TWI815546B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- TWI815546B TWI815546B TW111125970A TW111125970A TWI815546B TW I815546 B TWI815546 B TW I815546B TW 111125970 A TW111125970 A TW 111125970A TW 111125970 A TW111125970 A TW 111125970A TW I815546 B TWI815546 B TW I815546B
- Authority
- TW
- Taiwan
- Prior art keywords
- sleep apnea
- data
- time
- target
- electrocardiogram
- Prior art date
Links
- 201000002859 sleep apnea Diseases 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000007958 sleep Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000005520 cutting process Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000000241 respiratory effect Effects 0.000 claims description 10
- 206010038669 Respiratory arrest Diseases 0.000 claims description 8
- 238000012805 post-processing Methods 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims description 3
- 208000008784 apnea Diseases 0.000 description 31
- 238000012545 processing Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 206010029446 nocturia Diseases 0.000 description 1
- 210000002741 palatine tonsil Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000008665 sleep physiology Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Measuring devices for evaluating the respiratory organs
- A61B5/0826—Detecting or evaluating apnoea events
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本發明提供一種睡眠呼吸中止症評估方法，包含下述步驟。提供睡眠呼吸中止症評估系統。擷取受試者之目標心電圖訊號資料，所述之目標心電圖訊號資料為單導程心電圖。進行資料前處理步驟，以得複數個目標時頻片段資料。進行呼吸事件發生評估步驟，其係以神經網路分類器分析目標時頻片段資料，以輸出各目標時頻片段資料的睡眠呼吸中止事件判斷結果。藉此，本發明之睡眠呼吸中止症評估方法可有效判斷受試者是否發生睡眠呼吸中止事件並評估病況，並具有臨床應用的潛力。
Description
本發明是有關於一種醫療資訊分析方法及系統，特別是關於一種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。
睡眠呼吸中止症(Sleep Apnea)為一種常見的睡眠障礙，由於上呼吸道肌肉群不協調、咽部軟組織過於鬆厚、扁桃腺增生或肥大等原因，睡眠呼吸中止症患者的呼吸道會在睡眠過程中反覆塌陷，導致呼吸中止或變淺，並可能出現失眠、夜尿、睡眠中斷、不正常的打鼾等症狀，並使血中氧氣飽和度下降。
睡眠呼吸中止症的診斷主要是需透過多項睡眠生理檢查(Polysomnography, PSG)來評估個案是否為睡眠呼吸中止症患者。然而，進行睡眠生理檢查時，受試者需至醫學中心過夜並進行6至8小時的長時間睡眠監控，在檢測的過程中需在身體上貼上金屬感應貼片、口鼻戴上感應器且需在胸腹部綁上感應圈帶，以記錄受試者在睡眠狀態下的腦波、眼波、心電圖、眼動圖、血氧飽和度、脈搏等生理資訊，並同時記錄受試者睡眠時的胸腹呼吸動作、口鼻呼吸之聲音及影像資訊，再進一步根據所得之數據進行分析而評估受試者是否發生呼吸睡眠中止事件，如此不僅曠日廢時，患者亦可能因為環境改變或干擾而造成評估失準。
因此，如何便捷並準確地評估睡眠呼吸中止症的發生與否，實為一具有臨床應用價值之技術課題。
本發明之一態樣在於提供一種睡眠呼吸中止症評估程式的建立方法，其係用以建立一睡眠呼吸中止症評估程式，所述之睡眠呼吸中止症評估程式的建立方法包含以下建立步驟。取得一心電圖訊號資料庫，其中所述之心電圖訊號資料庫包含複數個睡眠呼吸中止症患者的複數個參照心電圖訊號資料與複數個呼吸中止事件發生時點資料，所述之參照心電圖訊號資料為睡眠呼吸中止症患者於整段睡眠時間的單導程心電圖(single lead electrocardiogram)，且一個參照心電圖訊號資料對應一位睡眠呼吸中止症患者的一呼吸中止事件發生時點資料。進行一參照資料前處理步驟，其係對所述之參照心電圖訊號資料分別進行一參照訊號轉換處理，以得複數個參照心電圖時頻資料，並對各參照心電圖時頻資料進行一參照訊號切割處理，以得複數個處理後時頻片段資料，其中一個參照心電圖訊號資料對應一個參照心電圖時頻資料。進行一加權步驟，其係根據所述之呼吸中止事件發生時點資料分別標記所述之處理後時頻片段資料，並對處理後時頻片段資料進行額外權重設置，以得複數個參照時頻片段資料。進行一第一訓練步驟，其係以一深度學習演算模型訓練所述之參照時頻片段資料至收斂，以得一神經網路分類器，並以神經網路分類器分析各睡眠呼吸中止症患者的參照時頻片段資料，以輸出複數個訓練心電圖特徵值。進行一第二訓練步驟，其係分別將睡眠呼吸中止症患者的訓練心電圖特徵值取平均後以一演算分類模型訓練至收斂，以得一機器演算分類器。其中，所述之睡眠呼吸中止症評估程式包含神經網路分類器與機器演算分類器，且睡眠呼吸中止症評估程式係用以判斷受試者是否發生睡眠呼吸中止事件、預測受試者發生睡眠呼吸中止事件的機率、評估受試者發生睡眠呼吸中止事件的時間及評估受試者的睡眠呼吸中止症病況。
依據前述之睡眠呼吸中止症評估程式的建立方法，其中所述之參照訊號轉換處理可為短時距傅立葉轉換(Short Term Fourier Transform, STFT)處理。
依據前述之睡眠呼吸中止症評估程式的建立方法，其中各處理後時頻片段資料的長度可為60秒。
依據前述之睡眠呼吸中止症評估程式的建立方法，其中相鄰之二個處理後時頻片段資料間可具有一訊號重疊區域。
依據前述之睡眠呼吸中止症評估程式的建立方法，其中所述之訊號重疊區域的長度可為30秒。
依據前述之睡眠呼吸中止症評估程式的建立方法，其中所述之深度學習演算模型可為EfficientNet深度學習演算模型。
依據前述之睡眠呼吸中止症評估程式的建立方法，其中所述之演算分類模型可為Xgboost演算分類模型。
本發明之另一態樣在於提供一種睡眠呼吸中止症評估系統，包含一處理器以及一心電圖訊號擷取裝置。處理器包含一資料前處理模組及如前段所述之睡眠呼吸中止症評估程式的建立方法所建立而得之睡眠呼吸中止症評估程式。心電圖訊號擷取裝置訊號連接處理器，且心電圖訊號擷取裝置用以擷取受試者之一目標心電圖訊號資料，其中所述之目標心電圖訊號資料為受試者於整段睡眠時間的單導程心電圖。
本發明之又一態樣在於提供一種睡眠呼吸中止症評估方法，包含下述步驟。提供如前段所述之睡眠呼吸中止症評估系統。擷取受試者之目標心電圖訊號資料，其係以心電圖訊號擷取裝置擷取受試者之目標心電圖訊號資料，並將所述之目標心電圖訊號資料傳輸至睡眠呼吸中止症評估程式。進行一資料前處理步驟，其係以資料前處理模組對目標心電圖訊號資料進行一目標訊號轉換處理，以得一目標心電圖時頻資料，並對目標心電圖時頻資料進行一目標訊號切割處理，以得複數個目標時頻片段資料。進行一呼吸事件發生評估步驟，其係以前述之神經網路分類器分別分析目標時頻片段資料，以輸出各目標時頻片段資料的一睡眠呼吸中止事件判斷結果，以評估受試者於各目標時頻片段資料中是否發生睡眠呼吸中止事件及預測受試者發生睡眠呼吸中止事件的機率。
依據前述之睡眠呼吸中止症評估方法，其中所述之目標訊號轉換處理可為短時距傅立葉轉換處理。
依據前述之睡眠呼吸中止症評估方法，其中各目標時頻片段資料的長度可為60秒。
依據前述之睡眠呼吸中止症評估方法，其中相鄰之二目標時頻片段資料間可具有一訊號重疊區域。
依據前述之睡眠呼吸中止症評估方法，其中所述之訊號重疊區域的長度可為30秒。
依據前述之睡眠呼吸中止症評估方法，其中當受試者發生睡眠呼吸中止事件時，睡眠呼吸中止症評估方法可更包含下述步驟。進行一後處理步驟，其係以所述之資料前處理模組根據各目標時頻片段資料的睡眠呼吸中止事件判斷結果的一呼吸中止事件發生機率對所有的目標時頻片段資料進行比對與校正，以得複數個處理後目標時頻片段資料。進行一判斷步驟，其係以所述之神經網路分類器分析所有的處理後目標時頻片段資料，以輸出複數個目標心電圖特徵值。進行一病況評估步驟，其係將所述之目標心電圖特徵值取平均後以前述之機器演算分類器進行分析，以輸出一睡眠呼吸中止症病況評估結果，以評估受試者為輕度睡眠呼吸中止症患者、中度睡眠呼吸中止症患者或重度睡眠呼吸中止症患者。
藉此，本發明之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透過分析受試者於整段睡眠時間的單導程心電圖訊號資料，並將單導程心電圖訊號資料轉換為目標時頻片段資料後以預先建立而得之睡眠呼吸中止症評估程式的神經網路分類器與機器演算分類器進行分析與判斷的方式，可有效、快速並準確地評估受試者於各個目標時頻片段資料中是否發生睡眠呼吸中止事件、預測受試者發生睡眠呼吸中止事件的機率與評估受試者發生睡眠呼吸中止事件的時間，以及進一步評估受試者的睡眠呼吸中止症病況，使本發明之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具有優異的臨床應用潛力。
下述將更詳細討論本發明各實施方式。然而，此實施方式可為各種發明概念的應用，可被具體實行在各種不同的特定範圍內。特定的實施方式是僅以說明為目的，且不受限於揭露的範圍。
[本發明之睡眠呼吸中止症評估程式的建立方法]
請參照第1圖，其係繪示本發明一實施方式之睡眠呼吸中止症評估程式的建立方法100的步驟流程圖。睡眠呼吸中止症評估程式的建立方法100係用以建立一睡眠呼吸中止症評估程式，睡眠呼吸中止症評估程式包含一神經網路分類器與一機器演算分類器，且睡眠呼吸中止症評估程式的建立方法100包含步驟110、步驟120、步驟130、步驟140及步驟150。
步驟110為取得一心電圖訊號資料庫，其中心電圖訊號資料庫包含複數個睡眠呼吸中止症患者的複數個參照心電圖訊號資料與複數個呼吸中止事件發生時點資料。詳細而言，參照心電圖訊號資料為睡眠呼吸中止症患者於整段睡眠時間的單導程心電圖(single lead electrocardiogram)。單導程心電圖相較於多導程心電圖在資訊呈現上更加精簡，同時具有高準確度，對於後續將本發明之睡眠呼吸中止症評估程式應用於穿戴式或攜帶式的行動裝置上時具有簡單操作、高準確率的優勢。
再者，在本發明之心電圖訊號資料庫中，原則上一位睡眠呼吸中止症患者對應一份參照心電圖訊號資料，亦可一位睡眠呼吸中止症患者具有不同時間點偵測的多份參照心電圖訊號資料，但本發明並不以此為限，但一份參照心電圖訊號資料僅對應一位睡眠呼吸中止症患者的一份呼吸中止事件發生時點資料，以供後續分析呼吸中止事件發生之時間與頻率，其中呼吸中止事件發生時點資料包含呼吸中止事件發生時間與呼吸中止症發生次數，而呼吸中止事件發生時間則為睡眠呼吸中止症患者於整段睡眠時間裡，每次呼吸中止事件發生之開始與結束時間。再者，心電圖訊號資料庫更可包含各睡眠呼吸中止症患者之性別、年紀、族群等資訊，以增加訓練的準確度，但本發明並不以此為限。
步驟120為進行一參照資料前處理步驟，其係對所述之參照心電圖訊號資料分別進行一參照訊號轉換處理，以得複數個參照心電圖時頻資料，並對各參照心電圖時頻資料進行一參照訊號切割處理，以得複數個處理後時頻片段資料。詳細而言，在參照資料前處理步驟中，各個參照心電圖訊號資料將先進行參照訊號轉換處理，以將參照心電圖訊號資料轉換為參照心電圖時頻資料，其中一份參照心電圖訊號資料對應一份參照心電圖時頻資料，且參照心電圖時頻資料為一二維彩色圖形，其橫軸為時間，縱軸為頻率，而訊號區塊的亮度深淺代表能量高低，亮度越高代表能量越大。再者，前述之參照訊號轉換處理可為短時距傅立葉轉換(Short Term Fourier Transform, STFT)處理，而使用短時距傅立葉轉換處理製作對應的參照心電圖時頻資料相對於只截取心電圖部分特徵(如RR間距)等資訊進行分析，更能準確獲得在呼吸中止事件發生時之特徵。
接著，參照資料前處理步驟將對各參照心電圖時頻資料進行一訊號切割處理，以得複數個處理後時頻片段資料。具體而言，在以參照訊號轉換處理將參照心電圖訊號資料轉換為參照心電圖時頻資料後，各參照心電圖時頻資料將進行訊號切割處理而使單一參照心電圖時頻資料分為多段處理後時頻片段資料，以供後續分析之用。更進一步而言，各個處理後時頻片段資料的長度可為60秒，且訊號切割處理可為覆蓋型片段切割處理，以使相鄰之二個處理後時頻片段資料間具有一訊號重疊區域。換句話說，各個處理後時頻片段資料係包含前後之處理後時頻片段資料的資訊，且所述之訊號重疊區域的長度可為30秒，但本發明並不以此為限。另外，任何可對參照心電圖訊號資料進行參照訊號轉換處理與參照訊號切割處理的訊號處理模組皆可用以執行本發明之參照資料前處理步驟，且本發明並不以特定種類之訊號處理模組為限。
步驟130為進行一加權步驟，其係根據前述之呼吸中止事件發生時點資料分別標記處理後時頻片段資料，並對處理後時頻片段資料進行額外權重設置，以得複數個參照時頻片段資料。詳細而言，在加權步驟中將先根據睡眠呼吸中止症患者的呼吸中止事件發生時點資料對全部之參照時頻片段資料給予註記，以確認各個參照時頻片段資料的呼吸中止事件發生情形，接著進一步對標記完成之參照時頻片段資料分別進行額外權重設置。
具體來說，前述之額外權重設置是依據睡眠呼吸中止症患者於整段睡眠時間中發生呼吸中止事件的頻率調整各參照時頻片段資料的訓練比重。舉例而言，在正常未發生呼吸中止事件的情形下，所有的參照時頻片段資料的權重皆為1，然而，當睡眠呼吸中止症患者於整段睡眠時間中發生呼吸中止事件的時間與未發生呼吸中止事件的時間為1：8時，發生嚴重呼吸中止事件的參照時頻片段資料的權重將為8/9×2，未發生嚴重呼吸中止事件的參照時頻片段資料的權重則為1/9×2；或者，若該患者於整段睡眠時間中發生呼吸中止事件的時間與未發生呼吸中止事件的時間為2：5時，發生嚴重呼吸中止事件的參照時頻片段資料的權重將為5/7×2，未發生嚴重呼吸中止事件的參照時頻片段資料的權重則為2/7×2，以此類推。然而，上述說明僅是用以示例，而非用以限定本發明，特此說明。
藉此，相對於習知利用全部資料進行權重比例計算的權重設置方式，本發明之睡眠呼吸中止症評估程式的建立方法100係將每位睡眠呼吸中止症患者的參照心電圖訊號資料進行獨立運算，有助於提升分析極端資料的效率，並可進一步提升所建立而得之睡眠呼吸中止症評估程式的評估準確率。
步驟140為進行一第一訓練步驟，其係以一深度學習演算模型訓練前述之參照時頻片段資料至收斂，以得所述之神經網路分類器，並以神經網路分類器分析各睡眠呼吸中止症患者的參照時頻片段資料，以輸出複數個訓練心電圖特徵值。具體而言，前述之深度學習演算模型可為EfficientNet深度學習演算模型。另外，雖圖未繪示，在第一訓練步驟中，經過前述之加權步驟處理的所有參照時頻片段資料可按照睡眠呼吸中止症患者的總人數分為6組，其中5組作為訓練集與驗證集，另1組則做為測試集使用，以更完整地建立本發明之神經網路分類器，但本發明並不以此為限。另外，本發明之睡眠呼吸中止症評估程式的建立方法100亦可在每次執行第一訓練步驟後，以神經網路分類器訓練所得之訓練結果進行反饋而修正神經網路分類器訓練時的參數，使其架構更符合實際狀況與需求，但本發明亦不以此為限。
步驟150為進行一第二訓練步驟，其係將各睡眠呼吸中止症患者的訓練心電圖特徵值取平均後以一演算分類模型訓練至收斂，以得一機器演算分類器。具體而言，在經過前述步驟的處理後，訓練心電圖特徵值將準確地反應各睡眠呼吸中止症患者的在不同參照時頻片段資料的呼吸中止事件發生情形，而後再分別將各睡眠呼吸中止症患者的所有訓練心電圖特徵值取平均後以演算分類模型訓練至收斂，即得本發明之機器演算分類器。具體而言，演算分類模型可為Xgboost演算分類模型。
藉此，本發明之睡眠呼吸中止症評估程式的建立方法100使用了巨量之參照心電圖訊號資料，並進一步以深度學習人工智慧模型進行分析與模擬，以及配合參照訊號轉換處理、樣本重疊訓練時間分段與額外權重設置等技術建立睡眠呼吸中止症評估程式，不僅可加強參照心電圖訊號資料在時間與空間的特徵強度，亦可有效提升所建立而得之睡眠呼吸中止症評估程式在臨床應用方面的使用便利性與泛用性。再者，本發明之睡眠呼吸中止症評估程式的建立方法100所建立而得之睡眠呼吸中止症評估程式可進一步用以判斷一受試者是否發生睡眠呼吸中止事件、預測受試者發生睡眠呼吸中止事件的機率與評估受試者發生睡眠呼吸中止事件的時間，以及評估受試者的睡眠呼吸中止症病況，並具有優異的臨床應用潛力。
[本發明之睡眠呼吸中止症評估系統]
請參照第2圖，其係繪示本發明另一實施方式之睡眠呼吸中止症評估系統200的架構圖。睡眠呼吸中止症評估系統200包含一心電圖訊號擷取裝置210以及一處理器220。
心電圖訊號擷取裝置210用以擷取受試者之一目標心電圖訊號資料，其中所述之目標心電圖訊號資料為受試者於整段睡眠時間的單導程心電圖。再者，心電圖訊號擷取裝置210可為現行臨床上所使用之心電圖訊號擷取設備，亦可為內建於穿戴式或攜帶式行動裝置中的心電圖訊號擷取設備。換言之，只要能擷取受試者於整段睡眠時間的單導程心電圖的心電圖訊號擷取設備，即可用以作為本發明之心電圖訊號擷取裝置210。
處理器220訊號連接心電圖訊號擷取裝置210，且處理器220包含一資料前處理模組230及一睡眠呼吸中止症評估程式240。具體而言，睡眠呼吸中止症評估程式240係由本發明之睡眠呼吸中止症評估程式的建立方法所建立而得，且睡眠呼吸中止症評估程式240包含一神經網路分類器241與機器演算分類器242，而心電圖訊號擷取裝置210可與處理器220以無線方式或有線方式進行訊號連接，但本發明並不以此為限。另外，任何可對心電圖訊號資料進行資料處理的訊號處理模組皆可作為本發明之資料前處理模組230，且本發明並不以特定種類之訊號處理模組為限。
[本發明之睡眠呼吸中止症評估方法]
請同時參照第2圖與第3圖，第3圖係繪示本發明又一實施方式之睡眠呼吸中止症評估方法300的步驟流程圖。睡眠呼吸中止症評估方法300包含步驟310、步驟320、步驟330以及步驟340，而以下將配合第2圖的睡眠呼吸中止症評估系統200來說明本發明之睡眠呼吸中止症評估方法300的步驟與細節。
步驟310為提供一睡眠呼吸中止症評估系統200。
步驟320為擷取一受試者之一目標心電圖訊號資料，其係以心電圖訊號擷取裝置210擷取受試者之目標心電圖訊號資料，並將所述之目標心電圖訊號資料傳輸至睡眠呼吸中止症評估程式240中，以供後續的分析。
步驟330為進行一資料前處理步驟，其係以資料前處理模組230對目標心電圖訊號資料進行一目標訊號轉換處理，以得一目標心電圖時頻資料，並對目標心電圖時頻資料進行一目標訊號切割處理，以得複數個目標時頻片段資料。詳細而言，在資料前處理步驟中，各個心電圖訊號資料將先進行目標訊號轉換處理而轉換為目標心電圖時頻資料，其中目標心電圖時頻資料為一二維彩色圖形，其橫軸為時間，縱軸為頻率，而訊號區塊的亮度深淺代表能量高低，亮度越高代表能量越大，接著再對目標心電圖時頻資料進行一目標訊號切割處理，以得複數個目標時頻片段資料。所述之目標訊號轉換處理可為短時距傅立葉轉換處理，各個目標時頻片段資料的長度可為60秒，且目標訊號切割處理可為覆蓋型片段切割處理，以使相鄰之二個目標時頻片段資料間具有一訊號重疊區域。換句話說，各個目標時頻片段資料皆包含前後之目標時頻片段資料的資訊，且所述之訊號重疊區域的長度可為30秒，但本發明並不以此為限。而在此須注意的是，各個目標時頻片段資料的長度需與前述之各個處理後時頻片段資料的長度相同，且相鄰之二目標時頻片段資料間的訊號重疊區域的長度亦須和相鄰之二處理後時頻片段資料間的訊號重疊區域的長度相同，始能達成準確評估的訴求。
步驟340為進行一呼吸事件發生評估步驟，其係以第一神經網路分類器241分別分析所述之目標時頻片段資料，以輸出各目標時頻片段資料的一睡眠呼吸中止事件判斷結果，以評估受試者於各目標時頻片段資料中是否發生睡眠呼吸中止事件及預測該受試者發生睡眠呼吸中止事件的機率。
藉此，本發明之睡眠呼吸中止症評估方法300透過分析受試者於整段睡眠時間的目標心電圖訊號資料，可有效地根據目標心電圖訊號資料所攜帶的資訊而得到受試者於整段睡眠時間中各個時間片段發生呼吸終止事件的機率與評估受試者發生睡眠呼吸中止事件的時間，以判斷受試者是否為睡眠呼吸中止症的患者，進而利於提早規畫後續的醫療處置，以降低因睡眠時的呼吸中止事件引發心血管疾病及慢性病的機率。
再請同時參照第2圖與第4圖，第4圖係繪示本發明再一實施方式之睡眠呼吸中止症評估方法400的步驟流程圖。睡眠呼吸中止症評估方法400包含步驟410、步驟420、步驟430、步驟440、步驟450、步驟460與步驟470，其中步驟410、步驟420、步驟430、步驟440與第3圖的步驟310、步驟320、步驟330、步驟340，是以相同的細節請參前段所述，在此將不再贅述。具體而言，當受試者經由呼吸事件發生評估步驟判斷為發生睡眠呼吸中止事件時，睡眠呼吸中止症評估方法400將可進一步比對與校正受試者的目標時頻片段資料，以評估受試者的睡眠呼吸中止症病況，而以下將配合第2圖的睡眠呼吸中止症評估系統200來說明本發明之睡眠呼吸中止症評估方法400的步驟與細節。
步驟450為進行一後處理步驟，其係以資料前處理模組230根據各目標時頻片段資料的睡眠呼吸中止事件判斷結果的一呼吸中止事件發生機率對所有的目標時頻片段資料進行比對與校正，以得複數個處理後目標時頻片段資料。詳細而言，以神經網路分類器訓練所得之睡眠呼吸中止事件判斷結果可包含受試者的呼吸中止事件發生機率，並可據此判斷受試者是否為睡眠呼吸中止症患者，而當受試者由本發明之睡眠呼吸中止症評估程式240判斷為睡眠呼吸中止症患者時，後處理步驟將會進一步依據呼吸中止事件發生機率對各目標時頻片段資料進行校正，並進一步輸出處理後目標時頻片段資料供後續分析。
步驟460為進行一判斷步驟，其係以神經網路分類器分別分析處理後目標時頻片段資料，以輸出複數個目標心電圖特徵值。
步驟470為進行一病況評估步驟，其係將所述之目標心電圖特徵值取平均後以機器演算分類器進行分析，以輸出一睡眠呼吸中止症病況評估結果，以評估受試者為輕度睡眠呼吸中止症患者、中度睡眠呼吸中止症患者或重度睡眠呼吸中止症患者。具體而言，由於睡眠呼吸中止症患者的病況分布於輕度與中度之間的臨床案例較少，而本發明之睡眠呼吸中止症評估方法400透過後處理步驟、判斷步驟與病況評估步驟的處理後，可有效並準確地評估罹患睡眠呼吸中止症之受試者的病況，進而利於提早規畫後續的醫療處置，防止因病況惡化而影響患者的健康。
[試驗例]
一、心電圖訊號資料庫
本發明所使用的心電圖訊號資料庫為中國醫藥大學暨附設醫院所蒐集之睡眠呼吸中止症患者於整段睡眠時間的單導程心電圖。前述之心電圖訊號資料庫包含不同受試者之單導程心電圖，以及各受試者於整段睡眠時間中發生呼吸中止事件的時點資料，以進行後續的分析。
以下將以本發明之睡眠呼吸中止症評估系統輔以本發明之睡眠呼吸中止症評估方法續行試驗，進而評估本發明之睡眠呼吸中止症評估系統與睡眠呼吸中止症評估方法評估是否罹患睡眠呼吸中止症以及評估病況的準確度，其中本發明之睡眠呼吸中止症評估系統可為前述之睡眠呼吸中止症評估系統200，睡眠呼吸中止症評估系統200的睡眠呼吸中止症評估程式240可由前述之睡眠呼吸中止症評估程式的建立方法100所建立而得，而本發明之睡眠呼吸中止症評估方法則可為前述之睡眠呼吸中止症評估方法300或睡眠呼吸中止症評估方法400，是以相同之細節請參前段所述，在此將不再贅述。
二、本發明之睡眠呼吸中止症評估系統與睡眠呼吸中止症評估方法的可信度分析
請參照表一，其係呈現本發明之睡眠呼吸中止症評估系統與睡眠呼吸中止症評估方法用於評估受試者之睡眠呼吸中止症的病況的評估結果。具體而言，當受試者經由本發明之睡眠呼吸中止症評估系統評估為睡眠呼吸中止症患者時，睡眠呼吸中止症評估程式將會進一步對受試者的目標時頻片段資料進行校正並輸出睡眠呼吸中止症病況評估結果，並可進一步將受試者區分為輕度、中度或重度之睡眠呼吸中止症患者。
| 表一 | ||||
| 正確率 | 靈敏度 | 特異度 | AUROC | |
| 輕度 | 0.812 | 0.804 | 0.924 | 0.901 |
| 中度 | 0.909 | 0.862 | 0.934 | 0.961 |
| 重度 | 0.928 | 0.857 | 0.945 | 0.975 |
由表一的結果所示，本發明之睡眠呼吸中止症評估系統與睡眠呼吸中止症評估方法用於評估受試者為輕度睡眠呼吸中止症患者、中度睡眠呼吸中止症患者或重度睡眠呼吸中止症患者的正確度、靈敏度及特異度均優，其接收者操作特徵曲線之曲線下面積(Area Under the Receiver Operating Characteristic curve, AUROC)皆高達0.90以上，顯示本發明之睡眠呼吸中止症評估系統與睡眠呼吸中止症評估方法可精準地根據受試者於整段睡眠時間的單導程心電圖訊號資料來評估是否發生睡眠呼吸中止事件、預測受試者發生睡眠呼吸中止事件的機率與評估受試者發生睡眠呼吸中止事件的時間，以及評估受試者的睡眠呼吸中止症病況，並具有優異的臨床應用潛力。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:睡眠呼吸中止症評估程式的建立方法
110,120,130,140,150,310,320,330,340,410,420,430,440,450,460,470:步驟
200:睡眠呼吸中止症評估系統
210:心電圖訊號擷取裝置
220:處理器
230:資料前處理模組
240:睡眠呼吸中止症評估程式
241:神經網路分類器
242:機器演算分類器
300,400:睡眠呼吸中止症評估方法
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：
第1圖係繪示本發明一實施方式之睡眠呼吸中止症評估程式的建立方法的步驟流程圖；
第2圖係繪示本發明另一實施方式之睡眠呼吸中止症評估系統的架構圖；
第3圖係繪示本發明又一實施方式之睡眠呼吸中止症評估方法的步驟流程圖；以及
第4圖係繪示本發明再一實施方式之睡眠呼吸中止症評估方法的步驟流程圖。
300:睡眠呼吸中止症評估方法
310,320,330,340:步驟
Claims (14)
- 一種睡眠呼吸中止症評估程式的建立方法，其係用以建立一睡眠呼吸中止症評估程式，該睡眠呼吸中止症評估程式的建立方法包含以下建立步驟：取得一心電圖訊號資料庫，其中該心電圖訊號資料庫包含複數個睡眠呼吸中止症患者的複數個參照心電圖訊號資料與複數個呼吸中止事件發生時點資料，該些參照心電圖訊號資料為該些睡眠呼吸中止症患者於整段睡眠時間的單導程心電圖(single lead electrocardiogram)，且一該參照心電圖訊號資料對應一該睡眠呼吸中止症患者的一該呼吸中止事件發生時點資料；進行一參照資料前處理步驟，其係對該些參照心電圖訊號資料分別進行一參照訊號轉換處理，以得複數個參照心電圖時頻資料，並對各該參照心電圖時頻資料進行一參照訊號切割處理，以得複數個處理後時頻片段資料，其中一該參照心電圖訊號資料對應一該參照心電圖時頻資料；進行一加權步驟，其係根據該些呼吸中止事件發生時點資料分別標記該些處理後時頻片段資料，並對該些處理後時頻片段資料進行額外權重設置，以得複數個參照時頻片段資料；進行一第一訓練步驟，其係以一深度學習演算模型訓練該些參照時頻片段資料至收斂，以得一神經網路分類器，並以該神經網路分類器分析各該睡眠呼吸中止症患者的該些參照時頻片段資料，以輸出複數個訓練心電圖特徵值； 以及進行一第二訓練步驟，其係將該些睡眠呼吸中止症患者的該些訓練心電圖特徵值取平均後以一演算分類模型訓練至收斂，以得一機器演算分類器；其中，該睡眠呼吸中止症評估程式包含該神經網路分類器與該機器演算分類器，且該睡眠呼吸中止症評估程式係用以判斷一受試者是否發生睡眠呼吸中止事件、預測該受試者發生睡眠呼吸中止事件的機率、評估該受試者發生睡眠呼吸中止事件的時間及評估該受試者的睡眠呼吸中止症病況。
- 如請求項1所述之睡眠呼吸中止症評估程式的建立方法，其中該參照訊號轉換處理為短時距傅立葉轉換(Short Term Fourier Transform,STFT)處理。
- 如請求項1所述之睡眠呼吸中止症評估程式的建立方法，其中各該處理後時頻片段資料的長度為60秒。
- 如請求項1所述之睡眠呼吸中止症評估程式的建立方法，其中相鄰之二該處理後時頻片段資料間具有一訊號重疊區域。
- 如請求項4所述之睡眠呼吸中止症評估程式 的建立方法，其中該訊號重疊區域的長度為30秒。
- 如請求項1所述之睡眠呼吸中止症評估程式的建立方法，其中該深度學習演算模型為EfficientNet深度學習演算模型。
- 如請求項1所述之睡眠呼吸中止症評估程式的建立方法，其中該演算分類模型為Xgboost演算分類模型。
- 一種睡眠呼吸中止症評估系統，包含：一處理器，包含一資料前處理模組及如請求項1至請求項7任一項所述之睡眠呼吸中止症評估程式的建立方法所建立而得之睡眠呼吸中止症評估程式；以及一心電圖訊號擷取裝置，訊號連接該處理器，其中該心電圖訊號擷取裝置用以擷取該受試者之一目標心電圖訊號資料，且該目標心電圖訊號資料為該受試者於整段睡眠時間的單導程心電圖。
- 一種睡眠呼吸中止症評估方法，包含：提供如請求項8所述之睡眠呼吸中止症評估系統；取得該受試者之該目標心電圖訊號資料，其中該受試者之該目標心電圖訊號資料是由該心電圖訊號擷取裝置擷取而得，且該目標心電圖訊號資料係傳輸至該睡眠呼吸中止 症評估程式；進行一資料前處理步驟，其係以該資料前處理模組對該目標心電圖訊號資料進行一目標訊號轉換處理，以得一目標心電圖時頻資料，並對該目標心電圖時頻資料進行一目標訊號切割處理，以得複數個目標時頻片段資料；以及進行一呼吸事件發生評估步驟，其係以該神經網路分類器分別分析該些目標時頻片段資料，以輸出各該目標時頻片段資料的一睡眠呼吸中止事件判斷結果，以評估該受試者於該各目標時頻片段資料中是否發生睡眠呼吸中止事件及預測該受試者發生睡眠呼吸中止事件的機率。
- 如請求項9所述之睡眠呼吸中止症評估方法，其中該目標訊號轉換處理為短時距傅立葉轉換處理。
- 如請求項9所述之睡眠呼吸中止症評估方法，其中各該目標時頻片段資料的長度為60秒。
- 如請求項9所述之睡眠呼吸中止症評估方法，其中相鄰之二該目標時頻片段資料間具有一訊號重疊區域。
- 如請求項12所述之睡眠呼吸中止症評估方法，其中該訊號重疊區域的長度為30秒。
- 如請求項9所述之睡眠呼吸中止症評估方法，其中當該受試者發生睡眠呼吸中止事件時，該睡眠呼吸中止症評估方法更包含：進行一後處理步驟，其係以該資料前處理模組根據各該目標時頻片段資料的該睡眠呼吸中止事件判斷結果的一呼吸中止事件發生機率對該些目標時頻片段資料進行比對與校正，以得複數個處理後目標時頻片段資料；進行一判斷步驟，其係以該神經網路分類器分析該些處理後目標時頻片段資料，以輸出複數個目標心電圖特徵值；以及進行一病況評估步驟，其係將該些目標心電圖特徵值取平均後以該機器演算分類器進行分析，以輸出一睡眠呼吸中止症病況評估結果，以評估該受試者為輕度睡眠呼吸中止症患者、中度睡眠呼吸中止症患者或重度睡眠呼吸中止症患者。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111125970A TWI815546B (zh) | 2022-07-11 | 2022-07-11 | 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 |
| US18/152,364 US20240008765A1 (en) | 2022-07-11 | 2023-01-10 | Establishing method of sleep apnea assessment program, sleep apnea assessment system, and sleep apnea assessment method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111125970A TWI815546B (zh) | 2022-07-11 | 2022-07-11 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI815546B true TWI815546B (zh) | 2023-09-11 |
| TW202402235A TW202402235A (zh) | 2024-01-16 |
Family
ID=88966089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111125970A TWI815546B (zh) | 2022-07-11 | 2022-07-11 | 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 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240008765A1 (zh) |
| TW (1) | TWI815546B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102023108915B3 (de) | 2023-04-06 | 2024-09-26 | Diametos GmbH | Diagnosesystem zu einer Bestimmung einer klinisch relevanten Schwere einer schlafbezogenen Atmungsstörung aus einem Patientensignal durch eine Gewichtung von respiratorischen Ereignissen mit benachbarten respiratorischen Ereignissen |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110801221A (zh) * | 2019-12-09 | 2020-02-18 | 中山大学 | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 |
| CN113710151A (zh) * | 2018-11-19 | 2021-11-26 | 瑞思迈传感器技术有限公司 | 用于检测呼吸障碍的方法和设备 |
-
2022
- 2022-07-11 TW TW111125970A patent/TWI815546B/zh active
-
2023
- 2023-01-10 US US18/152,364 patent/US20240008765A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113710151A (zh) * | 2018-11-19 | 2021-11-26 | 瑞思迈传感器技术有限公司 | 用于检测呼吸障碍的方法和设备 |
| CN110801221A (zh) * | 2019-12-09 | 2020-02-18 | 中山大学 | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202402235A (zh) | 2024-01-16 |
| US20240008765A1 (en) | 2024-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11712198B2 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
| CN104545818A (zh) | 一种基于脉搏与血氧信号的睡眠呼吸暂停综合征检测方法 | |
| CN111867450A (zh) | 睡眠呼吸暂停检测系统和方法 | |
| US20200107775A1 (en) | Methods and Systems for Monitoring Sleep Apnea | |
| CN111166294B (zh) | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 | |
| WO2021208656A1 (zh) | 睡眠风险预测方法、装置和终端设备 | |
| Nemati et al. | Estimation of the lung function using acoustic features of the voluntary cough | |
| CN117828511A (zh) | 一种麻醉深度脑电信号数据处理方法 | |
| 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 | |
| TWM593240U (zh) | 基於單極導程心電圖的呼吸暫停的偵測裝置 | |
| CN116312951A (zh) | 一种基于多模态耦合分析的运动功能评估方法及其系统 | |
| CN118383724A (zh) | 睡眠呼吸暂停事件干预方法、系统、存储介质及设备 | |
| TWI773385B (zh) | 睡眠呼吸中止的監測系統和監測方法 | |
| CN116530940B (zh) | 用于睡眠过程中肠动力监测和评估的装置及方法 | |
| EP4017351A1 (en) | A method and apparatus for processing asthma patient cough sound for application of appropriate therapy | |
| Xin et al. | A bone-conduction transducer-based detection system for sleep apnea screening in the family units | |
| Lin et al. | Combining a wireless radar sleep monitoring device with deep machine learning techniques to assess obstructive sleep apnea severity | |
| TWM590434U (zh) | 阻塞性睡眠呼吸暫停症狀的偵測裝置 | |
| TWI756793B (zh) | 一種通道資訊處理系統 | |
| 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 | |
| TWI748485B (zh) | 一種資訊處理系統及其方法 | |
| TWM593242U (zh) | 基於胸部呼吸訊號的呼吸暫停的偵測裝置 | |
| 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 | |
| TWI733247B (zh) | 阻塞性睡眠呼吸暫停症狀的偵測裝置和偵測方法 | |
| CN116196034B (zh) | 一种超声成像方法及系统 |