KR101601895B1 - 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법 - Google Patents

산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법 Download PDF

Info

Publication number
KR101601895B1
KR101601895B1 KR1020140114165A KR20140114165A KR101601895B1 KR 101601895 B1 KR101601895 B1 KR 101601895B1 KR 1020140114165 A KR1020140114165 A KR 1020140114165A KR 20140114165 A KR20140114165 A KR 20140114165A KR 101601895 B1 KR101601895 B1 KR 101601895B1
Authority
KR
South Korea
Prior art keywords
oxygen
event
sleep
apnea
oxygen desaturation
Prior art date
Application number
KR1020140114165A
Other languages
English (en)
Inventor
이경중
박종욱
이효기
Original Assignee
연세대학교 원주산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 원주산학협력단 filed Critical 연세대학교 원주산학협력단
Priority to KR1020140114165A priority Critical patent/KR101601895B1/ko
Application granted granted Critical
Publication of KR101601895B1 publication Critical patent/KR101601895B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0803—Recording apparatus specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • 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
    • A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
    • 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
    • A61B5/083—Measuring rate of metabolism by using breath test, e.g. measuring rate of oxygen consumption
    • A61B5/0833—Measuring rate of oxygen consumption
    • 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
    • A61B5/087—Measuring breath flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pulmonology (AREA)
  • Cardiology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Emergency Medicine (AREA)
  • Obesity (AREA)
  • Vascular Medicine (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 PPG 신호와 SpO2 신호를 이용하여 수면 상태와 중증 정도를 고려하여 자동으로 수면 무호흡-저호흡을 평가하는 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법에 관한 것으로, 보다 상세히는, PPG를 이용하여 자율신경계 분석을 통해 수면 상태를 분류하고, SpO2의 산소불포화 이벤트를 검출하여 수면호흡장애의 중증 정도를 추정하며, 수면호흡장애의 중증 정도에 따라 서포트벡터머신을 기반으로 한 각기 다른 분류기를 적용하여 수면 무호흡-저호흡을 분류하여 수면호흡장애를 평가하는, 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법에 관한 것이다.
본 발명은, PPG(맥파) 신호로부터 맥박 특징벡터를 검출하는, PPG 특징 검출단계; PPG 특징 검출단계에서 검출된 맥박 특징벡터 및 수면과 각성의 분류기를 이용하여, 수면상태인지 또는 각성상태 인지를 분류하는, 수면과 각성의 분류단계; SPO2(산소포화도) 신호에서, 수면과 각성의 분류단계에서 분류된 결과가 수면상태이라면 기저선에 비해 3% 이상감소되는 구간을 산소불포화 이벤트로 검출하고, 수면과 각성의 분류단계에서 분류된 결과가 각성상태이라면 기저선에 비해 4% 이상감소되는 구간을 산소불포화 이벤트로 검출하는, 산소불포화 이벤트 검출단계; 산소불포화 이벤트 검출단계에서 검출된 산소불포화 이벤트를 이용하여 산소불포화 이벤트 특징벡터를 구하는, 산소포화도 특징검출단계; 산소불포화 이벤트 검출단계에서 검출된 산소불포화 이벤트들에서, 시간당 산소불포화 이벤트의 총합으로 산소불포화 지수(ODI)를 계산하는, 산소불포화 지수계산단계; 산소불포화 이벤트의 특징벡터 및 무호흡과 저호흡의 분류기를 이용하여 무호흡과 저호흡을 분류하되, 산소불포화 지수계산단계에서 검출한 산소불포화 지수(ODI)에 따라 다른 무호흡과 저호흡의 분류기를 적용하는, 무호흡과 저호흡의 분류단계;를 포함하여 이루어진 것을 특징으로 한다.

Description

산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법{Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity}
본 발명은 PPG(광용적맥파) 신호와 SpO2(산소포화도) 신호를 이용하여 수면 상태와 중증 정도를 고려하여 자동으로 수면 무호흡-저호흡을 평가하는 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법에 관한 것으로, 보다 상세히는, PPG를 이용하여 자율신경계 분석을 통해 수면 상태를 분류하고, 수면 상태에 따라 SpO2의 산소불포화 이벤트를 검출하여 수면호흡장애의 중증 정도를 추정하며, 수면호흡장애의 중증 정도에 따라 서포트벡터머신(support vector machine)(이하 SVM 이라함)을 기반으로 한 각기 다른 분류기를 적용하여 수면 무호흡-저호흡을 분류하여 수면호흡장애를 평가하는, 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법에 관한 것이다.
수면호흡장애는 수면중에 일어나는 다양한 호흡장애를 총칭하는 것으로, 대표적으로 수면 무호흡과 수면 저호흡으로 나뉘며, 수면 무호흡이나 수면 저호흡이 발생하면 체내에 산소가 원활이 공급되지 않아 수면중 저산소증이 유발되고, 이에 수면분절로 인한 수면의 질 저하, 심할 경우 고혈압, 부정맥, 뇌졸중과 같은 심뇌혈관 질환을 동반하기도 한다.
수면호흡장애를 진단하기 위한 표준방법인 수면다원검사는 뇌파, 심전도, 호흡기류, PPG, 산소포화도 등 여러 가지 생체신호를 동시에 기록하여 수면호흡장애의 중증정도를 평가하는 객관적인 지표를 제공하나, 특화된 수면센터와 임상전문가를 필요로 하기 때문에 시간적, 공간적, 경제적 부담이 발생된다.
최근에는 수면다원 검사의 불편을 줄이기 위해, 산소포화도를 이용하여 정상 호흡과 무호흡을 분류하는 수면 무호흡검사장치가 개발되고 있다.
특히, 이러한 종래 장치들은 환자의 수면상태와 중증정도를 고려하여 정상, 무호흡, 저호흡을 분류하지 않기 때문에, 정확성이 떨어진다.
선행기술로서, 국내 등록특허 10-1096089호는 수면 무호흡 검출 및 유형 판단 장치 및 그 방법에 관한 것으로서, 피검자의 광전용적맥파를 측정하기 위한 PPG 센서와, 피검자의 움직임을 감지하기 위한 3축 가속도 센서와, PPG 센서에서 측정된 광전용적맥파를 이용하여 수면 무호흡 여부를 판단하고, 3축 가속도 센서를 이용하여 수면 무호흡의 유형을 진단하는 진단장치를 포함한다. 즉, 국내 등록특허 10-1096089호는 PPG 센서 이외에도 3축 가속도 센서를 구비하며, PPG 센서에서 감지된 호흡, 맥박으로부터 수면 무호흡 여부를 판단하고, PPG 센서에서 감지된 호흡 신호와 3축 가속도 센서에서 감지된 피검자의 움직임인 호흡 노력에 따라 수면 무호흡의 유형을 진단하도록 이루어진다.
국내 등록특허 10-1096089호는 3축 가속도 센서에서 감지된 피검자의 움직임인 호흡 노력에 따라 수면 무호흡의 유형을 진단하는 것으로, 3축 가속도로부터 입력된 신호는 잡음을 다량 포함하고 있어, 이를 이용한 방법은 정확성이 떨어진다고 할 수 있다.
따라서 본 발명은 맥박산소측정기로 PPG(광용적맥파) 신호와 SpO2(산소포화도) 신호를 추출하고, PPG를 이용하여 자율신경계 분석을 통해 수면 상태를 분류하고, 수면 상태에 따라 SpO2의 산소불포화 이벤트를 검출하여 수면호흡장애의 중증 정도를 추정하며, 수면호흡장애의 중증 정도에 따라 SVM을 기반으로 한 각기 다른 분류기를 적용하여 수면 무호흡-저호흡을 분류하여 수면호흡장애를 평가하는, 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법을 제안한다.
SVM을 기반으로 한 분류기는, 고차원으로의 비선형적인 매핑(mapping)에 의해서 선형적 분리 가능성을 높일 수 있는 것으로, Vapnik의 통계적 학습 이론을 근거로 하여 최적의 일반화 성능을 갖는 선형분리기를 구현하는 방법을 기반으로 하여 구성된다. 이런 SVM 분류기에 대한 보다 상세한 설명은, 1999년, V. Vapnik에 의해 IEEE Transactions on neural network, Vol. 10, No. 5, pp. 988-999에 발표된 논문, "An overview of statistical learning theory", 또는, 2005년 12월 Kugler, Mauricio 등이 일본 전자통신학회 논문집 D-II Vol.J88-D-II pp.2291-2300에 발표한 "Feature Selection Using Confident Margin for SVM" 등에 개시되어 있다. SVM 분류기는 기계의 결함진단 방법(국내 등록특허 제10-1249576호) 등에도 적용된다.
도 1은 SVM을 이용하여 두 개의 클래스로 분류하는 개념(국내 등록특허 제10-1249576호)을 나타낸 것으로, 두 개의 클래스(10, 11)를 구분할 수 있는 초평면은 도 1에 도시된 초평면(13, 14)외에도 많으나 최대 마진을 갖는 초평면(14)은 유일하다.
기본적으로, SVM은 이진분류 문제를 다루며 서포트 벡터(Support Vector) (12)로 정의되는 초평면(14)으로 두개의 클래스(10, 11)로 구분한다. 여기서 각 클래스에 속한 데이터 중 경계와 가장 인접한 데이터가 서포트 벡터(12)가 된다.
클래스 정보를 가진 두개의 클래스(10,11)를 학습데이터로 이용하여 서포트 벡터(12)가 결정되면 서포트 벡터(12)를 제외한 나머지 데이터들은 더 이상 이용되지 않고 클래스를 모르는 데이터(15)는 서포트 벡터(12) 정보로 구성된 초평면(14)을 이용하여 분류하게 된다.
입력공간이 선형적으로 쉽게 분리될 수 없는 비선형 입력공간의 데이터는 커널(kernel) 함수를 이용하여 고차원의 특징공간으로 변환함으로써 선형화하는 방법을 이용한다. 일반적으로 사용되는 커널 함수로는 RBF 커널, polynomial 커널, linear 커널, sigmoid 함수 중에서 하나를 선택하여 이용할 수 있다.
일반적으로 SVM의 특징선택 알고리즘은 크게 세 개의 그룹으로 나눌 수 있는데, 첫째는, 특징수가 0 상태로부터 시작해 특징을 늘려 가는 방법인 전방향(forward)형 알고리즘, 둘째는, 모든 특징을 가진 상태로부터 시작해 특징을 삭제해 나가는 방법인, 후방향(backward)형 알고리즘, 셋째로는 forward형과 backward형을 조합한 플로팅(floating)형 알고리즘이 있다.
본 발명이 해결하고자 하는 기술적 과제는 맥박산소측정기로 PPG(광용적맥파) 신호와 SpO2(산소포화도) 신호를 검출하고, PPG를 이용하여 자율신경계 분석을 통해 수면 상태를 분류하고, 수면상태를 고려하여 SpO2의 산소불포화 이벤트를 검출하여 수면호흡장애의 중증 정도를 추정하며, 수면호흡장애의 중증 정도에 따라 SVM을 기반으로 한 각기 다른 분류기를 적용하여 수면 무호흡-저호흡을 분류하여 수면호흡장애를 평가하는, 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법을 제공하는 것이다.
상기 과제를 해결하기위해, 본 발명은, PPG(맥파) 신호와 SPO2(산소포화도) 신호를 추출하는 맥박산소측정기, 맥박산소측정기로부터 추출된 PPG 신호와 SPO2 신호로부터 잡음을 제거하고 증폭하는 전처리부, 전처리부로부터 수신된 PPG 신호와 SPO2 신호를 디지탈 신호로 변환하는 A/D 변환부, A/D 변환부로부터 수신된 PPG 신호와 SPO2 신호를 이용하여 수면 무호흡과 수면 저호흡을 분류하는 연산처리부를 포함하는 수면 무호흡과 저호흡의 자동 평가 장치에 있어서, 연산처리부는, A/D 변환부로부터 입력된 PPG 신호를 이용하여 맥파 특징벡터들을 검출하고, A/D 변환부로부터 입력된 SPO2 신호에서 산소불포화 이벤트를 검출하고, 산소불포화 이벤트를 이용하여 산소불포화 이벤트의 특징벡터들을 검출하고, 산소불포화 이벤트를 이용하여 산소불포화 지수(ODI)를 계산하며, 산소불포화 이벤트의 특징벡터 및 무호흡과 저호흡의 분류기를 이용하여 무호흡과 저호흡을 분류하되, 산소불포화 지수(ODI)에 따라 다른 무호흡과 저호흡의 분류기를 적용하는 것을 특징으로 한다.
연산처리부는, 맥파 특징벡터들 및 수면과 각성의 분류기를 이용하여 수면과 각성 중 하나의 상태로 분류하고, 분류된 상태가 수면상태이면 기저선에 비해 3% 이상 감소되는 구간을 산소불포화 이벤트로 검출하고, 분류된 상태가 각성상태이면 기저선에 비해 4% 이상 감소되는 구간을 산소불포화 이벤트로 검출한다.
연산처리부는, 산소불포화 지수(ODI)가 17보다 작으면, 무호흡과 저호흡의 분류기 중 경증 분류기를 적용하고, 산소불포화 지수(ODI)가 17보다 크거나 같고, 32보다 작으면, 무호흡과 저호흡의 분류기 중 중등도 분류기를 적용하고, 산소불포화 지수(ODI)가 32보다 크면, 무호흡과 저호흡의 분류기 중 중증 분류기를 적용한다.
수면과 각성의 분류기 및 무호흡과 저호흡의 분류기에 입력으로 사용되는 특징벡터는, 써포트 벡터 머신을 이용한 회귀적 기능 제거(SVM-RFE)를 이용하여 선택된다.
맥파 특징벡터들 및 산소불포화 이벤트의 특징벡터들은, 써포트 벡터 머신을 이용한 회귀적 기능 제거(SVM-RFE)를 이용하여 생성된다.
연산처리부로 부터 수신한 '수면 무호흡' 또는 '수면 저호흡'을 알리는 신호를 출력하는 출력부를 더 포함한다.
맥파 특징벡터는 30초 단위로 계산되며, NN간격 평균(mean _ NN), NN간격의 중앙값(median _ NN), NN간격의 표준편차(SDNN), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD), 아주 낮은 주파수 대역(VLF) 강도(P VLF), 저주파수 대역(LF) 강도(P LF), 고주파수 대역(HF) 강도(P HF), 저주파수대 전체 주파수의 대역 강도비(P LF/ P TF ratio), 고주파수대 전체 주파수의 대역 강도비(P HF/ P TF ratio), 저주파수대 고주파수 대역 강도비(P LF/ P HF ratio) 중 하나 이상이다.
맥파 특징벡터는 고주파수대 전체 주파수의 대역 강도비(P HF/ P TF ratio), 저주파수대 전체 주파수의 대역 강도비(P LF/ P TF ratio), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD), NN간격의 중앙값(median_NN)를 포함하여 이루어진다.
산소불포화 이벤트의 특징벡터는, 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 지속시간(D_ time: time of the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 기울기(D_ slope: a slope between start point and end point of the oxygen desaturation event interval), 산소불포화 이벤트의 앞 80% 구간에서의 기울기(D_ slope80: a slope between start point and four-fifth point of the oxygen desaturation event interval), 산소불포화 이벤트의 평균값(D_ mean: mean of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 표준편차(D_ std: standard deviation of SpO2 in the oxygen desaturation event) 중 어느 하나이다.
경증 분류기를 적용시, 산소불포화 이벤트 특징벡터는 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event)이다.
중등도 분류기를 적용시, 산소불포화 이벤트 특징벡터는 산소불포화 이벤트의 평균값(D_ mean: mean of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 앞 80% 구간에서의 기울기(D_ slope80: a slope between start point and four-fifth point of the oxygen desaturation event interval), 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event)이다.
중증 분류기를 적용시, 산소불포화 이벤트 특징벡터는 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 표준편차(D_ std: standard deviation of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event)이다.
또한, 본 발명은, 맥박산소측정기를 이용하여 검출된 PPG(맥파) 신호와 SPO2(산소포화도) 신호가 연산처리부로 전송되며, 연산처리부는 PPG 신호와 SPO2 신호를 이용하여 수면 무호흡과 수면 저호흡을 분류하는 수면 무호흡과 저호흡의 자동 평가 장치의 구동방법에 있어서, 연산처리부는 수신된 PPG 신호를 이용하여 맥파 특징벡터들을 검출하고, 수신된 SPO2 신호에서 산소불포화 이벤트를 검출하고, 산소불포화 이벤트를 이용하여 산소불포화 이벤트의 특징벡터들을 검출하고, 산소불포화 이벤트를 이용하여 산소불포화 지수(ODI)를 계산하며, 산소불포화 이벤트의 특징벡터 및 무호흡과 저호흡의 분류기를 이용하여 무호흡과 저호흡을 분류하되, 산소불포화 지수(ODI)에 따라 다른 무호흡과 저호흡의 분류기를 적용한다.
또한, 본 발명은, 연산처리부는 PPG(맥파) 신호로부터 맥박 특징벡터를 검출하는, PPG 특징 검출단계; 연산처리부는 PPG 특징 검출단계에서 검출된 맥박 특징벡터 및 수면과 각성의 분류기를 이용하여, 수면상태인지 또는 각성상태 인지를 분류하는, 수면과 각성의 분류단계; 연산처리부는 SPO2(산소포화도) 신호에서, 수면과 각성의 분류단계에서 분류된 결과가 수면상태이라면 기저선에 비해 3% 이상감소되는 구간을 산소불포화 이벤트로 검출하고, 수면과 각성의 분류단계에서 분류된 결과가 각성상태이라면 기저선에 비해 4% 이상감소되는 구간을 산소불포화 이벤트로 검출하는, 산소불포화 이벤트 검출단계; 산소불포화 이벤트 검출단계에서 검출된 산소불포화 이벤트를 이용하여 연산처리부는 산소불포화 이벤트 특징벡터를 구하는, 산소포화도 특징검출단계; 산소불포화 이벤트 검출단계에서 검출된 산소불포화 이벤트들에서, 시간당 산소불포화 이벤트의 총합으로 산소불포화 지수(ODI)를 연산처리부가 계산하는, 산소불포화 지수계산단계; 연산처리부는 산소불포화 이벤트의 특징벡터 및 무호흡과 저호흡의 분류기를 이용하여 무호흡과 저호흡을 분류하되, 산소불포화 지수계산단계에서 검출한 산소불포화 지수(ODI)에 따라 다른 무호흡과 저호흡의 분류기를 적용하는, 무호흡과 저호흡의 분류단계;를 포함하여 이루어진 수면 무호흡-저호흡의 자동 평가 방법을 특징으로 한다.
무호흡과 저호흡의 분류단계는, 산소불포화 지수 계산단계에서 계산된 산소불포화 지수(ODI)가 17보다 작거나 같은지를 연산처리부가 판단하는, 산소불포화 지수(ODI)와 17의 비교단계; 산소불포화 지수와 17의 비교단계에서, 산소불포화 지수(ODI)가 17보다 작거나 같다면, 연산처리부는 산소포화도 특징검출단계에서 검출된 산소불포화 이벤트 특징벡터를 무호흡과 저호흡의 분류기 중 경증 분류기로 입력하여, 수면무호흡 상태인지, 수면저호흡 상태인지를 분류하는, 경증의 수면호흡장애의 무호흡과 저호흡 분류단계; 산소불포화 지수와 17의 비교단계에서 산소불포화 지수(ODI)가 17보다 크다면, 연산처리부는 산소불포화 지수 계산단계에서 계산된 산소불포화 지수(ODI)가 32보다 작은지를 판단하는, 산소불포화 지수와 32의 비교단계; 산소불포화 지수와 32의 비교단계에서, 산소불포화 지수(ODI)가 32보다 작거나 같다면, 연산처리부는 산소포화도 특징검출단계에서 검출된 산소불포화 이벤트 특징벡터를 무호흡과 저호흡의 분류기 중 중등도 분류기로 입력하여, 수면무호흡 상태인지, 수면저호흡 상태인지를 분류하는, 중등도의 수면호흡장애의 무호흡과 저호흡 분류단계; 산소불포화 지수와 32의 비교단계에서, 산소불포화 지수(ODI)가 32보다 크다면, 연산처리부는 산소포화도 특징검출단계에서 검출된 산소불포화 이벤트 특징벡터를 무호흡과 저호흡의 분류기 중 중증 분류기로 입력하여, 수면무호흡 상태인지, 수면저호흡 상태인지를 분류하는, 중증의 수면호흡장애의 무호흡과 저호흡 분류단계;를 더 포함하여 이루어진다.
PPG 특징 검출단계는, 연산처리부는 적응문턱치 알고리즘을 이용하여 펄스의 최대점을 검출하고, 최대점을 이용하여, 맥박률(pulse rate)을 검출하며, 상기 최대점 또는 맥박률(pulse rate)을 이용하여 맥파 특징벡터를 검출하되, 맥파 특징벡터는 NN간격 평균(mean _ NN), NN간격의 중앙값(median _ NN), NN간격의 표준편차(SDNN), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD), 아주 낮은 주파수 대역(VLF) 강도(P VLF), 저주파수 대역(LF) 강도(P LF), 고주파수 대역(HF) 강도(P HF), 저주파수대 전체 주파수의 대역 강도비(P LF/ P TF ratio), 고주파수대 전체 주파수의 대역 강도비(P HF/ P TF ratio), 저주파수대 고주파수 대역 강도비(P LF/ P HF ratio) 중 하나 이상이다.
수면과 각성의 분류단계에서, 수면과 각성의 분류기는 맥박 특징벡터가 입력으로 사용되어, 수면과 각성상태를 구분한 후, 제1기준 및 제2기준에 따라 수면상태를 결정하되, 제1기준은 연속적 각성 상태가 하나 또는 2개의 에퍽(epoch)으로 이루어진다면 각성 상태는 수면 상태로 바뀌어진다는 기준이며, 제2기준은 연속적 각성 상태가 3개 이상의 에퍽(epoch)으로 이루어진다면 첫번째 각성 상태는 수면 상태로 바뀌어진다는 기준이다.
또한, 본 발명은 컴퓨터 프로그램이 수록된 컴퓨터-판독가능 저장 매체로서, 상기 컴퓨터 프로그램은, 연산처리부에 로드되어 실행될 때, 상기 연산처리부로 하여금 본 발명에 따른 수면 무호흡과 저호흡의 자동 평가 방법을 구현하게 하는, 컴퓨터-판독가능 저장 매체를 특징으로 한다.
본 발명의 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법에 따르면, 맥박산소측정기로 PPG(광용적맥파) 신호와 SpO2(산소포화도) 신호를 검출하고, PPG를 이용하여 자율신경계 분석을 통해 수면 상태를 분류하고, SpO2의 산소불포화 이벤트(즉, ODI)를 검출하여 수면호흡장애의 중증 정도를 추정하며, 수면호흡장애의 중증 정도에 따라 SVM을 기반으로 한 각기 다른 분류기를 적용하여 수면 무호흡-저호흡을 분류하여 수면호흡장애를 평가하도록 이루어져, 보다 간단한 구조를 구비하며, 보다 정확한 수면 무호흡-저호흡의 분류 및 수면호흡장애의 평가가 가능하고, 보다 저가의 수면 무호흡-저호흡의 자동 평가 장치의 구현이 가능하다.
도 1은 SVM을 이용하여 두 개의 클래스로 분류하는 개념을 나타낸 것이다.
도 2는 본 발명의 수면 무호흡-저호흡의 자동 평가 장치의 구성을 개략적으로 설명하는 블럭도이다.
도 3은 훈련군을 대상으로 추정된 ODI와 임상전문가에 의해 평가된 AHI간의 통계분석 결과의 일예이다.
도 4는 수면과 각성의 분류기(SVM_WS)를 이용한 수면 상태 분류 방법을 설명하는 설명도이다.
도 5는 중증정도에 따른 무호흡과 저호흡의 분류기(SVM_AH)를 이용한 수면 무호흡과 저호흡을 분류하는 방법을 설명하는 설명도이다.
도 6은 본 발명의 수면 무호흡-저호흡의 자동 평가 방법을 개략적으로 설명하는 흐름도이다.
도 7은 특징 수에 따른 본 발명의 분류기 성능 평가를 나타낸다.
도 8은 수면 상태의 고려 여부에 따른 검출된 산소불포화 이벤트 수를 나타낸다.
도 9는 산소불포화 이벤트 구간을 설명하기 위한 모식도이다.
이하에서 첨부된 도면을 참조하여 본 발명의 바람직한 일 실시예를 상세히 설명한다.
도 2는 본 발명의 수면 무호흡-저호흡의 자동 평가 장치의 구성을 개략적으로 설명하는 블럭도로, 맥박산소측정기(100), 전처리부(150), A/D 변환부(180), 연산처리부(200), 메모리부(310), 출력부(330), 키입력부(350)을 포함하여 이루어진다.
맥박산소측정기(100)는 PPG 센서부(맥파 센서부)(110)와 SPO2 센서부(산소포화도 센서부)(120)를 포함하여 이루어진다.
SPO2 센서부(산소포화도 센서부)(120)는 적색 발광다이오드, 근적외선 발광다이오드로 발광하고 수광센서로 포토다이오를 사용하여 투과되거나 반사되는 광을 검출하여 전기적 신호로 변환시킨다.
PPG 센서부(맥파 센서부)(110)는 적외선 발광다이오드 및 수광센서를 사용하여 혈류에서 투과되거나 반사되는 광(용적맥파)을 검출하여 전기적 신호로 변환시킨다. 경우에 따라서는 PPG 센서부(110)로서 SPO2 센서부(120)를 그대로 이용할 수도 있다.
전처리부(150)는 PPG 전처리부(맥파 전처리부)(160)와 SPO2 전처리부(산소포화도 전처리부)(170)를 포함하여 이루어진다.
SPO2 전처리부(산소포화도 전처리부)(170)는 SPO2 센서부(120)로부터 수신된 신호로부터 산소포화도 신호를 분리하고 증폭하며 잡음을 제거한다.
PPG 전처리부(맥파 전처리부)(160)는 PPG 센서부(110)로부터 수신된 PPG 신호를 증폭하고 잡음을 제거한다.
A/D 변환부(180)는 전처리부(150)로부터 수신된 PPG 신호 및 산소포화도 신호를 디지탈신호로 변환하고 연산처리부(200)로 전송한다.
연산처리부(200)는 PPG 신호로부터 PPG의 특징들을 검출하고, 검출된 PPG의 특징들을 이용하여 수면상태를 분류하고, 수면상태에 따라 가중치를 다르게 하여 SpO2의 산소불포화 이벤트를 검출한다. 그리고, 수면호흡장애의 중증정도를 추정하기위해 검출된 산소불포화 이벤트를 이용하여 산소불포화지수 (Oxygen desaturation index)(이하 ODI라 함)를 계산하며, ODI에 따라 각기 다른 분류기(Mild SVM_AH, Moderate SVM_AH, Severe SVM_AH)를 선택하며, 분류기에서 산소불포화 이벤트의 특징벡터를 이용하여 수면무호흡과 저호흡을 분류한다.
메모리부(310)는 PPG의 특징들, 산소불포화 이벤트의 특징벡터들 등을 저장한다.
출력부(330)는 연산처리부(200)로부터 수신한 '정상' 또는 '수면무호흡' 또는 '수면 저호흡'을 알리는 신호를 출력한다.
키입력부(350)는 개시 스위치, 종료 스위치 등을 구비한다.
다음은 연산처리부(200)에서 A/D 변환부(180)로부터 수신된 PPG 신호 및 산소포화도 신호를 이용하여 '수면무호흡' 또는 '수면 저호흡'를 평가하는 과정을 설명한다.
<PPG 특징검출 과정>
PPG 특징검출 과정은 맥박 특징(즉, 맥박 특징벡터)을 검출하는 과정으로, 맥박률 검출단계와, 맥박 특징 검출단계를 포함하여 이루어진다.
우선, 맥박률 검출단계를 설명한다.
A/D 변환부(180)로부터 수신된 PPG 신호를 이용하여 PPG의 펄스간격을 계산하기 위해, 연산처리부(200)는 0.1~5 Hz의 대역통과필터를 사용하여 기저선변동과 전원잡음 등을 제거한 후, 적응문턱치알고리즘을 이용하여 펄스의 최대점을 검출한다.
이 적응 문턱치 알고리즘은, 설정된 문턱치로 현재 펄스의 최대점(즉, 맥박 또는 심박)을 검출하고, 다음의 펄스의 최대점 검출을 위해 문턱치를 갱신하여 펄스의 최대점을 검출하며, 이와같이, 마지막 펄스의 최대점 검출을 할 때까지, 문턱치를 갱신하여 가면서 최대점을 검출한다.
수학식 1과 같이 문턱치 초기값(THinit)을 정한다. 즉, A/D 변환부(180)로부터 수신된 PPG 신호 중, 샘플링 주파수의 5배에 해당하는 데이터들(처음부터 5초동안의 데이터)에서 최대값을 검출하고, 그 최대값의 0.2배를 문턱치 초기값(THinit)으로 설정한다.
Figure 112014082811661-pat00001
단, χPPG(n)은 PPG신호, 즉, A/D 변환부(180)로부터 수신된 PPG 신호이다. 그리고 fS는 PPG 신호의 샘플링 주파수, 즉, A/D 변환부(180)에서 PPG 신호를 샘플링한 주파수이다. 여기서, 샘플링 주파수의 5배에 해당하는 데이터들(처음부터 5초동안의 데이터)에서 최대값을 검출하고 있으나, 이는 본 발명을 한정하기 위한 것이 아니다. 이는 키입력부(350)에서 설정한 데이터 개수(또는 설정된 시간동안 데이터수)에 의해 최대값을 검출할 수 있다.
이렇게 구하여진 문턱치 초기값(THinit)을 문턱치로 하여, 0.1~5 Hz의 대역통과필터링된 PPG 신호에서, 펄스의 최대점(즉, 맥박 또는 심박)을 검출한다.
현재 펄스의 최대점(즉, 맥박 또는 심박)이 검출된 후, 다음의 펄스의 최대점 검출을 위해 문턱치(THn)를 갱신하며, 갱신된 문턱치(THn)를 이용하여, 다음 펄스의 최대점(즉, 맥박 또는 심박)을 검출한다. 즉, 수학식 2와 같이, 이전 펄스의 최댓값에 가중치(-0.6/fs)를 적용하여 문턱치(THn)를 갱신한다.
Figure 112014082811661-pat00002
여기서,
Figure 112014082811661-pat00003
는 펄스의 최대점의 값, 즉, 펄스의 최댓값이다.
다시말해, 펄스의 최대점을 검출시, 문턱치 이상의 값들 중 가장 큰 값을 갖는 점을 최대점(
Figure 112014082811661-pat00004
)으로 검출하며, 이렇게 검출된 최대점을 이용하여, 수학식 3과 같이 맥박률(pulse rate, PR)을 계산한다.
Figure 112014082811661-pat00005
δ(n-nmaxi)는 n이 최대점(
Figure 112014082811661-pat00006
)일 때는 1이고 그 이외의 경우에는 0을 가진다.
이 적응문턱치알고리즘은 이전의 펄스진폭에 따라 문턱치의 기울기를 변화시켜, 급변하는 진폭에서도 최대점 검출에 좋은 성능을 보이는 방법이다.
다음은 맥박 특징 검출단계를 설명한다.
맥박 특징 검출단계는, 수면상태에 따른 맥박신호의 변화를 검출하기 위해, 4개의 시간영역 파라미터와 6개의 주파수영역파라미터를 계산한다.
시간영역파라미터추출을 위해 수학식 3에 의해 구한 PR 중 이소성(ectopic) 비트를 제거하고, 이 신호를 정상의 맥박변이(normal-to normal PR)(이하 NN 이라 함)으로 정의한다. 여기서, 이소성 비트는 정상적인 심장박동 이후 나타나는 한 번의 불규칙한 박동을 말한다.
또한 AASM(미국 수면 의학회)의 기준에 따라 수면상태를 30초마다 갱신하기 위해, NN신호를 30초 단위로 나누어 맥박 특징들을 계산한다. 맥박 특징은 4개의 맥박의 시간영역 특징과 6개의 맥박의 주파수영역 특징을 가질 수 있다.
맥박의 시간영역 특징들로서, NN간격(맥박간격, 심박간격) 평균(mean _ NN: mean of the NN), NN간격의 중앙값(median _ NN: median of the NN), NN간격의 표준편차(SDNN: standard deviation of NN), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD: root-mean-square of successive differences of NN)을 구한다.
NN간격('RR간격'이라고도 함) 평균(mean _ NN), NN간격의 표준편차(SDNN), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD)을 구하는 방법에 대해서는 국내 등록특허 제10-0493714호 등에 공지된 것으로 여기서는 상세한 설명을 생략한다.
맥박의 주파수영역 특징추출을 위해 계산된 NN을 등 간격으로 보간(interpolation)한 뒤, 4 Hz로 재샘플링(resampling) 하였다. 재샘플링된 신호는 고속푸리에변환(fast Fourier transform, FFT)을 수행 후, FFT에 제곱을 취해 전력스펙트럼밀도(power spectrum density, PSD)를 계산한다. 즉, 각 주파수 대역의 강도(PSD: Power Spectral Density)를 검출한다.
주파수 영역 특징들을 계산하기 위해 사용된 각 주파수대역은 아주 낮은 주파수대역(very low frequency: 0.04~0.15 Hz)(이하 VLF라 함), 저주파수대역(low frequency: 0.04~0.15 Hz)(이하 LF라 함), 고주파수대역(high frequency: 0.15~0.4 Hz)(이하 HF라 함), 전체 주파수 대역(total frequency: 0~0.4 Hz)(이하 TF라 함)이다.
6개의 주파수 영역 특징들은 아주 낮은 주파수 대역(VLF) 강도(P VLF: the power in VLF band components), 저주파수 대역(LF) 강도(P LF: the power in LF band components), 고주파수 대역(HF) 강도(P HF: the power inHF band components), 저주파수대 전체 주파수의 대역 강도비(P LF/ P TF ratio: LF band power/TF band power), 고주파수대 전체 주파수의 대역 강도비(P HF/ P TF ratio: HF band power/TF band power), 저주파수대 고주파수 대역 강도비(P LF/ P HF ratio: LF band power/HF band power) 이다. 여기서, 저주파수대 전체 주파수의 대역 강도비는 저주파수대역의 정규화된 강도이라고 할 수 있으며, 고주파수대 전체 주파수의 대역 강도비는 고주파수대역의 정규화된 강도이라고 할 수 있다.
아주 낮은 주파수 대역(VLF) 강도, 저주파수 대역(LF) 강도, 고주파수 대역(HF) 강도, 전체 주파수의 대역 강도, 저주파수대 고주파수 대역 강도비를 구하는 방법에 대해서는 국내 등록특허 제10-0493714호 등에 공지된 것으로 여기서는 상세한 설명을 생략한다.
본 발명에서, 수면/각성을 분류하기 위한 NN간격의 중앙값(median_NN), NN간격의 평균(mean_NN)을 포함한 10개의 맥파 특징벡터들은 모두 30초 간격으로 계산 되며, 예를 들어, NN간격의 중앙값(median_NN)은 30초 동안의 모든 NN의 중앙값, NN간격의 평균(mean_NN)은 30초 동안의 모든 NN의 평균값을 의미한다.
<산소포화도 특징검출 과정>
산소포화도 특징검출 과정은 산소포화도 특징(즉, 산소불포화 이벤트 특징벡터)를 검출하는 과정으로, 산소불포화 지수(ODI) 검출단계와 산소불포화 이벤트 구간에서의 특징점 검출단계를 포함하여 이루어진다.
우선 산소불포화 지수(ODI) 검출단계를 설명한다.
산소불포화 지수(ODI) 검출단계는 산소불포화 이벤트 및 산소불포화 지수(ODI)를 구하기 위한 과정이다.
산소불포화 이벤트를 검출하기 위해, 연산처리부(200)는, A/D 변환부(180)로부터 수신된 SPO2 신호에서, 10포인트 메디안필터(Median Filter)를 사용하여 스파이크잡음을 제거 한 후, 수면상태에 따라 수면시에는 기저선에 비해 3%, 각성시에는 4% 이상감소되는 구간을 산소불포화 이벤트로 검출하고, 시간당 산소불포화 이벤트의 총합으로 산소불포화 지수(ODI)를 계산한다. 산소불포화 지수(ODI)를 구하는 수식은 다음과 같으며, 시간당 산소불포화 이벤트 수를 의미한다.
ODI=전체 산소불포화 이벤트의 수/전체 수면시간
이때, 수면과 각성은 PPG를 이용하여 추정한다. 즉, PPG를 이용하여 수면과 각성을 추정하는, 후술되는 수면과 각성의 분류기(SVM_WS)를 이용하여 수면과 각성을 추정한다.
여기서, 메디안필터(Median Filter)는 중간값 필터라고도 하며, 신호로부터 신호 잡음을 제거하는 데 자주 이용되며, 통상적으로 프로세싱에서 스파크(spike) 노이즈와 같은 잡음 제거를 수행하기 위해 사용된다. 10포인트 메디안필터는 10포인트 윈도우를 쉬프트 시키며 메디안필터링 하고, 그 10포인트 동안의 중간값을 출력한다.
도 3은 훈련군을 대상으로 추정된 ODI와 임상전문가에 의해 평가된 AHI간의 통계분석 결과의 일예이다.
본 발명에서는 ODI를 이용하여 중증 정도를 판단한다. 도 3은 ODI가 중증정도를 판단하기에 적합한지 알아보기 위해, 훈련군을 대상으로 추정된 ODI와 임상전문가에 의해 평가된 AHI 간의 선형회귀분석을 실시한 결과이다.
도 3의 (a)는 추정된 ODI와 임상전문가에 의해 평가된 AHI 간의 회귀분석결과를 그래프로 나타낸 것이고, 도 3의 (b)는 블랜드-알트만 플롯(Bland-Altman plot)를 나타낸다.
그 결과, 도 3의 (a)에서와 같이 추정된 ODI와 AHI간에 f(x) = 0.9x+0.9 (r 2=0.98, p<<0.01)의 선형적인 관련성을 나타냈다. 또한 도 3의 (b)에서와 같이, 블랜드-알트만(Bland-Altman) 분석을 통해 평균 2.43의 두변량 간 차이가 나는 것을 확인하였으며, 이에 따라, 본 발명에서는 ODI를 이용하여 중증정도를 나누는 기준을 기존의 15와 30이 아닌 각각 17과 32로 정하였다. 즉, 본 발명에서는 ODI가 17보다 작으면 경(輕)증 수면호흡 장애로 판단하며, ODI가 32보다 크거나 같으면 중(重)증 수면호흡 장애로 판단하고, ODI가 17보다 크거나 같으면서 32보다 작으면 중(中)등 수면호흡 장애로 판단한다.
다음은 산소불포화 이벤트 구간에서의 특징점 검출단계를 설명한다.
산소불포화 이벤트 구간에서의 특징점 검출단계는 수면 무호흡과 저호흡을 분류하기위한 산소포화도의 특징점을 검출하는 과정이다.
수면 무호흡과 수면 저호흡을 구분하기 위해, 산소불포화 지수(ODI) 검출단계에서 검출한 SpO2신호의 산소불포화 이벤트 구간에서 7개의 특징들을 계산한다. 이 7개의 특징은, 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 지속시간(D_ time: time of the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event)(즉, 산소불포화 이벤트에서 최소 산소포화도), 산소불포화 이벤트의 기울기(D_ slope: a slope between start point and end point of the oxygen desaturation event interval)(즉, 산소불포화 이벤트 구간의 시작점과 끝점의 슬로프), 산소불포화 이벤트의 앞 80% 구간에서의 기울기(D_ slope80: a slope between start point and four-fifth point of the oxygen desaturation event interval), 산소불포화 이벤트의 평균값(D_ mean: mean of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 표준편차(D_ std: standard deviation of SpO2 in the oxygen desaturation event)이다.
도 9는 산소포화도 그래프 중, 산소불포화 이벤트 구간을 설명하기 위한 모식도이다.
산소불포화 이벤트 특징벡터를 검출하기 위해, 산소불포화 이벤트의 시작점(D_start_p)(도 9의 ①), 산소불포화 이벤트의 앞 80% 점(D_80_p)(도 9의 ②), 산소불포화 이벤트의 끝점(D_end_p)(도 9의 ③)을 이용한다.
산소불포화 이벤트의 앞 80% 점(D_80_p)은, 산소불포화 이벤트의 구간에서, 시작점(D_start_p)으로부터 80%가 되는 위치의 포인트로, 수학식 4에 의해 구한다.
Figure 112014082811661-pat00007
산소불포화 이벤트의 감쇄율(D_ percent)은 산소불포화 이벤트 구간에서 산소포화도(SpO2)가 저하되는 비율을 구한 것으로, 수학식 5와 같이 구한다.
Figure 112014082811661-pat00008
산소불포화 이벤트의 지속시간(D_ time)은 산소불포화 이벤트 구간의 시간 간격을 구한 것으로, 수학식 6과 같이 구한다.
Figure 112014082811661-pat00009
산소불포화 이벤트의 최소값(D_min)은 산소불포화 이벤트에서 산소포화도(SpO2)가 최소인 값을 구한 것으로, 수학식 7과 같이, 산소불포화 이벤트의 끝점(D_end_p)의 산소포화도 값(SpO2(D_end_p))과 같다.
Figure 112014082811661-pat00010
산소불포화 이벤트의 기울기 (D_ slope)는 산소불포화 이벤트 구간에서 시작점과 끝점을 지나가는 직선(방정식)의 기울기를 구한 것으로 수학식 8과 같이 구할 수 있다.
Figure 112014082811661-pat00011
여기서, SpO2(D_end_p)는 산소불포화 이벤트의 끝점의 산소포화도 값이고, SpO2(D_start_p)는 산소불포화 이벤트의 시작점의 산소포화도 값이다.
산소불포화 이벤트의 앞 80% 구간에서의 기울기(D_ slope80)는 산소불포화 이벤트의 시작점(D_start_p)과 산소불포화 이벤트의 앞 80% 점(D_80_p)을 지나가는 직선(방정식)의 기울기를 구한 것으로 수학식 9와 같이 구할 수 있다.
Figure 112014082811661-pat00012
여기서, SpO2(D_80_p)는 산소불포화 이벤트의 앞 80% 점의 산소포화도 값이다.
산소불포화 이벤트의 평균값(D_mean)는 산소불포화 이벤트의 시작점과 끝점 사이의 산소포화도(SpO2)의 평균을 구한 것으로, 수학식 10과 같이 나타낼 수 있다.
Figure 112014082811661-pat00013
산소불포화 이벤트의 표준편차(D_ std)는 산소불포화 이벤트의 시작점과 끝점사이의 산소포화도(SpO2)의 표준편차를 구한 것으로, 수학식 11과 같이 나타낼 수 있다.
Figure 112014082811661-pat00014
<특징 선택과정>
특징 선택과정은 PPG 특징선택단계와, SPO2 특징선택단계를 포함한다.
우선 PPG 특징선택단계를 설명한다.
본 발명에서는 수면상태의 분류를 위하여 PPG 특징검출 과정에서 검출한 10개의 PPG 특징을 사용한다. 수면상태의 분류를 위하여 PPG 신호로 부터 추출한 10개의 PPG 특징이 분류간 통계적으로 유의한 차이가 있는지 확인하기 위하여, 학습군을 대상으로 통계분석을 실시하되, 이 통계분석을 위해 독립표본 t-검정(two independent sample t-test)을 수행하며, 그 결과, p-value가 0.05 미만이면, 분류간 각 특징이 통계적으로 유의한 차이가 있다고 판단한다.
그리고 통계적으로 유의한 차이가 있는 특징 중 분류를 위한 최적의 특징개수를 정하기 위해 써포트 벡터 머신을 이용한 회귀적 기능 제거(support vector machine-recursive feature elimination)(이하 SVM-RFE 이라함)를 적용한다. SVM-RFE 및 SVM의 상세한 설명은 2005년 12월 Kugler, Mauricio 등이 일본 전자통신학회 논문집 D-II Vol.J88-D-II pp.2291-2300에 발표한 "Feature Selection Using Confident Margin for SVM" 등에 개시되어 있다.
SVM-RFE는 특징 하나를 제외한 후 나머지 특징으로 서포트벡터머신(SVM, spport Vector Machines)을 수행하되, 유의한 차이가 있는 특징 모두가 한번씩 제외되는 특징이 되어 SVM을 수행하고, 이들로부터 득점순위(ranking score)를 계산하고, 가장 낮은 ranking score가 계산된 제외된 특징을 제거한다. 제거된 특징을 분류성능이 가장 낮은 순위의 특징으로 정한다.
제거된 특징외 나머지 특징들로 SVM을 수행하여 득점순위(ranking score)를 계산하고, 가장 낮은 ranking score가 계산된 제외된 특징을 제거하는 과정을, 한개의 특징이 남을 때까지 반복한다. 가장 마지막에 남는 특징이 분류성능이 가장 높으며, 분류성능이 높은 특징순으로 순위를 매긴다. 이후, 성능이 높은 특징순서로 하나씩 결합하며 반복적으로 학습 및 성능평가를 수행한다.
예를들어, 학습군 15명을 대상으로 독립표본t-검정을 수행하였으며, 그 결과, p-value가 0.05 미만이어서, 분류간 각 특징이 통계적으로 유의한 차이가 있다고 판단되었다면, 10개의 PPG 특징 중 분류를 위한 최적의 특징개수를 정하기 위해 SVM-RFE 를 적용한다. 이 경우의 SVM-RFE는 10개의 PPG 특징 중 특징 하나를 제외한 후 나머지 특징으로 SVM을 수행하되, 10개의 PPG 특징 모두가 한번씩 제외되는 특징이 되어 SVM을 수행하고, 이들로부터 ranking score를 계산하고, 가장 낮은 ranking score가 계산된 제외된 특징을 제거한다. 그 다음, 남은 9개의 PPG 특징 중 특징 하나를 제외한 후 나머지 특징으로 SVM을 수행하여 ranking score를 계산하고, 가장 낮은 ranking score가 계산된 제외된 특징을 제거한다. 이와 같은 과정을 한개의 특징이 남을 때까지 반복하고, 분류성능이 높은 특징순으로 순위를 매긴 후, 성능이 높은 특징순서로 하나씩 결합하며 반복적으로 학습 및 성능평가를 수행한다.
다음은 SPO2 특징선택단계를 설명한다.
PPG 특징선택단계와 같은 방법으로, 수면무호흡과 저호흡의 분류를 위하여 산소포화도 특징검출 과정에서 SPO2 신호로부터 추출한 6개의 특징 중 최적의 특징을 선택하기 위하여 통계분석 및 SVM-RFE를 수행한다.
수면무호흡과 저호흡분류의 경우, 무호흡중증 정도(경증, 중등도, 중증)에 따라 각기 다른 최적의 특징을 선택하기 위한 과정을 수행한다.
경증 분류기(Mild SVM_AH)에 입력되는 특징벡터는 경증 환자(Mild, 5≤AHI<15)를 대상으로, 통계분석과 SVM-RFE를 수행 하였습니다.
중등도 분류기(Moderate SVM_AH)에 입력되는 특징벡터는 중등도 환자(Moderate, 15≤AHI<30)를 대상으로, 통계분석과 SVM-RFE를 수행 하였습니다.
중증 분류기(Severe SVM_AH)에 입력되는 특징벡터는 중증 환자(Severe, 5≤AHI≥30)를 대상으로 통계분석과 SVM-RFE를 수행 하였습니다.
후술되는 표 1에는 통계분석을 통해 그룹 간(무호흡/저호흡) 유의한 차이가 있는 특징을 ‘*’표시 하였고, SVM-RFE를 통해 분류 성능이 좋은 특징들 순으로 정렬 하였다.
<분류기>
분류기는 수면과 각성의 분류기(SVM_WS)와 중증정도에 따른 무호흡과 저호흡의 분류기(SVM_AH)를 포함한다.
우선 수면과 각성의 분류기(Classification of the sleep - wake states)를 설명한다.
수면상태는 산소불포화 이벤트 검출시 가중치를 결정하기 위해 이용되며, 그 가중치는 수면구간일 경우 '3', 각성구간일 경우 '4'이다.
수면과 각성의 분류기(SVM_WS)는 수면상태인지, 각성상태인지를 분류하기 위한 분류기이다.
도 4는 수면과 각성의 분류기(SVM_WS)를 이용한 수면 상태 분류 방법을 설명하는 설명도이다. 즉, 도 4는 수면과 각성을 구분하는 과정을 나타낸다.
수면과 각성의 분류기(SVM_WS)는 맥박신호에서 추출한 맥박 특징벡터가 입력으로 사용되며, 수면(sleep, 'S')과 각성(waking, 'W')상태를 구분한다. 이후, 도 4과 같이 두 기준(two rules)에 따라 보정하여 수면상태를 최종결정한다. 즉, 수면과 각성의 분류기(SVM_WS)는 30초 간격으로 수면(‘S’), 각성(‘W’)을 분류 하되, 수면과 각성의 분류기(SVM_WS)를 통해 수면/각성을 분류한 결과를 두 기준(Rule1, Rule2)를 적용하여 보정을 한다.
도 4의 제1기준(rule 1)은 연속적 각성(W) 상태가 하나 또는 2개의 에퍽(epoch)으로 이루어진다면 각성(W) 상태는 수면(S) 상태로 변경되어 진다. 즉, W가 1 내지 2개 연속적으로 발생할 경우, W를 S로 변경한다.
도 4의 제2기준(rule 2)은 연속적 각성(W) 상태가 3개 이상의 에퍽(epoch)으로 이루어진다면 첫번째 각성(W) 상태는 수면(S) 상태로 변경되어 진다. 즉, W가 연속적으로 3개 이상 발생할 경우, 처음 2개의 W를 S로 변경된다.
다음은 중증정도에 따른 무호흡과 저호흡의 분류기(Classification of the sleep apnea - hypopnea)(SVM_AH)를 설명한다.
무호흡과 저호흡의 분류기(SVM_AH)는 수면 무호흡인지, 수면 저호흡인지를 분류하기 위한 분류기로, 수면호흡장애의 중증 정도에 따라 경증 분류기(Mild SVM_AH) (ODI<17), 중등도 분류기(Moderate SVM_AH)(17≤ODI<32), 중증 분류기(Severe SVM_AH) (ODI≥32)가 선택된다.
도 5는 중증정도에 따른 무호흡과 저호흡의 분류기(SVM_AH)를 이용한 수면 무호흡과 저호흡을 분류하는 방법을 설명하는 설명도이다. 즉, 도 5는 수면 무호흡인지, 수면 저호흡인지를 분류하는 과정이다.
산소불포화특징 벡터(산소포화도 특징)가 각 분류기의 입력으로 사용되며, 수면무호흡(apnea, 'A')과 수면저호흡(hypopnea, 'H') 상태를 분류한다.
즉, 도 5에서는 A/D 변환부(180)로부터 수신된 SPO2 신호에서, 10포인트 메디안필터(Median Filter)를 사용하여 스파이크잡음을 제거한 신호에서, 산소불포화 이벤트를 검출한다. 산소불포화 이벤트에서 산소불포화특징 벡터(즉, 산소포화도 특징)을 검출하고, 각 분류기의 입력으로 사용하면, 수면무호흡(apnea, 'A')과 수면저호흡(hypopnea, 'H') 상태를 분류한다.
도 6은 본 발명의 수면 무호흡-저호흡의 자동 평가 방법을 개략적으로 설명하는 흐름도이다. 즉, 연산처리부(200)에서 A/D 변환부(180)로부터 수신된 PPG 신호 및 산소포화도 신호를 이용하여 '수면무호흡' 또는 '수면 저호흡'를 평가하는 과정을 설명한다.
PPG 특징 검출단계로, 통계분석 및 SVM-RFE를 수행하여 선택된, 맥박 특징(즉, 맥박(변이도) 특징벡터)을 검출한다(S110).
PPG 특징 검출단계는 맥박률검출단계와 맥박 특징 검출단계로 이루어진다. 즉, A/D 변환부(180)로부터 수신된 PPG 신호를 이용하여 PPG의 펄스간격을 계산하기 위해, 연산처리부(200)는 0.1~5 Hz의 대역통과필터를 사용하여 기저선변동과 전원잡음 등을 제거한 후, 적응문턱치알고리즘을 이용하여 펄스의 최대점을 검출한다. 여기서, 적응 문턱치 알고리즘은, 설정된 문턱치로 현재 펄스의 최대점(즉, 맥박 또는 심박)을 검출하고, 다음의 펄스의 최대점 검출을 위해 문턱치를 갱신하여 펄스의 최대점을 검출하며, 이와같이, 마지막 펄스의 최대점 검출을 할 때까지, 문턱치를 갱신하여 가면서 최대점을 검출한다. 이렇게 검출된 최대점은 박동, 즉 맥박으로, 이를 이용하여, 수학식 3과 같이 맥박률(pulse rate, PR)을 계산한다. 이렇게 수학식 3에 의해 구한 PR 중 이소성(ectopic) 비트를 제거하고, 이 신호를 정상의 맥박변이(편의상 '맥박변이' 라 함)(NN)로 정의한다.
맥박 특징(즉, 맥박 특징벡터)는 4개의 시간영역 파라미터와 6개의 주파수영역파라미터를 구비하는 데, 그 중에서, 통계분석 및 SVM-RFE를 수행하여 선택된 맥박 특징(맥박 특징벡터)을 맥박변이(NN)을 이용하여 검출한다.
수면과 각성의 분류단계로, PPG 특징 검출단계(S110)에서 검출된 맥박 특징(즉, 맥박 특징벡터)을 수면과 각성의 분류기(SVM_WS)에 입력하여 매 박동(펄스)마다 수면상태인지 또는 각성상태를 구분한다(S120). 여기서, 수면과 각성의 분류기(SVM_WS)는 SVM-RFE를 수행하여 얻어진 분류기로, 맥박신호에서 추출한 맥박 특징벡터가 입력으로 사용되며, 수면(sleep, 'S')과 각성(waking, 'W')상태를 구분한 후, 제1기준(rule 1) 및 제2기준(rule 2)에 따라 수면상태를 최종결정한다.
수면 여부 판단단계로, 수면과 각성의 분류단계(S120)의 결과가 수면상태인지 여부를 판단한다(S130).
산소불포화 이벤트 검출단계로, 메디안필터링을 한 SPO2 신호에서, 수면 여부 판단단계(S130)에서 수면상태이라면, 기저선에 비해 3% 이상감소되는 구간을 산소불포화 이벤트로 검출하고, 수면 여부 판단단계(S130)에서 각성상태이라면, 기저선에 비해 4% 이상감소되는 구간을 산소불포화 이벤트로 검출한다(S150).
산소포화도 특징검출단계로, 산소불포화 이벤트 검출단계(S150)에서 검출된 산소불포화 이벤트를 이용하여 산소포화도 특징(즉, 산소불포화 이벤트 특징벡터)를 구하되, 통계분석 및 SVM-RFE를 수행하여 선택된 산소포화도 특징(즉, 산소불포화 이벤트 특징벡터)을 검출한다(S190). 즉, SpO2신호의 산소불포화 이벤트 구간에서 7개의 특징들 중, 기 선택된 산소포화도 특징을 검출한다.
산소불포화 지수(ODI) 계산단계로, 산소불포화 이벤트 검출단계(S150)에서 검출된 산소불포화 이벤트들에서, 시간당 산소불포화 이벤트의 총합으로 산소불포화 지수(ODI)를 계산한다(S160).
산소불포화 지수(ODI)와 17의 비교단계로, 산소불포화 지수 계산단계(S160)에서 계산된 산소불포화 지수(ODI)가 17보다 작거나 같은지를 판단한다(S170).
경증의 수면호흡장애의 무호흡과 저호흡 분류단계로, 산소불포화 지수(ODI)와 17의 비교단계(S170)에서, 산소불포화 지수(ODI)가 17보다 작거나 같다면, 산소포화도 특징검출단계(S190)에서 검출된 산소포화도 특징(즉, 산소불포화 이벤트 특징벡터)을 경증 분류기(Mild SVM_AH)로 입력하여(S210), 수면무호흡(Apnea) 상태인지, 수면저호흡(Hypopnea) 상태인지를 분류한다(S250).
산소불포화 지수(ODI)와 32의 비교단계로, 산소불포화 지수(ODI)와 17의 비교단계(S170)에서 산소불포화 지수(ODI)가 17보다 크다면, 산소불포화 지수 계산단계(S160)에서 계산된 산소불포화 지수(ODI)가 32보다 작은지를 판단한다(S180).
중등의 수면호흡장애의 무호흡과 저호흡 분류단계로, 산소불포화 지수(ODI)와 32의 비교단계(S180)에서, 산소불포화 지수(ODI)가 32보다 작거나 같다면, 산소포화도 특징검출단계(S190)에서 검출된 산소포화도 특징(즉, 산소불포화 이벤트 특징벡터)을 중등도 분류기(Moderate SVM_AH)로 입력하여(S220), 수면무호흡(Apnea) 상태인지, 수면저호흡(Hypopnea) 상태인지를 분류한다(S260).
중증의 수면호흡장애의 무호흡과 저호흡 분류단계로, 산소불포화 지수(ODI)와 32의 비교단계(S180)에서, 산소불포화 지수(ODI)가 32보다 크다면, 산소포화도 특징검출단계(S190)에서 검출된 산소포화도 특징(즉, 산소불포화 이벤트 특징벡터)을 중증 분류기(Severe SVM_AH)로 입력하여(S230), 수면무호흡(Apnea) 상태인지, 수면저호흡(Hypopnea) 상태인지를 분류한다(S270).
본 발명에서 각 분류기의 입력으로 사용되는 특징들을 정리하면 표1과 같다.
Figure 112014082811661-pat00015
표 1에서, 통계분석을 통해 두 분류간 유의한 차이가 있는 특징을 *로 표시하였고, SVM-RFE를 통해 가장 성능이 좋은 특징순으로 정렬하였다. 그리고 특징 선택과정을 통해 최종적으로 선택된 특징을 밑줄친 볼드체(Bold, 굵은 글씨체)로 표시하였다.
도 7은 특징 수에 따른 본 발명의 분류기 성능 평가를 나타낸다.
도 7의 (a)는 수면과 각성의 분류기(SVM_WS) 성능 평가를 나타내며, 도 7의 (b) 경증 분류기(Mild SVM_AH) 성능 평가를 나타내며, 도 7의 (c) 중등도 분류기(Moderate SVM_AH) 성능 평가를 나타내며, 도 7의 (d) 중증 분류기(Severe SVM_AH) 성능 평가를 나타낸다.
도 7은 부류간 유의한 차이가 있는 특징들을 성능이 좋은 순으로 하나씩 추가하면서 학습한 후 민감도(sensitivity, Sen.)(수학식 12 참조)를 계산 한 것이다. 최소의 특징개수로 최적의 성능을 보이는 특징을 선택하였으며, 수면과 각성의 분류기(SVM_WS)는 4개(P HF / P TF ratio, P LF / P TF ratio, RMSSD, median _ NN), 경증 분류기(Mild SVM_AH)는 2개(D_ percent, D_ amp), 중등도 분류기(Moderate SVM_AH)는 3개(D_ mean, D_ slope80, D_ percent), 중증 분류기(Severe SVM_AH)는 3개(D_ amp, D_std, D_ percent)의 특징벡터가 선택되었다.
각 부류의 분류결과를 평가하기 위해 수학식 12의 민감도와 수학식 13의 양성예측도(positive predictive value, PPV)를 계산하였으며, 학습군과 평가군을 대상으로 중증 정도별로 성능평가를 하였다.
Figure 112014082811661-pat00016
Figure 112014082811661-pat00017
여기서, TP는 True Positive 이고, FN은 False Negative이며, FP는 False Positive 이다.
표 2는 PPG를 이용한 수면상태 분류성능을 나타낸다.
Figure 112014082811661-pat00018
표 2는 PPG(맥박) 신호에서 추출한 4개의 맥박 특징벡터를 이용하여 수면과 각성을 분류한 결과이다. 전체평가군의 민감도와 양성예측도는 수면의 경우 각각 83.3%와 87.2%, 각성의 경우 각각 39.3%와 36.0%의 성능을 보였다.
도 8은 수면 상태의 고려 여부에 따른 검출된 산소불포화 이벤트 수를 나타낸다.
도 8은 수면상태의 고려여부에 따른 검출된 산소불포화 이벤트개수를 막대그래프로 나타낸 것으로, 수면상태를 고려하지 않았을 경우의 산소불포화 이벤트수는 각성중에는 310개, 수면중에는 2581개를 검출하였고, 수면상태를 고려했을 경우 각각 111개, 2554개를 검출하였다. 각성중에 발생한 모든 산소불포화 이벤트는 수면무호흡-저호흡과 관련이 없었으며, 수면상태를 고려함으로써 각성중에 발생한 310개의 산소불포화 이벤트 중 199개는 검출하지 않았다. 반대로 수면중에 검출하지 않은 27개는 모두 무호흡-저호흡에 의한 산소불포화 이벤트였다.
표 3은 환자의 수면 상태와 중증 정도를 고려한 수면 무호흡-저호흡 분류 성능을 나타낸다.
Figure 112014082811661-pat00019
표 3은 산소불포화 이벤트 특징벡터를 이용하여 수면 무호흡과 저호흡을 분류한 결과이다. 전체 평가군의 무호흡에 대한 민감도와 양성예측도는 각각 74.2%와 87.5%의 성능을 보이며, 저호흡은 각각87.5%와 63.4%의 성능을 보이며, 무호흡과 저호흡(즉, 무호흡+저호흡)은 각각 92.4%와 92.8%의 성능을 보였다.
다음은 본 발명의 방법과 기존의 방법간의 차이를 알아보기 위해 추가실험을 수행하였다. 비교를 위해 수면상태와 중증정도를 고려하지 않은 기존 방법에 의한 시스템을 SYS_CON, 본 발명의 방법에 의한 시스템을 SYS_PRO라 하였다.
표 4는 기존 방법에 의한 시스템(SYS_CON)과 본 발명의 방법에 의한 시스템(SYS_PRO)의 수면무호흡과 저호흡 분류 성능을 비교한 것이다.
Figure 112014082811661-pat00020
표 4는 기존 방법에 의한 시스템(SYS_CON)과 본 발명의 방법에 의한 시스템(SYS_PRO)를 평가군에 적용하여 성능평가를 한 것이다. 기존 방법에 의한 시스템(SYS_CON)과 본 발명의 방법에 의한 시스템(SYS_PRO)의 전체분류성능은 비슷하지만, 중증정도별 성능은 대체로 본 발명의 방법에 의한 시스템(SYS_PRO)가 높은 성능을 보였다. 특히 경증환자의 무호흡분류에 대한 민감도와 양성예측도는 기존 방법에 의한 시스템(SYS_CON)이 각 12.0%, 15.0% 이고, 본 발명의 방법에 의한 시스템(SYS_PRO)는 각 64.0%, 55.2%로, 많은 차이를 보였다. 이는 중증정도를 고려하지않고 분류기를 학습할 경우, 무호흡-저호흡이벤트의 발생빈도가 많은 중증환자의 특징에 편향된 학습결과를 얻어 경증환자의 무호흡-저호흡이벤트를 오분류할 수 있다는 것을 보여준다. 또한 전반적으로 중증정도별 성능이 본 발명의 방법에 의한 시스템(SYS_PRO)이 높은데도 불구하고 전체성능이 기존 방법에 의한 시스템(SYS_CON)과 차이를 보이지 않는 이유는 중증환자의 수면무호흡-저호흡 검출성능이 전체 성능에 가장 많이 반영되기 때문이다. 그러나 전체성능보다 중요한 것은 다양한 환자군에 알고리즘을 적용하였을 때, 특정 환자군에 편향되지 않고 안정적인 성능을 보이는 것이다.
표 5는 기존 방법에 의한 시스템(SYS_CON)과 본 발명의 방법에 의한 시스템(SYS_PRO)의 환자별 수면 무호흡과 수면 저호흡 분류 성능을 비교한 것이다.
Figure 112014082811661-pat00021
표 5는 평가군을 대상으로 기존 방법에 의한 시스템(SYS_CON)과 본 발명의 방법에 의한 시스템(SYS_PRO)를 적용하여 환자별 성능을 평균±표준편차로 나타낸 것이다. 대부분 본 발명의 방법에 의한 시스템(SYS_PRO)가 기존 방법에 의한 시스템(SYS_CON)에 비해 성능이 더 높고, 낮은 표준편차를 보였다. 이는 본 발명의 방법에 의한 시스템(SYS_PRO)이 성능이 더 높고 안정적으로 수면무호흡-저호흡을 분류할 수 있다는 것을 나타낸다.
본 발명에서 수면상태에 따른 산소불포화 이벤트 검출시 가중치를 결정하기 위해, 맥박 특징벡터를 이용하여 수면상태를 추정하고, 그 후, 산소포화도의 기준선에 비해 수면구간에서는 3% 이상, 각성구간에서는 4% 이상 감소할 경우를 산소불포화 이벤트로 검출한다.
일반적으로 무호흡과 저호흡은 각성중에 발생하지 않지만, 그럼에도 불구하고, 본 발명에서 각성구간에서 산소불포화 이벤트를 검출한 이유는, 수면상태가 잘못 추정될 수 있기 때문이다. 수면을 각성상태로 잘못 추정하여 수면무호흡-저호흡에 의한 산소불포화 이벤트를 검출하지 못한다면 false negative가 증가하여 분류성능이 낮아질 수 있다. 따라서 본 발명에서는 각성구간에서 가중치를 다르게 하여 산소불포화 이벤트를 검출하도록 하였으며, 훈련군에서 각성중에 발생한 3% 이상의 산소불포화 이벤트중 4% 미만의 이벤트수가 92.4%로 대부분을 차지하였기 때문에 가중치를 '4'로 정하였다.
또한, 도 4와 같이 제1기준(rule 1) 및 제2기준(rule 2)를 적용하여 수면상태를 최종 결정하였다. 이 또한 가능성이 높은 각성구간 만을 최종결정하여, 잘못 추정된 각성에 의해 수면무호흡-저호흡의 분류성능이 낮아지는 것을 방지하였다. 이러한 기준을 적용함으로써 매우 낮은 각성의 분류성능 결과를 얻었으며, 이를 통해 본 발명이 안정적으로 수면무호흡-저호흡을 정확하게 분류함을 알 수 있었다.
본 발명은 이상에서 설명되고 도면에 예시된 것에 의해 한정되는 것은 아니며, 당업자라면 다음에 기재되는 청구범위 내에서 더 많은 변형 및 변용예가 가능한 것임은 물론이다.
10,11 : 클래스 12 : 서포트 벡터
13,14 : 초평면 15 : 데이터
100 : 맥박산소측정기 110 : PPG 센서부
120 : SPO₂센서부 150 : 전처리부
160 : PPG 전처리부 170 : SPO₂ 전처리부
180 : A/D 변환부 200 : 연산처리부
310 : 메모리부 330 : 출력부
350 : 키입력부

Claims (26)

  1. PPG(맥파) 신호와 SPO2(산소포화도) 신호를 검출하는 맥박산소측정기, 맥박산소측정기로부터 검출된 PPG 신호와 SPO2 신호로부터 잡음을 제거하고 증폭하는 전처리부, 전처리부로부터 수신된 PPG 신호와 SPO2 신호를 디지탈 신호로 변환하는 A/D 변환부, A/D 변환부로부터 수신된 PPG 신호와 SPO2 신호를 이용하여 수면 무호흡과 수면 저호흡을 분류하는 연산처리부를 포함하는 수면 무호흡과 저호흡의 자동 평가 장치에 있어서, 연산처리부는,
    A/D 변환부로부터 입력된 PPG 신호를 이용하여 맥파 특징벡터들을 검출하고,
    A/D 변환부로부터 입력된 SPO2 신호에서 산소불포화 이벤트를 검출하고,
    산소불포화 이벤트를 이용하여 산소불포화 이벤트의 특징벡터들을 검출하고,
    산소불포화 이벤트를 이용하여 산소불포화 지수(ODI)를 계산하며,
    산소불포화 이벤트의 특징벡터 및 무호흡과 저호흡의 분류기를 이용하여 무호흡과 저호흡을 분류하되, 산소불포화 지수(ODI)에 따라 다른 무호흡과 저호흡의 분류기를 적용하는 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  2. 제1항에 있어서, 연산처리부는,
    맥파 특징벡터들 및 수면과 각성의 분류기를 이용하여 수면과 각성 중 하나의 상태로 분류하고,
    분류된 상태가 수면상태이면 기저선에 비해 3% 이상 감소되는 구간을 산소불포화 이벤트로 검출하고,
    분류된 상태가 각성상태이면 기저선에 비해 4% 이상 감소되는 구간을 산소불포화 이벤트로 검출하는 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  3. 제2항에 있어서, 연산처리부는,
    산소불포화 지수(ODI)가 17보다 작으면, 무호흡과 저호흡의 분류기 중 경증 분류기를 적용하고,
    산소불포화 지수(ODI)가 17보다 크거나 같고, 32보다 작으면, 무호흡과 저호흡의 분류기 중 중등도 분류기를 적용하고,
    산소불포화 지수(ODI)가 32보다 크면, 무호흡과 저호흡의 분류기 중 중증 분류기를 적용하는 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  4. 제2항에 있어서,
    수면과 각성의 분류기 및 무호흡과 저호흡의 분류기는, 써포트 벡터 머신을 이용한 회귀적 기능 제거(SVM-RFE)를 이용하여 생성된 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  5. 제2항에 있어서,
    맥파 특징벡터들 및 산소불포화 이벤트의 특징벡터들은, 써포트 벡터 머신을 이용한 회귀적 기능 제거(SVM-RFE)를 이용하여 생성된 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  6. 제1항에 있어서,
    연산처리부로 부터 수신한 '수면 무호흡' 또는 '수면 저호흡'을 알리는 신호를 출력하는 출력부를 더 포함하는 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  7. 제1항에 있어서,
    맥파 특징벡터는 NN간격 평균(mean _ NN), NN간격의 중앙값(median _ NN), NN간격의 표준편차(SDNN), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD), 아주 낮은 주파수 대역(VLF) 강도(P VLF), 저주파수 대역(LF) 강도(P LF), 고주파수 대역(HF) 강도(P HF), 저주파수대 전체 주파수의 대역 강도비(P LF/ P TF ratio), 고주파수대 전체 주파수의 대역 강도비(P HF/ P TF ratio), 저주파수대 고주파수 대역 강도비(P LF/ P HF ratio) 중 하나 이상인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  8. 제2항에 있어서,
    맥파 특징벡터는 고주파수대 전체 주파수의 대역 강도비(P HF/ P TF ratio), 저주파수대 전체 주파수의 대역 강도비(P LF/ P TF ratio), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD), NN간격의 중앙값(median_NN)를 포함하여 이루어진 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  9. 제3항에 있어서,
    산소불포화 이벤트의 특징벡터는, 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 지속시간(D_ time: time of the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 기울기 (D_ slope: a slope between start point and end point of the oxygen desaturation event interval), 산소불포화 이벤트의 앞 80% 구간에서의 기울기(D_ slope80: a slope between start point and four-fifth point of the oxygen desaturation event interval), 산소불포화 이벤트의 평균값(D_ mean: mean of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 표준편차(D_ std: standard deviation of SpO2 in the oxygen desaturation event) 중 어느 하나인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  10. 제3항에 있어서,
    경증 분류기를 적용시, 산소불포화 이벤트의 특징벡터는 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event)인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  11. 제3항에 있어서,
    중등도 분류기를 적용시, 산소불포화 이벤트의 특징벡터는 산소불포화 이벤트의 평균값(D_ mean: mean of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 앞 80% 구간에서의 기울기(D_ slope80: a slope between start point and four-fifth point of the oxygen desaturation event interval), 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event)인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  12. 제3항에 있어서,
    중증 분류기를 적용시, 산소불포화 이벤트의 특징벡터는 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 표준편차(D_ std: standard deviation of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event)인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치.
  13. 맥박산소측정기를 이용하여 검출된 PPG(맥파) 신호와 SPO2(산소포화도) 신호가 연산처리부로 전송되며, 연산처리부는 PPG 신호와 SPO2 신호를 이용하여 수면 무호흡과 수면 저호흡을 분류하는 수면 무호흡과 저호흡의 자동 평가 장치의 구동방법에 있어서,
    연산처리부는 수신된 PPG 신호를 이용하여 맥파 특징벡터들을 검출하고,
    수신된 SPO2 신호에서 산소불포화 이벤트를 검출하고,
    산소불포화 이벤트를 이용하여 산소불포화 이벤트의 특징벡터들을 검출하고,
    산소불포화 이벤트를 이용하여 산소불포화 지수(ODI)를 계산하며,
    산소불포화 이벤트의 특징벡터 및 무호흡과 저호흡의 분류기를 이용하여 무호흡과 저호흡을 분류하되, 산소불포화 지수(ODI)에 따라 다른 무호흡과 저호흡의 분류기를 적용하는 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 장치의 구동방법.
  14. 연산처리부는 PPG(맥파) 신호로부터 맥박 특징벡터를 검출하는, PPG 특징 검출단계;
    연산처리부는 PPG 특징 검출단계에서 검출된 맥박 특징벡터 및 수면과 각성의 분류기를 이용하여, 수면상태인지 또는 각성상태 인지를 분류하는, 수면과 각성의 분류단계;
    연산처리부는 SPO2(산소포화도) 신호에서, 수면과 각성의 분류단계에서 분류된 결과가 수면상태이라면 기저선에 비해 3% 이상감소되는 구간을 산소불포화 이벤트로 검출하고, 수면과 각성의 분류단계에서 분류된 결과가 각성상태이라면 기저선에 비해 4% 이상감소되는 구간을 산소불포화 이벤트로 검출하는, 산소불포화 이벤트 검출단계;
    산소불포화 이벤트 검출단계에서 검출된 산소불포화 이벤트를 이용하여 연산처리부는 산소불포화 이벤트 특징벡터를 구하는, 산소포화도 특징검출단계;
    산소불포화 이벤트 검출단계에서 검출된 산소불포화 이벤트들에서, 시간당 산소불포화 이벤트의 총합으로 산소불포화 지수(ODI)를 연산처리부가 계산하는, 산소불포화 지수계산단계;
    연산처리부는 산소불포화 이벤트의 특징벡터 및 무호흡과 저호흡의 분류기를 이용하여 무호흡과 저호흡을 분류하되, 산소불포화 지수계산단계에서 검출한 산소불포화 지수(ODI)에 따라 다른 무호흡과 저호흡의 분류기를 적용하는, 무호흡과 저호흡의 분류단계;
    를 포함하여 이루어진 것을 특징으로 하는, 수면 무호흡-저호흡의 자동 평가 방법.
  15. 제14항에 있어서, 무호흡과 저호흡의 분류단계는,
    산소불포화 지수 계산단계에서 계산된 산소불포화 지수(ODI)가 17보다 작거나 같은지를 연산처리부가 판단하는, 산소불포화 지수(ODI)와 17의 비교단계;
    산소불포화 지수와 17의 비교단계에서, 산소불포화 지수(ODI)가 17보다 작거나 같다면, 연산처리부는 산소포화도 특징검출단계에서 검출된 산소불포화 이벤트 특징벡터를 무호흡과 저호흡의 분류기 중 경증 분류기로 입력하여, 수면무호흡 상태인지, 수면저호흡 상태인지를 분류하는, 경증의 수면호흡장애의 무호흡과 저호흡 분류단계;
    산소불포화 지수와 17의 비교단계에서 산소불포화 지수(ODI)가 17보다 크다면, 연산처리부는 산소불포화 지수 계산단계에서 계산된 산소불포화 지수(ODI)가 32보다 작은지를 판단하는, 산소불포화 지수와 32의 비교단계;
    산소불포화 지수와 32의 비교단계에서, 산소불포화 지수(ODI)가 32보다 작거나 같다면, 연산처리부는 산소포화도 특징검출단계에서 검출된 산소불포화 이벤트 특징벡터를 무호흡과 저호흡의 분류기 중 중등도 분류기로 입력하여, 수면무호흡 상태인지, 수면저호흡 상태인지를 분류하는, 중등도의 수면호흡장애의 무호흡과 저호흡 분류단계;
    산소불포화 지수와 32의 비교단계에서, 산소불포화 지수(ODI)가 32보다 크다면, 연산처리부는 산소포화도 특징검출단계에서 검출된 산소불포화 이벤트 특징벡터를 무호흡과 저호흡의 분류기 중 중증 분류기로 입력하여, 수면무호흡 상태인지, 수면저호흡 상태인지를 분류하는, 중증의 수면호흡장애의 무호흡과 저호흡 분류단계;
    를 포함하여 이루어진 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  16. 제15항에 있어서, PPG 특징 검출단계는,
    연산처리부는 적응문턱치 알고리즘을 이용하여 펄스의 최대점을 검출하고, 최대점을 이용하여, 맥박률(pulse rate)을 검출하는 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  17. 제16항에 있어서,
    상기 최대점 또는 맥박률(pulse rate)을 이용하여 맥파 특징벡터를 검출하되,
    맥파 특징벡터는 NN간격 평균(mean _ NN), NN간격의 중앙값(median _ NN), NN간격의 표준편차(SDNN), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD), 아주 낮은 주파수 대역(VLF) 강도(P VLF), 저주파수 대역(LF) 강도(P LF), 고주파수 대역(HF) 강도(P HF), 저주파수대 전체 주파수의 대역 강도비(P LF/ P TF ratio), 고주파수대 전체 주파수의 대역 강도비(P HF/ P TF ratio), 저주파수대 고주파수 대역 강도비(P LF/ P HF ratio) 중 하나 이상인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  18. 제16항에 있어서,
    맥파 특징벡터들 및 산소불포화 이벤트의 특징벡터들은, 써포트 벡터 머신을 이용한 회귀적 기능 제거(SVM-RFE)를 이용하여 생성된 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  19. 제16항에 있어서,
    수면과 각성의 분류기 및 무호흡과 저호흡의 분류기는, 써포트 벡터 머신을 이용한 회귀적 기능 제거(SVM-RFE)를 이용하여 생성된 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  20. 제19항에 있어서,
    수면과 각성의 분류단계에서, 수면과 각성의 분류기는 맥박 특징벡터가 입력으로 사용되어, 수면과 각성상태를 구분한 후, 제1기준 및 제2기준에 따라 수면상태를 결정하되,
    제1기준은 연속적 각성 상태가 하나 또는 2개의 에퍽(epoch)으로 이루어진다면 각성 상태는 수면 상태로 바뀌어진다는 기준이며,
    제2기준은 연속적 각성 상태가 3개 이상의 에퍽(epoch)으로 이루어진다면 첫번째 각성 상태는 수면 상태로 바뀌어진다는 기준인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  21. 제15항에 있어서,
    맥파 특징벡터는 고주파수대 전체 주파수의 대역 강도비(P HF/ P TF ratio), 저주파수대 전체 주파수의 대역 강도비(P LF/ P TF ratio), 인접한 NN간격의 차이를 제곱한 값의 평균의 제곱근(RMSSD), NN간격의 중앙값(median_NN)를 포함하여 이루어진 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  22. 제15항에 있어서,
    산소불포화 이벤트의 특징벡터는, 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 지속시간(D_ time: time of the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 기울기 (D_ slope: a slope between start point and end point of the oxygen desaturation event interval), 산소불포화 이벤트의 앞 80% 구간에서의 기울기(D_ slope80: a slope between start point and four-fifth point of the oxygen desaturation event interval), 산소불포화 이벤트의 평균값(D_ mean: mean of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 표준편차(D_ std: standard deviation of SpO2 in the oxygen desaturation event) 중 어느 하나인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  23. 제15항에 있어서,
    경증의 수면호흡장애의 무호흡과 저호흡 분류단계에서, 산소불포화 이벤트 특징벡터는 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event)인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  24. 제15항에 있어서,
    중등도의 수면호흡장애의 무호흡과 저호흡 분류단계에서, 산소불포화 이벤트 특징벡터는 산소불포화 이벤트의 평균값(D_ mean: mean of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 앞 80% 구간에서의 기울기(D_ slope80: a slope between start point and four-fifth point of the oxygen desaturation event interval), 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event)인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  25. 제15항에 있어서,
    중등도의 수면호흡장애의 무호흡과 저호흡 분류단계에서, 산소불포화 이벤트 특징벡터는 산소불포화 이벤트의 감쇄율(D_ percent: reduction rate of the oxygen desaturation event), 산소불포화 이벤트의 표준편차(D_ std: standard deviation of SpO2 in the oxygen desaturation event), 산소불포화 이벤트의 최소값(D_ min: minimum of SpO2 in the oxygen desaturation event)인 것을 특징으로 하는, 수면 무호흡과 저호흡의 자동 평가 방법.
  26. 컴퓨터 프로그램이 수록된 컴퓨터-판독가능 저장 매체로서, 상기 컴퓨터 프로그램은, 연산처리부에 로드되어 실행될 때, 상기 연산처리부로 하여금 청구항 제15항 내지 제25항 중 어느 한 항에 따른 수면 무호흡과 저호흡의 자동 평가 방법을 구현하게 하는, 컴퓨터-판독가능 저장 매체.
KR1020140114165A 2014-08-29 2014-08-29 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법 KR101601895B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140114165A KR101601895B1 (ko) 2014-08-29 2014-08-29 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140114165A KR101601895B1 (ko) 2014-08-29 2014-08-29 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR101601895B1 true KR101601895B1 (ko) 2016-03-22

Family

ID=55644894

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140114165A KR101601895B1 (ko) 2014-08-29 2014-08-29 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101601895B1 (ko)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180014417A (ko) * 2016-07-29 2018-02-08 연세대학교 원주산학협력단 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법
KR20180042719A (ko) * 2016-10-18 2018-04-26 한국전자통신연구원 호흡 분석 장치 및 방법
ES2684533A1 (es) * 2017-03-30 2018-10-03 Universidad De Las Palmas De Gran Canaria Método para la exploración de apnea obstructiva del sueño basado en la señal de saturación de oxigeno
CN109310348A (zh) * 2016-05-19 2019-02-05 汉考克医药公司 姿势阻塞性睡眠呼吸暂停检测系统
KR20190073650A (ko) * 2017-12-19 2019-06-27 재단법인 다차원 스마트 아이티 융합시스템 연구단 영유아를 위한 웨어러블 수면 및 각성 검출 시스템 및 그 방법
KR20190100888A (ko) * 2018-02-21 2019-08-29 연세대학교 원주산학협력단 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법
KR20200091625A (ko) * 2019-01-23 2020-07-31 삼성전자주식회사 생체 신호 측정 장치 및 방법
CN112739259A (zh) * 2018-08-29 2021-04-30 睡眠咨询科技股份有限公司 基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之间的转变
US11064906B2 (en) 2018-01-29 2021-07-20 Electronics And Telecommunications Research Institute Method and apparatus for determining respiration state based on plurality of biological indicators calculated using bio-signals
CN113855022A (zh) * 2021-10-11 2021-12-31 北京工业大学 基于眼动生理信号的情绪评估方法及装置
US11304654B2 (en) 2016-10-18 2022-04-19 Electronics And Telecommunications Research Institute Method for detecting abnormal respiration using a photoplethysmography (PPG) signal
US20220175311A1 (en) * 2020-12-08 2022-06-09 Samsung Electronics Co., Ltd. Method for detecting sleep apnea and electronic device for supporting the same
WO2022124647A1 (ko) * 2020-12-08 2022-06-16 삼성전자 주식회사 수면 무호흡을 검출하기 위한 방법 및 이를 지원하는 전자 장치
US11419542B2 (en) 2018-09-21 2022-08-23 Tata Consultancy Services Limited System and method for non-apnea sleep arousal detection
KR102453428B1 (ko) * 2022-06-03 2022-10-13 주식회사 슈파스 맥박산소측정법 기반의 생체 데이터를 이용한 호흡수 산출방법, 장치 및 컴퓨터프로그램
KR20230081156A (ko) * 2021-11-30 2023-06-07 (주)허니냅스 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
KR20230081148A (ko) * 2021-11-30 2023-06-07 (주)허니냅스 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법
KR20230081151A (ko) * 2021-11-30 2023-06-07 (주)허니냅스 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
KR20230108399A (ko) * 2022-01-11 2023-07-18 서울대학교병원 저산소증 예측 모델의 생성 방법 및 이 모델을 이용한 저산소증 예측 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008082660A (ja) 2006-09-28 2008-04-10 Dowa Holdings Co Ltd 焼却炉及びその焼却炉によるクリンカーの防止・除去方法
KR101096089B1 (ko) 2010-01-28 2011-12-19 충북대학교 산학협력단 수면 무호흡 검출 및 유형 판단 장치 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008082660A (ja) 2006-09-28 2008-04-10 Dowa Holdings Co Ltd 焼却炉及びその焼却炉によるクリンカーの防止・除去方法
KR101096089B1 (ko) 2010-01-28 2011-12-19 충북대학교 산학협력단 수면 무호흡 검출 및 유형 판단 장치 및 그 방법

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109310348A (zh) * 2016-05-19 2019-02-05 汉考克医药公司 姿势阻塞性睡眠呼吸暂停检测系统
CN109310348B (zh) * 2016-05-19 2022-01-25 汉考克医药公司 姿势阻塞性睡眠呼吸暂停检测系统
KR101868888B1 (ko) * 2016-07-29 2018-06-26 연세대학교 원주산학협력단 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법
KR20180014417A (ko) * 2016-07-29 2018-02-08 연세대학교 원주산학협력단 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법
KR102013815B1 (ko) * 2016-10-18 2019-08-23 한국전자통신연구원 호흡 분석 장치 및 방법
US11304654B2 (en) 2016-10-18 2022-04-19 Electronics And Telecommunications Research Institute Method for detecting abnormal respiration using a photoplethysmography (PPG) signal
KR20180042719A (ko) * 2016-10-18 2018-04-26 한국전자통신연구원 호흡 분석 장치 및 방법
ES2684533A1 (es) * 2017-03-30 2018-10-03 Universidad De Las Palmas De Gran Canaria Método para la exploración de apnea obstructiva del sueño basado en la señal de saturación de oxigeno
KR101999453B1 (ko) * 2017-12-19 2019-07-11 재단법인 다차원 스마트 아이티 융합시스템 연구단 영유아를 위한 웨어러블 수면 및 각성 검출 시스템 및 그 방법
KR20190073650A (ko) * 2017-12-19 2019-06-27 재단법인 다차원 스마트 아이티 융합시스템 연구단 영유아를 위한 웨어러블 수면 및 각성 검출 시스템 및 그 방법
US11064906B2 (en) 2018-01-29 2021-07-20 Electronics And Telecommunications Research Institute Method and apparatus for determining respiration state based on plurality of biological indicators calculated using bio-signals
KR20190100888A (ko) * 2018-02-21 2019-08-29 연세대학교 원주산학협력단 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법
KR102237466B1 (ko) 2018-02-21 2021-04-15 연세대학교 원주산학협력단 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법
CN112739259A (zh) * 2018-08-29 2021-04-30 睡眠咨询科技股份有限公司 基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之间的转变
CN112739259B (zh) * 2018-08-29 2024-06-04 睡眠咨询科技股份有限公司 基于光电容积描记术检测受试者在清醒、困倦和睡眠阶段之间的转变
US11419542B2 (en) 2018-09-21 2022-08-23 Tata Consultancy Services Limited System and method for non-apnea sleep arousal detection
KR102697427B1 (ko) * 2019-01-23 2024-08-21 삼성전자주식회사 생체 신호 측정 장치 및 방법
KR20200091625A (ko) * 2019-01-23 2020-07-31 삼성전자주식회사 생체 신호 측정 장치 및 방법
WO2022124647A1 (ko) * 2020-12-08 2022-06-16 삼성전자 주식회사 수면 무호흡을 검출하기 위한 방법 및 이를 지원하는 전자 장치
US20220175311A1 (en) * 2020-12-08 2022-06-09 Samsung Electronics Co., Ltd. Method for detecting sleep apnea and electronic device for supporting the same
CN113855022A (zh) * 2021-10-11 2021-12-31 北京工业大学 基于眼动生理信号的情绪评估方法及装置
KR20230081156A (ko) * 2021-11-30 2023-06-07 (주)허니냅스 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
KR20230081148A (ko) * 2021-11-30 2023-06-07 (주)허니냅스 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법
KR20230081151A (ko) * 2021-11-30 2023-06-07 (주)허니냅스 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
KR102637472B1 (ko) 2021-11-30 2024-02-16 (주)허니냅스 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
KR102637473B1 (ko) * 2021-11-30 2024-02-16 (주)허니냅스 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법
KR102637471B1 (ko) * 2021-11-30 2024-02-16 (주)허니냅스 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법
KR20230108399A (ko) * 2022-01-11 2023-07-18 서울대학교병원 저산소증 예측 모델의 생성 방법 및 이 모델을 이용한 저산소증 예측 방법
KR102699466B1 (ko) * 2022-01-11 2024-08-27 서울대학교병원 저산소증 예측 모델의 생성 방법 및 이 모델을 이용한 저산소증 예측 방법
KR102453428B1 (ko) * 2022-06-03 2022-10-13 주식회사 슈파스 맥박산소측정법 기반의 생체 데이터를 이용한 호흡수 산출방법, 장치 및 컴퓨터프로그램

Similar Documents

Publication Publication Date Title
KR101601895B1 (ko) 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법
KR102237466B1 (ko) 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법
Oweis et al. QRS detection and heart rate variability analysis: A survey
KR101868888B1 (ko) 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법
JP3787336B2 (ja) Ｐｐｇを用いた心拍検出装置及びその方法
Acharya et al. Computer-aided diagnosis of diabetic subjects by heart rate variability signals using discrete wavelet transform method
JP4748854B2 (ja) センサが血液灌流組織サンプルに接続されているかどうかを決定するための方法および媒体
US10327656B2 (en) Analysis of EEG signals to detect hypoglycaemia
KR102523994B1 (ko) 생체신호를 이용한 음주 판별 장치 및 방법
JP5760351B2 (ja) 睡眠評価装置、睡眠評価システムおよびプログラム
KR102202029B1 (ko) 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
KR102559333B1 (ko) 수면호흡장애 환자의 인공지능 기반 심혈관질환 예측 모델을 이용한 심혈관질환 예측시스템
US8725239B2 (en) Identifying seizures using heart rate decrease
JPWO2018221750A1 (ja) 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム
Swapna et al. Automated detection of diabetes using higher order spectral features extracted from heart rate signals
KR20190049430A (ko) 맥파 및 심박변이도를 이용한 통증 분류 방법
TİMUŞ et al. k-NN-based classification of sleep apnea types using ECG
Kobayashi et al. Development of a mental disorder screening system using support vector machine for classification of heart rate variability measured from single-lead electrocardiography
Cherif et al. Detection of artifacts on photoplethysmography signals using random distortion testing
JP6957011B2 (ja) 睡眠段階判定装置、睡眠段階判定方法及びプログラム
KR101060268B1 (ko) 인접한 심장박동 주기 차이를 이용한 졸음상태 판정 시스템 및 방법
KR102627661B1 (ko) 광용적맥파 데이터 분석 방법 및 기록매체
Yang et al. ECG-aided PPG signal quality assessment (SQA) system for heart rate estimation
CN106361327B (zh) 睡眠状态分析中清醒状态检测方法和系统
Rivolta et al. Effects of the series length on Lempel-Ziv Complexity during sleep

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant