KR20200139049A - Portable sleep apnea computer assisted diagnosis sensor device and its control method - Google Patents

Portable sleep apnea computer assisted diagnosis sensor device and its control method Download PDF

Info

Publication number
KR20200139049A
KR20200139049A KR1020190065623A KR20190065623A KR20200139049A KR 20200139049 A KR20200139049 A KR 20200139049A KR 1020190065623 A KR1020190065623 A KR 1020190065623A KR 20190065623 A KR20190065623 A KR 20190065623A KR 20200139049 A KR20200139049 A KR 20200139049A
Authority
KR
South Korea
Prior art keywords
sleep apnea
computer
signal processing
sensor device
processing unit
Prior art date
Application number
KR1020190065623A
Other languages
Korean (ko)
Other versions
KR102324471B1 (en
Inventor
이종하
Original Assignee
계명대학교 산학협력단
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 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020190065623A priority Critical patent/KR102324471B1/en
Publication of KR20200139049A publication Critical patent/KR20200139049A/en
Application granted granted Critical
Publication of KR102324471B1 publication Critical patent/KR102324471B1/en

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
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—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
    • A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
    • A61B5/0452—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • 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
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

The present invention relates to a portable sensor device for computer-aided diagnosis of sleep apnea, and a control method thereof. According to the present invention, the portable sensor device for computer-aided diagnosis of sleep apnea comprises: an electrocardiogram (ECG) sensor for detecting ECG data; a three-axis acceleration sensor; a signal processing unit for extracting meaningful feature points for the diagnosis of obstructive sleep apnea (OSA); and a determination unit. According to the present invention, OSA can be easily and rapidly diagnosed.

Description

휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법{PORTABLE SLEEP APNEA COMPUTER ASSISTED DIAGNOSIS SENSOR DEVICE AND ITS CONTROL METHOD}TECHNICAL FIELD The portable sleep apnea computer-assisted diagnostic sensor device and its control method {PORTABLE SLEEP APNEA COMPUTER ASSISTED DIAGNOSIS SENSOR DEVICE AND ITS CONTROL METHOD}

본 발명은 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법에 관한 것으로서, 보다 구체적으로는 3축 가속도 센서에 심전도(ECG) 데이터를 측정할 수 있도록 ECG 센서를 결합하고, 수면자의 호흡 시 흉부의 움직임과 심전도 데이터를 동시에 측정하여 폐쇄성 수면 무호흡증을 진단할 수 있도록 하는 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법에 관한 것이다.The present invention relates to a portable sleep apnea computer-assisted diagnostic sensor device and a control method thereof. More specifically, an ECG sensor is coupled to a 3-axis acceleration sensor to measure electrocardiogram (ECG) data, and The present invention relates to a portable sleep apnea computer assisted diagnosis sensor device and a control method for diagnosing obstructive sleep apnea by simultaneously measuring motion and electrocardiogram data.

일반적으로 폐쇄성 수면 무호흡증(Obstructive Sleep Apnea, OSA)은 잠을 자는 도중에 상부 기도를 통한 공기 흐름의 장애로 인하여 잦은 각성과 혈중 산소 포화 농도의 저하가 반복적으로 일어나는 수면호흡장애이다. 이러한 폐쇄성 수면 무호흡증은 성인 질환과 소아질환의 발병 원인이 될 수 있다는 보고가 나오면서 OSA에 대한 관심이 증가되고 있다.
In general, obstructive sleep apnea (OSA) is a sleep respiration disorder in which frequent awakening and a decrease in blood oxygen saturation concentration occur repeatedly due to impaired air flow through the upper airways during sleep. With reports that obstructive sleep apnea can cause the development of adult and childhood diseases, interest in OSA is increasing.

도 1은 수면자의 정상기도와 폐쇄성 수면 무호흡증(OSA)의 기도의 비교를 도시한 도면이다. 도 1의 (a)는 수면자의 기도가 열리고 공기가 원활하게 통과되는 정상기도 상태를 나타내고 있으며, 도 1의 (b)는 수면자의 기도가 막히고 공기가 원활하게 통과되지 못하고 공기가 막힌 폐쇄성 수면 무호흡증(OSA) 상태를 나타내고 있다.
1 is a diagram showing a comparison between the normal airway of a sleeper and the airway of obstructive sleep apnea (OSA). Figure 1 (a) shows a normal airway state in which the sleeper's airways are open and air passes smoothly, and Figure 1 (b) is the obstructive sleep apnea in which the sleeper's airways are blocked and air does not pass smoothly and air is blocked. (OSA) state.

이와 같이, 폐쇄성 수면 무호흡증(OSA)는 상부기도 폐쇄로 인한 수면 관련 호흡 장애로서, 이러한 상태에서는 심혈관 질환, 고혈압, 뇌졸중, 당뇨병 및 임상 우울증과 같은 많은 임상 후유증과 관련되고 유발할 수 있다.
As such, obstructive sleep apnea (OSA) is a sleep-related breathing disorder caused by upper airway obstruction, and in this condition, it is associated with and can cause many clinical sequelae such as cardiovascular disease, high blood pressure, stroke, diabetes and clinical depression.

종래의 OSA를 진단하는 가장 기본적인 검사방법은 표준 수면 다원검사가 대표적이다. 이러한 수면 다원검사는 수면의 구조와 기능, 수면 중 발생한 사견 등을 개관적으로 평가하는 것으로, 수면 8시간동안 뇌파, 안구운동, 하악 근전도, 다리 근전도, 심전도, 코골이, 혈압, 호흡 운동, 동맥혈 내 산소 포화도 등을 종합적으로 측정하고, 동시에 비디오로 환자의 수면 중 행동 이상을 기록하게 된다. 이러한 기록들을 수면 검사 전문기사와 수면 의학 전문의가 판독하여 코골이가 어느 정도 심한가, 부정맥 발생 여부, 혈압 상승 여부, 수면 중에 다른 문제가 발생하는지의 여부, 정상인의 수면과 어떤 점에서 차이가 있는지 등에 관한 포괄적인 결과를 얻을 수 있다. 그러나 종래의 표준 수면 다원검사 방법은 장비 부착의 번거로움과 불편함, 비용의 부담, 그리고 장소의 제약 등 많은 단점이 있었다. 대한민국 등록특허공보 제10-1796871호가 선행기술 문헌으로 개시되고 있다.The most basic test method for diagnosing OSA in the related art is the standard polysomnography. This sleep multiplex test is an overview of the structure and function of sleep, and the deaths that occurred during sleep.EEG, eye movement, mandibular EMG, leg EMG, electrocardiogram, snoring, blood pressure, respiratory movement, arterial blood during 8 hours of sleep. It comprehensively measures my oxygen saturation, and at the same time records the patient's behavioral abnormalities during sleep via video. These records are read by a sleep test specialist and a sleep medicine specialist to determine how severe snoring is, whether arrhythmia has occurred, whether blood pressure has risen, whether other problems occur during sleep, and how they differ from sleep in normal people. Comprehensive results can be obtained. However, the conventional standard sleep multiplex test method has many disadvantages, such as the hassle and inconvenience of attaching equipment, a burden of cost, and restrictions on places. Korean Patent Publication No. 10-1796871 is disclosed as a prior art document.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 수면자의 심전도 데이터를 검출하기 위한 ECG 센서와, 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하기 위한 3축 가속도 센서와, ECG 센서에서 검출되는 심전도 데이터와 3축 가속도 센서에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 신호 처리부와, 신호 처리부의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 판단부를 포함하여 구성함으로써, 기존의 표준 수면 타원 검사 방법에서의 장비 부착의 번거로움 및 불편함과 비용의 부담 및 장소의 제약 없이 폐쇄성 수면 무호흡증을 쉽고 빠르게 진단할 수 있도록 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법을 제공하는 것을 그 목적으로 한다.
The present invention has been proposed to solve the above problems of the previously proposed methods, an ECG sensor for detecting ECG data of a sleeper, and for measuring the difference in movement of the chest in the sleeper's breathing state and apnea state. A signal processor that extracts significant feature points for diagnosis of sleep apnea (OSA) by performing algorithm processing for each of the 3-axis acceleration sensor, ECG data detected by the ECG sensor, and 3-axis acceleration signal detected by the 3-axis acceleration sensor. Wow, by including a determination unit that determines obstructive sleep apnea through a machine learning technique using the extracted feature points of the signal processing unit, the burden of equipment attachment in the existing standard sleep ellipse test method, inconvenience, and cost, and An object of the present invention is to provide a portable sleep apnea computer-assisted diagnostic sensor device and a method for controlling the same, which enables easy and quick diagnosis of obstructive sleep apnea without restriction of place.

또한, 본 발명은, 3축 가속도 센서에 심전도(ECG)를 측정할 수 있도록 ECG 센서를 결합하고, 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정하고, 획득된 심전도 데이터와 3차원 가속도 데이터에 대한 신호 처리를 통해 추출된 특징점에 기초하여 폐쇄성 수면 무호흡증을 판별할 수 있도록 함으로써, 수면자의 계측되는 생체신호의 종류를 줄여 환자의 불편함을 최소화하면서도, 폐쇄성 수면 무호흡증의 진단의 편의성 및 휴대성이 더욱 향상될 수 있도록 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention combines the ECG sensor to measure an electrocardiogram (ECG) to a 3-axis acceleration sensor, simultaneously measures the chest movement and ECG during the sleeper's breathing, and the acquired ECG data and the 3D acceleration data By making it possible to discriminate obstructive sleep apnea based on the feature points extracted through signal processing for the sleeper, the type of bio-signals measured by the sleeper is reduced to minimize patient discomfort, while the convenience and portability of the diagnosis of obstructive sleep apnea Another object of the present invention is to provide a portable sleep apnea computer-assisted diagnostic sensor device and a method for controlling the same.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치는,A portable sleep apnea computer assisted diagnosis sensor device according to a feature of the present invention for achieving the above object,

휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치로서,As a portable sleep apnea computer assisted diagnostic sensor device,

수면자의 심전도 데이터를 검출하기 위한 ECG 센서;An ECG sensor for detecting ECG data of a sleeper;

수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하기 위한 3축 가속도 센서;3-axis acceleration sensor for measuring a difference in movement of the chest in the sleeper's breathing state and apnea;

상기 ECG 센서에서 검출되는 심전도 데이터와 상기 3축 가속도 센서에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 신호 처리부; 및A signal processing unit for extracting significant feature points for diagnosis of sleep apnea (OSA) by performing algorithm processing on each of the ECG data detected by the ECG sensor and the 3-axis acceleration signal detected by the 3-axis acceleration sensor; And

상기 신호 처리부의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 판단부를 포함하는 것을 그 구성상의 특징으로 한다.
It is characterized in that it comprises a determination unit for determining obstructive sleep apnea through a machine learning technique using the extracted feature points of the signal processing unit.

바람직하게는, 상기 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치는,Preferably, the portable sleep apnea computer assisted diagnostic sensor device,

상기 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정할 수 있도록 상기 3축 가속도 센서에 ECG 센서를 결합하여 구성할 수 있다.
It may be configured by combining the ECG sensor with the 3-axis acceleration sensor so that the chest movement and ECG can be simultaneously measured during the sleeper's breathing.

바람직하게는, 상기 신호 처리부는,Preferably, the signal processing unit,

상기 ECG 센서로부터 검출되는 수면자의 심전도 데이터에서 HRV(heart rate variability)를 구하는 알고리즘 처리를 수행할 수 있다.
Algorithm processing for obtaining heart rate variability (HRV) from the sleeper's electrocardiogram data detected by the ECG sensor may be performed.

더욱 바람직하게는, 상기 신호 처리부는,More preferably, the signal processing unit,

HRV(heart rate variability)를 구하는 알고리즘 처리를 수행하는 과정으로, BPF(band-pass filter)를 사용하여 데이터의 잡음을 없앤 후 Pan Tompkins 알고리즘을 이용하여 R-peak를 찾아내고 심전도 데이터의 R-R 간격을 구하는 알고리즘 처리를 수행할 수 있다.
This is the process of performing algorithm processing to obtain heart rate variability (HRV).After removing noise from data by using a band-pass filter (BPF), R-peak is found using Pan Tompkins algorithm and RR interval of ECG data is determined. Algorithm processing to be obtained can be performed.

더욱 더 바람직하게는, 상기 신호 처리부는,Even more preferably, the signal processing unit,

심박변동신호를 유도하기 위해 4㎐의 등간격으로 다운 샘플링한 후 HRV tachogram을 구하고, STFT(Short Time Fourier Transform)를 사용하여 스펙트로그램을 계산하여 구할 수 있다.
In order to induce the heart rate fluctuation signal, the HRV tachogram is obtained after down-sampling at equal intervals of 4 Hz, and the spectrogram can be calculated using STFT (Short Time Fourier Transform).

더더욱 바람직하게는, 상기 신호 처리부는,Even more preferably, the signal processing unit,

자율신경계의 균형을 나타내는 지료로서 사용되는 스펙트로그램의 LF(low frequency)/HF(high frequency)를 시간별로 나타내고, 이로부터 최댓값(mas(LF/HF)), 최솟값(min(LF/HF)), 평균값(avg(LF/HF))의 총 3개의 특징점을 계산하여 구할 수 있다.
The LF (low frequency)/HF (high frequency) of the spectrogram used as an indicator of the balance of the autonomic nervous system is represented by time, from which the maximum value (mas (LF/HF)) and the minimum value (min (LF/HF)) , It can be obtained by calculating a total of three feature points of the average value (avg(LF/HF)).

바람직하게는, 상기 신호 처리부는,Preferably, the signal processing unit,

상기 3축 가속도 센서로부터 검출되는 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하되, 3축 데이터의 평균값 x, y, z의 특징점을 추출할 수 있다.
It is possible to measure the difference in movement of the chest in the breathing state and the apnea state detected by the 3-axis acceleration sensor, and extract feature points of the average values of the 3-axis data x, y, and z.

더욱 바람직하게는, 상기 신호 처리부는,More preferably, the signal processing unit,

상기 3축 가속도 센서로부터 검출되는 호흡 상태와 무호흡 상태에서의 흉부의 움직임의 차이를 측정하기 위해 90㎐의 샘플링 주파수와 1㎐의 저역 통과 필터 및 0.1㎐의 고역 통과 필터를 사용하여 잡음을 제거하고, 측정된 3축 데이터의 평균값 x(avg(accel.x)), y(avg(accel.y)), z(avg(accel.z))의 총 3개의 특징점을 계산하여 구할 수 있다.
In order to measure the difference between the movement of the chest in the breathing state and the apnea state detected from the 3-axis acceleration sensor, noise was removed using a sampling frequency of 90 Hz, a low pass filter of 1 Hz, and a high pass filter of 0.1 Hz. , The average value of the measured 3-axis data can be calculated by calculating a total of three feature points: x(avg(accel.x)), y(avg(accel.y)), and z(avg(accel.z)).

더욱 더 바람직하게는, 상기 판단부는,Even more preferably, the determination unit,

상기 신호처리부에서 추출한 심전도 데이터에 대한 3개의 특징점과 3축 데이터의 평균값 x, y, z의 3개의 특징점에 기초한 머신 러닝 기법을 통한 축적되어 학습된 정상 수면과 수면 무호흡증의 비교를 통해 폐쇄성 수면 무호흡증(OSA)을 비교 판단할 수 있다.
Obstructive sleep apnea through comparison of normal sleep and sleep apnea that is accumulated and learned through a machine learning technique based on the three feature points of the ECG data extracted from the signal processing unit and the average value of the three-axis data x, y, and z. (OSA) can be compared and judged.

더더욱 바람직하게는, 상기 판단부는,Even more preferably, the determination unit,

상기 신호 처리부에서 추출된 6개의 특징점들은 Adaboost 학습에 사용되고, 생성된 특징점들의 분류(classifier)는 10배 교차 검증(10-folds cross validation)이 적용될 수 있다.
Six feature points extracted from the signal processing unit are used for Adaboost learning, and a 10-folds cross validation may be applied to a classifier of the generated feature points.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법은,A method of controlling a portable sleep apnea computer assisted diagnosis sensor device according to a feature of the present invention for achieving the above object,

휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법으로서,A method for controlling a portable sleep apnea computer-assisted diagnostic sensor device, comprising:

(1) ECG 센서가 수면자의 심전도 데이터를 검출하는 단계;(1) the ECG sensor detecting ECG data of a sleeper;

(2) 3축 가속도 센서가 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하는 단계;(2) measuring, by the 3-axis acceleration sensor, a difference in movement of the chest in the sleeper's breathing state and the apnea state;

(3) 신호 처리부가 상기 단계 (1)에서의 상기 ECG 센서에서 검출되는 심전도 데이터와 상기 단계 (2)에서의 상기 3축 가속도 센서에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 단계; 및(3) The signal processing unit performs algorithm processing for each of the ECG data detected by the ECG sensor in step (1) and the 3-axis acceleration signal detected by the 3-axis acceleration sensor in step (2). Extracting significant feature points for diagnosis of sleep apnea (OSA); And

(4) 상기 단계 (3) 이후, 판단부가 상기 신호 처리부의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
(4) After the step (3), the determination unit comprises the step of determining obstructive sleep apnea through a machine learning technique using the extracted feature points of the signal processing unit.

바람직하게는, 상기 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치는,Preferably, the portable sleep apnea computer assisted diagnostic sensor device,

상기 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정할 수 있도록 상기 3축 가속도 센서에 ECG 센서를 결합하여 구성할 수 있다.
It may be configured by combining the ECG sensor with the 3-axis acceleration sensor so that the chest movement and ECG can be simultaneously measured during the sleeper's breathing.

바람직하게는, 상기 신호 처리부는,Preferably, the signal processing unit,

상기 ECG 센서로부터 검출되는 수면자의 심전도 데이터에서 HRV(heart rate variability)를 구하는 알고리즘 처리를 수행할 수 있다.
Algorithm processing for obtaining heart rate variability (HRV) from the sleeper's electrocardiogram data detected by the ECG sensor may be performed.

더욱 바람직하게는, 상기 신호 처리부는,More preferably, the signal processing unit,

HRV(heart rate variability)를 구하는 알고리즘 처리를 수행하는 과정으로, BPF(band-pass filter)를 사용하여 데이터의 잡음을 없앤 후 Pan Tompkins 알고리즘을 이용하여 R-peak를 찾아내고 심전도 데이터의 R-R 간격을 구하는 알고리즘 처리를 수행할 수 있다.
This is the process of performing algorithm processing to obtain heart rate variability (HRV).After removing noise from data by using a band-pass filter (BPF), R-peak is found using Pan Tompkins algorithm and RR interval of ECG data is determined. Algorithm processing to be obtained can be performed.

