KR20100045521A - 심전도 유도 무호흡/저호흡 지수 - Google Patents

Abstract

본 발명은 ECG 신호 데이터만으로부터 무호흡 또는 저호흡의 발생을 결정하는 방법 및 장치를 제공한다. 본 방법은 수면중인 환자로부터 ECG 신호들을 획득하고, 상기 신호들을 데이터로 변환하고, 그리고 무호흡과 저호흡의 특징인 호흡 사건들을 결정하기 위해 호흡 노력을 추정하는 것과 관련된 ECG 특징들을 추출하도록 구성된 장치에 의해 수행된다. 추출된 ECG 특징들은 호흡 노력들의 상관자들이고 호흡 사건들의 측정 대용으로 사용된다. 본 방법은 AHI 또는 무호흡/저호흡 지수를 계산하는 것을 포함할 수 있다. 본 방법은 무호흡을 폐쇄성 또는 중추성 무호흡으로 분류할 수 있다.

Description

심전도 유도 무호흡/저호흡 지수{Electrocardiogram Derived Apnoea/Hypopnea Index}

본 발명은 환자로부터, 상세하게는 수면 호흡 장애, 더 상세하게는 수면 무호흡, 한층 더 상세하게는 폐쇄성 수면 무호흡 또는 중추성 수면 무호흡을 가지고 있는 환자로부터 심전도 데이타를 획득 및 분석하기 위한 방법 및 장치에 관한 것이다.

폐쇄성 수면 무호흡(obstructive sleep apnoea)(OSA) 및/또는 중추성 수면 무호흡(CSA)을 포함하여, 호흡이 정지되는 수면 무호흡(sleep apnoea)(SA)은 상당한 비율의 사람들에 영향을 미친다. OSA의 영향은 기도가 막혀 공기가 통과하지 못할 때 느껴진다. CSA의 영향은 환자가 중추 신경계와 연관된 원인들에 기인해 공기를 들이쉬고 내쉬지 못할 때 느껴진다. OSA 및 CSA 양자 모두 불충분한 수면과 더나아가 의학적인 문제들에 이를 수 있다.

현재 OSA 및 CSA 양자 모두 수면 검사실에서 환자가 다양한 생리학적 파라미터들을 측정하기 위해 몸에 많은 전극을 부착한 채로 수면하는 밤새의 다원수면 (PSG) 검사(polysomnographic (PSG) studies)에 의해 진단된다. 그러한 PSG 검사는 환자가 진료소에서 밤새 수면해야하기 때문에 받는데 비용이 많이 든다.

SA의 발생 및 유형을 측정하기 위한 장치 및 방법들을 개발하기 위한 몇몇 접근법들이 이루어져 왔다. SA를 진단하기 위한 표준 PSG 규칙은 개별 호흡 사건들(individual respiratory events)의 실제 시작 시간, 지속 시간 및 범주의 탐지를 필요로 한다. 그 다음 이 정보는 무호흡-저호흡 지수(AHI)를 생성시켜 수면 무호흡의 존재 및 중증도(severity)를 평가하는데 사용된다[1]. 현재 가장 성공적인 것으로 보고된 방법은 환자가 수면 무호흡을 가지고 있을 경우(AHI 값의 신뢰 추정치 없이) 또는 어느 정해진 순간 동안에 수면 무호흡 사건이 있을 경우 탐지가 가능하다[2-5]. 예를 들면, US 5,769,084는 SA의 존재를 결정하는데, 심전도(ECG)를 측정하는 것을 포함하여, 여러 수면 파라미터들의 무질서 처리(chaotic processing)를 사용한 방법을 교시한다. 하지만, 상기 방법은 OSA와 CSA를 구별하는데까지 미치지 못한다. 환자의 몸위 다른 평면상에 위치된 센서들로부터 SA를 측정하는 방법은 US 6,415,174에 교시되어 있다. 이 문헌은 CSA와 OSA를 구별할 수 있는 방법을 교시하지 않는다. 본 명세서에 참조에 의해 포함된, WO 2005/067790에서, 부르톤(Burton)은 ECG 트레이스(ECG trace)를 사용하여 SA의 사례들을 확인하고 SA를 OSA 또는 CSA 어느 하나로 분류하는 것이 가능했다고 나타내었다. 하지만, CSA 신호는 배경 잡음(background noise)에 비해 작다. 즉, 신호-대-잡음 비(signal-to-noise ratio)가 작다.

심장병 환자들사이에 OSA와 CSA가 크게 만연하고 있기 때문에 ECG 데이터를 사용하여 AHI를 결정하는 것이 PSG 데이터를 사용하는 것보다 훨씬 더 매력적인 선택이다. PSG 검사 보다 더 간단한 장치를 사용하여 수면 무호흡과 그의 형태를 측정하는 보다 편리하고 신뢰가능한 방법이 요구된다. 그 방법은 개별 호흡 사건을 탐지하고 분류할 수 있어야 한다. 바람직하게는, 그러한 방법은 가정에서 수행될 것이다[6-8].

본 발명은 ECG-유도 파라미터들이 호흡 사건들(respiratory events)과 관련되어 있고 ECG-유도 파라미터들이 특히 수면중 환자의 호흡 사건들을 확인하는데 사용될 수 있다는 놀라운 발견을 이용한다. 확인된 호흡 사건들을 사용하여 호흡 노력(respiratory effort)을 결정할 수 있다. 호흡 노력의 결정은 무호흡/저호흡 지수를 계산하는데 사용될 수 있다. ECG-유도 데이터는 또한 OSA와 CSA를 구별하는데 사용될 수 있다. 본 발명의 목적은 ECG 신호 데이터를 사용하여 호흡기 사건들을 확인하는 방법을 제공하는 것이다. 본 발명의 다른 목적은 ECG 신호 데이터를 사용하여 호흡 노력을 결정하는 방법을 제공하는 것이다. 본 발명의 또 다른 목적은 ECG 신호 데이터로부터 무호흡/저호흡 지수를 계산하는 방법을 제공하는 것이다.

일 측면으로, 본 발명은, ECG 신호 데이터를 획득하는 단계; 상기 ECG 신호 데이터로부터 파형 모르포로지 데이터(waveform morphology data)를 추출하는 단계; 및 상기 파형 모르포로지 데이터로부터 호흡 노력을 추정하는 단계를 포함하는 ECG 신호로부터 호흡 사건을 결정하는 방법을 제공한다. 본 방법은 호흡 노력의 피크를 교차 검증하는 단계를 포함할 수 있다. 본 방법은 상기 호흡 노력으로부터 호흡 패턴을 특성화하는 단계와 관찰 동안 호흡 사건을 탐지하는 단계를 포함할 수 있다. 본 방법은 호흡 사건을 무호흡 또는 저호흡 중 하나로 분류하는 단계를 포함할 수 있다. 본 방법은 호흡 사건을 폐쇄성 무호흡 또는 중추성 무호흡 중 하나로 분류하는 단계를 포함할 수 있다. 본 방법은 무호흡/저호흡 지수를 계산하는 단계를 포함할 수 있다. 파형 데이터는 ECG-유도 호흡 신호, 심 박수, 또는 R-신호의 면적 또는 진폭 또는 주기를 포함하는 ECG-유도 생리학적 예측변수들 중 어느 하나 또는 이들의 조합으로 변환될 수 있다. 바람직하게는 본 방법은 수면 상태의 환자에 행해진다.

다른 측면으로, 본 발명은 ECG 센서로부터 생체신호를 획득하는 단계; 상기 생체신호를 컴퓨터 파일의 데이터로 저장하는 단계; 상기 생체신호로부터 심박수와 파형 모르포로지 데이터를 추출하는 단계; 추출된 심박수와 ECG 파형 모르포로지 데이터로부터 생리학적 예측변수들을 유도하는 단계; 및 상기 유도된 생리학적 예측 변수들로부터 호흡 사건들의 시작과 종료를 결정하는 단계를 포함하는 수면 호흡 장애를 분석하는 방법을 제공한다. 본 방법은 시간당 10초 보다 긴 호흡 사건들의 평균 수로부터 무호흡/저호흡 지수를 계산하는 단계를 포함할 수 있다. 본 방법은 무호흡/저호흡 지수를 표시하는 단계를 포함할 수 있다.

또 다른 측면으로, 본 발명은 환자로부터 적어도 두개의 직교 신호들을 획득하기 위한 적어도 두개의 ECG 리드들(leads); 상기 신호들을 디지털 데이터로 변환하기 위한 수단; 및 디지털 ECG 데이터로부터 파형을 추출하고 호흡 사건 및 호흡 노력을 결정하도록 프로그램이 짜여지는 마이크로프로세서를 포함하는 ECG 신호로부터 호흡 노력을 결정하기 위한 장치를 제공한다. 본 장치는 무호흡/저호흡 지수를 계산하도록 프로그램이 짜여지는 마이크로프로세서를 더 포함할 수 있다.

도 1은 ECG 데이터 복합파로부터 저호흡/무호흡 지수를 계산하기 위한 단계들의 플로우 차트 개요를 나타낸다.
도 2는 ECG 데이터 복합파로부터 저호흡/무호흡 지수를 계산하기 위한 상세한 단계들의 플로우 차트를 나타낸다.
도 3은 라벨을 붙인 그래프의 각 섹션과 전형적인 ECG 리드 I 복합파의 출력의 그래프를 나타낸다.
도 4는 수면 중 규칙적, 고른 호흡을 나타내는 환자의 QRS 면적, R-진폭, 및 호흡 유량의 시간 대비 ECG 신호의 도면을 나타낸다.
도 5는 호흡 사건을 나타내는 환자의 QRS 면적, R-진폭, 및 호흡 유량의 시간 대비 ECG 신호의 도면을 나타낸다.
도 6은 수면중 호흡 사건 시 ECG 신호에서 QRS 복합파 수 대비 R-파의 mV 값의 그래프를 나타낸다.
도 7은 수면중 일련의 호흡 사건에 대한 ECG 신호에서 QRS 복합파 수 대비 시간 대비 호흡 유량 및 R-R 간격의 mV값의 그래프를 나타낸다.
도 8은 수면중 무호흡과 정상 호흡의 주기 동안의 QRS 면적, ECG 신호에서의 R-진폭, 및 유량에 대한 시간 대비 신호의 그래프를 나타낸다.
도 9는 호흡 사건 동안 ECG 신호에서 QRS 복합파 수 대비 R-파의 진폭의 그래프를 나타낸다.
도 10은 호흡 사건 동안 ECG 신호에서 QRS 복합파 수 대비 QRS 영역의 면적의 그래프를 나타낸다.
도 11은 호흡 사건에 대한 ECG 신호에서 QRS 복합파 수 대비 R-R 간격의 그래프를 나타낸다.
도 12는 ECG 신호에서 호흡 사건 동안의 QRS 복합파 수 대비 QRS 면적의 그래프를 나타낸다.
도 13a는 제1 ECG 리드에서 호흡 사건 동안의 R-파를 나타내는 출력 신호를 나타낸다.
도 13b는 도 12a에 나타낸 호흡 사건 동안의 제2 ECG 리드로부터의 R-파를 나타내는 출력 신호를 나타낸다.
도 14는 호흡 사건 동안 ECG 신호의 QRS 수 대비 R-R 간격의 그래프를 나타낸다.
도 15는 호흡 사건 동안 ECG 신호에서 QRS 복합파 수 대비 EDR 신호의 도면을 나타낸다.
도 16은 호흡 사건 동안 ECG 신호에서 QRS 복합파 수 대비 R-파의 진폭의 그래프를 나타낸다.
도 17a는 OSA 사건에 대해 시간에 따른 ECG 신호에서 QRS 면적 및 R-파 진폭의 그래프를 나타낸다.
도 17b는 CSA 사건에 대해 시간에 따른 ECG신호에서 QRS 면적 및 R-파 진폭의 그래프를 나타낸다.

본 발명은 환자로부터 획득된 ECG 신호 데이터로부터 무호흡/저호흡 지수를 결정하기 위한 새로운 방법을 제공한다. 유리하게도 본 발명의 방법은 수면중 획득된 ECG신호의 변화를 이용하여 수면 기간 동안의 무호흡/저호흡 지수를 계산한다.

서로 다른 ECG 리드들은 신체의 서로 다른 영역들을 가로질러 전위(electro-potentials)의 차이를 측정한다. 호흡은 전극사이의 임피던스에 영향을 미치고 이에 따라 전위와 이들 사이의 차이에 영향을 미친다. 가슴과 복부의 운동은 호흡 사건 동안 변하고 이에 따라 전극들 사이의 임피던스가 호흡 노력으로 얼마나 달라지는지를 변화시킨다. 이는 관찰될 수 있는 ECG 유도 신호들 사이의 위상 변화(phase change)에 귀착된다.

본 방법은 호흡 사건들에 대한 표지(marker)로 위상 변화를 이용한다. 유리하게도 본 방법은 호흡 사건 후의 짧은 기간을 이용하고 자극 동안 교감신경계 활성(sympathetic activity)의 증가가 수반되는, 심박수, 최대 혈압 및 최소 혈압의 증가가 단기적으로 존재한다. 보통 무호흡 사건은 자극의 표지가 무호흡 종결의 표지로 사용될 수 있게하는 자극으로 종결된다. 돌발적인 심박수 증가는 ECG로부터 용이하게 감지가능하다. 아래에 설명된 R-R 간격의 갑작스런 강하는 호흡 사건의 종료에 대한 표지로 사용된다.

종종 수면 무호흡은 성질상 주기적이고 이로 인해 대부분의 추출된 ECG 신호들은 또한 도 8에서 호기의 유량(2)의 가장 낮은 트레이스(trace)에 구체적으로 나타낸 주기 패턴도 역시 나타낼 수 있다. 또한 QRS 면적 및 R 파 진폭이 동일한 주파수의 주기적인 패턴을 갖는 것이 관찰될 수 있다. ( ECG 신호들의 파라미터들은 도 3에 트레이스 (1)로 나타나 있다.) 호흡 신호가 보다 장기의 주기적인 패턴을 나타냄에 따라, 수반하는 추출된 ECG 신호 역시 동일 주파수의 주기적인 패턴을 나타내며, 이는 본 발명의 방법에서 호흡 신호의 추정 대용(surrogate estimated)으로 사용될 수 있다. 디지털 필터링(digital filtering)을 사용하는 평활화 기법(smoothing techniques) 및 푸리에 분석 기법(Fourier analysis techniques)이 본 방법에서 이들 패턴을 인식하는데 사용된다. 이들 주기 패턴을 포함하도록 구하여 얻어진 포락선들(envelopes)은 본 명세서에서 설명된 보다 면밀한 검사를 위한 데이터의 영역을 강조하는데 사용된다.

본 방법은 ECG 신호 데이터로 측정가능한 특성을 갖는 호흡 사건의 시작과 종료를 확인한다. 가장 편리하게, ECG 신호 데이터는 환자가 수면하고 있는 동안 환자에 인접한 센서들에 의해 획득된다. 데이터는 수집되고 컴퓨터 파일로 저장되어 마이크로프로세서와 컴퓨터 프로그램의 조작(manipulation)에 의해 호흡 사건을 확인하거나, 호흡 노력을 결정하거나 또는 무호흡/저호흡 지수를 계산한다.

표 1은 ECG 신호 데이터에서 측정가능한 몇몇 파라미터들에 대한 정의와 본 명세서에 사용된 이들의 두문자를 제공한다. 파라미터들은 ECG 신호를 획득하고 분석하는 분야에서 통상의 지식을 가진 자에게 잘 알려져 있다. 본 방법은 표 1의 파라미터들에 한정되는 것이 아니라 호흡 노력과 연관성을 갖는 ECG-유도 신호를 포함할 수 있다.

본 발명의 방법의 단계들의 개요는 도 1의 플로우-차트에 제시되어 있다. 본 방법을 더 상술하는 보다 상세한 플로우-차트는 도 2에 나타나 있다. 전형적인 ECG 트레이스(1)는 도 3에 시간 대비 획득된 신호 크기의 도면으로 나타나 있다. 본 방법의 모든 계산들은 마이크로프로세서를 사용하여 수행된다. 도 1을 참조하면, 제 1단계로, ECG 신호는 ECG 홀터(holter) 등의 표준 ECG 모니터링 설비를 사용하여 환자로부터 기록된다. 디지털 ECG 신호를 기록할 수 있는 임의의 알맞은 설비가 사용될 수 있다. 획득된 데이터는 분석을 위해 컴퓨터 매체상의 디지털 파일로 편리하게 저장된다. 데이터는 공지의 기법을 사용하여 ECG 데이터에 대한 관련 대역폭(bandwidth)에 따라 필터링될 수 있다.

시간에 대한 ECG 신호(1)는 도 3에 나타낸, 세그먼트들을 통합한 특징적인 파-형 모르포로지를 갖고, 이는 본 방법의 제2 단계에서 확인된다. 특히, 지점 Q에서 시작하고, R에서 최대치에 이르고, 그리고 S에서 최소치에 이르는 피크는 “QRS” 복합파로 잘 알려져 있다. 본 방법에서 사용되고 도면에 나타나 있는 추가의 파라미터들은 각각의 ECG 복합파의 T 파의 그래프 아래의 진폭 및 면적, R에서의 신호 진폭, 연속적인 R파들 사이의 시간 주기 및 QRS 세그먼트의 그래프 아래 면적이다. 도 3에 나타낸 R 파 피크들 사이의 시간이 R-R 간격(RRI)으로서 알려질 때 심박수가 측정된다.

ECG-유도 신호들을 사용하여 제3 단계에서 호흡 사건들의 다수의 ECG-유도 상관자들(a number ECG-derived correlates)을 생성한다. 이들 상관자들을 사용하여 무호흡 또는 저호흡 사건들을 포함하여, 호흡 사건들(respiratory 또는 breathing events)의 기간 동안 ECG에서 일어나는 변화를 확인한다. 본 방법에서 사용될 수 있는 상관자들 각각은 본 명세서에 기재되어 있다. 본 발명의 범위는 호흡 사건들과 상관되는 임의의 ECG-유도 파라미터의 사용을 포함한다. 그 다음 확인된 ECG 파라미터들은 정상 또는 비정상 심장 기능을 나타내는 것으로 분류된다. 이 분석은 선형 근사법을 사용하여 ECG 복합파의 다양한 영역들을 확인한다. 하지만, 기타의 관련 분석들이 사용될 수 있다. 제2 단계에서 확인된 ECG 파라미터들에 대한 변화를 검사하여 분류를 수행한다.

파라미터를 정상 또는 비정상으로 분류하는 것은 공지의 상관관계(correlation)를 사용한다. 심박수의 분류를 위해, 본 방법은 다음의 상관관계를 포함한다. 호흡 동성 부정맥(Respiratory sinus arrhythmia, RSA)은, 포유류에서, ECG의 심박수(HR) 또는 R-R 간격(RRI)에서 관찰되는 자연적으로 일어나는 율동(naturally occurring rhythm)이다. 이 율동은 호흡기계와 심혈관계의 상호작용의 직접적인 결과이다. RSA는 호흡률(respiratory rate)과 비슷한 RRI에서 최대치들(maxima)과 최소치들(minima)를 나타내는 주기적인 신호에 의해 특징지어진다. 전형적으로 HR은 흡기에 의해 증가하고 호기에 의해 감소한다. RSA 신호에 대한 변화는 본 방법에서 생리학적 예측변수로 사용될 수 있다.

호흡 사건후에 RRI가 감소한다는 것은 잘 알려져 있다. 이는 자극 동안 교감신경계 활성의 증가와 관련있다. 자극 동안 교감신경계 활성의 증가가 수반되는 심박수, 최대 혈압, 그리고 최소 혈압의 증가가 단기적으로 존재한다. 또한 교감신경계 활성의 증가에 의해 심박수 변동성이 감소된다. 이러한 RRI의 감소는 본 방법에서 생리학적 예측변수로 사용될 수 있다.

변화하는 흉강내 임피던스(changing intrathoracic impedance)와 상관관계가 있는 전극들에 대한 심장의 운동에 기인한 호흡의 변화에 따라 호흡이 정상인지 아닌지를 분류하는데 ECG 파형의 모르포로지를 사용된다. 호흡에 의해 야기되는, 전극들에 대한 심장의 회전은 R파의 진폭 및 R파의 면적(이는 도 3에 나타낸 전체 QRS 세그먼트의 면적을 포함한다) 양쪽 모두의 진동에서 분명하다. 사건 동안 호흡이 감소되거나 완전히 멈출 때, 신호의 피크 대 피크 진동의 감소가 예상된다. 진폭 및 면적의 변화는 본 방법에서 생리학적 예측변수로 사용될 수 있다.

심장의 정위(orientation)의 갑작스런 시프트(shift)는 R 파의 진폭의 갑작스런 변화를 야기할 것이다. ECG 리드들이 직교하면, 시프트는 반대 방향이 된다. ECG 리드들에서 R 파의 진폭의 반대 변화는 본 방법에서 물리적 예측변수(physical predictor)로 사용될 수 있다.

R 또는 T 파의 진폭의 점진적인 증가는 물리적 예측변수로 사용될 수 있다. ECG 신호에서 R 파의 증가의 예는 도 16에 나타나 있다.

제4 단계에서, 각각의 ECG 복합파에 대한 생리학적 예측변수의 변화를 검사하여 본 방법은 각각의 ECG 복합파들이 호흡 사건의 시작시 일어나는지를 결정한다. 그 다음 각각의 호흡 사건의 시작과 종료가 본 방법의 제4 단계에서 결정된다. 도 2는 데이터 파일로 저장된 연속적인 ECG 복합파들로부터 무호흡/저호흡 지수를 계산하는 방법의 단계들을 나타낸다.

제5 단계에서, 탐지된 호흡 사건들의 수와 그들의 지속시간을 사용하여 무호흡/저호흡 지수를 계산한다. 무호흡/저호흡 지수는 시간당 10초 보다 긴 호흡 사건들의 평균 수로 계산된다.

유리하게도 본 방법은 ECG 신호 데이터만을 사용하여 호흡 패턴을 특성화한다. ECG 유도 호흡 노력 및 추출된 ECG 신호들을 검사하여, 호흡 사건들과 관련된 호흡 패턴들의 변화를 포함하는 데이터의 영역들이 확인된다. 조사하여 가능한 호흡 사건들의 확인을 도울 수 있는 많은 변화들이 본 발명에 설명되어 있다.

도 5는 폐쇄성 수면 무호흡 사건에 대해 측정된 공기흐름(2) 뿐만 아니라 ECG 신호 파라미터, QRS 면적 및 R-진폭의 그래프를 나타낸다. 사건 전 및 후와 비교하여 사건 동안 호흡 크기가 감소될 것으로 예상되고, 이는 도 5에 분명히 나타나 있다. 호흡 사건들을 검사하고 호흡 노력이 감소되는 영역을 밝혀내어서 가능한 호흡 사건들을 확인하다. 본 방법은 호흡률의 변화를 확인하여 가능한 호흡 사건들, 즉 사건의 개시, 사건 동안 및 자극 중에 일어나는 호흡률의 변화를 표시하는 것을 돕는다. 본 방법은 QRS 면적과 R 파 진폭의 급격한 변화가 호흡 사건들의 시작과 종료시에 일어나는 것을 이용할 수 있다. 심장의 정위의 갑작스런 시프트는 R 파의 진폭의 갑작스런 변화를 야기할 것이다. ECG-유도 신호들의 갑작스런 시프트를 이용하여 호흡 사건들의 가능한 시작과 종료를 표시한다. 이는 도 6에 나타나 있고, 본 도에서 호흡 사건 동안 일어나는 갑작스런 시프트가 이 R 파 진폭 신호의 세그먼트에 분명히 나타나 있다. A와 B지점의 라인들은 호흡 사건의 시작과 종료를 각각 나타낸다. 도 7은 RRI 신호의 급강하가 흐름에서 명백히 나타나 있는, 각각의 폐쇄성 무호흡 사건후에 관찰될 수 있다는 것을 나타낸다.

본 방법은 호흡 사건의 ECG-유도 측정들로부터 호흡 패턴들을 결정하는 것을 포함한다. 이는 도 5에 나타낸 호흡 노력의 크기의 감소 패턴들 또는 도 7에 나타낸 호흡률의 갑작스런 변화 패턴들 또는 도 6에 나타낸 호흡 노력 표지들의 기초 레벨의 갑작스런 변화 패턴들을 포함할 수 있다. 본 방법은 호흡 노력의 복수의 측정들 사이의 위상 관계의 변화 패턴들, 호흡들의 시퀀스(sequence)의 과정에 대한 호흡 노력 추정치(들)의 크기의 일관된 변화 패턴들, 또는 도 8에 나타낸 호흡 노력 추정치(들)의 포락선의 주기적 패턴을 사용할 수 있다.

보다 상세하게는, 도 2를 참조하면 미가공 ECG 데이터가 환자로부터 2-리드(또는 보다 많은) ECG 레코딩에 의해 얻어진다. 이는 직교하는 적어도 두개의 ECG 리드들을 사용해야 한다. AHI의 계산은 저장된 ECG 신호 데이터에 접근하고 분석하고(도 2 박스 1), 필요할 경우 관련 대역폭에 대해 필터링하도록(도 2 박스 2) 프로그램이 짜여지는 마이크로프로세서에 의해 개시된다. 대량의 획득된 신호 데이터와 요구되는 변환들이 이 기술분야에서 요구되는 것으로 알려진 처리 속도와 파워를 가지며, 또한 본 발명에 기재된 방법에 따라 신호들과 데이타를 획득, 저장 및 조작하도록 프로그램이 짜여진 마이크로프로세서에 의해 수행된다는 것이 이해될 것이다.

저장된 데이터의 분석은 전통적인 홀터 분석 프로그램(conventional Holter analysis programs)을 사용한 검사에 의해 개시되고 ECG의 QRS 파, P 파 및 T 파 세그먼트들이 확인된다(도 2 박스 3). 그 다음 심장 박동의 각 세그먼트는 정상(normal), 심실성(ventricular), 동맥성(arterial), 또는 인공(artefact)으로 분류된다. 수집된 데이터의 예는 도 4에 그래프로 나타내었고, 이는 정상적으로 호흡하는 수면중인 환자로부터 추출된 ECG 특징들의 표현을 나타낸다. 도 4의 시간 대비 표시 신호는 이 기술 분야에 알려진 ECG 리드 구성 중 리드 I로부터 획득된 것이다. 확인된 파들의 특성들을 검사하여 ECG 유도 신호들이 소프트웨어에 의해 생성된다. 생성된 ECG 유도 신호들은; R 파 진폭, QRS 면적, R-R 간격(RRI), T 파 진폭, 및 T 파 면적이다. 측정된 호흡 공기 흐름 뿐만 아니라 첫번째 두개의 신호들이 도 4에 나타나 있다. 소프트웨어 프로그램은 다음을 포함하는 ECG 신호(들)(도 2 박스 4)의 형태학의 특징들을 추출한다: ECG 신호(들)의 형태학의 분석에 의해 P-파, QRS 복합파 및 T-파에 대한 시작 시간, 종료 시간 및 피크 시간. 이는 QRS 복합파들을 정상, 심실성, 상심실성(supraventricular) 또는 인공으로 부정맥 분류 규칙에 의해 분류하는 것을 포함한다. R-R 간격, R-파 진폭, QRS 복합파 면적, T-파 진폭 및 T-파 면적을 포함하는 ECG 신호(들)의 정량적 파라미터들을 생성한다(도 2 박스 5-9).

대부분의 ECG 유도 신호들은 호흡에 의해 일어나는 진동 패턴과 비슷한 진동 패턴을 나타낸다(도 4). 호흡에 의해 진동하는 QRS 면적 및 R 파 진폭으로부터 호흡 노력이 추정된다(도 2 박스 10-11). 호흡 신호, 또는 ECG-유도 호흡 신호(EDR)이 직교하는 ECG 리드들로부터 QRS 세그먼트의 면적들의 비로부터 계산될 수 있다(도 2 박스 26).

(호기에서 흡기로 또는 그 역으로 변화하는)호흡 방향의 변화와 관련된 국부적인 피크들은 각각의 ECG 유도 신호들에서 확인된다(도 2 박스 10). 이들 피크들은 ECG 유도 신호들 내부의 호흡 피크 후보들에 대한 진동 패턴, 주기의 유사성 및 신호 크기들을 검사하여 확인된다.

일단 이들 피크가 각각의 ECG 유도 신호들에서 확인되면, 신호들 사이에서 이들 피크를 비교한다. 이는 각기 신호에서 호흡 피크들의 교차 검증을 가능하게 한다(도 2 박스 10). 각기 신호에서 피크들 각각을 검사 및 비교하여 호흡 피크들의 단일 세트가 확인된다. 이는 피크들 각각 사이의 주기와 신호들 사이의 피크들의 진폭의 변화를 비교하여 이루어진다(도 2 박스 10). 위에서 언급된 방법들을 사용한 ECG 유도 신호들의 변화와 추정 호흡 노력을 검사하여, 가능한 ECG 사건들의 시작과 종료가 확인된다. 사건의 가능한 시작과 종료의 이들 표지는 한 세트의 호흡 사건 후보들을 생성하는데 사용된다. 호흡 사건들은 조사표(look-up tables)와 인공 신경 망(Artificial neural networks)의 적용을 포함하여 추정 호흡 및 R-R 간격들의 탐지된 패턴들에 대해 미리-정의되거나 조정가능한 규칙들과 비교된다.

본 방법은 다음의 파라미터들을 계산한다. 사건 전과 후의 각각의 값들에 관한 잠재적인 호흡 사건(potential respiratory event)의 과정에 대한 R 파 진폭의 진동의 평균 피크 대 피크 크기의 감소는 도 9에 나타나 있다. 사건 전과 후의 각각의 값들에 관한 잠재적인 호흡 사건의 과정에 대한 QRS 복합파 아래 면적의 진동의 평균 피크 대 피크 크기의 감소는 도 10에 나타나 있다. 사건의 과정에 대한 평균 R-R 간격에 관한 잠재적인 호흡 사건 후의 평균 R-R 간격의 감소는 도 11에 나타나 있다. 사건 전과 후의 각각의 값들에 관한 잠재적인 호흡 사건의 과정에 대한 QRS 복합파 아래 면적의 평균 값의 변화는 도 12에 나타나 있다. 복수의 ECG 신호들의 짝들을 위한 사건 전과 후의 각각의 값들에 관한 잠재적인 호흡 사건의 과정에 대한 R 파 진폭의 평균 값들의 변화 사이의 차이는 도 13에 나타나 있다. 사건 전과 후의 각각의 값들에 관한 잠재적인 호흡 사건의 과정에 대한 R-R 간격의 진동의 평균 피크 대 피크 크기의 감소는 도 14에 나타나 있다. 사건 전과 후의 각각의 값들에 관한 잠재적인 호흡 사건의 과정에 대한 두개의 직교하는 ECG 리드들로부터 탐지된 QRS 복합파 아래 면적들의 비의 평균 피크 대 피크 크기의 감소는 도 15에 나타나 있다. 잠재적인 호흡 사건의 과정에 대한 최소 자승 오차 선형 근사법(least square error linear approximation)을 맞게 하여 R 파 진폭에 대한 선형 경향(linear trend)의 추정은 도 16에 나타나 있다.

호흡 사건 후보들 각각에 대해 호흡 사건들의 ECG 유도 상관자들 각각이 생성된다(도 2 박스 17, 19, 21-27). 이들 상관자들은 호흡 사건 후보들 각각을 확인 또는 거절하는 것 중 어느 한쪽에 사용된다. 호흡 사건들의 ECG 유도 상관자들을 설명하고 예상된 것을 생성하는 호흡 사건 후보들이 받아들여진다.

일단 호흡 피크들이 검증되면, 호흡 피크들은 호흡 노력의 추정치를 생성하는데 사용될 수 있다(도 2 박스 28). 단일 또는 복수의 ECG 신호들에 대한 각각의 채널에 R-파 진폭과 QRS-복합파 면적의 값들의 시퀀스를 삽입하여 호흡 노력이 추정된다. 이들의 삽입된 채널들은 호흡 노력의 근사 표지(approximate markers)의 역할을 한다. 유사한 거리, 신호 변화 및 기울기를 갖는 그러한 표지들 상의 피크들을 확인하여 호흡 노력의 개별 근사 표지로부터 호흡 피크들의 시퀀스가 결정된다. 개별 표지들로부터 결정된 피크 시퀀스들을 매칭함으로써 호흡 피크들의 시퀀스를 미세 조정하여 그릇된 포지티브 호흡 피크들(false positive respiratory peaks)을 제거하고 빠진 호흡 피크들(missing respiratory peaks)을 회복시킨다.

호흡에 의해 야기되는, 전극에 대한 심장의 회전은 R 파의 진폭과 R 파의 면적(이는 전체 QRS 세그먼트의 면적을 포함한다)양쪽 모두의 진동에 분명히 나타나 있다. 사건 동안 호흡이 감소되거나 완전히 정지할 때, 신호의 피크 대 피크 진동의 감소가 예상된다. 도 9 및 도 10에 나타낸 바처럼, R_pp와 AREA_pp 상관자들은 사건 전과 후 R 파 진폭/QRS 면적의 평균 피크 대 피크 진동의 값을 뺀 사건 동안의 R 파 진폭/QRS 면적의 평균 피크 대 피크 진동의 값을 찾아 계산된다. 도 9는 호흡 사건 동안 R 파 진폭에서 진동의 감소가 보여질 수 있음을 나타낸다. A B 라인들 각각은 호흡 사건의 시작과 종료를 표시한다. 도 10은 호흡 사건 동안 QRS 세그먼트의 면적에서 진동의 감소가 보여질 수 있음을 나타낸다. A B 라인들 각각은 호흡 사건의 시작과 종료를 표시한다.

호흡 사건후에 RR-간격의 감소가 있다는 것은 잘 알려져 있다. 이는 자극 동안 교감신경계 활성의 증가와 관련되어 있다. 발작동안 교감신경계 활성의 증가에 의해 수반되는 심박수, 최대 혈압, 및 최소 혈압이 단기적으로 증가한다. 또한 심박변이도는 교감신경계 활성의 증가에 의해 감소된다. 사건 동안의 RRI의 평균 값과 사건 후의 RRI의 평균 값사이의 차이는 본 방법에서 사용될 수 있는 RRI_post 상관자를 계산하는데 사용되었다. 도 11은 호흡 사건 직후에 R-R 간격의 감소가 관찰될 수 있음을 나타낸다. A, B 라인들 각각은 호흡 사건의 시작과 종료를 표시한다.

심장의 정위의 시프트는 QRS 면적과 R 파 진폭의 변화를 야기한다. 사건 동안의 평균 QRS 면적과 사건 전과 후의 평균 QRS 사이의 차이는 AREA 상관자를 계산하는데 사용된다. 도 12는 호흡 사건 동안의 평균 QRS 면적의 변화를 나타낸다. A, B 라인들 각각은 호흡 사건의 시작과 종료를 표시한다.

사건 동안 평균 R 파 진폭과 사건의 바로 전과 후의 평균 R 파 진폭 사이의 차이를 두개의 채널에 대해 계산하고 그 다음 함께 곱해서 반위상(Antiphase) 상관자를 계산한다. 만약 ECG 리드들이 직교하면, 시프트는 반대 방향이어야 한다.

도 13은 분명한 R 파 진폭의 갑작스런 변화를 나타내고 각각의 리드에서의 변화는 반대 방향이다. A, B 라인들 각각은 호흡 사건의 시작과 종료를 표시한다.

호흡 동성 부정맥(RSA)은 ECG의 심박수(HR) 또는 R-R 간격(RRI)에서 관찰되는 자연적으로 발생하는 율동이다. 이 율동은 호흡기계와 심혈관계의 상호작용의 직접적인 결과이다. RSA는 호흡률과 비슷한 RRI에서 최대치들(maxima)과 최소치들(minima)를 나타내는 주기적인 신호에 의해 특징지어진다. 전형적으로 HR은 흡기에 의해 증가하고 호기에 의해 감소한다. 본 명세서에 설명된 것처럼, 사건 동안의 RRI의 평균 피크 대 피크 진동의 값과 사건 전과 후의 RRI의 평균 피크 대 피크 진동의 값 사이의 차이는 RSA 상관자를 계산하는데 사용되었다.

도 14는 호흡 사건 동안 R-R 간격의 진동의 감소가 관찰될 수 있음을 나타낸다. A, B 라인들 각각은 호흡 사건의 시작과 종료를 표시한다.

ECG 유도 호흡 신호(ECG Derived Respiration signal, EDR)은 호흡 신호를 결정하는 직교하는 ECG 리드들로부터의 QRS 세그먼트의 면적들의 비로 계산된다. 사건 동안의 EDR 신호의 평균 피크 대 피크 진동과 사건 전과 후의 EDR 신호의 평균 피크 대 피크 진동의 차이는 EDR_pp 상관자를 계산하는데 사용된다. 도 15는 호흡 사건 동안 EDR 신호의 진동의 감소가 관찰될 수 있음을 나타낸다. A, B 라인들 각각은 호흡 사건의 시작과 종료를 표시한다.

도 16은 사건 동안에 R 파의 진폭의 점진적인 증가가 존재하는 ECG 신호 데이터의 예를 나타낸다. 사건 동안의 R 파 진폭에 대한, 점선으로 나타낸, 선형 최적합(linear best fit)의 기울기는 R_slope 상관자를 계산하는데 사용될 수 있다.

QRS 면적 및 R 파 진폭으로부터의 호흡 노력은 사건 분류를 가능하게 한다. 이들 신호들이 호흡 노력을 추정하는데 사용될 수 있으므로, 이들은 중추성 사건들과 폐쇄성 사건의 구별을 돕는데 사용될 수 있다(도 2 박스 29). 호흡 노력은 분명히 나타나야 하고 가능하게는 폐쇄성 사건 동안 증가하는 한편, 중추성 사건 동안 호흡 노력은 매우 낮은 상태 또는 부존재 상태로 남아있어야 한다. 이의 예들은 도 17a 및 b에 제시되어 있으며, 이들은 OSA와 CSA 사건들에서 ECG 파라미터들 사이의 차이를 나타낸다. 도 17a는 폐쇄성 사건 동안 QRS 면적과 R 파 변화를 나타낸다. 사건 동안 호흡 노력은 잔존하는 것이 명백히 나타나 있다. 도 17b는 CSA 사건 동안 QRS 면적 및 R 파 변화를 나타낸다. 호흡 노력이 급격하게 감소되거나 부존재하는 것이 명백히 나타나 있다. 또한, 호흡 사건들의 ECG 유도 상관자들은 검사된 사건의 유형에 따라 다른 결과를 낳는다. 예를 들면, AREA_pp 상관자는 호흡과 상관된 QRS 면적의 진동의 보다 큰 감소가 있어야 하므로 폐쇄성 사건보다 중추성 사건에 대해 보다 큰 크기를 가질 것으로 예상된다.

저호흡 사건에 비하여 무호흡 사건 동안 호흡의 보다 큰 감소가 있으므로, 저호흡 사건에 의한 것 보다 호흡 사건들의 ECG 유도 상관자들의 더 큰 변화가 무호흡 사건에서 예상된다. 호흡 사건들의 ECG 유도 상관자들의 이들 변화를 정량화하여 본 방법은 무호흡과 저호흡 사건을 구별할 수 있다. 본 방법은 호흡 노력의 ECG 유도 측정들에 대하여 호흡 사건 전과 후의 각각의 값들에 대한 호흡 사건들 이내의 평균 진동 크기의 비를 계산하여 본 방법은 무호흡과 저호흡을 구별할 수 있으며, 이들 비가 예정된 문턱값 아래인 사건들은 무호흡으로 분류되고 다른 사건들은 저호흡으로 분류된다.

AHI는 호흡 사건들의 전체 수를 ECG 신호 기록 기간(ECG signal recording period)의 시간들의 수로 나누어 계산된다(도 2 박스 31). 수면 평가 시간 간격에 대해 무호흡/저호흡 지수를 계산하는 것은 폐쇄성, 중추성 그리고 폐쇄성과 중추성의 혼합 호흡 사건들에 대해 계산될 수 있는 분리 지수들(Separate indices)에 의해 수면 무호흡의 존재, 중증도 및 유형에 대한 임상적인 추정치를 제공한다. 바람직하게는 상기 지수는 본 방법의 사용자가 보도록 적당한 모니터상에 표시된다.

표 1: 호흡 사건들의 ECG 유도 상관자들의 설명 요약

참고문헌

[1] "Sleep-related breathing disorders in adults: recommendations for syndrome definition and measurement techniques in clinical research. The Report of an American Academy of Sleep Medicine Task Force," Sleep, vol. 22, pp. 667- 89, Aug 1 1999.

[2] M. Schrader, C. Zywietz, V. von Einem, B. Widiger, and G. Joseph, "Detection of sleep apnea in single channel ECGs from the PhysioNet data base," 2000, pp. 263-266.

[3] C. Maier, H. Dickhaus, M. Bauch, and T. Penzel, "Comparison of heart rhythm and morphological ECG features in recognition of sleep apnea from the ECG," in Computers in Cardiology, 2003, 2003, pp. 311-314. [4] S. Vijendra, K. Behbehani, E. A. Lucas, J. R. Burk, D. N. Burli, and D. H. Dao, "The use of R-wave morphology in the detection of sleep-disordered breathing using the electrocardiogram - a comparison between leads," 2004, pp. 3881-3884 Vol.6.

[5] F. Roche, V. Pichot, E. Sforza, I. Court-Fortune, D. Duvemey, F. Costes, M. Garet, and J. C. Barthelemy, "Predicting sleep apnoea syndrome from heart period: a time-frequency wavelet analysis," Eur Respir J, vol. 22, pp. 937-42, Dec 2003.

[6] J. D. Lattimore, D. S. Celermajer, and I. Wilcox, Obstructive sleep apnea and cardiovascular disease," J Am Coll Cardiol, vol. 41 , pp. 1429-37, May 7 2003.

[7] J. Wolf, J. Lewicka, and K. Narkiewicz, "Obstructive sleep apnea: An update on mechanisms and cardiovascular consequences," Nutr Metab Cardiovasc Dis, Feb 19 2007.

[8] M. T. Naughton, "Heart failure and obstructive apnoea," Sleep Medicine Reviews, vol. 2, pp. 93-103, 1998.

[9] P. Grossman and E. W. Taylor, "Toward understanding respiratory sinus arrhythmia: relations to cardiac vagal tone, evolution and biobehavioral functions," Biol Psychol, vol. 74, pp. 263-85, Feb 2007.

[10] J. W. Denver, S. F. Reed, and S. W. Porges, "Methodological issues in the quantification of respiratory sinus arrhythmia," Biol Psychol, vol. 74, pp. 286-94, Feb 2007.

[11] F. Yasuma and J. Hayano, "Respiratory sinus arrhythmia: why does the heartbeat synchronize with respiratory rhythm?," Chest, vol. 125, pp. 683-90, Feb 2004.

[12] H. J. Burgess, J. Kleiman, and J. Trinder, "Cardiac activity during sleep onset," Psychophysiology, vol. 36, pp. 298-306, May 1999.

[13] M. J. Carrington, R. Barbieri, I. M. Colrain, K. E. Crowley, Y. Kim, and J. Trinder, "Changes in cardiovascular function during the sleep onset period in young adults," J Appl Physiol, vol. 98, pp. 468-76, Feb 2005.

[14] R. J. Davies, P. J. Belt, S. J. Roberts, N. J. AIi, and J. R. Stradling, "Arterial blood pressure responses to graded transient arousal from sleep in normal humans," J Appl Physiol, vol. 74, pp. 1123-30, Mar 1993.

[15] K. Narkiewicz, N. Montano, C. Cogliati, P. J. van de Borne, M. E. Dyken, and V. K. Somers, "Altered cardiovascular variability in obstructive sleep apnea,"Circulation, vol. 98, pp. 1071-7, Sep 15 1998.

[16] G. B. Moody, R. G. Mark, A. Zoccola, and S. Mantero, "Derivation of Respiratory Signals from Multi-lead ECGs," Computers in Cardiology, vol. 12, pp. 113-116, 1985.

Claims (13)

1. ECG 신호 데이터를 획득하는 단계;
   상기 ECG 신호 데이터로부터 파형 모르포로지 데이터를 추출하는 단계; 및
   상기 파형 모르포로지 데이터로부터 상기 호흡 노력을 결정하는 단계를 포함하는 것을 특징으로 하는 ECG 신호로부터의 호흡 사건들의 결정 방법.
2. 제1항에 있어서,
   상기 호흡 노력의 피크들을 교차 검증하는 단계를 더 포함하는 것을 특징으로 하는 ECG 신호로부터의 호흡 사건들의 결정 방법.
3. 제1항 또는 제2항에 있어서,
   상기 호흡 노력으로부터 호흡 패턴들을 특성화하는 단계; 및
   상기 호흡 사건들을 관찰 동안 탐지하는 단계를 더 포함하는 것을 특징으로 하는 ECG 신호로부터의 호흡 사건들의 결정 방법.
4. 제1항 내지 제3항 중 어느 한 항에 있어서,
   상기 호흡 사건들을 무호흡 또는 저호흡 중 하나로 분류하는 단계를 더 포함하는 것을 특징으로 하는 ECG 신호로부터의 호흡 사건들의 결정 방법.
5. 제1항 내지 제4항 중 어느 한 항에 있어서,
   상기 호흡 사건들을 폐쇄성 무호흡 또는 중추성 무호흡 중 하나로 분류하는 단계를 더 포함하는 것을 특징으로 하는 ECG 신호로부터의 호흡 사건들의 결정 방법.
6. 제4항 또는 제5항에 있어서,
   무호흡/저호흡 지수를 계산하는 단계를 더 포함하는 것을 특징으로 하는 ECG 신호로부터의 호흡 사건들의 결정 방법.
7. 제1항에 있어서,
   상기 파형 데이터는 ECG-유도 호흡 신호, 심박수, 또는 R-신호의 면적 또는 진폭 또는 주기를 포함하는 ECG-유도 생리학적 예측변수들 중 어느 하나 또는 조합으로 변환되는 것을 특징으로 하는 ECG 신호로부터의 호흡 사건들의 결정 방법.
8. 제1항에 있어서,
   상기 방법은 수면 상태의 환자에 대해 행해지는 것을 특징으로 하는 ECG 신호로부터의 호흡 사건들의 결정 방법.
9. 환자에 인접한 ECG 센서들로부터 생체신호를 획득하는 단계;
   상기 생체신호를 컴퓨터 파일 형태의 데이터로 저장하는 단계;
   상기 생체신호 데이터로부터 심박수 및 파형 모르포로지 데이터를 추출하는 단계;
   추출된 심박수 및 ECG 파형 모르포로지 데이터로부터 생리학적 예측변수들을 유도하는 단계; 및
   상기 유도된 생리학적 예측변수들로부터 호흡 사건들의 시작과 종료를 결정하는 단계를 포함하는 것을 특징으로 하는 수면 호흡 장애의 분석 방법.
10. 제9항에 있어서,
    호흡 사건을 무호흡 또는 저호흡으로 분류하는 단계를 더 포함하는 것을 특징으로 하는 수면 호흡 장애의 분석 방법.
11. 제9항에 있어서,
    무호흡/저호흡 지수를 계산하는 단계;및
    상기 무호흡/저호흡 지수를 표시하는 단계를 더 포함하는 것을 특징으로 하는 수면 호흡 장애의 분석 방법.
12. 환자로부터 적어도 두개의 직교하는 신호들을 획득하기 위한 적어도 두개의 ECG 리드들;
    상기 신호들을 디지털 데이터로 변환하기 위한 수단;
    전자 데이터 저장 수단; 및
    디지털 ECG 데이터로부터 파형을 추출하고 호흡 사건들과 호흡 노력을 결정하도록 프로그램이 짜여지는 마이크로프로세서를 포함하는 것을 특징으로 하는 ECG 신호로부터의 호흡 노력의 결정 장치.
13. 제12항에 있어서, 무호흡/저호흡 지수를 계산하도록 프로그램이 짜여지는 마이크로프로세서를 더 포함하는 것을 특징으로 하는 ECG 신호로부터의 호흡 노력의 결정 장치.

Images