KR102237466B1 - Sleep stage classification device and method using pulse oximeter - Google Patents

Sleep stage classification device and method using pulse oximeter Download PDF

Info

Publication number
KR102237466B1
KR102237466B1 KR1020190020803A KR20190020803A KR102237466B1 KR 102237466 B1 KR102237466 B1 KR 102237466B1 KR 1020190020803 A KR1020190020803 A KR 1020190020803A KR 20190020803 A KR20190020803 A KR 20190020803A KR 102237466 B1 KR102237466 B1 KR 102237466B1
Authority
KR
South Korea
Prior art keywords
sleep
pulse wave
rem sleep
processing unit
rem
Prior art date
Application number
KR1020190020803A
Other languages
Korean (ko)
Other versions
KR20190100888A (en
Inventor
이경중
박종욱
에르덴바야르
Original Assignee
연세대학교 원주산학협력단
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 연세대학교 원주산학협력단 filed Critical 연세대학교 원주산학협력단
Publication of KR20190100888A publication Critical patent/KR20190100888A/en
Application granted granted Critical
Publication of KR102237466B1 publication Critical patent/KR102237466B1/en

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
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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

Abstract

본 발명은 맥박산소측정기의 광용적맥파(PPG)를 이용하여 순환신경망(RNN) 기반으로 수면단계를, 각성상태(wake), 렘 수면(REM sleep), 비 렘수면(Non-REM sleep) 중 하나로 분류하고, 산소포화도를 이용하여 수면 단계를 최종 결정하는, 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법에 관한 것이다.
본 발명의 수면단계 분류 장치는, 적색광 검출부와 적외광 검출부를 구비하여, 적색광 용적 맥파와 적외광 용적 맥파를 검출하여, 잡음을 제거하고 디지탈신호로 변환하는, 광용적맥파 검출부; 광용적맥파 검출부로부터 수신된 적색광 용적 맥파와 적외광 용적 맥파에서, PRV (pulse rate variability)와 PAV (pulse amplitude variability)를 검출하고, 검출된 PRV 및 PAV를 입력벡터로서 순환신경망(RNN)에 적용하여, 수면단계를 각성상태(wake), 렘수면(REM sleep), 비 렘수면(Non-REM sleep) 중 하나로 분류한 후, 상기 적색광 용적 맥파와 적외광 용적 맥파로부터 검출된 산소포화도와, 각성상태(wake) 연속 발생수를 이용하여, 분류된 상기 수면 단계를 재조정하는, 연산처리부;를 포함하여 이루어진 것을 특징으로 한다.The present invention uses a circulatory neural network (RNN)-based sleep phase using a pulse oximeter's optical volume pulse wave (PPG), one of wake, REM sleep, and non-REM sleep. Classification and final determination of the sleep stage using oxygen saturation, relates to a sleep stage classification apparatus and method using a pulse oximeter.
The apparatus for classifying a sleep stage of the present invention includes a red light detection unit and an infrared light detection unit, comprising: a light volume pulse wave detection unit which detects a red light volume pulse wave and an infrared light volume pulse wave, removes noise and converts it into a digital signal; In the red light volume pulse wave and infrared light volume pulse wave received from the optical volume pulse wave detector, PRV (pulse rate variability) and PAV (pulse amplitude variability) are detected, and the detected PRV and PAV are applied to the circulatory neural network (RNN) as input vectors. Thus, after classifying the sleep phase into one of wake, REM sleep, and Non-REM sleep, the oxygen saturation degree detected from the red light volume pulse wave and the infrared light volume pulse wave, and the wake state ( wake) by using the number of consecutive occurrences, and readjusting the classified sleep stages.

Description

맥박산소측정기를 이용한 수면단계 분류 장치 및 방법{Sleep stage classification device and method using pulse oximeter}Sleep stage classification device and method using pulse oximeter}

본 발명은 맥박산소측정기의 광용적맥파(PPG)를 이용하여 순환신경망(RNN) 기반으로 수면단계, 즉, 각성상태(wake), 렘 수면(REM sleep), 비 렘수면(Non-REM sleep)을 분류하고, 산소포화도를 이용하여 수면 단계를 최종 결정하는, 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법에 관한 것이다.The present invention uses the optical volume pulse wave (PPG) of a pulse oximeter to perform sleep phases based on the circulatory neural network (RNN), that is, wake, REM sleep, and Non-REM sleep. Classification, and the final determination of the sleep stage using the oxygen saturation, relates to a sleep stage classification apparatus and method using a pulse oximeter.

수면호흡장애(sleep-disordered breathing, SDB)는 수면 중에 발생하는 모든 호흡장애를 총칭하는 것으로, 수면 무호흡, 수면 저호흡 등이 있다. 수면호흡장애가 발생하면 체내에 산소가 원활이 공급되지 않아 수면 중 저산소증이 유발되고, 이에 수면분절로 인한 수면의 질이 저하된다. 따라서 수면호흡장애 환자의 수면의 질을 평가 하는 것이 중요하며, 이에 환자의 수면단계를 자동으로 분류하는 장치 및 방법이 필요하다.Sleep-disordered breathing (SDB) is a generic term for all breathing disorders that occur during sleep, and includes sleep apnea and sleep hypopnea. When sleep breathing disorder occurs, oxygen is not supplied smoothly to the body, causing hypoxia during sleep, and sleep quality deteriorates due to sleep segments. Therefore, it is important to evaluate the quality of sleep of patients with sleep respiration disorder, and therefore, a device and method for automatically classifying the sleep stage of the patient are needed.

수면의 질을 평가하기 위한 표준 방법은 수면다원검사이나, 수면다원검사는 특화된 수면센터에서 임상 전문가에 의한 판독이 필수이기 때문에 시설이나 인력, 장비 등의 비용과 투자가 필요하며, 환자에게 시간적, 공간적, 경제적 부담이 발생된다.The standard method for evaluating the quality of sleep is polysomnography, but the polysomnography test requires cost and investment in facilities, manpower, equipment, etc. because it is essential to read by a clinical expert in a specialized sleep center. There is a spatial and economic burden.

최근에는 수면다원검사의 불편을 줄이기 위해 단일채널 생체신호를 이용한 수면단계 분류 방법에 대한 연구들이 보고되고 있다. 그러나 이 연구들 대부분은 건강한 성인을 대상으로 평가한 것으로, 수면호흡장애 환자에게 적용할 경우 정확성이 상당히 떨어져서 사용할 수 없었다. Recently, studies on a method of classifying sleep stages using a single channel bio-signal have been reported in order to reduce the inconvenience of polysomnography. However, most of these studies were evaluated in healthy adults, and when applied to patients with sleep respiration disorder, the accuracy was considerably poor and could not be used.

따라서 단일채널 생체신호를 이용하면서, 수면호흡장애 환자의 경우에도 보다 정확한 수면단계 분류가 가능한, 수면단계 분류 장치 및 방법이 요구된다.Accordingly, there is a need for an apparatus and method for classifying sleep stages, which enables more accurate classification of sleep stages even in the case of a patient with sleep respiration disorder while using a single channel biometric signal.

이를 위해, 본 발명은 맥박산소측정기의 광용적맥파를 이용하여 순환신경망(recurrent neural network, RNN) 기반으로 수면단계, 즉, 각성상태(wake), 렘 수면(REM sleep), 비 렘수면(Non-REM sleep)을 분류하고, 산소포화도를 이용하여 수면 단계를 최종 결정하는, 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법을 제안한다.To this end, the present invention uses the optical volume pulse wave of a pulse oximeter, based on a recurrent neural network (RNN), a sleep phase, that is, awake, REM sleep, and non-REM sleep. REM sleep) and finally determine the sleep stage using oxygen saturation, and propose a sleep stage classification apparatus and method using a pulse oximeter.

맥박산소측정기(Pulse Oximetry)는 피부를 통해 산소 포화도(SpO2)와 맥박수를 측정하기 위한 장치로, 주로 발광부와 수광부를 이용하여 광용적맥파 (photoplethysmogram, PPG)(이하 '맥파'라 함)를 검출하고, 이로부터 산소 포화도 및 매박수를 검출한다. Pulse Oximetry is a device for measuring oxygen saturation (SpO 2 ) and pulse rate through the skin, and is a photoplethysmogram (PPG) (hereinafter referred to as'pulse wave') mainly using the light-emitting unit and the light-receiving unit. Is detected, and oxygen saturation and beat rate are detected therefrom.

일반적으로, 폐로부터 받아들여진 산소는, 적혈구에 포함되어 있는 헤모글로빈과 결합하여 전신으로 전달된다. In general, oxygen received from the lungs binds to hemoglobin contained in red blood cells and is delivered throughout the body.

산소 포화도(SpO2)란, 심장으로부터 전신으로 전달되는 혈액(동맥혈)안에 있는 적혈구에 포함되는 헤모글로빈중 몇%가 산소와 결합하고 있는지, 피부를 통해(즉, 경피적으로) 조사한 값이라 할 수 있다. 프로브에 있는 수광부(수광 센서)가, 박동하는 동맥의 혈류를 검지하여, 빛의 흡수치로부터 SpO2를 계산하여 표시한다.Oxygen saturation (SpO 2 ) can be said to be a value measured through the skin (i.e., percutaneously) as to what% of the hemoglobin contained in red blood cells in the blood (arterial blood) delivered from the heart to the whole body is bound to oxygen. . The light-receiving unit (light-receiving sensor) of the probe detects blood flow in the beating artery, and calculates and displays SpO 2 from the absorption value of the light.

우선 맥파(PPG, 광용적맥파)의 특성을 살펴보면 다음과 같다.First, the characteristics of the pulse wave (PPG, optical volume pulse wave) are as follows.

맥박 산소포화도 측정장치로 맥파를 측정하는 방법은, 파장의 함수에 대해, 심장 박동시, 산소 헤모글로빈과 헤모글로빈의 빛의 흡수계수에 차이가 나는 것을 이용한다. 특히 적색 파장(660nm)과 근적외선(near infrared) 파장(890nm)영역에서의 흡수 특성이 서로 바뀌기 때문에 두 파장을 이용하여 혈액 속의 산소포화도 측정이 가능하게 된다.A method of measuring a pulse wave with a pulse oximetry device uses a difference in the absorption coefficient of light of oxygen hemoglobin and hemoglobin at the time of heartbeat with respect to a function of wavelength. In particular, since the absorption characteristics in the red wavelength (660nm) and near infrared (890nm) regions change with each other, it is possible to measure the oxygen saturation in the blood using the two wavelengths.

도 1은 파장에 따른 흡수계수도와 각 LED의 파장별 정상 분포(normal distribution)를 나타내는 것으로서, 실선은 헤모글로빈(Haemoglobin), 점선은 산소 헤모글로빈(Oxyhaemoglobin)을 각각 나타내고 있다.1 shows the absorption coefficient according to the wavelength and the normal distribution for each wavelength of each LED, where the solid line represents hemoglobin and the dotted line represents oxygen hemoglobin.

산소포화도는 다음과 같이 주어진다.Oxygen saturation is given by

Figure 112019018769218-pat00001
Figure 112019018769218-pat00001

이렇게 구해진 산소포화도(SpO2)는, 혈액속의 헤모글로빈[Hb]과, 산소 헤모글로빈[O2Hb]의 합에 대한 산소 헤모글로빈의 백분율로 나타내며, 건강한 사람의 경우, 이 값은 거의 100에 가까워 진다.The oxygen saturation (SpO2) obtained in this way is expressed as the percentage of oxygen hemoglobin to the sum of hemoglobin [Hb] and oxygen hemoglobin [O 2 Hb] in the blood, and in the case of a healthy person, this value is almost 100.

또한, 산소포화도(SpO2)의 측정값의 정확도를 향상시키기 위해 고속 푸리에 변환(Fast Fourier Transform; FFT)과 이산코사인 변환(Discrete Cosine Transform; DCT)을 이용한 방법(algorithm)이 있으며, 이러한 방법을 15Hz 샘플링 비율(sampling rate)로 64 포인트 FFT를 적용시키면 다음과 같은 산소포화도(SpO2)의 계산이 가능해진다.In addition, there is an algorithm using Fast Fourier Transform (FFT) and Discrete Cosine Transform (DCT) to improve the accuracy of the measured value of oxygen saturation (SpO2). If a 64 point FFT is applied as a sampling rate, the following oxygen saturation (SpO 2 ) can be calculated.

Figure 112019018769218-pat00002
Figure 112019018769218-pat00002

이때, R은 적색(red)광과 적외(infrared, 적외선) 광을 투과한 빛의 양을 표준화한 비율이다. 또한, 상기 R은 다음과 같이 주어진다.In this case, R is a ratio obtained by standardizing the amount of light transmitted through red light and infrared light. In addition, R is given as follows.

Figure 112019018769218-pat00003
Figure 112019018769218-pat00003

여기서, ACR 성분(component)은 적색광을 투과한 경우의 심장 주파수에 대한 신호 변동(signal variation)으로, 적색광 용적 맥파의 AC성분이다. ACIR 성분은 적외광을 투과한 경우의 심장 주파수에 대한 신호 변동으로, 적외광 용적 맥파의 AC성분이다. DCR 성분은 적색광을 투과한 경우의 빛의 총 투과량의 평균값으로, 적색광 용적 맥파의 DC성분이다. DCIR 성분은 적외광을 투과한 경우의 빛의 총 투과량의 평균값으로, 적외광 용적 맥파의 DC성분이다. AC 성분(ACR, ACIR)은 출력된 신호의 피크 투 피크(peak-to-peak) 값으로 결정한다. 경우에 따라서, 적색광 용적 맥파의 DC성분과 적외광 용적 맥파의 DC성분는 같을 수 있다.Here, the AC R component is a signal variation with respect to the heart frequency when the red light is transmitted, and is the AC component of the red light volumetric pulse wave. The AC IR component is a signal fluctuation with respect to the heart frequency when infrared light is transmitted, and is the AC component of the volumetric pulse wave of the infrared light. The DC R component is an average value of the total amount of light transmitted when the red light is transmitted, and is the DC component of the red light volumetric pulse wave. The DC IR component is an average value of the total amount of light transmitted when the infrared light is transmitted, and is the DC component of the volumetric pulse wave of the infrared light. The AC component (AC R , AC IR ) is determined as a peak-to-peak value of the output signal. In some cases, the DC component of the red light volume pulse wave and the DC component of the infrared light volume pulse wave may be the same.

선행기술로, 국내 등록특허 제10-1601895호는 PPG를 이용하여 자율신경계 분석을 통해 수면 상태를 분류하고, SpO2의 산소불포화 이벤트를 검출하여 수면호흡장애의 중증 정도를 추정하며, 수면호흡장애의 중증 정도에 따라 서포트벡터머신을 기반으로 한 각기 다른 분류기를 적용하여 수면무호흡-저호흡을 분류하여 수면호흡장애를 평가하는, 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법에 관한 것이다. 그러나, 서포트벡터머신으로 분류하는 것은 수식연산에 시간이 걸리며, 정해진 몇가지 방식에 따라 분류하는 것으로 정확도에도 문제가 있다.As a prior art, Korean Patent No. 10-1601895 classifies the sleep state through autonomic nervous system analysis using PPG, detects the oxygen desaturation event of SpO2, and estimates the severity of sleep respiration disorder. The present invention relates to an automatic evaluation device for sleep apnea-hypnea and a method for evaluating sleep apnea by classifying sleep apnea-hypnea by applying different classifiers based on a support vector machine according to severity. However, classification by the support vector machine takes time to calculate the equation, and there is a problem in accuracy as it is classified according to several predetermined methods.

따라서 본 발명은 인공신경망중 딥러닝 기법인, 순환신경망(recurrent neural network, RNN)을 이용하여 시간이 오래 걸리지 않으며, 보다 간편하면서, 보다 정확하게 수면단계를 분류한다.Therefore, the present invention uses a deep learning technique, a recurrent neural network (RNN), among artificial neural networks, which does not take a long time, and classifies sleep stages more conveniently and more accurately.

순환신경망(recurrent neural network, RNN)은, 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델이다. 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성한 인공 신경망(ANN)이다. 그러나 매 시점에 심층 신경망(DNN)이 연결되어 있을 경우, 오래 전의 데이터에 의한 기울기 값이 소실되는 문제(vanishing gradient problem)로 학습이 어려워진다. A recurrent neural network (RNN) is a deep learning model for learning data that changes over time, such as time-series data. It is an artificial neural network (ANN) constructed by connecting the network at the reference time point (t) and the next time point (t+1). However, if a deep neural network (DNN) is connected at every time point, learning becomes difficult due to a vanishing gradient problem.

일반적으로, 장기간의 시계열의 연속성을 고려하기 위해서는, RNN의 방법을 사용하되, 특히, RNN에서 장기 기억을 반영할 수 있는 GRU (Gated Recurrent Unit) 방법을 사용한다.In general, in order to consider the continuity of a long-term time series, an RNN method is used, but in particular, a GRU (Gated Recurrent Unit) method that can reflect long-term memory in an RNN is used.

RNN의 가장 두드러진 특징은 은닉층(hidden layer)가 서로 연결되어 있다는 것이다. 이 때문에 두번째 입력에서는 첫번째 입력의 영향을 받게 된다. 세번째 입력에서는 두번째 입력의 영향을 받게 되는데, 두번째 입력은 이미 첫번째 입력을 받았으므로 첫번째 입력도 세번째 입력에 영향을 미치게 되는 효과를 가진다. 간단히 하자면, RNN은 단일 입력 데이터(input data)가 아니라 이전의 입력(input)들이 이미 만들어냈던 은닉층(hidden layer)의 가중치도 입력으로 받아들여서 오더 시컨스 데이터(ordered sequence data)에 대응하게 만들어진 네트워크 모델이다,The most striking feature of RNN is that hidden layers are connected to each other. Because of this, the second input is affected by the first input. The third input is affected by the second input. Since the second input has already received the first input, the first input also has the effect of affecting the third input. To put it simply, RNN is not a single input data, but a network model made to respond to ordered sequence data by accepting the weight of the hidden layer already created by previous inputs as input. to be,

이러한 기본적인 RNN 구조에서는 BPTT (Backpropagation Through Time, 통시적 오차 역전파) 와 경사 감소 (Vanishing Gradient) 문제가 발생한다. Vanishing Gradient 문제가 우려되는 긴 시컨스(sequence)를 다루는 문제에서는 기본 RNN 구조를 사용하기 보다는 LSTM(Long Short-Term Memory)나 GRU(Gated Recurrent Unit)을 사용하는 것이 더 보편적이다.In such a basic RNN structure, problems of backpropagation through time (BPTT) and vanishing gradient occur. In the problem of dealing with a long sequence where the vanishing gradient problem is concerned, it is more common to use a long short-term memory (LSTM) or a gated recurrent unit (GRU) rather than using a basic RNN structure.

LSTM은 vanishing gradient 문제가 발생하던 기존 RNN구조에서 특수한 게이트를 추가하여 해결책을 내놓은 네트워크 모델로, 원래의 기본 RNN과 다른점은 은닉 상태(hidden state)를 계산하는 방식이다. 기존의 tanh를 이용하는 방식을 그대로 쓰지만, 입력, 망각, 출력 게이트로 이를 세분화하여 내부 메모리를 구성한다. 여기서 내부 메모리는 이전 스텝까지의 가중치가 들어있는 블랙박스로 취급된다. 최종출력을 보면 결국 내부메모리를 tanh로 처리하고 이와 출력 게이트를 곱한다. LSTM is a network model that provides a solution by adding a special gate in the existing RNN structure where the vanishing gradient problem occurred. The difference from the original basic RNN is the method of calculating the hidden state. The existing tanh method is used as it is, but the internal memory is configured by subdividing it into input, forgetfulness, and output gates. Here, the internal memory is treated as a black box containing weights up to the previous step. Looking at the final output, the internal memory is eventually processed as tanh and multiplied by the output gate.

GRU는 LSTM과 약간의 차이는 있지만 근본적인 구조는 비슷하다. 이전 네트워크에서 만들어진 메모리와 현재의 입력을 적절히 섞는 과정을 GRU 또한 거치게 되는데, LSTM에서는 내부메모리를 사용하여, 모듈 외부에서는 이를 참조할 수 없었던 것과 달리, GRU에서는 리셋 게이트(r)과 갱신 게이트(z)를 사용하여 내부메모리값을 은닉 상태(hidden state) 값과 동일시한다. 결과적으로, 갱신 게이트와 리셋게이트를 적절히 활용하여 시컨스 데이터(sequence data)에서 상대적으로 거리가 있는 정보에 대한 인식률을 높이게 된다. GRU는 두가지 입력값, 즉, 이전 상태값과 현재 input값을 이용해 현재 상태를 계산하게 된다. 즉, GRU는 망각 게이트와 입력 게이트를 단일의 「갱신 게이트」와 조합하며, 또한, 셀 상태와 은닉 상태를 머지(merge)하고, 다른 몇개의 변경을 추가하여, 결과적으로 표준적인 LSTM 모델보다 심플한 모델을 얻게 된다. GRU에 대해서는 위키페디아 백과사전 등에 공지되어 있어 보다 상세한 설명은 생략한다.GRU is slightly different from LSTM, but the fundamental structure is similar. The GRU also goes through the process of properly mixing the current input with the memory created in the previous network. In contrast to the internal memory in LSTM, which could not be referenced from outside the module, the reset gate (r) and update gate (z) in the GRU. ) To identify the internal memory value with the hidden state value. As a result, by appropriately utilizing the update gate and the reset gate, the recognition rate for information having a relatively distance from the sequence data is increased. The GRU calculates the current state using two input values, namely, the previous state value and the current input value. In other words, the GRU combines the forgetting gate and the input gate with a single ``update gate,'' and also merges the cell state and hidden state, and adds several other changes, resulting in a simpler than the standard LSTM model. You get a model. GRU is known in the Wikipedia encyclopedia, so a more detailed description will be omitted.

(https ://en. wikipedia . org / wiki /Gated_recurrent_unit) (Https:.. // en wikipedia org / wiki / Gated_recurrent_unit)

본 발명이 이루고자 하는 기술적 과제는 맥박산소측정기의 맥파(PPG)를 이용하여 순환신경망(RNN) 기반으로 수면단계, 즉, 각성상태(wake), 렘 수면(REM sleep), 비 렘수면(Non-REM sleep)을 분류하고, 산소포화도를 이용하여 수면 단계를 최종 결정하는, 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법을 제공하는 것이다.The technical task to be achieved by the present invention is a sleep phase based on a circulatory neural network (RNN) using a pulse wave (PPG) of a pulse oximeter, that is, awake, REM sleep, and non-REM sleep. sleep), and finally determining the sleep stage using oxygen saturation, to provide an apparatus and method for classifying a sleep stage using a pulse oximeter.

본 발명이 이루고자 하는 다른 기술적 과제는 맥박산소측정기의 광용적맥파를 이용하여 PRV (pulse rate variability, 맥박률 변이)와 PAV (pulse amplitude variability, 맥파 진폭 변이)를 계산하고, 30초 간격으로 분할(segmentation)된 PRV와 PAV를 순환신경망(recurrent neural network, RNN)의 입력벡터로 사용되며, 수면단계(각성상태, 렘 수면, 비 렘수면)를 분류하고, 또한 산소포화도가 3% 이상 감소되는 구간의 렘 수면 또는 비 렘수면으로 재분류 하며, 두 가지 기준을 추가로 적용하여 수면단계를 최종 결정하는, 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법을 제공하는 것이다.Another technical problem to be achieved by the present invention is to calculate pulse rate variability (PRV) and pulse amplitude variability (PAV) using the optical volume pulse wave of a pulse oximeter, and divide it at 30 second intervals ( Segmented PRV and PAV are used as input vectors of a recurrent neural network (RNN), classifying sleep stages (wake state, REM sleep, non-REM sleep), and in the section where oxygen saturation is reduced by 3% or more. It is to provide an apparatus and method for classifying sleep stages using a pulse oximeter, reclassifying into REM sleep or non-REM sleep, and finally determining the sleep stage by applying two additional criteria.

상기 과제를 해결하기 위해, 본 발명의 수면단계 분류 장치는, 적색광 검출부와 적외광 검출부를 구비하여, 적색광 용적 맥파와 적외광 용적 맥파를 검출하여, 잡음을 제거하고 디지탈신호로 변환하는, 광용적맥파 검출부; 광용적맥파 검출부로부터 수신된 적색광 용적 맥파와 적외광 용적 맥파에서, PRV (pulse rate variability)와 PAV (pulse amplitude variability)를 검출하고, 검출된 PRV 및 PAV를 입력벡터로서 순환신경망(RNN)에 적용하여, 수면단계를 각성상태(wake), 렘수면(REM sleep), 비 렘수면(Non-REM sleep) 중 하나로 분류한 후, 상기 적색광 용적 맥파와 적외광 용적 맥파로부터 검출된 산소포화도와, 각성상태(wake) 연속 발생수를 이용하여, 분류된 상기 수면 단계를 재조정하는, 연산처리부;를 포함하여 이루어진 것을 특징으로 한다.In order to solve the above problems, the sleep stage classification apparatus of the present invention includes a red light detection unit and an infrared light detection unit, detecting a red light volume pulse wave and an infrared light volume pulse wave, removing noise and converting it into a digital signal. A pulse wave detector; In the red light volume pulse wave and infrared light volume pulse wave received from the optical volume pulse wave detector, PRV (pulse rate variability) and PAV (pulse amplitude variability) are detected, and the detected PRV and PAV are applied to the circulatory neural network (RNN) as input vectors. Thus, after classifying the sleep phase into one of wake, REM sleep, and Non-REM sleep, the oxygen saturation degree detected from the red light volume pulse wave and the infrared light volume pulse wave, and the wake state ( wake) by using the number of consecutive occurrences, and readjusting the classified sleep phase, an operation processing unit; characterized in that it comprises a.

연산처리부는, 산소포화도가 3%이상 감소되었는 지 여부를 판단하여, 산소포화도가 3%이상 감소되었다면 수면호흡장애가 발생했다고 판단하며, 만약, 수면호흡장애가 발생되지 않았다면, 산소불포화 이벤트 발생여부를 판단하고, 산소불포화 이벤트가 발생되면 산소불포화 이벤트를 렘수면이나 비 렘수면으로 한 후, 수면호흡장애가 발생하였을 때도, 그리고 수면호흡장애가 발생하지 않았을 때에도, 각성상태(wake)의 연속발생수에 따라, 각성상태를 렘수면 또는 비 렘수면으로 변경한다.The processing unit determines whether or not the oxygen saturation has been reduced by 3% or more, and if the oxygen saturation has been reduced by 3% or more, it determines that a sleep respiration disorder has occurred, and if a sleep respiration disorder has not occurred, it determines whether an oxygen unsaturation event has occurred. In addition, when an oxygen unsaturation event occurs, the oxygen unsaturation event is set to REM sleep or non-REM sleep, and then even when a sleep respiration disorder occurs, and even when a sleep respiration disorder does not occur, depending on the number of consecutive wakes, the arousal state. Changes to REM sleep or non REM sleep.

연산처리부는, 각성상태의 연속발생수에 따라 각성상태를 렘수면 또는 비 렘수면으로 바꾸기 위해, 각성상태가 연속으로 2 epoch 이하 발생하면, 각성상태를 렘수면 또는 비 렘수면으로 바꾸되, 각성상태 이전의 epoch의 수면단계와 동일하게 하며, 각성상태가 연속으로 3 epoch 이상 발생하면 첫 번째 epoch을 이전에 epoch의 수면단계와 동일하게 한다.In order to change the awakening state to REM sleep or non-REM sleep according to the number of consecutive occurrences of the awakening state, the operation processing unit changes the awakening state to REM sleep or non-REM sleep when the awakening state occurs continuously less than 2 epochs, but the epoch before the awakening state. It is the same as the sleep stage of, and if the arousal state occurs more than 3 epochs in a row, the first epoch is the same as the sleep stage of the previous epoch.

연산처리부는, 수면호흡장애가 발생되지 않았고, 산소불포화 이벤트가 발생되었다면, 산소불포화 이벤트를 렘수면이나 비 렘수면으로 변경하되, 산소불포화 이벤트 이전의 epoch의 수면단계와 동일하게 한다. The operation processing unit changes the oxygen unsaturation event to REM sleep or non-REM sleep if there is no sleep respiration disorder and an oxygen unsaturation event occurs, but the sleep phase of the epoch before the oxygen unsaturation event is the same.

상기 순환신경망(RNN)은, 기 검출된 트레닝 데이터에 의해 트래닝하되, 상기 트레닝 데이터는, 적색광 용적 맥파 또는 적외광 용적 맥파에서 구하여진 PRV 및 PAV와, 상기 PRV 및 PAV에 의해 기존의 방식에 의해 분류된 수면단계의 데이터들로 트래닝된다.The circulatory neural network (RNN) is trained based on previously detected training data, but the training data includes PRVs and PAVs obtained from red light volume pulse waves or infrared light volume pulse waves, and the existing PRV and PAV. It is trained with data of the sleep stage classified by the method.

연산처리부는, 광용적맥파에서, 적응 문턱치 알고리즘에 의해 구하여진 피크 문턱치 이상인 최대점(피크)들을 검출하고, PRV는The operation processing unit detects maximum points (peaks) that are greater than or equal to the peak threshold obtained by the adaptive threshold algorithm in the optical volume pulse wave, and the PRV is

Figure 112019018769218-pat00004
Figure 112019018769218-pat00004

(단,

Figure 112019018769218-pat00005
는 i번째 펄스의 최대점의 값, fS는 광용적맥파(PPG) 신호의 샘플링 주파수, n은 문턱치를 갱신하는 회차임) 에 의해 구하여 진다.(only,
Figure 112019018769218-pat00005
Is the value of the maximum point of the i-th pulse, f S is the sampling frequency of the PPG signal, and n is the cycle of updating the threshold value).

본 발명의 수면단계 분류 방법은, 연산처리부가, 광용적맥파 검출부로부터 수신된 적색광 용적 맥파와 적외광 용적 맥파에서, PRV (pulse rate variability)와 PAV (pulse amplitude variability)를 검출하는, 특징추출단계; 연산처리부가, 특징추출단계에서 검출된 PRV 및 PAV를 입력벡터로서 순환신경망(RNN)에 적용하여, 수면단계를 각성상태(wake), 렘수면(REM sleep), 비 렘수면(Non-REM sleep) 중 하나로 분류하는, RNN 단계; 연산처리부가, 상기 적색광 용적 맥파와 적외광 용적 맥파로부터 산소포화도를 검출하는, 산소포화도 연산단계; 연산처리부는 산소포화도와, 각성상태(wake) 연속 발생수를 이용하여, 분류된 상기 수면 단계를 조정하는, 수면 단계의 조정단계;를 포함하여 이루어진 것을 특징으로 한다.In the sleep stage classification method of the present invention, the operation processing unit detects the pulse rate variability (PRV) and the pulse amplitude variability (PAV) from the red light volume pulse wave and the infrared light volume pulse wave received from the optical volume pulse wave detection unit. ; The operation processing unit applies the PRV and PAV detected in the feature extraction step as input vectors to the circulatory neural network (RNN), and performs the sleep phase among wake, REM sleep, and non-REM sleep. Classifying into one, RNN step; An oxygen saturation degree calculating step of detecting an oxygen saturation degree from the red light volumetric pulse wave and the infrared light volumetric pulse wave; The operation processing unit is characterized in that it comprises a step of adjusting the sleep step, adjusting the classified sleep step by using the oxygen saturation degree and the number of consecutive wakes.

수면단계 분류 방법은 연산처리부는 산소포화도가 3%이상 감소되었는 지 여부를 판단하여, 산소포화도가 3%이상 감소되었다면 수면호흡장애가 발생했다고 판단하며, 만약, 수면호흡장애가 발생되지 않았다면, 산소불포화 이벤트 발생여부를 판단하고, 산소불포화 이벤트가 발생되면 산소불포화 이벤트를 렘수면이나 비 렘수면으로 하는, 수면호흡 장애여부 판단단계;를 더 포함한다.In the sleep stage classification method, the processing unit determines whether the oxygen saturation has decreased by 3% or more, and if the oxygen saturation has decreased by 3% or more, it is determined that sleep respiration disorder has occurred, and if sleep respiration disorder has not occurred, the oxygen unsaturation event It further includes a step of determining whether or not the occurrence of an oxygen unsaturation event occurs, and a sleep respiration disorder determining whether the oxygen unsaturation event is a REM sleep or a non-REM sleep.

수면호흡 장애여부 판단단계에서, 연산처리부는, 수면호흡장애가 발생되지 않았고, 산소불포화 이벤트가 발생되었다면, 산소불포화 이벤트를 렘수면이나 비 렘수면으로 변경하되, 산소불포화 이벤트 이전의 epoch의 수면단계와 동일하게 한다.In the step of determining whether there is a sleep respiration disorder, the operation processing unit changes the oxygen unsaturation event to REM sleep or non-REM sleep if there is no sleep respiration disorder and an oxygen unsaturation event occurs, but the same as in the sleep phase of the epoch before the oxygen unsaturation event. do.

수면호흡 장애여부 판단단계 후, 연산처리부는, 수면호흡장애가 발생하였을 때도, 그리고 수면호흡장애가 발생하지 않았을 때에도, 각성상태(wake)의 연속발생수에 따라, 각성상태를 렘수면 또는 비 렘수면으로 변경하는, 수면단계 재조정단계;를 더 포함한다.After the sleep respiration failure determination step, the operation processing unit changes the awakening state to REM sleep or non-REM sleep according to the number of consecutive wakes, even when a sleep respiration disorder occurs and when a sleep respiration disorder does not occur. , Sleep stage readjustment step; further includes.

수면단계 재조정단계는, 각성상태가 연속으로 2 epoch 이하 발생하면, 연산처리부는, 각성상태를 렘수면 또는 비 렘수면으로 바꾸되, 각성상태 이전의 epoch의 수면단계와 동일하게 하며, 각성상태가 연속으로 3 epoch 이상 발생하면, 연산처리부는, 첫 번째 epoch을 이전에 epoch의 수면단계와 동일하게 한다. In the sleep phase readjustment phase, when the awakening state occurs continuously less than 2 epochs, the operation processing unit changes the arousal state to REM sleep or non-REM sleep, but makes the sleep phase of the epoch before the awakening state the same as the sleep phase of the epoch before the awakening state, and the awakening state is continuous If more than 3 epochs occur, the operation processing unit makes the first epoch the same as the previous epoch's sleep stage.

특징추출단계에서, 연산처리부는 광용적맥파 검출부로부터 수신한 적색광 용적 맥파 및 적외광 용적 맥파를 0.1 ∼ 5 Hz의 대역통과 디지털 필터를 통과시킨 후, 적응문턱치알고리즘을 이용하여 펄스의 최대점(peak) 및 최소점을 검출하고, 검출된 최대점 및 최소점을 이용하여 PRV와 PAV을 검출한다.In the feature extraction step, the operation processing unit passes the red light volume pulse wave and the infrared light volume pulse wave received from the light volume pulse wave detection unit through a band-pass digital filter of 0.1 to 5 Hz, and then uses the adaptive threshold algorithm to determine the peak of the pulse. ) And minimum points, and detects PRV and PAV using the detected maximum and minimum points.

산소포화도 연산단계에서, 연산처리부는 산소포화도(SpO2)를 In the oxygen saturation calculation step, the calculation processing unit calculates the oxygen saturation (SpO 2 ).

Figure 112019018769218-pat00006
Figure 112019018769218-pat00006

(단,

Figure 112019018769218-pat00007
는 적색광용적 맥파의 AC 성분의 제곱이며,
Figure 112019018769218-pat00008
는 적외광용적 맥파 AC 성분의 제곱임)에 의해 구하여진다.(only,
Figure 112019018769218-pat00007
Is the square of the AC component of the red light volume pulse wave,
Figure 112019018769218-pat00008
Is the square of the infrared light volume pulse wave AC component).

연산처리부는 PAV를The operation processing unit uses PAV

Figure 112019018769218-pat00009
Figure 112019018769218-pat00009

(단, χPPG(n)은 적색광 또는 적외광의 광용적맥파 신호,

Figure 112019018769218-pat00010
는 i번째 펄스의 최대점의 값,
Figure 112019018769218-pat00011
는 i번째 펄스의 최소점의 값, n은 문턱치를 갱신하는 회차임)(However, χ PPG (n) is a red light or infrared light volumetric pulse wave signal,
Figure 112019018769218-pat00010
Is the value of the maximum point of the i-th pulse,
Figure 112019018769218-pat00011
Is the value of the minimum point of the i-th pulse, and n is the cycle of updating the threshold value)

에 의해 구한다.Obtained by

또한, 본 발명의 수면단계 분류 방법을 실행하는 컴퓨터 프로그램이 기록된 기록매체를 특징으로 한다.In addition, it features a recording medium on which a computer program for executing the method for classifying sleep stages of the present invention is recorded.

본 발명의 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법에 따르면, 맥박산소측정기의 맥파(PPG)를 이용하여 순환신경망(recurrent neural network, RNN) 기반으로 수면단계, 즉, 각성상태(wake), 렘 수면(REM sleep), 비 렘수면(Non-REM sleep)을 분류하고, 산소포화도를 이용하여 수면 단계를 최종 결정하도록 하여, 시간이 오래 걸리지 않으며, 보다 간편하면서, 보다 정확하게 수면단계를 분류한다.According to the apparatus and method for classifying a sleep stage using a pulse oximeter of the present invention, a sleep stage, that is, a wake, based on a recurrent neural network (RNN) using a pulse wave (PPG) of a pulse oximeter, Rem sleep (REM sleep) and non-REM sleep (Non-REM sleep) are classified, and the sleep stage is finally determined using oxygen saturation, so that it does not take long, is simpler, and more accurately classifies the sleep stage.

즉, 본 발명은 수면호흡장애 환자에게 적용 가능하다는 강점이 있으며, 딥러닝 기법인 순환신경망(recurrent neural network, RNN)을 사용하여 다른 방법에 비해 정확도가 높다. 또한 기존의 수면다원검사에 비해 시설이나 인력, 장비 등의 비용과 투자가 감소할 수 있으며, 환자에게 시간적, 공간적, 경제적 부담이 줄어들 수 있다.That is, the present invention has the advantage that it can be applied to patients with sleep respiration disorder, and has higher accuracy than other methods by using a deep learning technique, a recurrent neural network (RNN). In addition, compared to the existing polysomnography, the cost and investment of facilities, manpower, and equipment can be reduced, and the time, space, and economic burden on the patient can be reduced.

또한, 본 발명은, 맥박산소측정기의 광용적맥파를 이용하여 PRV (pulse rate variability, 맥박률 변이)와 PAV (pulse amplitude variability, 맥파 진폭 변이)를 계산하고, 30초 간격으로 분할(segmentation)된 PRV와 PAV를 순환신경망(recurrent neural network, RNN)의 입력벡터로 사용되며, 수면단계(각성상태, 렘 수면, 비 렘수면)를 분류하고, 또한 산소포화도가 3% 이상 감소되는 구간의 렘 수면 또는 비 렘수면으로 재분류 하며, 두 가지 기준을 추가로 적용하여 수면단계를 최종 결정하여, 보다 정확도를 높였다.In addition, the present invention calculates PRV (pulse rate variability, pulse rate variability) and PAV (pulse amplitude variability) using the optical volumetric pulse wave of a pulse oximeter, and is segmented at 30 second intervals. PRV and PAV are used as input vectors for the recurrent neural network (RNN), classify sleep stages (wake state, REM sleep, non-REM sleep), and also REM sleep or REM sleep in the section where oxygen saturation is reduced by 3% or more. It was reclassified as non-REM sleep, and the sleep stage was finally determined by applying two additional criteria to improve accuracy.

도 1은 파장에 따른 흡수계수도와 각 LED의 파장별 정상 분포를 나타낸다.
도 2는 본 발명의 맥박산소측정기를 이용한 수면호흡장애 환자의 수면단계 분류 장치의 개략적인 구성을 설명하는 블럭도이다.
도 3은 도 1의 연산처리부에서 구동방법을 개략적으로 설명하는 흐름도이다.
도 4는 GRU 신경망의 셀 구조의 예를 나타낸다.1 shows the absorption coefficient according to the wavelength and the normal distribution for each wavelength of each LED.
2 is a block diagram illustrating a schematic configuration of an apparatus for classifying a sleep stage of a patient with sleep respiration disorder using a pulse oximeter of the present invention.
3 is a flowchart schematically illustrating a driving method in the operation processing unit of FIG. 1.
4 shows an example of a cell structure of a GRU neural network.

이하, 본 발명의 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법을 첨부된 도면을 참조하여 상세히 설명한다.Hereinafter, an apparatus and method for classifying a sleep stage using a pulse oximeter of the present invention will be described in detail with reference to the accompanying drawings.

도 2는 본 발명의 맥박산소측정기를 이용한 수면호흡장애 환자의 수면단계 분류 장치의 개략적인 구성을 설명하는 블럭도로, 신호검출부(100), 신호 전처리부(150), A/D 변환부(180), 연산처리부(200), 메모리부(300), 출력부(310)을 포함하여 이루어진다.2 is a block diagram illustrating a schematic configuration of a device for classifying sleep stages of a patient with sleep respiration disorder using a pulse oximeter of the present invention, a signal detection unit 100, a signal preprocessing unit 150, and an A/D conversion unit 180 ), an operation processing unit 200, a memory unit 300, and an output unit 310.

신호검출부(100)는 적색(Red)광 검출부(110)와 적외(Infra red, 적외선)광 검출부(120)로 이루어져 있으며, 광용적맥파를 전기적인 신호로 검출한다. The signal detection unit 100 includes a red light detection unit 110 and an infrared (infrared) light detection unit 120, and detects a volumetric pulse wave as an electrical signal.

적색광 검출부(110)는 적색광 발광다이오드(미도시)와 수광센서(예로, 포토다이오드)(미도시)로 이루어져, 적색광 발광다이오드로부터 출사된 적색광이 체내 혈류들에서 반사된 광을 수광센서로 검출하여 전기적 신호 변환하며, 이 신호를 본 발명에서는 적색광용적 맥파라 부른다.The red light detection unit 110 is composed of a red light-emitting diode (not shown) and a light-receiving sensor (e.g., a photodiode) (not shown), and detects the light reflected from the blood streams in the body by the red light emitted from the red light-emitting diode with a light-receiving sensor. It converts an electrical signal, and this signal is referred to as a red light volume pulse wave in the present invention.

적외광 검출부(120)는 적외광 발광다이오드(미도시)와 수광센서(예로, 포토다이오드)(미도시)로 이루어져, 적외광 발광다이오드로부터 출사된 적색광이, 체내 혈류들에서 반사된 광을, 수광센서로 검출하여 전기적 신호 변환하며, 이 신호를 본 발명에서는 적외광용적 맥파라 부른다.The infrared light detection unit 120 is composed of an infrared light-emitting diode (not shown) and a light-receiving sensor (for example, a photodiode) (not shown), and the red light emitted from the infrared light-emitting diode is reflected from blood flows in the body, It is detected by a light-receiving sensor and converted into an electrical signal, and this signal is referred to as an infrared light volume pulse wave in the present invention.

또한, 적색광용적 맥파와 적외광용적 맥파를 광용적 맥파 또는 맥파로 통칭할 수 있다.Further, the red light volume pulse wave and the infrared light volume pulse wave may be collectively referred to as a light volume pulse wave or a pulse wave.

신호 전처리부(150)는 적색광 용적 맥파 전처리부(160)과 적외광 용적 맥파전처리부(170)로 이루어져 있다. The signal preprocessor 150 includes a red light volume pulse wave preprocessor 160 and an infrared light volume pulse wave preprocessor 170.

적색광 용적 맥파 전처리부(160)는 적색광 검출부(110)로부터 수신된 적색광 용적 맥파를 증폭하고 잡음을 제거한다.The red light volumetric pulse wave preprocessing unit 160 amplifies the red light volumetric pulse wave received from the red light detection unit 110 and removes noise.

적외광 용적 맥파 전처리부(170)는 적외광 검출부(120)로부터 수신된 적외광 용적 맥파를 증폭하고 잡음을 제거한다.The infrared volumetric pulse wave preprocessing unit 170 amplifies the infrared volumetric pulse wave received from the infrared light detection unit 120 and removes noise.

A/D변환부(180)는 적색광 용적 맥파 전처리부(160) 및 적외광 용적 맥파 전처리부(170)로부터 수신한 적색광 용적 맥파 신호와 적외광 용적 맥파신호를 디지털 신호로 변환한 후, 연산처리부(200)로 전송한다. The A/D conversion unit 180 converts the red light volumetric pulse wave signal and the infrared volumetric pulse wave signal received from the red light volumetric pulse wave preprocessing unit 160 and the infrared volumetric pulse wave preprocessing unit 170 into digital signals, and then an operation processing unit. Send to 200.

연산처리부(200)는 A/D변환부(180)로부터 수신한 적색광 용적 맥파 및 적외광 용적 맥파에서 특징벡터인 PRV (pulse rate variability, 맥박률 변이)와 PAV (pulse amplitude variability, 맥파 진폭 변이)를 검출하고 순환신경망(RNN)을 이용하여 수면단계, 즉, 각성상태(wake), 렘 수면(REM sleep), 비 렘수면(Non-REM sleep)를 분류한다. 또한 연산처리부(200)는 적색광 용적 맥파 및 적외광 용적 맥파를 이용하여 산소포화도를 계산하고, 산소불포화(oxygen desaturation)의 구간(이벤트)을 검출하여 수면단계를 최종 결정한다. 여기서 본 발명에서 사용한 산소포화도의 계산식과 산소불포화의 구간 검출 방법은 후술한다.The operation processing unit 200 is a feature vector of PRV (pulse rate variability) and PAV (pulse amplitude variability) in the red light volume pulse wave and infrared light volume pulse wave received from the A/D conversion unit 180. And classify sleep phases, that is, wake, REM sleep, and Non-REM sleep using the circulatory neural network (RNN). In addition, the operation processing unit 200 calculates the oxygen saturation degree using the red light volume pulse wave and the infrared light volume pulse wave, detects a section (event) of oxygen desaturation, and finally determines a sleep stage. Here, the calculation formula of the oxygen saturation degree used in the present invention and the method of detecting the section of oxygen unsaturation will be described later.

메모리부(300) 및 출력부(310)는 연산처리부(200)로부터 수면단계 결과를 수신하여 저장, 출력(예로, 디스플레이, 프리트 출력 등)한다.The memory unit 300 and the output unit 310 receive, store, and output (eg, display, print output, etc.) the result of the sleep step from the operation processing unit 200.

여기서, 연산처리부(200), 메모리부(300), 출력부(310)는 컴퓨터 또는 마이크로프로세서 등으로 이루어질 수 있다. 또한 신호검출부(100), 신호 전처리부(150), A/D 변환부(180)를 '광용적맥파 검출부'라 할 수 있다.Here, the operation processing unit 200, the memory unit 300, and the output unit 310 may be formed of a computer or a microprocessor. In addition, the signal detection unit 100, the signal preprocessing unit 150, and the A/D conversion unit 180 may be referred to as'optical volume pulse wave detection unit'.

본 발명에서 적용하는 순환신경망(RNN)는, 광용적 맥파에서 구하여진 PRV와 PAV 및 기존의 방식(즉, 기존에 있던 어떠한 방식이라도 상관없음)에 의해 분류된 수면단계의 데이터들로 트래닝된 것이다.The circulatory neural network (RNN) applied in the present invention is trained with data of the sleep stage classified by the PRV and PAV obtained from the optical volume pulse wave and the conventional method (i.e., any existing method is irrelevant). will be.

다음은 연산처리부에서 광용적맥파로부터 특징벡터를 추출하는 과정을 설명한다.The following describes a process of extracting a feature vector from the optical volume pulse wave in the operation processing unit.

일반적으로 광용적맥파의 주파수 성분은 심박동에 의한 1 Hz 주변의 기본 주파수와 고조파로 이루어져 있으며, 호흡신호에 의한 저주파수 대역은 0.15 ∼ 0.4 Hz 범위이다. 광용적맥파에 섞여있는 불필요한 잡음을 제거하고, 정확한 특징점을 검출하기 위해, 연산처리부(200)은 A/D변환부(180)로부터 수신된 적색광 용적 맥파 신호와 적외광 용적 맥파신호를 0.1 ∼ 5 Hz의 대역통과 디지털 필터를 통과시킨 후, 적응문턱치알고리즘을 이용하여 펄스의 최대점(peak)을 검출한다. In general, the frequency component of the optical volume pulse wave consists of the fundamental frequency and harmonics around 1 Hz due to the heartbeat, and the low frequency band due to the breathing signal is in the range of 0.15 to 0.4 Hz. In order to remove unnecessary noise mixed with the optical volumetric pulse wave and to detect accurate feature points, the operation processing unit 200 converts the red light volume pulse wave signal and the infrared light volume pulse wave signal received from the A/D conversion unit 180 from 0.1 to 5 After passing through a bandpass digital filter of Hz, the peak of the pulse is detected using an adaptive threshold algorithm.

일반적으로 광용적맥파(PPG)는 불규칙적으로 진폭의 변화가 생기며, 저관류가 발생하면 진폭이 매우 작아진다. 이는 광용적맥파의 특징점을 검출할 때, 오류를 발생시키는 큰 요인으로 작용한다. 따라서 최고점(peak) 검출 시 오류를 최소화하기 위해 이전의 펄스 진폭에 따라 적응적으로 기울기를 변화시켜 파형의 크기가 급변하더라도 특징점 검출에 좋은 성능을 보이는 적응 문턱치 알고리즘을 사용하였다. 문턱치 설정은 수학식 4와 같이 문턱치 초기값(THinit)을 정한다. 즉, A/D 변환부(180)로부터 수신된 PPG 신호 중, 샘플링 주파수의 5배에 해당하는 데이터들(처음부터 5초동안의 데이터)에서 최대값을 검출하고, 그 최대값의 0.2배를 문턱치 초기값(THinit)으로 설정한다.In general, the amplitude of the PPG is irregularly changed, and when low perfusion occurs, the amplitude becomes very small. This acts as a major factor in generating an error when detecting the characteristic points of the optical volume pulse wave. Therefore, in order to minimize the error when detecting the peak, an adaptive threshold algorithm that shows good performance in detecting feature points was used even if the size of the waveform changes rapidly by adaptively changing the slope according to the previous pulse amplitude. In the threshold setting, the initial threshold value TH init is determined as shown in Equation 4. That is, among the PPG signals received from the A/D conversion unit 180, the maximum value is detected from data corresponding to 5 times the sampling frequency (data for 5 seconds from the beginning), and 0.2 times the maximum value is It is set to the initial threshold value (TH init ).

