TWM626332U - 基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置 - Google Patents
基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置 Download PDFInfo
- Publication number
- TWM626332U TWM626332U TW110213528U TW110213528U TWM626332U TW M626332 U TWM626332 U TW M626332U TW 110213528 U TW110213528 U TW 110213528U TW 110213528 U TW110213528 U TW 110213528U TW M626332 U TWM626332 U TW M626332U
- Authority
- TW
- Taiwan
- Prior art keywords
- layer
- heartbeat interval
- rate
- apnea
- signal
- Prior art date
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本新型基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,其包含有量測器與運算處理器,藉由該運算處理器使用具有卷積神經網路作為深度學習技術,以針對該量測器量測所得之心電圖訊號的心跳間隔時間下降算式進行運算,並先分別以取出、找出及選取、計算等模式對該心電圖訊號中之不同的區間進行註記,以分組出一呼吸暫停與呼吸不足事件組訊號及一呼吸正常組訊號,並對所註記且分組之區間訊號進行計算機率,再利用記錄於內之訓練資料及測試資料進行偵測辨識處理,以有效快速地提升偵測受測者之呼吸暫停事件嚴重的準確性。
Description
本新型是有關於一種對睡眠呼吸功能障礙的偵測裝置設計,特別是指一種基於心跳間隔下降率之呼吸暫停與不足事件偵測的偵測裝置。
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,並於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與不足事件偵測系統,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,請配合參閱圖1,在圖1中所顯示的是PSG所量測的呼吸氣流、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表示呼吸正常的期間,準位2表示呼吸暫停的期間),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;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,如果僅單獨使用呼吸氣流、胸部呼吸與腹部呼吸及血氧濃度時,將無法檢測所有呼吸暫停不足事件,而基於聲音訊號的檢測方法則是受限於聲音訊號容易受到心臟聲音與環境噪音的干擾,因此相較於單獨使用呼吸氣流、胸部呼吸訊號、血氧濃渡及聲音訊號,單導心電圖則是一個能夠較好的反應出完整呼吸事件之訊號。
仍續前述,在目前基於單導程心電圖訊號與機器學習的呼吸暫停和呼吸不足的檢測方法在建立心電圖訊號的分組時,即呼吸正常對應的心電圖和呼吸暫停與呼吸不足的心電圖,大部分是依據PSG所提供的呼吸註記,以呼吸註記為呼吸正常期間所對應的心電圖做為呼吸正常組,並以呼吸註記為呼吸暫停與呼吸不足期間所對應的心電圖做為呼吸暫停與呼吸不足組;惟,從圖1中可發現,心電圖通常要等呼吸暫停事件結束之後才會再恢復正常,因此,呼吸註記為呼吸暫停與呼吸不足期間的電圖不一定能夠反應呼吸暫停與不足的影響,而相對的,在呼吸暫停與呼吸不足的註記結束後,是接著呼吸正常的註記,但此時的心電圖卻是受到呼吸暫停與不足明顯的影響,因此,如果依據PSG所提供的呼吸註記來進行心電圖訊號的分組,則是很容易出現錯誤的分組情形,藉此,進行提高機器學習模型的訓練與測試的正確性仍是目前所主要研究檢測的課題。
因此,本新型之目的,是在提供一種用於偵測心跳間隔下降率分組之呼吸暫停與不足事件偵測的裝置,其能透過簡單的演算機率方式的偵測辨識,有效快速地偵測出受測者具有呼吸暫停與不足事件的嚴重程度。
於是,本新型基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,包含有量測器及運算處理器;其中,該量測器可對受測者胸部之心跳與呼吸進行量測,並記錄為一心電圖訊號傳送,而該運算處理器係使用具有卷積神經網路作為深度學習技術並連接該量測器以接收所傳送的心電圖訊號,同時該運算處理器具有一分組模組,以及一與該分組模組連接之偵測辨識模組,使該分組模組得以一算式針對該量測器傳送之心電圖訊號中的心跳間隔時間下降率進行運算,該算式分別以一取出/找出模式與一選取/計算模式,經過該取出/找出模式與選取/計算模式運算出心跳間隔時間下降率的正、負、及0值,再通過該運算處理器進一步對該心電圖訊號中的呼吸暫停與呼吸不足事件及呼吸正常進行訊號分組之區間註記動作,以分別得到一呼吸暫停與呼吸不足事件組訊號,與一呼吸正常組訊號,而後由該偵測辨識模組以一滑動視窗法單元配合深度學習技術進行排列演算,並再利用記錄於內之訓練資料及測試資料進行偵測辨識處理,最終輸出一偵測辨識結果,以判斷該量測步驟所得的心電圖訊號是否有呼吸暫停與呼吸不足事件態樣,藉此通過簡單的偵測方式,可有效快速地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,一種基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置3,包含有一該量測器31及一與該量測器31連接之運算處理器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31為一心電圖機的設置。
接續前述,該運算處理器32係使用具有卷積神經網路作為深度學習技術並連接該量測器31連接以接收所傳送的心電圖訊號,同時該運算處理器32具有一分組模組321,以及一與該分組模組321連接之偵測辨識模組322;其中,該分組模組321得以一算式針對量測器31傳送之心電圖訊號的心跳間隔時間下降率進行運算,而該分組模組321進一步包括有一取出/找出單元321a,以及一選取/計算單元321b,以使該量測器31所傳送之心電圖訊號經過該取出/找出單元321a與選取/計算單元321b運算出心跳間隔時間下降率的正、負、及0值,進一步針對該心電圖訊號中的呼吸暫停與呼吸不足事件、及呼吸正常進行訊號分組動作,以分別得到一呼吸暫停與呼吸不足事件組訊號(請參圖4之(a)至(c)所示),與一呼吸正常組訊號(請參圖5之(a)至(c)所示),且如同在圖3中所示之粗線是心跳間隔時間訊號,細線所對應的的心跳間隔時間下降率訊號,時間為t時的心跳間隔下降率之算式定義如下:
心跳間隔時間下降率(t)=
透過該算式可知,當時間t時的心跳間隔時間下降率為得到一正值時,代表接下來心跳間隔時間是減少的,而當時間t的心跳間隔下降率為得到一負值時,代表接下來的心跳間隔時間是增加的,若心跳間隔時間下降率為得到一0值時,代表心跳間隔時間下降到最低點或上升到最高點,因此當在算式中運用該選取/計算單元321b配合該取出/找出單元321a對應該心電圖訊號選取呼吸暫停與呼吸不足事件組時,其至少會執行三個動作模式,即如當進行動作1模式時透過該心跳間隔時間下降率算式進一步取出在呼吸暫停與呼吸不足事件註記區間,並接續進行動作2模式時找出在呼吸暫停與呼吸不足事件結束前10秒區間內,心跳間隔時間下降率的最大速率值Max Rate10(如圖3中所標示為*的即為Max Rate10)及其最大位置Max Loc10,而在進行動作3模式時如果找出最大速率值Max Rate10大於0.15且小於0.4時,表示出現明顯的心跳間隔時間減少,則選取最大位置Max Loc10前10秒到最大位置Max Loc10後20秒的心電圖訊號與心跳間隔時間訊號進入呼吸暫停與呼吸不足組(請參圖3所示),是以,經前述所選取的30秒心電圖訊號的前10秒是心跳間隔時間不變、增加、或是減少,後20秒則是心跳間隔時間減少,如果為最大速率值Max Rate10小於等於0.15或者大於等於0.4時,則回到動作1模式繼續取出下一個呼吸暫停與呼吸不足事件的註記區間;另,當運用該分組模組321使用算式對應該心電圖訊號選取呼吸正常組時,其同樣至少會執行三個動作模式,且當在執行動作1模式時會通過該心跳間隔時間下降率算式進一步選取30秒的心電圖訊號與心跳間隔時間訊號區間,且該區間沒有出現呼吸暫停與呼吸不足事件註記,接續執行動作2模式時便會計算前述該30秒區間內心跳間隔時間下降率的最小速率值Mini Rate30,以及最大速率值Max Rate30,並且持續執行動作3模式時如果找出最大速率值Max Rate30大於-0.02且最大速率值Max Rate30小於0.02,表示在該30秒的區間內,心跳間隔時間沒有明顯變化,則選取該30秒區間的心電圖訊號與心跳間隔訊號進入呼吸正常組,若如果找出最大速率值Max Rate30小於等於-0.02或者最大速率值Max Rate30大於等於0.02時,則回到動作1選取下一個30秒的心電圖訊號與心跳間隔時間訊號區間。
仍續前述,針對前述所取出之該呼吸暫停與呼吸不足組中可知,因為第10秒是對應心跳間隔時間下降率的最大值,所以第10秒以前的心跳間隔時間可能是增加、縮短或者不變的,在第10秒之後心跳間隔時間訊號就會呈現減少後再恢復,即如同圖4之(a)與(c)所示,而如果心跳間隔時間減少的持續時間較長,就會如同圖4之(b)所示,會來不及在第30秒內恢復,同時再由圖5之(a)至(c)所示可清楚得知,對於前述所選取之呼吸正常組中,其心跳間隔時間訊號則沒有呈現出明顯的變化。
至於,該偵測辨識模組322中具有一辨識資料單元322a及一滑動視窗法單元322b,而前述在該辨識資料單元322a中儲存記錄有各自獨立且選自不同的受試者之心電圖訊號的訓練資料及測試資料作為使用偵測/辨識的依據資料,而前述所使用之該訓練資料與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,同時該訓練資料與測試資料中分別包括呼吸正常,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,因此主要係在使用卷積神經網路作為運算基礎架構下透過深度學習技術去提高偵測辨識成功率,以利用該訓練資料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,而對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該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,其可以測試最佳化後的機器學習模型的真實效能;另,該滑動視窗法單元322b係配合深度學習技術進行排列演算,以對經該分組模組321所得到各組訊號與記錄於該辨識資料單元322a中的偵測辨識資料進行偵測辨識運算,並對輸入的心電圖訊號與心跳間隔時間訊號是否對應呼吸正常或是呼吸暫停與呼吸不足事件的情事,最終輸出一偵測辨識結果,藉以判斷該量測器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。
再者,請參閱圖6,在本實施例中該運算處理器32使用具有卷積神經網路(CONVOLUTIONAL NEURAL NETWORKS;簡稱CNN)的深度學習模型技術,是對於輸入訊號可以是以單獨30秒的心電圖訊號、單獨30秒的心跳間隔時間訊號、或是同時輸入30秒的心電圖訊號與心跳間隔時間訊號,且取樣頻率為100Hz,因此輸入心電圖訊號的長度可為1×3000或是為2×3000的方式輸入,而該深度學習模型技術包括有至少八個結構相同的特徵提取層,至少一個與該八個特徵提取層連接之平坦層,一與該平坦層連接之第一分類層,一與該第一分類層連接之第二個分類層,以及一與該第二分類層連接之第三個分類層,而前述該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通過前述所述的運算技術對經該分組模組321運算出之為呼吸暫停與呼吸不足事件組及呼吸正常組的心電圖訊號進行正規化處理,以及對該等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,而該平坦層則將45個1D特徵圖轉換為1D的特徵向量,以供後續該等分類層使用,同時該第一個分類層包括有一個採用2000個神經元的全連接層、一個批次標準化層、一個激活層與一個具有50%捨棄率的捨棄層,而該第二個分類層包括有一個採用1000個神經元的全連接層、一個批次標準化層、一個激活層與一個具有50%捨棄率的捨棄層,至於該第三個分類層包括有一個具有2個神經元的全連接層,並使用激活函數(Softmax)來計算該分類層兩個輸出的機率,機率高的類別即為辨識的結果,即以輸入的心電圖訊號是對應呼吸正常或呼吸暫停與呼吸不足事件。
接續前述,該滑動視窗法單元322b則是對受測者心電圖訊號經分組模組321運算後,得以依據該滑動視窗法單元322b在配合排列演算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,具體來說,即如以3分鐘長度(18000個取樣點)的待測心電圖訊號或心跳間隔時間訊號為例,當視窗長度L為3000,每次從受測者的心電圖訊號或心跳間隔時間訊號取出3000個取樣點,輸入到最佳化的模型中,便會得到一個呼吸暫停與呼吸不足事件的分類機率,該視窗每隔300個取樣點(3秒)滑動到下一個位置,再取出3000個取樣點,而前述滑動、取樣模式持續不斷直至完成3分鐘長度,如圖7所示;因此,在3分鐘期間總共會取出60個長度為3000個取樣點的訊號,分別輸入至最佳化的模型,取得60個呼吸暫停與呼吸不足事件的分類機率,即如圖8所示之範例,在呼吸暫停與呼吸不足事件的分類機率大於等於0.5時,代表在該滑動視窗法之視窗出現呼吸暫停與呼吸不足事件,並標示為A,當然,連續的在窗格被分類為A時,則被視為同一個呼吸暫停與呼吸不足事件,即圖8中間所示有連續6個窗格被分類為A,而該每一窗格對應該視窗間隔300個取樣點(3秒),所以該18秒(6×3秒)的訊號區間被偵測為一個呼吸暫停與呼吸不足事件,最終輸出一辨識結果,藉此通過簡單的演算機率所產生較佳之偵測辨識方式,可有效快速地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,即先透過以一算式來對受測者之心電圖訊號中心跳間隔時間下降率進行運算,並於該分組模組321中分別以取出/找出與選取/計算等模式運算出其心跳間隔時間下降率的正、負、及0值,進一步對該心電圖訊號進行呼吸暫停與呼吸不足事件及呼吸正常進行訊號分組,再藉由該偵測辨識模組322中通過訓練所得到最佳化之機器學習模型的技術,使分組後該呼吸暫停與呼吸不足事件組與該呼吸正常組之訊號受到正規化處理、被執行特徵提取而獲得較佳的多個心電圖訊號的特徵圖、再進一步對該等特徵圖轉換為特徵向量及進行計算機率,即係對受測者量測所得的心電圖訊號之偵測辨識成功的正確性均可達到95%以上,藉此得以能透過簡單的偵測方式,最終輸出一辨識結果,有效快速地偵測辨識分類出受測者之呼吸暫停事件嚴重的準確性。
歸納前述,本新型基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,其主要利用量測器與運算處理器的設計,以針對受測者量測所得的心電圖訊號偵測辨識出是否具有呼吸暫停與呼吸不足事件,即通過該運算處理器一具有卷積神經網路作為學習模型技術的基礎架構下,先對量測所得的心電圖訊號進行心跳間隔下降率分組後再進行偵測與辨識,同時在偵測辨識時再搭配一滑動視窗法的大小配合排列演算,以對分組後的心電圖訊號進行計算、訓練學習,使該訊號受到正規化處理、被執行特徵提取而獲得較佳的多個心電圖訊號的特徵圖、並對該等特徵圖轉換為特徵向量及進行計算機率,偵測辨識成功的正確性均可達到95%以上,並輸出一偵測辨識結果,藉此得以有效快速地偵測辨識分類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:分組模組
322:偵測辨識模組
321a:取出/找出單元
321b:選取/計算單元
322a:辨識資料單元
322b:滑動視窗法單元
圖1是習知之呼吸訊號、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是本新型之計算心跳間隔(RR間隔)時間下降率的示意圖。
圖4是本新型之呼吸暫停與呼吸不足組心電圖訊號與心跳間隔時間訊號圖例示意圖。
圖5是本新型之呼吸正常組訊號與心跳間隔時間訊號圖例示意圖。
圖6是該較佳實施例之基於卷積神經網路的深度學習模型示意圖。
圖7是該較佳實施例之滑動視窗法的取樣點滑動示意圖。
圖8是該較佳實施例之滑動視窗法之3分鐘期間60個呼吸暫停與呼吸不足事件分類結果示意圖。
3:偵測裝置
31:量測器
32:運算處理器
321:分組模組
322:偵測辨識模組
321a:取出/找出單元
321b:選取/計算單元
322a:辨識資料單元
322b:滑動視窗法單元
Claims (9)
- 一種基於心跳間隔下降率之呼吸暫停與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臟與呼吸的量測,以將量測所得記錄為心電圖訊號,並進行傳送;以及 一運算處理器,其係使用具有卷積神經網路(CONVOLUTIONAL NEURAL NETWORKS;簡稱CNN)作為深度學習技術並連接該量測器連接以接收所傳送的心電圖訊號,而該運算處理器具有一分組模組,以及一與該分組模組連接之偵測辨識模組;其中,該分組模組得以算式針對量測器傳送之心電圖訊號的心跳間隔時間下降率進行運算,而該分組模組進一步包括有一取出/找出單元,以及一選取/計算單元,以使心電圖訊號經過該取出/找出模式與選取/計算模式運算出心跳間隔時間下降率的正、負、及0值的區間註記,進一步針對該心電圖訊號中的呼吸暫停與呼吸不足事件及呼吸正常進行訊號分組動作,且分別得到一呼吸暫停與呼吸不足事件組訊號,與一呼吸正常組訊號;另,該偵測辨識模組具有一辨識資料單元及一滑動視窗法單元,而前述在該辨識資料單元儲存記錄有各自獨立且選自不同的受試者之心電圖訊號的訓練資料及測試資料作為使用偵測/辨識的依據資料,同時該滑動視窗法單元可配合深度學習技術進行排列演算,以對經該分組模組運算所得到各組訊號與該辨識資料單元進行辨識運算,最終輸出一偵測辨識結果,藉以判斷該量測步驟所得的心電圖訊號是否有呼吸暫停與呼吸不足事件態樣。
- 根據請求項1所述基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,其中,該分組步驟之取出/找出模式為由該運算處理器透過該心跳間隔時間下降率算式進一步以取出方式取出在呼吸暫停與呼吸不足事件註記區間,以及找出方式找出在呼吸暫停與呼吸不足事件結束前10秒區間內,心跳間隔時間下降率的最大速率值Max Rate10及其最大位置Max Loc10;另,該分組步驟之選取/計算模式為由該運算處理器進一步利用該心跳間隔時間下降率算式,以選取方式選取30秒區間內心跳間隔時間訊號註記區間,且該區間沒有出現呼吸暫停與呼吸不足事件註記,以及以計算方式計算出30秒區間內,心跳間隔時間下降率的最小速率值Mini Rate30以及最大率值Max Rate30。
- 根據請求項1或2所述基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,其中,該深度學習模型技術包括有至少八個結構相同的特徵提取層,至少一個與該八個特徵提取層連接之平坦層,一與該平坦層連接之第一個分類層,一與該第一分類層連接之第二個分類層,以及一與該第二分類層連接之第三個分類層,而前述該等特徵提取層恰可對該分組步驟輸入之該訊號進行正規化處理,以及對該訊號執行特徵提取與獲得較佳的多個心電圖訊號的特徵圖,而該平坦層會針對該等特徵圖轉換為特徵向量,以供該等分類層使用,同時該等分類層會依據該等特徵向量進行計算機率。
- 根據請求項3所述基於心跳間隔下降率之呼吸暫停與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。
- 根據請求項3所述基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,其中,該第一、第二個分類層都包括有一個全連接層、一個批次標準化層、一個激活層及一個捨棄層,且該第一分類層之全連接層具有2000個神經元,而該第二分類層之全連接層具有1000個神經元。
- 根據請求項4所述基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,其中,該第一、第二個分類層都包括有一個全連接層、一個批次標準化層、一個激活層及一個捨棄層,且該第一分類層之全連接層具有2000個神經元,而該第二分類層之全連接層具有1000個神經元。
- 根據請求項3所述基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,其中,該第三個分類層包括有一個具有2個神經元的全連接層,且該全連接層係使用激活函數(Softmax)來計算機率。
- 根據請求項6所述基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置,其中,該第三個分類層包括有一個具有2個神經元的全連接層,且該全連接層係使用激活函數(Softmax)來計算機率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110213528U TWM626332U (zh) | 2021-11-16 | 2021-11-16 | 基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110213528U TWM626332U (zh) | 2021-11-16 | 2021-11-16 | 基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM626332U true TWM626332U (zh) | 2022-05-01 |
Family
ID=82559148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110213528U TWM626332U (zh) | 2021-11-16 | 2021-11-16 | 基於心跳間隔下降率之呼吸暫停與不足事件的偵測裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM626332U (zh) |
-
2021
- 2021-11-16 TW TW110213528U patent/TWM626332U/zh unknown
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 | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
WO2019161608A1 (zh) | 多参数监护数据分析方法和多参数监护系统 | |
CN110151138B (zh) | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 | |
US20220167856A1 (en) | Lung function monitoring from heart signals | |
CN113633260B (zh) | 多导睡眠监测方法、监测仪、计算机设备及可读存储介质 | |
TWM593240U (zh) | 基於單極導程心電圖的呼吸暫停的偵測裝置 | |
WO2013086615A1 (en) | Device and method for detecting congenital dysphagia | |
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 | |
Sá et al. | Automated breath detection on long-duration signals using feedforward backpropagation artificial neural networks | |
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 | |
TWI748485B (zh) | 一種資訊處理系統及其方法 | |
TWI756793B (zh) | 一種通道資訊處理系統 | |
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 | |
TWI784513B (zh) | 基於心電圖延後反應的呼吸暫停事件偵測方法 | |
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 | |
Li et al. | A dirichlet process mixture model for autonomous sleep apnea detection using oxygen saturation data | |
Bhavitha et al. | Systematic Review of Diagnostic Modalities for Sleep Apnea: A Comprehensive Analysis | |
TWI837948B (zh) | 可偵測完整呼吸暫停與不足事件的方法 | |
Kumar et al. | Recognition of Obstructive Sleep Apnea from a Single Lead Electrocardiogram Signal Using a ResNet Model | |
Zaman et al. | Generalization of data reliability metric (DReM) mechanism for pulsatile bio-signals | |
TWM624488U (zh) | 針對呼吸暫停或不足事件的偵測裝置 | |
TWM593242U (zh) | 基於胸部呼吸訊號的呼吸暫停的偵測裝置 | |
TWI807807B (zh) | 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 |