TWM593242U - 基於胸部呼吸訊號的呼吸暫停的偵測裝置 - Google Patents
基於胸部呼吸訊號的呼吸暫停的偵測裝置 Download PDFInfo
- Publication number
- TWM593242U TWM593242U TW108214963U TW108214963U TWM593242U TW M593242 U TWM593242 U TW M593242U TW 108214963 U TW108214963 U TW 108214963U TW 108214963 U TW108214963 U TW 108214963U TW M593242 U TWM593242 U TW M593242U
- Authority
- TW
- Taiwan
- Prior art keywords
- chest
- subject
- detection device
- chest breathing
- signal
- Prior art date
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
提出一種基於胸部呼吸訊號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。收發器取得第一胸部呼吸訊號以及對應於第一胸部呼吸訊號的第一單極導程心電圖。處理器存取和執行儲存媒體中的多個模組,其中多個模組包括訓練模組以及偵測模組。訓練模組將第一胸部呼吸訊號以及第一單極導程心電圖作為訓練資料以訓練機器學習模型。偵測模組通過收發器取得受試者的第二胸部呼吸訊號以及第二單極導程心電圖,並且根據機器學習模型、第二胸部呼吸訊號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胸部呼吸訊號(chest respiratory signal)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胸部呼吸訊號的呼吸暫停的偵測裝置,可利用受試者即時的單極導程(unipolar)心電圖(electrocardiography,ECG)以及胸部呼吸訊號來判斷受試者是否發生呼吸暫停事件。
本揭露的基於胸部呼吸訊號的呼吸暫停的偵測裝置,包括處理器、儲存媒體以及收發器。收發器取得第一胸部呼吸訊號以及對應於第一胸部呼吸訊號的第一單極導程心電圖。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。訓練模組將第一胸部呼吸訊號以及第一單極導程心電圖作為訓練資料以訓練機器學習模型。偵測模組通過收發器取得受試者的第二胸部呼吸訊號以及第二單極導程心電圖,並且根據機器學習模型、第二胸部呼吸訊號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。
在本揭露的一實施例中,上述的第一胸部呼吸訊號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,並且第一單極導程心電圖包括對應於呼吸暫停
事件的第三資料集合以及對應於非呼吸暫停事件的第四資料集合。
在本揭露的一實施例中,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。
在本揭露的一實施例中,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。
在本揭露的一實施例中,上述的訓練模組根據第一單極導程心電圖測量多個RR間隔(RR interval),根據多個RR間隔以及第一胸部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。
在本揭露的一實施例中,上述的偵測模組根據支援向量機模型、機器學習模型、第二胸部呼吸訊號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。
在本揭露的一實施例中,上述的訓練模組從多個RR間隔或第一胸部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。
在本揭露的一實施例中,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、胸部呼吸訊號的正規化的極低頻範圍功率、胸部呼吸訊號的正規化的低頻範圍功率以及胸部呼吸訊號的正規化的高頻範圍功率。
在本揭露的一實施例中,上述的偵測裝置,更包括穿戴式裝置。穿戴式裝置配戴在受試者的身上,並且通訊連接至收發器,其中穿戴式裝置包括單極導程電極以及加速度計。單極導程電極黏貼在受試者的胸部以測量第二單極導程心電圖。加速度計設置在受試者的胸部以測量第二胸部呼吸訊號。
基於上述,本揭露可基於受試者的胸部呼吸訊號和單極導程訊號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。
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
140:穿戴式裝置
141:單極導程電極
142:加速度計
21、23:第一單極導程心電圖
22、24:第一胸部呼吸訊號
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胸部呼吸訊號的呼吸暫停的偵測裝置的示意圖。
圖2A根據本揭露的實施例繪示卷積神經網路模型的訓練資料的示意圖。
圖2B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胸部呼吸訊號的呼吸暫停的偵測方法的流程圖。
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胸部呼吸訊號的呼吸暫停的偵測裝置100的示意圖,其中偵測裝置100可根據受試者的胸部呼吸訊號以及單極導程心電圖判斷受試者的OSA症狀的嚴重程度。偵測裝置100包括處理器110、儲存媒體120以及收發器130。在一實施例中,偵測裝置100更包括穿戴式裝置140。
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胸部呼吸訊號以及對應於第一胸部呼吸訊號的第一單極導程心電圖,或接收測量自受試者的第二胸部呼吸訊號以及對應於第二胸部呼吸訊號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以及第一胸部呼吸訊號,或接收由配戴在受試者身上的穿戴式裝置140所測量到的第二單極導程心電圖以及第二胸部呼吸訊號,其中第一單極導程心電圖以及第一胸部呼吸訊號是在相同的時段被測量,並且第二單極導程心電圖以及第二胸部呼吸訊號是在相同的時段被測量。
穿戴式裝置140可配戴在受試者的身上,並且透過例如藍牙(但不限於此)等通訊技術通訊連接至收發器130。穿戴式裝置140用於測量受試者的第二胸部呼吸訊號以及第二單極導程心電圖。具體來說,穿戴式裝置140可包括單極導程電極141以及加速度計142。單極導程電極141可黏貼在受試者的胸部以測量第二單極導程心電圖。加速度計142可設置在受試者的胸部以測量受試者的胸部起伏狀況,從而產生對應的第二胸部呼吸訊號。第二單極導程心電圖以及第二胸部呼吸訊號是在相同的時段測量的。因此,當第二單極導程心電圖在一特定時間產生對應於呼吸暫停事件的脈波的同時,第二胸部呼吸訊號應當也會在該特定時間產生對應於該呼吸暫停事件的脈波。
作為訓練資料的第一胸部呼吸訊號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胸部
呼吸訊號,且每一個胸部呼吸訊號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胸部呼吸訊號,且每一個胸部呼吸訊號測量的期間並未發生呼吸暫停事件。另一方面,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三資料集合以及對應於非呼吸暫停事件的第四資料集合。在本實施例中,第三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。第四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、第二資料集合、第三資料集合以及第四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胸部呼吸訊號和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。
在本實施例中,訓練資料可包括多筆分別對應於不同時段的資料對,且每一資料對包括對應於相同時段的第一胸部呼吸訊號以及第一單極導程心電圖。在訓練資料中,對應於相同資料對的第一胸部呼吸訊號以及第一單極導程心電圖被安排在相鄰的佇列。圖2A根據本揭露的實施例繪示卷積神經網路模型200(如
圖2B所示)的訓練資料的示意圖。如圖2A所示,訓練資料可包括第一單極導程心電圖21、第一胸部呼吸訊號22、第一單極導程心電圖23和第一胸部呼吸訊號24。對應於第一特定時段的第一單極導程心電圖21被安排在第一佇列,並且對應於第一特定時段的第一胸部呼吸訊號22被安排在與第一佇列相鄰的第二佇列,其中第一單極導程心電圖21和第一胸部呼吸訊號22對應於相同的資料對。接著,對應於第二特定時段(即:緊接著第一特定時段後的時段)的第一單極導程心電圖23被安排在第三佇列,並且對應於第二特定時段的第一胸部呼吸訊號24被安排在與第三佇列相鄰的第四佇列,其中第一單極導程心電圖23和第一胸部呼吸訊號24對應於相同的資料對。訓練模組121可根據如圖2A所示的訓練資料來訓練機器學習模型。
在一實施例中,作為訓練資料的第一胸部呼吸訊號更包括代表受到雜訊干擾之胸部呼吸訊號的第五資料集合,並且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六資料集合。訓練模組121可將第一資料集合、第二資料集合、第三資料集、第四資料集合、第五資料集合和第六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、第三資料集、第四資料集合、第五資料集合和第六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胸部呼吸訊號和第二單極導程心電圖判斷受試者是否發生呼吸暫停事件,還能根據第二胸部呼吸訊號和第二單極導程心電圖判斷由
收發器130所接收的第二胸部呼吸訊號和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胸部呼吸訊號和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。相較於傳統使用腦波儀來測量受試者的腦電圖(electroencephalography,EEG)以診斷受試者的OSA症狀的方式,本揭露僅需使用構造簡單且價格便宜
的穿戴式裝置140的單極導程電極141和加速度計142就可即時地監看受試者的OSA症狀的嚴重程度。
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2B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2B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胸部呼吸訊號以及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包括1分鐘的第二胸部呼吸訊號以及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12,000個取樣點,其中第二胸部呼吸訊號和第二單極導程心電圖的取樣點分別為6,000點。卷積層231包括128個尺寸為32×1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6,000×2的特徵圖。接著,池化層232使用尺寸為50×1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120×2的特徵圖。卷積層241包括64個尺寸16×1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120×2的特徵圖。接著,池化層242使用尺寸為2×1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60×2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胸部呼吸訊號和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可根據第一胸部呼吸訊號和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可根據第一胸部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可從第一胸部呼吸訊號或多個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)、胸部呼吸訊號的正規化的極低頻範圍功率、胸部呼吸訊號的正規化的低頻範圍
功率(low frequency power,LFP)或胸部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。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胸部呼吸訊號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,取得第一胸部呼吸訊號以及對應於第一胸部呼吸訊號的第一單極導程心電圖。在步驟S302中,將第一胸部呼吸訊號以及第一單極導程心電圖作為訓練資料以訓練機器學習模型。在步驟S303中,取得受試者的第二胸部呼吸訊號以及第二單極導程心電圖。在步驟S304中,根據機器學習模型、第二胸部呼吸訊號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胸部呼吸訊號和單極導程訊號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。運用胸部呼吸訊號可顯著地改善呼吸暫停事件的偵測的準確度。胸部呼吸訊號以及單極導程心電圖不需經過小波轉換,也可以時域訊號的形式來作為機器學習模型的訓練資料,從而降低機器學習模型的訓練和使用所需消耗的運算力。穿戴式裝置可簡單地利用加速度計來測量胸部呼吸訊號即可利用胸部呼吸訊號準確地評估受試者的OSA症狀,而不需配置較為昂貴的腦波儀來測量腦電圖以作為機器學習模型的訓練資料。因此,
本揭露的穿戴式裝置具有構造簡單以及價格便宜等優點。
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
140:穿戴式裝置
141:單極導程電極
142:加速度計
Claims (9)
- 一種基於胸部呼吸訊號的呼吸暫停的偵測裝置,包括:收發器,取得第一胸部呼吸訊號以及對應於所述第一胸部呼吸訊號的第一單極導程心電圖;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,將所述第一胸部呼吸訊號以及所述第一單極導程心電圖作為訓練資料以訓練機器學習模型;以及偵測模組,通過所述收發器取得受試者的第二胸部呼吸訊號以及第二單極導程心電圖,並且根據所述機器學習模型、所述第二胸部呼吸訊號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,其中所述第一胸部呼吸訊號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,並且所述第一單極導程心電圖包括對應於所述呼吸暫停事件的第三資料集合以及對應於所述非呼吸暫停事件的第四資料集合。
- 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3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,其中所述訓練模組根據所述第一單極導程心電圖測量多個RR間隔(RR interval),根據所述多個RR間隔以及所述第一胸部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、所述第二胸部呼吸訊號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,其中所述訓練模組從所述多個RR間隔或所述第一胸部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、胸部呼吸訊號的正規化的極低頻範圍功率、胸部呼吸訊號的正規化的低頻範圍功率以及胸部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,更包括:穿戴式裝置,配戴在所述受試者的身上,並且通訊連接至所述收發器,其中所述穿戴式裝置包括:單極導程電極,黏貼在所述受試者的胸部以測量所述第二單極導程心電圖;以及加速度計,設置在所述受試者的所述胸部以測量所述第二胸部呼吸訊號。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108214963U TWM593242U (zh) | 2019-11-12 | 2019-11-12 | 基於胸部呼吸訊號的呼吸暫停的偵測裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108214963U TWM593242U (zh) | 2019-11-12 | 2019-11-12 | 基於胸部呼吸訊號的呼吸暫停的偵測裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM593242U true TWM593242U (zh) | 2020-04-11 |
Family
ID=71133119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108214963U TWM593242U (zh) | 2019-11-12 | 2019-11-12 | 基於胸部呼吸訊號的呼吸暫停的偵測裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM593242U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI766471B (zh) * | 2020-12-10 | 2022-06-01 | 國立勤益科技大學 | 基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統 |
-
2019
- 2019-11-12 TW TW108214963U patent/TWM593242U/zh not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI766471B (zh) * | 2020-12-10 | 2022-06-01 | 國立勤益科技大學 | 基於小波分解與強度頻譜的睡眠呼吸強度之檢測系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mendonça et al. | Devices for home detection of obstructive sleep apnea: A review | |
Uçar et al. | Automatic sleep staging in obstructive sleep apnea patients using photoplethysmography, heart rate variability signal and machine learning techniques | |
WO2019161608A1 (zh) | 多参数监护数据分析方法和多参数监护系统 | |
WO2019161607A1 (zh) | 心电信息动态监护方法和动态监护系统 | |
CN108577830B (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
TWM593240U (zh) | 基於單極導程心電圖的呼吸暫停的偵測裝置 | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
Zavanelli et al. | At-home wireless monitoring of acute hemodynamic disturbances to detect sleep apnea and sleep stages via a soft sternal patch | |
US20220175324A1 (en) | Computer-based prediction of fetal and maternal outcomes | |
Rahman et al. | Automated assessment of pulmonary patients using heart rate variability from everyday wearables | |
Mendonça et al. | A portable wireless device based on oximetry for sleep apnea detection | |
Motin et al. | Sleep-wake classification using statistical features extracted from photoplethysmographic signals | |
Rajeswari et al. | A review on remote health monitoring sensors and their filtering techniques | |
Jung et al. | Oxygen desaturation index estimation through unconstrained cardiac sympathetic activity assessment using three ballistocardiographic systems | |
TWM590434U (zh) | 阻塞性睡眠呼吸暫停症狀的偵測裝置 | |
Shi et al. | Apnea MedAssist II: A smart phone based system for sleep apnea assessment | |
TWM593242U (zh) | 基於胸部呼吸訊號的呼吸暫停的偵測裝置 | |
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 | |
US20230200746A1 (en) | System for acquisition and analysis of maternal and/or fetal physiological signals | |
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 | |
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 | |
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 | |
TWI748281B (zh) | 基於單極導程心電圖的呼吸暫停的偵測方法 | |
TWI733247B (zh) | 阻塞性睡眠呼吸暫停症狀的偵測裝置和偵測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4K | Annulment or lapse of a utility model due to non-payment of fees |