TWI835213B - 多重條件下進行睡眠呼吸中止嚴重度之估測方法 - Google Patents
多重條件下進行睡眠呼吸中止嚴重度之估測方法 Download PDFInfo
- Publication number
- TWI835213B TWI835213B TW111127529A TW111127529A TWI835213B TW I835213 B TWI835213 B TW I835213B TW 111127529 A TW111127529 A TW 111127529A TW 111127529 A TW111127529 A TW 111127529A TW I835213 B TWI835213 B TW I835213B
- Authority
- TW
- Taiwan
- Prior art keywords
- group
- blood pressure
- fuzzy
- parameter
- function
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title abstract 2
- 208000001797 obstructive sleep apnea Diseases 0.000 title 1
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000036772 blood pressure Effects 0.000 claims abstract description 29
- 239000006187 pill Substances 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims description 34
- 238000012216 screening Methods 0.000 claims description 25
- 206010020772 Hypertension Diseases 0.000 claims description 16
- 208000032140 Sleepiness Diseases 0.000 claims description 13
- 206010041349 Somnolence Diseases 0.000 claims description 13
- 230000037321 sleepiness Effects 0.000 claims description 13
- 208000019116 sleep disease Diseases 0.000 claims description 12
- 239000000779 smoke Substances 0.000 claims description 9
- 239000002220 antihypertensive agent Substances 0.000 claims description 8
- 229940127088 antihypertensive drug Drugs 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000000391 smoking effect Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 5
- 230000004545 gene duplication Effects 0.000 claims description 4
- 230000013011 mating Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 7
- 239000003814 drug Substances 0.000 abstract description 7
- 229940079593 drug Drugs 0.000 abstract description 7
- 230000002068 genetic effect Effects 0.000 abstract description 4
- 206010021079 Hypopnoea Diseases 0.000 abstract description 2
- 208000001953 Hypotension Diseases 0.000 abstract 1
- 208000021822 hypotensive Diseases 0.000 abstract 1
- 230000001077 hypotensive effect Effects 0.000 abstract 1
- 230000002618 waking effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000005555 hypertensive agent Substances 0.000 description 4
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 210000003815 abdominal wall Anatomy 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本發明係包括(一)訓練組資料庫建立步驟、(二)第1個初始群體解產生步驟、(三)第2至第M個初始群體解產生步驟、(四)三個目標函數產生步驟、(五)尋求最佳解之步驟及(六)完成步驟。進而可以前述步驟，將訓練組資料庫之複數筆訓練組個人資料分為N個群，以每一群中的頸圍模糊歸屬函數、腰圍模糊歸屬函數、睡後平均血壓值模糊歸屬函數及一由亂數產生之睡眠呼吸中止指數(AHI)對應輸出值，先構成一規則，進而產生N個規則；再將其中之預定數據各別加減一隨機數值後，產生第2至第M個初始群體解；利用現有基因演算法反覆進行運算，最後可獲得一最佳化之群體解，而可用以進行估測。本案兼具可對服用安眠藥、服用高血藥及抽菸患者進行估測、不須昂貴而操作複雜的器材接受度較高，及可彈性選擇特定之適用對象等優點。
Description
本發明係有關一種多重條件下進行睡眠呼吸中止嚴重度之估測方法，尤指一種兼具可對服用安眠藥、服用高血藥及抽菸患者進行估測、不須昂貴而操作複雜的器材接受度較高，及可彈性選擇特定之適用對象之多重條件下進行睡眠呼吸中止嚴重度之估測方法。
若睡眠中呼吸道每小時有五次以上的阻塞或淺呼吸，即稱為睡眠呼吸中止(Sleep Apnea)。關於睡眠呼吸中止程度分類，主要以睡眠呼吸障礙指數(Apnea-Hyponea Index，簡稱AHI)(亦可稱為睡眠呼吸中止指數)來判斷，基本上，若AHI<5，判斷為正常，若AHI介於5~15之間，判斷為輕度，若AHI介於15~30之間，判斷為中度，當AHI為30以上，則判斷為重度。
一般成年人大約有4%~9%的睡眠呼吸中止之盛行率，但在腎功能衰竭或無法控制的高血壓患者中，睡眠呼吸中止之盛行率可分別高達30%與80%。
傳統檢測睡眠呼吸中止之作法是讓病患在醫院之睡眠室(Sleeping room)睡一晚，且於睡眠前在病患身上連接相關之儀器設備，以連續紀錄6小時之資料，該資料包括腦波、心跳、血氧濃度、呼吸流量、鼾聲、胸壁運動、腹壁運動等。紀錄完成後交由專業醫事人員判讀。
然而，專業醫事人員每次需要看完這6小時之資料，十分費時及費事，而且經驗不足者極可能誤判。因此，若能快速有效的評估睡眠呼吸中止之程度，對醫事人員與病患均有極大幫助。
公知中華民國發明專利第I642025號之「快速評估中重度睡眠呼吸中止之方法」(發明人吳明峰…等)，此專利必須排除安眠藥服用者、高血藥服用者及抽菸者等才適用，因此，可適用之對象大幅縮減，受到限制。
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，在於提供一種多重條件下進行睡眠呼吸中止嚴重度之估測方法，其兼具可對服用安眠藥、服用高血藥及抽菸患者進行估測、不須昂貴而操作複雜的器材接受度較高，及可彈性選擇特定之適用對象等優點。特別是，本發明所欲解決之問題係在於傳統檢測睡眠呼吸中止之作法必須讓病患在醫院之睡眠室(Sleeping room)睡一晚，且於睡眠前在病患身上連接相關之儀器設備，以連續紀錄6小時之資料，專業醫事人員每次需要看完這6小時之資料，十分費時及費事，而且經驗不足者極可能誤判。另外，關於中華民國發明專利第I642025號之「快速評估中重度睡眠呼吸中止之方法」，其必須排除安眠藥服用者、高血藥服用者及抽菸者等，以致適用之對象大幅縮減等問題。
解決上述問題之技術手段係提供一種多重條件下進行睡眠呼吸中止嚴重度之估測方法，其包括下列步驟：一、訓練組資料庫建立步驟；二、第1個初始群體解產生步驟；三、第2至第M個初始群體解產生步驟；四、三個目標函數產生步驟；五、尋求最佳解之步驟；及
六、完成步驟。
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：
10:輸入部
20:運算部
30:顯示部
90:訓練組資料庫
91:訓練組個人資料
S1:訓練組資料庫建立步驟
S2:第1個初始群體解產生步驟
S3:第2至第M個初始群體解產生步驟
S4:三個目標函數產生步驟
S5:尋求最佳解之步驟
S6:完成步驟
MA1:第1群
MA2:第2群
MA10:第10群
λ1、λ2、λ3、λ4、λ5、λ6:篩選因子
第1圖係本發明之流程圖。
第2圖係本發明之訓練組資料庫之建立過程之實施例之示意圖。
第3圖係本發明之將複數筆訓練組個人資料分為N個群之示意圖。
第4圖係本發明之M個群體解之示意圖。
第5圖係本發明之M個群體解中之每一規則之產生過程之示意圖。
第6圖係本發明之訓練組資料庫之建立過程之另一實施例之示意圖。
第7圖係本發明之相關裝置之示意圖。
參閱第1、第2、第3、第4及第5圖，本發明係為一種多重條件下進行睡眠呼吸中止嚴重度之估測方法，其包括下列步驟：
一、訓練組資料庫建立步驟S1：預先建立一訓練組資料庫90，該訓練組資料庫90包括複數筆訓練組個人資料91(如第2圖所示)，該複數筆訓練組個人資料91中的每筆訓練組個人資料91係具有一人員代號(ID)、一頸圍(NC)、一腰圍(WC)、一睡後平均血壓值(AM)及六個篩選條件參數，該六個篩選條件參數係包括一是否有高血壓參數(SF1)、一是否睡前服用降血壓藥參數(SF2)、一是否睡前服用安眠藥參數(SF3)、一是否抽菸參數(SF4)、一嗜睡量表(Epworth Sleepiness Scale，簡稱ESS)參數(SF5)及一睡眠效率(Sleep Efficiency，簡稱SE)參數(SF6)；其中，該是否有高血壓參數(SF1)係定義為1代表高血壓，否則為0；該是否睡前服用降血壓藥參數(SF2)係定義為1代表有服用，否則為0；該是否睡前服用安眠藥參數
(SF3)係定義為1代表有服用，否則為0；該是否抽菸參數(SF4)係定義為1代表有抽菸，否則為0；該嗜睡量表參數(SF5)之值係為0~24之正整數；該睡眠效率參數(SF6)之值係介於0%~100%。
二、第1個初始群體解產生步驟S2：先將該複數筆訓練組個人資料，分別以該頸圍(NC)、該腰圍(WC)與該睡後平均血壓值(AM)為X軸、Y軸及Z軸，而分布於XYZ三維空間中之複數個點，再將其分為N個群(例如第3圖所示的一第1群MA1及一第2群MA2)；進而分別可產生：N個頸圍模糊歸屬函數；該N個頸圍模糊歸屬函數中的每一頸圍模糊歸屬函數(如第3、第4及第5圖所示)係由一頸圍平均值(mNC)及一頸圍標準差(σNC)來定義；N個腰圍(WC)模糊歸屬函數；該N個腰圍模糊歸屬函數中的每一腰圍模糊歸屬函數係由一腰圍平均值(mWC)及一腰圍標準差(σWC)來定義；N個睡後平均血壓值(AM)模糊歸屬函數；該N個睡後平均血壓值模糊歸屬函數中的每一睡後平均血壓值模糊歸屬函數係由一睡後平均血壓平均值(mAM)及一睡後平均血壓標準差(σAM)來定義；接著，選用第1群MA1產生之該頸圍模糊歸屬函數(如第5圖所示)、該腰圍模糊歸屬函數及該睡後平均血壓值模糊歸屬函數，並搭配一由亂數產生之AHI對應輸出值，構成一規則1。
並選用第2群MA2產生之該頸圍模糊歸屬函數、該腰圍模糊歸屬函數及該睡後平均血壓值模糊歸屬函數，並搭配另一由亂數產生之AHI對應輸出值，構成一規則2。
重複前述方法至構成規則N(例如規則10，其係選用第10群MA10產生之該頸圍模糊歸屬函數、該腰圍模糊歸屬函數及該睡後平均血壓值模糊歸屬函數，
並搭配再另一由亂數產生之AHI對應輸出值所構成)，其後再加上六個篩選因子(λ1~λ6)，則產生第1個初始群體解。
該六個篩選因子(λ1~λ6)係分別對應而為前述之該六個篩選條件參數之其判別值；其中：該篩選因子λ1係為該高血壓參數(SF1)之判別值；該篩選因子λ2係為該是否睡前服用降血壓藥參數(SF2)之判別值；該篩選因子λ3係為該是否睡前服用安眠藥參數(SF3)之判別值；該篩選因子λ4係為該是否抽菸參數(SF4)之判別值；該篩選因子λ5係為該嗜睡量表參數(SF5)之判別值；及該篩選因子λ6係為該睡眠效率參數(SF6)之判別值。
又，該六個篩選因子(λ1~λ6)係選自由亂數產生、由使用者自行設定其中之一。該篩選因子(λ1~λ4)產生的亂數值小於0.5時，定義為0(不篩選)。且篩選因子(λ1~λ4)產生的亂數值大於等於0.5時，定義為1。
三、第2至第M個初始群體解產生步驟S3：以該第1個初始群體解為基礎，將原有之該頸圍平均值(mNC)、該頸圍標準差(σNC)、該腰圍平均值(mWC)、該腰圍標準差(σWC)、該睡後平均血壓平均值(mAM)及該睡後平均血壓標準差(σAM)分別加減一隨機數值(可為很小的數值)，而搭配由亂數產生之AHI對應輸出值與六個篩選因子(λ1~λ6)，即可產生第2至第M個初始群體解。
其中，該六個篩選因子其值係選自由亂數產生、由使用者自行設定其中之一；其中，M係為≧10之正整數，N係為≧2之正整數。
更進一步，於本案中，M可為≧100之正整數，N可為≧10之正整數。
四、三個目標函數產生步驟S4：定義一第一目標函數(f1)、一第二目標函數(f2)及一第三目標函數(f3)；其中：該第一目標函數(f1)=-(Sn+Sp-1)；其中，Sn係為敏感度；Sp係為特異性；
該第二目標函數(f2)係定義為該M個初始群體解中之每個初始群體解之各模糊歸屬函數之平均分布程度；該第三目標函數(f3)係定義為該複數筆訓練組個人資料91中，經該六個篩選因子(λ1~λ6)篩選後仍符合之筆數(Q)的倒數，Q係定義為大於等於該複數筆訓練組個人資料91之20%；
五、尋求最佳解之步驟S5：[a]逐一將該M個初始群體解中之各N條規則分別套入該複數筆訓練組個人資料91，而可分別得到M個該第一目標函數(f1)、M個該第二目標函數(f2)及M個該第三目標函數(f3)；[b]利用已知的基因複製、交配、突變模組使其產生同數量之新的M個群體解，並利用前述程序之方法中求出新的M個該第一目標函數(f1)、M個該第二目標函數(f2)及M個該第三目標函數(f3)；[c]產生2M個群體解，該M個初始群體解加上新的M個群體解之組合，即定義為一2M個群體解；[d]將該2M個群體解進行排序；其中，各群體解之排序前後之定義係選自下列二者其中之一：1.該群體解之第一目標函數(f1)、該第二目標函數(f2)及該第三目標函數(f3)三者分別排序後之排名數加總後之值越小代表越前；2.該群體解之該第一目標函數(f1)、該第二目標函數(f2)及該第三目標函數(f3)三者相加後之值越小代表越前；[e]將排序後的2M個群體解分成前50%與後50%兩部分；[f]刪除後50%部分；[g]完成一次之運算；及[h]若運算之次數已達預設值，則停止；否則進行前述[b]~[g]程序；
六、完成步驟S6：獲得一最佳化之群體解，可用以進行估測。
實務上，本方法可再包括(如第7圖所示)：一輸入部10，用以輸入一頸圍(NC)、一腰圍(WC)、一睡後平均血壓值(AM)、一嗜睡量表參數(SF5)及一睡眠效率參數(SF6)；一運算部20，係具有前述該最佳化之群體解，其係對應一篩選條件；一顯示部30；藉此，當該運算部20判別該嗜睡量表參數(SF5)及該睡眠效率參數(SF6)符合前述群體解中某個解的篩選條件時，則將該頸圍(NC)、該腰圍(WC)、該睡後平均血壓值(AM)代入該最佳化之群體解，而得到一睡眠呼吸障礙指數之估測值(AHI-P)，並將該睡眠呼吸障礙指數之估測值(AHI-P)換算成正常、輕度、中度、重度其中之一，並顯示於該顯示部30上；並當該運算部20判別該嗜睡量表參數(SF5)及該睡眠效率參數(SF6)不符合前述篩選條件時，則在該顯示部30上顯示不適用。
在此要特別說明的部分是，睡眠呼吸中止固然已有方法可進行快速評估(例如中華民國發明專利第I642025號)，以減少病患發作之機率。但是，此習知方法之前提是要排除服用安眠藥者、服用高血壓藥者，以及抽菸者，因此，適用的對象大幅減少。
反觀本案，本發明針對這個部分，改變估測方法而以頸圍(NC)、腰圍(WC)、睡後平均血壓值(AM)、是否有高血壓參數(SF1)、是否睡前服用降血壓藥參數(SF2)、是否睡前服用安眠藥參數(SF3)、是否抽菸參數(SF4)、嗜睡量表參數(SF5)及睡眠效率參數(SF6)等要件進行估測，進而依訓練組資料庫建立步驟、第1個初始群體解產生步驟、第2至第M個初始群體解產生步驟、三個目標函數產生步驟、尋求最佳解之步驟及完成步驟，即可對有服用安眠藥者、有服用高血壓藥者及抽菸者其中至少一者的病患準確進行睡眠呼吸中止嚴重度估測。
進一步，於該訓練組資料庫建立步驟S1中，關於訓練組資料庫之建立過程之另一實施例(如第6圖所示)，其與第一實施例之差異處，僅在於：假設現在一共有1000筆個人資料，則將這1000筆個人資料分拆為5段，每段200筆，分別稱為：第1段、第2段、第3段、第4段及第5段。
前述這5段調整排列後可產生第一至第五組，每個組均有3個段組成之訓練集(此即為該第一實施例之該訓練組個人資料91)，其人數約600人，至於其餘2個段則分別為驗證集與測試集。因此，可將複數筆(可能是1000筆或是更多筆)該訓練組個人資料91拆成五組訓練集。然而，基本上，只要有一組訓練集即可進行本案之方法。
其次，在尋求最佳解之過程中，每個群體解可以分別針對不同的篩選條件，求出對應的Q筆該訓練組個人資料91之最佳模糊規則。例如某訓練集有718人，但群體某個解之篩選因子(λ1~λ6)的數值如下時：對應該是否有高血壓參數(SF1)之該篩選因子λ1=1；對應該是否睡前服用降血壓藥參數(SF2)之該篩選因子λ2=1；對應該是否睡前服用安眠藥參數(SF3)之該篩選因子λ3=1；對應該是否抽菸參數(SF4)之該篩選因子λ4=1；及該嗜睡量表參數(SF5)及該睡眠效率參數(SF6)不篩選(亦即相對應之該篩選因子λ4及λ5皆=0)時；則符合人數則降為402人。
這個解可針對這篩選後之訓練集來進行後續流程。
當然，篩選條件(即六個篩選因子λ1~λ6)也可以自行設定，系統將依據篩選條件選擇對應的最佳化模糊規則。換言之，本案具有可以彈性調整篩選條件之優點。並且經由訓練結果，本案可以得出各個篩選條件是否會影響估測表現。
關於本案部分實施例之實際數據與結果，請參閱下表1、表2-1、表2-2及表2-3：
[a]關於「自由亂數產生」之實際數據與結果，茲舉規則1、規則2、…略…、規則10及相對應之六個篩選因子(λ1~λ6)說明，並請參閱下表A-1(對應規則1)、表A-2(對應規則2)、表A-3(對應規則10)及表A-4(對應六個篩選條件參數)：
[b]關於「由使用者自行設定產生」之實際數據與結果，茲舉規則1、規則2、…略…、規則10及相對應之六個篩選因子(λ1~λ6)說明，並請參閱下表B-1(對應規則1)、表B-2(對應規則2)、表B-3(對應規則10)及表A-4(對應六個篩選條件參數)：
至於該三個目標函數產生步驟S4中，關於該敏感度(Sn)及該特異性(Sp)之計算，舉例說明如下(表3)：假設以估測出之睡眠呼吸障礙指數之估測值(AHI-P)是否>5為例：
因此，可以有效的計算出該敏感度(Sn)及該特異性(Sp)。
本案在不同篩選條件下會有不同之最佳群體解，舉例而言，如下表4，其中一篩選條件下的最佳之群體解之內容如下，而權重(weights)=4，代表此規則重複4次，亦即總共仍有10個規則。
補充說明，前述表4中之最佳化之群體解之選篩條件為：六個篩選因子(λ1~λ6)中之前四個篩選因子(λ1~λ4)均為0(意義代表≧0)，換言之不論「是否有高血壓參數(SF1)；是否睡前服用降血壓藥參數(SF2)；是否睡前服用安眠藥參數(SF3)；是否抽菸參數(SF4)」之值是0或1，都通一定通過此≧0門檻，即代表不篩選此四條件。
而六個篩選因子中之該篩選因子λ5為0(意義代表≧0)，也就是嗜睡量表參數(SF5)不論多少一律通過，即代表不篩選此條件。
僅六個篩選因子(λ1~λ6)中之該篩選因子λ6為≧70，所以若睡眠效率參數(SF6)為≧70則通過，否則不通過，此為一篩選條件。
在此情況下，當AHI≧5時，其Sn+Sp-1=0.461；當AHI≧15時，其Sn+Sp-1=0.418；當AHI≧30時，其Sn+Sp-1=0.388；
代表在(表4)中之最佳化之群體解之適用準確度佳，且適用對象廣(只要睡眠效率參數(SF6)為≧70即適用)。在此特別說明，實務上三個目標函數係可以根據需求作增減，以進一步作目標特徵的強化；舉例來說，可增加第四目標函數係定義為該Q筆適用女性資料之筆數，其過程一樣，在此不再贅述。
另外，關於利用已知的基因複製、交配、突變模組使其產生同數量之新的M個群體解，此係利用已知技術中之「基因演算法」技術，例如：軟體名稱如："非支配排序基因演算法II(NSGAII)"，軟體及程式碼可由下列網頁取得詳細資料(https：//www.egr.msu.edu/~kdeb/codes.shtml)。
在本案中，若M=100，則初始有100個群體解，利用已知的基因複製、交配、突變模組可以產生新的100個群體解，所以共有200個群體解(即2M個)，之後再進行排序。本案在進行「基因演算法」技術時，其中之交配率(crossover rate)=0.9且突變率(mutation rate)=0.1，當然，也可視情況修改為其他數值。
再者，關於該第二目標函數(f2)係定義為該M個初始群體解中之每個初始群體解之各模糊歸屬函數之平均分布程度。由於評估各模糊歸屬函數之平均分布程度屬於已知技術，在此僅簡單說明：假設有兩個高斯分布之模糊集合，其輸出值係介於0至1之間，若這兩個高斯分布之模糊集合相距較近時，則其交接處之對應值較大(例如>0.5)；反之若這兩個高斯分布之模糊集合相距較遠時，則其交接處之對應值較小(例如<0.5)，由相鄰之高斯分布模糊集合交接處之值，即可判斷其平均程度。
本發明之優點及功效係如下所述：
[1]可對服用安眠藥、服用高血藥及抽菸患者進行估測。本發明改變估測方法，而以頸圍、腰圍、睡後平均血壓值、是否有高血壓參數、是否睡前服用降血壓藥參數、是否睡前服用安眠藥參數、是否抽菸參數、嗜睡量表參數及睡眠
效率參數等要件，配合特殊而簡單的運算步驟，即可對服用安眠藥、服用高血藥及抽菸患者進行估測。
[2]不須昂貴而操作複雜的器材接受度較高。本案只是改變估測要件及運算方法即可進行估測，不須昂貴而不易操作的器材，一則醫療院所不須付出昂貴的成本，二則患者及醫療院所都不須複雜的操作，可提高患者或是醫療院所的接受度
[3]可彈性選擇特定之適用對象。本發明可透過篩選因子，來選擇特定之適用對象，例如是否吃安眠藥？是否抽菸等。故，可彈性選擇特定之適用對象。
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。
S1:訓練組資料庫建立步驟
S2:第1個初始群體解產生步驟
S3:第2至第M個初始群體解產生步驟
S4:三個目標函數產生步驟
S5:尋求最佳解之步驟
S6:完成步驟
Claims (1)
- 一種多重條件下進行睡眠呼吸中止嚴重度之估測方法，係包括：一訓練組資料庫建立步驟：預先建立一訓練組資料庫，該訓練組資料庫包括複數筆訓練組個人資料，該複數筆訓練組個人資料中的每筆訓練組個人資料係具有一人員代號(ID)、一頸圍(NC)、一腰圍(WC)、一睡後平均血壓值(AM)及六個篩選條件參數，該六個篩選條件參數係包括一是否有高血壓參數(SF1)、一是否睡前服用降血壓藥參數(SF2)、一是否睡前服用安眠藥參數(SF3)、一是否抽菸參數(SF4)、一嗜睡量表參數(SF5)及一睡眠效率參數(SF6)；其中，該是否有高血壓參數(SF1)係定義為1代表高血壓，否則為0；該是否睡前服用降血壓藥參數(SF2)係定義為1代表有服用，否則為0；該是否睡前服用安眠藥參數(SF3)係定義為1代表有服用，否則為0；該是否抽菸參數(SF4)係定義為1代表有抽菸，否則為0；該嗜睡量表參數(SF5)之值係為0~24之正整數；該睡眠效率參數(SF6)之值係介於0%~100%；二、第1個初始群體解產生步驟：先將該複數筆訓練組個人資料，分別以該頸圍(NC)、該腰圍(WC)與該睡後平均血壓值(AM)為X軸、Y軸及Z軸，而分布於XYZ三維空間中之複數個點，再將其分為N個群；進而分別可產生：N個頸圍模糊歸屬函數，該N個頸圍模糊歸屬函數中的每一頸圍模糊歸屬函數係由一頸圍平均值(mNC)及一頸圍標準差(σNC)來定義；N個腰圍(WC)模糊歸屬函數；該N個腰圍模糊歸屬函數中的每一腰圍模糊歸屬函數係由一腰圍平均值(mWC)及一腰圍標準差(σWC)來定義；N個睡後平均血壓值(AM)模糊歸屬函數；該N個睡後平均血壓值模糊歸屬函數中的每一睡後平均血壓值模糊歸屬函數係由一睡後平均血壓平均值(mAM)及一睡後平均血壓標準差(σAM)來定義； 接著，選用第1群產生之該頸圍模糊歸屬函數、該腰圍模糊歸屬函數及該睡後平均血壓值模糊歸屬函數，並搭配一由亂數產生之對應輸出值，構成一規則1；並選用第2群產生之該頸圍模糊歸屬函數、該腰圍模糊歸屬函數及該睡後平均血壓值模糊歸屬函數，並搭配另一由亂數產生之AHI對應輸出值，構成一規則2；重複前述方法至構成規則N，其後再加上六個篩選因子，則產生第1個初始群體解；該六個篩選因子係分別對應而為前述之該六個篩選條件參數之其判別值；又，該六個篩選因子係選自由亂數產生、由使用者自行設定其中之一；三、第2至第M個初始群體解產生步驟：以該第1個初始群體解為基礎，將原有之該頸圍平均值(mNC)、該頸圍標準差(σNC)、該腰圍平均值(mWC)、該腰圍標準差(σWC)、該睡後平均血壓平均值(mAM)及該睡後平均血壓標準差(σAM)分別加減一隨機數值，而搭配由亂數產生之AHI對應輸出值與六個篩選因子，即可產生第2至第M個初始群體解；該六個篩選因子係選自由亂數產生、由使用者自行設定其中之一；其中，M係為≧10之正整數，N係為≧2之正整數；四、三個目標函數產生步驟：定義一第一目標函數(f1)、一第二目標函數(f2)及一第三目標函數(f3)；其中：該第一目標函數(f1)=-(Sn+Sp-1)；其中，Sn係為敏感度；Sp係為特異性；該第二目標函數(f2)係定義為該M個初始群體解中之每個初始群體解之各模糊歸屬函數之平均分布程度；該第三目標函數(f3)係定義為該複數筆訓練組個人資料中，經該六個篩選因子篩選後仍符合之筆數(Q)的倒數，(Q)係定義為大於等於該複數筆訓練組個人資料之20%； 五、尋求最佳解之步驟：[a]逐一將該M個初始群體解中之各N條規則分別套入該複數筆訓練組個人資料，而可分別得到M個該第一目標函數(f1)、M個該第二目標函數(f2)及M個該第三目標函數(f3)；[b]利用已知的基因複製、交配、突變模組使其產生同數量之新的M個群體解，並利用前述程序之方法中求出新的M個該第一目標函數(f1)、M個該第二目標函數(f2)及M個該第三目標函數(f3)；[c]產生2M個群體解，該M個初始群體解加上新的M個群體解之組合，即定義為一2M個群體解；[d]將該2M個群體解進行排序；其中，各群體解之排序前後之定義係選自下列二者其中之一：1.該群體解之第一目標函數(f1)、該第二目標函數(f2)及該第三目標函數(f3)三者分別排序後之排名數加總後之值越小代表越前；2.該群體解之該第一目標函數(f1)、該第二目標函數(f2)及該第三目標函數(f3)三者相加後之值越小代表越前；[e]將排序後的2M個群體解分成前50%與後50%兩部分；[f]刪除後50%部分；[g]完成一次之運算；及[h]若運算之次數已達預設值，則停止；否則進行前述[b]~[g]程序；六、完成步驟：獲得一最佳化之群體解，可用以進行估測。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111127529A TWI835213B (zh) | 2022-07-22 | 多重條件下進行睡眠呼吸中止嚴重度之估測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111127529A TWI835213B (zh) | 2022-07-22 | 多重條件下進行睡眠呼吸中止嚴重度之估測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202405703A TW202405703A (zh) | 2024-02-01 |
| TWI835213B true TWI835213B (zh) | 2024-03-11 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3205267B1 (en) | 2009-07-16 | 2020-08-19 | ResMed Pty Ltd | Detection of sleep condition |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3205267B1 (en) | 2009-07-16 | 2020-08-19 | ResMed Pty Ltd | Detection of sleep condition |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lowe et al. | COPDGene® 2019: redefining the diagnosis of chronic obstructive pulmonary disease | |
| Asiaee et al. | Voice quality evaluation in patients with COVID-19: An acoustic analysis | |
| Younes et al. | Reliability of the American Academy of Sleep Medicine rules for assessing sleep depth in clinical practice | |
| Steptoe et al. | Dispositional optimism and health behaviour in community‐dwelling older people: Associations with healthy ageing | |
| Tsai et al. | Health-related quality of life as a predictor of mortality among community-dwelling older persons | |
| Reishtein | Relationship between symptoms and functional performance in COPD | |
| Labarca et al. | A validation study of four different cluster analyses of OSA and the incidence of cardiovascular mortality in a Hispanic population | |
| Dean et al. | Sleep, mood, and quality of life in patients receiving treatment for lung cancer | |
| Barczyk et al. | Asthma-COPD overlap—a discordance between patient populations defined by different diagnostic criteria | |
| TWI835213B (zh) | 多重條件下進行睡眠呼吸中止嚴重度之估測方法 | |
| CN111968745A (zh) | 构建vte风险评估模型的方法及vte风险评估方法 | |
| Greco et al. | Vaccines in Italy: the emotional text mining of social media | |
| TW202405703A (zh) | 多重條件下進行睡眠呼吸中止嚴重度之估測方法 | |
| Higashino et al. | Coordination dynamics of thoracic and abdominal movements during voluntary breathing | |
| He et al. | Association of burnout with depression in pharmacists: A network analysis | |
| Segura et al. | Predicting cardiovascular disease by combining optimal feature selection methods with machine learning | |
| CN109559788A (zh) | 一种病史采集方法及装置 | |
| CN111798961A (zh) | 一种基于心脏病的健康处方生成方法 | |
| Gerardy et al. | An approach for determining the reliability of manual and digital scoring of sleep stages | |
| Goldammer et al. | Specializing CNN models for sleep staging based on heart rate | |
| TW201911210A (zh) | 快速評估中重度睡眠呼吸中止之方法 | |
| Bodien et al. | How Severe Is Severe Disability After Traumatic Brain Injury? Response to Sarigul B et al., Prognostication and goals of care decisions in Severe traumatic brain injury: A survey of the Seattle International Severe Traumatic Brain Injury Consensus Conference Working Group (DOI: 10.1089/neu. 2022.0414) | |
| Gao et al. | Automated detection of sleep apnea using convolutional neural network from a single-channel ECG signal | |
| Elkind | Changes in the smoking behaviour, knowledge and opinion of medical students, 1972–1981 | |
| Kamiran et al. | Stability analysis of mathematical model of drug abuse case rehabilitation program in East Java |