더욱 더 바람직하게는, 상기 신호 처리부는,Even more preferably, the signal processing unit,

심박변동신호를 유도하기 위해 4㎐의 등간격으로 다운 샘플링한 후 HRV tachogram을 구하고, STFT(Short Time Fourier Transform)를 사용하여 스펙트로그램을 계산하여 구할 수 있다.
In order to induce the heart rate fluctuation signal, the HRV tachogram is obtained after down-sampling at equal intervals of 4 Hz, and the spectrogram can be calculated using STFT (Short Time Fourier Transform).

더더욱 바람직하게는, 상기 신호 처리부는,Even more preferably, the signal processing unit,

자율신경계의 균형을 나타내는 지료로서 사용되는 스펙트로그램의 LF(low frequency)/HF(high frequency)를 시간별로 나타내고, 이로부터 최댓값(mas(LF/HF)), 최솟값(min(LF/HF)), 평균값(avg(LF/HF))의 총 3개의 특징점을 계산하여 구할 수 있다.
The LF (low frequency)/HF (high frequency) of the spectrogram used as an indicator of the balance of the autonomic nervous system is represented by time, from which the maximum value (mas (LF/HF)) and the minimum value (min (LF/HF)) , It can be obtained by calculating a total of three feature points of the average value (avg(LF/HF)).

바람직하게는, 상기 신호 처리부는,Preferably, the signal processing unit,

상기 3축 가속도 센서로부터 검출되는 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하되, 3축 데이터의 평균값 x, y, z의 특징점을 추출할 수 있다.
It is possible to measure the difference in movement of the chest in the breathing state and the apnea state detected by the 3-axis acceleration sensor, and extract feature points of the average values of the 3-axis data x, y, and z.

더욱 바람직하게는, 상기 신호 처리부는,More preferably, the signal processing unit,

상기 3축 가속도 센서로부터 검출되는 호흡 상태와 무호흡 상태에서의 흉부의 움직임의 차이를 측정하기 위해 90㎐의 샘플링 주파수와 1㎐의 저역 통과 필터 및 0.1㎐의 고역 통과 필터를 사용하여 잡음을 제거하고, 측정된 3축 데이터의 평균값 x(avg(accel.x)), y(avg(accel.y)), z(avg(accel.z))의 총 3개의 특징점을 계산하여 구할 수 있다.
In order to measure the difference between the movement of the chest in the breathing state and the apnea state detected from the 3-axis acceleration sensor, noise was removed using a sampling frequency of 90 Hz, a low pass filter of 1 Hz, and a high pass filter of 0.1 Hz. , The average value of the measured 3-axis data can be calculated by calculating a total of three feature points: x(avg(accel.x)), y(avg(accel.y)), and z(avg(accel.z)).

더욱 더 바람직하게는, 상기 판단부는,Even more preferably, the determination unit,

상기 신호처리부에서 추출한 심전도 데이터에 대한 3개의 특징점과 3축 데이터의 평균값 x, y, z의 3개의 특징점에 기초한 머신 러닝 기법을 통한 축적되어 학습된 정상 수면과 수면 무호흡증의 비교를 통해 폐쇄성 수면 무호흡증(OSA)을 비교 판단할 수 있다.
Obstructive sleep apnea through comparison of normal sleep and sleep apnea that is accumulated and learned through a machine learning technique based on the three feature points of the ECG data extracted from the signal processing unit and the average value of the three-axis data x, y, and z. (OSA) can be compared and judged.

더더욱 바람직하게는, 상기 판단부는,Even more preferably, the determination unit,

상기 신호 처리부에서 추출된 6개의 특징점들은 Adaboost 학습에 사용되고, 생성된 특징점들의 분류(classifier)는 10배 교차 검증(10-folds cross validation)이 적용될 수 있다.Six feature points extracted from the signal processing unit are used for Adaboost learning, and a 10-folds cross validation may be applied to a classifier of the generated feature points.

본 발명에서 제안하고 있는 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법에 따르면, 수면자의 심전도 데이터를 검출하기 위한 ECG 센서와, 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하기 위한 3축 가속도 센서와, ECG 센서에서 검출되는 심전도 데이터와 3축 가속도 센서에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 신호 처리부와, 신호 처리부의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 판단부를 포함하여 구성함으로써, 기존의 표준 수면 타원 검사 방법에서의 장비 부착의 번거로움 및 불편함과 비용의 부담 및 장소의 제약 없이 폐쇄성 수면 무호흡증을 쉽고 빠르게 진단할 수 있도록 할 수 있다.
According to the portable sleep apnea computer-assisted diagnostic sensor device and the control method proposed in the present invention, an ECG sensor for detecting ECG data of a sleeper, and for measuring a difference in movement of the chest in a sleeper's breathing state and apnea state. A signal processor that extracts significant feature points for diagnosis of sleep apnea (OSA) by performing algorithm processing for each of the 3-axis acceleration sensor, ECG data detected by the ECG sensor, and 3-axis acceleration signal detected by the 3-axis acceleration sensor. Wow, by including a determination unit that determines obstructive sleep apnea through a machine learning technique using the extracted feature points of the signal processing unit, the burden of equipment attachment in the existing standard sleep ellipse test method, inconvenience, and cost, and Obstructive sleep apnea can be diagnosed quickly and easily, regardless of location.

또한, 본 발명의 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법에 따르면, 3축 가속도 센서에 심전도(ECG)를 측정할 수 있도록 ECG 센서를 결합하고, 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정하고, 획득된 심전도 데이터와 3차원 가속도 데이터에 대한 신호 처리를 통해 추출된 특징점에 기초하여 폐쇄성 수면 무호흡증을 판별할 수 있도록 함으로써, 수면자의 계측되는 생체신호의 종류를 줄여 환자의 불편함을 최소화하면서도, 폐쇄성 수면 무호흡증의 진단의 편의성 및 휴대성이 더욱 향상될 수 있도록 할 수 있다.In addition, according to the portable sleep apnea computer-assisted diagnostic sensor device and the control method of the present invention, the ECG sensor is coupled to a 3-axis acceleration sensor to measure an electrocardiogram (ECG), and the chest movement and ECG are controlled when the sleeper breathes. By simultaneously measuring and determining obstructive sleep apnea based on the feature points extracted through signal processing of the acquired ECG data and 3D acceleration data, the type of measured bio-signals of the sleeper can be reduced to reduce patient discomfort. While minimizing, the convenience and portability of the diagnosis of obstructive sleep apnea can be further improved.

도 1은 수면자의 정상기도와 폐쇄성 수면 무호흡증(OSA)의 기도의 비교를 도시한 도면.
도 2는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 구성을 기능블록으로 도시한 도면.
도 3은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 설치 일례의 구성을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 신호 처리부에서의 심전도 데이터의 처리 과정을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 신호 처리부에서의 3축 가속도 데이터의 처리 과정을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 심박수 변화의 STFT 분석 결과를 도시한 도면.
도 7은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 LF/HF 비율의 변화를 도시한 도면.
도 8은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 가속도 센서 데이터의 진폭 변화를 도시한 도면.
도 9는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 3초 동안의 수면 무호흡 상태에 있는 ECG 신호 및 가속도 센서 데이터의 그래프를 도시한 도면.
도 10은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 5초 동안의 수면 무호흡 상태에 있는 ECG 신호 및 가속도 센서 데이터의 그래프를 도시한 도면.
도 11은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법에 대한 흐름을 도시한 도면.1 is a diagram showing a comparison of the normal airways of a sleeper and the airways of obstructive sleep apnea (OSA).
2 is a diagram showing the configuration of a portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention as a functional block.
3 is a view showing the configuration of an example installation of a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention.
4 is a diagram illustrating a process of processing ECG data in a signal processing unit of a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention.
5 is a diagram illustrating a process of processing 3-axis acceleration data in a signal processing unit of a portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention.
6 is a view showing a STFT analysis result of heart rate change of a portable sleep apnea computer-assisted diagnosis sensor device according to an embodiment of the present invention.
7 is a view showing a change in the LF/HF ratio of the portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention.
8 is a view showing a change in amplitude of acceleration sensor data of the portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention.
9 is a view showing a graph of ECG signal and acceleration sensor data in a sleep apnea state for 3 seconds of a portable sleep apnea computer aided diagnosis sensor device according to an embodiment of the present invention.
10 is a view showing a graph of ECG signal and acceleration sensor data in a sleep apnea state for 5 seconds of a portable sleep apnea computer-assisted diagnosis sensor device according to an embodiment of the present invention.
11 is a view showing a flow of a control method of the portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
Hereinafter, preferred embodiments will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art may easily implement the present invention. However, in describing a preferred embodiment of the present invention in detail, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, the same reference numerals are used throughout the drawings for portions having similar functions and functions.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 연결 되어 있다고 할 때, 이는 직접적으로 연결 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 간접적으로 연결 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 포함 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, throughout the specification, when a part is said to be connected to another part, this includes not only the case that it is directly connected, but also the case that it is indirectly connected with another element interposed therebetween. In addition, the inclusion of certain components means that other components may be further included rather than excluding other components unless specifically stated to the contrary.

도 2는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 구성을 기능블록으로 도시한 도면이고, 도 3은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 설치 일례의 구성을 도시한 도면이며, 도 4는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 신호 처리부에서의 심전도 데이터의 처리 과정을 도시한 도면이고, 도 5는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 신호 처리부에서의 3축 가속도 데이터의 처리 과정을 도시한 도면이며, 도 6은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 심박수 변화의 STFT 분석 결과를 도시한 도면이고, 도 7은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 LF/HF 비율의 변화를 도시한 도면이며, 도 8은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 가속도 센서 데이터의 진폭 변화를 도시한 도면이고, 도 9는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 3초 동안의 수면 무호흡 상태에 있는 ECG 신호 및 가속도 센서 데이터의 그래프를 도시한 도면이며, 도 10은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 5초 동안의 수면 무호흡 상태에 있는 ECG 신호 및 가속도 센서 데이터의 그래프를 도시한 도면이다. 도 2 내지 도 10에 각각 도시된 바와 같이, 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치(100)는, ECG 센서(110), 3축 가속도 센서(120), 신호 처리부(130), 및 판단부(140)를 포함하여 구성될 수 있다.
2 is a diagram showing the configuration of a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention as a functional block, and FIG. 3 is a diagram illustrating a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention. FIG. 4 is a diagram showing a configuration of an example installation, and FIG. 4 is a diagram illustrating a process of processing ECG data in a signal processing unit of a portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention, and FIG. A diagram showing a process of processing 3-axis acceleration data in a signal processing unit of a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention, and FIG. 6 is a portable sleep apnea computer-assisted diagnostic sensor according to an embodiment of the present invention. A diagram showing the STFT analysis result of the heart rate change of the device, and FIG. 7 is a view showing a change in the LF/HF ratio of the portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention, and FIG. A diagram showing a change in amplitude of acceleration sensor data of a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention, and FIG. 9 is a 3 seconds of a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention. It is a diagram showing a graph of ECG signal and acceleration sensor data in a sleep apnea state during a period of time, and FIG. 10 is a diagram illustrating a sleep apnea state for 5 seconds of a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention. It is a diagram showing a graph of ECG signal and acceleration sensor data. 2 to 10, the portable sleep apnea computer-assisted diagnosis sensor device 100 according to an embodiment of the present invention includes an ECG sensor 110, a 3-axis acceleration sensor 120, and a signal processing unit ( 130), and the determination unit 140 may be included.

ECG 센서(110)는, 수면자의 심전도 데이터를 검출하기 위한 구성이다. 이러한 ECG 센서(110)는 수면자의 신체에 접촉하여 심장의 리듬을 측정할 수 있다. 여기서, ECG 센서(110)는 심근이 각 심장 박동마다 탈분극을 할 때 피부에서 감지되는 미세한 전기 신호를 검출하고 증폭시켜 출력할 수 있다.
The ECG sensor 110 is a configuration for detecting ECG data of a sleeper. The ECG sensor 110 may measure the rhythm of the heart by contacting the sleeper's body. Here, the ECG sensor 110 may detect, amplify, and output a microscopic electrical signal detected by the skin when the myocardium is depolarized for each heartbeat.

3축 가속도 센서(120)는, 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하기 위한 구성이다. 이러한 3축 가속도 센서(120)는 수면자의 정상적인 호흡 상태와 비정상적인 무호흡 상태에서의 수면자의 흉부의 움직임 차이를 측정할 수 있다. 이러한 3축 가속도 센서(120)는 도 3에 도시된 바와 같이, 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정할 수 있도록 ECG 센서(110)를 결합하여 구성할 수 있다.
The 3-axis acceleration sensor 120 is a configuration for measuring a difference in movement of the chest in a sleeper's breathing state and an apnea state. The 3-axis acceleration sensor 120 may measure a difference in movement of the sleeper's chest in the sleeper's normal breathing state and the abnormal apnea state. As shown in FIG. 3, the 3-axis acceleration sensor 120 may be configured by combining the ECG sensor 110 to simultaneously measure the movement of the chest and the ECG during breathing of the sleeper.

신호 처리부(130)는, ECG 센서(110)에서 검출되는 심전도 데이터와 3축 가속도 센서(120)에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 구성이다. 이러한 신호 처리부(130)는 도 4에 도시된 바와 같이, ECG 센서(110)로부터 검출되는 수면자의 심전도 데이터에서 HRV(heart rate variability)를 구하는 알고리즘 처리를 수행할 수 있다.
The signal processing unit 130 performs algorithm processing for each of the ECG data detected by the ECG sensor 110 and the 3-axis acceleration signal detected by the 3-axis acceleration sensor 120 for diagnosis of sleep apnea (OSA). It is a configuration that extracts significant feature points. As shown in FIG. 4, the signal processing unit 130 may perform algorithm processing for obtaining heart rate variability (HRV) from ECG data of a sleeper detected from the ECG sensor 110.

또한, 신호 처리부(130)는 HRV(heart rate variability)를 구하는 알고리즘 처리를 수행하는 과정으로, BPF(band-pass filter)를 사용하여 데이터의 잡음을 없앤 후 Pan Tompkins 알고리즘을 이용하여 R-peak를 찾아내고 심전도 데이터의 R-R 간격을 구하는 알고리즘 처리를 수행할 수 있다. 이때, 검출한 심박동 시리즈들은 등간격 신호가 아니기 때문에 일반적인 주파수 분석 방법에 바로 적용할 수 없다. 이에 따라 심박동 시리즈로부터 등간격으로 구성된 심박변동 신호를 유도하기 위한 신호 처리가 요구된다.
In addition, the signal processing unit 130 is a process of performing algorithm processing to obtain heart rate variability (HRV), and after removing noise from data using a band-pass filter (BPF), R-peak is obtained using the Pan Tompkins algorithm. Algorithm processing can be performed to find and obtain the RR interval of ECG data. At this time, since the detected heartbeat series are not equally spaced signals, they cannot be directly applied to a general frequency analysis method. Accordingly, signal processing is required to induce a heart rate fluctuation signal composed of equal intervals from a heart rate series.

즉, 신호 처리부(130)는 심박변동신호를 유도하기 위해 4㎐의 등간격으로 다운 샘플링한 후 HRV tachogram을 구하고, STFT(Short Time Fourier Transform)를 사용하여 스펙트로그램을 계산하여 구할 수 있다. 이어, 신호 처리부(130)는 자율신경계의 균형을 나타내는 지료로서 사용되는 스펙트로그램의 LF(low frequency)/HF(high frequency)를 시간별로 나타내고, 이로부터 최댓값(mas(LF/HF)), 최솟값(min(LF/HF)), 평균값(avg(LF/HF))의 총 3개의 특징점을 계산하여 구하게 된다. 여기서, 스펙트로그램의 LF/HF 비율의 증가는 교감 신경의 활성 증가를 나타내고, LF/HF 비율의 감소는 교감 신경의 활성 감소를 나타내게 된다. 대부분의 수면 무호흡증(OSA) 환자에게서 매우 높게 증가하는 교감 신경 활동을 특징점으로 추출하여 이용하게 된다.
That is, the signal processing unit 130 can obtain the HRV tachogram after down-sampling at equal intervals of 4 Hz in order to induce the heart rate fluctuation signal, and calculate the spectrogram using the Short Time Fourier Transform (STFT). Subsequently, the signal processing unit 130 represents the LF (low frequency) / HF (high frequency) of the spectrogram used as a material indicating the balance of the autonomic nervous system by time, from which the maximum value (mas (LF/HF)), the minimum value (min(LF/HF)) and average value (avg(LF/HF)) are calculated by calculating a total of 3 feature points. Here, an increase in the LF/HF ratio of the spectrogram indicates an increase in sympathetic nerve activity, and a decrease in the LF/HF ratio indicates a decrease in the sympathetic nerve activity. In most sleep apnea (OSA) patients, sympathetic nerve activity, which increases very high, is extracted and used as a feature point.

또한, 신호 처리부(130)는 3축 가속도 센서(120)로부터 검출되는 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하되, 3축 데이터의 평균값 x, y, z의 특징점을 추출할 수 있다. 이러한 신호 처리부(130)는 도 5에 도시된 바와 같이, 3축 가속도 센서(120)로부터 검출되는 호흡 상태와 무호흡 상태에서의 흉부의 움직임의 차이를 측정하기 위해 90㎐의 샘플링 주파수와 1㎐의 저역 통과 필터 및 0.1㎐의 고역 통과 필터를 사용하여 잡음을 제거하고, 측정된 3축 데이터의 평균값 x(avg(accel.x)), y(avg(accel.y)), z(avg(accel.z))의 총 3개의 특징점을 계산하여 구할 수 있다.
In addition, the signal processing unit 130 measures the difference in the movement of the sleeper's breathing state and the chest in the apnea state detected from the 3-axis acceleration sensor 120, and extracts the characteristic points of the average values of the 3-axis data x, y, and z. I can. As shown in FIG. 5, the signal processing unit 130 measures the difference between the movement of the chest in the breathing state and the apnea state detected by the 3-axis acceleration sensor 120, with a sampling frequency of 90 Hz and a sampling frequency of 1 Hz. Noise is removed using a low-pass filter and a high-pass filter of 0.1 Hz, and the average value of the measured triaxial data x(avg(accel.x)), y(avg(accel.y)), z(avg(accel.y)) It can be obtained by calculating a total of 3 feature points of .z)).

판단부(140)는, 신호 처리부(130)의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별할 수 있다. 이러한 판단부(140)는 신호 처리부(130)에서 추출한 심전도 데이터에 대한 3개의 특징점과 3축 데이터의 평균값 x, y, z의 3개의 특징점에 기초한 머신 러닝 기법을 통한 축적되어 학습된 정상 수면과 수면 무호흡증의 비교를 통해 폐쇄성 수면 무호흡증(OSA)을 비교 판단할 수 있다. 여기서, 판단부(140)는 신호 처리부(130)에서 추출된 6개의 특징점들은 Adaboost 학습에 사용되고, 생성된 특징점들의 분류(classifier)는 10배 교차 검증(10-folds cross validation)이 적용될 수 있다.
The determination unit 140 may determine obstructive sleep apnea through a machine learning technique using the extracted feature points of the signal processing unit 130. This determination unit 140 is accumulated and learned through a machine learning technique based on three feature points of the ECG data extracted from the signal processing unit 130 and three feature points of the average value of the three-axis data x, y, and z. By comparing sleep apnea, obstructive sleep apnea (OSA) can be compared. Here, the determination unit 140 may use the six feature points extracted from the signal processing unit 130 for Adaboost learning, and a 10-folds cross validation may be applied to a classifier of the generated feature points.

도 6은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 심박수 변화의 STFT 분석 결과를 나타내고 있다. 도 6의 (a)는 STFT 분석에 따른 정상적인 심박수 변화를 나타내고, 도 6의 (b)는 STFT 분석에 따른 폐쇄성 수면 무호흡증(OSA)의 심박수 변화를 나타내고 있다.
6 shows the STFT analysis result of the heart rate change of the portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention. FIG. 6(a) shows the normal heart rate change according to the STFT analysis, and FIG. 6(b) shows the heart rate change of obstructive sleep apnea (OSA) according to the STFT analysis.

도 7은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 LF/HF 비율의 변화를 나타내고 있다. 도 7의 (a)는 정상적인 수면 상태에서 LF/HF(저주파 성분과 고주파 성분의 비율)의 비율을 나타내고 있으며, 도 7의 (b)는 비정상적인 폐쇄성 수면 무호흡증 상태에서의 LF/HF(저주파 성분과 고주파 성분의 비율)의 비율을 나타내고 있다.
7 shows a change in the LF/HF ratio of the portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention. Figure 7 (a) shows the ratio of LF/HF (the ratio of the low frequency component and the high frequency component) in a normal sleep state, and Figure 7 (b) shows the LF/HF (low frequency component and the low frequency component) in the abnormal obstructive sleep apnea state. The ratio of high-frequency components) is shown.

도 8은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 가속도 센서 데이터의 진폭 변화를 나타내고 있다. 도 8의 (a)는 정상 호흡 상태에서의 가속 데이터의 진폭 변화를 나타내고 있으며, 도 8의 (b)는 비정상적인 폐쇄성 수면 무호흡증 상태에서의 가속 데이터의 진폭 변화를 나타내고 있다.
FIG. 8 shows amplitude changes of acceleration sensor data of a portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention. Fig. 8(a) shows the amplitude change of acceleration data in a normal breathing state, and Fig. 8(b) shows the amplitude change of acceleration data in an abnormal obstructive sleep apnea condition.

도 9는 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 3초 동안의 수면 무호흡 상태에 있는 ECG 신호 및 가속도 센서 데이터의 그래프를 나타내고, 도 10은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 5초 동안의 수면 무호흡 상태에 있는 ECG 신호 및 가속도 센서 데이터의 그래프를 나타내고 있다. 즉, 도 9는 3초 동안 수면 무호흡 상태에 있는 ECG 신호와 가속 데이터를 나타내고 있으며, 도 10은 5초 동안의 수면 무호흡 상태에 있는 ECG 신호와 가속 데이터를 나타내고 있다.
FIG. 9 is a graph of ECG signals and acceleration sensor data in a sleep apnea state for 3 seconds of a portable sleep apnea computer-assisted diagnosis sensor device according to an embodiment of the present invention, and FIG. 10 is a graph of acceleration sensor data according to an embodiment of the present invention. A graph of ECG signals and acceleration sensor data in sleep apnea for 5 seconds of the portable sleep apnea computer-assisted diagnosis sensor device according to the present invention is shown. That is, FIG. 9 shows the ECG signal and acceleration data in the sleep apnea state for 3 seconds, and FIG. 10 shows the ECG signal and acceleration data in the sleep apnea state for 5 seconds.

도 11은 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법에 대한 흐름을 도시한 도면이다. 도 11에 도시된 바와 같이, 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법은, 심전도 데이터를 검출하는 단계(S110), 흉부의 움직임 차이를 측정하는 단계(S120), 심전도 데이터와 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 단계(S130), 및 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 단계(S14)를 포함하여 구현될 수 있다.
11 is a diagram illustrating a flow of a control method of a portable sleep apnea computer assisted diagnosis sensor device according to an embodiment of the present invention. As shown in FIG. 11, a method of controlling a portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention includes detecting electrocardiogram data (S110), and measuring a difference in motion of the chest (S120). , Extracting significant feature points for diagnosis of sleep apnea (OSA) by performing algorithm processing for each of the ECG data and the 3-axis acceleration signal (S130), and obstructive sleep apnea through machine learning techniques using the extracted feature points. It may be implemented including the step of determining (S14).

단계 S110에서는, ECG 센서(110)가 수면자의 심전도 데이터를 검출한다. 이러한 단계 S110에서의 ECG 센서(110)는 수면자의 신체에 접촉하여 심장의 리듬을 측정할 수 있다. 여기서, ECG 센서(110)는 심근이 각 심장 박동마다 탈분극을 할 때 피부에서 감지되는 미세한 전기 신호를 검출하고 증폭시켜 출력할 수 있다.
In step S110, the ECG sensor 110 detects the sleeper's electrocardiogram data. The ECG sensor 110 in this step S110 may measure the rhythm of the heart by contacting the sleeper's body. Here, the ECG sensor 110 may detect, amplify, and output a microscopic electrical signal detected by the skin when the myocardium is depolarized for each heartbeat.

단계 S120에서는, 3축 가속도 센서(120)가 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정한다. 이러한 단계 S120에서의 3축 가속도 센서(120)는 수면자의 정상적인 호흡 상태와 비정상적인 무호흡 상태에서의 수면자의 흉부의 움직임 차이를 측정할 수 있다. 여기서, 3축 가속도 센서(120)는 도 3에 도시된 바와 같이, 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정할 수 있도록 ECG 센서(110)를 결합하여 구성할 수 있다.
In step S120, the 3-axis acceleration sensor 120 measures a difference in movement of the chest in the breathing state and the apnea state of the sleeper. In this step S120, the 3-axis acceleration sensor 120 may measure a difference in movement of the sleeper's chest in the sleeper's normal breathing state and the abnormal apnea state. Here, the 3-axis acceleration sensor 120 may be configured by combining the ECG sensor 110 to simultaneously measure the movement of the chest and the ECG during breathing of the sleeper, as shown in FIG. 3.

단계 S130에서는, 신호 처리부(130)가 단계 S110에서의 ECG 센서(110)에서 검출되는 심전도 데이터와 단계 S120에서의 3축 가속도 센서(120)에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출한다. 이러한 신호 처리부(130)는 ECG 센서(110)로부터 검출되는 수면자의 심전도 데이터에서 HRV(heart rate variability)를 구하는 알고리즘 처리를 수행할 수 있다.
In step S130, the signal processing unit 130 performs algorithm processing for each of the ECG data detected by the ECG sensor 110 in step S110 and the 3-axis acceleration signal detected by the 3-axis acceleration sensor 120 in step S120. Through this, significant feature points for the diagnosis of sleep apnea (OSA) are extracted. The signal processing unit 130 may perform algorithm processing for obtaining heart rate variability (HRV) from ECG data of a sleeper detected by the ECG sensor 110.

또한, 단계 S130에서의 심전도 데이터의 특징점을 추출하는 과정은, 도 4에 도시된 바와 같이, 신호 처리부(130)에서 HRV(heart rate variability)를 구하는 알고리즘 처리를 수행하는 과정으로, BPF(band-pass filter)를 사용하여 데이터의 잡음을 없앤 후 Pan Tompkins 알고리즘을 이용하여 R-peak를 찾아내고 심전도 데이터의 R-R 간격을 구하는 알고리즘 처리를 수행할 수 있다. 이때, 검출한 심박동 시리즈들은 등간격 신호가 아니기 때문에 일반적인 주파수 분석 방법에 바로 적용할 수 없다. 이에 따라 심박동 시리즈로부터 등간격으로 구성된 심박변동 신호를 유도하기 위한 신호 처리가 요구된다. 이에 따라, 신호 처리부(130)는 심박변동신호를 유도하기 위해 4㎐의 등간격으로 다운 샘플링한 후 HRV tachogram을 구하고, STFT(Short Time Fourier Transform)를 사용하여 스펙트로그램을 계산하여 구할 수 있다. 이어, 신호 처리부(130)는 자율신경계의 균형을 나타내는 지료로서 사용되는 스펙트로그램의 LF(low frequency)/HF(high frequency)를 시간별로 나타내고, 이로부터 최댓값(mas(LF/HF)), 최솟값(min(LF/HF)), 평균값(avg(LF/HF))의 총 3개의 특징점을 계산하여 구하게 된다. 여기서, 스펙트로그램의 LF/HF 비율의 증가는 교감 신경의 활성 증가를 나타내고, LF/HF 비율의 감소는 교감 신경의 활성 감소를 나타내게 된다. 대부분의 수면 무호흡증(OSA) 환자에게서 매우 높게 증가하는 교감 신경 활동을 특징점으로 추출하여 이용하게 된다.
In addition, the process of extracting the feature points of the electrocardiogram data in step S130 is a process in which the signal processing unit 130 performs algorithm processing for obtaining heart rate variability (HRV), as shown in FIG. After removing noise from the data by using a pass filter), it is possible to find the R-peak using the Pan Tompkins algorithm and perform an algorithm processing to obtain the RR interval of the ECG data. At this time, since the detected heartbeat series are not equally spaced signals, they cannot be directly applied to a general frequency analysis method. Accordingly, signal processing is required to induce a heart rate fluctuation signal composed of equal intervals from a heart rate series. Accordingly, the signal processing unit 130 can obtain the HRV tachogram after down-sampling at equal intervals of 4 Hz to induce the heart rate fluctuation signal, and calculate the spectrogram using a short time fourier transform (STFT). Subsequently, the signal processing unit 130 represents the LF (low frequency) / HF (high frequency) of the spectrogram used as a material indicating the balance of the autonomic nervous system by time, from which the maximum value (mas (LF/HF)), the minimum value (min(LF/HF)) and average value (avg(LF/HF)) are calculated by calculating a total of 3 feature points. Here, an increase in the LF/HF ratio of the spectrogram indicates an increase in sympathetic nerve activity, and a decrease in the LF/HF ratio indicates a decrease in the sympathetic nerve activity. In most sleep apnea (OSA) patients, sympathetic nerve activity, which increases very high, is extracted and used as a feature point.

한편, 단계 S130에서의 3축 데이터 신호의 특징점을 추출하는 과정은, 도 5에 도시된 바와 같이, 신호 처리부(130)가 3축 가속도 센서(120)로부터 검출되는 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하되, 3축 데이터의 평균값 x, y, z의 특징점을 추출할 수 있다. 이러한 신호 처리부(130)는 3축 가속도 센서(120)로부터 검출되는 호흡 상태와 무호흡 상태에서의 흉부의 움직임의 차이를 측정하기 위해 90㎐의 샘플링 주파수와 1㎐의 저역 통과 필터 및 0.1㎐의 고역 통과 필터를 사용하여 잡음을 제거하고, 측정된 3축 데이터의 평균값 x(avg(accel.x)), y(avg(accel.y)), z(avg(accel.z))의 총 3개의 특징점을 계산하여 구할 수 있다.
On the other hand, the process of extracting the feature points of the 3-axis data signal in step S130, as shown in Figure 5, the signal processing unit 130 in the breathing state and apnea state of the sleeper detected from the 3-axis acceleration sensor 120 While measuring the difference in the motion of the chest, it is possible to extract the feature points of the average values of the 3-axis data x, y, z. The signal processing unit 130 includes a sampling frequency of 90 Hz, a low pass filter of 1 Hz, and a high pass filter of 0.1 Hz in order to measure the difference between the movement of the chest in the breathing state and the apnea state detected by the 3-axis acceleration sensor 120. Noise was removed using a pass filter, and a total of three values: x(avg(accel.x)), y(avg(accel.y)), z(avg(accel.z)) of the measured triaxial data. It can be obtained by calculating the feature points.

단계 S140에서는, 단계 S130 이후, 판단부(140)가 신호 처리부(130)의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별한다. 이러한 단계 S140에서의 판단부(140)는 신호 처리부(130)에서 추출한 심전도 데이터에 대한 3개의 특징점과 3축 데이터의 평균값 x, y, z의 3개의 특징점에 기초한 머신 러닝 기법을 통한 축적되어 학습된 정상 수면과 수면 무호흡증의 비교를 통해 폐쇄성 수면 무호흡증(OSA)을 비교 판단할 수 있다. 여기서, 판단부(140)는 신호 처리부(130)에서 추출된 6개의 특징점들은 Adaboost 학습에 사용되고, 생성된 특징점들의 분류(classifier)는 10배 교차 검증(10-folds cross validation)이 적용될 수 있다.
In step S140, after step S130, the determination unit 140 determines obstructive sleep apnea through a machine learning technique using the extracted feature points of the signal processing unit 130. The determination unit 140 in this step S140 accumulates and learns through a machine learning technique based on three feature points of the ECG data extracted from the signal processing unit 130 and three feature points of the average value of the three-axis data x, y, and z. Obstructive sleep apnea (OSA) can be compared and judged by comparing normal sleep and sleep apnea. Here, the determination unit 140 may use the six feature points extracted from the signal processing unit 130 for Adaboost learning, and a 10-folds cross validation may be applied to a classifier of the generated feature points.

상술한 바와 같이, 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법은, 수면자의 심전도 데이터를 검출하기 위한 ECG 센서와, 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하기 위한 3축 가속도 센서와, ECG 센서에서 검출되는 심전도 데이터와 3축 가속도 센서에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 신호 처리부와, 신호 처리부의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 판단부를 포함하여 구성함으로써, 기존의 표준 수면 타원 검사 방법에서의 장비 부착의 번거로움 및 불편함과 비용의 부담 및 장소의 제약 없이 폐쇄성 수면 무호흡증을 쉽고 빠르게 진단할 수 있으며, 특히, 3축 가속도 센서에 심전도(ECG)를 측정할 수 있도록 ECG 센서를 결합하고, 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정하고, 획득된 심전도 데이터와 3차원 가속도 데이터에 대한 신호 처리를 통해 추출된 특징점에 기초하여 폐쇄성 수면 무호흡증을 판별할 수 있도록 함으로써, 수면자의 계측되는 생체신호의 종류를 줄여 환자의 불편함을 최소화하면서도, 폐쇄성 수면 무호흡증의 진단의 편의성 및 휴대성이 더욱 향상될 수 있도록 할 수 있게 된다.
As described above, the portable sleep apnea computer-assisted diagnosis sensor device and the control method according to an embodiment of the present invention include an ECG sensor for detecting ECG data of a sleeper, and the chest of the sleeper in a breathing state and apnea state. Significant for diagnosis of sleep apnea (OSA) by performing algorithm processing for each of the 3-axis acceleration sensor to measure the difference in motion, the ECG data detected by the ECG sensor, and the 3-axis acceleration signal detected by the 3-axis acceleration sensor. By including a signal processing unit that extracts feature points and a determination unit that determines obstructive sleep apnea through machine learning techniques using the extracted feature points from the signal processing unit, the inconvenience and inconvenience of attaching equipment in the existing standard sleep ellipse test method Obstructive sleep apnea can be easily and quickly diagnosed without burden of ship and cost and restrictions of place.In particular, ECG sensor is combined to measure electrocardiogram (ECG) with 3-axis acceleration sensor, and chest movement during breathing of sleeper By measuring both ECG and ECG at the same time, and determining obstructive sleep apnea based on the feature points extracted through signal processing of the acquired electrocardiogram data and 3D acceleration data, the type of measured bio-signals of the sleeper can be reduced. While minimizing discomfort, it is possible to further improve the convenience and portability of the diagnosis of obstructive sleep apnea.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention described above can be modified or applied in various ways by those of ordinary skill in the technical field to which the present invention belongs, and the scope of the technical idea according to the present invention should be determined by the following claims.

100: 본 발명의 일실시예에 따른 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치
110: ECG 센서
120: 3축 가속도 센서
130: 신호 처리부
140: 판단부
S110: 심전도 데이터를 검출하는 단계
S120: 흉부의 움직임 차이를 측정하는 단계
S130: 심전도 데이터와 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 단계
S140: 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 단계100: portable sleep apnea computer-assisted diagnostic sensor device according to an embodiment of the present invention
110: ECG sensor
120: 3-axis acceleration sensor
130: signal processing unit
140: judgment unit
S110: detecting ECG data
S120: measuring the difference in movement of the chest
S130: Extracting significant feature points for diagnosis of sleep apnea (OSA) by performing algorithm processing for each of the ECG data and the 3-axis acceleration signal
S140: Discriminating obstructive sleep apnea through machine learning techniques using the extracted feature points

Claims (20)

휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치(100)로서,
수면자의 심전도 데이터를 검출하기 위한 ECG 센서(110);
수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하기 위한 3축 가속도 센서(120);
상기 ECG 센서(110)에서 검출되는 심전도 데이터와 상기 3축 가속도 센서(120)에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 신호 처리부(130); 및
상기 신호 처리부(130)의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 판단부(140)를 포함하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.As a portable sleep apnea computer assisted diagnosis sensor device 100,
ECG sensor 110 for detecting ECG data of a sleeper;
3-axis acceleration sensor 120 for measuring a difference in movement of the chest in the sleeper's breathing state and apnea state;
Extracting significant feature points for diagnosis of sleep apnea (OSA) by performing algorithm processing for each of the ECG data detected by the ECG sensor 110 and the 3-axis acceleration signal detected by the 3-axis acceleration sensor 120 A signal processing unit 130; And
And a determination unit 140 for determining obstructive sleep apnea through a machine learning technique through the extracted feature points of the signal processing unit 130. Portable sleep apnea computer assisted diagnosis sensor device. 제1항에 있어서, 상기 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치(100)는,
상기 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정할 수 있도록 상기 3축 가속도 센서(120)에 ECG 센서(110)를 결합하여 구성하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method of claim 1, wherein the portable sleep apnea computer-assisted diagnostic sensor device (100),
A portable sleep apnea computer-assisted diagnostic sensor device, characterized in that the 3-axis acceleration sensor 120 is configured by combining the ECG sensor 110 so as to simultaneously measure the chest movement and ECG when the sleeper breathes. 제1항에 있어서, 상기 신호 처리부(130)는,
상기 ECG 센서(110)로부터 검출되는 수면자의 심전도 데이터에서 HRV(heart rate variability)를 구하는 알고리즘 처리를 수행하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method of claim 1, wherein the signal processing unit 130,
A portable sleep apnea computer-assisted diagnosis sensor device, characterized in that it performs algorithm processing for obtaining heart rate variability (HRV) from the sleeper's electrocardiogram data detected by the ECG sensor 110. 제3항에 있어서, 상기 신호 처리부(130)는,
HRV(heart rate variability)를 구하는 알고리즘 처리를 수행하는 과정으로, BPF(band-pass filter)를 사용하여 데이터의 잡음을 없앤 후 Pan Tompkins 알고리즘을 이용하여 R-peak를 찾아내고 심전도 데이터의 R-R 간격을 구하는 알고리즘 처리를 수행하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method of claim 3, wherein the signal processing unit 130,
This is the process of performing algorithm processing to obtain heart rate variability (HRV).After removing noise from data by using a band-pass filter (BPF), R-peak is found using Pan Tompkins algorithm and RR interval of ECG data is determined. A portable sleep apnea computer-assisted diagnostic sensor device, characterized in that it performs algorithmic processing to obtain. 제4항에 있어서, 상기 신호 처리부(130)는,
심박변동신호를 유도하기 위해 4㎐의 등간격으로 다운 샘플링한 후 HRV tachogram을 구하고, STFT(Short Time Fourier Transform)를 사용하여 스펙트로그램을 계산하여 구하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method of claim 4, wherein the signal processing unit 130,
A portable sleep apnea computer-assisted diagnostic sensor, characterized in that after down-sampling at equal intervals of 4㎐ to induce heart rate fluctuation signals, and then calculating the HRV tachogram and calculating the spectrogram using STFT (Short Time Fourier Transform). Device. 제5항에 있어서, 상기 신호 처리부(130)는,
자율신경계의 균형을 나타내는 지료로서 사용되는 스펙트로그램의 LF(low frequency)/HF(high frequency)를 시간별로 나타내고, 이로부터 최댓값(mas(LF/HF)), 최솟값(min(LF/HF)), 평균값(avg(LF/HF))의 총 3개의 특징점을 계산하여 구하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method of claim 5, wherein the signal processing unit 130,
The LF (low frequency)/HF (high frequency) of the spectrogram used as an indicator of the balance of the autonomic nervous system is represented by time, from which the maximum value (mas (LF/HF)) and the minimum value (min (LF/HF)) , A portable sleep apnea computer-assisted diagnosis sensor device, characterized in that calculating and obtaining a total of three feature points of the average value (avg(LF/HF)). 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 신호 처리부(130)는,
상기 3축 가속도 센서(120)로부터 검출되는 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하되, 3축 데이터의 평균값 x, y, z의 특징점을 추출하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method according to any one of claims 1 to 6, wherein the signal processing unit 130,
Portable sleep, characterized in that the difference in movement of the chest in the breathing state and the apnea state detected by the 3-axis acceleration sensor 120 is measured, and feature points of the average values of the 3-axis data x, y, and z are extracted. Apnea computer assisted diagnostic sensor device. 제7항에 있어서, 상기 신호 처리부(130)는,
상기 3축 가속도 센서(120)로부터 검출되는 호흡 상태와 무호흡 상태에서의 흉부의 움직임의 차이를 측정하기 위해 90㎐의 샘플링 주파수와 1㎐의 저역 통과 필터 및 0.1㎐의 고역 통과 필터를 사용하여 잡음을 제거하고, 측정된 3축 데이터의 평균값 x(avg(accel.x)), y(avg(accel.y)), z(avg(accel.z))의 총 3개의 특징점을 계산하여 구하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method of claim 7, wherein the signal processing unit 130,
Noise by using a sampling frequency of 90 Hz, a low pass filter of 1 Hz, and a high pass filter of 0.1 Hz to measure the difference between the movement of the chest in the breathing state and the apnea state detected by the 3-axis acceleration sensor 120. Is removed, and a total of three feature points of x(avg(accel.x)), y(avg(accel.y)), and z(avg(accel.z)) of the measured 3-axis data are calculated. A portable sleep apnea computer-assisted diagnostic sensor device, characterized in that. 제8항에 있어서, 상기 판단부(140)는,
상기 신호 처리부(130)에서 추출한 심전도 데이터에 대한 3개의 특징점과 3축 데이터의 평균값 x, y, z의 3개의 특징점에 기초한 머신 러닝 기법을 통한 축적되어 학습된 정상 수면과 수면 무호흡증의 비교를 통해 폐쇄성 수면 무호흡증(OSA)을 비교 판단하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method of claim 8, wherein the determination unit 140,
Through a comparison of normal sleep and sleep apnea that are accumulated and learned through a machine learning technique based on three feature points of the ECG data extracted from the signal processing unit 130 and three feature points of the average value of the three-axis data x, y, and z. A portable sleep apnea computer-assisted diagnosis sensor device, characterized in that for comparing and determining obstructive sleep apnea (OSA). 제9항에 있어서, 상기 판단부(140)는,
상기 신호 처리부(130)에서 추출된 6개의 특징점들은 Adaboost 학습에 사용되고, 생성된 특징점들의 분류(classifier)는 10배 교차 검증(10-folds cross validation)이 적용되는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치.The method of claim 9, wherein the determination unit 140,
A portable sleep apnea computer, characterized in that the six feature points extracted from the signal processing unit 130 are used for Adaboost learning, and a 10-folds cross validation is applied to the classifier of the generated feature points. Secondary diagnostic sensor device. 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치(100)의 제어 방법으로서,
(1) ECG 센서(110)가 수면자의 심전도 데이터를 검출하는 단계;
(2) 3축 가속도 센서(120)가 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하는 단계;
(3) 신호 처리부(130)가 상기 단계 (1)에서의 상기 ECG 센서(110)에서 검출되는 심전도 데이터와 상기 단계 (2)에서의 상기 3축 가속도 센서(120)에서 검출되는 3축 가속도 신호의 각각에 대한 알고리즘 처리 수행을 통해 수면 무호흡증(OSA)의 진단을 위한 유의미한 특징점을 추출하는 단계; 및
(4) 상기 단계 (3) 이후, 판단부(140)가 상기 신호 처리부(130)의 추출된 특징점을 통한 머신 러닝 기법을 통해 폐쇄성 수면 무호흡증을 판별하는 단계를 포함하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.As a control method of the portable sleep apnea computer assisted diagnosis sensor device 100,
(1) ECG sensor 110 detecting ECG data of a sleeper;
(2) measuring, by the 3-axis acceleration sensor 120, the difference in movement of the chest in the breathing state and the apnea state of the sleeper;
(3) The signal processing unit 130 includes electrocardiogram data detected by the ECG sensor 110 in step (1) and a 3-axis acceleration signal detected by the 3-axis acceleration sensor 120 in step (2). Extracting significant feature points for diagnosis of sleep apnea (OSA) by performing algorithm processing for each of the; And
(4) After the step (3), the determination unit 140 determines obstructive sleep apnea through a machine learning technique through the extracted feature points of the signal processing unit 130, characterized in that it comprises the step of Control method of apnea computer-assisted diagnostic sensor device. 제11항에 있어서, 상기 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치(100)는,
상기 수면자의 호흡 시 흉부의 움직임과 ECG를 동시에 측정할 수 있도록 상기 3축 가속도 센서(120)에 ECG 센서(110)를 결합하여 구성하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method of claim 11, wherein the portable sleep apnea computer-assisted diagnostic sensor device (100),
Control of a portable sleep apnea computer-assisted diagnostic sensor device, characterized in that the 3-axis acceleration sensor 120 is configured by combining the ECG sensor 110 so that the chest movement and ECG can be simultaneously measured when the sleeper breathes Way. 제11항에 있어서, 상기 신호 처리부(130)는,
상기 ECG 센서(110)로부터 검출되는 수면자의 심전도 데이터에서 HRV(heart rate variability)를 구하는 알고리즘 처리를 수행하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method of claim 11, wherein the signal processing unit 130,
A method of controlling a portable sleep apnea computer-assisted diagnosis sensor device, characterized in that performing algorithm processing for obtaining heart rate variability (HRV) from the sleeper's electrocardiogram data detected from the ECG sensor 110. 제13항에 있어서, 상기 신호 처리부(130)는,
HRV(heart rate variability)를 구하는 알고리즘 처리를 수행하는 과정으로, BPF(band-pass filter)를 사용하여 데이터의 잡음을 없앤 후 Pan Tompkins 알고리즘을 이용하여 R-peak를 찾아내고 심전도 데이터의 R-R 간격을 구하는 알고리즘 처리를 수행하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method of claim 13, wherein the signal processing unit 130,
This is the process of performing algorithm processing to obtain heart rate variability (HRV).After removing noise from data by using a band-pass filter (BPF), R-peak is found using Pan Tompkins algorithm and RR interval of ECG data is determined. A method of controlling a portable sleep apnea computer-assisted diagnosis sensor device, characterized in that performing algorithm processing to be obtained. 제14항에 있어서, 상기 신호 처리부(130)는,
심박변동신호를 유도하기 위해 4㎐의 등간격으로 다운 샘플링한 후 HRV tachogram을 구하고, STFT(Short Time Fourier Transform)를 사용하여 스펙트로그램을 계산하여 구하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method of claim 14, wherein the signal processing unit 130,
A portable sleep apnea computer-assisted diagnostic sensor, characterized in that after down-sampling at equal intervals of 4㎐ to induce heart rate fluctuation signals, and then calculating the HRV tachogram and calculating the spectrogram using STFT (Short Time Fourier Transform). How to control the device. 제15항에 있어서, 상기 신호 처리부(130)는,
자율신경계의 균형을 나타내는 지료로서 사용되는 스펙트로그램의 LF(low frequency)/HF(high frequency)를 시간별로 나타내고, 이로부터 최댓값(mas(LF/HF)), 최솟값(min(LF/HF)), 평균값(avg(LF/HF))의 총 3개의 특징점을 계산하여 구하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method of claim 15, wherein the signal processing unit 130,
The LF (low frequency)/HF (high frequency) of the spectrogram used as an indicator of the balance of the autonomic nervous system is represented by time, from which the maximum value (mas (LF/HF)) and the minimum value (min (LF/HF)) , A method of controlling a portable sleep apnea computer-assisted diagnosis sensor device, characterized in that calculating and obtaining a total of three feature points of an average value (avg(LF/HF)). 제11항 내지 제16항 중 어느 한 항에 있어서, 상기 신호 처리부(130)는,
상기 3축 가속도 센서(120)로부터 검출되는 수면자의 호흡 상태와 무호흡 상태에서의 흉부의 움직임 차이를 측정하되, 3축 데이터의 평균값 x, y, z의 특징점을 추출하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method according to any one of claims 11 to 16, wherein the signal processing unit 130,
Portable sleep, characterized in that the difference in movement of the chest in the breathing state and the apnea state detected by the 3-axis acceleration sensor 120 is measured, and feature points of the average values of the 3-axis data x, y, and z are extracted. Control method of apnea computer-assisted diagnostic sensor device. 제17항에 있어서, 상기 신호 처리부(130)는,
상기 3축 가속도 센서(120)로부터 검출되는 호흡 상태와 무호흡 상태에서의 흉부의 움직임의 차이를 측정하기 위해 90㎐의 샘플링 주파수와 1㎐의 저역 통과 필터 및 0.1㎐의 고역 통과 필터를 사용하여 잡음을 제거하고, 측정된 3축 데이터의 평균값 x(avg(accel.x)), y(avg(accel.y)), z(avg(accel.z))의 총 3개의 특징점을 계산하여 구하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method of claim 17, wherein the signal processing unit 130,
Noise by using a sampling frequency of 90 Hz, a low pass filter of 1 Hz, and a high pass filter of 0.1 Hz to measure the difference between the movement of the chest in the breathing state and the apnea state detected by the 3-axis acceleration sensor 120. Is removed, and a total of three feature points of x(avg(accel.x)), y(avg(accel.y)), and z(avg(accel.z)) of the measured 3-axis data are calculated. A method of controlling a portable sleep apnea computer-assisted diagnostic sensor device, characterized in that. 제18항에 있어서, 상기 판단부(140)는,
상기 신호 처리부(130)에서 추출한 심전도 데이터에 대한 3개의 특징점과 3축 데이터의 평균값 x, y, z의 3개의 특징점에 기초한 머신 러닝 기법을 통한 축적되어 학습된 정상 수면과 수면 무호흡증의 비교를 통해 폐쇄성 수면 무호흡증(OSA)을 비교 판단하는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method of claim 18, wherein the determination unit 140,
Through a comparison of normal sleep and sleep apnea that are accumulated and learned through a machine learning technique based on three feature points of the ECG data extracted from the signal processing unit 130 and three feature points of the average value of the three-axis data x, y, and z. A method of controlling a portable sleep apnea computer-assisted diagnosis sensor device, characterized in that for comparing and determining obstructive sleep apnea (OSA). 제19항에 있어서, 상기 판단부(140)는,
상기 신호 처리부(130)에서 추출된 6개의 특징점들은 Adaboost 학습에 사용되고, 생성된 특징점들의 분류(classifier)는 10배 교차 검증(10-folds cross validation)이 적용되는 것을 특징으로 하는, 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치의 제어 방법.The method of claim 19, wherein the determination unit 140,
A portable sleep apnea computer, characterized in that the six feature points extracted from the signal processing unit 130 are used for Adaboost learning, and a 10-folds cross validation is applied to the classifier of the generated feature points. Control method of auxiliary diagnostic sensor device.
KR1020190065623A 2019-06-03 2019-06-03 Portable sleep apnea computer assisted diagnosis sensor device and its control method KR102324471B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190065623A KR102324471B1 (en) 2019-06-03 2019-06-03 Portable sleep apnea computer assisted diagnosis sensor device and its control method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190065623A KR102324471B1 (en) 2019-06-03 2019-06-03 Portable sleep apnea computer assisted diagnosis sensor device and its control method

Publications (2)

Publication Number Publication Date
KR20200139049A true KR20200139049A (en) 2020-12-11
KR102324471B1 KR102324471B1 (en) 2021-11-10

Family

ID=73786334

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190065623A KR102324471B1 (en) 2019-06-03 2019-06-03 Portable sleep apnea computer assisted diagnosis sensor device and its control method

Country Status (1)

Country Link
KR (1) KR102324471B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220134714A (en) 2021-03-26 2022-10-05 ㈜엠에스엘 Sleeping posture improvement system based on real time biosignal
KR20230085526A (en) 2021-12-07 2023-06-14 경북대학교 산학협력단 Apparatus and method for classifying breathing state during sleep using biosignals
WO2023128713A1 (en) * 2021-12-31 2023-07-06 주식회사 에이슬립 Method, computing apparatus, and computer program for analyzing sleeping state of user through sound information

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101647431B1 (en) * 2015-01-07 2016-08-10 순천향대학교 산학협력단 A real-time sleep monitoring system using a smartphone
JP2016537115A (en) * 2013-11-22 2016-12-01 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． Apnea safety management

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016537115A (en) * 2013-11-22 2016-12-01 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． Apnea safety management
KR101647431B1 (en) * 2015-01-07 2016-08-10 순천향대학교 산학협력단 A real-time sleep monitoring system using a smartphone

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jong-Ha Lee, Monitoring Obstructive Sleep ApneaWith Electrocardiography and 3-Axis Acceleration Sensor, 8th ACM international conference, 2015. 1부.* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220134714A (en) 2021-03-26 2022-10-05 ㈜엠에스엘 Sleeping posture improvement system based on real time biosignal
KR20230085526A (en) 2021-12-07 2023-06-14 경북대학교 산학협력단 Apparatus and method for classifying breathing state during sleep using biosignals
WO2023128713A1 (en) * 2021-12-31 2023-07-06 주식회사 에이슬립 Method, computing apparatus, and computer program for analyzing sleeping state of user through sound information

Also Published As

Publication number Publication date
KR102324471B1 (en) 2021-11-10

Similar Documents

Publication Publication Date Title
US6893405B2 (en) Analysis of Sleep Apnea
US6363270B1 (en) Monitoring the occurrence of apneic and hypopneic arousals
Mack et al. Development and preliminary validation of heart rate and breathing rate detection using a passive, ballistocardiography-based sleep monitoring system
US9095307B2 (en) Methods for detection of respiratory effort and sleep apnea monitoring devices
Shin et al. Nonconstrained sleep monitoring system and algorithms using air-mattress with balancing tube method
JP5303802B2 (en) Apnea / hypopnea index derived from ECG
CN110035691B (en) Method and apparatus for measuring sleep apnea
JP5209545B2 (en) Biopsy device, program, and recording medium
WO2006082589A2 (en) Detection and monitoring of stress events during sleep
KR102324471B1 (en) Portable sleep apnea computer assisted diagnosis sensor device and its control method
JP2022520934A (en) Sleep monitoring system and method
JP6589108B2 (en) Apnea and / or hypopnea diagnostic device
JP2001258855A (en) Health judgment method and judgment device therefor
US20210196189A1 (en) Apparatus and a method for monitoring a patient during his sleep
JP2005160650A (en) Apnea syndrome determining instrument
JP6487081B2 (en) Biological information monitoring system
RU2564902C1 (en) Method of diagnosing obstructive sleep apnoea/hypopnoea syndrome
US20230009478A1 (en) Estimation of tidal volume using load cells on a hospital bed
WO2023048158A1 (en) Sleep apnea syndrome determination device, sleep apnea syndrome determination method, and program
KR102665153B1 (en) Apnea diagnosis device and method of operation thereof
JP6535770B2 (en) Biological information monitoring system
Kalkbrenner Novel sleep screening based on tracheal body sound and actigraphy
Lee Diagnosis of Obstructive Sleep Apnea Using ECG Sensor Computer-Aided Diagnosis with Portable ECG Recorder and Acceleration Sensors for Detecting Obstructive Sleep Apnea
Chung et al. Unconstrained heart rate estimation system in bed
JP2023066909A (en) Sleep apnea determination device, sleep apnea determination method, and sleep apnea determination program

Legal Events

Date Code Title Description
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