TWI837948B - 可偵測完整呼吸暫停與不足事件的方法 - Google Patents

可偵測完整呼吸暫停與不足事件的方法 Download PDF

Info

Publication number
TWI837948B
TWI837948B TW111143641A TW111143641A TWI837948B TW I837948 B TWI837948 B TW I837948B TW 111143641 A TW111143641 A TW 111143641A TW 111143641 A TW111143641 A TW 111143641A TW I837948 B TWI837948 B TW I837948B
Authority
TW
Taiwan
Prior art keywords
layer
data set
model
apnea
center point
Prior art date
Application number
TW111143641A
Other languages
English (en)
Other versions
TW202421059A (zh
Inventor
林俊成
葉政育
林建宏
Original Assignee
國立勤益科技大學
Filing date
Publication date
Application filed by 國立勤益科技大學 filed Critical 國立勤益科技大學
Application granted granted Critical
Publication of TWI837948B publication Critical patent/TWI837948B/zh
Publication of TW202421059A publication Critical patent/TW202421059A/zh

Links

Abstract

本發明可偵測完整呼吸暫停與不足事件的方法,其包含有建立資料集、建立機器學習模型及取得模型等步驟;其中,該建立資料集步驟分別設有訓練資料集與測試資料集,而後於該建立機器學習模型步驟係採用11個特徵提取層來提取心電圖的特徵,每一該特徵提取層包括具有32個特徵圖之卷積層、一批次標準化層、一ReLU激活層、一最大池化層及一捨棄層,且用11個特徵提取層、第1個分類層是卷積層與第2個分類層是卷積層分別輸出特定之特徵圖輸出,且對應輸入的120秒心電圖10個區段訊號的估測結果,最後於取得模型步驟透過計算位置誤差值及類別機率誤差值以得到一總誤差值,且當該總誤差值小於預定的門檻值時停止訓練,即可取得一最佳化模型,輸入受測者之心電圖訊號至該模型內,最終輸出一偵測辨識結果,如此將能更準確的偵測出受測者之呼吸暫停與不足事件,有效提高準確度。

Description

可偵測完整呼吸暫停與不足事件的方法
本發明是有關於一種睡眠呼吸功能障礙的偵測,特別是指一種可偵測完整呼吸暫停與不足事件的方法。
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檢查的費用昂貴且不便,近年來便有人致力於研究使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、胸部與腹部呼吸訊號、心電圖、聲音訊號、以及結合不同的訊號,然而、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、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,而基於聲音訊號的檢測方法則受限於聲音訊號容易受到心臟聲音與環境噪音的干擾;相較於單獨使用呼吸氣流、胸部呼吸訊號、血氧濃度、與聲音訊號,單導程心電圖則是一個能夠較好的反應出完整呼吸事件的訊號,且在研究結果中,基於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時具有較高的準確度,然而,如何依據心電圖訊號來偵測呼吸暫停與呼吸不足之情況,本發明人對此研究甚深,其運用不同的方法來提高心電圖訊號之分析,使用什麼方法提高辨識正確性,為本發明以下之主要目的。
因此,本發明之目的,是在提供一種可偵測完整呼吸暫停與不足事件的方法,其能有效提高偵測判別之準確度。
於是,本發明可偵測完整呼吸暫停與不足事件的方法,其具備有一心電圖機,以取得一心電圖形訊號後,再透過該方法偵測辨識出是否有發現呼吸暫停與不足事件,而該方法包含有建立資料集步驟、建立機器學習模型步驟及取得模型步驟;其中,該建立資料集步驟分別設有訓練資料集與測試資料集,而後於該建立機器學習模型步驟係採用11個特徵提取層來提取心電圖的特徵,每一該特徵提取層包括具有32個特徵圖之卷積層、一批次標準化層、一ReLU激活層、一最大池化層及一捨棄層,且用11個特徵提取層、第1個分類層是卷積層與第2個分類層是卷積層分別輸出特定之特徵圖輸出,且對應輸入的120秒心電圖10個區段訊號的估測結果,最後於取得模型步驟透過計算位置誤差值及類別機率誤差值以得到一總誤差值,且當該總誤差值小於預定的門檻值時停止訓練,即可取得一最佳化模型,輸入受測者之心電圖訊號至該模型內,最終輸出一偵測辨識結果,如此將能更準確的偵測出受測者之呼吸暫停與不足事件,有效提高準確度。
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,一種可偵測完整呼吸暫停與不足事件的方法,其具備有一心電圖機,該心電圖機可針對心臟律動及呼吸頻率感應進行量測,以針對受測者的胸部之心臟自發性跳動與周圍肌肉節律性收縮,且依心臟組織電壓變化記錄而形成一心電圖形訊號。
配合参閱圖2,該方法包含建立資料集步驟、建立機器學習模型步驟及取得模型步驟等;其中,該建立資料集步驟其分別建立訓練資料集與測試資料集,訓練資料集與測試資料集的心電圖是選自於不同的受試者,且該訓練資料集與該測試資料集分別包含有多個120秒心電圖訊號,該每一個120秒心電圖訊號切割成10個相等長度的區段訊號,每一個區段訊號為12秒,同時該每一個區段訊號對應有一個3個元素的標籤,其中第1個元素標示類別,1代表有呼吸暫停與不足事件的中心點出現在該區段,0代表沒有;第2個與第3個元素分別標示的是呼吸暫停與不足事件的中心點位置與寬度。每一個120秒輸入訊號的範圍正規化為0到1,因此中心點位置與寬度的值均界於0與1之間;例如圖2中呼吸暫停或不足事件的中心點是落在S6區段,則S6區段的標籤L6 = [1 0.6 0.3] 代表區段S6中有出現呼吸暫停與不足事件的中心點,呼吸暫停與不足事件的中心點位置與寬度分別為0.6與0.3。其他的區段都沒有出現呼吸暫停與不足事件的中心點,所以對應的標籤Li = [0 X X];其中,i為區段編號,X代表沒有定義,因此,每一組120秒的心電圖輸入訊號,會對應一組維度為10x3的標籤;另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是否為呼吸正常或是呼吸暫停與不足事件,以及估測呼吸暫停與不足事件的中心點位置與寬度;另,該測試資料集的心電圖用於測試最佳化後的機器學習模型對於訓練資料集以外的心電圖訊號的辨識正確性,可以測試最佳化的機器學習模型的真實效能。
配合参閱圖3,該建立機器學習模型步驟,該訓練資料集與測試資料集內之心電圖訊號採用11個特徵提取層來提取心電圖的特徵,每一該特徵提取層包括1個卷積層(32個特徵圖)、1個批次標準化層、1個ReLU激活層、1個最大池化層(池化大小為2)和捨棄層(50%捨棄率),11個特徵提取層的輸出為1x10x32,第1個分類層是卷積層(1x10,2000個特徵圖)輸出1x10x2000,第2個分類層是卷積層(1x10,3個特徵圖)輸出1x10x3,該輸出對應輸入的120秒心電圖10個區段訊號的估測結果,每一個區段訊號有3個估測值,第2個和第3個估測值分別為呼吸正常或呼吸暫停與不足事件的中心點位置和寬度,且該第1個估測值為機率值*聯合交叉值,該機率值越接近於1時,代表該區段訊號越精確有可能出現呼吸正常或呼吸暫停與不足事件的中心點;另,該聯合交叉值的定義為:
聯合交叉值 = 模型預測事件範圍與事件真實範圍的交集 / 模型預測事件範圍與事件真實範圍的聯集。
仍續前述,而該模型預測的事件範圍代表模型對於呼吸正常或呼吸暫停與不足事件的預測範圍(由模型預測的中心點位置和寬度決定),事件的真實範圍代表標籤中所標示的真實範圍(由標籤中的中心點位置和寬度決定)。聯合交叉值用來評估兩個範圍的重疊程度,聯合交叉值等於0時代表兩個範圍完全沒有重疊,聯合交叉值等於1時代表兩個範圍完全重疊。當第1個估測值(機率值*聯合交叉值)大於0.5時,代表模型預測該區段出現呼吸正常或呼吸暫停與不足事件的中心點,且第2個和第3個估測值所估測出的中心點位置和寬度具有相當的準確度。
最後,該取得模型步驟,其係輸入訓練資料集的心電圖訊號與標籤來訓練模型,訓練的過程中計算位置誤差值及類別機率誤差值以得到一總誤差值,而前述該位置誤差值定義為模型對於10個區段分別所預測出來的中心點與寬度與標籤所標示的中心點與寬度的誤差平方總和,例如對某一個區段預測出來的中心點與位置分別為0.5和0.35,且該區段的標籤所標示的中心點與位置分別為0.6和0.3,則該區段的位置誤差平方為(0.5-0.6) 2+(0.35-0.3) 2。位置誤差值為10個區段的位置誤差平方的總和;另,該分類機率誤差值定義為模型對於10個區段所預測出來的類別機率與標籤所標示類別的誤差平方和,例如模型對某一區段預測出來的類別機率為0.6,且該區段的標籤所標示的類別為1,則該區段的類別機率誤差平方為(0.6-1) 2。類別機率誤差值為10個區段的類別機率誤差平方的總和;訓練過程中的總誤差為位置誤差值與類別機率誤差值的總合。在訓練的過程中會反覆使用訓練資料集的心電圖訊號與標籤,且當該總誤差值小於預定的門檻值時停練,代表已取得最佳化的模型,接著輸入測試資料集的心電圖訊號與標籤來測試模型的真實效能,經實際實驗證明,本發明的實驗結果顯示訓練與測試對於辨識是否出現呼吸暫停或不足事件的正確性均可達到90%以上,能有效確保辨識之準確度。
歸納前述,本發明可偵測完整呼吸暫停與不足事件的方法,其依序包含有建立資料集、建立機器學習模型及取得模型等步驟;其主要透過建立有訓練資料集與測試資料集後,再由該建立機器學習模型提取層來提取心電圖的特徵後,於取得模型等步驟透過計算位置誤差值及類別機率誤差值以得到一總誤差值,且當該總誤差值小於預定的門檻值時停止訓練,即可取得一最佳化模型,輸入受測者之心電圖訊號至該模型內,最終輸出一偵測辨識結果,如此將能更準確的偵測出受測者之呼吸暫停與不足事件,有效提高準確度。
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。
圖1是本發明一較佳實施例之流程圖。 圖2是本發明一較佳實施例之心電圖區段訊號與標籤示意圖。 圖3是本發明一較佳實施例之學習模型方塊圖。

Claims (3)

  1. 一種可偵測完整呼吸暫停與不足事件的方法,其具備有一心電圖機,該心電圖機可針對心臟律動及呼吸頻率感應進行量測,以針對受測者的胸部之心臟自發性跳動與周圍肌肉節律性收縮,且依心臟組織電壓變化記錄而形成一心電圖形訊號,該方法包含有:一建立資料集步驟,其分別建立訓練資料集與測試資料集,訓練資料集與測試資料集的心電圖是選自於不同的受試者,且該訓練資料集與該測試資料集分別包含有多個120秒心電圖訊號,該每一個120秒心電圖訊號切割成10個相等長度的區段訊號,每一個區段訊號為12秒;一建立機器學習模型步驟,該訓練資料集與測試資料集內之心電圖訊號採用11個特徵提取層來提取心電圖的特徵,每一該特徵提取層包括1個卷積層(32個特徵圖)、1個批次標準化層、1個ReLU激活層、1個最大池化層(池化大小為2)和捨棄層(50%捨棄率),11個特徵提取層的輸出為1x10x32,第1個分類層是卷積層(1x10,2000個特徵圖)輸出1x10x2000,第2個分類層是卷積層(1x10,3個特徵圖)輸出1x10x3,該輸出對應輸入的120秒心電圖10個區段訊號的估測結果,每一個區段訊號有3個估測值,第2個和第3個估測值分別為呼吸正常或呼吸暫停與不足事件的中心點位置和寬度,且該第1個估測值為機率值×聯合交叉值,該機率值越接近於1時,代表該區段訊號越精確有可能出現呼吸正常或呼吸暫停與不足事件的中心點;及一取得模型步驟,其計算位置誤差值及類別機率誤差值以得到一總誤差值,而前述該位置誤差值定義為模型對於10個區段分別所預測出來的中心點與寬度與標籤所標示的中心點與寬度的誤差平方總和,另,該分類機率誤差值定義為模型對於10個區段所預測出來的類別機率與標 籤所標示類別的誤差平方和,且當該總誤差值小於預定的門檻值時停止訓練,即可取得一最佳化的模型,輸入受測者之心電圖訊號至該模型內,最終輸出一偵測辨識結果。
  2. 根據請求項1所述可偵測完整呼吸暫停與不足事件的方法,其中,該建立資料集步驟中,每一個區段訊號對應有一個3個元素的標籤,其中第1個元素標示類別,1代表有呼吸暫停與不足事件的中心點出現在該區段,0代表沒有;第2個與第3個元素分別標示的是呼吸暫停與不足事件的中心點位置與寬度,每一個120秒輸入訊號的範圍正規化為0到1,因此中心點位置與寬度的值均界於0與1之間。
  3. 根據請求項1所述可偵測完整呼吸暫停與不足事件的方法,其中,聯合交叉值=模型預測事件範圍與事件真實範圍的交集÷模型預測事件範圍與事件真實範圍的聯集。
TW111143641A 2022-11-15 可偵測完整呼吸暫停與不足事件的方法 TWI837948B (zh)

Publications (2)

Publication Number Publication Date
TWI837948B true TWI837948B (zh) 2024-04-01
TW202421059A TW202421059A (zh) 2024-06-01

Family

ID=

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111166294A (zh) 2020-01-29 2020-05-19 北京交通大学 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111166294A (zh) 2020-01-29 2020-05-19 北京交通大学 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置

Similar Documents

Publication Publication Date Title
de Chazal et al. Automated detection of obstructive sleep apnoea at different time scales using the electrocardiogram
JP6199330B2 (ja) 酸素測定信号を用いるチェーンストークス呼吸パターンの識別
KR101712974B1 (ko) 만성 질환 모니터링용 장치, 시스템 및 방법
US6363270B1 (en) Monitoring the occurrence of apneic and hypopneic arousals
US11712198B2 (en) Estimation of sleep quality parameters from whole night audio analysis
Mayer et al. Simultaneous laboratory-based comparison of ResMed Autoset with polysomnography in the diagnosis of sleep apnoea/hypopnoea syndrome
Yadollahi et al. Acoustic obstructive sleep apnea detection
US10004452B2 (en) System and methods for estimating respiratory airflow
US20220167856A1 (en) Lung function monitoring from heart signals
JP5706834B2 (ja) 喘息の診断
Steltner et al. Diagnosis of sleep apnea by automatic analysis of nasal pressure and forced oscillation impedance
JP2023531464A (ja) 身体計測情報と気管呼吸音を使用して覚醒時に閉塞性睡眠時無呼吸をスクリーニングする方法とシステム
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
TWI837948B (zh) 可偵測完整呼吸暫停與不足事件的方法
CN114340487A (zh) 一种处理哮喘患者咳嗽音以应用适当治疗的方法和装置
CN111657870A (zh) 一种基于d-s证据理论的呼吸暂停判决系统
Heise et al. Unobtrusively detecting apnea and hypopnea events via a hydraulic bed sensor
Widasari et al. Automatic sleep quality assessment for obstructive sleep apnea patients based on HRV spectrum analysis
US9402571B2 (en) Biological tissue function analysis
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
TWI784513B (zh) 基於心電圖延後反應的呼吸暫停事件偵測方法
RU2564902C1 (ru) Способ диагностики синдрома обструктивного апноэ/гипопноэ сна
TWM624488U (zh) 針對呼吸暫停或不足事件的偵測裝置
CN113143263B (zh) 一种用于构建睡眠呼吸暂停判别最优模型的系统
TWM626332U (zh) 基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置