KR20200127202A - 수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치 - Google Patents

수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치 Download PDF

Info

Publication number
KR20200127202A
KR20200127202A KR1020207027233A KR20207027233A KR20200127202A KR 20200127202 A KR20200127202 A KR 20200127202A KR 1020207027233 A KR1020207027233 A KR 1020207027233A KR 20207027233 A KR20207027233 A KR 20207027233A KR 20200127202 A KR20200127202 A KR 20200127202A
Authority
KR
South Korea
Prior art keywords
epoch
feature
way
biosignal
sleep
Prior art date
Application number
KR1020207027233A
Other languages
English (en)
Inventor
마니어랏 지라바니쿨
타다 지라자라스
비시트 타비프룽스리포른
판나위트 스리수크
퐁사룬 티암타완
Original Assignee
닛토덴코 가부시키가이샤
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 닛토덴코 가부시키가이샤 filed Critical 닛토덴코 가부시키가이샤
Publication of KR20200127202A publication Critical patent/KR20200127202A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—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
    • A61B5/02—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
    • A61B5/02405—Determining heart rate variability
    • 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
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • 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
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)

Abstract

설명된 실시예에서, 수면 단계 검출 방법이 개시된다. 복수의 에포크 중 각각의 에포크에 대응하는 복수의 제1 특징 값(v1-v11)을 포함하는 제1 생체 신호 특징(701a)을 수신하는 단계; 및 상기 대응하는 제1 특징 값(v6) 및 상기 에포크 중 선행(v1-v5) 및 후행(v7-v11)하는 에포크의 특징 값에 기초하여 상기 에포크 중 각각의 중간 에포크에 대한 제1 표시 값(702a)을 계산하기 위해 제1 로지스틱 회귀 연산(701a')을 수행하는 단계 - 상기 제1 표시 값(702a)은 상기 대응하는 중간 에포크의 수면 단계를 설명함 - 를 포함한다. 로지스틱 회귀 모델을 창출하는 방법, 심박수 가변성 특징을 추출하는 방법, 심박수 가변성 특징을 추출하기 위한 모델을 창출하는 방법, 의료 투여량을 도출하는 방법, 의료 투여량에 대한 반응성을 평가하는 방법, 컴퓨터 판독 가능 매체, 컴퓨팅 장치, 및 웨어러블 장치도 개시된다.

Description

수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치
본 개시는 일반적으로 수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치에 관한 것으로, 특히 기계 학습(machine learning)에 기초한 빠른 안구 운동(rapid eye movement)(REM) 및 비-REM(NREM)을 포함하는 수면 단계를 검출하기 위한 것이다.
사람의 신체적, 정신적 상태는 수면의 질에 영향을 받는 것으로 알려져 있다. 양질의 수면(good quality sleep)은 건강, 웰빙 및 좋은 분위기를 유지하는 데 필수적이다. 수면 중에 사람은 일반적으로 빠른 안구 운동(REM) 단계와 비-REM(NREM) 단계 사이를 전환한다. 여러 연구에 따르면 REM 단계는 기분 조절 및 기억 강화에 중요한 역할을 한다. 또한, 우울 장애(depressive disorder)는 REM 수면 시간 증가 및 REM 지연 시간 단축과 같은 REM 수면 조절 장애와 밀접한 관련이 있는 것으로 밝혀졌다. 따라서 수면 단계를 모니터링하여 수면 행동 분석 및 스트레스 관리, 우울증 치료, 노인 간호 및 성과 분석을 위한 중요한 정보를 제공할 수 있다. 분석의 질과 그에 따른 치료의 질은 주로 질과 양의 측면에서 수집된 데이터에 의해 결정된다. 이러한 요구 사항을 충족하기 위해 사용되는 모니터링 장치는 일반적으로 하드웨어 집약적이고 복잡하다.
수면 연구의 현재 황금 표준(current gold standard)은 수면 다원 검사(Polysomnography)(PSG)입니다. 이를 위해서는 뇌파검사(Electroencephalography)(EEG), 눈전위도검사(Electrooculography)(EOG), 근전도검사(Electromyography)(EMG), 심전도검사(Electrocardiography)(ECG) 및 호흡 센서(respiration sensor)를 비롯한 수많은 센서가 필요하다. PSG는 수면 연구에 대해 더 많은 정보를 제공하지만 이동성이 매우 높고 가격이 비싸기 때문에 대량 관찰에는 실용적이지 않다.
미국 특허 번호 9,655,559B2는 웨어러블 센서를 사용한 자동 수면 스테이징(sleep staging)을 개시한다. 개시된 배열은 열악한 정확도 및 열악한 센서 판독에 대한 민감성과 같은 몇 가지 단점을 안고 있다.
수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치를 제공하는 것이 바람직하며, 이는 선행 기술의 단점 중 하나 이상을 해결하고/하거나 대중에게 유용한 선택 및/또는 대안 선택을 제공한다.
한 측면에 따르면, 제공되는 수면 단계 검출(sleep stage detection) 방법은: 복수의 에포크(epoch) 중 각각의 에포크에 대응하는 복수의 제1 특징 값(first feature value)을 포함하는 제1 생체 신호 특징(first vital sign feature)을 수신하는 단계; 및 상기 대응하는 제1 특징 값 및 상기 에포크 중 선행(preceding) 및 후행(succeeding)하는 에포크의 특징 값에 기초하여 상기 에포크 중 각각의 중간 에포크에 대한 제1 표시 값(first indication value)을 계산하기 위해 제1 로지스틱 회귀 연산(first logistic regression operation)을 수행하는 단계 - 상기 제1 표시 값은 상기 대응하는 중간 에포크(intermediate epoch)의 수면 단계(sleep stage)를 설명함 - 를 포함한다.
설명된 실시예는 특히 유리하다. 예를 들어, 선행, 중간 및 후행 에포크의 제1 특징 값을 기반으로 각 중간 에포크에 대해 제1 로지스틱 회귀 연산을 수행함으로써, 각 중간 에포크의 수면 단계를 설명하는 제1 표시 값 에포크의 수를 계산할 수 있다. 이는 선행 및 중간 에포크의 특징 값을 사용할뿐만 아니라 후행 에포크의 특징 값도 사용하여 정확도가 향상된다는 점에서 유리하다. 일 실시예에서, 최소한의 데이터 및 처리가 필요하기 때문에, 이 방법은 하드웨어 형태, 소프트웨어 형태 또는 둘 모두의 조합으로 구현되는 컴퓨팅 리소스가 더 적다. 따라서, 방법은 웨어러블 장치(wearable device)를 사용하는 구현에 특히 적합하지만 이에 제한되지 않는다.
제1 생체 신호 특징은 심박수(heart rate), 맥박 모양 가변성(pulse shape variability) 및 심박수 가변성(pulse shape variability)의 컨볼루션 고주파 전력(convoluted high frequency power) 중 하나와 관련될 수 있다. 이러한 생체 신호 특징은 수면 단계와 관련된 것으로 확인되어 수면 단계를 검출하는 데 유용하다.
바람직하게는, 제1 로지스틱 회귀 연산은 가중 및 시그모이드 연산(sigmoid operation)을 포함할 수 있다. 로지스틱 회귀 연산은 비선형 모델보다 덜 복잡하고 해석하기 쉽다. 복잡한 모델은 단순한 모델에 비해 과적합(overfitting)의 위험이 더 높다는 것은 기계 학습 분야에서 알려져 있다. 따라서, 로지스틱 회귀 연산을 사용함으로써, 일 실시예에 따른 수면 단계 검출은 예를 들어 웨어러블 장치에서 수행하기에 적합하다. 상대적으로 복잡한 알고리즘이 HRV PSD를 추출하기 위해 컨볼루션 신경망(convolutional neural network)과 관련하여 사용되고, 이는 예를 들어 클라우드 서비스의 서버에서 수행될 수 있다. HRV PSD의 추출.
방법은: 상기 각 에포크에 대응하는 복수의 제2 특징 값을 포함하는 제2 생체 신호 특징을 수신하는 단계; 상기 대응하는 제2 특징 값 및 상기 에포크의 선행 및 후행하는 에포크의 특징 값에 기초하여 상기 에포크의 각각의 중간 에포크에 대한 제2 표시 값을 계산하기 위하여 제2 로지스틱 회귀 연산을 수행하는 단계 - 상기 제2 표시 값은 상기 대응하는 중간 에포크의 수면 단계를 설명함 -; 및 상기 대응하는 제1 및 제2 표시 값에 기초하여 상기 에포크의 각각의 중간 에포크의 상기 수면 단계를 결정하기 위하여 추가 로지스틱 회귀 연산을 수행하는 단계를 추가로 포함할 수 있는 것이 바람직하다.
설명된 실시예에서, 예를 들어, 다수의 생체 신호 특징을 수신하고 각각의 표시 값을 계산하기 위해 각각의 생체 신호 특징에 기초하여 다수의 로지스틱 회귀 연산을 수행함으로써, 추가 로지스틱 회귀 연산은 각 중간 에포크의 수면 단계를 결정하기 위해 표시 값에 기초하여 수행될 수 있다. 다수의 생체 신호 특징의 정보를 고려하여, 수면 단계 검출의 개선된 결과를 얻을 수 있다. 다중 생체 신호 특징을 고려하고 추가 로지스틱 회귀 연산을 수행하여, 향상된 정확도로 수면 단계를 검출할 수 있다.
로지스틱 회귀 연산 중 하나가 다른 로지스틱 회귀 연산의 가중치 값과 상이한 가중치 값을 가질 수 있다.
바람직하게는, 방법은: 상기 에포크의 각각에 대응하는 복수의 제3 특징 값을 포함하는 제3 생체 신호 특징을 수신하는 단계; 및 상기 대응하는 제3 특징 값 및 상기 에포크의 상기 선행 및 후행하는 에포크의 특징 값에 기초하여 상기 에포크의 각각의 중간 에포크에 대한 제3 표시 값을 계산하기 위해 제3 로지스틱 회귀 연산을 수행하는 단계를 더 포함하고, 상기 추가 로지스틱 회귀 연산은 상기 대응하는 제3 표시 값이 상기 대응하는 중간 에포크의 상기 수면 단계를 설명하는 경우 상기 대응하는 제3 표시 값에 더 기초하여 상기 에포크의 각각의 중간 에포크의 상기 수면 단계를 결정하기 위해 수행된다.
이러한 배열은, 예를 들어 제3 생체 신호 특징의 보상되지 않은 대응하는 특징 값으로 인해 제3 표시 값이 수면 단계를 나타내지 않을 수 있기 때문에 유리하다. 추가 로지스틱 회귀 연산에 사용되는 경우, 이러한 제3 표시 값은 수면 단계 결정의 정확성에 영향을 미칠 수 있다. 따라서, 수면 단계를 설명하는 경우에만 제3 지시 값만을 사용함으로써, 수면 단계 검출의 정확한 결과를 얻을 수 있다.
또 다른 측면에 따르면, 제공되는 로지스틱 회귀 모델을 창출하는 방법은: 기준 수면 단계 정보와 연관하여 생체 신호 특징을 수신하는 단계; 생체 신호 특징 및 기준 수면 단계 정보로부터 복수의 서브 샘플(subsample)을 포함하는 교차 검증 세트(cross validation set)를 생성하는 단계; 복수의 기계 학습 파라미터 세트 각각을 갖는 모델을 사용하여 상기 서브 샘플의 다른 것을 참조하여 각각의 상기 서브 샘플을 계산하는 단계; 및 상기 기준 수면 단계 정보와 상기 계산 결과의 비교에 기초하여 상기 모델을 상기 파라미터 세트 중 하나와 연관시키는 단계를 포함한다.
일 실시예에서, 기계 학습 기법(machine learning technique)의 사용을 통해, 생체 신호 특징과 기준 수면 단계 정보 간의 상관 관계를 효율적으로 확인하여 모델과 함께 사용할 파라미터 세트를 결정할 수 있다. 예를 들면, 파라미터 세트는 제1 수면 기간에서 검색된 제1 파라미터 세트, 제2 수면 기간에서 검색된 제2 파라미터 세트, 및 제1 및 제2 수면 기간은 모두 검색 및/또는 저장되어 별도의 모델로 프로그래밍 될 수 있다. 즉 말하자면, 한 수면 기간에 대해 설정된 파라미터는 다른 수면 기간에 대한 파라미터와 상이할 수 있다. 또 다른 예로, 사용자 수면 패턴의 추세를 파악하기 위해, 제1 수면 기간에 제1 파라미터 집합이 검색되고, 제2 파라미터 세트는 제2 수면 기간에서 검색되고, 제1 및 제2 수면 기간 모두가 검색 및/또는 저장되어 추세 모델에 프로그래밍 될 수 있다. 제3 파라미터 세트는 제3 수면 기간에서 검색되며, 여기서 제3 수면 기간은 시간 공간을 통해 제1 및 제2 수면 기간과 구별된다. 제3 수면 기간은 검색 및/또는 저장되어 추세 모델에 프로그래밍 될 수 있다.
생체 신호 특징은 심박수, 맥박 모양 가변성 및 심박수 가변성의 컨볼루션 고주파 전력 중 하나와 관련될 수 있다. 이러한 생체 신호 특징은 수면 단계와 관련된 것으로 확인되어 수면 단계를 검출하는 데 유용하다. 다른 실시예에서, 생체 신호 특징은 또한 심박수 가변성의 고주파수에서의 전력의 합, 심박수 가변성의 저주파에서의 전력의 합, 심박수 가변의 LF/HF 비, 심박수의 표준 편차와 관련될 수 있다. 이러한 생체 신호 특징은 다른 장치의 현재 및/또는 과거 데이터에서 검색될 수 있으므로 수면 단계를 검출하는 데 유용하다.
바람직하게는, 방법은: 상기 기준 수면 단계 정보와 연관하여 또 다른 생체 신호 특징을 수신하는 단계를 더 포함하고, 상기 교차 검증 세트는 상기 또 다른 생체 신호 특징으로부터 추가로 생성된다. 또 다른 생체 신호 특징을 고려하여 교차 검증 세트에는 수면 단계를 정확하게 검출하는 데 사용할 수 있는 더 많은 정보가 포함된다.
생체 신호 특징은 적어도 3 번의 연속적인 에포크에 의해 분할될 수 있다. 적어도 3 개의 연속된 에포크는 에포크 중 중간 에포크에 대해, 선행 에포크, 중간 에포크 및 후행 에포크를 포함할 수 있다. 후행하는 에포크를 고려하여, 수면 단계를 보다 정확하게 검출할 수 있다. 설명된 실시예에서, 3 개 이상의 연속 에포크에는 11 개 에포크가 포함된다. 또한 최소 3 개의 연속 에포크는 최소 30 분의 전체 윈도우 기간에 해당하도록 구성된다. 수면 데이터는 1 시간 이상(예를 들어, 7-8 시간) 지속될 수 있다. 일 실시예에서, 수면 데이터를 시간 단위 또는 간격으로 "분할" 함으로써, 데이터는 수면주기와 유사하며, 수면 단계 계산을 효율적으로 수행할 수 있다.
생체 신호 특징이 정규화 될 수 있다. 또한, 생체 신호 특징은 누락된 부분(missing portion)이 보상될 수 있다. 예를 들어, 최대 풀링(pooling)을 사용하여 누락된 부분이 보상될 수 있다. 이러한 기법은 검출 결과에 대한 그러한 누락된 부분의 악영향을 줄이는 데 유용하며, 그렇지 않으면 긍정 오류(false positive) 또는 네가티브 검출(negative detection)로 이어질 수 있다. 대안적으로, 그러한 누락된 부분은 구현에 따라 임의의 값, 평균 값, 가장 가까운 값, 선형 보간 등으로 대체될 수 있다.
