TW201922169A - 可辨識睡眠階段的穿戴式裝置及其辨識方法 - Google Patents

可辨識睡眠階段的穿戴式裝置及其辨識方法 Download PDF

Info

Publication number
TW201922169A
TW201922169A TW106140053A TW106140053A TW201922169A TW 201922169 A TW201922169 A TW 201922169A TW 106140053 A TW106140053 A TW 106140053A TW 106140053 A TW106140053 A TW 106140053A TW 201922169 A TW201922169 A TW 201922169A
Authority
TW
Taiwan
Prior art keywords
value
acceleration
signal
processor
angular acceleration
Prior art date
Application number
TW106140053A
Other languages
English (en)
Other versions
TWI725254B (zh
Inventor
祓川浩一
簡仁建
林穎聰
洪翠禪
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 TW106140053A priority Critical patent/TWI725254B/zh
Priority to US15/990,838 priority patent/US20190150828A1/en
Priority to EP18183026.6A priority patent/EP3485803B1/en
Publication of TW201922169A publication Critical patent/TW201922169A/zh
Application granted granted Critical
Publication of TWI725254B publication Critical patent/TWI725254B/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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—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
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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]
    • 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
    • A61B5/68—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Psychiatry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)
  • Dentistry (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (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

本發明提出一種可辨識睡眠階段的穿戴式裝置包括處理器、心電感測器、加速度感測器以及角加速度感測器。處理器用以訓練類神經網路模組。心電感測器用以產生心電圖信號。處理器分析心電圖信號以產生多個第一特徵值。加速度感測器用以產生加速度信號。處理器分析加速度信號以產生多個第二特徵值。角加速度感測器用以產生角加速度信號。處理器分析角加速度信號以產生多個第三特徵值。處理器利用經訓練後的類神經網絡模組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階段辨識操作，以取得睡眠階段辨識結果。

Description

可辨識睡眠階段的穿戴式裝置及其辨識方法
本發明是有關於一種穿戴式裝置，且特別是有關於一種可辨識睡眠階段的穿戴式裝置及其辨識方法。
在辨識睡眠階段的技術領域中，一般的睡眠階段辨識通常是透過多項睡眠生理檢查(Polysomnography, PSG)系統來進行評估，其中須透過多項生理感測。然而，這些生理感測包括例如腦電圖(Electroencephalography, EEG)、眼電圖(Electrooculography, EOG)、心電圖(Electrocardiogram, ECG)、肌電圖(electromyography, EMG)、胸腹部活動(Respiratory Effort)、口鼻氣流(Air Flow)、血壓變化(Blood Pressure)、血液含氧量(Blood Oxygen Saturation, SaO2)、心跳頻率(Heart RATE)以及睡眠體位(Sleep Gesture)等。也就是說，一般的睡眠階段辨識需要將繁雜的配件穿戴在穿戴者身上，並且需要分析大量的感測資料。有鑑於此，如何提供可有效感測穿戴者的睡眠階段，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。
本發明提供一種可辨識睡眠階段的穿戴式裝置及其方法，可有效地辨識穿戴者的睡眠階段，並且具有便利性的特點。
本發明的可辨識睡眠階段的穿戴式裝置包括處理器、心電感測器、加速度感測器以及角加速度感測器。處理器用以訓練類神經網路模組。心電感測器耦接處理器。心電感測器用以產生心電圖信號。處理器分析心電圖信號以產生多個第一特徵值。加速度感測器用以產生加速度信號。處理器分析加速度信號以產生多個第二特徵值。角加速度感測器用以產生角加速度信號。處理器分析角加速度信號以產生多個第三特徵值。處理器利用經訓練後的類神經網絡模組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階段辨識操作，以取得睡眠階段辨識結果。
本發明的睡眠階段的辨識方法適用於穿戴式裝置。穿戴式裝置包括處理器、心電感測器、加速度感測器以及角加速度感測器。所述方法包括：藉由處理器訓練類神經網路模組；藉由心電感測器產生心電圖信號，並且藉由處理器分析心電圖信號以產生多個第一特徵值；藉由加速度感測器產生加速度信號，並且藉由處理器分析加速度信號以產生多個第二特徵值；藉由角加速度感測器產生角加速度信號，並且藉由處理器分析角加速度信號以產生多個第三特徵值；以及藉由處理器利用經訓練後的類神經網絡模組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階段辨識操作，以取得睡眠階段辨識結果。
基於上述，本發明的可辨識睡眠階段的穿戴式裝置及其方法可藉由心電感測器、加速度感測器以及角加速度感測器感測多個特徵值，以使處理器可依據經訓練後的類神經網絡模組來依據這些特徵值執行睡眠階段辨識操作。因此，本發明的穿戴式裝置可有效地取得睡眠階段的辨識結果，並且具有便利性的特點。
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方塊圖。參考圖1，穿戴式裝置100包括處理器110、儲存裝置120、心電感測器130、加速度感測器140以及角加速度感測器150。處理器110耦接儲存裝置120、心電感測器130、加速度感測器140以及角加速度感測器150。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用以辨識穿戴者的睡眠階段。穿戴式裝置100可將上述各感測器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來感測穿戴者的睡眠階段。在本實施例中，穿戴者可例如是以躺姿或坐姿等方式來進行睡眠辨識，以監視穿戴者的睡眠品質，並可紀錄其睡眠情況。並且，在本實施例中，穿戴式裝置100可辨識的睡眠階段是依據多項睡眠生理檢查標準(Polysomnography, PSG)來分為覺醒期階段(Stage W)、第一非快速動眼期階段(Stage N1，又稱入睡期)、第二非快速動眼期階段(Stage N2，又稱淺睡期)、第三非快速動眼期階段(Stage N3，又稱深睡期)以及快速動眼期階段(Stage R)。值得注意的是，本發明的穿戴式裝置100的使用情境是指穿戴者在較長時間且可能會有深層睡眠情況的睡眠情境。
在本實施例中，心電感測器130用以感測穿戴者的心電圖信號(Electrocardiogram, ECG)，並且提供心電圖信號至處理器110。處理器110分析心電圖信號來產生多個第一特徵值。在本實施例中，加速度感測器140用以感測穿戴者的身體或穿戴部位的移動所產生的加速度，並且提供加速度信號至處理器110。處理器110分析加速度信號來產生多個第二特徵值。在本實施例中，角加速度感測器150用以感測穿戴者的身體或穿戴部位的轉動所產生的角加速度，並且提供角加速度信號至處理器110。處理器110分析角加速度信號來產生多個第三特徵值。也就是說，當穿戴者在睡眠中，穿戴者可能會有意或無意的翻身或移動身體，因此本實施例的穿戴式裝置100除了可感測穿戴者的心電圖資訊，還可感測穿戴者的穿戴部位的移動或轉動所產生的影響，以使處理器110提供的分析結果可包括考量穿戴者動作影響。
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)、數位訊號處理器(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辨識睡眠狀態方法。
在本實施例中，儲存裝置120更包括儲存有類神經網路模組(Neural Network Model)121。處理器110可預先藉由心電感測器130、加速度感測器140以及角加速度感測器150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。因此，當穿戴者利用穿戴式裝置100進行睡眠階段辨識操作時，處理器110可利用經訓練後的類神經網絡模組121來依據由心電感測器130、加速度感測器140以及角加速度感測器150感測到的這些第一特徵值、這些第二特徵值以及這些第三特徵值來辨識取得一個辨識結果。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心電圖信號的波形圖。參考圖1以及圖2，心電感測器130感測的心電圖信號可如圖2所示。在本實施例中，處理器110可執行心律變異(Heart Rate Variability, HRV)分析操作來分析心電圖信號的心跳間期變化(RR intervals, RRI)以取得心電圖信號當中的多個R波信號。處理器110可執行心律變異分析來分析這些R波信號的變異情形。並且，處理器110還可執行R波振幅分析操作以及相鄰R波差值(Difference of Amplitude between R and next R, EAD)分析操作來分析這些R波信號。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。
圖3繪示本發明一實施例的分析心電圖信號的方塊圖。圖4繪示本發明一實施例的多個第一特徵值的波形圖。圖5繪示本發明一實施例的另多個第一特徵值的波形圖。值得注意的是，以下各個波形圖例如表示以5分鐘的時間長度以每30秒進行睡眠辨識操作。參考圖1至圖5，儲存裝置120可例如儲存心跳間期變化分析模組310、心律變異分析模組320、R波振幅分析模組330以及相鄰R波差值分析模組340。在本實施例中，處理器110接收由心電圖感測器提供的穿戴者的心電圖信號ECG，並且經由心跳間期變化分析模組310來分析心電圖信號ECG，以取得如圖2的多個R波信號。
在本實施例中，心律變異分析模組320分析這些R波信號，以取得如圖4所示的低頻信號LF、高頻信號HF、趨勢波動分析信號DFA、第一樣本熵信號SE1以及第二樣本熵信號SE2。在本實施例中，低頻信號LF例如是這些R波信號在0.04Hz到0.15Hz之間的信號強度。高頻信號HF例如是這些R波信號在0.15Hz到0.4Hz之間的信號強度。趨勢波動分析信號DFA例如是將這些R波信號進行去趨勢波動分析法(Detrended fluctuation analysis, DFA)後的信號。第一樣本熵信號SE1例如是將這些R波信號以採樣數為1進行樣本熵(sample entropy)運算後的信號。第二樣本熵信號SE2例如是將這些R波信號以採樣數為2進行樣本熵運算後的信號。
在本實施例中，R波振幅分析模組330分析這些R波信號，以取得如圖5所示的轉折點比例值EDR_TPR以及信號強度值EDR_BR的結果。並且，在本實施例中，相鄰R波差值分析模組340分析這些R波信號以取得如圖5所示的平均值EAD_mean以及樣本熵值EAD_SE1。也就是說，本實施例的第一特徵值包括取自低頻信號LF、高頻信號HF、趨勢波動分析信號DFA、第一樣本熵信號SE1、第二樣本熵信號SE2、轉折點比例值EDR_TPR、信號強度值EDR_BR、平均值EAD_mean以樣本熵值EAD_SE1。
圖6繪示本發明一實施例的分析加速度信號的方塊圖。圖7繪示本發明一實施例的多個第二特徵值的波形圖。參考圖1、圖6以及圖7，儲存裝置120可例如儲存加速度分析模組610。在本實施例中，加速度分析模組610包括X軸加速度分析模組611、Y軸加速度分析模組612、Z軸加速度分析模組613。加速度感測器140可感測穿戴者的加速度信號AS，其中加速度感測器140可例如是重力感測器(G sensor)。加速度分析模組610可分析加速度信號AS以取得X軸(第一方向軸)、Y軸(第二方向軸)以及Z軸(第三方向軸)各別的加速度值，並且經由X軸加速度分析模組611、Y軸加速度分析模組612以及Z軸加速度分析模組613來取得各別的加速度趨勢波動分析值以及加速度樣本熵值。舉例而言，X軸加速度分析模組611、Y軸加速度分析模組612以及Z軸加速度分析模組613可例如取得如圖7所示加速度趨勢波動分析值DFA以及加速度樣本熵值SE1。
在本實施例中，X軸加速度分析模組611可產生第一加速度趨勢波動分析值AX_DFA以及第一加速度樣本熵值AX_SE1。Y軸加速度分析模組612可產生第二加速度趨勢波動分析值AY_DFA以及第二加速度樣本熵值AY_SE2。Z軸加速度分析模組613可產生第三加速度趨勢波動分析值AZ_DFA以及第三加速度樣本熵值AZ_SE3。也就是說，本實施例的第二特徵值包括第一加速度趨勢波動分析值AX_DFA、第一加速度樣本熵值AX_SE1、第二加速度趨勢波動分析值AY_DFA、第二加速度樣本熵值AY_SE2、第三加速度趨勢波動分析值AZ_DFA以及第三加速度樣本熵值AZ_SE3。
然而，關於本實施例的加速度趨勢波動分析值以及加速度樣本熵值的相關運算細節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8繪示本發明一實施例的分析角加速度信號的方塊圖。
參考圖1以及圖8，儲存裝置120可例如儲存角加速度分析模組810。在本實施例中，角加速度分析模組810包括X軸角加速度分析模組811、Y軸角加速度分析模組812、Z軸角加速度分析模組813。角加速度感測器150可感測穿戴者的角加速度信號AS，其中角加速度感測器150可例如是陀螺儀(Gyroscope)。角加速度分析模組810可分析加速度信號ANS以取得X軸(第一方向軸)、Y軸(第二方向軸)以及Z軸(第三方向軸)各別的角加速度值，並且經由X軸角加速度分析模組811、Y軸角加速度分析模組812以及Z軸角加速度分析模組813來取得各別的角加速度趨勢波動分析值以及角加速度樣本熵值。
在本實施例中，X軸角加速度分析模組811可產生第一角加速度趨勢波動分析值AnX_DFA以及第一角加速度樣本熵值AnX_SE1。Y軸角加速度分析模組812可產生第二角加速度趨勢波動分析值AnY_DFA以及第二角加速度樣本熵值AnY_SE2。Z軸角加速度分析模組813可產生第三角加速度趨勢波動分析值AnZ_DFA以及第三角加速度樣本熵值AnZ_SE3。也就是說，本實施例的第三特徵值包括第一角加速度趨勢波動分析值AnX_DFA、第一角加速度樣本熵值AnX_SE1、第二角加速度趨勢波動分析值AnY_DFA、第二角加速度樣本熵值AnY_SE2、第三角加速度趨勢波動分析值AnZ_DFA以及第三角加速度樣本熵值AnZ_SE3。
然而，關於本實施例的角加速度趨勢波動分析值以及角加速度樣本熵值的相關運算細節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9繪示本發明一實施例的睡眠階段的辨識方法的流程圖。參考圖1以及圖9，本實施例的辨識方法可至少適用於圖1的穿戴式裝置100。在步驟S910中，處理器110訓練類神經網路模組121。在步驟S920中，心電感測器130產生心電圖信號，並且藉由處理器110分析心電圖信號以產生多個第一特徵值。在步驟S930中，加速度感測器140產生加速度信號，並且藉由處理器110分析加速度信號以產生多個第二特徵值。在步驟S940中，角加速度感測器150產生角加速度信號，並且藉由處理器110分析角加速度信號以產生多個第三特徵值。在步驟S950中，處理器110利用經訓練後的類神經網絡模組121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階段辨識操作，以取得睡眠階段辨識結果。
因此，本實施例的辨識方法可依據心電感測器130、加速度感測器140以及角加速度感測器150所感測的上述21個特徵值來辨識穿戴者的睡眠階段。在本實施例中，穿戴者的睡眠階段選自覺醒期階段、第一非快速動眼期階段、第二非快速動眼期階段、第三非快速動眼期階段以及快速動眼期階段的其中之一。並且，覺醒期階段、第一非快速動眼期階段、第二非快速動眼期階段、第三非快速動眼期階段以及快速動眼期階段是由多項睡眠生理檢查標準所建立。
另外，關於本實施例的穿戴式裝置100的各個感測器以及各個模組的詳細特徵可依據上述圖1至圖8實施例內容而獲致足夠的教示、建議以及實施說明，因此不再贅述。
綜上所述，本發明的可辨識睡眠階段的穿戴式裝置以及睡眠階段的辨識方法可提供準確的睡眠辨識功能，其中穿戴式裝置可包括心電感測器、加速度感測器以及角加速度感測器，以使穿戴式裝置可感測穿戴者的心電圖資訊以及體態變化。本發明的穿戴式裝置可依據經訓練後的類神經網絡模組來依據心電感測器、加速度感測器以及角加速度感測器提供的多個特徵值來執行睡眠階段辨識操作。並且，本發明的穿戴式裝置可將上述各感測器整合至一個穿戴物件(例如智慧型衣服)中，而無需複雜的佩件。因此，本發明的穿戴式裝置可適用於穿戴者在居家環境中可便利地且可有效地監測睡眠狀態，以取得穿戴者的睡眠階段的辨識結果。
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
140‧‧‧加速度感測器
150‧‧‧角加速度感測器
310‧‧‧心跳間期變化分析模組
320‧‧‧心律變異分析模組
330‧‧‧R波振幅分析模組
340‧‧‧相鄰R波差值分析模組
610‧‧‧加速度分析模組
611‧‧‧X軸加速度分析模組
612‧‧‧Y軸加速度分析模組
613‧‧‧Z軸加速度分析模組
810‧‧‧角加速度分析模組
811‧‧‧X軸角加速度分析模組
812‧‧‧Y軸角加速度分析模組
813‧‧‧Z軸角加速度分析模組
AS‧‧‧加速度信號
ANS‧‧‧角加速度信號
DFA、AX_DFA、AY_DFA、AZ_DFA‧‧‧加速度趨勢波動分析值
SE1、AZ_SE1、AY_SE1、AZ_SE1‧‧‧加速度樣本熵值
AnX_DFA、AnY_DFA、AnZ_DFA‧‧‧角加速度趨勢波動分析值
AnX_SE1、AnY_SE1、AnZ_SE1‧‧‧角加速度樣本熵值
RRI‧‧‧心跳間期變化
EDR‧‧‧R波振幅
EAD‧‧‧相鄰R波差值
LF‧‧‧低頻信號
HF‧‧‧高頻信號
DFA‧‧‧趨勢波動分析信號
SE1‧‧‧第一樣本熵信號
SE2‧‧‧第二樣本熵信號
EDR_BR‧‧‧信號強度值
EDR_TPR‧‧‧轉折點比例值
EAD_mean‧‧‧平均值
EAD_SE1‧‧‧樣本熵值
S910、S920、S930、S940、S950‧‧‧步驟
圖1繪示本發明一實施例的穿戴式裝置的方塊圖。 圖2繪示本發明一實施例的心電圖信號的波形圖。 圖3繪示本發明一實施例的分析心電圖信號的方塊圖。 圖4繪示本發明一實施例的多個第一特徵值的波形圖。 圖5繪示本發明一實施例的另多個第一特徵值的波形圖。 圖6繪示本發明一實施例的分析加速度信號的方塊圖。 圖7繪示本發明一實施例的多個第二特徵值的波形圖。 圖8繪示本發明一實施例的分析角加速度信號的方塊圖。 圖9繪示本發明一實施例的睡眠階段的辨識方法的流程圖。

Claims (16)

  1. 一種可辨識睡眠階段的穿戴式裝置，包括： 一處理器，用以訓練一類神經網路模組； 一心電感測器，耦接該處理器，用以產生一心電圖信號，並且該處理器分析該心電圖信號以產生多個第一特徵值； 一加速度感測器，耦接該處理器，用以產生一加速度信號，並且該處理器分析該加速度信號以產生多個第二特徵值；以及 一角加速度感測器，耦接該處理器，用以產生一角加速度信號，並且該處理器分析該角加速度信號以產生多個第三特徵值， 其中該處理器利用經訓練後的該類神經網絡模組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階段辨識操作，以取得一睡眠階段辨識結果。
  2. 如申請專利範圍第1項所述的穿戴式裝置，其中該處理器執行一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，以取得一低頻信號、一高頻信號、一趨勢波動分析信號、一第一樣本熵信號以及一第二樣本熵信號， 其中該些第一特徵值包括取自該低頻信號、該高頻信號、該趨勢波動分析信號、該第一樣本熵信號以及該第二樣本熵信號。
  3. 如申請專利範圍第1項所述的穿戴式裝置，其中該處理器執行一R波振幅分析操作來分析該心電圖信號的一心跳間期變化，以取得一轉折點比例值以及一信號強度值， 其中該些第一特徵值包括該轉折點比例值以及該信號強度值。
  4. 如申請專利範圍第3項所述的穿戴式裝置，其中該處理器更執行一相鄰R波差值分析操作來分析該心電圖信號的該心跳間期變化，以取得一平均值以及一樣本熵值， 其中該些第一特徵值包括該平均值以及該樣本熵值。
  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加速度信號取得對應於一第一方向軸的一第一加速度值、對應於一第二方向軸的一第二加速度值以及對應於一第三方向軸的一第三加速度值， 其中該處理器分析該第一加速度值、該第二加速度值以及該第三加速度值，以取得一第一加速度趨勢波動分析值、一第一加速度樣本熵值、一第二加速度趨勢波動分析值、一第二加速度樣本熵值、一第三加速度趨勢波動分析值以及一第三加速度樣本熵值， 其中該些第二特徵值包括該第一加速度趨勢波動分析值、該第一加速度樣本熵值、該第二加速度趨勢波動分析值、該第二加速度樣本熵值、該第三加速度趨勢波動分析值以及該第三加速度樣本熵值。
  6. 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角加速度信號取得對應於一第一方向軸的一第一角加速度值、對應於一第二方向軸的一第二角加速度值以及對應於一第三方向軸的一第三角加速度值， 其中該處理器分析該第一角加速度值、該第二角加速度值以及該第三角加速度值，以取得一第一角加速度趨勢波動分析值、一第一角加速度樣本熵值、一第二角加速度趨勢波動分析值、一第二角加速度樣本熵值、一第三角加速度趨勢波動分析值以及一第三角加速度樣本熵值， 其中該些第三特徵值包括該第一角加速度趨勢波動分析值、該第一角加速度樣本熵值、該第二角加速度趨勢波動分析值、該第二角加速度樣本熵值、該第三角加速度趨勢波動分析值以及該第三角加速度樣本熵值。
  7. 如申請專利範圍第1項所述的穿戴式裝置，其中該睡眠階段辨識結果為一覺醒期階段、一第一非快速動眼期階段、一第二非快速動眼期階段、一第三非快速動眼期階段以及一快速動眼期階段的其中之一，並且該覺醒期階段、該第一非快速動眼期階段、該第二非快速動眼期階段、該第三非快速動眼期階段以及該快速動眼期階段經由一多項睡眠生理檢查標準所建立。
  8. 如申請專利範圍第1項所述的穿戴式裝置，其中該處理器預先依據多個樣本資料來訓練該類神經網路模組，並且該些樣本資料各別包括另多個第一特徵值、另多個第二特徵值以及另多個第三特徵值。
  9. 一種睡眠階段的辨識方法，適用於一穿戴式裝置，並且該穿戴式裝置包括一處理器、一心電感測器、一加速度感測器以及一角加速度感測器，該方法包括： 藉由該處理器訓練一類神經網路模組； 藉由該心電感測器產生一心電圖信號，並且藉由該處理器分析該心電圖信號以產生多個第一特徵值； 藉由該加速度感測器產生一加速度信號，並且藉由該處理器分析該加速度信號以產生多個第二特徵值； 藉由該角加速度感測器產生一角加速度信號，並且藉由該處理器分析該角加速度信號以產生多個第三特徵值；以及 藉由該處理器利用經訓練後的該類神經網絡模組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階段辨識操作，以取得一睡眠階段辨識結果。
  10. 如申請專利範圍第9項所述的睡眠階段的辨識方法，其中藉由該處理器分析該心電圖信號以產生該些第一特徵值的步驟包括： 藉由該處理器執行一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，以取得一低頻信號、一高頻信號、一趨勢波動分析信號、一第一樣本熵信號以及一第二樣本熵信號， 其中該些第一特徵值包括取自該低頻信號、該高頻信號、該趨勢波動分析信號、該第一樣本熵信號以及該第二樣本熵信號。
  11. 如申請專利範圍第9項所述的睡眠階段的辨識方法，其中藉由該處理器分析該心電圖信號以產生該些第一特徵值的步驟包括： 藉由該處理器執行一R波振幅分析操作來分析該心電圖信號的一心跳間期變化，以取得一轉折點比例值以及一信號強度值， 其中該些第一特徵值包括該轉折點比例值以及該信號強度值。
  12. 如申請專利範圍第11項所述的睡眠階段的辨識方法，更包括： 藉由該處理器更執行一相鄰R波差值分析操作來分析該心電圖信號的該心跳間期變化，以取得一平均值以及一樣本熵值， 其中該些第一特徵值包括該平均值以及該樣本熵值。
  13. 如申請專利範圍第9項所述的睡眠階段的辨識方法，其中藉由該處理器分析該加速度信號以產生該些第二特徵值的步驟包括： 藉由該處理器依據該加速度信號取得對應於一第一方向軸的一第一加速度值、對應於一第二方向軸的一第二加速度值以及對應於一第三方向軸的一第三加速度值；以及 藉由該處理器分析該第一加速度值、該第二加速度值以及該第三加速度值，以取得一第一加速度趨勢波動分析值、一第一加速度樣本熵值、一第二加速度趨勢波動分析值、一第二加速度樣本熵值、一第三加速度趨勢波動分析值以及一第三加速度樣本熵值， 其中該些第二特徵值包括該第一加速度趨勢波動分析值、該第一加速度樣本熵值、該第二加速度趨勢波動分析值、該第二加速度樣本熵值、該第三加速度趨勢波動分析值以及該第三加速度樣本熵值。
  14. 如申請專利範圍第9項所述的睡眠階段的辨識方法，其中藉由該處理器分析該角加速度信號以產生該些第三特徵值的步驟包括： 藉由該處理器依據該角加速度信號取得對應於一第一方向軸的一第一角加速度值、對應於一第二方向軸的一第二角加速度值以及對應於一第三方向軸的一第三角加速度值； 藉由該處理器分析該第一角加速度值、該第二角加速度值以及該第三角加速度值，以取得一第一角加速度趨勢波動分析值、一第一角加速度樣本熵值、一第二角加速度趨勢波動分析值、一第二角加速度樣本熵值、一第三角加速度趨勢波動分析值以及一第三角加速度樣本熵值， 其中該些第三特徵值包括該第一角加速度趨勢波動分析值、該第一角加速度樣本熵值、該第二角加速度趨勢波動分析值、該第二角加速度樣本熵值、該第三角加速度趨勢波動分析值以及該第三角加速度樣本熵值。
  15. 如申請專利範圍第9項所述的睡眠階段的辨識方法，其中該睡眠階段辨識結果為一覺醒期階段、一第一非快速動眼期階段、一第二非快速動眼期階段、一第三非快速動眼期階段以及一快速動眼期階段的其中之一，並且該覺醒期階段、該第一非快速動眼期階段、該第二非快速動眼期階段、該第三非快速動眼期階段以及該快速動眼期階段經由一多項睡眠生理檢查標準所建立。
  16. 如申請專利範圍第9項所述的睡眠階段的辨識方法，其中該處理器預先依據多個樣本資料來訓練該類神經網路模組，並且該些樣本資料各別包括另多個第一特徵值、另多個第二特徵值以及另多個第三特徵值。
TW106140053A 2017-11-20 2017-11-20 可辨識睡眠階段的穿戴式裝置及其辨識方法 TWI725254B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW106140053A TWI725254B (zh) 2017-11-20 2017-11-20 可辨識睡眠階段的穿戴式裝置及其辨識方法
US15/990,838 US20190150828A1 (en) 2017-11-20 2018-05-29 Wearable device capable of recognizing sleep stage and recognition method thereof
EP18183026.6A EP3485803B1 (en) 2017-11-20 2018-07-11 Wearable device capable of recognizing sleep stage and recognition method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106140053A TWI725254B (zh) 2017-11-20 2017-11-20 可辨識睡眠階段的穿戴式裝置及其辨識方法

Publications (2)

Publication Number Publication Date
TW201922169A true TW201922169A (zh) 2019-06-16
TWI725254B TWI725254B (zh) 2021-04-21

Family

ID=63047120

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106140053A TWI725254B (zh) 2017-11-20 2017-11-20 可辨識睡眠階段的穿戴式裝置及其辨識方法

Country Status (3)

Country Link
US (1) US20190150828A1 (zh)
EP (1) EP3485803B1 (zh)
TW (1) TWI725254B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL2022510B1 (nl) * 2019-02-05 2020-08-19 Nedap Nv Systeem en smarttag voor dieren.
RU2752137C1 (ru) * 2021-02-26 2021-07-23 Александр Николаевич Бондарик Персональный телемедицинский комплект для дистанционного контроля жизненно важных параметров состояния здоровья человека
CN116808391B (zh) * 2023-06-29 2023-12-26 北京理工大学 一种基于生理信号解码的睡眠唤醒方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201617026A (zh) * 2014-11-11 2016-05-16 金寶電子工業股份有限公司 呼吸相關訊號量測系統及其量測方法
US10842429B2 (en) * 2015-02-26 2020-11-24 Oura Health Oy Method and system for assessing a readiness score of a user
WO2017079828A1 (en) * 2015-11-09 2017-05-18 Magniware Ltd. Systems and methods for acquisition and analysis of health data
US10470719B2 (en) * 2016-02-01 2019-11-12 Verily Life Sciences Llc Machine learnt model to detect REM sleep periods using a spectral analysis of heart rate and motion

Also Published As

Publication number Publication date
EP3485803B1 (en) 2020-11-04
US20190150828A1 (en) 2019-05-23
TWI725254B (zh) 2021-04-21
EP3485803A1 (en) 2019-05-22

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
US11172835B2 (en) Method and system for monitoring sleep
TWI720215B (zh) 提供即時訊號分段和基準點對準架構的系統與方法
JP6516846B2 (ja) 睡眠監視のデバイス及び方法
CN109328034B (zh) 用于确定对象的睡眠阶段的确定系统和方法
JP6829880B2 (ja) 入眠評価システム、プログラムおよび記憶媒体
EP3927234B1 (en) A sleep monitoring system and method
BR112020019815A2 (pt) Análise e apresentação de dados de fotopletismograma
TWI725254B (zh) 可辨識睡眠階段的穿戴式裝置及其辨識方法
Tataraidze et al. Sleep stage classification based on respiratory signal
Morales et al. Sleep apnea hypopnea syndrome classification in spo 2 signals using wavelet decomposition and phase space reconstruction
CN112617747A (zh) 状态推定装置、状态推定方法以及存储介质
Widjaja et al. Stress classification by separation of respiratory modulations in heart rate variability using orthogonal subspace projection
Lee et al. The analysis of sleep stages with motion and heart rate signals from a handheld wearable device
TWI698223B (zh) 可辨識打瞌睡階段的穿戴式裝置及其辨識方法
TWI458463B (zh) 個人化心電圖處理裝置與方法
Lee et al. Monitoring obstructive sleep apnea with electrocardiography and 3-axis acceleration sensor
Gupta ECG and wearable computing for drowsiness detection
Polo et al. Understanding the role of emotion in decision making process: using machine learning to analyze physiological responses to visual, auditory, and combined stimulation
TWI462728B (zh) 依據歷史資料判斷睡眠階段之系統及其方法
Schumann Fluctuations and synchronization in complex physiological systems
Kim et al. Computer Supported Detection for Obstructive Sleep Apnea Using Electrocardiographic-Acceleration Sensors
Mohammadpoor Faskhodi et al. On the use of fractional calculus to improve the pulse arrival time (PAT) detection when using photoplethysmography (PPG) and electrocardiography (ECG) signals
Zschocke Time series analysis of wrist accelerometry and cardiorespiratory signals during sleep
Stewart et al. Decision Fusion in Automated Sleep Apnea Classification Using Multple Polysomnography Sensors and Convolutional Neural Networks

Legal Events

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