TWI742903B - 醒睡狀態活動量判別之系統及方法 - Google Patents
醒睡狀態活動量判別之系統及方法 Download PDFInfo
- Publication number
- TWI742903B TWI742903B TW109137920A TW109137920A TWI742903B TW I742903 B TWI742903 B TW I742903B TW 109137920 A TW109137920 A TW 109137920A TW 109137920 A TW109137920 A TW 109137920A TW I742903 B TWI742903 B TW I742903B
- Authority
- TW
- Taiwan
- Prior art keywords
- activity
- sleep
- wake
- time
- analysis
- Prior art date
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一種醒睡狀態活動量判別之系統及方法,其系統包含:一動作偵測裝置、一傳輸訊號器以及一伺服器,該動作偵測裝置具有無線傳輸之資料緩衝裝置功能,可接收及暫存該動作偵測裝置所量測之活動量數據,並轉換該活動量數據為一可傳送訊號,如射頻(RF)訊號,該訊號由動作偵測裝置中的接收轉換模組傳送到傳輸訊號器,再由傳輸訊號器連線到伺服器,該伺服器再將該訊號還原成活動量數據後進行活動量分析,本發明可應用於不同疾病(如:睡眠障礙、注意力不足過動症)診斷與療效追蹤。
Description
本發明係為一種醒睡狀態活動量判別之系統及方法,特別是用在需要長期和客觀的收集生理資訊(如:活動量、睡眠型態)來進行分析的醫療診斷(如:睡眠障礙及注意力不足過動症),並可應用於不同疾病的療效追蹤。
注意力不足過動症(Attention-deficit hyperactivity disorder,ADHD)是最流行的兒童精神疾病之一,台灣ADHD盛行率約為7.5%,國外估計約為7.2%(95%信賴區間:6.7-7.8%)。主要的表現是注意力不足、缺乏組織、坐立不安、衝動以及過動,這些症狀會干擾兒童在社交方面的能力發展。且在整個病程中約有33-66%的案例,中等程度的症狀會一直持續到成年期,ADHD較常發生在男生身上,男女生的比例約是2:1~10:1。因為不少ADHD患者(尤其是女生)並無過動症狀,甚至是非常安靜也沒有破壞性,而過去對此症狀的認識多集中在過動症狀上,使得這類不過動的患者較少被診斷出來,如此可能存在診斷不足以及衍生治療不足的問題。
根據精神障礙的診斷和統計手冊第五版(DSM-5),臨床診斷、評估方法,列出ADHD症狀至少要在一個診斷類別中擁有六個測試項目(成人至少五項),而且這些病徵必須出現在12歲之前,並必須持續至少六個月以上且其病徵程度要高於多數同年齡層之同儕。
先前已有研究將近年常用的活動計與多頻道睡眠生理紀錄儀(PSG)的睡眠參數相比較,發現在總睡眠時間(TST)上的相關性極高。另研究發現,使用活動計評估睡眠會比填寫日誌的可信度要高。但有研究指出活動計會高估總睡眠時間(TST)與低估睡眠延遲期(SL);再者,使用主觀測量的研究(如父母填寫的睡眠問卷)發現,與正常發育兒童相比,患有ADHD的兒童有更多的睡眠障礙。另一方面,使用客觀測量(如PSG和活動計)的研究與主觀測量會有不一致的結果,比如在異質性差異的結果上有可能是由於患者使用藥物或睡眠的夜間變化產生的差異。
進一步而言,越來越多類似的神經發育障礙疾病的症狀特徵非常相似,使得醫師不易作出診斷注意力不足過動症的判斷,因此可能造成延誤最佳的治療時機。而注意力不足過動症兒童比起正常兒童會有明顯的過動行為差異,在醫學診斷上藉由活動計量測記錄可做為醫師評估兒童過動的方法,然而,市面上的活動計產品多數並未經過嚴謹的臨床驗證以及相關的醫療認證,故無法得到醫護人員的信任,而且目前無法廣泛應用在病患身上進行長期、無遺漏和客觀的活動量信號監測。
由於目前市售通過醫療認證量測睡眠的活動計相對高價位,讓醫師及使用者無法輕易使用在神經發展障礙者身上,讓客觀評估工具的使用受限,故開發較低價位活動計硬體及搭配較準確的演算法,以達到PSG等級的評估睡眠參數的客觀工具卻有其必要性。如何開發價格適宜並準確蒐集相關客觀生理參數紀錄的活動計工具,並協助醫師在臨床診斷和療效追蹤,以期達到精準診斷及精準治療目的是目前業界需解決的問題。
過去開發對神經發展障礙者的各式量測產品,會因為價位高、資料遺失及容易遭到破壞而在使用上會受到限制,故目前臨床上診斷是否患有ADHD還是要靠專業醫師針對症狀進行問診,並非針對患者本身進行客觀評估。為解決上述問題,本研究開發出便宜、方便且具有優良鑑別度的診斷工具,提供臨床醫師另一種評估方法,讓患有ADHD兒童及早被診斷出並進行治療。
在本發明中,使用五項主觀評估工具,評估ADHD患者與健康者兩組受測者臨床症狀表現及日常生活與睡眠行為特徵,包括:失眠量表(Insomnia Severity Index-Chinese version,ISI-C)、兒童睡眠行為問卷(Children's Sleep Habits Questionnaire,CSHQ)、兒童活動及過動行為篩檢表(SNAP-IV)及睡眠日誌。以及兩項客觀評估工具評估兩組受測者睡眠行為特徵與睡眠指標,包括:本發明所開發之活動計(Xenon
Actimeter-2)及微型多頻道睡眠生理記錄儀(PSG);評估睡眠指標分別為:躺床時間(TIB)、總睡眠時間(TST)、睡眠延遲期(SL)、睡眠效率(SE)、入睡後清醒時間(WASO)以及躺床時間時總活動量(PA)。
在本發明中,主觀問卷及客觀睡眠參數數據以平均值±標準差(mean±SD)表示。本發明第一階段以睡眠參數,驗證使用皮爾森相關係數(Pearson correlation coefficient)來評估活動計(Xenon Actimeter-2)及微型多頻道睡眠生理紀錄儀(PSG),所分析出的睡眠參數間相關性程度及同時效度(concurrent validity);再使用布蘭德-奧特曼圖(Bland-Altman plot)評估XA-2演算法及TD3演算法所分析出的睡眠參數間的一致性;接著使用獨立樣本t檢定XA-2及TD3所分析出的睡眠參數差值與0之間的差異性。而第二階段為ADHD分析採用兩樣本(two-sample t test)檢定健康與ADHD受測者主觀問卷與客觀睡眠參數是否能區辨兩組受測者;接著利用二元羅吉斯回歸分析XA-2及TD3,所分析的睡眠參數當作自變量求得回歸方程式,評估兩組受測者的準確度、敏感度及與特異度;最後使用接收者操作特徵曲線(ROC)的曲線下方的面積(AUC)評估演算法區別健康與ADHD受測者的區辨效度(discriminant validity)。
本發明第一階段,由10位21歲到26歲的成年受測者配戴PSG並請睡眠技師以美國睡眠醫學會(American Academy of Sleep Medicine,AASM)睡眠判讀所分析出的睡眠參數,PSG及其演算法TD3分別與本實驗室開發的活動計及演算法XA-2
所分析出的睡眠參數採用皮爾森(Pearson)相關係數分析相關性程度及同時效度。
如【圖12】所示,由XA-2與TD3於TST、SE、SL及WASO睡眠參數間的關係。而XA-2與TD3間存在線性關係,根據常態性檢定(Shapiro-Wilk)檢驗符合常態分配(p>0.05),並且不存在異常值。XA-2與TD3間於TST、SE、SL及WASO存在高度正相關r=0.943、r=0.815、r=0.835及r=0.812(TST、SE、SL及WASO,且p<0.01),表示具有同時效度。XA-2分別能夠解釋89%、66%、70%及66%的TD3變異於TST、SE、SL及WASO參數。
如【圖13】所示,由XA-2所分析結果與TD3進行TST參數比較,分析結果顯示,於XA-2的點在95%一致性界限以內,且XA-2之差值平均2.52分鐘較接近於0,且95%信賴區間(差值平均±1.96*標準差)之範圍小(-18.09分鐘至23.13分鐘),代表XA-2與TD3判讀之TST具一致性。SE參數比較結果顯示於XA-2的點皆在95%一致性界限以內,且XA-2之差值平均0.60%趨近於0,且95%信賴區間之範圍小(-4.17%至5.36%),代表XA-2與TD3判讀之SE具一致性。WASO參數比較結果顯示,於XA-2的點皆在95%一致性界限以內,且XA-2之差值平均-5.29分鐘較接近於0,且95%信賴區間之範圍小(-26.24分鐘至15.66分鐘),代表XA-2與TD3判讀之WASO具一致性。SL參數比較結果顯示,於XA-2的點皆在95%一致性界限以內,且XA-2之差值平均-2.65分鐘接近於0,且95%信賴區間之範圍小(-9.06至3.76),代表XA-2與TD3判讀之SL一致性。
如【圖14】所示,XA-2與TD3之TST相差2.52分鐘,TST的差異值為正數,代表XA-2分析TST的結果會低於TD3黃金標準。而XA-2與TD3之SE相差0.60%,SE的差異值為正數,代表XA-2分析SE的結果會低於TD3黃金標準。於XA-2與TD3之SL相差-2.65分鐘,SL的差異值為負數,代表XA-2分析SL的結果會高於TD3黃金標準,其中以XA-2的差值顯著大於TD3(p<0.05)。最後XA-2與TD3之WASO相差-5.29分鐘,WASO的差異值為負數,代表XA-2分析SL的結果會高於TD3黃金標準。
如表(1)所示,第一階段XA-2所分析之TST為400.95±30.84分鐘、SE為91.21±4.17%、SL為7.36±5.94分鐘以及WASO為36.38±18.31分鐘;而TD3所分析之TST為400.95±30.84分鐘、SE為91.81±3.20%、SL為4.71±4.99分鐘以及WASO為31.09±14.49分鐘。比較XA-2與TD3的相關性具有一致性。
本發明第二階段,如表(2)所示,各睡眠參數以獨立樣本t檢定之結果,分別有8位健康及10位ADHD受測者包含在
本次分析中,健康受測者TIB(533.12±35.28分鐘)及ADHD受測者TIB(513.53±58.69分鐘),平均數相等t檢定於兩組間達顯著差異(t=2.416,p<0.05),表示相同年齡、身高及體重健康受測者TIB時間顯著高於ADHD受測者。由95%差異數的信賴區的上、下限未含0,即兩組TIB不可能相等。
接著由XA-2分析顯示兩組受測者在TST(416.47±56.77分鐘及354.95±67.36分鐘)及SE(77.89±9.80%及71.14±10.60%),且t檢定於TST(t=4.211)及SE(t=3.396)於兩組間達顯著差異,表示相同年齡、身高及體重健康受測者TST及SE顯著高於ADHD受測者(p<0.05)。而其他睡眠參數在兩組受測者於SL(12.55±14.74分鐘及23.05±17.97分鐘)、WASO(102.63±55.02分鐘及125.52±55.81分鐘)及PA(20.29±8.30G及26.16±11.32G),且t檢定於SL(t=-3.244)、WASO(t=-2.134)及PA(t=-2.676)皆達顯著差異(p<0.05),表示健康受
測者SL及WASO及PA顯著低於ADHD受測者。各睡眠參數95%差異數的信賴區的上、下限未含0,即兩組之TST、SE、SL、WASO及PA間不可能相等,如表(2)所示。
如表(3)、(4)所示,採用二分類羅吉斯(Logistic)回歸評估XA-2所分析出TST、SE、SL、WASO及PA等自變量對受測者患有ADHD的影響。
XA-2回歸方程式:ADHD指標=-26.04-0.053*TST+0.485*SE+0.135*SL+0.066*WASO+0.06*PA
最終,得到的Logistic模型具有統計學意義(χ 2(5)=63.114,p<0.001)。該模型解釋了患有ADHD的58.5%變異(Nagelkerke R2),並能夠正確分類88.9%的受測者,模型的敏感度為90.0%,特異度為87.5%,陽性值為90.0%,陰性值為87.5%。模型納入的五個自變量中,TST及SL這兩個變量有統計學意義(p<0.01)。TST每減少1分鐘,患有ADHD的風險增加5.5%;SL每增加1分鐘,患有ADHD的風險增加14.4%。
如【圖15】所示,由前述二元羅吉斯回歸分析相同年齡、身高及體重受測者由本發明所開發的活動計及演算法XA-2所分析出的客觀睡眠參數及所得到之回歸方程式,帶入後得到之ADHD風險分數後進行ROC分析。其中XA-2回歸方程式的ROC面積大(AUC=0.961),屬於優良的鑑別度診斷工具,95%信賴區間為(0.856-1.000),且皆顯著大於AUC=0.5的參考線(p<0.01)。
本發明在第一階段已驗正出活動計及演算法XA-2,與睡眠PSG黃金標準測量並經睡眠技師判讀後的睡眠參數具有高度相關性、同時效度及一致性。
本發明在第二階段發現ADHD組兒童總睡眠時間及睡眠效率會顯著低於健康組,而睡眠延遲時間、入睡清醒時
間及活動量會顯著高於健康組,與過去研究發現到一致的結果,但這些研究並沒有探討活動量參數。透過實驗室開發活動計及演算法分析的睡眠參數並能夠正確分類88.9%的ADHD與健康兒童受測者,屬於優良的鑑別度診斷工具,為臨床醫師提供另一種可靠的客觀ADHD睡眠問題診斷方式。且這些驗證方法將來可用於其他疾病及健康人的診斷上應用。
緣是,為解決上述問題達到上述目的,本發明經長時間之設計與開發,進而完成「活動量判別之系統和方法」。
100:活動量判別之系統
110:動作偵測裝置
111:三軸加速計
112:資料緩衝裝置
1121:接收發送器
1122:記憶體模組
1123:無線輸出裝置
1124:微處理器模組
113:電力單元
120:傳輸訊號器
130:伺服器端
131:接收轉換模組
132:分析模組
133:儲存模組
S201~S208:用於量測注意力不足過動症的流程圖步驟
S301~S308:睡眠時間與清醒時間判斷流程圖步驟
【圖1】用於量測活動量的系統方塊圖。
【圖2】資料緩衝裝置的模組方塊圖。
【圖3】用於量測活動量的流程圖。以及
【圖4】睡眠時間與清醒時間判斷流程圖。
【圖5】醒睡狀態波形示意圖。
【圖6】躺床時間(TIB)活動量示意圖。
【圖7】睡眠延遲期(SL)活動量示意圖。
【圖8】入睡後清醒時間(WASO)活動量示意圖。
【圖9】總睡眠時間(TST)活動量示意圖。
【圖10】睡眠效率(SE)活動量示意圖。
【圖11a】、【圖11b】日間活動量分析流程示意圖。
【圖12】成年受測者經兩種演算法判讀睡眠參數與黃金標準多頻道睡眠生理記錄儀比較之示意圖。
【圖13】以Bland-Altman plot分析法進行成年受測者經演算法判讀睡眠參數與黃金標準多頻道睡眠生理記錄儀比較之一致性示意圖。
【圖14】成年受測者經兩種演算法判讀睡眠參數與黃金標準多頻道睡眠生理記錄儀所分析之睡眠參數差異值示意圖。
【圖15】比較健康與ADHD受測者的接收者操作特徵曲線(ROC)及曲線下方的面積(AUC)示意圖。
為使本發明的目的、技術方案和優點更加清楚明瞭,下面結合具體實施方式並參照附圖,對本發明進一步詳細說明。應該理解,這些描述只是示例性的,而並非要限制本發明的範圍。
請參照【圖1】所示,其係本發明醒睡狀態活動量判別之方法用於量測注意力不足過動症的系統方塊圖,其一具活動量判別之系統100中包含:一動作偵測裝置110、一傳輸訊號器120以及一伺服器端130。
本發明醒睡狀態活動量判別之方法,其中該動作偵測裝置110包含:一三軸加速計111,該三軸加速計111用以測得一受測者在其三個坐標軸上的分量,其三個坐標軸依時間段分別產生一X值、一Y值、一Z值之複數個連續數據;一資料緩衝裝置112,該資料緩衝裝置112利用無線資料緩衝器技術(RFDB),實現無線資料緩衝,無線電通暢就傳輸,不通暢就暫存;以及一電力單元113,該電力單元113提供該動作偵測裝置110工作所需電力。
該傳輸訊號器120可為手持裝置(含無線網路)或無線路由器(Router),該傳輸訊號器120可無損失的將數據傳送到該伺服器端130。
該伺服器端130包含:一接收轉換模組131,該接收轉換模組131用以接收該傳輸訊號器120傳送之該複數個連續數據並將該些個連續數據轉換成一活動量數據;一分析模組132,該分析模組132係以該活動量數據定義出一清醒區間和
一睡眠區間,並進一步採用一標準睡眠分析方式、一日夜節律分析方式及一日間活動量分析方式,三種分析方式進行分析;以及一儲存模組133,該儲存模組133係以電性連接於該分析模組132,用以儲存分析後之該活動量數據和分析結果。
本發明醒睡狀態活動量判別之方法,其中該動作偵測裝置110之該資料緩衝裝置112如【圖2】所示包含:一接收發送器1121,該接收發送器1121持續接收該三軸加速計111量測該受測者的該活動量數據;一記憶體模組1122,該記憶體模組1122耦接該接收發送器1121,儲存接收該活動量數據,當無線通訊無法傳輸時,能暫時儲存該活動量數據,避免該活動量數據遺漏;一微處理器模組1124,該微處理器模組1124耦接該記憶體模組1122和該無線輸出裝置1123,當該記憶體模組1122內存有該活動量數據時,將其轉換該活動量數據為一可傳送訊號,如射頻(RF)訊號;以及一無線輸出裝置1123,該無線輸出裝置1123用以建立無線連結,並以一無線方式對該傳輸訊號器120傳送該可傳送訊號,該微處理器模組1124控制該無線輸出裝置1123來建立無線連結。
本發明醒睡狀態活動量判別之方法,其中該動作偵測裝置110可以是但不僅是手錶、戒指、手環、項鍊或耳垂。
本發明醒睡狀態活動量判別之方法,其中該傳輸訊號器120,能接收該動作偵測裝置110之該資料緩衝裝置112之該無線輸出裝置1123傳送之輸出訊號,如射頻(RF)訊號,之後再將訊號傳輸至該伺服器端130之該接收轉換模組131。
請參照【圖3】所示,其係本發明醒睡狀態活動量判別
之方法用於量測注意力不足過動症的流程圖,其步驟如下:
步驟1如【圖3】S201所示,設定該受測者之一上床時間(Light off)、一起床時間(Light on)及該三軸加速計111的一分析單位(epoch),本實施例中該分析單位(epoch)設為10秒。
步驟2,S202所示,該三軸加速計111偵測該受測者之該X值、該Y值、該Z值之該些個連續數據,該些個連續數據以50Hz進行取樣,每該分析單位(epoch)做一次運算並記錄一活動量
步驟3,S203所示,該微處理器模組1124將其轉換該活動量數據為該可傳送訊號,如射頻(RF)訊號,該微處理器模組1124並控制該無線輸出裝置1123來建立無線連結,如S204所示,當無線通訊連結成功時,該微處理器模組1124控制該無線輸出裝置1123將該可傳送訊號藉由該傳輸訊號器120傳送到該伺服器端130,如S205所示。
步驟3-1,S206所示,當無線通訊無法連結或傳送失敗時,該微處理器模組1124將該可傳送訊號儲存於該記憶體模組1122中避免該可傳送訊號數據遺漏,待無線通訊連結時即將該可傳送訊號數據傳送到該伺服器端130。
步驟4,S207所示,該伺服器端130之該接收轉換模組131,將該可傳送訊號數據,如射頻訊號,還原成該活動量數據。
步驟5,S208及【圖4】S301所示,該分析模組132取10秒鐘活動量為一個分析單位(1epoch=10秒鐘),S302加總前後
12個epoch加上目前epoch(共23個epoch)為一加總活動量,判斷該加總活動量是否大於45mG,並將45mG定為一閾值(threshold)。S303當23個epoch加總活動量<45mG,則此epoch判定為一睡眠epoch;S304當23個epoch加總活動量45mG,則此epoch判定為一清醒epoch;S305接著當判為該睡眠epoch連續出現18epoch(180秒)則這段時間皆判為一睡眠時間(睡/Sleep)如S306,反之則為一清醒時間(醒/Wake)如S307。如【圖5】所示為一較佳實施例,由該三軸加速計111偵測一時間區間並計算出該活動量之一活動量波形,經由上述該閾值判斷換算後呈現出一醒睡狀態波形。
步驟6,如【圖5】至【圖10】所示,將分析的數據歸納為,一躺床時間(TIB)、一睡眠延遲期(SL)、一入睡後清醒時間(WASO)、一總睡眠時間(TST)、一睡眠效率(SE)以及該躺床時間時一總活動量(PA)。該TIB係指從Light off至Light on時間段如【圖6】所示,該SL係指從Light off至首次Sleep時間段如【圖7】所示,該WASO係指從Light off至Light on時間段中間清醒時間總和如【圖8】所示,該TST係指從Light off至Light on時間段中間睡著時間總和如【圖9】所示,該SE係指從Light off至Light on時間段中,將入睡後該清醒時間(WASO)/該總睡眠時間(TST)如【圖10】所示,該PA係指將該躺床時間所有活動量進行加總。
步驟7,採用一二分類Logistic回歸評估一XA-2所分析出該TST、該SE、該SL、該WASO及該PA等自變量;XA-2回歸方程式:
ADHD指標=-26.04-0.053*TST+0.485*SE+0.135*SL+0.066*WASO+0.06*PA該TST每減少1分鐘,患有一ADHD的指標增加5.5%;該SL每增加1分鐘,患有該ADHD的指標增加14.4%。
本發明一較佳實施例如【圖11a】、【圖11b】所示,該日間活動量分析方式,於上述實施例當中可擷取某特定時間段進行分析,本實施例從4~5日非假日資料中,擷取每日9:00~16:00時間段之活動量波形,再以單筆活動量每5mg(0~5mg、6~10mg、11~15mg、16~20mg......)做為區間,進行不同區間活動量出現次數的加總,該活動量由小到大排序成一單筆活動量次數分佈圖;最後將4~5筆的該單筆活動量次數分佈圖加總平均後,得到1筆一位受測者的一平均活動量次數分佈圖。
該受測者可分別以不同族群進行分類,分類為健康組(Control)、ADHD治療組(ADHD treatment)、ADHD未治療組(ADHD non-treatment)來進行統計分析。
記錄多種分析方式呈現活動量結果;該結果用於治療注意力不足過動症的應用,並使用該伺服器端130的該儲存模組133儲存該活動量結果供查詢和追蹤。
本發明之最佳實施例中該伺服器端130係為一雲端伺服器,該雲端伺服器內存有該睡眠分析方式、該日間活動量分析方式,且所有分析方式之結果連結一輸出裝置,該輸出裝置可以是但不僅是網頁、App、報表方式來呈現。
本發明之另一實施例中藉由該活動量(A)可計算出一
睡眠消耗卡洛里(EE),該睡眠消耗卡洛里進一步搭配該醒睡狀態波形讓患有該ADHD指標更明顯,該睡眠消耗卡洛里計算公式:EE=1.650*10-4A+0.053
本發明實施例之執行步驟可以寫成軟體程式,軟體程式可以儲存於任何微處理單元可以辨識、解讀之記錄媒體,或包含有上述紀錄媒體之物品及裝置。不限定為任何形式,上述物品可以為硬碟、軟碟、光碟、ZIP、磁光裝置(MO)、IC晶片、隨機存取記憶體(RAM),或任何熟悉此項技藝者所可使用之包含有上述紀錄媒體之物品。
應當理解的是,本發明的上述具體實施方式僅僅用於示例性說明或解釋本發明的原理,而不構成對本發明的限制。因此,在不偏離本發明的精神和範圍的情況下所做的任何修改、等同替換、改進等,均應包含在本發明的保護範圍之內。此外,本發明所附權利要求旨在涵蓋落入所附權利要求範圍和邊界、或者這種範圍和邊界的等同形式內的全部變化和修改例。
100:活動量判別之系統
110:動作偵測裝置
111:三軸加速計
112:資料緩衝裝置
113:電力單元
120:傳輸訊號器
130:伺服器端
131:接收轉換模組
132:分析模組
133:儲存模組
Claims (8)
- 一種醒睡狀態活動量判別之方法,其方法如下:a1.由一伺服器端設定一分析單位、一醒睡時間之各種時間段,及一閾值;a2.一接收轉換模組取得一動作偵測裝置之一三軸加速計偵測一受測者的複數個連續數據,將該分析單位內該些個連續數據計算成的一活動量,將該醒睡時間切分成N個分析單位並依時間續排列,而後計算成N個活動量數據;a3.一分析模組,將第n個分析單位之第n個活動量向前加總C個分析單位之複數個活動量及向後加總C個分析單位之該些個活動量,而得到一第n個加總活動量;a4.進一步,該分析模組判斷該第n個加總活動量若是大於等於該閾值,則第n個分析單位標註為一清醒分析單位,若小於該閾值,則標註為一睡眠分析單位;a5.重複步驟a3,一直到該些個分析單位均被歸類到該清醒分析單位或清醒分析單位為止;a6.進一步,該分析模組判定當該睡眠分析單位連續出現時長大於等於B個分析單位時,則這段時間皆定義為一睡眠時間,反之則定義為一清醒時間;以及a7.依該睡眠時間、該清醒時間及時間序,輸出一醒睡狀態波形;該醒睡狀態波形進一步可區分為一躺床時間(TIB)、一睡眠延遲期(SL)、一入睡後清醒時間(WASO)、一總睡眠時間(TST)、一睡眠效率(SE)以及該躺床時間時一總活動量(PA); 該躺床時間、該總睡眠時間、該睡眠效率、該睡眠延遲期、該入睡後清醒時間及該總活動量自變量採用一二分類羅吉斯回歸(Logistic)評估分析一ADHD指標:ADHD指標=-26.04-0.053*TST+0.485*SE+0.135*SL+0.066*WASO+0.06*PA;該ADHD指標可得到TST變量與患有一ADHD的風險呈現負相關;另該SL變量與患有該ADHD的風險呈現正相關。
- 如申請專利範圍第1項所述之醒睡狀態活動量判別之方法,該分析模組進一步採用一日間活動量分析方式,其方法如下:b1.該分析模組擷取複數個天數與複數個時間段之複數個活動量波形;b2.該些個活動量波形以一固定量mG做為一取樣區間,而形成複數個活動量區間波形;b3.該分析模組依該些個活動量區間內的活動量波形出現次數進行次數加總;b4.將單天內的該些個活動量區間次數加總後,由小到大排序成一單筆活動量次數分佈圖;以及b5.將該些個天數複數筆單筆活動量次數分佈圖進行加總平均,得到一受測者的一平均活動量次數分佈圖。
- 如申請專利範圍第1項所述之醒睡狀態活動量判別之方法,該動作偵測裝置包含:一加速計,用以測得該受測者在其坐標軸上之該些個連續數據分量;一資料緩衝裝置,該資料緩衝裝置利用無線資料緩衝器技術(RFDB),實現無 線資料緩衝或傳輸。
- 如申請專利範圍第4項所述之醒睡狀態活動量判別之方法,該活動量(A)可計算出一睡眠消耗卡洛里(EE)EE=1.650*10-4A+0.053。
- 如申請專利範圍第1項所述之醒睡狀態活動量判別之方法,該動作偵測裝置可以設計成手錶、戒指、手環、項鍊和耳垂。
- 如申請專利範圍第1項所述之醒睡狀態活動量判別之方法,該分析單位等於10秒鐘,該C個分析單位等於12個該分析單位時長,該閾值等於45mG,該B個分析單位等於18個該分析單位時長。
- 一種醒睡狀態活動量判別之系統,該系統包含:一動作偵測裝置,該動作偵測裝置包含:一三軸加速計,用以測得一受測者在其三個坐標軸上的分量;一資料緩衝裝置連接該三軸加速計,包含:一接收發送器,接收該三軸加速計量測該受測者的複數個活動量數據;一記憶體模組耦接該接收發送器,儲存該活動量數據,當無線通訊無法傳輸時,能儲存該活動量數據; 一微處理器模組耦接該記憶體模組和該無線輸出裝置,當該記憶體模組內存有該活動量數據時,將其轉換該活動量數據為一可傳送訊號;及一無線輸出裝置,用以建立無線連結,並以無線方式對一傳輸訊號器傳送該可傳送訊號;及一電力單元,提供該動作偵測裝置工作所需電力;該傳輸訊號器無線連結該動作偵測裝置,接收該資料緩衝裝置數據並將數據傳送到一伺服器端;以及該伺服器端無線連結該傳輸訊號器,包含:一接收轉換模組,用以接收該傳輸訊號器傳送之該複數個連續數據並將該複數個連續數據轉換成一活動量數據;一分析模組,係以該活動量數據定義出一清醒區間和一睡眠區間;依該睡眠區間、該清醒區間及時間序,輸出一醒睡狀態波形;該醒睡狀態波形進一步可區分為一躺床時間(TIB)、一睡眠延遲期(SL)、一入睡後清醒時間(WASO)、一總睡眠時間(TST)、一睡眠效率(SE)以及該躺床時間時一總活動量(PA);該躺床時間、該總睡眠時間、該睡眠效率、該睡眠延遲期、該入睡後清醒時間及該總活動量自變量採用一二分類羅吉斯回歸(Logistic)評估分析一ADHD指標:ADHD指標=-26.04-0.053*TST+0.485*SE+0.135*SL+0.066*WASO+0.06*PA;該ADHD指標可得到TST變量與患有一ADHD的風險呈現負相關;另該SL變量與患有該ADHD的風險呈現正相關;及 一儲存模組,係以電性連接於該分析模組,用以儲存分析後之該活動量數據和分析結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109137920A TWI742903B (zh) | 2020-10-30 | 2020-10-30 | 醒睡狀態活動量判別之系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109137920A TWI742903B (zh) | 2020-10-30 | 2020-10-30 | 醒睡狀態活動量判別之系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI742903B true TWI742903B (zh) | 2021-10-11 |
TW202217846A TW202217846A (zh) | 2022-05-01 |
Family
ID=80782536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109137920A TWI742903B (zh) | 2020-10-30 | 2020-10-30 | 醒睡狀態活動量判別之系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI742903B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105592777A (zh) * | 2013-07-08 | 2016-05-18 | 瑞思迈传感器技术有限公司 | 用于睡眠管理的方法和系统 |
TWI556117B (zh) * | 2014-08-14 | 2016-11-01 | 東芝股份有限公司 | 活動量計及睡眠清醒狀態記錄系統 |
TWI562018B (en) * | 2015-08-23 | 2016-12-11 | Semlam Entpr Ltd | Activity detecting wearable device |
CN107106085A (zh) * | 2014-12-30 | 2017-08-29 | 日东电工株式会社 | 用于睡眠监测的设备和方法 |
CN107111852A (zh) * | 2014-12-25 | 2017-08-29 | 欧姆龙株式会社 | 睡眠改善系统以及使用该系统的睡眠改善方法 |
TWM567612U (zh) * | 2018-02-07 | 2018-10-01 | 神仙科學股份有限公司 | Multiple physiological detection device |
TW201836546A (zh) * | 2017-03-03 | 2018-10-16 | 日商西川產業股份有限公司 | 睡眠環境檢測系統及睡眠環境檢測方法 |
TWI655559B (zh) * | 2017-02-16 | 2019-04-01 | 日商松下知識產權經營股份有限公司 | Dementia information output system and control program |
TWM582824U (zh) * | 2018-02-07 | 2019-09-01 | 神仙科學股份有限公司 | 多重生理檢測裝置 |
-
2020
- 2020-10-30 TW TW109137920A patent/TWI742903B/zh active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105592777A (zh) * | 2013-07-08 | 2016-05-18 | 瑞思迈传感器技术有限公司 | 用于睡眠管理的方法和系统 |
TWI556117B (zh) * | 2014-08-14 | 2016-11-01 | 東芝股份有限公司 | 活動量計及睡眠清醒狀態記錄系統 |
CN107111852A (zh) * | 2014-12-25 | 2017-08-29 | 欧姆龙株式会社 | 睡眠改善系统以及使用该系统的睡眠改善方法 |
CN107106085A (zh) * | 2014-12-30 | 2017-08-29 | 日东电工株式会社 | 用于睡眠监测的设备和方法 |
TWI562018B (en) * | 2015-08-23 | 2016-12-11 | Semlam Entpr Ltd | Activity detecting wearable device |
TWI655559B (zh) * | 2017-02-16 | 2019-04-01 | 日商松下知識產權經營股份有限公司 | Dementia information output system and control program |
TW201836546A (zh) * | 2017-03-03 | 2018-10-16 | 日商西川產業股份有限公司 | 睡眠環境檢測系統及睡眠環境檢測方法 |
TWM567612U (zh) * | 2018-02-07 | 2018-10-01 | 神仙科學股份有限公司 | Multiple physiological detection device |
TWM582824U (zh) * | 2018-02-07 | 2019-09-01 | 神仙科學股份有限公司 | 多重生理檢測裝置 |
Also Published As
Publication number | Publication date |
---|---|
TW202217846A (zh) | 2022-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mehrabadi et al. | Sleep tracking of a commercially available smart ring and smartwatch against medical-grade actigraphy in everyday settings: instrument validation study | |
De Zambotti et al. | Wearable sleep technology in clinical and research settings | |
De Zambotti et al. | A validation study of Fitbit Charge 2™ compared with polysomnography in adults | |
Liang et al. | Validity of consumer activity wristbands and wearable EEG for measuring overall sleep parameters and sleep structure in free-living conditions | |
Pesonen et al. | The validity of a new consumer-targeted wrist device in sleep measurement: an overnight comparison against polysomnography in children and adolescents | |
de Zambotti et al. | Evaluation of a consumer fitness-tracking device to assess sleep in adults | |
Tudor-Locke et al. | Fully automated waist-worn accelerometer algorithm for detecting children’s sleep-period time separate from 24-h physical activity or sedentary behaviors | |
Haghayegh et al. | Performance assessment of new-generation Fitbit technology in deriving sleep parameters and stages | |
US8353828B2 (en) | Remote sleep quality detecting system and method thereof | |
Gay et al. | Sleep disruption and duration in late pregnancy is associated with excess gestational weight gain among overweight and obese women | |
Dougherty et al. | Comparing the detection of transdermal and breath alcohol concentrations during periods of alcohol consumption ranging from moderate drinking to binge drinking. | |
Zaffaroni et al. | Assessment of sleep‐disordered breathing using a non‐contact bio‐motion sensor | |
Islam et al. | Validation and acceptability of a cuffless wrist-worn wearable blood pressure monitoring device among users and health care professionals: mixed methods study | |
Li et al. | A novel machine learning unsupervised algorithm for sleep/wake identification using actigraphy | |
Galland et al. | Criteria for nap identification in infants and young children using 24-h actigraphy and agreement with parental diary | |
De Chazal et al. | Assessment of sleep/wake patterns using a non-contact biomotion sensor | |
Kubala et al. | Field-based measurement of sleep: agreement between six commercial activity monitors and a validated accelerometer | |
Kholghi et al. | A validation study of a ballistocardiograph sleep tracker against polysomnography | |
Markwald et al. | Performance of a portable sleep monitoring device in individuals with high versus low sleep efficiency | |
Kanady et al. | Validation of sleep measurement in a multisensor consumer grade wearable device in healthy young adults | |
Cohen et al. | Automated detection of sleep apnea in infants: A multi-modal approach | |
Eylon et al. | Performance evaluation of fitbit charge 3 and actigraphy vs. polysomnography: sensitivity, specificity, and reliability across participants and nights | |
Sunseri et al. | The Sensewear Armband as a sleep detection device | |
Kawasaki et al. | Evaluation of sleep parameters and sleep staging (slow wave sleep) in athletes by fitbit alta HR, a consumer sleep tracking device | |
Ong et al. | Selecting a sleep tracker from EEG-based, iteratively improved, low-cost multisensor, and actigraphy-only devices |