TWI487503B - 自動睡眠分期裝置 - Google Patents
自動睡眠分期裝置 Download PDFInfo
- Publication number
- TWI487503B TWI487503B TW101103303A TW101103303A TWI487503B TW I487503 B TWI487503 B TW I487503B TW 101103303 A TW101103303 A TW 101103303A TW 101103303 A TW101103303 A TW 101103303A TW I487503 B TWI487503 B TW I487503B
- Authority
- TW
- Taiwan
- Prior art keywords
- signal
- unit
- sleep
- automatic
- wave
- Prior art date
Links
Landscapes
- 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)
Description
本發明係關於一種睡眠分期裝置,特別關於一種自動睡眠分期裝置。
每一個人都需要睡眠,睡眠將會佔人一生的四分之一到三分之一的時間,所以睡眠品質的優劣對於人的生活有相當的影響力。而為了偵測使用者睡眠品質,也有一些產品開發問市,這些產品上面會配備加速度感測器,藉由使用者穿戴加速度感測器,而感測使用者在睡眠中的活動狀態,進而分析其睡眠狀況;然而,加速度感測器不僅干擾使用者的睡眠,且其精確度也不甚高。另外,也有利用腦電圖訊號來分析睡眠狀況;然而,其將多個電極設置於使用者身上,這也會讓使用者的睡眠受到干擾。
因此,如何提供一種自動睡眠分期裝置,能夠避免干擾使用者睡眠,並能提升睡眠分期準確性,實為當前重要課題之一。
有鑑於上述課題,本發明之目的為提供一種能夠避免干擾使用者睡眠,並能提升睡眠分期準確性之自動睡眠分期裝置。
為達上述目的,依據本發明之一種自動睡眠分期裝置包含一濾波單元、一分段單元、一多尺度排列熵單元以及一判別模組。濾波單元係依據一腦電圖訊號或一眼電圖訊號濾波而產生一濾波訊號。分段單元係依據濾波訊號進行分段而產生複數片段訊號。多尺度排列熵單元係藉由多尺度排列熵計算方式處理該等片段訊號而產生各片段訊號之複數多尺度排列熵值。判別模組係藉由線性判別分析計算方式處理該等多尺度排列熵值,而使各片段訊號對應至一睡眠期。
在一實施例中,自動睡眠分期裝置更包含一取樣單元,其係對腦電圖訊號或眼電圖訊號取樣而產生一取樣訊號,濾波單元係對取樣訊號濾波而產生濾波訊號。
在一實施例中,自動睡眠分期裝置更包含一θ波濾波單元,其係對濾波訊號濾波而產生一θ波訊號。
在一實施例中,自動睡眠分期裝置更包含一自動迴歸模型單元,其係依據θ波訊號進行自動迴歸模型處理而產生複數自動迴歸系數。
在一實施例中,分段單元係依據θ波訊號進行分段而產生複數θ波片段訊號,自動迴歸模型單元係藉由自動迴歸模型處理該等θ波片段訊號而產生該等自動迴歸系數。
在一實施例中,判別模組係藉由線性判別分析計算方式處理該等多尺度排列熵值以及該等自動迴歸系數,而使各片段訊號對應至一睡眠階段。
在一實施例中,判別模組包含一線性判別分析單元,其係藉由線性判別分析計算方式處理該等多尺度排列熵值,而使各片段訊號對應至一睡眠階段。
在一實施例中,判別模組更包含一平滑化單元,其係修正線性判別分析單元之結果,使各片段訊號所對應之睡眠期更平滑。
承上所述,本發明之自動睡眠分期裝置係依據使用者之腦電圖訊號或眼電圖訊號來進行睡眠分期,因此可避免干擾使用者睡眠,且可提升睡眠分期的準確性。此外,本發明之自動睡眠分期裝置係使用多尺度排列熵技術來處理腦電圖訊號或眼電圖訊號,而能提升分期的準確性,並且藉此,本發明能使用單通道之腦電圖訊號或眼電圖訊號來進行分析,因而更能避免干擾使用者睡眠。
以下將參照相關圖式,說明依本發明較佳實施例之一種自動睡眠分期裝置,其中相同的元件將以相同的參照符號加以說明。
圖1為本發明較佳實施例之一種自動睡眠分期裝置1的方塊示意圖。自動睡眠分期裝置1包含一濾波單元11、一分段單元12、一多尺度排列熵單元13以及一判別模組14。濾波單元11係依據一腦電圖訊號(EEG signal)或一眼電圖訊號(EOG signal)濾波而產生一濾波訊號。本實施例之濾波單元11係可例如得到0.5~30Hz的訊號。
分段單元12係依據濾波訊號進行分段而產生複數片段訊號。在本實施例中,片段訊號例如為30秒的訊號。
多尺度排列熵單元13係藉由多尺度排列熵(Multiscale Permutation Entropy,MPE)計算方式處理該等片段訊號而產生各片段訊號之複數多尺度排列熵值。相較於單一尺度熵,多尺度排列熵更能提升分析的準確性,這也使得本實施例能夠僅使用單通道的腦電圖訊號或眼電圖訊號。
判別模組14係藉由線性判別分析(Linear Discriminant Analysis,LDA)計算方式處理該等多尺度排列熵值,而使各片段訊號對應至一睡眠階段。判別模組14主要是將算出來的多尺度排列熵值(MPE values)分類為不同的睡眠階段(sleep stages),例如快速眼動(Rapid Eye Movement,REM)期以及非快速眼動期(Non-rapid Eye Movement,NREM)的四個階段。
圖2為本發明較佳實施例之一種變化態樣之自動睡眠分期裝置2的方塊示意圖。自動睡眠分期裝置2包含一濾波單元21、一分段單元22、一多尺度排列熵單元23以及一判別模組24。
另外,為簡化分析,自動睡眠分期裝置2更包含一取樣單元25,其係對一腦電圖EEG訊號及/或一眼電圖EOG訊號取樣而產生一取樣訊號S01。本實施例之取樣單元25之取樣頻率例如為256Hz。濾波單元21係對取樣訊號S01濾波而產生濾波訊號S02。本實施例之濾波訊號S02之頻段例如介於0.5~30Hz。
分段單元22係依據濾波訊號S02進行分段而產生複數片段訊號S03。該等片段訊號S03例如為不重疊之30秒的訊號。
多尺度排列熵單元23係藉由多尺度排列熵計算方式處理該等片段訊號S03而產生各片段訊號S03之複數多尺度排列熵值MPEv。雖然多尺度排列熵技術為習知技藝,但將其應用於睡眠分析之領域實為本發明之創新。
多尺度排列熵(MPE)係藉由排列熵(permutation entropy)來計算不同尺度的時間序列(time series)的複雜度(complexity)。給定一個N個點的腦電圖時間序列x
={x 1
,x 2
,...,x N
},我們把N個點的腦電圖(或眼電圖)時間序列分割成N/τ個不重疊且長度為的視窗(window)τ,把τ定義為尺度要素(scale factor)。把視窗裡所有資料點平均後得到一個新的點,且對於粗粒化(coarse-gained)的時間序列yτ
(j)的每一個元素是由下列的公式計算而來的。
在計算出粗粒化的時間序列yτ
(j)的每一個元素後,再對每一個粗粒化的時間序列來計算排列熵。排列熵的公式如下:
其中p i
(π)=f
(π)/(-(m
-1)n
),f(π)是π這個樣式(pattern)在該時間序列出現的機率(probability),k是不同符號的數目,其值要小於或等於m!。在本實施例中,係將m設定為3,n設定為1,來計算多尺度排列熵值MPEv。
另外,為提升睡眠分期的準確度,自動睡眠分期裝置可更包含一θ波濾波單元26,其係對濾波訊號S02濾波而產生一θ波訊號S04。θ波濾波單元26主要是用以輔助睡眠分期的精確度。於此,θ波訊號S04可協助非快速眼動期的第一階段之判別。於此,θ波訊號S04之頻段例如介於4~8Hz。分段單元22係依據θ波訊號S04進行分段而產生複數θ波片段訊號S05。
一自動迴歸模型單元27係藉由自動迴歸模型(Autoregressive Model)處理該等θ波片段訊號S05而產生複數自動迴歸系數(Autoregressive coefficient)ARc。自迴歸模型是一種是用來描述時間序列的一種參數化模型(parametric model)。在本實施例中,自迴歸模型的程度(order)設定為8,自迴歸模型的輸入為θ波片段訊號S05。
判別模組24係藉由線性判別分析計算方式(LDA)處理該等多尺度排列熵值MPEv以及該等自動迴歸系數ARc,而使各片段訊號S03對應至一睡眠階段。
判別模組24包含一線性判別分析單元241,其係藉由線性判別分析計算方式處理該等多尺度排列熵值MPEv,而使各片段訊號S03對應至一睡眠階段。
線性判別分析(LDA)是一種線性分類器(linear classifier),其主要功能為把我們所計算出來的多尺度排列熵值MPEv與自動迴歸系數ARc分類為五個睡眠階段(sleep stages)。在本實施例中,10個受測者的資料係使用來訓練線性判別分析裡的權重參數,其他的10個受測者用來驗證本實施例之自動睡眠分期裝置2的效能;但這僅為舉例,並非用以限制本發明。
圖3為本實施例用不同數量的多尺度排列熵來訓練線性判別分析單元241後,並加以測試所得到的每個睡眠階段之敏感度(sensitivity)的結果。由圖3可發現,用多尺度排列熵所訓練出來線性判別分析單元241,其準確性優於只用單一尺度的排列熵。
然後,因為睡眠階段具有週期性與連續性的性質,所以經過線性判別分析所得到的結果可再根據平滑化處理的法則來修正一些錯誤的結果以提高整體準確率。
據此,判別模組24更包含一平滑化單元242,其係修正線性判別分析單元241之結果,使各片段訊號S03所對應之睡眠階段更平滑。
於此,平滑化係把一些連續的片段訊號S03中所對應的睡覺階段整體來看是否合理或有明顯的錯誤,而加以修正。此乃因人類的睡眠從清醒>>淺睡>>深睡是有週期性的轉換,正常睡眠不可能從清醒的狀態馬上進入深睡狀態,故平滑化處理便是在修正這些錯誤的地方。例如:如果有三個連續的片段訊號在經過線性判別分析單元241處理後的結果為清醒(Wake)、NREM的第二階段(S2)、清醒,經過平滑化的處理會把中間的S2更改成Wake。
圖4(a)係顯示一個受測者經由專家判讀一整晚睡眠的結果,圖4(b)係顯示經由線性判別分析單元判讀的結果,圖4(c)係顯示經由線性判別分析單元與平滑化單元處理後的結果,其中Mov指移動(視為雜訊),Wake指清醒,REM指快速眼動期,S1、S2分別指NREM的第一階段(淺睡第一期)及第二階段(淺睡第二期),SWS指慢波睡眠(Slow Wave Sleep),即深睡期。由圖4可以發現,經過平滑化處理的結果與專家判讀的標準答案一致性較高。
綜上所述,本發明之自動睡眠分期裝置係依據使用者之腦電圖訊號或眼電圖訊號來進行睡眠分期,因此可避免干擾使用者睡眠,且可提升睡眠分期的準確性。此外,本發明之自動睡眠分期裝置係使用多尺度排列熵技術來處理腦電圖訊號或眼電圖訊號,而能提升分期的準確性,並且藉此,本發明能使用單通道之腦電圖訊號或眼電圖訊號來進行分析,因而更能避免干擾使用者睡眠。
本發明的優點是只需要單通道的腦電圖訊號或眼電圖訊號,因而可減少使用者在收錄睡眠腦波或眼波時由於過多的電極所造成的干擾。此外,本發明與專家判讀的一致性高於臨床標準(85%)。
本發明之自動睡眠分期裝置未來可實作於一嵌入式系統以即時監測使用者的睡眠品質與狀況。且因為只需要單通道的腦電圖訊號,可更易於應用在居家照顧,亦可協助醫生減少原本人工判讀所需花費的大量時間。
以上所述僅為舉例性,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
1、2...自動睡眠分期裝置
11、21...濾波單元
12、22...分段單元
13、23...多尺度排列熵單元
14、24...判別模組
241...線性判別分析單元
242...平滑化單元
25...取樣單元
26...θ波濾波單元
27...自動迴歸模型單元
ARc...自動迴歸系數
MPEv...多尺度排列熵值
EEG...腦電圖
EOG...眼電圖
S01...取樣訊號
S02...濾波訊號
S03...片段訊號
S04...θ波訊號
S05...θ波片段訊號
圖1為本發明較佳實施例之一種自動睡眠分期裝置的方塊示意圖;
圖2為本發明較佳實施例之一種變化態樣之自動睡眠分期裝置的方塊示意圖;
圖3顯示本發明用不同數量的多尺度排列熵來訓練線性判別分析單元後所得到的敏感度;
圖4(a)顯示一個受測者經由專家判讀一整晚睡眠的結果;
圖4(b)顯示經由線性判別分析單元判讀的結果;以及
圖4(c)顯示經由線性判別分析單元與平滑化單元處理後的結果。
2...自動睡眠分期裝置
21...濾波單元
22...分段單元
23...多尺度排列熵單元
24...判別模組
241...線性判別分析單元
242...平滑化單元
25...取樣單元
26...θ波濾波單元
27...自動迴歸模型單元
ARc...自動迴歸系數
EEG...腦電圖
EOG...眼電圖
MPEv...多尺度排列熵值
S01...取樣訊號
S02...濾波訊號
S03...片段訊號
S04...θ波訊號
S05...θ波片段訊號
Claims (4)
- 一種自動睡眠分期裝置,包含:一濾波單元,係依據一腦電圖訊號或一眼電圖訊號濾波而產生一濾波訊號;一分段單元,係依據該濾波訊號進行分段而產生複數片段訊號;一多尺度排列熵單元,係藉由多尺度排列熵計算方式處理該等片段訊號而產生各該片段訊號之複數多尺度排列熵值;一判別模組,包含:一線性判別分析單元,係藉由線性判別分析計算方式處理該等多尺度排列熵值,而使各該片段訊號對應至一睡眠階段;及一平滑化單元,係修正該線性判別分析單元之結果,使各該片段訊號所對應之該睡眠階段更平滑;一θ波濾波單元,係對該濾波訊號濾波而產生一θ波訊號;以及一自動迴歸模型單元,係依據該θ波訊號進行自動迴歸模型處理而產生複數自動迴歸系數。
- 如申請專利範圍第1項所述之自動睡眠分期裝置,更包含:一取樣單元,係對該腦電圖訊號或該眼電圖訊號取樣而產生一取樣訊號,該濾波單元係對該取樣訊號濾波而產生該濾波訊號。
- 如申請專利範圍第1項所述之自動睡眠分期裝置,其中該分段單元係依據該θ波訊號進行分段而產生複數θ波片段訊號,該自動迴歸模型單元係藉由自動迴歸模型處理該等θ波片段訊號而產生該等自動迴歸系數。
- 如申請專利範圍第1項所述之自動睡眠分期裝置,其中該判別模組係藉由線性判別分析計算方式處理該等多尺度排列熵值以及該等自動迴歸系數,而使各該片段訊號對應至一睡眠階段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101103303A TWI487503B (zh) | 2012-02-01 | 2012-02-01 | 自動睡眠分期裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101103303A TWI487503B (zh) | 2012-02-01 | 2012-02-01 | 自動睡眠分期裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201332514A TW201332514A (zh) | 2013-08-16 |
TWI487503B true TWI487503B (zh) | 2015-06-11 |
Family
ID=49479249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101103303A TWI487503B (zh) | 2012-02-01 | 2012-02-01 | 自動睡眠分期裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI487503B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3398505A1 (en) | 2017-05-04 | 2018-11-07 | A-Neuron Electronic Corp. | Brain activity analysis method and apparatus thereof |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104257379A (zh) * | 2014-09-23 | 2015-01-07 | 京东方科技集团股份有限公司 | 一种脑电处理装置及方法和睡眠监测佩戴设备 |
SG11201705296XA (en) * | 2014-12-30 | 2017-07-28 | Nitto Denko Corp | Device and method for sleep monitoring |
CN104897403B (zh) * | 2015-06-24 | 2017-05-17 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1676094A (zh) * | 2004-03-30 | 2005-10-05 | 株式会社东芝 | 生物睡眠状态确定装置和方法 |
TW201021767A (en) * | 2008-12-12 | 2010-06-16 | Univ Nat Yang Ming | Method and system for analyzing physiological signals in sleep, and device for detecting and analyzing physiological signals in sleep |
TW201132332A (en) * | 2010-03-30 | 2011-10-01 | Ancad Inc | System and method for evaluating physiological signal |
-
2012
- 2012-02-01 TW TW101103303A patent/TWI487503B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1676094A (zh) * | 2004-03-30 | 2005-10-05 | 株式会社东芝 | 生物睡眠状态确定装置和方法 |
TW201021767A (en) * | 2008-12-12 | 2010-06-16 | Univ Nat Yang Ming | Method and system for analyzing physiological signals in sleep, and device for detecting and analyzing physiological signals in sleep |
TW201132332A (en) * | 2010-03-30 | 2011-10-01 | Ancad Inc | System and method for evaluating physiological signal |
Non-Patent Citations (1)
Title |
---|
葛家怡等人著,腦電信號的多尺度熵分析,計算機工程與應用45(10),2009/05/13 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3398505A1 (en) | 2017-05-04 | 2018-11-07 | A-Neuron Electronic Corp. | Brain activity analysis method and apparatus thereof |
US10702175B2 (en) | 2017-05-04 | 2020-07-07 | A-Neuron Electronic Corp. | Brain activity analysis method and apparatus thereof |
Also Published As
Publication number | Publication date |
---|---|
TW201332514A (zh) | 2013-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Djemal et al. | EEG‐based computer aided diagnosis of autism spectrum disorder using wavelet, entropy, and ANN | |
Rahman et al. | Sleep stage classification using single-channel EOG | |
Kulkarni et al. | Extracting salient features for EEG-based diagnosis of Alzheimer's disease using support vector machine classifier | |
Boashash et al. | Automatic signal abnormality detection using time-frequency features and machine learning: A newborn EEG seizure case study | |
Kreuzer et al. | Non-stationarity of EEG during wakefulness and anaesthesia: advantages of EEG permutation entropy monitoring | |
CN106413541B (zh) | 用于诊断睡眠的系统和方法 | |
KR101535352B1 (ko) | 전두엽 뇌파를 이용한 우울증 심도 측정 방법 | |
Silveira et al. | Drowsiness detection for single channel EEG by DWT best m-term approximation | |
Cimr et al. | Automatic seizure detection by convolutional neural networks with computational complexity analysis | |
Gashi et al. | The role of model personalization for sleep stage and sleep quality recognition using wearables | |
TWI487503B (zh) | 自動睡眠分期裝置 | |
Maddirala et al. | ICA with CWT and k-means for eye-blink artifact removal from fewer channel EEG | |
CN112493995A (zh) | 一种适用不同年龄患者的麻醉状态评估系统及方法 | |
Newman et al. | Automatic nystagmus detection and quantification in long-term continuous eye-movement data | |
Huang et al. | Joint ensemble empirical mode decomposition and tunable Q factor wavelet transform based sleep stage classifications | |
Kempfner et al. | Early automatic detection of Parkinson's disease based on sleep recordings | |
Jaleel et al. | Improved spindle detection through intuitive pre-processing of electroencephalogram | |
Yadav et al. | Variational mode decomposition-based seizure classification using Bayesian regularized shallow neural network | |
Prasad et al. | Mitigation of ocular artifacts for EEG signal using improved earth worm optimization-based neural network and lifting wavelet transform | |
Alvarez-Estevez et al. | Derivation and modeling of two new features for the characterization of rapid and slow eye movements in electrooculographic sleep recordings | |
Allam et al. | ELM-based stroke classification using wavelet and empirical mode decomposition techniques | |
EP3305181B1 (en) | Method and system for determining inactive state and its implication over cognitive load computation of a person | |
Zhou et al. | Real-Time Epileptic Seizure Detection Based on Deep Learning | |
Che et al. | Variational mode decomposition-based sleep stage classification using multi-channel polysomnograms | |
Khan et al. | Deep convolutional neural network based sleep apnea detection scheme using spectro-temporal subframes of EEG signal |