TW202410859A

TW202410859A - 基於腦波訊號之睡眠異常偵測方法與其裝置

Info

Publication number: TW202410859A
Application number: TW111134701A
Authority: TW
Inventors: 林風; 林昕學
Original assignee: 國立臺灣大學
Filing date: 2022-09-14
Publication date: 2024-03-16

Abstract

本發明揭露一種基於腦波訊號之睡眠異常偵測方法及其裝置，其僅對單一腦波訊號進行分析，便能判斷出是否睡眠異常與異常分數，可降低生理資訊收集的成本與使用者配戴多個感測器的不舒適感。

Description

基於腦波訊號之睡眠異常偵測方法與其裝置

本發明係與睡眠異常偵測方法及其裝置相關，尤其是與基於腦波訊號之睡眠異常偵測方法及其裝置相關。

傳統的睡眠障礙診斷需受診者身上貼滿大量的感測器，收集各式各樣的生理訊號，包含腦波訊號（EEG）、心電訊號（ECG）、肌電訊號（EMG）、眼動訊號（EOG）、呼吸氣流（airflow）、呼吸動作（respiration efforts）、血氧濃度（oxygen saturation）等訊號，且完整儀器售價不斐，約七十萬至一百萬新台幣，且操作人員須具備限定的資格，因此僅限醫療院所使用，受試者須於醫院住一晚收集資料。因此，如何簡化進行睡眠障礙診斷所需要收集的生理訊號，仍是目前亟需研究的目標。

本發明之一目的在於提供基於腦波訊號之睡眠異常偵測方法及其裝置，其僅對單一腦波訊號進行分析，便能判斷出是否睡眠異常與異常分數，可降低生理資訊收集的成本與使用者配戴多個感測器的不舒適感。

本發明之另一目的在於提供基於腦波訊號之睡眠異常偵測方法，其僅需收集腦波訊號，並透過訊號特徵抽取方法與機器學習方法判斷睡眠階段以得到睡眠階段序列X ⁽ⁱ⁾、評估睡眠階段序列X ⁽ⁱ⁾的異常分數及判斷睡眠階段序列X ⁽ⁱ⁾是否為睡眠異常之三個分析階段處理收集到的腦波訊號，即可判斷出睡眠異常。

本發明之又一目的在於提供基於腦波訊號之睡眠異常偵測方法及其裝置，其經過實驗驗證，提供的異常分數與睡眠專家定義之呼吸暫停低通氣指數（Apnea–Hypopnea Index，AHI）為高度正相關（相關係數＞0.7），而有一定參考價值，可做為受試者嚴重程度的判斷依據。

本發明之再一目的在於提供基於腦波訊號之睡眠異常偵測方法及其裝置，較佳可便於受試者在家中進行簡易診斷，並可與醫療設備製造商合作，將腦波感測器的監控資料透過無線通訊傳送到手機，搭配手機應用程式進行分析睡眠品質。若有偵測到異常，則告知使用者至醫院進行正式的醫師診斷。

依據本發明之一面向，本發明揭露一種基於腦波訊號之睡眠異常偵測方法，包括：將一段腦波訊號進行切分，對經切分的每段腦波訊號進行睡眠階段分類並透過訊號特徵抽取方法與機器學習方法判斷睡眠階段，以得到一個睡眠階段序列X ⁽ⁱ⁾；透過離散序列異常偵測方法，評估該睡眠階段序列X ⁽ⁱ⁾的異常分數；及透過預先定義的門檻值η，判斷睡眠階段序列X ⁽ⁱ⁾是否為睡眠異常：若異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)＞η，則判斷該睡眠階段序列X ⁽ⁱ⁾為睡眠異常，其中f _r(‧)為異常睡眠行為特徵判斷函數，L為滑動窗格的長度。

依據本發明之另一面向，本發明揭露一種基於腦波訊號之睡眠異常偵測裝置，包括：一通訊單元及一計算單元。通訊單元接收來自腦波感測器的一段腦波訊號。計算單元係被配置以：將該段腦波訊號進行切分，對經切分的每段腦波訊號進行睡眠階段分類並透過訊號特徵抽取方法與機器學習方法判斷睡眠階段，以得到一個睡眠階段序列X ⁽ⁱ⁾；透過離散序列異常偵測方法，評估該睡眠階段序列X ⁽ⁱ⁾的異常分數；及透過預先定義的門檻值η，判斷睡眠階段序列X ⁽ⁱ⁾是否為睡眠異常：若異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)＞η，則判斷該睡眠階段序列X ⁽ⁱ⁾為睡眠異常，其中f _r(‧)為異常睡眠行為特徵判斷函數，L為滑動窗格的長度。

為進一步說明各實施例及其優點，本發明乃配合圖式提供下列說明。此些圖式乃為本發明揭露內容之一部分，其主要係用以說明實施例，並可配合說明書之相關描述來解釋實施例的運作原理。配合參考這些內容，本領域具有通常知識者應能理解其他可能的實施方式以及本發明之優點。圖中的元件並未按比例繪製，而類似的元件符號通常用來表示類似的元件。如在此揭露，「實施例」、「示例」及「本實施例」並非專指單一實施例，而可及於依據本發明不同結合方式實施之例子，不悖于本發明之精神與範圍。此處使用之詞彙僅用以闡明本發明原則之具體實施例，應不拘限本發明。故而，如「之中」可包括「之內」及「之上」，「一」及「該」可包括單數或複數；「藉」可指「從」，「若」可指「當」或「一旦」，端示於前後文字內容。此外，「及／或」可包括有關元件的任何可能的組合。

本說明書揭露基於腦波訊號之睡眠異常偵測方法及其裝置之多個示例。請參考圖1至圖3，其中圖1顯示依據本發明之一示例之一睡眠異常偵測系統1，包括多個睡眠異常偵測裝置10、一通訊平台20及多個腦波感測器30，睡眠異常偵測裝置10適於應用如圖2顯示之睡眠異常偵測方法。圖2顯示依據本發明之一實施例之一睡眠異常偵測方法，包括步驟S1、S2、S3。圖3顯示依據本發明之一實施例之腦波訊號之波形之一示意圖。請注意本實施例之睡眠異常偵測裝置10僅為應用睡眠異常偵測方法之眾多系統中之一示範例，本發明之睡眠異常偵測方法並不限於此。睡眠異常偵測裝置10包括一通訊單元11及一計算單元12。通訊平台20可與睡眠異常偵測裝置10的通訊單元11及腦波感測器30依據一通訊協定形成通訊連結，使通訊單元11得以接收來自腦波感測器的一段腦波訊號。此通訊協定可以是無線通訊適用的通訊協定，如：藍芽無線通訊協定、Wi-Fi無線通訊協定等，通訊單元11可為相對應的藍芽無線通訊單元、Wi-Fi無線通訊單元等。在一示例中，睡眠異常偵測裝置10可為一手機，可與醫療設備製造商的睡眠異常偵測系統1配合，將腦波感測器的監控資料透過藍芽、Wi-Fi等無線通訊手段傳送到手機，搭配手機應用程式進行分析睡眠品質。若有偵測到異常，則告知使用者至醫院進行正式的醫師診斷。

計算單元12可被配置以執行睡眠異常偵測方法的步驟S1、S2、S3，其可實施為處理器、微處理器、中央處理器等。在睡眠異常偵測裝置10接收一段腦波訊號之後，計算單元12可在步驟S1中將該段腦波訊號進行切分，對經切分的每段腦波訊號進行睡眠階段分類並透過訊號特徵抽取方法與機器學習方法判斷睡眠階段，以得到一個睡眠階段序列X ⁽ⁱ⁾。請注意本發明的睡眠異常偵測方法相較於過去方法，本方法僅對單一腦波訊號進行分析，便能判斷出是否睡眠異常與異常分數，可降低生理資訊收集的成本與使用者配戴多個感測器的不舒適感。計算單元12可以一固定長度切分來自腦波感測器的腦波訊號，此固定長度較佳介於10秒至1分鐘。以圖3示例來說，上方是來自腦波感測器的腦波訊號，下方是以30秒為例切分的一段經切分的腦波訊號。計算單元12接著可在多個標準睡眠階段中對每段經切分的腦波訊號進行睡眠階段（sleep stage）分類，此些標準睡眠階段可包括：清醒（awake）、快速動眼期（REM）、階段1（N1）、階段2（N2）及階段3（N3）等五個睡眠階段。接著，計算單元12可透過訊號特徵抽方法取與機器學習方法判斷睡眠階段。機器學習方法包含但不限於：卷積神經網路（Convolutional Neural Network, CNN）、循環神經網路（Recurrent neural network, RNN）、隨機森林 (Random Forests)等方法。訊號特徵抽取方法包含但不限於：傅立葉變換、小波變換、短時距傅立葉變換、自迴歸模型等方法進行特徵抽取。在經過上述處理之後，會得到睡眠階段序列X ⁽ⁱ⁾。

接著，計算單元12可在步驟S2中透過離散序列異常偵測方法，評估睡眠階段序列X ⁽ⁱ⁾的異常分數。假設欲偵測的睡眠階段離散續列為X ⁽ⁿ⁾=(X ⁽ⁿ⁾ ₍₁₎, X ⁽ⁿ⁾ ₍₂₎, X ⁽ⁿ⁾ ₍₃₎, …, X ⁽ⁿ⁾ _(m))，其中X ⁽ⁱ⁾ _(j)屬於集合{A, R, 1, 2 ,3}，分別對應到前述清醒、快速動眼期、階段1、階段2及階段3等五個睡眠階段，計算單元12可對過去歷史資料集合H _X={ X ⁽¹⁾, X ⁽²⁾, …, X ^(n-1)}中的每一個歷史資料，以L為長度對該睡眠階段序列X ⁽ⁱ⁾取出滑動窗格（sliding window）作為睡眠行為特徵，此些滑動窗格的集合為A _L(X)，此些歷史資料中所有滑動窗格的集合以H _A表示，H _A=⋃{A _L(h) | h ∈H _X}=A _L(X ⁽¹⁾) ⋃ A _L(X ⁽²⁾) ⋃…⋃ A _L(X ^(n-1))。過去歷史資料集合為H _X={ X ⁽¹⁾, X ⁽²⁾, …, X ^(n-1)}，如圖4所示可作為訓練資料。

計算單元12可接著對每一個歷史資料，產生滑動窗格，L為滑動窗格的長度，A _L(X)表示對睡眠階段序列X取出所有長度為L的滑動窗格所形成的集合。如圖5所示範例，L=3，X ⁽¹⁾=(A,R,1,2,1,3)，所產生長度為3的滑動窗格為(A,R,1), (R,1,2) , (1,2,1)及(2,1,3)。這些滑動窗格所形成的集合在此以A ₃(X ⁽¹⁾)表示。

對任意滑動窗格，或是稱作睡眠行為特徵（sleep pattern），在此定義向前匹配對（lookahead pair），記作＜x,y＞ _i。計算單元12可定義集合H _A中的一睡眠行為特徵a=(a ₁,a ₂,…,a _L)的向前匹配對為＜x,y＞ _i為a的子序列(a _m, a _n)，其中m,n,i為正整數，1≤m,n,i≤L，x=a _m,y=a _n且n-m=i，並且定義該睡眠行為特徵a中所有存在的向前匹配對集合為B _lo(a)={ ＜a _m, a _n＞ _k| ∃m,n,k∈ℕ s.t. 1≤m,n,k≤L and k=m-n }。如圖6所示範例，一睡眠行為特徵a=(W,R,W,R)之向前匹配對集合B _lo(a)為{＜W,R＞ ₁, ＜R,W＞ ₁, ＜W,W＞ ₂, ＜R,R＞ ₂, ＜R,W＞ ₃}。

計算單元12可接著令＜x,y＞ _i為一向前匹配對，以C(＜x,y＞ _i, H _A)表示集合H _A中出現＜x,y＞ _i的個數，定義C(＜x,y＞ _i, H _A)=|{a|a∈ H _Aand ＜x,y＞ _i∈ B _lo(a)}|，其中|‧|表示集合的元素個數。計算單元12亦可定義該異常睡眠行為特徵判斷函數f _r(‧)，f _r(‧)的輸入為一睡眠行為特徵a，f _r(a)=1若|{z|z∈B _lo(a) and C(z, H _A)/|H _A|＜θ}| ＞ 0，f _r(a)=0若|{z|z∈B _lo(a) and C(z, H _A)/|H _A|＜θ}| = 0，其中θ為預先定義的門檻值，並且定義該異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)=(sum{f _r(a)|a∈A _L(X ⁽ⁱ⁾)})/(|X ⁽ⁱ⁾|+L-1)，0≤V(X ⁽ⁱ⁾, f _r, L)≤1。其後，計算單元12可以異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)計算出睡眠階段序列X ⁽ⁱ⁾之異常分數，在此以異常分數越高越有可能為異常為例。其次，經過實驗驗證後發現在此定義之異常分數與睡眠專家定義之呼吸暫停低通氣指數（Apnea–Hypopnea Index，AHI）為高度正相關 (相關係數＞0.7)，故有一定參考價值，可做為受試者嚴重程度的判斷依據。

接著，計算單元12可在步驟S3中透過預先定義的門檻值η，判斷睡眠階段序列X ⁽ⁱ⁾是否為睡眠異常：若異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)＞η，則判斷該睡眠階段序列X ⁽ⁱ⁾為睡眠異常。門檻值η可依據實際需求設定，在此無須限制。

從上述中可以得知，本發明之基於腦波訊號之睡眠異常偵測方法及其方法僅需收集腦波訊號，並透過訊號特徵抽取方法與機器學習方法判斷睡眠階段以得到睡眠階段序列X ⁽ⁱ⁾、評估睡眠階段序列X ⁽ⁱ⁾的異常分數及判斷睡眠階段序列X ⁽ⁱ⁾是否為睡眠異常之三個分析階段處理收集到的腦波訊號，即可判斷出睡眠異常。

以上敍述依據本發明多個不同實施例，其中各項特徵可以單一或不同結合方式實施。因此，本發明實施方式之揭露為闡明本發明原則之具體實施例，應不拘限本發明所揭示的實施例。進一步言之，先前敍述及其附圖僅為本發明示範之用，並不受其限囿。其他元件之變化或組合皆可能，且不悖于本發明之精神與範圍。

1:睡眠異常偵測系統 10:睡眠異常偵測裝置 11:通訊單元 12:計算單元 20:通訊平台 30:腦波感測器 S1、S2、S3:步驟

圖1顯示依據本發明之一示例之一睡眠異常偵測系統。

圖2顯示依據本發明之一實施例之一睡眠異常偵測方法。

圖3顯示依據本發明之一實施例之腦波訊號之波形之一示意圖。

圖4顯示依據本發明之一實施例之作為訓練資料之過去歷史資料集合H _X及測試資料之一示意圖。

圖5顯示依據本發明之一實施例之對睡眠階段序列X取出所有長度為L的滑動窗格所形成的集合A _L(X)之一示意圖。

圖6顯示依據本發明之一實施例之一睡眠行為特徵a之向前匹配對集合B _lo(a)之一示意圖。

S1、S2、S3:步驟

Claims

一種基於腦波訊號之睡眠異常偵測方法，包括：將一段腦波訊號進行切分，對經切分的每段腦波訊號進行睡眠階段分類並透過訊號特徵抽取方法與機器學習方法判斷睡眠階段，以得到一個睡眠階段序列X ⁽ⁱ⁾；透過離散序列異常偵測方法，評估該睡眠階段序列X ⁽ⁱ⁾的異常分數；及透過預先定義的門檻值η，判斷睡眠階段序列X ⁽ⁱ⁾是否為睡眠異常：若異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)＞η，則判斷該睡眠階段序列X ⁽ⁱ⁾為睡眠異常，其中f _r(‧)為異常睡眠行為特徵判斷函數，L為滑動窗格的長度。
如請求項1所述的基於腦波訊號之睡眠異常偵測方法，其中將一段腦波訊號進行切分，對每段訊號進行睡眠階段分類並透過訊號特徵抽取方法與機器學習方法判斷睡眠階段，以得到一個睡眠階段序列X ⁽ⁱ⁾的該步驟更包括：在多個標準睡眠階段中對每段經切分的腦波訊號進行睡眠階段分類，該些標準睡眠階段包括：清醒（awake）、快速動眼期（REM）、階段1（N1）、階段2（N2）及階段3（N3）。
如請求項1所述的基於腦波訊號之睡眠異常偵測方法，其中該段腦波訊號係以一固定長度進行切分，該固定長度介於10秒至1分鐘。
如請求項1所述的基於腦波訊號之睡眠異常偵測方法，其中該機器學習方法包括：卷積神經網路（Convolutional Neural Network, CNN）、循環神經網路（Recurrent neural network, RNN）、隨機森林 (Random Forests)之任一方法。
如請求項1所述的基於腦波訊號之睡眠異常偵測方法，其中該訊號特徵抽取方法包括：傅立葉變換、小波變換、短時距傅立葉變換、自迴歸模型等方法進行特徵抽取之任一方法。
如請求項1所述的基於腦波訊號之睡眠異常偵測方法，其中透過離散序列異常偵測方法，評估該睡眠階段序列X ⁽ⁱ⁾的異常分數的該步驟更包括：假設欲偵測的睡眠階段離散序列為X ⁽ⁿ⁾=(X ⁽ⁿ⁾ ₍₁₎, X ⁽ⁿ⁾ ₍₂₎, X ⁽ⁿ⁾ ₍₃₎, …, X ⁽ⁿ⁾ _(m))，其中X ⁽ⁱ⁾ _(j)屬於集合{A, R, 1, 2 ,3}，分別對應到五個睡眠階段；及對過去歷史資料集合H _X={ X ⁽¹⁾, X ⁽²⁾, …, X ^(n-1)}中的每一個歷史資料，以L為長度對該睡眠階段序列X ⁽ⁱ⁾取出滑動窗格作為睡眠行為特徵，該些滑動窗格的集合為A _L(X)，該些歷史資料中所有該些滑動窗格的集合為H _A=⋃{A _L(h) | h ∈H _X}=A _L(X ⁽¹⁾) ⋃ A _L(X ⁽²⁾) ⋃…⋃ A _L(X ^(n-1))。
如請求項6所述的基於腦波訊號之睡眠異常偵測方法，其中透過離散序列異常偵測方法，評估該睡眠階段序列X ⁽ⁱ⁾的異常分數的該步驟更包括：定義集合H _A中的一睡眠行為特徵a=(a ₁,a ₂,…,a _L)的向前匹配對為＜x,y＞ _i，為a的子序列(a _m, a _n)，其中m,n,i為正整數，1≤m,n,i≤L，x=a _m,y=a _n且n-m=i，並且定義該睡眠行為特徵a中所有可能的向前匹配對集合為B _lo(a)={ ＜a _m, a _n＞ _k| ∃m,n,k∈ℕ s.t. 1≤m,n,k≤L and k=m-n }；令＜x,y＞ _i為一向前匹配對，以C(＜x,y＞ _i, H _A)表示集合H _A中出現＜x,y＞ _i的個數，定義C(＜x,y＞ _i, H _A)=|{a|a∈ H _Aand ＜x,y＞ _i∈ B _lo(a)}|，其中|‧|表示集合的元素個數；定義該異常睡眠行為特徵判斷函數f _r(‧)，f _r(‧)的輸入為一睡眠行為特徵a，f _r(a)=1若|{z|z∈B _lo(a) and C(z, H _A)/|H _A|＜θ}| ＞ 0，f _r(a)=0若|{z|z∈B _lo(a) and C(z, H _A)/|H _A|＜θ}| = 0，其中θ為預先定義的門檻值；定義該異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)=(sum{f _r(a)|a∈A _L(X ⁽ⁱ⁾)})/(|X ⁽ⁱ⁾|+L-1)，0≤V(X ⁽ⁱ⁾, f _r, L)≤1；及以該異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)計算該睡眠階段序列X ⁽ⁱ⁾之異常分數。
如請求項1所述的基於腦波訊號之睡眠異常偵測方法，其中該睡眠階段序列X ⁽ⁱ⁾的異常分數越高越有可能為異常。
一種基於腦波訊號之睡眠異常偵測裝置，包括：一通訊單元，接收來自腦波感測器的一段腦波訊號；及一計算單元，係被配置以：將該段腦波訊號進行切分，對經切分的每段腦波訊號進行睡眠階段分類並透過訊號特徵抽取方法與機器學習方法判斷睡眠階段，以得到一個睡眠階段序列X ⁽ⁱ⁾；透過離散序列異常偵測方法，評估該睡眠階段序列X ⁽ⁱ⁾的異常分數；及透過預先定義的門檻值η，判斷睡眠階段序列X ⁽ⁱ⁾是否為睡眠異常：若異常風險評估函數V(X ⁽ⁱ⁾, f _r, L)＞η，則判斷該睡眠階段序列X ⁽ⁱ⁾為睡眠異常，其中f _r(‧)為異常睡眠行為特徵判斷函數，L為滑動窗格的長度。
如請求項9所述的基於腦波訊號之睡眠異常偵測裝置，其為一手機，其中的該通訊單元為藍芽無線通訊單元及Wi-Fi無線通訊單元之任一者。