限定するわけではない。
図３Ｄに示されるように、前記スライディングウィンドウ（Ｗ）内の前記原信号（Ｙ）の最大値（Ｘｉ）の計算を行う。
前記原信号（Ｙ）の最大値（Ｘｉ）が前記第二閾値（Ｘ）より大きい場合、前記いびき信号（Ｂ）が発生したと認定し、前記スライディングウィンドウ（Ｗ）の停留位置を前記いびき信号（Ｂ）の位置と設定する。
次いで、前記スライディングウィンドウ（Ｗ）が右に向けて継続的に前記いびき信号（Ｂ）のリニア検査を行い（図３Ｅを参照）、同時に前記スライディングウィンドウ（Ｗ）内で前記いびき信号の絶対値の合計（Ｍｉ）を計算して算出された絶対値の合計（Ｍｉ）が前記第一閾値（Ｍ）未満である場合、前記スライディングウィンドウ（Ｗ）の停留位置を前記いびき信号（Ｂ）の右側停止位置（Ｒ）と設定する。
そして、前記スライディングウィンドウ（Ｗ）が左に向けて継続的に前記いびき信号（Ｂ）のリニア検査を行い、同時に前記スライディングウィンドウ（Ｗ）内で前記いびき信号の絶対値の合計（Ｍｉ）の計算を行い、算出された絶対値の合計（Ｍｉ）が前記第一閾値（Ｍ）未満である場合、前記スライディングウィンドウ（Ｗ）の停留位置を前記いびき信号（Ｂ）の左側停止位置（Ｌ）と設定し、且つ前記いびき信号（Ｂ）の右側停止位置（Ｒ）及び前記いびき信号（Ｂ）の左側停止位置（Ｌ）から前記いびき信号ベクトル（Ｓ）を分割する。
図３Ｆ〜図３Ｌに示されるように、分割後に第一単一いびき信号ベクトル（Ｓ1）、第二単一いびき信号ベクトル（Ｓ2）、第三単一いびき信号ベクトル（Ｓ3）、
第四単一いびき信号ベクトル（Ｓ4）、第五単一いびき信号ベクトル（Ｓ5）、
第六単一いびき信号ベクトル（Ｓ6）、及び第七単一のいびき信号ベクトル（Ｓ7）が形成される。
また、各前記単一のいびき信号ベクトル（Ｓ1〜Ｓ7）は同じ長さである必要があるため、前記いびき信号ベクトル（Ｓ）をキャプチャする長さを調整し、前記いびき信号ベクトル（Ｓ）の長さを25000に設定するが、この方法に限定するわけではない。
上述したように、本実施例では、前記第一閾値（Ｍ）の式（１）は下記に示す。
ここでは、Ｍは前記第一閾値（Ｍ）を示し、meanは平均値を示し、ｆ()はダウンサンプリング関数を示し、Ｙｉは原信号（Ｙ）を２分間毎の音声周波数に分割したフレームベクトル（Ｙｉ）を示す。前記フレームベクトル（Ｙｉ）をサンプリングが必要な次元まで等分割する方式で４００次元までダウンサンプリングを行い、その後各段全ての最大値のみ取得すると、元の前記フレームベクトル（Ｙｉ）が1*400ベクトルまで縮小される。ダウンサンプリングにより更に信頼性の高い前記第一閾値（Ｍ）を獲得できるが、この方法に限定するわけではない。
前記第二閾値（Ｘ）の式（２）及び（３）は下記に示す。
ここでは、Ｘは前記第二閾値（Ｘ）を示し、meanは平均値を示し、stdは標準偏差を示し、Ｎは自然数を示し、sortは小から大までの順序を示し、式（３）はＹｉを等分割したｎ個のベクトルを示す。換言すれば、前記ｎ個のベクトルは前記フレームベクトル（Ｙｉ）の長さから前記スライディングウィンドウ（Ｗ）の大きさを除算したものであるから、前記スライディングウィンドウ（Ｗ）の長さが1000に設定され、且つ式（３）から前記自然数（Ｎ）を獲得した後、式（２）に代入されれば前記第二閾値（Ｘ）が算出されるが、この方法に限定するわけではない。
前記第二閾値（Ｘ）の式（２）及び（３）は下記に示す。
＜ステップｃ＞
特徴抽出アルゴリズム（Ｇ2）により前記いびき信号ベクトル（Ｓ）の特徴を抽出し、前記いびき信号ベクトル（Ｓ）を、二次元特徴ベクトルを有するいびき機能マトリックス（Ａ）に変換する。これにより、全て分割が完了した後、前記原信号（Ｙ）が複数の各前記単一のいびき信号ベクトル（Ｓ1〜Ｓ7）に分割され、その後、各前記単一のいびき信号ベクトル（Ｓ1〜Ｓ7）に前記特徴抽出アルゴリズムを使用する。
前記特徴抽出アルゴリズム（Ｇ2）はメル周波数ケプストラム係数（Mel-Frequency Cepstral Coefficients, MFCC）アルゴリズムにより特徴の抽出を行う。これは図４に示されるように、プリエンファシスプロセス（Ｇ21）と、フレーミングとウィンドウプロセス（Ｇ22、窓関数プロセス）と、高速フーリエ変換プロセス（Ｇ23）と、メルフィルターバンク（Ｇ24）と、非線形変換プロセス（Ｇ25）と、離散コサイン変換プロセス（Ｇ26）と、を含むが、この方法に限定するわけではない。
特徴抽出アルゴリズム（Ｇ2）により前記いびき信号ベクトル（Ｓ）の特徴を抽出し、前記いびき信号ベクトル（Ｓ）を、二次元特徴ベクトルを有するいびき機能マトリックス（Ａ）に変換する。これにより、全て分割が完了した後、前記原信号（Ｙ）が複数の各前記単一のいびき信号ベクトル（Ｓ1〜Ｓ7）に分割され、その後、各前記単一のいびき信号ベクトル（Ｓ1〜Ｓ7）に前記特徴抽出アルゴリズムを使用する。
前記特徴抽出アルゴリズム（Ｇ2）はメル周波数ケプストラム係数（Mel-Frequency Cepstral Coefficients, MFCC）アルゴリズムにより特徴の抽出を行う。これは図４に示されるように、プリエンファシスプロセス（Ｇ21）と、フレーミングとウィンドウプロセス（Ｇ22、窓関数プロセス）と、高速フーリエ変換プロセス（Ｇ23）と、メルフィルターバンク（Ｇ24）と、非線形変換プロセス（Ｇ25）と、離散コサイン変換プロセス（Ｇ26）と、を含むが、この方法に限定するわけではない。
＜Ｇ21ステップ＞
前記プリエンファシスプロセス（Ｇ21）では、音声中の高周波部分を補償するためにプリエンファシスが用いられ、信号の高周波が強調される。式（４）にプリエンファシスを示す。
ここでは、Hpreemはプリエンファシス処理後の出力であり、αpreemは入力音声信号である。
前記プリエンファシスプロセス（Ｇ21）では、音声中の高周波部分を補償するためにプリエンファシスが用いられ、信号の高周波が強調される。式（４）にプリエンファシスを示す。
＜Ｇ22ステップ＞
前記フレーミングとウィンドウプロセス（Ｇ22、窓関数プロセス）では、まず信号をフレーム毎に分割する。すなわち、信号が多くの段に分割され、分割後の信号の長さが約２０ｍｓ〜４０ｍｓとなる。各段はサウンドフレームと呼ばれる。これは規定の数値ではなく、使用者の需要に応じて微調整可能である。
隣接する２つのサウンドフレームの変化が過大になることを回避するため、隣接する２つのサウンドフレーム間に１０ｍｓの重複領域が設けられ、且つサウンドフレームの左右両端の連続性を強化するために各サウンドフレームに漢明ウィンドウ（ハミング窓関数）が乗算されることにより、サウンドフレーム内の信号の２つの境界辺がゆっくりと減衰し、境界上に明らかな不連続現象が生じなくなり、ノイズのエネルギースペクトルの強度が弱くなり、正弦波のピークが突出していることを示す。
フーリエ変換を行う際に、サウンドフレームの境界の左右に不連続の変化があった場合、フーリエ変換により原信号ではないエネルギー分布が生じ、分析判断に誤差が生じるため、信号に漢明ウィンドウ（ハミング窓関数）を乗算することでこの現象を低減する。
前記フレーミングとウィンドウプロセス（Ｇ22、窓関数プロセス）では、まず信号をフレーム毎に分割する。すなわち、信号が多くの段に分割され、分割後の信号の長さが約２０ｍｓ〜４０ｍｓとなる。各段はサウンドフレームと呼ばれる。これは規定の数値ではなく、使用者の需要に応じて微調整可能である。
隣接する２つのサウンドフレームの変化が過大になることを回避するため、隣接する２つのサウンドフレーム間に１０ｍｓの重複領域が設けられ、且つサウンドフレームの左右両端の連続性を強化するために各サウンドフレームに漢明ウィンドウ（ハミング窓関数）が乗算されることにより、サウンドフレーム内の信号の２つの境界辺がゆっくりと減衰し、境界上に明らかな不連続現象が生じなくなり、ノイズのエネルギースペクトルの強度が弱くなり、正弦波のピークが突出していることを示す。
フーリエ変換を行う際に、サウンドフレームの境界の左右に不連続の変化があった場合、フーリエ変換により原信号ではないエネルギー分布が生じ、分析判断に誤差が生じるため、信号に漢明ウィンドウ（ハミング窓関数）を乗算することでこの現象を低減する。
＜Ｇ23ステップ＞
前記高速フーリエ変換プロセス（Ｇ23）では、信号を時間領域から周波数領域に変換するために高速フーリエ変換（FFT）が用いられている。FFTは離散フーリエ変換（DFT）の高速アルゴリズムである。
前記高速フーリエ変換プロセス（Ｇ23）では、信号を時間領域から周波数領域に変換するために高速フーリエ変換（FFT）が用いられている。FFTは離散フーリエ変換（DFT）の高速アルゴリズムである。
＜Ｇ24ステップ＞
前記メルフィルターバンク（Ｇ24）では、フィルターバンクは互いに重複するバンドパスフィルターである。メル尺度に基づいて、１kHz未満では線形を呈し、それ以上では対数を呈する。メルスケーリングプロセスは式（５）を満たす。
ここでは、melはメルフィルターバンクの出力であり、ｆはフィルターの入力であり、2595及び700は固定値である。エネルギースペクトルは１組２０個の三角バンドパスフィルターが乗算されることで成り立ち、メル尺度をこの２０個のフィルターのスペクトルとする。
前記メルフィルターバンク（Ｇ24）では、フィルターバンクは互いに重複するバンドパスフィルターである。メル尺度に基づいて、１kHz未満では線形を呈し、それ以上では対数を呈する。メルスケーリングプロセスは式（５）を満たす。
＜Ｇ25ステップ＞
前記離散コサイン変換プロセス（Ｇ25）では、MFCCの各フレームに対する計算に離散コサイン変換（DCT）が用いられている。DCTプロセスは式（６）を満たす。
前記メル周波数ケプストラム係数アルゴリズムを使用して前記いびき信号（Ｂ）を前記いびき機能マトリックス（Ａ）に変換する。
前記離散コサイン変換プロセス（Ｇ25）では、MFCCの各フレームに対する計算に離散コサイン変換（DCT）が用いられている。DCTプロセスは式（６）を満たす。
＜ステップｄ＞
ニューラルネットワークアルゴリズム（Ｇ3）により前記いびき機能マトリックス（Ａ）を分類し、前記いびき機能マトリックス（Ａ）が分類学習を経た後、前記いびき信号（Ｂ）の呼吸停止回数または呼吸低下回数を取得する。これにより、前記特徴抽出アルゴリズム（Ｇ2）により各前記単一のいびき信号ベクトル（Ｓ1〜Ｓ7）の特徴を抽出した後、前記いびき信号（Ｂ）から二次元の特徴ベクトルを取得する。
ディープラーニング関連技術はイメージ分類分野で大きな成功を収めており、多くのイメージ分類問題は全て前記ニューラルネットワークアルゴリズム（Ｇ3）を使用してイメージの特徴を抽出した後に分類を行っている。
前記ニューラルネットワークアルゴリズム（Ｇ3）によりイメージの特徴を抽出できるが、前記特徴抽出アルゴリズム（Ｇ2）により特徴の処理がなされた前記いびき機能マトリックス（Ａ）を検索できると考え、前記ニューラルネットワークアルゴリズム（Ｇ3）を使用して前記いびき機能マトリックス（Ａ）の分類を行ったが、この方法に限定するわけではない。
ニューラルネットワークアルゴリズム（Ｇ3）により前記いびき機能マトリックス（Ａ）を分類し、前記いびき機能マトリックス（Ａ）が分類学習を経た後、前記いびき信号（Ｂ）の呼吸停止回数または呼吸低下回数を取得する。これにより、前記特徴抽出アルゴリズム（Ｇ2）により各前記単一のいびき信号ベクトル（Ｓ1〜Ｓ7）の特徴を抽出した後、前記いびき信号（Ｂ）から二次元の特徴ベクトルを取得する。
ディープラーニング関連技術はイメージ分類分野で大きな成功を収めており、多くのイメージ分類問題は全て前記ニューラルネットワークアルゴリズム（Ｇ3）を使用してイメージの特徴を抽出した後に分類を行っている。
前記ニューラルネットワークアルゴリズム（Ｇ3）によりイメージの特徴を抽出できるが、前記特徴抽出アルゴリズム（Ｇ2）により特徴の処理がなされた前記いびき機能マトリックス（Ａ）を検索できると考え、前記ニューラルネットワークアルゴリズム（Ｇ3）を使用して前記いびき機能マトリックス（Ａ）の分類を行ったが、この方法に限定するわけではない。
上述したように、本実施例では、前記ニューラルネットワークアルゴリズム（Ｇ3）は畳み込みニューラルネットワークアルゴリズムであり、前記畳み込みニューラルネットワークアルゴリズムはDenseブロックネットワーク（DenseNet）モデル（ＤＮ）が識別モデルとして選択されている。
図５に示されるように、前記Denseブロックネットワークモデル（ＤＮ）は複数のDenseブロック（Dense Block）（Ｄ）と、複数のTransitionレイヤー（Transition Layer）（Ｔ）と、分類レイヤー（Ｅ）と、を含む。前記Transitionレイヤー（Ｔ）は畳み込み（convolution）プロセス（Ｔ1)及びプーリング（pooling）プロセス（Ｔ2）を含み、且つ前記分類レイヤー（Ｅ）はSoftmaxレイヤーである。
図６に示されるように、前記Denseブロック（Ｄ）はDenseレイヤー（Ｉ）と、BR BN-ReLU-Convレイヤー（Batch Normalization-rectified linear units-Convolution）（ＢＲ）と、成長率（ｋ）と、を含み、前記成長率（ｋ）はレイヤーから出力された特徴写像の数量を示す。これにより、前記Denseブロックネットワークモデル（ＤＮ）は主に接続される各前記Denseブロック（Ｄ）及び各前記Transitionレイヤー（Ｔ）で構成され、最後に前記分類レイヤー（Ｅ）に接続される。ゆえに、前記Denseブロック（Ｄ）は密集して接続される畳み込みニューラルネットワークであり、前記Denseブロックネットワークモデル（ＤＮ）が構築されている。
その後、まず各いびき信号（Ｂ）を分割し、且ついびきが呼吸停止または呼吸低下であるかラベルを付ける。例えば、前記いびき機能マトリックス（Ａ）が呼吸停止または呼吸低下ではない場合、正常ラベル（Ａ1）を付け、前記いびき機能マトリックス（Ａ）が呼吸停止または呼吸低下である場合、病気ラベル（Ａ2）を付ける。
ラベル付けが完了した後、モデルにフィードして分類学習を行う。
最後に、識別睡眠時無呼吸モデル（Ｆ）が取得されるが、この方法に限定するわけではない。
図５に示されるように、前記Denseブロックネットワークモデル（ＤＮ）は複数のDenseブロック（Dense Block）（Ｄ）と、複数のTransitionレイヤー（Transition Layer）（Ｔ）と、分類レイヤー（Ｅ）と、を含む。前記Transitionレイヤー（Ｔ）は畳み込み（convolution）プロセス（Ｔ1)及びプーリング（pooling）プロセス（Ｔ2）を含み、且つ前記分類レイヤー（Ｅ）はSoftmaxレイヤーである。
図６に示されるように、前記Denseブロック（Ｄ）はDenseレイヤー（Ｉ）と、BR BN-ReLU-Convレイヤー（Batch Normalization-rectified linear units-Convolution）（ＢＲ）と、成長率（ｋ）と、を含み、前記成長率（ｋ）はレイヤーから出力された特徴写像の数量を示す。これにより、前記Denseブロックネットワークモデル（ＤＮ）は主に接続される各前記Denseブロック（Ｄ）及び各前記Transitionレイヤー（Ｔ）で構成され、最後に前記分類レイヤー（Ｅ）に接続される。ゆえに、前記Denseブロック（Ｄ）は密集して接続される畳み込みニューラルネットワークであり、前記Denseブロックネットワークモデル（ＤＮ）が構築されている。
その後、まず各いびき信号（Ｂ）を分割し、且ついびきが呼吸停止または呼吸低下であるかラベルを付ける。例えば、前記いびき機能マトリックス（Ａ）が呼吸停止または呼吸低下ではない場合、正常ラベル（Ａ1）を付け、前記いびき機能マトリックス（Ａ）が呼吸停止または呼吸低下である場合、病気ラベル（Ａ2）を付ける。
ラベル付けが完了した後、モデルにフィードして分類学習を行う。
最後に、識別睡眠時無呼吸モデル（Ｆ）が取得されるが、この方法に限定するわけではない。
さらに、各前記Denseブロック（Ｄ）中の任意の２つのレイヤー間を直接接続し、即ちネットワーク中の各レイヤーの入力を全ての先行レイヤーの全ての出力とし、且つ各レイヤーが学習した特徴写像が背後の全てのレイヤーに直接伝送されたものも全てこれらの入力となる。この方法により前記Denseブロックネットワークモデル（ＤＮ）が全ての特徴を更に有効的に利用し、各レイヤー間の伝送を強化する。
各前記Denseブロック（Ｄ）の間に挟まれた前記Transitionレイヤー（Ｔ）は特徴マトリックスのサイズを縮小するためのものであり、前記Denseブロック（Ｄ）の最後のレイヤーが累積した全ての先行レイヤーの情報を出力するため、モデルが非常に巨大となる。よって、前記Transitionレイヤー（Ｔ）が前記Denseブロック（Ｄ）及び前記Denseブロック（Ｄ）の間のサイズを縮小させることによってパラメータの数量が大幅に減少する。
上述の特性により、前記Denseブロックネットワークモデル（ＤＮ）が、ネットワークアーキテクチャが深すぎる場合に深いニューラルネットワークで直面する勾配の消失問題を解決する。モデルパラメータの数量が大幅に減少する以外、過剰適合に対する優れた抵抗力を更に有するが、但しこの方法に限定するわけではない。
各前記Denseブロック（Ｄ）の間に挟まれた前記Transitionレイヤー（Ｔ）は特徴マトリックスのサイズを縮小するためのものであり、前記Denseブロック（Ｄ）の最後のレイヤーが累積した全ての先行レイヤーの情報を出力するため、モデルが非常に巨大となる。よって、前記Transitionレイヤー（Ｔ）が前記Denseブロック（Ｄ）及び前記Denseブロック（Ｄ）の間のサイズを縮小させることによってパラメータの数量が大幅に減少する。
上述の特性により、前記Denseブロックネットワークモデル（ＤＮ）が、ネットワークアーキテクチャが深すぎる場合に深いニューラルネットワークで直面する勾配の消失問題を解決する。モデルパラメータの数量が大幅に減少する以外、過剰適合に対する優れた抵抗力を更に有するが、但しこの方法に限定するわけではない。
このような構成により、図２に戻って、前記識別睡眠時無呼吸モデル（Ｆ）により正常信号（Ｆ1）または病気信号（Ｆ2）を予測する。
また、図７Ａに示されるように、前記識別睡眠時無呼吸モデル（Ｆ）のグラウンドトゥルース（Ground Truth）は、前記原信号（Ｙ）が青色曲線を呈することで構築された前記正常信号（Ｆ1）は正常ないびき（Normal snoring）を示すと共に緑色曲線を呈し、前記病気信号（Ｆ２）が閉塞性睡眠時無呼吸症候群（obstructive sleep apnea：OSA）を示すと共にピンク色の曲線を呈する。
また、図７Ｂ図に示されるように、前記識別睡眠時無呼吸モデル（Ｆ）に前記いびき信号（Ｂ）が入力されて赤色曲線を呈する場合に、前記正常信号（Ｆ1）及び前記病気信号（Ｆ2）のうちのどちらであるかを予測（Prediction）し、前記ニューラルネットワークアルゴリズム（Ｇ3）を利用していびきから睡眠時の呼吸停止を予測するが、この方法に限定するわけではない。
また、図７Ａに示されるように、前記識別睡眠時無呼吸モデル（Ｆ）のグラウンドトゥルース（Ground Truth）は、前記原信号（Ｙ）が青色曲線を呈することで構築された前記正常信号（Ｆ1）は正常ないびき（Normal snoring）を示すと共に緑色曲線を呈し、前記病気信号（Ｆ２）が閉塞性睡眠時無呼吸症候群（obstructive sleep apnea：OSA）を示すと共にピンク色の曲線を呈する。
また、図７Ｂ図に示されるように、前記識別睡眠時無呼吸モデル（Ｆ）に前記いびき信号（Ｂ）が入力されて赤色曲線を呈する場合に、前記正常信号（Ｆ1）及び前記病気信号（Ｆ2）のうちのどちらであるかを予測（Prediction）し、前記ニューラルネットワークアルゴリズム（Ｇ3）を利用していびきから睡眠時の呼吸停止を予測するが、この方法に限定するわけではない。
上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得ると共に、本発明にはその等価物が含まれることは言うまでもない。
ａ，ｂ，ｃ，ｄ ステップ
Ｙ 原信号
Ｙｉ フレームベクトル
Ｂ いびき信号
Ｓ いびき信号ベクトル
Ｍ 第一閾値
Ｘ 第二閾値
Ｘｉ 原信号の最大値
Ｍｉ いびき信号の絶対値の合計
Ｒ 右側停止位置
Ｌ 左側停止位置
Ｗ スライディングウィンドウ
Ｓ1 第一単一いびき信号ベクトル
Ｓ2 第二単一いびき信号ベクトル
Ｓ3 第三単一いびき信号ベクトル
Ｓ4 第四単一いびき信号ベクトル
Ｓ5 第五単一いびき信号ベクトル
Ｓ6 第六単一いびき信号ベクトル
Ｓ7 第七単一いびき信号ベクトル
Ａ いびき機能マトリックス
Ａ1 正常ラベル
Ａ2 病気ラベル
Ｇ1 いびき信号分割アルゴリズム
Ｇ2 特徴抽出アルゴリズム
Ｇ21 プリエンファシスプロセス
Ｇ22 フレーミングとウィンドウプロセス
Ｇ23 高速フーリエ変換プロセス
Ｇ24 メルフィルターバンク
Ｇ25 非線形変換プロセス
Ｇ26 離散コサイン変換プロセス
Ｇ3 ニューラルネットワークアルゴリズム
ＤＮ 緻密ネットワークモジュール
Ｄ Denseブロック
Ｔ Transitionレイヤー
Ｔ1 畳み込みプロセス
Ｔ2 プーリングプロセス
Ｅ 分類レイヤー
Ｉ Denseレイヤー
ＢＲ BR BN-ReLU-Convレイヤー
ｋ 成長率
Ｆ 睡眠時無呼吸モデル
Ｆ1 正常信号
Ｆ2 病気信号
Ｙ 原信号
Ｙｉ フレームベクトル
Ｂ いびき信号
Ｓ いびき信号ベクトル
Ｍ 第一閾値
Ｘ 第二閾値
Ｘｉ 原信号の最大値
Ｍｉ いびき信号の絶対値の合計
Ｒ 右側停止位置
Ｌ 左側停止位置
Ｗ スライディングウィンドウ
Ｓ1 第一単一いびき信号ベクトル
Ｓ2 第二単一いびき信号ベクトル
Ｓ3 第三単一いびき信号ベクトル
Ｓ4 第四単一いびき信号ベクトル
Ｓ5 第五単一いびき信号ベクトル
Ｓ6 第六単一いびき信号ベクトル
Ｓ7 第七単一いびき信号ベクトル
Ａ いびき機能マトリックス
Ａ1 正常ラベル
Ａ2 病気ラベル
Ｇ1 いびき信号分割アルゴリズム
Ｇ2 特徴抽出アルゴリズム
Ｇ21 プリエンファシスプロセス
Ｇ22 フレーミングとウィンドウプロセス
Ｇ23 高速フーリエ変換プロセス
Ｇ24 メルフィルターバンク
Ｇ25 非線形変換プロセス
Ｇ26 離散コサイン変換プロセス
Ｇ3 ニューラルネットワークアルゴリズム
ＤＮ 緻密ネットワークモジュール
Ｄ Denseブロック
Ｔ Transitionレイヤー
Ｔ1 畳み込みプロセス
Ｔ2 プーリングプロセス
Ｅ 分類レイヤー
Ｉ Denseレイヤー
ＢＲ BR BN-ReLU-Convレイヤー
ｋ 成長率
Ｆ 睡眠時無呼吸モデル
Ｆ1 正常信号
Ｆ2 病気信号
Claims (10)
- 原信号をキャプチャするステップと、
前記原信号中から少なくとも１つのいびき信号を検索し、且つ前記いびき信号を分割した後、一次元特徴ベクトルを有するいびき信号ベクトルを出力するいびき信号分割アルゴリズム実行ステップと、
前記いびき信号の特徴から前記いびき信号ベクトルを抽出し、前記いびき信号ベクトルを、二次元特徴ベクトルを有するいびき機能マトリックスに変換する特徴抽出アルゴリズム実行ステップと、
前記いびき機能マトリックスを分類し、前記いびき機能マトリックスが分類学習を経た後、前記いびき信号の意味を解釈して呼吸停止回数または呼吸低下回数を予測するニューラルネットワークアルゴリズム実行ステップと、を含むことを特徴とする睡眠時無呼吸予測方法。 - 前記いびき信号分割アルゴリズム実行ステップのいびき信号分割アルゴリズムは、第一閾値及び第二閾値を分割基準とし、且つスライディングウィンドウを設定して前記原信号のリニア検査を行い、前記スライディングウィンドウ内の前記原信号の最大値を計算するステップを更に含み、
前記原信号の最大値が前記第二閾値より大きい場合、前記いびき信号が発生したと認定し、前記スライディングウィンドウの停留位置を前記いびき信号の位置として設定し、
次いで、前記スライディングウィンドウが右に向けて継続的に前記いびき信号のリニア検査を行い、同時に前記スライディングウィンドウ内で前記いびき信号の絶対値の合計を計算し、算出された前記いびき信号の絶対値の合計が前記第一閾値未満である場合、前記スライディングウィンドウの停留位置を前記いびき信号の右側停止位置として設定し、
その後、前記スライディングウィンドウが左に向けて継続的に前記いびき信号のリニア検査を行い、同時に前記スライディングウィンドウ内で前記いびき信号の絶対値の合計を計算し、算出された前記いびき信号の絶対値の合計が前記第一閾値未満である場合、前記スライディングウィンドウの停留位置を前記いびき信号の左側停止位置として設定し、且つ前記いびき信号の前記右側停止位置及び前記いびき信号の前記左側停止位置から前記いびき信号ベクトルを分割することを特徴とする請求項１に記載の睡眠時無呼吸予測方法。 - 前記第一閾値の式は次式で表され、
また、前記第二閾値の式は次式で表され、
- 前記いびき信号ベクトルの長さは25000に設定されることを特徴とする請求項２に記載の睡眠時無呼吸予測方法。
- 前記スライディングウィンドウの長さは1000に設定されることを特徴とする請求項２に記載の睡眠時無呼吸予測方法。
- 前記特徴抽出アルゴリズムはメル周波数ケプストラム係数アルゴリズムであり、
前記メル周波数ケプストラム係数アルゴリズムはプリエンファシスプロセスと、フレーミングとウィンドウプロセスと、高速フーリエ変換プロセスと、メルフィルターバンクと、非線形変換と、離散コサイン変換プロセスと、を含むことを特徴とする請求項１に記載の睡眠時無呼吸予測方法。 - 前記ニューラルネットワークアルゴリズムは畳み込みニューラルネットワークアルゴリズムであり、
前記畳み込みニューラルネットワークアルゴリズムではDenseブロックネットワークモデルが識別モデルとして選択されることを特徴とする請求項１に記載の睡眠時無呼吸予測方法。 - 前記Denseブロックネットワークモデルは複数のDenseブロックと、複数のTransitionレイヤーと、分類レイヤーとを含むことを特徴とする請求項７に記載の睡眠時無呼吸予測方法。
- 前記Transitionレイヤーは畳み込みプロセス及びプーリングプロセスを含み、
前記分類レイヤーはSoftmaxレイヤーであることを特徴とする請求項８に記載の睡眠時無呼吸予測方法。 - 前記DenseブロックはDenseレイヤーと、BR BN-ReLU-Convレイヤーと、成長率とを含むことを特徴とする請求項８に記載の睡眠時無呼吸予測方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108116939 | 2019-05-16 | ||
| TW108116939A TWI735879B (zh) | 2019-05-16 | 2019-05-16 | 利用神經網路從鼾聲來預測睡眠呼吸中止之方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020185390A true JP2020185390A (ja) | 2020-11-19 |
Family
ID=73221393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020084519A Pending JP2020185390A (ja) | 2019-05-16 | 2020-05-13 | 睡眠時無呼吸予測方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20200365271A1 (ja) |
| JP (1) | JP2020185390A (ja) |
| CN (1) | CN111938649A (ja) |
| TW (1) | TWI735879B (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023287104A1 (ko) * | 2021-07-15 | 2023-01-19 | 주식회사 칩스앤미디어 | 신경망 기반의 인-루프 필터를 이용한 영상 부호화/복호화 방법, 장치 및 비트스트림을 저장한 기록 매체 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113180691B (zh) * | 2020-12-28 | 2022-10-21 | 天津大学 | 一种三通道睡眠呼吸暂停与低通气综合征识别装置 |
| CN113314143B (zh) * | 2021-06-07 | 2024-01-30 | 南京优博一创智能科技有限公司 | 呼吸暂停的判断方法、装置和电子设备 |
| WO2023272383A1 (en) * | 2021-06-29 | 2023-01-05 | Bresotec Inc. | Systems, methods, and computer readable media for breathing signal analysis and event detection and generating respiratory flow and effort estimate signals |
| CN113925464B (zh) * | 2021-10-19 | 2024-06-04 | 麒盛科技股份有限公司 | 一种基于移动设备检测睡眠呼吸暂停的方法 |
| CN113974607B (zh) * | 2021-11-17 | 2024-04-26 | 杭州电子科技大学 | 一种基于脉冲神经网络的睡眠鼾声检测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000206984A (ja) * | 1999-01-20 | 2000-07-28 | Mitsubishi Electric Corp | 音声認識装置 |
| JP2003044077A (ja) * | 2001-07-26 | 2003-02-14 | Toshiba Corp | 音声特徴量抽出方法と装置及びプログラム |
| JP2012166037A (ja) * | 2003-04-10 | 2012-09-06 | Adidas Ag | 呼吸事象検出システムおよび方法 |
| WO2017135127A1 (ja) * | 2016-02-01 | 2017-08-10 | 国立大学法人徳島大学 | 生体音響抽出装置、生体音響解析装置、生体音響抽出プログラム及びコンピュータで読み取り可能な記録媒体並びに記録した機器 |
| JP2017196194A (ja) * | 2016-04-27 | 2017-11-02 | 国立大学法人大阪大学 | 睡眠状態解析支援装置、および、睡眠状態解析支援プログラム |
| WO2018011801A1 (en) * | 2016-07-11 | 2018-01-18 | B.G. Negev Technologies And Applications Ltd., At Ben-Gurion University | Estimation of sleep quality parameters from whole night audio analysis |
| WO2019073962A1 (ja) * | 2017-10-10 | 2019-04-18 | 国立大学法人 東京大学 | 画像処理装置及びプログラム |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2608717B1 (en) * | 2010-08-26 | 2016-05-11 | Ben Gurion University of The Negev Research and Development Authority | Apparatus for diagnosing obstructive sleep apnea |
| CN102138795A (zh) * | 2011-02-21 | 2011-08-03 | 上海大学 | 根据鼾声声学特征确定阻塞性睡眠呼吸暂停与低通气综合症严重程度的方法 |
| CN102429643B (zh) * | 2011-09-28 | 2014-02-05 | 陕西理工学院 | 一种鼾声测量仪 |
| CN102429662B (zh) * | 2011-11-10 | 2014-04-09 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
| TW201400088A (zh) * | 2012-06-28 | 2014-01-01 | Chang Gung Memorial Hospital Linkou | 睡眠鼾聲檢查設備 |
| CN103006182B (zh) * | 2012-12-06 | 2014-12-17 | 浙江工业大学 | 家用睡眠呼吸暂停综合症的初步检测系统 |
| CN103251388B (zh) * | 2013-04-25 | 2014-12-10 | 北京大学深圳研究生院 | 基于智能手机平台的打鼾监测方法和监测及防治系统 |
| CN103690168B (zh) * | 2013-12-31 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 阻塞型睡眠呼吸暂停综合征检测方法及系统 |
| US9904874B2 (en) * | 2015-11-05 | 2018-02-27 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
-
2019
- 2019-05-16 TW TW108116939A patent/TWI735879B/zh active
- 2019-10-28 CN CN201911032125.1A patent/CN111938649A/zh active Pending
- 2019-11-06 US US16/675,494 patent/US20200365271A1/en not_active Abandoned
-
2020
- 2020-05-13 JP JP2020084519A patent/JP2020185390A/ja active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000206984A (ja) * | 1999-01-20 | 2000-07-28 | Mitsubishi Electric Corp | 音声認識装置 |
| JP2003044077A (ja) * | 2001-07-26 | 2003-02-14 | Toshiba Corp | 音声特徴量抽出方法と装置及びプログラム |
| JP2012166037A (ja) * | 2003-04-10 | 2012-09-06 | Adidas Ag | 呼吸事象検出システムおよび方法 |
| WO2017135127A1 (ja) * | 2016-02-01 | 2017-08-10 | 国立大学法人徳島大学 | 生体音響抽出装置、生体音響解析装置、生体音響抽出プログラム及びコンピュータで読み取り可能な記録媒体並びに記録した機器 |
| JP2017196194A (ja) * | 2016-04-27 | 2017-11-02 | 国立大学法人大阪大学 | 睡眠状態解析支援装置、および、睡眠状態解析支援プログラム |
| WO2018011801A1 (en) * | 2016-07-11 | 2018-01-18 | B.G. Negev Technologies And Applications Ltd., At Ben-Gurion University | Estimation of sleep quality parameters from whole night audio analysis |
| WO2019073962A1 (ja) * | 2017-10-10 | 2019-04-18 | 国立大学法人 東京大学 | 画像処理装置及びプログラム |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023287104A1 (ko) * | 2021-07-15 | 2023-01-19 | 주식회사 칩스앤미디어 | 신경망 기반의 인-루프 필터를 이용한 영상 부호화/복호화 방법, 장치 및 비트스트림을 저장한 기록 매체 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI735879B (zh) | 2021-08-11 |
| US20200365271A1 (en) | 2020-11-19 |
| CN111938649A (zh) | 2020-11-17 |
| TW202044277A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020185390A (ja) | 睡眠時無呼吸予測方法 | |
| Hassan et al. | COVID-19 detection system using recurrent neural networks | |
| CN108670200B (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
| CN110570880B (zh) | 一种鼾声信号识别方法 | |
| WO2021114761A1 (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 | |
| Abeyratne et al. | Obstructive sleep apnea screening by integrating snore feature classes | |
| Song | Diagnosis of pneumonia from sounds collected using low cost cell phones | |
| Cheng et al. | Automated sleep apnea detection in snoring signal using long short-term memory neural networks | |
| JP7197922B2 (ja) | 機械学習装置、解析装置、機械学習方法および解析方法 | |
| CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
| Haider et al. | Computerized lung sound based classification of asthma and chronic obstructive pulmonary disease (COPD) | |
| De Silva et al. | A method to screen obstructive sleep apnea using multi-variable non-intrusive measurements | |
| Milani et al. | Identification of normal and abnormal heart sounds by prominent peak analysis | |
| Ma et al. | Application of time-frequency domain and deep learning fusion feature in non-invasive diagnosis of congenital heart disease-related pulmonary arterial hypertension | |
| Huq et al. | Data Augmentation using Reverb and Noise in Deep Learning Implementation of Cough Classification | |
| CN113974607A (zh) | 一种基于脉冲神经网络的睡眠鼾声检测系统 | |
| Luo et al. | Design of embedded real-time system for snoring and OSA detection based on machine learning | |
| Patel et al. | Multi Feature fusion for COPD Classification using Deep learning algorithms | |
| Çavuşoğlu et al. | Acoustics of snoring and automatic snore sound detection in children | |
| CN113273992B (zh) | 信号处理方法及装置 | |
| Jayadi et al. | Embedded Flu Detection System based Cough Sound using MFCC and kNN Algorithm | |
| US20220409126A1 (en) | Circuit system which executes a method for predicting sleep apnea from neural networks | |
| Zhang et al. | Research on lung sound classification model based on dual-channel CNN-LSTM algorithm | |
| Naveen et al. | Deep learning based classification of heart diseases from heart sounds | |
| CN115206291B (zh) | 基于睡眠鼾声特征的osahs检测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20211210 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220714 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230307 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230328 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231024 |