TWM624488U - 針對呼吸暫停或不足事件的偵測裝置 - Google Patents

Abstract

本新型針對呼吸暫停或不足事件的偵測裝置，其包含有量測器及運算處理器，先藉由該量測器對受測者量測以取得之心電圖訊號，並予以傳送至該運算處理器，且經該運算處理器使用具有全卷積神經網路技術之深度學習模型計算模式，藉由全卷積神經網路技術之共享重疊區域的計算機率方式，再利用記錄於內之訓練/測試資料對受測者之心電圖訊號進行偵測辨識處理，以最終輸出一偵測辨識結果，如此可使整體所需運算量大幅減少情況下，有效快速地提升偵測出受測者之呼吸暫停事件嚴重的準確性。

Description

針對呼吸暫停或不足事件的偵測裝置

本新型是有關於一種睡眠呼吸功能障礙的偵測，特別是指一種針對呼吸暫停或不足事件的偵測裝置。

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，這是一種會在睡眠期間因咽部塌陷影響，造成完全或部分上呼吸道阻塞，進而導致呼吸暫停或減弱，同時根據先前的研究顯示，會發生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，依據目前評估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，且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，以及在手臂上套上血壓計，有效透過前述該等感應與測量器來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，所以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或不足事件偵測系統，其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；然而，因為PSG主要是結合呼吸訊號(呼吸氣流、胸部呼吸及腹部呼吸)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與呼吸不足事件，同時基於聲音訊號檢測方式則受限於聲音很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、血氣濃度與聲音訊號，單導程心電圖則是能夠較好的反應出完整呼吸事件訊號，且在先前的研究結果中，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時具有較高的準確度；同時，再根據心電圖訊號來偵測呼吸暫停與呼吸不足事件的原理，是在發生呼吸暫停或呼吸不足事件時，心率會緩慢下降，而在恢復正常呼吸時，心率會加快之後再恢復正常，請參閱圖1，在圖1中顯示的是PGS量測到的呼吸氣流、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，準位2表示呼吸暫停間)，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；是以，對目前基於單導程心電圖與機器學習的呼吸暫停和不足的檢測方法，雖已有使用具真實效能且可以測試最佳化後的機器學習模型來進行，但其必需通過數百個百萬浮點數運算來對受測者整晚的心電圖訊號進行偵測，如此一來對偵測裝置的運算量將會造成很大的負擔，藉此，為能有效進行降低偵測運算量的負擔與正確性等問題加以改進研發，俾提出本案專利申請。

因此，本新型之目的，是在提供一種針對呼吸暫停或不足事件的偵測裝置，其得以通過全卷積神經網路技術之共享重疊區域的計算機率方式，針對受測者之心電圖訊號進行偵測辨識，即能有效快速偵測出受測者具有呼吸暫停與呼吸不足事件的嚴重程度。

於是，本新型針對呼吸暫停或不足事件的偵測裝置，包含有量測器及運算處理器；其中，該量測器對受測者之胸部進行心跳與呼吸的量測，以記錄為一心電圖訊號並傳送，而該運算處理器係使用具有全卷積神經網路技術之深度學習模型計算模式，且該運算處理器具有一與該量測器連接之處理模組，以及一與該處理模組連接之偵測辨識模組，透過該偵測辨識模組記錄有選用不同受測者之心電圖訊號的訓練資料集及測試資料集來作為訓練/測試資料，如此以針對受測者之心電圖訊號藉由全卷積神經網路技術之共享重疊區域的計算機率方式，再利用訓練/測試資料的配合，以對該心電圖訊號進行呼吸暫停與呼吸不足事件的偵測與辨識，利用在計算處理過程中，使該心電圖訊號受到計算機率的偵測，最終輸出一偵測辨識結果，藉此可使整體所需運算量大幅減少的情況下，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。

有關本新型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，本新型一較佳實施例，一種針對呼吸暫停或不足事件的偵測裝置3，包含有一量測器31以及一運算處理器32；其中，該量測器31主要係對受測者之胸部的心跳與呼吸進行量測，且將量測所得之心跳與呼吸記錄為心電圖訊號後予以傳送，而該量測器為一心電圖機的設置。

接續前述，該運算處理器32，其係使用具有全卷積神經網路技術之深度學習模型計算模式，其具有一與該量測器31連接之處理模組321，以及一與該處理模組321連接之偵測辨識模組322，而該偵測辨識模組322具有一訓練/測試單元322a，及一與該訓練測試單元322a連接之偵測單元322b，同時在該訓練/測試單元322a中記錄有各自獨立且選自不同的受測者之心電圖訊號的訓練資料集及測試資料集作為訓練/測試資料，同時前述所使用為之該訓練資料集與測試資料集的訓練/測試資料，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，且所述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秒心電圖訊號與心跳間隔時間訊號，係透過深度學習的技術進行訓練演算以產生偵測辨識結果的基準，即主要使用全卷積神經網路為基礎架構，利用記錄之該訓練資料集中的心電圖訊號與心跳間隔時間訊號用於訓練出最佳化的機器學習模型，再以該測試資料集中的心電圖訊號與心跳間隔時間訊號是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與心跳間隔時間訊號的辨識正確性，可以測試最佳化後的機器學習模型的真實效能；另，該偵測單元322b即針對該量測器31傳送之心電圖訊號進行偵測，其提取該心電圖訊號中的特徵，即以根據該訓練/測試單元322a之最佳化的機器學習模型為基礎架構進行計算處理，以最終輸出一偵測辨識結果，藉以判斷由該量測器31所得的心電圖訊號是否有呼吸暫停與呼吸不足事件態樣，而後該處理模組321便會將偵測辨識結果予以傳送；同時在本實施例中，該運算處理器32更可適當搭配一滑動視窗法來與使用全卷積神經網路技術的深度學習模型計算模式配合排列演算。

請參閱圖3，此外，在本實施例中該運算處理器32使用具有全卷積神經網路技術，其特色是針對特徵值提取與分類都採卷積層來實現，因此，該全卷積神經網路技術的使用包括由具有至少八個結構相同的特徵提取層，一與該八個特徵提取層連接之第一卷積層，一與該第一卷積層連接之第二個卷積層，以及一與該第二卷積層連接之第三個卷積層等計算模式所組成，而前述每一特徵提取層包括有一個可取得至少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可針對待偵測該心電圖訊號進行正規化處理，以及對該心電圖訊號執行特徵提取與獲得較佳的多個心電圖訊號特徵圖，而該第一個卷積層則以採用1×11的運算模式針對該等心電圖訊號特徵圖中的特徵向量進行計算機率，以至少取得2000個特徵圖輸出，而該第二個卷積層則以採用1×1的運算模式，以針對該第一卷積層取得的該等特徵圖中的特徵向量進行計算機率，並至少取得1000個特徵圖輸出，至於該第三個卷積層則得以採用1×1的運算模式針對該第二卷積層所取得的該等特徵圖的特徵向量再進行計算機率，再至少取得2個特徵圖輸出等運算機率；至於該滑動視窗法則對經該全卷積神經網路技術之訓練與測試後的最佳化的機器學習模型配合排列演算，並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，即如圖4之範例所示，當以3分鐘長度(18000個取樣點)的待偵測心電圖訊號為例，輸入的訊號長度為18000個取樣點，經過該八個層特徵提取層之後，可輸出45個1×70個特徵圖，經過該第一卷積層的特徵向量進行計算機率之後輸出2000個1×60個特徵圖，再經該第二卷積層的特徵向量進行計算機率之後輸出1000個1×60特徵圖之後，而後由該第三個卷積層的特徵向量進行計算機率輸出2個1×60個特徵圖，最後便會得到60個呼吸暫停與呼吸不足事件之分類機率的辨識結果；因此，當該運算處理器32以全卷積神經網路技術的深度學習模型計算模式來對該量測器31傳送之心電圖訊號進行運算的偵測與辨識時，其得以在卷積運算的過程與搭配滑動視窗法進行滑動且以共享重疊區域的計算方式對該心電圖訊號進行特徵值的提取與分類，藉此可使整體偵測辨識過程中所需的運算量大幅減少，以免過多的運算量會造成偵測過成中所會產生的負擔與正確的辨識性，有效快速偵測辨識分類出受測者之呼吸暫停事件嚴重的準確性。

是以，本新型主要針對受測者是否具有呼吸暫停與呼吸不足事件時，當該等心電圖訊號在經過卷積層時，其可在卷積的運算過程進行滑動視窗法的滑動並且共享重疊區域的計算，得以有別於習知利用機器學習模型之滑動視窗法的每一個窗口的訊號都要獨立輸入模型進行整個模型計算的缺失，同時在偵測辨識過程中其整體所需的運算量可以大幅減少，即如圖4所示之範例，即當待偵測的心電圖訊號為1×18000，其長度是基於全卷積神經網路深度學習模型輸入訊號的6倍，因此等於只需要6次用全卷積神經網路深度學習模型運算量，而若使用以往機器學習模型之滑動視窗法便需要進行60次模型的運算量，由此可見，透過本新型該針對呼吸暫停與呼吸不足偵測裝置3只需要以往偵測處理的10%運算量，等於節省了90%的運算量，故，本新型所提出的針對呼吸暫停或不足事件的偵測裝置之技術，可有效大幅減少呼吸暫停與呼吸不足偵測時所需要的運算量，即能有效快速偵測出受測者具有呼吸暫停與呼吸不足事件的嚴重程度。

歸納前述，本新型針對呼吸暫停或不足事件的偵測裝置，其主要針對受測者是否具有呼吸暫停與呼吸不足事件，並利用該量測器對受測者量測所得之心電圖訊號，經該運算處理器使用以全卷積神經網路技術的深度學習模型模式下進行偵測辨識，透過該運算處理器記錄有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作為偵測辨識之訓練/測試資料，並適當搭配一滑動視窗法來配合排列演算，並在卷積的過程進行滑動並以全卷積神經網路技術之共享重疊區域的計算機率方式進行，使該待測者的心電圖訊號之偵測辨識率達到較佳的正確性，藉此得以避免產生過多的運算量會造成偵測的負擔，俾利在正確的辨識性的情況下，最終輸出一辨識結果，藉此得以有效快速地提升偵測出受測者之呼吸暫停事件嚴重的準確性。

惟以上所述者，僅為說明本新型之較佳實施例而已，當不能以此限定本新型實施之範圍，即大凡依本新型申請專利範圍及新型說明書內容所作之簡單的等效變化與修飾，皆應仍屬本新型專利涵蓋之範圍內。

3:偵測裝置 31:量測器 32:運算處理器 321:處理模組 322:偵測辨識模組 322a:訓練/測試單元 322b:偵測單元

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是本新型一較佳實施例之示意圖。

圖3是該較佳實施例之使用全卷積神經網路技術的深度學習模型計算模式示意圖。

圖4是該較佳實施例之使用全卷積神經網路技術對呼吸暫停與呼吸不足偵測事件偵測之範例示意圖。

3:偵測裝置

31:量測器

32:運算處理器

321:處理模組

322:偵測辨識模組

322a:訓練/測試單元

322b:偵測單元

Claims (4)

1. 一種針對呼吸暫停或不足事件的偵測裝置，其包含有： 一量測器，其用以對受測者進行胸部之心跳與呼吸的量測，以取得心電圖訊號並予以傳送；以及 一運算處理器，其係使用具有全卷積神經網路技術之深度學習模型計算模式，其具有一與該量測器連接之處理模組，以及一與該處理模組連接之偵測辨識模組，其中，該偵測辨識模組具有一訓練/測試單元，及一與該訓練/測試單元連接之偵測單元，而前述在該訓練/測試單元中記錄有各自獨立且選自不同的受測者之心電圖訊號的訓練資料集及測試資料集作為訓練/測試資料，而該偵測單元針對受測者之心電圖訊號以透過與記錄於該訓練/測試單元中之訓練/測試資料進行計算處理，以最終輸出一偵測辨識結果，藉以判斷該量測器所得的心電圖訊號是否有呼吸暫停與呼吸不足事件態樣。
2. 根據請求項1所述針對呼吸暫停或不足事件的偵測裝置，其中，該全卷積神經網路技術係由具有至少八個結構相同的特徵提取層，一與該八個特徵提取層連接之第一個卷積層，一與該第一卷積層連接之第二個卷積層，以及一與該第二卷積層連接之第三個卷積層等計算模式所組成。
3. 根據請求項2所述針對呼吸暫停或不足事件的偵測裝置，其中，該等特徵提取層對該量測器傳送之心電圖訊號進行正規化處理，以及對該心電圖訊號執行特徵提取與獲得較佳的多個心電圖訊號特徵圖，而該第一個卷積層得以1×11的運算模式針對該等心電圖訊號特徵圖中的特徵向量進行計算機率，以至少取得2000個特徵圖輸出，該第二個卷積層得以1×1的運算模式針為該第一卷積層所取得的該等特徵圖中的特徵向量進行計算機率，並至少取得1000個特徵圖輸出，至於該第三個卷積層得以1×1的運算模式針對該第二卷積層所取得的該等特徵圖的特徵向量再進行計算機率，至少取得2個特徵圖輸出。
4. 根據請求項3所述針對呼吸暫停或不足事件的偵測裝置，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，而前述該卷積層為一個至少可取得45個1D特徵圖的設置，最大池化層為一個池化大小為2的設置，而該捨棄層為一具有50%捨棄率的設置。

Images