TWI756793B - 一種通道資訊處理系統 - Google Patents
一種通道資訊處理系統 Download PDFInfo
- Publication number
- TWI756793B TWI756793B TW109128831A TW109128831A TWI756793B TW I756793 B TWI756793 B TW I756793B TW 109128831 A TW109128831 A TW 109128831A TW 109128831 A TW109128831 A TW 109128831A TW I756793 B TWI756793 B TW I756793B
- Authority
- TW
- Taiwan
- Prior art keywords
- sleep
- physiological
- information processing
- channel
- neural network
- Prior art date
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一種通道資訊處理系統,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症(apnea and hypopnea)、失眠(insomnia)、及肢動症(Restless legs syndrome,RLS)之可攜式裝置(portable device)之通道(channel)並診斷睡眠病患症狀的環境中,利用本發明之通道資訊處理系統時,,進行監測睡眠生理訊號接收動作,接收多筆與訓練人工智慧卷積神經網路CNN(Convolutional Neural Network)相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG(polysomnography)而產生出來;接著,進行訊號處理動作,將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號;進而,進行診斷模型產生動作,根據經訊號處理動作後的該些多筆訓練資料,卷積神經網路CNN將產生出以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。根據並利用本發明之通道資訊處理系統所產生出的呼吸中止症/失眠/肢動症估測模型,按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的睡眠生理資料,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
Description
本發明係有關於資訊系統,更詳而言之,係有關於一種應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症/失眠/肢動症可攜式裝置之通道並診斷睡眠病患症狀的環境中的通道資訊處理系統,根據並利用本發明之通道資訊處理系統所產生出的呼吸中止症/失眠/肢動症估測模型,按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的睡眠生理資料,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
現代人因面臨各種生活環境因素,壓力不斷累積,加上需長時間工作並無法藉由旅遊、運動等方式排解壓力,因而常引發失眠或精神渙散等症狀。充足的睡眠亦是另一種有效釋放壓力的方式,其中睡眠品質的好壞將決定睡眠之質量,有好的睡眠品質將會有效提升生活品質。因此,了解自我的睡眠品質及睡眠狀態,進而找出影響睡眠品質與狀態的原因進而改善它,為目前常用的手段。
以各種睡眠障礙所造成的睡眠疾病而言,全世界睡眠呼吸中止症(Sleep Apnea)的盛行率約為4%,其典型的症狀為病患於睡眠期間有短暫的呼吸中止症狀,而呼吸中止的症狀可分為阻塞型(obstructive sleep apnea,OSA),中樞型(central sleep apnea,CSA)或混和型(mixed)。這些不同類型的呼吸中止,會造成病患的睡眠品質不佳,無法有效地得到休養,長期會造成心肺血管以及身經系統疾病的產生。失眠(insomnia)成因更為複雜,人群中均有10%至30%的成年人患有失眠;而至多一半人一年之中均患有失眠症。導致不寧腿症候群的危險因素包括缺鐵、腎功能衰竭、帕金森氏症、糖尿病、類風濕性關節炎和妊娠,因此可能使患者難以入睡佔人口中的2.5%。
在臨床上,病患需將整晚睡眠的電生理資訊,透過睡眠多項生理檢查(Polysomnography,PSG)測量後,可以得到綜合資訊,並且可進一步計算病患的睡眠狀態,例如呼吸中止指數(apnea-hypopnea index,AHI),睡眠效率(Sleep Efficiency),量化病徵的嚴重程度。PSG的測量包含了腦波圖譜(electroencephalography,EEG)、心跳(ECG、heart rhythm)、呼吸氣流與壓力(air flow,pressure)、胸腹起伏(chest,abdominal wall movement)、鼾聲偵測(voice)、SpO2、眼動偵測(eye movements,EOG)、下顎與四肢移動偵測(skeletal muscle activation,EMG)等,總數多達20個通道的紀錄。
現有辨識睡眠狀態的方式大多利用睡眠多項生理檢查儀PSG(PolySomnoGraphy)。然而,習知的睡眠多項生理檢查儀需由患者至睡眠醫學中心檢查並紀錄睡眠生理數據,紀錄產生約6~8小時資料,後續人力判讀資料需要花費2~4小時,相當耗費人力及時間,且得到的資料往往正確率及敏感性都不足,甚至有錯誤判讀的情形。
台灣公開/公告號M570119「睡眠品質監測與運算分析系統」係揭露一種睡眠品質監測與運算分析系統,該系統透過設於舒眠裝置之複數動態感測器來感測使用者於睡眠狀態的頭部動態,且所監測之數值經由運算單元進行體動次數、睡眠效率、睡眠飽和度、晚睡程度、入睡程度以及熟睡程度之運算分析,以獲致一睡眠品質評分,藉此,提供使用者簡單易理解之分析結果,並協助使用者進一步提升自身之睡眠品質。
台灣公開/公告號M553614「睡眠監測及輔助系統」係揭露一種睡眠監測及輔助系統,該系統包含結合於睡眠用品之舒眠裝置及偵測模組,且偵測模組具有感測頭部動作之動態感測器,而能偵測身體與枕頭的姿態及壓力分佈變化,且透過不同感測器可結合於睡眠用品與周遭環境上而能感測於睡眠狀態的生理指數、頭部動態以及睡眠環境條件,所監測之數值經由運算單元進行運算分析後,逐步構成睡眠周期特徵模組以提供睡眠建議規劃,並藉舒眠裝置之遠紅外線功能來增進頸部血液循環,藉以提升使用者的睡眠品質,且本系統可驗證中西醫或其他方式對失眠治療的有效性並輔助分析檢討及調整對策。
台灣公開/公告號I559901「睡眠檢測系統和方法」係揭露一種睡眠檢測系統。此睡眠檢測系統包括:一感測器,用以量測一使用者之一心跳值;一量測裝置,用以接收上述心跳值,並測量上述使用者之一活動量,以及根據
上述心跳值、上述活動量以及上述使用者之一個人參數,計算一能量代謝值;以及一接收裝置,用以由上述量測裝置接收上述能量代謝值,並根據上述能量代謝值,產生上述使用者之一睡眠分析結果,並顯示上述睡眠分析結果。
台灣公開/公告號I571239「睡眠品質偵測裝置」係揭露一種睡眠品質偵測裝置,包括一呼吸氣流感測器及一電路板。該呼吸氣流感測器用以偵測使用者的鼻腔呼吸氣流及口腔呼吸氣流任一者;當該使用者的呼吸氣流是通過鼻腔時,該呼吸氣流感測器偵測鼻腔呼吸氣流,當該使用者的呼吸氣流是通過口腔時,該呼吸氣流感測器偵測口腔呼吸氣流。該電路板用以處理偵測到的呼吸氣流訊號並儲存該呼吸氣流訊號及處理結果。本發明係將呼吸氣流感測器及電路板整合成為一單一裝置,以避免使用者身體貼附多條電氣連線,進而提高睡眠檢測的舒適度及準確性,並且避免睡眠中電氣連線纏繞所造成的潛在危險。
台灣公開/公告號I260979「睡眠呼吸障礙之檢測裝置及治療裝置」係揭露一種治療系統,其無需仰賴於設有終夜睡眠腦波室(sleep lab)般大規模設備之設施中的住院睡眠檢查,而可藉確實且簡潔之結構實行選出氧氣療法有效之患者及確認氧氣療法實施後之治療效果,而可作為一使醫療從業人員得知待測患者顯現睡眠呼吸障礙以及因該睡眠呼吸障礙引起之交感神經亢進狀態的檢測裝置及治療系統;其具有生體資訊監視裝置,該裝置係設有主處理裝置及列印器,而可作成一同時印有用以得知發生睡眠呼吸障礙之呼吸氣流變遷圖及交感神經亢進之變遷圖的報告。
所以如何能解決,目前利用人力花費2~4小時耗費人力及時間來判讀由患者至睡眠醫學中心檢查並紀錄而產生的6~8小時睡眠生理數據資料,並根據該些數據資料以人工方式進行判斷患者是否有呼吸中止症/失眠/肢動症,且人力判讀出的結果往往正確率及敏感性都不足,甚至有錯誤判讀的情形;如何能利用人工智慧以多項生理睡眠檢查來辨識各項睡眠狀態,使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,並可針對不同任務進行參數優化;如何能利用深度學習演算法經由訓練卷積神經網路CNN(Convolutional Neural Network)方式而產生出呼吸中止症/失眠/肢動症估測模型,且深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道(channel)進行非線性特徵擷取,擷取後的特徵可用來對目標進行歸納;如何能以最簡單/方便的呼吸中止症/失眠/肢動症睡眠狀態檢測型式,讓睡眠檢測者(病患)無須在醫院/醫學中心的睡眠研究/
治療中心才能以睡眠多項生理檢查儀PSG來進行睡眠生理多項狀態的檢測,而是能以可攜式可攜式裝置(例如,個人可攜式)及/或居家睡眠檢測(HSAT)裝置即能隨身/居家方便地對睡眠生理多項狀態進行檢測,以提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號;以及,對於PSG生理訊號的處理而言,如何能在,例如,多達十幾項甚或二十項,生理訊號通道(channel)中檢選出對是否有呼吸中止症/失眠/肢動症之睡眠檢測者睡眠生理狀態進行檢測/判讀時為較重要的一些生理訊號通道並摒除/剔除無貢獻通道,而保留特殊貢獻通道且並未降低睡眠檢測者睡眠生理狀態的判讀準確度,能以較少的生理訊號通道而得出準確的睡眠檢測者睡眠生理狀態判讀結果,能使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務之呼吸中止症/失眠/肢動症估測模型進行參數優化,搜尋通道重要性,可剔除無貢獻通道道,可保留特殊貢獻通道,僅須提供較重要而非全部的生理訊號通道的生理訊號即可以人工智慧之卷積神經網路CNN所產生出的呼吸中止症/失眠/肢動症估測模型,並非為利用人力,而能準確判讀並得出睡眠檢測者睡眠生理狀態的判讀結果;在此,以上種種所述,均是待解決的問題。
本發明之主要目的便是在於提供一種通道資訊處理系統及,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症(apnea and hypopnea)/失眠(insomnia)/肢動症(Restless legs syndrome,RLS)可攜式裝置(portable device)之通道(channel)並診斷睡眠病患症狀的環境中,利用本發明之通道資訊處理系統時,首先,進行監測睡眠生理訊號接收動作,接收多筆與訓練人工智慧卷積神經網路CNN(Convolutional Neural Network)相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG(polysomnography)而產生出來,在此,透過睡眠多項生理檢查儀PSG測量後,可以得到綜合資訊,並且可進一步計算病患的睡眠狀態,例如呼吸中止指數(apnea-hypopnea index,AHI),睡眠效率(Sleep Efficiency),量化病徵的嚴重程度,睡眠多項生理檢查儀PSG的測量包含了腦波圖譜(electroencephalography,EEG)、心跳(ECG、heart rhythm)、呼吸氣流與壓力(air flow,pressure)、胸腹起伏(chest,abdominal wall movement)、鼾聲偵測(voice)、SpO2、眼動偵測(eye movements,EOG)、下顎與
四肢移動偵測(skeletal muscle activation,EMG)等,總數多達20個通道的紀錄;接著,進行訊號處理動作,將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號;進而,進行診斷模型產生動作,根據經訊號處理動作後的該些多筆訓練資料,卷積神經網路CNN將產生出以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。根據並利用本發明之通道資訊處理系統所產生出的呼吸中止症/失眠/肢動症估測模型,按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的睡眠生理資料,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
本發明之再一目的便是在於提供一種通道資訊處理系統,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症/失眠/肢動症可攜式裝置之通道並診斷睡眠病患症狀的環境中,採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料。訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果。對於此深度學習模型,可使用三種方式選取通道:第一、選擇模型內參數較高的通道作為重要的通道;第二、訓練單一個通道作辨識任務,選取最辨識準確性者;以及,第三、只剔除一個通道(leave-one out)訓練模型,若通道有重要貢獻則辨識效率將降低。
本發明之又一目的便是在於提供一種通道資訊處理系統,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症/失眠/肢動症可攜式裝置之通道並診斷睡眠病患症狀的環境中,能利用人工智慧以多項生理睡眠檢查來辨識各項睡眠狀態,使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,並可針對不同任務進行參數優化;如何能利用深度學習演算法經由訓練卷積神經網路CNN(Convolutional Neural Network)方式而產生出呼吸中止症/失眠/肢動症估測模型,且深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道(channel)進行非線性特徵擷取,擷取後的特徵可用來對目標進行歸納。
本發明之另一目的便是在於提供一種通道資訊處理系統,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症/失眠/肢動症可攜式裝置之通
道並診斷睡眠病患症狀的環境中,利用人工智慧以多項生理睡眠檢查辨識各項睡眠狀態,使用深度學習演算法訓練人工智慧之呼吸中止症/失眠/肢動症估側模型進行PSG判讀,可以針對不同任務進行參數優化,而臨床應用目標有:呼吸中止症、失眠、以及肢動症,而引入自動判讀演算法可節約人力成本,提升臨床醫師提供的醫療品質,提升睡眠技師的醫療服務。
本發明之又一目的便是在於提供一種通道資訊處理系統及,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症/失眠/肢動症可攜式裝置之通道並診斷睡眠病患症狀的環境中,能以最簡單/方便的呼吸中止症/失眠/肢動症睡眠狀態檢測型式,讓睡眠檢測者(病患)無須在醫院/醫學中心的睡眠研究/治療中心才能以睡眠多項生理檢查儀PSG來進行睡眠生理多項狀態的檢測,而是能以可攜式裝置(例如,個人可攜式)及/或居家睡眠檢測(HSAT)裝置即能隨身/居家方便地對睡眠生理多項狀態進行檢測,以提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號。
本發明之另一目的便是在於提供一種通道資訊處理系統,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症/失眠/肢動症可攜式裝置之通道並診斷睡眠病患症狀的環境中,對於PSG生理訊號的處理而言,如何能在,例如,多達十幾項甚或二十項,生理訊號通道(channel)中檢選出對是否有呼吸中止症/失眠/肢動症之睡眠檢測者睡眠生理狀態進行檢測/判讀時為較重要的一些生理訊號通道並摒除/剔除無貢獻通道,而保留特殊貢獻通道且並未降低睡眠檢測者睡眠生理狀態的判讀準確度,能以較少的生理訊號通道而得出準確的睡眠檢測者睡眠生理狀態判讀結果,能使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務之呼吸中止症/失眠/肢動症估測模型進行參數優化,搜尋通道重要性,可剔除無貢獻通道道,可保留特殊貢獻通道,僅須提供較重要而非全部的生理訊號通道的生理訊號即可以人工智慧之卷積神經網路CNN所產生出的呼吸中止症/失眠/肢動症估測模型,並非為利用人力,而能準確判讀並得出睡眠檢測者睡眠生理狀態的判讀結果。
根據以上所述之目的,本發明提供一種通道資訊處理系統,該通道資訊處理系統包含資訊處理模組、人工智慧卷積神經網路CNN模組、以及資料庫。
資訊處理模組,該資訊處理模組將接收多筆與訓練人工智慧卷積神經網路CNN相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG而產生出來,亦即,該些多筆監測睡眠生理訊號係由睡眠多項生理檢查儀PSG檢測/接收多位睡眠檢測者(病患)的睡眠生理多項狀態所對應生成之,在此,透過睡眠多項生理檢查儀PSG測量後,可以得到綜合資訊,並且可進一步計算病患的睡眠狀態,例如呼吸中止指數(apnea-hypopnea index,AHI),睡眠效率(Sleep Efficiency),量化病徵的嚴重程度,睡眠多項生理檢查儀PSG的測量包含了腦波圖譜(electroencephalography,EEG)、心跳(ECG、heart rhythm)、呼吸氣流與壓力(air flow,pressure)、胸腹起伏(chest,abdominal wall movement)、鼾聲偵測(voice)、SpO2、眼動偵測(eye movements,EOG)、下顎與四肢移動偵測(skeletal muscle activation,EMG)等,總數多達20個通道的紀錄;另,該資訊處理模組將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號,在此,本發明採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;再,該資訊處理模組根據經訊號處理動作後的該些多筆訓練資料,訓練卷積神經網路CNN(Convolutional Neural Network)模組以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。
卷積神經網路CNN(Convolutional Neural Network)模組,該卷積神經網路CNN模組使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務進行參數優化,在此,採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;對於此深度學習模型,可使用三種方式選取通道:第一、選擇模型內參數較高的通道作為重要的通道;第二、訓練單一個通道作辨識任務,選取最辨識準確性者;以及,第三、只剔除一個通道(leave-one out)訓練模型,若通道有重要貢獻則辨識效率將降低;其中,該深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道進行非線性特徵擷取,擷取後的特徵用來對目標進行歸納;而臨床應用目標有:呼吸中止症、失眠、肢動
症;在此,引入該預估模式的自動判讀演算法可節約人力成本,提升臨床醫師提供的醫療品質,提升睡眠技師的醫療服務;在此,使用卷積神經網路CNN模組(深度學習模型),可辨識PSG整晚睡眠紀錄,可輸出呼吸中止指數apnea hypopnea index(AHI)、睡眠效率sleep efficiency、呼吸障礙指數(RDI)、打鼾數(Snore counts)等等資訊。
以卷積神經網路CNN模組使用深度學習演算法而產生出呼吸中止症/失眠/肢動症估測模型而言:
使用多層卷積層(convolution layers)組成一個密集層(Dense Block),許多密集層可以藉由轉移層(Transition Block)連接,最後經過線性層(Linear Block)輸出,Softmax函數(Softmax regression)運算而輸出。
資料向前傳遞(Forward-propagation)經過各層可逐漸萃取重要特徵,於密集層時特徵會萃取重要特徵,這些特徵會於轉移層疊加(concatenate),此疊加效果較一般傳統的CNN會保留上游特徵。
每次訓練結果會藉由向後傳遞(Back-propagation)更新參數,藉此修正錯誤辨識的參數。
CNN層為單通道特徵萃取,訓練或辨識時會對所有一個以上的通道做特徵萃取。估測模型之模型最後輸出會經過注意力層(Attention)將權重重新分配,增強通道之間與時間序列前後的關聯性。
以正確率(Accuracy),操作特征曲線(ROC),曲線下面積(AUC),F1 Scores,敏感性Sensitivity,特異性(Specificity)為模型衡量標準。
以估測模型之運作而言:
輸出權重,提供選擇通道的依據。
配合Grad-Cam解釋模型分類依據。
配合遞減/加方式搜尋通道重要性,可剔除無貢獻通道,可保留特殊貢獻通道。
針對呼吸中止症/失眠/肢動症分類目的選擇重要通道。
演算機制可容忍資料劇烈縮放(30Hz-512Hz)。
設計了深度學習專用的壓縮法,降低為可攜式裝置的可攜式睡眠生理檢測裝置(例如,個人可攜式)及/或居家睡眠檢測(HSAT)裝置的容量限制與頻寬要求。
模型訓練依據巨量資料,涵蓋廣泛變異因子。
以估測模型功能而言:
可判別經典呼吸中止症/失眠/肢動症辨識做特化訓練。
可達成及時偵測,紀錄後偵測。
合警報系統可設置長期無人自動提醒。
模型可調整敏感性sensitivity升高或降低需求。
模型參數少佈署容易。
回饋使用者判讀依據。
另,利用本發明之通道資訊處理系統所產生出的呼吸中止症/失眠/肢動症估測模型,目標睡眠檢測者(病患)能以可攜式裝置(例如,個人可攜式睡眠生理檢測裝置)及/或居家睡眠檢測(HSAT)裝置對睡眠生理多項狀態進行檢測,提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號,因而,可估測目標睡眠檢測者(病患)的生理狀態而產生多項對應於睡眠狀態的睡眠生理資料,資訊處理模組根據病患之睡眠生理資料配合呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(病患)是否睡眠狀態正常,抑或,是判斷出有睡眠病症,換言之,資訊處理模組按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的睡眠生理資料,配合呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
資料庫,該資料庫配合資訊處理模組、卷積神經網路CNN模組共同運作,可供資訊處理模組、卷積神經網路CNN模組存取所需的資料/數據。
利用本發明之通道資訊處理系統時,首先,進行監測睡眠生理訊號接收動作,接收多筆與訓練人工智慧卷積神經網路CNN(Convolutional Neural Network)相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG(polysomnography)而產生出來。
接著,進行訊號處理動作,將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號。
進而,進行診斷模型產生動作,根據經訊號處理動作後的該些多筆訓練資料,卷積神經網路CNN將產生出以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。
另,視本發明的實際施行狀況,根據並利用利用本發明之通道資訊處理系統所產生出的呼吸中止症/失眠/肢動症估測模型,可進行遠端睡眠狀況檢測流程,首先,進行遠端資料提供動作,目標睡眠檢測者(病患)能以可攜式裝置(例如,個人可攜式睡眠生理檢測裝置)及/或居家睡眠檢測(HSAT)裝置對睡眠生理多項狀態進行檢測,並經由有線或無線網路,提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號至本發明之通道資訊處理系統;繼之,進行訊號處理動作,資訊處理模組對待分析的該些生理訊號進行訊號處理;進而,進行睡眠資料產生動作,資訊處理模組根據進行過預定處理的待分析的該些生理訊號,使用呼吸中止症/失眠/肢動症估測模型估測目標病患的生理狀態以產生多項睡眠生理資料;再之,進行睡眠狀態判斷動作,資訊處理模組根據病患之多項睡眠生理資料配合呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(病患)是否睡眠狀態正常,抑或,是判斷出有睡眠病症,換言之,資訊處理模組按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的多項睡眠生理資料,配合呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
為使熟悉該項技藝人士瞭解本發明之目的、特徵及功效,茲藉由下述具體實施例,並配合所附之圖式,對本發明詳加說明如後:
1:通道資訊處理系統
2:資訊處理模組
3:卷積神經網路CNN模組
4:資料庫
5:電子裝置
6:螢幕
7:生理睡眠技師
101 102 103:步驟
201 202 203:步驟
301 302 303:步驟
401 402 403 404:步驟
第1圖為一系統示意圖,用以顯示說明本發明之通道資訊處理系統之系統架構、以及運作情形。
第2圖為一流程圖,用以顯示說明利用如第1圖中之本發明之通道資訊處理系統以進行通道資訊處理方法的流程步驟。
第3圖為一示意圖,用以顯示說明本發明之通道資訊處理系統的一實施例、以及運作情形。
第4圖為訊號示意圖,用以顯示說明於第3圖的實施例中的共為17個通道的各別之生理訊號。
第5圖為一示意圖,用以顯示說明於第3圖中的實施例的卷積神經網路CNN模組之CNN模型訓練方式及組成。
第6圖為一流程圖,用以顯示說明利用如第3圖中之本發明之資訊處理系統的一實施例以進行資訊處理方法的一流程步驟。
第7圖為一流程圖,用以顯示說明利用如第3圖中之本發明之資訊處理系統的一實施例以進行資訊處理方法的另一流程步驟。
第1圖為一系統示意圖,用以顯示說明本發明之通道資訊處理系統之系統架構、以及運作情形。如第1圖中所示之,通道資訊處理系統1包含資訊處理模組2、卷積神經網路CNN(Convolutional Neural Network)模組3、以及資料庫4。
資訊處理模組2,該資訊處理模組2將接收多筆與訓練人工智慧卷積神經網路CNN相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG而產生出來,亦即,該些多筆監測睡眠生理訊號係由睡眠多項生理檢查儀PSG檢測/接收多位睡眠檢測者(病患)的睡眠生理多項狀態所對應生成之,在此,透過睡眠多項生理檢查儀PSG測量後,可以得到綜合資訊,並且可進一步計算病患的睡眠狀態,例如呼吸中止指數(apnea-hypopnea index,AHI),睡眠效率(Sleep Efficiency),量化病徵的嚴重程度,睡眠多項生理檢查儀PSG的測量包含了腦波圖譜(electroencephalography,EEG)、心跳(ECG、heart rhythm)、呼吸氣流與壓力(air flow,pressure)、胸腹起伏(chest,abdominal wall movement)、鼾聲偵測(voice)、SpO2、眼動偵測(eye movements,EOG)、下顎與四肢移動偵測(skeletal muscle activation,EMG)等,總數多達20個通道的紀錄;另,該資訊處理模組2將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之
每一通道的每一生理訊號,在此,本發明採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;再,該資訊處理模組2根據經訊號處理動作後的該些多筆訓練資料,訓練卷積神經網路CNN(Convolutional Neural Network)模組3以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。
卷積神經網路CNN(Convolutional Neural Network)模組3,該卷積神經網路CNN模組3使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務進行參數優化,在此,採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;對於此深度學習模型,可使用三種方式選取通道:第一、選擇模型內參數較高的通道作為重要的通道;第二、訓練單一個通道作辨識任務,選取最辨識準確性者;以及,第三、只剔除一個通道(leave-one out)訓練模型,若通道有重要貢獻則辨識效率將降低;其中,該深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道進行非線性特徵擷取,擷取後的特徵用來對目標進行歸納;而臨床應用目標有:呼吸中止症、失眠、肢動症;在此,引入該預估模式的自動判讀演算法可節約人力成本,提升臨床醫師提供的醫療品質,提升睡眠技師的醫療服務;在此,使用卷積神經網路CNN模組3(深度學習模型),可辨識PSG整晚睡眠紀錄,可輸出呼吸中止指數apnea hypopnea index(AHI)、睡眠效率sleep efficiency、呼吸障礙指數(RDI)、打鼾數(Snore counts)等等資訊。
以卷積神經網路CNN模組3使用深度學習演算法而產生出呼吸中止症/失眠/肢動症估測模型而言:
使用多層卷積層(convolution layers)組成一個密集層(Dense Block),許多密集層可以藉由轉移層(Transition Block)連接,最後經過線性層(Linear Block)輸出,Softmax函數(Softmax regression)運算而輸出。
資料向前傳遞(Forward-propagation)經過各層可逐漸萃取重要特徵,於密集層時特徵會萃取重要特徵,這些特徵會於轉移層疊加(concatenate),此疊加效果較一般傳統的CNN會保留上游特徵。
每次訓練結果會藉由向後傳遞(Back-propagation)更新參數,藉此修正錯誤辨識的參數。
CNN層為單通道特徵萃取,訓練或辨識時會對所有一個以上的通道做特徵萃取。估測模型之模型最後輸出會經過注意力層(Attention)將權重重新分配,增強通道之間與時間序列前後的關聯性。
以正確率(Accuracy),操作特征曲線(ROC),曲線下面積(AUC),F1 Scores,敏感性Sensitivity,特異性(Specificity)為模型衡量標準。
以估測模型之運作而言:
輸出權重,提供選擇通道的依據。
配合Grad-Cam解釋模型分類依據。
配合遞減/加方式搜尋通道重要性,可剔除無貢獻通道,可保留特殊貢獻通道。
針對中止症/失眠/肢動症分類目的選擇重要通道。
演算機制可容忍資料劇烈縮放(30Hz-512Hz)。
設計了深度學習專用的壓縮法,降低為可攜式裝置的可攜式睡眠生理檢測裝置(例如,個人可攜式)及/或居家睡眠檢測(HSAT)裝置的容量限制與頻寬要求。
模型訓練依據巨量資料,涵蓋廣泛變異因子。
以估測模型功能而言:
可判別經典中止症/失眠/肢動症辨識做特化訓練。
可達成及時偵測,紀錄後偵測。
配合警報系統可設置長期無人自動提醒。
模型可調整敏感性sensitivity升高或降低需求。
模型參數少佈署容易。
回饋使用者判讀依據。
另,利用本發明之通道資訊處理系統1及其方法所產生出的呼吸中止症/失眠/肢動症估測模型,目標睡眠檢測者(病患)能以可攜式裝置(例如,個人可攜式睡眠生理檢測裝置)及/或居家睡眠檢測(HSAT)裝置對睡眠生理多項狀態進行檢測,經由無線及/或有線網路,提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號,因而,可估測目標睡眠檢測者(病患)的生理狀態而產生多項對應於睡眠狀態的睡眠生理資料,資訊處理模組2根據病患之睡眠生理資料配合由卷積神經網路CNN模組3所產生出之呼吸中止
症/失眠/肢動症估測模型,可判斷出睡眠檢測者(病患)是否睡眠狀態正常,抑或,是判斷出有睡眠病症,換言之,資訊處理模組2按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的睡眠生理資料,配合由卷積神經網路CNN模組3所產生出之呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
資料庫4,該資料庫4配合資料處理模組2、卷積神經網路CNN模組3共同運作,可供資料處理模組2、卷積神經網路CNN模組3存取所需的資料/數據。
本發明之通道資訊處理系統及其方法,能利用人工智慧以多項生理睡眠檢查來辨識各項睡眠狀態,使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,並可針對不同任務進行參數優化;以及,能利用深度學習演算法經由訓練卷積神經網路CNN方式而產生出呼吸中止症/失眠/肢動症估測模型,且深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道(channel)進行非線性特徵擷取,擷取後的特徵可用來對目標進行歸納。
再,本發明之通道資訊處理系統及其方法,利用人工智慧以多項生理睡眠檢查辨識各項睡眠狀態,使用深度學習演算法訓練人工智慧模型進行PSG判讀,可以針對不同任務進行參數優化,而臨床應用目標有:呼吸中止症、失眠、以及肢動症,而引入自動判讀演算法可節約人力成本,提升臨床醫師提供的醫療品質,提升睡眠技師的醫療服務。
又,本發明之通道資訊處理系統及其方法,能以最簡單/方便的呼吸中止症/失眠/肢動症睡眠狀態檢測型式,讓睡眠檢測者(病患)無須在醫院/醫學中心的睡眠研究/治療中心才能以睡眠多項生理檢查儀PSG來進行睡眠生理多項狀態的檢測,而是能以可攜式裝置(例如,個人可攜式)及/或居家睡眠檢測(HSAT)裝置即能隨身/居家方便地對睡眠生理多項狀態進行檢測,以提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號。
另,本發明之通道資訊處理系統及其方法,對於PSG生理訊號的處理而言,如何能在,例如,多達十幾項甚或二十項,生理訊號通道(channel)中檢選出對是否有呼吸中止症/失眠/肢動症之睡眠檢測者睡眠生理狀態進行檢測/判讀時為較重要的一些生理訊號通道並摒除/剔除無貢獻通道,而保留特殊貢獻通道且並未降低睡眠檢測者睡眠生理狀態的判讀準確度,能以較少的生理訊號通道而得出準確的睡眠檢測者睡眠生理狀態判讀結果,能使用深度學習演算
法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務之呼吸中止症/失眠/肢動症估測模型進行參數優化,搜尋通道重要性,可剔除無貢獻通道道,可保留特殊貢獻通道,僅須提供較重要而非全部的生理訊號通道的生理訊號即可以人工智慧之卷積神經網路CNN所產生出的呼吸中止症/失眠/肢動症估測模型,並非為利用人力,而能準確判讀並得出睡眠檢測者睡眠生理狀態的判讀結果。
視實施狀況,資訊處理模組2及/或卷積神經網路CNN模組3,係由電子硬體、韌體、以及軟體的至少其中之一所組成,配合通道資訊處理系統1所在之系統/裝置的處理器(未圖示之)而進行動作;而資料庫4則位於通道資訊處理系統1所在之系統/裝置的儲存模組(未圖示之)。
第2圖為一流程圖,用以顯示說明利用如第1圖中之本發明之通道資訊處理系統以進行通道資訊處理方法的流程步驟。如第2圖中所示之,首先,於步驟101,首先,進行監測睡眠生理訊號接收動作,接收多筆與訓練人工智慧卷積神經網路CNN(Convolutional Neural Network)相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG(polysomnography)而產生出來,並進到步驟102。
在此,資訊處理模組2將接收多筆與訓練人工智慧卷積神經網路CNN相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG而產生出來,亦即,該些多筆監測睡眠生理訊號係由睡眠多項生理檢查儀PSG檢測/接收多位睡眠檢測者(病患)的睡眠生理多項狀態所對應生成之,在此,透過睡眠多項生理檢查儀PSG測量後,可以得到綜合資訊,並且可進一步計算病患的睡眠狀態,例如呼吸中止指數(apnea-hypopnea index,AHI),睡眠效率(Sleep Efficiency),量化病徵的嚴重程度,睡眠多項生理檢查儀PSG的測量包含了腦波圖譜(electroencephalography,EEG)、心跳(ECG、heart rhythm)、呼吸氣流與壓力(air flow,pressure)、胸腹起伏(chest,abdominal wall movement)、鼾聲偵測(voice)、SpO2、眼動偵測(eye movements,EOG)、下顎與四肢移動偵測(skeletal muscle activation,EMG)等,總數多達20個通道的紀錄。
於步驟102,進行訊號處理動作,將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓
練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號,並進到步驟103。
在此,資訊處理模組2將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號,在此,本發明採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;再,該資訊處理模組2根據經訊號處理動作後的該些多筆訓練資料,訓練卷積神經網路CNN(Convolutional Neural Network)模組3以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。
於步驟103,進行診斷模型產生動作,該資訊處理模組2根據經訊號處理動作後的該些多筆訓練資料,訓練卷積神經網路CNN模組3以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。
在此,卷積神經網路CNN模組3使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務進行參數優化,在此,採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;對於此深度學習模型,可使用三種方式選取通道:第一、選擇模型內參數較高的通道作為重要的通道;第二、訓練單一個通道作辨識任務,選取最辨識準確性者;以及,第三、只剔除一個通道(leave-one out)訓練模型,若通道有重要貢獻則辨識效率將降低;其中,該深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道進行非線性特徵擷取,擷取後的特徵用來對目標進行歸納;而臨床應用目標有:呼吸中止症、失眠、肢動症;在此,引入該預估模式的自動判讀演算法可節約人力成本,提升臨床醫師提供的醫療品質,提升睡眠技師的醫療服務;在此,使用卷積神經網路CNN模組3(深度學習模型),可辨識PSG整晚睡眠紀錄,可輸出呼吸中止指數apnea hypopnea index(AHI)、睡眠效率sleep efficiency、呼吸障礙指數(RDI)、打鼾數(Snore counts)等等資訊。
另,視本發明的實際施行狀況,根據並利用利用本發明之通道資訊處理系統1及其方法所產生出的呼吸中止症/失眠/肢動症估測模型,可進行遠
端睡眠狀況檢測流程,首先,進行遠端資料提供動作,目標睡眠檢測者(病患)能以可攜式裝置(例如,個人可攜式睡眠生理檢測裝置)及/或居家睡眠檢測(HSAT)裝置對睡眠生理多項狀態進行檢測,並經由有線或無線網路,提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號至本發明之通道資訊處理系統1;繼之,進行訊號處理動作,資訊處理模組2對待分析的該些生理訊號進行訊號處理;進而,進行睡眠資料產生動作,資訊處理模組2根據進行過預定處理的待分析的該些生理訊號,使用由卷積神經網路CNN模組3所產生之呼吸中止症/失眠/肢動症估測模型估測目標病患的生理狀態以產生多項睡眠生理資料;再之,進行睡眠狀態判斷動作,資訊處理模組2根據病患之多項睡眠生理資料配合由卷積神經網路CNN模組3所產生之呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(病患)是否睡眠狀態正常,抑或,是判斷出有睡眠病症,換言之,資訊處理模組2按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的多項睡眠生理資料,配合由卷積神經網路CNN模組3所產生之呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
第3圖為一示意圖,用以顯示說明本發明之通道資訊處理系統的一實施例、以及運作情形。如第3圖中所示之,通道資訊處理系統1包含資訊處理模組2、卷積神經網路CNN模組3、以及資料庫4,其中,通道資訊處理系統1係位於,例如,醫院睡眠中心的電子裝置5中,電子裝置5可為,例如,伺服器,資訊處理模組2及/或卷積神經網路CNN模組3,係由電子硬體、韌體、以及軟體的至少其中之一所組成,配合通道資訊處理系統1所在之電子裝置5的處理器而進行動作,而資料庫4則位於通道資訊處理系統1所在之電子裝置5的儲存模組。
資訊處理模組2,該資訊處理模組2將接收多筆與訓練人工智慧卷積神經網路CNN相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG而產生出來,亦即,該些多筆監測睡眠生理訊號係由睡眠多項生理檢查儀PSG檢測/接收多位睡眠檢測者(病患)的睡眠生理多項狀態所對應生成之,在此,透過睡眠多項生理檢查儀PSG測量後,可以得到綜合資訊,並且可進一步計算病患的睡眠狀態,例如呼吸中止指數(apnea-hypopnea index,AHI),睡眠效率(Sleep Efficiency),量化病徵的嚴重程度,睡眠多項生理檢查儀PSG的測量包含了腦波圖譜EEG、心跳ECG、呼吸氣流與壓力(air
flow,pressure)、胸腹起伏(chest,abdominal wall movement)、鼾聲偵測(voice)、SpO2、眼動偵測(eye movements,EOG)、下顎與四肢移動偵測(skeletal muscle activation,EMG)等,總數多達20個通道的紀錄。
另,該資訊處理模組2將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號,在此,本發明採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;再,該資訊處理模組2將經訊號處理動作後的該些多筆訓練資料輸入至訓練卷積神經網路CNN模組3,該資訊處理模組2將根據該些多筆訓練資料訓練卷積神經網路CNN模組3以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。
以資料型態而言:
類比電位訊號經接收之後,放大(amplifier),轉換成類比訊號。
取樣頻率依據採設備樣設定,30Hz-512Hz(列表)。
對於每個孔道,Y軸單位為micro-volt,X軸為時間
有些孔道的訊號值會減去不同的參考孔道(reference channel),例如EEG、EOG、EMG。
每個孔道對應於不同生理狀態,可作為臨床上異常偵測。
以資料結構而言,每個生理訊號來源可稱為通道(channel),例如EEG channels,ECG channels,EMG channels,EOG channels;而每一個通道為單維度資料,以電壓(voltages,是機器收取訊號的方式)為記錄單位,隨時間(time)累積資料量。
舉例而言,一般圖像為多維度資料(長300像素(pixels)*寬300像素(pixels)*RGB三原色或灰階),因此每個通道為單維度資料(1channel*time)。
例如,以17個通道(channels)而言,CNN之輸入為17channels*time資料,例如,可視為17個單維度資料。
而本發明之卷積神經網路CNN模組3可用這樣的資料模式作為訓練用之輸入資料。
例如,以睡眠多項生理檢查儀PSG為17通道而言,記錄睡眠檢測者(患者)整晚約5至7小時的資料量來說,若以30秒做為資料切分大小,則每一筆資料為17通道乘上30秒時間(17channels*30sec),對於5至7小時的時間區段而言,約有720筆資料(ie.(5至7)*60/30)。
對於患者的取樣大小而言,例如,取樣超過500位病患做為訓練資料。每一筆30秒資料會由訓練過的生理睡眠技師7使用軟體對呈現於螢幕6上的圖形做判讀,定義出病徵,並非找特徵。
在此,必須注意的是,卷積神經網路CNN模組3是訓練,例如,17個電壓型態的單維度資料,而不是生理睡眠技師7於螢幕6上以肉眼所見的波形,雖然在卷積神經網路CNN模組3與人腦判斷方式相類似,惟,資料形式是不同。
例如,對於每個30秒資料,生理睡眠技師7標註之訊息有二:1.有睡眠周期(sleep stages)2.呼吸中止症的發生與否(apnea/hypopnea)。而對於週期,生理睡眠技師7標註1~5。睡眠周期,生理睡眠技師7標註apnea/hypopnea/normal。
卷積神經網路CNN模組3的訓練上,例如,可分為兩個模型,一個是以30秒PSG為輸入,訓練其辨識週期;而另一個則是以30秒PSG為輸入,訓練其辨識呼吸中止症。
此,如第4圖中所示之,就輸入通道(channels)而言,例如,17個通道,其中各個訊號之表示為:C3_A2表示腦電波訊號1;C4_A1表示腦電波訊號2;O2_A1表示腦電波訊號3;O1_A2表示腦電波訊號4;LOC_A2表示左眼肌肉訊號偵測眼球轉動;ROC_A1表示右眼肌肉訊號偵測眼球轉動;Chin_1_Chin_2表示下巴肌肉偵測嘴動作;RIP_ECG表示心電圖測心率;Nasal_Oral表示呼吸訊號1(呼吸溫度變化);Nasal_Pressure表示呼吸訊號2(呼吸壓力變化);Thor_add表示胸部起伏;
Abdo_add表示腹部起伏;Leg_R表示右腳動作針測;Leg_L表示左腳動作針測;Mic表示麥克風偵測打呼聲;SpO2表示血液含氧量;PositionSen表示身體翻身偵測。
第4圖為訊號示意圖,用以顯示說明於第3圖的實施例中的共為17個通道的各別之生理訊號。
卷積神經網路CNN模組3,該卷積神經網路CNN模組3使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務進行參數優化;其中,該深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道進行非線性特徵擷取,擷取後的特徵用來對目標進行歸納;而臨床應用目標有:呼吸中止症、失眠、肢動症;在此,引入該預的自動判讀演算法可節約人力成本,提升臨床醫師提供的醫療品質,提升睡眠技師的醫療服務;在此,使用卷積神經網路CNN模組3(深度學習模型),可辨識PSG整晚睡眠紀錄,可輸出呼吸中止指數apnea hypopnea index(AHI)、睡眠效率sleep efficiency、呼吸障礙指數(RDI)、打鼾數(Snore counts)等等資訊。
第5圖為一示意圖,用以顯示說明於第3圖中的實施例的卷積神經網路CNN模組之CNN模型訓練方式及組成。
如第5圖中所示之,CNN模型訓練方式及組成為由密集模組(dense module)11、轉移模組(translation module)12、轉移模組(translation module)13、線性層(linear block)14、以及Softmax函數(Softmax regression)15所組成,而輸出為資料分類(Classification)。
密集模組11包含二次之批量標準化(Batch Normalization)、線性整流函式ReLU(Rectified Linear Unit)、以及卷積層(Convolution);以及,轉移模組12、以及轉移模組13分別包含批量標準化、線性整流函式ReLU、卷積層、以及池化(polling)層。
例如,批量標準化算法使得深層神經網絡訓練更加穩定,加快了收斂的速度;而線性整流函式ReLU函數和它的導數計算簡單,在向前傳遞和向後傳遞時都減少了計算量,由於在時函數的導數值為1,可以在一定程度上解決梯
度消失問題,訓練時有更快的收斂速度;卷積層可有n個m*p的卷積核,n,m,p為整數,例如,作用於灰度圖像,每個卷積核作用於前一層輸出圖像的部分通道上,產生多張的輸出圖像;以及,池化層作用於卷積層的輸出圖像,執行q*r的池化,q,r為整數,產生多張的輸出圖像。
以卷積神經網路CNN模組3使用深度學習演算法而產生出估測模型的CNN模型訓練方法而言,如第5圖中所示之,以17個通道的各別生理訊號當成輸入資料:
使用多層卷積層(convolution layers)組成一個密集層(Dense Block),許多密集層可以藉由轉移層(Transition Block)連接,最後經過線性層(Linear Block)輸出,Softmax函數(Softmax regression)運算而輸出。
資料向前傳遞(Forward-propagation)經過各層可逐漸萃取重要特徵,於密集層時特徵會萃取重要特徵,這些特徵會於轉移層疊加(concatenate),此疊加效果較一般傳統的CNN會保留上游特徵。
每次訓練結果會藉由向後傳遞(Back-propagation)更新參數,藉此修正錯誤辨識的參數。
CNN層為單通道特徵萃取,訓練或辨識時會對所有一個以上的通道做特徵萃取。估測模型之模型最後輸出會經過注意力層(Attention)將權重重新分配,增強通道之間與時間序列前後的關聯性。
以正確率(Accuracy),操作特征曲線(ROC),曲線下面積(AUC),F1 Scores,敏感性Sensitivity,特異性(Specificity)為模型衡量標準。
以估測模型之運作的訓練後CNN模型的貢獻而言:
輸出權重,提供選擇通道的依據。
配合Grad-Cam解釋模型分類依據;
在此,Gran-Cam(Gradient-weighted Class Activation Mapping)為CNN模型輸出的另一種方式。一般模型輸出為分類機率,例如,CNN模型週期輸出有5個,機率分別為,90%,2%,2%,3%,3%,以取決於機率大小,而由於機率為90%,則有很大的機率為第一個類別,因此模型輸出判別為第一類。Gran-Cam的方式是,利用同一個CNN的參數,輸入某一筆30秒資料之後,保留模型傳遞運算值,然後:取出CNN最後一個特徵層將運算值平均;
將模型的梯度回推到CNN最上層並取出;將前二者疊合,做出熱度梯度圖(heat map)。
熱度梯度圖可以指出此模型判讀此30秒是依據資料的最依賴的資料位置,可將之稱為最重要的判別特徵。
例如,可訓練CNN判別某一段30秒資料,判別是否發生呼吸中止症,然後用Grad-Cam對此CNN做操作,而發現是Nasal_Oral channel某個時間點熱度特別高,作為此CNN判讀依據。
一般分類模型都可以做出此項操作,得到模型判別依據。很多人稱CNN為黑箱作業,主要是訓練過程部難以解析,雖然Grad-cam回溯特徵可以猜測,但其實特徵層非常多,可取最後一層作出解釋,而越上層的特徵層其解析出的特徵非常雜亂無法使用Grad-Cam表示清楚,因此有黑箱之名。
配合遞減/加方式搜尋通道重要性,可剔除無貢獻通道,可保留特殊貢獻通道;在此,以遞減方式方法而言:
首先,依據CNN最後一層全連接層(full connection layer)之權重將通道channel做大小排序,權重較大者對模型貢獻程度較高。
接著,依序拔除通道channel,重新訓練一個CNN模型,觀察對於辨識效果之影響。例如,原本的通道channel有17個,拔除權重最大者後,將剩餘16個,訓練一個新的CNN模型對這16個通道channel做辨識,觀察其辨識準確性。下一階段,於這16個通道channel中,再拔除權重最大者,剩餘15個通道channel,訓練一個新的CNN模型做辨識,觀察其辨識準確性。依此類推進行,重複以上步驟,直至剩餘最後一個通道channel為止。可依據辨識準確性、以及權重大小而選取所需的通道數目。
以遞加方式而言:
訓練權重最大的1個通道channel的新CNN模型,觀察其辨識準確率。接著訓練一個新的CNN,使用2個權重排名前二高的通道channels,觀察其辨識準確率。依此類推進行,重複以上步驟,直至重複到17個通道channnls為止。可依據辨識準確性、以及權重大小而選取所需的通道數目。
此種遞加/遞減方式使用資料操作方法,並未對CNN模型架構進行更動,唯權重會重新訓練,不同的CNN模型彼此表達不互相影響,只比較訓練結果的準確性。準確性的排序與權重大小呈現高度相關性,例如,以17個生理訊號通道(channel)而言,只需要排序較高的8個通道channel就可達到原本17個通道訓練最好的辨識成果。
換言之,可檢選出對睡眠檢測者睡眠生理狀態進行檢測/判讀時為較重要的一些生理訊號通道並摒除/剔除無貢獻通道,而保留特殊貢獻通道且並未降低睡眠檢測者睡眠生理狀態的判讀準確度,能以較少的生理訊號通道而得出準確的睡眠檢測者睡眠生理狀態判讀結果,能使用深度學習演算法訓練人工智慧模型進行PSG判讀。
針對中止症/失眠/肢動症分類目的選擇重要通道。
演算機制可容忍資料劇烈縮放(30Hz-512Hz)。
設計了深度學習專用的壓縮法,降低為可攜式裝置的可攜式睡眠生理檢測裝置(例如,個人可攜式)及/或居家睡眠檢測(HSAT)裝置的容量限制與頻寬要求。
模型訓練依據巨量資料,涵蓋廣泛變異因子。
以估測模型功能的訓練後CNN模型作用而言:
可判別經典中止症/失眠/肢動症辨識做特化訓練。
可達成及時偵測,紀錄後偵測。
配合警報系統可設置長期無人自動提醒。
模型可調整敏感性sensitivity升高或降低需求。
模型參數少佈署容易。
回饋使用者判讀依據。
另,利用本發明之通道資訊處理系統1及其方法所產生出的估測模型,例如,呼吸中止症/失眠/肢動症估測模型,目標睡眠檢測者(病患)能以可攜式裝置(例如,個人可攜式睡眠生理檢測裝置)及/或居家睡眠檢測(HSAT)裝置對睡眠生理多項狀態進行檢測,經由無線及/或有線網路,提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號,因而,可估測目標睡眠檢測者(病患)的生理狀態而產生多項對應於睡眠狀態的睡眠生理資料,資訊處理模組2根據病患之睡眠生理資料配合由卷積神經網路CNN模組3
所產生出之呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(病患)是否睡眠狀態正常,抑或,是判斷出有睡眠病症,換言之,資訊處理模組2按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的睡眠生理資料,配合由卷積神經網路CNN模組3所產生出之呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
資料庫4,該資料庫4配合資訊處理模組2、卷積神經網路CNN模組3共同運作,可供資訊處理模組2、卷積神經網路CNN模組3存取所需的資料/數據。
本發明之通道資訊處理系統及其方法,能利用人工智慧以多項生理睡眠檢查來辨識各項睡眠狀態,使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,並可針對不同任務進行參數優化;以及,能利用深度學習演算法經由訓練卷積神經網路CNN方式而產生出估測模型,且深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道(channel)進行非線性特徵擷取,擷取後的特徵可用來對目標進行歸納。
再,本發明之通道資訊處理系統及其方法,利用人工智慧以多項生理睡眠檢查辨識各項睡眠狀態,使用深度學習演算法訓練人工智慧模型進行PSG判讀,可以針對不同任務進行參數優化,而臨床應用目標有:呼吸中止症、失眠、以及肢動症,而引入自動判讀演算法可節約人力成本,提升臨床醫師提供的醫療品質,提升睡眠技師的醫療服務。
又,本發明之通道資訊處理系統及其方法,能以最簡單/方便的睡眠狀態檢測型式,讓睡眠檢測者(病患)無須在醫院/醫學中心的睡眠研究/治療中心才能以睡眠多項生理檢查儀PSG來進行睡眠生理多項狀態的檢測,而是能以可攜式裝置(例如,個人可攜式睡眠生理檢測裝置)及/或居家睡眠檢測(HSAT)裝置對睡眠生理多項狀態進行檢測,以提供睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號。
另,本發明之通道資訊處理系統及其方法,對於PSG生理訊號的處理而言,如何能在,例如,多達十幾項甚或二十項,生理訊號通道(channel)中檢選出對睡眠檢測者睡眠生理狀態進行檢測/判讀時為較重要的一些生理訊號通道並摒除/剔除無貢獻通道,而保留特殊貢獻通道且並未降低睡眠檢測者睡眠生理狀態的判讀準確度,能以較少的生理訊號通道而得出準確的睡眠檢測者睡
眠生理狀態判讀結果,能使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務進行參數優化,搜尋通道重要性,可剔除無貢獻通道道,可保留特殊貢獻通道,僅須提供較重要而非全部的生理訊號通道的生理訊號即可以人工智慧之卷積神經網路CNN所產生出的估測模型,並非為利用人力,而能準確判讀並得出睡眠檢測者睡眠生理狀態的判讀結果。
視實施狀況,資訊處理模組2及/或卷積神經網路CNN模組3,係由電子硬體、韌體、以及軟體的至少其中之一所組成,配合通道資訊處理系統1所在之系統/裝置的處理器(未圖示之)而進行動作;而資料庫4則位於通道資訊處理系統1所在之系統/裝置的儲存模組(未圖示之)。
於本實施例中,雖通道資訊處理系統1係位於,例如,醫院睡眠中心的電子裝置5中,電子裝置5可為,例如,伺服器,惟,對於通道資訊處理系統1位於醫療教學中心/醫院的電子裝置,例如,伺服器,個人PC,而言,其理相同、類似於本實施例中所述之;又,睡眠生理技師7所使用之螢幕6可為電子裝置5(例如,伺服器)的螢幕,惟,對於電子裝置5為筆記型電腦或行動裝置,例如,Androind手機,iPhone,而言,則螢幕6可為該電子裝置5所具有之使用螢幕,其理相同、類似於本實施例中所述之,是故,在此不再贅述。
另,於本實施例中,雖係以17個通道(channels)舉例,惟,對於其他數目的通道而言,其理相同、類似於本實施例中所述之;再,於本實施例中,雖是以30秒做為資料切分大小,惟,對於其他資料切分大小的資料而言,其理相同、類似於本實施例中所述之;於本實施例中,生理睡眠技師7標註之訊息:睡眠周期、以及呼吸中止症的發生與否,而對於週期,生理睡眠技師7標註1~5睡眠周期,生理睡眠技師7標註apnea/hypopnea/normal,惟,對於依其他目的之生理睡眠技師7標註而言,其理相同、類似於本實施例中所述之;於本實施例中,卷積神經網路CNN模組3的訓練上,例如,可分為兩個模型,一個是以30秒PSG為輸入,訓練其辨識週期,而另一個則是以30秒PSG為輸入,訓練其辨識呼吸中止症,惟,對於依其他目的之模型、訓練辨識週期、辨識症狀而言,其理相同、類似於本實施例中所述之;於本實施例中,深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道進行非線性特徵擷取,擷取後的特徵用來對目標進行歸納,而臨床應用目標有:呼吸中止症、失眠、肢動症,惟,對於依其他目的之臨床應用目標而言,其理相同、類似於本實施例中所述之;於本實施例中,可辨
識PSG整晚睡眠紀錄,可輸出呼吸中止指數apnea hypopnea index(AHI)、睡眠效率sleep efficiency、呼吸障礙指數(RDI)、打鼾數(Snore counts)等等資訊,惟,對於依其他目的之辨識而言,其理相同、類似於本實施例中所述之;再,於本實施例中,卷積神經網路CNN模組之CNN模型訓練方式及組成,可為不同的型式而適用於其他的CNN模型訓練,其理相同、類似於本實施例中所述之;是故,以上種種,在此,不再贅述之。
第4圖為訊號示意圖,用以顯示說明於第3圖的實施例中的共為17個通道的各別之生理訊號。
在此,如第4圖中所示之,就輸入通道(channels)而言,例如,17個通道,其中各個訊號之表示為:C3_A2表示腦電波訊號1;C4_A1表示腦電波訊號2;O2_A1表示腦電波訊號3;O1_A2表示腦電波訊號4;LOC_A2表示左眼肌肉訊號偵測眼球轉動;ROC_A1表示右眼肌肉訊號偵測眼球轉動;Chin_1_Chin_2表示下巴肌肉偵測嘴動作;RIP_ECG表示心電圖測心率;Nasal_Oral表示呼吸訊號1(呼吸溫度變化);Nasal_Pressure表示呼吸訊號2(呼吸壓力變化);Thor_add表示胸部起伏;Abdo_add表示腹部起伏;Leg_R表示右腳動作針測;Leg_L表示左腳動作針測;Mic表示麥克風偵測打呼聲;SpO2表示血液含氧量;PositionSen表示身體翻身偵測。
第5圖為一示意圖,用以顯示說明於第3圖中的實施例的卷積神經網路CNN模組之CNN模型訓練方式及組成。
如第5圖中所示之,CNN模型訓練方式及組成為由密集模組(dense module)11、轉移模組(translation module)12、轉移模組(translation module)13、線性層(linear block)14、以及Softmax函數(Softmax regression)15所組成,而輸出為資料分類(Classification)。
密集模組11包含二次之批量標準化(Batch Normalization)、線性整流函式ReLU(Rectified Linear Unit)、以及卷積層(Convolution);以及,轉移模組12、以及轉移模組13分別包含批量標準化、線性整流函式ReLU、卷積層、以及池化(polling)層。
例如,批量標準化算法使得深層神經網絡訓練更加穩定,加快了收斂的速度;而線性整流函式ReLU函數和它的導數計算簡單,在向前傳遞和向後傳遞時都減少了計算量,由於在時函數的導數值為1,可以在一定程度上解決梯度消失問題,訓練時有更快的收斂速度;卷積層可有n個m*p的卷積核,n,m,p為整數,例如,作用於灰度圖像,每個卷積核作用於前一層輸出圖像的部分通道上,產生多張的輸出圖像;以及,池化層作用於卷積層的輸出圖像,執行q*r的池化,q,r為整數,產生多張的輸出圖像。
以卷積神經網路CNN模組3使用深度學習演算法而產生出估測模型的CNN模型訓練方法而言,如第5圖中所示之,以17個通道的各別生理訊號當成輸入資料。
第6圖為一流程圖,用以顯示說明利用如第3圖中之本發明之資訊處理系統的一實施例以進行資訊處理方法的一流程步驟。如第6圖中所示之,首先,於步驟201,進行監測睡眠生理訊號接收動作;資料處理模組2將接收多筆與訓練人工智慧卷積神經網路CNN相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG(polysomnography)而產生出來,並進到步驟202。
在此,資訊處理模組2將接收多筆與訓練人工智慧卷積神經網路CNN相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG而產生出來,亦即,該些多筆監測睡眠生理訊號係由睡眠多項生理檢查儀PSG檢測/接收多位睡眠檢測者(病患)的睡眠生理多項狀態所對應生成之,在此,透過睡眠多項生理檢查儀PSG測量後,可以得到綜合資訊,
並且可進一步計算病患的睡眠狀態,例如呼吸中止指數(apnea-hypopnea index,AHI),睡眠效率(Sleep Efficiency),量化病徵的嚴重程度。
於步驟202,進行訊號處理動作,將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號,並進到步驟203。
在此,資訊處理模組2將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號,在此,本發明採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;再,該資訊處理模組2根據經訊號處理動作後的該些多筆訓練資料,訓練卷積神經網路CNN(Convolutional Neural Network)模組3以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。
於步驟203,進行診斷模型產生動作,該資訊處理模組2根據經訊號處理動作後的該些多筆訓練資料,訓練卷積神經網路CNN模組3以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。
在此,卷積神經網路CNN模組3使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,可以針對不同任務進行參數優化,在此,採用深度學習演算法中的卷積神經網路CNN,將所有通道納入訓練資料,而訓練資料之標註為醫院睡眠中心專業技師臨床上長期累的結果;對於此深度學習模型,可使用三種方式選取通道:第一、選擇模型內參數較高的通道作為重要的通道;第二、訓練單一個通道作辨識任務,選取最辨識準確性者;以及,第三、只剔除一個通道(leave-one out)訓練模型,若通道有重要貢獻則辨識效率將降低;其中,該深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道進行非線性特徵擷取,擷取後的特徵用來對目標進行歸納;而臨床應用目標有:呼吸中止症、失眠、肢動症;在此,引入該預估模式的自動判讀演算法可節約人力成本,提升臨床醫師提供的醫療品質,提升睡眠技師的醫療服務;在此,使用卷積神經
網路CNN模組3(深度學習模型),可辨識PSG整晚睡眠紀錄,可輸出呼吸中止指數apnea hypopnea index(AHI)、睡眠效率sleep efficiency、呼吸障礙指數(RDI)、打鼾數(Snore counts)等等資訊。
第7圖為一流程圖,用以顯示說明利用如第3圖中之本發明之資訊處理系統的一實施例以進行資訊處理方法的另一流程步驟。如第7圖中所示之,首先,於步驟301,進行監測睡眠生理訊號接收動作;資料處理模組2將接收多筆與訓練人工智慧卷積神經網路CNN相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG(polysomnography)而產生出來,並進到步驟302。
於步驟302,進行訊號處理動作,資料處理模組2將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號,並進到步驟303。
於步驟303,進行診斷模型產生動作,該資訊處理模組2根據經訊號處理動作後的該些多筆訓練資料,訓練卷積神經網路CNN模組3以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀,並進到遠端睡眠狀況檢測流程。
於遠端睡眠狀況檢測流程的步驟401,利用本發明之資訊處理系統1及其方法所產生出的估測模型,首先,進行遠端資料提供動作;目標睡眠檢測者(病患)能以可攜式裝置(例如,個人可攜式睡眠生理檢測裝置)及/或居家睡眠檢測(HSAT)裝置對睡眠生理多項狀態進行檢測,並經由有線或無線網路,將睡眠生理狀態的判讀所需為較重要而非全部的多項生理訊號通道(channel)的生理訊號予以傳送,提供至本發明之通道資訊處理系統1的資訊處理模組2,並進到步驟402。
於步驟402,進行訊號處理動作;資訊處理模組2對待分析的該些生理訊號進行預定訊號處理,並進到步驟403。
於步驟403,進行睡眠資料產生動作;資訊處理模組2根據進行過預定處理的待分析的該些生理訊號,使用由卷積神經網路CNN模組3所產生之呼
吸中止症/失眠/肢動症估測模型估測目標病患的生理狀態以產生多項睡眠生理資料,並進到步驟404。
於步驟404,進行睡眠狀態判斷動作;資訊處理模組2根據病患之多項睡眠生理資料配合由卷積神經網路CNN模組3所產生之呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(病患)是否睡眠狀態正常,抑或,是判斷出有睡眠病症,換言之,資訊處理模組2按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的多項睡眠生理資料,配合由卷積神經網路CNN模組3所產生之呼吸中止症/失眠/肢動症估測模型,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
綜合以上之該些實施例,我們可以得到一種通道資訊處理系統及其方法,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症/失眠/肢動症可攜式裝置(portable device)之通道(channel)並診斷睡眠病患症狀的環境中,利用本發明之通道資訊處理系統以進行通道資訊處理方法時,首先,進行監測睡眠生理訊號接收動作,接收多筆與訓練人工智慧卷積神經網路CNN相關的監測睡眠生理訊號,其中,該些多筆監測睡眠生理訊號係由病患透過睡眠多項生理檢查儀PSG而產生出來;接著,進行訊號處理動作,將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練人工智慧卷積神經網路CNN的多筆訓練資料,其中,該些多筆訓練資料中的每一筆訓練資料的每一項資料係對應於該些多筆監測睡眠生理訊號中之每一筆監測睡眠生理訊號中之每一通道的每一生理訊號;進而,進行診斷模型產生動作,根據經訊號處理動作後的該些多筆訓練資料,卷積神經網路CNN將產生出以產生出呼吸中止症/失眠/肢動症估測模型,用以診斷病患症狀。根據並利用本發明之通道資訊處理系統及其方法所產生出的呼吸中止症/失眠/肢動症估測模型,按睡眠檢測者(患者)利用可攜式裝置通道所產生出之對應生理狀態的睡眠生理資料,可判斷出睡眠檢測者(患者)是否睡眠狀態正常,抑或,是判斷出有睡眠病症。
以上所述僅為本發明之較佳實施例而已,並非用以限定本發明之範圍;凡其它未脫離本發明所揭示之精神下所完成之等效改變或修飾,均應包含在下述之專利範圍內。
1:通道資訊處理系統
2:資訊處理模組
3:卷積神經網路CNN模組
4:資料庫
Claims (5)
- 一種通道資訊處理系統,係應用於利用人工智慧方式而搜尋最佳診斷呼吸中止症、失眠、及肢動症的可攜式裝置之通道並診斷睡眠病患症狀的環境中,包含:卷積神經網路CNN模組;資訊處理模組,資訊處理模組將接收多筆與訓練該卷積神經網路CNN模組相關的監測睡眠生理訊號;該資訊處理模組將針對該些多筆監測睡眠生理訊號之對應每一通道的每一生理訊號,進行訊號處理,以產生出用以訓練該卷積神經網路CNN模組的多筆訓練資料;以及,該資訊處理模組根據經訊號處理動作後的該些多筆訓練資料,訓練該卷積神經網路CNN模組,使用深度學習演算法訓練人工智慧模型進行PSG(polysomnography)判讀,針對不同任務進行參數優化,以產生出呼吸中止症、失眠、及肢動症估測模型,用以診斷病患症狀,其中,該深度學習演算法具有特徵搜尋功能,可應用於不同數量PSG通道進行非線性特徵擷取,擷取後的特徵用來對目標進行歸納;以及資料庫,該資料庫配合該資訊處理模組、及該卷積神經網路CNN模組共同運作,可供該資訊處理模組、及該卷積神經網路CNN模組存取所需的資料、及數據,以便產生出該呼吸中止症、失眠、及肢動症估測模型;其中,該呼吸中止症、失眠、及肢動症估測模型使用選擇參數較高的通道作為重要的通道、訓練單一通道作辨識而選取最辨識準確性者、以及只剔除一個通道訓練模型的至少其中之一而選取通道。
- 如請求項1所述之通道資訊處理系統,其中,病患能以一裝置對睡眠生理多項狀態進行檢測,並經由有線或無線網路,將睡眠生理狀態的判讀所需為較重要的多項生理訊號通道的生理訊號予以傳送至該資訊處理模組;該資訊處理模組對待分析的該些生理訊號進行訊號處理;該資訊處理模組根據進行過預定處理的待分析的該些生理訊號,使用由該卷積神經網路CNN模組所產生出的該呼吸中止症、失眠、及肢動症估測模型估測目標病患的生理狀態以產生多項睡眠生理資料;以及,該資訊處理模組進行睡眠狀態判斷。
- 如請求項2所述之通道資訊處理系統,其中,判斷該睡眠狀態為正常。
- 如請求項2所述之通道資訊處理系統,其中,判斷該睡眠狀態為有睡眠病症。
- 如請求項2或請求項3或請求項4所述之通道資訊處理系統,其中,該裝置為可攜式裝置、以及居家睡眠檢測(HSAT)裝置的至少其中之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128831A TWI756793B (zh) | 2020-08-24 | 2020-08-24 | 一種通道資訊處理系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128831A TWI756793B (zh) | 2020-08-24 | 2020-08-24 | 一種通道資訊處理系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202207875A TW202207875A (zh) | 2022-03-01 |
TWI756793B true TWI756793B (zh) | 2022-03-01 |
Family
ID=81710952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109128831A TWI756793B (zh) | 2020-08-24 | 2020-08-24 | 一種通道資訊處理系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI756793B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI839718B (zh) * | 2022-04-26 | 2024-04-21 | 緯創資通股份有限公司 | 優化方法及其伺服器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201328664A (zh) * | 2012-01-10 | 2013-07-16 | Univ Dayeh | 依據預測結果判斷是否存在睡眠障礙之系統及其方法 |
KR20170083483A (ko) * | 2016-01-08 | 2017-07-18 | 전남대학교산학협력단 | 실시간 수면장애 감시 장치 |
KR20200079676A (ko) * | 2018-12-26 | 2020-07-06 | (주)허니냅스 | 딥러닝 기반의 수면다원 검사장치 및 그 방법 |
-
2020
- 2020-08-24 TW TW109128831A patent/TWI756793B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201328664A (zh) * | 2012-01-10 | 2013-07-16 | Univ Dayeh | 依據預測結果判斷是否存在睡眠障礙之系統及其方法 |
KR20170083483A (ko) * | 2016-01-08 | 2017-07-18 | 전남대학교산학협력단 | 실시간 수면장애 감시 장치 |
KR20200079676A (ko) * | 2018-12-26 | 2020-07-06 | (주)허니냅스 | 딥러닝 기반의 수면다원 검사장치 및 그 방법 |
Also Published As
Publication number | Publication date |
---|---|
TW202207875A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Panicker et al. | A survey of machine learning techniques in physiology based mental stress detection systems | |
Kumar et al. | Deep learning for predicting respiratory rate from biosignals | |
Murthy et al. | Touchless monitoring of breathing function | |
Oresko et al. | A wearable smartphone-based platform for real-time cardiovascular disease detection via electrocardiogram processing | |
JP5859979B2 (ja) | 人間の健康の監視のための多変量残差に基づく健康指標 | |
CN104321013B (zh) | 用于基于ecg信号来提供睡眠质量的视觉表示的方法和装置 | |
EP2698112B1 (en) | Real-time stress determination of an individual | |
JP2015042267A (ja) | 睡眠/覚醒状態評価方法及びシステム | |
CN110811547A (zh) | 一种多导睡眠监测仪及睡眠监测方法 | |
Jiao et al. | Non-invasive heart rate estimation from ballistocardiograms using bidirectional LSTM regression | |
TWI756793B (zh) | 一種通道資訊處理系統 | |
TWI748485B (zh) | 一種資訊處理系統及其方法 | |
US20240008765A1 (en) | Establishing method of sleep apnea assessment program, sleep apnea assessment system, and sleep apnea assessment method | |
Sarkar et al. | Automatic detection of obstructive and restrictive lung disease from features extracted from ECG and ECG derived respiration signals | |
EP4124287A1 (en) | Regularized multiple-input pain assessment and trend | |
TWI777650B (zh) | 基於心跳間隔下降率分組之呼吸暫停與不足事件偵測方法 | |
TW202410067A (zh) | 疾病風險評估方法 | |
CN114869226A (zh) | 一种基于心冲击信号的睡眠分期方法 | |
Su et al. | An Automatic Sleep Arousal Detection Method by Enhancing U-Net with Spatial-channel Attention | |
Vyas et al. | Sleep Stage Classification Using Non-Invasive Bed Sensing and Deep Learning | |
Pantelopoulos et al. | A formal language approach for multi-sensor wearable health-monitoring systems | |
Song et al. | A novel method for chronic obstructive pulmonary disease detection using comprehensive respiratory impedance and electrocardiogram-derived respiration | |
Satapathy et al. | Comparative Study of Brain Signals for Early Detection of Sleep Disorder Using Machine and Deep Learning Algorithm | |
TWI772086B (zh) | 使用全卷積神經網路之呼吸暫停與不足事件偵測方法 | |
Behar et al. | Editorial on Remote Health Monitoring: from chronic diseases to pandemics |