TWI642025B - 快速評估中重度睡眠呼吸中止之方法 - Google Patents

快速評估中重度睡眠呼吸中止之方法 Download PDF

Info

Publication number
TWI642025B
TWI642025B TW106127313A TW106127313A TWI642025B TW I642025 B TWI642025 B TW I642025B TW 106127313 A TW106127313 A TW 106127313A TW 106127313 A TW106127313 A TW 106127313A TW I642025 B TWI642025 B TW I642025B
Authority
TW
Taiwan
Prior art keywords
sleep
blood pressure
person
fuzzy
index
Prior art date
Application number
TW106127313A
Other languages
English (en)
Other versions
TW201911210A (zh
Inventor
吳明峰
莊家峰
黃偉彰
溫志煜
張開明
Original Assignee
國立中興大學
臺中榮民總醫院
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 國立中興大學, 臺中榮民總醫院 filed Critical 國立中興大學
Priority to TW106127313A priority Critical patent/TWI642025B/zh
Application granted granted Critical
Publication of TWI642025B publication Critical patent/TWI642025B/zh
Publication of TW201911210A publication Critical patent/TW201911210A/zh

Links

Landscapes

  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本發明係包括一訓練組資料庫建立步驟、將訓練組資料庫中之資料依空間幾何分布進行分群步驟、各群之模糊關係規則建立步驟及實際評估步驟。依前述步驟，預先以M個訓練組員之其相關睡眠呼吸中止之生理指數建立資料庫。並依照已知身體質量指數、已知睡眠嗜睡問卷分數及已知血壓差值之空間幾何分布分割成N 個群，於N個群間建立N個模糊關係規則。同時配合已知的睡眠呼吸障礙指數，進行模糊關係規則參數最佳化學習。實際輸入待測者之複數個生理指數，其分別對應至N個模糊關係規則，進而加權計算得到一推估睡眠呼吸障礙指數。本案達到兼具推估之方式簡便，及準確性高足供相關醫事人員參考等優點。

Description

快速評估中重度睡眠呼吸中止之方法
本發明係有關一種快速評估中重度睡眠呼吸中止方法，尤指一種兼具推估之方式簡便，及準確性高足供相關醫事人員參考之睡眠呼吸中止嚴重度之評估方法。
睡眠呼吸中止(Obstructive sleep apnea，簡稱OSA)是呼吸道在睡眠時反覆阻塞所造成，患有中重度睡眠呼吸中止患者所產生的共病症與影響，如高血壓與嗜睡等更為嚴重，因此，更需要優先處理。標準的睡眠呼吸中止之嚴重度需要以整夜多項生理檢查(Polysomnygraphy，簡稱PSG)作為診斷依據，並根據睡眠呼吸障礙指數(apnea-hypopnea index，簡稱AHI)分為正常(＜5)，輕度(5-15)，中度(15-30)以及重度(＞30)；但PSG檢查要整晚在醫院檢查室實行，候檢時間較長且較多感測線在身上，會造成睡眠潛伏期(sleep latency)的延長。攜帶型如血氧濃度或配合其他感測線作為睡眠呼吸中止的篩檢方法雖然方便，但是仍需要整晚攜帶在身上，相當不便。 至於非侵入型的影像或攝影方式，會因為翻身而降低準確度。 另外，美國專利US7,720,696B1係利用問卷或BMI等變數，來作為預測睡眠呼吸中止，但題目多且準確度未被證實。 美國專利US2007/0265506A1雖然揭露提供睡眠呼吸中止預測機率，但仍須擷取整晚的血氧濃度值進行篩檢，相當不便。 特別是，若習知技術採用整晚之血氧濃度來做為判斷基礎之一，對使用者而言，十分不方便。 若習知技術採用單純的問卷或基本之BMI參數，準確性不足。 若習知技術採用單純的影像分析，也有準確性低之問題。 因此，為了能評估中重度睡眠呼吸中止，以提供優先診治的建議，有必要建立簡易取得之變數，而可用以建立預測的模式。 有鑑於此，必需研發出可解決上述習用缺點之技術。
本發明之目的，在於提供一種快速評估中重度睡眠呼吸中止之方法，其兼具推估之方式簡便，及準確性高足供相關醫事人員參考等優點。特別是，本發明所欲解決之問題係在於傳統睡眠呼吸中止之嚴重度需要以整夜多項生理檢查作為診斷依據，但候檢時間較長且較多感測線在身上等問題。 解決上述問題之技術手段係提供一種快速評估中重度睡眠呼吸中止之方法，其包括： 一．訓練組資料庫建立步驟； 二．將訓練組資料庫中之資料依空間幾何分布進行分群步驟； 三．各群之模糊關係規則建立步驟；及 四．實際評估步驟。 本發明之上述目的與優點，不難從下述所選用實施例之詳細說明與附圖中，獲得深入瞭解。 茲以下列實施例並配合圖式詳細說明本發明於後：
本發明係為一種快速評估中重度睡眠呼吸中止的方法，參閱第1圖，於開始後包括下列步驟： 一．訓練組資料庫建立步驟S1：如第2圖所示，選定複數個(例如120個或其他數量)訓練組員，該複數個訓練組員分別具有不同程度之睡眠呼吸障礙，該每一訓練組員係具有一病人代號(P1、P2、…、PN)及複數個生理變數，該複數個生理變數係包括身高X1、體重X2、已知睡眠嗜睡問卷分數(The Epworth Sleepiness Scale，簡稱ESS)X3、睡前血壓值X4、睡後血壓值X5，及由病歷查得之已知睡眠呼吸障礙指數(Apnea-hypopnea index，簡稱AHI)X6；將該身高X1及體重X2用以換算成一已知身體質量指數(Body mass index，簡稱BMI)Y1，該睡後血壓值X5減去該睡前血壓值X4而得到一已知血壓差值(DIFF)Y2，再以該複數筆病人代表(P1、P2、…、PN)、該複數筆已知身體質量指數(BMI)Y1、該複數筆已知睡眠嗜睡問卷分數(ESS)X3、該複數筆血壓差值(DIFF)Y2及該複數筆已知睡眠呼吸障礙指數(AHI)X6建立一訓練組資料庫10；其中，該睡前血壓及該睡後血壓均為收縮壓。 二．將訓練組資料庫中之資料依空間幾何分布進行分群步驟S2：該複數筆已知身體質量指數(BMI)Y1、該複數筆已知睡眠嗜睡問卷分數(ESS)X3、該複數筆血壓差值(DIFF)Y2及該複數筆已知睡眠呼吸障礙指數(AHI)X6，分別依照空間幾何分布，分割成N群(如第3圖所示，例如分為a、b、c、d、e、f，共6群)，其中N為大於等於2之正整數。 三．各群之模糊關係規則建立步驟S3：對該N群中的每一群，分別建立模糊關係規則，而可相對應得到N個模糊關係規則，每一模糊關係規則係包括三個輸入及一個輸出，該三個輸入係為該已知身體質量指數(BMI)Y1、該已知睡眠嗜睡問卷分數(ESS)X3及該血壓差值(DIFF)Y2；而該輸出係為該已知睡眠呼吸障礙指數(AHI)X6；其中，該每一模糊關係規則前件部之任一輸入，係對應到一個模糊歸屬函數，其橫軸為該輸入之值之區間，其縱軸為0至1之歸屬程度值。 四．實際評估步驟S4：當該N個模糊關係規則建立後，該訓練組資料庫10係用以輸入一待評估者之複數個生理變數，其包括待評估者身高、待評估者體重、待評估者睡前血壓值、待評估者睡後血壓值及待評估者睡眠嗜睡問卷分數。該待評估者身高與待評估者體重先被換算成一待評估者身體質量指數，該待評估者睡後血壓值減去該待評估者睡前血壓值而得到一待評估者血壓差值(DIFF)，利用該待評估者身體質量指數、待評估者睡眠嗜睡問卷分數及待評估者血壓差值，而可對應至N個模糊關係規則，進而再由該N個模糊關係規則之加權計算後得知一(待評估者)推估睡眠呼吸障礙指數。 實務上，於該二．將訓練組資料庫10中之資料依輸入空間幾何分布進行分群步驟S2中，假設有120個病人，則從這120個病人中，觀察其輸入空間之幾何分布，舉例如下： 已知身體質量指數(BMI)Y1分布於於15至40之間； 已知睡眠嗜睡問卷分數(ESS)X3分布於於0至24之間； 已知血壓差值(DIFF)Y2分布分布於於-25至+35之間。 此時，將比較集中的數據部份視為一群。以第一筆數據當第一群的中心點。當一組新的數據離現有的群中心點距離太遠時，則產生新的一群，並以此數據為此新群的中心點。如此可自動分群(舉例而言，如第3圖所示的a、b、c、d、e、f，共6群)。如第3圖僅為利用已知身體質量指數與嗜睡問卷兩個輸入共120個病人訓練資料來進行分群，此為舉例。實務上，當訓練資料較少時，分布範圍較窄，參閱第5圖，則也可分成四群(g,h,I,j)，或是當訓練資料較多時，則自動分成更多群。 於該三．各群之模糊關係規則建立步驟S3中，該每一個輸入變數上，其模糊歸屬函數的位置與形狀由群的位置與形狀來決定。當不同群在同一變數上的模糊歸屬函數很靠近時，則可以將模糊歸屬函數合併，以減少模糊歸屬函數的個數。如第3圖顯示，此6 群在該已知身體質量指數(BMI)Y1上，經由合併a、b 群產生的歸屬函數，以及合併c、d群產生的歸屬函數，最後產生4個歸屬函數(如第5圖所示的g、h、i、j群)。同樣的，在該已知睡眠嗜睡問卷分數(ESS)X3上，經由合併，亦產生4個模糊歸屬函數。若不合併的話，則各有6個歸數函數。 每條模糊關係規則的後件部為預測的睡眠呼吸障礙指數值 。此後件部參數 與前件部模糊歸屬函數的參數，可以經由該訓練資料庫10配合監督式學習求得最佳值。參數學習的作法為定義一個成本函數，接下來求取最佳參數以降低成本函數值。如第4圖所示。例如，此成本函數可以定義為模糊系統預測的睡眠呼吸障礙指數值與實際量測的睡眠呼吸障礙指數值的誤差平方。最佳化參數的求取，可以用梯度下降法，或採用遞迴最小平方法搭配梯度下降法求取。 如第6圖，由上述六個群之資料，建立下列六個模糊關係規則，其中，關於第一規則： 已知身體質量指數(BMI)之模糊代號為小(Small)，其峰值落在20.25，標準差為9.91； 已知睡眠嗜睡問卷分數(ESS) 之模糊代號為非常小(Very Small)，其峰值落在5.47，標準差為9.42； 已知血壓差值(DIFF) 之模糊代號為零(Zero)，其峰值落在0.73，標準差為9.79； 對應第一群之己知睡眠呼吸障礙指數(AHI)為6.9。 關於第二規則： 已知身體質量指數(BMI)之模糊代號為小(Small)，其峰值落在20.25，標準差為9.91； 已知睡眠嗜睡問卷分數(ESS) 之模糊代號為小(Small)，其峰值落在7.82，標準差為10； 已知血壓差值(DIFF) 之模糊代號為大負(Negative Large)，其峰值落在-32.92，標準差為5.54； 對應第二群之已知睡眠呼吸障礙指數(AHI)為12.1。 關於第三規則： 已知身體質量指數(BMI)之模糊代號為中(Moderate)，其峰值落在27.31，標準差為3.63； 已知睡眠嗜睡問卷分數(ESS) 之模糊代號為大(Large)，其峰值落在20.77，標準差為9.3； 已知血壓差值(DIFF) 之模糊代號為小負(Negative Small)，其峰值落在-4.6，標準差為8.22； 對應第三群之已知睡眠呼吸障礙指數(AHI)為13.8。 關於第四規則： 已知身體質量指數(BMI)之模糊代號為大(Large)，其峰值落在31.25，標準差為10； 已知睡眠嗜睡問卷分數(ESS) 之模糊代號為小(Small)，其峰值落在7.82，標準差為10； 已知血壓差值(DIFF) 之模糊代號為大正(Positive Large)，其峰值落在17.01，標準差為5.44； 對應第四群之已知睡眠呼吸障礙指數(AHI)為28.1。 關於第五規則： 已知身體質量指數(BMI)之模糊代號為中(Moderate)，其峰值落在27.31，標準差為3.63； 已知睡眠嗜睡問卷分數(ESS) 之模糊代號為中(Moderate)，其峰值落在8.74，標準差為2.47； 已知血壓差值(DIFF) 之模糊代號為大中(Positive Moderate)，其峰值落在7.06，標準差為6.01； 對應第五群之已知睡眠呼吸障礙指數(AHI)為39.5。 關於第六規則： 已知身體質量指數(BMI)之模糊代號為非常大(Very Large)，其峰值落在37.46，標準差為8.21； 已知睡眠嗜睡問卷分數(ESS) 之模糊代號為大(Large)，其峰值落在20.77，標準差為9.3； 已知血壓差值(DIFF) 之模糊代號為小正(Positive Small)，其峰值落在5.57，標準差為5.68； 對應第六群之已知睡眠呼吸障礙指數(AHI)為58.8。 關於本發明之使用方式： 假設有一使用者輸入身高、一體重、一睡前血壓值、一睡後血壓值、一已知睡眠嗜睡問卷分數之後，得到： 已知身體質量指數(BMI)=28.7 已知睡眠嗜睡問卷分數(ESS)=12 已知血壓差值(DIFF)=6 它可對應至前述六個規則之詳細運算如表一： 表一 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 項目 </td><td> 高斯歸屬程度值 </td><td> 激發強度值 </td><td> 佔比 </td><td> AHI </td><td> 單項加權 </td></tr><tr><td> BMI </td><td> ESS </td><td> DIFF </td></tr><tr><td> 第一規則 </td><td> 0.48 </td><td> 0.62 </td><td> 0.75 </td><td> 0.22 </td><td> 0.39 </td><td> 6.9 </td><td> 2.6 </td></tr><tr><td> 第二規則 </td><td> 0.48 </td><td> 0.84 </td><td> 0 </td><td> 0 </td><td> 0 </td><td> 12.1 </td><td> 0 </td></tr><tr><td> 第三規則 </td><td> 0.86 </td><td> 0.41 </td><td> 0.19 </td><td> 0.07 </td><td> 0.11 </td><td> 13.8 </td><td> 1.6 </td></tr><tr><td> 第四規則 </td><td> 0.94 </td><td> 0.84 </td><td> 0.02 </td><td> 0.01 </td><td> 0.03 </td><td> 28.1 </td><td> 0.8 </td></tr><tr><td> 第五規則 </td><td> 0.86 </td><td> 0.18 </td><td> 0.97 </td><td> 0.15 </td><td> 0.25 </td><td> 39.5 </td><td> 9.9 </td></tr><tr><td> 第六規則 </td><td> 0.32 </td><td> 0.41 </td><td> 0.99 </td><td> 0.13 </td><td> 0.22 </td><td> 58.8 </td><td> 13.2 </td></tr><tr><td> </td><td> 0.58 </td><td> 1.0 </td><td> </td></tr><tr><td> 六規則加權後 </td><td> 28.1 </td></tr></TBODY></TABLE>最後得到之已知睡眠呼吸障礙指數=28.1 將BMI、醒後與睡前之收縮壓差與睡眠嗜睡問卷分數等三項變數在訓練組對象中，透過分群與參數最佳化學習共得到六條法則，並得下列預測公式： 加權後 ； 　　其中： 　　r係為模糊關係規則之總數量； 為第k條模糊關係規則之後件部值(即AHI)，其係對應第N群之已知睡眠呼吸障礙指數； 為第k條模糊關係規則之激發強度值(即上述所有輸入變數歸屬程度值之相乘積)。 以上述表一為例： 加權後AHI= = = =28.1 　關於本案之準確率，本案係實測30人，其結果如表二： 表二 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 病人代號 </td><td> BMI </td><td> ESS </td><td> Diff1_S </td><td> 已知AHI(量出來的) </td><td> 預測的AHI </td><td> 正確性 </td></tr><tr><td> 216 </td><td> 28.7 </td><td> 12 </td><td> 6 </td><td> 79.2 </td><td> 28.1 </td><td> Y </td></tr><tr><td> 196 </td><td> 30.8 </td><td> 13 </td><td> 3 </td><td> 68.6 </td><td> 32.2 </td><td> Y </td></tr><tr><td> 39 </td><td> 29.4 </td><td> 9 </td><td> 9 </td><td> 49.4 </td><td> 33.1 </td><td> Y </td></tr><tr><td> 388 </td><td> 30.4 </td><td> 14 </td><td> 4 </td><td> 59.9 </td><td> 35.6 </td><td> Y </td></tr><tr><td> 218 </td><td> 36.5 </td><td> 19 </td><td> 15 </td><td> 93.4 </td><td> 35.4 </td><td> Y </td></tr><tr><td> 327 </td><td> 30.8 </td><td> 17 </td><td> 20 </td><td> 47.2 </td><td> 28.1 </td><td> Y </td></tr><tr><td> 133 </td><td> 31.1 </td><td> 19 </td><td> -1 </td><td> 40.2 </td><td> 27.6 </td><td> Y </td></tr><tr><td> 348 </td><td> 27.0 </td><td> 5 </td><td> 12 </td><td> 30.1 </td><td> 23.0 </td><td> Y </td></tr><tr><td> 248 </td><td> 26.2 </td><td> 10 </td><td> 3 </td><td> 35.6 </td><td> 22.2 </td><td> Y </td></tr><tr><td> 206 </td><td> 20.3 </td><td> 6 </td><td> -7 </td><td> 37 </td><td> 6.9 </td><td> N </td></tr><tr><td> 164 </td><td> 21.4 </td><td> 5 </td><td> 4 </td><td> 32.8 </td><td> 7.2 </td><td> N </td></tr><tr><td> 93 </td><td> 24.2 </td><td> 24 </td><td> 9 </td><td> 55.5 </td><td> 37.5 </td><td> Y </td></tr><tr><td> 329 </td><td> 29.8 </td><td> 14 </td><td> 8 </td><td> 17.6 </td><td> 37.5 </td><td> -Y </td></tr><tr><td> 443 </td><td> 25.6 </td><td> 7 </td><td> 9 </td><td> 24.8 </td><td> 25.5 </td><td> Y </td></tr><tr><td> 433 </td><td> 23.1 </td><td> 9 </td><td> 9 </td><td> 21.6 </td><td> 20.3 </td><td> -Y </td></tr><tr><td> 117 </td><td> 32.6 </td><td> 11 </td><td> 18 </td><td> 13.9 </td><td> 28.1 </td><td> N </td></tr><tr><td> 402 </td><td> 21.4 </td><td> 5 </td><td> -9 </td><td> 10.9 </td><td> 7.0 </td><td> Y </td></tr><tr><td> 438 </td><td> 32.4 </td><td> 6 </td><td> -7 </td><td> 12.7 </td><td> 7.7 </td><td> Y </td></tr><tr><td> 104 </td><td> 21.4 </td><td> 7 </td><td> -7 </td><td> 8 </td><td> 7.0 </td><td> Y </td></tr><tr><td> 244 </td><td> 23.6 </td><td> 12 </td><td> 0 </td><td> 5 </td><td> 9.4 </td><td> Y </td></tr><tr><td> 172 </td><td> 27.3 </td><td> 5 </td><td> -16 </td><td> 9.5 </td><td> 8.3 </td><td> Y </td></tr><tr><td> 446 </td><td> 34.5 </td><td> 6 </td><td> -21 </td><td> 5.8 </td><td> 9.9 </td><td> Y </td></tr><tr><td> 1 </td><td> 27.6 </td><td> 15 </td><td> 2 </td><td> 1 </td><td> 19.0 </td><td> N </td></tr><tr><td> 51 </td><td> 24.6 </td><td> 3 </td><td> -8 </td><td> 3.2 </td><td> 7.2 </td><td> Y </td></tr><tr><td> 310 </td><td> 22.5 </td><td> 14 </td><td> 7 </td><td> 1.3 </td><td> 11.3 </td><td> Y </td></tr><tr><td> 159 </td><td> 23.4 </td><td> 9 </td><td> 12 </td><td> 1.8 </td><td> 23.8 </td><td> N </td></tr><tr><td> 416 </td><td> 30.1 </td><td> 12 </td><td> -8 </td><td> 0 </td><td> 11.5 </td><td> Y </td></tr><tr><td> 60 </td><td> 22.1 </td><td> 17 </td><td> -1 </td><td> 0.7 </td><td> 10.1 </td><td> Y </td></tr><tr><td> 110 </td><td> 20.3 </td><td> 4 </td><td> -4 </td><td> 4.3 </td><td> 6.9 </td><td> Y </td></tr><tr><td> 4 </td><td> 26.3 </td><td> 4 </td><td> 1 </td><td> 2.8 </td><td> 7.8 </td><td> Y </td></tr></TBODY></TABLE>結論為，針對是否為中重度(即AHI是否＞=15)之預測，正確率=25/30=83.337%(準確度Ac)，即有超過八成之準確率，足供相關醫事人員參考。在實務上，此預測公式可以在身高體重計加入模組，當輸入血壓變化與睡眠嗜睡問卷分數即可作為快速評估；當然，在血壓計、睡眠陽壓呼吸器或者網頁上，也可以比照作為應用之範圍。 該加權計算公式計算後之待評估者睡眠呼吸障礙指數，係用以顯示於一體重計、一血壓計、一睡眠陽壓呼吸器、一網頁之介面其中至少一者。 本發明之優點及功效係如下所述： [1] 推估之方式簡便。由於本案不需採用整晚之血氧濃度來做為判斷基礎，只用了已知身體質量指數、已知睡眠嗜睡問卷分數及已知血壓差值三項，即可進行推估，相對簡易且方便。 [2] 準確性高足供相關醫事人員參考。本案先採用120人之資料來建立訓練組，再由此透過獨特之三項參數及模糊關係規則建立，而可快速估算出睡眠呼吸障礙指數，經過30人之驗證後，準確率超過八成，具有極高之參考價值。 以上僅是藉由較佳實施例詳細說明本發明，對於該實施例所做的任何簡單修改與變化，皆不脫離本發明之精神與範圍。
S1‧‧‧訓練組資料庫建立步驟
S2‧‧‧將訓練組資料庫中之資料依空間幾何分布進行分群步驟
S3‧‧‧各群之模糊關係規則建立步驟
S4‧‧‧實際評估步驟
P1、P2、PN‧‧‧病人代號
X1‧‧‧身高
X2‧‧‧體重
X3‧‧‧已知睡眠嗜睡問卷分數
X4‧‧‧睡前血壓值
X5‧‧‧睡後血壓值
X6‧‧‧已知睡眠呼吸障礙指數
Y1‧‧‧已知身體質量指數
Y2‧‧‧已知血壓差值
a、b、c、d、e、f、g、h、i、j、k‧‧‧群
10‧‧‧訓練組資料庫
第1圖係本發明之流程圖 第2圖係本發明之擷取M個訓練組員之生理指數之示意圖 第3圖係本發明之將訓練組資料庫中之資料依輸入空間幾何分布相關程度分群與建立歸屬函數之示意圖 第4圖係本發明之模糊關係規則建立與參數最佳化學習之示意圖。 第5圖係本發明之將訓練組資料庫中之部份資料依輸入空間幾何分布分群之示意圖。 第6圖係本發明之複數個模糊關係規則之示意圖

Claims (3)

  1. 一種快速評估中重度睡眠呼吸中止之方法，係包括： 一．訓練組資料庫建立步驟：選定複數個訓練組員，該複數個訓練組員分別具有不同程度之睡眠呼吸障礙，該每一訓練組員係具有一病人代號及複數個生理變數，該複數個生理變數係包括身高、體重、已知睡眠嗜睡問卷分數、睡前血壓值、睡後血壓值，及由病歷查得之已知睡眠呼吸障礙指數；將該身高及體重用以換算成一已知身體質量指，該睡後血壓值減去該睡前血壓值而得到一已知血壓差值，再以該複數筆病人代表、該複數筆已知身體質量指數、該複數筆已知睡眠嗜睡問卷分數、該複數筆血壓差值及該複數筆已知睡眠呼吸障礙指數建立一訓練組資料庫，其中，該睡前血壓及該睡後血壓均為收縮壓； 　二．將訓練組資料庫中之資料依空間幾何分布進行分群步驟：該複數筆已知身體質量指數、該複數筆已知睡眠嗜睡問卷分數、該複數筆血壓差值及該複數筆已知睡眠呼吸障礙指數，分別依照空間幾何分布，分割成N群，其中N為大於等於2之正整數； 　三．各群之模糊關係規則建立步驟：對該N群中的每一群，分別建立模糊關係規則，而可相對應得到N個模糊關係規則，每一模糊關係規則係包括三個輸入及一個輸出，該三個輸入係為該已知身體質量指數、該已知睡眠嗜睡問卷分數及該血壓差值；而該輸出係為該已知睡眠呼吸障礙指數；其中，該每一模糊關係規則前件部之任一輸入，係對應到一個模糊歸屬函數，其橫軸為該輸入之值之區間，其縱軸為0至1之歸屬程度值； 　四．實際評估步驟：當該N個模糊關係規則建立後，該訓練組資料庫係用以輸入一待評估者之複數個生理變數，其包括待評估者身高、待評估者體重、待評估者睡前血壓值、待評估者睡後血壓值及待評估者睡眠嗜睡問卷分數；該待評估者身高與待評估者體重先被換算成一待評估者身體質量指數，該待評估者睡後血壓值減去該待評估者睡前血壓值而得到一待評估者血壓差值，利用該待評估者身體質量指數、待評估者睡眠嗜睡問卷分數及待評估者血壓差值，而可對應至N個模糊關係規則，進而再由該N個模糊關係規則之加權計算後得知一推估睡眠呼吸障礙指數。
  2. 如申請專利範圍第1項所述之快速評估中重度睡眠呼吸中止之方法，其中，該N個模糊關係規則之加權計算係透過下列公式： 　加權後 ； 　其中： 　r係為模糊關係規則之總數量； 為第k條模糊關係規則之後件部值，其係對應第N群之已知睡眠呼吸障礙指數； 為第k條模糊關係規則之激發強度值。
  3. 如申請專利範圍第２項所述之快速評估中重度睡眠呼吸中止之方法，其中，該加權計算公式計算後之推估睡眠呼吸障礙指數，係用以顯示於一體重計、一血壓計、一睡眠陽壓呼吸器、一網頁之介面其中至少一者。
TW106127313A 2017-08-11 2017-08-11 快速評估中重度睡眠呼吸中止之方法 TWI642025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW106127313A TWI642025B (zh) 2017-08-11 2017-08-11 快速評估中重度睡眠呼吸中止之方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106127313A TWI642025B (zh) 2017-08-11 2017-08-11 快速評估中重度睡眠呼吸中止之方法

Publications (2)

Publication Number Publication Date
TWI642025B true TWI642025B (zh) 2018-11-21
TW201911210A TW201911210A (zh) 2019-03-16

Family

ID=65034337

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106127313A TWI642025B (zh) 2017-08-11 2017-08-11 快速評估中重度睡眠呼吸中止之方法

Country Status (1)

Country Link
TW (1) TWI642025B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109481205A (zh) * 2018-12-17 2019-03-19 南通大学附属医院 一种ai病房专用被服运送更换护理车

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI835213B (zh) * 2022-07-22 2024-03-11 國立中興大學 多重條件下進行睡眠呼吸中止嚴重度之估測方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050042589A1 (en) * 2003-08-18 2005-02-24 Hatlestad John D. Sleep quality data collection and evaluation
US20070032733A1 (en) * 2004-01-16 2007-02-08 David Burton Method and apparatus for ECG-derived sleep disordered breathing monitoring, detection and classification
US20070161913A1 (en) * 2004-03-31 2007-07-12 Michael Farrell Methods and apparatus for monitoring the cardiovascular condition of patients with sleep disordered breathing
TW201306799A (zh) * 2011-08-02 2013-02-16 Nat Univ Chung Hsing 辨識睡眠呼吸中止、咳嗽與氣喘之特徵的方法及其裝置
TW201436764A (zh) * 2013-03-20 2014-10-01 Jian-Zhang Xu 睡眠呼吸中止症睡眠品質評估裝置
CN104665834A (zh) * 2014-12-12 2015-06-03 天津大学 一种基于气垫床的睡眠呼吸信号采集装置
TW201709159A (zh) * 2015-08-18 2017-03-01 國立交通大學 自適性（ａｄａｐｔｉｖｅ）生理反應之參數預測方法及其預測裝置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050042589A1 (en) * 2003-08-18 2005-02-24 Hatlestad John D. Sleep quality data collection and evaluation
US20070032733A1 (en) * 2004-01-16 2007-02-08 David Burton Method and apparatus for ECG-derived sleep disordered breathing monitoring, detection and classification
US20070161913A1 (en) * 2004-03-31 2007-07-12 Michael Farrell Methods and apparatus for monitoring the cardiovascular condition of patients with sleep disordered breathing
TW201306799A (zh) * 2011-08-02 2013-02-16 Nat Univ Chung Hsing 辨識睡眠呼吸中止、咳嗽與氣喘之特徵的方法及其裝置
TW201436764A (zh) * 2013-03-20 2014-10-01 Jian-Zhang Xu 睡眠呼吸中止症睡眠品質評估裝置
CN104665834A (zh) * 2014-12-12 2015-06-03 天津大学 一种基于气垫床的睡眠呼吸信号采集装置
TW201709159A (zh) * 2015-08-18 2017-03-01 國立交通大學 自適性（ａｄａｐｔｉｖｅ）生理反應之參數預測方法及其預測裝置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109481205A (zh) * 2018-12-17 2019-03-19 南通大学附属医院 一种ai病房专用被服运送更换护理车
CN109481205B (zh) * 2018-12-17 2020-07-17 南通大学附属医院 一种ai病房专用被服运送更换护理车

Also Published As

Publication number Publication date
TW201911210A (zh) 2019-03-16

Similar Documents

Publication Publication Date Title
RU2604701C2 (ru) Способ и устройство для мониторинга движений и дыхания множества субъектов в общей кровати
JP6084953B2 (ja) コンテンツ評価システム及びそれを用いたコンテンツ評価方法
Pouyan et al. A pressure map dataset for posture and subject analytics
Mori et al. Colored 3-dimensional analyses of respiratory resistance and reactance in COPD and asthma
Eastwood et al. Predicting sleep apnea from three-dimensional face photography
WO2017018504A1 (ja) 生体状態判定装置及び生体状態判定方法
Motamedi-Fakhr et al. Tidal breathing patterns derived from structured light plethysmography in COPD patients compared with healthy subjects
JP6433805B2 (ja) 運動機能診断装置及び方法、並びにプログラム
CN106999097A (zh) 用于评估受试者中的慢性阻塞性肺疾病copd严重度的装置和方法
Kwasnicki et al. A lightweight sensing platform for monitoring sleep quality and posture: A simulated validation study
Motamedi‐Fakhr et al. Evaluation of the agreement of tidal breathing parameters measured simultaneously using pneumotachography and structured light plethysmography
US10682090B2 (en) Sensing device for controlling the delivery of care to immobile patients
TWI642025B (zh) 快速評估中重度睡眠呼吸中止之方法
CN116246778B (zh) 一种肺功能检测智能诊断平台
Elphick et al. Exploratory study to evaluate respiratory rate using a thermal imaging camera
Strang et al. Measures of respiratory inductance plethysmography (RIP) in children with neuromuscular disease
CN116848587A (zh) 用于基于身体图像确定睡眠分析的系统和方法
Smith et al. A 3D machine vision method for non‐invasive assessment of respiratory function
Boiko et al. Monitoring of cardiorespiratory parameters during sleep using a special holder for the accelerometer sensor
KR20140057867A (ko) 열화상을 이용한 스트레스 지수 측정 시스템
TWI593383B (zh) 判斷疼痛緩解程度之方法及其裝置
JP7250173B2 (ja) 呼吸停止検知システム、呼吸停止の検知方法、コンピューティング機器、回帰モデルの構築方法、及び計算機が読み取り可能な記録媒体
Kwon et al. Characterization of lung-to-finger circulation time in sleep study assessment: the Multi-Ethnic Study of Atherosclerosis
KR102405320B1 (ko) 근감소증 진단장치 및 진단방법
Sul et al. Dynamics of the tracheal airway and its influences on respiratory airflows: An exemplar study