TW202322147A - 睡眠評估方法及其運算裝置 - Google Patents

睡眠評估方法及其運算裝置 Download PDF

Info

Publication number
TW202322147A
TW202322147A TW110144350A TW110144350A TW202322147A TW 202322147 A TW202322147 A TW 202322147A TW 110144350 A TW110144350 A TW 110144350A TW 110144350 A TW110144350 A TW 110144350A TW 202322147 A TW202322147 A TW 202322147A
Authority
TW
Taiwan
Prior art keywords
sleep
computing device
apnea
training
person
Prior art date
Application number
TW110144350A
Other languages
English (en)
Other versions
TWI781834B (zh
Inventor
楊智傑
Original Assignee
國立陽明交通大學
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 國立陽明交通大學 filed Critical 國立陽明交通大學
Priority to TW110144350A priority Critical patent/TWI781834B/zh
Priority to US17/889,692 priority patent/US20230170097A1/en
Application granted granted Critical
Publication of TWI781834B publication Critical patent/TWI781834B/zh
Publication of TW202322147A publication Critical patent/TW202322147A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一種睡眠評估方法及其運算裝置，該運算裝置儲存有一睡眠評估模型、一呼吸中止評估模型，及一睡眠分期評估模型，該運算裝置經由一待評估者之輸入操作產生一對應一睡眠品質調查表的該作答內容，並根據該作答內容獲得一相關於該待評估者之睡眠品質的睡眠分數，且根據該睡眠分數判定該待評估者是否具有睡眠品質障礙，當該運算裝置判定該待評估者具有睡眠品質障礙時，該運算裝置根據該作答內容利用該睡眠評估模型獲得對應該待評估者的一睡眠分類結果，其中該分類結果指示出該待評估者為一呼吸中止症及一失眠症之其中一者。

Description

睡眠評估方法及其運算裝置
本發明是有關於一種睡眠評估方法，特別是指一種用於評估一待評估者之睡眠障礙的睡眠評估方法及其運算裝置。
近年來，隨著健康意識抬頭，民眾開始重視自己的生活品質，其中睡眠亦被視為重要的一環，當民眾認為自己可能有睡眠障礙情況的時候，通常透過諮詢及紙本填寫問卷的方式來評估是否有失眠的情況，若評估的結果顯示有失眠的情況時，會進行進一步的檢測來判斷是屬於失眠症或者可能有呼吸中止症。然而，如此的評估方式需耗費較多時間及人力成本方能判定出待評估者之睡眠障礙的類型，無法立即地產生評估結果，故實有必要提出一解決方案。
因此，本發明的目的，即在提供一種可即時且節省人力成本地自動評估出一待評估者為一呼吸中止症或一失眠症的睡眠評估方法。
於是，本發明睡眠評估方法，藉由一運算裝置來實施，該運算裝置儲存有一用於分類一使用者為該失眠症及該呼吸中止症之其中一者的睡眠評估模型，該睡眠評估方法包含一步驟(A)、一步驟(B)、一步驟(C)，及一步驟(D)。
該步驟(A)是該運算裝置經由該待評估者之輸入操作產生一對應一睡眠品質調查表的作答內容。
該步驟(B)是該運算裝置根據該作答內容獲得一相關於該待評估者之睡眠品質的睡眠分數。
該步驟(C)是該運算裝置根據該睡眠分數判定該待評估者是否具有睡眠品質障礙。
該步驟(D)是當該運算裝置判定該待評估者具有睡眠品質障礙時，該運算裝置根據該作答內容利用該睡眠評估模型獲得對應該待評估者的一睡眠分類結果，其中該分類結果指示出該待評估者為該呼吸中止症及該失眠症之其中一者。
本發明的另一目的，即在提供一種可即時且節省人力成本地自動評估出一待評估者為一呼吸中止症或一失眠症的運算裝置。
於是，本發明運算裝置，包含一輸入模組、一儲存模組，及一處理模組。
該輸入模組用於供該待評估者進行輸入操作。
該儲存模組用於儲存一用於分類一使用者為該失眠症及該呼吸中止症之其中一者的睡眠評估模型。
該處理模電連接該輸入模組與該儲存模組。
其中，該處理模組根據該輸入模組經該待評估者之輸入操作而產生之一相關於一睡眠品質調查表的輸入訊號，獲得一對應該睡眠品質調查表的作答內容，並根據該作答內容獲得一相關於該待評估者之睡眠品質的睡眠分數，且根據該睡眠分數判定該待評估者是否具有睡眠品質障礙，當該處理模組判定該待評估者具有睡眠品質障礙時，該處理模組根據該作答內容利用該儲存模組所存有的該睡眠評估模型獲得對應該待評估者的一睡眠分類結果，其中該分類結果指示出該待評估者為該呼吸中止症及該失眠症之其中一者。
本發明的功效在於：藉由該運算裝置經由該待評估者之輸入操作產生對應該睡眠品質調查表的該作答內容，並根據該作答內容獲得相關於該待評估者之睡眠品質的該睡眠分數，且根據該睡眠分數判定該待評估者是否具有睡眠品質障礙，當該運算裝置判定該待評估者具有睡眠品質障礙時，該運算裝置根據該作答內容利用該睡眠評估模型獲得對應該待評估者的該睡眠分類結果，其中該分類結果指示出該待評估者為該呼吸中止症及該失眠症之其中一者，藉此可讓該待評估者透過該運算裝置自動判定是否有睡眠障礙並區分是屬於失眠症或呼吸中止症，以減輕需花費人力對該待評估者進行睡眠檢測的問題，且可即時地評估出該待評估者之睡眠狀況。
在本發明被詳細描述的前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
參閱圖1，本發明睡眠評估方法的一實施例，藉由一運算裝置來實施，該運算裝置包含一用於供一待評估者進行輸入操作的輸入模組1、一輸出模組4、一儲存模組2，及一電連接該輸入模組1、該輸出模組4與該儲存模組2的處理模組3。
該儲存模組2儲存有多筆對應於多個測試者針對一睡眠品質調查表進行作答的訓練作答內容、一用於分類一使用者為一失眠症及一呼吸中止症之其中一者的睡眠評估模型、一用於評估該使用者的一呼吸中止程度的呼吸中止評估模型、多筆對應多個測試者在夜晚睡眠期間的訓練血氧濃度資訊、一用於評估該使用者的一睡眠分期的睡眠分期評估模型，及多筆對應多個測試者在夜晚睡眠期間的心電訊號，每一心電訊號被切分為多段心電分期訊號。其中該睡眠品質調查表包含多個用於評估多個不同睡眠指標的問題內容，每一睡眠指標可被分類為一第一類指標及一第二類指標之其中一者。該儲存模組2還儲存有每一訓練作答內容所對應之一睡眠分類標記結果，該睡眠分類標記結果為該失眠症或該呼吸中止症之其中一者。該儲存模組2還儲存有每一訓練血氧濃度資訊所對應之一呼吸中止程度標記，該呼吸中止程度標記包含一輕度呼吸中止、一中度呼吸中止，及一重度呼吸中止之其中一者。該儲存模組2還儲存有每一心電分期訊號所對應之一睡眠分期標記，該睡眠分期標記包含該清醒期、該快速動眼期，及該非快速動眼期之其中一者。
值得一提的是，對於每一心電訊號，在本實施方式中，係以每120秒為一個固定時間區段來切分該心電訊號，以將該心電訊號切分為該等心電分期訊號，在其他實施方式中，該固定時間區段亦可依需求調整為不同的時間長度。
參閱圖1，該運算裝置可為一平板電腦、一筆記型電腦、一智慧型手機或一個人電腦，但不以此為限。
以下將配合本發明睡眠評估方法之該實施例，來說明該運算裝置中各元件的運作細節，該睡眠評估方法之該實施例包含一用於建立該睡眠評估模型的睡眠評估模型建立程序、一用於建立該呼吸中止評估模型的呼吸中止模型建立程序、一用於建立該睡眠分期評估模型的睡眠分期模型建立程序、一用於評估該待評估者是否具有睡眠品質障礙及其睡眠品質障礙之成因的睡眠障礙評估程序，及一用於評估該待評估者之呼吸中止程度或睡眠分期的睡眠狀況評估程序。
該睡眠評估模型建立程序包含一步驟51、一步驟52、一步驟53，及一步驟54。
該呼吸中止模型建立程序包含一步驟61、一步驟62，及一步驟63。
該睡眠分期模型建立程序包含一步驟71，及一步驟72。
該睡眠障礙評估程序包含一步驟81、一步驟82、一步驟83、一步驟84，及一步驟85。
該睡眠狀況評估程序包含一步驟91、一步驟92、一步驟93，及一步驟94。
參閱圖1與圖2，該睡眠評估模型建立程序包含以下步驟。
在步驟51中，對於每一訓練作答內容，該處理模組3從該儲存模組2所存有的該訓練作答內容獲得對應每一第一類指標之問題內容所對應的第一訓練作答內容。
在步驟52中，對於每一訓練作答內容，該處理模組3根據該訓練作答內容中對應每一第二類指標之問題內容所對應的第二訓練作答內容，獲得每一第二類指標對應的訓練指標值。
在步驟53中，對於每一訓練作答內容，該處理模組3將該訓練作答內容所對應的每一第一訓練作答內容、每一第二類指標對應的訓練指標值，及所對應的睡眠分類標記結果作為一組睡眠訓練資料。
在步驟54中，該處理模組3根據該等睡眠訓練資料，利用一機器學習演算法，建立該睡眠評估模型，其中該機器學習演算法可為深度神經網路(DNN, Deep Neural Network)演算模型。
參閱圖1與圖3，該呼吸中止模型建立程序包含以下步驟。
在步驟61中，對於每一訓練血氧濃度資訊，該處理模組3根據該訓練血氧濃度資訊，利用一特徵提取方法獲得該訓練血氧濃度資訊的一訓練血氧特徵值，其中該特徵提取方法例如為國立中山大學，機械與機電工程學系，王筱涵“以血氧飽和濃度檢測睡眠呼吸中止症”此篇論文中之3.4章節所提到特徵提取方式。
在步驟62中，對於每一訓練血氧濃度資訊，該處理模組3將該訓練血氧濃度資訊所對應的訓練血氧特徵值，及所對應的呼吸中止程度標記作為一組呼吸訓練資料。
在步驟63中，該處理模組3根據該等呼吸訓練資料，利用一機器學習演算法，建立該呼吸中止評估模型，其中該機器學習演算法可為深度神經網路(DNN, Deep Neural Network)演算模型。
參閱圖1與圖4，該睡眠分期模型建立程序包含以下步驟。
在步驟71中，對於每一心電分期訊號，該處理模組3將該心電分期訊號，及對應的睡眠分期標記作為一組分期訓練資料。
在步驟72中，該處理模組3根據該等分期訓練資料，利用一機器學習演算法，建立該睡眠分期評估模型，其中該機器學習演算法可為深度神經網路(DNN, Deep Neural Network)演算模型。
參閱圖1與圖5，該睡眠障礙評估程序包含以下步驟。
在步驟81中，該處理模組3根據該輸入模組1經該待評估者之輸入操作而產生之一相關於該睡眠品質調查表的輸入訊號，獲得一對應該睡眠品質調查表的作答內容，其中該睡眠品質調查表可為匹茲堡睡眠量測表(PSQI, The Pittsburgh Sleep Quality Index)，該匹茲堡睡眠量測表評估分為七大層面，包含一主觀睡眠品質、一睡眠潛伏期、一睡眠總時數、一睡眠效率、一睡眠障礙、一安眠藥物使用，及一日間功能障礙，且每一第一類指標相關於七大層面之該睡眠障礙所包含的每一項問題，每一第二類指標相關於七大層面中每一層面所包含的每一項問題。
在步驟82中，該處理模組3根據該作答內容獲得一相關於該待評估者之睡眠品質的睡眠分數，其中該睡眠分數可為PSQI分數。
參閱圖1與圖7，值得特別說明的是，步驟82包含以下子步驟。
在步驟821中，該處理模組3根據對應該睡眠品質調查表的作答內容獲得多個對應該等睡眠指標的指標值。
在步驟822中，該處理模組3根據該等指標值，獲得相關於該待評估者之睡眠品質的該睡眠分數。
在步驟83中，該處理模組3根據該睡眠分數判定該待評估者是否具有睡眠品質障礙。當該處理模組3判定該待評估者具有睡眠品質障礙時，流程進行步驟84。當該處理模組3判定該待評估者不具有睡眠品質障礙時，流程進行步驟85。
在步驟84中，該處理模組3根據該作答內容利用該儲存模組2所存有的該睡眠評估模型獲得對應該待評估者的一睡眠分類結果，並輸出一指示出該睡眠分類結果的第一輸出訊息於該輸出模組4，其中該分類結果指示出該待評估者為該呼吸中止症及該失眠症之其中一者。
參閱圖1與圖8，值得特別說明的是，步驟84包含以下子步驟。
在步驟841中，該處理模組3從該作答內容獲得對應每一第一類指標之問題內容所對應的第一作答內容。
在步驟842中，該處理模組3根據該作答內容中對應每一第二類指標之問題內容所對應的第二作答內容，獲得每一第二類指標對應的指標值。
在步驟843中，該處理模組3根據每一第一作答內容及每一第二類指標對應的指標值，利用該睡眠評估模型獲得對應該待評估者的該睡眠分類結果。
在步驟85中，該處理模組3輸出一指示出不具睡眠品質障礙的第二輸出訊息於該輸出模組4。
參閱圖1與圖6，該睡眠狀況評估程序包含以下步驟。
在步驟91中，該處理模組3判定該睡眠分類結果是否指示出該待評估者為該呼吸中止症，當該處理模組3判定出該睡眠分類結果指示出該待評估者為該呼吸中止症時，流程進行步驟92，當該處理模組3判定出該睡眠分類結果指示出該待評估者為該失眠症時，流程進行步驟94。
在步驟92中，該處理模組3據該待評估者於夜晚睡眠期間的一血氧濃度資訊，利用一特徵提取方法，獲得該血氧濃度資訊的一血氧特徵值，其中該特徵提取方法例如為國立中山大學，機械與機電工程學系，王筱涵“以血氧飽和濃度檢測睡眠呼吸中止症”此篇論文中之3.4章節所提到特徵提取方式。
在步驟93中，該處理模組3根據該血氧特徵值利用該儲存模組2所存有的該呼吸中止評估模型獲得對應該待評估者的該呼吸中止程度，並輸出一指示出該呼吸中止程度的第三輸出訊息於該輸出模組4，其中該呼吸中止程度包含該輕度呼吸中止、該中度呼吸中止，及該重度呼吸中止之其中一者。
在步驟94中，該處理模組3根據該待評估者於夜晚睡眠期間的一心電訊號，以該固定時間區段將該心電訊號切分為多段心電分期訊號。
在步驟95中，該處理模組3根據該等心電分期訊號，利用該睡眠分期評估模型獲得對應該等心電分期訊號之該等睡眠分期，其中該睡眠分期包含該清醒期、該快速動眼期，及該非快速動眼期之其中一者。
在步驟96中，該處理模組3根據該等睡眠分期，獲得一相關於該待評估者於夜晚的睡眠週期，並輸出一分別指示出該等睡眠分期的該睡眠週期之第四輸出訊息於該輸出模組4，藉此以供評估該待評估者的睡眠狀況。
綜上所述，本發明睡眠評估方法，藉由該處理模組3根據該輸入模組1經該待評估者之輸入操作而產生之相關於該睡眠品質調查表的該輸入訊號，獲得對應該睡眠品質調查表的該作答內容，並根據該作答內容獲得相關於該待評估者之睡眠品質的該睡眠分數，且根據該睡眠分數判定該待評估者是否具有睡眠品質障礙，當該處理模組3判定該待評估者具有睡眠品質障礙時，該處理模組3根據該作答內容利用該儲存模組2所存有的該睡眠評估模型獲得對應該待評估者的該睡眠分類結果，其中該分類結果指示出該待評估者為該呼吸中止症及該失眠症之其中一者，藉此可讓該待評估者透過該處理模組3自動判定是否有睡眠障礙並區分是屬於失眠症或呼吸中止症，以減輕需花費人力對該待評估者進行睡眠檢測的問題，且可即時地評估出該待評估者之睡眠狀況，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
1:輸入模組 2:儲存模組 3:處理模組 4:輸出模組 51~54:步驟 61~63:步驟 71~72:步驟 81~85:步驟 91~96:步驟 821~822:步驟 841~843:步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是一方塊圖，說明一用於執行本發明睡眠評估方法之一實施例的運算裝置； 圖2是一流程圖，說明本發明睡眠評估方法之該實施例的一睡眠評估模型建立程序； 圖3是一流程圖，說明本發明睡眠評估方法之該實施例的一呼吸中止模型建立程序； 圖4是一流程圖，說明本發明睡眠評估方法之該實施例的一睡眠分期模型建立程序； 圖5是一流程圖，說明本發明睡眠評估方法之該實施例的一睡眠障礙評估程序； 圖6是一流程圖，說明本發明睡眠評估方法之該實施例的一睡眠裝況評估程序； 圖7是一流程圖，說明一處理模組如何根據一作答內容獲得一睡眠分數的細部流程；及 圖8是一流程圖，說明該處理模組如何根據該作答內容獲得一睡眠分類結果的細部流程。
81~85:步驟

Claims (16)

  1. 一種睡眠評估方法，藉由一運算裝置來實施，該運算裝置儲存有一用於分類一使用者為一失眠症及一呼吸中止症之其中一者的睡眠評估模型，該睡眠評估方法包含以下步驟： (A)該運算裝置經由一待評估者之輸入操作產生一對應一睡眠品質調查表的作答內容； (B)該運算裝置根據該作答內容獲得一相關於該待評估者之睡眠品質的睡眠分數； (C)該運算裝置根據該睡眠分數判定該待評估者是否具有睡眠品質障礙；及 (D)當該運算裝置判定該待評估者具有睡眠品質障礙時，該運算裝置根據該作答內容利用該睡眠評估模型獲得對應該待評估者的一睡眠分類結果，其中該分類結果指示出該待評估者為該呼吸中止症及該失眠症之其中一者。
  2. 如請求項1所述的睡眠評估方法，其中，在步驟(A)中，該睡眠品質調查表包含多個用於評估多個不同睡眠指標的問題內容，每一睡眠指標可被分類為一第一類指標及一第二類指標之其中一者，且步驟(D)包含以下子步驟： (D-1)當該運算裝置判定該待評估者具有睡眠品質障礙時，該運算裝置從該作答內容獲得對應每一第一類指標之問題內容所對應的第一作答內容； (D-2) 該運算裝置根據該作答內容中對應每一第二類指標之問題內容所對應的第二作答內容，獲得每一第二類指標對應的指標值；及 (D-3) 該運算裝置根據每一第一作答內容及每一第二類指標對應的指標值，利用該睡眠評估模型獲得對應該待評估者的該睡眠分類結果。
  3. 如請求項2所述的睡眠評估方法，該運算裝置還存有多筆對應於多個測試者針對該睡眠品質調查表進行作答的訓練作答內容，該運算裝置還儲存有每一訓練作答內容所對應之一睡眠分類標記結果，該睡眠分類標記結果為該失眠症或該呼吸中止症之其中一者，在步驟(A)之前，還包含以下步驟： (E)對於每一訓練作答內容，該運算裝置從該訓練作答內容獲得對應每一第一類指標之問題內容所對應的第一訓練作答內容； (F)對於每一訓練作答內容，該運算裝置根據該訓練作答內容中對應每一第二類指標之問題內容所對應的第二訓練作答內容，獲得每一第二類指標對應的訓練指標值； (G)對於每一訓練作答內容，該運算裝置將該訓練作答內容所對應的每一第一訓練作答內容、每一第二類指標對應的訓練指標值，及所對應的睡眠分類標記結果作為一組睡眠訓練資料；及 (H)根據該等睡眠訓練資料，利用一機器學習演算法，建立該睡眠評估模型。
  4. 如請求項1所述的睡眠評估方法，其中，在步驟(A)中，該睡眠品質調查表包含多個用於評估多個不同睡眠指標的問題內容，且步驟(B)包含以下子步驟： (B-1)該運算裝置根據對應該睡眠品質調查表的作答內容獲得多個對應該等睡眠指標的指標值；及 (B-2)該運算裝置根據該等指標值，獲得相關於該待評估者之睡眠品質的該睡眠分數。
  5. 如請求項1所述的睡眠評估方法，該運算裝置還儲存有一用於評估該使用者的一呼吸中止程度的呼吸中止評估模型，該呼吸中止程度包含一輕度呼吸中止、一中度呼吸中止，及一重度呼吸中止之其中一者，其中，在該步驟(D)後，還包含以下步驟： (I)該運算裝置判定該睡眠分類結果是否指示出該待評估者為該呼吸中止症； (J)當該運算裝置判定出該睡眠分類結果指示出該待評估者為該呼吸中止症時，該運算裝置根據該待評估者於夜晚睡眠期間的一血氧濃度資訊，利用一特徵提取方法，獲得該血氧濃度資訊的一血氧特徵值；及 (K)該運算裝置根據該血氧特徵值利用該呼吸中止評估模型獲得對應該待評估者的該呼吸中止程度。
  6. 如請求項5所述的睡眠評估方法，該運算裝置還存有多筆對應多個測試者在夜晚睡眠期間的訓練血氧濃度資訊，該運算裝置每一訓練血氧濃度資訊所對應之一呼吸中止程度標記，該呼吸中止程度標記包含該輕度呼吸中止、該中度呼吸中止，及該重度呼吸中止之其中一者，在步驟(J)之前，還包含以下步驟： (L)對於每一訓練血氧濃度資訊，該運算裝置根據該訓練血氧濃度資訊，利用一特徵提取方法獲得該訓練血氧濃度資訊的一訓練血氧特徵值； (M)對於每一訓練血氧濃度資訊，該運算裝置將該訓練血氧濃度資訊所對應的訓練血氧特徵值，及所對應的呼吸中止程度標記作為一組呼吸訓練資料；及 (N)根據該等呼吸訓練資料，利用一機器學習演算法，建立該呼吸中止評估模型。
  7. 如請求項1所述的睡眠評估方法，該運算裝置還儲存有一用於評估該使用者的一睡眠分期的睡眠分期評估模型，該睡眠分期包含一清醒期、一快速動眼期，及一非快速動眼期之其中一者，其中，在該步驟(D)後，還包含以下步驟： (O)當該運算裝置判定出該睡眠分類結果指示出該待評估者為該失眠症時，該運算裝置根據該待評估者於夜晚睡眠期間的一心電訊號，將該心電訊號切分為多段心電分期訊號；及 (P)該運算裝置根據該等心電分期訊號，利用該睡眠分期評估模型獲得對應該等心電分期訊號之該等睡眠分期。
  8. 如請求項7述的睡眠評估方法，該運算裝置還存有多筆對應多個測試者在夜晚睡眠期間的心電訊號，每一心電訊號被切分為多段心電分期訊號，該運算裝置還存有每一心電分期訊號所對應之一睡眠分期標記，該睡眠分期標記包含該清醒期、該快速動眼期，及該非快速動眼期之其中一者，在步驟(O)之前，還包含以下步驟： (Q)對於每一心電分期訊號，該運算裝置將該心電分期訊號，及該心電分期訊號所對應的睡眠分期標記作為一組分期訓練資料；及 (R)根據該等分期訓練資料，利用一機器學習演算法，建立該睡眠分期評估模型。
  9. 一種用於評估睡眠的運算裝置，包含： 一輸入模組，用於供一待評估者進行輸入操作； 一儲存模組，用於儲存一用於分類一使用者為一失眠症及一呼吸中止症之其中一者的睡眠評估模型；及 一處理模組，電連接該輸入模組與該儲存模組； 其中，該處理模組根據該輸入模組經該待評估者之輸入操作而產生之一相關於一睡眠品質調查表的輸入訊號，獲得一對應該睡眠品質調查表的作答內容，並根據該作答內容獲得一相關於該待評估者之睡眠品質的睡眠分數，且根據該睡眠分數判定該待評估者是否具有睡眠品質障礙，當該處理模組判定該待評估者具有睡眠品質障礙時，該處理模組根據該作答內容利用該儲存模組所存有的該睡眠評估模型獲得對應該待評估者的一睡眠分類結果，其中該分類結果指示出該待評估者為該呼吸中止症及該失眠症之其中一者。
  10. 如請求項9所述的運算裝置，其中，該睡眠品質調查表包含多個用於評估多個不同睡眠指標的問題內容，每一睡眠指標可被分類為一第一類指標及一第二類指標之其中一者，該處理模組判定該待評估者具有睡眠品質障礙時，該處理模組從該作答內容獲得對應每一第一類指標之問題內容所對應的第一作答內容，並根據該作答內容中對應每一第二類指標之問題內容所對應的第二作答內容，獲得每一第二類指標對應的指標值，且根據每一第一作答內容及每一第二類指標對應的指標值，利用該儲存模組所存有的該睡眠評估模型獲得對應該待評估者的該睡眠分類結果。
  11. 如請求項10所述的運算裝置，其中，該儲存模組還存有多筆對應於多個測試者針對該睡眠品質調查表進行作答的訓練作答內容，該儲存模組還存有每一訓練作答內容所對應之一睡眠分類標記結果，該睡眠分類標記結果為該失眠症或該呼吸中止症之其中一者，對於每一訓練作答內容，該處理模組從該儲存模組所存有的該訓練作答內容獲得對應每一第一類指標之問題內容所對應的第一訓練作答內容，並根據該訓練作答內容中對應每一第二類指標之問題內容所對應的第二訓練作答內容，獲得每一第二類指標對應的訓練指標值，且該處理模組將該儲存模組所存有的該訓練作答內容所對應的每一第一訓練作答內容、每一第二類指標對應的訓練指標值，及所對應的睡眠分類標記結果作為一組睡眠訓練資料，並根據該等睡眠訓練資料，利用一機器學習演算法，建立該睡眠評估模型。
  12. 如請求項9所述的運算裝置，其中，該睡眠品質調查表包含多個用於評估多個不同睡眠指標的問題內容，該處理模組根據對應該睡眠品質調查表的作答內容獲得多個對應該等睡眠指標的指標值，並根據該等指標值，獲得相關於該待評估者之睡眠品質的該睡眠分數。
  13. 如請求項9所述的運算裝置，其中，該儲存模組還儲存有一用於評估該使用者的一呼吸中止程度的呼吸中止評估模型，該呼吸中止程度包含一輕度呼吸中止、一中度呼吸中止，及一重度呼吸中止之其中一者，該處理模組判定該睡眠分類結果是否指示出該待評估者為該呼吸中止症，當該處理模組判定出該睡眠分類結果指示出該待評估者為該呼吸中止症時，該處理模組據該待評估者於夜晚睡眠期間的一血氧濃度資訊，利用一特徵提取方法，獲得該血氧濃度資訊的一血氧特徵值，且根據該血氧特徵值利用該儲存模組所存有的該呼吸中止評估模型獲得對應該待評估者的該呼吸中止程度。
  14. 如請求項13所述的運算裝置，其中，該儲存模組還存有多筆對應多個測試者在夜晚睡眠期間的訓練血氧濃度資訊，該儲存模組還存有每一訓練血氧濃度資訊所對應之一呼吸中止程度標記，該呼吸中止程度標記包含該輕度呼吸中止、該中度呼吸中止，及該重度呼吸中止之其中一者，對於每一訓練血氧濃度資訊，該處理模組根據該儲存模組所存有的該訓練血氧濃度資訊，利用一特徵提取方法獲得該訓練血氧濃度資訊的一訓練血氧特徵值，並將該訓練血氧濃度資訊所對應的訓練血氧特徵值，及所對應的呼吸中止程度標記作為一組呼吸訓練資料，且該處理模組根據該等呼吸訓練資料，利用一機器學習演算法，建立該呼吸中止評估模型。
  15. 如請求項9所述的運算裝置，其中，該儲存模組還儲存有一用於評估該使用者的一睡眠分期的睡眠分期評估模型，該睡眠分期包含一清醒期、一快速動眼期，及一非快速動眼期之其中一者，當該處理模組判定出該睡眠分類結果指示出該待評估者為該失眠症時，該處理模組根據該待評估者於夜晚睡眠期間的一心電訊號，將將該心電訊號切分為多段心電分期訊號，並根據該等心電分期訊號，利用該儲存模組所存有的該睡眠分期評估模型獲得對應該等心電分期訊號之該等睡眠分期。
  16. 如請求項15所述的運算裝置，其中，該儲存模組還存有多筆對應多個測試者在夜晚睡眠期間的心電訊號，每一心電訊號被切分為多段心電分期訊號，該運算裝置還存有每一心電分期訊號所對應之一睡眠分期標記，該睡眠分期標記包含該清醒期、該快速動眼期，及該非快速動眼期之其中一者，對於每一心電分期訊號，該處理模組將該儲存模組所存有的該心電分期訊號，及該心電分期訊號所對應的睡眠分期標記作為一組分期訓練資料，並根據該等分期訓練資料，利用一機器學習演算法，建立該睡眠分期評估模型。
TW110144350A 2021-11-29 2021-11-29 睡眠評估方法及其運算裝置 TWI781834B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110144350A TWI781834B (zh) 2021-11-29 2021-11-29 睡眠評估方法及其運算裝置
US17/889,692 US20230170097A1 (en) 2021-11-29 2022-08-17 Methods and computing device related to sleep evaluation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110144350A TWI781834B (zh) 2021-11-29 2021-11-29 睡眠評估方法及其運算裝置

Publications (2)

Publication Number Publication Date
TWI781834B TWI781834B (zh) 2022-10-21
TW202322147A true TW202322147A (zh) 2023-06-01

Family

ID=85462571

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110144350A TWI781834B (zh) 2021-11-29 2021-11-29 睡眠評估方法及其運算裝置

Country Status (2)

Country Link
US (1) US20230170097A1 (zh)
TW (1) TWI781834B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079813A (zh) * 2023-08-17 2023-11-17 北京理工大学 一种基于先验知识的小样本急性高原病风险评估系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102438515A (zh) * 2008-11-14 2012-05-02 索尔克生物学研究所 识别睡眠模式与清醒模式的方法及用途
CN102341035A (zh) * 2009-03-17 2012-02-01 高级头脑监控公司 成人和儿童睡眠质量的评估系统
TW201322958A (zh) * 2011-12-13 2013-06-16 Univ Nat Cheng Kung 改善失眠的方法
NZ630770A (en) * 2013-10-09 2016-03-31 Resmed Sensor Technologies Ltd Fatigue monitoring and management system
US20190000349A1 (en) * 2017-06-28 2019-01-03 Incyphae Inc. Diagnosis tailoring of health and disease
EP3871230A4 (en) * 2018-10-22 2021-12-08 Flinders University DECISION-SUPPORTING SOFTWARE SYSTEM FOR IDENTIFYING SLEEP DISORDERS

Also Published As

Publication number Publication date
TWI781834B (zh) 2022-10-21
US20230170097A1 (en) 2023-06-01

Similar Documents

Publication Publication Date Title
Beavan et al. The prevalence of voice-hearers in the general population: a literature review
Barbosa‐Leiker et al. Measurement invariance of the perceived stress scale and latent mean differences across gender and time
Ledwell et al. Bullying and internalizing problems: Gender differences and the buffering role of parental communication
Bogomolov et al. Daily stress recognition from mobile phone data, weather conditions and individual traits
US20210145306A1 (en) Managing respiratory conditions based on sounds of the respiratory system
Burchinal et al. Cumulative risk and early cognitive development: a comparison of statistical risk models.
KR102272194B1 (ko) 인지기능 검사 장치 및 방법
McGuire et al. Effort testing in dementia assessment: A systematic review
Lane et al. Using interval-based systems to measure behavior in early childhood special education and early intervention
Odinot et al. Accuracy, confidence and consistency in repeated recall of events
CN111599442A (zh) 一种心理健康状态动态评估预警系统
Nahari When the long road is the shortcut: A comparison between two coding methods for content-based lie-detection tools
Cantor Cutiva et al. Associations between self-perceived voice disorders in teachers, perceptual assessment by speech-language pathologists, and instrumental analysis
TWI781834B (zh) 睡眠評估方法及其運算裝置
CN113299358A (zh) 基于评估量表的负性情绪筛查方法、装置及设备
Grice et al. Observation-oriented modeling: going beyond “Is it all a matter of chance”?
Gu et al. Inconsistent responding in a criminal forensic setting: An evaluation of the VRIN-r and TRIN-r scales of the MMPI–2–RF
King et al. Prevalence and factors associated with non-medical prescription stimulant use to promote wakefulness in young adults
Rettenberger et al. Actuarial assessment of sex offender recidivism risk: A validation of the German version of the Static-99
WO2024099357A1 (zh) 抑郁症风险评估及负性情绪认知控制训练装置、设备及介质
JP2008183048A (ja) 作業疲労度測定システム
Ewart et al. The role of agonistic striving in the association between cortisol and high blood pressure
US20240038383A1 (en) Health Monitoring System
TW202006708A (zh) 認知機能評價裝置、認知機能評價系統、認知機能評價方法及程式
US20140024458A1 (en) Multi-player Interactive Electronic Dream-matching Game

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent