KR102645586B1 - Apparatus and method for classifying breathing state during sleep using biosignals - Google Patents
Apparatus and method for classifying breathing state during sleep using biosignals Download PDFInfo
- Publication number
- KR102645586B1 KR102645586B1 KR1020210173772A KR20210173772A KR102645586B1 KR 102645586 B1 KR102645586 B1 KR 102645586B1 KR 1020210173772 A KR1020210173772 A KR 1020210173772A KR 20210173772 A KR20210173772 A KR 20210173772A KR 102645586 B1 KR102645586 B1 KR 102645586B1
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- sleep
- osa
- ecg signal
- breathing state
- Prior art date
Links
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007958 sleep Effects 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 7
- 208000001797 obstructive sleep apnea Diseases 0.000 claims description 83
- 230000004622 sleep time Effects 0.000 claims description 48
- 238000005259 measurement Methods 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 37
- 208000008784 apnea Diseases 0.000 claims description 33
- 238000002372 labelling Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000000241 respiratory effect Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 206010021079 Hypopnoea Diseases 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 5
- 201000002859 sleep apnea Diseases 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 2
- 230000000414 obstructive effect Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000002045 lasting effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010021133 Hypoventilation Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 208000002815 pulmonary hypertension Diseases 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0826—Detecting or evaluating apnoea events
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법에 관한 것으로, 더욱 상세하게는 사용자의 수면 중 ECG 신호를 측정하는 생체신호 측정부, 상기 ECG 신호를 전처리하는 전처리부, 상기 전처리된 상기 ECG 신호의 특징을 추출하는 특징추출부 및 상기 특징을 이용하여 상기 사용자의 호흡상태를 진단하는 진단부를 포함하며, 상기 특징추출부 및 상기 진단부는 딥러닝으로 구성되어 ECG 신호만으로 OSA를 진단할 수 있다.The present invention relates to a sleep breathing state classification device and method using biosignals, and more specifically, to a biosignal measuring unit that measures the ECG signal while the user is sleeping, a preprocessor that preprocesses the ECG signal, and the preprocessed ECG. It includes a feature extraction unit that extracts the characteristics of the signal and a diagnosis unit that uses the features to diagnose the user's breathing condition. The feature extraction unit and the diagnosis unit are composed of deep learning and can diagnose OSA using only ECG signals. .
Description
본 발명은 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법에 관한 것으로, 구체적으로는 사용자의 수면시간에 ECG 신호를 측정하여 사용자의 수면무호흡증의 중증도를 측정하여 사용자에게 제공하는 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for classifying sleep breathing status using bio-signals, and more specifically, to an apparatus and method for measuring the severity of the user's sleep apnea by measuring the ECG signal during the user's sleep time and providing it to the user. .
폐쇄성 수면 무호흡증(Obstructive sleep apnea, OSA)은 산업화 및 사회의 발전이 진행됨에 따라 수면 연장으로 인한 노화 및 비만 인구의 증가로 남녀의 구분 없이 겪고 있는 흔한 수면 장애 중 하나이며, 고혈압과 심부전, 뇌졸중, 관상 동맥 질환, 부정맥, 폐고혈압과 같은 심혈관계와 관련된 합병증을 유발한다. 또한, 수면 부족으로 인하여 주간에 졸음을 유발하여 졸음운전과 생산력 저하 등 사회적 문제로도 초래되고 있다. Obstructive sleep apnea (OSA) is one of the common sleep disorders suffered by both men and women due to the increase in the aging and obese population due to prolonged sleep as industrialization and social development progress, and it causes hypertension, heart failure, stroke, It causes complications related to the cardiovascular system, such as coronary artery disease, arrhythmia, and pulmonary hypertension. In addition, lack of sleep causes drowsiness during the day, leading to social problems such as drowsy driving and decreased productivity.
일반적으로 폐쇄성 수면 무호흡증은 전반적인 수면의 상태와 수면 질환 여부를 알 수 있는 수면다원검사를 통하여 진단된다. 수면다원검사는 여러 가지 센서를 사용자의 신체에 부착한 상태로 검사실에서 진행되며, 전문 인력이 평균 7~8시간의 수면 시간을 관찰하기 때문에 장소와 금전적인 제약이 존재한다. 그러한 제약들로 모든 잠재적 폐쇄성 수면 무호흡증 환자에 대한 수면다원검사가 어렵다.In general, obstructive sleep apnea is diagnosed through polysomnography, which can determine the overall sleep status and presence of sleep disorders. Polysomnography is conducted in a laboratory with various sensors attached to the user's body, and because specialized personnel observe an average of 7 to 8 hours of sleep, there are location and financial restrictions. Such limitations make it difficult to perform polysomnography on all patients with potential obstructive sleep apnea.
또한, 폐쇄성 수면 무호흡증 검사를 위해서는 수면시간을 측정하고 무호흡 사건을 탐지하는 것이 필수적이며, 실제 수면 시간을 정확하게 측정하지 않으면 수면 중 무호흡으로 인하여 깨어 있는 시간이 실제 수면 시간에 포함되어 실제 수면시간에 대비하여 긴 시간을 수면 시간으로 오판할 수 있어 무호흡-저호흡 지수(Apnea-Hypopnea Index, AHI)가 실제보다 작게 계산될 수 있는 문제를 포함하고 있다.Additionally, in order to test for obstructive sleep apnea, it is essential to measure sleep time and detect apnea events. If the actual sleep time is not measured accurately, the time awake due to apnea during sleep is included in the actual sleep time and compared to the actual sleep time. As a result, a long period of time can be misjudged as sleep time, causing the Apnea-Hypopnea Index (AHI) to be calculated to be smaller than it actually is.
상기와 같은 문제점을 해결하기 위하여 종래에 여러 가지 기술이 제시되었으나, 복수의 센서로 다양한 생체신호의 측정을 실시하여야 하며, 사용자에게 맞춤형 평가 방법이 아닌 다수의 사용자에게 적합할 수 있도록 평균 데이터를 기반으로 동작을 수행하는 방법을 제시하고 있어 이러한 방법들 또한 무호흡-저호흡 지수를 정확하게 제공하지 못하는 문제가 여전히 있다.In order to solve the above problems, various technologies have been proposed in the past, but they require measurement of various biological signals using multiple sensors, and are based on average data to be suitable for a large number of users rather than a customized evaluation method. However, these methods still have the problem of not providing an accurate apnea-hypopnea index.
본 발명은 상기 기술적 과제에 대한 문제점을 해결하기 위한 것으로, 심전도(electrocardiogram, ECG)의 단일 신호만을 이용하여 사용자에게 무호흡-저호흡 지수를 측정하는 방법을 제공하는데 그 목적이 있다.The present invention is intended to solve the problems related to the above technical problem, and its purpose is to provide a method of measuring the apnea-hypopnea index to the user using only a single signal of an electrocardiogram (ECG).
다른 측면에서 본 발명은 딥러닝을 이용하여 사용자 별 맞춤형 폐쇄성 수면무호흡증 평가 모델을 제공함으로써 정확한 무호흡-저호흡 지수를 측정하며, 무호흡-저호흡 지수를 기반으로 폐쇄성 무호흡증 중증도를 추정하여 제공하는데 그 목적이 있다.In another aspect, the purpose of the present invention is to measure an accurate apnea-hypopnea index by providing a customized obstructive sleep apnea evaluation model for each user using deep learning, and to estimate and provide the severity of obstructive apnea based on the apnea-hypopnea index. There is.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 장치는 사용자의 수면 중 ECG 신호를 측정하는 생체신호 측정부, 상기 ECG 신호를 전처리하는 전처리부, 상기 전처리된 상기 ECG 신호의 특징을 추출하는 특징추출부 및 상기 특징을 이용하여 상기 사용자의 호흡상태를 진단하는 진단부를 포함하며, 상기 특징추출부 및 상기 진단부는 딥러닝으로 구성될 수 있다.A sleep breathing state classification device according to an embodiment of the present invention for solving the above technical problem includes a biosignal measurement unit that measures the ECG signal while the user is sleeping, a preprocessor that preprocesses the ECG signal, and the preprocessed ECG signal. It includes a feature extraction unit for extracting features and a diagnosis unit for diagnosing the user's breathing condition using the features, and the feature extraction unit and the diagnosis unit may be configured with deep learning.
또한, 상기 전처리부는 상기 ECG 신호를 이산 슬라이딩 윈도우(discrete sliding window) 방식을 이용하여 기설정된 단위로 세분화하는 세분화부, 상기 세분화부에서 세분화된 상기 ECG 신호의 각 영역을 라벨링하는 라벨링부 및 상기 라벨링된 라벨을 필터링하는 필터링부를 포함하며, 상기 라벨링부는 상기 세분화부에서 세분화된 각 영역 중 상기 진단부가 진단하고자 하는 영역의 전후 영역을 하나의 그룹으로 묶어 라벨링을 수행할 수 있다.In addition, the preprocessor includes a segmentation unit that subdivides the ECG signal into preset units using a discrete sliding window method, a labeling unit that labels each region of the ECG signal segmented in the segmentation unit, and the labeling unit. It includes a filtering unit that filters the labeled label, and the labeling unit can perform labeling by grouping areas before and after the area that the diagnosis unit wishes to diagnose among each area subdivided in the segmentation unit into one group.
