JP7419641B2 - 睡眠時無呼吸における閉塞タイプの音響識別のためのシステム、及び対応する方法 - Google Patents
睡眠時無呼吸における閉塞タイプの音響識別のためのシステム、及び対応する方法 Download PDFInfo
- Publication number
- JP7419641B2 JP7419641B2 JP2021553028A JP2021553028A JP7419641B2 JP 7419641 B2 JP7419641 B2 JP 7419641B2 JP 2021553028 A JP2021553028 A JP 2021553028A JP 2021553028 A JP2021553028 A JP 2021553028A JP 7419641 B2 JP7419641 B2 JP 7419641B2
- Authority
- JP
- Japan
- Prior art keywords
- classifier
- snoring
- type
- mouth
- cause
- 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
Links
- 238000000034 method Methods 0.000 title claims description 73
- 201000002859 sleep apnea Diseases 0.000 title claims description 10
- 206010041235 Snoring Diseases 0.000 claims description 269
- 238000012549 training Methods 0.000 claims description 63
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 230000005236 sound signal Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 210000002409 epiglottis Anatomy 0.000 claims description 8
- 206010021079 Hypopnoea Diseases 0.000 claims description 7
- 208000008784 apnea Diseases 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 210000002741 palatine tonsil Anatomy 0.000 claims description 7
- 230000004617 sleep duration Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000007958 sleep Effects 0.000 description 16
- 208000001797 obstructive sleep apnea Diseases 0.000 description 7
- 210000003300 oropharynx Anatomy 0.000 description 6
- 238000001839 endoscopy Methods 0.000 description 5
- 210000002345 respiratory system Anatomy 0.000 description 5
- 239000003814 drug Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 208000000884 Airway Obstruction Diseases 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 208000037656 Respiratory Sounds Diseases 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000422 nocturnal effect Effects 0.000 description 2
- 210000003800 pharynx Anatomy 0.000 description 2
- 210000001584 soft palate Anatomy 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000018035 Dental disease Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000014151 Stomatognathic disease Diseases 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002802 cardiorespiratory effect Effects 0.000 description 1
- 238000003340 combinatorial analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000932 sedative agent Substances 0.000 description 1
- 230000001624 sedative effect Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000002396 uvula Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Orthopedics, Nursing, And Contraception (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
本発明は、検査されるべき鼾音信号についての対応する分類による睡眠時無呼吸における閉塞タイプのマイクロプロセッサ支援識別のためのシステムに関する。
鼾（いびき）は、上気道の軟組織の振動によって引き起こされる夜間の呼吸音として定義される。「鼾」という用語に関して様々な定義があり、その多くでは、鼾は、気流によって引き起こされる上気道の組織の振動であり、それは、結果として生じる鼾音の音色部分をもたらす。しかしながら、「鼾」と「喘鳴（ぜんめい）」との間に明確な区別がない。以下では、「鼾」という用語はまた、重要な音色部分のない呼吸音も含有し得る一般的なタイプの音であると理解することができる。
鼾音信号は、例えばマイクロホンによって記録され、電気信号に変換された音響信号であると理解される。鼾音信号は、例えば、鼾音の発生場所、鼾音原因のタイプ、口の位置、時刻、患者の名前、患者の体重、及び睡眠の姿勢などの、音響鼾音信号に関する１つ又は複数の追加の情報を送信する指標又はラベルの形態の追加情報をさらに含有するか又は含むことができる。
閉塞性睡眠時無呼吸は、上気道の閉鎖及びそれぞれ閉塞、いわゆる、気道閉塞に起因して夜間の呼吸休止が生じる状態であると理解される。１時間当たりの閉塞性呼吸休止の数に応じて、閉塞性睡眠時無呼吸の様々な重症度レベルが区別される。閉塞性睡眠時無呼吸では、鼾は、頻繁に付随する症状である。鼾及び閉塞性睡眠時無呼吸は、睡眠に関連する呼吸疾患である。以下では、閉塞性睡眠時無呼吸は、単に睡眠時無呼吸と呼ばれる。
鼾音と気道の閉塞とは、上気道の異なる場所で様々な様式で引き起こされる。様々な様式は、振動又は狭窄のそれぞれの方向及びタイプによって決定され得るが、狭窄は、例えば、円形であるか、又は横方向の細長い隙間として形成されることがある。その結果、様々な鼾音原因のタイプがあり、それは、閉塞の様々な部位及びタイプに解剖学的に関連している。言い換えれば、鼾音原因のタイプは、鼾音の発生場所、振動の方位及びタイプ、又はそれらの組合せによって定義される。同様に、閉塞のタイプは、閉塞の部位、閉塞の方向、又はそれらの組合せによって定義される。様々な鼾音原因のタイプは、以下のように分類することができる。
Ａ）軟口蓋の前後方向の振動、
Ｃ）口蓋帆咽頭又は中咽頭の気道の円形狭窄、
Ｌ）中咽頭の領域における軟組織の横振動、
Ｔ）舌根の領域の狭窄、及び／又は
Ｅ）喉頭蓋の領域の振動又は狭窄。
Ａ）軟口蓋の前後方向の振動、
Ｃ）口蓋帆咽頭又は中咽頭の気道の円形狭窄、
Ｌ）中咽頭の領域における軟組織の横振動、
Ｔ）舌根の領域の狭窄、及び／又は
Ｅ）喉頭蓋の領域の振動又は狭窄。
咽頭において、鼾音は、例えば、口蓋垂をもつ軟口蓋の領域で、口蓋扁桃腺の領域で、舌根の領域で、及び喉頭蓋のレベルで発生する可能性がある。臨床診療での狭窄部位及び閉塞タイプの標準化された名称を確立する目的で、多数の分類体系が当技術分野で説明されている。図２は、口蓋帆咽頭（Ｖ）、中咽頭（Ｏ）、舌根（Ｔ）、及び喉頭蓋（Ｅ）の領域をもつ首、鼻、及び喉に患者の鼾音発生部位がある頭の横方向断面図を示している。
睡眠関連呼吸疾患の診断は、大部分の治療指針によれば、自然睡眠中に気道の狭窄（呼吸低下）によって引き起こされる閉塞及び呼吸困難によって引き起こされる無呼吸の頻度の測定を含み、測定は、睡眠ラボでの睡眠ポリグラフと家庭環境でのポリグラフ及び心肺機能スクリーニングとの両方として実行される。しかしながら、これらの測定は、狭窄又は閉塞の部位に関する明確な情報を提供しない。狭窄又は閉塞の部位及び形状に応じて、それに合うように、様々な治療手段を採用することができる。呼吸休止の頻度及び長さによって決定される閉塞性睡眠時無呼吸の重症度を知ることに加えて、閉塞性睡眠時無呼吸の目標とする治療処置のために、それぞれの閉塞タイプを知ることは非常に重要である。目標とする方法で鼾を治療するために、鼾音原因のタイプを知ることも非常に重要である。
鼾音の発生の部位及び閉塞部位を決定するための１つの既知の解決策は、例えば、いくつかのセンサを直列に配置した直径数ミリメートルの細いカテーテルが患者の鼻を通して上気道に導入される夜間マノメトリである。それにより、自然睡眠中の圧力状態を、上気道のいくつかの位置で夜の間測定することができる。この方法の１つの利点は、自然睡眠中の連続測定である。欠点は、すべての患者が一晩中上気道のカテーテルに耐えるとは限らないということである。さらに、閉塞のタイプ及び形状に関する情報を得ることができない。
患者の閉塞の部位及びタイプを決定する別のよく知られている方法は、医薬品誘発性睡眠ビデオ内視鏡検査である。この方法により、患者は、人工的な睡眠をもたらすために麻酔専門医によって鎮静される。次いで、上気道が、鼻を通して導入された可撓性内視鏡によってモニタされる。それにより、閉塞の部位、形状、及びタイプを視覚化し決定することができる。この方法の欠点は、鎮静医薬品によって引き起こされる患者へのストレス、並びにスタッフと装置に関する多大な負担、及び関連する高いコストである。医薬品誘発睡眠ビデオ内視鏡検査中に、頻繁に、鼾音のオーディオ記録が、内視鏡検査のビデオ記録と同時に行われており、それを参照すると、それぞれの鼾音原因のタイプに関する、及び／又は閉塞のそれぞれのタイプに関する情報をもつ鼾音信号を抽出することができる。鼾音原因のタイプと閉塞のタイプとの間に特定の相関があるが、しかしながら、閉塞のタイプは、鼾音原因のタイプから明確に推定することができない。さらに、大多数の場合に、閉塞及び鼾音は、特定の時間的関係内で発生するが、時間的に同期していない。
睡眠中の口の位置は、睡眠の質、例えば歯の疾患などの他の状態、及び気道の閉塞の発生の確率及びタイプに重大な影響があることが知られている。口の位置は、下顎と唇の位置によって実質的に決定される。最も簡単な場合には、２つの状況、すなわち、口を閉じた（例えば、唇を閉じた）状況及び口を開けた状況が区別される。代替として、口の位置は、差異化した定義でより詳細に説明することができる。
医薬品誘発睡眠ビデオ内視鏡検査中に、例えば、検査官が患者の下顎を手で動かすことによって、開いた口の位置と閉じた口の位置が強制され、口の位置の閉塞のタイプへの影響が、この方法で検査される。しかしながら、睡眠ビデオ内視鏡検査のオーディオ記録及び内視鏡検査ビデオ記録から、鼾音が生じた時の口の位置を認識することができない。睡眠ビデオ内視鏡検査中の鼾音の発生の時の口の位置に関する情報もまた、構造化された形態で利用可能ではない。
自然睡眠中の口の位置を決定するために、様々な方法、例えば、ビデオベースの方法が知られている。この目的のために、それぞれの鼾音信号が記録されており、対応する口の位置を追加情報として抽出し、指標として決定及び記録することができる。ここで、口の位置を決定するために、ビデオベースの決定は、大きい時間の手間を必要とし、代替の方法として、患者の頭に取り付けられたセンサによる決定は、睡眠の質を妨げることに留意されたい。他方、この方法で得られる追加の鼾音信号は、対応する口の位置とともに利用可能であり、したがって、有用である。
国際公開第２０１７／００９０８１Ａ１号は、好ましくは２つのオフセットされたマイクロホンセンサを備えた管を通して呼吸が行われる上気道における鼾音識別のためのデバイス及び方法を開示している。２つのマイクロホンセンサのセンサ信号によって、上気道の閉塞を吸息及び呼息中に認識することができる。
国際公開第２０１２／１５５２５７Ａ１号は、呼吸又は睡眠の間、マイクロホンセンサが患者の鼻の前に配置されている、気道の音及びリズムを診断するためのデバイス及び方法を開示している。
独国特許出願公開第１０２００６００８８４４Ａ１号は、気道の音を検出する方法を開示しており、センサが鼻孔の前に配置されるか又は鼻孔に導入され、その結果、センサ信号が評価される。
明確にするため、ここで、それぞれの鼾音信号は１つ又は複数の追加の情報を含むことができること、又は１つ又は複数の追加の情報をそれぞれの鼾音信号に取り付けることができ、１つ又は複数の追加の情報は指標又はラベルとして音響鼾音信号に関連付けられることに留意されたい。これらの１つ又は複数の追加の情報又は指標は、例えば、鼾音の発生の部位、鼾音原因のタイプ、口の位置、及び／又は上述で示したような追加の患者のパラメータとすることができる。しばしばラベルとも呼ばれる指標は、例えば、鼾音信号自体に変調されるか、若しくは符号化の方法で鼾音信号自体に含有されてもよく、又は第２の信号トラック若しくはファイルに記録されてもよく、又は書面で記録されてもよい。
それゆえに、最新技術から欠点を除去するための本発明の目的は、検査されるべき鼾音信号から、各場合に最も可能性の高い閉塞のタイプを自動的に、可能であれば有意に、認識するためのシステムを提供することにある。
上述で示した目的は、独立請求項１の特徴によるデバイスによって達成される。本発明の他の有利な実施形態は従属請求項に示されている。
本発明によれば、検査されるべき鼾音信号についての対応する分類によって睡眠時無呼吸の閉塞のタイプのマイクロプロセッサ支援認識のための分類システムが導入され、分類システムは、
それぞれの鼾音信号のための入力インタフェースと、
それぞれの鼾音原因のタイプをもつ第１の複数の鼾音信号が入力された場合、識別モードにおいて、特定の鼾音信号に対して事前定義された鼾音原因のタイプのグループの中で最も可能性の高いものを識別すること及び出力することを行うように訓練モードで学習するように構成された第１の分類器と、
それぞれの口の位置をもつ第２の複数の鼾音信号が入力された場合、識別モードにおいて、特定の鼾音信号に対して事前定義された口の位置のグループの中で最も可能性の高いものを識別すること及び出力することを行うように訓練モードで学習するように構成された第２の分類器と、
識別モードにおいて、第１の分類器によって決定された鼾音原因のタイプ、及び第２の分類器によって決定された口の位置の入力から、事前定義された閉塞タイプのグループの中で最も可能性の高いものを識別し、閉塞タイプ信号と同じものを出力するように設計された第３の分類器と、
指し示されるべき閉塞タイプ信号のための出力インタフェースとを備える。
それぞれの鼾音信号のための入力インタフェースと、
それぞれの鼾音原因のタイプをもつ第１の複数の鼾音信号が入力された場合、識別モードにおいて、特定の鼾音信号に対して事前定義された鼾音原因のタイプのグループの中で最も可能性の高いものを識別すること及び出力することを行うように訓練モードで学習するように構成された第１の分類器と、
それぞれの口の位置をもつ第２の複数の鼾音信号が入力された場合、識別モードにおいて、特定の鼾音信号に対して事前定義された口の位置のグループの中で最も可能性の高いものを識別すること及び出力することを行うように訓練モードで学習するように構成された第２の分類器と、
識別モードにおいて、第１の分類器によって決定された鼾音原因のタイプ、及び第２の分類器によって決定された口の位置の入力から、事前定義された閉塞タイプのグループの中で最も可能性の高いものを識別し、閉塞タイプ信号と同じものを出力するように設計された第３の分類器と、
指し示されるべき閉塞タイプ信号のための出力インタフェースとを備える。
第３の分類器はまた、第１の分類器によって識別された鼾音原因のタイプ、第２の分類器によって識別された口の位置、及び閉塞のタイプが入力されるとき、識別モードにおいて、それぞれの鼾音原因のタイプ及び口の位置に対して訓練中に入力された閉塞のタイプを最も可能性の高い閉塞のタイプとして識別するように訓練モードで学習するように構成されることが好ましい。明確にする目的で、当業者は、分類器の分野における「学習」が何を意図しているかを知っていることに留意されたい。
本発明の利点は、特に、第１の分類器及び第２の分類器の訓練のために、鼾音信号の単なる音響成分に加えて、追加情報として、鼾音原因のタイプ又は口の位置のいずれかのみを含有する複数の鼾音信号を使用できるということにある。情報は、一般に、指標若しくはラベルとして鼾音信号自体に符号化されるか、又は鼾音信号自体に変調されるか、別の信号トラック若しくはファイルに記録されるか、又は例えば書面でのラベルとして鼾音信号に取り付けられてもよい。したがって、第１の分類器は、第２の分類器及び／又は第３の分類器を誤って訓練することなしに、ラベルとして鼾音原因のタイプのみを含み、最新技術において既に利用可能な大量の鼾音信号で訓練することができる。同じように、第２の分類器は、第１の分類器及び／又は第３の分類器を誤って訓練することなしに、ラベルとして口の位置のみを含む、最新技術において既に利用可能な別の大量の鼾音信号で訓練することができる。それゆえに、本発明による分類システムは、２つの指標の≪鼾音原因のタイプ≫及び≪口の位置≫と組み合わせて記録された鼾音信号の全面的に新しい記録を必要としない。本発明によれば、既存の鼾音信号は、第１の分類器及び第２の分類器を訓練するために一方の指標又は他方の指標のみで使用することができるので、コスト及び負担に関して大きい利点が達成され、それにもかかわらず、検査されるべき鼾音信号から開始する閉塞のタイプの識別中に、両方の指標の「鼾音原因のタイプ」及び「口の位置」が考慮に入れられる。これらの２つの指標を組み合わせて使用することにより、それぞれの閉塞のタイプを正しく識別する精度が大幅に向上され、及び／又は検査されるべき鼾音信号から閉塞のタイプを、唯一の指標としての鼾音原因のタイプで識別することと比較して、誤った識別の可能性が低くなる。
第１の分類器及び第２の分類器は、第１の分類器及び第２の分類器の訓練が、それぞれ、複数の鼾音信号を用いて別個に実行されてもよく、第１の分類器が口の位置と無関係に訓練可能であり、第２の分類器が鼾音原因のタイプと無関係に訓練可能であるように構成されることが好ましい。第１の分類器の訓練は、第２の分類器の訓練に対して時間シフト行うことができることが好ましい。代替として、第１の分類器の訓練は、第２の分類器の訓練と同時に行うことができることが好ましい。明確にするために、複数の鼾音信号は、口の位置が指標として割り当てられることなく、鼾音原因のタイプが指標として割り当てられる一連の鼾音信号と、鼾音原因のタイプが指標として割り当てられることなく、口の位置が指標として割り当てられる異なる一連の鼾音信号とを含むことができる。
明確にするために、「指標」及び「ラベル」という用語は、ここでは、同義語として理解される。分類器の訓練はまた、「学習」と呼ぶことができる。少なくとも１つの指標をもつそれぞれの鼾音信号によるそれぞれの分類器の「訓練」又は「訓練モード」によって、それぞれの分類器が、このプロセス中に、識別モードにおいて、当業者に知られているように、いくつかの指標をもつ多くの訓練された鼾音信号の場合に、好ましくは平均で、鼾音信号から少なくとも１つの指標をよりよく識別できるように変わることが意図される。当業者は、それぞれの分類器の訓練のために使用される異なる鼾音信号が多いほど、識別率が高くなることを知っている。
当然、第１の分類器及び第２の分類器はまた、指標を割り当てられた鼾音原因のタイプと口の位置の両方を含む別の複数の鼾音信号と一緒に訓練可能であるように構成されることが好ましい。このようにして、第１の複数の、第２の複数の、及び／又は追加の複数の異なる鼾音信号が、第１の分類器及び第２の分類器を訓練するために利用され得る。
当業者は、さらに、第１、第２、及び第３の分類器が、技術的に、ただ１つの分類器の一部であってもよいことを知っており、この場合、鼾音原因のタイプ、口の位置、及び／又は閉塞タイプの訓練及び／又は識別は、一部の分類器によって行てもよい。加えて、当業者は、鼾音原因のタイプ及び口の位置に関する情報が、代替として、各々が鼾音原因のタイプと口の位置の組合せを特徴付ける一連のラベル又は指標によって提供されてもよいことを知っている。それぞれのラベル又は指標は、鼾音信号、例えば、鼾音原因のタイプ、口の位置、睡眠時間などに関する１つ又は複数の情報を好ましくは含んでもよい。
鼾音原因のタイプ及び口の位置を鼾音信号から識別することが改善されると、閉塞のタイプの識別が改善される。
明確にする目的で、ここで、第１の分類器は、第１の一連の鼾音信号により訓練モード又は学習モードで訓練可能な学習分類器であり、そのため、続いて、識別モードにおいて、それぞれの鼾音信号から最も高い確率でそれぞれの鼾音原因のタイプを識別することができることに留意されたい。同じように、第２の分類器は、第２の一連の鼾音信号により訓練モード又は学習モードで訓練可能な学習分類器であり、そのため、続いて、識別モードにおいて、それぞれの鼾音信号から最も高い確率でそれぞれの口の位置を識別することができる。
当業者は、それぞれの分類器が事前定義された特性を認識するように最適化されることが好ましいことを知っている。
それぞれの分類器による鼾音信号の訓練及び識別は、続いて、同時に、又は時間的にオーバラップして行われてもよい。
第１の分類器は、識別モードにおいて、対応する確率でそれぞれの鼾音原因のタイプを識別し、それを指し示し、それを第３の分類器に転送するように構成されることが好ましい。次いで、第３の分類器は、それぞれの口の位置及び、必要ならば、追加の鼾又は患者データと組み合わせて、それぞれの鼾音原因のタイプの確率を評価する。第１の分類器は、鼾音信号を鼾音原因のタイプのベクトルに分類し、鼾音原因のタイプ又は鼾音原因のタイプのクラスが、それぞれの確率として出力されることが好ましい。これにより、第３の分類器のための、識別された鼾音原因のタイプと識別された口の位置との間の、確率で与えられる、評価潜在能力と組合せ分析とが向上する。
第２の分類器は、識別モードにおいて、対応する確率でそれぞれの口の位置を識別し、それを指し示し、それを第３の分類器に転送するように構成されることが好ましい。次いで、第３の分類器は、それぞれの鼾音原因のタイプ及び、必要ならば、追加の鼾又は患者データと組み合わせて、それぞれの口の位置の確率を評価する。第２の分類器は、鼾音信号を口の位置のベクトルに分類し、各々の口の位置又は口の位置のクラスが、それぞれの確率として出力されることが好ましい。
第３の分類器は、識別モードにおいて、対応する確率でそれぞれの閉塞タイプを識別し、それを指し示し、それを出力インタフェースに転送するように構成されることが好ましい。次いで、出力インタフェースは、閉塞のタイプを通知機能に提供し、出力インタフェースは、この目的に適することが知られているインタフェースのうちのいずれか、例えば、例えばスマートフォン又はＰＣのディスプレイへの電気的インタフェース又は無線インタフェースとすることができる。出力インタフェースは、さらに、評価及び表示を異なる場所で行うことができるように、インターネットに接続されてもよい。
説明されたシステムの個々の構成要素は、さらに、空間的に分離されてもよい。次いで、それぞれの情報は、例えば、電気的インタフェース又は無線インタフェースとしてもよい適切なインタフェースを介してシステム構成要素間で転送されることになることが好ましい。この情報はまた、インターネットを介して送信されてもよい。
第３の分類器は、鼾音原因のタイプ及び口の位置に加えて、鼾をかく人の追加の鼾又は患者データを入力インタフェースを介して記録し、訓練モード及び／又は識別モードにおいて、閉塞のタイプを分類するときに追加の鼾又は患者データを考慮に入れるように構成されることが好ましい。追加の鼾又は患者データは、最も可能性の高い閉塞のタイプをさらによりよく決定するためのパラメータ又はパラメータ信号としてもよい。「よりよく」は、ここでは、「より高いヒット率で」を意味する。
鼾又は患者データは、以下のパラメータ、すなわち、性別、肥満度指数、無呼吸呼吸低下指数、扁桃腺のサイズ、舌のサイズ、フリードマンスコア、鼾の時間、睡眠の持続時間、及び／又は患者の体重のうちの少なくとも１つを含むことが好ましい。
鼾の発生及び閉塞の発生は、一緒に起こる可能性があるが、これは必ずしも常にそうであるとは限らない。明確にする目的で、第３の分類器を訓練するために鼾音原因のタイプ及び口の位置に関するそれぞれの情報と一緒に使用される閉塞タイプのラベルは、さらに、特定の時間的関係で生じているが、特定の患者に関係したそれぞれの鼾の発生と同時には生じていない閉塞の発生の場合の閉塞のタイプを指定してもよいことに留意されたい。
第１の分類器は、機械学習又は分類の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づくことが好ましい。最新技術から知られている他の方法が同様に考えられ、本明細書に適用することができる。
第２の分類器は、機械学習又は分類の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づくことが好ましい。最新技術から知られている他の方法が同様に考えられ、本明細書に適用することができる。
第３の分類器は、機械学習又は分類の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づくことが好ましい。最新技術から知られている他の方法が同様に考えられ、本明細書に適用することができる。
鼾音信号を分類するときにそれぞれの第１の分類器及び／又は第２分類器が評価するか又は考慮に入れることができる鼾若しくは患者データ又はその一部を第１の分類器及び／又は第２の分類器に割り当てることも可能である。例えば、患者の性別、肥満度指数、無呼吸呼吸低下指数、扁桃腺のサイズ、舌のサイズ、フリードマンスコア、鼾の時間、及び／又は睡眠の持続時間の特徴が、分類器に割り当てられてもよい。
代替として、第３の分類器が、鼾音原因のタイプからの第１の入力ベクトル及び口の位置の少なくとも１つの第２の入力ベクトルのマトリクス確率計算に基づくことができ、集約確率が、様々な閉塞タイプ及びその確率をもたらすことが好ましい。
明確にする目的で、鼾音原因のタイプの第１のグループによって、鼾音原因のタイプの第１のクラスの第１のグループが意図される。
鼾音原因のタイプのグループは、以下のクラス、すなわち、口蓋帆咽頭（Ｖ）、中咽頭（Ｏ）、舌根領域（Ｔ）、及び／又は喉頭蓋領域（Ｅ）を含むことが好ましい。当然、他のクラス、又は部位、又は鼾音原因のタイプが同様に考えられる。
明確にする目的で、口の位置のグループによって、口の位置のクラスのグループが理解されることが好ましい。口の位置のグループは、口の位置、すなわち、「口を開けた位置」及び「口を閉じた位置」を含み、他の口の位置及び中間位置が、当然、同様に考えられることが好ましい。
明確にするために、閉塞タイプのグループによって、閉塞タイプのクラスのグループが理解されることが好ましい。
明確にするために、音発生のタイプは、音発生の場所に加えて又はその代わりに、本明細書で「鼾音原因のタイプ」として示されている振動の方向及び／又は形状を記述する。
明確にする目的で、ラベルとも呼ばれる指標は、客観的な基準値（グラウンドトゥルース）に基づいて決定されることが好ましく、それぞれの鼾の発生が生じた時に経験を積んだ観察者が医薬品誘発睡眠ビデオ内視鏡検査の内視鏡検査画像を観察することによって決定されることが好ましい。口の位置の指標又はラベルは、検査中の患者の観察、検査中の患者の口領域のビデオ記録の評価、又は口及び鼻を通る気流若しくは他のセンサを介したセンサデータの記録によって、及び鼾音信号の記録の時間にわたり口の位置を記録することによって、得られることが好ましい。
十分な数の特性ベクトル及び訓練データから、機械分類器である分類器は、少なくとも１つのモデルを生成する。ラベルなしの特性ベクトルがモデルに供給される場合、モデルは、結果値を出力することになる。結果値は、特性ベクトルの基礎となる鼾の発生が関連する最も可能性の高いクラスに関する情報を含有している。代替の実施形態では、モデルは、追加として、鼾の発生が最も可能性の高いクラスに関連している確率に関する情報を出力し、代替として、加えて、上述のように、他のクラスに属する確率に関する情報を出力する。出力されるクラスは、訓練のために使用されるラベルのクラスに対応することが好ましい。
本発明の好ましい実施形態が、以下の図及び詳細な説明において説明されるが、しかしながら、以下の図及び詳細は、本発明を好ましい実施形態に限定するように意図されていない。
図１は、第１の分類器及び第２の分類器を備えた分類システムを概略的に示す図であり、第１の分類器及び第２の分類器の各々に、対応する任意選択的な指標をもつ鼾音信号が、入力インタフェースを介して供給され、第１の分類器及び第２の分類器の出力信号が、分類のために第３の分類器に供給され、閉塞タイプを表す第３の分類器の出力信号が、出力インタフェースを介してディスプレイユニットに転送され、そこに表示され、追加の鼾又は患者データが、入力インタフェースを介して入力され、分類のために第３の分類器に供給され得る。
図２は、口蓋帆咽頭、中咽頭、舌根、及び喉頭蓋の領域をもつ首－鼻－喉領域を含む患者の頭の断面側面図である。
図３は、第１の分類器及び第２の分類器を訓練するために任意選択的な指標を含む鼾音信号からそれぞれの最も可能性の高い閉塞タイプ又はそれぞれの閉塞タイプの確率を決定するための方法の信号流れ図である。
図１は、閉塞タイプＯ１～Ｏ４のマイクロプロセッサ支援識別のための分類システム１の可能な実施形態を概略的に示しており、閉塞タイプＯ１～Ｏ４は、睡眠時無呼吸中に発生することがあり、検査されるべき鼾音信号Ａｕから分類システム１によって識別される。分類システム１は、下記の構成要素を備える。
Ａ）アナログ及び／又はデジタル入力を有することができるそれぞれの鼾音信号Ａｕのための入力インタフェース。分類システム１を訓練するために、鼾音信号Ａｕは、それぞれの鼾音信号Ａｕに割り当てられた鼾音原因のタイプＳ１～Ｓ４及び／又は口の位置Ｍ１～Ｍ２をもつ少なくとも１つの追加の指標又はラベルを有する。鼾音信号Ａｕは、分類システム１を訓練するために使用することができる指標として閉塞タイプＯ１～Ｏ４をさらに有することが好ましい。入力インタフェースは、一般に、指標（複数可）又はラベルを記録し転送するために、キーボード、ボタン、光入力部又はスキャナなどのための入力部をさらに有することができる。
Ｂ）対応する鼾音原因のタイプＳ１～Ｓ４をもつ第１の複数の鼾音信号Ａｕが入力されたとき、識別モードにおいて、事前定義された鼾音原因のタイプＳ１～Ｓ４のグループからそれぞれの鼾音信号Ａｕの最も可能性の高い鼾音原因のタイプＳ１～Ｓ４を識別し出力することができるように、訓練モードで学習するように構成された第１の分類器Ｋ１。したがって、第１の分類器は、学習分類器である。明確にするために、訓練データの鼾音信号Ａｕが識別モードで入力された場合、上述の好ましい分類器により、対応する鼾音原因のタイプのＳ１～Ｓ４が、正しく、又は少なくとも平均して最も高い確率で出力されることになる。続いて、識別モードで、検査されるべき鼾音信号Ａｕが入力された場合、最も可能性の高い鼾音原因のタイプＳ１～Ｓ４、又は複数の鼾音原因のタイプＳ１～Ｓ４が、確率値として決定され、第３の分類器Ｋ３に転送される。
Ｃ）第２の複数の鼾音信号Ａｕが、それぞれの訓練モードにおいて、対応する口の位置Ｍ１～Ｍ２を伴って入力されるとき、識別モードにおいて、対応する鼾音信号Ａｕに対して事前定義された口の位置Ｍ１～Ｍ２のグループから対応する最も可能性の高い口の位置Ｍ１～Ｍ２を識別すること及び出力することを学習するように構成された第２の分類器Ｋ２。したがって、第２の分類器は、同様に学習分類器である。続いて、識別モードで、検査されるべき鼾音信号Ａｕが入力された場合、最も可能性の高い１つの口の位置Ｍ１～Ｍ２、又は複数の口の位置Ｍ１～Ｍ２が、確率値として決定され、第３の分類器Ｋ３に転送される。
Ｄ）第１の分類器Ｋ１によって識別された鼾音原因のタイプＳ１～Ｓ４及び第２の分類器Ｋ２によって識別された口の位置Ｍ１～Ｍ２が入力されるとき、事前定義された閉塞タイプＯ１～Ｏ４のグループの中で最も可能性の高い閉塞タイプＯ１～Ｏ４を識別モードで識別し、最も可能性の高い閉塞タイプＯ１～Ｏ４を閉塞タイプ信号として出力するように構成された第３の分類器Ｋ３。
第３の分類器Ｋ３は、第１の分類器Ｋ１によって識別された鼾音原因のタイプＳ１～Ｓ４、第２の分類器Ｋ２によって識別された口の位置Ｍ１～Ｍ２、及び閉塞タイプＯ１～Ｏ４が入力されるとき、識別モードにおいて、それぞれの鼾音原因のタイプＳ１～Ｓ４及びそれぞれの口の位置Ｍ１～Ｍ２に対して、入力された閉塞タイプＯ１～Ｏ４を最も可能性の高い閉塞タイプＯ１～Ｏ４として識別することになるように訓練モードで学習するように構成されることが好ましい。
第３の分類器Ｋ３は、第１の分類器Ｋ１によって識別された鼾音原因のタイプＳ１～Ｓ４、第２の分類器Ｋ２によって識別された口の位置Ｍ１～Ｍ２、及び閉塞タイプＯ１～Ｏ４が入力されるとき、識別モードにおいて、鼾音原因のタイプＳ１～Ｓ４及び口の位置Ｍ１～Ｍ２に対して、入力された閉塞タイプＯ１～Ｏ４を最も可能性の高い閉塞タイプＯ１～Ｏ４として認識することになるように訓練モードで学習するように構成されることが好ましい。
検査されるべき鼾音信号Ａｕが識別モードで入力された場合、第１の分類器Ｋ１によって識別された鼾音原因のタイプＳ１～Ｓ４及び第２の分類器Ｋ２によって識別された口の位置Ｍ１～Ｍ２は、最も可能性の高い閉塞タイプ（複数可）Ｏ１～Ｏ４に、対応する確率値で割り当てられる。第３の分類器Ｋ３はまた、上述のように、少なくとも鼾音原因のタイプＳ１～Ｓ４及び口の位置Ｍ１～Ｍ２などの入力パラメータによって、正確に定義された確率評価を実行する接続マトリクスとすることができる。このプロセスの間に、接続マトリクスはまた、正確に事前定義された確率評価が、好ましくは、識別モードの前に又は訓練モードでの連続識別中にさらに学習されるように、実装又は従属学習アルゴリズムによって構成されてもよい。
Ｅ）閉塞タイプ信号のためのディスプレイを備えた出力インタフェース３。
分類システム１はまた、入力インタフェース２を有しており、それを使って、例えば、それぞれの閉塞タイプＯ１～Ｏ４の分類中に第３の分類器Ｋ３によって考慮される追加の鼾及び患者データＰｘを入力できることが好ましい。
明確にする目的で、鼾音原因のタイプ（複数可）Ｓ１～Ｓ４、口の位置（複数可）Ｍ１～Ｍ２、及び閉塞タイプ（複数可）Ｏ１～Ｏ４によって、信号は、信号特性を有するように意図されてもよいことに留意されたい。
識別精度は注釈付きテストデータによって決定されることが好ましい。テストデータは、訓練データセットの独立した部分であるが、但し、訓練に使用されなかった部分であることが好ましい。
鼾音信号Ａｕは、鼾音信号及び１つ又は複数の特性信号を表すマイクロホン又はオーディオ信号を含む信号又は信号ベクトルであることが好ましい。鼾音信号を表すマイクロホン又はオーディオ信号は、例えば、帯域通過フィルタ処理によるか又は最新技術で知られているような様々な方法で前処理することができる。
代替として、鼾音信号Ａｕは、少なくとも１つ又は複数の音響特性で構成される、特性抽出器によってオーディオ信号から得られる特性ベクトルであることが好ましい。音響特性は、例えば、基本周波数高調波雑音比（ＨＮＲ）、メル周波数ケプストラム係数（ＭＦＣＣ）、及び／又は他のものとすることができる。特性抽出器は、鼾の発生の期間全体を記述する特性ごとの個々の値の代わりに、好ましくは静的な値として提示される音響特性の時系列履歴に関する情報を抽出することが好ましい。静的な値は、平均値、中央値、標準偏差、及び／又はガウス分布であることが好ましい。
記録された検査されるべき鼾音信号Ａｕを分類することによる睡眠時無呼吸の場合の閉塞タイプＯ１～Ｏ４のマイクロプロセッサ支援識別のための上述の分類システムに適する方法は、以下のステップを含む。
Ａ）それぞれの識別モードにおけるそれぞれの最も可能性の高い鼾音原因のタイプＳ１～Ｓ４の分類及び出力のために、それぞれの鼾音原因のタイプＳ１～Ｓ４が割り当てられている第１の複数の鼾音信号Ａｕを入力ポートで入力することによって第１の分類器Ｋ１を訓練するステップであり、それぞれの鼾音原因のタイプＳ１～Ｓ４が、あり得る鼾音原因のタイプＳ１～Ｓ４のクラスの第１のグループから生じる、訓練するステップ。
Ｂ）それぞれの識別モードにおけるそれぞれの最も可能性の高い口の位置Ｍ１～Ｍ２の分類及び出力のために、それぞれの口の位置Ｍ１～Ｍ２が割り当てられている第２の複数の鼾音信号Ａｕを入力ポートで入力することによって第２の分類器Ｋ１を訓練するステップであり、それぞれの口の位置Ｍ１～Ｍ２が、あり得る口の位置Ｍ１～Ｍ２のクラスの第２のグループから生じる、訓練するステップ。
Ｃ）睡眠時無呼吸の場合の最も可能性の高い閉塞タイプＯ１～Ｏ４に関しての対応する識別モードでの分類及び出力のために、上述で識別された鼾音原因のタイプＳ１～Ｓ４及び口の位置Ｍ１～Ｍ２を入力ポートで入力することによって、第３の分類器Ｋ３を好ましくは訓練するか又はマトリクス形状に関連付けするステップであり、それぞれの閉塞タイプＯ１～Ｏ４が、閉塞タイプＯ１～Ｏ４のクラスの第３のグループから生じ、代替として、第３の分類器Ｋ３が、さらに、最も可能性の高い閉塞タイプＯ１～Ｏ４の分類のためにパラメータ入力によって予めプログラムされてもよい、訓練するか又はマトリクス形状に関連付けするステップ。
Ｄ）それぞれの識別モードにおいて、第１の分類器Ｋ１による鼾音信号Ａｕからの鼾音原因のタイプＳ１～Ｓ４、第２の分類器Ｋ２による口の位置Ｍ１～Ｍ２、及び第３の分類器Ｋ３による結果として生じる閉塞タイプＯ１～Ｏ４を識別するステップ。
Ｅ）第１の分類器Ｋ１、第２の分類器Ｋ２、及び第３の分類器Ｋ３によって識別された、検査されるべき鼾音信号Ａｕの閉塞タイプＯ１～Ｏ４を出力インタフェース３で出力するステップ。
Ａ）それぞれの識別モードにおけるそれぞれの最も可能性の高い鼾音原因のタイプＳ１～Ｓ４の分類及び出力のために、それぞれの鼾音原因のタイプＳ１～Ｓ４が割り当てられている第１の複数の鼾音信号Ａｕを入力ポートで入力することによって第１の分類器Ｋ１を訓練するステップであり、それぞれの鼾音原因のタイプＳ１～Ｓ４が、あり得る鼾音原因のタイプＳ１～Ｓ４のクラスの第１のグループから生じる、訓練するステップ。
Ｂ）それぞれの識別モードにおけるそれぞれの最も可能性の高い口の位置Ｍ１～Ｍ２の分類及び出力のために、それぞれの口の位置Ｍ１～Ｍ２が割り当てられている第２の複数の鼾音信号Ａｕを入力ポートで入力することによって第２の分類器Ｋ１を訓練するステップであり、それぞれの口の位置Ｍ１～Ｍ２が、あり得る口の位置Ｍ１～Ｍ２のクラスの第２のグループから生じる、訓練するステップ。
Ｃ）睡眠時無呼吸の場合の最も可能性の高い閉塞タイプＯ１～Ｏ４に関しての対応する識別モードでの分類及び出力のために、上述で識別された鼾音原因のタイプＳ１～Ｓ４及び口の位置Ｍ１～Ｍ２を入力ポートで入力することによって、第３の分類器Ｋ３を好ましくは訓練するか又はマトリクス形状に関連付けするステップであり、それぞれの閉塞タイプＯ１～Ｏ４が、閉塞タイプＯ１～Ｏ４のクラスの第３のグループから生じ、代替として、第３の分類器Ｋ３が、さらに、最も可能性の高い閉塞タイプＯ１～Ｏ４の分類のためにパラメータ入力によって予めプログラムされてもよい、訓練するか又はマトリクス形状に関連付けするステップ。
Ｄ）それぞれの識別モードにおいて、第１の分類器Ｋ１による鼾音信号Ａｕからの鼾音原因のタイプＳ１～Ｓ４、第２の分類器Ｋ２による口の位置Ｍ１～Ｍ２、及び第３の分類器Ｋ３による結果として生じる閉塞タイプＯ１～Ｏ４を識別するステップ。
Ｅ）第１の分類器Ｋ１、第２の分類器Ｋ２、及び第３の分類器Ｋ３によって識別された、検査されるべき鼾音信号Ａｕの閉塞タイプＯ１～Ｏ４を出力インタフェース３で出力するステップ。
図３は、上述した方法の一例を信号流れ図として示す。
上述の方法は、以下のこと、すなわち、複数の鼾音信号Ａｕによる第１の分類器Ｋ１の訓練及び第２の分類器Ｋ２の訓練が、互いに別個に行われ、第１の分類器Ｋ１が、口の位置Ｍ１～Ｍ２と無関係に訓練され学習し、第２の分類器Ｋ２が、鼾音原因のタイプＳ１～Ｓ４と無関係に訓練され学習することをさらに含むことが好ましい。第１の分類器Ｋ１及び第２の分類器Ｋ２の訓練及び学習は、時間シフトで又は同時に行われることが好ましい。
上述の方法は、以下のこと、すなわち、別の複数の鼾音信号Ａｕによる第１の分類器Ｋ１の訓練及び第２の分類器Ｋ２の訓練が、一緒に同時に行われ、鼾音原因のタイプＳ１～Ｓ４及びそれぞれの口の位置Ｍ１～Ｍ２が、それぞれの採用された鼾音信号Ａｕに割り当てられることをさらに含むことが好ましい。
上述の方法は、以下のこと、すなわち、識別モードにおいて、それぞれの鼾音原因のタイプＳ１～Ｓ４が、第１の分類器Ｋ１によってそれぞれの確率で識別され、第３の分類器Ｋ３に供給されることをさらに含むことが好ましい。
上述の方法は、以下のこと、すなわち、識別モードにおいて、それぞれの口の位置Ｍ１～Ｍ２が、第２の分類器Ｋ２によってそれぞれの確率で識別され、閉塞タイプＯ１～Ｏ４の識別のために第３の分類器Ｋ３に供給されることをさらに含むことが好ましい。
上述の方法は、以下のこと、すなわち、識別モードにおいて、それぞれの閉塞タイプＯ１～Ｏ４が、第３の分類器Ｋ３によって、それぞれの鼾音原因のタイプＳ１～Ｓ４及び口の位置Ｍ１～Ｍ２から、対応する確率の指標で識別されることをさらに含むことが好ましい。
上述の方法は、以下のこと、すなわち、鼾音原因のタイプＳ１～Ｓ４の第１のグループが、以下のクラス、すなわち、口蓋帆咽頭（Ｖ）、中咽頭（Ｏ）、舌根領域（Ｔ）、及び／又は喉頭蓋領域（Ｅ）を含むことをさらに含むことが好ましい。それぞれの鼾音原因のタイプＳ１～Ｓ４は、例えば横振動又は円振動であり得る振動の方向をさらに含むことが好ましい。
口の位置の第２のグループは、以下の口の位置、すなわち、口を開けた位置、口を閉じた位置を含むことが好ましい。代替として、口の位置の第２のグループは、中間位置を有する３つ以上の口の位置を含むことができることが好ましい。
上述の方法は、それぞれの鼾音原因のタイプＳ１～Ｓ４及びそれぞれの口の位置Ｍ１～Ｍ２に加えて、鼾をかく人に関連する追加の鼾又は患者データＰｘが、第３の分類器Ｋ３に供給され、そのデータが、閉塞タイプＯ１～Ｏ４の訓練及び／又は識別中に、第３の分類器Ｋ３によって考慮及び評価されるように構成されることが好ましい。
鼾又は患者データＰｘは、以下のパラメータ、すなわち、肥満度指数、無呼吸呼吸低下指数、扁桃腺のサイズ、舌のサイズ、フリードマンスコア、鼾の時間、睡眠の持続時間のうちの少なくとも１つを含むことが好ましい。
明確にする目的で、目的語に関連する不定冠詞「ａ」は、目的語の数を正確に「１つ」に限定するのではなく、「少なくとも１つ」が意図されることに留意されたい。これは、例えば「ａ」などのすべての不定冠詞に当てはまるものとする。
明確にする目的で、本明細書で使用される「第１の」、「第２の」、「第３の」などの用語は、異なる複数、要素、及び／又は構成要素を区別するためにのみ利用される。それゆえに、例えば、第１の複数は、第２の複数と呼ぶこともでき、その結果、第２の複数はまた、本発明の教示から逸脱することなく第１の複数と呼ぶことができる。
鼾音原因のタイプ、口の位置、及び閉塞タイプのタイプについて本明細書で述べた２つ又は４つのクラスの代わりに、他の複数が、同様に使用またが検出されてもよいことが理解される。
特許請求の範囲に示される参照符号は、より理解しやすくするためのみのものであり、特許請求の範囲を、図に示された実施形態に決して限定しない。
［参照符号のリスト］
１ 分類システム
２ 入力インタフェース
３ 出力インタフェース
Ａｕ 鼾音信号
Ｓｘ、Ｓ１～Ｓ４ 鼾音原因のタイプ
Ｍｘ、Ｍ１、Ｍ２ 口の位置
Ｏｘ、Ｏ１～Ｏ４ 閉塞タイプ
Ｋ１ 第１の分類器
Ｋ２ 第２の分類器
Ｋ３ 第３の分類器
Ｐｘ 鼾又は患者データ
Ｖ 口蓋帆咽頭
Ｏ 中咽頭
Ｔ 舌根の領域
Ｅ 喉頭蓋の領域
［発明の項目］
［項目１］
検査されるべき鼾音信号（Ａｕ）の適切な分類による睡眠時無呼吸における閉塞タイプ（Ｏ１～Ｏ４）のマイクロプロセッサ支援識別のための分類システム（１）であって、
ａ）それぞれの前記鼾音信号（Ａｕ）のための入力インタフェースと、
ｂ）第１の複数の鼾音信号（Ａｕ）が、対応する鼾音原因のタイプ（Ｓ１～Ｓ４）を伴って入力されるとき、識別モードにおいて、事前定義された鼾音原因のタイプ（Ｓ１～Ｓ４）のグループから、特定の鼾音信号（Ａｕ）に対して最も可能性の高い鼾音原因のタイプ（Ｓ１～Ｓ４）を識別すること及び出力することを行うように訓練モードで学習するように構成された第１の分類器（Ｋ１）と、
ｃ）第２の複数の鼾音信号（Ａｕ）が、対応する口の位置（Ｍ１～Ｍ２）を伴って入力されるとき、識別モードにおいて、事前定義された口の位置（Ｍ１～Ｍ２）のグループから、特定の鼾音信号（Ａｕ）に対して最も可能性の高い口の位置（Ｍ１～Ｍ２）を識別すること及び出力することを行うように訓練モードで学習するように構成された第２の分類器（Ｋ２）と、
ｄ）前記第１の分類器（Ｋ１）によって識別された前記鼾音原因のタイプ（Ｓ１～Ｓ４）及び前記第２の分類器（Ｋ２）によって識別された前記口の位置（Ｍ１～Ｍ２）が入力された場合、事前定義された閉塞タイプ（Ｏ１～Ｏ４）のグループから、最も可能性の高い閉塞タイプ（Ｏ１～Ｏ４）を識別モードで識別し、前記最も可能性の高い閉塞タイプ（Ｏ１～Ｏ４）を閉塞タイプ信号として出力するように構成された第３の分類器（Ｋ３）と、
ｅ）前記閉塞タイプ信号のためのディスプレイへの出力インタフェース（３）と
を備える、分類システム（１）。
［項目２］
前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）は、複数の鼾音信号（Ａｕ）による前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）のそれぞれの前記訓練が、互いに別個に実行され得るように構成され、前記第１の分類器（Ｋ１）が、前記口の位置（Ｍ１～Ｍ２）と無関係に訓練及び学習を行い、前記第２の分類器（Ｋ２）が、前記鼾音原因のタイプ（Ｓ１～Ｓ４）と無関係に訓練及び学習を行う、項目１に記載の分類システム（１）。
［項目３］
前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）は、追加の複数の鼾音信号（Ａｕ）により前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）のそれぞれの前記訓練が、一緒に同時に、行われるように構成され、使用されるそれぞれの前記鼾音信号（Ａｕ）が、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）と、対応する情報としてのそれぞれの前記口の位置（Ｍ１～Ｍ２）とを含む、項目１又は２に記載の分類システム（１）。
［項目４］
前記第１の分類器（Ｋ１）が、前記識別モードにおいて、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）をそれぞれの確率で識別し、指し示し、前記第３の分類器（Ｋ３）に転送するように構成される、項目１～３の１つ又は複数に記載の分類システム（１）。
［項目５］
前記第２の分類器（Ｋ２）が、前記識別モードにおいて、それぞれの前記口の位置（Ｍ１～Ｍ２）をそれぞれの確率で識別し、指し示し、前記第３の分類器（Ｋ３）に転送するように構成される、項目１～４の１つ又は複数に記載の分類システム（１）。
［項目６］
前記第３の分類器（Ｋ３）は、前記第１の分類器（Ｋ１）によって識別された前記鼾音原因のタイプ（Ｓ１～Ｓ４）、前記第２の分類器（Ｋ２）によって識別された前記口の位置（Ｍ１～Ｍ２）、及び閉塞タイプ（Ｏ１～Ｏ４）が入力されたとき、前記識別モードにおいて、前記入力された閉塞タイプを、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）及びそれぞれの前記口の位置（Ｍ１～Ｍ２）により前記最も可能性の高い閉塞タイプ（Ｏ１～Ｏ４）として識別するように訓練モードで学習するように構成される、項目１～５の１つ又は複数に記載の分類システム（１）。
［項目７］
前記第３に分類器（Ｋ３）が、識別モードにおいて、それぞれの前記閉塞タイプ（Ｏ１～Ｏ４）をそれぞれの確率で識別し、指し示し、前記出力インタフェース（３）に転送するように構成される、項目１～６の１つ又は複数に記載の分類システム（１）。
［項目８］
前記第３の分類器（Ｋ３）は、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）及びそれぞれの前記口の位置（Ｍ１～Ｍ２）に加えて、鼾をかく人に関連する他の鼾又は患者データ（Ｐｘ）を入力インタフェース（２）を介して識別し、前記訓練モードにおいて、及び／又は前記識別モードにおいて、前記閉塞タイプ（Ｏ１～Ｏ４）を分類する際にパラメータ又はパラメータ信号として前記鼾又は患者データ（Ｐｘ）を考慮に入れるように構成される、項目１～７の１つ又は複数に記載の分類システム（１）。
［項目９］
前記鼾又は患者データ（Ｐｘ）は、以下のパラメータ、すなわち、肥満度指数、無呼吸呼吸低下指数、扁桃腺のサイズ、舌のサイズ、フリードマンスコア、鼾の時間、睡眠の持続時間のうちの少なくとも１つを含む、項目８に記載の分類システム（１）。
［項目１０］
前記第１の分類器（Ｋ１）が、機械学習の以下の方法、すなわち、
サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づき、及び／又は
前記第２の分類器（Ｋ２）が、前記機械学習の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づき、及び／又は
前記第３の分類器（Ｋ３）が、前記機械学習の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づき、又は
前記第３の分類器（Ｋ３）が、前記鼾音原因のタイプ（Ｓ１～Ｓ４）の第１の入力ベクトルと前記口の位置（Ｍ１～Ｍ２）の少なくとも１つの第２の入力ベクトルとのマトリクス確率評価に基づいており、その結果として、その集約確率が、様々な前記閉塞タイプ（Ｏ１～Ｏ４）及びその確率をもたらす、項目１～９の１つ又は複数に記載の分類システム（１）。
［参照符号のリスト］
１ 分類システム
２ 入力インタフェース
３ 出力インタフェース
Ａｕ 鼾音信号
Ｓｘ、Ｓ１～Ｓ４ 鼾音原因のタイプ
Ｍｘ、Ｍ１、Ｍ２ 口の位置
Ｏｘ、Ｏ１～Ｏ４ 閉塞タイプ
Ｋ１ 第１の分類器
Ｋ２ 第２の分類器
Ｋ３ 第３の分類器
Ｐｘ 鼾又は患者データ
Ｖ 口蓋帆咽頭
Ｏ 中咽頭
Ｔ 舌根の領域
Ｅ 喉頭蓋の領域
［発明の項目］
［項目１］
検査されるべき鼾音信号（Ａｕ）の適切な分類による睡眠時無呼吸における閉塞タイプ（Ｏ１～Ｏ４）のマイクロプロセッサ支援識別のための分類システム（１）であって、
ａ）それぞれの前記鼾音信号（Ａｕ）のための入力インタフェースと、
ｂ）第１の複数の鼾音信号（Ａｕ）が、対応する鼾音原因のタイプ（Ｓ１～Ｓ４）を伴って入力されるとき、識別モードにおいて、事前定義された鼾音原因のタイプ（Ｓ１～Ｓ４）のグループから、特定の鼾音信号（Ａｕ）に対して最も可能性の高い鼾音原因のタイプ（Ｓ１～Ｓ４）を識別すること及び出力することを行うように訓練モードで学習するように構成された第１の分類器（Ｋ１）と、
ｃ）第２の複数の鼾音信号（Ａｕ）が、対応する口の位置（Ｍ１～Ｍ２）を伴って入力されるとき、識別モードにおいて、事前定義された口の位置（Ｍ１～Ｍ２）のグループから、特定の鼾音信号（Ａｕ）に対して最も可能性の高い口の位置（Ｍ１～Ｍ２）を識別すること及び出力することを行うように訓練モードで学習するように構成された第２の分類器（Ｋ２）と、
ｄ）前記第１の分類器（Ｋ１）によって識別された前記鼾音原因のタイプ（Ｓ１～Ｓ４）及び前記第２の分類器（Ｋ２）によって識別された前記口の位置（Ｍ１～Ｍ２）が入力された場合、事前定義された閉塞タイプ（Ｏ１～Ｏ４）のグループから、最も可能性の高い閉塞タイプ（Ｏ１～Ｏ４）を識別モードで識別し、前記最も可能性の高い閉塞タイプ（Ｏ１～Ｏ４）を閉塞タイプ信号として出力するように構成された第３の分類器（Ｋ３）と、
ｅ）前記閉塞タイプ信号のためのディスプレイへの出力インタフェース（３）と
を備える、分類システム（１）。
［項目２］
前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）は、複数の鼾音信号（Ａｕ）による前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）のそれぞれの前記訓練が、互いに別個に実行され得るように構成され、前記第１の分類器（Ｋ１）が、前記口の位置（Ｍ１～Ｍ２）と無関係に訓練及び学習を行い、前記第２の分類器（Ｋ２）が、前記鼾音原因のタイプ（Ｓ１～Ｓ４）と無関係に訓練及び学習を行う、項目１に記載の分類システム（１）。
［項目３］
前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）は、追加の複数の鼾音信号（Ａｕ）により前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）のそれぞれの前記訓練が、一緒に同時に、行われるように構成され、使用されるそれぞれの前記鼾音信号（Ａｕ）が、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）と、対応する情報としてのそれぞれの前記口の位置（Ｍ１～Ｍ２）とを含む、項目１又は２に記載の分類システム（１）。
［項目４］
前記第１の分類器（Ｋ１）が、前記識別モードにおいて、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）をそれぞれの確率で識別し、指し示し、前記第３の分類器（Ｋ３）に転送するように構成される、項目１～３の１つ又は複数に記載の分類システム（１）。
［項目５］
前記第２の分類器（Ｋ２）が、前記識別モードにおいて、それぞれの前記口の位置（Ｍ１～Ｍ２）をそれぞれの確率で識別し、指し示し、前記第３の分類器（Ｋ３）に転送するように構成される、項目１～４の１つ又は複数に記載の分類システム（１）。
［項目６］
前記第３の分類器（Ｋ３）は、前記第１の分類器（Ｋ１）によって識別された前記鼾音原因のタイプ（Ｓ１～Ｓ４）、前記第２の分類器（Ｋ２）によって識別された前記口の位置（Ｍ１～Ｍ２）、及び閉塞タイプ（Ｏ１～Ｏ４）が入力されたとき、前記識別モードにおいて、前記入力された閉塞タイプを、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）及びそれぞれの前記口の位置（Ｍ１～Ｍ２）により前記最も可能性の高い閉塞タイプ（Ｏ１～Ｏ４）として識別するように訓練モードで学習するように構成される、項目１～５の１つ又は複数に記載の分類システム（１）。
［項目７］
前記第３に分類器（Ｋ３）が、識別モードにおいて、それぞれの前記閉塞タイプ（Ｏ１～Ｏ４）をそれぞれの確率で識別し、指し示し、前記出力インタフェース（３）に転送するように構成される、項目１～６の１つ又は複数に記載の分類システム（１）。
［項目８］
前記第３の分類器（Ｋ３）は、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）及びそれぞれの前記口の位置（Ｍ１～Ｍ２）に加えて、鼾をかく人に関連する他の鼾又は患者データ（Ｐｘ）を入力インタフェース（２）を介して識別し、前記訓練モードにおいて、及び／又は前記識別モードにおいて、前記閉塞タイプ（Ｏ１～Ｏ４）を分類する際にパラメータ又はパラメータ信号として前記鼾又は患者データ（Ｐｘ）を考慮に入れるように構成される、項目１～７の１つ又は複数に記載の分類システム（１）。
［項目９］
前記鼾又は患者データ（Ｐｘ）は、以下のパラメータ、すなわち、肥満度指数、無呼吸呼吸低下指数、扁桃腺のサイズ、舌のサイズ、フリードマンスコア、鼾の時間、睡眠の持続時間のうちの少なくとも１つを含む、項目８に記載の分類システム（１）。
［項目１０］
前記第１の分類器（Ｋ１）が、機械学習の以下の方法、すなわち、
サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づき、及び／又は
前記第２の分類器（Ｋ２）が、前記機械学習の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づき、及び／又は
前記第３の分類器（Ｋ３）が、前記機械学習の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づき、又は
前記第３の分類器（Ｋ３）が、前記鼾音原因のタイプ（Ｓ１～Ｓ４）の第１の入力ベクトルと前記口の位置（Ｍ１～Ｍ２）の少なくとも１つの第２の入力ベクトルとのマトリクス確率評価に基づいており、その結果として、その集約確率が、様々な前記閉塞タイプ（Ｏ１～Ｏ４）及びその確率をもたらす、項目１～９の１つ又は複数に記載の分類システム（１）。
Claims (26)
- 検査されるべき鼾音信号（Ａｕ）の適切な分類による睡眠時無呼吸における閉塞タイプ（Ｏ１～Ｏ４）のマイクロプロセッサ支援識別のための分類システム（１）であって、
ａ）それぞれの前記鼾音信号（Ａｕ）のための入力インタフェースと、
ｂ）第１の複数の鼾音信号（Ａｕ）が、対応する鼾音原因のタイプ（Ｓ１～Ｓ４）を伴って入力されたとき、識別モードにおいて、事前定義された鼾音原因のタイプ（Ｓ１～Ｓ４）のグループから、特定の鼾音信号（Ａｕ）に対して最も可能性の高い鼾音原因のタイプ（Ｓ１～Ｓ４）を識別すること及び出力することを行うように訓練モードで学習するように構成された第１の分類器（Ｋ１）と、
ｃ）第２の複数の鼾音信号（Ａｕ）が、対応する口の位置（Ｍ１～Ｍ２）を伴って入力されたとき、識別モードにおいて、事前定義された口の位置（Ｍ１～Ｍ２）のグループから、特定の鼾音信号（Ａｕ）に対して最も可能性の高い口の位置（Ｍ１～Ｍ２）を識別すること及び出力することを行うように訓練モードで学習するように構成された第２の分類器（Ｋ２）と、
ｄ）前記第１の分類器（Ｋ１）によって識別された前記鼾音原因のタイプ（Ｓ１～Ｓ４）及び前記第２の分類器（Ｋ２）によって識別された前記口の位置（Ｍ１～Ｍ２）、及び閉塞タイプ（О１～О４）が入力されたとき、識別モードにおいて、前記入力された閉塞タイプを、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）及びそれぞれの前記口の位置（Ｍ１～Ｍ２）により最も可能性の高い閉塞タイプ（Ｏ１～Ｏ４）として識別し、前記最も可能性の高い閉塞タイプ（Ｏ１～Ｏ４）を閉塞タイプ信号として出力するように訓練モードで学習するように構成された第３の分類器（Ｋ３）と、
ｅ）前記閉塞タイプ信号のためのディスプレイへの出力インタフェース（３）と
を備える、分類システム（１）。 - 前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）は、複数の鼾音信号（Ａｕ）による前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）のそれぞれの前記訓練が、互いに別個に実行され得るように構成され、前記第１の分類器（Ｋ１）が、前記口の位置（Ｍ１～Ｍ２）と無関係に訓練及び学習を行い、前記第２の分類器（Ｋ２）が、前記鼾音原因のタイプ（Ｓ１～Ｓ４）と無関係に訓練及び学習を行う、請求項１に記載の分類システム（１）。
- 前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）は、追加の複数の鼾音信号（Ａｕ）により前記第１の分類器（Ｋ１）及び前記第２の分類器（Ｋ２）のそれぞれの前記訓練が、一緒に同時に、行われるように構成され、使用されるそれぞれの前記鼾音信号（Ａｕ）が、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）と、対応する情報としてのそれぞれの前記口の位置（Ｍ１～Ｍ２）とを含む、請求項１又は２に記載の分類システム（１）。
- 前記第１の分類器（Ｋ１）が、前記識別モードにおいて、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）をそれぞれの確率で識別し、指し示し、前記第３の分類器（Ｋ３）に転送するように構成される、請求項１～３のいずれか一項に記載の分類システム（１）。
- 前記第２の分類器（Ｋ２）が、前記識別モードにおいて、それぞれの前記口の位置（Ｍ１～Ｍ２）をそれぞれの確率で識別し、指し示し、前記第３の分類器（Ｋ３）に転送するように構成される、請求項１～４のいずれか一項に記載の分類システム（１）。
- 前記第３に分類器（Ｋ３）が、識別モードにおいて、それぞれの前記閉塞タイプ（Ｏ１～Ｏ４）をそれぞれの確率で識別し、指し示し、前記出力インタフェース（３）に転送するように構成される、請求項１～５のいずれか一項に記載の分類システム（１）。
- 前記第３の分類器（Ｋ３）は、それぞれの前記鼾音原因のタイプ（Ｓ１～Ｓ４）及びそれぞれの前記口の位置（Ｍ１～Ｍ２）に加えて、鼾をかく人に関連する他の鼾又は患者データ（Ｐｘ）を入力インタフェース（２）を介して識別し、前記訓練モードにおいて、及び／又は前記識別モードにおいて、前記閉塞タイプ（Ｏ１～Ｏ４）を分類する際にパラメータ又はパラメータ信号として前記鼾又は患者データ（Ｐｘ）を考慮に入れるように構成される、請求項１～６のいずれか一項に記載の分類システム（１）。
- 前記鼾又は患者データ（Ｐｘ）は、以下のパラメータ、すなわち、肥満度指数、無呼吸呼吸低下指数、扁桃腺のサイズ、舌のサイズ、フリードマンスコア、鼾の時間、睡眠の持続時間のうちの少なくとも１つを含む、請求項７に記載の分類システム（１）。
- 前記第１の分類器（Ｋ１）が、機械学習の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づいている、請求項１～８のいずれか一項に記載の分類システム（１）。
- 前記第２の分類器（Ｋ２）が、機械学習の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づいている、請求項１～９のいずれか一項に記載の分類システム（１）。
- 前記第３の分類器（Ｋ３）が、機械学習の以下の方法、すなわち、サポートベクトルマシン（ＳＶＭ）、ナイーブベイズシステム、最小２乗平均法、ｋ最近傍法（ｋ－ＮＮ）、線形判別分析（ＬＤＡ）、ランダムフォレスト法（ＲＦ）、エクストリームラーニングマシン（ＥＬＭ）、多層パーセプトロン（ＭＬＰ）、ディープニューラルネットワーク（ＤＮＮ）、ロジスティック回帰のうちの１つに基づいている、請求項１～１０のいずれか一項に記載の分類システム（１）。
- 前記第３の分類器（Ｋ３）が、前記鼾音原因のタイプ（Ｓ１～Ｓ４）の第１の入力ベクトルと前記口の位置（Ｍ１～Ｍ２）の少なくとも１つの第２の入力ベクトルとのマトリクス確率評価に基づいており、その結果として、その集約確率が、様々な前記閉塞タイプ（Ｏ１～Ｏ４）及びその確率をもたらす、請求項１～１１のいずれか一項に記載の分類システム（１）。
- 記録された検査されるべき鼾音信号を分類することによる睡眠時無呼吸の場合の閉塞タイプのマイクロプロセッサ支援識別のための分類システムにおいて実施される方法であって、
Ａ）それぞれの識別モードにおけるそれぞれの最も可能性の高い鼾音原因のタイプの分類及び出力のために、それぞれの鼾音原因のタイプが割り当てられている第１の複数の鼾音信号を入力ポートで入力することによって第１の分類器を訓練するステップであり、それぞれの前記鼾音原因のタイプが、あり得る鼾音原因のタイプのクラスの第１のグループから生じる、訓練するステップと、
Ｂ）それぞれの識別モードにおけるそれぞれの最も可能性の高い口の位置の分類及び出力のために、それぞれの口の位置が割り当てられている第２の複数の鼾音信号を入力ポートで入力することによって第２の分類器を訓練するステップであり、それぞれの前記口の位置が、あり得る口の位置のクラスの第２のグループから生じる、訓練するステップと、
Ｃ）睡眠時無呼吸の場合の最も可能性の高い閉塞タイプに関しての対応する識別モードでの分類及び出力のために、上述で識別された鼾音原因のタイプ及び口の位置を入力ポートで入力することによって、第３の分類器を訓練するステップであり、それぞれの閉塞タイプが、閉塞タイプのクラスの第３のグループから生じる、訓練するステップと、
Ｄ）それぞれの識別モードにおいて、前記第１の分類器による前記鼾音信号からの前記鼾音原因のタイプ、前記第２の分類器による前記口の位置、及び前記第３の分類器による結果として生じる前記閉塞タイプを識別するステップと、
Ｅ）前記第１の分類器、前記第２の分類器、及び前記第３の分類器によって識別された、検査されるべき前記鼾音信号の前記閉塞タイプを出力インタフェースで出力するステップと、
を含む、方法。 - 前記複数の鼾音信号による、前記第１の分類器の訓練及び前記第２の分類器の訓練が、互いに別個に行われ、前記第１の分類器が、前記口の位置と無関係に訓練され学習し、前記第２の分類器が、前記鼾音原因のタイプと無関係に訓練される、請求項１３に記載の方法。
- 前記第１の分類器及び前記第２の分類器の訓練及び学習は、時間シフトで行われる、請求項１４に記載の方法。
- 前記第１の分類器及び前記第２の分類器の訓練及び学習は、同時に行われる、請求項１４に記載の方法。
- 別の複数の鼾音信号による前記第１の分類器の訓練及び前記第２の分類器の訓練が、一緒に同時に行われ、前記鼾音原因のタイプ及び前記それぞれの口の位置が、それぞれの採用された鼾音信号に割り当てられる、請求項１３に記載の方法。
- 前記識別モードにおいて、前記それぞれの鼾音原因のタイプが、前記第１の分類器によってそれぞれの確率で識別され、前記第３の分類器に供給される、請求項１３に記載の方法。
- 前記識別モードにおいて、前記それぞれの口の位置が、前記第２の分類器によってそれぞれの確率で識別され、前記閉塞タイプの識別のために前記第３の分類器に供給される、請求項１３に記載の方法。
- 前記識別モードにおいて、前記それぞれの閉塞タイプが、前記第３の分類器によって、前記それぞれの鼾音原因のタイプ及び口の位置から、対応する確率の指標で識別される、請求項１３に記載の方法。
- 前記鼾音原因のタイプの第１のグループが、以下のクラス、すなわち、口蓋帆咽頭、中咽頭、舌根領域、及び／又は喉頭蓋領域を含む、請求項１３に記載の方法。
- 前記それぞれの鼾音原因のタイプは、横振動又は円振動である振動の方向を含む、請求項２１に記載の方法。
- 前記口の位置の第２のグループは、以下の口の位置、すなわち、口を開けた位置、口を閉じた位置を含む、請求項１３に記載の方法。
- 前記口の位置の第２のグループは、以下の口の位置、すなわち、口を開けた位置、口を閉じた位置、中間位置の口の位置を含む、請求項１３に記載の方法。
- 前記それぞれの鼾音原因のタイプ及び前記それぞれの口の位置に加えて、鼾をかく人に関連する追加の鼾又は患者データが、前記第３の分類器に供給され、前記鼾又は患者データが、前記閉塞タイプの訓練及び／又は識別中に、前記第３の分類器によって考慮及び評価される、請求項１３に記載の方法。
- 前記鼾又は患者データは、以下のパラメータ、すなわち、肥満度指数、無呼吸呼吸低下指数、扁桃腺のサイズ、舌のサイズ、フリードマンスコア、鼾の時間、睡眠の持続時間のうちの少なくとも１つを含む、請求項１３に記載の方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102019105762.0A DE102019105762B4 (de) | 2019-03-07 | 2019-03-07 | System zur akustischen Erkennung von Obstruktionsarten bei der Schlafapnoe. |
| DE102019105762.0 | 2019-03-07 | ||
| PCT/EP2020/054789 WO2020178060A1 (de) | 2019-03-07 | 2020-02-24 | System zur akustischen erkennung von obstruktionsarten bei der schlafapnoe und entsprechendes verfahren |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022531535A JP2022531535A (ja) | 2022-07-07 |
| JP7419641B2 true JP7419641B2 (ja) | 2024-01-23 |
Family
ID=70057073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021553028A Active JP7419641B2 (ja) | 2019-03-07 | 2020-02-24 | 睡眠時無呼吸における閉塞タイプの音響識別のためのシステム、及び対応する方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220156640A1 (ja) |
| EP (2) | EP3935648B1 (ja) |
| JP (1) | JP7419641B2 (ja) |
| CN (1) | CN113646848A (ja) |
| DE (1) | DE102019105762B4 (ja) |
| WO (1) | WO2020178060A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102021129912A1 (de) | 2021-11-16 | 2023-05-17 | Diametos GmbH | Diagnose- und Steuersystem zur Erkennung und Therapie von respiratorischen Ereignissen im Schlaf |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013022360A (ja) | 2011-07-25 | 2013-02-04 | Omron Healthcare Co Ltd | 睡眠評価装置および睡眠評価装置における検出方法 |
| JP2019010437A (ja) | 2017-06-30 | 2019-01-24 | ヤマハ株式会社 | 判定装置、及び判定方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006008844A1 (de) | 2006-02-25 | 2007-08-30 | Heiko Lorenzen | Verfahren zur Detektion von Atemstillständen während des Schlafes |
| CA2836196C (en) | 2011-05-17 | 2021-06-29 | University Health Network | Breathing disorder identification, characterization and diagnosis methods, devices and systems |
| US10537463B2 (en) * | 2015-01-13 | 2020-01-21 | Align Technology, Inc. | Systems and methods for positioning a patient's mandible in response to sleep apnea status |
| EP3322336B1 (en) | 2015-07-16 | 2019-09-11 | Koninklijke Philips N.V. | System and method for analysis of the upper airway and a respiratory pressure support system |
-
2019
- 2019-03-07 DE DE102019105762.0A patent/DE102019105762B4/de active Active
-
2020
- 2020-02-24 EP EP20715275.2A patent/EP3935648B1/de active Active
- 2020-02-24 JP JP2021553028A patent/JP7419641B2/ja active Active
- 2020-02-24 WO PCT/EP2020/054789 patent/WO2020178060A1/de active Application Filing
- 2020-02-24 CN CN202080026813.1A patent/CN113646848A/zh active Pending
- 2020-02-24 US US17/436,623 patent/US20220156640A1/en active Pending
- 2020-02-24 EP EP23189065.8A patent/EP4276852A3/de active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013022360A (ja) | 2011-07-25 | 2013-02-04 | Omron Healthcare Co Ltd | 睡眠評価装置および睡眠評価装置における検出方法 |
| JP2019010437A (ja) | 2017-06-30 | 2019-01-24 | ヤマハ株式会社 | 判定装置、及び判定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3935648A1 (de) | 2022-01-12 |
| CN113646848A (zh) | 2021-11-12 |
| DE102019105762B4 (de) | 2021-09-16 |
| EP4276852A3 (de) | 2024-01-24 |
| DE102019105762A1 (de) | 2020-09-10 |
| US20220156640A1 (en) | 2022-05-19 |
| JP2022531535A (ja) | 2022-07-07 |
| EP3935648B1 (de) | 2023-08-02 |
| EP4276852A2 (de) | 2023-11-15 |
| WO2020178060A1 (de) | 2020-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rudraraju et al. | Cough sound analysis and objective correlation with spirometry and clinical diagnosis | |
| CN103687540B (zh) | 使用记录的呼吸音振幅谱图和音高升降曲线诊断osa/csa | |
| US8287470B2 (en) | Swallowing test apparatus | |
| Yagi et al. | A noninvasive swallowing measurement system using a combination of respiratory flow, swallowing sound, and laryngeal motion | |
| Khalifa et al. | Upper esophageal sphincter opening segmentation with convolutional recurrent neural networks in high resolution cervical auscultation | |
| Mielens et al. | Application of classification models to pharyngeal high-resolution manometry | |
| Sarraf Shirazi et al. | Detection of swallows with silent aspiration using swallowing and breath sound analysis | |
| Olin et al. | Glottic configuration in patients with exercise‐induced stridor: a new paradigm | |
| JP7419641B2 (ja) | 睡眠時無呼吸における閉塞タイプの音響識別のためのシステム、及び対応する方法 | |
| Inoue et al. | Using machine learning and a combination of respiratory flow, laryngeal motion, and swallowing sounds to classify safe and unsafe swallowing | |
| BT et al. | Asthmatic versus healthy child classification based on cough and vocalised/ɑ:/sounds | |
| Shokrollahi et al. | Snoring sound classification from respiratory signal | |
| Ding et al. | Automatically detecting apnea-hypopnea snoring signal based on vgg19+ lstm | |
| Sabry et al. | Automatic estimation of laryngeal vestibule closure duration using high-resolution cervical auscultation signals | |
| Sarraf Shirazi et al. | Noninvasive and automatic diagnosis of patients at high risk of swallowing aspiration | |
| US9848819B2 (en) | Airflow and airway factors | |
| Sebastian et al. | A preliminary study of the automatic classification of the site of airway collapse in OSA patients using snoring signals | |
| Khlaifi et al. | Swallowing sound recognition at home using GMM | |
| Balasubramanium et al. | Cervical auscultation: a systematic review | |
| Sebastian et al. | Identifying the predominant site of upper airway collapse in obstructive sleep apnoea patients using snore signals | |
| Glazova et al. | A method and algorithm for remote monitoring of patients in asthma | |
| CN117116470B (zh) | 一种吞咽障碍筛查系统及筛查方法 | |
| Liu et al. | Tracheal sound-based apnea detection using hidden Markov model in sedated volunteers and post anesthesia care unit patients | |
| Sylligardos et al. | A Deep Learning Approach to Detect Ventilatory Over-Assistance | |
| Sazonov et al. | Assessment of ingestion by chewing and swallowing sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220301 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220301 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230329 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230404 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230704 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231003 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231013 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231212 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231221 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7419641 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |