TWI784513B

TWI784513B - 基於心電圖延後反應的呼吸暫停事件偵測方法

Info

Publication number: TWI784513B
Application number: TW110116880A
Authority: TW
Inventors: 林俊成
Original assignee: 國立勤益科技大學
Priority date: 2021-05-11
Filing date: 2021-05-11
Publication date: 2022-11-21
Also published as: TW202243650A

Abstract

本發明基於心電圖延後反應的呼吸暫停事件偵測方法，其藉由在一量測步驟中對受測者之心臟與周圍肌肉之跳動律性的收縮變化，以及對呼吸反應等進行量測並記錄成訊號，進一步透過一檢視及擷取步驟檢視該訊號中的波形有無明顯密集波動以進一步擷取與註記，最後再由一偵測辨識步驟以一卷積神經網路作為學習模型技術，並以選自不同的受試者之心電圖訊號的訓練資料集與測試資料集的資料做為偵測辨識之基準，以對檢視及擷取所註記之訊號進行計算機率，最終輸出一辨識結果，有效提升偵測受測者之呼吸暫停事件嚴重的準確性。

Description

基於心電圖延後反應的呼吸暫停事件偵測方法

本發明是有關於一種睡眠呼吸功能障礙的偵測，特別是指一種基於心電圖延後反應的呼吸暫停事件偵測方法。

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，目前評估OSA嚴重程度標準方法是透過睡眠多項生理檢查(Polysomnography；以下簡稱PSG)，即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，並且於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、胸部呼吸訊號、腹部呼吸訊號、口鼻氣流、血氧濃度、血壓變化、心率，以及睡眠體位等，而PSG是結合呼吸氣流、胸部呼吸訊號、腹部呼吸訊號、以及血氧濃度來判斷並計算受試者每小時平均出現的呼吸暫停(Apnea)與呼吸不足(Hypopnea)事件的次數(即呼吸暫停與呼吸不足指標；Apnea and Hypopnea Index (AHI))，藉以評估受試者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，有鑒於PSG是一種費用昂貴且不便的檢查，近年來便有人致力於研究用量測較少的訊號來開發方便且花費少的呼吸暫停與不足事件偵測系統，主要被使用的訊號有血氧濃度、呼吸氣流、胸部呼吸、心電圖、聲音訊號，以及結合不同的訊號；請配合參閱圖1，在圖1中所顯示的是PSG所量測的呼吸氣流、胸部呼吸訊號、腹部呼吸訊號、心電圖訊號、以及PSG所提供的呼吸註記(準位0表示呼吸正常的期間，準位2表示呼吸暫停的期間)，心跳間隔時間訊號(RR間隔訊號)則是心電圖訊號中相鄰R波的間隔時間所組成的訊號，因此從圖1中可以觀察到呼吸暫停期間，心跳間隔時間訊號的變化緩慢，但是呼吸暫停結束之後，心跳間隔時間訊號明顯的減少且持續一段時間之後再恢復正常，是以，如果在原本正常平穩的心跳間隔時間訊號之後，持續出現一段心跳時間訊號的減少再恢復正常平穩的心跳間隔時間訊號，則代表出現一次呼吸暫停或呼吸不足事件，也稱為呼吸暫停與呼吸不足事件的心跳間隔時間變化模式；惟，因為PSG主要是結合呼吸訊號(包括呼吸氣流、胸部呼吸與腹部呼吸)與血氧濃度來檢測呼吸暫停與呼吸不足事件，如果單獨使用呼吸氣流、胸部呼吸與腹部呼吸及血氧濃度時，將無法檢測所有呼吸暫停不足事件，而基於聲音訊號的檢測方法則是受限於聲音訊號容易受到心臟聲音與環境噪音的干擾，即會使心電圖波形密度明顯增加，即如圖1中之多個箭頭所指標示處，因此相較於單獨使用呼吸氣流、胸部呼吸訊號、血氧濃度及聲音訊號，單導程心電圖則是一個能夠較好的反應出完整呼吸事件訊號，是以，基於以單導程心電圖的檢測方法在辨識呼吸暫停與呼吸不足事件具有較高準確度是目前所主要研究檢測的課題。

因此，本發明之目的，是在提供一種基於心電圖延後反應的呼吸暫停事件偵測方法，其能透過簡單的偵測與演算機率方式，有效快速偵測出受測者具有呼吸暫停與不足事件的嚴重程度。

於是，本發明基於心電圖延後反應的呼吸暫停事件偵測方法，包含有量測步驟、檢測/擷取步驟及偵測辨識步驟等步驟；其中，在該量測步驟中備具有量測模組，以分別對受測者，進行心臟跳動、其周圍肌肉節律性收縮與呼吸反應等，記錄成心電圖形及呼吸暫停或不足等反應等訊號，而該檢視及擷取步驟備具有檢視模組及擷取模組，使前一步驟所得之該訊號接續進行檢視與擷取，先針對該訊號中的心電圖與波形有無明顯密集波動的出現一段時間或恢復正常等變化進行檢視，而後分別擷取做為呼吸暫停與不足組的訊號註記，同時該偵測辨識步驟備具有一機器學習模型，以及一與該機器學習模型配合排列演算之滑動視窗法，使該機器學習模型以一卷積神經網路作為學習模型技術，並以選自不同的受試者之心電圖訊號的訓練資料集與測試資料集的資料做為偵測辨識之基準，同時依據該滑動視窗法的大小配合排列演算，進一步透過學習模型技術對檢視/擷取之該訊號進行計算、訓練學習，使該訊號受到正規化處理、被執行特徵提取而獲得較佳的多個心電圖訊號特徵圖、並對該等特徵圖轉換為特徵向量及進行計算機率，最終輸出一辨識結果，藉此得以能透過簡單的偵測方式，有效偵測辨識分類出受測者之呼吸暫停事件嚴重的準確性。

圖1是習知呼吸訊號、呼吸註記、心電圖與心跳間隔時間圖例之示意圖。

圖2是本發明一較佳實施例之流程圖。

圖3a至圖3b是該較佳實施例之呼吸正常和呼吸暫停與呼吸不足組30秒心電圖圖例示意圖。

圖4是該較佳實施例之基於卷積神經網路的深度學習模型示意圖。

圖5a是該較佳實施例之滑動視窗法的示意圖。

圖5b是該較佳實施例之滑動視窗法之3分鐘期間60個呼吸暫停與呼吸不足事件分類結果示意圖。

圖5c是該較佳實施例之滑動視窗法之合併不同視窗長度分類結果示意圖。

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2，本發明一較佳實施例，一種基於心電圖延後反應的呼吸暫停事件偵測方法，包含有一量測步驟，一檢視及擷取步驟，以及一偵測辨識步驟等；其中，在該量測步驟中備具有一量測模組，而該量測模組為具有量測心臟律動及呼吸頻率感應之作用，以分別針對受試者的胸部之心臟自發性跳動與周圍肌肉節律性收縮，運用微電技術把心臟組織電壓變化記錄成心電圖形的訊號(以下簡稱心電圖訊號)，同時再針對受測者的呼吸狀態及所出現的呼吸頻率的暫停或不足等反應，進行量測並產生呼吸訊號。

接續前述，該檢視及擷取步驟備具有一檢視模組及一擷取模組；其中，該檢視模組以人工的方式並對照呼吸訊號的反應來檢視心電圖訊號中的波形，而該擷取模組即會根據該檢視模組的檢視，以針對心電圖訊號之波形在正常的波形密集度之後持續出現一段時間波形密集度明顯增加再恢復正常波形的變化模式時，則取出該段心電圖訊號並做呼吸暫停與不足訊號，當然每次所檢視的呼吸暫停與不足持續時間長短不同，心電圖波形變化的持續時間長短也不同，因此在本實施例中可把呼吸暫停與呼吸不足時間所取出的心電圖訊號長度分為30秒、40秒、50秒、...、120秒(間隔10秒)，並依前述長度的心電圖訊號再經過下取樣為30秒的長度，使得最後所擷取的心電圖訊號長度統一為30秒形態，同時在將呼吸註記為正常的註記時，即以心電圖波形的密集度沒有明顯改變且持續30秒時，則取出該段30秒的心電圖訊號做為呼吸正常訊號，即如圖3-a之圖中箭頭a所指標示處所示，反之，當心電圖波形的密集度持續在正常後出現一段時間的密集度增加後再恢復正常，則取出該段30秒的心電圖訊號做為呼吸暫停與呼吸不足訊號，即如圖3-b之圖中箭頭b所指標示處為心電圖波形的密度正常，而箭頭c所指標示處則是為心電圖波形的密度增加。

至於，該偵測辨識步驟其備具有一機器學習模型，以及一與該機器學習模組配合進行偵測辨識演算之滑動視窗法，而該機器學習模型為使用各自獨立且選自不同的受試者之心電圖訊號的訓練資料集及測試資料集為進行偵測辨識的資料，以對深度學習計算進行訓練演算以產生偵測辨識結果，同時前述所使用之該訓練資料集與測試資料集的資料是採用睡眠心臟健康研究(Sleep Heart Health Study：簡稱SHHS)所提供的睡眠多項生理檢查(Polysomnography；簡稱PSG)資料庫來建立，同時該訓練資料集與測試資料集分別包括呼吸正常，以及呼吸暫停與呼吸不足組的30秒心電圖訊號，以利用該訓練資料集的心電圖訊號用於訓練出最佳化的機器學習模型，以辨識輸入的心電圖訊號之對應呼吸正常或是呼吸暫停與呼吸不足事件，而該測試資料集的心電圖訊號是用於測試最佳化後的機器學習模型對於該訓練資料集以外的心電圖訊號的辨識正確性，可以測試最佳化後的機器學習模型的真實效能。

再者，請參閱圖4，前述該機器學習模型在本實施例中係以一卷積神經網路作為學習模型技術，且由輸入至輸出具有至少八個結構相同的特徵提取層，至少一個平坦層，第一、第二個分類層及第三個分類層，而前述每一特徵提取層包括有一可取得至少45個1D特徵圖的卷積層、一個批次標準化層、一個激活層、一個池化大小為2的最大池化層及一個具有50%捨棄率的捨棄層，同時該等特徵提取層對該檢視及擷取步驟輸入之該訊號進行正規化處理，以及對該訊號執行特徵提取與獲得較佳的多個心電圖訊號特徵圖，而該平坦層則將該45個1D特徵圖轉換為1D的特徵向量，以供後續該等分類層使用，同時在該等分類層中更區分出該第一個分類層包括有一個採用2000個神經元的全連接層、一個批次標準化層、一個激活層與一個具有50%捨棄率的捨棄層，而該第二個分類層包括有一個採用1000個神經元的全連接層、一個批次標準化層、一個激活層與一個具有50%捨棄率的捨棄層，至於該第三個分類層包括有一個具有2個神經元的全連接層，且該全連接層係使用激活函數(Softmax)來計算機率，即以輸入訊號是30秒的心電圖訊號為例說明，如圖4所示，在取樣頻率為100Hz，因此輸入的訊號長度為1×3000，以使該等分類層會依據該等特徵向量進行計算出各類別的機率，機率較高的類別即為最終輸出一辨識結果。

接續前述，該滑動視窗法則是對該機器學習模型完成受測者心電圖訊號的模型訓練與測試後配合排列演算，其得以依據該滑動視窗法之視窗的大小來收集某個動作發生前或後的動作，並配合比重值的計算與演算，即如當顯示該視窗長度為L，L=3000(30秒)、4000(40秒)、...、或12000(120秒)，每次從受測者心電圖訊號取L個取樣點，如果L>3000，則進行下取樣至3000個取樣點，以此類推，接著再輸入達到最佳化的學習模型技術進行受測者的呼吸暫停與呼吸不足事件偵測與辨識；請配合參閱圖5-a，亦或我們以3分鐘長度(18000個取樣點)的待測心電圖訊號為例，當該視窗長度L為4000，每次從受測者的心電圖訊號取出4000個取樣點，接著進行下取樣至3000個取樣點，再輸入最佳化的模型，得到一個呼吸暫停與不足事件的分類機率，這時便可如圖中所示，該視窗便會在每隔300個取樣點(3秒)滑動到下一個位置，再取出4000個取樣點；因此，當在3分鐘期間總共取出60個長度為4000個取樣點的訊號，經過下取樣至3000個取樣點之後，分別輸入至最佳化模型，取得60個呼吸暫停與呼吸不足事件的分類機率，即如圖5-b所示之範例，在呼吸暫停與呼吸不足事件的分類機率大於等於0.5時，代表在該滑動視窗法出現呼吸暫停與呼吸不足事件，並標示為A，當然，使用不同的該滑動視窗法之視窗長度L，即如L=3000(30秒)、4000(40秒)、...、或12000(120秒)，取得呼吸暫停與呼吸不足事件的分類結果之後，再將不同該視窗長度分類結果進行合併，即如圖5-c所示，在每一個窗格中，只要曾在不同該視窗長度中被分類為A，則合併之後該窗格的分類結果即為A，而連續窗格被分類為A即被視為同一呼吸暫停與呼吸不足事件，又例如在圖5-c中其中間有連續10個窗格被分類為A，而每一個窗格對應該視窗間隔300個取樣點(3秒)，所以在該30秒(10×3秒) 的訊號區間則被偵測為一個呼吸暫停與呼吸不足事件，以此類推。

是以，本發明主要針對受測者是否具有呼吸暫停與呼吸不足事件進行偵測與辨識，藉由前述該量測步驟、檢視及擷取步驟及偵測辨識步驟等，並透過上述在使用該訓練資料集的心電圖訊號訓練得到最佳化的模型之後，使該訊號受到正規化處理、被執行特徵提取而獲得較佳的多個心電圖訊號特徵圖、並對該等特徵圖轉換為特徵向量及進行計算機率，使輸入該測試資料集的心電圖測試該機器學習模型的真實效能，且其結果顯示訓練與測試的正確性均可達到95%以上，藉此得以能透過簡單的偵測方式，最終輸出一辨識結果，有效偵測辨識分類出受測者之呼吸暫停事件嚴重的準確性。

歸納前述，本發明基於心電圖延後反應的呼吸暫停事件偵測方法，其主要針對受測者是否具有呼吸暫停與呼吸不足事件進行偵測與辨識，藉由該量測步驟、檢視及擷取步驟及偵測辨識步驟等，在以一卷積神經網路作為學習模型技術的模式下，以選自不同的受試者之心電圖訊號的訓練資料集與測試資料集的資料做為偵測辨識，以用於訓練出最佳化的機器學習模型之基準，同時依據一滑動視窗法的大小配合排列演算，進一步透過學習模型技術對檢視及擷取步驟擷取量測所得之訊號進行計算、訓練學習，使該訊號受到正規化處理、被執行特徵提取而獲得較佳的多個心電圖訊號特徵圖、並對該等特徵圖轉換為特徵向量及進行計算機率，最終輸出一辨識結果，藉此得以有效偵測辨識分類出受測者之呼吸暫停事件嚴重的準確性。

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。

Claims

一種基於心電圖延後反應的呼吸暫停事件偵測方法，其包含有：一量測步驟，其備具有一量測模組，該量測模組為具有量測心臟律動及呼吸頻率感應之作用，以分別針對受試者的胸部之心臟自發性跳動與周圍肌肉節律性收縮，運用微電技術把心臟組織電壓變化記錄成心電圖形的訊號，同時再針對受測者的呼吸暫停或不足等反應進行量測並產生呼吸訊號；一檢視及擷取步驟，其備具有一檢視模組及一擷取模組；其中，該檢視模組以人工的方式並對照呼吸訊號的反應檢視心電圖訊號中的波形，而該擷取模組即針對心電圖訊號之波形有無密集度的明顯增加來分別擷取，以註記為正常呼吸組、呼吸暫停與不足組等訊號；以及一偵測辨識步驟，其備具有一機器學習模型，以及一與該機器學習模型配合排列演算之滑動視窗法，而該機器學習模型為使用各自獨立且選自不同的受試者之心電圖訊號的訓練資料集及測試資料集為進行偵測辨識的資料，以對深度學習計算進行訓練演算以產生偵測辨識結果；其中，該機器學習模型以一卷積神經網路作為學習模型技術，且由輸入至輸出具有至少八個結構相同的特徵提取層，至少一個平坦層，一第一個分類層，一第二個分類層及第三個分類層，而前述該等特徵提取層對該檢視及擷取步驟輸入之該訊號進行正規化處理，以及對該訊號執行特徵提取與獲得較佳的多個心電圖訊號特徵圖，而該平坦層會針對該等特徵圖轉換為特徵向量，以供該等分類層使用，同時該等分類層會依據該等特徵向量進行計算機率，至於，該滑動視窗法是對完成該機器學習模型訓練與測試後的心電圖訊號配合排列演算，依據該滑動視窗法之視窗的大小來收集發生前或後的動作，並配合比重值的計算與演算，最終輸出一辨識結果。
根據請求項1所述基於心電圖延後反應的呼吸暫停事件偵測方法，其中，該每一個特徵提取層包括有一個卷積層、一個批次標準化層、一個激活層、一個最大池化層及一個捨棄層。
根據請求項1或2所述基於心電圖延後反應的呼吸暫停事件偵測方法，其中，該第一、第二個分類層都包括有一個全連接層、一個批次標準化層、一個激活層及一個捨棄層，且該第一分類層之全連接層具有2000個神經元設置，而該第二分類層之全連接層具有1000個神經元設置。
根據請求項1所述基於心電圖延後反應的呼吸暫停事件偵測方法，其中，該第三個分類層包括有一個具有2個神經元的全連接層設置，且該全連接層係使用激活函數(Softmax)來計算機率。
根據請求項3所述基於心電圖延後反應的呼吸暫停事件偵測方法，其中，該第三個分類層包括有一個具有2個神經元的全連接層設置，且該全連接層係使用激活函數(Softmax)來計算機率。