또한, 상기 진단부의 신뢰도에 따라 상기 세분화부의 세분화 단위를 상기 기설정된 단위보다 더 작은 단위로 다시 설정하여 상기 호흡상태를 재진단할 수 있다.In addition, depending on the reliability of the diagnosis unit, the respiratory condition can be re-diagnosed by resetting the subdivision unit of the subdivision unit to a smaller unit than the preset unit.
또한, 상기 특징추출부는 상기 ECG 신호에서 R파의 피크를 탐지하는 피크탐지부, 상기 R파의 피크를 기반으로 특징을 생성하는 특징생성부 및 상기 특징을 리사이징하는 리사이징부를 포함할 수 있다.Additionally, the feature extraction unit may include a peak detection unit that detects the peak of the R wave in the ECG signal, a feature generation unit that generates a feature based on the peak of the R wave, and a resizing unit that resizes the feature.
또한, 상기 특징은 심전도에서 R파에서 다음의 R파까지의 간격(RRI), ECG 유도 호흡(ECG-Derived Respiration, EDR) 및 심전도의 진폭(Amplitude of ECG, AMP)이며, 상기 리사이징부는 보간법을 이용하여 상기 RRI는 오버샘플링을 수행하고, 상기 EDR은 다운샘플링을 수행할 수 있다.In addition, the characteristics are the interval from the R wave to the next R wave in the electrocardiogram (RRI), ECG-Derived Respiration (EDR), and the amplitude of the ECG (AMP), and the resizing unit uses an interpolation method. Using this, the RRI can perform oversampling, and the EDR can perform downsampling.
또한, 상기 진단부는 상기 특징을 이용하여 폐쇄성 수면무호흡(OSA)을 검출하는 OSA 검출부, 상기 특징을 이용하여 순수한 수면 시간을 추정하는 수면시간 추정부, 상기 OSA 및 상기 수면 시간을 이용하여 무호흡-저호흡 지수(AHI)를 계산하는 AHI 계산부 및 상기 AHI를 기반으로 수면무호흡 중증도를 추정하는 호흡상태 추정부를 포함할 수 있다.In addition, the diagnostic unit includes an OSA detection unit that detects obstructive sleep apnea (OSA) using the characteristics, a sleep time estimation unit that estimates pure sleep time using the characteristics, and an apnea-hypoventilation unit using the OSA and the sleep time. It may include an AHI calculator that calculates the respiratory index (AHI) and a breathing state estimation unit that estimates the severity of sleep apnea based on the AHI.
또한, 상기 딥러닝은 LSTM(Long Short-Term Memory) 및 컨볼루션 신경망(Convolutional Neural Network, CNN)의 결합으로 구성되며, 상기 OSA 및 AHI는 소프트맥스를 이용하여 각 호흡의 확률을 계산할 수 있다.In addition, the deep learning is composed of a combination of LSTM (Long Short-Term Memory) and Convolutional Neural Network (CNN), and the OSA and AHI can calculate the probability of each respiration using softmax.
또한, 상기 진단부의 측정 결과 및 상기 ECG 신호를 이용하여 상기 컨볼루션 신경망의 학습을 수행할 수 있다.Additionally, learning of the convolutional neural network may be performed using the measurement results of the diagnostic unit and the ECG signal.
상기 기술적 과제를 해결하기 위한 본 발명의 또 다른 일 실시예에 따른 수면 호흡 상태 분류 방법은 수면 상태의 ECG 신호를 측정하는 단계, 상기 ECG 신호를 기설정된 단위로 분할하는 단계, 분할된 상기 ECG 신호의 특징을 추출하는 단계 및 상기 특징을 이용하여 호흡 상태를 진단하는 단계를 포함하며, 상기 특징을 추출하는 단계 및 상기 호흡 상태를 진단하는 단계는 딥러닝으로 구성되는 분류 모델을 이용할 수 있다.A sleep breathing state classification method according to another embodiment of the present invention for solving the above technical problem includes measuring an ECG signal in a sleeping state, dividing the ECG signal into preset units, and dividing the ECG signal into predetermined units. It includes extracting features and diagnosing a respiratory state using the features, and the step of extracting the features and diagnosing the respiratory state may use a classification model composed of deep learning.
또한, 상기 기설정된 단위로 분할하는 단계는 상기 ECG 신호를 이산 슬라이딩 윈도우(discrete sliding window) 방식을 이용하여 기설정된 단위로 세분화하는 단계, 상기 세분화된 각 구역을 라벨링하는 단계, 상기 라벨링된 벨 중 측정하고자 하는 라벨의 전후 라벨을 묶어 하나의 그룹으로 설정하는 단계 및 상기 그룹을 필터링하는 단계를 포함할 수 있다.In addition, the step of dividing into preset units includes subdividing the ECG signal into preset units using a discrete sliding window method, labeling each subdivided region, and selecting one of the labeled bells. It may include the step of grouping labels before and after the label to be measured and setting them as one group, and filtering the group.
또한, 상기 호흡 상태의 신뢰도에 따라 상기 세분화하는 단위를 기설정된 단위보다 더 작은 단위로 다시 세분화하여 상기 호흡상태를 재진단할 수 있다.Additionally, according to the reliability of the respiratory state, the respiration state can be re-diagnosed by subdividing the subdivided units into smaller units than the preset units.
또한, 상기 특징을 추출하는 단계는 분할된 상기 ECG 신호에서 R파의 피크를 탐지하는 단계, 상기 R파의 피크를 기반으로 특징을 추출하는 단계 및 상기 특징을 리사이징하는 단계를 포함할 수 있다.Additionally, the step of extracting the feature may include detecting a peak of the R wave in the segmented ECG signal, extracting a feature based on the peak of the R wave, and resizing the feature.
또한, 상기 특징은 심전도에서 R파에서 다음의 R파까지의 간격(RRI), ECG 유도 호흡(ECG-Derived Respiration, EDR) 및 심전도의 진폭(amplitude of ECG, AMP)이며, 상기 리사이징하는 단계는 보간법을 이용하여 상기 RRI는 오버샘플링을 수행하고, 상기 EDR은 다운샘플링을 수행할 수 있다.In addition, the characteristics are the interval from the R wave to the next R wave in the electrocardiogram (RRI), ECG-Derived Respiration (EDR), and amplitude of ECG (AMP), and the resizing step is Using interpolation, the RRI can perform oversampling, and the EDR can perform downsampling.
또한, 호흡 상태를 진단하는 단계는 상기 특징을 이용하여 폐쇄성 수면무호흡(OSA) 및 순수한 수면 시간을 검출하는 단계, 상기 OSA 및 상기 수면 시간을 기반으로 무호흡-저호흡 지수(AHI)를 계산하는 단계 및 상기 수면무호흡 중증도를 추정하는 단계를 포함할 수 있다.In addition, the step of diagnosing the respiratory condition includes detecting obstructive sleep apnea (OSA) and pure sleep time using the above characteristics, and calculating an apnea-hypopnea index (AHI) based on the OSA and the sleep time. And it may include estimating the severity of sleep apnea.
또한, 상기 딥러닝은 LSTM(Long Short-Term Memory) 및 컨볼루션 신경망(Convolutional Neural Network, CNN)의 결합으로 구성되며, 상기 OSA 및 AHI는 소프트맥스를 이용하여 각 호흡의 확률을 계산할 수 있다.In addition, the deep learning is composed of a combination of LSTM (Long Short-Term Memory) and Convolutional Neural Network (CNN), and the OSA and AHI can calculate the probability of each respiration using softmax.
또한, 상기 호흡 상태를 진단하는 단계는 측정 결과 및 상기 ECG 신호를 이용하여 상기 컨볼루션 신경망의 학습을 수행하는 단계를 더 포함할 수 있다.Additionally, diagnosing the respiratory condition may further include performing learning of the convolutional neural network using measurement results and the ECG signal.
상기한 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 장치 및 방법에 따르면 ECG 단일 신호만을 이용하여 폐쇄성 무호흡증을 진단할 수 있어 장치의 크기를 대폭 감소시킬 수 있다.According to the sleep breathing state classification device and method according to an embodiment of the present invention described above, obstructive apnea can be diagnosed using only a single ECG signal, thereby significantly reducing the size of the device.
또한, 딥러닝을 이용하여 폐쇄성 무호흡증을 진단함으로써 사용자 별 맞춤형 폐쇄성 무호흡증 측정 장치 및 방법을 제공할 수 있다.In addition, by diagnosing obstructive apnea using deep learning, it is possible to provide a customized obstructive apnea measurement device and method for each user.
또한, 폐쇄성 무호흡증 발생 시간과 실제 수면 시간을 분리하여 폐쇄성 무호흡-저호흡 지수를 계산함으로써 더욱 정확한 폐쇄성 무호흡증 중증도를 계산할 수 있다.In addition, by calculating the obstructive apnea-hypopnea index by separating the time when obstructive apnea occurs and the actual sleep time, the severity of obstructive apnea can be calculated more accurately.
또한, 폐쇄성 무호흡증의 측정 단위 시간을 변경함으로써 더욱 정확한 수면 시간을 계산할 수 있다.Additionally, by changing the measurement unit time for obstructive apnea, more accurate sleep time can be calculated.
도 1은 본 발명의 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 장치의 블록 다이어그램이다.
도 2는 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 장치에서 ECG 신호를 분할하는 방법에 대한 도면이다.
도 3은 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 장치에서 이용되는 딥러닝의 구조에 대한 도면이다.
도 4는 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 방법의 전처리 수행단계를 구체화하는 순서도이다.
도 6은 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 방법의 특징 추출 단계를 구체화하는 순서도이다.
도 7은 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 방법의 호흡 상태진단 방법을 구체화하는 단계를 구체화하는 순서도이다.1 is a block diagram of a sleep breathing state classification device according to an embodiment of the present invention.
Figure 2 is a diagram of a method for dividing an ECG signal in a sleep breathing state classification device according to an embodiment of the present invention.
Figure 3 is a diagram of the structure of deep learning used in a sleep breathing state classification device according to an embodiment of the present invention.
Figure 4 is a flowchart of a sleep breathing state classification method according to an embodiment of the present invention.
Figure 5 is a flow chart specifying the preprocessing steps of the sleep breathing state classification method according to an embodiment of the present invention.
Figure 6 is a flow chart specifying the feature extraction step of the sleep breathing state classification method according to an embodiment of the present invention.
Figure 7 is a flow chart specifying the steps of specifying the breathing state diagnosis method of the sleep breathing state classification method according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all changes, equivalents, and substitutes included in the spirit and technical scope of the present invention.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in this application are only used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the technical field to which the present invention pertains. Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted in an ideal or excessively formal sense unless explicitly defined in the present application. No.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시 예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the attached drawings. In order to facilitate overall understanding when describing the present invention, the same reference numerals are used for the same components in the drawings, and duplicate descriptions for the same components are omitted.
도 1은 본 발명의 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 장치의 블록 다이어그램이다.1 is a block diagram of a sleep breathing state classification device according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 수면 호흡 상태 분류 장치는 생체신호 측정부(100), 전처리부(200), 특징추출부(300) 및 진단부(400)을 포함할 수 있다.The sleep breathing state classification device according to an embodiment of the present invention may include a
생체신호 측정부(100)는 사용자의 신체 중 어느 한 부위에 직접 접촉하여 비침습적 방식으로 사용자의 생체 신호를 측정할 수 있으며, 특히 ECG(electrocardiogram, ECG) 신호를 측정하는 센서일 수 있다.The
ECG 신호는 일반적으로 전극을 이용하여 손목, 가슴, 발목 등 ECG를 측정할 수 있는 신체 부위라면 제한 없이 센서를 부착하여 획득할 수 있으며, 최근 다양한 스타트업 및 대기업에서 출시되고 있는 스마트워치 등의 웨어러블 전자장치를 이용하여 수면 중에도 어렵지 않게 ECG 신호를 획득할 수 있다.ECG signals can generally be obtained by attaching a sensor to any body part that can measure ECG, such as the wrist, chest, or ankle, using electrodes, and wearable devices such as smartwatches that have recently been released by various startups and large companies. Using an electronic device, you can easily obtain an ECG signal even while you are sleeping.
본 발명의 일 실시예에서는 ECG 신호만을 이용하여 수면 중의 폐쇄성 무호흡증(Obstructive sleep apnea, OSA)을 추정하는 방법에 대하여 개시하고 있으나, 이에 한정하지 않고 필요한 경우에 종래의 기술과 같이 맥파(PPG), 산소포화도(SpO2), 가속도 센서를 이용한 사용자의 움직임 정보, 심박변이도(heart rate variability, HRV) 등의 다양한 정보를 더하여 정확성을 높일 수 있으며, 이러한 정확도 향상을 위해 추가적인 센서를 통한 측정을 실시할 수 있음은 당연하다.In one embodiment of the present invention, a method for estimating obstructive sleep apnea (OSA) during sleep is disclosed using only ECG signals, but the present invention is not limited to this, and when necessary, pulse wave (PPG), pulse wave (PPG), Accuracy can be increased by adding various information such as oxygen saturation (SpO 2 ), user's movement information using an acceleration sensor, and heart rate variability (HRV). To improve this accuracy, measurement through additional sensors can be performed. It is natural that it can be done.
전처리부(200)는 ECG 신호를 이용하여 OSA를 추정하기 위하여 데이터 전처리를 수행하며, 세분화부(210), 라벨링부(220), 필터링부(230)을 포함하여 구성될 수 있다.The
세분화부(210)는 생체신호 측정부(100)에서 측정한 ECG 신호를 이산 슬라이딩 윈도우(Discrete sliding window) 방식을 사용하여 기 설정된 단위로 분할(segmentation)할 수 있다.The
본 발명의 일 실시예에서 세분화부(210)는 기본적으로 1분 단위로 배치(batch)를 생성할 수 있으나, 필요에 따라 10초, 30초, 5분 등 다양한 크기 단위로 배치를 생성할 수 있다.In one embodiment of the present invention, the
예를 들어, 사용자가 이전의 측정 결과에서 OSA가 높게 측정되었거나 측정된 OSA의 신뢰도가 낮다고 평가되는 경우에 배치 단위를 1분에서 30초 또는 10초 등으로 조절될 수 있으며, 반대의 경우로 OSA가 낮게 측정되었거나, 신뢰도가 상당히 높은 사용자의 경우에는 배치 단위를 1분에서 5분 10분 등으로 증가할 수 있다.For example, if the user evaluates that OSA was measured as high in previous measurement results or that the reliability of the measured OSA is evaluated to be low, the batch unit can be adjusted from 1 minute to 30 seconds or 10 seconds, and vice versa. For users with low measurements or fairly high reliability, the batch unit can be increased from 1 minute to 5 minutes, 10 minutes, etc.
또한, 측정 신뢰도를 향상시키기 위하여 ECG 신호의 분석 결과 OSA가 검출된 배치에 대하여 30초, 10초 등으로 다시 분할하여 재측정을 실시하는 방법을 통해 정확한 OSA 기간, 지속 시간 및 측정 정확도를 향상시킬 수 있다.In addition, in order to improve measurement reliability, the exact OSA period, duration, and measurement accuracy can be improved by dividing the batch in which OSA was detected as a result of ECG signal analysis into 30 seconds, 10 seconds, etc., and re-measuring. You can.
즉, 본 발명의 대표 실시예에서는 세분화부(210)에서 1분 단위로 세분화하여 배치를 생성하는 방법을 개시하고 있으나, 이에 한정하지 않고 사용자 별 측정 상황, 이전 측정 데이터, 측정된 ECG신호의 신뢰도 등 다양한 상황에 따라 동적으로 배치의 생성단위를 변경할 수 있다.That is, the representative embodiment of the present invention discloses a method of generating a batch by subdividing by 1 minute in the
라벨링부(220)는 세분화부(210)에서 생성한 배치를 진단부(400)에 인가하기 위한 에포크(epoch)로 라벨링을 수행할 수 있다.The
세분화부(210)에서 생성한 배치를 직접 진단부에(400) 인가하여 OSA를 검출하게 되면 비연속적 신호가 인가되기 때문에 OSA 검출의 정확도가 감소될 수 있는 문제가 있다.If OSA is detected by directly applying the batch generated by the
도 2는 라벨링부(210)의 동작 방법에 대한 예시로서, 도 2를 참조하여 라벨링부(210)의 동작에 대해 예시하도록 한다.FIG. 2 is an example of an operation method of the
OSA 검출은 연속적인 시계열성으로 측정을 수행하여야 보다 정확한 측정이 가능하며, 이를 위하여 세분화부(210)는 OSA 측정을 실시한 배치의 전후 배치를 함께 묶어 라벨링을 수행하는 방법을 활용할 수 있다.OSA detection requires continuous time series measurement to enable more accurate measurement. To this end, the
본 발명의 일 실시예에서는 시계열적인 ECG 신호의 연속성을 확보하기 위하여 선택된 신호에 대해 기본적으로 앞뒤에 이어지는 신호를 고려하여야 하며, 이를 위하여 본 발명의 일 실시예에서는 세분화부(210)에서 신호를 1분 단위로 분할된 ECG 신호에 대해 OSA 측정을 위해 선택된 배치의 앞 2분, 뒤 2분의 총 5분의 시간을 하나의 라벨로 설정할 수 있다.In one embodiment of the present invention, in order to secure the continuity of the time-series ECG signal, the signals that follow before and after the selected signal must be considered. To this end, in one embodiment of the present invention, the
예를 들어, 10분간 측정된 ECG 신호에 대해 1분씩 10개의 배치를 생성하고 가장 앞의 배치부터 순차적으로 1 내지 10의 번호를 할당할 수 있다. 이후 3번 신호를 측정한다고 예시하면 3번 신호의 앞의 2개인 1, 2번과 뒤의 2개인 4, 5번을 하나의 그룹으로 하여 1 내지 5번의 5분 단위의 ECG 신호를 하나의 라벨로 설정할 수 있다.For example, for ECG signals measured for 10 minutes, 10 batches of 1 minute each can be created and sequentially assigned numbers from 1 to 10 starting from the earliest batch. As an example of measuring signal number 3, the first two
마찬가지로 4번 신호를 측정하는 경우 앞의 2, 3번 신호 및 뒤의 5, 6번 신호를 하나의 그룹으로 묶어 2, 3, 4, 5, 6번의 패치를 하나의 에포크로 라벨링할 수 있다.Likewise, when measuring signal 4, signals 2 and 3 in front and signals 5 and 6 behind can be grouped into one group and patches 2, 3, 4, 5, and 6 can be labeled as one epoch.
필터링부(230)는 라벨링부(220)에서 라벨링된 라벨 단위로 필터링을 수행할 수 있다.The
본 발명의 일 실시예에서 필터링부(230)는 로우 패스 필터(low pass filter)의일종인 FIR 필터(Finite Impulse Response Filter)를 이용하여 동작을 수행하고 있으나, 이에 한정되지 않고 버터워스 필터(Butterworth filter), 파워라인 필터(Powerline filter) 등의 필터를 이용할 수도 있다.In one embodiment of the present invention, the
본 발명의 일 실시예에서 필터링부(230)는 피지오넷(PhysioNet)에서 제공되는 데이터를 활용하여 필터링을 수행할 수 있다.In one embodiment of the present invention, the
특징추출부(300)는 전처리부(200)에서 전처리된 ECG 신호 데이터에서 특징을 추출할 수 있으며, 피크탐지부(310), 특징생성부(320) 및 리사이징부(330)로 구성될 수 있다.The
피크탐지부(310)는 필터링부(230)에서 필터링된 라벨 내의 ECG 신호에 대하여 R파의 피크(peak)를 탐지할 수 있다.The
심장의 전기적 활성 단계는 크게 심방 탈분극, 심실탈분극, 심실재분극 시기로 나눌 수 있으며 이러한 각 단계는 P파, QRS파, T파라고 불리는 몇 개의 파의 형태로 반영될 수 있으며, 본 발명의 일 실시예에서는 P파, QRS파, T파의 형태 중 R파를 검출하여 이용한다.The electrical activity stage of the heart can be broadly divided into atrial depolarization, ventricular depolarization, and ventricular repolarization periods, and each of these stages can be reflected in the form of several waves called P wave, QRS wave, and T wave, and is an embodiment of the present invention. In the example, the R wave is detected and used among the P wave, QRS wave, and T wave types.
본 발명의 일 실시예에서 피크탐지부(310)는 Neurokit를 이용하여 R파를 감지하고 있으나, 이에 한정되지 않고 R파를 검출할 수 있다면 이용에 한정되지 않는다.In one embodiment of the present invention, the
특징생성부(320)는 ECG 신호의 특징을 추출할 수 있다. The
특징생성부(320)는 라벨링부(220)에서 라벨링된 5개의 배치 단위로 특징 추출을 실시하며, 본 발명의 대표 실시예에서와 같이 5개의 배치인 5분 단위로 특징을 추출할 수 있다.The
특징생성부(320)는 피크탐지부(310)에서 추출한 R파 사이의 간격인 RRI, 심전도 유도 호흡(ECG-Derived Respiration, EDR) 및 심전도의 진폭(Amplitude of ECG, AMP)의 3개의 특징을 추출할 수 있다.The
상기에서와 같이 본원발명은 ECG 신호에서 추출할 수 있는 RRI, EDR 및 AMP의 3가지 특징 신호만으로 OSA를 검출할 수 있으며, 필요에 따라 선택적으로 측정된 추가 신호의 특징을 함께 이용할 수 있음은 물론이다.As described above, the present invention can detect OSA with only the three characteristic signals of RRI, EDR, and AMP that can be extracted from the ECG signal, and can also use the characteristics of additional signals selectively measured as needed. am.
하나의 배치는 복수의 샘플로 구성되어 있으며, 복수의 샘플은 상기 3가지 특징(RRI, EDR, AMP)의 샘플들로 구성될 수 있다. 이러한 샘플들을 이용하여 보다 정확한 OSA 검출을 실시하기 위하여 리사이징을 실시할 수 있다.One batch consists of a plurality of samples, and the plurality of samples may be composed of samples of the above three characteristics (RRI, EDR, AMP). Resizing can be performed using these samples to perform more accurate OSA detection.
리사이징부(330)는 진단부(400)에서 보다 정확한 진단을 수행할 수 있도록 특징생성부(330)에서 추출한 특징의 크기를 변경할 수 있다.The resizing
본 발명의 일 실시예에서 리사이징부(330)는 보간법을 이용하여 특징생성부(320)에서 생성한 특징을 리사이징할 수 있으며, RRI에 대하여 보간법을 기반으로 오버샘플링을 실시하고, EDR에 대하여 보간법을 기반으로 다운샘플링을 실시할 수 있다.In one embodiment of the present invention, the resizing
리사이징부(330)는 본 발명의 수면 호흡 상태 분류 장치의 필수 요소에 해당하지는 않으나, OSA의 보다 정확한 검출을 위하여 실시하는 것으로 검출 성능을 향상시킬 수 있다면 방법에 제한을 두지 않고 특징의 리사이징을 실시할 수 있다.The resizing
진단부(400)는 특징추출부(300)에서 추출한 특징을 기반으로 OSA 및 무호흡-저호흡 지수(Apnea-Hypopnea Index, AHI)를 계산하며, AHI를 기반으로 OSA 중증도를 계산할 수 있다.The
진단부(400)는 OSA검출부 (410), 수면시간 추정부(420), AHI 계산부(430) 및 호흡상태 추정부(440)로 구성될 수 있다.The
OSA 검출부(410)는 특징추출부(300)에서 추출된 특징을 기반으로 OSA 검출을 수행할 수 있다.The
도 2를 다시 참조하면, 1 내지 10의 배치 중 3, 6, 8번 배치가 정상 호흡이 아닌 무호흡증 상태를 예시하고 있다. 이때 3번 배치에 대해 검사를 수행하는 경우 상기 라벨링부(220)에서 설명한 바와 같이 앞뒤 2개씩의 배치를 더하여 총 5개의 배치(1 내지 5번 배치)를 기반으로 특징추출부(300)에서 특징을 추출하고, 추출된 특징이 OSA 검출부(410)에 인가되면 OSA 검출부(410)는 정상 호흡 상태일 경우에는 정상, 무호흡증이 검출될 경우에는 비정상으로 결과를 출력하며, 3번 배치가 중심인 라벨에 대하여 비정상, 즉 OSA 상태로 결과를 출력할 수 있다.Referring again to FIG. 2, among
4번 배치에 대하여 검사를 수행하는 경우에는 앞뒤 2개씩의 배치를 더하여 2 내지 6번 배치를 하나의 라벨로 설정되어 있으며, 4번 배치가 정상이므로 정상결과를 출력할 수 있다.When performing a test on batch 4, batches 2 to 6 are set as one label by adding the front and back batches, and since batch 4 is normal, normal results can be output.
수면시간 추정부(420)은 OSA 검출부(410)에서 검출한 OSA에 의하여 일시적으로 잠이 깨는 등의 기상시간(wake time)을 제외한 순수 수면 시간(Pure sleep time)을 추정할 수 있다.The sleep
수면시간 추정부(420)는 일반적으로 OSA 검출부(410)과 동시에 특징추출부(300)의 신호를 받아 동작을 수행할 수 있으며, OSA 검출부(410)의 검출 결과를 제외한 시간을 순수 수면 시간으로 추정할 수 있다.The sleep
또한, OSA에 의하여 잠에서 일시적으로 각성 상태로 들어가는 경우에 즉시 다시 수면상태에 진입하지 않으므로 실험적 결과를 토대로 추가적으로 각성 시간을 제외하여 순수 수면 시간으로 추정할 수 있다.In addition, when one temporarily enters a state of awakening from sleep due to OSA, the patient does not immediately re-enter the sleep state, so based on experimental results, the awakening time can be additionally excluded to estimate pure sleep time.
다시 말하면, 특징추출부(300)에서 추출된 특징은 OSA 검출부(410) 및 수면시간 추정부(420)에 인가되어 OSA와 정상 수면으로 분류될 수 있으며, 본 발명의 일 실시예에서는 별도의 구성으로 구분하고 있으나, 단일 구성요소로 존재할 수도 있다.In other words, the features extracted from the
AHI 계산부(430)는 OSA 검출부(410) 및 수면시간 추정부(420)에서 측정한 OSA 및 순수 수면 시간을 기반으로 무호흡-저호흡 지수(Apnea-Hypopnea Index, AHI)를 계산할 수 있다.The
무호흡(Apnea)은 일반적으로 10초 이상의 호흡 정지를 의미하며, 저호흡(Hypopnea)은 10초 이상의 시간동안 환기량(호흡량)이 50%이상 저하되는 것으로서 AHI는 수면 1시간당 발생하는 무호흡, 저호흡의 평균 횟수를 의미한다.Apnea generally means a pause in breathing for more than 10 seconds, and hypopnea is a decrease in ventilation (respiratory volume) by more than 50% for a period of more than 10 seconds. AHI is the number of apneas and hypopneas that occur per hour of sleep. It means the average number of times.
본 발명의 일 실시예의 세분화부(210)에서 1분 단위로 배치를 생성하였으므로 1시간에 총 60개의 배치가 생성되며, 라벨링부에서도 동일하게 60개의 에포크가 생성될 수 있다. 이러한 60개의 에포크의 특징 데이터가 OSA 검출부(410) 및 수면시간 추정부(420)에 인가되어 OSA 및 순수 수면 시간을 측정하여 AHI를 계산함으로써 보다 정확한 AHI를 계산할 수 있다.Since the
특히, 본 발명의 일 실시예에서는 순수 수면 시간을 이용하여 AHI를 계산하고 있으며, 종래 기술에서와 같이 OSA 만으로 AHI를 계산하는 구성과는 분명한 차이가 있으며, 이러한 순수 수면 시간을 AHI의 계산에 포함시킴으로써 보다 정확한 AHI를 계산할 수 있다.In particular, in one embodiment of the present invention, AHI is calculated using pure sleep time, and there is a clear difference from the configuration of calculating AHI only with OSA as in the prior art, and this pure sleep time is included in the calculation of AHI. By doing so, a more accurate AHI can be calculated.