또 다른 측면에 따르면, 제공되는 심박수 가변성 특징을 추출하는 방법은: 심박수 가변성의 각 패턴을 나타내는 복수의 컨볼루션 값을 생성하기 위하여 심박수 가변성 전력 스펙트럼 밀도의 고주파 부분을 컨볼루션 필터로 컨볼루션 하는 단계 - 상기 컨볼루션 필터는 컨볼루션 신경망 모델과 관련됨 -; 및 상기 컨볼루션 값에 대해 수행된 활성화 함수(activation function) 연산의 결과에 기초하여 상기 컨볼루션 값 중 하나를 선택하는 단계를 포함한다.
하나의 개시된 실시예에서, 이 방법은 심박수 가변성 전력 스펙트럼 밀도의 고주파 부분과 빠른 안구 운동(REM) 사이의 상관 관계 - 고주파 부분에서 저전력이 검출되면 REM이 강하게 나타남 - 를 고려한다는 점에서 유리하다.
선택된 컨볼루션 값은 수행된 활성화 함수에 따른 가장 큰 값에 해당하는 것이 바람직하다. 가장 큰 값은 수면 단계를 도출하기 위한 공동 접근 방식(concerted approach)을 유리하게 제공하는 REM 및/또는 NREM 수면 단계에 해당한다.
더욱이, 고주파 부분은 바람직하게는 0.15 Hz 내지 0.4 Hz 범위이다. 심박수 가변성 전력 스펙트럼 밀도는 이 주파수 부분에서 수면 단계와 특히 높은 관계를 갖는 것으로 밝혀졌다. 이 주파수 범위의 스펙트럼 정보를 고려하면 결과적인 심박수 가변성 특징이 수면 단계를 더 잘 나타낸다.
전력 스펙트럼 밀도(power spectral density)는 고주파 부분 및 저주파 부분에 걸쳐 정규화 될 수 있다. 정규화는 데이터의 스케일(scale)을 거부하지만 대신 적응을 위한 일관된 전력 스펙트럼 밀도를 제공한다.
바람직하게는, 활성화 함수 연산(activation function operation)은 정류 선형 유닛(rectified linear unit), 소프트 렐루(soft relu) 및 시그모이드 함수(sigmoid function) 중 하나와 관련된다.
본 개시 내용의 다른 측면에 따르면, 개시된 심박수 가변성 특징을 추출하기 위한 모델을 창출하는 방법은: 기준 수면 단계 정보와 연관하여, 심박수 가변성 전력 스펙트럼 밀도를 나타내는 생체 신호 특징을 수신하는 단계; 및 상기 기준 수면 단계 정보를 참조하여 생체 신호 특징에 기초하여 기계 학습을 사용하여 컨볼루션 필터를 포함하는 모델을 창출하는 단계를 포함한다. 이러한 모델을 이용하여 생리학적 신호를 도출함으로써, 심박수 가변성의 고주파 성분은 수면 단계 검출을 위한 상대적으로 일관된 기반 역할을 한다.
생체 신호 특징은 바람직하게는 5 분의 각 간격 내에서 3 분 간격 동안 생리학적 신호로부터 도출된다. 수면 단계 검출의 정확도에 큰 영향을 주지 않고 전력 소비를 줄일 수 있다. 또는, 생체 신호 특징은 에포크 보다 짧은 간격의 에포크에 대한 생리학적 신호로부터 도출될 수 있다.
바람직하게는 생체 신호 특징이 정규화 된다.
기계 학습은 바람직하게는 컨볼루션 신경망을 포함한다. 모델 훈련을 위한 컨볼루션 신경망, CNN, 알고리즘은 HRV PSD 및 수면 단계의 정보를 관련시킬 수 있다. HRV PSD는 일정 기간 동안 주파수 영역에서 HRV 변화 패턴을 포함할 수 있는 이미지로 볼 수 있다. REM 및 NREM 수면 단계 패턴과 일관된 HRV PSD에서 저전력과 고전력이 번갈아 나타나는 패턴은 실험 데이터에서 관찰될 수 있다. CNN 알고리즘을 사용하여 이러한 이미지의 정보를 추출할 수 있다.
하나의 개시된 실시예에서, CNN 알고리즘 사용의 한 가지 장점은 CNN 알고리즘이 최소화된 또는 감소된 예측 오류를 제공할 수 있는 컨볼루션 필터, 활성화 함수, 데이터 풀링 방법 및 신경망 가중치를 최적화하여, HRV PSD를 REM/NREM 수면 단계와 관련된 계산된 값으로 처리할 수 있다는 것이다. 다시 말해, CNN 알고리즘은 HRV PSD를 모델 훈련을 통해 수면 단계를 나타내는 계산된 값으로 요약하거나 달리 처리할 수 있다. 하나의 예시적인 배열에서의 본 개시는 HRV의 주파수, 시간 도메인 및 전력 밀도를 포함하는 적어도 3 차원 데이터를 유리하게 처리한다.
수집 또는 검색된 정보를 웨어러블 장치에서 수집한 정보와 함께 다른 장치에서 얻은 다른 정보와 함께 최종적으로 적용하는 것이 가능하다. 반대로, 모든 유형의 센서에서 HR, HRV 및 맥박 모양 가변성과 같은 정보를 검색한다. 기계 학습 알고리즘은 정보를 더욱 세분화할 수 있다.
또 다른 측면에 따르면, 개시하는 의료 투여량을 도출하는 방법은: 제1 기간의 수면 단계 정보를 수신하는 단계; 상기 제1 기간의 수면 단계 정보와 비교를 위해 제2 기간의 수면 단계 정보를 수신하는 단계; 및 의료 투여를 발생시키기 위해 상기 기준 수면 단계 정보를 제공하는 단계를 포함한다.
또 다른 측면에 따르면, 개시된 의료 투여량에 대한 반응성을 평가하는 방법은: 제1 기간의 수면 단계 정보를 수신하는 단계; 상기 제1 기간과 비교를 위해 제2 기간의 수면 단계 정보를 수신하는 단계; 및 상기 비교 결과에 기초하여 제1 및 제2 기간 사이에 발생하는 의료 투여량에 대한 반응성을 평가하는 단계를 포함한다.
의료 투여량은 항경련제(anticonvulsant), 벤조디아제핀(benzodiazepine) 및 에마제팜(emazepam) 중 적어도 하나와 관련될 수 있다.
본 개시 내용의 다른 측면에 따르면, 프로세서로 하여금 위의 방법 중 임의의 하나를 수행하게 하기 위한 명령을 포함하는 컴퓨터 판독 가능 매체가 개시된다.
바람직하게는, 명령은 펌웨어로 구현되도록 구성된다. 이들의 단순성으로 인해, 위의 방법 중 적어도 일부는 특히 펌웨어의 명령 형태로 구현하는 데 적합하지만 이에 제한되지는 않는다.
본 개시의 다른 측면에 따르면, 프로세서; 및 프로세서로 하여금 상기 방법 중 임의의 것을 수행하게 하기 위한 명령을 포함하는 저장 장치(storage device)를 포함한다.
저장 장치는 바람직하게는 펌웨어 칩이다. 위에서 언급했듯이, 위의 방법 중 적어도 일부는 단순성과 낮은 하드웨어 요구 사항으로 인해 펌웨어를 사용하여 구현될 수 있다.
본 개시 내용의 다른 측면에 따르면, 개시된 웨어러블 장치는: 프로세서로 하여금 위의 방법 중 임의의 것을 수행하게 하기 위한 명령을 포함하는 저장 장치를 포함한다.
저장 장치는 바람직하게는 펌웨어 칩이다. 위에서 논의된 바와 같이, 위의 방법 중 적어도 일부는 펌웨어를 사용하여 구현될 수 있다.
웨어러블 장치는 장기 데이터 수집을 용이하게 할 수 있는 손목 시계 형태 인 것이 바람직하다.
한 측면과 관련된 특징이 다른 측면에 적용될 수 있다는 것이 예상된다.
예시적인 실시예가 첨부된 도면을 참조하여 설명될 것이다.
도 1은 본 개시 내용의 일 실시예에 따른 컴퓨팅 장치의 예시적인 시스템 블록도를 도시한다;
도 2는 도 1의 컴퓨팅 장치에 의해 수행되는 수면 단계 검출 방법의 흐름도를 도시한다;
도 3a는 도 1의 컴퓨팅 장치에 의해 수행되는 로지스틱 회귀 모델을 창출하기 위한 방법의 흐름도를 도시한다;
도 3b는 훈련 데이터 세트 생성의 예를 보여준다;
도 4는 도 1의 컴퓨팅 장치에 의해 수행된 심박수 가변성 특징을 추출하기 위한 방법의 흐름도를 보여준다;
도 5는 도 1의 컴퓨팅 장치에 의해 수행된 심박수 가변성 특징을 추출하기 위한 모델을 창출하기 위한 방법의 흐름도를 보여준다;
도 6(a) 내지 6(c)는 도 1의 컴퓨팅 장치에 의해 수행되는 데이터 오류 보상의 상이한 시나리오를 도시한다;
도 7은 도 1의 컴퓨팅 장치에 의해 수행된, 추가 로지스틱 회귀 연산 및 3 개의 생체 신호 특징이 뒤 따르는 복수의 로지스틱 회귀 연산을 포함하는 수면 단계 계산의 예시 시나리오를 보여준다;
도 8은 슬라이딩 윈도우 방식으로 로지스틱 회귀 연산을 수행하는 도 1의 컴퓨팅 장치의 예시적인 시나리오를 보여준다;
도 9는 도 1의 컴퓨팅 장치에 의해 수행된 다른 계산 단계에서 다른 신호의 선 차트를 보여준다;
도 10은 도 2의 방법을 사용하여 획득한 수면 단계 검출 결과에 대한 오류 백분율의 블란드-앨트먼 플롯(Bland-Altman plot)을 보여준다;
도 11은 주요 우울 장애 환자에 대한 REM 비율 및 빈도의 히스토그램을 보여준다;
도 12a는 손목 시계 또는 웨어러블 장치 형태의 도 1의 컴퓨팅 장치의 실시예를 보여준다;
도 12b는 도 12a의 웨어러블 장치의 헤드 어셈블리의 개략도를 보여준다;
도 12c는 도 12a의 헤드 어셈블리의 단면 개략도를 보여준다; 및
도 13은 예시적인 시나리오에서도 12a의 웨어러블 장치로부터 다른 컴퓨팅 장치로 계산된 수면 단계 정보의 무선 전송의 예를 보여준다.
도 1은 본 발명의 일부 방법의 실시예를 수행하기에 적합한 예시적인 컴퓨팅 장치(computing device)(100)의 시스템 블록도를 도시한다. 컴퓨팅 장치(100)는 프로세서(processor)(101), 펌웨어 칩(firmware chip)(102), 저장 장치(storage device)(103), 생리학적 센서(physiological sensor)(104)(예를 들어, 심전도 센서(electrocardiogram sensor), 광혈량 센서(photoplethysmogram sensor) 또는 이들의 조합) 및 프로세서(101)와 동작적으로 연관된 통신 인터페이스(communication interface)(105)(유선 또는 무선)를 포함한다. 생리학적 측정이 가능한 모든 유형의 센서를 사용할 수 있다는 점은 주목할 가치가 있다. 일 실시예에서, 컴퓨팅 장치(100)는 소형 장치(예를 들어, 웨어러블 장치)의 형태를 취한다. 다른 실시예에서, 컴퓨팅 장치(100)는 컴퓨터(예를 들어, 서버)의 형태를 취한다. 또 다른 실시예에서, 컴퓨팅 장치(100)는 모바일 장치의 형태를 취한다. 프로세서(101)에 의해 실행 가능한 명령어는 펌웨어 칩(102), 저장 장치(103) 또는 이들의 조합에 저장될 수 있다.
도 2는 본 개시의 일 실시예에 따른 수면 단계 검출 방법(200)의 흐름도를 보여준다. 방법(200)을 구현하는 명령어의 저장 및 실행은 전술한 바와 같다. 또한, 이 실시예의 컴퓨팅 장치(100)는 웨어러블 수면 단계 추적 장치(wearable sleep stage tracking device)(100)의 형태를 취한다. 단계 201에서, 프로세서(101)는 임의의 적절한 신체 부위(예를 들어, 손목, 상완(upper arm), 집게 손가락, 목 또는 머리)에 착용된 센서(104)로부터 생리학적 신호를 수신한다.
단계 202에서, 프로세서(101)는 생리학적 신호로부터 심박수(HR), 심박수 가변성의 컨볼루션 고주파 전력(convoluted high frequency power of heart rate variability)(Conv_HF) 및 맥박 모양 가변성(pulse shape variability)(PSV)을 나타내는 생체 신호 특징을 추출한다. 다른 실시예에서, 생체 신호 특징은 추가적인 생리학적 특징을 나타낼 수 있다. 생체 신호 특징은 대응하는 에포크(epoch)의 수면 단계에 각각 대응하는 일련의 특징 값의 예시적인 형태를 구현할 수 있다. 다시 말해, 각각의 생체 신호 특징은 각각 복수의 에포크에 대응하는 복수의 특징 값을 포함한다. 심박수 가변성의 컨볼루션 고주파 전력을 예로 들면, 생체 신호 특징의 각 특징 값은 각 에포크 내에서 고유한 변동 패턴을 나타낼 수 있다. 그러나, 다른 실시예에서, 프로세서(101)는 생리학적 신호로부터 임의의 수(예를 들어, 1, 2 또는 4)의 생체 신호 특징을 추출할 수 있다.
[18]
맥박 모양 가변성(Pulse Shape Variability)(PSV)은 입력된 생리학적 신호(예를 들어, PPG 신호)의 맥박 모양에서 도출된 생체 신호 특징의 표준 편차라고 할 수 있고, 이는 시간 간격 정보(time interval information), 왜도(skewness), 크기, 적분 및 미분 정보, 주파수 성분 또는 펄스의 도출된 것들 기반으로 계산될 수 있다.
단계 203에서, 프로세서(101)는 생체 신호 특징에서 누락된 데이터 부분이 있다면 이를 보상한다. 누락된 데이터 부분은 예를 들어 불량한 센서 신호 품질로 인해 발생할 수 있다. 이러한 보상을 통해 누락된 데이터 부분에 대한 탐지 결과의 민감도를 줄일 수 있다. 생체 신호 특징에서 누락된 데이터 부분에 대한 보상은 도 6과 관련하여 이후에 자세히 설명된다. 누락된 데이터 부분에 대한 보상은 적어도 두 개의 일련의 입력의 추출을 가질 수 있다. 대안적으로, 누락된 데이터 부분에 대한 보상은 일련의 대체 입력의 세트의 추출을 가질 수 있다. 또 다른 대안은 적어도 2 개의 일련의 입력의 추출과 일련의 대체 입력의 세트의 조합을 가질 수 있다.
[19]
단계 204에서, 프로세서(101)는 보상 여부에 관계없이 생체 신호 특징을 정규화 한다.
단계 205에서, 프로세서(101)는 적어도 하나의 모델(예를 들어, 학습된 모델)을 사용하여 처리된 생체 신호 특징으로부터 각 에포크에 대한 수면 단계를 계산(예를 들어, 결정, 검출 또는 분류)한다. 이 단계에서, 프로세서(101)는 기계 학습 분류기(machine learning classifier)의 기능을 수행하여, 생체 신호 특징으로부터 각 에포크에 대한 수면 단계를 계산한다. 수면 단계는 계산 결과에 따라 빠른 안구 운동(rapid eye movement)(REM) 및 비-REM(NREM) 중 하나로 결정된다. 이 계산 단계는 도 7, 8 및 9와 관련하여 이후에 더 자세히 설명된다. 적어도 하나의 모델은 펌웨어 칩(102) 또는 저장 장치(103)에 저장될 수 있다. 그러나, 적어도 하나의 모델은 임의의 컴퓨팅 플랫폼에서 기계 학습을 사용하여 창출, 개발 또는 훈련될 수 있으며, 이에 대해서는 이하에서 자세히 설명한다. 하나 이상의 모델이 클라우드 서버에 별도로 저장되는 경우, 프로세서(101)에 의한 적어도 하나의 모델의 검색은, 하나의 배열에서, 클라우드 서버에 연결 또는 링크 되는 통신 인터페이스(105)를 통해 통신하는 프로세서(101)에 기초한다. 대안적인 실시예에서, 생체 신호 특징은 수면 단계 계산을 위해 적어도 하나의 모델을 실행하는 클라우드 서버에 프로세서(101)에 의해 제공될 수 있다. 그 후, 컴퓨팅 장치(100)의 프로세서(101)는 계산된 수면 단계의 결과를 클라우드 서버에 요청(예를 들어, 검색)할 수 있다. 일 실시예에서, 수면 단계의 계산 결과는 계산을 위해 다른 장치에서 정보와 함께 계산된 수면 단계의 결과를 결합 또는 추출하기 위해 프로그램 된 또 다른 장치로 전송될 수 있다. 다시 말해, 수면 단계의 계산은 프로세서(101)에 의해 클라우드 서버와 같은 관련 처리 플랫폼으로 부분적으로 또는 전체적으로 오프로드 될 수 있다. 각각의 에포크의 계산 또는 검출된 수면 단계는 프로세서(101)에 의해 또는 그렇지 않으면 수면 단계 최면(sleep stage hypnogram)으로 처리될 수 있다.
[20]
단계 205의 목적을 위해, 기계 학습 분류(예를 들어, 로지스틱 회귀)를 위해 모델이 사용된다. 모델 창출(예를 들어, 훈련)은 도 3a와 관련하여 아래에 설명되어 있다. 새 모델이 학습되면(즉, 파라미터 집합이 모델과 연결됨), 상수 세트를 포함할 수 있는 관련 파라미터 세트는 컴퓨팅 장치(100)의 펌웨어 칩(102)에 저장될 수 있다. 모델 훈련/재 훈련(Model training/re-training) 또는 적응 모델링(adaptive modelling)은 실시간으로 수행될 수 있으며, 펌웨어 칩에 저장되지 않은 경우 파라미터 세트는 예를 들어 파라미터 세트가 저장된 관련 서버 장치에서 외부적으로 검색되어야 할 수 있다. 파라미터 세트는 클라우드 서비스를 호스팅하는 서버로 전송되어 사용자 수면 패턴의 미래, 장기 추적, 추세 및 추적이 가능하다. 반대로, 기존 PSG 기술은 변하지 않는 특성(immobile nature)으로 인해 사용자 수면 패턴을 효율적으로 확인하는 데 사용할 수 없다.
[21]
따라서, 생체 신호 특징을 기반으로 수면 단계 검출에 기계 학습 알고리즘이 사용됨을 알 수 있다. 기계 학습 알고리즘은 사용 가능한 기계 학습 도구(machine learning tool)를 사용하여 구현될 수 있다. 로지스틱 회귀는, 예를 들어 MATLAB 프로그래밍 언어를 사용하여 구현될 수 있다. 기계 학습 알고리즘(예를 들어, 로지스틱 회귀)은 입력 특성을 두 개의 클래스로 가장 잘 분리할 수 있는 입력 특징의 선형 조합인 선형 경계(linear boundary)를 검색한다. 이것은 훈련 데이터를 분류할 때 시스템의 오류를 줄임으로써 가능하다. 결과 출력은 파라미터 세트 중 하나에 의해 표현되도록 전환된 기능의 선형 조합 세트이다. 이것은 모델로 간주된다. 이 모델은 도 2의 시나리오에서 REM 또는 NREM 수면 단계인 관심 클래스를 검출하기 위해 새로운 입력 세트와 함께 적용할 수 있다. 기계 학습은 또한 아래에 설명된 생체 신호 특징을 도출하는 데 사용될 수 있다.
도 3a는 본 개시의 일 실시예에 따른 로지스틱 회귀 모델을 창출하는 방법(300)의 흐름도를 보여준다. 이 실시예에서 컴퓨팅 장치(100)는 기계 학습 동작을 수행하도록 구성된 서버 장치(100)의 형태를 취한다. 창출된 모델은 단계 205의 목적으로 사용될 수 있다.
[22]
단계 301에서, 프로세서(101)는 기준 수면 단계 정보와 관련하여 통신 인터페이스(105)를 통해 생리학적 신호를 수신한다. 생리학적 신호는 그렇지 않으면 기준 수면 단계 정보와 관련하여 생리학적 센서(104)로부터 수신될 수 있다. 기준 수면 단계 정보와 생리학적 신호는 동시에 또는 다른 방식으로 수신될 수 있다. 기준 수면 단계 정보(reference sleep stage information)는 기준 장치(reference device)에 의해 제공되며, 이는 기관에서 테스트하고 승인한 것일 수 있다. 기준 수면 단계 정보는, 예를 들어 FDA가 승인한 수면 단계 검출의 약 89 % 동의를 황금 표준에 제공하는 의료 기기로부터 도출될 수 있다.
단계 302에서, 본 실시예의 프로세서(101)는 생리학적 신호로부터, 심박수(HR), 심박수 가변성의 컨볼루션 고주파 전력(Conv_HF) 및 맥박 모양 가변성(PSV)을 각각 나타내는 생체 신호 특징을 추출한다. 다른 실시예에서, 생체 신호 특징은 다른 유형의 추가적인 생리학적 특징을 나타낼 수 있다.
[23]
단계 303에서, 프로세서(101)는 임의의 적절한 순서로 적어도 3 개의 연속 에포크를 분할함으로써 생체 신호 특징을 처리하는데, 이 실시예에서, 적어도 1 시간의 윈도우 기간의 전체 기간을 가지며, 누락된 데이터 부분을 보상하고 분할의 표준 스코어에 의해 분할을 정규화 한다. 대안적으로, 윈도우 기간의 전체 기간은 적어도 30 분일 수 있다. 다른 실시예에서, 윈도우 기간의 상이한 전체 기간의 혼합이 채택될 수 있다. 예를 들어, 1 시간의 최소 4 개의 윈도우 기간과 30 분의 최소 6 개의 윈도우 기간이 있을 수 있으며, 그 결과 전체 기간은 7 시간 이상이다. 적어도 8 시간의 전체 기간 동안, 혼합물은 예를 들어 1 시간의 적어도 5 개의 윈도우 기간 및 30 분의 적어도 6 개의 윈도우 기간 일 수 있다.
단계 304에서, 프로세서(101)는 처리된 생체 신호 특징을 기준 수면 단계 정보와 결합하여 복수의 서브 샘플로 구성된 데이터 세트를 생성한다. 모델 학습을 위한 교차 검증 세트와 모델 평가를 위한 블라인드 테스트 세트는 데이터 세트에서 도출될 수 있다. 교차 검증 세트는 동일한 크기의 서브 샘플을 포함하거나(k)로 분할된다.
단계 305에서, 프로세서(101)는 각각의 복수의 기계 학습 파라미터 세트의 모델을 사용하여 교차 검증 세트 내의 다른 서브 샘플들(k-1)을 참조하여 교차 검증 세트 내의 서브 샘플들 각각(1)을 계산(예를 들어, 결정, 예측 또는 추정)한다. 다시 말해, 각각의 서브 샘플(1)은 다른 서브 샘플(k-1)을 사용하여 프로세서(101)에 의해 계산된다. 이 계산 프로세스는 교차 검증 세트의 각 서브 샘플이 교차 검증 세트의 다른 서브 샘플을 사용하여 프로세서(101)에 의한 계산을 위한 계산 목표(calculation target)으로 작용하도록 각 기계 학습 파라미터 세트에 대해 (k) 회 반복된다. 따라서, 상기 서브 샘플 중 하나는 모델에 알려지지 않은 목표 서브 샘플로 지칭될 수 있는 반면, 서브 샘플 중 다른 하나는 목표 서브 샘플을 계산하기 위한 기초로 제공되는 훈련 서브 샘플로 지칭될 수 있다. 이러한 배열을 통해 각 서브 샘플은 훈련 서브 샘플을 "오염"시키지 않고 대상 서브 샘플로 한 번만 사용된다. 따라서 계산된 수면 단계 정보는 과적합(overfitting) 성능이 아니라 일반화된 성능을 나타낸다.
[24]
계산 후, 프로세서(101)는 각 파라미터 세트에 대해 계산된 목표 서브 샘플을 결합하여 기준 수면 단계 정보와 비교를 위해 계산된 수면 단계 정보를 형성한다.
단계 306에서, 프로세서(101)는 계산된 수면 단계 정보와 기준 수면 단계 정보의 비교에 기초하여 모델을 파라미터 세트 중 하나와 연관시킨다. 특히, 기준 수면 단계 정보와 가장 유사한 계산된 수면 단계 정보를 산출하는 파라미터 세트는 가장 높은 계산 정확도(또는 가장 낮은 계산 오류)를 달성하기 위한 모델과 연관된다.
[25]
도 3b는 각각 T1 및 T2로 레이블이 지정된 두 개의 테이블을 보여주는 훈련 데이터 세트 생성의 예를 보여준다. 이 예에서 테이블 T1을 참조하면, 생체 신호 특징의 로지스틱 회귀 모델(logistic regression model)을 훈련하기 위한 훈련 데이터 세트는 시간 t-5에서 t-1(선행 에포크), t,(중간 에포크) 및 t+1에서 t+5(후행 에포크)까지의 특징 값을 추출하여 창출되며, 이는 함께 생체 신호 특징의 11 가지 특징 값(Xt-5~Xt+5)을 나타낸다. 또 다른 예에서, 생체 신호 특징의 로지스틱 회귀 모델을 훈련하기 위한 훈련 데이터 세트는 시간 t-2에서 t-1(선행 에포크), t,(중간 에포크) 및 t+1에서 t+2(후행 에포크)까지의 특징 값을 추출하여 창출되며, 이는 함께 생체 신호 특징의 5 가지 특징 값(Xt-2~Xt+2)을 나타낸다. t의 epoch에서 해당하는 기준 수면 단계는 셀(St)로 표시된다. 그런 다음 알고리즘은 11 개의 특징 값(Xt-5~Xt+5)과 해당 기준 수면 단계(St)를 재배열한다. 그런 다음 알고리즘은 재배열된 특징 값과 해당 기준 수면 단계를 훈련 데이터 세트로 취급한다. 훈련 데이터 세트는 표 T2에 나와 있다. 각각의 시간 t에서 각각의 중간 에포크에 대해, 대응하는 기준 수면 단계가 대응하는 11 개의 특징 값(Xt-5~Xt+5)에 추가된다. 11 개의 연속 에포크에서 특징 값(Xt-5~Xt+5) 사이의 선형 관계와 REM 또는 NREM의 해당 기준 수면 단계(St)를 나타낼 수 있다. 선형 관계는 가중치를 정의하며 낮은 오류로 REM 및 NREM 중 하나에 해당하는 특정 에포크에서 표시 값(indication value)을 계산하는 데 사용할 수 있다. 다른 실시예에서, 각각의 생체 신호 특징의 특징 값을 추출하는 데 걸리는 시간은 더 길어질 수 있다.
[26]
도 4는 방법(200)의 단계(202)의 일부로서 또는 독립적으로 수행될 수 있는 심박수 가변성 특징을 추출하는 방법(400)의 흐름도를 보여주며, 이 실시예에서 컴퓨팅 장치(100)는 웨어러블 수면 단계 추적 장치(wearable sleep stage tracking device)(100)의 형태를 취한다.
단계 401에서, 프로세서(101)는 컴퓨팅 장치(100)에 의해 수신된 생리학적 신호로부터 펄스 간격 검출에 기초한 심박수 가변성 전력 스펙트럼 밀도를 추출한다.
단계 402에서, 프로세서(101)는 각 주파수에서의 전력을 스펙트럼의 저주파 및 고주파 부분에 걸친 전체 전력으로 분할함으로써 전력 스펙트럼 밀도를 정규화하고, 여기서 저주파 부분은 0.04Hz~0.15Hz이고 고주파 부분은 0.15Hz~0.4Hz이다.
[27]
단계 403에서, 프로세서(101)는 전력 스펙트럼 밀도의 고주파 부분을 컨볼루션 필터와 컨볼루션 하여 각각의 심박수 가변성 특징을 나타내는 복수의 컨볼루션 값을 생성한다. 각 컨볼루션 값은 심박수 가변성 전력 스펙트럼 밀도의 고주파수 부분에서 고전력 및 저전력 패턴을 나타낸다. 컨볼루션 필터는 후술할 컨볼루션 신경망 모델(convolutional neural network model)에 관한 것이다.
단계 404에서, 프로세서(101)는 컨볼루션 값에 대해 활성화 함수(activation function)를 수행하고 활성화 함수의 결과에 따라 컨볼루션 값 중 하나를 선택한다. 특히, 활성화 함수의 결과는 각 컨볼루션 값의 패턴과 실제 수면 단계 사이의 유사 관계를 나타낸다. 선택한 컨볼루션 값은 심박수 가변성의 컨볼루션 고주파 전력(Conv_HF)을 나타내는 생체 신호 특징으로 사용된다.
도 5는 본 개시 내용의 일 실시예에 따른, 심박수 가변성 특징을 추출하기 위한 모델을 창출하는 방법(500)의 흐름도를 도시한다. 이 실시예에서 컴퓨팅 장치(100)는 기계 학습 동작을 위한 충분한 처리 자원을 갖는 데스크톱 개인용 컴퓨터(100)의 형태를 취한다.
[28]
단계 501에서, 프로세서(101)는 기준 수면 단계 정보와 연관하여 통신 인터페이스(105)를 통해 생리학적 신호를 수신한다. 생리학적 신호는 그렇지 않으면 기준 수면 단계 정보와 연관하여 생리학적 센서(104)로부터 수신될 수 있다. 기준 수면 단계 정보와 생리학적 신호는 동시에 또는 다른 방식으로 수신될 수 있다. 기준 수면 단계 정보는 기준 장치에 의해 제공되며, 이는 당국에 의해 테스트되고 승인된 것일 수 있다. 또는, 기준 수면 단계 정보는 기관에서 테스트 및 승인한 웨어러블 장치에 의해 제공될 수 있다.
단계 502에서, 프로세서(101)는 적어도 3 분(예를 들어, 5 분)의 생리학적 신호의 각 간격으로부터 심박수 가변성 파워 스펙트럼 밀도를 나타내는 생체 신호 특징을 추출한다. 신호를 3 분 이상의 간격으로 나누는 이유는 이 단계가 신호를 여러 에포크로 나누고 각 에포크에서 특징을 추출하기 위한 것이다. 다시 말해, 생리학적 신호로부터 생체 신호 특징의 추출은 생리학적 신호가 분할되는 복수의 간격 각각에 대해 수행되며, 각 간격은 지속 시간이 적어도 3 분이다. 이 단계를 수행하지 않고, 추출된 HRV 기능은 예를 들어 세션 중 특정 기간 또는 에포크 대신 전체 수면 세션의 신호를 나타낸다. 이 실시예에서, 각 간격은 5 분이며 각 간격 내에서 생리학적 신호의 해당 부분 중 3 분만 생체 신호 특징을 도출하거나 추출하는 데 사용된다. 다시 말해, 생체 신호 특징은 5 분 간격 내에서 3 분 동안 생리학적 신호에서 도출된다. 즉, 각 5 분 간격 내에서, 특징 추출을 위한 관련 구성 요소가 3 분 동안 만 작동하므로 전력 소비가 줄어 든다. 다른 실시예에서, 각 간격은 5 분이 아닐 수 있으며, 간격 내에서 특징 추출에 사용되는 생리학적 신호의 해당 부분은 지속 시간이 3 분이 아닐 수 있다.
[29]
단계 503에서, 프로세서(101)는 각 주파수에서의 전력을 스펙트럼의 저주파 및 고주파 부분에 걸친 전체 전력으로 나눔으로써 전력 스펙트럼 밀도를 정규화하고, 여기서 저주파 부분은 0.04Hz~0.15Hz이고 고주파 부분은 0.15Hz~0.4Hz이다.
단계 504에서, 훈련 데이터 세트의 정규화 된 HRV PSD 및 기준의 수면 단계는 기계 학습 알고리즘, 특히 컨볼루션 신경망에 입력된다. 컨볼루션 필터, 활성화 함수 및 데이터 풀링을 포함하는 모델은 예를 들어 방법(400)에서 Conv_HF 특징을 추출하기 위해 선택되고 사용된다.
[30]
특히, 모델은 프로그래밍 언어 "R"을 기반으로 하는 "mxnet"과 같은 기존 도구 상자를 사용하여 컨볼루션 신경망, CNN 및 알고리즘으로 학습될 수 있다. 첫째, HRV PSD(기능) 및 관련 REM/NREM 수면 단계(라벨)로 구성된 트레이닝 세트가 CNN 알고리즘에 입력된다. CNN 알고리즘은 가장 낮은 분류 또는 검출 오류를 발생시키는 최상의 컨볼루션 필터와 신경망 가중치를 계산하여 훈련을 수행한다. 훈련 프로세스는 모델 필터 및 가중치의 무작위 초기화로 시작된다. 다음으로, 더 낮은 오류에 대한 기울기를 계산하고 모든 반복에서 가중치를 조정하기 위해 역전파 프로세스(backpropagation process)가 수행된다. 과적합 없이 오류를 줄이거 나 최소화하는 모델을 얻으려면, 모델은 검증 세트에서 가장 낮은 오류를 제공하는 적절한 모델 파라미터(예를 들어, 컨볼루션 필터의 크기, 활성화 함수 유형, 데이터 풀링 방법, 숨겨진 레이어 수, 훈련 반복)를 결정하여 미세 조정된다. 그런 방식으로, 컨볼루션 필터, 활성화 함수, 데이터 풀링 방법을 포함하는 최적화된 모델이 선택되고 HRV PSD를 Conv_HF 특성으로 도출하는 데 사용된다.
단계 203 및 303과 관련하여 위에서 논의된 바와 같이, 데이터 오류(예를 들어, 데이터 부분 누락)가 발생할 수 있다. 프로세서(101)가 생체 신호 특징에서 그러한 오류를 검출하는 경우, 이 실시예의 프로세서(101)는 데이터 오류를 보상하려고 시도한다. 따라서, 데이터 오류가 수정되면 보상된 생체 신호 특징이 수면 단계 검출을 위한 후속 단계에서 사용된다. 그러나, 데이터 오류가 지속되면 수면 단계 검출의 신뢰성을 유지하기 위해 에포크가 "알 수 없음"으로 식별된다. 도 6(a) 내지 6(c)는 생체 신호 특징에 대한 프로세서(101)에 의한 데이터 에러 보상의 각각의 시나리오를 예시한다. 생체 신호 특징은 각각의 에포크에 각각 대응하는 일련의 특징 값의 형태를 취하는 것으로 예시된다.
[31]
도 6(a)에서, 프로세서(101)는 생체 신호 특징(601)에서 누락된 특징 값을 검출하지 않는다. 보상이 수행되지 않고 생체 신호 특징의 특징 값이 후속 단계(subsequent step)(예를 들어, 알고리즘 동작)(602)에서 사용된다. 도 6(b)에서, 프로세서(101)는 생체 신호 특징(603)에서 3 개의 누락된 특징 값 0을 검출하는데, 이 중 2 개는 연속적이다. 프로세서(101)는, 선행 특징 값과 후행 특징 값을 갖는 각 중간 특징 값에 대해, 보상된 생체 신호 특징(605)의 새로운 일련의 특징 값을 형성하기 위해 3 개의 특징 값 중 가장 큰 특징 값을 선택함으로써 누락된 특징 값을 보상한다. 이러한 기법은 "최대 풀링(max pooling)"(604)으로 지칭될 수 있다. 보상된 생체 신호 특징(605)은 후행 단계(606)(예를 들어, 알고리즘 동작)에서 차례로 사용된다. 도 6(c)에서, 프로세서(101)는 생체 신호 특징(607)에서 0인 4 개의 누락된 특징 값 - 그 중 3 개는 연속적인 - 을 검출한다. 프로세서(101)는 최대 풀링(608)을 사용하여 유사한 방식으로 누락된 특징 값을 보상하여, 보상된 생체 신호 특징(609)을 생성한다.
이 시나리오에서, 보상 후, 3 개의 연속적인 결측 특징 값은 보상된 생체 신호 특징(609)에서 또 다른 특징 값 0을 초래한다. 데이터 오류가 지속되기 때문에, 프로세서(101)는 수면 단계 검출의 신뢰성을 보존하기 위해 단계 610에서 지속 오류(음영 처리된 블록)를 갖는 에포크에 대해 알려지지 않은 수면 단계(unknown sleep stage)(이 경우 "0"의 특징 값으로 표시됨)를 반환한다. 다른 형태의 데이터 오류 수정 또는 보상이 적용될 수 있다는 점에 유의해야 한다.
[32]
위에서 논의된 방법(200)의 단계(205)는 모델을 사용하여 각각의 에포크에 대한 수면 단계를 계산하는 것을 포함한다. 도 7에 도시된 것은 프로세서(101)가 단계 205에서, 각각의 일련의 특징 값(v1-v11)(도 7에서 각 생체 신호 특징(701a-701c)에 대해 11 개만 표시됨)으로 나타낼 수 있는 각 생체 신호 특징(701a-701c)를 갖는, 3 개의 생체 신호 특징(701a-701c)(예를 들어, 각각 심박수, 맥박 모양 가변성 및 컨볼루션 고주파 전력 심박수 가변성)으로부터 각 중간 에포크에 대한 수면 단계를 계산하는 예시적인 시나리오이다. 각 생체 신호 특징(701a-701c)에 대해, 프로세서(101)는 대응하는 특징 값(v6) 및 이웃 에포크의 특징 값(v1-v5, v7-v11)에 기초하여 각각의 중간 에포크(즉, 에포크 중 각각의 중간 에포크)에 대한 표시 값(indication value)(702a-702c)을 계산하기 위해, 각각의 로지스틱 회귀 연산(701a'-701c')을 수행한다. 인접한 에포크는 각각의 중간 에포크에 시간적으로 인접한 에포크이다. 이 경우, 인접한 에포크는 5 개의 선행 에포크를 포함하고(각 특징 값(v1-v5)에 해당), 이는 중간 에포크(특징 값(v6)에 해당) 바로 선행하는 5 개 에포크, 및 5 개의 후행하는 에포크(각 특징 값(v7-v11)에 해당)이고, 이들은 중간 에포크에 바로 후행하는 5 에포크이다. 그러나, 다른 실시예에서, 인접한 에포크는 선행 및 후행하는 에포크의 임의의 수(예를 들어, 1, 2 또는 3)를 포함할 수 있다. 각각의 표시 값(702a-702c)은 각각의 중간 에포크의 수면 단계를 설명하거나 표시한다.
[33]
이 실시예에서, 각각의 로지스틱 회귀 연산(701a'-701c')은 가중치 및 시그모이드 함수를 나타내는 각각의 모델을 사용하여(또는 참조하여) 프로세서(101)에 의해 수행된다. 즉, 각 생체 신호 특징(701a-701c)에 대해, 프로세서(101)는 대응하는 특징 값(v6) 및 에포그의 이웃하는 에포크의 특징 값(v1-v5, v7-v11)에 기초하여 에포크의 중간 에포크에 대한 표시 값(702a-702c)을 계산하기 위해 각각의 로지스틱 회귀 연산(701a'-701c')을 수행한다. 따라서, 계산된 표시 값(702a-702c)은 대응하는 중간 에포크의 수면 단계를 설명하거나 표시한다. 보다 구체적으로, 각 모델에 대해 모델은 복수의 가중치와 시그모이드 함수를 포함한다. 가중치의 수는 선행, 중간 및 후행 에포크의 총 수에 해당하며, 이 실시예에서는 11이다. 이 실시예에서, 모델은 각각의 가중치 세트와 함께 동일한 시그모이드 함수를 사용한다. 한 모델의 가중치 세트는 다른 모델의 가중치 세트와 다를 수 있다. 본 명세서에서 사용되는 용어 "가중치(weight)" 및 "가중치들(weights)"은 각각 "가중치 값(weight value)"및 "가중치 값들(weight values)"를 의미한다. 위에서 언급했듯이, 각 생체 신호 특징의 가중치는 특정 에포크의 수면 단계를 가장 잘 또는 이상적으로 표현하거나 설명하는 생체 신호 특징의 특징 값의 관계(선형 조합)를 나타낸다. 따라서, 하나의 생체 신호 특징의 이러한 선형 조합은 다른 생체 신호 특징(HR, Conv_HF, PSV 등)과 같거나 다를 수 있다.
[34]
도 7의 동일한 예에서, 중간 에포크에 대한 표시 값(702a-702c)을 계산한 후, 프로세서(101)는 대응하는 표시 값(702a-702c)에 기초하여 중간 에포크의 수면 단계를 결정하기 위해 추가 로지스틱 회귀 연산(702')을 수행한다. 추가 로지스틱 회귀 연산(702')은 로지스틱 회귀 연산(701a'-701c')과는 독립적인 모델을 사용한다. 구체적으로 특별히, 프로세서(101)는 각각의 중간 에포크에 대한 REM 값(703)을 계산하기 위해 각각의 중간 에포크의 표시 값(702a-702c)에 대해 추가 로지스틱 회귀 연산을 수행한다. 각각의 중간 에포크에 대해, 프로세서(101)는 REM 값이 미리 결정된 임계 값(예를 들어, 0.5)을 초과하면 에포크가 REM에 대응하고 그렇지 않으면 NREM에 대응한다고 결정한다.
도 6과 관련하여 논의된 데이터가 누락된 경우, 에포크는 알려지지 않은 수면 단계에 해당하는 것으로 결정된다. 각 로지스틱 회귀 연산(701a'-701c')(도 7에서 "회귀(Regression)" 표시로 마크됨)은 1 단계 로지스틱 연산인 것으로 간주될 수 있고, 반면에 추가 로지스틱 연산(702')(도 7에서 "추가 회귀(Further regression)" 표시로 마크됨)는 2 단계 로지스틱 연산으로 간주될 수 있다.
[35]
