TWM593240U - 基於單極導程心電圖的呼吸暫停的偵測裝置 - Google Patents
基於單極導程心電圖的呼吸暫停的偵測裝置 Download PDFInfo
- Publication number
- TWM593240U TWM593240U TW108214965U TW108214965U TWM593240U TW M593240 U TWM593240 U TW M593240U TW 108214965 U TW108214965 U TW 108214965U TW 108214965 U TW108214965 U TW 108214965U TW M593240 U TWM593240 U TW M593240U
- Authority
- TW
- Taiwan
- Prior art keywords
- detection device
- subject
- lead electrocardiogram
- unipolar lead
- detection module
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 208000008784 apnea Diseases 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 208000001797 obstructive sleep apnea Diseases 0.000 claims description 18
- 230000001269 cardiogenic effect Effects 0.000 claims description 17
- 208000024891 symptom Diseases 0.000 claims description 17
- 230000000241 respiratory effect Effects 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 238000011176 pooling Methods 0.000 description 20
- 238000000034 method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000005070 sampling Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000002565 electrocardiography Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010067775 Upper airway obstruction Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 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
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008665 sleep physiology Effects 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
提供一種基於單極導程心電圖的呼吸暫停的偵測裝置。偵測裝置包括處理器、儲存媒體以及收發器。收發器取得第一單極導程心電圖，其中第一單極導程心電圖包括對應於呼吸暫停事件的第一資料集合以及對應於非呼吸暫停事件的第二資料集合。處理器存取和執行儲存媒體中的訓練模組以及偵測模組。訓練模組將第一資料集合以及第二資料集合作為訓練資料以訓練機器學習模型，其中訓練資料為時域訊號。偵測模組通過收發器取得受試者的第二單極導程心電圖，並且根據機器學習模型以及第二單極導程心電圖判斷受試者是否發生至少一呼吸暫停事件。
Description
本揭露是有關於一種偵測裝置，且特別是有關於一種基於單極導程（unipolar）心電圖（electrocardiography，ECG）的呼吸暫停（Apnea）的偵測裝置。
阻塞性睡眠呼吸暫停（obstructive sleep Apnea，OSA）是一種常見的睡眠障礙，其是在睡眠期間因為咽部塌陷造成完全或部分上呼吸道阻塞，而導致呼吸暫停或減弱的症狀。目前，要診斷阻塞型睡眠呼吸中止症，主要的依據是睡眠多項生理檢查（polysomnography，PSG）。進行PSG的檢查時，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，在頭部、眼角、下巴、心臟、以及腿部貼上電極貼片，並且在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，在手臂套上血壓計，以記錄整個晚上的睡眠生理資料。然而，並不是所有病患都有時間能在睡眠實驗室或睡眠中心過夜。據此，如何提出一種簡化的睡眠障礙診斷方法，是本領域人員致力的目標之一。
本揭露提供一種基於單極導程心電圖的呼吸暫停的偵測裝置，可利用受試者即時的單極導程心電圖來判斷該受試者是否發生呼吸暫停事件。
本新型創作的基於單極導程心電圖的呼吸暫停的偵測裝置，包括：處理器、儲存媒體以及收發器。收發器取得第一單極導程心電圖，其中第一單極導程心電圖包括對應於呼吸暫停事件的第一資料集合以及對應於非呼吸暫停事件的第二資料集合。儲存媒體儲存多個模組。處理器耦接儲存媒體和收發器，並且存取和執行多個模組，其中多個模組包括訓練模組以及偵測模組。訓練模組將第一資料集合以及第二資料集合作為訓練資料以訓練機器學習模型，其中訓練資料為時域訊號。偵測模組通過收發器取得受試者的第二單極導程心電圖，並且根據機器學習模型以及第二單極導程心電圖判斷受試者是否發生至少一呼吸暫停事件。
在本新型創作的一實施例中，上述的偵測模組根據至少一呼吸暫停事件的發生次數判斷受試者的阻塞性睡眠呼吸暫停症狀的嚴重程度。
在本新型創作的一實施例中，上述的偵測模組響應於至少一呼吸暫停事件的發生次數大於第一閾值而判斷嚴重程度為高，響應於至少一呼吸暫停事件的發生次數小於或等於第一閾值但大於第二閾值而判斷嚴重程度為中，並且響應於至少一呼吸暫停事件的發生次數小於或等於第二閾值而判斷嚴重程度為低。
在本新型創作的一實施例中，上述的機器學習模型為卷積神經網路模型。
在本新型創作的一實施例中，上述的偵測模組根據第一單極導程心電圖產生對應的心源性呼吸訊號，根據第一單極導程心電圖測量多個RR間隔，根據多個RR間隔以及心源性呼吸訊號的至少其中之一產生第二訓練資料，並且根據第二訓練資料訓練支援向量機模型。
在本新型創作的一實施例中，上述的偵測模組根據支援向量機模型、機器學習模型以及第二單極導程心電圖判斷受試者是否發生至少一呼吸暫停事件。
在本新型創作的一實施例中，上述的偵測模組從多個RR間隔或心源性呼吸訊號萃取多個特徵，並且根據多個特徵產生第二訓練資料。
在本新型創作的一實施例中，上述的多個特徵關聯於下列的至少其中之一：RR間隔平均值、RR間隔的第二或第三序列相關係數、RR間隔對的數量，其中RR間隔對包括相鄰的兩個RR間隔，且兩個RR間隔之間的時間間隔超過50毫秒、相鄰的兩個RR間隔的標準差、RR間隔的正規化的極低頻範圍功率、心源性呼吸訊號的正規化的極低頻範圍功率、心源性呼吸訊號的正規化的低頻範圍功率以及心源性呼吸訊號的正規化的高頻範圍功率。
在本新型創作的一實施例中，上述的訓練資料更包括受到雜訊干擾的第三資料集合，並且偵測模組將第三資料集合作為訓練資料以訓練機器學習模型。
在本新型創作的一實施例中，上述的偵測模組根據嚴重程度判斷是否發出警示以提示人員注意受試者。
基於上述，本揭露可基於受試者的單極導程心電圖而透過機器學習模型來判斷受試者是否發生呼吸暫停事件以及該受試者之OSA症狀的嚴重程度。本揭露可僅根據受試者日常的心跳或呼吸來判斷受試者是否有OSA症狀，而不需使用到受試者的睡眠生理資料。因此，就算受試者不在睡眠中心睡上整晚，受試者的OSA症狀也可被準確地診斷。
為了使本揭露之內容可以被更容易明瞭，以下特舉實施例作為本揭露確實能夠據以實施的範例。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。
圖1根據本揭露的實施例繪示基於單極導程心電圖的呼吸暫停的偵測裝置100的示意圖。偵測裝置100包括處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微控制單元（micro control unit，MCU）、微處理器（microprocessor）、數位信號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuit，ASIC）、圖形處理器（graphics processing unit，GPU）、算數邏輯單元（arithmetic logic unit，ALU）、複雜可程式邏輯裝置（complex programmable logic device，CPLD）、現場可程式化邏輯閘陣列（field programmable gate array，FPGA）或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130，並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟（hard disk drive，HDD）、固態硬碟（solid state drive，SSD）或類似元件或上述元件的組合，而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中，儲存媒體120可儲存包括訓練模組121以及偵測模組122等多個模組，其功能將於後續說明。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。收發器130可用以接收作為訓練資料的第一單極導程心電圖或接收測量自受試者的第二單極導程心電圖。舉例來說，收發器130可通訊連接至黏貼於受試者身上的電極，其中所述電極可感測受試者的心跳以產生受試者的第二單極導程心電圖。舉例來說，收發器130可通過例如全球行動通信（global System for mobile communication，GSM）、個人手持式電話系統（personal handy-phone system，PHS）、碼多重擷取（code division multiple access，CDMA）系統、寬頻碼分多址（wideband code division multiple access，WCDMA）系統、長期演進（long term evolution，LTE）系統、全球互通微波存取（worldwide interoperability for microwave access，WiMAX)系統、無線保真（wireless fidelity，Wi-Fi)系統或藍牙（Bluetooth）等通訊技術接收作為訓練資料的第一單極導程心電圖，或接收由黏貼在受試者胸部的電極（例如：單極導程電極）所測量到的第二單極導程心電圖。
作為訓練資料的第一單極導程心電圖可包括對應於呼吸暫停事件的第一資料集合以及對應於非呼吸暫停事件的第二資料集合。在本實施例中，第一資料集合可包括多個一分鐘長度的心電圖，且每一個心電圖測量的期間發生過至少一次呼吸暫停事件。第二資料集合可包括多個一分鐘長度的心電圖，且每一個心電圖測量的期間並未發生呼吸暫停事件。訓練模組121可將第一資料集合和第二資料集合作為訓練資料以訓練機器學習模型，其中訓練好的機器學習模型可用以根據測量自受試者的第二單極導程心電圖判斷受試者是否發生呼吸暫停事件。值得注意的是，本實施例的訓練資料可以是未經小波轉換過的時域訊號，而非經小波轉換過的時頻訊號。由於時域訊號的維度較時頻訊號的維度為低，故使用時域訊號而非時頻訊號來訓練機器學習模型的訓練模組121將花費較少的運算力。
在一實施例中，作為訓練資料的第一單極導程心電圖更包括代表受到雜訊干擾之心電圖的第三資料集合。訓練模組121可將第一資料集合、第二資料集合和第三資料集合作為訓練資料以訓練機器學習模型。由第一資料集合、第二資料集合和第三資料集合所訓練出的機器學習模型不僅能根據測量自受試者的第二單極導程心電圖判斷受試者是否發生呼吸暫停事件，還能根據第二單極導程心電圖判斷由收發器130所接收的第二單極導程心電圖的資料可能受到雜訊干擾。因此，偵測模組122在判斷受試者的OSA症狀的嚴重程度時，可先過濾掉受到雜訊干擾的資料。
在訓練完機器學習模型後，偵測模組122可根據機器學習模型以及測量自受試者的第二單極導程心電圖判斷受試者是否發生呼吸暫停事件。在一實施例中，偵測模組122更可根據呼吸暫停事件的發生次數判斷受試者的OSA症狀的嚴重程度。具體來說，偵測模組122可定義受試者呼吸暫停事件在每小時的發生次數為呼吸暫停指數（Apnea Index，AI）。偵測模組122可響應於AI大於第一閾值（例如：第一閾值為30）而判斷受試者的OSA症狀的嚴重程度為高。偵測模組122可響應於AI小於或等於第一閾值但大於第二閾值（例如：第二閾值為15）而判斷受試者的OSA症狀的嚴重程度為中。偵測模組122可響應於AI小於或等於第二閾值而判斷受試者的OSA症狀的嚴重程度為低（或判斷受試者不具有OSA症狀）。
在一實施例中，若偵測模組122判斷受試者出現嚴重的OSA症狀，則偵測模組122可通過收發器130發出警示以提示受試者的家人、醫師或周圍的人員該受試者的狀況。舉例來說，偵測模組122可在受試者出現嚴重的OSA症狀時，通過收發器130傳送警示訊息至受試者的家人的行動裝置。
上述的機器學習模型例如是卷積神經網路（convolutional neural network，CNN）模型。卷積神經網路與傳統的多層感知網路最大的差異在於卷積神經網路多了卷積層與池化層，這兩層讓卷積神經網路具有能力可以萃取出輸入訊號的特徵。卷積層的設計具有多項特色。第一個特色是局部感知。在傳統神經網路中每個神經元都要與每個取樣點互相連接，因此需要大量的權重，使得訓練網路時的困難度極高。而在卷積神經網路中，每個神經元的權重數量都與卷積核的尺寸相同，因此相當於每個神經元只與對應的部分取樣點互相連接，因而能大幅地減少權重的數量。比較少的權重數量可以降低過度擬合（overfitting）的風險。第二個特色是權重共享機制。卷積神經網路是通過反向傳播誤差算法來訓練並更新最佳的卷積核權重，但是在卷積的過程中，卷積核的權重並不會改變。第三個特色是多卷積核。如果只使用一個卷積核則只能萃取訊號的部份特徵。如果使用多個卷積核則可以萃取輸入訊號的多個特徵。卷積層的數量越多，卷積神經網路所能萃取的特徵越多。
在輸入訊號經過由卷積層和激活函數進行的非線性轉換後，可產生特徵圖（feature map）。激活函數最重要的功能在於引入神經網路的非線性，因為如果沒有加入激活函數，卷積層與全連接層只是單純的線性運算，對於線性不可分的問題仍然是無解。
為了減少經卷積運算萃取出的特徵的維度並提高學習過程的速度，卷積層之後會接著一個池化層。池化層是一個壓縮特徵圖並保留重要資訊的方法。池化層採用的取樣方法可包括最大池化法（max pooling）或平均池化法（mean pooling）。最大池化法是選擇池化視窗中的最大值作為取樣值。平均池化法是將池化視窗中的所有值相加後取平均以作為取樣值。池化之後的特徵圖還是保留局部範圍比對的最大可能性。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，而不是專注於這些特徵所在的位置。因此，相較於傳統的神經網路，卷積神經網路更可以判斷出特徵圖中是否包含某項特徵，而不需考量到特徵所在的位置。因此，就算輸入訊號的特徵發生偏移，卷積神經網路也可辨識出該特徵。在池化層之後，全連接層會將前面經過多次卷積與池化後高度抽象化的特徵進行整合。然後再由輸出層對各種分類都輸出一個相對應的機率，其中所有分類的機率總和為1。
圖2根據本揭露的實施例繪示卷積神經網路模型200的示意圖，其中卷積神經網路模型200是由訓練模組121所訓練出的機器學習模型中的一種態樣。卷積神經網路模型200可包括輸入層220、卷積層231、池化層232、卷積層241、池化層242、全連接層251、全連接層252以及輸出層260。如圖2所示的卷積神經網路模型200的輸入資料210例如是測量自受試者的第二單極導程心電圖，並且卷積神經網路模型200的輸出資料270代表是否發生呼吸暫停事件的判斷結果。
在本實施例中，輸入資料210為1分鐘的第二單極導程心電圖，並且輸入資料210包括在100Hz取樣頻率下取樣出的6,000個取樣點。卷積層231包括128個尺寸為
的卷積核。經過卷積層231的輸入資料210會轉變為128個尺寸為
的特徵圖。接著，池化層232使用尺寸為
的滑動視窗對卷積層231輸出的特徵圖進行取樣以產生128個尺寸為
的特徵圖。卷積層241包括64個尺寸16
的卷積核。卷積層241進一步地對池化層232輸出的特徵圖進行卷積運算以產生64個尺寸為
的特徵圖。接著，池化層242使用尺寸為
的滑動視窗對卷積層241輸出的特徵圖進行取樣以產生64個尺寸為
的特徵圖。而後，池化層242輸出的特徵圖依序地輸入至具有128個神經元的全連接層251以及具有64個神經元的全連接層252。輸出層260可根據Softmax激活函數來計算全連接層252的輸出的對應於暫停呼吸事件的第一機率以及對應於非暫停呼吸事件的第二機率。若第一機率大於第二機率，則偵測模組122可判斷輸入資料210對應於至少一暫停呼吸事件。反之，若第一機率小於或等於第二機率，則偵測模組122可判斷輸入資料210對應於非暫停呼吸事件。
值得注意的是，輸出層260所使用的激活函數可例如是softmax函數、sigmoid函數、hyperbolic tangent函數或線性整流單元（rectified linear unit，ReLU）函數，本揭露不限於此。
在一實施例中，訓練模組121更可產生支援向量機（support vector machine，SVM）模型。偵測模組122可根據支援向量機模型、機器學習模型以及測量自受試者的第二單極導程心電圖判斷受試者是否發生呼吸暫停事件。舉例來說，若支援向量機模型以及機器學習模型的至少其中之一判斷受試者發生呼吸暫停事件，則偵測模組122可響應於支援向量機模型以及機器學習模型的至少其中之一判斷受試者發生呼吸暫停事件而輸出代表受試者發生呼吸暫停事件的判斷結果。
訓練模組121可根據第一單極導程心電圖訓練出前述的支援向量機模型。訓練模組121可根據作為訓練資料的第一單極導程心電圖產生對應的心源性呼吸（ECG-derived respiration，EDR）訊號。另一方面，訓練模組121可根據第一單極導程心電圖測量多個RR間隔。接著，訓練模組121可根據心源性呼吸訊號以及所述多個RR間隔的至少其中之一產生用以訓練支援向量機模型的第二訓練資料，並接著根據第二訓練資料來訓練前述的支援向量機模型。具體來說，訓練模組121可從心源性呼吸訊號或多個RR間隔萃取多個特徵，並且根據該些特徵產生第二訓練資料。所述多個特徵例如關聯於RR間隔平均值、RR間隔的第二或第三序列相關係數、RR間隔對的數量（RR間隔對包括相鄰的兩個RR間隔，且兩個RR間隔之間的時間間隔超過50毫秒）、相鄰的兩個RR間隔的標準差、RR間隔的正規化的極低頻範圍功率（very low frequency power，VLFP）、心源性呼吸訊號的正規化的極低頻範圍功率、心源性呼吸訊號的正規化的低頻範圍功率（low frequency power，LFP）或心源性呼吸訊號的正規化的高頻範圍功率（high frequency power，HFP），但本揭露不限於此。VLFP大約介於0.003-0.04Hz之間。上述的LFP大約介於0.04-0.15Hz之間並且HFP大約介於0.15-0.4Hz之間。
圖3根據本揭露的實施例繪示基於單極導程心電圖的呼吸暫停的偵測方法的流程圖，其中所述偵測方法例如是由如圖1所示的偵測裝置100實施。在步驟S301中，取得第一單極導程心電圖，其中第一單極導程心電圖包括對應於呼吸暫停事件的第一資料集合以及對應於非呼吸暫停事件的第二資料集合。在步驟S302中，將第一資料集合以及第二資料集合作為訓練資料以訓練機器學習模型，其中訓練資料為時域訊號。在步驟S303中，取得受試者的第二單極導程心電圖。在步驟S304中，根據機器學習模型以及第二單極導程心電圖判斷受試者是否發生至少一呼吸暫停事件。
綜上所述，本揭露可基於受試者的單極導程心電圖來判斷受試者是否發生呼吸暫停事件以及該受試者之OSA症狀的嚴重程度。本揭露可直接利用對應於單極導程心電圖的時域訊號來訓練機器學習模型，而不必使用到小波轉換技術來產生時頻訊號以訓練機器學習模型。換句話說，本揭露的訓練資料的維度較低，因此，相較於傳統的訓練過程，本揭露的機器學習模型的訓練過程所需使用到的運算力比較低，且訓練過程也比較快速。除了利用機器學習模型來檢測受試者的OSA症狀外，本揭露還可通過與RR間隔或EDR訊號相關的支援向量機模型來檢查機器學習模型的判斷結果，使得呼吸暫停事件的預測變得更加地準確。
100:偵測裝置
110:處理器
120:儲存媒體
121:訓練模組
122:偵測模組
130:收發器
210:輸入資料
220:輸入層
231、241:卷積層
232、242:池化層
251、252:全連接層
260:輸出層
270:輸出資料
S301、S302、S303、S304:步驟
圖1根據本揭露的實施例繪示基於單極導程心電圖的呼吸暫停的偵測裝置的示意圖。
圖2根據本揭露的實施例繪示卷積神經網路模型的示意圖。
圖3根據本揭露的實施例繪示基於單極導程心電圖的呼吸暫停的偵測方法的流程圖。
100:偵測裝置
110:處理器
120:儲存媒體
121:訓練模組
122:偵測模組
130:收發器
Claims (10)
- 一種基於單極導程心電圖的呼吸暫停的偵測裝置，包括： 收發器，取得第一單極導程心電圖，其中所述第一單極導程心電圖包括對應於呼吸暫停事件的第一資料集合以及對應於非呼吸暫停事件的第二資料集合； 儲存媒體，儲存多個模組；以及 處理器，耦接所述儲存媒體和所述收發器，並且存取和執行所述多個模組，其中所述多個模組包括： 訓練模組，將所述第一資料集合以及所述第二資料集合作為訓練資料以訓練機器學習模型，其中所述訓練資料為時域訊號；以及 偵測模組，通過所述收發器取得受試者的第二單極導程心電圖，並且根據所述機器學習模型以及所述第二單極導程心電圖判斷所述受試者是否發生至少一呼吸暫停事件。
- 如申請專利範圍第1項所述的偵測裝置，其中所述偵測模組根據所述至少一呼吸暫停事件的發生次數判斷所述受試者的阻塞性睡眠呼吸暫停症狀的嚴重程度。
- 如申請專利範圍第2項所述的偵測裝置，其中所述偵測模組響應於所述至少一呼吸暫停事件的所述發生次數大於第一閾值而判斷所述嚴重程度為高，響應於所述至少一呼吸暫停事件的所述發生次數小於或等於所述第一閾值但大於第二閾值而判斷所述嚴重程度為中，並且響應於所述至少一呼吸暫停事件的所述發生次數小於或等於所述第二閾值而判斷所述嚴重程度為低。
- 如申請專利範圍第1項所述的偵測裝置，其中所述機器學習模型為卷積神經網路模型。
- 如申請專利範圍第1項所述的偵測裝置，其中所述偵測模組根據所述第一單極導程心電圖產生對應的心源性呼吸訊號，根據所述第一單極導程心電圖測量多個RR間隔，根據所述多個RR間隔以及所述心源性呼吸訊號的至少其中之一產生第二訓練資料，並且根據所述第二訓練資料訓練支援向量機模型。
- 如申請專利範圍第5項所述的偵測裝置，其中所述偵測模組根據所述支援向量機模型、所述機器學習模型以及所述第二單極導程心電圖判斷所述受試者是否發生所述至少一呼吸暫停事件。
- 如申請專利範圍第5項所述的偵測裝置，其中所述偵測模組從所述多個RR間隔或所述心源性呼吸訊號萃取多個特徵，並且根據所述多個特徵產生所述第二訓練資料。
- 如申請專利範圍第7項所述的偵測裝置，其中所述多個特徵關聯於下列的至少其中之一： RR間隔平均值、RR間隔的第二或第三序列相關係數、RR間隔對的數量，其中所述RR間隔對包括相鄰的兩個RR間隔，且所述兩個RR間隔之間的時間間隔超過50毫秒、相鄰的兩個RR間隔的標準差、RR間隔的正規化的極低頻範圍功率、心源性呼吸訊號的正規化的極低頻範圍功率、心源性呼吸訊號的正規化的低頻範圍功率以及心源性呼吸訊號的正規化的高頻範圍功率。
- 如申請專利範圍第1項所述的偵測裝置，其中所述訓練資料更包括受到雜訊干擾的第三資料集合，並且所述偵測模組將所述第三資料集合作為所述訓練資料以訓練所述機器學習模型。
- 如申請專利範圍第2項所述的偵測裝置，其中所述偵測模組根據所述嚴重程度判斷是否發出警示以提示人員注意所述受試者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108214965U TWM593240U (zh) | 2019-11-12 | 2019-11-12 | 基於單極導程心電圖的呼吸暫停的偵測裝置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108214965U TWM593240U (zh) | 2019-11-12 | 2019-11-12 | 基於單極導程心電圖的呼吸暫停的偵測裝置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWM593240U true TWM593240U (zh) | 2020-04-11 |
Family
ID=71133102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108214965U TWM593240U (zh) | 2019-11-12 | 2019-11-12 | 基於單極導程心電圖的呼吸暫停的偵測裝置 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWM593240U (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI777650B (zh) * | 2021-07-02 | 2022-09-11 | 國立勤益科技大學 | 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 |
| TWI807807B (zh) * | 2022-04-29 | 2023-07-01 | 國立勤益科技大學 | 使用濾波器組與類神經網路之呼吸暫停與不足事件偵測方法 |
| US20230346304A1 (en) * | 2022-04-29 | 2023-11-02 | National Yang Ming Chiao Tung University | Method for OSA Severity Detection Using Recording-based Electrocardiography Signal |
| TWI837948B (zh) * | 2022-11-15 | 2024-04-01 | 國立勤益科技大學 | 可偵測完整呼吸暫停與不足事件的方法 |
-
2019
- 2019-11-12 TW TW108214965U patent/TWM593240U/zh not_active IP Right Cessation
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI777650B (zh) * | 2021-07-02 | 2022-09-11 | 國立勤益科技大學 | 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 |
| TWI807807B (zh) * | 2022-04-29 | 2023-07-01 | 國立勤益科技大學 | 使用濾波器組與類神經網路之呼吸暫停與不足事件偵測方法 |
| US20230346304A1 (en) * | 2022-04-29 | 2023-11-02 | National Yang Ming Chiao Tung University | Method for OSA Severity Detection Using Recording-based Electrocardiography Signal |
| TWI837948B (zh) * | 2022-11-15 | 2024-04-01 | 國立勤益科技大學 | 可偵測完整呼吸暫停與不足事件的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mendonça et al. | Devices for home detection of obstructive sleep apnea: A review | |
| TWM593240U (zh) | 基於單極導程心電圖的呼吸暫停的偵測裝置 | |
| WO2019161608A1 (zh) | 多参数监护数据分析方法和多参数监护系统 | |
| KR101850859B1 (ko) | 만성 질환 모니터링용 장치, 시스템 및 방법 | |
| US20220175324A1 (en) | Computer-based prediction of fetal and maternal outcomes | |
| CN116098602B (zh) | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 | |
| Rahman et al. | Automated assessment of pulmonary patients using heart rate variability from everyday wearables | |
| Doheny et al. | Estimation of respiratory rate and exhale duration using audio signals recorded by smartphone microphones | |
| Mendonça et al. | A portable wireless device based on oximetry for sleep apnea detection | |
| TWM590434U (zh) | 阻塞性睡眠呼吸暫停症狀的偵測裝置 | |
| KR102340670B1 (ko) | 딥러닝 기반의 심리생리검사 시스템 및 방법 | |
| Shi et al. | Apnea MedAssist II: A smart phone based system for sleep apnea assessment | |
| JP7521836B2 (ja) | 睡眠質を点数化する装置、方法及びコンピュータプログラム | |
| TWM593242U (zh) | 基於胸部呼吸訊號的呼吸暫停的偵測裝置 | |
| US20230200746A1 (en) | System for acquisition and analysis of maternal and/or fetal physiological signals | |
| TWI748281B (zh) | 基於單極導程心電圖的呼吸暫停的偵測方法 | |
| TWI815546B (zh) | 睡眠呼吸中止症評估程式的建立方法、睡眠呼吸中止症評估系統與睡眠呼吸中止症評估方法 | |
| TWI733247B (zh) | 阻塞性睡眠呼吸暫停症狀的偵測裝置和偵測方法 | |
| Wu et al. | Improving the diagnostic ability of the sleep apnea screening system based on oximetry by using physical activity data | |
| TWI766471B (zh) | 基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統 | |
| 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 | |
| TWI750531B (zh) | 基於胸部呼吸訊號的呼吸暫停的偵測裝置和偵測方法 | |
| 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 | |
| TW202207875A (zh) | 一種通道資訊處理系統 | |
| TWI773385B (zh) | 睡眠呼吸中止的監測系統和監測方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4K | Annulment or lapse of a utility model due to non-payment of fees |