호흡상태 추정부(440)는 AHI계산부(430)의 AHI 값을 받아 OSA의 심각도를 분류할 수 있다.The respiratory
일반적으로 AHI가 5 미만이면 정상이고, 5 내지 15이면 경증이고, 15 내지 30일 경우 중등도이고, 30을 초과하는 경우 중증환자로 분류하고 있으며, 이러한 분류에 따라 사용자에게 심각도를 제공할 수 있다.In general, if the AHI is less than 5, it is normal, if it is 5 to 15, it is mild, if it is 15 to 30, it is moderate, and if it exceeds 30, it is classified as a severe patient, and the severity level can be provided to the user according to these classifications.
또한, 도면에서는 개시되어 있지 않으나, 수면 호흡 상태 분류 장치의 측정 결과는 유무선 통신망을 이용하여 클라우드, 서버 등의 저장장치(미도시)로 전달되어 저장될 수 있으며, 병원, 의원 등의 의료기관에서 사용자의 동의를 얻어 저장된 정보를 제공받아 진단 및 치료 등 의학적 용도로 활용할 수 있다.In addition, although not shown in the drawing, the measurement results of the sleep breathing status classification device can be transmitted and stored in a storage device (not shown) such as a cloud or server using a wired or wireless communication network, and can be stored by users at medical institutions such as hospitals or clinics. With the consent of the person, the stored information can be provided and used for medical purposes such as diagnosis and treatment.
도 3은 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 장치에서 이용되는 딥러닝의 구조에 대한 도면이다. Figure 3 is a diagram of the structure of deep learning used in a sleep breathing state classification device according to an embodiment of the present invention.
본 발명의 일 실시예에서는 딥러닝을 이용하여 OSA를 검출할 수 있으며, 딥러닝은 LSTM(Long Short-Term Memory) 및 컨볼루션 신경망(Convolutional Neural Network, CNN)의 결합으로 구성될 수 있다.In one embodiment of the present invention, OSA can be detected using deep learning, and deep learning can be composed of a combination of LSTM (Long Short-Term Memory) and Convolutional Neural Network (CNN).
LSTM을 이용하여 ECG 데이터의 시계열 데이터 분류를 실시하고, CNN은 OSA 및 순수 수면 시간의 판단을 위하여 이용될 수 있다. 또한, CNN을 이용하여 특징을 추출할 수 있음은 물론이다.Time series data classification of ECG data is performed using LSTM, and CNN can be used to determine OSA and pure sleep time. Additionally, it goes without saying that features can be extracted using CNN.
또한, 편의에 따라 보다 쉽게 이해할 수 있도록 도 1에서와 같이 진단부(400)의 구성을 OSA검출부 (410), 수면시간 추정부(420), AHI 계산부(430) 및 호흡상태 추정부(440)로 구체화하여 설명을 실시하였으나, 실제로는 하나의 딥러닝에서 모두 처리하여 제공될 수도 있으며, OSA검출부 (410), 수면시간 추정부(420)의 구성만을 딥러닝으로 구현한 뒤에 수학적 알고리즘을 기반으로 AHI 계산 및 호흡상태 추정을 실시할 수도 있다.In addition, for convenience and easier understanding, the
도 3은 OSA검출부 (410), 수면시간 추정부(420)의 구성만을 딥러닝으로 구현한 예시이다.Figure 3 is an example in which only the
레이어의 수가 많아지면 기울기 소실 및 신경망의 과도한 동작으로 인한 폭주 문제가 발생할 가능성이 있다.As the number of layers increases, there is a possibility that congestion problems may occur due to gradient loss and excessive operation of the neural network.
본 발명의 일 실시예에서는 기울기 소실 및 폭주 문제의 발생 가능성을 최소화할 수 있도록 1-D 컨볼루션 필터를 거칠 때마다 배치-정규화(batch-normalizaion)를 이용할 수 있다.In one embodiment of the present invention, batch-normalization can be used every time the 1-D convolution filter is passed to minimize the possibility of gradient loss and congestion problems.
또한, 딥러닝에서 데이터에 따라 오버피팅이 발생될 여지를 방지하기 위하여 드롭아웃(dropout)을 0.7로 설정할 수 있다. Additionally, in deep learning, dropout can be set to 0.7 to prevent overfitting depending on the data.
또한, 소프트맥스(sofrmax)를 이용하여 ECG 특징(RRI, EDR, AMP)를 기반으로 정상 호흡과 비정상 호흡(OSA)을 분류할 수 있다.Additionally, using sofrmax, normal breathing and abnormal breathing (OSA) can be classified based on ECG features (RRI, EDR, AMP).
본 발명의 일 실시예에서는 LSTM과 CNN을 이용한 딥러닝을 기반으로 호흡 분류를 수행하는 방법에 대하여 예시하고 있으나, 이에 한정되지 않고 호흡 분류를 수행할 수 있다면 RNN, ANN, GAN, 기계학습 등 모든 인공신경망을 이용하여 구성될 수 있다.In one embodiment of the present invention, a method of performing breathing classification based on deep learning using LSTM and CNN is exemplified, but it is not limited to this and if breathing classification can be performed, all methods such as RNN, ANN, GAN, machine learning, etc. It can be constructed using an artificial neural network.
본 발명의 일 실시예에서의 딥러닝은 Physionet에서 제공되는 데이터, 종래 수면다원검사를 통하여 획득한 데이터 등을 이용하여 사전에 학습된 모델일 수 있으며, 사전에 다양한 형태의 헤르츠(Hz)로 측정된 트레이닝 세트를 구비하여 학습을 수행함으로써 ECG 측정에 이용된 헤르츠에 상관없이 호흡 분류를 수행할 수 있다.Deep learning in one embodiment of the present invention may be a model learned in advance using data provided by Physionet, data acquired through conventional polysomnography, and measured in various types of hertz (Hz) in advance. By performing learning using a trained training set, respiration classification can be performed regardless of the hertz used for ECG measurement.
또한, 본 발명의 일 실시예에서의 딥러닝은 사전에 학습이 완료되어 있으므로 사용자가 즉시 측정에 활용할 수 있으며, 측정 결과는 저장장치(미도시)에 저장되어 딥러닝의 추가적인 학습에 활용될 수 있다. In addition, deep learning in one embodiment of the present invention has been trained in advance, so the user can immediately use it for measurement, and the measurement results can be stored in a storage device (not shown) and used for additional deep learning learning. there is.
즉, 본 발명의 딥러닝은 사용을 반복할수록 사용자 별 맞춤형 모델을 형성할 수 있으며, 사용자 별 맞춤 학습을 수행함에 따라 OSA 측정의 정확도도 함께 향상될 수 있다.In other words, the deep learning of the present invention can form a customized model for each user as it is used repeatedly, and the accuracy of OSA measurement can also be improved as customized learning for each user is performed.
더하여, 다수의 사용자가 하나의 기기를 이용하여 측정을 함으로 인하여 ㄱ딥러닝의 학습에 문제가 생길 수 있으므로 지문, ID 등의 다양한 방법을 통한 사용자 인증 단계를 추가함으로써 복수의 사용자에게도 사용자 별 맞춤 모델을 제공할 수 있다.In addition, because multiple users use one device to measure, problems may arise in deep learning learning, so by adding a user authentication step through various methods such as fingerprints and IDs, a customized model for each user can be created for multiple users. can be provided.
도 4는 본 발명의 일 실시예에 따른 수면 호흡 상태 분류 방법의 순서도이다.Figure 4 is a flowchart of a sleep breathing state classification method according to an embodiment of the present invention.
사용자가 수면 호흡 상태 분류 장치를 착용하고 수면을 실시하면 생체신호 측정부(100)에서 ECG 신호를 측정할 수 있다(S100).When a user sleeps while wearing a sleep-respiratory status classification device, the
측정된 ECG 신호는 기설정된 단위로 분할될 수 있다(S200). The measured ECG signal can be divided into preset units (S200).
분할된 ECG 신호의 특징을 추출하고(S300), 추출된 특징을 이용하여 호흡상태를 진단할 수 있다(S400).The features of the segmented ECG signal can be extracted (S300), and the respiratory condition can be diagnosed using the extracted features (S400).
도 5는 상기 S200 단계를 구체적으로 설명하는 도면이다.Figure 5 is a diagram specifically explaining step S200.
ECG 신호가 인가되면 전처리부(200)에서는 기설정된 단위로 분할하는 전처리를 수행할 수 있다. 전처리를 수행하기 위하여 측정된 ECG 신호는 세분화부(210)에서 기설정된 단위로 분할될 수 있다(S210).When the ECG signal is applied, the
상기 분할되는 단위는 1분으로 분할하는 것을 원칙으로 하나, 이에 한정되지 않고 이전 측정 결과에 따라 보다 구체적인 평가가 필요한 경우에는 30초, 15초 등으로 세분화하거나, 수면 중 무호흡증이 적은 사용자의 경우에는 5분, 10분 등으로 간격을 넓혀 측정의 용의성 확보 및 정화도 향상을 위하여 동적으로 분할되는 단위를 조절할 수 있다.In principle, the unit to be divided is divided into 1 minute, but it is not limited to this, and if more specific evaluation is needed according to previous measurement results, it can be subdivided into 30 seconds, 15 seconds, etc., or in the case of users who have less apnea during sleep. By widening the interval to 5 minutes, 10 minutes, etc., the units divided dynamically can be adjusted to ensure ease of measurement and improve purity.
ECG신호가 분할되면 분할된 각 영역에 대하여 라벨링을 실시할 수 있다(S220).When the ECG signal is divided, labeling can be performed on each divided region (S220).
ECG 신호는 시간적인 연속성을 띄고 있는 신호이기 때문에 OSA 검출 또한 연속적인 시계열성을 포함하고 있으므로 보다 정확한 측정을 위해서 검사에 이용되는 라벨은 연속성을 포함하고 있어야 한다.Since the ECG signal is a signal with temporal continuity, OSA detection also includes continuous time series, so for more accurate measurement, the label used in the test must include continuity.
본 발명의 일 실시예에서는 분할된 ECG 신호가 연속성을 확보할 수 있도록 측정하기 위한 분할된 신호의 전후 2개의 영역을 결합한 영역을 하나의 라벨로 라벨링할 수 있다.In one embodiment of the present invention, the area combining the two areas before and after the segmented signal for measurement to ensure continuity of the segmented ECG signal can be labeled with one label.
예를 들어, 도 2를 참조하면 측정기간을 10개의 영역으로 분할하는 경우, 3번 영역을 검사하기 위해서는 3번 영역의 앞 2개의 영역인 1, 2번 영역과 뒤 2개의 영역인 4, 5번 영역인 1번 내지 5번 영역을 하나의 라벨로 라벨링을 수행할 수 있다.For example, referring to Figure 2, when the measurement period is divided into 10 areas, in order to inspect area 3,
동일한 방법으로 5번 영역을 검사하기 위해서는 앞 2개 영역인 3, 4번 영역과 뒤 2개 영역인 6, 7번 영역인 3번 내지 7번 영역을 하나의 라벨로 라벨링을 수행할 수 있다.To inspect area 5 in the same way, the front two areas, areas 3 and 4, the back two areas, areas 6 and 7, and areas 3 to 7 can be labeled with one label.
상기와 같은 방식으로 라벨링을 실시하게 되면 3번 신호 검사 후에 4번 신호를 검사하는 경우에 각 라벨 내에 2, 3, 4, 5번 신호가 동일하게 포함되어 있어 신호의 연속성을 확보할 수 있다.If labeling is performed in the above manner, when signal 4 is inspected after signal 3 is inspected, signals 2, 3, 4, and 5 are equally included in each label, thereby ensuring signal continuity.
ECG 신호에 대하여 라벨링이 완료되면 각 라벨에 대해 측정 정확도를 향상시키기 위하여 잡음 등을 필터링할 수 있다(S230).Once labeling of the ECG signal is completed, noise, etc. can be filtered to improve measurement accuracy for each label (S230).
도 6은 상기 S300 단계를 구체적으로 설명하는 도면이다.Figure 6 is a diagram specifically explaining step S300.
분할된 신호는 특징추출부(300)로 인가되어 특징을 추출할 수 있다.The divided signal is applied to the
각 라벨은 피크탐지부(310)으로 인가되어 라벨 내 ECG 신호에 대하여 R-피크를 탐지할 수 있다(S310).Each label is applied to the
ECG 신호는 P파, Q파, R파, S파, T파 등 복수의 파형 형태를 포함하고 있으며, 본 발명의 일 실시예에서는 이 중 피크에 해당하는 R파를 검출하여 이용할 수 있다.The ECG signal includes a plurality of waveforms such as P wave, Q wave, R wave, S wave, and T wave. In one embodiment of the present invention, the R wave corresponding to the peak can be detected and used.
R-피크(R파)는 Neurokit를 이용하여 탐지할 수 있으며, 이 외에도 R파 탐지가 가능한 ECG 신호를 분석할 수 있는 다양한 방법을 활용하여 동작을 수행할 수 있다.R-peak (R wave) can be detected using Neurokit, and in addition, operations can be performed using various methods that can analyze ECG signals capable of R wave detection.
탐지된 R-피크를 이용하여 복수의 특징을 추출할 수 있다(S320).Multiple features can be extracted using the detected R-peak (S320).
본 발명의 일 실시예에서는 상기 복수의 특징은 R-피크 사이의 간격인 RRI(R-peak R-peak Interver), 심전도 유도 호흡(ECG-Derived Respiration, EDR) 및 심전도의 진폭(Amplitude of ECG, AMP)의 3가지 특징을 이용하여 OSA를 검출하고 있으나, 이 외에도 정확도 증가, 환경 등의 필요에 따라 추가적인 신호 및 특징을 추출하여 함께 이용할 수 있다.In one embodiment of the present invention, the plurality of features include RRI (R-peak R-peak Interver), which is the interval between R-peaks, ECG-Derived Respiration (EDR), and Amplitude of ECG. OSA is detected using three characteristics of AMP), but additional signals and features can be extracted and used together depending on the needs of increased accuracy and environment.
추출된 복수의 특징은 진단부(400)에서 보다 정확한 진단을 수행할 수 있도록 특징을 리사이징할 수 있다(S330).The extracted plurality of features can be resized so that the
예를 들어, 상기 리사이징을 위하여 리사이징부(330)에서는 RRI에 대하여 보간법을 기반으로 오버샘플링을 실시하고, EDR에 대하여 보간법을 기반으로 다운샘플링을 실시할 수 있다.For example, for the above resizing, the resizing
도 7은 상기 S400 단계를 구체적으로 설명하는 도면이다.Figure 7 is a diagram specifically explaining step S400.
리사이징이 완료된 복수의 특징은 OSA검출부(410)에서 OSA의 유무를 검출할 수 있다(S410).The presence or absence of OSA can be detected in the
OSA 검출부(410)는 입력된 라벨 중 중간에 위치하는 라벨의 ECG 신호의 특징을 분석하여 정상 호흡과 비정상 호흡으로 구분할 수 있으며, 이 중 비정상 호흡으로 판단되는 경우, OSA로 인지하여 해당 라벨을 OSA라고 검출할 수 있다.The
또한, 리사이징이 완료된 복수의 특징은 수면시간 추정부(420)에서 순수 수면 시간(Pure sleep time)을 추정할 수 있다(S420).Additionally, pure sleep time can be estimated in the sleep
상기 S410 단계 및 상기 S420 단계는 특징추출부(300)에서 추출한 특징을 받아 동작하는 단계로서 동시에 수행될 수도 있고, OSA 검출 이후 수면 시간을 측정하는 순으로 순차적으로 수행될 수도 있다.Steps S410 and S420 are steps for receiving and operating features extracted from the
또한, 상기 S410 단계 및 S420 단계는 LSTM 및 CNN으로 구성되는 딥러닝을 이용하여 동작을 수행할 수 있으며, 필요에 따라 상기 S300동작 또한 딥러닝을 이용하여 수행될 수 있다.In addition, steps S410 and S420 can be performed using deep learning consisting of LSTM and CNN, and if necessary, step S300 can also be performed using deep learning.
OSA 검출 결과 및 추정된 수면 시간 정보를 기반으로 AHI를 계산할 수 있다(S430).AHI can be calculated based on the OSA detection result and estimated sleep time information (S430).
AHI는 수면 시간 내의 무호흡-저호흡 지수를 의미하므로 수면 시간의 계산이 중요하다. 종래의 기술에서는 수면 시간을 취침 시작 시간 내지 기상 시간의 일괄적인 시간 계산으로 AHI를 계산하고 있어 정확한 AHI기 계산되지 않는다는 문제가 있으며, 본원발명에서는 이러한 문제를 해결하기 위하여 상기의 S420단계에서와 같이 순수 수면 시간을 계산하여 이를 기반으로 AHI를 계산하고 있어 정확한 AHI를 계산할 수 있다.AHI refers to the apnea-hypopnea index within sleep time, so calculation of sleep time is important. In the conventional technology, the AHI is calculated by calculating the sleep time as a lump sum from the start of bed time to the wake-up time, so there is a problem that the accurate AHI is not calculated. In the present invention, in order to solve this problem, as in step S420 above, Since the pure sleep time is calculated and the AHI is calculated based on this, an accurate AHI can be calculated.
AHI의 계산이 완료되면 OSA 중증도를 추정하여 사용자에게 제공할 수 있다(S440). Once the calculation of AHI is completed, OSA severity can be estimated and provided to the user (S440).
OSA 중증도는 AHI 값을 기반으로 계산되며, 일반적으로 1시간 단위로 5분 미만의 OSA는 정상 상태, 5분 내지 15분 이내일 경우 경증도, 15분 내지 30분 이내일 경우 중등도, 30분 이상일 경우 중증도로 판단하여 사용자에게 제공할 수 있으나, 이에 한정되지 않고 임상결과 혹은 사용자의 수면 시간에 대비한 AHI 지수 등을 기반으로 사용자에게 데이터를 제공할 수 있다.OSA severity is calculated based on the AHI value, and generally OSA lasting less than 5 minutes per hour is considered normal, lasting 5 to 15 minutes is considered mild, lasting 15 to 30 minutes is moderate, and lasting more than 30 minutes is considered normal. In some cases, the severity can be judged and provided to the user, but the data is not limited to this and data can be provided to the user based on clinical results or the AHI index compared to the user's sleep time.
본 발명의 도 4 내지 도 7에서는 개시되어 있지 않으나 추가적으로 측정 데이터(ECG 신호, 특징값, OSA, 순수 수면시간, AHI, OSA 중증도)를 저장장치에 저장하는 단계, 딥러닝을 학습하는 단계, 의료기관으로 전송하는 단계, 및 의료기관에서 측정 데이터를 분석하여 의학적 처방 또는 치료를 계획하는 단계를 더 포함할 수 있다.Although not disclosed in FIGS. 4 to 7 of the present invention, additional steps include storing measurement data (ECG signal, feature value, OSA, pure sleep time, AHI, OSA severity) in a storage device, learning deep learning, and medical institution. It may further include a step of transmitting to a medical institution, and a step of analyzing the measurement data at a medical institution to plan a medical prescription or treatment.
본 발명에서는 일 실시예를 포함하여 수면 호흡 상태 분류 장치의 구조 및 동작 방법을 제시하고 있으며, 종래 기술에 대비하여 본 발명의 수면 호흡 상태 분류 장치의 구조 및 동작 방법은 ECG 단일 신호만을 이용하여 폐쇄성 무호흡증을 진단할 수 있어 장치의 크기를 대폭 감소시킬 수 있다.The present invention presents the structure and operation method of the sleep breathing state classification device, including one embodiment. In contrast to the prior art, the structure and operation method of the sleep breathing state classification device of the present invention uses only a single ECG signal to Apnea can be diagnosed and the size of the device can be significantly reduced.
또한, 딥러닝을 이용하여 폐쇄성 무호흡증을 진단함으로써 사용자 별 맞춤형 폐쇄성 무호흡증 측정 장치 및 방법을 제공할 수 있다.In addition, by diagnosing obstructive apnea using deep learning, it is possible to provide a customized obstructive apnea measurement device and method for each user.
또한, 폐쇄성 무호흡증 발생 시간과 실제 수면 시간을 분리하여 폐쇄성 무호흡-저호흡 지수를 계산함으로써 보다 정확한 폐쇄성 무호흡증 중증도를 계산할 수 있다.In addition, the severity of obstructive apnea can be calculated more accurately by calculating the obstructive apnea-hypopnea index by separating the time when obstructive apnea occurs and the actual sleep time.
또한, 폐쇄성 무호흡증의 측정 단위 시간을 변경함으로써 보다 정확한 수면 시간을 계산할 수 있다.Additionally, by changing the measurement unit time for obstructive apnea, a more accurate sleep time can be calculated.
상술한 실시 예에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 예에 포함되며, 반드시 하나의 실시 예에 만 한정되는 것은 아니다. 나아가, 각 실시 예에 서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의하여 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다.The features, structures, effects, etc. described in the above-described embodiments are included in at least one embodiment of the present invention, and are not necessarily limited to only one embodiment. Furthermore, the features, structures, effects, etc. illustrated in each embodiment can be combined or modified and implemented in other embodiments by a person with ordinary knowledge in the field to which the embodiments belong.
따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다. 또한, 이상에서 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.Therefore, contents related to such combinations and modifications should be construed as being included in the scope of the present invention. In addition, although the description has been made focusing on the embodiments above, this is only an example and does not limit the present invention, and those skilled in the art will understand the above examples without departing from the essential characteristics of the present embodiments. You will be able to see that various modifications and applications are possible. For example, each component specifically shown in the embodiments can be modified and implemented. And these variations and differences in application should be construed as being included in the scope of the present invention as defined in the attached claims.
100: 생체신호 측정부
200: 전처리부 210: 세분화부
220: 라벨링부 230: 필터링부
300: 특징추출부 310: 피크탐지부
320: 특징생성부 330: 리사이징부
400: 진단부 410: OSA 검출부
420: 수면시간 추정부 430: AHI 계산부
440: 호흡상태 추정부100: Biosignal measurement unit
200: preprocessing unit 210: segmentation unit
220: labeling unit 230: filtering unit
300: Feature extraction unit 310: Peak detection unit
320: feature generation unit 330: resizing unit
400: Diagnosis unit 410: OSA detection unit
420: Sleep time estimation unit 430: AHI calculation unit
440: Respiratory state estimation unit
Claims (16)
사용자의 수면 중 ECG 신호를 측정하는 생체신호 측정부;
상기 ECG 신호를 전처리하는 전처리부;
상기 전처리된 상기 ECG 신호의 특징을 추출하는 특징추출부; 및
상기 특징을 이용하여 상기 사용자의 호흡상태를 진단하는 진단부;
를 포함하며,
상기 전처리부는 기설정된 단위로 세분화하는 세분화부; 및
상기 세분화부에서 세분화된 각 영역을 세분화된 각 영역 중 상기 진단부가 진단하고자 하는 영역의 기설정된 개수의 전후 영역을 하나의 그룹으로 묶어 하나의 에포크로 라벨링하는 라벨링부;를 포함하고,
상기 특징추출부 및 상기 진단부는 딥러닝으로 구성되는 것을 특징으로 하는 수면 호흡 상태 분류 장치.
In a device that performs sleep breathing state classification using only R waves,
A bio-signal measurement unit that measures the ECG signal while the user is sleeping;
A pre-processing unit that pre-processes the ECG signal;
a feature extraction unit that extracts features of the preprocessed ECG signal; and
a diagnostic unit that diagnoses the user's breathing condition using the characteristics;
Includes,
The preprocessing unit includes a subdivision unit that subdivides into preset units; and
A labeling unit that groups a preset number of areas before and after the area to be diagnosed by the diagnosis unit among the subdivided areas in the segmentation unit and labels them as one epoch,
A sleep-respiratory state classification device, characterized in that the feature extraction unit and the diagnosis unit are composed of deep learning.
상기 세분화부는 상기 ECG 신호를 이산 슬라이딩 윈도우(discrete sliding window) 방식을 이용하여 기설정된 단위로 세분화하고,
상기 라벨링된 라벨을 필터링하는 필터링부를 더 포함하는 것을 특징으로 하는 수면 호흡 상태 분류 장치.
According to paragraph 1,
The segmentation unit segments the ECG signal into preset units using a discrete sliding window method,
A sleep-respiratory state classification device further comprising a filtering unit that filters the labeled labels.
상기 진단부의 신뢰도에 따라 상기 세분화부의 세분화 단위를 상기 기설정된 단위보다 더 작은 단위로 다시 설정하여 상기 호흡상태를 재진단하는 것을 특징으로 하는 수면 호흡 상태 분류 장치.
According to paragraph 1,
A sleep-respiratory state classification device characterized in that the breathing state is re-diagnosed by resetting the subdivision unit of the segmentation unit to a smaller unit than the preset unit according to the reliability of the diagnosis unit.
상기 특징추출부는
상기 ECG 신호에서 R파의 피크를 탐지하는 피크탐지부;
상기 R파의 피크를 기반으로 특징을 생성하는 특징생성부; 및
상기 특징을 리사이징하는 리사이징부;
를 포함하는 것을 특징으로 하는 수면 호흡 상태 분류 장치.
According to paragraph 1,
The feature extraction unit
a peak detection unit that detects the peak of the R wave in the ECG signal;
a feature generator that generates features based on the peak of the R wave; and
A resizing unit that resizes the features;
A sleep breathing state classification device comprising a.
상기 특징은 심전도에서 R파에서 다음의 R파까지의 간격(RRI), ECG 유도 호흡(ECG-Derived Respiration, EDR) 및 심전도의 진폭(amplitude of ECG, AMP)이며,
상기 리사이징부는 보간법을 이용하여 상기 RRI는 오버샘플링을 수행하고, 상기 EDR은 다운샘플링을 수행하는 것을 특징으로 하는 수면 호흡 상태 분류 장치.
According to paragraph 4,
The characteristics are the interval from the R wave to the next R wave in the electrocardiogram (RRI), ECG-Derived Respiration (EDR), and amplitude of ECG (AMP),
The resizing unit performs oversampling of the RRI and downsampling of the EDR using an interpolation method.
상기 진단부는
상기 특징을 이용하여 폐쇄성 수면무호흡(OSA)을 검출하는 OSA 검출부;
상기 특징을 이용하여 순수한 수면 시간을 추정하는 수면시간 추정부;
상기 OSA 및 상기 수면 시간을 이용하여 무호흡-저호흡 지수(AHI)를 계산하는 AHI 계산부; 및
상기 AHI를 기반으로 수면무호흡 중증도를 추정하는 호흡상태 추정부;
를 포함하는 것을 특징으로 하는 수면 호흡 상태 분류 장치.
According to paragraph 1,
The diagnostic department
an OSA detection unit that detects obstructive sleep apnea (OSA) using the above characteristics;
a sleep time estimator that estimates pure sleep time using the above characteristics;
an AHI calculator that calculates an apnea-hypopnea index (AHI) using the OSA and the sleep time; and
a respiratory state estimation unit that estimates the severity of sleep apnea based on the AHI;
A sleep breathing state classification device comprising a.
상기 딥러닝은 LSTM(Long Short-Term Memory) 및 컨볼루션 신경망(Convolutional Neural Network, CNN)의 결합으로 구성되며,
상기 OSA 및 AHI는 소프트맥스를 이용하여 각 호흡의 확률을 계산하는 것을 특징으로 하는 수면 호흡 상태 분류 장치.
According to clause 6,
The deep learning consists of a combination of LSTM (Long Short-Term Memory) and Convolutional Neural Network (CNN),
The OSA and AHI are sleep breathing state classification devices characterized in that the probability of each respiration is calculated using softmax.
상기 진단부의 측정 결과 및 상기 ECG 신호를 이용하여 상기 컨볼루션 신경망의 학습을 수행하는 것을 특징으로 하는 수면 호흡 상태 분류 장치.
In clause 7,
A sleep-respiratory state classification device that performs learning of the convolutional neural network using the measurement results of the diagnostic unit and the ECG signal.
생체신호 측정부에서 수면 상태의 ECG 신호를 측정하는 단계;
전처리부에서 상기 ECG 신호를 기설정된 단위로 분할하는 단계;
특징추출부에서 분할된 상기 ECG 신호의 특징을 추출하는 단계; 및
진단부에서 상기 특징을 이용하여 호흡 상태를 진단하는 단계;
를 포함하며,
상기 기설정된 단위로 분할하는 단계는
기설정된 단위로 세분화하는 단계; 및
상기 세분화된 세분화된 각 영역을 세분화된 각 영역 중 상기 진단부가 진단하고자 하는 영역의 기설정된 개수의 전후 영역을 하나의 그룹으로 묶어 하나의 에포크로 라벨링하는 단계;를 더 포함하고,
상기 특징을 추출하는 단계 및 상기 호흡 상태를 진단하는 단계는 딥러닝으로 구성되는 분류 모델을 이용하는 것을 특징으로 하는 수면 호흡 상태 분류 방법.
In a method of performing sleep breathing state classification using only R waves,
Measuring the ECG signal in a sleeping state by a bio-signal measurement unit;
Dividing the ECG signal into preset units in a preprocessor;
Extracting features of the segmented ECG signal in a feature extraction unit; and
Diagnosing a respiratory condition in a diagnostic unit using the above characteristics;
Includes,
The step of dividing into preset units is
subdividing into preset units; and
It further includes grouping a preset number of areas before and after the area to be diagnosed by the diagnostic unit among each segmented area and labeling each segmented area as one epoch,
A sleep breathing state classification method, wherein the step of extracting the features and the step of diagnosing the breathing state use a classification model composed of deep learning.
상기 기설정된 단위로 세분화하는 단계는
상기 ECG 신호를 이산 슬라이딩 윈도우(discrete sliding window) 방식을 이용하여 기설정된 단위로 세분화하고,
상기 라벨링을 필터링하는 단계를 더 포함하는 것을 특징으로 하는 수면 호흡 상태 분류 방법.
According to clause 9,
The step of subdividing into the preset units is
Segmenting the ECG signal into preset units using a discrete sliding window method,
A sleep breathing state classification method, further comprising filtering the labeling.
상기 호흡 상태의 신뢰도에 따라 상기 세분화하는 단위를 기설정된 단위보다 더 작은 단위로 다시 세분화하여 상기 호흡 상태를 재진단하는 것을 특징으로 하는 수면 호흡 상태 분류 방법.
According to clause 9,
A sleep breathing state classification method characterized by re-diagnosing the breathing state by subdividing the subdivided units into smaller units than preset units according to the reliability of the breathing state.
상기 특징을 추출하는 단계는
분할된 상기 ECG 신호에서 R파의 피크를 탐지하는 단계;
상기 R파의 피크를 기반으로 특징을 추출하는 단계; 및
상기 특징을 리사이징하는 단계;
를 포함하는 것을 특징으로 하는 수면 호흡 상태 분류 방법.
According to clause 9,
The step of extracting the features is
Detecting the peak of the R wave in the segmented ECG signal;
Extracting features based on the peak of the R wave; and
resizing the feature;
A sleep breathing state classification method comprising:
상기 특징은 심전도에서 R파에서 다음의 R파까지의 간격(RRI), ECG 유도 호흡(ECG-Derived Respiration, EDR) 및 심전도의 진폭(amplitude of ECG, AMP)이며,
상기 리사이징하는 단계는 보간법을 이용하여 상기 RRI는 오버샘플링을 수행하고, 상기 EDR은 다운샘플링을 수행하는 것을 특징으로 하는 수면 호흡 상태 분류 방법.
According to clause 12,
The characteristics are the interval from the R wave to the next R wave in the electrocardiogram (RRI), ECG-Derived Respiration (EDR), and amplitude of ECG (AMP),
In the resizing step, the RRI performs oversampling and the EDR performs downsampling using an interpolation method.
호흡 상태를 진단하는 단계는
상기 특징을 이용하여 폐쇄성 수면무호흡(OSA) 및 순수한 수면 시간을 검출하는 단계;
상기 OSA 및 상기 수면 시간을 기반으로 무호흡-저호흡 지수(AHI)를 계산하는 단계; 및
상기 수면무호흡 중증도를 추정하는 단계;
를 포함하는 것을 특징으로 하는 수면 호흡 상태 분류 방법.
According to clause 9,
Steps to diagnose respiratory condition
Detecting obstructive sleep apnea (OSA) and pure sleep time using the features;
calculating an apnea-hypopnea index (AHI) based on the OSA and the sleep time; and
estimating the severity of sleep apnea;
A sleep breathing state classification method comprising:
상기 딥러닝은 LSTM(Long Short-Term Memory) 및 컨볼루션 신경망(Convolutional Neural Network, CNN)의 결합으로 구성되며,
상기 OSA 및 AHI는 소프트맥스를 이용하여 각 호흡의 확률을 계산하는 것을 특징으로 하는 수면 호흡 상태 분류 방법.
According to clause 14,
The deep learning consists of a combination of LSTM (Long Short-Term Memory) and Convolutional Neural Network (CNN),
The OSA and AHI are sleep breathing state classification methods, characterized in that the probability of each respiration is calculated using softmax.
상기 호흡 상태를 진단하는 단계는 측정 결과 및 상기 ECG 신호를 이용하여 상기 컨볼루션 신경망의 학습을 수행하는 단계를 더 포함하는 것을 특징으로 하는 수면 호흡 상태 분류 방법.
According to clause 15,
The step of diagnosing the breathing state further includes performing learning of the convolutional neural network using measurement results and the ECG signal.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210173772A KR102645586B1 (en) | 2021-12-07 | 2021-12-07 | Apparatus and method for classifying breathing state during sleep using biosignals |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210173772A KR102645586B1 (en) | 2021-12-07 | 2021-12-07 | Apparatus and method for classifying breathing state during sleep using biosignals |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230085526A KR20230085526A (en) | 2023-06-14 |
| KR102645586B1 true KR102645586B1 (en) | 2024-03-11 |
Family
ID=86744842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210173772A KR102645586B1 (en) | 2021-12-07 | 2021-12-07 | Apparatus and method for classifying breathing state during sleep using biosignals |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102645586B1 (en) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016110804A1 (en) * | 2015-01-06 | 2016-07-14 | David Burton | Mobile wearable monitoring systems |
| KR102193558B1 (en) * | 2018-06-04 | 2020-12-21 | 주식회사 휴이노 | Method, system and non-transitory computer-readable recording medium for measuring bio signal |
| KR102199085B1 (en) * | 2018-12-10 | 2021-01-07 | 순천향대학교 산학협력단 | Arrhythmia classification system and method using deep neural network |
| KR102324471B1 (en) | 2019-06-03 | 2021-11-10 | 계명대학교 산학협력단 | Portable sleep apnea computer assisted diagnosis sensor device and its control method |
-
2021
- 2021-12-07 KR KR1020210173772A patent/KR102645586B1/en active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230085526A (en) | 2023-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7261811B2 (en) | Systems and methods for non-invasive determination of blood pressure lowering based on trained predictive models | |
| JP5961235B2 (en) | Sleep / wake state evaluation method and system | |
| US11915825B2 (en) | Systems and methods of analyte measurement analysis | |
| US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
| WO2019161609A1 (en) | Method for analyzing multi-parameter monitoring data and multi-parameter monitor | |
| JP3923035B2 (en) | Biological condition analysis apparatus and biological condition analysis method | |
| CN107028603B (en) | Apparatus and method for detecting diabetes in a human body using pulse palpation signals | |
| WO2019161608A1 (en) | Multi-parameter monitoring data analysis method and multi-parameter monitoring system | |
| CN109328034B (en) | Determining system and method for determining sleep stage of subject | |
| CN108577830A (en) | A kind of user oriented sign information dynamic monitor method and dynamic monitor system | |
| JP6310401B2 (en) | Method, system and computer program for processing a signal representing a physiological rhythm | |
| US20210121117A1 (en) | Systems and methods of qt interval analysis | |
| Alivar et al. | Motion artifact detection and reduction in bed-based ballistocardiogram | |
| Alivar et al. | Motion detection in bed-based ballistocardiogram to quantify sleep quality | |
| US11109809B2 (en) | Methods and systems for adaptable presentation of sensor data | |
| CN116098602A (en) | Non-contact sleep respiration monitoring method and device based on IR-UWB radar | |
| JP2008253727A (en) | Monitor device, monitor system and monitoring method | |
| KR102645586B1 (en) | Apparatus and method for classifying breathing state during sleep using biosignals | |
| JP7216408B2 (en) | Device for determining sleep apnea syndrome, method for determining sleep apnea syndrome, and program for determining sleep apnea syndrome | |
| CN117279560A (en) | Health monitoring and management system using ectopic beats as early heart health markers | |
| Yousefi et al. | Atrial fibrillation detection from wrist photoplethysmography data using artificial neural networks | |
| Shilvya et al. | Obstructive Sleep Apnea Detection from ECG Signals with Deep Learning | |
| WO2021045616A1 (en) | A computer-implemented method and an apparatus for determining body positions and/or sleep stages of a person during sleep. | |
| WO2020206331A1 (en) | Traumatic brain injury diagnostics system and method | |
| Savostin et al. | DEVISING A METHOD FOR PREDICTING A BLOOD PRESSURE LEVEL BASED ON ELECTROCARDIOGRAM AND PHOTOPLETHYSMOGRAM SIGNALS. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |