TWI768577B - 以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 - Google Patents
以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 Download PDFInfo
- Publication number
- TWI768577B TWI768577B TW109142704A TW109142704A TWI768577B TW I768577 B TWI768577 B TW I768577B TW 109142704 A TW109142704 A TW 109142704A TW 109142704 A TW109142704 A TW 109142704A TW I768577 B TWI768577 B TW I768577B
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- sleep
- parameter
- fuzzy
- pressure
- Prior art date
Links
Images
Landscapes
- Measuring Fluid Pressure (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本發明係包括變數萃取步驟、線性演算法建立步驟、類神經模糊系統建立步驟及確效步驟。依前述步驟,以易於取得之患者之參數資訊,配合特定公式運後,只利用腰圍與身體質量指數,即可提供睡眠陽壓呼吸器壓力之最適值之預測,且準確性高。故,本案兼具簡易又快速取得之變數可供睡眠陽壓呼吸器壓力之最適值之預測,及準確性高等優點。
Description
本發明係有關一種以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,尤指一種兼具簡易又快速取得之變數可供睡眠陽壓呼吸器壓力之最適值之預測,及準確性高之以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法。
睡眠陽壓呼吸器(Positive airway pressure,PAP)是中重度睡眠呼吸中止(Obstructive sleep apnea-hypopnae,OSAH)或者輕度睡眠呼吸中止患者伴有白天嗜睡或不明原因高血壓的首要治療方式。欲提供病患最適當的壓力以解決睡眠吸中止問題,病患得在睡眠中心配戴生理感測器讓醫事人員參考在睡眠時候腦波與呼吸的生理訊號,以調整連續型睡眠陽壓呼吸器壓力(Continuous positive airway pressure)供治療使用,檢定過程相當耗時,且醫事人員也相當的疲累。
然而,民眾當第一次要到睡眠中心進行整夜睡眠檢查以確定睡眠呼吸中止,已等待好長一段時間,若再次要到睡眠中心進行連續型睡眠陽壓呼吸器壓力,則得再次等候,這對於急需要治療的病患相當不便。
雖然先前技術有很多主要以生理參數如睡眠呼吸障礙指數(Apnea-hypopnea index,AHI)、最低氧濃度(Minimal oxygen saturation,SpO2nidar)等等來預測最適壓
力的方式,但這些主要參數仍得需要等候排程到睡眠中心進行整晚睡眠檢查才能獲取,且預測準確度也不高。
有鑑於此,必須研發出可解決上述習用缺點之技術。
本發明之目的,在於提供一種以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,其兼具簡易又快速取得之變數可供睡眠陽壓呼吸器壓力之最適值之預測,及準確性高等優點。特別是,本發明所欲解決之問題係在於先前技術固然已有以生理參數如睡眠呼吸障礙指數(Apnea-hypopnea index,簡稱AHI)、最低氧濃度(Minimal oxygen saturation,簡稱SpO2nidar)…等,來預測最適壓力的方式,但這些生理參數必需要等候排程到睡眠中心進行整晚睡眠檢查才能獲取,且預測準確度也不高等問題。
解決上述問題之技術手段係提供一種以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,其包括下列步驟:一.變數萃取步驟;二.線性演算法建立步驟;三.類神經模糊系統建立步驟;及四.確效步驟。
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:
M1:變數萃取步驟
M2:線性演算法建立步驟
M3:類神經模糊系統建立步驟
M4:確效步驟
P:母集合
P1:第一子集合
P2:第二子集合
P3:第三子集合
第1圖係本發明之流程圖
第2圖係本發明之母集合及子集合之對應關係之示意圖
第3A圖係本發明之睡眠陽壓呼吸器壓力之最適值(實際值)與線性回歸模型之對應關係之示意圖
第3B圖係本發明之睡眠陽壓呼吸器壓力之最適值(實際值)與類神經模糊系統之對應關係之示意圖
參閱第1及第2圖,本發明係為一種以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,其包括下列步驟:
一.變數萃取步驟M1:收集N個患者之參數資訊,該N係為大於等於60之正整數;該每一患者之參數資訊至少包括一性別代碼、一身高值、一年齡值、一睡眠呼吸中止問卷之評分值(STOP)、愛普沃斯嗜睡量表(ESS)之評分值、一身體質量指數值(BMI)、一頸圍值(NC)、一腰圍值(WC)、一總睡眠時間值、體脂肪率(PBF)、一體脂肪重值(BFM)、一內臟脂肪面積(VFA)、一腰臀比(WHR)及一已知的睡眠陽壓呼吸器壓力之檢定值。將該N個參數資訊依該睡眠陽壓呼吸器壓力之檢定值由低至高排序,而形成一母集合P,再將該母集合分層抽樣成複數子集合,該複數子集合的其中之二分別被定義為一第一子集合P1及一第二子集合P2,該每一子集合至少包括30個參數資訊;該第一子集合P1及該第二子集合P2的其中至少一者,係被歸類為訓練組。又,由該訓練組中,分析該睡眠陽壓呼吸器壓力之檢定值與其他該參數資訊之相關係數後,得到最相關之參數資訊為該腰圍值,而次相關之參數資訊為該身體質量指數值。
二.線性演算法建立步驟M2:由前述之該腰圍值及該身體質量指數值當成輸入變數,而該睡眠陽壓呼吸器壓力之檢定值為輸出變數,進行線性回歸模型
之最小誤差分析,進而獲得一線性回歸模型(配合參考第3A圖),其係為下列之公式(1):CPAP=截距+係數A×BMI+係數B×WC; 公式(1)
其中:CPAP=睡眠陽壓呼吸器壓力之預估值;BMI=身體質量指數值;WC=腰圍值。
三.類神經模糊系統建立步驟M3:定義一類神經模糊系統(配合參考第3B圖)之輸入變數為該腰圍值及該身體質量指數值,且定義該類神經模糊系統之輸出值為一睡眠陽壓呼吸器壓力之預估值;該類神經模糊系統具有r條模糊估測法則,其中r係為大於等於2之正整數,該每條模糊估測法則的型式表示如下之公式(2):第i條:當前述之截距為ai0,且前述之係數A為ai1,又前述之係數B為
ai2時,
其中,m ij 與σ ij ,j=1、2分別代表高斯模糊集合的中心點與寬度;該睡眠陽壓呼吸器壓力之預估值係可由前述之公式(2)預估。
實務上,本發明可再包括:
四.確效步驟M4:將該第一子集合P1及該第二子集合P2的其中之一歸類為訓練組,其中之另一歸類為確效組。經前述之該線性演算法建立步驟M2及該類神經模糊系統建立步驟M3估算該睡眠陽壓呼吸器壓力之預估值後,可與該睡眠陽壓呼吸器壓力之檢定值進行準確度比較以及預測偏差之分析。
進一步,該變數萃取步驟M1中之該複數子集合的其中之一,可被定義為一第三子集合P3。將該第一子集合P1及該第二子集合P2歸類為訓練組,並將該第三子集合歸類為確效組;經前述之該線性演算法建立步驟M2及該類神經模糊系統建立步驟M3估算該睡眠陽壓呼吸器壓力之預估值後,可與該睡眠陽壓呼吸器壓力之檢定值進行準確度比較以及預測偏差之分析。
關於該類神經模糊系統建立步驟M3中,該類神經模糊系統輸出運算係包含模糊化、模糊推論與解模糊化。
類神經模糊系統可配合收集的數據,透過架構學習與參數學習,分別得到該r條模糊估測法則與該每條模糊估測法則之初始參數值,以及該每條模糊估測法則的最佳參數值。
關於架構學習係採用非監督式學習,可以分群演算法來實現,其步驟如下:將輸入空間的一群視為一條模糊估測法則,一開始並無群的存在,群是伴隨輸入訓練數據線上自動產生。針對第t筆訓練資料輸入值(BMI(t),WC(t)),在空間上至少有一群要涵蓋此輸入值。亦即至少有一條模糊估測法則的激發量要大於事先設定的閥值。因此,可以採用激發量來決定是否要產生新的一群。針對一筆輸入值,我們可以找出最大的法則激發量。如果最大值小於閥值,則產生新的一群。新的一群相對表示新的一條模糊估測法則。輸入變數上相對應的新的模糊集合A rj 的中心點m rj 和寬度σ rj 分別設定如下:m r1=BMI(t)’m r2=WC(t);
架構學習所產生新的模糊估測法則的參數,包含模糊集合的中心點m rj 和寬度σ rj 及後件部參數ai0,ai1與ai2,則透過參數學習加以優化。
參數學習採用監督式學習完成。給定一組訓練數據,輸入值(BMI(t),WC(t))與實際臨床所得到的最適合CPAP_d(t)值,優化的目的是最小化以下估測誤差函數:
其中CPAP是類神經模糊系統的輸出值,後件部參數ai0,ai1與ai2可以採用遞歸最小平方(recursive least square)法或是採用梯度下降(gradient descent)法優化,而前件部模糊集合參數m rj 和σ rj 則是以梯度下降法優化。
本發明之研發過程如下列階段:收集147名患者進行研究,男性與女性分別為123與24名,整體睡眠陽壓呼吸器壓力之平均值與標準差為7.8跟2.2cmH2O,按照睡眠陽壓呼吸器壓力之檢定值由低至高排序後分成三個子集合(參閱下表1):
其中,上表1中之Male為男性;Age(year)為年齡(歲);Score of STOP questionnaire簡稱STOP,即睡眠呼吸中止問卷之評分值;Score of ESS questionnaire,簡稱ESS,即愛普沃斯嗜睡量表之評分值;Neck circumference簡稱NC,即頸圍值;Waist circumference簡稱WC,即腰圍值;Total sleep time為總睡眠時間;Sleep efficiency為睡眠效率;Stage N1、N2、N3、REM為不同之睡眠階段;SpO2_nadir為最低氧濃度;Percent Body Eat為目前體脂肪比率;Waist-Hip Ratio為腰臀比;Visceral Fat Area為內臟脂肪面積。
關於變數萃取步驟M1中:假設與睡眠呼吸中止有關、易於取得且可提供睡眠陽壓呼吸器壓力之預測該患者之參數資訊主要可包括:該年齡值(age)、該頸圍值(neck circumference,NC)、該腰圍值(waist circumference,WC)、該身體質量指數值(body mass index,BMI)、愛普沃斯嗜睡量表(Epworth sleepiness scale,ESS)之評分值、睡眠呼吸中止(snoring、
tiredness during daytime、observed apnea、and high blood pressure,STOP)問卷、該體脂肪率(percent of body fat,PBF)、腰臀比(waist-hip ratio,WHR)與內臟脂肪面積(visceral fat area,VFA),前述參數資訊視為潛在變數。
將這些潛在變數與臨床資料庫進行相關性分析(參閱下表2),當潛在變數與睡眠陽壓呼吸器壓力之相關係數高於0.4,則視為有預測能力之變數。
由上表2可知,最相關之變數為腰圍(WC),其相關係數高達0.436;而次相關之變數為身體質量指數(BMI)。
關於線性回歸模型可為:CPAP=-1.264+0.087×BMI+0.068×WC。
經由學習之該4條模糊估測法則,其中Aij(m ij ,σ ij )代表高斯模糊集合的中心點為m ij 和寬度為σ ij 。
以兩筆測試資料進行預測效果驗證如下。
本發明之重點在於,以易於取得之患者之參數資訊,配合特定公式,即可提供睡眠陽壓呼吸器壓力之最適值之預測,且準確性高。
本發明之優點及功效係如下所述:
[1]簡易又快速取得之變數可供睡眠陽壓呼吸器壓力之最適值之預測。本發明利用腰圍與身體質量指數建立睡眠陽壓呼吸器壓力之預測值,比目前採用整夜睡眠檢查變數來的快速且準確。故,簡易又快速取得之變數可供睡眠陽壓呼吸器壓力之最適值之預測。
[2]準確性高。本發明經確效步驟證明,準確率高達七成以上。故,準確性高。
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。
M1:變數萃取步驟
M2:線性演算法建立步驟
M3:類神經模糊系統建立步驟
M4:確效步驟
Claims (5)
- 一種以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,係包括:一.變數萃取步驟:收集N個患者之參數資訊,該N係為大於等於60之正整數;該每一患者之參數資訊至少包括一性別代碼、一身高值、一年齡值、一睡眠呼吸中止問卷之評分值(STOP)、愛普沃斯嗜睡量表(ESS)之評分值、一身體質量指數值(BMI)、一頸圍值(NC)、一腰圍值(WC)、一總睡眠時間值、體脂肪率(PBF)、一體脂肪重值(BFM)、一內臟脂肪面積(VFA)、一腰臀比(WHR)及一已知的睡眠陽壓呼吸器壓力之檢定值;將該N個參數資訊依該睡眠陽壓呼吸器壓力之檢定值由低至高排序,而形成一母集合,再將該母集合分層抽樣成複數子集合,該複數子集合的其中之二分別被定義為一第一子集合及一第二子集合,該每一子集合至少包括30個參數資訊;該第一子集合及該第二子集合的其中至少一者,係被歸類為訓練組;又,由該訓練組中,分析該睡眠陽壓呼吸器壓力之檢定值與其他該參數資訊之相關係數後,得到最相關之參數資訊為該腰圍值,而次相關之參數資訊為該身體質量指數值;二.線性演算法建立步驟:由前述之該腰圍值及該身體質量指數值當成輸入變數,而該睡眠陽壓呼吸器壓力之檢定值為輸出變數,進行線性回歸模型之最小誤差分析,進而獲得一線性回歸模型,其係為下列之公式(1):CPAP=截距+係數A×BMI+係數B×WC; 公式(1)其中:CPAP=睡眠陽壓呼吸器壓力之預估值;BMI=身體質量指數值; WC=腰圍值;三.類神經模糊系統建立步驟:定義一類神經模糊系統之輸入變數為該腰圍值及該身體質量指數值,且定義該類神經模糊系統之輸出值為一睡眠陽壓呼吸器壓力之預估值;該類神經模糊系統具有r條模糊估測法則,其中r係為大於等於2之正整數,該每條模糊估測法則的型式表示如下之公式(2):第i條:當前述之截距為ai0,且前述之係數A為ai1,又前述之係數B為 ai2時, 其中:前述該係被定義為激發量,該激發量計算係如下之公式(3):
- 如請求項1所述之以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,其中,於該類神經模糊系統建立步驟中,該類神經模糊系統係具有4條模糊估測法則:該第1條模糊估測法則:該BMI之參數A11=(26.77,1.67),該WC之參數A12=(65.44,7.17),該ai0之參數=-83.5296,該ai1之參數=-0.5648,該ai2之參數=-0.7952;該第2條模糊估測法則:該BMI之參數A21=(37.58,4.14),該WC之參數A22=(113.57,6.11),該ai0之參數=6.3573,該ai1之參數=0.0373,該ai2之參數=0.0162;該第3條模糊估測法則:該BMI之參數A31=(24.76,5.88),該WC之參數A32=(85.78,7.52),該ai0之參數=6.3220,該ai1之參數=0.1632,該ai2之參數=-0.0390;該第4條模糊估測法則:該BMI之參數A41=(52.93,9.59),該WC之參數A42=(146.90,14.40),該ai0之參數=-278.5892,該ai1之參數=-0.7784,該ai2之參數=2.3511。
- 如請求項1所述之以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,其中,於該線性演算法建立步驟中,該線性回歸模型係為:CPAP=-1.264+0.087×BMI+0.068×WC。
- 如請求項1所述之以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,其又包括: 四.確效步驟:將該第一子集合及該第二子集合的其中之一歸類為訓練組,其中之另一歸類為確效組;經前述之該線性演算法建立步驟及該類神經模糊系統建立步驟估算該睡眠陽壓呼吸器壓力之預估值後,可與該睡眠陽壓呼吸器壓力之檢定值進行準確度比較以及預測偏差之分析。
- 如請求項1所述之以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法,其中:該變數萃取步驟中之該複數子集合的其中之一,係被定義為一第三子集合;且,該以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法又包括:四.確效步驟:將該第一子集合及該第二子集合歸類為訓練組,並將該第三子集合歸類為確效組;經前述之該線性演算法建立步驟及該類神經模糊系統建立步驟估算該睡眠陽壓呼吸器壓力之預估值後,可與該睡眠陽壓呼吸器壓力之檢定值進行準確度比較以及預測偏差之分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109142704A TWI768577B (zh) | 2020-12-03 | 2020-12-03 | 以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109142704A TWI768577B (zh) | 2020-12-03 | 2020-12-03 | 以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202223908A TW202223908A (zh) | 2022-06-16 |
TWI768577B true TWI768577B (zh) | 2022-06-21 |
Family
ID=83062362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109142704A TWI768577B (zh) | 2020-12-03 | 2020-12-03 | 以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI768577B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050113650A1 (en) * | 2000-06-16 | 2005-05-26 | Christopher Pacione | System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability |
EP1328194B1 (en) * | 2000-10-02 | 2007-02-28 | Breas Medical AB | Apparatus for cpap using a neural network |
CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及系统 |
-
2020
- 2020-12-03 TW TW109142704A patent/TWI768577B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050113650A1 (en) * | 2000-06-16 | 2005-05-26 | Christopher Pacione | System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability |
EP1328194B1 (en) * | 2000-10-02 | 2007-02-28 | Breas Medical AB | Apparatus for cpap using a neural network |
CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202223908A (zh) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021120934A1 (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
CN106372439A (zh) | 基于病例库的疾病症状及其权重知识的获取和处理方法 | |
Jiang et al. | A hybrid intelligent model for acute hypotensive episode prediction with large-scale data | |
Liu et al. | Detection of obstructive sleep apnea from single-channel ECG signals using a CNN-transformer architecture | |
Hayashi et al. | Use of the recursive-rule extraction algorithm with continuous attributes to improve diagnostic accuracy in thyroid disease | |
WO2023202014A1 (zh) | 一种基于电子护理文本数据的人体跌倒风险预测方法及系统 | |
Kangra et al. | Comparative analysis of predictive machine learning algorithms for diabetes mellitus | |
Peng et al. | The health care fraud detection using the pharmacopoeia spectrum tree and neural network analytic contribution hierarchy process | |
CN105718726A (zh) | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 | |
Nabi et al. | Machine learning approach: Detecting polycystic ovary syndrome & it's impact on bangladeshi women | |
TWI768577B (zh) | 以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 | |
Xu et al. | Using artificial intelligence technology to solve the electronic health service by processing the online case information | |
Ankişhan et al. | Snore-related sound classification based on time-domain features by using ANFIS model | |
Dey et al. | Depression detection using intelligent algorithms from social media context-state of the art, trends and future roadmap | |
Theodoraki et al. | Innovative data mining approaches for outcome prediction of trauma patients | |
Li et al. | Patient similarity via medical attributed heterogeneous graph convolutional network | |
Lowongtrakool et al. | Noise filtering in unsupervised clustering using computation intelligence | |
Jain et al. | Explainable AI for dataset comparison | |
Chauhan et al. | Disease prediction using machine learning | |
Zhang et al. | Cost-sensitive ensemble classification algorithm for medical image | |
Dhanamithra et al. | A Comparison Study on Machine Learning Approaches for Thyroid Disease Prediction | |
CN115240854B (zh) | 一种胰腺炎预后数据的处理方法及其系统 | |
Sahoo et al. | Primitive diabetes prediction using machine learning models: an empirical investigation | |
Xie et al. | Predicting the risk of stroke based on imbalanced data set with missing data | |
Xie et al. | Thyroid disease diagnosis based on feature interpolation and dynamic weighting ensemble model |