Figure 112019018769218-pat00012
Figure 112019018769218-pat00012

단, χPPG(n)은 광용적맥파(PPG)신호, 즉, A/D 변환부(180)로부터 수신된 PPG 신호이다. 그리고 fS는 광용적맥파(PPG) 신호의 샘플링 주파수, 즉, A/D 변환부(180)에서 PPG 신호를 샘플링한 주파수이다. 또한, n은 문턱치를 갱신하는 회차이다. 여기서, 샘플링 주파수의 5배에 해당하는 데이터들(처음부터 5초동안의 데이터)에서 최대값을 검출하고 있으나, 이는 본 발명을 한정하기 위한 것이 아니다. 이는 키입력부(미도시)에서 설정한 데이터 개수(또는 설정된 시간동안 데이터수)에 의해 최대값을 검출할 수도 있다.However, χ PPG (n) is a PPG signal, that is, a PPG signal received from the A/D conversion unit 180. In addition, f S is the sampling frequency of the PPG signal, that is, the frequency at which the PPG signal is sampled by the A/D conversion unit 180. In addition, n is the cycle of updating the threshold value. Here, the maximum value is detected from data corresponding to 5 times the sampling frequency (data for 5 seconds from the beginning), but this is not intended to limit the present invention. This may detect the maximum value by the number of data (or the number of data for a set time) set by the key input unit (not shown).

이렇게 구하여진 문턱치 초기값(THinit)을 문턱치로 하여, 0.1~5 Hz의 대역통과필터링된 광용적맥파(PPG) 신호에서, 펄스의 최대점(즉, 맥박 또는 심박)을 검출한다.The maximum point (ie, pulse or heart rate) of the pulse is detected from the band-pass filtered optical volume pulse wave (PPG) signal of 0.1 to 5 Hz using the obtained threshold value TH init as the threshold value.

현재 펄스의 최대점(즉, 맥박 또는 심박)이 검출된 후, 다음의 펄스의 최대점 검출을 위해 문턱치(THn)를 갱신하며, 갱신된 문턱치(THn)를 이용하여, 다음 펄스의 최대점(즉, 맥박 또는 심박)을 검출한다. 즉, 수학식 5와 같이, 이전 펄스의 최대값에 가중치(-0.6/fs)를 적용하여 문턱치(THn)를 갱신한다. After the maximum point of the current pulse (i.e., pulse or heart rate) is detected, the threshold value (TH n ) is updated to detect the maximum point of the next pulse, and the maximum value of the next pulse is used by using the updated threshold value (TH n ). Detect points (i.e., pulse or heart rate). That is, as shown in Equation 5, the threshold value TH n is updated by applying a weight (-0.6/fs) to the maximum value of the previous pulse.

Figure 112019018769218-pat00013
Figure 112019018769218-pat00013

여기서

Figure 112019018769218-pat00014
는 펄스의 최대점의 값, 즉, 펄스의 최대값이다.here
Figure 112019018769218-pat00014
Is the value of the maximum point of the pulse, that is, the maximum value of the pulse.

즉, 최대점간(즉, 연이은 최대점 사이의 시간으로, 맥파의 주기라 할수 있음)의 가장 작은 값을 갖는 점을 최소점(

Figure 112019018769218-pat00015
)으로 검출한다.That is, the point with the smallest value between the maximum points (i.e., the time between consecutive maximum points, which can be referred to as the period of the pulse wave) is the minimum point (
Figure 112019018769218-pat00015
).

PRV (pulse rate variability, 맥박률 변이)는 수학식 6과 같이 현재의 최대점(

Figure 112019018769218-pat00016
)과 연이은 이전의 최대점(
Figure 112019018769218-pat00017
) 간의 차의 역수를 취하여 구한다.PRV (pulse rate variability) is the current maximum point (
Figure 112019018769218-pat00016
) And the previous maximum point (
Figure 112019018769218-pat00017
) By taking the reciprocal of the difference between.

Figure 112019018769218-pat00018
Figure 112019018769218-pat00018

PAV (pulse amplitude variability, 맥파 진폭 변이)는 수학식 7과 같이, 연이은 최대점간(즉, 펄스의 주기)에서, 최대값과 최소값의 차이로 계산한다.PAV (pulse amplitude variability) is calculated as a difference between a maximum value and a minimum value in successive maximum points (ie, pulse periods), as shown in Equation 7.

Figure 112019018769218-pat00019
Figure 112019018769218-pat00019

다음은 수면단계를 분류하기 위한 순환신경망(RNN)을 설명한다. The following describes the circulatory neural network (RNN) for classifying sleep stages.

순환신경망(RNN)은 컨볼루션 신경망(convolutional neural network, CNN)과는 달리 노드 사이에 회귀를 구성하는 신경망으로, 시계열 데이터 처리에 유용하게 사용된다. 수면단계는 하룻밤 동안 일정한 패턴을 보이며, 따라서 수면단계 분류에 RNN이 유용하게 활용될 수 있다. Unlike a convolutional neural network (CNN), a cyclic neural network (RNN) is a neural network that configures regression between nodes, and is usefully used for processing time series data. The sleep phase shows a constant pattern throughout the night, and therefore, the RNN can be usefully used for classifying the sleep phase.

본 발명에서는 RNN 기법 중 GRU를 사용하였으며, GRU 신경망의 셀 구조는 도 4와 같다. In the present invention, GRU is used among the RNN techniques, and the cell structure of the GRU neural network is as shown in FIG. 4.

일반적으로, 순환 신경망(RNN)의 변형으로, LSTM(Long Short-Term Memory) 셀은 RNN 셀의 장기 의존성 문제를 해결할 뿐만 아니라 학습 또한 빠르게 수렴한다. LSTM의 변형으로서, GRU(Gated Recurrent Unit)가 있다. 즉, GRU 셀은 LSTM 셀의 간소화된 버전이라고 할 수 있다.In general, as a modification of a recurrent neural network (RNN), a long short-term memory (LSTM) cell not only solves the problem of long-term dependence of RNN cells, but also rapidly converges learning. As a variant of LSTM, there is a Gated Recurrent Unit (GRU). That is, the GRU cell can be said to be a simplified version of the LSTM cell.

도 4에서, xt는 입력데이터(입력벡터)이며, ht- 1와 ht는 각각 과거 시점의 은닉계층의 출력 결과와 현재 시점의 은닉계층이다. 즉, ht는 현재의 전체 상태 벡터이고, ht- 1는 이전상태 (벡터)이다.In FIG. 4, x t is input data (input vector), and h t- 1 and h t are output results of the hidden layer at the past and the hidden layer at the present time, respectively. That is, h t is the current full state vector, and h t- 1 is the previous state (vector).

일반적으로 Gate는 선택적으로 데이터가 삭제 및 추가가 되도록 하는 장치이며 시그모이드(σ) 함수로 이루어져있다. 즉, Gate는 (시그모이드를 이용해서) 0이 나오면 버리거나 삭제 또는 아무것도 안하고, 1이 나오면 기억하거나 추가하거나 계산한다.In general, a gate is a device that selectively deletes and adds data, and consists of a sigmoid (σ) function. In other words, the Gate discards, deletes, or does nothing when 0 comes out (using sigmoid), and remembers, adds, or calculates when 1 comes out.

주요 레이어는 gt를 출력하는 레이어이며, 현재 입력 데이터 xt와 이전 타임스텝의 단기 상태 ht- 1를 분석하는 역할을 한다. 여기서는 이 레이어의 출력인 gt가 Zt의 곱셈(X)연산 후 장기 상태 ht에 일부분이 더해지게 된다. The main layer is the layer that outputs g t , and it analyzes the current input data xt and the short -term state h t- 1 of the previous time step. Here, the output of this layer, g t , is added to the long-term state h t after the multiplication (X) operation of Zt.

갱신 게이트 콘트롤러(gate controller)인 Zt가 forget 게이트(720)과 input 게이트(710)을 모두 제어한다. zt가 1을 출력하면 forget 게이트가 열리고 input 게이트가 닫히며, zt가 0일 경우 반대로 forget 게이트가 닫히고 input 게이트가 열린다. 즉, 이전(t-1)의 기억이 저장 될때 마다 타임 스텝 t의 입력은 삭제된다. 즉, 갱신 게이트(Update gate) (zt)는 현재 입력에 대한 정보를 얼마만큼 반영할지를 결정하는 요소로, 그 값이 0인 경우 과거 정보를 모두 잊고, 현재 정보만을 기억하며, 1인 경우 현재 정보를 모두 무시하고 과거 정보를 기억한다. Z t, which is an update gate controller, controls both the forget gate 720 and the input gate 710. When z t outputs 1, the forget gate opens and the input gate closes. When z t is 0, the forget gate closes and the input gate opens. That is, whenever the previous (t-1) memory is stored, the input of the time step t is deleted. In other words, the update gate (z t ) is an element that determines how much information on the current input is to be reflected. If the value is 0, all past information is forgotten and only the current information is stored. If the value is 1, the current Ignore all information and remember past information.

GRU 셀은 output 게이트가 없어 전체 상태 벡터 ht가 타임 스텝마다 출력되며, 이전 상태 ht-1의 어느 부분이 출력될지 제어하는 리셋 게이트 콘트롤러(gate controller)인 rt가 있다. 리셋 게이트(reset gate) (rT)의 값은 과거의 값을 현재 정보에 얼마만큼 반영할지 결정하는 요소이다.Since the GRU cell does not have an output gate, the entire state vector h t is output at each time step, and there is a reset gate controller r t that controls which part of the previous state h t-1 is output. The value of the reset gate (r T ) is a factor that determines how much the past value is reflected in the present information.

GRU는 기존 RNN이나 LSTM (long-short term memory)에 비해 단순한 구조를 가지고 있기 때문에 학습 속도가 빠르다는 장점이 있다. GRU의 각 게이트 및 셀 내부에서 진행되는 연산과정은 수학식 8 내지 10과 같이 이루어진다.Since GRU has a simple structure compared to the existing RNN or long-short term memory (LSTM), it has the advantage that the learning speed is fast. The operation process performed inside each gate and cell of the GRU is performed as shown in Equations 8 to 10.

갱신 게이트(Update gate) (zt)는 수학식 8과 같이 구할 수 있다.The update gate (z t ) can be obtained as in Equation 8.

Figure 112019018769218-pat00020
Figure 112019018769218-pat00020

여기서, W(z) 는, 입력 벡터 xt에 연결된 네 개의 레이어 중에, 갱신 게이트 zt 를 출력으로 하는 레이어에 대한 가중치 행렬이고, U(z)는, 이전 타임스텝의 단기 상태 ht-1에 연결된 네 개의 레이어중에, 갱신 게이트 zt를 출력으로 하는 레이어에 대한 가중치 행렬이다.Here, W (z) is a weight matrix for a layer that outputs the update gate z t among the four layers connected to the input vector x t , and U (z) is the short-term state h t -1 of the previous time step. Among the four layers connected to, this is a weight matrix for a layer that outputs the update gate z t.

리셋 게이트(reset gate) (rT)는 수학식 9와 같이 구할 수 있다.The reset gate (r T ) can be obtained as in Equation 9.

Figure 112019018769218-pat00021
Figure 112019018769218-pat00021

여기서, W(r) 는, 입력 벡터 xt에 연결된 네 개의 레이어 중에, 리셋 게이트 zt 를 출력으로 하는 레이어에 대한 가중치 행렬이고, U(r)는, 이전 타임스텝의 단기 상태 ht-1에 연결된 네 개의 레이어중에, 갱신 게이트 zt 를 출력으로 하는 레이어에 대한 가중치 행렬이다.Here, W (r) is a weight matrix for a layer that outputs the reset gate z t among the four layers connected to the input vector x t , and U (r) is the short-term state h t-1 of the previous time step. Of the four layers connected to, the update gate z t This is the weight matrix for the layer outputting.

현재 입력 데이터 xt와 이전 타임스텝의 단기 상태 ht- 1를 분석하는 역할을 하는, gt를 수학식 10과 같이 구할 수 있다. 수학식 10에서는 gt를

Figure 112019018769218-pat00022
로 표기한다. G t , which serves to analyze the current input data xt and the short -term state h t- 1 of the previous time step, can be obtained as in Equation 10. In Equation 10, g t
Figure 112019018769218-pat00022
Marked as.

Figure 112019018769218-pat00023
Figure 112019018769218-pat00023

여기서, W는, 입력 벡터 xt에 연결된 네 개의 레이어 중에, gt를 출력으로 하는 레이어에 대한 가중치 행렬이고, U는, 이전 타임스텝의 단기 상태 ht-1에 연결된 네 개의 레이어중에, gt를 출력으로 하는 레이어에 대한 가중치 행렬이다.Here, W is a weight matrix for a layer that outputs g t among the four layers connected to the input vector x t , and U is g, among the four layers connected to the short-term state h t-1 of the previous time step. This is a weight matrix for a layer with t as an output.

전체 상태 벡터 ht는 수학식 11과 같이 구할 수 있다. The total state vector h t can be obtained as in Equation 11.

Figure 112019018769218-pat00024
Figure 112019018769218-pat00024

수학식 8 내지 10에서, W와 U는 입력값과 은닉계층의 값을 선형으로 결합하는 변수이다.In Equations 8 to 10, W and U are variables that linearly combine the input value and the value of the hidden layer.

도 5는 본 발명에서 적용한 RNN 기반의 수면단계 분류 모델을 나타낸 것이다. 5 shows an RNN-based sleep stage classification model applied in the present invention.

이 모델에서 PPG로부터 추출한 특징벡터(PRV, PAV)를 입력벡터로 활용하여 각성, REM 수면, Non-REM 수면을 분류한다. In this model, feature vectors (PRV, PAV) extracted from PPG are used as input vectors to classify awakening, REM sleep, and non-REM sleep.

수면단계 분류 모델은, RNN 신경망(770)과 분류기(Classification)(777)를 포함한다.The sleep stage classification model includes an RNN neural network 770 and a Classification 777.

RNN 신경망(770)는 GRU 레이어(도 5 참조)와 배치정규화 및 덴스 레이어(B&D Layer: Batchnormalization & Dense Layer)를 다수개 구비하되, GRU 레이어와, 배치정규화 및 덴스 레이어가 교번하여 배치된다, 여기서 GRU 레이어는, 도 4 및 수학식 8 내지 수학식 11을 통해 설명한 GRU 신경망을 사용한다. RNN 신경망은 입력 시퀀스에서 전달받은 데이터의 특징을 추출하는 과정을 거친다. 각 신경망의 출력 계층에 배치 정규화 방법과 Dropout방법을 적용하였다.The RNN neural network 770 includes a plurality of GRU layers (see FIG. 5) and batch normalization and density layers (B&D Layer: Batch Normalization & Dense Layer), but the GRU layer, batch normalization, and density layers are alternately arranged. The GRU layer uses the GRU neural network described through FIG. 4 and Equations 8 to 11. The RNN neural network goes through the process of extracting the features of the data received from the input sequence. The batch normalization method and the dropout method were applied to the output layer of each neural network.

분류기(777)는 전결합 레이어(FC Layer: Fully-Connected layer)와 활성화 레이어(AC Layer: Activation Layer)를 포함한다. The classifier 777 includes a fully-connected layer (FC Layer) and an activation layer (AC Layer).

GRU 레이어, 배치정규화 및 덴스 레이어, 전결합 레이어(FC Layer: Fully-Connected layer), 활성화 레이어 등은 널리 공지된 기술로, 여기서 상세한 설명은 생략한다.The GRU layer, the arrangement normalization and density layer, the fully-connected layer (FC Layer), the activation layer, and the like are well-known technologies, and detailed descriptions thereof will be omitted.

RNN 신경망(770)에 PRV 및 PAV가 입력되면, PRV 및 PAV에 따른 각 수면단계관련된 특징을 추출하고, 분류기(777)에서 추출된 특징을 이용하여 최종적으로 수면단계 ,즉, 각성, REM 수면, Non-REM 수면 중 하나를 분류한다.When PRV and PAV are input to the RNN neural network 770, features related to each sleep stage according to PRV and PAV are extracted, and finally sleep stages, that is, awakening, REM sleep, and Classify one of the non-REM sleep.

즉, GRU 신경망을 모두 거친 결과는 활성 함수 계층으로 전달되게 된다. 활성 함수 계층은 softmax로 구성되어 있으며, GRU 신경망에서 계산된 각각의 특징에 대한 값들을 확률로 변환해준다. 이렇게 확률로 변환한 값들을 바탕으로 입력 시퀀스를 각성, REM 수면, Non-REM 수면으로 구분한다. That is, the result of all passing through the GRU neural network is transferred to the active function layer. The active function layer is composed of softmax, and converts values for each feature calculated in the GRU neural network into probability. Based on the values converted into probability, the input sequence is divided into awakening, REM sleep, and non-REM sleep.

이렇게 인공신경망에서 수면단계 분류 모델을 통해 수면단계가 분류되면, 피검자의 산소포화도를 이용하여 수면단계를 재조정한다.In this way, when the sleep stage is classified through the sleep stage classification model in the artificial neural network, the sleep stage is readjusted using the subject's oxygen saturation.

다음은 산소포화도를 이용하여 수면단계를 재조정하는 과정을 설명한다.The following describes the process of re-adjusting the sleep phase using oxygen saturation.

적색광 용적 맥파와 적외광 용적 맥파를 이용하여 산소포화도 수치를 수학식 12와 같이 계산한다.The oxygen saturation value is calculated as in Equation 12 using the red light volume pulse wave and the infrared light volume pulse wave.

Figure 112019018769218-pat00025
Figure 112019018769218-pat00025

여기서,

Figure 112019018769218-pat00026
는 적색광용적 맥파의 AC 성분의 제곱이며,
Figure 112019018769218-pat00027
는 적외광용적 맥파 AC 성분의 제곱이다. here,
Figure 112019018769218-pat00026
Is the square of the AC component of the red light volume pulse wave,
Figure 112019018769218-pat00027
Is the square of the infrared light volume pulse wave AC component.

다음은 산소불포화 구간(산소불포화 이벤트)에 대해서 설명한다. The following describes the oxygen unsaturation section (oxygen unsaturation event).

SPO2(산소포화도) 신호에서, RNN에서 분류된 결과가 수면상태이라면 기저선에 비해 3% 이상감소되는 구간을 산소불포화 이벤트로 검출하고, RNN에서 분류된 결과가 각성상태이라면 기저선에 비해 4% 이상감소되는 구간을 산소불포화 이벤트로 검출한다.In the SPO 2 (oxygen saturation) signal, if the result classified by the RNN is in sleep state, the section that decreases by 3% or more compared to the baseline is detected as an oxygen unsaturation event, and if the result classified by the RNN is in awake state, it is more than 4% compared to the baseline The reduced section is detected as an oxygen unsaturation event.

본 발명에서 신호검출부(100), 신호 전처리부(150), A/D 변환부(180) 및 산소포화도의 연산은 상용화된 맥박산소측정기로 대체 가능하다.In the present invention, the signal detection unit 100, the signal preprocessing unit 150, the A/D conversion unit 180, and the calculation of the oxygen saturation can be replaced with a commercially available pulse oximeter.

산소포화도가 3%이상 감소(oxygen desaturation)될 경우, 수면호흡장애가 발생했다고 가정한다. 수면호흡장애는 수면 중에만 발생하는 현상으로, 산소포화도가 3%이상 감소하여 수면호흡장애가 발생되었다고 판단된 경우, 만약 RNN 출력이 각성상태(wake)일 경우, 렘수면(REM sleep)이나 비 렘수면(Non-REM sleep)으로 재조정 한다. 이전 epoch가 각성상태(wake)나 비 렘수면(Non-REM sleep)일 경우 현재 epoch을 비 렘수면(Non-REM sleep)으로, 이전 epoch가 렘수면(REM sleep)일 경우 현재 epoch을 렘수면(REM sleep)으로 재조정 한다.When oxygen saturation is reduced by more than 3% (oxygen desaturation), it is assumed that sleep-respiratory disorder has occurred. Sleep respiration disorder is a phenomenon that occurs only during sleep.If it is determined that sleep respiration disorder has occurred due to a decrease in oxygen saturation of 3% or more, if the RNN output is awake, REM sleep or non-REM sleep ( Non-REM sleep). If the previous epoch is awake or non-REM sleep, the current epoch is referred to as Non-REM sleep, and if the previous epoch is REM sleep, the current epoch is referred to as REM sleep. Readjusted.

마지막으로 두 가지 기준을 적용하여 수면단계를 최종 결정한다.Finally, two criteria are applied to finally determine the sleep stage.

제 1기준은 수면 이후 발생하는 각성상태(wake)가 연속으로 2 epoch 이하 발생하면 각성상태(wake)를 렘수면(REM sleep) 또는 비 렘수면(Non-REM sleep)으로 바꾸되, 이때 각성상태(wake) 이전의 epoch의 상태에 따라 결정된다.The first criterion is to change the wake to REM sleep or Non-REM sleep if the wake that occurs after sleep occurs continuously less than 2 epochs. ) It is determined according to the state of the previous epoch.

제 2기준은 수면 이후 발생하는 각성상태(wake)가 3 epoch 이상 발생하면 첫 번째 epoch을 이전에 epoch에 따라 렘수면(REM sleep) 또는 비 렘수면(Non-REM sleep)으로 최종 결정한다.The second criterion is, if the wake that occurs after sleep occurs more than 3 epochs, the first epoch is finally determined as REM sleep or Non-REM sleep according to the previous epoch.

도 3은 도 1의 연산처리부에서 구동방법을 개략적으로 설명하는 흐름도이다.3 is a flowchart schematically illustrating a driving method in the operation processing unit of FIG. 1.

특징추출단계로, 연산처리부(200)은 A/D변환부(180)로부터 수신한 광용적맥파(적색광 용적 맥파 및 적외광 용적 맥파)를 0.1 ∼ 5 Hz의 대역통과 디지털 필터를 통과시킨 후, 적응문턱치알고리즘을 이용하여 펄스의 최대점(peak) 및 최소점을 검출하고, 검출된 최대점 및 최소점을 이용하여 PRV(맥박률 변이)와 PAV (맥파 진폭 변이)을 추출한다(S100). In the feature extraction step, the operation processing unit 200 passes the optical volume pulse wave (red light volume pulse wave and infrared light volume pulse wave) received from the A/D conversion unit 180 through a band-pass digital filter of 0.1 to 5 Hz, The peak and minimum points of the pulse are detected using an adaptive threshold algorithm, and PRV (pulse rate variation) and PAV (pulse wave amplitude variation) are extracted using the detected maximum and minimum points (S100).

여기서, 적색광 용적 맥파과 적외광 용적 맥파 중 하나에서 PRV와 PAV를 검출하거나, 아니면, 적색광 용적 맥파과 적외광 용적 맥파 둘다에서 PRV와 PAV를 검출할 수 있다. 또한, PRV (pulse rate variability, 맥박률 변이)의 검출에 대해서, 연산처리부(200)는, 광용적맥파에서, 적응문턱치알고리즘에 의해 구하여진 피크 문턱치 이상인 최대점(피크)들을 검출하고, 수학식 6에 의해 PRV를 구한다. 또한, PAV (pulse amplitude variability, 맥파 진폭 변이)의 검출에 대해서, 연산처리부(200)는 연이은 최대점간(즉, 하나의 피크와, 연이은 피크)의 시간거리,즉, 맥파 주기를 구하고, 맥파 주기 내에서 최소값을 구하고, 각 맥파 주기에서 최대값과 최소값의 차(즉, 수학식 7)를 구하여, 이를 PAV로 한다. 이렇게 검출된 PRV와 PAV는 RNN의 입력벡터로 사용된다.Here, the PRV and PAV may be detected from one of the red light volume pulse wave and the infrared light volume pulse wave, or PRV and PAV may be detected from both the red light volume pulse wave and the infrared light volume pulse wave. In addition, for the detection of PRV (pulse rate variability, pulse rate variability), the operation processing unit 200 detects maximum points (peaks) that are equal to or greater than the peak threshold value obtained by the adaptive threshold algorithm in the optical volume pulse wave, and the equation The PRV is calculated by 6. In addition, for the detection of PAV (pulse amplitude variability, pulse wave amplitude variability), the calculation processing unit 200 obtains the time distance between consecutive maximum points (ie, one peak and consecutive peaks), that is, the pulse wave period, and the pulse wave period The minimum value is obtained within, the difference between the maximum value and the minimum value (ie, Equation 7) in each pulse wave period is obtained, and this is referred to as PAV. The PRV and PAV detected in this way are used as input vectors of the RNN.

RNN 단계로, 특징추출단계에서 검출된 PRV와 PAV를, 연산처리부(200)는 순환신경망(RNN) 중 GRU (gated recurrent unit) 신경망에 입력하고(S110), 이에 따라 GRU 신경망은 수면단계를 분류하여, 각성상태(wake), 렘 수면(REM sleep), 비 렘수면(Non-REM sleep)의 세단계 중 하나를 출력한다(S120).In the RNN step, the PRV and PAV detected in the feature extraction step are inputted to the GRU (gated recurrent unit) neural network among the cyclic neural network (RNN) (S110), and the GRU neural network classifies the sleep phase accordingly. Thus, one of three stages of wake, REM sleep, and non-REM sleep is output (S120).

여기서 본 발명의 순환신경망(RNN), 즉, GRU 신경망은 특정 응용프로그램으로, 연산처리부(200)에 포함되어 있다. Here, the cyclic neural network (RNN) of the present invention, that is, the GRU neural network, is a specific application program and is included in the operation processing unit 200.

산소포화도 연산단계로, A/D변환부(180)로부터 수신한 광용적맥파(적색광 용적 맥파 및 적외광 용적 맥파), 또는 A/D변환부(180)로부터 수신한 광용적맥파를 0.1 ∼ 5 Hz의 대역통과 디지털 필터를 통과시킨 광용적맥파에서, 수학식 12에 의해 산소포화도를 검출한다(S140). In the oxygen saturation calculation step, the optical volume pulse wave (red light volume pulse wave and infrared light volume pulse wave) received from the A/D conversion unit 180, or the optical volume pulse wave received from the A/D conversion unit 180 is 0.1 to 5 The oxygen saturation degree is detected by Equation 12 from the optical volume pulse wave passed through the Hz bandpass digital filter (S140).

수면호흡 장애여부 판단단계로, 산소포화도 연산단계에서 검출된 산소포화도가 3%이상 감소되는 지 여부를 판단하여, 산소포화도가 3%이상 감소되었다면 수면호흡장애가 발생했다고 판단하며, 수면호흡장애가 발생되었다고 판단되면 재조정 단계(S170)로 가며, 수면호흡장애가 발생되지 않았다고 판단되면, 산소불포화 이벤트 발생여부 판단단계로 간다(S130). In the step of judging whether there is a sleep respiration disorder, it is determined whether the oxygen saturation detected in the oxygen saturation calculation step is reduced by 3% or more, and if the oxygen saturation is reduced by 3% or more, it is determined that sleep respiration disorder has occurred, and that sleep respiration disorder has occurred. If it is determined that the readjustment step (S170) is performed, and if it is determined that sleep respiration disorder has not occurred, the step of determining whether an oxygen unsaturation event has occurred (S130).

산소불포화 이벤트 여부 판단단계는, 수면호흡 장애여부 판단단계에서, 수면호흡장애가 발생되지 않았다고 판단된 경우로, 산소불포화 이벤트가 발생되면 산소불포화 이벤트를 렘수면(REM sleep)이나 비 렘수면(Non-REM sleep)으로 재조정 하고, 수면단계 재조정단계(S170)로 간다. 이때, 이전 epoch가 각성상태(wake)나 비 렘수면(Non-REM sleep)일 경우 현재 epoch을 비 렘수면(Non-REM sleep)으로, 이전 epoch가 렘수면(REM sleep)일 경우 현재 epoch을 렘수면(REM sleep)으로 재조정 한다. The step of determining whether an oxygen unsaturation event has occurred is a case in which it is determined that sleep respiration has not occurred in the step of determining whether a sleep respiration disorder has occurred.When an oxygen unsaturation event occurs, the oxygen unsaturation event is referred to as REM sleep or Non-REM sleep. ) To readjust, and go to the sleep stage readjustment step (S170). At this time, if the previous epoch is awake or non-REM sleep, the current epoch is referred to as Non-REM sleep, and if the previous epoch is REM sleep, the current epoch is referred to as REM sleep. sleep).

즉, RNN 단계(S110)에서, RNN으로 분류한 수면단계가 각성상태(wake)일 경우(S130), 적색광 용적 맥파와 적외광 용적 맥파를 이용하여 계산한 SpO2(S140) 수치가 감소하는지를 확인한다(S150).That is, in the RNN step (S110), when the sleep phase classified as an RNN is awake (S130), it is checked whether the value of SpO 2 (S140) calculated using the red light volume pulse wave and the infrared light volume pulse wave decreases. Do (S150).

수면단계 재조정단계에 있어, 수면 이후 발생하는 각성상태(wake)가 연속으로 2 epoch 이하 발생하면 각성상태(wake)를 렘수면(REM sleep) 또는 비 렘수면(Non-REM sleep)으로 바꾸되, 이때 각성상태(wake) 이전의 epoch의 상태에 따라 결정되고, 또한, 수면 이후 발생하는 각성상태(wake)가 3 epoch 이상 발생하면 첫 번째 epoch을 이전에 epoch에 따라 렘수면(REM sleep) 또는 비 렘수면(Non-REM sleep)으로 결정한다.In the sleep phase readjustment phase, if the wake that occurs after sleep occurs continuously less than 2 epochs, the wake is changed to REM sleep or Non-REM sleep, but at this time, awakening It is determined according to the state of the epoch before the wake, and if the wake that occurs after sleep occurs more than 3 epochs, the first epoch is transferred to REM sleep or Non-REM sleep according to the previous epoch -REM sleep).

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.As described above, although the present invention has been described by the limited embodiments and drawings, the present invention is not limited to the above embodiments, which is, if one of ordinary skill in the field to which the present invention belongs, various modifications and Transformation is possible. Accordingly, the spirit of the present invention should be grasped only by the claims described below, and all equivalent or equivalent modifications thereof will be said to belong to the scope of the present invention.

100: 신호검출부 110: 적색광 검출부
120: 적외광 검출부 150: 신호 전처리부
180: A/D 변환부 200: 연산처리부
300: 메모리부 310: 출력부100: signal detection unit 110: red light detection unit
120: infrared light detection unit 150: signal preprocessing unit
180: A/D conversion unit 200: operation processing unit
300: memory unit 310: output unit

Claims (16)

적색광 검출부와 적외광 검출부를 구비하여, 적색광 용적 맥파와 적외광 용적 맥파를 검출하여, 잡음을 제거하고 디지탈신호로 변환하는, 광용적맥파 검출부;
광용적맥파 검출부로부터 수신된 적색광 용적 맥파와 적외광 용적 맥파에서, PRV (pulse rate variability)와 PAV (pulse amplitude variability)를 검출하고, 검출된 PRV 및 PAV를 입력벡터로서 순환신경망(RNN)에 적용하여, 수면단계를 각성상태(wake), 렘수면(REM sleep), 비 렘수면(Non-REM sleep) 중 하나로 분류한 후, 상기 적색광 용적 맥파와 적외광 용적 맥파로부터 검출된 산소포화도와, 각성상태(wake) 연속 발생수를 이용하여, 분류된 상기 수면 단계를 재조정하는, 연산처리부;
를 포함하여 이루어진 것을 특징으로 하는, 수면단계 분류 장치.A light volumetric pulse wave detector having a red light detection unit and an infrared light detection unit, detecting a red light volumetric pulse wave and an infrared light volumetric pulse wave, removing noise and converting it into a digital signal;
In the red light volume pulse wave and infrared light volume pulse wave received from the optical volume pulse wave detector, PRV (pulse rate variability) and PAV (pulse amplitude variability) are detected, and the detected PRV and PAV are applied to the circulatory neural network (RNN) as input vectors. Thus, after classifying the sleep phase into one of wake, REM sleep, and Non-REM sleep, the oxygen saturation degree detected from the red light volume pulse wave and the infrared light volume pulse wave, and the wake state ( wake) an operation processor configured to readjust the classified sleep stages using the number of consecutive occurrences;
Characterized in that made, including a sleep stage classification device. 제1항에 있어서,
연산처리부는,
산소포화도가 3%이상 감소되었는 지 여부를 판단하여, 산소포화도가 3%이상 감소되었다면 수면호흡장애가 발생했다고 판단하며, 만약, 수면호흡장애가 발생되지 않았다면, 산소불포화 이벤트 발생여부를 판단하고, 산소불포화 이벤트가 발생되면 산소불포화 이벤트를 렘수면이나 비 렘수면으로 한 후,
수면호흡장애가 발생하였을 때도, 그리고 수면호흡장애가 발생하지 않았을 때에도, 각성상태(wake)의 연속발생수에 따라, 각성상태를 렘수면 또는 비 렘수면으로 변경하는 것을 특징으로 하는, 수면단계 분류 장치.The method of claim 1,
The operation processing unit,
It is determined whether or not the oxygen saturation has decreased by more than 3%, and if the oxygen saturation has been reduced by more than 3%, it is judged that a sleep respiration disorder has occurred. When an event occurs, the oxygen unsaturation event is set to REM sleep or non-REM sleep.
When a sleep respiration disorder occurs, and even when a sleep respiration disorder does not occur, the awakening state is changed to REM sleep or non-REM sleep according to the number of consecutive occurrences of awakening state. 제2항에 있어서,
연산처리부는,
각성상태의 연속발생수에 따라 각성상태를 렘수면 또는 비 렘수면으로 바꾸기 위해,
각성상태가 연속으로 2 epoch 이하 발생하면, 각성상태를 렘수면 또는 비 렘수면으로 바꾸되, 각성상태 이전의 epoch의 수면단계와 동일하게 하며,
각성상태가 연속으로 3 epoch 이상 발생하면 첫 번째 epoch을 이전에 epoch의 수면단계와 동일하게 하는 것을 특징으로 하는, 수면단계 분류 장치.The method of claim 2,
The operation processing unit,
In order to change the awakening state to REM sleep or non-REM sleep according to the number of consecutive occurrences of arousal state,
If the arousal state occurs continuously less than 2 epochs, the arousal state is changed to REM sleep or non-REM sleep, but the sleep phase of the epoch before the awakening state is the same.
When the awakening state occurs more than 3 epochs in a row, the first epoch is made the same as the sleep stage of the previous epoch. 제2항에 있어서,
연산처리부는,
수면호흡장애가 발생되지 않았고, 산소불포화 이벤트가 발생되었다면, 산소불포화 이벤트를 렘수면이나 비 렘수면으로 변경하되, 산소불포화 이벤트 이전의 epoch의 수면단계와 동일하게 하는 것을 특징으로 하는, 수면단계 분류 장치.The method of claim 2,
The operation processing unit,
Sleep respiration disorder does not occur, and if an oxygen unsaturation event occurs, the oxygen unsaturation event is changed to REM sleep or non-REM sleep, but the sleep stage classification device is characterized in that the sleep stage of the epoch before the oxygen unsaturation event is the same as the sleep stage of the epoch. 제1항 내지 제4항 중 어느 한 항에 있어서,
상기 순환신경망(RNN)은, 기 검출된 트레닝 데이터에 의해 트래닝하되,
상기 트레닝 데이터는,
적색광 용적 맥파 또는 적외광 용적 맥파에서 구하여진 PRV 및 PAV와,
상기 PRV 및 PAV에 의해 기존의 방식에 의해 분류된 수면단계의 데이터들로 트래닝된 것을 특징으로 하는, 수면단계 분류 장치.The method according to any one of claims 1 to 4,
The circulatory neural network (RNN) is trained based on the previously detected training data,
The training data,
PRV and PAV obtained from red light volumetric pulse wave or infrared light volumetric pulse wave,
The apparatus for classifying a sleep phase, characterized in that it is trained with data of the sleep phase classified by the conventional method by the PRV and PAV. 제3항에
연산처리부는, 광용적맥파에서, 적응 문턱치 알고리즘에 의해 구하여진 피크 문턱치 이상인 최대점(피크)들을 검출하고, PRV는
Figure 112020125556820-pat00028

(단,
Figure 112020125556820-pat00029
는 i번째 펄스의 최대점의 값, fS는 광용적맥파(PPG) 신호의 샘플링 주파수, n은 문턱치를 갱신하는 회차임)
에 의해 구하여 지는 것을 특징으로 하는, 수면단계 분류 장치.To paragraph 3
The operation processing unit detects maximum points (peaks) that are greater than or equal to the peak threshold obtained by the adaptive threshold algorithm in the optical volume pulse wave, and the PRV is
Figure 112020125556820-pat00028

(only,
Figure 112020125556820-pat00029
Is the value of the maximum point of the i-th pulse, f S is the sampling frequency of the PPG signal, and n is the cycle of updating the threshold value)
It characterized in that it is obtained by, the sleep stage classification device. 연산처리부가, 광용적맥파 검출부로부터 수신된 적색광 용적 맥파와 적외광 용적 맥파에서, PRV (pulse rate variability)와 PAV (pulse amplitude variability)를 검출하는, 특징추출단계;
연산처리부가, 특징추출단계에서 검출된 PRV 및 PAV를 입력벡터로서 순환신경망(RNN)에 적용하여, 수면단계를 각성상태(wake), 렘수면(REM sleep), 비 렘수면(Non-REM sleep) 중 하나로 분류하는, RNN 단계;
연산처리부가, 상기 적색광 용적 맥파와 적외광 용적 맥파로부터 산소포화도를 검출하는, 산소포화도 연산단계;
연산처리부는 산소포화도와, 각성상태(wake) 연속 발생수를 이용하여, 분류된 상기 수면 단계를 조정하는, 수면 단계의 조정단계;
를 포함하여 이루어진 것을 특징으로 하는, 수면단계 분류 방법.A feature extraction step of detecting a pulse rate variability (PRV) and a pulse amplitude variability (PAV) from the red light volumetric pulse wave and the infrared light volumetric pulse wave received from the optical volumetric pulse wave detector;
The operation processing unit applies the PRV and PAV detected in the feature extraction step as input vectors to the circulatory neural network (RNN), and performs the sleep phase among wake, REM sleep, and non-REM sleep. Classifying into one, RNN step;
An oxygen saturation degree calculating step of detecting an oxygen saturation degree from the red light volumetric pulse wave and the infrared light volumetric pulse wave;
The operation processing unit adjusts the classified sleep phase by using the oxygen saturation degree and the number of continuous wake-up occurrences, the adjustment step of the sleep phase;
Characterized in that made, including a sleep stage classification method. 제7항에 있어서,
연산처리부는 산소포화도가 3%이상 감소되었는 지 여부를 판단하여, 산소포화도가 3%이상 감소되었다면 수면호흡장애가 발생했다고 판단하며, 만약, 수면호흡장애가 발생되지 않았다면, 산소불포화 이벤트 발생여부를 판단하고, 산소불포화 이벤트가 발생되면 산소불포화 이벤트를 렘수면이나 비 렘수면으로 하는, 수면호흡 장애여부 판단단계;
를 포함하여 이루어진 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 7,
The processing unit determines whether or not the oxygen saturation has decreased by more than 3%, and if the oxygen saturation has been reduced by more than 3%, it determines that a sleep respiration disorder has occurred, and if a sleep respiration disorder has not occurred, it determines whether an oxygen unsaturation event has occurred. , When the oxygen unsaturation event occurs, the oxygen unsaturation event is used as REM sleep or non-REM sleep, determining whether there is a sleep respiration disorder;
Characterized in that made, including a sleep stage classification method. 제8항에 있어서,
수면호흡 장애여부 판단단계에서, 연산처리부는,
수면호흡장애가 발생되지 않았고, 산소불포화 이벤트가 발생되었다면, 산소불포화 이벤트를 렘수면이나 비 렘수면으로 변경하되, 산소불포화 이벤트 이전의 epoch의 수면단계와 동일하게 하는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 8,
In the step of determining whether there is a sleep respiration disorder, the operation processing unit,
Sleep respiration disorder does not occur, and if an oxygen unsaturation event occurs, the oxygen unsaturation event is changed to REM sleep or non REM sleep, but the sleep stage classification method, characterized in that the sleep stage of the epoch before the oxygen unsaturation event is the same. 제8항에 있어서,
수면호흡 장애여부 판단단계 후, 연산처리부는, 수면호흡장애가 발생하였을 때도, 그리고 수면호흡장애가 발생하지 않았을 때에도, 각성상태(wake)의 연속발생수에 따라, 각성상태를 렘수면 또는 비 렘수면으로 변경하는, 수면단계 재조정단계
를 포함하는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 8,
After the sleep respiration failure determination step, the operation processing unit changes the awakening state to REM sleep or non-REM sleep according to the number of consecutive wakes, even when a sleep respiration disorder occurs and when a sleep respiration disorder does not occur. , Sleep stage readjustment stage
Characterized in that it comprises a, sleep stage classification method. 제10항에 있어서,
수면단계 재조정단계는
각성상태가 연속으로 2 epoch 이하 발생하면, 연산처리부는, 각성상태를 렘수면 또는 비 렘수면으로 바꾸되, 각성상태 이전의 epoch의 수면단계와 동일하게 하며,
각성상태가 연속으로 3 epoch 이상 발생하면, 연산처리부는, 첫 번째 epoch을 이전에 epoch의 수면단계와 동일하게 하는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 10,
The sleep stage readjustment stage
When the arousal state occurs continuously less than 2 epochs, the operation processing unit changes the arousal state to REM sleep or non-REM sleep, but makes it the same as the sleep phase of the epoch before the awakening state,
When the awakening state occurs more than 3 epochs in succession, the operation processing unit makes the first epoch the same as the sleep stage of the previous epoch. 제7항에 있어서,
특징추출단계에서, 연산처리부는 광용적맥파 검출부로부터 수신한 적색광 용적 맥파 및 적외광 용적 맥파를 0.1 ∼ 5 Hz의 대역통과 디지털 필터를 통과시킨 후, 적응문턱치알고리즘을 이용하여 펄스의 최대점(peak) 및 최소점을 검출하고, 검출된 최대점 및 최소점을 이용하여 PRV와 PAV을 검출하는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 7,
In the feature extraction step, the operation processing unit passes the red light volume pulse wave and the infrared light volume pulse wave received from the light volume pulse wave detection unit through a band-pass digital filter of 0.1 to 5 Hz, and then uses the adaptive threshold algorithm to determine the peak of the pulse. ) And detecting the minimum point, and detecting PRV and PAV using the detected maximum and minimum points. 제12항에 있어서,
연산처리부는, 광용적맥파에서, 적응 문턱치 알고리즘에 의해 구하여진 피크 문턱치 이상인 최대점(피크)들을 검출하고, PRV는
Figure 112020125556820-pat00030

(단,
Figure 112020125556820-pat00031
는 i번째 펄스의 최대점의 값, fS는 광용적맥파(PPG) 신호의 샘플링 주파수, n은 문턱치를 갱신하는 회차임)
에 의해 구하여 지는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 12,
The operation processing unit detects maximum points (peaks) that are greater than or equal to the peak threshold obtained by the adaptive threshold algorithm in the optical volume pulse wave, and the PRV is
Figure 112020125556820-pat00030

(only,
Figure 112020125556820-pat00031
Is the value of the maximum point of the i-th pulse, f S is the sampling frequency of the PPG signal, and n is the cycle of updating the threshold value)
Characterized in that obtained by, the sleep stage classification method. 제7항에 있어서,
산소포화도 연산단계에서, 연산처리부는 산소포화도(SpO2)를
Figure 112019018769218-pat00032

(단,
Figure 112019018769218-pat00033
는 적색광용적 맥파의 AC 성분의 제곱이며,
Figure 112019018769218-pat00034
는 적외광용적 맥파 AC 성분의 제곱임)
에 의해 구하는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 7,
In the oxygen saturation calculation step, the calculation processing unit determines the oxygen saturation (SpO 2 ).
Figure 112019018769218-pat00032

(only,
Figure 112019018769218-pat00033
Is the square of the AC component of the red light volume pulse wave,
Figure 112019018769218-pat00034
Is the square of the infrared light volume pulse wave AC component)
Characterized in that obtained by, the sleep stage classification method. 제12항에 있어서,
연산처리부는 PAV를
Figure 112020125556820-pat00035

(단, χPPG(n)은 적색광 또는 적외광의 광용적맥파 신호,
Figure 112020125556820-pat00036
는 i번째 펄스의 최대점의 값,
Figure 112020125556820-pat00037
는 i번째 펄스의 최소점의 값, n은 문턱치를 갱신하는 회차임)
에 의해 구하는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 12,
The operation processing unit uses PAV
Figure 112020125556820-pat00035

(However, χ PPG (n) is a red light or infrared light volumetric pulse wave signal,
Figure 112020125556820-pat00036
Is the value of the maximum point of the i-th pulse,
Figure 112020125556820-pat00037
Is the value of the minimum point of the i-th pulse, and n is the cycle of updating the threshold value)
Characterized in that obtained by, the sleep stage classification method. 제7항 내지 제15항 중 어느 한 항의 수면단계 분류 방법을 실행하는 컴퓨터 프로그램이 기록된 기록매체.A recording medium on which a computer program for executing the method for classifying sleep stages according to any one of claims 7 to 15 is recorded.
KR1020190020803A 2018-02-21 2019-02-21 Sleep stage classification device and method using pulse oximeter KR102237466B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180020662 2018-02-21
KR1020180020662 2018-02-21

Publications (2)

Publication Number Publication Date
KR20190100888A KR20190100888A (en) 2019-08-29
KR102237466B1 true KR102237466B1 (en) 2021-04-15

Family

ID=67776020

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190020803A KR102237466B1 (en) 2018-02-21 2019-02-21 Sleep stage classification device and method using pulse oximeter

Country Status (1)

Country Link
KR (1) KR102237466B1 (en)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102344378B1 (en) * 2019-12-23 2021-12-29 주식회사 뉴로그린 Pain evaluation method based on deep learning model and analysis apparatus
WO2021132813A1 (en) * 2019-12-23 2021-07-01 경희대학교 산학협력단 Pain evaluation method and analysis device using deep learning model
KR102371443B1 (en) * 2020-08-24 2022-03-08 (주)허니냅스 Automatic system of analyzing sleep steps by using artificial intelligence and operating method thereof
CN112842266A (en) * 2020-12-31 2021-05-28 湖南东晟南祥智能科技有限公司 Sleep stage identification method based on human body monitoring sleep data
KR102268804B1 (en) 2021-02-16 2021-06-25 최현수 Method and apparatus for providing lighting and music according to sleep conditions using artificial intelligence
KR102453428B1 (en) * 2022-06-03 2022-10-13 주식회사 슈파스 Method, apparatus and computer program for calculating respiratory rate using biometric data based on pulse oximetry
CN116942102B (en) * 2023-09-19 2023-12-22 北京清雷科技有限公司 Sleep stage method and device based on pulse wave
CN117224092B (en) * 2023-11-16 2024-02-09 常熟理工学院 Photoelectric volume pulse wave interference band real-time detection method and system based on decision tree

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005279113A (en) 2004-03-30 2005-10-13 Toshiba Corp Apparatus and method for determining sleeping condition
KR101601895B1 (en) 2014-08-29 2016-03-22 연세대학교 원주산학협력단 Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130077418A (en) * 2011-12-29 2013-07-09 한국기초과학지원연구원 Classification method of bio-electric signal and device adopting the classification method
KR20160107007A (en) * 2015-03-03 2016-09-13 삼성전자주식회사 Apparatus and method for measuring blood pressure
KR102036987B1 (en) * 2017-06-07 2019-10-25 한국전자통신연구원 Method and apparatus for sensing sleep state using biometric data and motion information

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005279113A (en) 2004-03-30 2005-10-13 Toshiba Corp Apparatus and method for determining sleeping condition
KR101601895B1 (en) 2014-08-29 2016-03-22 연세대학교 원주산학협력단 Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity

Also Published As

Publication number Publication date
KR20190100888A (en) 2019-08-29

Similar Documents

Publication Publication Date Title
KR102237466B1 (en) Sleep stage classification device and method using pulse oximeter
Feng et al. A sleep apnea detection method based on unsupervised feature learning and single-lead electrocardiogram
Stetson Determining heart rate from noisy pulse oximeter signals using fuzzy logic
KR101601895B1 (en) Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity
Willemen et al. An evaluation of cardiorespiratory and movement features with respect to sleep-stage classification
Bsoul et al. Apnea MedAssist: real-time sleep apnea monitor using single-lead ECG
US6931269B2 (en) Multi-domain motion estimation and plethysmographic recognition using fuzzy neural-nets
Burgos et al. Real-time detection of apneas on a PDA
Alvarez-Estevez et al. Computer-assisted diagnosis of the sleep apnea-hypopnea syndrome: a review
Wang et al. Photoplethysmography-based blood pressure estimation combining filter-wrapper collaborated feature selection with LASSO-LSTM model
JP2010234059A (en) Method for determining state of oximetry sensor
CN113729707A (en) FECNN-LSTM-based emotion recognition method based on multi-mode fusion of eye movement and PPG
US20200405222A1 (en) Sleep apnea detection system and method
CN114376564A (en) Sleep staging method, system, device and medium based on cardiac shock signal
Casal et al. Classifying sleep–wake stages through recurrent neural networks using pulse oximetry signals
CN108463166A (en) The diagnostic system and method for pediatric obstructive sleep sleep apnea
Liu et al. Detection of obstructive sleep apnea from single-channel ECG signals using a CNN-transformer architecture
CN113180596A (en) Non-contact sleep analysis method and device and storage medium
TİMUŞ et al. k-NN-based classification of sleep apnea types using ECG
Gao et al. Obstructive sleep apnea syndrome detection based on ballistocardiogram via machine learning approach
Casal et al. Sleep-wake stages classification using heart rate signals from pulse oximetry
Sugita et al. Noise reduction technique for single-color video plethysmography using singular spectrum analysis
KR102243017B1 (en) Depression Index Estimation Method Using Skin Image
WO2020237371A1 (en) System and method for filtering time-varying data for physiological signal prediction
Zhang et al. Sleep/wake classification via remote PPG signals

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right