TW201922170A - 可辨識打瞌睡階段的穿戴式裝置及其辨識方法 - Google Patents

可辨識打瞌睡階段的穿戴式裝置及其辨識方法 Download PDF

Info

Publication number
TW201922170A
TW201922170A TW106140054A TW106140054A TW201922170A TW 201922170 A TW201922170 A TW 201922170A TW 106140054 A TW106140054 A TW 106140054A TW 106140054 A TW106140054 A TW 106140054A TW 201922170 A TW201922170 A TW 201922170A
Authority
TW
Taiwan
Prior art keywords
signal
processor
stage
analysis operation
wearable device
Prior art date
Application number
TW106140054A
Other languages
English (en)
Other versions
TWI698223B (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 TW106140054A priority Critical patent/TWI698223B/zh
Priority to US15/993,591 priority patent/US20190150827A1/en
Priority to EP18183027.4A priority patent/EP3485804A1/en
Publication of TW201922170A publication Critical patent/TW201922170A/zh
Application granted granted Critical
Publication of TWI698223B publication Critical patent/TWI698223B/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
    • A61B5/02—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
    • A61B5/02—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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]
    • A61B5/333—Recording apparatus specially adapted therefor
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • 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
    • A61B5/72—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Anesthesiology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本發明提出一種可辨識打瞌睡階段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。處理器耦接心電感測器。心電感測器用以產生心電圖信號。處理器執行心律變異分析操作以及R波振幅分析操作來分析心電圖信號的心跳間期變化，以產生多個特徵值。處理器利用經訓練後的類神經網絡模組來依據這些特徵值執行打瞌睡階段辨識操作，以取得打瞌睡階段辨識結果。另外，一種辨識方法亦被提出。

Description

可辨識打瞌睡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打瞌睡階段的穿戴式裝置及其辨識方法。
在辨識打瞌睡階段的技術領域中，一般適用於打瞌睡(doze-off)的睡眠階段辨識通常是透過運用多種生理參數如腦波、心跳、呼吸或是血壓的智慧型裝置來進行打瞌睡階段辨識，或者是透過影像處理的方式來分析眼部、頭部或嘴型的變化來進行比對辨識，以辨識受測者的打瞌睡階段。也就是說，一般適用於打瞌睡的睡眠階段辨識需要將繁雜的配件穿戴在受測者身上，並且需要分析大量的感測資料，導致成本過高且分析程序繁雜，而無法將辨識打瞌睡階段的技術普及應用於各式智慧型裝置。有鑑於此，如何提供可有效感測受測者於打瞌睡時的睡眠階段，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打瞌睡階段的穿戴式裝置及其方法，可有效地辨識穿戴者的打瞌睡階段，並且具有便利性的特點。
本發明的可辨識打瞌睡階段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。心電感測器耦接處理器。心電感測器用以產生心電圖信號。處理器執行心律變異分析操作以及R波振幅分析操作來分析心電圖信號的心跳間期變化，以產生多個特徵值。處理器利用經訓練後的類神經網絡模組來依據這些特徵值執行打瞌睡階段辨識操作，以取得打瞌睡階段辨識結果。
本發明的打瞌睡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以及心電感測器。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；藉由處理器執行心律變異分析操作以及R波振幅分析操作來分析心電圖信號的心跳間期變化，以產生多個特徵值；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特徵值執行打瞌睡階段辨識操作，以取得打瞌睡階段辨識結果。
基於上述，本發明的可辨識打瞌睡階段的穿戴式裝置及其方法可藉由心電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打瞌睡階段辨識操作。因此，本發明的穿戴式裝置可有效地取得打瞌睡的打瞌睡階段的辨識結果，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。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用以辨識穿戴者的打瞌睡階段。在一實施例中，打瞌睡可為短暫的午覺。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，當穿戴者在打瞌睡時，穿戴者可藉由穿戴此穿戴式裝置100來感測穿戴者的打瞌睡階段。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打瞌睡的睡眠辨識，以監視穿戴者的睡眠狀態，並可紀錄其打瞌睡情況。並且，在本實施例中，穿戴式裝置100可辨識的打瞌睡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)以及第一非快速動眼期階段(Stage N1，又稱入睡期)。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短時間的睡眠情境。
附帶一提的是，多項睡眠生理檢查標準制定的睡眠階段包括覺醒期階段、第一非快速動眼期階段、第二非快速動眼期階段(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)。然而，由於本發明的穿戴式裝置100的適用情境是用於穿戴者在打瞌睡的時候，來辨識打瞌睡階段。因此，本發明的穿戴式裝置100藉由經訓練後的類神經網絡模組來辨識的打瞌睡階段只需要分為覺醒期階段以及第一非快速動眼期階段。
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特徵值。也就是說，當穿戴者在打瞌睡時，穿戴者可能較不容易有翻身或移動身體的情況，因此本實施例的穿戴式裝置100可只感測穿戴者的心電圖資訊，即可辨識穿戴者的打瞌睡階段。
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可依據各打瞌睡階段的判斷條件、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進行打瞌睡階段辨識操作時，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感測到的這些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(R-R 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特徵值的波形圖。圖5繪示本發明一實施例的另多個特徵值的波形圖。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_TRP、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打瞌睡階段的辨識方法的流程圖。參考圖1以及圖6，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S610中，處理器110訓練類神經網路模組121。在步驟S620中，心電感測器130產生心電圖信號。在步驟S630中，處理器110執行心律變異分析操作以及R波振幅分析操作來分析心電圖信號的心跳間期變化，以產生多個特徵值。在步驟S640中，處理器110利用經訓練後的類神經網絡模組121依據這些特徵值來執行打瞌睡階段辨識操作，以取得打瞌睡階段辨識結果。
因此，本實施例的辨識方法可依據心電感測器130所感測的上述9個特徵值來辨識穿戴者的打瞌睡階段。在本實施例中，穿戴者的打瞌睡階段選自覺醒期階段以及第一非快速動眼期階段的其中之一。並且，覺醒期階段以及第一非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5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，本發明的可辨識打瞌睡階段的穿戴式裝置以及打瞌睡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，以使穿戴式裝置可感測穿戴者的心電圖資訊。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提供的多個特徵值來執行打瞌睡階段辨識操作。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並且在打瞌睡的情境下可便利地且可有效地監測睡眠狀態，以取得穿戴者的打瞌睡階段的辨識結果。
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
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
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
S610、S620、S630、S640、S650‧‧‧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另多個特徵值的波形圖。 圖5繪示本發明一實施例的多個特徵值的波形圖。 圖6繪示本發明一實施例的打瞌睡階段的辨識方法的流程圖。

Claims (12)

  1. 一種可辨識打瞌睡階段的穿戴式裝置，包括： 一處理器，用以訓練一類神經網路模組；以及 一心電感測器，耦接該處理器，用以產生一心電圖信號，並且該處理器執行一心律變異分析操作以及一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，以產生多個特徵值， 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特徵值執行一打瞌睡階段辨識操作，以取得一打瞌睡階段辨識結果。
  2. 如申請專利範圍第1項所述的穿戴式裝置，其中該處理器執行該心律變異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，其中該處理器執行該R波振幅分析操作來分析該心電圖信號的該心跳間期變化，以取得一轉折點比例值以及一信號強度值， 其中該些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，其中該打瞌睡階段辨識結果為一覺醒期階段或一第一非快速動眼期階段，並且該覺醒期階段以及該第一非快速動眼期階段經由一多項睡眠生理檢查標準所建立。
  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特徵值。
  7. 一種打瞌睡階段的辨識方法，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； 藉由該心電感測器產生一心電圖信號； 藉由該處理器執行一心律變異分析操作以及一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，以產生多個特徵值；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特徵值執行一打瞌睡階段辨識操作，以取得一打瞌睡階段辨識結果。
  8. 如申請專利範圍第7項所述的打瞌睡階段的辨識方法，其中藉由藉由該處理器執行該心律變異分析操作以及該R波振幅分析操作來分析該心電圖信號的該心跳間期變化，以產生該些特徵值的步驟包括： 藉由該處理器執行該心律變異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。
  9. 如申請專利範圍第7項所述的打瞌睡階段的辨識方法，其中藉由藉由該處理器執行該心律變異分析操作以及該R波振幅分析操作來分析該心電圖信號的該心跳間期變化，以產生該些特徵值的步驟包括： 藉由該處理器執行該R波振幅分析操作來分析該心電圖信號的該心跳間期變化，以取得一轉折點比例值以及一信號強度值， 其中該些特徵值包括該轉折點比例值以及該信號強度值。
  10. 如申請專利範圍第9項所述的打瞌睡階段的辨識方法，其中藉由藉由該處理器執行該心律變異分析操作以及該R波振幅分析操作來分析該心電圖信號的該心跳間期變化，以產生該些特徵值的步驟更包括： 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， 其中該些特徵值包括該平均值以及該樣本熵值。
  11. 如申請專利範圍第7項所述的打瞌睡階段的辨識方法，其中該打瞌睡階段辨識結果為一覺醒期階段或一第一非快速動眼期階段，並且該覺醒期階段以及該第一非快速動眼期階段經由一多項睡眠生理檢查標準所建立。
  12. 如申請專利範圍第7項所述的打瞌睡階段的辨識方法，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特徵值。
TW106140054A 2017-11-20 2017-11-20 可辨識打瞌睡階段的穿戴式裝置及其辨識方法 TWI698223B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW106140054A TWI698223B (zh) 2017-11-20 2017-11-20 可辨識打瞌睡階段的穿戴式裝置及其辨識方法
US15/993,591 US20190150827A1 (en) 2017-11-20 2018-05-31 Wearable device capable of recognizing doze-off stage and recognition method thereof
EP18183027.4A EP3485804A1 (en) 2017-11-20 2018-07-11 Wearable device capable of recognizing doze-off stage and recognition method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106140054A TWI698223B (zh) 2017-11-20 2017-11-20 可辨識打瞌睡階段的穿戴式裝置及其辨識方法

Publications (2)

Publication Number Publication Date
TW201922170A true TW201922170A (zh) 2019-06-16
TWI698223B TWI698223B (zh) 2020-07-11

Family

ID=63047121

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106140054A TWI698223B (zh) 2017-11-20 2017-11-20 可辨識打瞌睡階段的穿戴式裝置及其辨識方法

Country Status (3)

Country Link
US (1) US20190150827A1 (zh)
EP (1) EP3485804A1 (zh)
TW (1) TWI698223B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010140117A1 (en) * 2009-06-04 2010-12-09 Koninklijke Philips Electronics, N.V. Method and system for providing behavioural therapy for insomnia
CN104720748B (zh) * 2013-12-24 2017-06-06 中国移动通信集团公司 一种睡眠阶段确定方法和系统
US9655559B2 (en) * 2014-01-03 2017-05-23 Vital Connect, Inc. Automated sleep staging using wearable sensors
US10321871B2 (en) * 2015-08-28 2019-06-18 Awarables Inc. Determining sleep stages and sleep events using sensor data
US9955925B2 (en) * 2015-12-18 2018-05-01 Microsoft Technology Licensing, Llc Drowsiness onset detection

Also Published As

Publication number Publication date
TWI698223B (zh) 2020-07-11
EP3485804A1 (en) 2019-05-22
US20190150827A1 (en) 2019-05-23

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
JP6516846B2 (ja) 睡眠監視のデバイス及び方法
US20190209020A1 (en) Method and system for monitoring sleep
US10722182B2 (en) Method and apparatus for heart rate and respiration rate estimation using low power sensor
CN109328034B (zh) 用于确定对象的睡眠阶段的确定系统和方法
US8795173B2 (en) Methods and apparatus for assessment of atypical brain activity
US20180000408A1 (en) Baby sleep monitor
TW201806370A (zh) 提供即時訊號分段和基準點對準架構的系統與方法
CN113473910A (zh) 睡眠监测系统和方法
US10470717B2 (en) Pulse validation
JP6813837B2 (ja) 活動リズム判定方法および活動リズム判定装置
TWI725254B (zh) 可辨識睡眠階段的穿戴式裝置及其辨識方法
US20220375590A1 (en) Sleep staging algorithm
WO2023061565A1 (en) Apparatus, system and method for determining whether a person is asleep
US9826911B2 (en) Wearable device and determination method thereof
Dey et al. Wearable PPG sensor based alertness scoring system
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
Chen et al. Study of using Fourier transform to capture the ECG signals between awakeness and dozing
Huysmans et al. Cardiovascular risk detection in sleep apnea patients from pulse photoplethysmography waveform
Lee et al. Monitoring obstructive sleep apnea with electrocardiography and 3-axis acceleration sensor
Gong et al. Signal extraction and monitoring of motion loads based on wearable online device
TWI462728B (zh) 依據歷史資料判斷睡眠階段之系統及其方法
US20220375591A1 (en) Automatic sleep staging classification with circadian rhythm adjustment
TW201322959A (zh) 個人化心電圖處理裝置與方法