TW201922168A - 可偵測睡眠呼吸中止的穿戴式裝置及其偵測方法 - Google Patents

可偵測睡眠呼吸中止的穿戴式裝置及其偵測方法 Download PDF

Info

Publication number
TW201922168A
TW201922168A TW106140055A TW106140055A TW201922168A TW 201922168 A TW201922168 A TW 201922168A TW 106140055 A TW106140055 A TW 106140055A TW 106140055 A TW106140055 A TW 106140055A TW 201922168 A TW201922168 A TW 201922168A
Authority
TW
Taiwan
Prior art keywords
wave
processor
signal
sleep apnea
wave amplitude
Prior art date
Application number
TW106140055A
Other languages
English (en)
Other versions
TWI725255B (zh
Inventor
祓川浩一
簡仁建
林穎聰
洪翠禪
謝宜達
林建宏
Original Assignee
金寶電子工業股份有限公司
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 金寶電子工業股份有限公司 filed Critical 金寶電子工業股份有限公司
Priority to TW106140055A priority Critical patent/TWI725255B/zh
Priority to US15/992,172 priority patent/US20190150772A1/en
Priority to EP18184070.3A priority patent/EP3485806A1/en
Publication of TW201922168A publication Critical patent/TW201922168A/zh
Application granted granted Critical
Publication of TWI725255B publication Critical patent/TWI725255B/zh

Links

Classifications

    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—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
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—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
    • A61B5/6804—Garments; Clothes
    • A61B5/6805—Vests
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/07—Home care
    • 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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • 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
    • G16H50/70—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

Landscapes

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

Abstract

本發明提出一種可偵測睡眠呼吸中止的穿戴式裝置包括處理器以及心電感測器。處理器訓練類神經網路模組，以建立睡眠呼吸中止偵測模型。心電感測器感測睡眠情境的心電圖信號。處理器分析心電圖信號，以偵測在心電圖信號中的多個R波。處理器依據這些R波執行R波振幅分析操作、R波角度分析操作以及心律變異分析操作以取得多個特徵值。處理器利用經訓練後的睡眠呼吸中止偵測模型來依據這些特徵值執行睡眠呼吸中止偵測操作，以偵測睡眠情境是否發生睡眠呼吸中止事件。

Description

可偵測睡眠呼吸中止的穿戴式裝置及其偵測方法
本發明是有關於一種睡眠偵測技術，且特別是有關於一種可偵測睡眠呼吸中止的穿戴式裝置以及睡眠呼吸中止偵測方法。
在偵測睡眠呼吸中止的技術領域中，一般是透過多項睡眠生理檢查(Polysomnography, PSG)系統來進行評估受測對象的呼吸中止指數(Apnea Hypopnea Index, AHI)。呼吸中止指數用於評估受測對象在睡眠情境中每小時內發生呼吸中止症狀的次數，其中呼吸中止症狀為每分鐘內發生呼吸中止的時間長度超過10秒之情形。然而，一般取得中止指數的是方式是需要透過多項睡眠生理檢查系統來進行多項生理量測，以取得多個量測資訊，並經由繁雜的計算後，才可取得呼吸中止指數。這些生理感測包括例如腦電圖(Electroencephalography, EEG)、睡眠體位(Sleep Gesture)、心跳頻率(Heart RATE)、眼電圖(Electrooculography, EOG)、心電圖(Electrocardiogram, ECG)、肌電圖(Electromyography, EMG)、胸腹活動(Respiratory Effort)、口鼻氣流(Air Flow)、血壓變化(Blood Pressure)以及血液含氧量(Blood Oxygen Saturation, SaO2)等。也就是說，一般的睡眠呼吸中止的偵測技術需要將繁雜的配件以及感測器穿戴在穿戴者身上，並且需要分析大量的資料。有鑑於此，如何提供可有效偵測穿戴者在睡眠情境中是否發生睡眠呼吸中止的情況，並且具有便利性的特點的穿戴裝置，是本領域目前重要的課題之一。
本發明提供一種可偵測睡眠呼吸中止的穿戴式裝置以及睡眠呼吸中止偵測方法，可有效偵測在睡眠事件中是否發生睡眠呼吸中止的情況。
本發明的可偵測睡眠呼吸中止的穿戴式裝置包括處理器以及心電感測器。處理器用以訓練類神經網路模組，以建立睡眠呼吸中止偵測模型。心電感測器耦接處理器。心電感測器用以感測睡眠情境的心電圖信號。處理器分析心電圖信號，以偵測在心電圖信號中的多個R波。處理器依據這些R波執行R波振幅分析操作、R波角度分析操作以及心律變異分析操作以取得多個第一特徵值、多個第二特徵值以及多個第三特徵值。處理器利用經訓練後的睡眠呼吸中止偵測模型來依據這些第一特徵值、這些第二特徵值以及這些第三特徵值執行睡眠呼吸中止偵測操作，以偵測睡眠情境是否發生睡眠呼吸中止事件。
本發明的睡眠呼吸中止偵測方法適用於可偵測睡眠呼吸中止的穿戴式裝置。可偵測睡眠呼吸中止的穿戴式裝置包括處理器以及心電感測器。睡眠呼吸中止偵測方法包括以下步驟：藉由處理器訓練類神經網路模組，以建立睡眠呼吸中止偵測模型；藉由心電感測器感測睡眠情境的心電圖信號，並且藉由處理器分析心電圖信號，以偵測在心電圖信號中的多個R波；藉由處理器依據這些R波執行R波振幅分析操作、R波角度分析操作以及心律變異分析操作以取得多個第一特徵值、多個第二特徵值以及多個第三特徵值；以及藉由處理器利用經訓練後的睡眠呼吸中止偵測模型來依據這些第一特徵值、這些第二特徵值以及這些第三特徵值執行睡眠呼吸中止偵測操作，以偵測睡眠情境是否發生睡眠呼吸中止事件。
基於上述，本發明的可偵測睡眠呼吸中止的穿戴式裝置以及睡眠呼吸中止偵測方法，可有效偵測在睡眠事件中是否發生睡眠呼吸中止的情況。本發明的可偵測睡眠呼吸中止的穿戴式裝置可預先建立睡眠呼吸中止偵測模型，並且可有效感測睡眠情境的心電圖信號，以取得心電圖信號的多個特徵值。因此，可偵測睡眠呼吸中止的穿戴式裝置的處理器可將這些特徵值輸入至睡眠呼吸中止偵測模型中來執行運算，以有效偵測在此睡眠情境中是否發生睡眠呼吸中止事件。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
為了使本發明之內容可以被更容易明瞭，以下提出多個實施例來說明本發明，然而本發明不僅限於所例示的多個實施例。又實施例之間也允許有適當的結合。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。
圖1繪示本發明一實施例的穿戴式裝置的示意圖。參考圖1，可偵測睡眠呼吸中止(Apnea)的穿戴式裝置100包括處理器110、儲存裝置120以及心電感測器130。處理器110耦接儲存裝置120以及心電感測器130。儲存裝置120儲存類神經網路模組(Neural Network Model)121。在本實施例中，處理器110訓練類神經網路模組121，以建立睡眠呼吸中止偵測模型。心電感測器130感測穿戴者的睡眠情境的心電圖信號(Electrocardiogram, ECG)，並且處理器110分析心電圖信號，以偵測在心電圖信號中的多個R波。在本實施例中，處理器110依據這些R波執行R波振幅分析操作、R波角度分析(ECG Derived Respiratory Angle, EDRAG)操作以及心律變異(Heart Rate Variability, HRV)分析操作以取得多個特徵值。R波振幅分析操作例如是分析心電圖中的R波振幅，以推導呼吸訊號(ECG–derived respiratory, EDR)，其中R波的波峰以及波谷可作為R波振幅EDR。兩個相鄰R波的波峰的差值可作為相鄰R波差值EAD。
在本實施例中，處理器110利用經訓練後的睡眠呼吸中止偵測模型來依據這些特徵值執行睡眠呼吸中止偵測操作，以偵測睡眠情境是否發生睡眠呼吸中止事件。在本實施例中，睡眠呼吸中止偵測操作係指處理器110將這些特徵值輸入至經訓練後的睡眠呼吸中止偵測模型來進行運算，以取得呼吸中止指數(Apnea Hypopnea Index, AHI)。因此，本實施例的穿戴式裝置100依據呼吸中止指數來判斷穿戴者在此睡眠情境中是否發生睡眠呼吸中止的情況。
在本實施例中，穿戴式裝置100可例如是一種智慧型衣服、智慧型手環等諸如此類的裝置，並且穿戴式裝置100用以偵測穿戴者的睡眠情境。穿戴式裝置100可將上述各電路元件整合至一個穿戴物件中，而無需複雜的配件。也就是說，當穿戴者於睡眠時，穿戴者可藉由穿戴此穿戴式裝置100來偵測穿戴者在睡眠情境中是否發生睡眠呼吸中止的情況。在本實施例中，處理器100預先以Physionet資料平台中的Apnea-ECG資料庫作為訓練目標，而預先藉由多個睡眠情境樣本的另多個特徵值來訓練類神經網路模組121，以建立睡眠呼吸中止偵測模型。
在本實施例中，處理器110例如是中央處理單元(Central Processing Unit, CPU)、系統單晶片(System on Chip, SOC)或是其他可程式化之一般用途或特殊用途的微處理器(microprocessor)、數位信號處理器(Digital Signal Processor, DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits, ASIC)、可程式化邏輯裝置(Programmable Logic Device, PLD)、其他類似處理裝置或這些裝置的組合。
在本實施例中，儲存裝置120例如是動態隨機存取記憶體(Dynamic Random Access Memory, DRAM)、快閃記憶體(Flash memory)或非揮發性隨機存取記憶體(Non-Volatile Random Access Memory, NVRAM)等。在本實施例中，儲存裝置120用以儲存本發明各實施例所述之資料以及程式模組，並且提供處理器110讀取並執行之，以使穿戴式裝置100可實現本發明各實施例所述的睡眠呼吸中止偵測方法。
在本實施例中，儲存裝置120儲存有類神經網路模組121。處理器110可預先藉由心電感測器130感測多個不同的穿戴者各別的多個特徵值，並且將這些不同的穿戴者各別的這些特徵值作為樣本資料。在本實施例中，處理器110可依據各睡眠階段的判斷條件、演算法以及參數等，來建立預測模型，並藉由多個樣本資料來訓練(training)或修正預測模型。也就是說，當穿戴者利用穿戴式裝置100進行睡眠呼吸中止偵測操作時，處理器110可利用經訓練後的睡眠呼吸中止偵測模型來依據由心電感測器130感測到的這些特徵值來取得一個偵測結果。然而，關於本實施例的類神經網絡模組121的演算法以及演算模式可以由所屬技術領域的通常知識獲致足夠的教示、建議與實施說明，因此不再贅述。
圖2繪示本發明一實施例的多個模組以及辨識模型的示意圖。參考圖1以及圖2，在本實施例中，處理器110可執行如圖2所示的R波偵測模組210、R波振幅分析模組220、R波角度分析模組230、心律變異分析模組240以及睡眠呼吸中止偵測模型250。在本實施例中，心電感測器130感測穿戴者的心電圖信號ECG。穿戴式裝置100例如是以每30秒以1分鐘信號長度作為一片段，並且對此片段進行睡眠呼吸中止辨識操作。在本實施例中，處理器110接收心電圖信號ECG，並且處理器110執行R波偵測模組210來分析心電圖信號ECG。在本實施例中，處理器110執行R波振幅分析模組220、R波角度分析模組230以及心律變異分析模組240，以分析心電圖信號ECG的多個R波。
圖3繪示本發明一實施例的心電圖信號的波形圖。參考圖1至圖3，處理器110執行R波振幅分析模組220，以進行R波振幅分析操作，以使處理器110分析這些R波信號的振幅。處理器110執行R波角度分析模組230，以進行R波角度分析操作，以使處理器110分析這些R波信號的振幅的角度。處理器110執行心律變異分析模組240以進行心律變異分析操作，以使處理器110分析心電圖信號ECG的心跳間期，以取得心電圖信號ECG當中的多個R波信號之間的心跳間期變化RRI。舉例而言，在本實施例中，兩個R波之間的距離可作為心跳間期變化RRI。R波的波峰以及波谷之間的距離可作為R波振幅EDR。並且，R波振幅EDR在波峰具有夾角可作為R波角度EDRAG。
在本實施例中，處理器110執行心律變異分析模組240來分析心電圖信號ECG的心跳間期變化RRI。處理器110計算心電圖信號ECG的此片段內相鄰R波之時間間隔，以產生心跳間期變化RRI信號。在本實施例中，處理器110依據心跳間期變化RRI信號計算多個特徵值。也就是說，本實施例的可偵測睡眠呼吸中止的穿戴式裝置100可考量穿戴者的交感神經與副交感神經對於呼吸之影響。
在本實施例中，處理器110取得的這些特徵值包括心跳間期平均值、心跳速率(HR, Heart Rate)值、心跳間期標準偏差(Standard Deviation of Normal to Normal, SDNN)、相鄰R波差值超過50毫秒的數量值(Number of pairs of adjacent NN intervals differing by more than 50 ms in the entire recording, NN50)、相鄰R波差值超過50毫秒的比例值(NN50 count divided by the total number of all NN intervals)、相鄰R波差值的均方根值(Root Mean Square of the Successive Differences, RMSSD)、在潘凱圖(Poincare Plot)中的縱軸標準差(SD1)、橫軸標準差(SD2)以及縱軸標準差與橫軸標準差的第一比值(SD ratio)、低頻範圍功率值(Low Frequency Power, LFP)、高頻範圍功率值(High Frequency Power)、總功率值(Total Power, TP)、極低頻範圍功率值(Very Low Frequency Power, VLFP)、標準化低頻功率值(normalize LFP, nLFP)、標準化高頻功率值(normalize HFP, nHFP)以及高頻(HF)與低頻(LF)之間的第二比值(LF/HF)。也就是說，在本實施例中，處理器110可執行心律變異分析模組240來產生上述的16個特徵值。
圖4繪示本發明一實施例的R波角度分析的示意圖。參考圖1至圖4，在本實施例中，處理器110將R波角度EDRAG表示為穿戴者的腹腔呼吸對於心電圖信號ECG之影響。具體而言，處理器110以R波振幅EDR的波峰R為中點，選擇在心電圖信號ECG中的R波曲線的前後各0.01秒(sec)的電壓值的位置作為參考點A以及參考點B。處理器110依據參考點A與波峰R之間的距離RA以及時間長度0.01秒來計算一反正切值，並且處理器110依據參考點B與波峰R之間的距離RB與時間長度0.01秒來計算另一反正切值。並且，處理器110經由三角函數運算來計算此兩個正切值，以取得參考點A到波峰R與波峰R至參考點B之間夾角θ。因此，在本實施例中，處理器110可針對1分鐘信號長度當中的多個R波分別執行上述運算，以取得R波角度EDRAG信號。具體計算可例如是以下公式(1)。…………公式(1)
在本實施例中，處理器110進一步運算R波角度EDRAG信號，以取得R波角度平均值、R波角度標準差(Standard Deviation)、R波角度樣本熵(Sample Entropy, SE)與R波角度去趨勢波動分析值(Detrended Fluctuation Algorithm, DFA)。並且，處理器110經由快速傅立葉轉換(Fast Fourier Transform, FFT)估算R波角度EDRAG信號於0~6Hz的頻域之能量分布，並且以0.3Hz為間隔，其中共20個頻域間隔，以取得20個特徵值。也就是說，在本實施例中，處理器110可執行R波角度分析模組230來產生上述的24個特徵值。
圖5繪示本發明一實施例的R波振幅分析的示意圖。參考圖1至圖3以及圖5，在本實施例中，處理器110取樣心電圖信號ECG的多個R波信號502，並且將這些R波信號502的位置相連，以取得R波振幅EDR信號501。處理器110依據R波振幅EDR信號501來取得EDR上波包(EDR Peak)信號504以及EDR下波包(EDR Bottom)信號503。處理器110將EDR上波包信號504減去EDR下波包信號503，以取得EDR波包相減信號505。在本實施例中，處理器110計算此片段的EDR波包相減信號505的R波振幅平均值、R波振幅標準差、R波振幅樣本熵以及R波振幅去趨勢波動分析值。並且，在本實施例中，該處理器經由快速傅立葉轉換估算R波振幅EDR信號501在0~6Hz的頻域之功率分布，並且以0.3Hz為間隔，其中共20個頻域間隔，以估算R波振幅信號的多個R波振幅功率分布。也就是說，在本實施例中，處理器110可執行R波振幅分析模組220來產生上述的24個特徵值。
再參考圖1以及圖2，也就是說，本實施例的穿戴式裝置100的處理器110可將上述圖3至圖5實施例所述的64個特定的特徵值輸入至經訓練後的睡眠呼吸中止偵測模型250。睡眠呼吸中止偵測模型250具有類神經網路架構。處理器110將上述的64個特徵值作為輸入參數，並且透過類神經網路架構當中的權重、影響參數來進行非線性運算，以取得至少一個輸出參數。此至少一個輸出參數可例如是呼吸中止指數。因此，本實施例的穿戴式裝置100具有可有效偵測在睡眠事件中是否發生睡眠呼吸中止的功能。然而，關於上述各實施例所述的相關信號分析以及參數運算可依據所屬心電圖技術領域的通常知識而獲致足夠的教示、建議以及實施說明，因此不加以贅述。
圖6繪示本發明一實施例的睡眠呼吸中止偵測方法的流程圖。參考圖1以及圖6，本實施例的睡眠呼吸中止偵測方法可至少適用於圖1的穿戴式裝置100。在步驟S610中，處理器110訓練類神經網路模組121，以建立睡眠呼吸中止偵測模型。在步驟S620中，心電感測器130感測睡眠情境的心電圖信號，並且處理器110分析心電圖信號，以偵測在心電圖信號中的多個R波。在步驟S630中，處理器110依據這些R波執行R波振幅分析操作、R波角度分析操作以及心律變異分析操作以取得多個第一特徵值、多個第二特徵值以及多個第三特徵值。在步驟S640中，處理器110利用經訓練後的睡眠呼吸中止偵測模型來依據這些第一特徵值、這些第二特徵值以及這些第三特徵值執行睡眠呼吸中止偵測操作，以偵測此睡眠情境是否發生睡眠呼吸中止事件。
在本實施例中，這些第一特徵值是指經由上述圖5實施例所述的R波振幅分析操作所產生的24個特徵值。這些第二特徵值是指經由上述圖4實施例所述的R波角度分析操作所產生的24個特徵值。這些第三特徵值是指經由上述圖3實施例所述的心律變異分析操作所產生的16個特徵值。並且，處理器110可將上述的60個特徵值輸入至經訓練的睡眠呼吸中止偵測模型，以取得呼吸中止指數。因此，本實施例的睡眠呼吸中止偵測方法可有效偵測穿戴者在睡眠情境中是否發生睡眠呼吸中止事件。
另外，關於本實施例的穿戴式裝置100的相關元件或分析操作的技術細節可參考上述圖1至圖5實施例的內容，而可獲致足夠的教示、建議、以及實施說明，因此不再贅述。
綜上所述，本發明的可偵測睡眠呼吸中止的穿戴式裝置以及睡眠呼吸中止偵測方法可預先建立睡眠呼吸中止偵測模型，並且可有效感測穿戴者的睡眠情境的心電圖信號，以取得心電圖信號的24個特定的特徵值。並且，本發明的穿戴式裝置的處理器可將60個特定的特徵值輸入至睡眠呼吸中止偵測模型中來執行運算，以有效取得穿戴者的呼吸中止指數。因此，本發明的穿戴式裝置可依據呼吸中止指數來有效地且準確地判斷穿戴者在此睡眠情境中是否發生睡眠呼吸中止。此外，由於本發明的穿戴式裝置只需配置有心電圖感測器，因此本發明的穿戴式裝置無須繁雜的配件，而具有便利性的穿戴特點。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100‧‧‧穿戴式裝置
110‧‧‧處理器
120‧‧‧儲存裝置
121‧‧‧類神經網路模組
130‧‧‧心電感測器
210‧‧‧R波偵測模組
220‧‧‧R波振幅分析模組
230‧‧‧R波角度分析模組
240‧‧‧心律變異分析模組
250‧‧‧睡眠呼吸中止偵測模型
501‧‧‧R波振幅EDR信號
502‧‧‧R波信號
503‧‧‧EDR下波包信號
504‧‧‧EDR上波包信號
505‧‧‧EDR波包相減信號
RRI‧‧‧心跳間期變化
EDR‧‧‧R波振幅
EDRAG‧‧‧R波角度
A、B‧‧‧參考點
R‧‧‧波峰
RA、RB‧‧‧距離
S610、S620、S630、S640‧‧‧步驟
圖1繪示本發明一實施例的穿戴式裝置的示意圖。 圖2繪示本發明一實施例的多個模組與辨識模型的示意圖。 圖3繪示本發明一實施例的心電圖信號的波形圖。 圖4繪示本發明一實施例的R波角度分析的示意圖。 圖5繪示本發明一實施例的R波振幅分析的示意圖。 圖6繪示本發明一實施例的睡眠呼吸中止偵測方法的流程圖。

Claims (20)

  1. 一種可偵測睡眠呼吸中止的穿戴式裝置，包括： 一處理器，用以訓練一類神經網路模組，以建立一睡眠呼吸中止偵測模型；以及 一心電感測器，耦接該處理器，用以感測一睡眠情境的一心電圖信號，並且該處理器分析該心電圖信號，以偵測在該心電圖信號中的多個R波， 其中該處理器依據該些R波執行一R波振幅分析操作、一R波角度分析操作以及一心律變異分析操作以取得多個第一特徵值、多個第二特徵值以及多個第三特徵值， 其中該處理器利用經訓練後的該睡眠呼吸中止偵測模型來依據該些第一特徵值、該些第二特徵值以及該些第三特徵值執行一睡眠呼吸中止偵測操作，以偵測該睡眠情境是否發生一睡眠呼吸中止事件。
  2. 如申請專利範圍第1項所述的穿戴式裝置，其中該處理器依據該些R波執行該R波振幅分析操作以取得一R波振幅信號， 其中該處理器分析該R波振幅信號，以取得一R波振幅平均值、一R波振幅標準差、一R波振幅樣本熵以及一R波振幅去趨勢波動分析值，並且該處理器經由一快速傅立葉轉換估算該R波振幅信號，以估算該R波振幅信號的多個R波振幅功率分布， 其中該些第一特徵值包括該R波振幅平均值、該R波振幅標準差、該R波振幅樣本熵、該R波振幅去趨勢波動分析值以及該些R波振幅功率分布。
  3. 如申請專利範圍第2項所述的穿戴式裝置，其中該處理器分析該R波振幅信號，以取得該R波振幅信號的一上波包信號以及一下波包信號，並且該處理器將該上波包信號相減於該下波包信號，以取得一波包相減信號， 其中該處理器依據該波包相減信號來計算該些第一特徵值。
  4. 如申請專利範圍第2項所述的穿戴式裝置，其中該處理器經由該快速傅立葉轉換估算該R波振幅信號，以估算該R波振幅信號在0至6Hz的頻域中以0.3Hz為間隔的20個R波振幅功率分布。
  5. 如申請專利範圍第1項所述的穿戴式裝置，其中該處理器依據該些R波執行該R波角度分析操作以取得一R波角度信號， 其中該處理器分析該R波角度信號，以取得一R波角度平均值、一R波角度標準差、一R波角度樣本熵以及一R波角度去趨勢波動分析值，並且該處理器經由一快速傅立葉轉換估算該R波角度信號，以估算該R波角度信號的多個R波角度功率分布， 其中該些第二特徵值包括該R波角度平均值、該R波角度標準差、該R波角度樣本熵、該R波角度去趨勢波動分析值以及該些R波角度功率分布。
  6. 如申請專利範圍第5項所述的穿戴式裝置，其中該處理器分析該些R波，以取得該些R波各別的一R波峰位置以及前後間隔0.01秒的各別的兩個參考點，以使該處理器依據該些R波各別的該R波峰位置以及各別的兩個參考點來各別計算該些R波的多個夾角，以取得該R波角度信號。
  7. 如申請專利範圍第5項所述的穿戴式裝置，其中該處理器經由該快速傅立葉轉換估算該R波振幅信號，以估算該R波角度信號在0至6Hz的頻域中以0.3Hz為間隔的20個R波角度功率分布。
  8. 如申請專利範圍第1項所述的穿戴式裝置，其中該處理器依據該些R波執行該心律變異分析操作來分析該心電圖信號的一心跳間期變化，以取得該些第三特徵值包括一心跳間期平均值、一心跳速率值、一心跳間期標準偏差、相鄰R波差值超過50毫秒的一數量值、相鄰R波差值超過50毫秒的一比例值、相鄰R波差值的一均方根值、在一潘凱圖中的一縱軸標準差、一橫軸標準差以及該縱軸標準差與該橫軸標準差的一第一比值、一低頻範圍功率值、一高頻範圍功率值、一總功率值、一極低頻範圍功率值、一標準化低頻功率值、一標準化高頻功率值以及一高頻與一低頻之間的一第二比值。
  9. 如申請專利範圍第1項所述的穿戴式裝置，其中該處理器以一Physionet資料平台中的一Apnea-ECG資料庫作為一訓練目標，而預先藉由多個睡眠情境樣本的另多個第一特徵值、另多個第二特徵值以及另多個第三特徵值來訓練該類神經網路模組，以建立該睡眠呼吸中止偵測模型。
  10. 如申請專利範圍第1項所述的穿戴式裝置，其中該些第一特徵值的數量為24個、該些第二特徵值的數量為24個以及該些第三特徵值的數量為16個，其中該處理器執行該睡眠呼吸中止偵測操作，以取得一呼吸中止指數，並且該處理器依據該呼吸中止指數來偵測該睡眠情境是否發生該睡眠呼吸中止事件。
  11. 一種睡眠呼吸中止偵測方法，適用於一可偵測睡眠呼吸中止的穿戴式裝置，該穿戴式裝置包括一處理器以及一心電感測器，該方法包括： 藉由該處理器訓練一類神經網路模組，以建立一睡眠呼吸中止偵測模型； 藉由該心電感測器感測一睡眠情境的一心電圖信號，並且藉由該處理器分析該心電圖信號，以偵測在該心電圖信號中的多個R波； 藉由該處理器依據該些R波執行一R波振幅分析操作、一R波角度分析操作以及一心律變異分析操作以取得多個第一特徵值、多個第二特徵值以及多個第三特徵值；以及 藉由該處理器利用經訓練後的該睡眠呼吸中止偵測模型來依據該些第一特徵值、該些第二特徵值以及該些第三特徵值執行一睡眠呼吸中止偵測操作，以偵測該睡眠情境是否發生一睡眠呼吸中止事件。
  12. 如申請專利範圍第11項所述的睡眠呼吸中止偵測方法，其中藉由該處理器依據該些R波執行該R波振幅分析操作以取得該些第一特徵值的步驟包括： 藉由該處理器依據該些R波執行該R波振幅分析操作以取得一R波振幅信號； 藉由該處理器分析該R波振幅信號，以取得一R波振幅平均值、一R波振幅標準差、一R波振幅樣本熵以及一R波振幅去趨勢波動分析值；以及 藉由該處理器經由一快速傅立葉轉換估算該R波振幅信號，以估算該R波振幅信號的多個R波振幅功率分布， 其中該些第一特徵值包括該R波振幅平均值、該R波振幅標準差、該R波振幅樣本熵、該R波振幅去趨勢波動分析值以及該些R波振幅功率分布。
  13. 如申請專利範圍第12項所述的睡眠呼吸中止偵測方法，其中藉由該處理器依據該些R波執行該R波振幅分析操作以取得該些第一特徵值的步驟包括： 藉由該處理器分析該R波振幅信號，以取得該R波振幅信號的一上波包信號以及一下波包信號，並且藉由該處理器將該上波包信號相減於該下波包信號，以取得一波包相減信號；以及 藉由該處理器依據該波包相減信號來計算該些第一特徵值。
  14. 如申請專利範圍第12項所述的睡眠呼吸中止偵測方法，其中藉由該處理器經由該快速傅立葉轉換估算該R波振幅信號，以估算該R波振幅信號的該些R波振幅功率分布的步驟包括： 藉由該處理器經由該快速傅立葉轉換估算該R波振幅信號，以估算該R波振幅信號在0至6Hz的頻域中以0.3Hz為間隔的20個R波振幅功率分布。
  15. 如申請專利範圍第11項所述的睡眠呼吸中止偵測方法，其中藉由該處理器依據該些R波執行一R波角度分析操作以取得多個第二特徵值的步驟包括： 藉由該處理器依據該些R波執行該R波角度分析操作以取得一R波角度信號； 藉由該處理器分析該R波角度信號，以取得一R波角度平均值、一R波角度標準差、一R波角度樣本熵以及一R波角度去趨勢波動分析值；以及 藉由該處理器經由一快速傅立葉轉換估算該R波角度信號，以估算該R波角度信號的多個R波角度功率分布， 其中該些第二特徵值包括該R波角度平均值、該R波角度標準差、該R波角度樣本熵、該R波角度去趨勢波動分析值以及該些R波角度功率分布。
  16. 如申請專利範圍第15項所述的睡眠呼吸中止偵測方法，其中藉由該處理器依據該些R波執行該R波角度分析操作以取得該R波角度信號的步驟包括： 藉由該處理器分析該些R波，以取得該些R波各別的一R波峰位置以及前後間隔0.01秒的各別的兩個參考點，以使該處理器依據該些R波各別的該R波峰位置以及各別的兩個參考點來各別計算該些R波的多個夾角，以取得該R波角度信號。
  17. 如申請專利範圍第15項所述的睡眠呼吸中止偵測方法，其中藉由該處理器經由該快速傅立葉轉換估算該R波角度信號，以估算該R波角度信號的該些R波角度功率分布的步驟包括： 藉由該處理器經由該快速傅立葉轉換估算該R波振幅信號，以估算該R波角度信號在0至6Hz的頻域中以0.3Hz為間隔的20個R波角度功率分布。
  18. 如申請專利範圍第11項所述的睡眠呼吸中止偵測方法，其中藉由該處理器依據該些R波執行一心律變異分析操作以取得多個第三特徵值的步驟包括： 藉由該處理器依據該些R波執行該心律變異分析操作來分析該心電圖信號的一心跳間期變化，以取得該些第三特徵值包括一心跳間期平均值、一心跳速率值、一心跳間期標準偏差、相鄰R波差值超過50毫秒的一數量值、相鄰R波差值超過50毫秒的一比例值、相鄰R波差值的一均方根值、在一潘凱圖中的一縱軸標準差、一橫軸標準差以及該縱軸標準差與該橫軸標準差的一第一比值、一低頻範圍功率值、一高頻範圍功率值、一總功率值、一極低頻範圍功率值、一標準化低頻功率值、一標準化高頻功率值以及一高頻與一低頻之間的一第二比值。
  19. 如申請專利範圍第11項所述的睡眠呼吸中止偵測方法，其中藉由該處理器訓練該類神經網路模組，以建立該睡眠呼吸中止偵測模型的步驟包括： 藉由該處理器以一Physionet資料平台中的一Apnea-ECG資料庫作為一訓練目標，而預先藉由多個睡眠情境樣本的另多個第一特徵值、另多個第二特徵值以及另多個第三特徵值來訓練該類神經網路模組，以建立該睡眠呼吸中止偵測模型。
  20. 如申請專利範圍第11項所述的睡眠呼吸中止偵測方法，其中該些第一特徵值的數量為24個、該些第二特徵值的數量為24個以及該些第三特徵值的數量為16個，其中該處理器執行該睡眠呼吸中止偵測操作，以取得一呼吸中止指數，並且該處理器依據該呼吸中止指數來偵測該睡眠情境是否發生該睡眠呼吸中止事件。
TW106140055A 2017-11-20 2017-11-20 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法 TWI725255B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW106140055A TWI725255B (zh) 2017-11-20 2017-11-20 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法
US15/992,172 US20190150772A1 (en) 2017-11-20 2018-05-29 Wearable device capable of detecting sleep apnea event and detection method thereof
EP18184070.3A EP3485806A1 (en) 2017-11-20 2018-07-17 Wearable device capable of detecting sleep apnea event and detection method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106140055A TWI725255B (zh) 2017-11-20 2017-11-20 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法

Publications (2)

Publication Number Publication Date
TW201922168A true TW201922168A (zh) 2019-06-16
TWI725255B TWI725255B (zh) 2021-04-21

Family

ID=63047126

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106140055A TWI725255B (zh) 2017-11-20 2017-11-20 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法

Country Status (3)

Country Link
US (1) US20190150772A1 (zh)
EP (1) EP3485806A1 (zh)
TW (1) TWI725255B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200405222A1 (en) * 2018-03-07 2020-12-31 Koninklijke Philips N.V. Sleep apnea detection system and method
CN112389444A (zh) * 2020-10-16 2021-02-23 爱驰汽车（上海）有限公司 基于驾驶员心率检测的车辆预警方法及装置
TWI735360B (zh) * 2020-10-23 2021-08-01 牙易科技有限公司 睡眠呼吸障礙篩檢設備

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11324950B2 (en) 2016-04-19 2022-05-10 Inspire Medical Systems, Inc. Accelerometer-based sensing for sleep disordered breathing (SDB) care
AU2020315918A1 (en) 2019-07-25 2022-03-03 Inspire Medical Systems, Inc. Systems and methods for operating an implantable medical device based upon sensed posture information
CN111248859A (zh) * 2019-12-27 2020-06-09 黄淮学院 基于卷积神经网络的睡眠呼吸暂停自动检测方法
CN111166294B (zh) * 2020-01-29 2021-09-14 北京交通大学 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置
CN111358435B (zh) * 2020-03-13 2023-02-28 珠海向量科技有限公司 一种提高深度神经网络精度的数据增强方法
CN111956203A (zh) * 2020-08-18 2020-11-20 广州视源电子科技股份有限公司 心电信号参数化方法、模型训练方法、装置、设备及介质
CN112587091A (zh) * 2020-12-04 2021-04-02 中山大学 基于心率变异性角场图像的睡眠呼吸暂停检测方法及装置
US20230397880A1 (en) * 2020-12-15 2023-12-14 ResMed Pty Ltd Systems and methods for determining untreated health-related issues
KR20230158521A (ko) * 2021-03-30 2023-11-20 최만림 힐버트 변환을 이용한 ecg 축 편위 측정 장치, 방법및 컴퓨터로 독출 가능한 기록 매체
CN113397556A (zh) * 2021-07-22 2021-09-17 福州大学至诚学院 一种基于睡眠数据对睡眠呼吸紊乱事件进行分类的方法
CN113693608A (zh) * 2021-08-04 2021-11-26 福州大学至诚学院 一种基于云平台诊断睡眠障碍检测方法
CN114073495B (zh) * 2021-12-03 2024-03-22 中山大学·深圳 一种基于信息相似度的睡眠呼吸暂停检测方法及装置
US20230346304A1 (en) * 2022-04-29 2023-11-02 National Yang Ming Chiao Tung University Method for OSA Severity Detection Using Recording-based Electrocardiography Signal
CN115422976B (zh) * 2022-09-14 2023-11-21 湖南万脉医疗科技有限公司 一种基于人工网络的心肺耦合关系分析方法及监测系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7734334B2 (en) * 2004-05-17 2010-06-08 Beth Israel Deaconess Medical Center, Inc. Assessment of sleep quality and sleep disordered breathing based on cardiopulmonary coupling
US20140107501A1 (en) * 2012-09-07 2014-04-17 The Board Of Regents For Oklahoma State University Wireless multi-sensor platform for continuous real-time monitoring of cardiovascular respiratory dynamics
TWI669102B (zh) * 2015-01-26 2019-08-21 神仙科學股份有限公司 Wearable physiological detection device
US9655532B2 (en) * 2015-06-19 2017-05-23 Michael Blake Wearable physiological monitoring and notification system based on real-time heart rate variability analysis

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200405222A1 (en) * 2018-03-07 2020-12-31 Koninklijke Philips N.V. Sleep apnea detection system and method
US11998347B2 (en) * 2018-03-07 2024-06-04 Koninklijke Philips N.V. Sleep apnea detection system and method
CN112389444A (zh) * 2020-10-16 2021-02-23 爱驰汽车（上海）有限公司 基于驾驶员心率检测的车辆预警方法及装置
CN112389444B (zh) * 2020-10-16 2022-04-12 爱驰汽车（上海）有限公司 基于驾驶员心率检测的车辆预警方法及装置
TWI735360B (zh) * 2020-10-23 2021-08-01 牙易科技有限公司 睡眠呼吸障礙篩檢設備

Also Published As

Publication number Publication date
US20190150772A1 (en) 2019-05-23
EP3485806A1 (en) 2019-05-22
TWI725255B (zh) 2021-04-21

Similar Documents

Publication Publication Date Title
TWI725255B (zh) 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法
Clifford et al. ECG statistics, noise, artifacts, and missing data
US10492720B2 (en) System and method for determining sleep stage
Helfenbein et al. Development of three methods for extracting respiration from the surface ECG: A review
US8795173B2 (en) Methods and apparatus for assessment of atypical brain activity
Dash et al. Estimation of respiratory rate from ECG, photoplethysmogram, and piezoelectric pulse transducer signals: a comparative study of time–frequency methods
Cysarz et al. Comparison of respiratory rates derived from heart rate variability, ECG amplitude, and nasal/oral airflow
EP1711104B1 (en) Method and apparatus for ecg-derived sleep disordered breathing monitoring, detection and classification
US20110054279A1 (en) Diagnosis of periodic breathing
US20080269583A1 (en) Detection and Monitoring of Stress Events During Sleep
CN109328034B (zh) 用于确定对象的睡眠阶段的确定系统和方法
WO2018180219A1 (ja) 睡眠状態の評価
TW201538127A (zh) 睡眠檢測系統和方法
Rahman et al. Severity classification of obstructive sleep apnea using only heart rate variability measures with an ensemble classifier
JP6813837B2 (ja) 活動リズム判定方法および活動リズム判定装置
Morales et al. Sleep apnea hypopnea syndrome classification in spo 2 signals using wavelet decomposition and phase space reconstruction
Sivanantham Measurement of heartbeat, respiration and movements detection using Smart Bed
JP2017063997A (ja) 生体機能検査装置、生体機能検査方法及びプログラム
US11291406B2 (en) System for determining a set of at least one cardio-respiratory descriptor of an individual during sleep
Khandoker et al. Modeling respiratory movement signals during central and obstructive sleep apnea events using electrocardiogram
TW201922169A (zh) 可辨識睡眠階段的穿戴式裝置及其辨識方法
US11660005B1 (en) Processing and analyzing biometric data
Alcaraz et al. Application of non-linear methods in the study of atrial fibrillation organization
CN109528214A (zh) 一种多功能腕式血氧仪
Sakai et al. Development of lead system for ECG-derived respiration aimed at detection of obstructive sleep apnea syndrome

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees