TWI542322B - 睡眠事件偵測方法與系統 - Google Patents
睡眠事件偵測方法與系統 Download PDFInfo
- Publication number
- TWI542322B TWI542322B TW103144751A TW103144751A TWI542322B TW I542322 B TWI542322 B TW I542322B TW 103144751 A TW103144751 A TW 103144751A TW 103144751 A TW103144751 A TW 103144751A TW I542322 B TWI542322 B TW I542322B
- Authority
- TW
- Taiwan
- Prior art keywords
- sleep
- heart rate
- parameter
- period
- unit period
- Prior art date
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Description
本揭露是有關於一種睡眠事件偵測方法與系統。
長期睡眠不足或是睡眠品質不佳(例如睡眠時間破碎、睡眠效率低落等),容易發生認知能力衰退(例如記憶能力降低與/或注意力無法集中)。睡眠不足亦可能增加心臟病、高血壓、糖尿病、代謝綜合症及/或癌症的的患病機率。另外,肥胖可能與睡眠不足有關。然而,失眠的問題困擾著無數的現代人。
另外,睡眠呼吸中止症(Sleep Apnea)是一種睡眠時候呼吸停止的睡眠障礙。睡眠呼吸中止症主要可區分為三個類型:阻塞性睡眠呼吸暫停(Obstructive Sleep Apnea,OSA)、中樞神經性睡眠呼吸暫停(Central Sleep Apnea,CSA)與混合性睡眠呼吸暫停(Mixed Apnea)。睡眠呼吸中止症患者可能會覺得一直睡不飽,因為他們的腦部在睡覺期間常常處在缺氧的狀態中。醒來後,睡眠呼吸中止症患者可能會覺得昏昏沉沉、頭昏腦脹、沒精神。睡眠呼吸中止症患者可能會在開會或開車時打瞌睡。
要擁有好的睡眠品質與足夠的睡眠時間,人們需要先了解自己的睡眠是如何進行的。了解自己的睡眠的進程之後,人們就可以知道自己應該要在什麼時候睡覺,以及可預期什麼時候醒來。因為了解自己的睡眠的進程,人們可以依據自己的睡眠進程來妥善選擇適合自己的睡眠策略,以便讓自己可以擁有良好的睡眠品質與足夠的睡眠時間。
本揭露提供一種睡眠事件偵測方法與系統,以便於使用者偵測自己或他人的睡眠事件,例如睡眠狀態的改變、睡眠呼吸中止事件及/或其他睡眠進程中所發生的事件。
本揭露的實施例中提供一種睡眠事件偵測系統。睡眠事件偵測系統包括生理量測裝置以及運算處理裝置。生理量測裝置可以於不同時間量測多個心跳率(Heart rate,HR)。運算處理裝置耦接生理量測裝置以收集該些心跳率。運算處理裝置可以將心跳率轉換成第一參數與第二參數。藉由使用第一參數,運算處理裝置可以辨識心跳率於單位期間(epoch)是否屬於第一狀態或第二狀態。藉由使用第二參數,運算處理裝置可以辨識心跳率於單位期間是否屬於第三狀態或第四狀態。運算處理裝置包括分類規則產生引擎、訊號轉換特徵參數引擎以及睡眠品質分析引擎。分類規則產生引擎以該單位期間為基準點而定義具有不同大小的多個窗期間,以及分別計算於該些窗期間中的多筆樣本心跳率的特徵
參數,以及依據多筆對應樣本狀態與該些特徵參數而決定第一窗長度與第二窗長度。訊號轉換特徵參數引擎耦接生理量測裝置以收集心跳率,以及耦接分類規則產生引擎以接收第一窗長度與第二窗長度。訊號轉換特徵參數引擎可以依據第一窗長度將心跳率轉換成第一參數,以及依據第二窗長度將心跳率轉換成第二參數。睡眠品質分析引擎耦接訊號轉換特徵參數引擎以接收第一參數與第二參數。睡眠品質分析引擎可以依據第一參數與第二參數來辨識這些心跳率於單位期間是否屬於第一狀態、第二狀態、第三狀態或第四狀態,以及計算睡眠品質指標。
本揭露的實施例中提供一種睡眠事件偵測方法,包括:由運算處理裝置的分類規則產生引擎以單位期間為基準點而定義具有不同大小的多個窗期間,以及分別計算於這些窗期間中的多筆樣本心跳率的特徵參數,以及依據多筆對應樣本狀態與這些特徵參數而決定第一窗長度與第二窗長度;由生理量測裝置於不同時間量測多個心跳率;由運算處理裝置的訊號轉換特徵參數引擎依據該第一窗長度將心跳率轉換成第一參數,以及依據該第二窗長度將心跳率轉換成第二參數;由運算處理裝置的睡眠品質分析引擎藉由使用第一參數來辨識心跳率於單位期間是否屬於第一狀態或一第二狀態;以及由睡眠品質分析引擎藉由使用第二參數來辨識心跳率於單位期間是否屬於第三狀態或一第四狀態。
本揭露的實施例中提供一種睡眠事件偵測系統。睡眠事件偵測系統包括生理量測裝置以及運算處理裝置。生理量測裝置
經可以於不同時間量測多個心跳率。運算處理裝置耦接生理量測裝置以收集心跳率。運算處理裝置可以將心跳率轉換成第一參數與第二參數。藉由使用第一參數,運算處理裝置可以辨識心跳率於單位期間是否屬於第一狀態或第二狀態,以獲得一睡眠狀態辨識結果。藉由使用該第二參數,運算處理裝置可以辨識單位期間是否為睡眠呼吸中止候選期間,以及藉由使用睡眠狀態辨識結果來確認睡眠呼吸中止候選期間是否發生睡眠呼吸中止(Sleep Apnea)事件。
本揭露的實施例中提供一種睡眠事件偵測方法,包括:由生理量測裝置於不同時間量測多個心跳率;由運算處理裝置將該些心跳率轉換成第一參數與第二參數;藉由使用第一參數來辨識心跳率於單位期間是否屬於第一狀態或第二狀態,以獲得睡眠狀態辨識結果;藉由使用第二參數來辨識單位期間是否為睡眠呼吸中止候選期間;以及藉由使用睡眠狀態辨識結果來確認睡眠呼吸中止候選期間是否發生睡眠呼吸中止事件。
基於上述,本揭露實施例所提供的睡眠事件偵測方法與系統可以幫助受測者簡單且有效地量測睡眠事件,進而了解睡眠過程規則,以便及早發現睡眠問題。
為讓本揭露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。
10‧‧‧使用者
101、102‧‧‧睡眠曲線
200‧‧‧睡眠事件偵測系統
210‧‧‧生理量測裝置
211‧‧‧穿戴式心跳感測器
212‧‧‧行動裝置
220‧‧‧運算處理裝置
221‧‧‧訊號轉換特徵參數引擎
222‧‧‧睡眠品質分析引擎
223‧‧‧資料庫
224‧‧‧分類規則產生引擎
225‧‧‧睡眠呼吸中止分析引擎
E‧‧‧睡眠呼吸中止候選期間
EP1、EP2、EP3、EP4、EP(i-1)、EP(i)、EP(i+1)‧‧‧單位期間
F(0)、F(1)、F(N)‧‧‧特徵參數
NE‧‧‧正常狀態
Pi-1、Pi、Pi+1‧‧‧心跳率
S‧‧‧睡眠狀態
S1‧‧‧非深睡狀態
S2‧‧‧深睡狀態
S310~S350、S620、S650、S660、S860、S870、S1220~S1250‧‧‧步驟
W‧‧‧清醒狀態
W1‧‧‧第一窗期間
W2‧‧‧第二窗期間
Ws(0)、Ws(1)、Ws(N)‧‧‧窗期間
圖1是說明人類的睡眠進程的曲線示意圖。
圖2是依照本揭露的實施例說明一種睡眠事件偵測系統的電路塊示意圖。
圖3是依照本揭露一實施例說明一種睡眠事件偵測方法的流程示意圖。
圖4是依照本揭露實施例說明心跳率的示意圖。
圖5是依照本揭露實施例說明睡眠狀態序列的示意圖。
圖6是依照本揭露另一實施例說明一種睡眠事件偵測方法的流程示意圖。
圖7是說明圖2所示睡眠事件偵測系統的一種實施範例示意圖。
圖8是依照本揭露又一實施例說明一種睡眠事件偵測方法的流程示意圖。
圖9是說明圖2所示睡眠事件偵測系統的另一種實施範例示意圖。
圖10是依照本揭露實施例說明心跳率的示意圖。
圖11是說明圖2所示睡眠事件偵測系統的再一種實施範例示意圖。
圖12是依照本揭露再一實施例說明一種睡眠事件偵測方法的流程示意圖。
圖13是依照本揭露實施例說明確認睡眠呼吸中止的示意圖。
在本案說明書全文(包括申請專利範圍)中所使用的「耦接」一詞可指任何直接或間接的連接手段。舉例而言,若文中描述第一裝置耦接於第二裝置,則應該被解釋成該第一裝置可以直接連接於該第二裝置,或者該第一裝置可以透過其他裝置或某種連接手段而間接地連接至該第二裝置。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/步驟代表相同或類似部分。不同實施例中使用相同標號或使用相同用語的元件/構件/步驟可以相互參照相關說明。
圖1是說明人類的睡眠進程的曲線示意圖。圖1所示橫軸表示時間(單位為小時),縱軸表示睡眠狀態。在此將睡眠進程分為四種狀態,分別為清醒(wake)狀態、快速眼動(Rapid Eye Movement,REM)狀態、淺睡(light sleep,LS)狀態與深睡(slow wave sleep,SWS)狀態。淺睡狀態與深睡狀態又稱非快速眼動(non-REM),或稱「常型睡眠」。快速眼動狀態又稱「異型睡眠」。圖1所示睡眠曲線101是大部分人類的理想睡眠進程,而睡眠曲線102表示睡眠品質不佳的範例睡眠進程。藉由多導睡眠檢測(Polysomonography,簡稱PSG)可以了解睡眠狀況。然而PSG的量測成本高、量測複雜、不便攜帶,因此一般使用者難以經常量測。所以,以下諸實施例將說明一種便捷使用的睡眠事件偵測系統與方法,可以紀錄日常睡眠狀況,了解自我長期的睡眠軌跡。
圖2是依照本揭露的實施例說明一種睡眠事件偵測系統
200的電路塊示意圖。睡眠事件偵測系統200包括生理量測裝置210以及運算處理裝置220。生理量測裝置210可以量測/偵測使用者10的生理特徵。例如,生理量測裝置210可以於不同時間分別量測使用者10的心跳,而獲得多個心跳率(Heart rate,HR)。本實施例雖以使用者10作為量測標的,但在其他實施例的量測標的不限於使用者10。例如,在另一些實施例中,睡眠事件偵測系統200可以量測其他生物的心跳率。
生理量測裝置210可以任何方式實施。例如在一些實施例中(但不以此為限),生理量測裝置210可以包括心率量測設備(或心跳感測器)。此心跳感測器可以偵測使用者10的心跳率。另外,生理量測裝置210可以藉由穿戴、黏貼或其他機制而配置於使用者10的頭部、身體、上肢及/或下肢,以便量測使用者10的心跳率。在其他實施例中,生理量測裝置210可以藉由非接觸式生理感測設備或其他機制量測使用者10的心跳率。舉例來說(但不以此為限),生理量測裝置210可以透過感測心電(Electrocardiography,簡稱ECG或EKG)、心跳脈動、血液流動或其他方式來量測使用者10的心跳率,或使用紅外線(Infrared Ray,IR)、超寬頻(UWB,Ultra Wide Band)感測或其他方式取得使用者10的心跳率。
運算處理裝置220耦接生理量測裝置210,以收集使用者10於不同時間的心跳率。生理量測裝置210可以將量測結果(例如心跳率)透過有線及/或無線方式回傳給運算處理裝置220。舉
例來說(但不以此為限),生理量測裝置210可以透過藍芽(Bluetooth)或無線網路(Wireless Network)等無線傳輸方式傳輸量測結果至運算處理裝置220,或是透過區域網路(local area network,LAN)、網際網路(internet)、電信網路或是其他有線及/或無線網路傳輸量測結果至運算處理裝置220。在其他實施例中,生理量測裝置210也可以透過雙絞線(Twisted pair cable)、同軸電纜(Coaxial cable)或光纖(Optic fiber)等有線傳輸方式傳輸量測結果至運算處理裝置220。
運算處理裝置220可以將生理量測裝置210所提供的這些心跳率轉換成第一參數、第二參數或更多參數。運算處理裝置220可以藉由使用第一參數來辨識這些心跳率於單位期間(epoch)是否屬於第一狀態或第二狀態,以及藉由使用第二參數來辨識這些心跳率於該單位期間是否屬於第三狀態或第四狀態。
舉例來說,圖3是依照本揭露一實施例說明一種睡眠事件偵測方法的流程示意圖。請參照圖2與圖3,生理量測裝置210可以在不同時間點量測使用者10的生理特徵,而獲得在不同時間點的多個心跳率(步驟S310)。依據分類規則,運算處理裝置220可以將生理量測裝置210所提供的這些心跳率轉換成第一參數、第二參數或更多參數(步驟S320)。所述分類規則可以是預先設定好的固定參數組,而此固定參數組可以視人類(或生物)的睡眠統計資料來決定。在另一些實施例中,所述分類規則可以依照樣本資料來動態決定(容後詳述)。
舉例來說(但不限於此),圖4是依照本揭露實施例說明心跳率的示意圖。圖4所示橫軸表示時間。生理量測裝置210將多個心跳率資料(例如圖4所示心跳率Pi-1、Pi與Pi+1)提供給運算處理裝置220。這些心跳率被定義/劃分為不同單位期間(epoch),例如圖4所示單位期間EP1包含心跳率Pi-1、Pi、Pi+1與其他心跳率資料。所述單位期間EP1的長度可以視實際應用需求來決定/調整。舉例來說(但不限於此),所述單位期間EP1的長度可以是30秒或其他時間長度。
所述分類規則可以提供/定義第一窗期間W1與第二窗期間W2的長度。第一窗期間W1包含該單位期間EP1,且第二窗期間W2包含該單位期間EP1。在其他實施例中,第一窗期間W1的長度可以大於第二窗期間W2的長度。步驟S320的第一參數可以是於第一窗期間W1中的多個心跳率的平均值(或心率變異),例如(但不限於此),第一參數可以是於30秒(第一窗期間W1)中的多個心跳率的平均值(或心率變異)。步驟S320的第二參數可以是於第二窗期間W2中的多個心跳率的平均值(或心率變異),例如(但不限於此),第二參數可以是於300秒(第二窗期間W2)中的多個心跳率的心率變異(Heart rate variability,簡稱HRV)。步驟S320可以任何方式去計算心跳率的平均值及/或心率變異,例如(但不限於此),步驟S320可以公知的計算方式去計算心跳率的平均值與心率變異。
請參照圖2與圖3,依據所述分類規則,運算處理裝置
220可以藉由使用第一參數來辨識這些心跳率於該單位期間EP1是否屬於第一狀態或第二狀態(步驟S330)。舉例來說(但不限於此),所述分類規則可以提供/定義一個第一閥值TH1,而運算處理裝置220可以比較步驟S320所提供的第一參數與所述分類規則所提供的第一閥值TH1。當第一參數大於第一閥值TH1時,運算處理裝置220可以辨識/分類於單位期間EP1中的這些心跳率屬於第一狀態(例如清醒狀態)。當第一參數小於第一閥值TH1時,運算處理裝置220可以辨識/分類於單位期間EP1中的這些心跳率屬於第二狀態(例如睡眠狀態或非清醒狀態)。
依據所述分類規則,運算處理裝置220可以藉由使用第二參數來辨識這些心跳率於該單位期間EP1是否屬於第三狀態或第四狀態(步驟S340)。舉例來說(但不限於此),在該單位期間EP1被辨識/分類為睡眠狀態(或非清醒狀態)的情況下,運算處理裝置220在步驟S340可以進一步來辨識被分類為睡眠狀態(或非清醒狀態)的單位期間EP1是否屬於第三狀態或第四狀態。所述分類規則可以提供/定義一個第二閥值TH2,而運算處理裝置220可以比較步驟S320所提供的第二參數與所述分類規則所提供的第二閥值TH2。當第二參數小於第二閥值TH2時,運算處理裝置220可以將被分類為睡眠狀態(或非清醒狀態)的單位期間EP1進一步辨識/分類為第三狀態(例如深睡狀態)。當第二參數大於第二閥值TH2時,運算處理裝置220可以辨識/分類於單位期間EP1中的這些心跳率屬於第四狀態,即非深睡狀態(例如快速眼動狀
態或淺睡狀態)。
其他單位期間的操作可以參照上述單位期間EP1的相關說明而類推,故不再贅述。在對所有心跳率的不同單位期間進行上述步驟S320~S340後,運算處理裝置220可以在步驟S350獲得睡眠狀態序列。舉例來說(但不限於此),圖5是依照本揭露實施例說明睡眠狀態序列的示意圖。圖5所示橫軸表示時間。在對所有心跳率的不同單位期間(例如圖5所示單位期間EP1、EP2、EP3與EP4)進行上述步驟S320~S340後,運算處理裝置220可以在步驟S350獲得睡眠狀態序列(例如圖5所示睡眠狀態W、S1、S1、S2…)。於圖5所示實施例中,W表示清醒狀態,S1表示非深睡狀態,S2表示深睡狀態。
圖6是依照本揭露另一實施例說明一種睡眠事件偵測方法的流程示意圖。請參照圖2與圖6,生理量測裝置210可以在不同時間點量測使用者10的生理特徵,而獲得在不同時間點的多個心跳率(步驟S310)。依據分類規則,運算處理裝置220可以將生理量測裝置210所提供的這些心跳率轉換成第一參數、第二參數、第三參數或更多參數(步驟S620)。圖6所示步驟S310與S620可以參照圖3所示步驟S310與S320的相關說明而類推。
除了第一窗期間W1與第二窗期間W2的長度,所述分類規則還可以提供/定義第三窗期間W3的長度。第三窗期間W3包含該單位期間EP1。步驟S620的第三參數可以是於第三窗期間W3中的多個心跳率的平均值(或心率變異),例如(但不限於此),
第三參數可以是於300秒(第三窗期間W3)中的多個心跳率的平均值。
圖6所示步驟S330與S340可以參照圖3所示步驟S330與S330的相關說明而類推,故不再贅述。依據所述分類規則,運算處理裝置220可以藉由使用該第三參數來辨識這些心跳率於單位期間EP1是否屬於第五狀態或第六狀態(步驟S650)。舉例來說(但不限於此),在步驟S340將單位期間EP1辨識/分類為非深睡狀態(例如快速眼動狀態或淺睡狀態)的情況下,運算處理裝置220在步驟S650可以進一步來辨識被分類為非深睡狀態的單位期間EP1是否屬於第五狀態或第六狀態。所述分類規則可以提供/定義一個第三閥值TH3,而運算處理裝置220可以比較步驟S620所提供的第三參數與所述分類規則所提供的第三閥值TH3。當第三參數大於第三閥值TH3時,運算處理裝置220可以將被分類為非深睡狀態的單位期間EP1進一步辨識/分類為第五狀態(例如快速眼動狀態)。當第三參數小於第三閥值TH3時,運算處理裝置220可以辨識/分類於單位期間EP1中的這些心跳率屬於第六狀態(例如淺睡狀態)。
在對所有心跳率的不同單位期間進行上述步驟S620、S330、S340與S650後,運算處理裝置220可以在步驟S660獲得睡眠狀態序列。圖6所示步驟S660可以參照圖3所示步驟S360與圖5的相關說明而類推,故不再贅述。
圖7是說明圖2所示睡眠事件偵測系統200的一種實施
範例示意圖。圖7所示睡眠事件偵測系統200、生理量測裝置210與運算處理裝置220可以參照圖2至圖6的相關說明而類推。於圖7所示實施範例中,生理量測裝置210包括穿戴式心跳感測器211與行動裝置212。穿戴式心跳感測器211可以用穿戴、黏貼或其他機制而配置於使用者10,以便偵測使用者10於不同時間的生理訊號(例如心跳率)。穿戴式心跳感測器211可以任何方式實施。例如,穿戴式心跳感測器211可以藉由接觸式或非接觸式方式量測使用者10的心跳率。舉例來說(但不以此為限),穿戴式心跳感測器211可以透過感測心電、心跳脈動、血液流動或其他方式來量測使用者10的心跳率,或使用紅外線、超寬頻感測或其他方式取得使用者10的心跳率。
行動裝置212耦接穿戴式心跳感測器211。在一些實施例中,穿戴式心跳感測器211可以經由無線通道將使用者10的心跳率傳送給行動裝置212,其中所述無線通道可以包含藍芽(Bluetooth)介面、近場通訊(near field communication,NFC)介面、ZigBee介面、ANT+網路通訊、無線區域網路(wireless local area network,WLAN)或是其他無線通訊介面。在另一些實施例中,穿戴式心跳感測器211可以經由有線通道將使用者10的心跳率傳送給行動裝置212,其中所述有線通道可以包含雙絞線、同軸電纜、光纖或其他有線傳輸介面。因此,行動裝置212可以經由穿戴式心跳感測器211收集使用者10於不同時間的心跳率。
行動裝置212可以是智慧型手機、平板電腦、筆記型電
腦或是其他行動電子裝置。行動裝置212可以對穿戴式心跳感測器211所提供的心跳率資料進行前處理。行動裝置212耦接運算處理裝置220,以及將使用者10於不同時間的心跳率經由通信網路傳送給運算處理裝置220。在一些實施例中,所述通信網路可以包含藍芽介面、近場通訊介面、ZigBee介面、無線區域網路(例如WiFi)、無線電信網路或是其他無線通訊介面。在另一些實施例中,所述通信網路可以包含雙絞線、同軸電纜、光纖、市話網路或其他有線傳輸介面。行動裝置可以辨別使用者10的身分,以及顯示睡眠評估結果(容後詳述)。
運算處理裝置220可以進行圖3或圖6所示程序,以處理/辨識行動裝置212所提供的心跳率。在另一些實施例中,運算處理裝置220可以分析睡眠效率、分析睡眠呼吸中止(Sleep Apnea)嚴重程度與/或其他分析睡眠資訊,然後輸出睡眠分析的結果報告。
於圖7所示實施範例中,運算處理裝置220包括訊號轉換特徵參數引擎221以及睡眠品質分析引擎222。訊號轉換特徵參數引擎221耦接生理量測裝置210的行動裝置212,以收集使用者10於不同時間的心跳率。訊號轉換特徵參數引擎221可以將這些心跳率轉換成多個參數,例如圖3或圖6所述第一參數、第二參數或更多參數。睡眠品質分析引擎222耦接訊號轉換特徵參數引擎221,以接收第一參數與第二參數。睡眠品質分析引擎222可以依據第一參數與第二參數來辨識這些心跳率於單位期間EP1是否屬於第一狀態、第二狀態、第三狀態或第四狀態,以及計算睡眠
品質指標。睡眠品質分析引擎222可以經由所述通信網路將睡眠品質指標回傳給行動裝置212。行動裝置212可以辨別使用者10的身分,以及依據此睡眠品質指標而提供/顯示睡眠品質評估報告。
圖8是依照本揭露又一實施例說明一種睡眠事件偵測方法的流程示意圖。請參照圖7與圖8,訊號轉換特徵參數引擎221可以經由穿戴式心跳感測器211與行動裝置212收集使用者10於不同時間的心跳率(步驟S310)。訊號轉換特徵參數引擎221可以將這些心跳率轉換成第一參數、第二參數或更多參數(步驟S320)。睡眠品質分析引擎222可以依據訊號轉換特徵參數引擎221所提供的第一參數與第二參數來辨識單位期間EP1是否屬於第一狀態、第二狀態、第三狀態或第四狀態(步驟S330與S340),以及獲得睡眠狀態序列(步驟S350)。圖8所示步驟S310~S350可以參照圖3至圖5的相關說明而類推,故不再贅述。
在完成步驟S350後,睡眠品質分析引擎222可以進行步驟S860,以計算睡眠品質指標。舉例來說(但不限於此),睡眠品質分析引擎222可以計算Ts/Tb而獲得睡眠品質指標,其中Ts表示使用者10處於睡眠狀態(或非清醒狀態)的總時間(sleep time),而Tb表示使用者10上床的總時間(total time on bad)。依照實際應用需求,睡眠品質指標可以包含一種或多種指標值。例如在另一些實施例中,除了上述指標值Ts/Tb外,睡眠品質指標還可以包含指標值Tsws/Ts、指標值Tnsws/Ts或其他指標值。其中,Tsws表示使用者10處於深睡狀態的總時間,而Tnsws表示
使用者10處於非深睡狀態的總時間。
在完成步驟S860後,睡眠品質分析引擎222可以經由所述通信網路將睡眠品質指標回傳給行動裝置212。待使用者10睡醒後,行動裝置212可以依據此睡眠品質指標而提供/顯示睡眠品質評估報告(步驟S870)給使用者10。在另一些應用例中,睡眠品質分析引擎222可以將睡眠品質指標傳送給第三方裝置。舉例來說(但不限於此),所述第三方裝置可以是醫院(或是研究機構)所設置睡眠中心的病歷資料庫,而醫師(或研究人員)可以利用睡眠品質分析引擎222所提供的睡眠品質指標來進行診斷(或研究)。
圖9是說明圖2所示睡眠事件偵測系統200的另一種實施範例示意圖。圖9所示睡眠事件偵測系統200、生理量測裝置210與運算處理裝置220可以參照圖2至圖6的相關說明而類推。圖9所示穿戴式心跳感測器211、行動裝置212、訊號轉換特徵參數引擎221與睡眠品質分析引擎222可以參照圖7至圖8的相關說明而類推。於圖9所示實施例中,運算處理裝置220還包括資料庫223與分類規則產生引擎224。
資料庫223可以儲存多筆樣本心跳率以及多筆對應樣本狀態。分類規則產生引擎224可以單位期間EP1為基準點而定義具有不同大小的多個窗期間。舉例來說,圖10是依照本揭露實施例說明心跳率的示意圖。圖10所示橫軸表示時間。圖10繪示一個單位期間EP1作為說明例,而其餘單位期間可以參照單位期間
EP1的相關說明而類推。如圖10所示,分類規則產生引擎224以單位期間EP1為基準點而定義具有不同大小的多個窗期間Ws(0)、Ws(1)、…、Ws(N)。
分類規則產生引擎224可以分別計算於不同窗期間Ws(0)~Ws(N)中的樣本心跳率的特徵參數F(0)、F(1)、…、F(N),以及依據對應樣本狀態與特徵參數F(0)~F(N)而決定第一窗長度與第二窗長度(例如圖4所示第一窗期間W1的長度與第二窗期間W2的長度)。舉例來說,分類規則產生引擎224可以分別計算於不同窗期間Ws(0)~Ws(N)中的樣本心跳率的平均值(或心率變異),而獲得特徵參數F(0)~F(N)。分類規則產生引擎224可以使用特徵參數F(0)~F(N)與對應樣本狀態進行模型訓練,而從(2N-1)種特徵參數組合中選擇特定特徵參數,以滿足具有最佳的辨識正確性。分類規則產生引擎224可以找到辨識清醒狀態和睡眠狀態(或非清醒狀態)的正確性達到最佳的第一特徵參數組合(例如第一窗期間W1的長度與第一閥值TH1),而將此第一特徵參數組合提供給訊號轉換特徵參數引擎221與睡眠品質分析引擎222。
在擇定第一特徵參數組合後,分類規則產生引擎224可以從其餘(2N-2)種特徵參數組合中選擇特定特徵參數,以尋找辨識深睡狀態和非深睡狀態的正確性達到最佳的第二特徵參數組合(例如第二窗期間W2的長度與第二閥值TH2),而將此第二特徵參數組合提供給訊號轉換特徵參數引擎221與睡眠品質分析引擎222。
在擇定第二特徵參數組合後,分類規則產生引擎224可以從其餘(2N-3)種特徵參數組合中選擇特定特徵參數,以尋找辨識快速眼動狀態和淺睡狀態的正確性達到最佳的第三特徵參數組合(例如第三窗期間W3的長度與第三閥值TH3),而將此第三特徵參數組合提供給訊號轉換特徵參數引擎221與睡眠品質分析引擎222。
訊號轉換特徵參數引擎221耦接分類規則產生引擎224,以接收第一窗長度與第二窗長度。訊號轉換特徵參數引擎221可以依據該第一窗長度將心跳率轉換成第一參數,以及依據該第二窗長度將心跳率轉換成第二參數(請詳參圖7與圖8的相關說明而類推)。在另一些實施例中,訊號轉換特徵參數引擎221從分類規則產生引擎224接收第一窗長度、第二窗長度與第三窗長度。訊號轉換特徵參數引擎221還可以依據該第三窗長度將心跳率轉換成第三參數(請詳參圖6的相關說明而類推)。
在其他實施例中,分類規則產生引擎224可以採用基於規則的方法(Rule based method)、基於機器學習的方法(Machine learning based method)或者混和方法(Hybrid method)。所述機器學習的方法可以包括支持向量機(Support Vector Machine,簡稱SVM)分類器、以統計模型為基礎(Statistical model based)的分類器以及/或是其他基於學習的演算法。所述以統計模型為基礎的分類器可以包括邏輯回歸(Logistic regression)方法、接收者操作特徵(receiver operating characteristic,ROC)曲線分析以及/
或是其他統計模型。在一些實施例中,分類規則產生引擎224可以採用ROC曲線分析來決定上述第一閥值TH1、第二閥值TH2、第三閥值TH3及/或其他閥值。
舉例來說,所述基於規則的方法可以採用下述規則:生物在深睡(SWS)時,心跳的變異較小;生物在清醒(wake)和快速眼動(Rem)期間,心跳是較快的;以及生物在快速眼動期間維持一段時間心跳快。或者,分類規則產生引擎224可以基於下述規則而運作:依據心跳快慢來區分第一狀態(包含清醒狀態與快速眼動狀態)與第二狀態(包含淺睡狀態與深睡狀態);以及/或是依據心跳變異大小來區分第一狀態(包含清醒狀態、快速眼動狀態與淺睡狀態)與第二狀態(包含深睡狀態)。
圖11是說明圖2所示睡眠事件偵測系統200的再一種實施範例示意圖。圖11所示睡眠事件偵測系統200、生理量測裝置210與運算處理裝置220可以參照圖2至圖6的相關說明而類推。圖11所示穿戴式心跳感測器211、行動裝置212、訊號轉換特徵參數引擎221與睡眠品質分析引擎222可以參照圖7至圖8的相關說明而類推。圖11所示資料庫223與分類規則產生引擎224可以參照圖9至圖10的相關說明而類推。於圖11所示實施例中,運算處理裝置220還包括睡眠呼吸中止分析引擎225。
分類規則產生引擎224可以依據特徵參數F(0)~F(N)而決定睡眠呼吸中止事件閥值THosa。利用資料庫223的資料,分類規則產生引擎224可以計算目標判定區間的特徵參數值(例如
心跳率的平均值與/或心率變異)。利用邏輯迴歸(logistic regression)建模以及接收者操作特徵(receiver operating characteristic curve,ROC)曲線方法進行閥值(threshold)分析,以找出區分發生睡眠呼吸中止事件與正常狀態(沒發生睡眠呼吸中止事件)的最佳閥值,作為所述睡眠呼吸中止事件閥值THosa。分類規則產生引擎224可以將此睡眠呼吸中止事件閥值THosa提供給睡眠呼吸中止分析引擎225。
運算處理裝置220的睡眠呼吸中止分析引擎225可以將於單位期間EP1中的心跳率轉換成睡眠呼吸中止事件的風險估計值。運算處理裝置220的睡眠呼吸中止分析引擎225可以藉由使用該風險估計值來辨識單位期間EP1是否為睡眠呼吸中止候選期間。運算處理裝置220的睡眠呼吸中止分析引擎225還可以依據「單位期間EP1是否屬於第一狀態」的睡眠狀態辨識結果而來確認該睡眠呼吸中止候選期間是否發生睡眠呼吸中止事件。
舉例來說,圖12是依照本揭露再一實施例說明一種睡眠事件偵測方法的流程示意圖。請參照圖11與圖12,訊號轉換特徵參數引擎221可以經由穿戴式心跳感測器211與行動裝置212收集使用者10於不同時間的心跳率(步驟S310)。訊號轉換特徵參數引擎221可以將這些心跳率轉換成第一參數、第二參數、第三參數與風險估計值(步驟S1220)。所述第一參數、第二參數、第三參數可以參照圖3至圖6的相關說明而類推,故不再贅述。
睡眠品質分析引擎222可以依據訊號轉換特徵參數引擎
221所提供的參數來辨識單位期間屬於何種狀態,以獲得睡眠狀態辨識結果。睡眠品質分析引擎222可以藉由使用訊號轉換特徵參數引擎221所提供的第一參數來辨識單位期間(例如單位期間EP1)是否屬於第一狀態或第二狀態(步驟S1231)。舉例來說(但不限於此),分類規則產生引擎224可以提供/定義一個第一閥值TH1,而睡眠品質分析引擎222可以比較訊號轉換特徵參數引擎221所提供的第一參數與分類規則產生引擎224所提供的第一閥值TH1。當第一參數大於第一閥值TH1時,睡眠品質分析引擎222可以辨識/分類於單位期間EP1中的這些心跳率屬於第一狀態(例如清醒狀態)。當第一參數小於第一閥值TH1時,睡眠品質分析引擎222可以辨識/分類於單位期間EP1中的這些心跳率屬於第二狀態(例如睡眠狀態或非清醒狀態)。
睡眠品質分析引擎222可以藉由使用訊號轉換特徵參數引擎221所提供的第二參數來辨識單位期間(例如單位期間EP1)是否屬於第三狀態或第四狀態(步驟S1232)。舉例來說(但不限於此),在單位期間EP1被辨識/分類為睡眠狀態(或非清醒狀態)的情況下,睡眠品質分析引擎222在步驟S1232可以進一步來辨識被分類為睡眠狀態(或非清醒狀態)的單位期間EP1是否屬於第三狀態或第四狀態。分類規則產生引擎224可以提供/定義一個第二閥值TH2,而睡眠品質分析引擎222可以比較訊號轉換特徵參數引擎221所提供的第二參數與分類規則產生引擎224所提供的第二閥值TH2。當第二參數小於第二閥值TH2時,睡眠品質分
析引擎222可以將被分類為睡眠狀態(或非清醒狀態)的單位期間EP1進一步辨識/分類為第三狀態(例如深睡狀態)。當第二參數大於第二閥值TH2時,睡眠品質分析引擎222可以將被分類為睡眠狀態(或非清醒狀態)的單位期間EP1進一步辨識/分類為第四狀態(例如非深睡狀態)。
睡眠品質分析引擎222可以藉由使用訊號轉換特徵參數引擎221所提供的第三參數來辨識單位期間(例如單位期間EP1)是否屬於第五狀態或第六狀態(步驟S1233)。舉例來說(但不限於此),在單位期間EP1被辨識/分類為非深睡狀態的情況下,睡眠品質分析引擎222在步驟S1233可以進一步來辨識被分類為非深睡狀態的單位期間EP1是否屬於第五狀態或第六狀態。分類規則產生引擎224可以提供/定義一個第三閥值TH3,而睡眠品質分析引擎222可以比較訊號轉換特徵參數引擎221所提供的第三參數與分類規則產生引擎224所提供的第三閥值TH3。當第三參數大於第三閥值TH3時,睡眠品質分析引擎222可以將被分類為非深睡狀態的單位期間EP1進一步辨識/分類為第五狀態(例如快速眼動狀態)。當第三參數小於第三閥值TH3時,睡眠品質分析引擎222可以將被分類為非深睡狀態的單位期間EP1進一步辨識/分類為第六狀態(例如淺睡狀態)。
其他單位期間可以參照上述單位期間EP1的相關說明而類推,故不再贅述。圖12所述步驟S1231、S1232、S1233可以參照圖6所述步驟S330、S340、S650的相關說明而類推,圖12所
述步驟S1234與S1235可以參照圖8所述步驟S350、S860的相關說明而類推,故不再贅述。
在一些實施例中,訊號轉換特徵參數引擎221可以在步驟S1220計算下述等式1,以獲得發生睡眠呼吸中止事件的風險估計值p(OSA|epoch)。其中,exp( )表示以歐拉數(Euler's number)e為底數的指數函數,Pm表示在一個單位期間(例如單位期間EP1)中的心跳率的平均,而Pv表示在一個單位期間(例如單位期間EP1)中的心跳率的心率變異。等式1中的係數a、b、c可以視設計需求來決定。舉例來說(但不以此為限),可以從0~10中選擇一實數(例如0.039)作為係數a,從0~10中選擇一實數(例如4.721)作為係數b,從0~30中選擇一實數(例如15.561)作為係數c。
睡眠呼吸中止分析引擎225耦接訊號轉換特徵參數引擎221,以接收該風險估計值p(OSA|epoch)。睡眠呼吸中止分析引擎225耦接分類規則產生引擎224,以接收睡眠呼吸中止事件閥值THosa。睡眠呼吸中止分析引擎225在步驟S1241可以使用風險估計值P(OSA|epoch)來辨識單位期間(例如單位期間EP1)是否為睡眠呼吸中止候選期間。舉例來說(但不限於此),睡眠呼吸中止分析引擎225在步驟S1241可以比較風險估計值p(OSA|epoch)與睡眠呼吸中止事件閥值THosa,以辨識單位期間EP1是否為睡眠呼吸中止候選期間。
睡眠呼吸中止分析引擎225耦接睡眠品質分析引擎222,以接收步驟S1231的睡眠狀態辨識結果。在步驟S1242中,睡眠呼吸中止分析引擎225可以依據步驟S1231的睡眠狀態辨識結果而來確認步驟S1241所標注的睡眠呼吸中止候選期間是否發生睡眠呼吸中止事件。舉例來說(但不限於此),圖13是依照本揭露實施例說明確認睡眠呼吸中止的示意圖。圖13所示橫軸表示時間。在對所有心跳率的不同單位期間(例如圖13所示單位期間EP(i-1)、EP(i)與EP(i+1))進行上述步驟S1231後,運算處理裝置220可以獲得第一層的睡眠狀態序列(例如圖13所示睡眠狀態S、W、S…),並將此睡眠狀態序列作為步驟S1231的睡眠狀態辨識結果而提供給睡眠呼吸中止分析引擎225。於圖13所示實施例中,W表示清醒狀態,S表示睡眠狀態(非清醒狀態)。
另一方面,在對所有心跳率的不同單位期間(例如圖13所示單位期間EP(i-1)、EP(i)與EP(i+1))進行上述步驟S1241後,睡眠呼吸中止分析引擎225可以獲得睡眠呼吸中止候選序列(例如圖13所示睡眠呼吸中止狀態NE、E、NE…)。於圖13所示實施例中,E表示該單位期間為睡眠呼吸中止候選期間,NE表示正常狀態(該單位期間沒有發生睡眠呼吸中止)。在步驟S1242中,當睡眠呼吸中止分析引擎225發現單位期間EP(i)是睡眠呼吸中止候選期間時,睡眠呼吸中止分析引擎225會進一步檢查候選單位期間EP(i)的前後單位期間EP(i-1)與EP(i+1)的睡眠狀態。當前後單位期間EP(i-1)與EP(i+1)的睡眠狀態均為睡眠狀態S(非清醒狀
態)時,睡眠呼吸中止分析引擎225可以確認睡眠呼吸中止候選期間(即單位期間EP(i))發生了睡眠呼吸中止事件。若前後單位期間EP(i-1)與EP(i+1)其中一者的睡眠狀態不為睡眠狀態S(非清醒狀態),或是若前後單位期間EP(i-1)與EP(i+1)的睡眠狀態都不是睡眠狀態S(非清醒狀態),則睡眠呼吸中止分析引擎225可以確認睡眠呼吸中止候選期間(即單位期間EP(i))沒有發生睡眠呼吸中止事件。
其他單位期間的操作可以參照上述單位期間EP(i)的相關說明而類推,故不再贅述。在對所有心跳率的不同單位期間進行上述步驟S1241~S1242後,睡眠呼吸中止分析引擎225可以在步驟S1243獲得經確認的睡眠呼吸中止事件序列。
在完成步驟S1243後,睡眠呼吸中止分析引擎225可以進行步驟S1244,以計算睡眠呼吸中止指標。舉例來說(但不限於此),睡眠呼吸中止分析引擎225可以計算[Nosa/(Ne*d)]*f而獲得睡眠呼吸中止指標,其中Nosa表示經確認發生睡眠呼吸中止事件的單位期間(epoch)個數,而Ne表示被觀測的單位期間的總個數。係數d與f可以視設計需求來決定。舉例來說(但不以此為限),可以從0~10中選擇一實數(例如0.5)作為係數d,從0~100中選擇一實數(例如60)作為係數f。
在完成步驟S1244後,睡眠呼吸中止分析引擎225可以經由所述通信網路將睡眠呼吸中止指標回傳給行動裝置212。在完成步驟S1235後,睡眠品質分析引擎222可以經由所述通信網路
將睡眠品質指標回傳給行動裝置212。待使用者10睡醒後,行動裝置212可以依據此睡眠品質指標與睡眠呼吸中止指標而提供/顯示睡眠品質評估報告(步驟S1250)給使用者10。圖12所述步驟S1250可以參照圖8所述步驟S870的相關說明而類推,故不再贅述。
綜上所述,本揭露諸實施例揭示了睡眠事件偵測方法與睡眠事件偵測系統,可以用來評量睡眠的優劣和/或估計睡眠呼吸中止事件發生。生理量測裝置可以連續量測並記錄受測者/使用者之心跳,並將心跳資料傳到運算處理裝置。生理量測裝置可以方便攜帶且可方便長期量測。在一些實施例中,運算處理裝置可以將經過運算後的睡眠事件偵測結果傳回生理量測裝置(例如智慧型手機)。經過運算後的所述睡眠事件偵測結果可顯示使用者睡眠品質資訊和睡眠呼吸中止事件的相關風險指數,作為日常活動規劃。或者,經過運算後的所述睡眠事件偵測結果可於就醫時提供睡眠資訊給醫護人員參考。本揭露諸實施例所揭示的方法與系統可以幫助使用者了解自我(或他人)睡眠過程,以便及早發現睡眠問題。
雖然本案已以實施例揭露如上,然其並非用以限定本揭露,任何所屬技術領域中具有通常知識者,在不脫離本揭露的精神和範圍內,當可作些許的更動與潤飾,故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
10‧‧‧使用者
200‧‧‧睡眠事件偵測系統
210‧‧‧生理量測裝置
211‧‧‧穿戴式心跳感測器
212‧‧‧行動裝置
220‧‧‧運算處理裝置
221‧‧‧訊號轉換特徵參數引擎
222‧‧‧睡眠品質分析引擎
223‧‧‧資料庫
224‧‧‧分類規則產生引擎
Claims (32)
- 一種睡眠事件偵測系統,包括:一生理量測裝置,經配置以於不同時間量測多個心跳率;以及一運算處理裝置,耦接該生理量測裝置以收集該些心跳率,經配置以將該些心跳率轉換成一第一參數與一第二參數,藉由使用該第一參數來辨識該些心跳率於一單位期間是否屬於一清醒狀態或一睡眠狀態,以及藉由使用該第二參數來辨識該些心跳率於該單位期間是否屬於一深睡狀態或一非深睡狀態,其中該運算處理裝置包括:一分類規則產生引擎,經配置以該單位期間為基準點而定義具有不同大小的多個窗期間,以及分別計算於該些窗期間中的多筆樣本心跳率的一特徵參數,以及依據多筆對應樣本狀態與該些特徵參數而決定一第一窗長度與一第二窗長度;一訊號轉換特徵參數引擎,耦接該生理量測裝置以收集該些心跳率,耦接該分類規則產生引擎以接收該第一窗長度與該第二窗長度,經配置以依據該第一窗長度將該些心跳率轉換成該第一參數,以及依據該第二窗長度將該些心跳率轉換成該第二參數;以及一睡眠品質分析引擎,耦接該訊號轉換特徵參數引擎以接收該第一參數與該第二參數,經配置以依據該第一參數與 該第二參數來辨識該些心跳率於該單位期間是否屬於該清醒狀態、該睡眠狀態、該深睡狀態或該非深睡狀態,以及計算一睡眠品質指標。
- 如申請專利範圍第1項所述的睡眠事件偵測系統,其中該生理量測裝置包括:一穿戴式心跳感測器,經配置以穿戴於一使用者,以及偵測該使用者於不同時間的該些心跳率;以及一行動裝置,耦接該穿戴式心跳感測器與該運算處理裝置,經配置以收集該些心跳率,以及將該些心跳率經由一通信網路傳送給該運算處理裝置。
- 如申請專利範圍第1項所述的睡眠事件偵測系統,其中該運算處理裝置更包括:一資料庫,經配置以儲存並提供該些樣本心跳率以及該些對應樣本狀態。
- 如申請專利範圍第1項所述的睡眠事件偵測系統,其中該第一參數是於一第一窗期間中的該些心跳率的一平均值或一心率變異,該第一窗期間包含該單位期間,該第二參數是於一第二窗期間中的該些心跳率的一平均值或一心率變異,該第二窗期間包含該單位期間。
- 如申請專利範圍第1項所述的睡眠事件偵測系統,其中該運算處理裝置經配置以將該些心跳率轉換成該第一參數、該第二 參數與一第三參數,以及藉由使用該第三參數來辨識該些心跳率於該單位期間是否屬於一快速眼動狀態或一淺睡狀態。
- 如申請專利範圍第5項所述的睡眠事件偵測系統,其中該第一參數是於一第一窗期間中的該些心跳率的一平均值或一心率變異,該第一窗期間包含該單位期間,該第二參數是於一第二窗期間中的該些心跳率的一心率變異,該第二窗期間包含該單位期間,該第三參數是於一第三窗期間中的該些心跳率的一平均值,該第三窗期間包含該單位期間。
- 如申請專利範圍第1項所述的睡眠事件偵測系統,其中該運算處理裝置經配置以將於該單位期間中的該些心跳率轉換成睡眠呼吸中止事件的一風險估計值,藉由使用該風險估計值來辨識該單位期間是否為一睡眠呼吸中止候選期間,以及依據該單位期間是否屬於該清醒狀態的一睡眠狀態辨識結果而來確認該睡眠呼吸中止候選期間是否發生該睡眠呼吸中止事件。
- 如申請專利範圍第7項所述的睡眠事件偵測系統,其中該分類規則產生引擎經配置更依據該些特徵參數而決定一睡眠呼吸中止事件閥值,該訊號轉換特徵參數引擎經配置更將於該單位期間中的該些心跳率轉換成該風險估計值,該睡眠品質分析引擎經配置更依據該第一參數來辨識該些心跳率於該單位期間是否屬於該清醒狀態或該睡眠狀態以輸出該睡眠狀態辨識結果,而該運算處理裝置更包括: 一睡眠呼吸中止分析引擎,耦接該訊號轉換特徵參數引擎以接收該風險估計值,耦接該睡眠品質分析引擎以接收該睡眠狀態辨識結果,耦接該分類規則產生引擎以接收該睡眠呼吸中止事件閥值,經配置以比較該風險估計值與該睡眠呼吸中止事件閥值以辨識該單位期間是否為該睡眠呼吸中止候選期間,以及依據該睡眠狀態辨識結果而來確認該睡眠呼吸中止候選期間是否發生該睡眠呼吸中止事件。
- 如申請專利範圍第7項所述的睡眠事件偵測系統,其中該運算處理裝置經配置以計算該風險估計值p(OSA|epoch)=,其中exp( )表示以歐拉數e為底數的指數函數,a為0~10的實數、b為0~10的實數、c為0~30的實數,Pm表示在該單位期間中的心跳率的平均,而Pv表示在該單位期間中的心跳率的心率變異。
- 一種睡眠事件偵測方法,包括:由一運算處理裝置的一分類規則產生引擎以一單位期間為基準點而定義具有不同大小的多個窗期間,以及分別計算於該些窗期間中的多筆樣本心跳率的一特徵參數,以及依據多筆對應樣本狀態與該些特徵參數而決定一第一窗長度與一第二窗長度;由一生理量測裝置於不同時間量測多個心跳率;由該運算處理裝置的一訊號轉換特徵參數引擎依據該第一窗長度將該些心跳率轉換成一第一參數,以及依據該第二窗長度將 該些心跳率轉換成一第二參數;由該運算處理裝置的一睡眠品質分析引擎藉由使用該第一參數來辨識該些心跳率於該單位期間是否屬於一清醒狀態或一睡眠狀態;以及由該睡眠品質分析引擎藉由使用該第二參數來辨識該些心跳率於該單位期間是否屬於一深睡狀態或一非深睡狀態。
- 如申請專利範圍第10項所述的睡眠事件偵測方法,其中所述量測該些心跳率之步驟包括:由一穿戴式心跳感測器偵測一使用者於不同時間的該些心跳率;以及由一行動裝置將該些心跳率經由一通信網路傳送給該運算處理裝置。
- 如申請專利範圍第10項所述的睡眠事件偵測方法,其中該運算處理裝置更包括一資料庫;該資料庫儲存並提供該些樣本心跳率以及該些對應樣本狀態。
- 如申請專利範圍第10項所述的睡眠事件偵測方法,其中該第一參數是於一第一窗期間中的該些心跳率的一平均值或一心率變異,該第一窗期間包含該單位期間,該第二參數是於一第二窗期間中的該些心跳率的一平均值或一心率變異,該第二窗期間包含該單位期間。
- 如申請專利範圍第10項所述的睡眠事件偵測方法,其中 該運算處理裝置將該些心跳率轉換成該第一參數、該第二參數與一第三參數,而該睡眠事件偵測方法更包括:藉由使用該第三參數來辨識該些心跳率於該單位期間是否屬於一快速眼動狀態或一淺睡狀態。
- 如申請專利範圍第14項所述的睡眠事件偵測方法,其中該第一參數是於一第一窗期間中的該些心跳率的一平均值或一心率變異,該第一窗期間包含該單位期間,該第二參數是於一第二窗期間中的該些心跳率的一心率變異,該第二窗期間包含該單位期間,該第三參數是於一第三窗期間中的該些心跳率的一平均值,該第三窗期間包含該單位期間。
- 如申請專利範圍第10項所述的睡眠事件偵測方法,更包括:由該運算處理裝置將於該單位期間中的該些心跳率轉換成睡眠呼吸中止事件的一風險估計值;藉由使用該風險估計值來辨識該單位期間是否為一睡眠呼吸中止候選期間;以及依據所述辨識該單位期間是否屬於該清醒狀態步驟的一睡眠狀態辨識結果,而來確認該睡眠呼吸中止候選期間是否發生該睡眠呼吸中止事件。
- 如申請專利範圍第16項所述的睡眠事件偵測方法,其中該運算處理裝置更包括一資料庫以及一睡眠品質分析引擎;該資 料庫儲存並提供該些樣本心跳率以及該些對應樣本狀態;該分類規則產生引擎依據該些特徵參數而決定一睡眠呼吸中止事件閥值;該訊號轉換特徵參數引擎將於該單位期間中的該些心跳率轉換成該風險估計值;該睡眠品質分析引擎依據該第一參數來辨識該些心跳率於該單位期間是否屬於該清醒狀態或該睡眠狀態以輸出該睡眠狀態辨識結果,以及計算一睡眠品質指標;以及該睡眠呼吸中止分析引擎比較該風險估計值與該睡眠呼吸中止事件閥值以辨識該單位期間是否為該睡眠呼吸中止候選期間,以及依據該睡眠狀態辨識結果而來確認該睡眠呼吸中止候選期間是否發生該睡眠呼吸中止事件。
- 如申請專利範圍第16項所述的睡眠事件偵測方法,其中所述將於該單位期間中的該些心跳率轉換成該風險估計值之步驟包括:由該運算處理裝置計算該風險估計值p(OSA|epoch)=,其中exp( )表示以歐拉數e為底數的指數函數,a為0~10的實數、b為0~10的實數、c為0~30的實數,Pm表示在該單位期間中的心跳率的平均,而Pv表示在該單位期間中的心跳率的心率變異。
- 一種睡眠事件偵測系統,包括:一生理量測裝置,經配置以於不同時間量測多個心跳率;以及 一運算處理裝置,耦接該生理量測裝置以收集該些心跳率,經配置以將該些心跳率轉換成一第一參數與一第二參數,藉由使用該第一參數來辨識該些心跳率於一單位期間是否屬於一清醒狀態或一睡眠狀態以獲得一睡眠狀態辨識結果,以及藉由使用該第二參數來辨識該單位期間是否為一睡眠呼吸中止候選期間,以及藉由使用該睡眠狀態辨識結果來確認該睡眠呼吸中止候選期間是否發生一睡眠呼吸中止事件。
- 如申請專利範圍第19項所述的睡眠事件偵測系統,其中該生理量測裝置包括:一穿戴式心跳感測器,經配置以穿戴於一使用者,以及偵測該使用者於不同時間的該些心跳率;以及一行動裝置,耦接該穿戴式心跳感測器與該運算處理裝置,經配置以收集該些心跳率,以及將該些心跳率經由一通信網路傳送給該運算處理裝置。
- 如申請專利範圍第19項所述的睡眠事件偵測系統,其中該運算處理裝置包括:一資料庫,經配置以儲存多筆樣本心跳率以及多筆對應樣本狀態;一分類規則產生引擎,經配置以該單位期間為基準點而定義具有不同大小的多個窗期間,以及分別計算於該些窗期間中的該些樣本心跳率的一特徵參數,以及依據該些對應樣本狀態與該些 特徵參數而決定一第一窗長度,以及依據該些特徵參數而決定一睡眠呼吸中止事件閥值;一訊號轉換特徵參數引擎,耦接該生理量測裝置以收集該些心跳率,耦接該分類規則產生引擎以接收該第一窗長度,經配置以依據該第一窗長度將該些心跳率轉換成該第一參數,以及將於該單位期間中的該些心跳率轉換成該第二參數;一睡眠品質分析引擎,耦接該訊號轉換特徵參數引擎以接收該第一參數,經配置以依據該第一參數來辨識該些心跳率於該單位期間是否屬於該清醒狀態或該睡眠狀態以獲得該睡眠狀態辨識結果,以及計算一睡眠品質指標;以及一睡眠呼吸中止分析引擎,耦接該訊號轉換特徵參數引擎以接收該第二參數,耦接該睡眠品質分析引擎以接收該睡眠狀態辨識結果,耦接該分類規則產生引擎以接收該睡眠呼吸中止事件閥值,經配置以比較該第二參數與該睡眠呼吸中止事件閥值以辨識該單位期間是否為該睡眠呼吸中止候選期間,以及依據該睡眠狀態辨識結果而來確認該睡眠呼吸中止候選期間是否發生該睡眠呼吸中止事件。
- 如申請專利範圍第19項所述的睡眠事件偵測系統,其中該第一參數是於一第一窗期間中的該些心跳率的一平均值或一心率變異,該第一窗期間包含該單位期間,該第二參數是於該單位期間中發生該睡眠呼吸中止事件的一風險估計值。
- 如申請專利範圍第22項所述的睡眠事件偵測系統,其中該運算處理裝置計算該風險估計值p(OSA|epoch)=,其中exp( )表示以歐拉數e為底數的指數函數,a為0~10的實數、b為0~10的實數、c為0~30的實數,Pm表示在該單位期間中的心跳率的平均,而Pv表示在該單位期間中的心跳率的心率變異。
- 如申請專利範圍第19項所述的睡眠事件偵測系統,其中該運算處理裝置經配置以將該些心跳率轉換成該第一參數、一第三參數與一第四參數,藉由使用該第三參數來辨識該些心跳率於該單位期間是否屬於一深睡狀態或一非深睡狀態,以及藉由使用該第四參數來辨識該些心跳率於該單位期間是否屬於一快速眼動狀態或一淺睡狀態。
- 如申請專利範圍第24項所述的睡眠事件偵測系統,其中該第一參數是於一第一窗期間中的該些心跳率的一平均值或一心率變異,該第一窗期間包含該單位期間,該第三參數是於一第二窗期間中的該些心跳率的一心率變異,該第二窗期間包含該單位期間,該第四參數是於一第三窗期間中的該些心跳率的一平均值,該第三窗期間包含該單位期間。
- 一種睡眠事件偵測方法,包括:由一生理量測裝置於不同時間量測多個心跳率;由一運算處理裝置將該些心跳率轉換成一第一參數與一第二 參數;藉由使用該第一參數來辨識該些心跳率於一單位期間是否屬於一清醒狀態或一睡眠狀態,以獲得一睡眠狀態辨識結果;藉由使用該第二參數來辨識該單位期間是否為一睡眠呼吸中止候選期間;以及藉由使用該睡眠狀態辨識結果來確認該睡眠呼吸中止候選期間是否發生一睡眠呼吸中止事件。
- 如申請專利範圍第26項所述的睡眠事件偵測方法,其中所述量測該些心跳率之步驟包括:由一穿戴式心跳感測器偵測一使用者於不同時間的該些心跳率;以及由一行動裝置將該些心跳率經由一通信網路傳送給該運算處理裝置。
- 如申請專利範圍第26項所述的睡眠事件偵測方法,其中該運算處理裝置包括一資料庫、一分類規則產生引擎、一訊號轉換特徵參數引擎、一睡眠品質分析引擎以及一睡眠呼吸中止分析引擎;該資料庫儲存多筆樣本心跳率以及多筆對應樣本狀態;該分類規則產生引擎以該單位期間為基準點而定義具有不同大小的多個窗期間,以及分別計算於該些窗期間中的該些樣本心跳率的一特徵參數,以及依據該些對應樣本狀態與該些特徵參數而決定一第一窗長度,以及依據該些特徵參數而決定一睡眠呼吸中止事 件閥值;該訊號轉換特徵參數引擎依據該第一窗長度將該些心跳率轉換成該第一參數,以及將於該單位期間中的該些心跳率轉換成該第二參數;該睡眠品質分析引擎依據該第一參數來辨識該些心跳率於該單位期間是否屬於該清醒狀態或該睡眠狀態以獲得該睡眠狀態辨識結果,以及計算一睡眠品質指標;以及該睡眠呼吸中止分析引擎比較該第二參數與該睡眠呼吸中止事件閥值以辨識該單位期間是否為該睡眠呼吸中止候選期間,以及依據該睡眠狀態辨識結果而來確認該睡眠呼吸中止候選期間是否發生該睡眠呼吸中止事件。
- 如申請專利範圍第26項所述的睡眠事件偵測方法,其中該第一參數是於一第一窗期間中的該些心跳率的一平均值或一心率變異,該第一窗期間包含該單位期間,該第二參數是於該單位期間中發生該睡眠呼吸中止事件的一風險估計值。
- 如申請專利範圍第29項所述的睡眠事件偵測方法,其中所述將該些心跳率轉換成該第二參數之步驟包括:由該運算處理裝置計算該風險估計值p(OSA|epoch)=,其中exp( )表示以歐拉數e為底數的指數函數,a為0~10的實數、b為0~10的實數、c為0~30的實數,Pm表示在該單位期間中的心跳率的平均,而Pv表示在該單位期間中的心跳率的心率變異。
- 如申請專利範圍第26項所述的睡眠事件偵測方法,其中 該運算處理裝置將該些心跳率轉換成該第一參數、一第三參數與一第四參數,而該睡眠事件偵測方法更包括:藉由使用該第三參數來辨識該些心跳率於該單位期間是否屬於一深睡狀態或一非深睡狀態;以及藉由使用該第四參數來辨識該些心跳率於該單位期間是否屬於一快速眼動狀態或一淺睡狀態。
- 如申請專利範圍第31項所述的睡眠事件偵測方法,其中該第一參數是於一第一窗期間中的該些心跳率的一平均值或一心率變異,該第一窗期間包含該單位期間,該第三參數是於一第二窗期間中的該些心跳率的一心率變異,該第二窗期間包含該單位期間,該第四參數是於一第三窗期間中的該些心跳率的一平均值,該第三窗期間包含該單位期間。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103144751A TWI542322B (zh) | 2014-12-22 | 2014-12-22 | 睡眠事件偵測方法與系統 |
CN201510065050.2A CN105982643B (zh) | 2014-12-22 | 2015-02-09 | 睡眠事件检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103144751A TWI542322B (zh) | 2014-12-22 | 2014-12-22 | 睡眠事件偵測方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201622641A TW201622641A (zh) | 2016-07-01 |
TWI542322B true TWI542322B (zh) | 2016-07-21 |
Family
ID=56984384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103144751A TWI542322B (zh) | 2014-12-22 | 2014-12-22 | 睡眠事件偵測方法與系統 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105982643B (zh) |
TW (1) | TWI542322B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI697912B (zh) * | 2018-10-30 | 2020-07-01 | 宏碁股份有限公司 | 生理狀態的風險評估系統、方法及電子裝置 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106725326A (zh) * | 2016-12-28 | 2017-05-31 | 天津众阳科技有限公司 | 基于人体hrv测量的睡眠质量评估系统及方法 |
SG11202008455WA (en) * | 2018-03-02 | 2020-09-29 | Nitto Denko Corp | Method, computing device and wearable device for sleep stage detection |
TWI671057B (zh) * | 2018-08-20 | 2019-09-11 | 遠東新世紀股份有限公司 | 心跳週期的分析方法、裝置及系統 |
TWI733247B (zh) * | 2019-11-12 | 2021-07-11 | 國立勤益科技大學 | 阻塞性睡眠呼吸暫停症狀的偵測裝置和偵測方法 |
CN112244773B (zh) * | 2020-10-15 | 2023-01-24 | 上海我乐科技有限公司 | 睡眠质量监测装置、方法及床垫 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0341926A (ja) * | 1989-07-07 | 1991-02-22 | Matsushita Electric Works Ltd | 睡眠の状態変化検出装置および睡眠状態制御装置 |
US20050054940A1 (en) * | 2003-04-23 | 2005-03-10 | Almen Adam J. | Apparatus and method for monitoring heart rate variability |
CA2721154C (en) * | 2008-04-14 | 2017-01-24 | Itamar Medical Ltd. | Non-invasive method and apparatus for determining light-sleep and deep-sleep stages |
JP5628147B2 (ja) * | 2008-04-16 | 2014-11-19 | コーニンクレッカ フィリップス エヌ ヴェ | 睡眠/覚醒状態評価方法及びシステム |
CN103687540B (zh) * | 2011-05-17 | 2016-03-16 | 大学健康网络 | 使用记录的呼吸音振幅谱图和音高升降曲线诊断osa/csa |
EP2524647A1 (en) * | 2011-05-18 | 2012-11-21 | Alain Gilles Muzet | System and method for determining sleep stages of a person |
CN103892796A (zh) * | 2012-12-30 | 2014-07-02 | 青岛海尔软件有限公司 | 腕带式睡眠监测系统 |
TWM487053U (zh) * | 2014-03-28 | 2014-10-01 | zhe-jun Wang | 智慧型睡眠記錄裝置 |
CN103976717B (zh) * | 2014-04-15 | 2016-08-17 | 惠州市德赛工业研究院有限公司 | 一种多维度睡眠质量监测方法及系统 |
CN103961083A (zh) * | 2014-05-19 | 2014-08-06 | 南京物联传感技术有限公司 | 人体睡眠监护器 |
-
2014
- 2014-12-22 TW TW103144751A patent/TWI542322B/zh active
-
2015
- 2015-02-09 CN CN201510065050.2A patent/CN105982643B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI697912B (zh) * | 2018-10-30 | 2020-07-01 | 宏碁股份有限公司 | 生理狀態的風險評估系統、方法及電子裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN105982643A (zh) | 2016-10-05 |
TW201622641A (zh) | 2016-07-01 |
CN105982643B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI542322B (zh) | 睡眠事件偵測方法與系統 | |
US11445983B2 (en) | Non-invasive determination of disease states | |
US11147463B2 (en) | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device | |
WO2017193497A1 (zh) | 基于融合模型的智能化健康管理服务器、系统及其控制方法 | |
US11510607B2 (en) | Systems and methods for monitoring fetal wellbeing | |
WO2017040331A1 (en) | Determining sleep stages and sleep events using sensor data | |
Lee et al. | Smartwatch-based driver vigilance indicator with kernel-fuzzy-C-means-wavelet method | |
US20220175324A1 (en) | Computer-based prediction of fetal and maternal outcomes | |
Kwon et al. | Hybrid CNN-LSTM network for real-time apnea-hypopnea event detection based on IR-UWB radar | |
Asadi et al. | A computer vision approach for classifying isometric grip force exertion levels | |
CN114999646B (zh) | 新生儿运动发育评估系统、方法、装置及存储介质 | |
Kerr et al. | Human vital sign determination using tactile sensing and fuzzy triage system | |
Fang et al. | Physiological computing for occupational health and safety in construction: Review, challenges and implications for future research | |
US20230233123A1 (en) | Systems and methods to detect and characterize stress using physiological sensors | |
Chen et al. | A wearable physiological detection system to monitor blink from faint motion artifacts by machine learning method | |
Baran | Thermal imaging of stress: a review | |
TWI819792B (zh) | 基於腦波訊號之睡眠異常偵測方法與其裝置 | |
US20240206805A1 (en) | System for estimating uncertainty of overnight sleep parameters through a stochastic neural network and method of operation thereof | |
EP4388985A1 (en) | System for estimating uncertainty of overnight sleep parameters through a stochastic neural network | |
EP4385402A1 (en) | Hypnodensity-based sleep apnea monitoring system and method of operation thereof | |
WO2023286313A1 (ja) | 信号処理装置および方法 | |
US20230200746A1 (en) | System for acquisition and analysis of maternal and/or fetal physiological signals | |
Baradkar | Swati Shailesh Chandurkar, Paras Jain, Anuradha Thakare, and | |
Sung et al. | Trust function for multi-physiological signals fusion | |
Sweeney et al. | A Review of the State of the Art in Artifact Removal Technologies as used in an Assisted Living Domain |