각각의 로지스틱 회귀 연산(701a'-701c')은 각 에포크에 대한 각각의 표시 값(702a-702c)을 계산하기 위해 입력 생리학적 신호(예를 들어, PPG 신호)로부터 추출된 각각의 생체 신호 특징의 특징 값에 의존한다는 것을 알 수 있다. 추가 로지스틱 회귀 연산(702')은 각 에포크의 결과적인 표시 값(702a-702c)을 입력으로 취하여 에포크에 대한 REM 값(703)을 계산한다. 이 실시예에서, 추가 로지스틱 회귀 연산(702')은 연산(701a'-701c')와 동일한 시그모이드 연산을 사용하지만 가중치는 상이하다. 추가 로지스틱 회귀 연산(702')이 적어도 2 개의 표시 값(702a-702c)으로 수행될 수 있다는 점에 주목할 가치가 있다. 즉 말하자면, 특정 에포크의 표시 값(702a-702c) 중 하나가 예를 들어, 보상 실패 또는 보상 실패로 인해, 비-설명적이거나 결정적이지 않은(예를 들어, 0의 값을 가짐) 곳에서, 추가 로지스틱 회귀 연산(702')은 특정 에포크의 다른 2 개의 표시 값(702a-702c)에 기초하여 수행된다. 즉, 추가 로지스틱 회귀 연산(702')은 표시 값(702a-702c) 중 상기 하나가 특정 에포크의 수면 단계를 설명하는 경우 상기 표시 값(702a-702c) 중 상기 하나에 기초하여 추가로 수행된다. 다시 말해, 추가 로지스틱 회귀 연산(702')은 대응하는 에포크를 설명하는 적어도 2 개의 표시 값을 필요로 하여, 추가 로지스틱 회귀 연산(702')에서 임의의 추가 비-설명적 표시 값이 생략될 수 있도록 한다. 이는 수면 단계를 설명하지 않는 표시 값에 의해 수면 단계 검출의 정확도가 부정적인 영향을 받는 것을 방지하거나 감소시킨다. 센서 검출 실패로 인해 발생할 수 있다. 이를 용이하게 하기 위해, 로지스틱 회귀 연산(701a'-701c')은 서로 독립적이거나 분리된 모델을 사용할 수 있다.
[36]
도 7의 프로세스는 이 실시예에서 로지스틱 회귀의 슬라이딩 윈도우(11 에포크) 방식으로 각 중간 에포크에 대해 순차적으로 수행된다. 도 8을 참조하면, 프로세서(101)는 각 생체 신호 특징(701a-701c)에 대해 로지스틱 회귀 연산(701a'-701c')을 수행하여, 생체 신호 특징(701a-701c)의 각 중간 에포크에 대한 표시 값(702a-702c)을 계산한다. 생체 신호 특징(701a-701c) 중 하나의 정규화 된 특징 값이 선 차트(line chart)(801)에 보인다. 일련의 블록(802)에 의해 표현된 모든 에포크 중에서, 수면 단계 계산을 위한 중간 에포크는 음영 처리되지 않은 블록(802b) 및 대각선으로 음영 처리된 블록(802c) 각각에 의해 표현된다. 선 차트(801)의 정규화 된 특징 값은 본 실시예에서 -1 내지 2의 범위이고, 다른 실시예에서 상이한 범위를 가질 수 있다. 음영 처리된 블록(802a)에 의해 표현된 처음 5 개의 에포크(중간이 아닌 것으로 간주됨)는 각각 0의 특징 값을 갖도록 미리 결정되고 NREM으로 식별된다. 이것은 수면 세션(sleep session)이 일반적으로 30 분에서 70 분 범위의 NREM 기간으로 시작된다는 사실과 일치한다. 슬라이딩 윈도우 방식에서, 프로세서(101)는 전술한 방식으로 수면 세션(대각선으로 음영 처리된 블록(802c) 중 마지막 하나에 의해 표시됨)의 종료를 향한 각각의 후행, 중간 에포크에 대한 표시 값(702a-702c)을 순차적으로 계산한다. 계산된 표시 값(702a-702c)은 선 차트(803)에 도시되어 있다.
[37]
연속하는 에포크가 5 개 미만인 마지막 5 개 에포크(대각선으로 음영 처리된 블록(802c)로 마크됨)에 대한 계산을 수행하려면, 생체 신호 특징(701a-701c)은 마지막 5 개 에포크의 특징 값을 미러링 하는 특징 값으로 5 개의 확장 에포크(도시되지 않음)만큼 확장된다. 선 차트(801)의 끝에 있는 파선 부분(dashed line portion)(도 8에서 "AA"로 표시됨)은 확장 에포크에 해당하고 확장 에포크에 선행하는 마지막 5 개 에포크에 해당하는 실선 부분(도 8에서 "BB"로 표시됨)을 미러링 한다. 그렇지 않으면 파선 부분("AA")은 동일하게 연결된 마지막 5 개 에포크의 실선 부분("BB")의 뒤집힌 또는 미러링 된 확장으로 간주될 수 있다. 따라서, 수면 세션(즉, 대각선으로 음영 처리된 블록(802c))의 마지막에 있는 마지막 5 개 에포크도 계산을 위한 중간 에포크 역할을 한다. 위에서 설명한 방식으로, 표시 값(702a-702c)은 생체 신호 특징(701a-701c)의 각각의 중간 에포크에 대해 계산된다. 다른 실시예에서, 각각의 중간 에포크에 대한 표시 값(702a-702c)의 계산은 선행 및 후행 에포크의 임의의 동일하거나 동일하지 않은 수를 고려할 수 있다. 예를 들면, 선행 및 후행 에포크의 수는 2 개가 될 수 있으며, 각 중간 에포크의 표시 값을 계산하기 위해 5 개 에포크가 사용된다.
[38]
도 9는 3 가지 생체 신호 특징(HR, Conv_HF 및 PSV)의 선 차트(901), 로지스틱 회귀 연산을 사용하여 생체 신호 특징으로부터 계산된 표시 값의 선 차트(902), 추가 로지스틱 회귀 연산을 사용하여 표시 값으로부터 계산된 REM 값의 선 차트(903), 임계 값에 기초하여 선 차트(903)로부터 도출된 수면 단계 정보의 선 차트(904), 및 선 차트(904)와 비교하기 위한 기준 수면 정보의 선 차트(905)를 보여주는 다이어그램이다. 각 에포크마다, 에포크는 해당 REM 값이 임계 값(예를 들어, 0.5)을 초과하면 REM에 해당하고 그렇지 않으면 NREM에 해당하는 것으로 결정된다. 임계 값은 구현에 따라 0.5가 아닐 수 있다.
도 10은 50 일 동안의 기준 수면 단계 정보를 참조하여 도 1의 실시예에 따라 계산된 REM 값의 오류 백분율을 보여주는 블란드-알트만 플롯(Bland-Altman plot)이다. x 축은 오류율의 평균값을 나타내고 y 축은 오류율의 차이를 나타내는 값을 보여준다. 수평선은 0.09 %의 평균 차이 값을 보여주고 수평선 위와 아래의 파선은 각각 -12.10과 12.28의 오류 구간을 보여준다. 수평선이 0에 가까울수록 점이 수평선에서 가까울수록 계산된 REM 값이 더 정확 해진다.
[39]
도 11은 제1 및 제2 행(1110, 1120)을 나타내며, 각각은 각각의 시험 대상에 대해 전술한 방식으로 결정된 REM 백분율의 3 개의 히스토그램을 포함한다. 이 예에서 피험자는 우울 장애 환자(depressive disorder patient)이고, 다른 응용에서는 수면 패턴을 조정하려는 건강한 사람 일 수 있다. 각 행(1110, 1120)은 제1 기간("기간 1"로 표시됨)에 대응하는 제1 히스토그램(1111, 1121), 제1 기간 이후의 제2 기간("기간 2"로 표시됨)에 대응하는 제2 히스토그램(1112, 1122), 및 제2 기간 이후의 제3 기간("기간 3"으로 표시됨)에 대응하는 제3 히스토그램(1113, 1123)을 포함한다. 제1 행(1110)의 피험자는 제1 기간 이전, 제1 기간과 제2 기간 사이, 제2 기간과 제3 기간 사이에 동일하고 조정되지 않은 항경련제를 투여 받는다. 제2 행(1120)의 피험자는 제1 기간 이전에 항경련제의 초기 투여량, 제1 및 제2 기간 사이에 증가된 항경련제 투여량, 및 제2 및 제3 기간 사이에 더 증가된 항경련제 투여량을 받는다. 제2 행(1120)의 환자는 높은 REM 백분율 범위로 높은 수면 발생 빈도를 계속 경험하는 것을 관찰할 수 있다. 제1, 제2 및 제3 기간 각각은 이 시나리오에서 전체 수면주기(즉, 전체 수면 세션)를 나타낸다. 다른 응용 프로그램에서, 각 기간은 더 많은 수면주기를 나타낼 수 있다. 다른 피험자는 다른 길이의 완전한 수면주기를 가질 수 있다.
[40]
히스토그램(1111-1113, 1121-1123)으로 표시되는 정보는 피험자가 경험하는 REM 범위 및 빈도를 조정하기 위해 피험자에게 투여할 의료 투여 또는 투여 량을 결정하는 기준이 될 수 있다. 의료 투여 또는 투여량은 항경련제, 벤조디아제핀, 에마제팜 또는 불면증을 완화할 수 있는 모든 수용체 작용제와 관련될 수 있다.
구체적으로, 일 구현 예에 따른 의료 투여량에 대한 반응성을 평가하는 방법은: 제1 기간의 수면 단계 정보를 수신하는 단계; 제1 기간과 비교를 위해 제2 기간의 수면 단계 정보를 수신하는 단계; 및 비교 결과에 기초하여 제1 및 제2 기간 사이에 발생하는 의료 투여량에 대한 반응성을 평가하는 단계를 포함한다. 제1 행(1110)의 테스트 대상의 예에서, 제2 및 제3 기간 사이에서, 제1 및 제2 기간 사이에 발생하는 조정되지 않은 의료 투여량에 대한 피험자의 반응성의 평가가 제1 및 제2 기간의 수면 단계 정보를 수신하고 비교함으로써 만들어질 수 있다. 제2 행(1120)의 테스트 대상의 예에서, 제2 및 제3 기간 사이에서, 제1 및 제2 기간 사이에 발생하는 증가된 의료 투여량에 대한 피험자의 반응성의 평가가 제1 및 제2 기간의 수면 단계 정보를 수신하고 비교함으로써 만들어질 수 있다. 평가 결과는 제3 기간 이후에 평가될 추가 의료 투여량에 대한 피험자의 반응도를 갖는 제2 및 제3 기간 사이에 발생하는 추가 의료 용량을 유지하거나 조정하기 위한 기초가 될 수 있다. 그 다음, 한 실시 측면에 따른 의료 투여 량을 도출하는 방법은: 제1 기간의 수면 단계 정보를 수신하는 단계; 제1 기간과 비교를 위해 제2 기간의 수면 단계 정보를 수신하는 단계; 및 비교 결과에 기초하여 의료 투여량을 제공하는 단계를 포함한다는 것을 이해할 수 있다.
[41]
도 12a는 손목 시계 또는 웨어러블 장치(1200) 형태의 도 1의 컴퓨팅 장치(100)의 실시예를 도시한다. 추가로 도 12b 및 12c를 참조하면, 웨어러블 장치(wearable device)(1200)는 헤드 어셈블리(head assembly)(1210)를 포함하는데, 이는 다른 구성 요소들 중에서 2 개의 생리학적 센서(physiological sensor)(1211)(하나는 도 1의 생리학적 센서(104) 임), 조명 요소(illumination element)(1212) 및 무선 통신 모듈(wireless communication module)(1213)를 포함한다. 생리학적 센서(1211) 및 조명 요소(1212)는 함께 프로세서(101)와 동작적으로 연관되는 생리학적 센서(104)를 형성한다. 무선 통신 모듈(1213)은 프로세서(101)와 관련된 통신 인터페이스(105)의 무선 기능을 제공하는 역할을 한다. 펌웨어 칩(102) 및/또는 저장 장치(103)는 프로세서(101)가 방법(200-500) 중 임의의 단계를 수행하도록 명령을 저장할 수 있다. 예를 들어, 단계 201의 목적을 위해, 생리학적 센서(1211) 및 조명 요소(1212)는 웨어러블 장치(1200)를 착용한 사용자의 생리학적 신호를 캡처하기 위해 프로세서(101)에 의해 제어된다. 또한, 웨어러블 장치(1200)가 단계 205를 수행하는 경우, 계산된 각 에포크의 수면 단계는 무선 통신 모듈(1213)을 통해 프로세서(101)에 의해 무선으로 제공될 수 있다. 이렇게 전송된 계산된 수면 단계는 수면 단계 정보를 구성할 수 있다. 추가로 도 13을 참조하면, 다른 컴퓨팅 장치(1300)(예를 들어, 도 1에 도시된 것과 유사한 구성 요소를 갖는 개인용 컴퓨터 또는 서버 장치)는 웨어러블 장치(1200)로부터 제1 및 제2 기간의 이러한 수면 단계 정보를 무선으로 수신하고 수신된 수면 단계 정보를 비교할 수 있다. 컴퓨팅 장치(1300)는 그 다음 비교 결과에 기초하여 의료 투여량을 제공할 수 있거나, 비교 결과에 기초하여 제1 및 제2 기간 사이에 발생하는 의료 투여량에 대한 반응성을 평가할 수 있다.
단일 생체 신호 특징(예를 들어, 제1 생체 신호 특징(701a))을 포함하는 대안적인 실시예에서, 대응하는 제1 로지스틱 회귀 연산(701a')에서 발생하는 중간 에포크의 제1 표시 값(702a)은 중간 에포크의 수면 단계를 설명하기 때문에, 추가 로지스틱 회귀 연산(702')은 생략될 수 있고 제1 표시 값(702a)은 수면 단계 결정을 위한 REM 값(703)으로서 기능할 수 있다.

Claims (35)

  1. 수면 단계 검출 방법에 있어서,
    복수의 에포크 중 각각의 에포크에 대응하는 복수의 제1 특징 값을 포함하는 제1 생체 신호 특징을 수신하는 단계; 및
    상기 대응하는 제1 특징 값 및 상기 에포크 중 선행 및 후행하는 에포크의 특징 값에 기초하여 상기 에포크 중 각각의 중간 에포크에 대한 제1 표시 값을 계산하기 위해 제1 로지스틱 회귀 연산을 수행하는 단계 - 상기 제1 표시 값은 상기 대응하는 중간 에포크의 수면 단계를 설명함 -
    를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 제1 생체 신호 특징은 심박수, 맥박 모양 가변성 및 심박수 가변성의 컨볼루션 고주파 전력 중 하나와 관련되는
    방법.
  3. 제1항 또는 제2항에 있어서,
    제1 로지스틱 회귀 연산에는 가중치 및 시그모이드 연산
    을 포함하는
    방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 각 에포크에 대응하는 복수의 제2 특징 값을 포함하는 제2 생체 신호 특징을 수신하는 단계;
    상기 대응하는 제2 특징 값 및 상기 에포크의 선행 및 후행하는 에포크의 특징 값에 기초하여 상기 에포크의 각각의 중간 에포크에 대한 제2 표시 값을 계산하기 위하여 제2 로지스틱 회귀 연산을 수행하는 단계 - 상기 제2 표시 값은 상기 대응하는 중간 에포크의 수면 단계를 설명함 -; 및
    상기 대응하는 제1 및 제2 표시 값에 기초하여 상기 에포크의 각각의 중간 에포크의 상기 수면 단계를 결정하기 위하여 추가 로지스틱 회귀 연산을 수행하는 단계
    를 더 포함하는
    방법.
  5. 제4항에 있어서,
    상기 로지스틱 회귀 연산 중 하나는 상기 로지스틱 회귀 연산의 다른 하나의 가중치 값과 상이한 가중치 값을 갖는
    방법.
  6. 제4항 또는 제5항에 있어서,
    상기 에포크의 각각에 대응하는 복수의 제3 특징 값을 포함하는 제3 생체 신호 특징을 수신하는 단계; 및
    상기 대응하는 제3 특징 값 및 상기 에포크의 상기 선행 및 후행하는 에포크의 특징 값에 기초하여 상기 에포크의 각각의 중간 에포크에 대한 제3 표시 값을 계산하기 위해 제3 로지스틱 회귀 연산을 수행하는 단계
    를 더 포함하고,
    상기 추가 로지스틱 회귀 연산은 상기 대응하는 제3 표시 값이 상기 대응하는 중간 에포크의 상기 수면 단계를 설명하는 경우 상기 대응하는 제3 표시 값에 더 기초하여 상기 에포크의 각각의 중간 에포크의 상기 수면 단계를 결정하기 위해 수행되는
    방법.
  7. 로지스틱 회귀 모델을 창출하는 방법에 있어서,
    기준 수면 단계 정보와 연관하여 생체 신호 특징을 수신하는 단계;
    상기 생체 신호 특징 및 상기 기준 수면 단계 정보로부터 복수의 서브 샘플을 포함하는 교차 검증 세트를 생성하는 단계;
    복수의 기계 학습 파라미터 세트 각각을 갖는 모델을 사용하여 상기 서브 샘플의 다른 것을 참조하여 각각의 상기 서브 샘플을 계산하는 단계; 및
    상기 기준 수면 단계 정보와 상기 계산 결과의 비교에 기초하여 상기 모델을 상기 파라미터 세트 중 하나와 연관시키는 단계
    를 포함하는
    방법.
  8. 제7항에 있어서,
    상기 생체 신호 특징은 심박수, 맥박 모양 가변성 및 심박수 가변성의 컨볼루션 고주파 전력 중 하나와 관련되는
    방법.
  9. 제7항 또는 제8항에 있어서,
    상기 기준 수면 단계 정보와 연관하여 또 다른 생체 신호 특징을 수신하는 단계를 더 포함하고,
    상기 교차 검증 세트는 상기 또 다른 생체 신호 특징으로부터 추가로 생성되는
    방법.
    　
  10. 제7항 내지 제9항 중 어느 한 항에 있어서,
    상기 생체 신호 특징은 적어도 3 개의 연속 에포크에 의해 분할되는
    방법.
  11. 제10항에 있어서,
    상기 적어도 3 개의 연속 에포크는, 상기 에포크 중 중간 에포크에 대해, 선행 에포크, 중간 에포크 및 후행 에포크
    를 포함하는
    방법.
  12. 제10항 또는 제11항에 있어서,
    상기 적어도 3 개의 연속 에포크는 11 개 에포크
    를 포함하는
    방법.
  13. 제10항 내지 제12항 중 어느 한 항에 있어서,
    상기 적어도 3 개의 연속 에포크는 적어도 30 분의 전체 윈도우 기간에 대응하도록 구성되는
    방법.
  14. 제1항 내지 제13항 중 어느 한 항에 있어서,
    상기 생체 신호 특징이 정규화 된
    방법.
  15. 제1항 내지 제14항 중 어느 한 항에 있어서,
    상기 생체 신호 특징은 누락된 부분이 보상되는
    방법.
  16. 제15항에 있어서,
    상기 누락된 부분이 최대 풀링을 사용하여 보상되는
    방법.
  17. 심박수 가변성 특징을 추출하는 방법에 있어서,
    심박수 가변성의 각 패턴을 나타내는 복수의 컨볼루션 값을 생성하기 위하여 심박수 가변성 전력 스펙트럼 밀도의 고주파 부분을 컨볼루션 필터로 컨볼루션 하는 단계 - 상기 컨볼루션 필터는 컨볼루션 신경망 모델과 관련됨 -; 및
    상기 컨볼루션 값에 대해 수행된 활성화 함수 연산의 결과에 기초하여 상기 컨볼루션 값 중 하나를 선택하는 단계
    를 포함하는
    방법.
  18. 제17항에 있어서,
    상기 선택된 컨볼루션 값은 상기 수행된 활성화 함수의 결과로 가장 큰 값에 해당하는
    방법.
  19. 제17항 또는 제18항에 있어서,
    상기 고주파 부분의 범위는 0.15 Hz 내지 0.4 Hz 인
    방법.
  20. 제17항 내지 제19항 중 어느 한 항에 있어서,
    상기 전력 스펙트럼 밀도는 상기 고주파 부분 및 저주파 부분에 걸쳐 정규화 된
    방법.
  21. 제17항 내지 제20항 중 어느 한 항에 있어서,
    상기 활성화 함수 연산은 정류 선형 유닛, 소프트 렐루 및 시그모이드 함수 중 하나와 관련되는
    방법.
  22. 심박수 가변성 특징을 추출하기 위한 모델을 창출하는 방법에 있어서,
    기준 수면 단계 정보와 연관하여, 심박수 가변성 전력 스펙트럼 밀도를 나타내는 생체 신호 특징을 수신하는 단계; 및
    상기 기준 수면 단계 정보를 참조하여 상기 생체 신호 특징에 기초하여 기계 학습을 사용하여 컨볼루션 필터를 포함하는 모델을 창출하는 단계
    를 포함하는
    방법.
  23. 제22항에 있어서,
    상기 생체 신호 특징은 5 분의 각 간격 내에서 3 분 간격으로 생리학적 신호에서 도출되는
    방법.
  24. 제22항 또는 제23항에 있어서,
    상기 생체 신호 특징이 정규화 된
    방법.
  25. 제22항 내지 제24항 중 어느 한 항에 있어서,
    상기 기계 학습은 컨볼루션 신경망
    을 포함하는
    방법.
  26. 의료 투여량을 도출하는 방법에 있어서,
    제1 기간의 수면 단계 정보를 수신하는 단계;
    상기 제1 기간의 수면 단계 정보와 비교를 위해 제2 기간의 수면 단계 정보를 수신하는 단계; 및
    상기 비교 결과에 기초하여 의료 투여량을 제공하는 단계
    를 포함하는
    방법.
  27. 의료 투여량에 대한 반응성을 평가하는 방법에 있어서,
    제1 기간의 수면 단계 정보를 수신하는 단계;
    상기 제1 기간과 비교를 위해 제2 기간의 수면 단계 정보를 수신하는 단계; 및
    상기 비교 결과에 기초하여 제1 및 제2 기간 사이에 발생하는 의료 투여량에 대한 반응성을 평가하는 단계
    를 포함하는
    방법.
  28. 제26항 또는 제27항에 있어서,
    상기 의료 투여량은 항경련제, 벤조디아제핀 및 에마제팜 중 하나 이상과 관련되는
    방법.
  29. 프로세서로 하여금 제1항 내지 제28항 중 어느 한 항의 방법을 수행하게 하기 위한 명령을 포함하는 컴퓨터 판독 가능 매체.
  30. 제29항에 있어서,
    상기 명령은 펌웨어에서 구현되도록 조정되는 컴퓨터 판독 가능 매체.
  31. 컴퓨팅 장치에 있어서,
    프로세서; 및
    상기 프로세서가 제1항 내지 제28항 중 어느 한 항의 방법을 수행하게 하기 위한 명령을 포함하는 저장 장치.
  32. 제31항에 있어서,
    상기 저장 장치는 펌웨어 칩인
    장치.
  33. 웨어러블 장치에 있어서,
    상기 프로세서가 제1항 내지 제28항 중 어느 한 항의 방법을 수행하게 하기 위한 명령을 포함하는 저장 장치
    를 포함하는
    장치.
  34. 제33항에 있어서,
    상기 저장 장치는 펌웨어 칩인
    장치.
  35. 제33항 또는 제34항에 있어서,
    손목 시계 형태인
    장치.
KR1020207027233A 2018-03-02 2019-02-28 수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치 KR20200127202A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SG10201801850P 2018-03-02
SG10201801850P 2018-03-02
PCT/SG2019/050111 WO2019168474A1 (en) 2018-03-02 2019-02-28 Method, computing device and wearable device for sleep stage detection

Publications (1)

Publication Number Publication Date
KR20200127202A true KR20200127202A (ko) 2020-11-10

Family

ID=67808805

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207027233A KR20200127202A (ko) 2018-03-02 2019-02-28 수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치

Country Status (8)

Country Link
US (2) US11839485B2 (ko)
EP (1) EP3759722A4 (ko)
JP (2) JP7344213B2 (ko)
KR (1) KR20200127202A (ko)
CN (1) CN112088408A (ko)
AU (1) AU2019227364A1 (ko)
SG (1) SG11202008455WA (ko)
WO (1) WO2019168474A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230080965A (ko) * 2021-11-30 2023-06-07 (주)허니냅스 수면 무호흡 증 진단 장치 및 그 동작 방법

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7523063B2 (ja) 2020-09-29 2024-07-26 パナソニックＩｐマネジメント株式会社 状況推定装置、サーバ装置、状況推定システム、及び状況推定方法
CN112869711B (zh) * 2021-01-19 2022-06-03 华南理工大学 一种基于深度神经网络的自动睡眠分期及迁移方法
CN112932433B (zh) * 2021-02-05 2022-11-08 青岛大学 一种心电图的心律失常自动分类方法
CA3222143A1 (en) * 2021-05-21 2022-11-24 Oura Health Oy Sleep staging algorithm
CN113317804B (zh) * 2021-05-28 2022-08-26 清华大学 一种康复效率预测方法、及其训练装置和计算机设备
CN113303814B (zh) * 2021-06-13 2022-07-05 大连理工大学 基于深度迁移学习的单通道耳脑电自动睡眠分期方法
US20230065695A1 (en) * 2021-08-24 2023-03-02 Oura Health Oy Location-based activity tracking
CN115881305B (zh) * 2023-03-03 2023-05-16 安徽星辰智跃科技有限责任公司 一种睡眠趋稳性检测量化及辅助干预的方法、系统和装置
CN116682535B (zh) * 2023-08-03 2024-05-10 安徽星辰智跃科技有限责任公司 基于数值拟合的睡眠可持续性检测调节方法、系统和装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5596993A (en) * 1994-09-21 1997-01-28 Beth Israel Hospital Fetal data processing system and method
US20090198145A1 (en) * 2008-02-06 2009-08-06 Chow Harrison Compositions, methods, and systems for rapid induction and maintenance of continuous rem sleep
JP2012508628A (ja) * 2008-11-14 2012-04-12 ニューロヴィジル，インク． 睡眠と覚醒のパターンの識別の方法およびその利用
AU2015268701A1 (en) * 2008-11-14 2016-01-07 Neurovigil, Inc. Methods of Identifying Sleep & Waking Patterns and Uses
JP5720295B2 (ja) 2011-02-22 2015-05-20 オムロンヘルスケア株式会社 睡眠評価装置および睡眠評価装置における表示方法
JP2014024774A (ja) * 2012-07-25 2014-02-06 Lion Corp 睡眠の質改善剤
US10492720B2 (en) * 2012-09-19 2019-12-03 Resmed Sensor Technologies Limited System and method for determining sleep stage
US9728059B2 (en) * 2013-01-15 2017-08-08 Fitbit, Inc. Sedentary period detection utilizing a wearable electronic device
US9655559B2 (en) 2014-01-03 2017-05-23 Vital Connect, Inc. Automated sleep staging using wearable sensors
WO2016029226A1 (en) 2014-08-22 2016-02-25 The General Hospital Corporation System and method for administering, monitoring and controlling biomimetic sleep
JP6720178B2 (ja) * 2014-12-18 2020-07-08 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 心肺睡眠段階分類のためのシステム及び方法
TWI542322B (zh) * 2014-12-22 2016-07-21 財團法人工業技術研究院 睡眠事件偵測方法與系統
JP6940414B2 (ja) * 2015-04-20 2021-09-29 レスメッド センサー テクノロジーズ リミテッド 特性信号から人間の検出及び識別
WO2017040331A1 (en) 2015-08-28 2017-03-09 Awarables, Inc. Determining sleep stages and sleep events using sensor data
US11589758B2 (en) * 2016-01-25 2023-02-28 Fitbit, Inc. Calibration of pulse-transit-time to blood pressure model using multiple physiological sensors and various methods for blood pressure variation
JP6439729B2 (ja) 2016-03-24 2018-12-19 トヨタ自動車株式会社 睡眠状態推定装置
JP6559095B2 (ja) * 2016-06-15 2019-08-14 日本電信電話株式会社 睡眠モデル作成装置、睡眠段階推定装置、方法およびプログラム
US10750958B2 (en) * 2016-09-15 2020-08-25 Whoop, Inc. Variable brightness and gain for optimizing signal acquisition
SG10201608507PA (en) 2016-10-11 2018-05-30 Nat Univ Singapore Determining Sleep Stages

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230080965A (ko) * 2021-11-30 2023-06-07 (주)허니냅스 수면 무호흡 증 진단 장치 및 그 동작 방법

Also Published As

Publication number Publication date
EP3759722A4 (en) 2022-08-03
WO2019168474A1 (en) 2019-09-06
JP7344213B2 (ja) 2023-09-13
CN112088408A (zh) 2020-12-15
EP3759722A1 (en) 2021-01-06
AU2019227364A1 (en) 2020-09-24
US11839485B2 (en) 2023-12-12
SG11202008455WA (en) 2020-09-29
US20210153807A1 (en) 2021-05-27
US20240074698A1 (en) 2024-03-07
JP2021514768A (ja) 2021-06-17
JP2023159436A (ja) 2023-10-31

Similar Documents

Publication Publication Date Title
KR20200127202A (ko) 수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치
US11647963B2 (en) System and method for predicting acute cardiopulmonary events and survivability of a patient
JP7261811B2 (ja) 訓練された予測モデルに基づく血圧降下の非侵襲的決定のためのシステム及び方法
Hovsepian et al. cStress: towards a gold standard for continuous stress assessment in the mobile environment
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
KR102202029B1 (ko) 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
US20220031181A1 (en) Pulse shape analysis
CN115024725A (zh) 融合心理状态多参数检测的肿瘤治疗辅助决策系统
Eren et al. Stress Detection with Deep Learning Using BVP and EDA Signals
JP2024501861A (ja) リアルタイムのフォトプレチスモグラフィデータにより推定血糖値を生成するシステム、方法及び装置
US20230263400A1 (en) System and method for filtering time-varying data for physiological signal prediction
Patil et al. Stress detection by measuring heart rate variability
US20240206822A1 (en) Computer implemented method for adaptive physiology-based monitoring of a subject
Sopic Monitoring of Cardiovascular and Neurological Diseases Using Wearable Devices
Dai Smart Sensing and Clinical Predictions with Wearables: From Physiological Signals to Mental Health
Caroppo et al. Fatigue estimation through multimodal data retrieved from a commercial wearable device.
WO2024061487A1 (en) Analyzing method for and apparatus of intracranial dynamics
Ramirez-Villegas et al. Heart Rate Variability Dynamics for the

Legal Events

Date Code Title Description
A201 Request for examination