KR101868888B1 - 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법 - Google Patents

비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법 Download PDF

Info

Publication number
KR101868888B1
KR101868888B1 KR1020160114896A KR20160114896A KR101868888B1 KR 101868888 B1 KR101868888 B1 KR 101868888B1 KR 1020160114896 A KR1020160114896 A KR 1020160114896A KR 20160114896 A KR20160114896 A KR 20160114896A KR 101868888 B1 KR101868888 B1 KR 101868888B1
Authority
KR
South Korea
Prior art keywords
breathing
sleep
sleeping
interval
pressure signal
Prior art date
Application number
KR1020160114896A
Other languages
English (en)
Other versions
KR20180014417A (ko
Inventor
이경중
박종욱
정필수
강규민
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
Publication of KR20180014417A publication Critical patent/KR20180014417A/ko
Application granted granted Critical
Publication of KR101868888B1 publication Critical patent/KR101868888B1/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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0826—Detecting or evaluating apnoea events
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 지속양압호흡기(CPAP)에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성 분류 장치 및 방법에 관한 것으로, 보다 상세히는 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성을 분류하기 위해 먼저 수면호흡장애 이벤트를 검출하였으며, 수면호흡장애로 검출된 구간은 수면으로 분류하고, 정상호흡으로 검출된 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 서포트 벡터 머신(support vector machine, SVM) 분류기를 이용하여 수면과 각성을 분류하여 출력하는 수면호흡장애 환자의 수면/각성 분류 장치 및 방법에 관한 것이다.
본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법은, 비강 캐뉼라에 삽입된 압력센서로부터 검출된 비강압력신호를 연산처리부가 수신하여, 무호흡 이벤트, 저호흡 이벤트, 코골이 이벤트를 포함하는 수면호흡장애 이벤트를 검출하는, 수면호흡장애 이벤트 검출단계; 연산처리부는, 수면호흡장애 이벤트 검출단계 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하는, 수면호흡장애 구간 분류단계; 연산처리부는, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하는, 정상호흡 구간의 특징벡터 추출단계; 연산처리부는, 정상호흡 구간의 특징벡터 추출단계에서 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 써포트 벡터 머신 분류기의 수면과 각성의 분류단계;를 포함하여 이루어진 것을 특징으로 한다.

Description

비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법{Classification of Sleep/Wakefulness using Nasal Pressure for Patients with Sleep-disordered Breathing}
본 발명은 지속양압호흡기(continuous positive airway pressure, CPAP)에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성 분류 장치 및 방법에 관한 것으로, 보다 상세히는 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성을 분류하기 위해 먼저 수면호흡장애 이벤트를 검출하였으며, 수면호흡장애로 검출된 구간은 수면으로 분류하고, 정상호흡으로 검출된 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 서포트 벡터 머신(support vector machine, SVM) 분류기를 이용하여 수면과 각성을 분류하여 출력하는 수면호흡장애 환자의 수면/각성 분류 장치 및 방법에 관한 것이다.
수면호흡장애(sleep-disordered breathing, SDB)는 수면 중에 발생하는 모든 호흡장애를 총칭하는 것으로, 수면 무호흡(sleep apnea), 수면 저호흡(sleep hypopnea), 코골이 등이 있다. 수면호흡장애가 발생하면 체내에 산소가 원활이 공급되지 않아 수면 중 저산소증이 유발되고, 이에 수면분절로 인한 수면의 질 저하, 심할 경우 고혈압, 부정맥, 뇌졸중과 같은 심뇌혈관질환을 동반하기도 한다.
지속양압호흡기(continuous positive airway pressure, CPAP)는 수면호흡장애 환자를 치료하기 위해 사용되는 장비로, 수면 중 환자에게 지속적으로 압력을 공급하여 상기도가 폐쇄되는 것을 막는다. 그러나 CPAP을 사용하는 환자 중 장비에 적응하지 못하여 오히려 CPAP가 수면의 질을 방해하는 경우가 있다. 따라서 CPAP을 사용하는 중에도 환자의 수면의 질을 평가할 수 있는 지표를 제공하는 것이 필요하며, 이에 환자의 수면과 각성을 자동으로 분류하는 장치 및 방법이 필요하다.
수면의 질을 평가하기 위한 표준 방법은 수면다원검사이나, 수면다원검사는 특화된 수면센터에서 임상 전문가에 의한 판독이 필수이기 때문에 시설이나 인력, 장비 등의 비용과 투자가 필요하며, 환자에게 시간적, 공간적, 경제적 부담이 발생된다.
최근에는 수면다원검사의 불편을 줄이기 위해 단일채널 생체신호를 이용한 수면/각성 분류 방법에 대한 연구들이 보고되고 있다. 그러나, 이 연구들 대부분은 건강한 성인을 대상으로 호흡신호를 이용하여 평가한 것으로, 수면호흡장애 환자에게 적용할 경우, 정확성이 상당히 떨어져서 사용할 수 없었다.
수면호흡장애 환자의 경우 정상인에 비해 수면 중 호흡이 불규칙적이며 호흡장애에 따른 반복적인 각성이 발생하기 때문에 기존의 호흡신호를 이용한 수면/각성 분류 방법을 적용할 수 없다. 또한 흉부 및 복부의 호흡노력 신호는 CPAP 장비에서 획득할 수 없기 때문에 CPAP을 사용하는 수면호흡장애 환자를 위한 수면/각성 분류 장치 및 방법이 요망된다.
따라서 본 발명에서는 CPAP에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자에 적용 가능한 수면/각성 분류 방법을 제안한다.
선행기술로, 일본 공개특허공보 2010-214024호는 호흡운동지원 시스템에 관한것으로, 비강압력을 검출하여 비강압력에 기초하여, 흡기상태의 개시기가 검지되었을 경우 호흡보조 근육에 전기자극을 주고, 흡기상태의 종말기가 검지되었을 경우 상기 전기자극을 정지한다.
일본 공개특허공보 2010-214024호는 비강압력을 이용하여 호흡상태를 검출하지만, 이것으로 수면호흡장애 이벤트를 검출하여 수면호흡장애 환자의 수면/각성 분류를 행할 수는 없다.
다른 선행기술로, 국내 공개특허공보 제10-2014-0087902호는 수면시 혈압을 검출하는 혈압 모니터링장치로부터 수신된 혈압신호로부터 수면호흡장애 이벤트신호를 검출하고 수면호흡장애 이벤트신호로부터 무호흡저호흡지수(AHI)를 검출하는 수면호흡장애 연산처리부를 포함하는 수면호흡장애 분석장치에 관한 것이다.
국내 공개특허공보 제10-2014-0087902호는 별도의 혈압 모니터링장치를 필요로 하며, 혈압신호에서 수면호흡장애의 발생시점과 호흡노력 정도를 추정하는 것으로, 정확도가 상대적으로 높지 않다. 따라서 정밀한 분석이 필요한 수면호흡장애 환자의 측정에는 부적합하다.
본 발명이 해결하고자 하는 과제는 지속양압호흡기(CPAP)에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성 분류 장치 및 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성을 분류하기 위해 먼저 수면호흡장애 이벤트를 검출하였으며, 수면호흡장애로 검출된 구간은 수면으로 분류하고, 정상호흡으로 검출된 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 서포트 벡터 머신(SVM) 분류기를 이용하여 수면과 각성을 분류하여 출력하는 수면호흡장애 환자의 수면/각성 분류 장치 및 방법을 제공하는 것이다.
상기 과제를 해결하기 위해, 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법은, 비강 캐뉼라에 삽입된 압력센서로부터 검출된 비강압력신호를 연산처리부가 수신하여, 무호흡 이벤트, 저호흡 이벤트, 코골이 이벤트를 포함하는 수면호흡장애 이벤트를 검출하는, 수면호흡장애 이벤트 검출단계; 연산처리부는, 수면호흡장애 이벤트 검출단계 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하는, 수면호흡장애 구간 분류단계; 연산처리부는, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하는, 정상호흡 구간의 특징벡터 추출단계; 연산처리부는, 정상호흡 구간의 특징벡터 추출단계에서 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 써포트 벡터 머신 분류기의 수면과 각성의 분류단계;를 포함하여 이루어진 것을 특징으로 한다.
본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법는 연산처리부가, 수면호흡장애 구간 분류단계 후, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이라면, 수면으로 분류하는, 수면호흡장애 구간의 수면분류단계;를 더 포함하여 이루어진다.
시간영역의 특징벡터는, 호흡주기의 평균(MEANLEN), 호흡주기의 표준편차(SDLEN), 호흡진폭의 평균 (MEANAMP), 호흡진폭의 표준편차(SDAMP)를 더 포함하며, 주파수영역의 특징 벡터는, 초저주파대역의 강도(PVLF), 고주파대역의 강도(PHF), 저주파대 고주파수의 대역의 강도(PLF/ PHF ratio), 전체 강도(PTF) 를 더 포함한다.
정상호흡 구간의 특징벡터 추출단계는,연산처리부는, 비강압력 신호의 진폭과 주기를 계산하기 위해 51차 중앙값 필터(median filter)를 사용하여 배경 잡음 및 코골이 관련 신호를 제거한 후, 적응 문턱치 알고리즘을 이용하여 호흡의 최대점을 검출하는, 전처리단계; 연산처리부는, 시간영역의 특징벡터와 주파수영역의 특징 벡터뿐만아니라, 비선형 특징벡터로서, 근사 엔트로피(approximate entropy, ApEn) 와 집중경향값 (central tendency measure, CTM)를 더 검출하는, 특징추출단계;를 포함하여 이루어진다.
전처리단계에서 문턱치 초기값은,
Figure 112016087225218-pat00001
(단, THinit는 문턱치 초기값이며, XNP는 필터링된 비강압력 신호이며, fs는 샘플링 주파수이고, n은 문턱치를 갱신하는 회차임)
에 의해 구하여지진다.
전처리단계에서 문턱치는
Figure 112016087225218-pat00002
(단, THn은 n번째 갱신된 문턱치이며, THn -1은 n-1번째 갱신된 문턱치이며, nMAXi-1는 최대점의 값임)
에 의해 구하여진다.
호흡주기의 평균(MEANLEN)은 비강압력 신호의 한 구간에서 호흡주기의 평균이며, 호흡주기의 표준편차(SDLEN)는 한 구간에서 호흡주기의 표준편차를 이며, 호흡진폭의 평균 (MEANAMP)는 한 구간에서 호흡진폭의 평균을 이며, 호흡진폭의 표준편차 (SDAMP)는 한 구간에서 호흡진폭의 표준편차를 이다.
연산처리부는 주파수영역의 특징벡터를 추출하기 위해 비강압력 신호를 고속 푸리에 변환(FFT)을 수행하고, 고속 푸리에 변환(FFT) 결과에 제곱을 취해 전력 스펙트럼 밀도를 계산하되, 초저주파대역의 강도는 0.01~0.05 Hz의 주파수 대역의 전력 스펙트럼 밀도이고, 저주파대역의 강도는 0.05~0.15 Hz의 주파수 대역의 전력 스펙트럼 밀도이고, 고주파대역의 강도(PHF)는 0.15~0.5 Hz의 주파수 대역의 전력 스펙트럼 밀도이다.
전체 강도(PTF) 는 초저주파대역의 강도, 저주파대역의 강도, 고주파대역의 강를 합한 것이다.
본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법을 컴퓨터로 구현하기 위한 프로그램이 기록된, 컴퓨터로 판독가능한 기록매체를 특징으로 한다.
또한, 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치는, 비강 캐뉼라에 삽입된 압력센서를 포함하여 이루어지며, 상기 압력센서로부터 비강압력신호를 검출하는 비강압력신호 검출수단; 비강압력신호 검출수단으로부터 비강압력신호를 수신하여, 무호흡 이벤트, 저호흡 이벤트를 포함하는 수면호흡장애 이벤트를 검출한 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하고, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로 분류하며, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하고, 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 연산처리부;를 포함하여 이루어진 것을 특징으로 한다.
본 발명의 수면호흡장애 환자의 수면/각성 분류 장치 및 방법에 따르면, 지속양압호흡기(CPAP)에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성 분류를 행한다.
즉, 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성을 분류하기 위해 먼저 수면호흡장애 이벤트를 검출하고, 수면호흡장애로 검출된 구간은 수면으로 분류하고, 정상호흡으로 검출된 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 서포트 벡터 머신(SVM) 분류기를 이용하여 수면과 각성을 분류하여 출력한다.
특히, CPAP을 사용하는 중에도 환자의 수면의 질을 평가할 수 있는 지표인 비강압력 신호를 사용하여 환자의 수면과 각성을 자동으로 분류하는 것으로, 상대적으로 정확도가 높으며, 기존의 수면다원검사에 비해 시설이나 인력, 장비 등의 비용과 투자가 필요없으며, 환자에게 시간적, 공간적, 경제적 부담이 줄어든다.
도 1은 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치의 개략적인 구성을 설명하는 블럭도이다.
도 2는 도 1의 연산처리부에서 구동방법을 개략적으로 설명하는 흐름도이다.
도 3은 수면/각성에 따른 비강압력 신호와 그것의 전력 스펙트럼 밀도를 나타낸 것이다.
도 4는 본 발명에서 선택한 특징의 평가 결과로서, 각 특징들의 마할라노비스 거리(MD)를 나타낸다.
도 5는 도 4에서 분별력이 큰 순으로 7개의 특징에서 특징 수에 따른 평균 정확도이다.
이하, 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법을 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치의 개략적인 구성을 설명하는 블럭도로, 압력센서(110), 신호전처리부(150), A/D 변환부(190), 연산처리부(210), 디스플레이부(240), 메모리부(270)을 포함하여 이루어진다.
압력센서(110)는 비강 캐뉼라에 삽입되어, 비강압력 신호를 전기적인 신호로 검출한다.
신호전처리부(150)는 압력센서(110)로부터 수신된 비강압력 신호를 증폭하고 잡음을 제거한다.
A/D변환부(190)는 신호전처리부(150)로부터 수신한 비강압력 신호를 디지탈신호로 변환한 후, 연산처리부(210)로 전송한다.
연산처리부(210)는 수신된 비강압력 신호에서 수면호흡장애 이벤트, 즉, 정상호흡 구간과 수면호흡장애 구간을 검출하고, 수면호흡장애 구간은 수면으로 분류하였고, 정상호흡 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 써포트 벡터 머신(SVM) 분류기를 이용하여 수면과 각성을 분류한다.
디스플레이부(240) 및 메모리부(270)는 연산처리부(210)로부터 수면과 각성으로 분류된 결과를 수신하여 디스플레이하고, 저장한다.
여기서, 연산처리부(210), 디스플레이부(240), 메모리부(270)는 컴퓨터(200), 또는 마이크로프로세서 등으로 이루어질 수 있다. 또한, 압력센서(110), 신호전처리부(150), A/D 변환부(190)를 비강압력신호 검출수단이라 할 수 있다.
도 2는 도 1의 연산처리부에서 구동방법을 개략적으로 설명하는 흐름도이다.
수면호흡장애 이벤트 검출단계로, 공지된 무호흡/저호흡 검출 알고리즘과 코골이 검출 알고리즘을 사용하여, 수신된 비강압력 신호를 30초 단위로 나누어, 즉, 30초 단위의 비강압력 신호에서 수면호흡장애 이벤트를 검출한다(S110). 여기서, 수면호흡장애 이벤트는 수면 무호흡(sleep apnea) 이벤트, 수면 저호흡(sleep hypopnea) 이벤트, 코골이(snoring) 이벤트를 포함한다.
수면호흡장애 구간 분류단계로, 30초 단위의 비강압력 신호에서 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을 수면호흡장애 구간으로 분류하며, 그렇지 않은 구간을 정상호흡 구간으로 분류한다(S120).
수면호흡장애 구간의 수면분류단계로, 수면호흡장애 구간인지 여부를 판단하여(S130), 수면호흡장애 구간이라면, 수면으로 분류한다(S140).
정상호흡 구간의 특징벡터 추출단계로, 수면호흡장애 구간인지 여부를 판단하여(S130), 수면호흡장애 구간이 아니라면, 정상호흡으로 검출된 구간으로, 이 구간의 시간영역과 주파수영역 기반의 특징 벡터를 추출한다(S150).
써포트 벡터 머신 분류기의 수면과 각성의 분류단계로, 정상호흡 구간의 특징벡터 추출단계에서 추출된 시간영역과 주파수영역 기반의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류한다(S170).
다음은 정상호흡 구간의 특징벡터 추출단계를 상세히 설명한다.
정상호흡 구간의 특징벡터 추출단계는 전처리단계, 특징추출단계를 포함하여 이루어진다.
우선, 전처리단계에 대해 설명한다.
비강압력 신호의 진폭과 주기를 계산하기 위해 51차 중앙값 필터(median filter)를 사용하여 배경 잡음 및 코골이 관련 신호를 제거한 후, 적응 문턱치 알고리즘을 이용하여 호흡의 최대점을 검출한다.
문턱치 설정은 수학식 1과 같이 문턱치 초기값(THinit)을 정하며, 수학식 2와 같이 이전 펄스의 최댓값에 가중치(-0.5/fs)를 적용하여 문턱치(THn)를 갱신한다. 이때 XNP와 fs는 각각 필터링된 비강압력 신호와 샘플링 주파수를 의미한다. 그리고 문턱치 이상의 값들 중 가장 큰 값을 갖는 점을 최대점(nMAXi)으로 검출 하였으며, 최대점 사이의 최소값을 최소점(nMINi)으로 검출하였다.
Figure 112016087225218-pat00003
여기서, THinit는 문턱치 초기값이며, XNP는 필터링된 비강압력 신호이며, fs는 샘플링 주파수이고, n은 문턱치를 갱신하는 회차이다.
Figure 112016087225218-pat00004
여기서, THn은 문턱치이며, nMAXi는 최대점의 값(최대값)이며, nMINi는 최소점의 값(최소값)이다.
다음은 특징추출단계에 대해 설명한다.
도 3은 수면/각성에 따른 비강압력 신호와 그것의 전력 스펙트럼 밀도(power spectrum density, PSD)를 나타낸 것으로, 도 3의 (a)는 수면시를 나타내며, 도 3의 (b)는 깨어있을 때(각성시)를 나타낸다.
일반적으로, 도 3에서와 같이, 깨어있을 때에 비해 수면 시에 더욱 안정적이고 주기적인 호흡패턴을 보인다. 이러한 수면/각성에 따른 비강압력 신호의 변화를 반영하는 4개의 시간영역, 5개의 주파수영역, 2개의 비선형 특징벡터를 추출하였다.
4개의 시간영역 특징들은, 호흡주기의 평균(MEANLEN), 호흡주기의 표준편차(SDLEN), 호흡진폭의 평균 (MEANAMP), 호흡진폭의 표준편차 (SDAMP)이다.
여기서, 호흡주기의 평균(MEANLEN)은 비강압력 신호의 한 구간에서 호흡주기의 평균을 말하며, 호흡주기의 표준편차(SDLEN)는 한 구간에서 호흡주기의 표준편차를 말하며, 호흡진폭의 평균 (MEANAMP)는 한 구간에서 호흡진폭의 평균을 말하며, 호흡진폭의 표준편차 (SDAMP)는 한 구간에서 호흡진폭의 표준편차를 말한다.
주파수영역 특징을 추출하기 위해 비강압력 신호를 고속 푸리에 변환(fast Fourier transform, FFT)을 수행하였고, FFT에 제곱을 취해 전력 스펙트럼 밀도를 계산하였다. 주파수영역 특징들을 계산하기 위해 사용된 각 주파수 대역은 VLF (초저주파수, very low frequency: 0.01~0.05 Hz), LF (저주파수, low frequency: 0.05~0.15 Hz), HF (고주파수, high frequency: 0.15~0.5 Hz), TF (전체 주파수 total frequency: 0.01~0.5 Hz)이다.
5개의 주파수영역 특징들은 초저주파 성분의 전력값(즉, 초저주파대역의 강도)(PVLF), 저주파 성분의 전력값(즉, 저주파대역의 강도)(PLF), 고주파 성분의 전력값(즉, 고주파대역의 강도)(PHF), 저주파 성분의 전력값/ 고주파 성분의 전력값(즉, 저주파대 고주파수의 대역의 강도) (PLF/ PHF ratio), TF 대역의 전력값(전체 강도)(PTF) 이다.
비강압력 신호의 파워 스팩트럼 밀도(PSD(x)), 즉 PSD(x)는 주파수가 x인 파워 스팩트럼 밀도이다.
VLF (Very low frequency)의 PSD는 0.01~0.05Hz의 주파수 대역의 PSD이다. VLF의 PSD는 수학식 3과 같이 나타내진다.
Figure 112016087225218-pat00005
여기서 PVLF는 VLF에서의 PSD를 나타낸다.
LF (low frequency)의 PSD는 0.05~0.15Hz의 주파수 대역의 PSD로, LF의 PSD는 수학식 4와 같이 나타내진다.
Figure 112016087225218-pat00006
여기서, PLF는 LF에서의 PSD를 나타낸다.
HF (High frequency)의 PSD는 0.15~0.5Hz의 주파수 대역의 PSD이며, HF의 PSD는 수학식 5와 같이 나타내진다.
Figure 112016087225218-pat00007
여기서, PHF는 HF에서의 PSD를 나타낸다.
전체 강도(PTF)는 VLF, LF, HF의 PSD들을 포함하는 그 구간 전체의 모든 파워(power)를 의미한다. 전체 강도는 수학식 6으로 나타낼 수 있다.
Figure 112016087225218-pat00008
즉, 전체 강도(TP)는 주파수 x가 0.01≤x≤0.5인 파워 스팩트럼 밀도(PSD)이다.
저주파수대 고주파수 대역 강도비(PLF/ PHF ratio)는 수학식 7과 같다.
Figure 112016087225218-pat00009
여기서 Ratio는 저주파수대 고주파수 대역 강도비를 나타낸다.
비선형 특징으로 근사 엔트로피(approximate entropy, ApEn) 와 집중경향값 (central tendency measure, CTM)을 추출하였다.
근사 엔트로피(ApEn)는 공지된 것으로, 예를들어, 국내 등록특허 제10-0493714호 등에 공개되어 있어, 상세한 설명은 생략한다.
근사 엔트로피(ApEn)는 수학식 8과 같이 구할 수 있다.
Figure 112016087225218-pat00010
단, 여기서, N은 측정시간동안 취득된 데이터수(즉, N개의 수면호흡장애 이벤트)를 말하며, Pm(i)는 집합 수면호흡장애 이벤트의 연속된 m개의 원소로 이루어진 부분집합을 말하며, Pm={Pm(1),Pm(2),Pm(3),ㆍㆍㆍ,Pm(N-m+1)}으로 나타내 질 수 있다. 그리고 Pm(i)와 Pm(j)가, 0≤k＜m일때, ｜I(i+k)-I(j+k)｜＜r 을 만족하면, 두 패턴 Pm(i)와 Pm(j)는 '유사하다'고 정의하며, 집합 Pm에서 Pm(i)와 '유사한' 패턴의 개수를 nim(r)라고 한다.
집중경향값 (CTM)은 수학식 9와 같이 구한다.
Figure 112016087225218-pat00011
여기서, x(i)는 i번째 데이터(수면호흡장애 이벤트)를 말하며, ρ는 선택된 원형영역의 반경을 말한다.
일반적으로, CTM 은 원점 주위의 반경(ρ)의 원형영역을 선택하고, 그 반경내에 들어가는 점의 수를 카운팅하고, 점의 총수로 나누며, 이렇게 하여 얻어진 데이터의 제1 차이 스케터 플롯트(first differences scatter plot)로부터 계산된다. 집중경향값(CTM)은 널리공지된 것으로 보다 상세한 설명은 생략한다. 예를들어, 집중경향값(CTM)은 2012년 Raul Alcaraz와 Jose Joaquin Rieta가 BioMedical Engineering에 게제한 "Central tendency measure and wavelet transform combined in the non-invasive analysis of atrial fibrillation recordings"에 공지되어 있다.(https://biomedical-engineering-online.biomedcentral.com/articles/10.1186/1475-925X-11-46#Abs1)
다음은 써포트 벡터 머신(SVM) 분류기의 수면과 각성의 분류단계에 대해 설명한다.
본 발명에서는 정상호흡 구간에서 수면/각성을 분류하기 위해 SVM 분류기를 사용하였다. SVM 분류기는 각 부류를 구분하는 분리 경계면(separating hyperplane)과 이것에 가장 인접한 샘플(support vector)의 거리를 최대화 하여 최적의 분리 경계면을 구하는 것으로, 다른 분류기에 비해 일반화 능력이 우수한 방법이다.
분리 경계면을 구하는 수식을 최적화 문제로 풀면, 수학식 10와 같이 나타낼 수 있다. 이 때 는 ξI는 슬랙 변수이며, C는 슬랙 변수의 가중치이다. 본 발명에서 C값을 실험적인 방법을 통해 1로 정하였다. 수학식 11과 같이 σ가 4인 RBF (Radial Basis Function) 커널을 사용하였다.
Figure 112016087225218-pat00012
여기서, W는 결정 경계면(초평면)에의 수직선 벡터이고, ξI는 슬랙 변수이며, C는 슬랙 변수의 가중치이고, N은 데이터 수이고, σ는 표준편차이다.
RBF (Radial Basis Function) 커널(즉, 가우스 커널)은, 수학식 11과 같이 구하여 질 수 있다.
Figure 112016087225218-pat00013
여기서, x는 x좌표를 나타내며, y는 y좌표를 나타내고, f(x,y)는 커널함수를 나타낸다.
본 발명의 검증을 위해 실험을 행하였다.
즉, 본 발명에서 선택한 특징, 즉, 특징추출단계에서 선택한 특징이 적정한 선택인지를 실험을 통해 확인하여였다. 즉, 수면/각성 분류를 위한 최적의 특징을 선택하기 위해, 특징추출단계에서, 비강압력 신호의 정상호흡으로부터 추출한 11개의 특징이 부류 간 통계적으로 유의한 차이가 있는지 확인하였다. 통계분석을 위해 독립표본 t-검정(two independent sample t-test)을 학습군 15명을 대상으로 수행하였으며, p-값이 0.05 미만일 경우 부류 간 각 특징이 통계적으로 유의한 차이가 있다고 판단하였다. 그리고 통계적으로 유의한 차이가 있는 특징 중 분류를 위한 최적의 특징을 선택하기 위해 그룹 간 마할라노비스 거리(Mahalanobis distance, MD)를 이용하여 분별력을 계산하였다. 마할라노비스 거리를 통해 분별력이 높은 순으로 특징 순위를 매기고, 분별력이 큰 순으로 특징들을 조합하면서 반복적으로 LOO 교차검증(leave-one-out cross validation)을 수행하였다.
상기 검증을 위한 연구대상은 수면다원검사를 통해 수면호흡장애 진단을 받은 30명의 환자를 대상으로 하였다. 또한 알고리즘 구현과 평가를 위해 30명의 환자 중 학습군(training set)과 평가군(test set)을 각각 15명씩 나누었고, 학습군과 평가군은 모든 임상적 특징이 통계적으로 차이가 없었다(p > 0.05). 수면다원검사기를 이용하여 수면호흡장애 환자의 데이터를 획득하였으며, 검사에 소요된 시간은 최소 6시간 이상이었다. 수면다원기록은 뇌파, 좌측 및 우측 안구운동, 턱과 다리 근전도, 흉부 및 복부 호흡노력, 체위변동, 공기흐름, 심전도, 맥박산소포화도를 포함한다. 이 때 비강압력 신호는 비강 캐뉼라에 삽입된 압력센서로부터 획득되어 저장되었다. 수면단계와 수면 무호흡/저호흡, 코골이는 임상전문가가 분석하였다.
도 4는 본 발명에서 선택한 특징의 평가 결과로서, 각 특징들의 마할라노비스 거리(MD)를 나타낸다.(여기서서 *는 p < 0.05인 것을 나타낸다.)
즉, 도 4는 수면/각성 분류의 최적 특징을 선택하기 위해 11개의 특징들을 통계분석과 분별력을 평가한 결과이다. 마할라노비스 거리를 통해 분별력이 높은 순으로 막대그래프로 나타내었으며, t-검정을 통해 두 그룹 간 유의한 차이를 보인 특징에 *로 표시하였다(p < 0.05).
도 5는 도 4에서 분별력이 큰 순으로 7개의 특징에서 특징 수에 따른 평균 정확도이다.(여기서서 *는 p < 0.05인 것을 나타낸다.)
도 5의 수평축은 분별력이 큰 순서의 특징들이며, 도 5의 수직축은 평균 정확도이다
도 5는 유의한 차이를 보이는 7개의 특징들을 분별력이 큰 순으로 조합하면서 15명의 학습군을 대상으로 반복적으로 LOO 교차검증을 한 결과이다. 15명 환자의 특징 수에 따른 정확도의 평균을 점선으로 나타내었다. 최소의 특징 개수로 최적의 성능을 보이는 특징을 선택하기 위해 일원분산분석(one-way ANOVA)과 Scheffe 사후검증(Post-Hot test)을 수행 하였으며, 가장 높은 평균 정확도와 통계적으로 차이가 없는 4개의 특징벡터 SD LEN (MD = 0.84, p < 0.01), P HF (MD = 0.81, p < 0.01), SD AMP (MD = 0.76, p = 0.031), MEAN AMP (MD = 0.75, p = 0.027)가 선택되었다.
표 1은 비강압력 신호를 이용하여 수면호흡장애 환자의 수면과 각성을 분류한 결과이다.
Figure 112016087225218-pat00014
표 1에서, 전체 학습군의 민감도, 특이도, 정확도는 각각 61.0%, 90.1%, 86.6%, 평가군의 경우 각각 60.5%, 89.0%, 84.8%의 성능을 보였다.
본 발명에서는 CPAP에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자에 적용 가능한 수면/각성 분류 방법을 제시하였다. 수면호흡장애 이벤트가 수면 중에만 발생한다는 것에 착안하여 수면호흡장애 이벤트를 고려하였고 수면 상태에 따른 호흡패턴의 차이를 이용하여 수면과 각성을 분류하여 84.8%의 정확도를 보였다
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.
110 : 압력센서 150 : 신호전처리부
190 : A/D 변환부 200 : 컴퓨터
210 : 연산처리부 240 : 디스플레이부
270 : 메모리부

Claims (16)

  1. 비강 캐뉼라에 삽입된 압력센서로부터 검출된 비강압력신호를 연산처리부가 수신하여, 무호흡 이벤트 또는 저호흡 이벤트 또는 코골이 이벤트를 포함하는 수면호흡장애 이벤트를 검출하는, 수면호흡장애 이벤트 검출단계;
    연산처리부는, 수면호흡장애 이벤트 검출단계 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하는, 수면호흡장애 구간 분류단계;
    연산처리부는, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하는, 정상호흡 구간의 특징벡터 추출단계;
    연산처리부는, 정상호흡 구간의 특징벡터 추출단계에서 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 써포트 벡터 머신 분류기의 수면과 각성의 분류단계;
    를 포함하며,
    정상호흡 구간의 특징벡터 추출단계는,
    연산처리부는, 비강압력 신호의 진폭과 주기를 계산하기 위해 51차 중앙값 필터(median filter)를 사용하여 배경 잡음 및 코골이 관련 신호를 제거한 후, 적응 문턱치 알고리즘을 이용하여 호흡의 최대점을 검출하는, 전처리단계;
    연산처리부는, 시간영역의 특징벡터와 주파수영역의 특징 벡터뿐만아니라, 비선형 특징벡터로서, 근사 엔트로피(approximate entropy, ApEn) 와 집중경향값 (central tendency measure, CTM)을 더 검출하는, 특징추출단계;
    를 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  2. 제1항에 있어서,
    연산처리부는, 수면호흡장애 구간 분류단계 후, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이라면, 수면으로 분류하는, 수면호흡장애 구간의 수면분류단계;
    를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  3. 제2항에 있어서,
    시간영역의 특징벡터는, 호흡주기의 평균(MEANLEN), 호흡주기의 표준편차(SDLEN), 호흡진폭의 평균 (MEANAMP), 호흡진폭의 표준편차(SDAMP)를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  4. 제3항에 있어서,
    주파수영역의 특징 벡터는, 초저주파대역의 강도(PVLF), 고주파대역의 강도(PHF), 저주파수대 고주파수의 대역 강도비(PLF/ PHF ratio), 전체 강도(PTF) 를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  5. 삭제
  6. 제4항에 있어서,
    전처리단계에서 문턱치 초기값은,
    Figure 112018027021544-pat00015

    (단, THinit는 문턱치 초기값이며, XNP는 필터링된 비강압력 신호이며, fs는 샘플링 주파수이고, n은 문턱치를 갱신하는 회차임)
    에 의해 구하여지는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  7. 제6항에 있어서,
    전처리단계에서 문턱치는
    Figure 112016087225218-pat00016

    (단, THn은 n번째 갱신된 문턱치이며, THn -1은 n-1번째 갱신된 문턱치이며, nMAXi-1는 최대점의 값임)
    에 의해 구하여지는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  8. 제4항에 있어서,
    호흡주기의 평균(MEANLEN)은 비강압력 신호의 한 구간에서 호흡주기의 평균이며, 호흡주기의 표준편차(SDLEN)는 한 구간에서 호흡주기의 표준편차를 이며, 호흡진폭의 평균 (MEANAMP)는 한 구간에서 호흡진폭의 평균을 이며, 호흡진폭의 표준편차 (SDAMP)는 한 구간에서 호흡진폭의 표준편차를 인 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  9. 제4항에 있어서,
    연산처리부는 주파수영역의 특징벡터를 추출하기 위해 비강압력 신호를 고속 푸리에 변환(FFT)을 수행하고, 고속 푸리에 변환(FFT) 결과에 제곱을 취해 전력 스펙트럼 밀도를 계산하되,
    초저주파대역의 강도는 0.01~0.05 Hz의 주파수 대역의 전력 스펙트럼 밀도이고, 저주파대역의 강도는 0.05~0.15 Hz의 주파수 대역의 전력 스펙트럼 밀도이고, 고주파대역의 강도(PHF)는 0.15~0.5 Hz의 주파수 대역의 전력 스펙트럼 밀도인 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  10. 제9항에 있어서,
    전체 강도(PTF) 는 초저주파대역의 강도, 저주파대역의 강도, 고주파대역의 강도를 합한 것인 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
  11. 제1항 내지 제4항, 제6항 내지 제10항 중 어느 한 항의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법을 컴퓨터로 구현하기 위한 프로그램이 기록된, 컴퓨터로 판독가능한 기록매체.
  12. 비강 캐뉼라에 삽입된 압력센서를 포함하여 이루어지며, 상기 압력센서로부터 비강압력신호를 검출하는 비강압력신호 검출수단;
    비강압력신호 검출수단으로부터 비강압력신호를 수신하여, 무호흡 이벤트, 저호흡 이벤트를 포함하는 수면호흡장애 이벤트를 검출한 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하고, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로 분류하며, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하고, 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 연산처리부;
    를 포함하며,
    연산처리부는, 정상호흡 구간의 시간영역과 주파수영역의 특징벡터 추출시에, 비강압력 신호의 진폭과 주기를 계산하기 위해 51차 중앙값 필터(median filter)를 사용하여 배경 잡음 및 코골이 관련 신호를 제거한 후, 적응 문턱치 알고리즘을 이용하여 호흡의 최대점을 검출하고, 시간영역의 특징벡터와 주파수영역의 특징 벡터뿐만아니라, 비선형 특징벡터로서, 근사 엔트로피(approximate entropy, ApEn) 와 집중경향값 (central tendency measure, CTM)을 더 검출하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치.
  13. 제12항에 있어서,
    상기 연산처리부는, 수면호흡장애 구간 분류단계 후, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이라면, 수면으로 분류하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치.
  14. 제13항에 있어서,
    시간영역의 특징벡터는, 호흡주기의 평균(MEANLEN), 호흡주기의 표준편차(SDLEN), 호흡진폭의 평균 (MEANAMP), 호흡진폭의 표준편차(SDAMP)를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치.
  15. 제14항에 있어서,
    주파수영역의 특징 벡터는, 초저주파대역의 강도(PVLF), 고주파대역의 강도(PHF), 저주파수대 고주파수의 대역 강도비(PLF/ PHF ratio), 전체 강도(PTF) 를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치.
  16. 제1항에 있어서,
    집중경향값 (CTM)은
    Figure 112018033825914-pat00017

    (단, x(i)는 i번째 수면호흡장애 이벤트 데이터를 나타내며, ρ는 선택된 원형영역의 반경을 나타냄.)
    에 의해 구하여지는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
KR1020160114896A 2016-07-29 2016-09-07 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법 KR101868888B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20160097432 2016-07-29
KR1020160097432 2016-07-29

Publications (2)

Publication Number Publication Date
KR20180014417A KR20180014417A (ko) 2018-02-08
KR101868888B1 true KR101868888B1 (ko) 2018-06-26

Family

ID=61232486

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160114896A KR101868888B1 (ko) 2016-07-29 2016-09-07 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101868888B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11419542B2 (en) 2018-09-21 2022-08-23 Tata Consultancy Services Limited System and method for non-apnea sleep arousal detection
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

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102180800B1 (ko) * 2019-04-03 2020-11-19 경북대학교 산학협력단 차량의 주행상태 판단장치 및 그 판단방법
CN110427817B (zh) * 2019-06-25 2021-09-07 浙江大学 一种基于空泡图像定位与声纹理分析的水翼空化特征提取方法
CN113413135B (zh) * 2021-05-12 2024-03-29 广东省科学院健康医学研究所 一种基于脉搏采集分析的方法、系统、装置及存储介质
CN113610007B (zh) * 2021-08-09 2024-04-16 重庆医科大学 一种鼻腔取样物检测装置
KR102429256B1 (ko) * 2021-12-31 2022-08-04 주식회사 에이슬립 음향 정보를 통해 사용자의 수면 상태를 분석하기 위한 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
CN114699040A (zh) * 2022-02-21 2022-07-05 华南师范大学 基于生理信号的醒睡检测方法、装置、设备以及存储介质
WO2024096419A1 (ko) * 2022-11-01 2024-05-10 주식회사 에이슬립 사용자의 수면에 관한 정보 또는 평가를 나타내는 그래픽 사용자 인터페이스 제공 방법
CN116842445B (zh) * 2023-07-03 2024-06-11 山东科技大学 基于多模态时空谱融合的觉醒自动识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100493714B1 (ko) 2004-11-26 2005-06-02 주식회사 메디코아 자율신경 검사장치
JP2014008159A (ja) * 2012-06-28 2014-01-20 Fukuda Denshi Co Ltd 生体信号解析装置およびその制御方法
JP2016508382A (ja) 2013-01-16 2016-03-22 ヴァイタル コネクト, インコーポレイテッドVital Connect, Inc. 呼吸信号を用いた睡眠時無呼吸の検出
KR101601895B1 (ko) * 2014-08-29 2016-03-22 연세대학교 원주산학협력단 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102172328B (zh) * 2004-12-23 2014-11-12 瑞思迈有限公司 从呼吸信号中检测和区别呼吸模式的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100493714B1 (ko) 2004-11-26 2005-06-02 주식회사 메디코아 자율신경 검사장치
JP2014008159A (ja) * 2012-06-28 2014-01-20 Fukuda Denshi Co Ltd 生体信号解析装置およびその制御方法
JP2016508382A (ja) 2013-01-16 2016-03-22 ヴァイタル コネクト, インコーポレイテッドVital Connect, Inc. 呼吸信号を用いた睡眠時無呼吸の検出
KR101601895B1 (ko) * 2014-08-29 2016-03-22 연세대학교 원주산학협력단 산소포화도와 광용적맥파를 이용하여 수면 상태와 중증 정도를 반영한 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11419542B2 (en) 2018-09-21 2022-08-23 Tata Consultancy Services Limited System and method for non-apnea sleep arousal detection
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

Also Published As

Publication number Publication date
KR20180014417A (ko) 2018-02-08

Similar Documents

Publication Publication Date Title
KR101868888B1 (ko) 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법
US11896388B2 (en) Method for detecting and discriminating breathing patterns from respiratory signals
Almazaydeh et al. Obstructive sleep apnea detection using SVM-based classification of ECG signal features
EP1562472B1 (en) Method, apparatus and system for characterizing sleep
US11712198B2 (en) Estimation of sleep quality parameters from whole night audio analysis
Kurihara et al. Sleep-stage decision algorithm by using heartbeat and body-movement signals
US20040230105A1 (en) Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals
Devot et al. Sleep/wake detection based on cardiorespiratory signals and actigraphy
Rahman et al. Severity classification of obstructive sleep apnea using only heart rate variability measures with an ensemble classifier
Wang et al. The Respiratory Fluctuation Index: A global metric of nasal airflow or thoracoabdominal wall movement time series to diagnose obstructive sleep apnea
Hwang et al. Unconstrained sleep stage estimation based on respiratory dynamics and body movement
Espiritu et al. Automated detection of sleep disorder-related events from polysomnographic data
Shahrbabaki et al. Automatic detection of sleep arousal events from polysomnographic biosignals
Ye et al. Automatic sleep and wake classifier with heart rate and pulse oximetry: derived dynamic time warping features and logistic model
Shahrbabaki et al. Pulse transit time and heart rate variability in sleep staging
Widasari et al. Automatic sleep quality assessment for obstructive sleep apnea patients based on HRV spectrum analysis
Sadr et al. Sleep apnoea diagnosis using respiratory effort-based signals-a comparative study
Marcos et al. A classification algorithm based on spectral features from nocturnal oximetry and support vector machines to assist in the diagnosis of obstructive sleep apnea
Moradhasel et al. Chin electromyogram, an effectual and useful biosignal for the diagnosis of obstructive sleep apnea
Carmes et al. Novel method for detection of sleep apnoea using respiration signals
WO2023176948A1 (ja) 無呼吸低呼吸指標推定装置、方法およびプログラム
Maritsa et al. Apnea and Sleeping-state Recognition by Combination Use of Open-air/Contact Microphones
Lazić et al. Automatic detection of respiratory effort related arousals from polysomnographic recordings
Siam et al. Bioradiolocation-Based Multi-Class Sleep Stage Classification Using Time and Frequency Features with Random Forest Classifier
Azam et al. Sleep Apnea Detection using Cardioid Based Graph

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant