WO2023176948A1 - 無呼吸低呼吸指標推定装置、方法およびプログラム - Google Patents

無呼吸低呼吸指標推定装置、方法およびプログラム Download PDF

Info

Publication number
WO2023176948A1
WO2023176948A1 PCT/JP2023/010494 JP2023010494W WO2023176948A1 WO 2023176948 A1 WO2023176948 A1 WO 2023176948A1 JP 2023010494 W JP2023010494 W JP 2023010494W WO 2023176948 A1 WO2023176948 A1 WO 2023176948A1
Authority
WO
WIPO (PCT)
Prior art keywords
apnea
heart rate
hypopnea index
biological vibration
histogram
Prior art date
Application number
PCT/JP2023/010494
Other languages
English (en)
French (fr)
Inventor
正巳 鐘ケ江
久一 新関
Original Assignee
ヘルスセンシング株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ヘルスセンシング株式会社 filed Critical ヘルスセンシング株式会社
Publication of WO2023176948A1 publication Critical patent/WO2023176948A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state

Definitions

  • the present invention calculates the phase coherence ( ⁇ ) and body movement (BM) calculated from the instantaneous phase difference between the instantaneous phase of heart rate (HR), respiratory rate (RR), and heartbeat interval fluctuations and the instantaneous phase of the breathing pattern.
  • the present invention relates to a technique for estimating a respiratory hypopnea index (hereinafter referred to as AHI (Apnea Hypopnea Index)).
  • SAS sleep apnea syndrome
  • PSG polysomnography
  • SpO2 percutaneous arterial oxygen saturation
  • AHI apnea hypopnea index
  • Apnea is defined as a state in which respiratory airflow disappears for at least 10 seconds and SpO2 decreases by 4% or more
  • hypopnea is a state in which SpO2 decreases by 3 to 4% or more in addition to a clear decrease in ventilation. Refers to a decreased state or a state accompanied by arousal.
  • a technology for estimating AHI without contact or restraint has been proposed. For example, a technology that applies BPF (0.1-0.7Hz) processing, noise reduction processing, and Fourier transformation to the signal acquired by a piezoelectric sensor, and calculates the apparent apnea-hypopnea index from the power of the low-frequency component of breathing. is disclosed (Patent Document 1).
  • RRI heartbeat intervals
  • LSTM recurrent neural network
  • the present invention acquires biological vibration signals of a subject without contact or restraint, and from the signals, calculates the instantaneous phase of breathing rate, heart rate, heart rate interval fluctuation, and the instantaneous phase of breathing pattern.
  • the phase coherence calculated from the phase difference and the four parameters of body movement are extracted, a histogram is created of them, and an AHI estimation model is used that has been machine-learned in advance to determine the relationship between the feature image generated from the histogram and the AHI. Therefore, it is an object of the present invention to provide a technique for estimating AHI by inputting the characteristic image to an AHI estimation model.
  • the five parameters are extracted, a histogram thereof is created, and the feature image is input into the AHI estimation model by using an AHI estimation model that has previously machine learned the relationship between the feature image generated from the histogram and the AHI.
  • the purpose of this study is to provide a technique for estimating AHI.
  • a biological vibration signal receiving unit that receives biological vibration signals of an animal; a body movement signal detection unit that detects a body movement signal from the biological vibration signal; a respiration rate detection unit that detects the respiration rate from the biological vibration signal; a heart rate detection unit that detects a heart rate from the biological vibration signal; a phase coherence calculation unit that calculates phase coherence from the instantaneous phase difference between the instantaneous phase of the heartbeat interval fluctuation and the instantaneous phase of the breathing pattern detected from the biological vibration signal; a histogram generation unit that inputs the body movement signal, the heart rate, the respiration rate, and the phase coherence and generates a histogram of each; a feature image generation unit that inputs each of the histograms and generates a feature image; an apnea-hypopnea index estimation unit that inputs the characteristic image and estimates an apnea-hypopnea
  • a sensor section such as a sheet-like piezoelectric sensor is provided to configure an apnea-hypopnea index estimation system.
  • high frequency components of the heart rate variability power spectrum and low frequency components/high frequency components of the heart rate variability power spectrum are used.
  • the AHI of a subject can be estimated without restraining the subject using a pneumotachograph or pulse oximeter, it is useful for screening for apnea-hypopnea syndrome. Furthermore, since the AHI is estimated based on a characteristic image in which multiple physiological indicators of the entire sleep time are aggregated into one, it becomes possible to objectively screen for apnea-hypopnea syndrome based on image information.
  • the AHI estimation system 1 is composed of an AHI estimation device 2 and a sensor unit 3, and inputs a biological vibration signal detected by the sensor unit 3 or a biological vibration signal acquired in advance and stored in a memory to the AHI estimation device 2. and output the estimated AHI.
  • the AHI estimation device 2 is the core part of the present invention, and includes a biological vibration signal receiving section 21, a body movement signal detecting section 22, a breathing rate detecting section 23, a heart rate detecting section 24, a phase coherence ( ⁇ ) calculating section 25, It is composed of a histogram generation section 26, a feature image generation section 27, and an AHI estimation section 28.
  • each component is usually implemented on a computer such as a personal computer, a smart phone, or a tablet, which is equipped with a CPU, memory, external memory, and communication means.
  • the sensor unit 3 detects the biological vibration of the animal and outputs a biological vibration signal.
  • the sensor unit 3 is a sheet-like piezoelectric sensor, which is installed on a mat on which an animal lies, and outputs biological vibration signals based on body movements, heartbeat (ballistocardial movement caused by heart beats), respiration, and vocalizations.
  • signals caused by vibrations caused by the external environment may be included.
  • the sensor section 3 is not limited to a sheet-like piezoelectric sensor, and may have a configuration in which a pulse wave meter, an electrocardiograph, etc. are combined, for example.
  • the biological vibration signal receiving section 21 receives a biological vibration signal output from the sensor section 3 coupled to the sensor section 3 through a communication means such as a cable or wireless communication means.
  • the received biological vibration signal is stored inside the AHI estimation device 2 and in an external memory (not shown) such as a USB memory.
  • the body movement signal detection unit 22 receives a biological vibration signal and outputs a body movement signal.
  • the biological vibration signal also includes signals related to heartbeat information, breathing information, etc., but the body movement signal has a larger amplitude than the signals related to heartbeat information and breathing information.
  • the body motion signal detection unit 22 converts the body motion signal into a signal with an appropriate amplitude and outputs the body motion signal. Furthermore, since the converted body movement signal is in the form of a pulse, it is also possible to count the rising edges obtained by differential processing for a predetermined period of time and output the number of body movements for the predetermined period of time.
  • the respiration rate detection unit 23 receives the biological vibration signal and outputs the respiration rate. Since the respiration information signal included in the biological vibration signal has a much smaller amplitude than the body movement signal (usually smaller than 1/100), the following processing is required to calculate the respiration rate. be.
  • the biological vibration signal may be passed through a low-pass filter (LPF) having a passband in a frequency range of 0.5 Hz or less.
  • the cutoff frequency of the LPF may be 0.3, 0.4, 0.6, 0.7Hz, or 0.8Hz.
  • a band pass filter (BPF) may be passed instead of a low pass filter (LPF).
  • the lower limit frequency of the bandpass filter may be a sufficiently low frequency, for example, 0.1 Hz.
  • the respiratory rate can be calculated by counting the peaks of the periodic respiratory waveform obtained in this way.
  • the power spectrum may be obtained from Fourier transform or wavelet transform of the biological vibration signal at a predetermined time, and the respiration rate may be calculated from the peak frequency.
  • the heart rate detection unit 24 inputs the biological vibration signal, extracts the heartbeat signal, and calculates the heartbeat rate.
  • the heartbeat signal included in the biological vibration signal has a much smaller amplitude than the body movement signal (usually less than 1/100), so in order to extract the heartbeat signal and calculate the heart rate, the following procedure is performed. further processing is required.
  • a biological vibration signal is processed with a BPF of 1 to 4 Hz, and the number of periodic peaks in a predetermined time is counted.
  • BPF is not limited to 1-4Hz, but the lower limit frequency is 0.5Hz or more, 0.6Hz or more, 0.7Hz or more, 0.8Hz or more, 0.9Hz or 1Hz or more, and the upper limit frequency is 10Hz or less, 8Hz or less.
  • the integral filter processing described above may be replaced by quadrature detection processing, and the heartbeat interval is determined by determining the peak interval time of the processed waveform.
  • the heart rate may be calculated from the peak frequency of the power spectrum by subjecting the biological vibration signal at a predetermined time to Fourier transformation or wavelet transformation.
  • the phase coherence calculation unit 25 calculates phase coherence as the instantaneous phase difference between the instantaneous phase of the heartbeat interval variation and the instantaneous phase of the breathing pattern.
  • the phase coherence calculation unit includes biological information acquisition means for acquiring biological information including information regarding heartbeat and information regarding respiration, respiratory waveform extraction means for extracting breathing patterns, heartbeat interval calculation means for calculating variations in heartbeat intervals, and breathing pattern and and phase coherence calculation means for calculating the phase coherence of the instantaneous phase difference between the heartbeat interval variations.
  • biological information acquisition means for acquiring biological information including information regarding heartbeat and information regarding respiration
  • respiratory waveform extraction means for extracting breathing patterns
  • heartbeat interval calculation means for calculating variations in heartbeat intervals
  • breathing pattern and phase coherence calculation means for calculating the phase coherence of the instantaneous phase difference between the heartbeat interval variations.
  • the histogram generation unit 26 generates a histogram of each data of heart rate, respiratory rate, phase coherence, and body movement during a predetermined sleep time.
  • the predetermined sleeping time is, for example, one night.
  • the horizontal axis is the class of minute heart rate (40 to 120), and the vertical axis is the frequency.
  • the horizontal axis is the class (0 to 40) of the minute respiration rate, and the vertical axis is the frequency.
  • the horizontal axis is the class of ⁇ (0 to 1), and the vertical axis is the frequency.
  • the horizontal axis is the class of body movement rate (0 to 0.5), and the vertical axis is the frequency.
  • the rate of body movement is determined by the body movement signal detection unit 22 sampling the biological vibration signal in a 10-second window, determining the presence or absence of body movement while shifting the window by 5 seconds, and then calculating the rate of body movement occurring per 10 minutes. Calculate the ratio by using a moving average.
  • the feature image generation unit 27 creates feature images from these histograms.
  • the width of the characteristic image corresponds to the class of each histogram, and the number of divisions is, for example, 50 (number of bins).
  • This characteristic image represents the distribution of four parameters, heart rate, respiratory rate, ⁇ , and body movement rate, in the biological vibration signal during a certain sleeping period of a certain subject, so AHI can be determined objectively based on the image pattern. It is effective for Note that the number of bins is not limited to 50, and the correspondence between frequency and hue can be made by any hue change as long as a change in frequency is expressed as a change in hue.
  • the AHI estimation unit 28 has a CNN (Convolutional Neural Network) effective for image-based judgment and estimation in the input layer, two fully connected layers in the intermediate layer, and a deep layer with a regression layer in the output layer. It is a learning device.
  • the AHI clinically determined based on the PSG is input as training data to the deep learning machine including the CNN, and the feature images synchronized with it are input as input data to perform machine learning and create an AHI estimation model (not shown). is constructed inside the AHI estimator.
  • the synchronized characteristic images include heart rate (HR), respiratory rate (RR), phase coherence ( ⁇ ), and body movement (BM) from the biological vibration signal used for clinical AHI determination based on PSG. This is a feature image generated based on the histogram.
  • the AHI estimation unit 28 inputs the subject's characteristic image into the AHI estimation model and estimates its AHI.
  • the estimated AHI is calculated as the number of apneas and hypopneas per hour.
  • the present invention also functions in a configuration in which the sensor section 3 is excluded. That is, the AHI estimation device 2 receives biological vibration signals for a certain period of time of a certain subject that have been acquired in advance through a communication means, a USB memory, etc., and calculates the heart rate (HR), respiratory rate (RR), and phase coherence ( ⁇ ), calculates the body movement (BM), generates a histogram thereof, generates a feature image based on the histogram, inputs the feature image to the AHI estimation unit 28, and estimates the AHI of the subject. You can also do that.
  • HR heart rate
  • RR respiratory rate
  • ⁇ phase coherence
  • BM body movement
  • the heart rate detection unit 24 calculates the heart rate (HR) and its standard deviation (SD HR ), and the respiration rate detection unit 23 calculates the kurtosis (SD HR ) of the power spectrum of the breathing signal in addition to the respiration rate (RR). K RR ), and the histogram generation unit 26 calculates the standard deviation (SD HR ) of the heart rate (HR) in addition to the heart rate (HR), respiration rate (RR), phase coherence ( ⁇ ), and body movement (BM). and a histogram of the power spectrum kurtosis (K RR ) of the breathing signal, the feature image generation unit 27 generates respective feature images from these histograms, and uses these feature images to create an AHI estimation model. The AHI estimation accuracy may be improved using the generated AHI estimation model.
  • FIG. 5 shows an outline of another embodiment of the present invention. Since a heart rate variability calculation unit 31 is provided in place of the phase coherence ( ⁇ ) calculation unit 25 in FIG. 1, parts that are different from the embodiment shown in FIG. 1 will be described.
  • the heart rate variability calculation unit 31 calculates the high frequency component (HF: 0.15-0.40Hz) and low frequency component of the heart rate variability power spectrum obtained by Fourier transforming the heart rate calculated from the biological vibration signal by the heart rate detection unit 24. component (LF: 0.04-0.15Hz) and low frequency component/high frequency component (LF/HF).
  • HF high frequency component
  • LF low frequency component/high frequency component
  • the histogram generation unit 26 generates a histogram of the high frequency component (HF) of the heart rate variation power spectrum and the low frequency component/high frequency component (LF/HF) of the heart rate variation power spectrum, instead of the phase coherence ( ⁇ ).
  • the histograms of heart rate (HR), respiration rate (RR), and body movement rate (BM) are the same as in the embodiment shown in FIG.
  • the horizontal axis is the HF class (0-1), and the vertical axis is the frequency.
  • the horizontal axis is the LF/HF class (0-10)
  • the vertical axis is the frequency.
  • the feature image generation unit 27 generates a feature image using a histogram of the high frequency component (HF) and low frequency component/high frequency component (LF/HF) of the heart rate variation power spectrum instead of the histogram of phase coherence ( ⁇ ). .
  • HF high frequency component
  • LF/HF low frequency component/high frequency component
  • ⁇ phase coherence
  • the feature images were generated as follows. Heart rate (HR), respiratory rate (RR), phase coherence ( ⁇ ), and body movement ratio (BM) were calculated from the biological vibration signal, and a histogram was generated for each. Next, the number of bins was set to the width of the image, the four parameters were set to the height of the image, and the frequency of each class of each histogram was made to correspond to the hue to generate one characteristic image.
  • FIG. 2 shows a histogram and characteristic image of a subject with an AHI of 2.
  • the far left is a histogram of heart rate (HR)
  • the second from the left is a histogram of respiration rate (RR)
  • the third from the left is a histogram of phase coherence ( ⁇ )
  • the fourth from the left is a histogram of body movement rate (BM).
  • the right end is the feature image generated from these histograms.
  • the first characteristic image from the top corresponds to the HR histogram
  • the second corresponds to the RR histogram
  • the third corresponds to the ⁇ histogram
  • the fourth corresponds to the BM histogram
  • the frequency is displayed as a change in hue.
  • Subjects with an AHI of 2 had a low frequency of apnea-hypopnea during sleep, and their heart rate (HR) histograms showed two peaks, one during deep sleep and the other during REM sleep or wakefulness. It appears that the number is decreasing. Moreover, the peak of the histogram of the respiration rate (RR) is sharp, indicating that there is little variation in the respiration rate. Further, the histogram of phase coherence ( ⁇ ) has a peak near 1, and data distributed below 0.5 is rarely seen. Furthermore, the peak of the histogram of body movement ratio (BM) is at 0, which means that there are many time periods in which there is no body movement during sleep. The features of the histogram of these four parameters are reflected in the feature image.
  • FIG. 3 shows a histogram and characteristic image of a subject with an AHI of 91.
  • the far left is a histogram of heart rate (HR)
  • the second from the left is a histogram of respiration rate (RR)
  • the third from the left is a histogram of phase coherence ( ⁇ )
  • the fourth from the left is a histogram of body movement rate (BM).
  • the right end is the feature image generated from these histograms.
  • the first characteristic image from the top corresponds to the HR histogram
  • the second corresponds to the RR histogram
  • the third corresponds to the ⁇ histogram
  • the fourth corresponds to the BM histogram
  • the frequency is displayed as a change in hue.
  • Subjects with an AHI of 91 had a high frequency of apnea and hypopnea during sleep, and the two peaks corresponding to deep sleep and REM sleep and wakefulness were not observed in the histogram of heart rate (HR), indicating that the AHI in Figure 2 was Compared to subject No. 2, the peak of the histogram is located at a higher heart rate.
  • the peak of the histogram of the respiratory rate (RR) is not as sharp as that of subjects with AHI of 2, and its distribution extends to areas where the respiratory rate is low, indicating that apnea-hypopnea occurs and respiratory It can be seen that there are many fluctuations in the number.
  • the histogram of phase coherence shows a peak around 0.5, and no higher values are seen than in subjects with AHI of 2.
  • the peak of the histogram of body movement ratio (BM) is not at 0, which means that there are few time periods in which there is no body movement during sleep. The features of the histogram of these four parameters are reflected in the feature image.
  • FIG. 4 shows the correlation between the estimated AHI (pAHI) of all subjects and the clinically evaluated AHI used as the teacher signal, and a good result was obtained with a correlation coefficient of 0.906. Therefore, the respiratory rate, heart rate, phase coherence ( ⁇ ), and body movement rate obtained based on biological vibration signals during sleep contain information related to apnea-hypopnea syndrome. We were able to confirm that it is effective to input the aggregated feature images into a machine learning machine including CNN to estimate AHI.
  • the AHI is estimated using the high frequency component (HF) of the heart rate variability power spectrum and the low frequency component/high frequency component (LF/HF) of the heart rate variability power spectrum instead of the phase coherence ( ⁇ ).
  • HF high frequency component
  • LF/HF low frequency component/high frequency component
  • ⁇ phase coherence
  • the feature images were generated as follows. From the biological vibration signal, heart rate (HR), respiration rate (RR), high frequency component (HF) of heart rate variability power spectrum, low frequency component/high frequency component (LF/HF) of heart rate variability power spectrum, body movement rate (BM) ) was calculated and a histogram was generated for each. Next, the number of bins was set to the width of the image, the five parameters were set to the height of the image, and the frequency of each class of each histogram was made to correspond to the hue to generate one characteristic image.
  • HR heart rate
  • RR respiration rate
  • HF high frequency component
  • LF/HF low frequency component/high frequency component
  • BM body movement rate
  • FIG. 6 shows a histogram and characteristic image of a subject with AHI of 2, and the differences from FIG. 2 will be explained.
  • the left end is a histogram of heart rate (HR) (horizontal axis 50, 100; vertical axis 0, 200, 400, 600, 800), and the second from the left is a histogram of respiration rate (RR) (horizontal axis 0, 20, 40:
  • the vertical axis is 0,200,400,600,800,1000,1200
  • the third from the left is the histogram of the high frequency component (HF) of the heart rate variability power spectrum (horizontal axis 0,0.5,1: vertical axis 0,100) , 200, 300, 400, 500)
  • the fourth from the left is a histogram of low frequency components/high frequency components (LF/HF) of the heart rate variability power spectrum (horizontal axis 0, 5, 10; vertical axis 0, 200, 400, 600, 800, 1000, 1200)
  • the fifth from the left is the histogram of body movement ratio
  • the right end is the feature image generated from these histograms.
  • 1 corresponds to the HR histogram
  • 2 corresponds to the RR histogram
  • 3 corresponds to the HF histogram
  • 4 corresponds to the LF/HF histogram
  • 5 corresponds to the BM histogram
  • the frequency is displayed by a change in hue.
  • the HF histogram shows a peak around 0.7, and the LF/HF histogram frequently shows a low value.
  • the features of the histogram of these five parameters are reflected in the feature image.
  • FIG. 7 shows a histogram and characteristic image of a subject with an AHI of 91, and the differences from FIG. 3 will be explained.
  • the left end is a histogram of heart rate (HR) (horizontal axis 50, 100; vertical axis 0, 200, 400, 600, 800), and the second from the left is a histogram of respiration rate (RR) (horizontal axis 0, 20, 40:
  • the vertical axis is 0,200,400,600,800,1000,1200
  • the third from the left is the histogram of the high frequency component (HF) of the heart rate variability power spectrum (horizontal axis 0,0.5,1: vertical axis 0,100) , 200, 300, 400, 500)
  • the fourth from the left is a histogram of low frequency components/high frequency components (LF/HF) of the heart rate variability power spectrum (horizontal axis 0, 5, 10; vertical axis 0, 200, 400, 600, 800, 1000, 1200)
  • the fifth from the left is the histogram of
  • the right end is the feature image generated from these histograms.
  • 1 corresponds to the HR histogram
  • 2 corresponds to the RR histogram
  • 3 corresponds to the HF histogram
  • 4 corresponds to the LF/HF histogram
  • 5 corresponds to the BM histogram
  • the frequency is displayed by a change in hue.
  • the HF histogram shows a peak at the median value
  • the LF/HF histogram shows a lower frequency of low values, an increased frequency of high values, and a distribution of 5 or more appears.
  • the features of the histogram of these five parameters are reflected in the feature image.
  • the characteristic images generated in this manner were input to the apnea-hypopnea estimator to estimate AHI.
  • the correlation between the estimated AHI (pAHI) of all subjects and the clinically evaluated AHI is shown in FIG. 8, and a correlation coefficient of 0.359 was obtained. From this, it can be concluded that the respiratory rate, heart rate, high frequency component of the heart rate variability power spectrum, low frequency component/high frequency component of the heart rate variability power spectrum, and body movement rate obtained based on biological vibration signals during sleep have no effect. It was confirmed that AHI can be estimated by inputting a feature image containing information related to respiratory hypopnea syndrome into a machine learning machine including CNN.
  • AHI estimation system AHI estimation device 21 AHI estimation device 22 AHI estimation device 21 Biological vibration signal receiving unit 22 Body movement signal detection unit 23 Respiration rate detection unit 24 Heart rate detection unit 25 Phase coherence ( ⁇ ) calculation unit 26 Histogram generation unit 27 Feature image generation unit 28 AHI estimation Section 3 Sensor section 31 Heart rate variability calculation section

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Child & Adolescent Psychology (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

被験者を拘束することなく無呼吸低呼吸指標を推定する。 非接触•非拘束で、睡眠時の被験者の生体振動信号を取得し、それから呼吸数、心拍数、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出される位相コヒーレンス、体動割合の４つのパラメータを抽出して、それらのヒストグラムを作成し、そのヒストグラムから特徴画像を生成し、その特徴画像をあらかじめ機械学習したＡＨＩ推定モデルに入力することによってＡＨＩを推定する。

Description

無呼吸低呼吸指標推定装置、方法およびプログラム
　本発明は、心拍数（ＨＲ）、呼吸数（ＲＲ）、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出した位相コヒーレンス（λ）、体動（ＢＭ）から、無呼吸低呼吸指標（以降、ＡＨＩ（Ａｐｎｅａ　Ｈｙｐｏｐｎｅａ　Ｉｎｄｅｘ））を推定する技術に関する。
　睡眠時無呼吸症候群（ＳＡＳ）の確定診断のゴールドスタンダードはポリソムノグラフィー検査（ＰＳＧ）であるが、装置そのものが大がかりであり、また計測される生体信号の種類も多いためＳＡＳのスクリーニングには向いていない。そのため、ＳＡＳが疑われる場合は簡易検査機器を用いるのが一般的である。
　ＳＡＳのスクリーニングでは呼吸気流計で計測した呼吸気流量と、パルスオキシメーターで計測したと経皮的動脈血酸素飽和度（ＳｐＯ２）から、睡眠１時間あたりの「無呼吸」と「低呼吸」の合計回数として、無呼吸低呼吸指標（ＡＨＩ（Ａｐｎｅａ　Ｈｙｐｏｐｎｅａ　Ｉｎｄｅｘ））を求めて、この指標によって重症度が分類されている。なお、無呼吸とは、呼吸気流が少なくとも１０秒以上消失し、ＳｐＯ２が４％以上低下した状態であり、低呼吸（Ｈｙｐｏｐｎｅａ）とは、換気の明らかな低下に加えＳｐＯ２が３~４％以上低下した状態、もしくは覚醒を伴う状態を指す。
　さらにスクリーニングの簡便化を図るため、非接触・非拘束で、ＡＨＩを推定する技術が提案されている。
　例えば、圧電センサで取得した信号にＢＰＦ（０．１−０．７Ｈｚ）処理、ノイズ低減処理、フーリエ変換を施して、呼吸の低周波成分のパワーから見かけの無呼吸低呼吸指標を算出する技術が開示されている（特許文献１）。
　また、心拍計測器の出力から得られた複数の連続した心拍間隔（ＲＲＩ）を特徴ベクトルとして、再帰型ニューラルネットワーク（ＬＳＴＭ等）を用いてあらかじめ機械学習させたモデルに入力し、無呼吸状態か正常呼吸状態かを心拍間隔のみから得る技術が開示されている（特許文献２）。
　いずれの技術もＰＳＧを用いたＡＨＩの判定を簡便化する試みであるが、無呼吸は低酸素状態をもたらすことから自律神経活動が交感神経優位に傾き、心拍数が急上昇したり睡眠中の覚醒頻度が多くなり体動も変化すると予想される。したがって、間接的にＡＨＩを推定する場合は、無呼吸の影響を受ける自律神経活動等を含む情報を総合的に判断する方が望ましい。
特開２０１８−０１１９４８ ＷＯ２０２０／１６６２３９
　このような状況に鑑み、本発明は、非接触・非拘束で、被験者の生体振動信号を取得し、その信号から呼吸数、心拍数、心拍間隔変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から算出される位相コヒーレンス、および体動の４つのパラメータを抽出して、それらのヒストグラムを作成し、さらにヒストグラムから生成された特徴画像とＡＨＩの関係をあらかじめ機械学習したＡＨＩ推定モデルを用いることで、前記特徴画像をＡＨＩ推定モデルに入力することによってＡＨＩを推定する技術を提供することを目的をする。
　また、非接触・非拘束で、被験者の生体振動信号を取得し、その信号から呼吸数、心拍数、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分および体動の５つのパラメータを抽出して、それらのヒストグラムを作成し、さらにヒストグラムから生成された特徴画像とＡＨＩの関係をあらかじめ機械学習したＡＨＩ推定モデルを用いることで、前記特徴画像をＡＨＩ推定モデルに入力することによってＡＨＩを推定する技術を提供することを目的とする。
　無呼吸低呼吸指標推定装置として、
　動物の生体振動信号を受信する生体振動信号受信部と、
　前記生体振動信号から体動信号を検出する体動信号検出部と、
　前記生体振動信号から呼吸数を検出する呼吸数検出部と、
　前記生体振動信号から心拍数を検出する心拍数検出部と、
　前記生体振動信号から検出した心拍間隔変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
　前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスを入力してそれぞれのヒストグラムを生成するヒストグラム生成部と、
　それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴画像生成部と、
　前記特徴画像を入力して無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部を備え、
　前記無呼吸低呼吸指標推定部は、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行い、被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定する。
　さらには、シート状の圧電センサ等のセンサ部を備えて、無呼吸低呼吸指標推定システムを構成する。
　さらには、位相コヒーレンスの代わりに、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分を用いる。
　呼吸流量計やパルスオキシメーターで被験者を拘束することなく、被験者のＡＨＩを推定することができるので、無呼吸低呼吸症候群のスクリーニングに有用である。
　また、睡眠時間全体の複数の生理指標を一つに集約した特徴画像に基づいてＡＨＩを推定するので、画像情報に基づく客観的な無呼吸低呼吸症候群のスクリーニングが可能となる。
無呼吸低呼吸推定装置の概略ブロック図 ＡＨＩが２の４つの生理指標のヒストグラムとその特徴画像 ＡＨＩが９１の４つの生理指標のヒストグラムとその特徴画像 推定ＡＨＩと真のＡＨＩとの相関 無呼吸低呼吸推定装置の概略ブロック図（ＨＦ、ＬＦ／ＨＦ版） ＡＨＩが２の５つの生理指標のヒストグラムとその特徴画像（ＨＦ、ＬＦ／ＨＦ版） ＡＨＩが９１の５つの生理指標のヒストグラムとその特徴画像（ＨＦ、ＬＦ／ＨＦ版） 推定ＡＨＩと真のＡＨＩとの相関（ＨＦ、ＬＦ／ＨＦ版）
　図１を使って本発明の一実施形態の概要を説明する。ＡＨＩ推定システム１は、ＡＨＩ推定装置２とセンサ部３で構成され、センサ部３で検出された生体振動信号または事前に取得されてメモリに蓄積された生体振動信号をＡＨＩ推定装置２に入力して推定ＡＨＩを出力する。
　ＡＨＩ推定装置２は、本発明の核となる部分で、生体振動信号受信部２１、体動信号検出部２２、呼吸数検出部２３、心拍数検出部２４、位相コヒーレンス（λ）算出部２５、ヒストグラム生成部２６、特徴画像生成部２７、ＡＨＩ推定部２８から構成される。
　なお、各構成要素は、通常、ＣＰＵ、メモリ、外部メモリ、通信手段を備えたパーソナルコンピュータ、スマートホン、タブレット等のコンピュータ上に実装される。
　各構成要素について、詳細に説明する。
　センサ部３は、動物の生体振動を検出し、生体振動信号を出力する。たとえば、センサ部３は、シート状の圧電センサであり、動物が横たわるマットに設置され、体動、心拍（心臓の拍動による心弾動）、呼吸のほか、発声に基づく生体振動信号を出力するが、外部環境等に基づく振動に起因する信号が含まれる場合がある。
　なお、センサ部３は、シート状の圧電センサに限られるわけではなく、たとえば、脈波計や心電計等を組み合わせた構成でも構わない。
　生体振動信号受信部２１は、ケーブルや無線等の通信手段により結合されたセンサ部３が出力する生体振動信号を受信する。
　受信した生体振動信号は、ＡＨＩ推定装置２の内部およびＵＳＢメモリ等の外部メモリ（非図示）に蓄積される。
　体動信号検出部２２は、生体振動信号を入力して体動信号を出力する。生体振動信号は、心拍情報や呼吸情報等に関する信号も含んでいるが、体動信号は心拍情報や呼吸情報に関する信号と比べて振幅が大きな信号である。体動信号検出部２２は、体動信号を適切な振幅の信号に変換して体動信号を出力する。また、変換された体動信号はパルス状なので、微分処理をして得られた立ち上がりエッジを所定時間計数して、所定時間の体動数を出力することもできる。
　呼吸数検出部２３は、生体振動信号を入力して呼吸数を出力する。生体振動信号に含まれる呼吸情報信号は、体動信号と比較して振幅が遥かに小さいので（通常１／１００より小さい）、呼吸数を算出するために、次に示すような処理が必要である。
　生体振動信号を０．５Ｈｚ以下の周波数範囲の通過域を有するローパスフィルタ（ＬＰＦ）に通過させてもよい。ＬＰＦの遮断周波数は、０．３、０．４、０．６、０．７Ｈｚ、０．８Ｈｚであってもよい。
　また、ローパスフィルタ（ＬＰＦ）の代わりにバンドパスフィルタ（ＢＰＦ）を通過させてもよい。バンドパスフィルタの下限周波数は十分に低い周波数であればよく、例えば０．１Ｈｚでよい。
　このようにして得られた周期的な呼吸波形のピークを計数することで呼吸数を算出することができる。また、所定時間における生体振動信号のフーリエ変換またはウェーブレット変換からパワースペクトルを求め、そのピーク周波数から呼吸数を算出してもよい。
　心拍数検出部２４は、生体振動信号を入力して、心拍信号を抽出し、心拍数を算出する。生体振動信号に含まれる心拍信号は、体動信号と比較して振幅が遥かに小さいので（通常１／１００より小さい）、心拍信号を抽出し、心拍数を算出するために、次に示すような処理が必要である。
（１）生体振動信号を１~４ＨｚのＢＰＦで処理し、所定時間における周期的なピーク数を計数する。ＢＰＦは１~４Ｈｚに限られるわけではなく、下限周波数が０．５Ｈｚ以上、０．６Ｈｚ以上、０．７Ｈｚ以上、０．８Ｈｚ以上、０．９Ｈｚ又は１Ｈｚ以上、上限周波数が１０Ｈｚ以下、８Ｈｚ以下、６Ｈｚ以下、５Ｈｚ以下、３Ｈｚ以下であってもよい。
（２）生体振動信号を下限周波数５Ｈｚ以上のＢＰＦで処理し、フィルタ通過後の信号の絶対値を求めた後でその包絡線を抽出するか、または時定数０．１秒前後の積分フィルタを通過させてもよい。ＢＰＦの上限周波数は１０Ｈｚ、２０Ｈｚ、３０Ｈｚ、４０Ｈｚ以下であってもよい。上記積分フィルタ処理は直交検波処理で置き換えても良く、処理した波形のピーク間隔の時間を求めて心拍間隔を求める。
（３）所定時間における生体振動信号をフーリエ変換またはウェーブレット変換し、パワースペクトルのピーク周波数から心拍数を算出しても良い。
　位相コヒーレンス算出部２５は、心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差として位相コヒーレンスを算出する。
　位相コヒーレンス算出部は、心拍に関する情報および呼吸に関する情報を含む生体情報を取得する生体情報取得手段、呼吸パターンを抽出する呼吸波形抽出手段、心拍間隔の変動を算出する心拍間隔算出手段、呼吸パターンと心拍間隔の変動との間の瞬時位相差の位相コヒーレンスを算出する位相コヒーレンス算出手段とを含む。詳しくは、ＷＯ２０１７／１４１９７６（本出願人の先願）を参照されたい。
　ヒストグラム生成部２６は、所定の睡眠時間における心拍数、呼吸数、位相コヒーレンス、体動それぞれのデータのヒストグラムを作成する。所定の睡眠時間とは例えば一晩である。
　心拍数のヒストグラムは、横軸が分時心拍数の階級（４０~１２０）、縦軸が頻度である。
　呼吸数のヒストグラムは、横軸が分時呼吸数の階級（０~４０）、縦軸が頻度である。
　位相コヒーレンスのヒストグラムは、横軸がλの階級（０~１）、縦軸が頻度である。
　体動のヒストグラムは、横軸が体動割合の階級（０~０．５）、縦軸が頻度である。
　体動の割合は、体動信号検出部２２が生体振動信号を１０秒窓でサンプリングし、その窓を５秒ずつずらしながら体動の有無を判定し、その後、１０分間当たりの体動発生の割合を移動平均して求める。
　特徴画像生成部２７は、それらのヒストグラムから特徴画像を作成する。特徴画像の幅は、各ヒストグラムの階級に対応し、たとえば、その分割数は５０（Ｂｉｎ数）である。画像の高さの要素は上から順に、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動割合（ＢＭ）を表わしている。したがってヒストグラムのＢｉｎ数が５０である場合の画素数は４×５０＝２００となる。
　そして、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動割合（ＢＭ）のヒストグラムの各階級における頻度を色相の変化で表す。
　この特徴画像は、ある被験者の一定の睡眠時間中の生体振動信号において、心拍数、呼吸数、λ、体動割合の４パラメータの分布を表すので、画像パターンに基づきＡＨＩを客観的に判定するのに有効である。
　なお、Ｂｉｎ数は５０に限らず、頻度と色相の対応は、頻度の変化が色相の変化として表現されれば任意の色相変化で対応付けをすることができる。
　ＡＨＩ推定部２８は、入力層に、画像に基づく判定や推定に有効なＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）を有し、中間層には全結合層が２層、出力層には回帰層を有した深層学習器である。
　そのＣＮＮを含む深層学習器に、ＰＳＧに基づいて臨床的に判定されたＡＨＩを教師データとして、それに同期した特徴両像を入力データとして入力して機械学習を行ってＡＨＩ推定モデル（非図示）を、ＡＨＩ推定部の内部に構築する。それに同期した特徴画像とは、ＰＳＧに基づく臨床的なＡＨＩの判定に用いられた生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）を算出し、そのヒストグラムを生成し、そのヒストグラムに基づき生成された特徴画像のことを言う。
　ＡＨＩ推定部２８は、被験者の特徴画像をＡＨＩ推定モデルに入力して、そのＡＨＩを推定する。推定ＡＨＩは、１時間当たりの無呼吸低呼吸数として算出される。
　以上、ＡＨＩ推定システム１の各構成要素について説明したが、本発明は、センサ部３を除いた形態でも機能する。
　すなわち、ＡＨＩ推定装置２は、あらかじめ取得されたある被験者の一定期間の生体振動信号を通信手段やＵＳＢメモリ等によって受信して、その心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）を算出し、そのヒストグラムを生成し、そのヒストグラムに基づき生成された特徴画像を生成し、その特徴画像をＡＨＩ推定部２８に入力して、その被験者のＡＨＩを推定することもできる。
　また、心拍数検出部２４が心拍数（ＨＲ）に加えてその標準偏差（ＳＤＨＲ）を算出し、呼吸数検出部２３が呼吸数（ＲＲ）に加えて呼吸信号のパワースペクトルの尖度（ＫＲＲ）を算出し、ヒストグラム生成部２６が心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動（ＢＭ）に加えて心拍数（ＨＲ）の標準偏差（ＳＤＨＲ）と呼吸信号のパワースペクトルの尖度（ＫＲＲ）のヒストグラムを生成し、特徴画像生成部２７が、これらのヒストグラムからそれぞれの特徴画像を生成し、これらの特徴画像を使用してＡＨＩ推定モデルを生成し、そのＡＨＩ推定モデルを用いてＡＨＩの推定精度の向上を図ってもよい。
　次に、図５に本発明のもう一つの実施形態の概要を示す。
　図１の位相コヒーレンス（λ）算出部２５に代えて心拍変動算出部３１を備えているので、図１に示す実施形態と異なる部分について説明する。
　心拍変動算出部３１は、心拍数検出部２４が生体振動信号から算出した心拍数をフーリエ変換して得られた心拍変動パワースペクトルの高周波成分（ＨＦ：０．１５−０．４０Ｈｚ）、低周波成分（ＬＦ：０．０４−０．１５Ｈｚ）、低周波成分／高周波成分（ＬＦ／ＨＦ）を算出する。
　また、ヒストグラム生成部２６は、位相コヒーレンス（λ）の代わりに、心拍変動パワースペクトルの高周波成分（ＨＦ）、心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムを生成する。心拍数（ＨＲ）、呼吸数（ＲＲ）、体動割合（ＢＭ）のヒストグラムは図１に示す実施形態の場合と同様である。
　心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラムは、横軸がＨＦの階級（０−１）、縦軸が頻度である。
　心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムは、横軸がＬＦ／ＨＦの階級（０−１０）、縦軸が頻度である。
　特徴画像生成部２７は、位相コヒーレンス（λ）のヒストグラムの代わりに、心拍変動パワースペクトルの高周波成分（ＨＦ）と低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラムを用いて特徴画像を生成する。心拍数（ＨＲ）、呼吸数（ＲＲ）、体動割合（ＢＭ）のヒストグラムを用いることは図１に示す実施形態の場合と同様である。
　まず、２５人の被験者のデータを用いて、図１に示す無呼吸低呼吸推定装置のＣＮＮを含む学習器による深層学習を行った。Ｌｅａｖｅ−ｏｎｅ−ｏｕｔ法による交差検証を行うため、学習は検証用の被験者１名を除いた２４人のデータで行った。
　教師データはＰＳＧにより判定されたＡＨＩであり、入力データは、ＰＳＧと同期して計測された生体振動信号から得られた特徴画像である。
　特徴画像の生成は次のように行った。
　生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、位相コヒーレンス（λ）、体動割合（ＢＭ）を算出し、それぞれのヒストグラムを生成した。次に、Ｂｉｎ数を画像の幅に、前記４つのパラメータを画像の高さに設定し、それぞれのヒストグラムの各階級の頻度を色相に対応させて一つの特徴画像を生成した。
　図２はＡＨＩが２の被験者のヒストグラムと特徴画像である。
　左端が心拍数（ＨＲ）のヒストグラム、左から２番目が呼吸数（ＲＲ）のヒストグラム、左から３番目が位相コヒーレンス（λ）のヒストグラム、左から４番目が体動割合（ＢＭ）のヒストグラムである。右端がこれらのヒストグラムから生成された特徴画像である。
　特徴画像の上から１番目がＨＲのヒストグラム、２番目がＲＲのヒストグラム、３番目がλのヒストグラム、４番目がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
　ＡＨＩが２の被験者は睡眠時に無呼吸低呼吸の頻度は少なく、心拍数（ＨＲ）のヒストグラムには深睡眠時とレム睡眠や覚醒に対応すると思われる２つのピークが認められ、深睡眠時には心拍数が低下していることが伺える。
　また、呼吸数（ＲＲ）のヒストグラムのピークがシャープで、呼吸数の変動が少ないことを示している。
　また、位相コヒーレンス（λ）のヒストグラムは１に近い方にピークがあり、０．５以下に分布するデータはあまり見られない。また、体動割合（ＢＭ）のヒストグラムのピークは０にあり、睡眠時に体動がない時間帯が多いことを意味する。特徴画像にはこれら４つのパラメータのヒストグラムの特徴が反映されている。
　図３はＡＨＩが９１の被験者のヒストグラムと特徴画像である。
　左端が心拍数（ＨＲ）のヒストグラム、左から２番目が呼吸数（ＲＲ）のヒストグラム、左から３番目が位相コヒーレンス（λ）のヒストグラム、左から４番目が体動割合（ＢＭ）のヒストグラムである。右端がこれらのヒストグラムから生成された特徴画像である。
　特徴画像の上から１番目がＨＲのヒストグラム、２番目がＲＲのヒストグラム、３番目がλのヒストグラム、４番目がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
　ＡＨＩが９１の被験者は睡眠時に無呼吸低呼吸の頻度が高く、心拍数（ＨＲ）のヒストグラムには深睡眠時とレム睡眠や覚醒に対応する２つのピークが認められず、図２のＡＨＩが２の被験者と比べるとヒストグラムのピークは心拍数が高い方に位置している。
　また、呼吸数（ＲＲ）のヒストグラムのピークはＡＨＩが２の被験者に比べてシャープではなく、その分布の広がりは呼吸数が低い領域に及んでおり、無呼吸低呼吸が発生しており、呼吸数の変動も多いことが伺える。
　また、位相コヒーレンス（λ）のヒストグラムは０．５付近にピークが見られ、ＡＨＩが２の被験者に比べて高い値が見られない。また、体動割合（ＢＭ）のヒストグラムのピークは０にはなく、睡眠時に体動のない時間帯が少ないことを意味する。特徴画像にはこれら４つのパラメータのヒストグラムの特徴が反映されている。
　このようにして生成された特徴画像を、無呼吸低呼吸推定部に入力してＡＨＩを推定した。全被験者の推定ＡＨＩ（ｐＡＨＩ）と臨床的に評価された教師信号として用いたＡＨＩとの相関を図４に示すが、相関係数０．９０６と良好な結果が得られた。
　このことから、睡眠時の生体振動信号に基づいて取得された、呼吸数、心拍数、位相コヒーレンス（λ）、体動割合には、無呼吸低呼吸症候群に係る情報が含まれており、それらが集約された特徴画像を、ＣＮＮを含む機械学習器に入力してＡＨＩを推定することが有効であることを確認することができた。
　位相コヒーレンス（λ）の代わりに心拍変動パワースペクトルの高周波成分（ＨＦ）、心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）を使用してＡＨＩを推定した実施例について説明する。
　まず、２５人の被験者のデータを用いて、図５に示す無呼吸低呼吸推定装置のＣＮＮを含む学習器による深層学習を行った。Ｌｅａｖｅ−ｏｎｅ−ｏｕｔ法による交差検証を行うため、学習は検証用の被験者１名を除いた２４人のデータで行った。
　教師データはＰＳＧにより判定されたＡＨＩであり、入力データは、ＰＳＧと同期して計測された生体振動信号から得られた特徴画像である。
　特徴画像の生成は次のように行った。
　生体振動信号から、心拍数（ＨＲ）、呼吸数（ＲＲ）、心拍変動パワースペクトルの高周波成分（ＨＦ）、心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）、体動割合（ＢＭ）を算出し、それぞれのヒストグラムを生成した。次に、Ｂｉｎ数を画像の幅に、前記５つのパラメータを画像の高さに設定し、それぞれのヒストグラムの各階級の頻度を色相に対応させて一つの特徴画像を生成した。
　図６はＡＨＩが２の被験者のヒストグラムと特徴画像であるが、図２と異なる部分について説明する。
　左端が心拍数（ＨＲ）のヒストグラム（横軸５０、１００：縦軸０，２００，４００，６００，８００）、左から２番目が呼吸数（ＲＲ）のヒストグラム（横軸０，２０，４０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から３番目が心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラム（横軸０，０．５，１：縦軸０，１００，２００，３００，４００、５００）、左から４番目が心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラム（横軸０，５，１０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から５番目が体動割合（ＢＭ）のヒストグラム（横軸０，０．１，０．２，０．３：縦軸０，５００，１０００，１５００，２０００）である。
　右端がこれらのヒストグラムから生成された特徴画像である。特徴画像の１がＨＲのヒストグラム、２がＲＲのヒストグラム、３がＨＦのヒストグラム、４がＬＦ／ＨＦのヒストグラム、５がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
　ＨＦのヒストグラムは０．７付近にピークを示し、ＬＦ／ＨＦのヒストグラムは低値を示す頻度が高い。
　特徴画像にはこれら５つのパラメータのヒストグラムの特徴が反映されている。
　図７はＡＨＩが９１の被験者のヒストグラムと特徴画像であるが、図３と異なる部分について説明する。
　左端が心拍数（ＨＲ）のヒストグラム（横軸５０、１００：縦軸０，２００，４００，６００，８００）、左から２番目が呼吸数（ＲＲ）のヒストグラム（横軸０，２０，４０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から３番目が心拍変動パワースペクトルの高周波成分（ＨＦ）のヒストグラム（横軸０，０．５，１：縦軸０，１００，２００，３００，４００、５００）、左から４番目が心拍変動パワースペクトルの低周波成分／高周波成分（ＬＦ／ＨＦ）のヒストグラム（横軸０，５，１０：縦軸０，２００，４００，６００，８００、１０００，１２００）、左から５番目が体動割合（ＢＭ）のヒストグラム（横軸０，０．１，０．２，０．３：縦軸０，５００，１０００，１５００，２０００）である。
　右端がこれらのヒストグラムから生成された特徴画像である。
　特徴画像の１がＨＲのヒストグラム、２がＲＲのヒストグラム、３がＨＦのヒストグラム、４がＬＦ／ＨＦのヒストグラム、５がＢＭのヒストグラムに対応し、頻度を色相の変化で表示している。
　ＨＦのヒストグラムは中央値にピークを示し、ＬＦ／ＨＦのヒストグラムは低値を示す頻度が低下し、高値を示す頻度が増して５以上にも分布が現れる。
　特徴画像にはこれら５つのパラメータのヒストグラムの特徴が反映されている。
　このようにして生成された特徴画像を、無呼吸低呼吸推定部に入力してＡＨＩを推定した。全被験者の推定ＡＨＩ（ｐＡＨＩ）と臨床的に評価されたＡＨＩとの相関を図８に示すが、相関係数０．３５９という結果が得られた。
　このことから、睡眠時の生体振動信号に基づいて取得された、呼吸数、心拍数、心拍変動パワースペクトルの高周波成分、心拍変動パワースペクトルの低周波成分／高周波成分、体動割合には、無呼吸低呼吸症候群に係る情報が含まれており、それらが集約された特徴画像を、ＣＮＮを含む機械学習器に入力してＡＨＩを推定することが可能であることを確認することができた。
　１　　ＡＨＩ推定システム
　２　　ＡＨＩ推定装置
　２１　生体振動信号受信部
　２２　体動信号検出部
　２３　呼吸数検出部
　２４　心拍数検出部
　２５　位相コヒーレンス（λ）算出部
　２６　ヒストグラム生成部
　２７　特徴画像生成部
　２８　ＡＨＩ推定部
　３　センサ部
　３１　心拍変動算出部

Claims (6)

  1. 　動物の生体振動信号を受信する生体振動信号受信部と、
    　前記生体振動信号から体動信号を検出する体動信号検出部と、
    　前記生体振動信号から呼吸数を検出する呼吸数検出部と、
    　前記生体振動信号から心拍数を検出する心拍数検出部と、
    　前記生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出する位相コヒーレンス算出部と、
    　前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスを入力してそれぞれのヒストグラムを生成するヒストグラム生成部と、
    　それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴画像生成部と、
    　前記特徴画像を入力して無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部を備え、
    　前記無呼吸低呼吸指標推定部は、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行い、被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定することを特徴とする無呼吸低呼吸指標推定装置。
  2. 　前記機械学習はＣＮＮを含む機械学習器を使って深層学習を行うことを特徴とする請求項１に記載の無呼吸低呼吸指標推定装置。
  3. 　請求項１または請求項２に記載の無呼吸低呼吸指標推定装置に動物の生体振動信号を検出するセンサ部を備えたことを特徴とする無呼吸低呼吸指標推定システム。
  4. 　センサ部が出力する生体振動信号を受信するステップと、
    　前記生体振動信号から体動信号検出部が体動信号を検出し、呼吸数検出部が呼吸数を検出し、心拍数検出部が心拍数を検出し、位相コヒーレンス算出部が生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンスを算出するステップと、
    　前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスそれぞれのヒストグラムを生成するステップと、
    　前記ヒストグラムから特徴画像を生成するステップと、
    　無呼吸低呼吸指標推定モデルが、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行うステップと、
    　被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定するステップを備えることを特徴とする無呼吸低呼吸指標推定方法。
  5. 　コンピュータを、
    　センサ部が出力する生体振動信号を受信する手段、
    　前記生体振動信号から体動信号を検出する手段、
    　前記生体振動信号から呼吸数を検出する手段、
    　前記生体振動信号から心拍数を検出する手段、
    　前記生体振動信号から検出した心拍間隔の変動の瞬時位相と呼吸パターンの瞬時位相の瞬時位相差から位相コヒーレンス位相コヒーレンスを算出する手段、
    　前記体動信号、前記心拍数、前記呼吸数、前記位相コヒーレンスを入力してそれぞれのヒストグラムを生成するヒストグラム生成手段、
    　それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴両像生成手段、
    　睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部の機械学習を行わせる手段、
    　被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定する手段、
    として機能させることを特徴とする無呼吸低呼吸指標推定プログラム。
  6. 　動物の生体振動信号を受信する生体振動信号受信部と、
    　前記生体振動信号から体動信号を検出する体動信号検出部と、
    　前記生体振動信号から呼吸数を検出する呼吸数検出部と、
    　前記生体振動信号から心拍数を検出する心拍数検出部と、
    　前記心拍数から心拍変動パワースペクトルの高周波成分および低周波成分／高周波成分を算出する心拍変動算出部と、
    　前記体動信号、前記心拍数、前記呼吸数、前記高周波成分、前記低周波成分／高周波成分を入力してそれぞれのヒストグラムを生成するヒストグラム生成部と、
    　それぞれの前記ヒストグラムを入力して特徴画像を生成する特徴画像生成部と、
    　前記特徴画像を入力して無呼吸低呼吸指標を推定する無呼吸低呼吸指標推定部を備え、
    　前記無呼吸低呼吸指標推定部は、睡眠ポリソムノグラフに基づいて判定されたＡＨＩを教師データとし、前記教師データと同期した前記特徴画像を入力データとして機械学習を行い、被験者の前記特徴画像を入力して無呼吸低呼吸指標を推定することを特徴とする無呼吸低呼吸指標推定装置。
PCT/JP2023/010494 2022-03-14 2023-03-13 無呼吸低呼吸指標推定装置、方法およびプログラム WO2023176948A1 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2022-060807 2022-03-14
JP2022060807 2022-03-14
JP2022098448A JP7158641B1 (ja) 2022-03-14 2022-06-01 無呼吸低呼吸指標推定装置、方法およびプログラム
JP2022-098448 2022-06-01

Publications (1)

Publication Number Publication Date
WO2023176948A1 true WO2023176948A1 (ja) 2023-09-21

Family

ID=83721025

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/010494 WO2023176948A1 (ja) 2022-03-14 2023-03-13 無呼吸低呼吸指標推定装置、方法およびプログラム

Country Status (2)

Country Link
JP (1) JP7158641B1 (ja)
WO (1) WO2023176948A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7413549B1 (en) * 2004-03-17 2008-08-19 Pacesetter, Inc. Detecting and quantifying apnea using ventilatory cycle histograms
JP2015504744A (ja) * 2012-01-27 2015-02-16 レスメド・リミテッドＲｅｓＭｅｄＬｉｍｉｔｅｄ チェーンストークス呼吸パターンの判別
JP2017064338A (ja) * 2015-10-01 2017-04-06 ヘルスセンシング株式会社 睡眠状態測定装置及び方法、位相コヒーレンス算出装置並びに心拍波形抽出方法
WO2017141976A1 (ja) * 2016-02-15 2017-08-24 ヘルスセンシング株式会社 睡眠状態測定装置及び方法、位相コヒーレンス算出装置、生体振動信号測定装置、ストレス状態測定装置及び睡眠状態測定装置及び心拍波形抽出方法
JP2020513934A (ja) * 2017-01-16 2020-05-21 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． カプノメトリ及び酸素飽和度を組み合わせた生理学的モニタリング判断支援システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5065652B2 (ja) 2006-10-31 2012-11-07 帝人ファーマ株式会社 生理情報を生成する方法、コンピュータプログラム、生理情報生成システム
US11826152B2 (en) 2019-05-28 2023-11-28 Cardiac Pacemakers, Inc. Arrhythmia classification using correlation image

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7413549B1 (en) * 2004-03-17 2008-08-19 Pacesetter, Inc. Detecting and quantifying apnea using ventilatory cycle histograms
JP2015504744A (ja) * 2012-01-27 2015-02-16 レスメド・リミテッドＲｅｓＭｅｄＬｉｍｉｔｅｄ チェーンストークス呼吸パターンの判別
JP2017064338A (ja) * 2015-10-01 2017-04-06 ヘルスセンシング株式会社 睡眠状態測定装置及び方法、位相コヒーレンス算出装置並びに心拍波形抽出方法
WO2017141976A1 (ja) * 2016-02-15 2017-08-24 ヘルスセンシング株式会社 睡眠状態測定装置及び方法、位相コヒーレンス算出装置、生体振動信号測定装置、ストレス状態測定装置及び睡眠状態測定装置及び心拍波形抽出方法
JP2020513934A (ja) * 2017-01-16 2020-05-21 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． カプノメトリ及び酸素飽和度を組み合わせた生理学的モニタリング判断支援システム

Also Published As

Publication number Publication date
JP7158641B1 (ja) 2022-10-24
JP2023134322A (ja) 2023-09-27

Similar Documents

Publication Publication Date Title
Paalasmaa et al. Adaptive heartbeat modeling for beat-to-beat heart rate measurement in ballistocardiograms
EP3334337B1 (en) Monitoring of sleep phenomena
JP5070701B2 (ja) 寝具に加わる被験者の荷重変化により得られる呼吸信号の解析方法および装置
TWI725255B (zh) 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法
Al-Angari et al. Automated recognition of obstructive sleep apnea syndrome using support vector machine classifier
KR101868888B1 (ko) 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법
Haescher et al. A study on measuring heart-and respiration-rate via wrist-worn accelerometer-based seismocardiography (SCG) in comparison to commonly applied technologies
CN107072594B (zh) 用于评估呼吸窘迫的方法和装置
JP2011517982A (ja) 睡眠／覚醒状態評価方法及びシステム
JP2010540124A (ja) 心電図から導出された無呼吸／低呼吸指数
JP5776939B2 (ja) 睡眠状態判別装置および睡眠状態判別方法
CN113473910A (zh) 睡眠监测系统和方法
JP2015226696A (ja) 眠気検出方法及び眠気検出装置
JP6813837B2 (ja) 活動リズム判定方法および活動リズム判定装置
JP7400574B2 (ja) 生体情報取得装置、生体情報取得方法及びプログラム
JP2017063997A (ja) 生体機能検査装置、生体機能検査方法及びプログラム
KR102324471B1 (ko) 휴대형 수면 무호흡증 컴퓨터 보조 진단 센서 장치 및 그 제어 방법
US11291406B2 (en) System for determining a set of at least one cardio-respiratory descriptor of an individual during sleep
Khandoker et al. Modeling respiratory movement signals during central and obstructive sleep apnea events using electrocardiogram
JP7180776B2 (ja) 対象者の時間的情報の提供
WO2023176948A1 (ja) 無呼吸低呼吸指標推定装置、方法およびプログラム
Bobrova et al. Mathematical methods of fetal activity signal processing
US20170020446A1 (en) Systems, methods and apparatuses for monitoring hypoxia events
JP6865438B2 (ja) 精神神経状態を判別する指標の作成方法および作成装置
WO2023140390A1 (ja) 睡眠状態判定装置、睡眠状態判定方法およびプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23770901

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18289664

Country of ref document: US