KR102068484B1 - 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 - Google Patents
수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 Download PDFInfo
- Publication number
- KR102068484B1 KR102068484B1 KR1020180089986A KR20180089986A KR102068484B1 KR 102068484 B1 KR102068484 B1 KR 102068484B1 KR 1020180089986 A KR1020180089986 A KR 1020180089986A KR 20180089986 A KR20180089986 A KR 20180089986A KR 102068484 B1 KR102068484 B1 KR 102068484B1
- Authority
- KR
- South Korea
- Prior art keywords
- sleep apnea
- apnea
- subject
- prediction model
- sleep
- Prior art date
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
- A61B5/48—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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
수면 중인 사람의 호흡 소리 또는 코골이 소리를 이용하여 높은 정확도로 수면무호흡증을 예측할 수 있는 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법이 제공된다. 이 수면무호흡증 예측 모델의 생성 방법은, 복수의 대상자들로 이루어진 대상군이 수면상태에 있는 동안 각 대상자의 호흡 소리를 녹음한 오디오 데이터를 준비하는 단계; 오디오 데이터에서 노이즈를 제거하는 단계; 오디오 데이터를 소정의 호흡주기 단위로 분할하는 단계(분할된 오디오 데이터 각각을 '윈도우'라 함); 윈도우마다 호흡 소리의 특징에 관한 오디오 피처를 추출하는 단계; 및 각 대상자에 대한 오디오 피처 및 무호흡-저호흡 지수를 변수로 이용하여, 대상군을 대상으로 기계 학습을 수행하여 수면무호흡증 예측 모델을 생성하는 단계를 포함한다.
Description
본 발명은 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법에 관한 것으로서, 더욱 상세하게는 수면 중인 사람의 호흡 소리 또는 코골이 소리를 이용하여 높은 정확도로 수면무호흡증을 예측할 수 있는 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법에 관한 것이다.
수면무호흡(sleep apnea)은 수면 중에 최소 10초 이상 호흡이 멈추는 경우로서, 숨을 쉬려는 시도가 있음에도 불구하고 구강 내 기도가 폐쇄되어 발생하는 폐쇄성 수면무호흡(Obstructive Sleep Apnea, OSA)과, 숨을 쉬려는 노력자체가 일시적으로 정지를 보이는 중추성 수면무호흡(Central Sleep Apnea, CSA)으로 분류된다. 중추선 수면무호흡은 주로 심장이나 뇌 문제와 연관이 있지만, 폐쇄성 수면무호흡은 코골이와 함께 나타나는 증상으로 일반적으로 심각한 병으로 취급하지 않는 경향이 있다. 하지만, 폐쇄성 수면무호흡이 발생하면, 혈액 내 산소의 농도가 떨어지고 이산화탄소의 농도가 증가하며 반복적인 수면 중 각성으로 인해 교감신경의 활성화가 일어나서, 고혈압, 심혈관 질환 및 뇌혈관 질환으로 악화되기도 한다. 폐쇄성 수면무호흡은 성인 남자의 약 25%에 나타나고, 전체 인구의 5% 이상에 나타나는 것으로 알려져 있으며, 비만인구가 증가함에 따라 그 비율도 점점 증가하는 것으로 알려져 있다.
현재까지 폐쇄성 수면무호흡증 여부를 알기 위한 유일한 방법은 수면다원검사(polysomnography)를 받는 것이다. 수면다원검사는 수면 중 발생하는 여러 가지 비정상적인 상태를 진단하기 위해 여러 기구를 이용하여 수면 중 상태를 기록하여 분석하는 검사이다. 예를 들어, 뇌기능 상태를 알기 위한 뇌파 검사(EEG), 눈 움직임을 보기 위한 안전도 검사(EOG), 근육 상태를 알기 위한 근전도 검사(EMG), 심장 리듬을 보기 위한 심전도(ECG), 전체적인 상태를 보기 위한 비디오 촬영 등을 같이 시행하면서 대개 하룻밤 정도 수면을 취하면서 검사하는 방법이다. 특히 폐쇄성 수면무호흡을 진단하는 과정을 살펴보면, 검사대상자가 수면을 취하는 동안 검사자가 무호흡 또는 저호흡이 발생한 회수를 직접 카운팅하는 고전적인 방법을 택하고 있다. 하지만 이러한 수면다원 검사실은 전국적으로 수적으로 부족하기 때문에 접근성이 매우 떨어지고, 또한 적어도 하룻밤을 보내야 하기 때문에 검사 정체로 인한 대기 시간이 매우 길다. 따라서 폐쇄성 수면무호흡증이 의심되는 모든 환자들에게 수면다원검사를 처방하기에는 현실적으로 어려움이 따른다.
<선행기술문헌>
공개특허공보 제10-2016-0075677호 (공개일자: 2016. 6. 29.)
<선행기술문헌>
공개특허공보 제10-2016-0075677호 (공개일자: 2016. 6. 29.)
본 발명이 해결하고자 하는 과제는, 기계 학습을 통해 호흡 소리 또는 코골이 소리를 이용해 높은 정확도로 수면무호흡증을 예측할 수 있는 수면무호흡증 예측 모델의 생성 방법을 제공하고자 하는 것이다.
본 발명이 해결하고자 하는 다른 과제는, 이 모델을 이용한 수면무호흡증 예측 방법을 제공하고자 하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 달성하기 위한 본 발명의 일 실시예에 따른 수면무호흡증 예측 모델의 생성 방법은, 복수의 대상자들로 이루어진 대상군이 수면상태에 있는 동안 각 대상자의 호흡 소리를 녹음한 오디오 데이터를 준비하는 단계; 상기 오디오 데이터에서 노이즈를 제거하는 단계; 상기 오디오 데이터를 소정의 호흡주기 단위로 분할하는 단계(상기 분할된 오디오 데이터 각각을 '윈도우'라 함); 상기 윈도우마다 상기 호흡 소리의 특징에 관한 오디오 피처를 추출하는 단계; 및 각 대상자에 대한 상기 오디오 피처 및 무호흡-저호흡 지수를 변수로 이용하여, 상기 대상군을 대상으로 기계 학습을 수행하여 수면무호흡증 예측 모델을 생성하는 단계를 포함한다.
상기 수면무호흡증 예측 모델을 생성한 후, 10겹 교차 검증을 통해 검증하는 단계를 더 포함할 수 있다.
상기 오디오 피처는 Beat Histogram, Area Method of Moments, MFCC (Mel Frequency Cepstrum Coefficient), Linear Predictive Coding, Area Method of Moments of ConstantQ-based MFCC, Area Method of Moments of Log of ConstantQ transform, Area Method of Moments of MFCC, 및 Method of Moments를 포함할 수 있다.
상기 무호흡-저호흡 지수는 수면다원검사를 통해 각 대상자에 대해 측정될 수 있다.
상기 호흡주기는 4 내지 6초일 수 있다.
상기 수면무호흡증 예측 모델을 생성하는 단계는, 상기 무호흡-저호흡 지수가 소정의 임계값 이상인 대상자들로 대상군을 특정하고, 서로 다른 복수의 임계값 및 각 임계값에 의해 특정된 대상군을 기준으로 개별 수면무호흡증 예측 모델을 생성한 후 각 수면무호흡증 예측 모델의 성능을 비교하여 최종 수면무호흡증 예측 모델을 선정할 수 있다.
상기 다른 과제를 달성하기 위한 본 발명의 일 실시예에 따른 수면무호흡증 예측 방법은, 앞서 방법을 통해 생성된 상기 수면무호흡증 예측 모델을 이용하여 피진단자의 수면 중 호흡 소리의 오디오 데이터로부터 상기 피진단자에 대한 무호흡-저호흡 지수(AHI)를 예측한다.
기타 실시예들의 구체적인 사항들은 구체적인 내용 및 도면들에 포함되어 있다.
상술한 바와 같이 본 발명에 따른 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법에 의하면, 피진단자가 수면다원검사실을 방문할 필요 없이 어느 곳에서나 수면을 취하는 동안 모바일 디바이스를 통해 녹음한 호흡 소리 또는 코골이 소리를 이용하여 무호흡-저호흡 지수(Apnea-Hypopnea Index, AHI)를 손쉽게 예측할 수 있다. 구체적으로, 복수의 대상자들로부터 녹음한 수면 호흡 소리로부터 무호흡 또는 저호흡의 음향적 특징을 정의하는 오디오 피처를 추출하여 이를 로지스틱 회귀분석 등의 기계 학습에 의해 수면무호흡증 예측 모델을 생성하기 때문에 높은 정확도로 피진단자의 호흡 소리로부터 무호흡-저호흡 지수(AHI)를 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 수면 무호흡증 예측 시스템의 구성을 대략적으로 나타낸 도면이다.
도 2는 본 실험예에 사용된 대상군의 정보를 나타낸 것이다.
도 3은 본 실험예에서 추출된 오디오 피처를 나타낸 것이다.
도 4는 본 실험예에서 AHI 임계값에 따른 수면무호흡증 예측 모델의 성능을 나타낸 그래프이다.
도 2는 본 실험예에 사용된 대상군의 정보를 나타낸 것이다.
도 3은 본 실험예에서 추출된 오디오 피처를 나타낸 것이다.
도 4는 본 실험예에서 AHI 임계값에 따른 수면무호흡증 예측 모델의 성능을 나타낸 그래프이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도 1은 본 발명의 일 실시예에 따른 수면 무호흡증 예측 시스템의 구성을 대략적으로 나타낸 도면이다. 본 발명의 수면 무호흡증 예측 시스템은 대상자 또는 피진단자의 호흡 소리를 녹음하는 모바일 디바이스(10)와, 대상자의 녹음된 호흡 소리를 이용해 수면무호흡증 예측 모델을 생성하고 이 모델을 이용해 피진단자의 수면무호흡증 여부를 진단하는 수면무호흡증 예측 모듈(100)을 포함한다.
먼저 수면무호흡증 예측 모델을 생성하기 위해 복수의 대상자들로 이루어진 대상군을 선정한다. 예를 들어, 폐쇄성 수면 무호흡증(Obstructive Sleep Apnea, OSA)을 앓고 있거나 습관적으로 코골이를 하는 환자를 대상군으로 선정할 수 있다. 만일 대상자에게 중추성 수면무호흡증(Central Sleep Apnea, CSA), 신경질환, 신경근 질환, 심부전 등 중대한 의학적 증상이 있는 경우 대상군에서 제외하는 것이 바람직하다. 본 발명에서 무호흡(apnea)은 수면 중에 최소 10초 이상 호흡이 멈춘 경우를 의미하며, 저호흡(hypopnea)은 호흡이 완전히 정지하지는 않으나 최소 10초 이상 호흡량이 50% 이상 감소하거나 각성 또는 산소 불포화(<4%)와 연관되어 최소 10초 이상 호흡량이 완만히 감소하는 경우를 의미한다. 대상자들에 대해 수면다원검사를 실시하여 무호흡-저호흡 지수(Apnea-Hypopnea Index, AHI)를 측정한다. 무호흡-저호흡 지수(AHI)는 수면 중 10초간 무호흡이나 저호흡이 흉곽의 움직임이 없는 이벤트를 총 수면 시간으로 평균화한 수치를 의미한다. 무호흡-저호흡 지수(AHI)가 5회 이상 15회 미만인 경우 경도 OSA(mild OSA)로, 15회 이상 30회 미만인 경우 중등도 OSA(moderate OSA), 그리고 30회 이상인 경우 중도 OSA(severe OSA)로 분류될 수 있다.
모바일 디바이스(10)는 사용자가 이동하며 휴대할 수 있고 녹음 기능을 포함하는 전자 기기로서 주변 장치와 유무선 네트워크를 통해 데이터 송수신이 가능한 장치이다. 예를 들어, 모바일 디바이스(10)는 오디오 리코더, 비디오 리코더, 스마트폰, 이동 전화기, 태블릿 PC, 웨어러블 스마트장치, PDA, 컴퓨터, 노트북, 또는 디지털 TV 등으로 구성될 수 있다. 모바일 디바이스(10)는 대상자 또는 피진단자의 수면 호흡 소리를 녹음하여 오디오 데이터로 변환하고 이를 수면무호흡증 예측 모듈(100)에 전송한다. 예를 들어, 수면 호흡 소리는 'FFmpeg' 소프트웨어를 사용하여 8kHz 샘플링 주파수의 WAVE 형식의 오디오 데이터로 변환될 수 있다. 통상 수면 단계는 N1 단계(transition to sleep), N2 단계(light sleep), N3 단계(deep sleep), REM 단계(rapid eye movement stage), 및 기상 단계(wake stage)로 이루어지는데, 본 발명에서는 하루 밤 동안 모든 수면 단계에서 발생하는 호흡 소리를 녹음하여 사용하였다.
수면무호흡증 예측 모듈(100)은 노이즈 제거부(110), 오디오 피처 추출부(120), 모델 생성 및 검증부(130), 수면무호흡증 진단부(140) 및 데이터 베이스(150)를 포함한다. 데이터 베이스(150)는 수면무호흡증 진단을 위해 필요한 각종 프로그램 및 데이터를 저장한다.
노이즈 제거부(110)는 전처리 과정으로서 모바일 디바이스(10)로부터 수신된 오디오 데이터에 노이즈를 제거한다. 예를 들어, 노이즈 제거부(110)는 스펙트럼 차감법(spectral subtraction method)에 의해 호흡 소리 이외의 노이즈를 제거할 수 있다.
오디오 피처 추출부(120)는 하루 밤 동안 녹음된 오디오 데이터를 소정의 호흡주기 단위로 분할한다. 여기서 분할된 오디오 데이터 각각은 '윈도우'로 정의되며, 호흡주기는 평균적인 들숨, 날숨의 주기로서 예를 들어 4 내지 6초, 바람직하게는 5초로 설정될 수 있다. 오디오 피처 추출부(120)는 각 윈도우마다 호흡 소리의 특징에 관한 오디오 피처(audio feature)를 추출한다. 윈도우는 호흡주기 단위로 분할되어 있기 때문에, 전체 오디오 데이터를 대상으로 하는 것보다 각 윈도우를 대상으로 오디오 피처를 추출하는 것이 무호흡 또는 저호흡의 음향적 특징 또는 패턴을 추출하는데 더 유리하다. 예를 들어, 오디오 피처 추출부(120)는 'jAudio' 등의 알고리즘을 이용하여 오디오 피처를 추출할 수 있다.
본 실시예에서 무호흡 또는 저호흡을 특정하기 위한 오디오 피처는 Beat Histogram, Area Method of Moments, MFCC (Mel Frequency Cepstrum Coefficient), Linear Predictive Coding, Area Method of Moments of ConstantQ-based MFCC, Area Method of Moments of Log of ConstantQ transform, Area Method of Moments of MFCC, 및 Method of Moments를 포함한다. 나아가, 오디오 피처는 Beat Sum, Compactness, Fraction Of Low Energy Windows, Peak Based Spectral Smoothness, Relative Difference Function, Root Mean Square, Spectral Centroid, Spectral Flux, Spectral Rolloff Point, Spectral Variability, Strength of Strongest Beat, Strongest Beat, Strongest Frequency Via FFT (Fast Fourier Transform) Maximum, Strongest Frequency Via Spectral Centroid, Strongest Frequency Via Zero Crossings, Zero Crossings, 또는 이들의 조합을 더 포함할 수 있다.
모델 생성 및 검증부(130)는 각 대상자에 대해 오디오 피처 추출부(120)에서 추출한 오디오 피처와, 각 대상자에 대해 수면다원검사를 통해 측정된 무호흡-저호흡 지수(AHI)를 변수로 사용하여, 전체 또는 일부 대상군을 대상으로 로지스틱 회귀분석 등의 기계 학습을 수행하여 수면무호흡증 예측 모델을 생성한다. 또한 모델 생성 및 검증부(130)는 생성된 수면무호흡증 예측 모델에 대하여 교차 검증(예를 들어, 10겹 교차 검증), Leave-one-out 등의 검증 알고리즘을 수행한다. 10겹 교차 검증이란, 데이터 셋을 훈련용 데이터와 테스트용 데이터로 나누고 모델링을 수 차례 반복 수행하여 최적의 파라미터를 구하는 방법이다. 우선 전체 데이터 셋을 10개의 집단으로 나눈 후, 이 중 9개의 집단을 훈련집합(training set)으로 사용하고 나머지 1개의 집단을 테스트집합(test set)으로 사용한다. 훈련집합에서 학습 후 얻은 모델 파라미터를 테스트집합에 적용해서 이 모형의 정확도 및 성능을 측정한다. 이 과정을 서로 다른 집단을 테스트집합으로 사용하면서 총 10번 수행하고, 10번의 정확도를 평균하여(mean cross-validated performance) 그 분류기의 성능으로 정의한다. 예를 들어, 모델 생성 및 검증부(130)는 'Weka' 등의 알고리즘을 이용하여 수면무호흡증 예측 모델을 생성하고 검증할 수 있다.
모델 생성 및 검증부(130)는 무호흡-저호흡 지수(AHI)가 복수의 임계값 이상인 대상군에 대하여 각 임계값에 대한 예측 모델을 생성하고, 각 예측 모델의 성능을 비교하여 최적의 예측 모델을 최종적으로 선정할 수 있다. 예를 들어, 모델 생성 및 검증부(130)는 무호흡-저호흡 지수(AHI)가 5이상, 15이상 또는 30이상인 대상군에 대하여 각각 예측 모델을 생성하고 각 예측 모델에 대한 성능, 예를 들어, 민감도(sensitivity), 특이성(specificity), 양성예측도(positive predictive value, PPV), 음성예측도(negative predictive value, NPV), 정확도(accuracy)를 측정하여 각 예측 모델을 비교할 수 있다.
이상과 같이 생성된 수면무호흡증 예측 모델을 이용하여 수면무호흡증 진단부(140)는 피진단자의 수면 중 호흡 소리로부터 피진단자에 대한 무호흡-저호흡 지수(AHI)를 예측한다.
이하 본 발명의 일 실시예에 따른 수면무호흡증 예측 모델의 생성 방법 에 대하여 자세히 설명한다.
먼저 수면무호흡증 예측 모델을 생성하기 위해 모바일 디바이스(10)는 복수의 대상자들의 수면 중 호흡 소리를 녹음하고 이를 오디오 데이터로 변환한다. 대상자들이 수면을 취하는 동안 수면다원검사를 통해 각 대상자에 대한 무호흡-저호흡 지수를 측정한다.
노이즈 제거부(110)는 모바일 디바이스(10)로부터 오디오 데이터를 전송받아 준비한 후, 오디오 데이터에서 노이즈를 제거한다.
오디오 피처 추출부(120)는 오디오 데이터를 소정의 호흡주기 단위로 분할하여 복수의 윈도우를 생성한다. 여기서 호흡주기는 4 내지 6초, 바람직하게는 5초일 수 있다. 그리고 오디오 피처 추출부(120)는 각 윈도우마다 호흡 소리의 특징에 관한 오디오 피처를 추출한다. 여기서 오디오 피처는 Beat Histogram, Area Method of Moments, MFCC (Mel Frequency Cepstrum Coefficient), Linear Predictive Coding, Area Method of Moments of ConstantQ-based MFCC, Area Method of Moments of Log of ConstantQ transform, Area Method of Moments of MFCC, 및 Method of Moments를 주된 구성으로 포함한다.
모델 생성 및 검증부(130)는 각 대상자에 대한 오디오 피처와 무호흡-저호흡 지수(AHI)를 변수로 사용하여 대상군을 대상으로 로지스틱 회귀분석 등의 기계 학습을 수행하여 수면무호흡증 예측 모델을 생성한다. 모델 생성 및 검증부(130)는 생성된 수면무호흡증 예측 모델에 대하여 교차 검증(예를 들어, 10겹 교차 검증), Leave-one-out 등의 검증 알고리즘을 수행한다. 모델 생성 및 검증부(130)는 무호흡-저호흡 지수(AHI)가 소정의 임계값 이상인 대상자들로 이루어진 대상군을 특정하고, 서로 다른 복수의 임계값에 대한 개별 수면무호흡증 예측 모델을 생성하고 각 수면무호흡증 예측 모델의 성능을 비교하여 최종 수면무호흡증 예측 모델을 선정한다.
이하 본 발명의 일 실시예에 따른 수면무호흡증 예측 방법 에 대하여 자세히 설명한다.
앞서 설명한 과정을 통해 복수의 대상자들의 수면 중 호흡 소리를 기반으로 수면무호흡증 예측 모델이 생성되면, 수면무호흡증 진단부(140)는 이 수면무호흡증 예측 모델을 이용하여 피진단자에 대한 무호흡-저호흡 지수(AHI)를 예측한다.
구체적으로, 모바일 디바이스(10)가 피진단자에 대한 수면 중 호흡 소리를 녹음하여 오디오 데이터로 변환하면, 노이즈 제거부(110)는 오디오 데이터에서 노이즈를 제거하고, 오디오 피처 추출부(120)는 오디오 데이터를 호흡주기 단위로 분할한 후 윈도우마다 오디오 피처를 추출하고, 수면무호흡증 진단부(140)는 수면무호흡증 예측 모델에 피진단자의 오디오 피처를 입력하여 피진단자에 대한 무호흡-저호흡 지수(AHI)를 예측한다.
[실험예]
본 실험예에서는 수면무호흡증 예측 모델을 생성하기 위해 116명(남자 78명, 여자 38명)을 대상군으로 선정하였다. 도 2는 본 실험예에 사용된 대상군의 정보를 나타낸 것이다.
대상군의 평균 연령은 50.4세이며, 평균 체질량 지수(body mass index)는 25.5Kg/㎡이고, 평균 무호흡-저호흡 지수(AHI)는 23회/hr이었다. 대상군에 대해 수면 중 호흡 소리를 녹음하면서 동시에 수면다원검사를 실시하여 각 대상자의 무호흡-저호흡 지수(AHI)를 측정하였다. 무호흡-저호흡 지수(AHI)가 5미만인 경우(정상) 28명, 5이상 15미만인 경우(mild OSA) 28명, 15이상 30미만인 경우(moderate OSA) 30명, 그리고 30이상인 경우(severe OSA) 30명으로 확인되었다. 도 2에는 각 AHI 구간별로 대상자 수, 평균 연령, 남성 및 여성 비율, 평균 체질량 지수, 그리고 평균 AHI가 표시되어 있다.
본 실험예에서 평균 총 수면 시간은 369.7분이다. 총 수면 시간 동안 기록된 호흡 소리의 오디오 데이터를 5초 단위로 분할한 평균 윈도우 수는 각 대상자 당 4436.8개이다. 오디오 피처 추출부(120)는 총 508개의 오디오 피처를 추출하였다. 도 3은 본 실험예에서 추출된 오디오 피처를 나타낸 것이다.
무호흡-저호흡 지수(AHI)가 5이상인 대상자들을 대상으로 수면무호흡증 예측 모델(Model 1)을 생성하고, 무호흡-저호흡 지수(AHI)가 15이상인 대상자들을 대상으로 수면무호흡증 예측 모델(Model 2)을 생성하고, 무호흡-저호흡 지수(AHI)가 30이상인 대상자들을 대상으로 수면무호흡증 예측 모델(Model 3)을 생성하였다. 그리고 이들 예측 모델의 성능, 즉 민감도(sensitivity), 특이성(specificity), 양성예측도(positive predictive value, PPV), 음성예측도(negative predictive value, NPV), 정확도(accuracy)를 측정하였다. 도 4는 본 실험예에서 AHI 임계값에 따른 수면무호흡증 예측 모델의 성능을 나타낸 그래프이다.
이진분류(binary classification)를 위한 AHI 임계값을 5, 15, 30으로 정의할 때, 폐쇄성 수면무호흡에 대한 중증도(severity)를 정확히 예측한 대상자 수는 총 116명 중에서 Model 1은 96명(82.7%), Model 2는 98명(84.4%), 그리고 Model 3은 99명(85.3%)로 확인되었다.
AHI의 임계값이 5인 경우(즉, AHI가 5이상인 경우), 88명의 대상자가 경도 내지 중도 OSA를 가졌고, Model 1의 민감도는 87.5% (95% CI, 78.3-93.3), 특이성은 67.8% (95% CI, 47.6-83.4), 양성예측도는 89.5% (95% CI, 80.6-94.8), 그리고 음성예측도는 63.3% (95% CI, 46.9-79.5)로 확인되었다. 그리고 ROC(Receiver Operating Characteristic) 커브의 평균 AUC(area under the curve)는 0.83으로 측정되었다.
AHI의 임계값이 15인 경우(즉, AHI가 15이상인 경우), 60명의 대상자가 중등도 내지 중도 OSA를 가졌고, Model 2의 민감도는 81.6% (95% CI, 69.1-90.1), 특이성은 87.5% (95% CI, 75.3-94.4), 양성예측도는 87.5% (95% CI, 75.3-94.4), 그리고 음성예측도는 81.6% (95% CI, 69.1-90.1)로 확인되었다. ROC 커브의 평균 AUC는 0.901로 측정되었다.
AHI의 임계값이 30인 경우(즉, AHI가 30이상인 경우), 30명의 대상자가 중도 OSA를 가졌고, Model 3의 민감도는 60% (95% CI, 40.7-76.8), 특이성은 94.1% (95% CI, 86.3-97.8), 양성예측도는 78.2% (95% CI, 55.8-91.7), 그리고 음성예측도는 87% (95% CI, 78.2-92.9)로 확인되었다. ROC 커브의 평균 AUC는 0.91로 측정되었다.
이와 같이 세가지 이진 분류기 또는 수면무호흡증 예측 모델 중 AHI의 임계값이 15인 경우의 Model 2의 OSA 예측 성능이 가장 우수한 것으로 나타났다.
본 실시예에서는 모바일 디바이스(10)와 수면무호흡증 예측 모듈(100)이 별개의 구성으로 표현되었으나 기능적으로 구분된 것일 뿐 반드시 물리적으로 구분될 필요는 없다. 예를 들어 수면무호흡증 예측 모듈(100)의 전체 구성 또는 일부 구성은 모바일 디바이스(10) 내에 설치된 애플리케이션 형태로 구현될 수 있다. 구체적으로, 수면무호흡증 예측 모듈(100)은 하나의 모바일 애플리케이션 형태로 구현되어 모바일 디바이스(10)에 설치될 수도 있고, 다른 예로는 수면무호흡증 예측 모듈(100) 중 일부 구성은 모바일 애플리케이션 행태로 구현되어 모바일 디바이스(10)에 설치되고 나머지 구성은 외부 서버 형태로 구현되어 유무선 네트워크를 경유하여 모바일 디바이스(10)와 통신하도록 구성될 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
10: 모바일 디바이스
100: 수면무호흡증 예측 모듈
110: 노이즈 제거부
120: 오디오 피처 추출부
130: 모델 생성 및 검증부
140: 수면무호흡증 진단부
150: 데이터 베이스
100: 수면무호흡증 예측 모듈
110: 노이즈 제거부
120: 오디오 피처 추출부
130: 모델 생성 및 검증부
140: 수면무호흡증 진단부
150: 데이터 베이스
Claims (6)
- 수면무호흡증 예측 모듈이:
복수의 대상자들로 이루어진 대상군이 수면상태에 있는 동안 각 대상자의 호흡 소리를 녹음한 오디오 데이터를 준비하는 단계;
상기 오디오 데이터에서 노이즈를 제거하는 단계;
상기 오디오 데이터를 소정의 호흡주기 단위로 분할하는 단계(상기 분할된 오디오 데이터 각각을 '윈도우'라 함);
상기 윈도우마다 상기 호흡 소리의 특징에 관한 오디오 피처를 추출하는 단계; 및
각 대상자에 대한 상기 오디오 피처 및 무호흡-저호흡 지수를 변수로 이용하여, 상기 대상군을 대상으로 기계 학습을 수행하여 수면무호흡증 예측 모델을 생성하는 단계를 포함하는 수면무호흡증 예측 모델의 생성 방법. - 제1항에 있어서,
상기 수면무호흡증 예측 모델을 생성한 후, 교차 검증을 통해 검증하는 단계를 더 포함하는 수면무호흡증 예측 모델의 생성 방법. - 제1항에 있어서,
상기 오디오 피처는 Beat Histogram, Area Method of Moments, MFCC (Mel Frequency Cepstrum Coefficient), Linear Predictive Coding, Area Method of Moments of ConstantQ-based MFCC, Area Method of Moments of Log of ConstantQ transform, Area Method of Moments of MFCC, 및 Method of Moments를 포함하는 수면무호흡증 예측 모델의 생성 방법. - 제1항에 있어서,
상기 무호흡-저호흡 지수는 수면다원검사를 통해 각 대상자에 대해 측정되는 것을 특징으로 하는 수면무호흡증 예측 모델의 생성 방법. - 제1항에 있어서,
상기 호흡주기는 4 내지 6초인 것을 특징으로 하는 수면무호흡증 예측 모델의 생성 방법. - 수면무호흡증 예측 모듈이, 제1항에 의해 생성된 상기 수면무호흡증 예측 모델을 이용하여 피진단자의 수면 중 호흡 소리의 오디오 데이터로부터 상기 피진단자에 대한 무호흡-저호흡 지수(AHI)를 예측하는 수면무호흡증 예측 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180089986A KR102068484B1 (ko) | 2018-08-01 | 2018-08-01 | 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 |
PCT/KR2018/016405 WO2020027392A1 (ko) | 2018-08-01 | 2018-12-21 | 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180089986A KR102068484B1 (ko) | 2018-08-01 | 2018-08-01 | 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102068484B1 true KR102068484B1 (ko) | 2020-01-21 |
Family
ID=69232225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180089986A KR102068484B1 (ko) | 2018-08-01 | 2018-08-01 | 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102068484B1 (ko) |
WO (1) | WO2020027392A1 (ko) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111938650A (zh) * | 2020-07-03 | 2020-11-17 | 上海诺斯清生物科技有限公司 | 监测睡眠时呼吸暂停的方法及装置 |
KR102183601B1 (ko) * | 2020-03-17 | 2020-11-26 | 메디코코(주) | 코골이 및 수면 무호흡 방지용 수면장치 |
KR102346233B1 (ko) | 2020-08-14 | 2022-01-05 | 주식회사 이피아이랩 | 생체신호 분석 기반 코골이 분석과 질병 진단 예측 서비스를 제공하는 코골이 분석 서비스 방법 및 시스템 |
KR20220021986A (ko) | 2020-08-14 | 2022-02-23 | 주식회사 이피아이랩 | 생체신호 기반 코골이/기도협착 위치 검출방법 및 코골이-수면무호흡 분석 서비스 시스템 |
KR20220021989A (ko) | 2020-08-14 | 2022-02-23 | 주식회사 이피아이랩 | 수면중 코골이 소리와 수면 자세 분석 기반 수면 자세와 코골이 상관관계 모니터링 방법 및 장치 |
KR20220021991A (ko) | 2020-08-14 | 2022-02-23 | 주식회사 이피아이랩 | 코골이 소리 분석 기반 코골이/기도협착 위치 검출방법 및 장치 |
KR20220102940A (ko) * | 2021-01-14 | 2022-07-21 | 서울대학교산학협력단 | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 |
KR20230081156A (ko) | 2021-11-30 | 2023-06-07 | (주)허니냅스 | 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 |
KR20230081148A (ko) | 2021-11-30 | 2023-06-07 | (주)허니냅스 | 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법 |
KR20230081151A (ko) | 2021-11-30 | 2023-06-07 | (주)허니냅스 | 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117747100B (zh) * | 2023-12-11 | 2024-05-14 | 南方医科大学南方医院 | 一种预测阻塞性睡眠呼吸暂停发生风险的*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060091063A (ko) * | 2005-02-11 | 2006-08-18 | 한국정보통신대학교 산학협력단 | 음악 컨텐츠 분류 방법 그리고 이를 이용한 음악 컨텐츠 제공 시스템 및 그 방법 |
KR20150046407A (ko) * | 2013-10-21 | 2015-04-30 | 숭실대학교산학협력단 | 콘텐츠 제공 방법 및 서버 |
KR101796871B1 (ko) * | 2016-07-29 | 2017-11-10 | 군산대학교산학협력단 | 영상 및 호흡 음향을 이용하여 수면 무호흡증을 진단하는 장치 |
KR20170129689A (ko) * | 2015-01-06 | 2017-11-27 | 데이비드 버톤 | 모바일 웨어러블 모니터링 시스템 |
KR101866169B1 (ko) * | 2017-12-11 | 2018-06-11 | (주)웰크론 | 개인 맞춤형 코골이 방지 시스템 |
-
2018
- 2018-08-01 KR KR1020180089986A patent/KR102068484B1/ko active IP Right Grant
- 2018-12-21 WO PCT/KR2018/016405 patent/WO2020027392A1/ko active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060091063A (ko) * | 2005-02-11 | 2006-08-18 | 한국정보통신대학교 산학협력단 | 음악 컨텐츠 분류 방법 그리고 이를 이용한 음악 컨텐츠 제공 시스템 및 그 방법 |
KR20150046407A (ko) * | 2013-10-21 | 2015-04-30 | 숭실대학교산학협력단 | 콘텐츠 제공 방법 및 서버 |
KR20170129689A (ko) * | 2015-01-06 | 2017-11-27 | 데이비드 버톤 | 모바일 웨어러블 모니터링 시스템 |
KR101796871B1 (ko) * | 2016-07-29 | 2017-11-10 | 군산대학교산학협력단 | 영상 및 호흡 음향을 이용하여 수면 무호흡증을 진단하는 장치 |
KR101866169B1 (ko) * | 2017-12-11 | 2018-06-11 | (주)웰크론 | 개인 맞춤형 코골이 방지 시스템 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102183601B1 (ko) * | 2020-03-17 | 2020-11-26 | 메디코코(주) | 코골이 및 수면 무호흡 방지용 수면장치 |
CN111938650A (zh) * | 2020-07-03 | 2020-11-17 | 上海诺斯清生物科技有限公司 | 监测睡眠时呼吸暂停的方法及装置 |
CN111938650B (zh) * | 2020-07-03 | 2024-06-11 | 上海诺斯清生物科技有限公司 | 监测睡眠时呼吸暂停的方法及装置 |
KR20220021989A (ko) | 2020-08-14 | 2022-02-23 | 주식회사 이피아이랩 | 수면중 코골이 소리와 수면 자세 분석 기반 수면 자세와 코골이 상관관계 모니터링 방법 및 장치 |
KR20220021900A (ko) | 2020-08-14 | 2022-02-22 | 주식회사 이피아이랩 | 생체신호 분석 기반 코골이 분석과 질병 진단 예측 서비스를 제공하는 코골이 분석 서비스 시스템 |
KR20220021986A (ko) | 2020-08-14 | 2022-02-23 | 주식회사 이피아이랩 | 생체신호 기반 코골이/기도협착 위치 검출방법 및 코골이-수면무호흡 분석 서비스 시스템 |
KR20220021899A (ko) | 2020-08-14 | 2022-02-22 | 주식회사 이피아이랩 | 생체신호 분석 기반 코골이 분석과 질병 진단 예측 서비스를 제공하는 코골이 분석 서비스 방법 |
KR20220021991A (ko) | 2020-08-14 | 2022-02-23 | 주식회사 이피아이랩 | 코골이 소리 분석 기반 코골이/기도협착 위치 검출방법 및 장치 |
KR102346233B1 (ko) | 2020-08-14 | 2022-01-05 | 주식회사 이피아이랩 | 생체신호 분석 기반 코골이 분석과 질병 진단 예측 서비스를 제공하는 코골이 분석 서비스 방법 및 시스템 |
KR20220102940A (ko) * | 2021-01-14 | 2022-07-21 | 서울대학교산학협력단 | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 |
KR102509699B1 (ko) * | 2021-01-14 | 2023-03-14 | 서울대학교 산학협력단 | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 |
KR20230081156A (ko) | 2021-11-30 | 2023-06-07 | (주)허니냅스 | 수면다원검사에 따른 rera 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 |
KR20230081148A (ko) | 2021-11-30 | 2023-06-07 | (주)허니냅스 | 수면다원검사에 따른 호흡 이벤트 감지를 위한 데이터 처리 장치 및 그 동작 방법 |
KR20230081151A (ko) | 2021-11-30 | 2023-06-07 | (주)허니냅스 | 수면다원검사에 따른 호흡 이벤트 구간을 감지하기 위한 데이터 처리 장치 및 그 동작 방법 |
Also Published As
Publication number | Publication date |
---|---|
WO2020027392A1 (ko) | 2020-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102068484B1 (ko) | 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 | |
Mendonca et al. | A review of obstructive sleep apnea detection approaches | |
US6839581B1 (en) | Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure | |
US11712198B2 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
Bhattacharjee et al. | Sleep apnea detection based on rician modeling of feature variation in multiband EEG signal | |
VISHWAKARMA et al. | Detection of sleep apnea through heart rate signal using Convolutional Neural Network. | |
Imtiaz et al. | A low computational cost algorithm for REM sleep detection using single channel EEG | |
EP3954278A1 (en) | Apnea monitoring method and device | |
Kuo et al. | Automatic sleep staging based on a hybrid stacked LSTM neural network: verification using large-scale dataset | |
Akhter et al. | Snore sound analysis can detect the presence of obstructive sleep apnea specific to NREM or REM sleep | |
Kim et al. | Prediction of obstructive sleep apnea based on respiratory sounds recorded between sleep onset and sleep offset | |
AU2019360358A1 (en) | A method and apparatus for diagnosis of maladies from patient sounds | |
Ahmed et al. | Detection of sleep apnea using sub-frame based temporal variation of energy in beta band in EEG | |
Le et al. | Prediction of sleep apnea episodes from a wireless wearable multisensor suite | |
JP2023531464A (ja) | 身体計測情報と気管呼吸音を使用して覚醒時に閉塞性睡眠時無呼吸をスクリーニングする方法とシステム | |
Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
US20170332917A1 (en) | Non-intrusive portable sleep apnea assessment system | |
KR102345884B1 (ko) | 수치 데이터를 이용한 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 | |
Göğüş et al. | Identification of Apnea-Hypopnea index subgroups based on multifractal detrended fluctuation analysis and nasal cannula airflow signals | |
Liu et al. | Obstructive sleep apnea detection using sleep architecture | |
Yang et al. | Sleep apnea and hypopnea events detection based on airflow signals using LSTM network | |
Wang et al. | A classification method related to respiratory disorder events based on acoustical analysis of snoring | |
Akhter et al. | Characterizing the NREM/REM sleep specific obstructive sleep apnea severity using snore sounds | |
Wongsirichot et al. | A classification of sleep disorders with optimal features using machine learning techniques | |
Guul et al. | Portable prescreening system for sleep apnea |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant |