TWI766471B

TWI766471B - 基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統

Info

Publication number: TWI766471B
Application number: TW109143673A
Authority: TW
Inventors: 林俊成; 胡家耀
Original assignee: 國立勤益科技大學
Priority date: 2020-12-10
Filing date: 2020-12-10
Publication date: 2022-06-01
Also published as: TW202222257A

Abstract

本發明基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其包含有量測裝置、處理裝置及雲端監測裝置；其中，該量測裝置得以針對人體進行胸部呼吸強度的感測及心電量測且形成心電圖，並將感測結果與心電圖轉換為數位訊號輸送，使該處理裝置先以二元小波轉換分解該數位訊號，且分解後該數位訊號再以心電圖R波偵測演算法取得有複數訊號，並選擇該等訊號之至少其中一種為輸入訊號，而該輸入訊號再以卷積神經網路深度學習模型技術進行演算、訓練，最後辨識出是否出現呼吸強度不足事件，並將辨識結果傳送至該雲端監測裝置進行儲存記錄，提供查詢同時進行遠端即時監控其所在位置，以適當發送提醒通知。

Description

基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統

本發明是有關於一種睡眠呼吸強度檢測，特別是指一種基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統。

查，阻塞睡眠呼吸暫停(Obstructive Sleep Apnea；以下簡稱OSA)是一種常見且嚴重的睡眠呼吸功能阻礙，會在睡眠期間因咽部塌陷造成完全或部分上呼吸道阻塞，進而導致呼吸暫停或減弱，且根據先前的研究顯示，阻塞睡眠呼吸暫停與高血壓、冠心病、心律失常、心臟衰竭和中風的發病率有關，而透過睡眠多項生理檢查(Polysomnography；以下簡稱PSG)是評估OSA嚴重程度的黃金標準方法，受試者必須到睡眠實驗室或睡眠中心睡一個晚上，在護理人員的監督下，分別在頸部、眼角、下巴、心臟以及腿部貼上電極貼片，並且胸部及腹部套上感應帶，在手指套上血氧測量器，在口鼻套上呼吸感應器，在手臂上套上血壓計，以記錄整個晚上的睡眠生理數據，包括腦電圖、眼電圖、心電圖、下巴肌電圖、胸部活動、口鼻氣流、血壓變化、血氧飽合部，心跳頻率，以及睡眠體位等，依據PSG提供的呼吸暫停(Apnea)與呼吸不足指標可以評估OSA的嚴重程度，包括呼吸正常(Normal；AHI ＜5)、輕度OSA(Mild；AHI介於5到14)、中度OSA(Moderate；AHI介於15到30) 、以及嚴重OSA (Severe； AHI＞ 30)。

接續前述，因為PSG是一種不方便且昂貴的檢查，有鑒於PSG的診斷昂貴且不便，近年來便有人致力於研究量測較少的訊號來開發簡單且花費少的呼吸強度評估系統，主要被使用的訊號有血氧濃度、心電圖、呼吸訊號、聲音訊號、以及結合不同的訊號，因為PSG主要是結合呼吸訊號(包括口鼻氣流、胸部呼吸與腹部呼吸)與血氣濃度來檢測呼吸暫停與呼吸不足事件，如果單獨使用口鼻氣流，胸部呼吸、腹部呼吸或血氣濃度時，將無法檢測所有的呼吸暫停呼吸不足事件，因此，要在量測較少訊號的條件下來評估呼吸強度，是目前所要重視的課題。

因此，本發明之目的，是在提供一種基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其能透過簡單的量測方式，有效快速了解受測者的呼吸強度，且能提供遠端即時監控其所在位置，以便適當發送提醒通知。

於是，本發明基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其包含有量測裝置、處理裝置及雲端監測裝置；其中，該量測裝置包括有心電圖量測模組、胸部呼吸感測模組、傳送模組及微控制器，而前述該微控制器得以將該心電圖量測模組與該胸部呼吸感測模組量測、感測所得以訊號予以轉換為數位訊號，且透過該傳送模組傳送，另，該處理裝置為使用卷積神經網路深度學習模型技術，且該處理裝置包括有處理模組、以及分別與該處理模組連接之通訊連結件、資料庫及提醒模組，由該處理模組先透過二元小波轉換分解該心電圖數位訊號，取得小波分解後的心電圖，再透過心電圖R波偵測演算法取得RR間隔訊號，並將RR間隔訊號進行傅利葉轉換，取得RR間隔訊號的強度頻譜後，再採用心電圖、小波分解後的心電圖、RR間隔訊號、RR間隔訊號強度頻譜、以及胸部呼吸訊號等其中一種或多種訊號為輸入訊號，進一步再以卷積神經網路深度學習模型技術對分解後之該數位訊號進行演算、訓練學習，且將產生的處理結果藉該提醒模組顯示，以由該通訊連結件傳送，至於，該雲端監測裝置具有儲存模組、監測模組以及分別與該儲存模組、監測模組連接之收發模組，經該儲存模組記錄該處理裝置傳送的處理結果資料，同時並透過該監測模組進行遠端即時監控，如此透過簡單量測方式，來評估呼吸強度。

圖1是本發明一較佳實施例之示意圖。圖2是本發明該較佳實施例之四階二元小波轉換方塊圖。圖3是本發明該較佳實施例之1分鐘ECG訊號與小波分解後的訊號示意圖。圖4是本發明該較佳實施例之可辨識呼吸強度不足之一維CNN 深度學習模型的方塊圖。圖5是本發明該較佳實施例之輸入訊號組合列表。圖6 本發明該較佳實施例之使用狀態示意圖。

有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之較佳實施例的詳細說明中，將可清楚的明白。

參閱圖1，本發明一較佳實施例，一種基於小波分解與強度頻譜的睡眠呼吸強度檢測系統3包含有一量測裝置31，一與該量測裝置31電性連接之處理裝置32，以及一與該處理裝置32電性連接之雲端監測裝置33；其中，該量測裝置31包括有一心電圖量測模組311，一胸部呼吸感測模組312，一傳送單元313，以及一分別與該心電圖量測模組311、胸部呼吸感測模組312及傳送單元313連接的微控制器314，而前述該心電圖量測模組311為一針對人體心臟進行心電圖(Electrocardiogram；以下簡稱ECG)訊號量測，且量測所得的類比訊號連接至該微控制器314，而該胸部呼吸感測模組312為具有三軸加速度感測器及三軸陀螺儀的設計，用於感測X、Y與Z三個方向的加速度與角速度訊號，並將感測所得的訊號連接至該微控制器314，而該微控制器314得以結合加速度與角速度訊號估算出胸部呼吸訊號，並將所得的ECG訊號與胸部呼吸訊號結合形成一數位訊號後連接至該傳送單元313，至於該傳送單元313將該數位訊號以無線方式輸出至該處理裝置32，同時該量測裝置31與該處理裝置32協定輸出的無線訊號係以藍芽方式為之。

仍續前述，該處理裝置32可為一具有連接網路功能的行動裝置，並使用卷積神經網路深度學習模型(CONVOLUTIONAL NEURAL NETWORKS；簡稱CNN)技術架構，而該處理裝置32包括有一處理模組321，以及分別與該處理模組321連接之通訊連結件322及提醒模組323，其中，該通訊連結件322可接收該量測模組31以藍芽方式無線輸出的已數位化的該等訊號，同時亦具外部通訊功能，且該處理模組321可針對該通訊連接件322接收之該心電圖數位訊號以二元小波進行轉換分解，藉由該二元小波轉換以將1分鐘ECG訊號分解為不同頻帶的訊號，而在本實施例中是採用Mallat演算法來實現二元小波轉換，且在該處理模組321中進一步具有一低通濾波器H(z)及一高通濾波器G(z)，來分解輸入的ECG訊號，即如圖2所示的四階二元小波轉換的方塊圖，同時在圖中a1、a2、a3及a4分別是第1階至第4階低頻近似(Approximation)訊號，d1、d2、d3及d4分別是第1階至第4階高頻的細節(Detail)訊號，在一分鐘的ECG訊號經二元小波分解後的訊號，其ECG訊號長度為6000(60sec×100Hz取樣頻率)，再配合參閱圖3所示的1分鐘ECG訊號與小波分解後的訊號便可很明顯看出，在高頻的d1、d2、d3及d4訊號主要包含高頻的R波波峰，而代表最低頻的a4訊號，則主要包含低頻的P、Q、S、T波，以及低頻的R波成份，因為在呼吸強度不足時，主要會造成RR間隔訊號變動，對於PQST波的波形影響較小，而之後該處理模組321可透過一心電圖R波偵測演算法取得RR間隔訊號，並將RR間隔訊號進行傅利葉轉換，取得RR間隔訊號的強度頻譜，再採用前述之心電圖、小波分解後的心電圖、RR間隔訊號、RR間隔訊號強度頻譜、以及胸部呼吸訊號等之其中至少一種或多種訊號為輸入訊號，並以CNN深度學習模型技術進行演算、訓練學習，並產生一處理結果且輸出至該提醒模組323與該通訊連結件322傳送，使該通訊連結件322以外部通訊方式進行傳送，至於該提醒模組323具有顯示、揚聲功能，其可為行動裝置的顯示幕與音效，使該提醒模組323得以針對處理結果進行顯示及提醒。

特別是，在本實施例中，該處理模組32所進行的卷積神經網路深度學習模型(CONVOLUTIONAL NEURAL NETWORKS；簡稱CNN)技術架構，其事前係以睡眠心臟健康研究(Sleep Heart Health Study；簡稱SHHS)所提供的複數ECG訊號與胸部呼吸訊號之資訊進行訓練，根據訓練後的參數做為CNN深度學習模型，而透過該CNN深度學習模型技術架構設置的主要目的是要辨識出輸入訊號是屬於呼吸強度不足事件或呼吸強度正常事件，其可命名為可辨識呼吸強度不足之一維CNN深度學習模型，如圖4所示，再予以計算其量測者的AHI(每小時的呼吸強度不足事件)來判別呼吸強度不足的嚴重程度，因此透過上述呼吸強度不足一維CNN深度學習模型的設計，可以針對輸入訊號組合，即使用訊號為ECG訊號、小波分解後ECG訊號、RR間隔訊號、RR間隔強度頻譜、以及胸部呼吸訊號做為輸入訊號來訓練與測試CNN深度學習模型，如圖5所示，同時在本發明中所使用的CNN深度學習模型技術架構主要還包括卷積層(Convolutional Layer)、池化層(Pooling Layer)、全連接層(Fully Connected Layer)、批次正規化層(Batch Normalization Layer)、以及捨棄層(Dropout Layer)，因此藉由該卷積層與池化層這兩層的設計可讓CNN深度學習模型具有能力可以提取輸入訊號的細節，同時利用該卷積層所具有的至少三項特色，即第一項特色是局部感知，可在CNN深度學習模型中針對每個神經元權重數量即為卷積核的長度，因此相當於每個神經元只與對應的部分取樣相互連接，因而能大幅減少權重的數量，透過比較少的權重數量可以降低過度擬合(Overfitting)問題風險，而第二項特色是權重共享機制，其可使CNN深度學習模型通過反向傳播誤差算法來訓練並更新最佳的卷積核權重，且在所進行卷積的過程中，卷積核的權重並不會改變，而第三項特色則是具有多卷積核，通過使用多卷積核可以取得輸入訊號中更多的特徵，因此加入卷積層的數量越多，其可以提取相關和更高層次的特徵，同時當經該卷積運算後會再加上激活函數，以進行非線性轉換，之後所得到的結果稱為特徵圖(Feature Map)，且激活函數最重要的功能在於引入神經網路的非線性，其對於後續要與全連接層的線性運算是有幫助的。

此外，同時為了減少卷積層提取特徵後的維度及提高學習過程速度，在一個或多個卷積層之後會接著一個池化層，而該池化層是根據池化核心尺寸對前一層的輸出進行下取樣，透過該池化層的設置除了可縮小前一層的輸出尺寸，更可保留重要資訊，且常用的取樣方法有最大池化，是選擇池化視窗中的最大值做為取樣值，以及平均化，其是將池化視窗中的所有值相加取平均，以平均做為取樣值，換言之，池化後的資訊更可以專注於特徵圖中是否存在相符的特徵，而不是專注在這些特徵所在位置，因此在CNN深度學習模型中不但可以判斷出特徵圖中是否包含有某項特徵，更可以針對輸入訊號的特徵有偏移時，能有效辨識出來；而接續在該池化層後的全連接層，其主要功能是做為分類器，因此在該池化層之後，該全連接層會將前經過多次卷積與池化後高度抽象化特徵進行整合，並且可以將輸入的特徵空間線性變換到另一個特徵空間，然後再由激活函數對各種分類情況輸出對應的機率，而所有分類的機率總和為1。

至於，該批次正規化層主要是加在該卷積層與激活函數之間，或是該全連接層與激活函數之間，其作用是可以讓進入到激活函數的資料有一致性的分佈(如平均值接近0，標準差接近於1)，是以，加入該批次正規化層可以加快CNN深度學習模型的訓練速度，對於降低CNN深度學習模型過度擬合也有幫助；最後，加入該捨棄層的目的是為了降低卷積神經網路模型過度擬合(Overfitting)的現象，其能避免在訓練與驗證時，有辨識準確度高且損失函數值低，與辨識準確率低且損失函數值高的情況產生，同時加入該捨棄層也可以在每個訓練批次中隨機捨棄部分的特徵檢測器，換言之，讓部分的隱藏層節點值為0，藉由這種方式可以減少特徵檢測器(隱藏層節點)間的相互作用，因而可以減少擬合現象。

接續前述，該雲端監測裝置33具有一儲存模組331，一監測模組332，以及一分別與該儲存模組331、監測模組332連接之收發模組333，其中，該收發模組333為一具外部通訊功能，其得以接收該處理裝置32所輸出的處理結果，並分別連接至該儲存模組331，而該儲存模組331儲存有每一量測者的個人資料與量測資訊等，同時對該接收模組333所接收的處理結果進行記錄，並提供歷史記錄查詢，至於該監測模組332可針對所接收之處理結果量測者於遠端即時監控其心跳波型、查看其所在位置。

參閱圖1至圖6，實際使用時，首先分別將該心電圖量測模組311及胸部呼吸感測模組312，分別放置在量測者欲進行量測的身體位置上，以便該心電圖量測模組311對量測者的心臟進行心電圖訊號的量測，並產生ECG訊號，而該胸部呼吸感測模組312便會以三軸加速度感測器與三軸陀螺儀的設計，對量測者在呼吸時的胸部起伏進行感測，並產生胸部呼吸訊號，以使該微控制器314分別接收到ECG訊號與胸部呼吸訊號且一併進行數位化後，並透過該傳送模組313將數位化的訊號以藍芽傳輸方式傳至該處理裝置32，這時，該處理裝置32之該通訊連結件322便會以藍芽功能接收該數位化後的ECG訊號與胸部呼吸訊號，並連接制該處理模組321，該處理模組321便會對已數位化的ECG訊號先以二元小波進行轉換分解，取得小波分解後的心電圖，再透過心電圖R波偵測演算法取得RR間隔訊號，並將RR間隔訊號進行傅利葉轉換，取得RR間隔訊號的強度頻譜後，再採用前述之心電圖、小波分解後的心電圖、RR間隔訊號、RR間隔訊號強度頻譜、以及胸部呼吸訊號之其中至少一種或多種訊號為輸入訊號，再透過CNN深度學習模型對所接收的該等訊號進行演算、訓練學習，並產生處理結果，且將處理結果連經至該通訊連結件322與該提醒模組323，當然若有出現異常時，如疑似呼吸強度不足事件時，更可透過該提醒模組323之揚聲器方式進行警告，而該通訊連結件322可以通過上傳數據資料方式將處理結果傳送至該雲端監測模組33，當然該雲端監測模組33所接收的數據資料亦包含量測者的GPS定位，使該雲端監測模組33得以以遠端即時監控方式監控量測者的心跳波形，並查看其所在位置與資料備份，同時透過遠端監控更可針對事件發生時發送提醒通報簡訊回溯至該處理裝置32進行通知。

歸納前述，本發明基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其藉由該量測裝置針對人體進行心電圖量測與胸部呼吸強度的感測，並轉換為數位訊號輸送，並透過該處理裝置先以二元小波轉換分解該ECG數位訊號，取得小波分解後的心電圖，再透過心電圖R波偵測演算法取得RR間隔訊號，並將RR間隔訊號進行傅利葉轉換，取得RR間隔訊號的強度頻譜後，再採用前述之心電圖、小波分解後的心電圖、RR間隔訊號、RR間隔訊號強度頻譜、以及胸部呼吸訊號之其中至少一種或多種訊號為輸入訊號，再以CNN深度學習模型技術進行演算、訓練，以進一步辨識出是否出現呼吸強度不足事件，並產生處理結果進行一一顯示，同時一併傳送至該雲端監測裝置進行儲存記錄與提供查詢，並能以遠端即時方式針對量測者的心跳波形與其所在位置進行監控，以適當發送提醒通知。

惟以上所述者，僅為說明本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。

(本發明) 3:檢測系統 31:量測裝置 32:處理裝置 33:雲端監測裝置 311:心電圖量測模組 312:胸部呼吸感測模組 313:傳送單元 314:微控制器 321:處理模組 322:通訊連結件 323:提醒模組 331:儲存模組 332:監測模組 333:收發模組

3:檢測系統

31:量測裝置

32:處理裝置

33:雲端監測裝置

311:心電圖量測模組

312:胸部呼吸感測模組

313:傳送單元

314:微控制器

321:處理模組

322:通訊連結件

323:提醒模組

331:儲存模組

332:監測模組

333:收發模組

Claims

一種基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其包含：一量測裝置，其包括有一心電圖量測模組，一胸部呼吸感測模組，一傳送單元，以及一分別與該心電圖量測模組、胸部呼吸感測模組及傳送單元連接之微控制器，其中，該微控制器可分別將該心電圖量測模組量測的心電圖(Electrocardiogram；ECG)訊號、胸部呼吸感測模組感測的胸部呼吸訊號轉換為數位訊號，且連經該傳送單元進行傳送；一處理裝置，其係與該量測裝置電性連接並使用卷積神經網路深度學習模型技術，而該處理裝置包括有一處理模組，以及分別與該處理模組連接之通訊連結件及提醒模組；其中，該通訊連結件得以接收該量測裝置所傳送的數位訊號並連經至該處理模組；另，該處理模組中儲存有複數的心電圖(Electrocardiogram；ECG)訊號，及呼吸訊號等之資訊，而該處理模組通過二元小波轉換分解該數位訊號，取得小波分解後的心電圖，同時該處理模組中進一步具有低通濾波器及一高通濾波器，來分解輸入的ECG訊號，再透過一心電圖R波偵測演算法取得RR間隔訊號，並將RR間隔訊號進行傅利葉轉換，取得RR間隔訊號的強度頻譜後，再採用前述之RR間隔訊號強度頻譜為輸入訊號，而該輸入訊號再以卷積神經網路深度學習模型技術對分解後之該數位訊號進行演算、訓練學習，且將處理結果分別連經該通訊連結件傳送及由該提醒模組顯示提醒；及一雲端監測裝置，其係與該處理裝置電性連接，該雲端監測裝置具有一儲存模組，一監測模組，以及一分別與該儲存模組、監測模組連接之收發模組，其中，該收發模組接收該處理裝置傳送處理結果分別記錄於該儲存模組中，以及透過該監測模組針對該處理結果進行所在位置的監測。
根據請求項1所述基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其中，該量測裝置進一步包括有一電力源，以提供該量測裝置所需電力使用。
根據請求項1所述基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其中，該胸部呼吸感測模組為具有三軸加速度感測器及三軸陀螺儀，以量測加速度與角速度。
根據請求項1所述基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其中，該儲存模組儲存有使用者的個人資訊、正常心跳樣板、正常心率及心電圖訊號、連絡資訊。
根據請求項1所述基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統，其中，該處理模組採用之心電圖、小波分解後的心電圖、RR間隔訊號、RR間隔訊號強度頻譜、以及胸部呼吸訊號等輸入訊號，且該等輸入訊號可為多種輸入型態。